JP2015011504A - 情報処理装置、情報処理方法、及び情報処理プログラム - Google Patents

Abstract

【課題】多様なアイテムを推薦することができる技術を提供する。
【解決手段】アイテム情報格納部はアイテム識別子と属性識別子とを対応付けた属性対応情報を格納する。推薦属性選出部は利用情報及び属性対応情報に基づいて属性推薦値を算出し、算出した属性推薦値に基づいて、利用主体識別子ごとに推薦属性を選出し、それぞれの利用主体識別子と推薦属性とを対応付けた推薦属性情報を作成する。推薦アイテム選出部は、推薦属性情報に含まれる属性識別子の内のいずれかを含む属性対応情報に含まれるアイテム識別子の集合である推薦候補アイテム集合に含まれるアイテム識別子それぞれと一の利用主体との推薦値を算出し、算出した推薦値に基づいて、一の利用主体に推薦するアイテムを選出する。
【選択図】図２

Description

本発明は、ユーザに対してアイテムを推薦するための技術に関する。

近年、デジタル技術やネットワーク技術の進展により、ネットワークを使ってデジタルコンテンツや物品などのアイテムを配信したり、販売することが増えている。これに伴い、多数のアイテムの中から、ユーザが興味を持つ可能性の高いアイテムの情報や、目的と合致する情報を選択して提供する技術へのニーズが高まっている。
例えば、アイテムを推薦する技術の一つに、協調フィルタリングを用いた推薦処理が存在する。協調フィルタリングを用いた推薦処理では、多数の閲覧履歴や利用履歴などの利用情報を蓄積し、その利用情報を用いて、ユーザが興味を持つ可能性の高いアイテム集合を推薦する。
また、サービス開始時等の利用情報が少ない時期においても、アイテムを推薦する技術へのニーズが高まっている。
例えば、利用情報が少ない場合でも推薦するための技術が、特許文献１に開示されている。

特開２００４−３４１５８４

特許文献１は、ユーザがアクセスしたアイテムに関連するアイテムと、ユーザが過去にアクセスした多数のアイテムに関連するアイテムとを合成することで、利用情報が少ない状態でもアイテムを提示することができる。
しかしながら、上記の特許文献１では、利用情報のみを用いるために、ユーザから一度もアクセスのないようなアイテムは推薦されない。つまり、多様なアイテムを推薦するのが難しいため、ユーザが「同じようなアイテムしか推薦されない」と感じ、推薦への興味を失ってしまうことがあった。

本発明は、多様なアイテムを推薦することができる技術を提供することを目的とする。

本発明は上述した従来の技術の課題を解決するため、利用主体を識別するための利用主体識別子と、前記利用主体により利用されたアイテムを識別するアイテム識別子とを対応付けた利用情報を格納する利用情報格納部と、アイテム識別子と、アイテムの属性を識別する属性識別子と、を対応付けた属性対応情報を格納するアイテム情報格納部と、前記利用情報及び前記属性対応情報に基づいて、属性識別子と、利用主体識別子との間の推薦値である属性推薦値を算出し、算出した属性推薦値に基づいて、利用主体識別子ごとに、その利用主体識別子に関連する属性識別子である推薦属性を選出し、それぞれの利用主体識別子と、選出した推薦属性とを対応付けた推薦属性情報を作成する推薦属性選出部と、前記推薦属性選出部が生成した推薦属性情報を格納する推薦属性情報格納部と、一の利用主体の利用主体識別子を含む推薦属性情報を前記推薦属性情報格納部より取得し、取得した推薦属性情報に含まれる属性識別子の内のいずれかを含む属性対応情報を前記アイテム情報格納部より取得し、取得した属性対応情報に含まれるアイテム識別子の集合である推薦候補アイテム集合を形成し、その推薦候補アイテム集合に含まれるアイテム識別子それぞれと前記一の利用主体との推薦値を算出し、算出した推薦値に基づいて、前記一の利用主体に推薦するアイテムを選出する推薦アイテム選出部とを備えることを特徴とする情報処理装置を提供する。
また、本発明は上述した従来の技術の課題を解決するため、利用主体を識別するための利用主体識別子と、前記利用主体により利用されたアイテムを識別するアイテム識別子とを対応付けた利用情報を利用情報格納部に格納する利用情報格納ステップと、アイテム識別子と、アイテムの属性を識別する属性識別子と、を対応付けた属性対応情報をアイテム情報格納部に格納するアイテム情報格納ステップと、前記利用情報及び前記属性対応情報に基づいて、属性識別子と、利用主体識別子との間の推薦値である属性推薦値を算出し、算出した属性推薦値に基づいて、利用主体識別子ごとに、その利用主体識別子に関連する属性識別子である推薦属性を選出し、それぞれの利用主体識別子と、選出した推薦属性とを対応付けた推薦属性情報を作成する推薦属性選出ステップと、前記推薦属性選出ステップにおいて生成した推薦属性情報を推薦属性情報格納部に格納する推薦属性情報格納ステップと、一の利用主体の利用主体識別子を含む推薦属性情報を前記推薦属性情報格納部より取得し、取得した推薦属性情報に含まれる属性識別子の内のいずれかを含む属性対応情報を前記アイテム情報格納部より取得し、取得した属性対応情報に含まれるアイテム識別子の集合である推薦候補アイテム集合を形成し、その推薦候補アイテム集合に含まれるアイテム識別子それぞれと前記一の利用主体との推薦値を算出し、算出した推薦値に基づいて、前記一の利用主体に推薦するアイテムを選出する推薦アイテム選出ステップとを有することを特徴とする情報処理方法を提供する。
また、本発明は上述した従来の技術の課題を解決するため、コンピュータに、利用主体を識別するための利用主体識別子と、前記利用主体により利用されたアイテムを識別するアイテム識別子とを対応付けた利用情報を利用情報格納部に格納する利用情報格納ステップと、アイテム識別子と、アイテムの属性を識別する属性識別子と、を対応付けた属性対応情報をアイテム情報格納部に格納するアイテム情報格納ステップと、前記利用情報及び前記属性対応情報に基づいて、属性識別子と、利用主体識別子との間の推薦値である属性推薦値を算出し、算出した属性推薦値に基づいて、利用主体識別子ごとに、その利用主体識別子に関連する属性識別子である推薦属性を選出し、それぞれの利用主体識別子と、選出した推薦属性とを対応付けた推薦属性情報を作成する推薦属性選出ステップと、前記推薦属性選出ステップにおいて生成した推薦属性情報を推薦属性情報格納部に格納する推薦属性情報格納ステップと、一の利用主体の利用主体識別子を含む推薦属性情報を前記推薦属性情報格納部より取得し、取得した推薦属性情報に含まれる属性識別子の内のいずれかを含む属性対応情報を前記アイテム情報格納部より取得し、取得した属性対応情報に含まれるアイテム識別子の集合である推薦候補アイテム集合を形成し、その推薦候補アイテム集合に含まれるアイテム識別子それぞれと前記一の利用主体との推薦値を算出し、算出した推薦値に基づいて、前記一の利用主体に推薦するアイテムを選出する推薦アイテム選出ステップとを実行させることを特徴とする情報処理プログラムを提供する。

本発明によれば、多様なアイテムを推薦することができる。

本発明の第１の実施形態におけるシステム全体の構成を示す図である。 本発明の第１の実施形態における情報処理サーバ装置１の構成を示すブロック図である。 本発明の第１の実施形態におけるユーザ情報格納部１３１の格納状態を示す図である。 本発明の第１の実施形態におけるアイテム情報格納部１３２の格納状態を示す図である。 本発明の第１の実施形態における利用情報格納部１３３の格納状態を示す図である。 本発明の第１の実施形態における推薦属性情報格納部１３４の格納状態を図である。 本発明の第１の実施形態における属性嗜好情報格納部１３５の格納状態を示す図である。 本発明の第１の実施形態における属性優先値情報格納部１３６の格納状態を示す図である。 本発明の第１の実施形態における推薦アイテム情報格納部１３７の格納状態を示す図である。 本発明の第１の実施形態における推薦属性選出処理の手順を示すフローチャートである。 本発明の第１の実施形態における属性嗜好度算出処理の手順を示すフローチャートである。 本発明の第１の実施形態における属性優先値算出処理の手順を示すフローチャートである。 本発明の第１の実施形態における推薦アイテム選出処理の手順を示すフローチャートである。 本発明の第１の実施形態におけるユーザｕ３に対する推薦属性を示す表である。 本発明の第１の実施形態におけるユーザｕ３に対する推薦候補アイテムのアイテム集合のイメージを示す図である。

以下、本発明の情報処理装置、情報処理方法、及びプログラムについて、添付図面を参照して説明する。なお、本発明におけるアイテムとは、テキスト、音声、音楽、映像、ウェブページ等のデジタルコンテンツや様々な物品であってもよいし、金融商品、不動産、人物に関する情報等であってもよい。すなわち本発明におけるアイテムは、有形か無形かを問わず、有料か無料かも問わない。

＜第１の実施形態＞
以下に、本発明の第１の実施形態について、図を用いて詳細に説明する。図１は、本発明の第１の実施形態におけるシステム全体の構成図である。本実施形態におけるシステムは、情報処理サーバ装置１と、１つ以上の端末装置３（３ａ〜３ｎ）がネットワーク２を介して接続されている。なお、各実施形態において、情報処理サーバ装置１のみが情報処理装置として機能してもよいし、情報処理サーバ装置１が、端末装置３と協働して情報処理装置として機能してもよい。
ネットワーク２は、例えばインターネット等のネットワークであり、情報処理サーバ装置１と端末装置３との間の情報のやり取りを仲介する。
端末装置３は、ＣＰＵ、ＲＡＭ、ＲＯＭ、ハードディスクドライブ、ネットワークインタフェース等を備える一般的なコンピュータ、または、携帯電話やスマートフォンやタブレットＰＣ等の携帯情報端末であり、端末制御部３１と端末通信部３２と端末入力部３３と端末表示部３４とで構成されている。
端末通信部３２は、ネットワーク２を介して情報処理サーバ装置１と通信を行うための部である。

端末入力部３３は、例えば、端末装置３がＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）であれば、マウスやキーボード、携帯電話であれば、ボタンといったように、ユーザが端末装置３を操作するためのインタフェースである。
端末表示部３４は、例えば、ディスプレイといったように、様々な情報を表示し、ユーザに視覚的に示すためのインタフェースである。
端末制御部３１は、ネットワーク２を介して、利用情報送信処理や、推薦アイテム取得要求送信処理や、推薦アイテム詳細情報表示処理を行う。
利用情報送信処理とは、端末装置３を利用するユーザ（利用ユーザ）が、何らかのアイテムの閲覧や利用などの操作を行った場合に、情報処理サーバ装置１に、利用情報を送信する処理である。利用情報とは、ユーザのアイテムの閲覧や利用に関する情報であり、少なくとも、利用ユーザを一意に識別するユーザ識別子、又は端末装置３を一意に識別するための端末識別子と、閲覧や利用の対象となったアイテムを一意に識別するアイテム識別子と閲覧や利用した時期を示す利用時期情報を含む。本実施形態では、ユーザ識別子を用いる場合を例にして説明するが、端末識別子を用いる場合も同様である。ユーザ識別子と端末識別子とを合わせた意味の総称として、利用主体識別子という用語を用いる。また、ユーザ、又は、ユーザの利用した端末装置を、適宜、利用主体と称することとする。また、利用時期情報は、日付のみを示す情報でもよいし、ミリ秒単位まで細かく示す情報でもよく、サービスの形態に応じて、必要な単位まで分かる情報であればよい。また、必要に応じて、利用情報に、ユーザのアイテムに関る評価情報など、その他の情報を付与してもよい。

推薦アイテム取得要求送信処理とは、利用ユーザが推薦アイテム詳細情報を取得するような操作を行った場合や、端末装置３が自動的に推薦アイテム詳細情報を取得する動作を行った場合に、情報処理サーバ装置１に推薦アイテム取得要求を送信する処理である。推薦アイテム詳細情報は、利用ユーザに推薦する１つ以上のアイテムに関する情報である。推薦アイテム取得要求は、少なくとも利用ユーザのユーザ識別子を含む。なお、推薦アイテム取得要求には、取得する推薦アイテムの個数を制限する取得制限数を関連付けてもよい。
推薦アイテム詳細情報表示処理とは、情報処理サーバ装置１より、送信した推薦アイテム取得要求に対応する推薦アイテム詳細情報を受信し、端末表示部３４に、受信した推薦アイテム詳細情報を表示する処理である。

情報処理サーバ装置１は、ネットワーク２を介して、端末装置３と様々な情報をやり取りする装置である。情報処理サーバ装置１は、ＣＰＵ、ＲＡＭ、ＲＯＭ、ハードディスクドライブ（ＨＤＤ）、ネットワークインタフェース等を備えるコンピュータを用いて、ソフトウェア（プログラム）処理として実施することも可能である。なお、情報処理サーバ装置１を複数のコンピュータを用いて構成してもよい。例えば、負荷分散をするために、情報処理サーバ装置１の各部に相当する処理を行うコンピュータを複数用いて分散処理を行ってもよい。また、情報処理サーバ装置１の一部の部の処理をあるコンピュータで実施し、他の部の処理を別のコンピュータで実施する形態で分散処理を行ってもよい。
図２は、本実施形態における情報処理サーバ装置１の構成図である。本実施形態における情報処理サーバ装置１は、情報処理サーバ制御部１１と、情報処理サーバ通信部１２と、情報処理サーバ格納部１３とで構成される。
情報処理サーバ通信部１２は、ネットワーク２を介して端末装置３と通信を行うための部である。

情報処理サーバ格納部１３は、メモリやＨＤＤなどの記憶装置を用いて、様々なデータを記憶する。情報処理サーバ格納部１３は、ユーザ情報格納部１３１と、アイテム情報格納部１３２と、利用情報格納部１３３と、推薦属性情報格納部１３４と、属性嗜好情報格納部１３５と、属性優先値情報格納部１３６と、推薦アイテム情報格納部１３７とで構成される。
ユーザ情報格納部１３１は、ユーザ情報を複数記憶する。図３は、ユーザ情報格納部１３１の格納状態を示す図である。ユーザ情報とは、端末装置３の利用ユーザを一意に識別するユーザ識別子（ｕｓｅｒ＿ｉｄ）とユーザ属性情報（ｕｓｅｒ＿ｉｎｆｏ）とを関連付けたものであり、図３のようなテーブル形式で記憶する。ユーザ属性情報とは、ユーザの名前、年齢、性別、住所（地域）、趣味、会員になった時期（年月、日付、日時など）、メールアドレス、電話番号などの情報である。また、情報処理サーバ装置１にて商品の購入が可能であれば、商品の支払いを行うためのクレジットカード情報などを含んでもよい。
アイテム情報格納部１３２は、アイテム識別情報と、属性種別情報と、属性値情報と、属性対応情報を、それぞれ複数記憶する。図４（図４（ａ）〜図４（ｄ））は、アイテム情報格納部１３２の格納状態を示す図である。
アイテム識別情報とは、アイテムを一意に識別するためのアイテム識別子（ｉｔｅｍ＿ｉｄ）と、アイテムの名称（ｉｔｅｍ＿ｎａｍｅ）とを関連付けたものであり、図４（ａ）のようなテーブル形式で格納する。なお、ｉｔｅｍ＿ｉｄは一意であり、重複登録ができない。

属性種別情報とは、アイテム属性の種別を一意に識別するための属性種別識別子（ｔｙｐｅ＿ｉｄ）と、アイテム属性の種別の名称（ｔｙｐｅ＿ｎａｍｅ）とを関連付けたものであり、図４（ｂ）のようなテーブル形式で格納する。アイテム属性の種別は、アイテム属性の項目にあたるものであり、例えば、アイテムの「作成者」「ジャンル」「制作年」「価格」「利用に適したユーザの条件」などになる。なお、ｔｙｐｅ＿ｉｄは一意であり、重複登録ができない。
属性値情報とは、属性種別識別子（ｔｙｐｅ＿ｉｄ）と、属性種別識別子に対応する属性値を一意に識別するための属性値識別子（ａｔｔｒ＿ｉｄ）と、属性値（ａｔｔｒ＿ｎａｍｅ）とを関連付けたものであり、図４（ｃ）のようなテーブル形式で格納する。例えば、アイテムが「本」に関するものであり、ｔｙｐｅ＿ｉｄが「ジャンル」に該当する識別子である場合、属性値は、「フィクション」「恋愛」「料理」などになる。なお、（ｔｙｐｅ＿ｉｄ，ａｔｔｒ＿ｉｄ）の組合せは一意であり、重複登録ができない。
属性対応情報とは、アイテムに対応する属性を関連付けた情報であり、アイテム識別子（ｉｔｅｍ＿ｉｄ）と、属性種別識別子（ｔｙｐｅ＿ｉｄ）と、属性値識別子（ａｔｔｒ＿ｉｄ）とを関連付けたものであり、図４（ｄ）のようなテーブル形式で格納する。なお、（ｉｔｅｍ＿ｉｄ，ｔｙｐｅ＿ｉｄ，ａｔｔｒ＿ｉｄ）の組合せは一意であり、重複登録ができない。

図４（ａ）〜図４（ｄ）のテーブルを用いることで、アイテムが有する複数の属性を、その属性の種別ごとに管理することができる。なお、あるアイテムに対応するアイテム識別情報と、そのアイテムに対応する属性対応情報から特定される属性種別情報と属性値情報とを合わせてアイテム属性情報とする。また、ｔｙｐｅ＿ｎａｍｅとａｔｔｒ＿ｎａｍｅの組合せをアイテム属性とする。また、ｔｙｐｅ＿ｉｄとａｔｔｒ＿ｉｄの組合せを属性識別子とする。また、本実施形態においては、属性識別子を属性種別識別子と属性値識別子の組合せとして扱っているが、アイテム属性の種別が存在しない（属性種別識別子が存在しない）ようなサービスの場合は、属性値識別子のみを属性識別子として扱ってもよい。この場合、属性種別情報の格納が不要になる。
利用情報格納部１３３は、利用情報を複数記憶する。図５は、利用情報格納部１３３の格納状態を示す図である。図５に示すように、利用情報を構成するユーザ識別子（ｕｓｅｒ＿ｉｄ）とアイテム識別子（ｉｔｅｍ＿ｉｄ）と利用時期情報（ｄｌ＿ｄａｔｅ）とを関連付けて、テーブル形式で格納する。利用情報にその他の情報も含まれる場合は、利用情報に含まれている全ての情報を格納できるように、利用情報の形態に合わせて格納形式を変更すればよい。
推薦属性情報格納部１３４は、推薦属性情報を複数記憶する。図６は、推薦属性情報格納部１３４の格納状態を示す図である。図６に示すように、推薦属性情報を構成するユーザ識別子（ｕｓｅｒ＿ｉｄ）と、属性種別識別子（ｔｙｐｅ＿ｉｄ）と、属性値識別子（ａｔｔｒ＿ｉｄ）と、推薦の度合いを数値化した属性推薦値（ａ＿ｖａｌｕｅ）とを関連付けて、テーブル形式で格納する。なお、（ｕｓｅｒ＿ｉｄ，ｔｙｐｅ＿ｉｄ，ａｔｔｒ＿ｉｄ）の組合せは一意とし、重複登録ができない。

属性嗜好情報格納部１３５は、属性嗜好情報を複数記憶する。図７は、属性嗜好情報格納部１３５の格納状態を示す図である。図７に示すように、属性嗜好情報を構成するユーザ識別子（ｕｓｅｒ＿ｉｄ）と、属性種別識別子（ｔｙｐｅ＿ｉｄ）と、属性値識別子（ａｔｔｒ＿ｉｄ）と、属性の嗜好の度合いを数値化した属性嗜好度（ｔ＿ｖａｌｕｅ）を関連付けて、テーブル形式で格納する。なお、（ｕｓｅｒ＿ｉｄ，ｔｙｐｅ＿ｉｄ，ａｔｔｒ＿ｉｄ）の組合せは一意とし、重複登録ができない。
属性優先値情報格納部１３６は、属性優先値情報を複数記憶する。図８は、属性優先値情報格納部１３６の格納状態を示す図である。図８に示すように、属性優先値情報を構成するアイテム識別子（ｉｔｅｍ＿ｉｄ）と、属性種別識別子（ｔｙｐｅ＿ｉｄ）と、属性値識別子（ａｔｔｒ＿ｉｄ）と、属性の優先の度合いを数値化した属性優先値（ｐ＿ｖａｌｕｅ）を関連付けて、テーブル形式で格納する。なお、（ｉｔｅｍ＿ｉｄ，ｔｙｐｅ＿ｉｄ，ａｔｔｒ＿ｉｄ）の組合せは一意とし、重複登録ができない。

推薦アイテム情報格納部１３７は、推薦アイテム情報を複数記憶する。図９は、推薦アイテム情報格納部１３７の格納状態を示す図である。図９に示すように、推薦アイテム情報を構成する推薦対象ユーザのユーザ識別子（ｕｓｅｒ＿ｉｄ）と、推薦対象ユーザに推薦するアイテム（推薦アイテム）のアイテム識別子（ｉｔｅｍ＿ｉｄ）と、推薦対象ユーザに対する推薦アイテムの推薦の度合いを数値化した推薦値（ｒ＿ｖａｌｕｅ）とを関連付けて、テーブル形式で格納する。なお、（ｕｓｅｒ＿ｉｄ，ｉｔｅｍ＿ｉｄ）の組合せは一意とし、重複登録ができない。推薦対象ユーザのユーザ識別子を指定することで、推薦対象ユーザに対応する推薦アイテムを全て取得することができる。

情報処理サーバ制御部１１は、情報処理サーバ装置１を構成する各部に対して、全体的な制御を行う。情報処理サーバ制御部１１は、利用情報登録部１１１と、推薦属性選出部１１２と、属性嗜好度算出部１１３と、属性優先値算出部１１４と、推薦アイテム選出部１１５と、推薦アイテム詳細情報作成部１１６とで構成される。
利用情報登録部１１１は、ネットワーク２を介して、端末装置３より利用情報を受信し、利用情報格納部１３３に、受信した利用情報を格納する。
推薦属性選出部１１２は、所定のタイミングごとに、推薦属性選出処理を行う。所定のタイミングとしては、所定の時間間隔（例えば２４時間ごと）を用いてもよいし、利用情報を一定回数受信するごととしてもよい。また、月曜日〜金曜日までは３時間ごと、土曜日は６時間ごと、日曜日は１２時間ごと、というように時間間隔が変動してもよい。また、夏は時間間隔を短くして、冬は時間間隔を長くするなど、季節に応じて時間間隔を変えてもよい。

推薦属性選出処理の手順を、図１０のフローチャートを用いて説明する。
まず、推薦属性選出部１１２が、利用情報格納部１３３より、利用情報に含まれるユーザ識別子を重複なしで、全て抽出する（ステップ１０１）。このとき、ユーザ識別子を抽出する利用情報を、推薦属性選出処理の時点から所定期間（例えば、３ヶ月といったように予めサービス提供側が決めておく）遡った範囲に該当する利用時期情報を含むものに限定することで、直近に利用されたユーザのみに対して、推薦属性情報を選出するようにしてもよい。
次に、推薦属性選出部１１２が、ステップＳ１０１にて抽出したユーザ識別子の中から、例えば、抽出した順に１つ選択する（ステップＳ１０２）。ここで選択したユーザ識別子に対応するユーザが推薦対象ユーザとなる。

次に、推薦属性選出部１１２が、利用情報格納部１３３にて格納されている利用情報を用いて、ステップＳ１０２にて選択した推薦対象ユーザのユーザ識別子に対して、類似ユーザを選出する（ステップＳ１０３）。
類似ユーザを選出するには、推薦対象ユーザと他のユーザとの類似度を算出し、類似度の高い順に所定数までのユーザを類似ユーザとして選出してもよいし、所定値以上の類似度のユーザを類似ユーザとして、選出してもよい。
類似度を算出する方法として例えば、利用情報を基に、Ｊａｃｃａｒｄ（ジャカード）係数を用いることができる。Ｊａｃｃａｒｄ係数を用いる場合は、推薦対象ユーザｕｒが利用したことのあるアイテム集合をＩ（ｕｒ）、他のユーザｕが利用したことのあるアイテム集合をＩ（ｕ）、ユーザｕｒとユーザｕが共に利用したアイテム数を｜Ｉ（ｕｒ） ∩ Ｉ（ｕ）｜とし、ユーザｕｒとユーザｕの少なくとも一方が利用したことのあるアイテム数を｜Ｉ（ｕｒ） ∪ Ｉ（ｕ）｜としたとき、類似度ｓｉｍ（ｕｒ，ｕ）は式（１）にて算出することができる。

また、ユーザが利用したアイテム集合の代わりに、ユーザが利用したアイテムに対応するアイテム属性集合を用いても同様に算出できる。
また、アイテム嗜好度を算出することで、類似度算出に、コサイン距離やピアソン積率相関係数を用いることもできる。

アイテム嗜好度とは、ユーザのアイテムに対する嗜好の度合いを示す値であり、アイテム嗜好度を算出するユーザのユーザ識別子を含む利用情報（第１の利用情報）を用いて算出することができる。具体的に、例えば、第１の利用情報の数や、第１の利用情報に含まれる利用時期情報から、属性推薦値算出処理を行った時点までの経過時間などを用いて算出することができる。また、利用情報に、ユーザのアイテムに対する評価や、ユーザがアイテムに対して支払った金額に関する情報が含まれていれば、それらを用いて算出することもできる。
コサイン距離を用いる場合は、例えば、推薦対象ユーザｕｒが利用したことのあるアイテム集合をＩ（ｕｒ）とし、ユーザｕｒのアイテムｉ（ｉ∈Ｉ（ｕｒ））に対するアイテム嗜好度をｖｉ（ｕｒ，ｉ）、他のユーザｕが利用したことのあるアイテム集合をＩ（ｕ）とし、他のユーザｕのアイテムｉ’（ｉ’∈Ｉ（ｕ））に対するアイテム嗜好度をｖｉ（ｕ，ｉ’）、ユーザｕｒとユーザｕとが共に利用したことのあるアイテムをＩ（ｕｒ，ｕ）とし、ユーザｕｒのアイテムｉｃ（ｉｃ∈Ｉ（ｕｒ，ｕ））に対するアイテム嗜好度をｖｉ（ｕｒ，ｉｃ）、他のユーザｕのアイテムｉｃに対するアイテム嗜好度をｖｉ（ｕ，ｉｃ）としたとき、類似度ｓｉｍ（ｕｒ，ｕ）は式（２）で算出することができる。

また、ピアソン積率相関係数を用いる場合は、例えば、ユーザｕｒとユーザｕとが共に利用したことのあるアイテムをＩ（ｕｒ，ｕ）とし、Ｉ（ｕｒ，ｕ）に属するアイテムの数をｎとし、ユーザｕｒのアイテムｉｃ（ｉｃ∈Ｉ（ｕｒ，ｕ））に対するアイテム嗜好度をｖｉ（ｕｒ，ｉｃ）、他のユーザｕのアイテムｉｃに対するアイテム嗜好度をｖｉ（ｕ，ｉｃ）としたとき、類似度ｓｉｍ（ｕｒ，ｕ）は式（３）で算出することができる。

また、アイテム嗜好度の代わりに、ユーザのアイテム属性に対する嗜好の度合いを示す属性嗜好度を用いることでも、類似度算出を行うことができる。属性嗜好度の算出方法に関しては、後述の属性嗜好度算出部１１３による属性嗜好度算出処理にて説明する属性嗜好度算出方法を用いればよい。
もちろん、上記以外の方法を用いて、ユーザ間の類似度を算出してもよい。
次に、推薦属性選出部１１２が、アイテム情報格納部１３２より、属性種別情報に含まれる属性種別識別子のうち、推薦属性選出対象のものを取得する（ステップＳ１０４）。なお、アイテム属性の種別を属性種別識別子などで管理しているようなサービスは、本発明の効果を実現するために、推薦属性選出対象となる属性種別識別子を２つ以上設定する必要がある。推薦属性選出対象の属性種別識別子は、予めサービスの提供側が設定すればよい。
次に、推薦属性選出部１１２が、ステップＳ１０４にて取得した属性種別識別子のうち、例えば、取得した順に１つ選択する（ステップＳ１０５）。
次に、推薦属性選出部１１２が、まず、利用情報格納部１３３より、ステップＳ１０３にて選出した類似ユーザのユーザ識別子のいずれかを含む利用情報から、アイテム識別子を重複なしで抽出する。そして、アイテム情報格納部１３２より、ステップＳ１０５にて選択した属性種別識別子を有する属性対応情報から、抽出したアイテム識別子のいずれかを有する属性対応情報を特定し、特定した属性対応情報に含まれる属性識別子を、推薦候補属性識別子として、重複なしで抽出する（ステップＳ１０６）。
次に、推薦属性選出部１１２が、ステップＳ１０６にて抽出した推薦候補属性識別子ごとに、属性推薦値の算出を行う（ステップＳ１０７）。

以下に、属性推薦値の算出方法を３種類説明する。
属性推薦値算出の第１の方法は、推薦候補属性識別子ごとに、その属性識別子に属するアイテムを利用した類似ユーザの数を集計し、その数を用いて属性推薦値を算出する方法である。属性推薦値算出の第１の方法は、属性推薦値に対する類似ユーザ１人ひとりの影響力（重み）を全て平等（同じ）に扱っている。
属性推薦値算出の第２の方法は、推薦候補属性識別子ごとに、その属性識別子に属するアイテムを利用した類似ユーザの類似度の総和を用いて属性推薦値を算出する方法である。属性推薦値算出の第２の方法は、属性推薦値に対するユーザ１人ひとりの影響力（重み）を変えており、推薦対象ユーザとの類似度が高い類似ユーザほど影響力が強いことになる。

属性推薦値算出の第３の方法は、類似ユーザごとに、推薦候補属性識別子に対して属性嗜好度を算出した上で、推薦候補属性識別子ごとに、その属性識別子に属するアイテムを利用した類似ユーザの属性嗜好度の総和を用いて属性推薦値を算出する方法である。属性推薦値算出の第３の方法は、属性推薦値に対するユーザ１人ひとりの影響力（重み）を変えており、属性推薦値算出対象のアイテム属性に対する属性嗜好度の高いユーザほど影響力が強いことになる。属性嗜好度は、後述の属性嗜好度算出部１１３による属性嗜好度算出処理を用いて算出すればよい。
また、属性推薦値算出の第２の方法と第３の方法を組み合わせて属性推薦値を算出してもよい。もちろん、他の方法を用いて、属性推薦値を算出してもよい。

次に、推薦属性選出部１１２が、ステップＳ１０７にて算出した属性推薦値に応じて、推薦属性の選出を行う（ステップＳ１０８）。推薦属性を選出するには、属性推薦値が（予め、サービス提供側が設定した）所定値以上の推薦候補属性識別子を、推薦属性とすればよい。また、属性推薦値の降順に（予め、サービス提供側が設定した）所定数まで選択した推薦候補属性識別子を、推薦属性とすればよい。
次に、推薦属性選出部１１２が、ステップＳ１０８にて選出した推薦属性ごとに、ステップＳ１０２にて選択したユーザ識別子と、推薦属性である属性種別識別子と属性値識別子の組合せと、ステップＳ１０７にて推薦属性に対応して算出された属性推薦値とを関連付けた推薦属性情報を、推薦属性情報格納部１３４に格納する（ステップＳ１０９）。
次に、推薦属性選出部１１２が、ステップＳ１０５にて全ての属性種別識別子を選択したか否かを判定する（ステップＳ１１０）。全て選択した場合は、ステップＳ１１１へ進み、未選択のものがある場合は、ステップＳ１０５へ進む。
ステップＳ１１１では、推薦属性選出部１１２が、ステップＳ１０２にて全てのユーザ識別子を選択したか否かを判定する。全て選択した場合は、ステップＳ１０１からステップＳ１１１までの一連の処理を終了し、未選択のものがある場合は、ステップＳ１０２へ進む。

この手順により、アイテム属性の種別を管理しているようなサービスにおいては、各ユーザ識別子ごとに、２種類以上の属性種別識別子に対応する推薦属性情報が、推薦属性情報格納部１３４に格納されることになる。
なお、推薦属性情報を作成する対象となる属性種別識別子を増やせば増やすほど、推薦アイテムを選出する際のアイテムの候補を増やすことができる。
また、アイテム属性の種別を管理していない（属性種別識別子のない）サービスにおいては、ステップＳ１０６とステップＳ１０７とステップＳ１１２の処理を省略することができる。
また、類似度や属性推薦値を算出するために利用する利用情報を、推薦属性選出処理の時点から所定期間（例えば、３ヶ月といったように予めサービス提供側が設定しておく）遡った範囲に該当する利用時期情報を含むものに限定することで、直近の利用情報のみを用いて、推薦属性情報を選出するようにしてもよい。また、推薦属性選出処理の時点に近い順に、所定個数（例えば、１０個といったように予めサービス提供側が設定しておく）まで取得することで、推薦属性情報を選出する際の計算量を減らすようにしてもよい。
以上が、推薦属性選出処理の手順の説明である。

属性嗜好度算出部１１３は、所定のタイミングごとに、属性嗜好度算出処理を行う。属性嗜好度算出処理の手順を、図１１のフローチャートを用いて説明する。
まず、属性嗜好度算出部１１３が、利用情報格納部１３３より、利用情報に含まれるユーザ識別子を重複なしで、全て抽出する（ステップＳ２０１）。
次に、属性嗜好度算出部１１３が、ステップＳ２０１にて抽出したユーザ識別子の中から、例えば、抽出した順に１つ選択する（ステップＳ２０２）。
次に、属性嗜好度算出部１１３が、利用情報格納部１３３より、ステップＳ２０２にて選択したユーザ識別子を有する利用情報を全て取得する（ステップＳ２０３）。このとき、取得する利用情報を、属性嗜好度算出処理の時点から所定期間（例えば、３ヶ月といったように予めサービス提供側が設定しておく）遡った範囲に該当する利用時期情報を含むものに限定することで、直近の利用情報のみを用いて、属性嗜好度を算出するようにしてもよい。

次に、属性嗜好度算出部１１３が、アイテム情報格納部１３２より、ステップＳ２０３にて取得した利用情報に含まれるいずれかのアイテム識別子を有する属性対応情報を全て取得する（ステップＳ２０４）。なお、属性対応情報を取得する際に、予めサービス提供側が設定した１つ以上の属性種別識別子のいずれかを含むもののみに限定してもよい。
次に、属性嗜好度算出部１１３が、ステップＳ２０４にて取得した属性対応情報のうち、例えば、取得した順に１つ選択する（ステップＳ２０５）。
次に、属性嗜好度算出部１１３が、ステップＳ２０５にて選択した属性対応情報に対して、属性嗜好度を算出する（ステップＳ２０６）。

属性嗜好度の算出方法を、以下に８種類説明する。
属性嗜好度算出の第１の方法は、どのような属性対応情報に対応するアイテム属性対しても、一様に同じ値（例えば、「１」）を算出する方法である。属性嗜好度算出の第１の方法は、どのようなアイテム属性でも等しく扱うことになる。

属性嗜好度算出の第２の方法は、ステップＳ２０５にて選択した属性対応情報に対応するアイテム属性に属するアイテムの数が少ないほど、その値が大きくなるように算出する方法である。具体的には、アイテム属性の属性識別子（ｔｘ，ｔｘｙ）（属性種別識別子ｔｘと属性値識別子ｔｘｙのペア）に属するアイテム集合Ｉ（ｔｘ，ｔｘｙ）の数を｜Ｉ（ｔｘ，ｔｘｙ）｜とした場合、定数α１（＞０）を用いて、ユーザｕに対応する属性嗜好度ｔｖ（ｕ，ｔｘ，ｔｘｙ）を式（４）にて算出すればよい。

属性嗜好度算出の第２の方法は、そのアイテム属性に属するアイテムの数が少ないような粒度の細かいアイテム属性ほど重み付けを大きくし、逆に、そのアイテム属性に属するアイテムの数が多いような粒度の粗いアイテム属性ほど重み付けを小さくすることになる。もちろん、アイテム属性に属するアイテム数に対して単調減少するような式であれば、どのような式を用いてもよい。

属性嗜好度算出の第３の方法は、ステップＳ２０５にて選択した属性対応情報に含まれる属性種別識別子に対応する属性値識別子の数が多いほど、その値が大きくなるように算出する方法である。具体的には、アイテム属性の属性種別識別子ｔｘに対応する属性値識別子の集合Ａ（ｔｘ）の数｜Ａ（ｔｘ）｜とした場合、定数β１（≧１）を用いて、ユーザｕに対応する属性嗜好度ｔｖ（ｕ，ｔｘ，ｔｘｙ）を式（５）にて算出すればよい。

属性嗜好度算出の第３の方法は、その属性種別に対応する属性値の数が多いような粒度の細かい属性値が設定されている属性種別ほど重み付けを大きくし、逆に、その属性種別に対応する属性値の数が少ないような粒度の粗い属性値が設定されている属性種別ほど重み付けを小さくすることになる。もちろん、属性種別に対応する属性値の数に対して単調増加するような式であれば、どのような式を用いてもよい。

属性嗜好度算出の第４の方法は、ステップＳ２０５にて選択した属性対応情報に対応するアイテム属性に属するアイテムの利用が多いものほど、その値が大きくなるように算出する方法である。具体的には、アイテム属性の属性識別子（ｔｘ，ｔｘｙ）に属するアイテム集合Ｉ（ｔｘ，ｔｘｙ）にいずれかのアイテムの利用に関わる利用情報の集合Ｌ（ｔｘ，ｔｘｙ）の数を｜Ｌ（ｔｘ，ｔｘｙ）｜とした場合、式（５）の｜Ａ（ｔｘ）｜を、｜Ｌ（ｔｘ，ｔｘｙ）｜で置き換えることにより算出できる。属性嗜好度算出の第４の方法は、多くのユーザに何度も利用されるような人気の高いアイテムが多く属するアイテム属性の重み付けを大きくすることができる。もちろん、アイテム属性に属するアイテムの利用数に対して単調増加するような式であれば、どのような式を用いてもよい。

属性嗜好度算出の第５の方法は、ステップＳ２０５にて選択した属性対応情報に対応するアイテム属性に属するアイテムを利用したユーザが多いものほど、その値が大きくなるように算出する方法である。具体的には、アイテム属性の属性識別子（ｔｘ，ｔｘｙ）に属するアイテム集合Ｉ（ｔｘ，ｔｘｙ）に含まれるいずれかのアイテムの利用に関わる利用情報の集合Ｌ（ｔｘ，ｔｘｙ）から重複なしで抽出したユーザ集合Ｕ（ｔｘ，ｔｘｙ）の数を｜Ｕ（ｔｘ，ｔｘｙ）｜とした場合、式（５）の｜Ａ（ｔｘ）｜を、｜Ｕ（ｔｘ，ｔｘｙ）｜で置き換えることにより算出できる。属性嗜好度算出の第５の方法は、多くのユーザに利用されるような人気の高いアイテム属性の重み付けを大きくすることができる。もちろん、アイテム属性に属するアイテムを利用したユーザ数に対して単調増加するような式であれば、どのような式を用いてもよい。

属性嗜好度算出の第６の方法は、ステップＳ２０２にて選択したユーザ識別子に対応するユーザにより利用された、ステップＳ２０５にて選択した属性対応情報に対応するアイテム属性に属するアイテムの数が多いものほど、その値が大きくなるように算出する方法である。具体的には、ユーザｕによるアイテムの利用に関る利用情報の集合Ｌ（ｕ）のうち、アイテム属性の属性識別子（ｔｘ，ｔｘｙ）に属するアイテム集合Ｉ（ｔｘ，ｔｘｙ）に含まれるいずれかのアイテムの利用に関わる利用情報の集合Ｌ（ｕ，ｔｘ，ｔｘｙ）の数を｜Ｌ（ｕ，ｔｘ，ｔｘｙ）｜とした場合、式（５）の｜Ａ（ｔｘ）｜を、｜Ｌ（ｕ，ｔｘ，ｔｘｙ）｜で置き換えることにより算出できる。属性嗜好度算出の第６の方法は、属性嗜好度算出対象のユーザが、属性嗜好度算出対象のアイテム属性に属するアイテムを多く利用するほど、その重み付けを大きくすることができる。もちろん、ユーザのアイテム属性に属するアイテムの利用数に対して単調増加するような式であれば、どのような式を用いてもよい。

属性嗜好度算出の第７の方法は、ステップＳ２０２にて選択したユーザ識別子に対応するユーザにより利用された、ステップＳ２０５にて選択した属性対応情報に対応するアイテム属性に属するアイテムの種類数が多いものほど、その値が大きくなるように算出する方法である。具体的には、ユーザｕによるアイテムの利用に関る利用情報の集合Ｌ（ｕ）から、アイテム属性の属性識別子（ｔｘ，ｔｘｙ）に属するアイテムを重複なしで抽出したアイテム集合Ｉ（ｕ，ｔｘ，ｔｘｙ）の数を｜Ｉ（ｕ，ｔｘ，ｔｘｙ）｜とした場合、式（５）の｜Ａ（ｔｘ）｜を、｜Ｉ（ｕ，ｔｘ，ｔｘｙ）｜で置き換えることにより算出できる。属性嗜好度算出の第７の方法は、属性嗜好度算出対象のユーザが、属性嗜好度算出対象のアイテム属性に属するアイテムを多くの種類利用するほど、その重み付けを大きくすることができる。もちろん、ユーザが利用した、あるアイテム属性に属するアイテムの種類数に対して単調増加するような式であれば、どのような式を用いてもよい。

属性嗜好度算出の第８の方法は、ステップＳ２０２にて選択したユーザ識別子に対応するユーザにより利用された、ステップＳ２０５にて選択した属性対応情報に対応するアイテム属性に属するアイテムのアイテム嗜好度の総和に応じて単調増加する算出方法である。具体的には、ユーザｕによるアイテムの利用に関る利用情報の集合Ｌ（ｕ）から、アイテム属性の属性識別子（ｔｘ，ｔｘｙ）に属するアイテムを重複なしで抽出したアイテム集合Ｉ（ｕ，ｔｘ，ｔｘｙ）を抽出し、抽出したアイテム集合に含まれるアイテムごとに、ユーザｕのアイテムｉ（∈Ｉ（ｕ，ｔｘ，ｔｘｙ））に対するアイテム嗜好度ｖｉ（ｕ，ｉ）を算出した上で、定数β２（≧１）を用いて、ユーザｕに対応する属性嗜好度ｔｖ（ｕ，ｔｘ，ｔｘｙ）を式（６）にて算出すればよい。

アイテム嗜好度に関しては、前述の推薦属性選出処理のステップＳ１０３にて説明したアイテム嗜好度算出方法を用いればよい。属性嗜好度算出の第８の方法は、属性嗜好度算出対象のユーザが好むアイテムが多く含まれているアイテム属性ほど、その重み付けを大きくすることができる。もちろん、アイテム嗜好度の総和に対して単調増加するような式であれば、どのような式を用いてもよい。
また、属性嗜好度算出の第２から第８の方法を組み合わせて算出してもよい。例えば、第２と第４の方法を組み合わせて、式（７）や式（８）のように算出してもよい。それ以外でも、各算出方法の性質を変化させないように自由に組み合わせてもよい。以上が、属性嗜好度の算出方法の説明である。

次に、属性嗜好度算出部１１３が、ステップＳ２０２にて選択したユーザ識別子と、ステップＳ２０５にて選択した属性対応情報に含まれる属性種別識別子と属性値識別子と、ステップＳ２０６にて算出した属性嗜好度を関連付けた属性嗜好情報を、属性嗜好情報格納部１３５に格納する（ステップＳ２０７）。
次に、属性嗜好度算出部１１３が、ステップＳ２０５にて全ての属性対応情報を選択したか否かを判定する（ステップＳ２０８）。全て選択した場合は、ステップＳ２０９へ進み、未選択のものがある場合は、ステップＳ２０５へ進む。
ステップＳ２０９では、属性嗜好度算出部１１３が、ステップＳ２０２にて全てのユーザ識別子を選択したか否かを判定する。全て選択した場合は、ステップＳ２０１からステップＳ２０９までの一連の処理を終了し、未選択のものがある場合は、ステップＳ２０２へ進む。
以上が、属性嗜好度算出処理の手順の説明となる。

属性優先値算出部１１４は、所定のタイミングごとに、属性優先値算出処理を行う。属性優先値算出処理の手順を、図１２のフローチャートを用いて説明する。
まず、属性優先値算出部１１４が、利用情報格納部１３３より、利用情報に含まれるアイテム識別子を重複なしで、全て抽出する（ステップＳ３０１）。
次に、属性優先値算出部１１４が、ステップＳ３０１にて抽出したアイテム識別子の中から、例えば、抽出した順に１つ選択する（ステップＳ３０２）。
次に、属性優先値算出部１１４が、利用情報格納部１３３より、ステップＳ３０２にて選択したアイテム識別子を有する利用情報を全て取得する（ステップＳ３０３）。このとき、取得する利用情報を、属性優先値算出処理の時点から所定期間（例えば、３ヶ月といったように予めサービス提供側が設定しておく）遡った範囲に該当する利用時期情報を含むものに限定することで、直近の利用情報のみを用いて、属性優先値を算出するようにしてもよい。

次に、属性優先値算出部１１４が、アイテム情報格納部１３２より、ステップＳ３０２にて選択したアイテム識別子を有する属性対応情報を全て取得する（ステップＳ３０４）。なお、属性対応情報を取得する際に、予めサービス提供側が設定した１つ以上の属性種別識別子のいずれかを含むもののみに限定してもよい。
次に、属性優先値算出部１１４が、ステップＳ３０４にて取得した属性対応情報のうち、例えば、取得した順に１つ選択する（ステップＳ３０５）。
次に、属性優先値算出部１１４が、ステップＳ３０５にて選択した属性対応情報に対して、属性優先値を算出する（ステップＳ３０６）。

属性優先値の算出方法を、以下に８種類説明する。
属性優先値算出の第１の方法は、どのような属性対応情報に対応するアイテム属性対しても、一様に同じ値（例えば、「１」）を算出する方法である。属性優先値算出の第１の方法は、どのようなアイテム属性でも等しく扱うことになる。
属性優先値算出の第２の方法は、ステップＳ３０５にて選択した属性対応情報に対応するアイテム属性に属するアイテムの数が少ないほど、その値が大きくなるように算出する方法である。これは、属性嗜好度算出の第２の方法と同様の方法を用いて算出することができる。

属性優先値算出の第３の方法は、ステップＳ３０５にて選択した属性対応情報に含まれる属性種別識別子に対応する属性値識別子の数が多いほど、その値が大きくなるように算出する方法である。これは、属性嗜好度算出の第３の方法と同様の方法を用いて算出することができる。
属性優先値算出の第４の方法は、ステップＳ３０５にて選択した属性対応情報に対応するアイテム属性に属するアイテムの利用が多いものほど、その値が大きくなるように算出する方法である。これは、属性嗜好度算出の第４の方法と同様の方法を用いて算出することができる。
属性優先値算出の第５の方法は、ステップＳ３０５にて選択した属性対応情報に対応するアイテム属性に属するアイテムを利用したユーザが多いものほど、その値が大きくなるように算出する方法である。これは、属性嗜好度算出の第５の方法と同様の方法を用いて算出することができる。

属性優先値算出の第６の方法は、ステップＳ３０２にて選択したアイテム識別子に対応するアイテムの利用数が多いほど、その値が大きくなるように算出する方法である。具体的には、アイテムｉの利用に関わる利用情報の集合Ｌ（ｉ）の数を｜Ｌ（ｉ）｜とした場合、定数β３（≧１）を用いて、アイテムｉに対応する属性優先値ｐｖ（ｉ，ｔｘ，ｔｘｙ）を式（９）にて算出すればよい。

属性優先値算出の第６の方法は、多くのユーザに何度も利用されるような人気の高いアイテムの重み付けを大きくすることができる。もちろん、アイテムの利用数に対して単調増加するような式であれば、どのような式を用いてもよい。

属性優先値算出の第７の方法は、ステップＳ３０２にて選択したアイテム識別子に対応するアイテムを利用したユーザ数が多いほど、その値が大きくなるように算出する方法である。具体的には、アイテムｉの利用に関わる利用情報の集合Ｌ（ｉ）から重複なしで抽出したユーザ集合Ｕ（ｉ）の数を｜Ｕ（ｉ）｜とした場合、式（９）の｜Ｌ（ｉ）｜を、｜Ｕ（ｉ）｜で置き換えることにより算出できる。属性優先値算出の第７の方法は、多くのユーザに利用されるような人気の高いアイテムの重み付けを大きくすることができる。もちろん、利用したユーザの数に対して単調増加するような式であれば、どのような式を用いてもよい。

属性優先値算出の第８の方法は、ステップＳ３０２にて選択したアイテム識別子に対応するアイテムを利用したユーザのアイテム嗜好度の総和が高ければ高いほど、その値が大きくなるように算出する方法である。具体的には、アイテムｉの利用に関わる利用情報の集合Ｌ（ｉ）から重複なしで抽出したユーザ集合Ｕ（ｉ）を抽出し、Ｕ（ｉ）に含まれるユーザｕ（∈Ｕ（ｉ））ごとに、ユーザｕのアイテムｉに対するアイテム嗜好度ｖｉ（ｕ，ｉ）を算出した上で、定数β４（≧１）を用いて、アイテムｉに対応する属性嗜好度ｐｖ（ｉ，ｔｘ，ｔｘｙ）を式（１０）にて算出すればよい。

アイテム嗜好度に関しては、前述の推薦属性選出処理のステップＳ１０３にて説明したアイテム嗜好度算出方法を用いればよい。属性優先値算出の第８の方法は、多くのユーザに好まれるようなアイテムの重み付けを大きくすることができる。もちろん、アイテム嗜好度の総和に対して単調増加するような式であれば、どのような式を用いてもよい。
また、属性優先値算出の第２から第８の方法を組み合わせて算出してもよい。例えば、第２と第４の方法の組み合わせを、属性嗜好度算出の第２と第４の方法を組合せた式（７）と式（８）を用いることで算出してもよい。それ以外でも、各算出方法の性質を変化させないように自由に組み合わせてもよい。
以上が、属性優先値の算出方法の説明である。

次に、属性優先値算出部１１４が、ステップＳ３０５にて選択した属性対応情報に含まれるアイテム識別子と属性種別識別子と属性値識別子と、ステップＳ３０６にて算出した属性優先値を関連付けた属性優先値情報を、属性優先値情報格納部１３６に格納する（ステップＳ３０７）。
次に、属性優先値算出部１１４が、ステップＳ３０５にて全ての属性対応情報を選択したか否かを判定する（ステップＳ３０８）。全て選択した場合は、ステップＳ３０９へ進み、未選択のものがある場合は、ステップＳ３０５へ進む。
ステップＳ３０９では、属性優先値算出部１１４が、ステップＳ３０２にて全てのアイテム識別子を選択したか否かを判定する。全て選択した場合は、ステップＳ３０１からステップＳ３０９までの一連の処理を終了し、未選択のものがある場合は、ステップＳ３０２へ進む。
以上が、属性優先値算出処理の手順の説明となる。

推薦アイテム選出部１１５は、所定のタイミングごとに、推薦アイテム選出処理を行う。推薦アイテム選出処理の手順を、図１３のフローチャートを用いて説明する。
まず、推薦アイテム選出部１１５が、推薦属性情報格納部１３４より、推薦属性情報に含まれるユーザ識別子を、重複なしで全て抽出する（ステップＳ４０１）。
次に、推薦アイテム選出部１１５が、ステップＳ４０１にて抽出したユーザ識別子のうち、例えば、抽出した順に、推薦対象ユーザ識別子として１つ選択する（ステップＳ４０２）。
次に、推薦アイテム選出部１１５が、推薦属性情報格納部１３４より、ステップＳ４０２にて選択した推薦対象ユーザ識別子と一致するユーザ識別子を有する推薦属性情報を全て取得する（ステップＳ４０３）。
次に、推薦アイテム選出部１１５が、属性優先値情報格納部１３６より、ステップＳ４０２にて選択した推薦対象ユーザ識別子と一致するユーザ識別子を有する属性嗜好情報を全て取得する（ステップＳ４０４）。

次に、推薦アイテム選出部１１５が、アイテム情報格納部１３２より、ステップＳ４０３にて取得した推薦属性情報に含まれるいずれかの属性識別子を含む属性対応情報を特定し、特定した属性対応情報に含まれるアイテム識別子を、重複なしで全て抽出する（ステップＳ４０５）。なお、ここで抽出したアイテム識別子の集合が推薦候補アイテム集合となる。
次に、推薦アイテム選出部１１５が、ステップＳ４０５にて抽出したアイテム識別子のうち、例えば、抽出した順に、推薦候補アイテム識別子として１つ選択する（ステップＳ４０６）。
次に、推薦アイテム選出部１１５が、属性優先値情報格納部１３６より、ステップＳ４０６にて選択した推薦候補アイテム識別子と一致するアイテム識別子を有する属性優先値情報を全て取得する（ステップＳ４０７）。
次に、推薦アイテム選出部１１５が、ステップＳ４０２にて選択した推薦対象ユーザ識別子に対する、ステップＳ４０６にて選択した推薦候補アイテム識別子の推薦値を算出する（ステップＳ４０８）。

推薦値の算出方法を以下に７種類説明する。なお、算出方法内の説明において、ステップＳ４０３にて取得した推薦対象ユーザｕｒに対応する推薦属性情報の集合をＳＴ（ｕｒ）とする。
推薦値算出の第１の方法は、ステップＳ４０６にて選択した推薦候補アイテム識別子に対応する属性識別子のいずれかを含む推薦属性情報の数を推薦値として算出する方法である。推薦値算出の第１の方法は、計算量が少ない。

推薦値算出の第２の方法は、ステップＳ４０６にて選択した推薦候補アイテム識別子に対応する属性識別子のいずれかを含む推薦属性情報の属性推薦値を用いて算出する方法である。具体的には、ＳＴ（ｕｒ）より、推薦候補アイテムｉｒに対応する属性識別子のうち、いずれかの属性識別子を含むものから抽出した属性識別子の集合ＴＡ（ｕｒ，ｉｒ）の数を｜ＴＡ（ｕｒ，ｉｒ）｜とし、ＴＡ（ｕｒ，ｉｒ）に含まれる任意の属性識別子（ｔｘ，ｔｘｙ）に対応する推薦対象ユーザｕｒとの属性推薦値ａｖ（ｕｒ，ｔｘ，ｔｘｙ）とした場合、推薦値ｒｖ（ｕｒ，ｉｒ）は、定数α２（０≦α２≦１）を用いて、式（１１）にて算出できる。

推薦値算出の第２の方法は、推薦候補アイテムに対応するいずれかのアイテム属性が、多くの推薦属性情報に含まれ、かつ、その推薦属性情報に含まれる属性推薦値の大きいほど、推薦値が高くなりやすい。なお、式（１１）は、α２が「０」の場合に、属性推薦値の総和となり、α２が「１」の場合に、属性推薦値の平均値となる。つまり、推薦属性情報の数の影響力を高める場合は、α２を「０」に近づければよい。もちろん、推薦属性情報の数と、属性推薦値の両方に対して、単調増加であれば、他の式を用いてもよい。

推薦値算出の第３の方法は、推薦値算出の第２の方法と同様に属性推薦値を利用し、かつ、属性種別識別子ごとに、対応する属性推薦値の重み付けを変更する算出方法である。具体的には、属性推薦値算出の算出対象となっている属性種別識別子の集合Ｔに含まれる属性種別識別子ごとに、属性種別識別子ｔｘ（∈Ｔ）に対応する重み付け係数ｍ１（ｔｘ）を予め設定した上で、ＳＴ（ｕｒ）より、推薦候補アイテムｉｒに対応する属性識別子のうち、いずれかの属性識別子を含む推薦属性情報の集合ＳＴ（ｕｒ，ｉｒ）を形成する。
次に、ＳＴ（ｕｒ，ｉｒ）から重複なしで抽出したＴの部分集合Ｔ（ｕｒ，ｉｒ）を形成する。そして、ＳＴ（ｕｒ，ｉｒ）に含まれる推薦属性情報のうち、属性種別識別子ｔ’ｘ（∈Ｔ（ｕｒ，ｉｒ））を含むものより抽出した属性識別子の集合ＴＡ（ｕｒ，ｉｒ，ｔ’ｘ）の数を｜ＴＡ（ｕｒ，ｉｒ，ｔ’ｘ）｜とし、ＴＡ（ｕｒ，ｉｒ，ｔ’ｘ）の任意の属性識別子（ｔ’ｘ，ｔ’ｘｙ）に対応する属性推薦値をａｖ（ｕｒ，ｔ’ｘ，ｔ’ｘｙ）とした場合、推薦値ｒｖ（ｕｒ，ｉｒ）は、定数α３（０≦α３≦１）を用いて、式（１２）にて算出できる。

なお、属性種別識別子ｔｘ（∈Ｔ）に対応する重み付け係数ｍ１（ｔｘ）は、属性優先値算出の第３の方法と同様に、属性種別の粒度に合わせて算出することで、属性種別間の粒度を吸収するのがよいが、もちろん、属性種別間の粒度にとらわれずに、サービスの提供側が自由に設定してよい。推薦値算出の第３の方法は、推薦値算出の第２の方法の性質に加え、属性種別ごとに重み付けを変えることで、どの属性種別に対応する属性推薦値を優先するかを、サービスの提供側が自由に設定することができる。また、属性種別に対する重み付けを反映しつつ、属性推薦値の高いアイテム属性を有するアイテムの推薦値が高くなるように算出するのであれば、他の式を用いてもよい。

推薦値算出の第４の方法は、推薦値算出の第２の方法と同様に属性推薦値を利用し、かつ、属性識別子ごとに、対応する属性推薦値の重み付けを変更する算出方法である。具体的には、属性推薦値算出の算出対象となっている属性種別識別子を含む属性識別子の集合ＴＡごとに、属性識別子（ｔｘ，ｔｘｙ）に対応する重み付け係数ｍ２（ｔｘ，ｔｘｙ）を設定した上で、ＳＴ（ｕｒ）より、推薦候補アイテムｉｒに対応する属性識別子のうち、いずれかの属性識別子を含む推薦属性情報から重複なしで抽出したＴＡの部分集合ＴＡ（ｕｒ，ｉｒ）の任意の属性識別子（ｔ’ｘ，ｔ’ｘｙ）に対応する属性推薦値をａｖ（ｕｒ，ｔ’ｘ，ｔ’ｘｙ）とした場合、推薦値ｒｖ（ｕｒ，ｉｒ）は、定数α４（０≦α４≦１）を用いて、式（１３）にて算出できる。

なお、属性識別子（ｔｘ，ｔｘｙ）に対応する重み付け係数ｍ２（ｔｘ，ｔｘｙ）は、属性優先値算出の第２の方法と同様に、アイテム属性の粒度に合わせて算出することで、アイテム属性間の粒度を吸収するのがよいが、もちろん、アイテム属性間の粒度にとらわれずに、サービスの提供側が自由に設定してよい。推薦値算出の第４の方法は、推薦値算出の第２の方法の性質に加え、アイテム属性ごとに重み付けを変えることで、どのアイテム属性に対応する属性推薦値を優先するかを、サービスの提供側が自由に設定することができる。また、属性識別子に対する重み付けを反映しつつ、属性推薦値の高いアイテム属性を有するアイテムの推薦値が高くなるように算出するのであれば、他の式を用いてもよい。

推薦値算出の第５の方法は、ステップＳ４０４にて取得した推薦対象ユーザに対する属性嗜好情報を用いて算出する方法である。具体的には、推薦対象ユーザｕｒに対して取得した属性嗜好情報の集合ＴＴ（ｕｒ）から、推薦対象アイテムｉｒが有する属性識別子のみを重複なしで抽出した属性識別子の集合ＴＡ（ｕｒ，ｉｒ）に含まれる属性識別子（ｔｘ，ｔｘｙ）に対応する属性嗜好度をｔｖ（ｕｒ，ｔｘ，ｔｘｙ）とした場合、定数α５（０≦α５≦１）を用いて、推薦値ｒｖ（ｕｒ，ｉｒ）を式（１４）にて算出できる。

推薦値算出の第５の方法は、推薦値を、属性嗜好度を用いて算出することで、推薦対象ユーザが好むアイテム属性を有するアイテムを優先的に推薦アイテムとして選出しやすくなる。また、属性嗜好度算出に用いた方法の性質も反映される。もちろん、属性嗜好度の総和に対して単調増加であれば、他の式を用いてもよい。

推薦値算出の第６の方法は、ステップＳ４０７にて取得した推薦候補アイテムに対する属性優先値情報を用いて算出する方法である。具体的には、推薦候補アイテムｉｒに対して取得した属性優先値情報の集合ＴＰ（ｉｒ）から、ユーザｕｒが過去に利用した属性識別子のみを重複なしで抽出した属性識別子の集合ＴＡ（ｉｒ，ｕｒ）に含まれる属性識別子（ｔｘ，ｔｘｙ）に対応する属性優先値を、ｐｖ（ｉｒ，ｔｘ，ｔｘｙ）とした場合、定数α６（０≦α６≦１）を用いて、式（１５）にて算出できる。

推薦値算出の第６の方法は、推薦値を、属性優先値を用いて算出することで、推薦値算出の第５の方法と同様に、推薦対象ユーザが好むアイテム属性を有するアイテムを優先的に推薦アイテムとして選出しやすくなる。また、属性優先値算出に用いた方法の性質も反映される。もちろん、属性優先値の総和に対して単調増加であれば、他の式を用いてもよい。

推薦値算出の第７の方法は、ステップＳ４０４にて取得した推薦対象ユーザに対する属性嗜好情報と、ステップＳ４０７にて取得した推薦候補アイテムに対する属性優先値情報とを用いて算出する方法である。具体的には、推薦対象ユーザｕｒに対して取得した属性嗜好情報の集合ＴＴ（ｕｒ）から重複なしで抽出した属性識別子の集合ＴＡ’（ｕｒ）と、推薦候補アイテムｉｒに対して取得した属性優先値情報の集合ＴＰ（ｉｒ）から重複なしで抽出した属性識別子の集合ＴＡ’（ｉｒ）との共通部分ＴＡ’（ｕｒ）∩ＴＡ’（ｉｒ）に含まれる属性識別子（ｔ’ｘ，ｔ’ｘｙ）に対応する属性嗜好度をａｖ（ｕｒ，ｔ’ｘ，ｔ’ｘｙ）とし、属性優先値をｐｖ（ｉｒ，ｔ’ｘ，ｔ’ｘｙ）とした場合、推薦値ｒｖ（ｕｒ，ｉｒ）を式（１６）のように内積値として算出してもよい。

また、コサイン距離やピアソン積率相関係数として算出してもよい。推薦値算出の第７の方法は、推薦値を、属性嗜好度と属性優先値とを用いて算出することで、推薦値算出の第５の方法や第６の方法以上に、推薦対象ユーザが好むアイテム属性を有するアイテムを優先的に推薦アイテムとして選出しやすくなる。また、属性嗜好度算出に用いた方法の性質や、属性優先値算出に用いた方法の性質も反映される。
また、推薦値算出の第２から第７の方法を組み合わせて算出してもよい。例えば、第３と第４の方法を組み合わせて、式（１７）のように算出してもよい。

また、第２の方法で算出した推薦値ｒｖ２（ｕｒ，ｉｒ）と、第５の方法で算出した推薦値ｒｖ５（ｕｒ，ｉｒ）とを用いて、新たな推薦値ｎｅｗ＿ｒｖ（ｕｒ，ｉｒ）を推薦値として、式（１８）や式（１９）のように算出してもよい。それ以外でも、各算出方法の性質を変化させないように自由に組み合わせてもよい。以上が、推薦値算出方法の説明である。

次に、推薦アイテム選出部１１５が、ステップＳ４０６にて全ての推薦候補アイテム識別子を選択したか否かを判定する（ステップＳ４０９）。全て選択した場合は、ステップＳ４１０へ進み、未選択のものがある場合はステップＳ４０６へ進む。
ステップＳ４１０では、推薦アイテム選出部１１５が、ステップＳ４０８にて算出した推薦値に応じて、推薦アイテムを選出する。推薦アイテムを選出するには、推薦値が（予め、サービス提供側が設定した）所定値以上の推薦候補アイテム識別子を、推薦アイテムとすればよい。また、推薦値の降順に（予め、サービス提供側が設定した）所定数まで選択した推薦候補アイテム識別子を、推薦アイテムのアイテム識別子とすればよい。
次に、推薦アイテム選出部１１５が、ステップＳ４１０にて選出した推薦アイテムごとに、ステップＳ４０２にて選択した推薦対象ユーザ識別子と、推薦アイテムのアイテム識別子と、ステップＳ４０８にて算出した推薦値とを関連付けた推薦アイテム情報を、推薦アイテム情報格納部１３７に格納する（ステップＳ４１１）。

次に、推薦アイテム選出部１１５が、ステップＳ４０２にて、全ての推薦対象ユーザ識別子を選択したか否かを判定する（ステップＳ４１２）。全て選択した場合は、ステップＳ４０１からステップＳ４１２までの一連の処理を終了し、未選択のものがある場合は、ステップＳ４０２へ進む。
この手順により、実際にどのような効果があるかの具体例を、図１４と図１５を用いて説明する。図１４は、ユーザｕ３に対する推薦属性を示すものである。図１４に示すように、ユーザｕ３の推薦属性が、（ｔａ，ｔａ７）、（ｔａ，ｔａ１３）、（ｔｂ，ｔｂ４）、（ｔｂ，ｔｂ８）であることが分かる。図１５は、ユーザｕ３に対する推薦候補アイテムの対象となるアイテム集合をイメージしたものである。図１５に示すように、ユーザｕ３の推薦属性それぞれに対応するアイテム集合、Ｉ（ｔａ，ｔａ７）、Ｉ（ｔａ，ｔａ１３）、Ｉ（ｔｂ，ｔｂ４）、Ｉ（ｔｂ，ｔｂ８）があり、斜線部が、推薦候補アイテムのアイテム集合Ｉ（ｔａ，ｔａ７）∪Ｉ（ｔａ，ｔａ１３）∪Ｉ（ｔｂ，ｔｂ４）∪Ｉ（ｔｂ，ｔｂ８）となる。つまり、推薦アイテムを、Ｉ（ｔａ，ｔａ７）、Ｉ（ｔａ，ｔａ１３）、Ｉ（ｔｂ，ｔｂ４）、Ｉ（ｔｂ，ｔｂ８）のいずれかに属するアイテムから選出することができるようになるため、利用情報が少なくても、アイテムの推薦を可能とし、かつ、多様なアイテム属性を用いることで、多様なアイテムの推薦を実現することができる。

なお、上記手順において、推薦値算出に属性嗜好度を利用しない場合は、ステップＳ４０４の処理を省略することができる。さらに、属性嗜好情報を作成する必要がなくなるため、属性嗜好度算出部１１３と属性嗜好情報格納部１３５が不要となる。また、推薦値算出に属性優先値を利用しない場合は、ステップＳ４０７の処理を省略することができる。さらに、属性優先値情報を作成する必要がなくなるため、属性優先値算出部１１４と属性優先値情報格納部１３６が不要となる。
以上が、推薦アイテム選出処理の手順の説明である。

推薦アイテム詳細情報作成部１１６は、情報処理サーバ通信部１２を通じて、端末装置３より推薦アイテム取得要求を受信すると、推薦アイテム詳細情報作成処理を行うことで、推薦アイテム詳細情報を作成し、情報処理サーバ通信部１２を通じて、端末装置３に、作成した推薦アイテム詳細情報を送信する。
推薦アイテム詳細情報作成処理とは、推薦アイテム詳細情報を作成する処理である。具体的には、まず、推薦アイテム情報格納部１３７より、受信した推薦アイテム取得要求に含まれるユーザ識別子を有する全ての推薦アイテム情報を取得する。そして、アイテム情報格納部１３２より、取得した推薦アイテム情報に含まれるアイテム識別子に対応するアイテム情報を取得し、取得したアイテム情報を用いて推薦アイテム詳細情報を作成する。なお、推薦アイテム取得要求に、取得制限数が含まれている場合は、推薦アイテム情報格納部１３７より推薦アイテム情報を取得する際に、推薦値の降順に取得制限数まで取得するようにすればよい。

以上のように、推薦属性情報を基に、推薦アイテム情報を作成することで、少ない利用情報でも多様なアイテムを推薦することが可能となる。このため、ユーザの推薦に対する興味を維持し、サービスの利用を促進することができる。

上述した本発明の実施形態は、説明のための例示であり、上記実施形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々変更が可能である。例えば、各実施形態や変形例等を組み合わせてもよい。また、情報処理装置（情報処理サーバ装置１）の一部の構成を別体にし、ネットワーク等を介してその別体とした構成と通信するようにして、情報処理装置の機能を実現してもよい。

また、本発明は各部の機能をコンピュータに実現させるためのプログラムを含むものである。これらのプログラムは、記録媒体から読み取られてコンピュータに取り込まれてもよいし、通信ネットワークを介して伝送されてコンピュータに取り込まれてもよい。

１ 情報処理サーバ装置
２ ネットワーク
３ 端末装置
３１ 端末制御部
３２ 端末通信部
３３ 端末入力部
３４ 端末表示部
１１ 情報処理サーバ制御部
１１１ 利用情報登録部
１１２ 推薦属性選出部
１１３ 属性嗜好度算出部
１１４ 属性優先値算出部
１１５ 推薦アイテム選出部
１１６ 推薦アイテム詳細情報作成部
１２ 情報処理サーバ通信部
１３ 情報処理サーバ格納部
１３１ ユーザ情報格納部
１３２ アイテム情報格納部
１３３ 利用情報格納部
１３４ 推薦属性情報格納部
１３５ 属性嗜好情報格納部
１３６ 属性優先値情報格納部
１３７ 推薦アイテム情報格納部

Claims (5)

1. 利用主体を識別するための利用主体識別子と、前記利用主体により利用されたアイテムを識別するアイテム識別子とを対応付けた利用情報を格納する利用情報格納部と、
   アイテム識別子と、アイテムの属性を識別する属性識別子と、を対応付けた属性対応情報を格納するアイテム情報格納部と、
   前記利用情報及び前記属性対応情報に基づいて、属性識別子と、利用主体識別子との間の推薦値である属性推薦値を算出し、算出した属性推薦値に基づいて、利用主体識別子ごとに、その利用主体識別子に関連する属性識別子である推薦属性を選出し、それぞれの利用主体識別子と、選出した推薦属性とを対応付けた推薦属性情報を作成する推薦属性選出部と、
   前記推薦属性選出部が生成した推薦属性情報を格納する推薦属性情報格納部と、
   一の利用主体の利用主体識別子を含む推薦属性情報を前記推薦属性情報格納部より取得し、取得した推薦属性情報に含まれる属性識別子の内のいずれかを含む属性対応情報を前記アイテム情報格納部より取得し、取得した属性対応情報に含まれるアイテム識別子の集合である推薦候補アイテム集合を形成し、その推薦候補アイテム集合に含まれるアイテム識別子それぞれと前記一の利用主体との推薦値を算出し、算出した推薦値に基づいて、前記一の利用主体に推薦するアイテムを選出する推薦アイテム選出部と
   を備えることを特徴とする情報処理装置。
2. 前記利用情報及び前記属性対応情報に基づいて、属性識別子に対する優先の度合いを示す属性優先値を算出する属性優先値算出部
   をさらに備え、
   前記推薦アイテム選出部は、前記アイテム情報格納部より、前記推薦項候補アイテム集合に含まれるアイテム識別子に対応付けられた属性対応情報を取得し、取得した属性対応情報に含まれる属性識別子のうち、いずれかに対して算出された前記属性優先値を用いて前記推薦値を算出する、
   ことを特徴とする請求項１記載の情報処理装置。
3. 前記利用情報及び前記属性対応情報に基づいて、利用主体の属性識別子に対する嗜好の度合いを示す属性嗜好度を算出する属性嗜好度算出部
   をさらに備え、
   前記推薦アイテム選出部は、前記アイテム情報格納部より、前記一の利用主体に対して形成した推薦候補アイテム集合に含まれる属性対応情報を取得し、取得した属性対応情報に含まれる属性識別子のうちのいずれかと、前記一の利用主体とに対して算出された前記属性嗜好度を用いて前記推薦値を算出する、
   ことを特徴とする請求項１又は２に記載の情報処理装置。
4. 利用主体を識別するための利用主体識別子と、前記利用主体により利用されたアイテムを識別するアイテム識別子とを対応付けた利用情報を利用情報格納部に格納する利用情報格納ステップと、
   アイテム識別子と、アイテムの属性を識別する属性識別子と、を対応付けた属性対応情報をアイテム情報格納部に格納するアイテム情報格納ステップと、
   前記利用情報及び前記属性対応情報に基づいて、属性識別子と、利用主体識別子との間の推薦値である属性推薦値を算出し、算出した属性推薦値に基づいて、利用主体識別子ごとに、その利用主体識別子に関連する属性識別子である推薦属性を選出し、それぞれの利用主体識別子と、選出した推薦属性とを対応付けた推薦属性情報を作成する推薦属性選出ステップと、
   前記推薦属性選出ステップにおいて生成した推薦属性情報を推薦属性情報格納部に格納する推薦属性情報格納ステップと、
   一の利用主体の利用主体識別子を含む推薦属性情報を前記推薦属性情報格納部より取得し、取得した推薦属性情報に含まれる属性識別子の内のいずれかを含む属性対応情報を前記アイテム情報格納部より取得し、取得した属性対応情報に含まれるアイテム識別子の集合である推薦候補アイテム集合を形成し、その推薦候補アイテム集合に含まれるアイテム識別子それぞれと前記一の利用主体との推薦値を算出し、算出した推薦値に基づいて、前記一の利用主体に推薦するアイテムを選出する推薦アイテム選出ステップと
   を有することを特徴とする情報処理方法。
5. コンピュータに、
   利用主体を識別するための利用主体識別子と、前記利用主体により利用されたアイテムを識別するアイテム識別子とを対応付けた利用情報を利用情報格納部に格納する利用情報格納ステップと、
   アイテム識別子と、アイテムの属性を識別する属性識別子と、を対応付けた属性対応情報をアイテム情報格納部に格納するアイテム情報格納ステップと、
   前記利用情報及び前記属性対応情報に基づいて、属性識別子と、利用主体識別子との間の推薦値である属性推薦値を算出し、算出した属性推薦値に基づいて、利用主体識別子ごとに、その利用主体識別子に関連する属性識別子である推薦属性を選出し、それぞれの利用主体識別子と、選出した推薦属性とを対応付けた推薦属性情報を作成する推薦属性選出ステップと、
   前記推薦属性選出ステップにおいて生成した推薦属性情報を推薦属性情報格納部に格納する推薦属性情報格納ステップと、
   一の利用主体の利用主体識別子を含む推薦属性情報を前記推薦属性情報格納部より取得し、取得した推薦属性情報に含まれる属性識別子の内のいずれかを含む属性対応情報を前記アイテム情報格納部より取得し、取得した属性対応情報に含まれるアイテム識別子の集合である推薦候補アイテム集合を形成し、その推薦候補アイテム集合に含まれるアイテム識別子それぞれと前記一の利用主体との推薦値を算出し、算出した推薦値に基づいて、前記一の利用主体に推薦するアイテムを選出する推薦アイテム選出ステップと
   を実行させることを特徴とする情報処理プログラム。