|
|
第1回
|
ガイダンスと推薦システムの概要
|
授業の進め方、成績評価について説明する。推薦システムの定義、歴史、代表的な応用例を紹介し、推薦問題の定式化（ユーザ、アイテム、フィードバック）について学ぶ。
|
|
第2回
|
内容ベース推薦
|
アイテムの属性情報（テキスト、ジャンル等）をベクトルとして表現し、ユーザの嗜好プロファイルと照合する内容ベース推薦の仕組みを学ぶ。TF-IDFなどの古典的手法から単語埋め込みまでを扱う。
|
|
第3回
|
協調フィルタリング
|
ユーザとアイテムの行動履歴のみを利用する協調フィルタリングを学ぶ。特に、近傍法（ユーザベース、アイテムベース）や潜在因子モデルにおける評価値予測、推薦リスト作成のプロセスを詳しく解説する。
|
|
第4回
|
知識ベース推薦システム
|
ユーザからの明示的な要求（制約）に基づいて推薦を行う知識ベース推薦を学ぶ。制約ベースの手法や対話的な推薦の仕組みを理解する。
|
|
第5回
|
ハイブリッド推薦システム
|
これまで学んだ複数の推薦手法を組み合わせるハイブリッド推薦を学ぶ。単一の手法では解決できない課題（コールドスタート問題など）へのアプローチを理解する。
|
|
第6回
|
推薦システムの評価①：評価の枠組みと予測精度の指標
|
推薦システムの評価設計について学ぶ。オフライン評価とオンライン評価（A/Bテスト）の違いを理解し、評価値予測タスクにおける評価指標（RMSE, MAE）の計算方法と特性を習得する。
|
|
第7回
|
推薦システムの評価②：順位付け精度と精度以外の指標
|
アイテムの推薦順位を評価するランキング精度指標（Precision, Recall, MAP, nDCG）を学ぶ。また、多様性（Diversity）や新規性（Novelty）といった、予測精度だけでは測れない推薦の質に関する評価軸を理解する。
|
|
第8回
|
総括
|
講義内容全体を振り返り、最終レポート課題について説明する。
|
|
※AL（アクティブ・ラーニング）欄に関する注
・授業全体で、AL（アクティブ・ラーニング）が占める時間の割合を、それぞれの項目ごとに示しています。
・A〜Dのアルファベットは、以下の学修形態を指しています。
【A：グループワーク】、【B：ディスカッション・ディベート】、【C：フィールドワーク（実験・実習、演習を含む）】、【D：プレゼンテーション】
|