JP2018063484A - ユーザ評価予測システム、ユーザ評価予測方法及びプログラム - Google Patents

Abstract

【課題】個々のユーザの商品の評価回数と、個々の商品を評価するユーザの数とが多くなくとも、マッチングスコアを高精度に予測する予測モデルを生成し、ユーザと商品とのマッチングスコアを求めることが可能なユーザ評価予測システムを提供する。【解決手段】本発明は、商品の特徴を示す数値情報を含む商品属性データと、ユーザが商品を使用する際に、商品の使用者の特徴を示す数値情報を含むユーザ属性データと、商品をユーザが使用した際のユーザの評価を示す評価データとから成る既知の学習用データから、機械学習のアルゴリズムで、ユーザ属性データと商品属性データの組合せに対応して、ユーザと商品のマッチングスコアを出力する予測モデルを求める機械学習部と、予測モデルによりユーザ属性データと商品属性データから、ユーザ属性データに対応するユーザの商品属性データに対するマッチングスコアを予測するマッチングスコア予測部とを備える。【選択図】図１

Description

本発明は、商品に対するユーザの評価を予測するユーザ評価予測システム、ユーザ評価予測方法及びプログラムに関する。

近年、インターネットが広く普及し、いずれのユーザもインターネットを介し、商品購入の際の決済機能を利用できるようになった。
このため、インターネットにより、商品を購入するユーザは増加している。このインターネット通販により、端末において膨大な商品群を閲覧し、店舗に行くことなく、ユーザの欲しい商品を購入することで、以前に比較してユーザの利便性は向上した。

上述したように、インターネット通販を利用するユーザが増加したため、ユーザに対して商品をより多く購入してもらう販売促進のため、各ユーザに合う商品をレコメンド（推薦）するサービスが行われている。レコメンドする際には、ユーザと商品群における商品の各々とのマッチング度の評価を行い、各ユーザに対してレコメンドする商品が抽出されている。
このユーザと商品とのマッチングを行う技術は、以前から様々な研究が行われており、近年において、多くのＥＣ（electronic commerce）ウェブサイトや動画配信ウェブサイトでレコメンデーションシステムとして用いられている。

このマッチングシステムとして、例えば、強調フィルタリングと呼ばれる手法を用いたレコメンデーションシステムがある（例えば、特許文献１参照）。この強調フィルタリングは２つの手法に大別される。一つは、ある商品Ａ＿１を購入したユーザＢ＿１が、別の商品Ａ＿２を購入した際、商品Ａ＿１を購入した別のユーザＢ＿２に対する商品Ａ＿２に対するマッチングスコアを増加させるという、商品間の共起性を利用するアイテムベース協調フィルタリングである。もう一つは、商品Ａ＿１をユーザＢ＿１とユーザＢ＿２とが購入している場合、ユーザＢ＿１が他の商品Ａ＿２を購入した場合に、ユーザＢ＿２に対する商品Ａ＿２のマッチングスコアを増加させるユーザ間の共起性を利用するユーザベース協調フィルタリングである。

上述した特許文献１など従来のレコメンデーションシステムは、衣服、靴や帽子などの被服に対して、ユーザ各々のサイズや装着した際のユーザの心地よさを予測することも可能である。レコメンデーションシステムは、ユーザの各々が購入した被服に対する装着の心地よさをフィット感として評価し、この評価結果をユーザの属性と商品の属性とに対応させて評価データベースに蓄積していく。これにより、レコメンデーションシステムは、評価データベースに蓄積されたユーザ各々の商品の評価結果をもとに、ユーザ各々にマッチングした商品を精度良くレコメンドすることが可能となる。

特許第５５０７６０７号公報

しかしながら、特許文献１などの従来のレコメンデーションシステムは、精度の高い適切なレコメンデーション結果を求めるため、ユーザ毎に多くの商品の購入データ、すなわちユーザの商品の評価データを必要としている。
すなわち、ユーザが評価していない被服についてのマッチングスコアを求める場合、従来のレコメンデーションシステムにおいて、上記評価データベースには、マッチングスコアを求めるユーザの他の商品（例えば、被服）に対する評価データと、この他の商品に対する他のユーザの評価の各々が多く蓄積されている必要がある。

本発明は、このような状況に鑑みてなされたものであり、個々のユーザの商品の評価回数と、個々の商品を評価するユーザの数とが多くなくとも、マッチングスコアを高精度に予測する予測モデルを生成し、ユーザと商品とのマッチングスコアを予測することが可能なユーザ評価予測システム、ユーザ評価予測方法及びプログラムを提供することを目的とする。

上述した課題を解決するために、本発明のユーザ評価予測システムは、商品の特徴を示す数値情報を含む商品属性データと、ユーザが前記商品を使用する際における当該商品の使用者の特徴を示す数値情報を含むユーザ属性データと、前記商品を前記ユーザが使用した際における当該ユーザの評価を示す評価データとから成る既知の学習用データから、機械学習のアルゴリズムにより、ユーザ属性データと商品属性データとの組合せの入力に対応して、前記ユーザの当該商品に対する評価データの予測値であるマッチングスコアを出力する予測モデルを求める機械学習部と、前記予測モデルにより、ユーザ属性データと商品属性データとから、当該ユーザ属性データに対応するユーザの、当該商品属性データに対応する商品の前記マッチングスコアを予測するマッチングスコア予測部とを備えることを特徴とする。

本発明のユーザ評価予測システムは、前記ユーザ及び前記商品毎に、前記商品属性データ及び前記ユーザ属性データの各々が、入力される前記数値情報以外の前記ユーザ、前記商品それぞれの特徴を示す隠れ商品属性データ、隠れユーザ属性データを含んで構成されていることを特徴とする。

本発明のユーザ評価予測システムは、前記機械学習部が、前記ユーザ毎の前記隠れユーザ属性データ及び前記予測モデルの各々を、当該隠れユーザ属性データに対応するユーザが前記商品を評価した際に更新することを特徴とする。

本発明のユーザ評価予測システムは、前記機械学習部が、前記商品毎の前記隠れ商品属性データ及び前記予測モデルの各々を、当該隠れ商品属性データに対応する商品が前記商品を評価した際に更新することを特徴とする。

本発明のユーザ評価予測システムは、前記機械学習部が、ＨＭＬ（heterogenious metoric learning）アルゴリズムを用いることを特徴とする。

本発明のユーザ評価予測システムは、前記機械学習部が、ＣＣＡ（canonical correlation analysis）アルゴリズムを用いることを特徴とする。

本発明のユーザ評価予測システムは、前記機械学習部が、ニューラルネットワークのアルゴリズムを用いることを特徴とする。

本発明のユーザ評価予測方法は、機械学習部が、商品の特徴を示す数値情報を含む商品属性データと、ユーザが前記商品を使用する際における当該商品の使用者の特徴を示す数値情報を含むユーザ属性データと、前記商品を前記ユーザが使用した際における当該ユーザの評価を示す評価データとから成る既知の学習用データから、機械学習のアルゴリズムにより、ユーザ属性データと商品属性データとの組合せの入力に対応して、前記ユーザの当該商品に対する評価データの予測値であるマッチングスコアを出力する予測モデルを求める機械学習過程と、マッチングスコア予測部が、前記予測モデルにより、ユーザ属性データと商品属性データとから、当該ユーザ属性データに対応するユーザの、当該商品属性データに対応する商品の前記マッチングスコアを予測するマッチングスコア予測過程とを含むことを特徴とする。

本発明のプログラムは、ユーザのユーザ属性データ及び商品の商品属性データから、当該商品に対する前記ユーザの評価を予測するためのプログラムであって、コンピュータを、商品の特徴を示す数値情報を含む商品属性データと、ユーザが前記商品を使用する際における当該商品の使用者の特徴を示す数値情報を含むユーザ属性データと、前記商品を前記ユーザが使用した際における当該ユーザの評価を示す評価データとから成る既知の学習用データから、機械学習のアルゴリズムにより、ユーザ属性データと商品属性データとの組合せの入力に対応して、ユーザの当該商品に対する評価データの予測値であるマッチングスコアを出力する予測モデルを求める機械学習手段、前記予測モデルにより、ユーザ属性データと商品属性データとから、当該ユーザ属性データに対応するユーザの、当該商品属性データに対応する商品の前記マッチングスコアを予測するマッチングスコア予測手段として動作させるプログラムである。

以上説明したように、本発明によれば、個々のユーザの商品の評価回数と、個々の商品を評価するユーザの数とが多くなくとも、マッチングスコアを高精度に予測する予測モデルを生成し、ユーザと商品とのマッチングスコアを求めることが可能なユーザ評価予測システム、ユーザ評価予測方法及びプログラムを提供することができる。

本発明の一実施形態であるユーザ評価予測システムの概略構成を示すブロック図である。 記憶部１６におけるユーザ属性テーブルの一例を示す図である。 記憶部１６における商品属性テーブルの一例を示す図である。 記憶部１６における評価結果テーブルの一例を示す図である。 本実施形態における予測モデルにおけるパラメータの推定を行なう機械学習をニューラルネットワークにより行なう場合の概念を説明する図である。 機械学習部１４が学習用データを用いた学習により予測モデルを生成する際に用いる評価テーブルの構成例を示す図である。 マッチングスコア予測部１５が予測モデルにより求めたマッチングスコアが記載される予測結果テーブルの構成例を示す図である。 本実施形態のユーザ評価予測システムにおける機械学習部１４の行なう予測モデルに対する学習処理の動作例を示すフローチャートである。 本実施形態のユーザ評価予測システムにおけるマッチングスコア予測部１５が行なうマッチングスコアの予測処理の動作例を示すフローチャートである。 ユーザ評価予測システムの他の構成例における記憶部１６のユーザ属性テーブルの例を示す図である。 ユーザ評価予測システムの他の構成例における記憶部１６の商品属性テーブルの例を示す図である。

以下、本発明のユーザ評価予測システムの実施形態について図面を用いて説明する。図１は、本発明の一実施形態であるユーザ評価予測システムの概略構成を示すブロック図である。ユーザ評価予測装置１は、ユーザ属性入力部１１と、商品属性入力部１２と、商品評価データ入力部１３と、機械学習部１４と、マッチングスコア予測部１５及び記憶部１６の各々を備えている。

ユーザ属性入力部１１は、外部から供給されるユーザのユーザ属性データの各々を、記憶部１６のユーザ属性テーブルに対し、ユーザのそれぞれに付与されるユーザ識別情報とともに、書き込んで記憶させる。ここで、ユーザ属性データは、複数個が任意に設定されており、商品を使用する際において、この商品のユーザにおける使用者の特徴を示す数値情報を含むものである。ユーザ属性データの組合わせは、以下ユーザ属性情報とする。例えば、数値情報として用いるユーザ属性データは、商品が上着であれば、ユーザの「腕の長さ」、「首回り」、「肩幅」などである。また、数値情報として用いるユーザ属性データは、上述したように、測定する人間や装置に依らずに一定の測定結果として物理量（例えば、長さ、重さなどの単位）の測定値として得られる特徴量であることが望ましい。

図２は、記憶部１６におけるユーザ属性テーブルの一例を示す図である。図２に示すように、ユーザ属性テーブルは、ユーザ識別情報と、「腕の長さ」、「首回り」、「肩幅」などが、識別情報に対応するレコードに記載されている。ユーザ識別情報は、ユーザの各々を識別するために付与された識別情報である。「腕の長さ」、「首回り」、「肩幅」などは、ユーザの身体における寸法（特徴量）を示すユーザ属性データである。ユーザがインターネットを用いて購入する場合には、ユーザ自身が測定した後、購買するＥＣサイト上で動作する本実施形態によるユーザ評価予測システム（以下、本システム）の入力欄に測定したユーザ属性データを入力することで、ユーザ属性入力部１１が、記憶部１６のユーザ属性テーブルに対して書き込む。一方、ユーザが専門店などで購入を行なう場合、店員がユーザ属性データを測定した後、本システムの入力欄に測定したユーザ属性データを入力することで、ユーザ属性入力部１１が、記憶部１６のユーザ属性テーブルに対して書き込む。

図１に戻り、商品属性入力部１２は、外部から供給される商品の商品属性データの各々を、記憶部１６の商品属性テーブルに対し、商品のそれぞれに付与される商品識別情報とともに、書き込んで記憶させる。ここで、商品属性データは、複数個が任意に設定されており、商品を使用する際において、この商品の寸法を特徴量とした数値情報を含むものである。商品属性データの組合わせは、以下商品属性情報とする。例えば、数値情報として用いる商品属性データは、商品が上着であれば、商品の寸法としての「袖の長さ」、「首回り」、「肩間距離」などである。また、数値情報として用いる商品属性データは、ユーザ属性情報と同様に、測定する人間や装置に依らずに一定の測定結果として物理量（例えば、長さ、重さなどの単位）の測定値として得られる商品の特徴量である。

図３は、記憶部１６における商品属性テーブルの一例を示す図である。図３に示すように、商品属性テーブルは、商品識別情報と、「袖の長さ」、「首回り」、「肩幅」などが、識別情報に対応するレコードに記載されている。商品識別情報は、商品の各々を識別するために付与された識別情報である。「袖の長さ」、「首回り」、「肩間距離」などは、上着における寸法（特徴量）を示す商品属性データである。この商品属性データは、ＥＣサイトの管理者あるいは専門店の店員がユーザ評価予測システムに対して供給する。

また、ユーザ属性情報におけるユーザ属性データの数と、商品属性情報における商品属性データとの数とは、同一でも良いし、異なる数であっても良い。
また、ユーザ属性データと商品属性データとは対応した特徴量であっても良いし、直接には関連しない特徴量であってもよい。

本実施形態において、商品としては、上着（服）を例として説明するが、靴や帽子などの身体に付ける被服、あるいは椅子、机などの家具を含めている。被服に関しては、商品を使用する使用者の特徴として、使用者における身体の数値情報がユーザ属性情報として用いられる。被服におけるユーザ属性情報としては、靴の場合に足の長さ、足の幅、足囲など、帽子の場合に頭の周りの長さ、顔の長さなどが用いられる。また、家具におけるユーザ属性情報としては、椅子や机の場合に身長、座高、体重などが用いられる。

一方、被服に関しては、商品の寸法を示す数値情報が商品属性情報として用いられる。被服における商品属性情報としては、靴の場合に靴の寸法、靴の幅など、帽子の場合に帽子寸法などが用いられる。
また、家具における商品属性情報としては、椅子場合に幅、奥行き、座面の高さなどが用いられ、机の場合に幅、奥行き、高さなどが用いられる。

図１に戻り、商品評価データ入力部１３は、外部から供給される評価したユーザと、評価された商品と、評価結果とにより、記憶部１６の評価結果テーブルに対して、ユーザと商品との組合わせに対応させて評価を書き込んで記憶させる。評価結果は、例えば、気に入ったか気に入らなかったかのいずれか、すなわち気に入った場合「○（あるいは１００％）」で示され、気に入らなかった場合「例えば×（あるいは０％）」で示されている。

図４は、記憶部１６における評価結果テーブルの一例を示す図である。図４に示すように、評価結果テーブルは、ユーザ識別情報と、商品識別情報と、商品評価結果とが、ユーザ識別情報に対応するレコードに記載されている。ユーザ識別情報は、商品を評価したユーザの識別情報を示している。商品識別情報は、対応するユーザ識別情報の示すユーザが評価した商品の識別情報を示している。商品評価結果は、ユーザ識別情報の示すユーザが商品識別情報の示す商品を評価した評価結果を示し、気に入った場合には「○」として、気に入らなかった場合には「×」として示されている。

図１に戻り、機械学習部１４は、記憶部１６における評価結果テーブルを参照して、評価結果テーブルにおける一部のユーザ識別情報を学習用のユーザ識別情報として選択する。ここで、機械学習部１４は、選択したユーザ識別情報に対応する商品識別情報及び商品評価結果の各々を抽出する。そして、機械学習部１４は、学習用のデータであるユーザ識別情報、商品識別情報及び商品評価結果の各々の組合わせを、記憶部１６における評価テーブルに学習用データとして書き込んで記憶させる。
機械学習部１４は、ユーザ属性データ及び商品属性データの各々を入力とし、この入力されたユーザ属性データを有する人間が、入力された商品属性データを有する商品を気にいる割合の予測値（または度合いの予測値、以下、マッチングスコアとする）を出力する予測モデルにおけるパラメータの推定を行なう。機械学習部１４は、予測モデルにおけるパラメータの推定を行なう機械学習のアルゴリズムとして、ニューラルネットワークあるいはＨＭＬ（heterogeneous metric learning、例えば、Zhai, Xiaohua, Yuxin Peng, and Jianguo Xiao. “Heterogeneous Metric Learning with Joint Graph Regularization for Cross-Media Retrieval." AAAI. 2013）、またはＣＣＡ（canonical correlation analysis、例えば、Hardle, Wolfgang; Simar, Leopold (2007). "Canonical Correlation Analysis". Applied Multivariate Statistical Analysis. pp. 321-330）などのアルゴリズムを用いている。

図５は、本実施形態における予測モデルにおけるパラメータの推定を行なう機械学習をニューラルネットワークにより行なう場合の概念を説明する図である。
図５におけるニューラルネットワーク１００は、予測モデルを示しており、第１層パーセプトロン１０１、第２層パーセプトロン１０２及び第３層パーセプトロン１０３の各々から構成されている。例えば、第１層パーセプトロン１０１におけるパーセプトロンの各々は、入力されるユーザ属性データ及び商品属性データのそれぞれに対して重み付けの第１パラメータを乗算して何らかの第１演算を行なって、第１演算結果を出力する。

また、第２層パーセプトロン１０２のパーセプトロンの各々は、第１層パーセプトロン１０１のそれぞれから出力される第１演算結果に重み付けの第２パラメータを乗算して何らかの第２演算を行なって、第２演算の結果として第２演算結果を出力する。第３層パーセプトロン１０３のパーセプトロンの各々は、第２層パーセプトロン１０２のそれぞれから出力される第２演算結果に重み付けの第３パラメータを乗算して何らかの第３演算を行なって、第３演算の結果として第３演算結果を出力する。第４層パーセプトロン１０４のパーセプトロンは、第３層パーセプトロン１０３のそれぞれから出力される第３演算結果に重み付けの第３パラメータを乗算して何らかの第４演算を行なって、第４演算の結果として第４演算結果のマッチングスコアを出力する。

機械学習部１４は、図５に示すニューラルネットワークの予測モデルにおける上述した第１演算から第４演算の各々において用いられる第１パラメータ、第２パラメータ及び第３パラメータ、第４パラメータのそれぞれを、上述した学習用データに基づく学習により、マッチングスコア（第４演算結果）が学習の目標である商品評価結果に近づくように推定していく。
本実施形態においては、４層のパーセプトロンから構成されるニューラルネットワークによる予測モデルを用いたが、何層のパーセプロトロンから構成されるニューラルネットワークによる予測モデルを用いても良い。

機械学習部１４は、上述した学習用データによる学習により各層のパーセプトロンの演算におけるパラメータが推定（学習）されたニューラルネットワークによる予測モデルを、記憶部１６に書き込んで記憶させる。記憶部１６には、商品の種類毎に学習用データにより学習して生成された、種類の異なる商品、例えば服、靴、帽子、手袋などの各々の被服のカテゴリの他に、椅子、机などの各々の家具のカテゴリそれぞれの予測モデルが記憶されている。

図６は、機械学習部１４が学習用データを用いた学習により予測モデルを生成する際に用いる評価テーブルの構成例を示す図である。機械学習部１４は、記憶部１６の評価結果テーブルを参照し、図６の評価テーブルを生成する。この評価テーブルは、ユーザ識別番号と商品識別番号とのマトリクス上のテーブルである。ユーザ識別情報と商品識別情報との交差する欄には、ユーザ識別情報の示すユーザが、商品識別情報の示す商品を評価した結果である商品評価結果が示されている。「○」はユーザが商品を気に入った場合に付与され、「×」はユーザが商品を気に入らなかった場合に付与され、「−」はユーザが対応する商品を評価していない場合に付与される。

そして、機械学習部１４は、「○」が付与されているユーザ識別情報と商品識別情報との組合わせの一部を、評価テーブルから学習用データとして抽出する。また、機械学習部１４は、「×」が付与されているユーザ識別情報と商品識別情報との組合わせの一部を、学習用データとして評価テーブルから抽出する。
次に、機械学習部１４は、抽出したそれぞれの学習用データの組合わせにおけるユーザ識別情報に対応するユーザ属性情報を記憶部１６のユーザ属性テーブルから読み出す。また、機械学習部１４は、抽出したそれぞれの学習用データの組合わせにおける商品識別情報に対応する商品属性情報を記憶部１６の商品属性テーブルから読み出す。

機械学習部１４は、「○」が付与されているユーザ識別情報と商品識別情報の組合わせ場合、この組合わせに対応するユーザ属性情報におけるユーザ属性データ及び商品属性情報における商品属性データの各々を、図５のニューラルネットワークの入力とし、マッチングスコアが１００％に近くなるように、予測モデルの各パラメータを調整する学習を行なう。また、機械学習部１４は、「×」が付与されているユーザ識別情報と商品識別情報の組合わせ場合、この組合わせに対応するユーザ属性情報におけるユーザ属性データ及び商品属性情報における商品属性データの各々を、ニューラルネットワークの入力とし、マッチングスコアが０％に近くなるように、予測モデルの各パラメータを調整する学習を行なう。これにより、機械学習部１４は、「○」が付与されているユーザ識別情報と商品識別情報の組合わせに対応したユーザ識別情報と商品識別情報との各々を入力した場合、マッチングスコアが１００％に近くなり、「×」が付与されているユーザ識別情報と商品識別情報の組合わせに対応したユーザ識別情報と商品識別情報との各々を入力した場合、マッチングスコアが０％に近くなる予測モデルを求める。

次に、機械学習部１４は、「○」が付与されているユーザ識別情報と商品識別情報との組合わせのなかから学習用データとして抽出した組合わせ以外の組合わせを、評価テーブルから検査用データとして抽出する。また、機械学習部１４は、「×」が付与されているユーザ識別情報と商品識別情報との組合わせのなかから学習用データとして抽出した組合わせ以外の組合わせを、評価テーブルから検査用データとして抽出する。
そして、機械学習部１４は、抽出したそれぞれの検査用データの組合わせにおけるユーザ識別情報に対応するユーザ属性情報を記憶部１６のユーザ属性テーブルから読み出す。また、機械学習部１４は、抽出したそれぞれの検査用データの組合わせにおける商品識別情報に対応する商品属性情報を記憶部１６の商品属性テーブルから読み出す。
機械学習部１４は、検査用データの組合わせにおけるユーザ属性情報のユーザ属性データ及び商品属性情報の商品属性データの各々を、学習用データを用いて求めた予測モデルに入力し、それぞれの検査用データの組合わせのマッチングスコアを求める。

機械学習部１４では、予測モデルの持つパラメータの関数とみなすことができる損失関数（例えばロジスティック損失）が定義されている。あるユーザーと商品との組に対する損失の値は、評価テーブルに記載されている評価スコアと、予測モデルから出力された予測マッチングスコアにより決定されるものであり、機械学習部が持つ損失関数は、この損失の値の合計値などで決定される。学習過程では、この損失関数の（逐次）最小化を行い、損失関数を小さくするパラメータを推定することが求められる。

また、機械学習部はハイパーパラメータと呼ばれるパラメータを持つ。このパラメータは学習によって更新されることが無いパラメータであり、適切なハイパーパラメータ推定を行うために、例えばＫ−分割交差検証法によって適切なハイパーパラメータを選定することができる。
本実施形態における「学習」とは、上記のパラメータ推定とハイパーパラメータ推定を行うことと同義である。

図１に戻り、マッチングスコア予測部１５は、ユーザのユーザ属性情報が供給されると、ユーザが供給したユーザ属性情報のカテゴリに対応する予測モデルを、記憶部１６から読み出す。このユーザ属性情報は、記憶部１６のユーザ属性テーブルに記憶されていない未知のユーザ属性データから構成されている。
そして、マッチングスコア予測部１５は、読み出した予測モデルに対し、供給された予測対象のユーザ属性情報におけるユーザ属性データの各々を入力する。また、マッチングスコア予測部１５は、ユーザ属性情報のカテゴリに対応する商品属性テーブルから、順次、商品属性情報を読み出す。

マッチングスコア予測部１５は、予測対象のユーザ属性情報におけるユーザ属性データと、読み出される商品属性情報における商品属性データとのマッチングスコアを順次求め、それぞれの商品属性情報に対応する商品識別情報に対応させて、記憶部１６に書き込んで記憶させる（後述する予測結果テーブル）。
そして、マッチングスコア予測部１５は、求めたマッチングスコアの最も高い商品属性情報に対応する商品識別情報を検索し、予測対象である未知のユーザ識別情報のユーザに対するレコメンド情報、すなわちレコメンドする商品として出力する。
また、このとき、マッチングスコア予測部１５は、求めたマッチングスコアの最上位から設定した数の商品属性情報に対応する商品識別情報を検索し、予測対象である未知のユーザ識別情報のユーザに対するレコメンド情報、すなわちレコメンドする複数の商品からなる商品群として出力する構成としても良い。

図７は、マッチングスコア予測部１５が予測モデルにより求めたマッチングスコアが記載される予測結果テーブルの構成例を示す図である。マッチングスコア予測部１５は、記憶部１６の商品属性テーブルを参照し、求めたマッチングスコアを記入する図７の評価テーブルを生成する。この予測結果テーブルは、図６の評価テーブルと同様に、ユーザ識別番号と商品識別番号とのマトリクス上のテーブルである。ユーザ識別情報と商品識別情報との交差する欄には、ユーザ識別情報の示すユーザ属性情報により求めた、商品識別情報の示す商品のマッチングスコアがパーセンテージで示されている。このマッチングスコアは、１００％に近くなるほど、ユーザ属性情報に対応するユーザの嗜好に合う確率（あるいは度合い）が高くなることを示し、一方、０％に近くなるほど、ユーザ属性情報に対応するユーザの嗜好に合わない確率（あるいは度合い）が高くなることを示している。

図８は、本実施形態のユーザ評価予測システムにおける機械学習部１４が行なう予測モデルに対する学習処理の動作例を示すフローチャートである。
ステップＳ１１：
機械学習部１４は、記憶部１６の評価結果テーブルを参照し、評価結果が示された各々の欄に対応する商品識別情報を抽出する。
そして、機械学習部１４は、抽出した商品識別情報に対応する商品属性情報における商品属性データの各々を、記憶部１６の商品属性テーブルから読み出して入力する。

ステップＳ１２：
機械学習部１４は、記憶部１６の評価結果テーブルを参照し、評価結果が示された各々の欄に対応するユーザ識別情報を抽出する。
そして、機械学習部１４は、抽出したユーザ識別情報に対応するユーザ属性情報におけるユーザ属性データの各々を、記憶部１６のユーザ属性テーブルから読み出して入力する。
このとき、機械学習部１４は、評価結果テーブルにおける評価結果が示された各々の欄に対応するユーザ属性情報及び商品属性情報の組合わせを生成する。

ステップＳ１３：
機械学習部１４は、ユーザ属性情報及び商品属性情報の組合わせの一部を学習用データとして抽出し、ユーザ属性情報及び商品属性情報の組合わせにおける学習用データ以外の組合わせを検査用データとして抽出する。

ステップＳ１４：
機械学習部１４は、すでに説明したように、学習用データを用いて予測モデルの学習を行なう。このとき、機械学習部１４は、損失関数の最小化によるパラメータ推定と、Ｋ−分割交差検証法によるハイパーパラメータ推定を行うなどして、適切な各種パラメータを得る。これにより、機械学習部１４は、未知のユーザ属性情報におけるユーザ属性データと、未知の商品属性情報の商品属性データとのいずれの組合わせにおいても、予測精度の高いマッチングスコアが得られる汎用的な予測モデルを得る。

ステップＳ１５：
機械学習部１４は、再学習を行なうか否かの判定を行なう。このとき、機械学習部１４は、再学習の要否の判定を行なう基準として、評価結果テーブルが更新されたか否かにより行なう。すなわち、機械学習部１４は、記憶部１６の評価結果テーブルが更新された場合、再学習を行なう必要があると判定し、処理をステップＳ１１へ進める。一方、機械学習部１４は、評価テーブルが更新されない場合、再学習を行なう必要がないと判定し、ステップＳ１５の処理を一定の時間間隔で繰り返す。

ここで、評価結果テーブルが更新されるのは、すでに商品属性情報が商品属性テーブルに登録されている商品を、未知のユーザ（ユーザ属性テーブルに登録されていないユーザ）が評価した場合、すでにユーザ属性情報がユーザ属性テーブルに登録されているユーザが未知の商品（商品属性テーブルに登録されていない商品）を評価した場合、未知のユーザが未知の商品を評価した場合がある。
商品属性情報が商品属性テーブルに登録されている商品を、未知のユーザが評価した場合には、ユーザ属性入力部１１がこのユーザに対してユーザ識別情報を付与し、ユーザ属性情報をユーザ属性テーブルに登録する（書き込んで記憶させる）。また、商品評価データ入力部１３は、ユーザ属性入力部１１が付与したユーザ識別情報と、評価された商品の商品属性情報と、この組合わせの評価結果とを、記憶部１６の評価結果テーブルに書き込んで記憶させる。

すでにユーザ属性情報がユーザ属性テーブルに登録されているユーザが未知の商品を評価した場合には、ユーザ属性入力部１１がこのユーザに対してユーザ識別情報を付与し、ユーザ属性情報をユーザ属性テーブルに登録するとともに、商品属性入力部１２がこの商品に対して商品識別情報を付与し、商品属性情報を商品属性テーブルに登録する。また、商品評価データ入力部１３は、ユーザ属性入力部１１が付与したユーザ識別情報と、商品属性入力部１２が付与した商品識別情報と、この組合わせの評価結果とを、記憶部１６の評価結果テーブルに書き込んで記憶させる。

図９は、本実施形態のユーザ評価予測システムにおけるマッチングスコア予測部１５が行なうマッチングスコアの予測処理の動作例を示すフローチャートである。
ステップＳ２１：
マッチングスコア予測部１５は、入力されたユーザ識別情報に対応するユーザ属性情報におけるユーザ属性データを、記憶部１６のユーザ属性テーブルから読み込む。
この時点において、マッチングスコア予測部１５は、マッチングスコアを求める商品のカテゴリに対応した予測モデルを記憶部１６から読み出す。

ステップＳ２２：
マッチングスコア予測部１５は、商品識別情報に対応する商品属性情報における商品属性データを、記憶部１６のユーザ属性テーブルから順次読み込む。例えば、マッチングスコア予測部１５は、商品属性テーブルに記載された順番に、商品属性情報における商品属性データを順次読み込む。

ステップＳ２３：
マッチングスコア予測部１５は、予測モデルに対して、ユーザ属性情報におけるユーザ属性データと、読み出した商品属性情報における商品属性データとを入力し、この組合わせにおけるマッチングスコアを求める。
そして、マッチングスコア予測部１５は、求めたマッチングスコアを、記憶部１６における図７に示す予測結果テーブルに書き込んで記憶させる。

ステップＳ２４：
マッチングスコア予測部１５は、商品属性テーブルに記載された商品識別情報に対応する商品属性情報の全てを読み出し、ユーザ属性情報と組み合わせて、予測モデルによりマッチングスコアの算出を行なったか否かの判定を行なう。このとき、マッチングスコア予測部１５は、商品属性テーブルにおける商品識別情報の全ての商品の処理が終了したと判定した場合、処理をステップＳ２５へ進める。一方、マッチングスコア予測部１５は、商品属性テーブルにおける商品識別情報の全ての商品の処理が終了していないと判定した場合、処理をステップＳ２２へ進める。

ステップＳ２５：
そして、マッチングスコア予測部１５は、例えば、求めたマッチングスコアの最上位から設定した数の商品属性情報に対応する商品識別情報を検索し、レコメンドする複数の商品からなる商品群として出力する。

上述したように、本実施形態によれば、複数のユーザ属性情報と、このユーザの各々に評価された複数の商品属性情報と、商品の商品評価結果（既知の評価結果）とを学習用データとして用い、汎用的な予測モデルを求めるため、従来のように、ユーザ毎に予測モデルを求める場合と異なり、同一ユーザが複数回数、複数の商品を評価しなくとも、商品が同一のカテゴリ（共通の商品属性データからなる商品属性情報を有する商品）であれば、ユーザと商品とによらず、ユーザとユーザが評価した商品とその評価結果との組合わせ全てを学習用データとするため、ユーザのユーザ属性情報と商品の商品属性情報との各々に対応した精度の高いマッチングスコアを予測することが可能な予測モデルを、機械学習により容易に求めることができる。

また、本実施形態によれば、すでに述べたように、汎用的な予測モデルを用いているため、ユーザ属性情報及び商品属性情報の各々が与えられさえすれば、新規ユーザと新規商品とのマッチングスコアを容易に高い精度で求めることが可能であり、このマッチングスコアに対応してユーザに対して商品の精度の高いレコメンドを行なうことができる。

また、本実施形態によるユーザ評価予測システムの他の構成例において、ユーザ属性情報に隠れユーザ属性データを、商品属性情報に隠れ商品属性データを含ませる構成としても良い。この隠れユーザ属性データは、ユーザの身体の部位などを測定した数値情報ではなく、ユーザの各々の感性（潜在的な嗜好性を示す情報）などが数値化された情報である。また、隠れ商品属性データは、商品の各部の寸法など数値情報ではなく、商品の各々に対してユーザが感じる感情（潜在的な嗜好を感じさせる情報）などが数値化された情報である。
登録された時点においては、外部から入力されるものではないため、隠れユーザ属性データ及び隠れ商品属性データともに、ユーザ属性入力部１１、商品属性入力部１２それぞれによりディフォルトの一定値あるいは乱数とされる。

図１０は、ユーザ評価予測システムの他の構成例における記憶部１６のユーザ属性テーブルの例を示す図である。図１０に示すように、ユーザ属性テーブルは、ユーザ識別情報と、「腕の長さ」、「首回り」、「肩幅」、「隠れユーザ属性データ＃１」、「隠れユーザ属性データ＃２」などが、ユーザ識別情報に対応するレコードに記載されている。隠れユーザ属性データは、すでに述べたように、ユーザの身体部位を測定した数値情報ではなく、ユーザの潜在的な情報を示しており、ウェブページでユーザが、あるいは専門店の店員がユーザの身体部位の測定を行なって、ユーザ属性入力部１１を介して、入力するものではなく、ユーザ評価予測システムにおいて調整される情報である。上述したように、ユーザ属性情報が登録された時点において、ユーザ属性入力部１１が隠れユーザ属性データ＃１、隠れユーザ属性データ＃２それぞれをディフォルトの一定値として、ユーザ属性テーブルに書き込んで記憶させる。

図１１は、ユーザ評価予測システムの他の構成例における記憶部１６の商品属性テーブルの例を示す図である。図１１に示すように、商品属性テーブルは、ユーザ識別情報と、「袖の長さ」、「首回り」、「肩間距離」、「隠れ商品属性データ＃１」、「隠れ商品属性データ＃２」などが、商品識別情報に対応するレコードに記載されている。隠れ商品属性データは、すでに述べたように、商品の寸法を示す数値情報ではなく、商品が潜在的にユーザに感じさせる情報を示しており、メーカの社員あるいは専門店の店員がカタログなどを参照して、商品属性入力部１２を介して、入力するものではなく、ユーザ評価予測システムにおいて調整される情報である。上述したように、商品属性情報が登録された時点において、商品属性入力部１２が隠れ商品属性データ＃１、隠れ商品属性データ＃２それぞれをディフォルトの一定値として、商品属性テーブルに書き込んで記憶させる。

機械学習部１４は、学習用データとして用いたユーザ属性情報における隠れユーザ属性データと、商品属性情報における隠れ商品属性データとの各々を、予測モデルのパラメータ同様に学習により推定する。すなわち、ユーザ属性情報における隠れユーザ属性データと、商品属性情報における隠れ商品属性データとの各々は、学習用データとして用いられることにより、それぞれディフォルトの一定値から各ユーザ及び各商品の潜在的に有する情報に対応した数値に変更される。すなわち、ユーザであれば、商品を評価するごとに、隠れユーザ属性データがユーザ固有の潜在的な情報をより表現することになり、ユーザ属性情報がユーザの特徴をより明確に示すことになり、商品属性情報とのマッチングスコアの精度が向上し、ユーザに対するレコメンドの精度がより高くなる。

同様に、商品であれば、ユーザに評価されるごとに、隠れ商品属性データが商品固有の潜在的な情報をより表現することになり、商品属性情報が商品の特徴をより明確に示すことになり、ユーザ属性情報とのマッチングスコアの精度が向上し、ユーザに対するレコメンドの精度がより高くなる。
上述したように、ユーザ及び商品の数値では表せない潜在的な情報として隠れ属性データを用いることにより、予測モデルの精度がより向上し、マッチングスコア予測部１５が予測するマッチングスコアの精度が向上し、ユーザに対してより精度の高いレコメンドを行なうことができる。

なお、本発明における図１のユーザ評価予測システムの機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより商品に対するユーザの評価を予測する処理を行ってもよい。なお、こでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
また、「コンピュータシステム」は、ホームページ提供環境（あるいは表示環境）を備えたＷＷＷシステムも含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。

また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。

ここまで、本発明の実施形態について説明したが、上記実施形態はあくまで一例であり、本発明は上述した実施形態に限定されず、その技術的思想の範囲内において種々異なる形態にて実施されてよいことは言うまでもない。
また、本発明の範囲は、図示され記載された例示的な実施形態に限定されるものではなく、本発明が目的とするものと均等な効果をもたらすすべての実施形態をも含む。さらに、本発明の範囲は、各請求項により画される発明の特徴の組み合わせに限定されるものではなく、すべての開示されたそれぞれの特徴のうち特定の特徴のあらゆる所望する組み合わせを含む。

１…ユーザ評価予測システム
１１…ユーザ属性入力部
１２…商品属性入力部
１３…商品評価データ入力部
１４…機械学習部
１５…マッチングスコア予測部
１６…記憶部

Claims (9)

1. 商品の特徴を示す数値情報を含む商品属性データと、ユーザが前記商品を使用する際における当該商品の使用者の特徴を示す数値情報を含むユーザ属性データと、前記商品を前記ユーザが使用した際における当該ユーザの評価を示す評価データとから成る既知の学習用データから、機械学習のアルゴリズムにより、ユーザ属性データと商品属性データとの組合せの入力に対応して、前記ユーザの当該商品に対する評価データの予測値であるマッチングスコアを出力する予測モデルを求める機械学習部と、
   前記予測モデルにより、ユーザ属性データと商品属性データとから、当該ユーザ属性データに対応するユーザの、当該商品属性データに対応する商品の前記マッチングスコアを予測するマッチングスコア予測部と
   を備えることを特徴とするユーザ評価予測システム。
2. 前記ユーザ及び前記商品毎に、前記商品属性データ及び前記ユーザ属性データの各々が、入力される前記数値情報以外の前記ユーザ、前記商品それぞれの特徴を示す隠れ商品属性データ、隠れユーザ属性データを含んで構成されている
   ことを特徴とする請求項１に記載のユーザ評価予測システム。
3. 前記機械学習部が、
   前記ユーザ毎の前記隠れユーザ属性データ及び前記予測モデルの各々を、当該隠れユーザ属性データに対応するユーザが前記商品を評価した際に更新する
   ことを特徴とする請求項２に記載のユーザ評価予測システム。
4. 前記機械学習部が、
   前記商品毎の前記隠れ商品属性データ及び前記予測モデルの各々を、当該隠れ商品属性データに対応する商品が前記商品を評価した際に更新する
   ことを特徴とする請求項２または請求項３に記載のユーザ評価予測システム。
5. 前記機械学習部が、
   ＨＭＬ（heterogenious metoric learning）アルゴリズムを用いる
   ことを特徴とする請求項１から請求項４のいずれか一項に記載のユーザ評価予測システム。
6. 前記機械学習部が、
   ＣＣＡ（canonical correlation analysis）アルゴリズムを用いる
   ことを特徴とする請求項１から請求項４のいずれか一項に記載のユーザ評価予測システム。
7. 前記機械学習部が、
   ニューラルネットワークのアルゴリズムを用いる
   ことを特徴とする請求項１から請求項４のいずれか一項に記載のユーザ評価予測システム。
8. 機械学習部が、商品の特徴を示す数値情報を含む商品属性データと、ユーザが前記商品を使用する際における当該商品の使用者の特徴を示す数値情報を含むユーザ属性データと、前記商品を前記ユーザが使用した際における当該ユーザの評価を示す評価データとから成る既知の学習用データから、機械学習のアルゴリズムにより、ユーザ属性データと商品属性データとの組合せの入力に対応して、前記ユーザの当該商品に対する評価データの予測値であるマッチングスコアを出力する予測モデルを求める機械学習過程と、
   マッチングスコア予測部が、前記予測モデルにより、ユーザ属性データと商品属性データとから、当該ユーザ属性データに対応するユーザの、当該商品属性データに対応する商品の前記マッチングスコアを予測するマッチングスコア予測過程と
   を含むことを特徴とするユーザ評価予測方法。
9. ユーザのユーザ属性データ及び商品の商品属性データから、当該商品に対する前記ユーザの評価を予測するためのプログラムであって、
   コンピュータを、
   商品の特徴を示す数値情報を含む商品属性データと、ユーザが前記商品を使用する際における当該商品の使用者の特徴を示す数値情報を含むユーザ属性データと、前記商品を前記ユーザが使用した際における当該ユーザの評価を示す評価データとから成る既知の学習用データから、機械学習のアルゴリズムにより、ユーザ属性データと商品属性データとの組合せの入力に対応して、ユーザの当該商品に対する評価データの予測値であるマッチングスコアを出力する予測モデルを求める機械学習手段、
   前記予測モデルにより、ユーザ属性データと商品属性データとから、当該ユーザ属性データに対応するユーザの、当該商品属性データに対応する商品の前記マッチングスコアを予測するマッチングスコア予測手段
   として動作させるプログラム。

Images