JPWO2003017137A1 - User profile management device and recommendation device - Google Patents

User profile management device and recommendation device Download PDF

Info

Publication number
JPWO2003017137A1
JPWO2003017137A1 JP2003521975A JP2003521975A JPWO2003017137A1 JP WO2003017137 A1 JPWO2003017137 A1 JP WO2003017137A1 JP 2003521975 A JP2003521975 A JP 2003521975A JP 2003521975 A JP2003521975 A JP 2003521975A JP WO2003017137 A1 JPWO2003017137 A1 JP WO2003017137A1
Authority
JP
Japan
Prior art keywords
user
behavior
user profile
recommendation
tendency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2003521975A
Other languages
Japanese (ja)
Inventor
稲越　宏弥
宏弥 稲越
岡本　青史
青史 岡本
湯上　伸弘
伸弘 湯上
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Publication of JPWO2003017137A1 publication Critical patent/JPWO2003017137A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/30—Definitions, standards or architectural aspects of layered protocol stacks
    • H04L69/32—Architecture of open systems interconnection [OSI] 7-layer type protocol stacks, e.g. the interfaces between the data link level and the physical level
    • H04L69/322—Intralayer communication protocols among peer entities or protocol data unit [PDU] definitions
    • H04L69/329—Intralayer communication protocols among peer entities or protocol data unit [PDU] definitions in the application layer [OSI layer 7]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/53—Network services using third party service providers

Abstract

インターネット２００におけるユーザの行動を行動モデルとしてモデル化する行動モデル生成部５２０と、行動モデルの類似度に応じて、ユーザをグループ化し、グループ内において、他のユーザのプロファイルを用いて、特定のユーザのユーザプロファイルを推測した後、特定ユーザのプロファイルを、推測されたユーザプロファイルに更新するユーザプロファイル更新部５４０とを備えている。A behavior model generation unit 520 that models a user's behavior in the Internet 200 as a behavior model; And a user profile updating unit 540 that updates the profile of the specific user to the estimated user profile after estimating the user profile.

Description

技術分野
本発明は、インターネットのユーザに関するユーザプロファイルを管理し、このユーザプロファイルに基づいて商品等を推薦するユーザプロファイル管理装置および推薦装置に関するものである。
背景技術
近時、インターネットの普及により、情報発信が容易となり、また、インターネットをインフラとした電子決済等が一般的になってきたことにより、企業にとっては、これらを用いたビジネスチャンスが広がりつつある。
一方、ユーザの視点からも多くの情報をインターネットから容易に入手可能となっていることは、より良い製品やサービスを得る機会の増加に繋がることから、ユーザにとって歓迎すべき点である。
しかしながら、ユーザの機会選択の幅が広がったことにより、顧客の満足度が高い意志決定を行うために多くの情報収集が欠かせなくなったという面もあり、企業としては、ユーザの一人一人に適した情報提供および商品推薦を行うことにより、顧客として囲い込み、ビジネスチャンスを逃さないという企業努力が不可欠な要素となっている。
このような背景より、近時では、ユーザプロファイルを用いたパーソナリゼーションや商品推薦の技術が注目されている。ここで、ユーザプロファイルは、ユーザに関する情報の総称であり、例えば、性別、年齢、未婚／既婚の別、住所や興味ジャンル、購買履歴等である。
例えば、近時では、ユーザプロファイルと、ユーザに提示する情報および商品との関連が高いものを推薦するコンテンツベースの推論システムや、ユーザプロファイルが似通ったユーザは、似通ったものを好むという観点から、コラボレーティブ・フィルタリング技術を用いた推薦システムが脚光を浴びている。
かかる推論システムや推薦システムに共通している点は、より質の高いサービスをユーザに提供するために、より正確で詳細なユーザプロファイルを保持する必要があることである。
しかしながら、ユーザプロファイル（特に、興味ジャンル等）は、時々刻々と変化する。従って、企業側で入手したユーザプロファイルは、時間の経過とともに、実際のユーザプロファイルとの差が開くという陳腐化現象が生じるため、役に立たなくなるという特性を有している。
このように陳腐化したユーザプロファイルによって推薦された商品等は、現時点のユーザに受け入れ難いものとなってしまう。従って、このような事態が発生した場合、企業は、ユーザの関心の低下や、ユーザと企業との接触機会の損失等により、顧客を逃してしまう。
本発明は、上記に鑑みてなされたもので、ユーザの手を煩わせることなくユーザプロファイルを更新することができ、より精度が高い推薦を行うことができるユーザプロファイル管理装置および推薦装置を提供することを目的としている。
発明の開示
上記目的を達成するために、本発明は、インターネットにおけるユーザの行動を行動モデルとしてモデル化するモデル化手段と、行動モデルの類似度に応じて、ユーザをグループ化するグループ化手段と、グループ内において、他のユーザのプロファイルを用いて、特定のユーザのユーザプロファイルを推測する推測手段と、前記特定ユーザのプロファイルを、前記推測手段により推測されたユーザプロファイルに更新する更新手段とを備えたことを特徴とする。
本発明によれば、インターネットにおけるユーザの行動モデルの類似度に応じて、ユーザをグループ化し、グループ内において、他のユーザのプロファイルを用いて、特定のユーザのユーザプロファイルを推測し、特定ユーザのプロファイルを、推測手段により推測されたユーザプロファイルに更新するようにしたので、ユーザの手を煩わせることなく、ユーザプロファイルを更新することができる。
また、本発明は、インターネットにおけるユーザの行動を行動モデルとしてモデル化するモデル化手段と、前記行動モデルに基づいて、ユーザの行動傾向を分析する行動傾向分析手段と、他のユーザの行動傾向と購入された商品との対応関係を表す事例ベースから、あるユーザの行動傾向との類似度が高い行動傾向を検索し、該行動傾向に対応する商品をユーザに推薦する推薦手段とを備えたことを特徴とする。
本発明によれば、他のユーザの行動傾向と購入された商品との対応関係を表す事例ベースから、あるユーザの行動傾向との類似度が高い行動傾向を検索し、該行動傾向に対応する商品をユーザに推薦するようにしたので、より精度が高い推薦を行うことができる。
発明を実施するための最良の形態
以下、図面を参照して本発明にかかる一実施の形態について詳細に説明する。第１図は、本発明にかかる一実施の形態の構成を示すブロック図である。この図には、インターネット上の複数のユーザに関する行動（ＷＥＢページの閲覧等）に基づいて、例えば、商品をユーザに推薦するための推薦システムが図示されている。
同図において、ＷＥＢサーバ１００は、インターネット２００を介して、コンテンツＨＴＭＬ（Ｈｙｐｅｒ Ｔｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）ページ１１０１〜１１０ｎ（第１０図参照）や属性情報入力ＨＴＭＬページ１３０（第１１図参照）をクライアント３００１〜３００ｍへ提供する。
これらのコンテンツＨＴＭＬページ１１０１〜１１０ｎは、Ｗｅｂ（ｗｏｒｌｄ ｗｉｄｅ Ｗｅｂ）ページを記述するためのＨＴＭＬファイルから構成されており、Ｗｅｂブラウザにより閲覧される。第１０図は、コンテンツＨＴＭＬページ１１０１の一例を示す図である。このコンテンツＨＴＭＬページ１１０１は、コンテンツとしてのプロ野球速報に関するページであり、試合結果、これまでの成績、今日のカード、球団情報等を表示している。リンク情報Ａは、コンテンツＨＴＭＬページ１１０１に元々含まれいる。リンク情報Ｂは、設問生成部５５０により提示される。また、リンク情報Ｃは、推薦部５７０により提示される。
同図に下線表示された「これまでの成績」、「今日のカード」、「球団情報」は、他のコンテンツＨＴＭＬページ１１０１〜１１０ｎへのリンク情報である。従って、「これまでの成績」がクリックされると、例えば、コンテンツＨＴＭＬページ１１０２によりこれまでの成績に関する情報が閲覧される。
第１１図は、第１図に示した属性情報入力ＨＴＭＬページ１３０の一例を示す図である。この属性情報入力ＨＴＭＬページ１３０は、インターネット上のユーザの属性情報を入力するためのページである。この属性情報としては、生年月日、性別、職業、郵便番号、年収、興味分野等が挙げられる。属性情報は、属性情報入力ＨＴＭＬページ１３０を介して、ユーザまたは管理者により明示的に入力される。
第１図に戻り、アクセスログデータベース１２０は、コンテンツＨＴＭＬページ１１０１〜１１０ｎへのアクセスがあった場合に当該ユーザに関するアクセスログを格納するデータベースである。このアクセスログは、ＷＥＢサーバ１００におけるユーザの行動（ページを閲覧、ＵＲＬを指定、あるページのリンク情報により別のページを閲覧等）、アクセス時刻、アクセスページ、アクセスしたユーザ等に関する情報である。
クライアント３００１〜３００ｍは、ｍ人のユーザ側にそれぞれ設置されており、インターネット２００を介して、ＷＥＢサーバ１００にそれぞれアクセス可能とされている。これらのクライアント３００１〜３００ｍは、ユーザ操作に基づいて、Ｗｅｂページを閲覧するためのＷＥＢブラウザ４００１〜４００ｍにより、前述したコンテンツＨＴＭＬページ１１０１〜１１０ｎや属性情報入力ＨＴＭＬページ１３０を閲覧する。
推薦装置５００は、ユーザプロファイルの更新を行う機能と、後述するユーザの行動傾向に着目して、ユーザに商品を推薦する機能とを備えている。
推薦装置５００において、通信制御部５１０は、所定の通信プロトコルに従って、ＷＥＢサーバ１００との間の通信を制御する。行動モデル生成部５２０は、定期的に、アクセスログデータベース１２０に格納されているアクセスログに基づいて、ユーザの行動を数理的に表す行動モデルを生成する。この行動モデルの生成には、例えば、第１２図に示したＨＭＭ（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ；隠れマルコフモデル）が適用される。この行動モデルは、初期確率π、内部状態遷移確率ｐおよび出力確率ｑ［ｑ１、ｑ２、ｑ３］（第２図参照）で表現される。
第１図に戻り、属性情報入力部５３０は、ユーザまたは管理者により、属性情報入力ＨＴＭＬページ１３０（第１１図参照）を介して、明示的に入力された属性情報Ａｉ（第２図参照）を入力する。
ユーザプロファイルデータベース６００は、ユーザ毎のプロファイルを格納するデータベースである。具体的には、ユーザプロファイルデータベース６００は、第２図に示したように、「ユーザＩＤ（Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｄａｔａ）」、「行動モデルＭｉ」および「属性情報Ａｉ」というフィールドを備えている。
「ユーザＩＤ」は、ユーザを識別するための識別子である。「行動モデルＭｉ」は、ユーザ毎に、行動モデル生成部５２０により生成された行動モデル（初期確率、内部状態遷移確率および出力確率）に関する情報である。ｉは、ユーザを表すユーザカウンタであり、「ユーザＩＤ」に対応している。
「属性情報Ａｉ」は、属性情報入力部５３０に入力された属性情報、すなわち、属性情報入力ＨＴＭＬページ１３０（第１１図参照）を介して明示的に入力された属性情報である。ユーザプロファイルは、行動モデルＭｉおよび属性情報Ａｉから構成されている。
ここで、ユーザプロファイルデータベース６００は、Ｐｉ＝｛Ｍｉ；Ａｉ｝で表されるユーザプロファイルの集合で表される。Ｐｉは、複数のユーザプロファイルの集合である。Ｍｉは、複数のユーザに関する行動モデルの集合である。Ａｉは、複数のユーザに関する属性情報の集合であり、Ａｉ＝［ａ１、ａ２、・・・、ａｋ］で表される。属性情報ａ１は、「性別」である。属性情報ａ２は、「年齢」である。以下、同様にして、属性情報ａｋは、「語学」である。
第１図に戻り、ユーザプロファイル更新部５４０は、定期的に、複数のユーザを行動モデルの類似度に応じてグループ化する機能と、上記類似度に基づいて、あるユーザの属性情報を推測する機能とを備えている。
また、ユーザプロファイル更新部５４０は、推測された属性情報とこれに対応する行動モデルとを新たなユーザプロファイルとして、ユーザプロファイルデータベース６００（第２図参照）に格納する機能や、ユーザプロファイルデータベース６００にすでに格納されているユーザプロファイルを、上記新たなユーザプロファイルに更新する機能を備えている。
設問生成部５５０は、ユーザプロファイルの属性情報の確信度が低い場合に、ユーザに対して選択用の設問を生成する機能を備えている。
行動傾向出力部５６０は、あるユーザに行動があった場合に、ユーザプロファイルデータベース６００に格納されている行動モデルに基づいて、当該ユーザの行動傾向を予測し、予測結果を出力する機能を備えている。
事例ベース６１０は、ユーザの行動傾向およびユーザプロファイルと、当該ユーザが好む商品との対応関係を事例に基づいて表すデータベースである。具体的には、事例ベース６１０は、第３図に示したように、「行動傾向」、「性別」、「年齢」、「年収」、・・・、「語学」、「商品」というフィールドを備えている。
「行動傾向」は、ＷＥＢサーバ１００におけるユーザ毎の行動傾向を識別するための識別子である。「性別」、「年齢」、・・・、「語学」は、属性情報である。「商品」は、当該行動傾向およびユーザプロファイルに対応するユーザへ推薦すべき商品に関する情報である。
第１図に戻り、推薦部５７０は、事例ベース６１０（第３図参照）を参照して、ユーザプロファイルデータベース６００に格納されているユーザプロファイルと、行動傾向出力部５６０からの行動傾向の予測結果とに基づいて、当該ユーザに適した商品を推薦する機能を備えている。
入力部５８０は、キーボード、マウス等の入力デバイスである。表示部５９０は、各種画面、推薦結果等を表示するためのＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）やＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）である。
つぎに、一実施の形態の動作について、第４図〜第９図に示したフローチャートを参照しつつ詳述する。
まず、第１図に示した行動モデル生成部５２０は、定期的にアクセスログデータベース１２０からユーザ毎にアクセスログを取得し、このアクセスログと第１２図に示した隠れマルコフモデル（ＨＭＭ）とを用いて、ユーザ毎の行動モデルＭｉ（ｉはユーザを示すユーザカウンタ）を生成する。
また、行動モデル生成部５２０は、ユーザ毎に生成された行動モデルＭｉを第２図に示したユーザプロファイルデータベース６００に格納する。
第４図に示したステップＳＡ１では、ユーザプロファイル更新部５４０は、ユーザプロファイルデータベース６００（第２図参照）に格納されたユーザプロファイルを更新するためのユーザプロファイル更新処理を実行する。
具体的には、第５図に示したステップＳＢ１では、ユーザプロファイル更新部５４０は、ＷＥＢサーバ１００における行動の類似度に応じて、ユーザをグループ化するための類似ユーザ集合取得処理を実行する。ここでいう行動とは、コンテンツＨＴＭＬページ１１０１〜１１０ｎのうちいずれかのページへのアクセス（連続的なアクセスも含む）をいう。
すなわち、第６図に示したステップＳＣ１では、ユーザプロファイル更新部５４０は、ユーザがコンテンツＨＴＭＬページ１１０１〜１１０ｎのうちいずれかのコンテンツＨＴＭＬページにアクセスしたか否かを判断し、この場合、判断結果を「Ｎｏ」として、同判断を繰り返す。
そして、あるユーザ（以下、特定ユーザと称する）がクライアント３００１の操作により、インターネット２００を介して、コンテンツＨＴＭＬページ１１０１（第１０図参照）にアクセスすると、ユーザプロファイル更新部５４０は、ステップＳＣ１の判断結果を「Ｙｅｓ」とする。
このアクセスに伴い、アクセスログデータベース１２０には、特定ユーザに関するアクセスログが逐次格納される。
ステップＳＣ２では、ユーザプロファイル更新部５４０は、特定ユーザに関する行動としての、アクセスページｕ∈Ｕ（Ｕに含まれるｕという意味）をアクセスログデータベース１２０から取得する。
上記Ｕは、ユーザがアクセス可能な全ページ（コンテンツＨＴＭＬページ１１０１〜１１０ｎ）である。この全ページＵは、Ｕ＝｛ｕ１、ｕ２、・・・、ｕｎ｝で表される。ｕ１、ｕ２、・・・、ｕｎは、コンテンツＨＴＭＬページ１１０１、１１０２、・・・、１１０ｎにそれぞれ対応している。
アクセスページｕは、全ページＵ＝｛ｕ１、ｕ２、・・・、ｕｎ｝のうち、当該ユーザがアクセスしたページである。例えば、ユーザがコンテンツＨＴＭＬページ１１０１に続いてコンテンツＨＴＭＬページ１１０２にアクセスした場合には、アクセスページｕは、ｕ＝｛ｕ１、ｕ２｝で表される。この場合、当該ユーザの行動Ｅは、Ｅ＝ｕ１、ｕ２として与えられる。
ステップＳＣ３では、ユーザプロファイル更新部５４０は、特定ユーザの行動Ｅを、上記アクセスページｕに基づいて更新（Ｅ＝Ｅｕ）する。ステップＳＣ４〜ステップＳＣ９では、ユーザプロファイル更新部５４０は、つぎの（１）式で表される類似ユーザ集合Ｇを取得する。
Ｇ＝｛Ｐｉ｜Ｓｉｍ（Ｍ、Ｍｉ、Ｅ）＜ε｝・・・・（１）
（１）式において、ユーザカウンタｉは、第２図に示したユーザＩＤに対応している。Ｐｉは、当該ユーザに関するユーザプロファイルであり、第２図に示した行動モデルＭｉおよび属性情報Ａｉである。Ｓｉｍ（Ｍ、Ｍｉ、Ｅ）は、特定ユーザの行動Ｅに対応する行動モデルＭと、その他のユーザに関する行動モデルＭｉとの類似度を表す類似度関数であり、つぎの（２）式で表される。
Ｓｉｍ（Ｍ、Ｍｉ、Ｅ）＝｜Ｐｒｏｂ（Ｅ；Ｍ）−Ｐｒｏｂ（Ｅ；Ｍｉ）｜
・・・・・（２）
上記（２）式において、Ｐｒｏｂ（Ｅ；Ｍ）は、特定ユーザに関する行動Ｅが行動モデルＭによって出力される確率分布を表す確率分布ベクトルである。Ｐｒｏｂ（Ｅ；Ｍｉ）は、特定ユーザに関する行動Ｅがその他のユーザに関する行動モデルＭｉによって出力される確率分布を表す確率分布ベクトルである。
ここで、（２）式で表される類似度関数Ｓｉｍ（Ｍ、Ｍｉ、Ｅ）では、特定ユーザに関する短期的な行動傾向を考慮した類似度が計算される。
はじめに、ステップＳＣ４では、ユーザプロファイル更新部５４０は、類似ユーザ集合Ｇを空集合φで初期化する。また、ユーザプロファイル更新部５４０は、全ユーザにわたって類似度の比較を行うため、ユーザＩＤに対応するユーザカウンタｉを０で初期化する。
ステップＳＣ５では、ユーザプロファイル更新部５４０は、ユーザカウンタｉを１インクリメントする。ステップＳＣ６では、ユーザプロファイル更新部５４０は、ユーザカウンタｉが全ユーザ数Ｎ以下であるか否かを判断し、この場合、判断結果を「Ｙｅｓ」とする。この全ユーザ数Ｎは、第２図に示したユーザプロファイルデータベース６００における最終のユーザＩＤに対応している。
ステップＳＣ７では、ユーザプロファイル更新部５４０は、上述した（２）式より、類似度関数Ｓｉｍ（Ｍ、Ｍｉ、Ｅ）を計算する。すなわち、ユーザプロファイル更新部５４０は、行動Ｅを考慮して、特定ユーザの行動モデルＭとその他のユーザの行動モデルＭｉとの類似度を計算する。ここで、類似度関数Ｓｉｍ（Ｍ、Ｍｉ、Ｅ）が小さいほど、特定ユーザの行動モデルＭとその他の行動モデルＭｉとが類似していることを意味している。
ステップＳＣ８では、ユーザプロファイル更新部５４０は、ステップＳＣ７で計算された類似度関数Ｓｉｍ（Ｍ、Ｍｉ、Ｅ）がしきい値εより小さいか否か、すなわち、類似度が高いか否かを判断する。ここで、ステップＳＣ８の判断結果が「Ｎｏ」である場合、ステップＳＣ５以降では、ユーザプロファイル更新部５４０は、ユーザカウンタｉを１インクリメントし、特定ユーザと、つぎの他のユーザとに関する類似度判定を行う。
一方、ステップＳＣ８の判断結果が「Ｙｅｓ」である場合、すなわち、類似度が高い場合、ステップＳＣ９では、ユーザプロファイル更新部５４０は、特定ユーザの行動モデルＭとの類似度が高い、他のユーザの行動モデルＭｉをつぎの（３）式で表される類似ユーザ集合Ｇに組み入れることにより、類似ユーザ集合Ｇを更新する。
Ｇ＝ＧＵ｛Ｍｉ｝・・・・・・（３）
以後、ユーザプロファイル更新部５４０は、ステップＳＣ６の判断結果が「Ｎｏ」となるまでステップＳＣ５以降の処理を実行する。そして、ステップＳＣ６の判断結果が「Ｎｏ」になると、第５図に示したステップＳＢ２〜ステップＳＢ９では、ユーザプロファイル更新部５４０は、つぎの（４）式で表される未確定属性集合Ｂを取得する。
Ｂ＝｛ａｋ｜Ｃｏｎｆ（ａｋ）＜σ｝・・・（４）
未確定属性集合Ｂは、ステップＳＢ１で取得された類似ユーザ集合Ｇにおける属性情報Ａｉ＝［ａ１、ａ２、・・・、ａｋ］（第２図参照）を構成する属性情報ａ１、ａ２、・・・、ａｋの確信度Ｃｏｎｆ（ａｋ）（ｋ＝１〜ｋ）がしきい値σより小さいものの集合である。すなわち、未確定属性集合Ｂは、確信度が低く、推測が難しい属性情報の集合である。
確信度Ｃｏｎｆ（ａｋ）は、つぎの（５）式で表される。
Ｃｏｎｆ（ａｋ）＝１／Ｖ（ａｋ）・・・（５）
（５）式において、Ｖ（ａｋ）は、属性情報ａｋの分散である。
はじめに、ステップＳＢ２では、ユーザプロファイル更新部５４０は、未確定属性集合Ｂを空集合φで初期化する。また、ユーザプロファイル更新部５４０は、全属性にわたって確信度としきい値σとの比較を行うため、属性情報Ａ１に対応する属性カウンタｋを０で初期化する。
ステップＳＢ３では、ユーザプロファイル更新部５４０は、属性カウンタｋを１インクリメントする。ステップＳＢ４では、ユーザプロファイル更新部５４０は、属性カウンタｋが全属性数ｎ以下であるか否かを判断し、この場合、判断結果を「Ｙｅｓ」とする。この全属性数ｎは、第２図に示したユーザプロファイルデータベース６００における属性情報Ａｉにおける「語学」（属性情報ａｎ）に対応している。
ステップＳＢ５では、ユーザプロファイル更新部５４０は、属性情報ａｋ（この場合、第２図に示した「性別」（属性情報ａ１）の確信度Ｃｏｎｆ（ａｋ）を前述した（５）式から求める。
ステップＳＢ６では、ユーザプロファイル更新部５４０は、ステップＳＢ５で求められた確信度Ｃｏｎｆ（ａｋ）がしきい値σ以下であるか否かを判断する。
ステップＳＢ６の判断結果が「Ｙｅｓ」である場合、すなわち、当該属性情報ａｋに関する確信度Ｃｏｎｆ（ａｋ）が低い（しきい値σ以下）である場合、ステップＳＢ７では、ユーザプロファイル更新部５４０は、当該属性情報ａｋを未確定属性集合Ｂに組み入れいることにより、未確定属性集合Ｂを更新する。
以後、ユーザプロファイル更新部５４０は、ステップＳＢ４の判断結果が「Ｎｏ」になるまで、ステップＳＢ３以降を実行する。
一方、ステップＳＢ６の判断結果が「Ｎｏ」である場合、すなわち、確信度Ｃｏｎｆ（ａｋ）が高い（しきい値σを超える）場合、ステップＳＢ８では、ユーザプロファイル更新部５４０は、類似ユーザ集合Ｇの中で属性情報ａｋの属性値ｂｋｊに関して多数決を行う。Ｄｋは、属性情報ａｋの定義域を表す。具体的には、類似ユーザ集合Ｇの中で属性情報ａｋの値として、属性値ｂｋｊをとる割合をＰｒｏｂ（ｂｋｊ｜Ｇ））とする。このＰｒｏｂ（ｂｋｊ｜Ｇ））を最大とするｊの値を用いて、現時点で対象しているユーザの属性情報ａｋの属性値ｂｋｊが求められる。
そして、ステップＳＢ４の判断結果が「Ｎｏ」になると、第４図に示したステップＳＡ２では、ユーザプロファイル更新部５４０は、ベクトルを生成するためのベクトル生成処理を実行する。
具体的には、第７図に示したステップＳＤ１では、ユーザプロファイル更新部５４０は、ステップＳＢ１（第５図参照）で取得された類似ユーザ集合Ｇから全てのユーザプロファイルを取得したか否かを判断し、この場合、判断結果を「Ｎｏ」とする。
ステップＳＤ２では、ユーザプロファイル更新部５４０は、類似ユーザ集合Ｇに属する一つのユーザプロファイルＰｉ｛Ｍｉ；Ａｉ｝を取得する。
ステップＳＤ３では、ユーザプロファイル更新部５４０は、特定ユーザが、行動Ｅ（例えば、ページｕ１（第１０図に示したコンテンツＨＴＭＬページ１１０１にアクセス））に続いて行動ＥｕＬ（ページｕＬにアクセス）をとる発生確率を、確率分布ベクトルＰｒｏｂ（ＥｕＬ｜Ｍｉ）として求める。ここで、ページｕＬは、特定ユーザがアクセス可能な全ページ（ページｕ１、ｕ２、ｕ３、・・・）である。
従って、ステップＳＤ３では、上記ページｕ１、ｕ２、ｕ３、・・・に関する確率分布ベクトルＰｒｏｂ（Ｅｕ１｜Ｍｉ）、Ｐｒｏｂ（Ｅｕ２｜Ｍｉ）、Ｐｒｏｂ（Ｅｕ３｜Ｍｉ）、・・・が求められる。
以下では、確率分布ベクトルＰｒｏｂ（Ｅｕ１｜Ｍ１）、Ｐｒｏｂ（Ｅｕ２｜Ｍｉ）、Ｐｒｏｂ（Ｅｕ３｜Ｍｉ）・・・を確率分布ベクトルＰｒｏｂ（ＥｕＬ｜Ｍｉ）と表現する。
ステップＳＤ４では、ユーザプロファイル更新部５４０は、ステップＳＤ３で求められたページ毎の確率分布ベクトルＰｒｏｂ（ＥｕＬ｜Ｍｉ）と、しきい値δとを比較して、特定ユーザが当該ページにアクセスする度合いを、「アクセスする」、「アクセスしない」または「不明」という三つの状態により判定する。
具体的には、ユーザプロファイル更新部５４０は、つぎの（ａ）〜（ｃ）の条件により判定する。
（ａ）確率分布ベクトルＰｒｏｂ（ＥｕＬ｜Ｍｉ）＞１−δ（アクセスする）
（ｂ）確率分布ベクトルＰｒｏｂ（ＥｕＬ｜Ｍｉ）＜δ（アクセスしない）
（ｃ）δ≦確率分布ベクトルＰｒｏｂ（ＥｕＬ｜Ｍｉ）≦（１−δ）（不明）
ここで、ユーザプロファイル更新部５４０は、（ａ）の条件に合致した場合、判定値ｕ（ｉ） Ｌを「１」とし、（ｂ）の条件に合致した場合には、判定値ｕ（ｉ） Ｌを「０」とする。また、ユーザプロファイル更新部５４０は、（ｃ）の条件に合致した場合、判定値ｕ（ｉ） Ｌを「？」とする。
以後、ユーザプロファイル更新部５４０は、ステップＳＤ１の判断結果が「Ｙｅｓ」となるまで、ステップＳＤ１〜ステップＳＤ４を繰り返す。
そして、ステップＳＤ１の判断結果が「Ｙｅｓ」になると、つぎの（６）式で表されるベクトルが生成される。
［ｕ（ｉ） １、ｕ（ｉ） ２、ｕ（ｉ） ３、・・・；Ａｉ］、Ｐｉ∈Ｇ、ｕ（ｉ
） Ｌ∈｛？、０、１｝ ・・・・・（６）
また、ステップＳＤ１の判断結果が「Ｙｅｓ」になると、第４図に示したステップＳＡ３では、ユーザプロファイル更新部５４０は、（６）式で表されるベクトルにおける属性情報ａｋの確信度Ｉｎｆｏ（ａｋ）をつぎの（７）式より求める。
Ｉｎｆｏ（ａｋ）＝ΣＬＩｎｆｏｋ（ｕＬ）・・・（７）
上記（７）式において、属性情報ａｋは、前述した未確定属性集合Ｂに含まれている。Ｉｎｆｏｋ（ｕＬ）は、行動Ｅを行った特定ユーザに対し、つぎの行動（ページｕＬのアクセス）を行うことによって属性情報ａｋの確信度をどの程度増すことができるかという量である。
ステップＳＡ４では、設問生成部５５０は、つぎの（８）式より確信度Ｉｎｆｏ（ａｋ）が最小となるようなｋをκとして求める。
κ＝ａｒｇ ｍｉｎｋ Ｉｎｆｏ（ａｋ） ・・・（８）
つぎに、設問生成部５５０は、つぎの（９）式より、情報利得Ｉｎｆｏｋ（ｕＬ）が最大となるようなＬをλとして求める。
λ＝ａｒｇ ｍａｘＬ Ｉｎｆｏκ（ｕＬ） ・・・（９）
つぎに、設問生成部５５０は、第１０図に示したように、設問ページｕλへのリンク情報Ｂを提示した後、ステップＳＡ１以降の処理を実行する。このリンク情報Ｂは、確信度が低い属性情報に関してユーザに選択させるためのページへジャンプさせるための情報である。
つぎに、一実施の形態における推薦処理について、第８図に示したフローチャートを参照しつつ詳述する。前述した特定ユーザが第１０図に示したコンテンツＨＴＭＬページ１１０１にアクセスしたとすると、第８図に示したステップＳＥ１では、行動傾向出力部５６０は、特定ユーザの行動Ｅを取得する。
ステップＳＥ２では、行動傾向出力部５６０は、当該特定ユーザの行動モデルＭｉ（第２図参照）を用いて、行動傾向Ｑを得る。
ステップＳＥ３以降では、推薦部５７０は、上記行動傾向Ｑ、属性情報Ａｉ（第２図参照）および事例ベース６１０（第３図参照）に基づいて、特定ユーザに商品を推薦する。
ここで、第３図に示した事例ベース６１０においては、事例（「行動傾向」、「性別」、・・・、「語学」および「商品」）をｃｚと定義する。事例ｃｚにおける事例変数ｚは、各レコードに対応しており、第３図の例では１〜７までの値をとる。一般的には、レコード数が非常に多いため、全事例数をＺと表す。
ステップＳＥ３では、推薦部５７０は、上記事例変数ｚを０とし、類似事例集合Ｔをリセットする。この類似事例集合Ｔは、特定ユーザの行動傾向Ｑおよび属性情報Ａと、第３図に示した事例における行動傾向および属性情報（「性別」、・・・、「語学」）との類似度が高い（後述するしきい値δ以上）事例ｃｚの集合である。
ステップＳＥ４では、推薦部５７０は、事例変数ｚを１インクリメントする。ステップＳＥ５では、推薦部５７０は、事例変数ｚが全事例数Ｚ以下であるか否かを判断する。この全事例数Ｚは、第３図に示した最終レコードの事例ｃ７の「７」に対応している。この場合、推薦部５７０は、ステップＳＥ５の判断結果を「Ｎｏ」とする。
ステップＳＥ６では、推薦部５７０は、特定ユーザの行動傾向Ｑおよび属性情報Ａ（第２図参照）と、事例ｃｚ（この場合、第３図に示した事例ｃ１）における行動傾向Ｑ４および属性情報（「性別」、・・・、「語学」）との類似度ｓをつぎの（１０）式から求める。
ｓ＝Ｓｉｍ（｛Ｑ、Ａ｝、ｃｚ）・・・（１０）
ステップＳＥ７では、推薦部５７０は、類似度ｓが、しきい値δ以上（高）であるか否かを判断する。このステップＳＥ７の判断結果が「Ｎｏ」である場合、推薦部５７０は、ステップＳＥ５の判断結果が「Ｙｅｓ」となるまで、ステップＳＥ４以降を実行する。
一方、ステップＳＥ７の判断結果が「Ｙｅｓ」である場合、ステップＳＥ８では、推薦部５７０は、特定ユーザの行動傾向Ｑおよび属性情報Ａとの類似度が高い当該事例ｃｚを類似事例集合Ｔに組み込む。
そして、ステップＳＥ５の判断結果が「Ｙｅｓ」になると、ステップＳＥ９では、推薦部５７０は、類似事例集合Ｔを用いて、周知の事例ベース推論を実施し、推論結果を推薦商品Ｒとする。この場合には、第３図に示した事例ｃ１の「商品」であるＢＳ内蔵ビデオが推薦商品Ｒとされたとする。
つぎに、推薦部５７０は、第１０図に示したように、上記推薦商品Ｒに関するリンク情報Ｃを特定ユーザに提示する。このリンク情報Ｃがクリックされると、上記ＢＳ内蔵ビデオに関するページが表示される。また、推薦部５７０は、推薦対象であるＢＳ内蔵ビデオが特定ユーザにより購入された場合、特定ユーザの行動傾向、属性情報および商品を事例ベース６１０（第３図参照）に反映する。
なお、前述した一実施の形態では、第６図に示した類似ユーザ集合取得処理に代えて、第９図に示した類似ユーザ集合取得処理を実行するようにしてもよい。
具体的には、第９図に示したステップＳＦ１では、ユーザプロファイル更新部５４０は、行動モデル生成部５２０により行動モデルが生成されたか否かを判断し、この場合、判断結果を「Ｎｏ」として、同判断を繰り返す。
そして、あるユーザ（以下、特定ユーザと称する）に関する行動モデルが生成されると、ユーザプロファイル更新部５４０は、ステップＳＦ１の判断結果を「Ｙｅｓ」とする。
ステップＳＦ２〜ステップＳＦ７では、ユーザプロファイル更新部５４０は、つぎの（１１）式で表される類似ユーザ集合Ｇを取得する。
Ｇ＝｛Ｐｉ｜Ｓｉｍ（Ｍ、Ｍｉ）＜ε｝・・・・（１１）
（１１）式において、ユーザカウンタｉは、第２図に示したユーザＩＤに対応している。Ｐｉは、当該ユーザに関するユーザプロファイルであり、第２図に示した行動モデルＭｉおよび属性情報Ａｉである。Ｓｉｍ（Ｍ、Ｍｉ）は、特定ユーザの行動モデルＭと、その他のユーザに関する行動モデルＭｉとの類似度を表す類似度関数であり、第１２図に示した隠れマルコフモデルに対応するつぎの（１２）式で表される。
Ｓｉｍ（Ｍ、Ｍｉ）＝Σｓｔ｜ｐｓｔ−ｐ（ｉ） ｓｔ｜
＋Σｖｗ｜ｑｖ（ｕｗ）−ｑ（ｉ） ｖ（ｕｗ）｜・・・（１２）
上記（１２）式で表される類似度関数Ｓｉｍ（Ｍ、Ｍｉ）では、特定ユーザに関する長期的な嗜好が反映されている。
はじめに、ステップＳＦ２では、ユーザプロファイル更新部５４０は、類似ユーザ集合Ｇを空集合φで初期化する。また、ユーザプロファイル更新部５４０は、全ユーザにわたって類似度としきい値との比較を行うために、ユーザＩＤに対応するユーザカウンタｉを０で初期化する。
ステップＳＦ３では、ユーザプロファイル更新部５４０は、ユーザカウンタｉを１インクリメントする。ステップＳＦ４では、ユーザプロファイル更新部５４０は、ユーザカウンタｉがしきい値Ｎ以下であるか否かを判断し、この場合、判断結果を「Ｙｅｓ」とする。このしきい値Ｎは、第２図に示したユーザプロファイルデータベース６００における最終のユーザＩＤに対応している。
ステップＳＦ５では、ユーザプロファイル更新部５４０は、上述した（１２）式より、類似度関数Ｓｉｍ（Ｍ、Ｍｉ）を計算する。すなわち、ユーザプロファイル更新部５４０は、特定ユーザの行動モデルＭとその他のユーザの行動モデルＭｉとの類似度を計算する。ここで、類似度関数Ｓｉｍ（Ｍ、Ｍｉ）が小さいほど、特定ユーザの行動モデルＭとその他のユーザの行動モデルＭｉとが類似していることを意味している。
ステップＳＦ６では、ユーザプロファイル更新部５４０は、ステップＳＦ５で計算された類似度関数Ｓｉｍ（Ｍ、Ｍｉ）がしきい値εより小さいか否か、すなわち、類似度が高いか否かを判断する。ここで、ステップＳＦ６の判断結果が「Ｎｏ」である場合、ステップＳＦ３以降では、ユーザプロファイル更新部５４０は、ユーザカウンタｉを１インクリメントし、特定ユーザと、つぎの他のユーザとに関する類似度判定を行う。
一方、ステップＳＦ６の判断結果が「Ｙｅｓ」である場合、すなわち、類似度が高い場合、ステップＳＦ７では、ユーザプロファイル更新部５４０は、特定ユーザの行動モデルＭとの類似度が高い、他のユーザの行動モデルＭｉを前述した（３）式で表される類似ユーザ集合Ｇに組み入れることにより、類似ユーザ集合Ｇを更新する。
以後、ユーザプロファイル更新部５４０は、ステップＳＦ４の判断結果が「Ｎｏ」となるまでステップＳＦ３以降の処理を実行する。そして、ステップＳＦ４の判断結果が「Ｎｏ」になると、ユーザプロファイル更新部５４０は、第５図に示したステップＳＢ２以降の処理を実行する。
以上本発明にかかる一実施の形態について図面を参照して詳述してきたが、具体的な構成例はこの一実施の形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等があっても本発明に含まれる。
例えば、前述した一実施の形態においては、推薦装置５００の機能を実現するためのユーザプロファイル管理プログラムおよび推薦プログラムを第１３図に示したコンピュータ読み取り可能な記録媒体８００に記録して、この記録媒体８００に記録されたユーザプロファイル管理プログラムおよび推薦プログラムを同図に示したコンピュータ７００に読み込ませ、実行することにより推薦装置５００の機能を実現するようにしてもよい。
同図に示したコンピュータ７００は、上記ユーザプロファイル管理プログラムおよび推薦プログラムを実行するＣＰＵ７１０と、キーボード、マウス等の入力装置７２０と、各種データを記憶するＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）７３０と、演算パラメータ等を記憶するＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）７４０と、記録媒体８００からユーザプロファイル管理プログラムおよび推薦プログラムを読み取る読取装置７５０と、ディスプレイ、プリンタ等の出力装置７６０と、装置各部を接続するバス７７０とから構成されている。
ＣＰＵ７１０は、読取装置７５０を経由して記録媒体８００に記録されているユーザプロファイル管理プログラムおよび推薦プログラムを読み込んだ後、ユーザプロファイル管理プログラムおよび推薦プログラムを実行することにより、前述した推薦装置５００の機能を実現する。なお、記録媒体８００には、光ディスク、フロッピーディスク、ハードディスク等の可搬型の記録媒体が含まれることはもとより、ネットワークのようにデータを一時的に記録保持するような伝送媒体も含まれる。
以上説明したように、一実施の形態によれば、第４図〜第７図を参照して説明したように、インターネット２００におけるユーザの行動モデルの類似度に応じて、ユーザをグループ化し、グループ内において、他のユーザのプロファイルを用いて、特定のユーザのユーザプロファイルを推測し、特定ユーザのプロファイルを、推測手段により推測されたユーザプロファイルに更新するようにしたので、ユーザの手を煩わせることなく、ユーザプロファイルを更新することができる。
また、一実施の形態によれば、第５図を参照して説明したように、推測されたユーザプロファイルを構成する各属性情報について、確信度を算出し、この確信度がしきい値σ以下の属性情報に関して、ユーザに選択させるようにしたので、ユーザプロファイルの精度を高めることができる。
また、一実施の形態によれば、行動モデル生成部５２０により、定期的にユーザの行動を行動モデルとしてモデル化するようにしたので、時間の経過とともにユーザプロファイルが陳腐化するという事態を回避することができる。
また、一実施の形態によれば、他のユーザの行動傾向と購入された商品との対応関係を表す事例ベース６１０（第３図参照）から、特定ユーザの行動傾向との類似度が高い行動傾向を検索し、該行動傾向に対応する商品をユーザに推薦するようにしたので、より精度が高い推薦を行うことができる。
また、一実施の形態によれば、推薦部５７０により、推薦された商品の購入履歴および当該ユーザの行動傾向を事例ベース６１０に反映させるようにしたので、次回以降の推薦の精度をより高めることができる。
以上説明したように、本発明によれば、インターネットにおけるユーザの行動モデルの類似度に応じて、ユーザをグループ化し、グループ内において、他のユーザのプロファイルを用いて、特定のユーザのユーザプロファイルを推測し、特定ユーザのプロファイルを、推測手段により推測されたユーザプロファイルに更新するようにしたので、ユーザの手を煩わせることなく、ユーザプロファイルを更新することができるという効果を奏する。
また、本発明によれば、推測手段により推測されたユーザプロファイルを構成する各要素について、確信度を算出し、この確信度がしきい値以下の要素について、ユーザに選択させるようにしたので、ユーザプロファイルの精度を高めることができるという効果を奏する。
また、本発明によれば、定期的にユーザの行動を行動モデルとしてモデル化するようにしたので、時間の経過とともにユーザプロファイルが陳腐化するという事態を回避することができるという効果を奏する。
また、本発明によれば、他のユーザの行動傾向と購入された商品との対応関係を表す事例ベースから、あるユーザの行動傾向との類似度が高い行動傾向を検索し、該行動傾向に対応する商品をユーザに推薦するようにしたので、より精度が高い推薦を行うことができるという効果を奏する。
また、本発明によれば、推薦された商品の購入履歴および当該ユーザの行動傾向を事例ベースに反映させるようにしたので、次回以降の推薦の精度をより高めることができるという効果を奏する。
産業上の利用可能性
以上のように、本発明にかかるユーザプロファイル管理装置および推薦装置は、インターネット上におけるユーザプロファイルの管理および精度の高い商品の推薦に対して有用である。
【図面の簡単な説明】
第１図は、本発明にかかる一実施の形態の構成を示すブロック図であり、第２図は、第１図に示したユーザプロファイルデータベース６００のテーブル構造を示す図であり、第３図は、第１図に示した事例ベース６１０のテーブル構造を示す図であり、第４図は、同一実施の形態における設問生成処理を説明するフローチャートであり、第５図は、第４図に示したユーザプロファイル更新処理を説明するフローチャートであり、第６図は、第５図に示した類似ユーザ集合取得処理を説明するフローチャートであり、第７図は、第４図に示したベクトル生成処理を説明するフローチャートであり、第８図は、同一実施の形態における推薦処理を説明するフローチャートであり、第９図は、第５図に示した類似ユーザ集合取得処理を説明するフローチャートであり、第１０図は、第１図に示したコンテンツＨＴＭＬページ１１０１の一例を示す図であり、第１１図は、第１図に示した属性情報入力ＨＴＭＬページ１３０の一例を示す図であり、第１２図は、同一実施の形態における隠れマルコフモデルを示す図であり、第１３図は、同一実施の形態の変形例の構成を示すブロック図である。Technical field
The present invention relates to a user profile management device and a recommendation device that manage a user profile for an Internet user and recommend a product or the like based on the user profile.
Background art
In recent years, the spread of the Internet has facilitated the transmission of information, and electronic payments and the like using the Internet as an infrastructure have become commonplace, so that business opportunities using these have been expanding for companies.
On the other hand, the fact that much information can be easily obtained from the Internet from the user's point of view leads to an increase in opportunities to obtain better products and services, and is therefore a welcome point for users.
However, as the range of opportunities for users has expanded, it has become necessary to collect a lot of information in order to make decisions with high customer satisfaction. By providing information and recommending products, it is indispensable that the company strives to keep customers alive and not miss business opportunities.
Against this background, techniques for personalization and product recommendation using a user profile have recently attracted attention. Here, the user profile is a general term for information on the user, such as gender, age, unmarried / married, address, genre of interest, purchase history, and the like.
For example, recently, a user profile and a content-based inference system that recommends a highly relevant information and product to be presented to the user, and a user with a similar user profile prefers a similar one. Recommendation systems using collaborative filtering technology are in the spotlight.
What is common to such inference systems and recommendation systems is that it is necessary to maintain more accurate and detailed user profiles in order to provide users with higher quality services.
However, user profiles (especially, genres of interest, etc.) change from moment to moment. Therefore, the user profile obtained on the company side has a characteristic that it becomes useless because an obsolete phenomenon occurs in which the difference from the actual user profile increases over time.
Products and the like recommended by such obsolete user profiles are unacceptable to current users. Therefore, when such a situation occurs, the company misses the customer due to a decrease in the interest of the user, a loss of a contact opportunity between the user and the company, and the like.
The present invention has been made in view of the above, and provides a user profile management device and a recommendation device that can update a user profile without bothering the user and can make a more accurate recommendation. It is aimed at.
Disclosure of the invention
In order to achieve the above object, the present invention provides a modeling means for modeling the behavior of a user on the Internet as a behavior model, a grouping means for grouping users according to the similarity of the behavior model, In the above, there is provided an estimating unit for estimating a user profile of a specific user using a profile of another user, and an updating unit for updating the profile of the specific user to a user profile estimated by the estimating unit. It is characterized by.
According to the present invention, users are grouped in accordance with the similarity of a user's behavior model on the Internet, and within the group, a user profile of a specific user is estimated using profiles of other users, and a user profile of the specific user is estimated. Since the profile is updated to the user profile estimated by the estimating means, the user profile can be updated without bothering the user.
Further, the present invention provides a modeling means for modeling the behavior of a user on the Internet as a behavior model, a behavior tendency analysis means for analyzing a behavior tendency of a user based on the behavior model, and a behavior tendency of another user. A case where the user is provided with a recommendation unit for searching for a behavior tendency having a high degree of similarity to a behavior tendency of a user from a case base representing a correspondence relationship with a purchased product and recommending a product corresponding to the behavior tendency to the user; It is characterized by.
According to the present invention, a behavior tendency having a high degree of similarity with a behavior tendency of a user is searched from a case base indicating a correspondence relationship between the behavior tendency of another user and a purchased product, and the behavior tendency corresponding to the behavior tendency is determined. Since the product is recommended to the user, more accurate recommendation can be performed.
BEST MODE FOR CARRYING OUT THE INVENTION
Hereinafter, an embodiment of the present invention will be described in detail with reference to the drawings. FIG. 1 is a block diagram showing a configuration of an embodiment according to the present invention. FIG. 1 illustrates a recommendation system for recommending a product to a user, for example, based on an action (such as browsing a web page) on a plurality of users on the Internet.
In FIG. 1, a WEB server 100 transmits a content HTML (Hyper Text Markup Language) page 110 via the Internet 200.1~ 110n(See FIG. 10) and the attribute information input HTML page 130 (see FIG. 11) to the client 3001~ 300mTo provide.
These content HTML pages 1101~ 110nIs composed of an HTML file for describing a web (world wide web) page, and is browsed by a web browser. FIG. 10 shows a content HTML page 110.1It is a figure showing an example of. This content HTML page 1101Is a page relating to a professional baseball breaking news as a content, and displays a game result, past results, today's card, team information, and the like. The link information A is a content HTML page 1101Originally included. The link information B is presented by the question generation unit 550. The link information C is presented by the recommendation unit 570.
In the figure, “Undergoing results”, “Today's card”, and “Baseball information”, which are underlined in FIG.1~ 110nLink information to. Therefore, when the “previous grade” is clicked, for example, the content HTML page 1102Allows the user to browse information on the results so far.
FIG. 11 is a diagram showing an example of the attribute information input HTML page 130 shown in FIG. The attribute information input HTML page 130 is a page for inputting attribute information of a user on the Internet. The attribute information includes date of birth, gender, occupation, postal code, annual income, field of interest, and the like. The attribute information is explicitly input by the user or the administrator via the attribute information input HTML page 130.
Returning to FIG. 1, the access log database 120 stores the content HTML page 1101~ 110nIs a database that stores an access log related to the user when there is access to the user. This access log is information on the user's actions (viewing a page, specifying a URL, browsing another page by link information of a certain page, etc.) on the WEB server 100, access time, access page, accessed user, and the like.
Client 3001~ 300mAre installed on m users, respectively, and are each accessible to the WEB server 100 via the Internet 200. These clients 3001~ 300mIs a Web browser 400 for browsing a Web page based on a user operation.1~ 400mThe content HTML page 110 described above1~ 110nAnd browses the attribute information input HTML page 130.
The recommendation device 500 has a function of updating a user profile and a function of recommending a product to a user by focusing on a user's behavior tendency described later.
In the recommendation device 500, the communication control unit 510 controls communication with the web server 100 according to a predetermined communication protocol. The behavior model generation unit 520 periodically generates a behavior model that mathematically represents a user's behavior based on the access log stored in the access log database 120. For generating the behavior model, for example, a Hidden Markov Model (Hidden Markov Model) shown in FIG. 12 is applied. This behavior model has an initial probability π, an internal state transition probability p, and an output probability q [q1, Q2, Q3(See FIG. 2).
Returning to FIG. 1, the attribute information input unit 530 stores the attribute information A explicitly input by the user or the administrator via the attribute information input HTML page 130 (see FIG. 11).i(See FIG. 2).
The user profile database 600 is a database that stores a profile for each user. Specifically, as shown in FIG. 2, the user profile database 600 includes “user ID (Identification Data)”, “behavior model Mi"And" Attribute information A "iField.
“User ID” is an identifier for identifying a user. "Action model Mi"Is information on the behavior model (initial probability, internal state transition probability, and output probability) generated by the behavior model generation unit 520 for each user. i is a user counter indicating a user, and corresponds to “user ID”.
"Attribute information AiIs attribute information input to the attribute information input unit 530, that is, attribute information explicitly input via the attribute information input HTML page 130 (see FIG. 11). The user profile is the behavior model MiAnd attribute information AiIt is composed of
Here, the user profile database 600 stores Pi= ｛MiAiIt is represented by a set of user profiles represented by｝. PiIs a set of a plurality of user profiles. MiIs a set of behavior models for a plurality of users. AiIs a set of attribute information about a plurality of users, and Ai= [A1, A2, ..., ak] Is represented. Attribute information a1Is “sex”. Attribute information a2Is “age”. Hereinafter, similarly, the attribute information akIs "language".
Returning to FIG. 1, the user profile updating unit 540 estimates a function of periodically grouping a plurality of users according to the similarity of the behavior model, and attribute information of a certain user based on the similarity. And functions.
Also, the user profile updating unit 540 has a function of storing the estimated attribute information and the corresponding behavior model as a new user profile in the user profile database 600 (see FIG. 2). It has a function of updating a user profile already stored to the new user profile.
The question generation unit 550 has a function of generating a question for selection to the user when the certainty factor of the attribute information of the user profile is low.
The behavior tendency output unit 560 has a function of predicting a behavior tendency of a user based on a behavior model stored in the user profile database 600 and outputting a prediction result when a certain user has performed a behavior. I have.
The case base 610 is a database that represents a correspondence between a user's behavior tendency and a user profile and a product preferred by the user based on cases. Specifically, as shown in FIG. 3, the case base 610 includes fields such as “behavior tendency”, “gender”, “age”, “annual income”,..., “Language”, and “product”. Have.
“Behavior tendency” is an identifier for identifying the behavior tendency of each user in the web server 100. “Gender”, “age”,..., “Language” are attribute information. “Product” is information on a product to be recommended to the user corresponding to the behavior tendency and the user profile.
Returning to FIG. 1, the recommendation unit 570 refers to the case base 610 (see FIG. 3), and predicts the user profile stored in the user profile database 600 and the behavior tendency prediction result from the behavior tendency output unit 560. And a function of recommending a product suitable for the user based on the above.
The input unit 580 is an input device such as a keyboard and a mouse. The display unit 590 is a CRT (Cathode Ray Tube) or an LCD (Liquid Crystal Display) for displaying various screens, recommendation results, and the like.
Next, the operation of the embodiment will be described in detail with reference to the flowcharts shown in FIGS.
First, the behavior model generation unit 520 shown in FIG. 1 periodically acquires an access log for each user from the access log database 120, and associates this access log with the Hidden Markov Model (HMM) shown in FIG. Using the behavior model M for each useri(I is a user counter indicating the user).
In addition, the behavior model generation unit 520 generates the behavior model M generated for each user.iIs stored in the user profile database 600 shown in FIG.
At step SA1 shown in FIG. 4, the user profile updating unit 540 executes a user profile updating process for updating the user profile stored in the user profile database 600 (see FIG. 2).
Specifically, in step SB1 shown in FIG. 5, the user profile updating unit 540 executes a similar user set acquisition process for grouping users according to the similarity of the behavior in the WEB server 100. The action referred to here is the content HTML page 1101~ 110nAccess to any page (including continuous access).
That is, in step SC1 shown in FIG. 6, the user profile updating unit 540 determines that the user1~ 110nIt is determined whether any one of the content HTML pages has been accessed. In this case, the result of the determination is “No” and the same determination is repeated.
Then, a certain user (hereinafter, referred to as a specific user) is1The operation of the content HTML page 110 via the Internet 2001When accessing (see FIG. 10), the user profile update unit 540 sets the determination result of step SC1 to “Yes”.
Accompanying this access, the access log database 120 sequentially stores access logs for specific users.
In step SC2, the user profile updating unit 540 acquires an access page u∈U (meaning u included in U) as an action related to the specific user from the access log database 120.
The above U represents all pages (content HTML pages 110) accessible to the user.1~ 110n). This entire page U is U = $ u1, U2, ..., unIt is represented by｝. u1, U2, ..., unIs the content HTML page 1101, 1102, ..., 110nRespectively.
The access page u is all pages U = $ u1, U2, ..., unThe page accessed by the user is indicated by the parentheses. For example, if the user decides that the content HTML page 1101Followed by the content HTML page 1102Is accessed, the access page u becomes u = ｛u1, U2It is represented by｝. In this case, the behavior E of the user is E = u1, U2Given as
In step SC3, the user profile updating unit 540 updates the behavior E of the specific user based on the access page u (E = Eu). In steps SC4 to SC9, the user profile updating unit 540 acquires the similar user set G represented by the following equation (1).
G = ｛Pi| Sim (M, Mi, E) <ε｝ (1)
In the equation (1), the user counter i corresponds to the user ID shown in FIG. PiIs a user profile relating to the user, and the behavior model M shown in FIG.iAnd attribute information AiIt is. Sim (M, Mi, E) are the behavior model M corresponding to the behavior E of the specific user and the behavior model M relating to other users.iThis is a similarity function representing the similarity with, and is expressed by the following equation (2).
Sim (M, Mi, E) = | Prob (E; M) -Prob (E; M)i) ｜
・ ・ ・ ・ ・ (2)
In the above equation (2), Prob (E; M) is a probability distribution vector representing a probability distribution in which the behavior E relating to the specific user is output by the behavior model M. Prob (E; Mi) Indicates that the behavior E relating to a specific user is the behavior model M relating to other users.iIs a probability distribution vector representing the probability distribution output by.
Here, the similarity function Sim (M, Mi, E), the similarity is calculated in consideration of the short-term behavior tendency of the specific user.
First, in step SC4, the user profile updating unit 540 initializes the similar user set G with an empty set φ. In addition, the user profile update unit 540 initializes a user counter i corresponding to the user ID to 0 in order to compare the similarities across all users.
In step SC5, the user profile updating unit 540 increments the user counter i by one. In step SC6, the user profile updating unit 540 determines whether or not the user counter i is equal to or less than the total number of users N. In this case, the determination result is “Yes”. The total number of users N corresponds to the last user ID in the user profile database 600 shown in FIG.
In step SC7, the user profile updating unit 540 calculates the similarity function Sim (M, Mi, E) from the above equation (2). That is, the user profile updating unit 540 considers the behavior E and considers the behavior model M of the specific user and the behavior model M of the other user.iIs calculated. Here, as the similarity function Sim (M, Mi, E) is smaller, the behavior model M of the specific user and the other behavior models MiAre similar.
In step SC8, the user profile updating unit 540 determines whether or not the similarity function Sim (M, Mi, E) calculated in step SC7 is smaller than the threshold ε, that is, whether or not the similarity is high. I do. Here, if the determination result in step SC8 is “No”, in step SC5 and thereafter, the user profile updating unit 540 increments the user counter i by 1, and determines the similarity between the specific user and the next other user. I do.
On the other hand, if the determination result in step SC8 is “Yes”, that is, if the similarity is high, in step SC9, the user profile updating unit 540 determines that the other user whose similarity with the behavior model M of the specific user is high Behavior model MiIs incorporated into the similar user set G represented by the following equation (3), thereby updating the similar user set G.
G = GU ｛Mi｝ ・ ・ ・ ・ ・ ・ (3)
Thereafter, the user profile updating unit 540 executes the processing of step SC5 and thereafter until the determination result of step SC6 becomes “No”. When the determination result of step SC6 is “No”, in steps SB2 to SB9 shown in FIG. 5, the user profile update unit 540 updates the undetermined attribute set B expressed by the following equation (4). get.
B = ｛ak| Conf (ak) <Σ｝ (4)
The undetermined attribute set B is attribute information A in the similar user set G acquired in step SB1.i= [A1, A2, ..., ak(See FIG. 2)1, A2, ..., akConfidence Conf (ak) (K = 1 to k) are smaller than the threshold value σ. That is, the undetermined attribute set B is a set of attribute information having low confidence and difficult to guess.
Confidence Conf (ak) Is expressed by the following equation (5).
Conf (ak) = 1 / V (ak) ・ ・ ・ (5)
In equation (5), V (ak) Is attribute information akIs the variance of
First, in step SB2, the user profile updating unit 540 initializes the undetermined attribute set B with an empty set φ. Further, the user profile updating unit 540 compares the certainty factor with the threshold σ over all the attributes, so that the attribute information A1Is initialized to 0.
In step SB3, the user profile updating unit 540 increments the attribute counter k by one. In step SB4, the user profile update unit 540 determines whether or not the attribute counter k is equal to or less than the total number of attributes n, and in this case, sets the determination result to “Yes”. This total attribute number n is attribute information A in the user profile database 600 shown in FIG.i"Language" (attribute information an).
In step SB5, the user profile updating unit 540 sets the attribute information ak(In this case, “sex” shown in FIG. 2 (attribute information a1) Confidence Conf (ak) Is determined from the aforementioned equation (5).
In step SB6, the user profile update unit 540 sets the certainty factor Conf (a) obtained in step SB5.k) Is less than or equal to the threshold value σ.
If the determination result of step SB6 is “Yes”, that is, the attribute information akConfidence Conf (ak) Is low (not more than the threshold value σ), in step SB7, the user profile updating unit 540 sets the attribute information akIs incorporated into the undetermined attribute set B, thereby updating the undetermined attribute set B.
After that, the user profile updating unit 540 executes Step SB3 and the subsequent steps until the determination result of Step SB4 becomes “No”.
On the other hand, when the determination result of step SB6 is “No”, that is, the confidence Conf (a)k) Is high (exceeds the threshold value σ), the user profile updating unit 540 sets the attribute information a in the similar user set G in step SB8.kAttribute value bkjMake a majority decision on. DkIs attribute information akRepresents the domain of Specifically, the attribute information a in the similar user set GkAttribute value bkjIs taken as Prob (bkj| G)). This Prob (bkj| G)) using the value of j that maximizes the attribute information a of the user currently targetedkAttribute value bkjIs required.
Then, when the result of the determination in step SB4 is “No”, in step SA2 shown in FIG. 4, the user profile updating unit 540 executes a vector generation process for generating a vector.
Specifically, in step SD1 shown in FIG. 7, the user profile updating unit 540 determines whether or not all the user profiles have been acquired from the similar user set G acquired in step SB1 (see FIG. 5). It is determined, and in this case, the determination result is “No”.
In step SD2, the user profile updating unit 540 sets one user profile P belonging to the similar user set Gi｛MiAiGet｝.
In step SD3, the user profile updating unit 540 determines that the specific user has performed the action E (for example, the page u1(Content HTML page 110 shown in FIG. 10)1Access)) followed by action EuL(Page uLTo the probability distribution vector Prob (EuL｜ Mi). Here, page uLMeans that all pages accessible by a specific user (page u1, U2, U3, ...).
Therefore, in step SD3, the page u1, U2, U3, ..., the probability distribution vector Prob (Eu1｜ Mi), Prob (Eu2｜ Mi), Prob (Eu3｜ Mi), ... are required.
In the following, the probability distribution vector Prob (Eu1｜ M1), Prob (Eu2｜ Mi), Prob (Eu3｜ Mi)... To the probability distribution vector Prob (EuL｜ Mi).
In step SD4, the user profile updating unit 540 sets the probability distribution vector Prob (Eu) for each page obtained in step SD3.L｜ Mi) Is compared with the threshold value δ, and the degree to which the specific user accesses the page is determined based on three states of “access”, “not access”, and “unknown”.
Specifically, the user profile updating unit 540 makes the determination based on the following conditions (a) to (c).
(A) Probability distribution vector Prob (EuL｜ Mi)> 1-δ (access)
(B) Probability distribution vector Prob (EuL｜ Mi) <Δ (do not access)
(C) δ ≦ probability distribution vector Prob (EuL｜ Mi) ≦ (1-δ) (unknown)
Here, when the condition of (a) is satisfied, the user profile updating unit 540 determines that the determination value u(I) LIs set to “1”, and when the condition of (b) is met, the judgment value u(I) LIs set to “0”. When the condition (c) is satisfied, the user profile updating unit 540 determines that the determination value u(I) LTo “?”.
Thereafter, the user profile updating unit 540 repeats steps SD1 to SD4 until the determination result of step SD1 is “Yes”.
When the result of the determination in step SD1 is "Yes", a vector represented by the following equation (6) is generated.
[U(I) 1, U(I) 2, U(I) 3, ...; Ai], Pi∈G, u(I
) L∈ ｛? , 0, 1｝ (6)
When the result of the determination in step SD1 is “Yes”, in step SA3 shown in FIG. 4, the user profile updating unit 540 sets the attribute information a in the vector represented by the expression (6).kConfidence Info (ak) Is obtained from the following equation (7).
Info (ak) = ΣLInfok(UL) ・ ・ ・ (7)
In the above equation (7), the attribute information akAre included in the undetermined attribute set B described above. Infok(UL) Indicates the next action (page u) to the specific user who has performed action E.LAttribute information akIs how much confidence can be increased.
In step SA4, the question generating unit 550 calculates the certainty factor Info (a) from the following equation (8).k) Is determined as κ so as to minimize).
κ = arg mink  Info (ak・ ・ ・ ・ ・ ・ (8)
Next, the question generation unit 550 calculates the information gain Info from the following equation (9).k(UL) Is determined as λ.
λ = arg maxL  Infoκ (uL・ ・ ・ ・ ・ ・ (9)
Next, the question generation unit 550, as shown in FIG.λAfter presenting the link information B, the process from step SA1 is executed. The link information B is information for jumping to a page for allowing the user to select attribute information having a low degree of certainty.
Next, the recommendation process in one embodiment will be described in detail with reference to the flowchart shown in FIG. The content HTML page 110 shown in FIG.1In step SE1 shown in FIG. 8, the behavior tendency output unit 560 acquires the behavior E of the specific user.
In step SE2, the behavior tendency output unit 560 outputs the behavior model M of the specific user.i(See FIG. 2) to obtain the behavior tendency Q.
After step SE3, the recommendation unit 570 sets the behavior tendency Q and the attribute information Ai(See FIG. 2) and the case base 610 (see FIG. 3) to recommend a product to a specific user.
Here, in the case base 610 shown in FIG. 3, the cases (“behavior tendency”, “gender”,..., “Language” and “product”) are czIs defined. Case czCorresponds to each record, and takes a value of 1 to 7 in the example of FIG. Generally, since the number of records is very large, the total number of cases is represented by Z.
In step SE3, the recommendation unit 570 sets the case variable z to 0, and resets the similar case set T. The similar case set T has a similarity between the behavior tendency Q and the attribute information A of the specific user and the behavior tendency and the attribute information (“sex”,..., “Language”) in the case shown in FIG. High (more than threshold δ described later) Case czIs a set of
In step SE4, the recommendation unit 570 increments the case variable z by one. In step SE5, the recommendation unit 570 determines whether the case variable z is equal to or less than the total number of cases Z. The total number of cases Z is the case c of the last record shown in FIG.7"7". In this case, the recommendation unit 570 sets the determination result of step SE5 to “No”.
In step SE6, the recommendation unit 570 determines the behavior tendency Q and the attribute information A (see FIG. 2) of the specific user and the case cz(In this case, the case c shown in FIG. 31), The similarity s with the behavior tendency Q4 and the attribute information (“sex”,..., “Language”) is calculated from the following equation (10).
s = Sim ({Q, A}, cz) ・ ・ ・ (10)
In step SE7, the recommendation unit 570 determines whether or not the similarity s is equal to or larger than the threshold δ (high). If the determination result of step SE7 is “No”, the recommendation unit 570 executes step SE4 and subsequent steps until the determination result of step SE5 becomes “Yes”.
On the other hand, if the determination result in step SE7 is “Yes”, in step SE8, the recommendation unit 570 determines that the similarity c to the behavior tendency Q of the specific user and the attribute information A are high.zIs incorporated into the similar case set T.
Then, when the result of the determination in step SE5 is “Yes”, in step SE9, the recommendation unit 570 performs well-known case-based inference using the similar case set T, and sets the inference result as the recommended product R. In this case, the case c shown in FIG.1It is assumed that a video with a built-in BS, which is a “product”, is a recommended product R.
Next, the recommendation unit 570 presents the link information C on the recommended product R to the specific user as shown in FIG. When the link information C is clicked, a page relating to the BS built-in video is displayed. Also, when the BS built-in video to be recommended is purchased by a specific user, the recommendation unit 570 reflects the behavior tendency, attribute information, and product of the specific user in the case base 610 (see FIG. 3).
Note that, in the above-described embodiment, the similar user set acquisition process shown in FIG. 9 may be executed instead of the similar user set acquisition process shown in FIG.
Specifically, in step SF1 shown in FIG. 9, the user profile updating unit 540 determines whether the behavior model has been generated by the behavior model generation unit 520, and in this case, the determination result is “No”. , And repeat the same judgment.
Then, when an action model for a certain user (hereinafter, referred to as a specific user) is generated, the user profile update unit 540 sets the determination result of step SF1 to “Yes”.
In steps SF2 to SF7, the user profile updating unit 540 acquires a similar user set G represented by the following equation (11).
G = ｛Pi| Sim (M, Mi) <Ε｝ (11)
In the equation (11), the user counter i corresponds to the user ID shown in FIG. PiIs a user profile relating to the user, and the behavior model M shown in FIG.iAnd attribute information AiIt is. Sim (M, Mi) Is a behavior model M of a specific user and a behavior model M of another user.iThis is a similarity function representing the similarity with the following equation (12) corresponding to the hidden Markov model shown in FIG.
Sim (M, Mi) = Σst| Pst-P(I) st|
+ Σvw| Qv(Uw) -Q(I) v(Uw) | ... (12)
The similarity function Sim (M, Mi) Reflects a long-term preference for a particular user.
First, in step SF2, the user profile updating unit 540 initializes the similar user set G with an empty set φ. In addition, the user profile updating unit 540 initializes a user counter i corresponding to the user ID to 0 in order to compare the similarity and the threshold value for all users.
In step SF3, the user profile updating unit 540 increments the user counter i by one. In step SF4, the user profile updating unit 540 determines whether or not the user counter i is equal to or less than the threshold value N, and in this case, sets the determination result to “Yes”. This threshold value N corresponds to the last user ID in the user profile database 600 shown in FIG.
In step SF5, the user profile updating unit 540 calculates the similarity function Sim (M, Mi) Is calculated. That is, the user profile updating unit 540 determines that the behavior model M of the specific user and the behavior model M of the other user are different.iIs calculated. Here, the similarity function Sim (M, Mi) Is smaller, the behavior model M of the specific user and the behavior model M of other users are smaller.iAre similar.
In step SF6, the user profile update unit 540 sets the similarity function Sim (M, Mi) Is smaller than the threshold value ε, that is, whether the similarity is high. Here, if the determination result in step SF6 is “No”, in step SF3 and thereafter, the user profile updating unit 540 increments the user counter i by 1, and determines the similarity between the specific user and the next other user. I do.
On the other hand, if the determination result in step SF6 is “Yes”, that is, if the similarity is high, in step SF7, the user profile updating unit 540 determines that the other user whose similarity with the behavior model M of the specific user is high. Behavior model MiIs incorporated into the similar user set G represented by the above-described equation (3), thereby updating the similar user set G.
After that, the user profile updating unit 540 executes the processing after step SF3 until the determination result of step SF4 becomes “No”. Then, when the determination result of step SF4 becomes “No”, the user profile updating unit 540 executes the processing of step SB2 and the subsequent steps shown in FIG.
Although one embodiment according to the present invention has been described in detail with reference to the drawings, a specific configuration example is not limited to this embodiment, and a design change within a range not departing from the gist of the present invention. The present invention is also included in the present invention.
For example, in the above-described embodiment, the user profile management program and the recommendation program for realizing the function of the recommendation device 500 are recorded on the computer-readable recording medium 800 shown in FIG. The function of the recommendation apparatus 500 may be realized by reading and executing the user profile management program and the recommendation program recorded in the computer 800 shown in FIG.
The computer 700 shown in the figure includes a CPU 710 for executing the user profile management program and the recommendation program, an input device 720 such as a keyboard and a mouse, a ROM (Read Only Memory) 730 for storing various data, an operation parameter and the like. (Random Access Memory) 740 for storing the user profile management program and the recommendation program from the recording medium 800, an output device 760 such as a display and a printer, and a bus 770 for connecting each unit of the device. Have been.
The CPU 710 reads the user profile management program and the recommendation program recorded on the recording medium 800 via the reading device 750, and executes the user profile management program and the recommendation program. To achieve. Note that the recording medium 800 includes not only a portable recording medium such as an optical disk, a floppy disk, and a hard disk, but also a transmission medium such as a network for temporarily recording and holding data.
As described above, according to the embodiment, as described with reference to FIGS. 4 to 7, the users are grouped according to the similarity of the user's behavior model on the Internet 200, and , A user profile of a specific user is guessed by using a profile of another user, and the profile of the specific user is updated to a user profile guessed by the guessing means. Without updating, the user profile can be updated.
Further, according to one embodiment, as described with reference to FIG. 5, a certainty factor is calculated for each attribute information constituting the estimated user profile, and the certainty factor is equal to or less than the threshold σ. Since the user is caused to select the attribute information, the accuracy of the user profile can be improved.
Further, according to one embodiment, the behavior model generation unit 520 periodically models the behavior of the user as a behavior model, thereby avoiding a situation in which the user profile becomes obsolete over time. be able to.
Further, according to the embodiment, from the case base 610 (see FIG. 3) indicating the correspondence between the behavior tendency of another user and the purchased product, the behavior having a high similarity with the behavior tendency of the specific user is shown. Since the tendency is searched and the product corresponding to the behavior tendency is recommended to the user, a more accurate recommendation can be performed.
Further, according to the embodiment, the recommendation unit 570 reflects the purchase history of the recommended product and the behavior tendency of the user in the case base 610, so that the accuracy of the recommendation for the next and subsequent times can be further improved. Can be.
As described above, according to the present invention, users are grouped according to the similarity of a user's behavior model on the Internet, and within a group, a user profile of a specific user is used by using a profile of another user. Since the guessing is performed and the profile of the specific user is updated to the user profile guessed by the guessing means, it is possible to update the user profile without bothering the user.
Further, according to the present invention, the certainty factor is calculated for each of the elements constituting the user profile estimated by the estimating means, and the user is allowed to select an element whose certainty factor is equal to or less than the threshold value. There is an effect that the accuracy of the user profile can be improved.
Further, according to the present invention, since the behavior of the user is periodically modeled as a behavior model, it is possible to avoid a situation in which the user profile becomes obsolete over time.
Further, according to the present invention, a behavior tendency having a high degree of similarity to a behavior tendency of a certain user is searched from a case base representing a correspondence between the behavior tendency of another user and a purchased product, and the behavior tendency is determined. Since the corresponding product is recommended to the user, it is possible to make a more accurate recommendation.
Further, according to the present invention, since the purchase history of the recommended product and the behavior tendency of the user are reflected on the case base, there is an effect that the accuracy of recommendation for the next and subsequent times can be further improved.
Industrial applicability
As described above, the user profile management device and the recommendation device according to the present invention are useful for managing user profiles on the Internet and recommending products with high accuracy.
[Brief description of the drawings]
FIG. 1 is a block diagram showing a configuration of an embodiment according to the present invention, FIG. 2 is a diagram showing a table structure of a user profile database 600 shown in FIG. 1, and FIG. FIG. 4 is a diagram showing a table structure of the case base 610 shown in FIG. 1, FIG. 4 is a flowchart for explaining a question generation process in the same embodiment, and FIG. 5 is a diagram shown in FIG. FIG. 6 is a flowchart illustrating a user profile update process, FIG. 6 is a flowchart illustrating a similar user set acquisition process illustrated in FIG. 5, and FIG. 7 is a diagram illustrating the vector generation process illustrated in FIG. FIG. 8 is a flowchart for explaining the recommendation process in the same embodiment, and FIG. 9 is a flowchart for explaining the similar user set acquisition process shown in FIG. A chart, FIG. 10, the content HTML page 110 shown in FIG. 11FIG. 11 is a diagram showing an example of the attribute information input HTML page 130 shown in FIG. 1, and FIG. 12 is a diagram showing a hidden Markov model in the same embodiment. FIG. 13 is a block diagram showing a configuration of a modification of the same embodiment.

Claims (5)

インターネットにおけるユーザの行動を行動モデルとしてモデル化するモデル化手段と、
行動モデルの類似度に応じて、ユーザをグループ化するグループ化手段と、
グループ内において、他のユーザのプロファイルを用いて、特定のユーザのユーザプロファイルを推測する推測手段と、
前記特定ユーザのプロファイルを、前記推測手段により推測されたユーザプロファイルに更新する更新手段と、
を備えたことを特徴とするユーザプロファイル管理装置。Modeling means for modeling user behavior on the Internet as a behavior model;
Grouping means for grouping users according to the similarity of the behavior models;
Inferring means for inferring a user profile of a specific user using a profile of another user in a group,
Updating means for updating the profile of the specific user to a user profile estimated by the estimating means;
A user profile management device comprising: 前記推測手段により推測されたユーザプロファイルを構成する各要素について、確信度を算出する確信度算出手段と、前記確信度がしきい値以下の要素について、ユーザに選択させる選択手段とを備えたことを特徴とする請求の範囲第１項に記載のユーザプロファイル管理装置。For each element constituting the user profile estimated by the estimating means, there is provided a certainty calculating means for calculating certainty, and a selecting means for allowing a user to select an element whose certainty is equal to or less than a threshold value. The user profile management device according to claim 1, wherein: 前記モデル化手段は、定期的にユーザの行動を行動モデルとしてモデル化することを特徴とする請求の範囲第１項または第２項に記載のユーザプロファイル管理装置。3. The user profile management device according to claim 1, wherein the modeling unit periodically models the behavior of the user as a behavior model. インターネットにおけるユーザの行動を行動モデルとしてモデル化するモデル化手段と、
前記行動モデルに基づいて、ユーザの行動傾向を分析する行動傾向分析手段と、
他のユーザの行動傾向と購入された商品との対応関係を表す事例ベースから、あるユーザの行動傾向との類似度が高い行動傾向を検索し、該行動傾向に対応する商品をユーザに推薦する推薦手段と、
を備えたことを特徴とする推薦装置。Modeling means for modeling user behavior on the Internet as a behavior model;
Based on the behavior model, behavior tendency analysis means for analyzing the behavior tendency of the user,
From the case base showing the correspondence between the behavior tendency of another user and the purchased product, a behavior tendency having a high degree of similarity to the behavior tendency of a certain user is searched, and a product corresponding to the behavior tendency is recommended to the user. Recommendation means,
A recommendation device comprising: 推薦された前記商品の購入履歴および当該ユーザの行動傾向を前記事例ベースに反映させる事例ベース更新手段を備えたことを特徴とする請求の範囲第４項に記載の推薦装置。The recommendation apparatus according to claim 4, further comprising: a case base updating unit that reflects a purchase history of the recommended product and an action tendency of the user in the case base.
JP2003521975A 2001-08-21 2001-08-21 User profile management device and recommendation device Pending JPWO2003017137A1 (en)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2001/007160 WO2003017137A1 (en) 2001-08-21 2001-08-21 Apparatus for managing user profile and apparatus for recommendation

Publications (1)

Publication Number Publication Date
JPWO2003017137A1 true JPWO2003017137A1 (en) 2004-12-09

Family

ID=11737654

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2003521975A Pending JPWO2003017137A1 (en) 2001-08-21 2001-08-21 User profile management device and recommendation device

Country Status (2)

Country Link
JP (1) JPWO2003017137A1 (en)
WO (1) WO2003017137A1 (en)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9235849B2 (en) * 2003-12-31 2016-01-12 Google Inc. Generating user information for use in targeted advertising
JP4866572B2 (en) * 2005-06-14 2012-02-01 パナソニック株式会社 Portable terminal device and program activation method
US20090327193A1 (en) * 2008-06-27 2009-12-31 Nokia Corporation Apparatus, method and computer program product for filtering media files
JP5199152B2 (en) * 2009-03-12 2013-05-15 株式会社日立製作所 Behavior prediction method and behavior prediction system
JP4898938B2 (en) * 2010-06-08 2012-03-21 株式会社ソニー・コンピュータエンタテインメント Information providing system and information providing method
JP2012098975A (en) * 2010-11-04 2012-05-24 Hitachi Ltd Item recommendation method and device
EP2639714A4 (en) * 2011-12-13 2015-03-04 Nec Corp Information collection device, system, method, and program
WO2013116816A1 (en) * 2012-02-03 2013-08-08 Augme Technologies, Inc. System and method of inferring user preferences
JP2014106661A (en) * 2012-11-27 2014-06-09 Nippon Telegr & Teleph Corp <Ntt> User state prediction device, method and program
US10069697B2 (en) * 2016-01-29 2018-09-04 Microsoft Technology Licensing, Llc Routing actions to user devices based on a user graph
JP6527276B2 (en) * 2018-07-05 2019-06-05 ヤフー株式会社 INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING PROGRAM, AND INFORMATION PROCESSING METHOD
US20230230143A1 (en) * 2020-03-27 2023-07-20 Nec Corporation Product recommendation system, product recommendation method, and recordingmedium storing product recommendation program
WO2023048154A1 (en) 2021-09-21 2023-03-30 株式会社アイシン Recommendation system

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06243173A (en) * 1993-02-18 1994-09-02 Fujitsu Ltd Personal adaptive type network control method
JPH0962703A (en) * 1995-08-30 1997-03-07 Nec Corp Data base retrieval system and its information retrieval processing method
JPH11282875A (en) * 1998-03-27 1999-10-15 Oki Electric Ind Co Ltd Information filtering device
JP2000035972A (en) * 1998-05-11 2000-02-02 Oki Electric Ind Co Ltd Product information retrieving device
JP2000099486A (en) * 1998-09-17 2000-04-07 Nippon Telegr & Teleph Corp <Ntt> Automatic delivery type information providing processing method, its processor and recording medium recording program for the method
JP2000132559A (en) * 1998-10-23 2000-05-12 Hitachi Ltd Information filtering system and profile updating method in the same
JP2000172697A (en) * 1998-12-03 2000-06-23 Sony Corp Method and device for customer information retrieval, data generating method, and data base
JP2000315212A (en) * 1999-04-30 2000-11-14 Ntt Data Corp Method, system for sorting information and recording medium
JP2001014349A (en) * 1999-06-28 2001-01-19 Nippon Telegr & Teleph Corp <Ntt> Rating system for collaboration information filtering

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3673093B2 (en) * 1998-09-29 2005-07-20 株式会社ニューズウオッチ Information filtering device

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06243173A (en) * 1993-02-18 1994-09-02 Fujitsu Ltd Personal adaptive type network control method
JPH0962703A (en) * 1995-08-30 1997-03-07 Nec Corp Data base retrieval system and its information retrieval processing method
JPH11282875A (en) * 1998-03-27 1999-10-15 Oki Electric Ind Co Ltd Information filtering device
JP2000035972A (en) * 1998-05-11 2000-02-02 Oki Electric Ind Co Ltd Product information retrieving device
JP2000099486A (en) * 1998-09-17 2000-04-07 Nippon Telegr & Teleph Corp <Ntt> Automatic delivery type information providing processing method, its processor and recording medium recording program for the method
JP2000132559A (en) * 1998-10-23 2000-05-12 Hitachi Ltd Information filtering system and profile updating method in the same
JP2000172697A (en) * 1998-12-03 2000-06-23 Sony Corp Method and device for customer information retrieval, data generating method, and data base
JP2000315212A (en) * 1999-04-30 2000-11-14 Ntt Data Corp Method, system for sorting information and recording medium
JP2001014349A (en) * 1999-06-28 2001-01-19 Nippon Telegr & Teleph Corp <Ntt> Rating system for collaboration information filtering

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
三浦 信幸: "個人適応型ＷＷＷにおけるユーザモデル構築法", 情報処理学会論文誌, vol. 第３９巻 第５号, JPN6010035385, 15 May 1998 (1998-05-15), JP, pages 1523 - 1535, ISSN: 0001653885 *
北村 泰彦: "最新エージェントテクノロジ インターネットエージェント 知的情報検索と自動情報配信", ＢＩＴ, vol. 31, no. 2, JPN6010035386, 1 February 1999 (1999-02-01), JP, pages 7 - 14, ISSN: 0001653886 *

Also Published As

Publication number Publication date
WO2003017137A1 (en) 2003-02-27

Similar Documents

Publication Publication Date Title
JP5572596B2 (en) Personalize the ordering of place content in search results
JP5224868B2 (en) Information recommendation device and information recommendation method
US10607235B2 (en) Systems and methods for curating content
US8380784B2 (en) Correlated information recommendation
KR100961782B1 (en) Apparatus and method for presenting personalized goods information based on artificial intelligence, and recording medium thereof
US9396485B2 (en) Systems and methods for presenting content
KR100692209B1 (en) Method and system for providing information of commodity customized to each user
TWI519974B (en) Method for optimizing content on a topic page
US20090164395A1 (en) Modeling, detecting, and predicting user behavior with hidden markov models
US11580586B2 (en) Real-time recommendation monitoring dashboard
CN104969224A (en) Tailoring user experience for unrecognized and new users
TW201447797A (en) Method and system for multi-phase ranking for content personalization
KR20100047195A (en) Dynamic layout for a search engine results page based on implicit user feedback
KR20050049750A (en) On-line advertising system and method
JP2002024285A (en) Method and device for user support
CN106447419B (en) Visitor identification based on feature selection
Huang et al. A novel recommendation model with Google similarity
JPWO2003017137A1 (en) User profile management device and recommendation device
KR20090017268A (en) Method for updating interest keyword of user and system for executing the method
KR100856916B1 (en) Information providing method and system of extracting a personalized issue
JP7200069B2 (en) Information processing device, vector generation method and program
KR20030058660A (en) The method of Collaborative Filtering using content references of users in Personalization System
CN103069418B (en) Information provider unit, information providing method, program and information recording carrier
JP2003167907A (en) Information providing method and system therefor
JP4129127B2 (en) Recommended information transmission system

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20080318

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20081031

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20100622

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20100816

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20101109

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20110322