JP2013093015A - 情報推薦方法、装置及びプログラム - Google Patents

Abstract

【課題】ユーザの閲覧履歴実績が少ない状況下でも、ユーザによる条件の手入力に頼ることなくより高精度な情報推薦を可能にする。
【解決手段】飲食店のＷｅｂサイトに対する詳細な閲覧履歴データをもとに、閲覧時刻の近さに応じた詳細閲覧のまとまりを閲覧チャンクとして抽出すると共に、ＧＰＳ移動履歴データをもとに、ユーザが一定時間に一定の範囲内に留まっている場合にその滞在地情報の集合をユーザの行動範囲のまとまりを表す滞在チャンクとして抽出する。そして、これらのチャンクを参照飲食店集合からの標本と捉え、閲覧チャンクにおける無作為抽出との乖離確率ｐij、及び滞在チャンクにおける無作為抽出との乖離確率ｐikをそれぞれ計算し、これらの乖離確率を統合して飲食店のタグに対するユーザの嗜好スコアを計算し、この嗜好スコアを用いてユーザに対する飲食店の推薦リストを作成し配信する。
【選択図】図１

Description

この発明は、ユーザの嗜好や状況等に合わせた情報を推薦する情報推薦方法、装置及びプログラムに関する。

近年、ユーザの嗜好や状況等に応じた情報を推薦するサービスが種々提案されている。例えば、ユーザが設定した嗜好情報等の検索条件とユーザの現在位置の情報から周辺の飲食店の情報を選択し、ユーザに提示する飲食店ガイドサービスが提供されている。しかし、ユーザが適切な情報を取得するために、ユーザ自身が設定した嗜好情報等の検索条件を手入力することは、インターネット上の情報が大量で詳細になるにつれ、ユーザに過大な負担を強いるだけでなく、潜在的な嗜好を反映できない問題がある。

また、モバイルインターネットの普及によりスマートホン等の携帯端末を使用した情報検索が増加しているが、携帯端末は画面に一度に表示できる情報量が少なく、また検索条件の入力に手間がかかることから、ユーザの嗜好を考慮して適切な情報を推薦する技術のニーズはますます高まっている。

そこで、ユーザのインターネット閲覧履歴等を分析することで適切な情報推薦を行う技術が種々研究されている。しかし、従来の技術ではユーザ履歴が一位量以上蓄積されるまで推薦精度が向上しない、いわゆるCold-startという問題が発生する。この問題により、ユーザのサービス利用初期に適切な推薦が行えず満足度が上がらないことから、継続利用されないため履歴の蓄積が進まない。この結果、推薦精度の向上が長期化しサービス普及が進まない。

一方、閲覧履歴や検索履歴をもとにした情報推薦技術は一般にメモリベース法と呼ばれ、協調フィルタリングとコンテンツベースフィルタリングに大別される。この２つの方法のうち、アイテムにカテゴリ等を示すタグを付与することができる場合には、コンテンツベースフィルタリングがCold-start問題に強いといわれている。このため、履歴の蓄積状況等に応じてこの２つの技術を切り替えるか又は合成する方法が研究されている（例えば非特許文献１を参照）。

R. Burke, "Hybrid recommender systems: surveyand, experiments, user-modeling and user-adapted inter-actions," User Modeling and User-Adapted Interaction, Vol. 12, No. 4, pp.331-370, 2002.

ところが、非特許文献１に記載された飲食店推薦システムには以下のような改善すべき課題がある。すなわち、このシステムは、最初の段階では価格帯やグルメジャンル等の希望条件をユーザが手入力し、コンテンツベースフィルタリングを用いて候補となるレストランを選び出す。そして、協調フィルタリングによって候補の順位付けをするものとなっている。このため、一定の推薦精度を早い段階で実現できる。しかしながら、候補の絞り込みのための飲食店の希望条件をユーザ手入力に依存している。このため、候補が多い場合の推薦精度を向上させるには、順位付けのため履歴の蓄積が必要となる。すなわち、この方法は多くの候補が存在するわりに履歴の蓄積が少ない、飲食店等の情報を推薦する場合には十分な効果が期待できない。

この発明は上記事情に着目してなされたもので、その目的とするところは、ユーザの閲覧履歴実績が少ない状況下でも、ユーザによる条件の手入力に頼ることなくより高精度な情報推薦を可能にした情報推薦方法、装置及びプログラムを提供することにある。

上記目的を達成するためにこの発明の第１の観点は、コンピュータにより、地理的に散在する複数のスポットに対するユーザの興味を分析してその分析結果をもとに当該ユーザに対し推薦するスポットの情報を作成する情報推薦方法、装置及びプログラムにあって、
上記コンピュータが、上記複数のスポットに関する情報をそれぞれ掲示する閲覧サイトに対する上記ユーザの閲覧履歴を表す情報を取得して第１の記憶媒体に格納すると共に、上記ユーザの地理的な移動履歴を表す情報を取得して第２の記憶媒体に格納する。また、上記コンピュータが、上記第１の記憶媒体に記憶された閲覧履歴情報をもとに、当該閲覧履歴情報に含まれる複数のスポット閲覧情報を閲覧時間の近さを条件にクラスタ化して閲覧チャンクを生成すると共に、上記第２の記憶媒体に記憶された移動履歴情報、又はユーザが事前に入力した情報や無線基地局との接続情報をもとにユーザが訪問可能な参照エリアを決定して、予め記憶されたスポット情報の中から上記決定された参照エリアに含まれるスポット情報の集合を参照スポット集合として抽出する。そして、上記生成された閲覧チャンクに含まれるスポット閲覧情報の数ａと、上記閲覧チャンクに含まれるスポット閲覧情報群のうち所定の概念を有するスポット閲覧情報の数ｎと、上記参照スポット集合に含まれるスポット情報の数Ｓと、上記参照スポット集合に含まれるスポット情報群のうち上記概念が付与されたスポット情報の数Ｎをもとに、上記閲覧チャンクに上記概念が出現するスポット閲覧情報の数が、上記ｎ以上となる第１の確率及びｎ未満となる第２の確率をそれぞれ算出し、この算出された第１及び第２の確率をもとに標準正規分布の累積分布関数の逆関数により特徴スコアｚを算出し、上記閲覧チャンクごとに算出された特徴スコアｚを用いて、上記概念に対する上記ユーザの興味の度合いを表す興味スコアを計算することを特徴とするものである。

また、この発明の第１の観点は以下のような態様を備えることを特徴とする。
第１の態様は、上記コンピュータが、上記第２の記憶媒体に記憶された移動履歴情報をもとに、当該移動履歴情報に含まれる複数の滞在情報を距離の近さを条件にクラスタ化して滞在チャンクを生成し、この滞在チャンクに対し距離の近さを条件にしてスポット群を関連付ける機能をさらに備え、上記生成された滞在チャンクに含まれるスポット情報の数を上記ａとすると共に、上記滞在チャンクに含まれるスポット情報群のうち所定の概念を有するスポット情報の数を上記ｎとして、上記特徴スコアｚを算出するものである。

第２の態様は、上記コンピュータが、上記第２の記憶媒体に記憶された移動履歴情報をもとに、当該移動履歴情報に含まれる複数の滞在情報を距離の近さを条件にクラスタ化して滞在チャンクを生成し、この滞在チャンクに対し距離の近さを条件にしてスポット群を関連付ける機能をさらに備え、上記閲覧チャンクに出現するスポット閲覧情報の数を上記Ｎとすると共に、上記閲覧チャンクの閲覧時刻から予め設定した一定時間内に存在する滞在チャンク群を共起チャンクとしてこの共起チャンク内の滞在チャンクに対し上記距離の近さを条件にして関連付けられたスポット群の数を上記ａとし、上記一定時間内の滞在チャンクに関連付けられたスポット群の中で、上記閲覧チャンクに出現したスポットの数をｎとして、上記特徴スコアzを算出するものである。

第３の態様は、上記コンピュータが、上記第２の記憶媒体に記憶された移動履歴情報をもとに、当該移動履歴情報に含まれる複数の滞在情報を距離の近さを条件にクラスタ化して滞在チャンクを生成し、この滞在チャンクに対し距離の近さを条件にしてスポット群を関連付ける機能をさらに備え、上記参照スポット集合に含まれるスポット情報の数Ｓとし、閲覧チャンク内のスポット情報数をａとしたうえで、上記閲覧チャンクの閲覧時刻から予め設定した一定時間内に存在する滞在チャンク群に出現するスポット情報の数をＮとし、上記閲覧チャンクに出現するスポット情報において、一定時間内に滞在開始時刻を持つ滞在チャンクに出現するスポット情報と共起するスポット情報群を共起チャンクとし、当該共起チャンク内のスポットの数をｎとして上記特徴スコアzを算出するものである。

第４の態様は、上記コンピュータが、上記第２の記憶媒体に記憶された移動履歴情報をもとに、当該移動履歴情報に含まれる複数の滞在情報を距離の近さを条件にクラスタ化して滞在チャンクを生成し、この滞在チャンクに対し距離の近さを条件にしてスポット群を関連付ける機能をさらに備え、上記参照スポット集合に含まれるスポット情報の数Ｓとし、閲覧チャンク内のスポット情報数をａとしたうえで、上記滞在チャンクの滞在開始時刻から予め設定した一定時間内を閲覧時刻とする閲覧チャンク群に出現するスポット情報の数をＮとし、上記滞在チャンクに出現するスポット情報群において、一定時間内の閲覧チャンクに出現するスポット情報と共起するスポット情報群を共起チャンクとして、共起チャンク内のスポットの数をｎとして上記特徴スコアzを算出するものである。

第５の態様は、上記閲覧チャンク、滞在チャンクまたは共起チャンクについて、ユーザの操作履歴、各チャンクの時刻及び状況、及び上記スポットと上記概念との関連度の少なくとも１つに応じて上記特徴スコアｚを重み付けするものである。

第６の態様は、上記第１の確率及び上記第２の確率を超幾何分布、二項分布または正規分布により算出するものである。

第７の態様は、１つ以上の概念が出現するスポット情報について、当該スポット情報に出現する各概念の上記興味スコアを用いて、当該スポット情報に対するユーザの評価スコアを算出する機能をさらに備えたものである。

第８の態様は、上記スポット情報と各概念との関連度及び各概念の重要度の少なくとも１つに応じて上記興味スコアを重み付けするようにしたものである。

すなわちこの発明によれば、ユーザの閲覧履歴実績が少ない状況下でも、ユーザによる条件の手入力に頼ることなくより高精度な情報推薦を可能にした情報推薦方法、装置及びプログラムを提供することができる。

この発明の第１の実施形態に係る情報推薦装置を備えたシステムの全体構成を示す図。 図１に示した情報推薦装置における嗜好学習処理部の機能構成を示すブロック図。 図１に示した情報推薦装置における飲食店推薦処理部の機能構成を示すブロック図。 図１に示した情報推薦装置による全体の処理手順と処理内容を示すフローチャート。 図４に示した全体処理のうち嗜好学習処理の処理手順と処理内容を示すフローチャート。 図４に示した全体処理のうち飲食店推薦処理の処理手順と処理内容を示すフローチャート。 図５に示した嗜好学習処理において閲覧チャンク及び滞在チャンクを抽出する処理を説明するための図。 図５に示した嗜好学習処理において参照飲食店集合に対する閲覧チャンク及び滞在チャンクの乖離確率を算出する処理を説明するための図。 図５に示した嗜好学習処理において、共起チャンクを抽出する処理と、参照飲食店集合に対する共起チャンクの乖離確率を算出する処理を説明するための図。 図１に示した情報推薦装置による推薦精度の評価結果を示す図。

以下、図面を参照してこの発明に係わる実施形態を説明する。
（第１の実施形態）
［構成］
図１はこの発明の第１の実施形態に係るシステムの概略構成図であり、ユーザそれぞれ所持するユーザ端末ＵＴ１〜ＵＴｎを通信ネットワークＮＷを介して情報推薦装置としての機能を有する情報サーバＳＶに接続可能としたものである。
通信ネットワークＮＷは、インターネットと、このインターネットにアクセスするためのアクセス網とから構成される。アクセス網としては、携帯電話網やホットスポット（登録商標）、WiMAX（登録商標）、無線ＬＡＮ等の移動通信網が用いられる。

ユーザ端末ＵＴ１〜ＵＴｎは、例えば携帯電話機やスマートホン、ＰＤＡ（Personal Digital Assistant）、タブレット型端末、ノート型のパーソナル・コンピュータ等の携帯端末からなり、ＧＰＳ（Global Positioning System）を利用して自端末の位置を計測する機能と、Ｗｅｂサイトにアクセスするためのブラウザ機能と、電子メールを送受信するメーラ機能を備えている。

情報サーバＳＶは例えばＷｅｂサーバからなり、図示しない通信インタフェースユニットと、制御ユニット１と、記憶ユニット２を備えている。
通信インタフェースユニットは、上記通信ネットワークＮＷを介してユーザ端末ＵＴ１〜ＵＴｎとの間で情報通信を行うもので、通信プロトコルとしては例えばＴＣＰ／ＩＰ（Transmission Control Protocol／Internet Protocol）が用いられる。

記憶ユニット２は、記憶媒体としてＨＤＤやＮＡＮＤ型フラッシュメモリ等の随時書込み読出しが可能な不揮発性メモリを使用したもので、この実施形態を実施するために必要な記憶機能として、ＧＰＳ移動履歴記憶部２１と、詳細閲覧履歴記憶部２２と、嗜好データベース２３と、飲食店データベース２４と、推薦リスト記憶部２５を備えている。

ＧＰＳ移動履歴記憶部２１は、ユーザ端末ＵＴ１〜ＵＴｎから定期的に収集されるユーザのＧＰＳ移動履歴データを蓄積するために用いられる。このＧＰＳ移動履歴データは、ユーザの滞在地を表す測位データの集合からなり、各測位データは測位時刻と測位座標とからなる。

詳細閲覧履歴記憶部２２は、ユーザ端末ＵＴ１〜ＵＴｎから送信された飲食店のＵＲＬ（Uniform Resource Locator）に対する閲覧履歴を表すデータの集合を蓄積するために用いられる。各閲覧履歴データは、閲覧時刻と店ＩＤとで表される。

嗜好データベース（Preference DB）２３は、後述する嗜好学習処理部１３により計算された嗜好データを記憶するために用いられる。各嗜好データは、タグと嗜好スコアにより構成される。

飲食店データベース２４には、システムのサービスエリアに存在する飲食店を表す情報が予め記憶されている。この飲食店を表す情報は、「店ＩＤ」と、店の概要を表す「概要」と、メニューや価格帯等を表す「詳細」、店のＷｅｂサイトへのリンク情報である「ＵＲＬ」と、移動・経度により表される店の「住所座標」と、「タグ」により構成される。「タグ」は、飲食店のグルメジャンルや駐車場の有無等の属性情報を示す。

推薦リスト記憶部２５は、後述する飲食店推薦処理部１４により算出された飲食店の推薦リストを保存するために用いられる。推薦リスト（Recommend List）は、推薦候補となる飲食店データの集合を嗜好スコア順にソートしたもので、推薦順位、店ＩＤ、概要、詳細及びＵＲＬにより構成される。

制御ユニット１は、中央処理ユニット（Central Processing Unit：ＣＰＵ）を備えたもので、この実施形態を実施するために必要な制御機能として、ＧＰＳ移動履歴収集部１１と、詳細閲覧履歴収集部１２と、嗜好学習処理部１３と、飲食店推薦処理部１４を備えている。

ＧＰＳ移動履歴収集部１１は、定期的にユーザ端末ＵＴ１〜ＵＴｎから当該ユーザ端末ＵＴ１〜ＵＴｎにおいて計測されたＧＰＳ移動履歴データを通信ネットワークＮＷを介してそれぞれ収集し、収集したＧＰＳ移動履歴データをＧＰＳ移動履歴記憶部２１に記憶させる機能を有する。

詳細閲覧履歴収集部１２は、飲食店のＵＲＬに対するユーザ端末ＵＴ１〜ＵＴｎのアクセス履歴、つまり詳細閲覧履歴データを、当該ユーザ端末ＵＴ１〜ＵＴｎから通信ネットワークＮＷを介してそれぞれ収集する。そして、この収集した閲覧履歴データをＧＰＳ移動履歴記憶部２１に記憶させる機能を有する。

嗜好学習処理部１３は、上記ＧＰＳ移動履歴記憶部２１に蓄積されたユーザのＧＰＳ移動履歴データと、上記詳細閲覧履歴記憶部２２に蓄積されている詳細閲覧履歴データと、上記飲食店データベース２４に記憶された飲食店データに基づいて、各飲食店に対するユーザの嗜好スコアを算出し、この算出された嗜好スコアを嗜好データベース２３に記憶させる機能を有するもので、具体的には以下のように構成される。図２はその機能構成を示すブロック図である。

すなわち嗜好学習処理部１３は、参照飲食店集合作成部１３１と、詳細閲覧履歴分析部１３２と、ＧＰＳ移動履歴分析部１３３と、飲食店共起分析部１３４と、嗜好スコア計算部１３５を備えている。

参照飲食店集合作成部１３１は、ユーザごとに、上記ＧＰＳ移動履歴記憶部２１に蓄積されたＧＰＳ移動履歴データをもとに当該ユーザの行動範囲を分析し、この行動範囲内に存在する飲食店を飲食店データベース２４から抽出して参照飲食店集合を作成する機能を有する。

詳細閲覧履歴分析部１３２は、ユーザごとに、上記詳細閲覧履歴記憶部２２に蓄積された詳細閲覧履歴データに出現する各店に関して、当該各店が保持するタグの合計数について、上記参照飲食店集合作成部１３１により作成された参照飲食店集合から無作為抽出した場合との乖離確率を算出する機能を有する。なお、後述するＧＰＳ移動履歴との統合を考慮した乖離確率の計算のために、上記詳細閲覧履歴から閲覧時刻の近さをもとに詳細閲覧のまとまりを抽出する。このまとまりを閲覧チャンクと呼ぶ。

ＧＰＳ移動履歴分析部１３３は、上記ユーザごとに、上記ＧＰＳ移動履歴記憶部２１に蓄積されたＧＰＳ移動履歴データをもとに、ユーザが一定時間、一定の範囲内に留まるＧＰＳ移動履歴を抽出する。この抽出されたＧＰＳ移動履歴を滞在チャンクと呼称する。そして、この抽出した滞在チャンクにおける訪問可能性飲食店を、参照飲食店集合からの標本と考え、タグの滞在チャンクにおける無作為抽出との乖離確率を算出する機能を有する。

飲食店共起分析部１３４は、詳細閲覧後にユーザが実際に飲食店に訪問した可能性を分析に反映させるため、閲覧チャンクに出現した飲食店と、滞在チャンクで訪問可能性飲食店の共起について、これまでの各履歴への分析と同様に無作為抽出した場合との乖離確率を算出する機能を有する。

嗜好スコア計算部１３５は、上記詳細閲覧履歴分析部１３２、ＧＰＳ移動履歴分析部１３３及び飲食店共起分析部１３４によりそれぞれ算出された乖離確率を統合し、これにより各タグに対するユーザの嗜好スコアを算出し、この算出された嗜好スコアを嗜好データベース２３に格納する機能を有する。

飲食店推薦処理部１４は、ユーザの要求に応じて推薦候補となる飲食店集合を作成し、この候補飲食店集合に含まれる各飲食店についてのスコアを計算して推薦リストを作成し、この推薦リストを要求元のユーザ端末ＵＴ１〜ＵＴｎへ返送する機能を有するもので、具体的には以下のように構成される。図３はその機能構成を示すブロック図である。

すなわち飲食店推薦処理部１４は、候補飲食店集合作成部１４１と、飲食店スコア計算部１４２と、推薦リスト作成部１４３を備えている。
候補飲食店集合作成部１４１は、ユーザ端末ＵＴ１〜ＵＴｎから飲食店の推薦を要求するユーザリクエストが送られた場合に、当該ユーザリクエストに含まれる地域とタグにより表される店舗条件に該当する飲食店の集合を飲食店データベース２４から検索し、これにより候補飲食店集合を作成する機能を有する。

飲食店スコア計算部１４２は、上記嗜好データベース２３に記憶された、タグに対するユーザの嗜好スコアをもとに、上記候補飲食店集合に含まれる各飲食店のスコアを算出する機能を有する。この飲食店スコアは、上記ユーザの嗜好スコアとの合致度を表す情報となる。

推薦リスト作成部１４３は、上記算出された各飲食店のスコアをもとに飲食店情報をその降順にソートし、これにより上記ユーザの嗜好スコアとの合致度が高い順に飲食店情報を並べ替えた推薦リストを作成する。そして、この作成された推薦リストを、推薦リスト記憶部２５に保存すると共に、通信ネットワークＮＷを介して要求元のユーザ端末ＵＴ１〜ＵＴｎへ返送する機能を有する。
なお、以上述べた制御ユニット１の各処理機能は、何れも図示しないプログラムメモリに格納されたアプリケーション・プログラムを上記ＣＰＵに実行させることにより実現される。

［動作］
次に、以上のように構成された情報推薦サーバＳＶによる情報推薦処理の動作を説明する。図４はその全体の処理手順と処理内容を示すフローチャートである。
（１）ＧＰＳ移動履歴及び閲覧履歴の収集処理
情報推薦サーバＳＶの制御ユニット１は、ステップＳ１及びステップ３によりそれぞれＧＰＳ移動履歴の収集タイミングと詳細閲覧履歴の収集タイミングを監視している。この状態で、例えば一定の時間間隔に設定されたＧＰＳ移動履歴の収集タイミングになると、ステップＳ２によりＧＰＳ移動履歴収集部１１を起動し、このＧＰＳ移動履歴収集部１１の制御の下で、各ユーザ端末ＵＴ１〜ＵＴｎに対し順次ＧＰＳ移動履歴の収集要求を送信する。

これに対し各ユーザ端末ＵＴ１〜ＵＴｎでは、前回の収集タイミングから今回の収集タイミングまでの期間に計測されたＧＰＳ測位データの集合が記憶されており、上記収集要求を受信すると各ユーザ端末ＵＴ１〜ＵＴｎは上記記憶されていたＧＰＳ測位データの集合を読み出して情報推薦サーバＳＶへ送信する。

情報推薦サーバＳＶの制御ユニット１は、ＧＰＳ移動履歴収集部１１の制御の下で、上記各ユーザ端末ＵＴ１〜ＵＴｎから送られたＧＰＳ測位データの集合を受信し、この受信されたＧＰＳ測位データの集合をＧＰＳ移動履歴データとしてＧＰＳ移動履歴記憶部２１に格納する。

一方、詳細閲覧履歴の収集タイミングになると、ステップＳ４により詳細閲覧履歴収集部１２を起動し、この詳細閲覧履歴収集部１２の制御の下で、先に述べたＧＰＳ移動履歴を収集する場合と同様に、各ユーザ端末ＵＴ１〜ＵＴｎに対し順次詳細閲覧履歴の収集要求を送信する。

これに対し各ユーザ端末ＵＴ１〜ＵＴｎでは、前回の収集タイミングから今回の収集タイミングまでの期間にユーザが飲食店の詳細な情報を確認するために閲覧した当該飲食店のＵＲＬと閲覧時刻が記憶されている。そして、上記収集要求を受信すると、各ユーザ端末ＵＴ１〜ＵＴｎは上記記憶されていた飲食店のＵＲＬと閲覧時刻とからなる閲覧履歴データを読み出し、情報推薦サーバＳＶへ送信する。

情報推薦サーバＳＶの制御ユニット１は、詳細閲覧履歴収集部１２の制御の下で、上記各ユーザ端末ＵＴ１〜ＵＴｎから送られた閲覧履歴データを受信し、この受信された閲覧履歴データを詳細閲覧履歴記憶部２２に格納する。

（２）嗜好学習処理（Learning Process）
情報推薦サーバＳＶの制御ユニット１は、上記ＧＰＳ移動履歴データ及び詳細閲覧履歴データの収集処理を定期的に実行しながら、ステップＳ５で嗜好学習タイミングになったか否かを監視している。この状態で予め定められた処理タイミングになると、ステップＳ６により嗜好学習処理部１３を起動し、この嗜好学習処理部１３の制御の下で以下のようにユーザの飲食店に対する嗜好を学習する。図５はその処理手順と処理内容を示すフローチャートである。

（２−１）参照飲食店集合の作成
情報推薦サーバＳＶの制御ユニット１は、先ずステップＳ６１により参照飲食店集合作成部１３１を起動する。そして、この参照飲食店集合作成部１３１の制御の下、ステップＳ６１１により学習対象のユーザに関するＧＰＳ移動履歴データをＧＰＳ移動履歴記憶部２１から読み出す。次にステップＳ６１２において、上記読み出されたＧＰＳ移動履歴データをもとにユーザの行動範囲を表す参照エリアを求め、この参照エリア内に存在する飲食店をステップＳ６１３により飲食店データベース２４から読み出して、参照飲食店集合とする。なお、参照エリアの決定については、ユーザへの行動範囲や居住地、勤務地に対するアンケート、プロフィール情報等による手入力で収集した情報を元に決定することもできる。さらに、ＧＰＳ移動履歴以外でも、位置情報が事前に把握されている無線基地局への接続履歴、前記無線基地局からの電波強度による位置測位情報等によって決定することもできる。

上記参照飲食店集合を作成する具体的な処理方法としては、以下の方法が考えられる。すなわち、先ずユーザのＧＰＳ移動履歴について全測位点の重心を計算し、この重心から各測位点の９５％が含まれる距離を計算する。９５％とする理由は、旅行等による移動による外れ値を考慮するためである。次に、この距離の定数倍を半径として上記計算された重心を中心とする円エリアを描き、この円エリアを参照エリアとしてこの参照エリア内に存在する飲食店を飲食店データベース２４から読み出す。

（２−２）詳細閲覧履歴の分析
制御ユニット１は、次にステップＳ６２により詳細閲覧履歴分析部１３２を起動する。そして、この詳細閲覧履歴分析部１３２の制御の下、先ずステップＳ６２１により詳細閲覧履歴記憶部２２から学習対象ユーザの詳細閲覧履歴データを読出し、この詳細閲覧履歴から閲覧時刻の近さをもとに詳細閲覧のまとまりを抽出する。このまとまりを閲覧チャンクと呼ぶ。具体的には、あるユーザの詳細閲覧履歴が多数ある場合に、各履歴の前後一定時間（例えば３０分）以内に別の履歴がある場合には、これらの履歴を同じ閲覧チャンクとしてまとめる。この処理を時系列的に順次行うことで、詳細閲覧履歴データから閲覧チャンク群を抽出する。図７（ａ）はその抽出結果の一例を示すもので、この例では閲覧チャンク１、閲覧チャンク２、閲覧チャンク３が抽出された場合を示している。

なお、一般にユーザ情報閲覧は、一定の時間帯に集中して行われる。このとき、一連の情報閲覧の中で各詳細閲覧店を選択する際には、他の詳細閲覧店との関係も存在すると考えられる。このため、閲覧チャンク化して分析を行うことは、推薦精度の向上させる上で有効である。

次にステップＳ６２２において、詳細閲覧履歴データに出現する各店に関して、当該各店が保持するタグの合計数について、上記参照飲食店集合作成部１３１により作成された参照飲食店集合から無作為抽出した場合との乖離確率を算出する。
例えば、上記抽出された各閲覧チャンクを参照飲食店集合からの標本と捉え、タグｉの閲覧チャンクｊにおける無作為抽出との乖離確率ｐijを、

とする。

なお、ｒは参照飲食店集合内の飲食店数、ｄi は参照飲食店集合内のタグｉが付与された飲食店数である。また、ｖj は閲覧チャンクｊ内における出現飲食店数、ｎijは閲覧チャンクｊ内でタグｉが付与されている飲食店数である。これらのｒ、ｄi 、ｎijは飲食店データベース２４から読み出して算出する。

（２−３）ＧＰＳ移動履歴の分析
制御ユニット１は、次にステップＳ６３においてＧＰＳ移動履歴分析部１３３を起動し、このＧＰＳ移動履歴分析部１３３の制御の下、以下のようにＧＰＳ移動履歴の分析処理を実行する。
すなわち、先ずステップＳ６３１により、ユーザごとに、上記ＧＰＳ移動履歴記憶部２１に蓄積されたＧＰＳ移動履歴データをもとに、ユーザが一定時間、一定の範囲内に留まるＧＰＳ移動履歴を抽出し、これを滞在チャンクとする。図７（ｂ）はその抽出結果の一例を示すもので、この例では滞在チャンク１と滞在チャンク２が抽出された場合を示している。

この滞在チャンクの抽出には、ＧＰＳ測位点にしばしば現れる外れ値や測位結果の変動を一定程度排除するためにＤＢＳＣＡＮ法を用いる方法がある。他に、一定期間、一定範囲、一定数のＧＰＳ測位点が存在する場合を滞在チャンクとして取り出す方法もある。ＤＢＳＣＡＮ法は、分析対象店群について距離の閾値Ｅpsと、近接対象店数の閾値ＭinＰtsという２つのパラメータで決定される、接続関係（Directly Density Reachable）で連結される群を求める方法である。但し、ここでは接続関係の探索を時系列に限定し、連結が抽出できた場合には、始点と終了点との間の時間間隔を計算し、一定時間を超えた群を滞在チャンクとする。その際、初めの時刻を滞在開始時刻、終わりの時刻を滞在終了時刻とする。

続いてステップＳ６３２において、上記抽出された滞在チャンクに属するＧＰＳ測位点の重心を中心点とし、一定距離内に存在する飲食店を飲食店データベース２４から抽出する。この抽出された飲食店を滞在チャンクにおける「訪問可能性飲食店」とする。なお、一定距離のパラメータは、使用するＧＰＳ機器の測位精度や履歴の特徴等により決定される。

次にステップＳ６３３において、上記抽出した滞在チャンクにおける訪問可能性飲食店を参照飲食店集合からの標本と考え、タグの滞在チャンクにおける無作為抽出との乖離確率ｐikを以下のように算出する。
すなわち、タグｉの滞在チャンクをｋとしたとき、この滞在チャンクｋにおける無作為抽出との乖離確率ｐikを、

とする。

なお、Ｓk は滞在チャンクｋの訪問可能性飲食店数、ｎikは滞在チャンクｋにおいてタグｉが付与されている訪問可能性飲食店数である。
なお、各滞在チャンクについて訪問店は原則１店あると想定し、式（５）では、タグｉが訪問可能性飲食店のどれか１つに付与されているものとして、無作為抽出した場合との乖離確率ｐikを計算する。

次にステップＳ６３４において、時刻による飲食行動可能性を計算する。すなわち、より高精度の店舗推薦を行うには、推薦対象の飲食店に訪問している可能性が高い滞在チャンクの影響を強くすることが適切である。各滞在チャンクは、滞在開始時刻と滞在終了時刻の情報を持つため、時刻を考慮した重要度を算出し分析に利用する。

第１の実施形態では、特に飲食店を推薦することを目的とすることから、時間帯別の食事行動率のデータを予め取得し記憶しておき、各滞在チャンクの滞在開始時刻から滞在終了時刻までの期間における食事行動率の平均値を、滞在チャンクｋの重要度ｗk とする。なお、ｗk の算出には、例えば総務省統計局の社会生活時間調査の値を利用することができる。
図８は、以上のようにして計算された、閲覧チャンクｊにおける無作為抽出との乖離確率と、滞在チャンクｋにおける無作為抽出との乖離確率ｐikの概念を示す図である。

（２−４）飲食店共起分析
制御ユニット１は、次にステップＳ６４において飲食店共起分析部１３４を起動し、この飲食店共起分析部１３４の制御の下、以下のように詳細訪問後の訪問分析を行う。すなわち、先ずステップＳ６４１において、上記詳細履歴分析部１３２により抽出された閲覧チャンクと、ＧＰＳ移動履歴分析部１３３により抽出された滞在チャンクに基づいて、各閲覧チャンクに出現した飲食店が、その閲覧時刻から滞在開始時刻が一定時間以内（例えば２４時間）の滞在チャンクにおいて訪問の可能性がある飲食店として出現した場合に、この飲食店を共起飲食店として抽出する。この共起飲食店は、ユーザがＷｅｂサイトを詳細に閲覧した飲食店の情報を契機として訪問とした可能性があると推測される。

但し、当該時間内に繁華街等で頻繁に滞留し、多数の飲食店に近接して、偶然共起した可能性を排除する必要がある。このため、各共起飲食店が一定期間内の滞在チャンクで訪問可能性飲食店となったことの珍しさを、無作為抽出からの乖離により以下のように算出する。

すなわち、ステップＳ６４２において、閲覧チャンクの閲覧時刻から一定時間内の滞在チャンクの訪問可能性飲食店の全てを、上記参照飲食店集合作成部１３１により作成された参照飲食店集合からの標本と捉える。そして、タグｉの閲覧チャンクｊにおける共起飲食店に対する無作為抽出との乖離確率ｐicj を、

として算出する。

なお、ｖijは閲覧チャンクｊにおけるタグｉが付与された詳細閲覧店数、ｏj は閲覧チャンクｊの閲覧時刻から一定時間内の全滞在チャンクの訪問可能性飲食店の合計、ｃijは閲覧チャンクｊにおけるタグｉが付与された詳細閲覧店で、閲覧時刻から一定時間内の滞在チャンクの訪問可能性飲食店として共起した数である。
図９は、上記共起飲食店の抽出処理及び乖離確率の算出処理の概念を示したものである。

（２−５）嗜好スコアの計算
制御ユニット１は、最後にステップＳ６５において嗜好スコア計算部１３５を起動し、この嗜好スコア計算部１３５の制御の下、各タグに対するユーザの嗜好スコアを以下のように計算する。

すなわち、先ずステップＳ６５１において、上記詳細閲覧履歴分析部１３２、ＧＰＳ移動履歴分析部１３３及び飲食店共起分析部１３４によりそれぞれ計算された各乖離確率ｐij，ｐik，ｐicj を、

により統合し、各タグｉに対するユーザの嗜好スコアｚi を算出する。この嗜好スコアｚi が大きいほど店舗に対するユーザの嗜好が強いと言える。

なお、φ1(p) は標準正規分布の累積密度関数の逆数である。また、Ｊは閲覧チャンクの総数、Ｋは滞在チャンクの総数、ｗk は滞在チャンクｋの重要度である。なお、式（７）はStouffer’s Z-score methodに基づいており、各結合対象の重要度に対して、自然な形で重みを導入し確率を結合できる。すなわち、上記飲食店情報と各概念との関連度及び各概念の重要度の少なくとも１つに応じて上記嗜好スコアｚを重み付けする。

（３）飲食店推薦処理（Recommend process）
情報推薦サーバＳＶの制御ユニット１は、上記ＧＰＳ移動履歴データ及び詳細閲覧履歴データの収集処理を定期的に実行しながら、ステップＳ７でユーザからの情報推薦要求（ユーザリクエスト）の到来を監視している。この状態でユーザ端末ＵＴ１〜ＵＴｎから送信されたユーザリクエストを受信すると、ステップＳ８により飲食店推薦処理部１４を起動し、この飲食店推薦処理部１４の制御の下、以下のように飲食店の推薦処理を実行する。図６はその処理手順と処理内容を示すフローチャートである。

（３−１）候補飲食店集合の作成
先ずステップＳ８１において、候補飲食店集合作成部１４１の制御の下、上記受信されたユーザリクエストに含まれる地域とタグにより表される店舗条件に基づいて、当該条件に該当する飲食店を飲食店データベース２４から抽出し、これにより候補飲食店集合（Candidate restaurant set）を作成する。候補飲食店集合は、ユーザリクエストにより指定された条件、例えば地域条件として「Ｘ駅から１km以内」に基づいて、飲食店データベース２４を検索して作成する。

（３−２）飲食店スコアの計算
次にステップＳ８２において飲食店スコア計算部１４２を起動し、この飲食店スコア計算部１４２の制御の下、上記嗜好データベース２３に記憶された、タグｉに対するユーザの嗜好スコアｚi をもとに、上記候補飲食店集合に含まれる各飲食店のスコアRestaurant Score(r)を、

により算出する。

なお、ｒは候補飲食店集合の要素である飲食店の識別子、Ｔr は飲食店ｒ２付与されたタグの集合であり、ｔr はＴr に含まれるタグの数を示す。なお、本数式によるRestaurant Scoreによる飲食店のソートは、嗜好スコアｚi と各飲食店が持つタグをそれぞれタグｉに対する行列と見なした場合の、嗜好スコアｚi のノルムを各計算時点で定数と考えたコサイン類似度による結果と同等である。

（３−３）推薦リストの作成と配信
次にステップＳ８３において推薦リスト作成部１４３を起動し、この推薦リスト作成部１４３の制御の下で、上記飲食店スコア計算部１４２により算出された各飲食店のスコアｚi をもとに、飲食店情報をスコアｚi の降順にソートする（ステップＳ８３１）。すなわち、飲食店情報をユーザの嗜好スコアとの合致度が高い順に並べ替える。これによりユーザに適した飲食店の推薦リストが作成される。そして、この作成された推薦リストを、ステップＳ８３２により推薦リスト記憶部２５に保存すると共に、ステップＳ８３３により通信ネットワークＮＷを介して推薦要求元のユーザ端末ＵＴ１〜ＵＴｎに向け返送する。

（４）実施形態による推薦方法の評価
この実施形態による推薦方法による推薦精度を、Random Sort、及びCosine Similarityによる推薦精度と比較した。
Random Sortは、候補飲食店集合に含まれる各店舗を無作為にソートする方法である。例えば、「現在地から１km以内」等を条件とした検索で、ユーザによる嗜好や条件入力、他の推薦方法がない場合は、この方法と同じである。このRandom Sortの評価には期待値を利用する。

Cosine Similarityは、メモリベースのコンテンツベースフィルタリングの従来方法として、詳細閲覧履歴に出現した各飲食店にタグが付与されていた場合に、タグ種別ごとに「１」を累計した結果をベクトルとして、評価対象の飲食店に付与されたタグによるベクトルとのコサイン類似度を飲食店スコアとする方法である。

精度評価の指標として、上記各方法による評価対象飲食店１１０件の推薦順に対して、情報検索分野で多く利用されている順位を考慮した適合指標であるＤＣＧ（Discounted Cumulative Gain）を算出した。ＤＣＧを採用した理由は、例えばこの発明技術の適用対象として想定される携帯端末（スマートホン等）向けのグルメレコメンドサービスにおいては、端末に一度に表示できる情報量が少ないため、嗜好との合致度順に提示できることが重要だからである。

ＤＣＧの算出に必要な入力値ｇ(i) は、評価対象飲食店（１１０店）に対する被験者アンケート回答の選択肢に対し、「是非行きたい」＝７、「行きたい」＝６、「まあまあ行きたい」＝５、「どちらでもない」＝２、「行きたくない」＝１のように割り当てた。このうち、「まあまあ行きたい」と、「どちらでもない」の間のＤＣＧ入力値ｇ(i) の値の開きは、事前の被験者ヒヤリングにより、飲食店推薦の満足度には「行きたくない」飲食店の推薦を如何に減らすかが重要であることが判明したため、評価の低い飲食店が上位になる場合のＤＣＧの減衰を大きくするためである。また、今回の評価のＤＣＧ算出範囲は、同様に被験者ヒヤリングにより得た推薦結果に対する平均的な確認範囲を反映して、上位３２位とした。

以上のような条件の下で、本実施形態による推薦方法と、上記Random Sort及びCosine Similarityによる、被験者平均のＤＣＧ値と履歴収集期間との関係を求めると、図１０に示す結果が得られた。この図１０から明らかなように、詳細閲覧履歴とＧＰＳ移動履歴との統合分析により推薦精度が向上し、詳細閲覧履歴が少ない状況でも、より高い精度での推薦が可能であることが分かる。

なお、Cosine Similarityについて、各タグｉの詳細閲覧履歴における出現しやすさの違いを考慮するために、タグ出現時に加算する値を重み付けし、１／ｌｏｇ(Ei)とする方法と、１／Ｅi とする方法についても確認したが、推薦精度は向上しなかった。Ｅi は飲食店データベース２４におけるタグｉが付与された飲食店の総数である。

［第１の実施形態の効果］
以上詳述したように第１の実施形態では、飲食店のＷｅｂサイトに対する詳細な閲覧履歴データをもとに、閲覧時刻の近さに応じた詳細閲覧のまとまりを閲覧チャンクとして抽出すると共に、ＧＰＳ移動履歴データをもとに、ユーザが一定時間に一定の範囲内に留まっている場合にその滞在地情報の集合をユーザの行動範囲のまとまりを表す滞在チャンクとして抽出する。そして、これらのチャンクを参照飲食店集合からの標本と捉え、閲覧チャンクにおける無作為抽出との乖離確率ｐij、及び滞在チャンクにおける無作為抽出との乖離確率ｐikをそれぞれ計算し、これらの乖離確率を統合して飲食店のタグに対するユーザの嗜好スコアを計算し、この嗜好スコアを用いてユーザに対する飲食店の推薦リストを作成し配信するようにしている。

すなわち、詳細閲覧履歴に含まれる飲食店と、ＧＰＳ移動履歴から抽出される近接店とを、ユーザの行動範囲内の飲食店の集合からのユーザによる標本抽出であると見なし、各店に付与されたタグの出現数と、無作為抽出による出現数との乖離を計算して、出現数の乖離が大きいタグはユーザの嗜好と関連していると見なし、推薦に利用するようにしている。

したがって、ユーザによる詳細閲覧履歴とＧＰＳ移動履歴とを用いて高精度の情報推薦処理を行うことができる。このため、ユーザの閲覧履歴実績が少ない状況下でも、ユーザによる条件の手入力に頼ることなくより高精度な情報推薦を行うことが可能となる。しかも、上記推薦リストを得る過程において、詳細閲覧履歴及びＧＰＳ移動履歴を共通データ化し、共通の指標により分析し統合するようにしているので、詳細閲覧履歴とＧＰＳ移動履歴を適切に利用して高精度の推薦リストを作成することができる。

［第２の実施形態］
この発明の第２の実施形態は、飲食店の共起分析において、各閲覧チャンクに出現した飲食店が、その閲覧時刻から滞在開始時刻が一定時間以内の滞在チャンクにおいて訪問の可能性がある飲食店として出現した場合に、この飲食店を共起飲食店として抽出すると共に、各滞在チャンクにおいて訪問の可能性がある飲食店として出現した飲食店が、その滞在開始時刻から閲覧時刻が一定時間以内の閲覧チャンクにおいて出現した場合に、この飲食店を対象としている滞在チャンクにおける共起飲食店として抽出するようにしたものである。
なお、第２の実施形態においても、情報推薦装置の基本的な構成及び処理動作は第１の実施形態と同一なので、図１乃至図５を使用して説明を行う。

（２−４）′飲食店共起分析
制御ユニット１は、ステップＳ６４において飲食店共起分析部１３４を起動し、この飲食店共起分析部１３４の制御の下、以下のように訪問分析を行う。すなわち、先ずステップＳ６４１において、上記詳細履歴分析部１３２により抽出された閲覧チャンクと、ＧＰＳ移動履歴分析部１３３により抽出された滞在チャンクに基づいて、各閲覧チャンクに出現した飲食店が、その閲覧時刻から滞在開始時刻が一定時間以内（例えば一週間）の滞在チャンクにおいて訪問の可能性がある飲食店として出現した場合に、この飲食店を、対象としている閲覧チャンクにおける共起飲食店として抽出する。

またそれと共に、各滞在チャンクにおいて訪問の可能性があるとして出現した飲食店について、当該飲食店が上記滞在チャンクにおける滞在開始時刻から閲覧時刻が一定時間以内（例えば一週間）の閲覧チャンクにおいて出現した場合に、この飲食店を対象としている滞在チャンクにおける共起飲食店として抽出する。
そして、この共起飲食店を、ユーザがＷｅｂサイトを詳細に閲覧した飲食店の情報を契機として訪問した、もしくは訪問を契機としてＷｅｂサイトを詳細に閲覧した可能性がある飲食店と推測する。このような飲食店はユーザの嗜好に強く関係すると仮定することができる。

但し、ユーザが一定時間内に繁華街等に頻繁に滞留し、多数の飲食店に近接した場合にも、上記共起飲食店は抽出される。この種の飲食店は、偶然共起した可能性があるものであり、排除する必要がある。
そこで、各共起飲食店が一定期間内の滞在チャンクで訪問可能性飲食店となったことの珍しさを、無作為抽出からの乖離により以下のように算出する。

すなわち、ステップＳ６４２において、閲覧チャンクの閲覧時刻から一定時間内の滞在チャンクの訪問可能性飲食店の全てを、上記参照飲食店集合作成部１３１により作成された参照飲食店集合からの標本と捉える。そして、タグｉの閲覧チャンクｊにおける共起飲食店による無作為抽出との乖離確率ｐijco を、

として算出する。

なお、ｂj は閲覧チャンクｊに出現した詳細閲覧店数、ｒは参照飲食店集合の飲食店数、Ｓj は閲覧チャンクj の時刻から一定期間内の滞在チャンクを示す識別子の集合である。ｃijcoは閲覧チャンクj においてタグｉが付与された詳細閲覧店であり、閲覧時刻から一定時間内の滞在チャンク（Ｓj に含まれる滞在チャンク）群の訪問可能性飲食店と共起した数である。

また、同様に滞在チャンクの訪問可能性飲食店について、滞在時刻から一定時間内の閲覧チャンクに出現した飲食店との共起に対して同様の処理を行う。すなわち、タグｉの滞在チャンクｋにおける共起飲食店による無作為抽出との乖離確率ｐikcoを、

として算出する。

なお、ｓk は滞在チャンクk に出現した訪問可能性飲食店数、Ｂk は滞在チャンクk の時刻から一定期間内の閲覧チャンク群の識別子の集合である。また、ｃikcoは滞在チャンクk においてタグｉが付与された訪問可能性飲食店であり、閲覧時刻から一定時間内の閲覧チャンク（Ｂk に含まれる閲覧チャンク）の詳細閲覧飲食店と共起した数である。

（２−５）′嗜好スコアの計算
制御ユニット１は、ステップＳ６５において嗜好スコア計算部１３５を起動し、この嗜好スコア計算部１３５の制御の下、各タグに対するユーザの嗜好スコアを以下のように計算する。

すなわち、先ずステップＳ６５１において、上記詳細閲覧履歴分析部１３２、ＧＰＳ移動履歴分析部１３３及び飲食店共起分析部１３４によりそれぞれ計算された各乖離確率について、履歴が収集前の初期状態をｔ＝１とし、履歴チャンクの抽出順にｔをインクリメントした識別子を与えることとする。このとき、時点ｔにおいて抽出された滞在チャンクと閲覧履歴チャンクの乖離確率をｐit、ｐitcoとし、タグｉに対する嗜好スコアを、

とする。

この嗜好スコアＺitが大きいほど、タグｉに対するユーザの嗜好が強いと見なせる。なお、φ-1(p) は標準正規分布の累積密度関数の逆数、ｗt はチャンクｔの重要度を示している。また、式（１３）はStouffer’s Z-score methodに基づいており、各結合対象の重要度に対して自然な形で重みを導入し確率を結合できる。すなわち、上記飲食店情報と各概念との関連度及び各概念の重要度の少なくとも１つに応じて上記嗜好スコアｚを重み付けする。

さらに、この処理は滞在チャンクもしくは閲覧チャンクの追加に伴い逐次更新可能とし、計算リソースを効率化している。具体的には、逐次処理において保持が必要なデータは、各タグのｘit，ｙit、及び現時点から過去の一定時間までの閲覧履歴チャンクと滞在チャンクに出現した店舗ＩＤ群のみである。

［第２の実施形態の効果］
以上述べたように第２の実施形態によれば、「店舗情報閲覧後に訪問した近接店舗」、及び「店舗訪問後の店舗情報閲覧」を別にモデルとして分析したので、店舗情報閲覧の前後の近接する店舗への訪問のみをモデルとして分析するようにした第１の実施形態に比べ、さらに詳細な分析を行うことが可能となる。また第１の実施形態では、店舗情報閲覧前の近接する店舗への訪問を分析するために、チャンクの追加毎の逐次更新ができなかったが、分析結果のチャンク追加ごとの逐次更新を可能としたことにより、計算コストやメモリ等のコンピュータリソースを低減することができる。

（その他の実施形態）
なお、この発明は上記各実施形態に限定されるものではない。例えば、前記第１の実施形態では嗜好学習処理部１３の飲食店共起分析部１３４において、飲食店の推薦リストを提供する前の段階では、ユーザが任意に飲食店のＷｅｂサイトを閲覧して取得した詳細閲覧情報をもとに、当該ユーザが実際にその飲食店へ訪問した可能性を分析に反映するようにした。しかし、それに限らず飲食店推薦処理部１４により作成された推薦リストがユーザに配信され、ユーザがこの推薦リストをもとに飲食店のＷｅｂサイトに対しアクセスして取得した詳細閲覧情報を上記飲食店共起分析に反映するようにしてもよい。

また、前記実施形態では推薦対象となるスポットとして飲食店を例にとって説明したが、情報閲覧して実際に訪問するスポットであれば他のスポットでもよい。例えば、週末等の余暇に訪問するスポットが挙げられる。その一例としては、公園、遊園地、動物園、各種シッピング施設、ゲームセンタ、カラオケハウスが考えられる。これらのスポットについて、その評価、属性、設備等をタグとしてデータベースに蓄積し、ユーザによる情報閲覧履歴とＧＰＳ移動履歴を分析してユーザの嗜好を学習し、推薦リストを作成することで、ユーザの好みにあったスポットをユーザに提供することが可能となる。その他、宿泊施設や旅行情報の検索、観光地ガイドサービス、不動産情報検索、結構式場検索などへの応用が考えられる。

さらに、前記各乖離確率は、超幾何分布、二項分布または正規分布により算出するようにしてもよい。その他、推薦サーバＳＶの構成や、ＧＰＳ移動履歴及び閲覧履歴の収集処理、嗜好学習処理、飲食店推薦処理の処理手順と処理内容等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。

要するにこの発明は、上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、各実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

ＳＶ…推薦サーバ、ＵＴ１〜ＵＴｎ…ユーザ端末、ＮＷ…通信ネットワーク、１…制御ユニット、２…記憶ユニット、１１…ＧＰＳ移動履歴収集部、１２…詳細閲覧履歴収集部、１３…嗜好学習処理部、１４…飲食店推薦処理部、２１…ＧＰＳ移動履歴記憶部、２２…詳細閲覧履歴記憶部、２３…嗜好データベース、２４…飲食店データベース、２５…推薦リスト記憶部、１３１…参照飲食店集合作成部、１３２…詳細閲覧履歴分析部、１３３…ＧＰＳ移動履歴分析部、１３４…飲食店共起分析部、１３５…嗜好スコア計算部、１４１…候補飲食店集合作成部、１４２…飲食店スコア計算部、１４３…推薦リスト作成部。

Claims (11)

1. コンピュータにより、地理的に散在する複数のスポットに対するユーザの興味を分析してその分析結果をもとに当該ユーザに対し推薦するスポットの情報を作成する情報推薦方法であって、
   前記コンピュータが、前記複数のスポットに関する情報をそれぞれ掲示する閲覧サイトに対する前記ユーザの閲覧履歴を表す情報を取得して第１の記憶媒体に格納する第１の過程と、
   前記コンピュータが、前記ユーザの地理的な移動履歴を表す情報を取得して第２の記憶媒体に格納する第２の過程と、
   前記コンピュータが、前記第１の記憶媒体に記憶された閲覧履歴情報をもとに、当該閲覧履歴情報に含まれる複数のスポット閲覧情報を閲覧時間の近さを条件にクラスタ化して閲覧チャンクを生成する第３の過程と、
   前記コンピュータが、前記第２の記憶媒体に記憶された移動履歴情報、またはユーザが事前に入力した情報や無線基地局との接続情報をもとにユーザが訪問可能な参照エリアを決定し、予め記憶されたスポット情報の中から、前記決定された参照エリアに含まれるスポット情報の集合を参照スポット集合として抽出する第４の過程と、
   前記コンピュータが、前記生成された閲覧チャンクに含まれるスポット閲覧情報の数ａと、前記閲覧チャンクに含まれるスポット閲覧情報群のうち所定の概念を有するスポット閲覧情報の数ｎと、前記参照スポット集合に含まれるスポット情報の数Ｓと、前記参照スポット集合に含まれるスポット情報群のうち前記概念が付与されたスポット情報の数Ｎをもとに、前記閲覧チャンクに前記概念が出現するスポット閲覧情報の数が、前記ｎ以上となる第１の確率及びｎ未満となる第２の確率をそれぞれ算出し、この算出された第１及び第２の確率をもとに標準正規分布の累積分布関数の逆関数により特徴スコアｚを算出する第５の過程と、
   前記コンピュータが、前記閲覧チャンクごとに算出された特徴スコアｚを用いて、前記概念に対する前記ユーザの興味の度合いを表す興味スコアを計算する第６の過程と
   を具備することを特徴とする情報推薦方法。
2. 前記コンピュータが、前記第２の記憶媒体に記憶された移動履歴情報をもとに、当該移動履歴情報に含まれる複数の滞在情報を距離の近さを条件にクラスタ化して滞在チャンクを生成し、この滞在チャンクに対し距離の近さを条件にしてスポット群を関連付ける過程をさらに具備し、
   前記第５の過程は、前記生成された滞在チャンクに含まれるスポット情報の数を前記ａとすると共に、前記滞在チャンクに含まれるスポット情報群のうち所定の概念を有するスポット情報の数を前記ｎとして、前記特徴スコアｚを算出することを特徴とする請求項１記載の情報推薦方法。
3. 前記コンピュータが、前記第２の記憶媒体に記憶された移動履歴情報をもとに、当該移動履歴情報に含まれる複数の滞在情報を距離の近さを条件にクラスタ化して滞在チャンクを生成し、この滞在チャンクに対し距離の近さを条件にしてスポット群を関連付ける過程をさらに具備し、
   前記第５の過程は、前記閲覧チャンクに出現するスポット閲覧情報の数を前記Ｎとすると共に、前記閲覧チャンクの閲覧時刻から予め設定した一定時間内に存在する滞在チャンク群を共起チャンクとしてこの共起チャンク内の滞在チャンクに対し前記距離の近さを条件にして関連付けられたスポット群の数を前記ａとし、前記一定時間内の滞在チャンクに関連付けられたスポット群の中で、前記閲覧チャンクに出現したスポットの数をｎとして、前記特徴スコアzを算出することを特徴とする請求項１記載の情報推薦方法。
4. 前記コンピュータが、前記第２の記憶媒体に記憶された移動履歴情報をもとに、当該移動履歴情報に含まれる複数の滞在情報を距離の近さを条件にクラスタ化して滞在チャンクを生成し、この滞在チャンクに対し距離の近さを条件にしてスポット群を関連付ける過程を、さらに具備し、
   前記第５の過程は、前記参照スポット集合に含まれるスポット情報の数Ｓとし、閲覧チャンク内のスポット情報数をａとしたうえで、前記閲覧チャンクの閲覧時刻から予め設定した一定時間内に存在する滞在チャンク群に出現するスポット情報の数をＮとし、前記閲覧チャンクに出現するスポット情報において、一定時間内に滞在開始時刻を持つ滞在チャンクに出現するスポット情報と共起するスポット情報群を共起チャンクとして、当該共起チャンク内のスポットの数をｎとして前記特徴スコアzを算出することを特徴とする請求項１記載の情報推薦方法。
5. 前記コンピュータが、前記第２の記憶媒体に記憶された移動履歴情報をもとに、当該移動履歴情報に含まれる複数の滞在情報を距離の近さを条件にクラスタ化して滞在チャンクを生成し、この滞在チャンクに対し距離の近さを条件にしてスポット群を関連付ける過程を、さらに具備し、
   前記第５の過程は、前記同様に参照スポット集合に含まれるスポット情報の数Ｓとし、閲覧チャンク内のスポット情報数をａとしたうえで、前記滞在チャンクの滞在開始時刻から予め設定した一定時間内を閲覧時刻とする閲覧チャンク群に出現するスポット情報の数をＮとし、前記滞在チャンクに出現するスポット情報群において、一定時間内の閲覧チャンクに出現するスポット情報と共起するスポット情報群を共起チャンクとして、共起チャンク内のスポットの数をｎとして、前記特徴スコアzを算出することを特徴とする請求項１記載の情報推薦方法。
6. 前記第５の過程は、前記閲覧チャンク、滞在チャンクまたは共起チャンクについて、ユーザの操作履歴、各チャンクの時刻及び状況、及び前記スポットと前記概念との関連度の少なくとも１つに応じて前記特徴スコアｚを重み付けすることを特徴とする請求項１乃至５のいずれかに記載の情報推薦方法。
7. 前記第５の過程は、前記第１の確率及び前記第２の確率を超幾何分布、二項分布または正規分布により算出することを特徴とする請求項１に記載の情報推薦方法。
8. １つ以上の概念が出現するスポット情報について、当該スポット情報に出現する各概念の前記興味スコアを用いて、当該スポット情報に対するユーザの評価スコアを算出する第７の過程を、さらに具備することを特徴とする請求項１記載の情報推薦方法。
9. 前記第７の過程は、前記スポット情報と各概念との関連度及び各概念の重要度の少なくとも１つに応じて前記興味スコアを重み付けすることを特徴とする請求項８記載の情報推薦方法。
10. 地理的に散在する複数のスポットに対するユーザの興味を分析してその分析結果をもとに当該ユーザに対し推薦するスポットの情報を作成する情報推薦装置であって、
    前記複数のスポットに関する情報をそれぞれ掲示する閲覧サイトに対する前記ユーザの閲覧履歴を表す情報を取得して第１の記憶媒体に格納する手段と、
    前記ユーザの地理的な移動履歴を表す情報を取得して第２の記憶媒体に格納する手段と、
    前記第１の記憶媒体に記憶された閲覧履歴情報をもとに、当該閲覧履歴情報に含まれる複数のスポット閲覧情報を閲覧時間の近さを条件にクラスタ化して閲覧チャンクを生成する手段と、
    前記第２の記憶媒体に記憶された移動履歴情報をもとにユーザが訪問可能な参照エリアを決定し、予め記憶されたスポット情報の中から、前記決定された参照エリアに含まれるスポット情報の集合を参照スポット集合として抽出する手段と、
    前記生成された閲覧チャンクに含まれるスポット閲覧情報の数ａと、前記閲覧チャンクに含まれるスポット閲覧情報群のうち所定の概念を有するスポット閲覧情報の数ｎと、前記参照スポット集合に含まれるスポット情報の数Ｓと、前記参照スポット集合に含まれるスポット情報群のうち前記概念が付与されたスポット情報の数Ｎをもとに、前記閲覧チャンクに前記概念が出現するスポット閲覧情報の数が、前記ｎ以上となる第１の確率及びｎ未満となる第２の確率をそれぞれ算出し、この算出された第１及び第２の確率をもとに標準正規分布の累積分布関数の逆関数により特徴スコアｚを算出する手段と、
    前記閲覧チャンクごとに算出された特徴スコアｚを用いて、前記概念に対する前記ユーザの興味の度合いを表す興味スコアを計算する手段と
    を具備することを特徴とする情報推薦装置。
11. 請求項１乃至９のいずれかに記載の情報推薦方法が備える各過程の処理を、前記コンピュータに実行させるプログラム。

Images