jinbay無料で相談する

AIエンジニアの面接対策

「動画サービスのおすすめを設計してください」|推薦システムの設計面接の解き方

推薦・検索エンジニアや機械学習エンジニアの面接で出る推薦システムの設計問題を、聞き返すこと、候補の生成と並べ替えの2段の構成、新しい利用者への対応、評価、よくある深掘りの質問の順に解説します。

更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)

推薦システムの設計は、機械学習のシステム設計面接で最もよく出る題材の1つです。データの量が多く、応答時間の制約が厳しく、評価も難しいため、機械学習の知識とシステムの設計力の両方が問われます。

この記事では、45〜60分の面接を想定して、進め方の順に解説します。

問題の例

会員数500万人、作品数20万本の動画配信サービスで、トップページに「あなたへのおすすめ」を表示したい。どう設計しますか。

1. 聞き返すこと(5〜10分)

聞くことなぜ聞くか
何を増やしたいか(視聴時間、継続率、新作の視聴)学習の目的と、評価の指標が変わる
使えるデータ(視聴履歴、評価、検索、作品の情報)明示的な評価が少ないなら、視聴の行動から学習する
1日の利用者数、トップページの表示回数推論の費用と、事前計算するかの判断
許される応答時間並べ替えに使えるモデルの重さが決まる
新しい作品と新しい会員がどれくらい来るか履歴のない対象への対応(コールドスタート)の重さ
表示の制約(同じシリーズを並べない、年齢制限、権利の切れる作品)並べた後の調整の処理が要る
今の推薦はどうなっているか比較の基準になる

「何を増やしたいか」は必ず聞きます。クリックを最大にすると、サムネイルだけ目を引く作品が上に来て、視聴の継続につながらないことがあるからです。

2. 全体の構成(15分)

推薦システムは、20万本すべてを重いモデルで採点すると間に合わないので、段階に分けるのが基本です。

候補の生成(数百本に絞る)

軽い方法で、複数の経路から候補を集めます。

  • 埋め込みの近さで探す:会員と作品をそれぞれベクトルにするモデル(2つの塔のモデル、two-tower)を学習し、会員のベクトルに近い作品を近似最近傍探索で取り出す
  • 協調フィルタリング:最近見た作品と、一緒に見られることが多い作品
  • 人気と新しさ:ジャンル別の人気作品、新着作品
  • 続きもの:見ている途中のシリーズの次の話

複数の経路を使うのは、1つの方法だけでは候補が偏るからです。

並べ替え(上位数十本を決める)

候補の数百本を、より多くの特徴量を使うモデルで採点します。勾配ブースティングや深層学習のモデルで、「この会員がこの作品を一定時間以上視聴する確率」などを予測します。

特徴量の例は、会員の視聴履歴の集計、作品の属性と人気の推移、会員と作品の組み合わせ(そのジャンルをどれくらい見ているか)、時間帯や端末です。

最後の調整

  • 同じシリーズやジャンルが続かないようにする(多様性)
  • 既に見終わった作品、年齢制限、配信の終わる作品を除く
  • 新作やまだ見せたことのない作品を一定の割合で混ぜる(探索)

計算をいつ行うか

方式内容向いている場面
事前計算夜間に全会員分のおすすめを計算して保存会員の好みがゆっくり変わる。費用が安い
リアルタイム表示のたびに候補を出して並べ替える直前の視聴を反映したい
組み合わせ候補は事前計算、並べ替えだけリアルタイム多くの現場で採られる

今回は、トップページは直前に見た作品の影響が大きいので、組み合わせの方式を提案すると説明します。

3. 深掘りの質問と答え方(15〜20分)

「新しい会員には何を出しますか」

履歴がない会員には、登録時に選んだジャンル、年代や端末などの属性、人気作品で始めます。数本見たら、その視聴から埋め込みを作ります。最初の数回の視聴でおすすめが変わる速さが、継続率に効くと添えると良いです。

「新しい作品が推薦されません」

視聴の履歴がない作品は、協調フィルタリングでは候補に上がりません。作品のあらすじ、ジャンル、出演者などの内容から埋め込みを作る、新作の枠を設けて一定の割合で表示する、と答えます。

「学習データの偏りはありますか」

あります。今の推薦で上位に出た作品ほど見られるので、そのデータで学習すると、今の推薦の結果をなぞるだけになります(位置の偏り、表示の偏り)。表示された位置を特徴量に入れて推論時は固定する、一部の表示をランダムにして偏りのないデータを集める、と答えます。

「オフラインでどう評価しますか」

過去のある日までのデータで学習し、その後の期間に実際に見た作品を、上位 k 本の中にどれだけ出せたか(Recall@k、NDCG)で測ります。ただし、オフラインの評価は「今の推薦で表示されたもの」の中でしか正解が分からないので、本番の効果は A/B テストで確かめる、と答えます。主な指標は視聴時間や継続率、ガードレールは応答時間と解約率です。

「人気作品ばかりが出ます」

人気の偏りは、多くの利用者には外れが少ない一方、作品の幅を狭め、長期では飽きにつながります。並べ替えの目的に多様性を入れる、人気度で補正する、カタログの何割が表示されたか(カバレッジ)を指標として見る、と答えます。

「応答時間が間に合いません」

どこに時間がかかっているかを測ったうえで、候補の数を減らす、並べ替えのモデルを軽くする(特徴量を減らす、蒸留する)、会員の特徴量を事前に計算してキャッシュする、と答えます。目安として、全体で数百ミリ秒以内に収める設計を説明できると十分です。

4. 面接官が見ていること

  • 何を増やしたいかを最初に確かめ、学習の目的と評価をそれに合わせたか
  • 候補の生成と並べ替えに分ける理由を、件数と応答時間で説明できたか
  • 新しい会員・新しい作品、学習データの偏りといった、推薦に特有の問題を自分から挙げたか
  • オフラインの評価の限界を知っていて、本番での比べ方まで話せたか

推薦の仕事をした経験があれば、どの段階を担当し、何を変えて、どの指標がどれだけ動いたかを、この構成に当てはめて話すと伝わりやすくなります。検索の経験しかない人も、候補の取り出しと並べ替えの2段の構成は共通なので、その経験を軸に話せます。

まとめ

  • まず「何を増やしたいか」と、データ、規模、応答時間、表示の制約を聞き返す
  • 候補の生成、並べ替え、最後の調整の3段で構成し、計算をいつ行うかを決める
  • 新しい会員・作品、表示の偏り、人気の偏りへの対策を話せるようにする
  • オフラインの評価と A/B テストを組み合わせて効果を確かめる

推薦や検索の経験を、どの会社の面接でどう話すかについても、ジンベイ AIタレントで相談に乗っています。

あわせて読みたい