JP6958014B2

JP6958014B2 - 推薦システム、情報処理装置及びプログラム

Info

Publication number: JP6958014B2
Application number: JP2017120370A
Authority: JP
Inventors: 政寛佐藤; 園田　隆志
Original assignee: Fuji Xerox Co Ltd; Fujifilm Business Innovation Corp
Current assignee: Fujifilm Business Innovation Corp
Priority date: 2017-06-20
Filing date: 2017-06-20
Publication date: 2021-11-02
Anticipated expiration: 2037-06-20
Also published as: JP2019003587A

Description

本発明は、情報処理装置及びプログラムに関する。

ユーザに商品を推薦する仕組みにおいては、ユーザにより購入された商品と類似する商品をユーザは好み、購入されなかった商品と類似する商品を好まないというアルゴリズムに従って学習を行う。特許文献１においては、ユーザの購入履歴及び閲覧履歴を用いて、そのユーザに推薦する商品を決めている。特許文献２では、各商品の発売時期に基づいて商品カテゴリ毎に発売時期の偏りを算出し、この偏りを期間別重みとして、各商品の関連度を商品カテゴリ毎に補正している。

特開２０１５−１３３０３３号公報特許第５６０９３７３号公報

ユーザが或る商品を購入したときに例えば在庫切れや販売停止或いはユーザが販売対象としての商品の存在を認識していなかった等の理由で、ユーザが購入することができなかった商品群がある。従来のアルゴリズムに従う学習の場合には、このようにユーザが購入することができなかった商品群を、ユーザの嗜好に合致しないものとして学習するので、ユーザの嗜好を誤って学習してしまうおそれがある。
そこで、本発明は、ユーザが購入しなかった対象物群をユーザの嗜好に合致しないものとして一律に学習する場合と比較して、ユーザの嗜好により合致するような対象物を推薦することを目的とする。

本発明は、ユーザの購入履歴からユーザの対象物に対する嗜好度を算出し、嗜好度が低い対象物より嗜好度が高い対象物を選択して推薦する推薦システムであって、ユーザが購入しなかった未購入対象物について、前記対象物の販売状況又はユーザの閲覧履歴に関する情報に基づき、ユーザが前記未購入対象物を購入対象候補としていた確率である購入候補可能性を算出し、前記購入候補可能性が低い未購入対象物と比較して前記購入候補可能性が高い未購入対象物の嗜好度が低くなるように重みづけを行うことを特徴とする推薦システムである。

また、本発明は、ユーザの購入履歴からユーザの対象物に対する嗜好度を算出し、嗜好度が低い対象物より嗜好度が高い対象物を選択して推薦するコンピュータに、ユーザが購入しなかった未購入対象物について、前記対象物の販売状況又はユーザの閲覧履歴に関する情報に基づき、ユーザが前記未購入対象物を購入対象候補としていた確率である購入候補可能性を算出させ、前記購入候補可能性が低い未購入対象物と比較して前記購入候補可能性が高い未購入対象物の嗜好度が低くなるように重みづけを行わせるためのプログラムである。

また、本発明は、ユーザが購入した対象物を特定する第１特定手段と、前記ユーザが前記対象物を購入したときに当該ユーザが購入できなかった対象物を除外した購入可能対象物群を特定する第２特定手段と、前記第１特定手段によって特定された対象物と、前記第２特定手段によって特定された購入可能対象物群とに基づいて、ユーザの嗜好を分析する分析手段とを備え、前記第２特定手段は、前記第１特定手段によって特定された対象物の購入時期に対する所定の前後の期間において当該対象物の販売元において他のユーザに販売されていない対象物群を前記購入可能対象物群から除外することを特徴とする情報処理装置である。

また、本発明は、コンピュータを、ユーザが購入した対象物を特定する第１特定手段と、前記ユーザが前記対象物を購入したときに当該ユーザが購入できなかった対象物を除外した購入可能対象物群を特定する第２特定手段と、前記第１特定手段によって特定された対象物と、前記第２特定手段によって特定された購入可能対象物群とに基づいて、ユーザの嗜好を分析する分析手段として機能させ、前記第２特定手段は、前記第１特定手段によって特定された対象物の購入時期に対する所定の前後の期間において当該対象物の販売元において他のユーザに販売されていない対象物群を前記購入可能対象物群から除外するプログラムである。

請求項１、８に係る発明によれば、ユーザの嗜好により合致するような対象物が推薦される。
請求項２に係る発明によれば、販売可能か否かに応じて購入候補可能性が算出される。
請求項３に係る発明によれば、販売可能か否か及び対象物の属性に応じて購入候補可能性が算出される。
請求項４に係る発明によれば、ユーザが閲覧した可能性があるか否かに応じて購入候補可能性が算出される。
請求項５に係る発明によれば、ユーザが閲覧した可能性がある期間に応じて購入候補可能性が算出される。
請求項６に係る発明によれば、ユーザが閲覧した可能性がある期間が閾値以上か否かに応じて購入候補可能性が算出される。
請求項７に係る発明によれば、対象物の販売元において他のユーザに販売されたかに応じて購入候補可能性が算出される。
請求項９，１０に係る発明によれば、第１特定手段によって特定された対象物の購入時期に対する所定の前後の期間において、当該対象物の販売元において他のユーザに販売された対象物群が購入可能対象物群として特定される。

情報処理装置１のハードウェア構成を示す図。情報処理装置１の機能構成を示すブロック図。情報処理装置１の動作を示すフローチャート。購入可能対象物群を特定する方法を説明するための説明図。

本発明の実施形態の一例について説明する。
＜構成＞
図１は、情報処理装置１のハードウェア構成を示す図である。情報処理装置１は、本発明に係る情報処理装置の一例である。情報処理装置１は、制御部１１、記憶部１２、通信部１３及びＵＩ（User Interface）部１４を備えたコンピュータである。制御部１１は、ＣＰＵ（Central Processing Unit）などの演算装置と、ＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）などの記憶装置とを備えており、情報処理装置１の全体的な制御を行う。ＲＯＭには、ハードウェアやＯＳ（Operating System）の起動の手順を記述したファームウェアが記憶されている。ＲＡＭは、ＣＰＵが演算を実行する際のデータの記憶に用いられる。

記憶部１２は、例えば半導体メモリやハードディスク記憶装置などを備え、ＯＳのほか、各種の機能を実現するためのプログラム）を記憶している。さらに、記憶部１２は、複数のユーザが自身のパーソナルコンピュータやスマートホン等の通信装置を用いてインターネット上のショッピングウェブサイトを利用した結果に関する情報と、インターネット上のショッピングウェブサイトで販売される商品に関連する情報とを記憶している。

具体的には、記憶部１２は、インターネット上のショッピングウェブサイトにおいて各ユーザが商品を購入した履歴である購入履歴（例えば商品を購入したユーザのユーザＩＤ、購入日時、購入した商品の名称、及び価格や用途などの商品の属性）と、ショッピングウェブサイトにおいて各ユーザが商品を閲覧した履歴である閲覧履歴（ユーザＩＤ、閲覧日時、閲覧したウェブページのアドレス）と、ショッピングウェブサイトにおいて販売可能な商品のカタログの履歴であるカタログ履歴（ショッピングウェブサイトのアドレス、カタログの更新日時、各更新日時のカタログに含まれている各商品の名称、価格や用途などの商品の属性、及び各商品が販売可能か否かを示す情報）とを記憶している。カタログ履歴に含まれる、各商品が販売可能か否かを示す情報は、例えばその商品の在庫の有無である。

これらの購入履歴、閲覧履歴及びカタログ履歴は、インターネット上のショッピングウェブサイトを管理するウェブサーバ装置からインターネットを介して情報処理装置１に収集されてもよいし、また、情報処理装置１自身がインターネット上のショッピングウェブサイトを管理するウェブサーバ装置であってもよい。

通信部１３は、外部の通信装置との間で通信を行うための通信Ｉ／Ｆ（Interface）を備えており、インターネット等の通信回線に接続される。ＵＩ部１４は、表示部と操作部とを含む。表示部は例えば液晶表示装置を備え、情報処理装置１を操作するための画面を表示面に表示する。操作部は、例えば表示部１４の表示面を覆うように設けられたタッチパネルや、表示面に隣接する位置に設けられたキーボードなどを備えており、操作を受け付けて、その操作に応じた信号を制御部１１に出力する。制御部１１は、この操作の内容に従って情報処理装置１を制御する。

ここで、ユーザに対してそのユーザの嗜好に合致した商品を推薦する推薦システムについて簡単に説明する。なお、ユーザが購入する対象は商品以外にサービス等も含まれるため、以下では、ユーザが購入する対象（商品またはサービス）を「対象物」と総称する。

ユーザに商品を推薦する仕組みにおいては、ユーザにより購入された商品と類似する商品をユーザは好み、購入されなかった商品と類似する商品を好まないというアルゴリズムに従い、ユーザの嗜好について学習を行う。
ユーザuの対象物iに対する嗜好の強さｖ_uiは式（１）で表される。

ここで、q_i ^T （Tは転置行列）は対象物の特徴を示すベクトルであり、p_u はユーザが好む対象物の特徴を示すベクトルである。これらベクトルの内積が、ユーザuの好みと対象物iの特徴との合致度であり、嗜好の強さｖ_uiに相当する。

ユーザuの対象物iに対する嗜好の強さｖ_uiとユーザuの対象物ｊに対する嗜好の強さｖ_ujとの差Ｘ_uijは式（２）で表される。

ユーザｕが対象物iを購入して対象物jを購入しない確率pは、上述したｘ_uijのシグモイド関数である式（３）で表現される。ここでIは対象物の全集合、I_u ⁺は対象物の全集合のうちユーザuが購入した対象物の部分集合である。

そして、式（４）に示すように確率が最大化するように、パラメータΘを逐次更新して学習していく。パラメータΘとして、たとえば各ユーザのベクトルp_uや各アイテムのq_iの各成分が含まれる。つまり、ユーザが購入した対象物に対する嗜好の強さとユーザが購入しなかった対象物に対する嗜好の強さとの差が大きくなるように学習を行う。

ここで、ユーザが購入していない対象物には、その購入時において例えば在庫切れや販売停止、或いはユーザが販売対象としての存在を認識していなかった等の理由で、ユーザの意思にかかわらずそのユーザが購入することができなかった対象物も含まれている。このようにユーザの意思にかかわらず購入不可能であった対象物群を、ユーザの意思により購入されなかった対象物として学習すると、ユーザの嗜好を誤って学習してしまうおそれがある。

そこで、本実施形態では、ユーザが購入する対象物を選択するときにおいて、そのユーザにより選択候補になり得ていたと推定される対象物のなかから、ユーザにより購入されなかった対象物群を認識する。つまり、式（３）において、ユーザにより購入されなかった対象物jを、そのユーザが対象物ｉを購入したときにその対象物ｉ以外に購入可能だった対象物とする。

図２は、情報処理装置１の機能構成を示すブロック図である。これらの機能は、制御部１１が記憶部１２に記憶されたプログラムを実行することによって実現される。第１特定部１０１は、ユーザが購入した対象物を特定する。第２特定部１０２は、ユーザが対象物を購入したときに当該ユーザが購入できなかった対象物を除外した購入可能対象物群を特定する。分析部１０３は、第１特定部１０１によって特定された対象物と、第２特定部１０２によって特定された購入可能対象物群とに基づいて、ユーザの嗜好を分析する。

第２特定部１０２は、次のようにして購入可能対象物群を特定する。例えば、第２特定部１０２は、第１特定部１０１によって特定された対象物の販売元において、販売可能な対象物の一覧に含まれている対象物群を購入可能対象物群として特定する。つまり、第２特定部１０２は、第１特定部１０１によって特定された対象物の販売元において販売可能な対象物の一覧に含まれていない対象物群を購入可能対象物群から除外する。また、第２特定部１０２は、一覧に含まれている対象物群のうち、第１特定部１０１によって特定された対象物と共通する属性である対象物群を購入可能対象物群として特定する。つまり、第２特定部１０２は、一覧に含まれていない対象物群であって第１特定部１０１によって特定された対象物と共通しない属性である対象物群を購入可能対象物群から除外する。また、第２特定部１０２は、ユーザが閲覧した可能性がある対象物群を購入可能対象物群として特定する。つまり、第２特定部１０２は、ユーザが閲覧していない対象物群を購入可能対象物群から除外する。また、第２特定部１０２は、ユーザが閲覧した可能性がある期間が閾値以上の対象物群を購入可能対象物群として特定する。つまり、第２特定部１０２は、ユーザが閲覧した可能性がある期間が閾値以上の対象物群以外を購入可能対象物群から除外する。また、第２特定部１０２は、第１特定部１０１によって特定された対象物の購入時期に対する所定の前後の期間において、当該対象物の販売元において他のユーザに販売された対象物群を購入可能対象物群として特定する。つまり、第２特定部１０２は、第１特定部１０１によって特定された対象物の購入時期に対する所定の前後の期間において当該対象物の販売元において他のユーザに販売されていない対象物群を購入可能対象物群から除外する。

＜動作＞
次に図３，４を参照しながら情報処理装置１の動作を説明する。第１特定部１０１は、或るユーザＡにより或る販売元（ショッピングウェブサイト）で購入された対象物ａを１つ特定し、第２特定部１０２は、その対象物ａが購入されたときにユーザＡが購入できなかった対象物を除外した購入可能対象物群を特定する（図３ステップＳ１１）。ユーザが可能対象物群を特定するときの条件は以下のとおりである。

第１に、第２特定部１０２は、カタログ履歴を参照して、ユーザＡが対象物ａを購入した時点において、販売元（ショッピングウェブサイト）のカタログに掲載されていない対象物と在庫が無い対象物とを除外して、購入可能対象物群を特定する（条件１）。これにより、図４の例では、ユーザＡが購入していない対象物群のうち、カタログに掲載されていない対象物であるか又はそのカタログに掲載されているが在庫が無い対象物である対象物ｇが除外される。なお、ここでいう対象物は、例えば「しゃけおにぎり」や「梅干しおにぎり」などの、おにぎりというカテゴリに属する各商品であってもよいし、「おにぎり」や「サンドイッチ」というカテゴリであってもよい。つまり、各対象物をどのような概念で区別するかは任意である。

第２に、第２特定部１０２は、購入履歴を参照して、ユーザＡが対象物ａを購入した時点の前後の所定の期間（例えば購入時点より１週間前から購入時点より３日後まで、購入時点と同じ日付、購入時点と同じ週等）において、同じ販売元から他のユーザにより購入された対象物を購入可能対象物群として特定する（条件２）。これにより、図４の例では、ユーザＡが購入していない対象物群のうち、前述した対象物ｇのほか、ユーザＡが対象物ａを購入した時点の前後の所定の期間において同じ販売元から他のユーザにより購入されていなかった対象物ｆが除外される。

第３に、第２特定部１０２は、カタログ履歴を参照して、ユーザＡが対象物ａを購入した時点でその対象物ａを含む一覧を閲覧可能なウェブページと同じウェブページに掲載されていた対象物を購入可能対象物群として特定する（条件３）。これにより、図４の例では、ユーザＡが購入していない対象物群のうち、前述した対象物f,ｇのほか、ユーザＡが対象物ａを購入した時点でその対象物ａが閲覧可能なウェブページと同じウェブページに掲載されていなかった対象物ｅが除外される。

第４に、第２特定部１０２は、閲覧履歴を参照して、ユーザＡが対象物ａを購入した時点よりも所定期間（例えば２４時間とか同じ日付、同じ週等）だけ前の期間から、その購入時点までの間において、ユーザＡによって閲覧されたと推定される対象物を購入可能対象物群として特定する（条件４の１）。例えばその対象物の詳細ページに遷移するためのリンクがユーザにより指定されたこと等によって、ユーザＡによってその対象物が閲覧されたと推定される。これにより、図４の例では、ユーザＡが購入していない対象物群のうち、前述した対象物e,f,ｇのほか、ユーザＡが対象物ａを購入した時点よりも所定期間だけ前の期間からその購入時点までの間においてユーザＡによって閲覧されていなかったと推定される対象物ｄが除外される。

さらに、第２特定部１０２は、閲覧履歴を参照して、ユーザＡが対象物ａを購入したときに閲覧したと推定される他の対象物の閲覧時間を算出する（条件４の２）。これは、例えばその対象物の詳細ページに遷移するためのリンクが指定されてから他のウェブページに遷移するまでの期間によって特定される。これにより、図４の例では、対象物ｂの閲覧時間が６０秒と算出され、対象物ｃの閲覧時間が３０秒と推定される。

上記のいずれの条件を採用するかは任意である。例えば、購入可能対象物群を特定する条件として条件１，２が採用される場合には、対象物ｂ，ｃ，ｄ，ｅが特定される。そして各条件１〜４との合致度に応じて式（４）におけるサンプリング確率が決定される。具体的には、条件１〜４の１に合致し且つ条件４の２の閲覧時間が６０秒の対象物ｂのサンプリング確率は０．４となり、条件１〜４の１に合致し且つ条件４の２の閲覧時間が３０秒の対象物ｃのサンプリング確率は０．３となり、条件１〜３に合致した対象物ｄのサンプリング確率は０．２となり、条件１〜２に合致した対象物ｅのサンプリング確率は０．１となる。つまり、ユーザが対象物ａを購入するときに購入候補とされていた確率が高い対象物ほどサンプリング確率が高くなり、より大きな重みで学習が行われることになる。

次に、分析部１０３は、購入された対象物を式（１）〜（４）における対象物ｉとし、ステップＳ１１で特定された購入可能対象物群をそれぞれ式（１）〜（４）における対象物ｊとしてユーザの嗜好を学習する（ステップＳ１２）。そして、分析部１０３は学習したユーザの嗜好に応じて、その嗜好に合致する対象物を特定し、それらをユーザに対して表示やメッセージ等により推薦する（ステップＳ１３）。

本実施形態によれば、ユーザの嗜好により合致するような対象物がそのユーザに推薦される。

＜変形例＞
実施形態を次のように変形してもよい。また、複数の変形例を組み合わせてもよい。
＜１＞
実施形態では、ユーザが対象物を購入したときに当該ユーザが購入できなかった対象物を除外した購入可能対象物群のみ（実施形態の例では条件１，２を採用したときの対象物ｂ，ｃ，ｄ，ｅ）を用いてユーザの嗜好を学習していた。これを、ユーザが対象物を購入したときに当該ユーザが購入できなかった対象物（実施形態の例では条件１，２を採用したときの対象物ｆ，ｇ）の重み（サンプリング確率）を、購入可能対象物群（実施形態の例では条件１，２を採用したときの対象物ｂ，ｃ，ｄ，ｅ）の重みよりも小さくしてユーザの嗜好を学習すればよい。実施形態は、ユーザが対象物を購入したときに当該ユーザが購入できなかった対象物の重みが「０（ゼロ）」の例である。

＜２＞
実施形態は、ユーザがインターネット上のショッピングウェブサイトを利用した結果に基づいてそのユーザの嗜好を学習していたが、現実の対象物を販売している店舗を利用した結果に基づいてそのユーザの嗜好を学習してもよい。具体的には、記憶部１２は、店舗において各ユーザが商品を購入した履歴である購入履歴（例えば商品を購入したユーザのユーザＩＤ、購入日時、購入した商品の名称、及び価格や用途などの商品の属性）と、店舗において各ユーザが商品を閲覧した履歴である閲覧履歴（ユーザＩＤ、閲覧日時、閲覧した商品棚の識別情報）と、店舗において販売可能な商品のカタログの履歴であるカタログ履歴（店舗の識別情報、カタログの更新日時、各更新日時のカタログに含まれている各商品の名称、価格や用途などの商品の属性、及び各商品が販売可能か否かを示す情報）とを記憶している。購入履歴は、例えば各ユーザに渡された店舗カードを用いて管理される。閲覧履歴は、例えばショッピングカートや店舗内に搭載されたカメラによって撮像された画像を解析することによって管理される。カタログ履歴は、例えば店舗のオンラインシステムによって管理される。

＜３＞
第１特定部１０１によって特定された対象物と共通する属性である対象物群を購入可能対象物群として特定するようにしてもよい。例えば購入された対象物と価格帯や用途が共通する対象物が購入可能対象物群として特定され、これに応じた嗜好の学習がなされる。

＜４＞
実施形態において、分析部１０３は、ユーザが閲覧した可能性がある期間に応じた重みで購入可能対象物を用いた分析を行っていたが、ユーザが閲覧した可能性がある期間が閾値以上の対象物群を購入可能対象物群として特定してもよい。

＜５＞
上記の実施形態では、制御部１１がプログラムを実行することによって上記の機能を実現する例を示したが、上記の機能がハードウェア回路で実装されていてもよい。また、このプログラムを、光記録媒体、半導体メモリ等、コンピュータで読み取り可能な記録媒体に記録して提供し、この記録媒体からプログラムを読み取って情報処理装置にインストールするようにしてもよい。また、このプログラムを電気通信回線で提供してもよい。

１…情報処理装置、１１…制御部、１２…記憶部、１３…通信部、１４…ＵＩ部、１０１…第１特定部、１０２…第２特定部、１０３…分析部。

Claims

ユーザの購入履歴からユーザの対象物に対する嗜好度を算出し、嗜好度が低い対象物より嗜好度が高い対象物を選択して推薦する推薦システムであって、
ユーザが購入しなかった未購入対象物について、前記対象物の販売状況又はユーザの閲覧履歴に関する情報に基づき、ユーザが前記未購入対象物を購入対象候補としていた確率である購入候補可能性を算出し、
前記購入候補可能性が低い未購入対象物と比較して前記購入候補可能性が高い未購入対象物の嗜好度が低くなるように重みづけを行うことを特徴とする推薦システム。
前記対象物の販売状況に関する情報は、ユーザが購入した購入済対象物の販売元においてユーザが前記購入済対象物を購入した時点で前記未購入対象物が販売可能であったか否かを示す情報であり、
前記未購入対象物が販売可能だった場合、販売可能でなかった未購入対象物と比較して、前記購入候補可能性を高く算出する
ことを特徴とする請求項１記載の推薦システム。
前記未購入対象物が販売可能だった場合、販売可能ではなく且つ前記購入済対象物と共通しない属性の未購入対象物と比較して、前記購入候補可能性を高く算出する
ことを特徴とする請求項２記載の推薦システム。
前記ユーザの閲覧履歴に関する情報は、ユーザが購入済対象物を購入した時点で当該購入済対象物を含む一覧を閲覧可能なウェブページに掲載されていたかどうかを示す情報であり、
前記未購入対象物が前記ウェブページに掲載されていた場合、掲載されていなかった未購入対象物と比較して、前記購入候補可能性を高く算出する
ことを特徴とする請求項１〜３のいずれか１項に記載の推薦システム。
前記未購入対象物が前記ウェブページに掲載されていた期間が長い場合、掲載されていた期間が短い未購入対象物と比較して、前記購入候補可能性を高く算出する
ことを特徴とする請求項４に記載の推薦システム。
前記未購入対象物が前記ウェブページに掲載されていた期間が閾値以上の場合、掲載されていた期間が閾値未満の未購入対象物と比較して、前記購入候補可能性を高く算出する
ことを特徴とする請求項４に記載の推薦システム。
前記対象物の販売状況に関する情報は、ユーザが購入した購入済対象物の販売元においてユーザが前記購入済対象物を購入した時点で前記未購入対象物が販売可能であったか否かを示す情報であり、
前記未購入対象物が前記購入済対象物の購入時期に対する所定の前後の期間において当該購入済対象物の販売元において他のユーザに販売されていた場合、他のユーザに販売されていなかった未購入対象物と比較して、前記購入候補可能性を高く算出する
ことを特徴とする請求項１に記載の推薦システム。
ユーザの購入履歴からユーザの対象物に対する嗜好度を算出し、嗜好度が低い対象物より嗜好度が高い対象物を選択して推薦するコンピュータに、
ユーザが購入しなかった未購入対象物について、前記対象物の販売状況又はユーザの閲覧履歴に関する情報に基づき、ユーザが前記未購入対象物を購入対象候補としていた確率である購入候補可能性を算出させ、
前記購入候補可能性が低い未購入対象物と比較して前記購入候補可能性が高い未購入対象物の嗜好度が低くなるように重みづけを行わせるためのプログラム。
ユーザが購入した対象物を特定する第１特定手段と、
前記ユーザが前記対象物を購入したときに当該ユーザが購入できなかった対象物を除外した購入可能対象物群を特定する第２特定手段と、
前記第１特定手段によって特定された対象物と、前記第２特定手段によって特定された購入可能対象物群とに基づいて、ユーザの嗜好を分析する分析手段とを備え、
前記第２特定手段は、
前記第１特定手段によって特定された対象物の購入時期に対する所定の前後の期間において当該対象物の販売元において他のユーザに販売されていない対象物群を前記購入可能対象物群から除外する
ことを特徴とする情報処理装置。
コンピュータを、
ユーザが購入した対象物を特定する第１特定手段と、
前記ユーザが前記対象物を購入したときに当該ユーザが購入できなかった対象物を除外した購入可能対象物群を特定する第２特定手段と、
前記第１特定手段によって特定された対象物と、前記第２特定手段によって特定された購入可能対象物群とに基づいて、ユーザの嗜好を分析する分析手段として機能させ、
前記第２特定手段は、
前記第１特定手段によって特定された対象物の購入時期に対する所定の前後の期間において当該対象物の販売元において他のユーザに販売されていない対象物群を前記購入可能対象物群から除外するプログラム。