JP5143879B2 - ランキング指向の協調フィルタリング推薦方法および装置 - Google Patents
ランキング指向の協調フィルタリング推薦方法および装置 Download PDFInfo
- Publication number
- JP5143879B2 JP5143879B2 JP2010242228A JP2010242228A JP5143879B2 JP 5143879 B2 JP5143879 B2 JP 5143879B2 JP 2010242228 A JP2010242228 A JP 2010242228A JP 2010242228 A JP2010242228 A JP 2010242228A JP 5143879 B2 JP5143879 B2 JP 5143879B2
- Authority
- JP
- Japan
- Prior art keywords
- user
- ranking
- item
- preference
- items
- 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
Images
Description
本発明は、一般的な情報フィルタリングに関し、特に、ランキング指向の協調フィルタリング推薦方法および装置に関する。
インターネット上の入手可能な情報の爆発性の増大に伴い、人々が莫大な量の情報を効果的にふるい分けるのを支援する情報フィルタリング技術は、取得した大量の情報によって引き起こされる情報過多の問題を解決するために不可欠になっている。推薦システムは、ユーザの過去のフィードバックに基づいて膨大な収集アイテムからアイテム推薦リストを自動的に生成するような情報スクリーニング技術である。
推薦システムの土台となる既存の技術は、内容ベースのフィルタリングと協調フィルタリングの２つのカテゴリに分類される。
内容ベースのフィルタリングと比較して、協調フィルタリングは、アイテムに関する内容情報を必要とせず、多数のユーザからアイテムに関するフィードバック（例えば、評価）を収集することにより、また他のユーザの嗜好パタンに基づいてユーザに推薦を行う。
アイテムまたはユーザに関する大量の内容情報を収集する必要の回避の他に、協調フィルタリングは、特殊なドメイン知識を必要とせず、異なる推薦システムに容易に適用することができる。このため、協調フィルタリングは、現在の推薦システムにおいて使用される一般的な技術となっている。
内容ベースのフィルタリングと比較して、協調フィルタリングは、アイテムに関する内容情報を必要とせず、多数のユーザからアイテムに関するフィードバック（例えば、評価）を収集することにより、また他のユーザの嗜好パタンに基づいてユーザに推薦を行う。
アイテムまたはユーザに関する大量の内容情報を収集する必要の回避の他に、協調フィルタリングは、特殊なドメイン知識を必要とせず、異なる推薦システムに容易に適用することができる。このため、協調フィルタリングは、現在の推薦システムにおいて使用される一般的な技術となっている。
推薦システムのための主要なタスクは、ユーザ興味に従ってアイテムランキングリストを生成することである。ユーザに最も興味のあるアイテムはリストのトップにランクされなければならない。アイテムランキングに関して、多くの協調フィルタリングアルゴリズムは、まず、アイテムに関するユーザの評価を予測し、その後、評価を利用することによりアイテムを並び替える。
しかしながら、評価予測精度がランキング有効性と必ずしも一致しているとは限らなく、ランキングが複数のアイテム間の関係に本質的に関係しているにもかかわらず、多くの場合評価が各アイテムについて独立に予測されるので、評価予測ベースの協調フィルタリングアルゴリズムは、予測性能が不十分であるという欠点を有する。
さらに、インターネット検索などのような多くの対話型の用途において、評価の形式で明示的なユーザフィードバックを取得することは難しい。一方、ユーザのクリックなどのような豊富な暗黙のフィードバックを収集するのは非常に簡単であり、そこから、アイテムに関するユーザのペアの嗜好を容易に抽出することができる。
このように、嗜好に対するモデルははるかに一般的であり、暗黙的かつ明示的なユーザフィードバックを処理することができる。
しかしながら、評価予測精度がランキング有効性と必ずしも一致しているとは限らなく、ランキングが複数のアイテム間の関係に本質的に関係しているにもかかわらず、多くの場合評価が各アイテムについて独立に予測されるので、評価予測ベースの協調フィルタリングアルゴリズムは、予測性能が不十分であるという欠点を有する。
さらに、インターネット検索などのような多くの対話型の用途において、評価の形式で明示的なユーザフィードバックを取得することは難しい。一方、ユーザのクリックなどのような豊富な暗黙のフィードバックを収集するのは非常に簡単であり、そこから、アイテムに関するユーザのペアの嗜好を容易に抽出することができる。
このように、嗜好に対するモデルははるかに一般的であり、暗黙的かつ明示的なユーザフィードバックを処理することができる。
嗜好に対するモデルにおいて、非特許文献１（Ｎ． Ｎ． Ｌｉｕ ａｎｄ Ｑ． Ｙａｎｇ、ＡＣＭ ＳＩＧＩＲ ２００８（ＳＩＧＩＲ−０８））で、「Ｅｉｇｅｎｒａｎｋ：協調フィルタリングに対するランキング指向の方法」を発表した。この論文は、ＥｉｇｅｎＲａｎｋと呼ばれ、近接ベースの協調フィルタリングアルゴリズムを提案する。それは協調フィルタリングを評価予測問題ではなくランキング問題と見なす。この近接ベースの方法は、あるパターンの最近傍探索（ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ ｓｅａｒｃｈ）を実行し、近接するユーザの嗜好をマージすることで、ユーザに対する特定のランキング推薦リストを生成する。実験結果は、そのランキング指向の方法がそれまでの評価予測方法よりよりよいランキングを生成することを示している。
Ｎ． Ｎ． Ｌｉｕ ａｎｄ Ｑ． Ｙａｎｇ、ＡＣＭ ＳＩＧＩＲ ２００８（ＳＩＧＩＲ−０８）
Bradley, R.A. and Terry, M.E.(1952). Rank analysis ofincomplete block designs, I. the method of paired comparisons. Biometrika, 39,324−345
MM algorithms for generalizedBradley-Terry models", issue 1, vol. 32, Annals of Statistics 2004
近接ベースの方法は概念的に簡単で直感的であるので広く適用されるが、ある欠点を有している。
第１に、近接ベースの方法の精度は通常最良ではない。
第２に、近接ベースの方法は、予測を生成することができるが、学習をほとんど伴っておらず、データからユーザあるいはアイテムに関する知識をほんの少し取得できるだけである。
第３に、近接ベースの方法は、通常、予測時に全トレーニングデータセットを直接操作することが必要であり、それは非常に大きな演算オーバヘッドを引き起こす。
最後に、適切なモデルの不足のために、近接ベースの方法によって特定のタスクあるいはアプリケーション分野に関連する様々な対象を最適化するのは困難である。
第１に、近接ベースの方法の精度は通常最良ではない。
第２に、近接ベースの方法は、予測を生成することができるが、学習をほとんど伴っておらず、データからユーザあるいはアイテムに関する知識をほんの少し取得できるだけである。
第３に、近接ベースの方法は、通常、予測時に全トレーニングデータセットを直接操作することが必要であり、それは非常に大きな演算オーバヘッドを引き起こす。
最後に、適切なモデルの不足のために、近接ベースの方法によって特定のタスクあるいはアプリケーション分野に関連する様々な対象を最適化するのは困難である。
本発明の目的は、アイテムペアについて観察されたユーザの嗜好を使用することによりユーザの他のアイテムについての嗜好ランキングを直接予測する方法を提供することにある。これにより、全ての嗜好データベースを検索することが不要となり、ランキング予測を迅速に実行できる。
上記目的を達成する本発明のランキング指向の協調フィルタリング推薦方法は、協調フィルタリング推薦装置による協調フィルタリング推薦方法であって、取得手段が、ランキングアイテムのペア集合についてユーザの嗜好データを取得する取得ステップと、構築手段が、嗜好データおよびユーザアイテム間の相関データに基づいてユーザの嗜好ベースの確率的潜在嗜好解析モデルを構築する構築ステップと、予測手段が、確率的潜在嗜好解析モデルを使用することにより、ユーザに対して推薦を容易にするユーザの嗜好に基づくアイテムランキングを予測する予測ステップとを含む。
上記目的を達成する本発明のランキング指向の協調フィルタリング推薦装置は、ランキングアイテムのペア集合についてユーザの嗜好データを取得する取得手段と、前記嗜好データおよびユーザアイテム間の相関データに基づいてユーザの嗜好ベースの確率的潜在嗜好解析モデルを構築する構築手段と、確率的潜在嗜好解析モデルを使用することにより、ユーザに対して推薦を容易にするユーザの嗜好に基づくアイテムランキングを予測する予測手段とを含む。
本発明のランク指向の協調フィルタリング推薦方法および装置によれば、アイテムのペア（ランキングのペア）集合について観察されたユーザの嗜好が、予測ランキング・モデルをトレーニングするために使用される。よって、近接ベースの方法のように全ての嗜好データベースを検索する代わりに、モデルによってランキングを予測することができ、演算コストが著しく減少する。
また、オフラインで完成させる追加のモデル構築工程を含んでいるが、全部のデータを非常にコンパクトなモデルに圧縮することによって、予測を迅速に実行することができる。
さらに、適切な損失関数および最適化プログラムの設計によって、モデルは異なるドメインにおける用途に適合するためにシステム的に調整することが可能である。
また、オフラインで完成させる追加のモデル構築工程を含んでいるが、全部のデータを非常にコンパクトなモデルに圧縮することによって、予測を迅速に実行することができる。
さらに、適切な損失関数および最適化プログラムの設計によって、モデルは異なるドメインにおける用途に適合するためにシステム的に調整することが可能である。
好ましくは、トレーニングデータがランキングのペア集合でなく評価集合である場合、適切なランキングのペア集合を異なるポリシーによって評価集合から自動的に生成することも可能である。
好ましくは、本発明の確率的潜在嗜好解析（ｐＬＰＡ）モデルを改良するために、未評価ユーザフィードバック（暗黙のフィードバック）をトレーニングデータとしてランキングのペアに変換することも可能である。
多くのユーザは興味のある各アイテムを評価しないので、トレーニングデータが足りない場合、暗黙のフィードバックを収集する方法は非常に重要である。
本発明による解決方法は、演算オーバヘッドを軽減するだけでなく、ユーザに推薦する場合の正確さと利便性を向上させる。
多くのユーザは興味のある各アイテムを評価しないので、トレーニングデータが足りない場合、暗黙のフィードバックを収集する方法は非常に重要である。
本発明による解決方法は、演算オーバヘッドを軽減するだけでなく、ユーザに推薦する場合の正確さと利便性を向上させる。
本発明の他の目的および効果は、添付図面を参照した以下の説明を通して、本発明についてより良く理解することで、より明らとなりかつ容易に理解できるであろう。
本発明の実施の形態によるランキング指向の協調フィルタリング推薦方法を説明するフローチャートである。
本発明の実施の形態によるｐＬＰＡベースのランキング指向の協調フィルタリング推薦システムの構成を示すブロック図である。
本発明の理解を容易にするために、既存の確率的潜在意味解析（ｐＬＳＡ：ｐｒｏｂａｂｉｌｉｓｔｉｃ ｌａｔｅｎｔ ｓｅｍａｎｔｉｃ ａｎａｌｙｓｉｓ）と本発明によるｐＬＰＡを示す図形化モデル図である。
本発明の他の実施の形態によるｐＬＰＡベースのランキング指向の協調フィルタリング推薦システムの構成を示すブロック図である。
本発明のさらに他の実施の形態によるｐＬＰＡベースのランキング指向の協調フィルタリング推薦システムの構成を示すブロック図である。
本発明によるランキング指向の協調フィルタリング推薦装置の概略を示すブロック図である。 上記全ての図面において、同じ参照符号は、同じか類似する、或いは対応する特徴又は機能を示している。
以下に、本発明の好ましい実施の形態について、図面を参照して詳細に説明する。
図１は、本発明によるランキング指向の協調フィルタリング推薦方法のフローチャートを概略的に示す。
図１に示すように、ステップ１１０で、ランキングアイテムのペア集合についてのユーザの嗜好データを取得する。ステップ１２０で、ユーザの嗜好ベースのｐＬＰＡモデルを、嗜好データおよびユーザ・アイテム間の相関データに基づいて構築する（詳細は後述する）。ステップ１３０で、ｐＬＰＡモデルを使用することにより、ユーザに推薦するための、ユーザの嗜好に基づいたアイテムランキングを予測する。
図２は、本発明の実施の形態によるｐＬＰＡベースのランキング指向の協調フィルタリング推薦システム２００の概要を示すブロック図である。
図２に示すように、システムは、主に、ｐＬＰＡモデル生成ユニット２３０および確率的潜在嗜好計算ユニット２６０を含む。加えて、本発明のより良い理解のために、システムブロック図には、さらに、上記の２ユニットでデータ配送を実行する、ランキングペア集合データ部２１０、アイテム・ユーザ集合データ２２０、ｐＬＰＡモデルデータ部２４０、ユーザプロファイルデータ部２５０およびユーザ推薦リストデータ部２７０を図示している。ここで、ランキングペア集合ブロック部２１０は、＜ユーザu, アイテムi, アイテムj＞の形式でユーザ嗜好データを記憶する。この記憶形式は、ユーザｕがアイテムｊよりアイテムｉを好むことを示している。
アイテム・ユーザ集合ブロック部２２０は、アイテムとユーザのプロファイルを格納する。ｐＬＰＡモデル生成ユニット２３０は、ランキング集合ブロック部およびユーザとアイテムのプロファイル集合に格納されるデータに基づいて、本発明のｐＬＰＡモデルを構築し、ｐＬＰＡモデルブロック部２４０にそれを格納する。
次に、ｐＬＰＡモデルブロック部２４０およびユーザプロファイルブロック部２５０のデータは、確率的潜在嗜好計算ユニット２６０に配信される。
確率的潜在嗜好計算ユニット２６０においては、ユーザ推薦リストブロック部２７０中のユーザｕに嗜好ベースの推薦リストを提示するために、ユーザｕについての未評価のアイテムの嗜好ランキングを、生成されたｐＬＰＡモデルおよびユーザｕのプロファイルに基づいて生成する（ランキング予測処理の詳細については後述する）。
アイテム・ユーザ集合ブロック部２２０は、アイテムとユーザのプロファイルを格納する。ｐＬＰＡモデル生成ユニット２３０は、ランキング集合ブロック部およびユーザとアイテムのプロファイル集合に格納されるデータに基づいて、本発明のｐＬＰＡモデルを構築し、ｐＬＰＡモデルブロック部２４０にそれを格納する。
次に、ｐＬＰＡモデルブロック部２４０およびユーザプロファイルブロック部２５０のデータは、確率的潜在嗜好計算ユニット２６０に配信される。
確率的潜在嗜好計算ユニット２６０においては、ユーザ推薦リストブロック部２７０中のユーザｕに嗜好ベースの推薦リストを提示するために、ユーザｕについての未評価のアイテムの嗜好ランキングを、生成されたｐＬＰＡモデルおよびユーザｕのプロファイルに基づいて生成する（ランキング予測処理の詳細については後述する）。
図３は、本発明の理解を容易にするために、既存の確率的潜在意味解析（ｐＬＳＡ：probabilistic latent semantic analysis）と本発明によるｐＬＰＡの図形化モデル図をそれぞれ示す。
図３に示ように、ｐＬＳＡモデル図は左側において示される。当業者に知られているように、このモデルは、混合分布に基づく共起データについて広く使用される潜在的変数モデルである。右側は本発明によるｐＬＰＡモデル図を示す。
この図及び以下の説明において、ｕはユーザを示し、ｉとｊはアイテムを示す。ｚは潜在的ユーザクラス（すなわち、ユーザが属するユーザグループクラスを示す）を示す。ｒｕｉはアイテムｉについてのユーザｕの評価を示す。また、δｕ ｉｊはアイテムｉおよびｊについてのユーザｕのペアの嗜好変数を示す。ここで、ユーザｕがアイテムｊよりアイテムｉを好めば、δｕ ｉｊ＝１であり、そうでなければ、δｕ ｉｊ＝０である。ｋは潜在的ユーザクラスｚの数を示す。
図３に示ように、ｐＬＳＡモデル図は左側において示される。当業者に知られているように、このモデルは、混合分布に基づく共起データについて広く使用される潜在的変数モデルである。右側は本発明によるｐＬＰＡモデル図を示す。
この図及び以下の説明において、ｕはユーザを示し、ｉとｊはアイテムを示す。ｚは潜在的ユーザクラス（すなわち、ユーザが属するユーザグループクラスを示す）を示す。ｒｕｉはアイテムｉについてのユーザｕの評価を示す。また、δｕ ｉｊはアイテムｉおよびｊについてのユーザｕのペアの嗜好変数を示す。ここで、ユーザｕがアイテムｊよりアイテムｉを好めば、δｕ ｉｊ＝１であり、そうでなければ、δｕ ｉｊ＝０である。ｋは潜在的ユーザクラスｚの数を示す。
ｐＬＳＡは評価データ（すなわち、ユーザのアイテムについての評価、例えば、ユーザはアイテムＡにスコア５を与え、一方でアイテムＢにスコア３を与える）に基づいてモデル化され、そのモデルは以下のように表される。
関連技術におけるＥＭ（expectation-maximization：期待値最大化）アルゴリズムを上記モデルの未知パラメータ値p(z|u), μzi,とσ2 ziを推定するために使用することが可能である。
ＥＭアルゴリズムは、１９７７年にDempster, Laind及びRubinによって提案された、パラメータの最尤推定値を求める方法であり、不完全なデータセットからパラメータに対して最尤推定（maximum likelihood estimate）を実行する。これは、機械学習（machine learning）において常用される標準的なパラメータ推測アルゴリズムである。この方法は反復的アルゴリズム（iterative algorithm）であり、各々の反復は２つのステップを含む。
ＥＭアルゴリズムは、１９７７年にDempster, Laind及びRubinによって提案された、パラメータの最尤推定値を求める方法であり、不完全なデータセットからパラメータに対して最尤推定（maximum likelihood estimate）を実行する。これは、機械学習（machine learning）において常用される標準的なパラメータ推測アルゴリズムである。この方法は反復的アルゴリズム（iterative algorithm）であり、各々の反復は２つのステップを含む。
１）予測ステップ、潜在的ユーザクラスｚの事後確率（posterior probability）を以下の式に従って計算する。
２）最大化ステップ、以下の対数尤度関数の期待値を最大化する。
もし、P(z|u)が１に等しければ、パラメータp(z|u),μzi,σ2 ziを、直接以下の式に従って推定することができる。
推定したパラメータ値を取得した後、未評価のアイテムについてのユーザの評価が以下の式によって予測される。
もし、P(z|u)が１に等しければ、パラメータp(z|u),μzi,σ2 ziを、直接以下の式に従って推定することができる。
推定したパラメータ値を取得した後、未評価のアイテムについてのユーザの評価が以下の式によって予測される。
上記ｐＬＳＡに関し、本発明のｐＬＰＡはランキングデータに基づいてモデル化される（すなわち、アイテムについてのユーザの嗜好が、例えば、アイテムＡ＞アイテムＢであれば、それはユーザがアイテムＡを好むことを示している。全てのアイテムについてのユーザの嗜好はランキング・リストとして、例えば、A＞C＞B＞E＞・・・のように表される。）。そのモデルは以下のように表される。
上記の式において、p(z|u)は潜在的ユーザクラスｚに属するユーザｕの確率を示す。P(δu ij|i,j,z)はアイテムｉとアイテムｊについて嗜好δu ijを有する潜在的ユーザクラスｚのユーザｕの確率を示す。P(δu ij|u,i,j)はアイテムｉとアイテムｊについて嗜好δu ijを有するユーザｕの確率を示す。
本発明によるｐＬＰＡモデルにおいて、p(δu ij|i,j,z)項はBradley-Terryモデル（Bradley-Terry model）によりモデル化される。まず、そのBradley-Terryモデルを以下に説明する。
２値結果（binary outcomes）δijを得るためにペアで互いに比較されるｎ個のアイテムの集合がある場合を考える。
ユーザｕがｊよりｉを好めば、δijは１となり、そうでなけば０となる。それにより、上述するようなランキングアイテムのペアの嗜好データを形成する。
負でないパラメータを有するδijの確率分布のBradley-Terryモデルは、以下の通りである。
ここで、γiとγjはそれぞれｉとｊの負でないアイテムパラメータであり、それぞれアイテムｉとアイテムｊの有用性を示している。γiがγjより高ければ、ユーザはアイテムｊよりアイテムｉをより好む。
ユーザｕがｊよりｉを好めば、δijは１となり、そうでなけば０となる。それにより、上述するようなランキングアイテムのペアの嗜好データを形成する。
負でないパラメータを有するδijの確率分布のBradley-Terryモデルは、以下の通りである。
ここで、γiとγjはそれぞれｉとｊの負でないアイテムパラメータであり、それぞれアイテムｉとアイテムｊの有用性を示している。γiがγjより高ければ、ユーザはアイテムｊよりアイテムｉをより好む。
ペア比較のためのBradley-Terryモデルは、ランキング上の確率分布を定義するために使用することができる。
１からｎの整数の集合についての全ての可能なランキング集合をPnで表す。
ベクトルπ∈Ｐｎは、πi＝１がアイテムｉが第１にランク付けされることを意味するように、ｎ個のアイテム集合上のランキングを定義する。
ランキングπが与えられると、変数δπ ｉｊが定義される。
もし、πｉ＜πｊであれば、δπ ｉｊ＝１で、そうでなければ、δπ ｉｊ＝０となる。
全ての可能なランキングPnの集合上の確率分布は以下の通りである。
ここで、C(γ)=Σπ∈PnΠn-1 i=1Πn j=i+1P(δπ ij;γ)は、P(π;γ)がPnについての確率測度であることを保証するのための正規化定数（normalization constant）である。
式（７）を式（８）に代入すると、以下の式が得られる。
ここで、C*(γ)=C(γ)Πn-1 i=1Πn j=i+1P(γi+γj)は、πに依存しない定数因子である。
１からｎの整数の集合についての全ての可能なランキング集合をPnで表す。
ベクトルπ∈Ｐｎは、πi＝１がアイテムｉが第１にランク付けされることを意味するように、ｎ個のアイテム集合上のランキングを定義する。
ランキングπが与えられると、変数δπ ｉｊが定義される。
もし、πｉ＜πｊであれば、δπ ｉｊ＝１で、そうでなければ、δπ ｉｊ＝０となる。
全ての可能なランキングPnの集合上の確率分布は以下の通りである。
式（７）を式（８）に代入すると、以下の式が得られる。
ここで、C*(γ)=C(γ)Πn-1 i=1Πn j=i+1P(γi+γj)は、πに依存しない定数因子である。
Bradley-Terryモデルは、ペアのデータを比較するための典型的な確率モデルである。その詳細は、非特許文献２（Bradley, R.A. and Terry, M.E. (1952). Rank analysis of incomplete block
designs, I. the method of paired comparisons. Biometrika, 39, 324−345）に記載されている。
なお、本発明においてモデル化のために利用するBradley-Terryモデルは、あくまで一例であり、それに限定されないことは言うまでもない。
本発明の開示に基づけば、当業者であれば、本発明のｐＬＰＡモデルを適用するために、ペアのデータを比較するのに他の適切な確率モデルを使用することが可能である。
designs, I. the method of paired comparisons. Biometrika, 39, 324−345）に記載されている。
なお、本発明においてモデル化のために利用するBradley-Terryモデルは、あくまで一例であり、それに限定されないことは言うまでもない。
本発明の開示に基づけば、当業者であれば、本発明のｐＬＰＡモデルを適用するために、ペアのデータを比較するのに他の適切な確率モデルを使用することが可能である。
本発明のｐＬＰＡモデル中のP(δu ij|i,j,z)項は、非負のパラメータγzを有する上記Bradley-Terryモデルにより以下のようにモデル化される。
上記の式において、γziとγzjは、任意のアイテムｉおよびｊの負でないアイテムパラメータであり、潜在的ユーザクラスｚにおけるアイテムｉとｊの有用性を表わす。
γｚｉがγｚｊより大きければ、潜在的ユーザクラスｚのユーザはアイテムｊよりアイテムｉをより好む。
p(δu ij=1|z,i,j)はアイテムｉとアイテムｊについてδu ij =1を有する潜在的ユーザクラスｚ内のユーザｕの確率を表す。δu ij =1は、ユーザｕがアイテムｊよりアイテムｉを好むことを示す。
γｚｉがγｚｊより大きければ、潜在的ユーザクラスｚのユーザはアイテムｊよりアイテムｉをより好む。
p(δu ij=1|z,i,j)はアイテムｉとアイテムｊについてδu ij =1を有する潜在的ユーザクラスｚ内のユーザｕの確率を表す。δu ij =1は、ユーザｕがアイテムｊよりアイテムｉを好むことを示す。
次に、ＥＭアルゴリズムを、ｐＬＰＡモデル中の未知パラメータ値（すなわち、ｎ×ｋ個のアイテムパラメータγｚ、ｍ×ｋ個のＰ（ｚ｜ｕ））を推定するために使用する。
ここで、ｎは、アイテムの数を表わし、ｍはユーザの数を表わし、ｋは潜在的ユーザクラスの数を表わす。
ｋの選択に関しては、異なる具体的な例毎に、最適な効果を達成するために、専門家によって、あるいはトレーニング集合（training set）に関するテストモデルの性能に応じて異なるｋ値が選択される。
ここで、本発明において利用するＥＭアルゴリズムがあくまで一例であり、当業者であれば、同様にｐＬＰＡモデルのパラメータを推定する類似の機能を実現することができる他のパラメータ推定アルゴリズムを使用することが可能である。
ここで、ｎは、アイテムの数を表わし、ｍはユーザの数を表わし、ｋは潜在的ユーザクラスの数を表わす。
ｋの選択に関しては、異なる具体的な例毎に、最適な効果を達成するために、専門家によって、あるいはトレーニング集合（training set）に関するテストモデルの性能に応じて異なるｋ値が選択される。
ここで、本発明において利用するＥＭアルゴリズムがあくまで一例であり、当業者であれば、同様にｐＬＰＡモデルのパラメータを推定する類似の機能を実現することができる他のパラメータ推定アルゴリズムを使用することが可能である。
予測ステップにおいては、観察した各々のペアの嗜好についての潜在的ユーザクラスｚの事後確率は、以下の式により計算される。
最大化ステップ内では、対数尤度関数（log-likelihood function）の期待値E[Lc]をまず以下のように導き出す。
ここで、Ｑは観察したペアの嗜好集合を表わす。
正規化制約Σk z=1P(z|u)=1を使用しながらP(z|u)に関してE[Lc]を最適化することで、P(z|u)について以下の更新等式（update equation）を得る。
最大化ステップ内では、対数尤度関数（log-likelihood function）の期待値E[Lc]をまず以下のように導き出す。
正規化制約Σk z=1P(z|u)=1を使用しながらP(z|u)に関してE[Lc]を最適化することで、P(z|u)について以下の更新等式（update equation）を得る。
ｐＬＳＡと異なり、ｐＬＰＡの最大化ステップにおいてパラメータγzの閉じた形の解はない。
したがって、数値計算法（numerical methods）が、γz’sの最尤推定値を取得するために使用される。
各潜在クラスｚのパラメータ・ベクトルγzを推定するために、式（１２）において唯一関連する部分は以下の通りである。
ここで、wz ij=Σ(u,i,j)∈QP(z|u,i,j)は、潜在クラスｚのユーザｕによってアイテムｉがアイテムｊより好まれる期待回数である。
各Lc z(γz)は、進行中の最大化ステップにおいてγzの推定値を取得するために別々に最大化することが可能である。
したがって、数値計算法（numerical methods）が、γz’sの最尤推定値を取得するために使用される。
各潜在クラスｚのパラメータ・ベクトルγzを推定するために、式（１２）において唯一関連する部分は以下の通りである。
ここで、wz ij=Σ(u,i,j)∈QP(z|u,i,j)は、潜在クラスｚのユーザｕによってアイテムｉがアイテムｊより好まれる期待回数である。
各Lc z(γz)は、進行中の最大化ステップにおいてγzの推定値を取得するために別々に最大化することが可能である。
ここで、反復的アルゴリズム（非特許文献３（「MM algorithms for generalized Bradley-Terry models", issue 1,
vol. 32, Annals of Statistics 2004」）においてD.R. ハンター（D.R. Hunter）によって提案された）が、Bradley-Terryモデルにおけるパラメータγzの最尤推定値を取得するために使用される。このアルゴリズムは一意の最尤推定値への収束を保証する。
γ(t) zが第ｔ番目の反復の推定値であると仮定する。γ(t) zを固定することにより、以下の関数を定義することが可能である。
vol. 32, Annals of Statistics 2004」）においてD.R. ハンター（D.R. Hunter）によって提案された）が、Bradley-Terryモデルにおけるパラメータγzの最尤推定値を取得するために使用される。このアルゴリズムは一意の最尤推定値への収束を保証する。
γ(t) zが第ｔ番目の反復の推定値であると仮定する。γ(t) zを固定することにより、以下の関数を定義することが可能である。
関数の厳密な凹性を利用すると（それは正の対数xとyについて、-logx≧1-logy-(x/y)であることを意味する）、関数Qt(γz)が点γ(t) zでLc z(γz)の最小値となり、Qt(γz)≦Lc z(γz)はγz=γ(t) zである場合のみ等しくなることが分かる。
その結果、Qt(γz)≧Qt(γ(t) z)がLc z(γz)≧Lc z(γ(t) z)を意味することを容易に証明することができる。
この特性は、Qt(γz)が各反復で最大化され、かつγt+1 zがQt(γz)を最大値とする反復的アルゴリズムを提示し、以下の更新等式を得る。
ここで、Wz i=Σn j=1wz ijかつNz ij=wz ij+wz ijである。
その結果、Qt(γz)≧Qt(γ(t) z)がLc z(γz)≧Lc z(γ(t) z)を意味することを容易に証明することができる。
この特性は、Qt(γz)が各反復で最大化され、かつγt+1 zがQt(γz)を最大値とする反復的アルゴリズムを提示し、以下の更新等式を得る。
Bradley-Terryモデルに適合する上記アルゴリズムは、各反復を非常に効率的に計算することを可能にする。試験では、最尤推定値まで収束するのに通常３０−５０回の反復が必要である。
ＥＭアルゴリズムが収束してパラメータP(z|u)およびγzの推定値が取得されるまで反復を繰り返し、その後ｐＬＰＡモデルの計算が完了する。
以下、本発明による協調フィルタリング推薦システム２００の確率的潜在嗜好計算ユニット２６０におけるランキング予測処理について詳細に説明する。
式（８）の方法によって、ランキングπ∈Pn上の以下の確率分布を取得するのにｐＬＰＡモデルを用いることができる。
ここで、C(u)はユーザに関係する正規化定数である。
評価と異なり、ランキングπは離散的な組合わせ構造であり、そのため、πの期待値は、式（５）における方法で計算することができない。
代わりに、以下の式（１８）の元で最大事後確率確率(MAP：maximum
posteriori probabilities)を有するランキングを見出す必要がある。
式（８）の方法によって、ランキングπ∈Pn上の以下の確率分布を取得するのにｐＬＰＡモデルを用いることができる。
ここで、C(u)はユーザに関係する正規化定数である。
評価と異なり、ランキングπは離散的な組合わせ構造であり、そのため、πの期待値は、式（５）における方法で計算することができない。
代わりに、以下の式（１８）の元で最大事後確率確率(MAP：maximum
posteriori probabilities)を有するランキングを見出す必要がある。
しかしながら、単一のBradley-Terryモデルの場合と異なり、式（１８）は、各々がγzによって決定されたＭＡＰランキングを有するBradley-Terryモデルの混合である。
従って、ＭＡＰランキングは、集合Pnにおいて組合せ検索を実行することにより取得しなければならない。
P(π|u)の対数をとり、πに依存しないファクターを取り除くと、ＭＡＰランキングπ*は以下の関数を最大化するランキングである。
ここで、wu ij=logP(δij=1|u)である。
従って、ＭＡＰランキングは、集合Pnにおいて組合せ検索を実行することにより取得しなければならない。
P(π|u)の対数をとり、πに依存しないファクターを取り除くと、ＭＡＰランキングπ*は以下の関数を最大化するランキングである。
ここで、wu ij=logP(δij=1|u)である。
総じて言えば、比較的ランクの低いアイテムよりも、より好まれるランクの高いのアイテムの確率を最大化するようなランキングを取得することが望まれる。
以下、ランク統合問題（rank aggregation problem）によって示唆されるｐＬＰＡモデルに対してランキングを効率的に生成するのための方法について説明する。
ランク統合問題において、ランキング結果のリストを提供する複数の判断基準が存在し、ランク統合の目的は、有効な全体のランキングを生成するために効果的に個々の判断基準のスコアを組み合わせることである。
ランク統合のための多くの方法は以下の情報に依存する。
（ｉ）異なる判断基準によって各アイテムに割り当てられたスコア、及び／または、（ｉｉ）異なる結果リストにおける各アイテムの順序ランク。
アイテムを合計スコアによって並び替えるために、最初のスコア、ランク或いはこれらの値の変換に基づいて各アイテムの合計ステアを計算する様々な方法がすでに提案されている。
ｐＬＰＡモデルからランキングを生成するランク統合を適用するために、各潜在的カテゴリのBradley-TerryモデルP(δij;γz)を、ｎ個のアイテムにスコアγz1,・・・,γz2を適宜割り当てる判断基準とする。
ここで、Bradley-Terryモデルによれば、より大きいγzi値を有するアイテムがより好まれる可能性があるので、アイテム・パラメータγziはランキングについての自然な測定である。
ユーザ依存のランキングを生成するために、P(z|u)はさらに各判断基準毎のユーザ依存の重みとして利用される。
これは、ユーザｕおよびアイテムｉに関連するスコアθuiを計算するための以下の式を導き出す。
ランク統合問題において、ランキング結果のリストを提供する複数の判断基準が存在し、ランク統合の目的は、有効な全体のランキングを生成するために効果的に個々の判断基準のスコアを組み合わせることである。
ランク統合のための多くの方法は以下の情報に依存する。
（ｉ）異なる判断基準によって各アイテムに割り当てられたスコア、及び／または、（ｉｉ）異なる結果リストにおける各アイテムの順序ランク。
アイテムを合計スコアによって並び替えるために、最初のスコア、ランク或いはこれらの値の変換に基づいて各アイテムの合計ステアを計算する様々な方法がすでに提案されている。
ｐＬＰＡモデルからランキングを生成するランク統合を適用するために、各潜在的カテゴリのBradley-TerryモデルP(δij;γz)を、ｎ個のアイテムにスコアγz1,・・・,γz2を適宜割り当てる判断基準とする。
ここで、Bradley-Terryモデルによれば、より大きいγzi値を有するアイテムがより好まれる可能性があるので、アイテム・パラメータγziはランキングについての自然な測定である。
ユーザ依存のランキングを生成するために、P(z|u)はさらに各判断基準毎のユーザ依存の重みとして利用される。
これは、ユーザｕおよびアイテムｉに関連するスコアθuiを計算するための以下の式を導き出す。
各ユーザｕについて、ｕに関連する各アイテムのスコアが式（２０）に従って計算され、ランク付けされる。それにより、ユーザｕが好むアイテムランキングを予測する。
ここで、このランキング予測ポリシーの使用が本発明に限定的ではなく単に例示であることに注意すべきである。また、本発明の開示に基づいて、当業者であれば、本発明によるｐＬＰＡモデルを適用する他のランキング解決ポリシーを採用することができるであろう。
ここで、このランキング予測ポリシーの使用が本発明に限定的ではなく単に例示であることに注意すべきである。また、本発明の開示に基づいて、当業者であれば、本発明によるｐＬＰＡモデルを適用する他のランキング解決ポリシーを採用することができるであろう。
以上の説明から、本発明におけるｐＬＰＡは関連技術におけるｐＬＳＡと類似するが、それらの間には著しい差異があることが分かるであろう。
具体的には、ｐＬＳＡは、ユーザ評価データに基づいてモデル化されると共に、各潜在クラス毎の各アイテムに対する評価についてのガウス分布を使用してモデル化される。
しかし、本発明のｐＬＰＡは、ペアのアイテムについてのユーザ嗜好データに基づいてモデル化され、Bradley-Terryモデルなどのモデルを使用することによりペアのアイテムについて各潜在クラスの嗜好をモデル化する。
従って、ｐＬＡＳとｐＬＰＡのパラメータ推定ポリシーもまた相違する。
最後に、ｐＬＳＡが予測するのはアイテムについてのユーザの評価であるのに対して、本発明のｐＬＰＡによって予測されるのはアイテムについてのユーザのランキングである。
具体的には、ｐＬＳＡは、ユーザ評価データに基づいてモデル化されると共に、各潜在クラス毎の各アイテムに対する評価についてのガウス分布を使用してモデル化される。
しかし、本発明のｐＬＰＡは、ペアのアイテムについてのユーザ嗜好データに基づいてモデル化され、Bradley-Terryモデルなどのモデルを使用することによりペアのアイテムについて各潜在クラスの嗜好をモデル化する。
従って、ｐＬＡＳとｐＬＰＡのパラメータ推定ポリシーもまた相違する。
最後に、ｐＬＳＡが予測するのはアイテムについてのユーザの評価であるのに対して、本発明のｐＬＰＡによって予測されるのはアイテムについてのユーザのランキングである。
図４は、本発明の他の実施の形態によるｐＬＰＡベースのランキング指向協調フィルタリング推薦システム４００の概略を示すブロック図である。
この図に示す協調フィルタリング推薦システム４００は、評価集合ブロック４８０およびランキングペア生成器４９０を追加した点を除き、図２と類似している。
評価集合ブロック４８０は、アイテムについてのユーザ評価を格納し、ランキングペア生成器４９０は、与えられたランキング集合に基づいてランキングペアを自動的に生成する。
異なるペア集合を生成するために異なるポリシーを使用することも可能である。
以下に、ランキングペア生成器で使用することが可能なポリシーの例を説明する。
この図に示す協調フィルタリング推薦システム４００は、評価集合ブロック４８０およびランキングペア生成器４９０を追加した点を除き、図２と類似している。
評価集合ブロック４８０は、アイテムについてのユーザ評価を格納し、ランキングペア生成器４９０は、与えられたランキング集合に基づいてランキングペアを自動的に生成する。
異なるペア集合を生成するために異なるポリシーを使用することも可能である。
以下に、ランキングペア生成器で使用することが可能なポリシーの例を説明する。
例えば、アイテム集合{i, j, k, t}について４つの評価{ri=4, rj=4, rk=5,
rt=1}を有する所定のユーザｕ。
rt=1}を有する所定のユーザｕ。
例１：基本ポリシー−評価に基づいて全てのアイテムから全部のアイテムペアを生成する。
生成されたペア集合は{<k,i>,<i,t>,<k,j>,<j,t>,<k,t>}である。
生成されたペア集合は{<k,i>,<i,t>,<k,j>,<j,t>,<k,t>}である。
例２：重み付けポリシー−重み付けした全部のアイテムペアを生成する。
生成されたペア集合は{< k, i, w=1>,<
i, t, w=3 >,< j, t,
w=1 >,< j, t, w=3 >,< k, t, w=4 >}である。ここで、重みｗは２つの評価の差に比例する。
このポリシーは、評価間の差異の程度を強調する。異なる重みはアイテムペアをさらに選別するための根拠となる。
生成されたペア集合は{< k, i, w=1>,<
i, t, w=3 >,< j, t,
w=1 >,< j, t, w=3 >,< k, t, w=4 >}である。ここで、重みｗは２つの評価の差に比例する。
このポリシーは、評価間の差異の程度を強調する。異なる重みはアイテムペアをさらに選別するための根拠となる。
例３：選択的ポリシー−所定の差分閾値に基づいて選択的にアイテムペアを生成する。
所定の閾値＝２を有するアイテムペア集合は{<i,t>,<j,t>,<k,t>}である。
所定の閾値＝２を有するアイテムペア集合は{<i,t>,<j,t>,<k,t>}である。
このポリシーは、明らかな相違を有するペアだけを考慮する。従って、生成されるペアの量を軽減し、それにより演算の負荷を軽減することが可能である。
要するに、図４の協調フィルタリング推薦システム４００において、ランキングが異なるポリシーに基づいてランキング集合から生成される。
ポリシーについては、実際の適用における異なるデータ特性を考慮することにより選択する。
要するに、図４の協調フィルタリング推薦システム４００において、ランキングが異なるポリシーに基づいてランキング集合から生成される。
ポリシーについては、実際の適用における異なるデータ特性を考慮することにより選択する。
図５は、本発明のさらに他の実施の形態によるｐＬＰＡベースのランキング指向協調フィルタリング推薦システム５００の概略を示すブロック図である。
この図に示す協調フィルタリング推薦システム５００は、ユーザフィードバック収集部５４５、ユーザフィードバックブロック部５５０およびフィードバックベースランキングペア生成部５５５を追加した点を除き、図２と類似している。
ユーザフィードバック収集部５４５は、クリック、ブラウジングあるいは購入履歴等のような、所定の推薦リスト上のユーザフィードバックを収集する。また、ユーザフィードバックブロック部５５０は、ユーザフィードバック収集部５４５によって収集したユーザフィードバックを記録する。
フィードバックベースランキングペア生成部５５５は、ユーザフィードバックをランキングペアに変換する。
変換において異なるポリシーを使用することが可能である。以下に可能なポリシーの例を示す。
この図に示す協調フィルタリング推薦システム５００は、ユーザフィードバック収集部５４５、ユーザフィードバックブロック部５５０およびフィードバックベースランキングペア生成部５５５を追加した点を除き、図２と類似している。
ユーザフィードバック収集部５４５は、クリック、ブラウジングあるいは購入履歴等のような、所定の推薦リスト上のユーザフィードバックを収集する。また、ユーザフィードバックブロック部５５０は、ユーザフィードバック収集部５４５によって収集したユーザフィードバックを記録する。
フィードバックベースランキングペア生成部５５５は、ユーザフィードバックをランキングペアに変換する。
変換において異なるポリシーを使用することが可能である。以下に可能なポリシーの例を示す。
例えば、アイテム<A, B, C,
D, E>についてのランキングリストが与えられ、ユーザのクリック集合が<B,D>である場合。
例１：ユーザがランキングリスト全体を読み込んだと仮定すると、そのとき生成されるランキングペア集合は{<B,A>, <B,C>,<B,E>,
<D,A>, <D,C>,<D,E>}である。
例２：ユーザがランキングリストの一部だけを読み取ったと仮定すると、そのとき生成されるランキングペア集合は{<B,A>, <B,C>,<D,A>,
<D,C>}である。
図５に示す協調フィルタリング推薦システム５００は、ユーザの潜在的な嗜好を収集するのにユーザフィードバック機構を用いる。これにより、トレーニングデータ収集が向上する。
この方法によって、ユーザからの暗黙のフィードバックがトレーニングのために使用される。
ユーザ評価を取得するのが困難な場合、そのような機構は非常に有効である。
D, E>についてのランキングリストが与えられ、ユーザのクリック集合が<B,D>である場合。
例１：ユーザがランキングリスト全体を読み込んだと仮定すると、そのとき生成されるランキングペア集合は{<B,A>, <B,C>,<B,E>,
<D,A>, <D,C>,<D,E>}である。
例２：ユーザがランキングリストの一部だけを読み取ったと仮定すると、そのとき生成されるランキングペア集合は{<B,A>, <B,C>,<D,A>,
<D,C>}である。
図５に示す協調フィルタリング推薦システム５００は、ユーザの潜在的な嗜好を収集するのにユーザフィードバック機構を用いる。これにより、トレーニングデータ収集が向上する。
この方法によって、ユーザからの暗黙のフィードバックがトレーニングのために使用される。
ユーザ評価を取得するのが困難な場合、そのような機構は非常に有効である。
図６は、本発明によるランキング指向協調フィルタリング推薦装置６００の概略を示す。
この装置６００は、取得手段６１０、構築手段６２０および予測手段６３０を含む。
取得手段６１０は、ランキングアイテムペア集合についてユーザの嗜好データを取得する。
構築手段６２０は、取得手段６１０から受信した嗜好データおよびユーザ・アイテム間の相関データに基づいてユーザ嗜好ベースのｐＬＰＡモデルを構築する。
予測手段６３０は、構築手段６２０によって構築されたｐＬＰＡモデルを利用することにより、ユーザに対して推薦するためにユーザ嗜好に基づくアイテムランキングを予測する。
この装置６００は、取得手段６１０、構築手段６２０および予測手段６３０を含む。
取得手段６１０は、ランキングアイテムペア集合についてユーザの嗜好データを取得する。
構築手段６２０は、取得手段６１０から受信した嗜好データおよびユーザ・アイテム間の相関データに基づいてユーザ嗜好ベースのｐＬＰＡモデルを構築する。
予測手段６３０は、構築手段６２０によって構築されたｐＬＰＡモデルを利用することにより、ユーザに対して推薦するためにユーザ嗜好に基づくアイテムランキングを予測する。
本発明による実施の形態は、ソフトウェア、ハードウェア、またはソフトウェアとハードウェアとの組み合わせによって実現することが可能である。
当業者は、適切なデータ処理システムに利用可能な信号媒体でセットされる計算機プログラムによって本発明を実現することができることを理解するであろう。
このような信号媒体は、コンピュータ読み取り可能な情報のための伝送ケーブルあるいは記録媒体であり、磁気記録媒体、光学記録媒体あるいは他の適切な媒体を含む。
記録可能な媒体の具体例としては、ハードディスクドライブの磁気ディスクあるいはフロッピィ・ディスク、CD-ROMドライブの光ディスク、磁気テープ、および当業者が思い付く他の媒体を含む。
当業者であれば、適切なプログラミング装置を有する任意の通信端末でも、プログラムプロダクトで具体化される本発明の方法のステップを実現することができることを理解するであろう。
当業者は、適切なデータ処理システムに利用可能な信号媒体でセットされる計算機プログラムによって本発明を実現することができることを理解するであろう。
このような信号媒体は、コンピュータ読み取り可能な情報のための伝送ケーブルあるいは記録媒体であり、磁気記録媒体、光学記録媒体あるいは他の適切な媒体を含む。
記録可能な媒体の具体例としては、ハードディスクドライブの磁気ディスクあるいはフロッピィ・ディスク、CD-ROMドライブの光ディスク、磁気テープ、および当業者が思い付く他の媒体を含む。
当業者であれば、適切なプログラミング装置を有する任意の通信端末でも、プログラムプロダクトで具体化される本発明の方法のステップを実現することができることを理解するであろう。
上記の説明では、本発明をより理解しやすくするため、本発明の実現には必須とされるが、当該技術に精通した当業者には広く知られている技術の詳細を一部省略している。
本発明の説明は例示と説明を目的として記載したものであり、すべての実施例を網羅することや、本発明を上記の形態に限定することを意図するものではない。様々な変更や改変が可能なことは、当業者には明らかであろう。
したがって、上記の実施の形態は、本発明の原理と実用用途とをより明快に説明すると共に、本発明の精神から逸脱することなくなされたすべての変更および改変は付記される請求項に定義される本発明の保護範囲に含まれることを、当業者が理解する上での助けとすることを目的として、選択され説明されたものである。
さらに、上記実施形態の一部又は全部は、以下の付記のようにも記載されうるが、これに限定されない。
（付記１）
ランキングアイテムのペア集合についてユーザの嗜好データを取得するステップと、
前記嗜好データおよびユーザアイテム間の相関データに基づいてユーザの嗜好ベースの確率的潜在嗜好解析モデルを構築するステップと、
確率的潜在嗜好解析モデルを使用することにより、ユーザに対して推薦を容易にするユーザの嗜好に基づくアイテムランキングを予測するステップと
を含むことを特徴とするランキング指向の協調フィルタリング推薦方法。
ランキングアイテムのペア集合についてユーザの嗜好データを取得するステップと、
前記嗜好データおよびユーザアイテム間の相関データに基づいてユーザの嗜好ベースの確率的潜在嗜好解析モデルを構築するステップと、
確率的潜在嗜好解析モデルを使用することにより、ユーザに対して推薦を容易にするユーザの嗜好に基づくアイテムランキングを予測するステップと
を含むことを特徴とするランキング指向の協調フィルタリング推薦方法。
（付記２）
ランキングアイテムのペア集合についてユーザの嗜好データを取得するステップが、異なるポリシーに従って評価集合から前記ランキングアイテムのペアを生成するステップをさらに含むことを特徴とする付記１に記載のランキング指向の協調フィルタリング推薦方法。
ランキングアイテムのペア集合についてユーザの嗜好データを取得するステップが、異なるポリシーに従って評価集合から前記ランキングアイテムのペアを生成するステップをさらに含むことを特徴とする付記１に記載のランキング指向の協調フィルタリング推薦方法。
（付記３）
前記異なるポリシーは、アイテムの評価に従って全てのアイテムからランキングアイテムのペアを全て生成するポリシー、アイテムの評価に従ってウェイトを有するランキングアイテムのペアを生成するポリシー、あるいは所定の評価差分閾値に従ってランキングアイテムのペアを生成するポリシーを含むことを特徴とする付記２に記載のランキング指向の協調フィルタリング推薦方法。
前記異なるポリシーは、アイテムの評価に従って全てのアイテムからランキングアイテムのペアを全て生成するポリシー、アイテムの評価に従ってウェイトを有するランキングアイテムのペアを生成するポリシー、あるいは所定の評価差分閾値に従ってランキングアイテムのペアを生成するポリシーを含むことを特徴とする付記２に記載のランキング指向の協調フィルタリング推薦方法。
（付記４）
ランキングアイテムのペア集合についてユーザの嗜好データを取得するステップが、確率的潜在嗜好解析モデルを構築するステップにおいて使用する推薦のためのユーザフィードバックに基づく新たな嗜好データを生成するステップをさらに含むことを特徴とする付記１に記載のランキング指向の協調フィルタリング推薦方法。
ランキングアイテムのペア集合についてユーザの嗜好データを取得するステップが、確率的潜在嗜好解析モデルを構築するステップにおいて使用する推薦のためのユーザフィードバックに基づく新たな嗜好データを生成するステップをさらに含むことを特徴とする付記１に記載のランキング指向の協調フィルタリング推薦方法。
（付記５）
確率的潜在嗜好解析モデルは、
の式で表される
（ここで、ｕはユーザを示し、ｉとｊはアイテムを示し、ｚは潜在的ユーザクラスを示す。δｕ ｉｊはアイテムｉおよびｊについてのユーザｕのペアの嗜好変数を示し、ユーザｕがアイテムｊよりアイテムｉを好めば、δｕ ｉｊ＝１となり、そうでなければ、δｕ ｉｊ＝０となる。ｋは潜在的ユーザクラスの数を示し、p(z|u)は潜在的ユーザクラスｚに属するユーザｕの確率を示し、P(δu ij|i,j,z)はアイテムｉとアイテムｊについて嗜好δu ijを有する潜在的ユーザクラスｚのユーザｕの確率を示し、P(δu ij|i,j,z)はアイテムｉとアイテムｊについて嗜好δu ijを有するユーザｕの確率を示す）
ことを特徴とする付記１に記載のランキング指向の協調フィルタリング推薦方法。
確率的潜在嗜好解析モデルは、
（ここで、ｕはユーザを示し、ｉとｊはアイテムを示し、ｚは潜在的ユーザクラスを示す。δｕ ｉｊはアイテムｉおよびｊについてのユーザｕのペアの嗜好変数を示し、ユーザｕがアイテムｊよりアイテムｉを好めば、δｕ ｉｊ＝１となり、そうでなければ、δｕ ｉｊ＝０となる。ｋは潜在的ユーザクラスの数を示し、p(z|u)は潜在的ユーザクラスｚに属するユーザｕの確率を示し、P(δu ij|i,j,z)はアイテムｉとアイテムｊについて嗜好δu ijを有する潜在的ユーザクラスｚのユーザｕの確率を示し、P(δu ij|i,j,z)はアイテムｉとアイテムｊについて嗜好δu ijを有するユーザｕの確率を示す）
ことを特徴とする付記１に記載のランキング指向の協調フィルタリング推薦方法。
（付記６）
Bradley-Terryモデルが、以下の式において表される確率的嗜好解析モデルのP(δu ij|i,j,z)項をモデル化するために使用される
（ここで、γiとγjはそれぞれｉとｊの負でないアイテム・パラメータであり、それぞれアイテムｉとアイテムｊの有用性を示し、γiがγjより高ければ、潜在的ユーザクラスｚのユーザｕがアイテムｊよりアイテムｉをより好み、p(δu ij=1|z,i,j)はアイテムｉとアイテムｊについて嗜好δu ij =1を生成する潜在的ユーザクラスｚのユーザｕの確率を示し、δu ij=1はユーザｕがアイテムｊよりアイテムｉを好むことを示す）
ことを特徴とする付記５に記載のランキング指向の協調フィルタリング推薦方法。
Bradley-Terryモデルが、以下の式において表される確率的嗜好解析モデルのP(δu ij|i,j,z)項をモデル化するために使用される
ことを特徴とする付記５に記載のランキング指向の協調フィルタリング推薦方法。
（付記７）
期待値最大化方法を、未知のパラメータp(z|u)および確率的潜在嗜好解析モデルのγzを解決するために使用することを特徴とする付記６に記載のランキング指向の協調フィルタリング推薦方法。
期待値最大化方法を、未知のパラメータp(z|u)および確率的潜在嗜好解析モデルのγzを解決するために使用することを特徴とする付記６に記載のランキング指向の協調フィルタリング推薦方法。
（付記８）
確率的潜在嗜好解析モデルを使用してアイテムについてのユーザの嗜好ランキングを予測する場合、以下の式を利用して、ユーザuとアイテムiに関連するスコア値θuiを計算し、
その後、全てのアイテムのスコア値はをランク付けし、ユーザuの嗜好に関するアイテムランキングを予測する
ことを特徴とする付記６に記載のランキング指向の協調フィルタリング推薦方法。
確率的潜在嗜好解析モデルを使用してアイテムについてのユーザの嗜好ランキングを予測する場合、以下の式を利用して、ユーザuとアイテムiに関連するスコア値θuiを計算し、
ことを特徴とする付記６に記載のランキング指向の協調フィルタリング推薦方法。
（付記９）
ランキングアイテムのペア集合についてユーザの嗜好データを取得する取得手段と、
前記嗜好データおよびユーザアイテム間の相関データに基づいてユーザの嗜好ベースの確率的潜在嗜好解析モデルを構築する構築手段と、
確率的潜在嗜好解析モデルを使用することにより、ユーザに対して推薦を容易にするユーザの嗜好に基づくアイテムランキングを予測する予測手段と
を備えることを特徴とするランキング指向の協調フィルタリング推薦装置。
ランキングアイテムのペア集合についてユーザの嗜好データを取得する取得手段と、
前記嗜好データおよびユーザアイテム間の相関データに基づいてユーザの嗜好ベースの確率的潜在嗜好解析モデルを構築する構築手段と、
確率的潜在嗜好解析モデルを使用することにより、ユーザに対して推薦を容易にするユーザの嗜好に基づくアイテムランキングを予測する予測手段と
を備えることを特徴とするランキング指向の協調フィルタリング推薦装置。
（付記１０）
前記取得手段が、異なるポリシーに従って評価集合から前記ランキングアイテムのペアを生成する手段を含むことを特徴とする付記９に記載のランキング指向の協調フィルタリング推薦装置。
前記取得手段が、異なるポリシーに従って評価集合から前記ランキングアイテムのペアを生成する手段を含むことを特徴とする付記９に記載のランキング指向の協調フィルタリング推薦装置。
（付記１１）
前記異なるポリシーは、アイテムの評価に従って全てのアイテムからランキングアイテムのペアを全て生成するポリシー、アイテムの評価に従ってウェイトを有するランキングアイテムのペアを生成するポリシー、あるいは所定の評価差分閾値に従ってランキングアイテムのペアを生成するポリシーを含むことを特徴とする付記１０に記載のランキング指向の協調フィルタリング推薦装置。
前記異なるポリシーは、アイテムの評価に従って全てのアイテムからランキングアイテムのペアを全て生成するポリシー、アイテムの評価に従ってウェイトを有するランキングアイテムのペアを生成するポリシー、あるいは所定の評価差分閾値に従ってランキングアイテムのペアを生成するポリシーを含むことを特徴とする付記１０に記載のランキング指向の協調フィルタリング推薦装置。
（付記１２）
前記取得手段が、確率的潜在嗜好解析モデルを構築するステップにおいて使用する推薦のためのユーザフィードバックに基づく新たな嗜好データを生成する手段を含むことを特徴とする付記９に記載のランキング指向の協調フィルタリング推薦装置。
前記取得手段が、確率的潜在嗜好解析モデルを構築するステップにおいて使用する推薦のためのユーザフィードバックに基づく新たな嗜好データを生成する手段を含むことを特徴とする付記９に記載のランキング指向の協調フィルタリング推薦装置。
（付記１３）
前記構築手段によって構築される確率的潜在嗜好解析モデルは、
の式で表される
（ここで、ｕはユーザを示し、ｉとｊはアイテムを示し、ｚは潜在的ユーザクラスを示す。δｕ ｉｊはアイテムｉおよびｊについてのユーザｕのペアの嗜好変数を示し、ユーザｕがアイテムｊよりアイテムｉを好めば、δｕ ｉｊ＝１となり、そうでなければ、δｕ ｉｊ＝０となる。ｋは潜在的ユーザクラスの数を示し、p(z|u)は潜在的ユーザクラスｚに属するユーザｕの確率を示し、P(δu ij|i,j,z)はアイテムｉとアイテムｊについて嗜好δu ijを有する潜在的ユーザクラスｚのユーザｕの確率を示し、P(δu ij|i,j,z)はアイテムｉとアイテムｊについて嗜好δu ijを有するユーザｕの確率を示す）
ことを特徴とする付記９に記載のランキング指向の協調フィルタリング推薦装置。
前記構築手段によって構築される確率的潜在嗜好解析モデルは、
（ここで、ｕはユーザを示し、ｉとｊはアイテムを示し、ｚは潜在的ユーザクラスを示す。δｕ ｉｊはアイテムｉおよびｊについてのユーザｕのペアの嗜好変数を示し、ユーザｕがアイテムｊよりアイテムｉを好めば、δｕ ｉｊ＝１となり、そうでなければ、δｕ ｉｊ＝０となる。ｋは潜在的ユーザクラスの数を示し、p(z|u)は潜在的ユーザクラスｚに属するユーザｕの確率を示し、P(δu ij|i,j,z)はアイテムｉとアイテムｊについて嗜好δu ijを有する潜在的ユーザクラスｚのユーザｕの確率を示し、P(δu ij|i,j,z)はアイテムｉとアイテムｊについて嗜好δu ijを有するユーザｕの確率を示す）
ことを特徴とする付記９に記載のランキング指向の協調フィルタリング推薦装置。
（付記１４）
前記構築手段が、以下の式において表される確率的嗜好解析モデルのP(δu ij|i,j,z)項をモデル化するためにBradley-Terryモデルを使用する手段を備える
（ここで、γiとγjはそれぞれｉとｊの負でないアイテム・パラメータであり、それぞれアイテムｉとアイテムｊの有用性を示し、γiがγjより高ければ、潜在的ユーザクラスｚのユーザｕがアイテムｊよりアイテムｉをより好み、p(δu ij=1|z,i,j)はアイテムｉとアイテムｊについて嗜好δu ij =1を生成する潜在的ユーザクラスｚのユーザｕの確率を示し、δu ij=1はユーザｕがアイテムｊよりアイテムｉを好むことを示す）
ことを特徴とする付記１３に記載のランキング指向の協調フィルタリング推薦装置。
前記構築手段が、以下の式において表される確率的嗜好解析モデルのP(δu ij|i,j,z)項をモデル化するためにBradley-Terryモデルを使用する手段を備える
ことを特徴とする付記１３に記載のランキング指向の協調フィルタリング推薦装置。
（付記１５）
前記構築手段が、期待値最大化方法を使用して未知のパラメータp(z|u)および確率的潜在嗜好解析モデルのγzを解決する手段を備えることを特徴とする付記１４に記載のランキング指向の協調フィルタリング推薦装置。
前記構築手段が、期待値最大化方法を使用して未知のパラメータp(z|u)および確率的潜在嗜好解析モデルのγzを解決する手段を備えることを特徴とする付記１４に記載のランキング指向の協調フィルタリング推薦装置。
（付記１６）
前記予測手段が、確率的潜在嗜好解析モデルを使用してアイテムについてのユーザの嗜好ランキングを予測する場合、以下の式を利用して、ユーザuとアイテムiに関連するスコア値θuiを計算し、
その後、全てのアイテムのスコア値はをランク付けし、ユーザuの嗜好に関するアイテムランキングを予測する
ことを特徴とする付記１４に記載のランキング指向の協調フィルタリング推薦装置。
前記予測手段が、確率的潜在嗜好解析モデルを使用してアイテムについてのユーザの嗜好ランキングを予測する場合、以下の式を利用して、ユーザuとアイテムiに関連するスコア値θuiを計算し、
ことを特徴とする付記１４に記載のランキング指向の協調フィルタリング推薦装置。
２１０：ランキングペア集合ブロック部
２２０：アイテム・ユーザ集合ブロック部
２３０：ｐＬＰＡモデル生成ユニット
２４０：ｐＬＰＡモデルブロック部
２５０：ユーザプロファイルブロック部
２６０：確率的潜在嗜好計算ユニット２６０
２７０：ユーザ推薦リストブロック部
４００：協調フィルタリング推薦システム
４１０：ランキングペア集合ブロック部
４２０：アイテム・ユーザ集合ブロック部
４３０：ｐＬＰＡモデル生成ユニット
４４０：ｐＬＰＡモデルブロック部
４５０：ユーザプロファイルブロック部
４６０：確率的潜在嗜好計算ユニット
４７０：ユーザ推薦リストブロック部
４８０：評価集合データ
４９０：ランキングペア生成器
５００：ｐＬＰＡベースのランキング指向協調フィルタリング推薦システム
５１０：ランキングペア集合ブロック部
５１５：アイテム・ユーザ集合ブロック部
５２０：ｐＬＰＡモデル生成ユニット
５２５：ｐＬＰＡモデルブロック部
５３０：ユーザプロファイルブロック部
５３５：確率的潜在嗜好計算ユニット
５４０：ユーザ推薦リストブロック部
５４５：ユーザフィードバック収集部
５５０：ユーザフィードバックブロック部
５５５：フィードバックベースランキングペア生成部
６１０：取得手段
６２０：構築手段
６３０：予測手段
２２０：アイテム・ユーザ集合ブロック部
２３０：ｐＬＰＡモデル生成ユニット
２４０：ｐＬＰＡモデルブロック部
２５０：ユーザプロファイルブロック部
２６０：確率的潜在嗜好計算ユニット２６０
２７０：ユーザ推薦リストブロック部
４００：協調フィルタリング推薦システム
４１０：ランキングペア集合ブロック部
４２０：アイテム・ユーザ集合ブロック部
４３０：ｐＬＰＡモデル生成ユニット
４４０：ｐＬＰＡモデルブロック部
４５０：ユーザプロファイルブロック部
４６０：確率的潜在嗜好計算ユニット
４７０：ユーザ推薦リストブロック部
４８０：評価集合データ
４９０：ランキングペア生成器
５００：ｐＬＰＡベースのランキング指向協調フィルタリング推薦システム
５１０：ランキングペア集合ブロック部
５１５：アイテム・ユーザ集合ブロック部
５２０：ｐＬＰＡモデル生成ユニット
５２５：ｐＬＰＡモデルブロック部
５３０：ユーザプロファイルブロック部
５３５：確率的潜在嗜好計算ユニット
５４０：ユーザ推薦リストブロック部
５４５：ユーザフィードバック収集部
５５０：ユーザフィードバックブロック部
５５５：フィードバックベースランキングペア生成部
６１０：取得手段
６２０：構築手段
６３０：予測手段
Claims (10)
- 協調フィルタリング推薦装置による協調フィルタリング推薦方法であって、
取得手段が、ランキングアイテムのペア集合についてユーザの嗜好データを取得する取得ステップと、
構築手段が、前記嗜好データおよびユーザアイテム間の相関データに基づいてユーザの嗜好ベースの確率的潜在嗜好解析モデルを構築する構築ステップと、
予測手段が、確率的潜在嗜好解析モデルを使用することにより、ユーザに対して推薦を容易にするユーザの嗜好に基づくアイテムランキングを予測する予測ステップと
を含むことを特徴とするランキング指向の協調フィルタリング推薦方法。 - 前記取得ステップが、異なるポリシーに従って評価集合から前記ランキングアイテムのペアを生成するステップをさらに含むことを特徴とする請求項１に記載のランキング指向の協調フィルタリング推薦方法。
- 前記異なるポリシーは、アイテムの評価に従って全てのアイテムからランキングアイテムのペアを全て生成するポリシー、アイテムの評価に従ってウェイトを有するランキングアイテムのペアを生成するポリシー、あるいは所定の評価差分閾値に従ってランキングアイテムのペアを生成するポリシーを含むことを特徴とする請求項２に記載のランキング指向の協調フィルタリング推薦方法。
- 前記取得ステップが、確率的潜在嗜好解析モデルを構築するステップにおいて使用する推薦のためのユーザフィードバックに基づく新たな嗜好データを生成するステップをさらに含むことを特徴とする請求項１に記載のランキング指向の協調フィルタリング推薦方法。
- 前記構築ステップによって構築される確率的潜在嗜好解析モデルは、
の式で表される
（ここで、ｕはユーザを示し、ｉとｊはアイテムを示し、ｚは潜在的ユーザクラスを示す。δｕ ｉｊはアイテムｉおよびｊについてのユーザｕのペアの嗜好変数を示し、ユーザｕがアイテムｊよりアイテムｉを好めば、δｕ ｉｊ＝１となり、そうでなければ、δｕ ｉｊ＝０となる。ｋは潜在的ユーザクラスの数を示し、p(z|u)は潜在的ユーザクラスｚに属するユーザｕの確率を示し、P(δu ij|i,j,z)はアイテムｉとアイテムｊについて嗜好δu ijを有する潜在的ユーザクラスｚのユーザｕの確率を示し、P(δu ij|i,j,z)はアイテムｉとアイテムｊについて嗜好δu ijを有するユーザｕの確率を示す）
ことを特徴とする請求項１に記載のランキング指向の協調フィルタリング推薦方法。 - ランキングアイテムのペア集合についてユーザの嗜好データを取得する取得手段と、
前記嗜好データおよびユーザアイテム間の相関データに基づいてユーザの嗜好ベースの確率的潜在嗜好解析モデルを構築する構築手段と、
確率的潜在嗜好解析モデルを使用することにより、ユーザに対して推薦を容易にするユーザの嗜好に基づくアイテムランキングを予測する予測手段と
を備えることを特徴とするランキング指向の協調フィルタリング推薦装置。 - 前記取得手段が、異なるポリシーに従って評価集合から前記ランキングアイテムのペアを生成する手段を含むことを特徴とする請求項６に記載のランキング指向の協調フィルタリング推薦装置。
- 前記異なるポリシーは、アイテムの評価に従って全てのアイテムからランキングアイテムのペアを全て生成するポリシー、アイテムの評価に従ってウェイトを有するランキングアイテムのペアを生成するポリシー、あるいは所定の評価差分閾値に従ってランキングアイテムのペアを生成するポリシーを含むことを特徴とする請求項７に記載のランキング指向の協調フィルタリング推薦装置。
- 前記取得手段が、確率的潜在嗜好解析モデルを構築するステップにおいて使用する推薦のためのユーザフィードバックに基づく新たな嗜好データを生成する手段を含むことを特徴とする請求項６に記載のランキング指向の協調フィルタリング推薦装置。
- 前記構築手段によって構築される確率的潜在嗜好解析モデルは、
の式で表される
（ここで、ｕはユーザを示し、ｉとｊはアイテムを示し、ｚは潜在的ユーザクラスを示す。δｕ ｉｊはアイテムｉおよびｊについてのユーザｕのペアの嗜好変数を示し、ユーザｕがアイテムｊよりアイテムｉを好めば、δｕ ｉｊ＝１となり、そうでなければ、δｕ ｉｊ＝０となる。ｋは潜在的ユーザクラスの数を示し、p(z|u)は潜在的ユーザクラスｚに属するユーザｕの確率を示し、P(δu ij|i,j,z)はアイテムｉとアイテムｊについて嗜好δu ijを有する潜在的ユーザクラスｚのユーザｕの確率を示し、P(δu ij|i,j,z)はアイテムｉとアイテムｊについて嗜好δu ijを有するユーザｕの確率を示す）
ことを特徴とする請求項６に記載のランキング指向の協調フィルタリング推薦装置。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN200910207100.0 | 2009-10-30 | ||
| CN 200910207100 CN102053971B (zh) | 2009-10-30 | 2009-10-30 | 用于面向排序的协同过滤的推荐方法和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2011096255A JP2011096255A (ja) | 2011-05-12 |
| JP5143879B2 true JP5143879B2 (ja) | 2013-02-13 |
Family
ID=43958310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2010242228A Expired - Fee Related JP5143879B2 (ja) | 2009-10-30 | 2010-10-28 | ランキング指向の協調フィルタリング推薦方法および装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP5143879B2 (ja) |
| CN (1) | CN102053971B (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10936964B2 (en) * | 2014-12-01 | 2021-03-02 | Snu R&Db Foundation | Method and apparatus for estimating multi-ranking using pairwise comparison data |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779136A (zh) * | 2011-05-13 | 2012-11-14 | 北京搜狗科技发展有限公司 | 一种信息搜索的方法和装置 |
| CN103049452B (zh) * | 2011-10-14 | 2017-12-26 | 百度在线网络技术（北京）有限公司 | 一种基于预估下载率进行应用排序的方法与设备 |
| CN102495837B (zh) * | 2011-11-01 | 2014-05-07 | 中国科学院计算技术研究所 | 一种数字信息推荐预测模型的训练方法和系统 |
| CN102508894B (zh) * | 2011-11-01 | 2014-05-07 | 中国科学院计算技术研究所 | 一种数字信息推荐预测模型的训练方法和系统 |
| JP5827874B2 (ja) | 2011-11-11 | 2015-12-02 | 株式会社ドワンゴ | キーワード取得装置、コンテンツ提供システム、キーワード取得方法、プログラム及びコンテンツ提供方法 |
| CN103309866B (zh) * | 2012-03-09 | 2017-06-13 | 华为技术有限公司 | 生成推荐结果的方法和装置 |
| US10878044B2 (en) | 2012-10-30 | 2020-12-29 | Sk Planet Co., Ltd. | System and method for providing content recommendation service |
| US10074121B2 (en) * | 2013-06-20 | 2018-09-11 | Dassault Systemes | Shopper helper |
| KR101677749B1 (ko) * | 2015-05-28 | 2016-11-21 | 네이버 주식회사 | 개인 선호 성향을 고려한 추천 서비스 방법 및 이를 위한 추천 서비스 서버 |
| CN106354855B (zh) * | 2016-09-05 | 2019-11-08 | 北京邮电大学 | 一种推荐方法及系统 |
| EP3340130A1 (en) * | 2016-12-23 | 2018-06-27 | Hexagon Technology Center GmbH | Method for prediction of soil and/or plant condition |
| KR101953839B1 (ko) * | 2016-12-29 | 2019-03-06 | 서울대학교산학협력단 | 추가 질의에 대한 쌍별 비교 데이터를 이용한 업데이트된 다중랭킹 추정 방법 |
| CN107220233B (zh) * | 2017-05-09 | 2020-06-16 | 北京理工大学 | 一种基于高斯混合模型的用户知识需求模型构建方法 |
| CN107025311A (zh) * | 2017-05-18 | 2017-08-08 | 北京大学 | 一种基于k近邻的贝叶斯个性化推荐方法及装置 |
| CN107229876B (zh) * | 2017-06-05 | 2020-01-24 | 中南大学 | 一种满足差分隐私的协同过滤推荐方法 |
| CN109118263A (zh) * | 2017-06-23 | 2019-01-01 | 杭州美界科技有限公司 | 一种基于顾客反馈的美容推荐系统 |
| CN108665323B (zh) * | 2018-05-20 | 2021-01-05 | 北京工业大学 | 一种用于理财产品推荐系统的集成方法 |
| CN109634995B (zh) * | 2018-09-10 | 2023-06-30 | 创新先进技术有限公司 | 评估主体对关系的方法、装置及服务器 |
| CN111784377A (zh) * | 2019-04-25 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
| CN110348947B (zh) * | 2019-06-13 | 2022-02-25 | 创新先进技术有限公司 | 对象推荐方法及装置 |
| US11281734B2 (en) * | 2019-07-03 | 2022-03-22 | International Business Machines Corporation | Personalized recommender with limited data availability |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4538757B2 (ja) * | 2007-12-04 | 2010-09-08 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| CN101520784B (zh) * | 2008-02-29 | 2011-09-28 | 富士通株式会社 | 信息发布系统和信息发布方法 |
| CN101329683A (zh) * | 2008-07-25 | 2008-12-24 | 华为技术有限公司 | 推荐系统及方法 |
-
2009
- 2009-10-30 CN CN 200910207100 patent/CN102053971B/zh not_active Expired - Fee Related
-
2010
- 2010-10-28 JP JP2010242228A patent/JP5143879B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10936964B2 (en) * | 2014-12-01 | 2021-03-02 | Snu R&Db Foundation | Method and apparatus for estimating multi-ranking using pairwise comparison data |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102053971A (zh) | 2011-05-11 |
| JP2011096255A (ja) | 2011-05-12 |
| CN102053971B (zh) | 2013-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5143879B2 (ja) | ランキング指向の協調フィルタリング推薦方法および装置 | |
| Koohi et al. | A new method to find neighbor users that improves the performance of collaborative filtering | |
| Bagher et al. | User trends modeling for a content-based recommender system | |
| Luo et al. | A collaborative filtering framework based on both local user similarity and global user similarity | |
| Todorov | Efficient computation of optimal actions | |
| CN102262647B (zh) | 信息处理装置、信息处理方法和程序 | |
| WO2015192667A1 (zh) | 推荐广告的方法及广告推荐服务器 | |
| Huang et al. | Cost-sensitive three-way recommendations by learning pair-wise preferences | |
| CN109960749B (zh) | 模型获取方法、关键词生成方法、装置、介质及计算设备 | |
| Hu et al. | Playlist recommendation based on reinforcement learning | |
| CN108665148B (zh) | 一种电子资源质量评价方法、装置和存储介质 | |
| JP2004164290A (ja) | 情報処理装置および方法、記録媒体、並びにプログラム | |
| Sinha et al. | DNN-MF: Deep neural network matrix factorization approach for filtering information in multi-criteria recommender systems | |
| Cheng et al. | Long-term effect estimation with surrogate representation | |
| KR20110096488A (ko) | 최적화된 도메인간 정보 퀄리티 평가를 갖는 협동적 네트워킹 | |
| Xie et al. | Interactive resource recommendation algorithm based on tag information | |
| Tong et al. | A missing QoS prediction approach via time-aware collaborative filtering | |
| Grob et al. | A recurrent neural network survival model: Predicting web user return time | |
| Li et al. | A time-aware hybrid recommendation scheme combining content-based and collaborative filtering | |
| Liang et al. | Difference factor’KNN collaborative filtering recommendation algorithm | |
| Idrissi et al. | A new hybrid-enhanced recommender system for mitigating cold start issues | |
| Yan et al. | Dynamic clustering based contextual combinatorial multi-armed bandit for online recommendation | |
| Ifada et al. | How relevant is the irrelevant data: leveraging the tagging data for a learning-to-rank model | |
| Liu et al. | Personal recommendation based on weighted bipartite networks | |
| Nguyen et al. | Factorizing LambdaMART for cold start recommendations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110627 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20120705 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120711 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121009 |
|
| 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: 20121030 |
|
| 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: 20121121 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20151130 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |