JP7147231B2 - 検索プログラム、検索方法及び検索装置 - Google Patents

Description

本発明は、検索プログラム、検索方法及び検索装置に関する。

近年、多種多様な参加者が商品やサービスの利用者又は提供者として相互に取引する場であるデジタル・アリーナが広がりを見せている。図２２は、デジタル・アリーナを説明するための図である。図２２に示すように、デジタル・アリーナを提供する検索装置は、商品やサービスの利用者と提供者との間でマッチングを行う。すなわち、検索装置は、利用者が入力した条件を満たす組合せを見つけて利用者に回答を通知する。

図２３は、デジタル・アリーナの例を示す図である。図２３では、検索装置は運送サービスを取引する場を提供する。検索装置の利用者は荷主であり、検索装置の提供者は運輸業者である。例えば、松江市で４０件の冷蔵輸送を行いたい利用者が条件として、「松江市、４０件、冷蔵」を入力すると、検索装置は、「８／１、ＡＭ、松江市、４０件、Ｘ運輸」をマッチング結果として出力する。すなわち、検索装置は、Ｘ運輸が８／１のＡＭに松江市で４０件の冷蔵輸送を行うという回答を利用者に通知する。

なお、従来技術として、取引対象の選択においてユーザが重視する属性項目を特定する技術がある。この技術は、ユーザに選択された取引対象の情報の閲覧日時から予め設定された時間内に情報が閲覧された取引対象のうち、ユーザに選択されていない取引対象を抽出する。そして、ユーザに選択された取引対象と、ユーザに選択されていない取引対象の間で設定が異なる属性値に基づいて、ユーザが重視する属性項目を特定する。

また、複数の他の情報処理装置から送信されるユーザの興味を表す興味データの重要度を表す値に所定の重み付けを行った統合興味データをユーザにコンテンツを推薦する情報として、他の情報処理装置にネットワークを介して提供する技術がある。この技術によれば、ユーザの興味に近いコンテンツを推薦することができる。

また、コンテンツ情報とユーザ情報とアクセス情報とに基づいてコンテンツを順序付けし、ユーザの嗜好に適合した情報を検索するコンテンツ検索装置がある。ここで、コンテンツ情報は個々のコンテンツの属性を数値化した情報であり、ユーザ情報はユーザのコンテンツに対する嗜好を属性毎に数値化した情報であり、アクセス情報はユーザが検索情報システムにアクセスする毎に検索情報の属性を数値化した情報である。

特開２０１３－１１４５６８号公報 特開２００４－３５５１０９号公報 特開２００９－２４５３８２号公報

図２３に例を示したデジタル・アリーナでは、オープンに参加者が集まり、参加者が流動的であるため、参加者同士はお互いを知らない。また、デジタル・アリーナの参加者は、多種多様な価値観を持つ。したがって、デジタル・アリーナでは、各参加者が重視する評価軸の特定が困難である。ここで、評価軸とは、検索の条件に含まれる項目である。図２４は、評価軸の一例を示す図である。図２４の例では、納期、価格、品質、アクセス、その他が評価軸である。デジタル・アリーナを提供する検索装置は、各参加者が重視する評価軸の特定が困難であるため、参加者が重視する評価軸に基づいて検索を行うことができないという問題がある。

本発明は、１つの側面では、参加者が重視する評価軸に基づいて検索を行うことを目的とする。

１つの態様では、検索プログラムは、コンピュータに、以下の処理を実行させる。前記検索プログラムは、複数の項目についての検索条件を満たす対象が見つかるまでの利用者による検索条件の変更履歴に基づいて、各項目について前記利用者が重視する度合を表す評価値を算出する処理を前記コンピュータに実行させる。そして、前記検索プログラムは、前記複数の項目の評価値の集まりとして評価値セットを作成する処理を前記コンピュータに実行させる。そして、前記検索プログラムは、前記利用者から前記複数の項目についての新たな検索条件を受け付けると、前記評価値に基づいて検索結果を出力し、新たな変更履歴を受け付けると、前記評価値セットに基づいて、前記受け付けた変更履歴に対応する検索結果に対する利用者の評価を推定し、推定結果を出力する処理を前記コンピュータに実行させる。

１つの側面では、本発明は、参加者が重視する評価軸に基づいて検索を行うことができる。

図１は、マッチング履歴を説明するための図である。 図２は、実施例に係る検索装置による参加者評価を説明するための図である。 図３は、評価値セットに基づいて検索結果を出力する例を示す図である。 図４は、評価値の低い評価軸から条件を緩和して検索した結果を出力する例を示す図である。 図５は、実施例に係る検索装置の機能構成を示す図である。 図６は、マッチング履歴の一例を示す図である。 図７は、サービス分類データの一例を示す図である。 図８は、サービス分類名を含むマッチング履歴を示す図である。 図９は、評価軸推定データの一例を示す図である。 図１０は、評価軸データの一例を示す図である。 図１１は、変化スコアの例を示す図である。 図１２は、変化スコアの他の例を示す図である。 図１３は、変化スコアから計算される評価値の例を示す図である。 図１４は、変化スコアから計算される評価値の他の例を示す図である。 図１５は、評価軸学習部による処理のフローを示すフローチャートである。 図１６は、評価推定部による処理のフローを示すフローチャートである。 図１７は、サービス分類部による処理のフローを示すフローチャートである。 図１８は、評価軸推定部による処理のフローを示すフローチャートである。 図１９は、学習部による処理のフローを示すフローチャートである。 図２０は、評価推定部による処理のフローを示すフローチャートである。 図２１は、実施例に係る検索プログラムを実行するコンピュータのハードウェア構成を示す図である。 図２２は、デジタル・アリーナを説明するための図である。 図２３は、デジタル・アリーナの例を示す図である。 図２４は、評価軸の一例を示す図である。

以下に、本願の開示する検索プログラム、検索方法及び検索装置の実施例を図面に基づいて詳細に説明する。なお、この実施例は開示の技術を限定するものではない。

まず、実施例に係る検索装置が評価軸の推定に用いるマッチング履歴について説明する。図１は、マッチング履歴を説明するための図である。図１では、利用者は、条件として「８／１、ＡＭ、松江市、４０件、冷蔵」を入力する。すると、実施例に係る検索装置は、条件を満たす提供者がいないので、「該当なし」を回答する。

すると、利用者は、条件のうち、時間帯の「ＡＭ」を「ＰＭ」に変更して検索を行う。すると、実施例に係る検索装置は、条件を満たす提供者がいないので、「該当なし」を回答する。すると、利用者は、条件のうち、件数の「４０件」を「３０件」に変更して検索を行う。すると、実施例に係る検索装置は、条件にマッチする提供者を見つけ、「８／１、ＰＭ、松江市、３０件、Ａ社」を回答する。

この例では、まず時間帯が緩和され、次に件数が緩和される。したがって、利用者は、時間帯と件数について妥協してもよいと考えており、また、件数よりも時間帯を妥協しやすい。このように、利用者の重視する評価軸は利用者が入力した条件の変遷に現れる。そこで、実施例に係る検索装置は、マッチング履歴において利用者が緩めた評価軸やその順番に基づいて、利用者が重視する評価軸を推定する。そして、実施例に係る検索装置は、複数のマッチング履歴を学習することで、評価軸の推定精度を向上する。

図２は、実施例に係る検索装置による参加者評価を説明するための図である。ここで、参加者評価とは、参加者が評価軸を重視する度合を表す評価値を各評価軸について算出することである。図２に示すように、実施例に係る検索装置は、Ａ社のマッチング履歴に基づいて評価軸推定を行い、各評価軸の重みを計算する。

Ａ社のマッチング履歴では、最初に時間帯が緩和されているため、実施例に係る検索装置は、時間帯の重みを０．３とする。重みは、変更のインデックス／全体行数である。ここで、変更のインデックスは、マッチング履歴において評価軸が緩和された行番号－１である。全体行数は、マッチング履歴の全体の行数である。時間帯については、重みは１／３≒０．３である。そして、２番目に件数が緩和されているため、実施例に係る検索装置は、件数の重みを２／３≒０．６とする。そして、日付及び地域については緩和されていないため、実施例に係る検索装置は、重みを１．０とする。

そして、実施例に係る検索装置は、計算した重みを評価軸の評価値とし、複数の評価軸の評価値の集まりを評価値セットとする。ここでは、（日付：１．０、地域：１．０、件数：０．６、時間帯：０．３）が評価値セットである。

そして、実施例に係る検索装置は、複数のマッチング履歴を用いて複数の評価値セットを作成し、作成した複数の評価値セットを用いて参加者評価学習を行う。図２では、Ａ社について参加者評価学習を行った結果、日付の評価値は０．９であり、地域の評価値は０．７であり、件数の評価値は０．３であり、時間帯の評価値は０．１である。すなわち、（日付：０．９、地域：０．７、件数：０．３、時間帯：０．１）の評価値セットが得られる。

そして、実施例に係る検索装置は、Ａ社について参加者評価学習を行った結果をＡ社の参加者評価モデルとして記憶する。同様に、実施例に係る検索装置は、Ｂ社について参加者評価学習を行った結果をＢ社の参加者評価モデルとして記憶し、Ｃ社について参加者評価学習を行った結果をＣ社の参加者評価モデルとして記憶する。

なお、図２では、項目値「冷蔵」に対応する項目は配送の種別であるが、種別はサービス分類を示し、学習の分類に用いられるため、種別についての評価値は算出されない。すなわち、実施例に係る検索装置は、サービス分類毎に学習を行う。また、結果の「非成立」は、条件にマッチする提供者がないことを示し、結果の「成立」は、条件にマッチする提供者が検索されたことを示す。

このように、実施例に係る検索装置は、マッチング履歴を用いて、利用者が重視する評価軸を特定するので、利用者が重視する評価軸を利用者に入力させる手間を省くことができる。

そして、実施例に係る検索装置は、学習によって得られた評価値セットに基づいて新たなマッチング履歴に対して評価推定を行い、評価データを出力する。ここで、評価推定とは、マッチング履歴の最後に含まれる検索結果に対する利用者の評価を推定することである。

図２において、評価対象のマッチング履歴では、時間帯が変更され、日付、地域及び件数は変更されていない。この時、実施例に係る検索装置は、変更されていない評価軸の評価値を加えることで、マッチング履歴に対する利用者の評価を推定する。日付、地域及び件数の評価値はそれぞれ「０．９」、「０．７」及び「０．３」であるので、評価対象のマッチング履歴の評価値は「１．９」と推定され、「１．９」が評価データとして出力される。

このように、実施例に係る検索装置は、変更されていない評価軸の評価値を加えることで、評価対象のマッチング履歴に対する利用者の評価を推定することができる。

また、実施例に係る検索装置は、評価値セットに基づいて検索結果を出力することもできる。図３は、評価値セットに基づいて検索結果を出力する例を示す図である。図３では、実施例に係る検索装置は、推定評価値の高い順に所定の件数（５件）だけ検索結果を出力する。ここで、推定評価値は、条件に含まれる評価軸のうち検索結果において変更のない評価軸の評価値を加えた値である。推定評価値は検索結果としては表示されない。

図３に示すように、利用者が条件「松江市、４０件、冷蔵、８／１、ＡＭ」を入力すると、「８／１、ＡＭ、松江市、４０件、Ｘ運輸」において、条件変更のない評価軸は、日付、時間帯、地域、件数である。したがって、推定評価値は、「０．９」＋「０．１」＋「０．７」＋「０．３」＝「２．０」となる。

このように、実施例に係る検索装置は、推定評価値の高い順に所定の件数だけ検索結果を出力することで、利用者の選択肢を増やすことができる。

また、実施例に係る検索装置は、条件に完全にマッチする商品やサービスがない場合に、評価値の低い評価軸から条件を緩和して検索した結果を出力することもできる。図４は、評価値の低い評価軸から条件を緩和して検索した結果を出力する例を示す図である。

図４に示すように、利用者が条件「松江市、４０件、冷蔵、８／１、ＡＭ」を入力し、条件に完全にマッチする運送サービスがない場合に、実施例に係る検索装置は、評価値の最も小さい評価軸である「時間帯」を緩和する。その結果、実施例に係る検索装置は、「８／１、ＰＭ、松江市、４０件、Ｙ運送」を出力する。そして、実施例に係る検索装置は、次に評価値が小さい評価軸である件数を緩和し、「８／１、ＡＭ、松江市、２０件、Ｚ通運」と「８／１、ＰＭ、松江市、２０件、Ｗ運輸」を出力する。

このように、実施例に係る検索装置は、評価値の低い評価軸から条件を緩和して提供者の情報を出力することで、条件に完全にマッチする商品やサービスがない場合に、利用者が受け入れ可能と推定される商品やサービスの情報を出力することができる。

次に、実施例に係る検索装置の機能構成について説明する。図５は、実施例に係る検索装置の機能構成を示す図である。図５に示すように、実施例に係る検索装置１は、評価軸学習部２と、評価軸データ記憶部３と、評価推定部４とを有する。

評価軸学習部２は、マッチング履歴を学習することで参加者評価モデルを作成し、評価軸データとして評価軸データ記憶部３に格納する。評価軸データ記憶部３は、評価軸データを記憶する。評価推定部４は、学習に用いられた以外のマッチング履歴を評価軸学習部２から受け取り、マッチング履歴に対する評価データ６ａを利用者の端末装置に表示する。学習に用いられた以外のマッチング履歴は、利用者により入力されてもよい。また、評価推定部４は、検索の条件５ｂを入力し、検索結果６ｂを利用者の端末装置に表示する。

評価軸学習部２は、マッチング履歴ＤＢ２１と、マッチング履歴抽出部２２と、サービス分類データ記憶部２３と、サービス分類部２４と、評価軸推定部２５と、学習部２６とを有する。

マッチング履歴ＤＢ２１は、複数のマッチング履歴を記憶するデータベースである。図６は、マッチング履歴の一例を示す図である。図６に示すように、マッチング履歴は複数の行を有し、各行には、ユーザーｉｄと、案件ｉｄと、ｉｄと、種別と、日付と、時間帯と、地域と、件数と、結果とが含まれる。

各行は、１回の検索に関する情報である。ユーザーｉｄは、利用者を識別する識別子である。案件ｉｄは、マッチング履歴を識別する識別子である。ｉｄは、行を識別する識別子である。種別は、サービス分類である。サービス分類には、「常温」、「冷凍」、「冷蔵」がある。日付、時間帯、地域及び件数は、条件に含まれる項目である。結果は、マッチングの「成立」又は「非成立」である。

具体的には、「Ｕｓｅｒ００１」で識別される利用者の「００１」で識別されるマッチング履歴では、「松江市、４０件、冷蔵、８／１、ＡＭ」を条件として検索が行われたがマッチングが「非成立」であった。そして、条件が「松江市、４０件、冷蔵、８／１、ＰＭ」に変更されて検索が行われたがマッチングが「非成立」であった。そして、条件が「松江市、３０件、冷蔵、８／１、ＰＭ」に変更されて検索が行われた結果、マッチングが「成立」した。

マッチング履歴抽出部２２は、マッチング履歴ＤＢ２１からマッチング履歴を抽出してサービス分類部２４と評価軸推定部２５に渡す。また、マッチング履歴抽出部２２は、評価対象のマッチング履歴をマッチング履歴ＤＢ２１から抽出して評価推定部４に渡す。

サービス分類データ記憶部２３は、サービス分類に関するデータであるサービス分類データを記憶する。図７は、サービス分類データの一例を示す図である。図７に示すように、サービス分類データは、種別ｉｄとサービス分類名とルールとを対応付けるデータである。

種別ｉｄは、種別を識別する識別子である。サービス分類名は、サービス分類の名称である。サービス分類名には、「常温配送」、「冷蔵配送」、「冷凍配送」がある。ルールは、サービス分類名と種別を対応付ける。種別が「常温」のサービス分類名は「常温配送」であり、種別が「冷蔵」のサービス分類名は「冷蔵配送」であり、種別が「冷凍」のサービス分類名は「冷凍配送」である。

サービス分類部２４は、マッチング履歴のサービスを分類する。具体的には、サービス分類部２４は、サービス分類データ記憶部２３に基づいて、マッチング履歴に含まれる種別に対応するサービス分類名を特定し、学習部２６に渡す。

なお、マッチング履歴に種別の代わりにサービス分類名を含めてもよい。図８は、サービス分類名を含むマッチング履歴を示す図である。図８に示すように、種別の代わりにサービス分類名がマッチング履歴に含まれる。マッチング履歴が種別の代わりにサービス分類名を含む場合は、サービス分類データ記憶部２３及びサービス分類部２４は不要となる。

ただし、マッチング履歴にサービス分類名を含めるためには、利用者は条件に「常温配送」、「冷蔵配送」又は「冷凍配送」を厳密に指定する必要があるが、利用者は条件に単に「冷蔵」等を指定することが考えられる。そこで、サービス分類部２４は、サービス分類データのルールにより、種別をサービス分類名に変換する。サービス分類データのルールを増やすことにより、利用者が条件のサービス分類に使用できる用語を増やすことができる。

評価軸推定部２５は、マッチング履歴抽出部２２から渡されたマッチング履歴について評価軸毎の評価値を計算して評価軸推定データを作成する。評価軸推定部２５は、マッチング履歴において変更のない評価軸については評価値を「１．０」とする。また、評価軸推定部２５は、マッチング履歴において変更のある評価軸については、マッチング履歴の行数をＪとし、最初に評価軸の値が変わった行の行番号から１を引いた値を変更のインデックスｊcとすると、ｊc／Jを評価値とする。

図９は、評価軸推定データの一例を示す図である。図９に示すように、評価軸推定データには、ユーザーｉｄと、案件ｉｄと、種別と、日付、地域、件数及び時間帯の評価値とが含まれる。日付、地域、件数及び時間帯は評価値の大きい順に並べられる。図９では、「Ｕｓｅｒ００１」で識別される利用者の「１」で識別されるマッチング履歴から、「冷蔵」に関して、日付、地域、件数及び時間帯の評価値がそれぞれ「１」、「１」、「０．６」及び「０．３」と推定されている。評価軸推定データには評価値セットが含まれる。

学習部２６は、評価軸推定データを評価軸推定部２５から受け取り、サービス分類をサービス分類部２４から受け取る。そして、学習部２６は、複数の評価軸推定データをサービス分類毎に学習し、サービス分類毎に評価軸データを作成して評価軸データ記憶部３に格納する。学習部２６は、評価軸データの作成を利用者毎に行う。なお、学習部２６による学習の詳細は後述する。

図１０は、評価軸データの一例を示す図である。図１０に示すように、評価軸データには、ユーザーｉｄと、サービス分類名と、評価軸と、順序と、スコアとが含まれる。順序は、対応する評価軸の評価値の大きい方からの順番であり、利用者がサービスを利用する際に重視する順番である。スコアは、対応する評価軸の評価値である。

例えば、「Ｕｓｅｒ００１」で識別される利用者の「冷蔵配送」に関して、日付の評価値は「１．０」であり、評価値が最も大きいので順序は「１」である。すなわち、利用者は「冷蔵配送」を行う際に「日付」を最も重視する。評価軸データには評価値セットが含まれる。

なお、評価軸推定部２５は変更の有無及び変更が行われた早さ（マッチング履歴の行番号）に基づいて評価軸の評価値を計算するが、評価軸推定部２５は他の方法で評価値を計算してもよい。そこで、評価値の計算方法のバリエーションについて説明する。

まず、評価値の計算に用いられる変化スコアについて説明する。変化スコアは、変更の有無ではなく、変え方に基づいて評価値を計算する場合に用いられる。図１１は、変化スコアの例を示す図である。図１１では、評価軸は価格である。図１１では、利用者が条件において価格をａからｂに変えた場合、ａ≧ｂの時、変化スコアｃｓｃｏｒｅ（ａ，ｂ）＝０、ａ＜ｂの時ｃｓｃｏｒｅ（ａ，ｂ）＝１である。

例えば、ｃｓｃｏｒｅ（１００００，１００００）＝０、ｃｓｃｏｒｅ（１００００，８０００）＝０、ｃｓｃｏｒｅ（１００００，１２０００）＝１である。すなわち、価格を上げた場合には、変化スコアは大きくなる。

図１２は、変化スコアの他の例を示す図である。図１２では、評価軸は地域である。図１２では、利用者が条件において地域をａからｂに変えた場合、ａ＝ｂの時ｃｓｃｏｒｅ（ａ，ｂ）＝０、ａ⊂ｂの時ｃｓｃｏｒｅ（ａ，ｂ）＝０．３、ｂ⊂ａの時ｃｓｃｏｒｅ（ａ，ｂ）＝０．８、ａ∩ｂ＝φの時ｃｓｃｏｒｅ（ａ，ｂ）＝１である。

例えば、松江市は出雲地域に含まれるのでｃｓｃｏｒｅ（松江市，出雲地域）＝０．３、松江市と浜田市は全く別の所なのでｃｓｃｏｒｅ（松江市，浜田市）＝１である。すなわち、地域を全く別の所に変えた場合には、変化スコアは大きくなる。

図１３は、変化スコアから計算される評価値の例を示す図である。図１３では、評価値は１－変化スコアにより定義される。例えば、ｃｓｃｏｒｅ（１００００，１２０００）＝１であるので、価格を上げた場合には価格の評価値は０である。価格を上げて検索を行う場合には、価格は重視されていないと推定される。また、ｃｓｃｏｒｅ（松江市，出雲地域）＝０．３であるので、地域を広げた場合には地域の評価値は０．７である。

図１４は、変化スコアから計算される評価値の他の例を示す図である。図１４では、

である。ここで、Ｌはマッチング履歴の総行数をＪとするとＬ＝Ｊ－１であり、ｉは条件の変更のインデックスであり、１≦ｉ≦Ｌである。αは正規化係数であり、

である。

例えば、ｉ＝１でｃｓｃｏｒｅ（１００００，１００００）＝０、ｉ＝２でｃｓｃｏｒｅ（１００００，８０００）＝０、ｉ＝３でｃｓｃｏｒｅ（１００００，１２０００）＝１の場合、評価値は、

である。

評価値を上記のように式（１）で定義した場合、評価値の大きさは、早く強化した場合、遅く強化した場合、遅く緩和した場合、早く緩和した場合、の順に小さくなる。

次に、検索装置１による処理のフローについて図１５～図２０を用いて説明する。図１５は、評価軸学習部２による処理のフローを示すフローチャートである。図１５に示すように、評価軸学習部２は、マッチング履歴ＤＢ２１からマッチング履歴を抽出し（ステップＳ１）、マッチング履歴のサービス分類を特定する（ステップＳ２）。

そして、評価軸学習部２は、マッチング履歴の評価軸の評価値を計算し、評価軸推定データを作成する（ステップＳ３）。そして、評価軸学習部２は、サービス分類毎に１つ以上の評価軸推定データを学習し（ステップＳ４）、１つ以上の評価軸推定データの中から１つの評価軸推定データを選択して評価軸データを作成する。

このように、評価軸学習部２が評価軸データを作成するので、評価推定部４は評価軸データを用いて評価データ６ａ及び検索結果６ｂを出力することができる。

図１６は、評価推定部４による処理のフローを示すフローチャートである。なお、図６は、評価推定部４がマッチング履歴を評価して評価データ６ａを出力する場合を示す。図１６に示すように、評価推定部４は、マッチング履歴を受取り（ステップＳ１１）、マッチング履歴を評価する（ステップＳ１２）。そして、評価推定部４は、評価結果を出力する（ステップＳ１３）。

このように、評価推定部４は、評価軸データを用いてマッチング履歴を評価することで、マッチング結果に対する利用者の評価を推定することができる。

図１７は、サービス分類部２４による処理のフローを示すフローチャートである。なお、図１７は、１つのマッチング履歴に対して行う処理を示す。図１７に示すように、サービス分類部２４は、以下のステップＳ２１及びステップＳ２２の処理をサービス分類データの全ルールについて行う。すなわち、サービス分類部２４は、各ルールについて、マッチング履歴の種別がルールの「種別＝」以下の文字列と合致するか否かを判定し（ステップＳ２１）、合致する場合には、合致したルールに対応するサービス分類名を記録する（ステップＳ２２）。

そして、サービス分類部２４は、記録されたサービス分類名の数が１であるか否かを判定し（ステップＳ２３）、１である場合には、記録されたサービス分類名をサービス分類として出力する（ステップＳ２４）。なお、記録されたサービス分類名の数が１である場合は、マッチング履歴の種別に対応するサービス分類が特定された場合である。一方、記録されたサービス分類名の数が１でない場合には、サービス分類部２４は、デフォルトのサービス分類名をサービス分類として出力する（ステップＳ２５）。

このように、サービス分類部２４がマッチング履歴の種別に対応するサービス分類を特定するので、学習部２６はサービス分類毎に評価軸推定データを学習することができる。

図１８は、評価軸推定部２５による処理のフローを示すフローチャートである。なお、図１８は、１つのマッチング履歴に対して行う処理を示す。図１８に示すように、評価軸推定部２５は、マッチング履歴から条件部分を抽出する（ステップＳ３１）。抽出された条件部分はＪ行Ｋ列の表Ｈである。ここで、Ｊはマッチング履歴の行数であり、Ｋは評価軸の個数である。

そして、評価軸推定部２５は、Ｊが１より大きいか否かを判定し（ステップＳ３２）、Ｊが１より大きくない場合には、最初の検索で条件にマッチするサービスが見つかった場合であるので、評価軸の評価値を推定することなく処理を終了する。

一方、Ｊが１より大きい場合には、評価軸推定部２５は、以下のステップＳ３３～ステップＳ３５の処理を列ｋ（１≦ｋ≦Ｋ）それぞれに対して行う。すなわち、評価軸推定部２５は、各列ｋに対して、Ｈ_1,kとＨ_J,kが等しいか否かを判定する（ステップＳ３３）。Ｈ_1,kとＨ_J,kが等しい場合には、列ｋは変更されなかった場合であり、Ｈ_1,kとＨ_J,kが等しくないい場合には、列ｋは変更された場合である。

そして、評価軸推定部２５は、Ｈ_1,kとＨ_J,kが等しい場合には、列ｋの評価軸を未変更リストに記録する（ステップＳ３４）。一方、Ｈ_1,kとＨ_J,kが等しくない場合には、評価軸推定部２５は、列ｋの値が最初に変わったインデックス（行番号－１）をｊ_cとし、ｋとｊ_cを変更インデックスリストに記録する（ステップＳ３５）。

そして、評価軸推定部２５は、以下のステップＳ３６～ステップＳ３８の処理を列ｋそれぞれに対して行う。すなわち、評価軸推定部２５は、各列ｋに対して、列ｋの評価軸は未変更リストにあるか否かを判定し（ステップＳ３６）、列ｋの評価軸が未変更リストにある場合には、ｓｃｏｒｅ_kを１とする（ステップＳ３７）。ここで、ｓｃｏｒｅ_kは列ｋの評価軸の評価値である。一方、列ｋの評価軸が未変更リストにない場合には、評価軸推定部２５は、ｓｃｏｒｅ_kをｊ_c／Jとする（ステップＳ３８）。

そして、評価軸推定部２５は、ｓｃｏｒｅ_kの大きい順に評価軸と評価値を並べたリストを含む評価軸推定データを作成して出力する（ステップＳ３９）。

このように、評価軸推定部２５がマッチング履歴から評価軸推定データを作成するので、学習部２６は評価軸推定データを学習することができる。

図１９は、学習部２６による処理のフローを示すフローチャートである。なお、図１９は、評価軸推定部２５により作成された複数の評価軸推定データを用いて学習を行う場合を示す。図１９に示すように、学習部２６は、ループ＃１の処理をサービス分類Ｃそれぞれの全ての評価軸推定データを用いて実行する。

ループ＃１の処理では、学習部２６は、各サービス分類Ｃについて、ループ＃２の処理とステップＳ４３とステップＳ４４の処理を行う。ループ＃２の処理では、学習部２６は、評価軸の並び順のパターンｐそれぞれに対してＤ_pを０で初期化し（ステップＳ４１）、ループ＃３の処理を行う。ここで、パターンｐは、例えば日付、地域、件数、時間帯の順列である。また、パターンｐは、評価軸推定データに含まれる順列である。

また、Ｄ_pは、他のパターンｑとのケンドール（Kendall）距離ｄ_K(ｐ，ｑ)に重みｎ_qを掛けた値を全てのｑについて加えた値である。ケンドール距離は、ｐとｑのｋ番目（１≦ｋ≦Ｋ）の評価軸の対ｐ(ｋ)、ｑ(ｋ)において、ｐ(ｋ)とｑ(ｋ)が異なる場合の数である。また、ｎ_qは学習に用いる評価軸推定データ中にｑが出現する数である。

ループ＃３の処理では、学習部２６は、評価軸の並び順のパターンｑそれぞれについてｎ_q×ｄ_K(ｐ，ｑ)を計算してＤ_pに加える（ステップＳ４２）。

そして、ループ＃２の処理が終了すると、学習部２６は、パターンの中でＤ_iが最小となるパターンｉを選択し（ステップＳ４３）、パターンｉの評価軸の順序、各評価軸の評価値に基づいて評価軸データを作成する（ステップＳ４４）。

このように、学習部２６は、評価軸の並び順のパターンｑそれぞれについてｎ_q×ｄ_K(ｐ，ｑ)を計算してＤ_pに加えることでパターンｐそれぞれについてＤ_pを計算し、パターンの中でＤ_iが最小となるパターンｉを選択して評価軸データを作成する。したがって、学習部２６は、評価軸の並び順に基づいて評価軸推定データを学習することができる。

図２０は、評価推定部４による処理のフローを示すフローチャートである。なお、図２０は、マッチング履歴を評価する場合の処理のフローを示す。図２０に示すように、評価推定部４は、Ｊが１より大きいか否かを判定し（ステップＳ５１）、Ｊが１より大きくない場合には、マッチング履歴の推定評価値を１とする（ステップＳ５５）。

一方、Ｊが１より大きい場合には、評価推定部４は、Ｈ_1,kとＨ_J,kが等しいか否かを判定し（ステップＳ５２）、Ｈ_1,kとＨ_J,kが等しい場合には、列ｋの評価軸を未変更リストに記録する（ステップＳ５３）処理を列ｋそれぞれに対して行う。

そして、未変更リストに含まれる評価軸の評価値ｋ_iを加え、ＪＫにより割ることで推定評価値を算出する（ステップＳ５４）。なお、ここでは、図３に示した例と異なり、評価推定部４は、ＪＫにより割ることで推定評価値を正規化している。

このように、評価推定部４は、未変更リストに含まれる評価軸の評価値ｋ_iを加えることで、マッチング履歴を評価することができる。

上述してきたように、実施例では、評価軸推定部２５が、マッチング履歴に基づいて評価軸推定データを作成し、学習部２６が、複数の評価軸推定データを学習して評価軸データを作成する。そして、評価推定部４が、検索の条件５ｂを受け付け、評価軸データに基づいて、検索結果６ｂを出力する。したがって、検索装置１は、利用者が重視する評価軸に基づいて検索結果６ｂを出力することができる。

また、実施例では、評価推定部４は、新たなマッチング履歴を受け付け、評価軸データに基づいて、評価データ６ａを出力するので、利用者が重視する評価軸に基づいてマッチング履歴を評価することができる。

また、実施例では、学習部２６は、サービス分類毎に複数の評価軸推定データを学習するので、検索装置１は、サービス分類毎に評価データ６ａ及び、検索結果６ｂを出力することができる。

また、実施例では、評価軸推定部２５は、検索の条件に含まれる評価軸の条件が変更された順番に基づいて評価値を計算するので、利用者が重視する評価軸を正確に推定することができる。

また、実施例では、評価軸推定部２５は、さらに、検索の条件に含まれる評価軸の条件の変更方法に基づいて評価値を計算するので、利用者が重視する評価軸をより正確に推定することができる。

また、実施例では、評価軸推定部２５は、評価軸が価格である場合に、価格の条件を上げた否かに基づいて評価値を計算するので、利用者が価格を重視する度合を評価値に反映することができる。

また、実施例では、評価軸推定部２５は、配送サービスの評価軸が地域である場合に、地域の条件を広げた、狭めた又は変えたに基づいて評価値を計算するので、利用者が地域を重視する度合を評価値に反映することができる。

また、実施例では、学習部２６は、各評価軸推定データから評価軸の大きさの順番に基づくパターンを作成する。そして、学習部２６は、２つのパターンのケンドール距離を用いて他のパターンとの距離の重み（他のパターンに対応する評価軸データの数）付き和が最小なパターンを特定し、特定したパターンに対応する評価値を複数の評価軸推定データの学習結果とする。したがって、学習部２６は、複数の評価軸推定データの評価軸の大きさの順番を適切に学習することができる。

なお、実施例では、検索装置１について説明したが、検索装置１が有する構成をソフトウェアによって実現することで、同様の機能を有する検索プログラムを得ることができる。そこで、検索プログラムを実行するコンピュータについて説明する。

図２１は、実施例に係る検索プログラムを実行するコンピュータのハードウェア構成を示す図である。図２１に示すように、コンピュータ５０は、メインメモリ５１と、ＣＰＵ（Central Processing Unit）５２と、ＬＡＮ（Local Area Network）インタフェース５３と、ＨＤＤ（Hard Disk Drive）５４とを有する。また、コンピュータ５０は、スーパーＩＯ（Input Output）５５と、ＤＶＩ（Digital Visual Interface）５６と、ＯＤＤ（Optical Disk Drive）５７とを有する。

メインメモリ５１は、プログラムやプログラムの実行途中結果などを記憶するメモリである。ＣＰＵ５２は、メインメモリ５１からプログラムを読み出して実行する中央処理装置である。ＣＰＵ５２は、メモリコントローラを有するチップセットを含む。

ＬＡＮインタフェース５３は、コンピュータ５０をＬＡＮ経由で他のコンピュータに接続するためのインタフェースである。ＨＤＤ５４は、プログラムやデータを格納するディスク装置であり、スーパーＩＯ５５は、マウスやキーボードなどの入力装置を接続するためのインタフェースである。ＤＶＩ５６は、液晶表示装置を接続するインタフェースであり、ＯＤＤ５７は、ＤＶＤの読み書きを行う装置である。

ＬＡＮインタフェース５３は、ＰＣＩエクスプレス（ＰＣＩｅ）によりＣＰＵ５２に接続され、ＨＤＤ５４及びＯＤＤ５７は、ＳＡＴＡ（Serial Advanced Technology Attachment）によりＣＰＵ５２に接続される。スーパーＩＯ５５は、ＬＰＣ（Low Pin Count）によりＣＰＵ５２に接続される。

そして、コンピュータ５０において実行される検索プログラムは、コンピュータ５０により読み出し可能な記録媒体の一例であるＤＶＤに記憶され、ＯＤＤ５７によってＤＶＤから読み出されてコンピュータ５０にインストールされる。あるいは、検索プログラムは、ＬＡＮインタフェース５３を介して接続された他のコンピュータシステムのデータベースなどに記憶され、これらのデータベースから読み出されてコンピュータ５０にインストールされる。そして、インストールされた検索プログラムは、ＨＤＤ５４に記憶され、メインメモリ５１に読み出されてＣＰＵ５２によって実行される。

また、実施例では、検索装置１が運送サービスについて情報を提供する場合について説明したが、検索装置１は、商品あるいは他のサービスについての情報を提供してもよい。

また、実施例では、評価推定部４は、評価軸データを用いる場合について説明したが、評価推定部４は、評価軸推定データを用いてもよい。すなわち、検索装置１は、学習部２６を有さなくてもよい。

１ 検索装置
２ 評価軸学習部
３ 評価軸データ記憶部
４ 評価推定部
５ｂ 条件
６ａ 評価データ
６ｂ 検索結果
２１ マッチング履歴ＤＢ
２２ マッチング履歴抽出部
２３ サービス分類データ記憶部
２４ サービス分類部
２５ 評価軸推定部
２６ 学習部
５０ コンピュータ
５１ メインメモリ
５２ ＣＰＵ
５３ ＬＡＮインタフェース
５４ ＨＤＤ
５５ スーパーＩＯ
５６ ＤＶＩ
５７ ＯＤＤ

Claims (8)

1. コンピュータに、
   複数の項目についての検索条件を満たす対象が見つかるまでの利用者による検索条件の変更履歴に基づいて、各項目について前記利用者が重視する度合を表す評価値を算出して、前記複数の項目の評価値の集まりとして評価値セットを作成し、
   前記利用者から前記複数の項目についての新たな検索条件を受け付けると、前記評価値セットに基づいて検索結果を出力し、
   新たな変更履歴を受け付けると、前記評価値セットに基づいて、前記受け付けた変更履歴に対応する検索結果に対する利用者の評価を推定し、推定結果を出力する
   処理を実行させることを特徴とする検索プログラム。
2. 前記コンピュータに、
   前記利用者の複数の変更履歴を基にして評価値セットを含む評価値軸データを作成する
   処理をさらに実行させることを特徴とする請求項１に記載の検索プログラム。
3. 前記算出する処理は、前記検索条件に含まれる項目の条件が前記変更履歴において変更された順番に基づいて前記評価値を算出することを特徴とする請求項１または２に記載の検索プログラム。
4. 前記算出する処理は、前記検索条件に含まれる項目の条件の変更方法にさらに基づいて前記評価値を算出することを特徴とする請求項３に記載の検索プログラム。
5. 前記算出する処理は、前記検索条件に項目として含まれる価格を上げるか否かに基づいて前記評価値を算出することを特徴とする請求項４に記載の検索プログラム。
6. 前記算出する処理は、前記検索条件に項目として含まれる地域を広げる、狭める又は変えるに基づいて前記評価値を算出することを特徴とする請求項５に記載の検索プログラム。
7. コンピュータが、
   複数の項目についての検索条件を満たす対象が見つかるまでの利用者による検索条件の変更履歴に基づいて、各項目について前記利用者が重視する度合を表す評価値を算出して、前記複数の項目の評価値の集まりとして評価値セットを作成し、
   前記利用者から前記複数の項目についての新たな検索条件を受け付けると、前記評価値セットに基づいて検索結果を出力し、
   新たな変更履歴を受け付けると、前記評価値セットに基づいて、前記受け付けた変更履歴に対応する検索結果に対する利用者の評価を推定し、推定結果を出力する
   処理を実行することを特徴とする検索方法。
8. 複数の項目についての検索条件を満たす対象が見つかるまでの利用者による検索条件の変更履歴に基づいて、各項目について前記利用者が重視する度合を表す評価値を算出して、前記複数の項目の評価値の集まりとして評価値セットを作成する作成部と、
   前記利用者から前記複数の項目についての新たな検索条件を受け付けると、前記評価値セットに基づいて検索結果を出力する評価部とを有し、
   前記評価部は、
   新たな変更履歴を受け付けると、前記評価値セットに基づいて、前記受け付けた変更履歴に対応する検索結果に対する利用者の評価を推定し、推定結果を出力する
   ことを特徴とする検索装置。

Images