用語比較
コンテンツベースフィルタリングと協調フィルタリングの違い｜推薦の2つの考え方（AI・レコメンド）
コンテンツベースフィルタリングは、ユーザーが好んだアイテムに似たアイテムを薦める方法です。協調フィルタリングは、似た好みのユーザーが好んだアイテムを薦める方法です。
どちらもレコメンド(推薦)の候補を作る方法です。違いは、類似度を何のあいだで取るかにあります。アイテム同士の類似ならコンテンツベース、ユーザーとアイテムの関係の類似なら協調フィルタリングと覚えると、選択肢を整理できます。
このページは、Google for Developersの機械学習コース(レコメンデーションシステム)の記述をもとに、仕組み・必要なデータ・長所と短所で比べます。数の例は、説明用の架空のデータです。
この記事の根拠と出典
各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。
結論
コンテンツベース
アイテム同士の類似度を使い、ユーザーが好んだものに似たアイテムを薦める。他のユーザーのデータは要らない。
協調フィルタリング
クエリ(ユーザー)とアイテムの類似を同時に使う。似たユーザーが好んだアイテムを、まだ似たものを見ていないユーザーにも薦められる。
見分け方
他のユーザーのデータを使うかを見る。使うなら協調フィルタリング。
違いを表で確認
| 比較軸 | コンテンツベース | 協調フィルタリング |
|---|---|---|
| 類似度の取り方 | コンテンツベース：アイテム同士の類似度で、ユーザーが好きなものに似たものを薦める | 協調フィルタリング：クエリとアイテムの類似を同時に使う。ユーザーAとBが似ていて、Bが動画1を好むなら、Aに動画1を薦める |
| 他のユーザーのデータ | コンテンツベース：要らない。推薦はそのユーザー固有で、多数のユーザーへ広げやすい | 協調フィルタリング：使う。フィードバック行列(誰がどのアイテムを評価したか)だけでも出発点になる |
| 長所 | コンテンツベース：そのユーザー固有の関心をとらえ、他に関心を持つ人が少ないアイテムも薦められる | 協調フィルタリング：領域の知識が要らない。ユーザーが自分では気づかない新しい関心を見つける(セレンディピティ) |
| 短所 | コンテンツベース：特徴量を人手で作る面があり、領域の知識が要る。既存の関心の外へ広げる力は限られる | 協調フィルタリング：学習時に見ていない新しいアイテムは扱えない(コールドスタート)。年齢などの補助情報を入れにくい |
G検定の学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
どこで迷っているかを切り分ける
どちらも「似たものを薦める」としか覚えていない人
コンテンツベースは、アイテム同士の類似を使います。協調フィルタリングは、ユーザーとアイテムの類似を同時に使い、似たユーザーの好みを手がかりにします。何のあいだの類似かが違いです。
コールドスタートの意味を聞かれる人
協調フィルタリングでは、あるアイテムが学習時に出てこないと、そのアイテムの埋め込みを作れず、予測もできません。これが、新しいアイテムを扱えないという短所です。
ユーザーが少ない段階の事業を考える人
コンテンツベースは、他のユーザーのデータが要らないので、ユーザーが少ない段階でも始められます。ただし、特徴量の作り込みに領域の知識が要ります。
具体例で使い分ける
例 1
どちらの考え方かを分ける(架空のデータ)
動画サービスで、ユーザーAがかわいい猫の動画を2本見た。システムは「かわいい動物の動画」を薦めた。別の場面では、ユーザーAとユーザーBの視聴履歴が似ていて、Bが好んだ動画1を、Aにも薦めた。
- 1つ目の場面は、Aが見た動画に似た動画を薦めています。アイテム同士の類似を使うので、コンテンツベースです。
- 2つ目の場面は、AとBというユーザーの類似を手がかりにしています。Aの過去の視聴に似ていなくても、似たユーザーBの好みから薦められます。協調フィルタリングです。
- 1つ目はAのデータだけで成り立ち、2つ目はBのデータを使う点も違います。
結論: アイテムの類似ならコンテンツベース、似たユーザーの好みなら協調フィルタリングです。この場面は、説明用の架空の例です。
例 2
新しい作品が追加された直後の違い(架空のデータ)
配信サービスに新作が1本追加された。まだ誰も見ていないので、視聴の記録は0件。
- 協調フィルタリングは、学習時に見ていないアイテムの埋め込みを作れないので、この新作を扱えません。
- コンテンツベースは、新作の特徴量(ジャンルなど)が分かれば、似た作品を好んだユーザーへ薦められる可能性があります。
- ただし、コンテンツベースは特徴量の作り込みの質に左右されます。
結論: 視聴の記録がない新しいアイテムでは、協調フィルタリングは弱く、コンテンツベースが使いやすい場面です。0件という数は、説明用の架空の数字です。
問題文から答えを選ぶ手順
- 1
類似を取る相手を見る
アイテム同士の類似か、ユーザーとアイテムの関係の類似かを確認します。
- 2
他のユーザーのデータを使うかを見る
使わなければコンテンツベース、使うなら協調フィルタリングです。
- 3
短所の語で確かめる
新しいアイテムを扱えない、はコールドスタートで協調フィルタリング。既存の関心の外へ広げにくい、はコンテンツベースです。
試験での見分け方
- 1アイテム同士の類似で薦めるのが、コンテンツベース。
- 2似たユーザーの好みを使うのが、協調フィルタリング。
- 3新しいアイテムを扱えないのが、協調フィルタリングの短所。
- 4ユーザーが自分では気づかない関心を見つけやすいのが、協調フィルタリングの長所。
誤答しやすい選択肢
協調フィルタリングは、アイテムの中身(特徴量)を使うと考える
修正: 協調フィルタリングは、誰がどのアイテムにどう反応したかという関係を使います。領域の知識が要らないのは、埋め込みが自動で学習されるからです。
コンテンツベースは、他のユーザーのデータを集めないと動かないと考える
修正: コンテンツベースは、そのユーザー固有の推薦なので、他のユーザーのデータは要りません。
どちらか一方だけを使うものだと考える
修正: Googleのコースは、レコメンドを候補生成・スコアリング・再ランキングの段階に分け、候補生成器は複数あってよいと説明しています。協調フィルタリングは、複数の候補生成器の1つとして使えます。
確認問題
Q1ユーザーが好んだアイテムに似たアイテムを薦める方法は？
答え: コンテンツベースフィルタリング
アイテム同士の類似度を使います。他のユーザーのデータは要りません。
Q2似た好みのユーザーが好んだアイテムを薦める方法は？
答え: 協調フィルタリング
ユーザーAとBが似ていて、Bが好んだ動画をAに薦める、という考え方です。
Q3協調フィルタリングが、学習時に見ていない新しいアイテムを扱えない問題を何と呼ぶ？
答え: コールドスタート問題
新しいアイテムの埋め込みを作れず、予測もできません。
到達チェック
- コンテンツベースと協調フィルタリングの類似度の取り方を言える
- 他のユーザーのデータが要るかを言える
- コールドスタート問題の意味を言える
関連ページで確認する
同じ資格で次に知りたいこと
- ブートストラップ法とバギングの違い｜標本の取り方と、それを使う手法（G検定・アンサンブル学習）
ブートストラップ法とバギングの違いを、復元抽出という標本の取り方と、その標本で複数モデルを作って予測をまとめる手法という役割の違いで整理。OOB(袋外)標本の考え方と確認問題つき。G検定のアンサンブル学習に使える。
- LoRAとフルファインチューニングの違い｜学習する重みと運用の差（AI・大規模言語モデル）
LoRAとフルファインチューニングの違いを、更新する重み・学習パラメータ数・メモリ・推論時の遅延・複数タスクの運用で整理。凍結した重みに低ランクの行列を足す仕組みと、確認問題つき。G検定などAI系の学習に使える。
- Pix2PixとCycleGANの違い｜ペアの画像が要るか、要らないか（G検定・画像変換）
Pix2PixとCycleGANの違いを、訓練データ(ペアの有無)・学習のしくみ(損失関数・循環一貫性損失)・向く課題で整理。ペアが作れるかから手法を選ぶ判定例と確認問題つき。G検定の生成モデルの学習に使える。
よくある質問
Q協調フィルタリングの「協調」とは？
多数のユーザーの反応を手がかりに、似たユーザーの好みを使って推薦することを指します。Googleのコースは、クエリ(ユーザー)とアイテムの類似を同時に使う方法と説明しています。
Qコールドスタートとは？
協調フィルタリングで、学習時に見ていない新しいアイテムの埋め込みを作れず、予測もできない問題です。
Qどちらが優れている？
優劣は決まりません。コンテンツベースは他のユーザーのデータが要らない一方で既存の関心を超えにくく、協調フィルタリングは新しい関心を見つけやすい一方で新しいアイテムに弱い、という長所と短所の組み合わせです。
次に見る比較
- G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
- ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
- 紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。
執筆: ミナト編集部（運営者情報を見る）