JP2006190128A - 情報処理装置および方法、並びにプログラム - Google Patents

Abstract

【課題】キーワードを含まないアイテムも推薦対象に含めるようにする。
【解決手段】 登録項目ベクトル記憶部４は、キーワードになり得る項目の特徴を示す項目ベクトルを複数記憶する。登録項目選択操作部５は、ユーザにより選択された項目をキーワードとして入力する。ユーザ嗜好ベクトル生成部６は、登録項目選択操作部５から入力されたキーワードに対応する項目ベクトルを登録項目ベクトル記憶部４から取得して、それを利用してユーザ嗜好ベクトルを生成する。推薦リスト生成部９は、ユーザ嗜好ベクトルと、アイテム特徴ベクトル記憶部１または１０に記憶されたアイテム特徴ベクトルのそれぞれとの類似度を演算し、演算された類似度が所定の条件を満たすアイテム特徴ベクトルに対応するアイテムを推薦アイテムとして決定する。本発明は、ワイン等のアイテムを推薦する推薦システムに適用可能である。
【選択図】図１

Description

本発明は、情報処理装置および方法、並びにプログラムに関し、特に、ユーザがキーワードとして指定した項目（属性）を含まないアイテムも推薦対象に含めた上で、ユーザに推薦すべき推薦アイテムを決定することができる情報処理装置および方法、並びにプログラムに関する。

近年、情報処理システムのひとつとして、ユーザにアイテムを推薦するシステム（以下、単に推薦システムと称する）が普及してきている（例えば、特許文献１参照）。アイテムとは、例えばユーザが購入可能な商品等を指し、特許文献１ではコンテンツとされている。なお、アイテムの詳細については後述する。

従来の推薦システムは、ユーザにより選択された単語等をユーザの嗜好として明示的に登録し、登録された単語やカテゴリ（以下、登録情報と称する）をキーワードにして、ユーザに推薦すべき推薦アイテムを検索し、その検索結果をユーザに呈示することが多い。
特開２００４−１９４１０７号公報

しかしながら、従来の推薦システムでは、登録情報を含まないアイテムの中から推薦することができない、といった課題があった。

その結果、従来の推薦システムでは、ユーザに推薦すべき推薦アイテムを呈示できない等、効果的なアイテムの推薦を行えないことが多かった。

なお、登録情報を含まないアイテムとは、次の通りである。

即ち、アイテムが例えば、映画や楽曲等のいわゆるコンテンツである場合には、そのコンテンツにメタデータが対応付けられていることがある。このような場合、情報処理装置は、そのコンテンツの特徴を示す情報として、そのコンテンツのメタデータを利用することが多い。即ち、情報処理装置は、登録情報をメタデータとして含むコンテンツの中から、ユーザに推薦すべきコンテンツを検索し、その検索結果をユーザに呈示することが多い。従って、登録情報をメタデータとして含まないコンテンツが、登録情報を含まないアイテムである。

なお、以下、コンテンツのメタデータを含めて、アイテムの特徴を示す情報を属性情報と称する。また、以下、属性情報の種類を、属性と称する。

この属性情報を利用してより一般的に表現すると、アイテムの販売者や推薦システムのサービス提供者等により、所定のアイテムには、１以上の属性について属性情報が対応付けられていることがある。このような場合、情報処理装置は、登録情報が属性情報として対応付けられているアイテムの中から、ユーザに推薦すべき推薦アイテムを検索し、その検索結果をユーザに呈示する。従って、登録情報が属性情報として対応付けられていないアイテムが、登録情報を含まないアイテムである。

本発明は、このような状況に鑑みてなされたものであり、ユーザがキーワードとして指定した項目（属性）を含まないアイテムも推薦対象に含めることができるようにするものである。

本発明の情報処理装置は、ユーザにより指定された所定の項目をキーワードとして、複数のアイテムの中からユーザに推薦すべき推薦アイテムを決定する情報処理装置であって、ユーザにより指定される可能性のある１以上の項目のそれぞれの特徴を示す1以上の項目ベクトルのそれぞれを記憶する記憶手段と、ユーザにより操作され、記憶手段に記憶されている１以上の項目ベクトルのそれぞれに対応する１以上の項目のうちのユーザにより選択された項目を、キーワードとして情報処理装置内に入力させる操作手段と、操作手段からキーワードが入力された場合、記憶手段に記憶されている１以上の項目ベクトルのうちの、キーワードに対応する項目ベクトルを利用して、ユーザの嗜好を示すユーザ嗜好ベクトルを生成する嗜好ベクトル生成手段と、嗜好ベクトル生成手段により生成されたユーザ嗜好ベクトルと、複数のアイテムのそれぞれの特徴を示すアイテム特徴ベクトルのそれぞれとの類似度を演算し、演算された類似度が所定の条件を満たすアイテム特徴ベクトルに対応するアイテムを、推薦アイテムとして決定する推薦手段とを備えることを特徴とする。

嗜好ベクトル生成手段は、キーワードに対応する１以上の項目ベクトルをクラスタリングし、キーワードに対応する1以上の項目ベクトルのうちの少なくとも１つを含むクラスタを、１つ以上生成する嗜好クラスタ生成手段と、嗜好クラスタ生成手段により生成された１以上のクラスタのそれぞれを注目クラスタとして順次設定し、注目クラスタに含まれる項目ベクトルを利用して、注目クラスタを代表する代表ベクトルを生成する嗜好代表ベクトル生成手段と、嗜好代表ベクトル生成手段により生成された、１以上のクラスタのそれぞれの代表ベクトルの中から、所定の条件を満たす代表ベクトルを１つ選抜し、選抜された代表ベクトルをユーザ嗜好ベクトルとして決定する嗜好ベクトル決定手段とを有するようにすることができる。

嗜好ベクトル生成手段は、キーワードに対応する1以上の項目ベクトルをクラスタリングし、キーワードに対応する１以上の項目ベクトルのうちの少なくとも１つを含むクラスタを、１つ以上生成する嗜好クラスタ生成手段と、嗜好クラスタ生成手段により生成された１以上のクラスタのうちの、項目ベクトルを最も多く含むクラスタを注目クラスタに設定し、注目クラスタに含まれる項目ベクトルを利用して、注目クラスタを代表する代表ベクトルを生成する嗜好代表ベクトル生成手段と、嗜好代表ベクトル生成手段により生成された注目クラスタの代表ベクトルを、ユーザ嗜好ベクトルとして決定する嗜好ベクトル決定手段とを有するようにすることができる。

ユーザにより指定される可能性のある１以上の項目のうちの所定の１つを処理対象として、処理対象の項目についての項目ベクトルを生成する項目ベクトル生成手段をさらに設けるようにすることができる。

項目ベクトル生成手段は、複数のアイテムまたはそれらとは異なる複数のアイテムのそれぞれの特徴を示すアイテム特徴ベクトルのうちの、処理対象の項目を成分として含む１以上のアイテム特徴ベクトルをクラスタリングし、処理対象の項目を成分として含む1以上のアイテム特徴ベクトルのうちの少なくとも１つを含むクラスタを、１つ以上生成する項目クラスタ生成手段と、項目クラスタ生成手段により生成された１以上のクラスタのそれぞれを注目クラスタとして順次設定し、注目クラスタに含まれるアイテム特徴ベクトルを利用して、注目クラスタを代表する代表ベクトルを生成する項目代表ベクトル生成手段と、項目代表ベクトル生成手段により生成された、１以上のクラスタのそれぞれについての代表ベクトルの中から、所定の条件を満たす代表ベクトルを１つ選抜し、選抜された代表ベクトルを、処理対象の項目についての項目ベクトルとして決定する項目ベクトル決定手段とを有するようにすることができる。

項目ベクトル生成手段は、処理対象の項目についての項目ベクトルの候補を生成する候補生成手段と、複数のアイテムまたはそれらとは異なる複数のアイテムのそれぞれの特徴を示すアイテム特徴ベクトルのうちの、候補生成手段により生成された候補と類似度が閾値以上であるアイテム特徴ベクトルと、候補とのそれぞれを含むクラスタを生成する項目クラスタ生成手段と、項目クラスタ生成手段により生成されたクラスタが所定の条件を満たすか否かを判定し、クラスタが所定の条件を満たさないと判定した場合、新たな候補を候補生成手段に生成させ、新たな候補を含む新たなクラスタを項目クラスタ生成手段に生成させ、新たなクラスタが所定の条件を満たすか否かを再度判定し、クラスタが所定の条件を満たすと判定した場合、そのクラスタに含まれる候補を、処理対象の項目についての項目ベクトルとして決定する項目ベクトル決定手段とを有するようにすることができる。

本発明の情報処理方法は、次の情報処理装置の情報処理方法である。即ち、ユーザにより指定された所定の項目をキーワードとして、複数のアイテムの中からユーザに推薦すべき推薦アイテムを決定する情報処理装置であって、ユーザにより指定される可能性のある１以上の項目のそれぞれの特徴を示す１以上の項目ベクトルのそれぞれを記憶する記憶手段と、ユーザにより操作され、記憶手段に記憶されている１以上の項目ベクトルのそれぞれに対応する１以上の項目のうちのユーザにより選択された項目を、キーワードとして情報処理装置内に入力させる操作手段とを少なくとも備える前記情報処理装置の情報処理方法が、本発明の情報処理方法である。詳細には、本発明の情報処理方法は、操作手段からキーワードが入力された場合、記憶手段に記憶されている１以上の項目ベクトルのうちの、キーワードに対応する項目ベクトルを利用して、ユーザの嗜好を示すユーザ嗜好ベクトルを生成する嗜好ベクトル生成ステップと、生成ステップの処理により生成されたユーザ嗜好ベクトルと、複数のアイテムのそれぞれの特徴を示すアイテム特徴ベクトルのそれぞれとの類似度を演算し、演算された類似度が所定の条件を満たすアイテム特徴ベクトルに対応するアイテムを、推薦アイテムとして決定する推薦ステップとを含むことを特徴とする。

本発明のプログラムは、次の推薦装置を制御するコンピュータに実行させるプログラムである。即ち、ユーザにより指定された所定の項目をキーワードとして、複数のアイテムの中からユーザに推薦すべき推薦アイテムを決定する推薦装置であって、ユーザにより指定される可能性のある１以上の項目のそれぞれの特徴を示す１以上の項目ベクトルのそれぞれを記憶する記憶手段と、ユーザにより操作され、記憶手段に記憶されている１以上の項目ベクトルのそれぞれに対応する１以上の項目のうちのユーザにより選択された項目を、キーワードとして推薦装置内に入力させる操作手段とを少なくとも備える推薦装置を制御するコンピュータに実行させるプログラムが、本発明のプログラムである。詳細には、本発明のプログラムは、操作手段からキーワードが入力された場合、記憶手段に記憶されている１以上の項目ベクトルのうちの、キーワードに対応する項目ベクトルを利用して、ユーザの嗜好を示すユーザ嗜好ベクトルを生成する嗜好ベクトル生成ステップと、生成ステップの処理により生成されたユーザ嗜好ベクトルと、複数のアイテムのそれぞれの特徴を示すアイテム特徴ベクトルのそれぞれとの類似度を演算し、演算された類似度が所定の条件を満たすアイテム特徴ベクトルに対応するアイテムを、推薦アイテムとして決定する推薦ステップとを含むことを特徴とする。

本発明の情報処理装置および方法、並びに、プログラムにおいては、ユーザにより指定された所定の項目をキーワードとして、複数のアイテムの中からユーザに推薦すべき推薦アイテムを決定する情報処理装置または推薦装置であって、ユーザにより指定される可能性のある１以上の項目のそれぞれの特徴を示す１以上の項目ベクトルのそれぞれを記憶する記憶手段と、ユーザにより操作され、記憶手段に記憶されている１以上の項目ベクトルのそれぞれに対応する１以上の項目のうちのユーザにより選択された項目を、キーワードとして情報処理装置または推薦装置内に入力させる操作手段とを少なくとも備える情報処理装置または推薦装置が対象とされる。詳細には、本発明の情報処理装置および方法、並びに、プログラムにおいては、操作手段からキーワードが入力された場合、記憶手段に記憶されている１以上の項目ベクトルのうちの、キーワードに対応する項目ベクトルが利用されて、ユーザの嗜好を示すユーザ嗜好ベクトルが生成され、生成されたユーザ嗜好ベクトルと、複数のアイテムのそれぞれの特徴を示すアイテム特徴ベクトルのそれぞれとの類似度が演算され、演算された類似度が所定の条件を満たすアイテム特徴ベクトルに対応するアイテムが、推薦アイテムとして決定される。

以上のごとく、本発明によれば、ユーザにより指定された所定の項目をキーワードとして、複数のアイテムの中からユーザに推薦すべき推薦アイテムを決定することができる。特に、ユーザがキーワードとして指定した項目（属性）を含まないアイテムも推薦対象に含めた上で、推薦アイテムを決定すすることができる。

以下に本発明の実施の形態を説明するが、請求項に記載の構成要件と、発明の実施の形態における具体例との対応関係を例示すると、次のようになる。この記載は、請求項に記載されている発明をサポートする具体例が、発明の実施の形態に記載されていることを確認するためのものである。従って、発明の実施の形態中には記載されているが、構成要件に対応するものとして、ここには記載されていない具体例があったとしても、そのことは、その具体例が、その構成要件に対応するものではないことを意味するものではない。逆に、具体例が構成要件に対応するものとしてここに記載されていたとしても、そのことは、その具体例が、その構成要件以外の構成要件には対応しないものであることを意味するものでもない。

さらに、この記載は、発明の実施の形態に記載されている具体例に対応する発明が、請求項に全て記載されていることを意味するものではない。換言すれば、この記載は、発明の実施の形態に記載されている具体例に対応する発明であって、この出願の請求項には記載されていない発明の存在、すなわち、将来、分割出願されたり、補正により追加される発明の存在を否定するものではない。

本発明によれば情報処理装置が提供される。この情報処理装置（例えば図１の情報処理装置）は、ユーザにより指定された所定の項目をキーワードとして、複数のアイテムの中から前記ユーザに推薦すべき推薦アイテムを決定する情報処理装置であって、前記ユーザにより指定される可能性のある１以上の項目（例えば、図２の「渋い」や「恋人」等の項目）のそれぞれの特徴を示す１以上の項目ベクトル（例えば、図１３乃至図１６に示される登録項目ベクトルＲ１乃至Ｒ５）のそれぞれを記憶する記憶手段（例えば、図１の登録項目ベクトル記憶部４）と、前記ユーザにより操作され、前記記憶手段に記憶されている１以上の前記項目ベクトルのそれぞれに対応する１以上の前記項目のうちの前記ユーザにより選択された項目（例えば、図２の例では、選択ボックスがチェックされた（黒い表示の）「古い感じ」と「友人」）を、前記キーワードとして前記情報処理装置内に入力させる操作手段（例えば、図１の登録項目選択操作部５）と、前記操作手段から前記キーワードが入力された場合、前記記憶手段に記憶されている１以上の前記項目ベクトルのうちの、前記キーワードに対応する項目ベクトルを利用して、前記ユーザの嗜好を示すユーザ嗜好ベクトルを生成する嗜好ベクトル生成手段（例えば、図１のユーザ嗜好ベクトル生成部６）と、前記嗜好ベクトル生成手段により生成された前記ユーザ嗜好ベクトルと、複数の前記アイテムのそれぞれの特徴を示すアイテム特徴ベクトル（例えば、図１のアイテム特徴ベクトル記憶部１または１０に記憶されているアイテム特徴ベクトル）のそれぞれとの類似度を演算し、演算された類似度が所定の条件を満たす前記アイテム特徴ベクトルに対応するアイテムを、前記推薦アイテムとして決定する推薦手段（例えば、図１の推薦リスト生成部９）とを備えることを特徴とする。

この情報処理装置の前記嗜好ベクトル生成手段は、前記キーワードに対応する１以上の前記項目ベクトルをクラスタリングし、前記キーワードに対応する１以上の前記項目ベクトルのうちの少なくとも１つを含むクラスタ（例えば、図１３のクラスタＪ，Ｋ，Ｌ）を、１つ以上生成する嗜好クラスタ生成手段（例えば、図１２の「ユーザ嗜好ベクトル生成処理」の一部を実行する図１の登録嗜好クラスタ生成部２４）と、前記嗜好クラスタ生成手段により生成された１以上の前記クラスタのそれぞれを注目クラスタとして順次設定し、前記注目クラスタに含まれる前記項目ベクトルを利用して、前記注目クラスタを代表する代表ベクトル（例えば、図１４と図１５に示されるクラスタＪの代表ベクトルＰＪ、図１５に示されるクラスタＫ，Ｌのそれぞれの代表ベクトルＰＫ，ＰＬ）を生成する嗜好代表ベクトル生成手段（例えば、図１２の「ユーザ嗜好ベクトル生成処理」の一部を実行する図１の登録嗜好ベクトル演算部２５）と、前記嗜好代表ベクトル生成手段により生成された、１以上の前記クラスタのそれぞれの前記代表ベクトルの中から、所定の条件（例えば、図１２のステップＳ７９でいう「当たり率が最も高いクラスタ」であるという条件）を満たす代表ベクトルを１つ選抜し、選抜された前記代表ベクトル（例えば、図１６の例では、代表ベクトルＰＪ）を前記ユーザ嗜好ベクトルとして決定する嗜好ベクトル決定手段（例えば、図１２の「ユーザ嗜好ベクトル生成処理」の一部を実行する図１の登録嗜好ベクトル決定部２６）とを有することを特徴とする。

この情報処理装置の前記嗜好ベクトル生成手段は、前記キーワードに対応する1以上の前記項目ベクトルをクラスタリングし、前記キーワードに対応する1以上の前記項目ベクトルのうちの少なくとも１つを含むクラスタ（例えば、図１３のクラスタＪ，Ｋ，Ｌ）を、１つ以上生成する嗜好クラスタ生成手段（例えば、図１７の「ユーザ嗜好ベクトル生成処理」の一部を実行する図１の登録嗜好クラスタ生成部２４）と、前記嗜好クラスタ生成手段により生成された１以上の前記クラスタのうちの、前記項目ベクトルを最も多く含むクラスタ（例えば、図１３の例では、３つの項目ベクトルＲ１，Ｒ２，Ｒ３を含むクラスタＪ）を注目クラスタに設定し、前記注目クラスタに含まれる前記項目ベクトルを利用して、前記注目クラスタを代表する代表ベクトル（例えば、図１４と図１５に示されるクラスタＪの代表ベクトルＰＪ）を生成する嗜好代表ベクトル生成手段（例えば、図１７の「ユーザ嗜好ベクトル生成処理」の一部を実行する図１の登録嗜好ベクトル演算部２５）と、前記嗜好代表ベクトル生成手段により生成された前記注目クラスタの前記代表ベクトルを、前記ユーザ嗜好ベクトルとして決定する嗜好ベクトル決定手段（例えば、図１７の「ユーザ嗜好ベクトル生成処理」の一部を実行する図１の登録嗜好ベクトル決定部２６）とを有するようにすることができる。

この情報処理装置は、前記ユーザにより指定される可能性のある１以上の前記項目のうちの所定の１つを処理対象として、処理対象の項目についての前記項目ベクトルを生成する項目ベクトル生成手段（例えば、図１の登録項目ベクトル生成部３）を設けるようにすることができる。

この情報処理装置の前記項目ベクトル生成手段は、複数の前記アイテムまたはそれらとは異なる複数の前記アイテムのそれぞれの特徴を示すアイテム特徴ベクトル（例えば、図１のアイテム特徴ベクトル記憶部１に記憶されているアイテム特徴ベクトル）のうちの、処理対象の前記項目を成分として含む１以上のアイテム特徴ベクトルをクラスタリングし、処理対象の前記項目を成分として含む1以上の前記アイテム特徴ベクトル（なお、項目を成分として含むとは、後述する本実施の形態では、対応する成分の成分値が「０」以外のことを言う）の少なくとも１つを含むクラスタ（例えば、図５のクラスタα１，β１，γ１）を、１つ以上生成する項目クラスタ生成手段（例えば、図４の「登録項目ベクトル生成処理」の一部を実行する図１の登録項目クラスタ生成部２１）と、前記項目クラスタ生成手段により生成された１以上の前記クラスタのそれぞれを注目クラスタとして順次設定し、前記注目クラスタに含まれる前記アイテム特徴ベクトルを利用して、前記注目クラスタを代表する代表ベクトル（例えば、図６乃至図８のうちの少なくとも１つに示される代表ベクトルＲα，Ｒβ，Ｒγ）を生成する項目代表ベクトル生成手段（例えば、図４の「登録項目ベクトル生成処理」の一部を実行する図１の登録項目ベクトル演算部２２）と、前記項目代表ベクトル生成手段により生成された、１以上の前記クラスタのそれぞれについての前記代表ベクトルの中から、所定の条件（例えば、図４のステップＳ２９でいう「当たり率が最も高いクラスタ」であるという条件）を満たす代表ベクトル（例えば、図８の例では、代表ベクトルＲα）を１つ選抜し、選抜された前記代表ベクトルを、処理対象の前記項目についての前記項目ベクトルとして決定する項目ベクトル決定手段（例えば、図４の「登録項目ベクトル生成処理」の一部を実行する図１の登録項目ベクトル決定部２３）とを有するようにすることができる。

この情報処理装置の前記項目ベクトル生成手段は、処理対象の前記項目についての前記項目ベクトルの候補（例えば、図１１の代表ベクトルＲε１乃至Ｒε４）を生成する候補生成手段（例えば、図１０の「登録項目ベクトル生成処理」の一部を実行する図１の登録項目ベクトル演算部２２）と、複数の前記アイテムまたはそれらとは異なる複数の前記アイテムのそれぞれの特徴を示すアイテム特徴ベクトルのうちの、前記候補生成手段により生成された前記候補と類似度が閾値以上であるアイテム特徴ベクトルと、前記候補とのそれぞれを含むクラスタ（例えば、図１１のクラスタε１乃至ε４）を生成する項目クラスタ生成手段（例えば、図１０の「登録項目ベクトル生成処理」の一部を実行する図１の登録項目クラスタ生成部２１）と、前記項目クラスタ生成手段により生成された前記クラスタが所定の条件（例えば、図１０のステップＳ５５でいう「当たり率が閾値以上である」という条件）を満たすか否かを判定し（例えば、図１０のステップＳ５５の判定処理を実行し）、前記クラスタが前記所定の条件を満たさないと判定した場合（例えば、図１０のステップＳ５５の判定処理でＮＯであると判定した場合）、新たな前記候補を前記候補生成手段に生成させ、新たな前記候補を含む新たなクラスタを前記項目クラスタ生成手段に生成させ、新たな前記クラスタが所定の条件を満たすか否かを再度判定し（例えば、図１０のステップＳ５１乃至Ｓ５５のループ処理を繰り返し実行し）、前記クラスタが前記所定の条件を満たすと判定した場合（例えば、図１０のステップＳ５５の判定処理でＹＥＳであると判定した場合）、そのクラスタに含まれる前記候補を、処理対象の前記項目についての前記項目ベクトルとして決定する（例えば、図１０のステップＳ５６の処理を実行する）項目ベクトル決定手段（例えば、図１０の「登録項目ベクトル生成処理」の一部を実行する図１の登録項目ベクトル決定部２３）とを有するようにすることができる。

本発明によれば、情報処理方法が提供される。この情報処理方法は、上述した本発明の情報処理装置の情報処理方法である。詳細には、この情報処理方法は、前記操作手段から前記キーワードが入力された場合、前記記憶手段に記憶されている１以上の前記項目ベクトルのうちの、前記キーワードに対応する項目ベクトルを利用して、前記ユーザの嗜好を示すユーザ嗜好ベクトルを生成する嗜好ベクトル生成ステップ（例えば、図３のステップＳ４の「ユーザ嗜好ベクトル生成処理」）と、前記嗜好ベクトル生成ステップの処理により生成された前記ユーザ嗜好ベクトルと、複数の前記アイテムのそれぞれの特徴を示すアイテム特徴ベクトルのそれぞれとの類似度を演算し、演算された類似度が所定の条件を満たす前記アイテム特徴ベクトルに対応するアイテムを、前記推薦アイテムとして決定する推薦ステップ（例えば、図３のステップＳ６乃至Ｓ１１の処理）とを含むことを特徴とする。

さらに、本発明によれば、上述した本発明の情報処理方法に対応するプログラムや、そのプログラムを記録した記録媒体も提供される。このプログラムは、後述するように、例えば図１８のコンピュータにより実行される。

次に、図面を参照して、本発明の実施の形態について説明する。

図１は、本発明が適用される情報処理システムとしての推薦システムの機能的構成例を表している。即ち、図１の推薦システムは、複数のアイテムの中からユーザに推薦すべき推薦アイテムを検索し、その検索結果をユーザに呈示する。

なお、本明細書において、システムとは、複数の装置や処理部により構成される装置全体を表すものである。従って、図１の推薦システムは、１台の情報処理装置で構成してもよいし、複数台の情報処理装置で構成してもよい。ただし、本実施の形態では、図１の推薦システムは、１台の情報処理装置で構成されるとする。即ち、図１は、本発明が適用される情報処理装置の機能的構成例を表している。

また、本明細書において、アイテムとは、ユーザに提供可能なソフトウエアまたはハードウエア（物品）をいう。例えば、いわゆるコンテンツ、即ち、テレビジョン放送番組、映画、写真、楽曲等（動画像、静止画像、若しくは音声、または、それらの組合せ等）といったソフトウエアも、本明細書でいうアイテムである。また、例えば、ワイン等の物品（ハードウエア）も、本明細書でいうアイテムである。その他、例えば、文章や会話等も、本明細書でいうアイテムである。

ただし、本発明の理解を容易なものとするために、以下、アイテムの具体例を挙げる必要がある場合、所定の容器（例えば750mlの瓶等）に詰められたワイン（葡萄酒）が採用されるとする。

図１の例では、情報処理装置は、アイテム特徴ベクトル記憶部１乃至呈示部１１を含むように構成されている。

なお、アイテム特徴ベクトル記憶部１乃至呈示部１１のそれぞれの形態は特に限定されない。特に、登録項目ベクトル生成部３、ユーザ嗜好ベクトル生成部６、推薦リスト生成部９等は、ソフトウエアで構成してもよいし、ハードウエアで構成してもよいし、或いは、ソフトウエアとハードウエアの組合せとして構成してもよい。

アイテム特徴ベクトル記憶部１には、１以上のアイテムのそれぞれの特徴を示すベクトル（以下、アイテム特徴ベクトル）が記憶されている。

アイテム特徴ベクトルとは、Ｎ（Ｎは、１以上の整数値）個の属性のそれぞれを基底ベクトルとして、アイテムがベクトル化された結果得られるベクトル、または、そのベクトルの各成分（属性）のそれぞれに対して、所定の重み付け手法を利用して重み付けが行われた結果得られるベクトルのことをいう。即ち、所定のアイテムに対して、Ｎ個の属性のそれぞれの属性情報が対応付けられている場合、Ｎ個の属性情報が数値化され、その結果得られるＮ個の数値を成分値として有するベクトルが、アイテム特徴ベクトルである。

なお、Ｎ個の属性のうちの所定の属性について、属性情報がアイテムに対応付けられていない場合、そのアイテムのアイテム特徴ベクトルのうちのその所定の属性に対応する成分には、０が代入されるとする。

また、以下、Ｎ個の成分のそれぞれの順番が予め固定化され、その順番に従ってＮ個の成分が配置されて構成されるベクトルを、標準形のベクトルと称する。本実施の形態では、アイテム特徴ベクトル記憶部１に記憶されているアイテム特徴ベクトルは全て、標準形のベクトルであるとする。

項目選択操作部２は、後述する登録項目選択操作部５を操作してユーザが選択する可能性のある単語やカテゴリのうちの所定の１つを選択し、選択した単語やカテゴリ（以下、選択項目と称する）を登録項目ベクトル生成部３の登録項目クラスタ生成部２１に提供する。

すると、登録項目ベクトル生成部３は、選択項目の特徴を表すベクトルが登録項目ベクトル記憶部４に既に記憶されているのか否かを判定し、まだ記憶されていないと判定した場合には、アイテム特徴ベクトル記憶部１に記憶された１以上のアイテム特徴ベクトルのうちの幾つかに基づいて、選択項目の特徴を表すベクトルを生成して、登録項目ベクトル記憶部４に記憶させる。

なお、以下、所定の項目の特徴を表すベクトルを、項目ベクトルと称する。本実施の形態では、項目ベクトルは、アイテム特徴ベクトルと同様に、Ｎ次元の（Ｎ個の成分を有する）標準形のベクトルであるとする。また、本実施の形態では、この標準形のベクトルにおいて、Ｎ個の成分の中には、後述する登録項目選択操作部５を操作してユーザが選択する可能性のある単語やカテゴリ（項目）の全てが含まれているとする。

具体的には例えば、本実施の形態では、アイテムが上述したようにワインとされ、かつ、後述する登録項目選択操作部５により図２の画像が使用されるとする。なお、図２の画像の詳細については後述する。この場合、「渋い」、「贅沢な」、「古い感じ」、「気取った」、および「おなじみの」といった５つの項目、並びに、「恋人」、「家族」、「友人」、および「同僚」といった４つの項目のそれぞれが、Ｎ次元の（Ｎ個の成分を有する）標準形のベクトルのうちの所定の１成分（１属性）として含まれているとする。

この場合、各ワイン（アイテム）のそれぞれを示すアイテム特徴ベクトルも、標準形のベクトルであることから、「渋い」、「贅沢な」、「古い感じ」、「気取った」、および「おなじみの」といった５つの項目、並びに、「恋人」、「家族」、「友人」、および「同僚」といった４つの項目のそれぞれが所定の１成分（１属性）として含まれていることになる。

具体的には例えば、所定のワインについて、その販売者や図１の推薦システムのサービス提供者等が予め試飲を行い、その試飲結果に基づいて、「渋い」、「贅沢な」、「古い感じ」、「気取った」、および「おなじみの」といった５つの項目、並びに、「恋人」、「家族」、「友人」、および「同僚」といった４つの項目のそれぞれについて判断するとする。そして、例えば、試飲されたワインのアイテム特徴ベクトルのうちの、これらの９つの各項目のそれぞれに対応する成分に対して、試飲の結果当てはまると判断された項目については「１」が代入される一方、試飲の結果当てはまらないと判断された項目については「０」が代入されとする。

より具体的には例えば、試飲の結果が、渋いワインであるが、贅沢でもなく、古い感じでもなく（新しい感じで）、気取ってもいなく、かつ、おなじみではない（レアなワインである）という結果であった場合、「渋い」、「贅沢な」、「古い感じ」、「気取った」、および「おなじみの」といった５つの項目のそれぞれに対応する成分には、「１」、「０」、「０」、「０」、および「０」のそれぞれの値が代入される。また例えば、試飲の結果が、「恋人」や「家族」などの少人数でじっくりと飲むのが相応しく、「友人」や「同僚」などの大人数で騒ぎながら飲むのは相応しくないという結果であった場合、「恋人」、「家族」、「友人」、および「同僚」といった４つの項目のそれぞれに対応する成分には、「１」、「１」、「０」、および、「０」のそれぞれの値が代入される。

なお、試飲の結果が存在しないワインや、試飲の結果全て当てはまらないと判断されたワインについては、そのアイテム特徴ベクトルのうちの、「渋い」、「贅沢な」、「古い感じ」、「気取った」、および「おなじみの」といった５つの項目、並びに、「恋人」、「家族」、「友人」、および「同僚」といった４つの項目のそれぞれの項目については何れも「０」が代入されとする。

ここで注目すべき点は、従来の推薦システムでは、「渋い」、「贅沢な」、「古い感じ」、「気取った」、および「おなじみの」といった５つの項目、並びに、「恋人」、「家族」、「友人」、および「同僚」といった４つの項目のうちの何れかがキーワードとされてワインが推薦される場合には、試飲の結果が存在しないワインや、キーワードとされた項目が販売者や図１の推薦システムのサービス提供者等により当てはまらないと判断されたワインは、推薦対象から除外されていた、という点である。即ち、従来の課題が生じてしまう点である。

そこで、この点を解消すべく、本実施の形態では、「渋い」、「贅沢な」、「古い感じ」、「気取った」、および「おなじみの」といった５つの項目、並びに、「恋人」、「家族」、「友人」、および「同僚」といった４つの項目のそれぞれが、項目選択操作部２により少なくとも選択され、選択項目として登録項目ベクトル生成部３に供給されるとする。即ち、本実施の形態では、「渋い」、「贅沢な」、「古い感じ」、「気取った」、および「おなじみの」といった５つの項目、並びに、「恋人」、「家族」、「友人」、および「同僚」といった４つの項目のそれぞれについての項目ベクトルが、登録項目ベクトル生成部３により少なくとも生成されて、登録項目ベクトル記憶部４に記憶されるとする。

より一般的な表現にすると、従来の課題を解決すべく、登録項目ベクトル生成部３は、アイテムの推薦のキーワードとなる可能性のある項目についての項目ベクトルを生成し、登録項目ベクトル記憶部４に記憶するとする。

なお、項目ベクトルの具体的な生成手法については、図４乃至図１１を参照して後述する。

係る登録項目ベクトル生成部３は、図１の例では、登録項目クラスタ生成部２１、登録項目ベクトル演算部２２、および、登録項目ベクトル決定部２３を含むように構成されている。ただし、登録項目クラスタ生成部２１、登録項目ベクトル演算部２２、および、登録項目ベクトル決定部２３の機能等の詳細については、図４乃至図１１を参照して後述する。

このようにして、登録項目ベクトル記憶部４には、選択項目についての項目ベクトルが記憶される。即ち、本実施の形態では、上述したように、「渋い」、「贅沢な」、「古い感じ」、「気取った」、および「おなじみの」といった５つの項目、並びに、「恋人」、「家族」、「友人」、および「同僚」といった４つの項目のそれぞれについての項目ベクトルが、登録項目ベクトル記憶部４に少なくとも記憶される。

なお、以下、登録項目ベクトル記憶部４に記憶された（登録された）項目ベクトルを、登録項目ベクトルと称する。

登録項目選択操作部５は、ユーザにより操作され、登録項目ベクトル記憶部４に記憶された１以上の登録項目ベクトルのそれぞれに対応する項目の中から１以上の項目が選択されると、ユーザにより選択された項目（以下、選択登録項目と称する）を、ユーザ嗜好ベクトル生成部６の登録嗜好クラスタ生成部２４に通知する。

具体的には例えば、本実施の形態では、上述したように、アイテムとしてワインがユーザに推薦されている。また、本実施の形態では、登録項目選択操作部５は、図２の画像を使用するとされている。即ち、本実施の形態では、登録項目選択操作部５は、ＧＵＩ（Graphical User Interface）によるユーザの操作を受け付けるとして、図２に示されるGUI用画像をユーザに呈示する。より正確には、図１には図示されていない表示装置の表示画面には、図２のGUI用画像が表示される。

即ち、図２は、ワインがユーザに推薦される場合における、そのユーザが推薦のキーワードを登録するためのGUI用画像、換言すると、ユーザが自分自身の嗜好に合致する単語やカテゴリを選択するためのGUI用画像の一例を示している。従って、ユーザが登録項目選択操作部５を操作して選択する単語やカテゴリ、即ち、そのユーザの嗜好に合致する単語やカテゴリが、上述した選択登録項目になる。

図２の例では、ユーザがワインを購買したり飲む場合等に重視する項目として、「渋い」、「贅沢な」、「古い感じ」、「気取った」、および「おなじみの」といったワインの味覚に関する項目が５つ予め設定されている。そこで、ユーザは、登録項目選択操作部５を操作することで、これらの５つの項目の中から自分自身の嗜好に合致する項目、即ち、推薦のキーワードとなる項目を選択する。より正確には、ユーザは、登録項目選択操作部５を構成するマウス等の入力機器（図１には図示せず）を利用して、「渋い」、「贅沢な」、「古い感じ」、「気取った」、および「おなじみの」という表示のうちの、自分自身の嗜好に合致する表示の左方に配置されている選択ボックスをチェック（選択）する。なお、図２の例では、チェックされていない選択ボックスは白色で示され、チェックされている選択ボックスは、黒色で示されている。即ち、図２の例では、「古い感じ」という項目がユーザにより選択されていることになる。

また、図２の例では、ユーザがワインを飲む場合に一緒に飲む予定の人や一緒に飲むことを希望する人の項目として、「恋人」、「家族」、「友人」、および「同僚」といった項目が４つ予め設定されている。そこで、ユーザは、登録項目選択操作部５を操作することで、これらの４つの項目の中から自分自身の嗜好に合致する項目、即ち、推薦のキーワードとなる項目を選択する。より正確には、ユーザは、登録項目選択操作部５を構成するマウス等の入力機器（図１には図示せず）を利用して、「恋人」、「家族」、「友人」、および「同僚」という表示のうちの、自分自身の嗜好に合致する表示の左方に配置されている選択ボックスをチェック（選択）する。即ち、図２の例では、「友人」という項目がユーザにより選択されていることになる。

以上の内容をまとめると、図２の例では、「古い感じ」と「友人」という項目が、選択登録項目として、登録項目選択操作部５からユーザ嗜好ベクトル生成部６の登録嗜好クラスタ生成部２４に通知されることになる。

図１に戻り、ユーザ嗜好ベクトル生成部６は、登録項目選択操作部５から通知された１以上の選択登録項目のそれぞれに対応する登録項目ベクトルを登録項目ベクトル記憶部４からそれぞれ取得する。そして、ユーザ嗜好ベクトル生成部６は、取得された１以上の登録項目ベクトルと、アイテム特徴ベクトル記憶部１に記憶されている各アイテム特徴ベクトルとを利用することで、ユーザの嗜好を示すベクトルを生成して、ユーザ嗜好ベクトル記憶部７に記憶させる。なお、以下、ユーザの嗜好を示すベクトルを、ユーザ嗜好ベクトル、または、UPV(User Preference Vector)と称する。

具体的には例えば、上述した図２の例では、ユーザ嗜好ベクトル生成部６は、「古い感じ」と「友人」という登録項目ベクトルを利用して、ユーザ嗜好ベクトルを生成することになる。

ここで注目すべき点は、ユーザ嗜好ベクトル生成部６により生成されるユーザ嗜好ベクトルは、従来のユーザ嗜好ベクトルのように、ユーザの嗜好の特徴を表しているのは勿論のこと、従来のユーザ嗜好ベクトルでは表現できていなかった、推薦のためのキーワード（選択登録項目であって、図２の例では「古い感じ」と「友人」）の特徴も同時に表している点である。

このようなユーザ嗜好ベクトル生成部６により生成されるユーザ嗜好ベクトルを利用してアイテムの推薦を行うことで、推薦のためのキーワード（選択登録項目であって、図２の例では「古い感じ」と「友人」）を含まないアイテムも推薦対象に含めることが可能になる。即ち、上述した従来の課題を解決することが可能になる。換言すると、従来に比較してより効果的なアイテムの推薦を行うことが可能になる。

なお、ユーザ嗜好ベクトルの具体的な生成手法については、図１２乃至図１７を参照して後述する。また、このユーザ嗜好ベクトルを利用するアイテムの推薦手法については、図３等を参照して後述する。

係るユーザ嗜好ベクトル生成部６は、図１の例では、登録嗜好クラスタ生成部２４、登録嗜好ベクトル演算部２５、および、登録嗜好ベクトル決定部２６を含むように構成されている。ただし、登録嗜好クラスタ生成部２４、登録嗜好ベクトル演算部２５、および、登録嗜好ベクトル決定部２６の機能等の詳細については、図１２乃至図１７を参照して後述する。

推薦指令操作部８は、ユーザにより操作され、アイテムの推薦指令を推薦リスト生成部９に発行する。

推薦リスト生成部９は、推薦指令操作部８からアイテムの推薦指令が発行されると、ユーザ嗜好ベクトル記憶部７に記憶されているユーザ嗜好ベクトルと、アイテム特徴ベクトル記憶部１または１０に記憶された複数のアイテム特徴ベクトルのそれぞれとの余弦相関などの類似度をそれぞれ求める。即ち、アイテム特徴ベクトル記憶部１０にも１以上のアイテム特徴ベクトルが記憶されている。

次に、推薦リスト生成部９は、それらの類似度に基づいて、複数のアイテム特徴ベクトルのそれぞれに対応するアイテムの推薦度を演算する。推薦度の演算手法は、特に限定されないが、ここでは説明の簡略上、類似度がそのまま推薦度となるとする。

次に、推薦リスト生成部９は、例えば、推薦度が閾値以上のアイテム特徴ベクトルが示す１以上のアイテムを、ユーザに推薦すべき推薦アイテムとして決定する。

そして、推薦リスト生成部９は、１以上の推薦アイテムのそれぞれを特定可能な情報を、例えば推薦度の高い順にソートしたリスト（以下、推薦リストと称する）を生成し、呈示部１１に提供する。

すると、呈示部１１は、その推薦リストをユーザに呈示する。

なお、推薦アイテムを特定可能な情報とは、例えば本実施の形態のようにアイテムがワインである場合には、ワインの名称、産地、生産者（ドメーヌやワイナリー）等をいう。また、推薦リストの中に、その他の情報、例えば、ワインの価格や、そのワインの推薦理由等を含ませることも当然ながら可能である。

また、図１の例では、アイテム特徴ベクトル記憶部１，１０は、相異なる記憶部とされているが、同一の記憶部であってもよい。

次に、図３のフローチャートを参照して、図１の情報処理装置が実行する「推薦処理」の一例について説明する。即ち、図３は、本発明が適用される「推薦処理」の一例を説明するフローチャートである。

ステップＳ１において、図１の情報処理装置は、所定の項目について、登録項目ベクトルの生成または更新が指示されたか否かを判定する。

ステップＳ１において、所定の項目について、登録項目ベクトルの生成または更新がまだ指示されていないと判定した場合、情報処理装置は、ステップＳ１３において、処理の終了が指示されたか否かを判定する。

ステップＳ１３において、処理の終了が指示されたと判定された場合、「推薦処理」は終了になる。

これに対して、ステップＳ１３において、処理の終了がまだ指示されていないと判定された場合、処理はステップＳ１に戻され、所定の項目について、登録項目ベクトルの生成または更新が指示されたか否かが再度判定される。

ステップＳ１の判定条件は、特に限定されないが、本実施の形態では例えば、項目選択操作部２から選択項目が供給された場合、所定の項目（その選択項目）について、登録項目ベクトルの生成または更新が指示されたと判定されるとする。即ち、ここでは例えば、項目選択操作部２から供給された選択項目について、対応する登録項目ベクトルが登録項目ベクトル記憶部４に記憶されていない場合の他、さらに、対応する登録項目ベクトルが登録項目ベクトル記憶部４に記憶されている場合であっても、登録項目ベクトルの生成または更新が指示されたと判定されるとする。アイテム特徴ベクトル記憶部１の記憶内容が更新されると、同一の項目であっても、後述するステップＳ２の「登録項目ベクトル生成処理」により異なる項目ベクトルが生成される可能性が大だからである。

従って、項目選択操作部２から供給された選択項目について、対応する登録項目ベクトルが登録項目ベクトル記憶部４に記憶されている場合、情報処理装置は、アイテム特徴ベクトル記憶部１の記憶内容を調べて、前回の記憶内容と異なるか否かを判断して、同一であると判断したときには、ステップＳ１の処理でＮＯであると判定し、異なると判断したときにのみ、ステップＳ１の処理でＹＥＳであると判定してもよい。

いずれにしても、ステップＳ１の処理でＹＥＳであると判定されると、処理はステップＳ２に進む。ステップＳ２において、図１の情報処理装置の登録項目ベクトル生成部３は、項目選択操作部２から供給された選択項目についての項目ベクトルを生成し、選択項目についての登録項目ベクトルとして登録項目ベクトル記憶部４に記憶させる。

なお、以下、係るステップＳ２の処理を「登録項目ベクトル生成処理」と称する。「登録項目ベクトル生成処理」の詳細については、図４乃至図１１を参照して後述する。

ステップＳ２の「登録項目ベクトル生成処理」が終了すると、処理はステップＳ３に進む。ステップＳ３において、図１の情報処理装置は、ユーザ嗜好ベクトルの生成または更新が指示されたか否かを判定する。

ステップＳ３において、ユーザ嗜好ベクトルの生成または更新がまだ指示されていないと判定された場合、処理はステップＳ１３に進み、それ以降の処理が実行される。

これに対して、ステップＳ３において、ユーザ嗜好ベクトルの生成または更新が指示されたと判定された場合、処理はステップＳ４に進む。

ステップＳ３の判定条件は、特に限定されないが、本実施の形態では例えば、登録項目選択操作部５から選択登録項目が供給された場合、ユーザ嗜好ベクトルの生成または更新が指示されたと判定されるとする。即ち、ここでは例えば、ユーザ嗜好ベクトルがユーザ嗜好ベクトル記憶部７に記憶されていない場合の他、さらに、記憶されている場合であっても、ユーザ嗜好ベクトルの生成または更新が指示されたと判定されるとする。登録項目選択操作部５から供給される選択登録項目が前回とは異なると、後述するステップＳ４の「ユーザ嗜好ベクトル生成処理」により異なるユーザ嗜好ベクトルが生成される可能性が大だからである。

その他、ステップＳ３の判定条件として、情報処理装置自身の判断で所定の条件が満たされた場合（例えば所定の時間が経過した等）、ユーザ嗜好ベクトルの生成または更新が指示されたと判定する判定条件を採用してもよい。

いずれの場合であっても、ステップＳ３の処理でＹＥＳであると判定されると、処理はステップＳ４に進む。ステップＳ４において、図１の情報処理装置のユーザ嗜好ベクトル生成部６は、ユーザ嗜好ベクトルを生成し、ユーザ嗜好ベクトル記憶部７に記憶させる。

なお、以下、係るステップＳ４の処理を「ユーザ嗜好ベクトル生成処理」と称する。「ユーザ嗜好ベクトル生成処理」の詳細については、図１２乃至図１７を参照して後述する。

ステップＳ４の「ユーザ嗜好ベクトル生成処理」が終了すると、処理はステップＳ５に進む。ステップＳ５において、図１の情報処理装置の推薦リスト生成部９は、アイテムの推薦が指示されたか否かを判定する。

ステップＳ５において、アイテムの推薦がまだ指示されていないと判定された場合、処理はステップＳ１３に進み、それ以降の処理が実行される。

これに対して、ステップＳ５において、アイテムの推薦が指示されたと判定された場合、処理はステップＳ６に進む。

ステップＳ５の判定条件は、特に限定されないが、本実施の形態では例えば、推薦指令操作部８から推薦指令が発行された場合、アイテムの推薦が指示されたと判定されるとする。

その他、ステップＳ５の判定条件として、情報処理装置自身の判断で所定の条件が満たされた場合（例えば所定の時間が経過した等）、アイテムの推薦が指示されたと判定する判定条件を採用してもよい。

いずれの場合であっても、ステップＳ５の処理でＹＥＳであると判定されると、処理はステップＳ６に進む。ステップＳ６において、図１の情報処理装置の推薦リスト生成部９は、ユーザ嗜好ベクトルを、ユーザ嗜好ベクトル記憶部７から取得する。

ステップＳ７において、推薦リスト生成部９は、ユーザ嗜好ベクトルと他のアイテムのアイテム特徴ベクトルとの類似度を演算し、その演算結果に基づいて他のアイテムの推薦度を演算する。

なお、他のアイテムのアイテム特徴ベクトルは、上述したように、アイテム特徴ベクトル記憶部１または１０に記憶されている。

また、ステップＳ７における推薦度の演算手法は、上述したように、特に限定されないが、ここでも説明の簡略上、類似度がそのまま推薦度となるとする。

ステップＳ８において、推薦リスト生成部９は、推薦度が所定の基準を満たすか否かを判定する。

なお、ステップＳ８における所定の基準は、特に限定されないが、ここでは、上述したように、推薦度が閾値以上であることとする。

即ち、推薦度が閾値未満の場合、ステップＳ８において、推薦度が所定の基準を満たしていないと判定されて、ステップＳ９の処理は実行されずに、処理はステップＳ１０に進む。

これに対して、推薦度が閾値以上の場合、推薦リスト生成部９は、ステップＳ８において、推薦度が所定の基準を満たすと判定して、ステップＳ９において、他のアイテムを、ユーザに推薦すべき推薦アイテムとして設定した後、処理をステップＳ１０に進める。

ステップＳ１０において、推薦リスト生成部９は、さらに他のアイテムの推薦度を演算するか否かを判定する。

なお、ステップＳ１０の判定条件は、特に限定されないが、ここでは、アイテム特徴ベクトル記憶部１，１０のそれぞれに記憶されているアイテム特徴ベクトルの全てについて、類似度が演算された場合、ステップＳ１０においてＮＯであると判定されるとする。

この場合、アイテム特徴ベクトル記憶部１または１０の中に、類似度が演算されていないアイテム特徴ベクトルが存在する場合、処理はステップＳ７に戻され、それ以降の処理が繰り返し実行される。

その後、アイテム特徴ベクトル記憶部１，１０のそれぞれに記憶されているアイテム特徴ベクトルの全てについて、ステップＳ７乃至Ｓ１０のループ処理が繰り返し実行されると、ステップＳ１０においてＮＯであると判定されて処理はステップＳ１１に進む。

ステップＳ１１において、推薦リスト生成部９は、推薦アイテムを含む推薦リストを生成する。

なお、推薦アイテムを含むとは、上述したように、推薦アイテムがワインの場合、当然ながらワインそのものを含む訳ではなく、そのワインを特定可能な情報を含んだり、そのワインの推薦度等その他の情報を含むという意味である。

推薦リストが推薦リスト生成部９から呈示部１１に供給されると、処理はステップＳ１２に進む。

ステップＳ１２において、呈示部１１は、推薦リストに含まれる推薦アイテムをユーザに呈示する。

なお、推薦アイテムを呈示するとは、推薦アイテムがワインの場合、当然ながらワインそのものを呈示する訳ではなく、推薦リストに含まれる情報、即ち、そのワインを特定可能な情報や、そのワインの推薦度等その他の情報を呈示するという意味である。

その後、処理はステップＳ１３に進み、それ以降の処理が実行される。

以上、「推薦処理」について説明した。

次に、「推薦処理」のうちの、ステップＳ２の「登録項目ベクトル生成処理」とステップＳ４の「ユーザ嗜好ベクトル生成処理」とのそれぞれについて、その順番で個別に説明していく。

はじめに、図４乃至図１１を参照して、ステップＳ２の「登録項目ベクトル生成処理」の詳細について説明する。

図４は、ステップＳ２の「登録項目ベクトル生成処理」の詳細例を示すフローチャートである。

図４のステップＳ２１において、図１の登録項目ベクトル生成部３の登録項目クラスタ生成部２１は、選択項目を含むアイテム特徴ベクトルを、アイテム特徴ベクトル記憶部１の中から検索する。

選択項目を含むアイテム特徴ベクトルとは、上述したように、選択項目に対応する成分の成分値が「０」でない値を有するアイテム特徴ベクトルのことをいう。具体的には例えば、図２の例では、「古い感じ」と「友人」とが選択項目であるが、この選択項目のうちの「古い感じ」に着目すると、「古い感じ」に対応する成分の成分値が「１」であるアイテム特徴ベクトルが、選択項目を含むアイテム特徴ベクトルである。

ステップＳ２２において、登録項目クラスタ生成部２１は、所定の条件に従って、検索された各アイテム特徴ベクトルをクラスタリングし、各クラスタ（グループ）を決定する。

具体的には例えばいま、図５に示されるように、ステップＳ２１の処理で、選択項目を含むアイテム特徴ベクトルとして、１０個のアイテム特徴ベクトルＩ１乃至Ｉ１０が検索され、ステップＳ２２の処理で、アイテム特徴ベクトルＩ１乃至Ｉ３が属するクラスタα１、アイテム特徴ベクトルＩ４乃至Ｉ６が属するクラスタγ１、および、アイテム特徴ベクトルＩ７乃至Ｉ１０が属するクラスタβ１のそれぞれが決定されたとする。即ち、図５は、ステップＳ２１とＳ２２の処理結果の例を示している。

図４に戻り、各クラスタα１，β１，γ１のそれぞれが、登録項目クラスタ生成部２１により生成されて、登録項目ベクトル演算部２２に供給されると、処理はステップＳ２２からＳ２３に進む。

ステップＳ２３において、登録項目ベクトル演算部２２は、各クラスタα１，β１，γ１のうちの所定の１つを注目クラスタに設定する。

例えばいま、ステップＳ２３の処理で、クラスタα１が注目クラスタに設定されたとする。

この場合、ステップＳ２４において、登録項目ベクトル演算部２２は、注目クラスタα１における代表ベクトルを生成する。

ここで、図６を参照して、注目クラスタα１における代表ベクトルの生成手法の一例について説明する。即ち、図６は、注目クラスタα１における代表ベクトルの生成手法を説明するための図である。図６のうちの、矢印に対して上側には、注目クラスタα１に属するアイテム特徴ベクトルＩ１，Ｉ２，Ｉ３のそれぞれの具体例が示されており、矢印に対して下側には、注目クラスタα１における代表ベクトルの一例が示されている。

図６に示されるように、注目クラスタα１に属するアイテム特徴ベクトルＩ１，Ｉ２，Ｉ３のそれぞれの各成分を１つずつ注目成分として設定し、注目成分の特徴に応じた所定の演算手法であって、アイテム特徴ベクトルＩ１，Ｉ２，Ｉ３のそれぞれの注目成分の成分値を利用する演算手法に従って演算された結果得られる値が、注目クラスタα１における代表ベクトルの注目成分の成分値になる。

具体的には例えば、「数Ａ」と記述された第１成分が注目成分として設定された場合には、アイテム特徴ベクトルＩ１，Ｉ２，Ｉ３のそれぞれの第１成分の成分値である「５」，「４」，「３」の平均が演算され、その結果得られる「４」が、注目クラスタα１における代表ベクトルの第１成分の成分値になる。

例えば、「数Ｂ」と記述された第２成分が注目成分として設定された場合には、アイテム特徴ベクトルＩ１，Ｉ２，Ｉ３のそれぞれの第２成分の成分値である「５」，「４」，「５」のうちの代表値が選抜され（選抜するための演算処理が行われ）、その代表値である「５」が、注目クラスタα１における代表ベクトルの第２成分の成分値になる。

例えば、「名Ａ」のうちの「○（丸印）」が記述された第３成分が注目成分として設定された場合には、アイテム特徴ベクトルＩ１，Ｉ２，Ｉ３のそれぞれの第３成分の成分値である「０」，「１」，「１」の総加算が演算され、その結果得られる「２」が、注目クラスタα１における代表ベクトルの第３成分の成分値になる。

例えば、「名Ａ」のうちの「×（丸印）」が記述された第４成分が注目成分として設定された場合には、アイテム特徴ベクトルＩ１，Ｉ２，Ｉ３のそれぞれの第４成分の成分値である「１」，「０」，「０」の総加算が演算され、その結果得られる「１」が、注目クラスタα１における代表ベクトルの第４成分の成分値になる。

例えば、「名Ｂ」のうちの「ａ」が記述された第５成分が注目成分として設定された場合には、アイテム特徴ベクトルＩ１，Ｉ２，Ｉ３のそれぞれの第５成分の成分値である「0.5」，「0.3」，「0.9」の平均が演算され、その結果得られる「0.56」が、注目クラスタα１における代表ベクトルの第５成分の成分値になる。

例えば、「名Ｂ」のうちの「ｂ」が記述された第６成分が注目成分として設定された場合には、アイテム特徴ベクトルＩ１，Ｉ２，Ｉ３のそれぞれの第６成分の成分値である「0.7」，「0」，「0」の代表値が選抜され、選抜された「0.7」が、注目クラスタα１における代表ベクトルの第６成分の成分値になる。

例えば、「名Ｂ」のうちの「ｃ」が記述された第７成分が注目成分として設定された場合には、アイテム特徴ベクトルＩ１，Ｉ２，Ｉ３のそれぞれの第７成分の成分値である「0.9」，「0.7」，「0.9」の代表値が選抜され、選抜された「0.9」が、注目クラスタα１における代表ベクトルの第７成分の成分値になる。

なお、図６において、「数Ａ」や「数Ｂ」といった「数」が記述された成分は、数値属性の成分とされている。これに対して、「名Ａ」や「名Ｂ」といった「名」が記述された成分は、名義属性の成分とされている。

数値属性とは、その属性は、１種類のみで表され、その種類のレベル等が数値で表される属性をいう。

例えば、アイテムがワインの場合には、甘さ度や辛さ度などが数値属性の一例である。具体的には例えば、「数Ａ」が甘さ度を示し、「数Ｂ」が辛さ度を示すとすると、アイテム特徴ベクトルＩ１が示すワインは、甘さ度が例えば「１」乃至「５」レベル（高レベルの方が甘いとする）のうちの「５」レベルであり、辛さ度もまた例えば「１」乃至「５」レベル（高レベルの方が辛いとする）のうちの「５」レベルであると、そのワインの販売者や図１の推薦システムのサービス提供者等が判断したワインである。

これに対して、複数の種類（名義）の属性で１つのグループが構成され、そのグループに含まれる複数の種類（名義）のそれぞれの属性のレベル等が、数値や○×（丸バツ）等で個別に表される場合、それらの属性が、名義属性と称される。

例えば、アイテムがワインの場合には、赤白、産地（国等）、葡萄の品種などが名義属性の一例である。

具体的には例えば、「名Ａ」が色（赤白）のグループを示し、そのうちの「○（丸印）」が赤ワインの属性を示し、「×（バツ印）」が白ワインの属性を示すとする。そして、赤ワインの場合には、「○（丸印）」に「１」が代入されて「×（バツ印）」に「０」が代入される一方、白ワインの場合には、「○（丸印）」に「０」が代入されて「×（バツ印）」に「１」が代入されるとする。この場合、アイテム特徴ベクトルＩ１が示すワインは白ワインであり、アイテム特徴ベクトルＩ２，Ｉ３のそれぞれが示すワインは赤ワインである。

また例えば、「名Ｂ」が葡萄の品種のグループを示し、そのうちの「ａ」が品種ａの属性を示し、「ｂ」が品種ｂの属性を示し、「ｃ」が品種ｃの属性を示すとする。そして、ワインの販売者や図１の推薦システムのサービス提供者等がワインを試飲した結果として、そのワインに、品種ａ、品種ｂ、品種ｃのそれぞれの特徴がどの程度出ているのかを０乃至１のうちのいずれかのレベル（１に近づくほど、特徴がよく出ているとする）で表現してもらい、その数値が成分値として代入されるとする。この場合、アイテム特徴ベクトルＩ１が示すワインは、品種ａは「0.5」レベルであり、品種bは「0.7」レベルであり、品種cは「0.9」レベルであると、即ち、品種c，b，aの順に特徴が出ているワインであると、そのワインの販売者や図１の推薦システムのサービス提供者等が判断したワインである。

ところで、注目クラスタα１における代表ベクトルとは、アイテム特徴ベクトルＩ１，Ｉ２，Ｉ３のそれぞれの特徴に基づいて、注目クラスタα１内の特徴をよく表す（と判断される）ベクトルのひとつであると言える。従って、注目クラスタα１における代表ベクトルのうちの名義属性の成分については、その名義属性の複数の種類（名義）のうちの、注目クラスタα１内の特徴をよく表す（と判断される）ひとつの種類を代表種類として設定して、代表種類に対応する成分のみを使用し、それ以外の種類に対応する成分を使用しないようにしてもよい。それ以外の種類に対応する成分を使用しないとは例えば、代表ベクトルにおいて、それ以外の種類に対応する成分を強制的に「０」に設定することをいう。

具体的には例えば、上述したように、「名Ａ」が赤白を示し、そのうちの「○（丸印）」が赤ワインを示し、「×（バツ印）」が白ワインを示すとした場合には、図５に示される注目クラスタα１には、赤ワインが２本含まれ、白ワインが１本含まれているとも言える。そこで例えば、注目クラスタα１により多く含まれている赤ワインを示す「○（丸印）」を代表種類として設定して、代表ベクトルのうちの、その「○（丸印）」に対応する第３成分の値「２」のみを使用し、白ワインを示す「×（バツ印）」に対応する第４成分の値を使用しない（成分値を「０」にして）ようにしてもよい。

また例えば、上述したように、「名Ｂ」が葡萄の品種を示し、そのうちの「ａ」が品種ａを示し、「ｂ」が品種ｂを示し、「ｃ」が品種ｃを示すとした場合には、例えば、アイテム特徴ベクトルＩ１乃至Ｉ３間で分散が最も低い種類、即ち、品種ｃを代表種類として設定して、代表ベクトルのうちの、その「ｃ」に対応する第７成分の値「0.9」のみを使用し、「ａ」と「ｂ」のそれぞれに対応する第５成分と第６成分の値を何れも使用しない（成分値を「０」にして）ようにしてもよい。

なぜならば、分散が小さい種類の方が、注目クラスタα１における代表レベルをより正確かつ適切に示しているといえるからである。例えば、品種ｂについて着目すると、アイテム特徴ベクトルＩ１が示す第１のワインでは「0.7」レベルとなっているが、アイテム特徴ベクトルＩ２，Ｉ３のそれぞれが示す第２，第３のワインでは何れも「0」レベルとなっており、レベルの開きは最大で0.7と大きい（分散が大きい）。従って、代表ベクトルの「ｂ」に対応する第６成分の値「0.7」が、注目クラスタα１における品種ｂについての代表レベルを示しているとは一概に言えない。これに対して、品種ｃについて着目すると、レベルの開きは最大で0.2と小さい（分散が小さい）。従って、代表ベクトルの「c」に対応する第７成分の値「0.9」が、注目クラスタα１における品種cについての代表レベルを、より正確かつ適切に示しているといえる。

なお、代表ベクトルの名義属性うちの代表種類に対応する成分の値は、上述した例では、アイテム特徴ベクトルＩ１，Ｉ２，Ｉ３の代表値とされたが、上述した例に特に限定されず、任意の演算手法による演算結果を採用することができる。具体的には例えば、代表ベクトルの名義属性うちの代表種類に対応する成分の値は、上述した例では、アイテム特徴ベクトルＩ１，Ｉ２，Ｉ３の各成分値の平均値としてもよい。

図４に戻り、このようにしてステップＳ２４の処理で、注目クラスタα１における代表ベクトルが生成されると、処理はステップＳ２５に進む。

ステップＳ２５において、登録項目ベクトル演算部２２は、アイテム特徴ベクトル記憶部１に記憶されている各アイテム特徴ベクトルのそれぞれと、代表ベクトルとの類似度を演算する。

ステップＳ２６において、登録項目ベクトル演算部２２は、類似度が閾値以上のアイテム特徴ベクトルを、注目クラスタα１に含める。

具体的に例えばいま、ステップＳ２５の処理で、注目クラスタα１における代表ベクトルとして、図７に示されるような代表ベクトルＲαが生成されたとする。即ち、図７は、各クラスタα１，β１，γ１のそれぞれについてのステップＳ２５の処理結果の一例を同時に示した図である。なお、後述するように、実際には、クラスタα１における代表ベクトルＲαが生成されて、類似度が閾値以上のアイテム特徴ベクトルが、注目クラスタα１に含められた後、クラスタβ１における代表ベクトルＲβや、クラスタγ１における代表ベクトルＲγが生成されることになる。

例えばいま、アイテム特徴ベクトル記憶部１には、上述したアイテム特徴ベクトルＩ１乃至Ｉ１０の他、図８に示されるように、アイテム特徴ベクトルＩ１１乃至Ｉ２９が記憶されており、これらのうちの、アイテム特徴ベクトルＩ１１乃至Ｉ１４が、代表ベクトルＲαとの類似度が閾値以上であったとする。この場合、図８に示されるように、アイテム特徴ベクトルＩ１１乃至Ｉ２９のうちのアイテム特徴ベクトルＩ１１乃至Ｉ１４が、注目クラスタα１に含められることになる。

図４に戻り、このようにして、ステップＳ２６の処理で、類似度が閾値以上のアイテム特徴ベクトルＩ１１乃至Ｉ１４が注目クラスタα１に含められると、処理はステップＳ２７に進む。

ステップＳ２７において、登録項目ベクトル演算部２２は、全クラスタが注目クラスタに設定されたか否かを判定する。

具体的には例えば、上述した図５乃至図８に示される例の場合、クラスタβ１，γ１がまだ注目クラスタに設定されていないので、ステップＳ２７において、全クラスタが注目クラスタにまだ設定されていないと判定されて、処理はステップＳ２３に戻され、それ以降の処理が繰り返し実行される。

即ち、今度は、ステップＳ２３の処理で、例えばクラスタβ１が注目クラスタに設定され、ステップＳ２４の処理で、例えば図７に示されるように、代表ベクトルＲβが生成され、ステップＳ２５とＳ２６の処理で、例えば図８に示されるように、類似度が閾値以上のアイテム特徴ベクトルＩ２４乃至Ｉ２９が注目クラスタβ１に含められる。

さらに、ステップＳ２７の処理でＮＯであると判定されて、今度は、ステップＳ２３の処理で、例えばクラスタγ１が注目クラスタに設定され、ステップＳ２４の処理で、例えば図７に示されるように、代表ベクトルＲγが生成され、ステップＳ２５とＳ２６の処理で、例えば図８に示されるように、類似度が閾値以上のアイテム特徴ベクトルＩ１５乃至Ｉ２３が注目クラスタγ１に含められる。

その結果、全クラスタα１，β１，γ１が注目クラスタに設定されたことになるので、今度は、ステップＳ２７の処理でＹＥＳであると判定される。ステップＳ２７の処理でＹＥＳであると判定されると、各アイテム特徴ベクトルを含む全クラスタα１，β１，γ１（図８に示される情報）が、登録項目ベクトル演算部２２から登録項目ベクトル決定部２３に供給される。その結果、処理はステップＳ２８に進む。

ステップＳ２８において、登録項目ベクトル決定部２３は、各クラスタ毎に、当たり率を演算する。

ステップＳ２８の処理で言う「当たり率」とは、クラスタに含まれるアイテム特徴ベクトルの総数に対する、選択項目を含むアイテム特徴ベクトルの数の割合を言う。

具体的には例えば、上述した図８の例では、クラスタα１には、７個のアイテム特徴ベクトルＩ１乃至Ｉ３並びにＩ１１乃至Ｉ１４が含まれている。これらのうちの、３個のアイテム特徴ベクトルＩ１乃至Ｉ３は、上述したように、選択項目を含むアイテム特徴ベクトルであるのに対して、ステップＳ２６の処理で新たに含められるアイテム特徴ベクトルＩ１１乃至Ｉ１４は、選択項目を含まないアイテム特徴ベクトルである。従って、クラスタα１における当たり率は、３／７＝約４３［%］になる。

なお、図８の例では、選択項目を含むアイテム特徴ベクトルは、○（丸印）で示されており、選択項目を含まないアイテム特徴ベクトルは、×（バツ印）で示されている。

同様に、図８の例では、クラスタβ１には、１０個のアイテム特徴ベクトルＩ８乃至Ｉ１０並びにＩ２４乃至Ｉ２９が含まれている。これらのうちの、４個のアイテム特徴ベクトルＩ８乃至Ｉ１０は、上述したように、選択項目を含むアイテム特徴ベクトルであるのに対して、ステップＳ２６の処理で新たに含められるアイテム特徴ベクトルＩ２４乃至Ｉ２９は、選択項目を含まないアイテム特徴ベクトルである。従って、クラスタβ１における当たり率は、４／１０＝４０［％］になる。

また、図８の例では、クラスタγ１には、１２個のアイテム特徴ベクトルＩ４乃至Ｉ６並びにＩ１５乃至Ｉ２３が含まれている。これらのうちの、３個のアイテム特徴ベクトルＩ４乃至Ｉ６は、上述したように、選択項目を含むアイテム特徴ベクトルであるのに対して、ステップＳ２６の処理で新たに含められるアイテム特徴ベクトルＩ１５乃至Ｉ２３は、選択項目を含まないアイテム特徴ベクトルである。従って、クラスタγ１における当たり率は、３／１２＝２５［％］になる。

図４のステップＳ２９において、登録項目ベクトル決定部２３は、当たり率が最も高いクラスタの代表ベクトルを、選択項目についての登録項目ベクトルとして決定する。

具体的には例えば図８の例では、上述したように、クラスタα１，β１，γ１のそれぞれの当たり率は、約４３［%］、４０［%］、２５［%］のそれぞれである。従って、ステップＳ２９の処理で、当たり率が約４３［%］と最も高いクラスタα１の代表ベクトルＲαが、選択項目についての登録項目ベクトルとして決定される。

そして、ステップＳ３０において、登録項目ベクトル決定部２３は、登録項目IDと登録項目ベクトルとを対応付けて、登録項目ベクトル記憶部４に記憶させる。

なお、登録項目IDは、ステップＳ３０の時点で登録項目ベクトル決定部２３により新たに決定された識別子であってもよいし、選択項目に予め付された識別子であってもよい。

以上のようにしてステップＳ３０の処理が終了すると、「登録項目ベクトル生成処理」もまた終了になる。

なお、「登録項目ベクトル生成処理」は、１つの選択項目に対して実行される。従って、例えば上述した図２の例では、「古い感じ」と「友人」とが選択項目とされていることから、「古い感じ」と「友人」とのそれぞれに対して、「登録項目ベクトル生成処理」が個別に実行され、その結果、「古い感じ」を示す登録項目IDと、「古い感じ」についての登録項目ベクトルとが対応付けられて登録項目ベクトル記憶部４に記憶されるとともに、「友人」を示す登録項目IDと、「友人」についての登録項目ベクトルとが対応付けられて登録項目ベクトル記憶部４に記憶されることになる。

以上、図４の例の「登録項目ベクトル生成処理」について説明した。

ところで、図４の例の「登録項目ベクトル生成処理」では、ステップＳ２２でいう「所定の条件」を変更することで、ステップＳ２２の処理で決定されるクラスタも自ずと変わってくる。

例えば、図９に示されるように、第１の条件に従ってクラスタリングされると、クラスタα２，β２，γ２に分類されるところ、第１の条件とは異なる第２の条件に従ってクラスタリングされると、クラスタθ２のように分類されることもある。即ち、図９は、クラスタリング条件の違いを説明する図である。なお、図９においても、○（丸印）は、選択項目を含むアイテム特徴ベクトルを示し、×（バツ印）は、選択項目を含まないアイテム特徴ベクトルを示している。

第２の条件に従ってクラスタリングされた結果としてクラスタθ２が決定された場合、クラスタθ２についてのステップＳ２４の処理で、例えば図９に示されるように、クラスタθ２における代表ベクトルＲθが生成されることになる。そして、ステップＳ２９の処理で、クラスタθ２における代表ベクトルＲθが登録項目ベクトルとして決定されることになる。なぜならば、その他のクラスタは図９には図示していないが、クラスタθ２の当たり率は１００[％]だからである。

この場合、登録項目ベクトルＲθは、その他のアイテム特徴ベクトルとの類似度が低いことから（図９中、各アイテム特徴ベクトルと離間しているので）、登録項目の特徴を表しているとは一概に言えない。それ故、新規のアイテム特徴ベクトルが追加されると、例えば、クラスタθ２に属するようなアイテム特徴ベクトルであって、登録項目を含まないアイテム特徴ベクトルが幾つか追加されると、クラスタθ２の当たり率は当然ながら下がってしまうことになり、その結果、クラスタθ２における代表ベクトルＲθとは全く異なるベクトルが、登録項目ベクトルとなってしまう。

このように、図４の例の「登録項目ベクトル生成処理」は、登録項目の特徴を表しているとは一概に言えないが、当たり率が高いクラスタのベクトルが、登録項目ベクトルとして決定される場合があるという特徴を有している。この特徴のため、新規のアイテム特徴ベクトルが追加される毎に登録項目ベクトルが更新されていくことから、登録項目ベクトルが安定しないというデメリットが生じる。ただし、この特徴は、新規のアイテム特徴ベクトルの追加の観点からはデメリットであるが、アイテムの推薦の観点からはユーザにとって新鮮なアイテムを推薦できるというメリットもある。即ち、この特徴には一長一短がある。

そこで、新規のアイテム特徴ベクトルの追加の観点を重視する場合、即ち、新規のアイテム特徴ベクトルの追加に強い「登録項目ベクトル生成処理」を実現したい場合、ステップＳ２２で使用する「所定の条件」として、図９に示されるクラスタα２，β２，γ２が決定される第１の条件を適用すればよい。これに対して、アイテムの推薦の観点を重視する場合、即ち、ユーザにとって新鮮なアイテムを推薦できる「登録項目ベクトル生成処理」を実現したい場合、ステップＳ２２で使用する「所定の条件」として、図９に示されるクラスタθ２が決定される第２の条件を適用すればよい。

ところで、「登録項目ベクトル生成処理」は、上述した図４の例に限定されず、その他様々な処理を採用することが可能である。具体的には例えば、「登録項目ベクトル生成処理」として図１０の例を採用してもよい。

即ち、図１０は、図４とは異なる「登録項目ベクトル生成処理」の詳細例を説明するフローチャートである。

ステップＳ５１において、図１の登録項目ベクトル生成部３の登録項目ベクトル演算部２２は、所定の手法に従って、代表ベクトルを生成する。

ステップＳ５１の処理で利用する所定の手法は、特に限定されず、例えば、遺伝的アルゴリズム等を採用することができる。

ステップＳ５２において、登録項目ベクトル演算部２２は、アイテム特徴ベクトル記憶部１に記憶されている各アイテム特徴ベクトルのそれぞれと、代表ベクトルとの類似度を演算する。

なお、登録項目ベクトル演算部２２から登録項目クラスタ生成部２１に向かう方向の矢印は図１には図示されていないが、図１０の例の「登録項目ベクトル生成処理」においては、登録項目ベクトル演算部２２は、ステップＳ５２の処理結果を登録項目クラスタ生成部２１に通知することで、処理をステップＳ５３に進めるとする。

ステップＳ５３において、登録項目クラスタ生成部２１は、代表ベクトル、および、類似度が閾値以上のアイテム特徴ベクトルを含むクラスタを生成し、それを注目クラスタに設定する。

注目クラスタが、登録項目クラスタ生成部２１から登録項目ベクトル演算部２２を介して登録項目ベクトル決定部２３に通知されると、処理はステップＳ５４に進む。

ステップＳ５４において、登録項目ベクトル決定部２３は、注目クラスタの当たり率を演算する。

ステップＳ５５において、登録項目ベクトル決定部２３は、注目クラスタの当たり率が閾値以上であるか否かを判定する。

ステップＳ５５において、注目クラスタの当たり率が閾値未満である（閾値以上ではない）と判定した場合、登録項目ベクトル決定部２３は、注目クラスタの代表ベクトルを登録項目ベクトルとして決定することは不適であると判断し、処理をステップＳ５１に戻し、それ以降の処理を繰り返す。

即ち、当たり率が閾値以上になるまで、所定の手法に従って、新たな代表ベクトルが順次生成されていくことになる。具体的には例えば、図１１に示されるように、新たな代表ベクトルが順次生成されていくことになる。即ち、図１１は、ステップＳ５１の「所定の手法」として遺伝的アルゴリズムが採用された場合におけるステップＳ５１乃至Ｓ５５のループ処理の繰り返し結果を表している。

図１１の例では、初回のステップＳ５１の処理で、代表ベクトルＲε１が生成され、初回のステップＳ５２とＳ５３の処理で、注目クラスタε１が設定され、初回のステップＳ５４の処理で注目クラスタε１の当たり率が演算される。そして、初回のステップＳ５５の処理で当たり率が閾値以上ではないと判定されて、処理はステップＳ５１に戻される。

次に、二回目のステップＳ５１の処理で、代表ベクトルＲε２が生成され、二回目のステップＳ５２とＳ５３の処理で、注目クラスタε２が設定され、二回目のステップＳ５４の処理で注目クラスタε２の当たり率が演算される。そして、二回目のステップＳ５５の処理で当たり率が閾値以上ではないと判定されて、処理はステップＳ５１に戻される。

次に、三回目のステップＳ５１の処理で、代表ベクトルＲε３が生成され、三回目のステップＳ５２とＳ５３の処理で、注目クラスタε３が設定され、三回目のステップＳ５４の処理で注目クラスタε３の当たり率が演算される。そして、三回目のステップＳ５５の処理で当たり率が閾値以上ではないと判定されて、処理はステップＳ５１に戻される。

次に、四回目のステップＳ５１の処理で、代表ベクトルＲε４が生成され、四回目のステップＳ５２とＳ５３の処理で、注目クラスタε４が設定され、四回目のステップＳ５４の処理で注目クラスタε４の当たり率が演算される。

ただし、四回目のステップＳ５５の処理では、当たり率が閾値以上であると判定されたとする。この場合、図１０に示されるように、処理はステップＳ５６に進むことになる。

ステップＳ５６において、登録項目ベクトル決定部２３は、注目クラスタにおける代表ベクトルを、選択項目についての登録項目ベクトルとして決定する。即ち、図１０の例では、注目クラスタε４における代表ベクトルＲε４が登録項目ベクトルとして決定される。

そして、ステップＳ５７において、登録項目ベクトル決定部２３は、登録項目IDと登録項目ベクトルとを対応付けて、登録項目ベクトル記憶部４に記憶させる。

これにより、図１０の例の「登録項目ベクトル生成処理」は終了になる。

換言すると、図１０の例の「登録項目ベクトル生成処理」とは、結局、図１１の代表ベクトルＲε１乃至Ｒε４等ステップ５１で生成される代表ベクトルを登録項目ベクトルの候補として、これらの候補のうちの、ステップＳ５５の判定条件を満たす候補を選抜し、選抜された候補を登録項目ベクトルとして決定する「登録項目ベクトル生成処理」である。

以上、図４乃至図１１を参照して、図３のステップＳ２の「登録項目ベクトル生成処理」の詳細について説明した。

次に、図１２乃至図１７を参照して、図３のステップＳ４の「ユーザ嗜好ベクトル生成処理」の詳細について説明する。

図１２は、ステップＳ４の「ユーザ嗜好ベクトル生成処理」の詳細例を示すフローチャートである。

図１２のステップＳ７１において、図１のユーザ嗜好ベクトル生成部６の登録嗜好クラスタ生成部２４は、ユーザが注目する登録項目を示す登録項目IDを複数個取得する。

ステップＳ７１で言う「ユーザが注目する登録項目」とは、登録項目選択操作部５から供給される選択登録項目のことである。従って、登録項目選択操作部５が、選択登録項目を登録嗜好クラスタ生成部２４に通知する場合、選択登録項目を示す登録項目ＩＤを用いて通知するとすれば、ステップＳ７１の処理で、登録項目選択操作部５から通知された登録項目ＩＤが複数個取得されることになる。

ステップＳ７２において、登録嗜好クラスタ生成部２４は、所定の条件に従って、複数の登録項目IDのそれぞれに対応付けられた登録項目ベクトルをクラスタリングし、１以上のクラスタ（グループ）を決定する。

具体的には例えばいま、ステップＳ７１の処理で、登録項目ＩＤとしてＩＤ１乃至ＩＤ５が取得され、また、ＩＤ１乃至ＩＤ５のそれぞれと対応付けられて登録項目ベクトルＲ１乃至Ｒ５のそれぞれが登録項目ベクトル記憶部４に記憶されているとする。そして、図１３に示されるように、ステップＳ７２の処理で、登録項目ベクトルＲ１乃至Ｒ３が属するクラスタＪ、登録項目ベクトルＲ４が属するクラスタＫ、および、登録項目ベクトルＲ５が属するクラスタＬのそれぞれが決定されたとする。即ち、図１３は、ステップＳ７１とＳ７２の処理結果の例を示している。

図１２に戻り、各クラスタＪ，Ｋ，Ｌのそれぞれが、登録嗜好クラスタ生成部２４により生成されて、登録嗜好ベクトル演算部２５に供給されると、処理はステップＳ７２からＳ７３に進む。

ステップＳ７３において、登録嗜好ベクトル演算部２５は、１以上のクラスタ（図１３の例ではクラスタＪ，Ｋ，Ｌ）のうちの所定の１つを注目クラスタに設定する。

例えばいま、ステップＳ７３の処理で、クラスタＪが注目クラスタに設定されたとする。

この場合、ステップＳ７４において、登録嗜好ベクトル演算部２５は、注目クラスタＪに含まれる登録項目ベクトルＲ１乃至Ｒ３を利用して代表ベクトルを生成する。

ここで、図１４を参照して、注目クラスタＪにおける代表ベクトルの生成手法の一例について説明する。即ち、図１４は、注目クラスタＪにおける代表ベクトルの生成手法を説明するための図である。図１４のうちの、矢印に対して上側には、注目クラスタＪに属する登録項目ベクトルＲ１，Ｒ２，Ｒ３のそれぞれの具体例が示されており、矢印に対して下側には、注目クラスタＪにおける代表ベクトルの一例が示されている。

図１４に示されるように、注目クラスタＪに属する登録項目ベクトルＲ１，Ｒ２，Ｒ３のそれぞれの各成分を１つずつ注目成分として順次設定し、注目成分の特徴に応じた所定の演算手法であって、登録項目ベクトルＲ１，Ｒ２，Ｒ３のそれぞれの注目成分の成分値を利用する演算手法に従って演算された結果得られる値が、注目クラスタＪにおける代表ベクトルの注目成分の成分値になる。

具体的には例えば、「数Ａ」と記述された第１成分が注目成分として設定された場合には、登録項目ベクトルＲ１，Ｒ２，Ｒ３のそれぞれの第１成分の成分値である「５」，「４」，「０」のうちの「０」を除く平均が演算され、即ち、「５」と「４」との平均が演算され、その結果得られる「4.5」が、注目クラスタＪにおける代表ベクトルの第１成分の成分値になる。

例えば、「数Ｂ」と記述された第２成分が注目成分として設定された場合には、登録項目ベクトルＲ１，Ｒ２，Ｒ３のそれぞれの第２成分の成分値である「５」，「４」，「５」のうちの代表値が選抜され（選抜するための演算処理が行われ）、選抜された「５」が、注目クラスタＪにおける代表ベクトルの第２成分の成分値になる。

なお、図６と同様に図１４においても、「数Ａ」や「数Ｂ」といった「数」が記述された成分は、数値属性の成分とされている。これに対して、「名Ａ」や「名Ｂ」といった「名」が記述された成分は、名義属性の成分とされている。また、図１４において、「ＩＤ１」乃至「ＩＤ３」のそれぞれが記述された成分は、ＩＤ１乃至ＩＤ３のそれぞれが示す登録項目の成分とされている。

さらに例えば、上述したように、「名Ａ」が赤白を示し、そのうちの「○（丸印）」が赤ワインを示し、「×（バツ印）」が白ワインを示すとする。この場合、図１３に示される注目クラスタＪには、赤ワインが２本含まれ、白ワインが１本含まれているとも言える。そこで例えば、図１４の例では、注目クラスタＪにより多く含まれている赤ワインを示す「○（丸印）」が代表種類として設定されて、注目クラスタＪにおける代表ベクトルのうちの、「○（丸印）」に対応する第３成分の値のみが使用され、白ワインを示す「×（バツ印）」に対応する第４成分の値は使用されないとされている。即ち、図１４の例では、注目クラスタＪにおける代表ベクトルのうちの第３成分が注目成分として設定された場合には、代表種類を決定するための演算が行われ、その結果、代表種類として決定された赤ワインに対応する第３成分の成分値が「１」に決定され、引き続き、注目クラスタＪにおける代表ベクトルのうちの第４成分が注目成分として設定されて、その成分値が「０」に決定される。

例えば、「名Ｂ」のうちの「ａ」が記述された第５成分が注目成分として設定された場合には、登録項目ベクトルＲ１，Ｒ２，Ｒ３のそれぞれの第５成分の成分値である「0.5」，「0.3」，「0.9」の総加算が演算され、その結果得られる「1.7」が、注目クラスタＪにおける代表ベクトルの第５成分の成分値になる。

例えば、「名Ｂ」のうちの「ｂ」が記述された第６成分が注目成分として設定された場合には、登録項目ベクトルＲ１，Ｒ２，Ｒ３のそれぞれの第６成分の成分値である「0.7」，「0.5」，「0」のうちの「0」を除く平均が演算され、即ち、「0.7」と「0.5」との平均が演算され、その結果得られる「0.6」が、注目クラスタＪにおける代表ベクトルの第６成分の成分値になる。

例えば、「名Ｂ」のうちの「ｃ」が記述された第７成分が注目成分として設定された場合には、登録項目ベクトルＲ１，Ｒ２，Ｒ３のそれぞれの第７成分の成分値である「0.9」，「0.7」，「0.9」の代表値が選抜され、選抜された「0.9」が、注目クラスタＪにおける代表ベクトルの第７成分の成分値になる。

図１２に戻り、このようにしてステップＳ７４の処理で、注目クラスタＪにおける代表ベクトルが生成されると、処理はステップＳ７５に進む。

ステップＳ７５において、登録嗜好ベクトル演算部２５は、アイテム特徴ベクトル記憶部１に記憶されている各アイテム特徴ベクトルのそれぞれと、代表ベクトルとの類似度を演算する。

ステップＳ７６において、登録嗜好ベクトル演算部２５は、類似度が閾値以上のアイテム特徴ベクトルを、注目クラスタＪに含める。

具体的に例えばいま、ステップＳ７４の処理で、注目クラスタＪにおける代表ベクトルとして、図１５に示されるような代表ベクトルＰＪが生成されたとする。即ち、図１５は、各クラスタＪ，Ｋ，ＬのそれぞれについてのステップＳ７４の処理結果の一例を同時に示した図である。なお、後述するように、実際には、クラスタＪにおける代表ベクトルＰＪが生成されて、類似度が閾値以上のアイテム特徴ベクトルが、注目クラスタＪに含められた後、クラスタＫにおける代表ベクトルＰＫや、クラスタＬにおける代表ベクトルＰＬが生成されることになる。

また、例えば、アイテム特徴ベクトル記憶部１には、図１６に示されるアイテム特徴ベクトルＩａ乃至Ｉｕが記憶されており、これらのうちの、アイテム特徴ベクトルＩａ乃至Ｉｆが、代表ベクトルＰＪとの類似度が閾値以上であったとする。この場合、図１６に示されるように、アイテム特徴ベクトルＩａ乃至Ｉｕのうちのアイテム特徴ベクトルＩａ乃至Ｉｆが、注目クラスタＪに含められることになる。

図１２に戻り、このようにして、ステップＳ７６の処理で、類似度が閾値以上のアイテム特徴ベクトルＩａ乃至Ｉｆが注目クラスタＪに含められると、処理はステップＳ７７に進む。

ステップＳ７７において、登録嗜好ベクトル演算部２５は、全クラスタが注目クラスタに設定されたか否かを判定する。

具体的には例えば、上述した図１３乃至図１６に示される例の場合には、クラスタＫ，Ｌがまだ注目クラスタに設定されていないので、ステップＳ７７において、全クラスタが注目クラスタにまだ設定されていないと判定されて、処理はステップＳ７３に戻され、それ以降の処理が繰り返し実行される。

即ち、今度は、ステップＳ７３の処理で、例えばクラスタＪが注目クラスタに設定され、ステップＳ７４の処理で、例えば図１５に示されるように、登録項目ベクトルＲ４がそのまま代表ベクトルＰＫとなり(ステップＳ７４の処理時点で、クラスタＪには登録項目ベクトルＲ４のみが含まれているため)、ステップＳ７５とＳ７６の処理で、例えば図１６に示されるように、類似度が閾値以上のアイテム特徴ベクトルＩｇ乃至Ｉｎが注目クラスタＫに含められる。

さらに、ステップＳ７７の処理でＮＯであると判定されて、今度は、ステップＳ７３の処理で、例えばクラスタＫが注目クラスタに設定され、ステップＳ７４の処理で、例えば図１５に示されるように、登録項目ベクトルＲ５がそのまま代表ベクトルＰＬとなり(ステップＳ７４の処理時点で、クラスタＬには登録項目ベクトルＲ５のみが含まれているため)、ステップＳ７５とＳ７６の処理で、例えば図１６に示されるように、類似度が閾値以上のアイテム特徴ベクトルＩｏ乃至Ｉｕが注目クラスタＬに含められる。

その結果、全クラスタＪ，Ｋ，Ｌが注目クラスタに設定されたことになるので、今度は、ステップＳ７７の処理でＹＥＳであると判定される。ステップＳ７７の処理でＹＥＳであると判定されると、全クラスタＪ，Ｋ，Ｌ（図１６に示される情報）が、登録嗜好ベクトル演算部２５から登録嗜好ベクトル決定部２６に供給される。その結果、処理はステップＳ７８に進む。

ステップＳ７８において、登録嗜好ベクトル決定部２３は、各クラスタ毎に、当たり率を演算する。

ステップＳ７８の処理で言う「当たり率」とは、クラスタに含まれるアイテム特徴ベクトルの総数に対する、ステップＳ７１の処理で取得された複数の登録項目ＩＤのそれぞれが示す複数の項目（即ち、選択登録項目）のうちの少なくとも１つを含むアイテム特徴ベクトルの数の割合を言う。

具体的には例えば、上述した図１６の例では、複数の選択登録項目のうちの少なくとも１つを含むアイテム特徴ベクトルは、○（丸印）で示されており、複数の選択登録項目の何れも含まないアイテム特徴ベクトルは、×（バツ印）で示されている。

この場合、クラスタＪには、６個のアイテム特徴ベクトルＩａ乃至Ｉｆが含まれている。これらのうちの、３個のアイテム特徴ベクトルＩｂ，Ｉｃ，Ｉｆは、選択登録項目を少なくとも１つ含むアイテム特徴ベクトルである。従って、クラスタＪにおける当たり率は、３／６＝５０［%］になる。

同様に、クラスタＫには、８個のアイテム特徴ベクトルＩｇ乃至Ｉｎが含まれている。これらのうちの、２個のアイテム特徴ベクトルＩｍ，Ｉｎは、選択登録項目を少なくとも１つ含むアイテム特徴ベクトルである。従って、クラスタＫにおける当たり率は、２／８＝２５［%］になる。

また、クラスタＬには、７個のアイテム特徴ベクトルＩｏ乃至Ｉｕが含まれている。これらのうちの、１個のアイテム特徴ベクトルＩｔは、選択登録項目を少なくとも１つ含むアイテム特徴ベクトルである。従って、クラスタＬにおける当たり率は、１／７＝約１４［%］になる。

図１２のステップＳ７９において、登録嗜好ベクトル決定部２６は、当たり率が最も高いクラスタの代表ベクトルを、ユーザ嗜好ベクトルとして決定する。

具体的には例えば図１６の例では、上述したように、クラスタＪ，Ｋ，Ｌのそれぞれの当たり率は、５０［%］、２５［%］、約１４［%］のそれぞれである。従って、ステップＳ７９の処理で、当たり率が５０［%］と最も高いクラスタＪの代表ベクトルＰＪが、ユーザ嗜好ベクトルとして決定される。

そして、ステップＳ８０において、登録嗜好ベクトル決定部２６は、ユーザ嗜好ベクトルを、ユーザ嗜好ベクトル記憶部７に記憶させる。

これにより、「ユーザ嗜好ベクトル生成処理」は終了になる。

以上、図１２の例の「ユーザ嗜好ベクトル生成処理」について説明した。

ところで、「ユーザ嗜好ベクトル生成処理」は、上述した図１２の例に限定されず、その他様々な処理を採用することが可能である。具体的には例えば、「ユーザ嗜好ベクトル生成処理」として例えば図１７の例を採用してもよい。

即ち、図１７は、図１２とは異なる「ユーザ嗜好ベクトル生成処理」の詳細例を説明するフローチャートである。

図１７のステップＳ１０１において、図１のユーザ嗜好ベクトル生成部６の登録嗜好クラスタ生成部２４は、ユーザが注目する登録項目を示す登録項目IDを複数個取得する。

ステップＳ１０２において、登録嗜好クラスタ生成部２４は、所定の条件に従って、複数の登録項目IDのそれぞれに対応付けられた登録項目ベクトルをクラスタリングし、１以上のクラスタ（グループ）を決定する。

具体的には例えばいま、ステップＳ１０１の処理で、登録項目ＩＤとしてＩＤ１乃至ＩＤ５が取得され、また、ＩＤ１乃至ＩＤ５のそれぞれと対応付けられて登録項目ベクトルＲ１乃至Ｒ５のそれぞれが登録項目ベクトル記憶部４に記憶されているとする。そして、上述した図１３に示されるように、ステップＳ１０２の処理で、登録項目ベクトルＲ１乃至Ｒ３が属するクラスタＪ、登録項目ベクトルＲ４が属するクラスタＫ、および、登録項目ベクトルＲ５が属するクラスタＬのそれぞれが決定されたとする。即ち、上述した図１３はまた、ステップＳ１０１とＳ１０２の処理結果の例を示している。

換言すると、ステップＳ１０１とＳ１０２の処理は、上述した図１２のステップＳ７１とＳ７２のそれぞれの処理と基本的に同様の処理である。

図１７に戻り、各クラスタＪ，Ｋ，Ｌのそれぞれが、登録嗜好クラスタ生成部２４により生成されて、登録嗜好ベクトル演算部２５に供給されると、処理はステップＳ１０２からＳ１０３に進む。

ステップＳ１０３において、登録嗜好ベクトル演算部２５は、登録項目ベクトルを最も多く含むクラスタを注目クラスタに設定する。

具体的には例えば、図１３の例では、３つの登録項目ベクトルＩ１乃至Ｉ３を含むクラスタＪが、登録項目ベクトルを最も多く含むクラスタである。従って、この場合、ステップＳ１０３の処理で、クラスタＪが注目クラスタに設定されることになる。

この場合、ステップＳ１０４において、登録嗜好ベクトル演算部２５は、注目クラスタＪに含まれる登録項目ベクトルＲ１乃至Ｒ３を利用して代表ベクトルを生成する。

このステップＳ１０４の処理は、上述した図１２のステップＳ７４の処理と基本的に同様の処理である。従って、図１３の例では、上述した図１４に示される代表ベクトルが、ステップＳ１０４の処理で生成されることになる。

ステップＳ１０４の処理で生成された代表ベクトルが、登録嗜好ベクトル演算部２５から登録嗜好ベクトル決定部２６に供給されると、処理はステップＳ１０５に進む。

ステップＳ１０５において、登録嗜好ベクトル決定部２６は、注目クラスタの代表ベクトル、即ち、登録嗜好ベクトル演算部２５から供給された代表ベクトルを、ユーザ嗜好ベクトルとして決定する。

具体的には例えば図１３と図１４の例では、上述したように、クラスタＪが注目クラスタに設定されて、図１４に示される代表ベクトルが生成されるので、ステップＳ１０５の処理で、図１４に示される代表ベクトルが、ユーザ嗜好ベクトルとして決定されることになる。

そして、ステップＳ１０６において、登録嗜好ベクトル決定部２６は、ユーザ嗜好ベクトルを、ユーザ嗜好ベクトル記憶部７に記憶させる。

これにより、「ユーザ嗜好ベクトル生成処理」は終了になる。

以上、図１２乃至図１７を参照して、図３のステップＳ４の「ユーザ嗜好ベクトル生成処理」の詳細について説明した。

ところで、上述した一連の処理は、ハードウエアにより実行させることもできるが、ソフトウエアにより実行させることができる。

この場合、図１の推薦システムは、例えば、図１８に示される１台以上のパーソナルコンピュータで構成することができる。なお、上述した例は、図１の推薦システムは１台の情報処理装置で構成される例であり、この例に対応させると、図１の推薦システムは、例えば、図１８に示されるパーソナルコンピュータ１台で構成することができる。

図１８において、CPU（Central Processing Unit）１０１は、ROM（Read Only Memory）１０２に記録されているプログラム、または記憶部１０８からRAM（Random Access Memory）１０３にロードされたプログラムに従って各種の処理を実行する。RAM１０３にはまた、CPU１０１が各種の処理を実行する上において必要なデータなども適宜記憶される。

CPU１０１、ROM１０２、およびRAM１０３は、バス１０４を介して相互に接続されている。このバス１０４にはまた、入出力インタフェース１０５も接続されている。

入出力インタフェース１０５には、キーボード、マウスなどよりなる入力部１０６、ディスプレイなどよりなる出力部１０７、ハードディスクなどより構成される記憶部１０８、および、モデム、ターミナルアダプタなどより構成される通信部１０９が接続されている。通信部１０９は、インターネットを含むネットワークを介して他の装置（図示せず）との間で行う通信を制御する。

入出力インタフェース１０５にはまた、必要に応じてドライブ１１０が接続され、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリなどよりなるリムーバブル記録媒体１１１が適宜装着され、それらから読み出されたコンピュータプログラムが、必要に応じて記憶部１０８にインストールされる。

一連の処理をソフトウエアにより実行させる場合には、そのソフトウエアを構成するプログラムが、専用のハードウエアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどに、ネットワークや記録媒体からインストールされる。

このようなプログラムを含む記録媒体は、図１８に示されるように、装置本体とは別に、ユーザにプログラムを提供するために配布される、プログラムが記録されている磁気ディスク（フロッピディスクを含む）、光ディスク（CD-ROM(Compact Disk-Read Only Memory),DVD(Digital Versatile Disk)を含む）、光磁気ディスク（ＭＤ（Mini-Disk）を含む）、もしくは半導体メモリなどよりなるリムーバブル記録媒体（パッケージメディア）１１１により構成されるだけでなく、装置本体に予め組み込まれた状態でユーザに提供される、プログラムが記録されているROM１０２や、記憶部１０８に含まれるハードディスクなどで構成される。

なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。

また、本明細書において、システムとは、複数の装置や処理部により構成される装置全体を表すものである。

本発明が適用される情報処理システムまたは装置の機能的構成例を示すブロック図である。 推薦のキーワードなる選択登録項目を入力するためのGUI用画像の一例を示す図である。 図１の情報処理装置が実行する推薦処理の例を説明するフローチャートである。 図３のステップＳ２の「登録項目推薦処理」の詳細例を説明するフローチャートである。 図４のステップＳ２２の処理の結果として生成されたクラスタの例を示す図である。 図４のステップＳ２４の処理における代表ベクトルの生成手法例を説明するための図である。 図４のステップＳ２４の処理の結果として生成された代表ベクトルの例を示す図である。 図４のステップＳ２６の処理の結果として各クラスタに含められたアイテム特徴ベクトルの例を示す図である。 図４のステップＳ２２における「所定の条件」を変更した場合の、図４の「登録項目推薦処理」の結果例を示す図である。 図３のステップＳ２の「登録項目推薦処理」の、図４とは異なる詳細例を説明するフローチャートである。 図１０の「登録項目推薦処理」の結果例を示す図である。 図３のステップＳ４の「ユーザ嗜好ベクトル生成処理」の詳細例を説明するフローチャートである。 図１２のステップＳ７２の処理の結果として生成されたクラスタの例を示す図である。 図１２のステップＳ７４の処理における代表ベクトルの生成手法例を説明するための図である。 図１２のステップＳ７４の処理の結果として生成された代表ベクトルの例を示す図である。 図１２のステップＳ７６の処理の結果として各クラスタに含められたアイテム特徴ベクトルの例を示す図である。 図３のステップＳ４の「ユーザ嗜好ベクトル生成処理」の、図１２とは異なる詳細例を説明するフローチャートである。 図１の情報処理装置のハードウエア的構成例を示す図である。

符号の説明

１ アイテム特徴ベクトル記憶部， ２ 項目選択操作部， ３ 登録項目ベクトル生成部， ４ 登録項目ベクトル記憶部， ５ 登録項目選択操作部， ６ ユーザ嗜好ベクトル生成部， ７ ユーザ嗜好ベクトル記憶部，８ 推薦指令操作部， ９ 推薦リスト生成部， １０ アイテム特徴ベクトル記憶部， １１ 呈示部， ２１ 登録項目クラスタ生成部， ２２ 登録項目ベクトル演算部， ２３ 登録項目ベクトル決定部， ２４ 登録嗜好クラスタ生成部， ２５ 登録嗜好ベクトル演算部， ２６ 登録嗜好ベクトル決定部， １０１ CPU， １０２ ROM， １０３ RAM， １０８ 記憶部， １１１ リムーバブル記録媒体， Ｉ１乃至Ｉ２９ アイテム特徴ベクトル， α１，α２，β１，β２，γ１，γ２，θ２，ε１乃至ε４ クラスタ， Ｒα，Ｒβ，Ｒγ，Ｒθ，Ｒε１乃至Ｒε４， 代表ベクトル， ＪＫ，Ｌ クラスタ， Ｒ１乃至Ｒ５ 登録項目ベクトル， ＰＪ，ＰＫ，ＰＬ 代表ベクトル， Ｉａ乃至Ｉｕ アイテム特徴ベクトル

Claims (8)

1. ユーザにより指定された所定の項目をキーワードとして、複数のアイテムの中から前記ユーザに推薦すべき推薦アイテムを決定する情報処理装置において、
   前記ユーザにより指定される可能性のある１以上の項目のそれぞれの特徴を示す１以上の項目ベクトルのそれぞれを記憶する記憶手段と、
   前記ユーザにより操作され、前記記憶手段に記憶されている１以上の前記項目ベクトルのそれぞれに対応する１以上の前記項目のうちの前記ユーザにより選択された項目を、前記キーワードとして前記情報処理装置内に入力させる操作手段と、
   前記操作手段から前記キーワードが入力された場合、前記記憶手段に記憶されている１以上の前記項目ベクトルのうちの、前記キーワードに対応する項目ベクトルを利用して、前記ユーザの嗜好を示すユーザ嗜好ベクトルを生成する嗜好ベクトル生成手段と、
   前記嗜好ベクトル生成手段により生成された前記ユーザ嗜好ベクトルと、複数の前記アイテムのそれぞれの特徴を示すアイテム特徴ベクトルのそれぞれとの類似度を演算し、演算された類似度が所定の条件を満たす前記アイテム特徴ベクトルに対応するアイテムを、前記推薦アイテムとして決定する推薦手段と
   を備えることを特徴とする情報処理装置。
2. 前記嗜好ベクトル生成手段は、
   前記キーワードに対応する１以上の前記項目ベクトルをクラスタリングし、前記キーワードに対応する１以上の前記項目ベクトルのうちの少なくとも１つを含むクラスタを、１つ以上生成する嗜好クラスタ生成手段と、
   前記嗜好クラスタ生成手段により生成された１以上の前記クラスタのそれぞれを注目クラスタとして順次設定し、前記注目クラスタに含まれる前記項目ベクトルを利用して、前記注目クラスタを代表する代表ベクトルを生成する嗜好代表ベクトル生成手段と、
   前記嗜好代表ベクトル生成手段により生成された、１以上の前記クラスタのそれぞれの前記代表ベクトルの中から、所定の条件を満たす代表ベクトルを１つ選抜し、選抜された前記代表ベクトルを前記ユーザ嗜好ベクトルとして決定する嗜好ベクトル決定手段と
   を有することを特徴とする請求項１に記載の情報処理装置。
3. 前記嗜好ベクトル生成手段は、
   前記キーワードに対応する1以上の前記項目ベクトルをクラスタリングし、前記キーワードに対応する１以上の前記項目ベクトルのうちの少なくとも１つを含むクラスタを、１つ以上生成する嗜好クラスタ生成手段と、
   前記嗜好クラスタ生成手段により生成された１以上の前記クラスタのうちの、前記項目ベクトルを最も多く含むクラスタを注目クラスタに設定し、前記注目クラスタに含まれる前記項目ベクトルを利用して、前記注目クラスタを代表する代表ベクトルを生成する嗜好代表ベクトル生成手段と、
   前記嗜好代表ベクトル生成手段により生成された前記注目クラスタの前記代表ベクトルを、前記ユーザ嗜好ベクトルとして決定する嗜好ベクトル決定手段と
   を有することを特徴とする請求項１に記載の情報処理装置。
4. 前記ユーザにより指定される可能性のある１以上の前記項目のうちの所定の１つを処理対象として、処理対象の項目についての前記項目ベクトルを生成する項目ベクトル生成手段
   をさらに備えることを特徴とする請求項１に記載の情報処理装置。
5. 前記項目ベクトル生成手段は、
   複数の前記アイテムまたはそれらとは異なる複数の前記アイテムのそれぞれの特徴を示すアイテム特徴ベクトルのうちの、処理対象の前記項目を成分として含む１以上のアイテム特徴ベクトルをクラスタリングし、処理対象の前記項目を成分として含む１以上の前記アイテム特徴ベクトルのうちの少なくとも１つを含むクラスタを、１つ以上生成する項目クラスタ生成手段と、
   前記項目クラスタ生成手段により生成された１以上の前記クラスタのそれぞれを注目クラスタとして順次設定し、前記注目クラスタに含まれる前記アイテム特徴ベクトルを利用して、前記注目クラスタを代表する代表ベクトルを生成する項目代表ベクトル生成手段と、
   前記項目代表ベクトル生成手段により生成された、１以上の前記クラスタのそれぞれについての前記代表ベクトルの中から、所定の条件を満たす代表ベクトルを１つ選抜し、選抜された前記代表ベクトルを、処理対象の前記項目についての前記項目ベクトルとして決定する項目ベクトル決定手段と
   を有することを特徴とする請求項４に記載の情報処理装置。
6. 前記項目ベクトル生成手段は、
   処理対象の前記項目についての前記項目ベクトルの候補を生成する候補生成手段と、
   複数の前記アイテムまたはそれらとは異なる複数の前記アイテムのそれぞれの特徴を示すアイテム特徴ベクトルのうちの、前記候補生成手段により生成された前記候補と類似度が閾値以上であるアイテム特徴ベクトルと、前記候補とのそれぞれを含むクラスタを生成する項目クラスタ生成手段と、
   前記項目クラスタ生成手段により生成された前記クラスタが所定の条件を満たすか否かを判定し、前記クラスタが前記所定の条件を満たさないと判定した場合、新たな前記候補を前記候補生成手段に生成させ、新たな前記候補を含む新たなクラスタを前記項目クラスタ生成手段に生成させ、新たな前記クラスタが所定の条件を満たすか否かを再度判定し、前記クラスタが前記所定の条件を満たすと判定した場合、そのクラスタに含まれる前記候補を、処理対象の前記項目についての前記項目ベクトルとして決定する項目ベクトル決定手段と
   を有することを特徴とする請求項４に記載の情報処理装置。
7. ユーザにより指定された所定の項目をキーワードとして、複数のアイテムの中から前記ユーザに推薦すべき推薦アイテムを決定する情報処理装置であって、
   前記ユーザにより指定される可能性のある１以上の項目のそれぞれの特徴を示す１以上の項目ベクトルのそれぞれを記憶する記憶手段と、
   前記ユーザにより操作され、前記記憶手段に記憶されている１以上の項目ベクトルのそれぞれに対応する１以上の前記項目のうちの前記ユーザにより選択された項目を、前記キーワードとして前記情報処理装置内に入力させる操作手段と
   を少なくとも備える前記情報処理装置の情報処理方法において、
   前記操作手段から前記キーワードが入力された場合、前記記憶手段に記憶されている１以上の前記項目ベクトルのうちの、前記キーワードに対応する項目ベクトルを利用して、前記ユーザの嗜好を示すユーザ嗜好ベクトルを生成する嗜好ベクトル生成ステップと、
   前記嗜好ベクトル生成ステップの処理により生成された前記ユーザ嗜好ベクトルと、複数の前記アイテムのそれぞれの特徴を示すアイテム特徴ベクトルのそれぞれとの類似度を演算し、演算された類似度が所定の条件を満たす前記アイテム特徴ベクトルに対応するアイテムを、前記推薦アイテムとして決定する推薦ステップと
   を含むことを特徴とする情報処理方法。
8. ユーザにより指定された所定の項目をキーワードとして、複数のアイテムの中から前記ユーザに推薦すべき推薦アイテムを決定する推薦装置であって、
   前記ユーザにより指定される可能性のある１以上の項目のそれぞれの特徴を示す１以上の項目ベクトルのそれぞれを記憶する記憶手段と、
   前記ユーザにより操作され、前記記憶手段に記憶されている１以上の項目ベクトルのそれぞれに対応する１以上の前記項目のうちの前記ユーザにより選択された項目を、前記キーワードとして前記推薦装置内に入力させる操作手段と
   を少なくとも備える前記推薦装置を制御するコンピュータに実行させるプログラムであって、
   前記操作手段から前記キーワードが入力された場合、前記記憶手段に記憶されている１以上の前記項目ベクトルのうちの、前記キーワードに対応する項目ベクトルを利用して、前記ユーザの嗜好を示すユーザ嗜好ベクトルを生成する嗜好ベクトル生成ステップと、
   前記嗜好ベクトル生成ステップの処理により生成された前記ユーザ嗜好ベクトルと、複数の前記アイテムのそれぞれの特徴を示すアイテム特徴ベクトルのそれぞれとの類似度を演算し、演算された類似度が所定の条件を満たす前記アイテム特徴ベクトルに対応するアイテムを、前記推薦アイテムとして決定する推薦ステップと
   を含むことを特徴とするプログラム。

Images