# AIレコメンド機能を乗せれるかもしれない.VPSだから微妙 #TFIDFベクトライザ
おはようございます.AIレコメンド機能を乗せれるかもしれないけど無理かもしれないということで、まだ試してはいないのだけど機械学習で学習済みのモデルをVPSに乗せ動かすことが出来れば、AIレコメンド機能が出来そうです.
いまある記事のデータのタグ付け部分をTF-IDFベクトライザの学習させれば案外簡単に学習させることが出来そうなので生成AIにコードを書いてもらいました.
尚、この方法はECサイトの商品のレコメンド機能にも同じような感じでデータを与えるとレコメンドしてくれたりします.
最後にPythonコードを貼っときます.VPSサーバで再学習できれば良いだけども難しいかもしれない、、、.
```
import pickle
import os
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
import pandas as pd
# モデル保存ファイル名
MODEL_PATH = "tfidf_vectorizer.pkl" # TfidfVectorizer
DATA_PATH = "article_tags.pkl" # 記事IDとタグ
# 類似度モデル構築（再学習対応）
def build_similarity_model(article_tags_input, save_model=True, retrain=False):
# 再学習時は既存データを読み込んで結合する
if retrain and os.path.exists(DATA_PATH):
with open(DATA_PATH, "rb") as f:
existing_data = pickle.load(f)
existing_data.update(article_tags_input) # 新しいデータを追加
article_tags_input = existing_data
article_ids = list(article_tags_input.keys())
processed_corpus = [" ".join(tags) for tags in article_tags_input.values()]
# 再学習またはモデル未保存時に新たにモデルを学習・保存
if retrain or not os.path.exists(MODEL_PATH):
vectorizer = TfidfVectorizer()
tfidf_matrix = vectorizer.fit_transform(processed_corpus)
if save_model:
with open(MODEL_PATH, "wb") as f:
pickle.dump(vectorizer, f) # ← ここでモデルを保存
with open(DATA_PATH, "wb") as f:
pickle.dump(article_tags_input, f) # ← ここで元データを保存
else:
# 保存済みモデルを使って変換する
with open(MODEL_PATH, "rb") as f:
vectorizer = pickle.load(f)
tfidf_matrix = vectorizer.transform(processed_corpus)
cosine_sim_matrix = cosine_similarity(tfidf_matrix)
cosine_sim_df = pd.DataFrame(cosine_sim_matrix, index=article_ids, columns=article_ids)
return cosine_sim_df, article_ids
# 類似記事を取得する関数
def get_recommendations(article_title, similarity_matrix, articles_map, top_n=3):
if article_title not in articles_map:
print(f"エラー: 記事 '{article_title}' が見つかりません。")
return []
sim_scores = list(enumerate(similarity_matrix[article_title]))
sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)
recommended_articles = []
for i, score in sim_scores:
if articles_map[i] != article_title and len(recommended_articles) < top_n:
recommended_articles.append((articles_map[i], score))
if len(recommended_articles) >= top_n:
break
return recommended_articles
# 入力記事データ ( 例 )
article_tags_input = {
"記事1": ["Python", "機械学習", "データサイエンス"],
"記事2": ["Python", "Web開発", "Django"],
"記事3": ["機械学習", "自然言語処理"],
"記事4": ["データサイエンス", "統計学"],
"記事5": ["Python", "データサイエンス", "可視化"]
}
# 類似度モデル構築 + モデル保存 ( 初回学習 )
cosine_sim_df, article_ids = build_similarity_model(article_tags_input)
# 使用例
target_article = "記事1"
recommendations = get_recommendations(target_article, cosine_sim_df, article_ids, top_n=2)
print(f"\n「{target_article}」へのおすすめ記事 ( 上位2件 ):")
for article, score in recommendations:
print(f"- {article} (類似度: {score:.4f})")
# 新しい記事を追加して再学習
new_article_id = "記事6"
new_article_tags = ["Python", "統計学"]
article_tags_input = {new_article_id: new_article_tags}
# 再構築＋再学習
cosine_sim_df, article_ids = build_similarity_model(article_tags_input, retrain=True)
target_article = new_article_id
recommendations = get_recommendations(target_article, cosine_sim_df, article_ids, top_n=2)
print(f"\n「{target_article}」へのおすすめ記事 ( 上位2件 ):")
for article, score in recommendations:
print(f"- {article} (類似度: {score:.4f})")
```
明日へ続く
[  成功体験と成功の模倣.
](https://zip358.com/2026/02/05/%e6%88%90%e5%8a%9f%e4%bd%93%e9%a8%93%e3%81%a8%e6%88%90%e5%8a%9f%e3%81%ae%e6%a8%a1%e5%80%a3.html)
[  サイトを分離した話を黙々と書いていきます.
](https://zip358.com/2026/02/04/%e3%82%b5%e3%82%a4%e3%83%88%e3%82%92%e5%88%86%e9%9b%a2%e3%81%97%e3%81%9f%e8%a9%b1%e3%82%92%e9%bb%99%e3%80%85%e3%81%a8%e6%9b%b8%e3%81%84%e3%81%a6%e3%81%84%e3%81%8d%e3%81%be%e3%81%99.html)
[  半額セールでアドビ様を延長.
](https://zip358.com/2026/02/03/%e5%8d%8a%e9%a1%8d%e3%82%bb%e3%83%bc%e3%83%ab%e3%81%a7%e3%82%a2%e3%83%89%e3%83%93%e6%a7%98%e3%82%92%e5%bb%b6%e9%95%b7.html)
[  何の前触れもなく変えたのは初めてかも.
](https://zip358.com/2026/02/02/%e4%bd%95%e3%81%ae%e5%89%8d%e8%a7%a6%e3%82%8c%e3%82%82%e3%81%aa%e3%81%8f%e5%a4%89%e3%81%88%e3%81%9f%e3%81%ae%e3%81%af%e5%88%9d%e3%82%81%e3%81%a6%e3%81%8b%e3%82%82.html)
[  跳ねたいサイトで跳ねたい
](https://zip358.com/2026/02/01/%e8%b7%b3%e3%81%ad%e3%81%9f%e3%81%84%e3%82%b5%e3%82%a4%e3%83%88%e3%81%a7%e8%b7%b3%e3%81%ad%e3%81%9f%e3%81%84.html)