JP2023162154A - 地域知識グラフに基づいて推薦情報を提供する方法、コンピュータ装置、およびコンピュータプログラム - Google Patents

Abstract

【課題】地域知識グラフに基づいて推薦情報を提供する方法、コンピュータ装置、およびコンピュータプログラムを提供する。【解決手段】推薦方法は、地域を構成する複数のアイテムに基づいて異種グラフ構造の地域知識グラフ（ｌｏｃａｌ ｋｎｏｗｌｅｄｇｅ ｇｒａｐｈ）を生成する段階、前記地域知識グラフにおいて互いに異なるノードフィーチャを利用してノードタイプ別に埋め込みを実行する段階、および前記ノードタイプ別の埋め込みに基づいて、前記ノードタイプそれぞれに対応する推薦アイテムを提供する段階を含む。【選択図】図４

Description

以下の説明は、地域基盤推薦情報を提供する技術に関する。

モバイルやユビキタスによるインフラの拡散にともない、各種サービスは個人向けのカスタム型に進化している。

カスタムサービスの１つとして、ユーザの位置情報や選好情報などに基づいて周辺の場所情報を提供するものがある。

場所推薦技術の一例として、特許文献１（２０１４年５月２６日）には、飲食店や売場などの場所をテーマによって分類して推薦する技術が開示されている。

韓国公開特許第１０－２０１４－００６２６８４号公報

１つの地域知識グラフ（ｌｏｃａｌ ｋｎｏｗｌｅｄｇｅ ｇｒａｐｈ）を利用することで、地域と関連する複数のアイテム（ＰＯＩ、ユーザ、文書）を推薦することができる。

アイテム間の関係に起因する構造的情報を活用することで、高度化された推薦システムを提供することができる。

コンピュータ装置で実行される推薦方法であって、前記コンピュータ装置は、メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも１つのプロセッサを含み、前記推薦方法は、前記少なくとも１つのプロセッサにより、地域を構成する複数のアイテムに基づいて異種グラフ構造の地域知識グラフ（ｌｏｃａｌ ｋｎｏｗｌｅｄｇｅ ｇｒａｐｈ）を生成する段階、前記少なくとも１つのプロセッサにより、前記地域知識グラフにおいて互いに異なるノードフィーチャを利用してノードタイプ別に埋め込みを実行する段階、および前記少なくとも１つのプロセッサにより、前記ノードタイプ別の埋め込みに基づいて、前記ノードタイプそれぞれに対応する推薦アイテムを提供する段階を含む、推薦方法を提供する。

一側面によると、前記実行する段階は、前記地域知識グラフから、１つのノードタイプをターゲットノード（ｔａｒｇｅｔ ｎｏｄｅ）として抽出し、少なくとも１つの他のノードタイプをコンテキストノード（ｃｏｎｔｅｘｔ ｎｏｄｅ）で抽出し、前記ターゲットノードと前記コンテキストノード間の関係グラフをモデリングする段階を含んでよい。

他の側面によると、前記モデリングする段階は、イメージ、テキスト、およびカテゴリーデータ（Ｃａｔｅｇｏｒｉｃａｌ Ｄａｔａ）を含むマルチモーダルデータを使用して、前記ターゲットノードと前記コンテキストノード間の関係をモデリングしてよい。

また他の側面によると、前記モデリングする段階は、ランダムウォーク（Ｒａｎｄｏｍ Ｗａｌｋ）基盤のサンプリングによって、ポジティブサンプル（Ｐｏｓｉｔｉｖｅ Ｓａｍｐｌｅ）とネガティブサンプル（Ｎｅｇａｔｉｖｅ Ｓａｍｐｌｅ）を抽出する段階を含んでよい。

また他の側面によると、前記モデリングする段階は、低ランクポジティブ損失（Ｌｏｗ－ｒａｎｋ Ｐｏｓｉｔｉｖｅ Ｌｏｓｓ）を利用して、前記ターゲットノードと前記コンテキストノード間の関係グラフに互いに異なる加重値のエッジを適用してよい。

また他の側面によると、前記生成する段階は、ＰＯＩ、前記ＰＯＩの訪問対象となるユーザ、前記ＰＯＩに対して生産された文書を互いに異なるタイプのノードで構成し、前記ノード間の関係をエッジで構成することによって前記地域知識グラフを生成してよい。

また他の側面によると、前記実行する段階は、ユーザそれぞれをノードに設定し、ユーザと関連する情報をユーザノードフィーチャに設定し、ユーザ間の関係をエッジに設定するユーザ－ユーザグラフを利用してフォロー基盤のユーザ埋め込みを抽出する段階、およびユーザとユーザが訪問したＰＯＩをノードに設定し、ユーザと関連する情報をユーザノードフィーチャに設定し、ＰＯＩと関連する情報をＰＯＩノードフィーチャに設定し、ＰＯＩに対するユーザの趣向情報をエッジに設定するユーザ－ＰＯＩグラフを利用して訪問基盤のユーザ埋め込みを抽出する段階を含んでよい。

また他の側面によると、前記提供する段階は、前記フォロー基盤のユーザ埋め込みによってソース埋め込みと類似する埋め込みを検索してフォロー基盤の推薦ユーザを選定する段階、前記訪問基盤のユーザ埋め込みによって前記ソース埋め込みと類似の埋め込みを検索して訪問基盤の推薦ユーザを選定する段階、および前記フォロー基盤の推薦ユーザと前記訪問基盤の推薦ユーザを一定の基準にしたがって整列して提供する段階を含んでよい。

また他の側面によると、前記提供する段階は、前記フォロー基盤のユーザ埋め込みと前記訪問基盤のユーザ埋め込みによってソース埋め込みと類似する埋め込みを検索して推薦ユーザを選定する段階、および前記ソース埋め込みとの類似特徴を示す推薦事由とともに、前記推薦ユーザを提供する段階を含んでよい。

また他の側面によると、前記実行する段階は、ＰＯＩとＰＯＩを訪問したユーザをノードに設定し、ＰＯＩと関連する情報をＰＯＩノードフィーチャに設定し、ユーザと関連する情報をユーザノードフィーチャに設定し、ＰＯＩに対するユーザの趣向情報をエッジに設定するＰＯＩ－ユーザグラフを利用してＰＯＩ埋め込みを抽出する段階を含んでよい。

また他の側面によると、前記提供する段階は、前記ＰＯＩ埋め込みによってソース埋め込みと類似する埋め込みを検索して推薦ＰＯＩを選定する段階、および前記ソース埋め込みとの類似特徴を示す推薦事由とともに、前記推薦ＰＯＩを提供する段階を含んでよい。

また他の側面によると、前記実行する段階は、文書と文書が登録されたＰＯＩをノードに設定し、文書と関連する情報を文書ノードフィーチャに設定し、ＰＯＩと関連する情報をＰＯＩノードフィーチャに設定し、ＰＯＩに対する文書の趣向情報をエッジに設定する文書－ＰＯＩグラフを利用して文書埋め込みを抽出する段階を含んでよい。

さらに他の側面によると、前記抽出する段階は、文書に含まれたテキストをワード埋め込みモデルによって学習することによってテキスト埋め込みを抽出する段階、文書に含まれたイメージをディープラーニングモデルによって学習することによってイメージ埋め込みを抽出する段階、および前記テキスト埋め込みと前記イメージ埋め込み、および文書に含まれたメタ情報を反映した文書ノードを学習して前記文書－ＰＯＩグラフに対する文書埋め込み行列を取得する段階を含んでよい。

前記推薦方法をコンピュータに実行させるためのコンピュータプログラムを提供する。

コンピュータ装置であって、メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも１つのプロセッサを含み、前記少なくとも１つのプロセッサは、地域を構成する複数のアイテムに基づいて異種グラフ構造の地域知識グラフを生成し、前記地域知識グラフにおいて互いに異なるノードフィーチャを利用してノードタイプ別に埋め込みを実行し、前記ノードタイプ別の埋め込みに基づいて、前記ノードタイプそれぞれに対応する推薦アイテムを提供することを特徴とする、コンピュータ装置を提供する。

本発明の実施形態によると、地域知識グラフに基づいて、地域と関連するアイテムであるＰＯＩ、ユーザ、文書を推薦することができる。ＰＯＩノードとユーザノード、および文書ノードで構成される異種グラフ（Ｈｅｔｅｒｏｇｅｎｅｏｕｓ Ｇｒａｐｈ）構造の地域知識グラフを生成することにより、各アイテムが所有する固有のフィーチャだけでなく、グラフ上で連結する他のノードとの関係までも考慮されることにより、より高度化した推薦を提供することができる。

本発明の実施形態によると、異種グラフ構造によって互いに異なるタイプのノードと構造的情報を活用して各ノードの埋め込みを実行することによって、データ稀少性（Ｄａｔａ Ｓｐａｒｃｉｔｙ）問題を最小化することができ、イメージやテキストなどの多様なマルチモーダルデータ（Ｍｕｌｔｉｍｏｄａｌ Ｄａｔａ）を使用することによって、各モダリティ（Ｍｏｄａｌｉｔｙ）から得られる情報の量を極大化することができる。

本発明の一実施形態における、ネットワーク環境の例を示した図である。 本発明の一実施形態における、コンピュータシステムの例を示したブロック図である。 本発明の一実施形態における、コンピュータシステムのプロセッサが含むことができる構成要素の例を示した図である。 本発明の一実施形態における、コンピュータシステムが実行することができる方法の一例を示したフローチャートである。 本発明の一実施形態における、ユーザ推薦モデリング過程を説明するための例示図である。 本発明の一実施形態における、ユーザ推薦モデリング過程を説明するための例示図である。 本発明の一実施形態における、ユーザ推薦モデリング過程を説明するための例示図である。 本発明の一実施形態における、ユーザ推薦モデリング過程を説明するための例示図である。 本発明の一実施形態における、ＰＯＩ推薦モデリング過程を説明するための例示図である。 本発明の一実施形態における、ＰＯＩ推薦モデリング過程を説明するための例示図である。 本発明の一実施形態における、文書（レビュー）推薦モデリング過程を説明するための例示図である。 本発明の一実施形態における、文書（レビュー）推薦モデリング過程を説明するための例示図である。 本発明の一実施形態における、文書（レビュー）推薦モデリング過程を説明するための例示図である。 本発明の一実施形態における、文書（レビュー）推薦モデリング過程を説明するための例示図である。 本発明の一実施形態における、文書（レビュー）推薦モデリング過程を説明するための例示図である。

以下、本発明の実施形態について、添付の図面を参照しながら詳しく説明する。

本発明の実施形態は、地域基盤推薦情報を提供する技術に関する。

本明細書で具体的に開示される事項を含む実施形態は、１つの地域知識グラフを利用することで、地域と関連する複数のアイテムを推薦することができる。

本明細書において、アイテムとは、検索または推薦対象を包括したものを意味してよい。アイテムは、地域を構成する要素に該当するものであり、本実施形態では、地域内に位置するＰＯＩ（ｐｏｉｎｔ ｏｆ ｉｎｔｅｒｅｓｔ）、ＰＯＩに対する訪問や利用、購入などの対象となるユーザ、ＰＯＩに対して生産されたＵＧＣ（ｕｓｅｒ ｇｅｎｅｒａｔｅｄ ｃｏｎｔｅｎｔ）文書（例えば、レビューなど）を含んでよい。

本発明の実施形態に係るアイテム推薦システムは、少なくとも１つのコンピュータシステムによって実現されてよくｋ、本発明の実施形態に係るアイテム推薦方法は、アイテム推薦システムに含まれる少なくとも１つのコンピュータシステムによって実行されてよい。このとき、コンピュータシステムにおいては、本発明の一実施形態に係るコンピュータプログラムがインストールされて実行されてよく、コンピュータシステムは、実行されたコンピュータプログラムの制御にしたがって本発明の実施形態に係るアイテム推薦方法を実行してよい。上述したコンピュータプログラムは、コンピュータシステムと結合してアイテム推薦方法をコンピュータに実行させるためにコンピュータ読み取り可能な記録媒体に記録されてよい。

図１は、本発明の一実施形態における、ネットワーク環境の例を示した図である。図１のネットワーク環境は、複数の電子機器１１０、１２０、１３０、１４０、複数のサーバ１５０、１６０、およびネットワーク１７０を含む例を示している。このような図１は、発明の説明のための一例に過ぎず、電子機器の数やサーバの数が図１のように限定されることはない。また、図１のネットワーク環境は、本実施形態に適用可能な環境の一例に過ぎず、本実施形態に適用可能な環境が図１のネットワーク環境に限定されることはない。

複数の電子機器１１０、１２０、１３０、１４０は、コンピュータ装置によって実現される固定端末や移動端末であってよい。複数の電子機器１１０、１２０、１３０、１４０の例としては、スマートフォン、携帯電話、ナビゲーション、ＰＣ（ｐｅｒｓｏｎａｌ ｃｏｍｐｕｔｅｒ）、ノート型ＰＣ、デジタル放送用端末、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、ＰＭＰ（Ｐｏｒｔａｂｌｅ Ｍｕｌｔｉｍｅｄｉａ Ｐｌａｙｅｒ）、タブレット、ゲームコンソール（ｇａｍｅ ｃｏｎｓｏｌｅ）、ウェアラブルデバイス（ｗｅａｒａｂｌｅ ｄｅｖｉｃｅ）、ＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）デバイス、ＶＲ（Ｖｉｒｔｕａｌ Ｒｅａｌｉｔｙ）デバイス、ＡＲ（Ａｕｇｍｅｎｔｅｄ Ｒｅａｌｉｔｙ）デバイスなどがある。一例として、図１では、電子機器１１０の例としてスマートフォンを示しているが、本発明の実施形態において、電子機器１１０は、実質的に無線または有線通信方式を利用し、ネットワーク１７０を介して他の電子機器１２０、１３０、１４０および／またはサーバ１５０、１６０と通信することができる多様な物理的なコンピュータシステムのうちの１つを意味してよい。

通信方式が限定されることはなく、ネットワーク１７０が含むことのできる通信網（一例として、移動通信網、有線インターネット、無線インターネット、放送網）を利用する通信方式だけではなく、機器間の近距離無線通信が含まれてもよい。例えば、ネットワーク１７０は、ＰＡＮ（ｐｅｒｓｏｎａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ＬＡＮ（ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ＣＡＮ（ｃａｍｐｕｓ ａｒｅａ ｎｅｔｗｏｒｋ）、ＭＡＮ（ｍｅｔｒｏｐｏｌｉｔａｎ ａｒｅａ ｎｅｔｗｏｒｋ）、ＷＡＮ（ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ）、ＢＢＮ（ｂｒｏａｄｂａｎｄ ｎｅｔｗｏｒｋ）、インターネットなどのネットワークのうちの１つ以上の任意のネットワークを含んでよい。さらに、ネットワーク１７０は、バスネットワーク、スターネットワーク、リングネットワーク、メッシュネットワーク、スター－バスネットワーク、ツリーまたは階層的ネットワークなどを含むネットワークトポロジのうちの任意の１つ以上を含んでもよいが、これらに限定されることはない。

サーバ１５０、１６０それぞれは、複数の電子機器１１０、１２０、１３０、１４０とネットワーク１７０を介して通信して命令、コード、ファイル、コンテンツ、サービスなどを提供する１つ以上のコンピュータ装置によって実現されてよい。例えば、サーバ１５０は、ネットワーク１７０を介して接続した複数の電子機器１１０、１２０、１３０、１４０に第１サービスを提供するシステムであってよく、サーバ１６０も、ネットワーク１７０を介して接続した複数の電子機器１１０、１２０、１３０、１４０に第２サービスを提供するシステムであってよい。より具体的な例として、サーバ１５０は、複数の電子機器１１０、１２０、１３０、１４０においてインストールされて実行されるコンピュータプログラムであるアプリケーションを通じて、当該アプリケーションが目的とするサービス（一例として、推薦サービスなど）を第１サービスとして複数の電子機器１１０、１２０、１３０、１４０に提供してよい。他の例として、サーバ１６０は、上述したアプリケーションのインストールおよび実行のためのファイルを複数の電子機器１１０、１２０、１３０、１４０に配布するサービスを第２サービスとして提供してよい。

図２は、本発明の一実施形態における、コンピュータ装置の例を示したブロック図である。上述した複数の電子機器１１０、１２０、１３０、１４０それぞれやサーバ１５０、１６０それぞれは、図２に示したコンピュータ装置２００によって実現されてよい。

このようなコンピュータ装置２００は、図２に示すように、メモリ２１０、プロセッサ２２０、通信インタフェース２３０、および入力／出力インタフェース２４０を含んでよい。

メモリ２１０は、コンピュータ読み取り可能な記録媒体であって、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、ＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、およびディスクドライブのような永続的大容量記録装置を含んでよい。ここで、ＲＯＭやディスクドライブのような永続的大容量記録装置は、メモリ２１０とは区分される別の永続的記録装置としてコンピュータ装置２００に含まれてもよい。また、メモリ２１０には、オペレーティングシステムと、少なくとも１つのプログラムコードが記録されてよい。このようなソフトウェア構成要素は、メモリ２１０とは別のコンピュータ読み取り可能な記録媒体からメモリ２１０にロードされてよい。このような別のコンピュータ読み取り可能な記録媒体は、フロッピー（登録商標）ドライブ、ディスク、テープ、ＤＶＤ／ＣＤ－ＲＯＭドライブ、メモリカードなどのコンピュータ読み取り可能な記録媒体を含んでよい。他の実施形態において、ソフトウェア構成要素は、コンピュータ読み取り可能な記録媒体ではない通信インタフェース２３０を通じてメモリ２１０にロードされてもよい。例えば、ソフトウェア構成要素は、ネットワーク１７０を介して受信されるファイルによってインストールされるコンピュータプログラムに基づいてコンピュータ装置２００のメモリ２１０にロードされてよい。

プロセッサ２２０は、基本的な算術、ロジック、および入出力演算を実行することにより、コンピュータプログラムの命令を処理するように構成されてよい。命令は、メモリ２１０または通信インタフェース２３０によって、プロセッサ２２０に提供されてよい。例えば、プロセッサ２２０は、メモリ２１０のような記録装置に記録されたプログラムコードにしたがって受信される命令を実行するように構成されてよい。

通信インタフェース２３０は、ネットワーク１７０を介してコンピュータ装置２００が他の装置（一例として、上述した記録装置）と互いに通信するための機能を提供してよい。一例として、コンピュータ装置２００のプロセッサ２２０がメモリ２１０のような記録装置に記録されたプログラムコードにしたがって生成した要求や命令、データ、ファイルなどが、通信インタフェース２３０の制御にしたがってネットワーク１７０を介して他の装置に伝達されてよい。これとは逆に、他の装置からの信号や命令、データ、ファイルなどが、ネットワーク１７０を経てコンピュータ装置２００の通信インタフェース２３０を通じてコンピュータ装置２００に受信されてよい。通信インタフェース２３０を通じて受信された信号や命令、データなどは、プロセッサ２２０やメモリ２１０に伝達されてよく、ファイルなどは、コンピュータ装置２００がさらに含むことのできる記録媒体（上述した永続的記録装置）に記録されてよい。

入力／出力インタフェース２４０は、入力／出力装置２５０とのインタフェースのための手段であってよい。例えば、入力装置は、マイク、キーボード、またはマウスなどの装置を、出力装置は、ディスプレイ、スピーカのような装置を含んでよい。他の例として、入力／出力インタフェース２４０は、タッチスクリーンのように入力と出力のための機能が１つに統合された装置とのインタフェースのための手段であってもよい。入力／出力装置２５０は、コンピュータ装置２００と１つの装置で構成されてもよい。

また、他の実施形態において、コンピュータ装置２００は、図２の構成要素よりも少ないか多くの構成要素を含んでもよい。しかし、大部分の従来技術的構成要素を明確に図に示す必要はない。例えば、コンピュータ装置２００は、上述した入力／出力装置２５０のうちの少なくとも一部を含むように実現されてもよいし、トランシーバ、データベースなどのような他の構成要素をさらに含んでもよい。

以下では、地域知識グラフに基づいて推薦情報を提供する方法およびシステムの具体的な実施形態について説明する。

図３は、本発明の一実施形態における、コンピュータシステムのプロセッサが含むことができる構成要素の例を示したブロック図であり、図４は、本発明の一実施形態における、コンピュータシステムが実行することができるアイテム推薦方法の一例を示したフローチャートである。

本実施形態に係るコンピュータ装置２００は、クライアントを対象に、クライアント上にインストールされた専用アプリケーションやコンピュータ装置２００と関連するウェブ／モバイルサイトへの接続によって推薦サービスを提供してよい。

コンピュータ装置２００のプロセッサ２２０は、以下で説明するアイテム推薦方法を実行するための構成要素として、図３に示すように、グラフ生成部３１０、ノード埋め込み部３２０、およびアイテム推薦部３３０を含んでよい。実施形態によって、プロセッサ２２０の構成要素は、選択的にプロセッサ２２０に含まれても除外されてもよい。また、実施形態によって、プロセッサ２２０の構成要素は、プロセッサ２２０の機能の表現のために分離されても併合されてもよい。

このようなプロセッサ２２０およびプロセッサ２２０の構成要素は、以下で説明するアイテム推薦方法に含まれる段階を実行するようにコンピュータ装置２００を制御してよい。例えば、プロセッサ２２０およびプロセッサ２２０の構成要素は、メモリ２１０が含むオペレーティングシステムのコードと、少なくとも１つのプログラムのコードとによる命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行するように実現されてよい。

ここで、プロセッサ２２０の構成要素は、コンピュータ装置２００に記録されたプログラムコードが提供する命令にしたがってプロセッサ２２０によって実行される、互いに異なる機能（ｄｉｆｆｅｒｅｎｔ ｆｕｎｃｔｉｏｎｓ）の表現であってよい。例えば、コンピュータ装置２００が地域知識グラフを生成するように上述した命令にしたがってコンピュータ装置２００を制御するプロセッサ２２０の機能的表現として、グラフ生成部３１０が利用されてよい。

プロセッサ２２０は、コンピュータ装置２００の制御と関連する命令がロードされたメモリ２１０から必要な命令を読み取ってよい。この場合、前記読み取られた命令は、プロセッサ２２０が以下で説明するアイテム推薦方法を実行するように制御するための命令を含んでよい。

以下で説明するアイテム推薦方法に含まれる段階は、図に示したものとは異なる順序で実行されてもよいし、段階のうちの一部が省略されたり追加の過程がさらに含まれたりしてもよい。

図４を参照すると、段階４１０で、グラフ生成部３１０は、地域と関連する複数のアイテムに基づいて異種グラフ構造の地域知識グラフを生成してよい。グラフ生成部３１０は、図３に示すように、ＰＯＩデータ３０１、ユーザデータ３０２、文書データ３０３などの多様なクロスドメイン（ｃｒｏｓｓ ｄｏｍａｉｎ）データを活用することで、統合された１つの地域知識グラフを生成してよい。ＰＯＩデータ３０１は、ビックデータ基盤分析モデル（ｃｏｎｔｅｘｔ ａｎａｌｙｓｉｓ ｍｏｄｅｌ）またはＰＯＩ管理者によって入力された情報などに基づいて抽出可能なＰＯＩメタデータであって、ＰＯＩの雰囲気、メニュー、探索目的、業種、価格などが含まれてよい。ユーザデータ３０２には、ユーザの関係情報（例えば、ファローデータ、フォロワーデータなど）、趣向データ（例えば、いいね、キープ、レシートレビューなど）などが含まれてよい。文書データ３０３には、文書に含まれたイメージ、テキスト、メニュー情報、キーワードレビューなどが含まれてよい。地域知識グラフは大きく３つのノードタイプで構成されてよく、言い換えれば、ＰＯＩノード、ユーザノード、文書ノードで構成されてよい。ＰＯＩの業種、価格帯、業種内の価格帯、代表メニュー、雰囲気、探索目的などの情報はＰＯＩノードフィーチャとして、ユーザの性別、年齢、活動地域などはユーザノードフィーチャとして、文書に含まれたイメージ、テキスト、注文価格、注文メニュー、訪問頻度、訪問目的などは文書ノードフィーチャとして使用されてよい。

段階４２０で、ノード埋め込み部３２０は、地域知識グラフにおいて互いに異なるノードフィーチャを使用して各ノードの埋め込みを実行してよい。ノード埋め込み部３２０は、ノードタイプ別に異なるノードタイプのフィーチャと構造的情報を活用することで、該当となるノードに対する埋め込みを実行してよい。ノード埋め込み部３２０は、地域知識グラフから、１つのノードタイプをターゲットノード（ｔａｒｇｅｔ ｎｏｄｅ）（すなわち、ｐｉｎ ｎｏｄｅ）として抽出し、ターゲットノードとは異なる少なくとも１つのノードタイプをコンテキストノード（ｃｏｎｔｅｘｔ ｎｏｄｅ）（すなわち、ｂｏａｒｄ ｎｏｄｅ）として抽出し、ターゲットノードとコンテキストノード間の関係をモデリングすることによってターゲットノードの埋め込みを実行してよい。

ノード埋め込み部３２０は、２部グラフ（Ｂｉｐａｒｔｉｔｅ Ｇｒａｐｈ）や異種グラフの形態を基盤としたＧＣＮ（ｇｒａｐｈ ｃｏｎｖｏｌｕｔｉｏｎ ｎｅｔｗｏｒｋ）モデル（例えば、ＰｉｎＳＡＧＥ基盤モデルなど）を利用して、ピンノードとボードノードの関係グラフを相互インタラクションさせて生成してよい。このとき、仮想バーテックス（ｖｉｒｔｕａｌ ｖｅｒｔｅｘ）または仮想エッジを利用して所望するグラフを生成してよい。例えば、業種や地域バーテックスを追加してＰＯＩ間の関係を新たに定義してよく、ユーザデータに基づいてエッジを新たに定義してデータ稀少性を低め、協業フィルタリング（Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ）による性向を追加してもよい。また、ノード埋め込み部３２０は、ターゲットノードとコンテキストノード間の関係をモデリングするために地域ドメインの多様なノードフィーチャを使用してよく、例えば、イメージ、テキスト、カテゴリーデータ（Ｃａｔｅｇｏｒｉｃａｌ Ｄａｔａ）のようなマルチモーダルデータを使用してよい。

ノード埋め込み部３２０は、モデル学習のためのポジティブサンプル（Ｐｏｓｉｔｉｖｅ Ｓａｍｐｌｅ）とネガティブサンプル（Ｎｅｇａｔｉｖｅ Ｓａｍｐｌｅ）を抽出するにおいて目標とするドメイン知識に適合する推薦を提供するために、サンプリングロジックを追加してランダム性を改善してよい。一例として、ノード埋め込み部３２０は、ランダムウォーク（Ｒａｎｄｏｍ Ｗａｌｋ）基盤のサンプリング過程において、ノード間のフィーチャが類似しない場合、ネガティブサンプルとして利用してよい。例えば、ＰＯＩが同じ業種であるがメタデータが異なるＰＯＩの場合、これをネガティブサンプルとして選定し、同じ業種であってもフィーチャが異なるＰＯＩは互いに遠ざかるように学習してよい。

ノード埋め込み部３２０は、グラフモデリングを改善するために低ランクポジティブ損失（Ｌｏｗ－ｒａｎｋ Ｐｏｓｉｔｉｖｅ Ｌｏｓｓ）を活用してよい。地域知識グラフのエッジは、明示的フィードバック（Ｅｘｐｌｉｃｉｔ Ｆｅｅｄｂａｃｋ）によって生成されるため、互いに異なる加重値を適用してよい。互いに異なるエッジの強度を考慮して低ランクポジティブ損失を使用することによってポジティブサンプル内でも相互の差を反映することができ、これによって関連度が高いものがより近い距離になるように学習することができる。

要するに、ノード埋め込み部３２０は、各ノードタイプに対して地域知識グラフから必要なノードとフィーチャを抽出し、該当となるノードタイプに適合したグラフをデザインした後、グラフモデリングによってノードタイプ別に埋め込みを抽出することができる。すなわち、ノード埋め込み部３２０は、１つの地域知識グラフを利用して、ユーザ推薦モデル、ＰＯＩ推薦モデル、および文書推薦モデルを構築することができる。

段階４３０で、アイテム推薦部３３０は、ノードタイプ別の埋め込みに基づいて、各ノードタイプに対応する推薦アイテムを提供してよい。推薦アイテムのうちの１つはユーザを推薦するものであって、ユーザ推薦モデルとして、異種グラフ基盤のモデルはもちろん、同種グラフ（Ｈｏｍｏｇｅｎｅｏｕｓ Ｇｒａｐｈ）基盤のモデルを利用してユーザ推薦範囲を拡大してよい。意味ある推薦ユーザを提供するために、レビューや活動などに基づいて高品質のユーザを事前に選別して推薦してよい。推薦アイテムのうちの他の１つは、ＰＯＩを推薦するものであって、類似度尺度（例えば、Ｊａｃｃａｒｄ Ｄｉｓｔａｎｃｅなど）を活用してＰＯＩ間の類似度と類似特性を把握し、これによって推薦事由とともにＰＯＩを推薦することができる。ＰＯＩに対する推薦品質のために、一部の条件に符合するＰＯＩ、例えば、フランチャイズＰＯＩやイメージのないＰＯＩなどは推薦対象から除外してよい。多様な推薦結果を提供するために、同一業種のＰＯＩが連続的に推薦されないように推薦対象を管理することも可能である。推薦アイテムのうちのさらに他の１つは、文書を推薦するものであって、文書を推薦するにあたって文書から抽出された情報（例えば、メニューや価格など）により、埋め込みだけでなく、実際のメタデータまで類似する文書を推薦することができる。

図５は、本発明の一実施形態における、ユーザ推薦モデリング過程を示したフローチャートである。

プロセッサ２２０は、地域知識グラフから、ユーザを示すノードと、当該ノードのフィーチャを抽出してユーザ推薦モデリングに使用してよい。

段階５０１で、プロセッサ２２０は、フォロー基盤のユーザとの関係を示すグラフであるユーザ－ユーザ同種グラフとユーザと、ＰＯＩとの関係を示すグラフであるユーザ－ＰＯＩ異種グラフを生成してよい。

段階５０２で、プロセッサ２２０は、ユーザ－ユーザ同種グラフとユーザ－ＰＯＩ異種グラフそれぞれに対して、ＧＣＮモデル基盤の学習によってユーザ埋め込みをモデリングしてよい。

ユーザ推薦モデルには、大きく、２つのモデルが使用される。

１つ目に、ユーザが他のユーザをフォローする場合、このユーザと趣向（関心事）が類似するという前提の元、フォロー関係にあるユーザの特性をノードフィーチャに反映したフォロー基盤のグラフディープラーニングモデルに基づいて、フォロー関係にあるユーザを近くに埋め込んでよい。

図６を参照すると、プロセッサ２２０は、ユーザとのフォロー関係を表現することができる同一タイプのノードとエッジで表現される同種グラフを使用してユーザ－ユーザグラフ６００を生成してよい。言い換えれば、ユーザ間の関係を表現するために、各ユーザをノードに設定し、ユーザの性別、年齢、関心地域（活動地域）、関心カテゴリーなどの情報をノードフィーチャに設定し、フォロー関係をエッジに設定することによってユーザ－ユーザグラフ６００を構成してよい。プロセッサ２２０は、ユーザ－ユーザグラフ６００をＧＣＮモデルに学習させてユーザの埋め込み値を抽出してよい。例えば、ＧＣＮモデルのうちの１つを利用してランダムウォークによって近隣をサンプリングし、グラフ構造（すなわち、トポロジー）に影響を受けないサブグラフ（ａｇｇｒｅｇａｔｏｒ、ｍｉｎｉ－ｂａｔｃｈ）が入力として使用されるＧｒａｐｈＳＡＧＥモデルを使用してよい。

プロセッサ２２０は、ユーザ－ユーザグラフ６００のモデリングによる埋め込みによって、ターゲティング対象であるソースユーザの関心地域に該当する推薦ユーザを提供してよい。図７を参照すると、プロセッサ２２０は、ソースユーザ埋め込み７０１が与えられる場合、ベクトル検索エンジン７００を利用してソースユーザ埋め込み７０１と類似のユーザ埋め込みを検索して推薦ユーザ７０２に提供してよい。例えば、プロセッサ２２０は、ソースユーザの関心地域に基づいてレビューのような文書を多く保有している他のユーザを推薦候補として選定した後、推薦候補をソースユーザとフォロー関係にあるユーザ群と関心カテゴリーがソースユーザと同じでるユーザ群に分け、推薦事由別にユーザを推薦してよい。

２つ目に、同じＰＯＩを訪問したユーザの趣向が類似するという前提の元、ユーザとＰＯＩの特性をノードフィーチャに反映した訪問基盤のグラフディープラーニングモデルに基づいて、同じＰＯＩ訪問履歴があるユーザを近くに埋め込んでよい。

図８を参照すると、プロセッサ２２０は、ユーザとＰＯＩに関する情報を同時に入れることが可能な異種グラフのうちでも特定の知識、すなわち、地域ドメインのコンテキストを反映することができる知識グラフを使用してユーザ－ＰＯＩグラフ８００を生成してよい。異種グラフは、１つのノードタイプとエッジタイプを取り扱う同種グラフとは異なり、多数のノードタイプとエッジタイプでグラフを表現する。そのうちでも知識グラフは、与えられたドメインに対する知識をグラフ形式で記録することができる。ユーザとＰＯＩ間の関係を表現するために２部グラフが活用されてよく、比重（ｒａｔｉｎｇ）によってエッジに対する関係と加重値を表現してよい。ユーザとユーザが訪問したＰＯＩをノードに設定し、ユーザの性別、年齢、関心地域、関心カテゴリーなどの情報をユーザノードフィーチャに設定し、ＰＯＩの業種、価格帯、雰囲気、探索目的、代表メニュー、人気トピック、レシートキーワードなどの情報をＰＯＩノードフィーチャに設定し、ユーザのＰＯＩに対する趣向（例えば、訪問、いいね、キープなど）をエッジに設定することによってユーザ－ＰＯＩグラフ８００を構成してよい。プロセッサ２２０は、ユーザ－ＰＯＩグラフ８００をＧＣＮモデルに学習させてユーザの埋め込み値を抽出してよい。例えば、ＧＣＮモデルのうちの１つであるｐｉｎＳＡＧＥモデルを使用することにより、ユーザをターゲットノードであるピンノードで構成し、ＰＯＩをコンテキストノードであるボードノードで構成してよい。このとき、ｐｉｎＳＡＧＥモデルは、メタパス（ｍｅｔａｐａｔｈ）という辞書知識によって近隣を設定してよく、ランダムウォークによって近隣をサンプリングしてよく、ランダムウォークによってＰＯＩの訪問回数を基準に近隣ノードの重要度点数（ｉｍｐｏｒｔａｎｃｅ ｓｃｏｒｅ）を定義して活用してよい。したがって、ｐｉｎＳＡＧＥモデルを使用することにより、ユーザ－ＰＯＩグラフ８００上にユーザのＰＯＩに対する選好度の差を反映することができる。

プロセッサ２２０は、ユーザ－ＰＯＩグラフ８００のモデリングによる埋め込みによって、ソースユーザの関心地域に該当する推薦ユーザを提供してよい。図７を参照しながら説明したように、プロセッサ２２０は、ソースユーザ埋め込み７０１が与えられる場合、ベクトル検索エンジン７００を利用してソースユーザ埋め込み７０１と類似するユーザ埋め込みを検索して推薦ユーザ７０２に提供してよい。このとき、プロセッサ２２０は、ソースユーザの関心地域に基づいて、レビューのような文書を多く保有している他のユーザを推薦候補として選定した後、推薦候補をソースユーザと同じＰＯＩ訪問履歴があるユーザ群と関心カテゴリーがソースユーザと同じユーザ群に分け、推薦事由別にユーザを推薦してよい。

プロセッサ２２０は、ユーザ推薦において、フォロー基盤の推薦ユーザと訪問基盤の推薦ユーザを一定の基準にしたがって整列して提供してよい。例えば、フォロー基盤の推薦ユーザ、訪問基盤の推薦ユーザの順に整列してよい。

実施形態によっては、ユーザ埋め込みをフォロー基盤のユーザ埋め込みと訪問基盤のユーザ埋め込みに区分せず、２つの埋め込みの平均を、ユーザ情報を反映するユーザフィーチャに活用することも可能である。

図９は、本発明の一実施形態における、ＰＯＩ推薦モデリング過程を示したフローチャートである。

プロセッサ２２０は、地域知識グラフから、ＰＯＩを示すノードと、当該ノードのフィーチャを抽出してＰＯＩ推薦モデリングに使用してよい。

段階９０１で、プロセッサ２２０は、ＰＯＩとユーザ間の関係を示すグラフであるＰＯＩ－ユーザ異種グラフを生成してよい。

段階９０２で、プロセッサ２２０は、ＰＯＩ－ユーザ異種グラフに対し、ＧＣＮモデル基盤の学習によってＰＯＩ埋め込みをモデリングしてよい。

ＰＯＩ推薦モデリングの場合、協業フィルタリングとは異なり、ＰＯＩとユーザの特性をノードフィーチャに反映したグラフディープラーニングモデルに基づいて、特性が類似するＰＯＩを近くに埋め込んでよい。ユーザの趣向が反映されたＰＯＩ埋め込みにより、ユーザが過去に訪問履歴のある趣向ＰＯＩと類似する性質を有する他のＰＯＩを推薦ＰＯＩとして生成することができる。

図８を参照しながら説明したユーザ－ＰＯＩグラフ８００と同じように、ＰＯＩのメタデータおよびユーザのメタデータと関心情報に基づいてＰＯＩ－ユーザ異種グラフを生成してよい。ＰＯＩとユーザの関係構造を適切に記録するために、ＰＯＩ－ユーザ異種グラフを２部グラフ形態で構成してよい。

ＰＯＩとＰＯＩを訪問したユーザをノードに設定し、ＰＯＩの業種、価格帯、雰囲気、探索目的、代表メニュー、人気トピック、レシートキーワードなどの情報をＰＯＩノードフィーチャに設定し、ユーザの性別、年齢、関心地域、関心カテゴリーなどの情報をユーザノードフィーチャに設定し、ユーザのＰＯＩに対する趣向（例えば、訪問、いいね、キープなど）をエッジに設定することによってＰＯＩ－ユーザグラフを構成してよい。プロセッサ２２０は、ＰＯＩ－ユーザグラフをＧＣＮモデルに学習させてユーザの埋め込み値を抽出してよい。例えば、ＧＣＮモデルのうちの１つであるｐｉｎＳＡＧＥモデルを使用することにより、ＰＯＩ推薦モデリングのためには、ユーザ推薦モデリングとは反対に、ＰＯＩはピンノードで構成し、ユーザはボードノードで構成してよい。

同じＰＯＩに連結するユーザによって互いに類似するＰＯＩを近くに埋め込むために、ＰＯＩ－ユーザ－ＰＯＩメタパスを定義してランダムウォークを実行してよい。ユーザが訪問したＰＯＩのうちで相対的に比重を低く反映したＰＯＩは、ＰＯＩ埋め込みに少ない影響を与えるように低ランクポジティブグラフを作成し、損失関数に低ランクポジティブターム（Ｌｏｗ－Ｒａｎｋ Ｐｏｓｉｔｉｖｅ Ｔｅｒｍ）を反映してよい。

プロセッサ２２０は、ＰＯＩ－ユーザグラフのモデリングによる埋め込みにより、ユーザが訪問したＰＯＩである趣向ＰＯＩと類似するＰＯＩを推薦してよい。類似ＰＯＩのうちで実在的なメタデータが類似するＰＯＩが上位にランキングされるようにするために、リランキング（ｒｅ－ｒａｎｋ）ロジックを追加してよい。図１０を参照すると、趣向ＰＯＩに該当するソースＰＯＩ埋め込み１００１が与えられる場合、ベクトル検索エンジン７００を利用してソースＰＯＩ埋め込み１００１と類似するＰＯＩ埋め込みを検索して推薦ＰＯＩ１００２として提供してよい。プロセッサ２２０は、趣向ＰＯＩとの類似度順によって少なくとも１つの推薦ＰＯＩ１００２を選定してよいが、このとき、推薦ＰＯＩ１００２別に、ＰＯＩノードフィーチャとして使用される業種、価格帯、雰囲気、探索目的、代表メニュー、人気トピック、レシートキーワードなどに対してそれぞれ趣向ＰＯＩとの類似度を計算してよい。推薦ＰＯＩ１００２の特徴うちで趣向ＰＯＩとの類似度が最大である特徴を当該ＰＯＩの推薦事由として選定してよい。言い換えれば、プロセッサ２２０は、趣向ＰＯＩと類似する推薦ＰＯＩ１００２を選定した後、推薦ＰＯＩ１００２それぞれに対してどのような特性が趣向ＰＯＩと類似するかという推薦事由をともに提供してよい。実施形態によっては、レビューのような文書を多く保有していたり、ユーザによる訪問履歴が多いＰＯＩを推薦候補として選定した後、推薦候補ＰＯＩを、趣向ＰＯＩと業種が類似するＰＯＩ群、代表メニューが類似するＰＯＩ群、訪問目的が類似するＰＯＩ群などに分けて推薦事由別にＰＯＩを推薦してよい。

図１１は、本発明の一実施形態における、文書推薦モデリング過程を示したフローチャートである。

ＰＯＩに対するレビューを文書の代表的な例として、具体的な実施形態を説明する。

プロセッサ２２０は、地域知識グラフから、レビューを示すノードと、当該ノードのフィーチャを抽出してレビュー推薦モデリングに使用してよい。

段階１１０１で、プロセッサ２２０は、レビューとＰＯＩ間の関係を示すグラフであるレビュー－ＰＯＩ異種グラフを生成してよい。

段階１１０２で、プロセッサ２２０は、レビュー－ＰＯＩ異種グラフに対し、ＧＣＮモデル基盤の学習によってレビュー埋め込みをモデリングしてよい。

ユーザがＰＯＩを直接訪問した後に投稿したレビューを理解して類似のレビューを推薦してよい。このとき、単にテキストや訪問した業種が似ているレビューを推薦するのではなく、レビューから抽出されるテキスト、イメージ、メタ情報を総合的に考慮するマルチモダリティ性質の埋め込みにより、レビューの内在的な特徴まで考慮した推薦を提供することができる。

レビューとレビューが登録されたＰＯＩをノードに設定し、レビューイメージ、レビューテキスト、レシートイメージ、レシートキーワード、消費価格、消費メニューなどの情報をレビューノードフィーチャに設定し、ＰＯＩの業種、価格帯、雰囲気、探索目的、代表メニュー、人気トピック、レシートキーワードなどの情報をＰＯＩノードフィーチャに設定し、レビューに示された趣向（レシートレビュー、予約レビュー、趣向基盤の仮想エッジなど）をエッジに設定することによってレビュー－ＰＯＩグラフを構成してよい。プロセッサ２２０は、レビュー－ＰＯＩグラフをＧＣＮモデルに学習させてレビューの埋め込み値を抽出してよい。例えば、ＧＣＮモデルのうちの１つであるｐｉｎＳＡＧＥモデルを使用して、レビューはピンノードで構成し、ＰＯＩはボードノードで構成してよい。言い換えれば、ｐｉｎＳＡＧＥに基づいて、レビューに含まれたイメージ、テキスト、レシート基盤の情報を総合的に考慮したマルチモダリティ埋め込みを取得した後、これに基づいて多様な情報面で類似するレビューを推薦することができるようにする。

図１２は、レビューテキスト埋め込み過程を説明するための例示図である。

レビューに含まれたテキストは、ユーザがレビューとして作成したテキストやユーザがアップロードしたレシートイメージから抽出されたテキスト（価格、メニュー名、業種など）などを含んでよい。図１２を参照すると、レビューから抽出されたローテキスト１２０１をワード埋め込みモデル１２００（例えば、Ｗｏｒｄ２Ｖｅｃなど）によって学習して各ワード単位で埋め込みベクトルを得た後、ワード埋め込みモデル１２００から得られた埋め込み値の平均を計算してテキスト情報を反映するテキストフィーチャ１２０２を抽出してよい。

図１３は、レビューイメージ埋め込み過程を説明するための例示図である。
図１３を参照すると、レビューから抽出されたローイメージ１３０１を、イメージデータセットによって事前学習したディープラーニングモデル１３００（例えば、ＶＧＧ１６など）に入力して最後のレイヤのフィーチャマップ（ｆｅａｔｕｒｅ ｍａｐ）を抽出することにより、各イメージ単位で１次的な埋め込みベクトルを取得する。１次的に取得したイメージフィーチャ１３０２は、大型ネットワークによって抽出されるものであるため稀少性問題があることから、次元縮小アルゴリズム（例えば、ＰＣＡなど）を利用して所望する次元に減らして最終的なイメージフィーチャ１３０３を取得してよい。１つのレビューに複数のイメージが含まれる場合、各イメージから得られた埋め込み値の平均を計算してイメージ情報を反映するイメージフィーチャ１３０３を抽出してよい。

図１４は、ｐｉｎＳＡＧＥ基盤のレビュー埋め込み過程を説明するための例示図である。

レビューに含まれた多様な情報を総合的に考慮する、マルチモダリティ性質の埋め込みを取得してよい。図１４を参照すると、レビューとＰＯＩ間の関係を示すレビュー－ＰＯＩ異種グラフ１４００を生成してよい。このとき、多様な属性を有するレビューとＰＯＩの構造的な特徴を反映するネットワークを生成するために、マルチモーダル２部グラフ形態で構成されてよい。レビューのモダリティを反映するために事前学習されたテキストフィーチャ１２０２とイメージフィーチャ１３０３を活用してよいが、この他にも、レビューに含まれた多様なメタ情報（例えば、メニュー価格の平均、レビューに対する「いいね」の数、レビューに対する詳細レビューの数など）を反映してレビューノードを定義してよく、これに基づいて学習を行ってレビュー－ＰＯＩ異種グラフ１４００に対するレビュー埋め込み行列１４１０を取得してよい。

図１５を参照すると、プロセッサ２２０は、レビュー埋め込み行列１４１０において与えられた基準レビュー１５０１に対してベクトル検索エンジン７００を利用して他のレビューとの類似度を求め、類似度距離が近い順に上位の一定件数（Ｋ）のレビューを選定してよいが、このとき、選定されたレビューを基準レビュー１５０１と類似のレビュー１５０２で定義して推薦してよい。例えば、基準レビュー１５０１と類似する地域群に位置するレビューリストを先に探索した後、そのうちでも内容が基準レビュー１５０１と類似するレビューを選別して推薦してよい。

したがって、プロセッサ２２０は、１つの巨大な地域知識グラフで構成されたユーザ－ＰＯＩ－文書異種グラフを利用し、ユーザ－ユーザグラフとユーザ－ＰＯＩグラフ基盤のモデリングによって、ユーザノードを埋め込み、ＰＯＩ－ユーザグラフ基盤のモデリングによってＰＯＩノードを埋め込み、文書－ＰＯＩグラフ基盤のモデリングによって文書ノードを埋め込むことにより、各ノードタイプ別の埋め込みに基づいてユーザ推薦、ＰＯＩ推薦、および文書推薦を提供することができる。

このように、本発明の実施形態によると、地域知識グラフに基づいて、地域と関連するアイテムであるＰＯＩ、ユーザ、文書を推薦することができる。ＰＯＩ、ユーザ、および文書で構成される異種グラフ構造の地域知識グラフを生成することにより、各アイテムが所有する固有のフィーチャだけでなく、グラフ上で連結する他のノードとの関係までも考慮されることにより、より高度化された推薦を提供することができる。また、本発明の実施形態によると、異種グラフ構造によって、互いに異なるタイプのノードと構造的情報を活用して各ノードを埋め込むことによってデータ稀少性問題を最小化することができ、イメージやテキストなどの多様なマルチモーダルデータを使用することによって、各モダリティから得られる情報の量を極大化することができる。

上述した装置は、ハードウェア構成要素、ソフトウェア構成要素、および／またはハードウェア構成要素とソフトウェア構成要素との組み合わせによって実現されてよい。例えば、実施形態で説明された装置および構成要素は、プロセッサ、コントローラ、ＡＬＵ（ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）、デジタル信号プロセッサ、マイクロコンピュータ、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、ＰＬＵ（ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｕｎｉｔ）、マイクロプロセッサ、または命令を実行して応答することができる様々な装置のように、１つ以上の汎用コンピュータまたは特殊目的コンピュータを利用して実現されてよい。処理装置は、オペレーティングシステム（ＯＳ）およびＯＳ上で実行される１つ以上のソフトウェアアプリケーションを実行してよい。また、処理装置は、ソフトウェアの実行に応答し、データにアクセスし、データを記録、操作、処理、および生成してもよい。理解の便宜のために、１つの処理装置が使用されるとして説明される場合もあるが、当業者であれば、処理装置が複数個の処理要素および／または複数種類の処理要素を含んでもよいことが理解できるであろう。例えば、処理装置は、複数個のプロセッサまたは１つのプロセッサおよび１つのコントローラを含んでよい。また、並列プロセッサのような、他の処理構成も可能である。

ソフトウェアは、コンピュータプログラム、コード、命令、またはこれらのうちの１つ以上の組み合わせを含んでもよく、思うままに動作するように処理装置を構成したり、独立的または集合的に処理装置に命令したりしてよい。ソフトウェアおよび／またはデータは、処理装置に基づいて解釈されたり、処理装置に命令またはデータを提供したりするために、いかなる種類の機械、コンポーネント、物理装置、コンピュータ記録媒体または装置に具現化されてよい。ソフトウェアは、ネットワークによって接続されたコンピュータシステム上に分散され、分散された状態で記録されても実行されてもよい。ソフトウェアおよびデータは、１つ以上のコンピュータ読み取り可能な記録媒体に記録されてよい。

実施形態に係る方法は、多様なコンピュータ手段によって実行可能なプログラム命令の形態で実現されてコンピュータ読み取り可能な媒体に記録されてよい。ここで、媒体は、コンピュータ実行可能なプログラムを継続して記録するものであっても、実行またはダウンロードのために一時記録するものであってもよい。また、媒体は、単一または複数のハードウェアが結合した形態の多様な記録手段または格納手段であってよく、あるコンピュータシステムに直接接続する媒体に限定されることはなく、ネットワーク上に分散して存在するものであってもよい。媒体の例としては、ハードディスク、フロッピー（登録商標）ディスク、および磁気テープのような磁気媒体、ＣＤ－ＲＯＭおよびＤＶＤのような光媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような光磁気媒体、およびＲＯＭ、ＲＡＭ、フラッシュメモリなどを含み、プログラム命令が記録されるように構成されたものであってよい。また、媒体の他の例として、アプリケーションを配布するアプリケーションストアやその他の多様なソフトウェアを供給または配布するサイト、サーバなどで管理する記録媒体または格納媒体が挙げられる。

以上のように、実施形態を、限定された実施形態および図面に基づいて説明したが、当業者であれば、上述した記載から多様な修正および変形が可能であろう。例えば、説明された技術が、説明された方法とは異なる順序で実行されたり、かつ／あるいは、説明されたシステム、構造、装置、回路などの構成要素が、説明された方法とは異なる形態で結合されたりまたは組み合わされたり、他の構成要素または均等物によって対置されたり置換されたとしても、適切な結果を達成することができる。

したがって、異なる実施形態であっても、特許請求の範囲と均等なものであれば、添付される特許請求の範囲に属する。

３１０：グラフ生成部
３２０：ノード埋め込み部
３３０：アイテム推薦部

Claims (20)

1. コンピュータ装置で実行される推薦方法であって、
   前記コンピュータ装置は、メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも１つのプロセッサを含み、
   前記推薦方法は、
   前記少なくとも１つのプロセッサにより、地域を構成する複数のアイテムに基づいて異種グラフ構造の地域知識グラフ（ｌｏｃａｌ ｋｎｏｗｌｅｄ ｇｅｇｒａｐｈ）を生成する段階、
   前記少なくとも１つのプロセッサにより、前記地域知識グラフにおいて互いに異なるノードフィーチャを利用してノードタイプ別に埋め込みを実行する段階、および
   前記少なくとも１つのプロセッサにより、前記ノードタイプ別の埋め込みに基づいて、前記ノードタイプそれぞれに対応する推薦アイテムを提供する段階
   を含む、推薦方法。
2. 前記実行する段階は、
   前記地域知識グラフから、１つのノードタイプをターゲットノード（ｔａｒｇｅｔ ｎｏｄｅ）として抽出し、少なくとも１つの他のノードタイプをコンテキストノード（ｃｏｎｔｅｘｔ ｎｏｄｅ）として抽出し、前記ターゲットノードと前記コンテキストノード間の関係グラフをモデリングする段階
   を含む、請求項１に記載の推薦方法。
3. 前記モデリングする段階は、
   イメージとテキスト、およびカテゴリーデータ（Ｃａｔｅｇｏｒｉｃａｌ Ｄａｔａ）を含むマルチモーダルデータを使用して、前記ターゲットノードと前記コンテキストノード間の関係をモデリングすること
   を特徴とする、請求項２に記載の推薦方法。
4. 前記モデリングする段階は、
   ランダムウォーク（Ｒａｎｄｏｍ Ｗａｌｋ）基盤のサンプリングによって、ポジティブサンプル（Ｐｏｓｉｔｉｖｅ Ｓａｍｐｌｅ）とネガティブサンプル（Ｎｅｇａｔｉｖｅ Ｓａｍｐｌｅ）を抽出する段階を含む、請求項２に記載の推薦方法。
5. 前記モデリングする段階は、
   低ランクポジティブ損失（Ｌｏｗ－ｒａｎｋ Ｐｏｓｉｔｉｖｅ Ｌｏｓｓ）を利用して、前記ターゲットノードと前記コンテキストノードの関係グラフに互いに異なる加重値のエッジを適用すること
   を特徴とする、請求項２に記載の推薦方法。
6. 前記生成する段階は、
   ＰＯＩ、前記ＰＯＩの訪問対象となるユーザ、前記ＰＯＩに対して生産された文書を互いに異なるタイプのノードで構成し、前記ノードの関係をエッジで構成することによって前記地域知識グラフを生成すること
   を特徴とする、請求項１に記載の推薦方法。
7. 前記実行する段階は、
   ユーザそれぞれをノードに設定し、ユーザと関連する情報をユーザノードフィーチャに設定し、ユーザとの関係をエッジに設定するユーザ－ユーザグラフを利用してフォロー基盤のユーザ埋め込みを抽出する段階、および
   ユーザとユーザが訪問したＰＯＩをノードに設定し、ユーザと関連する情報をユーザノードフィーチャに設定し、ＰＯＩと関連する情報をＰＯＩノードフィーチャで設定し、ＰＯＩに対するユーザの趣向情報をエッジに設定するユーザ－ＰＯＩグラフを利用して訪問基盤のユーザ埋め込みを抽出する段階
   を含む、請求項６に記載の推薦方法。
8. 前記提供する段階は、
   前記フォロー基盤のユーザ埋め込みによってソース埋め込みと類似する埋め込みを検索してフォロー基盤の推薦ユーザを選定する段階、
   前記訪問基盤のユーザ埋め込みによって前記ソース埋め込みと類似する埋め込みを検索して訪問基盤の推薦ユーザを選定する段階、および
   前記フォロー基盤の推薦ユーザと前記訪問基盤の推薦ユーザを一定の基準にしたがって整列して提供する段階
   を含む、請求項７に記載の推薦方法。
9. 前記提供する段階は、
   前記フォロー基盤のユーザ埋め込みと前記訪問基盤のユーザ埋め込みによってソース埋め込みと類似の埋め込みを検索して推薦ユーザを選定する段階、および
   前記ソース埋め込みとの類似特徴を示す推薦事由とともに、前記推薦ユーザを提供する段階
   を含む、請求項７に記載の推薦方法。
10. 前記実行する段階は、
    ＰＯＩとＰＯＩを訪問したユーザをノードに設定し、ＰＯＩと関連する情報をＰＯＩノードフィーチャに設定し、ユーザと関連する情報をユーザノードフィーチャに設定し、ＰＯＩに対するユーザの趣向情報をエッジに設定するＰＯＩ－ユーザグラフを利用してＰＯＩ埋め込みを抽出する段階
    を含む、請求項６に記載の推薦方法。
11. 前記提供する段階は、
    前記ＰＯＩ埋め込みによってソース埋め込みと類似の埋め込みを検索して推薦ＰＯＩを選定する段階、および
    前記ソース埋め込みとの類似特徴を示す推薦事由とともに、前記推薦ＰＯＩを提供する段階
    を含む、請求項１０に記載の推薦方法。
12. 前記実行する段階は、
    文書と文書が登録されたＰＯＩをノードに設定し、文書と関連する情報を文書ノードフィーチャに設定し、ＰＯＩと関連する情報をＰＯＩノードフィーチャに設定し、ＰＯＩに対する文書の趣向情報をエッジに設定する文書－ＰＯＩグラフを利用して文書埋め込みを抽出する段階
    を含む、請求項６に記載の推薦方法。
13. 前記抽出する段階は、
    文書に含まれたテキストをワード埋め込みモデルによって学習することによってテキスト埋め込みを抽出する段階、
    文書に含まれたイメージをディープラーニングモデルによって学習することによってイメージ埋め込みを抽出する段階、および
    前記テキスト埋め込みと前記イメージ埋め込み、および文書に含まれたメタ情報を反映した文書ノードを学習して前記文書－ＰＯＩグラフに対する文書埋め込み行列を取得する段階
    を含む、請求項１２に記載の推薦方法。
14. 請求項１～１３のうちのいずれか一項に記載の推薦方法をコンピュータに実行させるためのコンピュータプログラム。
15. コンピュータ装置であって、
    メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも１つのプロセッサ
    を含み、
    前記少なくとも１つのプロセッサは、
    地域を構成する複数のアイテムに基づいて異種グラフ構造の地域知識グラフを生成し、
    前記地域知識グラフにおいて互いに異なるノードフィーチャを利用してノードタイプ別に埋め込みを実行し、
    前記ノードタイプ別の埋め込みに基づいて、前記ノードタイプそれぞれに対応する推薦アイテムを提供すること
    を特徴とする、コンピュータ装置。
16. 前記少なくとも１つのプロセッサは、
    前記地域知識グラフから、１つのノードタイプをターゲットノードとして抽出し、少なくとも１つの他のノードタイプをコンテキストノードとして抽出し、前記ターゲットノードと前記コンテキストノード間の関係グラフをモデリングすること
    を特徴とする、請求項１５に記載のコンピュータ装置。
17. 前記少なくとも１つのプロセッサは、
    ＰＯＩ、前記ＰＯＩの訪問対象となるユーザ、前記ＰＯＩに対して生産された文書を互いに異なるタイプのノードで構成し、前記ノードの関係をエッジで構成することによって前記地域知識グラフを生成すること
    を特徴とする、請求項１５に記載のコンピュータ装置。
18. 前記少なくとも１つのプロセッサは、
    ユーザそれぞれをノードに設定し、ユーザと関連する情報をユーザノードフィーチャに設定し、ユーザとの関係をエッジに設定するユーザ－ユーザグラフを利用してフォロー基盤のユーザ埋め込みを抽出し、
    ユーザとユーザが訪問したＰＯＩをノードに設定し、ユーザと関連する情報をユーザノードフィーチャに設定し、ＰＯＩと関連する情報をＰＯＩノードフィーチャに設定し、ＰＯＩに対するユーザの趣向情報をエッジに設定するユーザ－ＰＯＩグラフを利用して訪問基盤のユーザ埋め込みを抽出し、
    前記フォロー基盤のユーザ埋め込みと前記訪問基盤のユーザ埋め込みによってソース埋め込みと類似の埋め込みを検索して推薦ユーザを提供すること
    を特徴とする、請求項１７に記載のコンピュータ装置。
19. 前記少なくとも１つのプロセッサは、
    ＰＯＩとＰＯＩを訪問したユーザをノードに設定し、ＰＯＩと関連する情報をＰＯＩノードフィーチャに設定し、ユーザと関連する情報をユーザノードフィーチャに設定し、ＰＯＩに対するユーザの趣向情報をエッジに設定するＰＯＩ－ユーザグラフを利用してＰＯＩ埋め込みを抽出し、
    前記ＰＯＩ埋め込みによってソース埋め込みと類似の埋め込みを検索して推薦ＰＯＩを提供すること
    を特徴とする、請求項１７に記載のコンピュータ装置。
20. 前記少なくとも１つのプロセッサは、
    文書と文書が登録されたＰＯＩをノードに設定し、文書と関連する情報を文書ノードフィーチャに設定し、ＰＯＩと関連する情報をＰＯＩノードフィーチャに設定し、ＰＯＩに対する文書の趣向情報をエッジに設定する文書－ＰＯＩグラフを利用して文書埋め込みを抽出し、
    前記文書埋め込みによってソース埋め込みと類似の埋め込みを検索して推薦文書を提供すること
    を特徴とする、請求項１７に記載のコンピュータ装置。

Images