JP2013029872A - 情報推薦システム、方法、及び、プログラム - Google Patents

Abstract

【課題】計算量の増大を招かずに、推薦結果の多様性や精度を調整可能な情報推薦システムを提供する。
【解決手段】情報推薦システム１００は、アイテム推薦部１０１を有する。アイテム推薦部１０１は、複数のユーザ分類手法を用いてユーザの集合を複数のクラスタに分割することで得られる、各ユーザ分類手法に対応した複数のクラスタ分割結果を組み合わせて、ユーザにアイテムを推薦する。
【選択図】図１

Description

本発明は、情報推薦システム、方法、及び、プログラムに関し、更に詳しくは、ユーザの嗜好に合うと考えられる情報を、ユーザに推薦する情報推薦システム、方法、及び、プログラムに関する。

情報推薦システムは、ユーザに情報推薦を行うシステムである。特許文献１及び特許文献２は、情報推薦を行うシステムが記載された文献である。特許文献１には、ユーザにテレビ番組を推薦する情報処理装置が記載されている。特許文献１に記載の情報処理装置は、類似系番組推薦部と、定番系番組推薦部と、推薦番組決定部と、受入率計算部とを有する。類似系番組決定部は、ユーザベクトルと、番組ベクトルとのコサイン距離に応じた値を類似度として計算し、類似度が高い番組を推薦番組として決定する。定番系番組推薦部は、あらかじめ設定されたユーザの嗜好と、番組のメタデータとから、推薦番組を決定する。

受入率計算部は、ユーザに対して推薦した番組の数と、ユーザが推薦された番組の中から実際に録画予約を行った番組の数との割合を示す受入率を計算する。受入率計算部は、類似系番組決定部が決定した推薦番組（類似系番組）の受入率と、定番系番組決定部が決定した推薦番組（定番系番組）の受入率とをそれぞれ計算する。推薦番組決定部は、類似系番組の受入率と、定番系番組の受入率とに基づいて、類似系番組推薦部が推薦する類似系番組、及び、定番系番組推薦部が推薦する定番系番組のうち、録画再生装置の表示部に表示する番組の数を決定する。

特許文献２には、番組推薦を行うテレビジョン受信装置が記載されている。特許文献２のテレビジョン受信装置は、視聴している視聴者を検出し、視聴している視聴者間の相関を、視聴者間の相関を示す相関データから求める。その後、テレビジョン受信装置は、求められた相関に応じて番組を評価し、評価値を計算する。テレビジョン受信装置は、評価値が高い番組のリストを、視聴者に提示する。

特開２００５−３９７４９号公報 特開２００８−２１９１８２号公報

ところで、推薦結果を計算するための入力であるユーザ間の類似度を計測する手法は多様である。特許文献１及び２に記載のシステム問題点は、推薦結果の多様性及び精度に対して、ユーザが満足しない場合があるということである。この問題点が生じる理由は、特許文献１及び２では、適切な計測方法の選択や複数の測定結果を用いることが考慮されていないためである。

特許文献１では、類似系番組推薦部と定番系番組推薦部とを用いて、類似系番組と定番系番組とを推薦している。特許文献１では、アルゴリズムごとの推薦結果から、推薦する番組を決定しており、類似系番組を決定する推薦プログラムと、定番系番組を決定する推薦プログラムとを同時に動作させる必要がある。このため、計算量が多く、特に推薦対象のアイテムが大量に存在すると、計算に要する時間が長くなるという問題がある。

本発明は、計算量の増大を招かずに、推薦結果の多様性や精度を調整可能な情報推薦システム、方法、及び、プログラムを提供することを目的とする。

上記目的を達成するために、本発明は、複数のユーザ分類手法を用いてユーザの集合を複数のクラスタに分割することで得られる、各ユーザ分類手法に対応した複数のクラスタ分割結果を組み合わせて、ユーザにアイテムを推薦するアイテム推薦部を備える情報推薦システムを提供する。

本発明は、複数のユーザ分類手法を用いてユーザの集合を複数のクラスタに分割することで得られる、各ユーザ分類手法に対応した複数のクラスタ分割結果を組み合わせて、ユーザにアイテムを推薦するアイテム推薦ステップを有する情報推薦方法を提供する。

本発明は、コンピュータに、複数のユーザ分類手法を用いてユーザの集合を複数のクラスタに分割することで得られる、各ユーザ分類手法に対応した複数のクラスタ分割結果を組み合わせて、ユーザにアイテムを推薦するアイテム推薦処理を実行させるプログラムを提供する。

本発明の情報推薦システム、方法、及び、プログラムは、計算量の増大を招かずに、推薦結果の多様性や精度を調整することができる。

本発明の情報推薦システムの概略を示すブロック図。 本発明の第１実施形態の情報推薦システムを示すブロック図。 ユーザ嗜好情報を示す図。 嗜好マトリクスの分解を示す図。 解析フェーズの動作手順を示すフローチャート。 推薦実行フェーズの動作手順を示すフローチャート。 アイテム推薦の実行を示す模式図。 本発明の第２実施形態の情報推薦システムを示すブロック図。

本発明の実施の形態の説明に先立って、本発明の概略について説明する。図１は、本発明の情報推薦システムを示している。情報推薦システム１００は、アイテム推薦部１０１を有する。アイテム推薦部１０１は、複数のユーザ分類手法を用いてユーザの集合を複数のクラスタに分割することで得られる、各ユーザ分類手法に対応した複数のクラスタ分割結果を組み合わせて、ユーザにアイテムを推薦する。

アイテム推薦部１０１は、情報推薦の際に用いるクラスタ分割結果の組み合わせを変更可能であり、複数のユーザ分類手法を用いて行ったクラスタ分割結果を使い分けたり、複数のクラスタ分割結果を任意の割合で組み合わせたりして情報推薦を行うことができる。アイテム推薦部１０１が情報推薦の際に用いるクラスタ分割結果の組み合わせや、用いるクラスタ分割結果の切り替えを考慮することで、推薦結果の精度や多様性の調整を行うことができる。

複数のアルゴリズムでユーザに推薦するアイテムを決定する方式では、アルゴリズムごとに推薦アイテムを計算する必要がある。本発明では、複数のクラスタ分割結果を組み合わせてアイテムを推薦しており、複数の推薦結果を組み合わせてアイテムを推薦する方式に比して、計算量の増大を抑制できる。

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２は、本発明の第１実施形態の情報推薦システムを示している。情報推薦システムは、嗜好情報入力部１１、嗜好情報蓄積部１２、嗜好概念ベクトル抽出部１３、ユーザ分類部１４、分類結果記憶部１５、アイテム分類部１６、アイテム分類記憶部１７、要求受信部１８、アイテム推薦部１９を備える。情報推薦システム内の各部の機能は、コンピュータシステムが所定のプログラムに従って動作することで実現可能である。

嗜好情報入力部１１は、ユーザのアイテムに対する嗜好情報を入力する。嗜好情報蓄積部１２は、ユーザのアイテムに対する嗜好情報を記憶する。嗜好概念ベクトル抽出部１３は、ユーザのアイテムに対する嗜好情報から、ユーザの嗜好概念ベクトルと、アイテムの被嗜好概念ベクトルとを抽出する。

ユーザ分類部１４は、ユーザの集合を、複数のユーザ分類手法を用いて複数のユーザクラスタに分割する。より詳細には、ユーザ分類部１４は、ユーザの嗜好を示すベクトル間の距離を複数のユーザ分類手法を用いて計算する。ユーザ分類部１４は、計算したベクトル間の距離に基づいて、ユーザ分類手法ごとに、ユーザの集合を複数のユーザクラスタに分割する。ユーザ分類部１４は、各ユーザ分類手法を用いてクラスタ分割した分類結果（クラスタ分割結果）を分類結果記憶部１５に記憶する。

また、ユーザ分類部１４は、クラスタ分割後、ユーザ分類手法ごとに、クラスタ分割で得られた各ユーザクラスタの代表ベクトルを計算する。代表ベクトルは、同じユーザクラスタに所属するユーザの嗜好を示すベクトルである。ユーザ分類部１４は、例えば、各ユーザクラスタに所属するユーザの嗜好概念ベクトルの平均を求め、求めた平均を代表ベクトルとする。ユーザ分類部１４は、各手法に対応したクラスタ分割結果と、各ユーザクラスタの代表ベクトルとを、分類結果記憶部１５に記憶する。

アイテム分類部１６は、アイテムの集合を、複数のアイテムクラスタに分割する。アイテム分類部１６は、例えば、アイテムの被嗜好概念ベクトルに基づいて、アイテムの集合を複数のアイテムクラスタに分割する。

アイテム分類部１６は、クラスタ分割後、クラスタ分割で得られた各アイテムクラスタの代表ベクトルを計算する。アイテムクラスタの代表ベクトルは、同じアイテムクラスタに所属するアイテムの被嗜好概念を表すベクトルである。アイテム分類部１６は、例えば、各アイテムクラスタに所属するアイテムの被嗜好概念ベクトルの平均を求め、求めた平均を代表ベクトルとする。アイテム分類部１６は、アイテムの分類結果（クラスタ分割結果）と、各アイテムクラスタの代表ベクトルとを、アイテム分類記憶部１７に記録する。また、アイテム分類部１６は、各アイテムの被嗜好概念ベクトルをアイテム分類記憶部１７に記憶する。

要求受信部１８は、ユーザから、情報推薦要求を受け取る。アイテム推薦部１９は、情報推薦要求があると、複数のユーザ分類手法を用いてユーザの集合を複数のクラスタに分割することで得られた、各ユーザ分類手法に対応した複数のクラスタ分割結果を組み合わせて、ユーザにアイテムを推薦する。

アイテム推薦部１９は、ベクトル合成部２０と推薦アイテム決定部２１とを有する。ベクトル合成部２０は、要求受信部１８から、推薦対象ユーザを識別する情報を受け取る。ベクトル合成部２０は、分類結果記憶部１５を参照し、ユーザ分類手法ごとに、各ユーザ分類手法を用いて分割したユーザクラスタのうちで、推薦対象ユーザが所属するユーザを特定する。ベクトル合成部２０は、ユーザ分類手法ごとに、推薦対象ユーザが所属するクラスタの代表ベクトルを求める。ベクトル合成部２０は、ユーザ分類手法ごとの代表ベクトルを合成し、クエリベクトルを生成する。

ユーザ分類で用いるユーザ分類手法の数をＮ（Ｎは２以上の整数）とする。分類結果記憶部１５には、Ｎ通りのユーザクラスタ分割結果が記憶されている。推薦対象ユーザは、ユーザ分類手法ごとに、各ユーザ分類手法を用いて分割されたクラスタのうちの１つに所属している。各ユーザ分類手法で、推薦対象ユーザが所属するクラスタの代表ベクトルをＵ_１〜Ｕ_Ｎとする。ベクトル合成部２０は、代表ベクトルＵ_１〜Ｕ_Ｎを所定の重みで合成し、クエリベクトルを生成する。具体的には、ベクトル合成部２０は、ω_１〜ω_Ｎを重みとし、クエリベクトルをＵ_Ωとして、
Ｕ_Ω＝ω_１Ｕ_１＋ω_２Ｕ_２＋・・・＋ω_ＮＵ_Ｎ （１）
で、クエリベクトルＵ_Ωを計算する。

式１における重みω_１〜ω_Ｎは、各ユーザ分類手法に対応する代表ベクトルＵ_１〜Ｕ_Ｎをが、どの程度の割合で合成されるかを示す値である。重みの総和は、例えば１とする。重みの大きさは、ユーザが推薦要求を行うときに直接指定することができる。或いは、ベクトル合成部２０に、重みの定義（重みのセット）を複数用意しておき、推薦要求に含まれる情報に基づいて、使用する重みのセットを変えてもよい。

例えば、ある特定のユーザ分類手法を用いてクラスタ分割を行った結果のみを用いて情報推薦を行いたいときは、そのユーザ分類手法に対応する重みの値を１にし、その他のユーザ分類手法に対応した重みの値を０にすればよい。また、ある特定のユーザ分類手法を用いてクラスタ分割を行った結果を情報推薦に用いたくないときは、そのユーザ分類手法に対応する重みの値を０とすればよい。このように、重みの値を変更することで、情報推薦の際に用いるクラスタ分割結果の組み合わせや使い分けを任意に設定可能である。

推薦アイテム決定部２１は、ベクトル合成部２０が合成したクエリベクトルを用いて、推薦対象ユーザに推薦するアイテムを決定する。推薦アイテム決定部２１は、推薦アイテムの決定に際して、アイテム分類記憶部１７から、アイテムのクラスタ分割結果と、各アイテムクラスタの代表ベクトルとを取得する。推薦アイテム決定部２１は、クエリベクトルと、各アイテムクラスタの代表ベクトルとの積（内積）を計算し、アイテムクラスタごとにアイテムクラスタスコアを求める。推薦アイテム決定部２１は、アイテムクラスタスコアに基づいて、推薦対象ユーザに推薦すべきアイテムを含むアイテムクラスタを決定し、そのアイテムクラスタに所属するアイテムのうちの少なくとも１つを推薦アイテムとして決定する。

図３は、嗜好情報蓄積部１２に記録された嗜好情報を示している。嗜好情報は、図３に示すマトリクスで表すことができる。図３にて、各行（“ア”〜“ク”）は、ユーザに対応しており、各列（“Ａ”〜“Ｈ”）は、アイテムに対応している。例えば、“ア”の行と“Ｃ”の列とが交差する箇所の値は、“ア”に対応するユーザが、“Ｃ”に対応するアイテムに対して行った評価に対応する。各ユーザは、任意の時点で、任意のアイテムに対する評価などを入力する。嗜好情報入力部１１は、嗜好情報蓄積部１２に、嗜好情報を記録していく。

嗜好概念ベクトル抽出部１３は、嗜好情報のマトリクスの分解を行う。図４は、嗜好情報のマトリクスの分解を示している。図４では、嗜好情報蓄積部１２に蓄積された蓄積情報（嗜好マトリクス）を、ｎ行ｍ列の行列で表している。ｎは、ユーザ数であり、ｍはアイテム数である。嗜好マトリクスの要素は、ｒ_ｉ，ｊ（ｉ：１〜ｎ、ｊ：１〜ｍ）で表わされる。嗜好マトリクスのｉ行目（ｒ_ｉ，１、ｒ_ｉ，２、・・・、ｒ_ｉ，ｍ）は、ｉ番目のユーザのユーザ嗜好ベクトルに対応している。

嗜好概念ベクトル抽出部１３は、ｎ行×ｍ列の嗜好マトリクスを、ｎ行×ｋ列のマトリクス（ユーザの嗜好概念ベクトル）と、ｋ行×ｍ列のマトリクス（アイテムの被嗜好概念ベクトル）とに分解する。ｋの値は、嗜好概念の次元数を表し、２以上でｍよりも小さい値を取る。分解されたｎ行×ｋ列のマトリクスのｉ行目（ｕ_ｉ，１〜ｕ_ｉ，ｋ）は、ｉ番目のユーザの嗜好概念ベクトルを表している。また、ｋ行×ｍ列のマトリクスのｊ列目（ｉ_１，ｊ〜ｉ_ｋ，ｊ）は、ｊ番目のアイテムの被嗜好概念ベクトルを表している。嗜好概念ベクトル（ｕ_ｉ，１，・・・，ｕ_ｉ，ｋ）と（ｉ_１，ｊ，・・・，ｉ_ｋ，ｊ）との内積をとることで、ｉ番目のユーザのｊ番目のアイテムに対する嗜好情報（ｒ_ｉ，ｊ）が得られる。マトリクスの分解には、特異値分解やNon-Negative Matrix Factorizationなど、任意のものを用いることができる。

情報推薦システムの動作は、解析フェーズと推薦実行フェーズとに大別される。まず、解析フェーズの動作について説明する。図５は、解析フェーズの動作手順を示している。ユーザは、嗜好情報入力部１１に対して、アイテムに対する嗜好情報を入力する（ステップＡ１）。嗜好情報とは、例えば、評価を５段階として、「ユーザ１のアイテム１に対する評価は５」といった事実や、或いは、「ユーザ１がアイテム１を購入した」といった事実を表す情報である。嗜好情報入力部１１は、入力された嗜好情報を、嗜好情報蓄積部１２に記録する。

嗜好概念ベクトル抽出部１３は、嗜好情報蓄積部１２に蓄積された嗜好情報に対してマトリクスの分解を行い、ユーザの嗜好概念ベクトルとアイテムの被嗜好概念ベクトルとを抽出する（ステップＡ２）。ユーザ分類部１４は、複数のユーザ分類手法を用いて、ユーザ分類を行う（ステップＡ３）。ユーザ分類部１４は、ステップＡ３では、例えば、嗜好概念ベクトル抽出部１３が抽出したユーザの嗜好概念ベクトル間の類似度を計算し、クラスタリングを行う。クラスタリングには、k-means法、Repeated-Bisection法など、任意のクラスタリング手法を用いることができる。

ユーザ分類部１４は、ステップＡ３では、複数のユーザ類似度メトリックを用いて嗜好概念ベクトル間の類似度を計算し、用いるユーザ類似度メトリックごとにクラスタリングを行う。ユーザ分類部１４は、例えば、ユーザの嗜好概念ベクトル間の相関係数をユーザ類似度メトリックとした用いたクラスタリングと、ユーザの嗜好概念ベクトル間のコサイン距離をユーザ類似度メトリックとした用いたクラスタリングとを行う。ユーザ分類部１４は、「本に関する好みの距離」や、「食べ物に関する好みの距離」を、ユーザ類似度メトリックとして用いてクラスタリングを行ってもよい。ユーザ分類部１４は、ユーザ分類結果（クラスタ分割結果）を、分類結果記憶部１５に記憶する。

なお、ユーザ分類部１４が行うユーザ分類は、ユーザの嗜好概念ベクトルを用いたユーザ分類には限定されない。例えば、ユーザ分類部１４が、別途用意された、ユーザの年齢や所属、趣味などの情報を参照し、それらに基づいて、ユーザの集合を複数のユーザクラスタに分割するという構成でもよい。また、ユーザ分類部１４を用いずに、人手で、ユーザ分類を行い、ユーザ分類結果を分類結果記憶部１５に記憶しておいてもよい。

ユーザ分類部１４は、ユーザ分類で得られた各ユーザクラスタの代表ベクトルを求める。ユーザ分類部１４は、例えば、同じユーザクラスタに所属するユーザの嗜好概念ベクトルに基づいて、各クラスタの代表ベクトルを計算する。具体的には、ユーザ分類部１４は、同じユーザクラスタに所属するユーザの嗜好概念ベクトルの平均を、代表ベクトルとする。或いは、ユーザ分類部１４は、同じユーザクラスタに所属するユーザの嗜好概念ベクトルの重心位置を、代表ベクトルとしてもよい。

ユーザ分類部１４は、ステップＡ３では、複数のユーザ分類手法を用いてユーザ分類を行うので、クラスタ分割結果は、ユーザ分類に用いるユーザ分類手法の数だけ存在する。ユーザ分類部１４は、複数のユーザ分類手法に対応しクラスタ分割結果のそれぞれで、各クラスタの代表ベクトルを計算する。ユーザ分類部１４は、各ユーザクラスタの代表ベクトルを、クラスタ分割結果と共に、分類結果記憶部１５に記憶する。ユーザ分類部１４は、分類結果記憶部１５に、事前に、人手などで分類されたユーザ分類結果が記憶されている場合は、分類結果記憶部１５からユーザ分類結果を読み出して各ユーザクラスタの代表ベクトルを計算し、分類結果記憶部１５に記憶すればよい。

アイテム分類部１６は、アイテムの集合を複数のクラスタに分割し、アイテム分類を行う（ステップＡ４）。アイテム分類部１６は、ステップＡ４では、例えば、嗜好概念ベクトル抽出部１３が抽出したアイテムの被嗜好概念ベクトルを利用してアイテム間の類似度を計算し、クラスタリングを行う。クラスタリングには、ユーザ分類部１４におけるクラスタリングと同様に、k-means法、Repeated-Bisection法など、任意の手法を用いることができる。

アイテム分類部１６は、アイテムのクラスタ分割結果を、アイテム分類記憶部１７に記憶する。なお、アイテム分類部１６が行うアイテム分類は、アイテムの被嗜好概念ベクトルを用いた分類には限定されない。例えば、アイテム分類部１６が、別途用意されたアイテムのカテゴリ情報などを参照し、それらに基づいて、アイテムの集合を複数のアイテムクラスタに分割するという構成でもよい。また、アイテム分類部１６を用いずに、人手で、アイテム分類を行い、アイテム分類結果をアイテム分類記憶部１７に記憶してもよい。

アイテム分類部１６は、アイテム分類で得られた各アイテムクラスタの代表ベクトルを求める。アイテム分類部１６は、同じアイテムクラスタに所属するアイテムの被嗜好概念ベクトルに基づいて、各クラスタの代表ベクトルを計算する。具体的には、アイテム分類部１６は、同じアイテムクラスタの所属するアイテムの被嗜好概念ベクトルの平均を、代表ベクトルとする。或いは、アイテム分類部１６は、同じアイテムクラスタに所属するアイテムの被嗜好概念ベクトルの重心位置を、代表ベクトルとしてもよい。

アイテム分類部１６は、各アイテムクラスタの代表ベクトルを、クラスタ分割結果と共に、アイテム分類記憶部１７に記憶する。また、アイテム分類部１６は、各アイテムの被嗜好概念ベクトルをアイテム分類記憶部１７に記憶する。なお、アイテム分類部１６は、アイテム分類記憶部１７に、事前に、人手などで分類されたアイテム分類結果が記憶されている場合は、アイテム分類記憶部１７からアイテム分類結果を読み出して各アイテムクラスタの代表ベクトルを計算し、アイテム分類記憶部１７に記憶すればよい。以上で、解析フェーズの動作は終了する。

図６は、推薦実行フェーズの動作手順を示している。ユーザは、要求受信部１８に、推薦要求を送信する（ステップＢ１）。要求受信部１８は、推薦対象ユーザを識別する情報をベクトル合成部２０に渡す。ベクトル合成部２０は、分類結果記憶部１５を参照して、各ユーザ分類手法で、推薦対象ユーザが所属するユーザクラスタを特定する。ベクトル合成部２０は、分類結果記憶部１５から、ユーザ分類手法ごとに、推薦対象ユーザが所属するユーザクラスタの代表ベクトルを取得する（ステップＢ２）。

ベクトル合成部２０は、ユーザ分類手法ごとのユーザクラスタの代表ベクトルを結合し、クエリベクトルを生成する（ステップＢ３）。ベクトル合成部２０は、ステップＢ３では、結合する代表ベクトルにそれぞれ所定の重みを乗じた上で、代表ベクトルを合成する。ベクトル合成部２０は、代表ベクトルを結合したクエリベクトルを推薦アイテム決定部２１に渡す。

推薦アイテム決定部２１は、アイテム分類記憶部１７から、各アイテムクラスタの代表ベクトルを読み出す。推薦アイテム決定部２１は、クエリベクトルと、各アイテムクラスタの代表ベクトルとの内積をとり、アイテムクラスタごとのスコア（アイテムクラスタスコア）を計算する（ステップＢ４）。推薦アイテム決定部２１は、アイテムクラスタスコアに基づいて、推薦対象ユーザに推薦すべきアイテムを含むアイテムクラスタを決定する（ステップＢ５）。

推薦アイテム決定部２１は、例えば、アイテムクラスタスコアが最も高いアイテムクラスタを、推薦すべきアイテムを含むアイテムクラスタとして決定する。或いは、推薦アイテム決定部２１は、アイテムクラスタスコアが所定のしきい値以上のアイテムクラスタを、推薦すべきアイテムを含むアイテムクラスタとしてもよい。

推薦アイテム決定部２１は、ステップＢ５で決定したアイテムクラスタに所属するアイテムのうちの少なくとも１つを、推薦対象ユーザに推薦するアイテムとして決定する（ステップＢ６）。推薦アイテム決定部２１は、ステップＢ６では、まず、アイテム分類記憶部１７から決定したアイテムクラスタに所属するアイテムの被嗜好概念ベクトルを読み出す。次いで、推薦アイテム決定部２１は、クエリベクトルと、読み出した各アイテムの被嗜好概念ベクトルとの内積をとり、決定したアイテムクラスタに所属する各アイテムのアイテムスコアを計算する。その後、推薦アイテム決定部２１は、アイテムスコアに基づいて、推薦アイテムを決定する。

推薦アイテム決定部２１は、例えば、推薦対象ユーザの嗜好情報がないアイテムのうち、アイテムスコアが最も高く、推薦対象ユーザの嗜好情報がないアイテムを推薦アイテムとして決定する。或いは、推薦アイテム決定部２１は、アイテムスコアが所定のしきい値以上のアイテムを、推薦アイテムとして決定してもよい。推薦アイテム決定部２１は、決定したアイテムに関する情報を推薦対象ユーザに送信し、推薦対象ユーザにアイテムを推薦する（ステップＢ７）。

図７は、推薦アイテムの決定を模式的に示している。ユーザ分類手法として、手法Ａと、手法Ｂとを考える。手法Ａは、ユーザの嗜好ベクトル間の類似度を、ピアソン相関係数で評価し、ユーザ分類を行う手法であり、手法Ｂは、ユーザ嗜好ベクトル間の類似度を、コサイン距離で評価して、ユーザ分類を行う手法である。ユーザ分類部１４は、手法Ａでユーザの集合を複数のクラスタに分割し、クラスタ分割結果としてユーザクラスタ群Ａを生成する。また、ユーザ分類部１４は、手法Ｂでユーザの集合を複数のクラスタに分割し、クラスタ分割結果としてユーザクラスタ群Ｂを生成する。

ユーザ分類部１４は、ユーザクラスタ群Ａに含まれる各ユーザクラスタの代表ベクトルを計算する。また、ユーザ分類部１４は、ユーザクラスタ群Ｂに含まれる各ユーザクラスタの代表ベクトルを計算する。ユーザ分類部１４は、ユーザクラスタ群Ａの各クラスタが、どのユーザで構成されるかを示す情報と、ユーザクラスタ群Ａの各ユーザクラスタの代表ベクトルとを、分類結果記憶部１５に記憶する。また、ユーザ分類部１４は、ユーザクラスタ群Ｂの各クラスタが、どのユーザで構成されるかを示す情報と、ユーザクラスタ群Ｂの各ユーザクラスタの代表ベクトルとを、分類結果記憶部１５に記憶する。

アイテム分類部１６は、アイテムの集合を複数のアイテムクラスタに分割し、各アイテムクラスタの代表ベクトルを計算する。分割されたアイテムクラスタをＣ１、Ｃ２、Ｃ３とし、各アイテムクラスタの代表ベクトルをＩ_Ｃ１、Ｉ_Ｃ２、Ｉ_Ｃ３とする。アイテム分類部１６は、各アイテムクラスタが、どのアイテムで構成されるかを示す情報と、各アイテムクラスタの代表ベクトルとを、アイテム分類記憶部１７に記憶する。また、アイテム分類部１６は、各アイテムの被嗜好概念ベクトルをアイテム分類記憶部１７に記憶する。

あるユーザが、情報推薦要求を行ったとする。要求受信部１８は、ベクトル合成部２０に、推薦対象ユーザの識別情報を渡す。ベクトル合成部２０は、分類結果記憶部１５を参照し、推薦対象ユーザが、手法Ａでクラスタ分割されたユーザクラスタ群Ａのどのユーザクラスタに所属しているかを特定する。ベクトル合成部２０は、分類結果記憶部１５から、ユーザクラスタ群Ａで推薦対象ユーザが所属するユーザクラスタの代表ベクトルＵ_Ａを読み出す。

また、ベクトル合成部２０は、分類結果記憶部１５を参照し、推薦対象ユーザが、手法Ｂでクラスタ分割されたユーザクラスタ群Ｂのどのユーザクラスタに所属しているかを特定する。ベクトル合成部２０は、分類結果記憶部１５から、ユーザクラスタ群Ｂで推薦対象ユーザが所属するユーザクラスタの代表ベクトルＵ_Ｂを読み出す。手法Ａと、手法Ｂとでは、用いるユーザ類似度メトリックが異なっている。このため、一般に、ユーザクラスタ群Ａで推薦対象ユーザが所属するユーザクラスタと、ユーザクラスタ群Ｂで推薦対象ユーザが所属するユーザクラスタとでは、所属ユーザ（近傍ユーザ）が異なり、代表ベクトルＵ_ＡとＵ_Ｂとは、異なるベクトルになる。

ベクトル合成部２０は、手法Ａに対応する代表ベクトルＵ_Ａと、手法Ｂに対応する代表ベクトルＵ_Ｂとを、所定の重みづけて線形結合する。具体的には、ベクトル合成部２０は、クエリベクトルＵ_Ωを、
Ｕ_Ω＝ω_ＡＵ_Ａ＋ω_ＢＵ_Ｂ
で生成する。重みの値は、例えば、推薦対象ユーザが「相関係数重視」を指定したときは、ω_Ａの値を相対的に大きく、ω_Ｂの値を相対的に小さくする。推薦対象ユーザが、逆に、「コサイン距離重視」を指定したときは、ω_Ａの値を相対的に小さくし、ω_Ｂの値を相対的に大きくする。

推薦アイテム決定部２１は、クエリベクトルＵ_Ωと、アイテムクラスタＣ１の代表ベクトルＩ_Ｃ１との内積（Ｕ_Ω・Ｉ_Ｃ１）をとり、アイテムクラスタＣ１のスコアを求める。また、推薦アイテム決定部２１は、クエリベクトルＵ_Ωと、アイテムクラスタＣ２の代表ベクトルＩ_Ｃ２との内積（Ｕ_Ω・Ｉ_Ｃ２）をとり、アイテムクラスタＣ２のスコアを求める。推薦アイテム決定部２１は、クエリベクトルＵ_Ωと、アイテムクラスタＣ３の代表ベクトルＩ_Ｃ３との内積（Ｕ_Ω・Ｉ_Ｃ３）をとり、アイテムクラスタＣ３のスコアを求める。アイテムクラスタＣ１のスコアは４．０５となり、アイテムクラスタＣ２のスコアは３．１８となる。また、アイテムクラスタＣ３のスコアは２．９２となる。推薦アイテム決定部２１は、スコアが最も高いアイテムクラスタＣ１を、推薦対象ユーザに推薦すべくアイテムを含むアイテムクラスタとして決定する。

推薦アイテム決定部２１は、アイテムクラスタの決定後、クエリベクトルＵ_Ωと、決定したアイテムクラスタに所属する各アイテムの被嗜好概念ベクトルとの内積をとり、アイテムスコアを求める。アイテムクラスタＣ１は、アイテム１、５、７で構成されているとする。推薦アイテム決定部２１は、クエリベクトルＵ_Ωと、アイテム１の被嗜好概念ベクトルＩ_１との内積（Ｕ_Ω・Ｉ_１）をとり、アイテム１のスコアを求める。また、推薦アイテム決定部２１は、クエリベクトルＵ_Ωと、アイテム５の被嗜好概念ベクトルＩ_５との内積（Ｕ_Ω・Ｉ_５）をとり、アイテム５のスコアを求める。推薦アイテム決定部２１は、クエリベクトルＵ_Ωと、アイテム７の被嗜好概念ベクトルＩ_７との内積（Ｕ_Ω・Ｉ_７）をとり、アイテム７のスコアを求める。アイテム１のスコアは４．３となり、アイテム５のスコアは３．８となる。また、アイテム７のスコアは３．６となる。推薦アイテム決定部２１は、アイテムスコアが最も高いアイテム１を、推薦アイテムとして決定し、アイテム１を推薦する旨を推薦対象ユーザに送信する。

本実施形態では、アイテム推薦部１９は、複数のユーザ分類手法を用いてユーザの集合を複数のクラスタに分割した複数のクラスタ分割結果を組み合わせて、ユーザにアイテムを推薦する。アイテム推薦部１９は、情報推薦の際に用いるクラスタ分割結果の組み合わせを変更可能であり、複数のユーザ分類手法を用いて行ったクラスタ分割結果を使い分けたり、複数のクラスタ分割結果を任意の割合で組み合わせたりして情報推薦を行うことができる。アイテム推薦部１９が情報推薦の際に用いるクラスタ分割結果の組み合わせや、用いるクラスタ分割結果の切り替えを考慮することで、推薦結果の精度や多様性の調整を行うことができる。

本実施形態では、ベクトル合成部２０は、複数のクラスタ分割結果のそれぞれで推薦対象ユーザが所属するクラスタを特定し、ユーザ分類手法ごとに、推薦対象ユーザが所属するクラスタの代表ベクトルを求める。ユーザが所属するクラスタの代表ベクトル同士を合成し、クエリベクトルとする。推薦アイテム決定部２１は、クエリベクトルに基づいて、推薦するアイテムを決定する。クエリベクトルは、単一のベクトルであり、推薦アイテム決定部での計算量は、単一のユーザ分類手法を用いてクラスタ分割を行った場合の計算量と変わらない。従って、ユーザ分類手法ごとに推薦プログラムを用意し、ベクトル計算を用いるユーザ分類手法の数だけ行う場合に比して、計算量を減らすことができる。

続いて、第２実施形態を説明する。図８は、本発明の第２実施形態の情報推薦システムを示している。第２実施形態の情報推薦システムは、図２に示す第１実施形態の情報推薦システムの構成に加えて、フィードバック受信部２２を有する。フィードバック受信部２２は、アイテムを推薦したユーザから、推薦結果の評価を受信する。ベクトル合成部２０は、フィードバック受信部２２が受信した推薦結果に基づいて、ベクトル合成の際の重みを学習する。学習は、合成に用いた各代表ベクトルの重みのセットを重みベクトルとして、推薦が成功したか、失敗したかをそれぞれ正例、負例として訓練データ化し、既存の二値分類学習の手法を用いて実現可能である。

なお、上記各実施形態では、解析フェーズで、各ユーザ分類手法を用いて得られたクラスタ分割結果の各クラスタの代表ベクトルを計算したが、これには限定されない。代表ベクトルを計算する手段は、ユーザ分類部１４には限定されず、ベクトル合成部２０でもよい。例えば、推薦実行フェーズで、ベクトル合成部２０が、推薦対象ユーザが所属するクラスタを特定し、特定したクラスタに所属するユーザの嗜好概念ベクトルから代表ベクトルを計算してもよい。

上記各実施形態では、ユーザ分類部１４は、ユーザの嗜好概念ベクトルに基づいてクラスタ分割を行ったが、これには限定されない。例えば、ユーザ分類部１４は、分解前のユーザの嗜好情報（嗜好マトリクス）を参照して、クラスタ分割を行ってもよい。また、分類結果記憶部１５には、ユーザ分類部１４が行ったクラスタ分割結果と、組織情報などに基づいて事前に人手などで行ったクラスタ分割結果との双方を記憶してもおよい。

上記各実施形態では、アイテム分類部１６を用いるなどして、アイテムの集合をクラスタに分割したが、これには限定されない。推薦アイテム決定部２１は、クエリベクトルと、各アイテムの被嗜好概念ベクトルとの内積を計算し、各アイテムのアイテムスコアを求め、アイテムスコアに基づいて推薦アイテムを決定してもよい。ただし、アイテムの数が多いと、アイテムスコアの計算量が増大することになるので、アイテムの集合をアイテムクラスタに分割し、スコアの高いアイテムクラスタを求めた後にアイテムスコアを計算する方が効率的である。

上記各実施形態では、ユーザの嗜好を、ユーザの嗜好概念ベクトルと、アイテムの被嗜好概念ベクトルとに分割したがこれらには限定されない。例えば、ユーザの嗜好マトリクスをそのまま用いて、クラスタ分割やアイテム推薦を行ってもよい。その場合、各クラスタの代表ベクトルは、各アイテムへのユーザの嗜好を要素とするので、代表ベクトルの各要素の値がアイテムスコアに相当することになる。ただし、アイテムの数が多いと、計算量が増えて効率が悪く、また、クラスタ分割がうまくいかなくなることも考えられるので、マトリクス分割を行い、アイテム数の次元を減らしておくことが望ましい。次元圧縮は、実施形態で説明した手法には限定されず、任意の次元圧縮手法を用いることが可能である。

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、本発明の情報推薦システム、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。

１１：嗜好情報入力部
１２：嗜好情報蓄積部
１３：嗜好概念ベクトル抽出部
１４：ユーザ分類部
１５：分類結果記憶部
１６：アイテム分類部
１７：アイテム分類記憶部
１８：要求受信部
１９：アイテム推薦部
２０：ベクトル合成部
２１：推薦アイテム決定部
２２：フィードバック受信部
１００：情報推薦システム
１０１：アイテム推薦部

Claims (30)

1. 複数のユーザ分類手法を用いてユーザの集合を複数のクラスタに分割することで得られる、各ユーザ分類手法に対応した複数のクラスタ分割結果を組み合わせて、ユーザにアイテムを推薦するアイテム推薦部を備える情報推薦システム。
2. 前記アイテム推薦部は、
   各ユーザ分類手法に対応したクラスタ分割結果を記憶する分類結果記憶部を参照し、前記ユーザ分類手法ごとに、各ユーザ分類手法を用いて分割したユーザクラスタのうちで推薦対象ユーザが所属するユーザクラスタを特定し、該特定したユーザクラスタに所属するユーザの嗜好をベクトルで表した代表ベクトルを前記ユーザ分類手法ごとに求め、該ユーザ分類手法ごとの代表ベクトルを合成しクエリベクトルを生成するベクトル合成部と、
   前記クエリベクトルに基づいて、前記推薦対象ユーザに推薦するアイテムを決定する推薦アイテム決定部とを有する、請求項１に記載の情報推薦システム。
3. 前記ベクトル合成部は、用いるユーザ分類手法の数をＮとし、前記ユーザ分類手法ごとの前記特定したユーザクラスタの代表ベクトルをＵ_１〜Ｕ_Ｎとし、ω_１〜ω_Ｎを重みとして、クエリベクトルＵ_Ωを、
   Ｕ_Ω＝ω_１Ｕ_１＋ω_２Ｕ_２＋・・・＋ω_ＮＵ_Ｎ
   で求める、請求項２に記載の情報推薦システム。
4. ユーザの集合を、複数のユーザ分類手法を用いて複数のクラスタに分割し、各ユーザ分類手法に対応したクラスタ分割結果を分類結果記憶部に記憶するユーザ分類部を更に備える、請求項２又は３に記載の情報推薦システム。
5. 前記ユーザ分類部は、各ユーザの嗜好を示すベクトル間の距離を複数のユーザ類似度メトリックで計測し、各ユーザ類似度メトリックで計測したベクトル間の距離に基づいてユーザの集合を複数のクラスタに分割する、請求項４に記載の情報推薦システム。
6. 前記ユーザ分類部は、複数のユーザ類似度判断手法を用いてクラスタ分割を行った後、クラスタ分割で得られた各クラスタの代表ベクトルを計算し、該代表ベクトルを前記クラスタ分割結果と共に分類結果記憶部に記憶する、請求項４又は５に記載の情報推薦システム。
7. ユーザの数をｎ、アイテムの数をｍとして、各ユーザの各アイテムに対するユーザ嗜好情報をｎ行ｍ列に配列した嗜好マトリクスを、ｎ行ｋ列（ｋは２以上でｍよりも小さい整数）のユーザの嗜好概念マトリクスと、ｋ行ｍ列のアイテムの被嗜好概念マトリクスとに分解する嗜好概念ベクトル抽出部を更に備え、
   前記ユーザの嗜好概念マトリクスの各行で表されるベクトルをユーザの嗜好概念ベクトルとして、前記代表ベクトルが、前記ユーザの嗜好概念ベクトルに基づいて生成される、請求項２乃至６の何れか一に記載の情報推薦システム。
8. アイテムの集合が複数のアイテムクラスタに分割されており、前記推薦アイテム決定部は、前記クエリベクトルと、前記アイテムクラスタに所属するアイテムの被嗜好概念ベクトルに基づく代表ベクトルとの内積を計算してアイテムクラスタごとにアイテムクラスタスコアを求め、該アイテムクラスタスコアに基づいて推薦対象ユーザに推薦すべきアイテムを含むアイテムクラスタを決定し、該決定したアイテムクラスタに所属するアイテムのうちの少なくとも１つを推薦アイテムとして決定する、請求項７に記載の情報推薦システム。
9. 前記推薦アイテム決定部は、前記クエリベクトルと、前記決定したアイテムクラスタに所属するアイテムの被嗜好概念ベクトルとの内積を計算して、前記決定したアイテムクラスタに所属するアイテムのアイテムスコアを求め、該アイテムスコアに基づいて、前記推薦対象ユーザにするアイテムを決定する、請求項８に記載の情報推薦システム。
10. 前記推薦対象ユーザから推薦したアイテムに対する評価を受信するフィードバック受信部を更に備え、前記ベクトル合成部は、前記評価に基づいて前記重みを学習する、請求項２乃至９の何れか一に記載の情報推薦システム。
11. コンピュータが、複数のユーザ分類手法を用いてユーザの集合を複数のクラスタに分割することで得られる、各ユーザ分類手法に対応した複数のクラスタ分割結果を組み合わせて、ユーザにアイテムを推薦するアイテム推薦ステップを有する情報推薦方法。
12. 前記アイテム推薦ステップが、
    前記コンピュータが、各ユーザ分類手法に対応したクラスタ分割結果を記憶する分類結果記憶部を参照し、前記ユーザ分類手法ごとに、各ユーザ分類手法を用いて分割したユーザクラスタのうちで推薦対象ユーザが所属するユーザクラスタを特定するステップと、
    前記コンピュータが、前記特定したユーザクラスタに所属するユーザの嗜好をベクトルで表した代表ベクトルを前記ユーザ分類手法ごとに求め、該ユーザ分類手法ごとの代表ベクトルを合成しクエリベクトルを生成するステップと、
    前記コンピュータが、前記クエリベクトルに基づいて、前記推薦対象ユーザに推薦するアイテムを決定するステップとを含む、請求項１１に記載の情報推薦方法。
13. 前記クエリベクトルを合成するステップでは、前記コンピュータは、用いるユーザ分類手法の数をＮとし、前記ユーザ分類手法ごとの前記特定したユーザクラスタの代表ベクトルをＵ_１〜Ｕ_Ｎとし、ω_１〜ω_Ｎを重みとして、クエリベクトルＵ_Ωを、
    Ｕ_Ω＝ω_１Ｕ_１＋ω_２Ｕ_２＋・・・＋ω_ＮＵ_Ｎ
    で求める、請求項１２に記載の情報推薦方法。
14. 前記アイテム推薦ステップに先行して、ユーザの集合を、複数のユーザ分類手法を用いて複数のクラスタに分割し、各ユーザ分類手法に対応したクラスタ分割結果を分類結果記憶部に記憶するユーザ分類ステップを更に有する、請求項１２又は１３に記載の情報推薦方法。
15. 前記ユーザ分類ステップでは、前記コンピュータは、各ユーザの嗜好を示すベクトル間の距離を複数のユーザ類似度メトリックで計測し、各ユーザ類似度メトリックで計測したベクトル間の距離に基づいてユーザの集合を複数のクラスタに分割する、請求項１４に記載の情報推薦方法。
16. 前記ユーザ分類ステップに後続して、前記コンピュータが、クラスタ分割で得られた各クラスタの代表ベクトルを計算し、該代表ベクトルを前記分類結果記憶部に記憶するステップを更に有する、請求項１４又は１５に記載の情報推薦方法。
17. 前記コンピュータが、ユーザの数をｎ、アイテムの数をｍとして、各ユーザの各アイテムに対するユーザ嗜好情報をｎ行ｍ列に配列した嗜好マトリクスを、ｎ行ｋ列（ｋは２以上でｍよりも小さい整数）のユーザの嗜好概念マトリクスと、ｋ行ｍ列のアイテムの被嗜好概念マトリクスとに分解する嗜好概念ベクトル抽出ステップを更に有し、
    前記ユーザの嗜好概念マトリクスの各行で表されるベクトルをユーザの嗜好概念ベクトルとして、前記代表ベクトルが、前記ユーザの嗜好概念ベクトルに基づいて生成される、請求項１２乃至１６の何れか一に記載の情報推薦方法。
18. アイテムの集合が複数のアイテムクラスタに分割されており、前記推薦アイテムを決定するステップが、
    前記コンピュータが、前記クエリベクトルと、前記アイテムクラスタに所属するアイテムの被嗜好概念ベクトルに基づく代表ベクトルとの内積を計算してアイテムクラスタごとにアイテムクラスタスコアを求めるステップと、
    前記コンピュータが、前記アイテムクラスタスコアに基づいて推薦対象ユーザに推薦すべきアイテムを含むアイテムクラスタを決定するステップと、
    前記コンピュータが、前記決定したアイテムクラスタに所属するアイテムのうちの少なくとも１つを推薦アイテムとして決定するステップとを含む、請求項１７に記載の情報推薦方法。
19. 前記アイテムクラスタに所属するアイテムのうちの少なくとも１つを推薦アイテムとして決定するステップが、
    コンピュータが、前記クエリベクトルと、前記決定したアイテムクラスタに所属するアイテムの被嗜好概念ベクトルとの内積を計算して、前記決定したアイテムクラスタに所属するアイテムのアイテムスコアを求めるステップと、
    前記コンピュータが、前記アイテムスコアに基づいて、前記推薦対象ユーザにする推薦するアイテムを決定するステップとを含む、請求項１８に記載の情報推薦方法。
20. 前記アイテム推薦ステップに後続して、前記コンピュータが、前記推薦対象ユーザから推薦したアイテムに対する評価を受信し、前記評価に基づいて前記重みを学習するステップを更に有する、請求項１２乃至１９の何れか一に記載の情報推薦方法。
21. コンピュータに、
    複数のユーザ分類手法を用いてユーザの集合を複数のクラスタに分割することで得られる、各ユーザ分類手法に対応した複数のクラスタ分割結果を組み合わせて、ユーザにアイテムを推薦するアイテム推薦処理を実行させるプログラム。
22. 前記アイテム推薦処理が、
    各ユーザ分類手法に対応したクラスタ分割結果を記憶する分類結果記憶部を参照し、前記ユーザ分類手法ごとに、各ユーザ分類手法を用いて分割したユーザクラスタのうちで推薦対象ユーザが所属するユーザクラスタを特定する処理と、
    前記特定されたユーザクラスタに所属するユーザの嗜好をベクトルで表した代表ベクトルを前記ユーザ分類手法ごとに求め、該ユーザ分類手法ごとの代表ベクトルを合成しクエリベクトルを生成する処理と、
    前記クエリベクトルに基づいて、前記推薦対象ユーザに推薦するアイテムを決定する処理とを含む、請求項２１に記載のプログラム。
23. 前記クエリベクトルを合成する処理では、用いるユーザ分類手法の数をＮとし、前記ユーザ分類手法ごとの前記特定したユーザクラスタの代表ベクトルをＵ_１〜Ｕ_Ｎとし、ω_１〜ω_Ｎを重みとして、クエリベクトルＵ_Ωを、
    Ｕ_Ω＝ω_１Ｕ_１＋ω_２Ｕ_２＋・・・＋ω_ＮＵ_Ｎ
    で求める、請求項２２に記載のプログラム。
24. 前記アイテム推薦処理に先行して、前記コンピュータに、ユーザの集合を、複数のユーザ分類手法を用いて複数のクラスタに分割し、各ユーザ分類手法に対応したクラスタ分割結果を分類結果記憶部に記憶するユーザ分類処理を更に実行させる、請求項２２又は２３に記載のプログラム。
25. 前記ユーザ分類処理では、各ユーザの嗜好を示すベクトル間の距離を複数のユーザ類似度メトリックで計測し、各ユーザ類似度メトリックで計測したベクトル間の距離に基づいてユーザの集合を複数のクラスタに分割する、請求項２４に記載のプログラム。
26. 前記ユーザ分類処理に後続して、前記コンピュータに、クラスタ分割で得られた各クラスタの代表ベクトルを計算し、該代表ベクトルを前記分類結果記憶部に記憶する処理を更に実行させる、請求項２４又は２５に記載のプログラム。
27. 前記コンピュータに、ユーザの数をｎ、アイテムの数をｍとして、各ユーザの各アイテムに対するユーザ嗜好情報をｎ行ｍ列に配列した嗜好マトリクスを、ｎ行ｋ列（ｋは２以上でｍよりも小さい整数）のユーザの嗜好概念マトリクスと、ｋ行ｍ列のアイテムの被嗜好概念マトリクスとに分解する嗜好概念ベクトル抽出処理を更に実行させ、
    前記ユーザの嗜好概念マトリクスの各行で表されるベクトルをユーザの嗜好概念ベクトルとして、前記代表ベクトルが、前記ユーザの嗜好概念ベクトルに基づいて生成される、請求項２２乃至２６の何れか一に記載のプログラム。
28. アイテムの集合が複数のアイテムクラスタに分割されており、前記推薦アイテムを決定する処理が、
    前記クエリベクトルと、前記アイテムクラスタに所属するアイテムの被嗜好概念ベクトルに基づく代表ベクトルとの内積を計算してアイテムクラスタごとにアイテムクラスタスコアを求める処理と、
    前記アイテムクラスタスコアに基づいて推薦対象ユーザに推薦すべきアイテムを含むアイテムクラスタを決定する処理と、
    前記決定されたアイテムクラスタに所属するアイテムのうちの少なくとも１つを推薦アイテムとして決定する処理とを含む、請求項２７に記載のプログラム。
29. 前記アイテムクラスタに所属するアイテムのうちの少なくとも１つを推薦アイテムとして決定する処理が、
    前記クエリベクトルと、前記決定したアイテムクラスタに所属するアイテムの被嗜好概念ベクトルとの内積を計算して、前記決定したアイテムクラスタに所属するアイテムのアイテムスコアを求める処理と、
    前記アイテムスコアに基づいて、前記推薦対象ユーザにする推薦するアイテムを決定する処理とを含む、請求項２８に記載のプログラム。
30. 前記アイテム推薦処理に後続して、前記コンピュータに、前記推薦対象ユーザから推薦したアイテムに対する評価を受信し、前記評価に基づいて前記重みを学習する処理を更に実行させる、請求項２２乃至２９の何れか一に記載のプログラム。

Images