Research

Algorithms

研究テーマ

効果的・効率的なアルゴリズムの実現

チームのミッション

Algorithmsチームは広告配信サービス・推薦システム・検索エンジンの最適化に関する研究開発を行っています。ユーザの行動ログに基づいて効果の高いコンテンツを配信するために、大量のデータを処理・分析することは必要不可欠です。ノイズを含むユーザ行動ログから本質的な情報を取り出すデータ分析技術、大量のデータ・配信コンテンツを分析対象とするスケーラブルな最適化技術、効果を正しく測る評価方法など、あらゆる角度からの技術開発と理論研究に取り組んでいます。
さらに、広告配信やコンテンツ推薦・検索に関する学術研究だけでなくサービスへの実装を積極的に行います。Algorithmsチームは、実応用における課題発見と先端技術開発のサイクルをチーム内で実践し、本質的な課題を解決することに挑戦します。

プロジェクト

 

ランキング学習

ランキング学習は、ユーザの過去の行動ログからユーザの選好を学習することで最適なコンテンツのランキングを提供することを可能にします。大量のコンテンツからなるランキングを学習するためには、学習・最適化時の計算効率を考慮する必要があります。実用的なランキングシステムを構築するにあたって、目的関数を効率的に近似する損失設計やサンプリング技術、現代的なコンピュータアーキテクチャに適した並列性を達成する最適化手法を開発しています。また、大規模なコンテンツを扱うためには大量の行動ログを活用する必要がある一方で、集めやすいクリックなどの行動ログデータは部分的にしか選好を反映せず、雑音を含むことさえあります。このようなデータを効率的かつ効果的に活用して頑健かつスケーラブルなランキング学習を実現する技術を研究しています。

多様性を考慮した推薦システム

多くの推薦システムは、ユーザの選好の推定値に基づきコンテンツを推薦するため、ユーザ選好の予測精度向上が重視されています。しかし、精度向上のみを優先させると、推薦されたコンテンツ同士が似かよってしまい、ユーザの満足度が低下する恐れがあります。このような問題を解決するため、私たちは推薦結果に「多様性」を導入する技術を研究しています。特に、「行列式点過程」と呼ばれる多様性を表す確率的モデルを利用した推薦手法について、推薦結果への影響・スケーラビリティの向上・計算の複雑性を実験的・理論的な観点から解析しています。

保守的なオンラインランキング学習(safe online learning to rank)

オンラインランキング学習では、過去に配信したコンテンツに対するユーザーのフィードバックを利用して、ユーザーの選好をリアルタイムで学習します。近年では、将来的にユーザーの選好をより正確に学習するために、敢えてユーザーが好むかどうか不明なコンテンツも配信するなど、「探索」の要素を学習アルゴリズムに加えることが多くなっています。しかし、これらのアルゴリズムの多くは、学習初期にユーザーの選好を無視してコンテンツを提供しがちであり、アプリケーションのユーザー体験を大きく損なう危険が伴います。
この問題を解決するため、探索要素の無い従来のオンラインランキング学習のランキング結果を活かしつつ、まだ掴めていないユーザーの選好を探索する、「保守的なオンラインランキング学習手法」の研究、応用に取り組んでいます。

研究領域

組合せ最適化 / 連続最適化 / 情報検索 / 推薦システム

所属メンバー

富樫 陸

Riku Togashi

研究領域: 推薦システム / 連続最適化

大坂 直人

Naoto Ohsaka

研究領域: 組合せ最適化 / 推薦システム

椎野 弘章

Hiroaki Shiino

研究領域: 推薦システム / 情報検索

太田 敏博

Toshihiro Ota

研究領域: 推薦システム、機械学習

野村 将寛

Masahiro Nomura

研究領域: ハイパーパラメータ最適化

上里 友弥

Yuya Uezato

研究領域: オートマトン理論 / プログラム理論

濱野 椋希

Ryoki Hamano

研究領域: ハイパーパラメーター最適化

秋山 俊太

Shunta Akiyama

研究領域: Deep Learningの学習理論と応用

隈部 壮

Soh Kumabe

研究領域: 離散最適化

論文一覧