JP5588938B2

JP5588938B2 - アイテム推薦装置及び方法及びプログラム

Info

Publication number: JP5588938B2
Application number: JP2011163713A
Authority: JP
Inventors: 健倉島
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2011-07-26
Filing date: 2011-07-26
Publication date: 2014-09-10
Anticipated expiration: 2031-07-26
Also published as: JP2013029896A

Description

本発明は、アイテム推薦装置及び方法及びプログラムに係り、特に、個人の行動履歴に基づいて、その人が将来的に選択するアイテムを予測し、推薦するためのアイテム推薦装置及び方法及びプログラムに関する。

従来技術として、動作主がアイテムを選択した履歴情報の集合を学習データとして、トピックモデルを用いて動作主の行動をモデリングし、動作主が次に選択するアイテムを予測する方法がある。トピックモデルにおいては、学習データが"ある動作主が選択する各アイテムは、ユーザ固有のトピック比率に従ってある潜在トピックを選択した後、その潜在トピックに固有のアイテム出現確率分布に従って生成された"と仮定して、動作主の行動を確率モデルで表現することで、次に選択するアイテムを予測する（例えば、非特許文献１、非特許文献２参照）。

なお、アイテムとは、ユーザの動作の対象となる、商品、人、組織などの実体や、ニュース、Web文書、ブログ、画像などのコンテンツを意味する総称とする。

T. Hofmann. Probabilistic Latent Semantic Analysis , in Proc. Conf. on Uncertainty in Artificial Intelligence (UAI), pp. 289-296 (1999). D.M. Blei, A.Y. Ng, and M.I. Jordan. Latent Dirichlet Allocation, in Journal of Machine Learning Research (JMLR), vol. 3, pp. 993-1022 (2003).

従来技術であるトピックモデルを用いた手法においては、アイテムが商品の場合は、「カメラ」や「時計」などの同じ機能を持つものをまとめるものとして、アイテムがニュース記事などの場合は、「政治」や「スポーツ」などの報道内容の近い記事をまとめるものとして潜在トピックが推定されてしまう。つまり、潜在トピックは既知のメタ情報（例えば、アイテムのジャンル情報）に等しい。「若者/シニアに人気がある」、「流行りもの/定番である」といった、既知のジャンル（アイテム固有の性質）以外の、アイテムの潜在的な"特徴"でつながるアイテム集合を含む潜在トピックを推定できなかった。その結果、過去に購入したアイテムとジャンルの類似したアイテムしか推薦されないという問題があった。さらに、一度も選択した（購入した）ことのない（履歴のない）ジャンルのアイテムを推薦する際には、過去の履歴の傾向に基づく推薦が不可能であった。

本発明は、上記の点に鑑みなされたものであり、動作主が好む、「若者/シニアに人気がある」、「流行りもの/定番である」といった、既存のメタ情報（例えば、ジャンル情報）では把握しきれていないアイテムの潜在的な特徴をもとにアイテムの推薦を可能とするためのアイテム推薦装置及び方法及びプログラムを提供することを目的とする。

上記の課題を解決するため、本発明（請求項１）は、複数人の行動履歴に基づいて動作主が次に各アイテムを選択する確率を算出するためのアイテム推薦装置であって、
前記複数人の行動履歴が「動作主が選択するアイテムは、動作主固有のトピック比率に従って、既知のメタ情報では把握しきれていないアイテムの潜在的な特徴を表すある潜在トピックを選択した後、その潜在トピック、及び、既知のメタ情報から導かれる動作主の行動領域に固有のアイテム出現確率分布に従って生成した」という仮定のもと、該既知のメタ情報では把握しきれていないアイテムの潜在的な特徴を表す潜在トピックを動作主が選択する確率であるユーザ固有トピック出現確率と、既知のメタ情報では把握しきれていないアイテムの潜在的な特徴を表す潜在トピックからのアイテムの選択されやすさを示すトピック固有アイテム選択確率を、最尤法を用いて学習し、学習後のユーザ固有トピック出現確率をユーザ固有トピック出現確率記憶手段に、トピック固有アイテム選択確率をトピック固有アイテム選択確率記憶手段に格納する潜在変数推定手段と、
外部から入力された、または、前記複数人の行動履歴から取得したある特定行動履歴に関して、
前記トピック固有アイテム選択確率記憶手段から取得した前記トピック固有アイテム選択確率に基づいて、前記既知のメタ情報では把握しきれていないアイテムの特徴を表す潜在トピックからの選択されやすさを示す該トピック固有アイテム選択確率が高いアイテムほど、また、前記特定行動履歴に含まれる各アイテムから、“既知のメタ情報に基づく距離”が近いアイテムほど、選択確率が高くなるトピック・行動領域固有アイテム選択確率を算出するトピック・行動領域固有アイテム選択確率算出手段と、を備える。

また、本発明（請求項２）は、外部から入力された、または、前記複数人の行動履歴から特定したある特定動作主に関して、
前記ユーザ固有トピック出現確率記憶手段から取得した、前記特定動作主が、既知のメタ情報では把握しきれていないアイテムの特徴を表す潜在トピックを支持する確率である前記ユーザ固有トピック出現確率と、前記トピック・行動領域固有アイテム選択確率算出手段で算出した前記トピック・行動領域固有アイテム選択確率との二項演算で、前記特定動作主があるアイテムを選択する確率を求めるユーザ履歴固有アイテム選択確率算出手段
を更に有する。

上記のように本発明によれば、「動作主が選択するアイテムは、動作主固有のトピック比率に従って、既知のメタ情報では把握しきれていないアイテムの潜在的な特徴を表すある潜在トピックを選択した後、その潜在トピック、及び、既知のメタ情報から導かれる動作主の行動領域に固有のアイテム出現確率分布に従って決定した」という仮定に基づく行動モデルを生成し、その行動モデルを用いて、動作主の興味に応じたアイテム推薦が可能である。この行動モデルは、従来手法（トピックモデル）と異なり、"既知のメタ情報"（例えば、アイテムに付与されたジャンル情報）に基づくアイテム間の"距離"を考慮して学習する特徴がある。これにより、既知のメタ情報（ジャンル情報）では扱い切れていないアイテムの潜在的な特徴（"若者/シニアに人気"や"流行りもの/定番"や"家電"や"テレビ"といった特徴要素の中から、既知の概念要素（"家電"や"テレビ"）の影響を除いたその他の要素（"若者/シニアに人気"や"流行りもの/定番"））を扱うものとして潜在トピックが推定可能となる。また、潜在トピックが既知のメタ情報（ジャンル情報）では把握しきれていないアイテムの特徴を扱うため、初めて選択する（購入する）ジャンルのアイテムでも、動作主が好む、ジャンル以外のアイテムの特徴を用いて動作主の嗜好に合致したアイテムを推薦することが可能となる。

本発明の第１の実施の形態におけるアイテム推薦装置のブロック図である。本発明の第１の実施の形態におけるトピック・行動領域固有アイテム選択確率算出手段のフローチャートである。本発明の第１の実施の形態におけるユーザ履歴固有アイテム選択確率算出手段のフローチャートである。本発明の第１の実施の形態における履歴情報記憶装置１に格納されている情報の一例である。本発明の第１の実施の形態におけるアイテム情報記憶装置２に格納されているアイテム情報の一例である。本発明の第１の実施の形態におけるアイテム情報記憶装置２に格納されているジャンル体系の一例である。本発明の第１の実施の形態におけるユーザ履歴固有アイテム選択確率算出手段、及びユーザ固有アイテム選択確率算出手段の動作を説明するための図である。本発明の第１の実施の形態における検索部への検索例と、出力部からの出力例である。本発明の第２の実施の形態におけるアイテム推薦装置のブロック図である。

以下、図面と共に本発明の実施の形態を説明する。

［第１の実施の形態］
以下、本装置の第１の形態について図面を参照して説明する。

図１は、本発明の第１の実施の形態におけるアイテム推薦装置のブロック図を示す。

同図に示すアイテム推薦装置１０は、操作部３、検索部４、潜在変数推定部６、ユーザ固有トピック出現確率記憶部７、トピック固有アイテム選択確率記憶部８、トピック・行動領域固有アイテム選択確率算出部９、ユーザ履歴固有アイテム選択確率算出部１１、出力部１２から構成されている。このうち、操作部３、潜在変数推定部６、トピック・行動領域固有アイテム選択確率算出部９２は、外部の行動履歴情報記憶装置１、及び、アイテム情報記憶装置２と接続されている。

行動履歴情報記憶装置１は、本アイテム推薦装置１０から解析され得る行動履歴情報を格納しており、アイテム推薦装置１０からの要求に従って、行動履歴情報を読み出し、当該情報をアイテム推薦装置に送信する。いま、動作主をｕで、アイテムをiで表すと、動作主uの行動履歴情報は、

で表すことができる。τは、動作主ｕが過去に選択した（購入した）ことのある全アイテム数である。行動履歴情報記憶装置１は、Ｗｅｂページを保持するＷｅｂサーバや、データベースを具備するデータベースサーバ等である。

アイテム情報記憶装置２は、アイテム推薦装置１０から解析され得るアイテム情報を格納しており、アイテム推薦装置１０からの要求に従って、アイテム情報を読み出し、当該情報をアイテム推薦装置１０に送信する。各アイテム情報は、たとえば、アイテムを一意に識別するためのID、アイテムの名称、アイテムが属するジャンル情報などのメタ情報から成る情報である。また、「スポーツ」ジャンルの下位概念に「サッカー」ジャンルがあるといった、ジャンル間の関係を記述したジャンル体系も保持する。アイテム情報記憶装置２は、Ｗｅｂページを保持するＷｅｂサーバや、データベースを具備するデータベースサーバ等である。

なお、行動履歴情報記憶装置１に格納された履歴情報とアイテム情報記憶装置２に格納されたアイテム情報とから、アイテムIDを介して、動作主uが過去に購入したアイテムのジャンル集合

を求めることもできる。ｒ_iは、アイテムiのジャンルである。

操作部３は、行動履歴情報記憶装置１、及びアイテム情報記憶装置２のデータに対するユーザからの各種操作を受け付ける。各種操作とは、格納された情報を登録、修正、削除する操作等である。また、操作部３は、アイテム情報記憶装置２に格納されたアイテム情報を装置のユーザに提示することも可能である。ユーザは、提示された情報の中から単一、もしくは、複数のアイテムを選択することで、推薦を行う対象となる動作主に関する行動履歴情報として登録することが可能である。操作部３の入力手段は、キーボードやマウスやメニュー画面やタッチパネルによるもの等、何でもよい。操作部３は、マウス等の入力手段のデバイスドライバや、メニュー画面の制御ソフトウェアで実現され得る。

検索部４は、推薦を行う対象となる動作主uに関する情報と、潜在変数推定部６で用いる各種パラメータを受け付ける。動作主ｕに関する情報は、行動履歴情報記憶装置１に格納されている動作主ｕ∈Ｕを一意に識別するＩＤ等の推薦対象動作主に関する情報と、行動履歴情報記憶装置１に格納された履歴と同形式の履歴である。検索部４で指定された動作主に対して、検索部４で指定された行動履歴に基づいてアイテムの推薦を行う。なお、行動履歴は省略可能であり、省略された場合は、指定された動作主IDに関して、すでに行動履歴情報記憶装置１に格納されている過去の履歴が指定されたものとして扱う。一方、動作主を特定する情報も省略可能であり、動作主を特定する情報が省略され、行動履歴情報そのものが入力された場合、行動履歴情報記憶装置１に格納されたデータの中で、受け付けた行動履歴と最も類似性が高い動作主ｕ∈Ｕが指定されたものとする。類似性を測る指標としては、例えば、コサイン尺度や内積があるが、何を用いても良い。なお、検索部４の入力手段は、キーボードやマウスやメニュー画面やタッチパネルによるもの等、何でもよい。検索部４は、マウス等の入力手段のデバイスドライバや、メニュー画面の制御ソフトウェアで実現され得る。

アイテム選択確率算出部５は、潜在変数推定部６、ユーザ固有トピック出現確率記憶部７、トピック固有アイテム選択確率記憶部８、トピック・行動領域固有アイテム選択確率算出部９、ユーザ履歴固有アイテム選択確率算出部１１から成る。

アイテム選択確率算出部５は、行動履歴情報記憶装置１（とアイテム情報記憶装置２）のデータから学習し、ある動作主uがアイテムiを選択する確率を算出する。本装置は、"動作主uが選択するアイテムiは、ユーザ固有のトピック比率に従ってある潜在トピックzを選択した後、その潜在トピックzと、動作主uに関する既知のメタ情報から導かれる動作主の行動領域Ruに固有のアイテム出現確率分布に従って決定した"という仮定に基づく行動モデルである。つまり、潜在トピック数Zが与えられたもとで、動作主uがアイテムiに選択する確率P(i|u)を以下の式で計算する。

ここで、変数ｚは、例えば「女性／定番のアイテム」をまとめる潜在トピックを表すために用意された変数である。Ｐ（z|u）＝θ_uzは、動作主の興味を表し、動作主ｕが潜在トピックzに興味を持つ確率値である。また、Ｐ（i│z, Ru）は、潜在トピックzにおいてアイテムiが選択されるトレンドP(i|z) ＝φ_ziと、既知のメタ情報から導かれるユーザuの行動領域Ruとの近さから導かれたアイテム選択確率値である。Ｐ（i│z, Ru）は、潜在トピックzから支持されているアイテムほど、また、動作主uが過去に選択したジャンルのアイテムほど、そのアイテム出現確率が高いように計算する。たとえば、Ｐ（i│z, Ru）は以下の式で計算することができる。

P(i|z) ＝φ_ziは、潜在トピックにおけるトレンドを示しており、たとえば、潜在トピックが「環境に優しい」アイテムをまとめるトピックの場合には、エコ向けのアイテムの出現確率が高くなる。関数distは、引数として与えられた２つのメタ情報（アイテムに付与されたジャンル）の近さを返す関数である。この"近さ"は、典型的には、ジャンル情報間の概念的な近さを表すジャンル体系から導かれる。例えば、同じ「カメラ」ジャンルに属するアイテム同士は小さな値を返す一方で、「カメラ」ジャンルと「車」ジャンルのアイテム同士は大きな値を返す。従って、Ｐ（i│z, Ru）は、たとえば、潜在トピックが「環境に優しい」で、かつ、動作主がよく選択する（購入する）アイテムのジャンルが「車」に集中していた場合に、ハイブリッドカーなどの出現確率が高くなる。なお、潜在トピックは例えば「環境に優しい／優しくないアイテム」をまとめるトピックを表すために用意された変数であるが、その変数が実際にどのようなトピックを表すかは不明でよい。

潜在変数推定部６は、検索部４で受け付けたパラメータである潜在トピック数Zを受け付け、行動履歴情報記憶装置１に格納された動作主uがアイテムiを訪れた情報を学習データとし、これらの学習データが、"動作主uが選択するアイテムiは、ユーザ固有のトピック比率に従ってある潜在トピックzを選択した後、その潜在トピックzと動作主uに関する行動領域Ruに固有のアイテム出現確率分布に従って生成された"と仮定した上で、動作主uが潜在トピックzに興味を持つ確率値であるθ_uz、及び、潜在トピックzからアイテムiが選択される確率値であるφ_ziを学習する。これらの未知パラメータは、EMアルゴリズムを用いて求めることができる。EMアルゴリズムは、以下の対数尤度を最大化することにより未知パラメータを推定する手法である。

動作主uの集合をU、動作主uが過去に選択した（購入した）アイテムの個数をMu、動作主uがm番目に選択したアイテムをｉ_umとする。なお、行動領域Ruは、式（２）により、行動履歴情報記憶装置１とアイテム情報記憶装置２に格納されたアイテム情報とに基づいて求めることができる。

EMアルゴリズムは、最初にθ_uzとφ_ziに適当な初期値を与える。次に、θ_uzとφ_ziが収束するまで以下のE-stepとM-stepを繰り返す。

E-stepにおいては、現在のθ_uzとφ_ziに関する推定値が与えられたもとでの、トピック事後確率をベイス則に従い計算する。

そして、式（６）で求めたP(z|u,m)を含むQ関数を以下のように定義する。

M-stepでは、式（７）のQ関数を最大化する、あらたなθ_uzとφ_ziを求める。θ_uzに関しては、

を解き、Q関数をθ_uzに関して最大化することで求めることができる。

φ_ziに関しては、閉形式で直接求めることができないため、準ニュートン法等の最適化手法を用いてQ関数を最大化して求める。φ_ziに関する勾配ベクトルは、以下の通りである。

ユーザ固有トピック出現確率記憶部７は、潜在変数推定部６で求めた動作主uが潜在トピックzに興味を持つ確率値であるφ_ziを格納する。ユーザ固有トピック出現確率記憶部７は、これらの情報が保存され、復元可能なものであればなんでもよい。例えば、データベースや、予め備えられた汎用的な記憶装置（メモリやハードディスク装置）の特定領域に記憶される。

トピック固有アイテム選択確率記憶部８は、潜在変数推定部６で求めた潜在トピックzからアイテムiが選択される確率値であるφ_ziを格納する。トピック固有アイテム選択確率記憶部８は、これらの情報が保存され、復元可能なものであればなんでもよい。例えば、データベースや、予め備えられた汎用的な記憶装置（メモリやハードディスク装置）の特定領域に記憶される。

トピック・行動領域固有アイテム選択確率算出部９は、検索部４で指定された動作主uに関する情報、トピック固有アイテム選択確率記憶部８に格納されたφ_zi、履歴情報記憶装置１に格納された履歴情報、アイテム情報記憶装置２に格納されたアイテム情報に基づいて、潜在トピックとユーザuの行動領域Ruに関するアイテムのトレンドを表現する確率値Ｐ（i│z, Ru）を求める。ここで、ユーザuは検索部４で指定された動作主であり、既知のメタ情報から導かれる動作主の行動領域Ruは、検索部４で指定された行動履歴情報に関するものである。

図２は、本発明の第１の実施の形態におけるトピック・行動領域固有アイテム選択確率算出部のフローチャートであり、検索部４で指定された動作主uに関する

を求める。

トピック・行動領域固有アイテム選択確率算出部９は、動作主ｕが入力されると、一時変数ｚに１を設定することにより初期化を行い、潜在トピック数Zを取得する（ステップ１０１）。

ｚ＞Zであれば当該処理を終了し、ｚ≦Zであれば（ステップ１０２,Yes）、以下の処理を行う。

一時変数tを０とし（ステップ１０３）、一時変数sを０とする（ステップ１０４）。２つのジャンルｒ_i，rの距離dist(ｒ_i，ｒ)を求め、sに加算する（ステップ１０５）。当該処理を動作主の全行動領域Ruについて繰り返す。

次に、潜在トピックとユーザｕの行動領域Ruに関するアイテムのトレンドを表現する確率として、

の計算を行い（ステップ１０６）、

をｔに加算する（ステップ１０７）。上記の処理を全アイテム（ｉ∈Ｉ）に対して繰り返す。

全アイテムＩに対する上記の処理が終了すると、

を全アイテムＩについて繰り返し（ステップ１０８）、ｚ＋１としてステップ１０２に戻る。

ユーザ履歴固有アイテム選択確率算出部１１は、ユーザ固有トピック出現確率記憶部７に格納された動作主uが潜在トピックzに興味を持つ確率値であるθ_uzと、トピック・行動領域固有アイテム選択確率算出部９の結果Ｐ（i│z, Ru）に基づき、動作主uがアイテムiを選択する確率値を計算する。前記の通り、本装置においては、既知のメタ情報から導かれる動作主の行動領域Ruを持つある動作主が選択する各アイテムは、ユーザ固有のトピック比率に従ってあるトピックを選択した後、そのトピックと、既知のメタ情報から導かれる動作主の行動領域Ruに固有のアイテム出現確率分布に従って生成されると仮定して、式（３）でP(i|u)を算出する。

図３は、本発明の第１の実施の形態におけるユーザ履歴固有アイテム選択確率算出部のフローチャートであり、検索部４で指定された動作主uに関する

を求める。

ユーザ履歴固有アイテム選択確率算出部１１は、動作主ｕ、潜在トピック数Zが入力されると（ステップ２０１）、一時変数ｚに１を設定することにより初期化する（ステップ２０２）。ｚ＞Zであれば当該処理を終了し（ステップ２０３、no）、そうでなければ（ステップ２０３、Yes）、トピック・行動領域固有アイテム選択確率算出部９の結果Ｐ（i│z, Ru）を用いて、

によりーザ履歴固有アイテム選択確率を求め（ステップ２０４）、ｚ＋１としてステップ２０３に戻る（ステップ２０５）。

出力部１２は、ユーザ履歴固有アイテム選択確率算出部１１の結果に基づき、検索部４で指定されたユーザが選択する確率値の高い順にアイテムを出力する。ここで、出力とは、ディスプレイへの表示、プリンタへの印字、音出力、外部装置への送信等を含む概念である。出力部１２は、ディスプレイやスピーカ等の出力デバイスを含むと考えても含まないと考えてもよい。出力部１２は、出力デバイスのドライバソフトまたは、出力デバイスのドライバソフトと出力デバイス等で実現され得る。

以下、具体的な例を用いて実施の形態の処理について説明する。図４に本発明の実施の形態における履歴情報記憶装置１に格納されている情報の一例を示す。例えば、図４に格納された情報から、動作主IDがU1とU2の動作主の履歴情報は以下のようになる。

図５に本発明の第１の実施の形態におけるアイテム情報記憶装置２に格納されているアイテム情報の一例を示す。動作主IDがU1とU2の動作主の行動領域は以下のようになる。

また、アイテム情報記憶装置２は、ジャンルの上位・下位概念を示すツリーも保持する。図６に、本発明の第１の実施の形態におけるアイテム情報記憶装置に格納されているアイテム情報に関するツリーの一例を示す。図６左の情報から図６右のツリーが復元可能である。図６右中の、丸がアイテム、四角がジャンルを表現している。前記、dist関数は、このツリーに基づいて、与えられた２つのジャンルの距離を計算する関数である。この距離は典型的には、グラフ内における2ノード間の最短経路における辺数である。例えば、図６の例において、カメラジャンルから各ジャンルへの距離は
dist(カメラ,家電)=1,
dist(カメラ,テレビ)=2,
dist(カメラ,商品)=2,
dist(カメラ,時計・アクセサリー)=3,
dist(カメラ,時計)=4
となる。また、この方法に限らず、近い概念の２ジャンルが与えられたら小さい値を、遠い概念の２ジャンルが与えられたら大きな値を返す関数であれば何でもよい。

図７に本発明の第１の実施の形態における基本的な動作の一例を示す。図中の座標空間において、ある動作主が過去に選択したアイテムの図形は塗りつぶし図形で、未選択のアイテムは塗りつぶしなし図形で示してある。この２次元距離空間においては、前記dist関数が返すアイテム間距離に基づいて、近いアイテム同士を近くに配置したとする。また、全潜在トピック数は３であるとし、それぞれのトピックに含まれやすいアイテムをそれぞれ丸、四角、三角で示してある。厳密には、本装置１０により、潜在トピック固有のアイテム出現確率を算出できるため、各アイテムは複数の潜在トピックから同程度に支持される可能性もあるが、説明の簡略化のため、各アイテムはいずれかの潜在トピックに含まれるとして説明を進める。また、図形内の数値はアイテムIDである。つまり、動作主はアイテム１から３を過去に選択したことがある。また検索部４で指定された履歴情報としてアイテム１からアイテム３が指定されたとする。本装置１０は、式（４）により、過去に選択したアイテムから近いアイテムほど高いスコアを与える。つまり、図７においては、過去に選択したアイテムの周辺に選択する（点線で囲まれた領域にある）アイテム４、５、７、８、９、１０、１１のスコアが高くなる。また、本装置においては、動作主が支持する潜在トピックに含まれるアイテムほどスコアが高くなる。つまり、図７においては、丸で示してあるアイテム７、８、９、１４のスコアが高くなる。最終的に、その２つの要素を加味して推薦するアイテムが決定する。図７の例においては、過去に選択したアイテムに（既知の概念体系上において）概念的に近く、かつ、潜在トピックも近いアイテム７、８、９の値が高くなる。本例における検索部４、及び出力部１２の例を図８に示す。なお、検索部４で指定された行動履歴情報として、アイテム１からアイテム３以外のアイテム０を指定すると、本装置１０は、現在興味を持っているアイテム０に概念的に近く、かつ、アイテム１から３を選択したことがあるという事実から推定した動作主の潜在トピック（図７中の丸図）に含まれるアイテムを推薦することができる。

［第２の実施の形態］
以下、本装置の第２の形態について図面を参照して説明する。

図９は、本発明の第２の実施の形態におけるアイテム推薦装置のブロック図を示す。図１と同一構成要素には同一符号を付し、その説明を省略する。

同図に示すアイテム推薦装置２０は、操作部３、検索部４、潜在変数推定部６、ユーザ固有トピック出現確率記憶部７、トピック固有アイテム選択確率記憶部８、出力部１２、ユーザ履歴固有アイテム選択確率算出部２１から構成されている。このうち、操作部３、潜在変数推定部６は、外部の履歴情報記憶装置１、及び、アイテム情報記憶装置２と接続されている。

検索部４は、履歴情報記憶装置１に格納されている動作主ｕ∈Ｕを一意に識別するＩＤ等の推薦対象動作主に関する情報と、潜在変数推定部６で用いる各種パラメータを受け付ける。なお、一方、動作主を特定する情報の代わりに、行動履歴情報そのものを受け付けることもできる。その場合、履歴情報記憶装置１に格納されたデータの中で、受け付けた履歴と最も類似性が高い動作主ｕ∈Ｕが指定されたものとする。類似性を測る指標としては、例えば、コサイン尺度や内積があるが、何を用いても良い。なお、検索部４の入力手段は、キーボードやマウスやメニュー画面やタッチパネルによるもの等、何でもよい。検索部４は、マウス等の入力手段のデバイスドライバや、メニュー画面の制御ソフトウェアで実現され得る。

ユーザ履歴固有アイテム選択確率算出部２１は、ユーザ固有トピック出現確率記憶部7に格納された動作主uが潜在トピックzに興味を持つ確率値であるθ_uzと、トピック固有アイテム選択確率記憶部８に格納された潜在トピックzからアイテムiが選択される確率φ_ziに基づき、検索部４で指定された動作主uがアイテムiに選択する確率値を計算する。第２の実施の形態においては、動作主uが選択する各アイテムは、ユーザ固有のトピック比率に従ってあるトピックを選択した後、そのトピックに固有のアイテム出現確率分布に従って生成されると仮定して、式（１０）でP(i|u)を算出する。

式（１０）により、動作主に関する既知のメタ情報から導かれる動作主の行動領域Ruとの近さではなく、純粋な興味トピックのみに基づくアイテム推薦が可能となる。

以下、具体的な例を用いて実施の形態の処理について説明する。
ここでは図７とまったく同様の状況で本実施の形態に基づく推薦を行う場合を考える。
式（１０）は、既知のメタ情報から導かれる動作主の行動領域Ruとの近さを考慮しない。つまり、ユーザが過去に選択したアイテム１から３が丸で示される潜在トピックに含まれるという情報のみから、丸で示される潜在トピックに含まれる他のアイテム７，８，９，１４を推薦する。これらのアイテムが推薦される順位は、潜在トピック固有のアイテム出現確率に依存し、例えば、図７で丸で示されるトピック固有のアイテム出現確率がアイテム８＞９＞７＞１４であれば、８、９、７、１４の順で推薦が行われる。

本実施の形態における検索部、及び出力部の例は図８と同様であるが、ユーザIDと履歴情報のいずれか一方を指定する点が第１の実施形態とは異なる。

つまり、第２の実施の形態により、アイテムのジャンル情報などの既知のメタ情報以外の、未知の特徴を扱う潜在トピックを推定し、その潜在トピックに対する動作主の興味に基づき、アイテムの推薦が可能となる。

第２の実施の形態においては、アイテムのジャンルに依存しない動作主の興味に基づくアイテムの推薦が可能なため、一度も購入したことのないジャンルのアイテムを選択（購入）する際にも、潜在的な興味に基づいた推薦が可能となる。

なお、本発明は、上記の第１の実施の形態の図１及び第２の実施の形態の図１０に示すアイテム推薦装置の構成要素の動作をプログラムとして構築し、アイテム推薦装置として利用されるコンピュータにインストールして実行させる、または、ネットワークを介して流通させることが可能である。

本発明は、上記の実施の形態に限定されることなく、特許請求の範囲内において種々変更・応用が可能である。

１行動履歴情報記憶装置
２アイテム情報記憶装置
３操作部
４検索部
５アイテム選択確率算出部
６潜在変数推定部
７ユーザ固有トピック出現確率記憶部
８トピック固有アイテム選択確率記憶部
９トピック・行動領域固有アイテム選択確率算出部
１０、２０アイテム推薦装置
１１ユーザ履歴固有アイテム選択確率算出部
１２出力部
２１ユーザ履歴固有アイテム選択確率算出部

Claims

複数人の行動履歴に基づいて動作主が次に各アイテムを選択する確率を算出するためのアイテム推薦装置であって、
前記複数人の行動履歴が「動作主が選択するアイテムは、動作主固有のトピック比率に従って、既知のメタ情報では把握しきれていないアイテムの潜在的な特徴を表すある潜在トピックを選択した後、その潜在トピック、及び、既知のメタ情報から導かれる動作主の行動領域に固有のアイテム出現確率分布に従って生成した」という仮定のもと、該既知のメタ情報では把握しきれていないアイテムの潜在的な特徴を表す潜在トピックを動作主が選択する確率であるユーザ固有トピック出現確率と、既知のメタ情報では把握しきれていないアイテムの潜在的な特徴を表す潜在トピックからのアイテムの選択されやすさを示すトピック固有アイテム選択確率を、最尤法を用いて学習し、学習後のユーザ固有トピック出現確率をユーザ固有トピック出現確率記憶手段に、トピック固有アイテム選択確率をトピック固有アイテム選択確率記憶手段に格納する潜在変数推定手段と、
外部から入力された、または、前記複数人の行動履歴から取得したある特定行動履歴に関して、
前記トピック固有アイテム選択確率記憶手段から取得した前記トピック固有アイテム選択確率に基づいて、前記既知のメタ情報では把握しきれていないアイテムの特徴を表す潜在トピックからの選択されやすさを示す該トピック固有アイテム選択確率が高いアイテムほど、また、前記特定行動履歴に含まれる各アイテムから、“既知のメタ情報に基づく距離”が近いアイテムほど、選択確率が高くなるトピック・行動領域固有アイテム選択確率を算出するトピック・行動領域固有アイテム選択確率算出手段と、
を備えることを特徴とするアイテム推薦装置。
外部から入力された、または、前記複数人の行動履歴から特定したある特定動作主に関して、
前記ユーザ固有トピック出現確率記憶手段から取得した、前記特定動作主が、既知のメタ情報では把握しきれていないアイテムの特徴を表す潜在トピックを支持する確率である前記ユーザ固有トピック出現確率と、前記トピック・行動領域固有アイテム選択確率算出手段で算出した前記トピック・行動領域固有アイテム選択確率との二項演算で、前記特定動作主があるアイテムを選択する確率を求めるユーザ履歴固有アイテム選択確率算出手段
を更に有する請求項１記載のアイテム推薦装置。
複数人の行動履歴に基づいて動作主が次に各アイテムを選択する確率を算出するためのアイテム推薦方法であって、
行動履歴情報を格納した行動履歴情報記憶装置及びアイテムの識別子及び既知のメタ情報を含むアイテム情報を格納したアイテム情報記憶装置と接続されるアイテム推薦装置において、
潜在変数推定手段が、前記行動履歴記憶装置から取得する前記複数人の行動履歴が「動作主が訪れるアイテムは、動作主固有のトピック比率に従って既知のメタ情報では把握しきれていないアイテムの特徴を表すある潜在トピックを選択した後、その潜在トピック、及び、既知のメタ情報から導かれる動作主の行動領域に固有のアイテム出現確率分布に従って生成した」という仮定のもと、該既知のメタ情報では把握しきれていないアイテムの特徴を表す潜在トピックを動作主が選択する確率であるユーザ固有トピック出現確率と、既知のメタ情報では把握しきれていないアイテムの特徴を表す潜在トピックからのアイテムの選択されやすさを示すトピック固有アイテム選択確率を、前記行動履歴記憶装置から取得した複数人の行動履歴を学習データとし、最尤法を用いて学習し、該ユーザ固有トピック出現確率をユーザ固有トピック出現確率記憶手段に、該トピック固有アイテム選択確率をトピック固有アイテム選択確率記憶手段に格納する潜在変数推定ステップと、
トピック・行動領域固有アイテム選択確率算出手段が、外部から入力された、または、前記複数人の行動履歴から取得したある特定行動履歴に関して、
前記トピック固有アイテム選択確率記憶手段から取得した前記トピック固有アイテム選択確率に基づいて、前記既知のメタ情報では把握しきれていないアイテムの特徴を表す潜在トピックからの選択されやすさを示す該トピック固有アイテム選択確率が高いアイテムほど、また、前記特定行動履歴に含まれる各アイテムから、“既知のメタ情報に基づく距離”が近いアイテムほど、選択確率が高くなるトピック・行動領域固有アイテム選択確率を算出するトピック・行動領域固有アイテム選択確率算出ステップと、
を行うことを特徴とするアイテム推薦方法。
ユーザ履歴固有アイテム選択確率算出手段が、
外部から入力された、または、前記複数人の行動履歴から特定したある特定動作主に関して、
前記ユーザ固有トピック出現確率記憶手段から取得した、前記特定動作主が既知のメタ情報では把握しきれていないアイテムの特徴を表す潜在トピックを支持する確率である前記ユーザ固有トピック出現確率と、前記トピック・行動領域固有アイテム選択確率算出ステップで算出した前記トピック・行動領域固有アイテム選択確率との二項演算で前記特定動作主があるアイテムを選択する確率を求めるユーザ履歴固有アイテム選択確率算出ステップを更に行う
請求項３記載のアイテム推薦方法。
請求項１または２に記載のアイテム推薦装置を構成する各手段としてコンピュータを機能させるためのアイテム推薦プログラム。