プラグイン「Reco-Media（レコメディア）」とは？レコメンドロジックや3層ハイブリッドAIの仕組みと精度

「レコメンドが効いている／効いていない」は感覚で語られがちですが、その裏側には明確なアルゴリズムの設計があります。W2 Commerceのプラグインの1つである、「Reco-Media」は、W2 SmartHubの統合DBに蓄積された行動データをもとに、一人ひとりへ最適な商品とコンテンツを自動で提示するレコメンドプラグインです。

この記事では、Reco-Mediaがどのロジックで推薦を決めているのか、そして精度をどう担保しているのかを、実装に即して解説します。

Reco-Mediaってどんなプラグイン？

Reco-Mediaは、訪問者一人ひとりの行動データをもとに、最適な商品とコンテンツを自動で表示する3層ハイブリッドAIレコメンドエンジンです。性質の異なる3種類のAIロジックを掛け合わせた「3層ハイブリッドAI」を搭載し、訪問者の状態に応じて精度の高い推薦を返します。

レコメンド単体のツールと違い、W2 SmartHubの統合DBに直接つながっているため、サイトにデータが蓄積されるほど精度が磨かれていきます。推薦の対象は商品だけにとどまらず、記事コンテンツにも対応します。

なぜ「3層ハイブリッド」なのか？

レコメンドの手法は1つではありませんが、どの手法にも固有の弱点があります。

たとえば、行動データが無いと推薦できない、人気商品ばかりが上位に出てしまう、新規ユーザーにうまく対応できない、といった具合です。

Reco-Mediaは、性質の異なる3つの手法を組み合わせ、互いの弱点を補い合う「3層ハイブリッド」で構成することで、この問題に対処しています。以下、各層を順に見ていきます。

第1層 コンテンツベース｜商品の中身が似たものを探す

第1層は、商品そのものの中身が似ているかどうかで推薦する層です。商品の名前・説明文・カテゴリ・タグに加え、W2マスタが持つブランド名や関連商品（クロスセル・アップセル）のテキスト情報を数値の並び（ベクトル）に変換し、変換後のベクトルどうしの近さで「似た商品」を割り出します。

テキストを数値化する手法をTF-IDF、ベクトルの近さを測る指標をコサイン類似度と呼びます。

この層は行動データを必要としないため、まだ閲覧も購買も記録されていない新商品や、訪れたばかりの新規ユーザーにも推薦できる点が強みで、前述したコールドスタート問題の受け皿になります。

第2層 協調フィルタリング｜似た人の購買から探す

第2層は、「あなたと似た嗜好の人が買っているもの」を見つける層です。ユーザーと商品の関係を表の形（行列）にまとめ、閲覧を1.0、カート追加を3.0、購買を5.0という重みでスコア化したうえで、その行列を圧縮して潜在的な好みを抽出します。

この圧縮には、SVD（特異値分解）という手法を、初期設定で50の因子に圧縮する形で用います。さらに、商品どうしの近さに着目した手法（アイテムベースKNN）を組み合わせ、最終スコアはSVDを0.6、KNNを0.4の比率で合算します。

この比率はサイトごとに調整できます。数千万要素を超える大規模な行列では、ユーザーをサンプリングしてメモリ使用量を抑え、メモリ数GB規模の中規模ECのインフラでも破綻しないようにしています。

第3層 ニューラルネットワーク｜複雑な好みのパターンを学ぶ

第3層は、ニューラルネットワークによって、前の2層では捉えきれない複雑な（非線形な）好みのパターンを学習する層です。ユーザーと商品それぞれの特徴を表す数値（埋め込み）を掛け合わせる経路と、それらを結合して多層のネットワークに通す経路を統合し、最終的に0から1までの購買見込みスコアを出力します。この構成を、Neural Collaborative Filtering（略してNCF）と呼びます。

学習は、実際に観測された購買などの正例と、ランダムに選んだ負例を4対1の比率で与え、買う・買わないの二択を当てる問題として進めます。

統合層｜3つをどう1つの順位にまとめるの？

3つの層が出したスコアは、それぞれ正規化したうえで、重みを付けて1つの順位に統合します。

この統合方法を、重み付きランク融合と呼びます。

初期設定の重みは協調フィルタリング0.4、ニューラルネットワーク0.4、コンテンツベース0.2で、業種やデータの厚みに合わせてサイトごとに調整できます。

さらにReco-Mediaは、最も寄与の大きかった層に応じて推薦理由を生成します。

協調フィルタリングが効いた商品には「あなたと似た嗜好のユーザーが購入しています」、ニューラルネットワークなら「あなたの行動パターンから最適と予測されました」、コンテンツベースなら「閲覧した商品と類似した特徴を持っています」といった具合に、なぜその商品を出したのかを言葉で示せます。推薦の根拠を提示できることは、運用や改善の議論を感覚から数値へ移すうえで重要な特徴です。

ここまでの3層の役割を整理すると、次のようになります。

層	手法	主な強み	融合の初期重み
第1層 コンテンツベース	TF-IDF＋コサイン類似度	行動データ不要。新商品・新規ユーザーに強い	0.2
第2層 協調フィルタリング	SVD＋アイテムベースKNN	似た人の購買傾向から推薦できる	0.4
第3層 ニューラルネットワーク	Neural Collaborative Filtering	複雑な嗜好のパターンを学習できる	0.4

お客様の状態でレコメンドを出し分けるとは？

3層ハイブリッドのさらに一段上には、ユーザーの状態を自動で判定して推薦ロジックを切り替える層があります。

この、相手の状態に合わせて振る舞いを変えるしくみをアダプティブと呼びます。

新規訪問者、閲覧のみ、購買経験あり、休眠中といった状態を見分け、それぞれに適した推薦を出し分けます。

たとえば、行動データの乏しい新規訪問者にはコンテンツベースやトレンドを厚めに、購買履歴が蓄積したユーザーには協調フィルタリングやニューラルネットワークを厚めに、といった調整です。

加えて、「この商品を買った人はこれも買っている／見ている」、最近閲覧した商品リスト、ランキングとパーソナライズを一定の比率で混ぜる方式など、用途別の推薦ロジックもそろっています。

なぜReco-Mediaは賢くなり続けるのか？

Reco-Mediaの学習は、1件のイベントごとに逐次更新するのではなく、まとめて学習し直すバッチ方式です。専用の処理が「コンテンツベース→協調フィルタリング→ニューラルネットワーク」の順に各層を学習し、各段階が終わるたびにメモリを明示的に解放しながら進めます。

学習済みのモデルはサイトごとにファイルとして保存され、配信時に読み込まれます。再学習は手動でも、決まったスケジュールに沿って自動実行する仕組みでも起動でき、その頻度はサイトの規模やデータの更新頻度に合わせて設定します。

実行のたびに、状態・所要時間・結果が再学習履歴として記録されるため、いつ・どのモデルが・どれだけの時間で学習されたかを後から追えます。

「効果がある」をどう数字で確かめるのか？

レコメンドの精度は、配信前と配信後の2階層で測ります。配信前の学習時には、協調フィルタリングであれば予測スコアと実際の値との誤差（RMSE）、ニューラルネットワークであれば学習の誤差と正解率を、学習のたびに記録します。これを、実際の配信を伴わずに測るためオフライン指標と呼びます。

配信後には、実際に表示したレコメンドの表示回数・クリック・コンバージョンを記録し、クリック率（CTR）や購入率（CVR）を事後的に計測します。こちらは実ユーザーの反応をもとに測るためオンライン指標と呼びます。

さらに、複数の推薦パターンを並行して配信し効果を比較するA/Bテストの基盤も備えており、どのパターンが優れているかを実データで検証できます。学習時の数理的な誤差と、実ユーザーの反応という両面から精度を把握できる構造です。

他社のレコメンドツールと何が違うの？

汎用のレコメンドツールと比べたとき、Reco-Mediaの特徴は次の3点に整理できます。

特徴	内容
3層ハイブリッド＋アダプティブ切替	単一の手法ではなく、ユーザーの状態に応じて複数手法を融合・切替するため、新規・休眠・優良顧客のそれぞれに無理のない推薦を出せる
推薦理由の可視化	なぜその商品を出したのかを手法の由来から説明でき、改善やチューニングの議論が感覚から根拠へ変わる
統合DBとの一体運用	W2 SmartHubの統合DB上で、トラッキング・顧客の名寄せ・AIタグ・W2マスタと密に連携する。外部ツールへデータを送り出すのではなく、自社基盤の中で完結できる

まとめ

Reco-Mediaは、商品の中身が似たものを探すコンテンツベース、似た人の購買から探す協調フィルタリング、複雑な嗜好を学ぶニューラルネットワークの3層を重み付きランク融合で統合し、ユーザーの状態に応じて動的に切り替えるレコメンドエンジンです。

学習はメモリ制約を意識したバッチ方式で行い、精度は配信前のオフライン指標と配信後のオンライン指標の両輪で評価します。レコメンドを「効いている気がする」から「数値で語れる」状態にしたい事業者にとって、設計の透明性と、W2 SmartHubの統合DB上での一体運用が評価のポイントになります。