JP2017027480A - アイテム推薦システム及びアイテム推薦方法 - Google Patents
アイテム推薦システム及びアイテム推薦方法 Download PDFInfo
- Publication number
- JP2017027480A JP2017027480A JP2015147269A JP2015147269A JP2017027480A JP 2017027480 A JP2017027480 A JP 2017027480A JP 2015147269 A JP2015147269 A JP 2015147269A JP 2015147269 A JP2015147269 A JP 2015147269A JP 2017027480 A JP2017027480 A JP 2017027480A
- Authority
- JP
- Japan
- Prior art keywords
- similarity
- item
- evaluation value
- user
- items
- 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
Links
- 238000000034 method Methods 0.000 title claims description 61
- 238000011156 evaluation Methods 0.000 claims abstract description 210
- 238000011524 similarity measure Methods 0.000 claims abstract description 89
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 50
- 238000013075 data extraction Methods 0.000 claims abstract description 40
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 239000000284 extract Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 20
- 239000013598 vector Substances 0.000 description 17
- 238000009826 distribution Methods 0.000 description 13
- 238000013500 data storage Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000593 degrading effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
しかしながら、例えばアイテムが商品で、評価値が嗜好度の場合、平均的な嗜好度を有するように設計された偽ユーザがユーザベースのCFシステムに投入される(アベレジアタックと呼ばれるシリングアタック)と、偽ユーザはどのユーザとも高い類似度を示すハブユーザ、すなわち、インフルエンサとなるため、偽ユーザの嗜好する商品が何時も推薦されるようになるおそれがある。
アイテムベースのCF、すなわち、類似する他のアイテムに対するユーザの過去の評価を参照してユーザに推薦するアイテムを決める推薦システム及び推薦方法に対しては、セグメントアタックあるいはポピュラーアタックと呼ばれるシリングアタックが効果を持つ。
これらのハブを軽減する方法をユーザベースのCFあるいはアイテムベースのCFに適用することにより、ターゲットアイテムの評価を不正に高めるために攻撃者により偽ユーザが投入されたとしても、ターゲットアイテムの評価が変動しないようにするアイテム推薦システム及びアイテム推薦方法を提供できると期待される。
また、アイテムベースのCFは、セグメントアタックあるいはポピュラーアタックと呼ばれる攻撃、すなわち、ある特定のトピック(例えば、アクション映画、ホラー映画などのトピック)において、ポピュラーなアイテムと高い類似度をターゲットアイテムに持たせるために、ターゲットアイテムとポピュラーアイテムの両方に高い評価値を与える偽ユーザを多数投入する攻撃を受けると、当該トピックに属するアイテムを好むユーザに対して、ターゲットアイテムが推薦され易くなる。
上記のような推薦は不自然であり、推薦システムの本来の機能を阻害するという問題があった。
本発明は、偽ユーザを投入する攻撃を受けても、結果として攻撃の影響を受けることが少ない、アイテム推薦システム及びアイテム推薦方法を提供することを目的とする。
また、マトリックスRは典型的にはユーザ数×アイテム数の評価マトリックスである。評価値R(u,i)として、典型的にはユーザuのアイテムiに係る嗜好度が使用される。ただし、嗜好度に限られず、定量的に評価可能であれば良い。例えば、健康への寄与度でも、不動産の価値でも、目的地への所要時間でも良い。また、定量的な評価はランク、レベルで表現するものでも良い。
また、ハブの出現を抑制する類似度尺度として、全てのデータ対象がデータ中心に同等に類似になるように変換された類似度尺度以外にも、ミューチュアルプロキシミティ、ローカルスケーリング等が挙げられる。
また、評価値を予測する際に、k人の平均値を使用できる。さらに、平均値を用いる際に、後述のように重み付けした平均値を用いると好ましい。重み付けには例えばユーザ間の類似度、季節による係数(果物の品質は季節に影響を受ける)等を使用できる。
シリングアタックは、ハブを利用する攻撃と見て取れる。ユーザベースのCFに対する攻撃では、システムによる推薦アイテムの決定を意図的にコントロールすることを目的とし、インフルエンサ、すなわち、ハブとなる偽ユーザを投入する。具体的には、偽ユーザをユーザに関するデータ中心に類似するように設計し、投入する。
このように構成すると、ハブの出現を抑制する類似度尺度を使用するので、偽ユーザを投入する攻撃を受けても、結果として攻撃の影響を受けることが少ないアイテム推薦システムを提供することができる。
このように構成すると、システムに記憶されたハブの出現を抑制する類似度尺度を使用して類似度を演算するのでハブの出現を抑制でき、アイテム推薦時に偽ユーザによる影響を少なくすることができる。
ここにおいて、類似度の変換には、例えば一般的な類似度尺度の式をハブの出現を抑制する類似度尺度の式に変換して類似度を求める方法、一般的な類似度尺度で求めた類似度を行列によりハブの出現を抑制する類似度尺度に基づく類似度に変換する方法等が使用される。
このように構成すると、一般的な類似度尺度をハブの出現を抑制する類似度尺度に変換して使用することによりハブの出現を抑制でき、アイテム推薦時に偽ユーザによる影響を少なくすることができる。
ここにおいて、重み付けには例えばユーザ間あるいはアイテム間の類似度、季節による係数(果物の品質は季節に影響を受ける)等を使用できる。本態様のように構成すると予測精度を向上できる。
本態様のように構成すると、ハブユーザの出現を低減できるので、偽ユーザを投入する攻撃を受けても、結果として攻撃の影響を受けることが少ないアイテム推薦方法を提供することができる。
本態様のように構成すると、ハブアイテムの出現を低減できるので、偽ユーザを投入する攻撃を受けても、結果として攻撃の影響を受けることが少ないアイテム推薦方法を提供することができる。
このように構成すると、一般的な類似度尺度に基づく類似度をハブの出現を抑制する類似度尺度に基づく類似度に変換して使用することによりハブの出現を抑制でき、アイテム推薦時に偽ユーザによる影響を少なくすることができる。
ユーザ数Nuser×アイテム数NitemのマトリックスRを、アイテムに対するユーザの過去の反応(評価値)からなるデータセットとする。R(u,i)はu番目のユーザのi番目のアイテムへの評価値を示す。マトリックスRはnilと称する値の無い空欄を含んでいる。このnilの値は、ユーザのアイテムに対する評価がまだ与えられていないことを意味する。一般に、マトリックスRは空欄が多く、大部分がnilである。ユーザベースのCFは(後述するアイテムベースのCFも)、k近傍法を利用してこれらの値を予測するものである。
ユーザベースのCFにおいて、ユーザ間類似度を与える関数Sim(.,.)を適切に選定することはが重要である。なぜなら、類似度関数はkNNに入るユーザ、及び式(1)に係るkNNに入るユーザの重みを決定するからである。
一般的な類似度尺度関数として、マトリックスRのnilを0に置換した後に、行ベクトル(各ユーザが与えた評価値のベクトル)がなす角度のコサイン(cos)を計算するコサイン類似度がある。式(2)にこれを示す。
ユーザベースのCF、すなわち、ユーザと類似する他のユーザの過去の評価を参照してユーザに推薦するアイテムを決める推薦システム及び推薦方法に対しては、アベレジアタックと呼ばれるシリングアタックが効果を持つ。システムが持つ評価値マトリックスRを、不正な評価値を加えることによって改ざんすれば、推薦されるアイテムは変更される。この目的で偽ユーザを投入する攻撃をシリングアタックと呼び、アベレジアタックはその一つである。この攻撃を受けると、どのユーザも偽ユーザとの類似度が高くなる。つまり、偽ユーザは、推薦アイテムの決定に影響力を持つインフルエンサ、すなわち、ハブユーザとなる。
アベレジアタックにおいて投入される偽ユーザは、ターゲットアイテム(攻撃対象アイテム)を好む振る舞いをし、他のアイテムに対しては誠実なユーザ(偽ユーザ以外のユーザ)の平均的な振る舞いをする。すなわち、偽ユーザはターゲットアイテムには高い評価値点を与え、残りのアイテムには平均的な評価値を与える。結果として、偽ユーザはターゲットアイテムを好み、かつ、任意の誠実なユーザとの類似が高くなる。それ故に、ユーザベースのCFは、アベレジアタックを受けると、偽ユーザが高い評価を与えるターゲットアイテムを全ての誠実なユーザに推薦しやすくなる。
ハブ現象は、「次元の呪い」の結果として起こる現象の一つである。Dをd次元データの集合とし、Nk(x)は、D内のデータx∈DがD内の他のデータのkNN内に入る回数を示す。次元dが増加すると、Nkの分布形状は右に長い尾を引くように変わる(図3参照)。又は、少数のデータが大きなNk値をとるようになる。かかる大きなNk値を示すデータをハブといい、かかる現象をハブネス(ハブ現象)という。
ナノポウラス達(A.Nanopoulos, and M.Radovanovic, M.Ivanovic. How does high dimensionality affect collaborative filtering? In Proc. 3rd ACM Conf. on Recommender Systems (RecSys), pages 293−296, 2009.)及びニース達(P.Knees,D.Schnitzer,and A.Flexer. 「Improving neighborhood−based collaborative filtering by reducing hubness」、 In Proc. ICMR’14,pages 161−168,2014年)は、ユーザベースあるいはアイテムベースのCFにおいては、kNNは高次元で計算されるので、ハブ現象が出現すると報告した。通常、ユーザ数及びアイテム数は大きいので、コサイン類似度やピアソン相関のような類似度の計算に使用されるベクトルは高次元となり、ハブ現象が生じる。そして、他のデータのkNN内に頻繁に現れるハブデータは、多くの推薦を決定するのに影響する。しかし、ハブデータは多くのデータにとってあまり意味を持たないデータである。なぜなら、ハブデータは高次元でデータ中心に類似するという理由によってのみkNNの中に頻繁に生じるのであり、個々のデータを特徴付けるための役には立たないからである。事実、ニース達の文献によれば、推薦システムのパフォーマンスはハブデータの存在により悪化する。さらに、ハブデータはシステムによる推薦アイテムの決定に強い影響を持つデータなので、もしもシステム外からハブデータを操ることができれば、システムを効果的に攻撃することが可能となる。
実際、ハブ現象は推薦システムを攻撃に対して危うくする。例えば、アベレジアタックによりシステムに投入された偽ユーザは、ハブデータとなることで、システムに大きな影響を与える。よって、ハブ現象の発生を抑えることは攻撃回避につながると考えられる。
データ中心との類似度が高い少数のデータがハブになるというのであれば、類似度尺度を全てのデータ対象がデータ中心に同等に類似になる類似度尺度に変換することにより、ハブ現象を抑制できると考えられる。かかる類似度(尺度)の変換は、与えられた類似度からコミュートタイムカーネルを計算することによって得られ、より簡易には、与えられた類似度をセンタリングすることによって得られる。
Nをデータ数とし、KをサイズNの類似度行列とする。Kに対するコミュートタイムカーネルKCTは、式(4)で与えられる。
KCT=L+(Lの一般化逆行列)・・・(4)
ここに、L=D−Kはグラフラプラシアンと呼ばれる。DはDii=ΣjKijとなる対角行列である。
本実施例では、アイテム推薦システム1としてユーザベースのCFを説明する。すなわち、類似度演算に例えばk近傍法を用い、対象ユーザと評価が似ている他のユーザの過去の評価値を参照してアイテムを推薦するシステムである。アイテムが商品で、評価値が嗜好度の場合は、対象ユーザと嗜好が似ている他のユーザの過去の嗜好度を参照して商品を推薦するシステムである。
なお、図5の構成は実施例1(ユーザベースのCF)及び実施例2(アイテムベースのCF)の両者に適用可能な構成である。このため、ユーザベースのCF及びアイテムベースのCFに共通する説明は本実施例で行うこととし、実施例2では差異を説明する程度とする。
パーソナルコンピュータ(PC)10は、ユーザ及びアイテムを登録する登録部11、ユーザのアイテムに係る評価の程度を表す評価値を評価マトリックスに記入する評価部12、類似度尺度を用いてユーザ間の類似度及び/又はアイテム間の類似度を演算する類似度演算部13、類似度の高い方から例えばk個の対象データ(ユーザ及び/又はアイテム)を抽出する近傍データ抽出部14、評価マトリックスRのセルに評価値が記入されていない時に、近傍データ抽出部14で抽出された評価値に基づいて、セルに記入されるであろうと予測される評価値を予測する評価値予測部15、評価値予測部15にて高い評価値を予測されたアイテムを推薦するアイテム推薦部16、アイテム推薦システム1の各部を制御して、アイテム推薦システムとして機能させる制御部17を備える。
まず、評価マトリックスRにアイテムi(S101:アイテム登録工程)、及びユーザuを登録する(S102:ユーザ登録工程)。アイテムiの登録とユーザuの登録はどちらが先でも良く、並行して行っても良い。次に、評価マトリックスRにユーザuのアイテムiに係る評価の程度を表す評価値R(u,i)を登録する(S103:評価値登録工程)。本実施例ではアイテムを商品とし、評価値を嗜好度とし、評価マトリックスRを嗜好度マトリックスとする。評価は例えば5段階評価(1〜5の整数))で行う。ユーザ自身が登録しても良く、システム側で過去のユーザの当該アイテムに係る振る舞いを参照して登録しても良い。必ずしもマトリックスR全体を記入する必要はなく、空欄のセルがあっても良く、通常は大部分が空欄になっている。評価マトリックスRは評価マトリックス記憶部21に記憶される(S104:評価マトリックス記憶工程)。
ハブデータの出現を抑制することが、ユーザベースのCFを、アベレジアタックに対して頑健にすることを確かめる実験を行った。実験には、推薦タスクのベンチマークデータとして使用されるムービーレンズ1Mデータセット(m1−1m)を用いた。このデータセットは、6,040ユーザ、3,706アイテムに対する1,000,209個の評価値(整数1〜5の5段階評価)から成る。どのユーザも少なくとも20アイテムを評価している。ベースラインとなるユーザ間の類似度尺度として、一般的に使われるコサイン類似度(Cos)、及び、ピアソン相関とshrunkenピアソン相関(Pearson)を用い、式(1)を用いて評価値を予測した。shrunkenピアソン相関がピアソン相関より良い精度が出ることが知られているので、今回はピアソン相関として、shrunkenピアソン相関を使用する。今後は、shrunkenピアソン相関をピアソン相関(Pearson)と表記する。ピアソン相関(Pearson)のパラメータβは、過去の研究報告に倣い、β=100に設定した。ハブデータの出現を抑制するための方法として、ベースラインとなる類似度を式(4)によりコミュートタイムカーネルに変換する方法(CT)、又は、式(5)によりセンタリング変換する方法(CENT)を用いた。この実験の主な目的は変換の前後における攻撃に対するシステムのロバスト性(耐性)を比較することである。
攻撃に対するロバスト性を調べる前に、攻撃が無いときに、CT変換及びCENT変換が評価値の予測精度を劣化させることがないか否かを検証した。推薦業務をシミュレートするために、データセット中の1,000,209個の評価値を、939,809個の訓練データ(テストデータの予測に使用するデータ)と60,400個のテストデータ(予測の対象となるデータ)に分割した。CFアルゴリズムの評価に一般的に使用される平均絶対誤差(MAE)を用いて、変換前後の類似度尺度の良し悪しを比較した。
MAE=1/|T|Σ(u,i)∈T|Pred(u,i)−R(u,i)|
として計算した。ここにTはテストデータ(|T|=60400)として与えられたユーザ−アイテムのペアの組である。
以下でアベレジアタックに対するロバスト性を評価するに際し、上記実験で概ねベストとなるMAEを達成するk=50と設定する。
アベレジアタックのターゲットアイテムとして21個の映画アイテムを選択した。これらのアイテムは、アベレジアタックに関する最初の研究を行ったラム達(S.K.Lam and J.Riedl.Shilling.Recommender Systems for Fun and Profit. In Proc. WWW ’04, pages 393−402, 2004年)が実験で用いたアイテムにできるだけ近いもの(評価ユーザ数、平均評価値の観点から)になるように選んだ。アベレジアタックとして、100の偽ユーザを投入し、偽ユーザはターゲットアイテムには高い評価(すなわち5)を付与し、残り他のアイテムにはノイズを加えた平均的評価を付与するよう作成した。すなわち、残りの各アイテムの各々に対して、μ=平均評価値、σ=1.0となる、正規分布(μ;σ)に従う乱数を生成し、もっとも近い整数値1〜5に変換して付与した。予測シフトと呼ばれる値、すなわち、攻撃前後の予測評価値の差となる値を用い、変換前後の類似度尺度の良し悪しを比較した。より正確には、訓練用データを除き、誠実なユーザ(偽ユーザを除く全ユーザ)とターゲットアイテムの各ペアに対する予測シフトを計算し、その平均値を比較に用いた。
表1はアベレジアタックにより生じた予測シフトと、Nk分布の歪度を示す。大きいNkを持つデータ、すなわちハブデータが存在するほど、Nk分布の歪度は大きい値となる。Nk分布の歪度は、SNk=E〔(Nk−μNk)3/σNk 3〕(E〔 〕は期待オペレータ、μNkとσNkはそれぞれNk分布の平均と標準分散である)で表される。Nk分布の歪度、予測シフトのどちらも、CENT又はCT変換後に減少した。このことは、変換された類似度尺度の使用は、ハブデータの出現を抑制し、その結果、推薦システムを攻撃に対してロバストにすることを示している。
次に、ハブ現象において、何故、CENT又はCTがロバスト性を提供するかを解析する。
外部から偽ユーザを投入することによって推薦されるアイテムの変更を狙う攻撃に対し、ハブ現象を抑制することによって協調フィルタリング(CF)をロバストにする方法を提案した。
我々のアプローチは、ハブ現象はシリングアタックにより利用される主要因子の1つであるという基盤に立つものである。我々は、ハブデータの出現を抑制する2つの変換(センタリング及びコミュートタイムカーネルへの変換)を、一般的に使用される類似度尺度(コサイン類似度及びピアソン相関)に適用した。ムービーレンズデータセットを用いて、これらの変換が推薦システムを、推薦精度を劣化させることなく、シリングアタックに対してロバストにすることを示した。
このように、対象アイテムと類似度の高い方からk個のアイテムを抽出し、k個のアイテムの評価値の(重み付き)平均としてユーザの評価値を予測する。
本実施例においては、偽ユーザ投入による攻撃が無いときでも、インフルエンサによる推薦のバイアスを受けない、アイテム推薦システム及びアイテム推薦方法を提供できる。
本実施例においても、偽ユーザを投入する攻撃を受けても、結果として攻撃の影響を受けることが少ない、アイテム推薦システム及びアイテム推薦方法を提供できる。
10 パーソナルコンピュータ(PC)
11 登録部
12 評価部
13 類似度演算部
14 近傍データ抽出部
15 評価値予測部
16 アイテム推薦部
17 制御部
18 表示部
19 入出力部
20 記憶部
21 評価マトリックス記憶部
22 ハブデータを抑制した類似度尺度記憶部
23 近傍データ記憶部
24 推薦アイテム記憶部
111 ユーザ登録部
112 アイテム登録部
131 第1の類似度演算部
132 第2の類似度演算部
135 類似度尺度変換部
141 第1の近傍データ記憶部
142 第2の近傍データ記憶部
151 第1の評価値予測部
152 第2の評価値予測部
231 近傍ユーザ記憶部
232 近傍アイテム記憶部
i アイテム
R 評価マトリクス
R(u,i) 評価値
u ユーザ
Claims (10)
- ユーザのアイテムに係る評価値を記入する評価マトリックスを記憶する評価マトリックス記憶部と;
ハブの出現を抑制する類似度尺度を用いてユーザ間の類似度を演算する第1の類似度演算部と;
前記第1の類似度演算部にて演算された類似度を用いて、前記対象ユーザとの類似度の高い方からk人のユーザを抽出する第1の近傍データ抽出部と;
前記第1の近傍データ抽出部にて抽出されたk人のユーザのアイテムに係る評価値を用いて、前記対象ユーザに係る未記入のセルに記入すべき評価値を予測する第1の評価値予測部と;
前記第1の評価値予測部にて予測された評価値の高いアイテムから前記対象ユーザに推薦すべきアイテムを抽出する推薦アイテム抽出して、前記対象ユーザに推薦するアイテム推薦部とを備える;
アイテム推薦システム。 - ユーザのアイテムに係る評価値を記入する評価マトリックスを記憶する評価マトリックス記憶部と;
ハブの出現を抑制する類似度尺度を用いてアイテム間の類似度を演算する第2の類似度演算部と;
前記第2の類似度演算部にて演算された類似度を用いて、前記対象アイテムとの類似度の高い方からk個のアイテムを抽出する第2の近傍データ抽出部と;
前記第2の近傍データ抽出部にて抽出されたk個のアイテムに係るユーザの評価値を用いて、前記対象ユーザに係る未記入のセルに記入すべき評価値を予測する第2の評価値予測部と;
前記第2の評価値予測部にて予測された評価値の高いアイテムから前記対象ユーザに推薦すべきアイテムを抽出して、前記対象ユーザに推薦するアイテム推薦部とを備える;
アイテム推薦システム。 - 前記ハブの出現を抑制する類似度尺度を記憶する類似度尺度記憶部を備える;
請求項1又は請求項2に記載のアイテム推薦システム。 - 一般的な類似度尺度に基づく類似度を前記ハブの出現を抑制する類似度尺度に基づく類似度に変換する類似度尺度変換部を備える;
請求項1ないし請求項3のいずれか1項に記載のアイテム推薦システム。 - 前記対象ユーザに係る未記入のセルに記入すべき評価値を予測するに際し、前記記入すべき評価値として、重み付けをした平均値を用いる;
請求項1ないし請求項4のいずれか1項に記載のアイテム推薦システム。 - ユーザのアイテムに係る評価値を記入する評価マトリックスを記憶する評価マトリックス記憶工程と;
ハブの出現を抑制する類似度尺度を用いてユーザ間の類似度を演算する第1の類似度演算工程と;
前記第1の類似度演算工程にて演算された類似度を用いて、前記対象ユーザとの類似度の高い方からk人のユーザを抽出する第1の近傍データ抽出工程と;
前記第1の近傍データ抽出工程にて抽出されたk人のユーザのアイテムに係る評価値を用いて、前記対象ユーザに係る未記入のセルに記入すべき評価値を予測する第1の評価値予測工程と;
前記第1の評価値予測工程にて予測された評価値の高いアイテムから前記対象ユーザに推薦すべきアイテムを抽出して、前記対象ユーザに推薦するアイテム推薦工程とを備える;
アイテム推薦方法。 - ユーザのアイテムに係る評価値を記入する評価マトリックスを記憶する評価マトリックス記憶工程と;
ハブの出現を抑制する類似度尺度を用いてアイテム間の類似度を演算する第2の類似度演算工程と;
前記第2の類似度演算工程にて演算された類似度を用いて、前記対象アイテムとの類似度の高い方からk個のアイテムを抽出する第2の近傍データ抽出工程と;
前記第2の近傍データ抽出工程にて抽出されたk個のアイテムに係るユーザの評価値を用いて、前記対象ユーザに係る未記入のセルに記入すべき評価値を予測する第2の評価値予測工程と;
前記第2の評価値予測工程にて予測された評価値の高いアイテムから前記対象ユーザに推薦すべきアイテムを抽出して、前記対象ユーザに推薦するアイテム推薦工程とを備える;
アイテム推薦方法。 - 一般的な類似度尺度に基づく類似度を前記ハブの出現を抑制する類似度尺度に基づく類似度に変換する類似度尺度変換工程を備える;
請求項6又は請求項7に記載のアイテム推薦方法。 - 請求項6ないし請求項8のいずれか1項に記載のアイテム推薦方法をコンピュータに実行させるためのプログラム。
- 請求項9に記載のプログラムを記録したコンピュータ読み取り可能な記録媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015147269A JP6566515B2 (ja) | 2015-07-24 | 2015-07-24 | アイテム推薦システム及びアイテム推薦方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015147269A JP6566515B2 (ja) | 2015-07-24 | 2015-07-24 | アイテム推薦システム及びアイテム推薦方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017027480A true JP2017027480A (ja) | 2017-02-02 |
JP6566515B2 JP6566515B2 (ja) | 2019-08-28 |
Family
ID=57946662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015147269A Active JP6566515B2 (ja) | 2015-07-24 | 2015-07-24 | アイテム推薦システム及びアイテム推薦方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6566515B2 (ja) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470052A (zh) * | 2018-03-12 | 2018-08-31 | 南京邮电大学 | 一种基于矩阵补全的抗托攻击推荐算法 |
CN109064293A (zh) * | 2018-08-09 | 2018-12-21 | 平安科技(深圳)有限公司 | 商品推荐方法、装置、计算机设备及存储介质 |
CN109214772A (zh) * | 2018-08-07 | 2019-01-15 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
CN111581503A (zh) * | 2020-04-26 | 2020-08-25 | 中国工商银行股份有限公司 | 模糊k邻近的推荐方法和装置、电子设备以及存储介质 |
CN112364064A (zh) * | 2020-08-27 | 2021-02-12 | 南京信息职业技术学院 | 运用动态偏向值提高预测准确度的电影推荐系统算法 |
CN112785331A (zh) * | 2021-01-07 | 2021-05-11 | 之江实验室 | 一种结合评价文本的抗注入攻击的鲁棒推荐方法和系统 |
CN112862206A (zh) * | 2021-03-02 | 2021-05-28 | 苏州大学 | 基于子空间划分的推荐方法及系统 |
EP4024316A1 (en) | 2021-01-05 | 2022-07-06 | Fujitsu Limited | Information processing program, information processing method, and information processing device |
CN116308214A (zh) * | 2023-05-16 | 2023-06-23 | 北京天工异彩影视科技有限公司 | 一种影视全流程制作管理系统 |
CN116932923A (zh) * | 2023-09-19 | 2023-10-24 | 江西财经大学 | 一种结合行为特征与三角协作度量的项目推荐方法 |
CN118094021A (zh) * | 2024-03-22 | 2024-05-28 | 重庆邮电大学 | 一种基于多模态的跨社交平台托攻击识别方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7466585B2 (ja) * | 2022-04-25 | 2024-04-12 | 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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011257955A (ja) * | 2010-06-08 | 2011-12-22 | Nippon Telegr & Teleph Corp <Ntt> | 推薦アイテムフィルタリング方法及び推薦アイテムフィルタリングプログラム |
WO2017203672A1 (ja) * | 2016-05-26 | 2017-11-30 | 富士通株式会社 | アイテム推奨方法、アイテム推奨プログラムおよびアイテム推奨装置 |
-
2015
- 2015-07-24 JP JP2015147269A patent/JP6566515B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011257955A (ja) * | 2010-06-08 | 2011-12-22 | Nippon Telegr & Teleph Corp <Ntt> | 推薦アイテムフィルタリング方法及び推薦アイテムフィルタリングプログラム |
WO2017203672A1 (ja) * | 2016-05-26 | 2017-11-30 | 富士通株式会社 | アイテム推奨方法、アイテム推奨プログラムおよびアイテム推奨装置 |
Non-Patent Citations (3)
Title |
---|
PETER KNEES: ""Improving Neighorhood-Based Collaborative Filtering by Reducing Hubness",[online],平成26年", ICMR 2014, JPN7019002200, GB, ISSN: 0004073286 * |
土方 嘉徳: ""嗜好抽出と情報推薦技術"", 情報処理, vol. 第48巻,第9号, JPN6019026456, 15 September 2007 (2007-09-15), JP, pages 957 - 965, ISSN: 0004073284 * |
鈴木 郁美: ""k近傍法でハブを軽減する類似度尺度"", 情報処理学会研究報告 自然言語処理(NL), vol. 第209巻,第11号, JPN6019026454, 15 December 2012 (2012-12-15), JP, pages 1 - 8, ISSN: 0004073285 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470052A (zh) * | 2018-03-12 | 2018-08-31 | 南京邮电大学 | 一种基于矩阵补全的抗托攻击推荐算法 |
CN108470052B (zh) * | 2018-03-12 | 2021-03-19 | 南京邮电大学 | 一种基于矩阵补全的抗托攻击推荐算法 |
CN109214772A (zh) * | 2018-08-07 | 2019-01-15 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
CN109214772B (zh) * | 2018-08-07 | 2024-01-16 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
CN109064293A (zh) * | 2018-08-09 | 2018-12-21 | 平安科技(深圳)有限公司 | 商品推荐方法、装置、计算机设备及存储介质 |
CN109064293B (zh) * | 2018-08-09 | 2023-04-18 | 平安科技(深圳)有限公司 | 商品推荐方法、装置、计算机设备及存储介质 |
CN111581503A (zh) * | 2020-04-26 | 2020-08-25 | 中国工商银行股份有限公司 | 模糊k邻近的推荐方法和装置、电子设备以及存储介质 |
CN112364064A (zh) * | 2020-08-27 | 2021-02-12 | 南京信息职业技术学院 | 运用动态偏向值提高预测准确度的电影推荐系统算法 |
EP4024316A1 (en) | 2021-01-05 | 2022-07-06 | Fujitsu Limited | Information processing program, information processing method, and information processing device |
CN112785331A (zh) * | 2021-01-07 | 2021-05-11 | 之江实验室 | 一种结合评价文本的抗注入攻击的鲁棒推荐方法和系统 |
CN112862206B (zh) * | 2021-03-02 | 2023-03-24 | 苏州大学 | 基于子空间划分的推荐方法及系统 |
CN112862206A (zh) * | 2021-03-02 | 2021-05-28 | 苏州大学 | 基于子空间划分的推荐方法及系统 |
CN116308214A (zh) * | 2023-05-16 | 2023-06-23 | 北京天工异彩影视科技有限公司 | 一种影视全流程制作管理系统 |
CN116308214B (zh) * | 2023-05-16 | 2023-08-15 | 北京天工异彩影视科技有限公司 | 一种影视全流程制作管理系统 |
CN116932923A (zh) * | 2023-09-19 | 2023-10-24 | 江西财经大学 | 一种结合行为特征与三角协作度量的项目推荐方法 |
CN116932923B (zh) * | 2023-09-19 | 2023-12-08 | 江西财经大学 | 一种结合行为特征与三角协作度量的项目推荐方法 |
CN118094021A (zh) * | 2024-03-22 | 2024-05-28 | 重庆邮电大学 | 一种基于多模态的跨社交平台托攻击识别方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6566515B2 (ja) | 2019-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6566515B2 (ja) | アイテム推薦システム及びアイテム推薦方法 | |
Savage et al. | Detection of opinion spam based on anomalous rating deviation | |
Stephen et al. | Explaining the power-law degree distribution in a social commerce network | |
JP5071690B2 (ja) | リスクモデル修正システム、リスクモデル修正方法およびリスクモデル修正用プログラム | |
Seminario et al. | Attacking item-based recommender systems with power items | |
Bhagat et al. | Recommending with an agenda: Active learning of private attributes using matrix factorization | |
Leonidou et al. | Drivers, outcomes, and moderators of consumer intention to buy organic goods: Meta-analysis, implications, and future agenda | |
JP7409513B2 (ja) | 機械学習データ生成プログラム、機械学習データ生成方法および機械学習データ生成装置 | |
Anelli et al. | A study of defensive methods to protect visual recommendation against adversarial manipulation of images | |
Mink et al. | {DeepPhish}: Understanding user trust towards artificially generated profiles in online social networks | |
Ivanova et al. | How can online marketplaces reduce rating manipulation? A new approach on dynamic aggregation of online ratings | |
Potluri et al. | Effects of data localization on digital trade: An agent-based modeling approach | |
Díaz-Ordaz et al. | Handling missing values in cost effectiveness analyses that use data from cluster randomized trials | |
CN111967948A (zh) | 一种银行产品推荐方法、装置、服务器及存储介质 | |
CN107885754B (zh) | 基于lda模型从交易数据中提取信用变量的方法和装置 | |
JP6706397B1 (ja) | 学習システム、学習方法、及びプログラム | |
Wilson et al. | Evil twins: Modeling power users in attacks on recommender systems | |
Alfarra et al. | On the robustness of quality measures for gans | |
Vollrath et al. | Reciprocal trade agreements: Impacts on bilateral trade expansion and contraction in the world agricultural marketplace | |
Rot et al. | PrivacyProber: Assessment and detection of soft–biometric privacy–enhancing techniques | |
Park et al. | Making a decision about importance analysis and prioritization of use cases through comparison the analytic hierarchy process (AHP) with use case point (UCP) technique | |
CN113222480A (zh) | 对抗样本生成模型的训练方法及装置 | |
Korhonen | Assessing personally perceived image quality via image features and collaborative filtering | |
Ramesh et al. | Secure recommendation system for E-commerce website | |
Al‐Bandawi et al. | Blind image quality assessment based on Benford's law |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180717 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190628 |
|
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: 20190709 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190726 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6566515 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |