JP5883760B2 - 商品推薦装置及び方法及びプログラム - Google Patents

商品推薦装置及び方法及びプログラム Download PDF

Info

Publication number
JP5883760B2
JP5883760B2 JP2012220720A JP2012220720A JP5883760B2 JP 5883760 B2 JP5883760 B2 JP 5883760B2 JP 2012220720 A JP2012220720 A JP 2012220720A JP 2012220720 A JP2012220720 A JP 2012220720A JP 5883760 B2 JP5883760 B2 JP 5883760B2
Authority
JP
Japan
Prior art keywords
user
representative
recommendation
purchase
purchase information
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.)
Expired - Fee Related
Application number
JP2012220720A
Other languages
English (en)
Other versions
JP2014074960A (ja
Inventor
優 甲谷
優 甲谷
明 片岡
明 片岡
中山　彰
彰 中山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2012220720A priority Critical patent/JP5883760B2/ja
Publication of JP2014074960A publication Critical patent/JP2014074960A/ja
Application granted granted Critical
Publication of JP5883760B2 publication Critical patent/JP5883760B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Description

本発明は、商品推薦装置及び方法及びプログラムに係り、特に、E-Commerce(電子商取引）サービスで提供されるユーザの商品購買において商品を推薦するための、商品推薦装置及び方法及びプログラムに関する。
商品推薦の手法はいくつも提案されているが、いずれの手法もユーザ数分異なる推薦リストが作成される可能性がある。
例えば、購買履歴（どのユーザがどの商品を購買したかの情報）を用いて各ユーザの各アイテムの購買確率を算出し、その値が高い順に各ユーザにアイテムのリストを提示する方法がある（例えば、非特許文献1参照）。この技術に基づく推薦システムでは、ユーザ一人一人で異なる推薦リストが記憶装置に保持されることになる。
また、利用者に興味を持つ部分のテキストを指定させ、そこに含まれる単語の出現頻度に基づいてユーザの興味を推定し、ユーザの興味を表す単語に基づいて商品を検索し、ユ−ザの興味のある商品を提示する技術がある（例えば、特許文献1参照）。この場合、ユーザ一人一人の興味キーワードが異なると、作成される推薦リストは異なる。
特開平１１−３３８８６９号公報
Resnick, P. et al., "GroupLens: An open architecture for collaborative filtering of netnews". CSCW '94: Proceedings of the 1994 ACM conference on Computer supported cooperative work, ACM Press New York, 1994.
従来技術に基づく推薦システムの応答速度を高めるために、結果の推薦リストを記憶装置に格納してしまい、推薦を行う際はその記憶装置から推薦リストを呼び出すことだけを行うようにすることを考える。その場合、記憶装置にはユーザ数分の推薦リストを格納できるだけの容量が必要になる。また、図１に示すように、結果の推薦リストにテキストだけでなく画像等が含まれる場合、１つの推薦リストを格納するための記憶装置の容量は大きくなってしまう。一般に、記憶装置は大規模であればあるほど低速になる。そのため、推薦システムを導入するE-Commerceサービスの利用者が莫大な数（例えば100万人規模）になり、1つの推薦リストを保存するための容量が増大すると、小規模で高速な記憶装置は使えないため、推薦のリクエストがあって（例えばユーザがログインして）から推薦リストの結果を返すまでの応答速度が非常に遅くなる。
具体的には、上記の特許文献１の手法を用いて商品を推薦する場合、一意に異なる興味キーワードの数分の推薦リストを記憶装置に格納することになる。興味キーワードはユーザ一人一人で異なる可能性があるため、記憶装置に格納する推薦リストの数は最悪の場合ユーザ数に比例する。非特許文献１に記載の手法で商品を推薦する場合、記憶装置に推薦リストをユーザ数分保持することになる。
本発明は上記の点に鑑みなされたもので、全ユーザの推薦リストを作成するのではなく、予め選択しておいた代表ユーザの推薦リストを作成しておき、代表でないユーザには最も類似した代表ユーザの推薦リストを用いることで必要な記憶装置の容量を小規模化、高速で小規模な記憶装置を用いることによりユーザ数の多いE-Commerceサービスにおいて高速な推薦を実現することが可能な商品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に、本発明（請求項１）は、E-Commerceサービスにおいて、ユーザの購買情報を利用して商品を推薦する商品推薦装置であって、
前記E-Commerceサービスにおける各ユーザＩＤの購買情報を取得し、購買情報記憶手段に格納する購買情報取得手段と、
前記購買情報記憶手段に格納された前記購買情報を用いて、各ユーザの購買特徴量を算出し、購買特徴量記憶手段に格納する購買特徴量算出手段と、
前記購買特徴量記憶手段に格納された前記購買特徴量から各ユーザのハッシュ値を算出し、算出した前記ハッシュ値の比較結果に基づいて各ユーザが代表ユーザであるかどうかを判定し、代表ユーザである場合、該ユーザのユーザＩＤと、算出した前記ハッシュ値とを代表ユーザ記憶手段に格納し、また代表ユーザでない場合、該ユーザと類似する代表ユーザを算出し、該ユーザのユーザＩＤと、算出した前記類似する代表ユーザのユーザＩＤとを類似代表ユーザ記憶手段に格納する代表ユーザ決定手段と、
前記購買情報記憶手段に格納されている前記購買情報と、前記代表ユーザ記憶手段に格納されている前記代表ユーザとを用いて、各代表ユーザへの各アイテムの推薦スコアを算出し、算出した前記推薦スコアに基づき各代表ユーザへの推薦リストを作成し、推薦リスト記憶手段に格納する推薦リスト作成手段と、
ユーザの識別子が与えられると、前記類似代表ユーザ記憶手段に格納されている前記類似する代表ユーザと、前記推薦リスト記憶手段に格納されている前記推薦リストを用いて、該ユーザと類似する代表ユーザの推薦リスト中のアイテムの識別子を推薦商品として選択する推薦処理手段と、を有する。
また、本発明（請求項２）は、前記購買特徴量算出手段において、
取得した購買情報を用いて、各ユーザの各購買をトピックに分類し、分類した前記トピックから各ユーザのトピック比率を算出し、算出した前記トピック比率を購買特徴量とする手段を含む。
本発明では、購買履歴あるいは推薦処理の中間結果を元に少数の代表ユーザを求めておいて、代表ユーザに向けた推薦リストだけ作成し、代表でないユーザには類似した代表ユーザの推薦リストを用いることにより、従来の技術では不可能であった、非常にユーザ数の多いインターネット上のサービス上でのアイテムの推薦が行えるようになる。これにより、インターネット上のサービスの多数のユーザの購買が促進されるため、大幅な収益増につながる。
推薦リストの例である。 本発明の一実施の形態における商品推薦装置の構成図である。 本発明の一実施の形態における購買情報テーブルの例である。 本発明の一実施の形態におけるトピック比率テーブルの例である。 本発明の一実施の形態におけるアイテム混合比テーブルの例である。 本発明の一実施の形態におけるトピックハッシュテーブルの例である。 本発明の一実施の形態におけるハッシュ乱数テーブルの例である。 本発明の一実施の形態におけるハッシュコードテーブルの例である。 本発明の一実施の形態における代表ユーザテーブルの例である。 本発明の一実施の形態における類似代表ユーザテーブルの例である。 本発明の一実施の形態における主記憶装置に保存される推薦リストの例である。 本発明の一実施の形態における購買情報時の処理のフローチャートである。 本発明の一実施の形態におけるトピック推定時の処理のフローチャートである。 本発明の一実施の形態における図１３のステップ３３０の詳細な処理のフローチャートである。 本発明の一実施の形態における図１４のステップ３３４の詳細な処理のフローチャートである。 本発明の一実施の形態におけるハッシュ値生成時の処理のフローチャートである。 本発明の一実施の形態における図１６のステップ３９０の詳細な処理のフローチャートである。 本発明の一実施の形態における推薦リスト作成時の処理のフローチャートである。 本発明の一実施の形態における推薦処理のフローチャートである。
本技術では、ユーザ数の多いE-Commerceサービスに対してリクエストに対して高速に結果を返すことが可能な推薦システムを実現することを目的とする。具体的には、購買履歴もしくは推薦処理の中間結果を元に数百から数千の代表ユーザを求めておいて、代表ユーザに向けた推薦リストだけ作成し、小規模で高速な記憶装置に格納しておく。
代表ユーザでないユーザに関する推薦のリクエストがあった場合には、購買履歴もしくは推薦処理の中間結果からLSH(Locality Sensitive Hashing)やKD(k-Dimensional)木等の高速な近似近傍検索法を用いて高速に類似した代表ユーザを発見し、その代表ユーザの推薦リストを用いる。
以下、図面と共に本発明の実施形態を説明する。
図２は、本発明の一実施の形態における商品推薦装置の構成を示す。
同図に示す商品推薦装置１は、購買情報処理部１０、トピック推定部２０、代表ユーザ決定部３０、推薦リスト作成部４０、推薦処理部５０、記憶部６０、主記憶装置７０、通信部８０、入出力部９０を有し、通信部８０はネットワーク３に接続されており、入出力部９０は、入力装置や表示装置等の外部装置４に接続されている。
記憶部６０は、購買情報テーブル６１、トピック比率テーブル６２、アイテム混合比テーブル６３、トピックハッシュテーブル６４、ハッシュコードテーブル６５、代表ユーザテーブル６６、類似代表ユーザテーブル６７を有する。以下に各テーブルについて説明する。
＜購買情報テーブル６１＞
購買情報テーブル６１には、図３に示すように、ユーザＩＤフィールド、アイテムＩＤフィールドが含まれる。
ユーザＩＤフィールドは、購買情報処理部１０により該購買に関するユーザを特定する識別子uが設定される。
アイテムＩＤフィールドは、購買情報処理部１０により、該購買がいずれのアイテムに関するものかを特定する識別子iが設定される。
＜トピック比率テーブル６２＞
トピック比率テーブル６２には、図４に示すように、ユーザＩＤフィールドと、トピックＩＤフィールドと、トピック比率フィールドとが含まれる。
トピック比率フィールドは、トピック推定部２０により、該ユーザuの購買で、該トピックzが選択される確率P(z|u)が設定される。
＜アイテム混合比テーブル６３＞
アイテム混合比テーブル６３には、図５に示すように、トピックＩＤフィールド(z)と、アイテムＩＤフィールド(i)と、アイテム混合比フィールドが含まれる。
アイテム混合比フィールドは、トピック推定部２０により、該トピックzが選択された場合に該アイテムiが購買される確率P(i|z)が設定される。
＜トピックハッシュテーブル６４＞
トピックハッシュテーブル６４には、図６に示すように、バケットＩＤフィールドと、コードＩＤフィールドと、トピックＩＤフィールドと、トピックハッシュフィールドが含まれる。
バケットＩＤフィールドは、代表ユーザ決定部３０により、代表ユーザ発見時に複数利用するハッシュテーブルのそれぞれを特定するＩＤ(t)が設定される。
コードＩＤフィールドは、代表ユーザ決定部３０により、ハッシュ値計算に利用する複数のハッシュコードのそれぞれを特定するＩＤ(c)が設定される。
トピックＩＤフィールドは、代表ユーザ決定部３０によりハッシュ値計算に利用するトピックを特定するＩＤ(z)が設定される。
トピックハッシュフィールドは、代表ユーザ決定部３０により、ハッシュ値計算に利用する次元がトピック数で各要素が乱数で初期化されたベクトルの要素値（atcz）が設定される。
＜ハッシュ乱数テーブル６５＞
ハッシュ乱数テーブル６５には、図７に示すように、バケットＩＤフィールド(t)と、コードＩＤフィールド(c)と、ハッシュ乱数フィールドが含まれる。
ハッシュ乱数フィールドは、代表ユーザ決定部３０により、該バケットの該コードに関するハッシュ乱数の値(btc)が設定される。
＜ハッシュコードテーブル６６＞
ハッシュコードテーブル６６には、図８に示すように、バケットＩＤフィールドと、コードＩＤフィールドと、ハッシュコードフィールドが含まれる。
ハッシュコードフィールドは、代表ユーザ決定部３０により、該バケットの該コード(c)に関するハッシュコードの値rtcが設定される。
＜代表ユーザテーブル６７＞
代表ユーザテーブル６７には、図９に示すように、代表ユーザＩＤフィールドと、バケットＩＤフィールドと、ハッシュ値フィールドが含まれる。
ハッシュ値フィールドは、代表ユーザ決定部３０により、代表ユーザ発見時に利用するハッシュテーブルの値(hut)が設定される。
＜類似代表ユーザテーブル６８＞
類似代表ユーザテーブル６８には、図１０に示すように、ユーザＩＤフィールドと、代表ユーザＩＤフィールドが含まれる。
各行は、そのユーザＩＤフィールド(u)で指定されるユーザの類似代表ユーザが代表ユーザＩＤフィールド(v)で指定される代表ユーザであることを示し、これらの値は代表ユーザ決定部３０により設定される。
主記憶装置７０には、推薦リスト７１が保持される。以下に保持される推薦リスト７１の情報について説明する。
＜推薦リスト７１＞
推薦リスト７１には、図１１に示すように、代表ユーザＩＤフィールドと、アイテムＩＤフィールドと、推薦スコアフィールドが含まれる。
推薦スコアフィールドは、推薦リスト作成部４０により、該ユーザへの該アイテムの推薦スコア(P(i|v))が設定される。
上記の構成における動作を説明する。
＜購買情報更新時の処理＞
はじめに、本発明の一実施の形態における購買情報更新時の処理を詳細に説明する。
図１２は、本発明の一実施の形態における購買情報更新時の処理のフローチャートである。購買情報更新のタイミングは、例えば、システム管理者が手動で管理できるようにしてもよいし、ユーザが何らかのアイテムを購買した場合に自動で発生するようにしてもよい。
ステップ１１０）購買情報処理部１０が、記憶部６０の購買情報テーブル６１に、購買された商品、購買したユーザに応じて商品(アイテム)ＩＤフィールド(i)、ユーザＩＤフィールド(u)の値を設定した行を挿入する。
＜トピック推定時の処理＞
図１３は、本発明の一実施の形態におけるトピック推定時の処理のフローチャートである。トピック推定のタイミングは、例えばシステム管理者が手動で管理することができるようにしてもよいし、定期的に自動で行ってもよい。なお、トピック推定部２０は、請求項の購買特徴量算出手段に対応する。
ステップ２１０）トピック推定部２０が、推薦のためのパラメータであるトピック数Z、トピック比率P(z|u)算出のための事前パラメータα、アイテム混合比P(i|z)算出のための事前パラメータηを設定する。これらパラメータは、予め与えておいた定数により設定される。
ステップ２２０）トピック推定部２０が、購買情報テーブル６１を参照し、購買情報、すなわち、各購買のユーザu={um}mと、商品(アイテム)i={im}mを取得する。
ステップ２３０）トピック推定部２０が、各購買のトピックz={zm}mを推定する。当該購買のトピックの推定方法については、図１４で説明する。
ステップ２４０）トピック推定部２０が、ステップ２１０にて設定したパラメータZ、αと、ステップ２３０にて推定した各購買のトピックzと 式（１）とを用いて、ユーザuの購買で、トピックzが選択される確率であるトピック比率P(z|u)を算出する。
Figure 0005883760
 ここでmは購買を特定する変数である。トピック推定部２０が、ユーザu、トピックz、トピック比率P(z|u)に応じて行を構成し、トピック比率テーブル６２に挿入する。
ステップ２５０）トピック推定部２０が、ステップ２１０にて設定したパラメータηと、ステップ２３０にて推定した各購買のトピックzと式（２）とを用いて、トピックzが選択された場合にアイテムiが購買される確率P(i|z)を算出する。
Figure 0005883760
 ここでNはユニークアイテム数である。トピック推定部２０が、トピックz、アイテムi、アイテム混合比P(i|z)に応じて行を構成し、アイテム混合比テーブル６３に挿入する。
次に、上記の図１３のステップ２３０の処理を詳細に説明する。
図１４は、本発明の一実施の形態における図１３のステップ２３０の詳細な処理のフローチャートである。
ステップ２３１）トピック推定部２０が、各購買のトピックzm (m=1,…，M)を最小値１、最大値の整数Kで初期化する。
ステップ２３２を、十分な回数（例えば５００回）繰り返す。繰り返しの回数については、予め設定した任意の数でも構わないし、各購買のトピックzが収束したらそこで打ち切るようにしてもよい。
ステップ２３２）トピック推定部２０が、各購買のトピックzm (m=1,…，M)を更新する。
次に、上記の図１４のステップ２３２の処理を詳細に説明する。
図１５は、本発明の一実施の形態における図１４のステップ２３２の詳細な処理のフローチャートである。当該処理は、非特許文献２（Blei, D.M et al., "Latent Dirichlet allocation）に記載の手法である。
全ての購買m=1,…，Mについて、ステップ２３２１とステップ２３２２を行う。
ステップ２３２１）トピック推定部２０が、該購買のトピックz mの各トピック候補k=1,…,Zへアサインされるサンプリング確率を式（３）により算出する。
Figure 0005883760
 ステップ２３２２）トピック推定部２０が、ステップ２３２１にて算出した該購買のトピックz mの各トピック候補k=1,…,Zへアサインされるサンプリング確率に基づき、乱数を発生させて、z mを更新する。具体的には、k=2,…,Zについて、式（４）に従ってサンプリング確率を更新する。
Figure 0005883760
 さらに、k=1,…,Zについて、サンプリングを式（５）のように更新する。
Figure 0005883760
 その後、最小値０、最大値１の小数の乱数を発生させてその値をサンプリング確率が上回る最小のkにアサインする。例を挙げて説明すると、今K=3として、式（３）に基づき算出されたサンプリング確率がそれぞれ
P(z m=1)=1.6
P(z m=2)=0.4
P(z m=3)=2.0
であったとする。つまり、それぞれのトピックに4:1:5の割合でサンプリングされるようにしたい。このとき、式（４）と式（５）を用いて、
P(z m=1)=0.4
P(z m=2)=0.5
P(z m=3)=1.0
とサンプリング確率を更新し、最小値０、最大値１の小数の乱数を発生させてその値をサンプリング確率が上回る最小のｋにアサインすればよい。
＜代表ユーザ決定処理＞
図１６は、本発明の一実施の形態における代表ユーザ決定時の処理のフローチャートである。代表ユーザ決定のタイミングは、例えばシステム管理者が手動で管理することができるようにしてもよいし、定期的に自動で行ってもよい。
ステップ３１０）代表ユーザ決定部３０が、トピックハッシュテーブル６４の全レコードを削除する。
ステップ３２０）代表ユーザ決定部３０が、ハッシュ乱数テーブル６５の全レコードを削除する。
ステップ３３０）代表ユーザ決定部３０が、ハッシュコードテーブル６６の全レコードを削除する。
ステップ３４０）代表ユーザ決定部３０が、代表ユーザテーブル６７の全レコードを削除する。
ステップ３５０）代表ユーザ決定部３０が、代表ユーザ決定に利用するハッシュテーブルの数であるバケット数Tと、ハッシュ値算出に利用するハッシュコードの数であるコード数C、ハッシュ乱数パラメータβ、コードパラメータρを設定する。これらパラメータは、予め与えておいた定数により設定される。
ステップ３６０）代表ユーザ決定部３０が、バケット、コード、トピックの各組合せ(t,c,z)について、最小0、分散1の正規分布から生成される乱数でトピックハッシュatczを決定し、該バケット、該コード、該トピックのトピックハッシュ値に応じて行を構成し、トピックハッシュテーブル６４に挿入する。
ステップ３７０）代表ユーザ決定部３０が、バケット、コードの各組合せ(t,c)について、最小0、最大βの小数乱数でハッシュ乱数ｂtcを決定し、該バケット、該コードのハッシュ乱数値に応じて行を構成しハッシュ乱数テーブル６５に挿入する。
ステップ３８０）代表ユーザ決定部３０が、バケット、コードの各組合せ(t,c)について、最小0、最大ρの乱数ｒtcでハッシュコードを決定し、該バケット、該コードのハッシュコード値に応じて行を構成し、ハッシュコードテーブル６６に挿入する。
ステップ３９０）代表ユーザ決定部３０が、生成したトピックハッシュ(atcz)と、ハッシュ乱数(btc)と、ハッシュコード(rtc)を用いて、購買情報テーブル６１、トピック比率テーブル６２を参照し、代表ユーザテーブル６６と類似代表ユーザテーブル６７を更新する。
次に、上記の図１６のステップ３９０の処理を詳細に説明する。
図１７は、本発明の一実施の形態における図１６のステップ３９０の詳細な処理のフローチャートである。以下に示す手法は、非特許文献３（Gionis， A． et al., "Similarity Search High Dimensions via Hashing"）に記載の手法である。
ステップ３９１）代表ユーザ決定部３０が、購買情報テーブル６１を参照し、そのユーザＩＤフィールドに出現する全ユーザ集合Uを取得する。
ステップ３９２）代表ユーザ決定部３０が、代表ユーザ集合を格納する一時変数Vを設定し、その値を空集合に設定する。
Uに出現する各ユーザuについて、ステップ３９３〜３９９を行う。
ステップ３９３）代表ユーザ決定部３０が、トピック比率テーブル６２を参照しユーザuの各トピックzに対するトピック比率P(z|u)を取得する。
ステップ３９４）代表ユーザ決定部３０が、ユーザuのバケットtに関するハッシュ値hutをユーザuのトピック比率P(z|u)、トピックハッシュatcz、ハッシュ乱数btc、ハッシュコードrtcを用いて式（６）のように算出する。
Figure 0005883760
 ここでfloor()は引数を越えない最大の整数を返す関数とする。
ステップ３９５）代表ユーザ決定部３０が、処理中の代表ユーザ集合V中の各代表ユーザvについて、ユーザuと各バケットtのハッシュ値、hvtとhutを比較し、一致するものがあればステップ３９６を行い、次のユーザの処理に移る。もしいずれの代表ユーザともすべてのバケットでハッシュ値が異なれば、ステップ３９７、ステップ３９８、ステップ３９９を行い、次のユーザの処理に移る。
ステップ３９６）代表ユーザ決定部３０が、ユーザＩＤフィールドの値がu、代表ユーザＩＤフィールドの値がvの行を構成し、類似代表ユーザテーブル６８に挿入する。
ステップ３９７）代表ユーザ決定部３０が、代表ユーザ集合Vにユーザuを追加する。
Figure 0005883760
 ステップ３９８）代表ユーザ決定部３０が、ユーザuの各バケットtに対するハッシュ値hutに応じて、代表ユーザＩＤフィールドをu、バケットＩＤフィールドt、ハッシュ値フィールドhutの行を構成し、代表ユーザテーブル６７に挿入する。
ステップ３９９）代表ユーザ決定部３０が、ユーザＩＤフィールドの値がu、代表ユーザＩＤフィールドの値がuの行を構成し、類似代表ユーザテーブル６８に挿入する。
＜推薦リスト作成処理＞
図１８は、本発明の一実施の形態における推薦リスト作成時の処理のフローチャートである。推薦リスト作成のタイミングは、例えばシステム管理者が手動で管理することができるようにしてもよいし、定期的に自動で行ってもよい。
ステップ４１０）推薦リスト作成部４０が、アイテム混合比テーブル６３を参照し、各トピックzにおける各アイテムiのアイテム混合比P(i|z)を取得する。
ステップ４２０）推薦リスト作成部４０が、代表ユーザテーブル６７を参照し、代表ユーザＩＤフィールドに出現する全ての代表ユーザ集合Vを取得する。
取得した代表ユーザ集合Vに出現する各代表ユーザuについて、ステップ４３０〜４５０を行う。
ステップ４３０）推薦リスト作成部４０が、トピック比率テーブル６２を参照し、ユーザＩＤフィールドの値がvである行から代表ユーザvの各トピックzに対するトピック比率P(z|v)を取得する。
ステップ４４０）推薦リスト作成部４０が、各アイテムiについて、取得したアイテム混合比とトピック比率からiのvに対する推薦スコアP(i|v)を式（８）のように算出する。
Figure 0005883760
 ステップ４５０）推薦リスト作成部が、vに対する推薦スコアからいずれのアイテムを推薦するかを決定し、ユーザＩＤフィールドの値がv、アイテムＩＤフィールドの値がi、推薦スコアフィールドの値がP(i|v)の行を推薦するアイテムの個数分構成し、主記憶７０中の推薦リスト７１に格納・保持する。ここでアイテムを推薦するかしないかの基準としては、推薦スコアの値が大きいものから順に予め設定した任意の件数を推薦すべき商品としてもよいし、推薦スコアに対し、何らかの閾値を設けて、 推薦スコアがその値を超えるものを推薦すべき商品としてもよい。
＜推薦処理時の処理＞
図１９は、本発明の一実施の形態における推薦処理時の処理のフローチャートである。推薦処理は、例えば通信部８０、ネットワーク３を通じて外部端末２から商品推薦装置１に推薦実行のリクエストが入力された場合に実行するようにすればよい。このときのリクエストの引数は推薦対象のユーザＩＤである。今、ユーザuに関する推薦のリクエストがあったとする。
ステップ５１０）推薦処理部５０が、類似代表ユーザテーブル６８を参照し、ユーザＩＤフィールドの値がuの行の代表ユーザＩＤフィールドの値vを取得する。
ステップ５２０）推薦処理部５０が、推薦リスト７１を参照し、ユーザvに対する推薦リストを取得し、リクエストを要求しているユーザuにその内容を推薦する。
なお、上記の商品推薦装置の各構成要素の処理をプログラムとして構築し、商品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。
また、構築されたプログラムをハードディスクや、フレキシブルディスク、ＣＤ−ＲＯＭ等の可搬記憶媒体に格納し、コンピュータにインストールする、または、配布することが可能である。
なお、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 商品推薦装置
２ 外部端末
３ ネットワーク
４ 外部装置
１０ 購買情報処理部
２０ トピック推定部（購買特徴量算出手段）
３０ 代表ユーザ決定部
４０ 推薦リスト作成部
５０ 推薦処理部
６０ 記憶部
７０ 主記憶装置
７１ 推薦リスト
８０ 通信部
９０ 入出力部

Claims (5)

  1. E-Commerce（電子商取引）サービスにおいて、ユーザの購買情報を利用して商品を推薦する商品推薦装置であって、
    前記E-Commerceサービスにおける各ユーザＩＤの購買情報を取得し、購買情報記憶手段に格納する購買情報取得手段と、
    前記購買情報記憶手段に格納された前記購買情報を用いて、各ユーザの購買特徴量を算出し、購買特徴量記憶手段に格納する購買特徴量算出手段と、
    前記購買特徴量記憶手段に格納された前記購買特徴量から各ユーザのハッシュ値を算出し、算出した前記ハッシュ値の比較結果に基づいて各ユーザが代表ユーザであるかどうかを判定し、代表ユーザである場合、該ユーザのユーザＩＤと、算出した前記ハッシュ値とを代表ユーザ記憶手段に格納し、また代表ユーザでない場合、該ユーザと類似する代表ユーザを算出し、該ユーザのユーザＩＤと、算出した前記類似する代表ユーザのユーザＩＤとを類似代表ユーザ記憶手段に格納する代表ユーザ決定手段と、
    前記購買情報記憶手段に格納されている前記購買情報と、前記代表ユーザ記憶手段に格納されている前記代表ユーザとを用いて、各代表ユーザへの各アイテムの推薦スコアを算出し、算出した前記推薦スコアに基づき各代表ユーザへの推薦リストを作成し、推薦リスト記憶手段に格納する推薦リスト作成手段と、
    ユーザの識別子が与えられると、前記類似代表ユーザ記憶手段に格納されている前記類似する代表ユーザと、前記推薦リスト記憶手段に格納されている前記推薦リストを用いて、該ユーザと類似する代表ユーザの推薦リスト中のアイテムの識別子を推薦商品として選択する推薦処理手段と、
    を有することを特徴とする商品推薦装置。
  2. 前記購買特徴量算出手段は、
    取得した購買情報を用いて、各ユーザの各購買をトピックに分類し、分類した前記トピックから各ユーザのトピック比率を算出し、算出した前記トピック比率を購買特徴量とする手段を含む
    請求項１記載の商品推薦装置。
  3. E-Commerce（電子商取引）サービスにおいて、ユーザの購買情報を利用して商品を推薦する商品推薦方法であって、
    購買情報取得手段、購買情報記憶手段、購買特徴量記憶手段、購買特徴量算出手段、類似代表ユーザ記憶手段、代表ユーザ記憶手段、代表ユーザ決定手段、推薦リスト記憶手段、推薦リスト作成手段、推薦処理手段と、を有する装置において、
    前記購買情報取得手段が、前記E-Commerceサービスにおける各ユーザＩＤの購買情報を取得し、前記購買情報記憶手段に格納する購買情報取得ステップと、
    前記購買特徴量算出手段が、前記購買情報記憶手段に格納された前記購買情報を用いて、各ユーザの購買特徴量を算出し、前記購買特徴量記憶手段に格納する購買特徴量算出ステップと、
    前記代表ユーザ決定手段が、前記購買特徴量記憶手段に格納された前記購買特徴量から各ユーザのハッシュ値を算出し、算出した前記ハッシュ値の比較結果に基づいて各ユーザが代表ユーザであるかどうかを判定し、代表ユーザである場合、該ユーザのユーザＩＤと、算出した前記ハッシュ値とを前記代表ユーザ記憶手段に格納し、また代表ユーザでない場合、該ユーザと類似する代表ユーザを算出し、該ユーザのユーザＩＤと、算出した前記類似する代表ユーザのユーザＩＤとを前記類似代表ユーザ記憶手段に格納する代表ユーザ決定ステップと、
    前記推薦リスト作成手段が、前記購買情報記憶手段に格納されている前記購買情報と、前記代表ユーザ記憶手段に格納されている前記代表ユーザとを用いて、各代表ユーザへの各アイテムの推薦スコアを算出し、算出した前記推薦スコアに基づき各代表ユーザへの推薦リストを作成し、前記推薦リスト記憶手段に格納する推薦リスト作成ステップと、
    前記推薦処理手段が、ユーザの識別子が与えられると、前記類似代表ユーザ記憶手段に格納されている前記類似する代表ユーザと、前記推薦リスト記憶手段に格納されている前記推薦リストを用いて、該ユーザと類似する代表ユーザの推薦リスト中のアイテムの識別子を推薦商品として選択する推薦処理ステップと、
    を行うことを特徴とする商品推薦方法。
  4. 前記購買特徴量算出ステップにおいて、
    取得した購買情報を用いて、各ユーザの各購買をトピックに分類し、分類した前記トピックから各ユーザのトピック比率を算出し、算出した前記トピック比率を購買特徴量とする
    請求項３記載の商品推薦方法。
  5. コンピュータを、
    請求項１又は２に記載の商品推薦装置を構成する各手段として機能させるための商品推薦プログラム。
JP2012220720A 2012-10-02 2012-10-02 商品推薦装置及び方法及びプログラム Expired - Fee Related JP5883760B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012220720A JP5883760B2 (ja) 2012-10-02 2012-10-02 商品推薦装置及び方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012220720A JP5883760B2 (ja) 2012-10-02 2012-10-02 商品推薦装置及び方法及びプログラム

Publications (2)

Publication Number Publication Date
JP2014074960A JP2014074960A (ja) 2014-04-24
JP5883760B2 true JP5883760B2 (ja) 2016-03-15

Family

ID=50749091

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012220720A Expired - Fee Related JP5883760B2 (ja) 2012-10-02 2012-10-02 商品推薦装置及び方法及びプログラム

Country Status (1)

Country Link
JP (1) JP5883760B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065071B (zh) * 2021-04-30 2023-07-25 中国平安人寿保险股份有限公司 一种产品信息推荐方法及计算机设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004017178A2 (en) * 2002-08-19 2004-02-26 Choicestream Statistical personalized recommendation system
WO2009017195A1 (ja) * 2007-07-31 2009-02-05 National Institute Of Advanced Industrial Science And Technology 楽曲推薦システム、楽曲推薦方法及び楽曲推薦用コンピュータプログラム
JP2011107808A (ja) * 2009-11-13 2011-06-02 Victor Co Of Japan Ltd コンテンツ推薦装置、コンテンツ推薦方法、及びコンテンツ推薦プログラム
JP4898938B2 (ja) * 2010-06-08 2012-03-21 株式会社ソニー・コンピュータエンタテインメント 情報提供システム及び情報提供方法

Also Published As

Publication number Publication date
JP2014074960A (ja) 2014-04-24

Similar Documents

Publication Publication Date Title
US8290818B1 (en) System for recommending item bundles
US8285602B1 (en) System for recommending item bundles
TWI524193B (zh) 用於搜尋結果之語義目錄的電腦可讀取媒體及電腦實現方法
WO2020048084A1 (zh) 资源推荐方法、装置、计算机设备及计算机可读存储介质
US11836778B2 (en) Product and content association
US20080294625A1 (en) Item recommendation system
CN110363604B (zh) 页面生成方法和装置
WO2014180196A1 (zh) 信息推荐处理方法及装置
Yu et al. Latent dirichlet allocation based diversified retrieval for e-commerce search
US20130179418A1 (en) Search ranking features
CN110781307A (zh) 目标物品关键词和标题生成方法、搜索方法以及相关设备
JP5404662B2 (ja) 商品推薦装置及び方法及びプログラム
CN113837842A (zh) 一种基于用户行为数据的商品推荐方法及设备
JP5356607B2 (ja) 共起セレンディピティレコメンダ
JP5622880B2 (ja) アイテム推薦システム、アイテム推薦方法およびアイテム推薦プログラム
JP5945206B2 (ja) 商品推薦装置及び方法及びプログラム
WO2019184480A1 (zh) 物品推荐
JP5883760B2 (ja) 商品推薦装置及び方法及びプログラム
Volk et al. New e-commerce user interest patterns
JP5613699B2 (ja) 商品推薦装置及び方法及びプログラム
JP5422069B1 (ja) アイテム推薦システム、アイテム推薦方法およびアイテム推薦プログラム
JP2004157649A (ja) 階層化されたユーザプロファイル作成方法およびシステム並びに階層化されたユーザプロファイル作成プログラムおよびそれを記録した記録媒体
JP7088656B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
JP5654977B2 (ja) 商品推薦装置及び方法及びプログラム
JP5696025B2 (ja) 商品情報推薦装置及び方法及びプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20150204

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20151127

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20151201

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160114

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: 20160202

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20160208

R150 Certificate of patent or registration of utility model

Ref document number: 5883760

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

LAPS Cancellation because of no payment of annual fees