岡本一志准教授は、このような情報推薦システムについて研究し、ユーザや運用者に対して、商品を推薦した「理由」を的確に説明することを目指しています。統計学や計算機科学、機械学習の手法を使ったデータサイエンスの領域において、特に計算知能の方法論を用いています。購買履歴や商品の評価などの行動ログを収集・分析することによって、人の意思決定を支援したり、モノやサービスの価値推定やマッチングに生かしたりするのが研究の目的です。

例えば、商品を薦める際に、「この商品はお勧めです。なぜなら○○だからです」というように、システムがどのように判断したのかを明確に提示できれば、説得力が高まります。「推薦理由の“透明性”のある説明を行うことは、推薦した商品の受け入れやすさや信頼性、満足度に寄与することが明らかになっている」（岡本准教授）そうです。
こうした研究は、従来はユーザやアイテムに変更があってもモデルの再構築が不要な「メモリベース法」で行われるのが主流でしたが、処理に時間がかかるという課題がありました。これに対して、岡本准教授は規則に従った推薦をすることで高速化できる「モデルベース法」を採用しています。事前に学習したモデルに基づくため、推薦の説明をする際の計算時間を大幅に短縮できるのです。

一つの応用として、電気通信大学の附属図書館の貸出履歴のデータを使って「図書推薦システム」を作りました。学年と学科、専攻の同じ学生を同一グループに分類し、このグループが2015年と16年に借りた図書のデータをシステムに学習させます。これを基にして、同グループが17年に借りるであろう図書の一覧を推薦します。この予測結果と、実際に17年に借りられた図書を比較し、その予測精度（当たった確率）をスコアで算出します。
その結果、推薦結果の上位5―20件の分析では、現状でも2―3割の確率で予測が当たることが分かりました。従来研究にはなかった説明機能を新たに加えており、さらに予測までのスピードを100倍以上に高速化した上で、同等以上の精度を維持しています。推薦理由の説明方法は、例えば「予測スコア　4.1」「ユーザの影響　1.3」「アイテムの影響　0.9」「交互作用　0.7」「システムの影響（バイアス）　1.2」といったように、5点満点のスコアで表示します。