1. lambdaの連鎖で作る
Recommend Engine

2. Masahiro Higuchi / 樋口雅拓
● グリーグループのリミア株式会社で、LIMIA という住まい領域のメディアを
作っています。ゲーム会社ですが、最近はメディアに力を入れています。
● 機械学習のエンジニアですが、iOS, Android,JSなどもやっている何でも屋
です。4歳の娘のパパ。twitter: @mahiguch1
● https://limia.jp/
● https://arine.jp/
● https://aumo.jp/
● https://www.mine-3m.com/mine/

3. LIMIAとは?
● メディアサービス
● 記事一覧を表示し、タップすると記事
詳細を閲覧できる。
● AWS:90%、GCP:10%。
● PHP/EC2 → Go/ECS移行中
ユーザに最適なコンテンツを推薦する事
で、回遊性を向上させたい！
→ Recommend Engine(推薦システム)を
作ろう。

4. どうやってRecommendするのか
● ユーザを10個ぐらいのセグメントに分類
● セグメント毎にCTRを計算
● 記事の投稿日時で補正したCTRが高い順にリストに掲載
→ せっかく今から作るんだから、インスタンスを立てずに行こう！

5. ユーザモデル作成
ユーザが記事を閲覧すると、その情報が Kinesis
に流れます。Lambdaで受け取り、直近10件の閲
覧履歴をDynamoDBに保存します。その変更を
DynamoDB Streamに流し、Lambdaで受け取っ
て記事のベクトルの平均をユーザベクトルとして
DynamoDBに書き込みます。

6. ユーザ分類
ユーザの閲覧履歴は、 Kinesis経由でS3にも保
存されます。EMRでそれを読み込み、
k-means++で10セグメントに分割し、分割結果を
BigQueryに書き込みます。BigQueryでセグメン
ト毎の直近2時間のCTRを計算し、S3に書き戻し
ます。それをDynamoDBに書きます。EMRでの
計算で出来るセグメントの中心ベクトルとアイデ
アのベクトルも同様に Dynamoに書き出します。
アイデアベクトル生成は 1日1回だと遅いので、
改善したい。

7. 配信
ユーザが記事一覧を表示しようとすると、
Recommend Engineに問い合わせます。
Recommend Engineはユーザの直近10件の記事閲
覧履歴から所属するセグメントを選び、そのセグメント
のユーザの直近2時間のCTRが高いものを表示しま
す。ただし、古い記事ほど減点し、ユーザの前回ログ
イン以降に投稿された記事は加点します。
Recommend Engineはgolangで書いて、
ECS/Fargateで動かしています。

8. システム構成図
パラメータ一覧
● ユーザベクトル生成は、即時。
● アイデアベクトル生成は、毎日。
● 辞書は2年前のwikipediaベース。
● CTRの計算は直近2時間。
● 推薦対象は、全記事。
● セグメントは10個。
これらについて、A/Bテストを行い、最適値を
探す。1Round 1週間として、6月末までに5回
行う。

9. まとめ
● Recommend Engineは簡単に作れる。
● 今の所は既存編成ロジックより良い結果が出ている。
● システム的にはアイデアベクトル生成をリアルタイムで行いたい。しかし、 S3にある5GBの辞書
を読み込む必要があるため、 Lambdaで実行時に読み込むとコスト的にやばい。何か良いアイ
デアがあれば教えて欲しい。
ありがとうございました。懇親会でぜひ声をかけてください！