Enviar búsqueda
Cargar
リクルート式 自然言語処理技術の適応事例紹介
•
7 recomendaciones
•
3,649 vistas
Recruit Technologies
Seguir
2016/09/13 WebDBフォーラム2016での、池田の講演資料になります
Leer menos
Leer más
Tecnología
Denunciar
Compartir
Denunciar
Compartir
1 de 116
Descargar ahora
Descargar para leer sin conexión
Recomendados
リクルート式 自然言語処理技術の適応事例紹介
リクルート式 自然言語処理技術の適応事例紹介
Recruit Technologies
ナレッジグラフ入門
ナレッジグラフ入門
KnowledgeGraph
ナレッジグラフとオントロジー
ナレッジグラフとオントロジー
University of Tsukuba
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
深層学習の数理
深層学習の数理
Taiji Suzuki
ログ解析を支えるNoSQLの技術
ログ解析を支えるNoSQLの技術
Drecom Co., Ltd.
実務と論文で学ぶジョブレコメンデーション最前線2022
実務と論文で学ぶジョブレコメンデーション最前線2022
Teruyuki Sakaue
Recomendados
リクルート式 自然言語処理技術の適応事例紹介
リクルート式 自然言語処理技術の適応事例紹介
Recruit Technologies
ナレッジグラフ入門
ナレッジグラフ入門
KnowledgeGraph
ナレッジグラフとオントロジー
ナレッジグラフとオントロジー
University of Tsukuba
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
深層学習の数理
深層学習の数理
Taiji Suzuki
ログ解析を支えるNoSQLの技術
ログ解析を支えるNoSQLの技術
Drecom Co., Ltd.
実務と論文で学ぶジョブレコメンデーション最前線2022
実務と論文で学ぶジョブレコメンデーション最前線2022
Teruyuki Sakaue
自然言語処理向け データアノテーションとそのユースケース
自然言語処理向け データアノテーションとそのユースケース
Deep Learning Lab(ディープラーニング・ラボ)
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
Takeshi Mikami
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
さらば!データサイエンティスト
さらば!データサイエンティスト
Shohei Hido
データ収集の基本と「JapanTaxi」アプリにおける実践例
データ収集の基本と「JapanTaxi」アプリにおける実践例
Tetsutaro Watanabe
4 データ間の距離と類似度
4 データ間の距離と類似度
Seiichi Uchida
見やすいプレゼン資料の作り方 - リニューアル増量版
見やすいプレゼン資料の作り方 - リニューアル増量版
MOCKS | Yuta Morishige
【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language Models
Deep Learning JP
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
Seiichi Uchida
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
大規模データ時代に求められる自然言語処理
大規模データ時代に求められる自然言語処理
Preferred Networks
Linked Open Data(LOD)の基本的な使い方
Linked Open Data(LOD)の基本的な使い方
Kouji Kozaki
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
情報抽出入門 〜非構造化データを構造化させる技術〜
情報抽出入門 〜非構造化データを構造化させる技術〜
Yuya Unno
最適化超入門
最適化超入門
Takami Sato
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
Shunji Umetani
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
Yahoo!デベロッパーネットワーク
Python入門 : 4日間コース社内トレーニング
Python入門 : 4日間コース社内トレーニング
Yuichi Ito
LT駆動開発03 Web制作をカレー作りで例えてみる
LT駆動開発03 Web制作をカレー作りで例えてみる
Kawakami Hiroko
俺の仕事がこんなに楽しいわけが無い・公開版(初出:2010/12/20 株式会社ECナビ会社説明会@IAMAS)
俺の仕事がこんなに楽しいわけが無い・公開版(初出:2010/12/20 株式会社ECナビ会社説明会@IAMAS)
bash0C7
Más contenido relacionado
La actualidad más candente
自然言語処理向け データアノテーションとそのユースケース
自然言語処理向け データアノテーションとそのユースケース
Deep Learning Lab(ディープラーニング・ラボ)
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
Takeshi Mikami
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
さらば!データサイエンティスト
さらば!データサイエンティスト
Shohei Hido
データ収集の基本と「JapanTaxi」アプリにおける実践例
データ収集の基本と「JapanTaxi」アプリにおける実践例
Tetsutaro Watanabe
4 データ間の距離と類似度
4 データ間の距離と類似度
Seiichi Uchida
見やすいプレゼン資料の作り方 - リニューアル増量版
見やすいプレゼン資料の作り方 - リニューアル増量版
MOCKS | Yuta Morishige
【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language Models
Deep Learning JP
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
Seiichi Uchida
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
大規模データ時代に求められる自然言語処理
大規模データ時代に求められる自然言語処理
Preferred Networks
Linked Open Data(LOD)の基本的な使い方
Linked Open Data(LOD)の基本的な使い方
Kouji Kozaki
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
情報抽出入門 〜非構造化データを構造化させる技術〜
情報抽出入門 〜非構造化データを構造化させる技術〜
Yuya Unno
最適化超入門
最適化超入門
Takami Sato
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
Shunji Umetani
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
Yahoo!デベロッパーネットワーク
Python入門 : 4日間コース社内トレーニング
Python入門 : 4日間コース社内トレーニング
Yuichi Ito
La actualidad más candente
(20)
自然言語処理向け データアノテーションとそのユースケース
自然言語処理向け データアノテーションとそのユースケース
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
さらば!データサイエンティスト
さらば!データサイエンティスト
データ収集の基本と「JapanTaxi」アプリにおける実践例
データ収集の基本と「JapanTaxi」アプリにおける実践例
4 データ間の距離と類似度
4 データ間の距離と類似度
見やすいプレゼン資料の作り方 - リニューアル増量版
見やすいプレゼン資料の作り方 - リニューアル増量版
【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language Models
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
大規模データ時代に求められる自然言語処理
大規模データ時代に求められる自然言語処理
Linked Open Data(LOD)の基本的な使い方
Linked Open Data(LOD)の基本的な使い方
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
情報抽出入門 〜非構造化データを構造化させる技術〜
情報抽出入門 〜非構造化データを構造化させる技術〜
最適化超入門
最適化超入門
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
Python入門 : 4日間コース社内トレーニング
Python入門 : 4日間コース社内トレーニング
Destacado
LT駆動開発03 Web制作をカレー作りで例えてみる
LT駆動開発03 Web制作をカレー作りで例えてみる
Kawakami Hiroko
俺の仕事がこんなに楽しいわけが無い・公開版(初出:2010/12/20 株式会社ECナビ会社説明会@IAMAS)
俺の仕事がこんなに楽しいわけが無い・公開版(初出:2010/12/20 株式会社ECナビ会社説明会@IAMAS)
bash0C7
ENJOY H@RMONY!!とボーダーbot
ENJOY H@RMONY!!とボーダーbot
treby
About Servicegrant / digest
About Servicegrant / digest
Servicegrant
「PUSH 大阪」の紹介
「PUSH 大阪」の紹介
Kouji Kozaki
日経ITpro EXPO 2015: 次世代IoTアーキテクチャ CEO玉川、CTO安川
日経ITpro EXPO 2015: 次世代IoTアーキテクチャ CEO玉川、CTO安川
SORACOM,INC
能年玲奈ちゃんのファンとして本気を出してみた
能年玲奈ちゃんのファンとして本気を出してみた
真一 北原
2011インターンシップ_09N1123_前野沙織
2011インターンシップ_09N1123_前野沙織
saolympic
過換気症候群
過換気症候群
Keiichi Kimura
営業プロセス研修資料
営業プロセス研修資料
Kouichi Morita
東方紅魔郷AI
東方紅魔郷AI
aki33524
データ可視化とコスト管理
データ可視化とコスト管理
Applibot, Inc.
⑨Web制作、デザイン、セキュリティなどの基礎を学ぼう
⑨Web制作、デザイン、セキュリティなどの基礎を学ぼう
Nishida Kansuke
今流行りのウェブアプリ開発環境Yeoman
今流行りのウェブアプリ開発環境Yeoman
tomo_masakura
リクルートにおけるVDI導入とCiscoデータセンタソリューション
リクルートにおけるVDI導入とCiscoデータセンタソリューション
Recruit Technologies
リクルートのWebサービスを支える共通インフラ「RAFTEL」
リクルートのWebサービスを支える共通インフラ「RAFTEL」
Recruit Technologies
libpgenでパケット操作
libpgenでパケット操作
slankdev
自己紹介用プレゼン
自己紹介用プレゼン
Katsuhisa Maeda
⼤企業で実現するイマドキの内製開発
⼤企業で実現するイマドキの内製開発
NTT Communications Technology Development
テスト駆動インフラ構築-Chefとserverspecを使ったインフラ自動化のすすめ-
テスト駆動インフラ構築-Chefとserverspecを使ったインフラ自動化のすすめ-
賢 秋穂
Destacado
(20)
LT駆動開発03 Web制作をカレー作りで例えてみる
LT駆動開発03 Web制作をカレー作りで例えてみる
俺の仕事がこんなに楽しいわけが無い・公開版(初出:2010/12/20 株式会社ECナビ会社説明会@IAMAS)
俺の仕事がこんなに楽しいわけが無い・公開版(初出:2010/12/20 株式会社ECナビ会社説明会@IAMAS)
ENJOY H@RMONY!!とボーダーbot
ENJOY H@RMONY!!とボーダーbot
About Servicegrant / digest
About Servicegrant / digest
「PUSH 大阪」の紹介
「PUSH 大阪」の紹介
日経ITpro EXPO 2015: 次世代IoTアーキテクチャ CEO玉川、CTO安川
日経ITpro EXPO 2015: 次世代IoTアーキテクチャ CEO玉川、CTO安川
能年玲奈ちゃんのファンとして本気を出してみた
能年玲奈ちゃんのファンとして本気を出してみた
2011インターンシップ_09N1123_前野沙織
2011インターンシップ_09N1123_前野沙織
過換気症候群
過換気症候群
営業プロセス研修資料
営業プロセス研修資料
東方紅魔郷AI
東方紅魔郷AI
データ可視化とコスト管理
データ可視化とコスト管理
⑨Web制作、デザイン、セキュリティなどの基礎を学ぼう
⑨Web制作、デザイン、セキュリティなどの基礎を学ぼう
今流行りのウェブアプリ開発環境Yeoman
今流行りのウェブアプリ開発環境Yeoman
リクルートにおけるVDI導入とCiscoデータセンタソリューション
リクルートにおけるVDI導入とCiscoデータセンタソリューション
リクルートのWebサービスを支える共通インフラ「RAFTEL」
リクルートのWebサービスを支える共通インフラ「RAFTEL」
libpgenでパケット操作
libpgenでパケット操作
自己紹介用プレゼン
自己紹介用プレゼン
⼤企業で実現するイマドキの内製開発
⼤企業で実現するイマドキの内製開発
テスト駆動インフラ構築-Chefとserverspecを使ったインフラ自動化のすすめ-
テスト駆動インフラ構築-Chefとserverspecを使ったインフラ自動化のすすめ-
Similar a リクルート式 自然言語処理技術の適応事例紹介
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
Recruit Technologies
リクルート式AIの活用法
リクルート式AIの活用法
Recruit Technologies
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Recruit Technologies
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
Recruit Technologies
JAZUG_TOHOKU_modeki_20230324_共有版.pdf
JAZUG_TOHOKU_modeki_20230324_共有版.pdf
Yuya Modeki
20150625 cloudera
20150625 cloudera
Recruit Technologies
Dyna traceによるuxマネジメント
Dyna traceによるuxマネジメント
伸夫 森本
Redmineの情報を自分好みに見える化した話
Redmineの情報を自分好みに見える化した話
ToshiharuSakai
Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)
Kazuyuki Miyazawa
変わる!? リクルートグループのデータ解析基盤
変わる!? リクルートグループのデータ解析基盤
Recruit Technologies
React vtecx20170822
React vtecx20170822
Shinichiro Takezaki
ぐるなびが活用するElastic Cloud
ぐるなびが活用するElastic Cloud
Elasticsearch
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
Recruit Technologies
A3RT - the details and actual use cases of "Analytics & Artificial intelligen...
A3RT - the details and actual use cases of "Analytics & Artificial intelligen...
DataWorks Summit/Hadoop Summit
A3RT -The details and actual use cases of“Analytics & Artificial intelligence...
A3RT -The details and actual use cases of“Analytics & Artificial intelligence...
Recruit Technologies
リクルートはいかにして、ディープラーニング(深層学習)の導入を成功させたか
リクルートはいかにして、ディープラーニング(深層学習)の導入を成功させたか
Recruit Technologies
虎の穴ラボ エンジニア採用説明資料 .pdf
虎の穴ラボ エンジニア採用説明資料 .pdf
虎の穴 開発室
2014年を振り返る 今年の技術トレンドとDockerについて
2014年を振り返る 今年の技術トレンドとDockerについて
Masahito Zembutsu
虎の穴ラボ エンジニア採用説明資料
虎の穴ラボ エンジニア採用説明資料
虎の穴 開発室
虎の穴ラボ エンジニア採用説明資料
虎の穴ラボ エンジニア採用説明資料
虎の穴 開発室
Similar a リクルート式 自然言語処理技術の適応事例紹介
(20)
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルート式AIの活用法
リクルート式AIの活用法
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
JAZUG_TOHOKU_modeki_20230324_共有版.pdf
JAZUG_TOHOKU_modeki_20230324_共有版.pdf
20150625 cloudera
20150625 cloudera
Dyna traceによるuxマネジメント
Dyna traceによるuxマネジメント
Redmineの情報を自分好みに見える化した話
Redmineの情報を自分好みに見える化した話
Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)
変わる!? リクルートグループのデータ解析基盤
変わる!? リクルートグループのデータ解析基盤
React vtecx20170822
React vtecx20170822
ぐるなびが活用するElastic Cloud
ぐるなびが活用するElastic Cloud
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
A3RT - the details and actual use cases of "Analytics & Artificial intelligen...
A3RT - the details and actual use cases of "Analytics & Artificial intelligen...
A3RT -The details and actual use cases of“Analytics & Artificial intelligence...
A3RT -The details and actual use cases of“Analytics & Artificial intelligence...
リクルートはいかにして、ディープラーニング(深層学習)の導入を成功させたか
リクルートはいかにして、ディープラーニング(深層学習)の導入を成功させたか
虎の穴ラボ エンジニア採用説明資料 .pdf
虎の穴ラボ エンジニア採用説明資料 .pdf
2014年を振り返る 今年の技術トレンドとDockerについて
2014年を振り返る 今年の技術トレンドとDockerについて
虎の穴ラボ エンジニア採用説明資料
虎の穴ラボ エンジニア採用説明資料
虎の穴ラボ エンジニア採用説明資料
虎の穴ラボ エンジニア採用説明資料
Más de Recruit Technologies
新卒2年目が鍛えられたコードレビュー道場
新卒2年目が鍛えられたコードレビュー道場
Recruit Technologies
カーセンサーで深層学習を使ってUX改善を行った事例とそこからの学び
カーセンサーで深層学習を使ってUX改善を行った事例とそこからの学び
Recruit Technologies
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
Recruit Technologies
Tableau活用4年の軌跡
Tableau活用4年の軌跡
Recruit Technologies
HadoopをBQにマイグレしようとしてる話
HadoopをBQにマイグレしようとしてる話
Recruit Technologies
LT(自由)
LT(自由)
Recruit Technologies
リクルートグループの現場事例から見る AI/ディープラーニング ビジネス活用の勘所
リクルートグループの現場事例から見る AI/ディープラーニング ビジネス活用の勘所
Recruit Technologies
Company Recommendation for New Graduates via Implicit Feedback Multiple Matri...
Company Recommendation for New Graduates via Implicit Feedback Multiple Matri...
Recruit Technologies
銀行ロビーアシスタント
銀行ロビーアシスタント
Recruit Technologies
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
Recruit Technologies
ユーザーからみたre:Inventのこれまでと今後
ユーザーからみたre:Inventのこれまでと今後
Recruit Technologies
EMRでスポットインスタンスの自動入札ツールを作成する
EMRでスポットインスタンスの自動入札ツールを作成する
Recruit Technologies
RANCHERを使ったDev(Ops)
RANCHERを使ったDev(Ops)
Recruit Technologies
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
Recruit Technologies
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
Recruit Technologies
「リクルートデータセット」 ~公開までの道のりとこれから~
「リクルートデータセット」 ~公開までの道のりとこれから~
Recruit Technologies
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
Recruit Technologies
リクルートにおける画像解析事例紹介と周辺技術紹介
リクルートにおける画像解析事例紹介と周辺技術紹介
Recruit Technologies
Spring “BigData”
Spring “BigData”
Recruit Technologies
Struggle against cross-domain data complexity in Recruit group
Struggle against cross-domain data complexity in Recruit group
Recruit Technologies
Más de Recruit Technologies
(20)
新卒2年目が鍛えられたコードレビュー道場
新卒2年目が鍛えられたコードレビュー道場
カーセンサーで深層学習を使ってUX改善を行った事例とそこからの学び
カーセンサーで深層学習を使ってUX改善を行った事例とそこからの学び
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
Rancherを活用した開発事例の紹介 ~Rancherのメリットと辛いところ~
Tableau活用4年の軌跡
Tableau活用4年の軌跡
HadoopをBQにマイグレしようとしてる話
HadoopをBQにマイグレしようとしてる話
LT(自由)
LT(自由)
リクルートグループの現場事例から見る AI/ディープラーニング ビジネス活用の勘所
リクルートグループの現場事例から見る AI/ディープラーニング ビジネス活用の勘所
Company Recommendation for New Graduates via Implicit Feedback Multiple Matri...
Company Recommendation for New Graduates via Implicit Feedback Multiple Matri...
銀行ロビーアシスタント
銀行ロビーアシスタント
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
ユーザーからみたre:Inventのこれまでと今後
ユーザーからみたre:Inventのこれまでと今後
EMRでスポットインスタンスの自動入札ツールを作成する
EMRでスポットインスタンスの自動入札ツールを作成する
RANCHERを使ったDev(Ops)
RANCHERを使ったDev(Ops)
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
「リクルートデータセット」 ~公開までの道のりとこれから~
「リクルートデータセット」 ~公開までの道のりとこれから~
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
リクルートにおける画像解析事例紹介と周辺技術紹介
リクルートにおける画像解析事例紹介と周辺技術紹介
Spring “BigData”
Spring “BigData”
Struggle against cross-domain data complexity in Recruit group
Struggle against cross-domain data complexity in Recruit group
Último
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
Último
(8)
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
リクルート式 自然言語処理技術の適応事例紹介
1.
リクルート式 自然言語処理技術の適応事例紹介 株式会社リクルートテクノロジーズ ITソリューション統括部 ビッグデータ部 池田 裕一
2.
2Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 趣味etc 学歴 略歴 所属 氏名 自己紹介 RTC ITソリューション統括部 ビッグデータ部 池田 裕一 東京大学大学院工学系研究科 精密機械工学専攻 社会人6年目。 某大手メーカー系SIerで3年間、Java・C++を使った位 置情報サービスの開発やAndroidアプリの開発に従事。 2014年4月からリクルートテクノロジーズ入社。 レコメンド施策開発のディレクション、自然言語処理やグラ フ解析の技術開発に従事。 テニス 旅行 クラフトビール 起業
3.
3Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 本日覚えて帰って頂きたい事 word2vecのレコメンドへの活用 doc2vecの文書要約への活用
4.
4Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 1 2 3 4 word2vecを使ったレコメンドシステム doc2vecを使った文書要約 リクルートについて 最近のデータ活用状況紹介 アジェンダ 5 まとめ
5.
5Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. リクルートについて
6.
6Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. リクルートのビジネスモデル Matching Business HR Bridal Group Buying Used Cars Travel Real Estate Beauty Gourmet Social Games E-Commerce Ad Network New Business Consumers Enterprise
7.
7Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. リクルートの事業領域 「選択」 をサポートするような情報サービスを展開 Life event area Lifestyle Area Travel IT/ TrendLifestyle Health & Beauty Job Hunt Marriage Job Change Home Purchase Car Purchase Child Birth Education
8.
8Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. リクルートテクノロジーズの立ち位置 Infrastructure Large project promotions UI design/SEO Big Data Department Technology R&D IT Promotion Recruit Holdings Recruit Career Recruit Sumai Company Recruit Lifestyle Recruit Jobs Recruit Staffing Recruit Marketing Partners Staff service Holdings Recruit Technologies Recruit Administration Recruit Communications Operation Service
9.
9Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 最近のデータ活用状況紹介
10.
10Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. Server Database 数値で見るデータ解析環境 エコシステム 本番165台/開発24台 1342.2TB
11.
11Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 数値で見るHadoopの使われ方 28,344 1038万 1日あたりの全JOBの数 1日あたりの全Hbaseクエリの数
12.
12Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 数値で見るデータ解析案件状況 約200 データ解析案件数(年間) ビッグデータ部の案件従事人数 240
13.
13Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecを使ったレコメンドシステム
14.
14Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecとは 各単語を表現するベクトルを学習 単語から文書中でその単語の前後に現れる単語を予測できるような表現を学習 単語を表す1-of-k表現のベクトルを入力とし、その単語の前後にある単語の出現確率 を出力とするニューラルネットを学習させ、その中間層の値を単語を表現するベクトルとし て用いる w(t) w(t-1) w(t+1) w(t+2) w(t-2) INPUT PROJECTION OUTPUT INPUT: 単語の1-of-k表現 PROJECTION: 単語 線形変換 階層的 soft-max OUTPUT: 前後の単語の出現確率 𝑝(𝑤(𝑡+𝑖)|𝑤(𝑡)) 目的関数
15.
15Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecとは
16.
16Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecとは While expanding its channel for distribution information from paper publication to the net and mobile, the company has been pushing for a shift of their revenue from … … … 文書データ
17.
17Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecとは While expanding its channel for distribution information from paper publication to the net and mobile, the company has been pushing for a shift of their revenue from … … … 文書データ word2vec
18.
18Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecとは While expanding its channel for distribution information from paper publication to the net and mobile, the company has been pushing for a shift of their revenue from … … … while(0.1, 0.4, 0.3, 0.7, …) expanding(0.2, 0.5, 0.7, 0.7, …) its(0.1, 0.1, 0.9, 0.6, …) channel(0.6, 0.4, 0.9, 0.5, …) for(0.5, 0.8, 0.2, 0.1, …) distribution(0.8, 0.4, 0.1, 0.2, …) information(0.3, 0.7, 0.3, 0.6, …) … … … … 文書データ ベクトルデータ word2vec
19.
19Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecとは While expanding its channel for distribution information from paper publication to the net and mobile, the company has been pushing for a shift of their revenue from … … … while(0.1, 0.4, 0.3, 0.7, …) expanding(0.2, 0.5, 0.7, 0.7, …) its(0.1, 0.1, 0.9, 0.6, …) channel(0.6, 0.4, 0.9, 0.5, …) for(0.5, 0.8, 0.2, 0.1, …) distribution(0.8, 0.4, 0.1, 0.2, …) information(0.3, 0.7, 0.3, 0.6, …) … … … … 文書データ ベクトルデータ word2vec 文書データを元に単語毎のベクトルデータを生成する
20.
20Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 仮説 〜 word2vecをレコメンドに使う着眼点
21.
21Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 仮説 〜 word2vecをレコメンドに使う着眼点 ベクトル レコメンドしたいアイテムをベクトル化して、類 似度を求められるのでは?
22.
22Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 仮説 〜 word2vecをレコメンドに使う着眼点 精度 単語間の文脈の純度を高めれば、類似度の 精度が高まるのでは? ベクトル レコメンドしたいアイテムをベクトル化して、類 似度を求められるのでは?
23.
23Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 仮説 〜 word2vecをレコメンドに使う着眼点 アイテムベクトルの近さがアイテムの類似度として見なせるのではないか? 精度 単語間の文脈の純度を高めれば、類似度の 精度が高まるのでは? ベクトル レコメンドしたいアイテムをベクトル化して、類 似度を求められるのでは?
24.
24Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドに適したword2vecのインプットデータとは
25.
25Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドに適したword2vecのインプットデータとは wikipediaなどの テキストデータ
26.
26Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドに適したword2vecのインプットデータとは wikipediaなどの テキストデータ ノイズが混じる 必要なアイテム全てを網羅できない
27.
27Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドに適したword2vecのインプットデータとは サービスユーザーの アクションログデータ ノイズが混じる 必要なアイテム全てを網羅できない user1 time1 ~~~~~~ user2 time2 ~~~~~~ user3 time3 ~~~~~~ … … … wikipediaなどの テキストデータ
28.
28Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドに適したword2vecのインプットデータとは サービスユーザーの アクションログデータ ノイズが混じる 必要なアイテム全てを網羅できない user1 time1 ~~~~~~ user2 time2 ~~~~~~ user3 time3 ~~~~~~ … … … アイテムの関係性を内包する 必要なアイテム全てを網羅できる wikipediaなどの テキストデータ
29.
29Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドに適したword2vecのインプットデータとは インプットデータとしてユーザーアクションログを使用する サービスユーザーの アクションログデータ ノイズが混じる 必要なアイテム全てを網羅できない user1 time1 ~~~~~~ user2 time2 ~~~~~~ user3 time3 ~~~~~~ … … … アイテムの関係性を内包する 必要なアイテム全てを網羅できる wikipediaなどの テキストデータ
30.
30Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 文章と単語の作り方
31.
31Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 文章と単語の作り方 I am a cat. As yet I have no name.
32.
32Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 文章と単語の作り方 I am a cat. As yet I have no name. 文章 文章
33.
33Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 文章と単語の作り方 I am a cat. As yet I have no name. 文章 文章 単語
34.
34Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. アクションログを使った時の文章と単語の作り方
35.
35Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. アクションログを使った時の文章と単語の作り方 ユーザー毎のアイテムに対するアクションログ
36.
36Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. アクションログを使った時の文章と単語の作り方 User-1 : User-2 : User-3 : item-A item-B item-C item-D item-E … item-V item-W item-X item-Y item-Z … item-O item-P item-Q item-R item-S … ユーザー毎のアイテムに対するアクションログ …
37.
37Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. アクションログを使った時の文章と単語の作り方 User-1 : User-2 : User-3 : 時系列 item-A item-B item-C item-D item-E item-V item-W item-X item-Y item-Z item-O item-P item-Q item-R item-S ユーザー毎のアイテムに対するアクションログ … … … …
38.
38Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. アクションログを使った時の文章と単語の作り方 User-1 : User-2 : User-3 : 時系列 item-A item-B item-C item-D item-E item-V item-W item-X item-Y item-Z item-O item-P item-Q item-R item-S ユーザー毎のアイテムに対するアクションログ … 文章 … … …
39.
39Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. アクションログを使った時の文章と単語の作り方 User-1 : User-2 : User-3 : 時系列 item-A item-B item-C item-D item-E item-V item-W item-X item-Y item-Z item-O item-P item-Q item-R item-S ユーザー毎のアイテムに対するアクションログ … 文章 単語 … … …
40.
40Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. アクションログを使った時の文章と単語の作り方 1ユーザーのアクション履歴を1文章、アイテムを単語、と置き換える User-1 : User-2 : User-3 : 時系列 item-A item-B item-C item-D item-E item-V item-W item-X item-Y item-Z item-O item-P item-Q item-R item-S ユーザー毎のアイテムに対するアクションログ … … … …
41.
41Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecのアウトプットデータ
42.
42Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecのアウトプットデータ アクション ログデータ word2vec user1 item-A item-B item-C… user2 item-D item-E item-F… user3 item-G item-Q item-X… user4 item-L item-K item-V… … … …
43.
43Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecのアウトプットデータ アクション ログデータ word2vec itemベクトル データ user1 item-A item-B item-C… user2 item-D item-E item-F… user3 item-G item-Q item-X… user4 item-L item-K item-V… … … … item-A (0.1, 0.9, 0.6, 0.4, ……) item-B (0.2, 0.5, 0.1, 0.8, ……) item-C (0.7, 0.3, 0.3, 0.4, ……) item-D (0.5, 0.9, 0.8, 0.2, ……) … … …
44.
44Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecのアウトプットデータ アクション ログデータ word2vec itemベクトル データ cos類似度 user1 item-A item-B item-C… user2 item-D item-E item-F… user3 item-G item-Q item-X… user4 item-L item-K item-V… … … … item-A (0.1, 0.9, 0.6, 0.4, ……) item-B (0.2, 0.5, 0.1, 0.8, ……) item-C (0.7, 0.3, 0.3, 0.4, ……) item-D (0.5, 0.9, 0.8, 0.2, ……) … … …
45.
45Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecのアウトプットデータ アクション ログデータ word2vec itemベクトル データ item類似度 データ cos類似度 user1 item-A item-B item-C… user2 item-D item-E item-F… user3 item-G item-Q item-X… user4 item-L item-K item-V… … … … item-A (0.1, 0.9, 0.6, 0.4, ……) item-B (0.2, 0.5, 0.1, 0.8, ……) item-C (0.7, 0.3, 0.3, 0.4, ……) item-D (0.5, 0.9, 0.8, 0.2, ……) … … … item-A, item-B, 0.976 item-A, item-C, 0.329 item-A, item-D, 0.743 item-A, item-E, 0.552 … … …
46.
46Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecのアウトプットデータ word2vecで出来上がったベクトルデータでアイテム間のcos類似度を算出 アクション ログデータ word2vec itemベクトル データ item類似度 データ cos類似度 user1 item-A item-B item-C… user2 item-D item-E item-F… user3 item-G item-Q item-X… user4 item-L item-K item-V… … … … item-A (0.1, 0.9, 0.6, 0.4, ……) item-B (0.2, 0.5, 0.1, 0.8, ……) item-C (0.7, 0.3, 0.3, 0.4, ……) item-D (0.5, 0.9, 0.8, 0.2, ……) … … … item-A, item-B, 0.976 item-A, item-C, 0.329 item-A, item-D, 0.743 item-A, item-E, 0.552 … … …
47.
47Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. word2vecのアウトプットデータ アクション ログデータ word2vec itemベクトル データ item類似度 データ cos類似度 user1 item-A item-B item-C… user2 item-D item-E item-F… user3 item-G item-Q item-X… user4 item-L item-K item-V… … … … item-A (0.1, 0.9, 0.6, 0.4, ……) item-B (0.2, 0.5, 0.1, 0.8, ……) item-C (0.7, 0.3, 0.3, 0.4, ……) item-D (0.5, 0.9, 0.8, 0.2, ……) … … … item-A, item-B, 0.976 item-A, item-C, 0.329 item-A, item-D, 0.743 item-A, item-E, 0.552 … … … アイテム間の類似度の計算は億オーダの回 数必要になるため、分散処理している word2vecで出来上がったベクトルデータでアイテム間のcos類似度を算出
48.
48Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドリストの作成 〜 実サービスへの適用
49.
49Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドリストの作成 〜 実サービスへの適用 ユーザー
50.
50Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドリストの作成 〜 実サービスへの適用 ユーザー item-A item-B item-C item-D item-E 時系列 ① ユーザーが最直近でア クションしたアイテムを 10件抽出
51.
51Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドリストの作成 〜 実サービスへの適用 ユーザー item-A item-B item-C item-D item-E 時系列 ① ② ユーザーが最直近でア クションしたアイテムを 10件抽出 それぞれのアイテムに対 して、cos類似度の高 いアイテムを抽出 item-Q item-I item-O item-P item-L item-X item-T item-U item-S item-M item-R item-G item-F item-W item-Z
52.
52Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドリストの作成 〜 実サービスへの適用 ユーザー item-A item-B item-C item-D item-E 時系列 ① ② ③ ユーザーが最直近でア クションしたアイテムを 10件抽出 それぞれのアイテムに対 して、cos類似度の高 いアイテムを抽出 リストを作成 (重複したアイテムを 除く) item-Q item-I item-O item-P item-L item-X item-T item-U item-S item-M レコメンド item-R item-G item-F item-W item-Z
53.
53Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドリストの作成 〜 実サービスへの適用 word2vecを元に作られたベクトルデータを使ってレコメンドリストを作成 ユーザー item-A item-B item-C item-D item-E 時系列 ① ② ③ ユーザーが最直近でア クションしたアイテムを 10件抽出 それぞれのアイテムに対 して、cos類似度の高 いアイテムを抽出 リストを作成 (重複したアイテムを 除く) item-Q item-I item-O item-P item-L item-X item-T item-U item-S item-M レコメンド item-R item-G item-F item-W item-Z
54.
54Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実証実験① 〜 オフラインテスト
55.
55Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実証実験① 〜 オフラインテスト 概要 過去のユーザログデータを用いてバックミラー分析を行い、従来ロジックとword2vec ロジックのレコメンド精度の比較を行う
56.
56Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実証実験① 〜 オフラインテスト 概要 過去のユーザログデータを用いてバックミラー分析を行い、従来ロジックとword2vec ロジックのレコメンド精度の比較を行う 0 0.5 1 1.5 2 2.5 従来ロジックとword2vecによるKPIの比較 (従来ロジックを1とした時の比較) 従来ロジック word2vec
57.
57Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実証実験① 〜 オフラインテスト 従来のレコメンドエンジンと比較して、効果が約1.6倍高い事が分かった 0 0.5 1 1.5 2 2.5 従来ロジックとword2vecによるKPIの比較 (従来ロジックを1とした時の比較) 従来ロジック word2vec 概要 過去のユーザログデータを用いてバックミラー分析を行い、従来ロジックとword2vec ロジックのレコメンド精度の比較を行う
58.
58Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実証実験② 〜 ABテスト
59.
59Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実証実験② 〜 ABテスト 概要 オンラインで、ユーザーを2つのグループに分け、従来ロジックとword2vecロジックの レコメンドリストを提示し、CVRの違いを調査する
60.
60Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実証実験② 〜 ABテスト サービスY CVRが 156% 改善 3.57% ⇒ 9.15% サービスX CVRが 31% 改善 46.59%⇒ 61.13% 概要 オンラインで、ユーザーを2つのグループに分け、従来ロジックとword2vecロジックの レコメンドリストを提示し、CVRの違いを調査する
61.
61Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実証実験② 〜 ABテスト サービスY CVRが 156% 改善 3.57% ⇒ 9.15% サービスX CVRが 31% 改善 46.59%⇒ 61.13% 概要 オンラインで、ユーザーを2つのグループに分け、従来ロジックとword2vecロジックの レコメンドリストを提示し、CVRの違いを調査する オンラインでもword2vecロジックによるレコメンドの方が効果が高い
62.
62Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 仮説
63.
63Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 仮説 ベクトル ベクトルを足し合わせると、ユーザーの志向を 捉える事が出来るのではないか?
64.
64Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 仮説 ベクトル ベクトルを足し合わせると、ユーザーの志向を 捉える事が出来るのではないか? item-A item-B User-Vec item-D item-C
65.
65Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 仮説 ベクトルを足し合わせれば、志向ベクトルを作れる!? ベクトル ベクトルを足し合わせると、ユーザーの志向を 捉える事が出来るのではないか? item-A item-B User-Vec item-D item-C
66.
66Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 ベクトル足し算
67.
67Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 ベクトル足し算 ユーザー
68.
68Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 ベクトル足し算 ユーザー item-A item-B item-C item-D item-E 時系列 ① ユーザーが 最直近でア クションした アイテムを 10件抽出
69.
69Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 ベクトル足し算 ユーザー item-A item-B item-C item-D item-E 時系列 ① ② ユーザーが 最直近でア クションした アイテムを 10件抽出 それぞれのアイテ ムのベクトルを足 し、合成ベクトル を作成 Int-Vec
70.
70Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 ベクトル足し算 ユーザー item-A item-B item-C item-D item-E 時系列 ① ② ユーザーが 最直近でア クションした アイテムを 10件抽出 それぞれのアイテ ムのベクトルを足 し、合成ベクトル を作成 item-Q item-I item-O Int-Vec ③ 合成ベクトルと 類似度の高いア イテムを抽出
71.
71Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 ベクトル足し算 ユーザー item-A item-B item-C item-D item-E 時系列 ① ② ④ ユーザーが 最直近でア クションした アイテムを 10件抽出 それぞれのアイテ ムのベクトルを足 し、合成ベクトル を作成 リストを作成 item-Q item-I item-O レコメンド Int-Vec ③ 合成ベクトルと 類似度の高いア イテムを抽出
72.
72Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 ベクトル足し算 ユーザーがアクションしたアイテムの合成ベクトルを志向ベクトルと見なす ユーザー item-A item-B item-C item-D item-E 時系列 ① ② ④ ユーザーが 最直近でア クションした アイテムを 10件抽出 それぞれのアイテ ムのベクトルを足 し、合成ベクトル を作成 リストを作成 item-Q item-I item-O レコメンド Int-Vec ③ 合成ベクトルと 類似度の高いア イテムを抽出
73.
73Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 効果検証
74.
74Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 効果検証 概要 オンラインで、ユーザーを2つのグループに分け、word2vecロジックとword2vec足 し合わせロジックでのレコメンドリストを提示し、CVRの違いを調査する
75.
75Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 効果検証 サービスZ CVRが 27% 改善 21.56% ⇒ 27.29% 概要 オンラインで、ユーザーを2つのグループに分け、word2vecロジックとword2vec足 し合わせロジックでのレコメンドリストを提示し、CVRの違いを調査する
76.
76Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンの更なる進化 〜 効果検証 ベクトルを足し合わせる事によってユーザーの志向を捉える事が出来た サービスZ CVRが 27% 改善 21.56% ⇒ 27.29% 概要 オンラインで、ユーザーを2つのグループに分け、word2vecロジックとword2vec足 し合わせロジックでのレコメンドリストを提示し、CVRの違いを調査する
77.
77Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. レコメンドエンジンへの実装 〜 Hadoop活用 Hadoop レコメンド生成 バッチ ユーザー 行動ログ 集計バッチユーザー情報 行動ログ ユーザー毎の レコメンド ユーザー毎のパーソナライズレコメンドを日次で実施(主にHive)
78.
78Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ユーザー Web HBase レコメンドテーブルの 参照API Hadoop 行動ログ 集計バッチ 検索API APIリクエスト 検索行動 レコメンド取得 レコメンド バルクロード テーブル参照 リアルタイムレコメンドへの実装 〜 HBase活用 ユーザーの志向をリアルタイムで捉え、リアルタイムにレコメンドを実施
79.
79Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ここまでのまとめ • ユーザーのアクションログをword2vecのインプットに使用し、ア イテムをベクトル化している →文章を1ユーザーのログ、単語をアイテムと見なす • ベクトル同士のcos類似度を計算することで、レコメンドエンジン に活用している • 類似度計算ではHadoopを使って分散処理を行い高速化して いる • ベクトルを足し合わせることでユーザーの志向を捉える事ができ る
80.
80Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. doc2vecを使った文書要約
81.
81Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. doc2vecとは 文章をベクトル化する 1. I am a cat. 2. As yet I have no name. 3. … … 1. I am a cat. (0.2, 0.4, 0.9, …) 2. As yet I have no name. (0.5, 0.7, 0.8, …) 3. … … doc2vec
82.
82Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 仮説 〜 doc2vecを文書要約に使う着眼点
83.
83Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 仮説 〜 doc2vecを文書要約に使う着眼点 ベクトル 領域 複数の文章ベクトルによって作られた領域は、 その中に入るベクトルを意味的に内包するの ではないか?
84.
84Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 仮説 〜 doc2vecを文書要約に使う着眼点 一番大きな領域を作る文章ベクトルを取れば、文書のまとめが作れる!? ベクトル 領域 複数の文章ベクトルによって作られた領域は、 その中に入るベクトルを意味的に内包するの ではないか?
85.
85Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 文書要約のイメージ
86.
86Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 文書要約のイメージ 文章1 文章2 文章10 文書… 文章3
87.
87Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 文書要約のイメージ 文章1 文章2 文章10 文書… 文章3 文章をベクトル化して プロットする
88.
88Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 文書要約のイメージ 文章1 文章2 文章10 文書… 文章3 文章をベクトル化して プロットする
89.
89Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 文書要約のイメージ 文章1 文章2 文章10 文書… 文章3 文章をベクトル化して プロットする 文章1 文章10 文章7 文章6 文章3 文章2 文章9 文章5 文章4 文章8
90.
90Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 文書要約のイメージ 文章1 文章2 文章10 文書… 文章3 文章をベクトル化して プロットする 文章1 文章10 文章7 文章6 文章3 文章2 文章9 文章5 文章4 文章8 【参考論文】 http://www.cs.cmu.edu/~dyogatam/papers/yogatama+liu+smith.em nlp2015.pdf
91.
91Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 文書要約のイメージ 文章1 文章2 文章10 文書… 文章3 文章をベクトル化して プロットする 文章1 文章10 文章7 文章6 文章3 文章2 文章9 文章5 文章4 文章8 【参考論文】 http://www.cs.cmu.edu/~dyogatam/papers/yogatama+liu+smith.em nlp2015.pdf 文書1,3,6,7,10は 文書2,4,5,8,9を意 味的に内包するので はないか?
92.
92Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実証実験 〜 プレミア12に関する投稿をまとめてみる
93.
93Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実証実験 〜 プレミア12に関する投稿をまとめてみる 実験手順 記事の内容の把握、及びクレンジング プレミア12準々決勝 日本vsプエルトリコの試合のニュース記事に関するコメン ト(計161件) 投稿のベクトル化、及びまとめに使用する投稿の抽出 今回は5つのコメントを抽出して要約を試みる
94.
94Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実証実験 〜 プレミア12に関する投稿をまとめてみる ちなみに試合の内容は… ・4番の中村選手が欠場 ・先発の前田投手が好投(7回無失点) ・打線は13安打9得点 ・坂本選手が16打席ぶりのヒットを含む2安打3打点 ・9回にプエルトリコが3ランホームラン etc… 実験手順 記事の内容の把握、及びクレンジング プレミア12準々決勝 日本vsプエルトリコの試合のニュース記事に関するコメン ト(計161件) 投稿のベクトル化、及びまとめに使用する投稿の抽出 今回は5つのコメントを抽出して要約を試みる
95.
95Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実証実験 〜 プレミア12に関する投稿をまとめてみる 結果 前田健太はもう決勝投げないだろうな 今日7回まで行かしたってことはそういうこ とだな。 来季メジャーもあるし無理はさせない。 先発は 大谷と菅野か武田 中継ぎは山崎・則本・牧田 炎上組 松井・増井・西・小川 微妙組 大野・澤村 なんか炎上組は使いたくないし大野 と澤村も内容悪いし やっぱ中継ぎ全然足りてないわ CS見てない人にはわからないかもしれんが、 大谷は間隔が空きすぎるとダメになる。 ましてや東京ドームが苦手。 初戦でボコられた韓国サイドは研究に 研究を重ねてリベンジして来ると考えると炎 上して大敗するのが妥当。 よって戦犯大谷ということになる。 まあ、野手が頑張って打撃戦に持ち込 めば話は別だが、相手の先発は何があって も負けないイデウンだから無理でしょう。 仮に大谷が炎上して負けても大谷一 人のせいにしないで欲しいです(涙)。 調整登板させなかった首脳陣にも問題 があるんだから(震え声) ツイッター上のハムファン全員が増井燃え ると予言してて草生えたわw やはり増井はセーブかホールド機会で 投げさせないとアカンな 平田三塁打→松田犠牲フライで実質 試合終了なものだろ ここで一番温い試合してしまったのは 問題あるわ 増井に不安がある以上マッスルミュー ジカルは覚悟しとかないとな マエケンは7回90球、中4日で決勝先 発は十分ありうる 中村外して中村入れる打線は悪くは ないんだが中田が案の定6番外れたら内 容が悪くなった どうすりゃいいんかね? 今まできつい試合ばかりだったからね、こんな試合もたまにはいいでしょ。でも、気は弛めな いで!
96.
96Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実証実験 〜 プレミア12に関する投稿をまとめてみる 特定の偏ったコメントではなく、満遍なくコメントが拾う事が可能 結果 前田健太はもう決勝投げないだろうな 今日7回まで行かしたってことはそういうこ とだな。 来季メジャーもあるし無理はさせな い。 先発は 大谷と菅野か武田 中継ぎは山崎・則本・牧田 炎上組 松井・増井・西・小川 微妙組 大野・澤村 なんか炎上組は使いたくないし大野 と澤村も内容悪いし やっぱ中継ぎ全然足りてないわ CS見てない人にはわからないかもしれん が、大谷は間隔が空きすぎるとダメになる。 ましてや東京ドームが苦手。 初戦でボコられた韓国サイドは研究に 研究を重ねてリベンジして来ると考えると炎 上して大敗するのが妥当。 よって戦犯大谷ということになる。 まあ、野手が頑張って打撃戦に持ち込 めば話は別だが、相手の先発は何があって も負けないイデウンだから無理でしょう。 仮に大谷が炎上して負けても大谷一 人のせいにしないで欲しいです(涙)。 調整登板させなかった首脳陣にも問題 があるんだから(震え声) ツイッター上のハムファン全員が増井燃え ると予言してて草生えたわw やはり増井はセーブかホールド機会で 投げさせないとアカンな 平田三塁打→松田犠牲フライで実質 試合終了なものだろ ここで一番温い試合してしまったのは 問題あるわ 増井に不安がある以上マッスルミュー ジカルは覚悟しとかないとな マエケンは7回90球、中4日で決勝先 発は十分ありうる 中村外して中村入れる打線は悪くは ないんだが中田が案の定6番外れたら内 容が悪くなった どうすりゃいいんかね? 今まできつい試合ばかりだったからね、こんな試合もたまにはいいでしょ。でも、気は弛めな いで!
97.
97Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 口コミのまとめ
98.
98Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 口コミのまとめ MROC(Marketing Research Online Community) ある特定の商品やテーマなど共通の興味を持った人々をメンバー限定のコミュニ ティに招待し、自由にディスカッションしてもらいながら、消費者のニーズを探る調 査手法
99.
99Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 口コミのまとめ MROC(Marketing Research Online Community) ある特定の商品やテーマなど共通の興味を持った人々をメンバー限定のコミュニ ティに招待し、自由にディスカッションしてもらいながら、消費者のニーズを探る調 査手法 一つのテーマにつき、数百のコメント が付く
100.
100Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 口コミのまとめ MROC(Marketing Research Online Community) ある特定の商品やテーマなど共通の興味を持った人々をメンバー限定のコミュニ ティに招待し、自由にディスカッションしてもらいながら、消費者のニーズを探る調 査手法 どのような事が話されているかを整 理する事が非常に大変 一つのテーマにつき、数百のコメント が付く
101.
101Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 口コミのまとめ
102.
102Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 口コミのまとめ アットホームな 式にしたい リゾート挙式が したい 極力シンプルに したい 沢山のゲストに 来て欲しい
103.
103Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 口コミのまとめ アットホームな 式にしたい リゾート挙式が したい 極力シンプルに したい 沢山のゲストに 来て欲しい テーマに対してどのようなコメントが来ているのかをまとめる
104.
104Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 新規コメントの抽出
105.
105Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 新規コメントの抽出
106.
106Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 新規コメントの抽出 ① 既存の口コミで領域を 作成
107.
107Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 新規コメントの抽出 ① 既存の口コミで領域を 作成
108.
108Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 新規コメントの抽出 ① ② 既存の口コミで領域を 作成 新規の口コミをプロット
109.
109Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 新規コメントの抽出 ① ② ③ 既存の口コミで領域を 作成 新規の口コミをプロット 領域に含まれるか否か を判定
110.
110Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 実サービスへの展望 〜 新規コメントの抽出 新規の口コミが「新しい内容を含むかどうか」の判別を行う ① ② ③ 既存の口コミで領域を 作成 新規の口コミをプロット 領域に含まれるか否か を判定
111.
111Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. まとめ
112.
112Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 本日のまとめ • ユーザーのアクションログをword2vecのインプットに使用し、ア イテムをベクトル化している • ベクトル同士のcos類似度を計算することで、レコメンドエンジン に活用している • ベクトルを足し合わせることでユーザーの志向を捉える事ができ る • 文書要約にdoc2vecを活用している • 定性的に見て、doc2vecを使った文書要約が有用であること が分かった • doc2vecを口コミの整理や、新たなコメントの内容が新規であ るかどうかの判断ロジックとして活用を検討
113.
113Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. 今後の展望 リアルタイムでのユー ザー志向分析 グラフ分析及び グラフDBの導入 A B C D E w(t) w(t+1) w(t+5) ・ ・ ・ w(t-1) w(t-5) ・ ・ ・
114.
114Copyright © Recruit
Technologies Co., Ltd. All Rights Reserved. ビジネスを踏まえて 泥臭くかつアグレッシブに 分析・エンジニアリングが できる方。 ご連絡ください。 戦友をさがしています。 Yes, We Are Hiring! 池田 裕一
115.
ご清聴ありがとうございました
Descargar ahora