第7章: 推薦システム — 「次」を予測するAI

この章を読むと: Netflixの「次のエピソードを再生」や、TikTokの「For You」ページが止まらない理由の仕組みがわかります。「おすすめ」の裏にある技術の本質を理解し、自分がどんなAIに囲まれているかを正確に把握できるようになります。

この技術を一言で言うと

「あなたと似た人が好きなものを、あなたが気づく前に届けるAI」

人は毎日、無数の「次を選ぶ」場面に直面しています。次に見る動画、次に聴く曲、次に読む記事、次に買う商品。かつてはその選択を自分でしていました。いまは、AIが先回りしています。

推薦システムとは、ユーザーの行動履歴・属性・コンテキストをもとに「次に何を見せるか」を自動的に決定するAIの一分野です。私たちが意識しているかどうかにかかわらず、1日に何百回もこのAIの判断に触れています。

---

1. 「あなたへのおすすめ」の裏側

あなたは今日、何回おすすめを受け取りましたか？

朝、目を覚ましてスマホを開く。X（旧Twitter）のタイムライン、Googleニュースのトップ記事、Amazonの「チェックした商品に関連するもの」、Spotifyの「あなたへのおすすめ」、YouTubeのホーム画面、Netflixの「今夜見るのにぴったり」、UberEatsの「また注文しますか？」——。

これらはすべて、推薦システムが計算した結果です。あなたが能動的に検索した結果ではなく、AIが「これを見せれば興味を持つ」と判断して表示したものです。

推薦がないとどうなるか

推薦システムのない世界を想像してみましょう。Netflixに6,000本の作品があるとして、あなたはどうやって次に見る映画を選びますか？ 全作品のあらすじを読む？ 友人に聞く？ ランキングを参考にする？ それだけで何十分もかかります。

AmazonやNetflixのデータによると、推薦システム経由の購入・視聴が**売上全体の35〜40%**を占めます。推薦がなければ、ユーザーは迷子になり、プラットフォームは収益の3〜4割を失います。

重要な認識: 推薦システムは「便利な機能」ではなく、現代のデジタルサービスの収益の根幹を支えるインフラです。

---

2. 推薦の3つのアプローチ

推薦システムには大きく3つのアプローチがあります。それぞれ「誰の情報を使うか」が異なります。

アプローチ① 協調フィルタリング — 「似た人の好みを参考にする」

協調フィルタリング（Collaborative Filtering）は、推薦システムの中で最も広く使われてきた手法です。基本の考え方はシンプルです。

「あなたと似た行動をしている他のユーザーが好きなものは、あなたも好きなはず」

本屋のアナロジーで考えましょう。あなたが書店員に「面白い本を教えて」と聞いたとします。書店員は「あなたのように京極夏彦、伊坂幸太郎、道尾秀介を好む読者は、たいてい辻村深月も気に入ります」と答えます。これが協調フィルタリングです。他の人の「集合知」を使って推薦する方法です。

ユーザーベース協調フィルタリング

まず「あなたに似たユーザー」を見つけます。その後、そのユーザーが好んでいる（かつあなたがまだ見ていない）アイテムを推薦します。

あなた:  映画A ★★★★★, 映画B ★★★★☆, 映画C ★★★☆☆
田中さん: 映画A ★★★★★, 映画B ★★★★☆, 映画D ★★★★★
→ 田中さんはあなたに似ている
→ 田中さんが高評価した映画Dを、あなたに推薦

アイテムベース協調フィルタリング

ユーザー同士の類似度を計算するのではなく、アイテム同士の類似度を使います。「この映画を好んだ人が、一緒に好んだ映画」を計算しておき、あなたの閲覧アイテムに類似したアイテムを推薦します。

Amazonの「この商品を買った人はこちらも買っています」は、アイテムベース協調フィルタリングの代表例です。ユーザー数が増えても、アイテム数は相対的に安定しているため、大規模システムではアイテムベースの方がスケールしやすいという利点があります。

協調フィルタリングの弱点

アプローチ② コンテンツベースフィルタリング — 「アイテムの中身を分析する」

コンテンツベースフィルタリングは、他のユーザーの情報を使わず、アイテムそのものの特徴量とユーザーの過去の好みから推薦を行います。

本屋のアナロジーで続けましょう。今度は書店員が「あなたはこれまで『日本のミステリー小説、主人公が探偵、どんでん返しあり』という特徴の本を好んできた。だからこの新作も合うはずです」と答える——これがコンテンツベースです。他のユーザーを一切参照せず、アイテムのプロフィールとあなたの好みのプロフィールをマッチングします。

音楽推薦への応用

Spotifyのコンテンツベース推薦は、楽曲そのものを分析します。テンポ、音域、コードの複雑さ、歌詞のセンチメント、楽器の種類など、1曲あたり数百の特徴量を抽出します。あなたが好んだ曲の特徴量の平均プロフィールを作り、そのプロフィールに近い未聴曲を推薦します。

新しくSpotifyに登録された楽曲は聴かれた実績がないため協調フィルタリングは機能しません。しかしコンテンツベースなら、曲の「音の性質」さえあれば推薦できます。これがコールドスタート問題への解決策の一つです。

コンテンツベースの弱点

アプローチ③ ハイブリッド推薦 — 「いいとこ取り」

現実のシステムはほぼすべて、協調フィルタリングとコンテンツベースを組み合わせたハイブリッド型です。

Netflixは「あなたが今まで見た作品の特徴（コンテンツベース）」と「あなたに似た好みの視聴者が評価した作品（協調フィルタリング）」の両方を使い、数十種類のアルゴリズムを並列実行して最終的なスコアを算出しています。

---

3. 行列分解 — 数学的ブレークスルー

「評価行列」という大きな表

協調フィルタリングを数学的に表現すると、巨大な「評価行列」の問題になります。行（タテ）にユーザー、列（ヨコ）にアイテムを並べた表を想像してください。各マスには、そのユーザーがそのアイテムに付けた評価が入ります。

       映画A  映画B  映画C  映画D  映画E
ユーザー1:  5     4     ?     ?     ?
ユーザー2:  ?     5     4     ?     3
ユーザー3:  4     ?     ?     5     ?
ユーザー4:  ?     3     ?     4     5

「?」が欠損値——まだ評価していない（つまり見ていない）作品です。推薦システムの仕事は、この「?」を予測することです。Netflixのように数千万人のユーザーと数万本の作品があると、99%以上が「?」の巨大な疎行列になります。

行列分解（Matrix Factorization）の発想

Netflix Prizeで優勝したチームが世界に示したブレークスルーが「行列分解」です。

考え方はエレガントです。巨大な評価行列を、2つの小さな行列の掛け算で近似できるという発想です。

評価行列（ユーザー×アイテム）
  ≈ ユーザー行列（ユーザー×潜在因子）
  × アイテム行列（潜在因子×アイテム）

「潜在因子（Latent Factor）」とは何でしょうか。映画の例で言えば、「アクション度」「お笑い度」「感動度」「重厚感」のような、映画の性質を表す隠れた軸です。ユーザーもこれらの軸ごとの好み度（「アクションが好き度80点、お笑いが好き度20点…」）を持っています。

ユーザーと映画が共通の潜在因子空間で表現されると、内積（ベクトルの掛け算）で評価を予測できます。「あなたのアクション好き度 × 映画のアクション度 + あなたの感動好き度 × 映画の感動度 + …」の合計が、予測評価スコアになります。

これにより、数千万のユーザーと数万のアイテムの評価行列を、数百次元の潜在因子で効率的に扱えるようになりました。

アナロジー: 全国の食べ物の好みを「辛さ好き度・甘さ好き度・酸っぱさ好き度」の3軸で表現するようなものです。3,000万人の好みを3つの数値でコンパクトに記述し、新しい料理の評価も3つの特徴量から予測できます。

---

4. ディープラーニング時代の推薦

行列分解は強力ですが、ユーザーの複雑な嗜好の変化や、時系列の文脈を捉えるのが苦手です。2010年代後半からは、ディープラーニングベースの推薦システムが急速に発展しました。

なぜディープラーニングが推薦を変えたか

従来の行列分解が「評価行列」という「どのアイテムをどう評価したか」の情報だけを使うのに対し、ディープラーニングは多様な情報を統合できます。

これらを同時に学習し、ユーザーの「今この瞬間の気分」まで推測できるようになりました。

Transformerと推薦システム

ChatGPTの基盤技術であるTransformerは、推薦システムにも革命をもたらしました。「ユーザーの行動履歴を文章として読む」アプローチです。

あなたの視聴履歴「映画A → 映画B → 映画C → ?」は、文章「単語A → 単語B → 単語C → 次の単語は？」と構造的に同じです。大規模言語モデル（LLM）の技術を転用した推薦モデルは、ユーザーの「嗜好のストーリー」を文脈として理解し、次に見たいものを予測します。

---

5. Netflix Prize — 推薦システムの歴史を変えた1億円の賞金

2006年、Netflixが仕掛けた挑戦

2006年10月、Netflixはある大胆な発表をしました。**賞金100万ドル（約1億円）のアルゴリズムコンテスト「Netflix Prize」**の開催です。条件は一つ——自社の推薦アルゴリズム「Cinematch」の精度を10%以上改善したチームに賞金を支払う、というものでした。

公開されたデータは、約48万人のユーザーによる1億件の映画評価（1〜5つ星）。世界186カ国から4万チーム以上が参加し、3年間にわたって競いました。

なぜたった10%の改善に100万ドルなのか

「10%の精度改善」という目標は、一見地味に見えます。しかし推薦システムの精度が10%上がることは、視聴者の満足度の大幅な向上、解約率の低下、コンテンツ制作の判断精度の向上を意味します。Netflixは「この改善の価値は賞金をはるかに上回る」と計算していました。

2009年9月——決着

2009年7月26日、「BellKor's Pragmatic Chaos」チームが10.06%の改善を達成し、30日後に賞金を獲得しました。AT&T Research（米国）、Commendo（オーストリア）、Pragmatic Theory（カナダ）、Yahoo! Research（イスラエル）の7人による国際チームです。

このコンテストが推薦システムの歴史に残る理由は、賞金の大きさだけではありません。

① 行列分解の台頭: 優勝アルゴリズムの核心は行列分解（SVD）でした。コンテストを機に、行列分解が業界標準となりました。

② アンサンブル学習の発見: 優勝チームは100を超える異なるアルゴリズムを組み合わせる「アンサンブル」手法を使いました。「最強の1つより、協調する100の方が強い」という発見は、その後のAI開発全体に影響しました。

③ オープンサイエンスの促進: 4万チームが日々アルゴリズムを公開・改善したことで、推薦システム研究が一気に加速しました。

歴史の皮肉: 実はNetflixは優勝したアルゴリズムをそのまま製品には採用しませんでした。100を超えるモデルを組み合わせた複雑なアンサンブルは、リアルタイム処理には計算コストがかかりすぎたのです。賞金に見合う価値は「技術知見の吸収と世界中の優秀な頭脳の獲得」にありました。

---

6. TikTokの推薦 — なぜ止まらないのか

For You ページの正体

TikTokを使ったことがある人なら、「スクロールを止めようとしたら気づいたら30分経っていた」という経験をしたことがあるでしょう。これは偶然ではありません。TikTokの推薦システムは、文字通り**「ユーザーをアプリに引き留める時間の最大化」**を目的として設計されています。

TikTokの「For You（おすすめ）」ページは、フォロワー数も投稿歴も関係ありません。昨日登録したばかりの無名のアカウントが、次の日に100万回再生されることがあります。推薦の判断基準は純粋に「この動画がこのユーザーにウケるか」のみです。

TikTokが見ている指標

TikTokのアルゴリズムが最も重視するのは以下の順です。

特に「完全視聴率」は他のプラットフォームに比べて格段に重視されています。なぜか——動画を最後まで見るというのは、「途中でスキップしなかった」という明確な「好き」のシグナルだからです。

「ランダム探索」と「精密化」のサイクル

TikTokが特に革新的なのは、推薦のプロセスです。

新しいユーザーが登録すると、TikTokはまず幅広いジャンルの動画をランダムに見せてテストします。どこで止めたか、何を最後まで見たか、何をスキップしたかを記録します。これが「探索フェーズ」です。

データが集まると、**精度を絞り込む「活用フェーズ」**に移ります。「この人は料理動画の中でも、和食より中華が好き、かつ10分以上の動画より60秒前後の動画を好む」という具体的なプロフィールが形成されます。

このサイクルが秒単位で繰り返されます。あなたが今見ている動画の結果が、次の1本を決める計算に即座にフィードバックされます。リアルタイムのAIが、リアルタイムであなたを学習しているのです。

なぜ止まらないか: 脳は「予測できない報酬」に最も強く反応します（可変報酬スケジュール）。TikTokのフィードは「次はどんな動画が来るかわからない」という状態を意図的に作り出しています。これはスロットマシンの設計原理と同じです。

---

7. YouTube — 「見続けてもらう」ための2段階設計

世界最大規模の推薦システム

YouTubeは毎分500時間分の動画がアップロードされるプラットフォームです。20億人以上のユーザーに対して、数十億本のコンテンツの中から「次の1本」を選ぶ——この規模の推薦システムを実現するために、Googleの研究チームが2016年に発表したのが「Deep Neural Networks for YouTube Recommendations」という論文です。

2段階アーキテクチャ

YouTubeの推薦は2段階で行われます。

第1段階: 候補生成（Candidate Generation）

数十億本の中から、あなたに関連しそうな数百本を選び出す段階です。精度よりもスピードが求められます。あなたの視聴履歴を高次元のベクトル（数値の並び）に変換し、そのベクトルに近い動画を高速で検索します。

この処理は「近似最近傍探索（Approximate Nearest Neighbor Search）」と呼ばれる技術で、ミリ秒以内に完了します。

第2段階: ランキング（Ranking）

候補の数百本から、最終的にホーム画面に表示する数十本を決める段階です。第1段階より遅くてもいい代わりに、精度が求められます。より多くの特徴量——動画のタイトル、サムネイル、コメント数、ユーザーの最近の行動、時刻、デバイス——を加えて精密にスコアを算出します。

YouTubeが最適化する指標

重要なのは、YouTubeが「再生回数」ではなく**「視聴時間」**を最適化しているという点です。クリックされても10秒で離脱される動画より、100万回再生で平均視聴時間8分の動画の方が高く評価されます。

これは2012年に変更された方針で、「クリックを稼ぐ釣りサムネイル」より「本当に面白いコンテンツ」が評価されるよう設計されました。

---

8. Spotify — 音楽推薦の最高峰「Discover Weekly」

毎週月曜日に届く「あなただけのプレイリスト」

2015年にSpotifyが開始した「Discover Weekly」は、推薦システムの成功事例として語り継がれています。毎週月曜日の朝、あなたがまだ聴いたことのない30曲を、あなたの好みにぴったり合わせてキュレーションしてくれる自動プレイリストです。

このプレイリストが革命的だったのは、**「AIが新しい音楽との偶発的な出会いを設計できる」**ことを証明したからです。

Spotifyが使う3つのモデル

Spotifyは3種類の異なる推薦アプローチを組み合わせています。

モデル① 協調フィルタリング

1億4,000万人のユーザーと3,000万曲のデータから「あなたに似た音楽の聴き方をする人が好む曲」を計算します。「評価」ボタンはSpotifyにはありませんが、代わりに暗黙のフィードバックを使います。

• 最後まで聴いたか（スキップしなかったか）
• プレイリストに追加したか
• アーティストページをクリックしたか

これらの行動の組み合わせから「この曲が好き」という情報を間接的に読み取ります。

モデル② 自然言語処理（NLP）

インターネット上の音楽ブログ、レビューサイト、歌詞サイトを収集し、特定の楽曲の周辺に登場する言葉を分析します。「メランコリック」「ドライブに合う」「90年代オルタナ感」などの言語的な文脈から、楽曲のキャラクターを学習します。

モデル③ 音声解析（Audio Analysis）

楽曲の音声そのものを分析します。テンポ、調性、音の明るさ、音量のダイナミクス、ボーカルの有無など、100以上の音響特徴量を抽出します。これにより、まだほとんど再生されていない新人アーティストの楽曲でも、「この音の感じがあなたの好みに近い」と判断できます。

数字で見るDiscover Weeklyの成果

Discover Weeklyのローンチから8ヶ月で、累計楽曲再生は10億回を突破しました。現在は累計1,000億回を超えています。「推薦システムが人間のキュレーターより面白い音楽を見つけられる」という事実を、Spotifyは最初に世界規模で証明しました。

---

9. Amazon — 「この商品を買った人は」の発明

20年以上前からあった「おすすめ」

Amazonの「この商品を買った人はこちらも買っています（Customers who bought this also bought）」は、2003年にGregory Lindenらが発表した論文「Amazon.com Recommendations: Item-to-Item Collaborative Filtering」に基づいています。20年以上前からAmazonは推薦システムを構築し、今もその基礎は変わっていません。

Amazonが解決した技術的課題

1990年代末、Amazonが直面した問題は「ユーザーの数が増えるほど、ユーザー同士の類似度計算が重くなりすぎる」というスケール問題でした。

解決策は、計算の対象を「ユーザー×ユーザー」から「アイテム×アイテム」に変えることでした。ユーザーは毎日何十万人も増減しますが、商品カテゴリの構造は比較的安定しています。「この商品と一緒に買われる商品ランキング」をあらかじめ計算してキャッシュしておけば、リアルタイムの計算コストを大幅に削減できます。

推薦が売上に与える影響

Amazonの公開データによると、サービス全体の売上の35%が推薦機能経由です。日本のAmazon.co.jpでは年間数兆円規模の売上があると推定されます。推薦の35%は兆円単位の貢献です。

現在のAmazonは、この古典的な手法に加え、自然言語処理（商品レビューの感情分析）、画像認識（類似商品の視覚的推薦）、LLMを活用した対話型推薦（「キャンプに持っていきたい調理器具は？」に答える形式）も組み合わせています。

---

10. フィルターバブルとエコーチェンバー — 推薦の「影」

便利さのトレードオフ

推薦システムには光の側面だけではなく、社会的な問題も存在します。

フィルターバブルとは、アルゴリズムによるパーソナライゼーションの結果、自分が「見たいもの」「同意できるもの」だけが表示され続け、異なる意見や情報が届かなくなる現象です。泡（バブル）の中に閉じ込められた状態、と表現されます。

エコーチェンバーとは、自分と似た意見を持つ人が集まるコミュニティの中で、同じ意見が増幅・強化され、「それが世界の標準だ」と信じるようになる現象です。音が壁に反響して大きくなるエコーチェンバー（響鳴室）に由来します。

フィルターバブルの仕組み

① あなたがAという意見の記事をクリック
② システムが「この人はAに興味がある」と判断
③ A関連のコンテンツをさらに推薦
④ あなたはAをさらに見る
⑤ ③→④が繰り返される
⑥ B・C・Dという視点はあなたのフィードに現れなくなる

これは悪意のある設計ではありません。クリック率・視聴継続率の最大化という目標を純粋に追求した結果として自然に生まれます。

社会への影響

総務省の情報通信白書は、フィルターバブルとエコーチェンバーが「インターネット上の集団分極化を引き起こし、民主主義を危険にさらす可能性がある」と指摘しています。

政治的な選好、医療に関する情報（ワクチン懐疑論など）、経済的な信念——これらがバブルの中で強化されると、社会の分断につながります。

2026年の対策動向

この問題への対応として、いくつかのアプローチが試みられています。

---

11. 2026年の推薦システム — 製品・サービス一覧

現在、推薦システムはどの分野でどう使われているかを整理します。

グローバルサービス

日本企業の活用事例

B2B向け推薦エンジンサービス（2026年）

企業が自社サービスに推薦機能を組み込むためのSaaS・APIサービスも充実しています。

---

12. 推薦システムを「活用する」ためのステップ

ユーザーとして賢く使う

推薦システムに「乗せられる」のではなく、意識的に活用するためのステップを紹介します。

ステップ① 推薦の「意図」を理解する

推薦システムは基本的に「プラットフォームの目標を達成する」ために動いています。NetflixはあなたがNetflixを見続けることを、AmazonはあなたがAmazonで買い物することを、TikTokはあなたがTikTokに居続けることを最優先に設計されています。

「おすすめ」を見たとき、「これは本当に自分が求めているものか？ それとも、私がクリックしやすいものを出しているだけか？」と問う習慣を持ちましょう。

ステップ② フィードバックを意図的に与える

推薦システムはあなたのシグナルを学習します。つまり、意図的にシグナルを与えることで、推薦の質をコントロールできます。

• YouTubeで見たくない動画に「興味なし」を設定する
• Spotifyで好きな曲をプレイリストに保存し、嫌いな曲はスキップする
• Netflixで高評価・低評価をつける
• Amazonで購入後にレビューを書く（推薦精度向上に貢献）

ステップ③ 意図的にバブルを破る

フィルターバブルに閉じ込められないために、定期的に「推薦されていないもの」にアクセスする習慣を持ちましょう。

• 月に1度、知らない国の料理を検索する
• 購読しているメディアと対立する視点のメディアを1つ読む
• Spotifyで「ジャンル探索」機能を使って、普段聴かないジャンルを試す

ステップ④ 「なぜ推薦されたか」を確認する

YouTubeは「なぜこの動画がおすすめされたか」を表示する機能があります。Spotifyも各プレイリストに選曲理由を示しています。透明性の高いサービスでは、この情報を積極的に参照しましょう。

ビジネスとして活用する

自社のECサイト、メディア、アプリに推薦機能を組み込みたい場合のステップです。

ステップ① まずデータを収集する設計から始める

推薦システムはデータなしには機能しません。最初に設計すべきは「どのユーザー行動データをどう記録するか」のデータ設計です。クリック、購入、滞在時間、スクロール深度——収集すべきシグナルを明確にしてから開発を始めます。

ステップ② 規模に合った手法を選ぶ

ステップ③ 評価指標を事業指標と連動させる

推薦システムの「精度」と「事業成果」は必ずしも一致しません。クリック率を最優先に最適化すると、釣りサムネイルが勝ってしまいます。

推薦システムに設定すべき正しい指標:

• Precision@K: 推薦した上位K件のうち、実際に関連があったものの割合
• Recall@K: 全関連アイテムのうち、推薦に含まれた割合
• NDCG: 関連性の高いアイテムほど上位に出ているかの評価
• Diversity: 推薦アイテムのジャンルや特性の多様性
• Serendipity: 予想外だったが気に入られた推薦の割合

---

この章のまとめ（3ポイント）

1. 推薦システムは「おすすめ機能」ではなく、現代デジタルサービスの収益インフラ。Netflixの売上35%、Amazonの売上35%が推薦経由であり、「何を見せるか」を決めるAIはビジネスの核心です

2. 技術の進化は「ユーザーの明示的な評価」から「行動の暗黙的シグナル」へ。協調フィルタリング→行列分解→ディープラーニング→Transformerと進化し、今や「今この瞬間の気分」まで予測できるようになりました

3. 便利さと多様性はトレードオフ。フィルターバブルとエコーチェンバーは推薦の「影」です。アルゴリズムが「あなたが見たいもの」を与え続けることで、あなたが「見るべきもの」に触れる機会が減ります。推薦を賢く使うには、意図的にバブルを破る習慣が必要です

---

もっと知りたい人へ

• 「Netflixのおすすめアルゴリズム」（note.com/masa_kazama）: Netflixの推薦技術の全体像を平易に解説した記事。本章の内容を実装レベルまで深堀りできます
• 「Deep Neural Networks for YouTube Recommendations」（Google Research）: YouTubeの2段階推薦アーキテクチャを解説した原著論文。機械学習エンジニアへの入口として最適
• 「Spotifyのレコメンデーションモデル」（note.com/takashiasayan）: Spotifyの3モデル（協調フィルタリング・NLP・音声解析）の仕組みを日本語でわかりやすく解説
• 『推薦システム実践入門』（O'Reilly Japan）: 日本語で読める推薦システムの網羅的な教科書。実装まで踏み込んで学びたい人向け
• 総務省「令和5年版 情報通信白書」フィルターバブル・エコーチェンバー章: 日本政府のレポートとして、フィルターバブル問題の現状と対策を整理した公的資料