おすすめAIはなぜ直前の一件に引きずられるのか――北海道大学が解いた「最終アイテム依存」の構造

「最後に見た一件」が次の世界を決めてしまう

ネット通販で一つの商品を見た直後に似た商品ばかりが並ぶ。動画配信で一本の視聴履歴が、次の画面をほとんど決めてしまう。そうした体験は多くの利用者にとって身近だが、なぜ起きるのかは長く十分に説明されてこなかった。北海道大学大学院情報科学研究院の長谷山美紀教授らの研究グループは10月9日、推薦AIが利用者の履歴全体ではなく、直前の一件に極端に引っ張られる現象を内部構造から解明したと発表した。研究の焦点は、単に「最近見たものが大事」という常識の確認ではない。なぜ推薦モデルがそこまで最後の一件に依存しやすいのかを、構造レベルで説明した点にある。

九つの実社会データで確かめた偏り

研究グループは、Amazon Beauty、Sports、Toys、Video、Diginetica、Steam、BeerAdvocate、MovieLens-1M、Zvukという九つの実社会データを用い、推薦AIがどの程度「最終アイテム依存」を示すかを調べた。検証対象となったモデルは、SASRec、GRU4Rec、BERT4Rec、DuoRec、BSARecの五つ。履歴の順序を入れ替えた際の性能変化と、直前に見たアイテムそのものが推薦1位に現れる割合の二つの方法で依存度を測定した。その結果、代表的なモデル群で、最後の一件が予測に過度な重みを持つことが確認された。北海道大学はこれを、利用者の過去の関心が十分に使われていない可能性として位置づける。

鍵は「残差接続」と最後の位置だけを見る仕組み

今回の研究で重要なのは、偏りの原因を曖昧な印象論で終わらせなかったことだ。研究グループは、因果的自己注意を用いる推薦モデルの内部を分析し、処理前の情報を足し戻す「残差接続」と、履歴の最後の位置の表現だけを使って次の推薦を決める仕組みが組み合わさることで、直前の一件への強い依存が生じると説明した。プレスリリースでは、この状態を「残差支配」と呼ぶ。自己注意だけを見ると、他の位置から集約された情報の割合は72〜96％と高いが、残差接続を加えると12〜40％まで急低下したという。つまり、モデルは一見すると履歴全体を広く読んでいるようでいて、最終的な予測段階では最後の一件の情報を強く保持しやすい。

再学習せずに依存度を動かせた意味

研究グループはさらに、推論時に残差接続の強さを係数αで調整し、推薦が直前の情報に依存する度合いを制御できることを示した。ここで意味を持つのは、モデル全体を学び直さずに挙動を変えられる可能性だ。大規模サービスにとって再学習はコストが重い。もし推論段階で依存の強さを調節できるなら、利用者がいま求めているものへの即応性と、履歴全体に表れた長期的な嗜好の反映との間で、実務的な設計余地が広がる。もっとも、北海道大学の発表は、残差を弱めるほど平均推薦精度が低下するというトレードオフも明確に示している。偏りを減らせば自動的に「良い推薦」になるわけではない。

推薦システムの歴史の中で見ると

推薦システムの歴史は、利用者と似た行動を取る人を探す協調フィルタリングから始まり、行列分解による潜在要因の推定、セッションや時系列を重視する逐次推薦へと進んできた。近年は自然言語処理などで大きな成果を上げたトランスフォーマーが推薦分野にも導入され、履歴内の複数アイテム間の関係を自己注意で捉える手法が主流の一つになっている。SASRecのようなモデルは、その流れの象徴だ。今回の研究は、その高性能な仕組みの内部に、直前の一件を過度に優先しやすい構造的傾向があると示した。歴史的には、推薦モデルが賢くなったという物語の次に、どの情報をどれだけ使って賢くなっているのかを問い直す段階に入ったと言える。

利用者にとって何が問題になるのか

最後の一件を重視すること自体は、必ずしも悪ではない。買い物中に直前に見た商品が次の推薦に反映されるのは自然で、音楽や動画でもいまの気分に合った提案につながることがある。問題は、その依存が極端になり、少し前までの興味や文脈が切り落とされる時だ。北海道大学の発表によれば、最終位置では正解アイテムを上位10件に入れられない一方、一つ前から三つ前までの位置の表現では同じ正解アイテムを上位10件に含められる事例が確認された。利用者の行動全体を見ればより適切な推薦が可能だったのに、最後の一件の影響が強すぎるために見逃してしまう場面があるということだ。

EC、動画配信、ニュース配信への含意

この研究がそのままAmazonやNetflix、国内ニュースアプリの実装を説明するわけではない。北海道大学の検証は九つのデータセットと代表的なモデルで行われたもので、個別企業の本番環境を直接分析したものではないからだ。それでも示唆は大きい。ECでは直近のクリックに引きずられ過ぎると、比較検討している利用者に同じ系統の商品ばかりを見せ続ける恐れがある。動画・音楽配信では、短期的な気分に合う提案が増える一方で、長期的な好みや意外性のある発見が弱まるかもしれない。ニュース配信では、いま読んだ一本の話題が次の画面を支配し、読者の関心の幅を狭める可能性も考えられる。

北海道大学の研究チームと国際会議での位置づけ

今回の研究は、長谷山美紀教授、小川貴弘教授、藤後廉准教授、櫻井慶悟助教、大学院情報科学院修士課程の神崎恵土氏らによるものだ。成果は2026年9月27日から10月2日に米国ミネアポリスで開催されたRecSys 2026でMain Track（Long Paper）として発表された。北海道大学によれば、この年のMain Trackの採択率は18％だった。推薦システム研究の主要国際会議で評価されたことは、単なる大学内の話題ではなく、分野全体で通用する問題意識と手法が示されたことを意味する。

日本のAI研究にとっての意味

日本のAI研究は、生成AIの派手な応用に注目が集まりがちだが、実社会のシステムを支える基盤技術の改良も同じくらい重要だ。推薦システムはEC、広告、コンテンツ配信、教育、金融を含む多くの分野で日常的に使われている。そこで何が「見える」かを決めるアルゴリズムの挙動を、利用者の行動履歴に即して説明できることは、研究の透明性や社会実装の健全性に関わる。北海道大学の今回の仕事は、モデルの精度競争だけでなく、モデルがなぜそう振る舞うのかを説明する研究が日本から国際的に発信できることを示した。

次に問われるのは「良いおすすめ」の定義だ

この研究が示したのは、推薦AIが直前の一件に偏るという現象の構造的説明であり、すべてのサービスがただちに推薦方式を変えるべきだという結論ではない。むしろ次の論点は、何をもって「良いおすすめ」とするかだろう。直近の興味への即応性、長期的な嗜好、意外な出会い、多様性、公平性、売上、滞在時間──目的が変われば最適な設計も変わる。北海道大学の研究は、その設計を経験則ではなく、構造への理解に基づいて議論する土台を提供した。利用者にとっても事業者にとっても、一回のクリックがどれほど重く扱われているのかを知ることは、デジタル時代の選択の仕組みを考える第一歩になる。