システム開発の実務現場やスタートアップの事業戦略において、レコメンドシステムは単なる機能拡張ではなく、ビジネスモデルの成否を分けるコアエンジンです。特に、行動履歴が少ない段階での精度確保や、意外性のある提案（セレンディピティ）の創出は、顧客のLTV（顧客生涯価値）を最大化する上で欠かせません。
同時に、ユーザーを偏った情報に閉じ込める「フィルターバブル」を防ぐというAI倫理の観点からも、多様な提案が求められています。
長らく王道だった「行列分解（Matrix Factorization）」は優れた技術ですが、ユーザーとアイテムの直接的な関係（買った/見てない）に依存し、情報の広がりを捉えにくい弱点があります。
そこで現在、グラフニューラルネットワーク（GNN）が注目されています。
「グラフ理論は難しそう」と身構える必要はありません。「友達の友達は気が合うはず」という直感を数学的にモデル化した技術です。
今回は理論の解説を最小限に留め、「実際に動くコード」の記述に集中します。PythonとPyTorch Geometricを使用し、GNNの中でもシンプルでレコメンドに特化したLightGCNを採用します。
エディタを開き、ビジネス価値を生み出す次世代のレコメンドエンジンを構築しましょう。
なぜ「行列」ではなく「グラフ」なのか：レコメンド技術のパラダイムシフト
コードを書く前に、技術選定の理由をビジネスとシステムの両面から明確にしておきます。
協調フィルタリングが抱える「スパース性」と「コールドスタート」の壁
従来の協調フィルタリング、特に行列分解（Matrix Factorization）は、ユーザー×アイテムの巨大な相互作用行列を埋める作業です。しかし、現実のECサイト等で一人のユーザーが触れるアイテムは全体のほんの一部（多くの場合1%未満）です。この極めて疎（スパース）な状態では、行列を適切に分解して潜在ベクトルを学習することが難しく、高精度な推論のボトルネックとなります。
また、新規ユーザーや新商品には履歴データが存在せず、行列上に情報がないため推薦できない「コールドスタート問題」は、スタートアップの初期グロース戦略において、新規顧客の離脱を招く致命的な課題です。
高次接続性（High-order Connectivity）がもたらす精度の飛躍
ここで「グラフ」の出番です。グラフ構造では、ユーザーとアイテムを「ノード」、購入やクリック等のアクションを「エッジ」として表現します。
GNNの最大の強みは、「直接つながっていなくても、辿（たど）れる」特性にあります。
- ユーザーAがアイテムXを買った。
- ユーザーBもアイテムXを買った。
- ユーザーBはアイテムYも買っている。
このとき、ユーザーAとアイテムYの間に直接的なエッジはありませんが、User A -> Item X -> User B -> Item Y というパス（経路）が存在します。これを高次接続性（High-order Connectivity）と呼びます。
GNNはこのパスを通じて近隣ノードからの情報を伝播（メッセージパッシング）させます。「直接の履歴はないが構造的に近い」アイテムを見つけ出し、潜在的な関心を推論できるため、スパースなデータ環境下でも高い精度を実現できます。これは、ユーザーに新たな発見（セレンディピティ）を提供し、AI倫理が提唱する多様性の確保にも寄与します。
本記事で構築するモデルの全体像（LightGCNベース）
今回は、グラフベースのレコメンドモデルとして評価の高いLightGCNを実装します。
一般的なGNN（GCNなど）には非線形な活性化関数や重み行列による特徴変換が含まれますが、LightGCNの論文（2020年）では「協調フィルタリングにおいて複雑な演算はノイズになり学習を妨げる」と指摘されています。単純に「近隣の情報を集めて平均する（線形伝播）」手法が、計算コストを抑えつつ精度も向上することが示されました。
このシンプルな設計思想は、計算リソースに制約があり、スモールスタートでビジネスモデルを検証したい実プロダクトへの導入で大きなメリットとなります。PyTorch Geometric等の最新ライブラリを活用し、この効率的なモデルを簡潔に記述します。
Step 1：データセットの「グラフ構造化」前処理
GNNの実装で多くのプロジェクトが直面するのが、「手元のCSVログデータを、どうPyTorch Geometricが理解できる形に変換するか」というデータパイプラインの課題です。
ここでは、実務でよく扱われる user_id, item_id の列を持つインタラクションログ（CSV想定）から、グラフデータ構造を構築する具体的手順を解説します。
必要なライブラリのインポートと環境設定
まず開発環境を整えます。PyTorchとPyTorch Geometric（PyG）が必要です。
重要な注意点として、Numpy 2.x系の環境ではPyTorchや関連ライブラリとの互換性問題によるエラーが報告されています。安定動作のため、Numpy 1.x系（例：1.26.4など）の使用を推奨します。
import torch
import pandas as pd
import numpy as np
from sklearn.preprocessing import LabelEncoder
from torch_geometric.data import Data
from sklearn.model_selection import train_test_split
# Numpyのバージョン確認（トラブルシューティング用）
print(f"Numpy version: {np.__version__}")
# デバイスの設定
# CUDA（NVIDIA）, MPS（Mac）, CPUを自動判定
device = torch.device('cuda' if torch.cuda.is_available()
else 'mps' if torch.backends.mps.is_available()
else 'cpu')
print(f"Using device: {device}")
ユーザーIDとアイテムIDのノードマッピング戦略
GNNでは、すべてのノード（ユーザーとアイテム）を一意の連番ID（0, 1, 2...）で管理する必要があります。
実データでは、ユーザーIDが U001、アイテムIDが I999 のような文字列や、欠番のある数値であることが一般的です。そのままでは計算できないため、LabelEncoderを使ってこれらを「0から始まる密な通し番号」に変換します。
# ダミーデータの作成（実際はCSVから読み込んでください）
# user_id: ユーザー識別子, item_id: アイテム識別子
data = {
'user_id': [1, 1, 1, 2, 2, 3, 3, 3, 4, 1],
'item_id': [101, 102, 103, 101, 104, 102, 105, 106, 106, 106]
}
df = pd.DataFrame(data)
# IDのエンコーディング（0始まりの連番に変換）
user_encoder = LabelEncoder()
item_encoder = LabelEncoder()
df['user_idx'] = user_encoder.fit_transform(df['user_id'])
df['item_idx'] = item_encoder.fit_transform(df['item_id'])
num_users = df['user_idx'].nunique()
num_items = df['item_idx'].nunique()
print(f"Users: {num_users}, Items: {num_items}")
# 出力例: Users: 4, Items: 6
戦略的ポイントは、「同種グラフ」と「異種グラフ」のどちらで扱うかです。PyTorch Geometricには HeteroData という異種グラフ用構造もありますが、LightGCNをシンプルに実装する場合、全ノードを通し番号にして巨大な単一グラフとして扱うアプローチが標準的で、システム要件の複雑化を防ぎます。
つまり、User 0 は Node 0、Item 0 は Node (num_users + 0) として扱います。
インタラクションをエッジインデックス（Edge Index）へ変換する
PyTorch Geometricでは、エッジを隣接行列ではなく、[2, num_edges] の形状を持つ LongTensor で表現します。これは COO形式（Coordinate Format） と呼ばれ、疎行列（スパース行列）をメモリ効率よく扱う標準仕様です。
# ユーザーIDはそのままでOK（0 〜 num_users-1）
# アイテムIDには num_users を足して、IDが被らないようにオフセットする
user_nodes = torch.tensor(df['user_idx'].values, dtype=torch.long)
item_nodes = torch.tensor(df['item_idx'].values, dtype=torch.long) + num_users
# エッジインデックスの作成
# 無向グラフとして扱うため、User->Item と Item->User の両方向を追加するのが一般的
edge_index_user_to_item = torch.stack([user_nodes, item_nodes], dim=0)
edge_index_item_to_user = torch.stack([item_nodes, user_nodes], dim=0)
# 結合して双方向のエッジを持つグラフにする
edge_index = torch.cat([edge_index_user_to_item, edge_index_item_to_user], dim=1)
print(f"Edge Index Shape: {edge_index.shape}")
PyTorch Geometric形式（Dataオブジェクト）への格納手順
最後に、構築したエッジ情報を学習用とテスト用に分割し、PyGの Data オブジェクトに格納します。
# 学習用とテスト用にエッジを分割
# ※実務上の注意：時系列データの場合は、ランダム分割ではなく時間軸での分割（過去データで学習、未来データでテスト）を強く推奨します
train_idx, test_idx = train_test_split(range(len(df)), test_size=0.2, random_state=42)
# 学習用エッジの抽出
train_user = user_nodes[train_idx]
train_item = item_nodes[train_idx]
# 学習用のみで双方向エッジを再構築
train_edge_index = torch.stack([train_user, train_item], dim=0)
train_edge_index = torch.cat([train_edge_index, torch.stack([train_item, train_user], dim=0)], dim=1)
# PyGデータオブジェクトの作成
data = Data(edge_index=train_edge_index)
# モデル内で使用するメタデータを付与
data.num_users = num_users
data.num_items = num_items
data.num_nodes = num_users + num_items
# GPU/MPS等のデバイスへ転送
data = data.to(device)
print("Graph Data Ready!")
これでグラフデータの準備が整いました。数万、数百万のユーザーを抱えるサービスでも、隣接行列のような巨大な行列を作らず、存在するエッジ（インタラクション）だけをリストで持つ方式により、インフラコストを抑えつつメモリ効率を維持した処理が可能です。
Step 2：GNNモデルアーキテクチャの実装
ここからLightGCNモデルを実装します。
LightGCNにおける非線形活性化関数の省略理由
LightGCNの特徴は「軽さ」です。通常のニューラルネットにある ReLU や Tanh といった活性化関数を使いません。協調フィルタリングではIDの埋め込み（Embedding）自体が学習対象であり、複雑な非線形変換は過学習を引き起こしやすいためです。無駄を省くことは、システムの保守性向上にも繋がります。
メッセージパッシングの実装詳細
PyTorch Geometricには LGConv というLightGCN専用レイヤーも用意されていますが、仕組みを理解するため、モデル全体をクラスとして定義します。
from torch_geometric.nn import LGConv
class LightGCN(torch.nn.Module):
def __init__(self, num_users, num_items, embedding_dim=64, num_layers=3):
super().__init__()
self.num_users = num_users
self.num_items = num_items
self.num_layers = num_layers
# 0. 初期埋め込み（User + Item の全ノード分）
self.embedding = torch.nn.Embedding(num_users + num_items, embedding_dim)
# 埋め込みの初期化（正規分布）
torch.nn.init.normal_(self.embedding.weight, std=0.1)
# 1. グラフ畳み込み層（LightGCNの核）
self.convs = torch.nn.ModuleList([LGConv() for _ in range(num_layers)])
def forward(self, edge_index):
# 最初の埋め込み取得
x = self.embedding.weight
# 各レイヤーの埋め込みを保存するリスト
embeddings = [x]
# 2. メッセージパッシング（近傍情報の集約）
for conv in self.convs:
x = conv(x, edge_index)
embeddings.append(x)
# 3. レイヤーごとの埋め込みベクトルの統合（平均をとるのが一般的）
# 初期の自分の特徴 + 1ホップ先 + 2ホップ先... を全部混ぜる
out = torch.stack(embeddings, dim=0)
out = torch.mean(out, dim=0)
return out
多層化による「近傍」情報の集約ロジック
このコードの forward メソッドで行っていることが「グラフ上での情報収集」です。
- 初期状態: 自分のIDだけの情報を持つ。
- 1層目: 直接つながっているノード（購入したアイテム、または購入したユーザー）の情報を少しもらう。
- 2層目: 「友達の友達」の情報をさらにもらう。
- 統合: これらを平均して、最終的な「自分の特徴ベクトル」とする。
num_layers=3 なら、3ステップ先（友達の友達の友達）までの影響を考慮できます。これが高次接続性の正体であり、ユーザーの潜在ニーズを掘り起こす鍵となります。
Step 3：学習ループと損失関数（BPR Loss）の最適化
モデル構築後、「学習」プロセスを作成します。
ランク学習（Learning to Rank）の重要性
レコメンドでは、「正解率（Accuracy）」よりも「順序（Ranking）」が重要です。ユーザーが好むものを、そうでないものより「上位に」表示できれば、コンバージョン率（CVR）の向上に直結します。
これに適しているのが BPR (Bayesian Personalized Ranking) Loss です。
ポジティブサンプルとネガティブサンプリングの実装
BPRは、「ユーザーが実際に買ったアイテム（ポジティブ）」と「買っていないアイテム（ネガティブ）」をペアにし、「ポジティブのスコアがネガティブより高くなるように」学習します。
def bpr_loss(users_emb, pos_items_emb, neg_items_emb):
# 内積でスコア（相性）を計算
pos_scores = torch.sum(users_emb * pos_items_emb, dim=1)
neg_scores = torch.sum(users_emb * neg_items_emb, dim=1)
# Loss計算: -ln(sigmoid(pos - neg))
loss = -torch.mean(torch.nn.functional.logsigmoid(pos_scores - neg_scores))
return loss
# ネガティブサンプリング関数
def sample_negative(num_users, num_items, df, batch_size):
# 実際はもっと高速なライブラリを使うべきですが、原理説明のため簡易実装
users = np.random.randint(0, num_users, batch_size)
neg_items = []
# ユーザーごとに、まだ買っていないアイテムをランダムに1つ選ぶ
# (ここでは簡略化のため、既存チェックを省いてランダムに選ぶ「簡易版」とします)
# 実務では、必ず「履歴にないこと」を確認してください
neg_items = np.random.randint(0, num_items, batch_size)
return torch.tensor(users).to(device), torch.tensor(neg_items).to(device)
学習プロセスの実行
学習ループを実行します。
model = LightGCN(num_users, num_items).to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
EPOCHS = 30 # デモ用なので短めに
BATCH_SIZE = 1024
model.train()
for epoch in range(EPOCHS):
# エッジインデックス全体を使ってメッセージパッシングを行い、全ノードの埋め込みを更新
out_emb = model(data.edge_index)
# バッチ学習のためのサンプリング（ここでは簡易的に実装）
# 実際はDataLoaderを使って効率的にバッチ化します
users_idx, neg_items_idx = sample_negative(num_users, num_items, df, BATCH_SIZE)
# ポジティブアイテムは、学習データからランダムに選ぶ（簡易実装）
# 本来はusers_idxに対応する正解アイテムを取得する処理が必要です
# ここではコードの構造を示すため、ランダムなposアイテムを仮定します
pos_items_idx = torch.randint(0, num_items, (BATCH_SIZE,)).to(device)
# 埋め込みベクトルの取得
# userは 0 ~ num_users-1, itemは num_users ~ num_users+num_items-1
batch_users_emb = out_emb[users_idx]
batch_pos_emb = out_emb[num_users + pos_items_idx]
batch_neg_emb = out_emb[num_users + neg_items_idx]
# Loss計算とバックプロパゲーション
loss = bpr_loss(batch_users_emb, batch_pos_emb, batch_neg_emb)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if epoch % 5 == 0:
print(f"Epoch {epoch}, Loss: {loss.item():.4f}")
Step 4：精度評価と推論パイプラインの構築
学習完了後、モデルを評価し実際のレコメンドリストを作成します。モデルのビジネス価値は、損失関数の低下だけでなく、ユーザー体験（UX）をどれだけ向上させられるかで決まります。
Recall@KとNDCG@Kによるモデル性能の計測
評価指標として、実務で頻繁に使用されるのが以下の2つです。
- Recall@K: ユーザーが実際に関心を持ったアイテムのうち、上位K個の推薦リストに含まれている割合（網羅性）。
- NDCG@K: 正解アイテムがリストの上位にあるほど高いスコアを与える指標（順位の妥当性）。
ここでは、PyTorchを使って簡易的にトップK推薦を生成するコードを紹介します。
def get_recommendations(user_id, model, k=10):
model.eval()
with torch.no_grad():
out_emb = model(data.edge_index)
user_emb = out_emb[user_id]
item_embs = out_emb[num_users:] # 全アイテムの埋め込み
# 内積（ドット積）で類似度スコアを計算
scores = torch.matmul(item_embs, user_emb)
# スコアが高い順にトップKを取得
_, top_k_indices = torch.topk(scores, k)
return top_k_indices.cpu().numpy()
# ユーザー0へのレコメンドを実行
rec_items = get_recommendations(0, model, k=5)
print(f"Recommended items for User 0: {rec_items}")
# 元のアイテムIDに戻す
print(f"Original Item IDs: {item_encoder.inverse_transform(rec_items)}")
実運用に向けた推論速度の課題と解決策（Faiss等の活用示唆）
上記のコードは torch.matmul で全アイテムとの計算を行っていますが、アイテム数が増えれば計算量は線形に増大し、リアルタイム性が損なわれます。
実務レベルのシステムアーキテクチャでは、学習した埋め込みベクトル（out_emb）を ベクトルデータベース（Vector Database） や 近似最近傍探索（ANN）ライブラリ に格納するのが一般的です。
- Pinecone / Weaviate / Qdrant: マネージドサービスとして提供されるベクトルデータベースです。スケーラビリティやフィルタリング機能に優れています。最新の機能や料金体系については、各サービスの公式サイトをご確認ください。
- Faiss (Facebook AI Similarity Search): Meta（旧Facebook）が開発したライブラリで、オンプレミス環境やローカルでの高速検索に適しています。
GNNの役割は「高品質なベクトル表現（Embedding）を作ること」に集中させ、検索（Retrieval）はこれらの専門エンジンに任せます。これが、スケーラブルでROIの高いシステムを構築するための定石です。
まとめ：次世代レコメンドを自社プロダクトへ
ここまで、行列分解からGNNへの転換、そしてLightGCNの実装までを解説しました。
重要なポイントを振り返ります。
- グラフ化: ユーザー行動をグラフとして捉えることで、データ間の見えないつながりを可視化できます。
- LightGCN: 複雑な非線形変換を削ぎ落とし、近傍への情報伝播に特化することで高精度かつ高速な学習を実現しました。
- 実装: PyTorch Geometricを活用すれば、直感的なコードで最先端のグラフニューラルネットワークを構築可能です。
この技術の導入により、新規ユーザーに対するコールドスタート問題の緩和や、埋もれていたロングテール商品の発掘といった、ビジネスインパクトの大きい課題解決が期待できます。さらに、多様なアイテムを推薦するセレンディピティの創出は、ユーザーの選択肢を広げ、公平で透明性の高いAI倫理の実践にも繋がります。
実運用においては、リアルタイムでのグラフ更新や大規模データでの分散学習など、さらに考慮すべきエンジニアリング課題が存在します。ぜひ今回の実装を第一歩として、技術とビジネスの両面から価値を生み出すレコメンドエンジンの構築に挑戦してみてください。
コメント