JP4962950B2 - ネットワーク上のユーザに対するレコメンデーションの方法、レコメンデーションサーバ及びプログラム - Google Patents

Description

本発明は、ネットワーク上のユーザに対するレコメンデーションの方法、レコメンデーションサーバ及びプログラムに関する。

近年、インターネットの社会への普及に伴い、Ｗｅｂその他のネットワーク環境において、ユーザはＷｅｂブラウザその他の技術的手段により情報を単に閲覧するだけではなく、商品を購入したり、属性の近いもの同士で情報を送受信してコミュニティを作ったり、といった現実社会における活動と同様の活動をするようになってきた。

ところで、当該Ｗｅｂその他のネットワーク環境においては、ユーザの情報閲覧、商品購入、コミュニティにおける情報の送受信等の活動を記録することは比較的容易である。具体的には、例えば、Ｗｅｂ上でユーザの会員登録等を受け付けることによって、サーバが当該ユーザの基本属性を記憶したり、当該会員登録等を行ったユーザのＷｅｂ上での情報閲覧、商品購入等の活動を、サーバがログ（活動記録）として自動的に収集、記憶したり、といったことが可能である。

そこで、当該Ｗｅｂその他のネットワーク環境において、登録された基本属性やログ（活動記録）等に基づいてユーザに興味があると考えられる商品やサービスを推薦したり（レコメンデーション）、広告を送信したり、属性が近いと思われるユーザを紹介したり（ソーシャル・ネットワーキング・サービス；ＳＮＳ）、といったサービスが行われている。

例えば、特許文献１に記載の技術によれば、Ｗｅｂサーバは、ユーザの購買記録に基づいて当該ユーザの興味を分析し、その分析結果に基づいて、商品推薦（レコメンデーション）を行うことができる。

より具体的には、Ｗｅｂサーバが、全てのユーザの過去の購買記録に基づいて、人気商品を特定し、その人気商品を購入したユーザが購入した別の商品の購入頻度を集計し、これらの人気商品とその他の商品との間の購入に関する相関を分析し、以ってそれぞれの人気商品について購入頻度において相関の強いその他の商品をその特定商品を購入したユーザに推薦する。

また、例えば、非特許文献１の技術によれば、Ｗｅｂサーバは、ユーザの購買記録や商品の評価記録（レイティング）に基づいて、商品推薦を行うことができる。

より具体的には、Ｗｅｂサーバは、類似商品テーブルを生成し、人気商品を購入したユーザをサンプリングして当該ユーザの購買記録や商品の評価記録（レイティング）に基づいて、当該人気商品を購入したユーザが購入或いはレイティングを行った商品に類似した商品を相関の強い商品として推薦する。
米国特許第６，９１２，５０５号公報 Ａｍａｚｏｎ．ｃｏｍ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ，Ｉｔｅｍ−ｔｏ−Ｉｔｅｍ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ，Ｇｒｅｇ Ｌｉｎｄｅｎ， Ｂｒｅｎｔ Ｓｍｉｔｈ，ａｎｄ Ｊｅｒｅｍｙ Ｙｏｒｋ，Ａｍａｚｏｎ．ｃｏｍ，Ｊａｎｕａｒｙ・Ｆｅｂｒｕａｒｙ ２００３， ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ

しかしながら、特許文献１及び非特許文献１に記載された発明において、レコメンデーションを行うに当たって、ユーザではなく、まず商品に着目するアプローチを採っていること、及び、人気商品を購入したユーザがあわせて購入した商品との「相関」を用いることに関していくつか課題が存在する。

第１の課題は、一般に相関は−１から１の間の値を取り得ると考えられているが、実際にはより限られた範囲の値しか取らない分布が多々存在している。具体的には例えば、−０．２から＋０．６の値しか取らないことも考えられる。このような状況においては、例えば、「相関が＋０．７の場合にユーザの属性が近いと判断する」等とした場合、相関を用いてもユーザの属性の重複度合いを判断することができない。

第２の課題は、相関を用いる分析において、あるユーザ同士の相関が負の値を持つ場合、その値は一般には破棄されてしまうが、仮にあるユーザ同士の相関が負の大きな値を持つ場合、そのユーザ同士は明らかに依存性を持っているといえるため、相関により依存性を捉えることには限界があるといえる。

第３の課題は、相関はユーザの属性を表す確率分布に関するグローバルな情報を含んでいないということである。具体的には、あるユーザ同士の属性の重複度合いが比較的大きい場合においても、相関はそれを察知できるとは限らない。即ち、あるユーザの属性の重複度合いが全く無い場合は相関はゼロであるので正しい判断を下すことができるが、逆に相関がゼロであっても属性の重なり度合いが比較的大きい場合も存在し、無相関＝無関係として誤った判断を下すことになるのである。特に、相関は２次のモーメントにしか依存しないため、複数のユーザの行動特性の確率分布が与えられたとき、テールに関する情報は相関を用いた分析結果に現れないことである。例として、Ａ及びＢ２人のユーザがある商品を購入する頻度を示す確率分布が当該商品の価格に対して例えばＡがパワー型、Ｂがガウス型のテールを持つ場合、このテールの部分には決定的な違いがある。即ち、Ｂは高額の商品を薦めても購入する見込みは無いが、Ａは商品が気に入れば購入する可能性がある。しかしながら、高次のモーメントに依存しないため、相関はこのような差異を判断する情報を与えることができない。

第４の課題は、相関は線形の関係を表現することができるが、非線形の関係を表現することができないことである。具体的には、２つの確率変数ＸとＹがＹ＝ａＸ＋ｂの関係（線形の関係）を有している場合には、相関を用いた分析は有意義な情報を与えることができるが、これら２つの確率変数が例えばＹ＝Ｓｉｎ（Ｘ）の関係（周期的に依存する関係）を有している場合（例えば、ネットワークへのアクセス数Ｙと時間Ｘとの関係がこれに当たる）、相関を用いた分析はこのような周期的に依存する関係について有意義な情報を与えることができない（つまり、ＸとＹの依存性は高いが、相関はゼロとなる）。

さらに、相関を用いる、用いないにかかわらず、次のような課題も存在する。即ち、第５の課題は、相関を用いる、用いないにかかわらず、従来のレコメンデーションは商品基準（商品重視）となっていることがあげられる。例えば中年の男性がたまたま５歳の娘に絵本を購入したからといって、５歳向けの絵本ばかりレコメンデーションしてもその効用は小さい。むしろ、興味の似通った人の購入したものを推薦したほうが望ましい。

そこで、商品重視ではなく、ユーザ重視であり、また、相関を用いることなくネットワーク上のユーザに対してレコメンデーションを行う範囲を当該ユーザ毎に調整する方法を提供することが望まれている。

そこで、本発明は、ネットワーク上のユーザに対してレコメンデーションを行う範囲をユーザ毎に調整する方法、レコメンデーションサーバ及びプログラムを提供することを目的とする。

上述の目的を達成するために、本発明者らは研究を重ね、本発明を完成するに至った。具体的には、本発明は以下のようなものを提供する。

（１） 通信ネットワーク（通信ネットワーク３０）を介して接続可能な端末（端末２０）のユーザに対してサーバ（サーバ１０）がレコメンデーションを行う方法であって、
複数の前記ユーザの端末から、複数の前記ユーザの基本属性データ又はログデータを少なくとも含んで構成するユーザ特性データを、前記通信ネットワークを介して受信するステップと、
受信した前記ユーザ特性データに基づいて、複数の前記ユーザの特性を確率空間にマッピングするステップと、
マッピングした前記確率空間においてそれぞれの前記ユーザの間の球面距離を計算するステップと、
計算した前記球面距離に基づいて、複数の前記ユーザのうち、特定のユーザとその他のユーザとの間の属性の重複度合いを表す属性重複指数データを計算するステップと、
計算した前記属性重複指数データについて、前記ユーザのリスク回避度を表すパラメータに依存した非線形平均を計算することによって、前記特定のユーザに対してレコメンデーションを行うためのレコメンデーションリストを生成するステップと、
生成した前記レコメンデーションリストに基づいて、前記特定のユーザの端末にレコメンデーションを行うためのデータを送信するステップと、を含む方法。

本発明のこのような構成によれば、前記サーバは、複数の前記ユーザの端末から、複数の前記ユーザの基本属性データ又はログデータを少なくとも含んで構成するユーザ特性データを、前記通信ネットワークを介して受信し、受信した前記ユーザ特性データに基づいて、複数の前記ユーザの特性を確率空間にマッピングし、マッピングした前記確率空間においてそれぞれの前記ユーザの間の球面距離を計算し、計算した前記球面距離に基づいて、複数の前記ユーザのうち、特定のユーザとその他のユーザとの間の属性の重複度合いを表す属性重複指数データを計算し、計算した前記属性重複指数データについて、前記ユーザのリスク回避度を表すパラメータに依存した非線形平均を計算することによって、前記特定のユーザに対してレコメンデーションを行うためのレコメンデーションリストを生成し、生成した前記レコメンデーションリストに基づいて、前記特定のユーザの端末にレコメンデーションを行うためのデータを送信することができる、という作用を有する。

このことにより、前記サーバは、計算した前記球面距離に基づいて、前記特定のユーザとその他のユーザとの間の属性の重複度合いを表す属性重複指数データを計算し、計算した前記属性重複指数データに基づいて、前記特定の複数のユーザに対するレコメンデーションリストを生成してレコメンデーションを行うためのデータを前記特定のユーザの端末に送信することができる。

その結果、前記サーバは、前記属性重複指数データを計算することによって、レコメンデーションを行うユーザ毎にパーソナライズされたレコメンデーションを行うことができる。

ここで用いる球面距離は、ユーザの属性を表す分布に関してその重複度が大きければ大きいほど限りなくゼロに近づき、また小さければ小さいほどその最大値であるπ／２に近づく。即ち、球面距離は、０〜π／２の値を取り得、ユーザの属性の分布によって、「相関」のように、その取り得る範囲がそれ以下の範囲に限定されることがない。このように本発明の原理によれば、第１の課題を解決することができる。

なお、当該球面距離の値は、インプットであるユーザ特性データの全てを反映した値であり、「相関」のように負の値が廃棄されることがない。このように本発明の原理によれば、第２の課題を解決することができる。

また、当該球面距離は、グローバルなレベルでユーザの属性の重複度合いを表しているので、基本的にグローバルな全てのモーメントが関与しており、包括的な情報を含んでいるといえる。従って、当該球面距離は、上述の例のように、Ａ及びＢ２人のユーザがある商品を購入する頻度を示す確率分布が当該商品の価格に対して例えばＡがパワー型、Ｂがガウス型のテールを持つ場合において、「相関」が当該テールの違いを十分に表すことができないのと対照的である。このように本発明の原理によれば、第３の課題を解決することができる。

更に、距離の概念においては、異なるユーザの利用特性を表す確率変数の依存性には無関係に距離が定まる。このため、依存性が線形であるか否かに関わらず、球面距離はユーザの属性の重複度合いを表現することができる。従って、当該球面距離は、「相関」のように線形の依存関係しか十分に表現することができない、という制約から解放されている。このように本発明の原理によれば、第４の課題を解決することができる。

また、ユーザが購入や検索をした商品を用いて当該ユーザ間の距離を定めるのであるが、このような距離が一旦定まったならば、レコメンデーションに関しては（商品重視ではなく）ユーザ観点に基づいて決定するため、このような本発明の原理によれば、第５の課題を解決することができる。

（２）前記サーバが、前記ユーザのリスク回避度を表すパラメータの設定入力を受け付けるステップを更に含む（１）に記載の方法。

本発明のこのような構成によれば、前記サーバが、前記ユーザのリスク回避度を表すパラメータの設定入力を受け付けることができる、という作用を有する。

このことにより、前記サーバは、前記サーバは、前記前記パラメータが表すリスク回避度に応じた属性重複指数データの非線形平均を計算することによって、レコメンデーションを行うユーザ毎にパーソナライズされたレコメンデーションを行うことができる。

その結果、前記サーバは、特定のユーザにレコメンデーションを行う際に、前記特定のユーザとその他のユーザとの間の属性の重なり度合いを表すスケール上でレコメンデーションを行う範囲を調整することができる。

（３） 前記球面距離を計算するステップにおいて、前記サーバは、前記球面距離としてバッタチャヤの球面距離を計算する（１）又は（２）に記載の方法。

本発明のこのような構成によれば、前記サーバは、前記球面距離としてバッタチャヤの球面距離を計算することができる、という作用を有する。
（４） 前記サーバは、前記バッタチャヤの球面距離を

によって計算する（３）に記載の方法。

本発明のこのような構成によれば、前記サーバは、前記バッタチャヤの球面距離を

によって計算することができる、という作用を有する。

（５） 前記属性重複指数データを計算するステップにおいて、前記サーバは、前記バッタチャヤの球面距離を前記属性重複指数データとして計算する（４）に記載の方法。

本発明のこのような構成によれば、前記サーバは、前記バッタチャヤの球面距離を前記属性重複指数データとして計算することができる、という作用を有する。

（６） 前記属性重複指数データを計算するステップにおいて、前記サーバは、前記ユーザ特性データに基づいて前記その他のユーザの行動を示す確率分布を計算し、更に前記バッタチャヤの球面距離に基づいて計算するウエイトを掛けたものを前記属性重複指数データとして計算する（４）に記載の方法。

本発明のこのような構成によれば、前記サーバは、前記ユーザ特性データに基づいて前記その他のユーザの行動を示す確率分布を計算し、更に前記バッタチャヤの球面距離に基づいて計算するウエイトを掛けたものを前記属性重複指数データとして計算することができる、という作用を有する。

このことにより、前記サーバは、前記特定のユーザに対してレコメンデーションを行う際に、前記その他のユーザの行動を示す確率分布に前記バッタチャヤの球面距離に基づいて計算するウエイトを掛けたものを前記属性重複指数データとして計算し、前記属性重複指数データが示す前記特定のユーザと前記その他のユーザとの間の属性の重なり度合いを表すスケール上でレコメンデーションを行う範囲を調整することができる。
（７） 前記サーバは、前記ウエイトを

によって計算し、
前記属性重複指数データを

によって計算する（６）に記載の方法。

本発明のこのような構成によれば、前記サーバは、前記ウエイトを

によって計算し、
前記属性重複指数データを

によって計算することができる、という作用を有する。

（８） 前記サーバが、計算した前記バッタチャヤの球面距離に基づいて、それぞれの前記ユーザを中心として、その他の全ての前記ユーザとの相対距離を計算するステップと、
計算した前記相対距離に基づいて、前記複数のユーザを前記相対距離の近い複数のグループに分類するステップと、を更に含み、
前記属性重複指数データを計算するステップにおいて、前記サーバは、前記特定のユーザと同じグループに分類された前記その他のユーザについて前記属性重複指数データを計算する（３）から（７）のいずれかに記載の方法。

本発明のこのような構成によれば、前記サーバが、計算した前記バッタチャヤの球面距離に基づいて、それぞれの前記ユーザを中心として、その他の全ての前記ユーザとの相対距離を計算し、計算した前記相対距離に基づいて、前記複数のユーザを前記相対距離の近い複数のグループに分類し、前記属性重複指数データを計算するステップにおいて、前記サーバは、前記特定のユーザと同じグループに分類された前記その他のユーザについて前記属性重複指数データを計算することができる、という作用を有する。

このことにより、前記サーバは、前記特定のユーザと同じグループに分類された前記その他のユーザについて前記属性重複指数データを計算し、レコメンデーションリストを生成して前記特定のユーザの端末にレコメンデーションを行うためのデータを送信することができる。

ここで、ユーザの特性を表す確率空間において、前記相対距離は、それぞれの前記ユーザを中心として個々に計算されるので、当該中心となるユーザにとってのそれぞれの前記その他のユーザとの間の属性の重複度合いを表現することができる。

従って、前記サーバは、前記属性重複指数データを計算する際に、前記特定のユーザと同じグループに分類された、より属性の重複度合いの高い前記その他のユーザに絞って計算し、前記レコメンデーションリストを生成して前記特定のユーザの端末にレコメンデーションを行うためのデータを送信することができる。

その結果、前記サーバは、前記レコメンデーションリストの精度をより高めることができる可能性がある。

（９） 前記サーバは、前記相対距離を

によって計算する（８）に記載の方法。

本発明のこのような構成によれば、前記サーバは、前記相対距離を

によって計算することができる、という作用を有する。

このことにより、前記サーバは、前記特定のユーザと同じグループに分類された前記その他のユーザについて前記属性重複指数データを計算し、レコメンデーションリストを生成してレコメンデーションを行うためのデータを前記特定のユーザの端末に送信することができる。

その結果、前記サーバは、前記特定のユーザと同じグループに分類された前記その他のユーザのみに基づいてレコメンデーションを行うことができる。

（１０） 通信ネットワークを介して接続可能な端末のユーザに対してレコメンデーションを行うサーバであって、前記サーバは、
複数の前記ユーザの端末から、複数の前記ユーザの基本属性データ又はログデータを少なくとも含んで構成するユーザ特性データを、前記通信ネットワークを介して受信する手段と、
受信した前記ユーザ特性データに基づいて、複数の前記ユーザの特性を確率空間にマッピングする手段と、
マッピングした前記確率空間においてそれぞれの前記ユーザの間の球面距離を計算する手段と、
計算した前記球面距離に基づいて、複数の前記ユーザのうち、特定のユーザとその他のユーザとの間の属性の重複度合いを表す属性重複指数データを計算する手段と、
計算した前記属性重複指数データについて、前記ユーザのリスク回避度を表すパラメータに依存した非線形平均を計算することによって、前記特定のユーザに対してレコメンデーションを行うためのレコメンデーションリストを生成する手段と、
生成した前記レコメンデーションリストに基づいて、前記特定のユーザの端末にレコメンデーションを行うためのデータを送信する手段と、を含むサーバ。

本発明のこのような構成によれば、前記サーバは、複数の前記ユーザの端末から、複数の前記ユーザの基本属性データ又はログデータを少なくとも含んで構成するユーザ特性データを、前記通信ネットワークを介して受信し、受信した前記ユーザ特性データに基づいて、複数の前記ユーザの特性を確率空間にマッピングし、マッピングした前記確率空間においてそれぞれの前記ユーザの間の球面距離を計算し、計算した前記球面距離に基づいて、複数の前記ユーザのうち、特定のユーザとその他のユーザとの間の属性の重複度合いを表す属性重複指数データを計算し、計算した前記属性重複指数データについて、前記ユーザのリスク回避度を表すパラメータに依存した非線形平均を計算することによって、前記特定のユーザに対してレコメンデーションを行うためのレコメンデーションリストを生成し、生成した前記レコメンデーションリストに基づいて、前記特定のユーザの端末にレコメンデーションを行うためのデータを送信することができる、という作用を有する。

このことにより、前記サーバを運用することにより、（１）と同様の作用が期待できる。

（１１）通信ネットワークを介して接続可能な端末のユーザに対してサーバにレコメンデーションを行わせるプログラムであって、前記サーバに、
複数の前記ユーザの端末から、複数の前記ユーザの基本属性データ又はログデータを少なくとも含んで構成するユーザ特性データを、前記通信ネットワークを介して受信させるステップと、
受信した前記ユーザ特性データに基づいて、複数の前記ユーザの特性を確率空間にマッピングさせるステップと、
マッピングした前記確率空間においてそれぞれの前記ユーザの間の球面距離を計算させるステップと、
計算した前記球面距離に基づいて、複数の前記ユーザのうち、特定のユーザとその他のユーザとの間の属性の重複度合いを表す属性重複指数データを計算させるステップと、
計算した前記属性重複指数データについて、前記ユーザのリスク回避度を表すパラメータに依存した非線形平均を計算することによって、前記特定のユーザに対してレコメンデーションを行うためのレコメンデーションリストを生成させるステップと、
生成した前記レコメンデーションリストに基づいて、前記特定のユーザの端末にレコメンデーションを行うためのデータを送信させるステップと、を含むプログラム。

本発明のこのような構成によれば、前記サーバは、
複数の前記ユーザの端末から、複数の前記ユーザの基本属性データ又はログデータを少なくとも含んで構成するユーザ特性データを、前記通信ネットワークを介して受信し、受信した前記ユーザ特性データに基づいて、複数の前記ユーザの特性を確率空間にマッピングし、マッピングした前記確率空間においてそれぞれの前記ユーザの間の球面距離を計算し、計算した前記球面距離に基づいて、複数の前記ユーザのうち、特定のユーザとその他のユーザとの間の属性の重複度合いを表す属性重複指数データを計算し、計算した前記属性重複指数データについて、前記ユーザのリスク回避度を表すパラメータに依存した非線形平均を計算することによって、前記特定のユーザに対してレコメンデーションを行うためのレコメンデーションリストを生成し、生成した前記レコメンデーションリストに基づいて、前記特定のユーザの端末にレコメンデーションを行うためのデータを送信することができる、という作用を有する。

このことにより、前記サーバを運用することにより、（１）と同様の作用が期待できる。

本発明によれば、前記サーバは、前記属性重複指数データを計算することによって、レコメンデーションを行うユーザ毎にパーソナライズされたレコメンデーションリストを生成することができる。従って、前記サーバは、特定のユーザにレコメンデーションを行う際に、前記特定のユーザとその他のユーザとの間の属性の重なり度合いを表すスケール上でレコメンデーションを行う範囲を調整することができる。

以下、本発明の実施形態について図面を参照して説明する。

図１は、本発明の好適な実施形態の一例に係るシステム１の全体構成を示す図である。図２は、本発明の好適な実施形態の一例に係るサーバ１０及び端末２０の構成を示す図である。図３は、本発明の好適な実施形態の一例に係るサーバ１０によるレコメンデーション処理を示すフローチャートである。図４は本発明の好適な実施形態の一例に係るサーバ１０による３つのガウス分布の平均操作について説明するために元のガウス分布を示す図である。図５は、本発明の好適な実施形態の一例に係るサーバ１０による図４の３つのガウス分布に対するαの値が非常に大きい場合（悲観的）の平均と非常に小さい場合の平均（楽観的）と比較する図である。図６は、本発明の好適な実施形態の一例に係るサーバ１０によるユーザ（利用者）ａ_１から他のユーザ（利用者）までの距離の（非線形）平均を一般のαの関数として示した図である。図７は、本発明の好適な実施形態の一例に係るサーバ１０によるユーザ（利用者）ａ_３の球面距離の非線形平均Θ_３（α）及び（Θ_３１，Θ_３２，Θ_３４）を比較して示す図である。

［システムの全体構成］

図１は、本発明の好適な実施形態の一例に係るシステム１の全体構成を示す図である。

サーバ１０は、通信ネットワーク３０を介して、ユーザの端末２０と接続可能である。

サーバ１０と端末２０の接続の形態としては、有線でも無線でもよい。

［サーバ１０のハードウェア構成］

図２は、図１で説明した本発明の好適な実施形態の一例に係るサーバ１０のハードウェア構成の一例を示す図である。サーバ１０は、制御部１０１を構成するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１０（マルチプロセッサ構成ではＣＰＵ１０１２等複数のＣＰＵが追加されてもよい）、バスライン１００５、通信Ｉ／Ｆ１０４０、メインメモリ１０５０、ＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）１０６０、ＵＳＢポート１０９０、Ｉ／Ｏコントローラ１０７０、並びにキーボード及びマウス１１００等の入力手段や表示装置１０２２を備える。

Ｉ／Ｏコントローラ１０７０には、テープドライブ１０７２、ハードディスク１０７４、光ディスクドライブ１０７６、半導体メモリ１０７８、等の記憶手段を接続することができる。

ＢＩＯＳ１０６０は、サーバ１０の起動時にＣＰＵ１０１０が実行するブートプログラムや、サーバ１０のハードウェアに依存するプログラム等を格納する。

記憶部１０７を構成するハードディスク１０７４は、サーバ１０がサーバとして機能するための各種プログラム及び本発明の機能を実行するプログラムを記憶しており、更に必要に応じて各種データベースを構成可能である。

光ディスクドライブ１０７６としては、例えば、ＤＶＤ−ＲＯＭドライブ、ＣＤ−ＲＯＭドライブ、ＤＶＤ−ＲＡＭドライブ、ＣＤ−ＲＡＭドライブを使用することができる。この場合は各ドライブに対応した光ディスク１０７７を使用する。光ディスク１０７７から光ディスクドライブ１０７６によりプログラム又はデータを読み取り、Ｉ／Ｏコントローラ１０７０を介してメインメモリ１０５０又はハードディスク１０７４に提供することもできる。また、同様にテープドライブ１０７２に対応したテープメディア１０７１を主としてバックアップのために使用することもできる。

サーバ１０に提供されるプログラムは、ハードディスク１０７４、光ディスク１０７７、又はメモリーカード等の記録媒体に格納されて提供される。このプログラムは、Ｉ／Ｏコントローラ１０７０を介して、記録媒体から読み出され、又は通信Ｉ／Ｆ１０４０を介してダウンロードされることによって、サーバ１０にインストールされ実行されてもよい。

前述のプログラムは、内部又は外部の記憶媒体に格納されてもよい。ここで、記憶部１０７を構成する記憶媒体としては、ハードディスク１０７４、光ディスク１０７７、又はメモリーカードの他に、ＭＤ等の光磁気記録媒体、テープ媒体を用いることができる。また、専用通信回線やインターネットに接続されたサーバシステムに設けたハードディスク１０７４又は光ディスクライブラリー等の記憶装置を記録媒体として使用し、通信回線を介してプログラムをサーバ１０に提供してもよい。

ここで、表示装置１０２２は、ユーザにデータの入力を受け付ける画面を表示したり、サーバ１０による演算処理結果の画面を表示したりするものであり、ブラウン管表示装置（ＣＲＴ）、液晶表示装置（ＬＣＤ）等のディスプレイ装置を含む。

ここで、入力手段は、ユーザによる入力の受け付けを行うものであり、キーボード及びマウス１１００等により構成してよい。

また、通信Ｉ／Ｆ１０４０は、サーバ１０を専用ネットワーク又は公共ネットワークを介して端末と接続できるようにするためのネットワーク・アダプタである。通信Ｉ／Ｆ１０４０は、モデム、ケーブル・モデム及びイーサネット（登録商標）・アダプタを含んでよい。

以上の例は、サーバ１０について主に説明したが、コンピュータに、プログラムをインストールして、そのコンピュータをサーバ装置として動作させることにより上記で説明した機能を実現することもできる。したがって、本発明において一実施形態として説明したサーバにより実現される機能は、上述の方法を当該コンピュータにより実行することにより、或いは、上述のプログラムを当該コンピュータに導入して実行することによっても実現可能である。
［ユーザの端末２０のハードウェア構成］

ここでユーザの端末２０は、上述のサーバ１０と同様の構成を備えてよい。
［レコメンデーション処理］

サーバ１０は、図３に示すようにレコメンデーション処理を行う。

まず、制御部１０１は、通信ネットワーク３０を介して複数のユーザの端末２０から前記複数のユーザの基本属性データ又はログデータを少なくとも含んで構成するユーザ特性データを受信して記憶する（ステップＳ１０１）。

具体的には、例えば、前記ユーザの性別、年齢、職業、興味のある分野等を含む基本属性データ又は、商品・サービスの購入履歴、商品・サービスに対する評価記録（レイティング）等のデータを受け付ける。

次に、制御部１０１は、受信した前記ユーザ特性データに基づいて、複数の前記ユーザの特性を確率空間にマッピングする（ステップＳ１０２）。

次に、制御部１０１は、受信した前記ユーザ特性データに基づいて、前記複数のユーザの特性を含む確率空間においてそれぞれの前記ユーザ間のバッタチャヤの球面距離を計算する（ステップＳ１０３）。

次に、制御部１０１は、複数の前記ユーザのうち、特定のユーザとその他のユーザとの間の属性の重複度合いを表す属性重複指数データを計算する（ステップＳ１０４）。

次に、制御部１０１は、計算した前記属性重複指数データについて、非線形平均を計算する（ステップＳ１０５）。

次に、制御部１０１は、計算した前記属性重複指数データの非線形平均に基づいて、前記特定のユーザに対してレコメンデーションを行うためのレコメンデーションリストを生成する（ステップＳ１０６）。

ここで、非線形平均（α混合平均）について説明する。

α混合平均を用いて確率分布の非線形平均をとることに関して、変数αが極端に大きい、又は小さい値をとることによる効果を把握するために次の例を考える。ここでは３つのガウス分布に対する平均操作を行う。具体的に元となる分布が図４のように与えられていたとする。そこでこれら３つの分布の線形平均（図の実線）を、αの値が非常に大きい場合（悲観的＝図の点線）の平均と非常に小さい場合の平均（楽観的＝図の一点鎖線）と比較すると図５が得られる。

そこで次の状況を考えてみる。仮に、これら３分布の平均が全てのｘに対して所与の臨界値を超えない場合にのみ何かの商品（又は薬剤）の推薦を行うとした状況である。仮にこの臨界値が０．２４であった（図の二点鎖線）場合、この例においては、αの値が非常に大きい、つまりリスク回避度がとても大きい値をとる場合、ｘの値が区間［０，１］の周辺値をとるときに、確率値が臨界値０．２４を超過しているため、推薦する可能性が却下されることが伺える。逆にリスク回避度（つまりαの値）がさほど大きくなければ全てのｘに対して確率値が臨界値０．２４を超過しないため、推薦（レコメンド）する可能性が採用されることとなる。

次に、制御部１０１は、生成した前記レコメンデーションリストに基づいて、前記特定のユーザの端末にレコメンデーションを行うためのデータを送信する（ステップＳ１０７）。

ここで、上述のレコメンデーション処理を具体的な例を用いて説明する。
［実施例１］
バッタチャヤの球面距離Θの非線形平均に基づいたレコメンデーションの例

ここでは、ユーザ間の距離Θの非線形平均操作に基づいたユーザに対するレコメンデーションリスト（推薦リスト）を作成する例を考える。

そこで顧客数も分類数も共に４であった場合を想定する。そしてユーザ属性を表す分布関数ρ_ｎ（ｋ）が以下のように与えられたとする。

このときの球面距離は

のように求まる。

そこでΘの非線形平均Θ_ｎ（α）は

によって求める。

そこでユーザ（利用者）ａ_３に着目してΘ_３（α）を求め、これを（Θ_３１，Θ_３２，Θ_３４）と比較したものを図７に示す。図７において、Θ_３（α）は実線、Θ_３１は一点鎖線、Θ_３２は点線、Θ_３４は二点鎖線で示す。

この例ではリスク回避度合を表す変数αをアルゴリズムの利用者（例えば、レコメンデーションサービス提供業者）が適当に選ぶ必要がある。仮に比較的非保守的な値α＝−５が選ばれた場合、

であるので、この値よりも小さな距離をとるユーザが、着目しているユーザａ_３からみて興味が近いと判断される。この場合、レコメンデーションリストはユーザａ_１及びユーザａ_４のリストより選ばれる。逆に比較的保守的な値α＝１０が選ばれたとき

であるので、この値よりも小さな距離をとるユーザはａ_１のみとなる。
［実施例２］
球面距離の非線形平均に基づいてユーザ（利用者）が自らレコメンデーションリスト（推薦リスト）の類似性度合いを調整して推薦を受ける例

非線形平均（α混合平均）の考えを用いて、ユーザ（利用者）が自らレコメンデーションリスト（推薦リスト）の類似性度合いを調整して推薦を受けるシステムに対する応用を考える。つまり、非常に保守的なユーザ（利用者）は、スライドパラメータの値を０にとることによって最も属性（趣味）の重複度が大きい他のユーザ（利用者）が購入した商品のレコメンデーション（推薦）を受け、或いはチャレンジ意欲の大きいユーザ（利用者）はスライドパラメータの値を１に近くとることによって、かなり属性（興味）の異なるユーザ（利用者）のリストよりレコメンデーション（推薦）を受けるというシステムを考える。

具体的に各ユーザ（利用者）は０から１の間の値をとる変数ｔを指定する。この変数に基づいて、非線形平均（α混合平均）のパラメータαの値を

のように選ぶ。

ここで、ユーザ（利用者）間の属性（興味）の重複度に関しては、一般的な商品やサービスに関しての購入数又は検索数によって得られた各ユーザ（利用者）のヒストグラムに基づいて得られる確率分布に対する重複度（＝球面距離）Θｍｎによって与える。

そこでｎ番目のユーザ（利用者）が何らかのｔ_ｎを選んだとき、このユーザ（利用者）に対するα_ｎが上述の式によって定まる。このα_ｎに基づいて、

を計算する。その結果として定まる距離Θ（ｎ）の値に最も近い値をとるユーザ（利用者）、つまり

によって定まるｍ^＊番目のユーザ（利用者）を次に決定する。そのユーザ（利用者）（そのような利用者は複数存在することもおおいにありうる）の属性（興味）の大きな商品やサービスの中から、ｎ番目のユーザ（利用者）がまだ購入や利用をしていないものをレコメンド（推薦）するのである。

次に、上述の概念を理解するための具体例としてユーザ（利用者）が全体で８名であった場合を想定する。そしてユーザ（利用者）ａ_１に注目し、このユーザ（利用者）から測った他のユーザ（利用者）までの距離が

と与えられたとする。更にユーザ（利用者）ａ_１はやや保守的な方で、変数ｔの値をｔ＝０．３と選んだものとする。ところでユーザ（利用者）ａ_１から他のユーザ（利用者）までの距離の（非線形）平均は、一般のαの関数として図６のようになる（実線の曲線）。

図６にはユーザ（利用者）ａ_１から他のユーザ（利用者）までの距離の値もそれぞれ示し（ａ_２〜ａ_８）、またその線形平均値も示した。ところで、ユーザ（利用者）ａ_１はｔ＝０．３と選んだので、この選択に従って得られる距離の平均値（つまりａ_１さんにとっての臨界値）を求めると、これは約０．７７と与えられる。このため、この臨界値に最も近い利用者とはａ_３に他ならない。

具体的なレコメンデーションリスト（推薦リスト）は、以下の二通りに従って製作可能となる。
（１）臨界値以内のユーザ（利用者）のリストを用いる。臨界値を超えない範囲内の利用者はａ_２及びａ_３であるので、これら二名のリストにおいてａ_１がまだ購入を行っていない商品を、ａ_２及びａ_３を合わせた頻度に従ってレコメンド（推薦）する。
（２）臨界値に最も近いユーザ（利用者）のリストを用いる。既に述べた通り、臨界値に最も近いユーザ（利用者）とはａ_３であるため、ａ_１がまだ購入を行っていない商品をａ３の商品リストより、その頻度に従ってレコメンド（推薦）する。
［実施例３］
バッタチャヤの球面距離Θを用いた非線形平均に基づいたレコメンデーションの例

ここでは、ユーザ間の距離Θを用いた非線形平均操作を加えることによってユーザに対するレコメンデーションリスト（推薦リスト）を作成する例を、「本のレコメンデーション」という具体的を用いて示す。

まずは、この例における入力項目を設定する。本の総数はＬによって与える。現実の書籍数は非常に多いので、ポピュラー小説、医学専門書、歴史もの、等といった具合に種類（カテゴリー）別に分類する必要がある。この分類項目数をＭとおく。これらの分類項目にｉ＝１からｉ＝Ｍまで、番号をつける。そしてｉ番目の分類はｂ_ｉと呼称をつける。さて、顧客（ユーザ）の数は全てでＮ人いたとする。これらに関しても

のように名前をつける。

次に顧客（ユーザ）ａ_ｎ氏が購入したｂ_ｋ類の書籍の数は、Ｃ_ｎ（ｋ）によって与える。同様に顧客（ユーザ）ａ_ｎ氏が検索したｂ_ｋ類の書籍の数をＤ_ｎ（ｋ）によって与える。更に顧客（ユーザ）ａ_ｎ氏が購入した書籍の総数を

によって与え、また顧客（ユーザ）ａ_ｎ氏が検索した（が購入しなかった）書籍の総数を

によって与える。

次に購入項目と検索項目に対する「相対比」をζ：１−ζによって与える。変数

の値は、購入することに対する重要度を、検索することに対する重要度と比較して、このアルゴリズムの利用者（例えば、レコメンデーションサービス提供業者）が適当に選ぶ必要がある。

以上の定義が与えられたとき、顧客（ユーザ）ａ_ｎ氏に対する、異なる分野の書籍に関する確率分布を以下の式によって与える。

このようにして、顧客（ユーザ）ａ_ｎに関する属性を表す分布関数ρ_ｎ（ｋ）が具体的に定まる。

顧客（ユーザ）ａ_ｎ及びａ_ｍ間の球面距離は上述の通り

によって決定する。

更に重み関数μ_ｎ（ｍ）をまた上述のように

と設定する。

そして、顧客（ユーザ）ａ_ｎを中心とした観点から、趣味の重複が大きい順に本の分類の分布に関する情報を、α混合平均を用いて統合する。具体的にこれは

と与えられる。

最適であると思われる推薦リストとは、何かしらの選ばれたαに対して、Ｐ^ｎ _α（ｋ）なる確率に従って推薦する本の分類を選ぶことである（顧客（ユーザ）ａ_ｎが既に購入した書籍はそこから排除することは明らかであろう）。

そこで顧客数も商品分類数も共に４であった場合を想定する。そしてユーザ属性を表す分布関数ρ_ｎ（ｋ）が（実施例１と同様に）以下のように与えられたとする。

このときの球面距離は

のように求まる。

同様に比重を与える関数μ_ｎ（ｍ）を計算すると以下のような結果となる。

これらを用いて、顧客（ユーザ）ａ_３に対する推薦リストを作成するのに必要な分布Ｐ^３ _２１（ｋ）を、αの値を２１として求めた結果

が得られる。

以上、本発明の実施形態について説明したが、本発明は上述した実施形態に限るものではない。また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施例に記載されたものに限定されるものではない。

本発明に係るシステム１の全体構成を示す図である。 本発明に係るサーバ１０及び端末２０の構成を示す図である。 本発明に係るサーバ１０によるレコメンデーション処理を示すフローチャートである。 本発明に係るサーバ１０による３つのガウス分布の平均操作について説明するために元のガウス分布を示す図である。 本発明に係るサーバ１０による図４の３つのガウス分布に対するαの値が非常に大きい場合（悲観的）の平均と非常に小さい場合の平均（楽観的）と比較する図である。 本発明に係るサーバ１０によるユーザ（利用者）ａ_１から他のユーザ（利用者）までの距離の（非線形）平均を一般のαの関数として示した図である。 本発明に係るサーバ１０によるユーザ（利用者）ａ_３の球面距離の非線形平均Θ_３（α）及び（Θ_３１，Θ_３２，Θ_３４）を比較して示す図である。

符号の説明

１ システム
１０ サーバ
２０ 端末
３０ 通信ネットワーク

Claims (11)

1. 通信ネットワークを介して接続可能な端末のユーザに対してサーバがレコメンデーションを行う方法であって、
   複数の前記ユーザの端末から、複数の前記ユーザの基本属性データ又はログデータを少なくとも含んで構成するユーザ特性データを、前記通信ネットワークを介して受信するステップと、
   受信した前記ユーザ特性データに基づいて、複数の前記ユーザの特性を確率空間にマッピングするステップと、
   マッピングした前記確率空間においてそれぞれの前記ユーザの間の球面距離を計算するステップと、
   計算した前記球面距離に基づいて、複数の前記ユーザのうち、特定のユーザとその他のユーザとの間の属性の重複度合いを表す属性重複指数データを計算するステップと、
   計算した前記属性重複指数データについて、前記ユーザのリスク回避度を表すパラメータに依存した非線形平均を計算することによって、前記特定のユーザに対してレコメンデーションを行うためのレコメンデーションリストを生成するステップと、
   生成した前記レコメンデーションリストに基づいて、前記特定のユーザの端末にレコメンデーションを行うためのデータを送信するステップと、を含む方法。
2. 前記サーバが、前記ユーザのリスク回避度を表すパラメータの設定入力を受け付けるステップを更に含む請求項１に記載の方法。
3. 前記球面距離を計算するステップにおいて、前記サーバは、前記球面距離としてバッタチャヤの球面距離を計算する請求項１又は請求項２に記載の方法。
4. 前記サーバは、前記バッタチャヤの球面距離を
   

   

   によって計算する請求項３に記載の方法。
5. 前記属性重複指数データを計算するステップにおいて、前記サーバは、前記バッタチャヤの球面距離を前記属性重複指数データとして計算する請求項４に記載の方法。
6. 前記属性重複指数データを計算するステップにおいて、前記サーバは、前記ユーザ特性データに基づいて前記その他のユーザの行動を示す確率分布を計算し、更に前記バッタチャヤの球面距離に基づいて計算するウエイトを掛けたものを前記属性重複指数データとして計算する請求項４に記載の方法。
7. 前記サーバは、前記ウエイトを
   

   

   によって計算し、
   前記属性重複指数データを
   

   

   によって計算する請求項６に記載の方法。
8. 前記サーバが、計算した前記バッタチャヤの球面距離に基づいて、それぞれの前記ユーザを中心として、その他の全ての前記ユーザとの相対距離を計算するステップと、
   計算した前記相対距離に基づいて、前記複数のユーザを前記相対距離の近い複数のグループに分類するステップと、を更に含み、
   前記属性重複指数データを計算するステップにおいて、前記サーバは、前記特定のユーザと同じグループに分類された前記その他のユーザについて前記属性重複指数データを計算する請求項３から請求項７のいずれかに記載の方法。
9. 前記サーバは、前記相対距離を
   

   

   によって計算する請求項８に記載の方法。
10. 通信ネットワークを介して接続可能な端末のユーザに対してレコメンデーションを行うサーバであって、前記サーバは、
    複数の前記ユーザの端末から、複数の前記ユーザの基本属性データ又はログデータを少なくとも含んで構成するユーザ特性データを、前記通信ネットワークを介して受信する手段と、
    受信した前記ユーザ特性データに基づいて、複数の前記ユーザの特性を確率空間にマッピングする手段と、
    マッピングした前記確率空間においてそれぞれの前記ユーザの間の球面距離を計算する手段と、
    計算した前記球面距離に基づいて、複数の前記ユーザのうち、特定のユーザとその他のユーザとの間の属性の重複度合いを表す属性重複指数データを計算する手段と、
    計算した前記属性重複指数データについて、前記ユーザのリスク回避度を表すパラメータに依存した非線形平均を計算することによって、前記特定のユーザに対してレコメンデーションを行うためのレコメンデーションリストを生成する手段と、
    生成した前記レコメンデーションリストに基づいて、前記特定のユーザの端末にレコメンデーションを行うためのデータを送信する手段と、を含むサーバ。
11. 通信ネットワークを介して接続可能な端末のユーザに対してサーバにレコメンデーションを行わせるプログラムであって、前記サーバに、
    複数の前記ユーザの端末から、複数の前記ユーザの基本属性データ又はログデータを少なくとも含んで構成するユーザ特性データを、前記通信ネットワークを介して受信させるステップと、
    受信した前記ユーザ特性データに基づいて、複数の前記ユーザの特性を確率空間にマッピングさせるステップと、
    マッピングした前記確率空間においてそれぞれの前記ユーザの間の球面距離を計算させるステップと、
    計算した前記球面距離に基づいて、複数の前記ユーザのうち、特定のユーザとその他のユーザとの間の属性の重複度合いを表す属性重複指数データを計算させるステップと、
    計算した前記属性重複指数データについて、前記ユーザのリスク回避度を表すパラメータに依存した非線形平均を計算することによって、前記特定のユーザに対してレコメンデーションを行うためのレコメンデーションリストを生成させるステップと、
    生成した前記レコメンデーションリストに基づいて、前記特定のユーザの端末にレコメンデーションを行うためのデータを送信させるステップと、を含むプログラム。
    

Images