協調フィルタリング (G検定)

2026年8月12日2026年9月2日

G検定

1. 定義と概要

協調フィルタリングとは、多数のユーザーの購買・評価・閲覧履歴の類似性をもとに推薦を行う手法です。ECサイトでよく見かける「この商品を買った人はこんな商品も買っています」という表示は、この代表例にあたります。

似た好みを持つ人同士の行動には共通のパターンが表れやすく、そのパターンを統計的に処理して膨大なアイテムの中から一人ひとりに合う候補を絞り込み、次の推薦につなげる仕組みといえるでしょう。個々のアイテムの中身を人が読み解かなくても、行動の重なりだけで推薦が成り立つところに特徴があります。

従来のレコメンデーションは、売れ筋ランキングや店員の経験則をもとにした画一的な推薦が中心でした。しかし、ECサイトや動画配信サービスの拡大によってユーザー数・アイテム数が爆発的に増え、一人ひとりの好みに応じた推薦への需要が高まっていきます。

人手による分類やルール設定では、この規模の組み合わせを扱いきれなくなったことも背景にあります。そこで、行動データを統計的に処理してユーザー同士やアイテム同士の類似性を自動で算出する協調フィルタリングが普及しました。

2. 試験対策ポイント

協調フィルタリングには、ユーザーベース協調フィルタリング（自分と趣味が似ている他の人の行動を参考にして推薦する方式）とアイテムベース協調フィルタリング（一緒によく選ばれる商品同士を結びつけて推薦する方式）の2方式があります。両者の違いは類似性を判断する起点にあり、この起点の違いが重要な論点です。それぞれ何を手がかりにするのかを並べると次のようになります。

方式	類似性を判断する起点
ユーザーベース協調フィルタリング	対象ユーザーと似た嗜好を持つ他ユーザーの行動
アイテムベース協調フィルタリング	対象アイテムと一緒に選ばれることが多い他アイテムの関係

名称に「ユーザー」「アイテム」のどちらが入っているかと、実際の判断基準が逆転している記述は取り違えやすく、両者の定義を正確に区別しておく必要があります。名称の語がそのまま「何と何を比べるのか」を指している、と押さえておくと混同を避けやすくなります。

推薦の元になる入力データにも2種類あります。星評価のようにユーザーが自分の意思で入力するものを明示的フィードバック（星の数などユーザーが自分の意思で入力する評価）といいます。一方、クリックや視聴時間のように行動から間接的に読み取るものは暗黙的フィードバック（クリックや視聴時間など行動から間接的に読み取る評価）と呼ばれます。

実務では、ユーザーにわざわざ評価を入力してもらう手間がかからず、行動さえあれば自然にデータが蓄積されるため、暗黙的フィードバックの方が多く用いられる傾向があります。

協調フィルタリングのメリットは、アイテムの属性情報がなくても他ユーザーの行動だけで推薦できる点と、自分では気づかなかった意外なアイテムに出会うセレンディピティ（自分では思いつかなかった意外な物との偶然の出会い）を生みやすい点です。

一方で、新規ユーザーや新規アイテムは行動履歴が乏しく類似性を算出できないコールドスタート問題（登録したばかりで行動データが少ない人や商品にはうまく推薦できない現象）が知られています。この弱点があるため、実務ではコンテンツベースフィルタリングとのハイブリッド手法で補う位置づけにあります。

3. 関連概念との比較・相違点

コンテンツベースフィルタリングとの最大の違いは、類似性を判断する根拠にあります。何を根拠にし、その結果どのような推薦が得意になるのかを並べると、次のように整理できます。

観点	協調フィルタリング	コンテンツベースフィルタリング
類似性の根拠	ユーザーの行動履歴の類似性	アイテム自体の属性データ（ジャンルや価格など）の類似性
得意なこと	意外性のある推薦を生みやすい	新規アイテムでも属性さえあれば推薦しやすい

どちらの手法も「似ているものを探す」という点は共通していますが、何をもって似ていると判断するかという根拠がまったく異なっています。この根拠の違いが、そのまま得意な場面と苦手な場面の違いにつながっています。

また、単独手法か組み合わせかという観点では、ハイブリッドレコメンデーション（複数の推薦手法を組み合わせて互いの弱点を補うやり方）が位置づけられます。協調フィルタリング単独ではコールドスタート問題が生じ、コンテンツベースフィルタリング単独では意外性のある推薦が出にくいため、実務では双方を組み合わせる手法が採られることが多くあります。両者は、片方の弱点をもう片方の強みで補い合う関係にあります。

4. ビジネス・実務での活用シナリオ

EC・小売の分野では、「この商品を買った人はこんな商品も買っています」というアイテムベース協調フィルタリングの表示が広く使われています。一緒に選ばれやすい商品同士を結びつけて提示することで関連購買を促し、客単価の向上につながっています。膨大な商品点数の中から関連性の高いものだけを自動で絞り込める点が、この仕組みの実務上の強みです。

動画・音楽配信の分野では、似た視聴・再生傾向を持つユーザーの評価をもとにしたユーザーベース協調フィルタリングでコンテンツが提示されます。自分の好みに近いコンテンツが次々と提示される仕組みは、視聴継続率の向上に寄与しています。作品数が膨大なサービスほど、自力で好みの作品を探し当てる手間が大きくなるため、この仕組みの意義は大きくなります。

金融・保険の分野でも、似た属性・取引履歴を持つ顧客の商品選択パターンから金融商品を提案する形で活用されています。既存客への関連提案であるクロスセル（既存のお客さんに関連する別の商品もあわせて提案する営業手法）の精度向上に役立てられています。商品性が複雑で自力での比較検討が難しい分野であるため、似た顧客の選択実績を手がかりにする意義があります。