JP7310899B2 - ユーザ・商品マップ推定装置、方法およびプログラム - Google Patents

ユーザ・商品マップ推定装置、方法およびプログラム Download PDF

Info

Publication number
JP7310899B2
JP7310899B2 JP2021543616A JP2021543616A JP7310899B2 JP 7310899 B2 JP7310899 B2 JP 7310899B2 JP 2021543616 A JP2021543616 A JP 2021543616A JP 2021543616 A JP2021543616 A JP 2021543616A JP 7310899 B2 JP7310899 B2 JP 7310899B2
Authority
JP
Japan
Prior art keywords
product
user
hidden feature
feature vector
word
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2021543616A
Other languages
English (en)
Other versions
JPWO2021044460A5 (ja
JPWO2021044460A1 (ja
Inventor
幸史 市川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JPWO2021044460A1 publication Critical patent/JPWO2021044460A1/ja
Publication of JPWO2021044460A5 publication Critical patent/JPWO2021044460A5/ja
Application granted granted Critical
Publication of JP7310899B2 publication Critical patent/JP7310899B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、推定されるユーザおよび商品の関係を空間上にマップするユーザ・商品マップ推定装置、ユーザ・商品マップ推定方法およびユーザ・商品マップ推定プログラムに関する。
マーケティングにおいて、どのような消費者がどのようなものを好んでいるか、という商品および消費者の関係性の把握は、消費者のセグメンテーションや自社製品のターゲッティングまたはポジショニングなどのマーケティング分析において極めて重要である。
近年では、商品および消費者の関係性を直感的に把握するため、商品と、商品の消費者であるサービスのユーザとの関係を、ある一つの空間に関連付けて表示（以下、マップと記す。）する技術が広く利用されている。
以下では、商品およびユーザを関連付けて表示する空間（マップ先の空間）をマップ空間と記す。マップ空間は任意のベクトル空間であり、各商品およびユーザはマップ空間上のあるベクトルにより表されることを想定する。ただし、マップ空間は、ベクトル空間に限らず、例えば加群として定義されてもよい。
例えば、あるサービスにおける取扱商品として、ビールを考える。そして、ビールを購買するサービスのユーザの集合を考える。商品およびユーザをある一つの空間にマップする技術では、類似した商品および類似したユーザは、マップ空間上において近傍に配置される。例えば、ビールの中でも「キレ」のあるビール同士はマップ空間上で近い位置に配置される。
さらに、商品およびユーザを同一空間にマップする技術では、商品（例えば、ビール）に対する購買行動を基準として、マップ空間上にユーザが配置される。例えば、「キレ」のあるビールをよく買っているユーザは、「キレ」のあるビールの近くに配置される。
このマップにより、例えば、「キレ」や「コク」といった性質を代表するビールの周りにどのような商品が配置されているか（すなわち、類似品としてみなせるか）を観察することができる。また、この観察に基づいて、各ビールがどのような性質をどの程度有しているのかを直感的に把握することが可能になる。
さらに、それぞれのビールに対して、近傍に配置されたユーザを観察することで、それぞれのビールが、どのようなユーザに購買されているかといった情報や、そのビールを好むユーザがどの程度の人数存在するのかといった情報を得ることが可能になる。
また、非特許文献１～３には、ユーザと商品を同一空間にマップする技術がそれぞれ記載されている。
非特許文献１に記載された装置は、ユーザ行動データに基づき、ユーザのマップ空間上のベクトル、および、商品のマップ空間上のベクトルを以下のように推定する。以下、マップ空間上のベクトルのことを、隠れ特徴ベクトルと記す。
あるユーザに着目したとき、そのユーザが好む商品（以下、正例商品と記す）と、好んでいない商品（以下、負例商品と記す）の集合が定義される状況を想定する。正例商品および負例商品は、着目しているユーザの行動データを用いて定義することができる。具体的には、着目しているユーザが購入したことがある商品の集合が、着目しているユーザの正例商品として定義される。また、着目しているユーザが購入していない商品が、着目しているユーザの負例商品として定義される。
このとき、各ユーザの正例商品の隠れ特徴ベクトルおよび負例商品の隠れ特徴ベクトルに対して、各ユーザの隠れ特徴ベクトルとの距離が算出される。非特許文献１に記載された装置は、各ユーザの隠れ特徴ベクトルと各ユーザの正例商品の隠れ特徴ベクトルとの距離が、各ユーザの隠れ特徴ベクトルと各ユーザの負例商品の隠れ特徴ベクトルとの距離よりも近い、という制約を想定する。そして、この制約をできる限り実現するように、ユーザの隠れ特徴ベクトルおよび商品の隠れ特徴ベクトルが推定される。
また、非特許文献１に記載された装置は、ユーザの行動データおよび商品特徴に基づき、ユーザのマップ空間上のベクトル、および、商品のマップ空間上のベクトルを推定する。非特許文献１に記載された装置は、商品が有する特徴も、ユーザおよび商品の隠れ特徴ベクトルが定義される空間にマップされる。非特許文献１では、例えば、画像データや、タグなどが各商品の特徴として想定されている。商品特徴は、任意の関数によりマップ空間上の１つのベクトルに変換される。以下、マップ空間上の１つのベクトルに商品特徴を変換する関数をエンコーダと記す。エンコーダとして、例えばアフィン変換や、ニューラルネットワークが想定されている。そして、上述したユーザ行動に基づく制約、および、商品の隠れ特徴ベクトルとエンコーダにより射影された商品特徴ベクトルとの距離が近くなるという制約のもと、ユーザおよび商品の隠れ特徴ベクトルが推定される。このとき、上述したエンコーダのパラメータも同時に推定される。
非特許文献２に記載された装置は、非特許文献１に記載された装置と同様に、ユーザの行動データおよび商品特徴に基づき、ユーザの隠れ特徴ベクトルおよび商品の隠れ特徴ベクトルを推定する。非特許文献２に記載された装置は、上述したエンコーダに加えて、マップ空間上の点から商品特徴空間上へ変換を行う関数を学習する。以下、この関数をデコーダと記す。デコーダによって、例えば商品特徴が画像データとして入力されている状況において、マップ空間上の各点がどのような画像データであるかを解釈することが可能になる。
非特許文献３に記載された装置は、ユーザの隠れ特徴ベクトルおよび商品の隠れ特徴ベクトルを以下のように推定する。まず、外部データを使用し、単語の分散表現が学習される。この学習により、各単語にはあるベクトルが割り当てられる。このベクトルは、各単語の意味的な近さにより推定される。例えば「シェパード」、「ドーベルマン」および「秋田犬」といった、似た文脈で使用される単語のベクトル間の距離は近くなるように推定される。一方で「シェパード」と「防風林」のような、全く別の文脈で使用される単語のベクトル間の距離は遠くなるように推定される。以下では、外部データを使用し、得られた各単語のベクトルを単語ベクトルと記す。また、この単語ベクトルが定義されるベクトル空間を単語空間と記す。
次に、商品の文章を形態素解析で単語へ分解することにより、各商品がある単語集合を有する状況を想定する。ここで、商品全体が有する単語集合は、外部データを用いて得られた単語の部分集合になっていると想定する。なお、商品全体が有する単語のうち、外部データにない単語が存在する場合は、そのような単語を取り除くことで、この想定を満たすことができる。
このとき、非特許文献３に記載された装置では、各商品の隠れ特徴ベクトルが、各商品が有する単語ベクトルの平均値として定義される。また、各ユーザの隠れ特徴ベクトルは、各ユーザの正例商品の隠れ特徴ベクトルの平均値として定義される。
非特許文献３に記載された技術により、商品およびユーザが単語空間上で定義されたベクトルを有することになる。例えば、ある商品に対して、「冷たい」、「赤い」、「炭酸」などの自然言語ベースの特徴を加えることで、そのような商品の類似商品やターゲットユーザを把握することが可能になる。
Hsieh, C.; Yang, L.; Cui, Y.; Lin, T.; Belongie, S.; Estrin, D., "Collaborative metric learning.", Proceedings of the 26th International Conference on World Wide Web (WWW) 2017, Perth, Australia, April 3-7, 2017, pp.193-201.
Vo, T; and Soh, H., "Generation Meets Recommendation: Proposing Novel Items for Groups of Users", Proceedings of the 12th {ACM} Conference on Recommender Systems (RecSys) 2018, Vancouver, BC, Canada, October 2-7, 2018, pp.145-153.
Woltmann, L.; Thiele, M.; and Lehner, W., "Modeling Customers and Products with Word Embeddings from Receipt Data", Proceedings of the 22nd International Database Engineering & Applications Symposium (ＩＤEAS) 2018, Villa San Giovanni, Italy, June 18-20, 2018, pp.246-252.
しかし、非特許文献１に記載された方法では、埋め込み空間上での各点が、どのような特徴を意味しているのか解釈しにくいという問題がある。すなわち、非特許文献１に記載された装置により、複数のユーザが共通して好む商品の集合がマップ空間上で固まりになって出力される。しかし、その固まりがどのような共通性を有するかは、それぞれの商品の性質を知った上で解釈を行わなければならない。
例えば、ビールの購買を考えると、「キレ」のあるビールと、「コク」のあるビールとでは、購買するユーザ層が異なる状況が想定される。この購買行動に基づいてビールをマップすると、「キレ」のあるビールが、ある点の付近に固まり、その点からある程度離れた点で、「コク」のあるビールが固まると想定される。しかし、マップ空間上における各商品の固まりが、「キレ」または「コク」という共通特徴を有するという発見は、各ビールの商品をよく知ったうえで内容を分析しないと分からない。
また、非特許文献２に記載された方法では、上記の問題に対して、マップ空間上の各点を商品特徴空間に射影する関数を同時に学習することで、マップ空間の解釈性を向上させている。非特許文献２に記載された方法では、例えば、上述したビールの例において、各商品が有する「キレ」や「コク」といった単語をあらかじめ用意しておき、商品の説明文中に該当の単語が「存在する」または「存在しない」を表わす２値のベクトルで各商品の特徴を表現できる。
仮に、単語を「キレ」および「コク」の２つに限定した場合、「キレ」が説明文中に存在する商品を（１，０）、「コク」が説明文中に存在する商品を（０，１）というベクトルで商品特徴を表現できる。同様に、「キレ」および「コク」が説明文中に存在する商品を（１，１）というベクトルで商品特徴を表現できる。この場合、非特許文献２に記載された装置では、例えばマップ空間上の（０，０．３，０．５）というベクトルが、上述したエンコーダにより、（０．５、０．２）といった特徴空間上での数値に変換される。したがって、マップ空間上の各点を、「キレ」と「コク」の度合いとして解釈できる。
しかし、非特許文献２に記載された装置では、商品特徴空間が、商品の有する特徴に制限されている。そのため、例えば、新たな特徴（特性）を付け加えたり、定義されていない概念を差し引いたりするような操作を行うことはできない。具体的には、上記のビールの例において、例えば、ある「キレ」のある商品に「レモン風味」という特徴を付け加えることや、「ビール」という特徴を差し引いて「紅茶」という特徴を付け加える、という自由な操作はできない。すなわち、非特許文献２に記載された装置では、自然言語で示される特徴の加算または減算により、マップ空間上の商品の隠れ特徴ベクトルを操作することはできない。
非特許文献３に記載された方法では、外部データを用いて学習した単語空間を利用し、ユーザの隠れ特徴ベクトルおよび商品の隠れ特徴ベクトルを単語空間上で定義する。ここで、外部データは巨大なコーパスにより作成され、我々が日常使用するほとんどの単語についても、単語ベクトルが割り当てられていると想定される。そのため、非特許文献３に記載された装置では、上記に示す、例えば、「キレ」のある商品に「レモン風味」という特徴を付け加えることや、「ビール」という特徴を差し引いて「紅茶」という特徴を付け加える、という自然言語ベースでの特徴の加算または減算が可能である。
しかし、非特許文献３に記載された装置では、商品の隠れ特徴ベクトルが単語ベクトルの和で表される。そのため、例えば、「キレ」の単語のみを有する商品が複数あった場合、マップ空間上で全く同じ点に射影される。その結果、商品の文章上に現れていない特徴の効果を反映することができない。例えば、ある「キレ」のある商品が、文章に記載されていない特徴である「麦の香り」を有している場合、マップ空間上での「キレ」の単語ベクトルと同じ位置に配置されないことも想定される。すなわち、同じ単語を有する商品はマップ空間上で同じ点に射影されてしまう。
このような状況は、商品情報がそれほど充実していない状況で起こり得る。このような状況は、例えば、ＥＣ（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｍｍｅｒｃｅ）サイトの説明文や、商品のキャッチコピー、商品のカテゴリなど、短文での情報しかデータとして記録されていない場合に想定される。このように、非特許文献３に記載された装置では、上述した２つの問題点の結果、近傍ユーザや類似商品を列挙する際、これらの関係が正確に出力されない状況が想定される。
以上に示すように、非特許文献１に記載された装置では、マップ空間上での各点が、どのような特徴を意味しているのか解釈しにくいという問題がある。また、非特許文献２に記載された装置では、マップ空間上の商品の隠れ特徴ベクトルまたはユーザの隠れ特徴ベクトルに対し、商品全体で定義された特徴の集合以外の特徴を付け加えたり、差し引いたりする操作ができないという問題がある。また、非特許文献３に記載された装置では、商品の文章上に現れていない特徴の効果を取り入れられず、また、同じ単語を有する商品が同じ位置に射影されてしまうという問題がある。そのため、商品やユーザを説明する文章上に現れていない特徴についても、ユーザの行動データから推定し、商品またはユーザが有する特徴について操作可能なマップ空間上に、その特徴を埋め込みできることが好ましい。
そこで、本発明は、商品またはユーザの特徴が、これらを説明する文章上に現れていない場合であっても、その特徴を考慮したユーザと商品との関係を空間上にマップできるユーザ・商品マップ推定装置、ユーザ・商品マップ推定方法およびユーザ・商品マップ推定プログラムを提供することを目的とする。
本発明によるユーザ・商品マップ推定装置は、ユーザの嗜好に応じて行動の対象になった商品を表わす学習データを入力する入力部と、商品が備える特徴を表わす商品情報と、単語間の関係性を表す単語情報と、学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定する推定部とを備え、推定部が、ユーザの隠れ特徴ベクトルと商品の隠れ特徴ベクトルとの距離が学習データが示すその商品に対するユーザの嗜好を反映した距離になるようにするとともに、単語情報が示す関係性が近いほど、商品の隠れ特徴ベクトルと商品情報が表わすその商品の特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように隠れ特徴ベクトルを推定することを特徴とする。
本発明による他のユーザ・商品マップ推定装置は、ユーザの嗜好に応じて行動の対象になった商品を表わす学習データを入力する入力部と、ユーザが備える特徴を表わすユーザ情報と、単語間の関係性を表す単語情報と、学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定する推定部とを備え、推定部が、ユーザの隠れ特徴ベクトルと商品の隠れ特徴ベクトルとの距離が学習データが示すその商品に対するユーザの嗜好を反映した距離になるようにするとともに、ユーザ情報が示す関係性が近いほど、ユーザの隠れ特徴ベクトルとユーザ情報が表わすそのユーザの特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように隠れ特徴ベクトルを推定することを特徴とする。
本発明によるユーザ・商品マップ推定方法は、コンピュータが、ユーザの嗜好に応じて行動の対象になった商品を表わす学習データを入力し、コンピュータが、商品が備える特徴を表わす商品情報と、単語間の関係性を表す単語情報と、学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定し、コンピュータが、推定の際、ユーザの隠れ特徴ベクトルと商品の隠れ特徴ベクトルとの距離が学習データが示すその商品に対するユーザの嗜好を反映した距離になるようにするとともに、単語情報が示す関係性が近いほど、商品の隠れ特徴ベクトルと商品情報が表わすその商品の特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように隠れ特徴ベクトルを推定することを特徴とする。
本発明によるユーザ・商品マップ推定プログラムは、コンピュータに、ユーザの嗜好に応じて行動の対象になった商品を表わす学習データを入力する入力処理、および、商品が備える特徴を表わす商品情報と、単語間の関係性を表す単語情報と、学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定する推定処理を実行させ、推定処理で、ユーザの隠れ特徴ベクトルと商品の隠れ特徴ベクトルとの距離が学習データが示すその商品に対するユーザの嗜好を反映した距離になるようにするとともに、単語情報が示す関係性が近いほど、商品の隠れ特徴ベクトルと商品情報が表わすその商品の特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように隠れ特徴ベクトルを推定させることを特徴とする。
本発明によれば、商品またはユーザの特徴が、これらを説明する文章上に現れていない場合であっても、その特徴を考慮したユーザと商品との関係を空間上にマップできる。
本発明によるユーザ・商品マップ推定装置の第一の実施形態の構成例を示すブロック図である。 出力結果の例を示す説明図である。 第一の実施形態のユーザ・商品マップ推定装置の動作例を示すフローチャートである。 ユーザ、商品および単語の隠れ特徴ベクトルの関係例を示す説明図である。 ユーザ、商品および単語の隠れ特徴ベクトルの他の関係例を示す説明図である。 本発明によるユーザ・商品マップ推定装置の第二の実施形態の構成例を示すブロック図である。 単語空間を変換する例を示す説明図である。 出力結果の例を示す説明図である。 第二の実施形態のユーザ・商品マップ推定装置の動作例を示すフローチャートである。 ユーザ、商品および単語の隠れ特徴ベクトルの関係例を示す説明図である。 本発明によるユーザ・商品マップ推定装置の第三の実施形態の構成例を示すブロック図である。 第三の実施形態のユーザ・商品マップ推定装置の動作例を示すフローチャートである。 本発明によるユーザ・商品マップ推定装置の概要を示すブロック図である。
以下、本発明の実施形態を図面を参照して説明する。以下の説明において、ユーザと商品との関係を表現する場合、“ユーザ・商品”と表現する。例えば、本発明におけるユーザ・商品マップ推定装置は、推定されるユーザと商品との関係を関連付けて表示する装置であることを示す。
実施形態１．
図１は、本発明によるユーザ・商品マップ推定装置の第一の実施形態の構成例を示すブロック図である。
本実施形態では、ユーザの行動メカニズム、および、単語間の関係性を表わす単語情報からユーザ・商品間の距離関係に制約を与え、ユーザおよび商品の単語空間上での位置を推定する。以下の説明では、ユーザの嗜好に応じた行動メカニズムとして、商品の購買（すなわち、購買メカニズム）を例示する。ただし、ユーザの嗜好に応じた行動は、購買に限られず、例えば、多くの商品の中から一の商品を評価、参照、検索、表示するといった行動も含まれる。
以下の説明では、ユーザのマップ空間上での位置を表わすベクトルをＰで示し、商品のマップ空間上での位置を表わすベクトルをＱで示す。以下、ベクトルＰのことをユーザの隠れ特徴ベクトルと記し、ベクトルＱのことを商品の隠れ特徴ベクトルと記すこともある。また、ベクトルＰとベクトルＱの間の距離をｄ（Ｐ，Ｑ）で表す。この距離ｄは、例えばユークリッド距離や絶対値などにより算出される。
さらに、本実施形態では、各商品または各ユーザが有する（説明する）単語の意味的な内容を表すベクトルを単語ベクトルと記し、Ｖで表す。このベクトルは、各単語の意味的な近さにより定義されるベクトルであり、単語情報から推定される。例えば「シェパード」、「ドーベルマン」および「秋田犬」といった、似た文脈で使用される単語間の距離は近く、一方で「シェパード」と「防風林」のような全く別の文脈で使用される単語は遠くなるように設定される。このような単語ベクトルの推定は、Ｗｏｒｄ２ｖｅｃやｆａｓｔＴｅｘｔ，Ｇｌｏｖｅなど、広く知られた推定技術により実現できる。そして、単語空間上へのマッピングにより、ユーザの隠れ特徴ベクトルおよび商品の隠れ特徴ベクトルに対して自然言語ベースの操作を行えるようになる。
本実施形態では、上述するユーザの隠れ特徴ベクトルＰおよび商品の隠れ特徴ベクトルＱを推定することを目標とする。
図１を参照すると、本実施形態のユーザ・商品マップ推定装置１００は、商品情報入力部１０と、単語情報入力部２０と、学習データ入力部３０と、推定部４０と、出力部５０と、記憶部６０とを備えている。
記憶部６０は、後述する推定部４０が処理に利用する各種パラメータを記憶する。また、記憶部６０は、商品情報入力部１０、単語情報入力部２０、および、学習データ入力部３０が入力として受け付けた情報を記憶してもよい。記憶部６０は、例えば、磁気ディスク等により実現される。
商品情報入力部１０は、商品が備える特徴（属性）を表わす商品情報の入力を受け付ける。商品情報入力部１０は、各商品の属性の入力を直接受け付けてもよいし、商品属性を含む商品情報を受け付けてもよい。商品情報として、例えば、商品に付与された説明文などが挙げられる。商品情報を受け付けた場合、商品情報入力部１０は、商品情報から商品属性に関する単語を抽出する。商品属性に関する単語を抽出する方法は任意であり、商品情報入力部１０は、例えば、形態素解析により、商品情報から商品属性に関する単語を抽出してもよい。
なお、商品情報入力部１０は、商品情報の代わりに、ユーザ情報を入力として受け付けてもよい。ユーザ情報として、例えば、ユーザの職業や興味が挙げられる。ユーザ情報を受け付けた場合、商品情報入力部１０は、ユーザ情報からユーザ属性に関する単語を抽出する。商品情報入力部１０が、商品情報の代わりに、ユーザ情報を入力として受け付けた場合、以下、商品と記している箇所をユーザ、また、以下ユーザと記している箇所を商品と読み替えることで同じ効果を奏する。この場合、商品情報入力部１０は、ユーザ情報入力部ということができる。以下の実施形態でも同様である。
単語情報入力部２０は、単語情報の入力を受け付ける。単語情報入力部２０は、単語情報として、各単語が示す単語ベクトルの入力を直接受け付けてもよいし、単語を含む文章の集合を受け付けてもよい。単語を含む文章の集合として、例えば、単語の辞書や、商品説明文、レビュー文章や、ＳＮＳ（Social Networking Service ）での投稿などが挙げられる。単語を含む文章の集合を受け付けた場合、単語情報入力部２０は、単語を含む文章の集合から各単語の単語ベクトルを推定する。単語情報入力部２０は、推定方法に、ｗｏｒｄ２ｖｅｃやｆａｓｔｔｅｘｔ、ｇｌｏｖｅなどの単語ベクトル推定技術を用いてもよい。
学習データ入力部３０は、後述する推定部４０がベクトルＰおよびベクトルＱの推定に用いる学習データを入力する。学習データは、ユーザと商品との間の関係性を示すデータであり、具体的には、ユーザの嗜好に応じて行動の対象になった商品を表わすデータである。例えば、ユーザの行動として購買行為に着目する場合、学習データとして、ユーザの嗜好により購買に結び付いたデータを示す購買データ（購買履歴）が用いられてもよい。
推定部４０は、商品情報と学習データと単語情報とに基づいて、商品情報に対応した各ユーザの隠れ特徴ベクトルＰおよび各商品の隠れ特徴ベクトルＱを推定する。ここで、本実施形態では、学習データおよび単語情報からユーザ・商品間の距離関係に制約を与え、推定部４０は、ユーザおよび商品の単語空間上での位置を推定する。具体的には、推定部４０は、例えば、以下の式１に例示する損失関数を最小化（最適化）するＰ，Ｑを算出することでベクトルＰおよびベクトルＱを推定してもよい。
Figure 0007310899000001
式１において、Ｌ（Ｐ，Ｑ，Ｙ）は、購買データに基づき、ユーザ・商品間の距離関係により算出される項である。なお、Ｙは、学習データ（購買データ）を表わす。
Ｌ（Ｐ，Ｑ，Ｙ）は、例えば、ユーザの隠れ特徴ベクトルＰに対して、正例商品の隠れ特徴ベクトルとの距離が、負例商品の隠れ特徴ベクトルとの距離よりも遠いほど大きな値をとるように定義される。なお、正例商品および負例商品について、例えば、ユーザが購入した商品集合を正例商品、購入しなかったその他の商品集合を負例集合と扱ってもよい。
このように、推定部４０は、ユーザの隠れ特徴ベクトルＰと商品の隠れ特徴ベクトルＱとの距離が、学習データＹが示すその商品に対するユーザの嗜好を反映した距離になるように推定する。推定部４０は、具体的には、以下に例示する式２によりＬ（Ｐ，Ｑ，Ｙ）を算出してもよい。
Figure 0007310899000002
式２において、Ｐｕは、ユーザｕの隠れ特徴ベクトル、ＱｉおよびＱｊは、それぞれ正例商品ｉおよび負例商品ｊの隠れ特徴ベクトルを表す。また、Ｉｕ ＋はユーザｕの正例商品の集合、Ｉｕ －は、ユーザｕの負例商品の集合を表す。また、式２において、関数ｈは、引数が正の値の場合に引数と同じ値を返し、引数が負の値の場合には０を返す関数である。また、ｍは正例と負例の間の距離を調整するハイパーパラメータである。
また、式２において、ｗｕ，ｉ，ｊは各ユーザｕ、正例商品ｉ、および、負例商品ｊに対して定義される重みであり、正例商品の隠れ特徴ベクトルとの距離が、負例商品の隠れ特徴ベクトルとの距離よりも遠い場合の項の重さを調整する。例えば、すべての組で同じ値がｗｕ，ｉ，ｊに定義されてもよいし、より嗜好が強いと推察される正例商品に対して、ｗｕ，ｉ，ｊが大きく定義されてもよい。
このように、推定部４０は、学習データに基づくユーザの正例商品または負例商品を、商品に対するユーザの嗜好として用いる。そして、推定部４０は、ユーザの隠れ特徴ベクトルと正例商品または負例商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルを推定してもよい。
一方、推定部４０は、単語情報が示す関係性が近いほど、商品の隠れ特徴ベクトルとその商品の単語ベクトルとの距離が近くなるように隠れ特徴ベクトルを推定する。式１におけるＬ（Ｑ，Ｖ）は、各商品の隠れ特徴ベクトルＱと、各商品の属性と、単語ベクトルＶとに基づき、商品の隠れ特徴ベクトルが、その商品が有する属性に結び付いた単語ベクトルの近くにあるほど小さい値をとる。推定部４０は、具体的には、以下に例示する式３によりＬ（Ｑ，Ｖ）を算出してもよい。すなわち、推定部４０は、単語ベクトルと商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルを推定してもよい。
Figure 0007310899000003
式３において、ｉは、商品のインデックス、ｋは、商品属性のインデックスを表す。また、ｗｉｋは、商品ｉが商品属性ｋを有しているかどうかを表す重みであり、０または１のバイナリ値でもよいし、度合いを表す正の実数でもよい。αは、Ｌ（Ｐ，Ｑ，Ｙ）とＬ（Ｑ，Ｖ）の寄与の大きさを調整するハイパーパラメータである。
推定部４０は、上記に示す式１の損失関数を最小化（最適化）する手法により、ベクトルＰおよびベクトルＱを算出してもよい。この場合、推定部４０は、最急降下法やニュートン法により、損失関数が最大になるＰおよびＱを算出してもよい。
出力部５０は、マップ空間における各ユーザの隠れ特徴ベクトルおよび各商品の隠れ特徴ベクトルを出力する。図２は、出力結果の例を示す説明図である。図２に示す例では、ユーザ、商品および単語が同一の空間上にマップされた例を示す。図２に例示する三角印が、単語ベクトルを示し、領域Ｒ１に示す記号が、商品の隠れ特徴ベクトルを示す。また、領域Ｒ２に存在する記号が、ユーザの隠れ特徴ベクトルを示す。なお、出力部５０は、ユーザによって指定されたユーザ、商品または単語を受け付けて、指定されたユーザ、商品または単語の近傍のユーザ、商品または単語を出力するようにしてもよい。
商品情報入力部１０と、単語情報入力部２０と、学習データ入力部３０と、推定部４０と、出力部５０とは、プログラム（ユーザ・商品マップ推定プログラム）に従って動作するコンピュータのプロセッサ（例えば、ＣＰＵ（Central Processing Unit ）、ＧＰＵ（Graphics Processing Unit））によって実現される。
例えば、プログラムは、記憶部６０に記憶され、プロセッサは、そのプログラムを読み込み、プログラムに従って、商品情報入力部１０、単語情報入力部２０、学習データ入力部３０、推定部４０および出力部５０として動作してもよい。また、ユーザ・商品マップ推定装置１００の機能がＳａａＳ（Software as a Service ）形式で提供されてもよい。
商品情報入力部１０と、単語情報入力部２０と、学習データ入力部３０と、推定部４０と、出力部５０とは、それぞれが専用のハードウェアで実現されていてもよい。また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組合せによって実現されてもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。
また、ユーザ・商品マップ推定装置１００の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。
次に、本実施形態のユーザ・商品マップ推定装置の動作を説明する。図３は、本実施形態のユーザ・商品マップ推定装置１００の動作例を示すフローチャートである。商品情報入力部１０は、商品情報を入力する（ステップＳ１１）。単語情報入力部２０は、単語情報を入力する（ステップＳ１２）。また、学習データ入力部３０は、学習データを入力する（ステップＳ１３）。
推定部４０は、商品情報と単語情報と学習データとに基づいて、ユーザの隠れ特徴ベクトルＰおよび商品の隠れ特徴ベクトルＱを推定する（ステップＳ１４）。損失関数が上記に示す式１で表される場合、推定部４０は、損失関数を最小化することでユーザの隠れ特徴ベクトルＰおよび商品の隠れ特徴ベクトルＱを推定してもよい。そして、推定部４０は、推定処理の収束判定を行う（ステップＳ１５）。推定部４０は、例えば、損失関数値など、最小化しようとする値の変化量が予め定めた値や割合を下回った場合に、処理が収束したと判定してもよい。収束したと判定された場合（ステップＳ１５におけるＹｅｓ）、推定部４０は、推定処理を終了する。一方、収束したと判定されなかった場合（ステップＳ１５におけるＮｏ）、推定部４０は、ステップＳ１４以降の処理を繰り返す。
以上のように、本実施形態では、学習データ入力部３０が、学習データを入力し、推定部４０が、商品情報と単語情報と学習データとに基づいて、ユーザおよび商品のそれぞれについて隠れ特徴ベクトルを推定する。その際、推定部４０が、ユーザの隠れ特徴ベクトルと商品の隠れ特徴ベクトルとの距離が学習データが示すその商品に対するユーザの嗜好を反映した距離になるようにするとともに、単語情報が示す関係性が近いほど、商品の隠れ特徴ベクトルとその商品の特徴を表わす単語ベクトルとの距離が近くなるように隠れ特徴ベクトルを推定する。よって、商品の特徴がその商品を説明する文章上に現れていない場合であっても、その特徴を考慮したユーザと商品との関係を空間上にマップできる。
また、商品情報入力部１０（ユーザ情報入力部）が、商品情報の代わりにユーザ情報を入力として受け付けた場合、推定部４０が、ユーザ情報と単語情報と学習データとに基づいて、ユーザおよび商品のそれぞれについて隠れ特徴ベクトルを推定する。その際、推定部４０が、ユーザの隠れ特徴ベクトルと商品の隠れ特徴ベクトルとの距離が学習データが示すその商品に対するユーザの嗜好を反映した距離になるようにするとともに、ユーザ情報が示す関係性が近いほど、ユーザの隠れ特徴ベクトルとそのユーザの特徴を表わす単語ベクトルとの距離が近くなるように隠れ特徴ベクトルを推定する。よって、ユーザの特徴がそのユーザを説明する文章上に現れていない場合であっても、その特徴を考慮したユーザと商品との関係を空間上にマップできる。
例えば、損失関数が上記に示す式１で表される場合、学習データ入力部３０が、学習データの入力を受け付けると、推定部４０が、商品情報、単語情報および学習データに基づいて、ユーザの隠れ特徴ベクトルＰおよび商品の隠れ特徴ベクトルＱを推定する。このとき、学習データに基づくベクトルＰとベクトルＱとの間の推定により、ユーザの正例商品はそのユーザの近傍に配置される。一方で、ユーザの負例商品はそのユーザから離れた位置に配置される。あるユーザの隠れ特徴ベクトルＰに対して、二つの商品の隠れ特徴ベクトルをＱ１，Ｑ２と記した場合、距離の三角不等式によりｄ（Ｐ，Ｑ１）＋ｄ（Ｐ，Ｑ２）≧ｄ（Ｑ１，Ｑ２）が成立する。したがって、正例商品同士は、それぞれ近傍に配置される。これにより、結果として、ユーザ行動を基準とした商品間の類似性がマップ空間上に反映される。
また、本実施形態では、商品の隠れ特徴ベクトルＱと、商品情報に基づく単語ベクトルＶとを近傍に配置する制限が課される。結果、商品の隠れ特徴ベクトルＱは、商品情報に基づく単語ベクトルの近くに配置される。したがって、商品のマップ空間上での位置は、商品が有する単語の意味的な位置を反映する。上述する学習データに基づくＱへの制限により、各商品の隠れ特徴ベクトルＱは、商品が有する単語ベクトルの単純な平均値ではなく、ユーザ嗜好を反映した位置になっている。
図４は、ユーザ、商品および単語の隠れ特徴ベクトルの関係例を示す説明図である。図４に例示するように、商品情報として「コク」という単語を有するビールＡ、および、商品情報として「香り」という単語を有するビールＢを考える。単語ベクトルにしたがった配置では、ビールＡは「コク」の単語ベクトルと同じ位置に、またビールＢは「香り」の単語ベクトルと同じ位置にマップされる。ここで、例えば、ビールＡを好むユーザの一部が、ビールＢも正例商品としていた場合、式２に示す制約は、このユーザおよびビールＢの隠れ特徴ベクトルを互いに近づけようとする。
図４に示す例では、各ユーザの正例商品を実線で結び、各商品の有する単語を点線で記している。図４に示す例では、それぞれの線の間に、上記に示す式２および式３による算出結果の引力が働き、正確な商品の隠れ特徴ベクトルの位置が推定されると考えられる。ただし、これに加えて、ユーザの位置は、負例商品からの斥力も加味されて推定される。その結果、推定されるビールＢの隠れ特徴ベクトルは、「香り」の単語ベクトルの位置から、「コク」の単語ベクトル方向へずれた点に位置付けられる。したがって、本実施形態によれば、商品が有する隠れた特徴（ここでの例では、ビールＢの「コク」）を推定したマップを得ることが可能になる。
また、出力されたユーザの隠れ特徴ベクトルＰおよび商品の隠れ特徴ベクトルＱは、単語空間上へのマップになっている。したがって、自由に単語ベクトルを付け加えたり差し引いたりすることで、新たな隠れ特徴ベクトルを算出できる。例えば、あるビールに、「レモン風味」を付け加えたり、「ビール」という特徴を差し引いて「紅茶」という特徴を付け加えたりすることが、隠れ特徴ベクトルと単語ベクトル間の演算により算出可能である。
ある商品の隠れ特徴ベクトルＱに対して、自然言語ベースでの操作後、得られた隠れ特徴ベクトルの近傍にある商品、ユーザまたは単語を観察することで、操作後の商品の、類似商品またはターゲットになるユーザを知ることができる。例えば、操作後の商品を最も好みそうなユーザは、操作後の隠れ特徴ベクトルに最も近い隠れ特徴ベクトルをもつユーザと考えられる。また、操作後の商品に最も近い商品は、操作後の隠れ特徴ベクトルに最も近い隠れ特徴ベクトルをもつ商品と考えられる。また、操作後の商品に最も近い属性は、操作後の隠れ特徴ベクトルに最も近い隠れ特徴ベクトルを有する単語と考えられる。また、出力部５０は、操作後の商品の隠れ特徴ベクトルＱから、ある定められた距離内に位置づけられているユーザ、商品または単語を列挙してもよい。
また、同様の操作はユーザに対しても行うことができる。例えば、あるユーザに、「結婚」という特徴を付け加えたり、「学生」という特徴を差し引いて「ＩＴ業務」という特徴を付け加えたりすることが、隠れ特徴ベクトルと単語ベクトル間の演算により算出可能である。
用意されている単語空間は、外部データを用いて学習した単語空間を利用している。また、外部データは、巨大なコーパスにより作成され、我々が日常使用するほとんどの単語についても、単語ベクトルが割り当てられていると想定される。そのため、商品またはユーザ全体の集合が属性として有する単語集合以上の柔軟な特徴の足し引きを行うことができる。
よって、本実施形態によれば、商品の文章上で現れていない特徴の効果を推定しつつ、ユーザおよび商品の関係を自然言語ベースでの操作が可能な空間上にマップすることができる。
例えば、本実施形態の学習データとして、ＩＤ－ＰＯＳ（Point of sale system）やＥＣサイト、動画視聴サイト、Ｗｅｂ回遊ログなどに存在するユーザの行動データや、レビューデータなどを使用することができる。また、単語情報として、単語の辞書や、商品説明文、レビュー文章や、ＳＮＳでの投稿などから得られる単語ベクトルを使用することができる。このようなデータを用い、本実施形態のマッピングを行うことで、セグメンテーション、ターゲッティング、ポジショニング、ユーザの近傍商品を利用した推薦などが可能になる。
また、本実施形態によれば、明文化されていない商品属性が推定され、プロモーションや商品開発に利用することができる。また、本実施形態によれば、ある商品を起点に、自然言語ベースでの属性変更を行った際に得られる新商品の、ターゲットユーザや類似商品や連想される単語を出力できる。そのため、新商品開発のターゲット把握やプロモーション施策考案を行うことができる。また、ライフイベントをはじめとするユーザ性質の変化に対しても、ユーザに対する自然言語ベースでの属性変更により、より効果的な商品推薦やプロモーションが可能になる。
実施形態２．
次に、本発明によるユーザ・商品マップ推定装置の第二の実施形態を説明する。第一の実施形態では、ユーザおよび商品の隠れ特徴ベクトルを事前に用意した単語情報をもとに推定した。一方、このように事前に用意された単語の意味的な関係性を表す単語ベクトルが、必ずしもユーザと商品間の関係の上では成り立たない場合がある。
例えば、「辛い」や「甘い」といった言葉は、単語空間上では近い位置に存在する場合が想定される。その理由は、これらの言葉が出てくる文脈が似通っているためである。すなわち、「このカレーは辛い」といった文章は、「このカレーは甘い」のように、「甘い」という単語で置き換え可能であるため、単語ベクトルとして、「甘い」と「辛い」は近傍に存在することが想定される。一方、あるサービスにおいて、甘い味の商品と辛い味の商品それぞれを嗜好するユーザ層が異なっているという状況が想定される。しかし、「甘い」と「辛い」の単語ベクトルの近さが理由となり、第一の実施形態によって得られた甘口の商品の近傍に、辛い味を好むユーザが配置されてしまう可能性がある。
図５は、単語空間が変換されない場合のユーザ、商品および単語の隠れ特徴ベクトルの関係例を示す説明図である。例えば、図５では、「辛い」、「甘い」および「ケーキ」という単語の近傍のユーザおよび商品のマップを例示している。図５に示す例は「辛い」および「甘い」が単語ベクトルとして近傍に配置され、「ケーキ」が遠くに配置されている。また、図５に示す例では「甘い」という属性を有する商品の近傍を円で示している。この場合、「甘い」という属性の近傍のユーザや近傍の商品に「ケーキ」を好むユーザ、「ケーキ」という特徴を有する商品が表れにくくなる。加えて、近傍のユーザや商品に、「辛い」商品を好むユーザや、「辛い」商品が混入してしまう。
そこで、本実施形態では、単語空間をユーザの嗜好に見合うように変形することにより、単語ベクトル間の距離関係を補正できるようにすることを目的とする。
図６は、本発明によるユーザ・商品マップ推定装置の第二の実施形態の構成例を示すブロック図である。本実施形態のユーザ・商品マップ推定装置２００は、商品情報入力部１０と、単語情報入力部２０と、学習データ入力部３０と、推定部４２と、出力部５２と、記憶部６０とを備えている。すなわち、本実施形態のユーザ・商品マップ推定装置２００は、第一の実施形態のユーザ・商品マップ推定装置１００と比較し、推定部４０および出力部５０の代わりに、推定部４２および出力部５２を備えている点において異なる。
推定部４２は、第一の実施形態の推定部４０と同様、商品情報と学習データとに基づいて、商品情報に対応した各ユーザの隠れ特徴ベクトルＰおよび各商品の隠れ特徴ベクトルＱを推定する。さらに、本実施形態では、推定部４２は、入力された単語空間を、あるベクトル空間に射影する関数ｆを推定する。すなわち、関数ｆは入力された単語空間の点Ｖに対して、あるベクトル空間上のある点Ｗをｆ（Ｖ）＝Ｗのような形で対応付ける関数である。
関数ｆは任意であり、関数ｆを、あるパラメータθによって決まる関数としてもよい。
図７は、関数ｆにより単語空間を変換する例を示す説明図である。変換前の単語空間では、「辛い」と「甘い」が単語ベクトルとして近傍に配置され、「ケーキ」が遠くに配置されている。図７に示す例では、関数ｆが、「甘い」と「ケーキ」が変換後の単語ベクトルとして近傍に配置し、「辛い」を「甘い」および「ケーキ」の遠くに配置する変換として定義されていることを示す。
推定部４２は、商品情報と学習データと単語情報とに基づいて、商品情報に対応した各ユーザの隠れ特徴ベクトルＰおよび各商品の隠れ特徴ベクトルＱ、並びに、変換ｆのパラメータθを推定する。推定部４２は、第一の実施形態と同様に、学習データおよび単語情報からユーザ・商品間の距離関係に制約を与え、ユーザおよび商品の単語空間上での位置を推定する。具体的には、推定部４２は、以下の式４に例示する損失関数を最小化（最適化）するＰ、Ｑ，θ算出することでベクトルＰ、ベクトルＱ，およびパラメータθを推定してもよい。
Figure 0007310899000004
式４において、Ｌ（Ｐ，Ｑ，Ｙ）は、第一の実施形態と同様、購買データに基づき、ユーザ・商品間の距離関係により算出される項である。また、Ｌ（Ｐ，Ｑ，Ｙ）は、第一の実施形態と同様、正例商品の隠れ特徴ベクトルとの距離が、負例商品の隠れ特徴ベクトルとの距離よりも遠いほど大きな値をとるように定義されてもよい。具体的には、Ｌ（Ｐ，Ｑ，Ｙ）が、上述する式２のように定義されてもよい。
Ｌ（Ｑ，Ｖ，θ）は、各商品の隠れ特徴ベクトルＱ、各商品の属性、単語ベクトル並びに関数ｆおよび関数ｆのパラメータθに基づき、商品の隠れ特徴ベクトルＱと、その商品が有する属性に結び付いた単語ベクトルを関数ｆにより変換して得られるベクトルとが、近くにあるほど小さい値をとる。すなわち、推定部４２は、関数ｆにより単語ベクトルＶを変換したベクトルと、商品の隠れ特徴ベクトルＱとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルを推定してもよい。推定部４２は、具体的には、以下に例示する式５によりＬ（Ｑ，Ｖ，θ）を算出してもよい。
Figure 0007310899000005
ｉ、ｋ、ｗｉｋ、およびαの内容は、上述する式３と同様と同様である。関数ｆの具体例として、例えば、アフィン変換が挙げられる。関数ｆをアフィン変換としたとき、ｆ（Ｖｋ，θ）は行列Ａとベクトルｂにより、ＶＡ＋ｂのように表現される。この場合、パラメータθは、行列Ａの各要素およびベクトルｂの各要素である。
推定部４２は、上記に示す式４の損失関数を最小化（最適化）する手法により、ベクトルＰおよびベクトルＱ並びにパラメータθを算出してもよい。すなわち、推定部４２は、関数ｆにより単語ベクトルＶを変換したベクトルと、商品の隠れ特徴ベクトルＱとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルおよび関数ｆのパラメータθを推定してもよい。この場合、推定部４２は、最急降下法やニュートン法により、損失関数が最大になるＰおよびＱを算出してもよい。
出力部５２は、各ユーザの隠れ特徴ベクトルおよび各商品の隠れ特徴ベクトル並びに関数ｆにより変換された単語ベクトルを出力する。また、出力部５２は、関数ｆのパラメータを出力してもよい。図８は、出力結果の例を示す説明図である。図８に示す例では、ユーザ、商品および単語が同一の空間上にマップされた例を示す。なお、出力部５２は、ユーザによって指定されたユーザ、商品または単語を受け付けて、指定されたユーザ、商品または単語の近傍のユーザ、商品または単語を出力するようにしてもよい。
商品情報入力部１０と、単語情報入力部２０と、学習データ入力部３０と、推定部４２と、出力部５２とは、プログラム（ユーザ・商品マップ推定プログラム）に従って動作するコンピュータのプロセッサによって実現される。
次に、本実施形態のユーザ・商品マップ推定装置の動作を説明する。図９は、本実施形態のユーザ・商品マップ推定装置２００の動作例を示すフローチャートである。商品情報、単語情報および学習データを入力するステップＳ１１からステップＳ１３までの処理は、図３に例示する処理と同様である。
推定部４２は、商品情報と単語情報と学習データとに基づいて、ユーザの隠れ特徴ベクトルＰおよび商品の隠れ特徴ベクトルＱ並びに単語空間を変換する関数ｆのパラメータθを推定する（ステップＳ２４）。損失関数が上記に示す式４で表される場合、推定部４２は、損失関数を最小化（最適化）することでユーザの隠れ特徴ベクトルＰおよび商品の隠れ特徴ベクトルＱを推定してもよい。
以降、ステップＳ２５において、図２におけるステップＳ１５と同様に、推定部４２は、収束判定を行う。すなわち、収束したと判定された場合（ステップＳ２５におけるＹｅｓ）、推定部４２は、推定処理を終了する。一方、収束したと判定されなかった場合（ステップＳ２５におけるＮｏ）、推定部４２は、ステップＳ２４以降の処理を繰り返す。
以上のように、本実施形態では、推定部４２が、関数ｆにより単語ベクトルを変換したベクトルと、商品の隠れ特徴ベクトルＱとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトル（および関数ｆのパラメータθ）を推定する。よって、第一の実施形態の効果に加え、単語空間をユーザの嗜好に見合うように変形できる。
すなわち、本実施形態では、推定部４２が、商品情報と単語情報と学習データと単語情報に基づいて、ユーザの隠れ特徴ベクトルＰおよび商品の隠れ特徴ベクトルＱ並びに単語空間を変換する関数ｆのパラメータθを推定する。
このとき、第一の実施形態と同様に、学習データに基づくベクトルＰとベクトルＱとの間の推定により、ユーザの正例商品はそのユーザの近傍に配置される。一方で、ユーザの負例商品はそのユーザから離れた位置に配置される。結果として、ユーザ行動を基準とした商品間の類似性がマップ空間上に反映される。
また、本実施形態では、商品の隠れ特徴ベクトルＱと、商品情報に基づく単語ベクトルＶとを近傍に配置する制限が課される。結果、商品の隠れ特徴ベクトルＱは、商品情報に基づく単語ベクトルの近くに配置される。したがって、商品のマップ空間上での位置は、商品が有する単語の意味的な位置を反映する。上述する学習データに基づくＱへの制限により、各商品の隠れ特徴ベクトルＱは、商品が有する単語ベクトルの単純な平均値ではなく、ユーザ嗜好を反映した位置になっている。
さらに、本実施形態では、関数ｆによって、入力された単語ベクトルが、ユーザの嗜好に合うように補正される。図１０は、単語空間が変換された場合のユーザ、商品および単語の隠れ特徴ベクトルの関係例を示す説明図である。図１０では、「辛い」、「甘い」および「ケーキ」という単語の近傍のユーザおよび商品のマップが、本実施形態による処理でどのように補正されるかを例示している。変換前のマップでは、「辛い」および「甘い」が単語ベクトルとして近傍に配置され、「ケーキ」が、「辛い」および「甘い」の単語ベクトルから離れた点に配置されている。この場合、「甘い」という属性の近傍のユーザや近傍の商品に「ケーキ」を好むユーザ、「ケーキ」という特徴を有する商品が表れにくくなる。加えて、近傍のユーザや商品に、「辛い」商品を好むユーザや、「辛い」商品が混入してしまう。
一方、本実施形態によれば、関数ｆにより、「甘い」および「ケーキ」という単語が変換後の単語ベクトルとして近傍に配置され、「甘い」または「ケーキ」から、「辛い」のベクトルは遠くに配置される。その結果、この場合、「甘い」という属性の近傍のユーザや近傍の商品に「ケーキ」を好むユーザ、「ケーキ」という特徴を有する商品が表れるようになる。また、加えて、「甘い」という属性のベクトルの近傍のユーザや商品として、「辛い」商品を好むユーザや、「辛い」商品が混入しにくくなる。
本実施形態において、出力されたユーザおよび商品の隠れ特徴ベクトルは、関数ｆにより変換された単語空間上へのマップになっている。もともとの単語ベクトルは、関数ｆにより、変換後の単語空間のベクトルが対応付けられている。したがって、本実施形態においても、自由に単語ベクトルを付け加えたり差し引いたりすることにより、新たな隠れ特徴ベクトルを算出できる。具体的には、ある単語ベクトルをマップ空間上のあるベクトルに付け加える場合、その単語ベクトルに対し関数ｆで変換して得られたベクトルを、マップ空間上のベクトルに付け加えればよい。
よって、第一の実施形態の効果に加え、ユーザの嗜好により補正された単語空間が、操作可能なマップ空間として得られる。また、その空間中でユーザおよび商品のマップを得ることが可能になる。
実施形態３．
次に、本発明によるユーザ・商品マップ推定装置の第三の実施形態を説明する。第一の実施形態および第二の実施形態では、ユーザの隠れ特徴ベクトルおよび商品の隠れ特徴ベクトルが出力された。出力されたユーザおよび商品の隠れ特徴ベクトルは、単語空間上へのマップになっている。したがって、自由に単語ベクトルを付け加えたり差し引いたりすることで、新たな隠れ特徴ベクトルを算出できる。例えば、あるビールに、「レモン風味」という特徴を付け加えたり、「ビール」特徴を差し引いて「紅茶」という特徴を付け加えたりすることが、隠れ特徴ベクトルと単語ベクトル間の演算により算出可能である。しかし、このような計算と結果の観察は、装置のユーザにとっては必ずしも直観的な操作ではない。
そこで、本実施形態では、出力された隠れ特徴ベクトルに操作を施すことで、より直観的に結果の観察をできるようにすることを目的とする。
図１１は、本発明によるユーザ・商品マップ推定装置の第三の実施形態の構成例を示すブロック図である。本実施形態のユーザ・商品マップ推定装置３００は、商品情報入力部１０と、単語情報入力部２０と、学習データ入力部３０と、推定部４２と、出力部５２と、記憶部６０と、出力操作部７０を備えている。すなわち、本実施形態のユーザ・商品マップ推定装置３００は、第二の実施形態のユーザ・商品マップ推定装置２００と比較し、出力操作部７０を備えている点において異なる。
なお、推定部４２および出力部５２が、それぞれ第一の実施形態における推定部４０および出力部５０により実現されてもよい。
出力操作部７０は、隠れ特徴ベクトルを出力する対象の商品またはユーザの情報を受け付ける。出力操作部７０は、例えば、ユーザＩＤや名前をユーザの情報として受け付けてもよい。出力操作部７０は、受け付けた入力に基づいて、対応する商品またはユーザの隠れ特徴ベクトルを出力する。
また、出力操作部７０は、単語空間上で定義されているいずれかの単語および演算の入力を受け付ける。出力操作部７０は、加算や減算などのベクトル間の演算を受け付けてもよいし、その加算や減算の度合いを示す数値を受け付けてもよい。出力操作部７０は、上述する商品またはユーザの情報により特定された隠れ特徴ベクトルと、入力された演算の対象とする単語の隠れ特徴ベクトルと、入力された演算により、新たな隠れ特徴ベクトルを算出する。
例えば、商品名に「商品Ａ」、演算に「－」（減算）、単語に「カフェイン」が入力されたとする。この場合、出力操作部７０は、「商品Ａ」の隠れ特徴ベクトルから、「カフェイン」の隠れ特徴ベクトルを減算する演算を行う。そして、出力操作部７０は、上述する演算後の隠れ特徴ベクトルと、マップ空間上に配置されているユーザ、商品または単語の隠れ特徴ベクトルとの距離を計算し、より近い隠れ特徴ベクトルを有するユーザ、商品または単語を特定する。出力操作部７０は、この計算処理を、すべてのユーザ、商品および単語について行ってもよいし、あらかじめユーザによって与えられた範囲（例えばユーザのみ、商品のみ、特定のカテゴリの商品のみ、など）を対象に行ってもよい。
出力操作部７０は、特定されたユーザ、商品または単語の隠れ特徴ベクトルをユーザが視認しやすい態様で出力する。出力操作部７０は、例えば、上述する演算後の隠れ特徴ベクトルからの距離が近い順に、商品名や商品イメージを並べて表示してもよい。他にも、出力操作部７０は、例えば、マップ空間上で得られた隠れ特徴ベクトルの点およびその近傍にあると判定されたユーザ、商品または単語を、主成分分析やｔＳＮＥといった手法によって低次元に射影されたマップ空間上に強調して表示してもよい。
商品情報入力部１０と、単語情報入力部２０と、学習データ入力部３０と、推定部４２と、出力部５２と、出力操作部７０とは、プログラム（ユーザ・商品マップ推定プログラム）に従って動作するコンピュータのプロセッサによって実現される。
次に、本実施形態のユーザ・商品マップ推定装置の動作を説明する。図１２は、本実施形態のユーザ・商品マップ推定装置３００の動作例を示すフローチャートである。各種情報の入力並びに隠れ特徴ベクトルおよび関数ｆのパラメータθを推定するステップＳ１１からステップＳ２５までの処理は、図９に例示する処理と同様である。
出力操作部７０は、商品またはユーザの情報、並びに、単語空間上で定義されているいずれかの単語および演算の入力を受け付ける（ステップＳ３６）。出力操作部７０は、入力された商品またはユーザの情報から特定された隠れ特徴ベクトルと、入力された単語に割り当てられた隠れ特徴ベクトルと、入力された演算により、新たな隠れ特徴ベクトルを算出する（ステップＳ３７）。そして、出力操作部７０は、マップ空間上に配置されているユーザ、商品または単語の隠れ特徴ベクトルと算出された隠れ特徴ベクトルとの距離を算出する（ステップＳ３８）。
出力操作部７０は、上述する距離の計算に基づき、近傍のユーザ、商品または単語の隠れ特徴ベクトルをユーザに視認しやすい態様で出力する（ステップＳ３９）。
以上のように、本実施形態では、出力操作部７０が、隠れ特徴ベクトルを出力する対象の商品またはユーザの情報、並びに、演算の対象とする単語および演算の入力を受け付け、商品またはユーザの隠れ特徴ベクトルに対して、受け付けた単語の隠れ特徴ベクトルに関する演算を行った結果を出力する。
すなわち、本実施形態では、出力操作部７０が、ユーザ入力に基づいて、ある商品またはユーザに対する、自然言語ベースで操作した結果の出力を行う。よって、第一の実施形態および第二の実施形態の効果に加え、本実施形態では、出力された隠れ特徴ベクトルに自然言語ベースでの操作を施すことで、より直観的に結果の観察ができる。
次に、本発明の概要を説明する。図１３は、本発明によるユーザ・商品マップ推定装置の概要を示すブロック図である。本発明によるユーザ・商品マップ推定装置８０（例えば、ユーザ・商品マップ推定装置１００）は、ユーザの嗜好に応じて行動の対象になった商品を表わす学習データ（例えば、購買データ）を入力する入力部８１（例えば、学習データ入力部３０）と、商品が備える特徴を表わす商品情報と、単語間の関係性を表す単語情報と、学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定する推定部８２（例えば、推定部４０、推定部４２）とを備えている。
推定部８２は、ユーザの隠れ特徴ベクトル（例えば、隠れ特徴ベクトルＰ）と商品の隠れ特徴ベクトル（例えば、隠れ特徴ベクトルＱ）との距離が学習データが示すその商品に対するユーザの嗜好を反映した距離になるようにするとともに、単語情報が示す関係性が近いほど、商品の隠れ特徴ベクトルと商品情報が表わすその商品の特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように（例えば、式１を用いて）隠れ特徴ベクトルを推定する。
そのような構成により、商品の特徴がその商品を説明する文章上に現れていない場合であっても、その特徴を考慮したユーザと商品との関係を空間上にマップできる。
具体的には、推定部８２は、単語ベクトルと商品の隠れ特徴ベクトルとの距離によって定義される項（例えば、上述する式３）を含む損失関数（例えば、上述する式１）を最小化するように、隠れ特徴ベクトルを推定してもよい。
また、推定部８２は、学習データに基づくユーザの正例商品または負例商品を、商品に対するユーザの嗜好として用いて、ユーザの隠れ特徴ベクトルと正例商品または負例商品の隠れ特徴ベクトルとの距離によって定義される項（例えば、上述する式２）を含む損失関数（例えば、上述する式１）を最小化するように、隠れ特徴ベクトルを推定してもよい。
また、推定部８２は、変換関数（例えば、関数ｆ）により単語ベクトルを変換したベクトルと、商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数（例えば、上述する式４）を最小化するように、隠れ特徴ベクトルを推定してもよい。
また、推定部８２は、変換関数により単語ベクトルを変換したベクトルと、商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルおよび変換関数のパラメータ（例えば、パラメータθ）を推定してもよい。
また、ユーザ・商品マップ推定装置８０は、変換関数のパラメータを出力する出力部（例えば、出力部５２）を備えていてもよい。
また、ユーザ・商品マップ推定装置８０は、マップ空間における各ユーザの隠れ特徴ベクトルおよび各商品の隠れ特徴ベクトルを出力する出力部（例えば、出力部５０）を備えていてもよい。
また、ユーザ・商品マップ推定装置８０は、隠れ特徴ベクトルを出力する対象の商品またはユーザの情報、並びに、演算の対象とする単語および演算の入力を受け付け、商品またはユーザの隠れ特徴ベクトルに対して、受け付けた単語の隠れ特徴ベクトルに関する演算を行った結果を出力する出力操作部（例えば、出力操作部７０）を備えていてもよい。
具体的には、出力操作部は、演算の結果得られたベクトルの近傍に配置されたユーザ、商品または単語を出力してもよい。
また、推定部８２は、商品が有する特徴を操作可能なマップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定してもよい。
また、本発明によるユーザ・商品マップ推定装置８０が、商品情報の代わりに、または、商品情報とともに、ユーザ情報を用いて隠れ特徴ベクトルを推定してもよい。この場合、入力部８１（例えば、学習データ入力部３０）は、ユーザの嗜好に応じて行動の対象になった商品を表わす学習データ（例えば、購買データ）を入力し、推定部８２（例えば、推定部４０、推定部４２）は、ユーザが備える特徴を表わすユーザ情報と、単語間の関係性を表す単語情報と、学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定する。
そして、推定部８２は、ユーザの隠れ特徴ベクトル（例えば、隠れ特徴ベクトルＰ）と商品の隠れ特徴ベクトル（例えば、隠れ特徴ベクトルＱ）との距離が学習データが示すその商品に対するユーザの嗜好を反映した距離になるようにするとともに、ユーザ情報が示す関係性が近いほど、ユーザの隠れ特徴ベクトルとユーザ情報が表わすそのユーザの特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように（例えば、式１を用いて）隠れ特徴ベクトルを推定する。
そのような構成により、ユーザの特徴がそのユーザを説明する文章上に現れていない場合であっても、その特徴を考慮したユーザと商品との関係を空間上にマップできる。
上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）ユーザの嗜好に応じて行動の対象になった商品を表わす学習データを入力する入力部と、商品が備える特徴を表わす商品情報と、単語間の関係性を表す単語情報と、前記学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定する推定部とを備え、前記推定部は、ユーザの前記隠れ特徴ベクトルと商品の前記隠れ特徴ベクトルとの距離が前記学習データが示す当該商品に対するユーザの嗜好を反映した距離になるようにするとともに、前記単語情報が示す関係性が近いほど、商品の前記隠れ特徴ベクトルと前記商品情報が表わす当該商品の特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように前記隠れ特徴ベクトルを推定することを特徴とするユーザ・商品マップ推定装置。
（付記２）推定部は、単語ベクトルと商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルを推定する付記１記載のユーザ・商品マップ推定装置。
（付記３）推定部は、学習データに基づくユーザの正例商品または負例商品を、商品に対するユーザの嗜好として用いて、ユーザの隠れ特徴ベクトルと前記正例商品または前記負例商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルを推定する付記１または付記２記載のユーザ・商品マップ推定装置。
（付記４）推定部は、変換関数により単語ベクトルを変換したベクトルと、商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルを推定する付記１から付記３のうちのいずれか１つに記載のユーザ・商品マップ推定装置。
（付記５）推定部は、変換関数により単語ベクトルを変換したベクトルと、商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルおよび前記変換関数のパラメータを推定する付記１から付記４のうちのいずれか１つに記載のユーザ・商品マップ推定装置。
（付記６）変換関数のパラメータを出力する出力部を備えた付記５記載のユーザ・商品マップ推定装置。
（付記７）マップ空間における各ユーザの隠れ特徴ベクトルおよび各商品の隠れ特徴ベクトルを出力する出力部を備えた付記１から付記６のうちのいずれか１つに記載のユーザ・商品マップ推定装置。
（付記８）隠れ特徴ベクトルを出力する対象の商品またはユーザの情報、並びに、演算の対象とする単語および演算の入力を受け付け、前記商品またはユーザの隠れ特徴ベクトルに対して、受け付けた単語の隠れ特徴ベクトルに関する前記演算を行った結果を出力する出力操作部を備えた付記１から付記７のうちのいずれか１つに記載のユーザ・商品マップ推定装置。
（付記９）出力操作部は、演算の結果得られたベクトルの近傍に配置されたユーザ、商品または単語を出力する付記８記載のユーザ・商品マップ推定装置。
（付記１０）推定部は、商品が有する特徴を操作可能なマップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定する付記１から付記９のうちのいずれか１つに記載のユーザ・商品マップ推定装置。
（付記１１）ユーザの嗜好に応じて行動の対象になった商品を表わす学習データを入力する入力部と、ユーザが備える特徴を表わすユーザ情報と、単語間の関係性を表す単語情報と、前記学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定する推定部とを備え、前記推定部は、ユーザの前記隠れ特徴ベクトルと商品の前記隠れ特徴ベクトルとの距離が前記学習データが示す当該商品に対するユーザの嗜好を反映した距離になるようにするとともに、前記単語情報が示す関係性が近いほど、ユーザの前記隠れ特徴ベクトルと前記ユーザ情報が表わす当該ユーザの特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように前記隠れ特徴ベクトルを推定することを特徴とするユーザ・商品マップ推定装置。
（付記１２）ユーザの嗜好に応じて行動の対象になった商品を表わす学習データを入力し、商品が備える特徴を表わす商品情報と、単語間の関係性を表す単語情報と、前記学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定し、前記推定の際、ユーザの前記隠れ特徴ベクトルと商品の前記隠れ特徴ベクトルとの距離が前記学習データが示す当該商品に対するユーザの嗜好を反映した距離になるようにするとともに、前記単語情報が示す関係性が近いほど、商品の前記隠れ特徴ベクトルと前記商品情報が表わす当該商品の特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように前記隠れ特徴ベクトルを推定することを特徴とするユーザ・商品マップ推定方法。
（付記１３）単語ベクトルと商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルを推定する付記１２記載のユーザ・商品マップ推定方法。
（付記１４）コンピュータに、ユーザの嗜好に応じて行動の対象になった商品を表わす学習データを入力する入力処理、および、商品が備える特徴を表わす商品情報と、単語間の関係性を表す単語情報と、前記学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定する推定処理を実行させ、
前記推定処理で、ユーザの前記隠れ特徴ベクトルと商品の前記隠れ特徴ベクトルとの距離が前記学習データが示す当該商品に対するユーザの嗜好を反映した距離になるようにするとともに、前記単語情報が示す関係性が近いほど、商品の前記隠れ特徴ベクトルと前記商品情報が表わす当該商品の特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように前記隠れ特徴ベクトルを推定させるためのユーザ・商品マップ推定プログラム。
（付記１５）コンピュータに、推定処理で、単語ベクトルと商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルを推定させる付記１４記載のユーザ・商品マップ推定プログラム。
１０ 商品情報入力部
２０ 単語情報入力部
３０ 学習データ入力部
４０，４２ 推定部
５０，５２ 出力部
６０ 記憶部
７０ 出力操作部
１００，２００，３００ ユーザ・商品マップ推定装置

Claims (10)

  1. ユーザの嗜好に応じて行動の対象になった商品を表わす学習データを入力する入力部と、
    商品が備える特徴を表わす商品情報と、単語間の関係性を表す単語情報と、前記学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定する推定部とを備え、
    前記推定部は、ユーザの前記隠れ特徴ベクトルと商品の前記隠れ特徴ベクトルとの距離が前記学習データが示す当該商品に対するユーザの嗜好を反映した距離になるようにするとともに、前記単語情報が示す関係性が近いほど、商品の前記隠れ特徴ベクトルと前記商品情報が表わす当該商品の特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように前記隠れ特徴ベクトルを推定する
    ことを特徴とするユーザ・商品マップ推定装置。
  2. 推定部は、単語ベクトルと商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルを推定する
    請求項１記載のユーザ・商品マップ推定装置。
  3. 推定部は、学習データに基づくユーザの正例商品または負例商品を、商品に対するユーザの嗜好として用いて、ユーザの隠れ特徴ベクトルと前記正例商品または前記負例商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルを推定する
    請求項１または請求項２記載のユーザ・商品マップ推定装置。
  4. 推定部は、変換関数により単語ベクトルを変換したベクトルと、商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルを推定する
    請求項１から請求項３のうちのいずれか１項に記載のユーザ・商品マップ推定装置。
  5. 推定部は、変換関数により単語ベクトルを変換したベクトルと、商品の隠れ特徴ベクトルとの距離によって定義される項を含む損失関数を最小化するように、隠れ特徴ベクトルおよび前記変換関数のパラメータを推定する
    請求項１から請求項４のうちのいずれか１項に記載のユーザ・商品マップ推定装置。
  6. 変換関数のパラメータを出力する出力部を備えた
    請求項５記載のユーザ・商品マップ推定装置。
  7. マップ空間における各ユーザの隠れ特徴ベクトルおよび各商品の隠れ特徴ベクトルを出力する出力部を備えた
    請求項１から請求項６のうちのいずれか１項に記載のユーザ・商品マップ推定装置。
  8. ユーザの嗜好に応じて行動の対象になった商品を表わす学習データを入力する入力部と、
    ユーザが備える特徴を表わすユーザ情報と、単語間の関係性を表す単語情報と、前記学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定する推定部とを備え、
    前記推定部は、ユーザの前記隠れ特徴ベクトルと商品の前記隠れ特徴ベクトルとの距離が前記学習データが示す当該商品に対するユーザの嗜好を反映した距離になるようにするとともに、前記単語情報が示す関係性が近いほど、ユーザの前記隠れ特徴ベクトルと前記ユーザ情報が表わす当該ユーザの特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように前記隠れ特徴ベクトルを推定する
    ことを特徴とするユーザ・商品マップ推定装置。
  9. コンピュータが、ユーザの嗜好に応じて行動の対象になった商品を表わす学習データを入力し、
    前記コンピュータが、商品が備える特徴を表わす商品情報と、単語間の関係性を表す単語情報と、前記学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定し、
    前記コンピュータが、前記推定の際、ユーザの前記隠れ特徴ベクトルと商品の前記隠れ特徴ベクトルとの距離が前記学習データが示す当該商品に対するユーザの嗜好を反映した距離になるようにするとともに、前記単語情報が示す関係性が近いほど、商品の前記隠れ特徴ベクトルと前記商品情報が表わす当該商品の特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように前記隠れ特徴ベクトルを推定する
    ことを特徴とするユーザ・商品マップ推定方法。
  10. コンピュータに、
    ユーザの嗜好に応じて行動の対象になった商品を表わす学習データを入力する入力処理、および、
    商品が備える特徴を表わす商品情報と、単語間の関係性を表す単語情報と、前記学習データとに基づいて、マップ空間上の位置を表わす隠れ特徴ベクトルを、ユーザおよび商品のそれぞれについて推定する推定処理を実行させ、
    前記推定処理で、ユーザの前記隠れ特徴ベクトルと商品の前記隠れ特徴ベクトルとの距離が前記学習データが示す当該商品に対するユーザの嗜好を反映した距離になるようにするとともに、前記単語情報が示す関係性が近いほど、商品の前記隠れ特徴ベクトルと前記商品情報が表わす当該商品の特徴を示す単語に基づいて推定される単語ベクトルとの距離が近くなるように前記隠れ特徴ベクトルを推定させる
    ためのユーザ・商品マップ推定プログラム。
JP2021543616A 2019-09-02 2019-09-02 ユーザ・商品マップ推定装置、方法およびプログラム Active JP7310899B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/034346 WO2021044460A1 (ja) 2019-09-02 2019-09-02 ユーザ・商品マップ推定装置、方法およびプログラム

Publications (3)

Publication Number Publication Date
JPWO2021044460A1 JPWO2021044460A1 (ja) 2021-03-11
JPWO2021044460A5 JPWO2021044460A5 (ja) 2022-01-27
JP7310899B2 true JP7310899B2 (ja) 2023-07-19

Family

ID=74852034

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021543616A Active JP7310899B2 (ja) 2019-09-02 2019-09-02 ユーザ・商品マップ推定装置、方法およびプログラム

Country Status (2)

Country Link
JP (1) JP7310899B2 (ja)
WO (1) WO2021044460A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7239759B1 (ja) 2022-03-17 2023-03-14 ヤフー株式会社 情報提供装置、情報提供方法、および情報提供プログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011257811A (ja) 2010-06-04 2011-12-22 Shinshu Univ 商品検索システム及び商品検索システムにおける商品検索方法
JP2013105309A (ja) 2011-11-14 2013-05-30 Sony Corp 情報処理装置、情報処理方法、及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011257811A (ja) 2010-06-04 2011-12-22 Shinshu Univ 商品検索システム及び商品検索システムにおける商品検索方法
JP2013105309A (ja) 2011-11-14 2013-05-30 Sony Corp 情報処理装置、情報処理方法、及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高谷 太紹，他２名，購買履歴データ解析によるユーザの嗜好の可視化に関する検討，映像情報メディア学会技術報告，日本，（社）映像情報メディア学会，2011年02月14日，第35巻 第９号，p.199-202

Also Published As

Publication number Publication date
WO2021044460A1 (ja) 2021-03-11
JPWO2021044460A1 (ja) 2021-03-11

Similar Documents

Publication Publication Date Title
US11836780B2 (en) Recommendations based upon explicit user similarity
US10628775B2 (en) Sankey diagram graphical user interface customization
CN109034973B (zh) 商品推荐方法、装置、系统及计算机可读存储介质
KR20200030252A (ko) 예술 작품 제공 장치 및 방법
US8738543B2 (en) Business intelligence based social network with virtual data-visualization cards
US11803872B2 (en) Creating meta-descriptors of marketing messages to facilitate in delivery performance analysis, delivery performance prediction and offer selection
CN103718212A (zh) 颜色确定装置、颜色确定系统、颜色确定方法、信息记录介质和程序
US10783431B2 (en) Image search using emotions
Hauff et al. Importance and performance in PLS-SEM and NCA: Introducing the combined importance-performance map analysis (cIPMA)
Sullivan et al. Clothing retail channel use and digital behavior: Generation and gender differences
CN109087162A (zh) 数据处理方法、系统、介质和计算设备
Kazeminia et al. Personality-based personalization of online store features using genetic programming: Analysis and experiment
CN116821475B (zh) 基于客户数据的视频推荐方法、装置及计算机设备
JP7310899B2 (ja) ユーザ・商品マップ推定装置、方法およびプログラム
JP6558765B2 (ja) 処理装置、処理方法、推測装置、推測方法、およびプログラム
JP6527257B1 (ja) 提供装置、提供方法および提供プログラム
JP7133508B2 (ja) 提供装置、提供方法および提供プログラム
JP7139270B2 (ja) 推定装置、推定方法及び推定プログラム
JP2016122472A (ja) 情報処理装置および情報分析方法
Kotsokechagia Predictive model for customer satisfaction in e-commerce
JP6809148B2 (ja) プログラムおよび組み合わせ抽出システム
Sharma et al. Machine Learning-Based Prediction of Users' Involvement on Social Media
JP6506839B2 (ja) 不満情報処理装置及びシステム
US11907508B1 (en) Content analytics as part of content creation
WO2021176716A1 (ja) 嗜好推定装置、嗜好推定方法および嗜好推定プログラム

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211025

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211025

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221227

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230217

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230606

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230619

R151 Written notification of patent or utility model registration

Ref document number: 7310899

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151