JP2005536816A - 統計的特定個人推奨システム - Google Patents

Abstract

所与の分野の品目を、ユーザ個々に、若しくはグループ単位で推奨する方法は、ユーザの特性、注意深く誘出した彼らの好み、および彼らの品目の格付けの履歴をデータベースに保持する。ユーザは、集団に割り当てられ、その集団は、好みの分布に著しい集団間の相違が現れるように、構成される。集団特定のパラメータおよびその精度を、データベースを用いて計算する。これによって、この集団に属する典型的な非特定ユーザによる任意品目の危険調整済み格付けの計算が可能となる。個々のユーザに対する集団パラメータの個人化修正は、個人特定の格付け履歴および前述の好みを用いて計算する。これらの個人化パラメータによって、ユーザに関連する任意品目の個人特定の危険調整済み格付けの計算が可能となる。また、この方法は、友人のグループまたは家族のような、合同ユーザのグループに適した品目を推奨する場合にも適用可能である。関連する方法を用いると、同様の好みを共有するユーザを発見することができる。統計的に計算した個人的好みパラメータの密接性に基づいて、所与のユーザに類似したユーザを特定する。

Description

本発明は、統計に基づく方法を用いて、個人化された品目推奨をユーザに対して行う手法に関する。

関連出願に対する引用
本願は、２００２年８月１９日に出願した米国仮特許出願第６０／４０４，４１９号、２００２年１０月３１日に出願した米国仮特許出願第６０／４２２，７０４号、および２００３年２月１９日に出願した米国仮特許出願第６０／４４８，５９６号の優先権を主張する。これらの出願は、ここで引用することにより、本願にも含まれるものとする。

本発明は、所与の分野の品目を、ユーザに、個別に若しくはグループ単位で推奨する方法を提供する。

概略的な態様では、本発明において、ユーザの特性、注意深く誘出した彼らの好み、および彼らの品目の格付けの履歴はデータベースに保持される。ユーザは、集団に割り当てられ、好みの分布に集団間で著しい相違が現れるように、集団を構成する。集団特定のパラメータおよびその精度を、データベースを用いて計算する。これによって、この集団に属する典型的な非特定ユーザによる任意品目の危険調整済み格付けの計算が可能となる。個々のユーザに対する集団パラメータの個人化修正は、個人特定の格付け履歴および前述の好みを用いて計算する。これらの個人化パラメータによって、ユーザに関連する任意品目の個人特定の危険調整済み格付けの計算が可能となる。また、この方法は、友人のグループまたは家族のような、合同ユーザのグループに適した品目を推奨する場合にも適用可能である。別の概略的な態様では、本発明は、同様の好みを共有するユーザを発見する方法を特徴とする。所与のユーザに類似したユーザの特定は、統計的に計算した個人的好みパラメータの密接性に基づいて行われる。

一態様では、概略的に、本発明は、１つ以上のユーザ・グループにおけるユーザに品目を推奨する方法、ソフトウェア、およびシステムを特徴とする。１つ以上のユーザ・グループにおけるユーザによる品目の格付けの履歴を記憶することを含む、ユーザ関連データの保持が行われる。そのユーザ関連データを用いて１つ以上のグループと関連するパラメータを計算する。この計算は、１つ以上のユーザ・グループの各々に対して、当該グループにおけるユーザによる品目の予測格付けを特徴付けるパラメータの計算を含む。個人化統計パラメータを、一人以上の個人ユーザの各々について計算する。その際、当該ユーザ・グループのユーザと関連するパラメータと、当該ユーザによる品目の格付けの記憶されている履歴とを用いる。次いで、一人以上のユーザの各々による品目の予測格付けを特徴付けるパラメータを、個人化統計パラメータを用いて計算できるようにする。

別の態様では、概略的に、本発明は、類似したユーザを特定する方法、ソフトウェア、およびシステムを特徴とする。あるユーザ・グループにおけるユーザによる品目の格付けの履歴を保持する。次に、その格付けの履歴を用いて、パラメータを計算する。これらのパラメータは、そのユーザ・グループと関連付けられており、当該グループにおける不特定のユーザによる任意品目の予測格付けの計算を可能にする。このグループにおける一人以上の個人ユーザの各々について、当該グループと関連するパラメータと、当該ユーザによる品目の格付けの履歴を用いて、個人化統計パラメータを計算する。これらの個人化パラメータによって、当該ユーザによる任意品目の予測格付けの計算を可能とする。ユーザについて計算した個人化統計パラメータを用いて、第１のユーザに類似したユーザを特定する。

本発明のその他の特徴および利点は、以下の説明および特許請求の範囲から明らかである。

１ 概要（図１）
図１を参照すると、推奨システム１００は、品目の推奨１１０を、ユーザ母集団１０５の中のユーザ１０６に与える。このシステムは、種々の分野の品目に適用可能である。以下の論述では、映画を分野例として用いる。また、この手法は、例えば、音楽アルバム／ＣＤ、放送または加入者ネットワーク上での映画およびＴＶショー、ゲーム、書籍、ニュース、衣類、娯楽旅行、ならびにレストランにも適用される。以下に説明するシステムの第１のバージョンでは、全ての品目が１つの分野のみに属する。多数の分野にまたがる推奨への拡張も実現可能である。

本システムは、推奨可能な品目、および推奨を行うことができるユーザに関する知識の状態１３０を保持している。スコアラー１２５がこの知識を用いて、特定の品目および特定のユーザに対する期待格付け１２０を生成する。この期待格付けに基づいて、推奨部１１５が、一般的にはユーザが高く評価すると思われる品目を推奨するために、特定のユーザ１０６に対する推奨１１０を生成する。

ユーザ１０６に対する品目の推奨１１０を生成するために、推奨システム１００は、ユーザのシステム使用履歴、および他のユーザによるシステム使用履歴を引き出す。やがて、システムは、ユーザにとってなじみがある品目に対する格付け１４５を受ける。例えば、ユーザは、恐らくはシステムがこのユーザに以前に映画を推奨した後に、自分が見た映画についての格付けを与えることができる。また、推奨システムは、品目に対する格付けをユーザから誘出する誘出モードにも対応する。この場合、例えば、初期登録の段階においてユーザに品目の短いリストを提示し、自分にとってなじみのある品目に格付けするように依頼するか、あるいはユーザに好きなもののリストを提供させる。

ユーザに関する追加情報も、通例、誘出される。例えば、ユーザの人口統計的データ、および選択した品目の属性に対するユーザの明示的な好き嫌いが誘出される。これらの誘出の質問は、ユーザからの回答を誘出するのに必要な手間を考慮に入れて、ユーザの好みに関する情報の期待値が最大になるように選択される。例えば、ユーザは、そのユーザが具体的な活動をどの程度頻繁に行っているかを尋ねる質問に回答する場合と比べて、自分が何かをどの程度好きかを尋ねる質問に回答する場合の方がより「手間」がかかることが、わかる場合がある。誘出モードでは、誘出１５０が得られる。システムの全てのユーザについての格付け１４５および誘出１５０は、システムの総合履歴１４０に含まれる。状態更新部１３５が、この履歴を用いて、知識の状態１３０を更新する。この更新手順は、統計的回帰およびベイズのパラメータ推定手法を含む、統計的な手法を利用する。

推奨システム１００は、推奨可能品目の明示的および暗示的（潜在的）属性を利用する。品目データ１６５は、これら推奨可能品目に関する明示的情報を含む。例えば、映画の場合、このような明示的情報は、ディレクター、俳優、公開年等を含む。品目属性形成部（ｉｔｅｍ ａｔｔｒｉｂｕｔｉｚｅｒ）１６０は、品目データ１６５を用いて、当該品目と関連する知識の状態１３０のパラメータを設定する。品目属性形成部１６０は、品目データ１６５内では明示的ではない潜在的な品目の属性を推定する。

ユーザには、１からＮの範囲の値を取る添字ｎが付けられる。各ユーザは、添字ｄが付けられている互いに分離したＤ個の集団（ｃｏｈｏｒｔ）の集合のうちの１つに属する。システムは、種々の集団の定義ができるように構成可能である。例えば、集団は、年齢または性というようなユーザの人口統計的データに基づくことも、品目の重要な一般的特性に対して明示的に知られている嗜好に基づくこともできる。あるいは、潜在的集団のクラスを、人口統計的データおよび明示的に知られている嗜好の重み付けられた複合体に基づいて、統計的に決定することもできる。集団の数および仕様は、集団毎の観察の妥当性、集団内での類似性、または集団間での異質性がバランスするように、統計的判断基準にしたがって選択される。以下の説明を簡略化するために、一部の数式においては、集団の添字ｄを省略し、各ユーザは１つの集団のみに割り当てられていると仮定する。集団ｄに属するユーザの集合をＤ_ｄで表す。品目を推奨する際に、本質的に単一の集団Ｄ＝１のみを考慮することによって、別個の集団を用いないシステムを構成することができる。
２ 知識の状態１３０（図２）
図２を参照すると、知識の状態１３０は、品目の知識の状態２１０と、ユーザの知識の状態２４０と、集団の知識の状態２７０とを含む。

品目の知識の状態２１０は、Ｉ個の推奨可能品目の各々について、別個の品目データ２２０を含む。
品目ｉ毎のデータ２２０は、Ｋ個の属性ｘ_ｉｋを含み、これらをＫ次元ベクトルｘ _ｉ２３０として表す。各ｘ_ｉｋは、特定の属性の有無を示す二進数、特定の属性が存在する度合いを示すスカラー量、またはその属性の強度を示すスカラー量のような数量である。

各品目ｉのデータ２２０は、Ｖ個の明示的特徴ｖ_ｉｋも含み、これらをＶ次元ベクトルｖ _ｉ２３２として表す。以下で更に詳しく論ずるが、一部の属性ｘ_ｉｋはこれらの明示的特徴の決定論的関数であり、明示属性と称される。他方、残りの属性ｘ_ｉｋは、当該品目または別の品目の明示的特徴、および当該分野の専門知識に基づいて、品目属性形成部１６０によって推定される。

映画の場合、明示的特徴および属性の例は、最初に公開した年、そのＭＰＡＡ格付けおよびその格付けの理由、会話の主な言語、プロットの説明または概要におけるキーワード、製作／配給スタジオ、並びにロマンチック・コメディまたはアクション・サイエンス・フィクション（ＳＦ）というようなジャンル分けである。潜在的属性の例は、ユーモア、思慮深さ、および暴力の度合いであり、これらは明示的特徴から推定される。

ユーザの知識の状態２４０は、Ｎ人のユーザ各々についての別個のユーザ・データ２５０を含む。
各ユーザｎのデータは、１つ以上の属性ｋに対するユーザの明示的「好み」ｚ_ｎｋを含む。その好みの集合をＫ次元ベクトルｚ _ｎ２６５として表す。好みｚ_ｎｋは、当該ユーザの集団における典型的な人物に対するユーザｎによる属性ｋの愛好を示す。ユーザが好みを示さない属性は、ゼロの値のｚ_ｎｋにより表現される。（より大きい）正の値のｚ_ｎｋは、集団と比較して好みが高いこと（愛好）に対応し、（より小さい）負のｚ_ｎｋは、集団と比較して属性を嫌うこと（嫌悪）に対応する。

各ユーザｎのデータ２５０は、統計的に推定したパラメータπ _ｎ２６０も含む。これらのパラメータは、スカラー量α_ｎ２６２と、Ｋ次元ベクトルβ _ｎ２６４とを含み、これらは、明示的好みで考慮されていない、集団に対するユーザの推定（期待）「嗜好」を表す。パラメータα_ｎ２６２およびβ _ｎ２６４は、ユーザの明示的「好み」ｚ _ｎ２６５と共に、品目の属性ｘ _ｉ２３０を当該品目のそのユーザによる期待格付けにマッピングする際にスコアラー１２５によって用いられる。ユーザに対する統計的パラメータ２６０は、Ｖ＋１次元ベクトルτ _ｎ２６６も含む。これは、ユーザが属する集団における当該品目の期待格付けと、明示的特徴ｖ _ｉ２３２との組み合わせを、当該品目のそのユーザによる期待格付けに重み付けする際に、スコアラー１２５によって用いられる。統計的パラメータπ _ｎ２６０は、前述の成分を積み重ねたベクトルπ _ｎ＝［α_ｎ，β’_ｎ，τ’_ｎ］’として表される。

また、ユーザ・データ２５０は、推定したパラメータπ _ｎの精度または不確実性を、精度行列（共分散行列の逆行列）Ｐ_ｎ２６８の形態で特徴付けるパラメータも含む。この精度行列は、推定パラメータ２６０を更新する際に状態更新部１３５によって用いられ、更に、状況に応じて、生成した期待格付けの精度または不確実性を評価する際にスコアラー１２５によって用いられる。

集団の知識の状態２７０は、Ｄ個の集団の各々について別個の集団データ２８０を含む。このデータは、多数の統計的に推定したパラメータを含み、これらが全体として集団と関連する。回帰係数のベクトルρ _ｄは、その次元が１＋Ｋ＋Ｖであり、品目ｉに対する積み重ねたベクトル（１，ｘ’_ｉ，ｖ’_ｉ）’を、全体として集団に適した当該品目に対する格付けスコアにマッピングする際に、スコアラー１２５によって用いられる。

また、集団データは、Ｋ次元ベクトルγ _ｄ２９２も含み、これは、当該集団の構成員の明示的好みを重み付けする際に用いられる。即ち、ユーザｎの属性ｋに対する明示的な好みをｚ_ｎｋにより表現し、かつユーザｎが集団ｄに属している場合、積ｚ^γ _ｎｋ＝ｚ_ｎｋγ_ｄｋは、他の推定パラメータに基づく影響と比較したユーザの明示的格付けに基づく影響を決定する際に、かつＫ個の属性の相違に対する明示的好みの相対的影響を決定する際に、スコアラー１２５によって用いられる。θ _ｄ２９６、η _ｄ２９７、およびφ _ｄ２９４を含むその他のパラメータは、状態更新部１３５によって推定され、推定格付けに対するユーザの集団の影響を計算する際にスコアラー１２５によって用いられる。また、集団データ２８０は、集団格付け、即ち、固定効果ベクトルｆ２９８も含み、その成分は、集団ｄのサンプル履歴に基づく各品目ｉの期待格付けｆ_ｉｄであり、そのサンプル履歴は、「最適には」当該集団の典型的なユーザの履歴を表している。最後に、集団データ２８０は、推定ユーザ・パラメータπ _ｎ２６０に対する事前の分布を特徴付ける事前の精度行列Ｐ_ｄを含み、パラメータを個々のユーザに対して個人化する手順の開始点として、状態更新部１３５によって用いられる。

知識の状態１３０における種々の変数がどのようにして決定されるかについての説明は、状態更新部１３５を紹介する４節に先送りすることとする。
３ スコアリング（図３）
推奨システム１００は、品目ｉに対するユーザｎの基本的好みを表す数値変数ｒ_ｉｎに関連したモデルを採用する。ここで、ｒ_ｉｎは、ユーザが既に与えた格付け、またはユーザが当該品目に与えると考えられる未知の格付けとして解釈することができる。本試みの有効性を判断するために実施されるシステムの具体的なバージョンでは、これらの格付けは、１から５までの等級に分けられる。ユーザから誘出された格付けの場合、システムは、「大きい」、「ＯＫ」または「乏しい」というような説明的な語句を、妥当な等級の整数にマッピングする。

ユーザｎがまだ格付けしていない品目ｉに対して、推奨システム１００は、ユーザｎが品目ｉに与えると考えられる未知の格付けｒ_ｉｎをランダム変数として取り扱う。時間ｔにおいて品目ｉをユーザｎに推奨するか否かの判断は、その時間における知識の状態１３０に基づく。スコアラー１２５は、ｒ_ｉｎの推定される統計的性質に基づいて、期待格付け（ｅｘｐｅｃｔｅｄ ｒａｔｉｎｇ）ｒ^Ｅ _ｉｎ１２０を計算し、更にその推定値の信頼性即ち精度も計算する。

スコアラー１２５は、以下の複数の部分推定値に基づいてｒ^Ｅ _ｉｎを計算する。
（ａ）集団に基づく事前格付けｆ_ｉｄ３１０。これはｆ２９８の成分である。
（ｂ）ユーザが属する集団ｄの代表または典型的ユーザに対するユーザｎの格付けの明示的偏差３２０。これらの偏差は、当該品目についての属性ｘ _ｉ２３０についての好みにおける明示的に誘出された偏差に関連しており、ベクトルｚ _ｎ２６５において表される。集団についての推定マッピング・ベクトルγ _ｄ２９２は、好みにおける偏差を格付けの単位に変換する。

（ｃ）ユーザの知識の状態１３０における、ゼロではない任意の個人パラメータα_ｎ２６２、β _ｎ２６４、およびτ _ｎ２６６から生じる（好みにおける誘出された偏差を考慮に入れた、ユーザが属する集団ｄの代表または典型的ユーザに対する）ユーザｎの格付けの推定された偏差３３０。個人パラメータのこのようなゼロではない推定値は、ユーザｎの格付けの履歴から推定される。この格付けの推定された偏差は、それらの個人パラメータと、属性ｘ _ｉ２３０、集団効果項ｆ_ｉｄ２９８、および特徴ｖ _ｉ２３２との内積である。

スコアラー１２５が行う具体的な計算は、次のように表される。

ここで、３つの括弧内の項は、上記の三成分（ａ）〜（ｃ）に対応しており、ｚ ^γ _ｎ≡ｄｉａｇ（ｚ _ｎ）γ _ｄ（即ち、ｚ _ｎおよびγ _ｄの直積）である。尚、ベクトルの乗算は、ベクトルの内積を意味することを注記しておく。

以下で更に論ずるが、ｆ_ｉｄは、複数の集団に基づく推定値の組み合わせとして、次のように計算される。

ここで、ｒ^Ａ _ｉ，ｄ＝Σ_ｍ∈Ｄｄｒ_ｉｍ／Ｎ_ｉ，ｄは、当該集団のユーザにとっての、品目ｉの平均格付け（ａｖｅｒａｇｅ ｒａｔｉｎｇ）であり、ｒ^Ａ _ｉ，＼ｄは、集団外部のユーザにとっての平均格付けである。以下で更に詳しく論ずるが、パラメータθ_ｉｄおよびη_ｉｄは、基礎となる推定パラメータ集合のφ _ｄ＝（φ_１，．．．，φ_４）２９４に依存する。

品目に対する期待格付けと共に、スコアラー１２５は、格付けモデルを用いた分散の推定値に基づいて、期待格付けの精度の推定値も与える。即ち、期待格付けｒ^Ｅ _ｉｎには、ユーザのパラメータ推定値の事後精度を用いて計算される、推定値の分散σ^２ _ｉｎが関連付いている。

スコアラー１２５は、分野における全ての品目にスコアを付ける必要はない。ユーザから誘出された好みにもとづいて、スコアラーは、品目に対する属性に基づいて、品目集合をフィルタにかけ、その後に、品目に対する期待格付けを計算し、推奨部にこれらを受け渡す。
４ パラメータの計算
集団ｄ毎の集団データ２８０は、品目ｉ毎の集団効果項ｆ_ｉｄを含む。Ｄ_ｄに属するユーザによる品目ｉの格付けが十分である場合、そのユーザの数をＮ_ｉ，ｄで示すと、集団効果項ｆ_ｉｄを、格付けの標本平均ｒ^Ａ _ｉ，ｄ＝Σ_ｍ∈Ｄｄｒ_ｉｍ／Ｎ_ｉ，ｄによって有効に推定することができる。

多くの場合、Ｎ_ｉ，ｄは、不十分な数であり、当該集団における他のユーザにより、格付けの標本平均によって推定される格付けの集団効果項の値は不正確である。ｆ_ｉｄのより良い有限標本推定値は、ｒ^Ａ _ｉ，ｄによる推定値と別の推定値とを組み合わせることによって得られるが、これは漸近的に有効ではない場合や、恐らくは収束すらしない場合もある。

１つの別の推定値は、集団ｄの外部のユーザによる品目ｉの格付けを利用する。Ｎ_ｉ，＼ｄは、品目ｉについて利用可能なこのような格付けの数を示すとする。集団は、推論が集団の添字の置換に対して不変であるという意味において、交換可能であると仮定する。この別の推定値では、集団外部のユーザによる品目ｉに対するこれらＮ_ｉ，＼ｄ個の格付けの標本平均をｒ^Ａ _ｉ，＼ｄで示す。

第２の別の推定値は、［１，ｘ’_ｉ，ｖ’_ｉ］に関するｒ_ｉｍの回帰であり、回帰係数ρ _ｄ２９０のベクトルを生成する。この回帰推定値は、格付けが少ない（新製品の場合のように、恐らくは０）品目において重要である。

その推定値の全てのパラメータ、および推定値の相対的重みを決定するパラメータは、集団ｄのユーザからの全ての格付けの標本に基づいた以下の非線形回帰方程式を用いて、まとめて推定される。

ここで、ｒ^Ａ _{ｉ，ｄ＼ｍ}は、ユーザｍを除外した集団ｄにおけるユーザによる品目ｉに対する平均格付けであり、ρ _ｄは、他のユーザによって品目に割り当てられた格付けに関する情報を用いずに（若しくは、予測を行おうとする品目の一部が未だ格付けされていないときに）、格付けの品目間の平均変動を予測することができる品目の属性に関連する係数のベクトルとして解釈することができる。重みθ_ｉｄおよびη_ｉｄはＮ_ｉ，ｄおよびＮ_ｉ，＼ｄの非線形関数であり、基本的パラメータφ _ｄ＝（φ_１，．．．，φ_４）２９４の集合に依存する。

φ_ｊは、推定されるべき正のパラメータである。尚、ｒ^Ａ _{ｉ，ｄ＼ｍ}の相対的重要性は、Ｎ_ｉ，ｄと共に増大することを注記しておく。

式（３）における全てのパラメータは、集団におけるユーザ間で不変である。しかしながら、小さいＮ_・，ｄでは、これらのパラメータでさえも正確に推定することができない場合もある。このような場合の代替案は、式（３）の係数に対して集団間の交換可能性を課し、集団のプーリングから強度を引き出すことである。マルコフ連鎖モンテカルロ法を用いる現代のベイズの推定は、実用的に価値のある交換可能性の仮定には適している。

集団毎に別個の古典的方法によっても、交換可能性の仮定の下でのプールされたベイズ推定によっても、非線形回帰（３）を標本データにフィットすることによって得られる主要推定値は、γ _ｄ及び、異なるｉに対するｆ_ｉｄを計算可能にするパラメータである。

図４を参照すると、状態更新部１３５は、集団回帰モジュール４３０を含む。モジュール４３０は、量γ _ｄ２９２、ρ _ｄ２９０、およびφ _ｄ＝（φ_１，φ_２，φ_３，φ_４）２９４の４つのスカラー成分を、式（２）を用いて計算する。これらの量に基づいて、集団派生項モジュール４４０は、θ_ｉｄ２９６およびη_ｉｄ２９７を計算し、それらから、式（２）にしたがって、ｆ_ｉｄ２９８を計算する。

また、状態更新部１３５は、ユーザ・データ２５０のパラメータを更新するベイズ更新部４６０も含む。即ち、ベイズ更新部４６０は、推定値π _ｎ＝（α_ｎ，β’_ｎ，τ _ｎ）’２６０、および精度行列Ｐ_ｎ２６８を保持する。Ｐ_ｎおよびπ _ｎの初期値は、同じ集団であれば全てのユーザに共通である。π _ｎの初期値は０である。

Ｐ_ｎの初期値は、精度推定部４５０によって計算され、集団データ２８０の成分、Ｐ_ｄである。精度行列Ｐ_ｎの初期値は、ｆ_ｉｄ項を除いた式（１）のランダム係数の実行によって求められる。即ち、集団における各ユーザが有する係数は、パラメータを推定すべき固定多変量正規分布からのランダムな抽出であると仮定する。実際には、多変量正規分布は、簡略化のために、対角共分散行列を有すると仮定する。分布の平均および分散は、経験的ベイズ推定において一般的であるマルコフ連鎖モンテカルロ法を用いて推定される。この推定分散行列の逆行列を、初期精度行列Ｐ_ｎとして用いる。

ユーザの状態２５０のパラメータは、集団項を更新するときに最初に設定され、次いでその後周期的に更新され増加していく。以下の論述において、時間添字ｔ＝０は集団項の推定時点に対応し、一連の時間添字ｔ＝１，２，３．．．は、それ以降にユーザ・パラメータを更新した時点に対応する。

状態更新部１３５は、３組のモジュールを有する。第１の組４３５は、集団回帰モジュール４３０および集団派生項モジュール４４０を含む。これらのモジュールは、周期的に、例えば、１週間に１回実行される。他の規則的または不規則な間隔も任意に用いられ、例えば、１時間毎、日毎、月毎等がある。第２の組４３６は、精度推定部４５０を含む。このモジュールは、一般に、他のモジュールよりも実行頻度が少なく、例えば、月に１回である。第３の組４３７は、ベイズ更新部４６０を含む。ユーザの格付けを受け取ったときはいつでも、推定値に組み込まれなかった格付けの数に応じて、あるいは１時間毎、毎日、毎週等のように周期的に、このモジュールを用いてユーザ・パラメータは更新される。

推奨システムは、各未知の格付けｒ_ｉｎ（即ち、ユーザｎが未だ格付けしていない品目ｉに対する格付け）を、未知のランダム変数として扱うモデルに基づく。このモデルでは、ランダム変数ｒ_ｉｎは、未知のパラメータの関数であり、それら自体もランダム変数として扱われる。このモデルでは、期待格付けｒ^Ｅ _ｉｎを計算する際に用いる、先に導入したユーザ・パラメータπ _ｎ＝（α_ｎ，β’_ｎ，τ _ｎ）’は、これら未知のパラメータの推定値である。このモデルでは、真の（未知のランダム）パラメータπ ^＊ _ｎは、多変量正規分布に従い、平均（期待値）π _ｎおよび共分散Ｐ_ｎ ^−１は、π _ｎ ^＊〜Ｎ（π _ｎ，Ｐ_ｎ ^−１）として表すことができる。

このモデルの下では、未知のランダム格付けは、次のように表される。

ここで、ε_ｉｎは誤差項であり、これはｉおよびｎの異なる値に対して独立である必要性も、同一に分布している必要性もない。

品目ｉを格付けｒ_ｉｎで格付けしたユーザｎに対して、残余項（ｒｅｓｉｄｕａｌ ｔｅｒｍ）ｒ^Ｒ _ｉｎは、集団効果項またはユーザ自身の好みには由来しない格付けの成分を反映する。残余項の形は次のようである。

システムが種々のユーザによる種々の品目に対する格付けを更に取得するに連れて、当該変数の平均および精度の推定値は更新される。時間添字ｔにおいて、時間添字ｔまでの格付けを用いて、ランダム・パラメータは、分布π ^＊ _ｎ〜Ｎ（π _ｎ ^（ｔ），Ｐ_ｎ ^（ｔ））に従う。上述したように、ユーザｎによる任意の格付けを考慮に入れる前は、そのランダム・パラメータは、分布π ^＊ _ｎ〜Ｎ（０，Ｐ_ｄ）に従う。即ち、π _ｎ ^（０）＝０およびＰ_ｎ ^（０）＝Ｐ_ｄである。

時間添字ｔ＋１において、システムはユーザｎによる品目の多数の格付けを受け取っている。その数をｈで示し、パラメータπ _ｎ ^（ｔ）およびＰ_ｎ ^（ｔ）の推定値には未だ組み込まれていない。ｈ個の残余項から形成されたｈ次元（列）ベクトルｒ ^Ｒ _ｎ、および対応する積み重ねたベクトル（１，ｘ’_ｉ，ｆ_ｉｄ，ｖ’_ｉ）’は、（２＋Ｋ＋Ｖ）行ｈ列の行列Ａを形成する。

ｒ ^Ｒ _ｎおよびＡ、ならびに事前のパラメータ値π _ｎ ^（ｔ）およびＰ_ｎ ^（ｔ）が与えられると、更新されたパラメータπ _ｎ ^{（ｔ＋１）}およびＰ_ｎ ^{（ｔ＋１）}の推定値は、ベイズの公式によって求められる。

式（５），（６）は、時間添字ｔ＝１のときに適用され、その時間以前の履歴のユーザの履歴全てを組み込む。例えば、時間添字ｔ＝１は集団パラメータの更新直後であり、後続の時間添字は、ユーザの後続の格付けが組み込まれる後の時間に対応する。別の手法では、事前の推定値から開始して、ｔ＝１を用いて式（５），（６）を繰り返し再適用し、ユーザの完全な格付け履歴を組み込む。この別の手法は、例えば、ユーザが品目の格付けをやり直したり、過去の格付けを明示的に取り下げた場合に、ユーザの履歴から格付けを削除する機構を設ける。
５ 品目属性形成部
図１および図２を参照すると、品目属性形成部１６０は、品目ｉ毎のデータ２２０を決定する。上述したように、品目ｉ毎のデータ２２０は、Ｋ次元ベクトルｘ _ｉ２３０として表されるＫ個の属性ｘ_ｉｋ、およびＶ次元ベクトルｖ _ｉ２３２として表されるＶ個の特徴ｖ_ｉｋを含む。品目属性形成部１６０が用いる手順の詳細は、一般に、品目の分野によって異なる。この手法の全体的な構造は、多くの分野に共通である。

特定の品目について品目属性形成部１６０が利用可能な情報は、多数の数値領域即ち変数の値、および多数のテキスト領域を含む。出力属性ｘ_ｉｋは、ユーザが暗示的または明示的な好みを表すことができる品目ｉの特徴に対応する。このような属性の例は、「思慮深さ」、「ユーモア」、および「ロマンス」を含む。出力される特徴ｖ_ｉｋを、品目に対するユーザの好みと相関付けることもできるが、ユーザは通常それに対する明示的な好みを表現しない。このような属性の例には、その品目に格付けした他のユーザの人数またはその一部がある。

映画の分野では、映画に関連する入力変数の例には、その公開年、そのＭＰＡＡ格付け、そのフィルムを公開したスタジオ、およびフィルムの予算が含まれる。テキスト領域の例には、プロットのキーワード、その映画が独立フィルムであるキーワード、ＭＰＡＡ格付けを説明する文章、およびフィルムの概要の文章が含まれる。テキスト領域の語彙は、プロットのキーワードには５，０００単語、概要には１５，０００単語の範囲で自由である。以下で更に説明するが、テキスト領域内の単語の語尾は取り除かれており、一般に、順不同の語幹の集合として扱われる（語幹の順序付けした対／三重語は、適切であれば、１つのメタ単語（ｍｅｔａ−ｗｏｒｄ）として扱うことができる）。

属性ｘ_ｉｋは、２つのグループ、明示属性および潜在（暗示）属性に分類される。明示属性は、品目に対する入力の決定論的関数である。このような明示属性の例には、種々の可能なＭＰＡＡ格付けについて表示変数、フィルムの年、またはそれが最新の公開であることの表示が含まれる。

潜在属性は、多数の統計的手法のうちの１つを用いて、品目に対する入力から推定される。潜在属性は２つのグループを形成し、異なる統計的手法が、これらのグループの各々の属性には用いられる。一方の手法は、入力の潜在属性の推定値への直接マッピングを用い、他方の手法はグループ内の潜在属性の推定にクラスタリングまたは階層手法を利用する。

第１の統計的手法では、この分野に精通する人が、品目の訓練集合に特定の潜在属性の所望の値を付ける。このような潜在属性の一例は、フィルムが「自主」フィルムか否かの表示である。この潜在変数に対して、フィルムに対する入力変数（例えば、製作／配給スタジオの典型的な流儀、映画の予算規模）に基づいて明示属性を形成できるが、属性を潜在的として扱い、追加の入力を組み込むことによって、一層頑健な推定値が得られる。事後確率分布Ｐｒ（属性ｋ｜入力ｉ）または同等に、当該属性に対する表示変数の期待値のパラメータは、訓練集合に基づいて推定される。ロジスティック回帰手法を用いて、この事後確率は決定される。頑健なスクリーニング・プロセスで、大きな候補集合から、ロジスティック回帰に合った入力変数を選択する。「独立した」潜在属性の場合、予め規定した入力は、映画が自主フィルムであることの明示的な文章の表示、およびフィルムの予算を含む。次に、訓練集合以外のフィルムについての潜在属性の値は、このような品目に対する入力変数を仮定して、ロジスティック回帰によって計算したスコア（即ち、０と１の間の数）として決定される。

第２の統計的手法では、品目をクラスタと関連付け、各クラスタは潜在属性のスコアの特定のベクトルと関連付けられる。実際の映画に対する潜在的スコアの関連ベクトルの全ては、クラスタと関連付けられたベクトルの正に重み付けられた組み合わせによって張られると仮定する。これは、Ｅ（Ｓ_ｊｋ｜ｉの入力）＝Σ_ｃＳ_ｃｋ×Ｐｒ（ｉ∈クラスタｃ｜ｉの入力）のように表され、ここで、Ｓ_・ｋは、属性ｋに関する潜在的スコアを示し、Ｅ（・）は数学的期待値を表す。

この式の右辺の確率関数のパラメータは、品目の訓練集合を用いて推定される。即ち、当該分野の知識を有する１人以上の人によって多数の品目はクラスタに分類される。これらの人々を以後「編集者」と呼ぶ。映画の場合、約１８００本の映画が４４個のクラスタに分類される。クラスタ毎に、多数の典型的品目が編集者により特定され、これらの典型的品目に潜在属性の値、即ち、Ｓ_ｃｋを設定される。確率のパラメータＰｒ（ｉ∈クラスタｃ｜ｉの入力）が、階層的ロジスティック回帰を用いて推定される。クラスタは２段階の階層に分割され、各クラスタは編集者によって、一意的に、上位クラスタに割り当てられる。映画の場合、４４のクラスタは、Ｃで示す６つの上位クラスタに分割され、連鎖規則（ｃｈａｉｎ ｒｕｌｅ）を用いて、その構成員の確率は、Ｐｒ（クラスタｃ｜入力ｉ）＝Ｐｒ（クラスタｃ｜クラスタＣ，入力ｉ）Ｐｒ（クラスタＣ｜入力ｉ）のように計算される。

多項ロジスティック回帰の枠組みを用いて、右辺の確率は推定される。ロジスティック回帰への入力は、当該品目に対する数値的および分類的入力変数、ならびにテキスト領域の処理された形式に基づく。

テキスト領域におけるデータを削減するために、上位クラスタＣ毎に、当該カテゴリの構成員と他のいずれかのカテゴリの構成員との間を判別する際の単語の有効性に応じて（即ち、クラスタ毎に２クラスの分析）、語彙における単語の各々は、離散的な（一般には重複する）カテゴリ集合の中の１つに分類される。単語は、「弱い」、「中間」、または「強い」として分類される。この分類を決定するには、ロジスティック関数のパラメータが推定される。ロジスティック関数の入力は、品目のテキスト領域の各々に出現する語彙における単語の各々の出現回数であり、その出力は、そのクラスタに属する確率である。強い単語は、ロジスティック回帰において対応する係数が大きな（絶対）値を有することによって識別され、中間および弱い単語は、対応する係数が低い範囲の値を有することによって識別される。あるいは、ジャックナイフ手順（ｊａｃｋ ｋｎｉｆｅ ｐｒｏｃｅｄｕｒｅ）を用いて、単語の強さは評価される。編集者の判断はまた、例えば、作業を追加または削除したり、あるいは特定の単語の強さを変更することによって組み込まれる。

クラスタの各々のカテゴリを組み合わせて、１組の重複単語のカテゴリを形成する。すると、多項ロジスティック関数への入力は、（全てのクラスタについて）カテゴリの各々における各テキスト領域における単語数のカウントとなる。６つの上位カテゴリと、３つの単語強度カテゴリがある映画の例では、この結果１８のカウントが多項ロジスティック関数に入力される。これらのカウントに加えて、当該品目に対する変数に基づいた追加の入力、例えば、フィルムのジャンルの表示が追加される。

同じ手法を独立して繰り返し、クラスタＣの各々についてＰｒ（クラスタｃ｜クラスタＣ，入力ｉ）を計算する。即ち、入力された単語を固定数の特徴にマッピングするこの手順は、上位クラスタ毎に異なる単語の分類を用いて、特定のクラスタ毎に繰り返される。Ｃ個の上位クラスタでは、追加のＣ個の多項ロジスティック回帰関数が決定され、確率Ｐｒ（クラスタｃ｜クラスタＣ，入力ｉ）が計算される。

尚、訓練品目は、単一のクラスタに属するものとして特定されるが、品目に対する潜在属性の値を決定する際、クラスタの各々に対応する項は、クラスタの各々における構成員の推定値によって重み付けられた、潜在属性の推定値に影響する。

Ｖ個の明示特徴ｖ_ｉｋは、属性に用いたのと同様の手法を用いて推定される。映画の分野では、本システムの１つのバージョンにおいて、これらの特徴は品目に対する入力の決定論的関数に限定される。あるいは、潜在属性の推定に類似した手順を用いて、追加の特徴を推定することができる。
６ 推奨部
図１を参照すると、推奨部１１５は、ユーザによる品目の期待格付けの値を入力として取り込み、当該ユーザに対する推奨品目のリストを作成する。推奨部は、多数の機能を実行し、これらが一体となって推奨を行い、ユーザに提示する。

第１の機能は、異なるユーザが与え得る格付けの範囲の差に関する。例えば、一人のユーザが、他のユーザよりも一貫して高い若しくは低い格付けを品目に与える場合がある。即ち、その平均的格付け、または標準的な一組の品目に対するその格付けは、他のユーザとは大きく異なる場合がある。また、あるユーザが他のユーザよりも広い若しくは狭い格付け範囲を用いる場合もある。即ち、彼らの格付けの分散、または標準的な１組の品目の標本分散が、他のユーザとは大きく異なる場合がある。

スコアラーが作成した品目の期待格付けを処理する前に、推奨部は、ユーザ特定の乗算および加算のスケーリングを期待格付けに適用することによって、期待格付けを普遍的なスケールに正規化する。これらのスケーリングのパラメータは、標準的な１組の品目に対する平均および標準偏差について、平均が３、標準偏差が１というように、所望の目標値に一致するように決定される。この標準的な１組の品目は、標準的な１組の選択されたサイズ（例えば、２０品目）に対して、Ｘ’Ｘの行列式の値が最大となるように選択される。ここで、Ｘは、当該１組における品目ｉに対する属性ベクトルｘ _ｉが列となる行列として形成されている。この標準的品目の選択によって、それらの属性ベクトルにおける差に基づいて、品目の空間を効率的に標本化することができる。この正規化プロセスの係数は、ユーザに対する他のデータと共に記憶される。正規化された期待格付け（ｎｏｒｍａｌｉｚｅｄ ｅｘｐｅｃｔｅｄ ｒａｔｉｎｇ）、およびそれに関連する正規化された分散（ｎｏｒｍａｌｉｚｅｄ ｖａｒｉａｎｃｅ）をｒ^ＮＥ _ｉｎおよび（σ^Ｎ _ｉｎ）^２で示す。

第２の機能は、スコアラーによって実行されるものであって、正規化された期待格付けの既定のフロア値（ｆｌｏｏｒ ｖａｌｕｅ）に基づいて検討する品目を制限することである。例えば、正規化された期待格付けが１よりも小さい品目は破棄される。

第３の機能は、推奨部が実行するものであって、正規化された期待格付けを、その（正規化された）分散およびいくつかの編集用入力と組み合わせて、推奨スコアｓ_ｉｎを求めることである。即ち、推奨スコアは、推奨部によって、次のように計算される。

項Φ_１，ｎは、格付けの推定値における誤差によって生ずる危険性の重みを表す。例えば、高い期待格付けを有するが、推定値における分散が大きい品目は、この項に基づいて、高い分散のために格付けが低くなる。オプションとて、この項は、ユーザによって、推奨における所望の「危険性」に基づいて明示的に設定されるか、あるいはユーザがシステムと双方向処理を行うのに従い、変えられる。例えば、比較的高い値で開始し、時間と共に減少していくように変えられる。

項Φ_２，ｎは、「信頼」項を表す。この項の属性ｘ _ｉとの内積を用いて、人気のある品目についてはスコアを高くする。この項の１つの用途は、一般に人気のある品目の推奨スコアを最初に高くすることによって、ユーザに信頼感を持たせることである。時間と共に、この項の影響は減少する。

第３項Φ_３Ｅ_ｉｄは、「編集」入力を表す。状況に応じて、特定の品目の推奨スコアを、編集入力に基づいて増減することができる。例えば、ある集団では人気が出ると予期されるが、データが殆ど得られない新たなフィルムでは、対応する項Ｅ_ｉｄをゼロでない値に設定することができる。倍率Φ_３は、編集入力の影響の度合いを決定する。また、編集入力は、特定の品目、比較的利益の多い品目、または大きな在庫がある品目を推奨するために用いることもできる。
７ 誘出モード
新たなユーザが最初に本システムを使い始めるとき、システムは、新たなユーザから情報を誘出して、個人化プロセスを開始する。新たなユーザは所定の誘出質問１５５の組に回答して、誘出１５０を生成し、この誘出１５０はユーザ履歴の一部として用いられ、そのユーザ履歴は当該ユーザに対するユーザ指定パラメータを推定する際に用いられる。

最初に、新たなユーザは、自分の年齢、性別を尋ねられる。状況に応じて、当該ユーザの集団を決定するための少数の追加の質問も行われる。例えば、映画の分野では、自主フィルムを見るか否かに関する追加の質問が行われる。これらの初期質問から、ユーザの集団は選択され、確定される。

集団毎に、少数の品目が予め選択されており、新たなユーザは、自分が精通するこれらの品目のうちのいずれかを格付けするように要求される。これらの格付けにより、ユーザの履歴または格付けは初期化される。通例１０から２０の範囲に設定されている、このような品目の所望の数が与えられると、システムは、行列Ｘ’Ｘの行列式を最大化する品目を予め選択する。ここで、Ｘの列は、品目に対する属性および特徴を積み重ねたベクトル（ｘ’_ｉ，ｖ’_ｉ）’である。

また、新たなユーザには多数の質問が行われ、ユーザの好みベクトルｚ _ｎの値を決定するために用いられる。各質問は、好みベクトルにおける成分のうちの１つ（またはそれ以上も可能）の値を決定するように意図されている。一部の好みは、スコアラーが、選択肢の組から品目を削除するために用いられる。例えば、ユーザが「ホラー・フィルムをこれまでに見たことがあるか」というような質問に「一度もない」と答えた場合である。これらの質問に加えて、一部の好みは、集団の規則によって設定されている。例えば、１０代の若者に相関する趣向の観察に基づいて、サイエンス・フィクションを好きではない１０代の若者に、Ｒ指定フィルムを推奨することを避けられる。
８ 追加の項
前述の手法では、期待格付けｒ^Ｅ _ｉｎを計算する際に、式（４）における誤差項ε_ｉｎの相関構造は考慮にされていなかった。異なる品目の密接度および異なるユーザの密接度に関連する誤差項に課せられる構造に基づいて、２つの追加項のうちの一方、若しくは双方が導入される。即ち、誤差項の相関構造を効果的にモデル化し、考慮した手法を用いて、期待格付けは改善される。これは、ユーザ及び品目に基づく共同フィルタリング項の組み合わせと見なすことができる。

品目ｉおよびユーザｎに対する期待格付けｒ^Ｅ _ｉｎは、他の品目ｊに対する当該ユーザによって与えられた実際の格付け、および同じ集団ｎに属する他のユーザｍによる品目ｉに対する実際の格付けに基づいて変更される。即ち、新たな格付け（ｎｅｗ ｒａｔｉｎｇ）は、次のように計算される。

ここで、ε^Ｒ _ｉｎ≡ｒ^Ｅ _ｉｎ−ｒ_ｉｎは、期待格付けおよび実際の格付けに基づいてフィットされた残余値（ｒｅｓｉｄｕａｌ ｖａｌｕｅ）である。

項Λ＝［Λ_ｉｊ］およびΩ＝［Ω_ｉｊ］は、比較的少数の自由パラメータの推定を可能にするような構造となっている。このモデル化の手法は、Ｉ・Ｎ次元ベクトルεにおける誤差ε_ｉｎを集め、誤差共分散を、

のように形成することと本質的に等価である。

これらの項を推定する１つの手法は、Λの成分がΛ_ｉｊ＝λ^Ｓ _０λ^Ｐ _ｉｊという形を有すると仮定することであり、ここで項λ^Ｐ _ｉｊは定数として取り扱われ、かつ予め計算されている項（ｐｒｅｃｏｍｐｕｔｅｄ ｔｅｒｍ）であり、スカラー項（ｓｃａｌａｒ ｔｅｒｍ）λ^Ｓ _０は推定される。同様に、他方の項は、Ωの成分がΩ_ｍｎ＝ω^Ｓ _０ω^Ｐ _ｍｎという形を有すると仮定する。

その定数を予め計算する１つの手法は、λ^Ｐ _ｉｊ＝‖ｘ _ｉ‐ｘ _ｊ‖とすることであり、ここで、状況に応じて、属性の絶対差（Ｌ１ノルム）を用いることにより、ユークリッド・ノルム（Ｌ２ノルム）を用いることにより、若しくは集団集合におけるユーザの嗜好パラメータの共分散行列である共分散Σ_βを利用した共分散により重み付けられたノルムを用いることにより、そのノルムは計算される。

同様の手法では、項Ω_ｉｊは、ユーザ間の類似性を表し、‖Δ _ｎｍ‖として計算される。ここで、Δ _ｎｍ≡（β _ｎ＋ｚ _ｎ γ）−（β _ｍ＋ｚ _ｍ γ）である。共分散により重み付けられたノルムΔ’_ｎｍΣ_ｘ Δ _ｎｍはΣ_ｘを用いる。Σ_ｘは、当分野における品目の属性の共分散行列である。ここでは、スケーリングの考えは、複数の品目にわたって大きなばらつきを有する属性と関連付けられている嗜好程、相違は一層重要となるということである。

定数項を計算する別の手法では、Ｅ（ε^Ｒ _ｉｍ｜ε^Ｒ _ｊｍ）＝λ_ｉｊε^Ｒ _ｊｍを用いた、ベイズ回帰手法を利用する。残余は、品目ｉおよびｊの双方を格付けする同じ集団内の全てのユーザに基づいており、λ_ｉｊ〜Ｎ（λ^０ _ｉｊ，σ_λ）およびλ^０ _ｉｊは、種別ｉおよびｊの品目の密接度に関する事前の情報（例えば、これらの品目は、モデルのｘ _ｉに含まれていなかった既知の共通属性（例えば、映画のディレクター）を共有するか、あるいはこれらの属性間の好みで重み付けられた距離が異常に長い／短い）に基づいて指定される。λ_ｉｊパラメータを推定するためのベイズ回帰は、最良の推定値を得ることができるが、計算時間が嵩む。これは、ε^Ｒを用いて、式（４）の誤差構造と関連付けられたパラメータの優れた推定値を確保する。いかなる予備的なλ_ｉｊ値も計算されていないときに、これらの回帰に対して実際にεを求めるには、この手法は誤差相関構造を無視し（即ち、λ^０ _ｉｊ＝０）、集団関数が与えられた標本において個人毎に式（４）の個人特定の特異な係数を計算する。個人化した回帰からの残余はε^Ｒとなる。しかしながら、λ_ｉｊパラメータは、常に予め計算することができて都合が良い。何故なら、これらは推奨が望ましいユーザｎには依存しないからである。即ち、λ_ｉｊパラメータの計算は、オフラインで行われ、具体的な推奨を模索しているときにリアル・タイムには行われないので、好都合である。

同様に、ベイズ回帰Ｅ（ε^Ｒ _ｊｎ｜ε^Ｒ _ｊｍ）＝ω_ｎｍε^Ｒ _ｊｍでは、残余は、ユーザｍおよびｎによって合わせて格付けされた全ての品目に基づく式に基づいている。回帰法は、ここでは強力であるとは認められないかもしれない。何故なら、双方のユーザによって共通に格付けされる品目の数が少ないかもしれないからである。更に、多くのユーザがいるので、Ｎ回の回帰をリアル・タイムで計算すると、負担が大きくなる可能性がある。このプロセスを高速化するために、状況に応じて、ユーザをＧ≪Ｎ個のグループにクラスタ化するか、若しくは等価なこととして、Ω行列をＧ個の因子で分解することができる。
９ その他の推奨手法
９．１ 合同推奨
第１の別の推奨手法では、前述のシステムは、状況に応じて、ユーザのグループに対しても推奨を行う。グループの構成員は、異なる集団に属することもできれば、異なる品目に格付けした履歴を有することもでき、実際に、一部の構成員はいずれの品目にも全く格付けしたことがなくてもよい。

このような合同推奨に対する一般的な手法は、グループＧ内の全ユーザｎに対して、品目毎の正規化された期待格付けｒ^ＮＥ _ｉｎを組み合わせることである。一般にグループを指定する際に、そのユーザが推奨を更に「重要」であるとして勧めることによって、係数ｗ_ｎＧによる不均一な重み付けが行われ、そのグループの異なる構成員は特定される。ここで、Σ_ｎ∈Ｇｗ_ｎＧ＝１である。グループの全構成員が等しく「重要」である場合、システムは、重みをｗ_ｎＧ＝｜Ｇ｜^−１に等しく設定する。次いで、正規化された期待合同格付けは次のように計算される。

次に、危険性、信頼、および編集の項を重み係数Φ_ｋ，Ｇに組み込むことにより、当該グループの、各品目毎の合同推奨スコアｓ_ｉＧは、計算される。ここで、グループ全体は、複合「ユーザ」として取り扱われる。

危険性の項は、標準偏差（分散の平方根）σ^Ｎ _ｉＧとすると都合がよい。ここで、正規化された推定値に対する分散は、グループの構成員の個々の分散の重み付けられた和により計算される。システムにおけるユーザの信頼性がシステムの経験の長さに応じて向上するように、個々のユーザの係数は、状況に応じて、時間とともに変化され、危険性の項及び信頼の項の異なる影響が導入される。

あるいは、個々のユーザｓ_ｉｎに対する推奨スコアを計算した後に、重み付けられた組み合わせは実行される。即ち、

一人のユーザに対する推奨の代りに、合同推奨を計算する場合には、グループ内の他のユーザに関する情報にアクセスする必要がある。システムは、二段階パスワード・システムを実施し、ユーザの個人情報は秘密パスワードで保護される。別のユーザが当該ユーザの情報を用いてグループの推奨を得ようとするためには、この別のユーザには「公開」パスワードが必要となる。この公開パスワードによって、別のユーザは当該ユーザの情報をグループの推奨に組み込むことができるが、当該ユーザの格付け履歴のような情報を閲覧することや、当該ユーザのための特別な推奨を得ることはできない。

合同推奨に対する他の代替手法では、各ユーザに対する推奨を別個に計算し、グループに対する推奨は、当該グループにおける各ユーザの推奨のうちの最良の推奨を少なくとも含む。同様に、任意のユーザに対して閾値スコアを下回る品目は、状況に応じて、グループの合同推奨リストから削除される。グループ内の一人のユーザには最高のスコアが付けられた品目が、他のユーザによっては閾値未満のスコアが付けられるという不一致は、多数の方法のうちの１つ、例えば、その品目を候補として留保しておくことによって解決される。その場合、残りの推奨は、前述のように、それらの重みづけ格付けまたはスコアによって含められる。更に別の代替案では、品目に対する個々の最大、最少、または中間格付けのような種々の統計を用いて、個々の格付けから合同格付けを計算することを含む。

グループは、システム内において、例えば、家族、カップル、またはその他の社会的単位に対応するように、状況に応じて、予め定義されている。
９．２ 類似グループ
前述のシステムは、個々のユーザまたはユーザのグループに品目の推奨を与えることに加えて（またはその代わりに）、「類似した」ユーザを特定することにも応用することができる。ユーザ間の類似性を用いて、ユーザの類似グループを定義することができる。

個々のユーザ間の類似性の１つの尺度は、１組の標準品目Ｊに基づく。これらの品目を選択するにあたり前述と同じ手法が用いられ、期待格付けを正規化するための標準品目が決定されるが、ここでは、ユーザは必ずしも１つの集団から連れて来なくてもよい。何故なら、類似グループは多数の集団からユーザを引き込むことができるからである。

ユーザ毎に、標準品目の各々に対する期待格付けのベクトルを形成し、二人のユーザ間の類似性を、標準品目に対する格付けのベクトル間の距離として定義する。例えば、格付けベクトル間のユークリッド距離を用いる。類似グループのサイズは、グループ内のユーザ間の最大距離によって、またはグループの最大サイズによって決定される。

類似グループは、種々の目的に用いられる。第１の目的は推奨に関係する。ユーザに、自分の類似グループの他の構成員の（期待ではなく）実際の推奨を与えることができる。
別の目的は、他のユーザの類似グループに対する格付けを要求することである。例えば、良く知っているユーザの類似グループからの品目の格付けを見たいユーザがいる可能性もある。

別の目的は、直接推奨に関係するのではなく、社会的なものである。例えば、出会いや交際のために、他の類似の人を見つけたいユーザがいる可能性がある。例えば、書籍の分野では、ユーザが同様の興味を有するユーザのチャット・グループに加入したいという場合がある。

リアル・タイムでユーザのために類似グループを計算することは、対毎のユーザ類似性を計算するために、計算時間が嵩む可能性がある。代わりの手法では、データを予め計算しておき、個々のユーザに対して類似グループを決定するために必要な計算を削減する。

このようなデータを予め計算しておく手法の１つでは、各ユーザに対する標準品目に関する格付けベクトルを、離散空間にマッピングする。その際、例えば、格付けベクトルにおける各格付けは、例えば、３つのレベルのうちの１つのように量子化される。例えば、１０個の標準品目の組があり、格付けに３段階のレベルがある場合、ベクトルは、３^１０個の値のうちの１つを取ることができる。拡張可能なハッシュを構築して、量子化された格付けの観察された組み合わせのそれぞれを１組のユーザにマッピングする。この事前計算ハッシュ・テーブルを用いて、ユーザの類似グループを計算するために、最初に同一の量子化された格付けを有するユーザを考慮することによって、同様の量子化された格付けベクトルを有するユーザが突き止められる。同じ量子化された格付けを有するユーザが十分にいない場合、標準的な１組において最も「重要度」が低い品目を無視して、グループ内のユーザが十分になるまで、プロセスを繰り返す。

類似グループを計算する代わりの手法では、個々の統計的パラメータに基づいた異なる類似性尺度を用いる。例えば、ユーザのパラメータ・ベクトルπ間の差（推定値の精度を考慮に入れる）を用いることができる。また、グループの事前計算の他の形態を用いることもできる。例えば、クラスタリング手法（例えば、凝集クラスタリング）を用いれば、グループを特定し、特定のユーザに類似グループが必要になったときにアクセスすることができる。

あるいは、類似グループを、単一の集団、または「同様の」集団の既定の構成員内に限定する。
９．３ ターゲットを絞った宣伝
本システムの別の実施形態において、ユーザに対して推奨を提供する上記のモデル化の方法は、例えば、個人化されたオンラインの「バナー」広告、あるいは、通常の手紙または電子メールによるダイレクト・メールといった形態のようなターゲットを絞った広告をユーザに選択するのに利用される。
９．４ 贈物発見器
本システムのさらに別の実施形態において、ユーザに対して推奨を提供する上記のモデル化の手法は、知人への適切な贈物を見つけるのに利用される。ここで、その情報は一般的には制限されている。例えば、贈られる対象となる人物に関する制限された情報は、人口統計的データ又は選択された明示的嗜好であれば良く、それによって、その対象人物は、明示的に、若しくは、確率的に明示的集団又は潜在的集団に分類される。
１０ 潜在的集団
さらに別の実施形態において、ユーザは１つ以上の集団に割り当てられ、その構成員は、各集団において、重み付けられているか、若しくは、除されている。集団は、人口統計的データ又は嗜好のような直接的に観測可能な特徴によって、若しくは、潜在的クラスを利用する推定された回帰モデルのような統計的手法を用いることによって、ユーザを区分することに基づいている。潜在的クラスの検討は、２つの利点を提供する。第１には、潜在的集団は、ユーザに関する情報を完全に利用していること、第２には、ユーザは、単一の潜在的集団に割り当てられているのではなく、複数の潜在的集団の構成員としての特徴を備えているため、そのような集団の数は著しく低減されていることである。特に、潜在的集団ｄに属するユーザｎのユーザ固有の確率Ｐｒ（ｎ∈Ｄ_ｄ｜ユーザｎの人口統計的データ，ｚ _ｎ）を生成する集団構成員モデルを得る。ここで、ｚ _ｎはユーザｎの明示的に誘出された嗜好である。

Ｐｒ（ｎ∈Ｄ_ｄ｜ユーザｎの人口統計的データ，ｚ _ｎ）の推定値は、上記式（３）を拡張する潜在的クラスの回帰を利用することにより得られる。大変ではあるが、この計算は、オフラインで、かつ不定期に行われる。潜在的集団の場合、スコアラー１２５は、式（１）に示す入力を変更して利用する。例えば、ｆ_ｉｄは、重み付けられた平均、

によって、置き替えられる。

スコアラーにとって、潜在的集団に伴う負担の増加は僅かなものであり、この個人化された推奨システムは引き続き計測可能である。
１１ 多分野の手法
前述の手法は、映画または書籍のような、単一の品目分野を対象としていた。別のシステムでは、そのシステムにより、多数の分野を合同して検討する。このように、１つの分野における履歴が、他の分野の品目の推奨に影響する。このための手法の１つは、品目に対する明示属性および潜在属性における共通属性の大きさを用いることである。

以上の説明は、本発明の範囲を限定するのではなく、本発明を例示することが目的であり、本発明の範囲は、添付した特許請求の範囲によって規定されることは理解されよう。その他の実施形態も特許請求の範囲に該当するものとする。

尚、国際出願の英文明細書中にＪＩＳコードで表記できない箇所があったため、この翻訳文では代替表記を使用した。具体的には、ｚ^γ _ｎｋ，ｒ^Ｅ _ｉｎ，ｒ^Ａ _ｉｎ，ｒ^Ｒ _ｉｎ，ｒ^ＮＥ _ｉｎ，σ^Ｎ _ｉｎ，Φ_１，ｎ，Φ_２，ｎ，Φ_３，ｒ^Ｎｅｗ _ｉｎ，Λ_ｉｊ，Ω_ｍｎ，ε^Ｒ _ｉｎ，λ^Ｓ _０，λ^Ｐ _ｉｊ，ω^Ｓ _０，ω^Ｐ _ｍｎは、国際出願の明細書においては、

のように、それぞれ表現されていたが、便宜上、翻訳文では上記のように表現した。さらに、国際出願の明細書においては、ベクトル量を表す変数は全てボールド体により表現されていたが、翻訳文では、その変数に下線を付けることにより表現した。

推奨システムのデータ・フロー図。 品目、集団、および個々のユーザの知識の状態を表すデータの図。 スコアラー・モジュールの図。 パラメータ更新プロセスを示す図。

Claims (89)

1. １つ以上のユーザ・グループにおけるユーザに品目を推奨する統計的方法であって、
   前記１つ以上のユーザ・グループにおけるユーザによる品目の格付けの履歴を記憶することを含んで、ユーザ関連データを保持すること、
   前記グループにおけるユーザによる品目の予測格付けを特徴付けるパラメータを、前記１つ以上のユーザ・グループの各々に対して計算することを含んで、前記ユーザ関連データを用いて、前記１つ以上のグループと関連するパラメータを計算すること、
   前記ユーザのユーザ・グループと関連するパラメータと、当該ユーザによる品目の格付けの記憶されている履歴とを用いて、一人以上の個人ユーザの各々について、個人化統計パラメータを計算すること、
   前記個人化統計パラメータを用いて、一人以上のユーザの各々による品目の予測格付けを特徴付けるパラメータの計算を可能にすること、
   とから成る統計的方法。
2. 請求項１に記載の方法において、前記１つ以上のユーザ・グループは、集団を含む、方法。
3. 請求項２に記載の方法において、前記集団は、人口統計的集団を含む、方法。
4. 請求項３に記載の方法において、前記人口統計的集団は、年齢、性、および郵便番号のうちの１つ以上に関して定義されている、方法。
5. 請求項２に記載の方法において、前記集団は、フィルムの種類に対する好みを含むユーザの特性によって特定される、方法。
6. 請求項５に記載の方法において、前記フィルムの種類に対する好みは、自主フィルムおよびサイエンス・フィクション・フィルムのうちの１つ以上に対する好みを含む、方法。
7. 請求項２に記載の方法において、前記集団は、潜在的集団を含む、方法。
8. 請求項７に記載の方法において、前記集団は、人口統計的データの観点から特定される、方法。
9. 請求項８に記載の方法において、前記集団は、更に、品目の好みに関して特定される、方法。
10. 請求項７に記載の方法において、ユーザの前記潜在的集団への割り当ては、確率的である、方法。
11. 請求項１０に記載の方法において、少なくとも一部のユーザは、複数の集団に割り当てられる、方法。
12. 請求項１に記載の方法において、前記品目はテレビジョン・ショーを含む、方法。
13. 請求項１に記載の方法において、前記品目は映画を含む、方法。
14. 請求項１に記載の方法において、前記品目は音楽を含む、方法。
15. 請求項１に記載の方法において、前記品目は贈物を含む、方法。
16. 請求項１に記載の方法において、前記予測格付けを特徴付ける前記パラメータの計算は、期待格付けの計算を含む、方法。
17. 請求項１に記載の方法において、前記予測格付けを特徴付ける前記パラメータの計算は、前記格付けの危険性成分に関連したパラメータの計算を含む、方法。
18. 請求項１に記載の方法において、前記予測格付けを特徴付ける前記パラメータの計算は、危険調整済み格付けを特徴付けるパラメータの計算を含む、方法。
19. 請求項１に記載の方法において、一人以上のユーザの各々について個人化統計パラメータを計算することは、前記１つ以上のグループと関連する前記パラメータを前記個人の各々に適合させることを含む、方法。
20. 請求項１に記載の方法において、ユーザによる品目の予測格付けを特徴付ける前記パラメータの計算は、前記格付けの履歴から統計パラメータを計算することを含む、方法。
21. 請求項２０に記載の方法において、ユーザによる品目の予測格付けを特徴付ける前記パラメータの計算は、更に、前記格付けの履歴からの複数の変数の各々に関連する統計パラメータを計算することを含む、方法。
22. 請求項２１に記載の方法において、前記統計パラメータを計算することは、前記変数の少なくとも一部の推定値を計算することを含む、方法。
23. 請求項２２に記載の方法において、前記統計パラメータを計算することは、前記変数の少なくとも一部の推定値の精度を計算することを含む、方法。
24. 請求項２１に記載の方法において、変数に関係する統計パラメータを計算することは、回帰手法を適用することを含む、方法。
25. 請求項２４に記載の方法において、回帰手法を適用することは、線形回帰手法を適用することを含む、方法。
26. 請求項２１に記載の方法において、変数に関係する前記統計パラメータを計算することは、危険調整済みの融合手法を適用することを含む、方法。
27. 請求項１に記載の方法において、前記１つ以上のユーザ・グループと関連するパラメータを計算することは、前記グループの各々における非特定ユーザに対する個人化統計パラメータと関連する事前確率分布を計算することを含む、方法。
28. 請求項２７に記載の方法において、前記一人以上のユーザの各々について個人化統計パラメータを計算することは、前記ユーザのユーザ・グループと関連するパラメータの前記事前確率分布を用いることを含む、方法。
29. 請求項２８に記載の方法において、前記個人化パラメータを計算することは、事後確率分布を計算することを含む、方法。
30. 請求項２９に記載の方法において、前記個人化パラメータを計算することは、前記パラメータのベイズ推定値を計算することを含む、方法。
31. 請求項１に記載の方法は、更に、
    一人以上のユーザによる１つ以上の品目に対する追加の格付けを受け入れること、
    前記追加の格付けを用いて、前記ユーザに対する前記個人化統計パラメータを更新すること、
    とを備える、方法。
32. 請求項３１に記載の方法において、前記一人以上のユーザによる１つ以上の品目に対する追加の格付けを受け入れることは、前記ユーザによって以前に格付けされていない品目についての格付けを受け入れることを含む、方法。
33. 請求項３１に記載の方法において、前記一人以上のユーザによる１つ以上の品目に対する追加の格付けを受け入れることは、前記ユーザによって以前に格付けされた品目についての更新格付けを受け入れることを含む、方法。
34. 請求項３１に記載の方法は、更に、前記１つ以上の品目についてユーザに確認することによって、前記追加の格付けを誘出することを備える、方法。
35. 請求項３１に記載の方法において、前記個人化パラメータを更新することは、前記パラメータのベイズ更新を計算することを含む、方法。
36. 請求項３１に記載の方法は、更に、前記追加の格付けを用いて、前記１つ以上の集団に関連するパラメータを再計算することを備える、方法。
37. 請求項３６に記載の方法は、更に、前記ユーザの集団に関連する再計算されたパラメータを用いて、前記一人以上のユーザの各々について前記個人化統計パラメータを再計算することを備える、方法。
38. 請求項１に記載の方法において、前記ユーザ・グループと関連する前記パラメータを計算することは、定期的に繰り返される、方法。
39. 請求項３８に記載の方法において、前記ユーザ・グループと関連する前記パラメータを計算することは、毎週繰り返される、方法。
40. 請求項３８に記載の方法において、前記個人化パラメータを計算することは、定期的に繰り返される、方法。
41. 請求項４０に記載の方法において、前記個人化パラメータを計算することは、前記ユーザ・グループと関連するパラメータを計算する頻度よりも高い頻度で繰り返される、方法。
42. 請求項３８に記載の方法において、前記個人化パラメータを計算することは、ユーザからの品目の１つ以上の実際の格付けを受け入れことに応答して、前記パラメータを計算することを含む、方法。
43. 請求項１に記載の方法において、前記ユーザ関連データを保持することは、更に、ユーザの好みを記憶することを含む、方法。
44. 請求項４３に記載の方法において、前記ユーザの好みを記憶することは、前記品目の属性に関連するユーザの好みを記憶することを含む、方法。
45. 請求項４３に記載の方法は、更に、前記品目の特徴に対するユーザの好みを受け入れることを備える、方法。
46. 請求項４３に記載の方法において、前記好みを受け入れることは、前記好みをユーザから誘出することを含む、方法。
47. 請求項４６に記載の方法において、前記好みを誘出することは、各々１つ以上の特徴に関連する１組の質問に対する回答を受け入れることを含む、方法。
48. 請求項４３に記載の方法において、前記個人化統計パラメータを計算することは、前記ユーザの好みを用いることを含む、方法。
49. 請求項４３に記載の方法において、前記１つ以上のユーザ・グループと関連するパラメータを計算することは、前記予測格付けの計算において、前記ユーザの好みの影響の重みを決定することを含む、方法。
50. 請求項４３に記載の方法において、前記１つ以上のユーザ・グループと関連するパラメータを計算することは、前記ユーザの好みを用いることを含む、方法。
51. 請求項５０に記載の方法において、前記１つ以上のユーザ・グループと関連するパラメータは、前記集団において不特定のユーザによる任意品目の予測格付けの計算を、前記ユーザのユーザの好みが未知であっても、可能にする、方法。
52. 請求項１に記載の方法は、更に、１組の選択した品目の各々について、ユーザからの格付けを要求することを備え、前記格付けの履歴を記憶することは、前記履歴における要求に応答して、ユーザから受け取った格付けを記憶することを含む、方法。
53. 請求項５２に記載の方法は、更に、前記１組の品目を選択し、該品目の特徴に基づいて格付けを要求することを備える、方法。
54. 請求項５３に記載の方法において、前記１組の品目を選択することは、前記１つ以上のユーザ・グループと関連する計算済みのパラメータを用いることを含む、方法。
55. 請求項５４に記載の方法において、前記１組の品目を選択することは、ユーザに対する個人化統計パラメータに関係する予測情報を増大させるように、前記品目を選択することを含む、方法。
56. 請求項１に記載の方法は、更に、前記ユーザに対する予測格付けを特徴付ける前記パラメータを用いて、ユーザに対して個人化された推奨を計算することを備える、方法。
57. 請求項５６に記載の方法において、前記個人化された推奨を計算することは、ユーザ・セッションの間に実行される、方法。
58. 請求項５６に記載の方法において、前記個人化された推奨を計算することは、ユーザ・セッションの前にオフラインで実行される、方法。
59. 請求項１に記載の方法は、更に、
    第１ユーザに対する前記個人化統計パラメータを用いて、複数の品目の各々の予測格付けを計算することを含む、前記ユーザについての、前記品目の各々に対するスコアを計算すること、
    前記計算されたスコアを用いて、前記複数の品目の部分集合を推奨すること、
    とを備える、方法。
60. 請求項１に記載の方法は、更に、
    １つのユーザの組のユーザの各々に対する前記個人化統計パラメータを用いて、複数の品目の各々の予測格付けを計算することを含む、前記組についての、前記品目の各々に対するスコアを計算すること、
    前記計算されたスコアを用いて、前記複数の品目の部分集合を推奨すること、
    とを備える、方法。
61. 請求項６０に記載の方法において、前記品目の各々に対するスコアを計算することは、前記組のユーザの各々に対する予測格付けを組み合わせることを含む、方法。
62. 請求項６１に記載の方法において、前記予測格付けを組み合わせることは、前記格付けを平均することを含む、方法。
63. 請求項６２に記載の方法において、前記予測格付けを平均することは、前記平均において前記ユーザの各々の影響を不均一に重み付けることを含む、方法。
64. 請求項６１に記載の方法において、前記予測格付けを組み合わせることは、前記格付けの非線形な組み合わせを計算することを含む、方法。
65. 請求項６４に記載の方法において、前記格付けの非線形な組み合わせを計算することは、前記予測格付けの極値を計算することを含む、方法。
66. 請求項６０に記載の方法において、前記複数の品目の部分集合を推奨することは、前記部分集合を決定することを含む、方法。
67. 請求項６６に記載の方法において、前記品目の部分集合を決定することは、前記組の任意のユーザについて予測格付けが所定の範囲にある品目を除外することを含む、方法。
68. 請求項６７に記載の方法において、前記所定の範囲は、所定の閾値未満の範囲から成る、方法。
69. 請求項６６に記載の方法において、前記品目の部分集合を決定することは、前記組における任意のユーザについて予測格付けが所定の範囲内にある品目を含めることを含む、方法。
70. 請求項６６に記載の方法において、前記品目の部分集合を決定することは、前記組における任意のユーザについての予測格付けを用いて計算された所定の範囲内にあるランクを有する品目を含めることを含む、方法。
71. 請求項７０に記載の方法において、前記所定のランク範囲は、最も高いランクから成る、方法。
72. 請求項１に記載の方法において、前記個人化統計パラメータは、更に、当該ユーザによる任意の前記品目の予測格付けの分布を特徴付ける量を含み、前記複数の品目の各々についてのスコアを計算することは、前記品目に対する前記予測格付けおよび前記量を組み合わせることを含む、方法。
73. 請求項７２に記載の方法において、前記分布を特徴付ける前記量は、前記予測格付けの不確定性を特徴付ける、方法。
74. 請求項７３に記載の方法において、前記予測格付けと、前記分布を特徴付ける前記量とを組み合わせることは、重みに応じてその影響を重み付けることを含む、方法。
75. 請求項に７４記載の方法は、更に、前記ユーザに対する推奨の履歴に応じて前記重み付けを修正することを備える、方法。
76. 請求項７４に記載の方法において、前記重みを修正することによって、前記予測格付けの確実性が相対的に低い品目を優先する、方法。
77. 請求項１に記載の方法において、前記複数の品目の１つ以上は、外部の好みと関連しており、前記複数の品目の各々に対してスコアを計算することは、前記品目に対する予測格付けと前記外部の好みとを組み合わせることを含む、方法。
78. 請求項１に記載の方法は、更に、ユーザによる品目の予測格付けを計算することを、異なるユーザによる該品目の実際の格付けを用いて、可能にするパラメータを計算することを備える、方法。
79. 請求項７８に記載の方法において、前記異なるユーザは、前記予測格付けを計算する前記ユーザと同じ集団に属する、方法。
80. 請求項１に記載の方法は、更に、ユーザによる品目の予測格付けを計算することを、該ユーザによる異なる品目の実際の格付けを用いて、可能にするパラメータを計算することを備える、方法。
81. 請求項８０に記載の方法は、更に、前記ユーザによる前記異なる品目の実際の格付けの影響に対する重み付け項を計算することを備える、方法。
82. 請求項８１に記載の方法は、更に、前記格付けの履歴を用いて、前記重み付け項を計算することを備える、方法。
83. 請求項８２に記載の方法において、前記格付けの履歴を用いて、前記重み付け項を計算することは、実際の格付けと予測格付けとの間の差を用いることを含む、方法。
84. 類似したユーザを特定する方法であって、
    ユーザ・グループにおけるユーザによる品目の格付けの履歴を保持すること、
    前記格付けの履歴を用いて、前記ユーザ・グループと関連し、かつ当該グループにおける不特定のユーザによる任意品目の予測格付けの計算を可能にするパラメータを計算すること、
    前記グループにおける一人以上の個人ユーザの各々について、前記グループと関連するパラメータと、当該ユーザによる前記品目の履歴とを用いて、当該ユーザによる任意品目の予測格付けの計算を可能にする個人化統計パラメータを計算すること、
    前記ユーザに対して計算した個人化統計パラメータを用いて、類似したユーザを第１ユーザと特定すること、
    とを備える方法。
85. 請求項８４に記載の方法において、前記類似したユーザを特定することは、前記第１ユーザおよび潜在的に類似したユーザの組に対して１組の品目に関する予測格付けを計算すること、かつ前記予測格付けに応じて前記組から類似したユーザを選択することを含む、方法。
86. 請求項８４に記載の方法において、前記類似したユーザを特定することは、社会的グループを特定することを含む、方法。
87. 請求項８６に記載の方法において、前記社会的グループは、コンピュータ化したチャット・ルームの構成員を含む、方法。
88. コンピュータ判読可能媒体上に記憶されたソフトウェアであって、
    １つ以上のユーザ・グループにおけるユーザによる品目の格付けの履歴を記憶することを含んで、ユーザ関連データを保持すること、
    前記グループにおけるユーザによる品目の予測格付けを特徴付けるパラメータを、前記１つ以上のユーザ・グループの各々に対して計算することを含んで、前記ユーザ関連データを用いて前記１つ以上のグループと関連するパラメータを計算すること、
    前記ユーザのユーザ・グループと関連するパラメータと、当該ユーザによる品目の格付けの記憶されている履歴とを用いて、一人以上の個人ユーザの各々について、個人化統計パラメータを計算し、
    前記個人化統計パラメータを用いて、前記一人以上のユーザの各々による前記品目の予測格付けを計算すること、
    とから成る機能をコンピュータ・システムに実行させる命令を備えている、ソフトウェア。
89. コンピュータ判読可能媒体上に記憶されたソフトウェアであって、
    ユーザ・グループにおけるユーザによる品目の格付けの履歴を保持すること、
    前記格付けの履歴を用いて、前記ユーザ・グループと関連し、かつ前記グループにおける不特定のユーザによる任意品目の予測格付けの計算を可能するパラメータを計算すること、
    前記グループにおける一人以上の個人ユーザの各々について、前記グループと関連する前記パラメータと、当該ユーザによる前記品目の格付けの履歴とを用いて、当該ユーザによる任意品目の予測格付けの計算を可能する個人化統計パラメータを計算すること、
    前記ユーザについて計算された個人化統計パラメータを用いて、類似したユーザを第１ユーザと特定すること、
    とから成る機能をコンピュータ・システムに実行させる命令を備えている、ソフトウェア。

Images