『Mobageの大規模データマイニング活用と意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-

IBIS2012
情報論的学習理論ワークショップ
- ビジネスと機械学習の接点 2012/11/07

Mobageの
大規模データマイニング活用と
意思決定

株式会社ディー・エヌ・エー

濱田晃一

DeNA Co.,ltd. ALL rights reserved

講師紹介
・濱田晃一 (Hamada Koichi)
・ID: hamadakoichi
2010年6月 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
2011年4月

ソーシャルプラットフォーム Mobageの
データマイニング・施策実行

2

講師紹介
・濱田晃一 (Hamada Koichi)
・ID: hamadakoichi
2010年6月 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
2011年4月

ソーシャルプラットフォーム Mobageの
データマイニング・施策実行
・TokyoWebmining (データマイニング+WEB@東京) 主催者
データマイニングの実活用コミュニティ。登録人数 890人超。
・Mahout JP 主催者
Mahout: 大規模分散機械学習ライブラリ

・博士（2004年東京大学総代代表）専攻：統計場の理論(理論物理)
・Mobageを支える技術執筆
・Hip Hop/House ダンス歴 16年コーチ歴11年
3

Mobageの１日あたりの
アクセス数（PV）？


35億PV/Day


35億PV/Day
日本最大規模のWebサービス

ログデータ量？


ログデータ量？

1.2TB/Day

AGENDA
◆ソーシャルプラットフォーム Mobage
◆データマイニング活用によるサービス洗練
◆データマイニングの実活用に必要な３つのこと
◆大規模データの展開
◆大規模分散処理技術

◆世界へ


DeNAの成長エンジン


14


15

Mobage

Mobage
ソーシャルゲームプラットフォーム
【ゲーム】

【SNS機能】
日記の掲載、サークルの形成・参加、アバター（自分の分身のキャ
ラクター）を使った匿名での自己紹介、その他のコミュニケーション

【作品投稿】
小説、音楽、動画などの

【情報配信機能】
実用性の高い情報を配信
ニュース、天気予報、乗り換え案内など

作品の創作・投稿コーナー


16

１日35億超の行動情報

4500万人以上
1日35億超の行動情報


17

AGENDA

◆世界へ


18

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
Data-mining
Machine-Leaning
Results

Data Mining Infrastructure
KPI Inspection

DeNA Data Mining Libraries
Data Mining/Machine Learning

Mahout
…

MapReduce

Morphological Analysis

DeNA Social MA

KPI Views

R
Perl

Pig

Java

Hive

HUE

Pre-processing/Indexing

Lucene

Service

Log API

Service

Log API

Business
Planning

Service
…

Log API

…

Hadoop DFS
Unified Description of
Action/Status Log


19




20


KPI(Key Performance Indicator)定常算出・共有
ビジネス・サービス変化を検知
KPI Inspection

KPI Views


21


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
KPI Inspection

KPI Views

Business
Planning


22


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
Data-mining
Machine-Leaning
Results

KPI Inspection

KPI Views

…

Business
Planning
Service

Log API

Service

Log API

Service
…

Log API

…


23


Data-mining
Machine-Leaning
Results

KPI Inspection


Mahout
…

MapReduce


DeNA Social MA

KPI Views

R
Perl

Pig

Java

Hive

HUE


Lucene

Service

Log API

Service

Log API

Business
Planning

Service
…

Log API

…

Hadoop DFS
Action/Status Log


24

AGENDA

◆世界へ


25

分析によるサービス洗練に必要な３つのこと

◆事業数値にコミットする
◆効果高い問題設定・課題解決する
◆ユーザ体験・洗練サイクル作成する


26




27

事業数値にコミットする

事業数値にコミット
現場に深く入り活動する


28



推進強化
・外部から客観的に入るのではなく、メンバーとして深く入る。
サービス開発と同じ達成目標で評価されることにより
施策のサービス適用まで推進・実行しやすい。


29



推進強化

活動効果の最大化
・本質的に意味のある施策にしか注力できなくなり
高い効果を生む


30

開発体制の変化

(1) ソーシャルゲーム
立ち上げ期

(2) 分析グループ
立ち上げ期

(3) 企画x開発x分析
チーム

ソーシャルゲーム開発チーム

分析グループ

分析グループ

企画
開発エンジニア
分析エンジニア/アナリスト


31


立ち上げ期

立ち上げ期

チーム


企画１名、エンジニア１名で
1タイトルを作り上げる。
開発フェーズ: 納得行くまで
作っては壊しの繰り返し。
運用フェーズ: 仮説検証に
基づき、新しい施策投入や
パラメータチューニングを
実施。高速にPDCAサイク
ルを回す。

分析グループ

分析グループ

企画


32


立ち上げ期

立ち上げ期

チーム


ルを回す。
開発エンジニ
アの工数が破
綻しがち


分析グループ

分析グループ

企画

33


立ち上げ期

立ち上げ期

チーム


ルを回す。
開発エンジニ
アの工数が破
綻しがち


分析グループ

ソーシャルゲーム開発チー
ムで深彫できない、分析課
題に取り組む。（課金や離
脱の要因分析、ユーザクラ
スタ毎の特徴解析)

分析グループ

企画

34


立ち上げ期

立ち上げ期

チーム


ルを回す。
開発エンジニ
アの工数が破
綻しがち


分析グループ


分析グループ

分析に必要な
ログの不足。
現場との距離
感が課題に。

35


立ち上げ期

立ち上げ期

チーム


ルを回す。
開発エンジニ
アの工数が破
綻しがち


分析グループ


分析グループ

分析に必要な
ログの不足。
現場との距離
感が課題に。

36


立ち上げ期

立ち上げ期

チーム


ルを回す。
開発エンジニ
アの工数が破
綻しがち


分析グループ


分析グループ

開発チームのメンバーとし
て、目標をコミットし、課題に
対して直接分析・施策実施
していく
分析に必要な
ログの不足。
現場との距離
感が課題に。

37



推進強化

活動効果の最大化
・本質的に意味のある施策にしか注力できなくなり
高い効果を生む


38




39

効果高い課題設定・解決を行う

改善効果高いユーザクラスタ・特徴を知り
効果高い課題設定をする
Pattern Mining
F1

E1

F2

F3

E1

F4
F5

Feature Analysis

Clustering
Activity N, …

Activity 1

Classification
Regression
40


改善効果高いユーザクラスタ・特徴を知り
効果高い課題設定をする
例：
ゲームインストール数向上のために、施策
効果高いクラスタを評価

Clustering
Activity N, …

Activity 1

ユーザクラスタ：
・性別
・年齢
・友達数
・入会からの経過期間
・入会経路
・プレイ期間
・プレイゲーム数
・プレイゲーム類似度
・日記投稿閲覧・頻度
・サークル閲覧・投稿頻度
数値：
- 人数
- 一人あたりのインストール数
41


効果高い施策を実施するために
目標指標に一番影響を与える要素を解明する
Pattern
Actions/Status
F1

Installs
E1

F2

F3
F4
F5


E1

例：
対象クラスタは、どういったゲームをより
好みインストールするか。どんな特徴が効
いているか。
影響変数例：
・最終アクセスゲーム
・利用サークル
・閲覧ニュース特徴
・閲覧小説特徴
・日記
・掲示板
・PV変化
・年齢
・性別
等
42


対象ユーザクラスタへの
情報提示はどの方法が効果高いか
例：
対象クラスタは、どういったサービスを利
用しているか。

Access割合


Service4

Service3

Service2

Service1

0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0

影響変数例：
・ニュース
・アバタ―
・日記
・小説
・掲示板
等

43


状況に合わせ適切な方法を
選択・組合せ検証する
Standard Recommendation Methodologies
Memory Based Paradigm

Model 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)

(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

Hybridized 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)


(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

44

活動例（抜粋）: Recommendation

Social Collaborative Filtering
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
Social Graph
Input User History

Collaborative Filtering

(Global)
(Global Matrix Model for “A likes B”)

New user with no history

RECS

and Social Graph

Input User History and

Friend

Neighborhood

Collaborative Filtering

(Personal)
(Neighborhood Matrix Model for “A likes B”)

RECS

user

User with history

Neighborhood

Item-Item Matrix of Relationships (Invented by Amazon.com)

Friend of Friend
Wikipedia Image of a Social Network

There are thousands of collaborative filtering varieties:
+ user friend neighborhood…
+ user similarity clustered neighborhood…

Relationship between Game A2 and C2

Users who “bought A bought C”, “viewed A viewed C”…

References (International Research Copyrights)

活動例（抜粋）: Recommendation

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
Social Graph

1

G1

G1

0

1

G2

G2

0

0

G3

G3

0

0

G4

G4

1

0

G5

G5

0

0

G6

G6

0

0

G7

G7

0

0

G8

G8

0

0

G9

G9

0

Friend

user
Input User History
and Neighborhood

Neighborhood

Friend of Friend

HISTORY

RECOMMENDATIONS

Wikipedia Image of a Social Network


46


状況に合わせ適切な方法を
選択・組合せ検証する
Hybrid Model
Users that Like A Like B

SIM

AGENT
NN
RL


Prediction

CF

47


◆ユーザ体験・洗練サイクルを作る


48

ユーザ体験・洗練サイクルを作る

ユーザ体験の設計
その施策はユーザにどんな新たな体験を生むか


49


施策とユーザ体験例


50


◆ 興味軸からの推薦
ゲームXとゲームYを遊んでいる人がゲームZを始めています
⇒ 自分の興味に近い人が最近楽しんでいるゲームを始め
楽しめる体験



◆ 興味軸からの推薦
ゲームXとゲームYを遊んでいる人がゲームZを始めています
⇒ 自分の興味に近い人が最近楽しんでいるゲームを始め
楽しめる体験
◆ 親しい人からの推薦：
ゲームXで親しいAさんがゲームZにはまっています
⇒ 一緒にゲームを楽しんでいる親しいユーザと
他ゲームでも一緒に楽しめる体験


Service

Hadoop DFS

Front End

MapReduce


53

ユーザ体験・連携開発
ユーザ体験・通知方法設計
連携データスキーマ設計／データ量評価
実装／単体テスト／結合テスト
XとYを遊んでいる人が Z を始めています
ゲームX で親しい Aさんが Zにはまっています
XさんはゲームYとサークルZを利用しています

Service
Front End


Recommendation Data

Hadoop DFS
MapReduce

54


Service

Recommendation Data

Front End

Hadoop DFS
MapReduce

Feedback Log
ユーザ反応のFeedback

Feedback開発
分散アルゴリズム設計
ログスキーマ設計／実装
単体テスト／結合テスト

・性別
・年齢
・アバタ―
・推薦理由
…

55


レコメンド開発
実装／単体テスト／定常実行

Service

Recommendation Data

Front End

Hadoop DFS
MapReduce

Feedback Log

Feedback開発

・性別
・年齢
・アバタ―
・推薦理由
…

56



Service

Recommendation Data

Front End

Hadoop DFS
MapReduce

Feedback Log

Feedback開発

・性別
・年齢
・アバタ―
・推薦理由
…

57



Service

Recommendation Data

Front End

Hadoop DFS
MapReduce

Feedback Log

Feedback開発

・性別
・年齢
・アバタ―
・推薦理由
…

58


ユーザ状況に合わせ適切な方法を選択・組合せる
（はまっている、飽き始めている、等）

Hybrid Model
Users that Like A Like B

SIM

AGENT
NN
RL


Prediction

CF


効果検証・意思決定を早いサイクルで繰り返す
ユーザにとってよりよい体験へ洗練していく
not-applied

Algorithm-A

Algorithm-B

Algorithm-AB


例：
効果高いアルゴリズム組み合せABを採
用。
効果上がっているユーザ特徴・状況を
分析し、他枠へのテスト展開も検討

60

AGENDA

◆世界へ


61

大規模データの展開
◆1日35億超の行動情報

◆詳細行動情報
◆迅速なサービス洗練


62




63


4500万人以上
1日35億超の行動情報

4,000
国内Mobage有効会員数

3,500
3,000
2,500
2,000
1,500
1,000


12月

9月

6月

3月

12月

9月

6月

3月

12月

0

9月

500

64


統計的有意な結果を
多くのユーザー体験へ還元

4500万人以上
１日35億超アクション

65



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

4500万人以上

66



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

多くの人へ還元
多くのユーザー体験へ
還元できる

4500万人以上

67




68

詳細行動情報

目的・感情が分かる詳細行動情報


69

詳細行動情報


ミッションボス挑戦
勝つ負ける


70

詳細行動情報

ステータスアップ
勝つ負ける


71

詳細行動情報

勝つ負ける


応援プレゼント
仲間申請ウィンク
交換

72

詳細行動情報


助け合う

勝つ負ける

交換


73

詳細行動情報


助け合う

勝つ負ける

交換

耕す種まき
水やり収穫
捕獲


74

詳細行動情報


助け合う

勝つ負ける

交換

育成
耕す種まき
水やり収穫
捕獲


75

詳細行動情報


助け合う

勝つ負ける

交換

育成

収集

耕す種まき
水やり収穫
捕獲

アイテム取得
アイテム合成


…

…

76

詳細行動情報


助け合う

勝つ負ける

交換

育成

収集

耕す種まき
水やり収穫
捕獲

アイテム取得
アイテム合成
…

…

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

77




78

迅速なサービス洗練

解析結果を反映した
数時間～数日スパンで迅速なサービス洗練


79

迅速なサービス洗練

解析結果を反映した
数時間～数日スパンで迅速なサービス洗練

より楽しんでもらえるユーザー体験へ


80




81

AGENDA

◆世界へ


82

Hadoopを用いた
大規模データマイニング基盤


83

Hadoop

Hadoopとは
大規模分散処理を行うための基盤
・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


84

Hadoopの主な利用企業

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


85

分散ファイルシステム：HDFS

HDFS (Hadoop Distributed File System)
DataNodeを増やすことで大容量化が可能
•

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
クライアントからは

DataNode

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

HDFS
クライアント


86

分散ファイルシステム：HDFS
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
固定長ブロックに分割
1
2

ファイル

1
2

同一ブロックが複数のDataNodeに
分散配置される(default 3)

3

1
1

2

1

2

3

3
2

DataNode

2
1


3
2

2

1

1

87

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
User毎のPageView集計での例

Map
userA

userD

userA

userC

userB

userD

key

3

7

1

2

6

5

value

大量データに対する
分散演算

Shuffle & Sort

Reduce

userA

userB

userC

userD

userA

userB

userC

userD

userD

1

6

2

7

5

userA

userB

userC

userD

4


userA
3

演算結果の集計

6

2

１２

88

大規模データマイニング基盤構成


89




90


Data-mining
Machine-Leaning
Results

KPI Inspection


Mahout
…

MapReduce


DeNA Social MA

KPI Views

R
Perl

Pig

Java

Hive

HUE


Lucene

Service

Log API

Service

Log API

Business
Planning

Service
…

Log API

…

Hadoop DFS
Action/Status Log


91




92


KPI(Key Performance Indicator)定常算出・共有
ビジネス・サービス変化を検知
KPI Inspection

KPI Views


93


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
KPI Inspection

KPI Views

Business
Planning


94


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
Data-mining
Machine-Leaning
Results

KPI Inspection

KPI Views

…

Business
Planning
Service

Log API

Service

Log API

Service
…

Log API

…


95


Hadoop
全行動ログ/サービスデータ投入
Data-mining
Machine-Leaning
Results

KPI Inspection

KPI Views

…

Business
Planning
Service

Log API

Service

Log API

Service
…

Log API

…

Hadoop DFS
Action/Status Log


96


Pig/Hive
少ない記述量での一次集計/簡易KPI算出
Data-mining
Machine-Leaning
Results

KPI Inspection

KPI Views

MapReduce

…

Pig
Data Schema

Zebra
Hive

Service

Log API

Service

Log API

Business
Planning

Service
…

Log API

…

Hadoop DFS
Action/Status Log


97


HUE
GUIベースの解析環境/アクセス管理
Data-mining
Machine-Leaning
Results

KPI Inspection

KPI Views

MapReduce

…

Pig
Data Schema

Zebra
Hive

Service

Log API

Service

Log API

HUE

Business
Planning

Service
…

Log API

…

Hadoop DFS
Action/Status Log


98


MapReduce/Perl/Java
時系列処理・ゲーム分散シミュレーション等
Data-mining
Machine-Leaning
Results

KPI Inspection

MapReduce

…

KPI Views

Perl

Pig
Hive

Service

Log API

HUE

Business
Planning

Log API

Service

Java

Service
…

Log API

…

Hadoop DFS
Action/Status Log


99


R
統計解析・データマイニング・機械学習
Data-mining
Machine-Leaning
Results

KPI Inspection

KPI Views

MapReduce

…

R
Perl

Pig
Hive

Service

Log API

HUE

Business
Planning

Log API

Service

Java

Service
…

Log API

…

Hadoop DFS
Action/Status Log


100


Mahout
大規模データマイニング・機械学習
Data-mining
Machine-Leaning
Results

KPI Inspection

KPI Views

Mahout
…

MapReduce

R
Perl

Pig
Hive

Service

Log API

HUE

Business
Planning

Log API

Service

Java

Service
…

Log API

…

Hadoop DFS
Action/Status Log


101


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
Data-mining
Machine-Leaning
Results

KPI Inspection


Mahout
…

MapReduce


DeNA Social MA

KPI Views

R
Perl

Pig

Java

Hive

HUE


Lucene

Service

Log API

Service

Log API

Business
Planning

Service
…

Log API

…

Hadoop DFS
Action/Status Log


102


データマイニング・機械学習による
Data-mining
Machine-Leaning
Results

KPI Inspection


Mahout
…

MapReduce


DeNA Social MA

KPI Views

R
Perl

Pig

Java

Hive

HUE


Lucene

Service

Log API

Service

Log API

Business
Planning

Service
…

Log API

…

Hadoop DFS
Action/Status Log


103


統一行動記述
Data-mining
Machine-Leaning
Results

KPI Inspection


Mahout
…

MapReduce


DeNA Social MA

KPI Views

R
Perl

Pig

Hive

Hive

Pig


Lucene

Service

Log API

Service

Log API

Business
Planning

Service
…

Log API

…

Hadoop DFS
Action/Status Log


104

統一行動記述

ユーザー行動時系列の
統一記述


105

統一行動記述

大規模サービスでよく生じる課題

形式

置き場


106

統一行動記述

サービスごとにログフォーマットが異なる

形式

・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

置き場


107

統一行動記述


形式

複数存在する

ログの場所がばらばら・分散されている

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


108

統一行動記述


形式

複数存在する


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

109

統一行動記述

統一行動ログによる解決

統一行動記述での解決


形式

複数存在する


置き場



110

統一行動記述



複数存在する

形式

統一スキーマ
・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

・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


置き場



111

統一行動記述



複数存在する

置き場



形式

統一スキーマ

Hadoopに全てのログがある


・データ探索・収集時間ゼロ


解析したいデータが全てある


112

統一行動記述



複数存在する

置き場



形式

統一スキーマ

Hadoopに全てのログがある


・データ探索・収集時間ゼロ



解析したいデータが全てある

・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
113

世界展開

ソーシャルゲームプラットフォームの世界展開

（※2012年11月時点）


115

世界展開

X-border / X-device戦略

China

SNS

Japan

Korea

Global

X-border
・・・

HTML5

iOS

Android

Other OS

・・・

X-device
Game

Game Engine

Other Game Engine

ngCore

Partners

DeNA

116

世界展開：デバイスによらないサービス提供・授受

ngCoreによる
デバイスによらないサービス提供
海外Smartphone
プラットフォーム

国内Smartphone

X-border 展開
iOS アプリ

Android アプリ
X-device 展開

ngCore SDK
による開発

パートナー様（国内、海外）

117


開発
一度の開発でiOS/Android 双方へサービス提供が可能
海外Smartphone

国内Smartphone

X-border 展開
iOS アプリ

Android アプリ
X-device 展開

ngCore SDK
による開発


118


ユーザー
iOS/Android 双方で同サービスを受けられる
海外Smartphone

国内Smartphone

X-border 展開
iOS アプリ

Android アプリ
X-device 展開

ngCore SDK
による開発


119

世界展開

世界各国へのMobageプラットフォーム展開

Japan
FP

SP

Global
PC


China

SP

SP

Korea
SP

120

世界展開

日本で培ってきたノウハウをグローバルへ展開
全米ランキングNo1を継続
US GooglePlayマーケット総合売上ランキング No1

Rage of 1位

1位

Bahamut
Tapfish 10位

20
位

Ninja

14位

Royale

40
位

60
位

80
位

100位
4/1
0


4/1
5

4/2
3

121

世界展開

世界のソーシャルゲーム市場の成長を牽引する
2年半遅れでようやく世界市場が成長期に
日本

全世界

2009年10月

(百万円)

2012年4月

(兆円)
数兆円

2009/10
怪盗ロワイヤル
リリース

2012/4
Rage of Bahamutが
総合売上1位へ

･････････

2008

2009


2010

2011

2011

2012

20xx
122

世界展開

ソーシャルゲームプラットフォームの世界展開

（※2012年11月時点）


123

世界展開

世界中の人々の


124

世界展開

世界中の人々の

国民性・民族性にあった
サービス提供


125

世界展開

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 Media

Social Graph
Fun Like Personality
Objective Process

Data Mining
Machine Learning
各人のつながり、楽しみ、好み、個性にあった
より適切なサービス提供

126

世界展開

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

Social Media

Social Graph
Fun Like Personality
Objective Process

Data Mining
Machine Learning
各人のつながり、楽しみ、好み、個性にあった
より適切なサービス提供

127

ご清聴ありがとうございました


128

AGENDA
◆講師紹介

◆世界へ


関連資料

“Mobageの大規模データマイニング” - PRMU 2011 Big Data and Cloud, 2011/10/6
http://www.slideshare.net/hamadakoichi/mobage-prmu-2011-mahout-hadoop

“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, 2011/2/22
http://www.slideshare.net/hamadakoichi/hadoop-hadoop-conference-japan-2011-hcj2011

130

『Mobageの大規模データマイニング活用と意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to 『Mobageの大規模データマイニング活用と意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-

Similar to 『Mobageの大規模データマイニング活用と意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- (20)

More from Koichi Hamada

More from Koichi Hamada (20)

Recently uploaded

Recently uploaded (9)