ABEMAにおけるContextual Banditを用いた推薦システムの導入と効果検証

AbemaTV, Inc. All Rights Reserved  AbemaTV, Inc. All Rights Reserved 
1 ABEMAにおける Contextual Banditを用いた推薦システムの導入と効果検証 2025 July 16th 井上翔太

AbemaTV, Inc. All Rights Reserved  井上翔太 • 2024年度株式会社AbemaTV
新卒入社 • 機械学習エンジニア • レコメンド機能の運用・開発をしてます • X: @show_5821 • 趣味：蕎麦をうつのを練習してます 2 Proﬁle

AbemaTV, Inc. All Rights Reserved  ABEMA について 3 登録不要で、いつでも無料で楽しめる 24時間365日編成されているリニア配信と
見逃した作品を好きなタイミングでオンデマンドでも楽しむこともできます。国内最大級のオリジナルエピソード数オリジナルエピソード数は国内発の動画サービスで日本No.1(※)を誇り、注目の新作映画、国内外の人気ドラマ、話題のアニメなど豊富なラインナップの作品や、様々な音楽や舞台のオンラインライブも展開。 ※2024年8月時点、自社調べ 100%プロコンテンツサイバーエージェントとテレビ朝日それぞれの強みを活かした制作体制で高品質なコンテンツを配信しています。多彩なラインナップ 24時間編成のニュース専門チャンネルをはじめ、オリジナルのドラマや恋愛番組、アニメ、スポーツなど、多彩なジャンルの約25チャンネルを24時間365日放送しています。

AbemaTV, Inc. All Rights Reserved  目次 • ABEMAの推薦について • 推薦における課題
• 採用したContextual Banditロジックについて • アーキテクチャ • 効果検証 • まとめ

AbemaTV, Inc. All Rights Reserved  ユーザーに推薦を提示するまでの流れモジュールコンテンツ何らかのルールで候補生成＋リランク
設定されたリストを表示

AbemaTV, Inc. All Rights Reserved  ABEMAの推薦分類手動ルールベース機械学習編集者がテーマを元に
コンテンツを選定 ABEMAとして推したいコンテンツ / 特集がある場合選定方法ユースケースユーザーごとに好みそうなコンテンツを提示したい場合決められたルールを元にコンテンツを選定モデルがユーザーごとにコンテンツを選定例特定ルールに従ってコンテンツを提示したい場合あなたへの関連度が高い作品〇〇をみたあなたへランキング視聴中の作品人気・注目今週のおすすめ

AbemaTV, Inc. All Rights Reserved  ABEMAの推薦分類手動ルールベース機械学習編集者がテーマを元に
コンテンツを選定 ABEMAとして推したいコンテンツ / 特集がある場合選定方法ユースケースユーザーごとに好みそうなコンテンツを提示したい場合決められたルールを元にコンテンツを選定モデルがユーザーごとにコンテンツを選定例特定ルールに従ってコンテンツを提示したい場合あなたへの関連度が高い作品〇〇をみたあなたへランキング視聴中の作品今回のターゲット人気・注目今週のおすすめ

AbemaTV, Inc. All Rights Reserved  ABEMAの手動推薦編集者によるコンテンツ選定コンテンツの入稿ロジックによる
並べ替え

並べ替えテーマを元にコンテンツを選定 20-30件前後をピックアップ ex) • ABEMAの目玉コンテンツ • 時期ごとの特集枠(GW特集など)

並べ替えモジュール・コンテンツごとに設定を行う • どのターゲットに提示するか ex) 年齢層・性別・嗜好ジャンル • ユーザーへの訴求回数

並べ替え配信実績に基づいてコンテンツを並び替える

並べ替え最終的なロジックの並び替えにContextual Banditを適用

AbemaTV, Inc. All Rights Reserved  従来手動推薦で適用していたロジック年齢性別嗜好ジャンル
セグメントセグメントセグメント Thompson Sampling 集計ベースのバンディットを使用していた

セグメントセグメントセグメント Thompson Sampling ユーザー属性の組み合わせでセグメントを分類

セグメントセグメントセグメント Thompson Sampling セグメントごとに実績を集計し Beta分布からサンプリング

AbemaTV, Inc. All Rights Reserved  従来ロジックの課題 • ロジック自体の課題 ◦ ユーザーを捉えるための特徴量追加が難しい
◦ データの少ないセグメントでの精度低下がみられた • 手動運用の課題 ◦ 運用が煩雑になることで設定ミスが発生する可能性が高い

AbemaTV, Inc. All Rights Reserved  ユーザーを捉えるための特徴量追加が難しい 25歳男性嗜好ジャンル 1.
アニメ 2. ドラマ 20代男性アニメ好き 20代男性アニメ・ドラマ好き特徴量を新しく増やす際にコストがかかるセグメントセグメントを構成する特徴を増やそうとすると組み合わせが爆発する例）ジャンル数が10の場合、2ジャンルを捉えようとすると10倍増える

AbemaTV, Inc. All Rights Reserved  集計がセグメントごとに行われている 25歳男性嗜好ジャンル 1.
アニメ 2. ドラマ 20代男性アニメ好き 25歳男性嗜好ジャンル 1. ドラマ 2. バラエティ 20代男性ドラマ好き 20代男性の部分は共通しているが、別のセグメントとして表現しているためお互いのデータを実績として取り込めないデータの少ないセグメントでの精度低下

AbemaTV, Inc. All Rights Reserved  コンテンツごとにターゲティングを設定している 10代女性アニメ好きプレミアム
コンテンツA 30代男性スポーツ好き無料コンテンツB 従来のバンディットでは表現しきれない条件があったため、人間がコンテンツごとにターゲティングを設定していた編集者複雑なターゲティングにより設定ミスなどが発生する可能性が増大

AbemaTV, Inc. All Rights Reserved  セグメント分けの限界とContextual Banditの導入特徴量での改善が難しいユーザー情報の表現力が限定的データ数の少ない
セグメントの精度低下集計がセグメントごとに行われている運用負荷が高いコンテンツごとにターゲティングを設定 Contextual Banditの導入ユーザー表現の柔軟性向上特徴量ベクトルを活用し多様な嗜好に対応学習効率向上他セグメントのデータも効率的に使用可能に手動設定の削減必要最低限の設定のみを目指すセグメントごとに分けることで引き起こされている

AbemaTV, Inc. All Rights Reserved  適用時における考慮事項課題 • ABEMAでは秒間十数万リクエストが発生する •
Contextual Banditでは各リクエストごとに計算（サンプリング/推論/並び替え）が必要 → 元のロジックよりも計算コストがかかる懸念があった • Go製の推薦サーバーで計算ロジックをもった • 多段キャッシュの導入（後述） • 事前に計算ロジックの最大実行時間を計測 • 負荷試験の実施

AbemaTV, Inc. All Rights Reserved  A/Bテストの検証結果一部では効果の悪いモジュールもあったモジュールごとに学習をしていたため、利用の少ないモジュールに発生していた適用したモジュール経由視聴KPIの
ベースラインに対する比を表す図

AbemaTV, Inc. All Rights Reserved  まとめまとめ • ABEMAにおける手動で運用しているモジュールに対して Contextual
Banditを導入した • サーバーの負荷を考慮したアルゴリズムの設計を行った • A/Bテストでは適用モジュール経由の視聴KPIの向上を確認した • 利用の少ないモジュールではうまく学習ができないことを確認した今後の展望 • モジュール間で実績を共有できるような設計 • 他のロジックへの応用 • 事業KPIに結びつくような報酬の設計

ABEMAにおけるContextual Banditを用いた推薦システムの導入と効果検証

ABEMAにおけるContextual Banditを用いた推薦システムの導入と効果検証

Featured

Transcript