JP5858874B2 - アイテムのレコメンドに有用なユーザの利用履歴情報を取得することができるレコメンドプログラム、装置及び方法 - Google Patents

Description

本発明は、ユーザの嗜好に合ったアイテムを推薦するレコメンドサービスの技術に関する。

図１は、従来技術におけるＥＣサイトサーバを含むシステム構成図である。

図１によれば、ＥＣサイトサーバ３が、インターネットに接続されている。「ＥＣサイトサーバ」は、アイテムをユーザに販売するサイトであって、具体的には例えばスマートフォンへアプリケーションをダウンロードさせるサイトであってもよい。ここで、「ユーザ」とは、アイテムを購入・閲覧等の嗜好に基づく選択行動を行う主体をいう。また、「アイテム」とは、商品・役務であって、例えば家電等の商品や電子図書等のコンテンツ、ウェブページやテレビ等の視聴コンテンツも含むものとする。ＥＣサイトには、アイテムの購入完了ページに、ウェブビーコンが埋め込まれている。そして、ユーザがアイテムを購入した際に表示される購入完了ページの表示履歴が、購入履歴としてデータベースに蓄積される。

また、図１によれば、インターネットに、レコメンド装置１が備えられる場合も想定できる。従来、ユーザの暗黙的な利用履歴情報を用いて、当該ユーザの嗜好に基づくアイテムを推薦するレコメンドサービスの技術がある。利用履歴情報としては、例えば、当該ユーザにおけるアイテムの購入履歴や利用閲覧履歴がある。推薦すべきアイテムを推定するアルゴリズムとして、代表的には「協調フィルタリング(Collaborative Filtering)」がある（例えば非特許文献１及び２参照）。このアルゴリズムによれば、ユーザのアイテムに対する利用履歴情報、及び、他のユーザのアイテムに対する利用履歴情報に基づいて、関連度の高いアイテムを当該ユーザに推薦すべきとして推定する。これによって、ユーザに対して推薦されたアイテムは、そのユーザの嗜好に合ったものである可能性が高くなる。図１におけるレコメンド装置１は、例えばＥＣサイトサーバ３と連携して、各ユーザに対してアイテムをレコメンドするものである。

他の従来技術として、会話やチャットのような同期型コミュニケーション中の履歴情報を用いて、円滑にコミュニケーションができるであろう会話相手を推薦する技術がある（例えば特許文献１参照）。この技術によれば、要求元の属性と、情報提供者の属性とを比較し、当該要求元の嗜好に沿った情報を提供するであろう情報提供者を選定することができる。その後、その両者の間の情報交換の活性度を更に収集し、その活性度によって、情報提供者の属性を更に更新することができる。

また、クライアントが、批評コメントを依頼する個人の検索要求をサーバへ送信し、サーバが、批評コメントに対して内容の類似性によって紐付けされた文書を検出し、その文書を作成した批評者を抽出する技術がある（例えば特許文献２参照）。この技術によれば、同一知識分野における批評経験の指標値を算出し、候補となる個人をランク付けすることができる。

更に、ユーザに適合する複数のアイテムを推薦するアイテム選択支援装置について、代表推薦者に類似する類似代表推薦者を抽出し、その類似代表推薦者の推薦アイテムも、ユーザに推薦される技術がある（例えば特許文献３参照）。ユーザには、推薦アイテムを選択可能なように表示される。

特開２０１１−０１３７８６号公報 特開２０１０−０６１１８３号公報 特開２００７−２０００９９号公報

P.Resnick, N.Iacovou, M.Suchak,P.Bergstrom, and J.Riedl. "GroupLens: Open Architecturefor Collaborative Filtering of Netnews"In Conference onComputer Supported Cooperative Work, pp. 175-186 (1994) T.Hofmann and J.Puzicha, "Latent Class Models for Collaborative Filtering", 16th IJCAI (1999) Linden, G., B.Smith and J.York:Amazon.com recommendations: Item-to-item collaborative filtering,, IEEEInternet Comput., Vol.4, No.1 (2003). 神嶌 敏弘、「協調フィルタリングの課題：プライバシー，サクラ攻撃，評価値のゆらぎ」、情報処理、vol.48、no.9、pp.966-971(2007)

前述したように、レコメンドサービスには、多数のユーザの利用履歴情報が必要となる。利用履歴情報としては、一般的に、ＥＣサイトサーバに対するユーザの購入／閲覧履歴のような、ユーザから見て暗黙的に取得されたログ情報が用いられている。また、ユーザが自ら操作する端末（パーソナルコンピュータ）又はソーシャルブックマークサービスから得られた、商品の購入希望リストのような、ユーザから見て明示的に取得されたログ情報を用いることもできる。

しかしながら、レコメンドサービスによれば、現実問題として、対象アイテムに対するレコメンド評価を強制的に高める（又は低める）という不正な操作がなされる場合がある。例えば、ボットエンジンを用いた自動的なウェブアクセスによって、対象アイテムにおけるレコメンド評価を不正に操作することもできる（例えば「サクラ攻撃」とも称される）。このような不正操作は、ユーザの利用履歴情報自体のデータにも悪影響を与えることなる。即ち、本来レコメンドすべきでないアイテムが、不正なサクラ攻撃によってレコメンドされてしまうこととなる（例えば非特許文献４参照）。

ここで、発明者らは、レコメンド装置１が、ユーザから有用な利用履歴情報のみを取得することによってレコメンドサービスの品質を高めることができると考えた。そのために、ユーザへのアイテムのレコメンドによって、そのユーザが当該アイテムを購入利用するべく行動につながった場合、そのレコメンドに寄与した利用履歴情報を検出することが有益であると考えた。一方で、そのような利用履歴情報を提供したユーザに対して、何らかの報酬を与えることによって、更に、良質な利用履歴情報を収集することができるとも考えた。

尚、特許文献１に記載された技術によれば、適切な１対１のコミュニケーション（会話）相手を発見するにすぎない。また、特許文献２に記載された技術によれば、ユーザ自らが意識的に検索するものであって、暗示的な情報を推薦するものではない。加えて、批評者の評価は、文書作成経験数のような活性度で表されており、レビューの受け手となるユーザを基準としたものではない。更に、特許文献３に記載された技術によれば、ユーザが能動的にアイテムを選択するものであって、ユーザの嗜好に基づいた批評コメントを記載した批評者を、自動的な発見するものでもない。

そこで、本発明は、ユーザから有用な利用履歴情報を取得することによって、レコメンドサービスの品質を高めることができるレコメンドプログラム、装置及び方法を提供することを目的とする。

本発明によれば、装置に搭載されたコンピュータを、各アイテムに対するユーザの利用履歴情報に基づいて、当該ユーザへアイテムをレコメンドするようにコンピュータを機能させるレコメンドプログラムであって、
ユーザ毎の利用履歴情報間の類似度を記憶すると共に、各ユーザに対する各アイテムの推定有用度を記憶するアイテム有用度蓄積手段と、
アイテム有用度蓄積手段の推定有用度に基づいて、当該ユーザへレコメンドすべきアイテムを選択するアイテム選択手段と、
選択されたアイテムを、当該ユーザの端末へ送信するレコメンド手段と、
レコメンドされたアイテムに応じて、当該ユーザが当該アイテムを利用したことを表す行動履歴情報を取得する行動履歴取得手段と、
アイテム有用度蓄積手段の類似度及び行動履歴取得手段の行動履歴情報に基づいて、類似する順に、第１の所定数の他のユーザ毎の利用履歴情報を検出する有用利用履歴検出手段と
してコンピュータを機能させ、
ユーザの利用履歴情報は、ウィッシュリスト、ブックマークリスト、ほしい物リスト又はお気に入りリストである
ようにコンピュータを機能させることを特徴とする。

本発明のレコメンドプログラムにおける他の実施形態によれば、
ユーザの各アイテムにおける利用履歴情報を蓄積した利用履歴情報蓄積手段と、
利用履歴情報蓄積手段から、協調フィルタリングを用いて、ユーザ毎の利用履歴間の類似度を算出すると共に、各ユーザに対する各アイテムの推定有用度を算出し、推定類似度及び有用度をアイテム有用度蓄積手段へ出力する協調フィルタリング手段と
してコンピュータを更に機能させることも好ましい。

本発明のレコメンドプログラムにおける他の実施形態によれば、
利用履歴情報をユーザの端末から受信し、利用履歴情報蓄積手段へ出力する利用履歴情報受信手段としてコンピュータを更に機能させることも好ましい。

本発明のレコメンドプログラムにおける他の実施形態によれば、
有用利用履歴検出手段によって検出された第１の所定数の他のユーザ毎の利用履歴情報に、レコメンドによってユーザの行動に結びついたことによるポイントを付与するポイント付与手段としてコンピュータを更に機能させることも好ましい。

本発明のレコメンドプログラムにおける他の実施形態によれば、
ポイント付与手段は、
レコメンドに対してユーザの行動に結びついたことによる標準ポイントを規定しており、
標準ポイントを所定条件に基づいて他のユーザ毎の利用履歴情報に分配する
ようにコンピュータを更に機能させることも好ましい。

本発明のレコメンドプログラムにおける他の実施形態によれば、
ユーザ毎の利用履歴情報に付与されたポイントを合計したレコメンド貢献頻度を算出するレコメンド貢献頻度算出手段と、
レコメンド貢献頻度が高い順に、第２の所定数のユーザ毎の利用履歴情報を選択する高有用利用履歴選択手段と
してコンピュータを更に機能させることも好ましい。

本発明のレコメンドプログラムにおける他の実施形態によれば、
高有用利用履歴選択手段によって選択された第２の所定数のユーザの利用履歴情報に関するものに限定するべく、アイテム有用度蓄積手段に対してフィードバックするフィードバック手段としてコンピュータを更に機能させることも好ましい。

本発明のレコメンドプログラムにおける他の実施形態によれば、
フィードバック手段は、アイテム有用度蓄積手段について、レコメンド貢献頻度算出手段によって算出されたレコメンド貢献頻度に応じた重み係数を、類似度に乗算するようにコンピュータを機能させることも好ましい。

本発明によれば、アイテムに対するユーザの利用履歴情報に基づいて、当該ユーザへアイテムをレコメンドするレコメンド装置であって、
ユーザ毎の利用履歴情報間の類似度を記憶すると共に、各ユーザに対する各アイテムの推定有用度を記憶するアイテム有用度蓄積手段と、
アイテム有用度蓄積手段の推定有用度に基づいて、当該ユーザへレコメンドすべきアイテムを選択するアイテム選択手段と、
選択されたアイテムを、当該ユーザの端末へ送信するレコメンド手段と、 レコメンドされたアイテムに応じて、当該ユーザが当該アイテムを利用したことを表す行動履歴情報を取得する行動履歴取得手段と、
アイテム有用度蓄積手段の類似度及び行動履歴取得手段の行動履歴情報に基づいて、類似する順に、第１の所定数の他のユーザ毎の利用履歴情報を検出する有用利用履歴検出手段とを有し、
ユーザの利用履歴情報は、ウィッシュリスト、ブックマークリスト、ほしい物リスト又はお気に入りリストである
ことを特徴とする。

本発明によれば、装置を用いて、各アイテムに対するユーザの利用履歴情報に基づいて、当該ユーザへアイテムをレコメンドするレコメンド方法であって、
ユーザ毎の利用履歴情報間の類似度を記憶すると共に、各ユーザに対する各アイテムの推定有用度を記憶するアイテム有用度蓄積部を有し、
アイテム有用度蓄積手段の推定有用度に基づいて、当該ユーザへレコメンドすべきアイテムを選択する第１のステップと、
選択されたアイテムを、当該ユーザの端末へ送信する第２のステップと、
レコメンドされたアイテムに応じて、当該ユーザが当該アイテムを利用したことを表す行動履歴情報を取得する第３のステップと、
アイテム有用度蓄積手段の類似度及び行動履歴取得手段の行動履歴情報に基づいて、類似する順に、第１の所定数の他のユーザ毎の利用履歴情報を検出する第４のステップとを有し、
ユーザの利用履歴情報は、ウィッシュリスト、ブックマークリスト、ほしい物リスト又はお気に入りリストである
ことを特徴とする。

本発明のレコメンドプログラム、装置及び方法によれば、ユーザから有用な利用履歴情報を取得することによって、レコメンドサービスの品質を高めることができる。

従来技術におけるＥＣサイトサーバを含むシステム構成図である。 本発明におけるシステム構成図である。 利用履歴情報を表すテーブルである。 本発明におけるレコメンド装置の機能構成図である。 本発明におけるシーケンス図である。 協調フィルタリングによって算出された推定有用度を表す説明図である。

以下では、本発明の実施の形態について、図面を用いて詳細に説明する。

図２は、本発明におけるシステム構成図である。

図２によれば、多数のユーザの端末２は、利用履歴情報を、インターネットを介してレコメンド装置（サーバ）１へ送信する。「利用履歴情報」とは、各アイテムにおける利用状況を表す情報である。具体的には、各ユーザの各アイテムの利用履歴を２値（０，１）で表したものや、各アイテムに対する評価を多段階で示したもの（例えば、「★★☆☆☆」のような５段階評価）である。ユーザタグは、ユーザ毎のリスト名である。

ユーザは、ＥＣサイトサーバ３に表示された様々なアイテムに対して、購入利用したり又は興味を持って閲覧する。その過程で、ユーザ操作の端末２は、当該ユーザにおける利用履歴情報を登録する。ユーザ操作の端末２は、登録した利用履歴情報として、レコメンド装置１へ送信する。

利用履歴情報は、具体的には、ウィッシュリスト、ブックマークリスト、ほしい物リスト、お気に入り、購入、閲覧などがある。例えば「ウィッシュリスト」とは、訪問者（ユーザ）が購入した又は購入希望意志表示のために選択したアイテム（ハッシュリスト又はＵＲＬ(Uniform Resource Locator)を識別子とする）を、リストとして登録した利用履歴情報である。例えば「ブックマークリスト」とは、はてなブックマーク（登録商標）やdelicious（登録商標）のような、ＷｅｂページのＵＲＬ(Uniform
Resource Locator)を関連付けて登録するソーシャルブックマークサービスである。また、利用履歴情報が、例えば明示的な意思表示である場合、ユーザによるアイテムの「お気に入り」「good/bad評価」「ブックマーク」「５段階評価」等の行為による、段階的なレベルで表したものであってもよい。加えて、利用履歴情報は、例えばアイテムを一定時間閲覧した等の行為を自動で取得した暗示的な意思表示であってもよい。尚、以下では、アプリケーションをアイテムとした所有端末へのインストールの有無を、利用履歴情報として説明する。

レコメンド装置１は、多数のユーザから収集した利用履歴情報に基づいて、端末２へ、そのユーザの嗜好に合うアイテムを、レコメンドとして送信する。その後、当該ユーザが、端末２を用いて、レコメンドされたアイテムを利用した（即ち、アプリのインストールや購入した行為を指す）とする。このとき、端末２は、レコメンド装置１へ、そのアイテムを利用した旨を表す行動履歴情報を送信する。そして、レコメンド装置１は、そのアイテムの利用につながったレコメンドを特定すると共に、そのアイテムをレコメンドするために寄与した利用履歴情報を特定する。

尚、図２によれば、レコメンド装置１は、利用履歴情報をユーザ操作の端末２から取得しているが、これに限られず、ＥＣサイトサーバ３から取得するものであってもよいし、他のサーバから取得するものであってもよい。レコメンド装置１は、ＥＣサイトサーバ３に対して、ＡＰＩ(Application Programming Interface)を介して、利用履歴情報を取得することもできる。ＡＰＩは、アプリケーションサービスの機能を利用するための規則インタフェースである。

図３は、利用履歴情報を表すテーブルである。

図３によれば、当該ユーザが過去に利用したアイテムに、「１」が付与されている。図３によれば、ユーザ１は、アプリ１、２、３、５を、自らのスマートフォンにインストール済みであることが理解できる。ここで、利用履歴情報を縦列に見たときの利用履歴情報列を、「ユーザタグ」とする。

この場合におけるユーザタグは、ユーザ識別子及びタグをセットに一意とした識別子である。ユーザタグＩＤ及びアイテムＩＤは、例えば以下のように規定される。
ユーザタグＩＤ：username/tagname
アイテムＩＤ ：appname
この場合、利用履歴情報は、例えば以下のように記憶する。
データセット：｛(username/tagname , appname)＝０（非利用）又は１（利用）｝
そして、以下のＵＲＬでアクセスすることによって、値が１であるアイテムＩＤをリスト形式で取得できることを想定する。
http://hogehoge.com/username/tagname/

図４は、本発明におけるレコメンド装置の機能構成図である。
図５は、本発明におけるシーケンス図である。
以下では、図５のシーケンスを参照しつつ、図４の各機能構成部について説明する。

図４によれば、レコメンド装置１は、インターネットに接続する通信インタフェース１０と、アイテム有用度蓄積部１００と、利用履歴情報受信部１０１と、利用履歴情報蓄積部１０２と、協調フィルタリング部１０３と、アイテム選択部１１１と、レコメンド部１１２とを有する。また、レコメンド装置１は、行動履歴取得部１２１と、有用利用履歴検出部１２２と、ポイント付与部１２３と、レコメンド貢献頻度算出部１２４と、高有用利用履歴選択部１２５と、フィードバック部１２６とを有する。通信インタフェース１０を除くこれら機能構成部は、装置に搭載されたコンピュータを機能させるレコメンドプログラムを実行することによって実現される。

［アイテム有用度蓄積部１００］
アイテム有用度蓄積部１００は、ユーザ毎の利用履歴情報間の類似度を記憶すると共に、各ユーザに対する各アイテムの推定有用度を記憶する（後述する図６参照）。図４によれば、推定有用度を得るために、利用履歴情報受信部１０１と、利用履歴情報蓄積部１０２と、協調フィルタリング部１０３とを有する。

［利用履歴情報受信部１０１］
利用履歴情報受信部１０１は、利用履歴情報をユーザの端末から受信する（図５のＳ５０１参照）。その利用履歴情報は、利用履歴情報蓄積部１０２へ出力される。

［利用履歴情報蓄積部１０２］
利用履歴情報蓄積部１０２は、ユーザの各アイテムにおける利用履歴情報を蓄積する（図３参照、及び、図５のＳ５０２参照）。

［協調フィルタリング部１０３］
協調フィルタリング部１０３は、利用履歴情報蓄積部１０２から、協調フィルタリングを用いて、各ユーザに対する各アイテムの推定有用度を算出する（後述する図６（ａ）参照）。

協調フィルタリングは、利用履歴情報を用いて、以下の２つのステップで実行される（例えば非特許文献１〜４参照）。但し、以下のようなステップは、協調フィルタリングの実施例であって、この方法に限定するものではない。
（Ｓ１）ユーザタグ同士が同時に利用したアイテムの組み合わせの回数（共起性）を集計する等によって、アイテム間の関連性を分析する。例えば図３によれば、アプリ１及び３について、３人によるユーザタグが利用している。即ち、第１のアイテムと合わせて利用された第２のアイテムとをクロス集計する。
（Ｓ２）次に、組み合わせの総和から、セットで利用されるであろう推定割合を算出する。この推定割合を、推定有用度とする。

図６は、協調フィルタリングによって算出された推定有用度を表す説明図である。

図６によれば、例えばユーザタグ１はアプリ１、２、３及び５を過去に利用している。これに対して、ユーザタグ１が、過去に利用していないアプリ４を利用する推定有用度は、０．７３となっている。また、ユーザタグ１が、過去に利用していないアプリ６を利用する推定有用度は、０．９９となっている。ここでは、ユーザタグ１は、アプリ６を利用する確率が高いと推定される。尚、協調フィルタリングのアルゴリズムは、例えば表計算ソフトウェアにも、予め標準関数として実装されている。
Usef(U,A)：当該ユーザUがアプリAを購入利用する推定有用度
但し、既に利用しているアプリに関する推定有用度は、レコメンドすべきアイテムに選択されないよう、便宜的に協調フィルタリングについて定義する最小の値を与える。例えば、協調フィルタリングの有用度が0〜1で定義されているとするときは、Usef(U,A)＝0とする。

次に、協調フィルタリング部１０３は、協調フィルタリングを用いて、ユーザ毎の利用履歴間の類似度を算出する（図６（ｂ）参照）。図６によれば、ユーザタグ１の各アイテムの推定有用度と、ユーザタグ３の各アプリの推定有用度との間で、例えば類似度＝０．６となり、最も類似していると理解できる。類似度は、２つのユーザタグについて、アイテム毎に差分を抽出し、それら差分の総計値が小さいほど、類似度が高いと判定される。例えば、２つのユーザタグ間毎に差分の総計値の逆数を、ユーザタグ同士の全ての組み合わせについて正規化したものであってもよい。

［アイテム選択部１１１］
アイテム選択部１１１は、アイテム有用度蓄積部１００の推定有用度に基づいて、当該ユーザへレコメンドすべきアイテムを選択する（図５のＳ５１１参照）。図６によれば、ユーザタグ１のユーザへは、推定有用度が最も高いアプリ６がレコメンドされる。尚、推定有用度が所定閾値以上となる１つ以上のアイテム（アプリ）が選択されるものであってもよい。所定閾値が２である場合、図６によれば、アプリ６及びアプリ４が選択される。

［レコメンド部１１２］
レコメンド部１１２は、選択されたアイテムを、当該ユーザの端末へ送信する（図５のＳ５１２参照）。レコメンド部１１２は、レコメンドとして送信したアイテム毎に、レコメンドＩＤを付与する。そして、以下の組み合わせを記憶する。
R_i->App(R_i)、Rec(App(R_i)
R_i ：レコメンドＩＤ（レコメンド毎に自動的に増分）
App(R_i) ：レコメンドしたアイテムＩＤ
Rec(App(R_i)) ：アイテムＩＤの有用度
レコメンドＩＤは、レコメンドのイベント発生時におけるタイムスタンプを利用したものであってもよい。また、複数のアイテムが同時にレコメンドされる場合、アイテム毎に異なるレコメンドＩＤ(R_i)が付与される。

例えば、図６の各要素は、以下のように表される。
Sim(X,Y_j) ：ユーザタグXと他のユーザタグY_jとの間の類似度（図６（ａ））
HSim(R_i,Y_j)：レコメンドに寄与したユーザタグ間の類似度（図６（ｂ））

（ケース１）
HSim(R_i,Y_j)＝Sim(X,Y_j) if Rank(Sim(X,Y_j))≧Th_RankかつYj∈App(R_i)
Otherwise HSim(R_i,Y_j)＝0
Th_Rank：類似度に対する順位の閾値
Rank(Sim(X,Y_j))：Sim(X,Y_j)を数値降順に並べたときの順番
（ケース２）
HSim(R_i,Y_j)＝Sim(X,Y_j) if Sim(X,Y_j)≧Th_SimかつYj∈App(R_i)
Otherwise HSim(R_i,Y_j)＝0
Th_Sim：類似度に対する数値の閾値

レコメンド部１１２によって端末２へ送信されたレコメンドアイテムのリストは、当該ユーザが、ＥＣサイト（ショッピングサイト）サーバ３へアクセスした際に、そのページに概要情報が表示されるものであってもよい。この場合、レコメンド部１１２は、ユーザタグ毎にレコメンドすべきアイテムを、ＥＣサイトサーバ３へ送信する。ユーザは、ページに表示されたレコメンドアイテムのリストの中で、購入利用を所望するアイテムについて、クリック等によって指定する。そうすると、そのアイテムに関する詳細情報が端末２に表示され、ユーザのそのアイテム（例えばアプリ）を購入利用することができる。

［行動履歴取得部１２１］
行動履歴取得部１２１は、レコメンドされたアイテムに応じて、当該ユーザが当該アイテムを利用したことを表す行動履歴情報を取得する（図５のＳ５２１参照）。行動履歴情報には、レコメンドされたレコメンドＩＤ(Ri)を含む。このような行動履歴情報の取得には、レコメンドＩＤに基づくログインや、同一アクセスを判定するクッキーのような技術を用いるものであってもよい。レコメンドＩＤに基づく、ユーザのユーザタグと、レコメンドに応じて購入利用したアイテムとが、有用ユーザタグ検出部１２２へ出力される。

［有用利用履歴検出部１２２］
有用利用履歴検出部１２２は、アイテム有用度蓄積部１００の類似度及び行動履歴取得部１２１の行動履歴情報に基づいて、類似する順に、第１の所定数の他のユーザ毎の利用履歴情報を検出する（図５のＳ５２２参照）。アイテムをユーザにレコメンドすることによって、そのユーザによってそのアイテムが購入利用された場合、そのアイテムのレコメンドに寄与した他のユーザタグを検出する。第１の所定数＝１として一人のユーザタグのみを抽出するものであってもよいし、第１の所定数＝２以上として複数のユーザタグを抽出するものであってもよい。これらユーザタグの利用履歴情報は、当該ユーザにとって高い有用性を有すると推定できる。

［ポイント付与部１２３］
ポイント付与部１２３は、レコメンドに対してユーザの行動に結びついたことによる標準ポイントを規定する。そして、標準ポイントを所定条件に基づいて他のユーザ毎の利用履歴情報に分配する（図５のＳ５２３参照）。例えば、有用利用履歴検出部１２２によって検出された第１の所定数の他のユーザ毎に、ポイントが付与される。ポイントとは、ユーザに対する報酬的なものであって、金品に相当するものに限らない。即ち、アイテムをユーザにレコメンドすることによって、そのユーザによってそのアイテムが購入利用された場合、そのアイテムのレコメンドに寄与した他のユーザへ報酬を与えることができる。

レコメンドＩＤ(R_i)に寄与したユーザタグY_jに対して、以下のように様々な方法で、ポイントPoint(R_i,Y_j)を付与することができる。
（ケース１）
δ(R_i,Y_j)＝1/N if HSim(R_i,Y_j)≠0
Otherwise 0
Point(R_i,Y_j)＝δ(R_i,Y_j)／Σ_kδ(R_i,Y_k)
（レコメンドに寄与した複数のユーザタグで、ポイントを等分配する）
（ケース２）
Point(R_i,Y_j)＝Sim(R_i,Y_j)／Σ_k{HSim(R_i,Y_k)}
＝Sim(R_i,Y_j)／｛HSim(R_i,Y₁)＋HSim(R_i,Y₂)＋・・・｝
（レコメンドに寄与した複数のユーザタグで、レコメンドしたユーザタグとの間の
類似度に比例してポイントを分配する）
（ケース３）
δ(R_i,Y_j)＝1/N if HSim(R_i,Y_j)≠0
Otherwise 0
Point(R_i,Y_j)＝Rec(App(R_i))＊δ(R_i,Y_j)／Σ_kδ(R_i,Y_k)
（レコメンドに寄与した複数のユーザタグで、推定有用度に応じて等分配する）
（ケース４）
Point(R_i,Y_j)＝Rec(App(R_i))＊Sim(R_i,Y_j)／Σ_k{HSim(R_i,Y_k)}
＝Rec(App(R_i))＊Sim(R_i,Y_j)／
｛HSim(R_i,Y₁)＋HSim(R_i,Y₂)＋・・・｝
（推定有用度を、レコメンドに寄与した複数のユーザタグ間の類似度に比例して
分配する）
［レコメンド貢献頻度算出部１２４］
レコメンド貢献頻度算出部１２４は、ユーザ毎の利用履歴情報に付与されたポイントを合計したレコメンド貢献頻度を算出する（図５のＳ５２４参照）。レコメンド貢献頻度は、例えば全体のアフィリエイト額から対象ユーザへの分配額を決定することに用いることも好ましい。
Aff(Y_j)：ユーザタグYjに対する報酬（レコメンド貢献頻度）
Aff(Y_j)＝Σ_i｛Point(R_i,Y_j)｝
＝Point(R₁,Y_j)＋Point(R₂,Y_j)＋・・・

［高有用利用履歴選択部１２５］
高有用利用履歴選択部１２５は、レコメンド貢献頻度が高い順に、第２の所定数のユーザ毎の利用履歴情報を選択する（図５のＳ５２５参照）。ユーザによってレコメンドしたアイテムが利用された場合、そのアイテムのレコメンドに寄与した複数の他のユーザタグを選択する。このような高有用ユーザタグにおける利用履歴情報を用いてレコメンドした場合、そのアイテムが利用される確率が比較的高いことを意味する。

［フィードバック部１２６］
フィードバック部１２６は、高有用利用履歴選択部１２５によって選択された第２の所定数のユーザの利用履歴情報のみから構成されるように、アイテム有用度蓄積部１００に対してフィードバックする（図５のＳ５２６参照）。このように、ポイントが高い順に上位数件のユーザタグ、又は、当該ポイントが所定閾値以上となるユーザタグに限定して、それらの利用履歴情報のみを用いる。これは、協調フィルタリングの元データのスクリーニング効果があると共に、レコメンド精度を改善することができる。

また、フィードバック部１２６は、アイテム有用度蓄積部１００について、レコメンド貢献頻度算出部１２４によって算出されたレコメンド貢献頻度応じた数値に応じて、重み係数Ｗ(Y_j)を定義し、類似度Sim(X,Y_j)に乗算することも好ましい。
Sim(X,Y_j)＝Sim(X,Y_j)＊Ｗ(Y_j)
Ｗ(Y_j)＝Aff(Y_j)／Σ_i{Aff(Y_i)}
これによって、アイテムの購入利用に寄与したユーザタグほど、類似度として高く設定される。

以上、詳細に説明したように、本発明のレコメンドプログラム、装置及び方法によれば、ユーザから有用な利用履歴情報を取得することによって、レコメンドサービスの品質を高めることができる。また、ユーザへのアイテムのレコメンドによって、そのユーザが当該アイテムを購入利用するべく行動につながった場合、そのレコメンドに寄与した利用履歴情報を検出することもできる。そのような利用履歴情報を提供したユーザに対して、何らかの報酬を与えることによって、更に、良質な利用履歴情報を収集することができる。即ち、良質な利用履歴情報を提供したユーザに対しても、アフィリエイトによる報酬を還元するようなビジネスモデルを構築することが可能となる。

前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。

１ レコメンド装置
１０ 通信インタフェース
１００ アイテム有用度蓄積部
１０１ 利用履歴情報受信部
１０２ 利用履歴情報蓄積部
１０３ 協調フィルタリング部
１１１ アイテム選択部
１１２ レコメンド部
１２１ 行動履歴取得部
１２２ 有用利用履歴検出部
１２３ ポイント付与部
１２４ レコメンド貢献頻度算出部
１２５ 高有用利用履歴選択部
１２６ フィードバック部
２ ユーザ用の端末
３ ＥＣサイトサーバ

Claims (10)

1. 装置に搭載されたコンピュータを、各アイテムに対するユーザの利用履歴情報に基づいて、当該ユーザへアイテムをレコメンドするようにコンピュータを機能させるレコメンドプログラムであって、
   ユーザ毎の利用履歴情報間の類似度を記憶すると共に、各ユーザに対する各アイテムの推定有用度を記憶するアイテム有用度蓄積手段と、
   アイテム有用度蓄積手段の推定有用度に基づいて、当該ユーザへレコメンドすべきアイテムを選択するアイテム選択手段と、
   選択されたアイテムを、当該ユーザの端末へ送信するレコメンド手段と、
   レコメンドされたアイテムに応じて、当該ユーザが当該アイテムを利用したことを表す行動履歴情報を取得する行動履歴取得手段と、
   アイテム有用度蓄積手段の類似度及び行動履歴取得手段の行動履歴情報に基づいて、類似する順に、第１の所定数の他のユーザ毎の利用履歴情報を検出する有用利用履歴検出手段と
   してコンピュータを機能させ、
   前記ユーザの利用履歴情報は、ウィッシュリスト、ブックマークリスト、ほしい物リスト又はお気に入りリストである
   ようにコンピュータを機能させることを特徴とするレコメンドプログラム。
2. ユーザの各アイテムにおける利用履歴情報を蓄積した利用履歴情報蓄積手段と、
   利用履歴情報蓄積手段から、協調フィルタリングを用いて、ユーザ毎の利用履歴間の類似度を算出すると共に、各ユーザに対する各アイテムの推定有用度を算出し、推定類似度及び有用度をアイテム有用度蓄積手段へ出力する協調フィルタリング手段と
   してコンピュータを更に機能させることを特徴とする請求項１に記載のレコメンドプログラム。
3. 前記利用履歴情報をユーザの端末から受信し、利用履歴情報蓄積手段へ出力する利用履歴情報受信手段としてコンピュータを更に機能させることを特徴とする請求項２に記載のレコメンドプログラム。
4. 前記有用利用履歴検出手段によって検出された第１の所定数の他のユーザ毎の利用履歴情報に、レコメンドによってユーザの行動に結びついたことによるポイントを付与するポイント付与手段としてコンピュータを更に機能させることを特徴とする請求項１から３のいずれか１項に記載のレコメンドプログラム。
5. 前記ポイント付与手段は、
   レコメンドに対してユーザの行動に結びついたことによる標準ポイントを規定しており、
   標準ポイントを所定条件に基づいて他のユーザ毎の利用履歴情報に分配する
   ようにコンピュータを更に機能させることを特徴とする請求項４に記載のレコメンドプログラム。
6. 前記ユーザ毎の利用履歴情報に付与されたポイントを合計したレコメンド貢献頻度を算出するレコメンド貢献頻度算出手段と、
   レコメンド貢献頻度が高い順に、第２の所定数のユーザ毎の利用履歴情報を選択する高有用利用履歴選択手段と
   してコンピュータを更に機能させることを特徴とする請求項４又は５に記載のレコメンドプログラム。
7. 前記高有用利用履歴選択手段によって選択された第２の所定数のユーザの利用履歴情報に関するものに限定するべく、アイテム有用度蓄積手段に対してフィードバックするフィードバック手段としてコンピュータを更に機能させることを特徴とする請求項６に記載のレコメンドプログラム。
8. 前記フィードバック手段は、アイテム有用度蓄積手段について、レコメンド貢献頻度算出手段によって算出されたレコメンド貢献頻度に応じた重み係数を、類似度に乗算するようにコンピュータを機能させることを特徴とする請求項７に記載のレコメンドプログラム。
9. アイテムに対するユーザの利用履歴情報に基づいて、当該ユーザへアイテムをレコメンドするレコメンド装置であって、
   ユーザ毎の利用履歴情報間の類似度を記憶すると共に、各ユーザに対する各アイテムの推定有用度を記憶するアイテム有用度蓄積手段と、
   アイテム有用度蓄積手段の推定有用度に基づいて、当該ユーザへレコメンドすべきアイテムを選択するアイテム選択手段と、
   選択されたアイテムを、当該ユーザの端末へ送信するレコメンド手段と、 レコメンドされたアイテムに応じて、当該ユーザが当該アイテムを利用したことを表す行動履歴情報を取得する行動履歴取得手段と、
   アイテム有用度蓄積手段の類似度及び行動履歴取得手段の行動履歴情報に基づいて、類似する順に、第１の所定数の他のユーザ毎の利用履歴情報を検出する有用利用履歴検出手段と
   を有し、
   前記ユーザの利用履歴情報は、ウィッシュリスト、ブックマークリスト、ほしい物リスト又はお気に入りリストである
   ことを特徴とするレコメンド装置。
10. 装置を用いて、各アイテムに対するユーザの利用履歴情報に基づいて、当該ユーザへアイテムをレコメンドするレコメンド方法であって、
    ユーザ毎の利用履歴情報間の類似度を記憶すると共に、各ユーザに対する各アイテムの推定有用度を記憶するアイテム有用度蓄積部を有し、
    アイテム有用度蓄積手段の推定有用度に基づいて、当該ユーザへレコメンドすべきアイテムを選択する第１のステップと、
    選択されたアイテムを、当該ユーザの端末へ送信する第２のステップと、
    レコメンドされたアイテムに応じて、当該ユーザが当該アイテムを利用したことを表す行動履歴情報を取得する第３のステップと、
    アイテム有用度蓄積手段の類似度及び行動履歴取得手段の行動履歴情報に基づいて、類似する順に、第１の所定数の他のユーザ毎の利用履歴情報を検出する第４のステップと
    を有し、
    前記ユーザの利用履歴情報は、ウィッシュリスト、ブックマークリスト、ほしい物リスト又はお気に入りリストである
    ことを特徴とするレコメンド方法。

Images