JP2022059524A - 情報処理装置、及び情報処理プログラム - Google Patents

情報処理装置、及び情報処理プログラム Download PDF

Info

Publication number
JP2022059524A
JP2022059524A JP2020167341A JP2020167341A JP2022059524A JP 2022059524 A JP2022059524 A JP 2022059524A JP 2020167341 A JP2020167341 A JP 2020167341A JP 2020167341 A JP2020167341 A JP 2020167341A JP 2022059524 A JP2022059524 A JP 2022059524A
Authority
JP
Japan
Prior art keywords
user
item
information processing
recommended
recommendation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2020167341A
Other languages
English (en)
Inventor
政寛 佐藤
Masahiro Sato
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Business Innovation Corp
Original Assignee
Fujifilm Business Innovation Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujifilm Business Innovation Corp filed Critical Fujifilm Business Innovation Corp
Priority to JP2020167341A priority Critical patent/JP2022059524A/ja
Priority to US17/335,750 priority patent/US20220108373A1/en
Publication of JP2022059524A publication Critical patent/JP2022059524A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

【課題】利用者や対象の類似関係を考慮しない場合に比べ、推薦の有無での購入率の差を精度良く算出することができる情報処理装置及び情報処理プログラムを提供する。【解決手段】プロセッサを備え、前記プロセッサは、任意の利用者及び任意の対象の組合せ毎の、利用者に対する対象の推薦の有無を表す推薦履歴及び当該利用者による前記対象の選択の有無を表す選択履歴を取得し、前記推薦履歴又は前記選択履歴から求まる類似度において、前記任意の利用者のうち、特定の利用者と予め定められた基準を満たす類似利用者に対して、任意の対象を推薦しない場合の選択率に対する推薦した場合の選択率の差分を算出する。【選択図】図４

Description

本発明は、情報処理装置、及び情報処理プログラムに関する。
特許文献１には、処理部と記憶部とを備えたサーバを用い、アイテムに関する情報を受け取ったユーザの反応を次に推薦するアイテムの選択基準に反映し、別途推薦を行う情報推薦方法であって、前記処理部は、ユーザが反応した情報と、無反応であったという情報を収集し、未推薦アイテムに対して、前記ユーザが反応した関心アイテムと無反応であった無関心アイテム双方と、どちらのアイテムとの類似性が高いかを比較し、その比較結果を用いて前記ユーザへの次の推薦アイテムを決定する、ことを特徴とする情報推薦方法が開示されている。
また、特許文献２には、コンピュータに、記憶装置から読み出される販売の履歴に基づいて、推薦期間内に特定の商品に対する推薦を受けた第１の消費者による当該特定の商品の購入数を求める機能と、前記記憶装置から読み出される販売の履歴に基づいて、前記推薦期間に前記特定の商品に対する推薦を受けなかった第２の消費者による当該特定の商品の購入数を求める機能と、前記第１の消費者及び前記第２の消費者のそれぞれについて、前記特定の商品に対する各消費者の嗜好を表す指標値を算出する機能と、前記指標値毎に、前記第１の消費者の集まりを代表する第１の購入数と前記第２の消費者の集まりを代表する第２の購入数とを計算する機能と、前記第２の購入数に対する前記第１の購入数の増加量が予め定めた条件を満たす前記指標値を特定する機能と、特定された前記指標値を有する消費者に前記特定の商品を推薦する機能とを実現させるためのプログラムが開示されている。
また、特許文献３には、利用者が購入した商品の情報を示す購入履歴、及び利用者に対して販促した商品の情報を示す販促履歴を取得する取得手段と、前記購入履歴及び前記販促履歴を用いて、各商品を、販促なしで購入した第１グループ、販促ありで購入した第２グループ、販促なしで購入しなかった第３グループ、販促ありで購入しなかった第４グループのいずれかに分類する分類手段と、前記分類手段での分類結果を用いて、販促なしだと購入しないが販促ありだと購入する商品を利用者に推薦すべき商品として出力する制御手段と、を備える商品推薦装置が開示されている。
特許第５２７７３０７号公報 特許第６７２８９７２号公報 特開２０２０－４７１５６号公報
推薦の有無での購入率の差の算出時に、利用者や対象の類似関係を考慮しない場合は、似たもの同士の比較ができず、精度が低い。
本発明は、利用者や対象の類似関係を考慮しない場合に比べ、推薦の有無での購入率の差を精度良く算出することができる情報処理装置及び情報処理プログラムを提供することを可能とする。
第１態様に係る情報処理装置は、プロセッサを備え、前記プロセッサは、任意の利用者及び任意の対象の組合せ毎の、利用者に対する対象の推薦の有無を表す推薦履歴及び当該利用者による前記対象の選択の有無を表す選択履歴を取得し、前記推薦履歴又は前記選択履歴から求まる類似度において、前記任意の利用者のうち、特定の利用者と予め定められた基準を満たす類似利用者に対して、任意の対象を推薦しない場合の選択率に対する推薦した場合の選択率の差分を算出する。
第２態様に係る情報処理装置は、プロセッサを備え、前記プロセッサは、任意の利用者及び任意の対象の組合せ毎の、利用者に対する対象の推薦の有無の推薦履歴及び当該利用者による前記対象の選択の有無との選択履歴を取得し、前記推薦履歴又は前記選択履歴から求まる類似度において、前記任意の対象のうち、特定の対象と予め定められた基準を満たす類似対象を、特定の利用者に対して推薦しない場合の選択率に対する推薦した場合の選択率の差分を算出する。
第３態様に係る情報処理装置は、第１又は第２態様に係る情報処理装置において、前記プロセッサは、前記選択率の差分の多い対象を前記特定の利用者に推薦する。
第４態様に係る情報処理装置は、第１又は第３態様に係る情報処理装置において、前記選択率の差分は、前記任意の利用者のうち、特定の利用者との類似度が予め定められた基準を満たす利用者を、任意の対象の推薦の有無で推薦グループと非推薦グループとに分割し、前記推薦グループの前記選択率と前記非推薦グループの選択率との差である。
第５態様に係る情報処理装置は、第２又は第３態様に係る情報処理装置において、前記選択率の差分は、前記任意の対象のうち、特定の対象との類似度が予め定められた基準を満たす対象を、任意の対象の推薦の有無で推薦グループと非推薦グループとに分割し、前記推薦グループの前記選択率と前記非推薦グループの選択率との差である。
第６態様に係る情報処理装置は、第１～第５態様の何れかの態様に係る情報処理装置において、前記任意の対象の分野は、入力により受け付けられる。
第７態様に係る情報処理装置は、第１～第６態様の何れかの態様に係る情報処理装置において、前記特定の対象の分野は、入力により受け付けられる。
第８態様に係る情報処理装置は、第３態様に係る情報処理装置において、前記推薦する対象の分野は、入力により受け付けられる。
第９態様に係る情報処理装置は、第１態様に係る情報処理装置において、前記予め定められた基準は、前記任意の利用者のうち、予め定められた数以内に入る前記類似利用者である。
第１０態様に係る情報処理装置は、第２態様に係る情報処理装置において、前記予め定められた基準は、前記任意の対象のうち、予め定められた数以内に入る前記類似対象である。
第１１態様に係る情報処理装置は、第１～第１０態様の何れかの態様に係る情報処理装置において、前記プロセッサは、前記類似度を、ダイス係数又はコサイン類似度で算出する。
第１２態様に係る情報処理プログラムは、コンピュータを、第１～第１１態様の何れかの態様に係る情報処理装置として機能させる。
第１態様によれば、利用者や対象の類似関係を考慮しない場合に比べ、推薦の有無での選択率の差を精度良く算出することができる、という効果を有する。
第２態様によれば、利用者や対象の類似関係を考慮しない場合に比べ、推薦の有無での選択率の差を精度良く算出することができる、という効果を有する。
第３態様によれば、第１又は第２態様に係る情報処理装置において、推薦の有無による選択率の差の多い対象を利用者に推薦することで、推薦効果の高い対象のみを推薦することができる、という効果を有する。
第４態様によれば、第１又は第３態様に係る情報処理装置において、推薦の有無でグループを分けない場合に比べ、選択率の差を簡単に算出することができる、という効果を有する。
第５態様によれば、第２又は第３態様に係る情報処理装置において、推薦の有無でグループを分けない場合に比べ、選択率の差を簡単に算出することができる、という効果を有する。
第６態様によれば、第１～第５態様の何れかの態様に係る情報処理装置において、任意の対象を入力しない場合に比べ、類似度を算出するための対象を限定することができ、類似度の算出の時間や手間を削減することができる、という効果を有する。
第７態様によれば、第１～第６態様の何れかの態様に係る情報処理装置において、特定の対象を入力しない場合と比べ、類似度を算出するための対象を限定することができ、類似度の算出の時間や手間を削減することができる、という効果を有する。
第８態様によれば、第３態様に係る情報処理装置において、推薦する対象を入力しない場合に比べ、推薦したい対象を絞って推薦させることができる、という効果を有する。
第９態様によれば、第１態様に係る情報処理装置において、類似度の高い類似利用者に限定して選択率を算出することができ、選択率の差を精度良く算出することができる、という効果を有する。
第１０態様によれば、第２態様に係る情報処理装置において、類似度の高い類似対象に限定して選択率を算出することができ、選択率の差を精度良く算出することができる、という効果を有する。
第１１態様によれば、第１～第１０態様の何れかの態様に係る情報処理装置において、類似度を他の方法で算出する場合に比べ、算出の時間や手間、算出に必要なデータ量を削減することができる、という効果を有する。
第１２態様によれば、第３～第５態様の何れかの態様に係る情報処理装置において、利用者や対象の類似関係を考慮しない場合に比べ、推薦の有無での選択率の差を精度良く算出することができる、情報処理プログラムを提供することができる。
本発明の第１の実施形態に係る情報処理装置の概略ブロック図である。 本発明の第１の実施形態に係る情報処理装置のＲＯＭ又は記憶部の機能構成の例を示すブロック図である。 本発明の第１の実施形態に係る情報処理装置の機能構成の例を示すブロック図である。 本発明の第１の実施形態に係る類似利用者の算出の一例を説明するための説明図である。 本発明の第１の実施形態に係る推薦した場合としない場合との購入率の差の算出の一例を説明するための説明図である。 本発明の第１の実施形態に係る情報処理装置の動作の一例を示すフローチャートである。 本発明の第１の実施形態の変形例に係る類似利用者の算出の一例を説明するための説明図である。 本発明の第１の実施形態の変形例に係る類似利用者の算出の他の一例を説明するための説明図である。 本発明の第１の実施形態の変形例に係る類似利用者の算出の他の一例を説明するための説明図である。 本発明の第２の実施形態に係る類似アイテムの算出の一例を説明するための説明図である。 本発明の第２の実施形態に係る推薦した場合としない場合との購入率の差の算出の一例を説明するための説明図である。 本発明の第２の実施形態に係る情報処理装置の動作の一例を示すフローチャートである。 本発明の第２の実施形態の変形例に係る類似アイテムの算出の一例を説明するための説明図である。 本発明の第２の実施形態の変形例に係る類似アイテムの算出の他の一例を説明するための説明図である。 本発明の第２の実施形態の変形例に係る類似アイテムの算出の他の一例を説明するための説明図である。
（第１の実施形態）
以下、本開示の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一又は等価な構成要素および部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
本実施形態では、任意の対象及び特定の対象を、スーパーマーケット等の店頭やインターネットの通信販売等で販売される商品等のアイテムとして説明する。また、推薦には、アイテムの販売促進の他、店頭でのクーポンや広告の配布、インターネットのＷｅｂサイトでの広告の掲載、ＳＮＳでの広告の掲載、アイテムの値引き、カタログの表紙のように目立つ場所への広告の掲載なども含まれる。また、選択は、アイテムの購入として説明する。また、アイテムには、商品の他、ニュースや人なども含み、この場合には、選択は、ニュースの閲覧や人に対する友達申請が相当する。
図１は、情報処理装置１００のハードウェア構成を示すブロック図である。情報処理装置１００は、例えばコンピュータを用いて構成される。
図１に示すように、情報処理装置１００は、プロセッサの一例であるＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０３、記憶部１０４、通信インタフェース１０５、入力部１０６を有する。各構成は、バス１０７を介して相互に通信可能に接続されている。
ＣＰＵ１０１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１０１は、ＲＯＭ１０２又は記憶部１０４からプログラムを読み出し、ＲＡＭ１０３を作業領域としてプログラムを実行する。ＣＰＵ１０１は、ＲＯＭ１０２又は記憶部１０４に記録されているプログラムにしたがって、上記各構成の制御および各種の演算処理を行う。本実施形態では、ＲＯＭ１０２又は記憶部１０４には、プログラムが格納されている。
ＲＯＭ１０２は、各種プログラムおよび各種データを格納する。ＲＡＭ１０３は、作業領域として一時的にプログラム又はデータを記憶する。記憶部１０４は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）により構成され、オペレーティングシステムを含む各種プログラム、および各種データを格納する。
また、情報処理装置１００の記憶部１０４には、図２に示すように、購入履歴データベース３００、推薦履歴データベース３１０、利用者データベース３２０、アイテムデータベース３３０としての記憶領域を有し、各種データを格納する。
購入履歴データベース３００は、利用者毎のアイテムの購入履歴を記憶するものである。かかる購入履歴は、過去に購入されたことのある複数のアイテムのそれぞれに関する購入を記憶するものであり、例えば、購入されたアイテムのＩＤ、名称、等を記憶するものである。また、その他、購入されたアイテムの数、日付、時間、天候、購入した人のグループの人数（１人で購入したか、２人で購入したか等）、購入した場所、等を記憶しても良い。また、購入履歴は、アイテムを購入した店舗のみのものであっても良いが、複数の店舗や異なる複数の会社で購入された記憶を示すものであっても良い。
推薦履歴データベース３１０は、利用者毎及びアイテム毎の推薦履歴を記憶するものである。かかる推薦履歴は過去に推薦されたことのあるアイテムのＩＤ、名称、等を記憶するものである。また、その他、推薦された日付、時間、天候、推薦した人のグループの人数（１人で購入したか、２人で購入したか等）、場所、等を記憶しても良い。
また、特定の利用者に対してクーポンの発行等により推薦した場合は、当該特定の利用者に対して推薦したものと見なしている。
なお、不特定多数の利用者に対して推薦した場合は、全ての利用者に対して推薦したものと見なしても良い。
利用者データベース３２０は、利用者に関する各種の情報を記憶するものである。例えば、会員登録された利用者の氏名、性別、年齢、住所等の利用者の属性や、利用者に対して過去に行ったアンケートの情報、過去の取引履歴等が含まれる。ここで、利用者は、スーパーマーケット等の会員や、ＥＣサイトの会員等である。
また、利用者データベース３２０では、利用者毎に利用者ＩＤを付与して管理されている。
なお、利用者データベース３２０を備えず、購入履歴データベース３００が利用者に関する各種の情報を記憶しても良い。
かかる利用者データベース３２０への利用者の登録は、管理者等が入力部１０６を用いて入力することや、利用者が情報処理装置１００に接続されるスマートフォンやパーソナルコンピュータ等を用いて入力することで行われる。
アイテムデータベース３３０は、アイテムに関する各種の情報を記憶するものである。例えば、販売されているアイテムや今後販売される予定のアイテム、過去に販売されたことのあるアイテムなどについて、アイテム毎に、名称、説明、価格、画像、分野や種別等が含まれる。ここで、アイテムは、スーパーマーケット等で販売されているアイテムや、インターネットの通信販売で販売されているアイテム等である。
また、アイテムデータベース３３０では、アイテム毎にアイテムＩＤを付与して管理されている。
なお、アイテムデータベース３３０を備えず、推薦履歴データベース３１０がアイテムに関する情報を記憶しても良い。
かかるアイテムデータベース３３０へのアイテムの登録は、管理者等が入力部１０６を用いて入力することで行われる。
入力部１０６は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。入力部１０６では、後述するように、任意のアイテムの分野や特定のアイテムの分野、推薦する分野、予め定められた基準の入力等に使用される。
通信インタフェース１０５は、クライアント装置、例えば、店頭のクーポン発行機、広告ディスプレイや、インターネットの通信販売における特定の利用者のスマートフォンやパーソナルコンピュータ等の他の機器と通信するためのものであり、例えば、公衆回線、インターネット、イントラネット、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。
また、通信インタフェース１０５は、クライアント装置に推薦するアイテム名や画像の情報の送信等を実行している。また、クライアント装置からクーポンの使用情報や、インターネットの通信販売における購入情報等を受信する。
なお、情報処理装置１００のハードウェア構成は、上述したものに限定されず、他の構成、例えば、液晶ディスプレイなどＣＰＵ１０１の制御に基づき各種の情報を表示する構成を備えても良い。
情報処理装置１００は、上記のハードウェア資源を用いて、各種の機能を実現する。情報処理装置１００が実現する機能構成について説明する。
図３は、本実施形態に係る情報処理装置１００の機能構成を示す図である。情報処理装置１００は、利用者に推薦するアイテムを決定する情報機器である。
図３に示すように、情報処理装置１００は、機能構成として、履歴取得部２１０、類似度算出部２２０、購入率算出部２３０、推薦部２４０を有する。各機能構成は、ＣＰＵ１０１がＲＯＭ１０２又は記憶部１０４に記憶されたプログラムを読み出し、実行することにより実現される。
履歴取得部２１０は、利用者に対するアイテムの推薦の有無を表す推薦履歴及び当該利用者による当該アイテムの購入の有無を表す購入履歴を、それぞれ推薦履歴データベース３１０と購入履歴データベース３００とから取得するものである。そして、履歴取得部２１０により取得された推薦履歴や購入履歴は、類似度算出部２２０や、購入率算出部２３０において使用される。
類似度算出部２２０は、履歴取得部２１０により取得された購入履歴から類似度を算出するものである。類似度は、任意の利用者のうち、特定の利用者と類似する類似利用者を算出する指標である。ここでは、類似利用者を、式（１）のダイス係数を用いて算出する例について説明する。
Figure 2022059524000002
ここで、ｘは、特定の利用者の購入したアイテムの数、ｙは任意の利用者の購入したアイテムの数を示す。また、特定の利用者は、店頭の場合は、店舗の入口や会計の際に会員証を提示することや、インターネットの通信販売の場合は、ログインに用いられた会員ＩＤなどにより特定される利用者である。その他、会計の際に店員が利用者の外見などから年齢や性別等の客層を判断することにより特定される利用者を含んでも良い。この場合には、特定の利用者は、ある個人を特定するものではなく、ある層に含まれる利用者といった程度の特定となる。
まず、アイテムを購入したかの購入有無を購入履歴データベース３００から取得する。図４では、購入があった場合を「○」で示し、購入が無かった場合を「×」で示している。
図４に示すように、特定の利用者の一例である利用者ｕのアイテムＩＤ「１」～アイテムＩＤ「５」の購入有無と、任意の利用者の一例である利用者ＩＤ「１」のアイテムＩＤ「１」～アイテムＩＤ「５」の購入有無とから、利用者ｕと利用者ＩＤ「１」との類似度を算出する。本例では、特定の利用者の一例である利用者ｕのアイテムＩＤ「１」～アイテムＩＤ「５」の中の購入の数ｘは４であり、任意の利用者の一例である利用者ＩＤ「１」のアイテムＩＤ「１」～アイテムＩＤ「５」の中の購入の数ｙは３であるため、式（１）の分母の｜ｘ｜＋｜ｙ｜は４＋３＝７となる。また、利用者ｕと利用者ＩＤ「１」とのアイテムＩＤ「１」～アイテムＩＤ「５」の中の共通の購入アイテムの数は２（アイテムＩＤ「３」とアイテムＩＤ「５」）であるため、式（１）の分子の２・｜ｘ∩ｙ｜は２×２＝４となる。このためダイス係数は、４／７となり、約０．５７となる。また、同様に、任意の利用者の一例である利用者ＩＤ「３」のアイテムＩＤ「１」～アイテムＩＤ「５」の中の購入の数ｙは３であるため、式（１）の分母の｜ｘ｜＋｜ｙ｜は４＋３＝７となる。また、利用者ｕと利用者ＩＤ「３」とのアイテムＩＤ「１」～アイテムＩＤ「５」の中の共通の購入アイテムの数は３（アイテムＩＤ「２」とアイテムＩＤ「３」とアイテムＩＤ「５」）であるため、式（１）の分子の２・｜ｘ∩ｙ｜は２×３＝６となる。このためダイス係数は、６／７となり、約０．８６となる。
かかるダイス係数の算出を、利用者ＩＤ「１」～利用者ＩＤ「５」ではなく全ての利用者及びアイテムＩＤ「１」～アイテムＩＤ「５」ではない全てのアイテムに対して行う。すなわち、利用者データベース３２０に記憶されている全ての利用者と、アイテムデータベース３３０に記憶され、販売されている全てのアイテムに対してダイス係数が算出される。
なお、全ての利用者及び全てのアイテムに行う場合に限定されず、任意の数の利用者を抽出し、当該抽出された利用者に対して行うようにしても良いし、抽出に基準を設け、当該基準を満たした利用者に対して行うようにしても良いし、又、任意の数のアイテムを抽出し、当該抽出されたアイテムに対して行うようにしても良い。また、アイテムの分野を指定、例えば、「食品」や「牛乳」とすることも可能である。分野を指定することで、ダイス係数の算出にかかる時間や手間を削減することができる。また、「食品」とした場合は、食品アイテムの中から推薦をすることで食品アイテムの販売強化を図ることが可能となり、又、「牛乳」とした場合は、「牛乳」のうち銘柄の異なる牛乳の中から販売強化を図ることが可能となる。
そして、ダイス係数の高い利用者順に並び替え、利用者ｕとの類似度が予め定められた基準である上位の予め定められた数以内に入る利用者、例えば、６人を、図５に示すように、利用者ｕと類似度の高い類似利用者として抽出する。なお、予め定められた数は６人に限定されず、１０人や１００人等であっても良い。
購入率算出部２３０は、類似度算出部２２０により算出された類似利用者に対して、任意のアイテムを推薦しない場合の購入率に対する推薦した場合の購入率の差分を算出するものである。
まず、履歴取得部２１０により、類似度算出部２２０により算出された類似利用者が、特定のアイテムの一例であるアイテムｉに対し、推薦されたかの推薦有無を推薦履歴データベース３１０から取得し、購入したかの購入有無を購入履歴データベース３００から取得する。図５では、推薦があった場合を「○」で示し、推薦が無かった場合を「×」で示している。また、購入があった場合を「○」で示し、購入が無かった場合を「×」で示している。
購入率算出部２３０は、推薦有無を元に、類似利用者をグループに分ける。本例では、利用者ＩＤが「３」「１８」「５１」の類似利用者を推薦グループに、利用者ＩＤ「４」「９」「２２」の類似利用者を非推薦グループにそれぞれ分ける。
推薦グループの購入率は、３人中２人が購入しているため「２／３」となり、非推薦グループの購入率は、３人中１人が購入しているため購入率は「１／３」となる。
そして、推薦しない場合の購入率に対する推薦した場合の購入率の差分を算出する。具体的には、推薦グループの購入率と非推薦グループの購入率との購入率の差分を算出する。
このため、アイテムｉは、差分が「２／３」－「１／３」＝「１／３」となり、推薦することで、１／３の推薦効果が得られる商品であることが算出される。かかる類似度の算出をアイテムｉ以外のアイテムデータベース３３０に記憶されている販売されている全てのアイテムに対して行い、購入率の差分の多いアイテムを算出する。かかる差分の多いアイテムは、推薦の効果の高いアイテムであると言える。
なお、全てのアイテムに対して行う場合に限定されず、アイテムの分野を指定し、当該分野に含まれるアイテムに対して類似度の算出をするようにしても良い。
推薦部２４０は、購入率算出部２３０により算出された購入率の差分の多いアイテム、例えば、最も差分の多いアイテムを特定の利用者（利用者ｕ）に推薦するものである。
ここで、推薦は、上述したように、店頭でのクーポンや広告の配布、インターネットのＷｅｂサイトでの広告の掲載などが代表的であるが、これに限定されない。
なお、最も差分の多いアイテムを推薦する場合に限定されず、差分の多いアイテムの上位３個等を推薦するようにしても良いし、又、指定された分野のアイテムのうち最も差分の多いアイテムを推薦するようにしても良い。また、全てのアイテムに対して購入率の差分を算出する場合に限定されず、特定のアイテムの分野を指定、例えば、「食品」や「牛乳」としても良い。このようにすることで、推薦効果の高いアイテムを決定する際にかかる時間や手間を削減することができる。
次に、情報処理装置１００の作用について説明する。
図６は、第１の実施形態の情報処理装置１００の動作の一例を示すフローチャートである。
ステップＳ１００において、ＣＰＵ１０１は、購入履歴データベース３００と推薦履歴データベース３１０とから購入履歴データと推薦履歴データとを取得する。
ステップＳ１０１において、ＣＰＵ１０１は、特定の利用者と任意の利用者との類似度を算出する。
ステップＳ１０２において、特定の利用者と全ての利用者との類似度を算出したか否かが判定される。全ての利用者との類似度を算出したと判定された場合は、次のステップＳ１０３に進み、全ての利用者との類似度を算出したと判定されない場合は、再度、ステップＳ１０１に戻る。
ステップＳ１０３において、ステップＳ１０１において算出された類似度に基づいて、特定の利用者と類似度の高い類似利用者を抽出する。
ステップＳ１０４において、類似利用者を、推薦履歴における推薦有無を元に、類似利用者を、特定のアイテムに対し推薦が行われた推薦グループと推薦が行われなかった非推薦グループとに分ける。
ステップＳ１０５において、ステップＳ１０４で分けられたグループ毎の購入率を算出する。
ステップＳ１０６において、ステップＳ１０５において算出された推薦グループと非推薦グループとの購入率との差分を算出する。
ステップＳ１０７において、全てのアイテムの購入率の差分を算出したか否かが判定される。全てのアイテムの購入率の差分を算出したと判定された場合は、次のステップＳ１０８に進み、全ての購入率の差分を算出したと判定されない場合は、再度、ステップＳ１０４に戻る。
ステップＳ１０８において、ステップＳ１０６において算出された購入率の差分が多いアイテムを推薦するアイテムとして決定する。
（変形例）
本発明は、上述した第１の実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。
上述した実施形態では、類似度算出部２２０は、類似使用者を、履歴取得部２１０により取得された購入履歴から算出される類似度により算出する例について説明したが、これに限定されず、推薦の結果アイテムを購入したかを問わず、推薦履歴から算出される類似度により算出するようにしても良い。
ここで、上述した式（１）のｘは、特定の利用者に推薦したアイテムの数、ｙは任意の利用者に推薦したアイテムの数を示す。
まず、アイテムを推薦したかの推薦有無を推薦履歴データベース３１０から取得する。図７では、推薦があった場合を「○」で示し、推薦が無かった場合を「×」で示している。
図７に示すように、特定の利用者の一例である利用者ｕのアイテムＩＤ「１」～アイテムＩＤ「５」の推薦有無と、任意の利用者の一例である利用者ＩＤ「１」のアイテムＩＤ「１」～アイテムＩＤ「５」の推薦有無とから、利用者ｕと利用者ＩＤ「１」との類似度を算出する。本例では、特定の利用者の一例である利用者ｕのアイテムＩＤ「１」～アイテムＩＤ「５」の中の推薦の数ｘは４であり、任意の利用者の一例である利用者ＩＤ「１」のアイテムＩＤ「１」～アイテムＩＤ「５」の中の推薦の数ｙは３であるため、式（１）の分母の｜ｘ｜＋｜ｙ｜は４＋３＝７となる。また、利用者ｕと利用者ＩＤ「１」とのアイテムＩＤ「１」～アイテムＩＤ「５」の中の共通の推薦アイテムの数は２であるため、式（１）の分子の２・｜ｘ∩ｙ｜は２×２＝４となる。このためダイス係数は、４／７となり、約０．５７となる。
かかるダイス係数の算出を、利用者ＩＤ「１」～利用者ＩＤ「５」ではなく全ての利用者及びアイテムＩＤ「１」～アイテムＩＤ「５」ではない全てのアイテムに対して行う。すなわち、利用者データベース３２０に記憶されている全ての利用者と、アイテムデータベース３３０に記憶され、販売されている全てのアイテムに対してダイス係数が算出される。
なお、全ての利用者及び全てのアイテムに行う場合に限定されず、任意の数の利用者を抽出し、当該抽出された利用者に対して行うようにしても良いし、抽出に基準を設け、当該基準を満たした利用者に対して行うようにしても良いし、又、任意の数のアイテムを抽出し、当該抽出されたアイテムに対して行うようにしても良い。また、アイテムの分野を指定、例えば、「食品」や「牛乳」とすることも可能である。分野を指定することで、ダイス係数の算出にかかる時間や手間を削減することができる。また、「食品」とした場合は、食品アイテムの中から推薦をすることで食品アイテムの販売強化を図ることが可能となり、又、「牛乳」とした場合は、「牛乳」のうち銘柄の異なる牛乳の中から販売強化を図ることが可能となる。
そして、ダイス係数の高い利用者順に並び替え、利用者ｕとの類似度が予め定められた基準である上位の予め定められた数以内に入る利用者、例えば、６人を、図５に示すように、利用者ｕと類似度の高い類似利用者として抽出する。なお、予め定められた数は６人に限定されず、１０人や１００人等であっても良い。
かかる処理以降の購入率算出部２３０と推薦部２４０との処理は、上述した購入履歴を用いた場合と同様であるため説明を省略する。
上述した実施形態では、類似度算出部２２０は、類似利用者を、式（１）のダイス係数を用いて算出する例について説明したが、これに限定されず、例えば、コサイン類似度を用いて算出しても良い。ここでは、図８を用いて、類似利用者を、式（２）のコサイン類似度を用いて算出する例について説明する。
Figure 2022059524000003
まず、アイテムを購入したかの購入有無を購入履歴データベース３００から取得する。図８では、購入があった場合を「○」で示し、購入が無かった場合を「×」で示している。
図８に示すように、特定の利用者の一例である利用者ｕのアイテムＩＤ「１」～アイテムＩＤ「５」の購入有無と、任意の利用者の一例である利用者ＩＤ「１」のアイテムＩＤ「１」～アイテムＩＤ「５」の購入有無とから、利用者ｕと利用者ＩＤ「１」との類似度を算出する。本例では、特定の利用者の一例である利用者ｕのアイテムＩＤ「１」～アイテムＩＤ「５」の中の購入の数は４であり、任意の利用者の一例である利用者ＩＤ「１」のアイテムＩＤ「１」～アイテムＩＤ「５」の中の購入の数は３であるため、式（２）の分母は２√３となる。また、利用者ｕと利用者ＩＤ「１」とのアイテムＩＤ「１」～アイテムＩＤ「５」の中の共通の購入アイテムの数は２（アイテムＩＤ「３」とアイテムＩＤ「５」）であるため、式（２）の分子は２となる。このため、コサイン類似度は、２／２√３となり、約０．５８となる。
かかるコサイン類似度の算出を、利用者ＩＤ「１」～利用者ＩＤ「５」ではなく全ての利用者及びアイテムＩＤ「１」～アイテムＩＤ「５」ではない全てのアイテムに対して行う。すなわち、利用者データベース３２０に記憶されている全ての利用者と、アイテムデータベース３３０に記憶され、販売されている全てのアイテムに対してコサイン類似度が算出される。
なお、全ての利用者及び全てのアイテムに行う場合に限定されず、任意の数の利用者を抽出し、当該抽出された利用者に対して行うようにしても良いし、抽出に基準を設け、当該基準を満たした利用者に対して行うようにしても良いし、又、任意の数のアイテムを抽出し、当該抽出されたアイテムに対して行うようにしても良い。また、アイテムの分野を指定、例えば、「食品」や「牛乳」とすることも可能である。分野を指定することで、ダイス係数の算出にかかる時間や手間を削減することができる。また、「食品」とした場合は、食品アイテムの中から推薦をすることで食品アイテムの販売強化を図ることが可能となり、又、「牛乳」とした場合は、「牛乳」のうち銘柄の異なる牛乳の中から販売強化を図ることが可能となる。
そして、コサイン類似度の高い利用者順に並び替え、利用者ｕとの類似度が予め定められた基準である上位の予め定められた数以内に入る利用者、例えば、６人を、図５に示すように、利用者ｕと類似度の高い類似利用者として抽出する。なお、予め定められた数は６人に限定されず、１０人や１００人等であっても良い。
かかる処理以降の購入率算出部２３０と推薦部２４０との処理は、上述したダイス係数を用いた場合と同様であるため説明を省略する。
上述した実施形態では、類似度算出部２２０は、類似使用者を、履歴取得部２１０により取得された購入履歴を元に、ダイス係数を用いて算出する例について説明したが、これに限定されず、推薦履歴を元にコサイン類似度を用いて算出するようにしても良い。
ここで、上述した式（２）のｘは、特定の利用者に推薦したアイテムの数、ｙは任意の利用者に推薦したアイテムの数を示す。
まず、アイテムを推薦したかの推薦有無を推薦履歴データベース３１０から取得する。図９では、推薦があった場合を「○」で示し、推薦が無かった場合を「×」で示している。
図９に示すように、特定の利用者の一例である利用者ｕのアイテムＩＤ「１」～アイテムＩＤ「５」の推薦有無と、任意の利用者の一例である利用者ＩＤ「１」のアイテムＩＤ「１」～アイテムＩＤ「５」の推薦有無とから、利用者ｕと利用者ＩＤ「１」との類似度を算出する。本例では、特定の利用者の一例である利用者ｕのアイテムＩＤ「１」～アイテムＩＤ「５」の中の推薦の数は４であり、任意の利用者の一例である利用者ＩＤ「１」のアイテムＩＤ「１」～アイテムＩＤ「５」の中の推薦の数は３であるため、式（２）の分母は２√３となる。また、利用者ｕと利用者ＩＤ「１」とのアイテムＩＤ「１」～アイテムＩＤ「５」の中の共通の推薦アイテムの数は２であるため、式（２）の分子は２となる。このため、コサイン類似度は、２／２√３となり、約０．５８となる。
かかるコサイン類似度の算出を、利用者ＩＤ「１」～利用者ＩＤ「５」ではなく全ての利用者及びアイテムＩＤ「１」～アイテムＩＤ「５」ではない全てのアイテムに対して行う。すなわち、利用者データベース３２０に記憶されている全ての利用者と、アイテムデータベース３３０に記憶され、販売されている全てのアイテムに対してコサイン類似度が算出される。
なお、全ての利用者及び全てのアイテムに行う場合に限定されず、任意の数の利用者を抽出し、当該抽出された利用者に対して行うようにしても良いし、抽出に基準を設け、当該基準を満たした利用者に対して行うようにしても良いし、又、任意の数のアイテムを抽出し、当該抽出されたアイテムに対して行うようにしても良い。また、アイテムの分野を指定、例えば、「食品」や「牛乳」とすることも可能である。分野を指定することで、ダイス係数の算出にかかる時間や手間を削減することができる。また、「食品」とした場合は、食品アイテムの中から推薦をすることで食品アイテムの販売強化を図ることが可能となり、又、「牛乳」とした場合は、「牛乳」のうち銘柄の異なる牛乳の中から販売強化を図ることが可能となる。
そして、コサイン類似度の高い利用者順に並び替え、利用者ｕとの類似度が予め定められた基準である上位の予め定められた数以内に入る利用者、例えば、６人を、図５に示すように、利用者ｕと類似度の高い類似利用者として抽出する。なお、予め定められた数は６人に限定されず、１０人や１００人等であっても良い。
かかる処理以降の購入率算出部２３０と推薦部２４０との処理は、上述したダイス係数を用いた場合と同様であるため説明を省略する。
また、上記各実施形態では、プログラムがＲＯＭ１０２又は記憶部１０４に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の記録媒体に記録された形態で提供されても良い。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としても良い。
また、上述した各実施形態において、プロセッサとは広義的なプロセッサを指し、汎用的なプロセッサ（例えばＣＰＵ：Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、等）や、専用のプロセッサ（例えばＧＰＵ：Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、ＡＳＩＣ：Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ、ＦＰＧＡ：Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ、プログラマブル論理デバイス、等）を含むものである。
また、上述した各実施形態におけるプロセッサの動作は、１つのプロセッサによって成すのみでなく、物理的に離れた位置に存在する複数のプロセッサが協働して成すものであっても良い。また、プロセッサの各動作の順序は上述した各実施形態において記載した順序のみに限定されるものではなく、適宜変更しても良い。
（第２の実施形態）
つぎに、第２の実施形態について説明する。
上述した第１の実施形態は、特定の利用者と類似する類似利用者を算出し、当該類似利用者の購入率を元に、推薦するアイテムを決定していたが、本第２の実施形態は、特定のアイテムと類似する類似アイテムを算出し、当該類似アイテムの購入率を元に、推薦するアイテムを決定するものである。
ここでは、上述した第１の実施の形態と異なる部分を中心に説明し、重複する部分については説明を簡略又は省略する。
本実施形態では、類似度算出部２２０は、履歴取得部２１０により取得された購入履歴から類似度を算出するものである。類似度は、任意のアイテムのうち、特定のアイテムと類似する類似アイテムを算出する指標である。ここでは、類似アイテムを、上述した式（１）のダイス係数を用いて算出する例について説明する。
ここで、ｘは、特定のアイテムを購入した利用者の数、ｙは任意のアイテムを購入した利用者の数を示す。また、特定のアイテムは、アイテムデータベース３３０に記憶されているアイテムの中から、ランダムで抽出されたアイテムである。
なお、特定のアイテムは、アイテムデータベース３３０に記憶されているアイテムの全ての中からランダムで抽出される場合に限定されず、アイテムの分野を指定し、当該分野のアイテムからランダムで抽出するようにしても良い。
まず、アイテムを購入したかの購入有無を購入履歴データベース３００から取得する。図１０では、購入があった場合を「○」で示し、購入が無かった場合を「×」で示している。
図１０に示すように、特定のアイテムの一例であるアイテムｉの利用者ＩＤ「１」～利用者ＩＤ「５」による購入有無と、任意のアイテムの一例であるアイテムＩＤ「１」の利用者ＩＤ「１」～利用者ＩＤ「５」による購入有無とから、アイテムｉとアイテムＩＤ「１」との類似度を算出する。本例では、特定のアイテムの一例であるアイテムｉの利用者ＩＤ「１」～利用者ＩＤ「５」による購入の数ｘは４であり、任意のアイテムの一例であるアイテムＩＤ「１」の利用者ＩＤ「１」～利用者ＩＤ「５」による購入の数ｙは３であるため、式（１）の分母の｜ｘ｜＋｜ｙ｜は４＋３＝７となる。また、アイテムｉとアイテムＩＤ「１」との利用者ＩＤ「１」～利用者ＩＤ「５」の中の共通の購入利用者の数は２（利用者ＩＤ「３」と利用者ＩＤ「５」）であるため、式（１）の分子の２・｜ｘ∩ｙ｜は２×２＝４となる。このためダイス係数は、４／７となり、約０．５７となる。
かかるダイス係数の算出を、アイテムＩＤ「１」～アイテムＩＤ「５」ではなく全てのアイテム及び利用者ＩＤ「１」～利用者ＩＤ「５」ではなく全ての利用者に対して行う。すなわち、アイテムデータベース３３０に記憶され、販売されている全てのアイテムと利用者データベース３２０に記憶されている全ての利用者とに対してダイス係数が算出される。
なお、全てのアイテム及び全ての利用者に行う場合に限定されず、任意の数のアイテムを抽出し、当該抽出されたアイテムに対して行うようにしても良いし、抽出に基準を設け、当該基準を満たしたアイテムに対して行うようにしても良いし、又、任意の数の利用者を抽出し、当該抽出された利用者に対して行うようにしても良い。また、アイテムの分野を指定、例えば、「食品」や「牛乳」とすることも可能である。分野を指定することで、ダイス係数の算出にかかる時間や手間を削減することができる。また、「食品」とした場合は、食品アイテムの中から推薦をすることで食品アイテムの販売強化を図ることが可能となり、又、「牛乳」とした場合は、「牛乳」のうち銘柄の異なる牛乳の中から販売強化を図ることが可能となる。
そして、ダイス係数の高いアイテム順に並び替え、アイテムｉとの類似度が予め定められた基準である上位の予め定められた数以内に入るアイテム、例えば、６個を、図１１に示すように、アイテムｉと類似度の高い類似アイテムとして抽出する。なお、予め定められた数は６個に限定されず、１０個や１００個等であっても良い。
購入率算出部２３０は、類似度算出部２２０により算出された類似アイテムを、特定の利用者に対して、推薦しない場合の購入率に対する推薦した場合の購入率の差分を算出するものである。
ここで、特定の利用者は、今回アイテムを推薦するターゲットとなる利用者であり、店頭の場合は、店舗の入口や会計の際に会員証を提示することや、インターネットの通信販売の場合は、ログインに用いられた会員ＩＤなどにより特定される利用者である。
まず、履歴取得部２１０により、類似度算出部２２０により算出された類似アイテムが、特定の利用者の一例である利用者ｕに対し、推薦されたかの推薦有無を推薦履歴データベース３１０から取得し、購入したかの購入有無を購入履歴データベース３００から取得する。図１１では、推薦があった場合を「○」で示し、推薦が無かった場合を「×」で示している。また、購入があった場合を「○」で示し、購入が無かった場合を「×」で示している。
購入率算出部２３０は、推薦有無を元に、類似アイテムをグループに分ける。本例では、アイテムＩＤが「３」「１８」「５１」の類似アイテムを推薦グループに、アイテムＩＤ「４」「９」「２２」の類似アイテムを非推薦グループにそれぞれ分ける。
推薦グループの購入率は、３個中２個が購入されているため「２／３」となり、非推薦グループの購入率は、３個中１個が購入されているため購入率は「１／３」となる。
そして、推薦しない場合の購入率に対する推薦した場合の購入率の差分を算出する。具体的には、推薦グループの購入率と非推薦グループの購入率との購入率の差分を算出する。
このため、利用者ｕのアイテムｉの購入率は、差分が「２／３」－「１／３」＝「１／３」となり、推薦することで、１／３の推薦効果が得られる商品であることが算出される。かかる類似度の算出をアイテムｉ以外のアイテムデータベース３３０に記憶されている販売されている全てのアイテムに対して行い、購入率の差分の多いアイテムを算出する。かかる差分の多いアイテムは、推薦の効果の高いアイテムであると言える。
なお、全てのアイテムに対して行う場合に限定されず、アイテムの分野を指定し、当該分野に含まれるアイテムに対して類似度の算出をするようにしても良い。
次に、情報処理装置１００の作用について説明する。
図１２は、第２の実施形態の情報処理装置１００の動作の一例を示すフローチャートである。
ステップＳ２００において、ＣＰＵ１０１は、購入履歴データベース３００と推薦履歴データベース３１０とから購入履歴データと推薦履歴データとを取得する。
ステップＳ２０１において、ＣＰＵ１０１は、特定のアイテムと任意のアイテムとの類似度を算出する。
ステップＳ２０２において、特定のアイテムと全てのアイテムとの類似度を算出したか否かが判定される。全てのアイテムとの類似度を算出したと判定された場合は、次のステップＳ２０３に進み、全てのアイテムとの類似度を算出したと判定されない場合は、再度、ステップＳ２０１に戻る。
ステップＳ２０３において、ステップＳ２０１において算出された類似度に基づいて、特定のアイテムと類似度の高い類似アイテムを抽出する。
ステップＳ２０４において、類似アイテムを、推薦履歴における推薦有無を元に、類似アイテムを、特定の利用者に対し推薦が行われた推薦グループと推薦が行われなかった非推薦グループとに分ける。
ステップＳ２０５において、ステップＳ２０４で分けられたグループ毎の購入率を算出する。
ステップＳ２０６において、ステップＳ２０５において算出された推薦グループと非推薦グループとの購入率との差分を算出する。
ステップＳ２０７において、全ての利用者の購入率の差分を算出したか否かが判定される。全ての利用者の購入率の差分を算出したと判定された場合は、次のステップＳ２０８に進み、全ての購入率の差分を算出したと判定されない場合は、再度、ステップＳ２０４に戻る。
ステップＳ２０８において、ステップＳ２０６において算出された購入率の差分が多いアイテムを推薦するアイテムとして決定する。
（変形例）
本発明は、上述した第２の実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。
上述した実施形態では、類似度算出部２２０は、類似アイテムを、履歴取得部２１０により取得された購入履歴から算出される類似度により算出する例について説明したが、これに限定されず、推薦の結果アイテムを購入したかを問わず、推薦履歴から算出される類似度により算出するようにしても良い。
ここで、上述した式（１）のｘは、特定のアイテムを推薦された利用者の数、ｙは任意のアイテムを推薦された利用者の数を示す。
まず、アイテムを推薦したかの推薦有無を推薦履歴データベース３１０から取得する。図１３では、推薦があった場合を「○」で示し、推薦が無かった場合を「×」で示している。
図１３に示すように、特定のアイテムの一例であるアイテムｉの利用者ＩＤ「１」～利用者ＩＤ「５」の推薦有無と、任意のアイテムの一例であるアイテムＩＤ「１」の利用者ＩＤ「１」～利用者ＩＤ「５」の推薦有無とから、アイテムｉとアイテムＩＤ「１」との類似度を算出する。本例では、特定のアイテムの一例であるアイテムｉの利用者ＩＤ「１」～利用者ＩＤ「５」の中の推薦の数ｘは４であり、任意のアイテムの一例であるアイテムＩＤ「１」の利用者ＩＤ「１」～利用者ＩＤ「５」の中の推薦の数ｙは３であるため、式（１）の分母の｜ｘ｜＋｜ｙ｜は４＋３＝７となる。また、アイテムｉとアイテムＩＤ「１」との利用者ＩＤ「１」～利用者ＩＤ「５」の中の共通の推薦利用者の数は２（利用者ＩＤ「３」と利用者ＩＤ「５」）であるため、式（１）の分子の２・｜ｘ∩ｙ｜は２×２＝４となる。このためダイス係数は、４／７となり、約０．５７となる。
かかるダイス係数の算出を、アイテムＩＤ「１」～アイテムＩＤ「５」ではなく全てのアイテム及び利用者ＩＤ「１」～利用者ＩＤ「５」ではなく全ての利用者に対して行う。すなわち、アイテムデータベース３３０に記憶され、販売されている全てのアイテムと利用者データベース３２０に記憶されている全ての利用者とに対してダイス係数が算出される。
なお、全てのアイテム及び全ての利用者に行う場合に限定されず、任意の数のアイテムを抽出し、当該抽出されたアイテムに対して行うようにしても良いし、抽出に基準を設け、当該基準を満たしたアイテムに対して行うようにしても良いし、又、任意の数の利用者を抽出し、当該抽出された利用者に対して行うようにしても良い。また、アイテムの分野を指定、例えば、「食品」や「牛乳」とすることも可能である。分野を指定することで、ダイス係数の算出にかかる時間や手間を削減することができる。また、「食品」とした場合は、食品アイテムの中から推薦をすることで食品アイテムの販売強化を図ることが可能となり、又、「牛乳」とした場合は、「牛乳」のうち銘柄の異なる牛乳の中から販売強化を図ることが可能となる。
そして、ダイス係数の高いアイテム順に並び替え、アイテムｉとの類似度が予め定められた基準である上位の予め定められた数以内に入るアイテム、例えば、６個を、図１１に示すように、アイテムｉと類似度の高い類似アイテムとして抽出する。なお、予め定められた数は６個に限定されず、１０個や１００個等であっても良い。
かかる処理以降の購入率算出部２３０と推薦部２４０との処理は、上述した購入履歴を用いた場合と同様であるため説明を省略する。
上述した第２の実施形態では、類似度算出部２２０は、類似アイテムを、式（１）のダイス係数を用いて算出する例について説明したが、これに限定されず、例えば、コサイン類似度を用いて算出しても良い。ここでは、図１４を用いて、類似アイテムを、上述した式（２）のコサイン類似度を用いて算出する例について説明する。
まず、アイテムを購入したかの購入有無を購入履歴データベース３００から取得する。図１４では、購入があった場合を「○」で示し、購入が無かった場合を「×」で示している。
図１４に示すように、特定のアイテムの一例であるアイテムｉの利用者ＩＤ「１」～利用者ＩＤ「５」の購入有無と、任意のアイテムの一例であるアイテムＩＤ「１」の利用者ＩＤ「１」～利用者ＩＤ「５」の購入有無とから、アイテムｉとアイテムＩＤ「１」との類似度を算出する。本例では、特定のアイテムの一例であるアイテムｉの利用者ＩＤ「１」～利用者ＩＤ「５」の中の購入の数は４であり、任意のアイテムの一例であるアイテムＩＤ「１」の利用者ＩＤ「１」～利用者ＩＤ「５」の中の購入の数は３であるため、式（２）の分母は２√３となる。また、アイテムｉとアイテムＩＤ「１」との利用者ＩＤ「１」～利用者ＩＤ「５」の中の共通の購入利用者の数は２（利用者ＩＤ「３」と利用者ＩＤ「５」）であるため、式（２）の分子は２となる。このため、コサイン類似度は、２／２√３となり、約０．５８となる。
かかるコサイン類似度の算出を、アイテムＩＤ「１」～アイテムＩＤ「５」ではなく全てのアイテム及び利用者ＩＤ「１」～利用者ＩＤ「５」ではなく全ての利用者に対して行う。すなわち、利用者データベース３２０に記憶されている全ての利用者と、アイテムデータベース３３０に記憶され、販売されている全てのアイテムに対してコサイン類似度が算出される。
なお、全ての利用者及び全てのアイテムに行う場合に限定されず、任意の数の利用者を抽出し、当該抽出された利用者に対して行うようにしても良いし、抽出に基準を設け、当該基準を満たした利用者に対して行うようにしても良いし、又、任意の数のアイテムを抽出し、当該抽出されたアイテムに対して行うようにしても良い。また、アイテムの分野を指定、例えば、「食品」や「牛乳」とすることも可能である。分野を指定することで、ダイス係数の算出にかかる時間や手間を削減することができる。また、「食品」とした場合は、食品アイテムの中から推薦をすることで食品アイテムの販売強化を図ることが可能となり、又、「牛乳」とした場合は、「牛乳」のうち銘柄の異なる牛乳の中から販売強化を図ることが可能となる。
そして、コサイン類似度の高いアイテム順に並び替え、アイテムｉとの類似度が予め定められた基準である上位の予め定められた数以内に入るアイテム、例えば、６個を、図１１に示すように、アイテムｉと類似度の高い類似アイテムとして抽出する。なお、予め定められた数は６個に限定されず、１０個や１００個等であっても良い。
かかる処理以降の購入率算出部２３０と推薦部２４０との処理は、上述したダイス係数を用いた場合と同様であるため説明を省略する。
上述した第２の実施形態では、類似度算出部２２０は、類似アイテムを、履歴取得部２１０により取得された購入履歴を元に、ダイス係数を用いて算出する例について説明したが、これに限定されず、推薦履歴を元にコサイン類似度を用いて算出するようにしても良い。
ここで、上述した式（２）のｘは、特定のアイテムを推薦された利用者の数、ｙは任意のアイテムを推薦された利用者の数を示す。
まず、アイテムを推薦したかの推薦有無を推薦履歴データベース３１０から取得する。図１５では、推薦があった場合を「○」で示し、推薦が無かった場合を「×」で示している。
図１５に示すように、特定のアイテムの一例であるアイテムｉの利用者ＩＤ「１」～利用者ＩＤ「５」の推薦有無と、任意のアイテムの一例であるアイテムＩＤ「１」の利用者ＩＤ「１」～利用者ＩＤ「５」の推薦有無とから、アイテムｉとアイテムＩＤ「１」との類似度を算出する。本例では、特定のアイテムの一例であるアイテムｉの利用者ＩＤ「１」～利用者ＩＤ「５」の中の推薦の数は４であり、任意のアイテムの一例であるアイテムＩＤ「１」の利用者ＩＤ「１」～利用者ＩＤ「５」の中の推薦の数は３であるため、式（２）の分母は２√３となる。また、アイテムｉとアイテムＩＤ「１」との利用者ＩＤ「１」～利用者ＩＤ「５」の中の共通の推薦利用者の数は２（利用者ＩＤ「３」と利用者ＩＤ「５」）であるため、式（２）の分子は２となる。このため、コサイン類似度は、２／２√３となり、約０．５８となる。
かかるコサイン類似度の算出を、アイテムＩＤ「１」～アイテムＩＤ「５」ではなく全てのアイテム及び利用者ＩＤ「１」～利用者ＩＤ「５」ではなく全ての利用者に対して行う。すなわち、利用者データベース３２０に記憶されている全ての利用者と、アイテムデータベース３３０に記憶され、販売されている全てのアイテムに対してコサイン類似度が算出される。
なお、全ての利用者及び全てのアイテムに行う場合に限定されず、任意の数の利用者を抽出し、当該抽出された利用者に対して行うようにしても良いし、抽出に基準を設け、当該基準を満たした利用者に対して行うようにしても良いし、又、任意の数のアイテムを抽出し、当該抽出されたアイテムに対して行うようにしても良い。また、アイテムの分野を指定、例えば、「食品」や「牛乳」とすることも可能である。分野を指定することで、ダイス係数の算出にかかる時間や手間を削減することができる。また、「食品」とした場合は、食品アイテムの中から推薦をすることで食品アイテムの販売強化を図ることが可能となり、又、「牛乳」とした場合は、「牛乳」のうち銘柄の異なる牛乳の中から販売強化を図ることが可能となる。
そして、コサイン類似度の高いアイテム順に並び替え、アイテムｉとの類似度が予め定められた基準である上位の予め定められた数以内に入るアイテム、例えば、６個を、図１１に示すように、アイテムｉと類似度の高い類似アイテムとして抽出する。なお、予め定められた数は６個に限定されず、１０個や１００個等であっても良い。
かかる処理以降の購入率算出部２３０と推薦部２４０との処理は、上述したダイス係数を用いた場合と同様であるため説明を省略する。
（その他）
上述した実施形態では、利用者の類似度とアイテムの類似度とから購入率の差分を算出して、アイテムを推薦しているが、これに限定されず、シチュエーション、例えば、季節、天気、買い物に来た人数、日付、イベントの有無などの類似度から購入率の差分を算出して、アイテムを推薦するようにしても良い。
１００ 情報処理装置
１０１ ＣＰＵ １０２ ＲＯＭ
１０３ ＲＡＭ １０４ 記憶部
１０５ 通信インタフェース １０６ 入力部
１０７ バス
２１０ 履歴取得部 ２２０ 類似度算出部
２３０ 購入率算出部 ２４０ 推薦部
３００ 購入履歴データベース ３１０ 推薦履歴データベース
３２０ 利用者データベース ３３０ アイテムデータベース

Claims (12)

  1. プロセッサを備え、
    前記プロセッサは、
    任意の利用者及び任意の対象の組合せ毎の、利用者に対する対象の推薦の有無を表す推薦履歴及び当該利用者による前記対象の選択の有無を表す選択履歴を取得し、
    前記推薦履歴又は前記選択履歴から求まる類似度において、前記任意の利用者のうち、特定の利用者と予め定められた基準を満たす類似利用者に対して、任意の対象を推薦しない場合の選択率に対する推薦した場合の選択率の差分を算出する、
    情報処理装置。
  2. プロセッサを備え、
    前記プロセッサは、
    任意の利用者及び任意の対象の組合せ毎の、利用者に対する対象の推薦の有無の推薦履歴及び当該利用者による前記対象の選択の有無との選択履歴を取得し、
    前記推薦履歴又は前記選択履歴から求まる類似度において、前記任意の対象のうち、特定の対象と予め定められた基準を満たす類似対象を、特定の利用者に対して推薦しない場合の選択率に対する推薦した場合の選択率の差分を算出する
    情報処理装置。
  3. 前記プロセッサは、
    前記選択率の差分の多い対象を前記特定の利用者に推薦する請求項１又は２に記載の情報処理装置。
  4. 前記選択率の差分は、
    前記任意の利用者のうち、特定の利用者との類似度が予め定められた基準を満たす利用者を、任意の対象の推薦の有無で推薦グループと非推薦グループとに分割し、
    前記推薦グループの前記選択率と前記非推薦グループの選択率との差である請求項１又は３に記載の情報処理装置。
  5. 前記選択率の差分は、
    前記任意の対象のうち、特定の対象との類似度が予め定められた基準を満たす対象を、任意の対象の推薦の有無で推薦グループと非推薦グループとに分割し、
    前記推薦グループの前記選択率と前記非推薦グループの選択率との差である請求項２又は３に記載の情報処理装置。
  6. 前記任意の対象の分野は、入力により受け付けられる請求項１～５のいずれか１項に記載の情報処理装置。
  7. 前記特定の対象の分野は、入力により受け付けられる請求項１～６のいずれか１項に記載の情報処理装置。
  8. 前記推薦する対象の分野は、入力により受け付けられる請求項３に記載の情報処理装置。
  9. 前記予め定められた基準は、前記任意の利用者のうち、予め定められた数以内に入る前記類似利用者である請求項１に記載の情報処理装置。
  10. 前記予め定められた基準は、前記任意の対象のうち、予め定められた数以内に入る前記類似対象である請求項２に記載の情報処理装置。
  11. 前記プロセッサは、
    前記類似度を、ダイス係数又はコサイン類似度で算出する請求項１～１０のいずれか１項に記載の情報処理装置。
  12. コンピュータを、請求項１～１１のいずれか１項に記載の情報処理装置として機能させるための情報処理プログラム。
JP2020167341A 2020-10-01 2020-10-01 情報処理装置、及び情報処理プログラム Pending JP2022059524A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2020167341A JP2022059524A (ja) 2020-10-01 2020-10-01 情報処理装置、及び情報処理プログラム
US17/335,750 US20220108373A1 (en) 2020-10-01 2021-06-01 Information processing apparatus and non-transitory computer readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020167341A JP2022059524A (ja) 2020-10-01 2020-10-01 情報処理装置、及び情報処理プログラム

Publications (1)

Publication Number Publication Date
JP2022059524A true JP2022059524A (ja) 2022-04-13

Family

ID=80931575

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020167341A Pending JP2022059524A (ja) 2020-10-01 2020-10-01 情報処理装置、及び情報処理プログラム

Country Status (2)

Country Link
US (1) US20220108373A1 (ja)
JP (1) JP2022059524A (ja)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11605120B2 (en) * 2015-07-07 2023-03-14 Order Hopper, Inc Systems and methods for global dynamic hierarchical ordering system
JP6748759B1 (ja) * 2019-05-09 2020-09-02 楽天株式会社 行動分析装置、広告配信装置、行動分析方法、広告配信方法、行動分析プログラム、及び広告配信プログラム。
US10936961B1 (en) * 2020-08-07 2021-03-02 Fmr Llc Automated predictive product recommendations using reinforcement learning

Also Published As

Publication number Publication date
US20220108373A1 (en) 2022-04-07

Similar Documents

Publication Publication Date Title
JP6181501B2 (ja) 金額算出装置、金額算出方法、およびプログラム
JPWO2020008938A1 (ja) 販売促進システムおよび販売促進方法
CN105247552B (zh) 数字收据经济
CN106104611A (zh) 购买信息应用系统和购买信息应用方法及程序
KR101660445B1 (ko) 시장조사 및 분석 시스템
JP6679451B2 (ja) 選択装置、選択方法および選択プログラム
WO2017090095A1 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
WO2020142837A1 (en) Smart basket for online shopping
CN112513898A (zh) 酒精饮料信息管理系统及管理方法
JP7145823B2 (ja) 提供装置、提供方法および提供プログラム
JP2015001903A (ja) 通知システム、通知方法、通知プログラム
JP7140588B2 (ja) 決定装置、決定方法および決定プログラム
JP2013025386A (ja) 商品情報提供装置、商品情報提供方法及びプログラム
KR101739018B1 (ko) 고객 선정 장치, 방법 및 고객 선정을 위한 프로그램을 저장하는 저장매체
KR101979237B1 (ko) 쇼핑 정보 제공 방법 및 장치
JP2014182636A (ja) 情報処理システム
JP6543576B2 (ja) ユーザの買い物履歴、小売業者のｉｄ及び小売業者が販売促進する物品に基づいて、カスタマイズされた検索結果を提供するシステム及び方法
KR101479379B1 (ko) 소셜네트워크 기반의 물품평가 추천방법
JP6452650B2 (ja) 情報処理装置、情報処理方法および情報処理プログラム
JP2022059524A (ja) 情報処理装置、及び情報処理プログラム
JP2002074129A (ja) インセンティブ設定装置および販促支援システム
Long Factors influencing consumers intention towards online food purchasing in Phnom Penh
JP7042787B2 (ja) 判定装置、判定方法、および判定プログラム
JP6564114B1 (ja) 提供装置、提供方法および提供プログラム
JP6980573B2 (ja) 情報処理装置、情報処理方法、およびプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230919

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240607