JP5938009B2 - 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

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の関係をグラフ構造とみなし、そのグラフ構造中での両者の関係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。

非特許文献１では、利用履歴内のユーザ情報とアイテム情報をノードとし、ノードの接続関係をグラフ構造で表して、ＲＷＲ（Ｒａｎｄｏｍ Ｗａｌｋ ｗｉｔｈ Ｒｅｓｔａｒｔ）のアルゴリズムを適用することにより、推薦アイテムを特定している。

ＲＷＲのアルゴリズムでは、グラフ上で他ノードとの関連性の高い人気アイテムを重要アイテムとするため、個人化の度合いと人気度の度合いの両方を考慮した推薦が可能となり、推薦対象のユーザがアイテムを十分多く利用していない場合でも人気度の高いアイテムを推薦でき、より広い状況で利用することが可能となる。

また、上記非特許文献１では、ユーザ情報やアイテム情報以外に、ユーザ間やアイテム間の関連性を示したメタデータ情報を更に考慮することにより、利用履歴が少ない場合でも効果的にアイテムを推薦するようにしている。

更に、非特許文献２，３では、過去の利用履歴よりも直近の利用履歴の方がユーザの持つ最近の興味と関連性が高い点について着目し、忘却関数を用い、アイテム利用時刻からの経過時間に応じて当該アイテムへの興味に対する重みを減衰させるようにしている。

I.Konstas、外２名、"On Social Networks and Collaborative Recommendation"、Proc. SIGIR ‘09、p.195-202 Y.Ding、外１名、"Time Weight Collaborative Filtering"、Proc. CIKM ‘05、p.485-492 Nathan N. Liu、外３名、"Online Evolutionary Collaborative Filtering"、Proc. RecSys ‘10、p.95-102

しかし、上記非特許文献１の技術によれば、直近の利用履歴と過去の利用履歴を等しく扱うため、時間の経過に伴いユーザの興味が変化する場合にはアイテムの推薦精度が低下してしまう。

これに対し、上記非特許文献２，３の技術によれば、時間経過に伴い利用アイテムに対する興味の度合いを減衰させるため、より直近の利用履歴に合ったアイテムを推薦できる。

しかしながら、現実には、ある特定時期に利用されるアイテム（子供の誕生日前の数日間内に購入される玩具等）や、一定のタイムスパンで利用されるアイテム（数ヶ月毎に購入される歯磨き粉等）等、時間経過に伴って興味の度合いを単純に減衰させることが適切でないアイテムが存在するため、そのようなアイテムを適切に推薦できなかった。

本発明は、上記事情を鑑みてなされたものであり、ユーザの都合に適したアイテムを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、ユーザにより利用されたアイテムの識別情報とその利用時刻とを前記ユーザの識別情報に関連付けた利用履歴を記憶しておく記憶手段と、前記記憶手段から複数の利用履歴を取得し、各利用履歴に含まれる利用時刻を用いて、各アイテムが利用された時間的な利用パターンをアイテム毎又はユーザ毎に特定する特定手段と、関連付けられた前記アイテムの識別情報と前記ユーザの識別情報とをエッジでそれぞれ連結し、各利用時刻からの経過時間に応じた重みを各エッジに与え、所定の利用パターンに合致するアイテムがある場合には当該アイテムに係るエッジの重みを修正したグラフ構造を生成する生成手段と、前記グラフ構造内の各エッジに与えられた重みに基づき推薦アイテムを決定する決定手段と、を有することを要旨とする。

本発明によれば、所定の利用パターンに合致するアイテムがある場合には当該アイテムに係るグラフ構造上のエッジの重みを修正するため、ユーザの都合に適したアイテムを推薦できる。

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、経過時間に応じて減衰する重みを各エッジに与え、前記合致するアイテムに係るエッジの重みについては減衰後の重みよりも大きい重みに修正することを要旨とする。

本発明によれば、経過時間に応じて減衰する重みを各エッジに与え、所定の利用パターンに合致するアイテムに係るエッジの重みについては減衰後の重みよりも大きい重みに修正するため、ユーザの都合により適したアイテムを推薦できる。

請求項３に記載の情報推薦装置は、請求項１又は２に記載の情報推薦装置において、前記決定手段は、前記アイテムに関するメタデータが更にエッジで連結されたグラフ構造を用いて前記推薦アイテムを決定することを要旨とする。

本発明によれば、アイテムに関するメタデータが更にエッジで連結されたグラフ構造を用いて推薦アイテムを決定するため、ユーザの都合により適したアイテムを推薦できる。

請求項４に記載の情報推薦方法は、コンピュータにより、ユーザにより利用されたアイテムの識別情報とその利用時刻とを前記ユーザの識別情報に関連付けた利用履歴を記憶手段に記憶しておく記憶ステップと、前記記憶手段から複数の利用履歴を取得し、各利用履歴に含まれる利用時刻を用いて、各アイテムが利用された時間的な利用パターンをアイテム毎又はユーザ毎に特定する特定ステップと、関連付けられた前記アイテムの識別情報と前記ユーザの識別情報とをエッジでそれぞれ連結し、各利用時刻からの経過時間に応じた重みを各エッジに与え、所定の利用パターンに合致するアイテムがある場合には当該アイテムに係るエッジの重みを修正したグラフ構造を生成する生成ステップと、前記グラフ構造内の各エッジに与えられた重みに基づき推薦アイテムを決定する決定ステップと、を有することを要旨とする。

本発明によれば、所定の利用パターンに合致するアイテムがある場合には当該アイテムに係るグラフ構造上のエッジの重みを修正するため、ユーザの都合に適したアイテムを推薦できる。

請求項５に記載の情報推薦方法は、請求項４に記載の情報推薦方法において、前記生成ステップは、経過時間に応じて減衰する重みを各エッジに与え、前記合致するアイテムに係るエッジの重みについては減衰後の重みよりも大きい重みに修正することを要旨とする。

本発明によれば、経過時間に応じて減衰する重みを各エッジに与え、所定の利用パターンに合致するアイテムに係るエッジの重みについては減衰後の重みよりも大きい重みに修正するため、ユーザの都合により適したアイテムを推薦できる。

請求項６に記載の情報推薦方法は、請求項４又は５に記載の情報推薦方法において、前記決定ステップは、前記アイテムに関するメタデータが更にエッジで連結されたグラフ構造を用いて前記推薦アイテムを決定することを要旨とする。

本発明によれば、アイテムに関するメタデータが更にエッジで連結されたグラフ構造を用いて推薦アイテムを決定するため、ユーザの都合により適したアイテムを推薦できる。

請求項７に記載の情報推薦プログラムは、請求項４乃至６のいずれか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、ユーザの都合に適したアイテムを推薦できる。

情報推薦装置の機能ブロック構成を示す図である。 アイテムＤＢのデータ例を示す図である。 サービス利用ログＤＢのデータ例を示す図である。 グラフ構造の例を示す図である。 出現パターンＤＢのデータ例を示す図である。 推薦アイテムＤＢのデータ例を示す図である。 オフライン処理を示すフローチャートである。

本発明は、利用履歴からアイテムの利用パターンを分析し、所定の利用パターンに該当するアイテムについては、経過時間に伴い減衰する重みに代えて別の重みに修正することにより、ユーザにとってより意味があり、アイテム消費の機会を逃さないアイテムの推薦を実現するようにしている。

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、過去のユーザのアイテムの利用状況を元に、ユーザが利用する可能性の高い電子的又は物理的なアイテムを推薦する装置である。

具体的には、ブラウザ機能部１１と、コンテンツ提供部１２と、アイテムＤＢ１３と、ログ取得部１４と、サービス利用ログＤＢ１５と、グラフ構築部１６と、出現パターン特定部１７と、出現パターンＤＢ１８と、第１のエッジ重み算出部１９と、第２のエッジ重み算出部２０と、推薦対象特定部２１と、推薦アイテムＤＢ２２と、推薦アイテム提示部２３とで構成される。以下、各部の機能について詳述する。

コンテンツ提供部１２は、ブラウザ機能部１１により表示されたブラウザを介して、ユーザにより入力されたユーザＩＤを受け付け、内部に持つコンテンツ提供ロジックに基づきアイテムＤＢ１３にアクセスし、そのアイテムＤＢ１３から取得したアイテム情報を上記ブラウザを介してユーザに提示する機能部である。

また、受け付けたユーザＩＤを元に推薦アイテム提示部２３にアクセスし、その推薦アイテム提示部２３から取得した推薦アイテムを上記ブラウザを介してユーザに提示する機能や、閲覧や購買のように予め決められた形態でアイテムの利用があった場合に、ユーザＩＤとユーザが利用したアイテムのアイテムＩＤとをログ取得部１４に渡す機能も備えている。

アイテムＤＢ１３は、アイテム情報を格納しておくデータベースである。アイテム情報の例を図２に示す。アイテムを識別するアイテムＩＤが格納され、各アイテムに関するメタデータや他のデータがある場合には、そのメタデータ等も併せて格納される。

なお、メタデータとは、アイテムについての情報を表す付加的なデータである。例えば、アイテムがアプリケーションプログラムの場合、そのプログラムの名称や説明文、その説明文から抽出したキーワード等である。また、アイテムが商品の固有名の場合には、チョコレートといったカテゴリー名等である。

ログ取得部１４は、コンテンツ提供部１２からユーザＩＤとアイテムＩＤの組み合わせ受け付けて、タイムスタンプ情報（利用時刻）と共にサービス利用ログＤＢ１５に格納する機能部である。

サービス利用ログＤＢ１５は、ユーザのアイテム利用履歴を記録するデータベースである。アイテム利用履歴の例を図３に示す。ログ取得部１４で受け付けられたユーザＩＤとアイテムＩＤの組み合わせがタイムスタンプ情報に対応付けて記録される。

グラフ構築部１６は、サービス利用ログＤＢ１５に格納されているユーザＩＤとアイテムＩＤのペアを元に、ユーザとアイテムをそれぞれノードとし、サービス利用ログ上でのノード間の関係をエッジとしたグラフ構造を構築し、第１のエッジ重み算出部１９や第２のエッジ重み算出部２０からの情報を元に特定した重みを各エッジに付与して、推薦対象特定部２１に渡す機能部である。

なお、予め決められた設定により、アイテムＤＢ１３に格納されているアイテムのメタデータの要素もノードとして扱う。例えば、あるアイテムの分野を示すキーワードがメタデータで記述されている場合、そのキーワードもグラフ構造中のノードとして認識し、そのアイテムを示すノードとエッジで接続されている状態のグラフ構造を構築する。アイテムＤＢ１３のアイテム情報が図２の場合におけるグラフ構造の例を図４に示す。

出現パターン特定部１７は、サービス利用ログＤＢ１５とアイテムＤＢ１３の情報を元に、利用履歴全体でのアイテムの出現パターンを特定し、更には、ユーザ毎のアイテムの出現パターンを特定して、それらの特定結果を出現パターンＤＢ１８に格納する機能部である。

特定する出現パターンの例としては、例えば、連続的には起こらないが特定時期に消費される特定時期型消費パターンや、消費のタイムスパンがある程度想定されるスパン一定型消費パターン等である。

前者は、バレンタインデー日前の２，３日内でのチョコレートの購入や子供の誕生日前の１週間内での玩具の購入等、ある特定時期にアイテムを利用するようなケースである。一方、後者は、６ヶ月毎の歯ブラシの購入や１年毎のソフトウェアライセンスの購入等、一定の期間間隔でアイテムを利用するようなケースである。

出現パターンの特定結果の例を図５に示す。例えば、サービス利用ログＤＢ１５にチョコレートのアイテムＩＤが含まれている場合、それに対応するタイムスタンプ情報を元に、そのサービス利用ログＤＢ１５内でチョコレートが出現するパターンが特定時期型であるかスパン一定型であるかを特定し、特定されたパターン種別とその出現パターンを格納する。

なお、パターン種別の特定については公知の技術で実現可能である。特定時期型消費パターンの分析については、対象となるアイテムの出現時期との相関を直接分析する方法や、周波数分析等を行い、周期性が認められるものについて時期との相関を分析する方法等を用いて実現可能である。また、スパン一定型消費パターンについては、ユーザ毎のアイテム消費間隔を周波数分析することや、購入間隔を直接分析する方法を用いて実現可能である。なお、周波数分析の具体的計算手法については、例えば、「M.Vlachos、外２名、“Identifying Similarities, Periodicities and Bursts for Online Search Queries”、Proc. SIGMOD ‘04」に記載されている。

第１のエッジ重み算出部１９は、グラフ構築部１６から取得したタイムスタンプ付き履歴情報を元に、履歴の新鮮さを考慮して各エッジに対する重みを算出し、その履歴情報に履歴の重みを付与した形でグラフ構築部１６に返却する機能部である。

例えば、以下の式（１）を用いて、タイムスタンプ時刻からの経過時間に応じてエッジに対する重みが減衰するように、時刻ｔでのエッジの重みＷ（ｔ）を計算する。

なお、Ｔ_０は重みの初期値であり、ｔ_０は履歴の発生時刻（タイムスタンプ時刻）であり、ｔ_１／２は減衰の程度を表す設定値である。

第２のエッジ重み算出部２０は、グラフ構築部１６から履歴情報を取得すると共に、出現パターンＤＢ１８から出現パターンの特定結果情報を取得して、それら２つの情報を元に、履歴情報の各レコードに対して出現パターンを考慮した重み付けを行い、それを付与した形でグラフ構築部１６に返却する機能部である。

具体的には、いずれかの出現パターンに該当するアイテムについては、そのアイテムに関連するエッジの重み（経過時間に応じて減衰した重み）をキャンセルし、新たな重みを付与する。

例えば、図２〜図５の各情報を前提とし、２０１４年２月１０日に分析した場合、図５の１行目の条件「Item_keyword=チョコレート」と、図４のノード「Ｚ００１」のキーワードとが合致するので、そのようなノードに関連するエッジの重みを上げるように修正する。つまり、第１のエッジ重み算出部１９で算出された重みＷ（ｔ）を、それよりも大きい重みＷ（ｔ）’に変更（修正）する。なお、修正後の重みＷ（ｔ）’は、例えば、上記の式（１）を減衰部分が考慮されないように変形した式を用いて算出する。

推薦対象特定部２１は、グラフ構築部１６から取得したグラフ構造上において、アイテムの推薦を行う対象ユーザとアイテムとの関連性を重要度として評価し、対象ユーザ及びアイテムとその重要度との組み合わせを元に推薦アイテムを特定（例えば、重要度が上位３つを推薦アイテムと選定し特定）し、推薦アイテムＤＢ２２に格納する機能部である。

重要度の算出方法としては、対象ユーザと各アイテムとの重みやステップ数、グラフ上でのランダムウォーク等を考慮し、ノード間の重要性を評価する前述のＲＷＲのアルゴリズムを用いて計算する。なお、そのアルゴリズムの具体的計算方法については、例えば、「M.Gori、外１名、“ItemRank: A Random-Walk Based Scoring Algorithm for Recommender Engines”、Proc. IJCAI ‘07、p.2766-2771」に記載されている。

推薦アイテムＤＢ２２は、推薦対象特定部２１によって特定された推薦アイテムを、対象ユーザ及び優先度と共に格納するデータベースである。推薦アイテムの例を図６に示す。推薦アイテムのアイテムＩＤと優先度の組み合わせ情報がユーザＩＤと共に格納される。なお、優先度は、重要度に応じて決定される。

推薦アイテム提示部２３は、コンテンツ提供部１２からの問い合わせに応じて推薦アイテムＤＢ２２にアクセスし、その推薦アイテムＤＢ２３から対象ユーザに対する推薦アイテムを取得して、全ての推薦アイテム又は優先度に応じた一部の推薦アイテムをコンテンツ提供部１２に提示する機能部である。

ブラウザ機能部１１は、ユーザとのインタフェースを提供し、ユーザＩＤを受け付けて、コンテンツ提供部１２により提示された情報を画面に表示し、コンテンツ利用リクエストの受け付け等を行う機能部である。

次に、情報推薦装置１の動作について説明する。この動作は、オンライン処理とオフライン処理に大別される。

オンライン処理では、コンテンツ提供部１２が中心となり、ユーザのコンテンツ利用に応じて、その利用によるログデータをサービス利用ログＤＢ１５へ格納し、推薦アイテムＤＢ２２に格納された推薦アイテムをユーザへ提示する。

オフライン処理では、まず、サービス利用ログＤＢ１５とアイテムＤＢ１３に格納されたアイテム利用履歴やアイテム情報を用いて、出現パターンＤＢ１８を構築する。次に、その出現パターンＤＢ１８に格納された出現パターンの特定結果を更に用いて、推薦アイテムＤＢ２２を構築する。図７を参照しながら、この処理を詳述する。

まず、出現パターン特定部１７が、サービス利用ログＤＢ１５に格納されているアイテム利用履歴と、アイテムＤＢ１３に格納されているメタデータを含むアイテム情報とを用いて、アイテム利用履歴全体でのアイテムの出現パターンを特定し、その特定結果を出現パターンＤＢ１８に格納する（ステップＳ１）。

次に、出現パターン特定部１７は、上記アイテム利用履歴と上記アイテム情報を用いて、ユーザ毎のアイテムの出現パターンを特定し、その特定結果を出現パターンＤＢ１８に更に格納する（ステップＳ２）。

次に、グラフ構築部１６が、上記アイテム利用履歴に格納されているユーザＩＤとアイテムＩＤのペアを元に、ユーザとアイテムをそれぞれノードとし、アイテム利用履歴上でのノード間をエッジで連結したグラフ構造を構築する（ステップＳ３）。

次に、グラフ構築部１６は、第１のエッジ重み算出部１９に対して、時間経過に伴う履歴の新鮮さを考慮した各エッジの重み情報を問い合わせ、取得した重みをグラフ構造上のエッジに付与する（ステップＳ４）。

次に、グラフ構築部１６は、第２のエッジ重み算出部２０に対して、アイテムの出現パターンを考慮したエッジの重み情報を問い合わせ、該当するアイテムに関連するエッジの重みを当該出現パターン考慮の重みに更新する（ステップＳ５）。

次に、推薦対象特定部２１が、決められたユーザについて、ステップＳ３〜ステップＳ５で得られたグラフ構造を元に各アイテムの重要度を計算し、その重要度を用いて推薦アイテムを決定して、アイテムと優先度の組み合わせ情報をユーザＩＤと共に推薦アイテムＤＢに格納する（ステップＳ６）。

最後に、アイテム利用履歴内の全てのユーザについてステップＳ２〜ステップＳ６の処理を完了したかを判定し、完了していない場合にはステップＳ２に戻り、完了している場合には本フローを終了する（ステップＳ７）。

以上より、本実施の形態によれば、商品の購入時期を考慮した特定時期型消費パターンや、購入のインターバルを考慮したスパン一定型消費パターン等に合致するアイテムがある場合には、そのアイテムに関連するグラフ構造上のエッジの重みを修正するので、ユーザの都合に適したアイテムを推薦できる。すなわち、ユーザにとってより意味があり、アイテム消費の機会を逃さないアイテムの推薦を実現できる。

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。

１…情報推薦装置
１１…ブラウザ機能部
１２…コンテンツ提供部
１３…アイテムＤＢ
１４…ログ取得部
１５…サービス利用ログＤＢ
１６…グラフ構築部
１７…出現パターン特定部
１８…出現パターンＤＢ
１９…第１のエッジ重み算出部
２０…第２のエッジ重み算出部
２１…推薦対象特定部
２２…推薦アイテムＤＢ
２３…推薦アイテム提示部
Ｓ１〜Ｓ７…ステップ

Claims (7)

1. ユーザにより利用されたアイテムの識別情報とその利用時刻とを前記ユーザの識別情報に関連付けた利用履歴を記憶しておく記憶手段と、
   前記記憶手段から複数の利用履歴を取得し、各利用履歴に含まれる利用時刻を用いて、各アイテムが利用された時間的な利用パターンをアイテム毎又はユーザ毎に特定する特定手段と、
   関連付けられた前記アイテムの識別情報と前記ユーザの識別情報とをエッジでそれぞれ連結し、各利用時刻からの経過時間に応じた重みを各エッジに与え、所定の利用パターンに合致するアイテムがある場合には当該アイテムに係るエッジの重みを修正したグラフ構造を生成する生成手段と、
   前記グラフ構造内の各エッジに与えられた重みに基づき推薦アイテムを決定する決定手段と、
   を有することを特徴とする情報推薦装置。
2. 前記生成手段は、
   経過時間に応じて減衰する重みを各エッジに与え、前記合致するアイテムに係るエッジの重みについては減衰後の重みよりも大きい重みに修正することを特徴とする請求項１に記載の情報推薦装置。
3. 前記決定手段は、
   前記アイテムに関するメタデータが更にエッジで連結されたグラフ構造を用いて前記推薦アイテムを決定することを特徴とする請求項１又は２に記載の情報推薦装置。
4. コンピュータにより、
   ユーザにより利用されたアイテムの識別情報とその利用時刻とを前記ユーザの識別情報に関連付けた利用履歴を記憶手段に記憶しておく記憶ステップと、
   前記記憶手段から複数の利用履歴を取得し、各利用履歴に含まれる利用時刻を用いて、各アイテムが利用された時間的な利用パターンをアイテム毎又はユーザ毎に特定する特定ステップと、
   関連付けられた前記アイテムの識別情報と前記ユーザの識別情報とをエッジでそれぞれ連結し、各利用時刻からの経過時間に応じた重みを各エッジに与え、所定の利用パターンに合致するアイテムがある場合には当該アイテムに係るエッジの重みを修正したグラフ構造を生成する生成ステップと、
   前記グラフ構造内の各エッジに与えられた重みに基づき推薦アイテムを決定する決定ステップと、
   を有することを特徴とする情報推薦方法。
5. 前記生成ステップは、
   経過時間に応じて減衰する重みを各エッジに与え、前記合致するアイテムに係るエッジの重みについては減衰後の重みよりも大きい重みに修正することを特徴とする請求項４に記載の情報推薦方法。
6. 前記決定ステップは、
   前記アイテムに関するメタデータが更にエッジで連結されたグラフ構造を用いて前記推薦アイテムを決定することを特徴とする請求項４又は５に記載の情報推薦方法。
7. 請求項４乃至６のいずれか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。

Images