タップルは累計会員数2,000万人が利用し、自分の趣味や行きたい場所をきっかけに相手が見つけられる国内最大規模のマッチングアプリです。
良い出会いを提供するため、どんなユーザーを推薦するかに注力しておりレコメンドシステムの開発、分析を行っています。また、ユーザーが自身のプロフィール画像を登録がすることができ、登録される画像は機械学習フィルタと監視オペレータにより承認・否認処理を行なっています。

Member

Data Scientist : データから課題を発見し、解決策の提案、因果推論・統計的手法を用いた効果検証から意思決定までを一貫して担当
ML Engineer : レコメンドアルゴリズムなどのモデル開発とパイプライン構築を担当
Engineer : 施策の仕様策定、MLとの繋ぎこみ等、施策から開発リリースまで幅広く担当

使用している主な技術

Python, Tensorflow, Model Serving, CNN, gRPC, Kubernetes, Kubernetes Gateway API, Classification, Snowflake, Braze

レコメンドシステム

解決したい課題/ ユースケース

ユーザーとデートプランの2つのレコメンドシステムを運用しており、推薦アルゴリズムは協調フィルタリングやBandit Algorithmsなど様々ですが、ここではサービスの肝となるユーザーレコメンドについて説明します。
マッチングアプリにおけるユーザーレコメンドはECサイトの商品のレコメンドと似ていますが、決定的に違う点としては男性と女性の双方向性を考慮する必要があります。自分が「いいかも」をしても、相手から「ありがとう」が返ってこなければ、マッチ成立にはなりません。
そこでタップルでは、過去の「いいかも」の行動履歴から男女双方の好みを加味する協調フィルタリングベースのアルゴリズムを作成しています。男性から女性への興味スコアおよび女性から男性への興味スコアを算出し、これらを集約することで、双方向の興味スコアとして採用し並び替え、マッチングしそうな相手を推薦しています。また、システムとしてはオンプレの推薦基盤(phoenix)とGCPのvertex AIを利用し、オンプレとクラウドの両者の良さを取り入れようと模索しています。効果検証ではABテストを実施することで、施策の評価も行っています。

機械学習フィルタの開発

解決したい課題/ ユースケース

マッチングアプリサービスにおいて，ユーザーのプロフィール画像は多くのユーザーの目に触れる部分です．安心安全にサービスを利用できるようにタップルではプロフィール画像の登録時に審査を行なっています．タップルのプロフィール画像審査は，機械学習フィルタによる判定と監視オペレータによる最終的な承認・否認の決定を行なっており，当プロジェクトを担当するMLエンジニアはプロフィール画像として不適切と思われる画像を分類・識別するような機械学習フィルタの開発を行なっています．ここで識別される画像は，「芸能人の画像など明らかに本人ではないと判断できる画像」や「個人情報が含まれている画像」「他者の権利を侵害する画像」などの項目があり，監視オペレータは機械学習フィルタの判定結果を参考に審査結果を決定をしています．また開発・運用されている機械学習フィルタの精度や影響度はデータサイエンティストがダッシュボードにより監視可能な状態を作成することで，運用中のフィルタの見直しができる状態を作っています．

関連リンク

https://developers.cyberagent.co.jp/blog/archives/35119/
https://cadc.cyberagent.co.jp/2023/sessions/tapple-x-economics/
https://www.cyberagent.co.jp/way/list/detail/id=32296