Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
新規検索基盤でマッチング精度向上に挑む! ~『ホットペッパーグルメ』の開発事例 ビジネス編
Search
Recruit
PRO
March 06, 2025
Technology
2
90
新規検索基盤でマッチング精度向上に挑む! ~『ホットペッパーグルメ』の開発事例 ビジネス編
2025/2/20に開催したRecruit Tech Conference 2025の吉鷹の資料です
Recruit
PRO
March 06, 2025
Tweet
Share
More Decks by Recruit
See All by Recruit
問題解決に役立つ数理工学
recruitengineers
PRO
8
2.3k
Curiosity & Persistence
recruitengineers
PRO
2
130
結果的にこうなった。から見える メカニズムのようなもの。
recruitengineers
PRO
1
260
成長実感と伸び悩みからふりかえる キャリアグラフ
recruitengineers
PRO
1
100
リクルートの オンプレ環境の未来を語る
recruitengineers
PRO
3
110
LLMのプロダクト装着と独自モデル開発
recruitengineers
PRO
1
150
新規検索基盤でマッチング精度向上に挑む! ~『ホットペッパーグルメ』の開発事例 技術編
recruitengineers
PRO
0
98
大規模プロダクトにおける フロントエンドモダナイズの取り組み紹介
recruitengineers
PRO
5
99
技術的ミスと深堀り
recruitengineers
PRO
3
91
Other Decks in Technology
See All in Technology
Symfony in 2025: Scaling to 0
fabpot
2
260
AIエージェントキャッチアップと論文リサーチ
os1ma
6
1.3k
Amazon Q Developer 他⽣成AIと⽐較してみた
takano0131
1
130
LINEギフトのLINEミニアプリアクセシビリティ改善事例
lycorptech_jp
PRO
0
310
スケールアップ企業のQA組織のバリューを最大限に引き出すための取り組み
tarappo
4
1.1k
どっちの API SHOW?SharePoint 開発における SharePoint REST API Microsoft Graph API の違い / Which API show? Differences between Microsoft Graph API and SharePoint REST API
karamem0
0
140
SSH公開鍵認証による接続 / Connecting with SSH Public Key Authentication
kaityo256
PRO
2
240
ゆるくVPC Latticeについてまとめてみたら、意外と奥深い件
masakiokuda
2
160
やさしいMCP入門
minorun365
PRO
95
52k
Riverpod & Riverpod Generatorを利用して状態管理部分の処理を書き換えてみる簡単な事例紹介
fumiyasac0921
0
120
20250328_OpenAI製DeepResearchは既に一種のAGIだと思う話
doradora09
PRO
0
160
ソフトウェア開発現代史: なぜ日本のソフトウェア開発は「滝」なのか?製造業の成功体験とのギャップ #jassttokyo
takabow
2
1.8k
Featured
See All Featured
We Have a Design System, Now What?
morganepeng
51
7.5k
[RailsConf 2023 Opening Keynote] The Magic of Rails
eileencodes
28
9.4k
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
356
30k
Sharpening the Axe: The Primacy of Toolmaking
bcantrill
40
2k
GraphQLとの向き合い方2022年版
quramy
45
14k
Git: the NoSQL Database
bkeepers
PRO
429
65k
Building Flexible Design Systems
yeseniaperezcruz
328
38k
Testing 201, or: Great Expectations
jmmastey
42
7.4k
Put a Button on it: Removing Barriers to Going Fast.
kastner
60
3.8k
[Rails World 2023 - Day 1 Closing Keynote] - The Magic of Rails
eileencodes
33
2.1k
Faster Mobile Websites
deanohume
306
31k
Embracing the Ebb and Flow
colly
85
4.6k
Transcript
新規検索基盤でマッチング精度向上に挑む! ~『ホットペッパーグルメ』の開発事例 RECRUIT TECH CONFERENCE 2025 ビジネス編 吉鷹 伸太朗 株式会社リクルート プロダクトディベロップメント室 グループマネジャー
吉鷹 伸太朗 最近犬をお迎えして日々悪戦苦闘中 経歴 / Career 2019年にリクルートに新卒入社。 『ホットペッパーグルメ』や『じゃらん』のレコメンド 施策等を多数推進。 2024年より飲食データサイエンスGのグループマネ
ジャーに任用。 趣味 / Hobbies データ推進室 販促領域データソリューション3ユニット (飲食・ビューティー) 飲食・ビューティーデータソリューション部 飲食データサイエンスG
• ビジネス編 ◦ 『ホットペッパーグルメ』におけるレコメンド・検索施策がどのように 進展していったか? 本日お話しすること
『ホットペッパーグルメ』は、国内最大級の飲食店情 報サイト 毎日多くの飲食店利用ユーザーが訪問・利用している 弊グループでは、膨大な店舗とユーザーのデータを活 かして、『ホットペッパーグルメ』におけるレコメン ドと検索の改善を取り組んできた ホットペッパーグルメ
レコメンドと検索における課題 レコメンド • Impression量の少ない一部画面にのみレコメンドが存在していた • 既存レコメンドには以下のような課題が存在していた ◦ 高々日次バッチの事前推論のみ ◦ 機械学習アルゴリズムが非導入
検索 • ビジネス的なリスクが内包されるため検索システムへの介入には慎重だった • そのため、既存検索アルゴリズムのチューニングは停止しており、 古いまま運用されていた
データ施策導入の壁 レコメンドや検索等のデータ施策の導入や改善には3つの壁が存在した • データ施策の実績が少なく、データ組織への信頼残高が少なかった → 他施策との兼ね合いで優先度が下がりがち • 改修する際の関係部署が多く、前述の優先度もあり工数取得が難航 • 開発期間が長く、仮説検証の試行が回せない
工数取得が難航して、計画が進まない 開発期間が長く、なかなかABテストへ進めない
打ち手①:小さい成果から信頼を蓄積 2019年〜2021年 検索ワード入力画面でのレコメンド 小さい画面でのレコメンドからはじめ、徐々に施策規模を拡張していった
打ち手①:小さい成果から信頼を蓄積 2019年〜2021年 検索ワード入力画面でのレコメンド 2022年 アプリトップ下部でのレコメンド 小さい画面でのレコメンドからはじめ、徐々に施策規模を拡張していった
打ち手①:小さい成果から信頼を蓄積 2023年 アプリトップ画面の刷新 小さい画面でのレコメンドからはじめ、徐々に施策規模を拡張していった
打ち手①:小さい成果から信頼を蓄積 2023年 アプリトップ画面の刷新 2024年 検索アルゴリズム改善 (*SIGIR-AP 2024 ポスター発表より) 小さい画面でのレコメンドからはじめ、徐々に施策規模を拡張していった
打ち手①:小さい成果から信頼を蓄積 小さい画面でのレコメンドからはじめ、徐々に施策規模を拡張していった 当初 データ組織 2名 ↓ 小さなレコメンド施策1つ データ組織 20名以上 ↓
レコメンド施策複数 検索アルゴリズム サジェスト … 現在
打ち手②:密結合→疎結合なアーキテクチャへ 疎結合なアーキテクチャを採用することで関係部署/工数を減少 Storage 環境① API 環境② BATCH 組織A 組織B 組織C
データ組織
打ち手②:密結合→疎結合なアーキテクチャへ 疎結合なアーキテクチャを採用することで関係部署/工数を減少 Storage 環境① API 環境② BATCH 環境① API 環境②
BATCH API 組織A 組織B 組織C データ組織 組織A 組織B データ組織 データ組織
打ち手②:密結合→疎結合なアーキテクチャへ 疎結合なアーキテクチャを採用することで関係部署/工数を減少 Storage 環境① API 環境② BATCH 環境① API 環境②
BATCH API 組織A 組織B 組織C データ組織 組織A 組織B データ組織 データ組織 データ組織で APIを用意 → 組織Cの介 在が不要に
打ち手②:密結合→疎結合なアーキテクチャへ 疎結合なアーキテクチャを採用することで関係部署/工数を減少 Storage 環境① API 環境② BATCH 環境① API 環境②
BATCH API 組織A 組織B 組織C データ組織 組織A 組織B データ組織 データ組織 自由度をもたせた通信に設計 ↓ データ組織側の改修だけで一 定の試行が可能に データ組織で APIを用意 → 組織Cの介 在が不要に
打ち手③:開発方式/体制の変更 • ウォーターフォール開発 → アジャイル開発へ変更 • レコメンド/検索改善施策において、 一定のスコープ内でデータ組織の人員をPM/PLへ設定 柔軟な開発の実施が可能に →
仮説検証の試行が早く回せるように PO=Producer PM=DATA PL=DATA Team Team ⋯ 体制の一例 Team ⋯ ⋯
データ施策導入の壁が解消! レコメンドや検索等のデータ施策の導入や改善には3つの壁が存在した • データ施策の実績が少なく、データ組織への信頼残高が少なかった → 他施策との兼ね合いで優先度が下がりがち • 改修する際の関係部署が多く、前述の優先度もあり工数取得が難航 • 開発期間が長く、仮説検証の試行が回せない
小さい成果から信頼を蓄積 密結合→疎結合なアーキテクチャへ 開発方式/体制の変更 ✔ ✔ ✔
レコメンドと検索における課題も解消! レコメンド • Impression量の少ない一部画面にのみレコメンドが存在していた • 既存レコメンドには以下のような課題が存在していた ◦ 高々日次バッチの事前推論のみ ◦ 機械学習アルゴリズムが非導入
検索 • ビジネス的なリスクが内包されるため検索システムへの介入には慎重だった • そのため、既存検索アルゴリズムのチューニングは停止しており、 古いまま運用されていた APPのTOP画面に大きな枠を設置 ✔ オンライン推論の 機械学習アルゴリズムも導入 ✔ 検索アルゴリズムの改善も実施(後ほど詳述) ✔
『ホットペッパーグルメ』におけるレコメンドや検索等のデータ施策の導入や改 善は複数の要因によって進んでいなかった 以下の打ち手を実施することで、改善が進むようになった • 小さい成果から信頼を蓄積 • 密結合→疎結合なアーキテクチャへ • 開発方式/体制の変更 最初は非常に少ないメンバーでスタートでしたが、今では多くの仲間たちととも
に日々改善に取り組んでいます! 一緒に働いてくださる仲間も募集しています!! 興味があれば是非ご連絡ください!! まとめ