ベトナム旅行レコメンドのAI研究に学ぶ「冷やし中華問題」

ECサイトやアプリにAIレコメンドを組み込もうとしたとき、最初に直面する壁がある。「ヘビーユーザーには精度が出るのに、新規ユーザーや購入回数の少ないユーザーにはまるで機能しない」という問題だ。

これを研究の世界では「コールドスタート問題」と呼ぶ。今回、香港大学などの研究チームがベトナムの宿泊予約データを使ってこの問題を検証した論文「ViHoRec」が公開された。

データはBooking.com・Traveloka・Ivivuという3つの予約プラットフォームから収集。6,832人のユーザーと560のホテルにまたがる18,267件のインタラクションを統合したベンチマークデータセットで、プラットフォームをまたいだホテル名の名寄せ処理や、プライバシー保護のためのID匿名化も施されている。

結果で興味深いのは、レビュー履歴が少ないユーザーに対するAI推薦の精度が、履歴の多いユーザーと比べて約半分以下に落ち込んだという点だ（BPR-MFのRecall@10が0.065対0.120）。しかも、高度な機械学習モデルより「似たユーザーの行動を参照する」シンプルなUserKNNという手法のほうが全体的に安定していた。

派手なモデルを使えば使うほど精度が上がるわけではない、という逆説がデータで示された格好だ。

「ベトナムのホテル予約の話」と読み飛ばすと、かなりもったいない。この研究が示す構造は、レコメンド機能を使う場面ならほぼどこにでも現れる。

たとえばnoteやShopifyでコンテンツや商品を出している場合、新規フォロワーや初購入者へのオススメ精度は既存ファンへの精度とは全く別物になる。「まだ履歴が少ない段階でどう関連コンテンツを提示するか」は、定着率にも直接影響する。

注目したいのは、ViHoRecが示した「シンプルな手法の強さ」だ。複雑なディープラーニングモデルより、UserKNN（行動パターンが似ているユーザーを見つけて参照する手法）のほうがコールドスタート環境では安定していた。言い換えると、「リッチなAIモデル」を導入する前に、「同じような行動をとっているユーザーを探す」設計が先に来るべきということになる。

AIエージェントに「入札制」を導入したら精度が上がった話でも触れたように、複雑な機構を重ねる前に「基準となる単純モデルでの精度」を確認するフェーズは省けない。高度さより設計の整合性、という原則はここでも生きている。

もう一つ見逃せないのが、研究チームが力を入れた「クロスプラットフォームの名寄せ処理」だ。同じホテルでも、Booking.comでは「Hanoi Galaxy Hotel」、Travelokaでは「Galaxy Hotel Hà Nội」のように表記が異なる。これを統一しないままレコメンドモデルに食わせても、同一のホテルが別物として認識されてしまい、精度が下がる。

これは日本でも起きていることで、たとえば複数のデータソースを手動で管理しているスプレッドシートや、複数ECサイトの在庫を一括管理しようとするときに「同じ商品が別名で登録されている」問題はよく起きる。

ViHoRecはこの名寄せプロセスを再現可能な形でGitHubに公開している（https://github.com/MinhNguyenDS/ViHoRec）。自分がデータを扱う場面でも、「まず名寄せの品質を上げる」「クリーンなデータを用意する」ことが、どんなAIモデルを選ぶよりも先に来るという教訓として読める。