JP5869931B2 - 批評者に批評すべきアイテムを検出するレコメンドアイテム検出プログラム、装置及び方法 - Google Patents

Description

本発明は、アイテムに対して批評者から投稿された批評コメントを、不特定多数の第三者へ開示するＥＣ(Electronic Commerce：電子商取引)サイト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。ＥＣサイトによれば、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。例えば、ユーザ１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。

近年、ＥＣサイトによれば、アイテムを実際に購入又はその検討中の不特定多数のユーザが、その商品等に対する批評コメント（レビュー、review）を投稿することができる。批評コメントを投稿するユーザは、一般に「批評者（レビュア、reviewer）」と称される。その批評コメントは、不特定多数の第三者に公開され、その商品等の購入検討中のユーザも、自由にその批評コメントを閲覧し、購入の判断材料にすることができる。

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・役務であってもよく、例えば、家電等の商品やスマートフォンのアプリケーション、電子図書のコンテンツ、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。

また、図１によれば、インターネットに、ＳＮＳ(Social Networking Service)サイトサーバ５が接続されている。「ＳＮＳサイトサーバ」は、複数のユーザからなるグループの中で、一人のユーザによって投稿された投稿文（特定のアイテムに対する批評コメントとみなせる）を公開する。例えばfacebook（登録商標）やtwitter（登録商標）、google＋（登録商標）、mixi（登録商標）があり、一般にミニブログサイトとも称される。批評コメントとしては、例えば、ＳＮＳサイトサーバにおけるアプリに関する感想のつぶやきや、ブログサイトサーバにおけるアプリの利用方法をまとめた記事などがある。

例えば、ＥＣサイトサーバ３によれば、批評者によって投稿された批評コメント毎の表示部分に、例えばfacebookの「いいね！」ボタンが表示されている。このボタンは、ユーザが好心証を持ったことを端的に意味するものである。その批評コメントに好心証を持った一般閲覧者は、「いいね！」ボタンをクリックすることができる。ここで、批評コメントに対する評価（段階評価、レーティング）を実施する一般閲覧者を、以下では「批評評価者（レイター、rater）」と称する。批評評価者によってそのボタンがクリックされた場合、当該批評評価者がその批評コメントに対して好心証を持った旨の情報が、ＳＮＳサイトサーバ５へ収集される。そして、その情報が、ＳＮＳサイトサーバサイトのグループに属する他の利用者に対して公開される。これら他の利用者は、その批評評価者が好心証を持った批評コメントを知ることができる。

更に、図１によれば、インターネットに、レコメンド装置７が備えられる場合も想定できる。従来、ユーザの暗黙的な行動履歴情報を用いて、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。行動履歴情報としては、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行動履歴、及び、他のユーザのアイテムに対する行動履歴に基づいて、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い。図１におけるレコメンド装置７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。

従来、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) Badrul Sarwar, George Karypis,Joseph Konstan, and John Reidl. 2001. Item-based collaborative filteringrecommendation algorithms. In Proceedings of the 10th international conferenceon World ’Wide Web (WWW ‘01).ACM, New York, NY, USA, 285-295.

前述した従来技術によれば、批評者の批評コメントに対するレベルを段階評価（単純評価のいいね（like）！、５段階評価の５つ星（★★★☆☆）、２段階評価のBad／Good等）で表したものもあり、その情報は、そのアイテムに興味のあるユーザにとっては確かに有益である。また、批評評価者による批評の評価レベルの区分に応じて批評コメントを表示／非表示等、有益な批評を厳選することも可能であり、ユーザが閲覧しやすいようにもなっている。

しかしながら、多数の批評コメントは、批評者が能動的にアイテムを探し出し、そのアイテムに対する批評コメントを記述するというボランティア精神に基づいた行為であった。また、記述した批評コメントに対する他のユーザの反応（感謝コメントや評価ポイントやリツイート等のお返し行為）や見返り（アフィリエイト、ポイント還元等）を期待するものであったにすぎない。従って、ＥＣサイトサーバからみて、批評者が批評コメントを積極的に記述する行為に対する効率を高めるものではない。また、批評者にはそれぞれ、アイテムに対する見識について得意分野が異なっている。

ここで、発明者らは、批評者の得意分野に応じて、批評コメントの記述が所望されるアイテムを、当該批評者へ推薦（レコメンド）することが有益であると考えた。即ち、不特定多数の第三者にとって、できる限り各批評者にとって得意分野におけるアイテムについて批評コメントを記述してもらう方が有益である。一方で、不特定多数の第三者にとって興味が低いアイテムについては、批評者に対して批評コメントの記述を望むことは、批評者の負担であり、できる限り批評コメントが望まれているであろう、多くのユーザによって購入検討されているアイテムについて、優先的に、批評コメントを記述してもらう方が有益である。

尚、従来のレコメンドサービス技術によれば、当該ユーザに対する嗜好アイテムのみを推測するものであって、無機質な印象があり、ユーザの購入（利用）意欲（マーケティング）に結びつかない場合も多い。特に、レコメンド情報自体が、コマーシャル（広告情報、宣伝情報）としてイメージが強く、購入意欲が低いユーザにとっては興味が薄い場合も多い。また、ユーザによっては、広告情報のようなレコメンド情報の配信自体を希望しない場合も多い。

また、ＳＮＳサイトサーバを通じて、批評者の批評コメントに対して批評評価者の「いいね(Like)！」が付与されている場合、他の利用者にとっては強制的に閲覧させられることとなるが、必ずしも購入意欲にまでつなげるものではない。その理由として、ＳＮＳサイトサーバに属するグループのメンバ（フォロワーや友達）の嗜好性が必ずしも同一ではないからである。

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、多数のアイテムに対して多数の批評者によって批評コメントが投稿されている中で、批評者の得意分野に応じて批評コメントの記述を所望するアイテムを検出することができるレコメンドアイテム検出プログラム、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、レビュア識別子における批評者へ、批評コメントを投稿すべきアイテムをレコメンドするように機能させるレコメンドアイテム検出プログラムにおいて、
各アイテムの推定得意度を、レビュア識別子毎に記憶した批評者得意度蓄積手段と、
各アイテムに対するユーザ全体の推定注目度を記憶したアイテム注目度蓄積手段と、
レコメンド対象のレビュア識別子における推定得意度と、各アイテムにおける推定注目度との乗算値を、当該レビュア識別子の批評者に対するアイテムの適用度として算出する批評者適用度算出手段と、
当該アイテムについて、適用度が最も高い又は所定閾値以上のレビュア識別子を選択するアイテム選択手段と
して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アイテム検出プログラムにおける他の実施形態によれば、
アイテム選択手段によって選択された当該アイテムを、選択されたレビュア識別子の批評者が操作する端末へ送信するレコメンド手段を更に有することも好ましい。

本発明のレコメンドアイテム検出プログラムにおける他の実施形態によれば、
レビュア識別子毎に、当該批評者が各アイテムについて投稿済みか否かを表す批評者投稿テーブルを蓄積した批評者投稿テーブル蓄積手段と、
批評者投稿テーブル蓄積手段から、協調フィルタリングを用いて、レビュア識別子毎に未投稿の各アイテムの推定得意度を算出し、該推定得意度を批評者得意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アイテム検出プログラムにおける他の実施形態によれば、
ユーザリスト毎に、各アイテムについて興味の有無を表すテーブルを蓄積したアイテム興味リストテーブル蓄積手段と、
アイテム毎に、興味の有無の値を平均化（又は累積化、正規化、最大値）した推定注目度を算出し、該推定注目度をアイテム注目度蓄積手段へ出力するアイテム注目度算出手段と
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アイテム検出プログラムにおける他の実施形態によれば、
ユーザリストは、ウィッシュリスト、ブックマークへの登録リスト、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も好ましい。

本発明のレコメンドアイテム検出プログラムにおける他の実施形態によれば、
批評者適用度算出手段は、アイテム興味リストテーブル蓄積手段に対して、当該ユーザＵが批評者Ｒのコミュニケーショングループに属していない場合、当該ユーザＵのユーザリストにおける各アイテムの興味の有無の値を０にするようにコンピュータを機能させることも好ましい。

本発明のレコメンドアイテム検出プログラムにおける他の実施形態によれば、
アイテム興味リストテーブル蓄積手段は、ユーザリスト毎に重み係数Ｗ(Ｕ)が付与されており、
アイテム注目度算出手段は、ユーザリスト毎の各アイテムに対する興味の有無の値に、重み係数を乗算した値を平均化（又は累積化、正規化、最大値）した推定注目度を算出するようにコンピュータを機能させることも好ましい。

本発明のレコメンドアイテム検出プログラムにおける他の実施形態によれば、
アイテム興味リストテーブル蓄積手段は、ユーザリスト毎に、レビュア識別子の批評者Ｒに対する当該ユーザリストに基づくユーザＵの重み係数Ｗ(Ｒ,Ｕ)が付与されており、
アイテム注目度算出手段は、ユーザリスト毎の各アイテムに対する興味の有無の値に、重み係数を乗算した値を平均化（又は累積化、正規化、最大値）した推定注目度を算出するようにコンピュータを機能させることも好ましい。

本発明のレコメンドアイテム検出プログラムにおける他の実施形態によれば、
各アイテムについて、レビュア識別子毎の批評コメントを蓄積した批評コメント蓄積手段を更に有し、
レコメンド手段は、
批評者得意度蓄積手段から、送信すべき当該アイテムに対して、推定得意度が所定閾値以上となる他の批評者のレビュア識別子を検索し、
批評コメント蓄積手段から、他の批評者のレビュア識別子に基づく批評コメントを検索し、
批評コメントも、アイテム選択手段によって選択されたレビュア識別子の批評者が操作する端末へ送信する
ようにコンピュータを機能させることも好ましい。

本発明のレコメンドアイテム検出プログラムにおける他の実施形態によれば、
レコメンド手段は、
批評者得意度蓄積手段から、送信すべき当該アイテムに対して、推定得意度が所定閾値以上となる他の批評者のレビュア識別子を検索し、
他の批評者のレビュア識別子及び当該アイテムに基づく批評コメントを、他のサーバから検索し、
批評コメントも、アイテム選択手段によって選択されたレビュア識別子の批評者が操作する端末へ送信する
ようにコンピュータを機能させることも好ましい。

本発明のレコメンドアイテム検出プログラムにおける他の実施形態によれば、
批評者投稿テーブル蓄積手段の批評者投稿テーブルは、レビュア識別子毎に、当該批評者が各アイテムについて投稿した批評コメントに対して、複数の批評評価者における所定閾値数以上の評価投稿があった際に、「投稿済み」と表すことも好ましい。

本発明によれば、レビュア識別子における批評者へ、批評コメントを投稿すべきアイテムを検出するように機能させるレコメンドアイテム検出装置において、
各アイテムの推定得意度を、レビュア識別子毎に記憶した批評者得意度蓄積手段と、
各アイテムに対するユーザ全体の推定注目度を記憶したアイテム注目度蓄積手段と、
レコメンド対象のレビュア識別子における推定得意度と、各アイテムにおける推定注目度との乗算値を、当該レビュア識別子の批評者に対するアイテムの適用度として算出する批評者適用度算出手段と、
当該アイテムについて、適用度が最も高い又は所定閾値以上のレビュア識別子を選択するアイテム選択手段と
を有することを特徴とする。

本発明によれば、装置を用いて、レビュア識別子における批評者へ、批評コメントを投稿すべきアイテムを検出するように機能させるレコメンドアイテム検出方法において、
各アイテムの推定得意度を、レビュア識別子毎に記憶した批評者得意度蓄積部と、
各アイテムに対するユーザ全体の推定注目度を記憶したアイテム注目度蓄積部と
を有し、
レコメンド対象のレビュア識別子における推定得意度と、各アイテムにおける推定注目度との乗算値を、当該レビュア識別子の批評者に対するアイテムの適用度として算出する第１のステップと、
当該アイテムについて、適用度が最も高い又は所定閾値以上のレビュア識別子を選択する第２のステップと
を有することを特徴とする。

本発明のレコメンドアイテム検出プログラム、装置及び方法によれば、多数のアイテムに対して多数の批評者によって批評コメントが投稿されている中で、批評者の得意分野に応じて批評コメントの記述を所望するアイテムを検出することができる。検出されたアイテムを批評者へ推薦することによって、当該批評者が、批評者としての能力を最大限に生かした批評コメントを投稿することができる。

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。 批評コメントを収集し且つアイテムをレコメンドするシーケンス図である。 批評者投稿テーブルを表す説明図である。 アイテム興味リストテーブルを表す説明図である。 本発明におけるレコメンドアイテム検出装置の機能構成図である。 協調フィルタリングによって算出された推定得意度を表す説明図である。 アイテム注目度算出部によって算出されたアイテム注目度を表す説明図である。 各ユーザに対する批評者毎の適用度を表す説明図である。 批評コメントを収集し且つアイテムをレコメンドするシーケンス図である。 他の実施形態における批評者投稿テーブルを収集するシーケンス図である。

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３は、批評コメントを収集し且つアイテムをレコメンドするシーケンス図である。

図２によれば、図１と同様に、インターネットにレコメンドアイテム検出装置（サーバ）１が接続されている。ここで、本発明におけるレコメンドアイテム検出装置１は、批評コメントを投稿する批評者に対して、その批評者の得意度の高いアイテムをレコメンドするものである。その後、批評者が、レコメンドされたそのアイテムについて批評コメントを投稿することを期待している。

尚、「アイテム」とは、商品・役務の詳細を記載したウェブページへのリンク（ＵＲＬ）や、その商品・役務に関連するハッシュタグのようなものであってあってもよい（ユーザに、ＵＲＬやハッシュタグをレコメンドする等）。以下では、例えばスマートフォンにインストールされるアプリケーションソフトウェアであるとして説明する。

「批評コメント」とは、アイテムに対して批評者によって記述された文章をいう。例えば、ＥＣサイトの商品詳細ページにて公開されるコメントや、外部のＳＮＳサイト又はブログサイトに投稿されたコメント文章であってもよい。外部のＳＮＳサイト等の批評コメントを利用する際は、共通に定義されたアイテム識別子を用いるか、又は、アイテムに関連するハッシュタグを用いることでどのアイテムに関するコメントかを判別することも望ましい。

（Ｓ３０１）最初に、批評者は、端末４を用いて、ＥＣサイトサーバ３のアイテムページで、所望のアイテムについて「コメントする」ボタンをクリックし、批評コメントを記述する。批評者の端末４は、アイテムに対応付けられた批評コメントを、ＥＣサイトサーバ３へ送信する。ＥＣサイトサーバ３は、「いいね！」ボタンに対応する例えばfacebook（登録商標）のＳＮＳサイトサーバ５へ、その批評コメントを転送する。これによって、ＳＮＳサイトサーバ５は、転送された批評コメントをグループ内に公開する。

（Ｓ３０２）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、ＥＣサイトサーバ３は、当該ユーザにおけるウィッシュリスト（又は、ブックマークリスト、ほしい物リスト、お気に入り、購入、利用、閲覧等）を登録する。「ウィッシュリスト」とは、訪問者（ユーザ）が購入・利用のために選択したアイテム（又はＵＲＬ(Uniform Resource Locator)）をリストとして登録したものである。ＥＣサイトサーバ３の運用者にとっては、多数のユーザから収集された膨大なウィッシュリストを解析することによって、需要者一般が興味を持つアイテムを抽出することができる。

（Ｓ３０３）レコメンドアイテム検出装置１は、ＥＣサイトサーバ３から、「批評者投稿テーブル」及び「アイテム興味リストテーブル」を取得する。レコメンドアイテム検出装置１は、ＥＣサイトサーバ３に対して、ＡＰＩ(Application Programming Interface)を介して、批評者投稿テーブル及びアイテム興味リストテーブルを取得する。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。このＡＰＩは、サーバ毎に異なるものとして用意される。

尚、図３によれば、レコメンドアイテム検出装置１は、これら情報をＥＣサイトサーバ３から取得しているが、これらに限られず、ユーザ操作に基づく端末２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。

［批評者投稿テーブル］
「批評者投稿テーブル」とは、レビュア識別子毎に、当該批評者が各アイテムについて投稿済みか否か（２値：０又は１）を表すものである。「レビュア識別子」とは、批評者毎に付与された識別子である。

図４は、批評者投稿テーブルを表す説明図である。

図４のテーブルは、レビュア識別子（縦列）とアイテム（横列）とを有する。図４によれば、批評者１は、アプリ１に対して批評コメントを投稿済みであることを表す（批評コメントの記述済み＝１／未記述＝０）。また、批評者４は、アプリ１に対して批評コメントを投稿していないことを表す。「アプリ」は、例えば携帯電話機やスマートフォンにインストール可能なアプリケーションソフトウェアであるとする。

［アイテム興味リストテーブル］
「アイテム興味リストテーブル」とは、ユーザリスト毎に、各アイテムについて興味の有無を表すものである。例えば各アイテムの利用履歴や興味履歴を２値（０，１）で表したものである。ユーザリストとは、例えばウィッシュリスト、ブックマークへの登録リスト（ブックマーカ）又はほしい物リストのようなものである。

図５は、アイテム興味リストテーブルを表す説明図である。

図５によれば、ブックマーカ（縦列）毎に、過去に当該ユーザが購入利用又は興味を持ったアイテム（横列）のみに、「１」が付与されている。例えば、図５によれば、「ブックマーカ２のユーザは、アプリ１に興味を持っている」「ブックマーカ４のユーザは、アプリ１に興味をもっていない」ことが理解できる。例えば、図５によれば、「ブックマーカ１のユーザは、アプリ１、２、３、５に興味持っている」ことが理解できる。

そして、本発明のレコメンドアイテム検出装置１は、批評者投稿テーブル及びアイテム興味リストテーブルを蓄積することによって、多数のアイテムに対して多数の批評者によって批評コメントが投稿されている中で、批評者の得意分野とユーザ全体の興味分野とを解析し、批評コメントの記述を所望するアイテムを選択し、そのアイテムを批評者へ推薦する。

図６は、本発明におけるレコメンドアイテム検出装置の機能構成図である。
以下では、前述した図３のシーケンスを参照しつつ、図６の各機能構成部について説明する。

図６によれば、レコメンドアイテム検出装置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、批評者得意度蓄積部１１と、アイテム注目度蓄積部１２と、批評者適用度算出部１３と、アイテム選択部１４と、レコメンド部１５と、批評コメント蓄積部１６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アイテム検出プログラムを実行することによって実現される。

［批評者得意度蓄積部１１］
批評者得意度蓄積部１１は、各アイテムの推定得意度を、レビュア識別子毎に記憶する。ここで、図６によれば、レコメンドアイテム検出装置１は、批評者投稿テーブル蓄積部１１１と、協調フィルタリング部１１２とを有する。

批評者投稿テーブル蓄積部１１１は、批評者投稿テーブル（前述した図４参照）を、例えばＥＣサイトサーバ３（又はユーザ端末や他のサーバ）から受信し蓄積する（図３のＳ３１１参照）。

協調フィルタリング部１１２は、批評者投稿テーブル蓄積部１１１の批評者投稿テーブルから、協調フィルタリングを用いて、レビュア識別子毎に、未投稿の各アイテムの推定得意度を算出する（図３のＳ３１２参照）。推定得意度は、当該批評者にとって、未記述のアイテム（アプリ）について、その得意度を数値化（０〜１）したものである。当該批評者の批評コメントの投稿傾向と類似する他の批評者によって記述されたアイテムであって、当該批評者が未記述のアイテムについて、高い値となる。算出された推定得意度は、批評者得意度蓄積部１１によって蓄積される（図３のＳ３１３参照）。

協調フィルタリングは、批評者投稿テーブルを用いて、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及び２参照）。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）批評者同士が同時投稿したアイテムの組み合わせの回数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４によれば、アプリ１及び３について、３人の批評者が批評コメントを投稿している。即ち、第１のアイテムと合わせて購入された第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投稿される推定割合を、算出する。この推定割合を、推定得意度とする。

図７は、協調フィルタリングによって算出された推定得意度を表す説明図である。

図７によれば、例えば批評者１は、アプリ１、２、３及び５について過去に批評コメントを投稿している。ここで、批評コメントの投稿済みのアプリにおける批評者得意度は、協調フィルタリングについて定義する最小の値（０）を与える。批評者得意度を０〜１で定義する。
Pref(Ｒ,Ａ) ：批評者ＲがアプリＡについて投稿する推定得意度
Pref(Ｒ,Ａ)＝０：批評者Ｒは、アプリＡに対する批評コメントを投稿済み

次に、批評者１が、未投稿のアプリ４に対して批評する推定得意度は、０．７３となっている。また、批評者１が、未投稿のアプリ６について批評する推定得意度は、０．９９となっている。ここでは、批評者１は、アプリ６に関する批評コメントの得意度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。

［アイテム注目度蓄積部１２］
アイテム注目度蓄積部１２は、各アイテムに対するユーザ全体の推定注目度を記憶する。ここで、図６によれば、レコメンドアイテム検出装置１は、アイテム興味リストテーブル蓄積部１２１と、アイテム注目度算出部１２２とを更に有する。

アイテム興味リストテーブル蓄積部１２１は、ユーザリスト毎に、各アイテムの興味の有無を蓄積する（前述した図５参照、図３のＳ３１１参照）。興味を持つものには、「１」が付与されている。
φ(Ｕ,Ａ)＝１：ユーザリストＵにアプリＡがチェック済み（興味有り）
＝０：ユーザリストＵにアプリＡに未チェック（興味無し）

アイテム注目度算出部１２２は、アイテム毎に、興味の有無の値を平均化（又は累積化、正規化、最大値）した推定注目度を算出する（図３のＳ３１４参照）。例えばアイテム毎に、興味の有無のチェック（１／０）を単純合計するだけでも、アイテム毎の注目度を算出することができる。
Fun(Ａ)：アプリＡの推定注目度
Fun(Ａ)＝Σφ(Ｕ,Ａ)
尚、興味の有無が値範囲を持つ場合、アイテム毎の注目度は、例えば正規化によって算出するものであってもよい。尚、正規化とは、（素値−最小値）／（最大値−最小値）で０〜１間の値にすることをいう。

図８は、第１のアイテム注目度を表す説明図である。

図８によれば、レビュア識別子毎に、各アイテムに対する各批評評価者からの評価レベルを累積化した推定注目度が表されている。この推定注目度は、アイテム注目度蓄積部１２によって蓄積される（図３のＳ３１５参照）。図８によれば、アプリ４に対するユーザ全体の推定注目度は、「３」である。また、アプリ６に対するユーザ全体の推定注目度は、「２」である。この場合、アプリ４の方が、ユーザ全体の推定注目度は高いといえる。

図９は、第２のアイテム注目度を表す説明図である。

他の実施形態として、図９によれば、ユーザリストＵ毎に、重み係数Ｗ(Ｕ)が付与されている。そして、アイテム注目度算出部１２２は、各アイテムの推定注目度を、興味の有無の値に重み係数を乗算した値を用いて、平均化等を算出する。
Ｗ(Ｕ)：ユーザリストＵにおける重み係数
Fun(Ａ)＝Σ(Ｗ(Ｕ)＊φ(Ｕ,Ａ))

図９によれば、アプリ４に対するユーザ全体の推定注目度は、以下のように表される。
１＊０．８＋１＊０．３＋１＊０．２＝１．３
また、アプリ６に対するユーザ全体の推定注目度は、以下のように表される。
１＊０．５＋１＊０．２＝０．７
この場合、アプリ４の方が、ユーザ全体推定注目度は高いといえる。

［批評者適用度算出部１３］
批評者適用度算出部１３は、レコメンド対象のレビュア識別子Ｒにおける推定得意度Pref(Ｒ,Ａ)と、各アイテムにおける推定注目度Fun(Ａ)とから、当該レビュア識別子の批評者に対するアイテムの適用度Point(Ｒ,Ａ)を算出する（図３のＳ３１６参照）。具体的は、以下の式のように、推定得意度Pref(Ｒ,Ａ)と推定注目度Fun(Ａ)とを乗算する。
Point(Ｒ,Ａ)：批評者ＲにおけるアイテムＡの適用度
Point(Ｒ,Ａ)＝Fun(Ａ)*Pref(Ｒ,Ａ)

図１０は、各ユーザに対する批評者毎の適用度を表す説明図である。

図１０によれば、批評者１が未投稿のアプリ４について、以下のように算出される。
Point(Ｒ,Ａ)＝０．７３＊１．３＝０．２１９
また、批評者１が未投稿のアプリ６について、以下のように算出される。
Point(Ｒ,Ａ)＝０．９９＊０．７＝０．６９３
この場合、批評者１に対してはアプリ６をレコメンドする方が、適用度が高いといえる。

他の実施形態として、批評者適用度算出部１３は、レビュア識別子に基づく批評者と、ユーザリストに基づくユーザとが、コミュニケーショングループに属するか否かを考慮することも好ましい。これは、例えばtwitterであればフォロー関係であり、facebookであれば友達関係である。批評者適用度算出部１３は、アイテム興味リストテーブル蓄積部１２１に対して、当該ユーザＵが批評者Ｒのコミュニケーショングループに属していない場合、当該ユーザＵのユーザリストにおける各アイテムの興味の有無の値を０にする。この場合、アイテム注目度は、以下の式によって表される。
Fun(Ｒ,Ａ)：批評者ＲにおけるアイテムＡの推定注目度
Fun(Ｒ,Ａ)＝Σφ(Ｕ,Ａ)*Ψ(Ｕ,Ｒ)
Ψ(Ｕ,Ｒ)＝１：ユーザＵが批評者Ｒをフォローしている
＝０：ユーザＵが批評者Ｒをフォローしていない
この場合、批評者適用度は、以下の式によって表される。。
Point(Ｒ,Ａ)＝Fun(Ｒ,Ａ)＊Pref(Ｒ,Ａ)

このように、コミュニケーショングループ（コミュニティ）内で人気のアイテムに注目することによって、そのコミュニティ内について「コメントをすることのモチベーションを高める（評価される喜び）」や「コミュニケーションを活性化させる（コメントすべきテーマを発見）」という潜在的な効果も得られるものと考えられる。

更に他の実施形態として、アイテム注目度について、批評者ＲにおけるユーザＵの重みを考慮することも好ましい。批評者適用度算出部１３は、アイテム興味リストテーブル蓄積部１２１に対して、レビュア識別子の批評者Ｒに対する当該ユーザリストに基づくユーザＵの重み係数Ｗ(Ｒ, Ｕ)を再設定する。この場合、アイテム注目度は、以下の式によって表される。
Ｗ(Ｒ,Ｕ)：批評者ＲにおけるユーザＵの重み
Fun(Ｒ,Ａ)=Σ(Ｗ(Ｒ,Ｕ)＊φ(Ｕ,Ａ))

ここで、重み係数Ｗ(Ｕ)又はＷ(Ｒ,Ｕ)は、ユーザリストＵのチェックしたアプリに対する先見の明の良さを評価するものである。例えば、一定期間中についてユーザＵがチェックしたアプリを記録する。そして、ユーザリストＵ毎に、アイテム興味度の高いアイテム（例えば売り上げが多い等のアプリ）を事前にチェックしていた場合、重み係数を追加的にフィードバックする。
Ｗ'(Ｕ)：以前のＷ(Ｕ)
α：０〜１の定数
Ｗ(Ｕ)＝αＷ'(Ｕ)＋(１−α)φ(Ｕ,Ａ)

［アイテム選択部１４］
アイテム選択部１４は、当該アイテムについて、適用度に基づいてレビュア識別子を選択する。具体的には、各アイテムについて、適用度Point(Ｒ,Ａ)が最も高いレビュア識別子を選択する（図３のＳ３１７参照）。また、適用度Point(Ｒ,Ａ)が所定閾値以上となる１つ以上のレビュア識別子を選択するものであってもよい。

［レコメンド部１５］
レコメンド部１５は、当該アイテムを、選択されたレビュア識別子のレビュアが操作する端末へ送信する（図３のＳ３１８参照）。

［批評コメント蓄積部１６］
批評コメント蓄積部１６は、各アイテムについて、レビュア識別子毎の批評コメントを蓄積する。批評コメントは、例えばＥＣサイトサーバ３から取得したものである。

これに対し、レコメンド部１５は、最初に、批評者得意度蓄積部１１から、送信すべき当該アイテムに対して、推定得意度が所定閾値以上となる他の批評者のレビュア識別子を検索する。次に、レコメンド部１５は、批評コメント蓄積部１６から、他の批評者のレビュア識別子に基づく批評コメントを検索する。そして、レコメンド部１５は、批評コメントも、アイテム選択部１４によって選択されたレビュア識別子の批評者が操作する端末へ送信する。この一連の処理は、アイテムをレコメンドする批評者に対して、他の批評者によって投稿された批評コメントを閲覧させることに意味がある。当該批評者は、当該アイテムについて得意度が高いために、他の批評者の批評コメントを閲覧することによって、更に適切な批評コメントを投稿してくれることが期待される。

他の実施形態として、批評コメント蓄積部１６を備えることなく、他のサーバ（例えばＳＮＳサイトサーバ）から、他の批評者の批評コメントを取得することも好ましい。レコメンド部１５は、最初に、批評者得意度蓄積部１１から、送信すべき当該アイテムに対して、推定得意度が所定閾値以上となる他の批評者のレビュア識別子を検索する。次に、レコメンド部１５は、他の批評者のレビュア識別子及び当該アイテムに基づく批評コメントを、他のサーバ（例えばＳＮＳサイトサーバ）から検索する。そして、レコメンド部１５は、批評コメントも、アイテム選択部１４によって選択されたレビュア識別子の批評者が操作する端末へ送信する。

図１１は、他の実施形態における批評者投稿テーブルを収集するシーケンス図である。

（Ｓ３０１）前述した図３のＳ３０１と同様に、最初に、批評者は、端末４を用いて、ＥＣサイトサーバ３のアイテムページで、所望のアイテムについて「コメントする」ボタンをクリックし、批評コメントを記述する。批評者の端末４は、アイテムに対応付けられた批評コメントを、ＥＣサイトサーバ３へ送信する。

（Ｓ３２１）その後、批評評価者は、端末６を用いて、ＥＣサイトサーバ３における当該アイテムを閲覧し、その批評コメントも視認することができる。このとき、批評評価者は、その批評コメントについて例えば「いいね！」ボタンをクリックしたとする。批評評価者の端末６は、この評価レベルを、ＥＣサイトサーバ３へ送信する。

（Ｓ３２２）ＥＣサイトサーバ３は、「いいね！」ボタンに対応する例えばfacebook（登録商標）のＳＮＳサイトサーバ５へ、その批評コメントを転送する。これによって、ＳＮＳサイトサーバ５は、転送された批評コメントをグループ内に公開する。

（Ｓ３２３）ＥＣサイトサーバ３は、当該アイテムについて、転送した批評コメントの数をカウントする。そして、ＥＣサイトサーバ３は、収集したカウント数を、本発明に基づくレコメンドアイテム検出装置１へ送信する。

（Ｓ３２４）レコメンドアイテム検出装置１は、ＥＣサイトサーバ３から受信したカウント数が、所定閾値以上か否かを判定し、その結果を、批評者投稿テーブルに反映する。例えばアプリ１に対する批評者１の批評コメントに、「いいね！」（評価投稿）が所定閾値数以上投稿された場合、批評者１に対するアプリ１の部分に、「投稿済み（１）」と表す。即ち、批評者投稿テーブルには、レビュア識別子毎に、当該批評者が各アイテムについて投稿した批評コメントに対して、複数の批評評価者における所定閾値数以上の評価投稿があった際に、「投稿済み」と表す。

以上、詳細に説明したように、本発明のレコメンドアイテム検出プログラム、装置及び方法によれば、多数のアイテム（商品・役務）に対して多数の批評者によって批評コメントが投稿されている中で、批評者の得意分野に応じて、批評コメントの記述を所望されているアイテムを選択し、そのアイテムを批評者へ推薦することができる。即ち、その批評者の手間に見合う、批評すべきアイテムを優先的に発見できるようになる。また、ＥＣサイトサーバについては、アイテムの批評コメントを、当該アイテムについて批評者適応度の高い批評者へ記述を促してアフィリエイト報酬を還元するような、ターゲットを絞った効率の良いアフィリエイトビジネスモデルを構築することが可能となる。即ち、ＥＣサイトサーバからみれば、批評者が批評コメントを積極的に記述する行為に対する効率を高めることができる。

本来、批評者は、そのアイテムの分野について深い見識を持った上で、一般需要者が理解しやすい文章を記述する能力が必要となる。しかしながら、批評者にとっては、莫大な情報量の中から、自らの得意分野のアイテムであって且つ他のユーザが批評コメントを必要としている特定のアイテムを探し出すことが極めて難しい。本発明のレコメンドアイテム検出装置等を用いることによって、これから注目されるアイテムを未然に予測することにさほど長けていない批評者に対しても、アイテムを探し出す行為をサポートすることで、このような情報発見の労力を軽減することができる。

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 レコメンドアイテム検出装置
１０ 通信インタフェース
１１ 批評者得意度蓄積部
１１１ 批評者投稿テーブル蓄積部
１１２ 協調フィルタリング部
１２ アイテム注目度蓄積部
１２１ アイテム興味リストテーブル蓄積部
１２２ アイテム注目度算出部
１３ 批評者適用度算出部
１４ アイテム選択部
１５ レコメンド部
１６ 批評コメント蓄積部
２ ユーザ用の端末
３ ＥＣサイトサーバ
４ 批評者用の端末
５ ＳＮＳサイトサーバ
６ 批評評価者用の端末
７ レコメンド装置

Claims (13)

1. 装置に搭載されたコンピュータを、レビュア識別子における批評者へ、批評コメントを投稿すべきアイテムをレコメンドするように機能させるレコメンドアイテム検出プログラムにおいて、
   各アイテムの推定得意度を、レビュア識別子毎に記憶した批評者得意度蓄積手段と、
   各アイテムに対するユーザ全体の推定注目度を記憶したアイテム注目度蓄積手段と、
   レコメンド対象のレビュア識別子における推定得意度と、各アイテムにおける推定注目度との乗算値を、当該レビュア識別子の批評者に対するアイテムの適用度として算出する批評者適用度算出手段と、
   当該アイテムについて、前記適用度が最も高い又は所定閾値以上のレビュア識別子を選択するアイテム選択手段と
   して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アイテム検出プログラム。
2. 前記アイテム選択手段によって選択された当該アイテムを、選択されたレビュア識別子の批評者が操作する端末へ送信するレコメンド手段を更に有することを特徴とする請求項１に記載のレコメンドアイテム検出プログラム。
3. 各アイテムについて、レビュア識別子毎の批評コメントを蓄積した批評コメント蓄積手段を更に有し、
   前記レコメンド手段は、
   前記批評者得意度蓄積手段から、送信すべき当該アイテムに対して、推定得意度が所定閾値以上となる他の批評者のレビュア識別子を検索し、
   前記批評コメント蓄積手段から、前記他の批評者のレビュア識別子に基づく批評コメントを検索し、
   前記批評コメントも、前記アイテム選択手段によって選択されたレビュア識別子の批評者が操作する端末へ送信する
   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２に記載のレコメンドアイテム検出プログラム。
4. 前記レコメンド手段は、
   前記批評者得意度蓄積手段から、送信すべき当該アイテムに対して、推定得意度が所定閾値以上となる他の批評者のレビュア識別子を検索し、
   前記他の批評者のレビュア識別子及び当該アイテムに基づく批評コメントを、他のサーバから検索し、
   前記批評コメントも、前記アイテム選択手段によって選択されたレビュア識別子の批評者が操作する端末へ送信する
   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２に記載のレコメンドアイテム検出プログラム。
5. レビュア識別子毎に、当該批評者が各アイテムについて投稿済みか否かを表す批評者投稿テーブルを蓄積した批評者投稿テーブル蓄積手段と、
   前記批評者投稿テーブル蓄積手段から、協調フィルタリングを用いて、前記レビュア識別子毎に未投稿の各アイテムの推定得意度を算出し、該推定得意度を前記批評者得意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から４のいずれか１項に記載のレコメンドアイテム検出プログラム。
6. 前記批評者投稿テーブル蓄積手段の前記批評者投稿テーブルは、レビュア識別子毎に、当該批評者が各アイテムについて投稿した批評コメントに対して、複数の批評評価者における所定閾値数以上の評価投稿があった際に、「投稿済み」と表す
   ことを特徴とする請求項５に記載のレコメンドアイテム検出プログラム。
7. ユーザリスト毎に、各アイテムについて興味の有無を表すテーブルを蓄積したアイテム興味リストテーブル蓄積手段と、
   アイテム毎に、興味の有無の値を平均化（又は累積化、正規化、最大値）した推定注目度を算出し、該推定注目度を前記アイテム注目度蓄積手段へ出力するアイテム注目度算出手段と
   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６のいずれか１項に記載のレコメンドアイテム検出プログラム。
8. 前記ユーザリストは、ウィッシュリスト、ブックマークへの登録リスト、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請求項７に記載のレコメンドアイテム検出プログラム。
9. 前記批評者適用度算出手段は、前記アイテム興味リストテーブル蓄積手段に対して、ユーザＵが批評者Ｒのコミュニケーショングループに属していない場合、当該ユーザＵのユーザリストにおける各アイテムの興味の有無の値を０に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又は８に記載のレコメンドアイテム検出プログラム。
10. 前記アイテム興味リストテーブル蓄積手段は、ユーザリスト毎に重み係数Ｗ(Ｕ)が付与されており、
    前記アイテム注目度算出手段は、ユーザリスト毎の各アイテムに対する興味の有無の値に、前記重み係数を乗算した値を平均化（又は累積化、正規化、最大値）した推定注目度を算出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から９のいずれか１項に記載のレコメンドアイテム検出プログラム。
11. 前記アイテム興味リストテーブル蓄積手段は、ユーザリスト毎に、レビュア識別子の批評者Ｒに対する当該ユーザリストに基づくユーザＵの重み係数Ｗ(Ｒ,Ｕ)が付与されており、
    前記アイテム注目度算出手段は、ユーザリスト毎の各アイテムに対する興味の有無の値に、前記重み係数を乗算した値を平均化（又は累積化、正規化、最大値）した推定注目度を算出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から９のいずれか１項に記載のレコメンドアイテム検出プログラム。
12. レビュア識別子における批評者へ、批評コメントを投稿すべきアイテムを検出するように機能させるレコメンドアイテム検出装置において、
    各アイテムの推定得意度を、レビュア識別子毎に記憶した批評者得意度蓄積手段と、
    各アイテムに対するユーザ全体の推定注目度を記憶したアイテム注目度蓄積手段と、
    レコメンド対象のレビュア識別子における推定得意度と、各アイテムにおける推定注目度との乗算値を、当該レビュア識別子の批評者に対するアイテムの適用度として算出する批評者適用度算出手段と、
    当該アイテムについて、前記適用度が最も高い又は所定閾値以上のレビュア識別子を選択するアイテム選択手段と
    を有することを特徴とするレコメンドアイテム検出装置。
13. 装置を用いて、レビュア識別子における批評者へ、批評コメントを投稿すべきアイテムを検出するように機能させるレコメンドアイテム検出方法において、
    各アイテムの推定得意度を、レビュア識別子毎に記憶した批評者得意度蓄積部と、
    各アイテムに対するユーザ全体の推定注目度を記憶したアイテム注目度蓄積部と
    を有し、
    レコメンド対象のレビュア識別子における推定得意度と、各アイテムにおける推定注目度との乗算値を、当該レビュア識別子の批評者に対するアイテムの適用度として算出する第１のステップと、
    当該アイテムについて、前記適用度が最も高い又は所定閾値以上のレビュア識別子を選択する第２のステップと
    を有することを特徴とするレコメンドアイテム検出方法。

Images