SlideShare ist ein Scribd-Unternehmen logo
1 von 214
1	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
慶應義塾大学大学院 理工学研究科
2014年度下期 ビックデータ実践論
特別講義
DeNAの
大規模データマイニング活用した
サービス開発
株式会社ディー・エヌ・エー
濱田晃一
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
2	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆DeNAのサービス・データ規模
◆講師紹介
◆最後に
◆大規模データマイニング基盤構成
◆楽しさのマイニング
◆データマイニング活用したサービス開発
◆データマイニング活用によるサービス洗練
◆提供価値
◆事例:提供体験・アルゴリズム
◆活動
◆はじめに
3	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆DeNAのサービス・データ規模
◆講師紹介
◆最後に
◆大規模データマイニング基盤構成
◆楽しさのマイニング
◆データマイニング活用したサービス開発
◆データマイニング活用によるサービス洗練
◆提供価値
◆事例:提供体験・アルゴリズム
◆活動
◆はじめに
4	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
5	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Mobageの1日あたりの
ユーザアクション数?
6	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Mobageの1日あたりの
ユーザアクション数?
35億以上/Day
7	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
日本最大規模のWebサービス
Mobageの1日あたりの
ユーザアクション数?
35億以上/Day
8	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Mobageの1日あたりの
ログデータ量?
9	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Mobageの1日あたりの
ログデータ量?
1.2TB/Day
10	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
何の数値?
11	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
3.8倍
12	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
3.8倍
Install/Impression
(CTR x CVR)
13	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
3.8倍
Install/Impression
(CTR x CVR)
デモグラ区分でMobage全体のCTRxCVRやLTVが高いゲームのリスティングと比較した
パーソナルゲームレコメンドの数値増加効果(※1)
※1: 表示位置等、同条件での比較。2014年上期時点
14	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
3.8倍 9.7倍
デモグラ区分でMobage全体のCTRxCVRやLTVが高いゲームのリスティングと比較した
パーソナルゲームレコメンドの数値増加効果(※1)
Install/Impression
(CTR x CVR)
※1: 表示位置等、同条件での比較。2014年上期時点
15	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
9.7倍
※2: 利用継続数値: Install後のN日後のInstallゲームの来訪ユーザ数 等
利用継続数値/Impression
(※2)
3.8倍
Install/Impression
(CTR x CVR)
デモグラ区分でMobage全体のCTRxCVRやLTVが高いゲームのリスティングと比較した
パーソナルゲームレコメンドの数値増加効果(※1)
※1: 表示位置等、同条件での比較。2014年上期時点
16	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
3.8倍
効果規模例
9.7倍
興味と合い楽しめるゲームに出会えることにより
よりゲームを楽しみ継続してもらえる体験を提供
利用継続数値/Impression
(※2)
※2: 利用継続数値: Install後のN日後のInstallゲームの来訪ユーザ数 等
Install/Impression
(CTR x CVR)
デモグラ区分でMobage全体のCTRxCVRやLTVが高いゲームのリスティングと比較した
パーソナルゲームレコメンドの数値増加効果(※1)
※1: 表示位置等、同条件での比較。2014年上期時点
17	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
パーソナルレコメンデーション例
興味にあったゲームに出会い楽しめるレコメンド
行動・反応から興味を学習。使えば使うほど推薦内容が洗練されていく
自分の興味にあい 楽しみ継続利用する確率が高いゲーム
・各ユーザごとに、各レコメンドに対す
る反応から興味を学習 (強化学習)
自分がはまっているゲーム
User Reaction Log
Personalized Data
for Each User
Impression
Game Play Install
user_id, recdata
・ゲームプレイ特徴、ゲームインストー
ル特徴、インストール後継プレイ特徴、
の条件付き確率構造を学習
・各ユーザーごとに、プレイ特徴に応じ
た、各ゲームの継続利用確率を算出
分散処理: 機械学習
Click
Install
プレイ・継続特徴学習、利用継続確率
リアクション学習
Play Continuity
after install
18	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
12.7倍
19	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
効果規模例
サービス横断で親しいユーザを用いたパーソナル友達レコメンド効果
全体で友達成立しやすい人とのリスティング比較(※)
12.7倍
友達成立数/Impression
※表示位置等、同条件での比較。
20	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
効果規模例
サービス横断で友達を増やし
一緒にゲーム・コミュニティを楽しむ機会を創出
※表示位置等、同条件での比較。
サービス横断で親しいユーザを用いたパーソナル友達レコメンド効果
全体で友達成立しやすい人とのリスティング比較(※)
12.7倍
友達成立数/Impression
21	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
分散処理: 機械学習
パーソナルレコメンデーション例
サービス横断で友達を増やし
一緒にゲーム・コミュニティを楽しむ機会を創出
興味あるゲーム・コミュニティで親しいユーザ
一緒に楽しんでいるサービス
User Reaction Log
Personalized Data
for Each User
Impression
Service Access
user_id, recdata
・アクセス特徴、コミュニケーション特
徴から、各ユーザごとに、興味・個別
サービスでの他ユーザとの親密度、お
よび、ゲーム・プラットフォーム横断で
のユーザ間親密度を算出
Friend Request
Accept
サービス横断のユーザ親密度
Communication
・各ユーザごとに、各レコメンドに対す
る反応から興味を学習・洗練 (強化
学習)
リアクション学習
22	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
23	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
みなさんが学んでいる
データマイニング・機械学習
24	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
新たな価値提供の
ポテンシャルを持っている
みなさんが学んでいる
データマイニング・機械学習
25	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
今後、ぜひ学んだことを活かし
新たな価値あるサービスを作りあげてください
26	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
本日は
実際の大規模サービスでの
データマイニング・機械学習活用した
サービス開発・挑戦
に関し、お話しします
27	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆DeNAのサービス・データ規模
◆講師紹介
◆最後に
◆大規模データマイニング基盤構成
◆楽しさのマイニング
◆データマイニング活用したサービス開発
◆データマイニング活用によるサービス洗練
◆提供価値
◆事例:提供体験・アルゴリズム
◆活動
◆はじめに
28	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
講師
2010年6月
Mobageプラットフォーム全体の
データマイニング・機械学習活用したサービス開発・洗練
2011年4月~
・博士 - 量子統計場の理論(理論物理学)
・データマイニング+WEB@東京(TokyoWebmining) 主催。
 データマイニングの実活用コミュニティ。登録人数 1300人超。
濱田晃一 (@hamadakoichi)
・執筆:Mobageを支える技術
DeNA入社
ソーシャルゲームのデータマイニングチーム立上げ
Analytics Architect
DeNA全サービスの
データマイニング・機械学習活用したサービス開発・洗練
2014年10月~
・データマイニング・機械学習、等、各種講師資料も公開しています
http://slidesha.re/h6OeXn
29	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
数千万人の人々へ
各人のつながり・楽しみ・好み 個性にあった適切なサービス配信
日々35億以上の活動の活用
データマイニング・機械学習活用したサービス開発
活動
より適切なサービス提供
各人のつながり、楽しみ、好み、個性にあった
Social Graph
Objective Process
Fun PersonalityLike
Social Media
Data Mining
Machine Learning
30	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
ソーシャル・活動情報の活用により
より適切な情報・サービス配信される世界を実現したい
活動
より適切なサービス提供
各人のつながり、楽しみ、好み、個性にあった
Social Graph
Objective Process
Fun PersonalityLike
Social Media
Data Mining
Machine Learning
31	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
より適切なサービス提供
各人のつながり、楽しみ、好み、個性にあった
Social Graph
Objective Process
Fun PersonalityLike
Social Media
Data Mining
Machine Learning
ソーシャル・活動情報の活用により
より適切な情報・サービス配信される世界を実現したい
活動
世界中の人々が
個々人のつながり・楽しみ・好みにあった適切な情報・サービスを
自ら探さなくても得ることができる世界
32	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆DeNAのサービス・データ規模
◆講師紹介
◆最後に
◆大規模データマイニング基盤構成
◆楽しさのマイニング
◆データマイニング活用したサービス開発
◆データマイニング活用によるサービス洗練
◆効果規模
◆体験提供・アルゴリズム
◆提供価値
◆はじめに
33	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Eコマース ゲーム トラベル
コミュニケーション スポーツエンターテインメント
ベンチャー投資
DeNAの事業ポートフォリオ	
ヘルスケア キュレーション
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
35億Action以上/日
数千万人
有効会員
ユーザ行動
ソーシャルゲームプラットフォーム
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
1日35億超の行動情報
36
統計的有意な結果を
多くのユーザー体験へ還元
数千万人
1日35億超アクション
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
1日35億超の行動情報
37
統計的有意な結果を
多くのユーザー体験へ還元
統計的有意
データマイニング・機械学習の
結果の統計的有意性
数千万人
1日35億超アクション
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
1日35億超の行動情報
38
統計的有意な結果を
多くのユーザー体験へ還元
統計的有意 多くの人へ還元
データマイニング・機械学習の
結果の統計的有意性
多くのユーザー体験へ
還元できる
数千万人
1日35億超アクション
39	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆DeNAのサービス・データ規模
◆講師紹介
◆最後に
◆大規模データマイニング基盤構成
◆楽しさのマイニング
◆データマイニング活用したサービス開発
◆データマイニング活用によるサービス洗練
◆提供価値
◆事例:提供体験・アルゴリズム
◆活動
◆はじめに
40	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
データマイニング活用によるサービス洗練
データマイニング・機械学習の活用により
迅速なサービス洗練を実現していますKafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
… …
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Unified Description of
Action/Status Log
Storm
Streaming
Elastic
Search
Similarity/Search
Hadoop DFS
HBase
Java
HUE
R
Perl
Hive
MapReduce
Pig
Online Storage
Batch
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
41	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
データマイニング活用によるサービス洗練
KPI(Key Performance Indicator)定常算出・共有
ビジネス・サービス変化を検知
Data Mining Infrastructure
KPI Views
KPI Inspection
42	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
データマイニング活用によるサービス洗練
経営判断・サービス洗練を行うための
データマイニング実行
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
43	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
データマイニング活用によるサービス洗練
データマイニング・機械学習 結果のサービス活用
より楽しんでもらえるサービスへKafka
Messaging
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Data-mining
Machine-Leaning
Results
44	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
データマイニング活用によるサービス洗練
データマイニング・機械学習の活用により
迅速なサービス洗練を実現していますKafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
… …
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Unified Description of
Action/Status Log
Storm
Streaming
Elastic
Search
Similarity/Search
Hadoop DFS
HBase
Java
HUE
R
Perl
Hive
MapReduce
Pig
Online Storage
Batch
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
45	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆DeNAのサービス・データ規模
◆講師紹介
◆最後に
◆大規模データマイニング基盤構成
◆楽しさのマイニング
◆データマイニング活用したサービス開発
◆データマイニング活用によるサービス洗練
◆提供価値
◆事例:提供体験・アルゴリズム
◆活動
◆はじめに
46	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
詳細行動情報
目的・感情が分かる詳細行動情報
47	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
詳細行動情報
目的・感情が分かる詳細行動情報
ミッション ボス挑戦
勝つ 負ける
48	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
詳細行動情報
目的・感情が分かる詳細行動情報
ミッション ボス挑戦
勝つ 負ける
ステータスアップ
49	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
詳細行動情報
目的・感情が分かる詳細行動情報
ミッション ボス挑戦
勝つ 負ける
ステータスアップ
応援 プレゼント
ウィンク仲間申請
交換
50	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
詳細行動情報
目的・感情が分かる詳細行動情報
ミッション ボス挑戦
勝つ 負ける
ステータスアップ
応援 プレゼント
助け合う
ウィンク仲間申請
交換
51	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
詳細行動情報
目的・感情が分かる詳細行動情報
ミッション ボス挑戦
勝つ 負ける
ステータスアップ
応援 プレゼント
助け合う
ウィンク仲間申請
交換
水やり 収穫
種まき耕す
捕獲
52	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
詳細行動情報
目的・感情が分かる詳細行動情報
ミッション ボス挑戦
勝つ 負ける
ステータスアップ
応援 プレゼント
助け合う
ウィンク仲間申請
交換
水やり 収穫
種まき耕す
捕獲
育成
53	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
詳細行動情報
目的・感情が分かる詳細行動情報
…
ミッション ボス挑戦
勝つ 負ける
ステータスアップ
応援 プレゼント
助け合う
ウィンク仲間申請
交換
水やり 収穫
種まき耕す
捕獲
育成
アイテム合成
アイテム取得
収集
…
54	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
詳細行動情報
目的・感情が分かる詳細行動情報
よりユーザ趣向を理解した深い解析
楽しさのマイニング
…
ミッション ボス挑戦
勝つ 負ける
ステータスアップ
応援 プレゼント
助け合う
ウィンク仲間申請
交換
水やり 収穫
種まき耕す
捕獲
育成
アイテム合成
アイテム取得
収集
…
55	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
楽しさのマイニング
楽しさのマイニング
ユーザー体験へ還元
Social Media
Experience
56	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
楽しさのマイニング
楽しさのマイニング
ユーザー体験へ還元
Social Media
Experience
Social Graph
Detailed Actions
Social Communications
Changes of Status
Personality ..etc
57	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
楽しさのマイニング
楽しさのマイニング
ユーザー体験へ還元
Social Graph
Data Mining
Machine Learning
of Fun
Social Media
Experience
Detailed Actions
Social Communications
Changes of Status
Personality ..etc
58	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
楽しさのマイニング
楽しさのマイニング
ユーザー体験へ還元
Social Graph
Data Mining
Machine Learning
ClusteringPatternMining
Classification Regression Recommendation
of Fun
Social Media
Experience
TimeSeriesAnalysis StatisticalAnalysis
Detailed Actions
Social Communications
Changes of Status
NaturalLanguageProcessing ..etc
Personality ..etc
59	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
活動例(抜粋)
楽しさのマイニング
ユーザー体験へ還元
Social Graph
Data Mining
Machine Learning
ClusteringPatternMining
Classification Regression Recommendation
of Fun
Social Media
Experience
TimeSeriesAnalysis StatisticalAnalysis
Detailed Actions
Social Communications
Changes of Status
NaturalLanguageProcessing ..etc
Personality ..etc
60	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Recommendation
より楽しんでもらえるサービス推薦
活動例(抜粋): Recommendation
61	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Recommendation Strategy
推薦戦略
活動例(抜粋): Recommendation
62	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Recommendation Strategy
Memory Based Paradigm
(most user decision focused)
> 協調フィルタリング (users that play A play B)
> ソーシャルグラフ (user neighborhood)
> 強化学習 (user feedback)
> locality sensitive hashing (user profile similarity)
Model Based Paradigm
(most detailed experiments and rationale)
> パターンの学習と予測
 > latent semantic analysis (game text similarity)
 > artificial neural network
Emergent Intelligence Paradigm
(fastest adaptation)
> エージェントランダムウォーク(user similarity search)
> 遺伝的アルゴリズム (game preference convergence)
Hybridized Intelligence Paradigm
(most successful globally)
> 手法の組合せによる向上
>> 友人がいないとき (e.g. new user)
>> 利用データが存在しないとき (e.g. new game)
>> モデルからメタデータが取得できないとき
> 混合手法によるこれらの課題解決
Standard Recommendation Methodologies
推薦戦略
活動例(抜粋): Recommendation
63	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Recommendation Strategy
Memory Based Paradigm
(most user decision focused)
> 協調フィルタリング (users that play A play B)
> ソーシャルグラフ (user neighborhood)
> 強化学習 (user feedback)
> locality sensitive hashing (user profile similarity)
Model Based Paradigm
(most detailed experiments and rationale)
> パターンの学習と予測
 > latent semantic analysis (game text similarity)
 > artificial neural network
Emergent Intelligence Paradigm
(fastest adaptation)
> エージェントランダムウォーク(user similarity search)
> 遺伝的アルゴリズム (game preference convergence)
Hybridized Intelligence Paradigm
(most successful globally)
> 手法の組合せによる向上
>> 友人がいないとき (e.g. new user)
>> 利用データが存在しないとき (e.g. new game)
>> モデルからメタデータが取得できないとき
> 混合手法によるこれらの課題解決
Standard Recommendation Methodologies
推薦戦略
活動例(抜粋): Recommendation
64	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Social Collaborative Filtering
Social Graph
Collaborative Filtering (Personal)
(Neighborhood Matrix Model for “A likes B”)
Input User History and
Neighborhood
Collaborative Filtering (Global)
(Global Matrix Model for “A likes B”)
Input User History
and Social Graph
RECSRECS
User with no friend [ex) New User]
User with friend
Relationship between Game A2 and C2
Item-Item Matrix of Relationships (Invented by Amazon.com)
Users who “bought A bought C”, “viewed A viewed C”…
There are thousands of collaborative filtering varieties:
+ user friend neighborhood…
+ user similarity clustered neighborhood…
References (International Research Copyrights)
Wikipedia Image of a Social Network
user
Friend of Friend
Friend
Neighborhood
ソーシャルグラフを用いたユーザー行動履歴・グラフによる推薦
活動例(抜粋): Recommendation
65	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Recommendation Strategy
Memory Based Paradigm
(most user decision focused)
> 協調フィルタリング (users that play A play B)
> ソーシャルグラフ (user neighborhood)
> 強化学習 (user feedback)
> locality sensitive hashing (user profile similarity)
Model Based Paradigm
(most detailed experiments and rationale)
> パターンの学習と予測
 > latent semantic analysis (game text similarity)
 > artificial neural network
Emergent Intelligence Paradigm
(fastest adaptation)
> エージェントランダムウォーク(user similarity search)
> 遺伝的アルゴリズム (game preference convergence)
Hybridized Intelligence Paradigm
(most successful globally)
> 手法の組合せによる向上
>> 友人がいないとき (e.g. new user)
>> 利用データが存在しないとき (e.g. new game)
>> モデルからメタデータが取得できないとき
> 混合手法によるこれらの課題解決
Standard Recommendation Methodologies
推薦戦略
活動例(抜粋): Recommendation
66	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Content Similarity
コンテンツ類似度の利用
Similarity Game A2 and C2
Game A to B Cosine Similarity Matrix Smoothing Normalization
Game A to B Relationship Matrix
Cosine Similarity Equation
Latent Semantic Analysis via
Singular Value Decomposition
Statistical Z-Score removes Low
Confidence Scores
1	
2	
3	
4	 5	 6	
活動例(抜粋): Recommendation
67	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Social Neural Networks
ソーシャルグラフを用いたユーザー行動履歴・グラフによる推薦
Input User History
and Neighborhood
Wikipedia Image of a Social Network
G1
G2
G3
G4
G5
G6
G7
G8
G9
G1
G2
G3
G4
G5
G6
G7
G8
G9
1
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
HISTORY RECOMMENDATIONS
Social Graph
user
Friend of Friend
Friend
Neighborhood
活動例(抜粋): Recommendation
68	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Recommendation Strategy
Memory Based Paradigm
(most user decision focused)
> 協調フィルタリング (users that play A play B)
> ソーシャルグラフ (user neighborhood)
> 強化学習 (user feedback)
> locality sensitive hashing (user profile similarity)
Model Based Paradigm
(most detailed experiments and rationale)
> パターンの学習と予測
 > latent semantic analysis (game text similarity)
 > artificial neural network
Emergent Intelligence Paradigm
(fastest adaptation)
> エージェントランダムウォーク(user similarity search)
> 遺伝的アルゴリズム (game preference convergence)
Hybridized Intelligence Paradigm
(most successful globally)
> 手法の組合せによる向上
>> 友人がいないとき (e.g. new user)
>> 利用データが存在しないとき (e.g. new game)
>> モデルからメタデータが取得できないとき
> 混合手法によるこれらの課題解決
Standard Recommendation Methodologies
推薦戦略
活動例(抜粋): Recommendation
69	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Social Agent Emergence
エージェントによる隠されたグループ抽出
Sub-culture 1
Sub-culture 2
AGENT	 Random Walk
Genetic Algorithm
活動例(抜粋): Recommendation
70	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Recommendation Strategy
Memory Based Paradigm
(most user decision focused)
> 協調フィルタリング (users that play A play B)
> ソーシャルグラフ (user neighborhood)
> 強化学習 (user feedback)
> locality sensitive hashing (user profile similarity)
Model Based Paradigm
(most detailed experiments and rationale)
> パターンの学習と予測
 > latent semantic analysis (game text similarity)
 > artificial neural network
Emergent Intelligence Paradigm
(fastest adaptation)
> エージェントランダムウォーク(user similarity search)
> 遺伝的アルゴリズム (game preference convergence)
Hybridized Intelligence Paradigm
(most successful globally)
> 手法の組合せによる向上
>> 友人がいないとき (e.g. new user)
>> 利用データが存在しないとき (e.g. new game)
>> モデルからメタデータが取得できないとき
> 混合手法によるこれらの課題解決
Standard Recommendation Methodologies
推薦戦略
活動例(抜粋): Recommendation
71	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Hybrid Models
CF	
AGENT	
NN	
SIM	
RL	
Users that Like A Like B
Hybrid Model
Prediction
活動例(抜粋): Recommendation
72	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Memory Based Paradigm
(most user decision focused)
> 協調フィルタリング (users that play A play B)
> ソーシャルグラフ (user neighborhood)
> 強化学習 (user feedback)
> locality sensitive hashing (user profile similarity)
Model Based Paradigm
(most detailed experiments and rationale)
> パターンの学習と予測
 > latent semantic analysis (game text similarity)
 > artificial neural network
Emergent Intelligence Paradigm
(fastest adaptation)
> エージェントランダムウォーク(user similarity search)
> 遺伝的アルゴリズム (game preference convergence)
Hybridized Intelligence Paradigm
(most successful globally)
> 手法の組合せによる向上
>> 友人がいないとき (e.g. new user)
>> 利用データが存在しないとき (e.g. new game)
>> モデルからメタデータが取得できないとき
> 混合手法によるこれらの課題解決
Standard Recommendation Methodologies
Recommendation
より楽しんでもらえるサービス推薦
活動例(抜粋): Recommendation
73	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
活動例(抜粋)
楽しさのマイニング
ユーザー体験へ還元
Social Graph
Data Mining
Machine Learning
ClusteringPatternMining
Classification Regression Recommendation
of Fun
Social Media
Experience
TimeSeriesAnalysis StatisticalAnalysis
Detailed Actions
Social Communications
Changes of Status
NaturalLanguageProcessing ..etc
Personality ..etc
74	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Feature Analysis
楽しさの行動パターン、やめてしまう状況パターン
活動例(抜粋): Pattern/Clustering/Classification
75	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Feature Analysis
楽しさの行動パターン、やめてしまう状況パターン
Activity 1
Activity N, …
Clustering
Pattern Mining
Feature Analysis
F1
F2
E1
E1
F3
F4
F5
Regression
Classification
活動例(抜粋): Pattern/Clustering/Classification
76	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
活動例(抜粋)
■楽しさの行動パターン
Feature Analysis/Prediction
楽しさの行動パターン、やめてしまう状況パターン
■やめてしまう状況パターン
77	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
活動例(抜粋)
■楽しさの行動パターン
Feature Analysis/Prediction
楽しさの行動パターン、やめてしまう状況パターン
■やめてしまう状況パターン
⇒夢中になる体験をしてもらう
・夢中になるきっかけ
78	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
活動例(抜粋)
■楽しさの行動パターン
⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。
⇒楽しさのパターンをサービス初期で体験。楽しさを理解。
⇒夢中になる体験をしてもらう
・夢中になるきっかけ
・楽しんでサービス継続している行動特徴
Feature Analysis/Prediction
楽しさの行動パターン、やめてしまう状況パターン
■やめてしまう状況パターン
79	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
活動例(抜粋)
■楽しさの行動パターン
⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。
⇒楽しさのパターンをサービス初期で体験。楽しさを理解。
■やめてしまう状況パターン
⇒夢中になる体験をしてもらう
・夢中になるきっかけ
・楽しんでサービス継続している行動特徴
・飽きはじめるきっかけ・不快な状況
⇒やめるきっかけを発生させないようにする。
Feature Analysis/Prediction
楽しさの行動パターン、やめてしまう状況パターン
80	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
活動例(抜粋)
■楽しさの行動パターン
⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。
⇒楽しさのパターンをサービス初期で体験。楽しさを理解。
■やめてしまう状況パターン
⇒他の楽しみ方の提供(他サービスへの推薦 等)
⇒夢中になる体験をしてもらう
・夢中になるきっかけ
・楽しんでサービス継続している行動特徴
・飽きはじめたユーザーの予測・判別
⇒新鮮・斬新な体験を提供する
・飽きはじめるきっかけ・不快な状況
⇒やめるきっかけを発生させないようにする。
Feature Analysis/Prediction
楽しさの行動パターン、やめてしまう状況パターン
81	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
活動例(抜粋)
■楽しさの行動パターン
⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。
⇒楽しさのパターンをサービス初期で体験。楽しさを理解。
■やめてしまう状況パターン
⇒他の楽しみ方の提供(他サービスへの推薦 等)
⇒夢中になる体験をしてもらう
・夢中になるきっかけ
・楽しんでサービス継続している行動特徴
・飽きはじめたユーザーの予測・判別
⇒新鮮・斬新な体験を提供する
・飽きはじめるきっかけ・不快な状況
⇒やめるきっかけを発生させないようにする。
Feature Analysis/Prediction
楽しさの行動パターン、やめてしまう状況パターン
82	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Feature Analysis/Prediction
楽しさの行動パターン、やめてしまう状況パターン
例)
活動例(抜粋): Pattern/Clustering/Classification
83	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Feature Analysis/Prediction
楽しさの行動パターン、やめてしまう状況パターン
例) Pattern Mining
F1
F2
E1
E1
F3
F4
F5
やめてしまう
夢中になり始める
活動例(抜粋): Pattern/Clustering/Classification
84	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Feature Analysis/Prediction
楽しさの行動パターン、やめてしまう状況パターン
例)
Activity 1
Activity N, …
Clustering
Pattern Mining
F1
F2
E1
E1
F3
F4
F5
やめてしまう
夢中になり始める
継続
離脱
活動例(抜粋): Pattern/Clustering/Classification
85	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Feature Analysis/Prediction
楽しさの行動パターン、やめてしまう状況パターン
例)
Activity 1
Activity N, …
Clustering
Pattern Mining
Feature Analysis
F1
F2
E1
E1
F3
F4
F5
Regression
Classification
やめてしまう
夢中になり始める
継続
離脱
活動例(抜粋): Pattern/Clustering/Classification
86	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Feature Analysis/Prediction
楽しさの行動パターン、やめてしまう状況パターン
Activity 1
Activity N, …
Clustering
Pattern Mining
Feature Analysis
F1
F2
E1
E1
F3
F4
F5
Regression
Classification
やめてしまう
夢中になり始める
継続
離脱
例)
User Experience
Improvement
活動例(抜粋): Pattern/Clustering/Classification
87	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
活動例(抜粋)
楽しさのマイニング
ユーザー体験へ還元
Social Graph
Data Mining
Machine Learning
ClusteringPatternMining
Classification Regression Recommendation
of Fun
Social Media
Experience
TimeSeriesAnalysis StatisticalAnalysis
Detailed Actions
Social Communications
Changes of Status
NaturalLanguageProcessing ..etc
Personality ..etc
88	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
活動例(抜粋): Time Series Analysis
異常な振る舞い	
複数時系列の異常検知
時系列A	
時系列B	 時系列C	
ケースA	
ケースB	
ケースC	
例2:CM効果のノイズ除去
異常な振る舞いの時系列を検出
異常な振る舞いをしているケースを
除外して、CMの効果を算出する
CM効果	
トラフィックA	
トラフィックB	
トラフィックC	
例1:トラフィック異常検知
異常な振る舞いをしている
トラフィックの原因を調査する
調査	
A	
B	
C	
時系列のモデリング
時系列A	
時系列B	
時系列C	
Anomaly detection
複数時系列から異常な振る舞いを検知する
89	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
活動例(抜粋): Time Series Analysis
異常スコア推移	
異常値	
t	
モデル構築
異常スコアの算出
◇例 : ARIMAモデル
◇例 : 対数損失	
Anomaly detection
新しいデータと過去時系列モデルの乖離から異常検出
90	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
CM時系列	
各KPIの時系列	
CM	
新規	
登録	
ARPU	
ARPP
U	
継続
率	
ケー
ス	
イベン
ト	
その
他	
外部	
要因	
活動例(抜粋): Time Series Analysis
TV Commercial Effects
時系列的な振る舞いの特徴から各KPIへのCMの影響度を算出
91	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
活動例(抜粋)
楽しさのマイニング
ユーザー体験へ還元
Social Graph
Data Mining
Machine Learning
ClusteringPatternMining
Classification Regression Recommendation
of Fun
Social Media
Experience
TimeSeriesAnalysis StatisticalAnalysis
Detailed Actions
Social Communications
Changes of Status
NaturalLanguageProcessing ..etc
Personality ..etc
92	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
活動例(抜粋)
■健全なプラットフォームへ
■ユーザーの声によるサービス洗練
 ・不正書き込み判別
 ・年齢詐称の判別
 ・ソーシャルコミュニケーションのテキストマイニング
Other Applications
他にも各種ユーザー体験向上に役立てています
 等
93	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
楽しさのマイニング
楽しさのマイニング
ユーザー体験へ還元
Social Graph
Data Mining
Machine Learning
ClusteringPatternMining
Classification Regression Recommendation
of Fun
Social Media
Experience
TimeSeriesAnalysis StatisticalAnalysis
Detailed Actions
Social Communications
Changes of Status
NaturalLanguageProcessing ..etc
Personality ..etc
94	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆DeNAのサービス・データ規模
◆講師紹介
◆最後に
◆大規模データマイニング基盤構成
◆楽しさのマイニング
◆データマイニング活用したサービス開発
◆データマイニング活用によるサービス洗練
◆提供価値
◆事例:提供体験・アルゴリズム
◆活動
◆はじめに
95	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆DeNAのサービス・データ規模
◆講師紹介
◆最後に
◆大規模データマイニング基盤構成
◆楽しさのマイニング
◆データマイニング活用したサービス開発
◆データマイニング活用によるサービス洗練
◆提供価値
◆事例:提供体験・アルゴリズム
◆活動
◆はじめに
96	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
データマイニング・機械学習 活用し
97	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
データマイニング・機械学習 活用し
楽しんでもらえるサービスをつくる
98	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
提供したいのは
新たな価値ある体験・サービス
99	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
提供したいのは
新たな価値ある体験・サービス
データマイニング・機械学習はあくまで手段
だが、新たな価値提供の 大きな源泉となる
100	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
提供したいのは
新たな価値ある体験・サービス
データマイニング・機械学習を活用し
体験提供・サービスとして よいものをつくる
データマイニング・機械学習はあくまで手段
だが、新たな価値提供の 大きな源泉となる
101	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
提供したいのは
新たな価値ある体験・サービス
データマイニング・機械学習を活用し
体験提供・サービスとして よいものをつくる
データマイニング・機械学習はあくまで手段
だが、新たな価値提供の 大きな源泉となる
実際にどのくらい価値があるのかは提供してみないとわからない
わからないことはやってみる。挑戦する
102	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
提供したいのは
新たな価値ある体験・サービス
データマイニング・機械学習を活用し
体験提供・サービスとして よいものをつくる
データマイニング・機械学習はあくまで手段
だが、新たな価値提供の 大きな源泉となる
実際にどのくらい価値があるのかは提供してみないとわからない
わからないことはやってみる。挑戦する
103	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
データマイニング・機械学習活用した
サービス開発
104	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
体験提供
105	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
分析
解決価値・効果高い課題設定を行う
新たな価値提供の余地・効果が高い、対象領域・ユーザクラスタ・特徴を明らかにする
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
体験提供
106	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
ユーザ体験設計・サービス設計
新たな提供体験・価値を考える
どのような新たな体験提供ができるか、どのような価値があるか、考え抜く
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
体験提供
2. ユーザ体験設計
Service
Front End
3. サービス設計
107	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
ユーザ体験設計・サービス設計
新たな提供体験・価値を考える
どのような新たな体験提供ができるか、どのような価値があるか、考え抜く
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
体験提供
2. ユーザ体験設計
Service
Front End
3. サービス設計
データマイニング・機械学習は新たな体験提供の大きな源泉となる
108	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
ユーザ体験設計・サービス設計
新たな提供体験・価値を考える
実際にどのくらい価値があるのかは提供してみないとわからない
体験提供
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析 2. ユーザ体験設計
Service
Front End
3. サービス設計
109	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
ユーザ体験設計・サービス設計
新たな提供体験・価値を考える
実際にどのくらい価値があるのかは提供してみないとわからない
体験提供
わからないことはやってみる。挑戦する
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析 2. ユーザ体験設計
Service
Front End
3. サービス設計
110	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
洗練サイクル設計・ログ設計・連携データ設計
洗練サイクルを設計する
ユーザが日々利用しているだけで、体験洗練されていくサイクルを設計する
体験提供
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
Feedback Log
Personalized Data
For each user
Service
Front End
2. ユーザ体験設計
4. 洗練サイクル設計
3. サービス設計
6. ログ設計
5. 連携データ設計
Distributed
Applications
YARN
HDFS
111	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
洗練サイクル設計・ログ設計・連携データ設計
洗練サイクルを設計する
ユーザが日々利用しているだけで、体験洗練されていくサイクルを設計する
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
体験提供
Feedback Log
Personalized Data
For each user
Service
Front End
2. ユーザ体験設計
4. 洗練サイクル設計
3. サービス設計
6. ログ設計
5. 連携データ設計
Distributed
Applications
YARN
HDFS
学習アルゴリズム、学習に必要なログ、連携データ、等、一連のサイクルをつくる
112	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
分散アルゴリズム設計
学習方法の分散アルゴリズムを設計する
大規模データでもスケールする学習アルゴリズム設計する
体験提供
Distributed
Applications
YARN
HDFS
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
Feedback Log
6. ログ設計
Personalized Data
For each user
Service
Front End
2. ユーザ体験設計
4. 洗練サイクル設計
5. 連携データ設計
3. サービス設計
7.分散アルゴリズム設計
113	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
分散アルゴリズム設計
学習方法の分散アルゴリズムを設計する
大規模データでもスケールする学習アルゴリズム設計する
体験提供
学習アルゴリズムを、分散可能なアルゴリズムに再構成する
Distributed
Applications
YARN
HDFS
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
Feedback Log
6. ログ設計
Personalized Data
For each user
Service
Front End
2. ユーザ体験設計
4. 洗練サイクル設計
5. 連携データ設計
3. サービス設計
7.分散アルゴリズム設計
114	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
分散アルゴリズム実装
体験提供
体験・サービス提供に適した形で実装・チューニングしていく
サービスに適した形で分散アルゴリズム実装する
Distributed
Applications
YARN
HDFS
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
Feedback Log
6. ログ設計
7.分散アルゴリズム設計
Personalized Data
For each user
Service
Front End
2. ユーザ体験設計
4. 洗練サイクル設計
8.分散実装
5. 連携データ設計
3. サービス設計
115	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
分散アルゴリズム実装
体験提供
体験・サービス提供に適した形で実装・チューニングしていく
サービスに適した形で分散アルゴリズム実装する
Distributed
Applications
YARN
HDFS
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
Feedback Log
6. ログ設計
7.分散アルゴリズム設計
Personalized Data
For each user
Service
Front End
2. ユーザ体験設計
4. 洗練サイクル設計
8.分散実装
5. 連携データ設計
3. サービス設計
各種アルゴリズムチューニングのトライを多く行いたい。必要なものは自分でつくる
116	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
分散アルゴリズム実装
体験提供
体験・サービス提供に適した形で実装・チューニングしていく
結果を分析し、体験・サービス・学習サイクルともに洗練していく
Distributed
Applications
YARN
HDFS
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
Feedback Log
6. ログ設計
7.分散アルゴリズム設計
Personalized Data
For each user
Service
Front End
2. ユーザ体験設計
4. 洗練サイクル設計
8.分散実装
5. 連携データ設計
3. サービス設計
117	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Distributed
Applications
YARN
HDFS
データマイニング・機械学習活用したサービス開発
新たな価値ある体験・サービス提供を考え、作り、挑戦し続ける
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
体験提供
Feedback Log
6. ログ設計
7.分散アルゴリズム設計
Personalized Data
For each user
Service
Front End
2. ユーザ体験設計
4. 洗練サイクル設計
8.分散実装
5. 連携データ設計
3. サービス設計
118	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆DeNAのサービス・データ規模
◆講師紹介
◆最後に
◆大規模データマイニング基盤構成
◆楽しさのマイニング
◆データマイニング活用したサービス開発
◆データマイニング活用によるサービス洗練
◆提供価値
◆事例:提供体験・アルゴリズム
◆活動
◆はじめに
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
119	
Appli Marketとの差異化
Appli Marketと異なり、ユーザアクティビティまで担うPF
アクティビティ・ソーシャルグラフを活用しユーザ体験・価値を最大化する
Social
(Friend/Communication)
Activity
×
モバ友
ゲーム内仲間
よく出会う人
(同チーム、上位ランカー)
impression
click
Install
Appli Market
(Google Play/ AppStore)
Activity PF+
PFコミュニケーション
(ミニメ、あいさつ、チャット、etc)
ゲーム内
コミュニケーション
利用継続プレイ
…
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
興味にあったサービスに出会え
親しい人と一緒に楽しめる情報・機会の提供
体験提供
日々サービスを利用しているだけで
ユーザひとりひとりが
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
User・Developer・PFに提供する価値
Mobage PF
User
興味に合うゲームに出会え
親しいユーザと一緒に楽しめる
Developer
提供ゲームに興味があり
親しいユーザどうしで楽しむ
継続利用・コイン消費してくれる
ユーザの獲得
より楽しんでもらえる機会を提供し
利用継続・コイン消費してもらえる
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
提供
Social Graph
Data Mining
Machine Learning
ClusteringPatternMining
Classification Regression Recommendation
of Fun
Social
Experience
TimeSeriesAnalysis StatisticalAnalysis
Detailed Actions
Social Communications
Changes of Status
NaturalLanguageProcessing ..etc
Personality ..etc
活動・ソーシャル情報の活用により
ひとりひとりそれぞれの興味・つながりにあった
より適切な情報・サービスの提供
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
提供
Social Graph
Data Mining
Machine Learning
ClusteringPatternMining
Classification Regression Recommendation
of Fun
Social
Experience
TimeSeriesAnalysis StatisticalAnalysis
Detailed Actions
Social Communications
Changes of Status
NaturalLanguageProcessing ..etc
Personality ..etc
活動・ソーシャル情報の活用により
ひとりひとりそれぞれの興味・つながりにあった
より適切な情報・サービスの提供
自ら探さなくてもそれらを得ることができる世界を実現したい
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
AGENDA
◆DeNAのサービス・データ規模
◆講師紹介
◆最後に
◆大規模データマイニング基盤構成
◆楽しさのマイニング
◆データマイニング活用したサービス開発
◆データマイニング活用によるサービス洗練
◆提供価値
◆事例:提供体験・アルゴリズム
◆活動
◆はじめに
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
提供
日々サービスを利用しているだけで
ユーザひとりひとりが
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
興味にあったゲームに出会え
親しい人と一緒に楽しめる情報・機会の提供
提供
日々サービスを利用しているだけで
ユーザひとりひとりが
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
興味にあったゲームに出会え
親しい人と一緒に楽しめる情報・機会の提供
提供
日々サービスを利用しているだけで
数千万人ひとりひとりに対し学習・算出し
サービス提供する
ユーザひとりひとりが
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
活動例: パーソナルレコメンデーション
各ユーザーに対し興味・サービス横断で親しいユーザを学習・算出
サービスを使えば使うほど内容が洗練されていく
興味のあるゲームに出会う 親しい人と一緒に楽しむ
友達を増やし一緒にゲーム・
コミュニティを楽しむ
(個別の学習、及び、ユーザ状況に応じたアルゴリズム自体の組合せ・選択)
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
129	
提供体験例
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
130	
提供体験例
興味にあったゲームに出会え
親しい仲間と複数ゲームを楽しめる
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
131	
提供体験例
興味にあったゲームに出会え
親しい仲間と複数ゲームを楽しめる
User
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
132	
提供体験例
興味にあったゲームに出会え
親しい仲間と複数ゲームを楽しめる
User
興味 興味 興味
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
133	
提供体験例
興味にあったゲームに出会え
親しい仲間と複数ゲームを楽しめる
User
興味 興味
User
興味
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
134	
提供体験例
興味にあったゲームに出会え
親しい仲間と複数ゲームを楽しめる
User
興味
親しさ
興味
User
興味
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
135	
提供体験例
興味にあったゲームに出会え
親しい仲間と複数ゲームを楽しめる
User
興味
親しさ
興味
User
興味 興味
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Social
Game
Communication
FriendCommunication
PF
Communication
PF
Activity
Game
Activity
Game
Impression
Game
Click
Game
Install
User
Impression
User
Click
AttentionActivity
提供体験例
興味にあったゲームに出会え、親しい仲間と複数ゲームを楽しめる
136	
PF
Friend
Game
Friend
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Social
Game
Communication
FriendCommunication
PF
Communication
PF
Activity
Game
Activity
Game
Impression
Game
Click
Game
Install
User
Impression
User
Click
AttentionActivity
提供体験例
興味にあったゲームに出会え、親しい仲間と複数ゲームを楽しめる
興味にあったゲームを
楽しめる
Interests
興味にあった
ゲームに出会う機会提供する
(興味軸でのゲームとの出会い)
137	
PF
Friend
Game
Friend
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Social
Game
Communication
FriendCommunication
PF
Communication
PF
Activity
Game
Activity
Game
Impression
Game
Click
Game
Install
User
Impression
User
Click
AttentionActivity
提供体験例
興味にあったゲームに出会え、親しい仲間と複数ゲームを楽しめる
興味にあったゲームを
楽しめる
Interests
興味にあった
ゲームに出会う機会提供する
(興味軸でのゲームとの出会い)
138	
PF
Friend
Game
Friend
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Social
PF
Friend
Game
Friend
Game
Communication
FriendCommunication
PF
Communication
PF
Activity
Game
Activity
Game
Impression
Game
Click
Game
Install
User
Impression
User
Click
AttentionActivity
提供体験例
興味にあったゲームに出会え、親しい仲間と複数ゲームを楽しめる
親しいユーザと
一緒に楽しめる
興味にあったゲームを
楽しめる
Interests
興味にあった
ゲームに出会う機会提供する
(興味軸でのゲームとの出会い)
親しいユーザが楽しんでいる
ゲームに出会う機会を提供する
(親しいユーザ軸でのゲームとの出会い)
139	
Familiarities
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Social
PF
Friend
Game
Friend
Game
Communication
FriendCommunication
PF
Communication
PF
Activity
Game
Activity
Game
Impression
Game
Click
Game
Install
User
Impression
User
Click
AttentionActivity
提供体験例
興味にあったゲームに出会え、親しい仲間と複数ゲームを楽しめる
親しいユーザと
一緒に楽しめる
興味にあったゲームを
楽しめる
Interests Familiarities
興味にあった
ゲームに出会う機会提供する
(興味軸でのゲームとの出会い)
親しいユーザが楽しんでいる
ゲームに出会う機会を提供する
(親しいユーザ軸でのゲームとの出会い)
140
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Social
PF
Friend
Game
Friend
Game
Communication
FriendCommunication
PF
Communication
PF
Activity
Game
Activity
Game
Impression
Game
Click
Game
Install
User
Impression
User
Click
AttentionActivity
提供体験例
興味にあったゲームに出会え、親しい仲間と複数ゲームを楽しめる
親しいユーザと
一緒に楽しめる
興味にあったゲームを
楽しめる
Interests Familiarities
興味にあった
ゲームに出会う機会提供する
(興味軸でのゲームとの出会い)
親しいユーザが楽しんでいる
ゲームに出会う機会を提供する
(親しいユーザ軸でのゲームとの出会い)
141
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Social
PF
Friend
Game
Friend
Game
Communication
FriendCommunication
PF
Communication
PF
Activity
Game
Activity
Game
Impression
Game
Click
Game
Install
User
Impression
User
Click
AttentionActivity
提供体験例
興味にあったゲームに出会え、親しい仲間と複数ゲームを楽しめる
親しいユーザと
一緒に楽しめる
興味にあったゲームを
楽しめる
Interests Familiarities
興味にあった
ゲームに出会う機会提供する
(興味軸でのゲームとの出会い)
親しいユーザが楽しんでいる
ゲームに出会う機会を提供する
(親しいユーザ軸でのゲームとの出会い)
142
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Social
PF
Friend
Game
Friend
Game
Communication
FriendCommunication
PF
Communication
PF
Activity
Game
Activity
Game
Impression
Game
Click
Game
Install
User
Impression
User
Click
AttentionActivity
提供体験例
興味にあったゲームに出会え、親しい仲間と複数ゲームを楽しめる
親しいユーザと
一緒に楽しめる
興味にあったゲームを
楽しめる
Interests Familiarities
興味にあった
ゲームに出会う機会提供する
(興味軸でのゲームとの出会い)
親しいユーザが楽しんでいる
ゲームに出会う機会を提供する
(親しいユーザ軸でのゲームとの出会い)
143	
親しいユーザが
増える
興味があうユーザと
出会い・親しくなれる
機会を提供する (友
達推薦・コミュニケー
ション推薦、等)
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Social
PF
Friend
Game
Friend
Game
Communication
FriendCommunication
PF
Communication
PF
Activity
Game
Activity
Game
Impression
Game
Click
Game
Install
User
Impression
User
Click
AttentionActivity
提供体験例
興味にあったゲームに出会え、親しい仲間と複数ゲームを楽しめる
親しいユーザと
一緒に楽しめる
興味にあったゲームを
楽しめる
Interests Familiarities
興味にあった
ゲームに出会う機会提供する
(興味軸でのゲームとの出会い)
親しいユーザが楽しんでいる
ゲームに出会う機会を提供する
(親しいユーザ軸でのゲームとの出会い)
144	
親しいユーザが
増える
興味があうユーザと
出会い・親しくなれる
機会を提供する (友
達推薦・コミュニケー
ション推薦、等)
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Social
PF
Friend
Game
Friend
Game
Communication
FriendCommunication
PF
Communication
PF
Activity
Game
Activity
Game
Impression
Game
Click
Game
Install
User
Impression
User
Click
AttentionActivity
提供体験例
興味にあったゲームに出会え、親しい仲間と複数ゲームを楽しめる
親しいユーザと
一緒に楽しめる
興味にあったゲームを
楽しめる
Interests
興味にあった
ゲームに出会う機会提供する
(興味軸でのゲームとの出会い)
親しいユーザが楽しんでいる
ゲームに出会う機会を提供する
(親しいユーザ軸でのゲームとの出会い)
親しいユーザが
増える
興味があうユーザと
出会い・親しくなれる
機会を提供する (友
達推薦・コミュニケー
ション推薦、等)
Familiarities
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Social
PF
Friend
Game
Friend
Game
Communication
FriendCommunication
PF
Communication
PF
Activity
Game
Activity
Game
Impression
Game
Click
Game
Install
User
Impression
User
Click
AttentionActivity
興味にあったゲームに出会え、親しい仲間と複数ゲームを楽しめる
親しいユーザと
一緒に楽しめる
興味にあったゲームを
楽しめる
Interests
興味にあった
ゲームに出会う機会提供する
(興味軸でのゲームとの出会い)
親しいユーザが楽しんでいる
ゲームに出会う機会を提供する
(親しいユーザ軸でのゲームとの出会い)
親しいユーザが
増える
興味があうユーザと
出会い・親しくなれる
機会を提供する (友
達推薦・コミュニケー
ション推薦、等)
Familiarities
提供体験例
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
147	
提供体験例
興味にあったゲームに出会い楽しむ
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
3.8倍
効果規模例
9.7倍
興味と合い楽しめるゲームに出会えることにより
よりゲームを楽しみ継続してもらえる体験を提供
※2: 利用継続数値: Install後のN日後のInstallゲームの来訪ユーザ数 等
※1: 表示位置等、同条件での比較。2014年上期実施。
Install/Impression
(CTR x CVR)
デモグラ区分でMobage全体のCTRxCVRやLTVが高いゲームのリスティングと比較した
パーソナルゲームレコメンドの数値増加効果(※1)
148	
Install後利用継続/Impression
(※2)
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
分散処理: 機械学習
パーソナルレコメンデーション例
興味にあったゲームに出会い楽しめるレコメンド
行動・反応から興味を学習。使えば使うほど推薦内容が洗練されていく
自分の興味にあい 楽しみ継続利用する確率が高いゲーム
・各ユーザごとに、各レコメンドに対す
る反応から興味を学習 (強化学習)
自分がはまっているゲーム
User Reaction Log
Personalized Data
for Each User
Impression
Game Play Install
user_id, recdata
・ゲームプレイ特徴、ゲームインストー
ル特徴、インストール後継プレイ特徴、
の条件付き確率構造を学習
・各ユーザーごとに、プレイ特徴に応じ
た、各ゲームの継続利用確率を算出
Click
Install
プレイ・継続特徴学習、利用継続確率
リアクション学習
Play Continuity
after install
149
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
解決した課題
150
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
解決する課題
既存の全員一様の表示では、ゲーム枠・表示数を追加しても
インストール数は伸びていない
デモグラセグメントごとに
全員一様のゲームを
40game以上
151	
表示ゲーム数を増やしても
インストール数は
全く伸びなかった
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
解決する課題
ユーザーがインストールしないゲームを表示し続け
他ゲームでのインストール機会を失っている
152
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
解決する課題
ユーザーがインストールしないゲームを表示し続け
他ゲームでのインストール機会を失っている
153	
ユーザそれぞれが興味ないゲームは
何度みてもやっぱり興味ない
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
課題解決
・ユーザーがインストールしないゲームを表
示し続け、他ゲームでのインストール機会
を失っている
行動学習 リアクション学習
課題
行動特徴・リアクション特徴の学習による Personal Recommendation
ユーザごとにInstall・利用継続 確率最大のゲームを理由をつけ推薦する
・全員一様のゲーム表示では、枠どうしで
奪いあうだけで、全体インストール数は増
加していない
Personal Recommendation
154	
・ユーザーごとに表示ゲームのリアク
ション学習(強化学習)。キューザごと
により興味あり、リアクションしやすい
ゲームを表示
・ユーザごとに各行動履歴から、各
ゲームの開始・利用継続の確率の確
率を算出。
※各ゲームがなぜ推薦されているか
の理由も合わせて表示
解決
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Bayesian Network
複数の事象の発生確率のネットワーク
⇒ ある事象が起こったとき、発生確率・期待値が最大となる事象を算出できる
155	
Aが起こったら、Bが起こる確率:P(B|A)
例:
 SG Play⇒SG Install:
  事象A        事象B
  ・怪盗 Play   ⇒ バルキリーズInstall
  ・ラグナ Play   ⇒ アヴァロン Install
  SG Play⇒SG Install & 利用継続:
  ・ガンロワ Play ⇒ GCC Install & 利用継続
  ・ Play   ⇒ GCC Install & 利用継続
A
B
C
D
E
F
G
H
I
J
K
…
P(E|A)
P(F|A)
P(H|E)
※入門資料:Personal Recommendation と Bayesian Network
http://www.slideshare.net/hamadakoichi/ss-4113135
http://www.slideshare.net/hamadakoichi/ss-4552939・Bayesian Network入門      :
・Personal Recommendation入門:
確率ネットワーク: Bayesian Network
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
処理概要
各ユーザ行動とインストール・利用継続の Bayesian Networkとリアクション強化学習
インストール・利用継続期待値が最大化となるゲームを推薦する
①全ユーザのアクション履歴から、
  「各アクションとGame Yを Installし利用継続、確率ネットワーク」 を算出
②個々のユーザのアクション
imp
③Reaction学習からの興味算出Probability
= ProbabilityByAction x ProbabilityByReaction
例: 行動特徴からのInstall 確率算出による算出
Probabilityの高い順に表示
user Title Ac/on
12345678 Game	A	プレイ 30
12345678 Game	B	プレイ 10
12345678 News	Topic	X		閲覧 30
user Title Interest
12345678 ガンロワ 0.8
12345678 バハムー
ト
0.2
A
B
C
D
E
F
G
H
I
J
Game Install Y
…
P(E|A)
P(F|A)
P(H|E)Y1
Y2
156
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
分散処理: 機械学習
パーソナルレコメンデーション例
興味にあったゲームに出会い楽しめるレコメンド
行動・反応から興味を学習。使えば使うほど推薦内容が洗練されていく
自分の興味にあい 楽しみ継続利用する確率が高いゲーム
・各ユーザごとに、各レコメンドに対す
る反応から興味を学習 (強化学習)
自分がはまっているゲーム
User Reaction Log
Personalized Data
for Each User
Impression
Game Play Install
user_id, recdata
・ゲームプレイ特徴、ゲームインストー
ル特徴、インストール後継プレイ特徴、
の条件付き確率構造を学習
・各ユーザーごとに、プレイ特徴に応じ
た、各ゲームの継続利用確率を算出
Click
Install
プレイ・継続特徴学習、利用継続確率
リアクション学習
Play Continuity
after install
157
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
158	
提供体験例
親しい人と一緒にゲーム楽しむ
(抜粋)
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
効果規模例
サービス横断で友達を増やし
一緒にゲーム・コミュニティを楽しむ機会を創出
※表示位置等、同条件での比較。
サービス横断で親しいユーザを用いたパーソナル友達レコメンド効果
全体で友達成立しやすい人とのリスティング比較(※)
12.7倍
友達成立数/Impression
159
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
分散処理: 機械学習
パーソナルレコメンデーション例
サービス横断で友達を増やし
一緒にゲーム・コミュニティを楽しむ機会を創出
興味あるゲーム・コミュニティで親しいユーザ
一緒に楽しんでいるサービス
User Reaction Log
Personalized Data
for Each User
Service Access
user_id, recdata
・アクセス特徴、コミュニケーション特
徴から、各ユーザごとに、興味・個別
サービスでの他ユーザとの親密度、お
よび、ゲーム・プラットフォーム横断で
のユーザ間親密度を算出
サービス横断のユーザ親密度
Communication
・各ユーザごとに、各レコメンドに対す
る反応から興味を学習・洗練 (強化
学習)
リアクション学習
160	
Impression
Friend Request
Accept
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
サービス横断での親密度・一緒に楽しめる度合い算出
各サービスへの興味、個別親密度の推定
サービス横断での親密度統合、一緒に楽しめるサービスの算出
Interest
(A,S)User A
Service S
Service T
・サービス横断での親密度
161
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
サービス横断での親密度・一緒に楽しめる度合い算出
各サービスへの興味、個別親密度の推定
サービス横断での親密度統合、一緒に楽しめるサービスの算出
Interest
(A,S)
familiarity
(S;A,B)
User A
Service S User B
Service T
User C
User D
familiarity
(S;A,C)
・サービス横断での親密度
162
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
サービス横断での親密度・一緒に楽しめる度合い算出
各サービスへの興味、個別親密度の推定
サービス横断での親密度統合、一緒に楽しめるサービスの算出
Interest
(A,S)
familiarity
(S;A,B)
User A
Service S User B
Service T
User C
User D
familiarity
(S;A,C)
・サービス横断での親密度
163
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
サービス横断での親密度・一緒に楽しめる度合い算出
各サービスへの興味、個別親密度の推定
サービス横断での親密度統合、一緒に楽しめるサービスの算出
Interest
(A,S)
familiarity
(S;A,B)
User A
Service S User B
Service T
User C
User D
familiarity
(S;A,C)
・サービス横断での親密度
164	
・親しい人と一緒に楽しめる度合い
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
サービス横断での親密度・一緒に楽しめる度合い算出
各サービスへの興味、個別親密度の推定
サービス横断での親密度統合、一緒に楽しめるサービスの算出
Interest
(A,S)
familiarity
(S;A,B)
User A
Service S Service UUser B Interest
(B,U)
Service T Service V
User C
User D
Interest
(D,U)
Interest
(D,V)
familiarity
(S;A,C)
・サービス横断での親密度
165	
・親しい人と一緒に楽しめる度合い
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
サービス横断での親密度・一緒に楽しめる度合い算出
各サービスへの興味、個別親密度の推定
サービス横断での親密度統合、一緒に楽しめるサービスの算出
Interest
(A,S)
familiarity
(S;A,B)
User A
Service S Service UUser B Interest
(B,U)
Service T Service V
User C
User D
Interest
(D,U)
Interest
(D,V)
familiarity
(S;A,C)
・サービス横断での親密度
166	
・親しい人と一緒に楽しめる度合い
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
AGENDA
◆DeNAのサービス・データ規模
◆講師紹介
◆最後に
◆大規模データマイニング基盤構成
◆楽しさのマイニング
◆データマイニング活用したサービス開発
◆データマイニング活用によるサービス洗練
◆提供価値
◆事例:提供体験・アルゴリズム
◆活動
◆はじめに
168	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Hadoopを用いた
大規模データマイニング基盤
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
Hadoopとは
大規模分散処理を行うための基盤
Hadoop
・Apache プロジェクト
・Java オープンソース
・Googleが2004年に発表した論文を実装
・主要コンポーネント
 ・分散ファイルシステム: HDFS (Hadoop Distributed File System)
 ・分散処理フレームワーク: Mapreduce
169
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
広告・ECサイト・検索・SNS等
大規模データを有するサービスで利用されている
Hadoopの主な利用企業
170
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
分散ファイルシステム:HDFS
HDFS
クライアント
NameNode
DataNode
クライアントからは
巨大な一つのストレージに
アクセスしているように見える
•  NameNode
–  Meta情報を持つ、ファイル名、レプリケーション数、ファイルの保存場所など
•  DataNode
–  実際のデータを格納するNode。ブロックサイズごとにファイルを分割して1
つのファイルを複数のNodeで保存
HDFS (Hadoop Distributed File System)
DataNodeを増やすことで大容量化が可能
171
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
分散ファイルシステム:HDFS
DataNode
1	
3	
2	
1	
2	
1	 1	
1	
2	
2	 2	3	
3	
3	1	
1	 1	2	
2	
2	
固定長ブロックに分割
ファイル
同一ブロックが複数のDataNodeに分散配置されることで
冗長性が担保される
同一ブロックが複数のDataNodeに
分散配置される(default 3)
172
Copyright	(C)	2014	DeNA	Co.,Ltd.	All	Rights	Reserved.	
分散処理フレームワーク: MapReduce
MapがkeyとValueにデータを振り分け、Reduceがkeyごとに集計
分散処理を実現する
Map
Shuffle & Sort
Reduce
userA	
3	
userD	
7	
userA	
1	
userC	
2	
userB	
6	
userD	
5	
User毎のPageView集計での例
大量データに対する
分散演算
演算結果の集計
userA	
3	
userA	
1	
userB	
6	
userC	
2	
userD	
5	
userD	
7	
userA	
4	
userB	
6	
userC	
2	
userD	
12	
userA	 userB	 userC	 userD	
key	
value	
173
174	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
175	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
大規模データマイニング・機械学習 活用した
サービス提供を支える基盤構成Kafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
… …
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Unified Description of
Action/Status Log
Storm
Streaming
Elastic
Search
Similarity/Search
Hadoop DFS
HBase
Java
HUE
R
Perl
Hive
MapReduce
Pig
Online Storage
Batch
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
176	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
KPI(Key Performance Indicator)定常算出・共有
ビジネス・サービス変化を検知
Data Mining Infrastructure
KPI Views
KPI Inspection
177	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
経営判断・サービス洗練を行うための
データマイニング実行
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
178	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
データマイニング・機械学習 結果のサービス活用
より楽しんでもらえるサービスへKafka
Messaging
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Data-mining
Machine-Leaning
Results
179	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
Hadoop DFS
全行動ログ/サービスデータ 投入
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Hadoop DFS
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
180	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
Vertica
個別サービスの高速アドホック集計・KPI定常集計
DeNA Data Mining Libraries
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Hadoop DFS
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
Service Log API
Service Log API
Service
Log API
181	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
Kafka
Pub/Sub Messaging. 複数処理系へデータ配信Kafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Hadoop DFS
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
182	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
Storm
ストリーム処理Kafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Storm
Streaming
Hadoop DFS
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
183	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
HBase
リアルタイム分散ストレージKafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Storm
Streaming
Hadoop DFS
HBase
Online Storage
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
184	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
Elastic Search
リアルタイム分散検索Kafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Storm
Streaming
Elastic
Search
Similarity/Search
Hadoop DFS
HBase
Online Storage
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
185	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
Pig/Hive
少ない記述量での中間集計/簡易KPI算出Kafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Storm
Streaming
Elastic
Search
Similarity/Search
Hadoop DFS
HBase
Hive
Pig
Online Storage
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
186	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
HUE
GUIベースの Hadoop解析環境/アクセス管理Kafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Storm
Streaming
Elastic
Search
Similarity/Search
Hadoop DFS
HBase
HUEHive
Pig
Online Storage
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
187	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
R
アドホックな統計解析・データマイニング・機械学習Kafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Storm
Streaming
Elastic
Search
Similarity/Search
Hadoop DFS
HBase
HUE
R
Hive
Pig
Online Storage
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
188	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
Perl MapReduce
分散シミュレーションKafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Storm
Streaming
Elastic
Search
Similarity/Search
Hadoop DFS
HBase
HUE
R
Perl
Hive
MapReduce
Pig
Online Storage
Batch
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
189	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
Java MapReduce
データマイニング・機械学習のサービス実装Kafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Storm
Streaming
Elastic
Search
Similarity/Search
Hadoop DFS
HBase
Java
HUE
R
Perl
Hive
MapReduce
Pig
Online Storage
Batch
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
190	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
Data Mining Libraries
各種ソーシャル行動解析用のデータマイニングライブラリKafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Storm
Streaming
Elastic
Search
Similarity/Search
Hadoop DFS
HBase
Java
HUE
R
Perl
Hive
MapReduce
Pig
Online Storage
Batch
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
191	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
統一行動記述
Kafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Unified Description of
Action/Status Log
Storm
Streaming
Elastic
Search
Similarity/Search
Hadoop DFS
HBase
Java
HUE
R
Perl
Hive
MapReduce
Pig
Online Storage
Batch
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
192	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
統一行動記述
ユーザー行動 時系列の
統一記述
193	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
統一行動記述
大規模サービスでよく生じる課題
大規模サービスでよく生じる課題
形式
置き場
194	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
統一行動記述
大規模サービスでよく生じる課題
大規模サービスでよく生じる課題
サービスごとにログフォーマットが異なる
・何を解析すればいいか分からない
・パラメータの値の意味が分からない
・類似の解析実装がサービスごとに
 複数存在する
形式
置き場
195	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
統一行動記述
大規模サービスでよく生じる課題
大規模サービスでよく生じる課題
ログの場所がばらばら・分散されている
サービスごとにログフォーマットが異なる
・何を解析すればいいか分からない
・パラメータの値の意味が分からない
・類似の解析実装がサービスごとに
 複数存在する
形式
置き場 ・どこにあるか分からず、解析時間より
 ログを探し・集める時間のほうが長い
196	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
統一行動記述
大規模サービスでよく生じる課題
大規模サービスでよく生じる課題
ログの場所がばらばら・分散されている
サービスごとにログフォーマットが異なる
・何を解析すればいいか分からない
・パラメータの値の意味が分からない
・類似の解析実装がサービスごとに
 複数存在する
形式
置き場
・データマイニング/機械学習よりも
 ログ収集・基礎集計作業がメイン
・データマイニング・機械学習 活用まで出来ない
・どこにあるか分からず、解析時間より
 ログを探し・集める時間のほうが長い
197	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
統一行動記述
統一行動ログによる解決
大規模サービスでよく生じる課題 統一行動記述での解決
ログの場所がばらばら・分散されている
サービスごとにログフォーマットが異なる
・何を解析すればいいか分からない
・パラメータの値の意味が分からない
・類似の解析実装がサービスごとに
 複数存在する
形式
置き場
・データマイニング/機械学習よりも
 ログ収集・基礎集計作業がメイン
・データマイニング・機械学習 活用まで出来ない
・どこにあるか分からず、解析時間より
 ログを探し・集める時間のほうが長い
198	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
統一行動記述
統一行動ログによる解決
・学習コストの低減
 データ形式・値の意味を調べる必要がない
大規模サービスでよく生じる課題 統一行動記述での解決
ログの場所がばらばら・分散されている
サービスごとにログフォーマットが異なる
・データマイニング・機械学習実装の 
 再利用/サービス横断解析が行える
統一スキーマ
・何を解析すればいいか分からない
・パラメータの値の意味が分からない
・類似の解析実装がサービスごとに
 複数存在する
形式
置き場
・データマイニング/機械学習よりも
 ログ収集・基礎集計作業がメイン
・データマイニング・機械学習 活用まで出来ない
・どこにあるか分からず、解析時間より
 ログを探し・集める時間のほうが長い
199	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
統一行動記述
統一行動ログによる解決
・学習コストの低減
 データ形式・値の意味を調べる必要がない
大規模サービスでよく生じる課題 統一行動記述での解決
ログの場所がばらばら・分散されている
サービスごとにログフォーマットが異なる
Hadoopに全てのログがある
・データマイニング・機械学習実装の 
 再利用/サービス横断解析が行える
統一スキーマ
・何を解析すればいいか分からない
・パラメータの値の意味が分からない
・類似の解析実装がサービスごとに
 複数存在する
・データ探索・収集時間ゼロ
  解析したいデータが全てある
形式
置き場
・データマイニング/機械学習よりも
 ログ収集・基礎集計作業がメイン
・データマイニング・機械学習 活用まで出来ない
・どこにあるか分からず、解析時間より
 ログを探し・集める時間のほうが長い
200	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
統一行動記述
統一行動ログによる解決
・学習コストの低減
 データ形式・値の意味を調べる必要がない
大規模サービスでよく生じる課題 統一行動記述での解決
ログの場所がばらばら・分散されている
サービスごとにログフォーマットが異なる
Hadoopに全てのログがある
・データマイニング・機械学習実装の 
 再利用/サービス横断解析が行える
統一スキーマ
・何を解析すればいいか分からない
・パラメータの値の意味が分からない
・類似の解析実装がサービスごとに
 複数存在する
・どこにあるか分からず、解析時間より
 ログを探し・集める時間のほうが長い
・データ探索・収集時間ゼロ
  解析したいデータが全てある
形式
置き場
・データマイニング/機械学習よりも
 ログ収集・基礎集計作業がメイン
・データマイニング・機械学習 活用まで出来ない
・大規模データ処理技術
・データマイニング/機械学習
それぞれの技術が活用できる
201	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤構成
大規模データマイニング・機械学習の活用
基盤技術でも挑戦を行うKafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Unified Description of
Action/Status Log
Storm
Streaming
Elastic
Search
Similarity/Search
Hadoop DFS
HBase
Java
HUE
R
Perl
Hive
MapReduce
Pig
Online Storage
Batch
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
202	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆DeNAのサービス・データ規模
◆講師紹介
◆最後に
◆大規模データマイニング基盤構成
◆楽しさのマイニング
◆データマイニング活用したサービス開発
◆データマイニング活用によるサービス洗練
◆提供価値
◆事例:提供体験・アルゴリズム
◆活動
◆はじめに
203	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
楽しさのマイニング
数千万人 1日35億超の行動情報
楽しさのマイニングによるユーザー体験還元
Social Graph
Data Mining
Machine Learning
ClusteringPatternMining
Classification Regression Recommendation
of Fun
Social Media
Experience
TimeSeriesAnalysis StatisticalAnalysis
Detailed Actions
Social Communications
Changes of Status
NaturalLanguageProcessing ..etc
Personality ..etc
204	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
適切な情報・サービス提供
ユーザ一人一人に対し、適切な情報・サービス提供
サービスを使えば使うほど内容洗練されていく
興味のあるゲームに出会う 親しい人と一緒に楽しむ
友達を増やし一緒にゲーム・
コミュニティを楽しむ
提供例:
205	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Distributed
Applications
YARN
HDFS
大規模データマイニング活用したサービス開発
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
体験提供
Feedback Log
6. ログ設計
7.分散アルゴリズム設計
Personalized Data
For each user
Service
Front End
2. ユーザ体験設計
4. 洗練サイクル設計
8.分散実装
5. 連携データ設計
3. サービス設計
データマイニング・機械学習活用し
新たな体験提供に挑戦する
206	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
大規模データマイニング基盤
Kafka
Messaging
DeNA Data Mining Libraries
Service Log API
Service Log API
Service
Log API
…
Data Mining Infrastructure
Business
Planning
KPI Views
KPI Inspection
Unified Description of
Action/Status Log
Storm
Streaming
Elastic
Search
Similarity/Search
Hadoop DFS
HBase
Java
HUE
R
Perl
Hive
MapReduce
Pig
Online Storage
Batch
Redundant, Reliable Storage
Data-mining
Machine-Leaning
Results
Vertica
大規模データ処理の技術挑戦
体験提供の質・トライ回数を向上させる
207	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
世界展開
世界中の人々の
楽しさのマイニング
208	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
世界展開
世界中の人々の
楽しさのマイニング
国民性・民族性にあった
サービス提供
209	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
世界中の人々へ
ソーシャル・活動情報の活用により
より適切な情報・サービス配信される世界を実現したい
Social Graph
Data Mining
Machine Learning
ClusteringPatternMining
Classification Regression Recommendation
of Fun
Social Experience
Activity
TimeSeriesAnalysis StatisticalAnalysis
Detailed Actions
Social Communications
Changes of Status
NaturalLanguageProcessing ..etc
Personality ..etc
210	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
世界中の人々へ
Social Graph
Data Mining
Machine Learning
ClusteringPatternMining
Classification Regression Recommendation
of Fun
Social Experience
Activity
TimeSeriesAnalysis StatisticalAnalysis
Detailed Actions
Social Communications
Changes of Status
NaturalLanguageProcessing ..etc
Personality ..etc
ソーシャル・活動情報の活用により
より適切な情報・サービス配信される世界を実現したい
世界中の人々が
個々人のつながり・楽しみ・好みにあった適切な情報・サービスを
自ら探さなくても得ることができる世界
211	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
みなさんが学んでいる
データマイニング・機械学習
212	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
新たな価値提供の
ポテンシャルを持っている
みなさんが学んでいる
データマイニング・機械学習
213	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
今後、ぜひ学んだことを活かし
新たな価値あるサービスを作りあげてください
214	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆DeNAのサービス・データ規模
◆講師紹介
◆最後に
◆大規模データマイニング基盤構成
◆楽しさのマイニング
◆データマイニング活用したサービス開発
◆データマイニング活用によるサービス洗練
◆提供価値
◆事例:提供体験・アルゴリズム
◆活動
◆はじめに

Weitere ähnliche Inhalte

Was ist angesagt?

Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Koichi Hamada
 
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換Koichi Hamada
 
DeNAのAIとは #denatechcon
DeNAのAIとは #denatechconDeNAのAIとは #denatechcon
DeNAのAIとは #denatechconDeNA
 
何故DeNAがverticaを選んだか?
何故DeNAがverticaを選んだか?何故DeNAがverticaを選んだか?
何故DeNAがverticaを選んだか?Kenshin Yamada
 
Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017Koichi Hamada
 
[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...
[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...
[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...Recruit Technologies
 
B2B2Cなヘルスケアサービスの作り方
B2B2Cなヘルスケアサービスの作り方B2B2Cなヘルスケアサービスの作り方
B2B2Cなヘルスケアサービスの作り方Tomohiro MITSUMUNE
 
リクルートのWebサービスを支える共通インフラ「RAFTEL」
リクルートのWebサービスを支える共通インフラ「RAFTEL」リクルートのWebサービスを支える共通インフラ「RAFTEL」
リクルートのWebサービスを支える共通インフラ「RAFTEL」Recruit Technologies
 
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation” 【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation” yoshitaka373
 
リクルートのWebサービスを支える「RAFTEL」
リクルートのWebサービスを支える「RAFTEL」リクルートのWebサービスを支える「RAFTEL」
リクルートのWebサービスを支える「RAFTEL」Recruit Technologies
 
ソーシャルウェブ と レコメンデーション -第4回データマイニング+WEB勉強会@東京
ソーシャルウェブ と レコメンデーション -第4回データマイニング+WEB勉強会@東京ソーシャルウェブ と レコメンデーション -第4回データマイニング+WEB勉強会@東京
ソーシャルウェブ と レコメンデーション -第4回データマイニング+WEB勉強会@東京Koichi Hamada
 
セキュリティ業務の内製とチームメンバー育成
セキュリティ業務の内製とチームメンバー育成セキュリティ業務の内製とチームメンバー育成
セキュリティ業務の内製とチームメンバー育成Toshiharu Sugiyama
 
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #HadoopLarge Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #HadoopKoichi Hamada
 
DAUを評価指標から捨てた会社の話 #tokyowebmining
DAUを評価指標から捨てた会社の話 #tokyowebminingDAUを評価指標から捨てた会社の話 #tokyowebmining
DAUを評価指標から捨てた会社の話 #tokyowebminingTokoroten Nakayama
 
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とデータ活用に向けた取組みリクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とデータ活用に向けた取組みRecruit Technologies
 
Case study of DevOps for Hadoop in Recruit.
Case study of DevOps for Hadoop in Recruit.Case study of DevOps for Hadoop in Recruit.
Case study of DevOps for Hadoop in Recruit.Recruit Technologies
 
リクルートにおけるPaaS活用事例
リクルートにおけるPaaS活用事例リクルートにおけるPaaS活用事例
リクルートにおけるPaaS活用事例Recruit Technologies
 
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~Recruit Technologies
 
強化学習を利用した自律型GameAIの取り組み ~高速自動プレイによるステージ設計支援~ #denatechcon
強化学習を利用した自律型GameAIの取り組み ~高速自動プレイによるステージ設計支援~ #denatechcon強化学習を利用した自律型GameAIの取り組み ~高速自動プレイによるステージ設計支援~ #denatechcon
強化学習を利用した自律型GameAIの取り組み ~高速自動プレイによるステージ設計支援~ #denatechconDeNA
 

Was ist angesagt? (20)

Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
 
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
 
DeNAのAIとは #denatechcon
DeNAのAIとは #denatechconDeNAのAIとは #denatechcon
DeNAのAIとは #denatechcon
 
何故DeNAがverticaを選んだか?
何故DeNAがverticaを選んだか?何故DeNAがverticaを選んだか?
何故DeNAがverticaを選んだか?
 
Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017
 
[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...
[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...
[Developers Summit 2015 講演資料] リクルートテクノロジーズ 14,000件/秒の配信を実現した リクルートのモバイルアプリを支え...
 
B2B2Cなヘルスケアサービスの作り方
B2B2Cなヘルスケアサービスの作り方B2B2Cなヘルスケアサービスの作り方
B2B2Cなヘルスケアサービスの作り方
 
リクルートのWebサービスを支える共通インフラ「RAFTEL」
リクルートのWebサービスを支える共通インフラ「RAFTEL」リクルートのWebサービスを支える共通インフラ「RAFTEL」
リクルートのWebサービスを支える共通インフラ「RAFTEL」
 
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation” 【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
 
リクルート式AIの活用法
リクルート式AIの活用法リクルート式AIの活用法
リクルート式AIの活用法
 
リクルートのWebサービスを支える「RAFTEL」
リクルートのWebサービスを支える「RAFTEL」リクルートのWebサービスを支える「RAFTEL」
リクルートのWebサービスを支える「RAFTEL」
 
ソーシャルウェブ と レコメンデーション -第4回データマイニング+WEB勉強会@東京
ソーシャルウェブ と レコメンデーション -第4回データマイニング+WEB勉強会@東京ソーシャルウェブ と レコメンデーション -第4回データマイニング+WEB勉強会@東京
ソーシャルウェブ と レコメンデーション -第4回データマイニング+WEB勉強会@東京
 
セキュリティ業務の内製とチームメンバー育成
セキュリティ業務の内製とチームメンバー育成セキュリティ業務の内製とチームメンバー育成
セキュリティ業務の内製とチームメンバー育成
 
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #HadoopLarge Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
 
DAUを評価指標から捨てた会社の話 #tokyowebmining
DAUを評価指標から捨てた会社の話 #tokyowebminingDAUを評価指標から捨てた会社の話 #tokyowebmining
DAUを評価指標から捨てた会社の話 #tokyowebmining
 
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とデータ活用に向けた取組みリクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
 
Case study of DevOps for Hadoop in Recruit.
Case study of DevOps for Hadoop in Recruit.Case study of DevOps for Hadoop in Recruit.
Case study of DevOps for Hadoop in Recruit.
 
リクルートにおけるPaaS活用事例
リクルートにおけるPaaS活用事例リクルートにおけるPaaS活用事例
リクルートにおけるPaaS活用事例
 
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
 
強化学習を利用した自律型GameAIの取り組み ~高速自動プレイによるステージ設計支援~ #denatechcon
強化学習を利用した自律型GameAIの取り組み ~高速自動プレイによるステージ設計支援~ #denatechcon強化学習を利用した自律型GameAIの取り組み ~高速自動プレイによるステージ設計支援~ #denatechcon
強化学習を利用した自律型GameAIの取り組み ~高速自動プレイによるステージ設計支援~ #denatechcon
 

Andere mochten auch

ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社
ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社
ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社Satoru Yamamoto
 
基礎からのベイズ統計学 輪読会資料 第1章 確率に関するベイズの定理
基礎からのベイズ統計学 輪読会資料 第1章 確率に関するベイズの定理基礎からのベイズ統計学 輪読会資料 第1章 確率に関するベイズの定理
基礎からのベイズ統計学 輪読会資料 第1章 確率に関するベイズの定理Ken'ichi Matsui
 
統計学の基礎の基礎
統計学の基礎の基礎統計学の基礎の基礎
統計学の基礎の基礎Ken'ichi Matsui
 
データマイニング入門
データマイニング入門データマイニング入門
データマイニング入門hrfm
 
10分でわかるPythonの開発環境
10分でわかるPythonの開発環境10分でわかるPythonの開発環境
10分でわかるPythonの開発環境Hisao Soyama
 
「Python言語」はじめの一歩 / First step of Python
「Python言語」はじめの一歩 / First step of Python「Python言語」はじめの一歩 / First step of Python
「Python言語」はじめの一歩 / First step of PythonTakanori Suzuki
 
python-twitterを用いたTwitterデータ収集
python-twitterを用いたTwitterデータ収集python-twitterを用いたTwitterデータ収集
python-twitterを用いたTwitterデータ収集Hikaru Takemura
 
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識PythonとRによるデータ分析環境の構築と機械学習によるデータ認識
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識Katsuhiro Morishita
 
野球Hack!~Pythonを用いたデータ分析と可視化 #pyconjp
野球Hack!~Pythonを用いたデータ分析と可視化 #pyconjp野球Hack!~Pythonを用いたデータ分析と可視化 #pyconjp
野球Hack!~Pythonを用いたデータ分析と可視化 #pyconjpShinichi Nakagawa
 
PythonによるWebスクレイピング入門
PythonによるWebスクレイピング入門PythonによるWebスクレイピング入門
PythonによるWebスクレイピング入門Hironori Sekine
 
Python 機械学習プログラミング データ分析ライブラリー解説編
Python 機械学習プログラミング データ分析ライブラリー解説編Python 機械学習プログラミング データ分析ライブラリー解説編
Python 機械学習プログラミング データ分析ライブラリー解説編Etsuji Nakai
 
Python東海Vol.5 IPythonをマスターしよう
Python東海Vol.5 IPythonをマスターしようPython東海Vol.5 IPythonをマスターしよう
Python東海Vol.5 IPythonをマスターしようHiroshi Funai
 
RとPythonによるデータ解析入門
RとPythonによるデータ解析入門RとPythonによるデータ解析入門
RとPythonによるデータ解析入門Atsushi Hayakawa
 
テスト駆動インフラ構築-Chefとserverspecを使ったインフラ自動化のすすめ-
テスト駆動インフラ構築-Chefとserverspecを使ったインフラ自動化のすすめ-テスト駆動インフラ構築-Chefとserverspecを使ったインフラ自動化のすすめ-
テスト駆動インフラ構築-Chefとserverspecを使ったインフラ自動化のすすめ-賢 秋穂
 
Scikit learnで学ぶ機械学習入門
Scikit learnで学ぶ機械学習入門Scikit learnで学ぶ機械学習入門
Scikit learnで学ぶ機械学習入門Takami Sato
 

Andere mochten auch (20)

ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社
ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社
ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社
 
企業における統計学入門
企業における統計学入門企業における統計学入門
企業における統計学入門
 
基礎からのベイズ統計学 輪読会資料 第1章 確率に関するベイズの定理
基礎からのベイズ統計学 輪読会資料 第1章 確率に関するベイズの定理基礎からのベイズ統計学 輪読会資料 第1章 確率に関するベイズの定理
基礎からのベイズ統計学 輪読会資料 第1章 確率に関するベイズの定理
 
統計学の基礎の基礎
統計学の基礎の基礎統計学の基礎の基礎
統計学の基礎の基礎
 
はじめての「R」
はじめての「R」はじめての「R」
はじめての「R」
 
データマイニング入門
データマイニング入門データマイニング入門
データマイニング入門
 
10分でわかるPythonの開発環境
10分でわかるPythonの開発環境10分でわかるPythonの開発環境
10分でわかるPythonの開発環境
 
「Python言語」はじめの一歩 / First step of Python
「Python言語」はじめの一歩 / First step of Python「Python言語」はじめの一歩 / First step of Python
「Python言語」はじめの一歩 / First step of Python
 
python-twitterを用いたTwitterデータ収集
python-twitterを用いたTwitterデータ収集python-twitterを用いたTwitterデータ収集
python-twitterを用いたTwitterデータ収集
 
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識PythonとRによるデータ分析環境の構築と機械学習によるデータ認識
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識
 
野球Hack!~Pythonを用いたデータ分析と可視化 #pyconjp
野球Hack!~Pythonを用いたデータ分析と可視化 #pyconjp野球Hack!~Pythonを用いたデータ分析と可視化 #pyconjp
野球Hack!~Pythonを用いたデータ分析と可視化 #pyconjp
 
PythonによるWebスクレイピング入門
PythonによるWebスクレイピング入門PythonによるWebスクレイピング入門
PythonによるWebスクレイピング入門
 
Python 機械学習プログラミング データ分析ライブラリー解説編
Python 機械学習プログラミング データ分析ライブラリー解説編Python 機械学習プログラミング データ分析ライブラリー解説編
Python 機械学習プログラミング データ分析ライブラリー解説編
 
Python東海Vol.5 IPythonをマスターしよう
Python東海Vol.5 IPythonをマスターしようPython東海Vol.5 IPythonをマスターしよう
Python東海Vol.5 IPythonをマスターしよう
 
RとPythonによるデータ解析入門
RとPythonによるデータ解析入門RとPythonによるデータ解析入門
RとPythonによるデータ解析入門
 
Pythonで簡単ネットワーク分析
Pythonで簡単ネットワーク分析Pythonで簡単ネットワーク分析
Pythonで簡単ネットワーク分析
 
Gensim
GensimGensim
Gensim
 
⼤企業で実現するイマドキの内製開発
⼤企業で実現するイマドキの内製開発⼤企業で実現するイマドキの内製開発
⼤企業で実現するイマドキの内製開発
 
テスト駆動インフラ構築-Chefとserverspecを使ったインフラ自動化のすすめ-
テスト駆動インフラ構築-Chefとserverspecを使ったインフラ自動化のすすめ-テスト駆動インフラ構築-Chefとserverspecを使ったインフラ自動化のすすめ-
テスト駆動インフラ構築-Chefとserverspecを使ったインフラ自動化のすすめ-
 
Scikit learnで学ぶ機械学習入門
Scikit learnで学ぶ機械学習入門Scikit learnで学ぶ機械学習入門
Scikit learnで学ぶ機械学習入門
 

Ähnlich wie DeNAの大規模データマイニング活用したサービス開発

メンバーズデータアドベンチャー新規部門事業計画書
メンバーズデータアドベンチャー新規部門事業計画書メンバーズデータアドベンチャー新規部門事業計画書
メンバーズデータアドベンチャー新規部門事業計画書白井 恵里
 
レガシーコードを改善した先にあるもの、それは継続的インテグレーション
レガシーコードを改善した先にあるもの、それは継続的インテグレーションレガシーコードを改善した先にあるもの、それは継続的インテグレーション
レガシーコードを改善した先にあるもの、それは継続的インテグレーションMasanori Satoh
 
Sendai it commune 03 スポーツジムとダンベルと連携ソリューションとCData
Sendai it commune 03 スポーツジムとダンベルと連携ソリューションとCDataSendai it commune 03 スポーツジムとダンベルと連携ソリューションとCData
Sendai it commune 03 スポーツジムとダンベルと連携ソリューションとCDataCData Software Japan
 
サービスを成長させる為の開発について
サービスを成長させる為の開発についてサービスを成長させる為の開発について
サービスを成長させる為の開発についてtatsuya mazaki
 
マーケジンDMPセミナー final 0528
マーケジンDMPセミナー final 0528マーケジンDMPセミナー final 0528
マーケジンDMPセミナー final 0528Intimate Merger Inc.
 
基調講演「データのグループウェア化」
基調講演「データのグループウェア化」基調講演「データのグループウェア化」
基調講演「データのグループウェア化」Cybozucommunity
 
Mobage/AndAppのSDK開発事例とSDKを作る際に知っておくべきこと #denatechcon
Mobage/AndAppのSDK開発事例とSDKを作る際に知っておくべきこと #denatechconMobage/AndAppのSDK開発事例とSDKを作る際に知っておくべきこと #denatechcon
Mobage/AndAppのSDK開発事例とSDKを作る際に知っておくべきこと #denatechconDeNA
 
アドテク案件入門講座
アドテク案件入門講座アドテク案件入門講座
アドテク案件入門講座伊藤 孝
 
ノミナム IDEALエコシステム、N2プラットフォームおよび新アプリの概要
ノミナム IDEALエコシステム、N2プラットフォームおよび新アプリの概要ノミナム IDEALエコシステム、N2プラットフォームおよび新アプリの概要
ノミナム IDEALエコシステム、N2プラットフォームおよび新アプリの概要Yutaka Ikeda
 
ログ解析の次にあるもの(リレーションシップリターゲティング)
ログ解析の次にあるもの(リレーションシップリターゲティング)ログ解析の次にあるもの(リレーションシップリターゲティング)
ログ解析の次にあるもの(リレーションシップリターゲティング)Shinya Nakazawa
 
クラウド連携でのJDBC エコマップ LT#2 JJUG CC 2018
クラウド連携でのJDBC エコマップ LT#2 JJUG CC 2018クラウド連携でのJDBC エコマップ LT#2 JJUG CC 2018
クラウド連携でのJDBC エコマップ LT#2 JJUG CC 2018CData Software Japan
 
株式会社ディーバ紹介資料(エンジニア採用編)
株式会社ディーバ紹介資料(エンジニア採用編)株式会社ディーバ紹介資料(エンジニア採用編)
株式会社ディーバ紹介資料(エンジニア採用編)ssuserbb06f5
 
【IMJ】デジタルマーケティング基盤を駆使して『利益を産むサイト』adobe.com(I・CON2014)
【IMJ】デジタルマーケティング基盤を駆使して『利益を産むサイト』adobe.com(I・CON2014)【IMJ】デジタルマーケティング基盤を駆使して『利益を産むサイト』adobe.com(I・CON2014)
【IMJ】デジタルマーケティング基盤を駆使して『利益を産むサイト』adobe.com(I・CON2014)IMJ Corporation
 
Automation with SoftLayer and Zabbix
Automation with SoftLayer and ZabbixAutomation with SoftLayer and Zabbix
Automation with SoftLayer and Zabbixsoftlayerjp
 
ニフティクラウド C4 sa ご紹介資料ver.1.2
ニフティクラウド C4 sa ご紹介資料ver.1.2ニフティクラウド C4 sa ご紹介資料ver.1.2
ニフティクラウド C4 sa ご紹介資料ver.1.2Satoshi Ueno
 
DI.コンサルティング&プランニング
DI.コンサルティング&プランニングDI.コンサルティング&プランニング
DI.コンサルティング&プランニングDigital Intelligence Inc.
 
Nifty cloud c4 sa meetup
Nifty cloud c4 sa meetupNifty cloud c4 sa meetup
Nifty cloud c4 sa meetupYuichi Saotome
 

Ähnlich wie DeNAの大規模データマイニング活用したサービス開発 (20)

メンバーズデータアドベンチャー新規部門事業計画書
メンバーズデータアドベンチャー新規部門事業計画書メンバーズデータアドベンチャー新規部門事業計画書
メンバーズデータアドベンチャー新規部門事業計画書
 
レガシーコードを改善した先にあるもの、それは継続的インテグレーション
レガシーコードを改善した先にあるもの、それは継続的インテグレーションレガシーコードを改善した先にあるもの、それは継続的インテグレーション
レガシーコードを改善した先にあるもの、それは継続的インテグレーション
 
Sendai it commune 03 スポーツジムとダンベルと連携ソリューションとCData
Sendai it commune 03 スポーツジムとダンベルと連携ソリューションとCDataSendai it commune 03 スポーツジムとダンベルと連携ソリューションとCData
Sendai it commune 03 スポーツジムとダンベルと連携ソリューションとCData
 
サービスを成長させる為の開発について
サービスを成長させる為の開発についてサービスを成長させる為の開発について
サービスを成長させる為の開発について
 
マーケジンDMPセミナー final 0528
マーケジンDMPセミナー final 0528マーケジンDMPセミナー final 0528
マーケジンDMPセミナー final 0528
 
基調講演「データのグループウェア化」
基調講演「データのグループウェア化」基調講演「データのグループウェア化」
基調講演「データのグループウェア化」
 
Spark MLlibではじめるスケーラブルな機械学習
Spark MLlibではじめるスケーラブルな機械学習Spark MLlibではじめるスケーラブルな機械学習
Spark MLlibではじめるスケーラブルな機械学習
 
Mobage/AndAppのSDK開発事例とSDKを作る際に知っておくべきこと #denatechcon
Mobage/AndAppのSDK開発事例とSDKを作る際に知っておくべきこと #denatechconMobage/AndAppのSDK開発事例とSDKを作る際に知っておくべきこと #denatechcon
Mobage/AndAppのSDK開発事例とSDKを作る際に知っておくべきこと #denatechcon
 
アドテク案件入門講座
アドテク案件入門講座アドテク案件入門講座
アドテク案件入門講座
 
ノミナム IDEALエコシステム、N2プラットフォームおよび新アプリの概要
ノミナム IDEALエコシステム、N2プラットフォームおよび新アプリの概要ノミナム IDEALエコシステム、N2プラットフォームおよび新アプリの概要
ノミナム IDEALエコシステム、N2プラットフォームおよび新アプリの概要
 
ログ解析の次にあるもの(リレーションシップリターゲティング)
ログ解析の次にあるもの(リレーションシップリターゲティング)ログ解析の次にあるもの(リレーションシップリターゲティング)
ログ解析の次にあるもの(リレーションシップリターゲティング)
 
CData general proposal
CData general proposalCData general proposal
CData general proposal
 
クラウド連携でのJDBC エコマップ LT#2 JJUG CC 2018
クラウド連携でのJDBC エコマップ LT#2 JJUG CC 2018クラウド連携でのJDBC エコマップ LT#2 JJUG CC 2018
クラウド連携でのJDBC エコマップ LT#2 JJUG CC 2018
 
株式会社ディーバ紹介資料(エンジニア採用編)
株式会社ディーバ紹介資料(エンジニア採用編)株式会社ディーバ紹介資料(エンジニア採用編)
株式会社ディーバ紹介資料(エンジニア採用編)
 
【IMJ】デジタルマーケティング基盤を駆使して『利益を産むサイト』adobe.com(I・CON2014)
【IMJ】デジタルマーケティング基盤を駆使して『利益を産むサイト』adobe.com(I・CON2014)【IMJ】デジタルマーケティング基盤を駆使して『利益を産むサイト』adobe.com(I・CON2014)
【IMJ】デジタルマーケティング基盤を駆使して『利益を産むサイト』adobe.com(I・CON2014)
 
Automation with SoftLayer and Zabbix
Automation with SoftLayer and ZabbixAutomation with SoftLayer and Zabbix
Automation with SoftLayer and Zabbix
 
ニフティクラウド C4 sa ご紹介資料ver.1.2
ニフティクラウド C4 sa ご紹介資料ver.1.2ニフティクラウド C4 sa ご紹介資料ver.1.2
ニフティクラウド C4 sa ご紹介資料ver.1.2
 
scrum_fest_osaka_2020
scrum_fest_osaka_2020scrum_fest_osaka_2020
scrum_fest_osaka_2020
 
DI.コンサルティング&プランニング
DI.コンサルティング&プランニングDI.コンサルティング&プランニング
DI.コンサルティング&プランニング
 
Nifty cloud c4 sa meetup
Nifty cloud c4 sa meetupNifty cloud c4 sa meetup
Nifty cloud c4 sa meetup
 

Mehr von Koichi Hamada

Anime Generation with AI
Anime Generation with AIAnime Generation with AI
Anime Generation with AIKoichi Hamada
 
Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019Koichi Hamada
 
AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦Koichi Hamada
 
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...Koichi Hamada
 
対話返答生成における個性の追加反映
対話返答生成における個性の追加反映対話返答生成における個性の追加反映
対話返答生成における個性の追加反映Koichi Hamada
 
NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics  NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics Koichi Hamada
 
複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理Koichi Hamada
 
"Mahout Recommendation" - #TokyoWebmining 14th
"Mahout Recommendation" -  #TokyoWebmining 14th"Mahout Recommendation" -  #TokyoWebmining 14th
"Mahout Recommendation" - #TokyoWebmining 14thKoichi Hamada
 
Mahout JP - #TokyoWebmining 11th #MahoutJP
Mahout JP -  #TokyoWebmining 11th #MahoutJP Mahout JP -  #TokyoWebmining 11th #MahoutJP
Mahout JP - #TokyoWebmining 11th #MahoutJP Koichi Hamada
 
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...Koichi Hamada
 
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011 『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011 Koichi Hamada
 
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11Koichi Hamada
 
Mahout Canopy Clustering - #TokyoWebmining 9
Mahout Canopy Clustering - #TokyoWebmining 9Mahout Canopy Clustering - #TokyoWebmining 9
Mahout Canopy Clustering - #TokyoWebmining 9Koichi Hamada
 
Apache Mahout - Random Forests - #TokyoWebmining #8
Apache Mahout - Random Forests - #TokyoWebmining #8 Apache Mahout - Random Forests - #TokyoWebmining #8
Apache Mahout - Random Forests - #TokyoWebmining #8 Koichi Hamada
 
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナーKoichi Hamada
 
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京Koichi Hamada
 
Introduction to Mahout Clustering - #TokyoWebmining #6
Introduction to Mahout Clustering - #TokyoWebmining #6Introduction to Mahout Clustering - #TokyoWebmining #6
Introduction to Mahout Clustering - #TokyoWebmining #6Koichi Hamada
 
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京Koichi Hamada
 
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京Koichi Hamada
 
ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-Koichi Hamada
 

Mehr von Koichi Hamada (20)

Anime Generation with AI
Anime Generation with AIAnime Generation with AI
Anime Generation with AI
 
Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019
 
AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦
 
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
 
対話返答生成における個性の追加反映
対話返答生成における個性の追加反映対話返答生成における個性の追加反映
対話返答生成における個性の追加反映
 
NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics  NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics
 
複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理
 
"Mahout Recommendation" - #TokyoWebmining 14th
"Mahout Recommendation" -  #TokyoWebmining 14th"Mahout Recommendation" -  #TokyoWebmining 14th
"Mahout Recommendation" - #TokyoWebmining 14th
 
Mahout JP - #TokyoWebmining 11th #MahoutJP
Mahout JP -  #TokyoWebmining 11th #MahoutJP Mahout JP -  #TokyoWebmining 11th #MahoutJP
Mahout JP - #TokyoWebmining 11th #MahoutJP
 
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
 
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011 『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011
 
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11
 
Mahout Canopy Clustering - #TokyoWebmining 9
Mahout Canopy Clustering - #TokyoWebmining 9Mahout Canopy Clustering - #TokyoWebmining 9
Mahout Canopy Clustering - #TokyoWebmining 9
 
Apache Mahout - Random Forests - #TokyoWebmining #8
Apache Mahout - Random Forests - #TokyoWebmining #8 Apache Mahout - Random Forests - #TokyoWebmining #8
Apache Mahout - Random Forests - #TokyoWebmining #8
 
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
 
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
 
Introduction to Mahout Clustering - #TokyoWebmining #6
Introduction to Mahout Clustering - #TokyoWebmining #6Introduction to Mahout Clustering - #TokyoWebmining #6
Introduction to Mahout Clustering - #TokyoWebmining #6
 
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
 
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
 
ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-
 

Kürzlich hochgeladen

UPWARD_share_company_information_20240415.pdf
UPWARD_share_company_information_20240415.pdfUPWARD_share_company_information_20240415.pdf
UPWARD_share_company_information_20240415.pdffurutsuka
 
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By DanielPostman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Danieldanielhu54
 
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ       2024/04/12の勉強会で発表されたものです。新人研修のまとめ       2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。iPride Co., Ltd.
 
20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directoryosamut
 
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システムスマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システムsugiuralab
 
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略Ryo Sasaki
 
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptxIoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptxAtomu Hidaka
 
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。iPride Co., Ltd.
 
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000Shota Ito
 

Kürzlich hochgeladen (9)

UPWARD_share_company_information_20240415.pdf
UPWARD_share_company_information_20240415.pdfUPWARD_share_company_information_20240415.pdf
UPWARD_share_company_information_20240415.pdf
 
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By DanielPostman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
 
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ       2024/04/12の勉強会で発表されたものです。新人研修のまとめ       2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
 
20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory
 
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システムスマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
 
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
 
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptxIoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
 
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
 
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000
 

DeNAの大規模データマイニング活用したサービス開発