JP2020087455A

JP2020087455A - 推薦生成方法及び推薦生成装置

Info

Publication number: JP2020087455A
Application number: JP2019204655A
Authority: JP
Inventors: ファン・ルゥ; Lu Fang; 遥孟; Yao Meng
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2018-11-28
Filing date: 2019-11-12
Publication date: 2020-06-04
Anticipated expiration: 2039-11-12
Also published as: CN111241380A; CN111241380B; JP7367473B2

Abstract

【課題】推薦生成方法及び装置を提供する。【解決手段】該方法は、複数のアイテムをリンクト・オープン・データネットワークにおける複数のエンティティにリンクしてマップを形成するステップであって、マップは、アイテム、エンティティ及びユーザをノードとして含む、ステップと、マップにおける任意の２つのノード間の経路の集合を決定するステップと、第１特徴ベクトルを計算するステップであって、第１特徴ベクトルの各成分は経路集合における１つの経路に対応し、且つ全ての経路における特定ユーザと特定アイテムとを接続するサブ経路の長さの和に対する、対応する経路における特定ユーザと特定アイテムとを接続するサブ経路の長さの比率を示す、ステップと、第１特徴ベクトル及び相関関数に基づいて特定ユーザと特定アイテムとの相関度を計算するステップと、相関度に基づいて、特定ユーザに特定アイテムを推薦するか否かを決定するステップと、推薦すると決定された場合、特定ユーザの感知可能な方式で特定アイテムを推薦するステップと、を含む。【選択図】図２

Description

本発明は、推薦生成方法及び推薦生成装置に関し、具体的には、リンクト・オープン・データ（ＬｉｎｋｅｄＯｐｅｎＤａｔａ：ＬＯＤ）に基づいて推薦を生成する方法及び装置に関する。

急速に発展しているインターネットは、人々に非常に豊富な情報リソースを提供しているが、ユーザが大量の情報から関心のある情報を見つけることは益々難しくなっている。ユーザによる方策の決定を指導するように、大量の情報からユーザの興味を持っている情報を掘り下げてユーザに推薦する方法は、ホットな研究トピックになっている。従来の推薦方法には、例えば内容に基づく推薦、協調フィルタリングに基づく推薦、ネットワーク構造に基づく推薦、及びハイブリッド推薦などが含まれる。

ＬＯＤクラウドはグローバルに分散されたデータネットワークであり、ユーザは該ネットワークに既に存在するデータを使用してもよいし、独自のデータを公開して他のユーザにより発見、再利用されてもよい。リンクト・データ（ｌｉｎｋｅｄｄａｔａ）は、マシンがネットワークにおける情報を理解しやすくするように、より豊富なセマンティック情報及びより構造化されたデータを提供する。従って、ＬＯＤに基づく推薦システムは、優れた利用価値を有する。

本発明は、ＬＯＤに基づく推薦方法を提供する。

本発明の１つの態様では、ユーザに対する推薦の生成方法であって、複数のアイテムをリンクト・オープン・データ（ＬＯＤ）ネットワークにおける複数のエンティティにそれぞれリンクしてマップを形成するステップであって、前記マップは、前記複数のアイテム、前記複数のエンティティ及び複数のユーザをノードとして含む、ステップと、前記マップにおける経路集合を決定するステップであって、前記経路集合は、前記マップにおける任意の２つのノード間の経路を含むステップと、前記複数のユーザのうちの特定ユーザ及び前記複数のアイテムのうちの特定アイテムについて、前記特定ユーザ及び前記特定アイテムについての第１特徴ベクトルを計算するステップであって、前記第１特徴ベクトルの各成分は前記経路集合における１つの経路に対応し、前記第１特徴ベクトルの各成分は、前記経路集合の全ての経路における前記特定ユーザと前記特定アイテムとを接続するサブ経路の長さの和に対する、対応する経路における前記特定ユーザと前記特定アイテムとを接続するサブ経路の長さの比率を示す、ステップと、前記第１特徴ベクトル及び相関関数に基づいて、前記特定ユーザと前記特定アイテムとの相関度を計算するステップと、前記相関度に基づいて、前記特定ユーザに前記特定アイテムを推薦するか否かを決定するステップと、前記特定ユーザに前記特定アイテムを推薦すると決定された場合、前記特定ユーザの感知可能な方式で前記特定アイテムを推薦するステップと、を含む、方法を提供する。

本開示のもう１つの態様では、ユーザに対する推薦の生成装置であって、メモリと、プロセッサと、を含み、前記プロセッサは、上記の方法を実行する、装置を提供する。

本開示のもう１つの態様では、プログラムが記憶されている記録媒体であって、前記プログラムがコンピュータにより実行される際に、前記コンピュータに上記の方法を実行させる、記録媒体を提供する。

アイテムをＬＯＤネットワークにリンクしてマップＧを形成することを示す模式図である。本発明に係る推薦生成方法の全体的なフローチャートである。マップＧにおける１つの経路の具体例を示す図である。図２におけるステップＳ２３０の処理を示す図である。図２におけるステップＳ２４０の処理を示す図である。図２におけるステップＳ２５０の処理の１つの例を示す図である。図２におけるステップＳ２５０の処理のもう１つの例を示す図である。本発明に係る相関関数の訓練方法のフローチャートである。本発明を実現可能なコンピュータのハードウェアの例示的な構成を示すブロック図である。

図１はデータにおけるアイテムをＬＯＤネットワークにリンクしてマップＧを形成することを示す模式図である。

図１に示すように、マップＧ＝（Ｖ，Ｒ）を定義し、ここで、ＶはマップＧにおける頂点の集合を表し、ＲはマップＧにおける辺の集合を表す。頂点は、ユーザの集合Ｕ、アイテムの集合Ｉ、及びＬＯＤネットワークにおけるエンティティの集合Ｅをさらに含み、集合Ｕは図示するユーザｕ１〜ｕ４を含み、集合Ｉは図示するアイテムｉ１〜ｉ４を含み、集合Ｅは図示するエンティティｅ１〜ｅ９を含む。辺は、ユーザとアイテムとを接続する辺ｓの集合、及び２つのエンティティを接続する辺ｐの集合をさらに含み、ここで、辺ｓは互いに接続されたユーザとアイテムとが相関することを表し、辺ｐはＬＯＤにおける属性を表す。

アイテムｉ１〜ｉ４はＬＯＤネットワークにおけるエンティティｅ〜ｅ４にそれぞれリンクされ、互いにリンクされたアイテムとエンティティとは等価の関係を有し、マップＧにおいて１つの頂点（図において破線枠で示されている）と見なされてもよい。

なお、図１は単なるユーザ、アイテム及びエンティティを例示的に示し、これらの数及びその間の関係は図示されたものに限定されない。

また、マップＧでは、任意の２つの頂点間の経路が定義されてもよい。経路は、２つの頂点を接続する１つの辺又は複数の辺のシーケンスであり、経路の長さは、経路に含まれる辺の数であり、経路の長さは、１以上であり、且つ所定値よりも小さい。マップＧに複数の頂点が含まれ、任意の２つの頂点間の経路により構成された集合は、経路集合と称される。

以下は図２〜図７を参照しながら本発明に係る推薦生成方法を説明する。図２は該方法の全体的なフローチャートであり、図３はマップＧにおける１つの経路の具体例を示す図であり、図４は図２におけるステップＳ２３０の具体的な処理を示す図であり、図５は図２におけるステップＳ２４０の具体的な処理を示す図であり、図６及び図７はそれぞれ図２におけるステップＳ２５０の具体的な処理を示す図である。

図２に示すように、ステップＳ２１０において、複数のアイテムｉ１〜ｉ４をＬＯＤネットワークにおける複数のエンティティｅ１〜ｅ４にそれぞれリンクし、マップＧを形成する。次に、ステップＳ２２０において、マップＧにおける全ての経路の集合を決定する。該経路集合は、マップＧにおける任意の２つの頂点間の経路を含む。

次に、マップＧから、直接接続されていないユーザとアイテムのペア、例えばユーザｕ１とアイテムｉ３を選択する。ユーザｕ１とアイテムｅ３との間に両者を直接接続する辺がないが、両者は一連の辺により構成された経路により接続されることができるため、マップＧからユーザｕ１とアイテムｉ３との相関度を直接取得することができない。このため、ステップＳ２３０及びＳ２４０によりユーザｕ１とアイテムｅ３との相関度を計算する。

ステップＳ２３０において、ユーザｕ１及びアイテムｉ３についての第１特徴ベクトルを計算する。該第１特徴ベクトルは、ユーザｕ１とアイテムｅ３との関連性を表す。以下は、図４を参照しながらステップＳ２３０の処理を具体的に説明する。

図４に示すように、ステップＳ４１０において、マップＧにおける経路集合から任意の１つの経路ｊを選択する。選択された経路ｊが図３における太い実線で示されているものであると仮定すると、経路ｊの２つの端点はそれぞれユーザｕ２及びアイテムｉ２である。図３に示すように、経路ｊはｓ１、ｓ２、ｐ１、ｐ２、ｐ３、ｐ４、ｐ５、ｓ３という辺のシーケンスを含む。

次に、ステップＳ４２０において、経路ｊから、ユーザｕ１とアイテムｉ３とを接続するサブ経路ｓｕｂ（ｊ）及びサブ経路ｓｕｂ（ｊ）の長さを決定する。図３から分かるように、サブ経路ｓｕｂ（ｊ）はｓ２、ｐ１、ｐ２、ｐ３、ｐ４、ｐ５という辺のシーケンスを含み、サブ経路ｓｕｂ（ｊ）の長さは６である。

上記の方法により、経路集合における各経路について、該経路におけるユーザｕ１とアイテムｉ３とを接続するサブ経路の長さを決定する。該経路にユーザｕ１とアイテムｉ３とを接続するサブ経路が存在しない場合、サブ経路の長さが０であると決定する。次に、ステップＳ４３０において、経路集合における全ての経路について決定されたサブ経路の長さの和を計算する。

次に、ステップＳ４４０で、以下の式（１）に従って、ユーザｕ１及びアイテムｉ３についての第１特徴ベクトルにおける経路ｊに対応する成分ｙ（ｊ）を計算する。

ここで、｜ｓｕｂ（）｜はサブ経路ｓｕｂ（）の長さを表し、Ｎは経路集合における全ての経路の数を表す。

式（１）から分かるように、第１特徴ベクトルにおける経路ｊに対応する成分ｙ（ｊ）は、経路集合の全ての経路におけるユーザｕ１とアイテムｉ３とを接続するサブ経路の長さの和に対する、経路ｊにおけるユーザｕ１とアイテムｉ３とを接続するサブ経路ｓｕｂ（）の長さの比率である。

次に、ステップＳ４５０において、マップＧにおける他の経路について、上記の該経路ｊについての処理と同様な処理により、ユーザｕ１及びアイテムｉ３についての第１特徴ベクトルにおける他の成分を計算し、各成分は１つの経路に対応する。これによって、ユーザｕ１及びアイテムｉ３についての第１特徴ベクトルＹを取得することができる。

図２に戻り、ステップＳ２４０において、ステップＳ２３０において取得された第１特徴ベクトルＹに基づいて、相関関数を用いて、ユーザｕ１とアイテムｉ３との相関度を計算する。以下は、図５を参照しながらステップＳ２４０の処理を具体的に説明する。

図５に示すように、まず、ステップＳ５１０において、アイテムｉ３について内容に基づく特徴を抽出し、第２特徴ベクトルＸを形成する。内容に基づく特徴は、アイテムｉ３のタイプ、種類、要約、属性のうちの１つ又は複数を含んでもよく、それぞれが第２特徴ベクトルＸの１つの成分に対向する。

例えば、アイテムのタイプは、書籍、歌又は映画などであってもよく、アイテムの種類は、「２０１８年に上映する中国語映画」などであってもよい。また、例えば、要約から２文字以上の単語を抽出し、出現頻度が２％よりも低く、或いは７０％よりも高い単語を除去してもよい。また、アイテムのタイプに基づいて属性を選択してもよく、例えば、アイテムのタイプが書籍である場合、本の著者を属性として選択し、アイテムのタイプが映画である場合、監督、俳優などを属性として選択する。

次に、ステップＳ５２０において、以下の式（２）に従って、アイテムｉ３の第２特徴ベクトルＸ、並びにステップＳ２３０において取得されたユーザｕ１及びアイテムｉ３についての第１特徴ベクトルＹを相関関数ｆに入力し、ユーザｕ１とアイテムｉ３との相関度ｒ_ｕ１ｉ３を計算する。
ｒ_ｕ１ｉ３＝ｆ（Ｘ，Ｙ）（２）

図２に戻り、ステップＳ２５０において、算出された相関度ｒ_ｕ１ｉ３に基づいて、ユーザｕ１にアイテムｉ３を推薦するか否かを決定する。図６はステップＳ２５０の処理の１つの例を示している。

図６に示すように、ステップＳ６１０において、算出された相関度ｒ_ｕ１ｉ３と所定の閾値とを比較する。相関度ｒ_ｕ１ｉ３が該閾値以上である場合、処理がステップＳ６２０に進み、アイテムｉ３をユーザｕ１に推薦する。相関度ｒ_ｕ１ｉ３が閾値よりも小さい場合、処理がステップＳ６３０に進み、アイテムｉ３をユーザｕ１に推薦しない。

図７はステップＳ２５０の処理のもう１つの例を示している。図７に示すように、ステップＳ７０１において、ステップＳ２３０及びＳ２４０と同様な処理により、ユーザｕ１と他の各アイテムｉ１、ｉ２、ｉ４との相関度をそれぞれ計算する。次に、ステップ７２０において、取得された相関度（アイテムｉ３との相関度を含む）を降順で並び替える。次に、ステップ７３０において、上位のｋ個の相関度に対応するアイテムを、ユーザｕ１に推薦すべきアイテムとして選択する。特に、図７の例におけるｋ番目の相関度は、図６の例における所定の閾値とされてもよい。

図２に戻り、ステップＳ２５０において、ユーザｕ１にアイテムｉ３を推薦すると決定された場合、ユーザｕ１の感知可能な方式でユーザｕ１にアイテムｉ３を推薦する。例えば、視覚、聴覚、触覚などの方式、例えば点滅、音声、振動などにより、アイテムｉ３を推薦してもよい。

以下は、図８を参照しながら、図２のステップＳ２４０において用いられる相関関数ｆの生成方法を説明する。

全体的に言うと、既知ユーザ及び既知アイテムを用いて、訓練により相関関数ｆを生成してもよい。ここで、既知ユーザと既知アイテムとの相関度は既知である。

図８に示すように、まず、ステップＳ８１０において、既知ユーザと既知アイテムとの既知相関度を決定する。ここで、図１におけるユーザｕ２及びアイテムｉ１〜ｉ４が既知であり、それらの相関度も既知であると仮定する。辺ｓはユーザｕ２とアイテムｉ１とを接続しているため、両者は互いに相関し、その相関度ｒ_ｕ２ｉ１＝１となる。ユーザｕ２とアイテムｉ２とが接続されていないため、その相関度ｒ_ｕ２ｉ２＝０となる。このように、ｒ_ｕ２ｉ１＝１、ｒ_ｕ２ｉ２＝０、ｒ_ｕ２ｉ３＝１、ｒ_ｕ２ｉ４＝０という既知相関度を取得することができる。

次に、ユーザｕ２及びアイテムｉ１についてステップＳ８２０及びＳ８３０の処理を実行し、ユーザｕ２とアイテムｉ１との相関度ｒ’_ｕ２ｉ１を計算する。ステップＳ８２０及びＳ８３０の処理は図２に示すステップＳ２３０及びＳ２４０の処理と同様であるため、ここでその説明を省略する。特に、ステップＳ８３０を実行する際に、相関関数ｆの初期設定を用いる。

次に、ステップＳ８４０において、算出された相関度ｒ’_ｕ２ｉ１が既知相関度ｒ_ｕ２ｉ１（＝１）に近くなるように、相関関数ｆを訓練する。

同様に、ステップＳ８２０及びＳ８３０を実行することで算出されたユーザｕ２とアイテムｉ２との相関度ｒ’_ｕ２ｉ２が既知相関度ｒ_ｕ２ｉ２（＝０）に近くなるように、ユーザｕ２及びアイテムｉ２を用いて相関関数ｆを訓練してもよい。同様に、ユーザｕ２とアイテムｉ３、ｉ４を用いて相関関数ｆを訓練してもよい。

また、仮に図１におけるユーザｕ１、ｕ３及びｕ４も既知ユーザであると、相関関数ｆにより算出された相関度が既知相関度に近くなるように、それらのユーザとアイテムｉ１〜ｉ４との既知相関度を用いて相関関数ｆを訓練してもよい。

相関関数ｆに対する訓練が完了した後に、図２のステップＳ２４０において、訓練された相関関数を用いて、未知のユーザとアイテムとの相関度を計算し、ステップＳ２５０において、算出された相関度に基づいて、該ユーザに該アイテムを推薦するか否かを決定してもよい。

以上は具体的な実施例を参照しながら本発明の実施形態を説明した。上記の実施例に係る方法は、ソフトウェア、ハードウェア、又はソフトウェアとハードウェアとの組み合わせにより実現されてもよい。ソフトウェアに含まれるプログラムは、装置の内部又は外部に設置された記憶媒体に予め記憶されてもよい。一例として、実行中に、これらのプログラムはランダムアクセスメモリ（ＲＡＭ）に書き込まれ、プロセッサ（例えばＣＰＵ）により実行されることで、本明細書で説明された各処理を実現する。

図９はプログラムに基づいて本発明の方法を実行するためのコンピュータのハードウェアの例示的な構成を示すブロック図であり、該コンピュータのハードウェアは本発明に係るユーザに対する推薦の生成装置の一例である。

図９に示すように、コンピュータ９００では、中央処理装置（ＣＰＵ）９０１、読み出し専用メモリ（ＲＯＭ）９０２及びランダムアクセスメモリ（ＲＡＭ）９０３がバス９０４により相互に接続されている。

入力／出力インターフェース９０５は、バス９０４にさらに接続されている。入力／出力インターフェース９０５には、キーボード、マウス、マイクロフォンなどにより構成された入力部９０６、ディスプレイ、スピーカなどにより構成された出力部９０７、ハードディスク、不揮発性メモリなどにより構成された記憶部９０８、ネットワークインターフェースカード（ローカルエリアネットワーク（ＬＡＮ）カード、モデムなど）により構成された通信部９０９、及び移動可能な媒体９１１をドライブするドライブ部９１０が接続されている。移動可能な媒体９１１は、例えば磁気ディスク、光ディスク、光磁気ディスク又は半導体メモリである。

上記の構成を有するコンピュータにおいて、ＣＰＵ９０１は、記憶部９０８に記憶されているプログラムを、入力／出力インターフェース９０５及びバス９０４を介してＲＡＭ９０３にロードし、プログラムを実行することにより、上記の方法を実行する。

コンピュータ（ＣＰＵ９０１）により実行されるプログラムは、パッケージ媒体である移動可能な媒体９１１に記録されてもよい。該パッケージ媒体は、例えば磁気ディスク（フロッピーディスクを含む）、光ディスク（コンパクトディスクリードオンリーメモリ（ＣＤ−ＲＯＭ）、デジタルバーサタイルディスク（ＤＶＤ）などを含む）、光磁気ディスク、又は半導体メモリにより形成される。また、コンピュータ（ＣＰＵ９０１）により実行されるプログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送の有線又は無線の伝送媒体を介して提供されてもよい。

移動可能な媒体９１１がドライブ部９１０にインストールされると、プログラムは、入力／出力インターフェース９０５を介して記憶部９０８にインストールすることができる。
また、プログラムは、有線又は無線の伝送媒体を介して通信部９０９で受信され、記憶部９０８にインストールされる。或いは、プログラムは、ＲＯＭ９０２又は記憶部９０８に予めインストールされてもよい。

コンピュータにより実行されるプログラムは、本明細書で説明する順序に従って処理を実行するプログラムであってもよいし、処理を並列的に実行し、或いは必要に応じて（例えば呼び出しの時に）処理を実行するプログラムであってもよい。

本明細書で説明されている装置又はユニットは論理的なものであり、物理的な装置又はエンティティに限定されない。例えば、本明細書で説明されている各ユニットの機能は複数の物理エンティティにより実現されてもよいし、本明細書で説明される複数のユニットの機能は単一の物理エンティティにより実現されてもよい。また、１つの実施例で説明される特徴、構成要素、要素、ステップなどは、該実施例に限定されず、例えば、他の実施例に適用されてもよく、例えば他の実施例の特定の特徴、構成要素、要素、ステップなどの代わりに用いてもよいし、それと組み合わせてもよい。

本発明の範囲は、本明細書に記載の具体的な実施例に限定されない。当業者により理解できるように、設計要求及び他の要因に応じて、本発明の原理及び要旨から逸脱することなく、本明細書の実施例に対して様々な修正又は変更を行ってもよい。本発明の範囲は、添付の特許請求の範囲及びその均等物により制限される。

また、上述の各実施例を含む実施形態に関し、更に以下の付記を開示するが、これらの付記に限定されない。
（付記１）
ユーザに対する推薦の生成方法であって、
複数のアイテムをリンクト・オープン・データ（ＬＯＤ）ネットワークにおける複数のエンティティにそれぞれリンクしてマップを形成するステップであって、前記マップは、前記複数のアイテム、前記複数のエンティティ及び複数のユーザをノードとして含む、ステップと、
前記マップにおける経路集合を決定するステップであって、前記経路集合は、前記マップにおける任意の２つのノード間の経路を含むステップと、
前記複数のユーザのうちの特定ユーザ及び前記複数のアイテムのうちの特定アイテムについて、前記特定ユーザ及び前記特定アイテムについての第１特徴ベクトルを計算するステップであって、前記第１特徴ベクトルの各成分は前記経路集合における１つの経路に対応し、前記第１特徴ベクトルの各成分は、前記経路集合の全ての経路における前記特定ユーザと前記特定アイテムとを接続するサブ経路の長さの和に対する、対応する経路における前記特定ユーザと前記特定アイテムとを接続するサブ経路の長さの比率を示す、ステップと、
前記第１特徴ベクトル及び相関関数に基づいて、前記特定ユーザと前記特定アイテムとの相関度を計算するステップと、
前記相関度に基づいて、前記特定ユーザに前記特定アイテムを推薦するか否かを決定するステップと、
前記特定ユーザに前記特定アイテムを推薦すると決定された場合、前記特定ユーザの感知可能な方式で前記特定アイテムを推薦するステップと、を含む、方法。
（付記２）
前記任意の２つのノード間の経路は、１つの線又は複数の順番に接続された線により構成され、
前記任意の２つのノード間の経路の長さは、前記線の数により示される、付記１に記載の方法。
（付記３）
前記任意の２つのノード間の経路の長さは、１以上であり、且つ所定値よりも小さい、付記２に記載の方法。
（付記４）
各アイテムについて内容に基づく特徴を抽出し、第２特徴ベクトルを形成するステップ、をさらに含む、付記１に記載の方法。
（付記５）
前記内容に基づく特徴は、前記アイテムのタイプ、種類、要約、属性のうちの１つ又は複数を含む、付記４に記載の方法。
（付記６）
前記特定ユーザ及び前記特定アイテムについての第１特徴ベクトル、並びに前記特定アイテムについての第２特徴ベクトルを前記相関関数に入力し、前記特定ユーザと前記特定アイテムとの相関度を計算するステップ、をさらに含む、付記４に記載の方法。
（付記７）
算出された相関度が閾値以上である場合、前記特定アイテムを前記特定ユーザに推薦するステップと、
算出された相関度が前記閾値よりも小さい場合、前記特定アイテムを前記特定ユーザに推薦しないステップと、をさらに含む、付記６に記載の方法。
（付記８）
前記特定ユーザと前記複数のアイテムのうち何れかのアイテムとの相関度を計算するステップと、
取得された複数の相関度を降順で並び替え、特定位置での相関度を前記閾値として設定するステップと、をさらに含む、付記７に記載の方法。
（付記９）
既知ユーザ及び既知アイテムを用いて前記相関関数を生成するステップ、をさらに含み、
前記既知ユーザと前記既知アイテムとの相関度は既知である、付記１に記載の方法。
（付記１０）
前記既知ユーザのうちの特定既知ユーザ及び前記既知アイテムのうちの特定既知アイテムについて、前記第１特徴ベクトル及び前記第２特徴ベクトルを決定するステップと、
決定された第１特徴ベクトル及び第２特徴ベクトル、並びに前記特定既知ユーザと前記特定既知アイテムとの既知相関度に基づいて、訓練により前記相関関数を生成するステップと、をさらに含む、付記９に記載の方法。
（付記１１）
ユーザに対する推薦の生成装置であって、メモリと、プロセッサと、を含み、前記プロセッサは、付記１〜１０の何れかに記載の方法を実行する、装置。
（付記１２）
プログラムが記憶されている記録媒体であって、前記プログラムがコンピュータにより実行される際に、前記コンピュータに付記１〜１０の何れかに記載の方法を実行させる、記録媒体。

Claims

ユーザに対する推薦の生成方法であって、
複数のアイテムをリンクト・オープン・データ（ＬＯＤ）ネットワークにおける複数のエンティティにそれぞれリンクしてマップを形成するステップであって、前記マップは、前記複数のアイテム、前記複数のエンティティ及び複数のユーザをノードとして含む、ステップと、
前記マップにおける経路集合を決定するステップであって、前記経路集合は、前記マップにおける任意の２つのノード間の経路を含むステップと、
前記複数のユーザのうちの特定ユーザ及び前記複数のアイテムのうちの特定アイテムについて、前記特定ユーザ及び前記特定アイテムについての第１特徴ベクトルを計算するステップであって、前記第１特徴ベクトルの各成分は前記経路集合における１つの経路に対応し、前記第１特徴ベクトルの各成分は、前記経路集合の全ての経路における前記特定ユーザと前記特定アイテムとを接続するサブ経路の長さの和に対する、対応する経路における前記特定ユーザと前記特定アイテムとを接続するサブ経路の長さの比率を示す、ステップと、
前記第１特徴ベクトル及び相関関数に基づいて、前記特定ユーザと前記特定アイテムとの相関度を計算するステップと、
前記相関度に基づいて、前記特定ユーザに前記特定アイテムを推薦するか否かを決定するステップと、
前記特定ユーザに前記特定アイテムを推薦すると決定された場合、前記特定ユーザの感知可能な方式で前記特定アイテムを推薦するステップと、を含む、方法。
前記任意の２つのノード間の経路は、１つの線又は複数の順番に接続された線により構成され、
前記任意の２つのノード間の経路の長さは、前記線の数により示される、請求項１に記載の方法。
前記任意の２つのノード間の経路の長さは、１以上であり、且つ所定値よりも小さい、請求項２に記載の方法。
各アイテムについて内容に基づく特徴を抽出し、第２特徴ベクトルを形成するステップ、をさらに含む、請求項１に記載の方法。
前記内容に基づく特徴は、前記アイテムのタイプ、種類、要約、属性のうちの１つ又は複数を含む、請求項４に記載の方法。
前記特定ユーザ及び前記特定アイテムについての第１特徴ベクトル、並びに前記特定アイテムについての第２特徴ベクトルを前記相関関数に入力し、前記特定ユーザと前記特定アイテムとの相関度を計算するステップ、をさらに含む、請求項４に記載の方法。
算出された相関度が閾値以上である場合、前記特定アイテムを前記特定ユーザに推薦するステップと、
算出された相関度が前記閾値よりも小さい場合、前記特定アイテムを前記特定ユーザに推薦しないステップと、をさらに含む、請求項６に記載の方法。
前記特定ユーザと前記複数のアイテムのうち何れかのアイテムとの相関度を計算するステップと、
取得された複数の相関度を降順で並び替え、特定位置での相関度を前記閾値として設定するステップと、をさらに含む、請求項７に記載の方法。
既知ユーザ及び既知アイテムを用いて前記相関関数を生成するステップ、をさらに含み、
前記既知ユーザと前記既知アイテムとの相関度は既知である、請求項１に記載の方法。
前記既知ユーザのうちの特定既知ユーザ及び前記既知アイテムのうちの特定既知アイテムについて、前記第１特徴ベクトル及び前記第２特徴ベクトルを決定するステップと、
決定された第１特徴ベクトル及び第２特徴ベクトル、並びに前記特定既知ユーザと前記特定既知アイテムとの既知相関度に基づいて、訓練により前記相関関数を生成するステップと、をさらに含む、請求項９に記載の方法。