JP7083375B2 - 個人化コンテンツ推薦のためのリアルタイムグラフに基づく埋め込み構築方法およびシステム - Google Patents

Description

以下の説明は、個人化コンテンツ推薦のためのコンテンツ埋め込み（ｃｏｎｔｅｎｔ ｅｍｂｅｄｄｉｎｇ）技術に関する。

膨大な量と種類のコンテンツがサービスされている近年の状況において、多様な基準によってユーザにコンテンツを推薦するサービスが登場しているが、最も代表的な例として個人化推薦サービスが挙げられる。

個人化推薦サービスとは、ユーザの活動（例えば、コンテンツの利用パターンやコンテンツの購入パターンなど）を基準としてユーザに適したコンテンツ、すなわち、個人化されたコンテンツを推薦するサービスである。

このような個人化推薦サービスの従来の方式は、ユーザの過去の活動を利用して活動パターンを分析し、ユーザの活動パターンと類似のパターンを有する他のユーザを検索し、検索された他のユーザが利用あるいは購入したコンテンツをユーザに推薦する方式を採用している。

特許文献１（登録日２０１６年８月４日）には、複数のユーザグループを対象に、複数のコンテンツのうちの適したものを、複数のユーザの各コンテンツに対する相互作用に基づくユーザグループ別のスコアと、該当のユーザが属するユーザグループの優先順位に基づいて提供することにより、該当のユーザに対して適合度の高いコンテンツを推薦することができる技術が開示されている。

韓国登録特許第１０－１６４７３６４号公報

個人化推薦のためのコンテンツ埋め込み（ｃｏｎｔｅｎｔ ｅｍｂｅｄｄｉｎｇ）として、ユーザに表示されたコンテンツはもちろん、表示されなかったコンテンツまで含んだ埋め込みを提供することができる方法およびシステムを提供する。

個人化推薦のための埋め込みとして、コンテンツの外観的な類似性だけはなく、クリック（ｃｌｉｃｋ）関係、ドメイン（ｄｏｍａｉｎ）類似性、セッション（ｓｅｓｓｉｏｎ）関係を含んだ埋め込みを提供することができる方法およびシステムを提供する。

個人化推薦に利用するための埋め込みとして、ユーザの活動をリアルタイムで反映したユーザ埋め込み（ｕｓｅｒ ｅｍｂｅｄｄｉｎｇ）を提供することができる方法およびシステムを提供する。

コンピュータシステムが実行する個人化推薦のための埋め込み方法であって、前記コンピュータシステムは、少なくとも１つのプロセッサを含み、当該個人化推薦のための埋め込み方法は、前記少なくとも１つのプロセッサが、推薦対象となるコンテンツとの関係を示すグラフを生成する段階、前記少なくとも１つのプロセッサが、前記グラフを利用して前記コンテンツの埋め込みを学習する段階、および前記少なくとも１つのプロセッサが、前記学習が完了したグラフに前記コンテンツと関連するユーザの活動を反映して前記ユーザの埋め込みを実行する段階を含む、個人化推薦のための埋め込み方法を提供する。

一側面によると、前記生成する段階は、前記コンテンツをノードで構成する段階、および前記コンテンツ間の外観（ａｐｐｅａｒａｎｃｅ）の類似関係を示す外観的類似性、同じユーザによってクリックされた関係を示すクリック関係、同じセッション（ｓｅｓｓｉｏｎ）に表示される関係を示すセッション関係、同じドメイン（ｄｏｍａｉｎ）をもつ関係を示すドメイン類似性のうちの２つ以上の関係をエッジで構成する段階を含んでよい。

他の側面によると、前記生成する段階は、前記コンテンツを格納および維持するコンテンツデータベースと前記ユーザの活動履歴を格納および維持するユーザデータベースから前記コンテンツ間の関係を抽出し、抽出された関係をグラフ構造で構築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、ＧＮＮ（ｇｒａｐｈ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）基盤の学習モデルを利用して関係があるコンテンツの埋め込みを学習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、ＧＮＮ基盤の学習モデルを利用して前記ユーザがクリックしたコンテンツのシーケンス集合を学習データとし、以前にクリックした以前コンテンツと前記以前コンテンツの次にクリックした次コンテンツを埋め込ませる段階を含んでよい。

また他の側面によると、前記実行する段階は、前記ユーザを仮想ノード（ｖｉｒｔｕａｌ ｎｏｄｅ）で表現し、前記仮想ノードを前記ユーザの活動と関連するコンテンツのノードに連結させる段階を含んでよい。

また他の側面によると、前記実行する段階は、前記仮想ノードと連結するコンテンツの埋め込みを結合して前記ユーザの埋め込みを計算する段階、および前記ユーザの活動をリアルタイムで受信して前記計算された埋め込みをアップデートする段階を含んでよい。

また他の側面によると、当該個人化推薦のための埋め込み方法は、前記少なくとも１つのプロセッサが、前記コンテンツの埋め込みと前記ユーザの埋め込みに基づいて推薦コンテンツを選択する段階をさらに含んでよい。

また他の側面によると、前記選択する段階は、前記ユーザの埋め込み値と距離が最も近い埋め込み値を有するコンテンツを前記推薦コンテンツとして選択してよい。

さらに他の側面によると、前記ユーザの埋め込みは、前記ユーザの活動にともなってリアルタイムでアップデートされ、前記選択する段階は、前記ユーザの埋め込み計算時間が事前に定められた閾値を超える場合、以前に計算された埋め込みを利用して前記推薦コンテンツを選択してよい。

前記個人化推薦のための埋め込み方法を前記コンピュータシステムに実行させるためのコンピュータプログラムを提供する。

前記個人化推薦のための埋め込み方法をコンピュータに実行させるためのプログラムが記録されている、非一時的なコンピュータ読み取り可能な記録媒体を提供する。

コンピュータシステムであって、メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも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、推薦対象となるコンテンツ間の関係を示すグラフを生成するグラフ生成部、前記グラフを利用して前記コンテンツの埋め込みを学習するコンテンツ埋め込み部、および前記学習が完了したグラフに前記コンテンツと関連するユーザの活動を反映して前記ユーザの埋め込みを実行するユーザ埋め込み部を含む、コンピュータシステムを提供する。

本発明の実施形態によると、個人化推薦のためのコンテンツ埋め込みとして、ユーザに表示されたコンテンツはもちろん、表示されなかったコンテンツまで含んだ埋め込みを提供することができる。

本発明の実施形態によると、個人化推薦のためのコンテンツ埋め込みとして、コンテンツの外観的な類似性だけでなく、クリック関係、ドメイン類似性、セッション関係を含んだ埋め込みを提供することができる。

本発明の実施形態によると、個人化推薦に利用するための埋め込みとして、ユーザの活動をリアルタイムで反映したユーザ埋め込み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のできる構成要素の例を示したブロック図である。 本発明の一実施形態における、サーバが実行することの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、コンテンツとの関係を示すコンテンツグラフを生成する過程の一例を説明するための図である。 本発明の一実施形態における、コンテンツとの関係を示すコンテンツグラフを生成する過程の一例を説明するための図である。 本発明の一実施形態における、コンテンツとの関係を示すコンテンツグラフを生成する過程の一例を説明するための図である。 本発明の一実施形態における、コンテンツ埋め込み過程の一例を説明するための図である。 本発明の一実施形態における、ユーザ埋め込み過程の一例を説明するための図である。 本発明の一実施形態における、グラフ基盤のコンテンツ埋め込みとユーザ埋め込みを利用した個人化推薦システムの例を示したブロック図である。

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、個人化コンテンツ推薦のためのコンテンツ埋め込み技術に関する。

本明細書で具体的に開示される事項を含む実施形態は、個人化推薦のためのコンテンツ埋め込みとしてユーザに表示されたコンテンツはもちろん、表示されなかったコンテンツまで含み、ユーザの活動をリアルタイムで反映した埋め込みを提供することができ、これによってコンテンツに対する個人化推薦モデルの性能を向上させることができる。

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、コンピュータシステム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、ＡＩスピーカ、スマートフォン、携帯電話、ナビゲーション、ＰＣ（ｐｅｒｓｏｎａｌ ｃｏｍｐｕｔｅｒ）、ノート型ＰＣ、デジタル放送用端末、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、ＰＭＰ（Ｐｏｒｔａｂｌｅ Ｍｕｌｔｉｍｅｄｉａ Ｐｌａｙｅｒ）、タブレット、ゲームコンソール、ウェアラブルデバイス、ＩｏＴ（ｉｎｔｅｒｎｅｔ ｏｆ ｔｈｉｎｇｓ）デバイス、ＶＲ（ｖｉｒｔｕａｌ ｒｅａｌｉｔｙ）デバイス、ＡＲ（ａｕｇｍｅｎｔｅｄ ｒｅａｌｉｔｙ）デバイスなどがある。一例として、図１では、電子機器１１０の例としてＡＩスピーカを示しているが、本発明の実施形態において、電子機器１１０は、実質的に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と通信することのできる多様な物理的なコンピュータシステムのうちの１つを意味してよい。

通信方式が限定されることはなく、ネットワーク１７０が含むことのできる通信網（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、衛星網など）を利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、ツリーまたは層的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。

サーバ１５０、１６０それぞれは、複数の電子機器１１０、１２０、１３０、１４０とネットワーク１７０を介して通信して命令、コード、ファイル、コンテンツ、サービスなどを提供する１つ以上のコンピュータ装置によって実現されてよい。例えば、サーバ１５０は、ネットワーク１７０を介して接続した複数の電子機器１１０、１２０、１３０、１４０に第１サービスを提供するシステムであってよく、サーバ１６０も、ネットワーク１７０を介して接続した複数の電子機器１１０、１２０、１３０、１４０に第２サービスを提供するシステムであってよい。より具体的な例として、サーバ１５０は、複数の電子機器１１０、１２０、１３０、１４０においてインストールされて実行されるコンピュータプログラムであるアプリケーションを通じ、該当のアプリケーションが目的とするサービス（一例として、個人化推薦サービスなど）を第１サービスとして複数の電子機器１１０、１２０、１３０、１４０に提供してよい。他の例として、サーバ１６０は、上述したアプリケーションのインストールおよび実行のためのファイルを複数の電子機器１１０、１２０、１３０、１４０に配布するサービスを第２サービスとして提供してよい。

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、電子機器に対する例として電子機器１１０の内部構成およびサーバ１５０の内部構成について説明する。また、他の電子機器１２０、１３０、１４０やサーバ１６０も、上述した電子機器１１０またはサーバ１５０と同一または類似の内部構成を有してよい。

電子機器１１０およびサーバ１５０は、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、非一時的なコンピュータ読み取り可能な記録媒体であって、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、ＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、ディスクドライブ、ＳＳＤ（ｓｏｌｉｄ ｓｔａｔｅ ｄｒｉｖｅ）、フラッシュメモリ（ｆｌａｓｈ ｍｅｍｏｒｙ）などのような永続的大容量記録装置を含んでよい。ここで、ＲＯＭ、ＳＳＤ、フラッシュメモリ、ディスクドライブのような永続的大容量記録装置は、メモリ２１１、２２１とは区分される別の永続的記録装置として電子機器１１０やサーバ１５０に含まれてもよい。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、電子機器１１０においてインストールされて実行されるブラウザや特定のサービスの提供のために電子機器１１０にインストールされるアプリケーションなどのためのコード）が記録されてよい。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み取り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み取り可能な記録媒体は、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み取り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、コンピュータ読み取り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コンピュータプログラム（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記録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、電子機器１１０および／またはサーバ１５０が他の電子機器（一例として、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、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記録されたプログラムコードに従って生成した要求が、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。これとは逆に、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を経て電子機器１１０の通信モジュール２１３を通じて電子機器１１０に受信されてよい。例えば、通信モジュール２１３を通じて受信されたサーバ１５０の制御信号や命令、コンテンツ、ファイルなどは、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、電子機器１１０がさらに含むことのできる記録媒体（上述した永続的記録装置）に記録されてよい。

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、マウス、マイクロフォン、カメラなどの装置を、出力装置は、ディスプレイ、スピーカ、触覚フィードバックデバイスなど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。入力／出力装置２１５は、電子機器１１０と１つの装置で構成されてもよい。また、サーバ１５０の入力／出力インタフェース２２４は、サーバ１５０に接続するかサーバ１５０が含むことのできる入力または出力のための装置（図示せず）とのインタフェースのための手段であってよい。より具体的な例として、電子機器１１０のプロセッサ２１２がメモリ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が、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されてよい。

また、他の実施形態において、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、大部分の従来技術的構成要素を明確に図に示す必要はない。例えば、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、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、電子機器１１０がＡＩスピーカである場合、一般的にＡＩスピーカが含んでいる各種センサ、カメラモジュール、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、電子機器１１０にさらに含まれるように実現されてよい。

以下では、個人化コンテンツ推薦のためのリアルタイムグラフに基づく埋め込み構築方法およびシステムの具体的な実施形態について説明する。

先ず、ニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）と個人化推薦システムについて、次のように簡単に説明する。

ニューラルネットワークは、教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）を用いた機械学習アルゴリズムの１つである。

ニューラルネットワークを学習することは、与えられたデータＤ＝｛ｘ、ｙ｝に対してｘとｙの間の適切なマッピング関数Ｆ（ｘ）＝ｙを探索することにある。ニューラルネットワークは多くの層で構成され、１つの層は線形演算と非線形演算に分けられる。線形演算は、入力ベクトルｘに対するアフィン変換（ａｆｆｉｎｅ ｔｒａｎｓｆｏｒｍ）ｗｘ＋ｂであり、非線形演算は、アフィン変換の結果値に活性化関数（ａｃｔｉｖａｔｉｏｎ ｆｕｎｃｔｉｏｎ）を適用させるものである。活性化関数の代表的な例としてシグモイド関数が利用されてよい。ニューラルネットワークが多層である場合、１つの層の出力ベクトルはその次の層の入力ベクトルとなる。

ニューラルネットワークの最終出力ｙは、分類問題（ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｐｒｏｂｌｅｍ）の場合にはカテゴリ値（ｃａｔｅｇｏｒｉｃａｌ ｖａｌｕｅ）となり、回帰問題（ｒｅｇｒｅｓｓｉｏｎ ｐｒｏｂｌｅｍ）の場合には実数値（ｒｅａｌ ｖａｌｕｅ）となる。ニューラルネットワークの学習は、アフィン変換に使用するパラメータｗとｂの適切な値を探索することであり、逆伝播（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）アルゴリズムを使用して探索がなされてよい。

また、グラフニューラルネットワーク（ｇｒａｐｈ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）の場合、ネットワーク入力Ｘ＝｛ｘ_１、・・・、ｘ_ｎ｝はグラフで構成されている。

入力データ集合ＤはＤ＝｛ｘ_ｉ、ｙ_ｉ、Ａ｝_{ｉ＝１・・・ｎ}のとおりとなる。ここで、ｘ_ｉは入力ベクトル、ｙ_ｉは出力ベクトル、Ａはすべての入力ｘに対する隣接行列（ａｄｊａｃｅｎｃｙ ｍａｔｒｉｘ）を示す。グラフニューラルネットワークの各層で線形演算をするアフィン変換は、隣接行列が追加されたＡｘｗとなる。２つの層で構成されたグラフニューラルネットワークの分類器の式は、数式（１）のように定義されてよい。

グラフニューラルネットワークの演算を単純化すると、ｈ_ｉ＋１＝ｔｒａｎｓｆｏｒｍ（ａｇｇｒｅｇａｔｅ（Ａ、ｈ_ｉ）、ｗ）で表現されてよく、併合関数（ａｇｇｒｅｇａｔｅ）は入力ベクトルをグラフの隣接ノードと併合する過程であり、変換関数（ｔｒａｎｓｆｏｒｍ）は一般的なニューラルネットワークで使用するアフィン変換と活性化関数を適用する過程である。ｈ_ｉ、ｈ_ｉ＋１はそれぞれ、ｉ番目とｉ＋１番目の層において各ノードの隠れベクトル（ｈｉｄｄｅｎ ｖｅｃｔｏｒ）を意味する。

追加で、スペクトルグラフ畳み込み（ｓｐｅｃｔｒａｌ ｇｒａｐｈ ｃｏｎｖｏｌｕｔｉｏｎ）を使用する場合は、隣接行列Ａを直ぐに使用する代わりにＤ^－１／２ＡＤ^－１／２を使用してよく、Ｄはグラフのｄｅｇｒｅｅ行列を意味する。

また、個人化推薦システムは、ユーザに最適なコンテンツを提供するシステムであるが、代表的な方法として協調フィルタリング（ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ）、ＦＭ（ｆａｃｔｏｒｉｚａｔｉｏｎ ｍａｃｈｉｎｅ）などがある。

協調フィルタリング方式は、過去の情報からユーザとコンテンツ間のインタラクション行列（ｉｎｔｅｒａｃｔｉｏｎ ｍａｔｒｉｘ）を生成し、インタラクションがないユーザとコンテンツの記録は行列因子分解（ｍａｔｒｉｘ ｆａｃｔｏｒｉｚａｔｉｏｎ）によって計算する。このとき、計算された値のうちで最も高い値のコンテンツが推薦される。一般的には、ユーザとコンテンツ間のインタラクション行列を２つの小さな行列に因子分解し、各行列はユーザとコンテンツの埋め込み行列となる。

ＦＭ方式は、線形演算によってユーザとコンテンツ間の連関度点数を計算する。連関度点数は数式（２）のように定義されてよい。

ここで、ｘはユーザとコンテンツ間に関連する入力値であり、ｗは入力に対する特徴埋め込みとして学習パラメータを意味する。

ＦＭ方式は、ユーザとコンテンツを多重カテゴリ値（例えば、ユーザ－＞性別、年齢、地域など）で表現し、カテゴリ間で可能な２次的な組み合わせの点数を合計した後、ユーザに対して最も高い点数のコンテンツを推薦する。このようなＦＭ方式は簡単ながらも推論速度が早いため、個人化推薦システムにおいて広く使用されている。

個人化推薦モデルを教師あり学習モデルによって構築する場合、学習データは必ず入力と出力の対で構成されなければならない。しかし、ほとんどのユーザは全体コンテンツのうちの極少数だけに表示されるため、ラベリング（ｌａｂｅｌｉｎｇ）されているコンテンツの数は制限的である。このような事実は、個人化推薦システムが埋め込みを学習することの妨げとなる。ＩｍａｇｅＮｅｔデータセットなどによって予め学習された深層学習モデルを使用することでコンテンツの埋め込みをサポートすることもできるが、このような場合にはコンテンツの外観しか表現することができないという限界がある。コンテンツ間の関係は、外観の類似程度を越え、意味的類似性やドメイン関連性などが含まれることもあるためである。まとめると、個人化推薦モデルの性能を高めるためには、ユーザに表示されなかったコンテンツも適切な埋め込み学習がなされなければならず、埋め込みは、コンテンツの外観だけでなく多様な特徴を表現しなければならない。

さらに、協調フィルタリングやＦＭのような従来の推薦システムは、ユーザごとに固定の埋め込みを有している。すなわち、学習が完成したユーザ埋め込み値は、ユーザが新たな活動をする間は変わらないのである。このような個人化推薦システムは、昨日まで学習したユーザの意図が、今日新たな活動をするユーザの意図と同じであるという仮定に基づいている。ところが、ユーザの意図はリアルタイムに変化する。個人化推薦のためのユーザ埋め込みは、リアルタイムに変化する意図を把握して素早くアップデートされることが好ましいと言える。

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のできる構成要素の例を示したブロック図であり、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のできる方法の例を示したフローチャートである。

本実施形態に係るサーバ１５０は、個人化されたコンテンツを推薦する個人化推薦サービスを提供するプラットフォームの役割を担う。

サーバ１５０のプロセッサ２２２は、図４に係る個人化推薦のための埋め込み方法を実行するための構成要素として、図３に示すように、グラフ生成部３１０、コンテンツ埋め込み部３２０、ユーザ埋め込み部３３０、およびコンテンツ推薦部３４０を含んでよい。実施形態によって、プロセッサ２２２の構成要素は、選択的にプロセッサ２２２に含まれても除外されてもよい。また、実施形態によって、プロセッサ２２２の構成要素は、プロセッサ２２２の機能の表現のために分離されても併合されてもよい。

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の個人化推薦のための埋め込み方法が含む段階４１０～段階４４０を実行するようにサーバ１５０を制御してよい。例えば、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が含む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とによる命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行するように実現されてよい。

ここで、プロセッサ２２２の構成要素は、サーバ１５０に記録されたプログラムコードが提供する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（ｄｉｆｆｅｒｅｎｔ ｆｕｎｃｔｉｏｎｓ）の表現であってよい。例えば、サーバ１５０がコンテンツ間の関係を示すグラフを生成するように上述した命令に従ってサーバ１５０を制御するプロセッサ２２２の機能的表現として、グラフ生成部３１０が利用されてよい。

プロセッサ２２２は、サーバ１５０の制御と関連する命令がロードされたメモリ２２１から必要な命令を読み取ってよい。この場合、前記読み取られた命令は、以下で説明する段階４１０～段階４４０をプロセッサ２２２が実行するように制御するための命令を含んでよい。以下で説明する段階４１０～段階４４０は、図４に示した順序とは異なるように実行されてもよく、段階４１０～段階４４０のうちの一部が省略されても、追加の過程がさらに含まれてもよい。

段階４１０において、グラフ生成部３１０は、コンテンツ間の関係を示すコンテンツグラフを生成してよい。グラフ生成部３１０は、コンテンツを格納および維持するコンテンツデータベースとユーザ別の活動履歴を格納および維持するユーザデータベースからコンテンツ間の関係を抽出し、抽出された関係をグラフ構造で構築することによってコンテンツグラフを生成してよい。コンテンツデータベースには各コンテンツの属性情報や詳細内容などがコンテンツ別に含まれてよく、ユーザデータベースにはユーザに表示されたコンテンツやユーザがクリックしたコンテンツなどのように、コンテンツと関連するユーザログなどが含まれてよい。

図５～図７は、本発明の一実施形態における、コンテンツ間の関係を示すコンテンツグラフを生成する過程の一例を説明するための図である。

図５は、コンテンツグラフの例を示している。

図５を参照すると、コンテンツグラフ５００は、コンテンツを示すノード（ｎｏｄｅ）５０１と、コンテンツ間の関係を示すエッジ（ｅｄｇｅ）５０２で構成される。コンテンツグラフ５００、すなわち、グラフＧ＝（Ｖ、Ｅ）は、ノード集合Ｖ＝（ｖ_１、・・・、ｖ_ｎ）とエッジ集合Ｅ＝（Ｅ^ｓｉｍ、Ｅ^{ｃｌｉｃｋ}、Ｅ^{ｄｏｍａｉｎ}、Ｅ^{ｓｅｓｓｉｏｎ}、・・・）で構成される。ここで、ノードｖ_ｉはｉ番目のコンテンツを示し、コンテンツは、推薦対象となるすべてのアイテム（例えば、クーポン、ニュース、音楽、漫画など）が該当となってよい。エッジの種類としては、外観的類似性（ａｐｐｅａｒａｎｃｅ ｓｉｍｉｌａｒｉｔｙ）を示すＥ^ｓｉｍ、クリック（ｃｌｉｃｋ）関係を示すＥ^{ｃｌｉｃｋ}、ドメイン類似性（ｄｏｍａｉｎ ｓｉｍｉｌａｒｉｔｙ）を示すＥ^{ｄｏｍａｉｎ}、セッション（ｓｅｓｓｉｏｎ）関係を示すＥ^{ｓｅｓｓｉｏｎ}などが含まれてよい。

より詳しく説明すると、外観的類似性Ｅ^ｓｉｍ＝（ｅ^ｓｉｍ _０、・・・、ｅ^ｓｉｍ _ｍ）のｅ^ｓｉｍ＝（ｖ_ｉ、ｖ_ｊ）は、コンテンツｖ_ｉとｖ_ｊ間の外観的類似性を示すエッジである。ＩｍａｇｅＮｅｔデータセットを利用して予め学習した深層学習（ｄｅｅｐ ｌｅａｒｎｉｎｇ）を使用すれば、２つのコンテンツ間の外観的類似の程度を測定することができ、ＫＮＮ（Ｋ－Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ）アルゴリズムを使用して距離が近いノード同士をエッジで連結することができる。ＩｍａｇｅＮｅｔを学習したニューラルネットワークだけでなく、ウィキペディア（Ｗｉｋｉｐｅｄｉａ）を学習したＲＮＮ（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、ＬＳＴＭ（ｌｏｎｇ－ｓｈｏｒｔ ｔｅｒｍ ｍｅｍｏｒｙ）などのような他のデータを学習したモデルに対しても拡張可能である。分類問題におけるＫＮＮの出力は、所属する項目としてｋ個の最近傍で最も共通する項目に割り当てられる物体に分類されてよく、回帰問題におけるＫＮＮの出力は、物体の特定値としてｋ個の最近傍がもつ値の平均に該当する。ＫＮＮのｋ値は調節可能なパラメータであって、ｋ値を大きな値で設定する場合、ノイズデータによる変化量は減少するが重要データを逃すようになる反面、ｋ値を小さい値で設定する場合はノイズデータや異常値の影響が高まる。

クリック関係Ｅ^{ｃｌｉｃｋ}＝（ｅ^{ｃｌｉｃｋ} _０、・・・、ｅ^{ｃｌｉｃｋ} _ｐ）のｅ^{ｃｌｉｃｋ}＝（ｖ^ｉ、ｖ_ｊ）は、同じユーザがコンテンツｖｉをクリックした後、連続的にあるいは単位時間以内にコンテンツｖｊをクリックした関係を示すものである。すべてのユーザの活動履歴に含まれたクリック記録から、クリック関係を示すエッジを生成することができる。

セッション関係Ｅ^{ｓｅｓｓｉｏｎ}＝（ｅ^{ｓｅｓｓｉｏｎ} _０、・・・、ｅ^{ｓｅｓｓｉｏｎ} _ｑ）のｅ^{ｓｅｓｓｉｏｎ}＝（ｖ_ｉ、ｖ_ｊ）は、コンテンツｖｉとｖｊが１つのセッションに登場した関係を示すものである。このとき、セッションとは、電子機器１１０とサーバ１５０間の通信におけるセッション層（ｓｅｓｓｉｏｎ ｌａｙｅｒ）であって、応用プログラムが起動し始めて終了するまでの時間を意味してよく、セッション関係とは、同じセッションにともに表示されるコンテンツであることを示してよい。

ドメイン類似性Ｅ^{ｄｏｍａｉｎ}＝（ｅ^{ｄｏｍａｉｎ} _０、・・・、ｅ^{ｄｏｍａｉｎ} _ｒ）のｅ^{ｄｏｍａｉｎ}＝（ｖ_ｉ、ｖ_ｊ）は、コンテンツｖｉとｖｊが同じ主題のコンテンツであることを示してよい。このとき、ドメインとは、関係型データベースでテーブルの各属性がもつ値の集合を意味するものであり、ドメイン類似性とは、同じ属性関係を示すものであってよい。

このように構築されたコンテンツグラフ５００は異種グラフ（ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｇｒａｐｈ）であり、コンテンツ間の外観的類似性はもちろん、コンテンツ間の多様な関係を表現することによって生成されてよい。

図６に示した関係構造のコンテンツグラフ５００によると、大気汚染関連のニュースＡ６１は、マスク広告６３および空気清浄機広告６４とは直接的な関係はないが、大気汚染関連のニュース記事Ｂ６２と外観的類似性およびセッション関係があるため、大気汚染ニュース記事Ｂ６２とクリック関係があるマスク広告６３と、マスク広告６３とドメイン類似性がある空気清浄機広告６４とすべて連結可能となる。

同じように、図７に示した関係構造のコンテンツグラフ５００によると、ハンバーガー割引クーポン７１とクリック関係およびセッション関係をもつハンバーガー広告７４の場合、コーヒークーポンＡ７２およびコーヒークーポンＢ７３とは直接的な関係がなくても、コーヒークーポンＡ７２がハンバーガー割引クーポン７１とドメイン類似性があり、コーヒークーポンＢ７３がコーヒークーポンＡ７２と外観的類似性があるため、ハンバーガー広告７４がハンバーガー割引クーポン７１を経由してコーヒークーポンＡ７２およびコーヒークーポンＢ７３とすべて連結可能となる。

したがって、コンテンツ間の外観的類似性だけでなく、クリック関係、セッション関係、ドメイン類似性などのような多様な特徴の関係が表現されたコンテンツグラフ５００により、ユーザに表示されなかったコンテンツであったとしても、外観的類似性、クリック関係、セッション関係、ドメイン類似性などの関係を示すエッジを経ることでユーザに表示されたコンテンツと連結するようになるため、より多くのコンテンツが埋め込み学習に追加されるようになる。

再び図４において、段階４２０において、コンテンツ埋め込み部３２０は、段階４１０で生成されたコンテンツグラフを利用してコンテンツの埋め込みを学習してよい。

図８は、本発明の一実施形態における、コンテンツ埋め込み過程の一例を説明するための図である。

図８を参照すると、コンテンツ埋め込みを学習するために上述したグラフニューラルネットワーク（ＧＮＮ）基盤の学習モデル８００が利用され、図５を参照しながら説明したコンテンツグラフ５００が学習モデル８００の入力となる。

学習データＤは、Ｄ＝（ｃｌｉｃｋ＿ｓｅｑｕｅｎｃｅ＿ｓｅｔ、ｎｅｘｔ＿ｃｌｉｃｋ、Ａ）のとおりとなる。ここで、ｃｌｉｃｋ＿ｓｅｑｕｅｎｃｅ＿ｓｅｔは、ユーザが過去にクリックしたコンテンツのシーケンス集合ｃｌｉｃｋ＿ｓｅｑｕｅｎｃｅ＿ｓｅｔ＝（ｃｌｉｃｋ＿ｓｅｑｕｅｎｃｅ_０、・・・、ｃｌｉｃｋ＿ｓｅｑｕｅｎｃｅ_｜Ｄ｜）であり、ｃｌｉｃｋ＿ｓｅｑｕｅｎｃｅ＝（ｖ_０、・・・、ｖ_ｌ）である。ｎｅｘｔ＿ｃｌｉｃｋ＝（ｎｅｘｔ＿ｃｌｉｃｋ_０、ｎｅｘｔ＿ｃｌｉｃｋ_｜Ｄ｜）において、ｎｅｘｔ＿ｃｌｉｃｋ_ｉは、ｉ番目のｃｌｉｃｋ＿ｓｅｑｕｅｎｃｅでユーザが次にクリックしたコンテンツｖ_ｌ＋１を示す。Ａは、コンテンツグラフの隣接行列（ａｄｊａｃｅｎｃｙ ｍａｔｒｉｘ）を示す。

図８に示すように、コンテンツ埋め込み部３２０は、コンテンツグラフ５００の各ノードに該当するコンテンツの生データ（ｒａｗ ｄａｔａ）から畳み込みディープネットワーク（ｃｏｎｖｏｌｕｔｉｏｎ ｄｅｅｐ ｎｅｔｗｏｒｋ）を利用して特徴ベクトルを抽出することにより、各ノードの初期特徴値を取得してよい。この後、コンテンツ埋め込み部３２０は、グラフニューラルネットワーク（ＧＮＮ）を利用し、コンテンツグラフ５００に基づいてノード間のエッジによるグラフトポロジ（ｔｏｐｏｌｏｇｙ）が反映された特徴値を生成してよい。言い換えれば、グラフニューラルネットワーク（ＧＮＮ）は、コンテンツグラフ５００でエッジによって連結されるノードを、類似の特徴値を有するように学習してよい。

コンテンツ埋め込み部３２０は、ｃｌｉｃｋ＿ｓｅｑｕｅｎｃｅのコンテンツｖ_０、・・・、ｖ_ｌとｎｅｘｔ＿ｃｌｉｃｋコンテンツｖ_ｌ＋１を埋め込ませる。各ノードの初期値は、予め学習された深層学習モデルを利用して計算しておいてよく、コンテンツ埋め込み学習は、コンテンツｖ_０、・・・、ｖ_ｌの結合埋め込みとコンテンツｖ_ｌ＋１の埋め込みが類似するように、すなわち、埋め込み距離が近くなるようにする方式によって進められる。

プーリング（ｐｏｏｌｉｎｇ）層は、ｃｌｉｃｋ＿ｓｅｑｕｅｎｃｅのコンテンツｖ_０、・・・、ｖ_ｌを単一特徴値で結合する（ａｇｇｒｅｇａｔｅ）役割を担うものであるが、このとき、コンテンツ埋め込みを結合するために、ベクトル平均（ｖｅｃｔｏｒ ｍｅａｎ）、ベクトル要素ごとの積（ｅｌｅｍｅｎｔ－ｗｉｓｅ ｐｒｏｄｕｃｔ）、再帰型ニューラルネットワーク（ＲＮＮ）などのような多様な方法が利用されてよい。コンテンツｖ_０、・・・、ｖ_ｌの結合埋め込みとコンテンツ_ｖｌ＋１の埋め込みの距離を近づける方法として、トリプレット損失（ｔｒｉｐｌｅｔ ｌｏｓｓ）関数またはマージン基盤損失（ｍａｒｇｉｎ－ｂａｓｅｄ ｌｏｓｓ）関数が使用されてよい。コンテンツグラフ５００において、すべてのエッジが有意味なものなのではなく、一部ノイズが含まれることがあるため、トリプレット損失関数などを用いてエッジごとに加重値を適用してよい。例えば、コンテンツｖ_ｌとコンテンツｖ_ｌ＋１間の関係に該当するエッジに大きな加重値を与えてコンテンツ埋め込みを学習してよい。

上述した学習モデル８００は、グラフ畳み込み（ｇｒａｐｈ ｃｏｎｖｏｌｕｔｉｏｎ）、Ｇｒａｐｈ ＳＡＧＥなどのような多様なグラフ埋め込み方法が利用されてよい。

上述では、コンテンツ間のクリック関係を中心としてコンテンツの埋め込み過程を説明しているが、他の特性の関係も同じ方式によってコンテンツの埋め込みを学習することができる。

再び図４において、段階４３０において、ユーザ埋め込み部３３０は、段階４２０でコンテンツ埋め込み学習が完了したコンテンツグラフに基づいてコンテンツを消費するユーザの埋め込みを実行してよい。ユーザ埋め込み部３３０は、コンテンツと関連するユーザの活動をコンテンツグラフにリアルタイムで反映してユーザ埋め込みを実行してよい。

図９は、本発明の一実施形態における、ユーザ埋め込み過程の一例を説明するための図である。図９は、学習モデル８００に基づいて学習が完了したコンテンツグラフ５００からユーザを埋め込む過程の一例を示している。

図９を参照すると、ユーザノード９０はコンテンツグラフ５００に明らかに存在しないが、ユーザのリアルタイム活動から仮想ユーザノード（ｖｉｒｔｕａｌ ｕｓｅｒ ｎｏｄｅ）として表現されてよい。仮想ユーザノード９０は、コンテンツグラフ５００で該当のユーザとインタラクションが発生したコンテンツと連結してよい。

ユーザ埋め込みは、図８の学習モデル８００において、コンテンツｖ_０、・・・、ｖ_ｌの結合埋め込みから計算される。ユーザノードは、固定のユーザ埋め込みを持たないため存在しない。その代わりに、ユーザ埋め込みは、コンテンツグラフ５００でユーザの活動内訳から生成された仮想ユーザノード９０と連結するコンテンツ埋め込みを結合して計算される。埋め込み結合方法は、コンテンツ埋め込み学習に使用した方法（例えば、ベクトル平均、ベクトル要素ごとの積、再帰型ニューラルネットワークなど）が利用されてよい。ユーザのリアルタイム活動が反映されるユーザ埋め込みは、従来の推薦システムでユーザ埋め込みを予め固定させておく方法とは対照的である。個人化推薦を行うために埋め込み空間でユーザ埋め込みとコンテンツ埋め込みとの距離を測定し、最も近い埋め込みを有するコンテンツが選択されてよい。

再び図４において、段階４４０において、コンテンツ推薦部３４０は、段階４２０でのコンテンツ埋め込みと段階４３０でのユーザ埋め込みに基づいて個人化されたコンテンツを推薦してよい。

図１０は、本発明の一実施形態における、グラフ基盤のコンテンツ埋め込みとユーザ埋め込みを使用した個人化推薦システムの例を示したブロック図である。

図１０を参照すると、個人化推薦システム１０００は、クライアントである複数の電子機器１１０、１２０、１３０、１４０にインストールされたアプリケーションのプロキシシステム（ｐｒｏｘｙ ｓｙｓｔｅｍ）であり、図１と図２を参照しながら説明したサーバ１５０に対応してよい。

個人化推薦システム１０００は、埋め込み部分と検索部分とに分けられてよく、埋め込み部分は、グラフ生成部３１０、コンテンツ埋め込み部３２０、およびユーザ埋め込み部３３０を含んでよく、検索部分はコンテンツ推薦部３４０を含んでよい。

個人化推薦システム１０００は、ＣＰ（ｃｏｎｔｅｎｔ ｐｒｏｖｉｄｅｒ）から提供されたコンテンツを格納および維持するためのコンテンツデータベース１００１、電子機器１１０、１２０、１３０、１４０のユーザの活動履歴を格納および維持するためのユーザデータベース１００２、コンテンツ埋め込みを格納および維持するためのコンテンツ埋め込みデータベース１００３、およびユーザ埋め込みを格納および維持するためのユーザ埋め込みデータベース１００４を含んでよい。

上述したデータベース１００１、１００２、１００３、１００４は、メモリ２２１とは区分される個別の格納装置として、サーバ１５０に含まれてもよいし、サーバ１５０と連動可能な個別のシステムで構成されてもよい。

個人化推薦システム１０００は、大容量のコンテンツからユーザに適した、すなわち、個人化されたコンテンツを迅速に探索してユーザに提供しなければならない。このために、先ず、グラフ生成部３１０は、コンテンツデータベース１００１とユーザデータベース１００２に格納された情報に基づいてコンテンツ間の多様な関係によって生成されたコンテンツグラフを構築してよく、コンテンツ埋め込み部３２０は、コンテンツグラフに基づいてコンテンツ埋め込み値を予め計算してコンテンツ埋め込みデータベース１００３に格納しておいてよい。この後、ユーザ埋め込み部３３０は、サーバ１５０からユーザの活動（ユーザとインタラクション履歴があるコンテンツ）が伝達されると、リアルタイムでユーザ埋め込みをアップデートしてよく、アップデートされたユーザ埋め込みをユーザ埋め込みデータベース１００４に個別に格納しておいてよい。

コンテンツ推薦部３４０は、電子機器１１０のユーザを対象に個人化推薦サービスを提供する場合、コンテンツ埋め込みデータベース１００３に格納されたコンテンツ埋め込み値とユーザ埋め込みデータベース１００４に格納されたユーザ埋め込み値に基づき、電子機器１１０のユーザの埋め込み値と最も近い埋め込み値を有するコンテンツを選択して推薦してよい。

ユーザ埋め込みの場合、リアルタイムでアップデートを反映するため、ユーザ埋め込み計算時間が事前に定められた閾値（ｔｈｒｅｓｈｏｌｄ）を超えれば、以前に格納しておいたユーザ埋め込みがコンテンツ推薦に使用されるようになる。

コンテンツ推薦部３４０は、ユーザ埋め込みから最も近いコンテンツ埋め込みを探索するために、ＮＮ（ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ）技法（例えば、ＡＮＮ（ａｐｐｒｏｘｉｍａｔｅ ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ）、ＫＮＮ（ｋ－ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ）などのようなアルゴリズムを利用してよい。

このように、本発明の実施形態によると、個人化推薦のための埋め込みとして、ユーザに表示されたコンテンツはもちろん、表示されなかったコンテンツまで含むことができ、ユーザの活動をリアルタイムで反映した埋め込みを提供することにより、コンテンツに対する個人化推薦モデルの性能を向上させるこができる。

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み合わ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、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、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、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、データを記録、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が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つ以上の組み合わせを含んでもよく、思うまま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、コンピュータ記録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、分散された状態で記録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み取り可能な記録媒体に記録されてよい。

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み取り可能な媒体に記録されてよい。ここで、媒体は、コンピュータで実行可能なプログラムを継続して記録するものであっても、実行またはダウンロードのために一時記録するものであってもよい。また、媒体は、単一または複数のハードウェアが結合した形態の多様な記録手段または格納手段であってよく、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ことはなく、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および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を含み、プログラム命令が記録されるように構成されたものであってよい。また、媒体の他の例として、アプリケーションを配布するアプリケーションストアやその他の多様なソフトウェアを供給または配布するサイト、サーバなどで管理する記録媒体または格納媒体が挙げられる。

以上のように、実施形態を、限定された実施形態および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されたり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対置されたり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：グラフ生成部
３２０：コンテンツ埋め込み部
３３０：ユーザ埋め込み部
３４０：コンテンツ推薦部

Claims (11)

1. コンピュータシステムが実行する個人化推薦のための埋め込み方法であって、
   前記コンピュータシステムは、少なくとも１つのプロセッサを含み、
   当該個人化推薦のための埋め込み方法は、
   前記少なくとも１つのプロセッサが、推薦対象となるコンテンツ間の関係を示すグラフを生成する段階、
   前記少なくとも１つのプロセッサが、前記グラフを利用して前記コンテンツの埋め込みを学習する段階、
   前記少なくとも１つのプロセッサが、前記学習が完了したグラフに前記コンテンツと関連するユーザの活動を反映して前記ユーザの埋め込みを実行する段階、および
   前記少なくとも１つのプロセッサが、前記コンテンツの埋め込みと前記ユーザの埋め込みに基づいて推薦コンテンツを選択する段階
   を含み、
   前記生成する段階は、
   前記コンテンツをノードで構成する段階、および
   前記コンテンツ間の外観の類似関係を示す外観的類似性、同じユーザによってクリックされた関係を示すクリック関係、同じセッションに表示される関係を示すセッション関係、および同じドメインを有する関係を示すドメイン類似性をエッジで構成する段階
   を含み、
   前記実行する段階は、
   前記ユーザを仮想ノードで表現し、前記仮想ノードを前記ユーザの活動と関連するコンテンツのノードに連結させる段階、
   前記仮想ノードと連結するコンテンツの埋め込みを結合して前記ユーザの埋め込みを計算する段階、および
   前記ユーザの活動をリアルタイムで受信して前記計算された埋め込みをアップデートする段階
   を含み、
   前記選択する段階は、
   前記ユーザの埋め込み計算時間が事前に定められた閾値を超える場合、以前に計算された埋め込みを利用して前記推薦コンテンツを選択すること
   を特徴とする、個人化推薦のための埋め込み方法。
2. 前記生成する段階は、
   前記コンテンツを格納および維持するコンテンツデータベースと前記ユーザの活動履歴を格納および維持するユーザデータベースから前記コンテンツとの関係を抽出し、抽出された関係をグラフ構造で構築する段階
   を含む、請求項１に記載の個人化推薦のための埋め込み方法。
3. 前記学習する段階は、
   ＧＮＮ（ｇｒａｐｈ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）基盤の学習モデルを利用して関係があるコンテンツの埋め込みを学習する段階
   を含む、請求項１に記載の個人化推薦のための埋め込み方法。
4. 前記学習する段階は、
   ＧＮＮ基盤の学習モデルを利用して前記ユーザがクリックしたコンテンツのシーケンス集合を学習データとし、以前にクリックした以前コンテンツと前記以前コンテンツの次にクリックした次コンテンツを埋め込ませる段階
   を含む、請求項１に記載の個人化推薦のための埋め込み方法。
5. 前記選択する段階は、
   前記ユーザの埋め込み値と距離が最も近い埋め込み値を有するコンテンツを前記推薦コンテンツとして選択すること
   を特徴とする、請求項１に記載の個人化推薦のための埋め込み方法。
6. 請求項１～５のうちのいずれか一項に記載の個人化推薦のための埋め込み方法をコンピュータシステムに実行させる、コンピュータプログラム。
7. 請求項１～５のうちのいずれか一項に記載の個人化推薦のための埋め込み方法をコンピュータに実行させるためのプログラムが記録されている、非一時的なコンピュータ読み取り可能な記録媒体。
8. コンピュータシステムであって、
   メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも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、
   推薦対象となるコンテンツ間の関係を示すグラフを生成するグラフ生成部、
   前記グラフを利用して前記コンテンツの埋め込みを学習するコンテンツ埋め込み部、
   前記学習が完了したグラフに前記コンテンツと関連するユーザの活動を反映して前記ユーザの埋め込みを実行するユーザ埋め込み部、および
   前記コンテンツの埋め込みと前記ユーザの埋め込みに基づいて推薦コンテンツを選択するコンテンツ推薦部
   を含み、
   前記グラフ生成部は、
   前記コンテンツをノードで構成し、
   前記コンテンツ間の外観の類似関係を示す外観的類似性、同じユーザによってクリックされた関係を示すクリック関係、同じセッションに表示される関係を示すセッション関係、および同じドメインを有する関係を示すドメイン類似性をエッジで構成し、
   前記ユーザ埋め込み部は、
   前記ユーザを仮想ノードで表現し、前記仮想ノードを前記ユーザの活動と関連するコンテンツのノードに連結させ、
   前記仮想ノードと連結するコンテンツの埋め込みを結合して前記ユーザの埋め込みを計算し、
   前記ユーザの活動をリアルタイムで受信して前記計算された埋め込みをアップデートし、
   前記コンテンツ推薦部は、
   前記ユーザの埋め込み計算時間が事前に定められた閾値を超える場合、以前に計算された埋め込みを利用して前記推薦コンテンツを選択すること
   を特徴とする、コンピュータシステム。
9. 前記グラフ生成部は、
   前記コンテンツを格納および維持するコンテンツデータベースと前記ユーザの活動履歴を格納および維持するユーザデータベースから前記コンテンツ間の関係を抽出し、抽出された関係をグラフ構造で構築すること
   を特徴とする、請求項８に記載のコンピュータシステム。
10. 前記コンテンツ埋め込み部は、
    ＧＮＮ基盤の学習モデルを利用して関係があるコンテンツの埋め込みを学習すること
    を特徴とする、請求項８に記載のコンピュータシステム。
11. 前記コンテンツ埋め込み部は、
    ＧＮＮ基盤の学習モデルを利用して前記ユーザがクリックしたコンテンツのシーケンス集合を学習データとし、以前にクリックした以前コンテンツと前記以前コンテンツの次にクリックした次コンテンツを埋め込ませること
    を特徴とする、請求項８に記載のコンピュータシステム。

Images