JP2015032254A - 情報処理装置、情報処理方法、及び、プログラム - Google Patents

Abstract

【課題】アイテムのメタデータを適切に拡充する。【解決手段】情報処理装置のオフライン処理系のメタデータ拡充部は、メタデータを拡充する対象となるアイテムである対象アイテムに対して反応を示したユーザである反応者が反応を示した他のアイテムのメタデータを用いて、対象アイテムのメタデータを拡充する。本技術は、例えば、各種のアイテムを推薦したり、又は、アイテムの検索を行うサーバに適用できる。【選択図】図１

Description

本技術は、情報処理装置、情報処理方法、及び、プログラムに関し、特に、アイテムのメタデータを拡充する場合に用いて好適な情報処理装置、情報処理方法、及び、プログラムに関する。

従来、ユーザにアイテムを推薦する技術として、協調フィルタリング（ＣＦ）や内容ベースフィルタリング（ＣＢＦ）が知られている（例えば、特許文献１、２参照）。

特開２００３−１６７９０１号公報 特開２０１２−１９００６１号公報

しかしながら、例えば、ＣＢＦを用いた場合、メタデータが少ないアイテムは、他のアイテムのメタデータと共通する部分が少なく、他のアイテムとの類似度が低く算出されるため、ユーザに推薦されにくくなる。

そこで、本技術は、アイテムのメタデータを適切に拡充できるようにするものである。

本技術の一側面の情報処理装置は、メタデータを拡充する対象となるアイテムである対象アイテムに対して反応を示したユーザである反応者が反応を示した他のアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充するメタデータ拡充部を備える。

前記メタデータ拡充部には、前記反応者が前記対象アイテムに反応を示した時期を含む所定の期間内に反応を示したアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充させることができる。

前記メタデータ拡充部には、前記反応者が前記対象アイテムに反応を示す直前又は前記対象アイテムに反応を示した直後に反応を示した所定の数のアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充させることができる。

前記メタデータ拡充部には、前記反応者を所定のグループに属するユーザに限定して、前記対象アイテムのメタデータを拡充させることができる。

前記メタデータ拡充部には、各アイテムを所定の方法により分類した場合に前記対象アイテムと同じグループに属するアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充させることができる。

前記メタデータ拡充部には、前記反応者が反応を示した各アイテムのメタデータにそれぞれ基づく特徴量ベクトルを加算して拡充することにより、前記対象アイテムのメタデータを拡充させることができる。

前記メタデータ拡充部には、前記反応者が反応を示した時期が前記対象アイテムに反応を示した時期に近いアイテムに対する重みを大きくして前記特徴量ベクトルを加算させることができる。

前記メタデータ拡充部には、反応の種類又は反応の度合いのうち少なくとも一方に応じた重みをつけて前記特徴量ベクトルを加算させることができる。

前記メタデータ拡充部には、前記反応者毎に重みをつけて前記特徴量ベクトルを加算させることができる。

前記メタデータ拡充部には、各前記反応者が反応を示したアイテムの数に応じた重みをつけて前記特徴量ベクトルを加算させることができる。

前記メタデータ拡充部には、前記対象アイテムと類似するアイテムの重みを大きくして前記特徴量ベクトルを加算させることができる。

前記メタデータ拡充部には、前記対象アイテムの前記特徴量ベクトルに対する重みを他のアイテムの前記特徴ベクトルに対する重みと異なる値に設定させることができる。

前記メタデータ拡充部には、前記対象アイテムの前記特徴量ベクトルを加算させないようにすることができる。

推薦する対象となるユーザである対象ユーザに推薦する候補となるアイテムである候補アイテム毎に、前記対象ユーザが反応を示した各アイテムとの間の前記特徴量ベクトルの類似度を加算したスコアを算出し、前記スコアに基づいて前記対象ユーザにアイテムを推薦するとともに、前記スコアを算出する際に、前記候補アイテム、又は、前記対象ユーザが反応を示したアイテムのうち少なくとも一方について、拡充後の前記特徴量ベクトルを用いる推薦部をさらに設けることができる。

与えられたキーワードを拡充後のメタデータに含むアイテムを検索する検索部をさらに設けることができる。

本技術の一側面の情報処理方法は、メタデータを拡充する対象となるアイテムである対象アイテムに対して反応を示したユーザである反応者が反応を示した他のアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充するメタデータ拡充ステップを含む。

本技術の一側面のプログラムは、メタデータを拡充する対象となるアイテムである対象アイテムに対して反応を示したユーザである反応者が反応を示した他のアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充するメタデータ拡充ステップを含む処理をコンピュータに実行させる。

本技術の一側面においては、メタデータを拡充する対象となるアイテムである対象アイテムに対して反応を示したユーザである反応者が反応を示した他のアイテムのメタデータを用いて、前記対象アイテムのメタデータが拡充される。

本技術の一側面によれば、アイテムのメタデータを適切に拡充することができる。

本技術を適用した情報処理装置の一実施の形態を示すブロック図である。 オフライン処理を説明するためのフローチャートである。 メタデータ拡充処理の詳細を説明するためのフローチャートである。 メタデータ拡充処理の具体例を説明するための図である。 アイテム推薦処理を説明するためのフローチャートである。 アイテム特徴量の例を示す図である。 ユーザの購買履歴の例を示す図である。 本技術とＣＢＦ及びＣＦを用いた場合とで、アイテム間の類似度の算出結果を比較した例を示す図である。 アイテム検索処理を説明するためのフローチャートである。 コンピュータの構成例を示すブロック図である。

以下、本技術を実施するための形態（以下、実施の形態という）について説明する。なお、説明は以下の順序で行う。
１．実施の形態
２．変形例

＜１．実施の形態＞
［情報処理装置１１の構成例］
図１は、本技術を適用した情報処理装置１１の一実施の形態を示すブロック図である。

情報処理装置１１は、アイテムの推薦や検索のサービスを提供する装置である。なお、情報処理装置１１が推薦又は検索するアイテムは、特定の種類に限定されるものではない。例えば、動画、静止画、書籍、文書、楽曲、テレビジョン番組、ソフトウエア、ニュース記事、ブログ記事、マイクロブログ文、情報などの各種のコンテンツや商品、並びに、コミュニティサイトのユーザ、コミュニティサイト内のコミュニティ等が想定される。また、情報処理装置１１は、アイテムの一部（例えば、映画の１シーンや楽曲のサビの部分）の推薦や検索を行うことも可能である。

情報処理装置１１は、オフライン処理系２１、オンライン処理系２２、ログ記憶部２３、メタデータ記憶部２４、ユーザ情報記憶部２５、特徴量ベクトル記憶部２６、及び、関連マトリックス記憶部２７を含むように構成される。

オフライン処理系２１は、特徴量ベクトル生成部３１、メタデータ拡充部３２、及び、類似度算出部３３を含むように構成される。

特徴量ベクトル生成部３１は、後述するように、メタデータ記憶部２４に記憶されている各アイテムのメタデータに基づいて、各アイテムの特徴を表す特徴量ベクトルを生成する。特徴量ベクトル生成部３１は、生成した各アイテムの特徴量ベクトルを特徴量ベクトル記憶部２６に記憶させる。

メタデータ拡充部３２は、後述するように、特徴量ベクトル記憶部２６に記憶されている各アイテムの特徴量ベクトルを、他のアイテムの特徴量ベクトルを用いて拡充することにより、各アイテムのメタデータを拡充する。メタデータ拡充部３２は、拡充後の特徴量ベクトルを特徴量ベクトル記憶部２６に記憶させる。

類似度算出部３３は、後述するように、特徴量ベクトル記憶部２６に記憶されている特徴量ベクトルに基づいて、各アイテム間の類似度を算出する。また、類似度算出部３３は、各アイテム間の類似度を表にした関連マトリックを生成し、関連マトリックス記憶部２７に記憶させる。

オンライン処理系２２は、ログ収集部４１、検索部４２、及び、推薦部４３を含むように構成される。

ログ収集部４１は、図示せぬインターネット等のネットワークを介して接続されているサーバやクライアントから、各ユーザの各アイテムに対する反応に関する情報を収集する。なお、収集する対象となる反応の種類は、特に限定されるものではない。例えば、アイテムの購入、予約、ダウンロード、情報の閲覧、評価やコメントの付与等の反応が、収集する対象に設定される。

ログ収集部４１は、収集した情報に基づいて、各ユーザの各アイテムに対する反応の履歴を表すログ（以下、反応ログと称する）を生成し、ログ記憶部２３に記憶させる。反応ログは、例えば、反応を示したユーザのユーザＩＤ、反応の対象となったアイテムのアイテムＩＤ、反応時期、反応の種類等の項目を含む。

検索部４２は、後述するように、特徴量ベクトル記憶部２６に記憶されている各アイテムの特徴量ベクトル等に基づいて、与えられた条件のアイテムを検索する。検索部４２は、アイテムの検索結果を、図示せぬネットワークを介して、ユーザが使用するクライアント等に送信する。

推薦部４３は、後述するように、関連マトリックス記憶部２７に記憶されている関連マトリックスに基づいて、ユーザに推薦するアイテムを抽出する。推薦部４３は、抽出したアイテムに関する情報を、図示せぬネットワーク等を介して、ユーザが使用するクライアント等に送信する。

ログ記憶部２３は、上述したように、反応ログを記憶する。

メタデータ記憶部２４は、各アイテムのメタデータを記憶する。なお、メタデータの内容は、アイテムに関する情報であれば、どのような情報でもよい。また、メタデータのフォーマットは、特に限定されるものではなく、任意のフォーマットに設定できる。

ユーザ情報記憶部２５は、情報処理装置１１が提供するサービスを利用するユーザに関するユーザ情報を記憶する。なお、ユーザ情報の内容は、例えば、年齢、性別、住所、職業等のユーザの属性などである。

特徴量ベクトル記憶部２６は、上述したように、各アイテムの特徴量ベクトルを記憶する。

関連マトリックス記憶部２７は、上述したように、関連マトリックスを記憶する。

［情報処理装置１１の処理］
次に、情報処理装置１１の処理について説明する。

（オフライン処理）
まず、図２のフローチャートを参照して、情報処理装置１１により実行されるオフライン処理について説明する。なお、この処理は、例えば定期的に実行される。

ステップＳ１において、特徴量ベクトル生成部３１は、メタデータに基づいて、各アイテムの特徴量ベクトルを生成する。すなわち、特徴量ベクトル生成部３１は、各アイテムのメタデータをそれぞれベクトル化した特徴量ベクトルを生成し、特徴量ベクトル記憶部２６に記憶させる。

なお、メタデータから特徴量ベクトルを生成する方法には、任意の方法を採用することができるが、その一例について簡単に説明する。

まず、特徴量ベクトル生成部３１は、メタデータから所定の属性毎に属性値を抽出する。ここで、属性とは、アイテムの特徴をその性質毎に分類するものであり、例えば、ジャンル、作者、キーワード等の項目が挙げられる。また、属性値とは、各属性の具体的な内容を示す値である。例えば、アイテムがテレビジョン番組の場合、属性”ジャンル”の属性値としては、例えば、アクション、コメディ、メロドラマ、スポーツ、ニュース、バラエティ、ノンフィクション等が挙げられる。

次に、特徴量ベクトル生成部３１は、TF-IDF（Term Frequency-Inverse Document Frequency）等の任意の手法を用いて、抽出した各属性値について、それぞれの影響度や重要度を表すスコアを算出する。そして、この属性値とスコアの組み合わせが、アイテムの特徴を表すアイテム特徴量となる。

そして、特徴量ベクトル生成部３１は、アイテム特徴量をベクトル表現した特徴量ベクトルを生成する。すなわち、特徴量ベクトルは、属性毎のベクトル（属性ベクトル）の合成ベクトルである。属性値は、属性ベクトルを構成する成分（座標軸）であり、各属性値のスコアは、各属性値成分の大きさを表す。

なお、この特徴量ベクトルの生成方法の詳細は、例えば、特開２０１１−１３５１８３号公報に開示されている。

ステップＳ２において、メタデータ拡充部３２は、メタデータ拡充処理を実行する。ここで、図３のフローチャートを参照して、メタデータ拡充処理の詳細について説明する。

ステップＳ２１において、メタデータ拡充部３２は、未処理のアイテムの中からメタデータを拡充する対象となる対象アイテムを選択する。

ステップＳ２２において、メタデータ拡充部３２は、対象アイテムに対して反応を示したユーザの他のアイテムへの反応に基づいて、メタデータを拡充する。そして、メタデータ拡充部３２は、対象アイテムの拡充後の特徴量ベクトル（以下、拡充特徴量ベクトルと称する）を特徴量ベクトル記憶部２６に記憶させる。

具体的には、メタデータ拡充部３２は、ログ記憶部２３に記憶されている反応ログを用いて、次式（１）により、対象ベクトルｉの特徴量ベクトルｑ_ｉを拡充した拡充特徴量ベクトルｑｅ_ｉを算出する。

なお、ｑ_ｋは、アイテムｋの特徴量ベクトルを表し、Ｍはユーザ数を表し、Ｎはアイテム数を表す。

また、ｐ_ｋ，ｖは、ユーザｖのアイテムｋに対する反応の有無を示す。例えば、ユーザｖがアイテムｋに対して過去に反応を示していない場合、ｐ_ｋ，ｖは０に設定され、過去に反応を示している場合、ｐ_ｋ，ｖは１に設定される。

従って、この拡充特徴量ベクトルｑｅ_ｉは、アイテムｉに反応を示したユーザ（以下、アイテムｉの反応者と称する）が反応を示した他のアイテムの特徴量ベクトルを加算したベクトル（特徴量ベクトルの和）となる。これにより、アイテムｉの反応者が反応を示した他のアイテムのメタデータにより、アイテムｉのメタデータが拡充される。

なお、ユーザがアイテムに対して反応を示したか否かの判断基準は、アイテムの種類等により異なる基準に設定される。例えば、ある種類のアイテムについては、”購入”のみがアイテムに対する反応とみなされ、別の種類のアイテムについては、”購入”、”情報の閲覧”、”評価の付与”がアイテムに対する反応とみなされる。

ここで、図４を参照して、ステップＳ２２の処理の具体例について説明する。

図４は、アイテム１０を買ったユーザの購買履歴に基づいて、アイテム１０のメタデータを拡充する場合の例を示している。アイテム１０は、ユーザ１及びユーザ２により購入されている。また、ユーザ１は、他にアイテム２とアイテム３を購入し、ユーザ２は、他にアイテム５とアイテム６を購入している。また、各アイテムとも、属性値Ａ乃至Ｃとそれらのスコアからなる特徴量ベクトルを有している。

例えば、式（１）により、アイテム１０の特徴量ベクトルを拡充する場合、アイテム１０の特徴量ベクトルに、アイテム１０を購入したユーザ１及びユーザ２が購入した他のアイテムの特徴量ベクトルが加算される。すなわち、アイテム２、３、５、６及び１０の特徴量ベクトルの和が、アイテム１０の拡充特徴量ベクトルとなる。

これにより、アイテム１０の特徴量ベクトルの属性値Ａ、Ｂ、Ｃのスコアは、拡充前の１、０、０から２０、２３、１３に変化する。このように、アイテム１０の特徴量ベクトルが、アイテム２、３、５及び６の特徴量ベクトルにより拡充される。その結果、間接的に、アイテム１０のメタデータが、アイテム２、３、５及び６のメタデータにより拡充される。

なお、式（１）のｐ_ｋ，ｖを、０又は１の２値ではなく、所定の範囲内の可変量とし、特徴量ベクトルを加算する際の重みとして用いるようにしてもよい。すなわち、ｐ_ｋ，ｖを、ユーザｖ、アイテムｋ、及び、反応（の内容）の組み合わせにより決まる重みとして用いるようにしてもよい。

例えば、ｐ_ｋ，ｖを反応の種類又は反応の度合いのうち少なくとも一方に応じた値（重み）に設定するようにしてもよい。例えば、アイテムｋに対する反応の種類ごとに、０から１までの範囲内でｐ_ｋ，ｖを設定したり、或いは、アイテムｋに対する反応のポジティブ度に応じて、０から１までの範囲内でｐ_ｋ，ｖを設定したりするようにしてもよい。ここで、ポジティブ度とは、例えば、ユーザのアイテムに対する嗜好、関心、評価等の高さを示すものである。また、例えば、アイテムｋに対する反応がネガティブな場合、その度合いであるネガティブ度に応じた大きさの負の値にｐ_ｋ，ｖを設定するようにしてもよい。

ｐ_ｋ，ｖを重みとして用いた場合の拡充特徴量ベクトルｑｅ_ｉは、アイテムｉの反応者が反応を示した他のアイテムの特徴量ベクトルを、その反応の種類や度合い等に応じて加算したものとなる。これにより、この拡充特徴量ベクトルｑｅ_ｉは、アイテムｉの反応者が反応を示した他のアイテムのメタデータにより、その反応の種類や度合い等に応じて、アイテムｉのメタデータが拡充される。

なお、以下、重みｐ_ｋ，ｖを特定のユーザ及び特定のアイテムについて表す必要がない場合、単に重みpと称する場合がある。

図３に戻り、ステップＳ２３において、メタデータ拡充部３２は、全てのアイテムのメタデータを拡充したか否かを判定する。まだ全てのアイテムのメタデータを拡充していないと判定された場合、処理はステップＳ２１に戻る。

その後、ステップＳ２３において、全てのアイテムのメタデータを拡充したと判定されるまで、ステップＳ２１乃至Ｓ２３の処理が繰り返し実行される。これにより、全てのアイテムの特徴量ベクトルが拡充され、その結果、全てのアイテムのメタデータが拡充される。

一方、ステップＳ２３において、全てのアイテムのメタデータを拡充したと判定された場合、メタデータ拡充処理は終了する。

図２に戻り、ステップＳ３において、類似度算出部３３は、拡充後のメタデータに基づいて、アイテム間の関連マトリックスを生成する。具体的には、類似度算出部３３は、各アイテムの拡充特徴量ベクトルに基づいて、各アイテム間の類似度を算出する。次式（２）は、アイテムｉとアイテムｊの類似度ｓｉｍ_ｉ，ｊの算出例を示している。

すなわち、ｓｉｍＡ_ｉ，ｊは、アイテムｉの拡充特徴量ベクトルｑｅ_ｉを正規化したベクトルと、アイテムｊの拡充特徴量ベクトルｑｅ_ｊを正規化したベクトルの内積（すなわち、ベクトル間の距離）により求められる。従って、ｓｉｍＡ_ｉ，ｊは、拡充特徴量ベクトルｑｅ_ｉと拡充特徴量ベクトルｑｅ_ｊの類似度を表す。

なお、ベクトルの正規化方法は、式（２）に示される方法に限定されるものではなく、任意の方法を用いることができる。例えば、ベクトルの各要素の合計が１になるように正規化したり、Ｌ２ノルムの大きさが１になるように正規化したりすることも可能である。

なお、以下、類似度ｓｉｍＡ_ｉ，ｊを特定のアイテム間について表す必要がない場合、単に類似度ｓｉｍＡと称する場合がある。

類似度算出部３３は、全てのアイテムの組み合わせについて、各アイテム間の類似度ｓｉｍＡを算出する。そして、類似度算出部３３は、各アイテム間の類似度ｓｉｍＡを表にした関連マトリックスを生成し、関連マトリックス記憶部２７に記憶させる。

その後、オフライン処理は終了する。

このようにして、各アイテムのメタデータを、他のアイテムのメタデータを用いて適切に拡充することができる。

（アイテム推薦処理）
次に、図５のフローチャートを参照して、情報処理装置１１により実行されるアイテム推薦処理について説明する。なお、この処理は、例えば、ユーザ（以下、対象ユーザと称する）が使用するクライアントからのアイテムの推薦の要求が、推薦部４３に送信されたとき開始される。

ステップＳ１０１において、推薦部４３は、関連マトリックスに基づいて、対象ユーザが反応を示したアイテムに類似するアイテムを抽出する。具体的には、推薦部４３は、対象ユーザに推薦する候補となる候補アイテム毎に、関連マトリックスに格納されている各アイテム間の類似度ｓｉｍＡに基づいて、対象ユーザの嗜好度の予測値を示すスコアを算出する。なお、候補アイテムは、例えば、対象ユーザがまだ反応を示していないアイテムの中から選択される。

次式（３）は、対象ユーザｕの候補アイテムｉに対する嗜好度の予測値を示すスコアｓｃＡ_ｉ，ｕの算出方法の例を示している。

すなわち、スコアｓｃＡ_ｉ，ｕは、候補アイテムｉとユーザｕが反応を示した各アイテムｊとの類似度ｓｉｍＡ_ｉ，ｊを加算したものである。従って、スコアｓｃＡ_ｉ，ｕは、候補アイテムｉと、ユーザｕが反応を示した他のアイテム群との拡充特徴量ベクトル（すなわち、拡充後のメタデータ）の類似度を表す。

なお、以下、スコアｓｃＡ_ｉ，ｕを特定のユーザ及び特定のアイテムについて表す必要がない場合、単にスコアｓｃＡと称する場合がある。

そして、推薦部４３は、スコアｓｃＡに基づいて、候補アイテムの中から対象ユーザに推薦する推薦アイテムを抽出する。例えば、推薦部４３は、スコアｓｃＡが所定の閾値以上のアイテムを推薦アイテムとして抽出する。或いは、例えば、推薦部４３は、スコアｓｃＡの高いものから順に所定の数のアイテムを推薦アイテムとして抽出する。

従って、対象ユーザが過去に反応を示したアイテム群と拡充特徴量ベクトル（すなわち、拡充後のメタデータ）が類似するアイテムが、推薦アイテムとして抽出される。

なお、式（３）では、候補アイテムｉと、ユーザｕが反応を示したアイテムｊの両方について、拡充特徴量ベクトルを用いているが、いずれか一方について、拡充前の特徴量ベクトルを用いるようにすることが可能である。すなわち、候補アイテムｉと、ユーザｕが反応を示したアイテムｊのいずれか一方について、拡充前のメタデータを用いて、スコアｓｃＡ_ｉ，ｕを算出することが可能である。

なお、拡充特徴量ベクトルを両方のアイテムに用いるのが有効か、いずれか一方のみに用いるのが有効かは、アイテムの種類等の条件により変化し、例えば、実験等により決定される。

ステップＳ１０２において、推薦部４３は、抽出したアイテムを対象ユーザに推薦する。例えば、推薦部４３は、抽出した推薦アイテムに関する情報を、要求元のクライアントに送信する。これにより、抽出した推薦アイテムに関する情報が、対象ユーザに提示される。

その後、アイテム推薦処理は終了する。

ここで、図６乃至図８を参照して、本技術を用いた場合と、従来のＣＢＦ及びＣＦを用いた場合とで、アイテム間の類似度を算出した結果を比較する。

例えば、ＣＢＦによりアイテムを推薦する場合、アイテムｉとアイテムｊの類似度ｓｉｍＢ_ｉ，ｊは、次式（４）を用いて算出される。

すなわち、類似度ｓｉｍＢ_ｉ，ｊは、アイテムｉの特徴量ベクトルｑ_ｉとアイテムｊの特徴量ベクトルｑ_ｊの内積（すなわち、ベクトル間の距離）により求められる。

また、ＣＢＦによりアイテムを推薦する場合、対象ユーザｕのアイテムｉに対する嗜好度の予測値を示すスコアｓｃＢ_ｉ，ｕは、次式（５）により算出される。

すなわち、スコアｓｃＢ_ｉ，ｕは、アイテムｉとユーザｕが反応を示した各アイテムｊとの類似度ｓｉｍＢ_ｉ，ｊを加算したものである。

一方、ＣＦによりアイテムを推薦する場合、アイテムｉとアイテムｊの類似度ｓｉｍＣ_ｉ，ｊは、次式（６）を用いて算出される。

すなわち、類似度ｓｉｍＣ_ｉ，ｊは、アイテムｉに反応を示したユーザとアイテムｕに反応を示したユーザが重複する割合を示している。

また、ＣＦによりアイテムを推薦する場合、対象ユーザｕのアイテムｉに対する嗜好度の予測値を示すスコアｓｃＣ_ｉ，ｕは、次式（７）により算出される。

すなわち、スコアｓｃＣ_ｉ，ｕは、アイテムｉとユーザｕが反応を示した各アイテムｊとの類似度ｓｉｍＣ_ｉ，ｊを加算したものである。

なお、以下、類似度ｓｉｍＢ_ｉ，ｊ、類似度ｓｉｍＣ_ｉ，ｊを特定のアイテム間について表す必要がない場合、単に類似度ｓｉｍＢ、類似度ｓｉｍＣと称する場合がある。

そして、図８は、図６のアイテム特徴量、及び、図７の購買履歴に基づいて、本技術における類似度ｓｉｍＡ、ＣＢＦにおける類似度ｓｉｍＢ、ＣＦにおける類似度ｓｉｍＣを算出した結果を示している。

具体的には、図６には、アイテム１乃至６のアイテム特徴量の例が示されている。アイテム１乃至６には、属性値１乃至１４とスコアの組み合わせからなるアイテム特徴量が付与されている。また、各スコアは、０（空欄）又は１のいずれかの値に設定される。すなわち、各スコアは、対応する属性値を有しないか（０）、有しているか（１）を表す。例えば、アイテム１は、属性値１、３、１１及び１２を有しており、アイテム２は、属性値３、８及び９を有している。

図７には、ユーザ１乃至６のアイテム１乃至６の購買履歴の例が示されている。値が１の欄は、ユーザが対応するアイテムを購入したことを示し、空欄は、ユーザが対応するアイテムを購入していないことを示す。例えば、ユーザ１は、アイテム３、５を購入し、ユーザ２は、アイテム２、５を購入している。

そして、図８は、図６のアイテム特徴量及び図７の購買履歴を用いて、アイテム１と他のアイテムの類似度ｓｉｍＡ（式（２））、ｓｉｍＢ（式（４））、及び、ｓｉｍＣ（式（６））を算出した結果を示している。

例えば、アイテム１とアイテム５では一致する属性値がないため、両者の間の類似度ｓｉｍＢの値は０になってしまう。このように、ＣＢＦを用いる場合、例えば、新着アイテムやUGC（User Generated Content）等のメタデータが少ないアイテムは、他のアイテムのメタデータと共通する部分が少ないため、他のアイテムとの類似度が低くなる傾向にある。従って、メタデータが少ないアイテムは、ユーザに推薦される確率が低くなったり、推薦精度が低下したりする。また、メタデータが少ないアイテムについては、そのアイテムを購入したユーザの購買特性による情報を、アイテムの推薦に十分に生かすことができない。

また、例えば、アイテム１とアイテム２、及び、アイテム１とアイテム４は、購入者が重複しないため、両者の間の類似度ｓｉｍＣの値は０になってしまう。このように、ＣＦを用いる場合、例えば、新着のアイテム等の購入者（購入履歴）が少ないアイテムは、他のアイテムと重複する購入者の数が少ないため、他のアイテムとの類似度が低くなる傾向にある。従って、購入者が少ないアイテムは、ユーザに推薦される確率が低くなったり、推薦精度が低下したりする。また、購入者が少ないアイテムについては、そのアイテムに付与されているメタデータに含まれる情報を、アイテムの推薦に十分に生かすことができない。

一方、本技術を適用した場合、一致する属性値がないアイテム１とアイテム５についても、それらのアイテムを購入したユーザが購入した他のアイテムのメタデータ（属性値）を用いて、両者の間の類似度ｓｉｍＡを求めることができる。

また、購入したユーザが重複しないアイテム１とアイテム２についても、それらのアイテムを購入したユーザが購入した他のアイテムのメタデータ（属性値）を用いて、両者の間の類似度ｓｉｍＡを求めることができる。これは、購入したユーザが重複しないアイテム１とアイテム４についても同様である。

従って、本技術を適当すれば、メタデータが少ないアイテムや、購買履歴等の反応ログが少ないアイテムについても、他のアイテムとの類似度を求め、ユーザに高い精度で推薦することが可能になる。

（アイテム検索処理）
次に、図９のフローチャートを参照して、情報処理装置１１により実行されるアイテム検索処理について説明する。この処理は、例えば、検索に用いるキーワードが検索部４２に与えられたとき開始される。

ステップＳ１５１において、検索部４２は、拡充後のメタデータに基づいて、与えられたキーワードと一致する属性値を有するアイテムを検索する。例えば、検索部４２は、特徴量ベクトル記憶部２６に記憶されている各アイテムの拡充特徴量ベクトルにおいて、キーワードと一致する属性値のスコアが０より大きいアイテムを検索する。

ステップＳ１５２において、検索部４２は、検索結果を出力する。例えば、検索部４２は、ステップＳ１５１において検索したアイテムを、キーワードと一致する属性値のスコアが高い順に並べたものを検索結果として、検索結果の要求元に出力する。

その後、検索処理は終了する。

これにより、もともとアイテムに与えられているメタデータだけでなく、他のアイテムのメタデータを用いて拡充したメタデータに基づいて、アイテムを検索することが可能になる。より具体的には、例えば、与えられたキーワードを拡充後のメタデータに含むアイテムを検索することが可能になる。その結果、検索精度を高めたり、より多くのアイテムを検索したりすることが可能になる。

なお、例えば、検索したアイテムとともに、拡充後のメタデータに含まれるキーワード（例えば、属性値）をタグクラウド等の方法により表示するようにすることも可能である。

＜２．変形例＞
以下、上述した本技術の実施の形態の変形例について説明する。

［変形例１：メタデータ（特徴量ベクトル）の拡充に用いる反応ログに関する変形例］
上述した式（１）では、アイテムｉの特徴量ベクトルを拡充する場合に、アイテムｉ（対象アイテム）の反応者ｖが反応を示した他のアイテムの特徴量ベクトルを全て加算する例を示した。すなわち、全ユーザの全ての反応ログを使用して、アイテムｉのメタデータを拡充する例を示した。これに対して、使用する反応ログの範囲を限定して、アイテムｉのメタデータを拡充するようにしてもよい。

例えば、使用する反応ログの期間を限定するようにしてもよい。例えば、反応者が対象アイテムに反応を示した時期を含む所定の期間内（例えば、反応者が対象アイテムに反応を示した時期の前後の所定の期間内）の反応ログのみを用いるようにしてもよい。これにより、反応者が対象アイテムに反応を示した時期を含む所定の期間内に反応したアイテムのメタデータのみを用いて、対象アイテムのメタデータを拡充することができる。

或いは、例えば、反応者が対象アイテムに反応する直前又は対象アイテムに反応した直後に反応を示した所定の数の反応ログのみを用いるようにしてもよい。これにより、反応者が対象アイテムに反応する直前又は対象アイテムに反応した直後に反応を示した所定の数のアイテムのメタデータのみを用いて、対象アイテムのメタデータを拡充することができる。

一般的に、ユーザは、例えば、同じ時期に関連するアイテムを購入したり、関連するアイテムに興味を示したりと、同じ時期に同じ傾向のアイテムに関心を示す傾向があると想定される。そこで、以上のように、使用する反応ログの期間を限定することにより、対象アイテムに類似する可能性がより高いアイテムのみを用いて、メタデータを拡充することができる。

また、例えば、使用する反応ログのユーザの範囲を限定するようにしてもよい。例えば、ユーザの属性（例えば、年齢、性別、居住地、国籍、職業等）を用いたり、購買傾向等によるクラスタリングにより、ユーザを複数のグループに分類し、所定のグループに属するユーザの反応ログのみを用いるようにしてもよい。その結果、反応者を所定のグループに属するユーザに限定して、対象アイテムのメタデータを拡充することができる。

これにより、例えば、特定のグループのユーザの観点（例えば、行動や価値観等）に基づいて、対象アイテムのメタデータを拡充することができる。また、例えば、ユーザのグループ毎に複数の観点で対象アイテムのメタデータを拡充することが可能になり、それらを使い分けることが可能になる。

例えば、ユーザの世代毎に分けてアイテムのメタデータを拡充し、アイテムを推薦するユーザの年齢に応じて、使用する拡充後のメタデータを使い分けることが考えられる。また、例えば、ある年代に対してアイテムを推薦する場合に、その年代にとって相応しくないアイテムのメタデータが、メタデータの拡充に用いられることを防止することができる。

また、例えば、使用する反応ログのアイテムの範囲を限定するようにしてもよい。例えば、アイテムの属性（例えば、ジャンル等）を用いたり、クラスタリングを用いたりして、アイテムを所定の方法により複数のグループに分類し、対象アイテムが属するグループのアイテムに対する反応ログのみを用いるようにしてもよい。これにより、対象アイテムと同じグループに属するアイテムのメタデータを用いて、対象アイテムのメタデータを拡充することができる。

例えば、同じユーザが反応を示したアイテムであっても、ジャンルが異なれば、それらのアイテムは異なる性質を有する可能性が高い。そこで、例えば、対象アイテムと同じジャンルのアイテムに対する反応ログのみを使用し、対象アイテムとジャンルが異なるアイテムの反応ログは使用しないようにしてもよい。これにより、対象アイテムと同じジャンルに属するアイテムのメタデータを用いて、対象アイテムのメタデータを拡充することができる。

［変形例２：メタデータ（特徴量ベクトル）の拡充に用いる重みｐに関する変形例］
以上の説明では、反応の種類や度合いに基づいて、式（１）の重みｐを設定する例を示したが、その他の条件を用いて重みｐを設定するようにしてもよい。

例えば、反応者が反応を示した時期が対象アイテムに反応を示した時期に近いアイテムに対する重みｐを大きくするようにしてもよい。例えば、反応者が反応を示した時期が対象アイテムに反応を示した時期に近いアイテムほど、重みｐを大きくし、反応者が反応を示した時期が対象アイテムに反応を示した時期から遠いアイテムほど、重みｐを小さくするようにしてもよい。

また、例えば、反応者毎に重みｐを設定するようにしてもよい。より具体的には、例えば、反応者が属するグループに応じて重みｐを設定するようにしてもよい。例えば、年齢が２０代のグループに属する反応者に対する重みｐを、他の年代のグループに属する反応者に対する重みｐより大きくしたり、或いは、小さくしたりすることが考えられる。これにより、特定のユーザが反応を示したアイテムのメタデータをより重視又は軽視して対象アイテムのメタデータを拡充することができる。

さらに、例えば、反応者が反応を示したアイテムの数に応じて重みｐを設定するようにしてもよい。例えば、反応を示したアイテムの数が多いユーザほど、重みｐを小さく設定し、反応を示したアイテムの数が少ないユーザほど、重みｐを大きく設定するようにしてもよい。具体的には、例えば、反応を示したアイテムの数がｎのユーザに対する重みｐを１／ｎに設定することが考えられる。これにより、メタデータを拡充する際に、反応を示したアイテムの数が多いユーザ（例えば、ヘビーユーザ）の影響が過度になることを防止することができる。

また、例えば、対象アイテムと類似するアイテムの重みｐを大きくするようにしてもよい。例えば、対象アイテムと同じ又は類似するジャンルのアイテムに対する重みｐを他のジャンルのアイテムに対する重みｐより大きくするようにしてもよい。これにより、対象アイテムと類似するアイテムのメタデータをより重視して対象アイテムのメタデータを拡充することができる。

さらに、例えば、対象アイテムに対する重みｐを、他のアイテムに対する重みｐと異なる値に設定するようにしてもよい。例えば、対象アイテムに対する重みｐを、他のアイテムに対する重みｐより大きくするようにしてもよい。

或いは、例えば、対象アイテムに対する重みｐを０に設定して、対象アイテムの特徴量ベクトルを拡充する際に、対象アイテム自身の特徴量ベクトルを加算しないようにしてもよい。これにより、対象アイテムのメタデータの拡充に、対象アイテム自身のメタデータが用いられないようになる。

なお、対象アイテム自身の特徴量ベクトルの使用の有無、或いは、対象アイテムに対する重みｐは、アイテムの種類等の条件により変化し、例えば、実験等により決定される。

［変形例３：その他の変形例］
例えば、対象アイテムの反応者が反応を示した他のアイテムのメタデータを用いて、先に対象アイテムのメタデータを拡充した後、拡充後のメタデータに基づいて特徴量ベクトルを生成するようにしてもよい。

なお、以上の各変形例は、必要に応じて、組み合わせて使用することができる。

［コンピュータの構成例］
上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、コンピュータにインストールされる。ここで、コンピュータには、専用のハードウエアに組み込まれているコンピュータや、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどが含まれる。

図１０は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。

コンピュータにおいて、CPU（Central Processing Unit）２０１，ROM（Read Only Memory）２０２，RAM（Random Access Memory）２０３は、バス２０４により相互に接続されている。

バス２０４には、さらに、入出力インタフェース２０５が接続されている。入出力インタフェース２０５には、入力部２０６、出力部２０７、記憶部２０８、通信部２０９、及びドライブ２１０が接続されている。

入力部２０６は、キーボード、マウス、マイクロフォンなどよりなる。出力部２０７は、ディスプレイ、スピーカなどよりなる。記憶部２０８は、ハードディスクや不揮発性のメモリなどよりなる。通信部２０９は、ネットワークインタフェースなどよりなる。ドライブ２１０は、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリなどのリムーバブルメディア２１１を駆動する。

以上のように構成されるコンピュータでは、CPU２０１が、例えば、記憶部２０８に記憶されているプログラムを、入出力インタフェース２０５及びバス２０４を介して、RAM２０３にロードして実行することにより、上述した一連の処理が行われる。

コンピュータ（CPU２０１）が実行するプログラムは、例えば、パッケージメディア等としてのリムーバブルメディア２１１に記録して提供することができる。また、プログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供することができる。

コンピュータでは、プログラムは、リムーバブルメディア２１１をドライブ２１０に装着することにより、入出力インタフェース２０５を介して、記憶部２０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部２０９で受信し、記憶部２０８にインストールすることができる。その他、プログラムは、ROM２０２や記憶部２０８に、あらかじめインストールしておくことができる。

なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。

また、本明細書において、システムとは、複数の構成要素（装置、モジュール（部品）等）の集合を意味し、すべての構成要素が同一筐体中にあるか否かは問わない。したがって、別個の筐体に収納され、ネットワークを介して接続されている複数の装置、及び、１つの筐体の中に複数のモジュールが収納されている１つの装置は、いずれも、システムである。

さらに、本技術の実施の形態は、上述した実施の形態に限定されるものではなく、本技術の要旨を逸脱しない範囲において種々の変更が可能である。

例えば、本技術は、１つの機能をネットワークを介して複数の装置で分担、共同して処理するクラウドコンピューティングの構成をとることができる。

また、上述のフローチャートで説明した各ステップは、１つの装置で実行する他、複数の装置で分担して実行することができる。

さらに、１つのステップに複数の処理が含まれる場合には、その１つのステップに含まれる複数の処理は、１つの装置で実行する他、複数の装置で分担して実行することができる。

また、例えば、本技術は以下のような構成も取ることができる。

（１）
メタデータを拡充する対象となるアイテムである対象アイテムに対して反応を示したユーザである反応者が反応を示した他のアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充するメタデータ拡充部を
備える情報処理装置。
（２）
前記メタデータ拡充部は、前記反応者が前記対象アイテムに反応を示した時期を含む所定の期間内に反応を示したアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充する
前記（１）に記載の情報処理装置。
（３）
前記メタデータ拡充部は、前記反応者が前記対象アイテムに反応を示す直前又は前記対象アイテムに反応を示した直後に反応を示した所定の数のアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充する
前記（１）に記載の情報処理装置。
（４）
前記メタデータ拡充部は、前記反応者を特定のグループに属するユーザに限定して、前記対象アイテムのメタデータを拡充する
前記（１）乃至（３）のいずれかに記載の情報処理装置。
（５）
前記メタデータ拡充部は、各アイテムを所定の方法により分類した場合に前記対象アイテムと同じグループに属するアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充する
前記（１）乃至（４）のいずれかに記載の情報処理装置。
（６）
前記メタデータ拡充部は、前記反応者が反応を示した各アイテムのメタデータにそれぞれ基づく特徴量ベクトルを加算して拡充することにより、前記対象アイテムのメタデータを拡充する
前記（１）乃至（５）のいずれかに記載の情報処理装置。
（７）
前記メタデータ拡充部は、前記反応者が反応を示した時期が前記対象アイテムに反応を示した時期に近いアイテムに対する重みを大きくして前記特徴量ベクトルを加算する
前記（６）に記載の情報処理装置。
（８）
前記メタデータ拡充部は、反応の種類又は反応の度合いのうち少なくとも一方に応じた重みをつけて前記特徴量ベクトルを加算する
前記（６）又は（７）に記載の情報処理装置。
（９）
前記メタデータ拡充部は、前記反応者毎に重みをつけて前記特徴量ベクトルを加算する
前記（６）乃至（８）のいずれかに記載の情報処理装置。
（１０）
前記メタデータ拡充部は、各前記反応者が反応を示したアイテムの数に応じた重みをつけて前記特徴量ベクトルを加算する
前記（９）に記載の情報処理装置。
（１１）
前記メタデータ拡充部は、前記対象アイテムと類似するアイテムの重みを大きくして前記特徴量ベクトルを加算する
前記（６）乃至（１０）のいずれかに記載の情報処理装置。
（１２）
前記メタデータ拡充部は、前記対象アイテムの前記特徴量ベクトルに対する重みを他のアイテムの前記特徴ベクトルに対する重みと異なる値に設定する
前記（６）乃至（１１）のいずれかに記載の情報処理装置。
（１３）
前記メタデータ拡充部は、前記対象アイテムの前記特徴量ベクトルを加算しない
前記（６）乃至（１１）のいずれかに記載の情報処理装置。
（１４）
推薦する対象となるユーザである対象ユーザに推薦する候補となるアイテムである候補アイテム毎に、前記対象ユーザが反応を示した各アイテムとの間の前記特徴量ベクトルの類似度を加算したスコアを算出し、前記スコアに基づいて前記対象ユーザにアイテムを推薦するとともに、前記スコアを算出する際に、前記候補アイテム、又は、前記対象ユーザが反応を示したアイテムのうち少なくとも一方について、拡充後の前記特徴量ベクトルを用いる推薦部を
さらに備える前記（６）乃至（１３）のいずれかに記載の情報処理装置。
（１５）
与えられたキーワードを拡充後のメタデータに含むアイテムを検索する検索部を
さらに備える前記（１）乃至（１４）のいずれかに記載の情報処理装置。
（１６）
メタデータを拡充する対象となるアイテムである対象アイテムに対して反応を示したユーザである反応者が反応を示した他のアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充するメタデータ拡充ステップを
含む情報処理装置の情報処理方法。
（１７）
メタデータを拡充する対象となるアイテムである対象アイテムに対して反応を示したユーザである反応者が反応を示した他のアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充するメタデータ拡充ステップを
含む処理をコンピュータに実行させるためのプログラム。

１１ 情報処理装置， ２１ オフライン処理系， ２２ オンライン処理系， ２３ ログ記憶部， ２４ メタデータ記憶部， ２５ ユーザ情報記憶部， ２６ 特徴量ベクトル記憶部， ２７ 関連マトリックス記憶部， ３１ 特徴量ベクトル生成部， ３２ メタデータ拡充部， ３３ 類似度算出部， ４１ ログ収集部， ４２ 検索部， ４３ 推薦部

Claims (17)

1. メタデータを拡充する対象となるアイテムである対象アイテムに対して反応を示したユーザである反応者が反応を示した他のアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充するメタデータ拡充部を
   備える情報処理装置。
2. 前記メタデータ拡充部は、前記反応者が前記対象アイテムに反応を示した時期を含む所定の期間内に反応を示したアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充する
   請求項１に記載の情報処理装置。
3. 前記メタデータ拡充部は、前記反応者が前記対象アイテムに反応を示す直前又は前記対象アイテムに反応を示した直後に反応を示した所定の数のアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充する
   請求項１に記載の情報処理装置。
4. 前記メタデータ拡充部は、前記反応者を所定のグループに属するユーザに限定して、前記対象アイテムのメタデータを拡充する
   請求項１に記載の情報処理装置。
5. 前記メタデータ拡充部は、各アイテムを所定の方法により分類した場合に前記対象アイテムと同じグループに属するアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充する
   請求項１に記載の情報処理装置。
6. 前記メタデータ拡充部は、前記反応者が反応を示した各アイテムのメタデータにそれぞれ基づく特徴量ベクトルを加算して拡充することにより、前記対象アイテムのメタデータを拡充する
   請求項１に記載の情報処理装置。
7. 前記メタデータ拡充部は、前記反応者が反応を示した時期が前記対象アイテムに反応を示した時期に近いアイテムに対する重みを大きくして前記特徴量ベクトルを加算する
   請求項６に記載の情報処理装置。
8. 前記メタデータ拡充部は、反応の種類又は反応の度合いのうち少なくとも一方に応じた重みをつけて前記特徴量ベクトルを加算する
   請求項６に記載の情報処理装置。
9. 前記メタデータ拡充部は、前記反応者毎に重みをつけて前記特徴量ベクトルを加算する
   請求項６に記載の情報処理装置。
10. 前記メタデータ拡充部は、各前記反応者が反応を示したアイテムの数に応じた重みをつけて前記特徴量ベクトルを加算する
    請求項９に記載の情報処理装置。
11. 前記メタデータ拡充部は、前記対象アイテムと類似するアイテムの重みを大きくして前記特徴量ベクトルを加算する
    請求項６に記載の情報処理装置。
12. 前記メタデータ拡充部は、前記対象アイテムの前記特徴量ベクトルに対する重みを他のアイテムの前記特徴ベクトルに対する重みと異なる値に設定する
    請求項６に記載の情報処理装置。
13. 前記メタデータ拡充部は、前記対象アイテムの前記特徴量ベクトルを加算しない
    請求項６に記載の情報処理装置。
14. 推薦する対象となるユーザである対象ユーザに推薦する候補となるアイテムである候補アイテム毎に、前記対象ユーザが反応を示した各アイテムとの間の前記特徴量ベクトルの類似度を加算したスコアを算出し、前記スコアに基づいて前記対象ユーザにアイテムを推薦するとともに、前記スコアを算出する際に、前記候補アイテム、又は、前記対象ユーザが反応を示したアイテムのうち少なくとも一方について、拡充後の前記特徴量ベクトルを用いる推薦部を
    さらに備える請求項６に記載の情報処理装置。
15. 与えられたキーワードを拡充後のメタデータに含むアイテムを検索する検索部を
    さらに備える請求項１に記載の情報処理装置。
16. メタデータを拡充する対象となるアイテムである対象アイテムに対して反応を示したユーザである反応者が反応を示した他のアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充するメタデータ拡充ステップを
    含む情報処理装置の情報処理方法。
17. メタデータを拡充する対象となるアイテムである対象アイテムに対して反応を示したユーザである反応者が反応を示した他のアイテムのメタデータを用いて、前記対象アイテムのメタデータを拡充するメタデータ拡充ステップを
    含む処理をコンピュータに実行させるためのプログラム。

Images