店頭とWebにおけるAIレコメンド改善

(1) 作業・運用コストの削減

メディアごとにレコメンドシステムを構築しているため，メディア数分の作業・運用コストが発生する．また，手動処理部が存在していることから，人的コストも多く発生する．長期的に運用を考えた場合は，これらのコストを削減する必要があり，改善が必要となる．

(2) 各メディアにおけるレコメンドの統一化

各メディアは完全に独立しているため，レコメンド内容を共有していない．そのため，メディア間をまたいだレコメンドの統一が実現できず，顧客が複数のメディアに訪れた場合，異なるサービスをレコメンドされる可能性がある．これにより，顧客にとってレコメンドされるべきサービスが曖昧となり，顧客満足度の低下を招く可能性がある．

(3) 1人ひとりの顧客需要に最適化したレコメンドの実施

旧レコメンドシステムに限らず，一般的にレコメンドシステムは，メディアの表示部分の制約を受ける．そのため，顧客に対して複数個のレコメンド対象サービスが存在する場合は，その数を絞った上でレコメンドする必要がある．しかし，旧レコメンドシステムにおいてはその絞り方が，図1②に示したとおり，全顧客に対して1通りのサービス優先度を適用し，優先度の高いサービスからレコメンドを実施するものとなっている．そのため，各顧客にレコメンド対象サービスが複数個存在した場合に，既定の数に絞る過程で，顧客の需要や特徴を加味した優先度を作成できていない．

(1) サービスのベクトル化

(a)概　要

レコメンド対象サービスのベクトル化を実施した．ベクトル化とは，サービス特性や顧客の利用傾向などの情報を，複数の次元の数値に変換する技術を指す．また，ベクトル化することで，ベクトル間の距離を算出することができ，2つのベクトル間の親和性を測定することが可能となる．例えば，ドコモではターゲットとなる顧客像が異なるさまざまなサービスがあるが，本ベクトル化技術を用いるとサービス間の親和性が数値で表現でき，また，同じ顧客像のサービス同士はベクトル同士の距離も近くなる一方，異なる顧客像のサービス同士はベクトル同士の距離が遠くなるため，サービス間の親和性の有無が確認できる．

(b)異種グラフを用いたGNNの採用

ドコモは，サービスのベクトル化を実現する手法としてGNNを採用した．GNNが扱えるデータをグラフ^*3と呼び，ノード^*4とエッジ^*5の2つ要素で構成される．このグラフを扱うニューラルネットワーク系AIを総じてGNNと呼ぶ．新レコメンドシステムでは，顧客・サービスをノードとして表現し，それぞれ，顧客ノード・サービスノードと呼称する（図3）．また，顧客がサービスを契約している状態は，その顧客ノードとサービスノードの間にエッジを張ることで表現する．つまり，新レコメンドシステムのグラフは，顧客とサービスの2種類のノードと，それらを結ぶエッジで表現される．このような複数種類のノード（またはエッジ）で表現されるグラフを，異種グラフと呼ぶ．新レコメンドシステムでは，この異種グラフを用いる．

(c)初期ベクトルの定義

次に，ノードごとに初期ベクトルを定義する．この初期ベクトルの設定方法は，乱数値で構成されたベクトルを適用する方法と，事前に作成した，ノードを特徴付けるベクトルを適用する方法の2種類が存在する．新レコメンドシステムでは，サービスノードに関しては前者の手法を適用し，顧客ノードに関しては，後者の手法を適用している．後者の手法では，匿名化^*6された顧客の契約情報を基に作成したベクトルを用いている．サービスノードに前者の手法を適用しているのは，レコメンド対象サービスが随時変更される可能性があり，逐次柔軟な対応を可能とするためである．グラフと以上で定義した各ノードの初期ベクトルをGNNへの入力とする．

(d)リンク予測問題^*7による学習

GNNでは，ある2つのノード同士の間にエッジ（リンク）があるか否かを学習していく．このような学習方法を一般的にリンク予測問題と呼ぶ．2つのノード同士のエッジの有無はそれぞれのノードがもつベクトルの距離で判定される．距離がしきい値以上であればエッジが有ると判定し，それ以下であればエッジは無いと判定をする．ここで，各ノードがもつベクトルは，エッジを通じた周辺のノードのベクトルを考慮して重み付け・更新された上で，上記のエッジ有無判定の計算がなされる．エッジの有無を正しく判定できるような重み付けがなされるまで，繰り返し重みの値の更新とエッジ有無判定の精度評価をしながら学習を行う．

このように，周辺ノードを考慮した重み付けをして更新された各ノードのベクトルは，利用傾向（グラフ構造）を考慮した性質をもつようになる．すなわち，利用者の属性が近いサービス同士はベクトルの距離が近くなり，利用者の属性が異なるサービス同士はベクトルの距離も遠くなる．特にリンク予測問題による学習によって得られたサービスのベクトルはサービスの特徴を捉えており，後段のレコメンド処理において有効である．

（2）顧客のベクトル化

匿名化された顧客情報やサービス利用履歴を用いて顧客のベクトル化を実施する．このベクトルは主に，契約情報データによる性別・年代・契約状態を数値化しベクトルとして表現する手法と，顧客と各レコメンドサービスとの親和性をスコアとしそれをベクトルとして表現する手法の2つで構成される．これら2つのベクトルを結合し顧客ごとに1つのベクトルとする．この顧客ベクトルは顧客1人ひとりの属性・傾向の特徴を捉えているといえる．

（3）各ベクトル化による親和性を基にランキング化

前述した2種類のベクトル（サービスのベクトルと顧客のベクトル）の親和性を基に，各顧客に対してどのサービスを優先度付けてレコメンドするかを決定する（図3）．このような優先度付けをランキングと呼び，ランキング順序を学習する手法をランキング学習^*8と呼ぶ．ランキング学習では顧客とサービスの全組合せにおいて，それぞれの組合せで契約が有れば高いランキング，無ければ低いランキングを出力するように学習する．

この学習済みのランキングAIによって出力された各ユーザの上位ランキングサービスの上から5つを，レコメンドの出力として各メディアに連携する．