JP6366031B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents

Description

本発明は、複数のアイテムの中からユーザに推奨するアイテムの組を選択する情報処理装置、情報処理方法、及びプログラムに関する。

ユーザの嗜好に合致したアイテムを推奨する方法が知られている（例えば、特許文献１参照）。
［特許文献１］ 特開２０１１−９５８１４号公報

従来の方法は、ユーザの嗜好に応じてアイテムのスコアを計算し、スコアが大きさに応じてアイテムを推奨する。このため、従来の方法によると、スコアが近い類似するアイテム（例えば、色違い製品等）をユーザに対して多数推奨することとなり、有用かつ多様性のある選択肢をユーザに提示することができなかった。

本発明の第１の態様においては、複数のアイテムの中からユーザに推奨するアイテムの組を選択する情報処理装置であって、複数のアイテムのそれぞれについて、アイテム自体のスコアが高い場合に高く、他に選択されるアイテムに対する類似度が高い場合に低くなる優先度を算出し、優先度に基づいて、複数のアイテムの中からアイテムの組を選択する選択部と、選択したアイテムの組に含まれる各アイテムを、ユーザに提示すべきアイテムとして出力する出力部と、を備える情報処理装置、当該情報処理装置を用いた情報処理方法、及び、当該情報処理装置に用いるプログラムを提供する。

なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

本実施形態の情報処理装置１０の構成を示す。 本実施形態の情報処理装置１０の処理フローを示す。 本実施形態におけるアイテムのスコアの一例を示す。 本実施形態におけるアイテムの特徴ベクトルの一例を示す。 本実施形態の選択部１０６が生成する行列Ｓの一例を示す。 本実施形態の選択部１０６が生成する行列Ｌの一例を示す。 本実施形態の第１変形例における処理フローを示す。 本実施形態の第２変形例における処理フローを示す。 本変形例の選択部１０６が生成する行列Ｍの一例を示す。 コンピュータ１９００のハードウェア構成の一例を示す。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、本実施形態の情報処理装置１０の構成を示す。情報処理装置１０は、複数のアイテムの中から、ユーザが選択する可能性が高いアイテムであって互いに類似性が低い複数のアイテムを優先して選択し、選択した複数のアイテムをユーザに推奨するアイテムの組として出力する。

情報処理装置１０は、例えば、サーバコンピュータであってよく、アイテムとして商品又はサービスの情報をデータベース等から取得し、当該商品等の情報を購入又は表示対象として選択可能なアイテムとしてユーザの端末に供給する。情報処理装置１０は、スコア算出部１０２と、特徴ベクトル取得部１０４と、選択部１０６と、出力部１０８とを備える。

スコア算出部１０２は、ユーザが過去にアイテムを選択した履歴に基づいて各アイテムのスコアを算出する。例えば、スコア算出部１０２は、過去にアイテムの提示したことに応じて当該アイテムが選択された割合に基づいてアイテムのスコアを算出する。スコア算出部１０２は、算出したアイテムのスコアを選択部１０６に供給する。

特徴ベクトル取得部１０４は、複数のアイテムのそれぞれについて、アイテムの特徴を表す特徴ベクトルを取得する。例えば、特徴ベクトル取得部１０４は、商品又はサービスのカテゴリー等を表す特徴ベクトルを取得する。特徴ベクトル取得部１０４は、取得した複数のアイテムの特徴ベクトルを選択部１０６に供給する。

選択部１０６は、アイテムのスコア及び特徴ベクトルに基づいて、複数のアイテムのそれぞれについて、アイテム自体のスコアが高い場合に高く、他に選択されるアイテムに対する類似度が高い場合に低くなる優先度を算出し、当該優先度に基づいて複数のアイテムの中からアイテムの組を選択する。例えば、選択部１０６は、Ｄｅｔｅｒｍｉｎａｎｔｉａｌ Ｐｏｉｎｔ Ｐｒｏｃｅｓｓ（ＤＰＰ）を用いて優先度を算出して、アイテムの組を選択してよい。選択部１０６は、選択したアイテムの組を出力部１０８に供給する。

出力部１０８は、選択したアイテムの組に含まれる各アイテムを、ユーザに提示すべきアイテムとして出力する。例えば、出力部１０８は、ユーザに提示すべきアイテムの情報をユーザの端末に供給する。

このように情報処理装置１０は、複数のアイテムの中からユーザに選択される可能性が高いだけでなく、互いに類似しない複数のアイテムをユーザに推奨するアイテムの組として選択して出力する。これにより、情報処理装置１０によれば、多様性のあるアイテムの組をユーザに提示することができる。

図２は、本実施形態の情報処理装置１０による処理フローを示す。本実施形態では、情報処理装置１０は、Ｓ１１０〜Ｓ２００までの処理を実行することにより、ＤＰＰを使用してユーザに提示するアイテムの組を出力する。本実施形態において、情報処理装置１０は、ユーザの端末に対してアイテムの組の情報を出力するサーバコンピュータである。

Ｓ１１０において、スコア算出部１０２は、複数のアイテムについてアイテムのスコアを算出する。例えば、まず、スコア算出部１０２は、情報処理装置１０の内部又は外部のデータベースから、情報処理装置１０が提示の対象とするｎ個の対象アイテムの中から、ユーザに過去に選択肢として提示されたアイテム、及び、提示に応じてユーザに選択されたアイテムの履歴を取得する。ｎは３以上の自然数であってよい。

一例として、スコア算出部１０２は、ユーザに選択されたアイテムの履歴として、ユーザが過去に購入したアイテム、又は、ユーザが過去に情報を表示したアイテムを取得してよい。

次に、スコア算出部１０２は、ｎ個のアイテムのうちｉ番目のアイテムｉがユーザに提示された数を、提示の後にアイテムｉがユーザに選択された数で除することにより、当該アイテムｉが選択される割合を算出する。スコア算出部１０２は、算出した割合を当該アイテムのスコアｑ_ｉとしてよい。例えば、ｎ個のアイテムのうち３番目のアイテム３がユーザに４回提示され、うち２回選択されていた場合、スコア算出部１０２はスコアｑ_３として０．５を算出してよい。

これにより、スコア算出部１０２は、アイテムが過去に選択された実績をアイテムのスコアに反映させることができる。なお、「アイテムがユーザに提示された数」及び「提示の後にユーザに選択された数」における「ユーザ」は、情報処理装置１０を操作するユーザのみであってよく、または、他のユーザを含む複数のユーザを含んでもよい。

更に、スコア算出部１０２は、Ｕｐｐｅｒ Ｃｏｎｆｉｄｅｎｃｅ Ｂｏｕｎｄに基づくアイテムのスコアｑ_{（ＵＣＢ）ｉ}を算出してよい。例えば、スコア算出部１０２は、
ｑ_{（ＵＣＢ）ｉ}＝ｑ_ｉ＋（２ｌｏｇｍ／ｍ_ｉ）^１／２
により、スコアｑ_{（ＵＣＢ）ｉ}を算出する。なお、ｍ_ｉは当該アイテムを提示した回数を示し、ｍを全アイテムの提示回数の合計を示す。これにより、スコア算出部１０２は、提示された実績が少ないアイテムに対して高いスコアを与えることが可能となるので、アイテムが過去に選択された実績に加えて、アイテムが選択される将来の可能性をアイテムのスコアに反映させることができる。

ここで、あるアイテムｉについて選択された履歴が存在しない場合、スコア算出部１０２は、スコアｑ_ｉを予め定められた値、例えば非常に大きな数（一例として、スコア算出部１０２をJava（登録商標）により実装する場合はDouble.MAX_VALUEを用いてよく、Pythonにより実装する場合はnumpy.infを用いてよい）としてよい。スコア算出部１０２は、ｑ_ｉ又はｑ_{（ＵＣＢ）ｉ}のいずれかを選択部１０６に供給する。

次に、Ｓ１２０において、特徴ベクトル取得部１０４は、ｎ個のアイテムの特徴ベクトルを取得する。例えば、特徴ベクトル取得部１０４は、１≦ｉ≦ｎとなるｎ個のアイテムｉについて、商品又はサービスのカテゴリー、種類、生産者、生産地域、販売開始日、売れ行き、重さ、大きさ、価格、及び、色等の商品及びサービスの特徴をベクトルで表した特徴ベクトルΦ_ｉを取得する。特徴ベクトル取得部１０４は、取得したｎ個の特徴ベクトルを選択部１０６に供給する。

次に、Ｓ１３０において、選択部１０６は、一のアイテムと他のアイテムとの間の類似度を一のアイテムに対応する行及び他のアイテムに対応する列の成分とし、複数のアイテム間の類似度を示す行列Ｓを生成する。

例えば、まず、選択部１０６は、２以上のアイテムのそれぞれの特徴ベクトルに基づいて、２以上のアイテムの類似度を算出する。一例として、選択部１０６は、アイテムｉの特徴ベクトルΦ_ｉとアイテムｊの特徴ベクトルΦ_ｊから、数式（１）によりアイテムｉとアイテムｊの類似度Ｓ_ｉｊを算出する。なお、ｉ及びｊは、１≦ｉ、ｊ≦ｎを満たす自然数である。

…数式（１）
次に、選択部１０６は、類似度Ｓ_ｉｊをｉ行目ｊ列目の成分とするｎ×ｎの正方行列Ｓを生成する。

次に、Ｓ１４０において、選択部１０６は、ｎ個のアイテムのスコアｑ_ｉ及び特徴ベクトルΦ_ｉから行列Ｌを生成する。例えば、選択部１０６は、一のアイテムと他のアイテムに対応する行列Ｓの成分、一のアイテムのスコア、及び、他のアイテムのスコアを乗じた得た値に基づいて、一のアイテムに対応する行及び他のアイテムに対応する列の成分を有する行列Ｌを生成する。具体的には、選択部１０６は、ｉ番目及びｊ番目のアイテムのスコアｑ_ｉ、ｑ_ｊ、及び行列Ｓのｉ行目ｊ列目の成分Ｓ_ｉｊから、ｉ行目ｊ列目の成分Ｌ_ｉｊを数式（２）により算出してｎ×ｎの正方行列Ｌを生成する。

…数式（２）

次に、Ｓ１５０において、選択部１０６は、行列Ｌから固有ベクトルの集合Ｖを生成する。例えば、選択部１０６は、行列Ｌの固有ベクトル及び固有値をｎ個算出し、ｎ個の固有ベクトルのうちｋ個の固有ベクトルを選択する。一例として、選択部１０６は、ｎ個の固有ベクトルのうち対応する固有値が大きい固有ベクトルを優先的にｋ個選択することにより固有ベクトルの集合Ｖを生成する。ここで、ｋは２以上ｎ未満の自然数であり、情報処理装置１０がユーザに提示するアイテムの数と対応する。

次に、Ｓ１６０において、選択部１０６は、集合Ｖに基づいてｎ個のアイテムの中から１つのアイテムを選択する。例えば、選択部１０６は、ｎ個のアイテム中のｉ番目のアイテムに対して数式（３）に示す優先度Ｐ_ｉに対応する確率を割り当てて、当該割り当てた確率に基づいて１個のアイテムを選択する。ここで、選択部１０６は、１≦ｊ≦ｎを満たすｊ番目のアイテムを選択したものとする。

…数式（３）
なお、｜Ｖ｜は集合Ｖに含まれる固有ベクトルの数を示し、ｖ_ｍは集合Ｖに含まれるｍ番目の固有ベクトルを示し、ｉは１≦ｉ≦ｎの自然数であり、ｅ_ｉは第ｉ成分が１の単位ベクトルを示す。

次に、Ｓ１７０において、選択部１０６は、集合Ｖから１つの任意のベクトルを削除する。更に、選択部１０６は、残りのベクトルのそれぞれを、第ｊ成分が１の単位ベクトルｅ_ｊに直交する空間に射影して新しい集合Ｖとする。

例えば、選択部１０６は、削除されなかった残りの全てのベクトルｖに対して、ｖ'＝ｖ−（ｖ_ｊ／ｗ_ｊ）ｗを算出して新しいベクトルｖ'を取得し、複数の新しいベクトルからなる集合Ｖを形成する。なお、ｗは削除したベクトルであり、ｖ_ｊはベクトルｖのｊ番目の成分であり、ｗ_ｊは削除したベクトルｗのｊ番目の成分である。なお、Ｓ１７０において、ベクトルを削除した後に集合Ｖが空集合になった場合は、新しい集合Ｖを生成する処理を省略する。

次に、Ｓ１８０において、選択部１０６は、集合Ｖが空集合であるか否かを判断する。集合Ｖが空集合であると判断した場合は、選択部１０６は処理をＳ２００に進め、そうでない場合は処理をＳ１９０に進める。

Ｓ１９０において、選択部１０６は、新しい集合Ｖに含まれるベクトルを正規直交化する正規化処理を実行する。例えば、選択部１０６は、グラム・シュミット法等を用いて集合Ｖに含まれるベクトルを正規直交化し、正規直交化されたベクトルの組を新しい集合Ｖとする。その後、選択部１０６は処理をＳ１６０に進める。

このように、選択部１０６は、Ｓ１６０〜Ｓ１９０の処理を集合Ｖが空集合になるまで繰り返すことにより、集合Ｖに基づいてｎ個のアイテムの中からｋ個のアイテムをアイテムの組として選択する。

Ｓ２００において、情報処理装置１０は、ユーザに対して選択したアイテムを提示する。例えば、選択部１０６は、選択したアイテムの組を出力部１０８に供給し、出力部１０８は選択したアイテムの組に含まれる各アイテムを、ユーザに提示すべきアイテムとして出力する。一例として、出力部１０８は、ユーザの端末にアイテムの組に含まれるアイテムの情報を供給してよい。

ここで、出力部１０８は、アイテムの組に含まれるアイテムのうちスコアの大きいものを他のアイテムに優先して出力してよい。例えば、出力部１０８は、ユーザの端末に対して、選択したアイテムのうちスコアの大きい一部のアイテムをユーザの端末に供給してよい。

また、例えば、出力部１０８は、選択したアイテムにアイテムのスコアの情報を対応づけてユーザの端末に供給してよい。これに応じて、ユーザの端末は、スコアの大きいアイテムを他のアイテムよりも前面に表示し、又は、スコアの大きいアイテムを他のアイテムよりも大きく表示してよい。

このように情報処理装置１０によれば、複数のアイテムのスコア及び類似度に基づいて行列Ｌを生成し、行列Ｌに基づいて、アイテムの組を選択する。これにより、情報処理装置１０は、スコアが高く互いに類似しない複数のアイテムを他のアイテムよりも高い確率で選択し、これをユーザに推奨するアイテムの組として出力する。これにより、情報処理装置１０によれば、アイテムの選択にランダム性を持たせて同一のアイテムが毎回選択されることを防ぎつつ、多様性がありユーザが嗜好するアイテムの組をユーザに提示することができる。

ここで、情報処理装置１０は、Ｓ２００の後に、Ｓ２００で提示したアイテムからユーザが選択した結果を取得し、当該選択したアイテムに係る処理を実行してもよい。例えば、情報処理装置１０は、ユーザの端末からユーザが選択したアイテムを取得し、ユーザが選択したアイテムをユーザが購入する処理を実行してよい。また、情報処理装置１０は、ユーザに提示したアイテム及びユーザが選択したアイテムを記憶し、次回のＳ１１０の処理においてアイテムのスコアが更新されるようにしてもよい。

図３は、本実施形態におけるアイテムのスコアの一例を示す。図示するように、スコア算出部１０２は、Ｓ１１０において６個のアイテム１〜６についてのスコアｑ_１〜ｑ_６を算出する。

図４は、本実施形態におけるアイテムの特徴ベクトルの一例を示す。図示するように、特徴ベクトル取得部１０４は６個のアイテム１〜６についての特徴ベクトルを取得する。例えば、特徴ベクトル取得部１０４は、アイテムの価格、及び、重さを０〜１の実数値に正規化し、アイテムの色におけるＲＧＢの各成分をｂ〜１の実数値に正規化する。

この結果、特徴ベクトル取得部１０４は、アイテム１に対して特徴ベクトルΦ_１＝（１，０，１，ｂ，ｂ）を取得し、アイテム２に対して特徴ベクトルΦ_２＝（１，０，ｂ，１，ｂ）を取得し、アイテム３に対して特徴ベクトルΦ_３＝（１，０，ｂ，ｂ，１）を取得し、アイテム４に対して特徴ベクトルΦ_４＝（０，１，１，ｂ，ｂ）を取得し、アイテム５に対して特徴ベクトルΦ_５＝（０，１，ｂ，１，ｂ）を取得し、アイテム６に対して特徴ベクトルΦ_６＝（０，１，ｂ，ｂ，１）を取得する。

なお、特徴ベクトルの各成分には重みづけがされていてもよく、情報処理装置１０は、重みづけ係数をユーザからのフィードバックの結果により決定してよい。例えば、情報処理装置１０は、複数のアイテムをユーザに提示し、ユーザから複数のアイテム間の類似する度合を受け取り、当該類似する度合に応じて重みづけを決定してよい。一例として、情報処理装置は、ユーザから類似する度合が大きく／小さいと判断されたアイテム同士のＳ１３０の処理により計算される類似度が大きく／小さくなるように特徴ベクトルの重みづけを決定してよい。

また、情報処理装置１０は、重みづけ係数を、複数回処理を実行させた結果を参照して決定及び調整してよい。例えば、情報処理装置１０は、複数の異なるパターンの重みづけ係数でアイテムの特徴ベクトルを取得し、ユーザに提示した結果ユーザが提示されたアイテムを選択する可能性が高かったパターンの重みづけ係数を信頼性の高い値として最終的に採用してよい。

図５は、本実施形態の選択部１０６がＳ１３０において６個のアイテム１〜６に対して生成する行列Ｓの一例を示す。選択部１０６は、行列Ｓの各成分の値を、図４に示すアイテム１〜６の特徴ベクトルに基づいて算出する。例えば、選択部１０６は、ｂ＝０．５として、アイテム１の特徴ベクトルΦ_１（１，０，１，０．５，０．５）とアイテム５の特徴ベクトルΦ_５（０，１，１，０．５，１，０．５）からΦ_１ ^ＴΦ_５／｜Φ_１｜｜Φ_５｜を計算した１．２５／２．５＝０．５を、行列Ｓの１行目５列目の成分Ｓ_１５として得る。

行列Ｓは、各アイテム間の類似度を示す。例えば、行列Ｓの１行目３列目の成分Ｓ_１３は０．９であり、行列Ｓの１行目５列目の成分Ｓ_１５は０．５である。これは、アイテム１の色違い製品であるアイテム３は、他のアイテム５よりもアイテム１に類似していることを示す。

図６は、本実施形態の選択部１０６がＳ１４０において６個のアイテム１〜６に対して生成する行列Ｌの一例を示す。選択部１０６は、行列Ｓの各成分に対して成分に対応する２個のアイテムのスコアを乗じて行列Ｌを得る。例えば、選択部１０６は、アイテム１のスコアｑ_１＝０．９、アイテム５のスコアｑ_５＝０．８、及び、図５に示す行列Ｓの成分Ｓ_１５＝０．５を乗じて、０．３６を行列Ｌの１行目５列目の成分Ｌ_１５の値として得る。

図７は、本実施形態の第１変形例における情報処理装置１０の処理フローを示す。本変形例においては、情報処理装置１０は、Ｓ２１０〜Ｓ２９０の処理を実行し、行列Ｌの代わりに行列Ｃを用いてアイテムの組を選択する。本変形例では図２に示す方法とは異なる態様でＤＰＰを用いる。

情報処理装置１０は、Ｓ２１０及びＳ２２０の処理をＳ１１０及びＳ１２０と同様に実行してよい。

Ｓ２３０において、選択部１０６は、１≦ｍ≦ｎを満たすｎ個のアイテムのスコアｑ_ｍ及び特徴ベクトルΦ_ｍから数式（４）に基づいて、ｉ行目ｊ列目の（ｉ，ｊ）成分としてＣ_ｉｊを有するｄ×ｄの正方行列Ｃを生成する。

…数式（４）
ここで、ｄは特徴ベクトルΦ_ｍの次元、すなわち特徴の数とする。図４に示す形態においてｄ＝５となる。１≦ｉ、ｊ≦ｄを満たし、Φ_ｍｉ及びΦ_ｍｊはそれぞれ特徴ベクトルΦ_ｍのｉ番目及びｊ番目の成分を示す。

次に、Ｓ２４０において、選択部１０６は、行列Ｃから固有ベクトルの集合Ｖを生成する。例えば、選択部１０６は、行列Ｃの固有ベクトル及び固有値をｎ個算出し、ｎ個の固有ベクトルのうちｋ個の固有ベクトルを選択する。一例として、選択部１０６は、ｎ個の固有ベクトルのうち対応する固有値が大きい固有ベクトルを優先的にｋ個選択することにより固有ベクトルの集合Ｖを生成する。ここで、ｋは、情報処理装置１０が提示するアイテムの数に対応する２以上ｎ未満の自然数である。

次に、Ｓ２５０において、選択部１０６は、集合Ｖに基づいてｎ個のアイテムの中から１つのアイテムを選択する。例えば、選択部１０６は、ｎ個のアイテム中のｉ番目のアイテムに対して数式（５）に示す優先度Ｐ_ｉに対応する確率を割り当てて、当該割り当てた確率に基づいて１個のアイテムを選択する。ここで、選択部１０６は、１≦ｊ≦ｎを満たすｊ番目のアイテムを選択したものとする。

…数式（５）
なお、ｉは１≦ｉ≦ｎの自然数であり、｜Ｖ｜は集合Ｖに含まれる固有ベクトルの数を示し、ｖ_ｎは集合Ｖに含まれるｎ番目の固有ベクトルを示す。

次に、Ｓ２６０において、選択部１０６は、集合Ｖから任意の１つのベクトルｗを削除する。更に、選択部１０６は、残りのベクトルｖのそれぞれを数式（６）に基づいてベクトルｖ'に更新して新しい集合Ｖとする。なお、ベクトルを削除した後に集合Ｖが空集合になった場合は、新しい集合Ｖを生成する処理を省略する。

…数式（６）

次に、Ｓ２７０において、選択部１０６は、集合Ｖが空集合であるか否かを判断する。集合Ｖが空集合であると判断した場合は、選択部１０６は処理をＳ２９０に進め、そうでない場合は処理をＳ２８０に進める。

Ｓ２８０において、選択部１０６は、新しい集合Ｖに含まれるベクトルを正規直交化する正規化処理を実行する。例えば、選択部１０６は、グラム・シュミット法等を用いて集合Ｖに含まれるベクトルを正規直交化し、正規直交化されたベクトルの組を新しい集合Ｖとする。ここで、選択部１０６は、グラム・シュミット法による正規直交化を実行するときに、集合Ｖから選択された任意の要素のベクトルｖ，ｗがｖ^Ｔｖ＝１及びｖ^Ｔｗ＝０を満たすように集合Ｖの要素のベクトルを変換する代わりに、集合Ｖの要素のベクトルｖ，ｗがｖ^ＴＣｖ＝１及びｖ^ＴＣｗ＝０を満たすように集合Ｖの要素のベクトルを変換する。例えば、選択部１０６は、通常のグラム・シュミット法でｖ^Ｔｗを計算する部分を全てｖ^ＴＣｗに置き換えることにより、当該処理を実行してよい。その後、選択部１０６は処理をＳ２５０に進める。

このように、選択部１０６は、Ｓ２５０〜Ｓ２８０の処理を集合Ｖが空集合になるまで繰り返すことにより、集合Ｖに基づいてｎ個のアイテムの中からｋ個のアイテムをアイテムの組として選択する。

Ｓ２９０において、情報処理装置１０は、Ｓ２００と同様の処理を実行する。

このように情報処理装置１０によれば、複数のアイテムのスコア及び特徴ベクトルに基づいて行列Ｃを生成し、行列Ｃに基づいてアイテムの組を選択する。これにより、情報処理装置１０によれば、アイテムの選択にランダム性を持たせて同一のアイテムが毎回選択されることを防ぎつつ、多様性がありユーザが嗜好するアイテムの組をユーザに提示することができる。

図８は、本実施形態の第１変形例における情報処理装置１０の処理フローを示す。本変形例においては、情報処理装置１０は、Ｓ３１０〜Ｓ３５０の処理を実行してｎ個のアイテムの集合から２個のアイテムを含むアイテムの組を選択する。

情報処理装置１０は、Ｓ３１０及びＳ３２０の処理をＳ１１０及びＳ１２０と同様に実行してよい。

Ｓ３３０において、選択部１０６は、ｎ個のアイテムのスコアｑ_ｉ及び特徴ベクトルΦ_ｉから行列Ｍを生成する。

まず、選択部１０６は、Ｓ１３０と同様にｎ個のアイテムのスコアｑ_ｉ及び特徴ベクトルΦ_ｉから行列Ｓを生成する。次に、選択部１０６は、ｎ個のアイテムのスコアｑ_ｉ及び行列Ｓのｉ行目ｊ列目の成分Ｓ_ｉｊから、ｉ行目ｊ列目の成分Ｍ_ｉｊを数式（７）により算出してｎ×ｎの正方行列Ｍを生成する。

…数式（７）
ここで、ｎは３以上の自然数であり、１≦ｉ、ｊ≦ｎを満たし、行列Ｓ［ａ，ｂ；ｃ，ｄ］は行列Ｓのａ及びｂ行目とｃ及びｄ列目を抽出した部分行列を示し、ｄｅｔ（Ｓ）は行列Ｓの行列式を示す。

次に、Ｓ３４０において、選択部１０６は、行列Ｍのうち成分Ｍ_ｉｊが大きさに応じてｉ番目及びｊ番目のアイテムをアイテムの組のとして選択する。例えば、選択部１０６は、行列Ｍの最も大きい成分である成分Ｍ_ｉｊからｉ番目及びｊ番目のアイテムを選択してよい。また、例えば、選択部１０６は、成分Ｍ_ｉｊの大きさに応じた確率でｉ番目及びｊ番目のアイテムを選択してよい。

Ｓ３５０において、情報処理装置１０は、Ｓ２００と同様の処理を実行する。

このように情報処理装置１０によれば、複数のアイテムのスコア及び特徴ベクトルに基づいて行列Ｍを生成し、行列Ｍに基づいてアイテムの組を選択する。これにより、情報処理装置１０によれば、アイテムの選択にランダム性を持たせて同一のアイテムが毎回選択されることを防ぎつつ、多様性がありユーザが嗜好するアイテムの組をユーザに提示することができる。

図９は、Ｓ３３０において本実施形態の選択部１０６が６個のアイテム１〜６に対して生成する行列Ｍの一例を示す。選択部１０６は、行列Ｓの部分行列の行列式の成分に対して、各成分に対応する２個のアイテムのスコアを乗じて行列Ｍを得る。例えば、選択部１０６は、図５に示す行列Ｓのうちアイテム２とアイテム３に対応する部分行列Ｓ［２，３；２，３］の行列式を１×１−０．９×０．９＝０．１９と算出する。次に、選択部１０６は、算出した値０．１９に、アイテム２のスコア０．７の２乗及びアイテム３のスコア０．９の２乗を乗じて０．０７５を算出し、これを行列Ｍの２行目３列目の成分Ｍ_２＿３とする。

本実施形態及び変形例では、情報処理装置１０がユーザ端末に選択したアイテムの情報を供給するサーバコンピュータである場合について説明した。これに代えて、情報処理装置１０は、ラップトップコンピュータ、デスクトップコンピュータ、携帯情報端末、又は、携帯電話端末等から選択されるユーザ端末であってよい。この場合、情報処理装置１０の出力部１０８は、表示画面等に選択したアイテムの組に関する情報を表示してよい。

図１０は、情報処理装置１０として機能するコンピュータ１９００のハードウェア構成の一例を示す。本実施形態に係るコンピュータ１９００は、ホスト・コントローラ２０８２により相互に接続されるＣＰＵ２０００、ＲＡＭ２０２０、グラフィック・コントローラ２０７５、及び表示装置２０８０を有するＣＰＵ周辺部と、入出力コントローラ２０８４によりホスト・コントローラ２０８２に接続される通信インターフェイス２０３０、ハードディスクドライブ２０４０、及びＣＤ−ＲＯＭドライブ２０６０を有する入出力部と、入出力コントローラ２０８４に接続されるＲＯＭ２０１０、フレキシブルディスク・ドライブ２０５０、及び入出力チップ２０７０を有するレガシー入出力部を備える。

ホスト・コントローラ２０８２は、ＲＡＭ２０２０と、高い転送レートでＲＡＭ２０２０をアクセスするＣＰＵ２０００及びグラフィック・コントローラ２０７５とを接続する。ＣＰＵ２０００は、ＲＯＭ２０１０及びＲＡＭ２０２０に格納されたプログラムに基づいて動作し、各部の制御を行う。

グラフィック・コントローラ２０７５は、ＣＰＵ２０００等がＲＡＭ２０２０内に設けたフレーム・バッファ上に生成する画像データを表示部１１４から取得し、表示装置２０８０上に表示させる。これに代えて、グラフィック・コントローラ２０７５は、ＣＰＵ２０００等が生成する画像データを格納するフレーム・バッファを、内部に含んでもよい。

入出力コントローラ２０８４は、ホスト・コントローラ２０８２と、比較的高速な入出力装置である通信インターフェイス２０３０、ハードディスクドライブ２０４０、ＣＤ−ＲＯＭドライブ２０６０を接続する。通信インターフェイス２０３０は、有線又は無線によりネットワークを介して他の装置と通信する。

また、通信インターフェイスは、情報処理装置１０における通信を行うハードウェアとして機能する。ハードディスクドライブ２０４０は、コンピュータ１９００内のＣＰＵ２０００が使用するプログラム及びデータを格納する。ＣＤ−ＲＯＭドライブ２０６０は、ＣＤ−ＲＯＭ２０９５からプログラム又はデータを読み取り、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。

また、入出力コントローラ２０８４には、ＲＯＭ２０１０と、フレキシブルディスク・ドライブ２０５０、及び入出力チップ２０７０の比較的低速な入出力装置とが接続される。ＲＯＭ２０１０は、コンピュータ１９００が起動時に実行するブート・プログラム、及び／又は、コンピュータ１９００のハードウェアに依存するプログラム等を格納する。

フレキシブルディスク・ドライブ２０５０は、フレキシブルディスク２０９０からプログラム又はデータを読み取り、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。入出力チップ２０７０は、フレキシブルディスク・ドライブ２０５０を入出力コントローラ２０８４へと接続するとともに、例えばパラレル・ポート、シリアル・ポート、キーボード・ポート、マウス・ポート等を介して各種の入出力装置を入出力コントローラ２０８４へと接続する。

ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供されるプログラムは、フレキシブルディスク２０９０、ＣＤ−ＲＯＭ２０９５、又はＩＣカード等の記録媒体に格納されて利用者によって提供される。プログラムは、記録媒体から読み出され、ＲＡＭ２０２０を介してコンピュータ１９００内のハードディスクドライブ２０４０にインストールされ、ＣＰＵ２０００において実行される。

コンピュータ１９００にインストールされ、コンピュータ１９００を情報処理装置１０として機能させるプログラムは、スコア算出モジュールと、特徴ベクトル取得モジュールと、選択モジュールと、出力モジュールとを備える。これらのプログラム又はモジュールは、ＣＰＵ２０００等に働きかけて、コンピュータ１９００を、スコア算出部１０２と、特徴ベクトル取得部１０４と、選択部１０６と、出力部１０８としてそれぞれ機能させてよい。

これらのプログラムに記述された情報処理は、コンピュータ１９００に読込まれることにより、ソフトウェアと上述した各種のハードウェア資源とが協働した具体的手段であるスコア算出部１０２と、特徴ベクトル取得部１０４と、選択部１０６と、出力部１０８として機能する。そして、これらの具体的手段によって、本実施形態におけるコンピュータ１９００の使用目的に応じた情報の演算又は加工を実現することにより、使用目的に応じた特有の情報処理装置１０が構築される。

一例として、コンピュータ１９００と外部の装置等との間で通信を行う場合には、ＣＰＵ２０００は、ＲＡＭ２０２０上にロードされた通信プログラムを実行し、通信プログラムに記述された処理内容に基づいて、通信インターフェイス２０３０に対して通信処理を指示する。

通信インターフェイス２０３０は、ＣＰＵ２０００の制御を受けて、ＲＡＭ２０２０、ハードディスクドライブ２０４０、フレキシブルディスク２０９０、又はＣＤ−ＲＯＭ２０９５等の記憶装置上に設けた送信バッファ領域等に記憶された送信データを読み出してネットワークへと送信し、もしくは、ネットワークから受信した受信データを記憶装置上に設けた受信バッファ領域等へと書き込む。

このように、通信インターフェイス２０３０は、ＤＭＡ（ダイレクト・メモリ・アクセス）方式により記憶装置との間で送受信データを転送してもよく、これに代えて、ＣＰＵ２０００が転送元の記憶装置又は通信インターフェイス２０３０からデータを読み出し、転送先の通信インターフェイス２０３０又は記憶装置へとデータを書き込むことにより送受信データを転送してもよい。

また、ＣＰＵ２０００は、ハードディスクドライブ２０４０、ＣＤ−ＲＯＭドライブ２０６０（ＣＤ−ＲＯＭ２０９５）、フレキシブルディスク・ドライブ２０５０（フレキシブルディスク２０９０）等の外部記憶装置に格納されたファイルまたはデータベース等の中から、全部または必要な部分をＤＭＡ転送等によりＲＡＭ２０２０へと読み込ませ、ＲＡＭ２０２０上のデータに対して各種の処理を行う。

そして、ＣＰＵ２０００は、処理を終えたデータを、ＤＭＡ転送等により外部記憶装置へと書き戻す。このような処理において、ＲＡＭ２０２０は、外部記憶装置の内容を一時的に保持するものとみなせるから、本実施形態においてはＲＡＭ２０２０及び外部記憶装置等をメモリ、記憶部、または記憶装置等と総称する。

本実施形態における各種のプログラム、データ、テーブル、データベース等の各種の情報は、このような記憶装置上に格納されて、情報処理の対象となる。なお、ＣＰＵ２０００は、ＲＡＭ２０２０の一部をキャッシュメモリに保持し、キャッシュメモリ上で読み書きを行うこともできる。このような形態においても、キャッシュメモリはＲＡＭ２０２０の機能の一部を担うから、本実施形態においては、区別して示す場合を除き、キャッシュメモリもＲＡＭ２０２０、メモリ、及び／又は記憶装置に含まれるものとする。

また、ＣＰＵ２０００は、ＲＡＭ２０２０から読み出したデータに対して、プログラムの命令列により指定された、本実施形態中に記載した各種の演算、情報の加工、条件判断、情報の検索・置換等を含む各種の処理を行い、ＲＡＭ２０２０へと書き戻す。例えば、ＣＰＵ２０００は、条件判断を行う場合においては、本実施形態において示した各種の変数が、他の変数または定数と比較して、大きい、小さい、以上、以下、等しい等の条件を満たすか否かを判断し、条件が成立した場合（又は不成立であった場合）に、異なる命令列へと分岐し、またはサブルーチンを呼び出す。

また、ＣＰＵ２０００は、記憶装置内のファイルまたはデータベース等に格納された情報を検索することができる。例えば、第１属性の属性値に対し第２属性の属性値がそれぞれ対応付けられた複数のエントリが記憶装置に格納されている場合において、ＣＰＵ２０００は、記憶装置に格納されている複数のエントリの中から第１属性の属性値が指定された条件と一致するエントリを検索し、そのエントリに格納されている第２属性の属性値を読み出すことにより、所定の条件を満たす第１属性に対応付けられた第２属性の属性値を得ることができる。

以上に示したプログラム又はモジュールは、外部の記録媒体に格納されてもよい。記録媒体としては、フレキシブルディスク２０９０、ＣＤ−ＲＯＭ２０９５の他に、ＤＶＤ又はＣＤ等の光学記録媒体、ＭＯ等の光磁気記録媒体、テープ媒体、ＩＣカード等の半導体メモリ等を用いることができる。また、専用通信ネットワーク又はインターネットに接続されたサーバシステムに設けたハードディスク又はＲＡＭ等の記憶装置を記録媒体として使用し、ネットワークを介してプログラムをコンピュータ１９００に提供してもよい。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

１０ 情報処理装置、１０２ スコア算出部、１０４ 特徴ベクトル取得部、１０６ 選択部、１０８ 出力部、１９００ コンピュータ、２０００ ＣＰＵ、２０１０ ＲＯＭ、２０２０ ＲＡＭ、２０３０ 通信インターフェイス、２０４０ ハードディスクドライブ、２０５０ フレキシブルディスク・ドライブ、２０６０ ＣＤ−ＲＯＭドライブ、２０７０ 入出力チップ、２０７５ グラフィック・コントローラ、２０８０ 表示装置、２０８２ ホスト・コントローラ、２０８４ 入出力コントローラ、２０９０ フレキシブルディスク、２０９５ ＣＤ−ＲＯＭ

Claims (16)

1. 複数のアイテムの中からユーザに推奨するアイテムの組を選択する情報処理装置であって、
   前記複数のアイテムのそれぞれについて、アイテム自体のスコアが高い場合に高く、他に選択されるアイテムに対する類似度が高い場合に低くなる優先度を算出し、前記優先度に基づいて、前記複数のアイテムの中から前記アイテムの組を選択する選択部と、
   選択した前記アイテムの組に含まれる各アイテムを、前記ユーザに提示すべきアイテムとして出力する出力部と、
   前記複数のアイテムのそれぞれについて、前記アイテムの特徴を表す特徴ベクトルを取得する特徴ベクトル取得部と、
   を備え、
   前記選択部は、
   ２以上のアイテムのそれぞれの前記特徴ベクトルに基づいて、２以上のアイテムの類似度を算出し、
   一のアイテムと他のアイテムとの間の前記類似度を前記一のアイテムに対応する行及び前記他のアイテムに対応する列の成分とする行列Ｓを生成し、
   ｎ個の前記アイテムの前記スコア及び前記特徴ベクトルから下記数式（１）及び（２）に基づいて行列Ｌを生成し、
   前記行列Ｌの固有ベクトル及び固有値を算出し、
   前記行列Ｌの固有ベクトルのうち対応する固有値が大きい固有ベクトルを優先的にｋ個選択することにより固有ベクトルの集合Ｖを生成し、
   前記集合Ｖに基づいて、前記ｎ個のアイテムの中から前記アイテムの組として前記ｋ個の前記アイテムを選択する、
   

   

   …数式（１）
   

   

   …数式（２）
   （ただし、ｎは３以上の自然数、ｋは２以上ｎ未満の自然数であり、１≦ｉ、ｊ≦ｎを満たし、ｑ_ｉはｉ番目のアイテムのスコアを示し、Φ_ｉはｉ番目のアイテムの特徴ベクトルを示し、Ｌ_ｉｊ及びＳ_ｉｊは、それぞれ行列Ｌ及び行列Ｓの（ｉ，ｊ）成分を示す）
   情報処理装置。
2. 前記ユーザが過去にアイテムを選択した履歴に基づいて各アイテムのスコアを算出するスコア算出部を更に備える、
   請求項１に記載の情報処理装置。
3. 前記スコア算出部は、Ｕｐｐｅｒ Ｃｏｎｆｉｄｅｎｃｅ Ｂｏｕｎｄに基づいて前記スコアを算出する、
   請求項２に記載の情報処理装置。
4. 前記スコア算出部は、アイテムの提示したことに応じて当該アイテムが選択された割合に基づいて前記スコアを算出する、
   請求項２に記載の情報処理装置。
5. 前記選択部は、
   前記ｎ個のアイテム中のｉ番目のアイテムに対して数式（３）に示す優先度Ｐ_ｉに対応する確率を割り当てて、当該割り当てた確率に基づいて１個のｊ番目のアイテムを選択する選択処理と、
   前記集合Ｖから任意の１つのベクトルを削除し、残りのベクトルのそれぞれを、第ｊ成分が１の単位ベクトルｅ_ｊに直交する空間に射影して新しい集合Ｖとする集合生成処理と、
   前記集合Ｖに含まれるベクトルを正規直交化する正規化処理と、
   を前記集合Ｖが空集合になるまで繰り返すことにより前記ｋ個のアイテムを選択する、
   請求項１から４のいずれか１項に記載の情報処理装置。
   

   

   …数式（３）
   ただし、ｉは１≦ｉ≦ｎの自然数であり、｜Ｖ｜は前記集合Ｖに含まれるベクトルの数を示し、ｖ_ｍは前記集合Ｖに含まれるｍ番目のベクトルを示し、ｅ_ｉは、第ｉ成分が１の単位ベクトルを示す。
6. 複数のアイテムの中からユーザに推奨するアイテムの組を選択する情報処理装置であって、
   前記複数のアイテムのそれぞれについて、アイテム自体のスコアが高い場合に高く、他に選択されるアイテムに対する類似度が高い場合に低くなる優先度を算出し、前記優先度に基づいて、前記複数のアイテムの中から前記アイテムの組を選択する選択部と、
   選択した前記アイテムの組に含まれる各アイテムを、前記ユーザに提示すべきアイテムとして出力する出力部と、
   前記複数のアイテムのそれぞれについて、前記アイテムの特徴を表す特徴ベクトルを取得する特徴ベクトル取得部と、
   を備え、
   前記選択部は、
   ２以上のアイテムのそれぞれの前記特徴ベクトルに基づいて、２以上のアイテムの類似度を算出し、
   ｎ個の前記アイテムの前記スコア及び前記特徴ベクトルから数式（４）に基づいて行列Ｃを生成し、
   前記行列Ｃの固有ベクトル及び固有値を算出し、
   前記行列Ｃの固有ベクトルのうち対応する固有値が大きい固有ベクトルを優先的にｋ個選択することにより固有ベクトルの集合Ｖを生成し、
   前記集合Ｖに基づいて、前記ｎ個のアイテムの中から前記アイテムの組として前記ｋ個の前記アイテムを選択する、
   情報処理装置。
   

   

   …数式（４）
   ただし、行列Ｃはｄ×ｄの正方行列であり、ｄは前記特徴ベクトルの成分数であり、ｎは３以上の自然数であり、ｋは２以上ｎ未満の自然数であり、１≦ｉ、ｊ≦ｄを満たし、ｑ_ｉはｉ番目のアイテムのスコアを示し、Φ_ｉはｉ番目のアイテムの特徴ベクトルを示し、Ｃ_ｉｊはそれぞれ行列Ｃの（ｉ，ｊ）成分を示し、Φ_ｍｉ及びΦ_ｍｊはそれぞれ特徴ベクトルΦ_ｍのｉ番目及びｊ番目の成分を示す。
7. 前記選択部は、
   前記ｎ個のアイテムに対して数式（５）に示す優先度Ｐ_ｉに対応する確率を割り当てて、当該割り当てた確率に基づいて１個のｊ番目のアイテムを選択する選択処理と、
   前記集合Ｖから任意の１つのベクトルｗを削除し、残りのベクトルｖのそれぞれを数式（６）に基づいてｖ'に更新して新しい集合Ｖとする集合生成処理と、
   前記集合Ｖに含まれるベクトルを正規直交化する正規化処理と、
   を前記集合Ｖが空集合になるまで繰り返すことにより前記ｋ個のアイテムを選択する、
   請求項６に記載の情報処理装置。
   

   

   …数式（５）
   

   

   …数式（６）
   ただし、ｉは１≦ｉ≦ｎの自然数であり、｜Ｖ｜は前記集合Ｖに含まれるベクトルの数を示し、ｖ_ｎは前記集合Ｖに含まれるｎ番目のベクトルを示す。
8. 複数のアイテムの中からユーザに推奨するアイテムの組を選択する情報処理装置であって、
   前記複数のアイテムのそれぞれについて、アイテム自体のスコアが高い場合に高く、他に選択されるアイテムに対する類似度が高い場合に低くなる優先度を算出し、前記優先度に基づいて、前記複数のアイテムの中から前記アイテムの組を選択する選択部と、
   選択した前記アイテムの組に含まれる各アイテムを、前記ユーザに提示すべきアイテムとして出力する出力部と、
   前記複数のアイテムのそれぞれについて、前記アイテムの特徴を表す特徴ベクトルを取得する特徴ベクトル取得部と、
   を備え、
   前記選択部は、
   ２以上のアイテムのそれぞれの前記特徴ベクトルに基づいて、２以上のアイテムの類似度を算出し、
   ｎ個の前記アイテムの前記スコア及び前記特徴ベクトルから数式（７）及び数式（８）に基づいて行列Ｍを生成し、
   前記行列Ｍに基づいて、前記ｎ個の前記アイテムの中から前記アイテムの組としてｋ個の前記アイテムを選択する、
   情報処理装置。
   

   

   …数式（７）
   

   

   …数式（８）
   ただし、ｎは３以上の自然数であり、ｋは２以上ｎ未満の自然数であり、１≦ｉ、ｊ≦ｎを満たし、ｑ_ｉはｉ番目のアイテムのスコアを示し、Φ_ｉはｉ番目のアイテムの特徴ベクトルを示し、Ｍ_ｉｊ及びＳ_ｉｊはそれぞれ行列Ｍ及び行列Ｓの（ｉ，ｊ）成分を示し、行列Ｓ［ａ，ｂ；ｃ，ｄ］は行列Ｓのａ及びｂ行目とｃ及びｄ列目を抽出した部分行列を示す。
9. 前記選択部は、
   行列Ｍの成分Ｍ_ｉｊの大きさに応じて、ｉ番目及びｊ番目のアイテムをアイテムの組として選択する、
   請求項８に記載の情報処理装置。
10. 前記出力部は、前記アイテムの組に含まれる前記アイテムのうち前記スコアの大きいものを他のアイテムに優先して出力する、
    請求項１から９のいずれか１項に記載の情報処理装置。
11. コンピュータにより複数のアイテムの中からユーザに推奨するアイテムの組を選択する情報処理方法であって、
    前記複数のアイテムのそれぞれについて、アイテム自体のスコアが高い場合に高く、他に選択されるアイテムに対する類似度が高い場合に低くなる優先度を算出し、前記優先度に基づいて、前記複数のアイテムの中から前記アイテムの組を選択する選択段階と、
    選択した前記アイテムの組に含まれる各アイテムを、前記ユーザに提示すべきアイテムとして出力する出力段階と、
    前記複数のアイテムのそれぞれについて、前記アイテムの特徴を表す特徴ベクトルを取得する特徴ベクトル取得段階と、
    を備え、
    前記選択段階は、
    ２以上のアイテムのそれぞれの前記特徴ベクトルに基づいて、２以上のアイテムの類似度を算出する段階、
    一のアイテムと他のアイテムとの間の前記類似度を前記一のアイテムに対応する行及び前記他のアイテムに対応する列の成分とする行列Ｓを生成する段階、
    ｎ個の前記アイテムの前記スコア及び前記特徴ベクトルから下記数式（１）及び（２）に基づいて行列Ｌを生成する段階、
    前記行列Ｌの固有ベクトル及び固有値を算出する段階、
    前記行列Ｌの固有ベクトルのうち対応する固有値が大きい固有ベクトルを優先的にｋ個選択することにより固有ベクトルの集合Ｖを生成する段階、及び、
    前記集合Ｖに基づいて、前記ｎ個のアイテムの中から前記アイテムの組として前記ｋ個の前記アイテムを選択する段階、
    

    

    …数式（１）
    

    

    …数式（２）
    （ただし、ｎは３以上の自然数、ｋは２以上ｎ未満の自然数であり、１≦ｉ、ｊ≦ｎを満たし、ｑ_ｉはｉ番目のアイテムのスコアを示し、Φ_ｉはｉ番目のアイテムの特徴ベクトルを示し、Ｌ_ｉｊ及びＳ_ｉｊは、それぞれ行列Ｌ及び行列Ｓの（ｉ，ｊ）成分を示す）
    を有する情報処理方法。
12. コンピュータにより複数のアイテムの中からユーザに推奨するアイテムの組を選択する情報処理方法であって、
    前記複数のアイテムのそれぞれについて、アイテム自体のスコアが高い場合に高く、他に選択されるアイテムに対する類似度が高い場合に低くなる優先度を算出し、前記優先度に基づいて、前記複数のアイテムの中から前記アイテムの組を選択する選択段階と、
    選択した前記アイテムの組に含まれる各アイテムを、前記ユーザに提示すべきアイテムとして出力する出力段階と、
    前記複数のアイテムのそれぞれについて、前記アイテムの特徴を表す特徴ベクトルを取得する特徴ベクトル取得段階と、
    を備え、
    前記選択段階は、
    ２以上のアイテムのそれぞれの前記特徴ベクトルに基づいて、２以上のアイテムの類似度を算出する段階、
    ｎ個の前記アイテムの前記スコア及び前記特徴ベクトルから数式（４）に基づいて行列Ｃを生成する段階、
    前記行列Ｃの固有ベクトル及び固有値を算出する段階、
    前記行列Ｃの固有ベクトルのうち対応する固有値が大きい固有ベクトルを優先的にｋ個選択することにより固有ベクトルの集合Ｖを生成する段階、及び、
    前記集合Ｖに基づいて、前記ｎ個のアイテムの中から前記アイテムの組として前記ｋ個の前記アイテムを選択する段階、
    を有する情報処理方法。
    

    

    …数式（４）
    ただし、行列Ｃはｄ×ｄの正方行列であり、ｄは前記特徴ベクトルの成分数であり、ｎは３以上の自然数であり、ｋは２以上ｎ未満の自然数であり、１≦ｉ、ｊ≦ｄを満たし、ｑ _ｉ はｉ番目のアイテムのスコアを示し、Φ _ｉ はｉ番目のアイテムの特徴ベクトルを示し、Ｃ _ｉｊ はそれぞれ行列Ｃの（ｉ，ｊ）成分を示し、Φ _ｍｉ 及びΦ _ｍｊ はそれぞれ特徴ベクトルΦ _ｍ のｉ番目及びｊ番目の成分を示す。
13. コンピュータにより複数のアイテムの中からユーザに推奨するアイテムの組を選択する情報処理方法であって、
    前記複数のアイテムのそれぞれについて、アイテム自体のスコアが高い場合に高く、他に選択されるアイテムに対する類似度が高い場合に低くなる優先度を算出し、前記優先度に基づいて、前記複数のアイテムの中から前記アイテムの組を選択する選択段階と、
    選択した前記アイテムの組に含まれる各アイテムを、前記ユーザに提示すべきアイテムとして出力する出力段階と、
    前記複数のアイテムのそれぞれについて、前記アイテムの特徴を表す特徴ベクトルを取得する特徴ベクトル取得段階と、
    を備え、
    前記選択段階は、
    ２以上のアイテムのそれぞれの前記特徴ベクトルに基づいて、２以上のアイテムの類似度を算出する段階、
    ｎ個の前記アイテムの前記スコア及び前記特徴ベクトルから数式（７）及び数式（８）に基づいて行列Ｍを生成する段階、及び
    前記行列Ｍに基づいて、前記ｎ個の前記アイテムの中から前記アイテムの組としてｋ個の前記アイテムを選択する段階、
    を有する情報処理方法。
    

    

    …数式（７）
    

    

    …数式（８）
    ただし、ｎは３以上の自然数であり、ｋは２以上ｎ未満の自然数であり、１≦ｉ、ｊ≦ｎを満たし、ｑ _ｉ はｉ番目のアイテムのスコアを示し、Φ _ｉ はｉ番目のアイテムの特徴ベクトルを示し、Ｍ _ｉｊ 及びＳ _ｉｊ はそれぞれ行列Ｍ及び行列Ｓの（ｉ，ｊ）成分を示し、行列Ｓ［ａ，ｂ；ｃ，ｄ］は行列Ｓのａ及びｂ行目とｃ及びｄ列目を抽出した部分行列を示す。
14. コンピュータを複数のアイテムの中からユーザに推奨するアイテムの組を選択する情報処理装置として機能させるプログラムであって、
    当該プログラムは、前記コンピュータを、
    前記複数のアイテムのそれぞれについて、アイテム自体のスコアが高い場合に高く、他に選択されるアイテムに対する類似度が高い場合に低くなる優先度を算出し、前記優先度に基づいて、前記複数のアイテムの中から前記アイテムの組を選択する選択部と、
    選択した前記アイテムの組に含まれる各アイテムを、前記ユーザに提示すべきアイテムとして出力する出力部と、
    前記複数のアイテムのそれぞれについて、前記アイテムの特徴を表す特徴ベクトルを取得する特徴ベクトル取得部と、
    して機能させ、
    前記選択部は、
    ２以上のアイテムのそれぞれの前記特徴ベクトルに基づいて、２以上のアイテムの類似度を算出し、
    一のアイテムと他のアイテムとの間の前記類似度を前記一のアイテムに対応する行及び前記他のアイテムに対応する列の成分とする行列Ｓを生成し、
    ｎ個の前記アイテムの前記スコア及び前記特徴ベクトルから下記数式（１）及び（２）に基づいて行列Ｌを生成し、
    前記行列Ｌの固有ベクトル及び固有値を算出し、
    前記行列Ｌの固有ベクトルのうち対応する固有値が大きい固有ベクトルを優先的にｋ個選択することにより固有ベクトルの集合Ｖを生成し、
    前記集合Ｖに基づいて、前記ｎ個のアイテムの中から前記アイテムの組として前記ｋ個の前記アイテムを選択する、
    

    

    …数式（１）
    

    

    …数式（２）
    （ただし、ｎは３以上の自然数、ｋは２以上ｎ未満の自然数であり、１≦ｉ、ｊ≦ｎを満たし、ｑ_ｉはｉ番目のアイテムのスコアを示し、Φ_ｉはｉ番目のアイテムの特徴ベクトルを示し、Ｌ_ｉｊ及びＳ_ｉｊは、それぞれ行列Ｌ及び行列Ｓの（ｉ，ｊ）成分を示す）
    プログラム。
15. コンピュータを複数のアイテムの中からユーザに推奨するアイテムの組を選択する情報処理装置として機能させるプログラムであって、
    当該プログラムは、前記コンピュータを、
    前記複数のアイテムのそれぞれについて、アイテム自体のスコアが高い場合に高く、他に選択されるアイテムに対する類似度が高い場合に低くなる優先度を算出し、前記優先度に基づいて、前記複数のアイテムの中から前記アイテムの組を選択する選択部と、
    選択した前記アイテムの組に含まれる各アイテムを、前記ユーザに提示すべきアイテムとして出力する出力部と、
    前記複数のアイテムのそれぞれについて、前記アイテムの特徴を表す特徴ベクトルを取得する特徴ベクトル取得部と、
    して機能させ、
    前記選択部は、
    ２以上のアイテムのそれぞれの前記特徴ベクトルに基づいて、２以上のアイテムの類似度を算出し、
    ｎ個の前記アイテムの前記スコア及び前記特徴ベクトルから数式（４）に基づいて行列Ｃを生成し、
    前記行列Ｃの固有ベクトル及び固有値を算出し、
    前記行列Ｃの固有ベクトルのうち対応する固有値が大きい固有ベクトルを優先的にｋ個選択することにより固有ベクトルの集合Ｖを生成し、
    前記集合Ｖに基づいて、前記ｎ個のアイテムの中から前記アイテムの組として前記ｋ個の前記アイテムを選択する、
    プログラム。
    

    

    …数式（４）
    ただし、行列Ｃはｄ×ｄの正方行列であり、ｄは前記特徴ベクトルの成分数であり、ｎは３以上の自然数であり、ｋは２以上ｎ未満の自然数であり、１≦ｉ、ｊ≦ｄを満たし、ｑ _ｉ はｉ番目のアイテムのスコアを示し、Φ _ｉ はｉ番目のアイテムの特徴ベクトルを示し、Ｃ _ｉｊ はそれぞれ行列Ｃの（ｉ，ｊ）成分を示し、Φ _ｍｉ 及びΦ _ｍｊ はそれぞれ特徴ベクトルΦ _ｍ のｉ番目及びｊ番目の成分を示す。
16. コンピュータを複数のアイテムの中からユーザに推奨するアイテムの組を選択する情報処理装置として機能させるプログラムであって、
    当該プログラムは、前記コンピュータを、
    前記複数のアイテムのそれぞれについて、アイテム自体のスコアが高い場合に高く、他に選択されるアイテムに対する類似度が高い場合に低くなる優先度を算出し、前記優先度に基づいて、前記複数のアイテムの中から前記アイテムの組を選択する選択部と、
    選択した前記アイテムの組に含まれる各アイテムを、前記ユーザに提示すべきアイテムとして出力する出力部と、
    前記複数のアイテムのそれぞれについて、前記アイテムの特徴を表す特徴ベクトルを取得する特徴ベクトル取得部と、
    して機能させ、
    前記選択部は、
    ２以上のアイテムのそれぞれの前記特徴ベクトルに基づいて、２以上のアイテムの類似度を算出し、
    ｎ個の前記アイテムの前記スコア及び前記特徴ベクトルから数式（７）及び数式（８）に基づいて行列Ｍを生成し、
    前記行列Ｍに基づいて、前記ｎ個の前記アイテムの中から前記アイテムの組としてｋ個の前記アイテムを選択する、
    プログラム。
    

    

    …数式（７）
    

    

    …数式（８）
    ただし、ｎは３以上の自然数であり、ｋは２以上ｎ未満の自然数であり、１≦ｉ、ｊ≦ｎを満たし、ｑ _ｉ はｉ番目のアイテムのスコアを示し、Φ _ｉ はｉ番目のアイテムの特徴ベクトルを示し、Ｍ _ｉｊ 及びＳ _ｉｊ はそれぞれ行列Ｍ及び行列Ｓの（ｉ，ｊ）成分を示し、行列Ｓ［ａ，ｂ；ｃ，ｄ］は行列Ｓのａ及びｂ行目とｃ及びｄ列目を抽出した部分行列を示す。

Images