本論文では、暗黙的フィードバック（クリックや購入など）を前提とした推薦タスクを考察しています。従来の手法では、候補アイテムに基づいて個別のランキングを学習し、固定数の上位N件をユーザーに推薦するアプローチが一般的ですが、実際にはユーザーの嗜好に関連するアイテムが常に十分に存在するという前提に依存しています。この前提が現実には成り立たない場合も多く、推薦可能なアイテムが限られ、関連性の要求が高いユーザーには上位アイテムが適切でないことがあります。そこで本研究は、候補アイテムセットとターゲットユーザーに合わせてK値を動的に変える動的K推薦を提唱しています。この推薦タスクは、ランキングと分類の両方の目的を持つ共同学習問題として定式化され、既存の手法であるBPRMFとHRMを動的K版に拡張したDK-BPRMFとDK-HRMを提案します。実験結果から、動的Kモデルが従来の固定N推薦手法よりも効果的であることが示されました。