JP4751242B2 - リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 - Google Patents
リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 Download PDFInfo
- Publication number
- JP4751242B2 JP4751242B2 JP2006148176A JP2006148176A JP4751242B2 JP 4751242 B2 JP4751242 B2 JP 4751242B2 JP 2006148176 A JP2006148176 A JP 2006148176A JP 2006148176 A JP2006148176 A JP 2006148176A JP 4751242 B2 JP4751242 B2 JP 4751242B2
- Authority
- JP
- Japan
- Prior art keywords
- purchase
- recommendation
- probability
- user
- contract
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 46
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 title 2
- 230000007704 transition Effects 0.000 claims description 39
- 238000010276 construction Methods 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 25
- 230000004083 survival effect Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 12
- 238000013500 data storage Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、オンラインストア等において商品をリコメンド対象として提示するリコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体に関する。
一般に、商品またはサービス（以下、単に商品という）を販売するオンラインストア等の多くの商品提供者（販売者）は、オンラインストア等を利用するユーザの購買行動に影響を与えるように商品をリコメンド対象として提示する（リコメンドする）。リコメンド（recommendation）は、ユーザへの商品の直接的または間接的な提示であり、ユーザが所望する商品の情報に対して迅速にアクセスできるように利便性を向上させる目的と、商品提供者の収益を増加させる目的とを有している。
従来、ユーザが商品を購入する確率（購入確率）を高くするために、ユーザの嗜好に合致する商品を提示するリコメンド方法が知られている（例えば、非特許文献１参照）。
従来、ユーザが商品を購入する確率（購入確率）を高くするために、ユーザの嗜好に合致する商品を提示するリコメンド方法が知られている（例えば、非特許文献１参照）。
また、オンラインストア等で用いられている課金モデルは、従量制モデルと定額制モデルの２つに大別することができる。このうち、従量制モデルでは、ユーザは、購入した商品に応じて課金される。したがって、商品提供者が、従量制モデルを採用して収益を上げるためには、より多くの商品をユーザに購入してもらうことが必要である。この従量制モデルの場合、例えば、非特許文献１に記載されたリコメンド方法のようにユーザの嗜好に合致する商品をリコメンドすれば、収益を増加させる可能性が高いと考えられる。一方、定額制モデルでは、ユーザは、例えば、月毎や年毎などの契約期間ごとに一定の金額が課金されるが、契約期間内では、商品を無制限に入手することができる。
D. Pavlov and D. Pennock, A maximum entropy approach to collaborative filtering in dynamic, sparse,high-dimensional domains. In Proceedings of Neural Information Processing Systems, 2002
D. Pavlov and D. Pennock, A maximum entropy approach to collaborative filtering in dynamic, sparse,high-dimensional domains. In Proceedings of Neural Information Processing Systems, 2002
しかしながら、商品提供者が課金モデルとして定額制モデルを採用した場合、より長い期間ユーザに契約してもらうことが必要である。したがって、この定額制モデルの場合、非特許文献１に記載されたリコメンド方法のように、ユーザの嗜好に合致する商品をリコメンドするだけでは、必ずしも契約期間を延ばす効果があるとは限らない。その結果、従来のリコメンド方法では、商品提供者は収益を増加できない場合がある。
そこで、本発明は、以上のような問題点に鑑みてなされたものであり、ユーザの契約期間を延長させることのできるリコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体を提供することを目的とする。
前記課題を解決するために、本願発明者は種々検討を行った結果、以下の知見を見出した。すなわち、本発明では、商品を購買するユーザが、過去の契約期間のどのタイミングに何をどんな順番で購買したのかを示す購買履歴に基づいて、ユーザがそれぞれの商品を購入したことによって契約期間が延長する事象が生じた確率を、購入後の延長確率としてそれぞれ推定し、ユーザが過去に購入した商品のうち最大の延長確率を有する商品をリコメンド対象として提示することとした。また、購買履歴から推定される各商品の購入確率にリコメンドの影響度を加味した確率をリコメンド後の購入確率として推定し、この推定された購入確率を考慮した延長確率が最大となる商品をリコメンド対象として提示することとした。そのため、契約期間を延長させるリコメンドをすることが可能となる。
そこで、請求項１に記載のリコメンド装置は、商品またはサービスを示す販売対象を販売する販売者との間で前記販売対象を所定期間継続して購買する契約を行なったことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として出力するリコメンド装置であって、前記ユーザの前記販売対象に対する現在の契約の有無および契約開始時刻に関する情報を含む契約情報と、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報とを用いて、前記ユーザごとに、前記現在の契約の有無、契約期間、どの商品をいつどのような順序で購入したかを示す購買系列、及び、前記購買系列から抽出したベクトルで表わされる素性である購買履歴からなる処理用データを作成する前処理手段と、前記作成された処理用データを用いて、生存時間解析による手法と指数回帰モデルとを採用して契約開始からある所定期間ｔだけ経過したときに契約しているユーザｕが解約する割合を示す関数であるハザード関数を構築し、前記個別対象ごとに、前記購買履歴に関するハザード関数を、当該購買履歴に関するハザード関数と当該個別対象をユーザが将来購入したと仮定したときの購買履歴である仮定購買履歴に関するハザード関数とを足し合わせた値で除した値を、当該個別対象の購入により前記販売対象の契約期間が延びる確率を示す購入後延長確率として推定する購入後延長確率推定手段と、前記作成された処理用データにおける前記ユーザ毎の購買履歴から、リコメンドなしでユーザｕが商品ｓ j を購入する購入確率を示す遷移モデルを最大エントロピーモデルで構築する遷移モデル構築手段と、前記個別対象ごとに、前記遷移モデル構築手段で構築した遷移モデルにより推定した前記各個別対象の購入確率に、予め定められた前記個別対象がリコメンドされることによる前記ユーザの購買行動への影響度を掛け合わせた値を、リコメンドされることにより前記個別対象が購入される確率を示すリコメンド後購入確率として推定するリコメンド後購入確率推定手段と、前記推定された購入後延長確率との積を、前記購入に係る個別対象について総計する演算を行うことで、リコメンドされることにより前記ユーザの契約期間が延びる確率を示すリコメンド後延長確率を、前記リコメンドされる個別対象ごとに推定するリコメンド後延長確率推定手段と、前記ユーザが購入した個別対象の集合の中から、前記推定されたリコメンド後延長確率が最大になる前記個別対象を選択してリコメンド対象として出力するリコメンド手段とを備えることを特徴とする。
かかる構成によれば、リコメンド装置は、前処理手段によって、契約情報と、購買情報とを用いて、ユーザごとに、個別対象の購買履歴を抽出した処理用データを予め作成しておく。例えば、オンラインストアの商品を販売対象とする場合に、商品の契約情報や購買情報は、オンライン処理のログの形式で取得しておくことができる。ここで、購買情報は、例えば、ユーザが過去の契約期間のどのタイミングに何をどんな順番で購買したのかを示す購買履歴等である。そして、リコメンド装置は、処理用データやリコメンドの影響度を用いて、購入後延長確率とリコメンド後購入確率とを推定する。ここで、リコメンドの影響度は、例えば、オンラインストアにおける個別の商品の提示法に依存するパラメータである。そして、リコメンド装置は、推定した購入後延長確率とリコメンド後購入確率とを用いて、リコメンド後延長確率を推定し、そのリコメンド後延長確率が最大になる商品をリコメンドする。
また、請求項２に記載のリコメンド装置は、商品またはサービスを示す販売対象を販売する販売者との間で前記販売対象を所定期間継続して購買する契約を行なったことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として出力するリコメンド装置であって、前記ユーザの前記販売対象に対する現在の契約の有無および契約開始時刻に関する情報を含む契約情報と、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報とを用いて、前記ユーザごとに、前記現在の契約の有無、契約期間、どの商品をいつどのような順序で購入したかを示す購買系列、及び、前記購買系列から抽出したベクトルで表わされる素性である購買履歴からなる処理用データを作成する前処理手段と、前記作成された処理用データを用いて、生存時間解析による手法と指数回帰モデルとを採用して契約開始からある所定期間ｔだけ経過したときに契約しているユーザｕが解約する割合を示す関数であるハザード関数を構築し、前記個別対象ごとに、前記購買履歴に関するハザード関数を、当該購買履歴に関するハザード関数と当該個別対象をユーザが将来購入したと仮定したときの購買履歴である仮定購買履歴に関するハザード関数とを足し合わせた値で除した値を、当該個別対象の購入により前記販売対象の契約期間が延びる確率を示す購入後延長確率として推定する購入後延長確率推定手段と、前記ユーザが購入した個別対象の集合の中から、前記推定された購入後延長確率が最大になる前記個別対象を選択してリコメンド対象として出力するリコメンド手段とを備えることを特徴とする。
かかる構成によれば、リコメンド装置は、前処理手段によって、契約情報と、購買情報とを用いて、ユーザごとに、個別対象の購買履歴を抽出した処理用データを予め作成しておく。そして、リコメンド装置は、処理用データを用いて、購入後延長確率を推定し、推定した購入後延長確率が最大になる商品をリコメンドする。
また、前記課題を解決するため、請求項３に記載のリコメンド方法は、商品またはサービスを示す販売対象を販売する販売者との間で前記販売対象を所定期間継続して購買する契約を行なったことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として出力するリコメンド装置のリコメンド方法であって、前記ユーザの前記販売対象に対する現在の契約の有無および契約開始時刻に関する情報を含む契約情報と、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報とを用いて、前記ユーザごとに、前記現在の契約の有無、契約期間、どの商品をいつどのような順序で購入したかを示す購買系列、及び、前記購買系列から抽出したベクトルで表わされる素性である購買履歴からなる処理用データを作成する前処理ステップと、前記作成された処理用データを用いて、生存時間解析による手法と指数回帰モデルとを採用して契約開始からある所定期間ｔだけ経過したときに契約しているユーザｕが解約する割合を示す関数であるハザード関数を構築し、前記個別対象ごとに、前記購買履歴に関するハザード関数を、当該購買履歴に関するハザード関数と当該個別対象をユーザが将来購入したと仮定したときの購買履歴である仮定購買履歴に関するハザード関数とを足し合わせた値で除した値を、当該個別対象の購入により前記販売対象の契約期間が延びる確率を示す購入後延長確率として推定する購入後延長確率推定ステップと、前記作成された処理用データにおける前記ユーザ毎の購買履歴から、リコメンドなしでユーザｕが商品ｓ j を購入する購入確率を示す遷移モデルを最大エントロピーモデルで構築する遷移モデル構築ステップと、前記個別対象ごとに、前記遷移モデル構築手段で構築した遷移モデルにより推定した前記各個別対象の購入確率に、予め定められた前記個別対象がリコメンドされることによる前記ユーザの購買行動への影響度を掛け合わせた値を、リコメンドされることにより前記個別対象が購入される確率を示すリコメンド後購入確率として推定するリコメンド後購入確率推定ステップと、前記推定された購入後延長確率と、前記推定されたリコメンド後購入確率との積を、前記購入に係る個別対象について総計する演算を行うことで、リコメンドされることにより前記ユーザの契約期間が延びる確率を示すリコメンド後延長確率を、前記リコメンドされる個別対象ごとに推定するリコメンド後延長確率推定ステップと、前記ユーザが購入した個別対象の集合の中から、前記推定されたリコメンド後延長確率が最大になる前記個別対象を選択してリコメンド対象として出力するリコメンドステップとを含むことを特徴とする。
かかる手順によれば、リコメンド装置は、前処理ステップで、契約情報と、購買情報とを用いて、ユーザごとに、個別対象の購買履歴を抽出した処理用データを予め作成しておく。そして、リコメンド装置は、購入後延長確率推定ステップで、処理用データを用いて、購入後延長確率を推定し、リコメンド後購入確率推定ステップで、リコメンド後購入確率を推定する。ここで、購入後延長確率推定ステップと、リコメンド後購入確率推定ステップとの処理順序は任意であり、同じタイミングで処理してもよい。そして、リコメンド装置は、購入後延長確率推定ステップと、リコメンド後購入確率推定ステップとでそれぞれ推定された確率を用いて、リコメンド後延長確率を推定し、そのリコメンド後延長確率が最大になる商品をリコメンドする。
また、請求項４に記載のリコメンド方法は、商品またはサービスを示す販売対象を販売する販売者との間で前記販売対象を所定期間継続して購買する契約を行なったことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として出力するリコメンド装置のリコメンド方法であって、前記ユーザの前記販売対象に対する現在の契約の有無および契約開始時刻に関する情報を含む契約情報と、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報とを用いて、前記ユーザごとに、前記現在の契約の有無、契約期間、どの商品をいつどのような順序で購入したかを示す購買系列、及び、前記購買系列から抽出したベクトルで表わされる素性である購買履歴からなる処理用データを作成する前処理ステップと、前記作成された処理用データを用いて、生存時間解析による手法と指数回帰モデルとを採用して契約開始からある所定期間ｔだけ経過したときに契約しているユーザｕが解約する割合を示す関数であるハザード関数を構築し、前記個別対象ごとに、前記購買履歴に関するハザード関数を、当該購買履歴に関するハザード関数と当該個別対象をユーザが将来購入したと仮定したときの購買履歴である仮定購買履歴に関するハザード関数とを足し合わせた値で除した値を、当該個別対象の購入により前記販売対象の契約期間が延びる確率を示す購入後延長確率として推定する購入後延長確率推定ステップと、前記ユーザが購入した個別対象の集合の中から、前記推定された購入後延長確率が最大になる前記個別対象を選択してリコメンド対象として出力するリコメンドステップとを含むことを特徴とする。
かかる手順によれば、リコメンド装置は、前処理ステップで、契約情報と、購買情報とを用いて、ユーザごとに、個別対象の購買履歴を抽出した処理用データを予め作成しておく。そして、リコメンド装置は、購入後延長確率推定ステップで、購入後延長確率を推定し、リコメンドステップで、推定された購入後延長確率が最大になる商品をリコメンドする。
また、請求項５に記載のリコメンドプログラムは、請求項３または請求項４に記載のリコメンド方法をコンピュータに実行させるためのプログラムである。このように構成されることにより、このプログラムをインストールされたコンピュータは、このプログラムに基づいた各機能を実現することができる。
また、請求項６に記載のコンピュータ読み取り可能な記録媒体は、請求項５に記載のリコメンドプログラムが記録されたことを特徴とする。このように構成されることにより、この記録媒体を装着されたコンピュータは、この記録媒体に記録されたプログラムに基づいた各機能を実現することができる。
本発明によれば、ユーザの契約期間を延長させることが可能となる。
以下、図面を参照して本発明のリコメンド装置およびリコメンド方法を実施するための最良の形態（以下「実施形態」という）について、第１実施形態と第２実施形態に分けて詳細に説明する。
（第１実施形態）
図１は、本発明の第１実施形態に係るリコメンド装置の構成を示すブロック図である。
リコメンド装置１は、商品またはサービスを示す販売対象を販売する販売者との間で販売対象（商品群）を所定期間継続して購買する契約を行なったことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、その契約された販売対象（商品群）に含まれる個別対象（商品）のいずれかをリコメンド対象として提示する（リコメンドする）ものである。
リコメンド装置１は、図１に示すように、演算手段２と、入力手段３と、記憶手段４と、出力手段５とを備えており、各手段２〜５はバスライン６に接続されている。
図１は、本発明の第１実施形態に係るリコメンド装置の構成を示すブロック図である。
リコメンド装置１は、商品またはサービスを示す販売対象を販売する販売者との間で販売対象（商品群）を所定期間継続して購買する契約を行なったことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、その契約された販売対象（商品群）に含まれる個別対象（商品）のいずれかをリコメンド対象として提示する（リコメンドする）ものである。
リコメンド装置１は、図１に示すように、演算手段２と、入力手段３と、記憶手段４と、出力手段５とを備えており、各手段２〜５はバスライン６に接続されている。
演算手段２は、例えば、ＣＰＵ（Central Processing Unit）およびＲＡＭ（Random Access Memory）から構成される主制御装置である。この演算手段２は、図１に示すように、前処理部（前処理手段）２１と、購入後延長確率推定部（購入後延長確率推定手段）２２と、リコメンド後購入確率推定部（リコメンド後購入確率推定手段）２３と、リコメンド後延長確率推定部（リコメンド後延長確率推定手段）２４と、リコメンド部（リコメンド手段）２５と、メモリ２６とを含んで構成される。なお、各部２１〜２５の詳細な構成は後記する。
入力手段３は、例えば、キーボード、マウス、ディスクドライブ装置などから構成される。この入力手段３は、例えば、データとして契約ログ（契約情報）や購買ログ（購買情報）を入力し、記憶手段４に格納する。
契約ログ（契約情報）は、ユーザの販売対象（商品群）に対する現在の契約の有無および契約開始時刻に関する情報を含んでいる。この契約ログは、例えば、表１に示すように、ユーザ番号ごとに、契約時刻（契約開始時刻）と、契約状況（０：継続、１：解約）と、解約している場合の解約時刻とを記録したものである。以下の説明では、契約ログには、Ｎ人のユーザｕに対応したユーザ番号ｎ（１≦ｎ≦Ｎ）が含まれるものとする。ここでは、Ｎ個の要素を有するユーザ集合Ｕを｛ｕn｝（ただし、ｎは、Ｎ以下の自然数）で示す。
購買ログ（購買情報）は、ユーザが過去に購入した１以上の個別対象（商品）に関する情報を含んでいる。この購買ログは、例えば、表２に示すように、商品の購買ごとに（売買成立ごとに）、ユーザ番号と、商品番号と、購買時刻とを記録したものである。表２の例では、ユーザ番号が「１」であるユーザは、商品番号が「３」，「１」，「６」の商品を購入したことが分かる。以下の説明では、購買ログには、Ｖ個の商品ｓに対応した商品番号ｉ（１≦ｉ≦Ｖ）が含まれるものとする。ここでは、Ｖ個の要素を有する商品集合Ｓを｛ｓi｝（ただし、ｉは、Ｖ以下の自然数）で示す。
記憶手段４は、例えば、一般的なハードディスク装置などから構成され、演算手段２で用いられる各種プログラムや各種データ等を記憶する。
記憶手段４は、プログラムとして、前処理プログラム４１と、購入後延長確率推定プログラム４２と、リコメンド後購入確率推定プログラム４３と、リコメンド後延長確率推定プログラム４４と、リコメンドプログラム４５とをプログラム格納部４０ａに記憶する。演算手段２は、これらのプログラム４１〜４５を記憶手段４から読み込んでメモリ２６に展開して実行することで、前記した前処理部２１、購入後延長確率推定部２２、リコメンド後購入確率推定部２３、リコメンド後延長確率推定部２４、リコメンド部２５の各機能を実現する。
記憶手段４は、プログラムとして、前処理プログラム４１と、購入後延長確率推定プログラム４２と、リコメンド後購入確率推定プログラム４３と、リコメンド後延長確率推定プログラム４４と、リコメンドプログラム４５とをプログラム格納部４０ａに記憶する。演算手段２は、これらのプログラム４１〜４５を記憶手段４から読み込んでメモリ２６に展開して実行することで、前記した前処理部２１、購入後延長確率推定部２２、リコメンド後購入確率推定部２３、リコメンド後延長確率推定部２４、リコメンド部２５の各機能を実現する。
また、記憶手段４は、入力手段３から入力されるデータである契約ログ４６と購買ログ４７とをデータ格納部４０ｂに記憶する。ここで、契約ログ４６および購買ログ４７は、例えば、表１および表２に示したものである。
また、記憶手段４は、演算手段２の前処理部２１、購入後延長確率推定部２２、リコメンド後購入確率推定部２３、リコメンド後延長確率推定部２４のそれぞれの演算処理結果を示すデータである入力データ（処理用データ）４８と、購入後延長確率４９と、リコメンド後購入確率４１０と、リコメンド後延長確率４１１とをデータ格納部４０ｂに記憶する。
また、記憶手段４は、演算手段２の前処理部２１、購入後延長確率推定部２２、リコメンド後購入確率推定部２３、リコメンド後延長確率推定部２４のそれぞれの演算処理結果を示すデータである入力データ（処理用データ）４８と、購入後延長確率４９と、リコメンド後購入確率４１０と、リコメンド後延長確率４１１とをデータ格納部４０ｂに記憶する。
出力手段５は、例えば、グラフィックボード（出力インタフェース）およびそれに接続されたモニタである。モニタは、例えば、液晶ディスプレイ等から構成され、演算処理結果（例えば、リコメンドする商品の情報等）を表示する。
次に、演算手段２の各部の構成の詳細を説明する。
図２は、図１に示した前処理部の構成を示す機能ブロック図である。
前処理部２１は、ユーザごとに、商品（個別対象）の購買系列（購買履歴）を抽出したデータを示す入力データ（処理用データ）を作成するものであり、図２に示すように、契約ログ読込部２１１と、購買ログ読込部２１２と、入力データ書込部２１３とを備えている。
図２は、図１に示した前処理部の構成を示す機能ブロック図である。
前処理部２１は、ユーザごとに、商品（個別対象）の購買系列（購買履歴）を抽出したデータを示す入力データ（処理用データ）を作成するものであり、図２に示すように、契約ログ読込部２１１と、購買ログ読込部２１２と、入力データ書込部２１３とを備えている。
契約ログ読込部２１１は、記憶手段４（図１参照）から、契約ログ４６を読み込み、入力データ書込部２１３に出力する。
購買ログ読込部２１２は、記憶手段４（図１参照）から、購買ログ４７を読み込み、入力データ書込部２１３に出力する。
購買ログ読込部２１２は、記憶手段４（図１参照）から、購買ログ４７を読み込み、入力データ書込部２１３に出力する。
入力データ書込部２１３は、契約ログ４６に含まれる各ユーザｕnごとの契約時刻、契約状況、解約時刻と、購買ログ４７に含まれる商品の購買ごとのユーザ番号、商品番号、購買時刻とに基づいて、ユーザごとに、契約状況、契約期間、購入商品の購買系列、各商品購買時の契約期間（経過期間）を算出するものである。
また、入力データ書込部２１３は、後記するように、各ユーザｕnの購買系列から、２種類の素性を算出する。
また、入力データ書込部２１３は、後記するように、各ユーザｕnの購買系列から、２種類の素性を算出する。
また、入力データ書込部２１３は、ユーザごとに算出した演算処理結果（契約状況、契約期間、購入商品の購買系列、各商品購買時の契約期間、各ユーザｕnの購買系列、および２種類の素性）を、入力データ（処理用データ）４８として、記憶手段４に書き込む。なお、書き込まれた入力データは、購入後延長確率推定部２２と、リコメンド後購入確率推定部２３で利用される。
ここで、入力データ（処理用データ）４８の具体例について表３を参照して説明する。入力データは、表３に示されるように、各ユーザの契約状況、契約期間、購入商品の購買系列で構成される。
ユーザｕnの契約状況ｅnは、ユーザｕnの契約が継続中であるのか、解約済であるのかを示すものであり、契約ログ４６から得ることができる。この契約状況ｅnは、ここでは、契約継続中の場合には「０」、解約済の場合に「１」とする。
ユーザｕnの契約期間ｔn（tot）は、契約開始から最終ログ（または処理時刻）までに経過した契約期間の総計を示すものであり、契約ログ４６から得ることができる。この契約期間ｔnは、式（１）で示される。なお、ここでは、契約期間ｔnの単位を日（日数）とする。表３において、最終ログ（または処理時刻）は、例えば、「2005/10/28 23:30:00」とする。この場合、ユーザ番号「５」のユーザの契約時刻（表１参照）から436日経過していることになるが、この１年余りの間に、ユーザ番号「５」のユーザは、「25」日間解約期間があったために、表３に示すように、契約期間は「411」となっている。つまり、ユーザｕnの契約期間ｔn（tot）は、途中の解約期間を除去した正味の契約期間である。
各ユーザｕnの購入商品の購買系列Ｋnは、各ユーザｕnが、商品を、いつ、どんな順序で購入したかを示すものであり、購買ログ４７から得ることができる。
ここでは、各ユーザｕnの購買系列Ｋnは、表３に示すように、商品ｓkを購入したことを示す商品番号ｋの情報と、その商品ｓkを購買した時点で、契約を開始してから経過した期間（経過期間）δtとを示す系列として、｛ｓk（δt）｝の形式で表現する。ここでは、経過期間δtの単位を日（日数）とする。また、商品番号ｋは商品集合Ｓにおいて、予め定められた商品番号（または商品集合の要素の序数）である。
ここでは、各ユーザｕnの購買系列Ｋnは、表３に示すように、商品ｓkを購入したことを示す商品番号ｋの情報と、その商品ｓkを購買した時点で、契約を開始してから経過した期間（経過期間）δtとを示す系列として、｛ｓk（δt）｝の形式で表現する。ここでは、経過期間δtの単位を日（日数）とする。また、商品番号ｋは商品集合Ｓにおいて、予め定められた商品番号（または商品集合の要素の序数）である。
例えば、表２に示す購買ログ４７の例では、ユーザ番号が「１」であるユーザｕ1は、商品番号が「３」，「１」の商品を契約時刻で示される「8/16」（表１参照）に購入している。したがって、入力データ書込部２１３は、これらの商品に対する経過期間δtは「０（当日）」として計算する。また、商品番号が「６」の商品は、翌日の「8/17」に購入しているので、この商品に対する経過期間δtは「１（契約開始日の翌日）」として計算する。これにより、表３に示すように、ユーザｕ1の購買系列Ｋ1は、「s3(0), s1(0), s6(1),…」となる。
また、入力データ書込部２１３は、表３に示した各ユーザｕnの購買系列Ｋnから、購買履歴として２種類の素性ｘ（ｕn）、ｙ（ｕn）を算出する。
素性ｘ（ｕn）は、入力データ（処理用データ）４８として、後記するように、購入後延長確率推定部２２（図１参照）で契約期間を推定するために用いられる。
素性ｙ（ｕn）は、入力データ（処理用データ）４８として、後記するように、リコメンド後購入確率推定部２３（図１参照）で嗜好を推定するために用いられる。
素性ｘ（ｕn）は、入力データ（処理用データ）４８として、後記するように、購入後延長確率推定部２２（図１参照）で契約期間を推定するために用いられる。
素性ｙ（ｕn）は、入力データ（処理用データ）４８として、後記するように、リコメンド後購入確率推定部２３（図１参照）で嗜好を推定するために用いられる。
以下では、例えば、素性ｘ（ｕn）を列ベクトル（素性ベクトル）
で表し、購買履歴と呼び、何も指定しないときには、あるユーザｕnの購買履歴を示す。なお、この列ベクトルを成分表記すると、（ｘ1（ｕn），ｘ2（ｕn），…）Tで記述される。ここで、成分ｘk（ｕn）は素性ベクトルのk番目の素性を示し、Ｔは転置を示す。これらの成分ｘk（ｕn）を、ユーザごとに具体的に書き出した素性の系列を表４に示す。なお、購買系列Ｋnから導く素性は、例えば、商品番号「ｉ」の商品ｓiを購入した後、次に、商品番号「ｊ」の商品ｓjを購入したことがあるかなどを示すものとしてもよい。
以下、ユーザを区別しないときには、単にｕと表記する。
図３は、図１に示した購入後延長確率推定部の構成を示す機能ブロック図である。
購入後延長確率推定部２２は、前処理部２１（図１参照）で作成された入力データ４８を用いて、商品（個別対象）の購入により販売対象（商品群）の契約期間が延びる確率を示す購入後延長確率を、商品ごとに推定するものである（購入後延長確率推定処理を実行する）。
本実施形態では、購入後延長確率をＱ（ｌ｜ｓj，ｕ）と表記することとする。この購入後延長確率Ｑ（ｌ｜ｓj，ｕ）は、ユーザｕが、将来新たに、商品ｓj（１≦ｊ≦Ｖ）を購入したときに商品群（商品集合Ｓ）の契約期間が延びる確率を意味する。ここで、ｌは契約期間が延びるという事象を示す。
図３は、図１に示した購入後延長確率推定部の構成を示す機能ブロック図である。
購入後延長確率推定部２２は、前処理部２１（図１参照）で作成された入力データ４８を用いて、商品（個別対象）の購入により販売対象（商品群）の契約期間が延びる確率を示す購入後延長確率を、商品ごとに推定するものである（購入後延長確率推定処理を実行する）。
本実施形態では、購入後延長確率をＱ（ｌ｜ｓj，ｕ）と表記することとする。この購入後延長確率Ｑ（ｌ｜ｓj，ｕ）は、ユーザｕが、将来新たに、商品ｓj（１≦ｊ≦Ｖ）を購入したときに商品群（商品集合Ｓ）の契約期間が延びる確率を意味する。ここで、ｌは契約期間が延びるという事象を示す。
購入後延長確率推定部２２は、図３に示すように、入力データ読込部２２１と、期間モデル構築部（期間モデル構築手段）２２２と、期間モデル購入後延長確率推定部（期間モデル購入後延長確率推定手段）２２３と、購入後延長確率書込部２２４とを備えている。
入力データ読込部２２１は、記憶手段４（図１参照）から、入力データ４８を読み込み、期間モデル構築部２２２に出力する。
期間モデル構築部２２２は、複数のユーザの商品（個別対象）の購買系列（購買履歴）から、複数のユーザの契約期間に対する特徴量を推定し、推定された特徴量を用いて各ユーザの契約期間を予測するモデルを示す期間モデルを構築するものである。
期間モデル構築部２２２は、生存時間解析による手法と、指数回帰モデルとを採用して、以下の手法で、期間モデルを構築する。なお、指数回帰モデルを採用する理由は、推定値の大域的最適解が保証されることと、指数回帰モデルによれば、購入後延長確率Ｑ（ｌ｜ｓj，ｕ）を解析的に解くことできるためである。
まず、この手法では、式（２）で示される確率密度を導入する。この確率密度は、購買履歴に依存し、契約開始からある所定期間ｔだけ経過したときに解約する確率密度である。式（２）において、λ0およびβは未知パラメータであり、βTはβの転置を表す。
期間モデル構築部２２２は、生存時間解析による手法と、指数回帰モデルとを採用して、以下の手法で、期間モデルを構築する。なお、指数回帰モデルを採用する理由は、推定値の大域的最適解が保証されることと、指数回帰モデルによれば、購入後延長確率Ｑ（ｌ｜ｓj，ｕ）を解析的に解くことできるためである。
まず、この手法では、式（２）で示される確率密度を導入する。この確率密度は、購買履歴に依存し、契約開始からある所定期間ｔだけ経過したときに解約する確率密度である。式（２）において、λ0およびβは未知パラメータであり、βTはβの転置を表す。
また、式（３）で示される生存関数を導入する。この生存関数は、購買履歴に依存し、契約開始からある所定期間ｔまで契約していることを示す。なお、前記した式（２）と式（３）で同じ表記の記号は同じ意味で用いている。
また、式（４）で示されるハザード関数を導入する。このハザード関数は、購買履歴に依存し、契約開始からある所定期間ｔまで契約しているユーザｕがその時点で解約する割合を示している。なお、式（４）は、前記した式（２）を式（３）で除したものである。また、ハザード関数は、所定期間ｔには依存しない。
また、式（５）で示される部分対数尤度（Partial log-Likelihood）を導入する。この部分対数尤度は、公知の指数回帰モデルのBreslow近似によるものである。
なお、部分尤度については、例えば、「M. Cleves, W. Gould, and R.Gutierrez, An introduction to survival analysis using stata, revised edition. Stata Press, 2004」に記載されている。
なお、部分尤度については、例えば、「M. Cleves, W. Gould, and R.Gutierrez, An introduction to survival analysis using stata, revised edition. Stata Press, 2004」に記載されている。
式（５）において、Ｕ（ｔ）は、所定期間ｔの時点で解約したユーザ集合Ｕである。
｜Ｕ（ｔ）｜は、所定期間ｔにおけるユーザ集合Ｕ（ｔ）の要素数である。
Ｄ（ｔ）は、所定期間ｔの時点で契約しているユーザ集合である。
｜Ｕ（ｔ）｜は、所定期間ｔにおけるユーザ集合Ｕ（ｔ）の要素数である。
Ｄ（ｔ）は、所定期間ｔの時点で契約しているユーザ集合である。
期間モデル構築部２２２は、式（４）で示されるハザード関数における未知パラメータβを、式（５）で示される部分対数尤度ＰＬ（β）を最大化することにより推定する。この推定されたパラメータβは、複数のユーザの契約期間に対する特徴量を示す。
期間モデル構築部２２２は、推定されたパラメータβを含むハザード関数を期間モデル購入後延長確率推定部２２３に出力する。
期間モデル構築部２２２は、推定されたパラメータβを含むハザード関数を期間モデル購入後延長確率推定部２２３に出力する。
なお、βの値が低くなる購買履歴ほど、契約期間が長いことを特徴付ける。そのため、βの値が低くなる購買履歴を有するユーザの購買パターンを他のユーザにも適用できれば、その適用されたユーザの契約期間を延長させることが可能となる。
また、式（５）において、計算に用いるユーザ集合Ｕ（ｔ）等は、Ｎ人の全体集合だけではなく、そのＮ人を所定数に分割した個々の集合で、それぞれのパラメータβを求めるようにしてもよい。
また、式（５）において、計算に用いるユーザ集合Ｕ（ｔ）等は、Ｎ人の全体集合だけではなく、そのＮ人を所定数に分割した個々の集合で、それぞれのパラメータβを求めるようにしてもよい。
期間モデル購入後延長確率推定部２２３は、期間モデル構築部２２２で構築された期間モデルを用いて、ユーザｕがいずれかの商品（個別対象）を将来購入したと仮定したときの購買履歴を示す第１の購買履歴（仮定購買履歴）を生成すると共に、契約延長に対応する所定期間ｔに、入力データ４８として抽出された購買履歴を示す第２の購買履歴（実際の購買履歴）を有するユーザｕが解約したと仮定したときの事象と、そのユーザｕが仮定購買履歴を有するものと仮定されたときに契約を継続すると仮定したときの事象とが同時に起こると仮定したときの確率を、購入後延長確率４９として推定するものである。ここで、仮定購買履歴は、ユーザｕが、新たに商品ｓjを購入した後に生成された購買履歴である。したがって、この仮定購買履歴は、あくまで仮定したものであって、実際には、まだ存在していない。
期間モデル購入後延長確率推定部２２３は、前記した式（４）で示されるハザード関数を用いて、式（６）に示す購入後延長確率Ｑ（ｌ｜ｓj，ｕ）を推定する。
期間モデル購入後延長確率推定部２２３は、前記した式（４）で示されるハザード関数を用いて、式（６）に示す購入後延長確率Ｑ（ｌ｜ｓj，ｕ）を推定する。
購入後延長確率書込部２２４は、式（６）に示す購入後延長確率Ｑ（ｌ｜ｓj，ｕ）を購入後延長確率４９として記憶手段４（図１参照）に格納する。なお、格納された購入後延長確率４９は、リコメンド後延長確率推定部２４で利用される。
＜リコメンド後購入確率推定部＞
図４は、図１に示したリコメンド後購入確率推定部の構成を示す機能ブロック図である。リコメンド後購入確率推定部２３は、前処理部２１（図１参照）で作成された入力データ４８と、商品（個別対象）がリコメンドされることによるユーザの購買行動への影響度とを用いて、リコメンドされることにより商品（個別対象）が購入される確率を示すリコメンド後購入確率を、販売対象（商品群）ごとに推定するものである（リコメンド後購入確率推定処理を実行する）。
リコメンド後購入確率推定部２３は、図４に示すように、入力データ読込部２３１と、遷移モデル構築部（遷移モデル構築手段）２３２と、遷移モデルリコメンド後購入確率推定部（遷移モデルリコメンド後購入確率推定手段）２３３と、リコメンド後購入確率書込部２３４とを備えている。
入力データ読込部２３１は、記憶手段４（図１参照）から、入力データ４８を読み込み、遷移モデル構築部２３２に出力する。
図４は、図１に示したリコメンド後購入確率推定部の構成を示す機能ブロック図である。リコメンド後購入確率推定部２３は、前処理部２１（図１参照）で作成された入力データ４８と、商品（個別対象）がリコメンドされることによるユーザの購買行動への影響度とを用いて、リコメンドされることにより商品（個別対象）が購入される確率を示すリコメンド後購入確率を、販売対象（商品群）ごとに推定するものである（リコメンド後購入確率推定処理を実行する）。
リコメンド後購入確率推定部２３は、図４に示すように、入力データ読込部２３１と、遷移モデル構築部（遷移モデル構築手段）２３２と、遷移モデルリコメンド後購入確率推定部（遷移モデルリコメンド後購入確率推定手段）２３３と、リコメンド後購入確率書込部２３４とを備えている。
入力データ読込部２３１は、記憶手段４（図１参照）から、入力データ４８を読み込み、遷移モデル構築部２３２に出力する。
遷移モデル構築部２３２は、ユーザごとの商品（個別対象）の購買系列（購買履歴）から、ユーザが商品（個別対象）を購入したそれぞれの確率である購入確率を推定するモデルである遷移モデルを構築するものである。
遷移モデル構築部２３２は、リコメンドなしでユーザｕが商品ｓjを購入する購入確率をＲ（ｓj｜ｕ）として推定する遷移モデルを最大エントロピーモデルで構築する。具体的には、遷移モデル構築部２３２は、式（７）を遷移モデルとして構築する。なお、最大エントロビーモデルについては非特許文献１に記載されている。
遷移モデル構築部２３２は、リコメンドなしでユーザｕが商品ｓjを購入する購入確率をＲ（ｓj｜ｕ）として推定する遷移モデルを最大エントロピーモデルで構築する。具体的には、遷移モデル構築部２３２は、式（７）を遷移モデルとして構築する。なお、最大エントロビーモデルについては非特許文献１に記載されている。
式（７）において、Ｚ（ｕ）は正規化項である。また、ｋは商品番号、ｙcは前処理部２１で購買系列Ｋnから、購買履歴として生成された素性ベクトルの成分（スカラー）である。また、ｃはユーザｕnによる購買（購買イベントの番号）を示す。αcは、ｙcに相当する列ベクトルに対応した行ベクトル（未知パラメータ）
の成分（スカラー）である。この未知パラメータは、対数尤度を最大にすることにより推定できる。
遷移モデルリコメンド後購入確率推定部２３３は、遷移モデル構築部２３２で構築された遷移モデルで推定された各商品（個別対象）の購入確率と、リコメンドの影響度とを用いて、リコメンド後購入確率４１０を推定するものである。
ここで、前記した式（７）で示される購入確率Ｒ（ｓj｜ｕ）を用いる。
また、リコメンドの影響度γは、リコメンドによるユーザｕの購買行動への影響度を表しており、オンラインストアでのリコメンドの提示法に依存するものである。
ここで、前記した式（７）で示される購入確率Ｒ（ｓj｜ｕ）を用いる。
また、リコメンドの影響度γは、リコメンドによるユーザｕの購買行動への影響度を表しており、オンラインストアでのリコメンドの提示法に依存するものである。
遷移モデルリコメンド後購入確率推定部２３３は、式（８）で示される確率Ｒを、リコメンド後購入確率４１０として推定する。式（８）において、確率Ｒ（ｓj｜ｕ，ｒi）は、商品ｓiをリコメンドしたときに、ユーザｕが商品ｓjを購入する確率を示す。また、ｒiは、商品ｓiをリコメンドするという事象を表し、Ｚ（ｕ，ｒi）は、正規化項である。式（８）で示される確率Ｒは、商品ｓiをリコメンドすることにより、しない場合に比べ商品ｓiを購入する確率がγ（γ≧１）倍高くなることを表している。
リコメンド後購入確率書込部２３４は、前記した式（８）で示される確率Ｒ（ｓj｜ｕ，ｒi）をリコメンド後購入確率４１０として記憶手段４（図１参照）に格納する。なお、格納されたリコメンド後購入確率は、リコメンド後延長確率推定部２４で利用される。
＜リコメンド後延長確率推定部＞
図５は、図１に示したリコメンド後延長確率推定部の構成を示す機能ブロック図である。リコメンド後延長確率推定部２４は、購入後延長確率推定部２２（図１参照）で推定された購入後延長確率４９と、リコメンド後購入確率推定部２３（図１参照）で推定されたリコメンド後購入確率４１０とを用いて、リコメンドされることによりユーザの契約期間が延びる確率を示すリコメンド後延長確率４１１を、商品（個別対象）ごとに推定するものである。
リコメンド後延長確率推定部２４は、図５に示すように、購入後延長確率読込部２４１と、リコメンド後購入確率読込部２４２と、延長確率推定部２４３と、リコメンド後延長確率書込部２４４とを備えている。
図５は、図１に示したリコメンド後延長確率推定部の構成を示す機能ブロック図である。リコメンド後延長確率推定部２４は、購入後延長確率推定部２２（図１参照）で推定された購入後延長確率４９と、リコメンド後購入確率推定部２３（図１参照）で推定されたリコメンド後購入確率４１０とを用いて、リコメンドされることによりユーザの契約期間が延びる確率を示すリコメンド後延長確率４１１を、商品（個別対象）ごとに推定するものである。
リコメンド後延長確率推定部２４は、図５に示すように、購入後延長確率読込部２４１と、リコメンド後購入確率読込部２４２と、延長確率推定部２４３と、リコメンド後延長確率書込部２４４とを備えている。
購入後延長確率読込部２４１は、記憶手段４（図１参照）から、購入後延長確率４９を読み込み、延長確率推定部２４３に出力する。
リコメンド後購入確率読込部２４２は、記憶手段４（図１参照）から、リコメンド後購入確率４１０を読み込み、延長確率推定部２４３に出力する。
リコメンド後購入確率読込部２４２は、記憶手段４（図１参照）から、リコメンド後購入確率４１０を読み込み、延長確率推定部２４３に出力する。
延長確率推定部２４３は、式（９）で示される確率Ｐを、リコメンド後延長確率４１１として推定する。式（９）において、確率Ｐ（ｌ｜ｕ，ｒi）は、ユーザｕに商品ｓiをリコメンドしたときに、ユーザｕの契約期間が延びる確率を示す。
式（９）で示される確率Ｐ（ｌ｜ｕ，ｒi）は、契約期間が延びるという事象ｌと、商品ｓiをリコメンドしたという事象ｒiとは、商品ｓjとユーザｕとが与えられたとき条件付独立であると仮定して導かれている。このように仮定する理由は、リコメンドが購買行動に影響を与えない場合、リコメンドは契約期間にも影響を与えないと考えられるためである。したがって、式（９）で示される確率Ｐ（ｌ｜ｕ，ｒi）は、前記した式（６）で示される確率Ｑ（ｌ｜ｓj，ｕ）と、前記した式（８）で示される確率Ｒ（ｓj｜ｕ，ｒi）との積に分解できる。
リコメンド後延長確率書込部２４４は、前記のように推定した確率をリコメンド後延長確率４１１として記憶手段４（図１参照）に格納する。
なお、格納されたリコメンド後延長確率は、リコメンド部２５で利用される。
なお、格納されたリコメンド後延長確率は、リコメンド部２５で利用される。
＜リコメンド部＞
図６は、図１に示したリコメンド部の構成を示す機能ブロック図である。
リコメンド部２５は、リコメンド後延長確率推定部２４（図１参照）で推定されたリコメンド後延長確率４１１が最大になる商品（個別対象）を選択してリコメンド対象として提示するものである。
リコメンド部２５は、図６に示すように、リコメンド後延長確率読込部２５１と、延長確率最大商品選択部２５２と、リコメンド出力部２５３とを備えている。
図６は、図１に示したリコメンド部の構成を示す機能ブロック図である。
リコメンド部２５は、リコメンド後延長確率推定部２４（図１参照）で推定されたリコメンド後延長確率４１１が最大になる商品（個別対象）を選択してリコメンド対象として提示するものである。
リコメンド部２５は、図６に示すように、リコメンド後延長確率読込部２５１と、延長確率最大商品選択部２５２と、リコメンド出力部２５３とを備えている。
リコメンド後延長確率読込部２５１は、記憶手段４（図１参照）から、リコメンド後延長確率４１１を読み込み、延長確率最大商品選択部２５２に出力する。
延長確率最大商品選択部２５２は、式（１０）に示す演算を実行する。すなわち、延長確率最大商品選択部２５２は、ユーザｕが購入した商品の商品集合Ｓ（商品番号１≦ｉ≦Ｖ）の中から、式（９）で示されるリコメンド後延長確率Ｐ（ｌ｜ｕ，ｒi）が最大になる商品番号
を選択する。
リコメンド出力部２５３は、延長確率最大商品選択部２５２で選択された商品番号を出力することで、当該商品番号の商品をリコメンド対象として提示する。
[リコメンド装置の動作]
図１に示したリコメンド装置１の動作について図７を参照（適宜図１参照）して説明する。図７は、図１に示したリコメンド装置の動作を示すフローチャートである。
リコメンド装置１は、前処理部２１によって、契約ログ４６と購買ログ４７とを用いて、入力データを生成する（ステップＳ１：前処理ステップ）。そして、リコメンド装置１は、購入後延長確率推定部２２によって、購入後延長確率推定処理を実行する（ステップＳ２：購入後延長確率推定ステップ）。続いて、リコメンド装置１は、リコメンド後購入確率推定部２３によって、リコメンド後購入確率推定処理を実行する（ステップＳ３：リコメンド後購入確率推定ステップ）。また、リコメンド装置１は、リコメンド後延長確率推定部２４によって、ステップＳ２で推定された購入後延長確率４９と、ステップＳ３で推定されたリコメンド後購入確率４１０とを用いて、リコメンドされることによりユーザの契約期間が延びる確率を示すリコメンド後延長確率４１１を、商品（個別対象）ごとに推定する（ステップＳ４：リコメンド後延長確率推定ステップ）。そして、リコメンド装置１は、リコメンド部２５によって、ステップＳ４で推定されたリコメンド後延長確率４１１が最大となる商品（個別対象）を選択してリコメンドする（ステップＳ５：リコメンドステップ）。なお、ステップＳ３とステップＳ４との処理順序は、任意であり、並列に処理してもよい。
図１に示したリコメンド装置１の動作について図７を参照（適宜図１参照）して説明する。図７は、図１に示したリコメンド装置の動作を示すフローチャートである。
リコメンド装置１は、前処理部２１によって、契約ログ４６と購買ログ４７とを用いて、入力データを生成する（ステップＳ１：前処理ステップ）。そして、リコメンド装置１は、購入後延長確率推定部２２によって、購入後延長確率推定処理を実行する（ステップＳ２：購入後延長確率推定ステップ）。続いて、リコメンド装置１は、リコメンド後購入確率推定部２３によって、リコメンド後購入確率推定処理を実行する（ステップＳ３：リコメンド後購入確率推定ステップ）。また、リコメンド装置１は、リコメンド後延長確率推定部２４によって、ステップＳ２で推定された購入後延長確率４９と、ステップＳ３で推定されたリコメンド後購入確率４１０とを用いて、リコメンドされることによりユーザの契約期間が延びる確率を示すリコメンド後延長確率４１１を、商品（個別対象）ごとに推定する（ステップＳ４：リコメンド後延長確率推定ステップ）。そして、リコメンド装置１は、リコメンド部２５によって、ステップＳ４で推定されたリコメンド後延長確率４１１が最大となる商品（個別対象）を選択してリコメンドする（ステップＳ５：リコメンドステップ）。なお、ステップＳ３とステップＳ４との処理順序は、任意であり、並列に処理してもよい。
次に、前記したステップＳ２の購入後延長確率推定処理と、前記したステップＳ３のリコメンド後購入確率推定処理について図８を参照して説明する。図８は、図７に示したリコメンド装置の動作の詳細を示すフローチャートであり、（ａ）は購入後延長確率推定処理、（ｂ）はリコメンド後購入確率推定処理をそれぞれ示している。
まず、前記したステップＳ２の購入後延長確率推定処理では、図８（ａ）に示すように、購入後延長確率推定部２２は、期間モデル構築部２２２によって、生存時間解析による手法と、指数回帰モデルとを採用した期間モデルを構築する（ステップＳ２１）。続いて、購入後延長確率推定部２２は、期間モデル購入後延長確率推定部２２３によって、ステップＳ２１で構築された期間モデルにおけるハザード関数を用いて、式（６）に示す購入後延長確率Ｑ（ｌ｜ｓj，ｕ）を推定する（ステップＳ２２）。
次に、前記したステップＳ３のリコメンド後購入確率推定処理では、図８（ｂ）に示すように、リコメンド後購入確率推定部２３は、遷移モデル構築部２３２によって、リコメンドなしでユーザｕが商品ｓjを購入する購入確率をＲ（ｓj｜ｕ）として推定する遷移モデルを最大エントロピーモデルで構築する（ステップＳ３１）。続いて、リコメンド後購入確率推定部２３は、遷移モデルリコメンド後購入確率推定部２３３によって、ステップＳ３１で構築された遷移モデルにおける購入確率Ｒ（ｓj｜ｕ）とリコメンドの影響度γとを用いて、式（８）に示すリコメンド後購入確率Ｒ（ｓj｜ｕ，ｒi）を推定する（ステップＳ３２）。
なお、リコメンド装置１は、一般的なコンピュータに、前記した各ステップを実行させるリコメンドプログラムを実行することで実現することもできる。このプログラムは、通信回線を介して配布することも可能であるし、ＣＤ−ＲＯＭ等の記録媒体に書き込んで配布することも可能である。
第１実施形態によれば、ユーザの契約期間を効果的に延長させることのできる商品をリコメンドできる。契約期間が延長するということは、ユーザの満足度が高いことを意味する。そのため、契約期間を延ばすことのできるリコメンドは、オンラインストアの提供者の収益増加につながるだけでなく、ユーザにとっても好ましい。
なお、本実施形態では、契約期間を推定する購入後延長確率推定部２２と、ユーザの嗜好を推定するリコメンド後購入確率推定部２３とが分かれているため、生存時間解析の他に協調フィルタリングなどの手法を応用することも可能である。
なお、本実施形態では、契約期間を推定する購入後延長確率推定部２２と、ユーザの嗜好を推定するリコメンド後購入確率推定部２３とが分かれているため、生存時間解析の他に協調フィルタリングなどの手法を応用することも可能である。
（第２実施形態）
[リコメンド装置の構成]
図９は、本発明の第２実施形態に係るリコメンド装置の構成を示すブロック図である。
リコメンド装置１Ａは、図１に示したリコメンド装置１の構成を簡略化し、リコメンド部２５Ａの機能が異なる点を除いて同様の構成なので、同一の構成には同一の符号を付して説明を省略する。
[リコメンド装置の構成]
図９は、本発明の第２実施形態に係るリコメンド装置の構成を示すブロック図である。
リコメンド装置１Ａは、図１に示したリコメンド装置１の構成を簡略化し、リコメンド部２５Ａの機能が異なる点を除いて同様の構成なので、同一の構成には同一の符号を付して説明を省略する。
＜リコメンド部＞
図１０は、図９に示したリコメンド部の構成を示す機能ブロック図である。
リコメンド部（リコメンド手段）２５Ａは、購入後延長確率推定部２２（図１参照）で推定された購入後延長確率４９が最大になる商品（個別対象）を選択してリコメンド対象として提示するものである。
リコメンド部２５Ａは、図１０に示すように、購入後延長確率読込部２５１Ａと、延長確率最大商品選択部２５２と、リコメンド出力部２５３とを備えている。
購入後延長確率読込部２５１Ａは、記憶手段４（図１参照）から、購入後延長確率４９を読み込み、延長確率最大商品選択部２５２に出力するものである。
図１０は、図９に示したリコメンド部の構成を示す機能ブロック図である。
リコメンド部（リコメンド手段）２５Ａは、購入後延長確率推定部２２（図１参照）で推定された購入後延長確率４９が最大になる商品（個別対象）を選択してリコメンド対象として提示するものである。
リコメンド部２５Ａは、図１０に示すように、購入後延長確率読込部２５１Ａと、延長確率最大商品選択部２５２と、リコメンド出力部２５３とを備えている。
購入後延長確率読込部２５１Ａは、記憶手段４（図１参照）から、購入後延長確率４９を読み込み、延長確率最大商品選択部２５２に出力するものである。
延長確率最大商品選択部２５２は、式（１１）に示す演算を実行する。すなわち、延長確率最大商品選択部２５２は、ユーザｕが購入した商品の商品集合Ｓ（商品番号１≦ｉ≦Ｖ）の中から、式（６）で示される購入後延長確率Ｑ（ｌ｜ｕ，ｓi）が最大になる商品番号
を選択する。なお、リコメンド出力部２５３は、延長確率最大商品選択部２５２で選択された商品番号を出力することで、当該商品番号の商品をリコメンドする。
[リコメンド装置の動作]
図９に示したリコメンド装置１Ａの動作について図１１を参照（適宜図９および図１０参照）して説明する。図１１は、図９に示したリコメンド装置の動作を示すフローチャートである。
リコメンド装置１Ａが実行するステップＳ４１およびステップＳ４２の各処理は、図７のフローチャートに示したステップＳ１およびステップＳ２の各処理と同一なので説明を省略する。ステップＳ４２に続いて、リコメンド装置１Ａは、ステップＳ４２で推定された購入後延長確率４９が最大となる商品（個別対象）を選択してリコメンドする。（ステップＳ４３）。
図９に示したリコメンド装置１Ａの動作について図１１を参照（適宜図９および図１０参照）して説明する。図１１は、図９に示したリコメンド装置の動作を示すフローチャートである。
リコメンド装置１Ａが実行するステップＳ４１およびステップＳ４２の各処理は、図７のフローチャートに示したステップＳ１およびステップＳ２の各処理と同一なので説明を省略する。ステップＳ４２に続いて、リコメンド装置１Ａは、ステップＳ４２で推定された購入後延長確率４９が最大となる商品（個別対象）を選択してリコメンドする。（ステップＳ４３）。
第２実施形態によれば、簡易な構成で、迅速に、ユーザの契約期間を延長させることのできる商品を選択してリコメンドすることが可能となる。
以上、本発明の各実施形態について説明したが、本発明はこれらに限定されるものではなく、その趣旨を変えない範囲で実施することができる。例えば、契約期間が長いユーザに特徴的な購買パターンを見つけ、各ユーザが前記購買パターンと同様の購買行動をするような商品をリコメンドすることもできる。また、購買履歴の素性として、高次のマルコフ遷移や、ユーザ情報などを組み込むようにしてもよい。
また、リコメンド装置１を構成する装置は、１台に限定されることはなく、複数の装置に機能を分散配置してもよい。例えば、演算手段２の前処理部２１、購入後延長確率推定部２２、リコメンド後購入確率推定部２３、リコメンド後延長確率推定部２４、リコメンド部２５や、記憶手段４のデータ格納部４０ｂを、別々の装置として構成してもよい。これにより、各装置への負荷が分散され、高速な処理が実現可能となる。
１ リコメンド装置
２ 演算手段
３ 入力手段
４ 記憶手段
５ 出力手段
６ バスライン
２１ 前処理部（前処理手段）
２２ 購入後延長確率推定部（購入後延長確率推定手段）
２３ リコメンド後購入確率推定部（リコメンド後購入確率推定手段）
２４ リコメンド後延長確率推定部（リコメンド後延長確率推定手段）
２５ リコメンド部（リコメンド手段）
２６ メモリ
４０ａ プログラム格納部
４１ 前処理プログラム
４２ 購入後延長確率推定プログラム
４３ リコメンド後購入確率推定プログラム
４４ リコメンド後延長確率推定プログラム
４５ リコメンドプログラム
４０ｂ データ格納部
４６ 契約ログ
４７ 購買ログ
４８ 入力データ
４９ 購入後延長確率
４１０ リコメンド後購入確率
４１１ リコメンド後延長確率
２１１ 契約ログ読込部
２１２ 購買ログ読込部
２１３ 入力データ書込部
２２１ 入力データ読込部
２２２ 期間モデル構築部（期間モデル構築手段）
２２３ 期間モデル購入後延長確率推定部（期間モデル購入後延長確率推定手段）
２２４ 購入後延長確率書込部
２３１ 入力データ読込部
２３２ 遷移モデル構築部（遷移モデル構築手段）
２３３ 遷移モデルリコメンド後購入確率推定部（遷移モデルリコメンド後購入確率推定手段）
２３４ リコメンド後購入確率書込部
２４１ 購入後延長確率読込部
２４２ リコメンド後購入確率読込部
２４３ 延長確率推定部
２４４ リコメンド後延長確率書込部
２５１ リコメンド後延長確率読込部
２５２ 延長確率最大商品選択部
２５１ リコメンド出力部
１Ａ リコメンド装置
２５Ａ リコメンド部
４０ｃ プログラム格納部
４０ｄ データ格納部
２５１Ａ 購入後延長確率読込部
２ 演算手段
３ 入力手段
４ 記憶手段
５ 出力手段
６ バスライン
２１ 前処理部（前処理手段）
２２ 購入後延長確率推定部（購入後延長確率推定手段）
２３ リコメンド後購入確率推定部（リコメンド後購入確率推定手段）
２４ リコメンド後延長確率推定部（リコメンド後延長確率推定手段）
２５ リコメンド部（リコメンド手段）
２６ メモリ
４０ａ プログラム格納部
４１ 前処理プログラム
４２ 購入後延長確率推定プログラム
４３ リコメンド後購入確率推定プログラム
４４ リコメンド後延長確率推定プログラム
４５ リコメンドプログラム
４０ｂ データ格納部
４６ 契約ログ
４７ 購買ログ
４８ 入力データ
４９ 購入後延長確率
４１０ リコメンド後購入確率
４１１ リコメンド後延長確率
２１１ 契約ログ読込部
２１２ 購買ログ読込部
２１３ 入力データ書込部
２２１ 入力データ読込部
２２２ 期間モデル構築部（期間モデル構築手段）
２２３ 期間モデル購入後延長確率推定部（期間モデル購入後延長確率推定手段）
２２４ 購入後延長確率書込部
２３１ 入力データ読込部
２３２ 遷移モデル構築部（遷移モデル構築手段）
２３３ 遷移モデルリコメンド後購入確率推定部（遷移モデルリコメンド後購入確率推定手段）
２３４ リコメンド後購入確率書込部
２４１ 購入後延長確率読込部
２４２ リコメンド後購入確率読込部
２４３ 延長確率推定部
２４４ リコメンド後延長確率書込部
２５１ リコメンド後延長確率読込部
２５２ 延長確率最大商品選択部
２５１ リコメンド出力部
１Ａ リコメンド装置
２５Ａ リコメンド部
４０ｃ プログラム格納部
４０ｄ データ格納部
２５１Ａ 購入後延長確率読込部
Claims (6)
- 商品またはサービスを示す販売対象を販売する販売者との間で前記販売対象を所定期間継続して購買する契約を行なったことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として出力するリコメンド装置であって、
前記ユーザの前記販売対象に対する現在の契約の有無および契約開始時刻に関する情報を含む契約情報と、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報とを用いて、前記ユーザごとに、前記現在の契約の有無、契約期間、どの商品をいつどのような順序で購入したかを示す購買系列、及び、前記購買系列から抽出したベクトルで表わされる素性である購買履歴からなる処理用データを作成する前処理手段と、
前記作成された処理用データを用いて、生存時間解析による手法と指数回帰モデルとを採用して契約開始からある所定期間ｔだけ経過したときに契約しているユーザｕが解約する割合を示す関数であるハザード関数を構築し、前記個別対象ごとに、前記購買履歴に関するハザード関数を、当該購買履歴に関するハザード関数と当該個別対象をユーザが将来購入したと仮定したときの購買履歴である仮定購買履歴に関するハザード関数とを足し合わせた値で除した値を、当該個別対象の購入により前記販売対象の契約期間が延びる確率を示す購入後延長確率として推定する購入後延長確率推定手段と、
前記作成された処理用データにおける前記ユーザ毎の購買履歴から、リコメンドなしでユーザｕが商品ｓ j を購入する購入確率を示す遷移モデルを最大エントロピーモデルで構築する遷移モデル構築手段と、
前記個別対象ごとに、前記遷移モデル構築手段で構築した遷移モデルにより推定した前記各個別対象の購入確率に、予め定められた前記個別対象がリコメンドされることによる前記ユーザの購買行動への影響度を掛け合わせた値を、リコメンドされることにより前記個別対象が購入される確率を示すリコメンド後購入確率として推定するリコメンド後購入確率推定手段と、
前記推定された購入後延長確率と、前記推定されたリコメンド後購入確率との積を、前記購入に係る個別対象について総計する演算を行うことで、リコメンドされることにより前記ユーザの契約期間が延びる確率を示すリコメンド後延長確率を、前記リコメンドされる個別対象ごとに推定するリコメンド後延長確率推定手段と、
前記ユーザが購入した個別対象の集合の中から、前記推定されたリコメンド後延長確率が最大になる前記個別対象を選択してリコメンド対象として出力するリコメンド手段と、
を備えることを特徴とするリコメンド装置。 - 商品またはサービスを示す販売対象を販売する販売者との間で前記販売対象を所定期間継続して購買する契約を行なったことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として出力するリコメンド装置であって、
前記ユーザの前記販売対象に対する現在の契約の有無および契約開始時刻に関する情報を含む契約情報と、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報とを用いて、前記ユーザごとに、前記現在の契約の有無、契約期間、どの商品をいつどのような順序で購入したかを示す購買系列、及び、前記購買系列から抽出したベクトルで表わされる素性である購買履歴からなる処理用データを作成する前処理手段と、
前記作成された処理用データを用いて、生存時間解析による手法と指数回帰モデルとを採用して契約開始からある所定期間ｔだけ経過したときに契約しているユーザｕが解約する割合を示す関数であるハザード関数を構築し、前記個別対象ごとに、前記購買履歴に関するハザード関数を、当該購買履歴に関するハザード関数と当該個別対象をユーザが将来購入したと仮定したときの購買履歴である仮定購買履歴に関するハザード関数とを足し合わせた値で除した値を、当該個別対象の購入により前記販売対象の契約期間が延びる確率を示す購入後延長確率として推定する購入後延長確率推定手段と、
前記ユーザが購入した個別対象の集合の中から、前記推定された購入後延長確率が最大になる前記個別対象を選択してリコメンド対象として出力するリコメンド手段と、
を備えることを特徴とするリコメンド装置。 - 商品またはサービスを示す販売対象を販売する販売者との間で前記販売対象を所定期間継続して購買する契約を行なったことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として出力するリコメンド装置のリコメンド方法であって、
前記ユーザの前記販売対象に対する現在の契約の有無および契約開始時刻に関する情報を含む契約情報と、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報とを用いて、前記ユーザごとに、前記現在の契約の有無、契約期間、どの商品をいつどのような順序で購入したかを示す購買系列、及び、前記購買系列から抽出したベクトルで表わされる素性である購買履歴からなる処理用データを作成する前処理ステップと、
前記作成された処理用データを用いて、生存時間解析による手法と指数回帰モデルとを採用して契約開始からある所定期間ｔだけ経過したときに契約しているユーザｕが解約する割合を示す関数であるハザード関数を構築し、前記個別対象ごとに、前記購買履歴に関するハザード関数を、当該購買履歴に関するハザード関数と当該個別対象をユーザが将来購入したと仮定したときの購買履歴である仮定購買履歴に関するハザード関数とを足し合わせた値で除した値を、当該個別対象の購入により前記販売対象の契約期間が延びる確率を示す購入後延長確率として推定する購入後延長確率推定ステップと、
前記作成された処理用データにおける前記ユーザ毎の購買履歴から、リコメンドなしでユーザｕが商品ｓ j を購入する購入確率を示す遷移モデルを最大エントロピーモデルで構築する遷移モデル構築ステップと、
前記個別対象ごとに、前記遷移モデル構築手段で構築した遷移モデルにより推定した前記各個別対象の購入確率に、予め定められた前記個別対象がリコメンドされることによる前記ユーザの購買行動への影響度を掛け合わせた値を、リコメンドされることにより前記個別対象が購入される確率を示すリコメンド後購入確率として推定するリコメンド後購入確率推定ステップと、
前記推定された購入後延長確率と、前記推定されたリコメンド後購入確率との積を、前記購入に係る個別対象について総計する演算を行うことで、リコメンドされることにより前記ユーザの契約期間が延びる確率を示すリコメンド後延長確率を、前記リコメンドされる個別対象ごとに推定するリコメンド後延長確率推定ステップと、
前記ユーザが購入した個別対象の集合の中から、前記推定されたリコメンド後延長確率が最大になる前記個別対象を選択してリコメンド対象として出力するリコメンドステップと、
を含むことを特徴とするリコメンド方法。 - 商品またはサービスを示す販売対象を販売する販売者との間で前記販売対象を所定期間継続して購買する契約を行なったことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として出力するリコメンド装置のリコメンド方法であって、
前記ユーザの前記販売対象に対する現在の契約の有無および契約開始時刻に関する情報を含む契約情報と、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報とを用いて、前記ユーザごとに、前記現在の契約の有無、契約期間、どの商品をいつどのような順序で購入したかを示す購買系列、及び、前記購買系列から抽出したベクトルで表わされる素性である購買履歴からなる処理用データを作成する前処理ステップと、
前記作成された処理用データを用いて、生存時間解析による手法と指数回帰モデルとを採用して契約開始からある所定期間ｔだけ経過したときに契約しているユーザｕが解約する割合を示す関数であるハザード関数を構築し、前記個別対象ごとに、前記購買履歴に関するハザード関数を、当該購買履歴に関するハザード関数と当該個別対象をユーザが将来購入したと仮定したときの購買履歴である仮定購買履歴に関するハザード関数とを足し合わせた値で除した値を、当該個別対象の購入により前記販売対象の契約期間が延びる確率を示す購入後延長確率として推定する購入後延長確率推定ステップと、
前記ユーザが購入した個別対象の集合の中から、前記推定された購入後延長確率が最大になる前記個別対象を選択してリコメンド対象として出力するリコメンドステップと、
を含むことを特徴とするリコメンド方法。 - 請求項３または請求項４に記載のリコメンド方法をコンピュータに実行させるためのリコメンドプログラム。
- 請求項５に記載のリコメンドプログラムが記録されたことを特徴とするコンピュータ読み取り可能な記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2006148176A JP4751242B2 (ja) | 2006-05-29 | 2006-05-29 | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2006148176A JP4751242B2 (ja) | 2006-05-29 | 2006-05-29 | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2007317082A JP2007317082A (ja) | 2007-12-06 |
| JP4751242B2 true JP4751242B2 (ja) | 2011-08-17 |
Family
ID=38850865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2006148176A Expired - Fee Related JP4751242B2 (ja) | 2006-05-29 | 2006-05-29 | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4751242B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220301024A1 (en) * | 2020-01-07 | 2022-09-22 | Northwestern Polytechnical University | Sequential recommendation method based on long-term and short-term interests |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4847916B2 (ja) * | 2007-05-18 | 2011-12-28 | 日本電信電話株式会社 | 購買順序を考慮したリコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 |
| JP4847919B2 (ja) * | 2007-05-29 | 2011-12-28 | 日本電信電話株式会社 | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 |
| JP4839358B2 (ja) * | 2008-09-04 | 2011-12-21 | 日本電信電話株式会社 | 購入予測方法、購入予測装置、購入予測プログラム、および、記録媒体 |
| JP5722276B2 (ja) * | 2012-05-16 | 2015-05-20 | 日本電信電話株式会社 | 初回購買推定装置、方法、及びプログラム |
| JP5954834B2 (ja) * | 2013-07-03 | 2016-07-20 | 日本電信電話株式会社 | 離脱推定装置、解約推定装置、方法、及びプログラム |
| JP7215130B2 (ja) * | 2018-12-12 | 2023-01-31 | 富士通株式会社 | 離反防止支援プログラム、離反防止支援方法および情報処理装置 |
| JP7296263B2 (ja) * | 2019-06-28 | 2023-06-22 | ソフトバンクロボティクス株式会社 | 商品推奨装置、商品推奨方法、及び商品推奨プログラムならびに提案装置、提案方法、及び提案プログラム |
| CN112633960B (zh) * | 2019-09-24 | 2024-05-24 | 北京京东尚科信息技术有限公司 | 一种推荐信息推送方法及装置、计算机可读存储介质 |
| US20230083842A1 (en) * | 2020-02-06 | 2023-03-16 | Nippon Telegraph And Telephone Corporation | Estimation method, estimation apparatus and program |
| CN114827251B (zh) * | 2022-03-31 | 2024-04-19 | 拉扎斯网络科技（上海）有限公司 | 签约页面推送方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003122972A (ja) * | 2001-10-16 | 2003-04-25 | Ntt Data Corp | 複数種の販売品の組合せから成るセット物を用いた販売システム及び方法 |
| JP2004054439A (ja) * | 2002-07-17 | 2004-02-19 | Nippon Telegr & Teleph Corp <Ntt> | 顧客行動分析に基づくマーケティング戦略策定支援方法、装置、およびプログラム |
-
2006
- 2006-05-29 JP JP2006148176A patent/JP4751242B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220301024A1 (en) * | 2020-01-07 | 2022-09-22 | Northwestern Polytechnical University | Sequential recommendation method based on long-term and short-term interests |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2007317082A (ja) | 2007-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4751242B2 (ja) | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 | |
| JP4465417B2 (ja) | 顧客セグメント推定装置 | |
| US20190220779A1 (en) | Predicting a consumer selection preference based on estimated preference and environmental dependence | |
| US7765123B2 (en) | Indicating which of forecasting models at different aggregation levels has a better forecast quality | |
| JP4847916B2 (ja) | 購買順序を考慮したリコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 | |
| JP6856023B2 (ja) | 最適化システム、最適化方法および最適化プログラム | |
| JP6801281B2 (ja) | プロモーション支援装置及びプログラム | |
| JP4847919B2 (ja) | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 | |
| Djeundje et al. | Identifying hidden patterns in credit risk survival data using generalised additive models | |
| JP5963320B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
| Tang et al. | Assessing the impact of derived behavior information on customer attrition in the financial service industry | |
| Anand et al. | Obtaining informationally consistent decisions when computing costs with limited information | |
| Glady et al. | Unveiling the relationship between the transaction timing, spending and dropout behavior of customers | |
| Matsuoka | A framework for variance analysis of customer equity based on a Markov chain model | |
| Jiang et al. | A high-dimensional choice model for online retailing | |
| Mitra et al. | Regression based scenario generation: Applications for performance management | |
| US9798700B2 (en) | System and method for evaluating decisions using multiple dimensions | |
| WO2023120126A1 (ja) | 販売数量予測システム、販売数量予測方法 | |
| Tahsin et al. | Market analysis as a possible activity of software project management | |
| US20210397993A1 (en) | Generalized machine learning application to estimate wholesale refined product price semi-elasticities | |
| JP2015187773A (ja) | データ解析装置、データ解析プログラム及びデータ解析方法 | |
| WO2021192232A1 (ja) | 商品推薦システム、商品推薦装置、商品推薦方法、及び、商品推薦プログラムが格納された記録媒体 | |
| Zhang | Dynamic targeted pricing in b2b settings | |
| JP7244707B1 (ja) | 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 | |
| Pitkin et al. | Dirichlet process mixtures of order statistics with applications to retail analytics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080730 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20101202 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20101214 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110126 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110412 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110421 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20110517 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20110520 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140527 Year of fee payment: 3 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| LAPS | Cancellation because of no payment of annual fees |