JP2008293211A

JP2008293211A - アイテム推薦システム

Info

Publication number: JP2008293211A
Application number: JP2007137045A
Authority: JP
Inventors: Masaru Takeuchi; 勝竹内
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2007-05-23
Filing date: 2007-05-23
Publication date: 2008-12-04
Also published as: US20080294625A1; CN101311928A

Abstract

【課題】ユーザの嗜好と類似性が低いためユーザにとって意外性が高く，ユーザにとって有用なアイテムを推薦する。
【解決手段】アイテムを推薦するためのキーワードの集合を変更するルールをランダムに適用し，ユーザが嗜好しないキーワードの追加と嗜好するキーワードの除去を行い，その推薦結果と変更前のキーワードの集合による推薦結果を混合してユーザに提示するとともに，推薦アイテムへのユーザの評価に基づきルールの適用確率を学習する。
【選択図】図２３

Description

本発明は，ユーザに商品の購入や番組の視聴を促すための，人工知能分野における推薦（Recommendation）技術に関する。

商品や番組等のアイテムの推薦には２つの方式がある。一つは類似アイテムの推薦を行う方式であり，アイテムを特徴づけるキーワードの集合を利用して類似したアイテムをユーザに推薦する。これらは一般にコンテンツベースのアイテム推薦方式（Contents-Based Recommendation）とよばれる。もう一つは非類似アイテムの推薦を行う方式であり，キーワードの集合を利用せず，必ずしも類似していないアイテムをユーザに推薦する。代表的な手法として協調フィルタ（Collaboration Filtering）という手法がある。この方式は，推薦対象となるユーザとアイテムの選択傾向が類似した他の人たちの選択傾向を利用し，アイテムの推薦を行う。

コンテンツベースのアイテム推薦方式では，類似したアイテムを推薦するため，意外性のあるアイテムが推薦できないとされている。特許文献１及び非特許文献１は，有益性と意外性とを兼ね備えた書籍を探し当てて顧客に推薦する技術に関するものである。

特開2001-265808号公報人工知能学会研究会資料SIG-KBS-9904

前記した従来技術は，顧客が過去に購入した書籍のキーワードの集合をカテゴリー別に合成して顧客プロファイルを生成し，一方，書籍データベースを基にして書籍毎にキーワードの集合を生成し，特に異なるカテゴリー間の双方の組み合わせで，顧客プロファイルのキーワードの集合と未購入の各書籍のキーワードの集合の類似度を計算することで，有益性と意外性の双方の観点から書籍を検索する。しかしながら，あるカテゴリーのキーワードの集合を別のカテゴリーのキーワードの集合としてコンテンツベースの推薦システムに使用する場合には，類似度の高い未購入書籍をリコメンドすることはできるが，類似度の低い未購入書籍をリコメンドすることはできない。

本発明は，ユーザに対して意外性が高いアイテムを高効率で推薦することを課題とする。ここでアイテムとは，商品，書籍，ＷｅｂページやＴＶ番組のことである。また，意外性が高いとは，ユーザの嗜好を表現するキーワードの集合とアイテムの特徴を表現するキーワードの集合の類似性が低いということを意味する。さらに，高効率であるとは，推薦されたアイテムを商品購入，Ｗｅｂ閲覧，ＴＶ視聴などの行為によって，ユーザが高頻度で選択するか，あるいは，高い評価（レイティング）を高頻度で与えることである。

本発明では，ユーザの嗜好を表現するユーザ嗜好キーワード集合を推薦用キーワード集合としてアイテムの検索を行うコンテンツベースのアイテム推薦方式において，推薦用キーワード集合にユーザが嗜好していないキーワードをランダムに追加する機能と推薦用キーワード集合から一部の嗜好キーワードをランダムに除去する機能を付加する。このランダムな変更，つまり，キーワードの追加，削除は変更ルールを用いて実行される。変更ルールには，適用条件を表すコンディション部に推薦用キーワードに含まれるキーワード，ユーザプロファイル，ジャンルなどが記述され，推薦用キーワード集合への変更内容を表すアクション部には推薦用キーワード集合から削除するキーワードと追加するキーワードが記述される。さらに，変更ルールには，ルールが適用される頻度を表す重みが付与され，ユーザが推薦されたアイテムを選択するか，あるいは，高い評価（レイティング）を与えた場合，そのアイテムを検索するときに使用した変更ルールの重みは増加し，そうでない場合は減少する。変更ルールの集合は全ユーザで共有され，ランダムに，かつ，推薦，評価の機能は繰り返し実行される。

本発明によると，ユーザに対して意外性が高いアイテムを高効率で推薦することが可能となる。

推薦用キーワード集合にランダムな追加，削除を行うことでユーザが意外と感じる可能性のあるアイテムを推薦することが出来るようになる。しかしながら，キーワードを無作為あるいはランダムに削除，追加する場合は推薦の効率が悪い。このため，コンディション部に記述された推薦用キーワードに含まれるキーワード，ユーザプロファイル，ジャンルなどに応じて，アクション部の記述されたキーワードの追加，削除を行う変更ルールを用いる。変更ルールに付与された重みはユーザが変更ルールを用いて推薦されたアイテムを選択するか，あるいは，高い評価（レイティング）を与えた場合，増加するため，次にその変更ルールが適用される可能性が増えていき，そうでない変更ルールは適用される可能性が減じていく。変更ルール集合のユーザ共有により，あるユーザが選択したアイテムを生成することに寄与した変更ルールはプロファイルが類似した他のユーザに多逸するアイテム推薦においても用いられる可能性が高くなるため，その変更ルールの妥当性を他のユーザに提示することとなり，ユーザ全体として高効率な推薦を行うための変更ルールの集合を生成することが出来る。

図１に，本発明のアイテム推薦システムの全体構成を示す。本実施例のシステムは，ユーザのＷｅｂ閲覧，ＴＶ視聴履歴からユーザの嗜好するキーワードを抽出管理し，その嗜好キーワードに基づき，ユーザにアイテム（ＴＶ番組など）を推薦する。本発明のアイテム推薦システムはクライアント１０１とサーバー１０２で構成される。クライアントは演算装置１０３，記録装置１０４，入力装置１０５，出力装置１０６，及び通信装置１０７を有し，主に嗜好キーワード抽出機能１０８を実行する。クライアントと同様に，サーバーも演算装置１０９，記録装置１１０，入力装置１１１，出力装置１１２，及び通信装置１１３を有し，主に混合推薦機能１１４，評価フィードバック機能１１５，変更ルールベース更新機能１１６を実行する。

図２１に，クライアント側の機能とＤＢ（データベース）の構成を示す。クライアントはＷｅｂ閲覧，ＴＶ視聴からユーザの嗜好キーワードを抽出する嗜好キーワード抽出機能１０８，ユーザがシステムにアイテムの推薦を実行させる推薦起動機能１３０１，推薦結果を表示する推薦結果提示機能１３０８，推薦されたアイテムに対するユーザの評価を入力する評価入力機能２１０４，及び，ユーザのＷｅｂ閲覧，ＴＶ視聴に関わるキーワードを一時的に記録するキーワード記録ＤＢ９０４，クライアントのプロフィールと嗜好するキーワードを記録するクライアントＤＢ９０５を有する。なお，図中の各ＤＢは，破線で結合された機能モジュールによってデータの読み出しと書き込みが行われる。また，矢印は機能モジュール間又は機能モジュールと外部との間のデータの受け渡し関係を示す。

図２２にサーバー側の機能とＤＢの構成を示す。サーバーは，本発明の意外性のあるアイテムの推薦方式が実装される混合推薦機能１１４，ユーザの評価結果を混合推薦機能の推薦方式に反映するための評価フィードバック機能１１５，後述する変更ルールＤＢ１３１０の初期化，ルールの追加を行うための変更ルールベース追加機能１１６，及びアイテムとキーワードの関係を記録するコンテンツＤＢ１３０４，推薦に使用するキーワードと推薦されるアイテムの関係を記録する推薦一時記録ＤＢ１３０９，複数のユーザがアクセスしたＷｅｂページ，ＴＶ番組に関わる全キーワードを記録するキーワードＤＢ１３１１，キーワード追加機能２２０８，変更ルール追加支援機能２２０９を有する。なお，サーバーには複数のクライアント２２１０，２２１１が接続されている。

図２に本発明による意外性のあるアイテム推薦方式の全体処理を示す。クライアントにおける推薦起動機能の実行２０１なされると，サーバーで混合推薦機能の実行２０６がなされ，クライアントで推薦結果提示機能の実行２１２がなされる。推薦結果に対して，ユーザが推薦されたアイテムを選択するか，あるいは，アイテムに対して評価（レイティング）を行う評価入力機能の実行２１４がなされると，サーバーで評価フィードバック機能の実行２１７がなされる。

推薦起動機能の実行２０１ではユーザ名入力２０２と推薦アイテムのジャンル入力２０３がなされ，クライアントＤＢからプロファイル，該当ジャンルの嗜好キーワードを取得２０４し，サーバーへのユーザ名，プロファイル，該当ジャンルの嗜好キーワードの送信２０５をする。

混合推薦機能の実行２０６では，後述する３つの推薦機能が実行される。それらは，従来技術であるコンテンツベース推薦機能２０７，本発明で本質的な役割を果たすランダム変更推薦機能２０８，プロバイダが時事用語やスポンサーに関連する用語などを追加するキーワード追加推薦機能２０９である。これらの推薦結果は推薦結果混合機能の実行２１０において予め定められた比率で混合され，推薦結果のアイテムＩＤとアイテム名称のクライアントへの返信２１１がなされる。

推薦結果提示機能の実行２１２では，ユーザに対してアイテム名称のリスト表示２１３がなされる。評価入力機能の実行２１４では，ユーザによるアイテムの選択，評価（レイティング）２１５の評価結果がサーバーへ送信２１６され，これに基づき評価フィードバック機能の実行２１７が行われ，変更ルールＤＢの更新２１８が行われる。

図３にクライアントＤＢのデータ構成を示す。クライアントＤＢは複数人のユーザ３０１，３０２に関する情報を記録する。その内容は，ユーザを識別するユーザＩＤ３０３，ユーザが登録するユーザ名３０４とプロファイル３０５，システムが推薦に使用するジャンル別嗜好キーワード３０６からなる。本実施例では，プロファイル３０５としては性別３０７，年齢３０８，職業３０９，居住地３１０を使用するものとする。また，ジャンル別嗜好キーワードでは複数のジャンル３１１，３１２とそのジャンルにおけるユーザの嗜好する嗜好キーワード３１３，３１４が記録される。ここでジャンルにはプロバイダが定めたアイテム（ＴＶ番組）の種別，例えば，ニュース，スポーツ，料理，旅行・食べ歩き，アクションといった語句が記入される。

図４にキーワード記録ＤＢのデータ構成を示す。キーワード記録ＤＢは各ユーザのＷｅｂ閲覧，ＴＶ視聴に関わるテキストからキーワードの頻度と更新時刻に関わる情報を記録する。これらのキーワード頻度・更新情報４０１，４０２はキーワード名称４０３，最終頻度更新日４０４と前述のテキストにおける出現した全体の頻度４０５とジャンル別頻度４０６からなる。なお，ジャンル４０７，４０８は図３のクライアントＤＢに準じた値をとるものとする。

図５にコンテンツＤＢのデータ構成を示す。コンテンツＤＢはアイテム（ＴＶ番組）５０１，５０２を検索するためのデータであり，アイテムＩＤ５０３，アイテム名称５０４，その内容を示すキーワードの集合（キーワードベクトル）５０５で構成される。キーワードの集合には，ＥＰＧやインターネットＴＶガイドから取得したそのアイテムを特徴付けるキーワード５０６，５０７が記録されるものとする。

図６にキーワードＤＢのデータ構成を示す。キーワードＤＢには，図５に示したコンテンツＤＢが保持する全アイテムのキーワードの集合に関して，キーワード名称６０３とそのジャンル別の重要度６０４がキーワード情報６０１，６０２として記録される。ジャンル別重要度はジャンル６０５，６０６と重要度６０７から構成される。ここで，ジャンル別重要度はそのジャンルにおけるキーワードの出現頻度の全出現頻度に対する比率を記録するものとする。

図７に推薦一時記録ＤＢのデータ構成を示す。推薦一時記録ＤＢは推薦するアイテムと，後述するアイテムの検索に使用するキーワードの集合を変更するためのルールの対応をアイテム推薦情報７０１，７０２として記録する。アイテム推薦情報は推薦されたアイテムＩＤ７０３，変更ルールＩＤ系列７０４からなり，変更ルールＩＤ系列は複数のルールＩＤ７０５，７０６により構成される。

図８に変更ルールＤＢのデータ構成を示す。変更ルールＤＢは複数のルール８０１，８０２から構成される。各々のルールはルールＩＤ８０３，ルールの適用条件を表すコンディション８０４，適用条件が満たされたとき実行されるアクション８０５，ルールの適用される程度を示す重み８０６から構成される。コンディションはジャンル８０７，プロファイル８０８，キーワードの集合（キーワードベクトル）８０９からなり，プロファイルとしては，図３に示したクライアントＤＢ同様に，性別８１２，年齢８１３，職業８１４，居住地８１５を使用するものとする。また，アクションは追加キーワードの集合（キーワードベクトル）８１０と削除キーワードの集合（キーワードベクトル）８１１で構成される。各々のベクトルは，キーワード８１６〜８２１の集合として構成される。

更新ルールの例としては、
ルール１：If Genre(“ドラマ”) and HasKeyword(“温泉”) then
AddKeyword(“刑事”)
ルール２：If HasKeyword(“つり”) and HasKeyword(“鱒”) then
DeleteKeyword(“鱒”)
ルール３：If Genre(“ニュース”) and UserAge(“４０歳以上”) then
AddKeyword(“メタボリック症候群”)
といったものが挙げられる。ルール１はユーザが嗜好するキーワードの集合８０９に”温泉”が含まれ、”ドラマ”というジャンル８０７で推薦を行う場合、追加キーワード８１０に格納されたキーワード”刑事”を追加する更新ルールである。ルール２はユーザが嗜好するキーワードの集合８０９に”つり”と”鱒”が含まれて推薦を行う場合、削除キーワード８１１に格納されたキーワード”鱒”を削除する更新ルールである。ルール３はユーザのプロファイル８０８における年齢８１３が”４０歳以上”であり、”ニュース”というジャンル８０７で推薦を行う場合、追加キーワード８１０に格納されたキーワード”メタボリック症候群”を追加する更新ルールである。

図９〜図１２を用いて嗜好キーワード抽出機能を説明する。本発明ではユーザの嗜好をキーワードの集合として記録し，推薦に使用する。このキーワードの集合をユーザ嗜好キーワード集合とよぶ。ユーザ嗜好キーワード集合は，ユーザが閲覧したＷｅｂページや視聴したＴＶ番組のＥＰＧ（電子番組ガイド），インターネット上のＴＶガイドに高頻度で出現するキーワードの集まりである。

図９に嗜好キーワード抽出機能の構成を示す。嗜好キーワード抽出機能はユーザのＷｅｂ閲覧内容，ＴＶ視聴内容からキーワードを抽出するテキスト情報抽出機能９０１，抽出したキーワードの頻度をキーワード記録ＤＢ９０４に記録し更新するキーワード記録ＤＢ更新機能９０２，キーワード記録ＤＢの内容を解析しクライアントＤＢ９０５のユーザ嗜好キーワード集合を作成するクライアントＤＢ更新機能９０３から構成される。

図１０にテキスト情報抽出機能の処理を示す。Ｗｅｂ閲覧やＴＶ視聴といったユーザのアイテムアクセス１００１があると，それがＷｅｂへのアクセス１００２である場合はＷｅｂページを取得１００３し，それがＴＶ番組へのアクセス１００４である場合はＥＰＧデータ，インターネットＴＶガイドの取得１００５を行う。

また，ＷｅｂページにおけるGenreやCategoryといった内容を表現するタグ情報の有無を解析し，１００３，１００５で取得した情報のジャンル情報の取得１００６を試みる。１００３，１００５で取得した情報のタグを除去し，テキスト部分を取得１００７し，取得したテキストデータに対して形態素解析を行い自立語を抽出１００８する。

図１１にキーワード記録ＤＢ更新機能の処理を示す。抽出した全ての自立語１１０１に対して，図４に示したキーワード記録ＤＢにおいてキーワード名称によるマッチング１１０２を行い，マッチするキーワードが存在する場合（１１０３）は，図４のキーワード記録ＤＢにおける最終更新日を現在の日付に変更１１０４し，頻度を１加算１１０５し，ジャンル情報が取得されている場合は該当ジャンルの頻度を１加算１１０６する。マッチするキーワードが存在しない場合（１１０３）は，図４のキーワード記録ＤＢにおいてキーワード・更新情報の追加を行い（１１０７），キーワード名称の設定１１０８と，最終更新日を現在の日付での設定１１０９，頻度を１での設定１１１０，ジャンル情報が取得されている場合は該当ジャンルの頻度を１での設定１１１１を行う。なお，システム性能（処理速度と記憶容量）の確保のため，１１１２〜１１１４では一定期間出現していないキーワードを削除するものとする。

図１２にクライアントＤＢ更新機能の処理を示す。クライアントＤＢ更新機能では，はじめに，クライアントＤＢのジャンル別キーワードの削除１２０１を行い，図４のキーワード記録ＤＢの各ジャンル１２０２における高頻度上位キーワードを指定された数，クライアントＤＢのジャンル別キーワードに追加１２０３していくものとする。

図１３〜図１６を用いて混合推薦機能を説明する。推薦はユーザによる推薦ボタン押下で起動される（１３０１），先に述べたようにクライアントＤＢ９０５に記録されたジャンルに応じた嗜好キーワード集合がサーバーに送付され，これを推薦用キーワード集合とし，この推薦用キーワードが後述するランダム変更，キーワード追加による作用を受け加工され，コンテンツＤＢ１３０４とのマッチングをとりアイテムの検索１３０３が行われる。本発明では従来技術であるコンテンツベース推薦とランダム変更推薦（１３０５），キーワード追加推薦（１３０６）の推薦結果を混合し（１３０７），クライアントに送付しユーザに提示する（１３０８）。

図１４にコンテンツベース推薦の処理を示す。従来技術であるコンテンツベースの推薦では，ユーザ嗜好キーワード集合をそのまま推薦用キーワードとして使用する。つまり，推薦用キーワード集合Ａ＝該当ジャンルの嗜好キーワード集合１４０１，推薦用キーワード集合Ａによる図１３のコンテンツＤＢ１３０４におけるキーワードの集合のマッチングによるアイテム検索１４０２という過程でアイテムが推薦される。

図１５にランダム変更推薦の処理を示す。ランダム変更推薦では，意外性を出すため，推薦用キーワード集合に対して，ユーザの嗜好していないキーワードをランダムに追加し，ユーザの嗜好キーワードをランダムに削除した結果を推薦用キーワード集合として使用する。処理過程は以下のようになる。

はじめに，推薦用キーワード集合Ａを該当ジャンルの嗜好キーワード集合に設定する（１５０１）。ここで，後述する評価フィードバックのために，図１３の推薦一時記録ＤＢ１３０９に記録された変更ルール系列を削除し，初期化を行う（１５０２）。続いて，繰り返し回数などの終了条件１５０３の下でルールをランダムに適用していく。１５０４では図１３の変更ルールＤＢ１３１０から一様分布に従う乱数で等確率に１つのルールを選択する。１５０５では区間［０，１）を値域とする一様分布に従う乱数が適用頻度を表すルールの重みより小さい場合，そのルールを採択し，そうでない場合には次のルールを選択する。このランダム選択方式はバイアスドコイン方式とよばれている。採択されたルールのコンディションがマッチする場合（１５０６），つまり，図８におけるコンディション８０４が一致する場合はそのルールを適用し，キーワード集合へアクション８０５における追加キーワードの集合８１０を追加し（１５０７），削除キーワードの集合８１１を削除する（１５０８）。また，適用したルールのルールＩＤ８０を変更ルール系列へのルールＩＤに追加する（１５０９）。こうして加工を受けた推薦用キーワード集合，推薦用キーワード集合Ｂによる図１３のコンテンツＤＢ１３０４におけるキーワードの集合のマッチングによるアイテム検索を行い（１５１０），評価フィードバックのために，図１３の推薦一時記録ＤＢ１３０９にアイテムＩＤと変更ルール系列を設定する（１５１１）。

図１６にキーワード追加推薦の処理を示す。キーワード追加推薦は時事キーワードやスポンサーに関連するキーワードや話題となっているキーワードなどを追加する推薦方式であり，推薦用キーワード集合を該当ジャンルの嗜好キーワード集合に設定した後（１６０１），プロバイダによる追加キーワード集合の追加が行われ（１６０２），推薦用キーワード集合Ｃによる図１３のコンテンツＤＢ１３０４におけるキーワードの集合のマッチングによるアイテム検索１６０３という過程でアイテムが推薦される。

混合推薦方式は３種類の推薦方式，コンテンツベース推薦，ランダム変更推薦，キーワード追加推薦で構成される。このうち，ランダム変更推薦方式が意外性のあるアイテムを推薦するためのものである。

一方，コンテンツベースの推薦とキーワード追加推薦は意外性のあるアイテムを推薦するためのもではなく，意外性のあるアイテムのみの提示ではユーザにとって選択したいアイテムが存在しないという状況の発生を避けるためのものであり，これによりユーザは意外性のないアイテムと意外性のあるアイテムの中からアイテムを選択することができる。

効率的に意外性のあるアイテムを推薦するための変更ルールベースの繰り返し学習過程を図２３に示す。クライアント側で推薦起動機能１３０１が起動されると，サーバー側で混合推薦機能（ランダム変更）１１４が実行され，推薦結果をクライアントに送り，クライアント側では推薦結果提示機能１３０８が実行される。評価入力機能２１０４を介してユーザの評価がサーバー側に送られると，評価フィードバック機能１１５において後述するように変更ルールに付与された重みの学習が行われ，既存の変更ルールの重みの強化と不要な変更ルールの削除が行われる。また，新しい変更ルールの追加は変更ルールベース追加機能１１６によって行われる。変更ルールの追加，削除，重みの変更結果は，変更ルールＤＢ１３１０に反映され，次の推薦に利用される。この過程を繰り返し，変更ルールベースの学習が行われる。

図１７，図１８を用いて評価フィードバック機能を説明する。図１７に評価フィードバック機能を示す。推薦結果の提示機能１３０８によるアイテムの推薦結果に対してユーザは一部を選択するか，あるいは，評価（レイティング）を与える（２１０４）。選択あるいは評価されたアイテムは推薦一時記録ＤＢ１３０９を参照し，図１５に示したランダム変更推薦の結果であるか否かの判定，分類がなされ（評価アイテム分類機能１７０３），ランダム変更推薦の結果である場合は評価結果分配機能１７０４により，変更ルールＤＢ１３１０のルールの重みが更新される。

その処理過程を図１８に示す。ユーザによるアイテムの選択，評価（レイティング）１８０１が行われると，選択，評価されたアイテムが評価一時記録ＤＢ１３０９に存在する場合には（１８０２），変更ルールＤＢ１３１０の全変更ルール１８０３に関して重みの再設定を行う。変更ルールのうち，選択，評価されたアイテムの変更ルールＩＤ系列のルール１８０４については，予め定められた値αを用いて次式で重みを更新する（１８０５）。
重み＝min（重み＋α，1.0） (1)

そうでない場合は予め定められた値βを用いて次式で重みを更新する（１８０６）。
重み＝重み−β (2)

その結果，重みが負になった場合（１８０７）には，変更ルールを削除するものとする（１８０８）。

図２０にクライアントインターフェースを示す。１９０１で示す小さな矩形領域は情報の表示編集を行う領域である。推薦実行ボタン２００２の押下でシステムはユーザ名とジャンルからアイテム推薦を行い，結果をリスト形式で表示する（２００３）。リスト項目を選択し，視聴実行ボタン２００４を押下するとアイテムの視聴を行い，評価ボタン２００５の押下でアイテムの評価が入力される。

図２３の変更ルールベース学習過程においては変更ルールベース追加機能１１６によって，変更ルールの追加がなされる。変更ルールの追加には，２つの手法を併用する。その一つは予め定められた時間間隔でシステムがランダムに図８のジャンル８０７，性別８１２，年齢８１３，職業８１４，居住地８１５，キーワード８１６〜８２０を設定し，変更ルールを変更ルールＤＢに追加していく場合である。この手法で適用される変更ルールは適用される程度，つまり，その変更ルールを使用してユーザに推薦されたアイテムが，ユーザに選択されるか，あるいは，高い評価を受けることが少ないという欠点を有する。しかしながら，図２２の変更ルールＤＢ１３１０が全ユーザに共有されることから，一度あるユーザに選択されたアイテムに使われた変更ルールが他のユーザに再利用される可能性が高いものと想定している。逆に，図１８の変更ルールを削除１８０８する機能によって，適用される頻度が低い変更ルールは変更ルールＤＢ１３１０から削除されていく。

変更ルールの追加のいま一つの手法は，図２２の変更ルール追加支援機能２２０９によってプロバイダが新しいアイテム（ＴＶ番組）のＥＰＧやインターネットＴＶガイドを参照し，人手で図８のルール８０１を作成する場合である。例えば，「温泉殺人事件」のＥＰＧやインターネットＴＶガイドに温泉と刑事が存在している場合，温泉だけでは推薦されにくいアイテム（ＴＶ番組）が推薦できるように，コンディション８０９のキーワードとして温泉を設定し，追加キーワード８１０のキーワードとして刑事を設定するというものである。

以下では，プロバイダによる変更ルールベース構築の支援方法の一例を説明する。新しいアイテム（ＴＶ番組）に関してＥＰＧやインターネットＴＶガイドを参照し，関連するテキストデータのキーワードを抽出し，これらのキーワードのペアを生成する。キーワードのペアの数はキーワード数の自乗個あり，数が多いため，予め指定した個数をランダムに生成するものとする。生成したキーワードのペアに対して以下のようにユーザへの情報提示を行う。

生成したキーワードＡとキーワードＢのキーワードペアを（Ａ，Ｂ）とする。全ユーザに関して，図３のクライアントＤＢにおけるユーザ嗜好キーワード３１３，３１４を調べ，キーワードＡ，キーワードＢの出現頻度を計算し，その値を各々α，βとする。また，全アイテムに関して，図５のコンテンツＤＢにおけるキーワードの集合５０６，５０７を調べ，キーワードペア（Ａ，Ｂ）の出現頻度を計算し，その値をγとする。αの値が（予め定められた値より）高く，βの値が（予め定められた値より）低く，γの値が（予め定められた値より）低い場合，追加する変更ルールの候補として「if A then add(B)」を生成し，キーワードペア（Ａ，Ｂ）をユーザに提示する。αの値が高いとは，多くのユーザにとってキーワードＡがユーザ嗜好キーワードであることを，βの値が低いとは，多くのユーザにとってキーワードＢが意外性の高いキーワードであることを，γの値が低いとは，キーワードペア（Ａ，Ｂ）がそのアイテム固有であることを意味する。これにより，キーワードＡを嗜好キーワードとする多くのユーザに意外なキーワードＢを含むアイテムを推薦することができる。

さらに，キーワードの追加を行う変更ルールを追加するだけでなく，次のようにキーワードを削除する変更ルールを追加する，全アイテムに関して，図５，コンテンツＤＢにおけるキーワードの集合５０６，５０７を調べ，キーワードペア（Ａ，Ｃ）を前述のようにランダムに生成し，その出現頻度を計算し，その値をχとする。全ユーザに関して，図３のクライアントＤＢにおけるユーザ嗜好キーワードの集合３１３，３１４を調べ，キーワードペア（Ａ，Ｃ）を前述のようにランダムに生成し，その出現頻度を計算し，その値をγとする。γの値が（予め定められた値より）高い場合，削除する変更ルールの候補として「if A then delete(C)」を生成するためにキーワードペア（Ａ，Ｃ）をユーザに提示する。非常によく出現するキーワードペア（Ａ，Ｃ）に特徴付けられるアイテムの推薦を妨げることによって，キーワードＢで特徴付けられるアイテムの推薦の可能性を増加させる働きをもつ。

図２２の変更ルール追加支援機能２２０９における変更ルールベース追加支援インターフェースを図１９に示す。１９０１で示す小さな矩形領域は情報の表示編集を行う領域である。ペア生成ボタン１９０２は先に述べたアイテムを解析し，キーワードペアの生成，フィルタリング，提示を行うボタンである。結果は追加候補，削除候補として表示され，ボタン１９０３の押下でルールに反映される。また，別の，追加候補ペア，削除候補ペアの表示は前へボタン１９０４，次へボタン１９０５の押下で行うものとし，ルールは１９０６の領域に表示される。

本発明は放送，テレビシステムにおける番組やシーンの推薦，オンラインショッピングにおける商品の推薦，マーケティングにおける商品プロモーションへの利用が可能である。

意外性のあるアイテム推薦システムの全体構成の説明図。意外性のあるアイテム推薦方式の全体の処理過程。クライアントＤＢのデータ構成の説明図。キーワード記録ＤＢのデータ構成の説明図，コンテンツＤＢのデータ構成の説明図。キーワードＤＢのデータ構成の説明図。推薦一時記録ＤＢのデータ構成の説明図。変更ルールＤＢのデータ構成の説明図。嗜好キーワード抽出機能の説明図。嗜好キーワード抽出処理におけるテキスト情報抽出機能の処理過程を示すＰＡＤ図。嗜好キーワード抽出処理におけるキーワード記録ＤＢ更新機能の処理過程を示すＰＡＤ図。嗜好キーワード抽出処理におけるクライアントＤＢ更新機能の処理過程を示すＰＡＤ図。混合推薦機能の説明図。コンテンツベース推薦の処理過程を示すＰＡＤ図。ランダム変更推薦の処理過程を示すＰＡＤ図。キーワード追加推薦の処理過程を示すＰＡＤ図。評価フィードバック機能の説明図。評価フィードバック処理の処理過程を示すＰＡＤ図。変更ルールベース構築支援インターフェースの説明図。クライアントインターフェースの説明図。意外性のあるアイテム推薦システムのクライアント側の構成の説明図。意外性のあるアイテム推薦システムのサーバー側の構成の説明図。変更ルールベース学習過程の説明図。

符号の説明

１０１：クライアント
１０２：サーバー
１０８：嗜好キーワード抽出機能
１１４：混合推薦機能
１１５：評価フィードバック機能
１１６：変更ルールベース更新機能
９０４：キーワード記録ＤＢ
９０５：クライアントＤＢ
１３０４：コンテンツＤＢ
１３０９：推薦一時記録ＤＢ
１３１０：変更ルールＤＢ
１３１１：キーワードＤＢ

Claims

アクセスしたあるいは選択したアイテムに関するキーワードを抽出するキーワード抽出部，ユーザに関する情報及び前記抽出されたキーワードのうち出現頻度の高いものを記憶する記録部，及び入出力部を有し，前記記録部に記憶された複数のキーワードを送信するクライアントと，
アイテムとその内容を表すキーワードを関連づけて記憶したコンテンツデータベース，キーワード群の一部のキーワードを変更するためのルールを複数格納した変更ルールデータベース，前記クライアントから受信した複数のキーワードに前記変更ルールデータベースに格納されたルールをランダムに適用して検索用のキーワード群を作成する検索キーワード作成部，検索用のキーワード群を用いて前記コンテンツデータベースを検索する検索部，前記検索キーワード作成部によって作成された検索用のキーワード群を用いて前記検索部によって検索されたアイテムに関する情報を前記クライアントに送信する送信部を有するサーバーと
を有することを特徴とするアイテム推薦システム。
請求項１記載のアイテム推薦システムにおいて，前記ルールの中には，前記クライアントから受信した複数のキーワードに予め決められたキーワードの集合を追加するルールが含まれていることを特徴とするアイテム推薦システム。
請求項１記載のアイテム推薦システムにおいて，前記ルールの中には，前記クライアントから受信した複数のキーワードからその一部のキーワードを除去するルールが含まれていることを特徴とするアイテム推薦システム。
請求項１記載のアイテム推薦システムにおいて，前記ルールは，ユーザに関する条件を有し，前記条件が前記クライアントから受信したユーザに関する情報によって満たされているとき適用可能とされることを特徴とするアイテム推薦システム。
請求項１記載のアイテム推薦システムにおいて，前記ルールは，キーワードに関する条件を有し，前記クライアントから受信した複数のキーワードに前記条件で指定されたキーワードが含まれているとき適用可能とされることを特徴とするアイテム推薦システム。
請求項１記載のアイテム推薦システムにおいて，前記ルールには適用される程度を表す重みが付与されていることを特徴とするアイテム推薦システム。
請求項６記載のアイテム推薦システムにおいて，前記サーバは，前記クライアントによるアイテム選択及び／又は評価結果に基づいて重みを変更する機能を有することを特徴とするアイテム推薦システム。
請求項１記載のアイテム推薦システムにおいて，前記検索キーワード作成部によって作成された検索用のキーワード群を用いて前記検索部によって検索されたアイテムに関する情報と，前記クライアントから受信した複数のキーワードを検索用のキーワード群として前記検索部によって検索されたアイテムに関する情報とを混合して前記送信部から前記クライアントに送信することを特徴とするアイテム推薦システム。
請求項１記載のアイテム推薦システムにおいて，前記検索キーワード作成部によって作成された検索用のキーワード群を用いて前記検索部によって検索されたアイテムに関する情報と，前記クライアントから受信した複数のキーワードを検索用のキーワード群として前記検索部によって検索されたアイテムに関する情報と，前記クライアントから受信した複数のキーワードに予め定められたキーワードを追加したものを検索用のキーワード群として前記検索部によって検索されたアイテムに関する情報とを混合して前記送信部から前記クライアントに送信することを特徴とするアイテム推薦システム。