JP2018005662A - 情報解析装置、情報解析方法、および情報解析プログラム - Google Patents

Abstract

【課題】ユーザの関心の高いアイテムを推薦するための情報を生成することができる情報解析装置、情報解析方法、および情報解析プログラムを提供する。【解決手段】情報解析装置は、レコメンドされる複数のアイテムが掲載された販売コンテンツを閲覧した利用者によってとられた行動に基づいて、複数のアイテムのそれぞれに対して重みを付与する重み付与部と、販売コンテンツに掲載された複数のアイテムの中から二つのアイテムを選択して対応付けたペアを、複数選択する選択部と、選択部によりペアとして選択された二つのアイテムのそれぞれの性質を示す素性の情報と、二つのアイテムに対して重み付与部によって付与された重みとに基づいて、素性を評価する評価部と、を備える。【選択図】図４

Description

本発明は、情報解析装置、情報解析方法、および情報解析プログラムに関する。

従来、インターネットにおけるショッピングサイトに、ユーザの趣味嗜好に合った商品またはサービスをレコメンドとして表示する技術について研究が進められている。これに関連し、広告のクリックログを学習データとして用いて機械学習することにより、ＣＴＲ（Click Through Rate）を予測する技術が知られている（例えば、特許文献１参照）。

特開２０１４−１７４７５３号公報

従来の技術では、推薦する商品またはサービスを、クリックログのデータを用いて決定することで、ユーザにとって余り関心の無い商品またはサービスが推薦される場合があった。この結果、ユーザの購買意欲を向上し難い場合があった。

本発明は、上記の課題に鑑みてなされたものであって、ユーザの関心の高いアイテムを推薦するための情報を生成することができる情報解析装置、情報解析方法、および情報解析プログラムを提供することを目的としている。

本発明の一態様は、レコメンドされる複数のアイテムが掲載された販売コンテンツを閲覧した利用者によってとられた行動に基づいて、前記複数のアイテムのそれぞれに対して重みを付与する重み付与部と、前記販売コンテンツに掲載された複数のアイテムの中から二つのアイテムを選択して対応付けたペアを、複数選択する選択部と、前記選択部によりペアとして選択された二つのアイテムのそれぞれの性質を示す素性の情報と、前記二つのアイテムに対して前記重み付与部によって付与された重みとに基づいて、前記素性を評価する評価部と、を備える情報解析装置である。

本発明の一態様によれば、ユーザの関心の高いアイテムを推薦するための情報を生成することができる。

実施形態における情報解析装置２００を含む情報解析システム１の一例を示す図である。 端末装置１０に表示される販売サイトの一例を示す図である。 実施形態におけるウェブサーバ装置１００の一例を示す図である。 実施形態における情報解析装置２００の一例を示す図である。 レコメンドアイテム情報２３２の一例を示す図である。 レコメンドアイテムごとの素性の一例を示す図である。 アイテム毎ラベル情報２３４の一例を示す図である。 特徴空間の一例を示す図である。 本実施形態における情報解析装置２００による処理の流れの一例を示すフローチャートである。 評価方法の検証に用いたデータの取得期間の一例を示す図である。 オフラインでの検証結果の一例を示す図である。 オンラインでの検証結果の一例を示す図である。 オンラインでの検証結果の他の例を示す図である。 情報解析装置２００と、他の解析装置である機械学習装置３００との一例を示す図である。 実施形態のウェブサーバ装置１００および情報解析装置２００のハードウェア構成の一例を示す図である。

以下、本発明を適用した情報解析装置、情報解析方法、および情報解析プログラムを、図面を参照して説明する。

［概要］
情報解析装置は、一以上のプロセッサによって実現される。情報解析装置は、レコメンドされる複数のアイテム（レコメンドアイテム）が表示された販売コンテンツを閲覧したユーザの行動に基づいて、レコメンドアイテムの性質を示す素性を評価する装置である。

販売コンテンツとは、ウェブブラウザなどのＵＡ（User Agent）によって表示されるウェブサイト（販売サイト）、端末装置にインストールされたアプリケーションプログラムがサーバと連携することで表示されるアプリ画面などを含む。以下の説明では、販売コンテンツは、ウェブブラウザによって表示される販売サイトであるものとして説明する。

アイテムとは、商品とサービスとのうち一方または双方を含む。アイテムは、販売サイトの一部または全部の領域に画像やテキスト（文字）として表示されてもよいし、販売サイトを表示しているウィンドウの上に、新たなウィンドウがポップアップされることで表示されてもよい。

素性とは、販売サイトにアイテムが掲載される際に表示されるタイトルなどの紹介テキストに含まれる単語、アイテムに対して予め付与されているカテゴリなどの属性情報、その他の情報である。

素性の評価は、販売サイトを閲覧したユーザの行動を、販売サイトにおいてレコメンドされたアイテムがその素性を有することによって、好ましい方向（例えば、購入させる方向）に誘導できたかどうか、という観点で行われる。例えば、素性の評価は、任意の二つのレコメンドアイテムを網羅的に選択し（全てを必ず選択する必要は無い）、選択したペアの間でユーザの行動の相違を解析し、その結果を機械学習することで行われる。この結果、ユーザの関心の高いアイテムを推薦するための情報を生成することができる。そして、この評価結果を次回以降のレコメンドアイテムの採用基準などに適用することで、販売サイトの販売実績を向上させることができる。

［全体構成］
図１は、実施形態における情報解析装置２００を含む情報解析システム１の一例を示す図である。実施形態における情報解析システム１は、ウェブサーバ装置１００と、情報解析装置２００とを備える。少なくともウェブサーバ装置１００は、ネットワークＮＷを介して複数の端末装置１０−１から１０−ｎ（ｎは任意の自然数）と接続される。

図１に示す各装置は、ネットワークＮＷを介して種々の情報を送受信する。ネットワークＮＷは、例えば、無線基地局、Ｗｉ−Ｆｉアクセスポイント、通信回線、プロバイダ、インターネットなどを含む。なお、図１に示す各装置の全ての組み合わせが相互に通信可能である必要はなく、ネットワークＮＷは、一部にローカルなネットワークを含んでもよい。

複数の端末装置１０−１から１０−ｎのそれぞれは、ユーザ（利用者）によって利用される端末装置である。以下、複数の端末装置１０−１から１０−ｎのそれぞれを区別しない場合、単に端末装置１０と称して説明する。端末装置１０は、例えば、スマートフォンなどの携帯電話、タブレット端末、ＰＤＡ（Personal Digital Assistant）、パーソナルコンピュータである。ユーザは、端末装置１０を操作し、ウェブサーバ装置１００が提供するウェブサイトにアクセスする。

例えば、端末装置１０は、ウェブブラウザなどのＵＡが起動し、ユーザによって所定の操作がなされることで、ウェブサーバ装置１００に対してＨＴＴＰ（Hypertext Transfer Protocol）リクエストを送信する。そして、端末装置１０は、ウェブサーバ装置１００から返信されたＨＴＴＰレスポンスに基づいてウェブページを表示部に表示させる。ＨＴＴＰレスポンスとして送信されるデータには、例えば、ＨＴＭＬ（Hyper Text Markup Language）等のマークアップ言語で記述されたテキストデータや、スタイルシート、静止画像データ、動画データ、音声データなどが含まれる。

ウェブサーバ装置１００は、例えば、ショッピングサイトやオークションサイト、フリーマーケットサイトなどの販売サイトを提供するサーバ装置である。ウェブサーバ装置１００は、自身が提供する販売サイトにレコメンドアイテムを掲載する。このレコメンドアイテムは、ウェブサーバ装置１００自身により提供される販売サイト内で取り扱われるアイテムに限定されてもよいし、他のウェブサーバ装置により提供されるウェブサイト内で取り扱われるアイテムを含んでもよい。

図２は、端末装置１０に表示される販売サイトの一例を示す図である。図示のように、販売サイトには、複数のレコメンドアイテム（図では「おすすめ商品」）が掲載されてよい。

情報解析装置２００は、ウェブサーバ装置１００により販売サイトに掲載されたレコメンドアイテムの素性について評価する。詳細については後述する。

［ウェブサーバ装置］
以下、上述したウェブサーバ装置１００および情報解析装置２００のそれぞれの構成について説明する。図３は、実施形態におけるウェブサーバ装置１００の一例を示す図である。図示のように、ウェブサーバ装置１００は、例えば、通信部１１０と、サーバ側制御部１２０と、サーバ側記憶部１３０とを備える。

通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等の通信インターフェースを含む。通信部１１０は、ネットワークＮＷを介して、端末装置１０および情報解析装置２００と通信する。例えば、通信部１１０は、端末装置１０からＨＴＴＰリクエストを受信する。また、通信部１１０は、端末装置１０からウェブブラウザの閲覧履歴に関する情報を受信してもよい。

サーバ側制御部１２０は、例えば、ＨＴＴＰ処理部１２２と、レコメンド処理部１２４と、レコメンドアイテム決定部１２６とを含む。これらの構成要素は、例えば、ＣＰＵ（Central Processing Unit）などのプロセッサがサーバ側記憶部１３０に格納されたプログラムを実行することにより実現される。また、サーバ側制御部１２０の構成要素の一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＦＰＧＡ（Field-Programmable Gate Array）などのハードウェア（回路部；circuitry）により実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

ＨＴＴＰ処理部１２２は、通信部１１０によりＨＴＴＰリクエストが受信されると、予めサーバ側記憶部１３０に記憶させておいたウェブページを生成するためのデータを読み出して、通信部１１０を用いて、ＨＴＴＰリクエストの送信元に読み出したデータをＨＴＴＰレスポンスとして送信する。

レコメンド処理部１２４は、ＨＴＴＰ処理部１２２によりＨＴＴＰレスポンスが送信される前に、ＨＴＴＰリクエストとして要求されるウェブページにレコメンドアイテムを掲載するために、ＨＴＴＰレスポンスとして送信されるデータを編集する。例えば、レコメンド処理部１２４は、ＨＴＴＰレスポンスとして送信されるデータに、レコメンドアイテムに関する静止画像データ、動画データ、音声データなどを格納する。また、レコメンド処理部１２４は、これらのデータと共に送信されるテキストデータやスタイルシートに、ウェブページにおける当該レコメンドアイテムを示す画像や説明文などの配置位置やフォントサイズを指定する記述を書き込んでもよいし、これらの記述が書き込まれたテキストデータやスタイルシートを新たに生成してもよい。

レコメンドアイテム決定部１２６は、後述する閲覧アイテム情報１３２、カート内アイテム情報１３４、および購入済アイテム情報１３６に基づいて協調フィルタリングを行って、一セッションごとにレコメンドアイテムを決定する。協調フィルタリングとは、多数のユーザの嗜好情報が蓄積されたデータ（上述した１３２、１３４、１３６など）から、アイテムをお勧めする対象のユーザと嗜好の類似した他のユーザの嗜好情報を抽出して、対象のユーザの嗜好に合うアイテムを推測する処理をいう。

セッションとは、販売サイト内のあるウェブページにアクセスしてから、当該販売サイト内の他のウェブページ、または他のウェブサイト内のウェブページに切り替わるまでの期間をいう。また、セッションとは、販売サイト内のあるウェブページにアクセスしてから、当該ウェブページを表示するウェブブラウザを閉じるまでの期間であってもよい。また、セッションとは、販売サイト内のあるウェブページにアクセスしてから所定時間経過（タイムアウト）するまでの期間であってもよい。レコメンドアイテム決定部１２６は、セッションが切り替わるのに応じてレコメンドアイテムを更新してよい。

また、さらにレコメンドアイテム決定部１２６は、協調フィルタリングの処理を行う際に、レコメンドアイテムとして採用するアイテムの優先度（順位）を決定し、乱数などの確率要素を付与した上で最終的にレコメンドアイテムとして採用するアイテムを決定してもよい。

また、レコメンドアイテム決定部１２６は、通信部１１０によって、端末装置１０におけるウェブブラウザの閲覧履歴に関する情報が取得されている場合には、当該情報をさらに加味して協調フィルタリングを行うことでレコメンドアイテムを決定してもよい。

また、レコメンドアイテム決定部１２６は、情報解析装置２００による評価結果に基づいて、レコメンドアイテムとして掲載するアイテムの掲載順位を決定してよい。例えば、一セッション中に同一販売サイト内に掲載可能なレコメンドアイテムの数に制限が設けられている場合、この制限下において、レコメンドアイテムとして優先的に掲載するアイテムを、後述するレコメンドアイテム候補情報１３８により示されるアイテムの候補の中から選択する。

また、サーバ側制御部１２０は、通信部１１０を用いて、後述する閲覧アイテム情報１３２、カート内アイテム情報１３４、購入済アイテム情報１３６、およびレコメンドアイテムとして販売サイトに掲載したアイテムに関する情報を、情報解析装置２００に送信する。

サーバ側記憶部１３０は、例えば、ＨＤＤ（Hard Disc Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、またはＲＡＭ（Random Access Memory）、或いはこれらのうち複数を組み合わせたハイブリッド型記憶装置により実現される。サーバ側記憶部１３０には、ファームウェアやアプリケーションプログラムなどの各種プログラム、通信部１１０により受信された情報などが記憶される。また、サーバ側記憶部１３０は、閲覧アイテム情報１３２、カート内アイテム情報１３４、購入済アイテム情報１３６、レコメンドアイテム候補情報１３８を記憶する。

閲覧アイテム情報１３２は、ユーザを識別するユーザＩＤごとに、販売サイトにおいて選択されたアイテムを識別するアイテムＩＤが対応付けられた情報である。例えば、ユーザＩＤは、販売サイトのログインＩＤであってもよいし、ウェブブラウザが管理するセッションＩＤであってもよい。セッションＩＤは、例えば、ＨＴＴＰレスポンスのヘッダーに格納されるＣｏｏｋｉｅに書き込まれ、販売サイトを管理するウェブサーバ装置１００から端末装置１０のウェブブラウザに受け渡される識別情報である。このＣｏｏｋｉｅには、アイテムの閲覧の有無を示す情報（例えばウェブブラウザの閲覧履歴に関する情報）が含まれてよい。端末装置１０のウェブブラウザは、受け取ったセッションＩＤを含むＣｏｏｋｉｅをＨＴＴＰリクエストに格納し、当該ＨＴＴＰリクエストをウェブサーバ装置１００に送信する。ＨＴＴＰ処理部１２２は、ＨＴＴＰリクエストに含まれるセッションＩＤと、ＨＴＴＰレスポンスに含めたセッションＩＤとを比較することで、当該セッションが、同一ユーザによる同一セッションであるのかを特定する。これによって、ユーザＩＤに対して選択済みのアイテムのアイテムＩＤが対応付けられることになる。

カート内アイテム情報１３４は、ユーザＩＤに対して、カートに入れた購入予定のアイテムのアイテムＩＤが対応付けられた情報である。購入済アイテム情報１３６は、ユーザＩＤに対して、既に購入されたアイテムのアイテムＩＤが対応付けられた情報である。これらにおけるユーザＩＤは、例えば、販売サイトのログインＩＤである。

レコメンドアイテム候補情報１３８は、レコメンドアイテムの候補となる複数のアイテムを示す情報である。例えば、ウェブサーバ装置１００は、自身が提供する販売サイトにおいて取り扱うアイテムをレコメンドアイテムとする場合、レコメンドアイテムの候補となる複数のアイテムを、自身が提供する販売サイトにおいて取り扱うアイテムの一部または全部から抽出してよい。また、例えば、ウェブサーバ装置１００は、他のサーバ装置が提供するウェブサイトにおいて販売されるアイテムをレコメンドアイテムとする場合、レコメンドアイテムの候補となる複数のアイテムを、他のウェブサイトにおいて取り扱われるアイテムの一部または全部から抽出してよい。

［情報解析装置］
図４は、実施形態における情報解析装置２００の一例を示す図である。図示のように、情報解析装置２００は、例えば、通信部２１０と、制御部２２０と、記憶部２３０とを備える。

通信部２１０は、例えば、ＮＩＣ等の通信インターフェースを含む。通信部２１０は、ネットワークＮＷを介して、ウェブサーバ装置１００と通信する。例えば、通信部２１０は、ウェブサーバ装置１００から、上述した閲覧アイテム情報１３２、カート内アイテム情報１３４、購入済アイテム情報１３６、および販売サイトに掲載したレコメンドアイテムに関する情報（後述するレコメンドアイテム情報２３２に相当する情報）を受信する。

制御部２２０は、例えば、コンバージョン毎ラベル付与部２２２と、ペアワイズ学習部２２４と、評価部２２６とを備える。これらの構成要素は、例えば、ＣＰＵなどのプロセッサが記憶部２３０に格納されたプログラムを実行することにより実現される。また、制御部２２０の構成要素の一部または全部は、ＬＳＩ、ＡＳＩＣ、またはＦＰＧＡなどのハードウェア（回路部；circuitry）により実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

記憶部２３０は、例えば、ＨＤＤ、フラッシュメモリ、ＥＥＰＲＯＭ、ＲＯＭ（Read Only Memory）、またはＲＡＭ、或いはこれらのうち複数を組み合わせたハイブリッド型記憶装置により実現される。記憶部２３０には、ファームウェアやアプリケーションプログラムなどの各種プログラム、通信部２１０により受信された情報などが記憶される。また、記憶部２３０は、レコメンドアイテム情報２３２、アイテム毎ラベル情報２３４、学習用モデル情報２３６を記憶する。

図５は、レコメンドアイテム情報２３２の一例を示す図である。レコメンドアイテム情報２３２は、上述したレコメンドアイテム決定部１２６により決定されたレコメンドアイテムに関する情報がセッションごとに集計された情報である。図示のように、各レコメンドアイテムのアイテムＩＤには、素性が対応付けられている。素性とは、レコメンドアイテムのタイトルなどの紹介テキストに含まれる単語（形態素）や、レコメンドアイテムのカテゴリなどの属性を表す単語である。形態素は、レコメンドアイテムの紹介テキストにおいて意味をもつ単語である。

図６は、レコメンドアイテムごとの素性の一例を示す図である。例えば、レコメンドアイテムが「サッカーボール」であり、タイトルに「送料無料・サッカーボール・Ｗ杯公式試合球・４号」などといった文章が付けられている場合、この文章における形態素がレコメンドアイテムに関する素性となる。例えば、形態素として、「送料無料」、「サッカー」、「Ｗ杯」、「公式試合球」などの名詞が挙げられる。また、当該レコメンドアイテムが、「サッカー・スポーツ用品・セール」などといったカテゴリに分類されている場合、このカテゴリを表す単語もレコメンドアイテムに関する素性となる。カテゴリは、販売サイトにおける店舗ごとに独自に設定されたものであってよい。また、レコメンドアイテムに関する素性には、レコメンドアイテムごとのアイテムＩＤ（例えば商品コードなど）が含まれてもよい。

コンバージョン毎ラベル付与部２２２は、一セッション中に販売サイトを閲覧したユーザの行動に基づいて、各種のコンバージョンが成立したか否かを判定する。コンバージョンとは、レコメンドアイテムを選択したユーザが、レコメンドアイテムの掲載を依頼した依頼者（例えば販売サイトによって収益を上げるサイト管理者や店舗経営者など）が期待する行動をとることをいう。この行動には、例えば、レコメンドアイテムの選択後にレコメンドアイテムを購入すること、レコメンドアイテムの選択後にレコメンドアイテムと異なるアイテムを、レコメンドアイテムが掲載された販売サイトにおいて購入すること（すなわち同販売サイト内においてレコメンドアイテムとは異なる何らかのアイテムを購入すること）、販売サイト内においてアイテム（レコメンドアイテムを含む）の購入はせずに単にレコメンドアイテムを選択すること、といった行動が含まれる。ここで、選択するとは、ユーザが、端末装置１０を用いて、そのレコメンドアイテムの領域をクリックまたはタップなどし、ウェブサーバ装置１００に対してレコメンドアイテムに関するウェブページの送信を要求する動作をいう。

例えば、コンバージョン毎ラベル付与部２２２は、ユーザが、レコメンドアイテムを購入した場合、第１のコンバージョンが成立したと判定する。また、コンバージョン毎ラベル付与部２２２は、ユーザが、レコメンドアイテムでない他のアイテムを購入した場合、第２のコンバージョンが成立したと判定する。また、コンバージョン毎ラベル付与部２２２は、ユーザが、レコメンドアイテムを選択し、その後いずれのアイテムを購入せずにセッションが切り替わった場合、第３のコンバージョンが成立したと判定する。これらのコンバージョンの成立可否の判定は、例えば、端末装置１０ごとの各ウェブブラウザにより管理されるクッキー（HTTP cookie）やWeb Storage機能に関する情報などに含まれ得るトラッキング情報を参照することで行われてよい。

そして、コンバージョン毎ラベル付与部２２２は、コンバージョンの成立の有無、および／または成立したコンバージョンの種類に応じて、レコメンドアイテムにラベルを付与する。ラベルは、例えば数値で表され、後述するペアワイズ学習において重み（係数）として扱われる。コンバージョン毎ラベル付与部２２２は、「重み付与部」の一例である。

例えば、コンバージョン毎ラベル付与部２２２は、販売サイトを閲覧したユーザの行動が、サイト管理者などの依頼者によって期待される行動に近いほど、より大きい値のラベルをレコメンドアイテムに付与する。サイト管理者などがレコメンドアイテムを掲載することによって収益の向上を期待する場合、レコメンドアイテムを購入するという行動には、最も大きい値のラベルが付与され、レコメンドアイテムではないが他のアイテムを購入する行動には、レコメンドアイテムを購入する行動である場合に付与されるラベル値の次に大きい値のラベルが付与される。レコメンドアイテムを含むアイテムの購入はせずに単にレコメンドアイテムの選択のみを行うという行動には、他のアイテムを購入する行動である場合に付与されるラベル値の次に大きい値のラベルが付与される。

図７は、アイテム毎ラベル情報２３４の一例を示す図である。図示のように、アイテム毎ラベル情報２３４は、レコメンドアイテムのアイテムＩＤごとにラベルが対応付けられた情報がセッションごとに集計されている情報である。例えば、ユーザがレコメンドアイテムの選択後にレコメンドアイテムを購入した場合（第１のコンバージョン成立）、レコメンドアイテムを示すアイテムＩＤには、「４」のラベルが付与される。また、ユーザが、レコメンドアイテムの選択後にレコメンドアイテムと異なるアイテムを、レコメンドアイテムが掲載された販売サイト（例えば、レコメンドアイテムを取り扱うショッピングストアのウェブサイト）において購入した場合（第２のコンバージョン成立）、レコメンドアイテムを示すアイテムＩＤには、「３」のラベルが付与される。また、アイテムの購入には至らなかったものの、ユーザが販売サイトにおいてレコメンドアイテムを選択した場合（第３のコンバージョン成立）、レコメンドアイテムを示すアイテムＩＤには、「２」のラベルが付与される。また、ユーザが、上記いずれの行動もとらなかった場合（コンバージョンの不成立）、レコメンドアイテムを示すアイテムＩＤには、「０」のラベルが付与される。これらの数値は、あくまでも一例であり、コンバージョンの種類（ユーザの行動に対する期待の程度）に応じた大小関係が維持されていれば、どのような値であってもよい。

ペアワイズ学習部２２４は、ラベルが付与された複数のレコメンドアイテムのそれぞれに対応する素性同士の関連性を、ペアワイズ学習によって導出する。本実施形態におけるペアワイズ学習は、ペアとする２つの特徴ベクトルの差分ベクトルを指標として扱うことで、対象となるデータを二値に分類する教師あり学習として実行される。ペアワイズ学習部２２４は、「選択部」の一例である。

例えば、ペアワイズ学習部２２４は、一セッションにおいて、コンバージョンの種類に対応付けられた４つのラベルから、重複しない２つのラベルを選択し、この２つのラベルをペアにすることを、全てのラベルの組み合わせについて行う。この際、先に選択されたペアに対して２つのラベルの順序が入れ替わったペアは、先に選択されたペアと異なるペアとして選ばれてよい。これによって、上述した図７の例では、_４Ｐ_２の順列の結果である合計１２組のペアが生成される。

そして、ペアワイズ学習部２２４は、ペアとした２つのラベルの差分を特徴ベクトル（差分ベクトル）とした特徴空間において、特徴ベクトルと、超平面ＨＰによって表される次元の境界線との距離を、複数の特徴ベクトルのそれぞれについて導出する。超平面ＨＰは、特徴空間の部分空間であり、例えば、特徴空間の次元数から１低下した次元を有する空間である。図示のように、特徴空間が二次元で表された場合、超平面ＨＰは一次元の直線で表される。この超平面ＨＰによって表される次元の境界線は、例えば、機械学習の一手法であるＲａｎｋｉｎｇＳＶＭ（Support Vector Machine）によって決定されてよい。

図８は、特徴空間の一例を示す図である。特徴空間はカーネル関数を用いて次数ｋの空間（ｋは任意の自然数）に変換されてよい。図示のように、例えば、「４」の値のラベルに対応するベクトルを「ｘ１」、「３」の値のラベルに対応するベクトルを「ｘ２」、「２」の値のラベルに対応するベクトルを「ｘ３」、「０」の値のラベルに対応するベクトルを「ｘ４」とした場合、特徴ベクトル（ｘ１−ｘ２）、（ｘ１−ｘ３）、（ｘ１−ｘ４）、…（ｘ４−ｘ１）、（ｘ４−ｘ２）、（ｘ４−ｘ３）の合計１２点が特徴空間にプロットされる。例えば、正側と負側との境界近傍に位置する特徴ベクトル（図８の例では、（ｘ３−ｘ４）、（ｘ２−ｘ３）、（ｘ４−ｘ３）、（ｘ３−ｘ２）など）がサポートベクトルとして学習に寄与する。ペアワイズ学習部２２４は、各特徴ベクトルを示すプロット点から、超平面ＨＰにより表される境界線までの直線距離（境界線に対する各プロット点からの垂線の長さ）を、点としてプロットした特徴ベクトルごとに導出する。

なお、ペアワイズ学習部２２４は、上述したＲａｎｋｉｎｇＳＶＭなどの機械学習を用いて、各特徴ベクトルを示す点と境界線との距離の大小関係が、特徴ベクトルを示す値（ラベル値の差分）の大小関係と同じ傾向となるように、超平面ＨＰを示す境界線を学習によって変更してもよい。例えば、ペアワイズ学習部２２４は、カーネル関数のパラメータ（Radial Basis Functionカーネルなど）を変更することで、超平面ＨＰを示す境界線を変更してよい。機械学習によって導出された超平面ＨＰを示す境界線をモデル化した数式などは、学習用モデル情報２３６として記憶部２３０に記憶される。

評価部２２６は、ペアワイズ学習部２２４により特徴空間において導出された特徴ベクトルごとの超平面ＨＰまでの距離に基づいて、レコメンドアイテムの素性同士の関連性について評価する。

以下、評価方法を説明するために、正側の特徴ベクトルのみに着目して説明するが、負側についても正側と同様の考え方で評価されてよい。また、ラベル４に対応したレコメンドアイテムの素性をｆ４、ラベル３に対応したレコメンドアイテムの素性をｆ３、ラベル２に対応したレコメンドアイテムの素性をｆ２、ラベル０に対応したレコメンドアイテムの素性をｆ０と表現して説明する。

例えば、上述した図８において、特徴ベクトル（ｘ１−ｘ２）および（ｘ１−ｘ３）に着目した場合、評価部２２６は、これらの特徴ベクトルを示す点から超平面ＨＰまでの距離を比較する。図示のように、特徴ベクトル（ｘ１−ｘ２）から超平面ＨＰまでの距離に比べて、特徴ベクトル（ｘ１−ｘ２）から超平面ＨＰまでの距離の方が短いことがわかる。従って、評価部２２６は、ｘ１が共通であるため、ｘ３（すなわちラベル２）に対応したレコメンドアイテムの素性ｆ２に比して、ｘ２（すなわちラベル３）に対応したレコメンドアイテムの素性ｆ３の方が、そのコンバージョンの種類は異なるもののコンバージョンに至った行動に対する寄与度が大きいと評価する。すなわち、超平面ＨＰを示す境界線に直交する直線によって表されるランキング関数ｆ（ｘ；ｗ）の値が大きくなる素性ほど、コンバージョンに至った行動に対する寄与度が高い評価となる。このような素性間の相対的な評価結果から、比較対象とする複数のレコメンドアイテムの素性のうち、最も購入に寄与した素性を特定することができる。言い換えれば、よりユーザの購買意欲を高めることが可能な素性を特定することができる。

評価部２２６は、上述した評価結果、すなわち、コンバージョンに至った行動に対する素性ごとの寄与度の評価結果を、通信部２１０を用いて、例えばウェブサーバ装置１００に送信してよい。評価結果は、例えば、評価の高い素性からランキング形式で降順に並べられた情報であってよい。これによって、ウェブサーバ装置１００におけるレコメンドアイテム決定部１２６は、レコメンドアイテム候補情報１３８を参照して、アイテムをレコメンドアイテムとして掲載する際の優先順位を決定する。例えば、レコメンドアイテム決定部１２６は、レコメンドアイテム候補情報１３８が示すレコメンドアイテムの候補として、同カテゴリの類似するアイテムが複数存在する場合、それぞれのアイテムの素性を比較して、評価の高い素性が付されたアイテムから順にレコメンドアイテムとして決定してよい。

また、評価部２２６は、通信部２１０を用いて、販売サイトのサイト管理者や店舗経営者などが操作するコンピュータに評価結果を送信してもよいし、情報解析装置２００の表示装置（不図示）などに評価結果を出力してもよい。これによって、サイト管理者などは、例えば、取り扱うアイテムのタイトルに付す単語などを、より評価の高い（より購入に至りやすい）単語に変更することができる。

［処理フロー］
図９は、本実施形態における情報解析装置２００による処理の流れの一例を示すフローチャートである。まず、通信部２１０は、ウェブサーバ装置１００から、閲覧アイテム情報１３２、カート内アイテム情報１３４、購入済アイテム情報１３６、およびレコメンドアイテム情報２３２を含む各種情報を受信する（Ｓ１００）。

次に、コンバージョン毎ラベル付与部２２２は、閲覧アイテム情報１３２およびレコメンドアイテム情報２３２を比較して、一セッションごとにレコメンドアイテムが選択されたか否かを判定する（Ｓ１０２）。レコメンドアイテムが選択されていない場合、コンバージョン毎ラベル付与部２２２は、レコメンドアイテムのアイテムＩＤにラベル０を付与する（Ｓ１０４）。

一方、レコメンドアイテムが選択された場合、コンバージョン毎ラベル付与部２２２は、当該レコメンドアイテムが購入されたか否かを判定する（Ｓ１０６）。レコメンドアイテムが購入された場合、コンバージョン毎ラベル付与部２２２は、レコメンドアイテムのアイテムＩＤにラベル４を付与する（Ｓ１０８）。

一方、レコメンドアイテムが購入されていない場合、コンバージョン毎ラベル付与部２２２は、レコメンドアイテムではないが他のアイテムが購入されたか否かを判定する（Ｓ１１０）。他のアイテムが購入された場合、コンバージョン毎ラベル付与部２２２は、レコメンドアイテムのアイテムＩＤにラベル３を付与する（Ｓ１１２）。

一方、他のアイテムが購入されていない場合、コンバージョン毎ラベル付与部２２２は、レコメンドアイテムのアイテムＩＤにラベル２を付与する（Ｓ１１４）。

次に、ペアワイズ学習部２２４は、コンバージョン毎ラベル付与部２２２によりレコメンドアイテムごとに付与された４種類のラベルを用いて、_４Ｐ_２の順列問題を解くことで全１２通りのペアを生成する（Ｓ１１６）。

次に、ペアワイズ学習部２２４は、１２通りのペアのそれぞれのラベルの差を特徴ベクトルとした特徴空間において、ＲａｎｋｉｎｇＳＶＭを用いて、特徴ベクトルと、超平面ＨＰによって表される次元の境界線との距離を、複数の特徴ベクトルのそれぞれについて導出する（Ｓ１１８）。

次に、評価部２２６は、ペアワイズ学習部２２４により特徴空間において導出された特徴ベクトルごとの超平面ＨＰまでの距離に基づいて、レコメンドアイテムの素性同士の関連性について評価する（Ｓ１２０）。

次に、評価部２２６は、評価結果を、外部装置などに出力する（Ｓ１２２）。これによって、本フローチャートの処理が終了する。

［検証例］
本願の出願人は、以下の実験を行い、本実施形態において提案する評価方法について検証を行った。図１０は、評価方法の検証に用いたデータの取得期間の一例を示す図である。図示のように、検証には、上述した超平面ＨＰを示す関数をペアワイズ学習によって導出させるためのトレーニングデータとして、４か月に亘り情報が蓄積されたデータ（閲覧アイテム情報１３２、カート内アイテム情報１３４、および購入済アイテム情報１３６）を用いた。また、トレーニングデータとして用いたデータとは異なる４か月分のデータを、学習させるテストデータとして用いた。これによって、テストデータとして用いたデータのレコメンドアイテムの素性は、トレーニングデータを規範とした機械学習によって分類される。

図１１は、リアルタイムで情報が蓄積されないオフラインでの検証結果の一例を示す図である。図示の例のように、本実施形態では、２つの手法について比較を行った。２つの手法のうち一方は、従来技術の一つとして、ＣＴＲを用いて超平面ＨＰを示す境界線を関数にモデル化する機械学習の手法（ＣＴＲ-ｍｏｄｅｌ）であり、他方は、本実施形態の手法（ＮＥＷ-ｍｏｄｅｌ）である。これらの２つの手法を、それぞれＴＦ‐ＩＤＦ手法と比べることで検証を行った。

従来技術であるＣＴＲを用いた手法は、本実施形態におけるコンバージョンのうち、第３のコンバージョンが成立したか否かの判定結果を用いて機械学習する手法であり、ラベル２とラベル０との差分のベクトルのみを特徴ベクトルとしている。また、ＴＦ‐ＩＤＦ手法は、ある一文書中に出現する着目単語の出現回数を一文書中に出現する全ての単語の出現回数の和で除算した単語出現頻度ＴＦ（Term Frequency）と、データ内の全文書数を着目単語が含まれる文書の数で除算した逆文書頻度ＩＤＦ（Inverse Document Frequency）の２つの指標に基づいて評価する手法である。

ＫＰＩ（Key Performance Indicator）として検証に用いた評価指標は、例えば、ｍａｃｒｏ-ａｕｃ（％）、ＭＲＲ（Mean Reciprocal Rank）（％）、順位付けの最大数が異なる複数のＮＤＯＣ（Normalized Discounted Cumulated Gain）（％）である。ｍａｃｒｏ-ａｕｃは、正解データと誤りデータとの相関性を示すＲＯＣ（Receiver Operating Characteristic）曲線上において、当該曲線下の面積により表される指標である。正解データと誤りデータは、トレーニングデータにより導出された超平面ＨＰの境界線により、テストデータが２値に分類されることで取得されてよい。例えば、ｍａｃｒｏ-ａｕｃは、テストデータが正解データと誤りデータに完全に分類可能であれば１００％となり、ランダムであれば５０％となる。ＭＲＲは、順位の逆数に着目して、最初に正解データが現れたときのその正解データの順位（最初のデータから何番目に正解データが出現したのかを示す順位）の逆数を求め(ＲＲ(Reciprocal Rank))、さらに全正解データの順位の逆数の平均を求めた評価指標である。例えば、ＭＲＲは、正解データが一つも出現しなければ０となる。ＮＤＯＣは、機械学習により提案された順位付けの正しさを示す指標であり、完全に正しい順位付けがなされている場合の値が１００％となる様にその値が正規化されている。ＮＤＯＣの値が大きいほどよい評価となる。本実施形態では、最上位の順位付けについて正誤を評価するＮＤＯＧ＠１と、上位の３つの順位付けについて正誤を評価するＮＤＯＧ＠３と、上位の５つの順位付けについて正誤を評価するＮＤＯＧ＠５とを用いて評価している。図１１に示すように、従来のＣＴＲを用いた手法に比べて本実施形態の手法の方が、ＮＤＯＧ＠１を除くその他の評価指標において評価値がいずれも大きくなった。

また、本願の出願人は、ライブテスト形式によりウェブサーバ装置１００から情報解析装置２００に随時トレーニングデータを送信させることで、リアルタイムでの評価について検証を行った。図１２は、リアルタイムで情報が蓄積されるオンラインでの検証結果の一例を示す図である。図示のように、従来のＣＴＲを用いた手法に比べて本実施形態の手法の方が、ＣＴＲの平均を示すａｖｅｒａｇｅ-ｃｔｒ（％）、およびＣＶＲ（Conversion Rate）の平均を示すａｖｅｒａｇｅ-ｃｖｒ（％）の双方の指標値において大きくなった。すなわち、本実施形態の手法の方が、レコメンドアイテムの選択数（閲覧数）やレコメンドアイテムの購買数が向上していると評価することができる。

また、図１３は、リアルタイムで情報が蓄積されるオンラインでの検証結果の他の例を示す図である。図１３に示す各評価指標（ＫＰＩ）は、上述した図１１で示す評価指標と同じである。図示のように、従来のＣＴＲを用いた手法に比べて本実施形態の手法の方が、全ての評価指標において評価値がいずれも大きくなった。

以上の評価結果より、従来手法に比して本手法の方が、よりユーザの関心の高いレコメンドアイテムを販売サイトに掲載していると評価することができる。すなわち、ユーザの購買意欲をより高めていると評価することができる。

以上説明した実施形態によれば、レコメンドアイテムが複数掲載された販売コンテンツを閲覧した利用者によってとられた行動に基づいて、複数のレコメンドアイテムのそれぞれに対して重みを付与し、複数のレコメンドアイテムの中から、二つのアイテムを対応付けたペアを複数選択し、ペアとして選択された二つのアイテムのそれぞれの性質を示す素性の情報と、二つのアイテムに対して付与された重みとに基づいて、素性を評価することにより、ユーザの関心の高いアイテムを推薦するための情報を生成することができる。

なお、上述した端末装置１０は、販売コンテンツとして、ウェブブラウザによって販売サイトを提供するものとして説明したがこれに限られず、例えば、予めインストールされたアプリケーションプログラムによって、販売サイトに相当するアプリ画面を提供してもよい。この場合、ウェブサーバ装置１００は、端末装置１０にインストールされたアプリケーションプログラムと連携するアプリケーションサーバであってよい。

また、上述した情報解析装置２００における評価部２２６は、特徴空間における複数の特徴ベクトルの中から、評価対象とする特徴ベクトルをユーザの属性に応じて決定してもよい。属性とは、例えば、性別、年齢、職業などであってよいがこれに限定されない。例えば、評価部２２６は、３０歳未満の男性などといった属性に合致するユーザによってとられた行動（コンバージョン）に基づきラベル付けされた特徴ベクトルのみを特徴空間から抽出し、抽出したこれらの特徴ベクトル同士の素性の関連性を評価する。これによって、販売サイトに、特定のユーザの関心を特に引き寄せることが可能なレコメンドアイテムを掲載することができる。

また、上述したウェブサーバ装置１００におけるレコメンド処理部１２４およびレコメンドアイテム決定部１２６の一方または双方は、情報解析装置２００における制御部２２０に含まれていてもよい。

また、情報解析装置２００におけるペアワイズ学習部２２４の一部または全部の機能と評価部２２６は、他の解析装置が備えていてもよい。図１４は、情報解析装置２００と、他の解析装置である機械学習装置３００との一例を示す図である。機械学習装置３００は、例えばＧＰＵ（Graphics Processing Unit）を用いて並列計算を行うコンピュータなどである。変形例の情報解析装置２００における制御部２２０Ａは、例えば、上述したコンバージョン毎ラベル付与部２２２と、ペアワイズ学習依頼部２２８とを備える。ペアワイズ学習依頼部２２８は、「出力部」の一例である。ペアワイズ学習依頼部２２８は、ペアとした２つのラベルの差分を求め、機械学習装置３００にラベルの差分を示す情報（差分ベクトル）を出力することで、機械学習装置３００にペアワイズ学習を依頼する。機械学習装置３００は、情報解析装置２００により出力されたラベルの差分に基づいて、ペアワイズ学習を行い、レコメンドアイテムの素性を評価する。そして、機械学習装置３００は、素性の評価結果を示す評価情報を情報解析装置２００に出力する。情報解析装置２００のペアワイズ学習依頼部２２８は、機械学習装置３００から取得した評価情報をウェブサーバ装置１００などに送信する。この際、ペアワイズ学習依頼部２２８は、機械学習装置３００から取得した評価情報をランキング形式で表されたデータなどに加工してもよい。これによって上述した実施形態と同様に、ユーザの関心の高いアイテムを推薦するための情報を生成することができる。

＜ハードウェア構成＞
上述した実施形態のウェブサーバ装置１００および情報解析装置２００は、例えば、図１５に示すようなハードウェア構成により実現される。図１５は、実施形態のウェブサーバ装置１００および情報解析装置２００のハードウェア構成の一例を示す図である。

ウェブサーバ装置１００は、ＮＩＣ１００−１、ＣＰＵ１００−２、ＲＡＭ１００−３、ＲＯＭ１００−４、フラッシュメモリやＨＤＤなどの二次記憶装置１００−５、およびドライブ装置１００−６が、内部バスあるいは専用通信線によって相互に接続された構成となっている。ドライブ装置１００−６には、光ディスクなどの可搬型記憶媒体が装着される。二次記憶装置１００−５、またはドライブ装置１００−６に装着された可搬型記憶媒体に格納された広告動画管理プログラムがＤＭＡコントローラ（不図示）などによってＲＡＭ１００−３に展開され、ＣＰＵ１００−２によって実行されることで、サーバ側制御部１２０が実現される。サーバ側制御部１２０が参照するプログラムは、ネットワークＮＷを介して他の装置からダウンロードされてもよい。

情報解析装置２００は、ＮＩＣ２００−１、ＣＰＵ２００−２、ＲＡＭ２００−３、ＲＯＭ２００−４、フラッシュメモリやＨＤＤなどの二次記憶装置２００−５、およびドライブ装置２００−６が、内部バスあるいは専用通信線によって相互に接続された構成となっている。ドライブ装置２００−６には、光ディスクなどの可搬型記憶媒体が装着される。二次記憶装置２００−５、またはドライブ装置２００−６に装着された可搬型記憶媒体に格納された広告動画管理プログラムがＤＭＡコントローラ（不図示）などによってＲＡＭ２００−３に展開され、ＣＰＵ２００−２によって実行されることで、制御部２２０が実現される。制御部２２０が参照するプログラムは、ネットワークＮＷを介して他の装置からダウンロードされてもよい。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何ら限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１…情報解析システム、１０…端末装置、１００…ウェブサーバ装置、１１０…通信部、１２０…サーバ側制御部、１２２…ＨＴＴＰ処理部、１２４…レコメンド処理部、１２６…レコメンドアイテム決定部、１３０…サーバ側記憶部、２００…情報解析装置、２１０…通信部、２２０…制御部、２２２…コンバージョン毎ラベル付与部、２２４…ペアワイズ学習部、２２６…評価部、２３０…記憶部

例えば、上述した図８において、特徴ベクトル（ｘ１−ｘ２）および（ｘ１−ｘ３）に着目した場合、評価部２２６は、これらの特徴ベクトルを示す点から超平面ＨＰまでの距離を比較する。図示のように、特徴ベクトル（ｘ１−ｘ３）から超平面ＨＰまでの距離に比べて、特徴ベクトル（ｘ１−ｘ２）から超平面ＨＰまでの距離の方が短いことがわかる。従って、評価部２２６は、ｘ１が共通であるため、ｘ３（すなわちラベル２）に対応したレコメンドアイテムの素性ｆ２に比して、ｘ２（すなわちラベル３）に対応したレコメンドアイテムの素性ｆ３の方が、そのコンバージョンの種類は異なるもののコンバージョンに至った行動に対する寄与度が大きいと評価する。すなわち、超平面ＨＰを示す境界線に直交する直線によって表されるランキング関数ｆ（ｘ；ｗ）の値が大きくなる素性ほど、コンバージョンに至った行動に対する寄与度が高い評価となる。このような素性間の相対的な評価結果から、比較対象とする複数のレコメンドアイテムの素性のうち、最も購入に寄与した素性を特定することができる。言い換えれば、よりユーザの購買意欲を高めることが可能な素性を特定することができる。

Claims (9)

1. レコメンドされる複数のアイテムが掲載された販売コンテンツを閲覧した利用者によってとられた行動に基づいて、前記複数のアイテムのそれぞれに対して重みを付与する重み付与部と、
   前記販売コンテンツに掲載された複数のアイテムの中から二つのアイテムを選択して対応付けたペアを、複数選択する選択部と、
   前記選択部によりペアとして選択された二つのアイテムのそれぞれの性質を示す素性の情報と、前記二つのアイテムに対して前記重み付与部によって付与された重みとに基づいて、前記素性を評価する評価部と、
   を備える情報解析装置。
2. 前記素性は、前記アイテムが前記販売コンテンツに掲載される際に表示される紹介テキストに含まれる単語、および前記アイテムに対して予め付与されている属性情報の少なくとも一方を含む、
   請求項１に記載の情報解析装置。
3. 前記重み付与部は、前記販売コンテンツを閲覧した利用者によってとられた行動の種類に基づいて、前記重みの大きさを決定する、
   請求項１または２に記載の情報解析装置。
4. 前記重み付与部は、前記販売コンテンツを閲覧した利用者によって前記アイテムを購入する行動がとられた場合に、前記購入されたアイテムに対して最も大きい重みを付与する、
   請求項３に記載の情報解析装置。
5. 前記評価部は、前記二つのアイテムのそれぞれに付与された前記重みの差に基づいて、前記素性の相違と前記重みとの関係を学習することで、前記複数のアイテムのそれぞれに対応した素性を評価する、
   請求項１から４のうちいずれか１項に記載の情報解析装置。
6. 前記評価部により評価された評価結果に基づいて、前記販売コンテンツに前記複数のアイテムを掲載する際の優先順位を決定する決定部を更に備える、
   請求項１から５のうちいずれか１項に記載の情報解析装置。
7. レコメンドされる複数のアイテムが掲載された販売コンテンツを閲覧した利用者によってとられた行動に基づいて、前記複数のアイテムのそれぞれに対して重みを付与する重み付与部と、
   前記販売コンテンツに掲載された複数のアイテムの中から二つのアイテムを選択して対応付けたペアを、複数選択する選択部と、
   前記選択部によりペアとして選択された二つのアイテムのそれぞれの性質を示す素性の情報と、前記二つのアイテムに対して前記重み付与部によって付与された重みとに基づいて前記素性が評価された評価情報を外部装置から取得し、前記評価情報に基づく情報を出力する出力部と、
   を備える情報解析装置。
8. コンピュータが、
   レコメンドされる複数のアイテムが掲載された販売コンテンツを閲覧した利用者によってとられた行動に基づいて、前記複数のアイテムのそれぞれに対して重みを付与し、
   前記販売コンテンツに掲載された複数のアイテムの中から二つのアイテムを選択して対応付けたペアを、複数選択し、
   前記ペアとして選択した二つのアイテムのそれぞれの性質を示す素性の情報と、前記二つのアイテムに対して付与した重みとに基づいて、前記素性を評価する、
   情報解析方法。
9. コンピュータに、
   レコメンドされる複数のアイテムが掲載された販売コンテンツを閲覧した利用者によってとられた行動に基づいて、前記複数のアイテムのそれぞれに対して重みを付与させ、
   前記販売コンテンツに掲載された複数のアイテムの中から二つのアイテムを選択して対応付けたペアを、複数選択させ、
   前記ペアとして選択させた二つのアイテムのそれぞれの性質を示す素性の情報と、前記二つのアイテムに対して付与させた重みとに基づいて、前記素性を評価させる、
   情報解析プログラム。

Images