JP2014203442A - レコメンド情報生成装置及びレコメンド情報生成方法 - Google Patents

Abstract

【課題】ユーザの定常的な嗜好と時事性を加味したコンテンツをレコメンドすること。【解決手段】レコメンド情報生成装置１は、ユーザが要求したコンテンツを含む履歴情報を格納する履歴情報格納部２０と、履歴情報に含まれるコンテンツのコンテンツ特徴ベクトルを算出するコンテンツ特徴ベクトル算出部１１と、コンテンツ特徴ベクトルを時系列上のセグメントに区分けし、各セグメントに区分けされたコンテンツ特徴ベクトルに基づいてセグメント代表ベクトルを算出するセグメント代表ベクトル算出部１２と、セグメント代表ベクトルとセグメントの時系列上における位置とに基づいて、コンテンツに対するユーザの嗜好を示すユーザ特徴ベクトルを算出するユーザ特徴ベクトル算出部１３と、ユーザ特徴ベクトルに基づいてレコメンド情報を生成し、配信するレコメンド結果配信部１５と、を備える。【選択図】図１

Description

本発明は、レコメンド情報生成装置及びレコメンド情報生成方法に関する。

近年、コンピュータネットワーク上においてユーザが過去に閲覧した、或いは現在閲覧している情報に基づいて、ユーザ毎に適する情報を提示する情報レコメンドサービスが利用されている。

情報レコメンドサービスを実現する手法として、同一の利用者に閲覧、或いは購買されたという履歴から商品間の類似度を評価するCollaborative Filtering方式がある。この方式関連する技術として、非特許文献１に記載されている技術が挙げられる。非特許文献１の著者らの運用するWebサービス（http://www.amazon.co.jp/）では、閲覧中、もしくは購入した商品を購入したユーザが購入する傾向にある商品等がレコメンド（推薦）される。

情報レコメンドサービスを実現するもう一つの手法として、Content-based Filtering方式がある。この方式は閲覧された文書を解析し、文書に含まれる単語（キーワード）を抽出し、ユーザの興味・嗜好を表すユーザプロファイルとして記録する。例えば、広告等に割り当てられたキーワードとユーザプロファイルをマッチングすることにより適切な広告のレコメンドを可能とするシステムが一般に知られている。この方式に関連する技術として、特許文献１に記載されている技術が挙げられる。この特許文献１には、予め定められたレコメンド抽出ルールに従って、レコメンド情報を配信する配信先および配信すべきレコメンド情報を決定し、配信することが記載されている。

特開２００７−１４８８７８号公報

Linden, G., B. Smith, and J. York. Amazon.com Recommendations: Item-to-Item Collaborative Filtering. IEEE Internet Computing, Jan.-Feb. 2003.

これらの既存技術を用いて、例えばニュース記事のような時事性の高いコンテンツをレコメンドしようとした場合、Collaborative Filtering方式では、ログデータの蓄積されていないコンテンツをレコメンドすることができないというコールドスタート問題が一般に知られており、適切なタイミングでレコメンドすることができない。

また、Content-based Filtering方式では、閲覧中のコンテンツに対しては高精度なレコメンドが可能だが、閲覧したコンテンツから抽出したキーワードを並べるだけでは、時事問題等に対する瞬間的な興味の高まりにはユーザプロファイルの更新が追いつかず、適切なタイミングでのレコメンドが行えない可能性がある。

そこで、本発明は、かかる課題に鑑みて為されたものであり、情報を適切にレコメンドすることができるレコメンド情報生成装置及びレコメンド情報生成方法を提供することを目的とする。

上記課題を解決するため、本発明のレコメンド情報生成装置は、ユーザが要求したコンテンツと要求時刻とを含む履歴情報を格納する履歴情報格納手段と、履歴情報に含まれるコンテンツを解析し、当該コンテンツの特徴を示す特徴ベクトルであるコンテンツ特徴ベクトルを算出するコンテンツ特徴ベクトル算出手段と、コンテンツ特徴ベクトル算出手段によって算出された履歴情報に含まれるコンテンツのコンテンツ特徴ベクトルを、当該履歴情報に含まれる要求時刻に基づいて時系列上の所定の時間間隔毎のセグメントに区分けし、各セグメントに区分けされたコンテンツ特徴ベクトルに基づいて当該セグメントのセグメント代表ベクトルを算出するセグメント代表ベクトル算出手段と、セグメント代表ベクトル算出手段によって算出されたセグメント代表ベクトルと当該セグメント代表ベクトルに対応するセグメントの時系列上における位置とに基づいて、コンテンツに対するユーザの嗜好を示す特徴ベクトルであるユーザ特徴ベクトルを算出するユーザ特徴ベクトル算出手段と、ユーザ特徴ベクトル算出手段によって算出されたユーザ特徴ベクトルに基づいて、ユーザにレコメンドするコンテンツに関するレコメンド情報を生成するレコメンド情報生成手段と、を備える。

このような装置によれば、まず、履歴情報格納手段により、ユーザが要求したコンテンツと要求時刻とを含む履歴情報が格納される。そして、コンテンツ特徴ベクトル算出手段により、履歴情報に含まれるコンテンツが解析され、コンテンツ特徴ベクトルが算出される。そして、セグメント代表ベクトル算出手段により、コンテンツ特徴ベクトルが履歴情報に含まれる要求時刻に基づいて時系列上の所定の時間間隔毎のセグメントに区分けされ、各セグメントに区分けされたコンテンツ特徴ベクトルに基づいて当該セグメントのセグメント代表ベクトルが算出される。そして、ユーザ特徴ベクトル算出手段により、セグメント代表ベクトルと当該セグメント代表ベクトルに対応するセグメントの時系列上における位置とに基づいて、ユーザ特徴ベクトルが算出される。そして、レコメンド情報生成手段により、ユーザ特徴ベクトルに基づいてレコメンド情報が生成される。かかる構成を採れば、履歴情報のセグメントの時系列上における位置に基づいて算出されたユーザ特徴ベクトルに基づいてレコメンド情報が生成されるため、レコメンド情報に履歴情報の時系列的な要素を反映することができる。具体例として、ユーザの定常的な嗜好と時事性を加味したコンテンツをレコメンドすることできる。すなわち、情報を適切にレコメンドすることができる。

また、本発明の装置において、ユーザ特徴ベクトル算出手段は、時系列上において隣り合うセグメントのセグメント代表ベクトルの差分を用いたランキング学習を適用してユーザ特徴ベクトルを算出することが好ましい。かかる構成を採れば、ユーザ特徴ベクトルを算出する際にランキング学習を適用するため、レコメンド情報に履歴情報の時系列的な要素をより反映することができる。

また、本発明の装置において、ユーザ特徴ベクトル算出手段は、セグメント代表ベクトルを時系列順にオンライン学習に適用してユーザ特徴ベクトルを算出することが好ましい。かかる構成を採れば、ユーザ特徴ベクトルを算出する際にオンライン学習を適用するため、履歴情報が増えるたびにより正確にユーザの嗜好を示すユーザ特徴ベクトルを算出することができる。それゆえに、よりユーザの嗜好に沿った情報をレコメンドすることができる。

また、本発明の装置において、ユーザ特徴ベクトル算出手段は、履歴情報に基づいて算出されたユーザ特徴ベクトルと、履歴情報以外の一つ以上のデータソースに基づいて算出されたユーザ特徴ベクトルとの加重平均である総合ユーザ特徴ベクトルを算出し、レコメンド情報生成手段は、ユーザ特徴ベクトル算出手段によって算出された総合ユーザ特徴ベクトルに基づいて、ユーザにレコメンドするコンテンツに関するレコメンド情報を生成することが好ましい。かかる構成を採れば、複数のデータソースに基づいて算出されたユーザ特徴ベクトルに基づいて総合ユーザ特徴ベクトルが算出されるため、より正確にユーザの嗜好を示す総合ユーザ特徴ベクトルを算出することができる。また、履歴情報以外の一つ以上のデータソースを利用してユーザ特徴ベクトルを算出するため、ユーザの明示的な履歴情報が無いコールドスタート状態においても適切なコンテンツのレコメンドが可能となる。それゆえに、よりユーザの嗜好に沿った情報を適切にレコメンドすることができる。

また、本発明の装置において、外部のＳＮＳサービスにおいてユーザが投稿内容を受信するように登録しているアカウントを取得するアカウント収集手段と、アカウント収集手段によって取得されたアカウントについて、当該アカウントによる投稿内容がユーザの嗜好を特徴付けるものであるか否かを判別するアカウント判別手段と、アカウント判別手段によって投稿内容がユーザの嗜好を特徴付けるものであると判別されたアカウントによる投稿内容を収集する投稿内容収集手段と、を更に備え、ユーザ特徴ベクトル算出手段は、データソースの一つとして、投稿内容収集手段によって収集された投稿内容を用いることが好ましい。かかる構成を採れば、ユーザの嗜好を特徴付けるものであると判別されたアカウントによる投稿内容に基づいて総合ユーザ特徴ベクトルが算出されるため、より正確にユーザの嗜好を示す総合ユーザ特徴ベクトルを算出することができる。それゆえに、よりユーザの嗜好に沿った情報をレコメンドすることができる。

また、本発明の装置において、ユーザが閲覧したＷｅｂサイトのコンテンツ情報を収集するＷｅｂコンテンツ情報収集手段を更に備え、ユーザ特徴ベクトル算出手段は、データソースの一つとして、Ｗｅｂコンテンツ情報収集手段によって収集されたコンテンツ情報を用いることが好ましい。かかる構成を採れば、ユーザが閲覧したＷｅｂサイトのコンテンツ情報に基づいて総合ユーザ特徴ベクトルが算出されるため、より正確にユーザの嗜好を示す総合ユーザ特徴ベクトルを算出することができる。それゆえに、よりユーザの嗜好に沿った情報をレコメンドすることができる。

ところで、本発明は、上記のように装置の発明として記述できる他に、以下のように方法の発明としても記述することができる。これはカテゴリが異なるだけで、実質的に同一の発明であり、同様の作用及び効果を奏する。

即ち、本発明に係る方法は、ユーザが要求したコンテンツと要求時刻とを含む履歴情報を格納する履歴情報格納手段を備えたレコメンド情報生成装置により実行される方法であって、履歴情報に含まれるコンテンツを解析し、当該コンテンツの特徴を示す特徴ベクトルであるコンテンツ特徴ベクトルを算出するコンテンツ特徴ベクトル算出ステップと、コンテンツ特徴ベクトル算出ステップにおいて算出された履歴情報に含まれるコンテンツのコンテンツ特徴ベクトルを、当該履歴情報に含まれる要求時刻に基づいて時系列上の所定の時間間隔毎のセグメントに区分けし、各セグメントに区分けされたコンテンツ特徴ベクトルに基づいて当該セグメントのセグメント代表ベクトルを算出するセグメント代表ベクトル算出ステップと、セグメント代表ベクトル算出ステップにおいて算出されたセグメント代表ベクトルと当該セグメント代表ベクトルに対応するセグメントの時系列上における位置とに基づいて、コンテンツに対するユーザの嗜好を示す特徴ベクトルであるユーザ特徴ベクトルを算出するユーザ特徴ベクトル算出ステップと、ユーザ特徴ベクトル算出ステップにおいて算出されたユーザ特徴ベクトルに基づいて、ユーザにレコメンドするコンテンツに関するレコメンド情報を生成するレコメンド情報生成ステップと、を含む。

本発明によれば、情報を適切にレコメンドすることができる。より具体的には、ユーザの定常的な嗜好と時事性を加味したコンテンツをレコメンドすることできる。

本発明の第１実施形態に係るレコメンド情報生成装置の機能ブロック図である。 本発明の実施形態に係るレコメンド情報生成装置のハードウェア構成を示す図である。 履歴情報の一部データ例（その１）を示す図である。 履歴情報の一部データ例（その２）を示す図である。 コンテンツ特徴ベクトルのデータ例を示す図である。 本発明の第１実施形態に係るレコメンド情報生成装置で実行される、ユーザ特徴ベクトルを算出する処理（レコメンド情報生成方法の一部）を示すフローチャートである。 履歴情報の時系列分割の例を示す図である。 オンライン学習の例を示す図である。 ユーザ特徴ベクトルのデータ例を示す図である。 本発明の第１実施形態に係るレコメンド情報生成装置で実行される、レコメンド情報を配信する処理（レコメンド情報生成方法の一部）を示すフローチャートである。 本発明の第２実施形態に係るレコメンド情報生成装置の機能ブロック図である。 特定アカウントによる投稿内容の例を示す図である。 本発明の第２実施形態に係るレコメンド情報生成装置で実行される、ユーザ特徴ベクトルを算出する処理を示すフローチャートである。 本発明の第３実施形態に係るレコメンド情報生成装置の機能ブロック図である。

以下、図面とともに本発明によるレコメンド情報生成装置及びレコメンド情報生成方法の好適な実施形態について詳細に説明する。なお、これはあくまでも一例であって本発明の技術的範囲はこれに限られるものでない。図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。

［第１実施形態］
図１は、本発明の第１実施形態に係るレコメンド情報生成装置１に備わる様々な機能要素のうち、本実施形態に特に関連する機能要素から構成される機能ブロック図である。図１に示す通り、レコメンド情報生成装置１は、履歴収集部１０、コンテンツ特徴ベクトル算出部１１（コンテンツ特徴ベクトル算出手段）、セグメント代表ベクトル算出部１２（セグメント代表ベクトル算出手段）、ユーザ特徴ベクトル算出部１３（ユーザ特徴ベクトル算出手段）、レコメンド要求受信部１４（レコメンド情報生成手段）、レコメンド結果配信部１５（レコメンド情報生成手段）、履歴情報格納部２０（履歴情報格納手段）、コンテンツ格納部２１（履歴情報格納手段）、コンテンツ特徴ベクトル格納部２２、及びユーザ特徴ベクトル格納部２３を少なくとも含んで構成される。

レコメンド情報生成装置１は一般的なコンピュータシステムで構成される。具体的に、レコメンド情報生成装置１は、ＣＰＵ等のハードウェアから構成されているものである。図２は、レコメンド情報生成装置１のハードウェア構成の一例を示す図である。図１に示されるレコメンド情報生成装置１は、物理的には、図２に示すように、ＣＰＵ１００、主記憶装置であるＲＡＭ１０１及びＲＯＭ１０２、ディスプレイ等の入出力装置１０３、通信モジュール１０４、及び補助記憶装置１０５などを含むコンピュータシステムとして構成されている。

図１に示すレコメンド情報生成装置１の各機能ブロックの機能は、図２に示すＣＰＵ１００、ＲＡＭ１０１等のハードウェア上に所定のコンピュータソフトウェアを読み込ませることにより、ＣＰＵ１００の制御のもとで入出力装置１０３、通信モジュール１０４、及び補助記憶装置１０５を動作させるとともに、ＲＡＭ１０１におけるデータの読み出し及び書き込みを行うことで実現される。

以下、図１に示すレコメンド情報生成装置１の各機能ブロックについて説明する。

履歴収集部１０は、レコメンド情報生成装置１のユーザが閲覧を要求したコンテンツの履歴情報を収集し、履歴情報格納部２０及びコンテンツ格納部２１に格納する。履歴情報は、ユーザが要求したコンテンツと当該要求時刻とを含む。図３及び４は、それぞれ履歴情報格納部２０及びコンテンツ格納部２１に格納された履歴情報のデータ例を示す図である。なお、履歴情報格納部２０及びコンテンツ格納部２１に格納される情報は、履歴収集部１０によって収集された履歴情報に限るものではない。例えば、履歴情報格納部２０及びコンテンツ格納部２１は、履歴収集部１０によって収集された履歴情報に加え、レコメンド情報生成装置１のユーザや管理者等によって予め入力された履歴情報や、外部装置から入力された履歴情報を格納してもよい。また、コンテンツ格納部２１は、レコメンド情報生成装置１のユーザや管理者等によって予め入力されたコンテンツ情報や、外部装置から入力されたコンテンツ情報を格納してもよい。

図３に示すデータ例は、履歴情報格納部２０によって格納された履歴情報の一部であり、ユーザがコンテンツを要求した日時と、当該ユーザを識別するユーザＩＤと、当該コンテンツを識別するコンテンツＩＤとが関連付いて格納されている。図４に示すデータ例は、コンテンツ格納部２１によって格納された履歴情報の一部であり、上述のコンテンツＩＤと、当該コンテンツＩＤが識別するコンテンツに含まれるタイトルと、当該コンテンツＩＤが識別するコンテンツに含まれる本文とが関連付いて格納されている。

コンテンツ特徴ベクトル算出部１１は、履歴情報に含まれるコンテンツを解析し、当該コンテンツの特徴を示す特徴ベクトルであるコンテンツ特徴ベクトルを算出する。具体的に、コンテンツ特徴ベクトル算出部１１は、コンテンツ格納部２１によって格納されたコンテンツのテキスト情報を解析してキーワードを抽出し、各キーワードがコンテンツに出現した回数をカウントし、キーワードごとの出現回数を特徴ベクトルの成分としたコンテンツ特徴ベクトルを算出する。そして、コンテンツ特徴ベクトル算出部１１は、算出したコンテンツ特徴ベクトルをコンテンツ特徴ベクトル格納部２２に格納する。ここで、キーワードの抽出は形態素解析により文書を単語分割した上で必要な品詞を抜き出しても良いし、事前定義した単語辞書テーブルを用いて文書に対する部分一致探索により抽出しても良い。

図５は、コンテンツ特徴ベクトル算出部１１によって算出され、コンテンツ特徴ベクトル格納部２２によって格納されたコンテンツ特徴ベクトルのデータ例を示す図である。図５に示すデータ例のように、コンテンツＩＤとコンテンツ特徴ベクトルとが関連付いて格納されており、コンテンツ特徴ベクトルには各文書を特徴付ける単語の出現頻度に応じてベクトルの成分がセットされている。成分の値としては単語のＴＦ、ＴＦＩＤＦ、ＢＭ２５、その他頻度に応じた指標を用いて良い。

セグメント代表ベクトル算出部１２は、コンテンツ特徴ベクトル算出部１１によって算出された履歴情報に含まれるコンテンツのコンテンツ特徴ベクトルを、当該履歴情報に含まれる要求時刻に基づいて時系列上の所定の時間間隔毎のセグメントに区分けし、各セグメントに区分けされたコンテンツ特徴ベクトルに基づいて当該セグメントのセグメント代表ベクトルを算出する。

ユーザ特徴ベクトル算出部１３は、セグメント代表ベクトル算出部１２によって算出されたセグメント代表ベクトルと当該セグメント代表ベクトルに対応するセグメントの時系列上における位置とに基づいて、コンテンツに対するユーザの嗜好を示す特徴ベクトルであるユーザ特徴ベクトルを算出する。

ユーザ特徴ベクトル算出部１３は、時系列上において隣り合うセグメントのセグメント代表ベクトルの差分を用いたランキング学習を適用してユーザ特徴ベクトルを算出しても良い。また、ユーザ特徴ベクトル算出部１３は、セグメント代表ベクトルを時系列順にオンライン学習に適用してユーザ特徴ベクトルを算出しても良い。

以下、図６〜９を用いて、セグメント代表ベクトル算出部１２及びユーザ特徴ベクトル算出部１３の処理について詳細に説明する。

図６は、セグメント代表ベクトル算出部１２及びユーザ特徴ベクトル算出部１３によってそれぞれセグメント代表ベクトル及びユーザ特徴ベクトルを算出する流れを示すフローチャートである。まず、セグメント代表ベクトル算出部１２が、ユーザ特徴ベクトルを算出する対象となるユーザの履歴情報を履歴情報格納部２０から取得し（ステップＳ１）、履歴情報に含まれるコンテンツのコンテンツ特徴ベクトルをコンテンツ特徴ベクトル格納部２２から取得する（ステップＳ２）。このように、セグメント代表ベクトル算出部１２は、履歴情報格納部２０に格納された履歴情報をユーザ毎に解析する。

次に、セグメント代表ベクトル算出部１２が、Ｓ１にて取得した履歴情報を、履歴情報に含まれる時刻に基づいて時間Ｔ毎のセグメントに分割（区分け）し（ステップＳ３）、分割したセグメントに含まれる履歴情報毎に、当該履歴情報に含まれるコンテンツに対応するＳ２にて取得されたコンテンツ特徴ベクトルを合算し、セグメント代表ベクトルを算出する（ステップＳ４）。ここで合算とは、各コンテンツ特徴ベクトルの各要素を足し算することを意味する。

図７は、セグメント代表ベクトル算出部１２による履歴情報の時系列分割の例を示す図である。図７に示す例では、対象のユーザは８つの閲覧履歴を持っている。そして、Ｔにより、解析対象の履歴情報はＡ、Ｂ、Ｃ、Ｄのセグメントに分割（区分け）される。セグメント代表ベクトル算出部１２は、各セグメントに含まれるコンテンツ特徴ベクトルの総和を取ることで、セグメント代表ベクトルを算出する。セグメント代表ベクトル算出部１２及び後述のユーザ特徴ベクトル算出部１３は、セグメント単位でユーザ特徴ベクトルの学習を行うため、Ｔの大きさは学習の速さを調整するパラメータとなる。Ｔが小さくなるにつれて新規の履歴情報に対して敏感になり、学習速度が速くなる。

Ｓ４に続き、ユーザ特徴ベクトル算出部１３が、Ｓ４で算出したセグメント代表ベクトルの時系列の差分を取り、差分ベクトルを用いて学習する（ステップＳ５）。図７の例では、（Ｂ−Ａ）、（Ｃ−Ｂ）、（Ｄ−Ｃ）の３つのベクトルが学習の対象となる。このように２つのベクトルの差分を用いて学習する方法をＰａｉｒｗｉｓｅのランキング学習と言い、ユーザ特徴ベクトル算出部１３は、Ｄ＞Ｃ＞Ｂ＞Ａの順序を保つように学習を行う。

ランキング学習をすることで直近の履歴情報が強く学習され、直近に閲覧したコンテンツに近いものがレコメンドされやすくなる。また、一時的な話題性によりユーザが普段の嗜好と異なるコンテンツを閲覧した場合、学習後は当該コンテンツに基づくレコメンドがなされるが、次の学習の段階でユーザによって当該コンテンツの閲覧が無かった場合、次回の学習ではレコメンドの重みが下がり、一時的な話題に強く影響され過ぎることなく平常時のユーザの嗜好に基づいたレコメンドが可能になる。

ユーザ特徴ベクトル算出部１３は、ユーザ特徴ベクトルの学習に、２値分類のオンライン学習を用いる。オンライン学習とは、学習に用いるベクトル一つ毎に逐次的に学習結果である分離平面を更新していく学習の手法で、効率的にユーザ特徴ベクトルを更新していくことが可能である。以下ではオンライン学習の例としてＡＲＯＷを用いて説明するが、Ｐｅｒｃｅｐｔｒｏｎ、ＰＡ、その他のオンライン学習アルゴリズムを用いても良い。

図８は、オンライン学習の例を示す図である。図８に、満足クラス、不満足クラスへの分類イメージを示す。ｔ−１回目までの学習で得られた特徴ベクトルをｗ_ｔ−１、ｔ回目の学習に用いるベクトルをｘ_ｔ、その結果得られる特徴ベクトルをｗ_ｔとする。点線で表現されたｗ_ｔ−１が分離平面となり、上側が満足クラス、下側が不満足クラスとなる。分離平面に直交し、不満足クラスから満足クラスに向かうベクトルがユーザの嗜好を表すベクトルとなる。ｗ_ｔ−１を用いて、ｘ_ｔの分類結果ｍ_ｔは以下の式（１）の通り、ベクトル内積により得られる。

ここで、Ｔはベクトルの転置を表す。

学習データは満足クラスに分類される必要があるため、ｍ_ｔ＜１となった場合に以下の式（２）〜（６）の手順でｗを更新する。

ここで、ｒは一度当たりの学習の度合いを調整するパラメータ、ｖ、α、βはスカラー値、Σは特徴次元数×特徴次元数の対角行列である。式（６）において、ｗ_ｔ−１をｘ_ｔの方向に更新することで、次回からｘ_ｔを満足クラスに分類出来るように更新している（図６のステップＳ６及び７）。図８に示す例では、四角で表現されているベクトルがｗ_ｔ−１では不満足クラスに分類されていたものが、ｗ_ｔに更新することで満足クラスに分類されるようになる様子が表現されている。

ユーザ特徴ベクトル算出部１３は、上述の通り、オンライン学習を用いてユーザ特徴ベクトルを算出し、算出したユーザ特徴ベクトルをユーザ特徴ベクトル格納部２３に格納する。図９は、ユーザ特徴ベクトル算出部１３によって算出され、ユーザ特徴ベクトル格納部２３によって格納されたユーザ特徴ベクトルのデータ例を示す図である。図９に示すデータ例のように、ユーザ特徴ベクトルは、対象のユーザのユーザＩＤと関連付けられた、特徴語数を次元数として持つベクトル形式で表現される。なお、ユーザ特徴ベクトルを構成する要素の値は任意であって良い。

以上が、セグメント代表ベクトル算出部１２及びユーザ特徴ベクトル算出部１３の処理の詳細である。

図１に戻り、レコメンド要求受信部１４は、レコメンド配信要求のあったユーザｕに対応する最新の特徴ベクトルｗ_ｕに対し、類似するコンテンツを決定する。

レコメンド結果配信部１５は、レコメンド要求受信部１４によって決定されたコンテンツのリストをユーザに配信する。

図１０は、ユーザにレコメンドするコンテンツを決定する流れを示すフローチャートである。まず、レコメンド要求受信部１４が、レコメンド配信要求のあった対象ユーザｕのユーザ特徴ベクトルｗ_ｕをユーザ特徴ベクトル格納部２３から取得し（ステップＳ１０）、レコメンド候補となるコンテンツｉのコンテンツ特徴ベクトルｘ_ｉをコンテンツ特徴ベクトル格納部２２から取得する（ステップＳ１１）。

次に、レコメンド要求受信部１４が、Ｓ１０にて取得したユーザ特徴ベクトルとＳ１１にて取得したコンテンツ特徴ベクトルとから、ユーザｕに対するコンテンツｉの予測値Ｐ_ｕ，ｉを算出する（ステップＳ１２）。予測値Ｐの算出方法としては、例えば以下の式（７）に示すようなコサイン類似度がある。

なお、予測値Ｐを算出する際に利用するコンテンツｉのコンテンツ特徴ベクトルｘ_ｉは、コンテンツ特徴ベクトル格納部２２に格納されている全てのコンテンツ特徴ベクトルであっても良いし、所定の基準を満たす一部のコンテンツ特徴ベクトルであっても良い。

次に、レコメンド結果配信部１５が、予測値Ｐの高い順にコンテンツを並べ替え、要求された数に応じてコンテンツのリストを配信する。

このように、レコメンド要求受信部１４及びレコメンド結果配信部１５は、ユーザ特徴ベクトル算出部１３によって算出されたユーザ特徴ベクトルに基づいて、ユーザにレコメンドするコンテンツに関するレコメンド情報を生成する。

次に、本第１実施形態のように構成されたレコメンド情報生成装置１の作用効果について説明する。

本実施形態のレコメンド情報生成装置１によれば、まず、履歴情報格納部２０により、ユーザが要求したコンテンツと要求時刻とを含む履歴情報が格納される。そして、コンテンツ特徴ベクトル算出部１１により、履歴情報に含まれるコンテンツが解析され、コンテンツ特徴ベクトルが算出される。そして、セグメント代表ベクトル算出部１２により、履歴情報に含まれる要求時刻に基づいて履歴情報に含まれるコンテンツが時系列上の所定の時間間隔毎のセグメントに区分けされ、各セグメントに区分けされたコンテンツのコンテンツ特徴ベクトルに基づいて、セグメント代表ベクトルが算出される。そして、ユーザ特徴ベクトル算出部１３により、セグメント代表ベクトルと当該セグメント代表ベクトルに対応するセグメントの時系列上における位置とに基づいて、ユーザ特徴ベクトルが算出される。そして、レコメンド要求受信部１４及びレコメンド結果配信部１５により、ユーザ特徴ベクトルに基づいてレコメンド情報が生成される。かかる構成を採れば、履歴情報のセグメントの時系列上における位置に基づいて算出されたユーザ特徴ベクトルに基づいてレコメンド情報が生成されるため、レコメンド情報に履歴情報の時系列的な要素を反映することができる。具体例として、ユーザの定常的な嗜好と時事性を加味したコンテンツをレコメンドすることできる。すなわち、情報を適切にレコメンドすることができる。

また、本実施形態のレコメンド情報生成装置１によれば、ユーザ特徴ベクトルを算出する際にランキング学習を適用するため、レコメンド情報に履歴情報の時系列的な要素をより反映することができる。

また、本実施形態のレコメンド情報生成装置１によれば、ユーザ特徴ベクトルを算出する際にオンライン学習を適用するため、履歴情報が増えるたびにより正確にユーザの嗜好を示すユーザ特徴ベクトルを算出することができる。それゆえに、よりユーザの嗜好に沿った情報をレコメンドすることができる。

以上の通り、本実施形態のレコメンド情報生成装置１は、登録された直後のコンテンツであってもユーザの嗜好に基づいたレコメンドが可能になる。また、ランキング学習により一時的に見ただけのコンテンツに長く影響されることなく、ユーザの嗜好に合ったレコメンドが可能になる。

［第２実施形態］
続いて、本発明の第２実施形態に係るレコメンド情報生成装置１ａについて説明する。レコメンド情報生成装置１ａは、前述の第１実施形態のレコメンド情報生成装置１で使用したユーザ履歴情報に加え、マイクロブログ等のＳＮＳ（Social Networking Service）サービスの友人関係を用いてユーザ特徴ベクトルを算出する。ＳＮＳサービスでは、主に情報収集を目的として特定の情報を配信するアカウントと友人になるということが頻繁に行われている。ここで、ＳＮＳサービスにおいてユーザＡが別のユーザＢを友人として登録する（友人関係になる）と、ユーザＢが投稿したブログ等のコンテンツが、ユーザＡに通知されるようになる。これは以前からＲＳＳ（RDF Site Summary）リーダーが果たしてきた用途に近いものであり、ユーザの嗜好を強く反映したリストであると言える。そのため、ニュース記事等のレコメンドにおいては有用な情報である。

図１１は、レコメンド情報生成装置１ａに備わる様々な機能要素のうち、本実施形態に特に関連する機能要素から構成される機能ブロック図である。なお、図１１に示す通り、レコメンド情報生成装置１ａは、前述の第１実施形態のレコメンド情報生成装置１が備える機能要素を全て含む。また、レコメンド情報生成装置１ａは、レコメンド情報生成装置１と同様に、図２に示すようなコンピュータシステムとして構成されている。本実施形態では、第１実施形態の差分についてのみ説明する。

図１１に示す通り、レコメンド情報生成装置１ａは、前述の第１実施形態のレコメンド情報生成装置１が備える機能要素に加えて、更に、ユーザ特徴ベクトル算出部１３ａ（ユーザ特徴ベクトル算出手段）、レコメンド要求受信部１４ａ（レコメンド情報生成手）、友人一覧収集部１６ａ（アカウント収集手段）、アカウント判別部１７ａ（アカウント判別手段）、及び投稿内容収集部１８ａ（投稿内容収集手段）を少なくとも含んで構成される。

以下、図１１に示すレコメンド情報生成装置１ａの各機能ブロックについて説明する。まず、友人一覧収集部１６ａ、アカウント判別部１７ａ及び投稿内容収集部１８ａについて説明し、続いてユーザ特徴ベクトル算出部１３ａ及びレコメンド要求受信部１４ａについて説明する。

友人一覧収集部１６ａは、外部のＳＮＳサービスにおいてユーザが投稿内容を受信するように登録しているアカウントを取得する。例えば、本実施形態で挙げるＳＮＳサービスは、当該ＳＮＳサービスの様々なサービスをＷｅｂ経由で提供するＷｅｂサービスＡＰＩ（Application Programming Interface）を提供しているとする。そしてそのうちの一つのＷｅｂサービスＡＰＩとして、当該ＳＮＳサービスを利用するユーザのアカウントが入力されると、入力されたアカウントが友人として登録しているユーザのアカウントをリストとして出力するＷｅｂサービスＡＰＩを提供しているとする。友人一覧収集部１６ａは、レコメンド対象となるユーザのＳＮＳサービスにおけるアカウントを取得し、取得したアカウントを入力として前述のＷｅｂサービスＡＰＩを利用し、当該アカウントと友人関係のアカウントのリストを取得する。

アカウント判別部１７ａは、友人一覧収集部１６ａによって取得されたアカウントについて、当該アカウントによる投稿内容がユーザの嗜好を特徴付けるものであるか否かを判別する。本実施形態では、アカウント判別部１７ａがユーザの嗜好を特徴付けるものであると判別するアカウントの判別基準として、新聞社やＷｅｂサイト等で運用する公式の情報配信アカウントを想定する。情報配信アカウントはフォロワー（当該アカウントによる投稿を閲覧するユーザ）数や投稿頻度に特徴があるため、アカウント判別部１７ａは、そういった特徴を用いても良いし、事前定義したホワイトリストに含まれるかどうかによって判別しても良い。

投稿内容収集部１８ａは、アカウント判別部１７ａによって投稿内容がユーザの嗜好を特徴付けるものであると判別されたアカウントによる投稿内容を収集する。例えば、本実施形態で挙げるＳＮＳサービスは、一つのＷｅｂサービスＡＰＩとして、当該ＳＮＳサービスを利用するユーザのアカウントが入力されると、入力されたアカウントが投稿したコンテンツを出力するＷｅｂサービスＡＰＩを提供しているとする。投稿内容収集部１８ａは、アカウント判別部１７ａによって投稿内容がユーザの嗜好を特徴付けるものであると判別されたアカウントを入力として前述のＷｅｂサービスＡＰＩを利用し、当該アカウントが投稿したコンテンツを収集する。

図１２は、投稿内容収集部１８ａによって収集された、特定アカウントによる投稿内容の例を示す図である。図１２に示す投稿内容では、アカウント名「keizai_news」による投稿内容が、収集日時と共に関連付いて収集されている。

ユーザ特徴ベクトル算出部１３ａは、第１実施形態のレコメンド情報生成装置１のユーザ特徴ベクトル算出部１３が備える機能に加えて、以下の機能を備える。すなわち、ユーザ特徴ベクトル算出部１３ａは、履歴情報に基づいて算出されたユーザ特徴ベクトルと、履歴情報以外の一つ以上のデータソースに基づいて算出されたユーザ特徴ベクトルとの加重平均である総合ユーザ特徴ベクトルを算出する。具体的に、ユーザ特徴ベクトル算出部１３ａは、データソースの一つとして、投稿内容収集部１８ａによって収集された投稿内容を用いる。

ユーザ特徴ベクトル算出部１３ａによる総合ユーザ特徴ベクトルの算出方法の一例を以下に示す。履歴収集部１０によって収集された履歴情報から算出したユーザ特徴ベクトルをｗ_ｌ、投稿内容収集部１８ａによって収集された投稿内容から算出したユーザ特徴ベクトルをｗ_ｓとすると、総合ユーザ特徴ベクトルｗ_ｕは以下の式（８）により算出される。ただし、αは０以上１以下の重み付け係数である。

レコメンド要求受信部１４ａは、第１実施形態のレコメンド情報生成装置１のレコメンド要求受信部１４が備える機能に加えて、以下の機能を備える。すなわち、レコメンド要求受信部１４ａは、ユーザ特徴ベクトル算出部１３ａによって算出された総合ユーザ特徴ベクトルに基づいて、ユーザにレコメンドするコンテンツに関するレコメンド情報を生成する。例えば、レコメンド要求受信部１４ａは、上記の式（８）により算出された総合ユーザ特徴ベクトルｗ_ｕに基づいて、レコメンド情報を生成する。

図１３は、友人情報に基づく総合ユーザ特徴ベクトル算出の流れを示すフローチャートである。まず、友人一覧収集部１６ａが、レコメンド対象となるユーザがマイクロブログサービスにおいて友人関係にあるアカウント情報の一覧を取得する（ステップＳ２０）。次に、アカウント判別部１７ａが、Ｓ２０にて取得したアカウントのうち、総合ユーザ特徴ベクトルの算出に使用するアカウントと使用しないアカウントの判別を行う（ステップＳ２１）。次に、投稿内容収集部１８ａが、Ｓ２１にて抽出したアカウントによる投稿内容を収集する（ステップＳ２２）。次に、ユーザ特徴ベクトル算出部１３ａが、Ｓ２２にて収集した投稿内容から、第１実施形態と同様にユーザ特徴ベクトルを学習し（ステップＳ２３）、履歴情報に基づいて算出されたユーザ特徴ベクトルと、Ｓ２３にて得られた投稿内容に基づくユーザ特徴ベクトルとの重み付け加算を取り、総合ユーザ特徴ベクトルを算出する（ステップＳ２４）。

次に、本第２実施形態のように構成されたレコメンド情報生成装置１ａの作用効果について説明する。

本実施形態のレコメンド情報生成装置１ａによれば、複数のデータソースに基づいて算出されたユーザ特徴ベクトルに基づいて総合ユーザ特徴ベクトルが算出されるため、より正確にユーザの嗜好を示す総合ユーザ特徴ベクトルを算出することができる。また、履歴情報以外の一つ以上のデータソースを利用してユーザ特徴ベクトルを算出するため、ユーザの明示的な履歴情報が無いコールドスタート状態においても適切なコンテンツのレコメンドが可能となる。それゆえに、よりユーザの嗜好に沿った情報を適切にレコメンドすることができる。

より具体的には、本実施形態のレコメンド情報生成装置１ａによれば、ユーザの嗜好を特徴付けるものであると判別されたアカウントによる投稿内容に基づいて総合ユーザ特徴ベクトルが算出されるため、より正確にユーザの嗜好を示す総合ユーザ特徴ベクトルを算出することができる。それゆえに、よりユーザの嗜好に沿った情報をレコメンドすることができる。

以上の通り、本実施形態のレコメンド情報生成装置１ａは、ＳＮＳ上でのユーザの友人情報のうち、当該ユーザの嗜好を表すものだけを抽出した上で効果的なレコメンドが可能となる。また、ＳＮＳの情報を利用することで、ユーザの明示的な履歴情報が無いコールドスタート状態においても適切なコンテンツのレコメンドが可能となる。

［第３実施形態］
続いて、本発明の第３実施形態に係るレコメンド情報生成装置１ｂについて説明する。レコメンド情報生成装置１ｂは、前述の第２実施形態のレコメンド情報生成装置１ａで使用したユーザ履歴情報及び投稿内容に加え、Ｗｅｂブラウザ等によるＷｅｂ閲覧履歴を用いてユーザ特徴ベクトルを算出する。

図１４は、レコメンド情報生成装置１ｂに備わる様々な機能要素のうち、本実施形態に特に関連する機能要素から構成される機能ブロック図である。なお、図１４に示す通り、レコメンド情報生成装置１ｂは、前述の第２実施形態のレコメンド情報生成装置１ａが備える機能要素を全て含む。また、レコメンド情報生成装置１ｂは、レコメンド情報生成装置１ａと同様に、図２に示すようなコンピュータシステムとして構成されている。本実施形態では、第２実施形態の差分についてのみ説明する。

図１４に示す通り、レコメンド情報生成装置１ｂは、前述の第１実施形態のレコメンド情報生成装置１が備える機能要素に加えて、更に、ユーザ特徴ベクトル算出部１３ｂ（ユーザ特徴ベクトル算出手段）及びＷｅｂコンテンツ情報収集部１９ｂ（Ｗｅｂコンテンツ情報収集手段）を少なくとも含んで構成される。

以下、図１４に示すレコメンド情報生成装置１ｂの各機能ブロックについて説明する。まず、Ｗｅｂコンテンツ情報収集部１９ｂについて説明し、続いてユーザ特徴ベクトル算出部１３ｂについて説明する。

Ｗｅｂコンテンツ情報収集部１９ｂは、ユーザが閲覧したＷｅｂサイトのコンテンツ情報を収集する。Ｗｅｂコンテンツ情報収集部１９ｂが収集するコンテンツ情報のデータ形式は、第１実施形態における履歴情報や、第２実施形態における投稿内容と同様であり、ユーザ特徴ベクトルを算出できる形式であれば任意の形式であって良い。

ユーザ特徴ベクトル算出部１３ｂは、第２実施形態のレコメンド情報生成装置１ａのユーザ特徴ベクトル算出部１３ａが備える機能に加えて、以下の機能を備える。すなわち、ユーザ特徴ベクトル算出部１３ｂは、データソースの一つとして、Ｗｅｂコンテンツ情報収集部１９ｂによって収集されたコンテンツ情報を用いる。

具体的に、ユーザ特徴ベクトル算出部１３ｂは、履歴情報に基づいて算出されたユーザ特徴ベクトルと、投稿内容収集部１８ａによって収集された投稿内容と、Ｗｅｂコンテンツ情報収集部１９ｂによって収集されたコンテンツ情報とに基づいて算出されたそれぞれのユーザ特徴ベクトルとの加重平均である総合ユーザ特徴ベクトルを算出する。なお、ユーザ特徴ベクトル算出部１３ｂは、履歴情報に基づいて算出されたユーザ特徴ベクトルと、Ｗｅｂコンテンツ情報収集部１９ｂによって収集されたコンテンツ情報とに基づいて算出されたそれぞれのユーザ特徴ベクトルとの加重平均である総合ユーザ特徴ベクトルを算出しても良いし、投稿内容収集部１８ａによって収集された投稿内容と、Ｗｅｂコンテンツ情報収集部１９ｂによって収集されたコンテンツ情報とに基づいて算出されたそれぞれのユーザ特徴ベクトルとの加重平均である総合ユーザ特徴ベクトルを算出しても良い。

ユーザ特徴ベクトル算出部１３ｂによる総合ユーザ特徴ベクトルの算出方法の一例を以下に示す。履歴収集部１０によって収集された履歴情報から算出したユーザ特徴ベクトルをｗ_ｌ、投稿内容収集部１８ａによって収集された投稿内容から算出したユーザ特徴ベクトルをｗ_ｓ、Ｗｅｂコンテンツ情報収集部１９ｂによって収集されたコンテンツ情報から算出したユーザ特徴ベクトルをｗ_ｗ、とすると、総合ユーザ特徴ベクトルｗ_ｕは以下の式（９）により算出される。ただし、α、β及びγはそれぞれ０以上１以下の重み付け係数であり、α＋β＋γ＝１を満たす。

次に、本第３実施形態のように構成されたレコメンド情報生成装置１ｂの作用効果について説明する。

本実施形態のレコメンド情報生成装置１ｂによれば、ユーザが閲覧したＷｅｂサイトのコンテンツ情報に基づいて総合ユーザ特徴ベクトルが算出されるため、より正確にユーザの嗜好を示す総合ユーザ特徴ベクトルを算出することができる。それゆえに、よりユーザの嗜好に沿った情報をレコメンドすることができる。

１・１ａ・１ｂ…レコメンド情報生成装置、１０…履歴収集部、１１…コンテンツ特徴ベクトル算出部、１２…セグメント代表ベクトル算出部、１３・１３ａ・１３ｂ…ユーザ特徴ベクトル算出部、１４・１４ａ…レコメンド要求受信部、１５…レコメンド結果配信部、１６ａ…友人一覧収集部、１７ａ…アカウント判別部、１８ａ…投稿内容収集部、１９ｂ…Ｗｅｂコンテンツ情報収集部、２０…履歴情報格納部、２１…コンテンツ格納部、２２…コンテンツ特徴ベクトル格納部、２３…ユーザ特徴ベクトル格納部。

Claims (7)

1. ユーザが要求したコンテンツと要求時刻とを含む履歴情報を格納する履歴情報格納手段と、
   前記履歴情報に含まれるコンテンツを解析し、当該コンテンツの特徴を示す特徴ベクトルであるコンテンツ特徴ベクトルを算出するコンテンツ特徴ベクトル算出手段と、
   前記コンテンツ特徴ベクトル算出手段によって算出された前記履歴情報に含まれるコンテンツのコンテンツ特徴ベクトルを、当該履歴情報に含まれる要求時刻に基づいて時系列上の所定の時間間隔毎のセグメントに区分けし、各セグメントに区分けされたコンテンツ特徴ベクトルに基づいて当該セグメントのセグメント代表ベクトルを算出するセグメント代表ベクトル算出手段と、
   前記セグメント代表ベクトル算出手段によって算出されたセグメント代表ベクトルと当該セグメント代表ベクトルに対応するセグメントの時系列上における位置とに基づいて、コンテンツに対するユーザの嗜好を示す特徴ベクトルであるユーザ特徴ベクトルを算出するユーザ特徴ベクトル算出手段と、
   前記ユーザ特徴ベクトル算出手段によって算出されたユーザ特徴ベクトルに基づいて、ユーザにレコメンドするコンテンツに関するレコメンド情報を生成するレコメンド情報生成手段と、
   を備えるレコメンド情報生成装置。
2. 前記ユーザ特徴ベクトル算出手段は、時系列上において隣り合うセグメントのセグメント代表ベクトルの差分を用いたランキング学習を適用してユーザ特徴ベクトルを算出する、請求項１に記載のレコメンド情報生成装置。
3. 前記ユーザ特徴ベクトル算出手段は、セグメント代表ベクトルを時系列順にオンライン学習に適用してユーザ特徴ベクトルを算出する、請求項１又は２に記載のレコメンド情報生成装置。
4. 前記ユーザ特徴ベクトル算出手段は、前記履歴情報に基づいて算出されたユーザ特徴ベクトルと、前記履歴情報以外の一つ以上のデータソースに基づいて算出されたユーザ特徴ベクトルとの加重平均である総合ユーザ特徴ベクトルを算出し、
   前記レコメンド情報生成手段は、前記ユーザ特徴ベクトル算出手段によって算出された総合ユーザ特徴ベクトルに基づいて、ユーザにレコメンドするコンテンツに関するレコメンド情報を生成する、
   請求項１〜３の何れか一項に記載のレコメンド情報生成装置。
5. 外部のＳＮＳサービスにおいてユーザが投稿内容を受信するように登録しているアカウントを取得するアカウント収集手段と、
   前記アカウント収集手段によって取得されたアカウントについて、当該アカウントによる投稿内容がユーザの嗜好を特徴付けるものであるか否かを判別するアカウント判別手段と、
   前記アカウント判別手段によって投稿内容がユーザの嗜好を特徴付けるものであると判別されたアカウントによる投稿内容を収集する投稿内容収集手段と、
   を更に備え、
   前記ユーザ特徴ベクトル算出手段は、前記データソースの一つとして、前記投稿内容収集手段によって収集された投稿内容を用いる、
   請求項４に記載のレコメンド情報生成装置。
6. ユーザが閲覧したＷｅｂサイトのコンテンツ情報を収集するＷｅｂコンテンツ情報収集手段を更に備え、
   前記ユーザ特徴ベクトル算出手段は、前記データソースの一つとして、前記Ｗｅｂコンテンツ情報収集手段によって収集されたコンテンツ情報を用いる、
   請求項４又は５に記載のレコメンド情報生成装置。
7. ユーザが要求したコンテンツと要求時刻とを含む履歴情報を格納する履歴情報格納手段を備えたレコメンド情報生成装置により実行される方法であって、
   前記履歴情報に含まれるコンテンツを解析し、当該コンテンツの特徴を示す特徴ベクトルであるコンテンツ特徴ベクトルを算出するコンテンツ特徴ベクトル算出ステップと、
   前記コンテンツ特徴ベクトル算出ステップにおいて算出された前記履歴情報に含まれるコンテンツのコンテンツ特徴ベクトルを、当該履歴情報に含まれる要求時刻に基づいて時系列上の所定の時間間隔毎のセグメントに区分けし、各セグメントに区分けされたコンテンツ特徴ベクトルに基づいて当該セグメントのセグメント代表ベクトルを算出するセグメント代表ベクトル算出ステップと、
   前記セグメント代表ベクトル算出ステップにおいて算出されたセグメント代表ベクトルと当該セグメント代表ベクトルに対応するセグメントの時系列上における位置とに基づいて、コンテンツに対するユーザの嗜好を示す特徴ベクトルであるユーザ特徴ベクトルを算出するユーザ特徴ベクトル算出ステップと、
   前記ユーザ特徴ベクトル算出ステップにおいて算出されたユーザ特徴ベクトルに基づいて、ユーザにレコメンドするコンテンツに関するレコメンド情報を生成するレコメンド情報生成ステップと、
   を含むレコメンド情報生成方法。
   

Images