協調フィルタリング
自分と好みがそっくりな友達の行きつけグルメ帳をちらっと覗いて、おすすめメニューを教えてもらうような仕組みです。
定義 協調フィルタリング（Collaborative Filtering）とは、膨大なユーザーの行動履歴や評価データを集めて分析し、好みが似ている他のユーザーが高評価したアイテムを自分におすすめしてくれる技術です。コンテンツのあらすじや成分を直接分析しなくても、ユーザー全体の選択パターンの傾向から精度の高いレコメンドを作り出します。
自分と好みがそっくりな「趣味友」を見つける
週末に見る映画を選ぶとき、普段から映画の趣味がぴったりの友人に「最近何か面白い作品ない？」と尋ねた経験は誰にでもあるはずです。
協調フィルタリングは、ネット上の数億人もの利用者の中から、自分と好みがそっくりな「見えない親友」を探し出す技術です。例えば、自分が面白いと感じて満点をつけた映画3本に対し、同じように満点をつけている他のユーザーをデータ分析で瞬時に見つけ出します。
そして、その人たちはお気に入り登録しているけれど、自分はまだ見ていない別の映画を探しておすすめとして表示してくれるのです。これをユーザーベース・フィルタリングと呼びます。人と人との好みの類似度を数学的に計算し、あなた専用のおすすめリストを作り出す仕組みです。
アイテム同士の「相性抜群なペア」を見つける
人を探す代わりに、商品同士が一緒に買われるペアの関係を分析する方法もあります。スーパーでお鍋の具材（白菜や豚肉）をカゴに入れた人の多くが、鍋つゆやポン酢も一緒に選ぶようなものです。
音楽ストリーミングサービスでも、曲Aを好む何百万人ものユーザーが曲Bも一緒にプレイリストに入れている場合、システムはその2曲に強い関連性があると判断します。歌詞やメロディーの特徴を直接分析しなくても、人々の聴取パターンから関係性を読み解くわけです。
自分が曲Aを再生すると、システムはこの相関関係をもとに曲Bを次の曲として提案します。これをアイテムベース・フィルタリングと呼び、ユーザー数が極めて多い大規模プラットフォームで、スピーディーかつ安定したレコメンドを提供する際によく使われています。
もう少し詳しく：出会ったばかりの弱点
協調フィルタリングは非常に強力ですが、避けられない弱点もあります。それは、履歴データがまったくない新規登録ユーザーや、追加されたばかりの新商品には何もおすすめできないという点です。
比較するための過去データがないため、エンジンが冷え切って動かない様子にちなんで、これをコールドスタート（Cold Start）問題と呼びます。好みが似たユーザーも、一緒に購入された相関データもまだ存在しないために起こる現象です。
そのため現代のレコメンドシステムでは、アイテムのジャンルやキーワードを直接分析する技術などを組み合わせて使っています。新しいアプリを使い始めるときに「好きな音楽ジャンル」や「興味のあるカテゴリー」を選ばせるのも、このスタート時の空白を埋めるための賢い工夫なのです。
🤔 よくある誤解
協調フィルタリングは、AIが動画のストーリーや音楽のジャンルそのものを分析しておすすめしている。
協調フィルタリングはコンテンツの中身自体を分析していません。ユーザーのクリック履歴、視聴時間、評価（星の数）といった「行動データ」のパターンだけを分析してレコメンドを行います。
🧺 日常で出会う場面
膨大なユーザーの行動履歴を集め、好みが似ているユーザーや相性の良いアイテムを見つけ出してお気に入りを提案するアルゴリズムです。