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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
rt=1}を有する所定のユーザu。
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, 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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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 |