JP5483576B2

JP5483576B2 - 推薦アイテムフィルタリング方法及び推薦アイテムフィルタリングプログラム

Info

Publication number: JP5483576B2
Application number: JP2010131407A
Authority: JP
Inventors: 彰中山; 仁志瀬下; 聡深田; 達郎石田
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2010-06-08
Filing date: 2010-06-08
Publication date: 2014-05-07
Anticipated expiration: 2030-06-08
Also published as: JP2011257955A

Description

本発明は、ユーザの嗜好に応じたアイテムを推薦するための推薦アイテムフィルタリング方法及び推薦アイテムフィルタリングプログラムに関する。

協調フィルタリングとは、多くのユーザの嗜好情報を蓄積し、あるユーザと嗜好の類似した他のユーザの情報を用いて、該当ユーザにアイテムやコンテンツを推薦する技術である。これらの技術は、利用者間型とアイテム間型に分類される。利用者間型は、推薦を受けるユーザ（以下「推薦ユーザ」と記載）と嗜好パターンが似ているサンプルとなるユーザ（以下「標本ユーザ」と記述する）をまず見つけ、その標本ユーザが好むアイテム群を推薦ユーザへの推薦候補とする技術である。利用者間型の実装では、ユーザ同士の類似度を、同じアイテムにつけた評価をピアソン相関、順位相関等の相関係数を用いて表す。また、嗜好の予測には、推薦ユーザに対して類似度の高い標本ユーザを抽出し、そのアイテムへの評価値を、標本ユーザと推薦ユーザ間の類似度で重みを付けし、それらの評価値の加重平均値を嗜好予測として用いる。嗜好予測値の大きなものから、推薦アイテムとして推薦ユーザへの推薦を行う。アイテム推薦の際には、推薦ユーザに提示する表示画面の広さに制約もあるため、小さな予測値を持つアイテムを削除したり、上位3〜10個程度のアイテムを表示するように画面構成を行う。

アイテム間型では、不特定多数利用者に同じような評価を受けているアイテムは似ており、関心があるアイテムの類似アイテムに利用者は関心を持つという仮定を置き、推薦ユーザの直近の利用履歴にあるアイテムに類似しているアイテムを推薦するものである。アイテム間型の実装としては、アイテムの利用ユーザの共起性等でアイテム間の類似度を測り、推薦ユーザの直近の利用履歴にあるアイテムの類似アイテムの推薦を行う（非特許文献１参照）。

上嶌敏弘, "推薦システムのアルゴリズム（２）," 人工知能学会誌 23巻1号, pp.89−103, 2008年1月

しかしながら、特許文献１の手法では、利用者間型の推薦方法を用いる場合、アイテムへの評価値の加重平均値を利用するため、新規アイテムがコンテンツ登録された場合など、新規アイテムへの評価ログが少ない段階においては、新規アイテム以外の他のアイテムの評価値が新規アイテムに比較して大きな値を持つと考えられるため、推薦として表示されないという問題があった。

アイテム間型の推薦方法を用いる場合、アイテムの利用ユーザの共起性などでアイテム間の類似度を測るため、利用者間型の推薦方法を用いる場合と同様に、新規アイテムへの評価ログが少ない段階においては、新規アイテム以外の他のアイテムへの類似度が新規アイテムに比較して大きな値を持つとかんがえられるため、推薦として表示されないという問題があった。

上記２つの問題はコールドスタート問題として知られている。

従来そのような場合は、特定利用者のプロファイルを用いる直接指定型内容ベースフィルタリングが用いられてきたが、そのための新規アイテムの内容の解析や、また新規アイテムについて記述する「メタデータ」の処理・作成および利用者のプロファイルの作成・管理が前提として必要となるという課題があった。また内容ベースフィルタリングを用いると、協調フィルタリングのような、類似アイテム、標本ユーザ間における発見性に富む推薦ができないといった課題もあった。

本発明の目的は、上記の問題を解決する為になされたものであり、新規アイテムへの評価ログが少ない段階においても、新規アイテムについて発見性に富み、かつ的確な推薦を行うことができる推薦アイテムフィルタリング方法及び推薦アイテムフィルタリングプログラムを提供することを目的とする。

上記問題点を解決する為、本発明の第１の特徴は、（イ）コンテンツにアクセスするユーザの嗜好情報を蓄積し、嗜好情報の類似した標本ユーザの情報を用いて、推薦サーバがアイテムを推薦すべき推薦ユーザにアイテムを推薦する推薦アイテムフィルタリング方法であって、コンテンツに人気及びブームの少なくとも片方が発生する直前の段階から閲覧を行っていた先進的利用者を先進的利用者抽出手段が抽出するステップと、（ロ）抽出された先進的利用者に対して、ユーザ重要度重みの算出式を用いて重み付けを行い、重み付け結果をユーザ重要度重みとして、利用者重みテーブル作成手段が利用者重みテーブル記憶部に格納するステップと、（ハ）各ユーザの各アイテムに対する評価値を列化したユーザ・アイテム間評価行列をユーザ・アイテム間評価行列作成手段が作成するステップと、（ニ）ユーザ・アイテム間評価行列の評価値に対し、ユーザ・アイテム間評価行列重み付け手段が、利用者重みテーブル記憶部より取得するユーザ重要度重みを重み付けするステップと、（ホ）標本ユーザと推薦ユーザ間の類似度を利用者類似度算出手段が算出するステップと、（ヘ）類似度値及び重み付けされた評価値を含む数値を基に、推薦ユーザへの各アイテムの推定評価値をアイテム評価推定値算出手段が算出するステップと、（ト）算出された各アイテムの推定評価値の内、推薦アイテム回答手段が推定評価値の高いものを推薦アイテムとして推薦ユーザに回答するステップとを備える推薦アイテムフィルタリング方法であることを要旨とする。

本発明の第１の特徴は更に、（チ）ユーザ重要度重みの算出式は、標本ユーザが所定コンテンツを閲覧した時刻から、所定コンテンツがいずれかのユーザに最初に閲覧された時刻を引いた値の単調減数関数、又は、標本ユーザが所定コンテンツを閲覧した時刻から、最初に所定単位時間当たりのアクセスが所定傾斜閾値を超えたブーム発生時刻を引いた値の単調減数関数のうち少なくとも一つを含む関数を用いること、（リ）ユーザ重要度重みの算出式は、コンテンツ閲覧回数の単調増加関数を更に含み、（ヌ）ユーザ重要度重みの算出式は、コンテンツの単位時間当たりの最高閲覧回数の単調増加関数を更に含むこと、（ル）アクセスが所定の絶対数閾値を超える人気コンテンツ群を人気コンテンツ抽出手段が抽出するステップと、所定単位時間当たりのアクセスが所定傾斜閾値を超えるブームコンテンツ群をブームコンテンツ抽出手段が抽出するステップとを更に備え、抽出するステップは、人気コンテンツ群又はブームコンテンツ群の少なくとも一つ以上を閲覧したユーザから先進的利用者を抽出することを加えても良い。

本発明の第２の特徴は、請求項１乃至５に記載の推薦アイテムフィルタリング方法を推薦サーバに実行させるための推薦アイテムフィルタリングプログラムであることを要旨とする。

本発明の推薦アイテムフィルタリング方法及び推薦アイテムフィルタリングプログラムによると、コンテンツ内における先進的利用者（イノベータ）の新規アイテムの評価値に基づき、新規アイテムが将来どの程度流行するのか推定できる。更にその推定に基づき協調フィルタリングを行うことで早期適応者（アーリアダプタ）、追随者（フォロワー）に対して、新規アイテムへの評価値が少ない場合でも、アイテムの推薦を適切に行うことができる。

本発明の実施の形態に係る推薦アイテムフィルタリングシステムの構造を示すシステム図である。コンテンツサーバの内部構造を示す図である。アクセスログのデータ構造を示す図である。アイテム登録更新データの構造を示す図である。推薦サーバの内部構造を示す図である。利用者重み記憶装置の内部を示す図である。ユーザ・アイテム間評価行列記憶部の内部を示す図である。利用者類似度表記憶部の内部を示す図である。先進的ユーザ抽出処理の動作を示すフロー図である。推薦アイテム抽出処理の動作を示すフロー図である。利用者重要度重み付加処理の動作を示すフロー図である。

次に、図面を参照して、本発明の実施の形態を説明する。以下の図面の記載において、同一又は類似の部分には同一又は類似の符号を付している。ただし、図面は模式的なものであることに留意すべきである。

（実施の形態）
（推薦アイテムフィルタリングシステム）
本発明の実施の形態に係る推薦アイテムフィルタリングシステム１００は、図１に示すように、コンテンツサーバ１、推薦サーバ２、ユーザ端末３ａ、３ｂ、３ｃ、インターネット回線網４等を備えている。

コンテンツサーバ１は、ユーザ端末３ａ〜３ｃからコンテンツ要求を受信し、要求されたコンテンツをユーザ端末３ａ〜３ｃに返信するサーバである。更に、本発明の実施の形態においてはコンテンツサーバ１は、コンテンツ要求をユーザ端末３ａ〜３ｃより受信した際に、推薦サーバ２に要求受信の旨を送信し、推薦サーバ２は、当該ユーザが好むと思われる推薦アイテムのデータを当該ユーザのユーザ端末３ａ〜３ｃに送信する。

推薦サーバ２は、コンテンツサーバ１がユーザ端末３ａ〜３ｃからコンテンツ要求を受信した際に、当該ユーザが好むと思われる推薦アイテムを選出し、ユーザ端末３ａ〜３ｃに送信する。

ユーザ端末３ａ〜３ｃは、コンテンツサーバ１や推薦サーバ２と通信を行うユーザが使用するパーソナルコンピュータ等の端末である。ユーザ端末３ａ〜３ｃは、コンテンツサーバ１または推薦サーバ２から提供されるコンテンツの表示や再生を行う為の入力装置、出力装置、通信制御装置、ＣＰＵ、記憶装置、表示装置等を備えている。

インターネット回線網４は、アナログ回線、ディジタル回線、PHS回線、携帯電話回線、ケーブル回線等の公衆通信回線網である。インターネット回線網４は、コンテンツサーバ１とユーザ端末３ａ〜３ｃ間、コンテンツサーバ１と推薦サーバ２間を接続する。尚、コンテンツサーバ１と推薦サーバ２はインターネット回線網４の他、有線無線の高速専用回線で接続されていても構わない。

（コンテンツサーバ）
コンテンツサーバ１は、図２に示すように、入力装置１１、出力装置１２、通信制御装置１３、一時記憶装置１４、中央制御装置（以下「ＣＰＵ」と記載）１５、アクセス記憶部１６、アイテム登録更新記憶部１７等を備える。

アクセス記憶部１６は、ユーザ端末３ａ〜３ｃからコンテンツサーバ１へのアクセス記録を格納する。アクセス記憶部では図３に示すように、コンテンツへのアクセスの一回分が一レコードとして記録し、アクセスのあった「日時」、アクセスしてきたユーザの「ユーザＩＤ」、当該ユーザがアクセスした「コンテンツＩＤ」等をアクセス記録テーブルとして記憶する。

アイテム登録更新記憶部１７は、コンテンツが新規登録、更新処理等された場合に新規に登録されたアイテムをその登録日と共に記憶する。アイテム登録更新記憶部１７では図４に示すように「新規アイテムＩＤ」「登録日」等を新規アイテム登録テーブルとして記憶する。

ＣＰＵ１５は、アクセス記録生成手段１５ａ、コンテンツ登録更新手段１５ｂ、コンテンツ要求受信手段１５ｃ、推薦アイテム要求送信手段１５ｄ、要求コンテンツ送信手段１５ｅを備える。ＣＰＵ１５がこれらの手段を適宜実行することでプログラムは実行される。

アクセス記録生成手段１５ａは、ユーザ端末３ａ〜３ｃからコンテンツサーバ１へのアクセスがあった際に、そのアクセス記録を作成しアクセス記憶部１６に格納する。

コンテンツ登録更新手段１５ｂは、コンテンツが新規登録、更新処理等された場合に新規に登録されたアイテムをその登録日と共にアイテム登録更新記憶部１７に格納する。

コンテンツ要求受信手段１５ｃは、ユーザ端末３ａ〜３ｃからコンテンツサーバ１へのコンテンツ要求を受信する。

推薦アイテム要求送信手段１５ｄは、コンテンツ要求を受信後、要求のあったユーザに推薦するアイテムを当該ユーザのユーザ端末に送信するように推薦サーバ２に依頼する。

要求コンテンツ送信手段１５ｅは、当該ユーザに要求されたコンテンツを、当該ユーザのユーザ端末３ａ〜３ｃに送信する。

入力装置１１は、キーボード、マウス、又はハードディスク等の外部記憶装置からの入力信号を受信するインタフェースである。出力装置１２は、処理結果等を出力するための装置であり、具体的には液晶ディスプレイ、ＣＲＴディスプレイ、プリンタ等を指す。通信制御装置１３は、外部の装置間においてデータを送受信する為の制御信号を生成する。一時記憶装置１４は、演算処理等を行う際に使用する作業用メモリである。

（推薦サーバ）
推薦サーバ２は、図５に示すように、入力装置２１、出力装置２２、通信制御装置２３、一時記憶装置２４、ＣＰＵ２５、利用者重みテーブル記憶部２６、ユーザ・アイテム間評価行列記憶部２７、重み付けユーザ・アイテム間評価行列記憶部２８、利用者類似度表記憶部２９、人気コンテンツ記憶部３０、ブームコンテンツ記憶部３１等を備える。ＣＰＵ２５は、人気コンテンツ抽出手段２５ａ、ブームコンテンツ抽出手段２５ｂ、先進的利用者抽出手段２５ｃ、利用者重みテーブル作成手段２５ｄ、推薦アイテム要求受信手段２５ｅ、ユーザ・アイテム間評価行列作成手段２５ｆ、ユーザ・アイテム間評価行列重み付け手段２５ｇ、利用者類似度算出手段２５ｈ、アイテム評価推定値算出手段２５ｉ、推薦アイテム回答手段２５ｊ等を備える。尚、ＣＰＵ２５がこれらの手段を適宜実行することでプログラムは実行される。

利用者重みテーブル記憶部２６は、図６に示すように、ユーザを特定する「ユーザＩＤ」と各ユーザＩＤが保有する「ユーザ重要度重み」等から構成される利用者重みテーブルを格納する。

ユーザ・アイテム間評価行列記憶部２７は、どのユーザがどのアイテムを何回閲覧したか等によりユーザ毎の各アイテムの評価を保有するユーザ・アイテム間評価行列テーブルを格納する。ユーザ・アイテム間評価行列テーブルは、図７に示すように、各「ユーザＩＤ」と各「アイテムＩＤ」から構成される表であり、この表内には特定ユーザ特定アイテムに対する評価値が格納される。尚、新規に追加されたアイテムで、当該行列のユーザから未だ評価がなされていないアイテムに対しては「Null」値が格納される。

重み付けユーザ・アイテム間評価行列記憶部２８は、ユーザ・アイテム間評価行列記憶部２７のユーザ・アイテム間評価行列テーブルに格納される各評価値に、ユーザ毎の重み付けを行った結果値を、重み付けユーザ・アイテム間評価値として格納する。重み付けは先進的利用者が閲覧したアイテムに対して特に重くなるように行う。先進的利用者とは、過去において、多くの人に評価されたアイテムを初期の段階で発見した利用者のことを指す。

利用者類似度表記憶部２９は、図８に示すように、ユーザ・ユーザ間の類似度値を格納する利用者類似度テーブルを格納する。類似度値とは、二人のユーザａとユーザｉが存在する場合の、ユーザａとユーザｉが共通に評価したアイテムをピアソン相関関係があるとし、これを所定数式で算出したものである。数式の詳細については後述する。

人気コンテンツ記憶部３０は、一定の閲覧数閾値を超えたユーザ間で人気のあるコンテンツ群を格納する。ブームコンテンツ記憶部３１は、所定単位時間内にての所定の傾斜閾値を超えた、急激にユーザ間で人気の出てきたコンテンツ群を格納する。

人気コンテンツ抽出手段２５ａは、コンテンツサーバ１から送信されるアクセス記憶部１６内のアクセス記録に基づいて、所定の絶対値閾値を超えて、多くのユーザに閲覧・再生された、つまりユーザ間にて、人気のあるコンテンツＩＤ群（以下「人気コンテンツ群」と記載）を求める。人気コンテンツ抽出手段２５ａは、所定閾値を超えた人気コンテンツ群の各々のコンテンツｊのコンテンツＩＤ毎の閲覧回数をカウントし、一時記憶する。

ブームコンテンツ抽出手段２５ｂは、コンテンツサーバ１から送信されるアクセス記憶部１６内のアクセス記録テーブルデータに基づいて、所定閾値を超えて、所定単位時間τあたりに急激にユーザ数が増えた履歴を持つコンテンツ群（以下「ブームコンテンツ群」と記載）を抽出する。

先進的利用者抽出手段２５ｃは、人気コンテンツ群とブームコンテンツ群の少なくとも一つ以上を閲覧したユーザの内、人気又はブームが発生する初期の段階から閲覧を行っていたユーザ、すなわち先進的利用者を抽出する。

利用者重みテーブル作成手段２５ｄは、先進的利用者抽出手段２５ｃにて抽出された先進的利用者に対して重み付けを行い、図６の利用者重みテーブル記憶部２６内の利用者重みテーブルの「ユーザＩＤ」毎に「ユーザ重要度重み」を格納する。重み付けは新規コンテンツの閲覧の時期に応じて増減させる。人気又はブームの発生直前又は初期から人気コンテンツ群とブームコンテンツ群を閲覧していたユーザは先進的利用者であるとして重み付けを重くし、その後時間の経過と共に重み付を軽くするようにする。

推薦アイテム要求受信手段２５ｅは、コンテンツサーバ１より所定ユーザに対する推薦アイテムの送信要求を受信する。

ユーザ・アイテム間評価行列作成手段２５ｆは、図７のユーザ・アイテム間評価行列記憶部２７内のユーザ・アイテム間評価行列テーブルを作成する。ユーザ・アイテム間評価値は、どのユーザがどのアイテムを何回閲覧したか等により決定する。

ユーザ・アイテム間評価行列重み付け手段２５ｇは、ユーザ・アイテム間評価行列テーブル内のユーザ・アイテム間評価値に重み付け処理を行う。重み付け処理は図６の利用者重みテーブル記憶部２６に格納されるユーザ重要度重み値をユーザ・アイテム間評価値に対して加算、乗算等することで行われ、この結果、重み付きユーザ・アイテム間評価値が算出される。尚、重み付け処理は直近に登録された又は更新されたアイテムに対してのみ行う。これらの新規アイテムに対して起こるコールドスタート問題を解決するためである。直近に登録又は更新されたアイテムであるか否かは、コンテンツサーバ１から送信される図４のアイテム登録更新記憶部１７内の新規アイテム記録テーブルのデータより判断される。

利用者類似度算出手段２５ｈは、二人のユーザが共通に評価したアイテムにはピアソン相関関係があるとの前提により、二人のユーザ間の類似度を所定数式を用いて算出し、利用者類似度表記憶部２９内の利用者類似度テーブル内に格納する。所定数式については後述する。

アイテム評価推定値算出手段２５ｉは、ユーザ類似度値や重み付きユーザ・アイテム間評価値を基に、所定数式を用いて、推薦ユーザへの各アイテムの推定評価値を算出する。各アイテムとは、新規アイテムも含めた全てのアイテムを指す。

推薦アイテム回答手段２５ｊは、算出された各アイテムの推定評価値を昇順ソートし、推定評価値の高いもの、すなわち推薦ユーザが好むと推測されるものの上位いくつかを推薦アイテムとしてユーザ端末３ａ〜３ｃに対して送信する。

尚、その他の装置２１〜２４についてはコンテンツサーバ１と同様であるため説明を省略する。

（推薦アイテムフィルタリングシステムの動作）
次に、推薦アイテムフィルタリングシステム１００の動作について説明する。推薦アイテムフィルタリングシステム１００の動作は大きく先進的ユーザ抽出処理と推薦アイテム抽出処理の２つに分けられる。先進的ユーザ抽出処理では、推薦サーバ２が先進者ユーザを発見し、重み付け値を決定する。推薦アイテム抽出処理では、コンテンツサーバ１が、ユーザ端末３ａ〜３ｃからのコンテンツ要求に応じコンテンツをユーザクライアントに提供する際、推薦サーバ２に当該ユーザに対する推薦アイテムを要求し、推薦サーバ２がこれに応答する推薦アイテムをユーザ端末３ａ〜３ｃに送信する処理である。これら２つの処理は並列的に行われても構わないし、前処理として先進的ユーザ抽出処理を行い、その後推薦アイテム抽出処理を行うようにしても構わない。

以下これらの動作について詳細に説明する。

（先進的ユーザ抽出処理）
先進的ユーザ抽出処理について図９のフローチャートを用いて詳細に説明する。尚、前処理として、コンテンツサーバ１のアクセス記録生成手段１５ａは、ユーザ端末３ａ〜３ｃからのコンテンツへのアクセス毎に、アクセスの日時、ユーザＩＤ、コンテンツＩＤ等から成るアクセスログを作成し、アクセス記憶部１６内のアクセス記録テーブルに格納しているのとする。

（ａ）ステップＳ１０１において、コンテンツサーバ１は所定間隔毎、又は推薦サーバ２からの要求により当該アクセス記録テーブルを推薦サーバ２に送信する。推薦サーバ２の人気コンテンツ抽出手段２５ａがコンテンツサーバ１よりアクセス記録テーブルデータを受信し、コンテンツｊにユニークに付与されたコンテンツＩＤ毎に、その閲覧回数ｆjを集計し、所定の絶対数閾値Th_popを超えた、即ちユーザ間で人気のある人気コンテンツ群Item_popを抽出し、人気コンテンツ記憶部３０へ記憶させる。

（ｂ）ステップＳ１０２において、ブームコンテンツ抽出手段２５ｂは、コンテンツサーバ１より図３のアクセス記録テーブルデータを受信し、当該アクセス記録テーブルに存在するコンテンツ集合Ｊの内、あるコンテンツｊが最初に閲覧された時刻Ｔjを求め、ステップＳ１０３において、最初に閲覧された時刻Ｔjからある時間Ｔ（ただしＴ＝ｌ＊τ）経過後までの閲覧履歴を抽出する。ステップＳ１０４において、ブームコンテンツ抽出手段２５ｂは、閲覧時刻ＴjからＴ間を、更に所定の単位時間τに分割し、単位時間τ毎のコンテンツｊの閲覧回数Ｖj＝[v1, v2, …,vl]をカウントする。ステップＳ１０５において、所定の分割単位時間τにおいて、単位時間τあたりに急激にコンテンツｊの閲覧回数が増えた、即ち所定の傾斜閾値Th_boomを超えたか否かを判定し、所定の傾斜閾値Th_boomを超えた分割単位時間τがあれば、ステップＳ１０６へ進み、これらのコンテンツｊをブームコンテンツ群Item_boomとして抽出する。また最初にコンテンツｊの閲覧増加傾斜が所定の傾斜閾値Th_boomを超えた時刻をTboom_ｊと定義する。分割単位時間τ毎のコンテンツｊの閲覧回数、又最高閲覧回数はブームコンテンツ記憶部３１にて格納する。尚、ステップＳ１０２〜Ｓ１０６の処理を全てのコンテンツｊに対して行う（ステップＳ１０７）。

（ｃ）ステップＳ１０８において、先進的利用者抽出手段２５ｃは、人気コンテンツ記憶部３０に格納される人気コンテンツ群Item_pop、ブームコンテンツ記憶部３１に格納されるブームコンテンツ群Item_boomをコンテンツＩＤでデータ結合する（結合されたコンテンツ群を以下「結合コンテンツ群」と記載する）。尚、結合コンテンツ群は、「Item_pop ∪Item_boom」、「Item_pop ∩ Item_boom」等の条件式で求めるものとする。次にステップＳ１０９において、先進的利用者抽出手段２５ｃは、図６の利用者重みテーブル記憶部２６の利用者重みテーブルの初期化を行う。尚、利用者重みテーブルの準備は、全ての重みにデフォルト値を入力してもよいし、これまでの先進的ユーザとしての実績値を使用した利用者重み値を設定し使用してもよい。ステップＳ１１０において、先進的利用者抽出手段２５ｃは、結合コンテンツ群に対し、ブーム初期T_earlythの段階でコンテンツｊを閲覧でアクセスしていたユーザｉを抽出する。抽出する区間は、ブーム発生直前のブーム黎明時Ｔjからブーム初期の頃Ｔj+T_earlythまでの間に限定する。尚、ユーザｉのコンテンツｊへのアクセス時間はＴijと表記する。

（ｄ）ステップＳ１１０においては、アクセス記録テーブルデータに存在する全ユーザｉの内のあるユーザｉに対し重みwiを算出する。重みwiの算出は、ブーム黎明時Ｔj近くに閲覧したユーザほど大きく、Ｔjから時間的に後ろに閲覧したユーザほど軽くつけることが望ましい。また、増加する前に予測するという観点を入れるために、ブームが起こったと判断できる時刻Tboom_jからのユーザアクセス時刻を加味するようにしても良い。一例として、重みwiの算出には下記の式１を用いる。式１では全てのコンテンツ群Ｊについて加算を行う。

wi = Σp0(Tij-Tj)+ p１(Tij-Tboom_j)+p2(ｆj) +p3(max[Vj])+wi_init…（式１）
式１においては、コンテンツ閲覧回数ｆj、単位時間τ毎のコンテンツｊの最高閲覧回数max[Vi]を用いる。関数p0、p1は単調減少関数、関数ｐ2、ｐ3は単調増加関数である。重み初期値wi_initとしては上述のようにこれまでの先進的ユーザの実績値や、初期値としての1.0を使用する。本計算により利用者重みテーブルを作成し、利用者重みテーブル記憶部２６に格納する。尚、これらステップＳ１１０〜Ｓ１１１のコンテンツｊに対する処理を全てのコンテンツ群Jに対して行う（ステップＳ１１２）。

（推薦アイテム抽出処理）
次に、推薦アイテム抽出処理について図１０のフローチャートを用いて詳細に説明する。

（ａ）ステップＳ２０１においては、コンテンツサーバ１がユーザ端末３ａ〜３ｃの内のあるユーザａよりコンテンツ要求を受けると、当該ユーザａに相応しい推薦アイテムを送信するよう推薦サーバ２へ要求する。推薦サーバ２の推薦アイテム要求受信手段２５ｅは、コンテンツサーバ１からのこのユーザａに対する推薦アイテムの要求を受信する。

（ｂ）ステップＳ２０２においては、ユーザ・アイテム間評価行列作成手段２５ｆが、図７に示すユーザ・アイテム間評価値行列Ｓを作成する。ユーザ・アイテム間評価値行列Ｓとは、ｎ人の全ユーザの集合（ｘ＝｛１，２,…,n｝）を行、m種類の全アイテムの集合（ｙ＝｛１，２,…,ｍ｝）を列としたもので、ユーザiのアイテムjへの評価値Ｓijを要素とする行列である。ユーザ・アイテム間評価行列作成手段２５ｆは、図３のアクセス記憶部１６に格納されるアクセス記録テーブルレコードをコンテンツサーバ１から送信してもらい、アクセス記録テーブルレコード一行毎に、Ｓijの値を、ユーザiがアイテムjを閲覧済みならば「＋１」と、未閲覧ならば「Null」とする。複数回の閲覧についてもその回数に応じて、Ｓijの値を増加させる。また、すべてのＳijに対して、対数関数等の増加関数を適用し、閲覧回数の極端に大きなアイテムＳijについては、圧縮を行うようにしてもよい。尚、図７のユーザ・アイテム間評価値行列Ｓにおいては、ユーザＡは先進的利用者iであり、アイテム２は新規アイテムであるとする。アイテム２は新規アイテムであるため、先進的利用者iのみが既に３回も閲覧をしているが、他のユーザにおいては未閲覧「Null」のままとなっている。

（ｃ）ステップＳ２０３においては、ユーザ・アイテム間評価行列重み付け手段２５ｇが、直近に登録又は更新されたアイテムのユーザ・アイテム間評価値行列Ｓに対して、ユーザ重要度重みを付加する処理を行う。Ｓ２０３の処理を図１１のフローチャートを参照し詳細に説明すると、全てのアイテムJの内のあるアイテムｊに本処理を行う場合、ステップＳ３０１においてコンテンツサーバ１より図４のアイテム登録更新記憶部１７内の新規登録更新されたアイテムデータを取得し、ステップＳ３０２にて、取得したアイテムｊが直近登録new_dateから所定期間以内に登録されたか判断する。

所定直近期間内に登録されているのならばステップＳ３０３にて式２のように当該アイテムｊのユーザ・アイテム間評価値行列Ｓに対して、図６の利用者重みテーブル記憶部２６のユーザ重要度重みを式２のように付加する。

Sij =Sij+wj …（式２）
このように重みを付加することで、ユーザ・アイテム間評価値行列Ｓに対して、ユーザの重要度を反映させることができる。本処理により図７の「Null」の欄には所定の推測値が入力され、重み付けユーザ・アイテム間評価行列記憶部２８に格納される。尚、本計算では重みの加算を行っているが、未閲覧Sijの値を「１」等とし、重みを乗算して求めることも可能である。ステップＳ３０４では次のアイテムｊのデータを取得するよう処理をおこなう。

（ｄ）図１０に戻り、ステップＳ２０４においては、利用者類似度算出手段２５ｈが、下記のピアソン相関係数を用いた式３を用いてユーザ・ユーザ間の類似度値ρ_aiを算出する。尚、一方のユーザは先進的利用者であるユーザｉ、もう片方は推薦アイテムを提供すべき推薦ユーザａである。

ただし、式３において、Ｙaiはユーザａとユーザｉの二人が共通に評価したアイテムの集合であり、即ち下記の式４を満たすものとする。式５はＹaiにおけるユーザa及びユーザiの評価値の平均である。

Ｙai＝Ｙa ∩ Ｙi…（式４）

尚、｜Ｙai｜≦１、即ちユーザａとユーザｉが共通に評価したアイテムが１つ以下ならば、ピアソン相関は計算できないので、ρ_ai＝０とする。また式５のsi’はYaiにおけるユーザiの評価値の平均値である。

（ｅ）ステップＳ２０５においては、アイテム評価推定値算出手段２５ｉが、推薦アイテムを受けるユーザａのアイテムjへの評価値の推定値Ｓajを、式３で求めた類似度値ρ_ai等を用いて下記の式６を用いて算出する。

ただし、Ｘjはアイテムｊを評価済みのユーザの集合である。

式６における

はＹ_ｉにおけるユーザiの評価値の平均値である。尚、ａ∈Ｘjなる状況では、Ｓajの推定が不要になるので想定しなくてもよい。

（ｆ）ステップＳ２０６においては、推薦アイテム回答手段２５ｊが、アイテムｊ毎の推定値Ｓajを昇順ソートし、ステップＳ２０７においては、推定値Ｓajが高い、上位の数アイテムからユーザａの推薦アイテムを選択し、推薦アイテム要求の回答結果として、ユーザ端末３ａ〜３ｃに対して返信する。

尚、本実施の形態においてはユーザ・アイテム間評価行列を用いて推薦アイテムへの評価値を求めているが、アイテム・アイテム間評価行列を用いて推薦アイテムへの評価値を求めるようにすることも可能である。

このように本発明によると、コンテンツ内における先進的利用者の新規アイテムの評価値に基づき、新規アイテムが将来どの程度流行するのか推測し、その推測に基づき協調フィルタリングを行うことで、新規アイテムへの評価値が少ない場合でも、アイテムの推薦を適切に行うことができる。

１…コンテンツサーバ
２…推薦サーバ
３ａ、３ｂ、３ｃ…ユーザ端末
４…インターネット回線網
１１…入力装置
１２…出力装置
１３…通信制御装置
１４…一時記憶装置
１５…ＣＰＵ
１５ａ…アクセス記録生成手段
１５ｂ…コンテンツ登録更新手段
１５ｃ…コンテンツ要求受信手段
１５ｄ…推薦アイテム要求送信手段
１６…アクセス記憶部
１７…アイテム登録更新記憶部
２１…入力装置
２２…出力装置
２３…通信制御装置
２４…一時記憶装置
２５…ＣＰＵ
２５ａ…人気コンテンツ抽出手段
２５ｂ…ブームコンテンツ抽出手段
２５ｃ…先進的利用者抽出手段
２５ｄ…利用者重みテーブル作成手段
２５ｅ…推薦アイテム要求受信手段
２５ｆ…ユーザ・アイテム間評価行列作成手段
２５ｇ…ユーザ・アイテム間評価行列重み付け手段
２５ｈ…利用者類似度算出手段
２５ｉ…アイテム評価推定値算出手段
２５ｊ…推薦アイテム回答手段
２６…利用者重みテーブル記憶部
２７…ユーザ・アイテム間評価行列記憶部
２８…重み付けユーザ・アイテム間評価行列記憶部
２９…利用者類似度表記憶部
３０…人気コンテンツ記憶部
３１…ブームコンテンツ記憶部
１００…推薦アイテムフィルタリングシステム

Claims

コンテンツにアクセスするユーザの嗜好情報を蓄積し、前記嗜好情報の類似した標本ユーザの情報を用いて、推薦サーバがアイテムを推薦すべき推薦ユーザにアイテムを推薦する推薦アイテムフィルタリング方法であって、
前記コンテンツに人気及びブームの少なくとも片方が発生する直前の段階から閲覧を行っていた先進的利用者を先進的利用者抽出手段が抽出するステップと、
抽出された前記先進的利用者に対して、ユーザ重要度重みの算出式を用いて重み付けを行い、重み付け結果をユーザ重要度重みとして、利用者重みテーブル作成手段が利用者重みテーブル記憶部に格納するステップと、
各ユーザの各アイテムに対する評価値を列化したユーザ・アイテム間評価行列をユーザ・アイテム間評価行列作成手段が作成するステップと、
前記ユーザ・アイテム間評価行列の前記評価値に対し、ユーザ・アイテム間評価行列重み付け手段が、前記利用者重みテーブル記憶部より取得する前記ユーザ重要度重みを重み付けするステップと、
前記標本ユーザと前記推薦ユーザ間の類似度を利用者類似度算出手段が算出するステップと、
前記類似度値及び重み付けされた前記評価値を含む数値を基に、前記推薦ユーザへの各アイテムの推定評価値をアイテム評価推定値算出手段が算出するステップと、
算出された前記各アイテムの推定評価値の内、推薦アイテム回答手段が前記推定評価値の高いものを推薦アイテムとして前記推薦ユーザに回答するステップ
とを備えることを特徴とする推薦アイテムフィルタリング方法。
前記ユーザ重要度重みの算出式は、前記標本ユーザが所定コンテンツを閲覧した時刻から、前記所定コンテンツがいずれかのユーザに最初に閲覧された時刻を引いた値の単調減数関数、又は、前記標本ユーザが所定コンテンツを閲覧した時刻から、最初に所定単位時間当たりの前記アクセスが所定傾斜閾値を超えたブーム発生時刻を引いた値の単調減数関数のうち少なくとも一つを含む関数を用いることを特徴とする請求項１に記載の推薦アイテムフィルタリング方法。
前記ユーザ重要度重みの算出式は、コンテンツ閲覧回数の単調増加関数を更に含むことを特徴とする請求項２に記載の推薦アイテムフィルタリング方法。
前記ユーザ重要度重みの算出式は、コンテンツの単位時間当たりの最高閲覧回数の単調増加関数を更に含むことを特徴とする請求項２又は３に記載の推薦アイテムフィルタリング方法。
前記アクセスが所定の絶対数閾値を超える人気コンテンツ群を人気コンテンツ抽出手段が抽出するステップと、
所定単位時間当たりの前記アクセスが所定傾斜閾値を超えるブームコンテンツ群をブームコンテンツ抽出手段が抽出するステップとを更に備え、
前記抽出するステップは、
前記人気コンテンツ群又はブームコンテンツ群の少なくとも一つ以上を閲覧したユーザから先進的利用者を抽出する
ことを特徴とする請求項１乃至４のいずれかに記載の推薦アイテムフィルタリング方法。
請求項１乃至５のいずれかに記載の推薦アイテムフィルタリング方法を前記推薦サーバに実行させるための推薦アイテムフィルタリングプログラム。