用語集

レコメンデーションシステム

レコメンデーションシステムがAIを活用してユーザー体験をパーソナライズする方法を学びましょう。Ultralytics を用いた協調フィルタリングと視覚的類似性を探求します。

レコメンデーションシステムは、ユーザーが特定のアイテムを好むかどうかを予測するために設計された情報フィルタリングアルゴリズムである。これらのインテリジェントシステムは、現代の人工知能（AI）アプリケーションの基盤として機能し、パーソナライズされた提案をキュレーションすることで、オンライン上で利用可能な膨大なコンテンツをユーザーがナビゲートするのを支援する。購入履歴、視聴習慣、ユーザー評価といったビッグデータのパターンを分析することで、レコメンデーションエンジンはユーザーエンゲージメントを高め、意思決定プロセスを効率化します。選択肢の多様性がユーザーの全評価能力を超える環境において、これらのシステムは特に多用されています。

実際のアプリケーション

レコメンデーション・システムの実用的な有用性は、さまざまな業界にまたがり、次の両者を推進している。顧客体験ビジネス収益に貢献する。

電子商取引と小売：プラットフォームは高度なアルゴリズムを活用し、買い物客に商品を提案する。これらのシステムは小売におけるAIを駆動し、動的に「この商品を購入したお客様は、こちらも購入しています…」リストを表示することで、クロスセリングの機会を大幅に増加させる。
メディアストリーミング：サービスはパーソナライゼーションに大きく依存している。 Netflixのレコメンデーション研究チームは、視聴履歴を分析するアルゴリズムを開発し、ユーザーのホームページに関連性の高い映画や番組を表示している。同様に、音楽プラットフォームは音響パターンとユーザーのリスニング行動を分析してプレイリストを生成する。

エンベッディングを使ったビジュアル・レコメンデーション

最近の推薦システム、特にビジュアル・コンテンツの推薦システムにおいて重要なテクニックは、エンベッディングを使うことである。エンベッディング。エンベッディングとは高次元空間におけるアイテム（画像など）の数値表現です。視覚的に似ているアイテムは、エンベッディングがが近い。

以下のPython 、Ultralytics 分類モデルを使用して画像埋め込みを抽出し、 PyTorchを使用してそれらの類似度を計算する方法を示しています。 PyTorchを用いて類似度を計算する方法を示します。

import torch.nn.functional as F
from ultralytics import YOLO

# Load a YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate embeddings for two images (returns a list of Results objects)
results = model.predict(["bus.jpg", "dog.jpg"], embed=[1000])

# Calculate cosine similarity between the two embeddings
# Higher score indicates greater visual similarity
similarity = F.cosine_similarity(results[0].probs.data, results[1].probs.data, dim=0)

print(f"Visual Similarity Score: {similarity.item():.4f}")