2026年10月9日
ポイント
●利用者が直前に見た商品などに推薦AIが強く依存する現象を、九つの実社会データで確認。
●AI内部で情報を保持する構造に着目し、直前の1件に依存する要因を解明。
●履歴に表れた利用者の関心を、より適切に反映する推薦技術の開発に期待。
概要
北海道大学大学院情報科学研究院の長谷山美紀教授、小川貴弘教授、藤後 廉准教授、櫻井慶悟助教、同大学大学院情報科学院修士課程の神崎恵土氏らの研究グループは、推薦AIにおいて、利用者が直前に閲覧・購入した1件の情報が推薦結果に強く影響する現象を、AIの内部構造の分析により明らかにしました。
ネット通販や動画・音楽配信サービスでは、利用者の閲覧・購買履歴を基に商品やコンテンツを推薦しています。しかし、直前の1件に強く依存する「最終アイテム依存」により、それ以前の履歴に含まれる有用な情報が十分に反映されない可能性があります。研究グループは、九つの実社会データを用いて最終アイテム依存を確認し、代表的な推薦モデルの内部構造を分析しました。その結果、処理前の情報を加える「残差接続」と、履歴の最後のアイテムに対応する情報を推薦に用いる仕組みが組み合わさることで、直前の情報への強い依存が生じることが明らかになりました。さらに、再学習せずに残差接続の強さを変更し、推薦が直前の情報に依存する度合いを調整することに成功しました。本研究成果は、直前に見た商品やコンテンツだけでなく、これまでの閲覧・購買履歴全体に表れた利用者の関心も適切に反映する推薦技術の設計・改良に役立つと期待されます。
なお、本研究成果は、2026年9月27日（日）～10月2日（金）に米国・ミネアポリスで開催された20th ACM Conference on Recommender Systems（RecSys 2026）にてMain Track (Long Paper)として発表されました。RecSysは推薦システム分野を代表する難関国際会議であり、今年のMain Track (Long Paper) の採択率は18％でした。
発表名：Residual Dominance as a Structural Account of Last-Item Reliance in Causal Self-Attention Recommenders（因果的自己注意推薦モデルにおける最終アイテム依存の構造的説明としての残差支配）
詳細はこちら
直前に見た商品の情報が「おすすめ」に強く影響する「最終アイテム依存」の概念図
