JP2011154591A - リコメンド装置、方法、及び、プログラム - Google Patents

リコメンド装置、方法、及び、プログラム Download PDF

Info

Publication number
JP2011154591A
JP2011154591A JP2010016336A JP2010016336A JP2011154591A JP 2011154591 A JP2011154591 A JP 2011154591A JP 2010016336 A JP2010016336 A JP 2010016336A JP 2010016336 A JP2010016336 A JP 2010016336A JP 2011154591 A JP2011154591 A JP 2011154591A
Authority
JP
Japan
Prior art keywords
user
web page
prediction model
item
storage unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2010016336A
Other languages
English (en)
Inventor
Yuki Kosaka
勇気 小阪
Toshiaki Hirose
俊亮 広瀬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Priority to JP2010016336A priority Critical patent/JP2011154591A/ja
Publication of JP2011154591A publication Critical patent/JP2011154591A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】アイテムに対してアクションを起こしたユーザに、そのアイテムに関連があるアイテムをリコメンドできるリコメンド装置を提供する。
【解決手段】予測モデル学習手段１１は、パラメータ記憶部１５から予測モデルのパラメータを読み出し、読み出したパラメータと、複数のユーザのアイテムに対するアクションの履歴を示すシーケンスデータとに基づき、シーケンスデータにおけるユーザがアクションを起こしたアイテムの順序と、リンクの密接度合いで表現されたアイテム間の関連性との双方を考慮して予測モデルを学習する。予測手段１２は、学習された予測モデルのパラメータと、リコメンド対象のユーザのシーケンスデータとに基づいて、リコメンド対象のユーザが次にアクションを起こすアイテムを予測する。リコメンド手段１３は、予測されたアイテムに基づいて、ユーザにリコメンドするアイテムを決定する。
【選択図】図１

Description

本発明は、リコメンド装置、方法、及び、プログラムに関し、更に詳しくは、ユーザのアイテムに対するアクションの履歴を用いて、ユーザにリコメンドするアイテムを決定するリコメンド装置、方法、及び、プログラムに関する。
リコメンド装置は、ユーザに対してアイテムをリコメンドする装置である。リコメンド装置は、ユーザのアイテムに対するアクションの履歴を用いて、ユーザにリコメンドするアイテムを決定する。リコメンド技術は、Ｗｅｂページのリコメンドや、商品のリコメンドなど、様々な分野で利用されている。リコメンドするアイテムがＷｅｂページの場合、リコメンド装置は、ユーザが訪れたＷｅｂページの訪問履歴から、ユーザが次に訪れるＷｅｂページを予測し、そのＷｅｂページをユーザにリコメンドする。リコメンド装置を用い、ユーザに対して予測したＷｅｂページをリコメンドすることで、ユーザは次に訪れるＷｅｂページに迅速にアクセスすることができ、ユーザの利便性が向上する。
非特許文献１及び非特許文献２は、リコメンド技術が記載された文献である。非特許文献１及び非特許文献２に記載のリコメンド装置は、蓄積されたユーザのＷｅｂページ訪問履歴から、Ｗｅｂページ間の遷移をマルコフモデルで学習する。リコメンド装置は、ユーザがポータルサイトを訪れると、学習したマルコフモデルを用いて、次にどのＷｅｂページを訪れるかを予測する。リコメンド装置は、予測したＷｅｂページをユーザに推薦する。ユーザは、推薦されたＷｅｂページを迅速に訪問することができので、ユーザの利便性を向上させることができる効果がある。ポータルサイトを訪れたユーザが、いつ、どのＷｅｂページを訪れたかは、ポータルサイトのＷｅｂサーバに蓄積されている。
非特許文献１及び非特許文献２に記載のリコメンド装置は、主に、ユーザが訪れた各Ｗｅｂページの訪問回数と、Ｗｅｂページから次のＷｅｂページを訪れた遷移の回数との特徴を学習する。言い換えれば、非特許文献１及び非特許文献２では、学習モデルに、蓄積されたユーザのＷｅｂページ訪問履歴の各Ｗｅｂページの頻度と遷移の頻度とを学習するモデルを用いている。このモデルは、過去に多くのユーザが連続して訪れるＷｅｂページ間の遷移確率は高くなり、連続して訪れるユーザの数が少ないＷｅｂページ間の遷移確率は低くなる。このようなモデルを用いて、あるＷｅｂページを訪問したユーザに対し、次に訪れるＷｅｂページを予測すると、過去に多くのユーザが訪れたＷｅｂページをユーザに推薦することができる。
Link prediction and path analysis using Markov chains, Sarukkai, R.R , WWW9, 2000 Using Markov Chains for Link Prediction in Adaptive Web Sites, Jianhan Zhu, Jun Hong, and John G. Hughes , LNCS 2002 Kernel Trick Embedded Gaussian Mixure Model, Jingdong Wang and Jianguo Lee and Changshui Zhang, In Lecture Notes in Artificial Intelligence, 2003
非特許文献１及び非特許文献２に記載された手法では、過去に多くのユーザがＷｅｂページや連続して訪れたＷｅｂページなど、ユーザの訪問頻度が高いＷｅｂページを、ユーザが次に訪れるＷｅｂページとして、そのユーザに推薦できる。しかしながら、ユーザは、訪問頻度が高いＷｅｂページを欲しているとは限らない。例えば、ユーザは、今訪れているＷｅｂページに関連した情報を求めていることもあり、その場合に訪問頻度が高いＷｅｂページを推薦しても、ユーザの利便性は向上しない。ユーザの利便性向上のためには、過去に多くのユーザが訪れたＷｅｂページや連続した訪れたＷｅｂページばかりでなく、今訪れているＷｅｂページと関連する内容のＷｅｂページを推薦することが実用上重要である。
訪問頻度が高いＷｅｂページと関連する内容のＷｅｂページとが一致する場合もある。しかし、近年のポータルサイトは、どのページからも「ポータルサイトのトップページ」を訪れることができるなど、関連しないページへの頻度が高い。例えば、蓄積されたユーザのＷｅｂページ訪問履歴に、「アニメ」の特集ページを訪れた後に、「ポータルサイトのトップページ」のページを訪れた履歴が多くあり、特集ページに関連のある別の「アニメ」のページを訪れた履歴が少ない場合を考える。この場合、非特許文献１及び非特許文献２の手法では、「アニメ」の特集ページの次に「ポータルサイトのトップページ」を訪れると予測するモデルを学習する。
非特許文献１及び非特許文献２の手法では、上記の学習を行う結果、「アニメ」の特集ページを訪れたユーザに、「ポータルサイトのトップページ」を推薦することになる。しかし、「アニメ」の特集ページの次に、「ポータルサイトのトップページ」ではなく、別の「アニメ」のページを推薦すると、ユーザの利便性を高められる場合もある。非特許文献１及び非特許文献２の手法では、ユーザのＷｅｂページ訪問履歴に、訪問した「アニメ」の特集ページに関連のある別の「アニメ」のページを訪れた履歴が少ない場合は、ユーザに別の「アニメ」のページを推薦することができず、ユーザの利便性向上を図ることができないという問題がある。
本発明は、上記の問題点を解消し、アイテムに対するアクションの頻度が低い場合でも、アイテムに対してアクションを起こしたユーザに、そのアイテムに関連があるアイテムをリコメンドできるリコメンド装置、方法、及び、プログラムを提供することを目的とする。
本発明は、上記目的を達成するために、ユーザがあるアイテムに対してアクションを起こしたとき、次にアクションを起こすアイテムが特定のアイテムである確率を表す予測モデルのパラメータをパラメータ記憶部から読み出し、該読み出したパラメータと、複数のユーザのアイテムに対するアクションの履歴を示すシーケンスデータとに基づき、前記シーケンスデータにおけるユーザがアクションを起こしたアイテムの順序と、リンクの密接度合いで表現されたアイテム間の関連性との双方を考慮して前記予測モデルを学習し、該学習した予測モデルのパラメータを前記パラメータ記憶部に記憶する予測モデル学習手段と、前記パラメータ記憶部から前記パラメータを読み出し、該読み出したパラメータと、リコメンド対象のユーザのシーケンスデータとに基づいて、リコメンド対象のユーザが次にアクションを起こすアイテムを予測する予測手段と、前記予測されたアイテムに基づいて、ユーザにリコメンドするアイテムを決定するリコメンド手段とを備えるリコメンド装置を提供する。
本発明は、ユーザから、閲覧を希望するＷｅｂページのリクエストを受け付け、該受け付けたリクエストをユーザリクエスト記憶部に記憶するリクエスト受付手段と、前記リクエストを行ったユーザの過去のＷｅｂページ訪問履歴を前記リクエスト記憶部から読み出す読み出し手段と、ユーザがあるＷｅｂページを閲覧しているとき、次にユーザが閲覧するＷｅｂページが特定のＷｅｂページである確率を表す予測モデルであって、複数のユーザのＷｅｂページ訪問履歴におけるユーザが閲覧したＷｅｂページの順序と、リンクの密接度合いで表現されたＷｅｂページ間の関連性との双方を考慮して学習された予測モデルのパラメータをパラメータ記憶部から読み出し、該読み出したパラメータと、前記リクエストを行ったユーザの過去のＷｅｂページ訪問履歴とに基づいて、ユーザが次に訪問するＷｅｂページを予測する予測手段と、前記予測手段で予測されたＷｅｂページに基づいて、ユーザにリコメンドするＷｅｂページを決定するリコメンド手段と、Ｗｅｂページを記憶するＷｅｂページ記憶部から、前記ユーザがリクエストしたＷｅｂページと、前記リコメンド手段が決定したＷｅｂページに関する情報とを読み出し、前記リクエストを行ったユーザに配信するＷｅｂページ配信手段とを備えるリコメンドシステムを提供する。
本発明は、ユーザがあるアイテムに対してアクションを起こしたとき、次にアクションを起こすアイテムが特定のアイテムである確率を表す予測モデルのパラメータをパラメータ記憶部から読み出すステップと、前記読み出したパラメータと、複数のユーザのアイテムに対するアクションの履歴を示すシーケンスデータとに基づき、前記シーケンスデータにおけるユーザがアクションを起こしたアイテムの順序と、リンクの密接度合いで表現されたアイテム間の関連性との双方を考慮して前記予測モデルを学習し、該学習した予測モデルのパラメータを前記パラメータ記憶部に記憶するステップと、前記パラメータ記憶部から前記パラメータを読み出し、該読み出したパラメータと、リコメンド対象のユーザのシーケンスデータとに基づいて、リコメンド対象のユーザが次にアクションを起こすアイテムを予測するステップと、前記予測したアイテムに基づいて、ユーザにリコメンドするアイテムを決定するステップとを有するリコメンド方法を提供する。
本発明は、コンピュータに、ユーザがあるアイテムに対してアクションを起こしたとき、次にアクションを起こすアイテムが特定のアイテムである確率を表す予測モデルのパラメータをパラメータ記憶部から読み出す処理と、前記読み出されたパラメータと、複数のユーザのアイテムに対するアクションの履歴を示すシーケンスデータとに基づき、前記シーケンスデータにおけるユーザがアクションを起こしたアイテムの順序と、リンクの密接度合いで表現されたアイテム間の関連性との双方を考慮して前記予測モデルを学習し、該学習した予測モデルのパラメータを前記パラメータ記憶部に記憶する処理と、前記パラメータ記憶部から前記パラメータを読み出し、該読み出したパラメータと、リコメンド対象のユーザのシーケンスデータとに基づいて、リコメンド対象のユーザが次にアクションを起こすアイテムを予測する処理と、前記予測されたアイテムに基づいて、ユーザにリコメンドするアイテムを決定する処理とを実行させるプログラムを提供する。
本発明のリコメンド装置、方法、及び、プログラムは、アイテムに対するアクションの頻度が低い場合でも、アイテムに対してアクションを起こしたユーザに、そのアイテムに関連があるアイテムをリコメンドすることができる。
本発明のリコメンド装置の概略構成を示すブロック図。 本発明のリコメンドシステムの概略構成を示すブロック図。 本発明の一実施形態のリコメンドシステムを示すブロック図。 ユーザ端末を示すブロック図。 Ｗｅｂサーバを示すブロック図。 リコメンド装置を示すブロック図。 予測モデル学習の動作を示すシーケンス図。 コンテンツ訪問履歴の具体例を示す図。 リコメンドページ決定の動作を示すシーケンス図。 リコメンドページへのリンクを付け加えたＷｅｂページを示す図。
本発明の実施形態の説明に先立って、本発明の概要を説明する。図１は、本発明のリコメンド装置の概略構成を示している。リコメンド装置１０は、予測モデル学習手段１１と、予測手段１２と、リコメンド手段１３とを有する。リコメンド装置１０は、パラメータ記憶部１５を参照して処理を行う。パラメータ記憶部１５は、ユーザがあるアイテムに対してアクションを起こしたとき、次にアクションを起こすアイテムが特定のアイテムである確率を表す予測モデルのパラメータを記憶する。ここで、アイテムとしては、例えば、Ｗｅｂページや商品などが考えられ、アイテムに対するアクションとしては、例えばＷｅｂページの閲覧や商品の購入などが考えられる。なお、パラメータ記憶部１５は、リコメンド装置１０の内部にあっても、外部にあってもよい。
予測モデル学習手段１１は、パラメータ記憶部１５から予測モデルのパラメータを読み出し、読み出したパラメータと、複数のユーザのアイテムに対するアクションの履歴を示すシーケンスデータとに基づき、シーケンスデータにおけるユーザがアクションを起こしたアイテムの順序と、リンクの密接度合いで表現されたアイテム間の関連性との双方を考慮して予測モデルを学習する。シーケンスデータは、例えばアイテムがＷｅｂページであればＷｅｂページの訪問履歴とすることができ、アイテムが商品であれば商品の購入履歴とすることができる。予測モデル学習手段１１は、学習した予測モデルのパラメータをパラメータ記憶部１５に記憶する。
予測手段１２は、パラメータ記憶部１５から予測モデルのパラメータを読み出す。予測手段１２は、読み出したパラメータと、リコメンド対象のユーザのシーケンスデータとに基づいて、リコメンド対象のユーザが次にアクションを起こすアイテムを予測する。予測手段１２は、例えばリコメンド対象のユーザのＷｅｂページ訪問履歴と、読み出したパラメータ（予測モデル）とに基づいて、ユーザが次にどんなＷｅｂページを閲覧するかを予測する。リコメンド手段１３は、予測手段１２で予測されたアイテムに基づいて、ユーザにリコメンドするアイテムを決定する。
本発明のリコメンド装置１０では、予測モデル学習手段１１は、複数のユーザがアクションを起こしたアイテムの順序と、リンクの密接度合いで表現されたアイテム間の関連性との双方を考慮して予測モデルを学習する。予測手段１２は、予測モデル学習手段１１で学習された予測モデル（パラメータ）を用いて、ユーザが次にアクションを起こすアイテムを予測する。本発明では、アイテム間の関連性をリンクの密集度合いで表現し、各ページの関連性と、シーケンスデータとして蓄積されたアクションの履歴における各アイテムの頻度及びアイテム間の遷移の頻度の特徴とから、次にユーザがアクションを起こすアイテムを予測する。このように予測したアイテムに基づいて、ユーザにリコメンドするアイテムを決定することで、頻度が高いアイテムだけでなく、ユーザがアクションを起こしたアイテムに関連があるアイテムを、ユーザにリコメンドすることができる。
図２は、本発明のリコメンドシステムの概略構成を示している。リコメンドシステム２０は、リクエスト受付手段２１と、読み出し手段２２と、予測手段２３と、リコメンド手段２４と、Ｗｅｂページ配信手段２５とを有する。リクエスト受付手段２１は、ユーザから、閲覧を希望するＷｅｂページのリクエストを受け付ける。リクエスト受付手段２１は、受け付けたリクエストをユーザリクエスト記憶部２６に記憶する。ユーザリクエスト記憶部２６は、リコメンドシステムの内部にあっても、外部にあってもよい。読み出し手段２２は、リクエストを行ったユーザの過去のＷｅｂページ訪問履歴を、ユーザリクエスト記憶部２６から読み出す。
パラメータ記憶部２７は、予測モデルのパラメータを記憶する。ここで、予測モデルは、ユーザがあるＷｅｂページを閲覧しているとき、次にユーザが閲覧するＷｅｂページが特定のＷｅｂページである確率を表すモデルである。予測モデルは、予測モデルの学習を行う手段（予測モデル学習手段）が、複数のユーザのＷｅｂページ訪問履歴におけるユーザが閲覧したＷｅｂページの順序と、リンクの密接度合いで表現されたＷｅｂページ間の関連性との双方を考慮して学習することで生成される。パラメータ記憶部２７は、リコメンドシステム２０の内部にあっても、外部にあってもよい。また、リコメンドシステム２０は、予測モデル学習手段を備えていてもよい。
予測手段２３は、パラメータ記憶部２７から、予測モデルのパラメータを読み出す。予測手段２３は、読み出したパラメータと、読み出し手段２２が読み出したＷｅｂページ訪問履歴とに基づいて、ユーザが次に訪問するＷｅｂページを予測する。リコメンド手段２４は、予測手段２３で予測されたＷｅｂページに基づいて、ユーザにリコメンドするＷｅｂページを決定する。Ｗｅｂページ記憶部２８は、Ｗｅｂページを記憶する。Ｗｅｂページ配信手段２５は、Ｗｅｂページ記憶部２８から、ユーザがリクエストしたＷｅｂページと、リコメンド手段２４が決定したＷｅｂページに関する情報とを読み出す。Ｗｅｂページ配信手段２５は、リクエストを行ったユーザに、リクエストされたＷｅｂページと、リコメンドするＷｅｂページに関する情報とを配信する。
本発明のリコメンドシステムでは、予測手段２３は、複数のユーザのＷｅｂページ訪問履歴におけるＷｅｂページの閲覧順序と、リンク（ハイパーリンク）の密接度合いで表現されたＷｅｂページ間の関連性との双方を考慮した予測モデル（パラメータ）を用いて、ユーザが次に閲覧するＷｅｂページを予測する。本発明では、Ｗｅｂページ間の関連性をリンクの密集度合いで表現し、各Ｗｅｂページの関連性と、Ｗｅｂページ訪問履歴における各Ｗｅｂページの頻度及びＷｅｂページ間の遷移の頻度の特徴とから、次にユーザが閲覧するＷｅｂページを予測する。このように予測したＷｅｂページに基づいて、ユーザにリコメンドするＷｅｂページを決定することで、閲覧頻度や遷移の頻度が高いＷｅｂページアイテムだけでなく、ユーザが閲覧したＷｅｂページに関連があるＷｅｂページを、ユーザにリコメンドすることができる。
以下、図面を参照し、本発明の実施の形態を詳細に説明する。図３は、本発明の一実施形態に係るリコメンドシステムを示している。リコメンドシステムは、Ｗｅｂサーバ１０３とリコメンド装置１０４とを含む。ユーザ端末１０１は、ユーザに対して入出力のインターフェースを提供する。ユーザ端末１０１は、インターネット１０２を介して、Ｗｅｂサーバ１０３に所望のページをリクエストする。Ｗｅｂサーバ１０３は、ユーザからのリクエストの履歴（ページ訪問履歴）を保持する。
リコメンド装置１０４は、ユーザのページ訪問履歴に基づいて、予測モデルを学習する。また、リコメンド装置１０４は、予測モデルを用いて、ユーザにリコメンドするＷｅｂページを決定する。Ｗｅｂサーバ１０３は、ユーザがリクエストしたＷｅｂページと、リコメンド装置１０４が決定したページ（リコメンドページ）に関する情報とを、ユーザ端末１０１へ配信する。
図４は、ユーザ端末１０１の構成を示している。ユーザ端末１０１は、例えば携帯電話機やパーソナルコンピュータなどの情報処理装置である。ユーザ端末１０１は、プログラム制御で動作する。ユーザ端末１０１は、Ｗｅｂページリクエスト手段２０１と、Ｗｅｂページ表示手段２０２とを有する。
Ｗｅｂページリクエスト手段２０１は、ユーザが訪問したいＷｅｂページを、Ｗｅｂサーバ１０３へリクエストする。例えば、Ｗｅｂページリクエスト手段２０１は、ユーザがスポーツのコンテンツを訪問したい場合は、Ｗｅｂサーバ１０３へスポーツのコンテンツをリクエストする。Ｗｅｂページ表示手段２０２は、Ｗｅｂサーバ１０３が配信するコンテンツ（Ｗｅｂページ）を表示する。
図５は、Ｗｅｂサーバ１０３の構成を示している。Ｗｅｂサーバ１０３は、プログラム制御で動作するサーバシステム（コンピュータシステム）である。Ｗｅｂサーバ１０３は、Ｗｅｂページ配信手段３０１、ユーザリクエスト記憶部３０２、Ｗｅｂページ記憶部３０３、リコメンドページ選択手段３０４、リクエスト受付手段３０６、読み出し手段３０７、出力手段３０８、及び、入力手段３０９を有する。
リクエスト受付手段３０６は、ユーザから、閲覧を希望するＷｅｂページのリクエストを受け付ける。ユーザリクエスト記憶部３０２は、ユーザからのＷｅｂページに対するリクエストの履歴を記憶する。ユーザリクエスト記憶部３０２は、ユーザが、どのような順序でＷｅｂページを訪問したかを示すＷｅｂページ訪問履歴を、履歴情報として記憶する。リクエスト受付手段３０６は、ユーザからのリクエストを受け付けると、受け付けたリクエストをユーザリクエスト記憶部３０２に記憶する。
読み出し手段３０７は、ユーザリクエスト記憶部３０２からＷｅｂページ訪問履歴を読み出す。出力手段３０８は、Ｗｅｂページ訪問履歴を、リコメンド装置１０４へ出力する。リコメンド装置１０４は、出力手段３０８から出力されたＷｅｂページ訪問履歴を用いて、予測モデルを学習し、ユーザにリコメンドすべきＷｅｂページを決定する。入力手段３０９は、リコメンド装置１０４から、ユーザに対してリコメンドすべきＷｅｂページの識別情報を含むリコメンド結果を受け取る。
Ｗｅｂページ記憶部３０３は、ユーザに対して配信すべきＷｅｂページを記憶する。リコメンドページ選択手段３０４は、入力手段３０９を介して、リコメンド装置１０４からリコメンド結果を受け取る。リコメンドページ選択手段３０４は、Ｗｅｂページ記憶部３０３から、ユーザがリクエストしたＷｅｂページを読み出す。また、リコメンドページ選択手段３０４は、Ｗｅｂページ記憶部３０３から、リコメンド結果に含まれるリコメンドページに関する情報を読み出す。Ｗｅｂページ配信手段３０１は、ユーザからリクエストされたＷｅｂページと、リコメンドページに関する情報とを、リクエスト元のユーザのユーザ端末１０１へ配信する。
図６は、リコメンド装置１０４の構成を示している。リコメンド装置１０４は、プログラム制御で動作するサーバシステム（コンピュータシステム）である。リコメンド装置１０４は、予測モデル学習手段４０２、予測手段４０３、記憶部４０４、入力手段４０５、出力手段４０６、及び、リコメンド手段４０７を備える。なお、リコメンド装置１０４とＷｅｂサーバ１０３とは個別の装置として構成されている必要はなく、これらは、同じサーバ上に構成されていてもよい。
入力手段４０５は、Ｗｅｂサーバ１０３から、ユーザのＷｅｂページ訪問履歴を受け取る。予測モデル学習手段４０２は、入力手段４０５を介して、複数のユーザのＷｅｂページ訪問履歴を入力し、予測モデルを学習する。ここで、予測モデルは、ユーザがあるＷｅｂページを閲覧しているとき、次にユーザが閲覧するＷｅｂページが特定のＷｅｂページである確率を表すモデルである。記憶部（パラメータ記憶部）４０４は、予測モデルのパラメータを記憶する。予測モデル学習手段４０２は、複数のユーザのＷｅｂページ訪問履歴と、記憶部４０４に記憶された予測モデルのパラメータとに基づき、Ｗｅｂページ訪問履歴におけるユーザが閲覧したＷｅｂページの順序と、リンクの密接度合いで表現されたＷｅｂページ間の関連性との双方を考慮して予測モデルを学習する。
予測モデル学習手段４０２は、リンク構造を表現するKernel法を用いて得られるＷｅｂページ間の密接度合いを表すモデルと、複数のユーザのＷｅｂページ閲覧順序を表す隠れマルコフモデル（ＨＭＭ：Hidden Markov Models）とを統合して予測モデルを構築し、構築した予測モデルを学習する。予測モデル学習手段４０２は、予測モデルの学習では、ユーザがあるＷｅｂページを訪問したとき、そのＷｅｂページとリンク構造が密接するＷｅｂページをユーザが次に閲覧する確率を、そのＷｅｂページとリンク構造が密接しないＷｅｂページをユーザが次に閲覧する確率よりも高くする。予測モデル学習手段４０２は、学習した予測モデルのパラメータを記憶部４０４に記憶する。
予測手段４０３は、入力手段４０５を介して、Ｗｅｂページの閲覧をリクエストしたユーザの過去のＷｅｂページ訪問履歴を入力する。予測手段４０３は、記憶部４０４から、予測モデルのパラメータを読み出し、読み出したパラメータと、Ｗｅｂページの閲覧をリクエストしたユーザの過去のＷｅｂページ訪問履歴とに基づいて、ユーザが次に訪問するＷｅｂページを予測する。リコメンド手段４０７は、予測手段４０３で予測されたＷｅｂページに基づいて、ユーザにリコメンドするＷｅｂページを決定する。リコメンド手段４０７は、決定したＷｅｂページを識別する情報を含むリコメンド結果を、出力手段４０６を介して、Ｗｅｂサーバ１０３へ出力する。
なお、図６では、同じリコメンド装置１０４上で、予測モデルの学習と、学習した予測モデルを用いたリコメンドページの決定とを行っているが、これらは別個の装置で行ってもよい。すなわち、予測モデル学習手段４０２を有する装置（モデル学習装置）と、予測手段４０３及びリコメンド手段４０７を有する装置（リコメンド装置）とを分けることも可能である。予測モデルのパラメータを記憶するパラメータ記憶部は、モデル学習装置とリコメンド装置との双方に設けられていてもよく、或いは、モデル学習装置とリコメンド装置とで、共通のパラメータ記憶部を用いてもよい。
本実施形態の動作は、大きく分けて、予測モデルの学習処理と、学習した予測モデルを用いてユーザにＷｅｂページをリコメンドする処理との２つがある。まず、予測モデルの学習の処理の手順を説明する。図７は、予測モデル学習の動作を示すシーケンス図である。Ｗｅｂサーバ１０３の読み出し手段３０７（図５）は、ユーザリクエスト記憶部３０２から、過去にリクエストを送信したことがある複数のユーザのＷｅｂページ訪問履歴を読み出す（ステップＡ１）。読み出し手段３０７は、例えばユーザからのリクエストがあったとき、当該ユーザを含む複数のユーザのＷｅｂページ訪問履歴を読み出す。或いは、読み出し手段３０７は、ユーザリクエスト記憶部３０２にある程度の履歴が溜まったときに、複数のユーザのＷｅｂページ訪問履歴を読み出してもよい。
図８は、Ｗｅｂページ訪問履歴の具体例を示している。Ｗｅｂページ訪問履歴は、各ユーザが閲覧したＷｅｂページのＵＲＬ（Uniform Resource Locator）を、閲覧順に並べたシーケンスデータである。例えば、ユーザＡのＷｅｂページ訪問履歴は、ユーザＡが、スポーツ（http://sports）、アニメ（http://anime）、ニュース（http://news）の順で、Ｗｅｂページを閲覧したことを示している。読み出し手段３０７は、ステップＡ１では、各ユーザのＷｅｂページ訪問履歴を読み出す。
読み出し手段３０７は、出力手段３０８を介して、リコメンド装置１０４へ、読み出した複数ユーザのＷｅｂページ訪問履歴を出力する（ステップＡ２）。リコメンド装置１０４の予測モデル学習手段４０２（図６）は、入力手段４０５を介して、複数ユーザのＷｅｂページ訪問履歴を受け取る。予測モデル学習手段４０２は、予測モデルのパラメータを記憶部４０４から読み出す（ステップＡ３）。予測モデル学習手段４０２は、まだ一度も予測モデルを学習していないとき、つまり、学習済みの予測モデルのパラメータが記憶部４０４に記憶されていないときは、記憶部４０４からパラメータの初期値を読み出すものとする。
予測モデル学習手段４０２は、Ｗｅｂページ訪問履歴と、記憶部４０４から読み出したパラメータとを用いて、予測モデルを学習する（ステップＡ４）。予測モデル学習手段４０２は、学習した予測モデルのパラメータを記憶部４０４に記憶する（ステップＡ５）。
本実施形態では、予測モデル学習手段４０２は、予測モデルに隠れマルコフモデルを用いる。隠れマルコフモデルは、シーケンスデータを、データの発生モデルを持つ隠れ状態の遷移として表現するデータモデルである。ここで、“隠れ”という用語は、実際には観測できないことを意味する。隠れマルコフモデルは、実際には観測されていない隠れ状態が遷移することで、シーケンスデータが生成されると仮定したモデルである。隠れマルコフモデルは、文字認識、自然言語処理、音声認識、動作認識など、幅広く利用されている。隠れマルコフモデルでは、データをシンボルの列として表現する。本実施形態の場合、各シンボルは、Ｗｅｂページを表す。
予測モデル学習手段４０２が読み出し手段３０７から受け取る複数ユーザのＷｅｂページ訪問履歴（入力データ）をＸとする。ユーザ数をＭとし、各ユーザのＷｅｂページ訪問履歴をＸｉ（ｉ＝１〜Ｍ）とすると、Ｘ＝（Ｘ１，．．．．，ＸＭ）である。Ｘｉは、ｉ番目のユーザのＷｅｂページ訪問履歴を表す。各ユーザのＷｅｂページ訪問履歴は、各ユーザが訪問したＷｅｂページを時系列で並べたシーケンスデータである。Ｘ１はＸ１＝ｘ１１，ｘ１２，ｘ１３，．．．で表される。例えば、ユーザが、「アニメ」、「ニュース」、「天気予報」の順にＷｅｂページをリクエストしたとすれば、ｘ１１＝「アニメ」のＷｅｂページ、ｘ１２＝「ニュース」のＷｅｂページ、ｘ１３＝「天気予報」のＷｅｂページとなる。
隠れマルコフモデルは、下記式１でモデル化する統計モデルである。
Figure 2011154591
 Ｍは、ユーザ数、つまり、シーケンスデータの数をわらし、Ｎｍは、ｍ番目のシーケンスデータの長さを表す。Ｋは、ＨＭＭの混合数である。ＨＭＭを混合しない場合は、Ｋ＝１とする。Ｘ＝｛Ｘ１，・・・，ＸＭ｝は、シンボル列を表す。Ｘｍは、ｍ番目のシンボル列を表す。ｘｍｎは、ｍ個目のシーケンスデータのｎ個目のシンボルを表す。Ｓｋは、コンポーネントｋ番目の隠れ状態集合を表す。Ｓ＝｛Ｓ１，・・・，Ｓｋ｝である。ここで、コンポーネントとは、モデルの混合番号である。
πｋは、各コンポーネントの混合確率を表す。０≦πｋ≦１であり、
Figure 2011154591
 である。ｚは、ｋ次元の２値の確率変数であり、ｚｍｋ∈｛０，１｝である。Ｐ（ｚｍｋ＝１）＝πｋであり、
Figure 2011154591
 である。ｚは、indicator functionと呼ばれる。Ｚは、ｚの集合を表す。ｓ１ ｋは、コンポーネントｋ番目の時刻１における隠れ状態を表す。ｓｎ ｋは、コンポーネントｋ番目の時刻ｎにおける隠れ状態を表す。γｉ ｋ≡Ｐ（ｓ１ｉ＝１）は、時刻１のときに隠れ状態がｉの確率を表す。Γｋは、γｉ ｋを要素に持つ集合であり、ｋ番目のコンポーネントのΓを表す。ここで、
Figure 2011154591
 である。。
Ａｋは、コンポーネントｋ番目の隠れ変数の遷移確率のパラメータを表す。Ｐ（ｓｎ ｋ｜Ｓｎ−１ ｋ，Ａｋ）Ｚｍｋは、パラメータＡｋのもと、ｋ番目のコンポーネントの、ｎ−１個目の隠れ状態からｎ個目の隠れ状態への遷移確率を表す。Ｂｋは、コンポーネントｋ番目のシンボルの生起確率のパラメータを表す。Ｐ（ｘｍｎ｜Ｓｎ ｋ，Ｂｋ）Ｚｍｋは、パラメータＢｋのもと、ｋ番目のコンポーネントにおいて、ｎ個目の隠れ状態から、ｍ個目のシーケンスデータのｎ個目のシンボルが生起した確率を表す。
通常のＨＭＭでは、複数のユーザのＷｅｂページの閲覧順序をモデル化することができるものの、リンクの密接度合いで表現される各Ｗｅｂページ間の関連性も併せてモデル化することは困難である。本実施形態では、予測モデルに、複数のユーザのＷｅｂページの閲覧順序と、リンク（ハイパーリンク）の密接度合いで表現された各Ｗｅｂページ間の関連性との双方を考慮し、ユーザが次に訪れる確率が高いＷｅｂページを予測する予測モデルを用いる。このような予測モデルを得るために、本実施形態では、ＨＭＭのＰ（ｘｍｎ｜Ｓｎ ｋ，Ｂｋ）Ｚｍｋに、リンク構造を表現するカーネル関数を導入する。そのようなＨＭＭを用いることで、複数のユーザのＷｅｂページの閲覧順序と、リンクの密接度合いで表現される各Ｗｅｂページ間の関連性との両方を合わせた予測モデルが得られる。
以下では、Ｐ（ｘｍｎ｜Ｓｎ ｋ，Ｂｋ）ＺｍｋにCommute Time Kernelを導入する例を説明する。ただし、この部分は、リンク構造を表現するカーネル関数であればよく、その他のKernelを導入することも可能である。例えば、Ｐ（ｘｍｎ｜Ｓｎ ｋ，Ｂｋ）Ｚｍｋに、Diffusion Kernelを導入してもよい。
Commute Time Kernelは、グラフラプラシアンの擬似逆行列として定義できる。グラフラプラシアンは、Ｒ×Ｒの行列である。Ｒは、Ｘ＝｛Ｘ１，・・・，ＸＭ｝に含まれるＷｅｂページの種類の数を表す。グラフラプラシアンの例を下記式２に示す。
Figure 2011154591
 上記式２において、グラフラプラシアンの各行及び各列は、それぞれＷｅｂページ１〜Ｗｅｂページ３に対応している。グラフラプラシアンの１行目は、Ｗｅｂページ１とＷｅｂページ２、及び、Ｗｅｂページ１とＷｅｂページ３のそれぞれにリンクがある旨を示している。１行１列目には、Ｗｅｂページ１とリンクでつながるＷｅｂページの総数にマイナスをかけた値が入る。グラフラプラシアンの２行目は、Ｗｅｂページ２とＷｅｂページ１とにリンクがあることを表す。２行２列目には、Ｗｅｂページ２とリンクでつながるＷｅｂページの総数にマイナスをかけた値が入る。グラフラプラシアンの３行目は、Ｗｅｂページ３とＷｅｂページ１とにリンクがあることを表す。３行３列目には、Ｗｅｂページ３とリンクでつながるＷｅｂページの総数にマイナスをかけた値が入る。
本実施形態では、ユーザがあるＷｅｂページを訪問した後に、別のＷｅｂページを訪問したとき、そのあるＷｅｂページと別のＷｅｂページとにリンクがあるとしている。例えば、ユーザがＷｅｂページ１の次にＷｅｂページ２を訪れた場合に、Ｗｅｂページ１とＷｅｂページ２とにリンクがあるとした。予測モデル学習手段４０２は、Ｘ＝｛Ｘ１，・・・，ＸＭ｝のシーケンスデータ中にＷｅｂページが連続していれば、連続したＷｅｂページ間にはリンクがあるとして、モデルを学習する。
Commute Time Kernelは、Ｗｅｂページ間の関連の強さをリンクの密集度合いで測ることができる距離関数である。Commute Time Kernelは、Ｗｅｂページ間を行き来するルートが多い場合は、その２つのＷｅｂページは距離が近く、Ｗｅｂページ間を行き来するルートが少ない場合は、その２つのＷｅｂページは距離が遠いことを表す距離関数である。
本実施形態では、ＨＭＭのＰ（ｘｍｎ｜Ｓｎ ｋ，Ｂｋ）Ｚｍｋに、ガウス分布を用いて、Commute Time Kernel Kを導入する（下記式３）。
Figure 2011154591
 Ｋを導入するために、上記式３を変形する。
Figure 2011154591
 上記式４において、Ｓ（ｘｍｎ）は、Ｗｅｂページの種類を表す。ｓｉ＝Ｓ（ｘｍｎ）は、ｘｍｎのＷｅｂページの種類がＷｅｂページｉであることを表す。ｙｋｅは、ｙｋｅ＝（ｘｍｎ−μｋ）Ｖｋｅである。Ｖｋｅは、Σｋのｅ番目に大きい固有値を表す。λｋｅは、コンポーネントｋの、Σｋのｅ番目に大きい固有値を表す。ｅｋ ２は、
Figure 2011154591
 である。Ｄは、Σｋの固有値の全個数を表す。σは、Ｄ個の固有値のうち、上位σ個ということを表す。
Figure 2011154591
 である。
ここで、
Figure 2011154591
 が成り立つことを利用すると、λｋｅとｙｋｅとは、μｋとΣｋとを用いずに、Ｋ~ｋとＫ~ｋ´で計算できる。λｋｅは、Ｋ~ｋのｅ番目に大きい固有値。ｙｋｅ＝βｋ ＴＫ~ｋ（ｉ，ｊ）´である。βｋ＝[βｋ１，・・・，βｋＤ]。Ｋ~ｋとＫ~ｋ´は、それぞれ、
Figure 2011154591
 である。ここで、
Figure 2011154591
である。（・）は、内積を表す。
Figure 2011154591
 とする。
本実施形態では、Ｋｋ，（ｉ，ｊ）をCommute Time Kernelとすることで、Ｗｅｂページ間の関連性をモデルに組み込む。パラメータＢｋは、
Figure 2011154591
 とする。これについては、例えば、非特許文献３に記載されている。
モデルのパラメータは、θ＝（θ１，θ２，・・・，θＫ）、θｋ＝（πｋ，Γｋ，Ａｋ，Ｂｋ）とする。予測モデル学習手段４０２は、ステップＡ３では、記憶部４０４からθ＝（θ１，θ２，・・・，θＫ）を読み出す。予測モデル学習手段４０２は、ステップＡ４で、Ｗｅｂページ訪問履歴と、読み出したパラメータとを用いて、予測モデルを学習する。予測モデル学習手段４０２は、ステップＡ５で、学習したモデルのパラメータを、記憶部４０４に記憶する。
次いで、リコメンドページの決定する処理の手順を説明する。図９は、学習した予測モデルを用いたリコメンドページ決定の動作を示すシーケンス図である。ユーザ端末１０１のＷｅｂページリクエスト手段２０１は、ユーザからの指示に基づいて、Ｗｅｂサーバ１０３に、閲覧を希望するＷｅｂページをリクエストする（ステップＢ１）。Ｗｅｂサーバ１０３のリクエスト受付手段３０６は、ユーザ端末１０１からのリクエストを受け付ける（ステップＢ２）。リクエスト受付手段３０６は、受け付けたリクエストを、ユーザリクエスト記憶部３０２に記憶する。
Ｗｅｂページ配信手段３０１は、読み出し手段３０７に、リクエストを受け付けたユーザの情報を出力する（ステップＢ３）。読み出し手段３０７は、ユーザリクエスト記憶部３０２から、リクエストを受け付けたユーザの過去のＷｅｂページ訪問履歴を読み出す（ステップＢ４）。読み出し手段３０７は、読み出したユーザの過去のＷｅｂページ訪問履歴とを、出力手段３０８を通じて、リコメンド装置１０４へ出力する（ステップＢ５）。
リコメンド装置１０４の予測手段４０３は、入力手段４０５を通じて、対象ユーザの過去のＷｅｂページ訪問履歴を受け取る。予測手段４０３は、記憶部４０４から、学習した予測モデルのパラメータを読み出す（ステップＢ６）。予測手段４０３は、対象ユーザのＷｅｂページ訪問履歴Ｘｎ＝ｘｎ１，・・・，ｘｎｈから、ユーザがｈ番目のＷｅｂページの次に、｛１，・・・，Ｒ｝のどのＷｅｂページを訪れる可能性が高いかを示す尤度を、下記式５、式６を用いて計算する（ステップＢ７）。ここで、ｘｎｈ＋１を、ユーザがｘｎｈの次に訪れるＷｅｂページとする。尤度は、式５を用いて算出できる。
Figure 2011154591
Figure 2011154591
 式６は、Forward-backwardアルゴリズムを用いて、計算できる。
リコメンド手段４０７は、予測手段４０３で算出したＰ（Ｘｎ，ｘｎｈ＋１）の中で、値が最も大きくなるｘｎｈ＋１のＷｅｂページを、ユーザにリコメンドするページとして決定する（ステップＢ８）。リコメンド手段４０７は、リコメンド結果、すなわち、ユーザにどのＷｅｂページをリコメンドするかを示す情報を、出力手段４０６を通じて、Ｗｅｂサーバ１０３へ送信する（ステップＢ９）。
Ｗｅｂサーバ１０３のリコメンドページ選択手段３０４は、入力手段３０９を通じて、リコメンド結果を受け取る。リコメンドページ選択手段３０４は、Ｗｅｂページ記憶部３０３から、リコメンドするＷｅｂページに関する情報として、リコメンドページへのリンク情報を読み出し、Ｗｅｂページ配信手段３０１へ出力する（ステップＢ１０）。また、リコメンドページ選択手段３０４は、Ｗｅｂページ記憶部３０３から、ユーザがリクエストしたＷｅｂページを読み出し、Ｗｅｂページ配信手段３０１へ出力する（ステップＢ１１）。なお、リコメンドページへのリンク情報の読み出し、及び、ユーザがリクエストしたＷｅｂページの読み出しは、Ｗｅｂページ配信手段３０１が行ってもよい。
Ｗｅｂページ配信手段３０１は、ユーザがリクエストしたＷｅｂページに、リコメンドするＷｅｂページへのリンクを付け加える。Ｗｅｂページ配信手段３０１は、Ｗｅｂページをリクエストしたユーザのユーザ端末１０１に、リコメンドするＷｅｂページへのリンクを付け加えたＷｅｂページを配信する（ステップＢ１２）。
ユーザ端末１０１のＷｅｂページ表示手段２０２は、リコメンドするＷｅｂページへのリンクを含むＷｅｂページを受け取り、表示画面上に表示する（ステップＢ１３）。図１０は、画面表示例を示している。Ｗｅｂページ８０１は、通常コンテンツに加えて、リコメンドされたＷｅｂページへのリンク８０２を含む。ユーザは、このリンク８０２をクリックすることで、リコメンドされたＷｅｂページの閲覧が可能である。
本実施形態では、予測モデル学習手段４０２（図６）は、複数のユーザのＷｅｂページ訪問履歴におけるユーザが閲覧したＷｅｂページの順序と、各ページ間の関連性がリンク（ハイパーリンク）の密接度合いで表現されたＷｅｂページ間の関連性との双方を考慮して予測モデルを学習する。本実施形態では、あるページ間にリンクがある場合に、そのページ間に関連性があるとする。蓄積されたユーザの訪問履歴に、１度以上連続してユーザが訪れていたページ間には、リンクがあるとする。リンクの関連の強さは、リンクの密集度合いで表現する。Ｗｅｂページ間を行き来するリンクのルートの種類が多い場合は関連性が強く、ルートの種類が少ない場合は関連性が小さい。
予測手段４０３は、各ページ間の関連性をリンクの密集度合いで表現し、各ページの関連性、及び、蓄積されたユーザの訪問履歴の各Ｗｅｂページの頻度と遷移の頻度との特徴から、次にユーザが訪れるＷｅｂページを予測する。Ｗｅｂページ配信手段３０１（図５）は、予測されたＷｅｂページ（リコメンドページ）に関する情報を、ユーザがリクエストしたＷｅｂページに付け加えて配信する。ユーザは、リコメンドされたＷｅｂページに関する情報を参照し、必要に応じて、リコメンドページを閲覧することができる。
ユーザは、現在訪れているＷｅｂページに関連した情報を求めていることもあるため、訪問頻度が高いＷｅｂページばかりを推薦すると、ユーザの利便性の低下を招くことがある。そのため、過去に多くのユーザが訪れたＷｅｂページや連続して訪れたＷｅｂページの他に、現在訪れているＷｅｂページと関連する内容のＷｅｂページを推薦することが、実用上重要である。本実施形態では、ページ間の関連性も考慮した予測モデルを用いてリコメンドページを決定し、ユーザにリコメンドするため、訪問頻度が高いＷｅｂページばかりでなく、Ｗｅｂページを閲覧するユーザに、そのＷｅｂページに関連性のあるＷｅｂページをリコメンドすることができる。
例えば、ポータルサイト内に蓄積されたユーザのＷｅｂページ訪問履歴に、「アニメ」の特集ページを訪れた後に、「天気予報」のＷｅｂページを訪れた履歴が多く存在する場合を考える。この場合に、蓄積されたユーザのＷｅｂページ訪問履歴の各Ｗｅｂページの頻度と遷移の頻度との特徴から次にユーザが訪れるＷｅｂページを予測すると、「アニメ」の特集ページの次に「天気予報」のＷｅｂページを訪れると予測することになる。本実施形態では、各ページの関連性も考慮して、ユーザが次に訪れるＷｅｂページを予測する。「アニメ」の特集ページと「天気予報」のＷｅｂページとは、ページの内容の関連性が低く、ページを提供するポータル内では、この両者間を行き来するルートは、一般的に少ないと考えられる。従って、本実施形態では、予測モデルの学習において、このページの関連性は低いと計算される。一方、蓄積されたユーザの訪問履歴に、「アニメ」の特集ページからアニメの購入ページを訪れた履歴が１つ以上存在した場合、両者の間にリンクが存在すると仮定する。この両者間のページの内容は、関連性も高く、ページを提供するポータルサイト内には、両者を行き来するリンクが多数存在すると考えられる。従って、本実施形態では、予測モデルの学習において、このページの関連性が高いと計算される。このようにページ間の関連性を計算し、蓄積されたユーザのＷｅｂページ訪問履歴の各Ｗｅｂページの頻度と遷移の頻度との特徴と組み合わせることで、「アニメ」の特集ページを訪れたユーザに対して、訪問頻度と遷移の頻度とが高い「天気予報」のページではなく、アニメ購入ページを推薦することができる。なお、上記の例は、一例であり、訪問頻度、遷移の頻度、関連性の組み合わせから、次にユーザが訪れるＷｅｂページを予測した結果、訪問頻度と遷移の頻度が高い「天気予報」のページを推薦することも考えられる。
本実施形態では、ポータルサイトに蓄積されたＷｅｂページの訪問履歴から抽出した、訪問頻度、遷移の頻度、及び、ページ間の関連性の特徴から、Ｗｅｂページを閲覧するユーザに対し、そのＷｅｂページに関連したＷｅｂページをリコメンドできる。本実施形態では、リンクの密接度合いで表現されたＷｅｂページ間の関連性を、蓄積されたＷｅｂページ訪問履歴から得ているので、予測モデルの学習に際して、各ページに関連する情報をあらかじめ準備しておく必要がないという効果もある。
なお、上記実施形態では、Ｗｅｂページを閲覧するユーザにＷｅｂページをリコメンドする例を説明したが、これには限定されない。例えば、ユーザの商品購入の履歴を用いて、商品を購入するユーザに、その商品に関連がある商品をリコメンドしてもよい。また、上記実施形態では、予測モデルの学習において、Ｗｅｂページ閲覧履歴に含まれるＷｅｂページをシンボル列としてＨＭＭを学習する例を説明したが、シンボル列は、Ｗｅｂページ（アイテム）そのものを並べたものには限定されない。例えば、あらかじめＷｅｂページをカテゴリに分けておき、シンボルとしてカテゴリを用い、ユーザが閲覧したＷｅｂページのカテゴリを並べたシンボル列に対してＨＭＭを学習してもよい。その場合、リコメンド手段４０７（図６）は、ユーザが次に閲覧すると予測されたカテゴリに属するＷｅｂページの中から、ユーザにリコメンドするＷｅｂページを決定すればよい。Ｗｅｂページをカテゴリ分けしておく構成では、ＨＭＭの計算コストを低減できる効果がある。
以上、本発明をその好適な実施形態に基づいて説明したが、本発明のリコメンド装置、システム、方法、及び、プログラムは、上記実施形態にのみ限定されるものではなく、上記実施形態の構成から種々の修正及び変更を施したものも、本発明の範囲に含まれる。
（付記１）
コンピュータが、ユーザがあるアイテムに対してアクションを起こしたとき、次にアクションを起こすアイテムが特定のアイテムである確率を表す予測モデルのパラメータをパラメータ記憶部から読み出すステップと、
コンピュータが、前記読み出したパラメータと、複数のユーザのアイテムに対するアクションの履歴を示すシーケンスデータとに基づき、前記シーケンスデータにおけるユーザがアクションを起こしたアイテムの順序と、リンクの密接度合いで表現されたアイテム間の関連性との双方を考慮して前記予測モデルを学習し、該学習した予測モデルのパラメータを前記パラメータ記憶部に記憶するステップと、
コンピュータが、前記パラメータ記憶部から前記パラメータを読み出し、該読み出したパラメータと、リコメンド対象のユーザのシーケンスデータとに基づいて、リコメンド対象のユーザが次にアクションを起こすアイテムを予測するステップと、
コンピュータが、前記予測したアイテムに基づいて、ユーザにリコメンドするアイテムを決定するステップとを有するリコメンド方法。
（付記２）
前記予測モデルを学習するステップでは、コンピュータは、リンク構造を表現するKernel法を用いて得られるアイテム間の密接度合いを表すモデルと、複数のユーザのアイテムに対するアクションの順序を表す隠れマルコフモデルとを統合して前記予測モデルを構築し、該構築した予測モデルを学習する、付記１に記載のリコメンド方法。
（付記３）
前記予測モデルを学習するステップでは、コンピュータは、前記ユーザがあるアイテムに対してアクションを起こしたとしたとき、前記予測モデルにおける、当該アイテムとリンク構造が密接するアイテムに対してユーザが次にアクションを起こす確率を、当該アイテムとリンク構造が密接しないアイテムに対してユーザが次にアクションを起こす確率よりも高くする、付記１又は２に記載のリコメンド方法。
（付記４）
コンピュータが、ユーザから、閲覧を希望するＷｅｂページのリクエストを受け付け、受け付けたリクエストをユーザリクエスト記憶部に記憶するステップと、
コンピュータが、前記リクエストを行ったユーザの過去のＷｅｂページ訪問履歴を前記リクエスト記憶部から読み出すステップと、
コンピュータが、ユーザがあるＷｅｂページを閲覧しているとき、次にユーザが閲覧するＷｅｂページが特定のＷｅｂページである確率を表す予測モデルであって、複数のユーザのＷｅｂページ訪問履歴におけるユーザが閲覧したＷｅｂページの順序と、リンクの密接度合いで表現されたＷｅｂページ間の関連性との双方を考慮して学習された予測モデルのパラメータをパラメータ記憶部から読み出し、該読み出したパラメータと、前記リクエストを行ったユーザの過去のＷｅｂページ訪問履歴とに基づいて、ユーザが次に訪問するＷｅｂページを予測するステップと、
コンピュータが、前記予測したＷｅｂページに基づいて、ユーザにリコメンドするＷｅｂページを決定するステップと、
コンピュータが、Ｗｅｂページを記憶するＷｅｂページ記憶部から、前記ユーザがリクエストしたＷｅｂページと、前記リコメンドすると決定したＷｅｂページに関する情報とを読み出し、前記リクエストを行ったユーザに配信するステップを有するリコメンド方法。
（付記５）
前記Ｗｅｂページを配信するステップでは、コンピュータは、前記Ｗｅｂページ記憶部から、前記リコメンドすると決定したＷｅｂページへのリンク情報を読み出し、前記ユーザがリクエストしたＷｅｂページに前記読み出したリンク情報を付加して前記ユーザに配信する、付記４に記載のリコメンド方法。
（付記６）
コンピュータが、前記リクエスト記憶部から読み出された複数のユーザのＷｅｂページ訪問履歴と、前記パラメータ記憶部に記憶された前記予測モデルのパラメータとに基づいて、前記Ｗｅｂページ訪問履歴におけるユーザが閲覧したＷｅｂページの順序と、リンクの密接度合いで表現されたＷｅｂページ間の関連性との双方を考慮して前記予測モデルを学習し、該学習した予測モデルのパラメータを前記パラメータ記憶部に記憶するステップを更に有する、付記４又は５に記載のリコメンド方法。
（付記７）
前記予測モデルを学習するステップでは、コンピュータは、リンク構造を表現するKernel法を用いて得られるＷｅｂページ間の密接度合いを表すモデルと、複数のユーザのＷｅｂページ閲覧順序を表す隠れマルコフモデルとを統合して前記予測モデルを構築し、該構築した予測モデルを学習する、付記６に記載のリコメンド方法。
（付記８）
前記予測モデルを学習するステップでは、コンピュータは、前記ユーザがあるＷｅｂページを訪問したとき、前記予測モデルにおける、当該Ｗｅｂページとリンク構造が密接するＷｅｂページをユーザが次に閲覧する確率を、当該Ｗｅｂページとリンク構造が密接しないＷｅｂページをユーザが次に閲覧する確率よりも高くする、付記６又は７に記載のリコメンド方法。
（付記１０）
コンピュータに、
ユーザがあるアイテムに対してアクションを起こしたとき、次にアクションを起こすアイテムが特定のアイテムである確率を表す予測モデルのパラメータをパラメータ記憶部から読み出す処理と、
前記読み出されたパラメータと、複数のユーザのアイテムに対するアクションの履歴を示すシーケンスデータとに基づき、前記シーケンスデータにおけるユーザがアクションを起こしたアイテムの順序と、リンクの密接度合いで表現されたアイテム間の関連性との双方を考慮して前記予測モデルを学習し、該学習した予測モデルのパラメータを前記パラメータ記憶部に記憶する処理と、
前記パラメータ記憶部から前記パラメータを読み出し、該読み出したパラメータと、リコメンド対象のユーザのシーケンスデータとに基づいて、リコメンド対象のユーザが次にアクションを起こすアイテムを予測する処理と、
前記予測されたアイテムに基づいて、ユーザにリコメンドするアイテムを決定する処理とを実行させるプログラム。
（付記１１）
前記予測モデルを学習する処理では、リンク構造を表現するKernel法を用いて得られるアイテム間の密接度合いを表すモデルと、複数のユーザのアイテムに対するアクションの順序を表す隠れマルコフモデルとを統合して前記予測モデルを構築し、該構築した予測モデルを学習する、付記１０に記載のプログラム。
（付記１２）
前記予測モデルを学習する処理では、前記ユーザがあるアイテムに対してアクションを起こしたとしたとき、前記予測モデルにおける、当該アイテムとリンク構造が密接するアイテムに対してユーザが次にアクションを起こす確率を、当該アイテムとリンク構造が密接しないアイテムに対してユーザが次にアクションを起こす確率よりも高くする、付記１０又は１１に記載のプログラム。
（付記１３）
コンピュータに、
ユーザから、閲覧を希望するＷｅｂページのリクエストを受け付け、受け付けたリクエストをユーザリクエスト記憶部に記憶する処理と、
前記リクエストを行ったユーザの過去のＷｅｂページ訪問履歴を前記リクエスト記憶部から読み出す処理と、
ユーザがあるＷｅｂページを閲覧しているとき、次にユーザが閲覧するＷｅｂページが特定のＷｅｂページである確率を表す予測モデルであって、複数のユーザのＷｅｂページ訪問履歴におけるユーザが閲覧したＷｅｂページの順序と、リンクの密接度合いで表現されたＷｅｂページ間の関連性との双方を考慮して学習された予測モデルのパラメータをパラメータ記憶部から読み出し、該読み出したパラメータと、前記リクエストを行ったユーザの過去のＷｅｂページ訪問履歴とに基づいて、ユーザが次に訪問するＷｅｂページを予測する処理と、
前記予測したＷｅｂページに基づいて、ユーザにリコメンドするＷｅｂページを決定する処理と、
Ｗｅｂページを記憶するＷｅｂページ記憶部から、前記ユーザがリクエストしたＷｅｂページと、前記リコメンドすると決定したＷｅｂページに関する情報とを読み出し、前記リクエストを行ったユーザに配信する処理とを実行させるプログラム。
（付記１４）
前記Ｗｅｂページを配信する処理では、コンピュータは、前記Ｗｅｂページ記憶部から、前記リコメンドすると決定したＷｅｂページへのリンク情報を読み出し、前記ユーザがリクエストしたＷｅｂページに前記読み出したリンク情報を付加して前記ユーザに配信する、付記１３に記載のプログラム。
（付記１５）
コンピュータに、前記リクエスト記憶部から読み出された複数のユーザのＷｅｂページ訪問履歴と、前記パラメータ記憶部に記憶された前記予測モデルのパラメータとに基づいて、前記Ｗｅｂページ訪問履歴におけるユーザが閲覧したＷｅｂページの順序と、リンクの密接度合いで表現されたＷｅｂページ間の関連性との双方を考慮して前記予測モデルを学習し、該学習した予測モデルのパラメータを前記パラメータ記憶部に記憶する処理を更に実行させる、付記１３又は１４に記載のプログラム。
（付記１６）
前記予測モデルを学習する処理では、リンク構造を表現するKernel法を用いて得られるＷｅｂページ間の密接度合いを表すモデルと、複数のユーザのＷｅｂページ閲覧順序を表す隠れマルコフモデルとを統合して前記予測モデルを構築し、該構築した予測モデルを学習する、付記１５に記載のプログラム。
（付記１７）
前記予測モデルを学習する処理では、前記ユーザがあるＷｅｂページを訪問したとき、前記予測モデルにおける、当該Ｗｅｂページとリンク構造が密接するＷｅｂページをユーザが次に閲覧する確率を、当該Ｗｅｂページとリンク構造が密接しないＷｅｂページをユーザが次に閲覧する確率よりも高くする、付記１５又は１６に記載のプログラム。
１０：リコメンド装置
１１：予測モデル学習手段
１２：予測手段
１３：リコメンド手段
１５：パラメータ記憶部
２０：リコメンドシステム
２１：リクエスト受付手段
２２：読み出し手段
２３：予測手段
２４：リコメンド手段
２５：Ｗｅｂページ配信手段
２６：ユーザリクエスト記憶部
２７：パラメータ記憶部
２８：Ｗｅｂページ記憶部
１０１：ユーザ端末
１０２：インターネット
１０３：Ｗｅｂサーバ
１０４：リコメンド装置
２０１：Ｗｅｂページリクエスト手段
２０２：Ｗｅｂページ表示手段
３０１：Ｗｅｂページ配信手段
３０２：ユーザリクエスト記憶部
３０３：Ｗｅｂページ記憶部
３０４：リコメンドページ選択手段
３０６：リクエスト受付手段
３０７：読み出し手段
３０８：出力手段
３０９：入力手段
４０２：予測モデル学習手段
４０３：予測手段
４０４：記憶部
４０５：入力手段
４０６：出力手段
４０７：リコメンド手段

Claims (10)

  1. ユーザがあるアイテムに対してアクションを起こしたとき、次にアクションを起こすアイテムが特定のアイテムである確率を表す予測モデルのパラメータをパラメータ記憶部から読み出し、該読み出したパラメータと、複数のユーザのアイテムに対するアクションの履歴を示すシーケンスデータとに基づき、前記シーケンスデータにおけるユーザがアクションを起こしたアイテムの順序と、リンクの密接度合いで表現されたアイテム間の関連性との双方を考慮して前記予測モデルを学習し、該学習した予測モデルのパラメータを前記パラメータ記憶部に記憶する予測モデル学習手段と、
    前記パラメータ記憶部から前記パラメータを読み出し、該読み出したパラメータと、リコメンド対象のユーザのシーケンスデータとに基づいて、リコメンド対象のユーザが次にアクションを起こすアイテムを予測する予測手段と、
    前記予測されたアイテムに基づいて、ユーザにリコメンドするアイテムを決定するリコメンド手段とを備えるリコメンド装置。
  2. 前記予測モデル学習手段は、リンク構造を表現するKernel法を用いて得られるアイテム間の密接度合いを表すモデルと、複数のユーザのアイテムに対するアクションの順序を表す隠れマルコフモデルとを統合して前記予測モデルを構築し、該構築した予測モデルを学習する、請求項１に記載のリコメンド装置。
  3. 前記予測モデル学習手段は、前記予測モデルの学習では、前記ユーザがあるアイテムに対してアクションを起こしたとしたとき、当該アイテムとリンク構造が密接するアイテムに対してユーザが次にアクションを起こす確率を、当該アイテムとリンク構造が密接しないアイテムに対してユーザが次にアクションを起こす確率よりも高くする、請求項１又は２に記載のリコメンド装置。
  4. ユーザから、閲覧を希望するＷｅｂページのリクエストを受け付け、該受け付けたリクエストをユーザリクエスト記憶部に記憶するリクエスト受付手段と、
    前記リクエストを行ったユーザの過去のＷｅｂページ訪問履歴を前記リクエスト記憶部から読み出す読み出し手段と、
    ユーザがあるＷｅｂページを閲覧しているとき、次にユーザが閲覧するＷｅｂページが特定のＷｅｂページである確率を表す予測モデルであって、複数のユーザのＷｅｂページ訪問履歴におけるユーザが閲覧したＷｅｂページの順序と、リンクの密接度合いで表現されたＷｅｂページ間の関連性との双方を考慮して学習された予測モデルのパラメータをパラメータ記憶部から読み出し、該読み出したパラメータと、前記リクエストを行ったユーザの過去のＷｅｂページ訪問履歴とに基づいて、ユーザが次に訪問するＷｅｂページを予測する予測手段と、
    前記予測手段で予測されたＷｅｂページに基づいて、ユーザにリコメンドするＷｅｂページを決定するリコメンド手段と、
    Ｗｅｂページを記憶するＷｅｂページ記憶部から、前記ユーザがリクエストしたＷｅｂページと、前記リコメンド手段が決定したＷｅｂページに関する情報とを読み出し、前記リクエストを行ったユーザに配信するＷｅｂページ配信手段とを備えるリコメンドシステム。
  5. 前記Ｗｅｂページ配信手段は、前記Ｗｅｂページ記憶部から、前記リコメンド手段が決定したＷｅｂページへのリンク情報を読み出し、前記ユーザがリクエストしたＷｅｂページに前記読み出したリンク情報を付加して前記ユーザに配信する、請求項４に記載のリコメンドシステム。
  6. 前記リクエスト記憶部から読み出された複数のユーザのＷｅｂページ訪問履歴と、前記パラメータ記憶部に記憶された前記予測モデルのパラメータとに基づいて、前記Ｗｅｂページ訪問履歴におけるユーザが閲覧したＷｅｂページの順序と、リンクの密接度合いで表現されたＷｅｂページ間の関連性との双方を考慮して前記予測モデルを学習し、該学習した予測モデルのパラメータを前記パラメータ記憶部に記憶する予測モデル学習手段を更に備える、請求項４又は５に記載のリコメンドシステム。
  7. 前記予測モデル学習手段は、リンク構造を表現するKernel法を用いて得られるＷｅｂページ間の密接度合いを表すモデルと、複数のユーザのＷｅｂページ閲覧順序を表す隠れマルコフモデルとを統合して前記予測モデルを構築し、該構築した予測モデルを学習する、請求項６に記載のリコメンドシステム。
  8. 前記予測モデル学習手段は、前記予測モデルの学習では、前記ユーザがあるＷｅｂページを訪問したとき、当該Ｗｅｂページとリンク構造が密接するＷｅｂページをユーザが次に閲覧する確率を、当該Ｗｅｂページとリンク構造が密接しないＷｅｂページをユーザが次に閲覧する確率よりも高くする、請求項６又は７に記載のリコメンドシステム。
  9. コンピュータが、ユーザがあるアイテムに対してアクションを起こしたとき、次にアクションを起こすアイテムが特定のアイテムである確率を表す予測モデルのパラメータをパラメータ記憶部から読み出すステップと、
    コンピュータが、前記読み出したパラメータと、複数のユーザのアイテムに対するアクションの履歴を示すシーケンスデータとに基づき、前記シーケンスデータにおけるユーザがアクションを起こしたアイテムの順序と、リンクの密接度合いで表現されたアイテム間の関連性との双方を考慮して前記予測モデルを学習し、該学習した予測モデルのパラメータを前記パラメータ記憶部に記憶するステップと、
    コンピュータが、前記パラメータ記憶部から前記パラメータを読み出し、該読み出したパラメータと、リコメンド対象のユーザのシーケンスデータとに基づいて、リコメンド対象のユーザが次にアクションを起こすアイテムを予測するステップと、
    コンピュータが、前記予測したアイテムに基づいて、ユーザにリコメンドするアイテムを決定するステップとを有するリコメンド方法。
  10. コンピュータに、
    ユーザがあるアイテムに対してアクションを起こしたとき、次にアクションを起こすアイテムが特定のアイテムである確率を表す予測モデルのパラメータをパラメータ記憶部から読み出す処理と、
    前記読み出されたパラメータと、複数のユーザのアイテムに対するアクションの履歴を示すシーケンスデータとに基づき、前記シーケンスデータにおけるユーザがアクションを起こしたアイテムの順序と、リンクの密接度合いで表現されたアイテム間の関連性との双方を考慮して前記予測モデルを学習し、該学習した予測モデルのパラメータを前記パラメータ記憶部に記憶する処理と、
    前記パラメータ記憶部から前記パラメータを読み出し、該読み出したパラメータと、リコメンド対象のユーザのシーケンスデータとに基づいて、リコメンド対象のユーザが次にアクションを起こすアイテムを予測する処理と、
    前記予測されたアイテムに基づいて、ユーザにリコメンドするアイテムを決定する処理とを実行させるプログラム。
JP2010016336A 2010-01-28 2010-01-28 リコメンド装置、方法、及び、プログラム Pending JP2011154591A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2010016336A JP2011154591A (ja) 2010-01-28 2010-01-28 リコメンド装置、方法、及び、プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2010016336A JP2011154591A (ja) 2010-01-28 2010-01-28 リコメンド装置、方法、及び、プログラム

Publications (1)

Publication Number Publication Date
JP2011154591A true JP2011154591A (ja) 2011-08-11

Family

ID=44540490

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2010016336A Pending JP2011154591A (ja) 2010-01-28 2010-01-28 リコメンド装置、方法、及び、プログラム

Country Status (1)

Country Link
JP (1) JP2011154591A (ja)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014067442A (ja) * 2013-12-17 2014-04-17 Yahoo Japan Corp コンテンツ配信装置
JP2014106661A (ja) * 2012-11-27 2014-06-09 Nippon Telegr & Teleph Corp <Ntt> ユーザ状態予測装置及び方法及びプログラム
JP2014160345A (ja) * 2013-02-19 2014-09-04 Nippon Telegr & Teleph Corp <Ntt> 閲覧行動予測装置、閲覧行動学習装置、閲覧行動予測方法、閲覧行動学習方法及びプログラム
JP2016006592A (ja) * 2014-06-20 2016-01-14 ヤフー株式会社 表示制御装置、表示制御方法及び表示制御プログラム
JP2016040719A (ja) * 2015-09-17 2016-03-24 ヤフー株式会社 収益指標値生成システム及び収益指標値生成方法
CN105608154A (zh) * 2016-02-14 2016-05-25 广州网律互联网科技有限公司 一种基于隐马尔科夫链模型的智能推荐算法
CN106055607A (zh) * 2016-05-25 2016-10-26 百度在线网络技术（北京）有限公司 用户到访预测模型建立、用户到访预测方法和装置
JP2017513131A (ja) * 2014-03-24 2017-05-25 スカイスキャナー リミテッドＳｋｙｓｃａｎｎｅｒ Ｌｔｄ １つまたは複数のウェブサイトからの商品またはサービスを比較する方法
JP2017211786A (ja) * 2016-05-24 2017-11-30 ヤフー株式会社 分類装置、分類方法および分類プログラム
CN109271590A (zh) * 2018-09-29 2019-01-25 四川灵灵器机器人有限责任公司 一种基于时序决策模型的推荐方法
US10509835B2 (en) 2015-09-08 2019-12-17 Fujitsu Limited Retrieval method, retrieval apparatus, and non-transitory recording medium storing retrieval program recorded therein
JP2020030566A (ja) * 2018-08-22 2020-02-27 株式会社リクルート 情報処理装置、プログラム及び表示制御方法
JP2021128553A (ja) * 2020-02-13 2021-09-02 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム
KR20220072395A (ko) * 2020-11-25 2022-06-02 네이버 주식회사 콘텐츠 배열과 관련된 추천 정보를 제공하는 방법 및 시스템

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014106661A (ja) * 2012-11-27 2014-06-09 Nippon Telegr & Teleph Corp <Ntt> ユーザ状態予測装置及び方法及びプログラム
JP2014160345A (ja) * 2013-02-19 2014-09-04 Nippon Telegr & Teleph Corp <Ntt> 閲覧行動予測装置、閲覧行動学習装置、閲覧行動予測方法、閲覧行動学習方法及びプログラム
JP2014067442A (ja) * 2013-12-17 2014-04-17 Yahoo Japan Corp コンテンツ配信装置
JP2017513131A (ja) * 2014-03-24 2017-05-25 スカイスキャナー リミテッドＳｋｙｓｃａｎｎｅｒ Ｌｔｄ １つまたは複数のウェブサイトからの商品またはサービスを比較する方法
JP2016006592A (ja) * 2014-06-20 2016-01-14 ヤフー株式会社 表示制御装置、表示制御方法及び表示制御プログラム
US10509835B2 (en) 2015-09-08 2019-12-17 Fujitsu Limited Retrieval method, retrieval apparatus, and non-transitory recording medium storing retrieval program recorded therein
JP2016040719A (ja) * 2015-09-17 2016-03-24 ヤフー株式会社 収益指標値生成システム及び収益指標値生成方法
CN105608154A (zh) * 2016-02-14 2016-05-25 广州网律互联网科技有限公司 一种基于隐马尔科夫链模型的智能推荐算法
JP2017211786A (ja) * 2016-05-24 2017-11-30 ヤフー株式会社 分類装置、分類方法および分類プログラム
CN106055607A (zh) * 2016-05-25 2016-10-26 百度在线网络技术（北京）有限公司 用户到访预测模型建立、用户到访预测方法和装置
CN106055607B (zh) * 2016-05-25 2020-05-19 百度在线网络技术（北京）有限公司 用户到访预测模型建立、用户到访预测方法和装置
JP2020030566A (ja) * 2018-08-22 2020-02-27 株式会社リクルート 情報処理装置、プログラム及び表示制御方法
CN109271590A (zh) * 2018-09-29 2019-01-25 四川灵灵器机器人有限责任公司 一种基于时序决策模型的推荐方法
CN109271590B (zh) * 2018-09-29 2021-08-31 四川灵灵器机器人有限责任公司 一种基于时序决策模型的推荐方法
JP2021128553A (ja) * 2020-02-13 2021-09-02 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム
JP7145901B2 (ja) 2020-02-13 2022-10-03 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム
KR20220072395A (ko) * 2020-11-25 2022-06-02 네이버 주식회사 콘텐츠 배열과 관련된 추천 정보를 제공하는 방법 및 시스템
KR102427891B1 (ko) * 2020-11-25 2022-08-01 네이버 주식회사 콘텐츠 배열과 관련된 추천 정보를 제공하는 방법 및 시스템

Similar Documents

Publication Publication Date Title
JP2011154591A (ja) リコメンド装置、方法、及び、プログラム
He et al. Adversarial personalized ranking for recommendation
Ahmadian et al. A deep learning based trust-and tag-aware recommender system
CN108431833A (zh) 端到端深度协作过滤
US10102482B2 (en) Factorized models
Zhang et al. Modeling the heterogeneous duration of user interest in time-dependent recommendation: A hidden semi-Markov approach
JP6854748B2 (ja) 情報提供装置、情報提供方法、およびプログラム
CN109923560A (zh) 使用变分信息瓶颈来训练神经网络
CN112307344B (zh) 对象推荐模型、对象推荐方法、装置及电子设备
Wu et al. QF-RNN: QI-matrix factorization based RNN for time-aware service recommendation
Chen et al. Learning multiple similarities of users and items in recommender systems
US20150370805A1 (en) Suggested Keywords
Khan et al. Design of normalized fractional SGD computing paradigm for recommender systems
MirHassani et al. Quantum binary particle swarm optimization-based algorithm for solving a class of bi-level competitive facility location problems
JP2013105213A (ja) 情報推薦装置及び方法及び装置及びプログラム
Colace et al. A content-based recommendation approach based on singular value decomposition
Zhang et al. Inducible regularization for low-rank matrix factorizations for collaborative filtering
Dong et al. Improving sequential recommendation with attribute-augmented graph neural networks
Duong et al. A novel hybrid recommendation system integrating content-based and rating information
Sato et al. Causality-aware neighborhood methods for recommender systems
Javari et al. Recommender systems for social networks analysis and mining: precision versus diversity
Nigam et al. Link prediction in a semi-bipartite network for recommendation
Kolomvatsos et al. An efficient recommendation system based on the optimal stopping theory
Zhao et al. CapDRL: a deep capsule reinforcement learning for movie recommendation
Yan et al. An intelligent field-aware factorization machine model