JP2021511611A - 推薦装置および方法 - Google Patents

Abstract

顧客が注文する必要があるかもしれない商品および／または顧客が注文することを忘れてしまったかもしれないアイテムに対する推薦を提供する装置および方法を提供する。本発明にしたがうと、商品情報データベース、商品類似性データベース、顧客購入履歴データベース、および、顧客注文データベースと通信するように構成されている推薦ユニットが提供される。推薦ユニットは、商品情報データベース中に記憶されている商品についての情報と、商品情報データベース中に記憶されている少なくとも１つの他の商品についての情報との間の少なくとも１つの類似性を決定するように構成され、少なくとも１つの決定された類似性を商品類似性データベース中に記憶するように構成されている決定ユニットを備えている。推薦ユニットは、顧客購入履歴データベース中に記憶されているような、各顧客によって以前に購入された商品についての情報と、商品類似性データベース中に記憶されているような、少なくとも１つの決定された類似性についての情報とに基づいて、モデルをトレーニングするように構成されているトレーニングユニットと、顧客注文データベース中に記憶されている顧客の現在の注文についての情報と、商品類似性データベース中に記憶されているような、決定された類似性についての情報とに基づいて、顧客によって購入されることになる少なくとも１つの商品に類似する少なくとも１つの商品を生成するように構成されている類似性ユニットとをさらに備えている。推薦ユニットはまた、トレーニングされたモデルを使用して、それぞれの生成された少なくとも１つの類似商品に対して、少なくとも１つの類似商品を、顧客によって購入されることになる少なくとも１つの商品に追加することを顧客が忘れた確率を計算するように構成されている計算ユニットを備えている。【選択図】図１

Description

優先権主張

本出願は、２０１８年１月２５日に出願された英国特許出願番号ＧＢ１８０１２２８．６号からの優先権を主張し、本出願のすべての内容は、参照によってここに組み込まれている。

本出願は、２０１８年３月２日に出願された英国特許出願番号ＧＢ１８０３４０５．８号からの優先権も主張し、本出願のすべての内容は、参照によってここに組み込まれている。

本発明は、オンラインショッピングの分野に関し、より具体的には、少なくとも１つの商品を顧客に推薦するための装置および方法に関する。

背景

電子商取引を行うためのインターネットの使用はよく知られている。現在、多くの小売業者が商品をオンラインで広告し販売している。インターネットを通して購入者に電子的に配信される商品、例えば音楽を含む、幅広い種類の商品が、オンラインで購入可能である。同様に、物理的な商品、例えば本は、オンラインで注文され、従来の流通手段を介して配送できる。会社は、典型的には、入手可能な商品のリストと共に、サーバコンピュータシステム上にホストされる、これらのカタログの電子バージョンをセットアップする。顧客は、インターネットブラウザおよび／またはスマートフォン上の移動体アプリケーションを使用してカタログを閲覧し、購入されることになるさまざまな商品を選択することができる。購入されることになる商品を選択することを顧客が完了するとき、サーバコンピュータシステムは、商品の注文を完了する情報を顧客に向ける。この購入者の特定の注文情報は、購入者の名前、購入者のクレジットカード番号、および注文の発送先住所を含んでいてもよい。次いで、サーバコンピュータシステムは、典型的に、確認ウェブページ／移動体アプリケーションページをクライアントコンピュータシステムに送ることによって注文を確認し、商品の出荷をスケジューリングする。

電子カタログからのさまざまな商品の選択は、典型的に、仮想買い物かごのモデルに基づいている。購入者が電子カタログから商品を選択するとき、サーバコンピュータシステムはその商品を仮想買い物かごに比喩的に追加する。購入者が商品の選択を完了するとき、買い物かご中のすべての商品が「精算」（すなわち注文）され、この点で、購入者は請求および出荷情報を提供する。いくつかのモデルでは、購入者が任意の１つの商品を選択すると、その商品は、請求および出荷情報を自動的に顧客に向けることによって「精算」される。

オンラインショッピングは、便利さや商品の範囲のような従来型店舗のショッピングに関する多数の利点を有するが、オンラインショッピングに関する多数の欠点が存在する。
・注文は、配達されるのに少なくとも数時間（または１日も）かかるが、実店舗では、顧客が店舗に入った直後に商品が入手可能である。これは、顧客が要求される商品を直ちに入手する必要がある場合、顧客は従来型店舗を使用せざるを得ないことを意味する。オンラインで買い物をする顧客は、このような状況を回避するために、前もって何を必要であるかを計画しようとする。
・顧客は、配達に対して請求される。この料金を償却するために、オンライン顧客は、従来型店舗におけるこれまでの店舗と比較すると、より大きな注文をする傾向がある。

時には、オンライン顧客は、顧客が必要としたいくつかの商品を仮想のかごに追加することを忘れるかもしれない。そのようなケースでは、顧客は、潜在的に別のオンライン注文をすることができるが、顧客は、商品の配達のために長い時間待つことを望まず、単一の商品／少数の商品のコストは、配達料金を補うのに十分ではないだろう。したがって、顧客は、従来型店舗でこれまでの方法で、忘れた商品を購入せざるを得ないだろう。

実店舗は、典型的には、オンライン小売業者と比較すると、狭い範囲の商品を有し、したがって、顧客がオンラインで注文することを忘れた商品がそのローカル店舗で入手可能でない可能性があり、これは、さらに悪い顧客体験の一因となる。

この状況は、オンライン小売業者にとって少なくとも２つの点で否定的である。
・（小）平均仮想かごサイズがより小さい。
・（大）顧客は、次回オンラインで購入する可能性が低い。

典型的なオンラインショッピング体験では、顧客は、ショッピング体験の異なる段階を通過する必要がある。まず、顧客は、オンラインショップのカタログを閲覧し、商品を仮想かごに追加する。商品を購入するために、顧客は仮想精算に進まなければならない。

典型的には、商品推薦は、顧客が好むかもしれないが、以前に購入されたことがない商品を提示することによって、精算の前に顧客に表示される。その結果、平均かごサイズを増大することができ、１日当たりの顧客当たりの平均支出が増大し、顧客によって購入される商品の範囲が拡大する。

「多数のユーザに対する個々の取引データのクラスタリング」（http://www.kdd.org/kdd2017/papers/view/clustering-individual-transactional-data-for-massof-of-users）では、仮想かごに追加すべき商品のタイプを推薦するパーソナルアシスタントが提案されている。これは、顧客の買い物履歴およびかごの現在の内容に基づいて行われる。しかしながら、この論文を、商品のタイプの代わりに、仮想かごに追加されることになる具体的な商品を予測するように適合することは困難である。

さらに、典型的な商品推薦ソリューション、および、「多数のユーザに対する個々のトランザクションデータのクラスタリング」の両方に関して、多数の問題が存在し、特に、以下である：
・「多数のユーザに対する個々のトランザクションデータのクラスタリング」は、顧客によって既に購入された商品のみを提案する。例えば、顧客がメキシコ料理の材料の買い物しており、トルティーヤを仮想かごに追加することを忘れた場合、以前にトルティーヤを購入したことがないとトルティーヤは顧客に推薦されないだろう。
・「多数のユーザに対する個々のトランザクションデータのクラスタリング」は、「ミルク」または「パン」のような商品のタイプを顧客に推薦するだけである。これは有用であるが、顧客にとって有用な情報である、どの特定の商品を推薦すべきかを伝えない。
・両方の解決策は、マーケットおよび季節性の傾向を考慮していない。顧客がクリスマス期間にのみ七面鳥を買う場合、この特定の商品は、次のクリスマスの前に顧客に表示される可能性が非常に低い。

概要

既知の推薦システムにおける問題を考慮して、本発明は、顧客が注文する必要があるかもしれない商品および／または顧客が注文することを忘れてしまったかもしれない商品の推薦を提供する装置および方法を提供することを目的とする。

本発明にしたがうと、商品情報データベース、商品類似性データベース、顧客購入履歴データベース、および、顧客注文データベースと通信するように構成されている推薦ユニットが提供される。推薦ユニットは、商品情報データベース中に記憶されている商品についての情報と、商品情報データベース中に記憶されている少なくとも１つの他の商品についての情報との間の少なくとも１つの類似性を決定するように構成され、少なくとも１つの決定された類似性を商品類似性データベース中に記憶するように構成されている決定ユニットを備えている。推薦ユニットは、顧客購入履歴データベース中に記憶されているような、各顧客によって以前に購入された商品についての情報と、商品類似性データベース中に記憶されているような、少なくとも１つの決定された類似性についての情報とに基づいて、モデルをトレーニングするように構成されているトレーニングユニット、および、顧客注文データベース中に記憶されている顧客の現在の注文についての情報と、商品類似性データベース中に記憶されているような、決定された類似性についての情報とに基づいて、顧客によって購入されることになる少なくとも１つの商品に類似する少なくとも１つの商品を生成するように構成されている類似性ユニットをさらに備えている。推薦ユニットはまた、トレーニングされたモデルを使用して、それぞれの生成された少なくとも１つの類似商品に対して、少なくとも１つの類似商品を、顧客によって購入されることになる少なくとも１つの商品に追加することを顧客が忘れた確率を計算するように構成されている計算ユニットを備えている。

前述のように、商品情報データベース、商品類似性データベース、顧客購入履歴データベース、顧客注文データベース、および、推薦ユニットを備える推薦システムも提供される。

推薦を提供する方法も提供される。方法は、商品情報データベース中に記憶されている商品についての情報と、商品情報データベース中に記憶されている少なくとも１つの他の商品についての情報との間の少なくとも１つの類似性を決定するステップと、少なくとも１つの決定された類似性を商品類似性データベース中に記憶するステップと、顧客購入履歴データベース中に記憶されているような、各顧客によって以前に購入された商品についての情報と、商品類似性データベース中に記憶されているような、少なくとも１つの決定された類似性についての情報とに基づいて、モデルをトレーニングするステップと、顧客注文データベース中に記憶されている顧客の現在の注文についての情報と、商品類似性データベース中に記憶されているような、決定された類似性についての情報とに基づいて、顧客によって購入されることになる少なくとも１つの商品に類似する少なくとも１つの商品を生成するステップと、トレーニングされたモデルを使用して、それぞれの生成された少なくとも１つの類似商品に対して、少なくとも１つの類似商品を、顧客によって購入されることになる少なくとも１つの商品に追加することを顧客が忘れた確率を計算するステップとを備えている。

単なる例として、添付の図面を参照して本発明の実施形態を説明するが、同様の参照番号は、同じまたは対応する部分を示している。
図１は、本発明の第１の実施形態にしたがった、推薦ユニットの概略ダイヤグラムを示している。 図２は、本発明の第１の実施形態によって実行される方法のフローチャートを示している。

実施形態の詳細な説明

第１の実施形態

図１は、本発明の第１の実施形態にしたがう、推薦ユニット１００を図示している。この実施形態では、推薦ユニット１００は、多数のデータベースと通信するように構成されている。より具体的には、推薦ユニット１００は、商品情報データベース２００、商品類似性データベース３００、顧客購入履歴データベース４００、および、顧客注文データベース５００と通信するように構成されている。オプション的に、推薦ユニット１００は、顧客選好データベース６００と通信するように構成されてもよい。

商品情報データベース２００は、オンラインショップ６００で販売するために提供される商品に関するさまざまなデータを記憶するように構成されている。

例えば、商品情報データベース２００は、商品材料、商品名、商品のラベルに詳述された商品情報、商品の製造業者によって商品に割り当てられたタグ／情報、および、商品の再販業者および／または流通業者によって商品に割り当てられたタグ／情報、のうちの少なくとも１つを記憶してもよい。例えば、商品が食品である場合、商品のラベル上に示される材料のリストをデータベース中に記憶してもよい。さらに、製造業者／再販業者／流通業者は、商品のラベル上に示されても示されなくてもよく、商品がタグ付けされた、商品に関連する他の情報を記憶してもよい。例えば、商品が、グルテンフリーであるか、菜食主義者に適しているか、またはコーシャであるかである。理解されるように、さまざまな他のタイプの商品情報も、商品情報データベース２００中に記憶することができる。

商品類似性データベース３００は、商品情報データベース２００中に記憶されている商品間の識別された類似性を記憶するように構成されている。例えば、商品情報データベース２００が１つのケチャップ商品および１つのマスタード商品についての情報を記憶する場合、商品類似性データベース３００は、２つの商品が「類似している」、言い換えると、これらが同じカテゴリの類似した商品に関連している、このケースでは、２つの商品が両方とも調味料であり、ケチャップを購入する顧客は通常マスタードも購入するかもしれない、という情報を記憶するように構成することができる。同様に、商品情報データベース２００がトイレットペーパーおよびハンドソープについての情報を記憶する場合、商品類似性データベース３００は、顧客がトイレットペーパーおよびハンドソープの「浴室製品」を一緒に購入するかもしれないので、トイレットペーパーがハンドソープに類似しているという情報を記憶してもよい。

さらに、商品情報データベース２００が、会社Ａによって製造されたケチャップ商品および会社Ｂによって製造されたケチャップ商品についての情報を記憶している場合、２つのケチャップ商品は、顧客によって交換可能に使用されてもよいので、「類似」である。

顧客購入履歴データベース４００は、各顧客および予め定められた時間期間にわたって購入された商品についての情報を記憶するように構成されている。例えば、過去６ヶ月分の購入である。

顧客注文データベース５００は、顧客によってなされる注文についての情報を記憶するように構成されている。言い換えると、顧客注文データベース５００は、顧客の仮想かご中に現在配置されている商品と、顧客が購入／注文することを望む商品とについて情報を記憶し、これらの商品を注文するための精算プロセスを実行するだろう。さらに、顧客注文データベース５００は、電子メールアドレス、電話番号、住所等のような顧客についての特定の情報とともに、顧客の現在の注文についての他の情報、例えば、配達が予約された日付および時間を記憶することができる。

オプション的に、顧客選好データベース６００が提供される。顧客選好データベース５００は、顧客の選好商品に関する情報を記憶するように構成されている。例えば、オンラインショップ６００は、移動体アプリケーションのウェブページおよび／または画面を通して、顧客が会社Ａによって製造されたケチャップを好むかどうかを尋ねるような質問を顧客に直接してもよい。顧客によって提供される回答は、顧客選好データベース６００に記憶され、計算された確率を改善するために推薦ユニット１００によって使用されてもよい。

オンラインショップ７００は、オンラインショップ７００を訪れる顧客によって選択および／または購入されるかもしれない商品のカタログを提供する。オンラインショップ７００は、顧客に商品を閲覧および／または購入させるために、任意の数の異なる手段を利用することができる。典型的な例は、デスクトップ／ラップトップコンピュータ上のウェブブラウザから訪問されてもよいウェブページを含む。さらに、オンラインショップ７００は、移動体デバイスのために特別に設計されたウェブページおよび／または移動体アプリケーションのいずれかを通して、スマートフォン／タブレットのような移動体デバイス上で同様の体験を提供することができる。理解されるように、顧客がカタログから商品を閲覧および／または購入することを可能にするために、任意の数の他のテクノロジーが利用されてもよい。

推薦ユニット１００を特に参照すると、本発明の第１の実施形態の推薦ユニット１００は、商品情報データベース２００中に記憶されている商品情報に基づいて、商品間の類似性を決定するように構成されている。推薦ユニット１００は、顧客が顧客注文に追加することを忘れた少なくとも１つの商品についての確率を計算するようにさらに構成されている。

より具体的には、推薦ユニット１００は、決定ユニット１０１と、トレーニングユニット１０２と、類似性ユニット１０３と、計算ユニット１０４とを備える。オプション的に、推薦ユニット１００は、選択ユニット１０５を備えていてもよい。

決定ユニット１０１は、商品情報に基づいて商品間の関連を決定するように構成されている。より具体的には、決定ユニット１０１は、商品についての情報が商品情報データベース２００中に記憶されている、商品間の類似性を決定し、決定した類似性を商品類似性データベース３００中に記憶してもよい。例えば、商品情報データベース２００は、商品名、商品材料、および／または、製造業者／流通業者／再販業者によって商品に割り当てられる追加情報についての情報を含む、異なる商品についての情報を記憶することができる。商品情報は、商品情報に基づいて他の商品に対する商品の類似性を決定するために、決定ユニット１０１によって使用される。
決定された類似性は、次いで、商品類似性データベース３００中に記憶される。

例として、商品情報データベース２００は、（「商品１」と呼ばれる）米、（「商品２」と呼ばれる）カレーソース、および、（「商品３」と呼ばれる）漂白剤のような、３つの商品についての情報を記憶することができる。決定ユニット１０１は、各商品について、商品を商品情報データベース２００中の他の商品と比較し、それによって、商品間の類似性（存在する場合）を決定するように構成されてもよい。この例では、顧客が典型的には米を購入してカレー料理を作るかもしれず、したがって、米と共に使用するためにカレーソースも購入しそうであるという点で、商品１と商品２は両方関連する商品であることから、決定ユニット１０１は、商品１と商品２との間の類似性を決定することができる。したがって、決定ユニット１０１は、商品１および商品２についての情報とともに、商品１が商品２に類似していると商品類似性データベース３００中に記憶するように構成されてもよい。類似性を決定するために、決定ユニット１０１は、商品名、商品サイズ、商品重量、商品材料、および／または、製造業者／流通業者／再販業者によって商品に割り当てられる情報を比較するように構成されてもよい。

同様に、決定ユニット１０１はまた、商品２を検討し、これが商品１に類似していると決定するであろうが、商品１を検討するときにこの類似性がすでに決定されているので、この結果を無視してもよい。なぜなら、この類似性は商品類似性データベース３００中に既に記憶されているからである。別の例では、決定ユニット１０１は、商品情報データベース２００中のまだ検討されていない商品との類似性のみを決定するように構成されてもよい。

次に、決定ユニット１０１は、商品３を検討するだろう。しかしながら、商品３は、商品１または商品２のいずれにも類似しておらず、したがって、商品３についての類似性情報は、商品類似性データベース３００中に記憶されないだろう。理解されるように、商品情報は、この例で与えられるよりも多くの商品を記憶することができる。

しかしながら、上記の例は、商品間で決定された類似性の例である。別の例では、商品情報データベース２００は、会社Ａによって製造されたケチャップ商品および会社Ｂによって製造されたケチャップ商品についての情報を記憶してもよい。したがって、これらは同じ商品に関連するが異なる会社によって製造されたという点で顧客によって交換可能に使用されてもよいことから、決定ユニット１０１は、２つのケチャップ商品が「類似」であると決定してもよい。

１つの非限定的な例では、ニューラルネットを使用して商品類似性が見出される。ニューラルネットは、商品を実数の多次元ベクトルにマッピングする（埋め込みと呼ばれる）ために使用されてもよい。ベクトルはＤ次元空間における点であるので、各ベクトル（商品）について、距離に関して近い他のベクトル（商品）が見出される。

本発明者は、有利なことに、決定ユニット１０１によって実行される動作が、「オフライン」で、すなわち、注文をする特定の顧客とは別に実行されてもよいことを見出した。このようにして、顧客によって注文されることになる商品に関係なく、商品類似性データベース３００中の類似性を、顧客との対話を必要とせずに記憶することができる。さらに、いったん商品類似性データベース３００中の類似性のリストが形成されると、商品が変更されるかまたは新しい商品が追加されない限り、類似性を変更する必要がない。オンライン小売業者が、決定ユニット１０１に、商品情報データベース２００中に記憶されている商品情報に基づいて、すべての商品について類似性分析を実行させることを本発明者は想定している。その後、決定ユニット１０１は、何らかの方法で変化する、例えば材料が変化する商品に対して、類似性決定を繰り返すだけでよい。さらに、決定ユニット１０１は、商品情報データベース２００に最近追加された新商品の類似性を決定するだろう。

トレーニングユニット１０２は、顧客が商品を忘れた確率を計算するためのモデルをトレーニングするように構成されている。モデルは、顧客注文履歴データベース４００中の顧客注文履歴情報および商品類似性データベース３００からの商品類似性情報に基づいてトレーニングされる。

本発明者は、忘れられた商品の問題に対する不利な以前の解決策を考慮して、トレーニングユニット１０２によってトレーニングされたモデルを通して、クラウドおよび機械学習（ＭＬ）を問題に効果的に適用した。驚くべきことに、忘れられた商品の特定のアプリケーションへのＭＬの適用が、結果として、以前の解決策と比較して、改善されたスピードおよび適応性をもたらすことを本発明者は見出した。さらに、顧客の購入習慣が変化するにつれて、推薦ユニット１００は、以前の解決策よりも迅速に新しいパターンを学習することができる。

機械学習モデルは、現在の環境に基づいて進化し、それによって将来の傾向を予測する。

トレーニングユニット１０２は、（顧客注文履歴データベース４００中に記憶されているような）過去の注文から収集されたデータを利用することができる。さらに、トレーニングユニット２００は、（商品類似性データベース３００中に記憶されているような）商品の決定された類似性を利用することができる。検索された情報は、それによって、より信頼できるモデルをトレーニングするためのトレーニングデータとして使用されてもよい。

このようにして、トレーニングユニット１０２は、例えば、顧客注文履歴データベース２００からの顧客の履歴行動、例えば、以前の注文、過去および将来の注文ごとの商品、注文の平均価格等を利用する。さらに、商品類似性の使用は、一緒に購入されそうな商品のような商品購入行動のパターンを識別するために、以前の顧客注文で購入された商品を考慮するように使用されてもよい。

モデルは、１回トレーニングされ、その後、計算ユニット１０４によって使用されてもよい。代替的に、モデルは、予め定められた時間期間の後に再トレーニングされてもよく、それにより、顧客の行動が変化するとモデルを更新してもよい。さらに、モデルは、「オフライン」で、すなわち、顧客による特定の買い物経験とは別にトレーニングされてもよい。このようにして、モデルは、顧客にサービスを提供している間に（特に計算集約的なプロセスである）トレーニングをする必要はないが、代わりに、少数の顧客がサービスを提供されているときに計算される。代替的に、モデルは、顧客にサービスを提供するコンピュータとは別のコンピュータ上で再トレーニングされてもよい。したがって、再トレーニングは、顧客にサービス提供することと並行して生じるかもしれないが、モデルの再トレーニングは、計算集約的であり、典型的には、長期のプロセスであり、したがって、（電気コストおよび／またはコンピュータ使用コストのような）長期のプロセスに関係付けられているコストを最小化するために、モデルは、たまに再トレーニングされてもよい。

類似性ユニット１０３は、顧客の現在の注文における商品に類似する少なくとも１つの商品を生成するように構成され、顧客の現在の注文における商品についての情報は顧客注文データベース５００中に記憶され、商品類似性情報は商品類似性データベース３００中に記憶されている。より具体的には、類似性ユニット１０３は、顧客が自分の「仮想かご」に購入のための商品を追加することを終了し、自分の仮想かご中の商品に対して支払うことによって注文を精算する準備ができているときに使用される。しかしながら、顧客が注文を精算する前に、類似性ユニット１０３は、仮想かご中の（すなわち、顧客の現在の注文における）各商品を検討し、顧客の仮想かご中の商品に類似する商品を生成する。類似性ユニット１０３は、商品間の類似性の情報を記憶する商品類似性データベース３００を通してこれを実現する。したがって、類似性ユニット１０３は、顧客のかご中の商品を調べ、商品類似性データベース３００から少なくとも１つの類似商品を生成する。

計算ユニット１０４は、類似性ユニット１０３から生成された類似商品に基づいて、顧客の注文における少なくとも１つの商品を含めることを顧客が忘れた確率を計算するように構成されている。より具体的には、計算ユニット１０４は、トレーニングユニット１０２によってトレーニングされたモデルを利用し、それにより、類似性ユニット１０３によって生成された類似商品に基づいて、顧客が類似商品を注文に含めることを忘れる確率を計算することができる。例えば、顧客の仮想かご（それについての情報は顧客注文データベース５００中に記憶されている）がカレーソース商品を含む場合、例えば、類似性ユニット１０３は、計算ユニット１０４によって使用するための類似商品を生成することができる。例えば、類似性ユニット１０３は、「カレーソース」に類似する商品として、以下の商品：米、ナン、ポパダムを生成してもよい。したがって、３つの類似商品についての情報が計算ユニットに入力される。

その後、計算ユニット１０４は、顧客の注文に各類似商品を含めることを顧客が忘れる確率をトレーニングされたモデルに基づいて計算するように、各類似商品を順に検討する。例えば、計算ユニット１０４は、最初に、トレーニングされたモデルを使用して、注文に特定の商品を有する特定の顧客が、その注文に商品「米」を含めることを忘れたかどうかの確率を計算することができる。次に、計算ユニットは、顧客が「ナン」を注文に含めることを忘れた確率を計算する。次に、計算ユニットは、顧客が「ポパダム」を注文に含めることを忘れた確率を計算する。１つの非限定的な例では、顧客についての情報、発注されている特定の注文についての情報（すなわち、注文におけるすべての商品についての情報）、および計算が実行されることになる類似商品についての情報を、トレーニングされたモデルに入力する必要があるかもしれない。このようにして、類似商品が忘れられた確率を計算するときに、注文の状況を考慮することができる。

計算ユニット１０４によって実行される計算は、顧客への推薦が迅速に、望ましくは２００ｍｓ未満で提示されるように、迅速に行われることが重要である。典型的なオンライン小売業者は約５０，０００個の商品に及ぶかもしれないという事実を考えると、確率計算が商品情報データベース２００中のすべての商品にわたって実行される場合、スピードを達成することは、不可能ではないにしても困難である。したがって、本発明者は、検索空間を狭めて、顧客の仮想かご中の商品に類似すると考えられる商品に対する確率計算のみを実行した。

オプション的に、計算ユニット１０４は、顧客の好みの商品についての情報を顧客選好データベース６００から受け取ることができる。例えば、顧客が注文することを好む特定のブランドの米、顧客が注文することを好む特定のサイズのナン、および／または、顧客が以前に購入したポパダム商品である。同様に、顧客選好データベース６００は、顧客がお気に入りとして具体的にマークした商品、例えば、顧客の好みの／お気に入りのチョコレート商品についての情報を記憶することができる。

したがって、計算ユニット１０４は、顧客が注文に好み／お気に入りの商品を含めることを忘れた確率も計算するように構成されてもよい。例えば、顧客がお気に入りのチョコレート商品を有する場合、計算ユニット１０４は、顧客についての情報と注文における他の商品についての情報とに基づいて、トレーニングされたモデルを使用して、顧客がお気に入りのチョコレート商品を注文に含めることを忘れた確率を計算することができる。

次いで、顧客が注文に含めることを忘れたかもしれない商品を顧客に推薦するように、オンラインショップ７００によって、各商品について計算された確率をが使用される。

オプション的に、推薦ユニット１００は、計算ユニット１０４から少なくとも１つの計算された確率を受け取るように構成され、少なくとも１つの計算された確率を、それが参照する類似商品とともに選択／ソート／フィルタするように構成されている選択ユニット１０５をさらに備えることができる。例えば、計算された確率が米商品に関連する場合、選択ユニット１０５は、米商品を選択／ソート／フィルタするように構成されてもよい。

１つの非限定的な例では、選択ユニット１０５は、各類似製品に対する確率に基づいて、計算ユニット１０４から検索された類似商品のすべてをソートするように構成されてもよい。例えば、計算された確率が米、ナン、および、ポパダムの商品に関連する場合、選択ユニット１０５は、計算された確率が最も高い（したがって、顧客によって忘れられる確率が最も高い）類似商品が最初に現れるように、計算された確率に基づいて３つの商品をソートするように構成されてもよい。このようにして、オンラインショップ７００は、忘れられる可能性がより低い商品よりも、忘れられる可能性がより高い商品をより目立つように顧客に推薦するように構成されてもよい。

さらに、選択ユニット１０５は、商品の数を予め定められた数、例えば５０個の商品に制限するために、類似商品をしきい値化するようにさらに構成されてもよい。さらに、計算された確率によってソートすることと組み合わせて、計算された確率によってソートされたような上位５０個の商品のみが、オンラインショップ７００によって使用されてもよい。追加的または代替的に、しきい値化は、最小の計算された確率、例えば５０％を有する類似商品のみを選択するように実行されてもよい。このようにして、忘れられる可能性がより低い類似商品よりも忘れられる可能性がより高い類似商品のみが顧客に推薦される。

追加的にまたは代替的に、選択ユニット１０５は、顧客によって購入されることになる商品（すなわち、顧客の仮想かご中に既に存在する商品）、顧客の選んだ配達スロット中の注文に対して入手できない商品（例えば、在庫切れの商品）、および／または、販売促進するのに違法である商品（例えば、英国において販売促進が禁止されている幼児用の調合乳）のうちの少なくとも1つに基づいて、類似商品をフィルタするように構成されてもよい。
このようにして、顧客に推薦すべきでない類似商品は、顧客に推薦される前に除去される。

以下では、推薦ユニット１００によって実行される動作を、以下の表記に基づいて、より数学的な用語で説明する：
・ｃ−顧客
・ｉ−アイテム／商品
・ｏ−顧客によってされている現在の注文
・かご（ｏ）−（顧客注文データベース５００によって記憶されている）現在の注文の仮想かご中のアイテム
・類似（ｉ）−商品ｉに類似するアイテム
・Ｐ（ｃ，ｉ，ｏ）−顧客ｃが現在の注文ｏに対してアイテムｉを追加することを忘れた確率。これは、計算ユニット１０４によってリアルタイムでモデルを使用して計算される。
・お気に入り（ｃ）−顧客選好データベース６００中に記憶されているような、顧客ｃの好み／お気に入りのアイテム。例えば、以下の方法のうちの１つで、アイテムをお気に入りにすることができる：
〇以前に顧客ｃによってアイテムが購入された
〇（例えば、ウェブサイト／移動体アプリケーションのアイテムページ上のアイコンを選択することによって）アイテムが顧客ｃによってお気に入りとして明示的にマークされた。
・オプション的に、「特徴」−決定を行うためにリアルタイムでモデルＰによって使用される単一のデータ変数。特徴は、オフライン（毎日計算される）およびオンライン（モデルＰに渡す直前に計算される）の両方である。

本発明者は、顧客がオンライン小売業者を通して商品を購入するために、以下のプロセスを行うことを想定している：
・顧客は、ウェブサイトまたは移動体アプリケーションに入ることによって、買い物を開始する；
・顧客は、配達スロット、すなわち注文を配達すべき日付けおよび時間を選ぶことを決定することができる。これは、顧客によって後で行われてもよいが、精算アクションが実行される前には行われない；
・顧客は、商品／アイテムを仮想かごに追加する；
・顧客が注文をする準備ができると、商品を推薦する少なくとも１つのウェブページ／移動体アプリ画面が顧客に提示される。少なくとも１つのウェブページ／移動体アプリ上で、顧客が使い果たしたかもしれない、または、仮想かごに追加することを忘れたかもしれない商品が顧客に推薦される；顧客は、少なくとも１つの推薦ウェブページ／移動体画面から直接仮想かごに商品を追加することができる。顧客に推薦されることになる商品は、本発明の第１の実施形態にしたがう推薦ユニット１００によって生成される。
・顧客は注文をする。

このようにして、オンラインショッピングは、顧客が商品を忘れたときに思い出させることによって、顧客にとってより容易になる。

前述したように、ある動作は、顧客が注文をすることとは無関係に「オフライン」で実行することができ、これらの動作が計算集約的であり、したがって、これらをオフラインで実行することによって、最も少ない顧客が買い物をしている時間期間の最適な選択が可能になることから、これは有利であるかもしれない。代替的または追加的に、計算集約的なプロセス（したがって、典型的には、長期間プロセス）を実行するための適切な時間の選択を可能にすることによって、例えば、夜間のような電気コストおよび／またはコンピュータ使用コストが最小である時間を選ぶことによって、コストを最小化できる。より具体的には、以下の動作を毎日オフラインで実行することができる：
・決定ユニット１０１によって、オンラインショップ７００によって販売されている各商品について類似（ｉ）を決定する；
・オフラインで特徴を計算する；
・トレーニングユニット１０２によって、履歴データに基づいて、機械学習モデルＰ（ｃ，ｉ，ｏ）をトレーニングする。

顧客ｃが注文ｏで推薦ウェブページ／移動体画面を訪問するとき、以下のことが生じるかもしれない：
・類似性ユニット１０３は、現在かご（ｏ）中にあるアイテムに類似するアイテムのセットを生成する。これは、顧客ｃによって一度も購入されていないかもしれないが、注文ｏの状況に関連する商品が確実に考慮されるように実行されてもよい；
・計算ユニット１０４は、お気に入り（ｃ）＋類似（かご（ｏ））における各アイテムｉについて、Ｐ（ｃ，ｉ，ｏ）の値を計算する。有利には、各ｉが並列処理されるこの計算を達成するために、計算はリアルタイムで生じる；
・選択ユニット１０５は、お気に入り（ｃ）＋類似（かご（ｏ））におけるアイテムのリストを、メトリックＰ（ｃ，ｉ，ｏ）によって降順でソートする；
・選択ユニット１０５は、Ｐ（ｃ，ｉ，ｏ）の値が最も大きい最初の５０個のアイテムを選択する；
・選択ユニット１０５は、以下に基づいて、５０個のアイテムからフィルタする：
〇顧客の仮想かご中に現在存在する
〇選んだ配達スロット対して入手できない（「在庫切れ」）
〇マーケティングルール（一例は、英国では広告が禁止されている幼児用調製粉乳である）により、ウェブサイト上の販売促進することが違法である；
・オンラインショップ７００は、顧客に残された残りのアイテムを推薦する。

トレーニングユニット１０２を具体的に参照すると、Ｐ（ｃ，ｉ，ｏ）モデルのトレーニングおよび供給予測は、特徴、すなわちデータ変数を含むことができる。本発明者は、以下のデータ変数のリストを想定したが、他のデータ変数を使用してもよい。

以前に既に注文をした各顧客、および、顧客に表示することができる各商品について、以下の情報を計算することができる：
・何日前に顧客がこの商品を購入したか；
・特定の商品の注文を顧客が以前に何回したか；
・過去の顧客の注文のうちの何パーセントがこの商品を含んでいたか；
・この商品を含む過去の顧客の注文の時間数における割引は、どれくらいか。これは、各要素がこの商品を含む１つの注文を反映するときの級数の和であり、割引係数に等しい（例えば、現在の０．９９２５が、この注文が何日前に配達されたかの日数の累乗になる）。
・いくつかの過去の注文（例えば、５つの過去の注文）について、単独で、商品がこの注文に含まれていたかどうか；
・顧客が類似商品を検索しているか；
・顧客がこの／類似の商品を既に見ているが、それを注文に追加していないか；
・現在の顧客かご中に類似商品が既にあるか；
・過去の個人的顧客買い物行動、および、すべての顧客にわたる一般的なパターンに基づいて、共に購入されることが多い任意の商品がかご中にあるか；
・顧客が商品をお気に入りの商品ではないとマークしたか。

各顧客について、モデルは以下の情報を使用することができる：
・顧客が以前に注文を何回したか；
・顧客が注文する商品の平均数はいくつか；
・この顧客の最初の注文から何日経過したか；
・特定の顧客の以前の注文から何日経過したか；
・顧客の注文間の平均日数は何日か；
・顧客の注文間の中央（median）日数は何日か；
・顧客が以前に購入した明確な商品の数はいくつか。

各商品について、モデルは以下を使用することができる：
・ここ数日の、例えば、７、３１および９３日間の、すべての注文のうち、この商品を含むのは何パーセントか；
・ここ数日間のすべての注文のうち、この商品を含むのは何パーセントか、ただし、モデルが例えば、７、３１および９３日間である日と同じ曜日だけを数える；
・商品説明および画像；
・商品に対する代替のリスト。

各注文について、モデルは以下を使用することができる：
・仮想かご中に存在する商品のリスト；
・配達の日付および時間。

最初に、顧客に推薦されることになる商品を考慮するとき、以下は考慮されない：
・顧客のお気に入り；
・お気に入りに類似する商品；
・顧客のかご中に既にある商品。

本発明者は、このようにして、もしかすると忘れられる商品のより豊富なセットを顧客に提供することが可能であることから、最初の推薦において上記の商品を考慮しない。例えば、顧客がメキシコ料理の材料を購入している場合、トルティーヤがこの特定の顧客によって以前に購入されたことがなかったとしても、これは、推薦ユニット１００がトルティーヤ商品を顧客に推薦することを可能にする。

さらに、推薦ユニット１００は、季節性に基づく調節を可能にする。

図２は、本発明の第１の実施形態にしたがう方法Ｓ２００のフローチャートを描いている。方法Ｓ２００は、顧客が注文に追加したいかもしれない商品を顧客に提供するための推薦を、オンラインショップに提供する。商品は、顧客の最後の注文から顧客が使い果たしたかもしれない商品、および／または、商品のカタログを閲覧し、商品を仮想かごに追加する顧客のショッピング体験の間に、顧客が注文に追加することを忘れたかもしれない商品を含んでいてもよい。

ステップＳ２０１において、方法は、商品情報データベース中に記憶されている商品についての情報と、商品情報データベース中に記憶されている少なくとも１つの他の商品についての情報との間の少なくとも１つの類似性を決定する。したがって、Ｓ２０１は、オンラインショップ上で購入可能な商品を比較し、商品間の類似性（存在する場合）を見つける。例えば、類似性は、オンラインショップを使用する顧客のすべてについての情報に基づいて、商品が通常一緒に購入されることであることがある。追加的にまたは代替的に、商品は、「洗浄製品」、「健康製品」および／または「メキシコ料理用の材料」のような、オンラインショップによって同じにカテゴリ化される商品であることがある。これを達成するために、ステップＳ２０１は、商品情報データベースから商品についての情報を検索し、商品のうちの少なくとも２つを比較する。情報は、商品の名称、商品材料、製造業者／流通業者／再販業者によって商品に割り当てられたタグ／情報を含んでいてもよい。ステップＳ２０１が商品のすべてについての情報が商品情報データベース中に記憶されているオンラインショップによって販売されるすべての商品に適用されることを本発明者は想定している。

代替的にまたは追加的に、ステップＳ２０１は、同様の材料または目的を含むが異なる会社によって製造される商品のような、交換可能に使用されてもよい商品間の類似性を決定してもよい。したがって、別の商品に対する１つの商品の顧客の選好は、コスト、商品のサイズ／重量、ブランド名、および／または、顧客の選択に帰着するかもしれない。

ステップＳ２０２において、ステップＳ２０１中で実行された比較に基づいて、商品間の類似性が見つかった場合、各類似性は、比較された商品についての情報と共に商品類似性データベース中に記憶される。商品は変化することが多くなく、商品間の１つの類似性が決定され、商品類似性データベース中に記憶されていることから、ステップＳ２０１を再実行する必要がないと本発明者は想定している。代わりに、変更された商品および／または商品情報データベース中に新たに追加された商品についてのみ、ステップＳ２０１を実行する必要があると本発明者は想定している。このようにして、計算リソースは浪費されない。さらに、類似性の決定および記憶は、「オフライン」で、すなわち注文を行う特定の顧客から切断されて実行されてもよい。このようにして、決定および記憶は、少数の顧客がオンラインショップを使用しており、したがって、最大量の計算リソースが利用可能であるときのような、最大化された計算リソースの期間、スケジューリングされることができる。

ステップＳ２０３において、顧客購入履歴データベース中に記憶されているような、各顧客によって以前に購入された商品についての情報と、商品類似性データベース３００中に記憶されているような、商品類似性ついての情報とに基づいて、モデルはトレーニングされる。このステップＳ２０３において、モデル、例えば、機械学習モデルは、顧客によって行われた以前の購入と、これらの注文の類似商品、例えば、一般的に一緒に購入される商品とに基づいて、顧客の行動においてトレーニングされる。この点に関して、以前の顧客の購入は、顧客購入履歴データベース中に記憶されている。例えば、データベースは、顧客の名前、住所、購入された商品、配達の日付および時間等を含む、顧客によってなされた特定の注文についての情報を記憶することができる。一方、商品類似性データベース中には、商品類似性が記憶されている。

ステップＳ２０４において、顧客の現在の注文に基づいて、少なくとも１つの商品に類似する商品が生成される。より具体的には、顧客によって購入されることになる少なくとも１つの商品に類似する少なくとも１つの商品は、顧客注文データベース中に記憶されている顧客の現在の注文についての情報と、商品類似性データベース中に記憶されている決定された類似性についての情報とに基づいて生成される。この例では、顧客によって注文されることになる商品は、顧客注文データベース中に記憶されている。この段階では、顧客は、注文をしていない、すなわち、注文に対して支払っていない、および／または、注文を確認していない。代わりに、顧客は、購入しようとするオンラインショップからアイテムを選択している。顧客は、次に、商品を確認／購入しようとする。しかしながら、これらの２つの段階の間に、ステップＳ２０４は、顧客が購入しようとする商品を検討し、顧客が購入しようとする商品に類似する商品を生成する。例えば、顧客が、顧客の仮想買い物かご中に（すなわち、顧客が購入しようとする商品の中に）メキシカンスパイスミックス商品およびチキン商品を有する場合、生成するステップＳ２０４は、トルティーヤ、サルサ、およびサワークリームを類似商品として生成することができる。言い換えると、生成される類似商品は、メキシコ料理の材料である。ステップＳ２０４は、顧客によって購入されることになる各商品を商品類似性データベース中の情報と比較することによって、類似商品の生成を達成する。より具体的には、生成するステップＳ２０４は、商品の識別子を使用して、購入されることになる商品に類似するとステップＳ２０１によって識別された商品を、類似性データベース中で調べることができる。このようにして、顧客の仮想かご中の商品を、類似していると以前に決定され、類似性データベース中に記憶されている類似商品と同等とみなすことができる。

ステップＳ２０５において、少なくとも１つの類似商品を顧客が追加することを忘れた、および／または、使い果たした確率が計算される。より具体的には、ステップＳ２０５において、各類似商品が順に検討され、すなわちトルティーヤ、サルサおよびサワークリームがそれぞれ個別に評価される。評価では、トレーニングされたモデルを使用して、顧客が、仮想買い物かごの中の商品に、すなわち顧客が注文することを望む商品に、類似商品を追加することを忘れた／類似商品を使い果たした確率を計算する。したがって、この例では、トルティーヤ、サルサ、およびサワークリームの各類似商品について１つずつ、３つの確率が計算される。確率を計算するために、モデルは、顧客によって購入されることになる商品、すなわち顧客の仮想かご中の商品を考慮に入れることができる。

その後、計算された確率はオンラインショップによって使用され、顧客が、オンラインショップにおいて追加することを忘れたかもしれない／使い果たした商品を示すことができる。

非限定的な例では、方法Ｓ２００は、オプション的に、各顧客のお気に入り／好みの商品についての情報を記憶する顧客選好データベースと通信することができる。顧客が以前に商品を購入したことがあり、および／または、顧客がオンラインショップ上のアイコンを選択することによって商品をお気に入り／好みとして識別したことがあるので、商品をお気に入り／好みとしてマークすることができる。計算するステップＳ２０５は、顧客の好みの商品についての情報を使用して、顧客が商品を忘れた確率が計算される商品を調節することができる。より具体的には、計算するステップＳ２０５に関して前述した特徴と同様に、方法Ｓ２００は、各お気に入り／好みの商品をさらに検討することができ、これについての情報は、顧客選好データベース中に記憶されている。各検討されたアイテムに基づいて、トレーニングされたモデルを使用して、購入されることになる商品、すなわち仮想買い物かご中の商品、とともにお気に入り／好みの商品を含めることを顧客が忘れた確率を計算することができる。

別の非限定的な例では、方法Ｓ２００は、生成された類似商品に対して計算された確率に基づいて、生成された類似商品から少なくとも１つの商品をさらに選択することができる。より具体的には、選択するステップは、計算された確率に基づいて類似商品を選択してもよい。例えば、選択ユニットは、顧客によって忘れられる可能性が最も高い類似商品が最も高くなるように、計算された確率によって類似商品をソートしてもよく、オンラインショップは、より目立つように類似商品を表示する。追加的または代替的に、類似商品は、予め定められたしきい値よりも大きい計算された確率を有する類似商品のみがオンラインショップに提供されるように、しきい値を必要としてもよい。このようにして、例えば、計算された確率が低い商品は、オンラインショップに提供されない。追加的または代替的に、類似商品は、顧客によって購入されることになる商品、顧客の選んだ配達スロット中の注文に対して入手できない商品、販売促進するのに違法な商品のうちの少なくとも１つに基づいてフィルタされてもよい。このようにして、オンラインショップは、顧客に最もよく表示されるこれらの商品を受け取ることができる。

その後、オンラインショップは、顧客に商品を推薦する特定のウェブページ／移動体アプリケーション画面上に類似商品を表示することができる。例えば、オンラインショップは、顧客の仮想買い物かご中に含まれることになる、顧客によって忘れられる可能性が高い商品をより目立つように表示することができる。これにより、顧客が使い果たしたかもしれない、および／または、注文に含めることを忘れたかもしれない商品が顧客に推薦される。

修正およびバリエーション

本発明の範囲から逸脱することなく、上述の実施形態に多くの修正およびバリエーションを行うことができる。

例えば、上述の第１の実施形態は、商品の類似性を決定するために、「埋め込み」（「単語埋め込み」とも呼ばれる）を使用してもよい。この点について、「埋め込み」は、この文脈では、「商品埋め込み」と呼ばれるかもしれない。商品埋め込みは、すべての商品に、予め定められた長さの数学的ベクトルを割り当て、例えば、キュウリは、［１．０，−０．９，７．０］、すなわち、実数のベクトルとして表されてもよい。このような表現は、特に機械学習で使用されるとき、多くの利点を有する。特に、商品埋め込みは、商品間の関連をより良く発見するのに役立つように、類似および補完的な商品のより容易な定義を可能にする。さらに、これは、顧客行動におけるパターンの発見、および、顧客買い物かごの内容の理解を可能にする。このようにして、商品は、商品ごとに１つの次元を有する空間から、より低い次元を有する連続ベクトル空間に数学的に埋め込まれる。

特に、決定ユニットは、商品情報データベース中に記憶されている商品についての情報と、商品埋め込みに基づいて、商品情報データベース中に記憶されている少なくとも１つの他の商品についての情報との間の少なくとも１つの類似性を決定するように構成されてもよい。例えば、各商品に数学的ベクトル（数学的ベクトルは商品情報データベース中に記憶されている）、および、記憶されている数学的ベクトルに基づいて決定される商品間の類似性を割り当ててもよい。

追加的にまたは代替的に、類似性ユニットは、商品埋め込みを使用して顧客によって購入されることになる少なくとも１つの商品に類似する少なくとも１つの商品を生成するように構成されてもよい。例えば、商品埋め込みとして各商品に割り当てられる数学的ベクトルによって表されるような商品間の類似性を使用して、少なくとも１つの類似性を決定してもよい。

商品埋め込みに関して使用されてもよいソフトウェアの例は、「word2vec」および／または「doc2vec」である。Word2vecは、ベクトル空間における作業表現の効率的な推定を提供する一方で、doc2vecは、文および文書の分散表現を提供する。

本発明の実施形態の前述の説明は、実例および説明の目的で提示されている。本開示を、開示したまさにその形態に網羅するまたは限定することを意図してはいない。本発明の精神および範囲から逸脱することなく、修正およびバリエーションを行うことができる。

Claims (14)

1. 商品情報データベース、商品類似性データベース、顧客購入履歴データベース、および、顧客注文データベースと通信するように構成されている推薦ユニットであって、
   前記商品情報データベース中に記憶されている商品についての情報と、前記商品情報データベース中に記憶されている少なくとも１つの他の商品についての情報との間の少なくとも１つの類似性を決定するように構成され、前記少なくとも１つの決定された類似性を前記商品類似性データベース中に記憶するように構成されている決定ユニットと、
   前記顧客購入履歴データベース中に記憶されているような、各顧客によって以前に購入された商品についての情報と、前記商品類似性データベース中に記憶されているような、少なくとも１つの決定された類似性についての情報とに基づいて、モデルをトレーニングするように構成されているトレーニングユニットと、
   前記顧客注文データベース中に記憶されている顧客の現在の注文についての情報と、前記商品類似性データベース中に記憶されているような、決定された類似性についての情報とに基づいて、顧客によって購入されることになる少なくとも１つの商品に類似する少なくとも１つの商品を生成するように構成されている類似性ユニットと、
   前記トレーニングされたモデルを使用して、それぞれの生成された少なくとも１つの類似商品に対して、前記少なくとも１つの類似商品を、前記顧客によって購入されることになる前記少なくとも１つの商品に追加することを顧客が忘れた確率を計算するように構成されている計算ユニットと、を備える、推薦ユニット。
2. 前記トレーニングユニットは、
   何日前に前記顧客が特定の商品を購入したか、
   特定の商品を含む注文を顧客が以前に何回したか、
   過去の顧客の注文のうちの何パーセントが特定の商品を含んでいたか、
   予め定められた数の過去の注文について、これらの過去の注文が特定の商品を含んでいたかどうか、
   顧客が類似商品を検索しているか、
   顧客が特定の／類似の商品を既に閲覧しているが、それを注文に追加していないか、
   前記顧客注文データベース中に記憶されている前記顧客によって購入されることになる商品が類似商品を含むか、
   前記顧客注文データベース中に記憶されているような、前記顧客によって購入されることになる前記商品が、過去の顧客買い物行動、および、すべての顧客にわたる一般的なパターンに基づいて、通常、別の商品と共に購入されるか、
   前記顧客が特定の商品をお気に入りの商品ではないとマークしたか、
   顧客が以前に注文を何回配達されたか、
   顧客注文当たりの商品の平均数、
   顧客の最初の注文からの日数、
   顧客の以前の注文からの日数、
   顧客の注文間の平均日数、
   顧客の注文間の中央日数、
   顧客によって以前に購入された明確な商品の数、
   先行する予め定められた日数において、すべての注文のうちの特定の商品を含む割合、
   商品説明および画像、
   特定の商品に対する代替のリスト、
   顧客によって購入されることになる商品のリスト、
   配達の日付および時間、
   のうちの少なくとも１つに基づいて、前記モデルをトレーニングするように構成されている、請求項１に記載の推薦システム。
3. 前記推薦システムは、顧客選好データベースと通信するように構成され、
   前記計算ユニットは、前記トレーニングされたモデルを使用して、それぞれの生成された少なくとも１つの類似商品に対して、および、前記顧客選好データベース中に記憶されているような前記顧客によって気に入られるそれぞれの少なくとも１つの商品に対して、前記少なくとも１つの類似商品または前記少なくとも１つのお気に入りの商品を、前記顧客によって購入されることになる前記少なくとも１つの商品に追加することを顧客が忘れた確率を計算するように構成されている、請求項１または２に記載の推薦システム。
4. 前記少なくとも１つの類似商品に対する前記計算された確率に基づいて、前記生成された少なくとも１つの類似商品から少なくとも１つの商品を選択するように構成されている選択ユニットをさらに含む、請求項１から３のうちのいずれか１項に記載の推薦ユニット。
5. 前記選択ユニットは、前記少なくとも１つの類似商品についての前記計算された確率によって、前記生成された少なくとも１つの類似商品中の前記商品をソートするように構成されている、請求項４に記載の推薦ユニット。
6. 前記選択ユニットは、
   顧客によって購入されることになる商品と、
   顧客の選んだ配達スロット中の注文に対して入手できない商品と、
   販売促進するのに違法な商品と、
   のうちの少なくとも１つに基づいて、前記生成された少なくとも１つの類似商品をフィルタするように構成されている、請求項４または５に記載の推薦ユニット。
7. 推薦システムであって、
   商品情報データベースと、
   商品類似性データベースと、
   顧客購入履歴データベースと、
   顧客注文データベースと
   請求項１から６のうちのいずれか１項に記載の推薦ユニットとを含む、推薦システム。
8. 顧客選好データベースをさらに含み、
   前記推薦システムは、請求項３に記載されている、請求項７に記載の推薦システム。
9. 推薦を提供する方法であって、
   商品情報データベース中に記憶されている商品についての情報と、前記商品情報データベース中に記憶されている少なくとも１つの他の商品についての情報との間の少なくとも１つの類似性を決定するステップと、
   前記少なくとも１つの決定された類似性を商品類似性データベース中に記憶するステップと、
   顧客購入履歴データベース中に記憶されているような、各顧客によって以前に購入された商品についての情報と、前記商品類似性データベース中に記憶されているような、少なくとも１つの決定された類似性についての情報とに基づいて、モデルをトレーニングするステップと、
   顧客注文データベース中に記憶されている顧客の現在の注文についての情報と、前記商品類似性データベース中に記憶されているような、決定された類似性についての情報とに基づいて、顧客によって購入されることになる少なくとも１つの商品に類似する少なくとも１つの商品を生成するステップと、
   前記トレーニングされたモデルを使用して、それぞれの生成された少なくとも１つの類似商品に対して、前記少なくとも１つの類似商品を、前記顧客によって購入されることになる前記少なくとも１つの商品に追加することを顧客が忘れた確率を計算するステップとを備える、方法。
10. 前記トレーニングするステップは、
    何日前に前記顧客が特定の商品を購入したか、
    特定の商品を含む注文を顧客が以前に何回したか、
    過去の顧客の注文のうちの何パーセントが特定の商品を含んでいたか、
    予め定められた数の過去の注文について、これらの過去の注文が特定の商品を含んでいたかどうか、
    顧客が類似商品を検索しているか、
    顧客が特定の／類似の商品を既に閲覧しているが、それを注文に追加していないか、
    前記顧客注文データベース中に記憶されている前記顧客によって購入されることになる商品が類似商品を含むか、
    前記顧客注文データベース中に記憶されているような、前記顧客によって購入されることになる前記商品が、過去の顧客買い物行動、および、すべての顧客にわたる一般的なパターンに基づいて、通常、別の商品と共に購入されるか、
    前記顧客が特定の商品をお気に入りの商品ではないとマークしたか、
    顧客が以前に注文を何回配達されたか、
    顧客注文当たりの商品の平均数、
    顧客の最初の注文からの日数、
    顧客の以前の注文からの日数、
    顧客の注文間の平均日数、
    顧客の注文間の中央日数、
    顧客によって以前に購入された明確な商品の数、
    先行する予め定められた日数において、すべての注文のうちの特定の商品を含む割合、
    商品説明および画像、
    特定の商品に対する代替のリスト、
    顧客によって購入されることになる商品のリスト、
    配達の日付および時間、
    のうちの少なくとも１つに基づいて、前記モデルをトレーニングすることを含む、請求項９に記載の方法。
11. 前記計算するステップは、前記トレーニングされたモデルを使用して、それぞれの生成された少なくとも１つの類似商品に対して、および、顧客選好データベース中に記憶されているような顧客によって気に入られるそれぞれの少なくとも１つの商品に対して、前記少なくとも１つの類似商品または前記少なくとも１つのお気に入りの商品を、前記顧客によって購入されることになる前記少なくとも１つの商品に追加することを顧客が忘れた確率を計算する、請求項９または１０に記載の方法。
12. 前記少なくとも１つの類似商品に対する前記計算された確率に基づいて、前記生成された少なくとも１つの類似商品から少なくとも１つの商品を選択することをさらに含む、請求項９から１１のうちのいずれか１項に記載の方法。
13. 選択するステップは、前記少なくとも１つの類似商品についての前記計算された確率によって、前記生成された少なくとも１つの類似商品中の前記商品をソートする、請求項９から１２のうちのいずれか１項に記載の方法。
14. 前記選択するステップは、
    顧客によって購入されることになる商品と、
    顧客の選んだ配達スロット中の注文に対して入手できない商品と、
    販売促進するのに違法な商品と、
    のうちの少なくとも１つに基づいて、前記生成された少なくとも１つの類似商品をフィルタする、請求項１２または１３に記載の方法。

Images