JP2013109665A - 商品情報推薦装置及び方法及びプログラム - Google Patents

Abstract

【課題】 商品にメタデータが用意されていない状況下でユーザに満足度の高い推薦を行う。
【解決手段】 本発明は、電子商取引サービスにおける各ユーザＩＤの購買情報を取得し、購買情報記憶手段に格納し、取得した購買情報を用いて、各ユーザの各商品を購買する確率である推薦スコアを算出し、推薦スコア記憶手段に格納し、取得した購買情報を用いて、ある商品を購買したユーザが、他の各商品についてそれは購買しない確率である多様化スコアを算出し、多様化スコア記憶手段に格納する。算出した推薦スコアと、算出した多様化スコアとを用いて、推薦リストを作成する。
【選択図】 図１

Description

本発明は、商品情報推薦装置及び方法及びプログラムに係り、特に、電子商取引（E-Commerce）サービスで提供されるユーザの商品購買における、商品情報推薦装置及び方法及びプログラムに関する。

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）。

ユーザの満足度を最大化するには、推薦リストの多様化が有効であるとされている。たとえば、映画を推薦する場合、たとえSF好きのユーザであってもSFばかりを推薦するよりは、SFやホラー、アクションを混ぜて推薦する方がユーザの満足度が高くなることが知られている（例えば、非特許文献２参照）。

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. Ziegler C.N. et al, " Improving recommendation lists through topic diversification," Proceedings of the 14th International Conference on World Wide Web, ACM Press New York, 2005

一般にE-Commerceサービスの扱う商品は幅広く、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。

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。この場合、語を指定しなければならないという問題がある。このように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に記載の手法で商品を推薦する場合、ユーザの嗜好を推定し、それに紐付く商品を推薦するので、類似した商品ばかりが推薦され、ユーザの満足度が低下する。しかも、推薦される商品がユーザにとって既知である可能性が高いため、推薦しても新たな購買に結びつきづらい。

また、非特許文献２に記載の手法で商品を推薦すれば、ユーザの満足度は向上するが、商品の類似度を算出するために商品のメタデータ（ジャンル情報）を用いるため、商品にメタデータが用意されていないE-Commerceサービスには適用できない。

本発明は上記の点に鑑みなされたもので、E-Commerceサービスにおいて、購買情報のみを用いて多様化された推薦リストを作成することにより、商品にメタデータが用意されていない状況下でユーザに満足度の高い推薦を行うことが可能な商品情報推薦装置及び方法及びプログラムを提供することを目的とする。

上記の課題を解決するため、本発明（請求項１）は、電子商取引サービスにおいて、ユーザの購買情報を利用する商品情報推薦装置であって、
前記電子商取引サービスにおける各ユーザＩＤの購買情報を取得し、購買情報記憶手段に格納する購買情報取得手段と、
取得した前記購買情報を用いて、各ユーザの各商品を購買する確率である推薦スコアを算出し、推薦スコア記憶手段に格納する推薦スコア算出手段と、
取得した前記購買情報を用いて、ある商品を購買したユーザが、他の各商品についてそれは購買しない確率である多様化スコアを算出し、多様化スコア記憶手段に格納する多様化スコア算出手段と、
算出した前記推薦スコアと、算出した前記多様化スコアとを用いて、推薦リストを作成する推薦リスト作成手段と、を有する。

また、本発明（請求項２）は、前記多様化スコア算出手段において、
前記購買情報記憶手段を参照し、ユーザuと該ユーザが購買した商品i、多様化スコア算出のためのパラメータを用いて、商品の組合せ（i，i'）(但し、i'は上位商品)について、商品ｉは購買したことはあるが商品ｉ'は購買したことはないユーザの数に基づいて前記多様化スコアP(n(i')|i)を算出する手段を含む。

また、本発明（請求項３）は、前記推薦リスト作成手段において、
前記推薦スコア記憶手段から前記ユーザｕに対する各商品ｉの推薦スコアを取得し、前記多様化スコア記憶手段から2つ商品の組合せ((i，i')について前記多様化スコアP(n(i'|i)を取得して、重みパラメータを用いて、1位から順にＬ位までの商品を決定する手段を含む。

本発明によれば、商品にメタデータが付与されていないE−Commerceサービスにおいて、各ユーザの購買情報だけを用いて推薦リストを多様化することにより、ユーザの満足度が高い推薦が可能になる。

本発明の一実施の形態における商品情報推薦装置の構成図である。 本発明の一実施の形態における購買情報テーブルの例である。 本発明の一実施の形態における推薦スコアテーブルの例である。 本発明の一実施の形態における多様化スコアテーブルの例である。 本発明の一実施の形態における商品情報更新時の処理のフローチャートである。 本発明の一実施の形態における推薦スコア更新時の処理のフローチャートである。 本発明の一実施の形態における図６のステップ２５０の詳細な処理のフローチャートである。 本発明の一実施の形態における図７のステップ２３２の詳細な処理のフローチャートである。 本発明の一実施の形態における多様化スコア更新時の処理のフローチャートである。 本は詰めの一実施の形態におけるユーザログイン時の処理のフローチャートである。

最初に、本発明の概要を説明する。

本発明では、商品にメタデータが付与されていないE-Commerceサービスにおいて、購買情報だけを用いて多様化されたユーザ満足度の高い推薦リストを提供することを目的とする。具体的には、ユーザの満足度を、「推薦リストを提示した際、そのうち１つでも購買される」確率と定義する。すなわち、従来技術のように単に該ユーザに購買される確率の高い順に商品を並べるのではなく、提供する推薦リストの長さがLであれば、そのL個の商品のうちどれか１つでも購買する確率が最大になるように推薦リストを作成する。１位のものは、該ユーザの購買する確率が最も高い商品である。２位のものは、単に該ユーザの購買する確率が２番目に高い商品ではなく、２位を選択する時点で１位のものは購買しない、好きではないという情報も利用して購買する確率を算出する。このようにすると、２位の商品は１位の商品とは異なるジャンルの中で該ユーザに最も購買される確率の高い商品となり、再帰的に適用すると、推薦リストが多様化される。

数式を用いて、さらに厳密に説明を行う。ユーザ u に対して、提示する推薦リストを

とする。１位には、従来の協調フィルタリングと変わらず、

とする。すなわち該ユーザの購買する確率の最も高い商品を配置する。２位には、従来の協調フィルタリングならば該ユーザの購買する確率が２番目に高いものを配置するが、本発明では、

とする。ここでn(・)は該商品を購買しない、好きではないという情報を表す。本情報を考慮すれば、２位に配置する商品は１位に配置された商品とは異なるジャンルのものになりやすくなる。ｌ位も再帰的に、

のように決定する。

次に、式(3)の右辺の算出方法について説明する。右辺を直接求めるのは困難なので、ユーザuがアイテムiを購買する確率Ｐ（ｉ｜ｕ）とｌ−１位までを購買しない、好きではないユーザがアイテムiを購買する確率

から求める。前者の確率は通常の推薦スコアであり、後者の確率は推薦リストの多様化に影響を与えるため多様化スコアと呼ぶことにする。

式（3）の右辺を推薦項と多様化スコアを用いて算出する方法はいくつかあるが、一つは、

のように定義する方法がある。実施の形態では式(4)を用いて推薦リストを作成する場合について説明する。

具体的には、SF好きのユーザに、SFの中で該ユーザが最も購買する確率の高い商品、ホラーの中で最も購買する確率の高い商品、アクションの中で最も購買する確率の高い商品、が推薦されるようになり、通常の推薦システムよりも推薦リスト中のどれか一つを購買する確率が高くなる（ユーザの満足度が向上する）。

以下、図面と共に本発明の実施形態を説明する。

図１は、本発明の一実施の形態における商品推薦装置の構成を示す。

同図に示す商品推薦装置１は、購買情報処理部１０、推薦スコア算出部２０、多様化スコア算出部３０、推薦リスト作成部４０、記録部５０、通信部６０、入出力部７０から構成され、通信部６０はネットワーク３に接続されており、入出力部７０は、入力装置や表示装置の外部装置４に接続されている。外部端末２は、例えば本装置と連携するＥＣサイトのようなものにあたる。

記憶部５０は、購買情報テーブル５１、推薦スコアテーブル５２、多様化スコアテーブル５３から構成される。以下に各テーブルについて説明する。

＜購買情報テーブル５１＞
購買情報テーブル５１には、図２に示すように、ユーザＩＤフィールド、商品ＩＤフィールドが含まれる。

ユーザＩＤフィールドは、該商品を購買したユーザを特定する識別子が、購買情報処理部１０により設定される。

商品ＩＤフィールドは、商品情報テーブルに出現する商品の識別子と対応し、購買情報処理部１０により設定される。

＜推薦スコアテーブル５２＞
推薦スコアテーブル５２には、図３に示すように、ユーザＩＤフィールドと、商品ＩＤフィールドと、推薦スコアフィールドとが含まれる。

推薦スコアフィールドは、該ユーザｕの、該商品ｉに対する推薦スコアＰ(i|u)が推薦スコア算出部２０により設定される。

＜多様化スコアテーブル５３＞
多様化スコアテーブル５３には、図４に示すように、上位商品ＩＤフィールドと、商品ＩＤフィールドと、多様化スコアフィールドとが含まれる。多様化スコアフィールドは、文字通り多様化のために用いられるスコアであるが、直観的に説明すると商品ＩＤフィールドで指定される商品を買うユーザが上位商品ＩＤフィールドで指定される商品を買わない確率（本実施の形態では上位商品ＩＤフィールドで指定される商品を買わないユーザが商品ＩＤフィールドで指定される商品を買う確率になっていないことに注意されたい）を指す。

上位商品ＩＤフィールドには、商品情報テーブルに出現する商品の識別子と対応し、多様化スコア算出部３０により設定される。

多様化スコアフィールドは、該商品ｉを購買するユーザの、該上位商品ｊを購買しない確率Ｐ(ｎ(ｉ')|i）が多様化スコア算出部３０により設定される。

＜商品購買時＞
はじめに、本発明の一実施の形態における商品購買時の処理を詳細に説明する。本処理は、連携しているＥＣサイトからネットワーク３、通信部７０を経て購買情報が送られてきた際に実行される。

図５は、本発明の一実施形態における商品購買時の処理のフローチャートである。

ステップ１１０）購買情報処理部１０が、購買情報テーブル５１に、購買したユーザ、購買された商品に応じてユーザＩＤフィールド、商品ＩＤフィールドの値を設定した行を挿入する。

＜推薦スコア更新時＞
次に、本発明の一実施の形態における推薦スコア更新時の処理を説明する。本処理は、例えばシステム管理者が外部装置４を用いて推薦スコア更新の命令をシステムに投じた際に行なってもよいし、１日おきなど自動で定期的に実行するように設定できるようにしてもよい。

図６は、本発明の一実施の形態における推薦スコア更新時の処理のフローチャートである。

ステップ２１０）推薦スコア算出部２０が、推薦スコア算出のためのパラメータＺ、α、βを設定する。これらパラメータは、予め与えておいた定数により設定される。ただし、Ｚは１以上の整数であり、α、βは０以上の小数である。

ステップ２２０）推薦スコア算出部２０が、購買情報テーブル５１を参照し、各購買のユーザｕと、商品ｉを取得する。

ステップ２３０）推薦スコア算出部２０が、文献１（Bishop, M.C., "Pattern recognition and machine learning", 2006）記載のCollapsedギブスサンプリングを用いて各購買のトピックｚを推定する。

ステップ２４０）推薦スコア算出部２０が、ステップ２１０にて設定したパラメータＺ，α、βと、ステップ２３０にて推定した各購買のトピックｚとを用いて式(2)のように各ユーザｕの各商品ｉに対する推薦スコアＰ(i|u)を算出する。

ここでM_zはトピックｚにアサインされた購買数、M_ziはトピックｚにアサインされ、かつ商品ｉに関する購買の数、M_uzはユーザｕの購買の中でトピックｚにアサインされたものの数、M_uはユーザuの購買数を表す。M_zとM_zi、M_uzはステップ２３０にて推定した各購買のトピックzから求めることができる。なお、Uはユーザの総数を表す。

ステップ２５０）推薦スコア算出部２０が、各ユーザｕ、各商品ｉについて推薦スコアテーブル５２にユーザＩＤフィールドの値がｕ、商品ＩＤフィールドの値がｉの行の推薦スコアをステップ２４０で求めたＰ(i|u)に更新する。

次に、上記の図６のステップ２３０の処理を詳細に説明する。

図７は、本発明の一実施の形態における図６のステップ２３０の詳細な処理のフローチャートである。

ステップ２３１）推薦スコア算出部２０が、各購買のトピックz_m(m=1，…，M)を最小値１、最大値Zの整数乱数で初期化する。ただし、Mは購買情報テーブル５１の行数を表しており、mは何行目かに対応する。

ステップ２３２を、十分な回数（例えば５００回）繰り返す。繰り返しの回数については、予め設定した任意の数でも構わないし、各購買のトピックzが収束したら（ほとんどのz_mが変化しなくなったら）そこで打ち切るようにしてもよい。

ステップ２３２）推薦スコア算出部２０が、各購買のトピックz_m (m=1，…，M)を更新する。

次に、上記の図７のステップ２３２の処理を詳細に説明する。

図８は、本発明の一実施の形態における図７のステップ２３２の詳細な処理のフローチャートである。

全ての購買m=1，…，Mについて、ステップ２３２１とステップ２３２２を行う。

ステップ２３２１）推薦スコア算出部２０が、該購買のトピックz_mの各トピック候補k=1,…，Zアサインされるサンプリング確率を式(6)により算出する。

ここで＼mは該購買を除いたときの回数もしくは変数を表す。つまり、たとえば

は更新前にz_mがｋにアサインされていれば

を表し、そうでなければ

を表す。また、u_m，i_mはそれぞれm番目の購買のユーザと商品を表す。

ステップ２３２２）推薦スコア算出部２０が、ステップ２３２１にて算出した該購買のトピックz_mの各トピック候補k=1，…，Kへアサインされるサンプリング確率に基づき、乱数を発生させて、z_mを更新する。具体的には、k=2，…，Kについて、式（7）に従ってサンプリング確率を更新する。

さらに、k=1，…，Kについて、サンプリングを式(8)のように更新する。

その後、最小値０、最大値１の小数の乱数を発生させてその値をサンプリング確率が上回る最小のｋにアサインする。例を挙げて説明すると、今K=3として、式(3)に基づき算出されたサンプリング確率がそれぞれ

であったとする。つまり、それぞれのトピックに４：１：５の割合でサンプリングされるようにしたい。このとき、式(7)と式(8)を用いて

とサンプリング確率を更新し、最小値０、最大値１の小数の乱数を発生させてその値をサンプリング確率が上回る最小のkにアサインすればよい。

＜多様化スコア更新時＞
次に、本発明の一実施の形態における多様化スコア更新時の処理を説明する。本処理は、たとえばシステム管理者が外部装置４を用いて多様化スコア更新の命令を当該装置１に投じた際に行なってもよいし、１日おきなど自動で定期的に実行するように設定できるようにしてもよい。

図９は、本発明の一実施の形態における多様化スコア更新時の処理のフローチャートである。

ステップ３１０）多様化スコア算出部３０が、多様化スコア算出のためのパラメータδを設定する。これらパラメータは、予め与えておいた定数により設定される。ただし、δは０以上の小数である。

ステップ３２０）多様化スコア算出部３０が、購買情報テーブル５１を参照し、各購買のユーザｕと、商品ｉを取得する。

ステップ３３０）多様化スコア算出部３０が、ステップ３１０にて設定したパラメータδと、ステップ３２０にて取得した購買情報を用いて、以下のように２商品の各組合せ（i，i'）に対する多様化スコアP(n(i')|i)を算出する。

ここでU_iは商品iを購買したことのあるユーザ数、U_i,n(i')は商品iを購買したことはあるが商品i'を購買したことはないユーザの数を表す。U_i、U_i,n(i')いずれも購買情報を集計することで簡単に求めることができる。

ステップ３４０）多様化スコア算出部３０が、２商品の各組合せ（i，i'）について多様化スコアテーブル７３に上位商品ＩＤフィールドの値がi'、商品ＩＤフィールドの値がiの行の多様化スコアをステップ３３０で求めたP(n(i')|i)に更新する。

次に、発明の一実施の形態における商品推薦時の処理を説明する。本処理は、例えば連携しているＥＣサイトからネットワーク３、通信部７０を経て商品推薦のリクエストがあった際に実行を開始すればよい。

＜商品推薦時＞
図１０は、本発明の一実施の形態における商品推薦時の処理のフローチャートである。今、推薦の対象となっているユーザをｕとする。本ユーザＩＤは連携しているＥＣサイトから情報が送られてくる。

ステップ４１０）推薦リスト作成部４０が、推薦スコアテーブル５２を参照し、該ユーザｕに対する各商品iの推薦スコアP(i|u)を取得する。

ステップ４２０）推薦リスト作成部４０が、多様化スコアテーブル５３を参照し、各２商品の組合せ（i，i'）について多様化スコアP(n(i')|i)を取得する。

ステップ４３０）推薦リスト作成部４０が、取得した推薦スコア、多様化スコアを用いて上位から順に推薦リストを作成する。具体的な推薦リストの作成法については、前述の式(1)から式(4)、及び式(5)を参照されたい。ただし、

は多様化スコアを使って以下のように求める。

ここでP(i)は全購買情報に対する商品iの購買の割合、Nはアイテムの種類数をそれぞれ表し、購買情報テーブル５１を参照することで簡単に求めることができる。

ステップ４４０）推薦リスト作成部４０が、該ユーザuに作成した推薦リストを提供する。作成された推薦リストは、通信部７０、ネットワーク３を経てＥＣサイトを提供している外部端末２に送られる。

なお、上記の商品推薦装置の各構成要素の処理をプログラムとして構築し、商品推薦装置として利用されるコンピュータにインストールして実行させる、または、ネットワークを介して流通させることが可能である。

また、構築されたプログラムをハードディスクや、フレキシブルディスク、ＣＤ−ＲＯＭ等の可搬記憶媒体に格納し、コンピュータにインストールする、または、配布することが可能である。

なお、本発明は、上記の実施の形態に限定されることなく、特許請求の範囲内において種々変更・応用が可能である。

１ 商品推薦装置
２ 外部端末
３ ネットワーク
４ 外部装置
１０ 購買情報処理部
２０ 推薦スコア算出部
３０ 多様化スコア算出部
４０ 推薦リスト作成部
５０ 記憶部
５１ 購買情報テーブル
５２ 推薦スコアテーブル
５３ 多様化スコアテーブル
６０ 通信部
７０ 入出力部

Claims (7)

1. 電子商取引サービスにおいて、ユーザの購買情報を利用する商品情報推薦装置であって、
   前記電子商取引サービスにおける各ユーザＩＤの購買情報を取得し、購買情報記憶手段に格納する購買情報取得手段と、
   取得した前記購買情報を用いて、各ユーザの各商品を購買する確率である推薦スコアを算出し、推薦スコア記憶手段に格納する推薦スコア算出手段と、
   取得した前記購買情報を用いて、ある商品を購買したユーザが、他の各商品についてそれは購買しない確率である多様化スコアを算出し、多様化スコア記憶手段に格納する多様化スコア算出手段と、
   算出した前記推薦スコアと、算出した前記多様化スコアとを用いて、推薦リストを作成する推薦リスト作成手段と、
   を有することを特徴とする商品情報推薦装置。
2. 前記多様化スコア算出手段は、
   前記購買情報記憶手段を参照し、ユーザuと該ユーザが購買した商品i、多様化スコア算出のためのパラメータを用いて、商品の組合せ（i，i'）(但し、i'は上位商品)について、商品ｉは購買したことはあるが商品ｉ'は購買したことはないユーザの数に基づいて前記多様化スコアP(n(i')|i)を算出する手段を含む
   請求項1記載の商品情報推薦装置。
3. 前記推薦リスト作成手段は、
   前記推薦スコア記憶手段から前記ユーザｕに対する各商品ｉの推薦スコアを取得し、前記多様化スコア記憶手段から2つ商品の組合せ((i，i')について前記多様化スコアP(n(i'|i)を取得して、重みパラメータを用いて、1位から順にＬ位までの商品を決定する手段を含む
   請求項1記載の商品情報推薦装置。
4. 電子商取引サービスにおいて、ユーザの購買情報を利用する商品情報推薦方法であって、
   購買情報取得手段が、前記電子商取引サービスにおける各ユーザＩＤの購買情報を取得し、購買情報記憶手段に格納する購買情報取得ステップと、
   推薦スコア算出手段が、取得した前記購買情報を用いて、各ユーザの各商品を購買する確率である推薦スコアを算出し、推薦スコア記憶手段に格納する推薦スコア算出ステップと、
   多様化スコア算出手段が、取得した前記購買情報を用いて、ある商品を購買したユーザが、他の各商品についてそれは購買しない確率である多様化スコアを算出し、多様化スコア記憶手段に格納する多様化スコア算出ステップと、
   推薦リスト作成手段が、算出した前記推薦スコアと、算出した前記多様化スコアとを用いて、推薦リストを作成する推薦リスト作成ステップと、
   を有することを特徴とする商品情報推薦方法。
5. 前記多様化スコア算出ステップにおいて、
   前記購買情報記憶手段を参照し、ユーザuと該ユーザが購買した商品i、多様化スコア算出のためのパラメータを用いて、商品の組合せ（i，i'）(但し、i'は上位商品)について、商品ｉは購買したことはあるが商品ｉ'は購買したことはないユーザの数に基づいて前記多様化スコアP(n(i')|i)を算出する
   請求項４記載の商品情報推薦方法。
6. 前記推薦リスト作成ステップにおいて、
   前記推薦スコア記憶手段から前記ユーザｕに対する各商品ｉの推薦スコアを取得し、前記多様化スコア記憶手段から2つ商品の組合せ((i，i')について前記多様化スコアP(n(i'|i)を取得して、重みパラメータを用いて、1位から順にＬ位までの商品を決定する
   請求項４記載の商品情報推薦方法。
7. コンピュータを、
   請求項1乃至３のいずれか1項に記載の商品情報推薦装置の各手段として機能させるための商品情報推薦プログラム。

Images