最終更新日：2026年7月14日
gk recommendation machine_learning
まず結論
コールドスタート問題とは、新規ユーザーや新規アイテムについて履歴データが足りず、推薦システムが適切な推薦を作りにくくなる問題です。
| 種類 | 何が不足する？ | 例 |
|---|---|---|
| 新規ユーザー | 閲覧・購入・評価履歴 | 登録直後で好みが分からない |
| 新規アイテム | 他ユーザーからの評価履歴 | 新商品を誰にすすめるか分からない |
| 新規システム | サービス全体の履歴 | 開始直後で推薦の土台がない |
G検定では、「新規」「履歴がない」「評価が少ない」という表現があれば、コールドスタート問題を疑います。
直感的な説明
コールドスタート問題は、初対面の相手に、好みを聞かずにおすすめを選ぶ難しさです。
動画配信サービスへ登録したばかりの利用者には、視聴履歴がありません。そのため、アニメ、映画、ニュースのどれを好むのか判断できません。
新しく追加された動画にも同じ問題があります。まだ誰も視聴・評価していないため、似た動画や好みが近い利用者との関係を作れません。
つまり、コールドスタート問題は、モデルの計算性能よりも、推薦の根拠になる初期データがないことが問題です。
定義・仕組み
推薦システムでは、利用者の行動履歴やアイテムの評価を使って、次のような関係を学習します。
- 似た利用者は何を選んだか
- この商品を選んだ人は、ほかに何を選んだか
- 利用者の好みと商品の特徴が合うか
協調フィルタリングが弱い理由
協調フィルタリングは、利用者同士またはアイテム同士の履歴の類似性を使います。
| 推薦手法 | 主に使う情報 | コールドスタートへの強さ |
|---|---|---|
| 協調フィルタリング | 評価・閲覧・購入などの履歴 | 弱い |
| コンテンツベース | ジャンル、価格、キーワードなどの属性 | 比較的強い |
| ハイブリッド推薦 | 履歴と属性の両方 | 対策になりやすい |
履歴がなければ、協調フィルタリングは「似た利用者」「似たアイテム」を計算しにくくなります。
コールドスタートとデータ疎性の違い
データ疎性（スパースネス）は、利用者やアイテムがすでに存在していても、評価行列の空欄が多い状態です。
| 問題 | 判断基準 |
|---|---|
| コールドスタート | 新規対象に履歴がほぼない |
| データ疎性 | 全体として観測済みの評価が少ない |
両方ともデータ不足に関係しますが、新しく参加した対象が中心ならコールドスタートと判断します。
いつ使う？（得意・不得意）
コールドスタート対策では、履歴以外の初期情報を用意します。
| 対策 | 使う情報 | 適した場面 |
|---|---|---|
| 初期アンケート | 好きなジャンルや目的 | 新規ユーザー |
| コンテンツベース推薦 | 商品・作品の属性 | 新規アイテム |
| 人気ランキング | 全体の人気度 | 初回画面や履歴ゼロの利用者 |
| 属性情報 | 年代、地域、カテゴリなど | 利用許諾と公平性に配慮して利用 |
| ハイブリッド推薦 | 履歴と属性の組合せ | 段階的に推薦を改善したい場合 |
| 探索的な推薦 | あえて異なる候補を提示 | 反応データを集めたい場合 |
ただし、人気ランキングだけに頼ると、新しいアイテムがさらに露出しにくくなることがあります。初期情報を集めながら、履歴が蓄積した後は推薦方法を切り替える設計が重要です。
G検定ひっかけポイント
協調フィルタリングが最も得意な問題である
誤りです。協調フィルタリングは履歴へ依存するため、履歴がない新規ユーザーや新規アイテムには弱い手法です。
コールドスタートは新規ユーザーだけに起きる
誤りです。新規アイテムや、サービス全体の開始直後にも起きます。
コンテンツベースなら必ず解決できる
誤りです。属性情報が不足している場合や、属性だけでは利用者の細かな好みを表せない場合があります。
フィルターバブルと同じ問題である
誤りです。
- コールドスタート：履歴がなく、推薦を始めにくい
- フィルターバブル：過去の好みに合う情報へ偏り、視野が狭くなる
選択肢の判断基準
| 問題文の表現 | 疑う用語・手法 |
|---|---|
| 登録直後で履歴がない | コールドスタート問題 |
| 新商品に評価がない | コールドスタート問題 |
| 評価行列の空欄が多い | データ疎性 |
| 似た利用者の履歴を使う | 協調フィルタリング |
| 商品の属性を使う | コンテンツベース推薦 |
| 好みに合う情報ばかりになる | フィルターバブル |
まとめ（試験直前用）
- コールドスタート問題は、新規対象の履歴不足で推薦しにくくなる問題
- 新規ユーザー、新規アイテム、新規システムの3場面がある
- 協調フィルタリングは履歴へ依存するため弱い
- 初期アンケート、属性情報、人気順、ハイブリッド推薦が対策になる
- 新規対象ではなく評価全体が少ないなら、データ疎性との違いに注意
「新規＋履歴不足」ならコールドスタート問題です。
確認問題（G検定対策）
コールドスタート問題への対応として、最も適切なものはどれか。
- ア. 登録直後の利用者にも、協調フィルタリングだけを使い続ける。
- イ. 新規利用者へ好みを尋ね、アイテム属性や人気情報も使って初期推薦を作る。
- ウ. 新規アイテムの属性を削除し、評価が十分に集まるまで表示しない。
- エ. 推薦結果を同じカテゴリだけに限定し、探索を行わない。
▶ クリックして答えと解説を見る（ここを開く）
正解：イ
解説
- ア：履歴がない状態では協調フィルタリングだけで判断しにくいため不適切です。
- イ：適切です。履歴以外の初期情報を使い、推薦開始に必要な材料を補います。
- ウ：新規アイテムの露出と評価収集を妨げます。
- エ：好みの偏りを強め、新しい反応データも集めにくくなります。
判断ポイントは、履歴がないなら、属性や初期情報で補うことです。