JP2018084853A - レコメンドシステム - Google Patents

Abstract

【課題】使い続けることでより個人の嗜好に合致した商品を推薦するように進化することのできるレコメンドシステムを提供する。【解決手段】レコメンドシステム１は、商品に対するユーザーの嗜好を表すために予め設定された複数の要素に関して、商品毎に予め設定された、複数の要素の座標値からなる商品特徴ベクトルを記録する商品特徴情報記録部２３と、ユーザー毎の商品に対する嗜好を表す、複数の要素の座標値からなる個人嗜好ベクトルと、個人嗜好ベクトルを調整するための重み付けベクトルと、を記録するユーザー嗜好情報記録部２２と、を有する記憶装置２０と、重み付け後の個人嗜好ベクトルと適合性の高い商品特徴ベクトルを有する商品を抽出する商品レコメンド部３０と、商品についてのユーザーからのフィードバック情報に基づいて、個人嗜好ベクトル及び重み付けベクトルを補正する個人嗜好情報補正部３５と、を備える【選択図】図３

Description

本発明は、商品群の中から個人の嗜好に合致する商品を推薦するレコメンドシステムに関する。

例えば、ワインは、全世界で数十万種類の商品が存在すると言われている。一方で個人の好みは様々であり、ワインに関する知識に乏しい人であれば、自分の嗜好に合致するワインを探し出すのは非常に困難である。また、ワインに関する知識が豊富な人であっても知らないワインの中から自分の嗜好に合致したワインを探し出すのは困難である。

このため、従来、個人の嗜好特性や商品であるワインの特徴を数値化して記録しておき、個人の嗜好に合致したワインを自動で選別して提案するレコメンドシステムが提供されており、例えば、下記特許文献１に開示されている。

特開２００７−２６９４９１号公報

しかし、従来のレコメンドシステムは、個人の嗜好情報をいったんシステムに登録すると、ユーザーが手動で修正しない限り変更することができない。すなわち、従来のレコメンドシステムは、学習機能がないため、使い続けても、よりユーザーの嗜好に合致した商品を推薦できるように発展することがない。

本発明は、このような課題に鑑みてなされたものであり、使い続けることでより個人の嗜好に合致した商品を推薦するように進化することのできるレコメンドシステムを提供することを目的とする。

上記課題を解決するために、本発明に係るレコメンドシステムは、所定の商品群の中からユーザーの嗜好と適合性の高い前記商品を抽出して推薦するレコメンドシステムにおいて、前記商品に対するユーザーの嗜好を表すために予め設定された複数の要素に関して、前記商品毎に予め設定された、複数の前記要素の座標値からなる商品特徴ベクトルを記録する商品特徴情報記録部と、ユーザー毎の前記商品に対する嗜好を表す、複数の前記要素の座標値からなる個人嗜好ベクトルと、前記個人嗜好ベクトルを調整するための重み付けベクトルと、を記録するユーザー嗜好情報記録部と、を有する記憶装置と、前記重み付けベクトルにより調整された個人嗜好ベクトルと適合性の高い前記商品特徴ベクトルを有する前記商品を抽出する商品レコメンド部と、前記商品に対する評価についてのユーザーからのフィードバック情報に基づいて、前記個人嗜好ベクトル及び前記重み付けベクトルを補正する個人嗜好情報補正部と、を備えることを特徴とする。

また、本発明に係るレコメンドプログラムは、所定の商品群の中からユーザーの嗜好と適合性の高い前記商品を抽出して推薦する処理をコンピューターに行わせるレコメンドプログラムにおいて、前記商品に対するユーザーの嗜好を表すために予め設定された複数の要素に関して、前記商品毎に予め設定された、複数の前記要素の座標値からなる商品特徴ベクトルを記憶装置に記録するステップと、ユーザー毎の前記商品に対する嗜好を表す、複数の前記要素の座標値からなる個人嗜好ベクトルと、前記個人嗜好ベクトルを調整するための重み付けベクトルと、を前記記憶装置に記録するステップと、前記重み付けベクトルにより調整された個人嗜好ベクトルと適合性の高い前記商品特徴ベクトルを有する前記商品を抽出する商品レコメンドステップと、前記商品に対する評価についてのユーザーからのフィードバック情報に基づいて、前記個人嗜好ベクトル及び前記重み付けベクトルを補正する個人嗜好情報補正ステップと、を備えることを特徴とする。

本発明に係るレコメンドシステムによれば、使い続けることで、商品に対する評価についてのユーザーからのフィードバック情報に基づいて、個人嗜好情報である個人嗜好ベクトル及び重み付けベクトルの双方をよりユーザーの嗜好を的確に反映するように補正することができ、よりユーザーの嗜好に合致した商品を推薦できるようになる。

図１は、本発明の実施形態に係るレコメンドシステムの構成を概略的に示す図である。 図２は、本発明の実施形態に係る管理サーバーの構成を概略的に示すブロック図である。 図３は、本発明の実施形態に係る管理サーバーが有する機能を概略的に示す機能ブロック図である。 図４は、本発明の実施形態に係る個人嗜好情報の内容を示す図である。 図５は、本発明の実施形態に係る個人嗜好ベクトルの初期設定を行う際の質問を示す図である。 図６は、本発明の実施形態に係る商品特徴情報の内容を示す図である。 図７は、本発明の実施形態に係る個人嗜好情報の補正処理の流れを示すフローチャートである。

以下、図面を参照しながら本発明の実施形態に係るレコメンドシステムについて説明する。本実施形態では、商品としてワインを採用したレコメンドシステムを例に挙げて説明する。本実施形態に係るレコメンドシステムは、ユーザーからのフィードバック情報に基づいて、個人の嗜好を表す個人嗜好情報をユーザーの嗜好をより確実に反映させたものへと補正により進化させていくことを特徴とする。

図１は、本実施形態に係るレコメンドシステムの構成を概略的に示す図である。図２は、本実施形態に係る管理サーバーの構成を概略的に示すブロック図である。図３は、本実施形態に係る管理サーバーが有する機能を概略的に示す機能ブロック図である。

レコメンドシステム１は、ユーザーに対して個人の嗜好と適合性の高いワインの銘柄を推薦するレコメンドサービスを提供するレコメンドサービス提供サーバーである管理サーバー１０と、レコメンドサービスを受けるユーザーが使用するＰＣ、タブレット、スマートフォン等の端末であるユーザー端末５０とを備えている。管理サーバー１０とユーザー端末５０とは、インターネット等のネットワーク５を介して接続されており、相互に通信が可能である。

管理サーバー１０は、各種演算を行うＣＰＵ等の演算装置１１と、各種情報を記録しておくハードディスクドライブや、演算処理のワークエリアとして機能するメモリ等からなる記憶装置２０とを備えている。

記憶装置２０は、管理サーバー１０において後述する所定の処理を実行するための各種プログラムを記録しておくプログラム格納部２１と、レコメンドサービスを受けるユーザーに関する情報を記録しておくユーザー情報ＤＢ２２と、商品に関する情報を記録しておく商品情報ＤＢ２３と、ユーザー端末５０の表示装置に表示するウェブページのコンテンツを記録しておくｗｅｂコンテンツＤＢ２５と、ユーザーの嗜好を探るための質問情報を記録しておく質問ＤＢ２７とを備えている。

ユーザー情報ＤＢ２２は、ユーザーの嗜好を表すユーザー嗜好情報を記録するユーザー嗜好情報記録部でもあり、個人嗜好ベクトルと、個人嗜好ベクトルを調整するための重み付けベクトルとを、ユーザー毎に関連付けて記録している。

商品情報ＤＢ２３は、商品の特徴を表す商品特徴情報を記録する商品特徴情報記録部でもあり、商品特徴ベクトルを商品毎に関連付けて記録している。

ここで、個人嗜好情報及び商品特徴情報について説明する。本実施形態では、予めワインの専門家により、その経験と知識（大局観）に基づいて、ワインの嗜好を表すための複数の要素が定められている。個人嗜好ベクトル、重み付けベクトル、商品特徴ベクトルは、この商品であるワインに対して予め設定された複数の要素の座標軸における座標値の集合体である。

本実施形態では、商品が白ワインである場合の嗜好を分類するための要素として、専門家の大局観に基づいて、「香り」、「苦味」、「余韻」、「旨味」、「濃さ」、「果実味」、「甘味」、「酸味」の8要素が予め設定されている。

ユーザー情報ＤＢ２２に記録されるユーザー嗜好情報は、ユーザーの嗜好を表した各要素の座標値の集合体である個人嗜好ベクトルと、さらに、個人嗜好ベクトルを調整するための重み付けベクトルとから構成されている。

重み付けベクトルは、ユーザーの嗜好をより反映させるために、個人嗜好ベクトルの各要素の座標軸の倍率を調整するためのベクトルであり、専門家が設定した複数の要素のうち、ユーザーが重視する要素やそうでない要素であることを反映させたり、ユーザーの体調変化や環境変化等の要因をユーザー嗜好情報に反映させたりすることができる。

図４は、本実施形態に係るユーザー嗜好情報の内容を示す図であり、個人嗜好ベクトルと重み付けベクトルとが記録されている。個人嗜好ベクトルは、各要素の座標値が0以上5以下の間の数値に設定されており、重み付けベクトルは、各要素の座標値が0以上の数値に設定されている。

例えば、8つの要素のうち、香りや酸味を重視するが、余韻や苦味を重視しないユーザーに対しては、香りと酸味の座標軸に対する重み付けの値を大きくし、余韻や苦味の座標軸に対する重み付けの値を小さくすることで、より的確に個人の嗜好を反映させるように個人嗜好ベクトルを調整することができる。

個人嗜好ベクトルを最初に設定する際には、専門家が大局観に基づいて設定した質問にユーザーが答えていくことで、所定の個人嗜好グループに分類され、当該個人嗜好グループに設定されている個人嗜好ベクトルが当該ユーザーの初期の個人嗜好ベクトルとして設定される。

図５は、個人嗜好ベクトルの初期設定を行う際のグループ分けを行うための質問を示す図である。同図に示すように、本実施形態では、ユーザーは、Ａの料理とＢの料理のどちらが好きかという二択の質問に順次三回答えることで、8つのグループの何れかに分類される。すなわち、本実施形態では、初期設定の際、ユーザーは、8種類の個人嗜好ベクトルのうちの何れかの個人嗜好ベクトルに設定される。

また、重み付けベクトルの座標値は、初期設定の際、専門家により要素毎に適宜設定される。

商品情報ＤＢ２３に記録される商品特徴情報は、商品の特徴を表した各要素の座標値の集合体である商品特徴ベクトルである。図６は、本実施形態に係る商品特徴情報の内容を示す図であり、各要素の座標値が0以上5以下の数値に設定された商品特徴ベクトルが記録されている。

この商品特徴ベクトルは、予め専門家が大局観に基づいて、全ての商品について各要素の座標値を採点し、設定している。なお、商品によっては、専門家の採点による特定の要素の座標値が高低どちらかに偏る場合がある。例えば、赤ワインにおける要素「甘味」の座標値は、ほとんどが0又は1になる。このような場合には、商品特徴ベクトルの初期設定時に、各商品の座標値が0〜5の間で適度にばらつくように当該座標値の倍率を変更する等の補正を強制的に行えば良い。

また、商品特徴ベクトルの設定は、専門家による採点以外に、味覚センサー等の機械的な分析により採点しても良く、適宜、他の方法で座標値を設定することができる。

ｗｅｂコンテンツＤＢ２５には、ユーザー端末５０に表示されるウェブページのコンテンツ情報が記録されており、例えば、ユーザーに質問に答えてもらうためのアンケートページや、ユーザーに推薦する商品を表示する推薦ページ等のコンテンツ情報が記録されている。

質問ＤＢ２７には、上述した個人嗜好情報を初期設定する際の質問や、後述する個人嗜好情報を補正する際の質問等の情報が記録されている。

次に、機能に着目すると、管理サーバー１０は、商品レコメンド部３０と、個人嗜好情報補正部３５とを備える（図３参照）。商品レコメンド部３０は、重み付けベクトルにより調整される個人嗜好ベクトルと適合性の高い商品特徴ベクトルを有する商品を抽出して、ユーザーに対して推薦する機能を有しており、乖離度算出部４０と、商品評価点算出部４５とを備えている。

乖離度算出部４０は、後述する式（１）に基づいて、個人嗜好ベクトルと商品特徴ベクトルとの差分である乖離度ベクトルを算出する。商品評価点算出部４５は、後述する式（２）に基づいて、乖離度ベクトルと重み付けベクトルとの内積を求めることで、ユーザーの商品に対する評価である商品評価点を算出する。

商品レコメンド部３０は、算出した商品評価点に基づき、ユーザーの嗜好と適合性の高いワインを当該ユーザーに対して推薦する。乖離度算出部４０及び商品評価点算出部４５は、個人嗜好情報補正部３５の構成要素でもあり、詳細については後述する。

個人嗜好情報補正部３５は、ユーザーからフィードバックされる商品への評価に基づいて、個人嗜好情報を補正し、補正個人嗜好ベクトル及び補正重み付けベクトルを算出する機能を有しており、乖離度算出部４０と、商品評価点算出部４５と、フィードバック評価点算出部４７とを備えている。

フィードバック評価点算出部４７は、ユーザーからの補正用アンケートへの回答に基づいて、回答のあった各ワインのユーザー評価を数値化してフィードバック評価点を算出する。詳細については、後述する。なお、上述した商品レコメンド部３０及び個人嗜好情報補正部３５の機能は、演算装置１１がプログラム格納部２１に格納されているプログラムを実行することで実現される。

以上、レコメンドシステム１の構成について説明したが、続いて、図７を参照しながら、本システムにおけるユーザーからのフィードバックに基づく個人嗜好情報の補正処理の流れについて説明する。図７は、本実施形態に係る個人嗜好情報補正部による補正処理の流れを示すフローチャートである。

ここでは、商品のうち、ユーザーに10本のワインを試飲してもらい、その10本のワインに対する評価をフィードバックしてもらった回答結果を基に個人嗜好情報を補正する場合について説明する。

フィードバック補正処理が開始される（Ｓ１０）と、まず、Ｓ１１において、ユーザーに、ユーザー端末５０を使って補正用アンケートに回答してもらう。具体的には、管理サーバー１０は、ネットワーク５を介して、ユーザー端末５０に補正用アンケートの回答画面のｗｅｂコンテンツを送信すると共に、同じくネットワーク５を介して、ユーザーがユーザー端末５０に入力した回答結果を受信する。

本実施形態では、アンケートに掲載する質問は、ユーザーが飲んだ10本のワインに対して、好みの順番に1〜10位の順位付けをしてもらう内容である。もちろん、アンケートの内容は適宜変更可能である。

続いて、Ｓ１２において、回答結果を受信した管理サーバー１０では、フィードバック評価点算出部４７が、ユーザーから回答のあった10本のワインに関して、回答結果に基づいて、各ワインのフィードバック評価点を算出する。

例えば、以下の方法でフィードバック評価点を算出する。なお、本実施形態では、ワインの評価点が所定の正規分布に従うとみなして処理を行っており、この正規分布の平均と分散は実験データから決めるか、経験則により決めることができる。

まず、回答のあった10本のワインに関して、評価の悪い順番に並べ、ｍ番目に評価の悪いワインのフィードバック評価点を、所定の正規分布の累積分布におけるｍ／（ｎ＋１）（ここでは、ｎ＝10）に対応する値とする。

なお、フィードバック評価点の最低評価点ｂを予め設定しておいて、算出したフィードバック評価点が最低評価点ｂを下回る場合には、フィードバック評価点をｂとすると良い。

続いて、Ｓ１５〜Ｓ１６において、管理サーバー１０において、ユーザーから回答のあった10本のワインに関して、補正前の商品評価点を算出する。Ｓ１５では、まず、乖離度算出部４０が乖離度ベクトルを算出する。この乖離度ベクトルは、当該商品の特徴と、重み付け前のユーザーの嗜好との差を表すベクトルである。具体的には、乖離度は下記式（１）を用いて求める。

式（１）において、iはワインに付けられた番号であり、各要素の座標軸毎に商品特徴ベクトルの座標値と個人嗜好ベクトルの座標値との差を二乗することで、乖離度ベクトルの座標値を算出する。なお、ｉ番目のワインの商品特徴ベクトルｖ_i、個人嗜好ベクトルｚは、以下のように定義する。

次に、Ｓ１６に進み、商品評価点算出部４５が、下記式（２）により、乖離度ベクトルと重み付けベクトルとの内積である、本システムによる補正前の商品評価点ｃを、上記10本のワインに対してそれぞれ算出する。

補正前の商品評価点は、乖離度ベクトルの8つの要素にそれぞれの重み付けの値を掛けて足し合わせた値であり、その商品の当該ユーザーに対する予想的な総合評価点である。商品乖離度ベクトルは、商品の特徴とユーザーの嗜好との差を示しており、商品乖離度ベクトルと重み付けベクトルとの内積である商品評価点は、点数が小さいほど、その商品の特性が現在のユーザーの好みに合致していることを意味し、点数が大きくなると、その商品の特性が現在のユーザーの好みから離れていることを意味する。

続いて、Ｓ１７では、個人嗜好情報補正部３５が、Ｓ１２で算出したフィードバック評価点と、式（２）で算出した補正前の商品評価点との差が最小となるように、個人嗜好ベクトルｚと、重み付けベクトルｗを補正する。

具体的には、まず、ｉ番目（i=1,2,….N）のワインに対するフィードバック評価点ｙ_iとして、フィードバック評価点と補正前商品評価点との差の2乗和Ｅ（ｗ，ｚ）を下記式（３）により求める。

続いて、0≦ｚ_j≦1（j=1,…,8）というｚに関する制約条件のもとで、Ｅ（ｗ，ｚ）を最小化する補正個人嗜好ベクトルｚ’，補正重み付けベクトルｗ’を求める。これは、下記数理計画問題（４）を解くことに相当する。

この数理計画問題は、以下の2ステップによる近似解法を用いて解く。まず、Ｓ１８−１では、まず、個人嗜好ベクトルｚを固定し、上記数理計画問題（４）を解き、補正重み付けベクトルｗ’を近似解として求める。続いて、Ｓ１８−２において、重み付けベクトルｗをＳ１８−１で得られた補正重み付けベクトルｗ’に固定して、上記数理計画問題（４）を解き、補正個人嗜好ベクトルｚ’を近似解として求める。

ここで、Ｓ１８−１、Ｓ１８−２において、それぞれどのように解を求めるかについて説明する。Ｓ１８−１では、重み付けベクトルｗの各座標値でＥを微分したものは、下記式（５）で表される。

ここで、ｌ＝1,2,…,8に関して、下記式（６）と置くと、ｗ_l（l=1,2,…,8）に関する8つの一次方程式を得ることができる。これらの8つの一次方程式が一次独立であれば、式（５）の連立一次方程式を解けば、Ｅ（ｗ）を最小化する補正重み付けベクトルｗ’が得られる。

また、Ｓ１８−２について、Ｓ１８−２の数理計画問題を解くのは、Ｓ１８−１の数理計画問題を解くのに比べて一般的に難しくなる。しかし、個人嗜好ベクトルｚの取る領域が凸閉集合であり、Ｅが個人嗜好ベクトルｚに関して凸関数であることから、Ｓ１８−２の数理計画問題は、凸計画問題と呼ばれるものになる。凸計画問題は、例えば、内点法等を用いて解を計算することができ、補正個人嗜好ベクトルｚ’を得ることができる。

次に、Ｓ１９では、Ｓ１８で求めた補正個人嗜好ベクトルｚ’、補正重み付けベクトルｗ’を新しい個人嗜好情報として、ユーザー情報ＤＢ２２を更新する。

これにより、次回、当該ユーザーにワインを推薦する際には、商品レコメンド部３０は、補正後の個人嗜好情報に基づいて、ユーザーの嗜好と適合性の高い商品を推薦するので、よりユーザーの嗜好に合致した商品を推薦することができる。

なお、フィードバック補正を行うタイミングはいつでも良いし、フィードバック補正を行う商品の数も幾つでも良い。また、フィードバック補正において、ユーザーに答えてもらう質問の内容も適宜変更可能であり、上記実施形態では、商品を好みの順番に並べてもらうようしたが、各商品をそれぞれ採点してもらうようにしても良い。

以上、本実施形態に係るレコメンドシステム１について説明したが、本実施形態によれば、ユーザーからの商品に対するフィードバック情報に基づいて、各ユーザーの嗜好を表す個人嗜好情報を随時フィードバック補正することができるため、使い続けることで、よりユーザーの嗜好を反映した個人嗜好情報に進化させることができ、商品群の中からよりユーザーの嗜好に合致した商品を推薦できるようになる。

特に、本実施形態では、個人嗜好情報が個人嗜好ベクトルと、個人嗜好ベクトルの各座標軸の倍率を変更する重み付けベクトルとから構成されており、個人嗜好情報により的確に個人の嗜好を反映させることができると共に、フィードバック補正においても、個人嗜好ベクトル及び重み付けベクトルの双方を補正しており、より個人の嗜好を反映した補正を行うことができる。

以上、本発明に係る実施形態について説明したが、本発明は上述した実施形態に限定されるものではなく、本発明の主旨を逸脱しない範囲内で種々の変形が可能である。例えば、上述した管理サーバーの機能は、単一のサーバーに限らず、複数のサーバーで分散して行わせるようにしても良い。

また、上記実施形態では、ユーザー端末に対してネットワークを介して管理サーバーがレコメンドサービスを提供する場合について説明したが、ユーザー情報ＤＢ、商品情報ＤＢ等の情報と、商品レコメンド部、個人嗜好情報補正部等の機能とを備えるプログラムをユーザー端末にインストールし、ユーザー端末単独でレコメンドサービスを提供するようにしても良い。

また、上記実施形態では、商品としてワインを採用したレコメンドシステムについて説明したが、多種多様な商品、例えば、映画、旅行等の商品についても本発明を適用することができる。また、商品の嗜好を表すための要素も適宜変更可能であり、要素の内容や数は専門家の大局観に基づいて適宜設定するようにすれば良い。

また、上記実施形態では、商品レコメンド部や個人嗜好情報補正部における演算処理の内容も適宜変更可能である。例えば、上記実施形態では、商品評価点を算出する際に、個人嗜好ベクトルと商品特徴ベクトルとの差分ベクトルを先に求めて、この差分ベクトル（乖離度ベクトル）と重み付けベクトルとの内積により評価点を算出しているが、重み付けベクトルの各座標値を個人嗜好ベクトルの各座標値に係数として掛けた重み付け済み個人嗜好ベクトルを先に算出し、重み付け済み個人嗜好ベクトルと商品特徴ベクトルとの累積差分を商品評価点とするようにしても良い。

また、上記実施形態に係るレコメンドサービスの提供先は、エンドユーザーに限らず、ユーザーとしての事業者に対して提供しても良く、ユーザー端末は、ロボット等であっても良い。

１ レコメンドシステム
１０ 管理サーバー
１１ 演算装置
２０ 記憶装置
２１ プログラム格納部
２２ ユーザー情報ＤＢ
２３ 商品情報ＤＢ
２５ ｗｅｂコンテンツＤＢ
２７ 質問ＤＢ
３０ 商品レコメンド部
３５ 個人嗜好情報補正部
４０ 乖離度算出部
４５ 商品評価点算出部
５０ ユーザー端末
５ ネットワーク

Claims (6)

1. 所定の商品群の中からユーザーの嗜好と適合性の高い前記商品を抽出して推薦するレコメンドシステムにおいて、
   前記商品に対するユーザーの嗜好を表すために予め設定された複数の要素に関して、前記商品毎に予め設定された、複数の前記要素の座標値からなる商品特徴ベクトルを記録する商品特徴情報記録部と、ユーザー毎の前記商品に対する嗜好を表す、複数の前記要素の座標値からなる個人嗜好ベクトルと、前記個人嗜好ベクトルを調整するための重み付けベクトルと、を記録するユーザー嗜好情報記録部と、を有する記憶装置と、
   前記重み付けベクトルにより調整された個人嗜好ベクトルと適合性の高い前記商品特徴ベクトルを有する前記商品を抽出する商品レコメンド部と、
   前記商品に対する評価についてのユーザーからのフィードバック情報に基づいて、前記個人嗜好ベクトル及び前記重み付けベクトルを補正する個人嗜好情報補正部と、
   を備えることを特徴とするレコメンドシステム。
2. 前記重み付けベクトルは、前記個人嗜好ベクトルの各座標軸の倍率を調整するベクトルであることを特徴とする請求項１記載のレコメンドシステム。
3. 前記商品特徴ベクトルと、前記重み付けベクトルにより調整された個人嗜好ベクトルとの各要素の差分を累積した、前記商品のユーザーの嗜好に対する適合性を表す商品評価点を算出する商品評価点算出部を備え、
   前記商品レコメンド部は、前記商品評価点に基づいて推薦する前記商品を抽出することを特徴とする請求項１又は２記載のレコメンドシステム。
4. ユーザーからのフィードバック情報に基づいてフィードバック評価点を算出するフィードバック評価点算出部を備え、
   前記個人嗜好情報補正部は、前記商品評価点と前記フィードバック評価点との差が最少となるように、前記個人嗜好ベクトル及び前記重み付けベクトルを補正することを特徴とする請求項３記載のレコメンドシステム。
5. 前記商品特徴ベクトルと前記個人嗜好ベクトルとの差分ベクトルである乖離度ベクトルを算出する乖離度算出部を備え、
   前記商品評価点算出部は、前記乖離度ベクトルと前記重み付けベクトルとの内積により前記商品評価点を算出することを特徴とする請求項３又は４記載のレコメンドシステム。
6. 所定の商品群の中からユーザーの嗜好と適合性の高い前記商品を抽出して推薦する処理をコンピューターに行わせるレコメンドプログラムにおいて、
   前記商品に対するユーザーの嗜好を表すために予め設定された複数の要素に関して、前記商品毎に予め設定された、複数の前記要素の座標値からなる商品特徴ベクトルを記憶装置に記録するステップと、
   ユーザー毎の前記商品に対する嗜好を表す、複数の前記要素の座標値からなる個人嗜好ベクトルと、前記個人嗜好ベクトルを調整するための重み付けベクトルと、を前記記憶装置に記録するステップと、
   前記重み付けベクトルにより調整された個人嗜好ベクトルと適合性の高い前記商品特徴ベクトルを有する前記商品を抽出する商品レコメンドステップと、
   前記商品に対する評価についてのユーザーからのフィードバック情報に基づいて、前記個人嗜好ベクトル及び前記重み付けベクトルを補正する個人嗜好情報補正ステップと、
   を備えることを特徴とするレコメンドプログラム。