レコメンデーション戦略

このトピックでは、次の項目について説明します。

戦略

レコメンデーション戦略は次のもので構成されます。

  • レコメンデーションを生成するアルゴリズム。
  • アイテム/コンテンツ属性に基づいてアイテム/コンテンツのレコメンデーションをキュレートするフィルタ。
  • 表示できるレコメンデーションがない場合に常に推奨されるフォールバック・アイテム。

レコメンデーション・モデル/アルゴリズム

このセクションでは、各アルゴリズムによるレコメンデーションの作成方法について説明します。

人気に基づくモデル

1. 閲覧最多

モデルの目的

このモデルは、レコメンデーションとして、最も頻繁に閲覧されたアイテムを返します。

モデル・ロジック

各アイテムのスコアは次のように計算されます。

  • アイテム・スコア: (アイテムの閲覧回数) * (閲覧の最新性を考慮する時間係数)

  • : あるアイテムが月曜日に100回、火曜日に200回、水曜日に300回閲覧された場合、木曜日には、閲覧最多モデルにより、このアイテムに598 = 100 * 0.99 + 200 * 0.995 + 300というスコアが指定されます。

モデルの出力 次に、アイテムはそのスコアの降順で並べられ、レコメンデーションに適格で、フィルタリング条件を満たす上位12アイテムが、コンテンツ・ジェネレータのレスポンスで返されます。レコメンデーションに適格で、かつフィルタリング条件を満たすインベントリ・ファイル内のアイテムが12個未満である場合、このモデルが生成できるレコメンデーションは12件未満になります。この場合、このようなアイテムはすべて、コンテンツ・ジェネレータのレスポンスで返されます。

2. 販売最多

モデルの目的 このモデルは、レコメンデーションとして、最も頻繁に購入されたアイテムを返します。
モデル・ロジック

各アイテムのスコアは次のように計算されます。

  • アイテム・スコア: (アイテムの購入回数) * (閲覧の最新性を考慮する時間係数)

  • : あるアイテムが月曜日に100回、火曜日に200回、水曜日に300回購入された場合、木曜日に構築される販売最多モデルにより、このアイテムに598 = 100 * 0.99 + 200 * 0.995 + 300というスコアが指定されます。

モデルの出力 次に、アイテムはそのスコアの降順で並べられ、レコメンデーションに適格で、フィルタリング条件を満たす上位12アイテムが、コンテンツ・ジェネレータのレスポンスで返されます。レコメンデーションに適格で、かつフィルタリング条件を満たすインベントリ・ファイル内のアイテムが12個未満である場合、このモデルが生成できるレコメンデーションは12件未満になります。この場合、このようなアイテムはすべて、コンテンツ・ジェネレータのレスポンスで返されます。

3. トレンド - 閲覧

モデルの目的 このモデルは、レコメンデーションとして、過去7日間に最も頻繁に閲覧されたアイテムを返します。
モデル・ロジック

各アイテムのスコアは次のように計算されます。

  • アイテム・スコア: (過去7日間のアイテムの閲覧回数) * (閲覧の最新性を考慮する時間係数)

  • : あるアイテムが月曜日に100回、火曜日に200回、水曜日に300回閲覧された場合、木曜日には、閲覧最多モデルにより、このアイテムに598 = 100 * 0.99 + 200 * 0.995 + 300というスコアが指定されます。

モデルの出力 次に、アイテムはそのスコアの降順で並べられ、レコメンデーションに適格で、フィルタリング条件を満たす上位12アイテムが、コンテンツ・ジェネレータのレスポンスで返されます。レコメンデーションに適格で、かつフィルタリング条件を満たすインベントリ・ファイル内のアイテムが12個未満である場合、このモデルが生成できるレコメンデーションは12件未満になります。この場合、このようなアイテムはすべて、コンテンツ・ジェネレータのレスポンスで返されます。

4. トレンド - 購入

モデルの目的 このモデルは、レコメンデーションとして、過去7日間に最も頻繁に購入されたアイテムを返します。
モデル・ロジック

各アイテムのスコアは次のように計算されます。

  • アイテム・スコア: (過去7日間のアイテムの購入回数) * (閲覧の最新性を考慮する時間係数)

  • : あるアイテムが月曜日に100回、火曜日に200回、水曜日に300回購入された場合、木曜日に構築される販売最多モデルにより、このアイテムに598 = 100 * 0.99 + 200 * 0.995 + 300というスコアが指定されます。

モデルの出力 次に、アイテムはそのスコアの降順で並べられ、レコメンデーションに適格で、フィルタリング条件を満たす上位12アイテムが、コンテンツ・ジェネレータのレスポンスで返されます。レコメンデーションに適格で、かつフィルタリング条件を満たすインベントリ・ファイル内のアイテムが12個未満である場合、このモデルが生成できるレコメンデーションは12件未満になります。この場合、このようなアイテムはすべて、コンテンツ・ジェネレータのレスポンスで返されます。

同時発生に基づくモデル

1. これを閲覧した人が閲覧したもの

モデルの目的 このモデルは、レコメンデーションとして、最も頻繁に閲覧されたアイテムとともに現在閲覧されているアイテム(レコメンデーション・リクエストでこのアイテムのIDをコンテンツ・ジェネレータに渡す必要があります)を返します。
モデル・ロジック 各アイテムのスコアは、そのアイテムと現在閲覧されているアイテムの両方を閲覧したビジターの数に基づいて計算されます。
モデルの出力 次に、アイテムはそのスコアの降順で並べられ、上位23アイテムが選択されます。コンテンツ・ジェネレータ・レスポンスの12件のレコメンデーションには、これらの23アイテムのうち、フィルタリング条件を満たすものが最初に含められます。その後、残りの空のスロットには、フィルタリング条件を満たし、かつすでに選択されているアイテムと重複しない、閲覧最多モデルによって構築されたレコメンデーションが含められます。レコメンデーションに適格で、かつフィルタリング条件を満たすインベントリ・ファイル内のアイテムが12個未満である場合、このモデルが生成できるレコメンデーションは12件未満になります。この場合、このようなアイテムはすべて、コンテンツ・ジェネレータのレスポンスで返されます。「これを閲覧した人が閲覧したもの」モデルは、現在閲覧されているアイテムが存在し、かつそのIDをパラメータとしてモデルに渡すことができる製品詳細ページ(PDP)上で動作するように設計されています。インベントリ・ファイルに存在しないIDが受信された場合、または現在閲覧されているアイテムのIDが受信されなかった場合、このモデルは、閲覧最多モデルを使用して構築されたレコメンデーションを返すことに注意してください。

2. これを閲覧した人が購入したもの

モデルの目的 このモデルは、レコメンデーションとして、現在閲覧されているアイテム(レコメンデーション・リクエストでこのアイテムのIDをコンテンツ・ジェネレータに渡す必要があります)を閲覧したビジターに最も購入されたアイテムを返します。
モデル・ロジック 各アイテムのスコアは、そのアイテムを購入し、かつ現在閲覧されているアイテムを閲覧したビジターの数に基づいて計算されます。
モデルの出力 次に、アイテムはそのスコアの降順で並べられ、上位23アイテムが選択されます。コンテンツ・ジェネレータ・レスポンスの12件のレコメンデーションには、これらの23アイテムから、フィルタリング条件を満たすものが最初に含められます。その後、残りの空のスロットには、フィルタリング条件を満たし、かつすでに選択されているアイテムと重複しない、閲覧最多モデルによって構築されたレコメンデーションが含められます。レコメンデーションに適格で、かつフィルタリング条件を満たすインベントリ・ファイル内のアイテムが12個未満である場合、このモデルが生成できるレコメンデーションは12件未満になります。この場合、このようなアイテムはすべて、コンテンツ・ジェネレータのレスポンスで返されます。

「これを閲覧した人が購入したもの」モデルは、現在閲覧されているアイテムが存在し、かつそのIDをパラメータとしてモデルに渡すことができるPDP上で動作するように設計されています。インベントリ・ファイルに存在しないIDが受信された場合、または現在閲覧されているアイテムのIDが受信されなかった場合、このモデルは、閲覧最多モデルを使用して構築されたレコメンデーションを返すことに注意してください。

3. これを購入した人が購入したもの

モデルの目的 このモデルは、レコメンデーションとして、最も頻繁に購入されたアイテムとともに現在閲覧されているアイテム(レコメンデーション・リクエストでこのアイテムのIDをコンテンツ・ジェネレータに渡す必要があります)を返します。
モデル・ロジック 各アイテムのスコアは、そのアイテムと現在閲覧されているアイテムの両方を購入したビジターの数に基づいて計算されます。
モデルの出力

次に、アイテムはそのスコアの降順で並べられ、上位23アイテムが選択されます。コンテンツ・ジェネレータ・レスポンスの12件のレコメンデーションには、これらの23アイテムのうちフィルタリング条件を満たすものが最初に含められます。その後、残りの空のスロットには、フィルタリング条件を満たし、かつすでに選択されているアイテムと重複しない、販売最多モデルによって構築されたレコメンデーションが含められます。レコメンデーションに適格で、かつフィルタリング条件を満たすインベントリ・ファイル内のアイテムが12個未満である場合、このモデルが生成できるレコメンデーションは12件未満になります。この場合、このようなアイテムはすべて、コンテンツ・ジェネレータのレスポンスで返されます。

「これを購入した人が購入したもの」モデルは、現在閲覧されているアイテムが存在し、かつそのIDをパラメータとしてモデルに渡すことができるPDP上で動作するように設計されています。インベントリ・ファイルに存在しないIDが受信された場合、または現在閲覧されているアイテムのIDが受信されなかった場合、このモデルは、販売最多モデルを使用して構築されたレコメンデーションを返すことに注意してください。

ユーザー履歴に基づくモデル

1. 最終閲覧

ノート: このモデルは、構成されたすべてのフィルタリング条件を無視します。

モデルの目的 このモデルは、レコメンデーションとして、ビジターが最近操作した9アイテムを返します。
モデル・ロジック 操作は、品目の閲覧または購買として分類されます。レコメンデーション内のアイテムは操作が新しいものから並べられ、最近操作したアイテムが先頭に置かれます。
モデルの出力 モデルはコンテンツ・ジェネレータのレスポンスで最大9件のレコメンデーションを返すことができますが、以前にいずれのアイテムも操作していないビジターにはレコメンデーションが返されません。

2. 1対1のレコメンデーション

モデルの目的

クライアントWebサイトのアイテムの操作履歴を持つビジターに対して、このアルゴリズムは、ビジター履歴と、Webサイトの過去のユーザー・アイテム操作に基づいて計算されたアイテム間の類似性に基づいてレコメンデーションを生成します。ビジター履歴の最新項目は、レコメンデーションの生成時に重要性が高くなります。

モデル・ロジック

このアルゴリズムは、コラボレーション・フィルタリング・アプローチのファミリに属します。そのハイパーパラメータは、ビジターが操作する次のアイテムを予測する可能性を最大限に高めることを目標として、定期的に行われるオフライン検証手順を介して選択されます。これにより、クライアントに最適なアルゴリズムが選択されます。

リターゲティングのユース・ケースの電子メールに1対1のレコメンデーションを構成するには、次のいずれかを実行します。

フォールバック・アイテム

フォールバック・アイテムは、マーケティング担当者が事前に選択した標準的または一般的なレコメンデーション・アイテムです。これらのアイテムは、レコメンデーション・フィルタ基準で結果が生成されない場合に表示されます。このオプションは非常に便利で、顧客にまだ操作(閲覧または購入)履歴がない場合、またはマーケティング担当者のキャンペーン・レコメンデーション・フィルタ基準に一致するアイテムがない場合に実行されます。

このオプションを使用すると、アルゴリズムと適用済のフィルタによって結果が得られない場合でも、一部のアイテム/コンテンツがレコメンデーション・ウィジェットに常に表示されます。これらは戦略において個々のアイテムとして入力できます。

たとえば、購入最多のモデルを使用しているとします。このモデルでは、購入履歴を使用して、購入する可能性がある類似アイテムのレコメンデーションを作成します。

しかし、レコメンデーションの作成に使用できるデータがない場合、このシナリオでは何が起こるでしょうか。たとえば、ユーザーが初めてサイトを訪れ、まだアイテムを購入していない場合です。

このようなシナリオでは、フォールバック・メカニズムがあることが重要で、ユーザーにいくつかのアイテム・レコメンデーションを表示できます。マーケティング担当者はこれらを設定するか、レコメンデーションによって占有される領域に顧客が反応し、無駄にならないように、フォールバック・アイテムに最も一般的なモデルを使用することもできます。

さらに学ぶ

レコメンデーションの設定

電子メール・レコメンデーションの追加

レコメンデーション・サービス(API)の追加

Webレコメンデーションの追加

レコメンデーション・フィルタリング