JP2016053784A - 情報推薦プログラム及び情報処理装置 - Google Patents

Abstract

【課題】利用者のあるカテゴリの商品に対する嗜好に基づいて、他のカテゴリの商品を推薦する情報推薦プログラム及び情報処理装置を提供する。
【解決手段】情報処理装置１は、商品に関連付けられた特徴ベクトルから商品の属するカテゴリ毎に特徴ベクトルの平均をカテゴリ平均ベクトルとして算出し、一の利用者が利用した商品について、カテゴリ毎に特徴ベクトルの平均を利用者平均ベクトルとして算出する平均ベクトル算出手段１０２と、第１のカテゴリの利用者平均ベクトルとカテゴリ平均ベクトルとの差から嗜好ベクトルを算出する嗜好ベクトル算出手段１０３と、第２のカテゴリのカテゴリ平均ベクトルと嗜好ベクトルとの和をとり第２のカテゴリにおける推薦ベクトルを算出する推薦ベクトル算出手段１０４と、当該推薦ベクトルに近い特徴ベクトルを有する商品を第２のカテゴリから抽出して一の利用者に推薦する商品推薦手段１０５とを有する。
【選択図】図２

Description

本発明は、情報推薦プログラム及び情報処理装置に関する。

従来の技術として、利用者が選択した物品と異なるカテゴリの物品を推薦する情報処理装置が提案されている（例えば、特許文献１参照）。

特許文献１に開示された情報処理装置は、複数のカテゴリに跨ったある地域の利用者の物品購入履歴とウェブコンテンツ閲覧履歴とを蓄積するデータベースを有し、ある利用者の物品購入履歴やウェブコンテンツ閲覧履歴と、当該利用者の属する地域の物品購入履歴とウェブコンテンツ閲覧履歴の特徴に基づいて当該利用者が選択した物品と異なるカテゴリの物品を推薦する。

特開２００９−１３４５５８号公報

本発明の目的は、利用者のあるカテゴリの商品に対する嗜好に基づいて、他のカテゴリの商品を推薦する情報推薦プログラム及び情報処理装置を提供することにある。

本発明の一態様は、上記目的を達成するため、以下の情報推薦プログラム及び情報処理装置を提供する。

［１］コンピュータを、
商品に関連付けられた特徴ベクトルから商品の属するカテゴリ毎に特徴ベクトルの平均をカテゴリ平均ベクトルとして算出するとともに、一の利用者が利用した商品について、商品のカテゴリ毎に商品の特徴ベクトルの平均を利用者平均ベクトルとして算出する平均ベクトル算出手段と、
前記平均ベクトル算出手段が算出した前記一の利用者の利用者平均ベクトルのうち、第１のカテゴリの利用者平均ベクトルと、前記第１のカテゴリのカテゴリ平均ベクトルとの差から前記一の利用者の嗜好ベクトルを算出する嗜好ベクトル算出手段と、
前記第１のカテゴリ以外の第２のカテゴリのカテゴリ平均ベクトルと、前記一の利用者の嗜好ベクトルとの和をとり、前記第２のカテゴリにおける前記一の利用者に対する推薦ベクトルを算出する推薦ベクトル算出手段と、
前記推薦ベクトル算出手段によって算出された前記第２のカテゴリにおける前記一の利用者に対する推薦ベクトルに近い特徴ベクトルを有する商品を前記第２のカテゴリから抽出して前記一の利用者に推薦する商品推薦手段として機能させるための情報推薦プログラム。
［２］前記嗜好ベクトル算出手段は、前記第１のカテゴリとして前記一の利用者の利用頻度の高いカテゴリを選択する前記［１］に記載の情報推薦プログラム。
［３］前記平均ベクトル算出手段は、カテゴリ毎かつ前記特徴ベクトルの観点毎に前記特徴ベクトルの平均をカテゴリ観点平均ベクトルとして算出するとともに、前記一の利用者が利用した商品について、カテゴリ毎かつ前記特徴ベクトルの観点毎に商品の特徴ベクトルの平均を利用者観点平均ベクトルとして算出し、
前記嗜好ベクトル算出手段は、前記平均ベクトル算出手段が算出した前記一の利用者の利用者観点平均ベクトルのうち、第１のカテゴリの利用者観点平均ベクトルと、前記第１のカテゴリのカテゴリ観点平均ベクトルとの差から観点のそれぞれについて前記一の利用者の嗜好ベクトルを算出する前記［１］又は［２］に記載の情報推薦プログラム。
［４］前記嗜好ベクトル算出手段は、前記一の利用者の嗜好ベクトルのうち、一の観点の特徴ベクトルを有する商品の特徴ベクトルの分散が大きい場合、当該観点の嗜好ベクトルの寄与率を小さくし、一の観点の特徴ベクトルを有する商品の特徴ベクトルの分散が小さい場合、当該観点の嗜好ベクトルの寄与率を大きくして前記一の利用者の嗜好ベクトルを算出する前記［３］に記載の情報推薦プログラム。
［５］商品に関連付けられた特徴ベクトルから商品の属するカテゴリ毎に特徴ベクトルの平均をカテゴリ平均ベクトルとして算出するとともに、一の利用者が利用した商品について、商品のカテゴリ毎に商品の特徴ベクトルの平均を利用者平均ベクトルとして算出する平均ベクトル算出手段と、
前記平均ベクトル算出手段が算出した前記一の利用者の利用者平均ベクトルのうち、第１のカテゴリの利用者平均ベクトルと、前記第１のカテゴリのカテゴリ平均ベクトルとの差から前記一の利用者の嗜好ベクトルを算出する嗜好ベクトル算出手段と、
前記第１のカテゴリ以外の第２のカテゴリのカテゴリ平均ベクトルと、前記一の利用者の嗜好ベクトルとの和をとり、前記第２のカテゴリにおける前記一の利用者に対する推薦ベクトルを算出する推薦ベクトル算出手段と、
前記推薦ベクトル算出手段によって算出された前記第２のカテゴリにおける前記一の利用者に対する推薦ベクトルに近い特徴ベクトルを有する商品を前記第２のカテゴリから抽出して前記一の利用者に推薦する商品推薦手段とを有する情報処理装置。

請求項１又は５に係る発明によれば、利用者のあるカテゴリの商品に対する嗜好に基づいて、他のカテゴリの商品を推薦することができる。
請求項２に係る発明によれば、利用者の利用頻度の高いカテゴリの商品に対する嗜好に基づいて、他のカテゴリの商品を推薦することができる。
請求項３に係る発明によれば、特徴ベクトルの観点毎に嗜好ベクトルを算出することができる。
請求項４に係る発明によれば、特徴ベクトルの分散が小さい観点の嗜好ベクトルの寄与を大きくして、特徴ベクトルの分散が大きい観点の嗜好ベクトルの寄与を小さくして、一の利用者の嗜好ベクトルを算出することができる。

図１は、第１の実施の形態に係る情報処理システムの構成の一例を示す概略図である。 図２は、第１の実施の形態に係る情報処理装置の構成例を示すブロック図である。 図３（ａ）−（ｃ）は、商品紹介サイトＤＢが格納する情報の構成の一例を示す概略図である。 図４（ａ）及び（ｂ）は、平均ベクトル、嗜好ベクトル及び推薦ベクトルの関係を説明するための図である。 図５（ａ）及び（ｂ）は、それぞれ観点の異なる平均ベクトルの関係を説明するための図である。 図６（ａ）−（ｃ）は、それぞれ観点の異なる平均ベクトルと嗜好ベクトルとの関係を説明するための図である。

［第１の実施の形態］
（情報処理システムの構成）
図１は、第１の実施の形態に係る情報処理システムの構成の一例を示す概略図である。

この情報処理システムは、情報処理装置１と、商品紹介サイトＤＢ２と、端末３とをネットワーク５によって互いに通信可能に接続することで構成される。端末３は、利用者４によって操作される。なお、本情報処理システムの情報処理装置１、商品紹介サイトDB２のそれぞれで提供するサービスは、同一企業によるものであってもよいし、別企業によるものであってもよい。

情報処理装置１は、サーバ型の情報処理装置であり、端末３の要求に応じて動作するものであって、本体内に情報を処理するための機能を有するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やフラッシュメモリ等の電子部品を備える。情報処理装置１は、要求に応じて端末３の利用者４に商品を推薦する情報を送信する。

商品紹介サイトデータベース（ＤＢ）２は、例えば、飲食店の商品（料理）を利用者のレビューとともに紹介するサイトのデータベースであって、サイトを構成する情報の他に、商品の基本情報（例えば、商品の基本仕様、特徴機能、価格、メーカー名、販売日、評価レート）から抽出された特徴語又は商品毎に複数の利用者が投稿したレビュー文から抽出された特徴語が関連付けられた商品情報２０と、特徴語の特徴量を示す特徴量情報２１と、利用者が購入した（食べた）商品の履歴を示す利用者履歴情報２２とを有する。なお、利用者履歴情報２２は、実際に購入していない（食べていない）商品であってもよく、例えば、利用者がお気に入りとして、登録した商品や、紹介サイト中のある商品紹介ページを訪れた履歴を利用してもよい。

なお、特徴量情報２１の特徴量は、機械学習手法によって単語の意味情報を有するベクトル（特徴ベクトル）を各特徴語について計算して得られるものである。また、特徴語は、予め用意された辞書の単語に一致するものをレビューから抽出して商品に関連付けることで得られる。

端末３は、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等の情報処理装置であって、本体内に情報を処理するための機能を有するＣＰＵやフラッシュメモリ等の電子部品を備える。

ネットワーク５は、高速通信が可能な通信ネットワークであり、例えば、イントラネットやＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の有線又は無線の通信網である。

（情報処理装置の構成）
図２は、第１の実施の形態に係る情報処理装置１の構成例を示すブロック図である。

情報処理装置１は、ＣＰＵ等から構成され、各部を制御するとともに、各種のプログラムを実行する制御部１０と、フラッシュメモリ等の記憶媒体から構成され情報を記憶する記憶部１１と、ネットワークを介して外部と通信する通信部１２とを備える。

制御部１０は、後述する情報推薦プログラム１１０を実行することで、商品情報取得手段１００、利用者履歴取得手段１０１、平均ベクトル算出手段１０２、嗜好ベクトル算出手段１０３、推薦ベクトル算出手段１０４及び商品推薦手段１０５等として機能する。

商品情報取得手段１００は、通信部１２を介して商品紹介サイトＤＢ２から商品情報２０を取得する。

利用者履歴取得手段１０１は、通信部１２を介して商品紹介サイトＤＢ２の利用者履歴情報２２からある利用者の商品の利用履歴を取得する。

平均ベクトル算出手段１０２は、商品情報取得手段１００が取得した商品情報２０から商品のカテゴリ毎に商品の特徴を示すベクトル（商品ベクトル）の平均を算出し、カテゴリ平均ベクトルとする。なお、各商品ベクトルは、特徴量情報２１を参照して、商品に関連づけられた単数又は複数の特徴語の特徴ベクトルに基づいて算出される。

また、平均ベクトル算出手段１０２は、利用者履歴取得手段１０１が取得したある利用者の商品の利用履歴から、商品のカテゴリ毎に利用した商品の商品ベクトルの平均を算出し、ある利用者の利用者平均ベクトルとする。算出されたカテゴリ平均ベクトル及び利用者平均ベクトルは平均ベクトル情報１１１として記憶部１１に格納される。

嗜好ベクトル算出手段１０３は、平均ベクトル算出手段１０２が算出したある利用者の利用者平均ベクトルのうち、利用頻度の高いカテゴリ（第１のカテゴリ）の利用者平均ベクトルと、第１のカテゴリのカテゴリ平均ベクトルとの差からある利用者の嗜好ベクトルを算出する。算出された嗜好ベクトルは嗜好ベクトル情報１１２として記憶部１１に格納される。

推薦ベクトル算出手段１０４は、第１のカテゴリ以外の第２のカテゴリのカテゴリ平均ベクトルと、ある利用者の嗜好ベクトルとの和をとり、第２のカテゴリにおけるある利用者に対する推薦ベクトルを算出する。算出した推薦ベクトルは推薦ベクトル情報１１３として記憶部１１に格納される。

商品推薦手段１０５は、推薦ベクトル算出手段１０４によって算出された第２のカテゴリにおけるある利用者に対する推薦ベクトルに基づき、当該推薦ベクトルに近い特徴ベクトルを有する第２のカテゴリに属する商品を抽出してある利用者に推薦する。抽出された商品は推薦商品情報１１４として記憶部１１に格納される。

記憶部１１は、制御部１０を上述した各手段１００−１０５として動作させる情報推薦プログラム１１０、平均ベクトル情報１１１、嗜好ベクトル情報１１２、推薦ベクトル情報１１３及び推薦商品情報１１４等を記憶する。

（情報処理装置の動作）
次に、第１の実施の形態の作用を、（１）基本動作、（２）嗜好ベクトル算出動作、（３）商品推薦動作に分けて説明する。

（１）基本動作
図３（ａ）−（ｃ）は、商品紹介サイトＤＢ２が格納する情報の構成の一例を示す概略図である。

まず、利用者４は、飲食店を訪問して食事をした場合、端末３を操作して商品紹介サイトＤＢ２にアクセスし、訪問した飲食店の商品についてレビューを投稿する。また、他の利用者によっても同様にレビューが投稿される。商品のレビューが投稿されると、商品紹介サイトＤＢ２のレビュー情報が更新される。

次に、商品紹介サイトＤＢ２を管理する図示しないサーバは、レビュー情報から予め用意された辞書に登録された単語と一致する特徴語を抽出するとともに、機械学習手法により各特徴語について単語の意味情報を有するベクトル（特徴ベクトル）を計算する。商品名と抽出された特徴語とを関連付けて図３（ａ）に示すように商品情報２０ａとし、特徴語と算出された特徴ベクトルとを関連付けて図３（ｂ）に示すように特徴量情報２１ａとして格納する。

商品情報２０ａは、商品が属するカテゴリと、商品の商品名と、商品のレビューから抽出された特徴語とを有する。

特徴量情報２１ａは、特徴語と、算出された特徴ベクトルとを有する。

次に、投稿されたレビュー情報に基づいて、図３（ｃ）に示すように、利用者の商品の利用履歴を示す利用者履歴情報２２ａが更新される。利用者履歴情報２２ａは、利用者の識別子を示す利用者と、利用者が利用した商品名と、利用した日時とを有する。

（２）嗜好ベクトル算出動作
図４（ａ）及び（ｂ）は、平均ベクトル、嗜好ベクトル及び推薦ベクトルの関係を説明するための図である。

情報処理装置１は、「利用者Ａ」によって端末３からカテゴリ「うどん」が指定されて、当該カテゴリ「うどん」における推薦商品が要求されると、まず、商品情報取得手段１００が通信部１２を介して商品紹介サイトＤＢ２から商品情報２０ａを取得する。

また、利用者履歴取得手段１０１は、通信部１２を介して商品紹介サイトＤＢ２の利用者履歴情報２２ａから「利用者Ａ」の商品の利用履歴を取得する。

次に、平均ベクトル算出手段１０２は、商品情報取得手段１００が取得した商品情報２０ａから商品のカテゴリ毎に商品の特徴を示す商品ベクトルの平均を算出し、カテゴリ平均ベクトルとする。ここでは、「利用者Ａ」の利用履歴を参照することで、「利用者Ａ」が頻繁に利用した商品のカテゴリが「ラーメン」であった場合、カテゴリ「ラーメン」に属する商品の平均ベクトルと、カテゴリ「うどん」に属する商品の平均ベクトルとを算出する。

カテゴリ「ラーメン」の平均ベクトルは、図４（ａ）に示すように、ラーメン平均ベクトルｖ_ｒｍとして求まるものとする。また、カテゴリ「うどん」の平均ベクトルは、図４（ｂ）に示すように、うどん平均ベクトルｖ_ｗｍとして求まるものとする。

次に、平均ベクトル算出手段１０２は、利用者履歴取得手段１０１が取得した「利用者Ａ」の商品の利用履歴から、カテゴリ「ラーメン」について利用した商品の商品ベクトルの平均を算出し、「利用者Ａ」の利用者平均ベクトルとする。

カテゴリ「ラーメン」の「利用者Ａ」の平均ベクトルは、図４（ａ）に示すように、利用者平均ベクトルｖ_ｕｒｍとして求まるものとする。

次に、嗜好ベクトル算出手段１０３は、平均ベクトル算出手段１０２が算出したカテゴリ「ラーメン」の「利用者Ａ」の利用者平均ベクトルｖ_ｕｒｍと、カテゴリ「ラーメン」のラーメン平均ベクトルｖ_ｒｍとの差から「利用者Ａ」の嗜好ベクトルｖ_ｕを算出する。

（３）商品推薦動作
つぎに、推薦ベクトル算出手段１０４は、カテゴリ「うどん」のうどん平均ベクトルｖ_ｗｍと、「利用者Ａ」の嗜好ベクトルｖ_ｕとの和をとり、カテゴリ「うどん」における「利用者Ａ」に対する推薦ベクトルｖ_{ｕｒｅｃｏｍｍｅｎｄ}を算出する。

次に、商品推薦手段１０５は、カテゴリ「うどん」における「利用者Ａ」に対する推薦ベクトルｖ_{ｕｒｅｃｏｍｍｅｎｄ}に基づき、当該推薦ベクトルｖ_{ｕｒｅｃｏｍｍｅｎｄ}に近い特徴ベクトルを有するカテゴリ「うどん」に属する商品を抽出して「利用者Ａ」に推薦する。推薦ベクトルｖ_{ｕｒｅｃｏｍｍｅｎｄ}に近い特徴ベクトルを抽出する方法としては、例えば、特徴空間におけるある二つの特徴量ベクトルの距離や、コサイン類似度を用いる手法がある。二つの特徴量ベクトルをx_１、x_２とすると、距離は式（１）により計算でき、コサイン類似度は式（２）により計算できる。

（第１の実施の形態の効果）
上記した実施の形態によれば、利用者が頻繁に利用するカテゴリの商品の特徴ベクトルの平均である利用者平均ベクトルと、当該カテゴリに属する商品の特徴ベクトルの平均であるカテゴリ平均ベクトルとの差をとることで利用者の嗜好を示す利用者嗜好ベクトルが算出され、当該利用者嗜好ベクトルを他のカテゴリのカテゴリ平均ベクトルに加算することで利用者の嗜好を反映した推薦ベクトルを算出したため、利用者のあるカテゴリの商品に対する嗜好に基づいて、他のカテゴリの商品を推薦することができる。

［第２の実施の形態］
第２の実施の形態は、第１の実施の形態と比較して商品に関連付けられた特徴語を味、食材等の観点毎に分類し、観点毎に利用者の嗜好ベクトルを算出する点で異なる。なお、第１の実施の形態と共通する構成については共通する符号を付している。

（情報処理装置の動作）
第２の実施の形態の作用を、（１）基本動作、（２）嗜好ベクトル算出動作、（３）商品推薦動作に分けて説明する。なお、「（１）基本動作」及び「（３）商品推薦動作」については第１の実施の形態と同様であるため省略する。

（２）嗜好ベクトル算出動作
図５（ａ）及び（ｂ）は、それぞれ観点の異なる平均ベクトルの関係を説明するための図である。

情報処理装置１は、「利用者Ａ」によって端末３からカテゴリ「うどん」が指定されて、当該カテゴリ「うどん」における推薦商品が要求されると、まず、商品情報取得手段１００が通信部１２を介して商品紹介サイトＤＢ２から商品情報２０ａを取得する。

また、利用者履歴取得手段１０１は、通信部１２を介して商品紹介サイトＤＢ２の利用者履歴情報２２ａから「利用者Ａ」の商品の利用履歴を取得する。

次に、平均ベクトル算出手段１０２は、商品情報取得手段１００が取得した商品情報２０ａから商品のカテゴリ毎さらに観点毎に商品の特徴を示す商品ベクトルの平均を算出し、カテゴリ観点平均ベクトルとする。一例として、「利用者Ａ」の利用履歴を参照することで、「利用者Ａ」が頻繁に利用した商品のカテゴリが「ラーメン」であった場合、カテゴリ「ラーメン」に属しかつ観点「食材」の特徴語を有する商品の平均ベクトルと、カテゴリ「ラーメン」に属しかつ観点「味」の特徴語を有する商品の平均ベクトルとを算出する。

カテゴリ「ラーメン」かつ観点「食材」の平均ベクトルは、図５（ａ）に示すように、ラーメン食材平均ベクトルｖ_ｒｆｍとして求まるものとする。また、カテゴリ「ラーメン」かつ観点「味」の平均ベクトルは、図５（ｂ）に示すように、ラーメン味平均ベクトルｖ_ｒｔｍとして求まるものとする。

次に、平均ベクトル算出手段１０２は、利用者履歴取得手段１０１が取得した「利用者Ａ」の商品の利用履歴から、カテゴリ「ラーメン」について利用した商品の商品ベクトルの平均を観点毎に算出し、それぞれ「利用者Ａ」の利用者観点平均ベクトルとする。

カテゴリ「ラーメン」かつ観点「食材」の「利用者Ａ」の平均ベクトルは、図５（ａ）に示すように、利用者食材平均ベクトルｖ_ｕｒｆｍとして求まるものとする。また、カテゴリ「ラーメン」かつ観点「味」の「利用者Ａ」の平均ベクトルは、図５（ｂ）に示すように、利用者味平均ベクトルｖ_ｕｒｔｍとして求まるものとする。

図６（ａ）−（ｃ）は、それぞれ観点の異なる平均ベクトルと嗜好ベクトルとの関係を説明するための図である。

次に、嗜好ベクトル算出手段１０３は、図６（ａ）に示すように、平均ベクトル算出手段１０２が算出したカテゴリ「ラーメン」かつ観点「食材」の「利用者Ａ」の利用者食材平均ベクトルｖ_ｕｒｆｍと、カテゴリ「ラーメン」かつ観点「食材」のラーメン食材平均ベクトルｖ_ｒｆｍとの差から「利用者Ａ」の観点「食材」における嗜好ベクトルｖ_ｕｆを算出する。

同様に、嗜好ベクトル算出手段１０３は、図６（ｂ）に示すように、平均ベクトル算出手段１０２が算出したカテゴリ「ラーメン」かつ観点「味」の「利用者Ａ」の利用者食材平均ベクトルｖ_ｕｒｔｍと、カテゴリ「ラーメン」かつ観点「味」のラーメン食材平均ベクトルｖ_ｒｔｍとの差から「利用者Ａ」の観点「味」における嗜好ベクトルｖ_ｕｔを算出する。

次に、嗜好ベクトル算出手段１０３は、算出した利用者食材平均ベクトルｖ_ｕｒｆｍ、利用者味平均ベクトルｖ_ｕｒｔｍ、…の和から「利用者Ａ」の嗜好ベクトルｖ_ｕを算出するが、図６（ｃ）に示すように、それぞれに対して寄与率α_１、α_２、…を乗じる。

寄与率α_１は、図５（ａ）に示すように、利用者食材ベクトルｖ_ｕｒｆ１、ｖ_ｕｒｆ２、ｖ_ｕｒｆ３、…の分散から求められ、図６（ａ）に示すように、比較的分散が小さい場合は寄与率α_１を大きくする。同様に、寄与率α_２は、図５（ｂ）に示すように、利用者食材ベクトルｖ_ｕｒｔ１、ｖ_ｕｒｔ２、ｖ_ｕｒｔ３、…の分散から求められ、図６（ｂ）に示すように、比較的分散が大きい場合は寄与率α_２を小さくする。

（第２の実施の形態の効果）
上記した第２の実施の形態によれば、第１の実施の形態の効果に加えて、特徴語を観点で分類し、観点毎に利用者の嗜好ベクトルを算出して、ある観点に属する複数の商品の特徴ベクトルの分散が大きい場合は当該観点の嗜好ベクトルの寄与率を小さくし、他の観点に属する複数の商品の特徴ベクトルの分散が小さい場合は当該観点の嗜好ベクトルの寄与率を大きくしたため、利用者の一貫した嗜好の観点を、ばらつきのある嗜好の観点より嗜好ベクトルに反映することができる。

［他の実施の形態］
なお、本発明は、上記実施の形態に限定されず、本発明の趣旨を逸脱しない範囲で種々な変形が可能である。

例えば、上記実施の形態では料理に関する観点として「食材」、「味」を扱ったが、料理に限らず宿泊施設のサービス、ネットショップの商品、観光地、ゴルフ場等に関する観念を扱ってもよい。例えば、宿泊施設のサービスの観念としては、「接客」、「食事」等が挙げられる。また、カテゴリの例として、「通信キャリア」を用いることができる。利用者が利用した商品であるスマートフォンの「キャリアA」における嗜好ベクトルから、「キャリアB」のスマートフォンを推薦してもよい。

上記実施の形態では制御部１０の各手段１００〜１０５の機能をプログラムで実現したが、各手段の全て又は一部をＡＳＩＣ等のハードウエアによって実現してもよい。また、上記実施の形態で用いたプログラムをＣＤ−ＲＯＭ等の記録媒体に記憶して提供することもできる。また、上記実施の形態で説明した上記ステップの入れ替え、削除、追加等は本発明の要旨を変更しない範囲内で可能である。

１ 情報処理装置
２ 商品紹介サイトＤＢ
３ 端末
４ 利用者
５ ネットワーク
１０ 制御部
１１ 記憶部
１２ 通信部
２０ 商品情報
２１ 特徴量情報
２２ 利用者履歴情報
１００ 商品情報取得手段
１０１ 利用者履歴取得手段
１０２ 平均ベクトル算出手段
１０３ 嗜好ベクトル算出手段
１０４ 推薦ベクトル算出手段
１０５ 商品推薦手段
１１０ 情報推薦プログラム
１１１ 平均ベクトル情報
１１２ 嗜好ベクトル情報
１１３ 推薦ベクトル情報
１１４ 推薦商品情報

Claims (5)

1. コンピュータを、
   商品に関連付けられた特徴ベクトルから商品の属するカテゴリ毎に特徴ベクトルの平均をカテゴリ平均ベクトルとして算出するとともに、一の利用者が利用した商品について、商品のカテゴリ毎に商品の特徴ベクトルの平均を利用者平均ベクトルとして算出する平均ベクトル算出手段と、
   前記平均ベクトル算出手段が算出した前記一の利用者の利用者平均ベクトルのうち、第１のカテゴリの利用者平均ベクトルと、前記第１のカテゴリのカテゴリ平均ベクトルとの差から前記一の利用者の嗜好ベクトルを算出する嗜好ベクトル算出手段と、
   前記第１のカテゴリ以外の第２のカテゴリのカテゴリ平均ベクトルと、前記一の利用者の嗜好ベクトルとの和をとり、前記第２のカテゴリにおける前記一の利用者に対する推薦ベクトルを算出する推薦ベクトル算出手段と、
   前記推薦ベクトル算出手段によって算出された前記第２のカテゴリにおける前記一の利用者に対する推薦ベクトルに近い特徴ベクトルを有する商品を前記第２のカテゴリから抽出して前記一の利用者に推薦する商品推薦手段として機能させるための情報推薦プログラム。
2. 前記嗜好ベクトル算出手段は、前記第１のカテゴリとして前記一の利用者の利用頻度の高いカテゴリを選択する請求項１に記載の情報推薦プログラム。
3. 前記平均ベクトル算出手段は、カテゴリ毎かつ前記特徴ベクトルの観点毎に前記特徴ベクトルの平均をカテゴリ観点平均ベクトルとして算出するとともに、前記一の利用者が利用した商品について、カテゴリ毎かつ前記特徴ベクトルの観点毎に商品の特徴ベクトルの平均を利用者観点平均ベクトルとして算出し、
   前記嗜好ベクトル算出手段は、前記平均ベクトル算出手段が算出した前記一の利用者の利用者観点平均ベクトルのうち、第１のカテゴリの利用者観点平均ベクトルと、前記第１のカテゴリのカテゴリ観点平均ベクトルとの差から観点のそれぞれについて前記一の利用者の嗜好ベクトルを算出する請求項１又は２に記載の情報推薦プログラム。
4. 前記嗜好ベクトル算出手段は、前記一の利用者の嗜好ベクトルのうち、一の観点の特徴ベクトルを有する商品の特徴ベクトルの分散が大きい場合、当該観点の嗜好ベクトルの寄与率を小さくし、一の観点の特徴ベクトルを有する商品の特徴ベクトルの分散が小さい場合、当該観点の嗜好ベクトルの寄与率を大きくして前記一の利用者の嗜好ベクトルを算出する請求項３に記載の情報推薦プログラム。
5. 商品に関連付けられた特徴ベクトルから商品の属するカテゴリ毎に特徴ベクトルの平均をカテゴリ平均ベクトルとして算出するとともに、一の利用者が利用した商品について、商品のカテゴリ毎に商品の特徴ベクトルの平均を利用者平均ベクトルとして算出する平均ベクトル算出手段と、
   前記平均ベクトル算出手段が算出した前記一の利用者の利用者平均ベクトルのうち、第１のカテゴリの利用者平均ベクトルと、前記第１のカテゴリのカテゴリ平均ベクトルとの差から前記一の利用者の嗜好ベクトルを算出する嗜好ベクトル算出手段と、
   前記第１のカテゴリ以外の第２のカテゴリのカテゴリ平均ベクトルと、前記一の利用者の嗜好ベクトルとの和をとり、前記第２のカテゴリにおける前記一の利用者に対する推薦ベクトルを算出する推薦ベクトル算出手段と、
   前記推薦ベクトル算出手段によって算出された前記第２のカテゴリにおける前記一の利用者に対する推薦ベクトルに近い特徴ベクトルを有する商品を前記第２のカテゴリから抽出して前記一の利用者に推薦する商品推薦手段とを有する情報処理装置。
   

Images