JP2007102407A

JP2007102407A - レコメンド方法およびシステムならびにレコメンドプログラムおよびその記憶媒体

Info

Publication number: JP2007102407A
Application number: JP2005289881A
Authority: JP
Inventors: Keiichiro Hoashi; 啓一郎帆足; Kazunori Matsumoto; 一則松本; Fumiaki Sugaya; 史昭菅谷
Original assignee: KDDI Corp
Current assignee: KDDI Corp
Priority date: 2005-10-03
Filing date: 2005-10-03
Publication date: 2007-04-19
Anticipated expiration: 2025-10-03
Also published as: JP4822317B2

Abstract

【課題】履歴情報の少ないアイテムに関する正確なレコメンドを、履歴データの多い他のアイテムの履歴情報に基づいて可能にするレコメンド方式を提供する
【解決手段】第１のアイテム群に関して履歴情報を蓄積する分析基履歴データ記憶モジュール(1)と、第２のアイテム群に関して履歴情報を蓄積するレコメンド基履歴データ記憶モジュール(2)と、記憶モジュール(1)から第１の潜在クラス群(CA)を抽出し、記憶モジュール(2)から第２の潜在クラス群(CB)を抽出する潜在クラス抽出モジュール(32)と、第１の潜在クラス群の各第１の潜在クラスと第２の潜在クラス群の各第２の潜在クラスとの相関を算出する相関算出モジュール(33)と、対象ユーザが帰属する第１の潜在クラスと相関の強い第２の潜在クラスに帰属するユーザの履歴情報に基づいて、第２のアイテム群から推薦アイテムを決定するレコメンド結果算出モジュール(34)とを含む。
【選択図】図２

Description

本発明は、レコメンド方法およびシステムならびにレコメンドプログラムおよびその記憶媒体に係り、特に、履歴情報の少ないアイテムに関する正確なレコメンドを、履歴データの多い他のアイテムの履歴情報に基づいて可能にするクロスメディアレコメンドに好適なレコメンド方法およびシステムならびにレコメンドプログラムおよびその記憶媒体に関する。

ユーザの購買履歴やサイトへのアクセス履歴等の履歴情報に基づいて当該ユーザの嗜好を推測し、嗜好に適合すると思われる商品やサービスなどを自動的に推薦する「レコメンドサービス」が盛んに行われている。

このようなレコメンドサービスにおいて利用されている代表的な技術が「協調フィルタリング」あり、特許文献１に開示されている。協調フィルタリングでは、多数のユーザの履歴情報に基づいてユーザ間の相関を算出し、相関が高い一方のユーザの履歴情報から他方のユーザにレコメンドするアイテムが選択される。また、協調フィルタリングの具体的なアルゴリズムについては非特許文献１に開示されている。

図８は、協調フィルタリングの概念を模式的に表現した図であり、この図では、一番上の対象ユーザａに対するレコメンドアイテムを決定するために、アイテム(イ)，(ロ)，(ハ)，(ニ)，(ホ)に関してユーザａと相関の高い履歴を有する３番目のユーザｃの履歴を利用して、最右のアイテム(ヘ)がレコメンドされる。
特開２００３−１６７９０１号公報特開２００２−３３４２５７号公報 Breese, J.; Heckerman, D. and C. Kadie, "Empirical analysis of predictive algorithms for collaborative filtering," Uncertainty in Artificial Intelligence. Proceedings of the Fourteenth Conference (1998), Morgan Kaufman, 1998, pp. 43-52.

協調フィルタリングを利用した従来のレコメンドでは、レコメンドの基となる履歴情報に含まれるアイテムしかレコメンドができない。たとえば、書籍の購買履歴に基づいてレコメンドを行う場合、書籍をレコメンドすることは従来方式でも可能だが、書籍以外のアイテム、たとえば「食品」をレコメンドするためには、新たに食品の購買履歴を収集・分析する必要がある。したがって、食品に関して十分な履歴情報が蓄積されるまではレコメンドサービスを開始することができない。

このような技術課題は、特に新しいサービスを立ち上げ、その新サービスの中でレコメンドを行おうとする際に大きな問題となり得る。新サービスを立ち上げた当初はサービス自体の認知度が低いため、少数の先見的な顧客しかサービスを利用しない可能性が高い。そして、このような履歴情報に従来のレコメンド方式を適用してしまうと、新サービスを利用した少数の顧客には有効なレコメンド結果を算出できるものの、それ以外の顧客に対するレコメンドは実質的に不可能である。

上記の技術課題を解決するために、特許文献２には、履歴の少ない、もしくは履歴の存在しないユーザへのレコメンド方式として、ユーザにより予め申告された属性情報（年齢、趣味、職業など）を利用して全ユーザをグループ分けし、対象ユーザと同一グループに帰属する他のユーザの履歴情報に基づいてレコメンド結果を出力する技術が開示されている。

しかしながら、このようなレコメンド方式では、第１に、ユーザの属性情報とアイテムの利用履歴との間に必ずしも相関があるとは言い切れない、第２に、全てのユーザが正しい属性情報を申告しているとは限らない、といった問題がある。したがって、ユーザの属性情報と購買履歴との間に相関がない場合や、ユーザが誤った属性情報を申告している場合には正確なレコメンドが行えないという技術課題があった。

本発明の目的は、上記した従来技術の課題を解決し、履歴情報の少ないアイテムに関する正確なレコメンドを、履歴データの多い他のアイテムの履歴情報に基づいて可能にするクロスメディアレコメンドに好適なレコメンド方法およびシステムならびにレコメンドプログラムおよびその記憶媒体を提供することにある。

上記した目的を達成するために、本発明は、対象ユーザへの推薦アイテムを、多数のユーザの履歴データに基づいて決定するレコメンドシステムにおいて、第１のアイテム群に関して、対象ユーザを含む第1のユーザ群の履歴情報を蓄積する分析基履歴データ記憶手段(1)と、第２のアイテム群に関して、第２のユーザ群の履歴情報を蓄積するレコメンド基履歴データ記憶手段(2)と、前記分析基履歴データ記憶手段から第１の潜在クラス群を抽出し、前記レコメンド基履歴データ記憶手段から第２の潜在クラス群を抽出する潜在クラス抽出手段(32)と、前記第１の潜在クラス群の各第１の潜在クラスと前記第２の潜在クラス群の各第２の潜在クラスとの相関を算出する相関算出手段(33)と、対象ユーザが帰属する第１の潜在クラスと相関の強い第２の潜在クラスに帰属するユーザの履歴情報に基づいて、前記第２のアイテム群から推薦アイテムを決定するレコメンド結果算出手段(34)とを含むことを特徴とする。

また、前記相関算出手段が、第１のユーザ群の各ユーザが各第１の潜在クラスに帰属する確率を算出する手段と、第２のユーザ群の各ユーザが各第２の潜在クラスに帰属する確率を算出する手段と、分析基履歴データおよびレコメンド基履歴データに共通して出現するユーザの各潜在クラスへの帰属確率に基づいて、各第１の潜在クラスと各第２の潜在クラスとの相関を求める手段とを含むことを特徴とする。

上記した特徴によれば、第２のアイテム群から推薦アイテムを抽出する際に、第２のアイテム群に関して対象ユーザの履歴情報が存在しないか、あるいは存在しているが不十分な場合であっても、分析基履歴データおよびレコメンド基履歴データに共通して出現するユーザの分析基履歴データから抽出された各第１の潜在クラスと、レコメンド基履歴データから抽出された各第２の潜在クラスとの相関に基づいて、対象ユーザが帰属する第１の潜在クラスと相関の強い第２の潜在クラスを選択できる。そして、この第２の潜在クラスに帰属するユーザの履歴データを集計すれば、対象ユーザに対して第２のアイテム群から確度の高い推薦アイテムを提供できるようになる。

以下、図面を参照して本発明の最良の実施の形態について詳細に説明する。図１は、本発明に係るクロスメディアレコメンド方式を模式的に表現した図であり、図２は、そのシステム構成を機能的に表現したブロック図である。

分析基履歴データベース(DB)１には、第１のアイテム群に関して、レコメンド対象ユーザを含むユーザ群Aの各ユーザの嗜好を当該ユーザの行動履歴に基づいて代表する分析基履歴データがログデータ形式で蓄積されている。

レコメンド基履歴DB２には、前記第１のアイテム群とは異なる第２のアイテム群に関して、ユーザ群Bの各ユーザの嗜好を当該ユーザの行動履歴に基づいて代表するレコメンド基履歴データがログデータ形式で蓄積されている。

図３は、分析基履歴データに出現するユーザ群Aとレコメンド基履歴データに出現するユーザ群Bとの関係を示した図であり、分析基履歴データおよびレコメンド基履歴データに共通して出現するユーザを含んでいる。

クロスメディアレコメンド部３は、履歴データ取込モジュール３１と、潜在クラス抽出モジュール３２と、潜在クラス間相関算出モジュール３３と、レコメンド結果算出モジュール３４とを含む。

前記履歴データ取込モジュール３１は、前記分析基履歴DB１およびレコメンド基履歴DB２から、それぞれ分析基履歴データおよびレコメンド基履歴データを取り込む。潜在クラス抽出モジュール３２は、前記履歴データ取込モジュール３１によって取り込まれた分析基履歴データおよびレコメンド基履歴データのそれぞれから、潜在クラスCA1, CA2…CAkおよび潜在クラスCB1, CB2…CBlを抽出する。潜在クラス間相関算出モジュール３３は、前記潜在クラス抽出モジュール３２によって抽出された各潜在クラス間の相関を算出する。レコメンド結果算出モジュール３４は、前記潜在クラス間相関算出モジュール３３によって算出された潜在クラス間の相関情報を利用して、指定されたユーザIDに関するレコメンドアイテムとそのスコアを、レコメンド基履歴データに含まれるアイテムから抽出して出力する。

前記潜在クラス抽出モジュール３２は、例えばEMアルゴリズムによって潜在クラスを抽出できる。EMアルゴリズムは、そもそも測定可能な「顕在変数」に基づいて、顕在変数の隠れた要因となる「潜在変数」を推測するアルゴリズムであるが、本実施形態では、分析基履歴データに含まれるユーザの履歴情報を顕在変数とみなし、さらにユーザの嗜好を表す潜在クラスを潜在変数とみなして抽出する。なお、EMアルゴリズムについては、文献「Dempster, A.P., N.M. Laird and D.B. Rubin: Maximum likelihood from incomplete data via the EM algorithm, Journal of Royal Statistic Society, Series B39, pp. 1-38, 1976. 」において詳細に論じられている。

前記潜在クラス間相関算出モジュール３３は、分析基履歴データおよびレコメンド基履歴データの双方に共通して出現するユーザ（図３の斜線部分のユーザ）の各潜在クラスへの帰属確率に基づいて、分析基履歴データおよびレコメンド基履歴データのそれぞれから抽出された潜在クラス間の相関を算出する。本実施形態では、個々の潜在クラスを、当該潜在クラスへの各ユーザの帰属確率に基づいてベクトル化し、ベクトル類似度やピアソン相関に基づいて相関値を算出する。

さらに具体的に説明すれば、分析基履歴データとレコメンド基履歴データに共通して出現するユーザ数をN、ユーザUiの潜在クラスCへの帰属確率をq[C，Ui]とすれば、潜在クラスCは次式(1)のN次元ベクトルで表現できる。

C[→]＝(q[C，U1]，q[C，U2]，q[C，U3]…q[C，UN]）・・・(1)

ここで、分析基履歴データから抽出された潜在クラスCAiと、レコメンド基履歴データから抽出された潜在クラスCBjとの相関を、両潜在クラスベクトル間のコサイン類似度に基づいて得る場合には、次式(2)に基づいてコサイン類似度が算出される。ただし、CAi[→]・CBj[→]は各潜在クラスベクトルCAi[→]，CBj[→]の内積を表し、｜CAi[→]｜は潜在クラスベクトルCAi[→]のユークリッド長を表している。

sim(CAi[→]，CBj[→])＝CAi[→]・CBj[→]／｜CAi[→]｜｜CBj[→]｜・・・(2)

レコメンド結果算出モジュール３４は、レコメンド対象ユーザ（ここでは、分析基履歴データにのみ出現していると仮定する）に関するレコメンドアイテムを決定する。具体的には、レコメンド対象ユーザの帰属確率が高い潜在クラスCAxを潜在クラス群CAから選択する。次いで、この潜在クラス群CAxとの相関が最も強い潜在クラスCByを、前記潜在クラス間相関算出モジュール３３による算出結果を利用して潜在クラス群CBから抽出する。次いで、この潜在クラスCByに帰属する全てのユーザの履歴データを集計し、度数の多い上位M件のアイテムをレコメンドアイテムとして出力する。

次いで、携帯サイトのアクセス履歴に基づいて携帯ショッピングサイトをレコメンドする場合を例にして、本実施形態をさらに具体的に説明する。

図４は、分析基履歴DB１に分析基履歴データとして登録されている携帯サイトアクセス履歴の一例を示した図であり、ユーザの識別子(UID)ごとに各携帯サイト(S1，S2…Sn)のアクセス履歴の有無が２値データで示されている。本実施形態では、「０」が「アクセス履歴無し」を意味し、「１」が「アクセス履歴有り」を意味しているので、UIDが「００１」のユーザであれば、携帯サイトS1，S2，Snはアクセス履歴が有るものの、携帯サイトS3はアクセス履歴が無いことを意味する。

同様に、図５は、レコメンド基履歴DB２にレコメンド基履歴データとして登録されている携帯ショッピングサイト購買履歴の一例を示した図であり、ユーザの識別子(UID)ごとに各携帯ショッピングサイト(C1，C2…Cn)での購買履歴の有無が２値データで示されている。したがって、UIDが「００１」のユーザであれば、携帯ショッピングサイトC2，Cmでは購買履歴が有るものの、携帯ショッピングサイトC1，C3では購買履歴が無いことを意味する。

一般に、携帯電話ユーザの大多数は何らかの携帯サイトへのアクセス履歴があると予想されるのに対して、携帯ショッピングサイトで商品を購入しているユーザは少ないと予想される。そのため、図５に示した携帯ショッピングサイトでの購買履歴データに従来の協調フィルタリング的な手法を適用して携帯ショッピングサイトをレコメンドしようとしても、大多数のユーザに関しては携帯ショッピングサイトでの商品購入履歴が存在しないか、あるいは存在しても極めて少ない。このために、嗜好に合ったショッピングサイトがレコメンドされる可能性は低い。

そこで、本実施形態では携帯ショッピングサイトをレコメンドするために、十分な履歴データが存在する携帯サイトアクセス履歴を「分析基履歴データ」として利用し、履歴情報の少ない携帯ショッピングサイト購買履歴を「レコメンド基履歴データ」として利用する。

図６は、本実施形態による潜在クラス抽出までの手順を示したフローチャートであり、ステップS１，Ｓ２では、分析基履歴データおよびレコメンド基履歴データのそれぞれから、潜在クラスがEMアルゴリズムに基づいて抽出される。ここでは、分析基履歴データから抽出される潜在クラス群をCA=[CA1, CA2…CAk]とし、レコメンド基履歴データから抽出される潜在クラス群をCB=[CB1, CB2…CBl] とする。

前記潜在クラス群CAには、例えば「着信メロディ配信サイトへのアクセスが多いユーザ」、「幅広いジャンルのサイトを満遍なくアクセスするユーザ」、「ゲームサイトへのアクセスが多いユーザ」等の潜在クラスが含まれる。前記潜在クラス群CBには、例えば「ＣＤの購入頻度が高いユーザ」、「化粧品を頻繁に購入するユーザ」等の潜在クラスが含まれる。ただし、潜在クラスの抽出処理は完全な統計処理なので、各潜在クラスに上記したような具体的な意味付けがなされるとは限らない。

ステップS３では、分析基履歴データおよびレコメンド基履歴データにそれぞれ出現する全てのユーザに関して、各潜在クラス群CA，CBに含まれる各潜在クラスへの帰属確率がユーザごとに算出される。ステップＳ４では、分析基履歴データおよびレコメンド基履歴データに共通して出現するユーザの各潜在クラスへの帰属確率のデータに基づいて、各潜在クラス群CA，CBに含まれる各潜在クラス間の相関が、前記潜在クラス間相関算出モジュール３３により算出される。

次いで、各レコメンド対象ユーザにレコメンド結果を出力するまでの手順を、図７のフローチャートに沿って説明する。

ステップＳ１１では、レコメンド対象ユーザが帰属する潜在クラスが、潜在クラス群CAの中から決定される。具体的には、潜在クラス群CAに含まれる潜在クラスのうち、レコメンド対象ユーザの帰属確率が最も高い潜在クラスCAxが選択される。ステップＳ１２では、潜在クラスCAxとの相関が最も強い潜在クラスCByが、潜在クラス群CBの中から選択される。なお、ここで選択される潜在クラスCByは一つに限定されるものではなく、予め定められている相関値よりも高い相関値を示す複数の潜在クラスが選択されるようにしても良い。

ステップＳ１３では、レコメンドにユーザの属性を利用するか否かが判定される。ユーザの属性を利用しないのであればステップS１４へ進み、潜在クラス群CByに帰属するユーザの利用履歴が集計される。そして、利用件数が多い携帯ショッピングサイトの上位M件がレコメンド対象アイテムとして出力される。なお、潜在クラスCAxとの相関が強い複数の潜在クラスCByが選択されている場合には、全ての潜在クラスCByに帰属するユーザの利用履歴が集計される。

これに対して、ユーザ属性を利用するのであればステップS１５へ進み、レコメンド対象ユーザと属性情報（性別、年齢、住所等など）が同一のユーザの利用履歴が集計される。たとえば、レコメンド対象ユーザが「１０代女性」であれば、潜在クラスCByに帰属するユーザの利用履歴集計時に、１０代女性の履歴のみを対象として集計する。そして、利用件数が多い携帯ショッピングサイトの上位M件がレコメンド対象アイテムとして出力される。

ステップS１６では、前記M件のレコメンド対象アイテムが今回のレコメンド対象ユーザへ提供される。ステップS１７では、全てのレコメンド対象ユーザへのレコメンド対象アイテムの提供が完了したか否かが判定され、完了するまで上記した各処理が繰り返される。

本実施形態によれば、携帯ショッピングサイトでの購買履歴がないユーザであっても、例えば、潜在クラス抽出によって得られた「着信メロディサイトへのアクセスが多いユーザ」の潜在クラスと「CDの購入頻度が高いユーザ」の潜在クラスとの相関が高く、レコメンド対象ユーザが「着信メロディサイトへのアクセスが多いユーザ」の潜在クラスに帰属していれば、CDを販売している携帯ショッピングサイトを自動的にレコメンドすることが可能になる。

本発明に係るレコメンド方式を模式的に表現した図である。本発明に係るレコメンド方式のシステム構成を機能的に表現したブロック図である。分析基履歴データに出現するユーザ群Aとレコメンド基履歴データに出現するユーザ群Bとの関係を示した図である。分析基履歴データとしての携帯サイトアクセス履歴の一例を示した図である。レコメンド基履歴データとしての携帯ショッピングサイト購買履歴の一例を示した図である。潜在クラス抽出までの手順を示したフローチャートである。レコメンド手順を示したフローチャートである。協調フィルタリングの概念を模式的に表現した図である。

符号の説明

１…分析基履歴DB，２…レコメンド基履歴DB，３…クロスメディアレコメンド部，３１…履歴データ取込モジュール，３２…潜在クラス抽出モジュール，３３…潜在クラス間相関算出モジュール，３４…レコメンド結果算出モジュール

Claims

対象ユーザへの推薦アイテムを、多数のユーザの履歴データに基づいて決定するレコメンドシステムにおいて、
第１のアイテム群に関して、対象ユーザを含む第1のユーザ群の履歴情報を蓄積する分析基履歴データ記憶手段と、
第２のアイテム群に関して、第２のユーザ群の履歴情報を蓄積するレコメンド基履歴データ記憶手段と、
前記分析基履歴データ記憶手段から第１の潜在クラス群を抽出し、前記レコメンド基履歴データ記憶手段から第２の潜在クラス群を抽出する潜在クラス抽出手段と、
前記第１の潜在クラス群の各第１の潜在クラスと前記第２の潜在クラス群の各第２の潜在クラスとの相関を算出する相関算出手段と、
対象ユーザが帰属する第１の潜在クラスと相関の強い第２の潜在クラスに帰属するユーザの履歴情報に基づいて、前記第２のアイテム群から推薦アイテムを決定するレコメンド結果算出手段とを含むことを特徴とするレコメンドシステム。
前記相関算出手段は、
第１のユーザ群の各ユーザが各第１の潜在クラスに帰属する確率を算出する手段と、
第２のユーザ群の各ユーザが各第２の潜在クラスに帰属する確率を算出する手段と、
分析基履歴データおよびレコメンド基履歴データに共通して出現するユーザの各潜在クラスへの帰属確率に基づいて、各第１の潜在クラスと各第２の潜在クラスとの相関を求める手段とを含むことを特徴とする請求項１に記載のレコメンドシステム。
前記レコメンド結果算出手段は、対象ユーザの帰属確率が最も高い第１の潜在クラスを、当該対象ユーザが帰属する潜在クラスとして選択することを特徴とする請求項１に記載のレコメンドシステム。
前記レコメンド結果算出手段は、対象ユーザが帰属する第１の潜在クラスと相関の強い第２の潜在クラスに帰属するユーザのうち、対象ユーザと属性が一致するユーザの履歴情報に基づいて推薦アイテムを決定することを特徴とする請求項１ないし３のいずれかに記載のレコメンドシステム。
前記レコメンド結果算出手段が、前記対象ユーザが帰属する第１の潜在クラスと相関の強い複数の第２の潜在クラスに帰属するユーザの履歴情報に基づいて推薦アイテムを決定することを特徴とする請求項１ないし４のいずれかに記載のレコメンドシステム。
対象ユーザへの推薦アイテムを、多数のユーザの履歴データに基づいて決定するレコメンド方法において、
第１のアイテム群に関して、対象ユーザを含む第1のユーザ群の履歴情報を蓄積する分析基履歴データ記憶手段から第１の潜在クラス群を抽出する手順と、
第２のアイテム群に関して、第２のユーザ群の履歴情報を蓄積するレコメンド基履歴データ記憶手段から第２の潜在クラス群を抽出する手順と、
前記第１の潜在クラス群の各第１の潜在クラスと前記第２の潜在クラス群の各第２の潜在クラスとの相関を算出する手順と、
対象ユーザが帰属する第１の潜在クラスと相関の強い第２の潜在クラスに帰属するユーザの履歴情報に基づいて、前記第２のアイテム群から推薦アイテムを決定する手順とを含むことを特徴とするレコメンド方法。
前記相関を算出する手順は、
第１のユーザ群の各ユーザが各第１の潜在クラスに帰属する確率を算出する手順と、
第２のユーザ群の各ユーザが各第２の潜在クラスに帰属する確率を算出する手順と、
分析基履歴データおよびレコメンド基履歴データに共通して出現するユーザの各潜在クラスへの帰属確率に基づいて、各第１の潜在クラスと各第２の潜在クラスとの相関を求める手順とを含むことを特徴とする請求項６に記載のレコメンド方法。
前記推薦アイテムを決定する手順では、対象ユーザの帰属確率が最も高い第１の潜在クラスが、当該対象ユーザが帰属する潜在クラスとして選択されることを特徴とする請求項６に記載のレコメンド方法。
前記推薦アイテムを決定する手順では、対象ユーザが帰属する第１の潜在クラスと相関の強い第２の潜在クラスに帰属するユーザのうち、対象ユーザと属性が一致するユーザの履歴情報に基づいて推薦アイテムが決定されることを特徴とする請求項６ないし８のいずれかに記載のレコメンド方法。
前記推薦アイテムを決定する手順では、前記対象ユーザが帰属する第１の潜在クラスと相関の強い複数の第２の潜在クラスに帰属するユーザの履歴情報に基づいて推薦アイテムが決定されることを特徴とする請求項５ないし９のいずれかに記載のレコメンド方法。
請求項６ないし１０のいずれかに記載のレコメンド方法をコンピュータに実行させるためのレコメンドプログラム。
請求項１１に記載のレコメンドプログラムをコンピュータによる読み出し可能に記憶したレコメンドプログラムの記憶媒体。