JP2024068560A - 情報処理システム、コンピュータプログラム、及び情報処理方法 - Google Patents

Abstract

【課題】店舗特性の分析に役立つ新規技術を提供する。【解決手段】各商品が複数の店舗の少なくとも一店舗以上で販売される複数の商品に関して、店舗毎に販売商品データが取得される（Ｓ１１０）。販売商品データは、複数の商品のうち、対応する店舗で販売される一以上の商品である一以上の販売商品、及び、一以上の販売商品のそれぞれの対応する店舗内における販売量に関するシェアを判別可能なデータである。複数の店舗に関して、販売商品データから判別される一以上の販売商品のそれぞれのシェアを根拠に、トピックモデルを用いて、各店舗のトピック分布が判別される（Ｓ１５０）。【選択図】図３

Description

本開示は、情報処理システム、コンピュータプログラム、及び情報処理方法に関する。

複数の店舗を複数のクラスタに分類する技術が既に知られている（例えば特許文献１参照）。この技術によれば、複数の店舗の店舗属性を取得し、店舗属性に基づいて複数の店舗を複数のクラスタに分類する。

店舗属性は、店舗タイプ（駅前、住宅街、複合施設等）、広さ、駐車場数に基づいて定義される。特許文献１は、払出量に係る情報又は学習された払出量の予測モデルに基づいて、複数の店舗を複数のクラスタに分類する技術も開示する。

国際公開第２０１５／０４０７９０号

商品の売れ行きは、商圏内の消費者集合の購買特性に関係する。そこで、本開示の一側面によれば、購買特性を考慮した店舗特性の分析に役立つ新規技術を提供できることが望ましい。

本開示の一側面によれば、情報処理システムが提供される。情報処理システムは、取得部と、判別部とを備える。取得部は、各商品が複数の店舗の少なくとも一店舗以上で販売される複数の商品に関して、店舗毎に販売商品データを取得するように構成される。

販売商品データは、複数の商品のうち、対応する店舗で販売される一以上の商品である一以上の販売商品、及び、一以上の販売商品のそれぞれの、対応する店舗における販売量の大きさを判別可能なデータである。

判別部は、複数の店舗に関して、販売商品データから判別される一以上の販売商品のそれぞれの販売量の大きさを根拠に、トピックモデルを用いて、各店舗のトピック分布を判別するように構成される。

この情報処理システムによれば、複数の店舗に関して、商品の販売量に基づくトピック分布を判別することができる。トピックは、店舗を利用する消費者の購買特性を少なくとも間接的に表す。従って、本開示の一側面によれば、購買特性を考慮した店舗特性の分析に役立つ新規技術を提供することができる。

本開示の一側面によれば、判別部は、複数の店舗に関して、各店舗の販売商品データを文書に対応付け、各店舗の販売商品データから判別される一以上の販売商品のそれぞれを、文書内の単語に対応付け、各店舗における一以上の販売商品のそれぞれの販売量の大きさを、対応する単語の文書内での出現頻度に対応付けたトピックモデルを用いて、各店舗のトピック分布を判別するように構成され得る。

本開示の一側面によれば、トピックモデルは、潜在ディリクレ配分法に基づくトピックモデルであり得る。

本開示の一側面によれば、判別部は、店舗毎に、各販売商品のＴＦ－ＩＤＦ値を販売量の大きさに基づき算出することによって、複数の店舗及び複数の商品に関して、店舗及び商品の組合せ毎のＴＦ－ＩＤＦ値を算出するように構成され得る。

本開示の一側面によれば、判別部は、ＴＦ－ＩＤＦ値を根拠に、トピックモデルを用いて、各店舗のトピック分布を判別するように構成され得る。ＴＦ－ＩＤＦ値を用いることによれば、トピック分布の判別を適切に行うことができる。

本開示の一側面によれば、販売量の大きさは、対応する商品の、対応する店舗における販売量の占有割合としてのシェアであり得る。ＴＦ－ＩＤＦ値は、ＴＦ値とＩＤＦ値とに基づいて算出され得る。ＴＦ値は、対応する店舗における一以上の販売商品のシェア合計に対して、対応する商品のシェアが占める割合に対応し得る。ＩＤＦ値は、対応する商品が一以上の販売商品に含まれる店舗の数の逆数に対応し得る。

本開示の一側面によれば、一以上の販売商品は、対応する店舗で販売される商品の一群のうち、販売量の大きさが基準以上の商品の一群であり得る。販売量の少ない商品を除いた販売量の多い商品に注目して、トピック分布を判別することによれば、店舗特性を明確化することができる。

本開示の一側面によれば、情報処理システムは、複数の店舗のそれぞれのトピック分布に基づき、複数の店舗を、複数のグループに分類するように構成される分類部を更に備え得る。

本開示の一側面によれば、上述した情報処理システムにおける取得部と、判別部としての機能を、コンピュータに実現させるためのコンピュータプログラムが提供されてもよい。

本開示の一側面によれば、上述した情報処理システムにおける取得部と、判別部と、分類部としての機能を、コンピュータに実現させるためのコンピュータプログラムが提供されてもよい。

本開示の一側面によれば、情報処理方法が提供されてもよい。情報処理方法は、コンピュータにより実行され得る。情報処理方法は、各商品が複数の店舗の少なくとも一店舗以上で販売される複数の商品に関して、店舗毎に販売商品データを取得することを含み得る。

販売商品データは、複数の商品のうち、対応する店舗で販売される一以上の商品である一以上の販売商品、及び、一以上の販売商品のそれぞれの対応する店舗における販売量の大きさを判別可能なデータであり得る。

情報処理方法は更に、複数の店舗に関して、販売商品データから判別される一以上の販売商品のそれぞれの販売量の大きさを根拠に、トピックモデルを用いて、各店舗のトピック分布を判別することを含み得る。

本開示の一側面によれば、情報処理方法は、複数の店舗のそれぞれのトピック分布に基づき、複数の店舗を、複数のグループに分類することを更に含み得る。この情報処理方法によれば、上述した情報処理システムと同様の効果を得ることができる。

情報処理システムの構成を表すブロック図である。 販売商品データの構成を表す図である。 プロセッサが実行する分析処理を表すフローチャートである。 図４Ａは、トピック分布に関する説明図であり、図４Ｂは、商品分布に関する説明図である。 トピック分布の類似性に基づき、複数の店舗を複数のクラスタに分類する例を説明する図である。

以下に本開示の例示的実施形態を、図面を参照しながら説明する。
本実施形態の情報処理システム１は、汎用のコンピュータシステムに、本実施形態に特有のコンピュータプログラムがインストールされることにより構成される。図１に示す情報処理システム１は、プロセッサ１１と、メモリ１２と、ストレージ１３と、ディスプレイ１５と、入力デバイス１７と、メディアリーダ／ライタ１８と、通信デバイス１９とを備える。

プロセッサ１１は、ストレージ１３が記憶するコンピュータプログラムに従う処理を実行するように構成される。メモリ１２は、ＲＡＭを含む。メモリ１２は、プロセッサ１１がコンピュータプログラムに従う処理を実行する際、作業領域として使用される。メモリ１２は、ストレージ１３から読み出されたコンピュータプログラム及びデータを一時記憶する。

ストレージ１３は、コンピュータプログラム及び各種データを格納する。ストレージ１３に格納されるコンピュータプログラムの一つには、複数の店舗のそれぞれのトピック分布を判別し、トピック分布に基づき、複数の店舗を分類する処理をプロセッサ１１に実行させるためのコンピュータプログラムが含まれる。ストレージ１３の例には、ハードディスクドライブ及びソリッドステートドライブが含まれる。

ディスプレイ１５は、ユーザに向けて各種情報を表示するように構成される。ディスプレイ１５は、例えば液晶ディスプレイである。入力デバイス１７は、ユーザからの操作信号をプロセッサ１１に入力するように構成される。入力デバイス１７は、ユーザが操作可能なキーボード及びポインティングデバイスを備える。

メディアリーダ／ライタ１８は、メモリカードなどの記録メディアに記録された情報を読取可能、及び、記録メディアに新規情報を書込可能に構成される。通信デバイス１９は、プロセッサ１１により制御されて、ローカルエリアネットワーク内の、及び／又は、広域ネットワーク内の外部装置と通信するように構成される。

上述のように、本実施形態の情報処理システム１は、コンピュータプログラムに基づく処理の実行を通じて、複数の店舗のそれぞれのトピック分布を判別し、複数の店舗を分類するように構成される。これにより、情報処理システム１は、複数の店舗のそれぞれを、対応する店舗の商圏特性に応じて分類するように構成される。

以下では、この分類のために準備されるデータ、及び、プロセッサ１１が実行する分析処理の詳細を説明する。以下では、分析処理による分類対象の複数の店舗のことを、複数の対象店舗と表現する。

分析処理実行前の準備段階では、複数の対象店舗のうちの一店舗以上で取り扱われる特定カテゴリの複数の商品のそれぞれに、商品の識別コードである商品ＩＤが割り当てられる。分析処理では、商品ＩＤが、商品の識別のために用いられる。以下、商品ＩＤが割り当てられる特定カテゴリの複数の商品のことを、カテゴリ商品群と表現する。

準備段階では更に、複数の対象店舗に関して、店舗毎に、対応する店舗における所定期間の売上データが収集される。売上データは、例えばＰＯＳ（Ｐｏｉｎｔ Ｏｆ Ｓａｌｅｓ）データであり得る。更には、店舗毎に、対応する店舗の売上データに基づき、カテゴリ商品群に関する商品毎のシェアが算出される。シェアは、店舗内での販売量の大きさを表す指標として採用される。

ここで算出されるシェアは、対応する商品の店舗内における販売量の占有割合のことである。一つの注目店舗における一つの注目商品のシェアは、カテゴリ商品群のうち、一つの注目店舗が販売する複数の商品全体の販売量合計に対して、一つの注目商品の販売量が占める割合を意味する。

一例によれば、商品の販売量は、対応する商品の販売数である。別例によれば、商品の販売量は、対応する商品の売上金額である。店舗において販売されていない商品に関するシェアは、値ゼロとして取扱われる。

本実施形態によれば、算出されたシェアを説明する店舗毎の販売商品データが用意され、ストレージ１３に格納される。図２に示すように各店舗の販売商品データは、カテゴリ商品群のうち、対応する店舗において販売される一以上の商品である一以上の販売商品に関して、販売商品毎に、対応する商品ＩＤと、対応する商品の店舗内でのシェアを記述する。

本実施形態では、このように準備されたデータに基づく分析処理の実行を通じて、対象店舗のそれぞれのトピック分布を判別する。トピック分布は、潜在ディリクレ配分法（ＬＤＡ）に基づくトピックモデルを用いて算出される。トピックモデルを用いた統計的潜在意味解析は、文書中に出現する単語の種類と出現頻度とに基づいて、文書の潜在的な意味を、トピックとして解析する技術である。

本実施形態では、文書を対象としたトピックモデルを、各店舗のトピック分布の判別に用いるために、複数の対象店舗のそれぞれの販売商品データが一つの文書に対応付けられる。更に、販売商品データから判別される一以上の販売商品のそれぞれが、文書内の単語に対応付けられる。一以上の販売商品のそれぞれのシェアが、対応する単語の文書内での出現頻度に対応付けられる。このような販売商品データ、販売商品、及びシェアの対応付けを通じて、トピックモデルが店舗のトピック分布の判別に使用される。

プロセッサ１１は、入力デバイス１７を通じて入力されるユーザからの指令に従って分析処理を開始すると、Ｓ１１０において、複数の対象店舗に対応する販売商品データの一群を、ストレージ１３から読み出す。これにより、プロセッサ１１は、対象店舗毎の販売商品データを取得する。

続くＳ１２０において、プロセッサ１１は、複数の対象店舗に関して、店舗毎に、対応する店舗の販売商品データに基づき、シェアが基準以上の販売商品を判別する。以下では、シェアが基準以上の販売商品のことを、高シェア商品と表現する。プロセッサ１１は、例えば、シェアが１０％以上の販売商品を、高シェア商品として判別することができる。

続くＳ１３０において、プロセッサ１１は、シェアを整数化する。すなわち、プロセッサ１１は、店舗毎に、対応する店舗における高シェア商品群に属する各商品のシェアを、シェア整数値Ｘ［ｉ，ｋ］に変換する。シェアの整数化は、任意の尺度で行うことができる。

Ｘ［ｉ，ｋ］は、カテゴリ商品群のうち、第ｋ商品の第ｉ店舗におけるシェア整数値である。すなわち、Ｘ［ｉ，ｋ］は、カテゴリ商品群のうち、第ｉ店舗が販売する商品全体の販売量合計に対して、第ｋ商品の販売量が占める割合を整数化した値に対応する。

ｉは、対象店舗数がＭであるとき、値１から値Ｍまでの整数値を採る。ｋは、カテゴリ商品群に属する商品の数がＮであるとき、値１から値Ｎまでの整数値を採る。各店舗において高シェア商品に該当しない商品についてのシェア整数値Ｘ［ｉ，ｋ］は、値ゼロとして取扱われる。

続くＳ１４０において、プロセッサ１１は、複数の対象店舗及びカテゴリ商品群に関して、店舗及び商品の組み合わせ毎に、対応する商品のシェア整数値Ｘ［ｉ，ｋ］を、ＴＦ－ＩＤＦ値Ｙ［ｉ，ｋ］に変換する。Ｙ［ｉ，ｋ］は、第ｉ店舗の第ｋ商品に関するＴＦ－ＩＤＦ値である。

ＴＦ－ＩＤＦ値は、ＴＦ（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ）値とＩＤＦ（Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ）値とに基づいて、式Ｙ［ｉ，ｋ］＝Ｙ１［ｉ，ｋ］ｘＹ２［ｋ］により計算される。

Ｙ１［ｉ，ｋ］は、第ｉ店舗の第ｋ商品に関するＴＦ値である。Ｙ２［ｋ］は、第ｋ商品に関するＩＤＦ値である。ＴＦ値は、トピックモデルにおいて、文書内での、対応する単語の出現頻度を表す値として取扱われる。ＩＤＦ値は、トピックモデルにおいて、対応する単語の希少度を表す値、具体的には、文書の一群のうち、対応する単語が含まれる文書の割合の逆数を表す値として取扱われる。

本実施形態によれば、上述の対応付けにより、ＴＦ値Ｙ１［ｉ，ｋ］は、第ｉ店舗内での第ｋ商品のシェアの、第ｉ店舗における高シェア商品群全体のシェア合計に占める割合として算出される。ＩＤＦ値Ｙ２［ｋ］は、複数の対象店舗のうち、第ｋ商品が高シェア商品として販売される店舗の割合の逆数を表す値としてされる。

具体的に、ＴＦ値Ｙ１［ｉ，ｋ］は、次式によって算出される。Σ_ｋＸ［ｉ，ｋ］は、第ｉ店舗における高シェア商品群のシェア整数値Ｘ［ｉ，ｋ］の合計である。
Ｙ１［ｉ，ｋ］＝Ｘ［ｉ，ｋ］／Σ_ｋＸ［ｉ，ｋ］
ＩＤＦ値Ｙ２［ｋ］は、次式によって算出される。Ｍは、上述の通り、対象店舗の数である。Ｍ［ｋ］は、第ｋ商品が高シェア商品群に含まれる対象店舗の数である。

Ｙ２［ｋ］＝ｌｏｇ（Ｍ／Ｍ［ｋ］）
続くＳ１５０において、プロセッサ１１は、店舗及び商品の組み合わせ毎のＴＦ－ＩＤＦ値Ｙ［ｉ，ｋ］（ｉ＝１，２，…，Ｍ及びｋ＝１，２，…，Ｎ）を用いて、ＬＤＡ（潜在ディリクレ配分法）に基づくモデル学習を行う。すなわち、プロセッサ１１は、トピックモデルを学習する。

モデル学習に際しては、例えば、公知の評価指標であるパープレキシティ（Ｐｅｒｐｌｅｘｉｔｙ）及びコヒーレンス（Ｃｏｈｅｒｅｎｃｅ）を用いて、トピック数が指定される。トピック数は、パープレキシティができるだけ低く、コヒーレンスができるだけ高くなるように指定される。

ＬＤＡに基づくモデル学習によれば、事後確率分布として、文書毎のトピック分布及びトピック毎の単語分布が得られる。トピック分布は、対応する文書におけるトピックの構成比を表す。単語分布は、対応するトピックにおける各単語の出現確率を表す。

本実施形態によれば、店舗及び商品の組み合わせ毎のＴＦ－ＩＤＦ値Ｙ［ｉ，ｋ］に基づくモデル学習によって、図４Ａに例示するように、複数の対象店舗に関して、店舗毎のトピック分布が得られる。トピック分布は、対応する店舗におけるトピックの構成比を表す。更には、図４Ｂに例示するように、トピック毎の商品分布が得られる。商品分布は、対応するトピックにおける各商品の出現確率を表す。

続くＳ１６０において、プロセッサ１１は、モデル学習により得られた複数の対象店舗のそれぞれのトピック分布に基づき、複数の対象店舗を、複数のクラスタに分類する。図５は、トピック分布の類似性に基づき、複数の対象店舗を、複数のクラスタに分類する処理を概念的に説明する図である。図５における横棒グラフは、対応する店舗におけるトピック構成比を例示する。分類は、例えばｋ－ｍｅａｎｓ法等のクラスタリング技術を用いて行われる。

具体的には、プロセッサ１１は、トピック構成比を表す特徴ベクトル間のユークリッド距離に基づいて、対象店舗間の類似度を評価し、複数の対象店舗を、複数のクラスタに分類することができる。同じクラスタに属する店舗群は、トピック構成比が類似する店舗群である。

各トピックは、店舗を利用する消費者の購買特性を少なくとも間接的に表す。トピック構成比が類似することは、商圏における消費者の購買特性が類似することを意味する。従って、複数の対象店舗を、複数のクラスタに分類することは、複数の対象店舗を、商圏特性が類似する店舗グループに、分類することに対応し得る。

続くＳ１７０において、プロセッサ１１は、分析結果として、複数の対象店舗のそれぞれのトピック分布及び所属クラスタ、更には、各トピックの商品分布を説明するデータをストレージ１３に記録する。更に、プロセッサ１１は、各店舗のトピック分布及び所属クラスタと、各トピックの商品分布とを説明する画面をディスプレイ１５に表示させることができる。その後、プロセッサ１１は、図３に示す分析処理を終了する。

ＬＤＡでは、ユーザからトピックの種類が指定されることはない。ユーザは、各トピックの意味を、各トピックの商品分布から判別することができる。あるいは、商品分布からトピックの意味を推定するためのコンピュータプログラムが用意されてもよい。

本実施形態によれば、例えばトピックの商品分布から「低価格帯が売れる」「中価格帯が売れる」「高価格帯が売れる」「色々な商品を試したい消費者層」「特定ブランドのリピータ」「ファミリー層」「若年層」「高年齢層」などのトピックの意味が推定され得る。

以上に説明した本実施形態の情報処理システム１によれば、商品の販売量に基づいて、各店舗のトピック分布を判別することができ、複数の店舗を、トピック分布の類似性に基づいて分類することができる。従って、この情報処理システム１は、購買特性を考慮した店舗の商圏特性の分析に役立つ。

特に、本実施形態の情報処理システム１は、モデル学習を行う際に、店舗毎にシェアの大きい商品群に限定して、各商品に対するＴＦ－ＩＤＦ値を計算し、トピックモデル学習を行う。従って、各店舗の販売傾向を、高シェア商品群によって明確に表現することができ、クラスタリングを適切に行うことができる。

［その他の実施形態］
本開示は、上記実施形態に限定されるものではなく、種々の態様を採ることができる。例えば、上記実施形態では、各店舗が取り扱う特定カテゴリの商品の一群のうち、シェアが基準以上の商品に限ってＴＦ－ＩＤＦ値を算出し、これをモデル学習に使用した。

しかしながら、シェアが基準未満の商品も含めて、各店舗が取り扱う特定カテゴリの商品の一群に注目して、これら商品のＴＦ－ＩＤＦ値を算出し、これをモデル学習に使用してもよい。

その他、トピックモデルを用いたトピック分布の判別には、ＬＤＡに限られず、様々な手法を適用することができる。

上記実施形態における１つの構成要素が有する機能は、複数の構成要素に分散して設けられてもよい。複数の構成要素が有する機能は、１つの構成要素に統合されてもよい。上記実施形態の構成の一部は、省略されてもよい。上記実施形態の構成の少なくとも一部は、他の上記実施形態の構成に対して付加又は置換されてもよい。特許請求の範囲に記載の文言から特定される技術思想に含まれるあらゆる態様が本開示の実施形態である。

［本明細書が開示する技術思想］
本明細書には、次の技術思想が開示されていると理解することができる。
［項目１］
各商品が複数の店舗の少なくとも一店舗以上で販売される複数の商品に関して、店舗毎に、前記複数の商品のうち、対応する店舗で販売される一以上の商品である一以上の販売商品、及び、前記一以上の販売商品のそれぞれの前記対応する店舗における販売量の大きさを判別可能な販売商品データを取得するように構成される取得部と、
前記複数の店舗に関して、前記販売商品データから判別される前記一以上の販売商品のそれぞれの前記販売量の大きさを根拠に、トピックモデルを用いて、各店舗のトピック分布を判別するように構成される判別部と、
を備える情報処理システム。
［項目２］
前記判別部は、前記複数の店舗に関して、各店舗の前記販売商品データを文書に対応付け、前記各店舗の前記販売商品データから判別される前記一以上の販売商品のそれぞれを、前記文書内の単語に対応付け、前記各店舗における前記一以上の販売商品のそれぞれの前記販売量の大きさを、対応する単語の前記文書内での出現頻度に対応付けた前記トピックモデルを用いて、前記各店舗のトピック分布を判別する項目１記載の情報処理システム。
［項目３］
前記トピックモデルは、潜在ディリクレ配分法に基づく項目１又は項目２記載の情報処理システム。
［項目４］
前記判別部は、
前記店舗毎に、各販売商品のＴＦ－ＩＤＦ値を前記販売量の大きさに基づき算出することによって、前記複数の店舗及び前記複数の商品に関して、店舗及び商品の組合せ毎のＴＦ－ＩＤＦ値を算出し、
前記ＴＦ－ＩＤＦ値を根拠に、前記トピックモデルを用いて、前記各店舗のトピック分布を判別する
ように構成される項目１～項目３のいずれか一項記載の情報処理システム。
［項目５］
前記販売量の大きさは、対応する商品の、対応する店舗における販売量の占有割合としてのシェアであり、
前記ＴＦ－ＩＤＦ値は、ＴＦ値とＩＤＦ値とに基づいて算出され、前記ＴＦ値は、対応する店舗における前記一以上の販売商品のシェア合計に対して、対応する商品のシェアが占める割合に対応し、前記ＩＤＦ値は、前記対応する商品が前記一以上の販売商品に含まれる店舗の数の逆数に対応する項目４記載の情報処理システム。
［項目６］
前記一以上の販売商品は、対応する店舗で販売される商品の一群のうち、前記販売量の大きさが基準以上の商品の一群である項目１～項目５のいずれか一項記載の情報処理システム。
［項目７］
前記複数の店舗のそれぞれの前記トピック分布に基づき、前記複数の店舗を、複数のグループに分類するように構成される分類部
を更に備える項目１～項目６のいずれか一項記載の情報処理システム。
［項目８］
項目１～項目６のいずれか一項記載の情報処理システムにおける前記取得部と、前記判別部としての機能を、コンピュータに実現させるためのコンピュータプログラム。
［項目９］
項目７記載の情報処理システムにおける前記取得部と、前記判別部と、前記分類部としての機能を、コンピュータに実現させるためのコンピュータプログラム。
［項目１０］
コンピュータにより実行される情報処理方法であって、
各商品が複数の店舗の少なくとも一店舗以上で販売される複数の商品に関して、店舗毎に、前記複数の商品のうち、対応する店舗で販売される一以上の商品である一以上の販売商品、及び、前記一以上の販売商品のそれぞれの前記対応する店舗における販売量の大きさを判別可能な販売商品データを取得することと、
前記複数の店舗に関して、前記販売商品データから判別される前記一以上の販売商品のそれぞれの前記販売量の大きさを根拠に、トピックモデルを用いて、各店舗のトピック分布を判別することと、
を含む情報処理方法。
［項目１１］
前記複数の店舗のそれぞれの前記トピック分布に基づき、前記複数の店舗を、複数のグループに分類することを更に含む項目１０記載の情報処理方法。

１…情報処理システム、１１…プロセッサ、１２…メモリ、１３…ストレージ、１５…ディスプレイ、１７…入力デバイス、１８…メディアリーダ／ライタ、１９…通信デバイス。

Claims (11)

1. 各商品が複数の店舗の少なくとも一店舗以上で販売される複数の商品に関して、店舗毎に、前記複数の商品のうち、対応する店舗で販売される一以上の商品である一以上の販売商品、及び、前記一以上の販売商品のそれぞれの前記対応する店舗における販売量の大きさを判別可能な販売商品データを取得するように構成される取得部と、
   前記複数の店舗に関して、前記販売商品データから判別される前記一以上の販売商品のそれぞれの前記販売量の大きさを根拠に、トピックモデルを用いて、各店舗のトピック分布を判別するように構成される判別部と、
   を備える情報処理システム。
2. 前記判別部は、前記複数の店舗に関して、各店舗の前記販売商品データを文書に対応付け、前記各店舗の前記販売商品データから判別される前記一以上の販売商品のそれぞれを、前記文書内の単語に対応付け、前記各店舗における前記一以上の販売商品のそれぞれの前記販売量の大きさを、対応する単語の前記文書内での出現頻度に対応付けた前記トピックモデルを用いて、前記各店舗のトピック分布を判別する請求項１記載の情報処理システム。
3. 前記トピックモデルは、潜在ディリクレ配分法に基づく請求項１記載の情報処理システム。
4. 前記判別部は、
   前記店舗毎に、各販売商品のＴＦ（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ）－ＩＤＦ（Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ）値を前記販売量の大きさに基づき算出することによって、前記複数の店舗及び前記複数の商品に関して、店舗及び商品の組合せ毎のＴＦ－ＩＤＦ値を算出し、
   前記ＴＦ－ＩＤＦ値を根拠に、前記トピックモデルを用いて、前記各店舗のトピック分布を判別する
   ように構成される請求項１記載の情報処理システム。
5. 前記販売量の大きさは、対応する商品の、対応する店舗における販売量の占有割合としてのシェアであり、
   前記ＴＦ－ＩＤＦ値は、ＴＦ値とＩＤＦ値とに基づいて算出され、前記ＴＦ値は、対応する店舗における前記一以上の販売商品のシェア合計に対して、対応する商品のシェアが占める割合に対応し、前記ＩＤＦ値は、前記対応する商品が前記一以上の販売商品に含まれる店舗の数の逆数に対応する請求項４記載の情報処理システム。
6. 前記一以上の販売商品は、対応する店舗で販売される商品の一群のうち、前記販売量の大きさが基準以上の商品の一群である請求項１記載の情報処理システム。
7. 前記複数の店舗のそれぞれの前記トピック分布に基づき、前記複数の店舗を、複数のグループに分類するように構成される分類部
   を更に備える請求項１～請求項６のいずれか一項記載の情報処理システム。
8. 請求項１～請求項６のいずれか一項記載の情報処理システムにおける前記取得部と、前記判別部としての機能を、コンピュータに実現させるためのコンピュータプログラム。
9. 請求項７記載の情報処理システムにおける前記取得部と、前記判別部と、前記分類部としての機能を、コンピュータに実現させるためのコンピュータプログラム。
10. コンピュータにより実行される情報処理方法であって、
    各商品が複数の店舗の少なくとも一店舗以上で販売される複数の商品に関して、店舗毎に、前記複数の商品のうち、対応する店舗で販売される一以上の商品である一以上の販売商品、及び、前記一以上の販売商品のそれぞれの前記対応する店舗における販売量の大きさを判別可能な販売商品データを取得することと、
    前記複数の店舗に関して、前記販売商品データから判別される前記一以上の販売商品のそれぞれの前記販売量の大きさを根拠に、トピックモデルを用いて、各店舗のトピック分布を判別することと、
    を含む情報処理方法。
11. 前記複数の店舗のそれぞれの前記トピック分布に基づき、前記複数の店舗を、複数のグループに分類することを更に含む請求項１０記載の情報処理方法。

Images