JP2012242940A - 商品推薦方法、商品推薦装置及び商品推薦プログラム - Google Patents

Abstract

【課題】新商品を優先して推薦することが可能な商品推薦技術を提供する。
【解決手段】購買情報テーブル５２を参照してアカウントｕが購買した商品ｉから各アカウントｕの興味があるトピックｚを推定するとともに、各アカウントｕ、各商品ｉについて、トピックｚ毎に商品ｉが購買される確率を推定し、アカウントｕの興味と商品ｉが購買される確率から推薦スコアを求める。これにより、アカウントｕの興味に基づいて推薦する商品ｉを決めることができる。商品ｉが購買される確率を推定する際に、商品ｉが新商品であるか否かを判定し、商品ｉが新商品である場合には、その商品ｉが購買される確率を古い商品より高くすることで、新商品を優先して推薦することが可能となる。
【選択図】図１

Description

本発明は、電子商取引において商品を推薦する技術に関する。

情報推薦の手法はいくつも提案されている。例えば、ニュース記事を推薦するために、各ニュース記事についてユーザに５段階の評価をつけさせ、過去の評価履歴を見てユーザ間の嗜好の類似度を測り、嗜好が似たユーザの好むニュース記事を推薦する手法が提案されている（例えば、非特許文献１参照）。

また、利用者に興味を持つ部分のテキストを指定させ、そこに含まれる単語の出現頻度に基づいてユーザの興味を推定し、ユーザの興味を表す単語に基づいてコミュニティ内の情報を検索し、ユーザの興味のある箇所のみの情報を提示する手法がある（例えば、特許文献１参照）。

特開平１１−３３８８６９号公報

Resnick, P. et al., "GroupLens: An open architecture for collaborative filtering of netnews", CSCW '94: Proceedings of the 1994 ACM conference on Computer supported cooperative work, ACM Press New York, 1994

インターネット回線を利用したＥ−Ｃｏｍｍｅｒｃｅ（電子商取引）サービスにおいて、日々新商品が販売されている。こういった中でユーザが本当に興味のある商品を見つけるのは困難である。また興味ある商品をすべて把握し購入することも困難である。

上記の特許文献１の手法を用いて商品を推薦する場合、ユーザが指定した興味のある語に関連する商品が推薦されるが、ユーザが語を指定しなければならないという問題があり、ユーザのインタラクションを必要とするシステムはユーザにとっては不便である。

非特許文献１の手法を用いて商品を推薦する場合、他のユーザに購買されたことのある商品ならば推薦することが可能であるが、誰にも購買されたことのない新商品は推薦することができない。実際には、新商品は優先的に推薦されるべきである。

本発明は、上記に鑑みてなされたものであり、インターネット回線を利用した電子商取引サービスにおいて、新商品を優先して推薦することが可能な商品推薦技術を提供することを目的とする。

第１の本発明に係る商品推薦方法は、電子商取引サービスにおいてユーザに対して商品を推薦する商品推薦方法であって、ユーザを識別するアカウント、当該ユーザが購買した商品を識別する商品ＩＤを関連付けた購買情報を記憶した購買情報記憶手段から前記購買情報を読み出し、前記アカウント毎に、当該アカウントに関連付けられた前記商品ＩＤから当該アカウントで特定されるユーザの興味を推定するとともに、前記商品ＩＤ、当該商品ＩＤで特定される商品の販売開始時刻を関連付けた商品情報を記憶した商品情報記憶手段から前記商品情報を読み出し、各商品について、前記ユーザの興味に基づく商品の購買確率を、当該商品の販売開始時刻を加味して推定するステップと、前記アカウント、前記商品ＩＤ、当該アカウントで識別されるユーザに当該商品ＩＤで識別される商品を推薦すべき度合いを示す推薦スコアを関連付けた推薦情報を記憶した推薦スコア記憶手段に、前記ユーザの興味と前記ユーザの興味に基づく商品の購買確率を用いて前記ユーザが前記商品を購買する確率を算出し、前記推薦スコアとして格納するステップと、前記アカウントを入力し、当該アカウントを含む前記推薦情報を前記推薦スコア記憶手段から読み出し、前記推薦スコアが高い順、あるいは、前記推薦スコアが所定の閾値を超えた前記推薦情報の商品ＩＤで特定される商品を推薦商品として選択するステップと、を有することを特徴とする。

上記商品推薦方法において、前記推定するステップは、事後確率の期待値を最大化することによって前記ユーザの興味及び前記ユーザの興味に基づく商品の購買確率を推定することを特徴とする。

第２の本発明に係る商品推薦装置は、電子商取引サービスにおいてユーザに対して商品を推薦する商品推薦装置であって、商品を識別する商品ＩＤ、当該商品の販売開始時刻を関連付けた商品情報を記憶した商品情報記憶手段と、ユーザを識別するアカウント、当該ユーザが購買した商品を識別する商品ＩＤを関連付けた購買情報を記憶した購買情報記憶手段と、前記アカウント、前記商品ＩＤ、当該アカウントで識別されるユーザに当該商品ＩＤで識別される商品を推薦すべき度合いを示す推薦スコアを関連付けた推薦情報を記憶した推薦スコア記憶手段と、前記購買情報記憶手段から前記購買情報を読み出し、前記アカウント毎に、当該アカウントに関連付けられた前記商品ＩＤから当該アカウントで特定されるユーザの興味を推定するとともに、前記商品情報記憶手段から前記商品情報を読み出し、各商品について、前記ユーザの興味に基づく商品の購買確率を、当該商品の販売開始時刻を加味して推定するパラメータ推定手段と、前記推薦スコア記憶手段に、前記ユーザの興味と前記ユーザの興味に基づく商品の購買確率を用いて、前記ユーザが前記商品を購買する確率を算出し、前記推薦スコアとして格納する推薦スコア算出手段と、前記アカウントを入力し、当該アカウントを含む前記推薦情報を前記推薦スコア記憶手段から読み出し、前記推薦スコアが高い順、あるいは、前記推薦スコアが所定の閾値を超えた前記推薦情報の商品ＩＤで特定される商品を推薦商品として選択する商品推薦手段と、を有することを特徴とする。

上記商品推薦装置において、前記パラメータ推定手段は、事後確率の期待値を最大化することによって前記ユーザの興味及び前記ユーザの興味に基づく商品の購買確率を推定することを特徴とする。

第３の本発明に係る商品推薦プログラムは、上記商品推薦方法をコンピュータに実行させることを特徴とする。

本発明によれば、インターネット回線を利用した電子商取引サービスにおいて、新商品を優先して推薦することが可能な商品推薦技術を提供することができる。

本実施の形態における商品推薦装置を含む全体構成図である。 商品情報テーブルの例を示す図である。 購買情報テーブルの例を示す図である。 推薦スコアテーブルの例を示す図である。 推薦スコアを計算する処理の流れを示すフローチャートである。 推薦スコアを計算するためのパラメータを算出する処理の流れを示すフローチャートである。

以下、本発明の実施の形態について図面を用いて説明する。

図１は、本実施の形態における商品推薦装置を含む全体構成図である。同図に示す商品推薦装置１は、商品情報処理部１０、購買情報処理部２０、推薦スコア算出部３０、商品推薦部４０、記録部５０、通信部６０、および入出力部７０を備える。通信部６０は、ネットワーク３に接続され、入出力部７０は、入力装置や表示装置等の外部装置４に接続される。商品推薦装置１が備える各部は、演算処理装置、記憶装置等を備えたコンピュータにより構成して、各部の処理がプログラムによって実行されるものとしてもよい。このプログラムは商品推薦装置１が備える記憶装置に記憶されており、磁気ディスク、光ディスク、半導体メモリ等の記録媒体に記録することも、ネットワークを通して提供することも可能である。

商品情報処理部１０は、記録部５０が保持する商品情報テーブル５１に商品の情報を設定したデータを挿入する。図２に商品情報テーブル５１の例を示す。同図に示すように、商品情報テーブル５１は、商品ＩＤフィールド、タイトルフィールド、販売開始時刻フィールドを有する。商品ＩＤフィールドは、その商品を特定する識別子である。タイトルフィールドは、商品のタイトルを示す文字列である。販売開始時刻フィールドは、商品の販売開始時刻を示すデータである。

購買情報処理部２０は、記録部５０が保持する購買情報テーブル５２に購買された商品、購買したアカウントの情報を設定したデータを挿入する。図３に購買情報テーブル５２の例を示す。同図に示すように、購買情報テーブル５２は、商品ＩＤフィールド、アカウントＩＤフィールドを有する。商品ＩＤフィールドは、商品情報テーブル５１の商品の識別子と対応し、購買された商品を示す。アカウントＩＤフィールドは、商品ＩＤフィールドが示す商品を購買したユーザを特定する識別子である。

推薦スコア算出部３０は、パラメータ推定部３１を有し、ユーザに推薦する商品を決めるために用いる推薦スコアを求め、記録部５０が保持する推薦スコアテーブル５３の推薦スコアを更新する。図４に推薦スコアテーブル５３の例を示す。同図に示すように、推薦スコアテーブル５３は、商品ＩＤフィールド、アカウントＩＤフィールド、推薦スコアフィールドを有し、アカウントＩＤフィールドが示すユーザに対して商品ＩＤフィールドが示す商品を推薦する度合いを推薦スコアフィールドに設定したものである。推薦スコアフィールドには、次式（１）でモデル化した、アカウントｕが商品ｉを購買する確率Ｐ（ｉ｜ｕ）を推薦スコアとして設定する。

ここで、ｚは商品のトピックで、例えば商品のカテゴリが本なら「小説」や「エッセイ」等を意味する。式（１）のようにモデル化する場合、ｚについてはその数を予めＺとして設定しておく。パラメータ推定部３１により、全てのｉ，ｕ，ｚについてアカウントｕの興味を示す、アカウントｕがトピックｚを選ぶ確率Ｐ（ｚ｜ｕ）とアカウントｕがトピックｚから商品ｉを選ぶ確率Ｐ（ｉ｜ｚ）を学習により求めて、式（１）を用いて推薦スコアを算出する。このとき、商品ｉが新商品のときにＰ（ｉ｜ｚ）の値が高くなるようにする。推薦スコアの算出については後述する。

商品推薦部４０は、推薦スコアテーブル５３を参照して推薦スコアを取得し、推薦スコアの大きいものをユーザに推薦すべき商品として決定する。

記録部５０は、上記の商品情報テーブル５１、購買情報テーブル５２、推薦スコアテーブル５３を保持する。

通信部６０、入出力部７０は、推薦する商品を求めるアカウントの情報の受信、推薦する商品情報の送信、商品情報テーブル５１に登録する商品情報の入力、および購買情報テーブル５２に登録する購買情報の入力などを行う。これらの情報の入力は、ネットワーク３を介して外部端末２から行ってもよいし、入出力部７０に接続された入力装置や表示装置を用いてもよい。

次に、推薦スコアを更新する処理について説明する。

図５は、推薦スコア算出部３０が推薦スコアを更新する処理の流れを示すフローチャートである。推薦スコア更新のタイミングは、例えばユーザが商品を購買したときに行うとよい。

まず、トピック数Ｚ、Ｐ（ｚ｜ｕ）算出のための事前パラメータα、Ｐ（ｉ｜ｚ）算出のための事前パラメータβ_０，β_１を設定する（ステップＳ１１０）。β_０，β_１は、新商品をどの程度優先して推薦するのかを調整するパラメータであり、β_０＜＜β_１となるように何らかの定数で設定される。例えば、β_０＝０．００１、β_１＝０．１と設定する。

続いて、購買情報テーブル５２を参照し、購買情報テーブル５２に出現する全てのアカウント集合Ｕと、各アカウントｕ∈Ｕの購買商品ｉ_ｕｍ（ｍ＝１，・・・，Ｍ_ｕ）を取得する（ステップＳ１２０）。ただし、Ｍ_ｕはアカウントｕの購買した商品の数を表す。

続いて、商品情報テーブル５１を参照し、古商品集合Ｉ_０及び新商品集合Ｉ_１を取得する（ステップＳ１３０）。商品が新商品であるか否かは、商品情報テーブル５１を参照し、その商品の販売開始日時と現在日時を比較することで判定する。

そして、パラメータ推定部３１が、事後確率の期待値を最大化することによってパラメータを推定するＥＭアルゴリズム（Bishop, M.C., "Pattern recognition and machine learning" 参照）を用いて、各アカウントｕ∈Ｕと各商品ｉ∈Ｉ_０∪Ｉ_１に対してＰ（ｉ｜ｚ）、Ｐ（ｚ｜ｕ）を算出する（ステップＳ１４０）。Ｐ（ｉ｜ｚ）、Ｐ（ｚ｜ｕ）を算出する処理の詳細は後述する。

続いて、Ｐ（ｉ｜ｚ）、Ｐ（ｚ｜ｕ）を式（１）に代入して、各アカウントｕ∈Ｕの各商品ｉ∈Ｉ_０∪Ｉ_１に対する推薦スコアＰ（ｉ｜ｕ）を算出する（ステップＳ１５０）。

そして、各アカウントｕ∈Ｕの各商品ｉ∈Ｉ_０∪Ｉ_１について、算出したＰ（ｉ｜ｕ）で推薦スコアテーブル５３の推薦スコアを更新する（ステップＳ１６０）。

次に、各アカウントｕ∈Ｕと各商品ｉ∈Ｉ_０∪Ｉ_１に対するＰ（ｉ｜ｚ）、Ｐ（ｚ｜ｕ）を算出する処理について説明する。

図６は、パラメータ推定部３１が各アカウントｕ∈Ｕと各商品ｉ∈Ｉ_０∪Ｉ_１に対するＰ（ｉ｜ｚ）、Ｐ（ｚ｜ｕ）を算出する処理の流れを示すフローチャートである。

まず、パラメータ推定部３１が、Ｐ（ｉ｜ｚ）、Ｐ（ｚ｜ｕ）を初期化する（ステップＳ１４１）。初期値は、例えば以下のように設定する。

ただし、ｒａｎｄ（ｘ，ｙ）は、ｘ以上ｙ以下の乱数を表す。

そして、パラメータ推定部３１は、対数尤度Ｌが収束するまで以下のステップを繰り返す。

まず、Ｅステップにて、各アカウントｕ∈Ｕの各購買ｍ＝１，・・・，Ｍ_ｕと各トピックｚについて、Ｐ（ｚ｜ｕ，ｍ）を次式（２）を用いて計算する（ステップＳ１４２）。

ただし、ｉ_umはアカウントｕの購買ｍでの購買商品である。

続いて、Ｍステップにて、各アカウントｕ∈Ｕ、各トピックｚ、各商品ｉ∈Ｉ_０∪Ｉ_１について、Ｐ（ｚ｜ｕ，ｍ）を用いて、Ｐ（ｚ｜ｕ）を次式（３）により、Ｐ（ｉ｜ｚ）を次式（４），（５）により更新する（ステップＳ１４３）。商品ｉが古商品、すなわちｉ∈Ｉ_０ならば、次式（４）を用い、商品ｉが新商品、すなわちｉ∈Ｉ_１ならば、次式（５）を用いる。

Ｎ_０，Ｎ_１は、それぞれ古商品数、新商品数を表す。

そして、次式（６）を用いて対数尤度Ｌ’を更新する。

対数尤度が収束した場合、つまり｜Ｌ−Ｌ’｜＜εであれば処理を終了し、対数尤度が収束していない場合は、Ｌ←Ｌ’として、ステップＳ１４２に戻り、上記の処理を繰り返す。

次に、商品推薦時の処理について説明する。商品推薦は、例えば、Ｅ−Ｃｏｍｍｅｒｃｅサイトであれば、ユーザがログインした際に行うようにする。

商品推薦の際には、まず、商品情報処理部１０が、商品情報テーブル５１を参照し、商品集合Ｉを取得する。

続いて、商品推薦部４０が、アカウントｕを受信し、商品集合Ｉに含まれる個々の商品ｉに対して、推薦スコアテーブル５３を参照し、アカウントｕの商品ｉに対する推薦スコアを取得して、推薦スコアの大きさに基づいてアカウントｕに推薦すべき商品を決定する。その際、推薦スコアＰ（ｉ｜ｕ）の値が大きいものから順に予め設定した任意の件数Ｋ（Ｋ＝１，２，３，・・・）を推薦すべき商品としてもよいし、推薦スコアに対して閾値を設けて、推薦スコアが閾値を超えるものを推薦すべき商品としてもよい。

以上説明したように、本実施の形態によれば、購買情報テーブル５２を参照してアカウントｕが購買した商品ｉから各アカウントｕの興味があるトピックｚを推定するとともに、各アカウントｕ、各商品ｉについて、トピックｚ毎に商品ｉが購買される確率を推定し、アカウントｕの興味と商品ｉが購買される確率から推薦スコアを求めることで、アカウントｕの興味に基づいて推薦する商品ｉを決めることができる。商品ｉが購買される確率を推定する際に、商品ｉが新商品であるか否かを判定し、商品ｉが新商品である場合には、その商品ｉが購買される確率を古い商品より高くすることで、新商品を優先して推薦することが可能となる。

なお、本発明は、上記の実施の形態に限定されることなく、種々変更・応用が可能である。

１…商品推薦装置
１０…商品情報処理部
２０…購買情報処理部
３０…推薦スコア算出部
３１…パラメータ推定部
４０…商品推薦部
５０…記録部
５１…商品情報テーブル
５２…購買情報テーブル
５３…推薦スコアテーブル
６０…通信部
７０…入出力部
２…外部端末
３…ネットワーク
４…外部装置

Claims (5)

1. 電子商取引サービスにおいてユーザに対して商品を推薦する商品推薦方法であって、
   ユーザを識別するアカウント、当該ユーザが購買した商品を識別する商品ＩＤを関連付けた購買情報を記憶した購買情報記憶手段から前記購買情報を読み出し、前記アカウント毎に、当該アカウントに関連付けられた前記商品ＩＤから当該アカウントで特定されるユーザの興味を推定するとともに、前記商品ＩＤ、当該商品ＩＤで特定される商品の販売開始時刻を関連付けた商品情報を記憶した商品情報記憶手段から前記商品情報を読み出し、各商品について、前記ユーザの興味に基づく商品の購買確率を、当該商品の販売開始時刻を加味して推定するステップと、
   前記アカウント、前記商品ＩＤ、当該アカウントで識別されるユーザに当該商品ＩＤで識別される商品を推薦すべき度合いを示す推薦スコアを関連付けた推薦情報を記憶した推薦スコア記憶手段に、前記ユーザの興味と前記ユーザの興味に基づく商品の購買確率を用いて前記ユーザが前記商品を購買する確率を算出し、前記推薦スコアとして格納するステップと、
   前記アカウントを入力し、当該アカウントを含む前記推薦情報を前記推薦スコア記憶手段から読み出し、前記推薦スコアが高い順、あるいは、前記推薦スコアが所定の閾値を超えた前記推薦情報の商品ＩＤで特定される商品を推薦商品として選択するステップと、
   を有することを特徴とする商品推薦方法。
2. 前記推定するステップは、事後確率の期待値を最大化することによって前記ユーザの興味及び前記ユーザの興味に基づく商品の購買確率を推定することを特徴とする請求項１記載の商品推薦方法。
3. 電子商取引サービスにおいてユーザに対して商品を推薦する商品推薦装置であって、
   商品を識別する商品ＩＤ、当該商品の販売開始時刻を関連付けた商品情報を記憶した商品情報記憶手段と、
   ユーザを識別するアカウント、当該ユーザが購買した商品を識別する商品ＩＤを関連付けた購買情報を記憶した購買情報記憶手段と、
   前記アカウント、前記商品ＩＤ、当該アカウントで識別されるユーザに当該商品ＩＤで識別される商品を推薦すべき度合いを示す推薦スコアを関連付けた推薦情報を記憶した推薦スコア記憶手段と、
   前記購買情報記憶手段から前記購買情報を読み出し、前記アカウント毎に、当該アカウントに関連付けられた前記商品ＩＤから当該アカウントで特定されるユーザの興味を推定するとともに、前記商品情報記憶手段から前記商品情報を読み出し、各商品について、前記ユーザの興味に基づく商品の購買確率を、当該商品の販売開始時刻を加味して推定するパラメータ推定手段と、
   前記推薦スコア記憶手段に、前記ユーザの興味と前記ユーザの興味に基づく商品の購買確率を用いて、前記ユーザが前記商品を購買する確率を算出し、前記推薦スコアとして格納する推薦スコア算出手段と、
   前記アカウントを入力し、当該アカウントを含む前記推薦情報を前記推薦スコア記憶手段から読み出し、前記推薦スコアが高い順、あるいは、前記推薦スコアが所定の閾値を超えた前記推薦情報の商品ＩＤで特定される商品を推薦商品として選択する商品推薦手段と、
   を有することを特徴とする商品推薦装置。
4. 前記パラメータ推定手段は、事後確率の期待値を最大化することによって前記ユーザの興味及び前記ユーザの興味に基づく商品の購買確率を推定することを特徴とする請求項３記載の商品推薦装置。
5. 請求項１又は２記載の商品推薦方法をコンピュータに実行させることを特徴とする商品推薦プログラム。

Images