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と機械学習を使用してパーソナライズされた提案を提供し、エンゲージメントを高め、オンラインでの意思決定を促進する様子をご覧ください。

推薦システムとは、特定のアイテムに対するユーザーの好み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。システムである。これらのシステムは、現代の人工知能（AI）アプリケーションの基本的な構成要素として機能し、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、ユーザーがオンラインで利用可能な膨大な量のコンテンツをナビゲートするのを支援する。サジェスチョンを提供します。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、ユーザーのエンゲージメントを高め、意思決定プロセスを合理化します。意思決定プロセスを合理化する。レコメンデーション・エンジンは、様々な選択肢があり、それらをすべて手作業で評価することができないような環境で、大いに活用されている。手動ですべてを評価する能力を超えるような環境で、大いに活用されている。

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：アマゾンのようなプラットフォームは、買い物客に商品を提案するために高度なアルゴリズムを利用している。を買い物客に提案しています。このようなシステムは、小売業におけるAIの原動力となっている。を動的に表示し、クロスセリングの機会を大幅に増やす。クロスセリングの機会を大幅に増やします。
メディアストリーミング：NetflixやSpotifyのようなサービスは、パーソナライゼーションに大きく依存している。ネットフリックスの Netflixレコメンデーション研究チームは、視聴履歴を分析し、ユーザーのホームページに関連する映画や番組を表示するアルゴリズムを開発している。同様に、Spotifyは、音響パターンとユーザーのリスニング行動を分析することで、「Discover Weekly」プレイリストを生成する。を生成している。

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 コードは、事前に学習された Ultralytics YOLO11分類モデルを使用して埋め込み画像を抽出しを使用して類似度を計算します。 PyTorch.

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

# Load a YOLO11 classification model
model = YOLO("yolo11n-cls.pt")

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

# 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}")