JP6361725B2 - 情報選択装置、情報選択方法、および情報選択プログラム - Google Patents

Description

本発明は、アイテムを提供するネットワークシステムにおいて、ユーザに推薦するアイ
テムを選択する情報選択技術に関する。

近年、デジタル技術やネットワーク技術の進展により、ネットワークを使ってデジタル
コンテンツや物品などのアイテムを配信したり、販売することが増えている。これに伴い
、多数のアイテムの中から、ユーザにとって有用なアイテムを推薦する技術へのニーズが
高まっている。このニーズに応えるため、ユーザのアイテムに対する評価情報や利用情報
を用いてアイテムを推薦する技術がいくつか提案されている。

例えば、特許文献１には、ユーザが過去に購入した商品の価格帯情報に基づいてそのユ
ーザに推薦する商品の価格帯を設定することで、ユーザが購入する可能性が高い商品を効
果的に推薦することが提案されている。このとき、過去の購入価格帯よりも所定価格分高
い価格帯あるいは所定価格分低い価格帯の商品を推薦することで、売上の増加を図ったり
、ユーザに割安感を感じさせたりするようにしている。
また、特許文献２には、顧客が複数の単品メニューの中から一の単品メニューを選択し
た場合に、その単品メニューを含むセットメニューの情報を提供して推薦する自動販売機
が提案されている。

特開２０１１−４８６６７号公報 特開２０１１−２２７９３号公報

販売側の視点からは、高い価格帯のアイテムを推薦することで売上が増加することが好
ましい。一方で、ユーザは他の条件が同じであれば、基本的に価格の安い商品を好むため
、むやみに価格の高い商品を推薦することは、推薦情報がユーザに受容されず、購入意欲
を低下させるというリスクを伴っている。

ところで、ユーザが高いと感じるか安いと感じるかは、単にアイテムの価格のみならず
、アイテムを推薦するタイミングにも依存するため、価格が高いアイテムであっても、ユ
ーザの購入意欲が低下しない場合もある。また逆に、価格が高いアイテムを推薦すると、
ユーザの購入意欲が低下するため、価格が安いアイテムを推薦した方が、全体の売上が増
大する場合もある。しかしながら、特許文献１に開示の技術では、特定の価格帯の商品を
推薦する場合に、推薦するタイミングを考慮していない。特許文献２に開示の技術では、
一般的に単品メニューよりも単価の高いセットメニューの販売促進を狙っているが、セッ
トメニューが推薦されるのは、それと関連する単品メニューをユーザが選択した場合のみ
であり、セットメニューを推薦するタイミングを十分には考慮していない。すなわち、単
品メニュー、セットメニューといったアイテムの種別に基づく推薦を行っているが、ある
単品メニューを選択すると、それと関連するセットメニューが常に同じように推薦されて
しまう。このため、その時々のユーザの希望予算に合わなかったり、押し売り感をユーザ
が感じてしまうことが想定され、ユーザの購入意欲が低下するリスクがある。

そこで、本発明は、所定の時点からの経過時間に応じて、情報選択におけるアイテムの
種別の優先度を調整してアイテムを選択することを目的とする。

本発明は上記課題を解決するため、下記の装置、方法及びプログラムを提供する。
（１）アイテムを識別するアイテム識別子に係る種別情報が入力されて、アイテム識別
子それぞれについて種別影響度を種別対応規則に従って算出する種別影響度算出部と、前
記種別影響度が算出されたアイテム識別子の中から、前記種別影響度に基づき決定された
選択指標の大きなアイテム識別子を優先的に選択する情報選択部とを備え、前記種別影響
度算出部は、所定の時点からの経過時間に応じて前記種別対応規則の特性を設定し、前記
種別影響度を算出することを特徴とする情報選択装置。

（２）アイテムを識別するアイテム識別子に係る種別情報が入力されて、アイテム識別
子それぞれについて種別影響度を種別対応規則に従って算出する種別影響度算出ステップ
と、前記種別影響度が算出されたアイテム識別子の中から、前記種別影響度に基づき決定
された選択指標の大きなアイテム識別子を優先的に選択する情報選択ステップとを備え、
前記種別影響度算出ステップは、所定の時点からの経過時間に応じて前記種別対応規則の
特性を設定し、前記種別影響度を算出することを特徴とする情報選択方法。

（３）コンピュータに、アイテムを識別するアイテム識別子に係る種別情報が入力され
て、アイテム識別子それぞれについて種別影響度を種別対応規則に従って算出する種別影
響度算出工程と、前記種別影響度が算出されたアイテム識別子の中から、前記種別影響度
に基づき決定された選択指標の大きなアイテム識別子を優先的に選択する情報選択工程と
を実行させ、前記種別影響度算出工程は、所定の時点からの経過時間に応じて前記種別対
応規則の特性を設定し、前記種別影響度を算出することを特徴とする情報選択プログラム
。

本発明によれば、所定の時点からの経過時間に応じて、情報選択におけるアイテムの種
別の優先度を調整してアイテムを選択することができる。

本実施形態に係るネットワークシステム全体の構成を示すブロック図である。 本実施形態に係るネットワークシステム全体の別構成を示すブロック図である。 第１実施例における情報選択装置の構成を示すブロック図である。 アイテム属性格納部に格納されているアイテム情報テーブルとカテゴリ情報テーブルの例を示す図である。 利用履歴格納部に格納されるアイテム利用履歴テーブルの例を示す図である。 推薦情報格納部に格納される推薦情報テーブルの例を示す図である。 関連集合格納部に格納される関連度テーブルの例を示す図である。 アイテム提供サーバの構成を示すブロック図である。 端末装置の構成を示すブロック図である。 システム全体の動作を説明するフローチャートである。 情報提供に係る初期画面を表示する画面例を示す図である。 推薦リストを表示する画面例を示す図である。 情報選択装置が推薦情報を作成する動作について説明するフローチャートである。 関連集合作成処理について説明するフローチャートである。 種別情報を入力Ｘとし、種別影響度を出力Ｙとする種別影響関数Ｆ（Ｘ）の特性例を示す図である。 種別情報を入力Ｘとし、種別影響度を出力Ｙとする種別影響関数Ｆ（Ｘ）の特性例を示す図である。 種別情報を入力Ｘとし、種別影響度を出力Ｙとする種別影響関数Ｆ（Ｘ）の特性例を示す図である。 推薦情報の具体例を説明するための図である。 第２実施例における情報選択装置の構成を示すブロック図である。 第２実施例における情報提供に係る初期画面を表示する画面例を示す図である。 種別影響度を調整するために必要なデータの入力画面例を示す図である。 種別影響関数Ｆ（Ｘ）の特性の変化の例を示す図である。 第２実施例における推薦リストを表示する画面例を示す図である。 第３実施例における情報選択装置の構成を示すブロック図である。 利用種別情報格納部に格納される利用種別情報テーブルの例を示す図である。 種別水準値と種別分散値を両方用いて、関数Ｆ（Ｘ）の特性を動的に設定する方法を説明する図である。 関数Ｆ（Ｘ）の特性を動的に設定する方法の別例を説明する図である。 関数Ｆ（Ｘ）の特性を動的に設定する方法の別例を説明する図である。 関数Ｆ（Ｘ）の特性を動的に設定する方法の別例を説明する図である。 利用種別情報として算出される確率関数と、それに基づく種別影響関数を説明する図である。

本発明の一実施の形態であるネットワークシステムについて図面を参照して説明する。
以下では、まずシステム全体構成を説明し、その後、第１実施例〜第３実施例の順番で各
構成の具体例および具体的動作例について説明する。
＜システム全体構成＞

図１は、本実施形態に係るネットワークシステム全体の構成を示すブロック図である。
本図に示すように、ネットワークシステムは、アイテム等の情報を選択する情報選択装置
１０と、アイテム提供サーバ２０と、１台以上の端末装置３０（図中では３０Ａ〜３０Ｎ
、本実施形態では「端末装置３０」と総称する）がネットワーク４０を介して接続されて
構成される。ここで、情報選択装置１０とアイテム提供サーバ２０により、端末装置３０
を使用するユーザに対してアイテム提供等のサービスを行なうアイテム提供システム１を
構成している。ネットワーク４０は、インターネットに代表される広域ネットワークとす
ることができる。また、端末装置３０とネットワーク４０との接続形態は、有線・無線を
問わない。

ネットワークシステムは、図２に示すような構成としてもよい。すなわち、ネットワー
ク４０にアイテム提供サーバ２０と１台以上の端末装置３０（３０Ａ〜３０Ｎ）が接続さ
れ、情報選択装置１０がネットワーク４０とは別のネットワーク４２を介してアイテム提
供サーバ２０と接続している構成である。この場合、ネットワーク４２を介して接続され
た情報選択装置１０とアイテム提供サーバ２０により、アイテム提供システム２を構成す
る。ネットワーク４２は、例えば、ＬＡＮ（Local
Area Network）等とすることができ、セキュリティ確保の観点から、端末装置３０から情
報選択装置１０への直接的なアクセスは制限することが望ましい。

ただし、ネットワークシステムは、上記の例に限られず、種々の構成を用いることがで
きる。例えば、情報選択装置１０とアイテム提供サーバ２０とを同一の装置で構成しても
よいし、それぞれを複数台の装置で構成するようにしてもよい。以下では、図１に示した
構成でネットワークシステムを実現した場合を例に説明する。

本実施形態におけるアイテムは、ユーザに対して提供対象となるものであり、テキスト
、音声、音楽、画像、映像、プログラム等のデジタルコンテンツ、様々な物品、金融商品
、不動産、人物情報、ネットワークサービス等を含めることができ、有形か無形かを問わ
ない。また、本実施形態では、各アイテムには、アイテムを分類するための情報であるカ
テゴリが１つ以上定められているものとするが、カテゴリを用いないで動作することも可
能である。

本実施形態におけるアイテム提供サービスでは、少なくとも、単体アイテムと複合アイ
テムの２種類（２つの種別）のアイテムが提供される。ここで、複合アイテムとは、複数
の単体アイテムを含むものであり、ユーザの１回の利用操作（購入操作）で、対応する複
数の単体アイテムに相当する内容が提供されるものである。例えば、音楽コンテンツが提
供されるサービスにおいては、個々の楽曲を単体アイテムとし、複数の楽曲を集めたアル
バムを複合アイテムとすることができる。また、あるアーティストのすべての楽曲を１つ
の複合アイテムとしてもよい。また映像コンテンツが提供されるサービスでは、連続ドラ
マの各話を単体アイテムとし、それを複数まとめたものを複合アイテムとすることができ
る。また、書籍（紙の書籍でも電子書籍でもよい）が提供されるサービスでは、１巻を単
体アイテムとし、関連のある巻をまとめて複合アイテムとすることができる。

ある複合アイテムに対応する複数の単体アイテムを利用する意向のあるユーザにとって
は、それぞれの単体アイテムの利用操作を複数回繰り返すよりは、その複合アイテムを１
回の利用操作で利用した方が、時間や手間の節約になり、ユーザにとっての利便性が高い
。また、複合アイテムは、複数の単体アイテムを合わせた要素以外の要素を含んでいても
よい。例えば、音楽コンテンツの場合、複合アイテムであるアルバムコンテンツは、単体
アイテムである個々の楽曲を複数含む他に、単体アイテムには含まれない、ジャケット写
真、ライナーノーツ（アルバムの解説）、歌詞カード、ボーナストラック、イベント参加
権利、及びその他の特典を含んでいてもよい。

本実施形態に係るアイテム提供サービスにおいて、アイテムは基本的に有料であるが、
無料のアイテムが存在してもよい。一般的には、複合アイテムの価格の方が、単体アイテ
ムの価格よりも高い傾向にある。すなわち、単体アイテムに比べて、相対的に複合アイテ
ムの価格は高いといえる。ただし、単体アイテムよりも価格の安い複合アイテムや、無料
の複合アイテムが存在してもよい。また一般的には、複合アイテムの価格は、それに対応
する全ての単体アイテムの価格の合計よりも安く設定されることが多いが、必ずしも安く
なくてもよい。例えば、対応する単体アイテムの合計額と同じでもよいし、複合アイテム
独自の特典があるなどの理由により、対応する単体アイテムの合計額より高い価格であっ
てもよい。

また、アイテム提供の都度、ユーザに対する課金を行ってもよいが、所定の期間ごとに
所定金額を課金してもよい。例えば、毎月の所定日（毎月１日、入会日など）に月会費と
して１０００円を徴収し、その月（またはそれ以降の１ヶ月間）に合計１０００円（１０
００ポイント）相当のアイテムを自由に組合せて利用できるようにしてもよい。ユーザが
その月に１０００円を超えてアイテムを利用したい場合は、追加ポイント（例えば、５０
０円分、１０００円分、２０００円分など）を購入して、追加ポイントに相当する金額ま
でのアイテムを利用できるようにすればよい。また追加ポイントをユーザに購入させるこ
となく、月会費を越えた分のアイテムに関して、個別に課金を行ってもよい。また、月会
費の徴収は、ユーザが会員である限り、自動的に継続するようにしてもよい。また、月会
費に相当するポイントをその月に使い切らなかった場合、翌月には繰り越せない（翌月に
は失効する）ようにしてもよいし、余ったポイントを翌月以降に繰り越して使えるように
してもよい。また、繰り越しを認める場合、最大６ヶ月後まで繰り越し可などのように、
期限を設けてもよい。また、月会費制だけではなく、週単位、年単位、３ヶ月毎など、任
意の期間（任意の周期）ごとに会費を徴収し、その対価として一定金額までのアイテムを
利用させるようにしてもよい。

以下、上記構成のネットワークシステムについての実施例を説明する。各実施例につい
て同じブロックについては同じ符号を付すものとし、同じブロックで動作が異なる場合は
、第２実施例について「ｂ」、第３実施例について「ｃ」を符号の末尾に付加して説明す
る。
（実施例１）
＜情報選択装置＞

図３は、第１実施例における情報選択装置１０の構成を示すブロック図である。本図に
示すように情報選択装置１０は、アイテム属性格納部１０１と、利用履歴格納部１０２と
、関連度算出部１０４と、関連集合格納部１０５と、種別影響度算出部１０６と、情報選
択部１０７と、推薦情報格納部１０８と、送受信部１０９と、制御部１１０とを備えて構
成されている。また、情報選択装置１０には、情報選択装置１０の管理者向けに必要な情
報を表示するための表示装置１２０と、管理者が操作を行なうためのキーボード、マウス
等の入力装置１３０とが接続されている。

情報選択装置１０は、ＣＰＵ、ＲＡＭ、ＲＯＭ、ＨＤＤ（ハードディスクドライブ）、
ネットワークインタフェース等を備える一般的なコンピュータを用いて構成することがで
きる。すなわち、一般的なコンピュータは、以下で説明するような処理を行なうためのコ
ンピュータプログラムを実行することにより、情報選択装置１０として機能することがで
きるようになる。

また、上述のように、情報選択装置１０を複数台のコンピュータを用いて構成してもよ
い。例えば、負荷分散をするために、情報選択装置１０のある処理ブロックに相当するコ
ンピュータを複数台用いて、すなわち、同じ処理ブロックを備える複数台のコンピュータ
を用いて分散処理を行なうようにしてもよい。また、情報選択装置１０の一部の処理ブロ
ックをあるコンピュータで実施し、他の処理ブロックを別のコンピュータで実施する形態
で分散処理を行なってもよい。また、図３に示す処理ブロックを全て備えるコンピュータ
を複数台用いて分散処理を行ってもよい。

アイテム属性格納部１０１は、アイテムに関する情報が記録されたアイテム情報テーブ
ル１０１Ａと、カテゴリに関する情報が記録されたカテゴリ情報テーブル１０１Ｂとを格
納している。

図４（ａ）は、アイテム情報テーブル１０１Ａの一例を示している。本図に示すように
、アイテム情報テーブル１０１Ａは、アイテム識別子（アイテムＩＤ）と、アイテム属性
情報とを対応させたテーブルである。アイテム属性情報は、アイテムの「種別情報」「タ
イトル（名称）」「カテゴリ識別子」「価格情報」「説明情報」「アイテム時期情報」な
どで構成されている。

ここで「種別情報」とは、上述の単体アイテム及び複合アイテムの少なくとも２つの種
別のアイテムを、識別可能な情報である。本実施形態においては、複合アイテムの種別情
報が、単体アイテムの種別よりも大きな値となるように、それぞれに数値を割り当てる例
を用いて説明する。例えば、本図に示すように、単体アイテムを「０」、複合アイテムを
「１」の数値に対応させればよい。また、単体アイテムを「１」、複合アイテムを「２」
などのように、本図とは別の数値に対応させてもよい。ただし、本実施形態で説明する例
とは逆に、複合アイテムの種別情報が、単体アイテムの種別情報よりも小さな値となるよ
うに設定することも、もちろん可能である。また例えば、単体アイテムを「単体」という
文字列、複合アイテムを「複合」という文字列で表わす等、種別情報として文字列や記号
を用いてもよい。また後述するように、種別情報を３値以上の数値で表わしてもよい。ま
た、種別情報を３種類以上の文字列や記号で表わしてもよい。

「価格情報」は、そのアイテムの価格である。ただし、必ずしも円、ドル、ユーロとい
った実際の通貨に基づく価格である必要はない。例えば、本実施形態に係るアイテム提供
サービスや、提携している関連サービスで使用できる独自のポイントの値であってもよい
。なお、本図の例から分かるように、価格情報（価格）が「０円」である無料のアイテム
が存在してもよい。一般的には、複合アイテムの価格が、単体アイテムの価格よりも高い
が、ある単体アイテムの価格が、ある複合アイテムの価格より高くてもよい。
「カテゴリ識別子」は、そのアイテムに対応するカテゴリ（アイテムの属するカテゴリ
）を識別する識別子であり、以下に説明するカテゴリ情報テーブル１０１Ｂにおいても、
共通するカテゴリ識別子が格納されている。

図４（ｂ）は、カテゴリ情報テーブル１０１Ｂの一例を示している。本図に示すように
、カテゴリ情報テーブル１０１Ｂは、カテゴリ識別子（カテゴリＩＤ）とカテゴリ属性情
報とを対応させたテーブルである。カテゴリ属性情報は、「カテゴリ名」「カテゴリ説明
」などで構成されている。２つのテーブルに存在する「カテゴリ識別子」を介して、アイ
テム情報テーブル１０１Ａのアイテム情報とカテゴリ情報テーブル１０１Ｂのカテゴリ情
報とを関連付けることができる。

ここで、カテゴリとは、アイテムを所定の基準で分類した情報であり、１つのアイテム
について１個以上設定される。カテゴリは、例えば、アイテムの「クリエイター（作成者
）」とすることができる。なお「クリエイター」は、アイテムの制作者、監督、プロデュ
ーサー、執筆者、作曲者、作詞者、演奏者、出演者等である。

また、アイテムが音楽コンテンツの場合、「ロック」「ジャズ」「クラシック」「フォ
ーク」等のジャンル情報をカテゴリとすることができ、アイテムが映画の場合、「ＳＦ」
「アクション」「コメディ」「アニメ」「サスペンス」等のジャンル情報をカテゴリとす
ることができる。さらには、「日本」「アメリカ」「イギリス」など作成者の国や地域を
用いた分類情報や、「癒し系」「エキサイティング」「ドラマティック」といったアイテ
ムの雰囲気やムードを示す情報をカテゴリとして用いてもよい。

アイテム属性情報の「説明情報」は、アイテムのあらすじや要約、制作された背景説明
などの情報である。「アイテム時期情報」は、アイテムの作成された時期（時点）を示す
情報である。ただし、アイテム提供サーバ２０にアイテムが登録された時期や、アイテム
が提供開始された時期を用いてもよい。本実施形態では、時期（時点）の表現形式として
、「２０１０年１月１日」などの日付を用いるが、他の表現形式を用いてもよい。例えば
、「２０１０年１月１日 １０時１５分２０秒」などの秒単位までの日時でもよいし、ミ
リ秒単位までの日時でもよい。あるいは、「２０１０年１月」などの月単位の表現形式で
も、「２０１０年 １Ｑ」などの四半期単位の表現形式でも、「２０１０年」などの年単
位の表現形式でも、「２０００年代」などの年単位より大まかな年代の表現形式でもよい
。

アイテム情報テーブル１０１Ａのアイテム属性情報においては、１つのアイテムに同じ
種類の属性項目が複数存在していてもよい。例えば、１つのアイテムに、「クリエイター
１」「クリエイター２」「クリエイター３」「ジャンル１」「ジャンル２」の合計５つの
カテゴリが設定されていてもよい。もちろん、ここで挙げたアイテム属性情報とカテゴリ
属性情報は、あくまでも例示であり、上記に限定される訳ではない。例えば、アイテム属
性情報に「サイズ」や「色」などの属性項目を用いてもよい。

図４（ｃ）は、複合−単体対応テーブル１０１Ｃの一例を示している。複合−単体対応
テーブル１０１Ｃは、複合アイテムと単体アイテムとの対応情報であり、複合アイテムの
アイテム識別子と、単体アイテムのアイテム識別子とを対応させて格納する。本図の例で
は、複合アイテムである「ＩｔｅｍＩＤ−３」に、「ＩｔｅｍＩＤ−１」、「ＩｔｅｍＩ
Ｄ−２」、「ＩｔｅｍＩＤ−５」、「ＩｔｅｍＩＤ−６」の４つの単体アイテムが対応し
ている。また、複合アイテムである「ＩｔｅｍＩＤ−４」に、「ＩｔｅｍＩＤ−２」、「
ＩｔｅｍＩＤ−１０」、「ＩｔｅｍＩＤ−１１」の３つの単体アイテムが対応している。
このように、１つの複合アイテムに対応する単体アイテムの数は、複合アイテムごとに異
なっていてもよい。また、単体アイテムである「ＩｔｅｍＩＤ−２」が、「ＩｔｅｍＩＤ
−３」と「ＩｔｅｍＩＤ−４」の２つ複合アイテムに対応していることから分かるように
、１つの単体アイテムが、複数の複合アイテムに対応してもよい。

なお、複合アイテムに対応する単体アイテムの個数を種別情報としてもよい。例えば、
図４（ｃ）に示すような複合アイテムと単体アイテムの対応関係がある場合、図４（ａ）
において、「ＩｔｅｍＩＤ−３」の種別情報を「４」、「ＩｔｅｍＩＤ−４」の種別情報
を「３」にしてもよい。なお、単体アイテムの種別情報は「０」にすればよい。種別情報
は典型的には、整数値で表わされるが、実数値で表わされてもよい。例えば、図４（ｃ）
に示す例において、単体アイテム「ＩｔｅｍＩＤ−２」は、「ＩｔｅｍＩＤ−３」と「Ｉ
ｔｅｍＩＤ−４」の２つの複合アイテムに対応している。このように、複数の複合アイテ
ムに対応する単体アイテムが存在するとき、複合アイテムに対応する単体アイテムの個数
をカウントする際に、それを「１」としてカウントするのではなく、より小さな値として
カウントしてもよい。例えば、「ＩｔｅｍＩＤ−２」を「０．５」としてカウントすると
、「ＩｔｅｍＩＤ−３」の種別情報は「３．５」、「ＩｔｅｍＩＤ−４」の種別情報は「
２．５」となる。

また、複合アイテムに対応する単体アイテムの個数に基づき、複合アイテムを複数のタ
イプに分類し、その分類情報を種別情報としてもよい。例えば、対応する単体アイテムの
個数が５個未満の複合アイテムを「小規模複合アイテム」、対応する単体アイテムの個数
が５個以上２０個未満の複合アイテムを「中規模複合アイテム」、対応する単体アイテム
の個数が２０個以上の複合アイテムを「大規模複合アイテム」と分類し、その分類情報を
種別情報としてもよい。「小規模複合アイテム」を「１」、「中規模複合アイテム」を「
２」、「大規模複合アイテム」を「３」などのように、数字や文字列で種別情報を表わせ
ばよい。また、価格情報を種別情報に反映させてもよい。例えば、対応する単体アイテム
の個数が２０個以上であり、かつそれら単体アイテムの価格情報（価格）の合計額が１万
円以上になる複合アイテムを「大規模複合アイテム」としてもよい。また例えば、対応す
る単体アイテムの個数が２０個以上であり、その複合アイテムの価格情報（価格）が１万
円以上である場合に、「大規模複合アイテム」としてもよい。また、単体／複合の違いを
示す情報でなくても、アイテムの価格とある程度の相関関係（規則性）があれば、他のア
イテム属性情報を種別情報とすることもできる。例えば、あるカテゴリ（カテゴリＡ）に
属するアイテムの価格が、他のカテゴリに属するアイテムの価格よりも高い傾向にある場
合、カテゴリＡに対応するアイテムの種別情報を「１」、それ以外のカテゴリに対応する
アイテムの種別情報を「０」として処理を行ってもよい。また例えば、アイテム時期情報
が新しい（例えば、３ヶ月以内）アイテムの価格が、アイテム時期情報が古い（例えば、
３ヶ月より前）アイテムの価格よりも高い傾向に有る場合、新しいアイテムの種別情報を
「１」、古いアイテムの種別情報を「０」として処理を行ってもよい。また新しさに応じ
て、３種類以上の種別情報を用いてもよい。単体／複合の違いを示す情報以外の情報を、
種別情報として用いる場合でも、後述する複合アイテムと単体アイテムとの対応情報を用
いた処理を省略すれば、推薦情報を作成することができる。

なお、情報選択装置１０が、必要に応じてアイテム提供サーバ２０の後述するアイテム
格納部２０２からアイテム情報およびカテゴリ情報を取得できるようにして、アイテム属
性格納部１０１を省略することも可能である。

送受信部１０９は、ネットワーク４０（図２の構成の場合は、さらにネットワーク４２
）を介して、アイテム提供サーバ２０または端末装置３０との間でデータを送受信する処
理を行なう。

制御部１１０は、情報選択装置１０の全体の制御を行なうための種々の処理を行なう。
例えば、後述するように、アイテム提供サーバ２０または端末装置３０から送信される利
用リクエストを、送受信部１０９を介して受信し、利用リクエストに含まれるユーザ識別
子とアイテム識別子とを対応させて、利用履歴情報として利用履歴格納部１０２に格納さ
せる。

利用履歴格納部１０２は、ユーザのアイテム利用履歴情報を記録するアイテム利用履歴
テーブル１０２Ａを格納している。アイテム利用は、ユーザからの利用リクエストに対し
てアイテム提供サーバ２０がアイテムを提供することにより実行される。ただし、アイテ
ム利用は、購入を伴う提供に限られず、アイテムに関する情報の閲覧、視聴等を含めるよ
うにしてもよい。

アイテム利用履歴テーブル１０２Ａは、利用履歴情報の格納形態として、種々の格納形
態を採用することができる。例えば、図５（ａ）のアイテム利用履歴テーブル１０２Ａ−
１に示すように、利用主体識別子とアイテム識別子とを関連付けて格納することができる
。ここで、「利用主体識別子」は、端末装置３０を利用するユーザを一意に識別するユー
ザ識別子、または端末装置３０を一意に識別するための端末識別子であり、ユーザ識別子
と端末識別子とを合わせた概念である。本実施形態では、ユーザ識別子を用いてユーザを
識別するものとするが、端末装置３０として携帯電話を用いた場合等には、端末装置３０
との接続時に取得可能な端末識別子を用いるようにしてもよい。

本例では、１つの利用リクエストが、テーブルの１行に対応している。テーブルの１行
目と４行目がともに「ＵｓｅｒＩＤ−１」と「ＩｔｅｍＩＤ−３」の組み合わせであるこ
とから分かるように、利用主体識別子とアイテム識別子の組み合わせが同じであっても、
利用リクエストごとにテーブル行のデータを追加して格納している。このため、アイテム
識別子が示すアイテムごとの利用回数、およびアイテムごとの利用ユーザ数を他の処理部
が容易にカウントすることができる。なお、１つの利用リクエストに複数のアイテム識別
子が含まれている場合は、アイテム識別子の数だけのテーブル行を割り当てて格納する。

図５（ｂ）に示すアイテム利用履歴テーブル１０２Ａ−２は、利用主体識別子とアイテ
ム識別子と利用時期情報とを関連付けて格納する格納形態例である。図５（ａ）に示した
アイテム利用履歴テーブル１０２Ａ−１と同様に、１つの利用リクエストが、テーブルの
１行に対応している。利用リクエストに利用時期情報が含まれている場合は、その情報を
取り出して利用時期情報として格納する。利用リクエストに利用時期情報が含まれていな
い場合は、制御部１１０に内蔵等されている時計を用いて、情報選択装置１０が利用リク
エストを受信した時期（時点）を利用時期情報として格納する。

本実施形態では、利用時期情報の表現形式として、「２０１０年１月１日 １０時１５
分２０秒」などの秒単位までの日時を用いるが、それ以外にも、ミリ秒単位までの日時、
日単位までの日付、月単位、年単位など種々の形式を用いることができる。なお、利用リ
クエストの中に、ユーザのアイテムに対する評価値（好き＝３、どちらでもない＝２、嫌
い＝１、などの好き嫌いの度合いを示す数値）を含ませた上で、ユーザ識別子とアイテム
識別子と利用時期情報と評価値とを関連付けてアイテム利用履歴テーブル１０２Ａ−２に
格納するようにしてもよい。

なお、図５（ａ）および（ｂ）には示していないが、利用リクエストが発行された際に
ユーザが閲覧していたページ情報（閲覧ページ情報）を、利用主体識別子およびアイテム
識別子と関連付けて格納してもよい。例えば、ユーザが推薦ページを閲覧して利用リクエ
ストを発行したのか、あるいは新着アイテムを紹介するページを閲覧して利用リクエスト
を発行したのかを区別できる情報を格納する。このような閲覧ページ情報は、推薦情報を
提供した効果を詳細に測定するために用いることができる。

図５（ｃ）に示すアイテム利用履歴テーブル１０２Ａ−３は、利用時期情報を省略し、
ユーザ識別子とアイテム識別子と利用回数とを関連付けた格納形態例である。後述するよ
うに、関連度算出部１０４において、利用時期情報を用いない場合は、アイテム利用履歴
テーブル１０２Ａ−３を用いることで利用履歴格納部１０２の記憶容量を削減することが
できる。また、利用リクエストの中に、ユーザのアイテムに対する評価値が含まれる場合
は、ユーザ識別子とアイテム識別子と利用回数と最新の評価値とを関連付けてアイテム利
用履歴テーブル１０２Ａ−３に格納するようにしてもよい。

なお、図５（ｃ）に示すアイテム利用履歴テーブル１０２Ａ−３では、利用時期情報を
格納していないが、あるユーザがあるアイテムを利用した最新の利用時期情報を格納して
もよい。すなわち、ユーザ識別子とアイテム識別子と利用回数と最新の利用時期情報とを
関連付けて格納してもよい。あるいは、ユーザ識別子とアイテム識別子と利用回数と最初
の（最も古い）利用時期情報とを関連付けて格納してもよい。

推薦情報格納部１０８は、情報選択部１０７で選択された推薦情報を記録する推薦情報
テーブルを格納する。推薦情報は、利用主体識別子と、それに関連するアイテム識別子（
以下「関連識別子」または「関連アイテム識別子」と称する）とを対応させた情報である
。図６は、利用主体識別子と関連アイテム識別子と推薦順位とを対応させて格納したアイ
テム推薦情報テーブル１０８Ａの例を示している。関連アイテム識別子は、利用主体識別
子と関連するアイテムの識別子であり、単体アイテム、複合アイテムともに関連アイテム
になり得る。すなわち、ある１つの利用主体識別子に対応する関連アイテムは、全て単体
アイテムであってもよいし、全て複合アイテムであってもよいし、単体アイテムと複合ア
イテムが混在していてもよい。

アイテム推薦情報テーブル１０８Ａでは、１つの利用主体識別子に、１つ以上の関連ア
イテム識別子が対応付けられている。「ＵｓｅｒＩＤ−１」に対応する関連アイテムはＮ
１個格納されており、「ＵｓｅｒＩＤ−２」に対応する関連アイテムはＮ２個格納されて
いる。ここで、Ｎ１とＮ２は同じであっても、異なっていてもよい。すなわち、利用主体
識別子ごとの関連識別子の個数がすべて同じであってもよいし、利用主体識別子ごとに関
連識別子の個数が異なっていてもよい。

推薦順位は、利用主体識別子ごとに関連アイテムを推薦する順位を示しており、ここで
は番号が小さいほど優先順位が高く、優先的にユーザに提示されるものとする。本図では
、各々の利用主体識別子に対して、推薦順位の高い順に関連識別子（関連アイテム識別子
）を格納しているが、推薦順位と対応付けて関連識別子を格納する場合は、適当な順序で
格納してもよい。

なお、推薦順位の代わりに、数値が大きいほど優先順位が高く、優先的にユーザに提示
されるような推薦度を格納するようにしてもよい。また、推薦情報テーブルにおいて推薦
順位を省略してもよい。この場合は、推薦情報テーブルにおいて、利用主体識別子ごとに
推薦順位の高い順、または推薦順位の低い順に関連識別子を格納すればよい。すなわち、
ある利用主体識別子に対する関連識別子の推薦順位の情報を、関連識別子の格納順序（格
納位置）に持たせてもよい。あるいは、記録された関連識別子をすべて同じ順位として扱
ったり、推薦情報テーブルを読み出す際に、ランダムに推薦順位を付与してもよい。

関連度算出部１０４は、利用履歴格納部１０２に格納されたデータを用いて、利用主体
識別子とアイテムとの関連度を算出して関連集合を作成し、関連集合格納部１０５に格納
させる。

関連集合格納部１０５は、利用主体識別子と、関連識別子と、関連度とを対応させた関
連度テーブル１０５Ａを格納する。関連度とは、利用主体識別子と関連識別子との関連性
の高さを示す数値であり、利用主体識別子に係るユーザが関連識別子に係るアイテムを好
む程度を予測した数値である。

図７は、関連度テーブル１０５Ａの一例を示している。関連度テーブル１０５Ａに格納
されている、ある１つの利用主体識別子に対応する関連識別子の集合をその利用主体識別
子の関連集合と称する。本図の例では、利用主体識別子「ＵｓｅｒＩＤ−１」に対応する
関連識別子をＬ１個、利用主体識別子「ＵｓｅｒＩＤ−２」に対応する関連識別子をＬ２
個格納している。ここで、Ｌ１とＬ２は同じであっても、異なっていてもよい。すなわち
、すべての利用主体識別子に対して同じ数の関連識別子を格納してもよいし、利用主体識
別子ごとに異なる数の関連識別子を格納してもよい。また、関連度算出部１０４で関連度
が算出された利用主体識別子と関連識別子の組み合わせをすべて格納してもよいし、利用
主体識別子との関連度の高い関連識別子のみを関連集合として格納してもよい。一部のみ
を格納することにより、関連集合格納部１０５の記憶容量を削減することができる。また
、本図に示すように、利用主体識別子ごとに、関連度の大きい順に関連識別子を格納して
もよい。

１つの関連集合の要素数（関連識別子の数）は、基本的には複数であるが、要素数が「
１」の関連集合が存在していてもよい。ただし、少なくとも１つ以上の関連集合の要素数
は「２」以上である必要がある。なお、情報選択装置１０以外の他の装置で算出された関
連集合および関連度を関連度テーブル１０５Ａに記録してもよく、その場合は関連度算出
部１０４を省略することができる。

種別影響度算出部１０６は、アイテム属性格納部１０１および関連集合格納部１０５を
参照しながら、関連集合の各々の関連識別子について、その種別情報が推薦結果に与える
影響度である種別影響度を算出する。

情報選択部１０７は、種別影響度算出部１０６で算出された種別影響度と、関連集合格
納部１０５の関連度テーブル１０５Ａに格納された関連度とを用いて選択指標を算出し、
その選択指標に基づいて、関連集合格納部１０５の関連度テーブル１０５Ａに格納された
利用主体識別子ごとに関連識別子を選択し、その選択された関連識別子と利用主体識別子
との組み合わせを推薦情報として、推薦情報格納部１０８のアイテム推薦情報テーブル１
０８Ａに格納する。
＜アイテム提供サーバ＞

アイテム提供サーバ２０は、端末装置３０からの要求に応じて、アイテムおよびアイテ
ムに関する情報を提供する装置である。図８は、アイテム提供サーバ２０の構成を示すブ
ロック図である。本図に示すように、アイテム提供サーバ２０は、ユーザ管理部２０１と
、アイテム格納部２０２と、データ格納部２０３と、送受信部２０４と、制御部２０５と
を備えて構成されている。

アイテム提供サーバ２０は、ＣＰＵ、ＲＡＭ、ＲＯＭ、ＨＤＤ（ハードディスクドライ
ブ）、ネットワークインタフェース等を備える一般的なコンピュータを用いて構成するこ
とができる。すなわち、一般的なコンピュータは、以下で説明するような処理を行なうた
めのプログラムを実行することにより、アイテム提供サーバ２０として機能することがで
きるようになる。

送受信部２０４は、ネットワーク４０（図２の構成の場合は、さらにネットワーク４２
）を介して情報選択装置１０および端末装置３０との間でデータを送受信する処理を行な
う。制御部２０５は、アイテム提供サーバ２０の全体の制御を行なう。

ユーザ管理部２０１は、端末装置３０を利用するユーザを一意に識別するユーザ識別子
、または端末装置３０を一意に識別するための端末識別子である利用主体識別子を少なく
とも格納している。アイテム提供サーバ２０は、例えば、ユーザにアイテム利用を開始さ
せるに先立ち、入会処理等を行なって、入会処理の終了した利用主体識別子をユーザ管理
部２０１に格納する。また、必要に応じて、利用主体識別子に対応させて、ログイン名、
パスワード、氏名、生年月日、連絡先、決済方法等のユーザ属性情報をユーザ管理部２０
１に格納するようにしてもよい。

アイテム格納部２０２は、アイテム提供サーバ２０が提供するアイテムに関する情報を
格納する。アイテム格納部２０２は、情報選択装置１０のアイテム属性格納部１０１と同
様に、単体アイテムおよび複合アイテムのアイテム属性情報を格納する。ただし、アイテ
ムが有体の物品ではなく、デジタルコンテンツ等であって、ネットワーク４０を介して端
末装置３０に配信可能である場合には、アイテム属性格納部１０１のデータに加えて、ア
イテム識別子と、アイテム本体（デジタルコンテンツ等のデータ）とを対応させて格納す
る。

なお、制御部２０５は、アイテム格納部２０２が更新されるごと、または所定のスケジ
ュールに基づいて、アイテム格納部２０２のデータを、送受信部２０４を介して情報選択
装置１０に送信し、アイテム属性格納部１０１に格納させるようにしてもよい。また逆に
制御部２０５は、情報選択装置１０から送信されるアイテム属性格納部１０１のデータを
受信し、アイテム格納部２０２に格納させるようにしてもよい。あるいは、情報選択装置
１０からアイテム提供サーバ２０にアイテム属性情報を要求するメッセージを送信するよ
うにし、制御部２０５が、それに応じたデータをアイテム格納部２０２から読み出して、
送受信部２０４を介して情報選択装置１０に送信するようにしてもよい。

データ格納部２０３は、様々なデータを格納することができる。例えば、情報選択装置
１０の推薦情報格納部１０８に格納されたデータをコピーしてデータ格納部２０３に格納
することができる。この場合、端末装置３０は、アイテム提供サーバ２０から推薦情報を
受信することができるので、情報選択装置１０の処理負荷を低減することができる。また
、情報選択装置１０の利用履歴格納部１０２と同様なデータを格納してもよい。この場合
、情報選択装置１０からデータ格納部２０３を参照できるようにして、情報選択装置１０
の利用履歴格納部１０２を省略することも可能である。
＜端末装置＞

端末装置３０は、ユーザが使用する装置である。図９は、端末装置３０の構成を示すブ
ロック図である。本図に示すように、端末装置３０は、制御部３０１と、送受信部３０２
と、ブラウザ部３０３と、アプリケーション部３０４とを備えて構成されている。端末装
置３０は、ＣＰＵ、ＲＡＭ、ＲＯＭ、ＨＤＤ（ハードディスクドライブ）、ネットワーク
インタフェース等を備える一般的なコンピュータ等を用いることができる。すなわち、一
般的なコンピュータは、以下で説明するような処理を行なうためのプログラムを実行する
ことにより、端末装置３０として機能することができるようになる。また、端末装置３０
は、Ｗｅｂブラウザ機能等を備えた携帯電話や、携帯端末装置等を用いて構成することも
できる。

端末装置３０には、Ｗｅｂブラウザに代表されるＷｅｂページにアクセスしてその情報
を表示するプログラムがインストールされており、ブラウザ部３０３を構成している。ま
た、種々のアプリケーションプログラムを実行することにより、アプリケーション部３０
４が構成される。

端末装置３０としてコンピュータを用いた場合には、ディスプレイ等の表示装置３２０
や、キーボード、マウス、トラックボール、リモコン等のユーザからの操作指示を受け付
けるための入力装置３３０が接続される。端末装置３０として携帯電話や、携帯端末装置
等を用いた場合は、表示装置、入力装置は内蔵されているが、以下では、便宜的に表示装
置３２０、入力装置３３０が接続されているものとして説明する。
＜システム動作＞
＜システム全体の動作＞

図１０のフローチャートを参照して、ネットワークシステム全体の基本的な動作を説明
する。この基本的な動作は、多少の変更はあるがすべての実施例で共通である。まず、ス
テップＳ１００において、端末装置３０は、ブラウザ部３０３を用いて、アイテム提供サ
ーバ２０のＵＲＬ（Uniform
Resource Locator）にアクセスする。具体的には、アイテム提供サーバ２０の提供する所
定のＷｅｂページへのリクエスト（利用開始リクエスト）をアイテム提供サーバ２０に送
信する。

端末装置３０としてパーソナルコンピュータ等を用いる場合は、端末装置３０を利用す
るユーザに、事前に設定させたログイン名（ユーザＩＤ）とパスワードとを入力させ、こ
れらを利用開始リクエストに含めて送信する。あるいは、Ｃｏｏｋｉｅ等の技術を用いて
、端末装置３０を利用するユーザを識別可能なデータを利用開始リクエストに含めて送信
すれば、ログイン名とパスワードの送信を省略できる。ログイン名とパスワードを利用開
始リクエストに含めて送信する場合は、ステップＳ１００の前に、アイテム提供サーバ２
０から端末装置３０に、ログイン名とパスワードの入力を受け付けるためのＨＴＭＬ（Hy
per
Text Markup Language）データ等を送信しておけばよい。

また、端末装置３０として携帯電話等を用いる場合は、端末固有の端末識別子を利用開
始リクエストに含めて送信すればよい。この場合は、ログイン名とパスワードの送信を省
略することができる。

ステップＳ１１０において、アイテム提供サーバ２０の制御部２０５は、送受信部２０
４を介して端末装置３０からの利用開始リクエストを受信し、ユーザ管理部２０１を参照
しながら、登録済のユーザか否かを判定する。具体的には、利用開始リクエストにログイ
ン名とパスワードが含まれている場合は、それらをユーザ管理部２０１に格納されている
ログインおよびパスワードと照合する。また、利用開始リクエストに端末識別子が含まれ
る場合は、それがユーザ管理部２０１に格納されている利用主体識別子と一致するか判定
する。登録済のユーザである場合（Ｙｅｓ）は、ステップＳ１３０に進み、そうでない場
合（Ｎｏ）は、ステップＳ１２０に進む。

ステップＳ１２０において、アイテム提供サーバ２０の制御部２０５は、送受信部２０
４を介して、端末装置３０に入会処理を行なうためのＷｅｂページ（ＨＴＭＬ）を送信す
る。本図には示していないが、端末装置３０を利用するユーザは、入力装置３３０を利用
して入会処理のＷｅｂページに必要な情報を入力し、アイテム提供サーバに送信する等の
操作を行い、アイテム提供サーバ２０は、その情報をユーザ管理部２０１に格納する等の
入会処理が行われる。端末装置３０は、入会処理完了後に、改めて利用開始リクエストを
送信することができる。

ステップＳ１３０において、アイテム提供サーバ２０の制御部２０５は、アイテム格納
部２０２を参照しながら、利用開始リクエストに対応するＷｅｂページの応答データであ
り、アイテムを紹介する情報を含む応答データを作成し、送受信部２０４を介して端末装
置３０に送信する。応答データは、ＨＴＭＬデータ、画像データ、映像データ、音声デー
タなどで構成されており、複数回に分けて端末装置３０に送信される場合がある。また、
応答データには、ユーザに推薦情報を提供するためのリンク等の情報と、ユーザにアイテ
ムを利用させるための情報とが含まれている。またＣｏｏｋｉｅ等の技術を用いて、応答
データにユーザや端末装置３０を識別するための情報を含めてもよい。

ステップＳ１４０において、端末装置３０は、アイテム提供サーバ２０から応答データ
を受信し、表示装置３２０にその情報を表示する。表示画面の例を図１１に示す。図１１
は、応答データにアイテムを紹介する情報が含まれる場合の表示例である。本図の例は、
アイテム提供サーバ２０が最近提供を開始した「新着アイテム」を紹介する表示画面であ
る。ただし、本図に示すようなアイテムを紹介する情報は、種々のタイミングで端末装置
３０に送信することができる。なお、情報選択装置１の表示制御情報作成部（図示せず）
が、このような応答データを作成し、端末装置３０に送信するようにしてもよい。

本図において「アイテムＡＢＣ」は１番目のアイテムのタイトルであり、「ＳＦ」は１
番目のアイテムのカテゴリ名であり、「このアイテムは、２００１年に制作された映画で
…」という表示は１番目のアイテムの説明情報である。また、各々のアイテムごとに、そ
のアイテムを利用するためのボタンやリンク等（利用リンク）が表示される。２番目以降
のアイテムについても同様な表示がされる。

また図１１に示すように、「あなたへお薦めのアイテム」等のボタン、リンク等が表示
される。これは、端末装置３０を利用するユーザに対して、そのユーザとの関連度の高い
（そのユーザの嗜好や興味に合う可能性の高い）アイテム情報を表示するためのボタンや
リンク等（関連アイテムリンク）である。以下では、このボタンやリンク等を、関連アイ
テムリンク、または関連リンクと称する。

ユーザは、入力装置３３０を使用したクリック等の操作により、関連リンクまたは利用
リンクを選択することができる。なお表示画面には表示されないが、応答データには、各
々のアイテムのアイテム識別子、および端末装置３０を利用するユーザに係る利用主体識
別子が含まれている。なお、本図には示していないが、新着アイテム等を紹介する表示画
面において、アイテムごとにその価格情報を表示してもよい。

図１０のフローチャートの説明に戻って、ステップＳ１５０において、端末装置３０は
、関連リンクがユーザから入力装置３３０を介して選択されたか否かを判定する。関連リ
ンクが指定された場合（Ｙｅｓ）は、ステップＳ１６０に進み、指定されていない場合（
Ｎｏ）は、ステップＳ１９０に進む。

ステップＳ１６０において、端末装置３０は、関連リンクに対応するＵＲＬにリクエス
ト（推薦リクエスト）を送信する。本実施形態では、関連リンクが情報選択装置１０の所
定のＵＲＬに対応する場合を説明するが、関連リンクをアイテム提供サーバ２０の所定の
ＵＲＬに対応させてもよい。推薦リクエストには、利用主体識別子（端末装置３０を利用
するユーザのユーザ識別子または端末装置３０の端末識別子）が含まれている。以下では
、この推薦リクエストに含まれる利用主体識別子を「リクエスト利用主体識別子」（情報
選択に係る利用主体識別子）と称する。

ステップＳ１７０において、情報選択装置１０の制御部１１０は、送受信部１０９を介
して、推薦リクエストを受信し、それに含まれるリクエスト利用主体識別子に対応する表
示用推薦データを作成して端末装置３０に送信する。

図６に示した推薦情報格納部１０８のアイテム推薦情報テーブル１０８Ａを参照しなが
ら、リクエスト利用主体識別子に一致する利用主体識別子を特定し、それに対応する関連
アイテム識別子と推薦順位とを読み出す。さらに、その関連アイテム識別子に対応するア
イテム属性情報をアイテム属性格納部１０１のアイテム情報テーブル１０１Ａから読み出
す。そして、関連アイテム識別子と、推薦順位と、アイテム属性情報とを対応させた表示
用推薦データを作成する。

例えば、図６に示した例において、リクエスト利用主体識別子が「ＵｓｅｒＩＤ−１」
である場合は、それと同じ利用主体識別子に対応した関連アイテム識別子である「Ｉｔｅ
ｍＩＤ−１０００」「ＩｔｅｍＩＤ−１０２０」…「ＩｔｅｍＩＤ−１０３５」と、その
推薦順位「１」「２」…「Ｎ１」を読み出す。ただし、特定した利用主体識別子に対応す
る関連アイテム識別子をすべて読み出してもよいし、推薦順位の高い順に所定個数読み出
してもよい。また推薦リクエストの中に、読み出す推薦情報の個数が含まれている場合は
、推薦順位の高い順にその個数だけを読み出す。

このとき、利用履歴格納部１０２のアイテム利用履歴テーブル１０２Ａを参照しながら
、リクエスト利用主体識別子に係るユーザが過去に利用したアイテム識別子（利用済みア
イテム識別子）を特定し、利用済みアイテム識別子（利用済みアイテム）を推薦情報に含
めない処理を行なってもよい。このような処理を行なうことで、ユーザが１回しか同じア
イテムを購入しない性質を持つようなアイテム提供サービスにおいて、精度の高い推薦が
可能になる。例えば、１度購入したデジタルコンテンツは、端末装置３０で繰り返し利用
（再生）できる、といったサービスに適している。

また、過去の利用回数が所定数以上のアイテムを推薦情報に含めない処理や、最近３ヶ
月以内等の所定期間内に利用したアイテムを推薦情報に含めない処理を行なってもよい。
このような処理を行なうことで、ユーザが利用しない可能性の高いアイテムが推薦情報に
入り難くなるので、推薦情報に対するユーザの信頼感や興味の度合いを高めることができ
る。

そして制御部１１０は、アイテム属性格納部１０１を参照しながら、読み出した関連ア
イテム識別子に対応する「種別情報」「タイトル」「価格情報」「説明情報」などのアイ
テム属性情報と、「カテゴリ名」などのカテゴリ属性情報とを読み出し、関連アイテム識
別子と２つの属性情報と推薦順位とを合わせて表示用推薦データを作成する。また、複合
−単体対応テーブル１０１Ｃを参照しながら、読み出した関連アイテム識別子が「複合ア
イテムのアイテム識別子」に合致する場合は、その複合アイテムに対応する単体アイテム
を特定し、その特定したアイテムのアイテム属性情報を表示用推薦データに含めてもよい
。例えば、図４（ｃ）に示した例において、関連アイテムが「ＩｔｅｍＩＤ−３」（複合
アイテム）である場合、それに対応する単体アイテム「ＩｔｅｍＤ−１」などのアイテム
属性情報を表示用推薦データに含めてもよい。同様に、読み出した関連アイテム識別子が
「単体アイテムのアイテム識別子」に合致する場合、その単体アイテムに対応する複合ア
イテムを特定し、その特定したアイテムのアイテム属性情報を表示用推薦データに含めて
もよい。例えば、図４（ｃ）に示した例において、関連アイテムが「ＩｔｅｍＩＤ−２」
（単体アイテム）である場合、それに対応する複合アイテム「ＩｔｅｍＩＤ−３」「Ｉｔ
ｅｍＩＤ−４」などのアイテム属性情報を表示用推薦データに含めてもよい。また、アイ
テム情報テーブル１０１Ａを参照しながら、読み出した関連アイテム識別子に対応する価
格情報を読み出し、表示用推薦データに含めてもよい。

なお、アイテム提供サーバ２０のユーザ管理部２０１に、ユーザの氏名やログイン名な
どのユーザ属性情報が格納されている場合には、上述した表示用推薦データを作成する際
にこれらを読み出して、表示用推薦データの中に、リクエスト利用主体識別子と、リクエ
スト利用主体識別子に対応するユーザ属性情報とを含めてもよい。

また、アイテム推薦情報テーブル１０８Ａにおいて、推薦順位が格納されておらず、関
連識別子の格納順序が推薦順位の情報を持っている場合は、その格納順序に従って、表示
用推薦データにおける関連識別子の順序を決めればよい。例えば、格納順序が１番目の関
連アイテム識別子を表示用推薦データの１番目にし、格納順序が２番目の関連アイテム識
別子を表示用推薦データの２番目にすればよい。また、表示用推薦データを作成する際に
、ランダムな推薦順位を生成して付与したり、表示用推薦データにおける関連識別子の順
序をランダムに決定してもよい。

図１０のフローチャートの説明に戻って、ステップＳ１８０において、端末装置３０は
、ステップＳ１７０で情報選択装置１０から送信された表示用推薦データを受信し、例え
ば、図１２に示す形式で表示装置１２０に推薦リストとして表示する。図１２は、推薦リ
クエストを発行したユーザとの関連度が高いアイテムを「○○○さんへのおすすめアイテ
ム」として表示する画面の一例である。

「○○○」には、リクエスト利用主体識別子に対応するユーザの氏名やログイン名が表
示される。このような表示を行なうことにより、他のユーザに対する推薦情報と共通のも
のではなく、そのユーザ専用に作成された推薦情報であることをユーザに明確に伝えるこ
とができるので、推薦情報に対するユーザの信頼感や興味の度合いを高めることができる
。なお、氏名やログイン名を表示しなくても、「あなただけにお知らせする、とっておき
アイテムです」など、そのユーザ専用に作成された推薦情報であることが分かる表示を行
なうことで、同様の効果を得ることができる。

アイテムの表示順序は、推薦順位に従って決められており、推薦順位が上位のアイテム
ほど、ユーザの目に留まりやすい位置に表示される。例えば、本図に示すように上下方向
に各々のアイテムの情報を配置する場合は、推薦順位が上位のアイテムの表示画面の上側
に表示するとよい。また、左右方向に各々のアイテムの情報を配置する場合は、表示画面
の左側に表示するとよい。

「アイテムＯＰＱ（第１話）」は１番目のアイテム（推薦順位が「１」のアイテム）の
タイトルであり、「サスペンス」は１番目のアイテムのカテゴリ名であり、「このアイテ
ムは、目が離せない…」という表示は、１番目のアイテムの説明情報である。また、＜単
＞は、単体アイテムであること示しており、「３００円」は価格情報である。本図では、
単体アイテムか複合アイテムであるかの区別を、＜単＞と＜複＞といった文字・記号で示
しているが、アイコンやフォントの違いなどによって表現してもよい。図１１に示した表
示例と同様に、各々のアイテムに対して、利用リンクに対応付けられた「アイテム利用」
ボタンが表示される。２番目以降のアイテムについても同様な表示がされる。「アイテム
ＤＥＦ（全話セット）」は、推薦順位が「２」のアイテムのタイトルであり、「＜複＞」
は、複合アイテムであること示す文字・記号である。なお、本図には示していないが、表
示用推薦データに価格情報が含まれている場合は、アイテムごとにその価格情報を表示し
てもよい。

図１０のフローチャートの説明に戻って、ステップＳ１９０において、端末装置３０は
、利用リンクがユーザから入力装置３３０を利用して選択されたか否かを判定する。この
利用リンクは、代表的には、アイテムの購入要求とすることができるが、アイテムの再生
、アイテムのプレビュー、アイテムの詳細情報の表示、アイテムに対する評価情報（評価
値）の登録などの種々の要求を含めることができる。利用リンクが選択された場合（Ｙｅ
ｓ）は、ステップＳ２００に進み、そうでない場合（Ｎｏ）はステップＳ２５０に進む。

ステップＳ２００において、端末装置３０は、利用リンクに対応するＵＲＬにリクエス
ト（利用リクエスト）を送信する。本実施形態では、利用リンクがアイテム提供サーバ２
０の所定のＵＲＬに対応する場合を説明する。なお端末装置３０は、利用リクエストをア
イテム提供サーバ２０に加えて、情報選択装置１０に直接送信してもよい。

各々の利用リンクには、選択対象となるアイテムのアイテム識別子が付与されており、
利用リクエストには、ユーザが選択したアイテムのアイテム識別子と、そのユーザまたは
端末装置３０を識別する利用主体識別子とが含まれている。なお、ユーザが一度に複数の
アイテムを利用する場合は、１つの利用リクエストに複数のアイテムのアイテム識別子を
含めてもよいし、複数の利用リクエストを送信してもよい。

ステップＳ２１０において、アイテム提供サーバ２０の送受信部２０４は、端末装置３
０から受信した利用リクエストを情報選択装置１０に送信し中継する。このとき、アイテ
ム提供サーバ２０の制御部２０５が、利用リクエストからアイテム識別子や利用主体識別
子などの情報を取り出し、利用情報として、データ格納部２０３に格納させるようにして
もよい。

ステップＳ２２０において、情報選択装置１０の制御部１１０が、送受信部１０９を介
して、利用リクエストを受信し、利用履歴情報として利用履歴格納部１０２に格納させる
。そして、制御部１１０は、送受信部１０９を介して、利用履歴情報の格納を終了したこ
とを示すメッセージをアイテム提供サーバ２０に送信する。

ステップＳ２３０において、アイテム提供サーバ２０の制御部２０５が、送受信部２０
４を介して情報選択装置１０からの格納終了メッセージを受信した後、端末装置３０にア
イテムを提供する処理を行なう。例えば、提供対象のアイテムがデジタルコンテンツであ
る場合には、アイテム格納部２０２から、利用リクエストに含まれるアイテム識別子に対
応するアイテム本体を読み出して、送受信部２０４を介して端末装置３０に送信する。ま
た、アイテムが物品である場合には、配送事業者のシステムに配送依頼の情報を送る配送
処理などを行なう。このとき必要に応じて、課金処理などを行なう。また、アイテムの詳
細情報が要求された場合には、アイテム格納部２０２から「説明情報」などを読み出して
、端末装置３０に送信する。

ステップＳ２４０において、端末装置３０は、アイテム提供サーバ２０から提供された
アイテムの利用に係る処理を行なう。例えば、アイテムがデジタルコンテンツである場合
には、アイテムの再生、表示などを行なう。また、アイテムが物品である場合には、配送
処理を受付した旨のメッセージ等を画面に表示する。

ステップＳ２５０において、端末装置３０は、ユーザがブラウザを終了する等の操作終
了指示があるか否かを判定する。操作終了指示がある場合（Ｙｅｓ）は、端末装置３０の
処理を終了し、操作終了指示がない場合（Ｎｏ）は、ステップＳ１５０に戻って処理を継
続する。

以上がシステム全体の動作の説明である。なお、本実施形態においては、ステップＳ１
６０で、端末装置３０から情報選択装置１０に推薦リクエストを送信しているが、これ以
外の方法を用いてもよい。例えば、端末装置３０からアイテム提供サーバ２０に推薦リク
エストを送信し、アイテム提供サーバ２０が情報選択装置１０に推薦リクエストを中継し
てもよい。また、適当なタイミングで、情報選択装置１０の制御部１１０が、送受信部１
０９を介して、推薦情報格納部１０８に格納されたデータをアイテム提供サーバ２０に送
信すると共に、アイテム提供サーバ２０の制御部２０５が、送受信部２０４を介して、そ
のデータを受信し、データ格納部２０３に格納させておいてもよい。そして、ステップＳ
１６０において、端末装置３０からアイテム提供サーバ２０に推薦リクエストを送信し、
ステップＳ１７０に相当する処理として、アイテム提供サーバ２０の制御部２０５が、デ
ータ格納部２０３から推薦データを読み出し、表示用推薦データを作成して、端末装置３
０に送信するようにしてもよい。この場合は、表示用推薦データ作成とその送信に伴う情
報選択装置１０の処理負荷を減らすことができる。

また、本実施形態においては、ステップＳ２１０で、アイテム提供サーバ２０が端末装
置３０からの利用リクエストを情報選択装置１０に中継しているが、これ以外の方法を用
いてもよい。例えば、ステップＳ２００の利用リクエストの送信と同時、あるいは適当な
タイミングで、端末装置３０から情報選択装置１０に直接、利用リクエストを送信しても
よい。

また、ステップＳ２２０において、情報選択装置１０は、利用履歴情報の格納に加えて
、利用リクエストに含まれる利用主体識別子に対応する表示用推薦データをステップＳ１
７０と同様な方法で作成し、表示用推薦データをアイテム提供サーバ２０に送信してもよ
い。そして、ステップＳ２３０において、アイテム提供サーバ２０が、アイテム提供処理
に加えて、表示用推薦データを端末装置３０に送信してもよい。すなわちこの場合、端末
装置３０は、利用リクエストを送信するごとに、利用リクエストに含まれる利用主体識別
子に対応する推薦情報を受信することができる。

また、携帯電話等の端末識別子を利用することができ、特別なユーザ登録処理が不要な
アイテム提供サービスにおいて、ステップＳ２００で送信される利用リクエストに、利用
主体識別子を含めることができる場合であれば、ステップＳ１１０の登録済ユーザ確認処
理と、ステップＳ１２０の入会処理に必要なデータの送信とを省略することも可能である
。
＜情報選択装置の動作＞
＜推薦情報作成動作＞

第１実施例における情報選択装置１０の処理動作について説明する。まず、情報選択装
置１０が推薦情報を作成する動作について図１３のフローチャートを参照して説明する。

情報選択装置１０の制御部１１０は、所定のタイミングで情報選択装置１０の各処理部
に指示を出し、推薦情報を作成する処理を開始する。推薦情報作成のタイミングとして、
次の３種類を用いることができる。

推薦情報作成の第１のタイミングは、所定の日時または所定の時間間隔である。例えば
、「毎日午前６時と午後６時」「毎週月曜の午前１０時３０分」「１２時間ごと」「２４
時間ごと」などである。このとき、「平日は午前６時、土日は午前６時と午後６時」「平
日は３時間ごと、土曜日は６時間ごと、日曜日は１２時間ごと」などのように時間間隔が
変動してもよい。また、夏は時間間隔を短くして、冬は時間間隔を長くするなど、季節に
応じて時間間隔を変えてもよい。この第１のタイミングを用いると、他のタイミングを用
いた場合より情報選択装置１０の処理負荷を減らすことができる。特に、推薦リクエスト
数が少ない時間帯に推薦情報を作成するように設定すれば、情報選択装置１０の処理負荷
の低減に効果的である。

推薦情報作成の第２のタイミングは、端末装置３０の推薦リクエスト送信処理（図１０
ステップＳ１６０）による端末装置３０からの推薦リクエストを所定回数受信するごとで
ある。この場合は、基本的には所定回数を１として、推薦リクエストを受信するごとに推
薦情報を作成するのがよい。以下の説明では、所定回数を１とするが、所定回数を２以上
にすることも可能である。所定回数を１とする場合は、まず推薦リクエストに含まれる利
用主体識別子（リクエスト利用主体識別子）に対する推薦情報を作成し、その後に表示用
推薦データ作成・送信処理（ステップＳ１７０）を行なう。このようにすれば、リクエス
ト利用主体識別子に対して、常に最新の推薦情報を提供することができる。

推薦情報作成の第３のタイミングは、アイテム提供サーバ２０を中継して送られる（ス
テップＳ２１０）、端末装置３０の利用リクエスト送信（ステップＳ２００）による利用
リクエストを所定回数受信するごとである。この所定回数を調整することにより、情報選
択装置１０の処理負荷の大きさと、推薦情報の新しさとのバランスを調整することができ
る。

通常は、所定回数をある程度大きな値として、情報選択装置１０の処理負荷があまり大
きくならないようにするのがよい。一般的には、ある程度の数の利用履歴が追加されない
と、新たな推薦情報を作成しても前回の推薦情報と似た内容になることが多いので、所定
数を適切な値に設定すれば、情報選択装置１０の処理負荷を抑えながら、比較的新しい利
用状況を反映させた推薦情報を提供することができる。特に、利用リクエストの数が季節
、曜日、時間帯などにより大きく変動する場合や、利用リクエスト数の増減パターンを事
前に予測するのが難しい場合には、第１のタイミングで推薦情報を作成するよりも、情報
選択装置１０の処理負荷の軽減と、比較的新しい利用状況を推薦情報に反映させることと
を両立させやすい。

以下の説明において、推薦情報を作成する対象となる利用主体識別子（情報選択に係る
利用主体識別子）の集合を「推薦基準集合」と称する。第１のタイミングおよび第３のタ
イミングで推薦情報を作成する場合は基本的に、推薦基準集合の要素数が多数となる。第
２のタイミングで推薦情報を作成する場合は、推薦基準集合の要素数は基本的に１つであ
るが、複数の場合もある。

まず、ステップＳ４００において、制御部１１０の指示を受けた関連度算出部１０４が
、利用主体子とアイテムとの関連度を算出し、これに基づき関連集合を作成し、関連集合
を関連集合格納部１０５に格納させる。ステップＳ４１０において、制御部１１０の指示
を受けた種別影響度算出部１０６が、アイテム属性格納部１０１を参照しながら、アイテ
ムの種別が推薦結果に与える影響の度合いを示す種別影響度を算出する。

ステップＳ４２０において、制御部１１０の指示を受けた情報選択部１０７が、ステッ
プＳ４００で算出された関連度、およびステップＳ４１０で算出された種別影響度を用い
て、選択指標を算出する。

ステップＳ４３０において、情報選択部１０７が、選択指標に基づいて、アイテムを選
択して、推薦情報格納部１０８に格納させる。そして、推薦情報作成動作が終了した旨を
制御部１１０に通知する。

次に、関連集合作成処理（ステップＳ４００）について図１４のフローチャートを参照
して説明する。

ステップＳ５００において、関連度算出部１０４は、利用履歴格納部１０２のアイテム
利用履歴テーブル１０２Ａに記録されている利用履歴を読み出す。ここでは、すべての利
用履歴を読み出してもよいし、所定の条件を満たす利用履歴を読み出してもよい。例えば
、図６（ｂ）に示したアイテム利用履歴テーブル１０２Ａ−２のように利用時期情報を記
録した上で、「利用時期が過去４ヶ月以内」「利用時期と現在との差が３日以上かつ３０
日未満」などのように、「利用履歴の利用時期情報が所定の範囲にある」という条件を満
たす利用履歴を読み出してもよい。

また、ユーザ（利用主体識別子）ごとに利用時期が新しい順に所定個数以内の利用履歴
を読み出してもよい。例えば、所定個数を２０個とした場合、利用回数が２０回以上のユ
ーザに対しては、利用時期が新しい順に２０個ずつの利用履歴を読み出し、利用回数が２
０回未満のユーザに対しては、そのユーザに関するすべての利用履歴を読み出すようにす
る。このようにすれば、利用頻度が少なく、最近アイテムを利用していないようなユーザ
に対しても効率よく関連集合を作成することができる。

そして、このステップＳ５００で読み出した利用履歴に含まれるユーザ（利用主体識別
子）の集合σを作成する。以下では、このステップで読み出した利用履歴に含まれるアイ
テムの数（アイテム識別子の種類数）をＭｓ、ユーザの数（利用主体識別子の種類数）を
Ｕｓとする。

ステップＳ５１０において、関連度算出部１０４は、推薦基準集合Ｋ１を作成する。上
述したように、第２タイミングで推薦情報を作成する場合には、リクエスト利用主体識別
子を推薦基準集合Ｋ１に入れる。

第１および第３のタイミングで推薦情報を作成する場合は、ステップＳ５００で作成し
たアイテムの集合σを推薦基準集合Ｋ１とする。この場合は、所定条件を満たす利用履歴
に含まれる利用主体識別子識別子それぞれに対して関連アイテム集合が作成されることに
なる。なお、ここで作成された推薦基準集合Ｋ１は、情報選択部１０７、制御部１１０な
どの他の処理部から参照することができる。

ステップＳ５２０において、関連度算出部１０４は、ステップＳ５１０で作成された推
薦基準集合Ｋ１の中から未処理のユーザを１つ選択する。この処理対象となるユーザを基
準ユーザｘとする。

ステップＳ５３０において、関連度算出部１０４は、ステップＳ５００で読み出された
利用履歴を用いて、基準ユーザｘと、ユーザ集合σに属する他ユーザｙ（ｙ∈σ、ｘ≠y
）との類似度を算出する。

具体的には、基準ユーザｘと他のユーザｙとが共に利用したことのあるアイテムの数｜
Ｉ［ｘ］∩Ｉ［ｙ］｜を算出し、これを類似度とすることができる。また、ユーザｘが利
用したアイテムの集合をＩ［ｘ］、ユーザｙが利用したアイテムの集合をＩ［ｙ］、ユー
ザｘとユーザｙとが共に利用したことのあるアイテムの数を｜Ｉ［ｘ］∩Ｉ［ｙ］｜、ユ
ーザｘとユーザｙの少なくとも一方が利用したことのあるアイテムの数を｜Ｉ［ｘ］∪Ｉ
［ｙ］｜としたとき、［数１］に示すように、ジャカード（Ｊａｃｃａｒｄ）係数を用い
てユーザｘとユーザｙとの類似度Ｄ［ｘ］［ｙ］を算出することができる。以下では、あ
るユーザ（例えば、ユーザｘ）が利用したアイテムの集合を利用アイテム集合と称する。

また、ステップＳ５００で読み出された利用履歴から、利用回数に関する情報やユーザ
がアイテムに対して行なった評価の情報（評価値）が得られる場合は、コサイン尺度やピ
アソン積率相関係数を用いて類似度を算出してもよい。例えば、ユーザｘのアイテムｚに
対する嗜好値をＥ［ｘ］［ｚ］（ただし、Ｅ［ｘ］［ｚ］≧０）、ユーザｙのアイテムｚ
に対する嗜好値をＥ［ｙ］［ｚ］（ただし、Ｅ［ｙ］［ｚ］≧０）としたとき、［数２］
を用いて、ユーザｘとユーザｙとの類似度Ｄ［ｘ］［ｙ］を算出することができる。ここ
で、γは０より大きい定数であり、γ＝１に設定すると、［数２］はコサイン尺度になる
。γ＞１に設定すると、通常のコサイン尺度に比べ、利用回数または評価値が大きいデー
タの影響力を大きくして類似度を算出できる。また、Ｍｓは、ステップＳ５００で読み出
された利用履歴に含まれるアイテムの数である。

また、嗜好値とは、ユーザｘのアイテムｚに対する利用回数または評価値に基づく数値
である。例えば、利用回数または評価値そのものを嗜好値としてもよい。あるいは、利用
回数または評価値を所定の関数に入力した際の出力値を嗜好値としてもよい。例えば、利
用回数の平方根、利用回数を対数関数に入力した出力値を用いて算出された値などを嗜好
値とすればよい。特に、利用回数が幅広く分布している場合（利用回数のダイナミックレ
ンジが広い場合）は、このように、利用回数に対して非線形関数を適用して嗜好値を算出
するとよい。本実施形態で示す例においては、利用回数が「０」であれば、嗜好値も「０
」になる。

また、［数３］に示すように、ピアソン積率相関係数を用いて、類似度Ｄ［ｘ］［ｙ］
を算出してもよい。

ここで、Ｉｃ［ｘ］［ｙ］は、ユーザｘとユーザｙとが共に利用または評価したアイテ
ムの集合であり、Ｅａ［ｘ］は、Ｉｃ［ｘ］［ｙ］に属するアイテムに関するユーザｘの
嗜好値の平均値である。Ｅａ［ｙ］は、Ｉｃ［ｘ］［ｙ］に属するアイテムに関するユー
ザｙの嗜好値の平均値である。また、Ｅ［ｘ］［ｚ］とＥ［ｙ］［ｚ］とのユークリッド
距離あるいはその他の距離を用いて、類似度Ｄ［ｘ］［ｙ］を算出してもよい。

また、利用履歴格納部１０２に利用時期情報が格納されている場合は、Ｅ［ｘ］［ｚ］
などを算出する際に、利用時期が古い利用履歴より、新しい利用履歴の重みを大きくして
算出してもよい。

さらに、ユーザｘのアイテムｚに対する嗜好値であるＥ［ｘ］［ｚ］（ｘ＝１〜Ｕｓ、
ｚ＝１〜Ｍｓ）を行列要素とする行列に対して、主成分分析や数量化３類などの多変量解
析を適用し、次元数を削減したベクトルを生成し、コサイン尺度やユークリッド距離など
を用いてユーザ間の類似度を算出してもよい。また、上記以外にも、ユーザ間の類似性を
表わす指標であれば、どのような方法を用いてもよい。
なお、ユーザ間の類似度を算出する際に、それぞれのユーザの利用アイテム集合をその
まま用いてもよいが、以下に示す第１〜第２の方法を用いて、利用アイテム集合を加工し
た拡張利用アイテム集合を作成した上で、それを用いてユーザ間の類似度を算出してもよ
い。

拡張利用アイテム集合作成の第１の方法は、利用アイテム集合に含まれる単体アイテム
に対応する複合アイテムを、利用アイテム集合に追加する方法である。単体アイテムと複
合アイテムとの対応関係は、複合−単体対応テーブル１０１Ｃに基づいて判定すればよい
。例えば、図４（ｃ）に示す例において、ユーザｘが単体アイテム「ＩｔｅｍＩＤ−１」
を利用していて、それに対応する複合アイテム「ＩｔｅｍＩＤ−３」を利用していない場
合、ユーザｘの利用アイテム集合Ｉ［ｘ］に「ＩｔｅｍＩＤ−３」を追加する。すなわち
、ユーザｘが「ＩｔｅｍＩＤ−３」を仮想的に利用したと見なす。また、ユーザｘが「Ｉ
ｔｅｍＩＤ−２」を利用し、それに対応する「ＩｔｅｍＩＤ−３」および「ＩｔｅｍＩＤ
−４」の２つの複合アイテムのうち少なくとも一方を利用していない場合、その利用して
いない複合アイテムを追加する。

またユーザが、複合アイテムに対応する単体アイテムを所定数以上（または所定割合以
上）利用している場合に、その複合アイテムを利用アイテム集合に追加するようにしても
よい。例えば、図４（ｃ）に示す例において、複合アイテム「ＩｔｅｍＩＤ−３」に対応
する単体アイテムは４個あるが、この所定数を「２」とした場合、「ＩｔｅｍＩＤ−１」
のみを利用したユーザに対しては、「ＩｔｅｍＩＤ−３」は追加されない。一方、「Ｉｔ
ｅｍＩＤ−１」と「ＩｔｅｍＩＤ−５」を利用したユーザに対しては、「ＩｔｅｍＩＤ−
３」が追加される。この所定数を「１」として、ユーザが対応する単体アイテムを１つ以
上利用した場合に、複合アイテムを追加してもよい。また、所定数ではなく、所定割合を
用いて同様の処理を行ってもよい。例えば、所定割合を５０％として、同様の処理を行っ
てもよい。また、所定数と所定割合を組合せて同様の処理を行ってもよい。例えば、複合
アイテムに対応する単体アイテムを３個以上利用し、かつ対応する単体アイテム全体の４
０％以上利用している場合に、その複合アイテムを利用アイテム集合に追加する等の処理
を行ってもよい。

また、上述の［数２］または［数３］に示すように、ユーザのアイテムに対する嗜好値
を用いて、ユーザ間類似度を算出する場合、追加する複合アイテムに関する嗜好値を、種
々の方法で算出して用いればよい。例えば、ユーザｘが利用していない複合アイテムｚｆ
を利用アイテム集合に追加する場合、複合アイテムｚｆに対応するｎ個の単体アイテムｚ
ｔ１〜ｚｔｎを対象に、ユーザｘのそれぞれの単体アイテムに対する嗜好値Ｅ［ｘ］［ｚ
ｔ１］〜Ｅ［ｘ］［ｚｔｎ］の合計値を算出し、その合計値を複合アイテムｚｆの嗜好値
Ｅ［ｘ］［ｚｆ］としてもよい。また、Ｅ［ｘ］［ｚｔ１］〜Ｅ［ｘ］［ｚｔｎ］の代表
値（平均値、中央値、最頻値、最大値、最小値、四分位値など）をＥ［ｘ］［ｚｆ］とし
てもよい。なお、ユーザｘが利用している複合アイテムｚｇ（最初から利用アイテム集合
に含まれる複合アイテム）の嗜好値Ｅ［ｘ］［ｚｇ］を、それに対応する単体アイテムの
嗜好値を用いて加工してもよい。例えば、複合アイテムｚｇが、ｎ個の単体アイテムｚｓ
１〜ｚｓｎに対応する場合、それらの嗜好値Ｅ［ｘ］［ｚｓ１］〜Ｅ［ｘ］［ｚｓｎ］の
合計値または代表値を、複合アイテムｚｇの嗜好値Ｅ［ｘ］［ｚｇ］に加算した値を、複
合アイテムｚｇの新たな嗜好値としてもよい。

第１の方法を用いることにより、複合アイテムが推薦情報に含まれる可能性を増やすこ
とができる。従って後述するように、より多くの複合アイテムを推薦情報に含めたい場合
に、第１の方法を用いるとよい。なお、第１の方法の変形例として、複合アイテムを利用
アイテム集合に追加することに加えて、追加した複合アイテムに対応する単体アイテム（
元々利用アイテム集合に含まれていた単体アイテム）を削除する処理を行ってもよい。
拡張利用アイテム集合作成の第２の方法は、利用アイテム集合に含まれる複合アイテム
に対応する単体アイテムを、利用アイテム集合に追加する方法である。例えば、図４（ｃ
）に示す例において、ユーザｘが複合アイテム「ＩｔｅｍＩＤ−３」を利用していて、そ
れに対応する単体アイテム「ＩｔｅｍＩＤ−５」および「ＩｔｅｍＩＤ−６」は利用して
おり、「ＩｔｅｍＩＤ−１」および「ＩｔｅｍＩＤ−２」は利用していない場合、ユーザ
ｘの利用アイテム集合Ｉ［ｘ］に「ＩｔｅｍＩＤ−１」および「ＩｔｅｍＩＤ−２」を追
加する。すなわち、ユーザｘが「ＩｔｅｍＩＤ−１」および「ＩｔｅｍＩＤ−２」を仮想
的に利用したと見なす。またユーザが、ある複合アイテムを所定回数以上利用している場
合に、その複合アイテムに対応する単体アイテムを利用アイテム集合に追加するようにし
てもよい。

また、上述の［数２］または［数３］に示すように、ユーザのアイテムに対する嗜好値
を用いて、ユーザ間類似度を算出する場合、追加する単体アイテムに関する嗜好値を、種
々の方法で算出して用いればよい。例えば、ユーザｘが利用していない単体アイテムｚｔ
を利用アイテム集合に追加する場合、単体アイテムｚｔに対応する複合アイテムが１つで
あれば、その複合アイテムｚｆ１に関する嗜好値Ｅ［ｘ］［ｚｆ１］を、単体アイテムｚ
ｔの嗜好値Ｅ［ｘ］［ｚｔ］とすることができる。あるいは、Ｅ［ｘ］［ｚｆ１］を、複
合アイテムｚｆ１に対応する単体アイテムの個数で割った値をＥ［ｘ］［ｚｔ］としても
よい。また、単体アイテムｚｔに対応する複合アイテムが複数（ｎ個）ある場合は、それ
らの複合アイテムｚｆ１〜ｚｆｎを対象に、Ｅ［ｘ］［ｚｆ１］〜Ｅ［ｘ］［ｚｆｎ］の
代表値（平均値、中央値、最頻値、最大値、最小値、四分位値など）を算出し、その代表
値をＥ［ｘ］［ｚｔ］とすればよい。なお、ユーザｘが利用している単体アイテムｚｓ（
最初から利用アイテム集合に含まれる単体アイテム）の嗜好値Ｅ［ｘ］［ｚｓ］を、それ
に対応する複合アイテムの嗜好値を用いて加工してもよい。例えば、単体アイテムｚｓが
、ｎ個の複合アイテムｚｇ１〜ｚｇｎに対応する場合、それらの嗜好値Ｅ［ｘ］［ｚｇ１
］〜Ｅ［ｘ］［ｚｇｎ］それぞれを、ｚｇ１〜ｚｇｎそれぞれに対応する単体アイテムの
個数ｚｑ１〜ｚｑｎで割った値、（Ｅ［ｘ］［ｚｇ１］／ｚｑ１）、（Ｅ［ｘ］［ｚｇ２
］／ｚｑ２）、（Ｅ［ｘ］［ｚｇ３］／ｚｑ３）、…、（Ｅ［ｘ］［ｚｇｎ］／ｚｑｎ）
を算出する。そして、算出したこれらの値の合計値または代表値を、単体アイテムｚｓの
嗜好値Ｅ［ｘ］［ｚｓ］に加算した値を、単体アイテムｚｓの新たな嗜好値としてもよい
。

第２の方法を用いることにより、単体アイテムが推薦情報に含まれる可能性を増やすこ
とができる。従って後述するように、より多くの単体アイテムを推薦情報に含めたい場合
に、第２の方法を用いるとよい。なお、第２の方法の変形例として、単体アイテムを利用
アイテム集合に追加することに加えて、追加した単体アイテムに対応する複合アイテム（
元々利用アイテム集合に含まれていた複合アイテム）を削除する処理を行ってもよい。

上述の拡張利用アイテム集合作成に関する第１および第２の方法に共通する効果として
、ユーザ間の類似度をより精度よく算出でき、推薦情報をより精度よく算出できる場合が
ある。例えば、利用したアイテムの数が少ないユーザでは、後述する類似ユーザが十分な
数だけ算出できない場合があるが、複合アイテムと単体アイテムとの対応関係（対応情報
）に基づく拡張利用アイテム集合の作成処理を行うことにより、類似ユーザの数が増加し
、推薦情報の精度が改善される。また、推薦情報に含まれるアイテムの種類数（推薦情報
のバリエーション）を増やすことができるので、ユーザの推薦情報に対する興味を高める
ことができる。また後述するように、所定の時点からの経過時間に応じて、拡張利用アイ
テム集合を作成しない、第１の方法を用いて拡張利用アイテム集合を作成する、第２の方
法を用いて拡張利用アイテム集合を作成する、など処理の切り替えを行ってもよい。

このようにして算出されたユーザｘと、ユーザｙ（ｙ∈σ、ｘ≠y）との類似度は、関
連度算出部１０４内部のメモリ（図示せず）に格納される。なお、ステップＳ５２０〜Ｓ
５６０のループ（繰り返し）処理において、ユーザｘと、ユーザｙとの類似度が既に算出
され、関連度算出部１０４内部のメモリに格納されている場合は、新たな算出を行なわず
に格納されている値を利用してもよい。

ステップＳ５４０において、関連度算出部１０４は、基準ユーザｘとアイテムｚとの関
連度Ｗ［ｘ］［ｚ］を算出する。

関連度算出の第１の方法は、ステップＳ５３０で算出された類似度Ｄ［ｘ］［ｙ］が高
い「類似ユーザ」を特定し、類似ユーザに多く利用されたアイテムほど関連度が高くなる
ように算出する方法である。

具体的にはまず、類似度Ｄ［ｘ］［ｙ］が所定値以上のユーザ、あるいは類似度Ｄ［ｘ
］［ｙ］が高い順に所定数のユーザを類似ユーザ（類似ユーザ集合）として特定する。次
に、ステップＳ５００で読み出された利用履歴を対象にして、類似ユーザが利用したアイ
テムを特定し、アイテムごとに利用回数をカウントし、この利用回数を関連度とする。ま
た利用回数の平方根や対数値などを用いて関連度を算出してもよい。あるいは、類似ユー
ザ集合を特定した後、類似ユーザの嗜好値が「０」より大きいアイテムを対象にして、ア
イテムごとに嗜好値を加算して合計値を算出し、その合計値を関連度としてもよい。第１
の方法によれば、類似ユーザに利用されたアイテムの関連度が算出される。類似ユーザに
利用されていないアイテムの関連度は「０」とすればよい。

この第１の方法は、ユーザがアイテムを気に入った場合に、そのアイテムを複数回利用
（購入）する性質を持つようなアイテム提供サービスに適している。例えば、端末装置３
０に保存できない形式のデジタルコンテンツや、消耗品の物販などである。

関連度算出の第２の方法は、多くの類似ユーザに利用されたアイテムほど関連度が高く
なるように算出する方法である。第１の方法と同様に、類似ユーザを特定した後、ステッ
プＳ５００で読み出された利用履歴を対象にして、類似ユーザが利用したアイテムを特定
し、アイテムごとに利用した人数をカウントし、この利用人数を関連度とする。

第２の方法は、ユーザが基本的に同じアイテムを１度しか利用（購入）しない性質のア
イテム提供サービスに適している。例えば、アイテムが端末装置３０に保存して何回でも
再生できる形式のデジタルコンテンツであれば、ユーザが再度購入するのは、ユーザが端
末装置３０から間違って消去したような例外的なケースが想定され、基本的には同じアイ
テムを１回しか購入しないので、この第２の方法が有効である。また、第１および第２の
方法によれば、類似ユーザの数を適切に設定することにより、少ない計算量で、精度よく
関連度を算出することができる。

関連度算出の第３の方法は、ユーザ間の類似度を直接用いて関連度を算出する方法であ
る。具体的にはまず、ステップＳ５００で読み出された利用履歴を対象にして、ユーザｙ
（ｙ∈σ、ｘ≠y）がアイテムｚを利用した回数Ｃ［ｙ］［ｚ］をカウントする。そして
、［数４］に示すように、類似度Ｄ［ｘ］［ｙ］と利用回数Ｃ［ｙ］［ｚ］との積を加算
した値を用いてユーザｘとアイテムｚとの関連度Ｗ［ｘ］［ｚ］を算出する。あるいは、
Ｃ［ｙ］［ｚ］の代わりに、ユーザｙのアイテムｚに対する嗜好値Ｅ［ｙ］［ｚ］を用い
、［数４］のおいて、Ｃ［ｙ］［ｚ］をＥ［ｙ］［ｚ］で置き換えて、関連度を算出して
もよい。第３の方法では、アイテムｚの利用回数が多く、かつ利用したユーザの類似度が
高いほど、関連度が高く算出される。

なお［数４］では、類似度Ｄ［ｘ］［ｙ］が算出されたすべてのユーザの情報を用いて
関連度を算出しているが、類似ユーザ集合の各ユーザを対象にして［数４］の計算を行な
ってもよい。また［数４］において、ユーザｙがアイテムｚを利用した場合にＣ［ｙ］［
ｚ］＝１、利用していない場合にＣ［ｙ］［ｚ］＝０として計算してもよい。このように
すれば、アイテムｚを利用したユーザ数が多く、かつ利用したユーザの類似度が高いほど
、関連度が高く算出される。この第３の方法によれば、基準ユーザとアイテムとの関連度
をさらに精度よく算出することができる。

さらに関連度算出の第１〜第３の方法において、アイテム属性格納部１０１のアイテム
情報テーブル１０１Ａからアイテム時期情報を読み出し、これを用いて処理を行なっても
よい。具体的には、アイテム時期情報が新しいアイテムほど大きな値となる重み係数を算
出し、利用回数や利用ユーザ数を算出する際に、この重み係数を乗じる等の演算を行なう
。このようにすれば、ユーザにとって一般的に価値の高い「新作」アイテムの関連度を高
くして、優先的に推薦情報に入れることができる。

また関連度算出の第１〜第３の方法において、単体アイテムと複合アイテムとの対応情
報を用いて、関連度を加工した拡張関連度を算出し、これを関連度の代わりに関連集合格
納部１０５に格納してもよい。

拡張関連度算出の第１の方法は、対応関係のある単体アイテムの関連度を用いて、複合
アイテムの拡張関連度を算出し、その複合アイテムの関連度の代わりに拡張関連度を用い
る方法である。単体アイテムと複合アイテムとの対応関係は、複合−単体対応テーブル１
０１Ｃに基づいて判定すればよい。例えば、図４（ｃ）に示す例において、ある利用主体
識別子（ユーザＡ）と単体アイテム「ＩｔｅｍＩＤ−１」との関連度が「０．５」、ユー
ザＡと単体アイテム「ＩｔｅｍＩＤ−２」との関連度が「０．４」として算出され、ユー
ザＡと「ＩｔｅｍＩＤ−５」、「ＩｔｅｍＩＤ−６」および「ＩｔｅｍＩＤ−３」との関
連度は算出されていないものとする。この場合、複合アイテム「ＩｔｅｍＩＤ−３」の拡
張関連度を、それと対応関係のある単体アイテムである「ＩｔｅｍＩＤ−１」および「Ｉ
ｔｅｍＩＤ−２」の関連度を用いて算出することができる。

例えば、対応する単体アイテムの関連度の総和を拡張関連度とすることができ、「０．
５＋０．４＝０．９」が拡張関連度となる。また、対応する単体アイテムの関連度の代表
値を拡張関連度としてもよい。例えば、代表値として最大値を用いると、拡張関連度は「
０．５」となり、代表値として平均値を用いると、格調関連度は「（０．５＋０．４）÷
２＝０．４５」となる。代表値として他に、中央値、最頻値、最低値などを用いることが
できる。また、複合アイテムに対応する全ての単体アイテムのうち所定個数以上または／
および所定割合以上の単体アイテムの関連度が算出された場合にのみ、拡張関連度を算出
してもよい。例えば、単体アイテムの５０％以上で関連度が算出された場合にのみ拡張関
連度を算出してもよい。また、ユーザＡと「ＩｔｅｍＩＤ−３」との関連度が算出されて
いる場合であっても、その関連度の代わりに拡張関連度を用いてもよい。例えば、関連度
よりも拡張関連度が大きい場合に、関連度を拡張関連度で置き換えて使用する等のルール
を設けてもよい。この第１の方法を用いると、関連度の算出されなかった複合アイテムや
関連度の小さな複合アイテムでも、後述の関連アイテム集合に入れることができるため、
推薦情報により多くの複合アイテムを含めることができる。

拡張関連度算出の第２の方法は、対応関係のある複合アイテムの関連度を用いて、単体
アイテムの拡張関連度を算出し、その単体アイテムの関連度の代わりに拡張関連度を用い
る方法である。例えば、図４（ｃ）に示す例において、ある利用主体識別子（ユーザＡ）
と複合アイテム「ＩｔｅｍＩＤ−４」との関連度が「０．９」、ユーザＡと単体アイテム
「ＩｔｅｍＩＤ−２」との関連度が「０．４」として算出され、ユーザＡと「ＩｔｅｍＩ
Ｄ−１０」および「ＩｔｅｍＩＤ−１１」との関連度は算出されていないものとする。こ
の場合、単体アイテム「ＩｔｅｍＩＤ−１０」および「ＩｔｅｍＩＤ−１１」の拡張関連
度を、それらと対応関係のある複合アイテムである「ＩｔｅｍＩＤ−４」の関連度を用い
て算出することができる。

例えば、対応する複合アイテムの関連度をそのまま単体アイテムの拡張関連度とするこ
とができ、「０．９」がそれぞれの拡張関連度となる。また、対応する複合アイテムの関
連度を対応する単体アイテムの個数で割った値としてもよい。例えば、ＩｔｅｍＩＤ−４
に対応する単体アイテムは３個あるので、「０．９÷３＝０．３」がそれぞれの拡張関連
度となる。また、複合アイテムの関連度から、対応する単体アイテムの関連度の総和を引
いた値を、関連度が算出されていない単体アイテムの個数で割った値を算出してもよい。
例えば、この例において、「ＩｔｅｍＩＤ−４」に対応する単体アイテムで関連度が算出
されていないものは２個なので、「（０．９−０．４）÷２＝０．２５」をそれぞれの拡
張関連度としてもよい。また例えば、ユーザＡと「ＩｔｅｍＩＤ−１０」との関連度が算
出されている場合であっても、その関連度の代わりに拡張関連度を用いてもよい。例えば
、関連度よりも拡張関連度が大きい場合に、関連度を拡張関連度で置き換えて使用する等
のルールを設けてもよい。この第２の方法を用いると、関連度の算出されなかった単体ア
イテムや関連度の小さな単体アイテムでも、後述の関連アイテム集合に入れることができ
るため、推薦情報により多くの単体アイテムを含めることができる。

また、拡張関連度算出の第１〜第２の方法において、３種類以上の種別情報を用いて処
理を行ってもよい。例えば、第１の方法において、複合アイテムが「大規模複合アイテム
」または「中規模複合アイテム」である場合に拡張関連度を算出し、「小規模複合アイテ
ム」の場合は拡張関連度を算出しない等の処理を行ってもよい。また後述するように、所
定の時点からの経過時間に応じて、拡張関連度を算出しない、第１の方法を用いて拡張関
連度を算出する、第２の方法を用いて拡張関連度を算出する、など処理の切り替えを行っ
てもよい。

ステップＳ５５０において、関連度算出部１０４は、基準ユーザｘに関する関連アイテ
ム集合Ω［ｘ］を作成し、関連集合格納部１０５に格納させる。関連アイテム集合Ω［ｘ
］は、関連識別子がすべてアイテム識別子であるような関連集合である。なお、以下の説
明における関連度には、上述の拡張関連度も含まれる。

関連アイテム集合作成の第１の方法は、ステップＳ５４０において基準ユーザｘとの関
連度を算出したすべてのアイテム（関連度が「０」より大きいすべてのアイテム）を関連
アイテム集合Ω［ｘ］に入れる方法である。この方法は、なるべく多くの推薦結果を出力
したい場合に適している。

関連アイテム集合作成の第２の方法は、基準ユーザｘとの関連度が高いアイテムを選出
して関連アイテム集合Ω［ｘ］に入れる方法である。具体的には、ステップＳ５４０にお
いて関連度を算出したすべてのアイテムの中から、関連度が閾値以上のアイテムを選出す
る。または、関連度が大きい順に所定値を超えない範囲でアイテムを選出してもよい。例
えば、基準ユーザｘとの関連度が算出されたアイテムの数が所定数に満たない場合は、関
連度が算出されたすべてのアイテムを選出し、そうでない場合は、関連度が大きい順に所
定数のアイテムを選出すればよい。

さらに、基準ユーザｘとの関連度が所定値以上のアイテムの中から、関連度が大きい順
に所定数を超えない範囲でアイテムを選出し、それらを関連アイテム集合Ω［ｘ］として
もよい。また関連アイテム集合Ω［ｘ］の要素が所定数以上得られるように、関連度の閾
値を基準ユーザｘごとに調整して選出してもよい。この第２の方法によれば、関連集合格
納部１０５に必要な記憶容量を削減でき、さらにステップＳ４１０〜Ｓ４３０の処理を効
率よく行なうことができる。

そして、関連度算出部１０４は、基準ユーザｘの利用主体識別子と、関連アイテム集合
Ω［ｘ］の各アイテム識別子と、その関連度とを対応させて、関連集合格納部１０５の関
連度テーブル１０５Ａに記録する。具体的には、基準ユーザｘの利用主体識別子を図７に
示した関連度テーブル１０５Ａの利用主体識別子に対応させ、関連アイテム集合Ω［ｘ］
の各アイテム識別子を関連度テーブル１０５Ａの関連アイテム識別子に対応させて記録す
る。

なお、上述したユーザとアイテムとの関連度の算出工程において、関連度の最大値や合
計値が所定値（例えば「１」）になるように、正規化処理を行なってもよい。

ステップＳ５６０において、関連度算出部１０４は、他の基準ユーザを選択可能か判定
する。ステップＳ５１０で作成された推薦基準集合Ｋ１の中で、まだ処理を行なっていな
いユーザが存在する場合に「Ｙｅｓ」と判定し、未処理のユーザが存在しない場合は、「
Ｎｏ」と判定する。「Ｙｅｓ」と判定した場合は、ステップＳ５２０に戻って処理を繰り
返し、「Ｎｏ」と判定した場合は、関連度算出処理を終了する。

この結果、関連集合格納部１０５の関連度テーブル１０５Ａには、ステップＳ５１０で
作成された推薦基準集合Ｋ１の利用主体識別子それぞれに対応する関連集合が格納される
。
＜種別影響度算出処理＞

図１３に戻り、ステップＳ４１０における種別影響度算出処理を詳細に説明する。制御
部１１０は、ステップＳ４００により関連集合格納部１０５に格納された関連集合（関連
識別子）を読み出し、アイテム属性格納部１０１を参照しながら、各関連識別子に対応す
る種別情報を種別影響度算出部１０６に入力し、種別影響度を算出させる。

例えば、関連識別子が「ＩｔｅｍＩＤ−３」である場合は、図４（ａ）に示したアイテ
ム情報テーブル１０１Ａを参照し、その種別情報である「１」を種別影響度算出部１０６
に入力する。また例えば、関連識別子が「ＩｔｅｍＩＤ−５」である場合は、その種別情
報である「０」を種別影響度算出部１０６に入力する。

種別影響度算出部１０６は、種別情報を入力Ｘとし、種別情報が推薦結果に与える影響
を決める種別影響度を出力Ｙとする種別影響関数Ｆ（Ｘ）を内部の記憶領域に記憶してい
る。本実施形態においてまず、単体アイテムと複合アイテムに対応する２値の離散値を入
力Ｘとし、入力値それぞれに対応する種別影響度を出力する種別影響関数（対応規則）に
ついて説明するが、３値以上の離散値で種別情報を構成し、３値以上の入力値に対応する
種別影響関数を用いることもできる。なお以下では、種別影響関数を「種別対応規則」、
または単に「対応規則」と称することもある。

そして、種別影響度算出部１０６は、種別影響度算出部１０６または制御部１１０が備
えるリアルタイムクロック等の計時機能を用いて、所定の時点と推薦情報の作成に係る時
点との時間差、または所定の時点と推薦情報の提供に係る時点との時間差に応じて、種別
影響関数の特性を変化させる。すなわち、所定の時点から、推薦情報の作成に係る時点ま
たは推薦情報の提供に係る時点までの経過時間に応じて、種別影響関数の特性を設定する
。

この所定の時点としては、ユーザのアイテム利用意欲に係る可能性のある種々の時点を
用いることができる。例えば、アイテム提供サービスが月額課金などの周期的な課金制度
を採用している場合には、課金と引き換えに、ユーザの新たなアイテム利用権（新たなポ
イント）が発生する時点とすることができる。例えば、毎月１日午前０時に月会費として
１０００円の課金が発生し、１０００円に相当するアイテム利用権（アイテムを利用する
ためのポイント）が、ユーザに付与されるサービスにおいては、毎月１日午前０時を所定
の時点とすればよい。また、アイテム提供サービスのキャンペーンやプロモーション等に
より、多くのユーザにポイント（ボーナスポイント等）が付与される機会があれば、その
時点を用いることができる。また、アイテム提供サービスが月額課金などの周期的な課金
制度を採用していない場合には、一般的に多くの企業で給料が支給される日（例えば、毎
月２５日）や、ボーナスが支給される日（例えば、１２月１０日）など、ユーザが収入を
得る確率の高い時点を用いればよい。また、株式市場の株価の指標値、企業の決算情報、
景気動向指数、ＧＤＰ（Gross
Domestic Product）等の経済指標など、経済に係る指標値、またはそれらの成長率が所定
の条件を満たす時点を用いてもよい。例えば、経済指標が所定値以上になった時点や、経
済指標が極大になる時点は、一般的にユーザの購買力が高く、ユーザのアイテム利用意欲
も高い傾向にあると推定できる。

本実施形態においては、アイテム提供サービスが月額課金制度を採用しており、毎月１
日午前０時に新たなアイテム利用権（アイテムを利用するためのポイント）が、ユーザに
付与される場合を例に説明するが、これに限定されるものではない。また本実施形態にお
いては、図１３に示す推薦情報作成処理を実行する時点を所定の時点とする場合を例にし
て説明するが、これに限定されるものではない。例えば、作成した推薦情報をユーザに提
供開始する予定日時や、提供開始から提供終了までの期間の中間時点など、推薦情報の提
供に係る時点を所定の日時として用いてもよい。また、所定の時点と、推薦情報の作成に
係る時点または推薦情報の提供に係る時点との時間差（経過時間）Ｔｐを表現する単位と
して、秒単位、分単位、時単位、日単位、週単位など種々の単位を用いることができるが
、本実施形態では、日単位を用いることとする。なお、本実施形態では、ユーザのアイテ
ム利用意欲が大きくなる（例えば、極大）と推定される時点を所定の時点としているが、
これとは逆に、利用意欲が小さくなる（例えば、極小）と推定される時点を所定の時点と
することも可能である。

種別影響度算出部１０６は、時間差Ｔｐを算出し、その値に応じて、種別影響関数の特
性を設定する。以下では、時間差Ｔｐの値が３つの条件のどれに該当するか判定し、それ
ぞれの条件に対応する３種類の関数を使う例を説明する。

Ｔｐが小さい場合（Ｔｐ≦μ１である場合）、図１５（ａ）に示すような関数Ｆ１（Ｘ
）を用いる。ここでμ１は、例えば「１０日」等の所定の定数である。関数Ｆ１（Ｘ）は
、Ｘ１およびＸ２の２つの離散値（Ｘ１＜Ｘ２）を関数の定義域とし、それに対応して、
Ｙ１およびＹ２（Ｙ１＜Ｙ２）を出力する関数である。本実施形態において、単体アイテ
ムはＸ１に、複合アイテムはＸ２に対応する。例えば、Ｘ１＝「０」、Ｘ２＝「１」とす
ればよい。また、Ｘ１＝「１」、Ｘ２＝「２」としてもよい。このように、複合アイテム
を単体アイテムよりも大きな入力値に対応させた上で、Ｙ１＜Ｙ２である単調増加の特性
にすると、複合アイテムの種別影響度よりも単体アイテムの種別影響度が大きくなり、複
合アイテムが推薦情報に入る確率が高くなる。このような種別影響関数を用いた処理は、
アイテムの種別情報に応じた重み係数を設定する処理ということもできる。種別情報がｎ
種類（ｎ≧３）である場合は、ｎ種類の離散値（Ｘ１、Ｘ２、…、Ｘｎ）を入力とし、（
Ｙ１、Ｙ２、…、Ｙｎ）を出力とする、単調増加関数を用いるとよい。すなわち、Ｙ１＜
Ｙ２＜…＜Ｙｎである関数を用いるとよい。時間差Ｔｐが比較的小さい場合には、ユーザ
が持つポイントが比較的多い（またはユーザがアイテム利用に使えるお金が比較的多い）
可能性が高いので、相対的に価格の高い傾向にある複合アイテムを推薦情報の中に多く含
めると、アイテム提供サービス全体の売上を増大させる上で効果的である。

時間差Ｔｐが中程度である場合（μ１＜Ｔｐ≦μ２である場合）には、図１５（ｂ）に
示すような関数Ｆ２（Ｘ）を用いる。ここで、μ２は、例えば「２０日」等のμ１＜μ２
を満たす所定の定数である。時間差Ｔｐが中程度である場合には、ユーザが持つポイント
（あるいはユーザがアイテム利用に使えるお金）が、時間差Ｔｐが小さい場合に比べて、
減少している可能性が高い。従って、図１５（ｂ）に示すような、相対的に価格が安い傾
向にある単体アイテムの種別影響度が、相対的に価格が高い傾向にある複合アイテムの種
別影響度よりも大きくなるような特性を持つ関数を用いるのがよい。種別情報がｎ種類（
ｎ≧３）である場合は、ｎ種類の離散値（Ｘ１、Ｘ２、…、Ｘｎ）を入力とし、（Ｙ１、
Ｙ２、…、Ｙｎ）を出力とする、単調減少関数を用いるとよい。すなわち、Ｙ１＞Ｙ２＞
…＞Ｙｎである関数を用いるとよい。

時間差Ｔｐが大きい場合（μ２＜Ｔｐ、またはμ２＜Ｔｐ≦μ３である場合）には、図
１５（ｃ）に示す関数Ｆ３（Ｘ）を用いる。ここでμ３は、例えば「３０日」等のμ２＜
μ３を満たす所定の定数である。アイテム提供サービスが月額課金であり、毎月１日から
月末までが１つのまとまった期間として扱われる場合は、μ３が月ごとの月末の日に相当
するように調整するとよい。なお本実施形態においては、翌月１日の午前０時の時点で、
所定の時点がそれまでの時点よりも１ヶ月後に更新されるため、μ３を使わなくても処理
可能である。本図に示すように、関数Ｆ３（Ｘ）は、Ｙ１＝Ｙ２の関数である。すなわち
、単体アイテムの種別影響度と複合アイテムの種別影響度が同じ値となる。

時間差Ｔｐが大きい場合（本実施形態では、毎月の下旬に相当）、ユーザが持つポイン
ト（あるいはユーザがアイテム利用に使えるお金）の額は、ユーザによって大きく異なる
傾向にある。一般的には、時間の経過に従って、ユーザが保有するポイント数は減少する
が、アイテム提供サービスをあまり利用しないユーザのポイント数は、ほとんど減少しな
い。このため、月の下旬にユーザが保有するポイント数は、個人差が大きく、少ないポイ
ントしか保有していないユーザ群と、多くのポイントを保有しているユーザ群の２つのグ
ループに分かれる傾向がある。更に、当月分のポイントが月末で無効になる課金制度を採
用するアイテム提供サービスにおいては、自分の保有するポイントを月末までに使い切ろ
うとする心理がユーザに働く、このため、図１５（ｃ）に示すような関数Ｆ３（Ｘ）を用
いて、単体アイテムと複合アイテムの両方とも推薦情報に入り易くすることにより、多く
のユーザの購入意欲を高め、サービス全体の売上を増大させることにつながる。

図１５に示す関数Ｆ１（Ｘ）〜Ｆ３（Ｘ）は、あくまでも例示であり、他の特性の関数
を用いてもよい。例えば、Ｆ３（Ｘ）の代わりに、Ｙ１がＹ２よりもわずかに大きい関数
を用いてもよい。
また、図１６に示す非線形の関数Ｆ４（Ｘ）〜Ｆ６（Ｘ）を種別影響関数として用いても
よい。本図に示すような非線形関数を用いる場合は、３値以上の種別情報を用いる必要が
あり、種別情報の値の種類がある程度多いことが望ましい。例えば、あるアイテムに対応
する単体アイテムの個数を種別情報として用いるとよい。この場合、単体アイテムの種別
情報は「０」、対応する単体アイテムが２０個ある複合アイテムの種別情報は「２０」、
対応する単体アイテムが５０個ある複合アイテムの種別情報は「５０」といった数値とな
る。種別情報は典型的には整数値であるが、上述のように実数値となる場合もある。本図
では詳細な作図を省略しているが、種別情報が整数値である場合には、関数の定義域は整
数値となる。

図１６（ａ）に示すＦ４（Ｘ）は、単調増加（単調減少区間を持たない）非線形関数で
ある。このようなＳ字特性の関数を用いると、対応する単体アイテムの個数が多い複合ア
イテムほど、種別影響度が大きくなり、推薦情報に入り易くなる。また例えば、種別情報
が「４０」の種別影響度と、「５０」種別影響度がほぼ同じことから分かるように、種別
情報の違いを圧縮して種別影響度に反映することができる。関数Ｆ４（Ｘ）は、Ｔｐが小
さい場合（Ｔｐ≦μ１である場合）に用いるとよい。

図１６（ｂ）に示すＦ５（Ｘ）は、種別情報が比較的小さい値のときにピーク（極大）
となる非線形関数である。関数Ｆ５（Ｘ）は、時間差Ｔｐが中程度である場合（μ１＜Ｔ
ｐ≦μ２である場合）に用いるとよい。図１６（ｃ）に示すＦ６（Ｘ）は、種別情報が比
較的小さい値と、比較的大きな値のときの２箇所でピーク（極大）となる非線形関数であ
る。関数Ｆ６（Ｘ）は、時間差Ｔｐが大きい場合（μ２＜Ｔｐ、またはμ２＜Ｔｐ≦μ３
である場合）に用いるとよい。上述のように月の下旬には、少ないポイントしか保有して
いないユーザ群と、多くのポイントを保有しているユーザ群の２つに分かれる傾向がある
ため、種別情報が小さい方のピークを前者のユーザ群に対応させ、種別情報が大きい方の
ピークを後者のユーザ群に対応させることにより、どちらのユーザ群に対しても適合する
推薦情報を作成することができる。

更に、図１７（ａ）に示すような階段状の関数Ｆ７（Ｘ）を用いてもよい。本図の線分
の端点の黒丸はその値を含み、白丸はその値を含まないことを示している。本図の例のよ
うに階段状の関数を用いると、図１６に示すような連続的な関数を用いるよりも比較的処
理が単純になり、情報選択装置１０の処理負荷を低減することができる。

また、図１７（ｂ）に示すような関数Ｆ８（Ｘ）〜Ｆ１０（Ｘ）を用いてもよい。これ
ら３つの関数は、Ｘ≦Ｘαで最小値Ｙα、Ｘ≧Ｘβで最大値Ｙβをとる点では共通である
が、その間のカーブの形状（勾配）が異なっている。このため、所定の出力値（例えば、
Ｙ＝Ｙｃ）を得るための入力値が３つの関数で異なっている。時間差Ｔｐに応じて、Ｆ８
（Ｘ）〜Ｆ１０（Ｘ）を使い分けてもよい。これら３つの関数は、単調減少区間を持たな
いため、種別情報の大きいアイテムほど種別影響度が高くなるが、その度合いが関数によ
って異なっている。Ｆ８（Ｘ）では、種別情報が比較的小さい領域（Ｘ＜Ｘｃ）の出力と
、最大出力Ｙβとの差（倍率）が大きいため、種別情報が比較的小さいアイテムの種別影
響度に比べて、種別情報が大きいアイテムの種別影響度が非常に大きくなる。すなわち、
３つの関数の中で、種別情報大きいアイテムの優先度合いが最も高い。このため、時間差
Ｔｐが小さいときに、ユーザの購買力が最も大きいと判断すれば、３つの関数の中では関
数Ｆ８（Ｘ）を使うとよい。

関数Ｆ１０（Ｘ）は逆に、種別情報が比較的小さい領域の出力と、最大出力Ｙβとの差
（倍率）が小さいため、種別情報が比較的小さいアイテムの種別影響度に比べて、種別情
報が大きいアイテムの種別影響度はそれほど大きくない。このため、３つの関数の中で、
推薦情報に種別情報が小さいアイテムが入り易い。時間差Ｔｐが大きいときに、ユーザの
購買力が最も低いと判断すれば、３つの関数の中では関数Ｆ１０（Ｘ）を使うとよい。関
数Ｆ９（Ｘ）は、Ｆ８（Ｘ）とＦ１０（Ｘ）の中間的な性質である。時間差Ｔｐが中程度
であるときに、ユーザの購買力も中程度であると判断すれば、３つの関数の中では関数Ｆ
９（Ｘ）を使うとよい。

通常、種別影響度算出部１０６は、関数Ｆ（Ｘ）に従って、入力Ｘに対する出力Ｙをあ
らかじめ算出しておき、算出結果の（Ｘ，Ｙ）の情報（対応規則）を記憶領域に格納して
おくとよい。例えば、記憶領域のＸに相当するアドレスにＹの値を格納するＬＵＴ（Look
-Up
Table）方式を用いることができる。この方式によれば、入力が与えられてから出力する
までに、数式を計算する必要がないので、処理量を少なくすることができ、応答時間を短
くすることができる。また、種別情報の種類が非常に多い場合には、種別影響関数Ｆ（Ｘ
）を数式として内部の記憶領域に記憶しておき、入力が与えられるごとに、その数式に従
って種別影響度を算出してもよい。この方式によれば、種別情報の種類が非常に多い場合
に、必要なメモリ量を少なくすることができ、種別影響度を精度よく（高い解像度で）算
出することができる。また種別影響度の値が所定の範囲（０以上１以下など）に収まるよ
うな正規化を行なってもよいし、行なわなくてもよい。なお、種別情報が文字列や記号で
ある場合にも、上述の説明と同様な処理を行うことができる。例えば、単体アイテムの種
別情報が「単体」、複合アイテムの種別情報が「複合」といった文字列である場合、「単
体」という文字列入力に対して、所定値Ｙ１（例えば、「１．０」）を出力し、「複合」
という文字列入力に対して、所定値Ｙ２（例えば、「２．０」）を出力するような種別対
応規則を用いて種別影響度を算出すればよい。

なお、種別影響度算出部１０６が、時間差Ｔｐに応じて異なる動作を行うのと同様に、
関連度算出部１０４が、時間差Ｔｐに応じて異なる動作を行うようにしてもよい。この場
合、種別影響度算出部１０６または制御部１１０が備えるリアルタイムクロック等の計時
機能を用いて算出された時間差Ｔｐに基づいて、制御部１１０が関連度算出部１０４を制
御すればよい。例えば、時間差Ｔｐが小さい場合に、拡張利用アイテム集合作成の第１の
方法および拡張関連度算出の第１の方法のうちの少なくとも一方を用いて、推薦情報によ
り多くの複合アイテムが入るようにしてもよい。また例えば、時間差Ｔｐが中程度である
場合に、拡張利用アイテム集合作成の第２の方法および拡張関連度算出の第２の方法のう
ちの少なくとも一方を用いて、推薦情報により多くの単体アイテムが入るようにしてもよ
い。また例えば、時間差Ｔｐが大きい場合に、拡張利用アイテム集合の作成処理、および
拡張関連度の算出処理を行わないようにしてもよい。
＜選択指標算出処理＞

ステップＳ４２０における選択指標算出処理を詳細に説明する。制御部１１０の指示を
受けた情報選択部１０７は、ステップＳ４１０で種別影響度が算出された各関連識別子に
ついて、その関連度Ｗと種別影響度Ｙとを用いて選択指標Ｓを算出する。この選択指標Ｓ
は、関連度Ｗが大きいほど、かつ種別影響度が大きいほど大きな値となる数値であり、以
下の方法で算出する。

選択指標算出の第１の方法は、［数５］を用いる方法である。

すなわち、利用主体識別子ｉと関連識別子ｊとの関連度Ｗ［ｉ］［ｊ］を基数としてγ
ａを指数とする累乗値を算出し、種別影響度Ｙ［ｊ］を基数としてγｂを指数とする累乗
値を算出し、それらの乗算値を用いて選択指標Ｓ［ｉ］［ｊ］を算出する方法である。こ
こで、βｃ、γｂは０より大きな定数である。また、γａも基本的に０より大きな定数で
あるが、後述するように、関連度を用いずに選択指標を算出することも可能であり、その
場合は、γａ＝０、γｂ＝１とすることに相当する。

この第１の方法では、関連度と種別影響度が両方とも大きい関連識別子が推薦結果に入
りやすい。さらにγａおよびγｂを調整することにより、推薦結果に入る関連識別子を変
えることができる。

例えば、γａを大きくすることにより、関連度Ｗ［ｉ］［ｊ］が大きい関連識別子がよ
り推薦結果に入りやすくなる。またγｂを大きくすることにより、種別影響度Ｙ［ｊ］が
大きい関連識別子がより推薦結果に入りやすくなる。なお、βｃ＝γａ＝γｂ＝１として
、関連度と種別影響度との積を選択指標にしてもよい。

選択指標算出の第２の方法は、［数６］を用いる方法である。

すなわち、関連度Ｗ［ｉ］［ｊ］とβａとの乗算値と、種別影響度Ｙ［ｊ］とβｂとの
乗算値を算出し、それらの加算値を選択指標Ｓ［ｉ］［ｊ］とする方法である。ここで、
βａおよびβｂは重み係数であり、βｂは０より大きな定数である。また、βａも基本的
には０より大きな定数であるが、後述するように、関連度を用いずに選択指標を算出する
ことも可能であり、その場合は、βａ＝０、βｂ＝１とすることに相当する。［数６］は
、関連度と種別影響度とをそれぞれ重み付けして加算した値といえる。

第２の方法でも、関連度と種別影響度が両方とも大きな関連識別子が最も推薦結果に入
りやすいが、第１の方法と比べると、関連度と種別影響度のいずれかが大きい関連識別子
も推薦結果に比較的入りやすい。さらにβａおよびβｂを調整することにより、推薦結果
に入る関連識別子を変えることができる。

例えば、βａを大きくすることにより、関連度Ｗ［ｉ］［ｊ］が比較的大きい関連識別
子がより推薦結果に入りやすくなる。またβｂを大きくすることにより、種別影響度Ｙ［
ｊ］が比較的大きい関連識別子がより推薦結果に入りやすくなる。なお、βａ＝βｂ＝１
として、関連度と種別影響度との和を選択指標にしてもよい。

選択指標算出の第３の方法は、［数７］を用いる方法である。

すなわち、関連度Ｗ［ｉ］［ｊ］の対数値とβｄとの乗算値と、種別影響度Ｙ［ｊ］の
対数値とβｅとの乗算値を算出し、それらの加算値を選択指標Ｓ［ｉ］［ｊ］とする方法
である。ここで、βｄおよびβｅは０より大きな定数であり、重み係数である。［数７］
は、関連度の対数値と種別影響度の対数値とをそれぞれ重み付けして加算した値といえる
。また、βｄおよびβｅを調整することにより、推薦結果に入る関連識別子を変えること
ができる。なお、βｄ＝βｅ＝１として、関連度と種別影響度との和を選択指標にしても
よい。第３の方法は、関連度または種別影響度のダイナミックレンジが広い場合や、両者
のダイナミックレンジが大きく異なる場合に適している。

なお、関連度の代わりに、関連度の順位を用いて、順位が高いほど、かつ種別影響度が
大きいほど、大きな値となるように選択指標を算出してもよい。例えば、推薦情報格納部
１０８と同様に、関連度が大きいほど高い順位を示す番号（順位番号）を関連集合格納部
１０５に格納しておき、それを用いるようにすればよい。

また、関連度および種別影響度だけでなく、さらに他の情報を用いて選択指標を算出し
てもよい。例えば、情報選択部１０７がアイテム属性格納部１０１のアイテム情報テーブ
ル１０１Ａを参照して、関連識別子ｊのアイテム時期情報Ｔ［ｊ］を読み出し、関連度Ｗ
［ｉ］［ｊ］が大きいほど、かつ種別影響度Ｙ［ｊ］が大きいほど、かつアイテム時期情
報Ｔ［ｊ］が新しいほど（処理時点とアイテム時期情報との差が小さいほど）、大きな値
となるように選択指標を算出してもよい。
＜推薦情報選択処理＞

ステップＳ４３０における推薦情報選択処理を詳細に説明する。ステップＳ４３０にお
いて、情報選択部１０７は、ステップＳ４２０で算出された選択指標に基づいて、関連集
合の中から関連識別子を選択する。

具体的には、選択指標Ｓ［ｉ］［ｊ］が所定値θ１以上の関連識別子を関連集合から選
択する。または、選択指標Ｓ［ｉ］［ｊ］が大きい順に所定数η１を超えない数の関連識
別子を選択してもよい。例えば、関連集合の要素数が所定数η１に満たない場合は、関連
集合の要素をすべて選択し、そうでない場合は、選択指標が大きい順に所定数η１の関連
識別子を選択すればよい。

さらに、選択指標が所定値θ２以上の関連識別子を対象にして、選択指標が大きい順に
所定数η２を超えない範囲で選択してもよい。この場合、選択指標がθ２以上の関連識別
子の数がη２に満たない場合は、θ２以上の関連識別子をすべて選択する。また、利用主
体識別子ｉに対して、所定数η３個以上の関連識別子が選択できるように所定値θ３を利
用主体識別子ごとに設定し、選択指標がθ３以上の関連識別子を選択してもよい。

また情報選択部１０７は、アイテム属性格納部１０１を参照しながら、種別情報に基づ
くアイテム数の制限処理を行ってもよい。例えば、複合アイテムと単体アイテムを合わせ
てη１個選択する場合、複合アイテムの上限数をη４に設定し（η４≦η１）、単体アイ
テムが（η１−η４）個以上選択されるようにしてもよい。選択指標Ｓ［ｉ］［ｊ］が大
きい順に上位η１個のアイテムの中に、複合アイテムがη４個よりも多く存在する場合は
、それらを全て選択するのではなく、そのうちのη４個のみ選択するようにする。そして
、選択指標Ｓ［ｉ］［ｊ］が大きい順に単体アイテムが（η１−η４）個選択されるよう
に、選択候補の範囲（探索範囲）を選択指標の上位η１個から広げる。また例えば、単体
アイテムの上限数をη５に設定し（η５≦η１）、複合アイテムが（η１−η５）個以上
選択されるようにしてもよい。選択指標Ｓ［ｉ］［ｊ］が大きい順に上位η１個のアイテ
ムの中に、単体アイテムがη５個よりも多く存在する場合は、それらを全て選択するので
はなく、そのうちのη５個のみ選択するようにする。そして、選択指標Ｓ［ｉ］［ｊ］が
大きい順に複合アイテムが（η１−η５）個選択されるように、選択候補の範囲（探索範
囲）を選択指標の上位η１個から広げる。

なお、利用履歴格納部１０２を参照しながら、利用主体識別子ｉに対応するユーザが既
に利用したアイテムを特定し、それらを除外して（利用済み除外処理を行なって）選択集
合を作成してもよい。ユーザが１回しか同じアイテムを購入しない性質を持つようなアイ
テム提供サービスでは、このステップＳ４３０において利用済みのものを選択集合から除
外しておくと、推薦情報格納部１０８の記憶容量を節約できる。ステップＳ４３０におい
て利用済み除外処理を行なう場合、ステップＳ１７０での利用済み除外処理を省略しても
よいし、再度行なってもよい。ステップＳ４３０を実行した後、ステップＳ１７０を実行
するまでの間に、新たな利用履歴が格納される可能性がある場合は、両方のステップで利
用済み除外処理を行なう方が、推薦精度の向上の面では確実である。

このような方法で選択された関連識別子の選択指標に従って、推薦順位を付与する。す
なわち、選択指標が大きいほど、高い推薦順位を付与する。そして、利用主体識別子と、
関連識別子と、推薦順位とを対応させて、図６に示す形式で、推薦情報テーブル１０８Ａ
を推薦情報格納部１０８に格納させる。以上、推薦情報選択処理を説明した。

第１実施例の最後に、図１８を用いて、推薦情報の具体例を説明する。関連集合格納部
１０５には図１８（ａ）に示すような「アイテム推薦形式」のデータが格納されているも
のとする。本図に示すように、「ＵｓｅｒＩＤ−１」の関連集合は、「ＩｔｅｍＩＤ−１
３」〜「ＩｔｅｍＩＤ−１７」の５つのアイテムである。「ＵｓｅｒＩＤ−２」の関連集
合もまったく同じ５つのアイテムであるが、各々の関連度は異なっているものとする。ま
た、図１８（ｂ）に示すようにには、「ＩｔｅｍＩＤ−１１」〜「ＩｔｅｍＩＤ−１７」
の７つのアイテムの種別情報が格納されている。

説明を簡単にするため、時間差Ｔｐが小さく、種別影響関数として図１５（ａ）に示し
た関数Ｆ１（Ｘ）を用いることとし、Ｘ１が単体アイテム、Ｘ２が複合アイテムに対応し
、Ｙ１＝１、Ｙ２＝２とする。情報選択部１０７では、［数６］を用いて選択指標を算出
し、βｃ＝γａ＝γｂ＝１であるとする。また、情報選択部１０７は、選択指標の大きい
順に３つのアイテムを選択して推薦情報を作成するものとする。

以上の条件において、仮に、種別情報を使わずに関連度だけでアイテムを選択したとす
ると、図１８（ａ）から明らかなように、「ＵｓｅｒＩＤ−１」に対応する推薦アイテム
は、１位が「ＩｔｅｍＩＤ−１３」、２位が「ＩｔｅｍＩＤ−１４」、３位が「Ｉｔｅｍ
ＩＤ−１５」になる。これらの種別情報は各々「０」「０」「１」である。

一方、関数Ｆ１（Ｘ）を用いて選択指標を算出すると、「ＩｔｅｍＩＤ−１５」につい
ては、「２×０．８５＝１．７」となる。他のアイテムについても同様に算出した結果を
図１８（ｃ）に示す。本図において選択指標の大きい順に「ＵｓｅｒＩＤ−１」に対する
アイテムを３つ選択すると、１位が「ＩｔｅｍＩＤ−１５」、２位が「ＩｔｅｍＩＤ−１
６」、３位が「ＩｔｅｍＩＤ−１３」となる。各々の種別情報は「１」「１」「０」であ
る。すなわち、関連度だけでアイテムを選択すると推薦情報の中の複合アイテムは１つで
あるのに対し、複合アイテムが２つに増える。このように、関数Ｆ１（Ｘ）を用いると、
関連度だけでアイテムを選択する場合に比べて、相対的に価格の高い傾向にある複合アイ
テムを多く推薦結果に入れることができる。

また、種別情報を使わずに関連度だけでアイテムを選択したとすると、「ＵｓｅｒＩＤ
−２」に対応する推薦アイテムは、１位が「ＩｔｅｍＩＤ−１４」、２位が「ＩｔｅｍＩ
Ｄ−１５」、３位が「ＩｔｅｍＩＤ−１７」になる。これらの種別情報は各々「０」「１
」「１」である。

一方、関数Ｆ１（Ｘ）を用いて選択指標を算出すると、１位が「ＩｔｅｍＩＤ−１５」
、２位が「ＩｔｅｍＩＤ−１７」、３位が「ＩｔｅｍＩＤ−１４」となり、各々の種別情
報は「１」「１」「０」である。この場合、複合アイテムの数はどちらも２つで変わらな
いが、相対的に価格の高い傾向にある複合アイテムが上位の推薦順位となり、ユーザの目
に留まりやすくなる。

また、「ＵｓｅｒＩＤ−１」に対する推薦結果には、複合アイテム「ＩｔｅｍＩＤ−１
６」が入るが、「ＵｓｅｒＩＤ−２」に対する推薦結果には、これが入らない。このこと
からも分かるように、種別影響関数として、関数Ｆ１（Ｘ）を用い、種別影響度と関連度
とを用いて選択指標を算出すると、ユーザと推薦アイテムとの関連度が高い場合、すなわ
ちそのユーザが推薦アイテムを気に入る可能性が高い場合にのみ複合アイテムが推薦され
るので、ユーザに不自然な印象を与えるリスクが少ない。このため、時間差Ｔｐが小さい
時期（ユーザのアイテム利用意欲が一般的に旺盛な時期）に、そのような推薦情報を提供
することにより、アイテム提供サービス全体の売上増大につながると期待できる。

なお、上述の説明では、関数Ｆ１（Ｘ）を種別影響関数に用いる一例を説明したが、時
間差Ｔｐに応じて、これとは特性の異なる関数を用いることにより、図１８（ｃ）に示す
選択指標と異なる値が算出され、推薦情報に入るアイテムが時間差Ｔｐに応じて変化する
ことは明らかである。例えば、相対的に価格の安い単体アイテムを優先的に推薦情報に入
れたり、複合アイテムと単体アイテムのどちらも対等に扱うといったことが柔軟にできる
。また、より多くの種類の種別情報を用いると、推薦情報に入り易いアイテムの種別をよ
り細かくコントロールすることができる。

本実施形態は、インターネットサービスで広く採用されている月額課金制度、あるいは
多くの企業で採用されている月給制度などを鑑み、ユーザがアイテム利用に使えるお金（
ポイント等を含む）が時間的、周期的に変化することに着目したものであり、秘匿必要性
の高いユーザの個人情報などは利用していないため、幅広い事業、サービスに応用するこ
とが可能である。月額課金制度において新たなアイテム利用権がユーザに付与される時点
や、給料日を所定の時点とし、この所定の時点と推薦情報の作成に係る時点との時間差、
または所定の時点と推薦情報の提供に係る時点との時間差であるＴｐに応じて、種別影響
関数を設定しているため、推薦情報に入れるアイテムの種別、ひいてはアイテムの価格帯
を適切なタイミングで調整することができる。このため、推薦情報の提供により、ユーザ
の購入意欲が増大する可能性を従来技術より大きくすることができ、アイテム提供サービ
スの売上増大につながる。

また、本実施形態の方法によれば、推薦情報の作成の際に、価格情報を用いていないた
め、幅広い事業、サービスに応用することが可能である。例えば、情報選択装置１０とア
イテム提供サーバ２０とが、それぞれ別の事業者で運営されているようなアイテム提供シ
ステム１においては、アイテム提供サーバ２０を運営する事業者が、自社の営業秘密につ
ながる可能性があり、かつ競合他社との関係上、高い頻度で変更される可能性のある価格
情報を、他社の運営する情報選択装置１０に対して提供することは、営業的または技術的
な理由から、困難である場合もあると想定される。一方、アイテム種別情報は、アイテム
価格情報に比べて、営業秘密につながる可能性が少なく、かつ一度作成された情報が変更
される可能性も少ないので、そのようなアイテム提供システム１においても、使い易い。
また、種別情報は、一般的に価格情報に比べて、一度作成された後に変更される可能性が
少なく、記憶や演算に必要なデータ量（ビット長）が少なくて済むなどの特性を持ってい
るため、推薦情報の作成において価格情報よりも使い易い場合がある。

なお、第１実施例では、情報選択装置１０が、種別影響度を算出し、選択指標を算出し
て推薦情報を作成するようにしていたが、これらの処理、あるいは、これらの処理の一部
を端末装置３０側で行なうようにしてもよい。

この場合、端末装置３０のアプリケーション部３０４に、種別影響度算出部１０６およ
び情報選択部１０７に相当する動作を行なわせるようにする。例えば、ステップＳ１６０
に先立つ適当なタイミングで、アプリケーション部３０４が、アイテム提供サーバ２０を
経由して、あるいは直接情報選択装置１０から、アイテム情報テーブル１０１Ａ、および
関連度テーブル１０５Ａのデータを取得する。このとき、各々のテーブルの全部のデータ
を取得してもよいし、リクエスト利用主体識別子に関係するデータ等の必要なデータのみ
を取得するようにしてもよい。そして、ステップＳ１６０において、推薦リクエストを送
信する代わりに、上述の手順に従って種別影響度を算出し、算出した種別影響度と取得し
た関連度とを用いて、選択指標を算出することで推薦情報を作成する。具体的には、ステ
ップＳ４１０、Ｓ４２０、Ｓ４３０、Ｓ１７０に相当する処理をアプリケーション部３０
４が実行すればよい。この場合、アプリケーション部３０４に、データ取得部、種別影響
度算出部、情報選択部が形成されることになる。以下の実施例においても同様に、情報選
択装置１０の一部の動作を端末装置３０で行なうようにしてもよい。

また、第１実施例では、種別影響度と関連度とを用いて選択指標を算出する例を説明し
たが、関連度を用いずに、選択指標を算出してもよい。例えば、関連度算出部１０４およ
び関連集合格納部１０５を省略し、その代わりに、利用履歴格納部１０２のデータを用い
て、多くのユーザの間で人気の高いアイテムの情報を作成する人気度算出部（図示せず）
を設け、この人気度を関連度の代わりに用いて（人気度と種別影響度とを用いて）選択指
標を算出してもよい。具体的には、複数のユーザの利用履歴を用いて、アイテムごとの利
用数や利用人数を集計し、人気度とすることができる。そして、［数６］または［数７］
において、関連度の代わりに人気度を用いて、選択指標を算出すればよい。人気度が高く
、かつ種別影響度の高いアイテムの選択指標が大きな値となるため、そのようなアイテム
が推薦情報に入り易くなる。人気度を用いる場合、全てのユーザに同じアイテムが推薦さ
れるので、ユーザ個人ごとに異なる関連度を用いる場合に比べて、推薦情報がユーザ個人
の嗜好に合致する可能性は低下するが、一般的に人気の高いアイテムなので、やはり推薦
効果が期待できる。また、時間差Ｔｐに応じて、種別影響関数の特性が変わるので、関連
度を用いる場合と同様に、推薦情報に入れるアイテムの種別を適切なタイミングで調整す
ることができる。

また、アイテム提供サービスの提供者（事業者）が、ユーザに対して薦めたいアイテム
の集合と、それぞれのアイテムのお薦め度合いを示す推薦度（提供者推薦度）を用意した
上で、提供者推薦度と種別影響度とを用いて、選択指標を算出してもよい。この場合も全
てのユーザに対して同じ推薦情報が提供されることになるが、アイテムに関する知識の豊
富な専門家（事業者）が選んだアイテムなので、推薦効果が期待できる。推薦度が高く、
かつ種別影響度の高いアイテムの選択指標が大きな値となるため、そのようなアイテムが
推薦情報に入り易くなる。また、人気度と推薦度と種別影響度とを組合せて、人気度が高
く、かつ推薦度が高く、かつ種別影響度が高いほど、選択指標が大きな値となるように算
出してもよい。また、関連度と人気度と推薦度と種別影響度とを組合せて、関連度が高く
、かつ人気度が高く、かつ推薦度が高く、かつ種別影響度が高いほど、選択指標が大きな
値となるように算出してもよい。

また、アイテム情報テーブル１０１Ａのアイテム時期情報に基づき、アイテム時期情報
が新しいほど大きな値となる新鮮度を算出し、新鮮度と種別影響度とを用いて、選択指標
を算出してもよい。アイテム時期が新しく、かつ種別影響度の高いアイテムの選択指標が
大きな値となるため、そのようなアイテムが推薦情報に入り易くなる。一般的に、新しい
アイテム（新作）の方がユーザの利用意欲（購買意欲）が高いので、このような新鮮度を
用いた場合でも、推薦効果が期待できる。上述の人気度、推薦度（提供者推薦度）、新鮮
度は、いずれも選択指標を算出するための補助指標であるとも言える。このような補助指
標または関連度と、種別影響度とを組合せて選択指標を算出すると、１種類の種別情報の
アイテムのみで推薦情報が構成される可能性が少なくなり、推薦情報の多様性が増える。

また、種別影響度そのものを選択指標としてもよい。例えば、アイテム属性格納部１０
１に格納されている全てのアイテムについて種別影響度を算出し、種別影響度の大きさに
基づいて推薦情報を作成してもよい。この場合、選択指標の算出処理を省略できるので、
情報選択装置１０の処理量を低減することができる。時間差Ｔｐに応じて、
種別影響関数の特性が変わるので、この場合であっても、推薦情報に入れるアイテムの種
別を適切なタイミングで調整することができる。例えば、時間差Ｔｐが小さい場合に複合
アイテムを優先的に推薦情報に入れ、時間差Ｔｐが大きい場合に単体アイテムを優先的に
推薦情報に入れることができる。また３種類以上の種別情報を用いると、時間差Ｔｐが小
さい場合に大規模な複合アイテムを優先させ、時間差Ｔｐが中程度の場合に単体アイテム
および小規模な複合アイテムを優先させ、時間差Ｔｐが大きい場合に単体アイテムおよび
中規模な複合アイテムを優先させる等、より細かな制御が可能になる。
（実施例２）

本実施形態に係るネットワークシステムの第２実施例について説明する。第２実施例で
は、端末装置３０を利用するユーザが、好みに応じて、種別影響度を調整することができ
るようになっている。第２実施例において、アイテム提供サーバ２０および端末装置３０
は、第１実施例と同様とすることができる。

図１９は、第２実施例における情報選択装置１０ｂの構成を示すブロック図である。本
図に示すように、情報選択装置１０ｂは、アイテム属性格納部１０１と、利用履歴格納部
１０２と、関連度算出部１０４と、関連集合格納部１０５と、種別影響度算出部１０６ｂ
と、情報選択部１０７ｂと、推薦情報格納部１０８と、送受信部１０９と、制御部１１０
ｂとを備えて構成されている。また、情報選択装置１０ｂには、情報選択装置１０の管理
者向けに必要な情報を表示するための表示装置１２０と、管理者が操作を行なうためのキ
ーボード、マウス等の入力装置１３０とが接続されている。

すなわち、第２実施例の情報選択装置１０ｂは、第１実施例の情報選択装置１０と比べ
て、種別影響度算出部１０６、情報選択部１０７、制御部１１０の動作が一部異なる構成
となっている。

制御部１１０ｂは、第１実施例と同様に、所定のタイミングで推薦情報作成動作を開始
する。ただし第２実施例では、図１３に示した推薦情報を作成する動作のフローチャート
においてステップＳ４００が終了した段階で推薦情報作成動作を終了する。ステップＳ４
１０以降に相当する処理は、後述するステップＳ１７０ｂにおいて、表示用推薦データを
作成する際に行なう。

第２実施例におけるシステム全体の動作は、処理ステップ間の関係において図１０に示
したフローチャートと同様であり、処理ステップの具体的内容において第１実施例と一部
異なる。以下では、第１実施例と動作が異なる処理ステップにについて説明する。異なる
処理ステップについては符号の末尾に「ｂ」を付加して表記する。

図１０のステップＳ１３０ｂにおいて、アイテム提供サーバ２０の制御部２０５は、応
答データを端末装置３０に送信する。第２実施例における応答データ（画面表示情報）に
は、ユーザが種別影響度を調整するための操作画面を表示する情報が含まれている。なお
、情報選択装置１の表示制御情報作成部（図示せず）が、このような応答データを作成し
、端末装置３０に送信するようにしてもよい。

ステップＳ１４０ｂにおいて、端末装置３０は、アイテム提供サーバ２０または情報選
択装置１から受信した応答データに基づき、表示装置３２０にその情報を表示する。表示
画面の一例を図２０に示す。図１１に示した第１実施例の表示画面との違いは、画面右上
に「種別影響度の調整操作」ボタンが表示される点である。

「種別影響度の調整操作」ボタンは、種別影響度を調整するために必要なデータ（種別
影響度調整データ）をユーザに入力させるためのＧＵＩ（Graphical
User Interface）を表示させるためのボタンであり、例えば、図２１に例示するような画
面を表示させることができる。画面移動ではなく、図２１に示す情報を、図２０の表示画
面に含めるようにしてもよい。

図２１（ａ）に示す例は、推薦結果に入れるアイテムの種別を指定するための画面であ
る。複数の期間ごとに、３つの選択肢に対応して、円形のラジオボタンが表示されている
。ラジオボタンの横の「１」〜「３」の数字は、ラジオボタンを識別するための番号であ
り、ユーザに選択されたラジオボタンの番号を端末装置３０が読み取れるようになってい
る。

本図に示す例では、２つの期間が設定されており、それぞれの期間の条件として、月初
（毎月１日）からの経過日Ｔｐが表示されている。ユーザは、「１０日」、「３１日」と
いった期間の定義（経過日の範囲）を自由に設定、変更できる他、「期間の追加」をボタ
ンを使って、自由に期間を追加できる。例えば、１ヶ月を６つの期間に分ける設定するこ
とも可能である。また、期間を選択した状態で、「期間の削除」ボタンを押すと、その期
間を削除することができる。ユーザは、期間の設定、およびそれぞれの期間における推薦
情報に入れるアイテムの種別に関する希望を設定した後、「決定」ボタンを押すことで、
設定完了を端末装置３０に伝えることができる。

またユーザは、「キャンセル」ボタンを押すことで、前の設定状態に戻すことができる
。本図に示す例では、「単体アイテムを中心に推薦」、「単体／複合アイテムどちらでも
よい」、「複合アイテムを中心に推薦」など、やや抽象的な表現の選択肢が用意されてお
り、推薦情報に優先的に入れるアイテム種別をユーザが選択できる。選択肢の表現（文言
）がやや抽象的であるため、多様なアイテムが提供されている場合でも、同じ操作画面が
使えるというメリットがある。

図２１（ｂ）に示す例は、図２１（ａ）に示した例と同じく、推薦結果に入れるアイテ
ムの種別をやや抽象的に指定するための画面であるが、アイテム種別をより細かく、５段
階で指定するものである。ラジオボタンの横の「１」〜「５」の数字は、ラジオボタンを
識別するための番号であり、ユーザに選択されたラジオボタンの番号を端末装置３０が読
み取れるようになっている。

図２１（ｃ）に示す例は、単体アイテムまたは複合アイテムの推薦数を具体的に指定す
るための画面である。「単体アイテムを１０個以上推薦」、「単体アイテムを５個以上推
薦」、「単体／複合の数を制限しない」、「複合アイテムを５個以上推薦」、「複合アイ
テムを１０個以上推薦」などの選択肢が表示される。具体的なアイテムの個数が表示され
るので、ユーザにとって分かり易いメリットがある。ただし、本図の例で示す「５個」、
「１０個」などの個数は、可能な限り、その個数のアイテムを推薦情報に含めるという意
味であり、その個数のアイテムが必ず推薦情報に含まれるという保障ではない。また、単
体または複合アイテムに関する制限数をユーザが自由に設定できるようにしてもよい。ま
た、「…個以上推薦」ではなく、「…個以下推薦」というように、単体または複合アイテ
ムに関する上限数を選択させるようにしてもよい。また、図２１には示していないが、ア
イテム属性格納部１０１のアイテム種別情報を３種類以上で構成した上で、アイテム種別
情報の値に関する選択肢を設けてもよい。例えば、「対応する単体アイテムの多い複合ア
イテムを推薦に入れる」、「１２個以上の単体アイテムに対応する複合アイテムを中心に
推薦」、「２０個以上の単体アイテムに対応する複合アイテムは２個以下にする」などの
選択肢を用意してもよい。なお図２１には示していないが、時間差Ｔｐの起点である所定
の時点を、ユーザごとに設定できるようにしてもよい。例えば、毎月１日に新規ポイント
がユーザに付与される月額課金のサービスにおいても、ユーザの好みに応じて、１日以外
の日を所定の時点に設定できるようにしてもよい。また例えば、ユーザが自分の給料支給
日やボーナスポイント支給日に合わせて所定の時点を設定できるようにしてもよい。

ユーザは、図２１に例示した画面で「決定」を選択した後、図２０に示す関連リンク（
「あなたへお薦めのアイテム」ボタン）を選択することで、種別に関する自分の好みが反
映された推薦情報を取得することができる。なお、図２１に示した種別影響度の調整操作
用画面は、あくまでも一例であり、他の方法で、種別影響度の調整を行なってもよい。例
えば、図１５〜図１７に示すような種別影響関数のグラフを期間ごとに表示し、ユーザが
マウス、タッチパネル等を用いて、グラフの形状を直接指定したり、修正できるようにし
てもよい。

図１０のステップＳｌ６０ｂにおいて、端末装置３０は、関連リンクに対応するＵＲＬ
に推薦リクエストを送信する。この推薦リクエストには、利用主体識別子に加えて、図２
１に示した画面で指定された種別影響度調整データが含まれている。例えば、設定された
期間の数、それぞれの期間の定義情報、図２１に示すラジオボタンの中でユーザに指定さ
れたラジオボタンを識別するための「１」〜「５」などの番号を種別影響度調整データと
することができる。

ステップＳ１７０ｂにおいて、情報選択装置１０ｂの制御部１１０ｂは、送受信部１０
９を介して、推薦リクエストを受信し、それに含まれるリクエスト利用主体識別子に対応
する表示用推薦データを作成して端末装置３０に送信する。以下では、このステップＳ１
７０ｂの処理を詳細に説明する。

ステップＳｌ７０ｂでは、第１実施例の推薦情報作成動作の一部である、図１３に示し
たステップＳ４１０〜Ｓ４３０に相当する処理（ステップＳ４１０ｂ〜Ｓ４３０ｂ）を行
なった後に、図示しないステップＳ４５０で表示用推薦データを作成する。なお、第２の
タイミングで推薦情報を作成する場合は、関連集合を作成した後（ステップＳ４００の後
）に、ステップＳ４１０ｂ〜４４０ｂを実行すればよい。

ステップＳ４１０ｂにおける種別影響度算出処理を詳細に説明する。制御部１１０ｂは
、関連集合格納部１０５の中から、推薦リクエスト（リクエスト利用主体識別子）に一致
する利用主体識別子を特定し、その利用主体識別子に対応する関連集合（関連識別子）を
読み出す。以下では、ここで読み出された関連集合を集合Ψとする。

そしてアイテム属性格納部１０１を参照しながら、集合Ψの各関連識別子に対応する種
別情報を取得し、その種別情報と、受信した種別影響度調整データとを種別影響度算出部
１０６ｂに入力する。

第２実施例において、種別影響度算出部１０６ｂは、ユーザによって入力された種別影
響度調整データに応じて、種別情報を入力Ｘとし種別影響度を出力Ｙとする種別影響関数
Ｆ（Ｘ）の特性を変化させる。本実施形態においては、所定の時点を毎月１日午前０時と
し、時間差Ｔｐは、ステップＳ４１０ｂを実行する時点の毎月１日からの経過日数（経過
時間）とする。種別影響度算出部１０６ｂは、時間差Ｔｐを算出し、ユーザによって入力
された種別影響度調整データの中のどの期間に該当するか判定する。そして、その期間に
対応する関数を用いて、種別影響度を算出する。例えば、Ｔｐが１５日であり、期間１が
１０日以下、期間２が１０日より大きく３１日以下である場合、期間２の関数を用いる。
この関数（対応規則）は、第１実施例と同様に、図１５に示したような特性の関数を用い
ることができる。例えば、図２１（ａ）に示す３つの選択肢を用いる場合、「１）単体ア
イテムを中心に推薦」を図１５（ｂ）に示すＦ２（Ｘ）に対応させ、「２）単体／複合ア
イテムどちらでもよい」を図１５（ｃ）に示すＦ３（Ｘ）に対応させ、「３）複合アイテ
ムを中心に推薦」を図１５（ａ）に示すＦ１（Ｘ）に対応させることができる。

図２２（ａ）は、図２１（ｂ）の５つの選択肢に対応する５つの関数の一例を示す図で
ある。本図において、Ｘ１は単体アイテム、Ｘ２は複合アイテムに対応する種別情報であ
り、Ｘ１＜Ｘ２である。また、種別影響度の大きさに関し、０＜Ｙ１＜Ｙ２＜Ｙ３＜Ｙ４
＜Ｙ５の関係がある。本図の関数Ｆａ１（Ｘ）〜Ｆａ５（Ｘ）の番号は、それぞれ図２１
（ｂ）の選択肢１）〜５）に対応している。例えば、Ｆａ１（Ｘ）は、選択肢１）に対応
する関数である。Ｆａ１（Ｘ）は、Ｘ１においてＹ５、Ｘ２においてＹ１をとる関数であ
る。すなわち、負の大きな傾きを持つ（傾きがマイナスであり、その絶対値が大きな）単
調減少関数である。単体アイテムの種別影響度が、複合アイテムの種別影響度に比べて非
常に大きな値となるため、推薦情報に非常に多くの単体アイテムを含め易い。Ｆａ２（Ｘ
）は、（Ｘ１，Ｙ４）、（Ｘ２，Ｙ２）を通る関数である。すなわち、負のやや大きな傾
きを持つ単調減少関数である。単体アイテムの種別影響度が、複合アイテムの種別影響度
に比べてやや大きな値となるため、推薦情報にやや多くの単体アイテムを含め易い。

Ｆａ３（Ｘ）は、（Ｘ１，Ｙ３）、（Ｘ２，Ｙ３）を通る関数である。すなわち、Ｘ軸
に並行な関数である。単体アイテムの種別影響度と、複合アイテムの種別影響度が同じ値
になるため、単体アイテムと複合アイテムとの違いによる推薦情報への影響がない。Ｆａ
４（Ｘ）は、（Ｘ１，Ｙ２）、（Ｘ２，Ｙ４）を通る関数である。すなわち、正のやや大
きな傾きを持つ単調増加関数である。複合アイテムの種別影響度が、単体アイテムの種別
影響度に比べてやや大きな値となるため、推薦情報にやや多くの複合アイテムを含め易い
。Ｆａ５（Ｘ）は、（Ｘ１，Ｙ１）、（Ｘ２，Ｙ５）を通る関数である。すなわち、正の
非常に大きな傾きを持つ単調増加関数である。複合アイテムの種別影響度が、単体アイテ
ムの種別影響度に比べて非常に大きな値となるため、推薦情報に非常に多くの複合アイテ
ムを含め易い。以上の説明から明らかなように、関数番号の大きな関数ほど、相対的に複
合アイテムの種別影響度が大きくなるため、複合アイテムが推薦情報に入り易くなる。

なお、出力の最小値がある程度大きい（０より大きな値の）関数を用いることで、どの
ような種別のアイテムも推薦情報に入る確率を０より大きな値にできるので、推薦情報に
入れるアイテムの数を十分確保し易いというメリットが得られる。

図２１（ｃ）に示す種別影響度の調整操作部の選択肢を用いる場合は、図２１（ｂ）に
示す選択肢と同様に、１）〜５）の選択肢それぞれを、図２２（ａ）に示す関数Ｆａ１（
Ｘ）〜Ｆａ５（Ｘ）に対応させればよい。そして、後述するように、情報選択部１０７ｂ
において、種別情報に基づくアイテム数の制限処理を行えばよい。

図２２に示した関数はあくまでも例示であり、図１６に示したような非線形関数を用い
ても、もちろんよい。また、期間ごとに選択できる関数は、共通であっても異なっていて
もよい。例えば、期間１では図１５に示すＦ１（Ｘ）〜Ｆ３（Ｘ）を選択できるようにし
、期間２では図１６に示すＦ４（Ｘ）〜Ｆ６（Ｘ）を選択できるようにしてもよい。

種別影響度算出部１０６ｂは、Ｆａ１（Ｘ）〜Ｆａ５（Ｘ）、Ｆｂ１（Ｘ）〜Ｆｂ５（
Ｘ）などの各関数の数式をあらかじめ記憶領域に記憶しておき、入力された種別影響度調
整データに応じて該当する数式を選択して、入力Ｘが与えられるごとに、その数式に従っ
て種別影響度を算出することができる。標準的な関数の数式だけを記憶しておき、入力Ｘ
と種別影響度調整データが与えられるごとに、標準関数の数式を基に他の関数の数式を作
成した上で、その数式に従って種別影響度を算出してもよい。関数ごとに入力Ｘに対する
出力Ｙをあらかじめ算出しておき、算出結果の（Ｘ，Ｙ）の情報を記憶領域に格納してお
いてもよい。以上、第２実施例のステップＳ４１０ｂを説明した。

選択指標算出を行なうステップＳ４２０ｂは、第１実施例のステップＳ４２０とほぼ同
じである。ただし、制御部１１０ｂは、ステップＳ４１０ｂで読み出された集合Ψを対象
に選択指標の算出を行なうように情報選択部１０７ｂを制御する。

推薦情報を作成するステップＳ４３０ｂにおいて、情報選択部１０７ｂは、ステップＳ
４２０ｂで算出された選択指標に基づいて、集合Ψの中から関連識別子を選択する。具体
的には、第１実施例で説明した方法を用いればよい。なお、図２１（ａ）に示す例では、
「…を中心に」などの抽象的な表現を用いて、単体アイテムの個数または割合に関する選
択肢（条件）が１つと、複合アイテムの個数または割合に関する選択肢（条件）が１つ用
意されている。このように、同じアイテム種別に関して１種類の選択肢を用意する場合は
、種別影響度そのものを選択指標とすることも可能である。もちろん、関連度または補助
指標（人気度、推薦度、新鮮度など）と組合せて選択指標を算出してもよい。

また、図２１（ｂ）に示したように、「やや多く」、「非常に多く」などの表現で、同
じアイテム種別に関する２種類以上（２段階以上）の選択肢を用意する場合は、種別影響
度そのものを選択指標とせずに、種別影響度と他の指標とを組合せて選択指標を算出する
。例えば、種別影響度と関連度との組合せ、または種別影響度と人気度との組合せ、また
は種別影響度と推薦度（提供者推薦度）との組合せ、または種別影響度と新鮮度との組合
せなどである。

また、図２１（ｃ）に示したように、「５個以上」、「１０個以上」などの具体的な個
数を用いた選択肢を用意する場合は、第１実施例の情報選択部１０７の動作において説明
したように、種別情報に基づくアイテム数の制限処理を行う。例えば、全部で２０個の推
薦アイテムの中に、複合アイテムを１０個以上入れる場合、選択指標の上位２０個のアイ
テムの中に、複合アイテムが１０個以上含まれていれば、その２０個のアイテムを選択す
る。一方、選択指標の上位２０個のアイテムの中に含まれる複合アイテムがη６個（ただ
し、η６＜１０）である場合、上位２１個目以降のアイテムから、選択指標の大きい順に
（１０−η６）個の複合アイテムを選択すると共に、上位２０個以内の単体アイテムを対
象に、選択指標の小さい順に（１０−η６）個の単体アイテムの選択を解除することによ
り、１０個の複合アイテムと１０個の単体アイテムを選択する。

また、選択された関連識別子の選択指標に従って、推薦順位を付与する。そして、利用
主体識別子と、関連識別子と、推薦順位とを対応させて、推薦情報テーブル１０８Ａを推
薦情報格納部１０８に格納させる。

第２実施例では、ステップＳ４３０ｂに続いて、図１３では図示していないステップＳ
４５０を行なう。第２実施例のステップＳ４５０では、第１実施例のステップＳ１７０と
同様な処理を行なえばよい。すなわち、制御部１１０ｂは、アイテム属性格納部１０１と
推薦情報格納部１０８とを参照しながら、ステップＳ４３０ｂで選択された関連アイテム
識別子に対応するアイテム属性情報を読み出し、関連アイテム識別子と、推薦順位と、ア
イテム属性情報とを対応させた表示用推薦データを作成し、送受信部１０９を介して端末
装置３０に送信する。なお、第１実施例で説明したように、推薦順位の高い順に所定個数
選択したアイテムのみを表示用推薦データに入れたり、過去の利用回数が所定数以上のア
イテムを表示用推薦データに含めない等の処理を行なってもよい。

この表示用推薦データには、ステップＳ１８０において端末装置３０が推薦リストを表
示する際に、図２３に示すように、「種別影響度の調整操作」ボタン、関連リンク（「あ
なたへお薦めのアイテム」ボタン）をそれぞれ表示するためのデータを含めてもよい。

この場合、ユーザは、本図の右上部に示す「種別影響度の調整操作」ボタンを指定して
、種別影響度の調整操作を再度行なった後に、本図の下部に示す関連リンクを指定するこ
とにより、再度設定した種別影響度に応じた新たな推薦情報を表示させることができる。
このような方法を用いることで、ユーザは簡単な操作で、納得がいくまで種別影響度を繰
り返し調整することができるので、推薦情報に対するユーザの満足度や信頼感を高めるこ
とができる。

また、本図の「指定された種別影響度…」で示すように、ステップＳ１４０ｂにおける
種別影響度の調整操作でユーザによって指定された内容（選択肢など）を画面に表示する
ためのデータを、表示用推薦データに含めてもよい。このようにすれば、ユーザが種別影
響度の調整操作を繰り返し行なって、少しずつ推薦情報を変更したいような場合に、ユー
ザは前回指定した条件を容易に知ることができるので、同じ条件を再度指定するような間
違いが減り、操作性が向上する。

以上が第２実施例におけるシステム動作の説明である。第２実施例によれば、所定の時
点からの経過時間に応じて、推薦情報に入れるアイテム種別をコントロールすることが可
能である等、第１実施例と同様な効果を得ることができる。さらに第２実施例では、それ
らの効果に加えて、端末装置３０を利用するユーザが自分の好みに応じて、所定の時点か
らの経過時間（期間）別に推薦結果に多く含めるアイテムの種別を調整することができる
ので、ユーザが推薦情報を納得して受け入れやすくなる。

例えば、毎月１日に新しいポイント（新たなアイテム利用権）が付与された直後に、予
定以上に高額の商品を購入してしまう傾向があると自覚しているユーザ（ユーザＡ）は、
毎月上旬に相対的に価格の安い単体アイテム中心に推薦されるようにあらかじめ設定して
おけば、安心してサービスを利用することができる。また、毎月月末までにポイントを使
い切れずに、ポイントを失効させてしまうこケースが多いと自覚しているユーザ（ユーザ
Ｂ）は、毎月下旬に相対的に価格の高い複合アイテム中心に推薦されるように設定してお
けば、単体アイテムを多くの回数利用する場合よりも、少ない利用操作で手持ちのポイン
トを使い切ることができる。またユーザは、上述の所定の時点や各期間を自由に設定する
ことができるため、自分の好みや都合に合わせて、推薦情報の変化をより細かくコントロ
ールすることができる。このように、ユーザの利便性や納得感が向上するため、推薦情報
に基づくアイテム利用が活発になり、アイテム提供サービスの売上をさらに増大させるこ
とが期待できる。
（実施例３）

本実施形態に係るネットワークシステムの第３実施例について説明する。第３実施例で
は、端末装置３０を利用するユーザが過去に利用したアイテムの種別に基づいて、種別影
響度を算出する関数の特性をユーザごとに変えることができるようになっている。第３実
施例において、アイテム提供サーバ２０および端末装置３０は、第１実施例と同様とする
ことができる。

図２４は、第３実施例における情報選択装置１０ｃの構成を示すブロック図である。本
図に示すように、情報選択装置１０ｃは、アイテム属性格納部１０１と、利用履歴格納部
１０２と、関連度算出部１０４と、関連集合格納部１０５と、種別影響度算出部１０６ｃ
と、情報選択部１０７ｃと、推薦情報格納部１０８と、送受信部１０９と、制御部１１０
ｃと、利用種別情報算出部１１１と、利用種別情報格納部１１２とを備えて構成されてい
る。また、情報選択装置１０ｃには、情報選択装置１０の管理者向けに必要な情報を表示
するための表示装置１２０と、管理者が操作を行なうためのキーボード、マウス等の入力
装置１３０とが接続されている。

すなわち、第３実施例の情報選択装置１０ｃは、第１実施例の情報選択装置１０に利用
種別情報算出部１１１および利用種別情報格納部１１２を追加し、種別影響度算出部１０
６、情報選択部１０７、制御部１１０の動作が一部異なる構成となっている。

制御部１１０ｃは、第１実施例と同様に、所定のタイミングで推薦情報作成動作を開始
する。ただし本実施形態では、図１３のフローチャートにおいてステップＳ４００の後に
、図示しないステップＳ４１５を実行し、ステップＳ４１５が終了した段階で推薦情報作
成動作を終了する。種別影響度算出を行なうステップＳ４１０以降に相当する処理は、後
述するステップＳ１７０ｃにおいて、表示用推薦データを作成する際に行なう。

ステップＳ４１５において、制御部１１０ｃの指示を受けた利用種別情報算出部１１１
は、利用履歴格納部１０２を参照しながら、ユーザが利用したアイテムの種別に関する情
報である利用種別情報を、所定の時点と推薦情報の作成に係る時点との時間差、または所
定の時点と推薦情報の提供に係る時点との時間差Ｔｐに応じた期間ごと、およびユーザご
とに算出する。利用種別情報は、ユーザが利用したアイテムの種別に関する統計量である
。

本実施形態では、月額課金制度を採用するアイテム利用サービスにおいて、新規のアイ
テム利用権（新規ポイント）が毎月１日午前０時にユーザに付与されるものとし、毎月１
日午前０時を所定の時点とする。そして、推薦情報の作成に係る時点との時間差Ｔｐを、
月の上旬（例えば、１日から１０日まで）、中旬（例えば、１１日から２０日まで）、下
旬（例えば、２１日以降）に対応する３つの期間に分ける例を用いて説明する。また、本
実施形態では、利用履歴格納部１０２には、図５（ｂ）に示すアイテム利用履歴テーブル
１０２Ａ−２が格納されているものとする。すなわち、アイテム利用時期情報(アイテム
がユーザに提供された日時などの時点を示す情報）がアイテム利用履歴に含まれている。
なお、利用種別情報における利用は、情報閲覧、視聴等を含めずに、実際に購入した場合
に限定してもよい。

利用種別情報算出部１１１は、期間１（毎月１日から１０日まで）、期間２（毎月１１
日から２０日まで）、期間３（毎月２１日以降）ごとに、ユーザの利用種別情報を算出す
る。利用種別情報として、例えば、特定のアイテム種別に関する、ユーザの利用の多さを
指標化した種別水準値と、特定のアイテム種別に関する、ユーザの利用のばらつき度合い
を指標化した種別分散値とを用いることができる。以下の説明においては、この特定のア
イテム種別として、複合アイテムを用いる例を説明するが、これに限定される訳ではない
。例えば、この特定のアイテム種別として、単体アイテムを用いてもよい。また、複合ア
イテム全般ではなく、「対応する単体アイテムが１０個以上の複合アイテム」、「大規模
な複合アイテム」などを、この特定のアイテム種別とし、利用種別情報を算出することも
できる。

ここでは、利用種別情報算出部１１１は、以下に示す第１〜第６の利用種別情報のうち
、１つ以上の値を算出するものとする。以下では１つの期間（例えば、上旬に該当する期
間１）の処理を説明するが、他の期間についても同様である。また、もちろん３つ以外の
期間を用いてもよいし、１ヶ月とは異なる周期を用いてもよい。

利用種別情報算出部１１１は、利用履歴格納部１０２に格納された利用履歴から、利用
時期情報が特定の条件を満たす利用履歴を読み出す。例えば、利用時期情報の日付が１日
から１０日に該当するデータを上旬用の利用種別情報を算出するためのデータとして読み
出す。そして、読み出した利用履歴に含まれる利用主体識別子ごとに、その期間の利用種
別情報を算出する。なお、利用種別情報を算出する際に、推薦情報を作成する当月の利用
履歴を用いてもよいし、用いなくてもよい。例えば、２０１２年１２月１０日に推薦情報
を作成する場合、期間１（毎月１日から１０日まで）の利用種別情報を算出するために、
前月までの期間１に相当する２ヶ月分のデータ、すなわち、アイテム利用時期情報が、「
２０１２年１０月１日〜１０月１０日」および「２０１２年１１月１日〜１１月１０日」
の範囲にある利用履歴を用いてもよい。あるいは、これらに加えて、当月の「２０１２年
１２月１日〜１２月９日」の利用履歴を用いてもよい。あるいは、前月までのデータを使
わずに、当月の「２０１２年１２月１日〜１２月９日」である利用履歴のみ用いてもよい
。

なお、アイテム利用時期が「２０１２年１０月１日〜１０月１０日」の範囲にある利用
履歴を期間１に対応させる処理は、所定の時点（２０１２年１２月１日）から所定の時間
（２ヶ月）遡った時点（２０１２年１０月１日）を起点とし、その起点からアイテム利用
時期との時間が所定値（１０日）以下である利用履歴を期間１に対応させる処理ともいえ
る。アイテム利用時期が「２０１２年１１月１日〜１１月１０日」の範囲にある利用履歴
を期間１に対応させる処理は、起点を２０１２年１１月１日にした同様の処理であり、「
２０１２年１２月１日〜１２月９日」の範囲にある利用履歴を期間１に対応させる処理は
、起点を所定の時点（２０１２年１２月１日）にした同様の処理といえる。

第１の利用種別情報である第１の種別水準値は、ユーザの利用した複合アイテムに関す
る利用回数または種類数を用いた値である。第１の種別水準値を算出する場合、利用種別
情報算出部１１１は、アイテム属性格納部１０１、および読み出した利用履歴を参照しな
がら、ある利用主体識別子（あるユーザ）が利用した複合アイテムを特定する。そして、
その利用回数または種類数（アイテム数）をカウントして第１の種別水準値とする。例え
ば、あるユーザが利用した複合アイテムが１種類であり、その複合アイテムを３回繰り返
して利用している場合、種類数である「１」を用いてもよいし、利用回数である「３」を
用いてもよい。第１の種別水準値が大きいユーザは、購買能力の高いユーザと推測できる
。

なお、複合アイテムの利用回数または種類数そのものではなく、利用回数または種類数
に所定の値を乗じた値や、利用回数または種類数を所定の値で割った値を第１の種別水準
値としてもよい。例えば利用回数または種類数、の桁数が大きくなるような場合に、所定
の値で割って扱いやすい桁数の値にしたり、各々の利用種別情報の最大値が「１」になる
ような正規化を行なってもよい。また、会員期間が異なるユーザ（例えば、会員期間が１
ヶ月のユーザと５年間のユーザ）の利用した複合アイテムの利用回数または種類数は大き
く異なる場合があるので、利用回数または種類数をそれぞれのユーザの会員期間に応じた
長さで割って正規化を行ってもよい。

第２の利用種別情報である第２の種別水準値は、ユーザの利用した複合アイテムの割合
を用いた値である。第２の種別水準値を算出する場合、利用種別情報算出部１１１は、ア
イテム属性格納部１０１、および読み出した利用履歴を参照しながら、ある利用主体識別
子（あるユーザ）が利用したアイテムを特定し、アイテムの種別ごとに利用回数をカウン
トする。そして、複合アイテムの利用回数を、全アイテムの利用回数で割った値（割合）
を、その利用主体識別子に対応する第２の種別水準値とする。あるいは、ある利用主体識
別子（あるユーザ）が利用したアイテムに関し、アイテムの種別ごとにアイテムの種類数
をカウントし、複合アイテムの種類数を全アイテムの種類数で割った値（割合）を、第２
の種別水準値としてもよい。また、利用回数の多いアイテムに大きな重みを付ける等、利
用回数に応じた重みづけ行なって割合を算出してもよい。第２の種別水準値が大きいユー
ザは、複合アイテムを好むユーザと推測できる。

第３の利用種別情報である第１の種別分散値は、ユーザの複合アイテムの利用度合いに
関するばらつきの大きさ（ばらつき度）を示す値である。具体的には、まず、読み出した
利用履歴を複数のグループに分割する。例えば、「２０１２年１０月」、「２０１２年１
１月」、「２０１２年１２月」の３つの月に関する利用履歴を読み出した場合、それぞれ
の月ごとに３つのグループを形成すればよい。なお、必ずしも月ごとにグループを形成す
る必要はなく、利用履歴の利用時期情報に基づき、２以上の任意の数のグループを形成す
ることができる。また例えば、Ｎｖ個の利用履歴を読み出した場合、０〜１の範囲に収ま
る乱数をＮｖ回発生させ、その値が０．１以下であればグループ１に対応させ、０．１よ
り大きく０．２以下であればグループ２に対応させ、０．２より大きく０．３以下であれ
ばグループ３に対応させる等のルールを用いて、１個目の乱数が０．１以下であれば、１
個目の利用履歴をグループ１に対応させる等の処理を行い、１０個のグループを形成して
もよい。そしてグループごとに、第１の種別水準値または第２の種別水準値を算出する。
そして、算出された種別水準値のばらつき度を示す値を算出し、その利用主体識別子に対
応する第１の種別分散値とする。ばらつき度を示す値として、分散、標準偏差、範囲（最
大値−最小値）、四分位範囲（第３四分位値−第１四分位値）などを用いることができる
。例えば、１０個のグループを形成した場合、１０個の種別水準値が算出されるので、そ
れらの分散を算出すればよい。第１の種別分散値が大きいユーザは、利用するアイテムの
種別が一定しないユーザと推測できる。

上述した方法では、ある利用主体識別子（あるユーザ）が利用したアイテム（あるユー
ザの利用履歴）のみを用いて、第１〜第３の利用種別情報を算出するが、あるユーザおよ
び他のユーザの利用履歴を用いて算出してもよい。すなわち、あるユーザ（ユーザＡ）以
外のユーザが利用したアイテムの種別に基づいて、ユーザＡの利用種別情報を算出しても
よい。

例えば、利用種別情報算出部１１１が利用履歴格納部１０２から読み出した利用履歴に
、Ｎｕ人の利用主体識別子が含まれているとして、利用主体識別子ごとに、上述した第１
の利用種別情報（第１の種別水準値）であるＰｓ［ｕ］（ｕ＝１〜Ｎｕ）を算出し、Ｐｓ
［ｕ］の平均値Ｐａと標準偏差Ｐｂとを算出する。そして［数８］に従ってユーザｕの標
準得点Ｓ［ｕ］、または偏差値等を算出し、第４の利用種別情報として用いることができ
る。

この第４の利用種別情報は、第３の種別水準値であり、あるユーザ（ユーザｕ）が利用
した複合アイテムに関する利用回数または種類数が、ユーザ集団の中でどの位置にあるか
を相対的に示す情報である。第２〜第３の利用種別情報についても、同様にユーザ集団の
中での相対値を算出し、第５〜第６の利用種別情報とすることができる。また、上述の利
用種別情報それぞれについて、最大値を１、最小値を０にする等の正規化処理を行っても
よい。また、上述の説明では、１つのアイテム種別（複合アイテム）に関する利用種別情
報を算出しているが、複数種類のアイテム種別に関する利用種別情報を算出してもよい。
例えば、単体アイテム、小規模複合アイテム、中規模複合アイテム、大規模複合アイテム
の４つのアイテム種別に関して、それぞれ第１〜第３の３種類の利用種別情報を算出し、
合計１２種類の利用種別情報するようにしてもよい。

また利用種別情報算出部１１１は、ある利用主体識別子に対して、アイテム区分ごとに
利用種別情報を算出してもよい。ここで、アイテム区分とは、アイテムを所定の基準で分
類した情報であり、通常はカテゴリよりも上位の概念の分類である。例えば、アイテム提
供サービスにおいて、種々のコンテンツを提供する場合、「音楽」「映画」「書籍」とい
った上位の階層の分類をアイテム区分とし、アイテム区分が「音楽」のアイテムに対して
は、「ロック」「ジャズ」「クラシック」「フォーク」等のジャンル情報をカテゴリとす
ることができる。アイテム区分が「映画」のアイテムに対しては、「ＳＦ」「アクション
」「コメディ」「アニメ」「サスペンス」等のジャンル情報をカテゴリとすればよい。

この場合は、アイテム属性格納部１０１に、各アイテムと、各アイテム区分とを対応さ
せたアイテム区分情報を格納しておく。そして、利用種別情報算出部１１１はアイテム区
分情報を参照しながら、ユーザが利用したアイテムのアイテム区分を特定し、アイテム区
分ごとに利用種別情報を算出する。上記の例では、「音楽」に対応する利用種別情報と、
「映画」に対応する利用種別情報と、「書籍」に対応する利用種別情報とを算出する。た
だし、カテゴリをそのままアイテム区分とするようにしてもよい。

利用種別情報算出部１１１は、算出した利用種別情報を利用種別情報格納部１１２に格
納させる。利用種別情報格納部１１２は、図２５に示すような形式で、利用主体識別子と
、利用種別情報とを対応させて、期間（期間１、期間２、期間３）ごとに格納する。図２
５（ａ）は、アイテム区分を用いない場合の格納形式である利用種別情報テーブル１１２
Ａを示している。複数種類（Ｎｐ個）の利用種別情報が格納されているが、１種類の利用
種別情報を格納するようにしてもよい。本図における「ＮＵＬＬ」は、該当するデータが
存在しないことを示すものである。例えば、期間３において、「ＵｓｅｒＩＤ−２」の行
は、利用履歴が全く、あるいは十分な量が存在しないため、利用種別情報が存在しない。
このように、一部の期間の利用種別情報が欠落している利用主体識別子が存在していても
よい。

利用種別情報が存在しない場合は、その期間のユーザ全体の平均的な利用種別情報を用
いてもよいし、その利用主体識別子に関する他の期間の利用種別情報で代用してもよい。
また、他のユーザの利用種別情報を用いて、欠落している情報を埋めてもよい。具体的に
は、「ＵｓｅｒＩＤ−２」の利用種別情報が存在する期間１と期間２において、「Ｕｓｅ
ｒＩＤ−２」の利用種別情報と類似する利用種別情報を持つ他のユーザを特定し、そのユ
ーザの期間３における利用種別情報を用いて、期間３における「ＵｓｅｒＩＤ−２」の利
用種別情報を算出してもよい。例えば、期間１と期間２において、「ＵｓｅｒＩＤ−２」
と利用種別情報がほぼ同じであるユーザとして、「ＵｓｅｒＩＤ−５」と「ＵｓｅｒＩＤ
−６」（図示せず）を特定した場合、期間３において、これら２人のユーザの利用種別情
報の平均値を「ＵｓｅｒＩＤ−２」の利用種別情報として算出してもよい。

図２５（ｂ）は、アイテム区分を用いる場合の格納形式である利用種別情報テーブル１
１２Ｂを示している。アイテム区分１に対応するＮｐ１個の利用種別情報と、アイテム区
分２に対応するＮｐ２個の利用種別情報を、期間（期間１、期間２、期間３）ごとに格納
している。ここで、Ｎｐ１≠Ｎｐ２として、アイテム区分ごとに異なる数の利用種別情報
を算出して格納するようにしてもよい。以上がステップＳ４１５の説明である。

第３実施例におけるシステム全体の動作は、処理ステップ間の関係において図１０に示
したフローチャートと同様であり、ステップＳ１６０とＳ１７０の具体的内容において第
１実施例と一部異なる。第３実施例におけるこれらの処理ステップは、末尾に「ｃ」を付
加して表記する。

ステップＳｌ６０ｃにおいて、端末装置３０は、関連リンクに対応するＵＲＬに推薦リ
クエストを送信する。ステップＳ１７０ｃにおいて、情報選択装置１０ｃの制御部１１０
ｃは、送受信部１０９を介して、推薦リクエストを受信し、それに含まれるリクエスト利
用主体識別子に対応する表示用推薦データを作成して端末装置３０に送信する。以下では
、このステップＳ１７０ｃの処理を詳細に説明する。

ステップＳｌ７０ｃでは、第１実施例の推薦情報作成動作の一部である、図１３に示し
たステップＳ４１０〜Ｓ４３０に相当する処理（ステップＳ４１０ｃ、Ｓ４２０ｃ、Ｓ４
３０ｃ）を行なった後に、図示しないステップＳ４５０で表示用推薦データを作成する。
なお、第２のタイミングで推薦情報を作成する場合は、利用種別情報を算出した後（ステ
ップＳ４１５の後）にステップＳ４１０ｃ〜４４０ｃを実行すればよい。このうち、ステ
ップＳ４２０ｃ、Ｓ４３０ｃ、Ｓ４５０は、それぞれ第２実施例のステップＳ４２０ｂ、
Ｓ４３０ｂ、Ｓ４５０と同じであるため説明を省略し、ステップＳ４１０ｃにおける種別
影響度算出処理について詳細に説明する。

制御部１１０ｃは、関連集合格納部１０５の中から、推薦リクエストに含まれるリクエ
スト利用主体識別子に一致する利用主体識別子を特定し、その利用主体識別子に対応する
関連集合（関連識別子）を読み出す。以下では、ここで読み出され関連集合を集合Ψとす
る。

そして、制御部１１０ｃは、アイテム属性格納部１０１を参照しながら、集合Ψの各関
連識別子に対応する種別情報を取得し、その種別情報と、リクエスト利用主体識別子とを
種別影響度算出部１０６ｃに入力する。利用種別情報格納部１１２に、図２５（ｂ）に示
したアイテム区分ごとに利用種別情報が格納されている利用種別情報テーブル１１２Ｂを
格納している場合には、制御部１１０ｃは、アイテム属性格納部１０１のアイテム情報テ
ーブル１０１Ａを参照しながら、関連識別子に対応するアイテム区分を特定し、そのアイ
テム区分も加えて種別影響度算出部１０６ｃに入力する。

種別影響度算出部１０６ｃは、利用種別情報格納部１１２を参照しながら、入力された
利用主体識別子に応じて、種別情報を入力Ｘとし種別影響度を出力Ｙとする種別影響関数
Ｆ（Ｘ）の特性を変える。この関数（対応規則）は、第１実施例と同様に、図１５〜図１
７、および図２２に示したような種々の特性の関数を用いることができる。

種別影響度算出部１０６ｃは、実施例１と同様に、所定の時点と推薦情報の作成に係る
時点との時間差、または所定の時点と推薦情報の提供に係る時点との時間差Ｔｐを算出す
る。本実施形態においては、所定の時点は毎月１日の午前０時であり、そこからの経過日
数（経過時間）が時間差Ｔｐとなる。また、月を３つの期間に分けて処理を行うので、算
出したＴｐが３つのうちのどの期間に該当するか判定する。そして種別影響度算出部１０
６ｃは、入力された利用主体識別子に対応し、かつ時間差Ｔｐに該当する期間に対応する
利用種別情報を利用種別情報格納部１１２から読み出す。利用種別情報格納部１１２に、
図２５（ｂ）に示した利用種別情報テーブル１１２Ｂを格納している場合には、入力され
た利用主体識別子に対応し、かつ時間差Ｔｐに該当する期間に対応し、かつ入力されたア
イテム区分に対応する利用種別情報を読み出す。

ここでは、利用種別情報格納部１１２に、ユーザｕの種別水準値Ｌ［ｕ］が１つ、ユー
ザｕの種別分散値Ｖ［ｕ］が１つ格納されており、これらを読み出して利用することとす
る。ただし、種別水準値と種別分散値のどちらか一方を利用してもよいし、３つ以上の利
用種別情報を利用して関数Ｆ（Ｘ）の特性を決定してもよい。

上述のように、図２２（ａ）は、Ｆａ１（Ｘ）〜Ｆａ５（Ｘ）（Ｆａ１〜Ｆａ５）の５
つの関数を示している。添字番号の大きい関数ほど、単体アイテムの種別影響度が小さく
なり、複合アイテムの種別影響度が大きくなる。種別影響度算出部１０６ｃは、ユーザｕ
の種別水準値Ｌ［ｕ］に応じて、いずれかの関数を選択する。

具体的には、時間差Ｔｐに該当する期間（当該期間）の種別水準値Ｌ［ｕ］に関する閾
値δ１〜δ４（δ１＜δ２＜δ３＜δ４）を用意しておき、Ｌ［ｕ］＜δ１であればＦａ
１、δ１≦Ｌ［ｕ］＜δ２であればＦａ２、δ２≦Ｌ［ｕ］＜δ３であればＦａ３、δ３
≦Ｌ［ｕ］＜δ４であればＦａ４、δ４≦Ｌ［ｕ］であればＦａ５を選択する。

この結果、種別水準値の大きいユーザ、すなわち購買能力の高いユーザや複合アイテム
を好むと推定されるユーザに対しては、相対的に価格の高い複合アイテムが多く推薦され
、種別水準値の小さいユーザに対しては、相対的に価格の安い単体アイテムが多く推薦さ
れる。

別の選択方法を、図２２（ｂ）を参照して説明する。本図は、Ｆｂ１（Ｘ）〜Ｆｂ５（
Ｘ）（Ｆｂ１〜Ｆｂ５）の５つの関数を示しており、添字番号の大きい関数ほど、出力最
大値Ｙβと出力最小値Ｙαとの差（出力最小値Ｙαに対する出力最大値Ｙβの倍率）が大
きく、添字の小さい関数ほど、その差および倍率が小さくなっている。また、これらの関
数は全て単調増加関数である。

種別水準値Ｌ［ｕ］に関する閾値δ１〜δ４（δ１＜δ２＜δ３＜δ４）を用意してお
き、Ｌ［ｕ］＜δ１であればＦｂ１、δ１≦Ｌ［ｕ］＜δ２であればＦｂ２、δ２≦Ｌ［
ｕ］＜δ３であればＦｂ３、δ３≦Ｌ［ｕ］＜δ４であればＦｂ４、δ４≦Ｌ［ｕ］であ
ればＦｂ５を選択する。すなわち、種別水準値Ｌ［ｕ］が大きいほど添字番号の大きい関
数を選択することにより、種別水準値が大きいほど、出力最大値と出力最小値との差（出
力最小値に対する出力最大値の倍率）が大きくなる傾向で種別影響関数を変化させている
といえる。また、種別水準値が大きいほど、入力が最小値であるときの出力値が小さくな
る傾向で種別影響関数を変化させているともいえる。この結果、種別水準値が大きいユー
ザでは、相対的に価格の高い複合アイテムが非常に推薦情報に入り易くなるのに対し、種
別水準値が小さいユーザでは、複合アイテムがやや優先的ではあるものの、相対的に価格
の安い単体アイテムも比較的推薦結果に入り易いという効果が得られる。

このように、単調増加関数を用いると、全てのユーザに対して、相対的に価格の高い複
合アイテムを優先的に推薦情報に入れることができると同時に、ユーザの利用種別情報（
すなわちユーザの利用状況）に応じて、その優先度合いを適応的に設定することができる
。なお、複数の関数（例えば、Ｆｂ１（Ｘ）〜Ｆｂ５（Ｘ））を用意するのではなく、１
つの関数のみを用意し、種別水準値に応じて、その関数を変形して用いるようにしてもよ
い。例えば、Ｆｂ３（Ｘ）を用意し、種別水準値Ｌ［ｕ］と乗算した関数（値）（Ｆｂ３
（Ｘ）×Ｌ［ｕ］）を種別影響度としてもよい。また、種別水準値に応じて、用意した関
数の最大値および最小値のうちの少なくとも一方を変更してもよい。また、種別水準値Ｌ
［ｕ］とは別に、種別水準値Ｌ［ｕ］が大きいほど大きな値となる係数Ｋ［ｕ］を算出し
、用意した関数との乗算を行って、種別影響度を算出してもよい。種別水準値Ｌ［ｕ］と
係数Ｋ［ｕ］との関係は、線形でも非線形でもよい。

また、種別水準値Ｌ［ｕ］ではなく、ユーザｕの種別分散値Ｖ［ｕ］を用いて、Ｆｂ１
（Ｘ）〜Ｆｂ５（Ｘ）を選択してもよい。種別水準値Ｌ［ｕ］の場合と同様に、種別分散
値Ｖ［ｕ］に関する閾値ε１〜ε４（ε１＜ε２＜ε３＜ε４）を用意しておき、種別分
散値Ｖ［ｕ］が大きいほど添字番号の大きい関数を選択する。すなわち、種別分散値が大
きいほど、出力最大値と出力最小値との差（出力最小値に対する出力最大値の倍率）が大
きくなる傾向で種別影響関数を変化させてもよい。

一般に、種別分散値が小さなユーザは、限られた種別のアイテムを利用する傾向がある
。すなわち、自分なりの利用パターンが確立しているユーザであるといえる。このような
ユーザでは、複合アイテムだけを推薦した場合に受容されないリスクがより高いため、種
別水準値を用いず、種別分散値のみで、単調増加の特性を持つ種別影響関数を設定する場
合は、関数Ｆｂ１（Ｘ）などを用いて、複合アイテムと単体アイテムとの種別影響度の差
があまり大きくないようにし、相対的に価格の安い単体アイテムも比較的推薦結果に入り
易いようにする。

次に、ユーザｕの種別水準値Ｌ［ｕ］と種別分散値Ｖ［ｕ］を両方用いて、関数Ｆ（Ｘ
）の特性を動的に設定する方法を説明する。なお、関数Ｆ（Ｘ）の特性を動的に設定する
例における種別情報は、単体／複合を示す２値ではなく、３値以上であり、例えば、複合
アイテムに対応する単体アイテムの個数を用いるものとする。例外はあるものの、一般的
には、種別情報の値が大きいほど、価格が高い傾向にあるといえる。また以下では、時間
差Ｔｐに応じて、複数種類のひな型関数を使い分ける例を説明するが、もちろん１種類の
ひな型関数を用いてもよい。種別影響度算出部１０６ｃは、時間差Ｔｐが期間１（月の上
旬）に該当する場合に、図２６（ａ）に示す特性のひな型関数Ｆｕ（Ｘ）を用いる。本実
施形態では、毎月１日にユーザに新規のアイテム利用権が付与されるサービスを例に説明
しているが、新規のアイテム利用権が付与されてから間もない月の上旬は、一般的にユー
ザのアイテム利用意欲が高いため、価格の高いアイテムを推薦しても、ユーザのアイテム
利用意欲が低下するリスクが小さい考えられる。そこで、図２６（ａ）に示すような単調
減少区間を持たないひな型関数を用いて、種別情報が大きいほど（ひいては価格が高いほ
ど）種別影響度が大きくなるようにすると、サービス全体の売上増大に効果的である。種
別影響度算出部１０６ｃは、このようなひな型関数の数式を内部の記憶領域に記憶してお
り、種別水準値Ｌ［ｕ］および種別分散値Ｖ［ｕ］に応じて、Ｆｕ（Ｘ）のパラメータＸ
ｃ、Ｘω、Ｙα、Ｙωを設定し、種別影響度を算出する。ここで、Ｘｃは単調増加区間の
Ｘ方向（Ｘα〜Ｘβ）の中点であり、Ｘωは単調増加区間のＸ方向の幅である。また、Ｙ
αは単調増加区間の最小出力値であり、Ｙωは単調増加区間のＹ方向の幅である。

まず、Ｘｃを種別水準値Ｌ［ｕ］が大きいほど大きな値となるように設定する。そして
、Ｘωを種別分散値Ｖ［ｕ］が大きいほど大きな値となるように設定する。この結果、単
調増加区間の最小入力値Ｘαと最大入力値Ｘβとが設定される。

次に、Ｙαを種別水準値Ｌ［ｕ］が小さいほど大きな値となるように設定する。そして
、Ｙωを種別水準値Ｌ［ｕ］が大きいほど大きな値となるように設定する。この結果、単
調増加区間の最大出力値Ｙβが設定される。

このようにパラメータが設定された関数Ｆｕ（Ｘ）の特性について、図２６（ｂ）およ
び図２６（ｃ）を参照し、ユーザｕ１〜ユーザｕ５の５人のユーザを例にして説明する。

ユーザｕ１は、単体アイテムのみを利用するため、ユーザｕ１の種別水準値Ｌ［ｕ１］
が５人のユーザの中で最も小さく、種別分散値Ｖ［ｕ１］も小さいものとする。図２６（
ｂ）に示すように、ユーザｕ１に対応した関数Ｆｕ１（Ｘ）は、Ｘｃ１、Ｘα１、Ｘβ１
、Ｘω１、Ｙω１が小さく、Ｙα１が大きい。このため、種別情報の小さいアイテム（単
体アイテム）と、種別情報の大きいアイテム（大規模な複合アイテム）との種別影響度の
差（倍率）が小さい等により、５人のユーザの中で単体アイテムが最も推薦結果に入りや
すくなる。

ユーザｕ２は、種別情報の小さいアイテムと大きいアイテムの両方を利用するが、種別
情報の大きいアイテムをより多く利用するため、種別水準値Ｌ［ｕ２］が５人の中で２番
目に小さく、種別分散値Ｖ［ｕ２］は大きいものとする。図２６（ｂ）に示すように、ユ
ーザｕ２に対応する関数Ｆｕ２（Ｘ）のパラメータであるＸｃ２、Ｘω２、Ｙα２、Ｙω
２は、それぞれＸｃ１＜Ｘｃ２、Ｘω１＜Ｘω２、Ｙα２＜Ｙα１、Ｙω１＜Ｙω２とな
る。このため、種別情報の小さいアイテムと種別情報の大きいアイテムとの種別影響度の
差（倍率）がＦｕ１より大きくなり、ユーザｕ１に比べると、単体アイテムが推薦結果に
入りにくくなる。また、単調増加区間の幅Ｘω２が大きく、単調増加区間の勾配が比較的
緩やかであるため、幅広い種別情報のアイテムが推薦結果に入り易くなる。ユーザｕ２は
、単体アイテムと複合アイテムの両方を利用するユーザであるため、アイテム属性に関す
るユーザの日頃の利用傾向を反映した推薦情報が得られるといえる。

ユーザｕ３は、種別情報が中程度のアイテム（中規模な複合アイテム）のみ利用するた
め、種別水準値Ｌ［ｕ３］は、ユーザｕ２の種別水準値Ｌ［ｕ２］と同じであり、種別分
散値Ｖ［ｕ３］は、ユーザｕ２よりも小さいものとする。図２６（ｂ）に示すように、ユ
ーザｕ３に対応する関数Ｆｕ３（Ｘ）のパラメータであるＸｃ３、Ｘω３、Ｙα３、Ｙω
３は、それぞれＸｃ２＝Ｘｃ３、Ｘω３＜Ｘω２、Ｙα２＝Ｙα３、Ｙω２＝Ｙω３とな
る。このため、関数Ｆｕ２よりも出力値が大きくなる範囲の種別情報（線分Ｐ１で示す範
囲の種別情報）を持つアイテムが、ユーザｕ２と比べて推薦結果に入りやすくなる。

また、ユーザｕ２では、関数Ｆｕ３が最大値となり、かつ関数Ｆｕ２が単調増加である
範囲の種別情報（線分Ｐ２で示す範囲の種別情報）を持つアイテムは、それより大きい種
別情報（線分Ｐ３で示す範囲）を持つアイテムより、推薦結果に入りにくいのに対し、ユ
ーザｕ３では同程度に入るようになる。

元々利用している種別情報の範囲が狭いユーザｕ３には、Ｐ３に偏って推薦するよりも
、それより若干種別情報の小さいＰ２を含めて推薦した方が、推薦結果が受容される可能
性が高いと考えられる。一方で、元々幅広い範囲の種別情報に対応するアイテムを利用し
ているユーザｕ２は、ユーザｕ３に比べて、特定の種別情報へのこだわりが少なく、種別
情報の大きなＰ３を受容する可能性が高いので、Ｐ２に相当するアイテムよりもＰ３に相
当するアイテムを多く推薦結果に入れた方が、アイテム提供サービスの売上増大という点
で効果的である。このように第３実施例では、種別分散値に応じて単調増加区間の幅を設
定することにより、種別水準値が同程度のユーザに対しても、推薦情報の内容を適切に変
えることができる。

ユーザｕ４は、種別情報の小さいアイテムと大きいアイテムの両方を利用するが、種別
情報の大きいアイテムをより多く利用するため、種別水準値Ｌ［ｕ４］が５人のユーザの
中で２番目に大きく、種別分散値Ｖ［ｕ４］は、ユーザｕ２と同程度に大きいものとする
。図２６（ｃ）に示すように、ユーザｕ４に対応する関数Ｆｕ４（Ｘ）のパラメータであ
るＸｃ４、Ｙα４、Ｘω４、Ｙω４は、それぞれＸｃ２＜Ｘｃ４、Ｘω１＜Ｘω２≒Ｘω
４、Ｙα４＜Ｙα２、Ｙω２＜Ｙω４となる。このため、種別情報の小さいアイテムと種
別情報の大きいアイテムとの種別影響度の差（倍率）が関数Ｆｕ２より大きくなり、ユー
ザｕ２に比べると、種別情報の小さいアイテムが推薦結果に入りにくくなる。

ユーザｕ５は、種別情報の大きいアイテムのみを利用するため、種別水準値Ｌ［ｕ５］
が５人のユーザの中で最も大きく、種別分散値Ｖ［ｕ５］は、ユーザｕ１と同程度に小さ
いものとする。図２６（ｃ）に示すように、ユーザｕ５に対応する関数Ｆｕ５（Ｘ）のパ
ラメータであるＸｃ５、Ｙα５、Ｘω５、Ｙω５は、それぞれＸｃ５＜Ｘｃ４、Ｘω１≒
Ｘω５＜Ｘω４、Ｙα５＜Ｙα４、Ｙω４＜Ｙω５となる。このため、種別情報の小さい
アイテムと種別情報の大きいアイテムとの種別影響度の差（倍率）が非常に大きくなり、
種別情報の小さいアイテムが５人のユーザの中で最も推薦結果に入りにくくなる。また、
種別水準値の最も小さいユーザｕ１に対応する関数Ｆｕ１（Ｘ）と比べると、Ｘα１＜＜
Ｘα５、Ｘβ１＜＜Ｘβ５、Ｙα１＞＞Ｙα５、Ｙβ１＜＜Ｙβ５であり、種別水準値の
小さいユーザに比べて、種別情報の大きいアイテム（大規模な複合アイテム）が推薦結果
に入りやすいことは明らかである。

なお、図２６で説明に用いた関数Ｆｕ（Ｘ）は、あくまでも一例であり、他の特性の関
数を用いてもよい。例えば、図２７に示す特性の関数Ｆｇ（Ｘ）を用いて種別影響度を算
出してもよい。この場合は、Ｆｕ（Ｘ）と同様な方法で、関数Ｆｇ（Ｘ）のパラメータＸ
ｃ、Ｘω、Ｙα、Ｙωを設定する他、種別水準値が小さければ、本図の関数Ｆｇ１のよう
に上に凸の度合いが強い特性とし、種別水準値が中程度であれば、本図の関数Ｆｇ２のよ
うに線形に近い特性とし、種別水準値が大きければ、本図の関数Ｆｇ３のように下に凸の
度合いが強い特性とする。下にと凸の度合いが強いほど、所定の出力値を得るために大き
な入力値が必要といえる。また、種別分散値が大きいほど、下に凸の度合いを強くしても
よい。

次に、時間差Ｔｐが期間２（月の中旬）に該当する場合に、種別影響度算出部１０６ｃ
は、図２８に示す特性のひな型関数Ｆｖ（Ｘ）を用いる。新規のアイテム利用権が付与さ
れてからある程度時間が経過している中旬は、一般的にユーザのアイテム利用意欲が上旬
よりも低下している。このため、図２８に示すように、ピーク（極大値）を持つ関数を用
いて、種別情報の大きいアイテムが必ずしも優先的に推薦されないようにする。

まず、種別水準値Ｌ［ｕ］が大きいほど、ピーク中心のＸ座標であるＸｃが大きな値と
なるように設定する。そして、種別分散値Ｖ［ｕ］が大きいほど、ピークのＸ方向の幅で
あるＸωが大きくなるように設定する。このように種別影響関数を設定すると、種別水準
値が大きいユーザには、主に種別情報の大きいアイテムが推薦される一方、種別水準値が
小さいユーザには、主に種別情報の小さいアイテムが推薦される。また、種別分散値が大
きいユーザには、幅広い範囲の種別情報に対応するアイテムが推薦され易くなるが、種別
分散値が小さいユーザには、特定の狭い範囲の種別情報に対応するアイテムが推薦される
。すなわち、それぞれのユーザのアイテム利用パターンとほぼ同じ種別情報のアイテムが
推薦される。ユーザが日頃利用しない種別情報のアイテムが推薦され難いため、ユーザの
アイテム利用意欲の低下リスクを非常に小さくすることができる。

例えば、上述の５人のユーザのうち、種別水準値が小さく、種別分散値Ｖも小さいユー
ザｕ１では、Ｘｃ、Ｘωが両方とも小さくなるので、種別情報の小さいアイテム（単体ア
イテムおよび小規模な複合アイテム）のみ推薦される。また、種別水準値が中程度で、種
別分散値Ｖが大きいユーザｕ２では、Ｘｃが中程度で、Ｘωが大きくなるので、中程度の
種別情報のアイテム（中規模な複合アイテム）を中心に、幅広い種別情報のアイテムが推
薦されることになる。また、種別水準値が中程度で、種別分散値が小さいユーザｕ３では
、Ｘｃが中程度で、Ｘωが小さくなるので、中程度の種別情報という条件に限定されたア
イテムが推薦される。また、種別水準値が大きく、種別分散値も大きいユーザｕ４では、
Ｘｃ、Ｘωが両方とも大きくなるので、種別情報の大きいアイテム（大規模な複合アイテ
ム）を中心に、幅広い種別情報のアイテムが推薦される。また、種別水準値が大きく、種
別分散値が小さいユーザｕ５では、Ｘｃが大きく、Ｘωが小さいので、種別情報の大きい
アイテムのみ推薦される。

種別水準値Ｌ［ｕ］および種別分散値Ｖ［ｕ］に基づいて、ひな型関数Ｆｖ（Ｘ）の特
性を変形させる方法は、上述の方法に限らない。例えば、種別分散値Ｖ［ｕ］が大きいほ
ど、ピークと底部とのＹ方向の高さの差Ｙω（極大値とピーク底部の出力値との差）が小
さくなるように設定してもよい。Ｙωを小さくすると、種別影響度の最大値Ｙβと、種別
影響度の最小値Ｙαとの差（または倍率）が小さくなるので、推薦情報に入るアイテムの
種別情報の幅が広くなる。種別分散値が大きいユーザは、幅広い種別情報のアイテムを利
用する傾向にあるので、そのようなユーザに対して、推薦アイテムの種別情報の幅を広く
設定することは、購入意欲低下の防止に効果的である。また、種別分散値Ｖ［ｕ］が大き
いほど、Ｘωを大きく、Ｙωを小さくする等、種別分散値Ｖ［ｕ］に応じて、ＸωとＹω
を両方変化させてもよい。また、上述のＦｖ（Ｘ）は、ピークを中心に左右対称の関数で
あるが、ピークの左右で異なる形状の関数を用いてもよい。

次に、時間差Ｔｐが期間３（月の下旬）に該当する場合に、種別影響度算出部１０６ｃ
は、図２９に示す特性のひな型関数Ｆｗ（Ｘ）を用いる。この関数は、２つのピークを持
っており、２つのピークの座標は、それぞれ（Ｘｃｓ，Ｙｃｓ）と（Ｘｃｈ，Ｙｃｈ）で
ある。新規のアイテム利用権が付与されてからかなり時間が経過している下旬は、基本的
には、種別情報の小さいアイテムの方がユーザに受容され易い。このため、第１のピーク
である（Ｘｃｓ，Ｙｃｓ）を用いて、種別情報の小さいアイテムを推薦情報に入れるよう
にしている。一方で、翌月までに保有しているアイテム利用権（ポイント）を使い切りた
いと考えるユーザも少なからず存在する。そのようなユーザに対しては、比較的種別情報
の大きいアイテムを推薦すると、ユーザはより少ない手間（少ない操作）で、保有してい
るポイントを使えるので、アイテム利用が促進され易い。このため、第２のピークである
（Ｘｃｈ，Ｙｃｈ）を用いて、比較的種別情報の大きいアイテムを推薦情報に入れるよう
にしている。本実施例では、第１のピークの座標は固定とし、利用種別情報に応じて、こ
の第２のピークの座標を設定する例を説明するが、これに限定する訳ではなく、第１のピ
ークと第２のピークの両方を変化させてもよい。

ケース１）種別水準値Ｌ［ｕ］が小さい場合、具体的には所定の閾値δ５未満（Ｌ［ｕ
］＜δ５）の場合、２つのピーク間のＸ方向の幅Ｘｄを比較的小さな値Ｘｄ１に設定し、
底部と第２のピークとのＹ方向の差であるＹωも比較的小さな値Ｙω１に設定する。第２
のピークのＸ方向の幅であるＸωは、標準的な値Ｘω１に設定する。このような関数特性
に設定すると、種別情報の大きいアイテムは、ほとんど推薦情報に入らなくなる。
ケース２）種別水準値Ｌ［ｕ］が、閾値δ５以上かつδ６未満であり、かつ種別分散値
Ｖ［ｕ］が閾値ε５未満（δ５≦Ｌ［ｕ］＜δ６ ∩ Ｖ［ｕ］＜ε５）の場合、すなわ
ち、種別水準値が中程度であり、かつ種別分散値が比較的小さい場合、Ｘｄを中程度の値
Ｘｄ２に設定し、Ｙωを中程度の値Ｙω２に設定し、Ｘωを標準よりも小さな値Ｘω２（
Ｘω２＜Ｘω１）に設定する。このような関数特性に設定すると、種別情報の小さいアイ
テムの他に、中程度の種別情報を中心とした比較的狭い範囲のアイテムが推薦情報に入り
易くなる。

ケース３）種別水準値Ｌ［ｕ］が、閾値δ５以上かつδ６未満であり、かつ種別分散値
Ｖ［ｕ］が閾値ε５以上（δ５≦Ｌ［ｕ］＜δ６ ∩ Ｖ［ｕ］≧ε５）の場合、すなわ
ち、種別水準値が中程度であり、かつ種別分散値が比較的大きい場合、Ｘｄを中程度の値
Ｘｄ２に設定し、Ｙωを中程度の値Ｙω２に設定し、Ｘωを標準よりも大きな値Ｘω３（
Ｘω３＞Ｘω１）に設定する。このような関数特性に設定すると、種別情報の小さいアイ
テムの他に、中程度の種別情報を中心とした比較的広い範囲のアイテムが推薦情報に入り
易くなる。

ケース４）種別水準値Ｌ［ｕ］が、δ６以上であり、かつ種別分散値Ｖ［ｕ］が閾値ε
５以上（Ｌ［ｕ］≧δ６ ∩ Ｖ［ｕ］≧ε５）の場合、すなわち、種別水準値が比較的
大きく、かつ種別分散値が比較的大きい場合、Ｘｄを大きな値Ｘｄ３に設定し、Ｙωを大
きな値Ｙω３（Ｙω３＞Ｙω２）に設定し、Ｘωを標準よりも大きな値Ｘω３（Ｘω３＞
Ｘω１）に設定する。このような関数特性に設定すると、種別情報の小さいアイテムの他
に、大きい種別情報を中心とした比較的広い範囲のアイテムが推薦情報に入り易くなる。
なお、第２のピークの高さＹｃｈを第１のピークの高さＹｃｓよりも高くしてもよい。

ケース５）種別水準値Ｌ［ｕ］が、δ６以上であり、かつ種別分散値Ｖ［ｕ］が閾値ε
５未満（Ｌ［ｕ］≧δ６ ∩ Ｖ［ｕ］＜ε５）の場合、すなわち、種別水準値が比較的
大きく、かつ種別分散値が比較的小さい場合、Ｘｄを大きな値Ｘｄ３に設定し、Ｙωを大
きな値Ｙω３（Ｙω３＞Ｙω２）に設定し、Ｘωを標準よりも小さな値Ｘω２（Ｘω２＜
Ｘω１）に設定する。このような関数特性に設定すると、種別情報の小さいアイテムの他
に、大きい種別情報を中心とした比較的狭い範囲のアイテムが推薦情報に入り易くなる。
なお、第２のピークの高さＹｃｈを第１のピークの高さＹｃｓよりも高くしてもよい。

このように第３実施例では、利用種別情報に応じて、ユーザごとに関数Ｆ（Ｘ）の特性
を設定することにより、ユーザのアイテム利用状況に応じて、適応的に種別影響関数を設
定することができるので、ユーザに受容される可能性の高いアイテムを、より正確に推薦
情報に入れることができる。以上がステップＳ４１０ｃの説明である。

なお、上述の説明では、１つの種別水準値と、１つの種別分散値とを使って関数の特性
を設定したが、より多くの利用種別情報を用いて関数の特性を設定してもよい。複数の利
用種別情報をそれぞれ別々の関数パラメータに対応させてもよい。また、複数の利用種別
情報を１つの関数パラメータに対応させてもよい。例えば、第２の利用種別情報である、
ユーザの利用した複合アイテムの割合を用いた値と、第３の利用種別情報である、ユーザ
の複合アイテムの利用度合いに関するばらつきの大きさ（ばらつき度）を示す値とを用い
て、１つの関数パラメータを決定してもよい。

また、各々の関数パラメータを複数の利用種別情報を用いて決定する場合に、各利用種
別情報を各次元に対応させた多次元情報空間を用いてもよい。例えば、多次元情報空間を
適当な小領域に分割し、各々の小領域に対して関数パラメータの値を対応させる方法によ
り、関数の特性を設定してもよい。また、各利用種別情報の重み付き平均などを用いて１
次元の値を算出し、それに基づいて関数パラメータを決定してもよい。なお、時間差Ｔｐ
の起点である所定の時点は、全てのユーザに対して同じである必要はなく、ユーザごとに
所定の時点を変えてもよい。例えば、利用種別情報算出部１１１が、ユーザごとに種別水
準値を時系列データとして算出すると共に（例えば、１日ごとの種別水準値の時系列デー
タ）、その周期性を検出し、種別影響度算出部１０６ｃが、周期性が存在するユーザに関
して、種別水準値がピーク（極大）となる時点を所定の時点としてもよい。例えば、ある
ユーザ（ユーザＡ）の種別水準値が、毎月３日にピークとなる傾向が強い場合には、毎月
３日を所定の時点とすることができる。

なお、上述の第３実施例では、ユーザの利用種別情報に基づいて、種別影響関数の特性
をユーザごとに変えているが、これとは異なる方法で、種別影響関数の特性をユーザごと
に変えてもよい。例えば、ユーザが過去に提供された推薦情報をどの程度受け入れたかに
応じて種別影響関数の特性を変更することができる。

この場合、過去のある時点においてユーザに提供された推薦情報に含まれるアイテムの
うち、推薦情報提供後にそのユーザによって実際に利用されたアイテムの数を算出し、そ
の数に基づいてユーザの利用度を算出する。利用度を算出する処理を行なうために、利用
度算出部を情報選択装置１０に設けるようにしてもよい。そして、種別影響度算出部１０
６ｃは、算出された利用度に応じて種別影響関数Ｆ（Ｘ）の特性を変えればよい。

具体的には、利用度の高いユーザほど、複合アイテム（種別情報の大きいアイテム）が
推薦されやすくなるように処理すればよい。これは、種別水準値が大きいユーザほど、種
別情報の大きいアイテムが推薦されやすくなるように処理したのと同様である。

利用度の高いユーザは、過去の推薦情報を多く受容しているので、推薦システムに対す
る信頼感をある程度持っていると考えられる。また、推薦情報が表示された画面から直接
利用していない場合であっても、そのユーザの嗜好に合致した推薦アイテムを選択できた
と考えられる。このため、このようなユーザに種別情報の大きいアイテム）をより多く推
薦しても、ユーザの購買意欲の低下につながるリスクが小さいと考えられるからである。

一方、利用度の低いユーザに、種別情報の大きいアイテムをより多く推薦すると、ユー
ザの購買意欲の低下につながるリスクが大きいと考えられる。このため、利用度の低いユ
ーザには、種別情報の小さいアイテムもある程度推薦されやすくなる処理を行なうように
する。

このようにユーザの推薦情報に対する利用度に応じて、種別影響関数の特性を変化させ
ることにより、さらにユーザの購買意欲が減少するリスクを減らしつつ、種別情報の大き
いアイテムを推薦することができる。また、ユーザの推薦情報に対する利用度と、ユーザ
の利用種別情報を両方用いて、種別影響関数の特性を変えてもよい。

利用度の具体的な算出方法としては、例えば、１日に１回の頻度で推薦情報を作成して
おり、前回（前日）にユーザＡに対して１０個の推薦アイテムを提供している場合、次に
新たな推薦情報を作成（提供）するまでの期間（約１日間）で、ユーザＡが１０個の推薦
アイテムのうち何個を利用したかを、利用履歴格納部１０２とを推薦情報格納部１０８と
を参照しながらカウントし、これを利用度とすればよい。

また、ユーザＡが１つの推薦アイテムを２回以上利用した場合、その回数を考慮して利
用度を算出してもよいし、２回以上利用しても１回だけ利用しても同等に扱って利用度を
算出してもよい。あるいは、ユーザＡが１０個の推薦アイテムのうちの１つ以上利用した
場合に、利用度を「１」、１つも利用しない場合に利用度を「０」などとして、ユーザＡ
が推薦情報を１回以上利用したか否かの情報を利用度としてもよい。

ユーザＡが推薦アイテムを利用した場合に、図１２に示すような推薦画面（推薦ページ
）から直接利用したのか、他のページで推薦アイテムを偶然見つけて利用したのかを区別
するために、利用リクエストが発行された際にユーザが閲覧していたページ情報（閲覧ペ
ージ情報）を利用履歴格納部１０２に格納した上で、推薦ページから直接利用された分だ
けを利用度に反映させるようにしてもよいし、推薦アイテムが利用されたページの種類を
区別せずに利用度を算出してもよい。

なお、上述の説明では、推薦情報を作成する期間と同じ期間の利用種別情報を用いてい
るが、それに限定される訳ではない。例えば、期間３の推薦情報を作成する際に、期間３
の利用種別情報に加えて、期間１および期間２の少なくとも一方の利用種別情報を用いて
もよい。あるいは、期間１および期間２の少なくとも一方の利用種別情報を用い、期間３
の利用種別情報を用いなくてもよい。例えば、期間１の種別水準値と、期間２の種別水準
値の合計値または代表値を算出し、その値を期間３の種別水準値の代わりに用いて、期間
３の推薦情報を作成してもよい。また、所定の時点以降の利用履歴から算出される利用種
別情報を用いて、推薦情報を作成してもよい。

例えば、所定の時点を２０１３年１月１日午前０時とし、推薦情報を作成する時点ある
いは推薦情報を提供開始する時点を２０１３年１月２５日午前０時とした場合、２０１３
年１月１日から２０１３年１月２４日までの利用履歴を用いて、利用種別情報を算出し、
それに基づいて種別影響関数の特性を設定してもよい。このようにすると、当月（２０１
３年１月）にユーザが利用したアイテムの種別に応じて種別影響関数の特性を設定するこ
とができるので、推薦情報に入れるアイテムの種別をより適切に設定できる場合がある。
例えば、普段は毎月の前半に相対的に価格の高い複合アイテムを多く利用するユーザが、
当月（２０１３年１月１日から２０１３年１月２４日までの期間）に、複合アイテムをあ
まり利用していない場合、これから当月の月末にかけて複合アイテムを利用する確率が高
いと推定し、普段の月よりも複合アイテムが多く推薦情報に入るようにしてもよい。ある
いは、ユーザの購買力が何らかの理由で低下したと推定し、普段の月よりも、相対的に価
格の安い単体アイテムが多く推薦情報に入るようにしてもよい。

また上述の説明では、図２５に示すように、利用主体識別子ごとに利用種別情報を算出
、格納しているが、利用主体識別子ごとではなく、ユーザ集団の全体的な利用種別情報を
算出し、それに応じて種別影響関数を設定してもよい。例えば、ある期間の利用履歴を用
いて、複数のユーザ（ユーザ集団）が、その期間に利用したアイテム全体において複合ア
イテムが占める割合を算出し、それに応じて、そのユーザ集団に対して用いる種別影響関
数を設定してもよい。また、全ユーザを１つのユーザ集団とみなして、全ユーザに対して
共通の利用種別情報を算出してもよい。このようにすると、どのユーザに対しても同じ種
別影響関数が適用されるが、利用主体識別子ごとに利用種別情報を算出および格納する必
要がないので、情報選択装置１の処理負荷を軽減することができる。また、利用履歴の少
ないユーザなどの場合、そのユーザ１人の利用履歴を用いて種別影響関数を設定するより
も、多くのユーザの利用履歴を用いて種別影響関数を設定した方が、適切な特性を設定で
きる場合がある。

また、上述の第３実施例の変形例として、以下の方法を用いることもできる。まず、利
用種別情報算出部１１１は、利用履歴を用いて、ユーザｕが時間差Ｔｐの時点で種別情報
Ｘのアイテムを利用する確率（条件付き確率）の分布（確率関数、確率密度関数）Ｐ（Ｘ
｜ｕ，Ｔｐ）を、利用種別情報として算出する。例えば、確率関数の関数形として、正規
分布や混合正規分布などを仮定し、利用履歴を用いて、確率関数のパラメータ（平均値、
分散、混合比など）を算出（推定）すればよい。時間差Ｔｐは、期間１、期間２、期間３
などのように離散値として扱ってもよいし、連続量として扱ってもよい。

このような確率関数の一例を図３０（ａ）に示す。本図は、時間差Ｔｐを５つの離散値
として扱い、それぞれのＴｐに対応する５つの確率関数を示した例である。また本図では
、種別情報の種類が十分に多いものとして、連続量であるかのように示しているが、典型
的には離散値である。例えば、種別情報が単体／複合の２種類であれば、確率関数は２本
の棒グラフ状になる。本図の奥から手前にかけて、時間差ＴｐがＴｐ１であるときの確率
関数Ｐ（Ｘ｜ｕ，Ｔｐ１）から、時間差ＴｐがＴｐ５であるときのＰ（Ｘ｜ｕ，Ｔｐ５）
が順に並んでいる（Ｔｐ１＜Ｔｐ２＜Ｔｐ３＜Ｔｐ４＜Ｔｐ５）。所定の時点と図１３に
示す推薦情報作成処理を実行する時点との時間差Ｔｐを算出した後、Ｔｐ１〜Ｔｐ５の中
でＴｐに最も近いものを特定し、それに対応する確率関数を用いて種別影響関数を設定す
ればよい。なお、それぞれの確率関数の間を滑らかに補間する等の処理を行ってもよい。

次に、種別影響度算出部１０６ｃは、算出された確率関数Ｐ（Ｘ｜ｕ，Ｔｐ）を用いて
、時間差Ｔｐの時点でユーザｕに対して用いる種別影響関数Ｆ（Ｘ｜ｕ，Ｔｐ）を算出す
る。具体的には、確率関数Ｐ（Ｘ｜ｕ，Ｔｐ）をそのまま種別影響関数Ｆ（Ｘ｜ｕ，Ｔｐ
）として用いることができる。あるいは、確率関数Ｐ（Ｘ｜ｕ，Ｔｐ）を変形して種別影
響関数Ｆ（Ｘ｜ｕ，Ｔｐ）としてもよい。確率関数を変形して種別影響関数を作成する一
例を図３０（ｂ）に示す。本図では、確率関数（確率密度関数）を破線で、種別影響関数
を実線で示している。本図に示すように、例えば、確率関数（確率密度関数）をＸ軸方向
に所定値λ１倍し、所定値λ２だけ平行移動させて得られる関数を種別影響関数としても
よい。

この場合、Ｆ（（Ｘ−λ２）／λ１｜ｕ，Ｔｐ）＝Ｐ（Ｘ｜ｕ，Ｔｐ）となる。ただし
、λ１＞０である。ここで、λ１≒１、λ２＞０にすると、ユーザｕが過去に利用したア
イテムよりも種別情報の大きい（一般的に価格が高い傾向にある）アイテムが推薦情報に
入る確率を高めることができる。λ２を適切な値に設定することにより、ユーザ１人あた
りの利用金額が増える可能性が高くなるため、アイテムの提供サービス全体の売上が増え
る可能性も高くなる。また、λ１＞１にすると、ユーザｕが過去に利用したアイテムの種
別情報よりも幅広い種別情報のアイテムが推薦情報に入る確率を高めることができる。

このように、確率関数を変形させた種別影響関数を用いることにより、ユーザが過去に
利用したアイテムの種別情報の分布を基準にできるため、ユーザが受容し易く、かつ種別
情報に関する販売者の方針を反映させた推薦情報を容易に作成することができる。なお、
確率関数を変形させた結果、種別影響関数に未定義の区間が生じる場合（Ｘが０に近い場
合など）は、その区間が一定の出力値となるようにしてもよいし、確率関数を使って適当
に外挿してもよい。なお、確率関数および種別影響関数において、時間差Ｔｐを複数の期
間のいずれかに対応させる等、離散値として扱う場合は、時間差Ｔｐが対応する期間を特
定し、その期間に対応する確率関数および種別影響関数を用いればよい。また、確率関数
および種別影響関数の条件部にユーザｕを含めずに、Ｐ（Ｘ｜Ｔｐ）およびＦ（Ｘ｜Ｔｐ
）を算出するようにしてもよい。

この場合は、ユーザ個別に確率関数および種別影響関数を算出するのではなく、全ての
ユーザに対して共通する確率関数および種別影響関数を算出することになる。アイテム利
用数が少ないユーザなどでは、個々のユーザごとに確率関数を算出（推定）するよりも、
ユーザ全体の平均的な確率関数を用いた方がよい場合がある。利用種別情報算出部１１１
が、利用種別情報として確率関数を算出し、種別影響度算出部１０６ｃが、それに基づい
て種別影響関数の特性を設定し、種別影響度を算出した後、情報選択部１０７は、実施例
１で説明した方法を用いて、選択指標を算出すればよい。

また更に別の変形例として、利用種別情報算出部１１１が、条件付き確率の条件部に、
ユーザとアイテムとの関連度Ｗを加えた確率関数（確率密度関数）Ｐ（Ｘ｜ｕ，Ｔｐ，Ｗ
）を算出してもよい。そして、種別影響度算出部１０６ｃは、確率関数Ｐ（Ｘ｜ｕ，Ｔｐ
，Ｗ）に基づいて、種別影響関数Ｆ（Ｘ｜ｕ，Ｔｐ，Ｗ）を算出する。上述の説明と同様
に、確率関数をそのまま用いてもよいし、変形して用いてもよい。なお、関連度Ｗを連続
量として扱ってもよいし、例えば、適当な閾値を用い、大、中、小の３段階等のように離
散値として扱ってもよい。

具体的には、制御部１１０または種別影響度算出部１０６ｃは、ステップＳ４００によ
り関連集合格納部１０５に格納された関連集合（関連識別子）を読み出す際に、各関連度
も合わせて読み出し、それぞれの関連度が大、中、小のいずれの段階に該当するか特定し
、特定した段階に対応する確率関数を用いて、種別影響関数を設定する。すなわち、時間
差Ｔｐがある一定の値である場合でも、各関連識別子の関連度に応じて、異なる種別影響
関数を用いて、種別影響度が算出されることになる。確率関数の条件部に関連度を含めた
場合は、関連度にも応じた種別影響度が算出されるので、種別影響度そのものを選択指標
にしてもよい。また、確率関数および種別影響関数の条件部にユーザｕを含めずに、Ｐ（
Ｘ｜Ｔｐ，Ｗ）およびＦ（Ｘ｜Ｔｐ，Ｗ）を算出するようにしてもよい。この場合は、ユ
ーザ個別に確率関数および種別影響関数を算出するのではなく、全てのユーザに対して共
通する確率関数および種別影響関数を算出することになる。

第３実施例によれば、ユーザごとに利用種別情報に応じて適切な種別影響度を算出する
ため、ユーザに特別な操作をさせることなく、ユーザごとに適切なタイミングで、適切な
種別のアイテムの情報を提供できる。すなわち、ユーザが受容しやすい推薦情報を提供で
きる。例えば、ある時期に種別情報の小さいアイテムだけを利用する傾向の強いユーザに
は、その時期に提供する推薦情報の中に、種別情報の小さいアイテムを多く入れることが
できる。逆に、その時期に種別情報の大きいアイテムを利用する傾向の強いユーザには、
その時期に提供する推薦情報の中に、種別情報の大きいアイテムを多く入れることができ
る。従って、ユーザが推薦情報を納得して受け入れやすくなる。このため推薦情報に基づ
くアイテム利用が活発になり、アイテム提供サービスの売上をさらに増大させることが期
待できる。
また、第２実施例と第３実施例とを組み合わせて、ユーザごとに利用種別情報に応じて
自動的に種別影響関数を設定した上で、ユーザの好みに応じてこの特性を変更できるよう
にしてもよい。このようにすれば、さらに受容性の高い推薦情報を提供することができる
。

なお、第１〜第３実施例において、種別情報をアイテム提供サーバ２０または他の外部
の装置に格納するようにした上で、種別影響度算出部１０６が、その種別情報を取得して
利用するようにしてもよい。

１０…情報選択装置、２０…アイテム提供サーバ、３０…端末装置、４０…ネットワーク
、４２…ネットワーク、１０１…アイテム属性格納部、１０１Ａ…アイテム情報テーブル
、１０１Ｂ…カテゴリ情報テーブル、１０２…利用履歴格納部、１０２Ａ…アイテム利用
履歴テーブル、１０４…関連度算出部、１０５…関連集合格納部、１０５Ａ…関連度テー
ブル、１０６…種別影響度算出部、１０７…情報選択部、１０８…推薦情報格納部、１０
８Ａ…アイテム推薦情報テーブル、１０９…送受信部、１１０…制御部、１１１…利用種
別情報算出部、１１２…利用種別情報格納部、１１２Ａ…利用種別情報テーブル、１１２
Ｂ…利用種別情報テーブル、１２０…表示装置、１３０…入力装置、２０１…ユーザ管理
部、２０２…アイテム格納部、２０３…データ格納部、２０４…送受信部、２０５…制御
部、３０１…制御部、３０２…送受信部、３０３…ブラウザ部、３０４…アプリケーショ
ン部、３２０…表示装置、３３０…入力装置

Claims (10)

1. 情報選択の候補である複数の情報それぞれに係る種別情報を種別対応規則に入力し、その出力として得られる影響度を算出する影響度算出部と、
   前記影響度が算出された情報の中から、前記影響度に基づき決定された選択指標の大きな情報を優先的に選択する情報選択部とを備え、
   前記種別情報は、３種類以上であり、前記種別対応規則は、少なくとも２つの異なる種別情報それぞれに対応する入力に対して、出力である影響度がそれぞれ極大値となる特性をもつ、
   ことを特徴とする情報選択装置。
2. 前記影響度算出部は、所定の時点からの経過時間に応じて前記種別対応規則の特性を設定し、前記影響度を算出する、
   ことを特徴とする請求項１に記載の情報選択装置。
3. 前記情報選択部は、前記影響度が大きいほど大きな値となるとともに、かつ、ユーザと情報との関連性の高さを示す関連度が高いほど、大きな値となるように前記選択指標を算出する、
   ことを特徴とする請求項１または請求項２に記載の情報選択装置。
4. 前記情報選択部は、前記影響度が大きいほど大きな値となるとともに、かつ、情報の人気の高さを示す人気度が高いほど、大きな値となるように前記選択指標を算出する、
   ことを特徴とする請求項１または請求項２に記載の情報選択装置。
5. ユーザに提供された情報の前記種別情報に基づく利用種別情報を算出する利用種別情報算出部をさらに備え、
   前記影響度算出部は、前記利用種別情報に応じて前記種別対応規則の特性を設定し、前記影響度を算出する
   ことを特徴とする請求項１から請求項４のいずれか１項に記載の情報選択装置。
6. 前記利用種別情報算出部は、ユーザに提供された情報のうち、特定の種別情報に該当する情報の種類数、または、特定の種別情報に該当する情報の利用回数、を用いて前記利用種別情報を算出する、
   ことを特徴とする請求項５に記載の情報選択装置。
7. 前記影響度算出部は、前記利用種別情報に応じて、前記種別対応規則の２つの極大値の相対的な大きさの違いを設定する、
   ことを特徴とする請求項５または請求項６に記載の情報選択装置。
8. 請求項１から請求項７のいずれか１項に記載の情報選択装置と接続可能な端末装置であって、
   前記種別対応規則の特性をユーザに設定させるための表示制御情報を作成する表示制御情報作成部と、
   前記表示制御情報を前記情報選択装置に送信する送信部と、
   前記情報選択部で選択された情報を前記情報選択装置から受信する受信部と、
   を備えることを特徴とする端末装置。
9. １または複数のコンピュータが実行する情報処理方法であって、
   情報選択の候補である複数の情報それぞれに係る種別情報を種別対応規則に入力し、その出力として得られる影響度を算出する影響度算出ステップと、
   前記影響度が算出された情報の中から、前記影響度に基づき決定された選択指標の大きな情報を優先的に選択する情報選択ステップとを含み、
   前記種別情報は、３種類以上であり、前記種別対応規則は、少なくとも２つの異なる種別情報それぞれに対応する入力に対して、出力である影響度がそれぞれ極大値となる特性をもつ、
   ことを特徴とする情報選択方法。
10. １または複数のコンピュータを、
    情報選択の候補である複数の情報それぞれに係る種別情報を種別対応規則に入力し、その出力として得られる影響度を算出する影響度算出部、
    前記影響度が算出された情報の中から、前記影響度に基づき決定された選択指標の大きな情報を優先的に選択する情報選択部、
    として機能させる情報選択プログラムであって、
    前記種別情報は、３種類以上であり、前記種別対応規則は、少なくとも２つの異なる種別情報それぞれに対応する入力に対して、出力である影響度がそれぞれ極大値となる特性をもつ、
    ことを特徴とする情報選択プログラム。