WO2010084629A1 - 推薦システム、推薦方法、推薦プログラム及び情報記憶媒体 - Google Patents

推薦システム、推薦方法、推薦プログラム及び情報記憶媒体 Download PDF

Info

Publication number
WO2010084629A1
WO2010084629A1 PCT/JP2009/056686 JP2009056686W WO2010084629A1 WO 2010084629 A1 WO2010084629 A1 WO 2010084629A1 JP 2009056686 W JP2009056686 W JP 2009056686W WO 2010084629 A1 WO2010084629 A1 WO 2010084629A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
users
recommendation
preference data
similarity
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.)
Ceased
Application number
PCT/JP2009/056686
Other languages
English (en)
French (fr)
Inventor
祐平 山内
山田　政寛
北村　智
秀哉 松河
竜也 和気
詩織 阪口
真依 寄▲高▼
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.)
University of Tokyo NUC
Benesse Corp
Original Assignee
University of Tokyo NUC
Benesse 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 University of Tokyo NUC, Benesse Corp filed Critical University of Tokyo NUC
Priority to JP2010547377A priority Critical patent/JP5451644B2/ja
Publication of WO2010084629A1 publication Critical patent/WO2010084629A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Recommending goods or services

Definitions

  • the present invention relates to a recommendation system, a recommendation method, a recommendation program, and an information storage medium.
  • recommendation algorithms are often used in various online services such as information search and online sales.
  • collaborative filtering the similarity of preference data is first calculated among users, and another user whose preference data is highly similar to a certain recommendation target user is selected. Then, information to be recommended to the recommendation target user is determined based on the preference of the user thus selected.
  • the present invention has been made in view of the above problems, and an object of the present invention is to provide a recommendation system, a recommendation method, a recommendation program, and an information storage medium capable of continuously providing information that brings interest to a recommendation target user. It is to do.
  • a recommendation system comprises: preference data storage means for storing preference data of a plurality of users; similarity calculation means for calculating the similarity of preference data among users; A first user who selects one or more of the plurality of users based on the similarity between the preference data of the recommendation target user among the users and the preference data of all or part of the plurality of users Among the plurality of users based on the similarity between the selection means, the preference data of the user selected by the first user selection means, and the preference data of all or part of the plurality of users
  • the recommendation target user is selected based on second user selection means for selecting one or more and preference data of some or all of the users selected by the second user selection means. Characterized in that it comprises a recommendation information determining means for determining information to be recommended, to.
  • the plurality of the plurality of users can be selected based on the similarity between the preference data of the recommendation target user and the preference data of all or part of the plurality of users. Similarity between a first user selection step of selecting one or more of the users, preference data of the user selected in the first user selection step, and preference data of all or part of the plurality of users. The second user selection step of selecting one or more of the plurality of users based on the degree, and the preference data of some or all of the users selected in the second user selection step And a recommendation information determination step of determining information to be recommended to the recommendation target user.
  • the first user selection means selects a user whose similarity degree of preference data with the recommendation target user is equal to or more than a first predetermined value
  • the recommendation system The recommendation information determining means further includes third user selection means for selecting a recommended user and a user whose preference degree is less than the first predetermined value and greater than or equal to a second predetermined value smaller than the first predetermined value.
  • the information to be recommended to the recommendation target user is determined based on preference data of a user who is a user selected by the second user selection means and is also a user selected by the third user selection means.
  • the preference data includes, for each of the plurality of information elements, a numerical value indicating a degree of preference of the user, and the recommendation information determination means determines the second information element for each of the information elements.
  • the recommendation information determination means determines the second information element for each of the information elements.
  • FIG. 1 is an overall configuration diagram of a recommendation system according to an embodiment of the present invention. It is a figure which shows the method of recommendation typically. It is a functional block diagram of a server. It is a figure which shows the memory content of a preference data storage part. It is a flowchart which shows operation
  • FIG. 1 is an overall configuration diagram of a recommendation system according to an embodiment of the present invention.
  • the recommendation system 10 includes a server 16 and a plurality of user devices 12 all connected to a communication network 14 such as the Internet.
  • the server 16 is configured around a known server computer, and includes functions such as an electronic commerce server and an information service server such as e-learning and news.
  • the user device 12 is a known computer such as a personal computer used by each user, a home server, a home television, a portable telephone, etc.
  • the user device 12 accesses the server 16 via the communication network 14 and provides the server 16 Receive data related to various services and display it.
  • data can be input using a pointing device or a keyboard, and the input data can be transmitted to the server 16 via the communication network 14. ing.
  • the server 16 also generates recommendation data for each user device 12.
  • the user device 12 receives and displays the recommendation data thus generated.
  • the recommendation data is a list of products to be purchased, books to be read by the user, music to be viewed, and educational programs to be taken.
  • the server 16 selects a user (second user group) having a high degree of similarity with each user belonging to the first user group. Assuming that a user whose similarity with any user belonging to the first user group is 0.8 or more is a user who should belong to the second user group, the users c and d become the second user group in FIG. It will belong. Furthermore, the server 16 selects users (third user group) having a medium similarity to the user a. For example, assuming that a user having a similarity of 0.6 or more and less than 0.8 is a user who should belong to the third user group, the users c and e belong to the third user group in FIG. Thereafter, the server 16 determines a product set of the second user group and the third user group.
  • the server 16 generates recommendation data based on preference data of users belonging to the product set of the second user group and the third user group.
  • recommendation data for the user a is generated based on the preference data of the user c.
  • the preference data is vector data including a numerical value (evaluation numerical value) indicating the degree to which the user prefers the information item for each information item, and null (*) is evaluated for information items not evaluated by the user. Evaluation values have been input to the information items that have been completed (see FIG. 4).
  • the information item is information to be evaluated by the user and to be recommended to the user, and is, for example, information of a product or information of a service such as an educational program.
  • the server 16 identifies the information item to which null is input among the preference data of the user a (recommendation target user), and extracts the evaluation numerical value for the information item thus identified from the preference vector of the user belonging to the product set Do. Then, based on those evaluation numerical values and the degree of similarity between the user a and each user who belongs to the product set, a predicted value to the extent that the user a prefers the information item is calculated. In the server 16, a predetermined number of information items are listed in order from a value with a large predicted value obtained in this way to make recommendation data, or an information item whose prediction value is a predetermined value or more is made into a list to make recommendation data. Then, the recommendation data thus obtained is transmitted to the user device 12.
  • the recommended item determination unit 31 includes a product set calculation unit 31a, an unevaluated item extraction unit 31b, an evaluated user selection unit 31c, an estimated evaluation value calculation unit 31d, and a recommendation data generation unit 31e. These functions are realized by executing a program in the server 16.
  • the program may be stored in an information storage medium such as a CD-ROM and installed from there on the server 16 or may be downloaded from another computer via the communication network 14.
  • the preference data storage unit 22 stores preference data of each user of the recommendation system 10.
  • FIG. 4 shows the contents stored in the preference data storage unit 22.
  • the preference data storage unit 22 evaluates the user ID of each user and the evaluation numerical value for each ID of the information item (similarity Data) are stored in association with each other.
  • null NUL
  • evaluation numerical values are set for information items that have already been evaluated.
  • the similarity calculation unit 23 calculates the similarity of preference data among users based on the preference data stored in the preference data storage unit 22. Specifically, a set Y ij of item IDs to which evaluation numerical values are input among the preference data of the user i and the user j is calculated.
  • the following equation (1) shows an example of the set Y ij .
  • the similarity calculation unit 23 calculates, as the similarity ⁇ ij of the user i and the user j, a correlation value of vectors having elements of evaluation values of the user i and the user j with respect to item IDs included in the set Y ij. .
  • the similarity ⁇ ij is calculated, for example, according to the following equation (2).
  • the similarity calculation unit 23 executes the above calculation for all combinations of users, and stores the result in the similarity data storage unit 24.
  • the first user selection unit 25 selects one or more of the users of the recommendation system 10 based on the similarity between the preference data of the recommendation target user among the users of the recommendation system 10 and the preference data of the other users. Is selected as the first user group. Specifically, assuming that the recommendation target user is the user a, the user j (the user b in FIG. 2) whose similarity ⁇ aj stored in the similarity data storage unit 24 is equal to or greater than a first predetermined value (for example, 0.8) To configure the first user group. The IDs of the users making up the first user group are stored in the first user storage unit 26.
  • the second user selection unit 27 for the user j identified by the user ID stored in the first user storage unit 26, the user i whose similarity ⁇ ij is equal to or more than the first predetermined value (user in FIG.
  • the second user group is configured by c and d).
  • the IDs of the users making up the second user group are stored in the second user storage unit 28.
  • the third user selection unit 29 determines that the similarity rho aj stored in the similarity data storage unit 24 is less than the first predetermined value, not less than a second predetermined value (e.g., 0.6)
  • a third group of users is configured by users j (users c and e in FIG. 2).
  • the IDs of the users constituting the third user group are stored in the third user storage unit 30.
  • the recommended item determination unit 31 identifies users (user c in FIG. 2) belonging to both the second user group and the third user group, and generates recommendation data based on the identified user preference data. Specifically, the product set calculation unit 31 a extracts the user ID stored in both the second user storage unit 28 and the third user storage unit 30. Further, the unevaluated item extraction unit 31 b reads the preference data of the user a who is the evaluation target user from the preference data storage unit 22, and extracts the item IDs of all the information items for which the user a has not yet evaluated.
  • the evaluation prediction value calculation unit 31 d calculates the prediction value S ak according to the following equation (4).
  • S'x is an average value of evaluation numerical values included in the preference data of the user x.
  • the recommendation data generation unit 31e generates recommendation data based on the prediction value S ak of the evaluation of the item k that has not been evaluated by the user a, which is calculated by the evaluation prediction value calculation unit 31d. For example, a list of information items whose predicted value S ak is equal to or more than a predetermined value may be set as recommendation data, or a list of a predetermined number of information items may be set as recommendation data in the descending order of predicted values S ak .
  • the recommendation data transmission unit 32 transmits the recommendation data generated in this manner to the user device 12 used by the user a. The user device 12 receives this recommendation data and displays it on the display.
  • the input data is transmitted from the user device 12 to the server 16.
  • the user may directly input an evaluation value for each information item, and the input value may be transmitted to the server 16.
  • the server 16 It may be sent to
  • the user input reception unit 20 receives such data, and the preference data update unit 21 updates preference data of each user based on the received data.
  • FIG. 5 is a flow chart showing the operation of the server 16.
  • the process shown in the figure indicates a process in which the server 16 generates recommendation data and transmits it to the user device 12.
  • the similarity calculation unit 23 generates a set Y ij of items for which the user i and the user j have both evaluated (S101).
  • the similarity ⁇ ij is calculated according to the above-mentioned equation (2) for the combination of the user i and the user j (S102).
  • the similarity calculation unit 23 repeatedly executes the above process for all combinations of users.
  • the first user selection unit 25 After that, the first user selection unit 25 generates a set A of users whose similarity to the user a who is a recommendation target user is equal to or more than a first predetermined value, that is, a first user group (S103). Furthermore, the second user selection unit 27 generates a set B of users whose similarity with the users belonging to the first user group is equal to or greater than a first predetermined value, that is, a second user group (S104). Further, the third user selection unit 29 generates a set C of users whose similarity with the user a who is the recommendation target user is less than the first predetermined value and not less than the second predetermined value, that is, a third user group (S105) .
  • recommendation data is generated based on preference data of a user indirectly similar to the evaluation target user
  • various recommendation data can be generated based on preference data of more users. It will be.
  • recommendation data is generated based on preference data of a user (user c in FIG. 2) having a high degree of similarity indirectly even if the degree of similarity with the user to be evaluated is medium. For this reason, it is possible to continuously provide information that makes the recommendation target user interested.
  • the present invention is not limited to the above embodiment, and various modifications can be made.
  • the predicted value of the similarity between users and the evaluation is not limited to the above equation, and various calculation equations may be used.

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

　推薦対象ユーザに対して興味を湧かせる情報を継続的に提供する。　複数のユーザの嗜好データを記憶する嗜好データ記憶部（２２）と、ユーザ間の嗜好データの類似度を計算する類似度算出部（２３）と、前記複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第１ユーザ選出部（２５）と、前記第１ユーザ選出部（２５）により選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出部（２７）と、前記第２ユーザ選出部（２７）により選出されるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦アイテム決定部（３１）と、を含む。

Description

推薦システム、推薦方法、推薦プログラム及び情報記憶媒体
　本発明は推薦システム、推薦方法、推薦プログラム及び情報記憶媒体に関する。
　近年、情報検索やオンライン販売などの各種オンラインサービスにおいて、推薦アルゴリズムが利用されることが多くなっている。協調フィルタリングと呼ばれる推薦アルゴリズムでは、最初にユーザ間で嗜好データの類似度を計算し、ある推薦対象ユーザと嗜好データの類似度が高い別のユーザを選出する。そして、こうして選出されるユーザの嗜好を元にして推薦対象ユーザに推薦する情報を判断する。
　しかしながら上記従来手法によると、推薦アルゴリズムが長期間にわたり使用され、様々な情報が推薦されるにつれて、既に推薦対象ユーザに推薦された情報が再度推薦されるようになり、推薦対象ユーザの新たな興味・関心を掘り起こすことができないという問題がある。嗜好データの類似度がそれほど高くないユーザの嗜好を元にして、さらに多くの情報を推薦することも考えられるが、そうすると推薦される情報の中にノイズも多くなり、却ってユーザの利便性を損なう。
　本発明は上記課題に鑑みてなされたものであって、その目的は、推薦対象ユーザに対して興味を湧かせる情報を継続的に提供できる推薦システム、推薦方法、推薦プログラム及び情報記憶媒体を提供することにある。
　上記課題を解決するために、本発明に係る推薦システムは、複数のユーザの嗜好データを記憶する嗜好データ記憶手段と、ユーザ間の嗜好データの類似度を計算する類似度計算手段と、前記複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第１ユーザ選出手段と、前記第１ユーザ選出手段により選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出手段と、前記第２ユーザ選出手段により選出されるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定手段と、を含むことを特徴とする。
　また、本発明に係る推薦方法は、複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第１ユーザ選出ステップと、前記第１ユーザ選出ステップにおいて選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出ステップと、前記第２ユーザ選出ステップにおいて選出されるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定ステップと、を含むことを特徴とする。
　さらに、本発明に係る推薦プログラムは、複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第１ユーザ選出ステップと、前記第１ユーザ選出ステップにおいて選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出ステップと、前記第２ユーザ選出ステップにおいて選出されるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定ステップと、をコンピュータに実行させるためのプログラムである。このプログラムはコンピュータ可読情報記憶媒体に格納されてよい。
　また、本発明の一態様では、前記第１ユーザ選出手段（ステップ）は、前記推薦対象ユーザと、嗜好データの類似度が第１所定値以上であるユーザを選出し、前記推薦システムは、前記推薦ユーザと、嗜好データの類似度が前記第１所定値未満且つ前記第１所定値よりも小さな第２所定値以上であるユーザを選出する第３ユーザ選出手段をさらに含み、前記推薦情報決定手段は、前記第２ユーザ選出手段により選出されるユーザであり、且つ前記第３ユーザ選出手段により選出されるユーザでもあるユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する。
　また、本発明の他の態様では、前記嗜好データは、複数の情報要素のそれぞれについて、ユーザの嗜好の程度を示す数値を含み、前記推薦情報決定手段は、前記各情報要素について、前記第２ユーザ選出手段により選出されるユーザのうち一部又は全部のユーザの嗜好データと前記推薦対象ユーザの嗜好データとの類似度、及び各ユーザの嗜好データに含まれる数値に基づいて、当該情報要素について、前記推薦対象ユーザの嗜好の程度を示す数値を予測する予測手段を含む。
本発明の実施形態に係る推薦システムの全体構成図である。 推薦の方法を模式的に示す図である。 サーバの機能ブロック図である。 嗜好データ記憶部の記憶内容を示す図である。 サーバの動作を示すフロー図である。
　以下、本発明の実施形態について図面に基づき詳細に説明する。
　図１は、本発明の実施形態に係る推薦システムの全体構成図である。同図に示すように、推薦システム１０は、インターネットなどの通信ネットワーク１４にいずれも接続されたサーバ１６及び複数のユーザ装置１２から構成されている。サーバ１６は、公知のサーバコンピュータを中心に構成されており、電子商取引サーバ、ｅ－ラーニングやニュースなどの情報サービスサーバなどの機能を含んでいる。ユーザ装置１２は、各ユーザが使用するパーソナルコンピュータ、ホームサーバ、家庭用テレビ受像機、携帯電話機などの公知のコンピュータであり、通信ネットワーク１４を介してサーバ１６にアクセスして、サーバ１６が提供している各種サービスに関わるデータを受信し、それを表示する。また、例えば商品の購入手続きや情報の配信手続きなどの各種手続きのために、ポインティングデバイスやキーボードによりデータを入力し、この入力されたデータを通信ネットワーク１４を介してサーバ１６に送信できるようになっている。また、サーバ１６はユーザ装置１２毎に推薦データを生成する。ユーザ装置１２はこうして生成される推薦データを受信し、表示する。推薦データは、購入すべき商品、ユーザが読むべき書籍、視聴すべき音楽、受講すべき教育プログラムなどのリストである。
　図２は、サーバ１６における推薦データの生成方法を模式的に示している。同図において、ａ～ｅは推薦システム１０のユーザ、すなわち各ユーザ装置１２のユーザを示している。ユーザａ（推薦対象ユーザ）に対して推薦データを生成する場合、まず推薦システム１０のユーザの中から、ユーザａとの類似度が高いユーザ（第１ユーザ群）を選出する。なお、本実施形態では、サーバ１６では各ユーザの嗜好データを管理しており、この嗜好データ間の類似度（相関値）をユーザ間の類似度としている。例えばユーザａとの類似度が０．８以上のユーザが第１ユーザ群に属するべきユーザであるとすれば、図２においてはユーザｂが第１ユーザ群に属することになり、ユーザｃ～ｅは第１ユーザ群には属しない。
　次に、サーバ１６は、第１ユーザ群に属する各ユーザとの類似度が高いユーザ（第２ユーザ群）を選出する。第１ユーザ群に属するいずれかのユーザとの類似度が０．８以上のユーザが第２ユーザ群に属するべきユーザであるとすれば、図２においてはユーザｃ及びｄが第２ユーザ群に属することになる。さらに、サーバ１６は、ユーザａとの類似度が中くらいのユーザ（第３ユーザ群）を選出する。例えばユーザとの類似度が０．６以上０．８未満のユーザが第３ユーザ群に属するべきユーザであるとすると、図２においてはユーザｃ及びｅが第３ユーザ群に属することになる。その後、サーバ１６は、第２ユーザ群と第３ユーザ群との積集合を判断する。すなわち、推薦システム１０のユーザのうち、第２ユーザ群に属し、且つ第３ユーザ群にも属するユーザを調べる。図２においては、ユーザｃがこれに該当する。サーバ１６では、第２ユーザ群と第３ユーザ群との積集合に属するユーザの嗜好データに基づいて推薦データを生成する。図２の例では、ユーザｃの嗜好データに基づいてユーザａに対する推薦データが生成される。嗜好データは、情報アイテムごとにユーザが該情報アイテムを嗜好する程度を示す数値（評価数値）を含むベクトルデータであり、ユーザによる評価が済んでいない情報アイテムにはヌル（※）が、評価が済んでいる情報アイテムには評価数値が入力されている（図４参照）。情報アイテムは、ユーザによる評価の対象となり、且つユーザに対する推薦の対象となる情報であり、例えば商品の情報や教育プログラムなどのサービスの情報である。
　サーバ１６では、ユーザａ（推薦対象ユーザ）の嗜好データのうちヌルが入力されている情報アイテムを特定し、こうして特定された情報アイテムに対する評価数値を、上記積集合に属するユーザの嗜好ベクトルから抽出する。そして、それらの評価数値と、ユーザａと上記積集合に属する各ユーザとの類似度と、に基づいて、当該情報アイテムに対してユーザａが嗜好する程度の予測値を算出する。サーバ１６では、こうして得られる予測値が大きい値から順に所定数の情報アイテムをリスト化して推薦データとしたり、或いは予測値が所定値以上である情報アイテムをリスト化して推薦データとしたりする。そして、こうして得られる推薦データをユーザ装置１２に送信する。
　ここでサーバ１６の構成及び動作についてさらに詳細に説明する。図３は、サーバ１６の機能ブロック図である。同図に示すように、サーバ１６の機能には、ユーザ入力受信部２０、嗜好データ更新部２１、嗜好データ記憶部２２、類似度算出部２３、類似度データ記憶部２４、第１ユーザ選出部２５、第１ユーザ記憶部２６、第２ユーザ選出部２７、第２ユーザ記憶部２８、第３ユーザ選出部２９、第３ユーザ記憶部３０、推薦アイテム決定部３１、推薦データ送信部３２が含まれている。推薦アイテム決定部３１は、積集合算出部３１ａ、未評価アイテム抽出部３１ｂ、評価済みユーザ選出部３１ｃ、評価予測値算出部３１ｄ、推薦データ生成部３１ｅを含んでいる。これらの機能は、サーバ１６においてプログラムが実行されることにより実現されるものである。プログラムはＣＤ－ＲＯＭなどの情報記憶媒体に格納され、そこからサーバ１６にインストールされてもよいし、通信ネットワーク１４を介して他のコンピュータからダウンロードされもよい。
　まず嗜好データ記憶部２２は、推薦システム１０の各ユーザの嗜好データを記憶するものである。図４は、嗜好データ記憶部２２の記憶内容を示しており、同図に示されるように、嗜好データ記憶部２２は、各ユーザのユーザＩＤと、情報アイテムのＩＤ毎の評価数値（類似度データ）と、を関連づけて記憶している。上述のようにユーザＩＤにより特定されるユーザが未だ評価をしていない情報アイテムについてはヌル（ＮＵＬ）が設定されており、既に評価をしている情報アイテムについては評価数値が設定されている。類似度算出部２３では、嗜好データ記憶部２２に記憶された嗜好データに基づき、ユーザ間の嗜好データの類似度を算出する。具体的には、ユーザｉ及びユーザｊの嗜好データのうち評価数値が入力されているアイテムＩＤの集合Ｙｉｊを算出する。次式（１）は集合Ｙｉｊの一例を示している。
Figure JPOXMLDOC01-appb-M000001
　次に、類似度算出部２３では、集合Ｙｉｊに含まれるアイテムＩＤに対するユーザｉ及びユーザｊの評価数値を要素とするベクトルの相関値を、ユーザｉとユーザｊの類似度ρｉｊとして算出する。類似度ρｉｊは、例えば次式（２）に従って算出される。類似度算出部２３では、以上の計算をすべてのユーザの組合せに対して実行し、その結果を類似度データ記憶部２４に記憶させる。
Figure JPOXMLDOC01-appb-M000002
　第１ユーザ選出部２５では、推薦システム１０のユーザのうち推薦対象ユーザの嗜好データと、他のユーザの嗜好データと、の類似度に基づいて、推薦システム１０のユーザの中から１以上のユーザを第１ユーザ群として選出する。具体的には、推薦対象ユーザをユーザａとすると、類似度データ記憶部２４に記憶された類似度ρａｊが第１所定値（例えば０．８）以上であるユーザｊ（図２のユーザｂ）により第１ユーザ群を構成する。第１ユーザ群を構成するユーザのＩＤは第１ユーザ記憶部２６に記憶される。
　第２ユーザ選出部２７では、第１ユーザ記憶部２６に記憶されるユーザＩＤにより識別されるユーザｊに対して、類似度ρｉｊが上記第１所定値以上であるユーザｉ（図２のユーザｃ及びｄ）により第２ユーザ群を構成する。第２ユーザ群を構成するユーザのＩＤは第２ユーザ記憶部２８に記憶される。
　第３ユーザ選出部２９は、推薦対象ユーザをユーザａとすると、類似度データ記憶部２４に記憶された類似度ρａｊが上記第１所定値未満、第２所定値（例えば０．６）以上であるユーザｊ（図２のユーザｃ及びｅ）により第３ユーザ群を構成する。第３ユーザ群を構成するユーザのＩＤは第３ユーザ記憶部３０に記憶される。
　推薦アイテム決定部３１は、第２ユーザ群と第３ユーザ群の両方に属するユーザ（図２のユーザｃ）を特定し、特定されるユーザの嗜好データに基づいて推薦データを生成する。具体的には、積集合算出部３１ａは、第２ユーザ記憶部２８と第３ユーザ記憶部３０の両方に記憶されるユーザＩＤを抽出する。また、未評価アイテム抽出部３１ｂは、評価対象ユーザであるユーザａの嗜好データを嗜好データ記憶部２２から読み出し、ユーザａが未だ評価をしていない全ての情報アイテムのアイテムＩＤを抽出する。評価済みユーザ選出部３１ｃは、積集合算出部３１ａにより抽出されるユーザＩＤに関連する嗜好データを嗜好データ記憶部２２から読み出し、未評価アイテム抽出部３１ｂにより抽出される各アイテムＩＤについて評価数値（つまりヌルでない値）が嗜好データに設定されているユーザＩＤを選出する。こうして、ユーザａによる評価が済んでいない情報アイテムについて、既に評価をしているユーザの集合Ｅｋを決定する。この集合は、積集合算出部３１ａで算出される集合の部分集合となる。次式（３）は集合Ｅｋの一例を示している。
Figure JPOXMLDOC01-appb-M000003
　評価予測値算出部３１ｄは、集合Ｅｋに属するユーザｉによるアイテムＩＤ＝ｋのアイテムに対する評価数値Ｓｉｋと、各ユーザｉとユーザａとの類似度ρａｉとに基づいて、ユーザａによるアイテムＩＤ＝ｋのアイテムに対する評価の予測値Ｓａｋを算出する。具体的には、評価予測値算出部３１ｄは次式（４）に従って予測値Ｓａｋを算出する。ここで、Ｓ’ｘはユーザｘの嗜好データに含まれる評価数値の平均値である。
Figure JPOXMLDOC01-appb-M000004
　推薦データ生成部３１ｅは、評価予測値算出部３１ｄにより算出されるユーザａにより評価が未だされていないアイテムｋについての評価の予測値Ｓａｋに基づいて、推薦データを生成する。例えば、予測値Ｓａｋが所定値以上である情報アイテムのリストを推薦データとしたり、予測値Ｓａｋが大きいものから順に所定数の情報アイテムのリストを推薦データとしてよい。推薦データ送信部３２は、こうして生成される推薦データをユーザａが使用するユーザ装置１２に送信する。ユーザ装置１２では、この推薦データを受信して表示器により表示する。
　各情報アイテムについてユーザが評価の入力を行うと、その入力データはユーザ装置１２からサーバ１６に送信される。例えば、各情報アイテムに対してユーザが直接評価数値を入力し、入力された数値をサーバ１６に送信するようにしてもよい。或いは、各情報アイテムに係る商品を購入したり、各情報アイテムに係る教育プログラムを受講したり、といったように情報アイテムに関係して肯定的な手続きが実行された場合に、その情報をサーバ１６に送信してもよい。ユーザ入力受信部２０では、こうしたデータを受信し、嗜好データ更新部２１では、受信されるデータに基づいて各ユーザの嗜好データを更新する。
　図５は、サーバ１６の動作を示すフロー図である。同図に示す処理はサーバ１６が推薦データを生成し、ユーザ装置１２に送信する処理を示している。サーバ１６では、まず類似度算出部２３がユーザｉとユーザｊとが共に評価を済ませているアイテムの集合Ｙｉｊを生成する（Ｓ１０１）。そして、ユーザｉとユーザｊとの組合せについて類似度ρｉｊを上記式（２）に従って算出する（Ｓ１０２）。類似度算出部２３は、以上の処理を全てのユーザの組合せについて繰り返して実行する。
　その後、第１ユーザ選出部２５が、推薦対象ユーザであるユーザａとの類似度が第１所定値以上であるユーザの集合Ａ、すなわち第１ユーザ群を生成する（Ｓ１０３）。さらに、第２ユーザ選出部２７が、第１ユーザ群に属するユーザとの類似度が第１所定値以上であるユーザの集合Ｂ、すなわち第２ユーザ群を生成する（Ｓ１０４）。また、第３ユーザ選出部２９が、推薦対象ユーザであるユーザａとの類似度が第１所定値未満第２所定値以上であるユーザの集合Ｃ、すなわち第３ユーザ群を生成する（Ｓ１０５）。
　その後、積集合算出部３１ａが集合Ｂと集合Ｃとの積集合Ｄを算出する（Ｓ１０６）。そして、未評価アイテム抽出部３１ｂが評価対象ユーザであるユーザａが未評価であるアイテムのアイテムＩＤ（＝ｋ）を特定し、評価済みユーザ選出部３１ｃが集合Ｄの部分集合Ｅｋを生成する（Ｓ１０７）。そして、評価予測値算出部３１ｄがユーザａのアイテムＩＤ＝ｋに対する評価数値の予測値Ｓａｋを上記式（４）に従って算出する（Ｓ１０８）。評価評価済みユーザ選出部３１ｃ及び評価予測値算出部３１ｄは、Ｓ１０７及びＳ１０８の処理をユーザａの全ての未評価アイテムについて繰り返す。その後、推薦データ生成部３１ｅが評価予測値算出部３１ｄで算出される各未評価アイテムの評価予測値に基づいて推薦データを生成し（Ｓ１０９）、それを推薦データ送信部３２がユーザａのユーザ装置１２に送信する（Ｓ１１０）。
　以上説明した実施形態によると、評価対象ユーザと間接的に類似するユーザの嗜好データを元にして推薦データを生成するので、より多くのユーザの嗜好データを元にして多様な推薦データを生成できるようになる。また、評価対象ユーザとの類似度が中程度であっても、間接的には類似度が高いユーザ（図２のユーザｃ）の嗜好データを元にして推薦データを生成している。このため、推薦対象ユーザに対して興味を湧かせる情報を継続的に提供できるようになる。
　なお、本発明は上記実施形態に限定されるものではなく、種々の変形実施が可能である。例えば、ユーザ間の類似度や評価の予測値は上記式に限定されず、様々な算出式が用いられてよい。

Claims (6)

  1. 　複数のユーザの嗜好データを記憶する嗜好データ記憶手段と、
    　ユーザ間の嗜好データの類似度を計算する類似度計算手段と、
    　前記複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第１ユーザ選出手段と、
    　前記第１ユーザ選出手段により選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出手段と、
    　前記第２ユーザ選出手段により選出されるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定手段と、
    　を含むことを特徴とする推薦システム。
  2. 　請求の範囲第１項に記載の推薦システムにおいて、
    　前記第１ユーザ選出手段は、前記推薦対象ユーザと、嗜好データの類似度が第１所定値以上であるユーザを１以上選出し、
    　前記推薦システムは、前記推薦ユーザと、嗜好データの類似度が前記第１所定値未満且つ前記第１所定値よりも小さな第２所定値以上であるユーザを選出する第３ユーザ選出手段をさらに含み、
    　前記推薦情報決定手段は、前記第２ユーザ選出手段により選出されるユーザであり、且つ前記第３ユーザ選出手段により選出されるユーザでもあるユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する、
    　ことを特徴とする推薦システム。
  3. 　請求の範囲第１項又は第２項に記載の推薦システムにおいて、
    　前記嗜好データは、複数の情報要素のそれぞれについて、ユーザの嗜好の程度を示す数値を含み、
    　前記推薦情報決定手段は、前記各情報要素について、前記第２ユーザ選出手段により選出されるユーザのうち一部又は全部のユーザの嗜好データと前記推薦対象ユーザの嗜好データとの類似度、及び各ユーザの嗜好データに含まれる数値に基づいて、当該情報要素について、前記推薦対象ユーザの嗜好の程度を示す数値を予測する予測手段を含む、
    　ことを特徴とする推薦システム。
  4. 　複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第１ユーザ選出ステップと、
    　前記第１ユーザ選出ステップにおいて選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出ステップと、
    　前記第２ユーザ選出ステップにおいて選出されるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定ステップと、
    　を含むことを特徴とする推薦方法。
  5. 　複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第１ユーザ選出ステップと、
    　前記第１ユーザ選出ステップにおいて選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出ステップと、
    　前記第２ユーザ選出ステップにおいて選出されるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定ステップと、
    　をコンピュータに実行させるための推薦プログラム。
  6. 　複数のユーザのうち推薦対象ユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第１ユーザ選出ステップと、
    　前記第１ユーザ選出ステップにおいて選出されるユーザの嗜好データと、前記複数のユーザのうち全部又は一部のユーザの嗜好データと、の類似度に基づいて、前記複数のユーザのうち１以上を選出する第２ユーザ選出ステップと、
    　前記第２ユーザ選出ステップにおいて選出されるユーザのうち一部又は全部のユーザの嗜好データに基づいて、前記推薦対象ユーザに推薦する情報を決定する推薦情報決定ステップと、
    　をコンピュータに実行させるための推薦プログラムを記憶した情報記憶媒体。
     
PCT/JP2009/056686 2009-01-21 2009-03-31 推薦システム、推薦方法、推薦プログラム及び情報記憶媒体 Ceased WO2010084629A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2010547377A JP5451644B2 (ja) 2009-01-21 2009-03-31 推薦システム、推薦方法、推薦プログラム及び情報記憶媒体

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009-011428 2009-01-21
JP2009011428 2009-01-21

Publications (1)

Publication Number Publication Date
WO2010084629A1 true WO2010084629A1 (ja) 2010-07-29

Family

ID=42355701

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2009/056686 Ceased WO2010084629A1 (ja) 2009-01-21 2009-03-31 推薦システム、推薦方法、推薦プログラム及び情報記憶媒体

Country Status (2)

Country Link
JP (1) JP5451644B2 (ja)
WO (1) WO2010084629A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102467542A (zh) * 2010-11-11 2012-05-23 腾讯科技（深圳）有限公司 获取用户相似度的方法、装置及用户推荐方法、系统
JP2013025325A (ja) * 2011-07-14 2013-02-04 Kddi Corp レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
CN108352028A (zh) * 2015-11-09 2018-07-31 株式会社电通 顾客关系管理装置及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000339336A (ja) * 1999-05-28 2000-12-08 Matsushita Electric Ind Co Ltd データ提供装置、及びデータ提供のためのユーザモデル作成装置
JP2006302097A (ja) * 2005-04-22 2006-11-02 Matsushita Electric Ind Co Ltd 協調フィルタ装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000339336A (ja) * 1999-05-28 2000-12-08 Matsushita Electric Ind Co Ltd データ提供装置、及びデータ提供のためのユーザモデル作成装置
JP2006302097A (ja) * 2005-04-22 2006-11-02 Matsushita Electric Ind Co Ltd 協調フィルタ装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MASAYUKI IHARA ET AL.: "User no Senzaiteki Konomi Suiteiho", THE TRANSACTIONS OF THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS, vol. J82-A, no. 5, 25 May 1999 (1999-05-25), pages 717 - 725 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102467542A (zh) * 2010-11-11 2012-05-23 腾讯科技（深圳）有限公司 获取用户相似度的方法、装置及用户推荐方法、系统
JP2013025325A (ja) * 2011-07-14 2013-02-04 Kddi Corp レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
CN108352028A (zh) * 2015-11-09 2018-07-31 株式会社电通 顾客关系管理装置及方法

Also Published As

Publication number Publication date
JPWO2010084629A1 (ja) 2012-07-12
JP5451644B2 (ja) 2014-03-26

Similar Documents

Publication Publication Date Title
US20210044674A1 (en) Method and Apparatus for Real-Time Personalization
EP2304619B1 (en) Correlated information recommendation
CN113327151B (zh) 商品对象推荐方法、装置、计算机设备及存储介质
CN102934113B (zh) 信息提供系统、信息提供方法、信息提供设备
JP6457358B2 (ja) アイテム推薦システム、アイテム推薦方法およびプログラム
WO2010095169A1 (ja) 情報推薦方法、そのシステム、及びサーバ
JP2009265747A (ja) マーケティング支援システム、マーケティング支援方法、マーケティング支援プログラム及びコンピュータ読み取り可能な媒体
US20150248720A1 (en) Recommendation engine
CN112364203A (zh) 电视视频推荐方法、装置、服务器和存储介质
KR101870980B1 (ko) 애플리케이션 추천 시스템, 방법 및 그에 대한 기록매체
KR20160103469A (ko) 맞춤형 제안 서비스 운용 장치 및 방법
JP6903629B2 (ja) 評価システム、評価方法及びプログラム
JP5451644B2 (ja) 推薦システム、推薦方法、推薦プログラム及び情報記憶媒体
US20170147721A1 (en) Generating a model based on input
JP5056803B2 (ja) 情報提供サーバ及び情報提供方法
Nasir et al. Creating Brand Loyalty for Smartphone Products Based on Brand Image, Brand Trust, and Brand Experience
CN114722268B (zh) 媒体资源的处理方法和装置、存储介质及电子设备
CN113779369B (zh) 匹配方法、匹配装置、电子设备及存储介质
KR20170074483A (ko) 도전과제 수행에 따른 보상 서비스 방법 및 시스템
JP2017021613A (ja) クロスモーダル感覚分析システム、提示情報決定システム、情報提示システム、クロスモーダル感覚分析プログラム、提示情報決定プログラムおよび情報提示プログラム
JP2017102948A (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
CN118379118A (zh) 基于大数据的冲锋衣个性化推荐方法及系统
CN111159575A (zh) 一种基于手机银行的交友方法及装置
US12307507B2 (en) Contribution degree calculation system and computer program product
JP2010113683A (ja) 情報推薦装置、情報推薦方法および情報推薦プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09838819

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2010547377

Country of ref document: JP

122 Ep: pct application non-entry in european phase

Ref document number: 09838819

Country of ref document: EP

Kind code of ref document: A1