コールドスタート問題 (Cold Start Problem)
解説
コールドスタート問題とは、レコメンドシステムにおいて、新規ユーザーや新規アイテムの情報（履歴データ）が不足しているために、適切な推薦ができなくなる問題のことです。
「初対面の人には何も勧められない」
レコメンドシステムは基本的に「過去のデータ」を燃料にして動きます。
エンジンが暖まっていない（データがない）状態では走り出せないことから「コールドスタート」と呼ばれます。大きく分けて2つのパターンがあります。
- ユーザーのコールドスタート：
登録したばかりの新規ユーザーは、「何を買ったか」「何を見たか」という履歴が真っ白なため、システムはその人の好みが分からず、おすすめを表示できません。 - アイテムのコールドスタート：
発売されたばかりの新商品は、まだ誰にも購入・評価されていないため、「どんな人が好む商品なのか」が分からず、誰にも推薦されません。
手法による耐性の違い
| 手法 | コールドスタートへの耐性 |
|---|---|
| 協調フィルタリング （行動履歴ベース） |
× 非常に弱い 「誰が買ったか」という履歴データが命なので、履歴がない新規ユーザー・新規アイテムには無力です。 |
| コンテンツベース （属性ベース） |
△ 比較的強い（アイテム側のみ） 新商品でも「アクション映画」という属性さえあれば、アクション好きの既存ユーザーに推薦できます。 ※ただし、新規ユーザーの好みは分からないため、ユーザー側には弱いです。 |
解決策（緩和策）
実務では、以下のような方法でこの問題を緩和します。
- ランキング提示：とりあえず「今売れているもの（人気ランキング）」を表示する。
- 初回アンケート：登録時に「好きなジャンルを選んでください」と聞いてしまう。
- ハイブリッド化：協調フィルタリングとコンテンツベースを組み合わせる。
G検定対策
出題ポイント
- 定義：履歴データ不足により、新規ユーザー・アイテムへの推薦精度が著しく低下する問題。
- 弱点：特に「協調フィルタリング」において致命的な問題となる。
- 対策：「ルールベース（ランキングなど）」や「コンテンツベース」を併用する（ハイブリッドレコメンデーション）。
よくあるひっかけ問題
- × コンテンツベースフィルタリングを採用すれば、コールドスタート問題は完全に解決する
（解説）解決しません。アイテム側の問題は緩和されますが、「新規ユーザーが何を好きか」というデータはないため、ユーザー側のコールドスタート問題は残ります。 - × コールドスタート問題は、ディープラーニングを使えばデータなしでも解決できる
（解説）どんな高度なAIでも、データ（ヒント）がゼロの状態では推論できません。必ず何らかの初期データ（アンケートや属性情報など）が必要です。
