JP6744353B2 - ディープラーニングを活用した個人化商品推薦 - Google Patents

Description

以下の説明は、ユーザに適した商品を推薦する技術に関する。

一般的に、インターネットマーケットにおける商品推薦は、個人の購入履歴を基盤とした上で個人に最も適した商品を選別して推薦する。このとき、主に使用される方法としては、商品推薦の対象となるユーザと購入履歴が似ているユーザを選別し、類似ユーザは既に購入しているが推薦対象ユーザはまだ購入していない商品を推薦する協調フィルタリング（Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ）や、複数のユーザの購入記録を利用し、商品別に同時購入の可能性または同時クリックの可能性が高い商品を推薦する相関ルールマイニング（Ａｓｓｏｃｉａｔｉｏｎ Ｒｕｌｅ Ｍｉｎｉｎｇ）のようなアルゴリズムが利用されている。

例えば、特許文献１（登録日２００９年０２月０２日）には、ユーザ端末機にインストールされた情報推薦エージェントで認識した商品の商品コード、商品名、またはモデルなどを利用して商品に関する商品情報を自動推薦する技術が開示されている。

韓国登録特許第１０−０８８２７１６号公報

ディープラーニングを活用してユーザに適した商品を推薦する方法およびシステムを提供する。

複数のサービスを提供するポータル環境でのクロスドメイン形態により、あるサービス上の商品に対し、他のサービスでのユーザ行動履歴を含んだユーザ情報を利用して商品推薦結果を提供する方法およびシステムを提供する。

コンピュータによって実現される個人化商品推薦システムで実行される個人化商品推薦方法であって、前記個人化商品推薦システムが提供する複数のサービスのうちの特定のサービスで推薦対象となる商品情報と、前記複数のサービスのうちの少なくとも１つのサービスにおけるユーザ行動履歴情報が含まれるユーザ情報を収集する段階、前記商品情報と前記ユーザ情報を利用し、ディープラーニング（ｄｅｅｐ ｌｅａｒｎｉｎｇ）を活用して推薦対象商品に対する購入予測を学習する段階、および前記推薦対象商品に対する購入予測の学習結果に基づき、前記特定のサービスを通じて商品推薦結果を提供する段階を含む、個人化商品推薦方法を提供する。

一側面によると、前記学習する段階は、前記商品情報と前記ユーザ情報が入力ベクトルとして構成される順伝播型ニューラルネットワーク（ＦＦＮＮ：ｆｅｅｄｆｏｒｗａｒｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）学習モデルに基づいて、前記商品情報と前記ユーザ情報を共に学習することにより、前記推薦対象商品に対する購入予測を学習してよい。

他の側面によると、前記学習する段階は、前記ユーザ行動履歴情報に該当するベクトル集合を一定区間で分けた後、区間別の平均値によって入力ベクトルを構成する段階を含んでよい。

また他の側面によると、前記学習する段階は、前記ユーザ行動履歴情報に対し、各類型の履歴回数や商品個数情報を含んで入力ベクトルを構成する段階を含んでよい。

また他の側面によると、前記商品情報は、商品メタ情報および商品イメージのうちの少なくとも一方を含み、前記学習する段階は、前記商品メタ情報を埋め込みベクトル（ｅｍｂｅｄｄｉｎｇ ｖｅｃｔｏｒ）に変換して入力ベクトルとして構成するか、前記商品イメージの視覚的パターンを含んだ特徴ベクトルを入力ベクトルとして構成する段階を含んでよい。

また他の側面によると、前記提供する段階は、前記複数のサービス間のクロスオーバー（ｃｒｏｓｓｏｖｅｒ）形態に基づき、前記特定のサービスとは異なるサービスでのユーザ行動履歴情報を利用することにより、前記特定のサービスの商品推薦結果を提供してよい。

また他の側面によると、前記学習する段階は、前記商品情報と前記ユーザ情報が入力ベクトルとして構成されたＦＦＮＮ学習モデルに基づいて前記推薦対象商品に対する購入予測点数を算出し、前記提供する段階は、前記購入予測点数を基準に前記特定のサービスで推薦対象となる商品の一部を推薦してよい。

さらに他の側面によると、前記提供する段階は、検索のためのクエリが入力された場合、前記購入予測点数を基準に、前記クエリに対応する商品の一部を推薦してよい。

コンピュータシステムと結合して個人化商品推薦方法を実行させるためにコンピュータ読取可能な記録媒体に記録されたコンピュータプログラムであって、前記個人化商品推薦方法は、前記個人化商品推薦システムが提供する複数のサービスのうちの特定のサービスで推薦対象となる商品情報と、前記複数のサービスのうちの少なくとも１つのサービスでのユーザ行動履歴情報が含まれるユーザ情報を収集する段階、前記商品情報と前記ユーザ情報を利用し、ディープラーニングを活用して推薦対象商品に対する購入予測を学習する段階、および前記推薦対象商品に対する購入予測の学習結果に基づき、前記特定のサービスを通じて商品推薦結果を提供する段階を含む、コンピュータプログラムを提供する。

コンピュータで実現される個人化商品推薦システムであって、コンピュータ読取可能な命令を実行するように実現される少なくとも１つのプロセッサを含み、前記少なくとも１つのプロセッサは、前記個人化商品推薦システムが提供する複数のサービスのうちの特定のサービスで推薦対象となる商品情報と、前記複数のサービスのうちの少なくとも１つのサービスでのユーザ行動履歴情報が含まれるユーザ情報を収集する情報管理部、前記商品情報と前記ユーザ情報を利用し、ディープラーニングを活用して推薦対象商品に対する購入予測を学習する学習処理部、および前記推薦対象商品に対する購入予測の学習結果に基づき、前記特定のサービスを通じて商品推薦結果を提供する商品推薦部を備える、個人化商品推薦システムを提供する。

本発明の実施形態によると、ディープラーニングを活用することでユーザ個人に適した商品を推薦することができる。

本発明の実施形態によると、複数のサービスを提供するポータル環境でのクロスドメイン形態に基づき、あるサービスの商品に対して他のサービスでのユーザ行動履歴を含んだユーザ情報を利用することで商品推薦結果を提供することができる。

本発明の一実施形態における、ネットワーク環境の例を示した図である。 本発明の一実施形態における、電子機器およびサーバの内部構成を説明するためのブロック図である。 本発明の一実施形態における、サーバのプロセッサが含むことができる構成要素の例を示した図である。 本発明の一実施形態における、サーバが実行することができる方法の例を示したフローチャートである。 本発明の一実施形態における、商品購入を予測するＦＦＮＮ学習モデルを説明するための例示図である。 本発明の一実施形態における、ユーザ情報を収集する過程の一例を示した図である。 本発明の一実施形態における、ユーザ情報をＦＦＮＮ学習モデルの入力ベクトルで構成する過程の一例を示した図である。 本発明の一実施形態における、ユーザ情報をＦＦＮＮ学習モデルの入力ベクトルで構成する過程の一例を示した図である。 本発明の一実施形態における、商品情報をＦＦＮＮ学習モデルの入力ベクトルで構成する過程の一例を示した図である。 本発明の一実施形態における、商品情報をＦＦＮＮ学習モデルの入力ベクトルで構成する過程の一例を示した図である。

以下、本発明の実施形態について、添付の図面を参照しながら詳細に説明する。

本発明の実施形態は、ユーザに適した商品を推薦する技術に関する。

本明細書で具体的に開示される事項などを含む実施形態は、ディープニューラルネットワーク（ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を活用して個人化商品推薦モデルを構築してよく、これにより、サービス品質と利用率の向上、効率性、便宜性、費用節減などの側面において相当な長所を達成する。

図１は、本発明の一実施形態における、ネットワーク環境の例を示した図である。図１のネットワーク環境は、複数の電子機器１１０、１２０、１３０、１４０、複数のサーバ１５０、１６０、およびネットワーク１７０を含む例を示している。このような図１は、発明の説明のための一例に過ぎず、電子機器の数やサーバの数が図１のように限定されることはない。

複数の電子機器１１０、１２０、１３０、１４０は、コンピュータ装置によって実現される固定端末や移動端末であってよい。複数の電子機器１１０、１２０、１３０、１４０の例としては、スマートフォン、携帯電話、タブレット、ナビゲーション、ＰＣ（ｐｅｒｓｏｎａｌ ｃｏｍｐｕｔｅｒ）、ノート型パンコン、デジタル放送用端末、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、ＰＭＰ（Ｐｏｒｔａｂｌｅ Ｍｕｌｔｉｍｅｄｉａ Ｐｌａｙｅｒ）などがある。一例として、第１電子機器１１０は、無線または有線通信方式を利用し、ネットワーク１７０を介して他の電子機器１２０、１３０、１４０および／またはサーバ１５０、１６０と通信してよい。

通信方式が限定されることはなく、ネットワーク１７０が含むことができる通信網（一例として、移動通信網、有線インターネット、無線インターネット、放送網）を活用する通信方式だけではなく、機器間の近距離無線通信が含まれてもよい。例えば、ネットワーク１７０は、ＰＡＮ（ｐｅｒｓｏｎａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ＬＡＮ（ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ＣＡＮ（ｃａｍｐｕｓ ａｒｅａ ｎｅｔｗｏｒｋ）、ＭＡＮ（ｍｅｔｒｏｐｏｌｉｔａｎ ａｒｅａ ｎｅｔｗｏｒｋ）、ＷＡＮ（ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ）、ＢＢＮ（ｂｒｏａｄｂａｎｄ ｎｅｔｗｏｒｋ）、インターネットなどのネットワークのうちの１つ以上の任意のネットワークを含んでよい。さらに、ネットワーク１７０は、バスネットワーク、スターネットワーク、リングネットワーク、メッシュネットワーク、スター・バスネットワーク、ツリーまたは階層的（ｈｉｅｒａｒｃｈｉｃａｌ）ネットワークなどを含むネットワークトポロジのうちの任意の１つ以上を含んでもよいが、これらに限定されることはない。

一例として、サーバ１６０は、ネットワーク１７０を介して接続した第１電子機器１１０にアプリケーションのインストールのためのファイルを提供してよい。この場合、第１電子機器１１０は、サーバ１６０から提供されたファイルを利用してアプリケーションをインストールしてよい。また、第１電子機器１１０が含むオペレーティングシステム（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ：ＯＳ）や少なくとも１つのプログラム（一例として、ブラウザや上記のインストールされたアプリケーション）の制御に従ってサーバ１５０に接続し、サーバ１５０が提供するサービスやコンテンツの提供を受けてもよい。例えば、第１電子機器１１０がアプリケーションの制御に従ってネットワーク１７０を介してサービス要求メッセージをサーバ１５０に送信すると、サーバ１５０は、サービス要求メッセージに対応するコードを第１電子機器１１０に送信してよく、第１電子機器１１０は、アプリケーションの制御に従ってコードに基づく画面を構成して表示することにより、ユーザにコンテンツを提供してよい。

図２は、本発明の一実施形態における、電子機器およびサーバの内部構成を説明するためのブロック図である。図２では、１つの電子機器に対する例として第１電子機器１１０の内部構成を、１つのサーバに対する例としてサーバ１５０の内部構成を説明する。他の電子機器１２０、１３０、１４０やサーバ１６０も同一または類似の内部構成を有してよい。

第１電子機器１１０とサーバ１５０は、それぞれ、メモリ２１１、２２１、プロセッサ２１２、２２２、通信モジュール２１３、２２３、および入力／出力インタフェース２１４、２２４を含んでよい。メモリ２１１、２２１は、コンピュータ読取可能な記録媒体であって、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、ＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、およびディスクドライブのような永久大容量記憶装置（ｐｅｒｍａｎｅｎｔ ｍａｓｓ ｓｔｏｒａｇｅ ｄｅｖｉｃｅ）を含んでよい。また、メモリ２１１、２２１には、オペレーティングシステムと、少なくとも１つのプログラムコード（一例として、第１電子機器１１０にインストールされて駆動するアプリケーションなどのためのコード）が格納されてよい。このようなソフトウェア構成要素は、メモリ２１１、２２１とは別のコンピュータ読取可能な記録媒体からロードされてよい。このような別のコンピュータ読取可能な記録媒体は、フロッピー（登録商標）ドライブ、ディスク、テープ、ＤＶＤ／ＣＤ−ＲＯＭドライブ、メモリカードなどのコンピュータ読取可能な記録媒体を含んでよい。他の実施形態において、ソフトウェア構成要素は、コンピュータ読取可能な記録媒体ではない通信モジュール２１３、２２３を通じてメモリ２１１、２２１にロードされてもよい。例えば、少なくとも１つのプログラムは、開発者またはアプリケーションのインストールファイルを配布するファイル配布システム（一例として、上述したサーバ１６０）がネットワーク１７０を介して提供するファイルによってインストールされるプログラム（一例として、上述したアプリケーション）に基づいてメモリ２１１、２２１にロードされてよい。

プロセッサ２１２、２２２は、基本的な算術、ロジック、および入出力演算を実行することにより、コンピュータプログラムの命令を処理するように構成されてよい。命令は、メモリ２１１、２２１または通信モジュール２１３、２２３によって、プロセッサ２１２、２２２に提供されてよい。例えば、プロセッサ２１２、２２２は、メモリ２１１、２２１のような記録装置に格納されたプログラムコードに従って受信される命令を実行するように構成されてよい。

通信モジュール２１３、２２３は、ネットワーク１７０を介して第１電子機器１１０とサーバ１５０とが互いに通信するための機能を提供してもよいし、他の電子機器（一例として、第２電子機器１２０）または他のサーバ（一例として、サーバ１６０）と通信するための機能を提供してもよい。一例として、第１電子機器１１０のプロセッサ２１２がメモリ２１１のような記録装置に格納されたプログラムコードに従って生成した要求（一例として、検索要求）が、通信モジュール２１３の制御に従ってネットワーク１７０を介してサーバ１５０に伝達されてよい。これとは反対に、サーバ１５０のプロセッサ２２２の制御に従って提供される制御信号や命令、コンテンツ、ファイルなどが、通信モジュール２２３とネットワーク１７０を経て第１電子機器１１０の通信モジュール２１３を通じて第１電子機器１１０で受信されてもよい。例えば、通信モジュール２１３を通じて受信したサーバ１５０の制御信号や命令などは、プロセッサ２１２やメモリ２１１に伝達されてよく、コンテンツやファイルなどは、第１電子機器１１０がさらに含むことのできる格納媒体に格納されてよい。

入力／出力インタフェース２１４は、入力／出力装置２１５とのインタフェースのための手段であってよい。例えば、入力装置は、キーボードまたはマウスなどの装置を、出力装置は、アプリケーションの通信セッションを表示するためのディスプレイのような装置を含んでよい。他の例として、入力／出力インタフェース２１４は、タッチスクリーンのように入力と出力のための機能が１つに統合された装置とのインタフェースのための手段であってもよい。より具体的な例として、第１電子機器１１０のプロセッサ２１２は、メモリ２１１にロードされたコンピュータプログラムの命令を処理するにあたり、サーバ１５０や第２電子機器１２０が提供するデータを利用して構成されるサービス画面やコンテンツを、入力／出力インタフェース２１４を通じてディスプレイに表示してよい。入力／出力インタフェース２２４も同様に、サーバ１５０のプロセッサ２２２がメモリ２２１にロードされたコンピュータプログラムの命令を処理するにあたり、サーバ１５０が提供するデータを利用して構成される情報を出力してよい。

また、他の実施形態において、第１電子機器１１０およびサーバ１５０は、図２の構成要素よりも多くの構成要素を含んでもよい。しかし、大部分の従来技術の構成要素を明確に図に示す必要はない。例えば、第１電子機器１１０は、上述した入力／出力装置２１５のうちの少なくとも一部を含むように実現されてもよいし、トランシーバ、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）モジュール、カメラ、各種センサ、データベースなどのような他の構成要素をさらに含んでもよい。より具体的な例として、第１電子機器１１０がスマートフォンである場合、一般的にスマートフォンに含まれる加速度センサやジャイロセンサ、カメラ、物理的な各種ボタン、タッチパネルを利用したボタン、入力／出力ポート、振動のための振動器などのような多様な構成要素が第１電子機器１１０にさらに含まれるように実現されてもよいことが理解できるであろう。

以下では、ディープニューラルラーニング（ＤＮＮ）を活用した個人化商品推薦方法およびそのシステムの具体的な実施形態について説明する。

図３は、本発明の一実施形態における、サーバのプロセッサが含むことができる構成要素の例を示した図であり、図４は、本発明の一実施形態における、サーバが実行することができる方法の例を示したフローチャートである。

サーバ１５０は、クライアント（ｃｌｉｅｎｔ）である複数の電子機器１１０、１２０、１３０、１４０を対象に、検索サービス、ショッピング、コミュニティー（例えば、グループ、ブログなど）、メール、ニュース、道案内などのような多様なサービスを統合して提供するプラットフォームの役割を担う。このようなサービスプラットフォームには膨大な商品が存在し、新規商品が頻繁に登録されているが、検索チャンネルなどでは人気商品などを中心とした極めて一部の商品だけが表示されているという状況がある。

本発明において、サーバ１５０は、より多くの商品をより多くのユーザと連結できるように、ディープラーニングを活用することで、ユーザ個人に適した商品を推薦するものである。特に、サーバ１５０は、ポータル環境で提供される複数のサービス間のクロスドメイン形態に基づき、特定サービスの商品に対し、他のサービスでのユーザ行動履歴を含んだユーザ情報を利用することで商品推薦結果を提供することができる。言い換えれば、サーバ１５０は、クロスオーバー推薦ロジックに基づき、ユーザが普段に消費していたアイテムとは異なるドメインや異なる種類のアイテムを推薦することができる。

図３に示すように、サーバ１５０のプロセッサ２２２は、構成要素として、情報管理部３１０、学習処理部３２０、および商品推薦部３３０を備えてよい。このようなプロセッサ２２２およびプロセッサ２２２の構成要素は、図４の方法に含まれる段階４１０〜４３０を実行するようサーバ１５０を制御してよい。このとき、プロセッサ２２２およびプロセッサ２２２の構成要素は、メモリ２２１に含まれるオペレーティングシステムのコードと少なくとも１つのプログラムのコードによる命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行するように実現されてよい。また、プロセッサ２２２の構成要素は、オペレーティングシステムや少なくとも１つのプログラムが提供する制御命令に従ってプロセッサ２２２によって実行される互いに異なる機能（ｄｉｆｆｅｒｅｎｔｆｕｎｃｔｉｏｎｓ）の表現であってよい。例えば、プロセッサ２２２が上述した制御命令に従って商品情報とユーザ情報を維持管理するように制御する機能的表現として、情報管理部３１０が使用されてよい。

段階４１０において、情報管理部３１０は、サーバ１５０が提供可能な複数のサービスのうちの特定のサービスで推薦対象となる商品情報と、複数のサービスのうちの少なくとも１つのサービスにおけるユーザ行動履歴が含まれるユーザ情報とを収集して維持管理してよい。ユーザが普段に消費していたアイテムとは異なる種類／ドメインのアイテムを推薦するクロスオーバー推薦ロジックを実現するために、情報管理部３１０は、商品推薦を必要とするドメイン以外のサービスでのユーザ行動履歴情報を収集および管理してよい。

段階４２０において、学習処理部３２０は、商品情報とユーザ情報が入力ベクトルとして構成されるディープラーニングを活用して、推薦対象商品に対する購入予測を学習してよい。一例として、学習処理部３２０は、順伝播型ニューラルネットワーク（ＦＦＮＮ）学習モデルに基づき、ユーザ情報と商品情報を基盤として商品の購入可能性を予測してよい。ユーザと類似するユーザグループが選好するアイテムを推薦する協調フィルタリングモデルや、ユーザが過去に選好したアイテムと内容が類似する他のアイテムを推薦するコンテンツ基盤フィルタリング（Ｃｏｎｔｅｎｔ−ｂａｓｅｄ Ｆｉｌｔｅｒｉｎｇ）モデルが結合されたハイブリッド（Ｈｙｂｒｉｄ）推薦モデルを実現するために、学習処理部３２０は、特定のサービスで推薦対象となる商品情報とは異なるサービスにおけるユーザ行動履歴が含まれるユーザ情報を、同じ学習モデル上で同時に学習してよい。上述した学習処理部３２０は、与えられた商品情報とユーザ情報（ユーザ行動履歴）を利用することにより、各商品に対する購入予測を学習してよい。このとき、学習処理部３２０は、ユーザ行動履歴を示す学習データに基づき、短期購入予測や長期購入予測までも行うことができる。

段階４３０において、商品推薦部３３０は、推薦対象商品に対する購入予測学習結果に基づき、特定のサービスを通じてユーザに個人化された商品推薦結果を提供してよい。商品推薦部３３０は、特定のサービスを利用するユーザを対象とし、該当のサービスを通じて商品推薦結果を提供するが、該当のサービス上の商品情報とは異なるサービスにおけるユーザ行動履歴を含んだユーザ情報を、同じディープラーニングモデルを活用して同時に学習した結果に基づいて、ユーザに個人化された商品を推薦してよい。言い換えれば、商品推薦部３３０は、特定のドメインに該当するサービスを通じて商品推薦結果を提供するにあたり、該当のドメイン上の商品情報と共に、他のドメインにおけるユーザログを含んだユーザ情報を学習した結果に基づいて、商品推薦結果を提供してよい。場合によっては、例えば、ショッピングサービスでユーザクエリに対応する検索結果を提供する際に、ショッピングサービスでのユーザ履歴はもちろん、他のサービスでのユーザ履歴までも総合してユーザ趣向を分析し、これに対応する推薦結果をショッピングサービスでの検索結果に含ませてよい。クロスドメインに対する商品推薦モデルは、異なる類型のユーザ資質データを活用して商品推薦結果を提供するものであり、例えば、キャンプ予約履歴に基づいてショッピング商品推薦結果を提供したり、ファッション購入履歴に基づいて音源推薦結果を提供したりしてよい。

本発明は、個人化商品推薦のためにディープラーニングを活用するものであるが、一例として、商品と関連する異形的な情報統合学習、埋め込み（ｅｍｂｅｄｄｉｎｇ）による意味的学習、最適パラメータ自動学習などを含んだＦＦＮＮ学習モデルを適用してよい。

図５は、本発明の一実施形態における、商品購入の可否を予測するＦＦＮＮ学習モデルを説明するための例示図である。

本発明に係るＦＦＮＮ学習モデル５００は、任意のユーザｕが複数のサービス全般で示した行動履歴を含むユーザ情報５１０と、特定のサービスで推薦対象となる商品情報５２０とが与えられた状態で、ユーザｕが商品ｉを購入するかを予測する問題に関する。ユーザ情報５１０と商品情報５２０は、ＦＦＮＮ学習モデル５００の入力層に対応する埋め込みベクトルで表現されてよい。

個人化された商品推薦のためには、多様なサービスを提供するポータル環境からユーザ情報５１０を収集する過程が必要となる。例えば、図６に示すように、ユーザの基本情報であるＩＤ、性別、年齢などを含むプロフィール情報６０１を収集してよく、各サービス別のユーザ行動履歴として、例えば、ショッピングサービスでのユーザ行動履歴情報６０２として、ユーザ商品検索履歴（ショッピングクエリ履歴）、ユーザ商品クリック履歴（商品名、カテゴリ、価格、イメージなどのような商品メタ情報を含む）、ユーザ商品購入履歴（商品名、カテゴリ、価格、イメージなどのような商品メタ情報を含む）などを収集してよく、ショッピングサービス以外のサービス全般におけるユーザ行動履歴情報６０３として、ユーザコンテンツ検索履歴（コンテンツクエリ履歴）、ユーザコンテンツクリック履歴（コンテンツメタ情報を含む）、ユーザコンテンツ消費履歴（コンテンツメタ情報を含む）などを収集してよい。これにより、情報管理部３１０は、サーバ１５０が提供するプラットフォームから、ユーザが利用するサービス全般でのユーザ行動履歴を含んだユーザ情報５１０を収集してよい。

図７および図８は、本発明の一実施形態における、ユーザ情報をＦＦＮＮ学習モデルの入力ベクトルとして構成する過程の一例を示した図である。

図７を参照すると、ユーザ情報５１０として収集されたプロフィール情報６０１と、ショッピングサービスにおけるユーザ行動履歴情報６０２、およびショッピングサービス以外のサービス全般におけるユーザ行動履歴情報６０３を連結（ｃｏｎｃａｔｅｎａｔｅ）してＦＦＮＮ学習モデル５００の入力ベクトルとして構成してよい。ショッピングサービスにおけるユーザ行動履歴情報６０２は、ユーザのショッピング趣向を分析するために活用されてよく、他のサービス全般におけるユーザ行動履歴情報６０３は、ユーザの普段の関心事を分析するために活用されてよい。ショッピングサービスだけではなく、他のサービス全般におけるユーザ行動履歴を収集することにより、ユーザの関心事情報を幅広く活用することができ、ユーザがショッピング関連行動を直接行わなくても、ユーザが他のサービスで示した普段の関心事を利用することにより、個人化された商品推薦が可能となる。

上述したユーザ行動履歴情報は、関連商品のメタ情報を、埋め込みによって高次元のベクトルに変換して入力ベクトルとして構成してよい。例えば、ユーザ商品クリック履歴の場合、図８に示すように、ユーザの商品クリック分析結果を順に連結して入力ベクトルを構成してよい。ユーザ履歴情報で順序情報を考慮する場合、最近の履歴順ではなく、関心のある履歴順を適用してよい。単にユーザの最近の履歴順を考慮するのではなく、一定期間内にユーザが関心を示した履歴を事前に分析してこれを活用することにより、ユーザの全般的な関心事を効果的に把握できるようになる。ＦＦＮＮ学習モデル５００では、順序または羅列可能な履歴情報の特徴を示すための入力ベクトルを構成してよい。図８に示すように、ユーザ行動履歴情報に該当するベクトル集合、すなわち、履歴対象の埋め込みベクトルを一定区間で分けた後、その一定区間の平均値（ａｖｅｒａｇｅ）を出して入力ベクトルを構成することにより、埋め込みベクトルを導入して入力ベクトルを構成する際に、全体の平均を出す場合よりも多くの情報を内包することができる。このとき、関連行動の回数／商品個数情報を求めた連続的な値に基づき、商品クリック活動性のような活動的な要素の考慮が可能となる。言い換えれば、ユーザ行動履歴情報に対し、各類型の履歴回数や商品個数情報を含んで入力ベクトルを構成してよく、これにより、各類型の履歴情報ごとに活動的であるか非活動的であるかを判断することでユーザ関心事の分析に活用できるようになる。

図９および図１０は、本発明の一実施形態における、商品情報をＦＦＮＮ学習モデルの入力ベクトルとして構成する過程の一例を示した図である。

商品情報５２０は、サービスページ上に表示される情報を含んでよく、例えば、図９に示すように、商品名、カテゴリ、価格、販売所名、商品ＩＤなどのような商品の基本的なテキスト情報である商品メタ情報９０１、商品イメージなどのような商品視覚的情報９０２などを収集してよい。

図１０を参照すると、商品情報５２０として収集された商品メタ情報９０１と商品視覚的情報９０２とを連結し、ユーザ情報５１０と共にＦＦＮＮ学習モデル５００の入力ベクトルとして構成してよい。商品名、カテゴリ、価格、販売所名、商品ＩＤなどのテキスト情報である商品メタ情報９０１は、埋め込み処理して活用してよく、商品視覚的情報９０２の場合には、イメージ学習によって変換された特徴ベクトルを活用してよい。例えば、商品イメージを、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）によって視覚的パターンを含むイメージ特徴ベクトルに変換し、オートエンコーダ（ａｕｔｏ−ｅｎｃｏｄｅｒ）を利用して圧縮化して表現してよい。ファッション衣類やファッション雑貨のように視覚的な情報が重要となる商品カテゴリの場合には、イメージ特徴ベクトルをユーザ関心事の分析に活用してよい。

上述したように、ＦＦＮＮ学習モデル５００では、ユーザ情報５１０と商品情報５２０が、入力層（ｉｎｐｕｔ ｌａｙｅｒ）の入力ベクトルとして構成されてよく、図５に示すように、ユーザ情報５１０と商品情報５２０が同時に学習され、隠れ層（ｈｉｄｄｅｎ ｌａｙｅｒ）の活性化関数（例えば、ＲｅＬＵ）によって商品別の購入予測点数が導出されてよい。したがって、学習処理部３２０は、商品情報とユーザ情報が入力ベクトルとして構成されるＦＦＮＮ学習モデル５００を利用することにより、推薦対象商品に対する購入予測点数を算出することができる。これにより、商品推薦部３３０は、特定のサービスで推薦対象となる商品のうちで購入予測点数が一定レベル以上の商品、あるいは購入予測点数が高い順から上位に該当する一定数の商品を、該当のサービスを通じてユーザに推薦してよい。このとき、商品推薦部３３０は、特定のサービスでユーザが検索のためのクエリを入力した場合、購入予測点数を基準にして、クエリに対応する商品のうちの少なくとも一部の商品を検索結果に含ませてユーザに推薦してよい。

このように、本発明の実施形態によると、特定のサービスではなく、サービス全般で収集されたユーザ行動履歴情報を活用することにより、特定のサービスでユーザ行動履歴がなくても（コールドスタート問題（ｃｏｌｄ−ｓｔａｒｔ ｐｒｏｂｌｅｍ）の場合も）、より豊富な情報を学習することにより、特定のサービスで個人化された商品を推薦することができる。ユーザに個人化された商品推薦結果を提供するにあたり、人気商品を中心に制限的な推薦結果を提供するのではなく、全体サービスを対象として分析されたユーザ趣向を反映することにより、人気のない商品あるいは新規商品までも包括し、ユーザの趣向に合った幅広い推薦結果を提供することができる。また、本発明の実施形態によると、商品名やカテゴリ名のようなテキスト情報はもちろん、商品イメージのような視覚的な情報を共に学習してユーザ関心事を分析することにより、視覚的な側面でもユーザ趣向が反映された個人化商品を推薦することができる。さらに、本発明の実施形態によると、ユーザ履歴に対する入力層に入力される埋め込みベクトル集合を一定区間に分けて構成することにより、ＦＦＮＮ学習モデルの入力ベクトルを効果的に組み合わせて、学習性能を向上させることができる。

上述した装置は、ハードウェア構成要素、ソフトウェア構成要素、および／またはハードウェア構成要素とソフトウェア構成要素との組合せによって実現されてよい。例えば、実施形態で説明された装置および構成要素は、プロセッサ、コントローラ、演算論理装置（ＡＬＵ：ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）、デジタル信号プロセッサ、マイクロコンピュータ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ：ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、プログラム可能論理装置（ＰＬＵ：ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｕｎｉｔ）、マイクロプロセッサ、または命令を実行して応答することができる様々な装置のように、１つ以上の汎用コンピュータまたは特殊目的コンピュータを利用して実現されてよい。処理装置は、オペレーティングシステム（ＯＳ）およびそのＯＳ上で実行される１つ以上のソフトウェアアプリケーションを実行してよい。また、処理装置は、ソフトウェアの実行に応答し、データにアクセスし、データを格納、操作、処理、および生成してもよい。理解の便宜のために、１つの処理装置が使用されるとして説明される場合もあるが、当業者は、処理装置が複数個の処理要素および／または複数種類の処理要素を含んでもよいことを理解できるであろう。例えば、処理装置は、複数個のプロセッサまたは１つのプロセッサおよび１つのコントローラを含んでもよい。また、並列プロセッサのような、他の処理構成も可能である。

ソフトウェアは、コンピュータプログラム、コード、命令、またはこれらのうちの１つ以上の組合せを含んでもよく、所望のとおりに動作するように処理装置を構成したり、独立的または集合的に処理装置に命令したりしてよい。ソフトウェアおよび／またはデータは、処理装置に基づいて解釈されたり、処理装置に命令またはデータを提供したりするために、いかなる種類の機械、コンポーネント、物理装置、仮想装置、コンピュータ格納媒体または装置に具現化されてよい。ソフトウェアは、ネットワークによって接続されたコンピュータシステム上に分散され、分散された状態で格納されても実行されてもよい。ソフトウェアおよびデータは、１つ以上のコンピュータ読取可能な記録媒体に格納されてよい。

実施形態に係る方法は、多様なコンピュータ手段によって実行可能なプログラム命令の形態で実現されてコンピュータ読取可能な媒体に記録されてよい。このとき、媒体は、コンピュータ実行可能なプログラムを永続的に格納しても、実行またはダウンロードのために一時的に格納してもよい。また、媒体は、単一または複数のハードウェアが結合された形態の多様な記録手段または格納手段であってよいが、あるコンピュータシステムに直接接続する媒体に限定されるのではなく、ネットワーク上に分散して存在するものであってもよい。媒体の例としては、ハードディスク、フロッピー（登録商標）ディスク、および磁気テープのような磁気媒体、ＣＤ−ＲＯＭ、ＤＶＤのような光媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような光磁気媒体、およびＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令語が格納されるように構成されたものであってよい。また、他の媒体の例として、アプリケーションを流通するアプリストアやその他の多様なソフトウェアを供給あるいは流通するサイト、サーバなどで管理する記録媒体あるいは格納媒体であってもよい。

以上のように、実施形態を、限定された実施形態と図面に基づいて説明したが、当業者であれば、上述した記載から多様な修正および変形が可能であろう。例えば、説明された技術が、説明された方法とは異なる順序で実行されたり、かつ／あるいは、説明されたシステム、構造、装置、回路などの構成要素が、説明された方法とは異なる形態で結合または組み合わされたり、他の構成要素または均等物によって代替または置換されたとしても、適切な結果を達成することができる。

したがって、異なる実施形態であっても、特許請求の範囲と均等なものであれば、添付される特許請求の範囲に属する。

２２２：プロセッサ
３１０：情報管理部
３２０：学習処理部
３３０：商品推薦部

Claims (15)

1. コンピュータによって実現される個人化商品推薦システムで実行される個人化商品推薦方法であって、
   前記個人化商品推薦システムが提供する複数のサービスのうちの特定のサービスで推薦対象となる推薦対象商品の商品情報を収集し、前記複数のサービスのうち前記特定のサービスが該当するドメインとは異なるドメインの少なくとも１つのサービスにおけるユーザのユーザ行動履歴情報が含まれるユーザ情報を収集する段階、
   前記商品情報と前記ユーザ情報が入力ベクトルとして構成されるディープラーニングモデルを活用して、前記特定のサービスにおける前記推薦対象商品に対する購入予測を学習する段階であって、前記少なくとも１つのサービスにおける前記ユーザ行動履歴情報は、前記ディープラーニングモデルにおいて、前記ユーザの関心事を分析するために使用される段階、および
   前記推薦対象商品に対する購入予測の学習結果に基づき、前記特定のサービスにおける商品推薦結果を提供する段階
   を含み、
   前記商品推薦結果は、前記ユーザが前記少なくとも１つのサービスで消費した商品とは異なる種類の商品または前記少なくとも１つのサービスとは異なるドメインの商品に対する推薦を含む、個人化商品推薦方法。
2. 前記ディープラーニングモデルは、順伝播型ニューラルネットワーク（ＦＦＮＮ）学習モデルを含む、
   を特徴とする、請求項１に記載の個人化商品推薦方法。
3. 前記学習する段階は、
   前記ユーザ行動履歴情報に該当するベクトル集合を一定区間に分けた後、区間別の平均値によって入力ベクトルを構成する段階
   を含む、請求項１に記載の個人化商品推薦方法。
4. 前記学習する段階は、
   前記ユーザ行動履歴情報として、関連行動の回数や商品個数情報を含めて前記入力ベクトルを構成する段階
   を含む、請求項１に記載の個人化商品推薦方法。
5. 前記商品情報は、商品メタ情報および商品イメージのうちの少なくとも一方を含み、
   前記学習する段階は、
   前記商品メタ情報を埋め込みベクトルに変換して前記入力ベクトルとして構成するか、前記商品イメージの視覚的パターンを含む特徴ベクトルを前記入力ベクトルとして構成する段階
   を含む、請求項１に記載の個人化商品推薦方法。
6. 前記学習する段階は、
   前記ＦＦＮＮ学習モデルに基づいて、前記推薦対象商品に対する購入予測点数を算出し、
   前記提供する段階は、
   前記購入予測点数を基準として前記特定のサービスで推薦対象となる商品の一部を推薦すること
   を特徴とする、請求項２に記載の個人化商品推薦方法。
7. 前記提供する段階は、
   検索のためのクエリが入力された場合、前記購入予測点数を基準として前記クエリに対応する商品のうちの一部を推薦すること
   を特徴とする、請求項６に記載の個人化商品推薦方法。
8. コンピュータシステムに個人化商品推薦方法を実行させるためのコンピュータプログラムであって、
   前記個人化商品推薦方法は、
   個人化商品推薦システムが提供する複数のサービスのうちの特定のサービスで推薦対象となる推薦対象商品の商品情報を収集し、前記複数のサービスのうち前記特定のサービスが該当するドメインとは異なるドメインの少なくとも１つのサービスにおけるユーザのユーザ行動履歴情報が含まれるユーザ情報を収集する段階、
   前記商品情報と前記ユーザ情報が入力ベクトルとして構成されるディープラーニングモデルを活用して、前記特定のサービスにおける前記推薦対象商品に対する購入予測を学習する段階であって、前記少なくとも１つのサービスにおける前記ユーザ行動履歴情報は、前記ディープラーニングモデルにおいて、前記ユーザの関心事を分析するために使用される段階、および
   前記推薦対象商品に対する購入予測の学習結果に基づき、前記特定のサービスにおける商品推薦結果を提供する段階
   を含み、
   前記商品推薦結果は、前記ユーザが前記少なくとも１つのサービスで消費した商品とは異なる種類の商品または前記少なくとも１つのサービスとは異なるドメインの商品に対する推薦を含む、コンピュータプログラム。
9. コンピュータによって実現される個人化商品推薦システムであって、
   コンピュータ読取可能な命令を実行するように実現される少なくとも１つのプロセッサ
   を含み、
   前記少なくとも１つのプロセッサは、
   当該個人化商品推薦システムが提供する複数のサービスのうちの特定のサービスで推薦対象となる推薦対象商品の商品情報を収集し、前記複数のサービスのうち前記特定のサービスが該当するドメインとは異なるドメインの少なくとも１つのサービスにおけるユーザのユーザ行動履歴情報が含まれるユーザ情報を収集する情報管理部、
   前記商品情報と前記ユーザ情報が入力ベクトルとして構成されるディープラーニングモデルを活用して、前記特定のサービスにおける前記推薦対象商品に対する購入予測を学習する学習処理部であって、前記少なくとも１つのサービスにおける前記ユーザ行動履歴情報を、前記ディープラーニングモデルにおいて、前記ユーザの関心事を分析するために使用する学習処理部、および
   前記推薦対象商品に対する購入予測の学習結果に基づき、前記特定のサービスにおける商品推薦結果を提供する商品推薦部
   を備え、
   前記商品推薦結果は、前記ユーザが前記少なくとも１つのサービスで消費した商品とは異なる種類の商品または前記少なくとも１つのサービスとは異なるドメインの商品に対する推薦を含む、個人化商品推薦システム。
10. 前記ディープラーニングモデルは、
    ＦＦＮＮ学習モデルを含む、
    を特徴とする、請求項９に記載の個人化商品推薦システム。
11. 前記学習処理部は、
    前記ユーザ行動履歴情報に該当するベクトル集合を一定区間に分けた後、区間別の平均値によって入力ベクトルを構成すること
    を特徴とする、請求項９に記載の個人化商品推薦システム。
12. 前記学習処理部は、
    前記ユーザ行動履歴情報として、関連行動の回数や商品個数情報を含んで前記入力ベクトルを構成すること
    を特徴とする、請求項９に記載の個人化商品推薦システム。
13. 前記商品情報は、商品メタ情報と商品イメージのうちの少なくとも一方を含み、
    前記学習処理部は、
    前記商品メタ情報を埋め込みベクトルに変換して前記入力ベクトルとして構成するか、前記商品イメージの視覚的パターンを含む特徴ベクトルを前記入力ベクトルとして構成すること
    を特徴とする、請求項９に記載の個人化商品推薦システム。
14. 前記学習処理部は、
    前記ＦＦＮＮ学習モデルに基づいて、前記推薦対象商品に対する購入予測点数を算出し、
    前記商品推薦部は、
    前記購入予測点数を基準として前記特定のサービスで推薦対象となる商品のうちの一部を推薦すること
    を特徴とする、請求項１０に記載の個人化商品推薦システム。
15. 前記商品推薦部は、
    検索のためのクエリが入力された場合、前記購入予測点数を基準として前記クエリに対応する商品のうちの一部を推薦すること
    を特徴とする、請求項１４に記載の個人化商品推薦システム。

Images