JP2016181196A - 情報処理装置、情報処理方法およびプログラム - Google Patents

情報処理装置、情報処理方法およびプログラム Download PDF

Info

Publication number
JP2016181196A
JP2016181196A JP2015062055A JP2015062055A JP2016181196A JP 2016181196 A JP2016181196 A JP 2016181196A JP 2015062055 A JP2015062055 A JP 2015062055A JP 2015062055 A JP2015062055 A JP 2015062055A JP 2016181196 A JP2016181196 A JP 2016181196A
Authority
JP
Japan
Prior art keywords
product
data
user
learning
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2015062055A
Other languages
English (en)
Other versions
JP6543986B2 (ja
Inventor
敦典 坂井
Atsunori Sakai
敦典 坂井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Priority to JP2015062055A priority Critical patent/JP6543986B2/ja
Priority to US15/068,813 priority patent/US20160284007A1/en
Publication of JP2016181196A publication Critical patent/JP2016181196A/ja
Application granted granted Critical
Publication of JP6543986B2 publication Critical patent/JP6543986B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】 商品画像や商品説明文の内容を含む商品情報を基に、ユーザの嗜好に合致するお薦め商品を提示する情報処理装置等を提供する。
【解決手段】 情報処理装置１００は、商品画像および商品説明文を含む商品データを特徴量に変換する前処理部１と、商品を購入するユーザデータの特徴量と、商品データの特徴量とを機械学習し、ユーザデータの特徴量と、商品データの特徴量との相関関係を学習したモデルを作成する学習部２と、商品を購入するサイトにアクセスしてきたユーザに対応するユーザデータの特徴データと、商品データの特徴量とを取得し、モデルを適用した機械学習を実行して適合度を算出し、適合度を基に商品の推薦順位を決定する推薦部３とを備える。
【選択図】 図１

Description

本発明は、ユーザが閲覧するウェブサイトに、ユーザが購入しそうな商品を提示する技術に関する。
多くの電子商取引（ＥＣ：Electronic Commerce）サイトでは、当該サイトに登録される会員に対してお薦め商品を紹介する。具体的には、当該会員の購入履歴や閲覧履歴を含む情報から、購入済み商品や閲覧済み商品を抽出し、抽出された商品に機能や形状が似た商品等を選出して、当該会員に対するお薦め商品として、当該会員が閲覧するポータルサイト等内に提示する。提示の際には、サイト内でも上部等の目立つ箇所に提示し、会員の注意を惹きやすくする。更に、当該提示する箇所は、上記のお薦め商品のＵＲＬとリンクされてあり、会員は当該提示する箇所をタップ又はワンクリック等するだけで、お薦め商品の購入ページに移動することができる。これにより、会員は容易にお薦め商品を購入することができる。
推薦方式としては、コンテンツベース方式、協調フィルタリング方式またはルールベース方式が多く用いられている。
コンテンツベース方式では、商品の詳細説明、値段、商品カテゴリ等を含むコンテンツ情報を商品毎に作成し、作成された各コンテンツ情報から、類似する商品間における類似値を予め計算しておく。その後、ユーザがある商品を購入又は閲覧した場合、その商品に類似値の高い商品から優先的に、ユーザに推薦、即ち、会員の閲覧するウェブページに提示する。
協調フィルタリング方式では、嗜好の似たユーザは同じような行動（購買）をする、という前提にお薦め商品を設定する。具体的には、複数のユーザのウェブアクセス履歴や購入履歴を分析し、分析結果を基に、ユーザ同士の嗜好の類似値を予め計算しておく。あるユーザが、商品購入等の行動を起こそうとした時は、当該あるユーザと嗜好の類似値が高い別のユーザがとった行動を推薦する。例えば、商品購入の際に、「この本を買った人は、このような本も買っています」等のコメントを表示させて、別のお薦め商品も一緒に提示する。
ルールベース方式では、予め設定したルールに基づいて商品を推薦する。ここでルールとは、例えば、Ａ社の商品を購入又は閲覧した人にはＢ社の商品を推薦する等である。
特許文献１は、商品購入後のコメント等といった、ユーザの主観的な商品に対する評価を示す主観情報を基に、お薦め商品を選択し、ユーザに推薦する技術を開示する。
特願２００５−２８４４２１号公報
しかしながら、上述した３つの推薦方式による技術および特許文献１は、ユーザの主観情報を基にお薦め商品を推薦するが、情報処理装置がお薦め商品を選択する際に、お薦め商品の画像および説明文の内容を反映させて選択することはできていない。
本発明は、上記の問題点を解決するべくなされた。本発明は、商品画像や商品説明文の内容を含む商品情報を基に、ユーザの嗜好に合致するお薦め商品を提示することができる情報処理装置等を提供することを主たる目的とする。
上記課題を解決するため、本発明の第１の観点は、
商品画像および商品説明文を含む商品データを特徴量に変換する前処理部と、
商品を購入するユーザデータの特徴量と、商品データの特徴量とを機械学習し、ユーザデータの特徴量と、商品データの特徴量との相関関係を学習したモデルを作成する学習部と、
商品を購入するサイトにアクセスしてきたユーザに対応するユーザデータの特徴データと、商品データの特徴量とを取得し、モデルを適用した機械学習を実行して適合度を算出し、適合度を基に商品の推薦順位を決定する推薦部
とを備える情報処理装置である。
本発明の第２の観点は、
商品画像および商品説明文を含む商品データを特徴量に変換し、
商品を購入するユーザデータの特徴量と、商品データの特徴量とを機械学習し、ユーザデータの特徴量と、商品データの特徴量との相関関係を学習したモデルを作成し、
商品を購入するサイトにアクセスしてきたユーザに対応するユーザデータの特徴データと、商品データの特徴量とを取得し、モデルを適用した機械学習を実行して適合度を算出し、適合度を基に商品の推薦順位を決定する
ことを備える情報処理方法である。
本発明の第３の観点は、
商品画像および商品説明文を含む商品データを特徴量に変換する機能と、
商品を購入するユーザデータの特徴量と、商品データの特徴量とを機械学習し、ユーザデータの特徴量と、商品データの特徴量との相関関係を学習したモデルを作成する機能と、
商品を購入するサイトにアクセスしてきたユーザに対応するユーザデータの特徴データと、商品データの特徴量とを取得し、モデルを適用した機械学習を実行して適合度を算出し、適合度を基に商品の推薦順位を決定する機能
とをコンピュータに実行させるプログラムである。
本発明によれば、商品画像や商品説明文の内容を含む商品情報を基に、ユーザの嗜好に合致するお薦め商品を提示することができる。
本発明の第１の実施形態における情報処理装置の構成例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ＥＣサイト内における商品紹介ページの一例を示す図である。 本発明の第２の実施形態における前処理部の構成例を示すブロック図である。 本発明の第２の実施形態における商品データ記憶部のデータ構成例を示す図である。 本発明の第２の実施形態における特徴ベクトル記憶部のデータ構成例を示す図である。 本発明の第２の実施形態における学習部の構成例を示すブロック図である。 本発明の第２の実施形態における購入履歴記憶部のデータ構成例を示す図である。 本発明の第２の実施形態における閲覧履歴記憶部のデータ構成例を示す図である。 本発明の第２の実施形態における会員データ記憶部のデータ構成例を示す図である。 本発明の第２の実施形態における推薦部の構成例を示すブロック図である。 本発明の第２の実施形態における前処理部の動作例を示すフローチャートである。 本発明の第２の実施形態における学習部の動作例を示すフローチャートである。 本発明の第２の実施形態における正解データ一時記憶部内の正解値データ表の例を示す図である。 本発明の第２の実施形態における学習データ一時記憶部内の学習データ表の例を示す図である。 本発明の第２の実施形態における正解データ一時記憶部内の正解値データ表の例を示す図である。 本発明の第２の実施形態における学習データ一時記憶部内の学習データ表の例を示す図である。 本発明の第２の実施形態における推薦部の動作例を示すフローチャートである。 本発明の第２の実施形態における適合データ一時記憶部内の適合データ表の例を示す図である。 本発明の第２の実施形態における適合度一時記憶部内の適合度表の例を示す図である。 本発明の第１および第２の実施形態を実現するためのコンピュータの内部構成例を示すブロック図である。
次に図面を参照して、本発明の実施形態を説明する。以下の図面の記載において、同一又は類似の部分には同一又は類似の符号を付している。ただし、図面は本発明の実施形態における構成を模式的に表している。更に以下に記載される本発明の実施形態は一例であり、その本質を同一とする範囲において適宜変更可能である。
ＥＣサイト等のウェブサイトにおいて、デザイン性を重視する商品（例えば、衣服、アクセサリー、家具等）を購入する際、ユーザは実物の商品を見る又は触れることはできない。よって、ユーザは、ウェブサイトで閲覧できる情報のみを頼りに購入を決意することになる。尚、本発明における各実施形態中の説明において、ユーザは３種類存在する。第１に、ＥＣサイトで過去商品を購入して個人情報を登録したユーザである。第２にＥＣサイトに簡易登録（例えば、ｅｍａｉｌアドレスのみの登録）してＥＣサイトを閲覧するユーザである。以下、第１のユーザは「会員」ともいう。尚、この「会員」に第２のユーザを含めてもよい。第３に、ＥＣサイトで閲覧のみする無登録のユーザである。
ウェブサイトでの商品閲覧の際に、ユーザの購入決定に影響するのは、商品画像として映っている商品自体の形状、色合い、商品画像の映り具合、および、説明文の内容である。尚、商品画像の映り具合とは、例えば、商品を撮影する角度、商品を撮影する際の光の照射の状態、具体的な使用状態をイメージし易い様にモデルが商品を使用している状態等を指す。
商品画像および説明文に対する好感度は、ＥＣサイトを閲覧するユーザの年代、性別および職業等によって異なる。例えば、年配の方は、商品が大きく映っている画像と、大きな文字での短い説明文とを好む傾向がある。一方、若者は、服の着こなし例を示す小さな画像が複数映っている画像と、着こなし方や購入者コメント等の実用性を理解するために記載された小さな文字での長い説明文を好む傾向がある。また、年代だけでなく、性別、居住地等においても、ユーザの嗜好の傾向は異なる。例えば、「２０代、女性、学生、一人暮らし、東京都在住」という属性を持つユーザは、パステルカラーの服の画像と、他者のコメントページがリンクされた説明文とを含むＥＣサイトページの商品を好んで購入する等が挙げられる。
このようなユーザ毎の傾向を反映させるため、本発明における各実施形態では、商品画像と説明文との組み合わせの情報に、各ユーザの特徴データ（ユーザの年齢、性別、職業および居住地等）を加えた情報を機械学習させ、各情報の相関関係を学習した学習モデルを作成する。更に、本発明における各実施形態は、作成された学習モデルをＥＣサイトの閲覧用ページレイアウトに適用させることで、ユーザの特徴に合わせた商品画像および説明文によって、ＥＣサイト上にお薦め商品を提示する。
上記の機械学習は、教師あり学習（Supervised learning）であり、過去に「ある商品を購入した顧客」に関連する情報を教師データとして解析することで、教師データを分類し、その商品を購入するルール（以下、「モデル」と記載）を発見する。更に、このモデルを利用して潜在顧客を発見する。
尚、商品画像、商品説明文およびユーザ毎の特徴データにおける「関係性」を出力する機械学習アルゴリズムには、ＳＳＩ（Supervised Semantic Indexing and its Extensions; NEC Laboratories America; Bing Bai, Jason Weston, Ronan Collobert, David Grangier; December 25, 2012）がある。更に、他の機械学習アルゴリズム、例えば、サポートベクタマシン、ニューラルネット、ベイズ分類器等が用いられてもよい。
＜本発明の第１の実施形態＞
（情報処理装置）
本発明の第１の実施形態係る情報処理装置１００は、ユーザがコンピュータ等を介して閲覧するウェブサイト内に、当該ユーザに対するお薦めする商品を表示させるための処理を実行する。
本実施形態における処理は、大別して、３つのフェーズから構成される。第１に、商品画像および商品説明文等の商品の特徴量と、年齢および性別等のユーザの特徴量を機械学習にかけ相関関係を学習したモデルを作成する学習フェーズである。第２に、ＥＣサイトを閲覧するユーザの特徴量を入力として、上記の学習モデルを適用した機械学習エンジンから適合度を算出し、推薦順位を決定する推薦フェーズである。第３に、学習フェーズと推薦フェーズの前処理として、商品画像や商品説明文等の商品データを事前に特徴量に変換しておく前処理フェーズである。商品データの特徴量変換処理は、学習フェーズだけでなく、適合度を算出する推薦フェーズでも必要な処理となる。このため、特徴量から特徴ベクトルへの変換処理を前もって実施しておき、特徴ベクトルのデータとして記憶部に保存することにより、推薦フェーズでの商品データの特徴量変換処理を省く。
本発明の第１の実施形態に係る情報処理装置１００の構成の一例について、図１を参照して説明する。情報処理装置１００は、前処理部１、学習部２および推薦部３を備える。前処理部１は、商品画像および商品説明文を含む商品データの特徴量を抽出する。学習部２は、商品を購入するユーザデータの特徴量と、商品データの特徴量とを機械学習し、ユーザデータの特徴量と、商品データの特徴量との相関関係を学習したモデルを作成する。推薦部は、商品を購入するサイトにアクセスしてきたユーザに対応するユーザデータの特徴データと、商品データの特徴量とを取得し、モデルを適用した機械学習を実行して適合度を算出し、適合度を基に商品の推薦順位を決定する。
上記の構成により、本発明の第１の実施形態によれば、商品画像や商品説明文の内容を含む商品情報を基に、ユーザの嗜好に合致するお薦め商品を提示することができる。
＜第２の実施形態＞
次に本発明の第２の実施形態に係る情報処理装置について説明する。第２の実施形態に係る情報処理装置は、前処理部１０（図１の前処理部１に相当）、学習部２０（図１の学習部２に相当）および推薦部３０（図１の推薦部３に相当）を備える。
前処理部１０は、ＥＣサイトで販売されている各商品の商品画像および商品説明文（以下、「商品データ」と記載）を取得し、取得した商品データを各特徴量に変換する。尚、ＥＣサイト内における商品紹介ページは、例えば図２に示すように構成され、当該ページには、商品データ（商品画像および商品説明文）の他にも、商品名、価格、カテゴリ等が含まれる。
学習部２０は、ＥＣサイトからの購入履歴およびＥＣサイトの閲覧履歴から、ある会員において購入実績のあった商品を示すデータ（以下、「正解データ」と記載）を取得する。学習部２０は、当該正解データの特徴量、購入した会員を示すデータの特徴量および前処理部１０が変換した商品データの特徴量を入力値として、機械学習し、相関関係を学習した学習モデルを作成する。
推薦部３０は、ＥＣサイトを閲覧した会員の属性データの特徴量、各商品の属性データの特徴量および商品データの特徴量を入力として、学習モデルから適合度（入力された特徴量がどの程度、モデル（会員）に適合しているかを表す数値）を算出する。推薦部３０は、算出された値が高い順に、お勧め商品として提示する。
図３は、前処理部１０の内部構成を示す図である。前処理部１０は、図３に示すように、商品データ記憶部１０１、商品データ抽出部１０２、画像特徴量変換部１０３、テキスト特徴量変換部１０４および特徴ベクトル記憶部１０５を備える。
商品データ記憶部１０１は、図４に示すような商品データ１０１ａを記憶する。商品データ１０１ａのデータ項目としては、「商品ＩＤ」「商品名」「カテゴリ」「価格」「発売日」「商品画像」「商品説明文」「レビュー平均値」等を備える。商品ＩＤは商品を一意に識別する為の識別子である。カテゴリは、商品の属するカテゴリである。レビュー平均値は、当該商品を購入したユーザからの、当該商品に対する評価値の平均値である。
商品データ抽出部１０２は、商品データ１０１ａから、各商品の画像および商品説明文を学習対象データとして抽出する。
画像特徴量変換部１０３は、抽出した画像のデータの特徴量（例えば、輝度や色合い）を、Ｇａｂｏｒフィルタ（”Gabor Features and Support Vector Machine for Face Identification”, SHEN Linlin, Biomedical fuzzy and human sciences : the official journal of the Biomedical Fuzzy Systems Association 14(1), pp.61−66, 2009−01−00）を用いて、ベクトル列（数値データ列）に変換する。画像のデータを数値データ列に変換する他の手法として、ＳＩＦＴ（Scale−Invariant Feature Transform）手法またはＨＯＧ（Histograms of Oriented Gradients）手法（“Gradientベースの特徴抽出 - SIFTとHOG −”, 藤吉弘亘, 情報処理学会 研究報告 CVIM 160, pp. 211-224, 2007）を使用してもよい。尚、画像の内容や画像の種類によって、適切な特徴量変換フィルタを選択するように設計してもよい。
テキスト特徴量変換部１０４は、各説明文の特徴量を特徴ベクトルに変換する。具体的に、テキスト特徴量変換部１０４は、抽出した説明文データを、形態素解析を用いて単語（特徴量）に分解し、各単語の出現頻度をカウントする。更に、テキスト特徴量変換部１０４は、特徴量である各単語をベクトルの項目とし、各単語の出現頻度をベクトル値とし、これらのベクトル項目およびベクトル値を基に、ベクトル列を生成し、生成されたベクトル列を特徴ベクトルとする。この特徴量の変換例は一例であり、例えば、単語をベクトルの項目とし、テキスト内にその単語が含まれていればフラグ１、含まれていなければフラグ０を設定するというルールに則り、テキスト特徴量変換部１０４は、１と０から構成される数値データ列に変換しても良い。特徴量の変換において、助詞は全ての商品説明文において高頻度で出現するが分析に不要である。従って、不要な単語を除外する工夫も必要となる。
画像や説明文等の非構造データを特徴量とするベクトル列は、非常に大きいベクトル長のデータとなり、後述する学習および予測への適用が困難になることがある。このため、テキスト特徴量変換部１０４は、複数の特徴量の内、主要な特徴量のみをベクトル項目として選択して、選択されたベクトル項目が圧縮されたベクトル列を生成するように構成される。本実施形態においては、特徴ベクトルの生成手法として、例えば、以下の文献１および２に記載されている手法を使用する。
文献１: Sentiment Classification with Supervised Sequence Embedding, Bespalov, Dmitriy and Qi, Yanjun and Bai, Bing and Shokoufandeh, Ali
文献２： Machine Learning and Knowledge Discovery in Databases, Vol.7523, pp.159-174, Springer Berlin Heidelberg, 2012, ISBN: 978-3-642-33459-7
特徴ベクトル記憶部１０５は、商品ＩＤ毎に、変換された商品画像の特徴ベクトルおよび商品説明文の特徴ベクトルを、数値データとして図５に示すような特徴ベクトル表１０５ａに記憶する。
図６は、学習部２０の内部構成を示す図である。学習部２０は、図６に示すように、購入履歴記憶部２０１、閲覧履歴記憶部２０２、正解データ抽出部２０３、正解データ一時記憶部２０４、会員データ記憶部２０５、学習データ抽出部２０６、学習データ一時記憶部２０７、機械学習部２０８および学習モデル記憶部２０９を備える。
購入履歴記憶部２０１は、ＥＣサイト内の商品を会員が購入した履歴である購入履歴データ２０１ａを記憶する。購入履歴データ２０１ａは、図７に示すように、データ項目として、「購入ＩＤ」「購入日」「購入商品ＩＤ」「購入者会員ＩＤ」を有する。購入ＩＤは一回の商品購入を一意に特定可能な識別子であり、購入日時順の連番等で表してよい。購入商品ＩＤは、購入された商品の商品ＩＤである。購入者会員ＩＤは、購入した会員を一意に特定可能な識別子（会員ＩＤ）である。尚、会員ＩＤの詳細については、後述する。尚、購入履歴記憶部２０１内の購入履歴データ２０１ａは、会員が商品を購入する都度自動的に蓄積されるよう設定されているものとする。
閲覧履歴記憶部２０２は、ＥＣサイト内の商品を会員が閲覧した履歴である閲覧履歴データ２０２ａを記憶する。閲覧履歴データ２０２ａは、図８に示すように、データ項目として、「閲覧ＩＤ」「閲覧日」「閲覧商品ＩＤ」「閲覧会員ＩＤ」「滞在時間」を有する。閲覧ＩＤは一回の商品閲覧を一意に特定可能な識別子であり、閲覧日時順の連番等で表してよい。閲覧商品ＩＤは、閲覧された商品の商品ＩＤである。閲覧者会員ＩＤは、閲覧した会員を一意に特定可能な識別子（会員ＩＤ）である。尚、会員ＩＤの詳細については、後述する。滞在時間は、ある商品（目的商品）が掲載されたページの閲覧に会員が費やした時間である。閲覧履歴記憶部２０２内の閲覧履歴データ２０２ａは、会員が商品を閲覧する都度、自動的に蓄積されるよう設定されているものとする。
正解データ抽出部２０３は、購入履歴記憶部２０１から購入履歴データ２０１ａを会員毎に抽出する。更に、正解データ抽出部２０３は、会員毎に抽出した購入履歴データ２０１ａ内の、購入者会員ＩＤと購入商品ＩＤとの組み合わせを正解値（学習モデルの学習対象とするべきデータの組み合わせ値）と決定する。ここで、正解値のデータ（正解値データ）は、購入の実績以外にも、ある商品（目的商品）に関するページの閲覧履歴（ページビュー数）や、不特定多数のユーザが目的商品のページで実行した行動を含んでもよい。行動とは、例えば、不特定多数のユーザが、当該ページを閲覧するときに費やした「滞在時間」、当該ページ上での「クリック数」、目的商品に対する「レビュー点数」、「お気に入り登録率」および「問合せ数」等である。
一方、目的商品に関するページの閲覧履歴を正解値とする、または、正解値データに含める場合は、正解データ抽出部２０３は、閲覧履歴記憶部２０２から、閲覧履歴データ２０２ａを抽出する。
正解データ一時記憶部２０４は、正解データ抽出部２０３が抽出した正解データを一時記憶する。
会員データ記憶部２０５は、ＥＣサイト内に登録された会員の個人情報である会員データ２０５ａを記憶する。会員データ２０５ａは、図９に示すように、データ項目として、「会員ＩＤ」「名前」「性別」「年齢」「職業」「住所」「メールアドレス」を有する。尚、会員には簡易登録ユーザを含めてもよい。この場合、仮会員ＩＤとメールアドレス等の簡易個人情報を登録するようにする。尚、簡易登録会員の会員データは、会員データ記憶部２０５とは別のデータベースに登録されてもよい。
学習データ抽出部２０６は、正解データ一時記憶部２０４から、抽出された正解データ（購入者の会員ＩＤと購入された商品ＩＤ）を取り出す。学習データ抽出部２０６は、会員ＩＤを基に、会員データ記憶部２０５からその会員の会員データ２０５ａを取得し、更に、商品ＩＤを基に、特徴ベクトル記憶部１０５内の特徴ベクトル表１０５ａから目的商品の商品ＩＤに対応する特徴ベクトルのデータ（商品ＩＤに紐付られた特徴ベクトル）を取得する。学習データ抽出部２０６は、取得した特徴ベクトルのデータを学習データ一時記憶部２０７に格納する。
学習データ抽出部２０６は、会員ＩＤに紐付けられた会員データ２０５ａの内、性別や職業等の数値以外のデータは、数値で表現するように設定する。例えば、性別のデータは「０：男性」「１：女性」になる。職業のデータは「０：学生」「１：主婦」「２：会社員」になる。年齢のデータは、年代別の傾向を学習モデルに反映させ易くするため、年代別に数値化されることが好ましい。例えば、「１９歳以下：０」「２０〜２９歳：１」「３０〜３９歳：２」とする。学習データ抽出部２０６は、数値化された会員データ２０５ａを、会員の特徴量（会員ＩＤに紐付られた特徴量）として学習データ一時記憶部２０７に格納する。
学習データ一時記憶部２０７は、商品ＩＤに紐付けられた特徴ベクトルと、会員ＩＤに紐付けられた特徴量とを一時記憶する。
機械学習部２０８は、学習データ一時記憶部２０７に一時記憶された商品ＩＤに紐付けられた特徴ベクトルおよび会員ＩＤに紐付けられた特徴量、並びに正解データ一時記憶部２０４に一時記憶された正解値を入力値として、機械学習し、相関関係を学習した学習モデルを作成する。機械学習部２０８は、作成された学習モデルを、学習モデル記憶部２０９に格納する。
学習モデル記憶部２０９は、作成された学習モデルを格納する。
図１０は、推薦部３０の内部構成を示す図である。推薦部３０は、図１０に示すように、適合データ算出部３０１、適合データ一時記憶部３０２、適合度算出部３０３、適合度一時記憶部３０４および推薦商品表示部３０５を備える。
適合データ抽出部３０１は、ある会員がＥＣサイトを閲覧するためにアクセスしてきた際に、閲覧者を識別する手法を用いて、会員データ記憶部２０５から当該会員の会員データを取得する。閲覧者を識別する手法としては、会員に対し閲覧の前にログインＩＤの入力を求め、ログインＩＤで会員を識別する手法がある。この他にも、アドネットワークを形成してＥＣサイトサーバを１つにまとめ、ＥＣサイトサーバへのアクセス履歴から閲覧者がどのウェブサイトを訪れているかを把握する手法がある。更に、ＨＴＴＰ（Hypertext Transfer Protocol） ｃｏｏｋｉｅを用いて閲覧者を識別するＩＤを発行することにより、訪問者を特定する手法がある。
更に、適合データ抽出部３０１は、特徴ベクトル記憶部１０５内の特徴ベクトル表１０５ａから全ての商品に紐付けられた特徴ベクトルのデータを各々取得する。尚、全ての商品が膨大にある場合は、当該会員に推薦したい特定のカテゴリの商品に限定してもよい。
適合データ一時記憶部３０２は、適合データ抽出部３０１が取得した会員データおよび特徴ベクトルのデータを一時記憶する。
適合度算出部３０３は、学習モデル記憶部２０９から学習モデルを取得し、取得した学習モデルを適用した機械学習エンジンで、適合データ一時記憶部３０２に格納される会員データおよび特徴ベクトルのデータを入力値として、適合度を算出する。
適合度一時記憶部３０４は、適合度算出部３０３が算出した各商品の適合度を一時記憶する。
推薦商品表示部３０５は、適合度一時記憶部３０４内に一時記憶された各商品の適合度の中で、適合度の値が高い、上位の数件の商品を、当該会員に対するお薦め商品として、当該会員が閲覧する画面等に提示する。
尚、推薦部３０の内、適合データ抽出部３０１および適合度算出部３０３が行う処理は、会員がＥＣサイトにアクセスしてきた時に前処理部１０に実施させても良い。または、予め当該処理を前処理部１０に実施させ、適合度一時記憶部３０４に一時記憶させておいてもよい。
（情報処理装置の動作）
本発明の第２の実施形態に係る情報処理装置の動作について説明する。第２の実施形態に係る情報処理装置の動作としては、大別して、前処理部１０における動作、学習部２０における動作、推薦部３０における動作がある。以下、これらの動作について詳細に説明する。
（前処理部による動作）
前処理部１０（図３参照）における動作を、図１１のフローチャートを参照して説明する。
まずステップＳ１０１において、商品データ抽出部１０２は、商品データ記憶部１０１内の商品データ１０１ａから商品画像と商品説明文とを取得する。
ステップＳ１０２において、画像特徴量変換部１０３は、取得した商品画像の特徴量を、Ｇａｂｏｒフィルタ等を用いて、特徴ベクトルに変換する。画像の特徴量としては、例えば、画像全体の輝度、色の分布等が用いられる。これらの特徴量ｘｎ（ｎは正の整数）は、纏めて特徴ベクトル(feature vector)ｘとして以下の式（１）を用いて表される。
ｘ＝（ｘ１，ｘ２，…，ｘＭ，）Ｔ・・・式（１）
ここで、ｘＴはｘの転置を表す。また、Ｍは、特徴量の個数を表す。この他、特徴量の変換にはブースティング手法を用いてもよい。
ステップＳ１０３において、テキスト特徴量変換部１０４は、取得した説明文を、形態素解析により単語別に分解後、各単語の出現頻度をカウントし、各単語（特徴量）を特徴ベクトルに変換する。特徴量の変換おいては、各単語は特徴量を表すベクトルの項目、出現頻度はベクトルの値とする。この特徴量の変換例は一例であり、数値化可能な他の手法を用いてもよい。
ステップＳ１０４において、画像特徴量変換部１０３は、変換された商品画像の特徴ベクトルを、商品ＩＤと紐付けられたデータとして特徴ベクトル記憶部１０５内の特徴ベクトル表１０５ａに格納する。テキスト特徴量変換部１０４は、変換された商品説明文の特徴ベクトルを、商品ＩＤと紐付けられたデータとして特徴ベクトル記憶部１０５内の特徴ベクトル表１０５ａに格納する。この結果、特徴ベクトル表１０５ａは、図５に示すようなデータ構成となる。
（学習部による動作）
学習部２０（図６参照）における動作を、図１２のフローチャートを参照して説明する。
まずステップＳ２０１において、正解データ抽出部２０３は、購入履歴記憶部２０１から正解値に用いる購入履歴データ２０１ａを取得する。尚、正解値に用いるデータには閲覧履歴記憶部２０２に格納される閲覧履歴データ２０２ａを含めてもよいが、説明の簡便の為、以下の説明においては、購入履歴データ２０１ａのみを正解値に用いるデータとして取り扱うものとする。
ステップＳ２０２において正解データ抽出部２０３は、購入履歴記憶部２０１に記憶される購入履歴データ２０１ａを基に、購入履歴のある商品と会員とを組み合わせた正解値表２０４ａ（図１３参照）を作成する。具体的に、正解データ抽出部２０３は、購入履歴記憶部２０１から購入履歴データ２０１ａを取得する。その後、取得した当該購入履歴データ２０１ａから、商品ＩＤと、当該商品ＩＤに紐付られた商品を購入したことがある会員の会員ＩＤとの組み合わせを正解値「１」、当該会員が購入した実績の無い商品との組み合わせを正解値「０」と設定する。これにより、正解データ抽出部２０３は、図１３に示す正解値表を作成し、当該正解値表を正解データ一時記憶部２０４に記憶させる。
ステップＳ２０３において、学習データ抽出部２０６は、正解データ一時記憶部２０４から正解値表２０４ａを取得する。更に、学習データ抽出部２０６は、特徴ベクトル記憶部１０５内の特徴ベクトル表１０５ａから、画像の特徴ベクトルおよびテキストの特徴ベクトルを取得し、取得した両ベクトルと、正解値表２０４ａとを結合させる。
ステップＳ２０４において、学習データ抽出部２０６は、会員データ記憶部２０５内の会員データ２０５ａから、お薦め商品の選択に影響させたいユーザ属性（年齢、性別、職業等の項目）の列を抽出し、抽出したユーザ属性を、正解値表２０４ａに結合する。学習データ抽出部２０６は、これらの結合処理により、正解値表２０４ａから、図１４に示される学習データ表２０７ａを作成する。学習データ抽出部２０６は、作成された学習データ表２０７ａを、学習データ一時記憶部２０７に格納する。
ステップＳ２０５において、機械学習部２０８は、学習データ一時記憶部２０７から学習データ表２０７ａを取得する。機械学習部２０８は、取得した学習データ表２０７ａの各行に含まれる列毎のデータの組み合わせを入力値として、機械学習し、相関関係を学習した学習モデルを生成する。機械学習部２０８は、生成された学習モデルを学習モデル記憶部２０９に格納する。
ステップＳ２０２〜Ｓ２０４の変更例について述べる。
ステップＳ２０２の変更例において、正解データ抽出部２０３は、正解値を、「０」と「１」の２つの値以外、例えば、０〜１の間の小数点を用いた数値に設定できるようにしても良い。例えば、商品ページの閲覧数（ページビュー数）を正解値とさせたい場合、正解データ抽出部２０３は、商品ページをユーザが閲覧した回数の正規化値を正解値として生成する。正規化としては、例えば、その商品ページを全ユーザが閲覧した回数で割るなどを行うことで、０〜１の値の範囲の値に変換すること指す。この場合、商品ページの閲覧数（ページビュー数）を基とした正解値表２０４ｂは、図１５に示すようになる。
この他の例として、「（購入数）÷（ページビュー）」の値を正解値とすれば、あまり商品ページは閲覧されないが、ページを見たら購入されている商品の特徴を推薦順位に反映させることができる。また、購入時期を推薦傾向に反映させたい場合、正解データ抽出部２０３は、秋頃(９月〜１１月)の購入履歴を正解値として生成すれば、秋頃によく購入される商品を推薦できるようになる。このように、正解データ抽出部２０３は、正解値の内容を変更することにより、商品の推薦順位の振る舞いを変えることができる。
ステップＳ２０３〜Ｓ２０４の変更例としては、商品データ記憶部１０１に格納される商品画像と商品紹介文以外の項目から、学習データ抽出部２０６は、商品の推薦に影響させたい列を抽出し、正解値表に結合させてもよい。商品の推薦に影響させたい列とは、例えば、価格、カテゴリ、レビュー点数、閲覧履歴記憶部２０２に格納される閲覧履歴データ２０２ａ等を指す。
図１６に示す学習データ表２０７ｂは、閲覧履歴データ２０２ａを正解値に含めた正解値表２０４ｂ（図１５参照）を用いて作成された学習データ表の一例である。このように、学習データ抽出部２０６は、会員データ２０５ａと商品データ１０１ａの属性（項目）の列を取捨選択することにより、商品を推薦する順位に影響させたい属性情報を変更できる。
（推薦部による動作）
推薦部３０（図１０参照）における動作を、図１７のフローチャートを参照して説明する。
まずステップＳ３０１において、適合データ抽出部３０１は、ＥＣサイトにアクセスした会員の会員データを、会員データ記憶部２０５から取得する。ＥＣサイトにアクセスした会員識別する手法としては、会員に対しアクセスの前にログインＩＤの入力を求め、ログインＩＤで会員を識別する手法がある。この他、上述した閲覧者識別手法を用いてもよい。適合データ抽出部３０１は、更に、特徴ベクトル記憶部１０５から内の特徴ベクトル表１０５ａから各商品画像の特徴ベクトルデータおよび各商品説明文の特徴ベクトルデータを取得する。ここで、あるカテゴリの商品だけをユーザに紹介したい場合は、適合データ抽出部３０１は、そのカテゴリの商品に関する画像および説明文の特徴ベクトルデータを選択して取得してもよい。また、全商品を取得すると、処理サーバの性能などにより適合度算出のための処理時間が長くかかってしまう場合、適合データ抽出部３０１は、特定のカテゴリ内の商品関する画像および説明文の特徴ベクトルデータを選択して取得してもよい。
ステップＳ３０２においては、適合データ抽出部３０１は、取得した会員データの属性情報、各商品画像の特徴ベクトルデータおよび各商品説明文の特徴ベクトルデータを組み合わせ、適合データ表３０２ａ（図１８参照）を作成する。ここで、適合データ表３０２ａ内の各列に設定する属性（項目）は、学習部２０において学習時に設定した属性（図１４参照）と同じである。適合データ抽出部３０１は、適合データ表３０２ａを、適合データ一時記憶部３０２に格納する。
ステップＳ３０３において、適合度算出部３０３は、適合データ一時記憶部３０２から適合データ表３０２ａを取得し、更に学習モデル記憶部２０９から学習モデルを取得する。適合度算出部３０３は、取得した適合データ表３０２ａの各行に含まれる列毎のデータの組み合わせを入力値として、取得した学習モデルを適用した機械学習を行い、各商品とアクセスした会員との適合度を表す適合度表３０４ａ（図１９参照）を算出する。適合度は、例えば、０から１までの範囲の小数点の値で出力され、１に近いほど学習モデルと適合していることを示している。適合度算出部３０３は、算出された適合度表３０４ａを適合度一時記憶部３０４に格納する。
ステップＳ３０４において、推薦商品表示部３０５は、図１９に示される適合度表内の商品の中で、適合度の値が上位の(より1に近い)商品から、その会員に対するお勧め商品としてウェブ画面に表示するようにする。図１９に示す例の場合、商品ＩＤが３、５、４、２、１の順に、各商品ＩＤに紐付けられた商品を表示する。この表示は、ＥＣサイトに会員がアクセスしてきた際に行う。
（第２の実施形態の変更例）
商品データ（商品画像、商品説明文等）の属性が動的又は頻繁に変化する場合は、前処理部１０は、商品データ属性の特徴量を予め変換しておくのではなく、会員にお薦め商品を提示する直前に変換するようにしてもよい。商品データの属性が動的又は頻繁に変化するとは、例えば、商品画像が映像ストリーム等である場合、又は、商品説明文に商品購買者からの商品レビューが含まれており、それが頻繁に更新又は追加される場合等を指す。
前処理部１０が生成する特徴ベクトル記憶部１０５内の特徴ベクトル表１０５ａは、学習部２０および推薦部３０において使用される。よって、前処理部１０における処理の直後に、学習部２０および推薦部３０の処理を行うようにしてもよい。または、学習部２０が予め格納された特徴ベクトル記憶部１０５を用いて生成した学習モデルはそのまま用いることとし、推薦部３０が会員にお薦め商品を提示する直前に、前処理部１０に、再度、特徴ベクトル記憶部１０５内の特徴ベクトル表１０５ａを生成させてもよい。
（本発明に係る第２の実施形態の効果）
本発明に係る第２の実施形態の効果について述べる。本実施形態によると、商品画像や商品説明文の内容を含む商品情報を基に、ユーザの嗜好に合致するお薦め商品を提示することができる。この理由は、前処理部１０が、商品画像および商品説明文を特徴ベクトルに変換し、変換された特徴ベクトルを用いて、学習部２０が学習モデルを作成し、作成された学習モデルを用いて推薦部３０が会員に対するお薦め商品を決定するからである。
この他の効果について述べる。商品画像および商品照会文は非構造データである。よって、ユーザがＥＣサイトの会員に登録する際に、プロフィールに書きにくいようなユーザの商品の好みや画像の見せ方がある。しかし、本実施形態によると、非構造データも推薦順位に反映できることができる。例えば、単に、「赤い色の服を好む」という好みではなく、「上下セットの服画像を好む」や、「大きく商品を映した写真画像の商品を好む」等の好みも反映させることができる。
本実施形態によると、商品画像と商品説明文のみならず、その他商品情報（カテゴリ、価格、レビュー平均値等）を含めて、会員の好みを複合的に考慮した推薦を行うことができる。
年代、性別、職業、住んでいる地域等の会員の属性に沿った好みの傾向を推薦順位に反映させることができる。
購入実績、閲覧数（ページビュー数）、滞在時間、クリック数、お気に入り登録数、レビュー点数等を正解値とする又は正解値に含めることで、正解値に設定した情報を推薦順位に反映させることができる。また、正解値を変更するだけで、推薦順位の振る舞いを変更することができる。複数の正解値を組み合わせて使用することも可能である。例えば、（購入数）÷（閲覧数）＝（正解値）と設定すると、商品ページはあまり閲覧されないが、頻繁に購入はされている商品を、お薦め商品の推薦順位に反映させることができる。
（ハードウェア装置）
上述した情報処理装置１００は、電子回路等にて実現することも可能であるが、コンピュータを利用しても実現することもできる。この場合において、図１に示した情報処理装置１００内の前処理部１０、学習部２０、推薦部３０（図３、６、１０）に示される各部のうち、少なくとも図３内の商品データ抽出部１０２、画像特徴量変換部１０３およびテキスト特徴量変換部１０４と、図６内の正解データ抽出部２０３、学習データ抽出部２０６および機械学習部２０８と、図１０内の適合データ抽出部３０１、適合度算出部３０３および推薦商品表示部３０５とは、ソフトウェアプログラムの機能（処理）単位、言い換えると、ソフトウェアモジュールと捉えることができる。これらの機能（処理）を実現可能なハードウェア環境の一例を、図２０を参照して説明する。但し、これらの図面に示した各部の区分けは、説明の便宜上の構成であり、実装に際しては、様々な構成が想定され得る。
本発明の第１および２の実施形態に係る情報処理装置を実行可能なコンピュータ１０００の構成の一例を、図２０を用いて説明する。
図２０に示したコンピュータ１０００は、以下の構成がバス（通信線）３００８を介して接続された一般的なコンピュータである。
・ＣＰＵ３００１（Ｃｅｎｔｒａｌ＿Ｐｒｏｃｅｓｓｉｎｇ＿Ｕｎｉｔ）
・ＲＯＭ（Ｒｅａｄ＿Ｏｎｌｙ＿Ｍｅｍｏｒｙ）３００２、
・ＲＡＭ（Ｒａｎｄｏｍ＿Ａｃｃｅｓｓ＿Ｍｅｍｏｒｙ）３００３、
・記憶装置３００４、
・入出力ユーザインタフェース３００５、
・外部装置との通信インタフェース３００６、
・ドライブ装置３００９。
ドライブ装置３００９は、記録媒体３０１０から、コンピュータ１０００を実行するためのソフトウェア（プログラム）を読み出す。
そして、上述したハードウェア環境において、上述した実施形態は、以下の手順によって達成される。即ち、図２０に示したコンピュータ１０００に対して、その実施形態の説明において参照したブロック構成図（図１、３、６、１０）、或いはフローチャート（図１１、１２、１７）の機能を実現可能なコンピュータプログラム群を記憶する記憶装置３００４またはドライブ装置３００９から供給される。その後、そのコンピュータプログラムは、当該ハードウェアのＣＰＵ３００１に読み出されて解釈され、ＣＰＵ３００１において実行される。また、当該コンピュータ１０００内に供給されたコンピュータプログラムは、読み書き可能な揮発性の記憶デバイス（ＲＡＭ３００３）または記憶装置３００４等の不揮発性の記憶デバイスに格納すればよい。
本願発明は、ＥＣサイト等で商品の推薦順位の決定に利用できるが、この決定を基に、ユーザに好まれる（商品購入率が高くなる）商品画像、商品紹介文、およびこれらの組み合わせの選択においても利用することができる。例えば、様々な角度から撮影した複数の商品画像の中から、より購入率が向上する画像（画像群）を選択できる。更に、様々な手法で説明された複数の商品説明文の中から、より購入率が向上する説明文（説明文群）を選択できる。さらに、最も購買率が高い画像および説明文の組み合わせ（組み合わせ群）を選択できる。
本願発明は、ＳＮＳ(Social Networking Site)等で、会員の写真画像およびプロフィールテキストの評価に利用することができる。
また、本願発明は、一般的な情報を紹介するサイト（例えば、辞書サイト等）において、画像、説明文およびこれらの組み合わせの適切さを評価する際にも利用することができる。
更に、本願発明は、ウェブサイト上に表示されるインターネット広告、電子チラシ等に掲載する画像と説明文において、より購買率、クリック率が高まるような画像と説明文の組み合わせを選択する際にも利用することができる。
１ 前処理部
２ 学習部
３ 推薦部
１０ 前処理部
２０ 学習部
３０ 推薦部
１００ 情報処理装置
１０１ 商品データ記憶部
１０１ａ 商品データ
１０２ 商品データ抽出部
１０３ 画像特徴量変換部
１０４ テキスト特徴量変換部
１０５ 特徴ベクトル記憶部
１０５ａ 特徴ベクトル表
２０１ 購入履歴記憶部
２０１ａ 購入履歴データ
２０２ 閲覧履歴記憶部
２０２ａ 閲覧履歴データ
２０３ 正解データ抽出部
２０４ 正解データ一時記憶部
２０４ａ 正解値表
２０４ｂ 正解値表
２０５ 会員データ記憶部
２０５ａ 会員データ
２０６ 学習データ抽出部
２０７ 学習データ一時記憶部
２０７ａ 学習データ表
２０７ｂ 学習データ表
２０８ 機械学習部
２０９ 学習モデル記憶部
３０１ 適合データ抽出部
３０２ 適合データ一時記憶部
３０２ａ 適合データ表
３０３ 適合度算出部
３０４ 適合度一時記憶部
３０４ａ 適合度表
３０５ 推薦商品表示部
１０００ コンピュータ
３００１ ＣＰＵ
３００３ ＲＡＭ
３００４ 記憶装置
３００５ 入出力ユーザインタフェース
３００６ 通信インタフェース
３００９ ドライブ装置
３０１０ 記録媒体

Claims (7)

  1. 商品画像および商品説明文を含む商品データを特徴量に変換する前処理手段と、
    商品を購入するユーザの属性を表すユーザデータの特徴量と、前記商品データの特徴量とを機械学習し、前記ユーザデータの特徴量と、前記商品データの特徴量との相関関係を学習したモデルを作成する学習手段と、
    前記商品を購入するサイトにアクセスしてきたユーザに対応する前記ユーザデータの特徴データと、前記商品データの特徴量とを取得し、前記モデルを適用した機械学習を実行して適合度を算出し、前記適合度を基に前記商品の推薦順位を決定する推薦手段、
    とを備える情報処理装置。
  2. 前記商品データは複数存在し、
    前記前処理手段は、各商品データの特徴量への変換を、前記学習手段における前記モデル作成前に実行する、
    請求項１に記載の情報処理装置。
  3. 前記商品データは複数存在し、
    前記前処理手段は、各商品データの特徴量への変換を、前記ユーザが前記商品を購入するサイトにアクセスしてきた際に行う、
    請求項１に記載の情報処理装置。
  4. 前記ユーザによる前記商品の購入履歴を記憶する購入履歴記憶手段を備え、
    前記学習手段は、前記購入履歴記憶手段内に記憶される購入履歴を含む情報を基に、前記ユーザと前記購入履歴のある前記商品とを組み合わせた正解値表を作成する、
    請求項１乃至３のいずれかに記載の情報処理装置。
  5. 前記ユーザの属性を記憶するユーザデータ記憶手段を備え、
    前記学習手段は、前記ユーザデータ記憶手段内に記憶される前記ユーザの属性を含む情報と、作成された前記正解値表とを基に、学習データを抽出し、抽出された前記学習データを基に、前記モデルを作成する、
    請求項１乃至４のいずれかに記載の情報処理装置。
  6. 商品画像および商品説明文を含む商品データを特徴量に変換し、
    商品を購入するユーザの属性を表すユーザデータの特徴量と、前記商品データの特徴量とを機械学習し、前記ユーザデータの特徴量と、前記商品データの特徴量との相関関係を学習したモデルを作成し、
    前記商品を購入するサイトにアクセスしてきたユーザに対応する前記ユーザデータの特徴データと、前記商品データの特徴量とを取得し、前記モデルを適用した機械学習を実行して適合度を算出し、前記適合度を基に前記商品の推薦順位を決定する
    ことを備える情報処理方法。
  7. 商品画像および商品説明文を含む商品データを特徴量に変換する機能と、
    商品を購入するユーザの属性を表すユーザデータの特徴量と、前記商品データの特徴量とを機械学習し、前記ユーザデータの特徴量と、前記商品データの特徴量との相関関係を学習したモデルを作成する機能と、
    前記商品を購入するサイトにアクセスしてきたユーザに対応する前記ユーザデータの特徴データと、前記商品データの特徴量とを取得し、前記モデルを適用した機械学習を実行して適合度を算出し、前記適合度を基に前記商品の推薦順位を決定する機能、
    とをコンピュータに実行させるプログラム。
JP2015062055A 2015-03-25 2015-03-25 情報処理装置、情報処理方法およびプログラム Active JP6543986B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2015062055A JP6543986B2 (ja) 2015-03-25 2015-03-25 情報処理装置、情報処理方法およびプログラム
US15/068,813 US20160284007A1 (en) 2015-03-25 2016-03-14 Information processing apparatus, information processing method, and recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2015062055A JP6543986B2 (ja) 2015-03-25 2015-03-25 情報処理装置、情報処理方法およびプログラム

Publications (2)

Publication Number Publication Date
JP2016181196A true JP2016181196A (ja) 2016-10-13
JP6543986B2 JP6543986B2 (ja) 2019-07-17

Family

ID=56975665

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015062055A Active JP6543986B2 (ja) 2015-03-25 2015-03-25 情報処理装置、情報処理方法およびプログラム

Country Status (2)

Country Link
US (1) US20160284007A1 (ja)
JP (1) JP6543986B2 (ja)

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018045455A (ja) * 2016-09-14 2018-03-22 株式会社プロフィールド レイアウト装置、レイアウト方法、およびプログラム
JP2018077671A (ja) * 2016-11-09 2018-05-17 ヤフー株式会社 情報処理装置、情報処理方法、予測モデルの生成装置、予測モデルの生成方法、およびプログラム
WO2018139293A1 (ja) * 2017-01-30 2018-08-02 パナソニックＩｐマネジメント株式会社 住空間提案システムおよび住空間提案方法
JP2018128805A (ja) * 2017-02-07 2018-08-16 ヤフー株式会社 生成装置、生成方法及び生成プログラム
JP2018169822A (ja) * 2017-03-30 2018-11-01 日本電信電話株式会社 管理装置、管理方法および管理プログラム
JP2018181326A (ja) * 2017-04-06 2018-11-15 ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ ディープラーニングを活用した個人化商品推薦
JP2019016220A (ja) * 2017-07-07 2019-01-31 富士ゼロックス株式会社 情報処理装置及びプログラム
JP2019049945A (ja) * 2017-09-12 2019-03-28 ヤフー株式会社 抽出装置、抽出方法、抽出プログラム、及びモデル
CN109785072A (zh) * 2019-01-23 2019-05-21 北京京东尚科信息技术有限公司 用于生成信息的方法和装置
JP2019114243A (ja) * 2017-12-24 2019-07-11 オリンパス株式会社 撮像装置および学習方法
WO2019168144A1 (ja) * 2018-03-02 2019-09-06 日本電気株式会社 情報処理装置、情報処理システム、情報処理方法、及び、記録媒体
JP2019160178A (ja) * 2018-03-16 2019-09-19 ヤフー株式会社 情報処理装置、情報処理方法、およびプログラム。
JP2019179517A (ja) * 2018-03-30 2019-10-17 株式会社カネカ 配信システム、配信方法、およびプログラム
WO2019230499A1 (en) 2018-05-28 2019-12-05 Ricoh Company, Ltd. Image retrieval apparatus image retrieval method, product catalog generation system, and recording medium
JP2020052495A (ja) * 2018-09-25 2020-04-02 富士ゼロックス株式会社 情報処理装置及び情報処理プログラム
JP2020057232A (ja) * 2018-10-02 2020-04-09 富士ゼロックス株式会社 情報処理装置、及び情報処理プログラム
WO2020085086A1 (ja) * 2018-10-23 2020-04-30 株式会社ピーステックラボ 商品リコメンドシステム
JP2020516897A (ja) * 2017-04-14 2020-06-11 清華大学Ｔｓｉｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ 検査方法及び検査設備
JP2020154672A (ja) * 2019-03-20 2020-09-24 ヤフー株式会社 モデル生成装置、モデル生成方法、およびプログラム
JP2021068053A (ja) * 2019-10-18 2021-04-30 富士ゼロックス株式会社 生成装置、及び生成プログラム
JP2021068437A (ja) * 2019-10-17 2021-04-30 株式会社ウチダレック 出力プログラム、出力方法及び出力装置
JP2021082053A (ja) * 2019-11-20 2021-05-27 株式会社リクルート 情報配信システム、情報配信装置、およびプログラム
WO2021210660A1 (ja) * 2020-04-16 2021-10-21 株式会社クロスドリーム 商品・役務注文システム、商品・役務注文方法及びそのプログラム
JP2021190086A (ja) * 2020-05-27 2021-12-13 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド マルチメディアリソースの推薦方法、マルチメディアリソースの推薦装置、電子機器、非一時的なコンピュータ読み取り可能な記憶媒体及びコンピュータプログラム
JP7027606B1 (ja) 2021-09-28 2022-03-01 株式会社Zozo 情報処理装置、情報処理方法及び情報処理プログラム
JP2022053456A (ja) * 2020-09-24 2022-04-05 エヌ・シー・アール・コーポレイション 商品の連関性に基づく商品管理方法及びその商品管理システム
JP2023516373A (ja) * 2020-06-30 2023-04-19 北京字節跳動網絡技術有限公司 品物番号付けモデルをトレーニングするための方法及び装置
US20230196405A1 (en) * 2021-12-22 2023-06-22 Awoo Intelligence, Inc. Electronic marketing system and electronic marketing method
US20230196438A1 (en) * 2021-12-22 2023-06-22 Awoo Intelligence, Inc. System for awakening non-shopping consumers and implementation method thereof
US11710108B2 (en) 2017-07-26 2023-07-25 Block, Inc. Cryptocurrency payment network
JP7420227B2 (ja) 2020-03-30 2024-01-23 日本電気株式会社 情報処理装置、情報処理方法、及び、プログラム
US11915212B2 (en) 2017-07-26 2024-02-27 Block, Inc. Payment network for security assets
WO2024071257A1 (ja) * 2022-09-27 2024-04-04 ダイキン工業株式会社 プログラム、情報処理方法、及び情報処理装置

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11176145B2 (en) * 2015-10-17 2021-11-16 Ebay Inc. Generating personalized user recommendations using word vectors
US10409824B2 (en) * 2016-06-29 2019-09-10 International Business Machines Corporation System, method and recording medium for cognitive proximates
US10860898B2 (en) * 2016-10-16 2020-12-08 Ebay Inc. Image analysis and prediction based visual search
US20180150875A1 (en) * 2016-11-25 2018-05-31 Nathan Maez Formulation and Display of Product Representations
CN106991598A (zh) * 2017-04-07 2017-07-28 北京百分点信息科技有限公司 数据推送方法及其系统
TWI645350B (zh) 2017-11-24 2018-12-21 財團法人工業技術研究院 決策因素分析裝置與決策因素分析方法
US11126736B2 (en) * 2018-03-12 2021-09-21 Microsoft Technology Licensing, Llc Protecting storage by detecting unrecommended access
CN110728147B (zh) * 2018-06-28 2023-04-28 阿里巴巴集团控股有限公司 一种模型训练方法及命名实体识别方法
CN109345285A (zh) * 2018-09-04 2019-02-15 阿里巴巴集团控股有限公司 一种活动的投放方法、装置及设备
WO2020077494A1 (zh) 2018-10-15 2020-04-23 华为技术有限公司 智能拍照方法、系统及相关装置
CN110147502B (zh) * 2019-04-12 2024-03-15 平安科技（深圳）有限公司 基于大数据分析的产品推荐方法、装置、介质及服务器
US11144986B2 (en) * 2019-07-31 2021-10-12 Shopify Inc. Theme recommendation engine
CN112004234B (zh) * 2020-09-03 2022-10-14 中国联合网络通信集团有限公司 待建基站的位置确定方法、装置、控制设备及存储介质
CN112163704B (zh) * 2020-09-29 2021-05-14 筑客网络技术（上海）有限公司 一种用于建材投招标平台的优质供应商预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004234404A (ja) * 2003-01-31 2004-08-19 Minolta Co Ltd データベースシステム
JP2008260045A (ja) * 2007-04-12 2008-10-30 Kobe Steel Ltd 凝固遅れ抑制方法
JP2008269045A (ja) * 2007-04-17 2008-11-06 Profield Co Ltd 広告効果分析装置、広告効果分析方法、およびプログラム
JP2010055391A (ja) * 2008-08-28 2010-03-11 Fujifilm Corp 商品分析装置、商品提案装置、商品分析方法及びプログラム
JP2011039909A (ja) * 2009-08-17 2011-02-24 Albert:Kk 提示情報の最適化方法及びシステム
JP2014006684A (ja) * 2012-06-25 2014-01-16 Yahoo Japan Corp コンテンツ配信装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004234404A (ja) * 2003-01-31 2004-08-19 Minolta Co Ltd データベースシステム
JP2008260045A (ja) * 2007-04-12 2008-10-30 Kobe Steel Ltd 凝固遅れ抑制方法
JP2008269045A (ja) * 2007-04-17 2008-11-06 Profield Co Ltd 広告効果分析装置、広告効果分析方法、およびプログラム
JP2010055391A (ja) * 2008-08-28 2010-03-11 Fujifilm Corp 商品分析装置、商品提案装置、商品分析方法及びプログラム
JP2011039909A (ja) * 2009-08-17 2011-02-24 Albert:Kk 提示情報の最適化方法及びシステム
JP2014006684A (ja) * 2012-06-25 2014-01-16 Yahoo Japan Corp コンテンツ配信装置

Cited By (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018045455A (ja) * 2016-09-14 2018-03-22 株式会社プロフィールド レイアウト装置、レイアウト方法、およびプログラム
JP2018077671A (ja) * 2016-11-09 2018-05-17 ヤフー株式会社 情報処理装置、情報処理方法、予測モデルの生成装置、予測モデルの生成方法、およびプログラム
WO2018139293A1 (ja) * 2017-01-30 2018-08-02 パナソニックＩｐマネジメント株式会社 住空間提案システムおよび住空間提案方法
JP2018128805A (ja) * 2017-02-07 2018-08-16 ヤフー株式会社 生成装置、生成方法及び生成プログラム
JP2018169822A (ja) * 2017-03-30 2018-11-01 日本電信電話株式会社 管理装置、管理方法および管理プログラム
JP2018181326A (ja) * 2017-04-06 2018-11-15 ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ ディープラーニングを活用した個人化商品推薦
JP2020516897A (ja) * 2017-04-14 2020-06-11 清華大学Ｔｓｉｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ 検査方法及び検査設備
JP7031151B2 (ja) 2017-07-07 2022-03-08 富士フイルムビジネスイノベーション株式会社 情報処理装置及びプログラム
JP2019016220A (ja) * 2017-07-07 2019-01-31 富士ゼロックス株式会社 情報処理装置及びプログラム
US11710108B2 (en) 2017-07-26 2023-07-25 Block, Inc. Cryptocurrency payment network
US11915212B2 (en) 2017-07-26 2024-02-27 Block, Inc. Payment network for security assets
JP6998162B2 (ja) 2017-09-12 2022-01-18 ヤフー株式会社 抽出装置、抽出方法、及び抽出プログラム
JP2019049945A (ja) * 2017-09-12 2019-03-28 ヤフー株式会社 抽出装置、抽出方法、抽出プログラム、及びモデル
JP2019114243A (ja) * 2017-12-24 2019-07-11 オリンパス株式会社 撮像装置および学習方法
WO2019168144A1 (ja) * 2018-03-02 2019-09-06 日本電気株式会社 情報処理装置、情報処理システム、情報処理方法、及び、記録媒体
JP7151759B2 (ja) 2018-03-02 2022-10-12 日本電気株式会社 情報処理装置、情報処理方法、及び、プログラム
JPWO2019168144A1 (ja) * 2018-03-02 2020-12-10 日本電気株式会社 情報処理装置、情報処理システム、情報処理方法、及び、プログラム
JP7001508B2 (ja) 2018-03-16 2022-01-19 ヤフー株式会社 情報処理装置、情報処理方法、およびプログラム。
JP2019160178A (ja) * 2018-03-16 2019-09-19 ヤフー株式会社 情報処理装置、情報処理方法、およびプログラム。
JP2019179517A (ja) * 2018-03-30 2019-10-17 株式会社カネカ 配信システム、配信方法、およびプログラム
US11900423B2 (en) 2018-05-28 2024-02-13 Ricoh Company, Ltd. Image retrieval apparatus image retrieval method, product catalog generation system, and recording medium
WO2019230499A1 (en) 2018-05-28 2019-12-05 Ricoh Company, Ltd. Image retrieval apparatus image retrieval method, product catalog generation system, and recording medium
JP2020052495A (ja) * 2018-09-25 2020-04-02 富士ゼロックス株式会社 情報処理装置及び情報処理プログラム
JP7238315B2 (ja) 2018-10-02 2023-03-14 富士フイルムビジネスイノベーション株式会社 情報処理装置、及び情報処理プログラム
JP2020057232A (ja) * 2018-10-02 2020-04-09 富士ゼロックス株式会社 情報処理装置、及び情報処理プログラム
WO2020085086A1 (ja) * 2018-10-23 2020-04-30 株式会社ピーステックラボ 商品リコメンドシステム
US11995699B2 (en) 2018-10-23 2024-05-28 Peace Tec Lab Inc. Commodity recommendation system
CN109785072A (zh) * 2019-01-23 2019-05-21 北京京东尚科信息技术有限公司 用于生成信息的方法和装置
JP2020154672A (ja) * 2019-03-20 2020-09-24 ヤフー株式会社 モデル生成装置、モデル生成方法、およびプログラム
JP7330726B2 (ja) 2019-03-20 2023-08-22 ヤフー株式会社 モデル生成装置、モデル生成方法、およびプログラム
JP7109804B2 (ja) 2019-10-17 2022-08-01 株式会社ウチダレック 出力プログラム、出力方法及び出力装置
JP2021068437A (ja) * 2019-10-17 2021-04-30 株式会社ウチダレック 出力プログラム、出力方法及び出力装置
JP7400334B2 (ja) 2019-10-18 2023-12-19 富士フイルムビジネスイノベーション株式会社 生成装置、及び生成プログラム
JP2021068053A (ja) * 2019-10-18 2021-04-30 富士ゼロックス株式会社 生成装置、及び生成プログラム
JP2021082053A (ja) * 2019-11-20 2021-05-27 株式会社リクルート 情報配信システム、情報配信装置、およびプログラム
JP7424805B2 (ja) 2019-11-20 2024-01-30 株式会社リクルート 情報配信システム、情報配信装置、およびプログラム
JP7420227B2 (ja) 2020-03-30 2024-01-23 日本電気株式会社 情報処理装置、情報処理方法、及び、プログラム
JP2021170251A (ja) * 2020-04-16 2021-10-28 株式会社クロスドリーム 商品・役務注文システム、商品・役務注文方法及びそのプログラム
WO2021210660A1 (ja) * 2020-04-16 2021-10-21 株式会社クロスドリーム 商品・役務注文システム、商品・役務注文方法及びそのプログラム
JP7194163B2 (ja) 2020-05-27 2022-12-21 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド マルチメディアリソースの推薦方法、マルチメディアリソースの推薦装置、電子機器、非一時的なコンピュータ読み取り可能な記憶媒体及びコンピュータプログラム
JP2021190086A (ja) * 2020-05-27 2021-12-13 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド マルチメディアリソースの推薦方法、マルチメディアリソースの推薦装置、電子機器、非一時的なコンピュータ読み取り可能な記憶媒体及びコンピュータプログラム
JP2023516373A (ja) * 2020-06-30 2023-04-19 北京字節跳動網絡技術有限公司 品物番号付けモデルをトレーニングするための方法及び装置
JP7212875B2 (ja) 2020-09-24 2023-01-26 エヌ・シー・アール・コーポレイション 商品の連関性に基づく商品管理方法及びその商品管理システム
JP2022053456A (ja) * 2020-09-24 2022-04-05 エヌ・シー・アール・コーポレイション 商品の連関性に基づく商品管理方法及びその商品管理システム
JP2023048788A (ja) * 2021-09-28 2023-04-07 株式会社Zozo 情報処理装置、情報処理方法及び情報処理プログラム
JP7027606B1 (ja) 2021-09-28 2022-03-01 株式会社Zozo 情報処理装置、情報処理方法及び情報処理プログラム
US20230196405A1 (en) * 2021-12-22 2023-06-22 Awoo Intelligence, Inc. Electronic marketing system and electronic marketing method
US20230196438A1 (en) * 2021-12-22 2023-06-22 Awoo Intelligence, Inc. System for awakening non-shopping consumers and implementation method thereof
WO2024071257A1 (ja) * 2022-09-27 2024-04-04 ダイキン工業株式会社 プログラム、情報処理方法、及び情報処理装置

Also Published As

Publication number Publication date
JP6543986B2 (ja) 2019-07-17
US20160284007A1 (en) 2016-09-29

Similar Documents

Publication Publication Date Title
JP6543986B2 (ja) 情報処理装置、情報処理方法およびプログラム
US11636524B2 (en) Computer vision, user segment, and missing item determination
CN111784455B (zh) 一种物品推荐方法及推荐设备
US9881332B2 (en) Systems and methods for customizing search results and recommendations
US10360623B2 (en) Visually generated consumer product presentation
US9135255B2 (en) System and method for making gift recommendations using social media data
US20200342320A1 (en) Non-binary gender filter
WO2020020137A1 (zh) 商品推荐方法、装置、系统及计算机可读存储介质
US10860883B2 (en) Using images and image metadata to locate resources
CN108829847B (zh) 基于翻译的多模态建模方法及其在商品检索中的应用
Chung et al. Interactive design recommendation using sensor based smart wear and weather WebBot
JP6569183B2 (ja) 情報処理装置、方法及びプログラム
US10878473B1 (en) Content modification
US10489444B2 (en) Using image recognition to locate resources
US11514123B2 (en) Information retrieval system, method and computer program product
JP2019164706A (ja) 情報処理装置、情報処理方法、およびプログラム
JP2018156238A (ja) 情報処理装置、情報処理方法、およびプログラム
KR20220019737A (ko) 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램
US20170124599A1 (en) Personalized product labeling
JP6698041B2 (ja) 情報処理装置、方法およびプログラム
JP6945212B2 (ja) 情報処理装置及びプログラム
KR20210003706A (ko) 코디네이션 패션 아이템을 추천하는 방법
JP2020009453A (ja) 情報処理装置及びプログラム
JP7475590B2 (ja) 情報処理装置及びプログラム
WO2023079703A1 (ja) 処理実行システム、処理実行方法、及びプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180215

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190131

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190226

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190424

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20190521

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190603

R150 Certificate of patent or registration of utility model

Ref document number: 6543986

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150