ABEMAの提供するサービスの重要な柱の一つである、推薦/検索システムの開発、オフライン・オンライン検証、運用を行なっています。

Member

ML Engineer : 施策に応じた機械学習ロジックの開発およびレコメンド / 検索基盤への実装、新ロジックの研究を行う。

使用している主な技術

Python, Go, Vertex AI, AlloyDB, BigQuery, Kubernetes, Tableau, Github Actions, CircleCI, PipeCD, Matrix Factorization, Learn to Rank, Reinforcement Learning, Clustering, Gradient Boosting Decision Tree, Deep Neural Network

解決したい課題/ ユースケース

ABEMAに来訪したユーザが初めに訪れるホーム画面は、ユーザの嗜好に合わせたコンテンツを提示するほか、サービスのブランディングやユーザの興味の幅を広げるなどの意味を持つ、重要な画面です。ホーム画面における推薦の課題は、ただユーザの嗜好に合わせた推薦を行うだけでなく、ブランドコンテンツの訴求やユーザに新たな嗜好の発見を促すコンテンツの訴求などの相反する項目を踏まえた全体最適化を考える必要がある点にあります。また、ABEMAは基本無料で利用できるサービスとなりますが、高次のユーザ体験を提供するための有料プランも展開しています。そのため、無料サービスとしての質を担保しつつ、ABEMAをより快適に利用してもらうための有料機能の訴求も同時に行う必要があります。ABEMA推薦チームではこれらの課題にあたり、候補生成と横・縦方向ランキングを有機的に結合した面生成ロジック、生成AIを用いた推薦システムの構築、複数の指標を最適化するロジックなど、それに伴って要求される特徴量の開発などを行っています。

ユーザの検索体験の向上

解決したい課題/ ユースケース

ABEMAには検索窓(検索クエリを入力するフォーム)が用意されており、ユーザーが入力したクエリに対して検索結果を表示します。ユーザーの中には、視聴したいコンテンツが明確になっているユーザーもいれば、あるジャンルで無料で観られるコンテンツをざっくり探したいユーザもいるでしょう。検索チームでは、ABEMAのユーザーにとって「よい検索」とは何かを考えながら、検索システムの開発を行なっています。
ABEMAの検索システムは、Elasticsearchを始めとする全文検索エンジンだけでなく、検索結果を表示するUIやユーザーの検索を支援するクエリ提案アプリケーションなど、様々なコンポーネントが連動して成り立っています。そのため、各コンポーネントについて、オンラインテストを実施してデータドリブンに改善を行なっています。 たとえば全文検索エンジンでは、 ユーザーの行動ログを用いてCTRや0件ヒット率など検索精度に関わる改善や、レイテンシなどのシステムパフォーマンスに関わる改善を行ってきました。
今後は、機械学習を用いた検索結果のリランクやインクリメンタルサーチによるUIの変更など、ユーザーの試聴に繋がる可能性のある機能を検証していき、ユーザー体験のさらなる向上に貢献していきたいと考えています。

関連リンク

• ABEMA における LLM を用いたコンテンツベース推薦システム導入と効果検証
  https://speakerdeck.com/cyberagentdevelopers/introduction-and-effectiveness-verification-of-a-content-based-recommendation-system-using-llm-at-abema