JP6228307B2 - オンライン製品を推薦するための方法及びシステム - Google Patents

Description

他の出願の相互参照
本出願は、２０１３年８月２６日に出願され発明の名称を「Ａ ＭＥＴＨＯＤ ＡＮＤ ＤＥＶＩＣＥ ＦＯＲ ＲＥＣＯＭＭＥＮＤＩＮＧ ＯＮＬＩＮＥ ＰＲＯＤＵＣＴＳ（オンライン製品を推薦するための方法及びデバイス）」とする中国特許出願第２０１３１０３７６３４７．１号の優先権を主張する。該出願は、あらゆる目的のために、参照によって本明細書に組み込まれる。

本出願は、オンライン製品を推薦するための方法及びシステムに関する。

オンラインショッピングが一般的なショッピング手段になり、Ｔａｏｂａｏ（淘宝）やＴｍａｌｌなどのウェブサイトには、消費者が選ぶことができる幅広い選択肢の商品が存在する。しかしながら、商品の選択肢が広いゆえに、消費者は、適切な製品を見つけるために多大な労力を費やす必要があるのが通例である。消費者が、ある製品に（例えば、その製品をクリックする又はブックマークに入れることによって）興味を示すと、適切な製品を見つけるために消費者が費やす労力を軽減するために、ウェブにある類似製品が自動的に見つかる。消費者は、こうして、多数の検索及び価格比較を回避でき、製品を購入するために費やされる労力全体が軽減される。具体的には、消費者によって最初に選択された製品が、価格が不適正である、サイズがない、又はその他の何らかの点で満足のいかないものであるときに、消費者は、その商品を便利に引き続き閲覧したいと思うだろう。こうして、バウンスが回避され、コンヴァージョンレートが上昇する。コンヴァージョンレートは、より詳細なウェブページを得るために閲覧セッション中に消費者がページ上の製品をクリックする確率を言う。バウンスは、通常、適切な製品を見つけることを諦めてウェブページを去ることを意味する。バウンスは、現ウェブページが満足のいくものではないことも示している。

ショッピングウェブサイトでは、購入の案内をするために、ショッピングアドバイスコラム又は特集記事などが記載されている。これらのコラム又は記事は、製品を紹介し、紹介される製品は、デザイン及びスタイルの点において一貫性があり、季節的なマーケティングテーマに沿っている。通常は、類似製品推薦エンジンに先立って、大きな製品プールのなかから手動で選択がなされていた。この選択プロセスは、人手による大量の労力を費やすうえに、確かな再現率を保証するものではなかった。類似推薦技術を用いると、選択プロセスは、シード製品を指定するだけでよい。シード製品は、更なる類似製品を探すための視覚要素解析を推薦エンジンが行うもとにすることができるサンプル製品を言う。類似製品推薦エンジンは、ウェブを通して類似製品を迅速に且つ正確に見つけ出し、特集記事又はコラムを自動的に作成する。

現在、類似製品推薦技術には多くの実現形態が存在する。従来の類似製品推薦技術は、推薦文に基づく。要するに、製品自体に関する説明文を通じて製品間の相互関係が確立される。通常、説明文は、ウェブサイトの販売者によって書かれ、その質には大きなばらつきがある。多くの場合、様々な種類の不適切な題名又は説明を伴った詐欺行為が起きている。したがって、従来の類似製品推薦技術による推薦結果の有用性には限りがあるだろう。

普及しているもう１つの推薦技術は、製品を繰り返し見る又は繰り返し購入するなどの関連のユーザ行動によって消費者に製品が推薦されることを伴うものである。要するに、この推薦技術は、履歴データを見直すことによってシステムが或るタイプの消費者の大半がこの製品への好意を示していることを発見することを伴うものである。推薦される製品は、そのタイプの消費者がやはり一般的に好んできた製品である。この推薦技術は、コンヴァージョンレートを高めることができる。しかしながら、この推薦技術は、製品内容の理解を伴わず、その代わりに消費者の習慣的行動をシミュレートしているにすぎず、したがって、この推薦技術による推薦結果は、制御不可能である。したがって、この推薦技術による推薦結果の一貫性又は安定性を保証することは困難である。例えば、システムは、消費者が関心を持っている製品と、推薦された製品との間の関係の理由が色の整合性によるのか、スタイルデザインによるのか、人為的に誘導されたトラフィック行動によるのか、又は単に２つの製品が互いに近くに置かれているという事実によるのか知ることができない。したがって、このタイプの推薦技術は、製品を消費者に推薦することしかできず、製品推薦エンジンとして機能することはできない。具体的には、このタイプの推薦技術は、膨大な量の過去データに依存するものであり、コールドスタート、データ稀薄性、又は推薦結果に影響しえるその他の同様な問題に陥る可能性がある。データ稀薄性は、関連の過去データの不足ゆえに類似製品の推薦が困難であることを言う。コールドスタートは、データ稀薄性の一具体例であり、実行が始まったばかりゆえに推薦対象製品の大半が過去データの不足に見舞われる推薦エンジンを言う。

本発明の様々な実施形態が、以下の詳細な説明及び添付の図面で開示される。

オンライン製品を推薦するためのプロセスの一実施形態を示したフローチャートである。

照会製品画像の一例を示した図である。

局所画像の一例を示した図である。

オンライン製品を推薦するためのデバイスの一実施形態を示した構造ブロック図である。

オンライン製品を推薦するためのシステムの一実施形態を示した図である。

オンライン製品を推薦するためのプログラムされたコンピュータシステムの一実施形態を示した機能図である。

本発明は、プロセス、装置、システム、合成物、コンピュータ読み取り可能ストレージ媒体に実装されたコンピュータプログラム製品、並びに／又は接続先のメモリに記憶された命令及び／若しくは接続先のメモリによって提供される命令を実行するように構成されたプロセッサ等のプロセッサなどの、数々の形態で実現可能である。本明細書では、これらの実現形態、又は本発明がとりえるその他のあらゆる形態を、技術と称することができる。総じて、開示されるプロセスの各ステップの順番は、本発明の範囲内で変更可能である。別途明記されない限り、タスクを実施するように構成されるものとして説明されるプロセッサ又はメモリなどのコンポーネントは、所定時にタスクを実施するように一時的に構成された汎用コンポーネントとして、又はタスクを実施するように製造された特殊コンポーネントとして実装可能である。本明細書で使用される「プロセッサ」という用語は、コンピュータプログラム命令などのデータを処理するように構成された１つ以上のデバイス、回路、並びに／又は処理コアを言う。

本発明の原理を例示した添付の図面とともに、以下で、本発明の１つ以上の実施形態の詳細な説明が提供される。本発明は、このような実施形態に関連付けて説明されるが、いずれの実施形態にも限定されない。本発明の範囲は、特許請求の範囲によってのみ限定され、本発明は、数々の代替形態、変更形態、及び均等物を包含している。以下の説明では、本発明の完全な理解を与えるために、数々の具体的詳細が明記されている。これらの詳細は、例示を目的として提供されるものであり、本発明は、これらの詳細の一部又は全部を伴わずとも、特許請求の範囲にしたがって実施可能である。明瞭を期するために、本発明に関連した技術分野で知られる技工物は、本発明が不必要に不明瞭にされないように、詳細には説明されていない。

ビッグデータ条件下における画像検索技術は、２０年近く前に出現し始めた。画像検索技術は、索引量、正解率、再現率、対応時間などに関係している。

現在、画像検索エンジンは、異なるアフィン変換による異なる環境内にある同じ物体（製品）を見つけようとする。アフィン変換は、平行移動、拡大縮小、回転などを含む。要するに、画像検索エンジンは、異なる画像で示されているだろう「同じ」製品を検索する。例えば、検索は、先ず画像から局所的特徴を検出及び抽出することと、抽出された局所的特徴を個々の「視覚ワード」として高次元空間内に定量化することとを含む。同じワードとして統合される局所的特徴は、異なるアフィン変換下において同じ物体を局所的に表していると見なされる。同じ物体（製品）は、逆索引からのアクセラレーションによって、検索されている物体の視覚ワードを対象物体を表している視覚ワードと照合することによって取り出される。アクセラレーションは、逆索引構造を使用した推薦エンジンによって使用される技術である。逆索引構造を使用した推薦エンジンは、全ての候補製品をチェックする代わりに、照会製品と同じワードを有する製品をチェックすることによってアクセラレーションを実施し、計算時間を短縮する。しかしながら、類似製品を見つけるためには、照会製品と対象製品との間に大きな差があり、したがって、上記と同じ推薦エンジンを使用して類似製品を見つけることは、非常に困難である。

推薦アプリケーションシナリオにおいて、もし、或る検索エンジンが、同じ物体を取り出すことしかできないならば、その検索エンジンは、当然ながら価格を比較する行動を起こし、したがって、製品推薦の商業的価値に影響を及ぼす。一例として、一部のアプリケーションシナリオでは、消費者は、より広範囲の製品を見つけてそこから製品を選ぶために、類似してはいるが異なる製品を更に多く見たいと思うだろう。

オンラインショッピングにおいて、製品は、様々な背景を伴って、多くの異なる形態で提示される。代表的な画像検索エンジンは、索引を確立するために又は検索を起動するために全体画像を処理し、それゆえに、照会画像と同様な背景を有する不適切な画像の再現を避けられない恐れがある。

現在、オンラインショッピングにおいて製品を推薦する方式には、主要色方法、及び「ＴａｏＴａｏ検索（淘淘捜）」と呼ばれるテクスチャ方法がある。

主要色方法では、各画像から、１からＮまでの主要色が抽出される。一部の実施形態では、１からＮまでの主要色は、確率分布として表される。一部の実施形態では、２つの製品間の主要色に関する類似性が、計算又は別の確率−測度分布技術に基づいて得られる。一態様として、主要色方法は、数種類の主要色のみを抽出し、全体として感覚的インパクトに限りがあるが、２つの製品間の類似性を色整合の観点から効果的に比較するものではない。この限られた感覚的インパクトは、パターンや装飾図柄として示すことができる。同時に、製品の構造的情報が失われているので、製品についての局所的整合の結果が正しくない恐れがある。例えば、主要色方法では、上部が赤色で裾が黄色のシャツの画像が、上部が黄色で裾が赤色の別のシャツの画像に類似していると決定される恐れがある。

テクスチャ方法に基づく類似色推薦の場合は、実際の推薦結果を分析すると、推薦結果に背景が非常に大きく影響していることがある。更に、テクスチャ方法に基づく類似色推薦は、結果を選別するときに、テクスチャ特徴及びその他の特徴を過度に考慮してしまう。要するに、背景に起因する不正確な再現を回避することが非常に難しい恐れがある。テクスチャ方法に基づく類似色推薦は、推薦エラー率が依然として比較的高い。

図１は、オンライン製品を推薦するためのプロセスの一実施形態を示したフローチャートである。一部の実施形態では、プロセス１００は、図５のサーバ５２０によって実行され、以下を含む。

１１０において、製品画像の主製品ゾーンが特定される。一部の実施形態では、製品画像は、先ず、長さ及びその他の比率にしたがって、１２８画素の長さを最も長い辺として有する標準サイズの画像に縮小される。また、サーバは、主製品が位置するゾーン、すなわち主製品ゾーンを決定する。出願人が２０１２年８月４日に中華人民共和国国家知識産権局に出願し発明の名称を「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｅｘｔｒａｃｔｉｎｇ Ｍａｉｎ Ｐｒｏｄｕｃｔｓ ｆｒｏｍ Ｐｒｏｄｕｃｔ Ｐｉｃｔｕｒｅｓ（製品写真から主製品を抽出するための方法及び装置）」とする中国特許出願（出願番号第２０１２１０２７９０８１．４号）の明細書に見いだされる技術のような、主製品ゾーンを検出するための既存の幾つかの特定技術が使用可能である。したがって、簡潔を期するために、ここでは、各種の特定技術はこれ以上論じられない。更に、主製品ゾーンの特定には、その他の特定技術が用いられることも可能である。製品画像の処理に伴うデータは、説明のための例として提供されるにすぎない。要するに、処理全体にわたって製品画像の一貫性が維持される限り、主製品ゾーンのサイズは任意の妥当なサイズであってよい。

１２０において、主製品ゾーンは、複数の局所ゾーンに分割される。

１３０において、各局所ゾーンから、色特徴が個別に抽出される。

一部の実施形態では、主製品サイズを特定した後、サーバは、主製品ゾーンから画像背景を除去し、変更後の主製品ゾーンの重心を算出する。サーバは、続いて、その重心を、１２８×１２８画素の画像の中心に位置合わせする。次いで、サーバは、１２８×１２８画素の画像を例えば８×８の等距離ゾーン（局所ゾーン）に分割する。これらの等距離ゾーンは、それぞれ、１６×１６の寸法を有する四角形に相当する。このように、主製品ゾーンは、ｒ＝６４の局所ゾーンに分けられ、ｒは、各製品画像内における局所ゾーンの数を表している。

全体の色空間が、色相、彩度、及び明度（ＨＳＶ）空間下において等分割される。例えば、色相（Ｈ）空間は、１２の均等部分に分割され、彩度（Ｓ）空間及び明度（Ｖ）空間は、同時に考慮されて３つの均等部分に分割される。このように、各局所ゾーンの全体の色空間が、ＨＳＶ空間内において合計３６個の均等部分に等分割される。これら３６の均等部分に、グレー空間の３つの均等パーツ（黒、白、灰色）を加えると、合計で３９色になる。得られた３９色に基づく色ヒストグラムカウントが、各局所ゾーンに対して実施される。要するに、各画素に対し、最も近い色成分に基づいて、これら３９色のうちの１つが各画素に割り当てられる。除去された背景からの画素の色については、除去された背景からの画素の色は、４０番目の色として定義される。したがって、この例では、各局所ゾーンが、４０次元の特徴ベクトルとして表される。４０次元の特徴ベクトルは、ｍ＝４０色にわたる局所ゾーンの確率分布に相当する。この例では、ｍは、各局所ゾーンに含まれる色の量を表している。

色特徴抽出が実施された後、各製品画像は、ｗ＝ｒ×ｍ＝６４×４０＝２，５６０の高次元ベクトルとして表される。この例では、ｗは、各製品画像に含まれる高次元ベクトルの量を表している。各次元は、１つの色ワードと見なされ、各次元の確率分布は、０から２５５までに定量化され、これは、１つのワードのワード頻度に相当する。したがって、各画像は、１から２，５６０までのワードの「ドキュメント」として表され、各ワードは、ワード頻度を有する。このプロセスにしたがって、推薦可能製品画像についての逆索引が確立される。逆索引は、２，５６０のエントリを有し、逆索引の各エントリは、出現する全てのワードのドキュメント番号と、該ドキュメント内におけるワードのワード頻度とを含む。

動作１１０〜１３０は、背景又は主製品のズレによって引き起こされる誤った位置合わせを回避するために、主製品ゾーンの特定及び主製品ゾーンの重心の位置合わせに頼る。各局所ゾーンの色は、４０などの特定の数の部分に分割される。要するに、主製品ゾーンの特定及び重心の位置合わせは、色整合の精度を保証しつつ、局所的な色の或る程度の段階的変化にも耐性がある。

１４０において、サーバは、製品画像のデータベースのなかから、各局所ゾーンの色特徴に基づいて、照会製品画像と共通の特性を共有している候補の推薦製品画像を探す。共通特性の一例は、色分布である。

照会製品画像Ｐが与えられ、Ｐ内におけるワード頻度に対応する逆索引エントリが順次アクセスされる。したがって、サーバは、その際に、Ｐ内に出現するワード頻度がどのドキュメント内に出現するかを決定する。候補推薦製品画像Ｑについて、該推薦可能製品画像Ｑと照会製品画像Ｐとの類似性の定義式（１）は、次のとおりである。

式（１）において、ｗは、各製品画像に含まれる高次元ベクトルの量を表し、ｗ＝ｒ×ｍであり、ｒは、各画像が分割された局所ゾーンの量を表し、ｍは、各局所ゾーンに含まれる色の量を表し、｜｜は、絶対値演算子を表し、

であり、ｐ_iは、照会製品画像Ｐ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、ｑ_iは、照会製品画像Ｑ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、背景ゾーンワード頻度は、ゼロである。式（１）は、照会製品画像Ｐのワード頻度及び推薦可能製品画像Ｑのワード頻度で構成された２つの高次元ベクトル間の、高次元空間における角度のコサインを測定するために使用される。式（１）の計算を通じて得られた結果が大きいほど、２つの高次元角度間の角度は小さい、すなわち、それらの方向がより類似している。これは、対応する２つの画像間における色整合に関する共通性が大きいことを示している。

なお、各局所ゾーンの色特徴において、４０番目の次元は背景色であることに留意せよ。この動作に伴う選別では、４０番目の次元のワード頻度は、どの局所ゾーンの場合もゼロに定義される。全体の製品画像において、４０番目、８０番目、……、及び２，６５０番目の高次元ベクトルに対応するワード頻度は、全てゼロである。結果として、これら２つの局所ゾーンの色は、類似していると考えられる。サーバは、計算結果から、上位から順に既定数Ｍ個の推薦可能製品画像を候補推薦製品画像として選択する。Ｍは、２以上の整数である。したがって、照会製品画像及び候補推薦製品画像が、ともに類似の面積率の背景を有するゆえに類似であると見なされる状況が、効果的に回避される。

逆索引の使用は、２つのドキュメントが、それらがワードを共有している場合にのみ計算及び比較されることを保証する。したがって、式（１）は、大量のデータが存在する場合における類似製品画像の検索を速めるために使用することができる。

この動作では、サーバは、照会製品画像と共通の特性を有する推薦製品画像についての類似性の順位を取得する。

１５０において、サーバは、決定された候補推薦製品画像のなかから、色整合の観点から照会製品画像に類似している製品画像を照合し、色整合の観点から照会製品画像に類似している製品画像を推薦製品画像として決定する。

この動作では、１４０において得られた順位付けされた推薦可能製品画像のなかから、上位から順にＭ（既定数）個の推薦可能製品画像が選択される。Ｍは、２以上の整数である。これらの画像は、照会製品画像との間に最も高い共通性を有する。一部の実施形態では、Ｍ個の候補推薦製品画像からの各候補推薦製品画像Ｑと照会製品画像Ｐとの色整合の観点からの類似性であるｃｏｌｏｒｓｉｍ（Ｐ，Ｑ）を計算するために、式（２）に基づいて、Ｍ個の候補推薦製品画像に対して個別に整合計算が実施される。

式（２）において、ｒは、各画像が分割された局所ゾーンの量を表している。

式（２）において、

であり、ｍは、各局所ゾーンに含まれる色の量を表している。

式（２）によって、Ｍ個の候補推薦製品画像と照会製品画像との色類似性を計算することが可能である。これらＭ個の候補推薦製品画像から、サーバは、類似性が高い順に既定数Ｎ（Ｎは、２以上の整数である）個の製品画像を取得する。これらＮ個の製品画像は、色整合の観点から照会製品画像に類似している最終の推薦製品画像である。式（２）は、照会製品画像ＰとＭ個の候補推薦製品画像からの候補推薦製品画像Ｑとの間の色（ワード頻度）分布の差を測定するために使用される。更に、２つの画像がともに多量の共通色を有し、主要色相を共有している場合は、式（２）は、これらの色間隔に関する２画像間の差を減少させる。２画像の細部又は異なる色部分に関しては、式（２）は、これらの色間隔に関する差を増加させる。したがって、式（２）は、画像間の色整合の差を正確に示している。

この動作では、類似性閾値が事前に設定可能であり、この事前に設定された値を超える類似度を有する製品画像をＭ個の候補推薦製品画像のなかから取り上げて、推薦製品画像と見なすことができる。

特定の照会製品画像に関して、もし、プロセス１００にしたがって推薦結果が得られなかった場合は、色整合の観点からは照会製品画像に類似する製品画像はないとされる。したがって、照会製品画像によって表示される製品は、新規の製品であると結論付けられる。

プロセス１００は、製品画像内の各局所ゾーンの色特徴に基づいて、照会製品画像との間に色分布などの共通の特性を共有している候補推薦製品画像を特定し、次いで、候補推薦製品画像と照会製品画像との更に詳細な色整合比較を実施する、真の色整合アルゴリズムを提供する。また、共通特性を有する類似製品画像の検索を完全なものにするために逆索引に頼ることによって、膨大な量のデータを処理する速度が増加する。時間を食う色整合比較が、少量の候補推薦製品画像に減らされる。したがって、プロセス１００は、比較的高い照会速度を有する。更に、２段階の類似性選別をたどることによって、色整合の観点から類似する製品の推薦が実現され、推薦精度が向上する。

一部の実施形態では、プロセス１００は、製品画像のみを用いる。コールドスタート、稀薄性、及びその他の同様な問題は発生しない。消費者にとっては、これらの推薦は期待が明確である、すなわち、色整合は同様である。したがって、プロセス１００は、様々な推薦、宣伝、購入ガイド、及び消費者にとってのその他の同様なサービスに適しているのみならず、オペレータにとっての基本ツールとしても機能することができる。プロセス１００は、同じラインに属する製品を自動的に識別し、それによってマーケティング及び購入ガイダンスの自動化を実現することができる。

図２は、照会製品画像の一例を示した図である。図２に示されたハイヒールの靴についての製品推薦が試みられると想定する。先ず、照会されたハイヒールの靴の画像は、図２の右側に示されるように、主製品ゾーンの特定を経る。主製品ゾーンの中心が決定された後、主製品ゾーンは、複数の局所ゾーンの又はブロックに分割され、各局所ゾーン又はブロックについての色分布が得られる。

図３は、局所的画像の一例を示した図である。図３に示されるように、ハイヒールの靴のつま先の局所ゾーンから、色分布が抽出される。例えば、色分布は、黒＝１１５、赤＝５０、黄＝２５、及び背景＝６５である。表示されるのは、定量化を経てゼロよりも大きくなる色のみであり、色チャートは、仮想的な簡単な色チャートである。黒、赤、及び黄の三色に基づいて、画像１、画像２、画像３、及び画像４が逆索引エントリのうちの幾つかであること、更に、これら４つの画像について、靴のつま先の局所ゾーンの逆リスト構造が表１に示されるようなものであると想定される。

表１では、その他の色エントリは示されていない。サーバは、先ず、黒色を有するエントリを検索する。黒は、照会製品画像では１１５に加重されるので、画像１は、１１５×７５＝８，６２５の点数を取り、画像３は、１１５×１５＝１，７２５の点数を取る。相応して、赤色を有するエントリを探した結果として、画像１は、５０×２５＝１，２５０の点数を取り、画像２は、５０×１００＝５，０００の点数を取り、画像３は、５０×３０＝１，５００の点数を取る。黄色を有するエントリを探した結果として、画像２は、２５×６５＝１，６２５の点数を取り、画像４は、２５×２５＝１，１２５の点数を取る。

上記の例は、選別を行うために、図３に示されたハイヒールの靴のつま先の局所ゾーンのみを使用する。したがって、この局所ゾーンの場合、（黒、赤、黄に基づく）画像１の点数は、８，６２５＋１，２５０＝９，８７５であり、画像２の点数は、５，０００＋１，６２５＝６，６２５であり、画像３の点数は、１，７２５＋１，５００＝３，２２５であり、画像４の点数は、１，１２５である。

この例では、

である。

画像１〜４に対応する局所ゾーンの絶対値が、それぞれ１７４、１４９．４２、２１２．６７、及び２１４．７７であると想定する。式（１）を使用し、画像１と照会製品画像との類似性は、９８７５／（１４３．３３×１７４）＝３９．６％であることがわかり、画像２〜４と照会製品画像との類似性は、それぞれ３０．９％、１０．６％、及び３．６５％である。要するに、動作１４０にしたがった第１の選別にしたがって、ハイヒールの靴のつま先のゾーンについての画像１〜４の類似性点数が得られる。第１の選別では、背景の色についての照会はなされず、逆索引のなかに背景の色は見られない。

一部の実施形態では、サーバは、８×８＝６４個の局所ゾーンを順次照会し、対応する逆索引エントリにアクセスし、次いで、全ての点数を合計する。この合計は、次いで、照会製品画像全体の絶対値及び見つかった対応する候補推薦製品画像全体の絶対値によって割り算され、割り算を経たこの合計が、第１の選別による類似性点数として機能する。

第１の選別に続いて、サーバが、類似性点数が高い順に１，０００個の画像を選択すると想定する。次いで、サーバは、式（２）に基づいて、上位１，０００個の画像の各画像と照会製品画像とをペアにし、各ペアに対して色整合比較を実施する。サーバは、こうして、色整合類似性点数を得る。サーバは、次いで、これらの色整合類似性点数に基づいて、上記１，０００個の候補推薦製品画像を選別し、類似値によって上位から順に２００個の製品画像を最終の推薦製品画像として選択する。最終の推薦製品画像に対応する製品が、オンライン製品を推薦するためのプロセス１００を使用して消費者に推薦される類似製品である。

なお、プロセス１００は、同じカテゴリの製品の検索に限定されず、複数のカテゴリを跨いで色整合の観点から類似である類似製品の検索にも適用されることに留意せよ。また、プロセス１００は、テキスト、粒度、スタイルなどのその他の特徴と一体化された推薦も実現することができる。プロセス１００を伴う様々なパラメータ設定は、唯一のものではなく、一定の範囲内で可変である。

色整合類似性を測定するためのアルゴリズム、すなわち動作１５０において論じられた式（２）の適用は、検索に限定されず、分類やクラスタリングなどにも適用することができる。

図４は、オンライン製品を推薦するためのデバイスの一実施形態を示した構造ブロック図である。一部の実施形態では、デバイス４００は、図１のプロセス１００を実行するものであり、前処理モジュール４１０と、第１の処理モジュール４２０と、第２の処理モジュール４３０とを含む。

一部の実施形態では、前処理モジュール４１０は、製品画像の主製品ゾーンを特定し、主製品ゾーンを複数の局所ゾーンに分割し、各局所ゾーンから個別に色特徴を抽出する。

一部の実施形態では、第１の処理モジュール４２０は、各局所ゾーンの色特徴に基づいて、照会製品画像と共通の特性を共有している候補推薦製品画像を探し、該候補推薦製品画像を第２の処理モジュール４３０へ出力する。

一部の実施形態では、第２の処理モジュール４３０は、決定された候補推薦製品画像のなかから、色整合の観点から照会製品画像に類似している製品画像を照合し、それらの製品画像を推薦製品画像であると見なす。

図５は、オンライン製品を推薦するためのシステムの一実施形態を示した図である。一部の実施形態では、システム５００は、ネットワーク５３０を通じてクライアント５１０に接続されたサーバ５２０を含む。一部の実施形態では、クライアント５１０は、照会製品画像をサーバ５２０に送信する。サーバ５２０は、オンライン製品を推薦するために、推薦製品画像をクライアント５１０に送り返す又は推薦製品画像をデータベースに格納する。

図６は、オンライン製品を推薦するためのプログラムされたコンピュータシステムの一実施形態を示した機能図である。明らかになるように、オンライン製品の推薦には、その他のコンピュータシステムアーキテクチャ及び構成も使用可能である。後述のような様々なサブシステムを含むコンピュータシステム６００は、少なくとも１つのマイクロプロセッササブシステム（プロセッサ又は中央演算処理装置（ＣＰＵ）とも呼ばれる）６０２を含む。例えば、プロセッサ６０２は、シングルチッププロセッサによって又は複数のプロセッサによって実現可能である。一部の実施形態では、プロセッサ６０２は、コンピュータシステム６００の動作を制御する汎用デジタルプロセッサである。メモリ６１０から取り出された命令を使用して、プロセッサ６０２は、入力データの受信及び操作、並びに出力デバイス（例えばディスプレイ６１８）へのデータの出力及び表示を制御する。

プロセッサ６０２は、メモリ６１０に双方向に接続され、該メモリ６１０は、通常はランダムアクセスメモリ（ＲＡＭ）である第１の一次ストレージと、通常は読み出し専用メモリ（ＲＯＭ）である第２の一次ストレージとを含むことができる。当該分野で周知のように、一次ストレージは、汎用ストレージエリアとして及びスクラッチパッドメモリとして使用可能であり、入力データ及び処理済みデータを格納するためにも使用可能である。一次ストレージは、プログラミング命令及びデータを、プロセッサ６０２上で起きるプロセスのためのその他のデータ及び命令に加えて、データオブジェクト及びテキストオブジェクトの形態で格納することもできる。やはり当該分野で周知のように、一次ストレージは、通常は、プロセッサ６０２がその機能（例えばプログラム命令）を実施するために使用する基本的な動作命令、プログラムコード、データ、及びオブジェクトを含む。例えば、メモリ６１０は、例えば、データアクセスが双方向又は単方向のいずれである必要があるかに応じ、後述の任意の適切なコンピュータ読み取り可能ストレージ媒体を含むことができる。例えば、プロセッサ６０２は、頻繁に必要とされるデータを直接に且つ非常に迅速に取り出して、直接に且つ非常に迅速にキャッシュメモリ（不図示）に格納することもできる。

着脱式の大容量ストレージデバイス６１２は、コンピュータシステム６００のための追加のデータストレージ容量を提供し、双方向（読み出し／書き込み）に又は単方向（読み出しのみ）にプロセッサ６０２に接続される。例えば、ストレージ６１２は、磁気テープ、フラッシュメモリ、ＰＣカード、ポータブル大容量ストレージデバイス、ホログラフィックストレージデバイス、及びその他のストレージデバイスなどの、コンピュータ読み取り可能媒体を含むこともできる。例えば、固定式の大容量ストレージ６２０が、追加のデータストレージ容量を提供することもできる。大容量ストレージ６２０として最も一般的な例は、ハードディスクドライブである。大容量ストレージ６１２、６２０は、一般に、プロセッサ６０２が通常は能動的に使用していない追加のプログラミング命令やデータなどを格納する。大容量ストレージ６１２、６２０内に保持される情報は、もし必要であれば、仮想メモリとしてメモリ６１０（例えばＲＡＭ）の一部に標準的に組み込み可能であることがわかる。

バス６１４は、ストレージサブシステムへのアクセスをプロセッサ６０２に提供することに加えて、その他のサブシステム及びデバイスへのアクセスを提供するためにも使用することができる。図に示されるように、これらには、ディスプレイモニタ６１８、ネットワークインターフェース６１６、キーボード６０４、及びポインティングデバイス６０６はもちろん、必要に応じて、補助入出力デバイスインターフェース、サウンドカード、スピーカ、及びその他のサブシステムがある。例えば、ポインティングデバイス６０６は、マウス、スタイラス、トラックボール、又はタブレットであってよく、グラフィカルユーザインターフェースとやり取りするのに有用である。

ネットワークインターフェース６１６は、図に示されるようなネットワーク接続を使用してプロセッサ６０２が別のコンピュータ、コンピュータネットワーク、又は電気通信ネットワークに接続されることを可能にする。例えば、ネットワークインターフェース６１６を通じて、プロセッサ６０２は、方法／プロセスのステップを実施する過程において別のネットワークから情報（例えばデータオブジェクト若しくはプログラム命令）を受信する又は別のネットワークに情報を出力することができる。情報は、多くの場合、プロセッサ上で実行される一連の命令として表され、別のネットワークから受信可能である又は別のネットワークに出力可能である。コンピュータシステム６００を外部ネットワークに接続するために、及びデータを標準プロトコルにしたがって転送するために、インターフェースカード又は類似のデバイスと、プロセッサ６０２によって実装される（例えばプロセッサ６０２上で実行される／実施される）適切なソフトウェアとが使用可能である。例えば、本明細書において開示される様々なプロセス実施形態は、プロセッサ６０２上で実行可能である、又は処理の一部を供給するリモートプロセッサと協働してインターネット、イントラネットネットワーク、若しくはローカルエリアネットワークなどのネットワークで実施可能である。プロセッサ６０２には、ネットワークインターフェース６１６を通じて追加の大容量ストレージデバイス（不図示）も接続可能である。

コンピュータシステム６００と協働して、補助入出力デバイスインターフェース（不図示）が使用可能である。補助入出力デバイスインターフェースは、プロセッサ６０２が、マイク、タッチセンサ式ディスプレイ、トランスデューサカードリーダ、テープリーダ、音声又は手書き文字認識装置、生体認証リーダ、カメラ、ポータブル大容量ストレージデバイス、及びその他のコンピュータなどのその他のデバイスにデータを送信することを、及び更に一般的にはこれらのその他のデバイスからデータを受信することを可能にする、汎用及び専用のインターフェースを含むことができる。

図６に示されたコンピュータシステムは、本明細書において開示される様々な実施形態への使用に適したコンピュータシステムの一例に過ぎない。このような使用に適したその他のコンピュータシステムは、含まれるサブシステムが更に多くてよい又は少なくてよい。また、バス６１４は、サブシステムを接続する働きをするあらゆる相互接続方式を例示している。異なる構成のサブシステムを有するその他のコンピュータアーキテクチャも利用可能である。

上述されたモジュールは、１つ以上の汎用プロセッサ上で実行されるソフトウェアコンポーネントとして、又はプログラマブルロジックデバイス及び／若しくは特定の機能を実施するように設計された特殊用途向け集積回路などのハードウェアとして、又はそれらの組み合わせとして実装可能である。一部の実施形態では、モジュールは、本発明の実施形態において説明される方法を（パソコン、サーバ、ネットワーク機器などの）計算装置に実行させるための幾つかの命令を含み尚且つ（光ディスク、フラッシュストレージデバイス、モバイルハードディスクなどの）不揮発性のストレージ媒体に記憶させることができるソフトウェア製品の形態によって具現化可能である。モジュールは、１つのデバイス上に実装されてよい、又は複数のデバイスに分散されてよい。モジュールの機能は、互いに統合されてよい、又は複数のサブモジュールに更に分けられてよい。

本明細書において開示された実施形態に照らして説明される方法又はアルゴリズム的ステップは、ハードウェア、プロセッサによって実行されるソフトウェアモジュール、又はこれら両方の組み合わせを使用して実現可能である。ソフトウェアモジュールは、ランダムアクセスメモリ（ＲＡＭ）、メモリ、読み出し専用メモリ（ＲＯＭ）、電気的にプログラム可能なＲＯＭ、電気的に消去可能でプログラム可能なＲＯＭ、レジスタ、ハードドライブ、着脱式ディスク、ＣＤ−ＲＯＭ、又は当該技術分野で知られるその他の任意の形態のストレージ媒体にインストール可能である。

以上の実施形態は、理解を明瞭にする目的で幾らか詳細に説明されてきたが、本発明は、提供された詳細に限定されない。本発明を実現するには、多くの代替的手法がある。開示された実施形態は、例示的なものであり、限定するものではない。
［適用例１］
オンライン製品を推薦するための方法であって、
照会製品画像の主製品ゾーンを特定することと、
前記主製品ゾーンを複数の局所ゾーンに分割することと、
各局所ゾーンから色特徴を抽出することと、
各局所ゾーンの前記色特徴に基づいて、前記照会製品画像と共通の特性を共有している候補推薦製品画像を探すことと、
見つかった前記候補推薦製品画像のなかから、色整合の観点から前記照会製品画像に類似している製品画像を照合することと、
整合した前記製品画像を推薦製品画像と見なすことと、
を備える方法。
［適用例２］
適用例１に記載のオンライン製品を推薦するための方法であって、更に、
ワード頻度に基づいて、前記製品画像についての逆索引を確立することであって、
前記主製品ゾーンは高次元ベクトルで構成され、
各次元のベクトルが一ワード頻度に対応し、
前記各次元におけるベクトルの確率分布が定量化される、
ことを備える方法。
［適用例３］
適用例２に記載のオンライン製品を推薦するための方法であって、
前記照会製品画像と共通の特性を共有している候補推薦製品画像を探すことは、
照会製品画像Ｐのワード頻度及び推薦可能製品画像Ｑのワード頻度で構成された２つの高次元ベクトルによって形成される、高次元空間における角度のコサインに基づいて、前記照会製品画像Ｐと前記推薦可能製品画像Ｑとの類似性を計算するために、前記照会製品画像Ｐ内に出現するワード頻度に対応する逆索引のエントリにアクセスすることと、
Ｍを２以上の整数とし、前記計算された結果から、上位から順に既定数Ｍ個の推薦可能製品画像を候補推薦製品画像として選択することと、
を含む、方法。
［適用例４］
適用例３に記載のオンライン製品を推薦するための方法であって、
前記照会製品画像Ｐと前記推薦可能製品画像Ｑとの類似性を計算することは、

であって、ｗは、各製品画像に含まれる高次元ベクトルの量を表し、ｗ＝ｒ×ｍであり、ｒは、各画像が分割された局所ゾーンの量を表し、ｍは、各局所ゾーンに含まれる色の量を表し、｜｜は、絶対値演算子を表し、

であり、Ｐ_iは、前記照会製品画像Ｐ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、Ｑ_iは、前記照会製品画像Ｑ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、背景ゾーンワード頻度は、ゼロである、ことを含む、方法。
［適用例５］
適用例３に記載のオンライン製品を推薦するための方法であって、
色整合の観点から前記照会製品画像に類似している製品画像を照合することは、
一度に前記候補推薦製品画像の１つに対して整合計算を実施することと、
前記１つの候補推薦製品画像及び前記照会製品画像によって共有されている主要色相に基づいて、これらの色間隔に関する前記照合されている２画像間の差を減少させることと、
各候補推薦製品画像Ｑ及び前記照会製品画像についての色整合類似性であるｃｏｌｏｒｓｉｍ（Ｐ，Ｑ）を得るために、前記１つの候補推薦製品画像及び前記照会製品画像の細部又は異なる色部分に基づいて、これらの色間隔に関する前記照合されている２画像間の差を強化することと、
１）Ｎを２以上の整数とし、前記候補推薦製品画像のなかから、類似性が高い順に既定数Ｎ個の製品画像を取得し、前記既定数Ｎ個の製品画像を色整合の観点から前記照会製品画像に類似している推薦製品画像と見なすことと、及び２）前記候補推薦製品画像のなかから、前記照会製品画像との類似性が既定の類似性閾値を超える製品画像を選択し、前記製品画像を推薦製品画像と見なすこと、のいずれかを実施することと、
を含む、方法。
［適用例６］
適用例５に記載のオンライン製品を推薦するための方法であって、
各候補推薦製品画像と前記照会製品画像Ｐとの色整合類似性であるｃｏｌｏｒｓｉｍ（Ｐ、Ｑ）を得ることは、

であり、ｒは、各画像が分割された局所ゾーンの量を表し、

であり、ｍは、各局所ゾーンに含まれる色の量を表している、方法。
［適用例７］
オンライン製品を推薦するためのシステムであって、
少なくとも１つのプロセッサと、
前記少なくとも１つのプロセッサに接続され、前記少なくとも１つのプロセッサに命令を提供するように構成されたメモリと、
を備え、
前記少なくとも１つのプロセッサは、
照会製品画像の主製品ゾーンを特定することと、
前記主製品ゾーンを複数の局所ゾーンに分割することと、
各局所ゾーンから色特徴を抽出することと、
各局所ゾーンの前記色特徴に基づいて、前記照会製品画像と共通の特性を共有している候補推薦製品画像を探すことと、
見つかった前記候補推薦製品画像のなかから、色整合の観点から前記照会製品画像に類似している製品画像を照合することと、
整合した前記製品画像を推薦製品画像と見なすことと、
を行うように構成される、システム。
［適用例８］
適用例７に記載のオンライン製品を推薦するためのシステムであって、
前記照会製品画像と共通の特性を共有している候補推薦製品画像を探すことは、
照会製品画像Ｐのワード頻度及び推薦可能製品画像Ｑのワード頻度で構成された２つの高次元ベクトルによって形成される、高次元空間における角度のコサインに基づいて、前記照会製品画像Ｐと前記推薦可能製品画像Ｑとの類似性を計算するために、前記照会製品画像Ｐ内に出現するワード頻度に対応する逆索引のエントリにアクセスすることと、
Ｍを２以上の整数とし、前記計算された結果から、上位から順に既定数Ｍ個の推薦可能製品画像を候補推薦製品画像として選択することと、
を含む、システム。
［適用例９］
適用例８に記載のオンライン製品を推薦するためのシステムであって、
前記照会製品画像Ｐと前記推薦可能製品画像Ｑとの類似性を計算することは、

を計算することであって、ｗは、各製品画像に含まれる高次元ベクトルの量を表し、ｗ＝ｒ×ｍであり、ｒは、各画像が分割された局所ゾーンの量を表し、ｍは、各局所ゾーンに含まれる色の量を表し、｜｜は、絶対値演算子を表し、

であり、ｐ_iは、前記照会製品画像Ｐ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、ｑ_iは、前記照会製品画像Ｑ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、背景ゾーンワード頻度は、ゼロである、ことを含む、システム。
［適用例１０］
適用例８に記載のオンライン製品を推薦するためのシステムであって、
色整合の観点から前記照会製品画像に類似している製品画像を照合することは、
一度に前記候補推薦製品画像の１つに対して整合計算を実施することと、
前記１つの候補推薦製品画像及び前記照会製品画像によって共有されている主要色相に基づいて、これらの色間隔に関する前記照合されている２画像間の差を減少させることと、
各候補推薦製品画像Ｑ及び前記照会製品画像についての色整合類似性であるｃｏｌｏｒｓｉｍ（Ｐ，Ｑ）を得るために、前記１つの候補推薦製品画像及び前記照会製品画像の細部又は異なる色部分に基づいて、これらの色間隔に関する前記照合されている２画像間の差を強化することと、
１）Ｎを２以上の整数とし、前記候補推薦製品画像のなかから、類似性が高い順に既定数Ｎ個の製品画像を取得し、前記既定数Ｎ個の製品画像を色整合の観点から前記照会製品画像に類似している推薦製品画像と見なすことと、及び２）前記候補推薦製品画像のなかから、前記照会製品画像との類似性が既定の類似性閾値を超える製品画像を選択し、前記製品画像を推薦製品画像と見なすこと、のいずれかを実施することと、
を含む、システム。
［適用例１１］
適用例１０に記載のオンライン製品を推薦するためのシステムであって、
各候補推薦製品画像と前記照会製品画像Ｐとの色整合類似性であるｃｏｌｏｒｓｉｍ（Ｐ、Ｑ）は、

であり、ｒは、各画像が分割された局所ゾーンの量を表し、

であり、ｍは、各局所ゾーンに含まれる色の量を表している、システム。
［適用例１２］
有体の非一時的なコンピュータ読み取り可能ストレージ媒体に盛り込まれた、オンライン製品を推薦するためのコンピュータプログラム製品であって、
照会製品画像の主製品ゾーンを特定するためのコンピュータ命令と、
前記主製品ゾーンを複数の局所ゾーンに分割するためのコンピュータ命令と、
各局所ゾーンから色特徴を抽出するためのコンピュータ命令と、
各局所ゾーンの前記色特徴に基づいて、前記照会製品画像と共通の特性を共有している候補推薦製品画像を探すためのコンピュータ命令と、
見つかった前記候補推薦製品画像のなかから、色整合の観点から前記照会製品画像に類似している製品画像を照合するためのコンピュータ命令と、
整合した前記製品画像を推薦製品画像と見なすためのコンピュータ命令と、
を備えるコンピュータプログラム製品。
［適用例１３］
適用例１２に記載のオンライン製品を推薦するためのコンピュータプログラム製品であって、
前記照会製品画像と共通の特性を共有している候補推薦製品画像を探すことは、
照会製品画像Ｐのワード頻度及び推薦可能製品画像Ｑのワード頻度で構成された２つの高次元ベクトルによって形成される、高次元空間における角度のコサインに基づいて、前記照会製品画像Ｐと前記推薦可能製品画像Ｑとの類似性を計算するために、前記照会製品画像Ｐ内に出現するワード頻度に対応する逆索引のエントリにアクセスすることと、
Ｍを２以上の整数とし、前記計算された結果から、上位から順に既定数Ｍ個の推薦可能製品画像を候補推薦製品画像として選択することと、
を含む、コンピュータプログラム製品。
［適用例１４］
適用例１３に記載のオンライン製品を推薦するためのコンピュータプログラム製品であって、
前記照会製品画像Ｐと前記推薦可能製品画像Ｑとの類似性を計算することは、

であって、ｗは、各製品画像に含まれる高次元ベクトルの量を表し、ｗ＝ｒ×ｍであり、ｒは、各画像が分割された局所ゾーンの量を表し、ｍは、各局所ゾーンに含まれる色の量を表し、｜｜は、絶対値演算子を表し、

であり、ｐ_iは、前記照会製品画像Ｐ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、ｑ_iは、前記照会製品画像Ｑ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、背景ゾーンワード頻度は、ゼロである、ことを含む、コンピュータプログラム製品。
［適用例１５］
適用例１３に記載のオンライン製品を推薦するためのコンピュータプログラム製品であって、
色整合の観点から前記照会製品画像に類似している製品画像を照合することは、
一度に前記候補推薦製品画像の１つに対して整合計算を実施することと、
前記１つの候補推薦製品画像及び前記照会製品画像によって共有されている主要色相に基づいて、これらの色間隔に関する前記照合されている２画像間の差を減少させることと、
各候補推薦製品画像Ｑ及び前記照会製品画像についての色整合類似性であるｃｏｌｏｒｓｉｍ（Ｐ，Ｑ）を得るために、前記１つの候補推薦製品画像及び前記照会製品画像の細部又は異なる色部分に基づいて、これらの色間隔に関する前記照合されている２画像間の差を強化することと、
１）Ｎを２以上の整数とし、前記候補推薦製品画像のなかから、類似性が高い順に既定数Ｎ個の製品画像を取得し、前記既定数Ｎ個の製品画像を色整合の観点から前記照会製品画像に類似している推薦製品画像と見なすことと、及び２）前記候補推薦製品画像のなかから、前記照会製品画像との類似性が既定の類似性閾値を超える製品画像を選択し、前記製品画像を推薦製品画像と見なすこと、のいずれかを実施することと、
を含む、コンピュータプログラム製品。
［適用例１６］
適用例１５に記載のオンライン製品を推薦するためのコンピュータプログラム製品であって、
各候補推薦製品画像と前記照会製品画像Ｐとの色整合類似性であるｃｏｌｏｒｓｉｍ（Ｐ、Ｑ）を得ることは、

であり、ｒは、各画像が分割された局所ゾーンの量を表し、

であり、ｍは、各局所ゾーンに含まれる色の量を表している、コンピュータプログラム製品。

Claims (15)

1. プロセッサとメモリとを備えるコンピュータの前記プロセッサが、オンライン製品を推薦するために実行する方法であって、前記プロセッサが、
   前記メモリに記憶された照会製品画像の主製品ゾーンを特定することと、
   前記主製品ゾーンを複数の局所ゾーンに分割することと、
   各局所ゾーンから色特徴を抽出することと、
   各局所ゾーンの前記色特徴に基づいて、前記照会製品画像と共通の特性を共有している候補推薦製品画像を探すことと、
   見つかった前記候補推薦製品画像のなかから、色整合の観点から前記照会製品画像に類似している製品画像を照合することと、
   整合した前記製品画像を推薦製品画像と見なすことと、
   ワード頻度に基づいて、前記製品画像についての逆索引を確立することと、
   を備え、
   前記主製品ゾーンは複数の高次元ベクトルで構成され、高次元ベクトルは、複数の次元に関連するベクトルを表し、次元は色に対応し、
   前記次元におけるベクトルはワード頻度に対応し、
   前記次元の確率分布は定量化される、
   方法。
2. 請求項１に記載のオンライン製品を推薦するための方法であって、
   前記照会製品画像と共通の特性を共有している候補推薦製品画像を探すことは、
   照会製品画像Ｐのワード頻度及び推薦可能製品画像Ｑのワード頻度で構成された２つの高次元ベクトルによって形成される、高次元空間における角度のコサインに基づいて、前記照会製品画像Ｐと前記推薦可能製品画像Ｑとの類似性を計算するために、前記照会製品画像Ｐ内に出現するワード頻度に対応する前記逆索引のエントリにアクセスすることと、
   Ｍを２以上の整数とし、計算された結果から、上位から順に既定数Ｍ個の推薦可能製品画像を前記候補推薦製品画像として選択することと、
   を含む、方法。
3. 請求項２に記載のオンライン製品を推薦するための方法であって、
   前記照会製品画像Ｐと前記推薦可能製品画像Ｑとの類似性を計算することは、
   

   

   であって、ｗは、各製品画像に含まれる高次元ベクトルの量を表し、ｗ＝ｒ×ｍであり、ｒは、各画像が分割された局所ゾーンの量を表し、ｍは、各局所ゾーンに含まれる色の量を表し、｜｜は、絶対値演算子を表し、
   

   

   

   であり、Ｐ_iは、前記照会製品画像Ｐ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、Ｑ_iは、前記照会製品画像Ｑ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、背景ゾーンワード頻度は、ゼロである、ことを含む、方法。
4. 請求項２に記載のオンライン製品を推薦するための方法であって、
   色整合の観点から前記照会製品画像に類似している製品画像を照合することは、
   一度に前記候補推薦製品画像の１つに対して整合計算を実施することと、
   前記１つの候補推薦製品画像及び前記照会製品画像によって共有されている主要色相に基づいて、これらの色間隔に関する前記照合されている２画像間の差を減少させることと、
   各候補推薦製品画像Ｑ及び前記照会製品画像についての色整合類似性であるｃｏｌｏｒｓｉｍ（Ｐ，Ｑ）を得るために、前記１つの候補推薦製品画像及び前記照会製品画像の細部又は異なる色部分に基づいて、これらの色間隔に関する前記照合されている２画像間の差を強化することと、
   １）Ｎを２以上の整数とし、前記候補推薦製品画像のなかから、類似性が高い順に既定数Ｎ個の製品画像を取得し、前記既定数Ｎ個の製品画像を色整合の観点から前記照会製品画像に類似している推薦製品画像と見なすことと、及び２）前記候補推薦製品画像のなかから、前記照会製品画像との類似性が既定の類似性閾値を超える製品画像を選択し、前記製品画像を推薦製品画像と見なすこと、のいずれかを実施することと、
   を含む、方法。
5. 請求項４に記載のオンライン製品を推薦するための方法であって、
   各候補推薦製品画像と前記照会製品画像Ｐとの色整合類似性であるｃｏｌｏｒｓｉｍ（Ｐ、Ｑ）を得ることは、
   

   

   であり、ｒは、各画像が分割された局所ゾーンの量を表し、
   

   

   であり、ｍは、各局所ゾーンに含まれる色の量を表している、方法。
6. オンライン製品を推薦するためのシステムであって、
   少なくとも１つのプロセッサと、
   前記少なくとも１つのプロセッサに接続され、前記少なくとも１つのプロセッサに命令を提供するように構成されたメモリと、
   を備え、
   前記少なくとも１つのプロセッサは、
   照会製品画像の主製品ゾーンを特定することと、
   前記主製品ゾーンを複数の局所ゾーンに分割することと、
   各局所ゾーンから色特徴を抽出することと、
   各局所ゾーンの前記色特徴に基づいて、前記照会製品画像と共通の特性を共有している候補推薦製品画像を探すことと、
   見つかった前記候補推薦製品画像のなかから、色整合の観点から前記照会製品画像に類似している製品画像を照合することと、
   整合した前記製品画像を推薦製品画像と見なすことと、
   ワード頻度に基づいて、前記製品画像についての逆索引を確立することと、
   を行うように構成され、
   前記主製品ゾーンは複数の高次元ベクトルで構成され、高次元ベクトルは、複数の次元に関連するベクトルを表し、次元は色に対応し、
   前記次元におけるベクトルはワード頻度に対応し、
   前記次元の確率分布は定量化される、
   システム。
7. 請求項６に記載のオンライン製品を推薦するためのシステムであって、
   前記照会製品画像と共通の特性を共有している候補推薦製品画像を探すことは、
   照会製品画像Ｐのワード頻度及び推薦可能製品画像Ｑのワード頻度で構成された２つの高次元ベクトルによって形成される、高次元空間における角度のコサインに基づいて、前記照会製品画像Ｐと前記推薦可能製品画像Ｑとの類似性を計算するために、前記照会製品画像Ｐ内に出現するワード頻度に対応する前記逆索引のエントリにアクセスすることと、
   Ｍを２以上の整数とし、計算された結果から、上位から順に既定数Ｍ個の推薦可能製品画像を前記候補推薦製品画像として選択することと、
   を含む、システム。
8. 請求項７に記載のオンライン製品を推薦するためのシステムであって、
   前記照会製品画像Ｐと前記推薦可能製品画像Ｑとの類似性を計算することは、
   

   

   を計算することであって、ｗは、各製品画像に含まれる高次元ベクトルの量を表し、ｗ＝ｒ×ｍであり、ｒは、各画像が分割された局所ゾーンの量を表し、ｍは、各局所ゾーンに含まれる色の量を表し、｜｜は、絶対値演算子を表し、
   

   

   

   であり、ｐ_iは、前記照会製品画像Ｐ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、ｑ_iは、前記照会製品画像Ｑ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、背景ゾーンワード頻度は、ゼロである、ことを含む、システム。
9. 請求項７に記載のオンライン製品を推薦するためのシステムであって、
   色整合の観点から前記照会製品画像に類似している製品画像を照合することは、
   一度に前記候補推薦製品画像の１つに対して整合計算を実施することと、
   前記１つの候補推薦製品画像及び前記照会製品画像によって共有されている主要色相に基づいて、これらの色間隔に関する前記照合されている２画像間の差を減少させることと、
   各候補推薦製品画像Ｑ及び前記照会製品画像についての色整合類似性であるｃｏｌｏｒｓｉｍ（Ｐ，Ｑ）を得るために、前記１つの候補推薦製品画像及び前記照会製品画像の細部又は異なる色部分に基づいて、これらの色間隔に関する前記照合されている２画像間の差を強化することと、
   １）Ｎを２以上の整数とし、前記候補推薦製品画像のなかから、類似性が高い順に既定数Ｎ個の製品画像を取得し、前記既定数Ｎ個の製品画像を色整合の観点から前記照会製品画像に類似している推薦製品画像と見なすことと、及び２）前記候補推薦製品画像のなかから、前記照会製品画像との類似性が既定の類似性閾値を超える製品画像を選択し、前記製品画像を推薦製品画像と見なすこと、のいずれかを実施することと、
   を含む、システム。
10. 請求項９に記載のオンライン製品を推薦するためのシステムであって、
    各候補推薦製品画像と前記照会製品画像Ｐとの色整合類似性であるｃｏｌｏｒｓｉｍ（Ｐ、Ｑ）は、
    

    

    であり、ｒは、各画像が分割された局所ゾーンの量を表し、
    

    

    であり、ｍは、各局所ゾーンに含まれる色の量を表している、システム。
11. オンライン製品を推薦するためのコンピュータプログラムであって、
    照会製品画像の主製品ゾーンを特定する機能と、
    前記主製品ゾーンを複数の局所ゾーンに分割する機能と、
    各局所ゾーンから色特徴を抽出する機能と、
    各局所ゾーンの前記色特徴に基づいて、前記照会製品画像と共通の特性を共有している候補推薦製品画像を探す機能と、
    見つかった前記候補推薦製品画像のなかから、色整合の観点から前記照会製品画像に類似している製品画像を照合する機能と、
    整合した前記製品画像を推薦製品画像と見なす機能と、
    ワード頻度に基づいて、前記製品画像についての逆索引を確立する機能と、
    をコンピュータに実現させ、
    前記主製品ゾーンは複数の高次元ベクトルで構成され、高次元ベクトルは、複数の次元に関連するベクトルを表し、次元は色に対応し、
    前記次元におけるベクトルはワード頻度に対応し、
    前記次元の確率分布は定量化される、
    コンピュータプログラム。
12. 請求項１１に記載のオンライン製品を推薦するためのコンピュータプログラムであって、
    前記照会製品画像と共通の特性を共有している候補推薦製品画像を探す機能は、
    照会製品画像Ｐのワード頻度及び推薦可能製品画像Ｑのワード頻度で構成された２つの高次元ベクトルによって形成される、高次元空間における角度のコサインに基づいて、前記照会製品画像Ｐと前記推薦可能製品画像Ｑとの類似性を計算するために、前記照会製品画像Ｐ内に出現するワード頻度に対応する前記逆索引のエントリにアクセスすることと、
    Ｍを２以上の整数とし、計算された結果から、上位から順に既定数Ｍ個の推薦可能製品画像を前記候補推薦製品画像として選択することと、
    を含む、コンピュータプログラム。
13. 請求項１２に記載のオンライン製品を推薦するためのコンピュータプログラムであって、
    前記照会製品画像Ｐと前記推薦可能製品画像Ｑとの類似性を計算することは、
    

    

    であって、ｗは、各製品画像に含まれる高次元ベクトルの量を表し、ｗ＝ｒ×ｍであり、ｒは、各画像が分割された局所ゾーンの量を表し、ｍは、各局所ゾーンに含まれる色の量を表し、｜｜は、絶対値演算子を表し、
    

    

    

    であり、ｐ_iは、前記照会製品画像Ｐ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、ｑ_iは、前記照会製品画像Ｑ内におけるｉ番目の高次元ベクトル要素に対応するワード頻度を表し、背景ゾーンワード頻度は、ゼロである、ことを含む、コンピュータプログラム。
14. 請求項１２に記載のオンライン製品を推薦するためのコンピュータプログラムであって、
    色整合の観点から前記照会製品画像に類似している製品画像を照合する機能は、
    一度に前記候補推薦製品画像の１つに対して整合計算を実施することと、
    前記１つの候補推薦製品画像及び前記照会製品画像によって共有されている主要色相に基づいて、これらの色間隔に関する前記照合されている２画像間の差を減少させることと、
    各候補推薦製品画像Ｑ及び前記照会製品画像についての色整合類似性であるｃｏｌｏｒｓｉｍ（Ｐ，Ｑ）を得るために、前記１つの候補推薦製品画像及び前記照会製品画像の細部又は異なる色部分に基づいて、これらの色間隔に関する前記照合されている２画像間の差を強化することと、
    １）Ｎを２以上の整数とし、前記候補推薦製品画像のなかから、類似性が高い順に既定数Ｎ個の製品画像を取得し、前記既定数Ｎ個の製品画像を色整合の観点から前記照会製品画像に類似している推薦製品画像と見なすことと、及び２）前記候補推薦製品画像のなかから、前記照会製品画像との類似性が既定の類似性閾値を超える製品画像を選択し、前記製品画像を推薦製品画像と見なすこと、のいずれかを実施することと、
    を含む、コンピュータプログラム。
15. 請求項１４に記載のオンライン製品を推薦するためのコンピュータプログラムであって、
    各候補推薦製品画像と前記照会製品画像Ｐとの色整合類似性であるｃｏｌｏｒｓｉｍ（Ｐ、Ｑ）を得ることは、
    

    

    であり、ｒは、各画像が分割された局所ゾーンの量を表し、
    

    

    であり、ｍは、各局所ゾーンに含まれる色の量を表している、コンピュータプログラム。

Images