レコメンド（リコメンド）とは利用者に合いそうな物を選んで勧めること。「おすすめ機能」の仕組みとAIとの関係、身近な例を、辞書と公式資料で【2026年10月版】

2026年10月8日・日本時間時点の情報です。 レコメンド（リコメンド、recommend）とは、勧めること、推薦することです。オンラインショップや動画サービスでは、利用者の好みに合いそうな商品や作品を選んで勧める仕組みを指し、デジタル大辞泉（小学館）もこの2つの意味を載せています。おすすめ機能だけの料金は、本記事が読んだ公式資料には書かれておらず、Netflixは有料の定額サービスの一部としてレコメンド機能を備えると説明しています。この記事は、デジタル大辞泉・IBM・Netflix・Google・Amazon・Spotify・総務省・EUの原文を2026年10月8日に取得して、意味、AIとの関係、身近な例、注意点を確かめたものです。

3行まとめ

1. デジタル大辞泉は「レコメンド」を2つの意味で載せる。1つ目は「勧めること。推薦すること」、2つ目は「オンラインショップなどで、利用者の好みにあった物品やサービスを推薦する手法」（2026年10月8日確認）
2. IBMは、この仕組みを「ユーザーに商品を提案する人工知能（AI）システム」と説明する。ただし、売れ筋を並べるだけの一覧（Amazon Science）や、音楽エディターが選ぶおすすめ（Spotify）もあり、勧め方がすべてAIとは限らない
3. Netflixは視聴履歴・好みの似た会員・作品情報から、YouTubeは視聴履歴・時間帯・デバイスなどから勧める物を決めると公式に説明している。筆者がログインせずYouTubeを開くと、おすすめは空だった

レコメンドとは、辞書ではどう書かれているのか

結論から書くと、日常で使う意味と、サイトやアプリの機能としての意味の2つがあります。

デジタル大辞泉（小学館）は、「レコメンド」を次のように載せています。コトバンクに載っている項目を、筆者が2026年10月8日 05:11 に開いて確かめました。

1 勧めること。推薦すること。「CDをレコメンドする」 2 オンラインショップなどで、利用者の好みにあった物品やサービスを推薦する手法。利用者の購入履歴やアンケート、好みが似た他の利用者の情報を分析し、適切な物品やサービスを絞り込んで推薦することにより、売り上げを高めるのがねらい。レコメンデーション。

同じ辞書は、見出しの横に「「リコメンド」とも」と添えています。「リコメンド」の項目は「⇒レコメンド」とだけあり、同じ意味として扱われています。「レコメンデーション」の項目は、1つ目が「推薦。推薦状」、2つ目が「⇒レコメンド2」です。

つまり、友達に「このお店いいよ」と勧めるのも、ショップが「この商品もどうですか」と出すのも、どちらも「勧める」ことです。違いは、2つ目の意味では、辞書の説明のとおり、購入履歴や好みの似た他の利用者の情報を分析して、その人に勧める物を絞り込む点にあります。

「おすすめ」と「レコメンド」は同じものか

同じ場面で使われます。筆者がログインせずに開いたYouTubeのトップには「おすすめ動画」、Amazon.co.jpのトップには「お客様へのおすすめ商品」という言葉があり、どちらも辞書の2つ目の意味のレコメンドにあたります。Netflixの日本語ヘルプは、同じ機能を「レコメンド機能」と書き、一部の箇所で「オススメ」とも書いています（2026年10月8日 05:10 取得）。

ただし、「おすすめ」と表示される物が、すべて利用者ごとに選ばれているとは限りません。Spotifyは公式ページで、音楽エディターが作るプレイリストのように人が選ぶおすすめと、利用者ごとにアルゴリズムで選ぶおすすめの両方があると説明しています。総務省の令和5年版情報通信白書も、SNSなどでおすすめされるアカウントやコンテンツについて「サービスの提供側がみてほしいアカウントやコンテンツが提示される場合がある」と書いています。この記事で扱うのは、辞書の2つ目の意味、つまり利用者ごとに選ぶ仕組みのほうです。

レコメンドの仕組みは、どんな順番で動くのか

IBMの日本語ページは、レコメンデーション・エンジン（レコメンダー）を次のように説明しています。

レコメンデーション・エンジン（レコメンダーとも呼ばれます）は、ユーザーに商品を提案する人工知能（AI）システムです。

IBMによると、動きは5つの段階です。

1. データ収集（評価やレビューなどの明示的データと、閲覧履歴・クリック・購入履歴などの暗黙的データ）
2. 保管
3. 分析（機械学習のアルゴリズムでパターンを探す）
4. フィルタリング（関連性の高い物を選ぶ）
5. 精製（出力を評価して、精度を上げ続ける。IBMは任意で加える段階としている）

Googleの機械学習講座（Google for Developers）は、レコメンドの仕組みによくある構成として、3つの段階を挙げています。最初の段階について、英語の原文は次のとおりです。

For example, the candidate generator in YouTube reduces billions of videos down to hundreds or thousands.

（訳：たとえば YouTube の候補生成は、数十億の動画を数百から数千に減らす。）

講座の説明では、①大量の中から候補をしぼる（candidate generation）、②候補に点数をつけて並べ、利用者に見せる10個ほどを選ぶ（scoring）、③見せる前に、嫌がった物を外したり新しさや多様性を整えたりする（re-ranking）、の順です。数十億から一気に10個に選ぶのではなく、段階的にしぼる、という説明です。

勧め方には、どんな種類があるのか

IBMは、勧め方を3種類に分けています。Googleの講座も、最初の2つを候補生成の代表的な方法として挙げています。

Googleの講座には、協調フィルタリングの利点も書かれています。英語の原文は次のとおりです。

This allows for serendipitous recommendations; that is, collaborative filtering models can recommend an item to user A based on the interests of a similar user B.

（訳：これにより、思いがけない推薦ができる。つまり協調フィルタリングは、似た利用者Bの関心に基づいて、利用者Aに物を勧められる。）

IBMはこのほか、Amazonが製品の推薦に、Spotifyが音声コンテンツに協調フィルタリングを使うと書いています。これはIBMの説明です。Spotify自身は「Spotifyのおすすめ機能について」（最終更新日：2026年3月12日）で、協調フィルタリングという言葉は使っていませんが、「ユーザー間のトレンド、一般的な好み、行動」と、ジャンルやリリース日といった「コンテンツ自体の特徴」の両方をアルゴリズムに組み込むと書いています。Amazonについては、次の節のAmazon Scienceの記事が、商品どうしの関係から勧める協調フィルタリングを説明しています。

Amazonの勧め方は、どう生まれたのか

Amazon Science（2019年11月22日付）の記事は、2003年の論文「Amazon.com Recommendations: Item-to-Item Collaborative Filtering」を紹介しています。記事によると、それまでの主流は、似た購入履歴の利用者を探して勧めるやり方（user-based collaborative filtering）でしたが、Amazonの研究者たちは、利用者どうしの似かたでなく商品どうしの関係から勧める方法に変えました。記事の説明は次のとおりです。

item B is related to item A if customers who buy A are unusually likely to buy B as well.

（訳：Aを買う客が、Bも買う確率が目立って高いなら、BはAに関連がある。）

この記事は2019年のもので、いまのAmazonが同じ方式のままかどうかは、本記事で確かめていません。記事はその後の研究として、ブランドや服の好みを加えること、買う時期をはかること、同じアカウントを使う別の人に合わせることなども書いています。より新しいAmazon Scienceの記事（2024年5月10日付）は、検索語と購入、同じ買い物で一緒に買われた商品のデータから、大規模言語モデル（LLM）で、たとえば「shoes for pregnant women」（妊婦向けの靴）という検索には滑りにくい靴が合う、といった常識的な関係を見つけ、Amazonの推薦エンジンに役立てる研究（COSMO）を紹介しています。これも研究の紹介で、いまのAmazonの推薦全体の仕組みを説明したものではありません。

2019年の記事は、2014年にPrime Video向けの新しい推薦の仕組みを任されたチームを率いたVijai Mohan氏の、次の言葉を載せています。

“In the recommendations world, there’s a cardinal rule,” Mohan says. “If I know nothing about you, then the best things to recommend to you are the most popular things in the world.”

（訳：「推薦の世界には鉄則がある」とMohan氏は言う。「相手のことを何も知らないなら、勧める物として最もよいのは、世界で最も人気のある物だ」）

記事によると、このチームの比較実験では、最初、複雑なモデル（ニューラルネットワークの一種のオートエンコーダー）が、単純な売れ筋の一覧より悪い結果になりました。視聴データを時間の順に並べて学習させるやり方に変えると、オートエンコーダーは売れ筋の一覧と商品どうしの協調フィルタリングの両方を上回りました（協調フィルタリングとは2対1）。AIのモデルを使えば必ずよいおすすめになるわけではなく、作り方しだいで結果が変わる、という実例です。

身近なサービスでは、何を材料に勧めているのか

公式ヘルプや公式ページが説明している範囲で並べます。数値の重みは、どのページにも載っていませんでした。

Netflixの日本語ヘルプは、「年齢や性別などの人口統計的な情報は、レコメンド機能の判断プロセスには含まれません」と書いています。また、アカウントや新しいプロフィールを作るときに好きな作品をいくつか選ぶことが勧めの出発点になり（選ぶのは任意で、省くと「広く人気のある作品グループ」から勧める）、視聴を重ねると「最近の視聴傾向が重視される」とも説明しています。ヘルプは、ホーム画面では「どのような行を表示するか」「その行にどんな作品を表示するか」「それらの作品をどの順番で表示するか」が個別に決まり、各行の左から右へオススメ順に並ぶと書いています。

おすすめがどれだけ使われているかを示す数字として、IBMのページは、Netflixで視聴される作品の80%は推奨アルゴリズムが提案したものだと書いています。ただし、この80%には出どころが示されていません。また、Amazonで買い物客が購入する物の35%は商品の推奨によるものだとコンサルティング会社のMcKinseyが指摘している、とも書き、McKinseyの記事にリンクしています。

リンク先のMcKinseyの記事（2013年10月1日付）を筆者が開くと、次のように書かれていました。

Already, 35 percent of what consumers purchase on Amazon and 75 percent of what they watch on Netflix come from product recommendations based on such algorithms.

（訳：すでに、消費者がAmazonで購入する物の35%と、Netflixで視聴する物の75%は、こうしたアルゴリズムに基づく商品の推薦から来ている。）

Netflixの数字は、McKinseyの記事では80%でなく75%です。McKinseyの記事も、この数字の元になった調査やデータは示していません。2013年の記事なので、いまの割合を示す数字ではありません。

ログインしないで開くと、おすすめはどう見えたのか

筆者は2026年10月8日 05:12 から 05:13 に、ヘッドレスのブラウザ（画面を出さずに動くブラウザ）で、ログインせず、アカウントも作らずに、次の2つのトップページを開きました。

YouTube（05:12）: 動画は1本も並びませんでした。画面の中央に「まずは検索してみましょう」という見出しと、「おすすめ動画を表示するには」まず動画を見るよう求める1文が出ました。サイドバーはホーム・ショート・登録チャンネル・マイページの4つで、右上は「ログイン」ボタンです。

これは、IBMが説明するコールド・スタート問題（「特に新規ユーザーにおいて、システムから引き出せる過去のデータが限られている場合に発生します」）の、画面上の現れ方と読めます。ただし、そう読むのは筆者の解釈で、YouTubeがそう説明している訳ではありません。

Amazon.co.jp（05:13）: 商品の棚（人気のお買い得、人気のキャラクターグッズなど）は並びましたが、棚の下には「お客様へのおすすめ商品を表示」という文と「ログイン」「初めてご利用ですか? 新規登録はこちら」の案内がありました。ログインした時の画面は、筆者は見ていません。

ログイン後の画面は見ていないので、ログインしたあとの表示や、設定画面の項目名は、公式ヘルプに書かれた範囲でしか書けません。

レコメンドの仕組みを、筆者が小さな表で動かすとどうなったのか

仕組みの違いを確かめるため、筆者は本を6冊、利用者5人の小さな表で、2つの勧め方と人気順をPythonで動かしました（2026年10月8日。スクリプトは取材用ファイルとして保管）。表は筆者が作った架空のデータで、実在のサービスの数字ではありません。

• 利用者Aは「カレー本」「パスタ本」を、Bは「カレー本」「パスタ本」「パン本」を選んだ。Cは「Python入門」「データ分析入門」「AI入門」を、Dは「Python入門」「データ分析入門」を、Eは「パスタ本」「パン本」を選んだ
• 新しい利用者が「カレー本」だけ選んだとき、協調フィルタリング風（同じ人が一緒に選んだかどうかから、商品どうしの近さを0〜1の点数にする）の点数は、パスタ本が0.82、パン本が0.5、IT系の3冊は0。パスタ本が先頭に出た
• コンテンツベース風（ジャンルの札だけを見る）では、パスタ本とパン本が同点の1点。どちらも札は「料理」なので、2冊の順番はつかなかった
• 何も選んでいない利用者に人気順で出すと、先頭はパスタ本（3人）。人気順は、その人のことを何も知らなくても作れる

この結果から言えるのは、勧め方によって「何を根拠にその順番になったか」が違う、ということです。協調フィルタリング風は他の人の行動を根拠にし、コンテンツベース風は物の特徴だけを根拠にします。実際のサービスが使う仕組みは、はるかに大きく複雑です。

レコメンドで気をつけることは何か

IBMは、課題として、コストと複雑さ、規模とスピード、無関係な推薦、バイアス（データに含まれる社会的な偏りを学ぶ可能性）、プライバシーとコンプライアンスを挙げています。AIのバイアスそのものはバイアスとはの記事で説明しています。利用者が気にするのは、主に次の2点です。

1. 興味のある情報ばかりになる: 総務省の令和5年版情報通信白書は、プラットフォーム事業者が利用者のクリック履歴などを分析（プロファイリング）してレコメンデーションやターゲティング広告を出しているとし、次のように書いています。

アルゴリズム機能で配信された情報を受け取り続けることにより、ユーザーは、自身の興味のある情報だけにしか触れなくなり、あたかも情報の膜につつまれたかのような「フィルターバブル」と呼ばれる状態となる傾向にある。

同じ白書の別の節には、検索結果やSNSの表示が利用者に合わせて最適化されていることを「知っている」と答えた割合が、日本は44.7%で、ほかの対象国（80%から90%）より低かった、という調査結果があります。フィルターバブルと、似た意見ばかりが響き合う「エコーチェンバー」など、総務省が挙げる影響はアルゴリズムとはの記事にまとめています。

2. データが使われる: おすすめは、閲覧や購入の履歴が材料です。YouTubeのヘルプは、おすすめの調整について、動画に「興味がない」とマークする、再生履歴や検索履歴を削除してオフにする、といった方法を案内しています。ホームにおすすめを出したくない場合は、再生履歴を削除してオフにする方法もある、と書いています。

海外では、利用者が選べるようにする決まりがあります。EUのデジタルサービス法（DSA。2022年10月19日の規則で、EU官報には2022年10月27日に掲載）の条文を、EUの法令データベースEUR-Lexで確かめました。

• 第27条: レコメンドの仕組み（recommender systems）を使うオンラインプラットフォームは、勧める情報を決める主な基準（main parameters）と、利用者がそれを変えたり影響を与えたりできる選択肢を、利用規約に「plain and intelligible language」（平易で分かりやすい言葉）で書く。並び順を決める選択肢が複数ある場合は、利用者がいつでも選び直せる機能を用意する
• 第38条: 特に大きなプラットフォームと検索エンジンには、次の義務が加わる

In addition to the requirements set out in Article 27, providers of very large online platforms and of very large online search engines that use recommender systems shall provide at least one option for each of their recommender systems which is not based on profiling as defined in Article 4, point (4), of Regulation (EU) 2016/679.

（訳：第27条の要件に加えて、レコメンダー・システムを使う超大規模オンラインプラットフォームと超大規模オンライン検索エンジンの提供者は、それぞれのレコメンダー・システムについて、規則（EU）2016/679の第4条第4号に定めるプロファイリングに基づかない選択肢を、少なくとも1つ用意しなければならない。）

規則（EU）2016/679は、EUの個人データ保護の規則（GDPR）です。総務省が公開した調査資料（みずほリサーチ＆テクノロジーズによる2024年4月12日付の結果紹介）は、ここでいうプロファイリングを、個人データを使ってその人の好みや興味、行動などを分析・予測する自動処理と説明し、DSAが守る対象をEU域内のサービス利用者と整理しています。EUR-Lexには、2026年10月8日時点で、この規則を改める法令の記録はありませんでした（一部の言語版の訂正のみ）。各社がEUでどんな選択肢を出しているかは、本記事では確かめていません。

おすすめだけに頼らず、検索や別のサービスも入口にするのが、筆者の提案する付き合い方です。

レコメンドとよく取り違えるのは何か

• アルゴリズム: 手順そのものを指す広い言葉です。レコメンドは、アルゴリズムを使う仕組みの1つです。意味の整理はアルゴリズムの記事にまとめました
• 機械学習: データから規則を学ぶ方法です。IBMは、レコメンデーション・エンジンが機械学習のアルゴリズムでデータのパターンを見つけると説明しており、レコメンドの道具の1つという関係です。詳しくは機械学習の記事を参照してください
• 検索: 利用者が言葉を入れて探すものです。Netflixのヘルプも、「同じような検索をした他のメンバーからの情報や、楽しんでいただけそうな作品を予想するなど、さまざまな要素に基づいて検索上位に並ぶ作品を割り出しています」と説明しており、検索とレコメンドは重なる部分があります
• 生成AI: 文章や画像をつくるAIです。レコメンドは、既にある物の中から選んで勧めるのが基本で、役割が違います。生成AIの整理は生成AIの種類の記事にあります

筆者が見ていない画面と、数字の出どころが分からない点

• 各サービスの、材料ごとの重み。Netflix・YouTube・Spotifyの公式ページには、要素の種類は書かれていますが、数値は確認した範囲では載っていませんでした（Spotifyは、最も重要なインプットは「お客様の好みに関するデータ」だと書くところまでです）
• いまのAmazonの推薦全体がどの方式で動いているか。Amazon Scienceの2019年の記事と2024年の研究の紹介までで、全体の仕組みを説明した新しい公式ページは見つけられていません。Spotifyは公式ページで材料の種類を説明していますが、計算の方式の名前は書いていません
• ログイン後の画面と、各サービスのおすすめ設定の項目名。アカウントを作らない取材方針のため見ていません
• IBMが書く「Netflixで視聴される作品の80％」の出どころ。IBMのページにはリンクがなく、McKinseyの記事（2013年）は75%と書いていて、その元のデータも示していません
• 「レコメンド」と「リコメンド」の使われ方の頻度の差。辞書が同じ意味とすることまでを書きました

辞書・IBM・各社ヘルプ・総務省・EUの条文を取得した時刻の一覧

取得はすべて2026年10月8日の05:10から05:21で、原文は取材用フォルダに保存しています。

• デジタル大辞泉（コトバンク「レコメンド」「レコメンデーション」「リコメンド」）
• IBM「レコメンデーション・エンジンとは」（日本語。数字の出どころの確認に英語版も）
• Netflix ヘルプセンター（日本語・英語）
• Google for Developers「Recommendation systems overview」「Candidate generation overview」
• Amazon Science「The history of Amazon's recommendation algorithm」（2019年11月22日付）、「Building commonsense knowledge graphs to aid product recommendation」（2024年5月10日付）
• McKinsey「How retailers can keep up with consumers」（2013年10月1日付）
• YouTube ヘルプ「YouTube のおすすめシステム」「おすすめと検索結果を管理する」、YouTube・Amazon.co.jp のトップページ（ログインなし）
• Spotify「Spotifyのおすすめ機能について」（最終更新日：2026年3月12日）
• 総務省 令和5年版 情報通信白書の2つの節、総務省公開PDF（みずほリサーチ＆テクノロジーズ・2024年4月12日付）
• EUR-Lex「Regulation (EU) 2022/2065」（デジタルサービス法）