JP5632506B1 - 情報推薦装置、情報推薦方法及び情報推薦プログラム - Google Patents
情報推薦装置、情報推薦方法及び情報推薦プログラム Download PDFInfo
- Publication number
- JP5632506B1 JP5632506B1 JP2013105967A JP2013105967A JP5632506B1 JP 5632506 B1 JP5632506 B1 JP 5632506B1 JP 2013105967 A JP2013105967 A JP 2013105967A JP 2013105967 A JP2013105967 A JP 2013105967A JP 5632506 B1 JP5632506 B1 JP 5632506B1
- Authority
- JP
- Japan
- Prior art keywords
- item
- user
- information recommendation
- transition matrix
- combination
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【課題】利用シーンに応じたアイテムを精度よく推薦すること。【解決手段】ユーザIDとアイテムIDとメタデータIDとドメインIDと評価値とを対応付けた履歴データを記憶しておき、その評価値を用いて、異なるドメイン間でユーザIDとアイテムIDとメタデータIDとを任意に組み合わせた複数の部分行列を生成し、各組み合わせの重視度に応じた重みを各部分行列に与えて結合した遷移行列を生成し、その遷移行列を用いて推薦アイテムを求める。【選択図】図1
Description
本発明は、アイテムを推薦する技術に関する。
従来から、過去に利用したサービスコンテンツアイテム(以下、アイテム)の利用履歴を蓄積しておき、それに含まれるユーザ情報とアイテム情報に基づきユーザが興味を持つアイテムを推薦する技術がある。
特許文献1では、そのような利用履歴以外にアイテムに関するメタデータ情報を更に利用し、それら3つの情報をノードとするグラフを構築してグラフマイニング手法を適用することにより、利用履歴が少ない状況や存在しない状況でもアイテムを推薦できるようにしている。
また、非特許文献1では、利用履歴の各情報からグラフを構築する際に、アイテムを提供しているドメイン情報を考慮することにより、既に利用しているドメイン情報に基づき異なるドメインのアイテムを推薦できるようにしている。
堤田、外4名、"アクセスログを用いたクロスドメイン環境における情報推薦"、情報処理学会研究報告、Vol.2012-DBS-154 No.4、Vol.2012-IFAT-107 No4、2012年8月1日
しかしながら、上記特許文献1の技術は、ユーザ情報とアイテム情報とメタデータ情報のみを用いてアイテムを推薦するため、例えば、ウェブポータルサイトや複数のジャンルを扱ったECサイト等、複数のドメインに跨って利用履歴が存在する場合、アイテムの推薦精度が低下してしまう。
また、上記非特許文献1の技術は、ユーザ情報とアイテム情報とドメイン情報のみを用いてアイテムを推薦するため、利用履歴が少ないドメインや存在しないドメインの場合、アイテムの推薦精度が低下し又は推薦できなかった。
さらに、上記特許文献1と上記非特許文献1に共通する課題として、利用履歴(ユーザ情報とアイテム情報)、メタデータ情報、ドメイン情報を用いる度合いを制御できなかった。
本発明は、上記事情を鑑みてなされたものであり、利用シーンに応じたアイテムを精度よく推薦することを目的とする。
請求項1に記載の情報推薦装置は、アイテムを利用したユーザのIDと、前記ユーザにより利用されたアイテムのIDと、前記アイテムに関するメタデータのIDと、前記アイテムを提供しているドメインのIDと、前記アイテムに対する評価値とを対応付けた履歴データを記憶しておく記憶手段と、前記記憶手段から前記履歴データを取得し、前記評価値を用いて演算することにより、異なるドメイン間でユーザIDとアイテムIDとメタデータIDとを任意に組み合わせた複数の部分行列を生成し、各組み合わせの重視度に応じた重みを各部分行列に与えて結合した遷移行列を生成する生成手段と、前記遷移行列とアイテムの推薦を受けるユーザのユーザIDを用いて、RWR(Random Walk with Restart)のアルゴリズムを適用することにより推薦アイテムを求める予測処理手段と、を有することを要旨とする。
本発明によれば、ユーザIDとアイテムIDとメタデータIDとドメインIDと評価値とを対応付けた履歴データを記憶しておき、その評価値を用いて、異なるドメイン間でユーザIDとアイテムIDとメタデータIDとを任意に組み合わせた複数の部分行列を生成し、各組み合わせの重視度に応じた重みを各部分行列に与えて結合した遷移行列を生成し、その遷移行列を用いて推薦アイテムを求めるため、利用シーンに応じたアイテムを精度よく推薦できる。
請求項2に記載の情報推薦装置は、請求項1に記載の情報推薦装置において、前記生成手段は、前記結合により得られた部分行列に対して、ドメインの組み合わせの重視度に応じた重みを与えることにより、前記遷移行列を生成することを要旨とする。
本発明によれば、上記結合により得られた部分行列に対して、ドメインの組み合わせの重視度に応じた重みを与えることにより、上記遷移行列を生成するため、より多くの利用シーンに応じたアイテムを精度よく推薦できる。
請求項3に記載の情報推薦方法は、コンピュータにより、アイテムを利用したユーザのIDと、前記ユーザにより利用されたアイテムのIDと、前記アイテムに関するメタデータのIDと、前記アイテムを提供しているドメインのIDと、前記アイテムに対する評価値とを対応付けた履歴データを記憶手段に記憶しておく記憶ステップと、前記記憶手段から前記履歴データを取得し、前記評価値を用いて演算することにより、異なるドメイン間でユーザIDとアイテムIDとメタデータIDとを任意に組み合わせた複数の部分行列を生成し、各組み合わせの重視度に応じた重みを各部分行列に与えて結合した遷移行列を生成する生成ステップと、前記遷移行列とアイテムの推薦を受けるユーザのユーザIDを用いて、RWR(Random Walk with Restart)のアルゴリズムを適用することにより推薦アイテムを求める予測処理ステップと、を有することを要旨とする。
本発明によれば、ユーザIDとアイテムIDとメタデータIDとドメインIDと評価値とを対応付けた履歴データを記憶しておき、その評価値を用いて、異なるドメイン間でユーザIDとアイテムIDとメタデータIDとを任意に組み合わせた複数の部分行列を生成し、各組み合わせの重視度に応じた重みを各部分行列に与えて結合した遷移行列を生成し、その遷移行列を用いて推薦アイテムを求めるため、利用シーンに応じたアイテムを精度よく推薦できる。
請求項4に記載の情報推薦方法は、請求項3に記載の情報推薦方法において、前記生成ステップは、前記結合により得られた部分行列に対して、ドメインの組み合わせの重視度に応じた重みを与えることにより、前記遷移行列を生成することを要旨とする。
本発明によれば、上記結合により得られた部分行列に対して、ドメインの組み合わせの重視度に応じた重みを与えることにより、上記遷移行列を生成するため、より多くの利用シーンに応じたアイテムを精度よく推薦できる。
請求項5に記載の情報推薦プログラムは、請求項3又は4に記載の情報推薦方法をコンピュータに実行させることを要旨とする。
本発明によれば、利用シーンに応じたアイテムを精度よく推薦できる。
本発明は、従来の利用履歴(ユーザ情報とアイテム情報)以外に、メタデータ情報とドメイン情報の両方を更に用いてアイテムを推薦することにより、利用履歴が少ない場合や存在しない場合、複数のドメインに跨って利用履歴が存在する場合であっても、アイテムを精度よく推薦するようにしている。
また、本発明は、ユーザ・アイテム・メタデータ相互間やドメイン間に重みを与えることにより、様々な利用シーンに適合したアイテムを推薦するようにしている。重みを適切に与えることで、利用シーンに最適なアイテムを精度よく推薦することが可能となる。
以下、本発明を実施する一実施の形態について図面を用いて説明する。但し、本発明は多くの異なる様態で実施することが可能であり、本実施の形態の記載内容に限定して解釈すべきではない。
図1は、本実施の形態に係る情報推薦装置1の機能ブロック構成を示す図である。この情報推薦装置1は、電子的又は物理的なアイテムを推薦する装置であり、被推薦ユーザID取得部11と、アイテム履歴DB12と、遷移行列構築部13と、推薦アイテム予測処理部14と、アイテム提示部15とで構成される。
図2は、アイテム履歴DB12に記憶されている履歴テーブルのイメージを示す図である。この履歴テーブルには、ユーザが過去に利用したアイテムの利用履歴や、そのアイテムに関する情報が記憶されている。アイテムの利用時にユーザが直接入力しても構わないし、コンピュータ上のアイテムを利用した際には、そのコンピュータが自動で入力しても構わない。
具体的には、アイテムを利用したユーザを識別するユーザIDと、そのユーザにより利用されたアイテムを識別するアイテムIDと、そのアイテムに関するメタデータを識別するメタデータIDと、そのアイテムを提供しているドメインを識別するドメインIDと、そのアイテムに対して付与された評価値とが対応付けて参照可能に蓄積されている。
なお、ここでいう利用とは、ウェブサーバ上に掲載されたアイテムにアクセスすることや、通信ネットワークを介してアイテムを購入すること、近所のスーパーでアイテムを購入すること等である。
また、アイテムとは、1つ以上のドメインで提供されている様々なジャンルのサービスコンテンツである。例えば、コンピュータを介して提供されるコンテンツ情報やソフトウェアプログラム、スーパー等で販売されている各種販売品等である。
メタデータとは、アイテムに付随する付加的な情報であり、メタデータを用いることにより、アイテムの性質を的確に反映した検索が可能となる。例えば、アイテムがアプリケーションプログラムの場合、その説明文自体やそれに含まれる特徴的なキーワード、プログラムの名称等である。また、アイテムが商品の固有名の場合、アイスクリーム等のカテゴリー名等である。
ドメインとは、通信網上のコンピュータやネットワーク、物理的な販売店等を識別する管理単位である。例えば、アイテムがコンピュータ上のデータの場合、URL等である。また、アイテムが店頭販売品の場合、スーパー、コンビニ、百貨店等の販売元、東京、神奈川等の地域名等である。
次に、図3を参照しながら、上記情報推薦装置1で行う被推薦ユーザに対する推薦アイテムの提示処理について説明する。
ステップS101)まず、被推薦ユーザID取得部11が、被推薦ユーザ等によって入力された被推薦ユーザIDを取得し、推薦アイテム予測処理部14に出力する。
ステップS102)次に、遷移行列構築部13が、アイテム履歴DB12から履歴テーブル内のユーザIDとアイテムIDとメタデータIDとドメインIDと評価値とを取得して、後述する処理により遷移行列を構築する。
ステップS103)次に、推薦アイテム予測処理部14が、被推薦ユーザID取得部11から被推薦ユーザIDを取得し、遷移行列構築部13から遷移行列を取得して、それら2つの情報を用いて推薦アイテムを決定する。
ステップS104)最後に、アイテム提示部15が、推薦アイテム予測処理部14から出力された推薦アイテムを被推薦ユーザに提示する。
続いて、図4を参照しながら、遷移行列構築部13で行う遷移行列の構築処理について説明する。
ステップS201)まず、アイテム履歴DB12から、ドメインID毎に、ユーザIDとアイテムIDとメタデータIDとドメインIDと評価値とを取得する。
例えば、ドメインxについて取得する場合、履歴テーブル内においてドメインIDがxである行を全て取得し、その行に含まれるユーザIDの集合をユーザ集合U’x、アイテムIDの集合をアイテム集合I’x、メタデータIDの集合をメタデータ集合M’xとする。
ステップS202)次に、評価値を用いて、2つのドメイン間でユーザ集合U’とアイテム集合I’とメタデータ集合M’とを任意に組み合わせた部分行列D’’を構築し、列の値の合計が1になるように正規化処理を行う。
例えば、ドメインxのユーザ集合U’xとドメインyのアイテム集合I’yを組み合わせ、図5に示すような部分行列D’’(U’xI’y)を構築する。そして、以下の式(1)を用いて正規化処理を行い、正規化後の部分行列D’’(UxIy)を得る。
なお、j、kは、J行K列の部分行列D’’の要素を表す添え字である。また、評価値が無い場合には、任意の固定値(例えば、1)を用いて計算する。
ステップS203)次に、ステップS202で得られた各部分行列D’’に対して定数倍の重み付け処理をそれぞれ行い、それらを結合することにより、上記2つのドメイン間での部分行列D’を構築する。
例えば、正規化後の部分行列D’’(UxIy)に対する重みをwu,i x,yと表すと、ユーザIDとアイテムIDとメタデータIDとの各インデックスが排他的であることを利用して、以下の式(2)のように結合し、部分行列D’x,yを得る。
なお、重み付け処理は、部分行列D’’毎に異なる値を可変可能に設定可能であり、部分行列D’’でのペア組み合わせの重要度や重視度に応じて適宜設定される。より重視したい組み合わせに重みを与えることにより、利用シーンに応じたアイテムを推薦できる。例えば、利用履歴(ユーザ情報やアイテム情報)の量や質が充分であればユーザIDとアイテムIDの組み合わせを重視し、それが充分でなければアイテムIDとメタデータIDの組み合わせを重視する、といった制御が可能となる。
なお、ここでのj、kは、J行K列の部分行列D’の要素を表す添え字である。また、ステップS202〜ステップS204は全てのドメインの組み合わせについて実行され、正規化後の部分行列Dはドメインの組み合わせ毎に構築される。
なお、n、mは、ドメインを表す添え字であり、wd n,mは、ドメインnとドメインmの組み合わせに対して与えられる定数倍の重みを表す。また、ここでの重み付け処理は、ドメインの組み合わせの重要度や重視度に応じて適宜設定される。
なお、ここでのj、kは、J行K列の行列A’の要素を表す添え字である。
ステップS207)その後、ステップS206で正規化処理された遷移行列A(図6参照)を推薦アイテム予測処理部14に出力して、本フローを終了する。
最後に、推薦アイテム予測処理部14で行う推薦アイテムの決定処理について説明する。推薦アイテム予測処理部14は、遷移行列Aで表現されるグラフ構造に対してRWR(Random Walk with Restart)を適用することにより、推薦アイテムを決定する。
RWRは、グラフ上の起点となる起点ノードとそれ以外の非起点ノードとの間の関連度を計算するアルゴリズムであり、再帰的な計算過程においてリスタートパラメータと呼ばれる一定の確率αに従って起点ノードに値を付与して計算する(特許文献1、非特許文献1参照)。
具体的には、被推薦ユーザIDに対応する遷移行列Aの要素を起点ノードとし、それ以外の各要素(アイテムID、被推薦ユーザ以外のユーザID、又はメタデータIDに対応する要素)を非起点ノードとし、要素内の値を用いて、以下の式(6)を収束するまで再帰的に計算することにより、起点ノードと非起点ノードとの間の関連度をそれぞれ計算する。
なお、α(0<α<1)は、起点ノードに戻る確率である。pは、アイテムIDや被推薦ユーザ以外のユーザIDやメタデータIDに対応する各要素との関連度を格納した列ベクトルである。qは、被推薦ユーザを表す起点ノードのみが1であり、それ以外が0である列ベクトルである。
式(6)の列ベクトルpを計算して再帰的に複数回(例えば、30回)更新し、更新後の列ベクトルpからアイテムを表すノードについて最も関連度の高いものを推薦アイテムのアイテムIDとし、そのアイテムIDや、当該アイテムIDのアイテムを当該アイテムのドメインから取得したアイテムを推薦アイテムとしてアイテム提示部15に出力する。
なお、列ベクトルqを、アイテムを表すノードのみを1とする列ベクトルに変更すると、式(6)より、被推薦アイテムと関連の強いアイテムを提示可能となる。同様に、列ベクトルqを、メタデータを表すノードのみを1とする列ベクトルに変更すると、メタデータとの関連の強いアイテムを提示可能となる。また、式(6)の列ベクトルp,qに含まれる値を適宜調整することにより、ユーザに対して、お薦めのユーザを提示することや、メタデータのみを提示可能となる。
以上より、本実施の形態によれば、推薦アイテムを求める際に用いる遷移行列Aをメタデータを考慮して生成するので、利用履歴が少ない場合や存在しない場合であっても、アイテムの推薦精度の向上が期待できる。
また、本実施の形態によれば、ドメインを考慮して遷移行列Aを生成するので、複数のドメインに跨って利用履歴が存在する場合であっても、アイテムの推薦精度の低下を抑制できる。また、利用履歴が十分にあるドメイン間や3つ以上のドメイン間に対しても高い推薦精度を実現可能となることから、推薦対象のサービスが増加し、より可用性の高い情報推薦装置1を実現できる。
また、本実施の形態によれば、異なるドメイン間でユーザIDとアイテムIDとメタデータIDとを任意に組み合わせた複数の部分行列D’’を構築し、各組み合わせの重視度に応じた重みwu〜m,u〜mを各部分行列D’’に与えて結合し、その結合により得られた部分行列Dに対して、ドメインの組み合わせの重視度に応じた重みwdを与えることで遷移行列Aを構築するので、ドメインの重視度や利用履歴の量、更にはメタデータの質等に応じた様々な利用シーンに適合するアイテムを推薦できる。
最後に、本実施の形態で説明した情報推薦装置1は、コンピュータにより実現可能である。また、この情報推薦装置1の構成要素の各動作をプログラムとして構築し、情報推薦装置1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ことや、通信ネットワークを介して流通させることが可能である。
なお、本実施の形態では、アイテム履歴DB12内の履歴テーブルとして1つのテーブルを用いた場合について説明したが、複数のテーブルから構成されていても構わない。例えば、アイテムIDを格納したテーブルとメタデータIDを格納したテーブルを個別に参照できるような形式でデータベースを構築しても構わない。
また、アイテム履歴DB12内の各列が存在しないサービスに適用される場合は、図6の遷移行列が構築可能であって、かつ、図3のステップS103で説明した推薦アイテムの予測計算が可能な限り、行や列の一部はなくても構わない。例えば、メタデータが存在しないサービスに適用される場合は、メタデータIDのデータ自体やその列自体(又は行自体)はなくても構わない。また、ドメインIDが与えられない場合は、全てに同一のIDが与えられているものとして扱う。
また、本実施の形態では、アイテム履歴DB12が情報推薦装置1に含まれる場合について説明したが、情報推薦装置1の外部に接続されていても構わない。そして、推薦アイテム予測処理部14の計算等の一部がバッチ処理的に行われる場合、推薦アイテムは外部のDBに一旦格納され、必要に応じて呼び出してアイテム提示部15へ渡す形式で実現しても構わない。
1…情報推薦装置
11…被推薦ユーザID取得部
12…アイテム履歴データベース
13…遷移行列構築部
14…推薦アイテム予測処理部
15…アイテム提示部
S101〜S104、S201〜S207…ステップ
11…被推薦ユーザID取得部
12…アイテム履歴データベース
13…遷移行列構築部
14…推薦アイテム予測処理部
15…アイテム提示部
S101〜S104、S201〜S207…ステップ
Claims (5)
- アイテムを利用したユーザのIDと、前記ユーザにより利用されたアイテムのIDと、前記アイテムに関するメタデータのIDと、前記アイテムを提供しているドメインのIDと、前記アイテムに対する評価値とを対応付けた履歴データを記憶しておく記憶手段と、
前記記憶手段から前記履歴データを取得し、前記評価値を用いて演算することにより、異なるドメイン間でユーザIDとアイテムIDとメタデータIDとを任意に組み合わせた複数の部分行列を生成し、各組み合わせの重視度に応じた重みを各部分行列に与えて結合した遷移行列を生成する生成手段と、
前記遷移行列とアイテムの推薦を受けるユーザのユーザIDを用いて、RWR(Random Walk with Restart)のアルゴリズムを適用することにより推薦アイテムを求める予測処理手段と、
を有することを特徴とする情報推薦装置。 - 前記生成手段は、
前記結合により得られた部分行列に対して、ドメインの組み合わせの重視度に応じた重みを与えることにより、前記遷移行列を生成することを特徴とする請求項1に記載の情報推薦装置。 - コンピュータにより、
アイテムを利用したユーザのIDと、前記ユーザにより利用されたアイテムのIDと、前記アイテムに関するメタデータのIDと、前記アイテムを提供しているドメインのIDと、前記アイテムに対する評価値とを対応付けた履歴データを記憶手段に記憶しておく記憶ステップと、
前記記憶手段から前記履歴データを取得し、前記評価値を用いて演算することにより、異なるドメイン間でユーザIDとアイテムIDとメタデータIDとを任意に組み合わせた複数の部分行列を生成し、各組み合わせの重視度に応じた重みを各部分行列に与えて結合した遷移行列を生成する生成ステップと、
前記遷移行列とアイテムの推薦を受けるユーザのユーザIDを用いて、RWR(Random Walk with Restart)のアルゴリズムを適用することにより推薦アイテムを求める予測処理ステップと、
を有することを特徴とする情報推薦方法。 - 前記生成ステップは、
前記結合により得られた部分行列に対して、ドメインの組み合わせの重視度に応じた重みを与えることにより、前記遷移行列を生成することを特徴とする請求項3に記載の情報推薦方法。 - 請求項3又は4に記載の情報推薦方法をコンピュータに実行させることを特徴とする情報推薦プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013105967A JP5632506B1 (ja) | 2013-05-20 | 2013-05-20 | 情報推薦装置、情報推薦方法及び情報推薦プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013105967A JP5632506B1 (ja) | 2013-05-20 | 2013-05-20 | 情報推薦装置、情報推薦方法及び情報推薦プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP5632506B1 true JP5632506B1 (ja) | 2014-11-26 |
JP2014228922A JP2014228922A (ja) | 2014-12-08 |
Family
ID=52128744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013105967A Active JP5632506B1 (ja) | 2013-05-20 | 2013-05-20 | 情報推薦装置、情報推薦方法及び情報推薦プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5632506B1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734104B (zh) * | 2021-01-06 | 2022-07-19 | 河北工业大学 | 一种融合生成对抗网络和自编码器的跨域推荐方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5467062B2 (ja) * | 2011-01-17 | 2014-04-09 | 日本電信電話株式会社 | 情報推薦装置及び方法及びプログラム |
JP5528388B2 (ja) * | 2011-04-11 | 2014-06-25 | 日本電信電話株式会社 | 情報推薦装置及び方法及びプログラム |
-
2013
- 2013-05-20 JP JP2013105967A patent/JP5632506B1/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2014228922A (ja) | 2014-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9589025B2 (en) | Correlated information recommendation | |
CA3007853C (en) | End-to-end deep collaborative filtering | |
US9691035B1 (en) | Real-time updates to item recommendation models based on matrix factorization | |
US9633311B2 (en) | Decision tree learning | |
JP5662299B2 (ja) | 情報推薦装置及び方法及び装置及びプログラム | |
US20130218907A1 (en) | Recommender system | |
US9043397B1 (en) | Suggestions from a messaging platform | |
JP2018156429A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
US20210192549A1 (en) | Generating analytics tools using a personalized market share | |
JP6077984B2 (ja) | アイテム推薦装置、アイテム推薦方法、およびアイテム推薦プログラム | |
JP6312913B1 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
RU2643434C2 (ru) | Способ предоставления пользователю сообщения посредством вычислительного устройства и машиночитаемый носитель информации | |
KR101334096B1 (ko) | 높은 연관성을 가지는 아이템을 추천하는 아이템 기반의 추천 엔진 | |
JP6692739B2 (ja) | 抽出装置、抽出方法及び抽出プログラム | |
JP5632506B1 (ja) | 情報推薦装置、情報推薦方法及び情報推薦プログラム | |
US20170109444A1 (en) | Personalized Recommendations Using Localized Regularization | |
JP2014115911A (ja) | 情報推薦装置、情報推薦方法、及び情報推薦プログラム | |
JP6679415B2 (ja) | 選択装置、選択方法および選択プログラム | |
US20150170035A1 (en) | Real time personalization and categorization of entities | |
JP5938006B2 (ja) | アイテム推薦装置、アイテム推薦方法、およびアイテム推薦プログラム | |
JP6173586B2 (ja) | ユーザの検索行為に基づいてデータマイニングを行う方法及び装置 | |
JP2017004493A (ja) | データ分析方法、データ分析装置およびプログラム | |
CN113221016A (zh) | 资源推荐方法、装置、计算机设备及介质 | |
JP5613699B2 (ja) | 商品推薦装置及び方法及びプログラム | |
Costa‐Montenegro et al. | In‐memory distributed software solution to improve the performance of recommender systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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: 20141007 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20141009 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5632506 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |