Databricksを活用してDELISH KITCHENのレシピレコメンドを開発した話

データ基盤について

弊社ではメダリオンアーキテクチャを採用したデータ基盤を作っております。



データソースとしてアプリやサーバーのイベントをDatabricksで読み込み、Bronze、Silver、GoldのレイヤーでETLを組んでいます。集計したデータはダッシュボードやAI/MLに活用しています。

DELISH KITCHENについて

エブリーでは三つの領域で、メディアの運営をしております。
その中でDELISH KITCHENは日本最大級のレシピ動画サービスになっております。専門家監修の5万本以上のレシピを動画とともに提供しているようなサービスです。

レシピレコメンド開発の背景

DELISH KITCHENのユーザー数とレシピ数の増加に伴い、ユーザーが好みのレシピを見つけるのが困難な状況でした。
そこで、DELISH KITCHENではユーザーの嗜好に寄り添ったアプリのパーソナライズに向けた開発を進めております。

レシピレコメンドについて

簡単にレシピレコメンドのご説明をします。



一番左がホーム画面になります。
ホーム画面をスクロールすると、最近見たレシピからおすすめというような、レシピの枠が出てきます。例えばここのから揚げをタップすると、全画面でレシピの動画が再生され始めますこの動画で実際に作る手順を確認ができます。また、レシピの詳細画面では栄養素や材料で作られているかなどを確認することができます。
今回のレコメンドはこの最近見たレシピがおすすめで、ここに出すレシピをどんなレシピにしたら良いかを考えます。

レシピレコメンドの全体構成

1. delta lakeにあるイベントログをデータソースとして、レコメンドするためのロジックを集計する
2. そのレコメンド結果をdelta lakeに保存
3. レコメンド結果をDelish ServerのRedisにデプロイし、アプリのリクエストに対してServerがレシピを返す
   

既存ロジックについて

既存のロジックは検索経由で視聴されたレシピのログをもとに集計しております。これはSQLでルールベースな集計しており、動画の視聴秒数が多いレシピ上位k件をレコメンドするといったようなロジックになっています。

既存ロジックの課題

• 視聴した動画が必ずしも興味があるレシピとは限らない
  ・動画を視聴しないユーザもいる
  ・ユーザの目的が動画の視聴をすることではなく、レシピを探しているため
  ・このようなユーザには材料などが見れるレシピ詳細の表示ログをもとにレコメンドしたい
  
• 複数のイベントログを組み合わせるとルールが複雑化
  ・レコメンドの精度を上げるためにルールが複雑化していくのは目に見えている
  ・今回のケースでいえば、「検索経由の視聴ログ」と「レシピ詳細の表示ログ」を組み合わせたいなど
  

どのような状態を目指していたか

ユーザーの好みに寄り添ったパーソナライズされたレシピレコメンドの実現を目指しました。

改善したかった課題はどれくらい解決されたか

よりユーザの嗜好に寄り添ったレコメンドを実現するために、ルールベースから候補生成とリランキングによるレコメンドを実装・検証しました。

どのような成果が得られたか

A/Bテストをしたところ、クリック率の改善がみられました。

より詳細な話を弊社のテックブログでもまとめています。もしご興味がありましたら、ご一読お願いします。