ECサイト向けのレコメンデーション・エンジンを構築すると仮定しましょう。 構築する方法としては、コンテンツベースか協調フィルタリングを使用する2つの進め方があります。それぞれのメリットとデメリットを見てみましょう。そして、コンテンツベースエンジンを 簡単に実装する方法 について探りましょう(Herokuにデプロイ可能です)。 コンテンツベースを使用するとどのようになるのか先に知りたい方は、ほぼ同じレコメンデーション・エンジンが Groveの商品（紹介）ページで使用 されていますので、見てみてください。 コンテンツベースのレコメンデーション・システムはどのように機能するのか 商品説明や商品名、価格などの実際のアイテムプロパティなどが使用されるため、コンテンツベースシステムで構築されていると周りには思われているのではないでしょうか。これまで一度もレコメンデーション・システムの使用を検討したこと

Elasticsearch 勉強会 in 大阪・京都で発表しました。 最近、興味をもって調べていた More Like This Query API について、改めてソースコードリーディングしながら整理した内容になっています。 Elasticsearch 勉強会 in 大阪（7/13 Yahoo! JAPAN 大阪） Elasticsearch 勉強会 in 京都（7/14 はてな京都オフィス） 大阪と京都でElasticsearch勉強会を開催しました。 ( @johtani さんのブログ) この発表で使ったスライドを Speaker Deck にアップしました。大阪と京都で同内容の発表でしたが、スライドの体裁をよくして見やすくした、京都での発表スライドをアップしています。 Elasticsearch での類似文書検索と More Like This Query API 詳解 // Sp

Webブラウザーでできる機械学習Azure ML入門（3）：作った機械学習モデルをWebサービスにしてデプロイする (1/2) サンプルを使って、機械学習に必要なお作法を学んだところで、今回は実際にインプットとアウトプットのデータを外部から受けられるようにしてみます。このままデプロイしてAPIテストまで進めてみましょう。 連載第1回では環境を用意し、第2回では実際のサンプルをいじりながら使い方をざっと見てきました。 ここからはもう少し実践的に、ここまでに見てきた「Experiments」を改造して、少し違うことをしてみましょう。ここから先の作業は第2回までで操作した続きです。まだ環境が整っていない方は第1回から順に操作していってみてください。 今まで使ってきたサンプルデータは、編集することができないので、「SAVE AS」をクリックして複製し、まずは編集できるようにします。 サンプルを実際

Webブラウザーだけで学ぶ機械学習の「お作法」：Webブラウザーでできる機械学習Azure ML入門（2）（1/4 ページ） Azure MLの使い方を、機械学習の「お作法」に即して見ていきましょう。フローチャートと説明があるので、データを元にしたレコメンドの仕組みを確認できます。 連載バックナンバー 第一回は、Azure Machine Learning（Azure ML）がどのようなものかを紹介し、実際にワークスペースを作成してサンプルを確認するところまでを解説しました。今回はサンプルのこのフローを詳しく読み解いていき、Azure MLではどのようにすれば機械学習の仕組みが使えるようになるのかを見ていきましょう。 前回確認したサンプルの画面と「機械学習のお作法」を思い出しておきましょう。下の図は、サンプル画面に1～5の「機械学習のお作法」を当てはめたものです。 以降では、この図を基に、

企業において、経営視点を取り入れたデータ中心のWeb戦略が不可欠になりつつある。40ものオンライン事業を手掛ける楽天は、アクセス解析を浸透させる組織を作り、ビジネスの成功に結び付けている。楽天の取り組みの全貌を伝える。 楽天は約40ものオンライン事業を手掛け、会員数は6400万人以上、「楽天市場」と「楽天ブックス」だけでも流通総額8000億円以上（2009年）を稼ぎ出している。ひとたびWebページを開けばさまざまなサービスが存在し、ユーザーは自由に何度でもサイトを横断できる――。楽天ではこの循環型のエコシステムを「楽天経済圏」と呼び、会員データベースを軸にしたマーケティングの強化やリアルビジネスとの融合を視野に入れた価値の創造にも挑んでいる。 楽天経済圏の成長の鍵を握るのがアクセス解析である。JavaScriptやcookieを駆使する最近のアクセス解析ツールは、一昔前のログ解析ツールとは

英単語タイピングゲーム iVoca で「おすすめブック」機能をリリースしました。 ブック(単語帳)の画面に、そのブックと似ていて、同じユーザが学習しているブックを自動的に表示します。 英検の単語を集めたブックには英検の、しかもだいたい同じレベルのものを、TOEIC には TOEIC、イタリア語にはイタリア語、ドイツ語にはドイツ語、と ちゃんとおすすめできています。 外国語以外にも 古文の単語を集めたブックには古文、アメリカ合衆国の５０州を覚えるブックには世界の首都や都道府県を覚えるブックをおすすめしてくれます。 学びたいブックを見つけやすくなった iVoca をこれからもよろしくお願いします。 以上、よそいきモード終わり。 今回の類似ブック探索には、ソーシャルブックマーク界隈で噂の LSH(Locality Sensitive Hashing)、特に余弦類似度を用いた SimHash を採

Advances in machine learning (ML) have had a profound impact on a vast variety of applications across diverse fields. At Microsoft Research (MSR) New England, we are dedicated to advancing the state of the art of ML and actively pursue research across a wide variety of ML disciplines. These include using ML techniques to drive discovery in new domains, pioneering automation methods that allow non-

Overview Editors: Mahyar A. Amouzegar0 Mahyar A. Amouzegar Dept. Chemical Engineering, California State University, Long Beach, USA Offers the state of the art of tremendous advances in machine learning and data analysis Serves as an excellent reference text for researchers and graduate students, working on machine learning and data analysis Contains sixteen revised and extended research articles

国内外のITベンチャー企業が集うイベント「Infinity Ventures Summit 2009 Fall」では2009年11月13日、恒例となっている「Launch Pad（ローンチパッド）」が開かれた。10社を超える企業が、新サービスを各6分以内でプレゼンしていくイベントだ。 今回は、アイティア、オーマ、ORSO、カタログ、KLab、クウジット、KDDI研究所、GClue、ハートレイルズ、ミログ、ユビキタスエンターテインメントの11社と、吉崎航氏が個人として参加した。 審査委員10人の評価により優勝したのは、カタログのサービス「もじもじTV」。動画内の音声を認識して自動的にテキスト化するもので、新しい言葉や話題の人物も認識可能。任意のキーワードで検索すると、キーワードを含む動画を表示。間違っている個所については修正候補を表示し、ユーザーが修正していくことで認識精度が向上するという。

ISWC2009 (8th International Semantic Web Conference)がアメリカ、ワシント ンDCで開かれました。場所は空港近くのWestfields Conference Centerというところで、でなんというか陸の孤島です。まあ籠もって議論しようということでしょう。写真の一部はこちら。 登録者は500人強。去年より微減とのこと。参加者の半数はアメリカから。あとイギリス、ドイツ。この3国で3/4。日本は上位９位にはいっていませんでした。研究論文は250件中の43件で相変わらず高倍率です。日本からはたぶんNICTの兼岩さんだけ。 オープニングでおもしろかったのは、応募論文をテキストマイニングした結果を報告したことです。いくつか紹介すると、Ontologyは確率１．．．つまり必ず入っている？（ほんと？）、Serviceは採択論文の方が顕著に高い（次はここへ