JP7455185B1

JP7455185B1 - 情報処理装置、情報処理システム、情報処理方法、およびプログラム

Info

Publication number: JP7455185B1
Application number: JP2022208130A
Authority: JP
Inventors: 拓海藤野; 悠佑武田; 大介積田; 康生山本
Original assignee: Individual
Current assignee: Individual
Priority date: 2022-12-26
Filing date: 2022-12-26
Publication date: 2024-03-25
Anticipated expiration: 2042-12-26

Abstract

【課題】ユーザの嗜好に合った情報を提供すること。【解決手段】ネットワークを介して提供される対象のサービスの利用履歴が所定期間において存在しないユーザの特徴を示す特徴情報であって、ネットワークを介して提供される前記対象のサービスとは異なるサービスの前記ユーザの利用履歴に基づいて得られた特徴情報を取得する取得部と、前記特徴情報と前記特徴情報を有するユーザが好むと推定される商品またはサービスであるアイテムのカテゴリまたは前記アイテムとが対応付けられた対応情報に基づいて、前記ユーザに提供するアイテムを決定する決定部とを備える情報処理装置。【選択図】図１

Description

本発明は、情報処理装置、情報処理システム、情報処理方法、およびプログラムに関する。

従来、ユーザのネットワーク上の行動履歴であって、当該ユーザが利用したサービスごとの行動履歴を取得する取得部と、前記取得部によって取得された行動履歴から、前記ユーザに対応するクエリを抽出する抽出部と、前記抽出部によって抽出されたクエリに対して前記サービスごとの重みを付与した情報であるクエリ情報を用いて、当該ユーザに推薦する情報コンテンツを検索する検索部とを備える検索装置が開示されている（例えば、特許文献１参照）。

特許第６８６５０４５号公報

しかしながら、上記従来の技術では、ユーザの嗜好に合った情報を提供することができない場合があった。

本発明は、このような事情が考慮されたものであり、ユーザの嗜好に合った情報を提供することができる情報処理装置、情報処理システム、情報処理方法、およびプログラムを提供することを目的の一つとする。

本発明の一態様は、ネットワークを介して提供される対象のサービスの利用履歴が所定期間において存在しないユーザの特徴を示す特徴情報であって、ネットワークを介して提供される前記対象のサービスとは異なるサービスの前記ユーザの利用履歴に基づいて得られた特徴情報を取得する取得部と、前記特徴情報と前記特徴情報を有するユーザが好むと推定される商品またはサービスであるアイテムのカテゴリまたは前記アイテムとが対応付けられた対応情報に基づいて、前記ユーザに提供するアイテムを決定する決定部とを備える情報処理装置である。

本発明の一態様によれば、ユーザの嗜好に合った情報を提供することができる。

サービス提供システム１により提供されるコンテンツの一例を示す図である。サービス提供システム１の機能構成の一例を示す図である。第１サービス提供装置１００の機能構成の一例を示す図である。ユーザ情報１６０に含まれる情報の一例を示す図である。ユーザ情報１６０に含まれ利用履歴の一例を示す図である。ユーザ情報１６０に含まれる特徴情報の一例を示す図である。第２モデル１６６の活用について説明するための図である。アイテム情報１６８の内容の一例を示す図である。第１サービス提供装置１００により実行される処理の流れの一例を示すフローチャートである。

以下、図面を参照し、本発明の情報処理装置、情報処理システム、情報処理方法、およびプログラムの実施形態について説明する。

本実施形態の一態様の情報処理装置は、ネットワークを介して提供される対象のサービスの利用履歴が所定期間において存在しないユーザの特徴を示す特徴情報であって、ネットワークを介して提供される前記対象のサービスとは異なるサービスの前記ユーザの利用履歴に基づいて得られた特徴情報を取得する取得部と、前記特徴情報と前記特徴情報を有するユーザが好むと推定される商品またはサービスであるアイテムのカテゴリまたは前記アイテムとが対応付けられた対応情報に基づいて、前記ユーザに提供するアイテムを決定する決定部とを備える。

前記特徴情報と前記特徴情報を有するユーザが好むと推定される商品またはサービスであるアイテムのカテゴリまたは前記アイテムとが対応付けられた情報とは、特徴情報の内容や、特徴情報のパターンなどに対して、カテゴリまたはアイテムが対応付けられた情報である。

前記特徴情報とは、例えば、前記ユーザの興味の対象を示す情報と、前記ユーザの家族構成を示す情報と、前記ユーザの仕事を示す情報と、前記ユーザの住居を示す情報と、前記ユーザの食に関する情報とのうち一以上の情報を含む。前記特徴情報は、上記以外の種々のユーザの特徴を示す情報を含んでもよい。対応情報において、例えば、漫画に興味を持ち、且つ独身である可能性が低いユーザに対してカテゴリＡまたはアイテムＡが対応付けられ、マンションに居住し、且つお寿司を好むと推定されるユーザに対してカテゴリＢまたはアイテムＢが対応付けられている。また、特徴情報は、特徴（素性）ごとに指標が対応付けられ、指標のパターンによってユーザの種別が分類されてもよい。例えば漫画の興味度が「１０」且つ独身である可能性が低いユーザと、漫画の興味度が「５」且つ独身である可能性が低いユーザとでは、ユーザの特性が異なると分類され、異なるカテゴリまたはアイテムがレコメンドされてもよい。

対応情報は、学習済モデルであると好適である。決定部は、前記特徴情報が入力されると前記特徴情報を有するユーザが好むと推定される商品またはサービスであるアイテムのカテゴリまたは前記アイテムを出力する学習済モデルに前記特徴情報を入力し、前記学習済モデルが出力した前記カテゴリまたは前記アイテムに基づいて、前記ユーザに提供するアイテムを決定する。

対象のサービスは、ユーザにレコメンドするアイテムを提案するサービスであればよく、例えば、商品またはサービスなどのアイテムを販売しているサービスや、動画や漫画、書籍などのアイテム（コンテンツ）を提供しているサービスなど種々のサービスである。

［概要］
図１は、サービス提供システム１により提供されるコンテンツの一例を示す図である。例えば、サービス提供システム１は、ユーザの嗜好に合ったアイテムを特定し、特定したアイテムを含むコンテンツをユーザの端末装置に提供する。例えば、トップページにおいて、図１に示すようなコンテンツが提供される。例えば、トップページにおいて、ユーザの嗜好が反映されたアイテムが紹介される。トップページとは、例えば、複数の階層構造を有するウェブサイトにおける最上位のウェブページである。以下、この処理の詳細について説明する。

［サービス提供システム］
図２は、サービス提供システム１の機能構成の一例を示す図である。サービス提供システム１は、例えば、一以上のユーザの端末装置１０と、第１サービス提供装置１００と、第２サービス提供装置２００と、第３サービス提供装置３００と、学習装置４００とを備える。以下、第１サービス提供装置１００と、第２サービス提供装置２００と、第３サービス提供装置３００とを区別しない場合は、「サービス提供装置」と称することがある。なお、サービス提供装置の数は、３つに限らず、４つ以上であってもよい。例えば、サービス提供システムにおいて、４つ以上のサービスが提供されてもよい。

端末装置１０とサービス提供装置とはネットワークＮＷを介して互いに通信する。ネットワークＮＷは、例えば、インターネットやＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、セルラー網などを含む。

［端末装置］
端末装置１０は、スマートフォンやタブレット端末、パーソナルコンピュータなどの通信機能等を有するコンピュータ装置である。

［サービス提供装置］
第１サービス提供装置１００は、例えば、ユーザに特定のサービスを提供するサーバである。本実施形態では、第１サービス提供装置１００は、例えば、フリーマーケットサービスをユーザに提供する。第２サービス提供装置２００および第３サービス提供装置３００は、第１サービス提供装置１００が提供するサービスとは異なるサービスを提供する。異なるサービスとは、例えば、アイテムを販売しているショッピングサービスや、旅行の予約に関するサービス、飲食店の予約に関するサービス、検索エンジンに関するサービスなどポータルサイトで提供されているサービスである。例えば、対象のサービスおよび対象のサービスとは異なるサービスとは、同一のポータルサイトで提供されているサービスまたは同一のユーザの識別情報でログインが可能なサービスである。

図３は、第１サービス提供装置１００の機能構成の一例を示す図である。第１サービス提供装置１００は、サービス提供部１１０と、取得部１２０と、判定部１３０と、決定部１４０と、記憶部１５０とを備える。これらの機能構成は、分散されていてもよいし一つのものとして構成されてもよい。

サービス提供部１１０と、取得部１２０と、判定部１３０と、決定部１４０とは、例えば、ＣＰＵ（Central Processing Unit）などのハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。これらの構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体（非一過性の記憶媒体）に格納されており、記憶媒体がドライブ装置に装着されることで記憶装置にインストールされてもよい。

サービス提供部１１０は、例えば、ユーザの端末装置１０にフリーマーケットで出品されているアイテムの情報を提供する。サービス提供部１１０は、ユーザの端末装置１０のリクエストに応じて、リクエストに応じたコンテンツをユーザの端末装置１０に提供する。サービス提供部１１０は、記憶部１５０に記憶されたコンテンツからリクエストに応じたコンテンを抽出し、抽出したコンテンツをユーザの端末装置１０に提供する。例えば、サービス提供部１１０は、ユーザの端末装置１０からトップページのコンテンツの提供のリクエストを受けたトップページのコンテンツを提供する。この際、決定部１４０が決定したアイテムをレコメンドする。

取得部１２０は、例えば、ネットワークＮＷを介して提供される対象のサービスの利用履歴が所定期間において存在しないユーザの特徴を示す特徴情報であって、ネットワークＮＷを介して提供される対象のサービスとは異なるサービスのユーザの利用履歴に基づいて得られた特徴情報を取得する。取得部１２０は、例えば、ユーザ情報１６０から上記の特徴情報を取得する。

判定部１３０は、ユーザの対象のサービスの利用履歴の有無および特徴情報の有無を判定する。判定部１３０は、例えば、ユーザの端末装置１０から対象のサービスのトップページのコンテンツの提供リクエストがされた場合、上記の判定を行う。

決定部１４０は、判定部１３０の判定結果に応じた手法を利用してレコメンドアイテムを決定する。決定部１４０は、例えば、ユーザが所定期間において対象のサービスを利用した利用履歴が存在する場合、対象のサービスの利用履歴を利用してアイテムを決定する。決定部１４０は、例えば、サービスの利用履歴および特徴情報が存在しない場合、第１モデル１６４および第２モデル１６６を利用せず、後述するランキング情報１６２を用いて、レコメンドアイテムを決定する。

決定部１４０は、例えば、サービスの利用履歴が存在せず、且つ特徴情報が存在する場合、特徴情報が入力されると特徴情報を有するユーザが好むと推定される商品またはサービスであるアイテムのカテゴリまたはアイテムを出力する第２モデル１６６（学習済モデル）に特徴情報を入力し、第２モデル１６６が出力したカテゴリ（またはアイテム）に基づいて、ユーザに提供するアイテムを決定する。

記憶部１５０は、例えば、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disc Drive）、レジスタ等によって実現される。これらの記憶装置の一部または全部は、ＮＡＳ（Network Attached Storage）や外部ストレージサーバ装置等であってもよい。これらの記憶装置は、情報を管理したり、記憶した情報からリクエストに応じて情報を抽出して抽出した情報をリクエスト元に提供したりする処理部を含んでいてもよい。

記憶部１５０は、例えば、ユーザ情報１６０と、ランキング情報１６２と、第１モデル１６４と、第２モデル１６６と、アイテム情報１６８とを含む。これらの情報またはモデルは、複数の記憶部に分散されて記憶されていてもよいし、他の装置の記憶部に分散されていてもよい。

［ユーザ情報］
図４は、ユーザ情報１６０に含まれる情報の一例を示す図である。ユーザ情報１６０は、例えば、ユーザの識別情報（ユーザＩＤ）に対して、第１サービスにおける利用履歴の有無と、他のサービスの利用履歴から得られた特徴情報の有無とが対応付けられた情報である。ユーザＩＤは、例えば、サービスを利用するためのログインＩＤやログインＩＤに紐づけられた情報である。ログインＩＤは、例えば、サービス提供システムで提供されているサービスにおける共通のログインＩＤである。ユーザの特定は、ログインＩＤに代えて（または加えて）、クッキー（HTTP cookie）などユーザを特定するための他の技術によって行われてもよい。

第１サービスにおける利用履歴とは、例えば、第１サービスを利用した際のユーザのネットワーク上の行動履歴である。例えば、閲覧したアイテムや選択したアイテムの情報である。特徴情報については後述する。ユーザ情報１６０は、上記の情報に限らず、上記の利用履歴の有無と、特徴情報の有無とを特定することが可能な情報であればよい。図４の例では、ユーザＩＤ「００１」のユーザは、上記の利用履歴および上記の特徴情報が無く、ユーザＩＤ「００２」のユーザは、上記の利用履歴および上記の特徴情報が有り、ユーザＩＤ「００３」のユーザは、上記の利用履歴が無く、上記の特徴情報がある。

［ランキング情報］
決定部１４０は、上記の利用履歴および上記の特徴情報が無いユーザ「００１」に対して、ランキング情報１６２を用いて、レコメンドアイテムを決定する。ランキング情報１６２は、第１サービスにおける人気のアイテムのランキングや、人気のカテゴリのランキング、おすすめのアイテムのランキングなどである。決定部１４０は、ランキング情報１６２を参照して、例えば、人気のアイテムを含むコンテンツをユーザの端末装置１０に提供したり、おすすめのアイテムのコンテンツをユーザの端末装置１０に提供したりする。

上記のように、第１サービス提供装置１００は、上記の利用履歴および上記の特徴情報が無いユーザ「００１」に対して、当該ユーザが好む可能性が高いと推定されるアイテムをユーザにレコメンドすることができる。

なお、上記では、ランキング情報１６２（第３手法）を用いてレコメンドアイテムが決定される例について説明したが、これに限定されず、第２モデル１６６（第１手法）および第１モデル１６４（第２手法）とは異なる手法を用いてアイテムを決定すればよい。例えば、おすすめのアイテムや、直前に出品されたアイテムなどがレコメンドアイテムとされてもよい。

［第１モデル］
決定部１４０は、上記の利用履歴が有るユーザ「００２」に対して、第１モデル１６４を用いて、レコメンドアイテムを決定する。図５は、ユーザ情報１６０に含まれ利用履歴の一例を示す図である。利用履歴は、対象のサービスにおけるユーザの利用履歴であり、例えば、時系列ごとのユーザが閲覧したアイテムや、画面に対する操作、アイテムの購入する操作などの情報である。第１モデル１６４は、上記の利用履歴を示す情報（例えば閲覧または選択したアイテム）が入力されると、上記の利用履歴を有するユーザが好むと推定されるアイテムまたはアイテムのカテゴリを出力するモデルである。

第１モデル１６４は、例えば、学習情報が学習されたモデルである。学習情報は、例えば、上記の利用履歴を示す情報とレコメンアイテムとが対応付けられた情報である。第１モデル１６４は、上記の学習情報を用いて、上記の利用履歴を示す情報が入力されると、入力された利用履歴に対応付けられたレコメンドアイテムを出力するように学習されたモデルである。

上記のように、第１サービス提供装置１００は、上記の利用履歴が有るユーザ「００２」に対して、当該ユーザが好む可能性が高いと推定されるアイテムをユーザにレコメンドすることができる。

なお、上記では、第１モデル１６４（第２手法）を用いてレコメンドアイテムが決定される例について説明したが、これに限定されず、所定期間において対象のサービスを利用した利用履歴を利用した手法（第２手法）でレコメンドアイテムが決定されてもよい。例えば、ユーザが閲覧したアイテムと同じアイテムや閲覧（または購入）したアイテムの出品者と同じアイテム、これらと関連度が高いアイテムなどがレコメンドアイテムに決定されてもよい。

［第２モデル］
決定部１４０は、上記の利用履歴が無く、且つ上記の特徴情報が有るユーザ「００３」に対して、第２モデル１６６を用いて、レコメンドアイテムを決定する。第２モデル１６６は、上記の特徴情報を示す情報が入力されると、上記の特徴情報を有するユーザが好むと推定されるアイテムのカテゴリを出力するモデルである。

［特徴情報］
図６は、ユーザ情報１６０に含まれる特徴情報の一例を示す図である。例えば、ユーザ「００３」には、複数の素性に応じた指標が対応付けられている。素性は、例えば、漫画に興味があることや、スポーツに興味あること、小学生の子供がいることなど種々のユーザの特徴を示すものである。素性に対する指標は、第１サービスとは異なるサービスをユーザが利用した利用履歴に基づく指標である。例えば、ショッピングサイトにおいて漫画を購入していたり、漫画を閲覧するサービスにおいて漫画を閲覧していたりするユーザの漫画に興味があることに対する指標は高く設定される。例えば、ショッピングサイトにおいて小学生が利用するアイテムを購入していたり、小学生の子供の親のＳＮＳを利用していたりするユーザの小学生の子供がいることに対する指標は高く設定される。

［第２モデルの活用］
決定部１４０は、上記の特徴情報である素性ごとの指標を、第２モデル１６６に入力し、第２モデル１６６が出力した情報に基づいて、レコメンドアイテムを決定する。図７は、第２モデル１６６の活用について説明するための図である。第２モデル１６６は、素性ごとの指標が入力されると、カテゴリ（後述する末端カテゴリ）に応じたカテゴリ指標を出力する。決定部１４０は、例えば、閾値以上のカテゴリ指標のカテゴリを特定し、特定したカテゴリとカテゴリ指標とに基づいてレコメンドアイテムを決定する。

図７に示すように、１００件レコメンドする候補を決定する場合において、「スマホ：０．５」、「アクセサリー：０．３」、「ジャケット：０．２」を第２モデル１６６が出力すると、カテゴリがスマホのアイテムを５０件、カテゴリがアクセサリーのアイテムを３０件、カテゴリがジャケットのアイテムを２０件がアイテム情報１６８から抽出される。例えば、レコメンドされる各カテゴリのアイテム数は、レコメンドされる全アイテム数に対して第２モデル１６６が出力した各カテゴリ指標の比に基づいて決定され、例えば上記の比と一致するように決定される。また、上記に代えて、カテゴリに対して重みや係数などの補正値が予め設定され、予め設定された補正値と、第２モデル１６６が出力した各カテゴリ指標とを用いてレコメンドするアイテムが決定されてもよい。

図８は、アイテム情報１６８の内容の一例を示す図である。アイテム情報１６８は、例えば、アイテムの識別情報（アイテムＩＤ）と、アイテム名と、第１カテゴリと末端カテゴリとを含むカテゴリと、カテゴリにおけるアイテムの順位（ランキング）とが対応付けられた情報である。カテゴリは、図示する第１カテゴリと末端カテゴリとの間に中間のカテゴリが含まれてもよい。例えば、第１カテゴリ「ファッション」、第２カテゴリ「メンズファッション」、第３カテゴリ「シューズスニーカー」、末端カテゴリ「スニーカー」などのようにカテゴリの分類の粒度は任意に定められてもよい。

決定部１４０は、例えば、カテゴリごとのアイテムのランキングから上位の所定数のアイテムを抽出（決定）する。例えば、決定部１４０は、前日または所定期間で閲覧が多かったカテゴリごとのアイテムのランキングから上位のアイテムを抽出する。このアイテムは、例えば、出品されてから所定時間以内のアイテム（新規出品のアイテム）であってもよいし、同じ出品者のアイテムが含まれない（出品者が異なるように）またな所定数になるように抽出されてもよい。また、サービスを利用していないユーザは、低額のアイテムに着目する可能性が高いので所定金額以下のアイテムが抽出されてもよい。決定部１４０は、上記の抽出したアイテムの全部または一部をレコメンドアイテムに決定する。

サービス提供部１１０は、決定部１４０が決定したレコメンドアイテムをトップページのコンテンツに含め、このコンテンツをユーザの端末装置１０に提供する。これにより、端末装置１０の表示部には、トップページにおいて他のサービスの利用履歴から得られた特徴情報に基づくレコメンドアイテムが表示される。

［ここまでのまとめ］
ここで、対象のサービスを利用していないユーザのレコメンドアイテムの予測を多クラス分類問題として解くのは、以下のように不適切なことがある。対象のサービスでは、閲覧数が多いアイテムに絞ってもアイテムは膨大である。利用履歴はこの膨大なアイテムからユーザの嗜好にあったアイテムを特定するために重要な情報であり、これを用いてレコメンドアイテムの予測を多クラス分類問題として解いている。しかし、サービスの利用拡大のため、利用履歴がないユーザにもレコメンドをすることを考えると、この重要な情報がないため嗜好にあったアイテムを特定することは難しい。そこで、本実施形態では、対象のサービスとは異なるサービスのユーザの利用履歴に基づいて得られた特徴情報を使い、また、アイテムではなくカテゴリの予測を多クラス分類問題として解く。対象のサービスとは異なるサービスのユーザの利用履歴を用いることで、利用履歴が無いユーザに対して、当該ユーザの嗜好に合ったレコメンドができる。さらに、カテゴリの予測を多クラス分類問題として解くことで、クラス数が減り問題が簡単となる。また、対象のサービスがフリーマーケットやオークションの場合、アイテムは１点ものであるため予測したレコメンドアイテムをユーザが見たときにすでに購入済みになっていることが考えられるが、得られたカテゴリに対応する新規出品アイテムをレコメンドアイテムとすることで、レコメンドアイテムが購入済になっている可能性を減らすことができる、といった利点がある。

フリーマーケットやオークションは、「量産されていないアイテムの取引を支援または販売を行っているサービス」の一例である。また、限定品など数に限りがあるアイテムを販売しているサービスは、「量産されていないアイテムの取引を支援または販売を行っているサービス」の他の一例である。

そこで、本実施形態では、アイテムの多クラス分類問題でなく、末端カテゴリの予測を多クラス分類問題とした時、得られたカテゴリに対応するアイテムをレコメンドアイテムとして決定する。これにより、以下の利点がある。クラス数が減り問題が簡単となる。新規出品アイテムをレコメンドアイテムとすることで、レコメンドアイテムが購入済になっている可能性を減らすことができる。更に、本実施形態では、対象のサービスとは異なるサービスのユーザの利用履歴に基づいて得られた特徴情報を利用することで、フリーマーケットの利用履歴が無いユーザに対して、例えばユーザの嗜好に関する情報を得られる前のインターフェースであるトップページなどにおいて当該ユーザの嗜好に合ったアイテムを提案することができる。

［フローチャート］
図９は、第１サービス提供装置１００により実行される処理の流れの一例を示すフローチャートである。まず、取得部１２０が、トップページの提供リクエストが存在するか否かを判定する（Ｓ１００）。トップページの提供リクエストが存在する場合、取得部１２０は、ユーザの識別情報を取得する（Ｓ１０２）。次に、判定部１３０が、ユーザの識別情報とユーザ情報１６０とに基づいて第１サービスにおける利用履歴が存在するか否かを判定する（Ｓ１０４）。第１サービスにおける利用履歴が存在する場合、決定部１４０が、第１モデル１６４を利用してアイテムを決定する（Ｓ１０６）。

第１サービスにおける利用履歴が存在しない場合、判定部１３０は、他のサービスの利用履歴から得られたユーザの特徴情報が存在するか否かを判定する（Ｓ１０８）。ユーザの特徴情報が存在する場合、決定部１４０は、第２モデル１６６を利用してアイテムを決定する（Ｓ１１０）。ユーザの特徴情報が存在しない場合、決定部１４０は、ランキング情報１６２を利用してアイテムを決定する（Ｓ１１２）。

上記のように、第１サービス提供装置１００は、ユーザの当該サービスの利用履歴または当該サービスとは異なるサービスの利用履歴に応じて、ユーザの嗜好に合ったアイテムを提案することができる。

［学習装置］
学習装置４００は、学習データをモデルに学習させて第２モデル１６６を生成する。学習データは、サービスへのアクセスの所定時間前（例えば２週間前）までの閲覧がないユーザの特徴情報と、当該ユーザが集計期間内で最初にアクセスした末端カテゴリ（正解データ）とが対応付けられた情報を含む。学習装置４００は、ユーザの特徴情報が入力されると、当該ユーザの特徴情報に対応付けられた末端カテゴリごとの指標が大きくなるように末端カテゴリの指標を出力するようにモデルを学習させて第２モデル１６６を生成する。

上記の例では、末端カテゴリが正解データであるものとして説明したが、これにより代えて、正解データは末端カテゴリとは異なるカテゴリ（末端カテゴリよりも上位のカテゴリ）や、アイテムなど当該ユーザが集計期間内で最初にアクセスしたときに得られた情報であればよい。この場合、第２モデル１６６は、特徴情報が入力されると、正解データに応じた情報を出力するように学習されたモデルである。

［まとめ］
以上説明した実施形態によれば、サービス提供装置は、ネットワークを介して提供される対象のサービスの利用履歴が所定期間において存在しないユーザの特徴を示す特徴情報であって、ネットワークを介して提供される前記対象のサービスとは異なるサービスの前記ユーザの利用履歴に基づいて得られた特徴情報を取得し、前記特徴情報と前記特徴情報を有するユーザが好むと推定される商品またはサービスであるアイテムのカテゴリまたは前記アイテムとが対応付けられた対応情報に基づいて、前記ユーザに提供するアイテムを決定することにより、ユーザの嗜好に合った情報を提供することができる。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１‥サービス提供システム
１０‥端末装置
１００‥第１サービス提供装置
１１０‥サービス提供部
１２０‥取得部
１３０‥判定部
１４０‥決定部
１５０‥記憶部
１６０‥ユーザ情報
１６２‥ランキング情報
１６４‥第１モデル
１６６‥第２モデル
２００‥第２サービス提供装置
３００‥第３サービス提供装置
４００‥学習装置

Claims

ネットワークを介して提供される対象のサービスの利用履歴が存在しないユーザの特徴を示す特徴情報であり、ネットワークを介して提供される前記対象のサービスとは異なるサービスの前記ユーザの利用履歴に基づいて生成された前記ユーザの識別情報と前記ユーザの特徴情報とが対応付けられた情報を参照して得られた前記ユーザに対応づけられた特徴情報を取得する取得部と、
前記特徴情報と前記特徴情報が対応付けられたユーザが好むと推定される商品またはサービスであるアイテムのカテゴリまたは前記アイテムとが対応付けられた対応情報に基づいて、前記ユーザに提供するアイテムを決定する決定部と、
を備える情報処理装置。
ネットワークを介して提供される対象のサービスの利用履歴が存在しないユーザの特徴を示す特徴情報であり、ネットワークを介して提供される前記対象のサービスとは異なるサービスの前記ユーザの利用履歴に基づいて生成された前記ユーザの識別情報と前記ユーザの特徴情報とが対応付けられた情報を参照して得られた前記ユーザに対応づけられた特徴情報を取得する取得部と、
前記特徴情報が入力されると前記特徴情報が対応付けられたユーザが好むと推定される商品またはサービスであるアイテムのカテゴリまたは前記アイテムを出力する学習済モデルに前記特徴情報を入力し、前記学習済モデルが出力した前記カテゴリまたは前記アイテムに基づいて、前記ユーザに提供するアイテムを決定する決定部と、
情報処理装置。
前記ユーザが前記対象のサービスを利用した利用履歴が存在する場合、前記決定部は、前記対象のサービスの前記利用履歴を利用して前記アイテムを決定する、
請求項２に記載の情報処理装置。
前記対象のサービスの利用履歴および前記特徴情報が存在しない場合、前記決定部は、前記対象のサービスにおけるアイテムのランキングが規定されたランキング情報を参照して、前記アイテムを決定する、
請求項３に記載の情報処理装置。
前記ユーザの端末装置から前記対象のサービスのトップページのコンテンツの提供リクエストがされた場合、前記ユーザの前記対象のサービスの利用履歴の有無および前記特徴情報の有無を判定する判定部を備え、
前記決定部は、
記憶部に前記対象のサービスの利用履歴が記憶されていなく、且つ前記ユーザの特徴情報が記憶されていない場合、前記対象のサービスにおけるアイテムのランキングが規定されたランキング情報を参照して、前記アイテムを決定し、
記憶部に前記対象のサービスの利用履歴が記憶されている場合、前記対象のサービスの前記利用履歴を利用して前記アイテムを決定し、
記憶部に前記対象のサービスの利用履歴が記憶されていなく、且つ前記ユーザの特徴情報が記憶されている場合、前記特徴情報と前記特徴情報が対応付けられたユーザが好むと推定される商品またはサービスであるアイテムのカテゴリまたは前記アイテムとが対応付けられた対応情報に基づいて、前記ユーザに提供するアイテムを決定する、
請求項４に記載の情報処理装置。
前記対象のサービスは、量産されていないアイテムの取引を支援または販売を行っているサービスである、
請求項１から５のうちいずれか１項に記載の情報処理装置。
前記対象のサービスおよび前記異なるサービスとは、同一のポータルサイトで提供されているサービスまたは同一のユーザの識別情報でログインが可能なサービスである、
請求項１から５のうちいずれか１項に記載の情報処理装置。
前記特徴情報は、前記ユーザの興味の対象を示す情報と、前記ユーザの家族構成を示す情報と、前記ユーザの仕事を示す情報と、前記ユーザの住居を示す情報と、前記ユーザの食に関する情報とのうち一以上の情報を含む、
請求項１から５のうちいずれか１項に記載の情報処理装置。
前記学習済モデルは、前記ユーザが好むと推定される商品またはサービスであるアイテムのカテゴリを出力し、
前記決定部は、前記カテゴリごとのアイテムのランキングを示すランキング情報を参照して、上位から所定の数のアイテムを前記ユーザに提供するアイテムに決定する、
請求項２から５のうちいずれか１項に記載の情報処理装置。
前記対象のサービスは、フリーマーケットサービスまたはオークションサービスであり、
前記ユーザに提供されるアイテムは、出品されてから所定時間以内のアイテムである、
請求項９に記載の情報処理装置。
前記対象のサービスは、フリーマーケットサービスまたはオークションサービスであり、
前記ユーザに提供されるアイテムの出品者は異なる、
請求項９に記載の情報処理装置。
前記ユーザの端末装置から前記対象のサービスのトップページのコンテンツの提供リクエストがされた場合、前記対象のサービスの利用履歴の有無およびユーザの興味の対象を示す前記特徴情報の有無を判定する判定部を備え、
前記対象のサービスは、量産されていない前記アイテムの取引を支援または販売を行っているサービスであり、
前記対象のサービスおよび前記異なるサービスとは、同一のポータルサイトで提供されているサービスまたは同一のユーザの識別情報でログインが可能なサービスであり、
前記決定部は、
前記対象のサービスの利用履歴が存在する場合、前記対象のサービスの前記利用履歴を利用して前記アイテムを決定し、
前記対象のサービスの利用履歴が存在せず、且つ前記特徴情報が存在する場合、前記学習済モデルに前記特徴情報を入力し、前記学習済モデルが出力した前記カテゴリまたは前記アイテムに基づいて、前記ユーザに提供するアイテムを決定し、
前記対象のサービスの利用履歴および前記特徴情報が存在しない場合、前記利用履歴および前記学習済モデルを用いた手法とは異なる第３手法を用いて、前記ユーザに提供するアイテムを決定する、
請求項２から５のうちいずれか１項に記載の情報処理装置。
前記学習済モデルを備え、
前記学習済モデルは、学習データを学習して生成されたモデルであり、
前記学習データは、前記対象のサービスへのアクセスの所定時間前までの閲覧がないユーザの前記特徴情報と、正解データである前記ユーザが集計期間内で最初にアクセスした前記アイテムのカテゴリまたは前記アイテムとが対応付けられた情報である、
請求項２から４のうちいずれか１項に記載の情報処理装置。
請求項２から４のうちいずれか１項に記載の情報処理装置と、
前記学習済モデルを生成する学習装置と、
を備える情報処理システム。
コンピュータが、
ネットワークを介して提供される対象のサービスの利用履歴が存在しないユーザの特徴を示す特徴情報であり、ネットワークを介して提供される前記対象のサービスとは異なるサービスの前記ユーザの利用履歴に基づいて生成された前記ユーザの識別情報と前記ユーザの特徴情報とが対応付けられた情報を参照して得られた前記ユーザに対応づけられた特徴情報を取得し、
前記特徴情報と前記特徴情報が対応付けられたユーザが好むと推定される商品またはサービスであるアイテムのカテゴリまたは前記アイテムとが対応付けられた対応情報に基づいて、前記ユーザに提供するアイテムを決定する、
情報処理方法。
コンピュータに、
ネットワークを介して提供される対象のサービスの利用履歴が存在しないユーザの特徴を示す特徴情報であり、ネットワークを介して提供される前記対象のサービスとは異なるサービスの前記ユーザの利用履歴に基づいて生成された前記ユーザの識別情報と前記ユーザの特徴情報とが対応付けられた情報を参照して得られた前記ユーザに対応づけられた特徴情報を取得させ、
前記特徴情報と前記特徴情報が対応付けられたユーザが好むと推定される商品またはサービスであるアイテムのカテゴリまたは前記アイテムとが対応付けられた対応情報に基づいて、前記ユーザに提供するアイテムを決定させる、
プログラム。