JP5451644B2 - RECOMMENDATION SYSTEM, RECOMMENDATION METHOD, RECOMMENDATION PROGRAM, AND INFORMATION STORAGE MEDIUM - Google Patents

RECOMMENDATION SYSTEM, RECOMMENDATION METHOD, RECOMMENDATION PROGRAM, AND INFORMATION STORAGE MEDIUM Download PDF

Info

Publication number
JP5451644B2
JP5451644B2 JP2010547377A JP2010547377A JP5451644B2 JP 5451644 B2 JP5451644 B2 JP 5451644B2 JP 2010547377 A JP2010547377 A JP 2010547377A JP 2010547377 A JP2010547377 A JP 2010547377A JP 5451644 B2 JP5451644 B2 JP 5451644B2
Authority
JP
Japan
Prior art keywords
user
users
preference data
similarity
recommendation
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
Application number
JP2010547377A
Other languages
Japanese (ja)
Other versions
JPWO2010084629A1 (en
Inventor
祐平 山内
政寛 山田
智 北村
秀哉 松河
竜也 和気
詩織 阪口
真依 寄▲高▼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Tokyo NUC
Benesse Corp
Original Assignee
University of Tokyo NUC
Benesse Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Tokyo NUC, Benesse Corp filed Critical University of Tokyo NUC
Priority to JP2010547377A priority Critical patent/JP5451644B2/en
Publication of JPWO2010084629A1 publication Critical patent/JPWO2010084629A1/en
Application granted granted Critical
Publication of JP5451644B2 publication Critical patent/JP5451644B2/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は推薦システム、推薦方法、推薦プログラム及び情報記憶媒体に関する。   The present invention relates to a recommendation system, a recommendation method, a recommendation program, and an information storage medium.

近年、情報検索やオンライン販売などの各種オンラインサービスにおいて、推薦アルゴリズムが利用されることが多くなっている。協調フィルタリングと呼ばれる推薦アルゴリズムでは、最初にユーザ間で嗜好データの類似度を計算し、ある推薦対象ユーザと嗜好データの類似度が高い別のユーザを選出する。そして、こうして選出されるユーザの嗜好を元にして推薦対象ユーザに推薦する情報を判断する。   In recent years, recommendation algorithms are often used in various online services such as information retrieval and online sales. In a recommendation algorithm called collaborative filtering, first, the similarity of preference data is calculated among users, and another user having a high similarity between preference data and preference data is selected. Then, based on the user preferences selected in this way, information to be recommended to the recommendation target user is determined.

しかしながら上記従来手法によると、推薦アルゴリズムが長期間にわたり使用され、様々な情報が推薦されるにつれて、既に推薦対象ユーザに推薦された情報が再度推薦されるようになり、推薦対象ユーザの新たな興味・関心を掘り起こすことができないという問題がある。嗜好データの類似度がそれほど高くないユーザの嗜好を元にして、さらに多くの情報を推薦することも考えられるが、そうすると推薦される情報の中にノイズも多くなり、却ってユーザの利便性を損なう。   However, according to the above-described conventional method, as the recommendation algorithm is used for a long period of time and various information is recommended, the information already recommended to the recommendation target user is recommended again.・ There is a problem that you cannot dig up interest. It may be possible to recommend more information based on the preference of users whose preference data similarity is not so high, but doing so will cause a lot of noise in the recommended information, which in turn impairs user convenience .

本発明は上記課題に鑑みてなされたものであって、その目的は、推薦対象ユーザに対して興味を湧かせる情報を継続的に提供できる推薦システム、推薦方法、推薦プログラム及び情報記憶媒体を提供することにある。   The present invention has been made in view of the above-mentioned problems, and its object is to provide a recommendation system, a recommendation method, a recommendation program, and an information storage medium that can continuously provide information that makes interest to a recommendation target user. There is to do.

上記課題を解決するために、本発明に係る推薦システムは、複数のユーザの嗜好データを記憶する嗜好データ記憶手段と、ユーザ間の嗜好データの類似度を計算する類似度計算手段と、前記複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第１ユーザ選出手段と、前記第１ユーザ選出手段により選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出手段と、前記第２ユーザ選出手段により選出されるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定手段と、を含むことを特徴とする。   In order to solve the above problems, a recommendation system according to the present invention includes preference data storage means for storing preference data of a plurality of users, similarity calculation means for calculating the similarity of preference data between users, A first user who selects one or more of the plurality of users based on the similarity between the preference data of the user to be recommended among the users and the preference data of all or some of the plurality of users Based on the similarity between selection means, user preference data selected by the first user selection means, and preference data of all or some of the plurality of users, among the plurality of users Based on preference data of some or all of the users selected by the second user selection means and the second user selection means for selecting one or more, the recommended user Characterized in that it comprises a recommendation information determining means for determining the Recommended information.

また、本発明に係る推薦方法は、複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第１ユーザ選出ステップと、前記第１ユーザ選出ステップにおいて選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出ステップと、前記第２ユーザ選出ステップにおいて選出されるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定ステップと、を含むことを特徴とする。   In addition, the recommendation method according to the present invention is based on the similarity between the preference data of a recommendation target user among a plurality of users and the preference data of all or some of the plurality of users. Similarity between a first user selection step of selecting one or more users, user preference data selected in the first user selection step, and preference data of all or some of the plurality of users Based on the second user selection step of selecting one or more of the plurality of users, and the preference data of some or all of the users selected in the second user selection step, A recommendation information determining step for determining information recommended to the recommendation target user.

さらに、本発明に係る推薦プログラムは、複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第１ユーザ選出ステップと、前記第１ユーザ選出ステップにおいて選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出ステップと、前記第２ユーザ選出ステップにおいて選出されるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定ステップと、をコンピュータに実行させるためのプログラムである。このプログラムはコンピュータ可読情報記憶媒体に格納されてよい。   Furthermore, the recommendation program according to the present invention is based on the similarity between the preference target user preference data among a plurality of users and the preference data of all or some of the plurality of users. Similarity between a first user selection step of selecting one or more users, user preference data selected in the first user selection step, and preference data of all or some of the plurality of users Based on the second user selection step of selecting one or more of the plurality of users, and the preference data of some or all of the users selected in the second user selection step, It is a program for causing a computer to execute a recommendation information determination step for determining information recommended to a recommendation target user. This program may be stored in a computer-readable information storage medium.

また、本発明の一態様では、前記第１ユーザ選出手段（ステップ）は、前記推薦対象ユーザと、嗜好データの類似度が第１所定値以上であるユーザを選出し、前記推薦システムは、前記推薦ユーザと、嗜好データの類似度が前記第１所定値未満且つ前記第１所定値よりも小さな第２所定値以上であるユーザを選出する第３ユーザ選出手段をさらに含み、前記推薦情報決定手段は、前記第２ユーザ選出手段により選出されるユーザであり、且つ前記第３ユーザ選出手段により選出されるユーザでもあるユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する。   In one aspect of the present invention, the first user selection means (step) selects the recommendation target user and a user whose preference data similarity is greater than or equal to a first predetermined value, and the recommendation system includes: The recommendation information determination means further includes third user selection means for selecting a user whose similarity between the recommended user and the preference data is less than the first predetermined value and greater than or equal to a second predetermined value smaller than the first predetermined value. Determines information to be recommended to the recommendation target user based on the preference data of the user who is selected by the second user selection means and is also the user selected by the third user selection means.

また、本発明の他の態様では、前記嗜好データは、複数の情報要素のそれぞれについて、ユーザの嗜好の程度を示す数値を含み、前記推薦情報決定手段は、前記各情報要素について、前記第２ユーザ選出手段により選出されるユーザのうち一部又は全部のユーザの嗜好データと前記推薦対象ユーザの嗜好データとの類似度、及び各ユーザの嗜好データに含まれる数値に基づいて、当該情報要素について、前記推薦対象ユーザの嗜好の程度を示す数値を予測する予測手段を含む。   In another aspect of the present invention, the preference data includes a numerical value indicating a user's preference level for each of a plurality of information elements, and the recommended information determination unit includes the second information for each information element. About the information element based on the similarity between the preference data of some or all of the users selected by the user selection means and the preference data of the user to be recommended, and the numerical value included in the preference data of each user And predicting means for predicting a numerical value indicating the degree of preference of the recommendation target user.

本発明の実施形態に係る推薦システムの全体構成図である。1 is an overall configuration diagram of a recommendation system according to an embodiment of the present invention. 推薦の方法を模式的に示す図である。It is a figure which shows the method of recommendation typically. サーバの機能ブロック図である。It is a functional block diagram of a server. 嗜好データ記憶部の記憶内容を示す図である。It is a figure which shows the memory content of a preference data storage part. サーバの動作を示すフロー図である。It is a flowchart which shows operation | movement of a server.

以下、本発明の実施形態について図面に基づき詳細に説明する。   Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.

図１は、本発明の実施形態に係る推薦システムの全体構成図である。同図に示すように、推薦システム１０は、インターネットなどの通信ネットワーク１４にいずれも接続されたサーバ１６及び複数のユーザ装置１２から構成されている。サーバ１６は、公知のサーバコンピュータを中心に構成されており、電子商取引サーバ、ｅ−ラーニングやニュースなどの情報サービスサーバなどの機能を含んでいる。ユーザ装置１２は、各ユーザが使用するパーソナルコンピュータ、ホームサーバ、家庭用テレビ受像機、携帯電話機などの公知のコンピュータであり、通信ネットワーク１４を介してサーバ１６にアクセスして、サーバ１６が提供している各種サービスに関わるデータを受信し、それを表示する。また、例えば商品の購入手続きや情報の配信手続きなどの各種手続きのために、ポインティングデバイスやキーボードによりデータを入力し、この入力されたデータを通信ネットワーク１４を介してサーバ１６に送信できるようになっている。また、サーバ１６はユーザ装置１２毎に推薦データを生成する。ユーザ装置１２はこうして生成される推薦データを受信し、表示する。推薦データは、購入すべき商品、ユーザが読むべき書籍、視聴すべき音楽、受講すべき教育プログラムなどのリストである。   FIG. 1 is an overall configuration diagram of a recommendation system according to an embodiment of the present invention. As shown in the figure, the recommendation system 10 includes a server 16 and a plurality of user devices 12 all connected to a communication network 14 such as the Internet. The server 16 is configured around a known server computer, and includes functions such as an electronic commerce server and an information service server such as e-learning and news. The user device 12 is a known computer such as a personal computer, a home server, a home television receiver, or a mobile phone used by each user. The user device 12 accesses the server 16 via the communication network 14 and is provided by the server 16. Receives data related to various services and displays it. Further, for example, for various procedures such as product purchase procedures and information distribution procedures, data can be input with a pointing device or a keyboard, and the input data can be transmitted to the server 16 via the communication network 14. ing. Further, the server 16 generates recommendation data for each user device 12. The user device 12 receives and displays the recommendation data generated in this way. The recommendation data is a list of products to be purchased, books to be read by the user, music to be viewed, educational programs to be taken, and the like.

図２は、サーバ１６における推薦データの生成方法を模式的に示している。同図において、ａ〜ｅは推薦システム１０のユーザ、すなわち各ユーザ装置１２のユーザを示している。ユーザａ（推薦対象ユーザ）に対して推薦データを生成する場合、まず推薦システム１０のユーザの中から、ユーザａとの類似度が高いユーザ（第１ユーザ群）を選出する。なお、本実施形態では、サーバ１６では各ユーザの嗜好データを管理しており、この嗜好データ間の類似度（相関値）をユーザ間の類似度としている。例えばユーザａとの類似度が０．８以上のユーザが第１ユーザ群に属するべきユーザであるとすれば、図２においてはユーザｂが第１ユーザ群に属することになり、ユーザｃ〜ｅは第１ユーザ群には属しない。   FIG. 2 schematically shows a method for generating recommendation data in the server 16. In the figure, a to e indicate users of the recommendation system 10, that is, users of the user devices 12. When generating recommendation data for the user a (recommendation target user), first, a user (first user group) having a high similarity to the user a is selected from the users of the recommendation system 10. In the present embodiment, the server 16 manages the preference data of each user, and the similarity (correlation value) between the preference data is set as the similarity between users. For example, if a user having a similarity degree of 0.8 or more with the user a is a user who should belong to the first user group, the user b belongs to the first user group in FIG. Does not belong to the first user group.

次に、サーバ１６は、第１ユーザ群に属する各ユーザとの類似度が高いユーザ（第２ユーザ群）を選出する。第１ユーザ群に属するいずれかのユーザとの類似度が０．８以上のユーザが第２ユーザ群に属するべきユーザであるとすれば、図２においてはユーザｃ及びｄが第２ユーザ群に属することになる。さらに、サーバ１６は、ユーザａとの類似度が中くらいのユーザ（第３ユーザ群）を選出する。例えばユーザとの類似度が０．６以上０．８未満のユーザが第３ユーザ群に属するべきユーザであるとすると、図２においてはユーザｃ及びｅが第３ユーザ群に属することになる。その後、サーバ１６は、第２ユーザ群と第３ユーザ群との積集合を判断する。すなわち、推薦システム１０のユーザのうち、第２ユーザ群に属し、且つ第３ユーザ群にも属するユーザを調べる。図２においては、ユーザｃがこれに該当する。サーバ１６では、第２ユーザ群と第３ユーザ群との積集合に属するユーザの嗜好データに基づいて推薦データを生成する。図２の例では、ユーザｃの嗜好データに基づいてユーザａに対する推薦データが生成される。嗜好データは、情報アイテムごとにユーザが該情報アイテムを嗜好する程度を示す数値（評価数値）を含むベクトルデータであり、ユーザによる評価が済んでいない情報アイテムにはヌル（※）が、評価が済んでいる情報アイテムには評価数値が入力されている（図４参照）。情報アイテムは、ユーザによる評価の対象となり、且つユーザに対する推薦の対象となる情報であり、例えば商品の情報や教育プログラムなどのサービスの情報である。   Next, the server 16 selects a user (second user group) having a high degree of similarity with each user belonging to the first user group. Assuming that a user whose similarity with one of the users belonging to the first user group is 0.8 or more is a user who should belong to the second user group, in FIG. 2, the users c and d are assigned to the second user group. Will belong. Furthermore, the server 16 selects a user (third user group) having a medium similarity with the user a. For example, if a user whose similarity with a user is 0.6 or more and less than 0.8 is a user who should belong to the third user group, the users c and e belong to the third user group in FIG. Thereafter, the server 16 determines a product set of the second user group and the third user group. That is, among the users of the recommendation system 10, the users belonging to the second user group and the third user group are examined. In FIG. 2, user c corresponds to this. The server 16 generates recommendation data based on the preference data of users belonging to the intersection set of the second user group and the third user group. In the example of FIG. 2, recommendation data for the user a is generated based on the preference data of the user c. The preference data is vector data including a numerical value (evaluation numerical value) indicating the degree to which the user likes the information item for each information item, and null (*) is evaluated for an information item that has not been evaluated by the user. An evaluation numerical value is input to the completed information item (see FIG. 4). The information item is information to be evaluated by the user and recommended for the user. For example, the information item is information on a product or service information such as an educational program.

サーバ１６では、ユーザａ（推薦対象ユーザ）の嗜好データのうちヌルが入力されている情報アイテムを特定し、こうして特定された情報アイテムに対する評価数値を、上記積集合に属するユーザの嗜好ベクトルから抽出する。そして、それらの評価数値と、ユーザａと上記積集合に属する各ユーザとの類似度と、に基づいて、当該情報アイテムに対してユーザａが嗜好する程度の予測値を算出する。サーバ１６では、こうして得られる予測値が大きい値から順に所定数の情報アイテムをリスト化して推薦データとしたり、或いは予測値が所定値以上である情報アイテムをリスト化して推薦データとしたりする。そして、こうして得られる推薦データをユーザ装置１２に送信する。   The server 16 specifies the information item in which null is input from the preference data of the user a (recommendation target user), and extracts an evaluation numerical value for the information item thus specified from the preference vector of the user belonging to the product set. To do. Then, based on the evaluation numerical values and the similarity between the user a and each user belonging to the product set, a predicted value that the user a likes about the information item is calculated. In the server 16, a predetermined number of information items are listed in order from a value with a large predicted value obtained in this way to obtain recommended data, or information items whose predicted value is equal to or larger than the predetermined value are listed as recommended data. Then, the recommendation data obtained in this way is transmitted to the user device 12.

ここでサーバ１６の構成及び動作についてさらに詳細に説明する。図３は、サーバ１６の機能ブロック図である。同図に示すように、サーバ１６の機能には、ユーザ入力受信部２０、嗜好データ更新部２１、嗜好データ記憶部２２、類似度算出部２３、類似度データ記憶部２４、第１ユーザ選出部２５、第１ユーザ記憶部２６、第２ユーザ選出部２７、第２ユーザ記憶部２８、第３ユーザ選出部２９、第３ユーザ記憶部３０、推薦アイテム決定部３１、推薦データ送信部３２が含まれている。推薦アイテム決定部３１は、積集合算出部３１ａ、未評価アイテム抽出部３１ｂ、評価済みユーザ選出部３１ｃ、評価予測値算出部３１ｄ、推薦データ生成部３１ｅを含んでいる。これらの機能は、サーバ１６においてプログラムが実行されることにより実現されるものである。プログラムはＣＤ−ＲＯＭなどの情報記憶媒体に格納され、そこからサーバ１６にインストールされてもよいし、通信ネットワーク１４を介して他のコンピュータからダウンロードされもよい。   Here, the configuration and operation of the server 16 will be described in more detail. FIG. 3 is a functional block diagram of the server 16. As shown in the figure, the functions of the server 16 include a user input reception unit 20, a preference data update unit 21, a preference data storage unit 22, a similarity calculation unit 23, a similarity data storage unit 24, and a first user selection unit. 25, a first user storage unit 26, a second user selection unit 27, a second user storage unit 28, a third user selection unit 29, a third user storage unit 30, a recommended item determination unit 31, and a recommendation data transmission unit 32 are included. It is. The recommended item determination unit 31 includes a product set calculation unit 31a, an unevaluated item extraction unit 31b, an evaluated user selection unit 31c, an evaluation predicted value calculation unit 31d, and a recommendation data generation unit 31e. These functions are realized by executing a program in the server 16. The program may be stored in an information storage medium such as a CD-ROM and installed from there on the server 16 or downloaded from another computer via the communication network 14.

まず嗜好データ記憶部２２は、推薦システム１０の各ユーザの嗜好データを記憶するものである。図４は、嗜好データ記憶部２２の記憶内容を示しており、同図に示されるように、嗜好データ記憶部２２は、各ユーザのユーザＩＤと、情報アイテムのＩＤ毎の評価数値（類似度データ）と、を関連づけて記憶している。上述のようにユーザＩＤにより特定されるユーザが未だ評価をしていない情報アイテムについてはヌル（ＮＵＬ）が設定されており、既に評価をしている情報アイテムについては評価数値が設定されている。類似度算出部２３では、嗜好データ記憶部２２に記憶された嗜好データに基づき、ユーザ間の嗜好データの類似度を算出する。具体的には、ユーザｉ及びユーザｊの嗜好データのうち評価数値が入力されているアイテムＩＤの集合Ｙｉｊを算出する。次式（１）は集合Ｙｉｊの一例を示している。First, the preference data storage unit 22 stores preference data of each user of the recommendation system 10. FIG. 4 shows the stored contents of the preference data storage unit 22, and as shown in the figure, the preference data storage unit 22 includes the user ID of each user and the evaluation value (similarity) for each ID of the information item. Data) is stored in association with each other. As described above, null (NUL) is set for information items that have not yet been evaluated by the user specified by the user ID, and evaluation values are set for information items that have already been evaluated. The similarity calculation unit 23 calculates the similarity of the preference data between users based on the preference data stored in the preference data storage unit 22. Specifically, a set Y ij of item IDs for which evaluation numerical values are input among the preference data of the users i and j is calculated. The following equation (1) shows an example of the set Y ij .

Figure 0005451644
Figure 0005451644

次に、類似度算出部２３では、集合Ｙｉｊに含まれるアイテムＩＤに対するユーザｉ及びユーザｊの評価数値を要素とするベクトルの相関値を、ユーザｉとユーザｊの類似度ρｉｊとして算出する。類似度ρｉｊは、例えば次式（２）に従って算出される。類似度算出部２３では、以上の計算をすべてのユーザの組合せに対して実行し、その結果を類似度データ記憶部２４に記憶させる。Next, the similarity calculating unit 23, the correlation value of the vector to be evaluated numerically elements of the user i and user j for item ID included in the set Y ij, is calculated as the similarity [rho ij user i and user j . The similarity ρ ij is calculated according to the following equation (2), for example. The similarity calculation unit 23 performs the above calculation for all combinations of users, and stores the result in the similarity data storage unit 24.

Figure 0005451644
Figure 0005451644

第１ユーザ選出部２５では、推薦システム１０のユーザのうち推薦対象ユーザの嗜好データと、他のユーザの嗜好データと、の類似度に基づいて、推薦システム１０のユーザの中から１以上のユーザを第１ユーザ群として選出する。具体的には、推薦対象ユーザをユーザａとすると、類似度データ記憶部２４に記憶された類似度ρａｊが第１所定値（例えば０．８）以上であるユーザｊ（図２のユーザｂ）により第１ユーザ群を構成する。第１ユーザ群を構成するユーザのＩＤは第１ユーザ記憶部２６に記憶される。The first user selection unit 25 selects one or more users from the users of the recommendation system 10 based on the similarity between the preference data of the recommendation target user among the users of the recommendation system 10 and the preference data of other users. Is selected as the first user group. Specifically, when the recommendation target user is user a, the user j (user b in FIG. 2) whose similarity ρaj stored in the similarity data storage unit 24 is equal to or greater than a first predetermined value (for example, 0.8). ) Constitutes the first user group. IDs of users constituting the first user group are stored in the first user storage unit 26.

第２ユーザ選出部２７では、第１ユーザ記憶部２６に記憶されるユーザＩＤにより識別されるユーザｊに対して、類似度ρｉｊが上記第１所定値以上であるユーザｉ（図２のユーザｃ及びｄ）により第２ユーザ群を構成する。第２ユーザ群を構成するユーザのＩＤは第２ユーザ記憶部２８に記憶される。In the second user selection unit 27, for the user j identified by the user ID stored in the first user storage unit 26, the user i (the user in FIG. 2) whose similarity ρ ij is equal to or greater than the first predetermined value. A second user group is configured by c and d). IDs of users constituting the second user group are stored in the second user storage unit 28.

第３ユーザ選出部２９は、推薦対象ユーザをユーザａとすると、類似度データ記憶部２４に記憶された類似度ρａｊが上記第１所定値未満、第２所定値（例えば０．６）以上であるユーザｊ（図２のユーザｃ及びｅ）により第３ユーザ群を構成する。第３ユーザ群を構成するユーザのＩＤは第３ユーザ記憶部３０に記憶される。When the recommendation target user is the user a, the third user selection unit 29 has a similarity ρaj stored in the similarity data storage unit 24 that is less than the first predetermined value and a second predetermined value (for example, 0.6) or more. The third user group is configured by the user j (users c and e in FIG. 2). IDs of users constituting the third user group are stored in the third user storage unit 30.

推薦アイテム決定部３１は、第２ユーザ群と第３ユーザ群の両方に属するユーザ（図２のユーザｃ）を特定し、特定されるユーザの嗜好データに基づいて推薦データを生成する。具体的には、積集合算出部３１ａは、第２ユーザ記憶部２８と第３ユーザ記憶部３０の両方に記憶されるユーザＩＤを抽出する。また、未評価アイテム抽出部３１ｂは、評価対象ユーザであるユーザａの嗜好データを嗜好データ記憶部２２から読み出し、ユーザａが未だ評価をしていない全ての情報アイテムのアイテムＩＤを抽出する。評価済みユーザ選出部３１ｃは、積集合算出部３１ａにより抽出されるユーザＩＤに関連する嗜好データを嗜好データ記憶部２２から読み出し、未評価アイテム抽出部３１ｂにより抽出される各アイテムＩＤについて評価数値（つまりヌルでない値）が嗜好データに設定されているユーザＩＤを選出する。こうして、ユーザａによる評価が済んでいない情報アイテムについて、既に評価をしているユーザの集合Ｅｋを決定する。この集合は、積集合算出部３１ａで算出される集合の部分集合となる。次式（３）は集合Ｅｋの一例を示している。The recommended item determination unit 31 specifies users (user c in FIG. 2) belonging to both the second user group and the third user group, and generates recommendation data based on the specified user preference data. Specifically, the product set calculation unit 31 a extracts the user ID stored in both the second user storage unit 28 and the third user storage unit 30. Further, the unevaluated item extraction unit 31b reads the preference data of the user a who is an evaluation target user from the preference data storage unit 22, and extracts the item IDs of all information items that the user a has not evaluated yet. The evaluated user selection unit 31c reads the preference data related to the user ID extracted by the product set calculation unit 31a from the preference data storage unit 22, and evaluates the numerical value of each item ID extracted by the unevaluated item extraction unit 31b ( That is, a user ID whose value is not null) is selected in the preference data. In this way, for the information item that has not been evaluated by the user a, the set Ek of users who have already been evaluated is determined. This set is a subset of the set calculated by the product set calculation unit 31a. The following equation (3) shows an example of the set E k .

Figure 0005451644
Figure 0005451644

評価予測値算出部３１ｄは、集合Ｅｋに属するユーザｉによるアイテムＩＤ＝ｋのアイテムに対する評価数値Ｓｉｋと、各ユーザｉとユーザａとの類似度ρａｉとに基づいて、ユーザａによるアイテムＩＤ＝ｋのアイテムに対する評価の予測値Ｓａｋを算出する。具体的には、評価予測値算出部３１ｄは次式（４）に従って予測値Ｓａｋを算出する。ここで、Ｓ’ｘはユーザｘの嗜好データに含まれる評価数値の平均値である。The evaluation predicted value calculation unit 31d determines the item by the user a based on the evaluation numerical value S ik for the item of the item ID = k by the user i belonging to the set E k and the similarity ρ ai between each user i and the user a. A predicted value Sak of evaluation for the item of ID = k is calculated. Specifically, the estimated predicted value calculation unit 31d calculates a predicted value Sak according to the following equation (4). Here, S′x is an average value of evaluation values included in the preference data of the user x.

Figure 0005451644
Figure 0005451644

推薦データ生成部３１ｅは、評価予測値算出部３１ｄにより算出されるユーザａにより評価が未だされていないアイテムｋについての評価の予測値Ｓａｋに基づいて、推薦データを生成する。例えば、予測値Ｓａｋが所定値以上である情報アイテムのリストを推薦データとしたり、予測値Ｓａｋが大きいものから順に所定数の情報アイテムのリストを推薦データとしてよい。推薦データ送信部３２は、こうして生成される推薦データをユーザａが使用するユーザ装置１２に送信する。ユーザ装置１２では、この推薦データを受信して表示器により表示する。The recommendation data generation unit 31e generates recommendation data based on the evaluation predicted value Sak for the item k that has not yet been evaluated by the user a calculated by the evaluation predicted value calculation unit 31d. For example, a list of information items whose predicted value Sak is greater than or equal to a predetermined value may be used as recommended data, or a list of a predetermined number of information items may be used as recommended data in descending order of predicted value Sak . The recommendation data transmission unit 32 transmits the recommendation data generated in this way to the user device 12 used by the user a. The user device 12 receives this recommendation data and displays it on the display.

各情報アイテムについてユーザが評価の入力を行うと、その入力データはユーザ装置１２からサーバ１６に送信される。例えば、各情報アイテムに対してユーザが直接評価数値を入力し、入力された数値をサーバ１６に送信するようにしてもよい。或いは、各情報アイテムに係る商品を購入したり、各情報アイテムに係る教育プログラムを受講したり、といったように情報アイテムに関係して肯定的な手続きが実行された場合に、その情報をサーバ１６に送信してもよい。ユーザ入力受信部２０では、こうしたデータを受信し、嗜好データ更新部２１では、受信されるデータに基づいて各ユーザの嗜好データを更新する。   When the user inputs an evaluation for each information item, the input data is transmitted from the user device 12 to the server 16. For example, the user may directly input an evaluation numerical value for each information item, and the input numerical value may be transmitted to the server 16. Alternatively, when a positive procedure is executed in relation to the information item such as purchasing a product related to each information item or taking an education program related to each information item, the server 16 May be sent to. The user input reception unit 20 receives such data, and the preference data update unit 21 updates the preference data of each user based on the received data.

図５は、サーバ１６の動作を示すフロー図である。同図に示す処理はサーバ１６が推薦データを生成し、ユーザ装置１２に送信する処理を示している。サーバ１６では、まず類似度算出部２３がユーザｉとユーザｊとが共に評価を済ませているアイテムの集合Ｙｉｊを生成する（Ｓ１０１）。そして、ユーザｉとユーザｊとの組合せについて類似度ρｉｊを上記式（２）に従って算出する（Ｓ１０２）。類似度算出部２３は、以上の処理を全てのユーザの組合せについて繰り返して実行する。FIG. 5 is a flowchart showing the operation of the server 16. The process shown in the figure shows a process in which the server 16 generates recommendation data and transmits it to the user device 12. In the server 16, first, the similarity calculation unit 23 generates a set Y ij of items that have been evaluated by both the user i and the user j (S101). Then, the similarity ρ ij is calculated for the combination of the user i and the user j according to the above equation (2) (S102). The similarity calculation unit 23 repeats the above processing for all combinations of users.

その後、第１ユーザ選出部２５が、推薦対象ユーザであるユーザａとの類似度が第１所定値以上であるユーザの集合Ａ、すなわち第１ユーザ群を生成する（Ｓ１０３）。さらに、第２ユーザ選出部２７が、第１ユーザ群に属するユーザとの類似度が第１所定値以上であるユーザの集合Ｂ、すなわち第２ユーザ群を生成する（Ｓ１０４）。また、第３ユーザ選出部２９が、推薦対象ユーザであるユーザａとの類似度が第１所定値未満第２所定値以上であるユーザの集合Ｃ、すなわち第３ユーザ群を生成する（Ｓ１０５）。   After that, the first user selection unit 25 generates a set A of users whose similarity with the recommendation target user “a” is a first predetermined value or more, that is, a first user group (S103). Further, the second user selection unit 27 generates a set B of users whose similarity with the users belonging to the first user group is greater than or equal to the first predetermined value, that is, the second user group (S104). In addition, the third user selection unit 29 generates a set C of users whose similarity with the recommendation target user a is less than the first predetermined value and greater than or equal to the second predetermined value, that is, the third user group (S105). .

その後、積集合算出部３１ａが集合Ｂと集合Ｃとの積集合Ｄを算出する（Ｓ１０６）。そして、未評価アイテム抽出部３１ｂが評価対象ユーザであるユーザａが未評価であるアイテムのアイテムＩＤ（＝ｋ）を特定し、評価済みユーザ選出部３１ｃが集合Ｄの部分集合Ｅｋを生成する（Ｓ１０７）。そして、評価予測値算出部３１ｄがユーザａのアイテムＩＤ＝ｋに対する評価数値の予測値Ｓａｋを上記式（４）に従って算出する（Ｓ１０８）。評価評価済みユーザ選出部３１ｃ及び評価予測値算出部３１ｄは、Ｓ１０７及びＳ１０８の処理をユーザａの全ての未評価アイテムについて繰り返す。その後、推薦データ生成部３１ｅが評価予測値算出部３１ｄで算出される各未評価アイテムの評価予測値に基づいて推薦データを生成し（Ｓ１０９）、それを推薦データ送信部３２がユーザａのユーザ装置１２に送信する（Ｓ１１０）。Thereafter, the product set calculation unit 31a calculates a product set D of the set B and the set C (S106). Then, the unevaluated item extraction unit 31b specifies the item ID (= k) of the item that is not evaluated by the user a who is the evaluation target user, and the evaluated user selection unit 31c generates a subset E k of the set D. (S107). Then, the estimated predicted value calculation unit 31d calculates the predicted value Sak of the evaluation numerical value for the item ID = k of the user a according to the above equation (4) (S108). The evaluation-evaluated user selection unit 31c and the estimated predicted value calculation unit 31d repeat the processing of S107 and S108 for all the unevaluated items of the user a. Thereafter, the recommendation data generation unit 31e generates recommendation data based on the evaluation prediction value of each unevaluated item calculated by the evaluation prediction value calculation unit 31d (S109), and the recommendation data transmission unit 32 uses the user a's user. It transmits to the apparatus 12 (S110).

以上説明した実施形態によると、評価対象ユーザと間接的に類似するユーザの嗜好データを元にして推薦データを生成するので、より多くのユーザの嗜好データを元にして多様な推薦データを生成できるようになる。また、評価対象ユーザとの類似度が中程度であっても、間接的には類似度が高いユーザ（図２のユーザｃ）の嗜好データを元にして推薦データを生成している。このため、推薦対象ユーザに対して興味を湧かせる情報を継続的に提供できるようになる。   According to the embodiment described above, since the recommendation data is generated based on the preference data of the user indirectly similar to the evaluation target user, various types of recommendation data can be generated based on the preference data of more users. It becomes like this. Further, even if the degree of similarity with the evaluation target user is medium, recommendation data is generated based on preference data of a user (user c in FIG. 2) with a high degree of similarity indirectly. For this reason, it becomes possible to continuously provide information that gives interest to the recommendation target user.

なお、本発明は上記実施形態に限定されるものではなく、種々の変形実施が可能である。例えば、ユーザ間の類似度や評価の予測値は上記式に限定されず、様々な算出式が用いられてよい。   In addition, this invention is not limited to the said embodiment, A various deformation | transformation implementation is possible. For example, the similarity between users and the predicted value of evaluation are not limited to the above formulas, and various calculation formulas may be used.

Claims (5)

複数のユーザの嗜好データを記憶する嗜好データ記憶手段と、
ユーザ間の嗜好データの類似度を計算する類似度計算手段と、
前記複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち当該類似度が第１所定値以上であるユーザを１以上選出する第１ユーザ選出手段と、
前記第１ユーザ選出手段により選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出手段と、
前記推薦対象ユーザと、嗜好データの類似度が前記第１所定値未満且つ前記第１所定値よりも小さな第２所定値以上であるユーザを選出する第３ユーザ選出手段と、
前記第２ユーザ選出手段により選出されるユーザであり、且つ前記第３ユーザ選出手段により選出されるユーザでもあるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定手段と、
を含むことを特徴とする推薦システム。 Preference data storage means for storing preference data of a plurality of users;
A similarity calculation means for calculating the similarity of preference data between users;
Based on the similarity between the preference data of the user to be recommended among the plurality of users and the preference data of all or some of the plurality of users, the similarity is first among the plurality of users. First user selection means for selecting one or more users having a predetermined value or more;
One or more of the plurality of users are selected based on the similarity between the user preference data selected by the first user selection means and the preference data of all or some of the plurality of users. Second user selection means for performing,
A third user selection means for selecting a user whose similarity between the recommendation target user and preference data is less than the first predetermined value and greater than or equal to a second predetermined value smaller than the first predetermined value;
Recommended to the recommended user based on preference data of some or all of the users who are selected by the second user selection means and are also users selected by the third user selection means Recommended information determining means for determining information to be performed;
A recommendation system characterized by including: 請求項１に記載の推薦システムにおいて、
前記嗜好データは、複数の情報要素のそれぞれについて、ユーザの嗜好の程度を示す数値を含み、
前記推薦情報決定手段は、前記各情報要素について、前記第２ユーザ選出手段により選出されるユーザのうち一部又は全部のユーザの嗜好データと前記推薦対象ユーザの嗜好データとの類似度、及び各ユーザの嗜好データに含まれる数値に基づいて、当該情報要素について、前記推薦対象ユーザの嗜好の程度を示す数値を予測する予測手段を含む、
ことを特徴とする推薦システム。 The recommendation system according to claim 1 ,
The preference data includes a numerical value indicating the degree of user preference for each of the plurality of information elements,
The recommendation information determination means includes, for each of the information elements, the similarity between the preference data of some or all of the users selected by the second user selection means and the preference data of the recommendation target user, and each Including prediction means for predicting a numerical value indicating the degree of preference of the recommendation target user for the information element based on the numerical value included in the user preference data;
A recommendation system characterized by that. 複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち当該類似度が第１所定値以上であるユーザを１以上選出する第１ユーザ選出ステップと、
前記第１ユーザ選出ステップにおいて選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出ステップと、
前記推薦対象ユーザと、嗜好データの類似度が前記第１所定値未満且つ前記第１所定値よりも小さな第２所定値以上であるユーザを選出する第３ユーザ選出ステップと、
前記第２ユーザ選出ステップにおいて選出されるユーザであり、且つ前記第３ユーザ選出ステップにおいて選出されるユーザでもあるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定ステップと、
を含むことを特徴とする推薦方法。 Based on the similarity between the preference data of the recommendation target user among the plurality of users and the preference data of all or some of the plurality of users, the similarity is a first predetermined value among the plurality of users. A first user selection step of selecting one or more users that are greater than or equal to the value;
One or more of the plurality of users are selected based on the similarity between the user preference data selected in the first user selection step and the preference data of all or some of the plurality of users. A second user selection step,
A third user selection step of selecting a user whose similarity between the recommendation target user and preference data is a second predetermined value that is less than the first predetermined value and smaller than the first predetermined value;
Recommended to the recommended user based on preference data of some or all of the users who are selected in the second user selection step and who are also users selected in the third user selection step Recommended information determining step for determining information to be performed;
The recommendation method characterized by including. 複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち当該類似度が第１所定値以上であるユーザを１以上選出する第１ユーザ選出ステップと、
前記第１ユーザ選出ステップにおいて選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出ステップと、
前記推薦対象ユーザと、嗜好データの類似度が前記第１所定値未満且つ前記第１所定値よりも小さな第２所定値以上であるユーザを選出する第３ユーザ選出ステップと、
前記第２ユーザ選出ステップにおいて選出されるユーザであり、且つ前記第３ユーザ選出ステップにおいて選出されるユーザでもあるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定ステップと、
をコンピュータに実行させるための推薦プログラム。 Based on the similarity between the preference data of the recommendation target user among the plurality of users and the preference data of all or some of the plurality of users, the similarity is a first predetermined value among the plurality of users. A first user selection step of selecting one or more users that are greater than or equal to the value;
One or more of the plurality of users are selected based on the similarity between the user preference data selected in the first user selection step and the preference data of all or some of the plurality of users. A second user selection step,
A third user selection step of selecting a user whose similarity between the recommendation target user and preference data is a second predetermined value that is less than the first predetermined value and smaller than the first predetermined value;
Recommended to the recommended user based on preference data of some or all of the users who are selected in the second user selection step and who are also users selected in the third user selection step Recommended information determining step for determining information to be performed;
A recommendation program for running a computer. 複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち当該類似度が第１所定値以上であるユーザを１以上選出する第１ユーザ選出ステップと、
前記第１ユーザ選出ステップにおいて選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出ステップと、
前記推薦対象ユーザと、嗜好データの類似度が前記第１所定値未満且つ前記第１所定値よりも小さな第２所定値以上であるユーザを選出する第３ユーザ選出ステップと、
前記第２ユーザ選出ステップにおいて選出されるユーザであり、且つ前記第３ユーザ選出ステップにおいて選出されるユーザでもあるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定ステップと、
をコンピュータに実行させるための推薦プログラムを記憶した情報記憶媒体。 Based on the similarity between the preference data of the recommendation target user among the plurality of users and the preference data of all or some of the plurality of users, the similarity is a first predetermined value among the plurality of users. A first user selection step of selecting one or more users that are greater than or equal to the value;
One or more of the plurality of users are selected based on the similarity between the user preference data selected in the first user selection step and the preference data of all or some of the plurality of users. A second user selection step,
A third user selection step of selecting a user whose similarity between the recommendation target user and preference data is a second predetermined value that is less than the first predetermined value and smaller than the first predetermined value;
Recommended to the recommended user based on preference data of some or all of the users who are selected in the second user selection step and who are also users selected in the third user selection step Recommended information determining step for determining information to be performed;
An information storage medium storing a recommendation program for causing a computer to execute.
JP2010547377A 2009-01-21 2009-03-31 RECOMMENDATION SYSTEM, RECOMMENDATION METHOD, RECOMMENDATION PROGRAM, AND INFORMATION STORAGE MEDIUM Expired - Fee Related JP5451644B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2010547377A JP5451644B2 (en) 2009-01-21 2009-03-31 RECOMMENDATION SYSTEM, RECOMMENDATION METHOD, RECOMMENDATION PROGRAM, AND INFORMATION STORAGE MEDIUM

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2009011428 2009-01-21
JP2009011428 2009-01-21
PCT/JP2009/056686 WO2010084629A1 (en) 2009-01-21 2009-03-31 Recommendation system, recommendation method, recommendation program, and information storage medium
JP2010547377A JP5451644B2 (en) 2009-01-21 2009-03-31 RECOMMENDATION SYSTEM, RECOMMENDATION METHOD, RECOMMENDATION PROGRAM, AND INFORMATION STORAGE MEDIUM

Publications (2)

Publication Number Publication Date
JPWO2010084629A1 JPWO2010084629A1 (en) 2012-07-12
JP5451644B2 true JP5451644B2 (en) 2014-03-26

Family

ID=42355701

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2010547377A Expired - Fee Related JP5451644B2 (en) 2009-01-21 2009-03-31 RECOMMENDATION SYSTEM, RECOMMENDATION METHOD, RECOMMENDATION PROGRAM, AND INFORMATION STORAGE MEDIUM

Country Status (2)

Country Link
JP (1) JP5451644B2 (en)
WO (1) WO2010084629A1 (en)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102467542B (en) * 2010-11-11 2016-06-15 腾讯科技（深圳）有限公司 Obtain the method for user's similarity, device and user and recommend method, system
JP5647575B2 (en) * 2011-07-14 2015-01-07 Kddi株式会社 RECOMMENDATION DEVICE, RECOMMENDATION SYSTEM, RECOMMENDATION METHOD, AND PROGRAM
JP6637730B2 (en) * 2015-11-09 2020-01-29 株式会社電通 Customer relationship management apparatus and method

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000339336A (en) * 1999-05-28 2000-12-08 Matsushita Electric Ind Co Ltd Device for providing data and device for generating user model for providing data
JP2006302097A (en) * 2005-04-22 2006-11-02 Matsushita Electric Ind Co Ltd Cooperative filter device

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000339336A (en) * 1999-05-28 2000-12-08 Matsushita Electric Ind Co Ltd Device for providing data and device for generating user model for providing data
JP2006302097A (en) * 2005-04-22 2006-11-02 Matsushita Electric Ind Co Ltd Cooperative filter device

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CSNG200001015012; 井原雅行、外３名: 'ユーザーの潜在的好み推定法' 電子情報通信学会論文誌 第Ｊ８２-Ａ巻，第５号, 19990525, ｐ．７１７-７２５, 社団法人電子情報通信学会 *
JPN6009020548; 井原雅行、外３名: 'ユーザーの潜在的好み推定法' 電子情報通信学会論文誌 第Ｊ８２-Ａ巻，第５号, 19990525, ｐ．７１７-７２５, 社団法人電子情報通信学会 *

Also Published As

Publication number Publication date
WO2010084629A1 (en) 2010-07-29
JPWO2010084629A1 (en) 2012-07-12

Similar Documents

Publication Publication Date Title
US11558489B2 (en) Method and apparatus for real-time personalization
Liu et al. Use of social network information to enhance collaborative filtering performance
JP5805548B2 (en) Information processing apparatus and information processing method
KR101062927B1 (en) Method, system and computer-readable recording medium for recommending other users or objects by considering at least one user's preference
CN107567619A (en) Recommendation is provided based on the mood from multiple data sources and/or behavioural information
JP4898938B2 (en) Information providing system and information providing method
JP6457358B2 (en) Item recommendation system, item recommendation method and program
JP2011154591A (en) Recommending device, method, and program
JPWO2010095169A1 (en) Information recommendation method, system thereof, and server
JP2011081728A (en) Device, method and program for extracting recommended content
JP2021508395A (en) Client, server, and client-server systems adapted to generate personalized recommendations
JP5849952B2 (en) Communication support device, communication support method, and program
KR20170019944A (en) Method and device for recommendation service of product using relative comparison
JP5849953B2 (en) Communication support device, communication support method, and program
JP5451644B2 (en) RECOMMENDATION SYSTEM, RECOMMENDATION METHOD, RECOMMENDATION PROGRAM, AND INFORMATION STORAGE MEDIUM
JP6903629B2 (en) Evaluation system, evaluation method and program
JP5504220B2 (en) Provided information selection apparatus, method and program
JPWO2003017137A1 (en) User profile management device and recommendation device
JP5056803B2 (en) Information providing server and information providing method
JP7160866B2 (en) Information provision system, information provision method, and program
CN109376307B (en) Article recommendation method and device and terminal
JP5588938B2 (en) Item recommendation apparatus, method and program
JP5165722B2 (en) Information providing server and information providing system
KR20200044197A (en) Machine learning based clothing fit recommending apparatus
JP2010113683A (en) Device, method and program for recommending information

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20130903

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20131029

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: 20131203

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20131226

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

Ref document number: 5451644

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees