JP2015162114A - 購買意欲学習装置、購買予測装置、方法、及びプログラム - Google Patents

Abstract

【課題】顧客の商品の購買意欲及び減衰度合いを精度よく推定することができる。【解決手段】取得部１０により、顧客購買情報の集合と、顧客閲覧情報の集合とを取得し、顧客興味学習処理部３２により、顧客及び前記商品の組み合わせの各々について、顧客及び前記商品の組み合わせの顧客が商品を購買する確率を推定し、購買意欲学習処理部３４により、顧客購買情報、及び顧客閲覧情報と、顧客及び前記商品の組み合わせの各々の顧客が商品を購買する確率と、顧客及び商品の組み合わせの各々についての顧客の商品に対する短期購買意欲と、顧客の各々についての短期購買意欲の減衰度合いを表す記憶度と、に基づいて求められる尤度を最大化するように、顧客及び商品の組み合わせの各々についての短期購買意欲と、顧客の各々についての記憶度と、を推定する。【選択図】図１

Description

本発明は、購買意欲学習装置、購買予測装置、方法、及びプログラムに係り、特に、過去の購買行動に基づいて、顧客が購買する商品を予測するための購買意欲学習装置、購買予測装置、方法、及びプログラムに関する。

従来技術として、ＥＣサイトにおいて顧客が何を購入するかを予測する方法が知られている（非特許文献１）。また、電子書籍販売サイトにおいて顧客の興味が時間的に変化するものとして扱う方法が知られている（非特許文献２）。

Wang, Jian and Zhang, Yi, "Opportunity Models for E-Commerce Recommendation: Right Product, Right Time", Proceedings of the 36th International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR '13, 2013, ACM Tomoharu Iwata, Shinji Watanabe, Takeshi Yamada, Naonori Ueda, "Topic Tracking Model for Analyzing Consumer Purchase Behavior", Proc. of 21st International Joint Conference on Artificial Intelligence (IJCAI-09), 1427-1432, 2009

しかし、非特許文献１記載の技術は、顧客が自発的にどの商品を見たか、という情報が用いられておらず、顧客の閲覧行動と購買行動とにはどのような関係性があるのかが把握できない。そのため、閲覧行動に連動した商品提示などをどのように行うべきかが把握できないという問題点が存在する。

また、非特許文献２記載の技術は、時間経過によって好みが変化することのみが扱われており、どの程度の時間が経過すると顧客が以前の行動で得られた商品に対する印象を忘れるか、という点が分からないという問題点がある。

本発明では、上記問題点を解決するために成されたものであり、顧客の商品の購買意欲及び減衰度合いを精度よく推定することができる購買意欲学習装置、方法、及びプログラムを提供することを目的とする。

また、本発明では、顧客の商品の購買予測を精度よく行うことができる購買予測装置、方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、第１の発明に係る購買意欲学習装置は、顧客を識別するための顧客識別情報、前記顧客が購買した商品を識別するための購買商品識別情報、及び前記顧客が前記商品を購買した購買時刻を含む顧客購買情報の集合と、前記顧客識別情報、前記顧客が閲覧した商品を識別するための閲覧商品識別情報、及び前記顧客が前記商品を閲覧した閲覧時刻を含む顧客閲覧情報の集合と、を取得する取得手段と、前記顧客及び前記商品の組み合わせの各々について、前記取得手段により取得した前記顧客購買情報の集合に基づいて求められた、前記顧客の興味に基づく各トピックに帰属する確率を表す確率分布と、前記各トピックについて前記トピックにおける前記商品が購買される確率を表す確率分布とに基づいて、前記顧客及び前記商品の組み合わせの前記顧客が前記商品を購買する確率を推定する顧客興味学習手段と、前記取得手段により取得した前記顧客購買情報、及び前記顧客閲覧情報と、前記顧客興味学習手段により推定された前記顧客及び前記商品の組み合わせの各々の前記顧客が前記商品を購買する確率と、前記顧客及び前記商品の組み合わせの各々について前記顧客が前記商品を閲覧してから当該商品を購入しようとする意欲の大きさを表す短期購買意欲と、前記顧客の各々についての前記短期購買意欲の減衰度合いを表す記憶度とに基づいて求められる尤度を最大化するように、前記顧客及び前記商品の組み合わせの各々についての前記短期購買意欲と、前記顧客の各々についての前記記憶度と、を推定する購買意欲学習手段と、を含んで構成されている。

第２の発明に係る購買意欲学習方法は、取得手段と、顧客興味学習手段と、購買意欲学習手段とを含む、購買意欲学習装置における購買意欲学習方法であって、前記取得手段が、顧客を識別するための顧客識別情報、前記顧客が購買した商品を識別するための購買商品識別情報、及び前記顧客が前記商品を購買した購買時刻を含む顧客購買情報の集合と、前記顧客識別情報、前記顧客が閲覧した商品を識別するための閲覧商品識別情報、及び前記顧客が前記商品を閲覧した閲覧時刻を含む顧客閲覧情報の集合と、を取得し、前記顧客興味学習手段が、前記顧客及び前記商品の組み合わせの各々について、前記取得手段により取得した前記顧客購買情報の集合に基づいて求められた、前記顧客の興味に基づく各トピックに帰属する確率を表す確率分布と、前記各トピックについて前記トピックにおける前記商品が購買される確率を表す確率分布とに基づいて、前記顧客及び前記商品の組み合わせの前記顧客が前記商品を購買する確率を推定し、前記購買意欲学習手段は、前記取得手段により取得した前記顧客購買情報、及び前記顧客閲覧情報と、前記顧客興味学習手段により推定された前記顧客及び前記商品の組み合わせの各々の前記顧客が前記商品を購買する確率と、前記顧客及び前記商品の組み合わせの各々について前記顧客が前記商品を閲覧してから当該商品を購入しようとする意欲の大きさを表す短期購買意欲と、前記顧客の各々についての前記短期購買意欲の減衰度合いを表す記憶度とに基づいて求められる尤度を最大化するように、前記顧客及び前記商品の組み合わせの各々についての前記短期購買意欲と、前記顧客の各々についての前記記憶度と、を推定する。

第１及び第２の発明によれば、取得手段により、顧客購買情報の集合と、顧客閲覧情報の集合とを取得し、顧客興味学習手段により、顧客及び商品の組み合わせの各々について、顧客購買情報の集合に基づいて求められた、顧客の興味に基づく各トピックに帰属する確率を表す確率分布と、各トピックについてトピックにおける商品が購買される確率を表す確率分布とに基づいて、顧客及び商品の組み合わせの顧客が商品を購買する確率を推定し、購買意欲学習手段により、顧客購買情報、及び顧客閲覧情報と、顧客及び商品の組み合わせの各々の顧客が商品を購買する確率と、顧客及び商品の組み合わせの各々について顧客が商品を閲覧してからその商品を購入しようとする意欲の大きさを表す短期購買意欲と、顧客の各々についての短期購買意欲の減衰度合いを表す記憶度とに基づいて求められる尤度を最大化するように、顧客及び商品の組み合わせの各々についての短期購買意欲と、顧客の各々についての記憶度と、を推定する。

このように、顧客及び商品の組み合わせの各々について、顧客及び商品の組み合わせの顧客が商品を購買する確率を推定し、顧客購買情報の集合及び顧客閲覧情報の集合と、顧客及び商品の組み合わせの各々の顧客が商品を購買する確率と、顧客及び商品の組み合わせの各々について顧客が商品を閲覧してからその商品を購入しようとする意欲の大きさを表す短期購買意欲と、顧客の各々についての短期購買意欲の減衰度合いを表す記憶度とに基づいて求められる尤度を最大化するように、顧客及び商品の組み合わせの各々についての短期購買意欲と、顧客の各々についての記憶度と、を推定することにより、顧客の商品の短期購買意欲及び減衰度合いを精度よく推定することができる。

第３の発明に係る購買予測装置は、予測対象の顧客を識別するための予測対象顧客識別情報及び予測時刻を含む予測顧客情報と、予測対象の顧客の前記顧客閲覧情報とを取得する取得手段と、前記取得手段により取得された前記予測対象の顧客の前記顧客閲覧情報と、第１の発明に係る購買意欲学習装置によって推定された、前記商品の各々についての前記予測対象の顧客が前記商品を購買する確率、前記商品の各々に対する前記予測対象の顧客の短期購買意欲、及び前記予測対象の顧客の記憶度と、に基づいて、前記商品の各々について、前記予測対象の顧客が前記商品を閲覧した時刻に基づく前記予測対象の顧客が前記予測時刻において前記商品を購買する可能性を示すスコアを計算する顧客購買確率計算手段と、を含んで構成されている。

第４の発明に係る購買予測方法は、取得手段と、顧客購買確率計算手段と、を含む購買予測装置における購買予測方法であって、前記取得手段は、予測対象の顧客を識別するための予測対象顧客識別情報及び予測時刻を含む予測顧客情報と、予測対象の顧客の前記顧客閲覧情報とを取得し、前記顧客購買確率計算手段は、前記取得手段により取得された前記予測対象の顧客の前記顧客閲覧情報と、第２の発明に係る購買意欲学習方法によって推定された、前記商品の各々についての前記予測対象の顧客が前記商品を購買する確率、前記商品の各々に対する前記予測対象の顧客の短期購買意欲、及び前記予測対象の顧客の記憶度と、に基づいて、前記商品の各々について、前記予測対象の顧客が前記商品を閲覧した時刻に基づく前記予測対象の顧客が前記予測時刻において前記商品を購買する可能性を示すスコアを計算する。

第３及び第４の発明によれば、取得手段により、予測顧客情報と、予測対象の顧客の顧客閲覧情報とを取得し、顧客購買確率計算手段により、予測対象の顧客の顧客閲覧情報と、推定された、商品の各々についての予測対象の顧客が商品を購買する確率、商品の各々に対する予測対象の顧客の短期購買意欲、及び予測対象の顧客の記憶度と、に基づいて、商品の各々について、予測対象の顧客が商品を閲覧した時刻に基づく予測対象の顧客が予測時刻において商品を購買する可能性を示すスコアを計算する。

このように、予測顧客情報と、予測対象の顧客の顧客閲覧情報とを取得し、予測対象の顧客の顧客閲覧情報と、推定された、商品の各々についての予測対象の顧客が商品を購買する確率、商品の各々に対する予測対象の顧客の短期購買意欲、及び予測対象の顧客の記憶度と、に基づいて、商品の各々について、予測対象の顧客が商品を閲覧した時刻に基づく予測対象の顧客が予測時刻において商品を購買する可能性を示すスコアを計算することにより、顧客の商品の購買予測を精度よく行うことができる。

また、本発明のプログラムは、コンピュータを、上記の購買意欲学習装置又は購買予測装置を構成する各手段として機能させるためのプログラムである。

以上説明したように、本発明の購買意欲学習装置、方法、及びプログラムによれば、顧客及び商品の組み合わせの各々について、顧客及び商品の組み合わせの顧客が商品を購買する確率を推定し、顧客購買情報、及び顧客閲覧情報と、顧客及び商品の組み合わせの各々の顧客が商品を購買する確率と、顧客及び商品の組み合わせの各々についての顧客が商品を閲覧してからその商品を購入しようとする意欲の大きさを表す短期購買意欲と、顧客の各々についての短期購買意欲の減衰度合いを表す記憶度とに基づいて求められる尤度を最大化するように、顧客及び商品の組み合わせの各々についての短期購買意欲と、顧客の各々についての記憶度と、を推定することにより、顧客の商品の短期購買意欲及び減衰度合いを精度よく推定することができる。

また、本発明の購買予測装置、方法、及びプログラムによれば、予測顧客情報と、予測対象の顧客の顧客閲覧情報とを取得し、予測対象の顧客の顧客閲覧情報と、推定された、商品の各々についての予測対象の顧客が商品を購買する確率、商品の各々に対する予測対象の顧客の短期購買意欲、及び予測対象の顧客の記憶度と、に基づいて、商品の各々について、予測対象の顧客が商品を閲覧した時刻に基づく予測対象の顧客が予測時刻において商品を購買する可能性を示すスコアを計算することにより、顧客の商品の購買予測を精度よく行うことができる。

本発明の実施の形態に係る購買意欲学習装置の機能的構成を示すブロック図である。 顧客購買情報の例を示す図である。 顧客閲覧情報の例を示す図である。 各顧客が各商品を購買する確率を表す確率分布と、顧客の商品に対する短期購買意欲と、顧客の記憶度との例を示す図である。 本発明の実施の形態に係る購買予測装置の機能的構成を示すブロック図である。 購買予測確率の例を示す図である。 本発明の実施の形態に係る購買意欲学習装置における購買意欲学習処理ルーチンを示す図である。 本発明の実施の形態に係る購買予測装置における購買予測処理ルーチンを示す図である。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

＜本発明の実施の形態に係る購買意欲学習装置の構成＞
次に、本発明の実施の形態に係る購買意欲学習装置の構成について説明する。図１に示すように、本発明の実施の形態に係る購買意欲学習装置１００は、ＣＰＵと、ＲＡＭと、後述する購買意欲学習処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この購買意欲学習装置１００は、機能的には図１に示すように取得部１０と、演算部２０と、出力部９０とを備えている。

取得部１０は、商品を購買した顧客を識別する顧客識別情報（顧客ｉｄ）、顧客が購買した商品を識別する購買商品識別情報（商品ｉｄ）、及び顧客が商品を購買した購買時刻の組み合わせを示す顧客購買情報の集合と、商品を閲覧した顧客を識別する顧客識別情報（顧客ｉｄ）、顧客が閲覧した商品を識別する閲覧商品識別情報（商品ｉｄ）、及び顧客が商品を閲覧した閲覧時刻の組み合わせを示す顧客閲覧情報の集合と、を取得する。なお、図２に顧客購買情報の例を示し、図３に顧客閲覧情報の例を示す。

演算部２０は、購買行動予測モデル学習部３０と、パラメータ記憶部４０と、を備えている。

購買行動予測モデル学習部３０は、取得部１０により取得した顧客購買情報の集合と顧客閲覧情報の集合とに基づく学習の結果として、各顧客が各商品を購買する確率を表す確率分布と、顧客及び商品の組み合わせの各々についての、顧客が商品を閲覧してからその商品を購入しようとする意欲の大きさを表す短期購買意欲と、顧客の各々についての短期購買意欲の減衰度合いを表す記憶度とを出力する。また、購買行動予測モデル学習部３０は、顧客興味学習処理部３２と、購買意欲学習処理部３４と、を備えている。

顧客興味学習処理部３２は、取得部１０において取得した顧客購買情報の集合に基づいて、各顧客が各商品を購買する確率を表す確率分布を推定する。ここで、顧客購買情報ＢｕｙＬｏｇ_iは、顧客ｉが購入した商品集合を表し、顧客ｉｄ（変数ｉ）、商品ｉｄ（変数ｂ）、及び購買時刻（変数ｔ）を用いて、以下のように表される。

顧客購買情報の集合とは、全ての顧客（総顧客数はＮとする。）のＢｕｙＬｏｇの集合で構成された購買情報ＡｌｌＢｕｙＬｏｇｓ＝＜ＢｕｙＬｏｇ_１，ＢｕｙＬｏｇ_２，…ＢｕｙＬｏｇ_Ｎ＞である。また、Ｂ_ｉは顧客ｉの総購買商品数であり、顧客は同じ商品を複数回購買することが考えられるため、Ｂ_ｉの値は総商品数Ｓの値以上を取り得る。なお、購買時刻は、例えばｕｎｉｘ ｔｉｍｅで表現されるものとする。

具体的には、顧客興味学習処理部３２は、取得部１０において取得した顧客購買情報の集合に基づいて、顧客ｉ及び商品ｂの組み合わせごとに、当該顧客ｉが商品ｂを購買する確率Ｐ_ＬＤＡ（ｂ｜ｉ）を推定し、各顧客が各商品を購買する確率を表す確率分布を推定する。

顧客が商品を購買する確率については、Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａｔｉｏｎ（ＬＤＡ）を用いて学習する（非特許文献３：David M. Blei, Andrew Y. Ng, and Michael I. Jordan, "Latent Dirichlet Allocation", The Journal of Machine Learning Research, 3, pp.993-1022 (March 2003).）。ＬＤＡによって、顧客ｉの興味に基づく商品集合（トピック）ｚの各々に帰属する確率を表す確率分布θ（ｚ｜ｉ）と、各トピックｚにおける商品ｂが購買される確率を表す確率分布φ（ｂ｜ｚ）とが得られる。ここで、ｚは顧客ｉが商品ｂを購買する行動における顧客の興味である。すなわち、ＬＤＡを用いることによって、顧客ｉが持つ各興味ｚの度合いθ（ｚ｜ｉ）と、各興味ｚにおける商品ｂの購買されやすさφ（ｂ｜ｚ）との積で顧客ｉが商品ｂを購買する確率を推定することができる。

顧客の興味に基づく顧客ｉが商品ｂを購買する確率Ｐ_ＬＤＡ（ｂ｜ｉ）は、下記（１）式のように表される。

このように、顧客興味学習処理部３２は、顧客ｉ及び商品ｂの組み合わせ毎に、顧客の興味に基づく当該顧客ｉが当該商品ｂを購買する確率Ｐ_ＬＤＡ（ｂ｜ｉ）を推定し、各顧客が各商品を購買する確率を表す確率分布を、購買意欲学習処理部３４と、パラメータ記憶部４０と、出力部９０とに出力する。

購買意欲学習処理部３４は、取得部１０において取得した顧客購買情報の集合と、顧客閲覧情報の集合と、顧客興味学習処理部３２から入力される顧客の興味に基づく各顧客が各商品を購買する確率を表す確率分布とに基づいて、顧客及び商品の組み合わせの各々について、顧客が商品を閲覧してからその商品を購入しようとする意欲の大きさを表す短期購買意欲と、顧客の各々についての記憶度とを推定する。ここで、顧客閲覧情報ＶｉｅｗＬｏｇ_iは、顧客ｉが閲覧した商品集合を表し、顧客ｉｄ（変数ｉ）、商品ｉｄ（変数ｂ）、及び閲覧時刻（変数ｔ）を用いて、以下のように表される。

顧客閲覧情報の集合とは、全ての顧客のＶｉｅｗＬｏｇの集合で構成された閲覧情報ＡｌｌＶｉｅｗＬｏｇｓ＝＜ＶｉｅｗＬｏｇ_１，ＶｉｅｗＬｏｇ_２，…ＶｉｅｗＬｏｇ_Ｎ＞である。また、Ｖ_ｉは顧客ｉの総閲覧商品数であり、顧客は同じ商品を複数回閲覧することが考えられるため、Ｖ_ｉの値は総商品数Ｓの値以上を取り得る。なお、閲覧時刻は、例えばｕｎｉｘ ｔｉｍｅで表現されるものとする。

具体的には、購買意欲学習処理部３４は、まず、取得部１０において取得した顧客購買情報の集合を、顧客毎の購買行動情報に変換する。ここで、購買行動情報とは、顧客の商品の購買時刻ｔと、当該顧客の購買時刻ｔに購買された商品ｂの集合とを、１対多で紐付けた、購買時刻と購買した商品の集合との組み合わせであるとする。また、ｊ回目の購買行動とは、購買行動が購買時刻によって昇順に並び替えられたものにおいて先頭からｊ番目に位置する購買行動を指すものとする。例えば、顧客ｉのＢｕｙＬｏｇ_ｉが｛＜ｂ_１，ｔ_１＞，＜ｂ_２，ｔ_１＞，＜ｂ_３，ｔ_１＞，＜ｂ_１，ｔ_２＞，＜ｂ_２，ｔ_３＞，＜ｂ_３，ｔ_３＞｝であり、ｔ_１＜ｔ_２＜ｔ_３であった場合、１回目の購買行動は＜｛ｂ_１，ｂ_２，ｂ_３｝，ｔ_１＞、２回目の購買行動は＜｛ｂ_１｝，ｔ_２＞、３回目の購買行動は＜｛ｂ_２，ｂ_３｝ｔ_３＞となる。

次に、購買意欲学習処理部３４は、以下に説明するように、顧客及び商品の組み合わせの各々について顧客が商品を閲覧してからその商品を購入しようとする意欲の大きさを表す短期購買意欲と、顧客の各々の記憶度とを推定する。ここで、顧客ｉの商品ｂに対する短期購買意欲をλ_{ｉ，ｂ}とし、顧客ｉの記憶度をγ_ｉとして、顧客ｉにおける通算ｊ回目の購買行動が行われた時刻ｔ_ｉ，ｊにおいて顧客ｉが商品ｂを購買する確率Ｐ（ｂ｜ｉ，ｔ_ｉ，ｊ）を下記（２）式と定義する。

この時、Ｓは総商品数であり、総和の項で用いられているｓは商品を表す。また、ｔ_ｉ，ｊは、顧客ｉのｊ回目の購買行動が行われた時刻であり、

は、顧客閲覧情報から取得した、顧客ｉが商品ｂ（もしくは商品ｓとして数式中に記載）を閲覧した時刻の集合の中で、ｊ回目の購買行動が行われた時刻ｔ_ｉ，ｊを超えない時刻の中で最大のもの、すなわちｊ回目の購買行動が行われた時刻ｔ_ｉ，ｊまでの間において、直近で商品ｂを閲覧した時刻である。例えば、顧客ｉが商品ｂを時刻１，２，３，５，１０，１１で閲覧しており、ｔ_ｉ，ｊが８である場合、

は５になる。また、

はパラメータ記憶部４０に予め記憶されているスムージングパラメータであり、非負であるとする。上記（２）式を下記（一）〜（四）として解釈（仮定）する。

（一）顧客ｉが商品ｂを選択する確率Ｐ（ｂ｜ｉ，ｔ_ｉ、ｊ）は、短期購買意欲λ_{｛ｉ，ｂ｝}と、購買時刻ｔ_ｉ，ｊまでの間に直近で商品ｂを見た時刻

との差分、及び記憶度γ_ｉで決定される。
（二）ｊ回目の購買行動が行われた時刻ｔ_ｉ，ｊと、購買時刻ｔ_ｉ，ｊまでの間に直近で商品ｂを閲覧した時刻

とが近ければ近いほど、顧客は商品ｂを購買しやすくなる。
（三）ｊ回目の購買行動が行われた時刻ｔ_ｉ，ｊと、購買時刻ｔ_ｉ，ｊまでの間に直近で商品ｂを閲覧した時刻

とが離れるほど顧客が商品ｂを購買する確率は下がる。
（四）上記（三）の購買する確率の下がり方は記憶度γ_ｉで決定される。

購買意欲学習処理部３４は、取得した顧客の閲覧情報と購買情報とに対して、この商品購買確率の当てはまり（尤度）が最大になるように、顧客及び商品の組み合わせの各々についての短期購買意欲λ_{｛ｉ，ｂ｝}，ｉ∈｛１，２，…，Ｎ｝，ｂ∈｛１，２，…，Ｓ｝と顧客各々の記憶度γ_ｉ，ｉ∈｛１，２，…，Ｎ｝とを学習する。尤度は下記（３）式で表される。また、下記（３）式において、Ｂ_ｉは顧客ｉの購買行動の総数であり、Ｉｔｅｍｓ_ｉ，ｊは顧客ｉがｊ回目の購買行動において購買した商品集合である。

上記（３）式で表される尤度の最大化には、全ての顧客ｉ及び全ての商品ｂにおける短期購買意欲λ_{｛ｉ，ｂ｝}、及び全ての顧客ｉにおける記憶度γ_ｉに対する最急降下法（非特許文献４：金谷健一, "これなら分かる最適化数学―基礎原理から計算手法まで", 共立出版）を用いる。なお、Ｌ−ＢＦＧＳ（非特許文献５：Liu, D. C., Nocedal, J. , "On the Limited Memory Method for Large Scale Optimization". Mathematical Programming B 45 (3): 503−528, 1989）などの最適化手法などを用いてもよい。

最急降下法は多変数関数である目的関数における最大値または最小値、及びそれを満たす各変数の値を求める手法であり、非特許文献４における多変数の勾配法のアルゴリズムで示されるように、目的関数の各変数による変微分を計算することによって対数尤度を最大化する短期購買意欲及び記憶度を求めることが可能になる。

購買意欲学習処理部３４は、上記の様に得られた顧客及び商品の組み合わせの各々についての、顧客の商品に対する短期購買意欲と、顧客の各々についての記憶度とを、パラメータ記憶部４０及び出力部９０に出力する。

パラメータ記憶部４０は、購買行動予測モデル学習部３０において推定された、各顧客が各商品を購買する確率を表す確率分布と、顧客及び商品の組み合わせの各々についての短期購買意欲と、顧客の各々についての記憶度と、スムージングパラメータ

とが記憶されている。

出力部９０は、購買行動予測モデル学習部３０において推定された、各顧客が各商品を購買する確率を表す確率分布と、顧客及び商品の組み合わせの各々についての短期購買意欲と、顧客の各々についての顧客の記憶度とを出力する。図４に出力される例を示す。図４に示すように、特定の顧客が各商品を購買する確率を表す確率分布と、特定の顧客の各商品に対する短期購買意欲と、顧客毎の記憶度とが可視化される。このとき、短期購買意欲の値が高いほど、顧客が商品を閲覧してからその商品を購入しようとする意欲が大きく、閲覧した際に購買につながりやすい商品であることを示しており、短期購買意欲の値が低いほど、顧客が商品を閲覧してからその商品を購入しようとする意欲が小さく、閲覧した際に購買につながりにくい商品であることを示す。また、顧客の記憶度が高いほど、閲覧してからの時間経過によって短期購買意欲が減衰しにくく、顧客の記憶度が低いほど、閲覧してからの時間経過によって顧客の商品に対する短期購買意欲が減衰しやすいことを示す。

＜本発明の実施の形態に係る購買予測装置の構成＞
次に、本発明の実施の形態に係る購買予測装置の構成について説明する。図５に示すように、本発明の実施の形態に係る購買予測装置２００は、ＣＰＵと、ＲＡＭと、後述する購買予測処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この購買予測装置２００は、機能的には図５に示すように取得部２１０と、演算部２２０と、出力部２９０とを備えている。

取得部２１０は、予測対象の顧客を識別する予測対象顧客識別情報（顧客ｉｄ）、予測時刻ｔ、及び予測対象の顧客の顧客閲覧情報を取得する。

演算部２２０は、顧客購買確率計算部２３０と、パラメータ記憶部２４０と、を備えている。

顧客購買確率計算部２３０は、取得部２１０において取得した予測対象の顧客の予測対象顧客識別情報、予測時刻、及び予測対象の顧客の顧客閲覧情報と、パラメータ記憶部２４０に記憶されている予測対象の顧客が各商品を購買する確率を表す確率分布、予測対象の顧客の各商品に対する短期購買意欲、及び予測対象の顧客の記憶度と、に基づいて、商品の各々について、予測対象の顧客が予測時刻において当該商品を購買する可能性を示すスコア（購買予測確率）を計算する。

具体的には、下記（４）式に従って、スコアＰ（ｂ｜ｉ，ｔ）をすべての商品ｂ＝１，２，…，Ｓについて計算し、出力部２９０に出力する。ここで、Ｔ_{｛ｉ，ｂ｝}は、顧客ｉが商品ｂを最後に閲覧した時刻であり、顧客ｉの顧客閲覧情報から取得される。また、Ｔ_{｛ｉ，ｂ｝}は、顧客ｉに商品ｂの広告を提示し顧客ｉが閲覧した場合の時刻と、顧客ｉが主体的に商品ｂを閲覧した場合の時刻との双方を含むものとする。

出力部２９０は、顧客購買確率計算部２３０において計算された予測対象の顧客の商品毎のスコアを出力する。図６に出力結果を示す。図６において、商品毎のスコアが表されているが、スコアが大きい値であるほど顧客ｉが次の購買機会に該当の商品を購入する可能性が高いことを示している。また、スコアの値の大きい順に商品を並び替えることによって、顧客ｉが購入する可能性の高い商品順にランキングした結果を得ることも可能である。

＜本発明の実施の形態に係る購買意欲学習装置の作用＞
次に、本発明の実施の形態に係る購買意欲学習装置１００の作用について説明する。顧客購買情報の集合と、顧客閲覧情報の集合とを取得すると、購買意欲学習装置１００は、図７に示す購買意欲学習処理ルーチンを実行する。

まず、ステップＳ１００では、パラメータ記憶部４０に記憶されているスムージングパラメータを読み込む。

次に、ステップＳ１０２では、取得部１０により取得した顧客購買情報の集合に基づいて、上記（１）式に従って、各顧客が各商品を購買する確率を表す確率分布を推定し、パラメータ記憶部４０に記憶する。

次に、ステップＳ１０４では、取得部１０により取得した顧客購買情報の集合に基づいて、顧客毎の購買行動情報を取得する。

次に、ステップＳ１０６では、取得部１０において取得した顧客閲覧情報の集合と、ステップＳ１００において取得したスムージングパラメータと、ステップＳ１０２において取得した各顧客が各商品を購買する確率を表す確率分布と、ステップＳ１０４において取得した顧客毎の購買行動情報と、に基づいて、上記（３）式で表される尤度が最大となるように、顧客及び商品の組み合わせ毎の短期購買意欲と、顧客毎の記憶度とを推定し、パラメータ記憶部４０に記憶する。

次に、ステップＳ１０８では、ステップＳ１０２において取得した各顧客が各商品を購買する確率を表す確率分布と、ステップＳ１０６において取得した顧客及び商品の組み合わせ毎の短期購買意欲、及び顧客毎の記憶度とを出力部９０から出力して、購買意欲学習処理ルーチンを終了する。

＜本発明の実施の形態に係る購買予測装置の作用＞
次に、本発明の実施の形態に係る購買予測装置２００の作用について説明する。事前に、取得部２１０によって、購買意欲学習装置１００において推定された、各顧客が各商品を購買する確率を表す確率分布と、顧客及び商品の組み合わせの各々についての短期購買意欲と、顧客毎の記憶度とが取得され、パラメータ記憶部２４０に記憶される。そして、予測対象の顧客を識別する顧客識別情報（顧客ｉｄ）、予測時刻ｔ、及び予測対象の顧客の顧客閲覧情報を取得すると、購買予測装置２００は、図８に示す購買予測処理ルーチンを実行する。

まず、ステップＳ２００では、パラメータ記憶部２４０に記憶されている、予測対象の顧客が各商品を購買する確率を表す確率分布、商品の各々についての予測対象の顧客の当該商品に対する短期購買意欲、予測対象の顧客の記憶度、及びスムージングパラメータを読み込む。

次に、ステップＳ２０２では、ステップＳ２００において取得した予測対象の顧客が商品を購買する確率を表す確率分布、予測対象の顧客の各商品に対する短期購買意欲、予測対象の顧客の記憶度、及びスムージングパラメータと、取得部１０において取得した予測時刻ｔ、及び予測対象の顧客の顧客閲覧情報とに基づいて、上記（４）式に従って、商品毎のスコアを計算する。

次に、ステップＳ２０４では、ステップＳ２０２において取得した予測対象の顧客の商品毎のスコアを出力部２９０から出力して、購買予測処理ルーチンを終了する。

以上説明したように、本発明の実施の形態に係る購買意欲学習装置によれば、顧客及び商品の組み合わせの各々について、顧客及び商品の組み合わせの顧客が商品を購買する確率を推定し、顧客購買情報の集合及び顧客閲覧情報の集合と、顧客及び商品の組み合わせの各々の顧客が商品を購買する確率と、顧客及び商品の組み合わせの各々について顧客が商品を閲覧してからその商品を購入しようとする意欲の大きさを表す短期購買意欲と、顧客の各々についての短期購買意欲の減衰度合いを表す記憶度とに基づいて求められる尤度を最大化するように、顧客及び商品の組み合わせの各々についての短期購買意欲と、顧客の各々についての記憶度と、を推定することにより、顧客の商品の短期購買意欲及び減衰度合いを精度よく推定することができる。

また、本発明の実施の形態に係る購買予測装置によれば、予測顧客情報と、予測対象の顧客の顧客閲覧情報とを取得し、予測対象の顧客の顧客閲覧情報と、推定された、商品の各々についての予測対象の顧客が商品を購買する確率、商品の各々に対する予測対象の顧客の短期購買意欲、及び予測対象の顧客の記憶度と、に基づいて、商品の各々について、予測対象の顧客が商品を閲覧した時刻に基づく予測対象の顧客が予測時刻において商品を購買する可能性を示すスコアを計算することにより、顧客の商品の購買予測を精度よく行うことができる。

また、「顧客がどの商品を買ったか」だけでなく、「どの商品を閲覧したか」という情報を使うことにより、また、「顧客が商品を閲覧してから購入するまでの時間経過を用いてどの程度の時間が経つと興味がどの程度弱くなるか」という情報を使うことにより、より高精度な購買行動の予測が実現できる。

また、本発明により、事業者はより高精度な顧客の購買行動予測が可能になり、事業者は、「顧客がどの商品を閲覧するとその商品を購買しやすくなるのか、又は購買しにくくなるのか」、及び「顧客が商品を閲覧することによって高まった購買意欲が経過時間に対してどの程度弱くなるか、すなわち顧客毎の閲覧した商品に対する印象の薄れやすさ」を知ることができることから、事業者は顧客ごとの記憶度に応じて、タイミングと内容を考慮した商品のリマインダ（広告提示）を顧客に与えることが可能となる。

また、顧客の購買予測を高精度に実現することにより、仕入れや広告戦略が顧客ごとに最適化され、利益を向上させることができる。

また、記憶度が高い顧客について、閲覧済みの商品のリマインダを再度提示する間隔を広げることにより、顧客が意識する以上に過剰なリマインダの提示を予防することができる。一方、記憶度が低い顧客には閲覧済み商品のリマインダを再度提示する間隔を狭めて購買意欲を高めるといったナビゲーションが実現可能となる。

なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

また、本実施の形態においては、購買意欲学習装置１００によって、各顧客が各商品を購買する確率を表す確率分布と、顧客及び商品の組み合わせの各々についての短期購買意欲と、顧客毎の記憶度とを推定し、購買予測装置２００によって、商品毎のスコアを計算する場合について説明したが、これに限定されるものではない。例えば、各顧客が各商品を購買する確率を表す確率分布、顧客及び商品の組み合わせ毎の短期購買意欲、及び顧客毎の記憶度の推定と、商品毎のスコアの計算とを、１つの装置において実現してもよい。

また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能であるし、ネットワークを介して提供することも可能である。

１０ 取得部
２０ 演算部
３０ 購買行動予測モデル学習部
３２ 顧客興味学習処理部
３４ 購買意欲学習処理部
４０ パラメータ記憶部
９０ 出力部
１００ 購買意欲学習装置
２００ 購買予測装置
２１０ 取得部
２２０ 演算部
２３０ 顧客購買確率計算部
２４０ パラメータ記憶部
２９０ 出力部

Claims (5)

1. 顧客を識別するための顧客識別情報、前記顧客が購買した商品を識別するための購買商品識別情報、及び前記顧客が前記商品を購買した購買時刻を含む顧客購買情報の集合と、前記顧客識別情報、前記顧客が閲覧した商品を識別するための閲覧商品識別情報、及び前記顧客が前記商品を閲覧した閲覧時刻を含む顧客閲覧情報の集合と、を取得する取得手段と、
   前記顧客及び前記商品の組み合わせの各々について、前記取得手段により取得した前記顧客購買情報の集合に基づいて求められた、前記顧客の興味に基づく各トピックに帰属する確率を表す確率分布と、前記各トピックについて前記トピックにおける前記商品が購買される確率を表す確率分布とに基づいて、前記顧客及び前記商品の組み合わせの前記顧客が前記商品を購買する確率を推定する顧客興味学習手段と、
   前記取得手段により取得した前記顧客購買情報、及び前記顧客閲覧情報と、前記顧客興味学習手段により推定された前記顧客及び前記商品の組み合わせの各々の前記顧客が前記商品を購買する確率と、前記顧客及び前記商品の組み合わせの各々について前記顧客が前記商品を閲覧してから当該商品を購入しようとする意欲の大きさを表す短期購買意欲と、前記顧客の各々についての前記短期購買意欲の減衰度合いを表す記憶度とに基づいて求められる尤度を最大化するように、前記顧客及び前記商品の組み合わせの各々についての前記短期購買意欲と、前記顧客の各々についての前記記憶度と、を推定する購買意欲学習手段と、
   を含む、購買意欲学習装置。
2. 予測対象の顧客を識別するための予測対象顧客識別情報及び予測時刻を含む予測顧客情報と、予測対象の顧客の前記顧客閲覧情報とを取得する取得手段と、
   前記取得手段により取得された前記予測対象の顧客の前記顧客閲覧情報と、請求項１記載の購買意欲学習装置によって推定された、前記商品の各々についての前記予測対象の顧客が前記商品を購買する確率、前記商品の各々に対する前記予測対象の顧客の短期購買意欲、及び前記予測対象の顧客の記憶度と、に基づいて、前記商品の各々について、前記予測対象の顧客が前記商品を閲覧した時刻に基づく前記予測対象の顧客が前記予測時刻において前記商品を購買する可能性を示すスコアを計算する顧客購買確率計算手段と、
   を含む、購買予測装置。
3. 取得手段と、顧客興味学習手段と、購買意欲学習手段とを含む、購買意欲学習装置における購買意欲学習方法であって、
   前記取得手段が、顧客を識別するための顧客識別情報、前記顧客が購買した商品を識別するための購買商品識別情報、及び前記顧客が前記商品を購買した購買時刻を含む顧客購買情報の集合と、前記顧客識別情報、前記顧客が閲覧した商品を識別するための閲覧商品識別情報、及び前記顧客が前記商品を閲覧した閲覧時刻を含む顧客閲覧情報の集合と、を取得し、
   前記顧客興味学習手段が、前記顧客及び前記商品の組み合わせの各々について、前記取得手段により取得した前記顧客購買情報の集合に基づいて求められた、前記顧客の興味に基づく各トピックに帰属する確率を表す確率分布と、前記各トピックについて前記トピックにおける前記商品が購買される確率を表す確率分布とに基づいて、前記顧客及び前記商品の組み合わせの前記顧客が前記商品を購買する確率を推定し、
   前記購買意欲学習手段は、前記取得手段により取得した前記顧客購買情報、及び前記顧客閲覧情報と、前記顧客興味学習手段により推定された前記顧客及び前記商品の組み合わせの各々の前記顧客が前記商品を購買する確率と、前記顧客及び前記商品の組み合わせの各々について前記顧客が前記商品を閲覧してから当該商品を購入しようとする意欲の大きさを表す短期購買意欲と、前記顧客の各々についての前記短期購買意欲の減衰度合いを表す記憶度とに基づいて求められる尤度を最大化するように、前記顧客及び前記商品の組み合わせの各々についての前記短期購買意欲と、前記顧客の各々についての前記記憶度と、を推定する
   購買意欲学習方法。
4. 取得手段と、顧客購買確率計算手段と、を含む購買予測装置における購買予測方法であって、
   前記取得手段が、予測対象の顧客を識別するための予測対象顧客識別情報及び予測時刻を含む予測顧客情報と、予測対象の顧客の前記顧客閲覧情報とを取得し、
   前記顧客購買確率計算手段が、前記取得手段により取得された前記予測対象の顧客の前記顧客閲覧情報と、請求項３記載の購買意欲学習方法によって推定された、前記商品の各々についての前記予測対象の顧客が前記商品を購買する確率、前記商品の各々に対する前記予測対象の顧客の短期購買意欲、及び前記予測対象の顧客の記憶度と、に基づいて、前記商品の各々について、前記予測対象の顧客が前記商品を閲覧した時刻に基づく前記予測対象の顧客が前記予測時刻において前記商品を購買する可能性を示すスコアを計算する
   購買予測方法。
5. コンピュータを、請求項１記載の購買意欲学習装置又は請求項２記載の購買予測装置を構成する各手段として機能させるためのプログラム。