WO2012132427A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2012132427A1
WO2012132427A1 PCT/JP2012/002148 JP2012002148W WO2012132427A1 WO 2012132427 A1 WO2012132427 A1 WO 2012132427A1 JP 2012002148 W JP2012002148 W JP 2012002148W WO 2012132427 A1 WO2012132427 A1 WO 2012132427A1
Authority
WO
WIPO (PCT)
Prior art keywords
recommendation
correlation
history information
degree
content
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/JP2012/002148
Other languages
English (en)
French (fr)
Inventor
祥 佐々木
柳原　広昌
由希子 土生
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.)
KDDI Corp
Original Assignee
KDDI 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 KDDI Corp filed Critical KDDI Corp
Publication of WO2012132427A1 publication Critical patent/WO2012132427A1/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

Definitions

  • the present invention relates to a recommendation device, a recommendation system, a recommendation method, and a program that performs batch processing and real-time processing, integrates recommendation results of both processing, and outputs a final recommendation result.
  • a "recommend service” has been actively performed which estimates the preference of the user based on the history information of the user and the like, and automatically recommends content and the like which are estimated to be suitable for the preference of the user.
  • a representative technique used in such a recommendation service is called “collaborative filtering”.
  • correlation is defined by comparing user's history information such as purchase history and browsing history between each user or each content, and it is predicted that the user is interested based on the correlation. Content is output as a recommendation result.
  • improved techniques such as automation and speeding-up, are known (for example, refer nonpatent literature 1, nonpatent literature 2, nonpatent literature 3, nonpatent literature 4).
  • Non-Patent Document 1 and Non-Patent Document 4 since history information is analyzed for each recommendation request to generate a recommendation result, it is always possible to make a recommendation using the latest history information.
  • this technology there is a problem that it is difficult to recommend in real time because the amount of calculation required for analysis increases when the history information becomes enormous.
  • Non-Patent Document 2 the history information is analyzed in advance to define the correlation, so the amount of calculation to be analyzed at the time of recommendation request becomes smaller compared to the technology described in Non-Patent Document 1, and in real time In this technique, since the correlation is defined using only history information at the time of analysis, there is a problem that the latest history information is not used.
  • Non-Patent Document 3 the object to analyze history information is selected in advance, and the correlation is defined only between the representative user and the user to be recommended.
  • the amount of calculation to analyze at the time of recommendation request becomes small, and the realization of the recommendation in real time becomes easy, but with the technology described in Non-Patent Document 3, the history information to be used is limited, and the accuracy as a recommendation is There was a problem of reducing it.
  • the present invention has been made in view of the above-mentioned problems, and a recommendation device and a recommendation system for realizing a highly accurate recommendation by reducing the amount of calculation necessary for analysis without limiting history information to be used. And recommend methods and programs.
  • the present invention proposes the following matters in order to solve the above-mentioned problems.
  • symbol corresponding to embodiment of this invention is attached and demonstrated, it is not limited to this.
  • the present invention defines correlation based on user's history information such as purchase history and browsing history, and outputs content that is predicted that the user is interested based on the defined correlation as a recommendation result
  • a recommendation apparatus using a collaborative filtering method, and batch processing means for example, corresponding to the batch processing unit 1100 in FIG. 1) for analyzing the history information in advance to generate information necessary for the recommendation;
  • Real-time processing means for example, corresponding to the real-time processing unit 1200 in FIG. 1 which analyzes history information for each occurrence and generates information necessary for recommendation, output of the batch processing means or / and output of the real-time processing means
  • Recommendation result output unit for example, the recommendation result output unit 1300 of FIG. Proposes a recommendation apparatus characterized by comprising a considerable), the.
  • the batch processing means analyzes the history information in advance to generate the information necessary for the recommendation.
  • the real-time processing means analyzes history information each time a recommendation request is generated, and generates information necessary for the recommendation.
  • the recommendation result output unit integrates the output of the batch processing unit and / or the output of the real time processing unit and outputs the recommendation result. Therefore, without limiting the history information to be used, it is possible to reduce the amount of calculation necessary for analysis and to realize a highly accurate recommendation.
  • the present invention relates to the first history information collecting means (for example, corresponding to the history information collecting unit 1101 in FIG. 2) in which the batch processing means collects history information necessary for analysis with respect to the recommendation device of (1).
  • the first correlation calculation means (for example, corresponding to the correlation calculation unit 1102 in FIG. 2) that analyzes the collected history information and defines the correlation, and using the defined correlation.
  • a first recommendation degree calculation means (for example, corresponding to the recommendation degree calculation unit 1103 in FIG. 2) for calculating the recommendation degree of each content for the user, and a storage means for storing the calculated recommendation degree (for example,
  • a second history information collection unit for example, corresponding to the history information collection unit 1201 in FIG.
  • the second correlation calculation means (for example, corresponding to the correlation calculation unit 1202 in FIG. 2) that analyzes the history information and defines the correlation and the defined correlation use the contents of each content for the user.
  • a second recommendation degree calculation unit (for example, corresponding to the recommendation degree calculation unit 1203 in FIG. 2) for calculating the recommendation degree, and the recommendation result output unit is the recommendation degree for each of the stored contents;
  • a recommendation device is proposed, which outputs a recommendation result from the recommendation degree for each content calculated by the recommendation degree calculation means 2.
  • the first history information collecting means of the batch processing means collects history information necessary for analysis.
  • the first correlation calculation means analyzes the collected history information to define the correlation.
  • the first recommendation degree calculation means calculates the recommendation degree of each content to the user using the defined correlation.
  • the storage means stores the calculated recommendation degree.
  • the second history information collecting means of the real time processing means collects history information necessary for analysis in real time.
  • the second correlation calculation means analyzes the collected history information to define the correlation.
  • the second recommendation degree calculation means calculates the recommendation degree of each content to the user using the defined correlation.
  • the recommendation result output means outputs the recommendation result from the stored recommendation degree for each content and the recommendation degree for each content calculated by the second recommendation degree calculation means.
  • the recommendation result using the correlation calculated in batch processing and the recommendation degree using the correlation calculated in real-time processing is output, the recommendation result is output, which is necessary for analysis without restricting the history information to be used. It is possible to reduce the amount of calculation and realize highly accurate recommendations.
  • the present invention relates to the first history information collecting means (for example, corresponding to the history information collecting unit 1101 in FIG. 5) in which the batch processing means collects history information necessary for analysis in the recommendation device of (1). And the first correlation calculation means (for example, corresponding to the correlation calculation unit 1102 in FIG. 5) which analyzes the collected history information and defines the correlation, and a memory for storing the calculated correlation.
  • a second history information collection unit (for example, the history information shown in FIG. 5), which comprises means (for example, corresponding to the storage unit 1115 in FIG. 5), and the real-time processing unit collects history information necessary for analysis in real time Collection unit 1201), second correlation calculation means (for example, corresponding to the correlation calculation unit 1202 in FIG.
  • the first recommendation degree calculation means (for example, corresponding to the recommendation degree calculation unit 1203 in FIG. 5) for calculating the recommendation degree of each content to be acquired and the acquisition means (for example, acquisition in FIG. 5) for acquiring the stored correlation Section 1214) and second recommendation degree calculation means (for example, equivalent to the recommendation degree calculation section 1215 in FIG. 5) for calculating the recommendation degree of each content for the user using the acquired correlation
  • the recommendation result output unit (for example, corresponding to the recommendation result output unit 1310 in FIG. 5) calculates the recommendation degree for each content calculated by the first recommendation degree calculation unit by the second recommendation degree calculation unit
  • the recommendation device is proposed to output the recommendation result from the recommendation degree for each content.
  • the first history information collecting means of the batch processing means collects history information necessary for analysis.
  • the first correlation calculation means analyzes the collected history information to define the correlation.
  • the storage means stores the calculated correlation.
  • the second history information collecting means of the real time processing means collects history information necessary for analysis in real time.
  • the second correlation calculation means analyzes the collected history information to define the correlation.
  • the first recommendation degree calculation means calculates the recommendation degree of each content to the user using the defined correlation.
  • the acquisition means acquires the stored correlation.
  • the second recommendation degree calculation means calculates the recommendation degree of each content to the user using the acquired correlation.
  • the recommendation result output means outputs the recommendation result from the recommendation degree for each content calculated by the first recommendation degree calculation means and the recommendation degree for each content calculated by the second recommendation degree calculation means.
  • the real-time processing means calculates the recommendation degree from the correlation calculated by the batch process and the correlation calculated by the real-time process, and outputs the recommendation result from the recommendation degree, thereby limiting the history information to be used. Therefore, it is possible to realize highly accurate recommendations by reducing the amount of calculation required for analysis.
  • the present invention relates to the first history information collecting means (for example, corresponding to the history information collecting unit 1101 in FIG. 8) in which the batch processing means collects history information necessary for analysis in the recommendation device of (1).
  • the first correlation calculation means (for example, corresponding to the correlation calculation unit 1102 in FIG. 8) that analyzes the collected history information and defines the correlation, and using the defined correlation.
  • a first recommendation degree calculation means (for example, corresponding to the recommendation degree calculation unit 1103 in FIG. 8) for calculating the recommendation degree of each content for the user, and a storage means for storing the defined correlation and the calculated recommendation degree
  • a second history information collection unit for example, the history information collection unit shown in FIG. 8), which comprises the real time processing unit collecting history information necessary for analysis in real time.
  • the acquisition means for example, corresponding to the acquisition unit 1227 in FIG. 8) for acquiring the defined correlation and the calculated recommendation degree, and using the acquired correlation, the recommendation degree of each content for the user
  • a second recommendation degree calculation unit for example, corresponding to the recommendation degree calculation unit 1226 in FIG. 8) and the recommendation result output unit (for example, equivalent to the recommendation result output unit 1320 in FIG. 8) to calculate
  • a recommendation device which outputs a recommendation result from the recommendation degree for each content calculated by the recommendation degree calculation means and the recommendation degree for each content calculated by the second recommendation degree calculation means.
  • the first history information collecting means of the batch processing means collects history information necessary for analysis.
  • the first correlation calculation means analyzes the collected history information to define the correlation.
  • the first recommendation degree calculation means calculates the recommendation degree of each content to the user using the defined correlation.
  • the storage means stores the defined correlation and the calculated recommendation degree.
  • the second history information collecting means of the real time processing means collects history information necessary for analysis in real time.
  • the acquisition means acquires the defined correlation and the calculated recommendation degree.
  • the second recommendation degree calculation means calculates the recommendation degree of each content to the user using the acquired correlation.
  • the recommendation result output means outputs the recommendation result from the recommendation degree for each content calculated by the first recommendation degree calculation means and the recommendation degree for each content calculated by the second recommendation degree calculation means.
  • the history information to be used is not limited.
  • a highly accurate recommendation can be realized by reducing the amount of calculation required for analysis.
  • the present invention comprises a batch processing device, a real time processing device, and a recommendation device, defines correlation based on user's history information such as purchase history and browsing history, and based on the defined correlation, the user Is a recommendation system using a collaborative filtering method for outputting content that is predicted to be of interest as a recommendation result, wherein the batch processing apparatus (for example, corresponding to the batch processing apparatus 400 in FIG. 10) To generate information necessary for recommendation, and the real-time processing device (for example, corresponding to the real-time processing device 500 in FIG. 10) analyzes history information every time a recommendation request is generated, and generates information necessary for recommendation Generating the recommendation result output device (for example, corresponding to the recommendation result output device 600 of FIG. 10); It proposes a recommendation system characterized in that output and / or to integrate the output of the real-time processing apparatus pitch processor outputs the recommendation result.
  • the batch processing apparatus analyzes the history information in advance to generate the information necessary for the recommendation
  • the real-time processing apparatus analyzes the history information at each occurrence of the recommendation request and the information necessary for the recommendation
  • the recommendation result output device integrates the output of the batch processing device or / and the output of the real time processing device and outputs the recommendation result. Therefore, without limiting the history information to be used, it is possible to reduce the amount of calculation necessary for analysis and to realize a highly accurate recommendation.
  • the present invention relates to the first history information collecting means (for example, corresponding to the history information collecting unit 401 in FIG. 11) in which the batch processing device collects history information necessary for analysis in the recommendation system of (5).
  • the first correlation calculation means (for example, corresponding to the correlation calculation unit 402 in FIG. 11) that analyzes the collected history information and defines the correlation, and using the defined correlation.
  • a first recommendation degree calculation means (for example, corresponding to the recommendation degree calculation unit 403 in FIG. 11) for calculating the recommendation degree of each content for the user, and a storage means for storing the calculated recommendation degree (for example,
  • a second history information collection unit for example, corresponding to the history information collection unit 501 in FIG.
  • a recommendation system which is characterized by outputting a recommendation result from the recommendation degree for each content calculated by the second recommendation degree calculation means.
  • the first history information collecting means of the batch processing apparatus collects history information necessary for analysis.
  • the first correlation calculation means analyzes the collected history information to define the correlation.
  • the first recommendation degree calculation means calculates the recommendation degree of each content to the user using the defined correlation.
  • the storage means stores the calculated recommendation degree.
  • the second history information collecting means of the real time processing device collects history information necessary for analysis in real time.
  • the second correlation calculation means analyzes the collected history information to define the correlation.
  • the second recommendation degree calculation means calculates the recommendation degree of each content to the user using the defined correlation.
  • the recommendation device outputs a recommendation result from the stored recommendation degree for each content and the recommendation degree for each content calculated by the second recommendation degree calculation means.
  • the recommendation result using the correlation calculated in batch processing and the recommendation degree using the correlation calculated in real-time processing is output, the recommendation result is output, which is necessary for analysis without restricting the history information to be used. It is possible to reduce the amount of calculation and realize highly accurate recommendations.
  • the present invention relates to the first history information collecting means (for example, corresponding to the history information collection unit 401 in FIG. 14) in which the batch processing device collects history information necessary for analysis in the recommendation system of (5). And the first correlation calculation means (for example, corresponding to the correlation calculation unit 402 in FIG. 14) that analyzes the collected history information and defines the correlation, and a memory for storing the calculated correlation.
  • a second history information collection unit (for example, history information shown in FIG. 14), which comprises means (for example, corresponding to the storage unit 415 in FIG. 14) and the real-time processing device collects history information necessary for analysis in real time 14) corresponding to the collection unit 501, and second correlation calculation means (for example, corresponding to the correlation calculation unit 502 in FIG.
  • the first recommendation degree calculation unit (for example, corresponding to the recommendation degree calculation unit 503 in FIG. 14) for calculating the recommendation degree for each content for the content, and the acquisition unit for acquiring the stored correlation (for example, acquisition in FIG. 14)
  • a second recommendation degree calculation unit (corresponding to, for example, the recommendation degree calculation unit 515 in FIG. 14) for calculating the recommendation degree of each content to the user using the acquired correlation; It is characterized in that the recommendation device outputs the recommendation result from the recommendation degree for each content calculated by the first recommendation degree calculation means and the recommendation degree for each content calculated by the second recommendation degree calculation means.
  • the first history information collecting means of the batch processing apparatus collects history information necessary for analysis.
  • the first correlation calculation means analyzes the collected history information to define the correlation.
  • the storage means stores the calculated correlation.
  • the second history information collecting means of the real time processing device collects history information necessary for analysis in real time.
  • the second correlation calculation means analyzes the collected history information to define the correlation.
  • the first recommendation degree calculation means calculates the recommendation degree of each content to the user using the defined correlation.
  • the acquisition means acquires the stored correlation.
  • the second recommendation degree calculation means calculates the recommendation degree of each content to the user using the acquired correlation.
  • the recommendation device outputs a recommendation result from the recommendation degree for each content calculated by the first recommendation degree calculation means and the recommendation degree for each content calculated by the second recommendation degree calculation means.
  • the real-time processing means calculates the recommendation degree from the correlation calculated by the batch process and the correlation calculated by the real-time process, and outputs the recommendation result from the recommendation degree, thereby limiting the history information to be used. Therefore, it is possible to realize highly accurate recommendations by reducing the amount of calculation required for analysis.
  • the present invention relates to the first history information collection means (for example, corresponding to the history information collection unit 401 in FIG. 17) in which the batch processing device collects history information necessary for analysis in the recommendation system of (5).
  • the first correlation calculation means (for example, corresponding to the correlation calculation unit 402 in FIG. 17) that analyzes the collected history information and defines the correlation, and using the defined correlation.
  • a first recommendation degree calculation means (for example, corresponding to the recommendation degree calculation unit 403 in FIG. 17) for calculating the recommendation degree of each content for the user, and a storage means for storing the defined correlation and the calculated recommendation degree
  • a second history information collection unit for example, the history information collection unit in FIG.
  • a recommendation system has been proposed which is characterized by outputting a recommendation result from the recommendation degree for each content calculated by the recommendation degree calculation means 2.
  • the first history information collecting means of the batch processing apparatus collects history information necessary for analysis.
  • the first correlation calculation means analyzes the collected history information to define the correlation.
  • the first recommendation degree calculation means calculates the recommendation degree of each content to the user using the defined correlation.
  • the storage means stores the defined correlation and the calculated recommendation degree.
  • the second history information collecting means of the real time processing device collects history information necessary for analysis in real time.
  • the acquisition means acquires the defined correlation and the calculated recommendation degree.
  • the second recommendation degree calculation means calculates the recommendation degree of each content to the user using the acquired correlation.
  • the recommendation device outputs a recommendation result from the recommendation degree for each content calculated by the first recommendation degree calculation means and the recommendation degree for each content calculated by the second recommendation degree calculation means.
  • the history information to be used is not limited.
  • a highly accurate recommendation can be realized by reducing the amount of calculation required for analysis.
  • the present invention defines the correlation based on the user's history information such as purchase history and browsing history, and outputs the content predicted to be interested by the user based on the defined correlation as the recommendation result Recommending method using a collaborative filtering method, wherein a batch processing step of analyzing the history information in advance to generate information necessary for the recommendation, analyzing history information at each occurrence of the recommendation request, and necessary for the recommendation
  • a recommendation method comprising: a real time processing step of generating information; and a recommendation result output step of integrating the output of the batch processing step and / or the output of the real time processing step and outputting a recommendation result is suggesting.
  • history information is analyzed in advance to generate information necessary for recommendation, history information is analyzed at each occurrence of recommendation request, information necessary for recommendation is generated, and output of batch processing step or And / or integrate the output of the real-time processing step and output a recommendation result. Therefore, without limiting the history information to be used, it is possible to reduce the amount of calculation necessary for analysis and to realize a highly accurate recommendation.
  • the present invention relates to the recommendation method according to (9), wherein the batch processing step is a first step (for example, corresponding to step S101 in FIG. 3) of collecting history information necessary for analysis.
  • a sixth step for example, corresponding to step S106 in FIG. 3
  • a seventh step for example, step S107 in FIG. 3
  • the recommendation result output step outputs the recommendation result from the recommendation degree for each content stored in the fourth step and the recommendation degree for each content calculated in the seventh step.
  • history information necessary for analysis is collected, the collected history information is analyzed, and correlation is defined.
  • the recommendation degree of each content to the user is calculated using the defined correlation, and the calculated recommendation degree is stored.
  • historical information necessary for analysis is collected in real time, the collected historical information is analyzed, and correlation is defined.
  • the degree of recommendation of each content to the user is calculated using the defined correlation.
  • the recommendation result is output from the recommendation degree for each content stored in the fourth step and the recommendation degree for each content calculated in the seventh step. Therefore, since the recommendation result using the correlation calculated in batch processing and the recommendation degree using the correlation calculated in real-time processing is output, the recommendation result is output, which is necessary for analysis without restricting the history information to be used. It is possible to reduce the amount of calculation and realize highly accurate recommendations.
  • the present invention relates to the recommendation method according to (9), wherein the batch processing step is a first step (for example, corresponding to step S201 in FIG. 6) of collecting history information necessary for analysis. In the second step (for example, corresponding to step S202 in FIG. 6) of analyzing the history information and defining the correlation, and in the third step (for example, step S203 in FIG. 6) of storing the calculated correlation. And the fourth step (for example, corresponding to step S204 in FIG. 6) of collecting the history information necessary for analysis in real time, and analyzing the collected history information , The fifth step of defining the correlation (for example, corresponding to step S205 in FIG.
  • a sixth step for example, corresponding to step S206 in FIG. 6
  • a seventh step for example, corresponding to step S207 in FIG. 6
  • an eighth step for example, corresponding to step S208 in FIG. 6
  • the recommendation method is proposed in which the recommendation result is output from the recommendation degree of each content and the recommendation degree of each content calculated in the eighth step.
  • history information necessary for analysis is collected, the collected history information is analyzed, correlation is defined, and the calculated correlation is stored. Furthermore, history information necessary for analysis is collected in real time, the collected history information is analyzed, correlation is defined, and the degree of recommendation of each content to the user is calculated using the defined correlation. Next, the stored correlation is acquired, and using the acquired correlation, the degree of recommendation of each content to the user is calculated. Then, the recommendation result is output from the recommendation for each content calculated in the sixth step and the recommendation for each content calculated in the eighth step. Therefore, the real-time processing means calculates the recommendation degree from the correlation calculated by the batch process and the correlation calculated by the real-time process, and outputs the recommendation result from the recommendation degree, thereby limiting the history information to be used. Therefore, it is possible to realize highly accurate recommendations by reducing the amount of calculation required for analysis.
  • the present invention relates to the recommendation method according to (9), wherein the batch processing step includes a first step (for example, corresponding to step S301 in FIG. 9) of collecting history information necessary for analysis.
  • the third step for example, corresponding to step S303 in FIG. 9
  • the fourth step for example, corresponding to step S304 in FIG. 9) for storing the defined correlation and the calculated recommendation degree;
  • the fifth step for example, corresponding to step S 305 in FIG.
  • a sixth step (for example, corresponding to step S306 in FIG. 9) of acquiring the calculated recommendation degree and a seventh step (for example, calculating the recommendation degree of each content for the user using the acquired correlation) , And the recommendation result output step recommending the recommendation result from the recommendation degree for each content calculated in the third step and the recommendation degree for each content calculated in the seventh step).
  • a recommendation method characterized by outputting.
  • history information necessary for analysis is collected, the collected history information is analyzed, correlation is defined, and the degree of recommendation of each content to the user is calculated using the defined correlation. And stores the defined correlation and the calculated recommendation degree. Furthermore, history information necessary for analysis is collected in real time, the defined correlation and the calculated recommendation degree are acquired, and the acquired correlation is used to calculate the recommendation degree of each content to the user. Then, the recommendation result is output from the recommendation for each content calculated in the third step and the recommendation for each content calculated in the seventh step. Therefore, since the recommendation result is output from the recommendation degree using the correlation calculated in batch processing and the recommendation degree using the correlation calculated in batch processing by real-time processing, the history information to be used is not limited. A highly accurate recommendation can be realized by reducing the amount of calculation required for analysis.
  • the present invention defines the correlation based on the user's history information such as purchase history and browsing history, and outputs the content predicted to be interested by the user based on the defined correlation as the recommendation result Program for causing a computer to execute a recommendation method using a collaborative filtering method, wherein the history information is analyzed in advance to generate information necessary for the recommendation, and history information for each occurrence of the recommendation request. Analysis process to generate information necessary for recommendation, and a recommendation result output step for integrating the output of the batch processing step and / or the output of the real time processing step and outputting a recommendation result to a computer We have proposed a program to run it.
  • history information is analyzed in advance to generate information necessary for recommendation, history information is analyzed at each occurrence of recommendation request, information necessary for recommendation is generated, and output of batch processing step or And / or integrate the output of the real-time processing step and output a recommendation result. Therefore, without limiting the history information to be used, it is possible to reduce the amount of calculation necessary for analysis and to realize a highly accurate recommendation.
  • the present invention comprises a batch processing apparatus, a real time processing apparatus, and a recommendation apparatus, compares user history information such as purchase history and browsing history among users, defines correlation, and defines the correlation
  • the batch processing device is the history A first step of analyzing information in advance to generate information necessary for recommendation, and the real-time processing device analyzing history information at each occurrence of recommendation request to generate information necessary for recommendation
  • the recommendation device outputs the output of the first step or / and the second A third step of outputting the recommendation result by integrating the output of the step, the proposed program to be executed by a computer.
  • the batch processing apparatus analyzes the history information in advance to generate the information necessary for the recommendation, and the real-time processing apparatus analyzes the history information each time the recommendation request occurs, and the information necessary for the recommendation Generate Then, the recommendation device integrates the output of the first step or / and the output of the second step and outputs a recommendation result. Therefore, without limiting the history information to be used, it is possible to reduce the amount of calculation necessary for analysis and to realize a highly accurate recommendation.
  • the present invention it is possible to provide a recommendation result using all history information by the batch processing unit, and to provide a recommendation result reflecting the latest history information at the time of request occurrence by the real time processing unit.
  • composition of a recommendation device concerning a 1st embodiment of the present invention It is a figure which shows the detailed structure of the recommendation apparatus which concerns on the 1st Embodiment of this invention. It is a figure which shows a process of the recommendation apparatus which concerns on the 1st Embodiment of this invention. It is a figure showing composition of a recommendation device concerning a 2nd embodiment of the present invention. It is a figure which shows the detailed structure of the recommendation apparatus which concerns on the 2nd Embodiment of this invention. It is a figure which shows a process of the recommendation apparatus which concerns on the 2nd Embodiment of this invention. It is a figure which shows the structure of the recommendation apparatus which concerns on the 3rd Embodiment of this invention.
  • FIG. 1 It is a figure showing processing of a recommendation system concerning a 5th embodiment of the present invention. It is a figure which shows the structure of the recommendation system which concerns on the 6th Embodiment of this invention. It is a figure which shows the detailed structure of the recommendation system which concerns on the 6th Embodiment of this invention. It is a figure showing processing of a recommendation system concerning a 6th embodiment of the present invention. It is a figure which shows the structure of the recommendation apparatus which concerns on Example 1 of the 1st Embodiment of this invention. It is a figure which shows the structure of the recommendation apparatus which concerns on Example 1 of the 1st Embodiment of this invention.
  • the recommendation device 1000 includes a batch processing unit 1100, a real time processing unit 1200, and a recommendation result output unit 1300.
  • the batch processing unit 1100 includes a database 200, A database 300 is connected to the real time processing unit 1200.
  • the recommendation device 1000 distributes the calculation load by dividing the recommendation processing into batch processing and real-time processing, and at the same time, the result of the batch processing unit 1100 and the result of the real-time processing unit 1200 are recommended result output unit 1300. Integrate and output.
  • two results may be added and the recommendation result may be output, or depending on the time zone, any one result of batch processing or real time processing may be output as it is .
  • an average value or a weighted average of two results may be output as a recommendation result.
  • the recommendation device includes a history information collection unit 1101 constituting a batch processing unit 1100, a correlation calculation unit 1102, a recommendation degree calculation unit 1103, a storage unit 1104 and real time.
  • the processing unit 1200 includes a history information collection unit 1201, a correlation calculation unit 1202, a recommendation degree calculation unit 1203, and a recommendation result output unit 1300.
  • the history information collection unit 1101 collects history information necessary for analysis from the database 200.
  • the correlation calculation unit 1102 analyzes the collected history information to define the correlation.
  • the recommendation degree calculation unit 1103 calculates the recommendation degree of each content to the user using the defined correlation.
  • the storage unit 1104 stores the calculated recommendation degree.
  • the history information collection unit 1201 collects history information necessary for analysis from the database 300.
  • the correlation calculation unit 1202 analyzes the collected history information and defines the correlation.
  • the recommendation degree calculation unit 1203 calculates the recommendation degree of each content for the user using the defined correlation.
  • the recommendation result output unit 1300 outputs a recommendation result from the recommendation degree for each content stored in the storage unit 1104 and the recommendation degree for each content calculated by the recommendation degree calculation unit 1203.
  • the history information collection unit 1101 of the batch processing unit 1100 collects history information necessary for analysis from the database 200 (step S101), and the correlation calculation unit 1102 analyzes the collected history information to obtain correlation. For example, the histories of two users are compared and simultaneously defined based on the number of contents having a history, or the history of two contents is compared and defined based on the number of contents having a history simultaneously (step S102).
  • the recommendation degree calculation unit 1103 uses the defined correlation to indicate the recommendation degree of each content to the user, for example, the correlation with other users who have a history of the content of the user or the history of the user Based on the correlation between the existing content and the other content, calculation is made (step S103), and the storage unit 1104 stores the calculated recommendation degree (step S104).
  • the history information collection unit 1201 of the real-time processing unit 1200 collects history information necessary for analysis from the database 300 (step S105), and the correlation calculation unit 1202 analyzes the collected history information to obtain correlation as described above. It defines similarly (step S106).
  • the recommendation degree calculation unit 1203 calculates the recommendation degree of each content for the user in the same manner as described above, using the defined correlation (step S107).
  • the recommendation result output unit 1300 outputs the recommendation result from the recommendation degree for each content stored in the storage unit 1104 and the recommendation degree for each content calculated by the recommendation degree calculation unit 1203 (step S108).
  • the recommendation degree using the correlation calculated in batch processing and the recommendation degree using the correlation calculated in real-time processing are used to output recommendation results from the recommendation degree. It is possible to realize highly accurate recommendations by reducing the amount of calculation required for analysis without limiting historical information.
  • the recommendation device 1000 includes a batch processing unit 1110, a real time processing unit 1210, and a recommendation result output unit 1310.
  • the batch processing unit 1110 includes a database 200.
  • a database 300 is connected to the real time processing unit 1210.
  • the recommendation device 1000 distributes the calculation load by dividing the recommendation processing into batch processing and real-time processing, and integrates and outputs the two results from the real-time processing unit 1210 by the recommendation result output unit 1310. Do.
  • two results may be added and the recommendation result may be output, or depending on the time zone, any one result of batch processing or real time processing may be output as it is .
  • an average value or a weighted average of two results may be output as a recommendation result.
  • the recommendation device includes a history information collection unit 1101 constituting a batch processing unit 1110, a correlation calculation unit 1102, a storage unit 1115, and a history constituting a real time processing unit 1210.
  • the detailed description is abbreviate
  • the storage unit 1115 stores the calculated correlation.
  • the acquisition unit 1214 acquires the correlation stored in the storage unit 1115.
  • the recommendation degree calculation unit 1215 calculates the recommendation degree of each content for the user using the acquired correlation.
  • the recommendation result output unit 1310 outputs a recommendation result from the recommendation degree for each content calculated by the recommendation degree calculation unit 1203 and the recommendation degree for each content calculated by the recommendation degree calculation unit 1215.
  • the history information collection unit 1101 of the batch processing unit 1110 collects history information necessary for analysis from the database 200 (step S201), and the correlation calculation unit 1102 analyzes the collected history information to obtain correlation.
  • the definition is made (step S202), and the storage unit 1115 stores the calculated correlation (step S203).
  • the history information collection unit 1201 of the real-time processing unit 1210 collects history information necessary for analysis from the database 300 (step S204), and the correlation calculation unit 1202 analyzes the collected history information to define the correlation. (Step S205).
  • the recommendation degree calculation unit 1203 calculates the recommendation degree of each content for the user using the defined correlation (step S206).
  • the acquiring unit 1214 acquires the correlation stored in the storage unit 1115 (step S207), and the recommendation degree calculating unit 1215 calculates the recommendation degree of each content for the user using the acquired correlation ((S207). Step S208).
  • the recommendation result output unit 1310 outputs a recommendation result from the recommendation degree for each content calculated by the recommendation degree calculation unit 1203 and the recommendation degree for each content calculated by the recommendation degree calculation unit 1215 (step S209).
  • the real-time processing unit calculates the recommendation degree from the correlation calculated by the batch process and the correlation calculated by the real-time process, and the recommendation result from the recommendation degree
  • the real-time processing unit calculates the recommendation degree from the correlation calculated by the batch process and the correlation calculated by the real-time process, and the recommendation result from the recommendation degree
  • the recommendation device 1000 includes a batch processing unit 1120, a real time processing unit 1220, and a recommendation result output unit 1320.
  • the batch processing unit 1120 includes a database 200.
  • a database 300 is connected to the real time processing unit 1220.
  • the recommendation device 1000 distributes the calculation load by dividing the recommendation processing into batch processing and real-time processing, and while the batch processing unit 1120 transmits the result to the real-time processing unit 1220, the batch processing unit 1120 And two results from the real-time processing unit 1220 are integrated and output by the recommendation result output unit 1320.
  • two results may be added and the recommendation result may be output, or depending on the time zone, any one result of batch processing or real time processing may be output as it is .
  • an average value or a weighted average of two results may be output as a recommendation result.
  • the recommendation device includes a history information collection unit 1101 constituting a batch processing unit 1120, a correlation calculation unit 1102, a recommendation degree calculation unit 1103, a storage unit 1126, and real time.
  • the processing unit 1220 includes a history information collection unit 1201, a recommendation degree calculation unit 1226, an acquisition unit 1227, and a recommendation result output unit 1320.
  • the detailed description is abbreviate
  • the storage unit 1126 stores the correlation defined in the correlation calculation unit 1102 and the recommendation degree calculated in the recommendation degree calculation unit 1103.
  • the acquisition unit 1227 acquires the correlation defined in the correlation calculation unit 1102 stored in the storage unit 1126 and the recommendation degree calculated in the recommendation degree calculation unit 1103.
  • the recommendation degree calculation unit 1226 calculates the recommendation degree of each content for the user using the acquired correlation.
  • the recommendation result output unit 1320 outputs a recommendation result from the recommendation degree for each content calculated by the recommendation degree calculation unit 1103 and the recommendation degree for each content calculated by the recommendation degree calculation unit 1226.
  • the history information collection unit 1101 of the batch processing unit 1120 collects history information necessary for analysis from the database 200 (step S301), and the correlation calculation unit 1102 analyzes the collected history information to obtain correlation. It defines (step S302).
  • the recommendation degree calculation unit 1103 calculates the recommendation degree of each content for the user using the defined correlation (step S303), and the storage unit 1126 calculates the correlation and recommendation degree defined in the correlation calculation unit 1102 The recommendation degree calculated in the unit 1103 is stored (step S304).
  • the history information collection unit 1201 of the real-time processing unit 1220 collects history information necessary for analysis from the database 300 (step S305).
  • the acquisition unit 1227 acquires the correlation defined in the correlation calculation unit 1102 stored in the storage unit 1126 and the recommendation degree calculated in the recommendation degree calculation unit 1103 (step S306), and the recommendation degree calculation unit 1226 is defined
  • the degree of recommendation of each content to the user is calculated using the correlation (step S307).
  • the recommendation result output unit 1320 outputs the recommendation result from the recommendation degree for each content calculated by the recommendation degree calculation unit 1103 and the recommendation degree for each content calculated by the recommendation degree calculation unit 1226 (step S308).
  • the recommendation degree using the correlation calculated in batch processing and the real-time processing output the recommendation result from the recommendation degree using the correlation calculated in batch processing Therefore, without limiting the history information to be used, it is possible to reduce the amount of calculation required for analysis and realize a highly accurate recommendation.
  • the recommendation system comprises a batch processing apparatus 400, a real time processing apparatus 500, and a recommendation result output apparatus 600.
  • the database 200 is real time
  • a database 300 is connected to the processing device 500.
  • the recommendation system distributes the operation load by dividing the recommendation processing into batch processing and real-time processing, and outputs the result of the batch processing apparatus 400 and the result of the real-time processing apparatus 500 as a recommendation result output apparatus Integrate at 600 and output.
  • a cloud server having a high arithmetic processing capability
  • the real-time processing apparatus 500 a portable terminal having a relatively low arithmetic processing capability in addition to a cloud server having a high arithmetic processing capability like the batch processing apparatus 400.
  • STB Set Top Box
  • a history information collection unit 401 a correlation calculation unit 402, a recommendation degree calculation unit 403, a storage unit 404, and a real time information collection unit constituting the batch processing apparatus 400.
  • a history information collection unit 501 constituting the processing device 500, a correlation calculation unit 502, a recommendation degree calculation unit 503, and a recommendation result output device 600 are included.
  • the history information collection unit 401 collects history information necessary for analysis from the database 200.
  • the correlation calculation unit 402 analyzes the collected history information and defines the correlation.
  • the recommendation degree calculation unit 403 calculates the recommendation degree of each content for the user using the defined correlation.
  • the storage unit 404 stores the calculated recommendation degree.
  • the history information collection unit 501 collects history information necessary for analysis from the database 300.
  • the correlation calculation unit 502 analyzes the collected history information to define the correlation.
  • the recommendation degree calculation unit 503 calculates the recommendation degree of each content to the user using the defined correlation.
  • the recommendation result output device 600 outputs a recommendation result from the recommendation degree for each content stored in the storage unit 404 and the recommendation degree for each content calculated by the recommendation degree calculation unit 503.
  • the history information collection unit 401 of the batch processing apparatus 400 collects history information necessary for analysis from the database 200 (step S401), and the correlation calculation unit 402 analyzes the collected history information to obtain correlation. It defines (step S402).
  • the recommendation degree calculation unit 403 calculates the recommendation degree of each content for the user using the defined correlation (step S403), and the storage unit 404 stores the calculated recommendation degree (step S404).
  • the history information collection unit 501 of the real-time processing device 500 collects history information necessary for analysis from the database 300 (step S405), and the correlation calculation unit 502 analyzes the collected history information to define the correlation. (Step S406).
  • the recommendation degree calculation unit 503 calculates the recommendation degree of each content for the user using the defined correlation (step S407).
  • the recommendation result output device 600 outputs the recommendation result from the recommendation degree for each content stored in the storage unit 404 and the recommendation degree for each content calculated by the recommendation degree calculation unit 503 (step S408).
  • the recommendation device outputs the recommendation result from the recommendation degree using the correlation calculated in the batch processing apparatus and the recommendation degree using the correlation calculated in the real-time processing apparatus. Therefore, without limiting the history information to be used, it is possible to reduce the amount of calculation necessary for analysis and to realize a highly accurate recommendation.
  • the recommendation system includes a batch processing unit 410, a real time processing unit 510, and a recommendation result output unit 610.
  • the database 200 is real time
  • a database 300 is connected to the processing unit 510.
  • the recommendation system distributes the operation load by dividing the recommendation processing into batch processing and real-time processing, and integrates and outputs the two results from the real-time processing device 410 by the recommendation result output device 610.
  • a cloud server having a high arithmetic processing capability
  • the real-time processing apparatus 510 a portable terminal having a relatively low arithmetic processing capability in addition to a cloud server having a high arithmetic processing capability
  • STB Set Top Box
  • a history information collection unit 401 constituting a batch processing apparatus 410, a correlation calculation unit 402, a storage unit 415, and a history constituting a real time processing apparatus 510.
  • the detailed description is abbreviate
  • the storage unit 415 stores the calculated correlation.
  • the acquisition unit 514 acquires the correlation stored in the storage unit 415.
  • the recommendation degree calculation unit 515 calculates the recommendation degree of each content for the user using the acquired correlation.
  • the recommendation result output device 610 outputs a recommendation result from the recommendation degree for each content calculated by the recommendation degree calculation unit 503 and the recommendation degree for each content calculated by the recommendation degree calculation unit 515.
  • the history information collection unit 401 of the batch processing apparatus 410 collects history information necessary for analysis from the database 200 (step S501), and the correlation calculation unit 402 analyzes the collected history information to obtain correlation.
  • the definition is made (step S502), and the storage unit 415 stores the calculated correlation (step S503).
  • the history information collection unit 501 of the real time processing device 510 collects history information necessary for analysis from the database 300 (step S504), and the correlation calculation unit 502 analyzes the collected history information to define the correlation. (Step S505).
  • the recommendation degree calculation unit 503 calculates the recommendation degree of each content for the user using the defined correlation (step S506). Further, the acquiring unit 514 acquires the correlation stored in the storage unit 415 (step S507), and the recommendation degree calculating unit 515 calculates the recommendation degree of each content for the user using the acquired correlation ((step S507). Step S508).
  • the recommendation result output device 610 outputs the recommendation result from the recommendation degree for each content calculated by the recommendation degree calculation unit 503 and the recommendation degree for each content calculated by the recommendation degree calculation unit 515 (step S509).
  • the real-time processing device calculates the recommendation degree from the correlation calculated by the batch processing device and the correlation calculated by the real-time processing device, and from these recommendation degrees Since the recommendation result is output, it is possible to realize a highly accurate recommendation by reducing the amount of calculation required for analysis without limiting history information to be used.
  • the recommendation system includes a batch processing unit 420, a real time processing unit 520, and a recommendation result output unit 620.
  • the batch processing unit 420 includes a database 200 in real time.
  • a database 300 is connected to the processing device 520.
  • the processing load is distributed by dividing the recommendation processing into batch processing and real-time processing, and the batch processing device 420 transmits the result to the real-time processing device 520.
  • the two results from the real time processing device 520 are integrated and output by the recommendation result output device 620.
  • the batch processing apparatus 420 a cloud server having a high arithmetic processing capability
  • the real-time processing apparatus 520 a portable terminal having a relatively low arithmetic processing capability in addition to a cloud server having a high arithmetic processing capability like the batch processing apparatus 420.
  • STB Set Top Box
  • a history information collection unit 401 that constitutes the processing device 520, a recommendation degree calculation unit 526, an acquisition unit 527, and a recommendation result output device 620 are included.
  • the detailed description is abbreviate
  • the storage unit 426 stores the correlation defined in the correlation calculation unit 402 and the recommendation degree calculated in the recommendation degree calculation unit 403.
  • the acquisition unit 527 acquires the correlation defined in the correlation calculation unit 402 stored in the storage unit 426 and the recommendation degree calculated in the recommendation degree calculation unit 403.
  • the recommendation degree calculation unit 526 calculates the recommendation degree of each content for the user using the acquired correlation.
  • the recommendation result output device 620 outputs a recommendation result from the recommendation degree for each content calculated by the recommendation degree calculation unit 403 and the recommendation degree for each content calculated by the recommendation degree calculation unit 526.
  • the history information collection unit 401 of the batch processing apparatus 420 collects history information necessary for analysis from the database 200 (step S601), and the correlation calculation unit 402 analyzes the collected history information to obtain correlation. It defines (step S602).
  • the recommendation degree calculation unit 403 calculates the recommendation degree of each content for the user using the defined correlation (step S603), and the storage unit 426 calculates the correlation and recommendation degree defined in the correlation calculation unit 402.
  • the recommendation degree calculated in the part 403 is stored (step S604).
  • the history information collection unit 501 of the real time processing device 520 collects history information necessary for analysis from the database 300 (step S605).
  • the acquisition unit 527 acquires the correlation defined in the correlation calculation unit 402 stored in the storage unit 426 and the recommendation degree calculated in the recommendation degree calculation unit 403 (step S606), and the recommendation degree calculation unit 526 is defined as The degree of recommendation of each content to the user is calculated using the correlation (step S 607).
  • the recommendation result output device 620 outputs the recommendation result from the recommendation degree for each content calculated by the recommendation degree calculation unit 403 and the recommendation degree for each content calculated by the recommendation degree calculation unit 526 (step S 608).
  • the recommendation result using the correlation calculated in the batch processing apparatus and the recommendation result using the correlation calculated in the batch processing apparatus by the real-time processing apparatus thus, it is possible to realize a highly accurate recommendation by reducing the amount of calculation necessary for analysis without limiting the history information to be used.
  • Example 1 The first embodiment will be described with reference to FIGS. 19 to 21.
  • the present embodiment more specifically makes the recommendation device according to the first embodiment.
  • the recommendation device includes a batch processing unit 1100, a real time processing unit 1200, a recommendation result output unit 1300, a database 1410, a contraction unit 1420, and a database 1430. It is done.
  • the batch processing unit 1100 includes a history information collection unit 1101, a correlation calculation unit 1102, a recommendation degree calculation unit 1103, and a storage unit 1104.
  • the real time processing unit 1200 includes a history information collection unit 1201; A correlation calculation unit 1202, a recommendation degree calculation unit 1203, and a recommendation result output unit 1300 are included.
  • the detailed description is abbreviate
  • the database 1410 is a database storing history information and the like of all users, and the contraction unit 1420 extracts the best user suitable for recommendation from the data in the database 1410.
  • the database 1430 stores history information and the like of the best users extracted by the reduction unit 1420.
  • ⁇ Processing of recommendation device The process of the recommendation device according to the present embodiment will be described with reference to FIG. First, based on data in a database 1410 (shown as “evaluation history T” in the figure), a good user is extracted from the Utility value. This is a process of extracting user data having sufficient evaluation data from all the history data. In general, there are many users who have little history in actual data, and the use of such user data unnecessarily increases the amount of calculation, and there is not much improvement in accuracy, so screening data I do.
  • the best users are randomly sampled. This is processing for reducing the amount of data to be in time for the processing time of real time processing. At this time, it is preferable to thin out the data so that there is no bias in the data, and “clustering of user data into N pieces ⁇ processing of selecting N representative users one by one from each cluster” may be considered. For simplification, N persons are randomly selected each time (each time a batch process is performed).
  • the inter-user similarity is calculated between the good user and all the users as the correlation, and the recommendation degree is calculated for each user.
  • the degree of similarity between users refers to the degree of similarity between the evaluations of content by users as shown in Non-Patent Document 1, defines a measure of similarity between users, and receives a recommendation It shall evaluate the unregistered content in the user. Then, it is stored in an intermediate T1 (corresponding to the storage unit 1104). At the time of recommendation, using the user ID of the recommendation target user as a key, the recommendation degree is obtained from the middle T1, and a predicted evaluation value is obtained.
  • the best users are randomly sampled, and the history information of the corresponding users is stored in advance in an intermediate T2 (corresponding to a database (contraction) 1430).
  • the history information of the recommendation target user is acquired.
  • the similarity between the recommendation target user and the best user is calculated, and a predicted evaluation value is calculated.
  • a predicted evaluation value is obtained.
  • FIG. 21 schematically shows the relationship between a user used for recommendation processing and batch processing and real-time processing.
  • a user used for recommendation processing and batch processing and real-time processing for example, based on the data of all users of one million stored in the evaluation history T, for example, 10000 good users are extracted from the Utility value, and the best users are randomly selected. By sampling, for example, 100 best users are extracted and stored in the middle T2.
  • the information of the evaluation history T and the information of the good users are used for batch processing, and the correlation is calculated based on the information of all users and the good users.
  • the correlation is calculated based on the history information of the recommendation target user acquired from the evaluation history T and the history information of the best user.
  • Example 2 The second embodiment will be described with reference to FIGS. 22 and 23. Note that this embodiment more specifically makes the recommendation device according to the third embodiment.
  • the recommendation device includes a batch processing unit 1120, a real time processing unit 1220, a recommendation result output unit 1320, and a database 1410.
  • the batch processing unit 1120 includes a history information collection unit 1101, a correlation calculation unit 1102, a recommendation degree calculation unit 1103, and a storage unit 1126.
  • the real time processing unit 1220 includes a history information collection unit 1201.
  • the detailed description is abbreviate
  • the database 1410 is a database that stores history information and the like of all users.
  • ⁇ Processing of recommendation device The process of the recommendation device according to the present embodiment will be described with reference to FIG. First, based on data in a database 1410 (shown as “evaluation history T” in the figure), a good user is extracted from the Utility value. This is a process of extracting user data having sufficient evaluation data from all the history data. In general, there are many users who have little history in actual data, and the use of such user data unnecessarily increases the amount of calculation, and there is not much improvement in accuracy, so screening data I do.
  • the similarity between contents is calculated using the evaluation history of a good user as the correlation, and the recommendation degree is calculated for each user. Then, this is stored in the middle T1.
  • the degree of similarity between contents refers to the degree of similarity between contents by comparing the commonality of evaluations of contents by users as shown in Non-Patent Document 4, defining a similarity measure between contents, and receiving a recommendation It shall evaluate the unregistered content in the user.
  • the recommendation degree is obtained from the middle T1, and a predicted evaluation value is obtained.
  • the inter-content similarity data obtained in the middle of the calculation of the predicted evaluation value is stored in the middle T2.
  • the history information of the recommendation target user is acquired, and the inter-content similarity regarding the content included in the history information is acquired from the intermediate T2.
  • a predicted evaluation value is obtained. That is, in real time processing, the value of similarity calculated at the time of batch processing is reused.
  • the history information of the recommendation target user only the history information of “latest X cases” may be used. Specifically, user data in which the latest X cases or less are left blank is created and calculation of a predicted evaluation value is performed. This enables recommendation based on more recent history.
  • the correlation included in the intermediate T2 is based on the inter-content similarity at the time of batch processing. Therefore, although the history of the day can not be reflected, the inter-content similarity is less likely to change than the inter-user similarity, and thus the recommendation accuracy is hardly affected.
  • the processing of the recommendation device or the recommendation system is recorded in a computer readable recording medium, and the program recorded in the recording medium is read into the recommendation device or the batch processing device, the real time processing device, and the recommendation result output device and executed.
  • the recommendation device or recommendation system of the present invention can be realized.
  • the computer system referred to here includes hardware such as an OS and peripheral devices.
  • the "computer system” also includes a homepage providing environment (or display environment) if the WWW (World Wide Web) system is used.
  • the program may be transmitted from a computer system in which the program is stored in a storage device or the like to another computer system via a transmission medium or by transmission waves in the transmission medium.
  • the “transmission medium” for transmitting the program is a medium having a function of transmitting information, such as a network (communication network) such as the Internet or a communication line (communication line) such as a telephone line.
  • the program may be for realizing a part of the functions described above. Furthermore, it may be a so-called difference file (difference program) that can realize the above-described functions in combination with a program already recorded in the computer system.
  • difference file difference program
  • history information to be used is intensively managed by a storage medium such as a database, and it is assumed that these are acquired using a history information collection unit, but it is not necessarily limited to this.
  • the method of providing recommendation results according to the present invention assumes that a list describing the recommendation degree of each content to the user is provided to an external recommendation presentation method, but this method of use is not always necessary. It is not limited to
  • each process of the recommendation of the present invention may be an implementation method such as execution by one server, cooperation of a plurality of servers specialized for each function, or cooperation of a plurality of servers using a load distribution function. .

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

【課題】利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現する。 【解決手段】バッチ処理部は、履歴情報を事前に解析してレコメンドに必要な情報を生成する。リアルタイム処理部は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成する。レコメンド結果出力部は、バッチ処理部の出力または／およびリアルタイム処理部の出力を統合してレコメンド結果を出力する。

Description

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
　本発明は、バッチ処理とリアルタイム処理とを行い、両処理のレコメンド結果を統合して、最終的なレコメンド結果を出力するレコメンド装置、レコメンドシステム、レコメンド方法およびプログラムに関する。
　近年、ユーザの履歴情報などを基にユーザの嗜好を推測し、ユーザの嗜好に適合すると推測されるコンテンツなどを自動的にレコメンドする「レコメンドサービス」が盛んに行われている。このようなレコメンドサービスにおいて利用されている代表的な技術が「協調フィルタリング」と呼ばれているものである。この協調フィルタリングは、購買履歴や閲覧履歴等のユーザの履歴情報を、各ユーザ間、あるいは各コンテンツ間で比較することで相関性を定義し、その相関性を元にユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する手法である。この協調フィルタリングについては、自動化や高速化等の改良技術が知られている（例えば、非特許文献１、非特許文献２、非特許文献３、非特許文献４参照。）。
Ｐ.Ｒｅｓｎｉｃｋ, Ｎ.Ｉａｃｏｖｏｕ, Ｍ.Ｓｕｃｈａｋ, Ｐ.Ｂｅｒｇｓｔｒｏｍ, ａｎｄ Ｊ.Ｒｉｅｄｌ. "ＧｒｏｕｐＬｅｎｓ： Ｏｐｅｎ Ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ ｏｆ Ｎｅｔｎｅｗｓ" Ｉｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｓｕｐｐｏｒｔｅｄ Ｃｏｏｐｅｒａｔｉｖｅ Ｗｏｒｋ, ｐｐ. １７５－１８６ （１９９４） Ｔ.Ｈｏｆｍａｎｎ ａｎｄ Ｊ.Ｐｕｚｉｃｈａ, "Ｌａｔｅｎｔ Ｃｌａｓｓ Ｍｏｄｅｌｓ ｆｏｒ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ", １６ｔｈ ＩＪＣＡＩ （１９９９） 百田信, 伊東栄典，"ソーシャルブックマークに基づく情報発見,"ＤＥＷＳ ２００８, Ｉ１－１５, Ｍａｒ.２００８. Ｂａｄｒｕｌ　Ｓａｒｗａｒ，　Ｇｅｏｒｇｅ　Ｋａｒｙｐｉｓ， Ｊｏｓｅｐｈ　Ｋｏｎｓｔａｎ， ａｎｄ　Ｊｏｈｎ　Ｒｅｉｄｌ．　２００１．　Ｉｔｅｍ－ｂａｓｅｄ　ｃｏｌｌａｂｏｒａｔｉｖｅ　ｆｉｌｔｅｒｉｎｇ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ．　Ｉｎ　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ ｔｈｅ　１０ｔｈ　ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｏｒｌｄ ’Ｗｉｄｅ　Ｗｅｂ　（ＷＷＷ　‘０１）． ＡＣＭ，　Ｎｅｗ　Ｙｏｒｋ，　ＮＹ，　ＵＳＡ，　２８５－２９５．
　ここで、非特許文献１や非特許文献４に記載の技術では、推薦要求毎に履歴情報を解析してレコメンド結果を生成するため、常に、最新の履歴情報を利用したレコメンドが可能となるが、この技術では、履歴情報が膨大になると解析に必要な計算量が増大するため、リアルタイムでのレコメンドが困難となるという問題点があった。
　非特許文献２に記載の技術では、事前に履歴情報を解析して相関性を定義するため、非特許文献１に記載の技術と比較して推薦要求時に解析する計算量が小さくなり、リアルタイムでのレコメンドの実現を容易にするが、この技術では、解析の時点での履歴情報のみを用いて相関性を定義するため、最新の履歴情報が利用されないという問題点があった。
　非特許文献３に記載の技術では、履歴情報を解析する対象を予め選別し、代表ユーザと被推薦対象ユーザとの間でのみ相関性を定義するため、非特許文献１に記載の技術と比較して推薦要求時に解析する計算量が小さくなり、リアルタイムでのレコメンドの実現を容易にするが、非特許文献３に記載の技術では、利用する履歴情報を制限することとなり、レコメンドとしての精度を低下させるという問題点があった。
　そこで、本発明は、上述の課題に鑑みてなされたものであり、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現するレコメンド装置、レコメンドシステム、レコメンド方法およびプログラムを提供することを目的とする。
　本発明は、上記の課題を解決するために、以下の事項を提案している。なお、理解を容易にするために、本発明の実施形態に対応する符号を付して説明するが、これに限定されるものではない。
　（１）本発明は、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド装置であって、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理手段（例えば、図１のバッチ処理部１１００に相当）と、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理手段（例えば、図１のリアルタイム処理部１２００に相当）と、前記バッチ処理手段の出力または／および前記リアルタイム処理手段の出力を統合してレコメンド結果を出力するレコメンド結果出力手段（例えば、図１のレコメンド結果出力部１３００に相当）と、を備えたことを特徴とするレコメンド装置を提案している。
　この発明によれば、バッチ処理手段は、履歴情報を事前に解析してレコメンドに必要な情報を生成する。リアルタイム処理手段は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成する。レコメンド結果出力手段は、バッチ処理手段の出力または／およびリアルタイム処理手段の出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　（２）本発明は、（１）のレコメンド装置について、前記バッチ処理手段が、解析に必要な履歴情報を収集する第１の履歴情報収集手段（例えば、図２の履歴情報収集部１１０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段（例えば、図２の相関性算出部１１０２に相当）と、該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段（例えば、図２の推薦度算出部１１０３に相当）と、該算出した推薦度を記憶する記憶手段（例えば、図２の記憶部１１０４に相当）と、を備え、前記リアルタイム処理手段が、解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段（例えば、図２の履歴情報収集部１２０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段（例えば、図２の相関性算出部１２０２に相当）と、該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段（例えば、図２の推薦度算出部１２０３に相当）と、を備え、前記レコメンド結果出力手段が、前記記憶されたコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド装置を提案している。
　この発明によれば、バッチ処理手段の第１の履歴情報収集手段は、解析に必要な履歴情報を収集する。第１の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第１の推薦度算出手段は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶手段は、算出した推薦度を記憶する。リアルタイム処理手段の第２の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。第２の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第２の推薦度算出手段は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド結果出力手段は、記憶されたコンテンツごとの推薦度と第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　（３）本発明は、（１）のレコメンド装置について、前記バッチ処理手段が、解析に必要な履歴情報を収集する第１の履歴情報収集手段（例えば、図５の履歴情報収集部１１０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段（例えば、図５の相関性算出部１１０２に相当）と、該算出した相関性を記憶する記憶手段（例えば、図５の記憶部１１１５に相当）と、を備え、前記リアルタイム処理手段が、解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段（例えば、図５の履歴情報収集部１２０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段（例えば、図５の相関性算出部１２０２に相当）と、該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段（例えば、図５の推薦度算出部１２０３に相当）と、前記記憶された相関性を取得する取得手段（例えば、図５の取得部１２１４に相当）と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段（例えば、図５の推薦度算出部１２１５に相当）と、を備え、前記レコメンド結果出力手段（例えば、図５のレコメンド結果出力部１３１０に相当）が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド装置を提案している。
　この発明によれば、バッチ処理手段の第１の履歴情報収集手段は、解析に必要な履歴情報を収集する。第１の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。記憶手段は、算出した相関性を記憶する。リアルタイム処理手段の第２の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。第２の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第１の推薦度算出手段は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。取得手段は、記憶された相関性を取得する。第２の推薦度算出手段は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド結果出力手段は、第１の推薦度算出手段により算出したコンテンツごとの推薦度と第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、リアルタイム処理手段が、バッチ処理で算出した相関性とリアルタイム処理で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　（４）本発明は、（１）のレコメンド装置について、前記バッチ処理手段が、解析に必要な履歴情報を収集する第１の履歴情報収集手段（例えば、図８の履歴情報収集部１１０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段（例えば、図８の相関性算出部１１０２に相当）と、該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段（例えば、図８の推薦度算出部１１０３に相当）と、該定義した相関性および算出した推薦度を記憶する記憶手段（例えば、図８の記憶部１１２６に相当）と、を備え、前記リアルタイム処理手段が、解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段（例えば、図８の履歴情報収集部１２０１に相当）と、前記定義した相関性および算出した推薦度を取得する取得手段（例えば、図８の取得部１２２７に相当）と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段（例えば、図８の推薦度算出部１２２６に相当）と、前記レコメンド結果出力手段（例えば、図８のレコメンド結果出力部１３２０に相当）が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド装置を提案している。
　この発明によれば、バッチ処理手段の第１の履歴情報収集手段は、解析に必要な履歴情報を収集する。第１の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第１の推薦度算出手段は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶手段は、定義した相関性および算出した推薦度を記憶する。リアルタイム処理手段の第２の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。取得手段は、定義した相関性および算出した推薦度を取得する。第２の推薦度算出手段は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド結果出力手段は、第１の推薦度算出手段により算出したコンテンツごとの推薦度と第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度と、リアルタイム処理がバッチ処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　（５）本発明は、バッチ処理装置とリアルタイム処理装置とレコメンド装置とからなり、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンドシステムであって、前記バッチ処理装置（例えば、図１０のバッチ処理装置４００に相当）は、前記履歴情報を事前に解析してレコメンドに必要な情報を生成し、前記リアルタイム処理装置（例えば、図１０のリアルタイム処理装置５００に相当）は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成し、前記レコメンド結果出力装置（例えば、図１０のレコメンド結果出力装置６００に相当）は、前記バッチ処理装置の出力または／および前記リアルタイム処理装置の出力を統合してレコメンド結果を出力することを特徴とするレコメンドシステムを提案している。
　この発明によれば、バッチ処理装置は、履歴情報を事前に解析してレコメンドに必要な情報を生成し、リアルタイム処理装置は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成し、レコメンド結果出力装置は、バッチ処理装置の出力または／およびリアルタイム処理装置の出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　（６）本発明は、（５）のレコメンドシステムについて、前記バッチ処理装置が、解析に必要な履歴情報を収集する第１の履歴情報収集手段（例えば、図１１の履歴情報収集部４０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段（例えば、図１１の相関性算出部４０２に相当）と、該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段（例えば、図１１の推薦度算出部４０３に相当）と、該算出した推薦度を記憶する記憶手段（例えば、図１１の記憶部４０４に相当）と、を備え、前記リアルタイム処理装置が、解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段（例えば、図１１の履歴情報収集部５０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段（例えば、図１１の相関性算出部５０２に相当）と、該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段（例えば、図１１の推薦度算出部５０３に相当）と、を備え、前記レコメンド結果出力装置が、前記記憶されたコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンドシステムを提案している。
　この発明によれば、バッチ処理装置の第１の履歴情報収集手段は、解析に必要な履歴情報を収集する。第１の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第１の推薦度算出手段は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶手段は、算出した推薦度を記憶する。リアルタイム処理装置の第２の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。第２の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第２の推薦度算出手段は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド装置は、記憶されたコンテンツごとの推薦度と第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　（７）本発明は、（５）のレコメンドシステムについて、前記バッチ処理装置が、解析に必要な履歴情報を収集する第１の履歴情報収集手段（例えば、図１４の履歴情報収集部４０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段（例えば、図１４の相関性算出部４０２に相当）と、該算出した相関性を記憶する記憶手段（例えば、図１４の記憶部４１５に相当）と、を備え、前記リアルタイム処理装置が、解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段（例えば、図１４の履歴情報収集部５０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段（例えば、図１４の相関性算出部５０２に相当）と、該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段（例えば、図１４の推薦度算出部５０３に相当）と、前記記憶された相関性を取得する取得手段（例えば、図１４の取得部５１４に相当）と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段（例えば、図１４の推薦度算出部５１５に相当）と、を備え、前記レコメンド装置が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンドシステムを提案している。
　この発明によれば、バッチ処理装置の第１の履歴情報収集手段は、解析に必要な履歴情報を収集する。第１の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。記憶手段は、算出した相関性を記憶する。リアルタイム処理装置の第２の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。第２の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第１の推薦度算出手段は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。取得手段は、記憶された相関性を取得する。第２の推薦度算出手段は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド装置は、第１の推薦度算出手段により算出したコンテンツごとの推薦度と第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、リアルタイム処理手段が、バッチ処理で算出した相関性とリアルタイム処理で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　（８）本発明は、（５）のレコメンドシステムについて、前記バッチ処理装置が、解析に必要な履歴情報を収集する第１の履歴情報収集手段（例えば、図１７の履歴情報収集部４０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段（例えば、図１７の相関性算出部４０２に相当）と、該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段（例えば、図１７の推薦度算出部４０３に相当）と、該定義した相関性および算出した推薦度を記憶する記憶手段（例えば、図１７の記憶部４２６に相当）と、を備え、前記リアルタイム処理装置が、解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段（例えば、図１７の履歴情報収集部５０１に相当）と、前記定義した相関性および算出した推薦度を取得する取得手段（例えば、図１７の取得部５２７に相当）と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段（例えば、図１７の推薦度算出部５２６に相当）と、前記レコメンド装置が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンドシステムを提案している。
　この発明によれば、バッチ処理装置の第１の履歴情報収集手段は、解析に必要な履歴情報を収集する。第１の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第１の推薦度算出手段は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶手段は、定義した相関性および算出した推薦度を記憶する。リアルタイム処理装置の第２の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。取得手段は、定義した相関性および算出した推薦度を取得する。第２の推薦度算出手段は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド装置は、第１の推薦度算出手段により算出したコンテンツごとの推薦度と第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度と、リアルタイム処理がバッチ処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　（９）本発明は、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド方法であって、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理ステップと、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理ステップと、前記バッチ処理ステップの出力または／および前記リアルタイム処理ステップの出力を統合してレコメンド結果を出力するレコメンド結果出力ステップと、を備えたことを特徴とするレコメンド方法を提案している。
　この発明によれば、履歴情報を事前に解析してレコメンドに必要な情報を生成し、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成し、バッチ処理ステップの出力または／およびリアルタイム処理ステップの出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　（１０）本発明は、（９）のレコメンド方法について、前記バッチ処理ステップが、解析に必要な履歴情報を収集する第１のステップ（例えば、図３のステップＳ１０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２のステップ（例えば、図３のステップＳ１０２に相当）と、該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第３のステップ（例えば、図３のステップＳ１０３に相当）と、該算出した推薦度を記憶する第４のステップ（例えば、図３のステップＳ１０４に相当）と、を備え、前記リアルタイム処理ステップが、解析に必要な履歴情報をリアルタイムに収集する第５のステップ（例えば、図３のステップＳ１０５に相当）と、該収集した履歴情報を解析して、相関性を定義する第６のステップ（例えば、図３のステップＳ１０６に相当）と、該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第７のステップ（例えば、図３のステップＳ１０７に相当）と、を備え、前記レコメンド結果出力ステップが、前記第４のステップにおいて記憶されたコンテンツごとの推薦度と前記第７のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド方法を提案している。
　この発明によれば、解析に必要な履歴情報を収集し、収集した履歴情報を解析して、相関性を定義する。次に、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出し、算出した推薦度を記憶する。さらに、解析に必要な履歴情報をリアルタイムに収集し、収集した履歴情報を解析して、相関性を定義する。次に、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。そして、第４のステップにおいて記憶されたコンテンツごとの推薦度と第７のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　（１１）本発明は、（９）のレコメンド方法について、前記バッチ処理ステップが、解析に必要な履歴情報を収集する第１のステップ（例えば、図６のステップＳ２０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２のステップ（例えば、図６のステップＳ２０２に相当）と、該算出した相関性を記憶する第３のステップ（例えば、図６のステップＳ２０３に相当）と、を備え、前記リアルタイム処理ステップが、解析に必要な履歴情報をリアルタイムに収集する第４のステップ（例えば、図６のステップＳ２０４に相当）と、該収集した履歴情報を解析して、相関性を定義する第５のステップ（例えば、図６のステップＳ２０５に相当）と、該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第６のステップ（例えば、図６のステップＳ２０６に相当）と、前記記憶された相関性を取得する第７のステップ（例えば、図６のステップＳ２０７に相当）と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第８のステップ（例えば、図６のステップＳ２０８に相当）と、を備え、前記レコメンド結果出力ステップが、前記第６のステップにより算出したコンテンツごとの推薦度と前記第８のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド方法を提案している。
　この発明によれば、解析に必要な履歴情報を収集し、収集した履歴情報を解析して、相関性を定義して、算出した相関性を記憶する。さらに、解析に必要な履歴情報をリアルタイムに収集し、収集した履歴情報を解析して、相関性を定義して、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。次に、記憶された相関性を取得し、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。そして、第６のステップにより算出したコンテンツごとの推薦度と第８のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、リアルタイム処理手段が、バッチ処理で算出した相関性とリアルタイム処理で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　（１２）本発明は、（９）のレコメンド方法について、前記バッチ処理ステップが、解析に必要な履歴情報を収集する第１のステップ（例えば、図９のステップＳ３０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２のステップ（例えば、図９のステップＳ３０２に相当）と、該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第３のステップ（例えば、図９のステップＳ３０３に相当）と、該定義した相関性および算出した推薦度を記憶する第４のステップ（例えば、図９のステップＳ３０４に相当）と、を備え、前記リアルタイム処理ステップが、解析に必要な履歴情報をリアルタイムに収集する第５のステップ（例えば、図９のステップＳ３０５に相当）と、前記定義した相関性および算出した推薦度を取得する第６のステップ（例えば、図９のステップＳ３０６に相当）と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第７のステップ（例えば、図９のステップＳ３０７に相当）と、前記レコメンド結果出力ステップが、前記第３のステップにより算出したコンテンツごとの推薦度と前記第７のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド方法を提案している。
　この発明によれば、解析に必要な履歴情報を収集し、収集した履歴情報を解析して、相関性を定義して、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出して、定義した相関性および算出した推薦度を記憶する。さらに、解析に必要な履歴情報をリアルタイムに収集し、定義した相関性および算出した推薦度を取得して、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。そして、第３のステップにより算出したコンテンツごとの推薦度と第７のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度と、リアルタイム処理がバッチ処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　（１３）本発明は、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド方法をコンピュータに実行させるためのプログラムであって、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理ステップと、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理ステップと、前記バッチ処理ステップの出力または／および前記リアルタイム処理ステップの出力を統合してレコメンド結果を出力するレコメンド結果出力ステップと、をコンピュータに実行させるためのプログラムを提案している。
　この発明によれば、履歴情報を事前に解析してレコメンドに必要な情報を生成し、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成し、バッチ処理ステップの出力または／およびリアルタイム処理ステップの出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　（１４）本発明は、バッチ処理装置とリアルタイム処理装置とレコメンド装置とからなり、購買履歴や閲覧履歴等のユーザの履歴情報を各ユーザ間で比較して相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンドシステムにおけるレコメンド方法をコンピュータに実行させるためのプログラムであって、前記バッチ処理装置が、前記履歴情報を事前に解析してレコメンドに必要な情報を生成する第１のステップと、前記リアルタイム処理装置が、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成する第２のステップと、前記レコメンド装置が、前記第１のステップの出力または／および前記第２のステップの出力を統合してレコメンド結果を出力する第３のステップと、をコンピュータに実行させるためのプログラムを提案している。
　この発明によれば、バッチ処理装置が、履歴情報を事前に解析してレコメンドに必要な情報を生成し、リアルタイム処理装置が、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成する。そして、レコメンド装置が、第１のステップの出力または／および第２のステップの出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
　本発明によれば、バッチ処理部によってすべての履歴情報を利用したレコメンド結果を提供し、かつ、リアルタイム処理部によって要求発生時の最新の履歴情報を反映させたレコメンド結果を提供することが可能となるという効果がある。
本発明の第１の実施形態に係るレコメンド装置の構成を示す図である。 本発明の第１の実施形態に係るレコメンド装置の詳細な構成を示す図である。 本発明の第１の実施形態に係るレコメンド装置の処理を示す図である。 本発明の第２の実施形態に係るレコメンド装置の構成を示す図である。 本発明の第２の実施形態に係るレコメンド装置の詳細な構成を示す図である。 本発明の第２の実施形態に係るレコメンド装置の処理を示す図である。 本発明の第３の実施形態に係るレコメンド装置の構成を示す図である。 本発明の第３の実施形態に係るレコメンド装置の詳細な構成を示す図である。 本発明の第３の実施形態に係るレコメンド装置の処理を示す図である。 本発明の第４の実施形態に係るレコメンドシステムの構成を示す図である。 本発明の第４の実施形態に係るレコメンドシステムの詳細な構成を示す図である。 本発明の第４の実施形態に係るレコメンドシステムの処理を示す図である。 本発明の第５の実施形態に係るレコメンドシステムの構成を示す図である。 本発明の第５の実施形態に係るレコメンドシステムの詳細な構成を示す図である。 本発明の第５の実施形態に係るレコメンドシステムの処理を示す図である。 本発明の第６の実施形態に係るレコメンドシステムの構成を示す図である。 本発明の第６の実施形態に係るレコメンドシステムの詳細な構成を示す図である。 本発明の第６の実施形態に係るレコメンドシステムの処理を示す図である。 本発明の第１の実施形態の実施例１に係るレコメンド装置の構成を示す図である。 本発明の第１の実施形態の実施例１に係るレコメンド装置の構成を示す図である。 本発明の第１の実施形態の実施例１に係るレコメンド装置における推薦処理に利用するユーザの処理を模式的に示す図である。 本発明の第３の実施形態の実施例２に係るレコメンド装置の構成を示す図である。 本発明の第３の実施形態の実施例２に係るレコメンド装置の処理を示す図である。
　以下、本発明の実施形態について、図面を用いて、詳細に説明する。
　なお、本実施形態における構成要素は適宜、既存の構成要素等との置き換えが可能であり、また、他の既存の構成要素との組合せを含む様々なバリエーションが可能である。したがって、本実施形態の記載をもって、特許請求の範囲に記載された発明の内容を限定するものではない。
＜第１の実施形態＞
　図１および図３を用いて、本発明の第１の実施形態について説明する。
＜レコメンド装置の構成＞
　図１を用いて、本実施形態に係るレコメンド装置の構成について説明する。
　本実施形態に係るレコメンド装置１０００は、図１に示すように、バッチ処理部１１００と、リアルタイム処理部１２００と、レコメンド結果出力部１３００とから構成され、バッチ処理部１１００には、データベース２００が、リアルタイム処理部１２００には、データベース３００が接続されている。
　なお、データベース２００には、例えば、ユーザ１００人分のデータが格納されているが、データベース３００には、リアルタイム処理を行うため、例えば、所定の規則で間引かれたユーザ１０人分のデータが格納されている。本実施形態に係るレコメンド装置１０００は、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、バッチ処理部１１００の結果とリアルタイム処理部１２００の結果とをレコメンド結果出力部１３００で統合して出力する。なお、統合の方法としては、２つの結果を加算してレコメンド結果を出力してもよいし、時間帯によって、バッチ処理あるいはリアルタイム処理のいずれか一方の結果をそのままレコメンド結果を出力してもよい。また、２つの結果の平均値や加重平均をレコメンド結果として出力してもよい。
＜レコメンド装置の詳細な構成＞
　本実施形態に係るレコメンド装置は、図２に示すように、バッチ処理部１１００を構成する履歴情報収集部１１０１と、相関性算出部１１０２と、推薦度算出部１１０３と、記憶部１１０４と、リアルタイム処理部１２００を構成する履歴情報収集部１２０１と、相関性算出部１２０２と、推薦度算出部１２０３と、レコメンド結果出力部１３００とから構成されている。
　履歴情報収集部１１０１は、解析に必要な履歴情報をデータベース２００から収集する。相関性算出部１１０２は、収集した履歴情報を解析して、相関性を定義する。推薦度算出部１１０３は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶部１１０４は、算出した推薦度を記憶する。
　履歴情報収集部１２０１は、解析に必要な履歴情報をデータベース３００から収集する。相関性算出部１２０２は、収集した履歴情報を解析して、相関性を定義する。推薦度算出部１２０３は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
　レコメンド結果出力部１３００は、記憶部１１０４に記憶されたコンテンツごとの推薦度と推薦度算出部１２０３により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
＜レコメンド装置の処理＞
　図３を用いて、本実施形態に係るレコメンド装置の処理について説明する。
　まず、バッチ処理部１１００の履歴情報収集部１１０１は、解析に必要な履歴情報をデータベース２００から収集し（ステップＳ１０１）、相関性算出部１１０２は、収集した履歴情報を解析して、相関性を、例えば、二人のユーザの履歴を比較して同時に履歴を持つコンテンツ数を元に、または、二つのコンテンツの履歴を比較して同時に履歴を持つコンテンツ数を元に定義する（ステップＳ１０２）。推薦度算出部１１０３は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を、例えば、当該ユーザのコンテンツの履歴を持つ他のユーザとの相関性、または、当該ユーザの履歴に存在するコンテンツと他のコンテンツとの相関性を元に算出し（ステップＳ１０３）、記憶部１１０４は、算出した推薦度を記憶する（ステップＳ１０４）。
　リアルタイム処理部１２００の履歴情報収集部１２０１は、解析に必要な履歴情報をデータベース３００から収集し（ステップＳ１０５）、相関性算出部１２０２は、収集した履歴情報を解析して、相関性を、前述同様に定義する（ステップＳ１０６）。推薦度算出部１２０３は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を、前述同様に算出する（ステップＳ１０７）。
　そして、レコメンド結果出力部１３００は、記憶部１１０４に記憶されたコンテンツごとの推薦度と推薦度算出部１２０３により算出したコンテンツごとの推薦度とからレコメンド結果を出力する（ステップＳ１０８）。
　以上、説明したように、本実施形態によれば、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
＜第２の実施形態＞
　図４から図６を用いて、本発明の第２の実施形態について説明する。
＜レコメンド装置の構成＞
　図４を用いて、本実施形態に係るレコメンド装置の構成について説明する。
　本実施形態に係るレコメンド装置１０００は、図４に示すように、バッチ処理部１１１０と、リアルタイム処理部１２１０と、レコメンド結果出力部１３１０とから構成され、バッチ処理部１１１０には、データベース２００が、リアルタイム処理部１２１０には、データベース３００が接続されている。
　本実施形態に係るレコメンド装置１０００は、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、リアルタイム処理部１２１０からの２つの結果をレコメンド結果出力部１３１０で統合して出力する。なお、統合の方法としては、２つの結果を加算してレコメンド結果を出力してもよいし、時間帯によって、バッチ処理あるいはリアルタイム処理のいずれか一方の結果をそのままレコメンド結果を出力してもよい。また、２つの結果の平均値や加重平均をレコメンド結果として出力してもよい。
＜レコメンド装置の詳細な構成＞
　本実施形態に係るレコメンド装置は、図５に示すように、バッチ処理部１１１０を構成する履歴情報収集部１１０１と、相関性算出部１１０２と、記憶部１１１５と、リアルタイム処理部１２１０を構成する履歴情報収集部１２０１と、相関性算出部１２０２と、推薦度算出部１２０３と、取得部１２１４と、推薦度算出部１２１５と、レコメンド結果出力部１３１０とから構成されている。なお、第１の実施形態と同様の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は、省略する。
　記憶部１１１５は、算出した相関性を記憶する。取得部１２１４は、記憶部１１１５に記憶された相関性を取得する。推薦度算出部１２１５は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
　レコメンド結果出力部１３１０は、推薦度算出部１２０３により算出したコンテンツごとの推薦度と推薦度算出部１２１５により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
＜レコメンド装置の処理＞
　図６を用いて、本実施形態に係るレコメンド装置の処理について説明する。
　まず、バッチ処理部１１１０の履歴情報収集部１１０１は、解析に必要な履歴情報をデータベース２００から収集し（ステップＳ２０１）、相関性算出部１１０２は、収集した履歴情報を解析して、相関性を定義し（ステップＳ２０２）、記憶部１１１５は、算出した相関性を記憶する（ステップＳ２０３）。
　リアルタイム処理部１２１０の履歴情報収集部１２０１は、解析に必要な履歴情報をデータベース３００から収集し（ステップＳ２０４）、相関性算出部１２０２は、収集した履歴情報を解析して、相関性を定義する（ステップＳ２０５）。推薦度算出部１２０３は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ２０６）。また、取得部１２１４は、記憶部１１１５に記憶された相関性を取得し（ステップＳ２０７）、推薦度算出部１２１５は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ２０８）。
　そして、レコメンド結果出力部１３１０は、推薦度算出部１２０３により算出したコンテンツごとの推薦度と推薦度算出部１２１５により算出したコンテンツごとの推薦度とからレコメンド結果を出力する（ステップＳ２０９）。
　以上、説明したように、本実施形態によれば、リアルタイム処理部が、バッチ処理で算出した相関性とリアルタイム処理で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
＜第３の実施形態＞
　図７および図９を用いて、本発明の第３の実施形態について説明する。
＜レコメンド装置の構成＞
　図７を用いて、本実施形態に係るレコメンド装置の構成について説明する。
　本実施形態に係るレコメンド装置１０００は、図７に示すように、バッチ処理部１１２０と、リアルタイム処理部１２２０と、レコメンド結果出力部１３２０とから構成され、バッチ処理部１１２０には、データベース２００が、リアルタイム処理部１２２０には、データベース３００が接続されている。
　本実施形態に係るレコメンド装置１０００は、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、バッチ処理部１１２０が結果をリアルタイム処理部１２２０に送信するとともに、バッチ処理部１１２０とリアルタイム処理部１２２０とからの２つの結果をレコメンド結果出力部１３２０で統合して出力する。なお、統合の方法としては、２つの結果を加算してレコメンド結果を出力してもよいし、時間帯によって、バッチ処理あるいはリアルタイム処理のいずれか一方の結果をそのままレコメンド結果を出力してもよい。また、２つの結果の平均値や加重平均をレコメンド結果として出力してもよい。
＜レコメンド装置の詳細な構成＞
　本実施形態に係るレコメンド装置は、図８に示すように、バッチ処理部１１２０を構成する履歴情報収集部１１０１と、相関性算出部１１０２と、推薦度算出部１１０３と、記憶部１１２６と、リアルタイム処理部１２２０を構成する履歴情報収集部１２０１と、推薦度算出部１２２６と、取得部１２２７と、レコメンド結果出力部１３２０とから構成されている。なお、第１の実施形態と同様の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は、省略する。
　記憶部１１２６は、相関性算出部１１０２において定義した相関性および推薦度算出部１１０３において算出した推薦度を記憶する。取得部１２２７は、記憶部１１２６に記憶された相関性算出部１１０２において定義した相関性および推薦度算出部１１０３において算出した推薦度を取得する。推薦度算出部１２２６は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
　レコメンド結果出力部１３２０は、推薦度算出部１１０３により算出したコンテンツごとの推薦度と推薦度算出部１２２６により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
＜レコメンド装置の処理＞
　図９を用いて、本実施形態に係るレコメンド装置の処理について説明する。
　まず、バッチ処理部１１２０の履歴情報収集部１１０１は、解析に必要な履歴情報をデータベース２００から収集し（ステップＳ３０１）、相関性算出部１１０２は、収集した履歴情報を解析して、相関性を定義する（ステップＳ３０２）。推薦度算出部１１０３は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出し（ステップＳ３０３）、記憶部１１２６は、相関性算出部１１０２において定義した相関性および推薦度算出部１１０３において算出した推薦度を記憶する（ステップＳ３０４）。
　リアルタイム処理部１２２０の履歴情報収集部１２０１は、解析に必要な履歴情報をデータベース３００から収集する（ステップＳ３０５）。取得部１２２７は、記憶部１１２６に記憶された相関性算出部１１０２において定義した相関性および推薦度算出部１１０３において算出した推薦度を取得し（ステップＳ３０６）、推薦度算出部１２２６は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ３０７）。
　そして、レコメンド結果出力部１３２０は、推薦度算出部１１０３により算出したコンテンツごとの推薦度と推薦度算出部１２２６により算出したコンテンツごとの推薦度とからレコメンド結果を出力する（ステップＳ３０８）。
　以上、説明したように、本実施形態によれば、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理が、バッチ処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
＜第４の実施形態＞
　図１０から図１２を用いて、本発明の第４の実施形態について説明する。
＜レコメンドシステムの構成＞
　図１０を用いて、本実施形態に係るレコメンドシステムの構成について説明する。
　本実施形態に係るレコメンドシステムは、図１０に示すように、バッチ処理装置４００と、リアルタイム処理装置５００と、レコメンド結果出力装置６００とから構成され、バッチ処理装置４００には、データベース２００が、リアルタイム処理装置５００には、データベース３００が接続されている。
　なお、本実施形態に係るレコメンドシステムは、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、バッチ処理装置４００の結果とリアルタイム処理装置５００の結果とをレコメンド結果出力装置６００で統合して出力する。なお、バッチ処理装置４００としては、演算処理能力が高いクラウドサーバ、リアルタイム処理装置５００としては、バッチ処理装置４００同様に演算処理能力が高いクラウドサーバに加えて、比較的演算処理能力が低い携帯端末やＳＴＢ（Ｓｅｔ　Ｔｏｐ　Ｂｏｘ）等での実施が例示できるが、これに限るものではない。
＜レコメンドシステムの詳細な構成＞
　本実施形態に係るレコメンドシステムは、図１１に示すように、バッチ処理装置４００を構成する履歴情報収集部４０１と、相関性算出部４０２と、推薦度算出部４０３と、記憶部４０４と、リアルタイム処理装置５００を構成する履歴情報収集部５０１と、相関性算出部５０２と、推薦度算出部５０３と、レコメンド結果出力装置６００とから構成されている。
　履歴情報収集部４０１は、解析に必要な履歴情報をデータベース２００から収集する。相関性算出部４０２は、収集した履歴情報を解析して、相関性を定義する。推薦度算出部４０３は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶部４０４は、算出した推薦度を記憶する。
　履歴情報収集部５０１は、解析に必要な履歴情報をデータベース３００から収集する。相関性算出部５０２は、収集した履歴情報を解析して、相関性を定義する。推薦度算出部５０３は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
　レコメンド結果出力装置６００は、記憶部４０４に記憶されたコンテンツごとの推薦度と推薦度算出部５０３により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
＜レコメンドシステムの処理＞
　図１２を用いて、本実施形態に係るレコメンドシステムの処理について説明する。
　まず、バッチ処理装置４００の履歴情報収集部４０１は、解析に必要な履歴情報をデータベース２００から収集し（ステップＳ４０１）、相関性算出部４０２は、収集した履歴情報を解析して、相関性を定義する（ステップＳ４０２）。推薦度算出部４０３は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出し（ステップＳ４０３）、記憶部４０４は、算出した推薦度を記憶する（ステップＳ４０４）。
　リアルタイム処理装置５００の履歴情報収集部５０１は、解析に必要な履歴情報をデータベース３００から収集し（ステップＳ４０５）、相関性算出部５０２は、収集した履歴情報を解析して、相関性を定義する（ステップＳ４０６）。推薦度算出部５０３は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ４０７）。
　そして、レコメンド結果出力装置６００は、記憶部４０４に記憶されたコンテンツごとの推薦度と推薦度算出部５０３により算出したコンテンツごとの推薦度とからレコメンド結果を出力する（ステップＳ４０８）。
　以上、説明したように、本実施形態によれば、バッチ処理装置において算出した相関性を用いた推薦度とリアルタイム処理装置において算出した相関性を用いた推薦度とからレコメンド装置がレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
＜第５の実施形態＞
　図１３から図１５を用いて、本発明の第５の実施形態について説明する。
＜レコメンドシステムの構成＞
　図１３を用いて、本実施形態に係るレコメンドシステムの構成について説明する。
　本実施形態に係るレコメンドシステムは、図１３に示すように、バッチ処理装置４１０と、リアルタイム処理装置５１０と、レコメンド結果出力装置６１０とから構成され、バッチ処理装置４１０には、データベース２００が、リアルタイム処理装置５１０には、データベース３００が接続されている。
　本実施形態に係るレコメンドシステムは、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、リアルタイム処理装置４１０からの２つの結果をレコメンド結果出力装置６１０で統合して出力する。なお、バッチ処理装置４１０としては、演算処理能力が高いクラウドサーバ、リアルタイム処理装置５１０としては、バッチ処理装置４１０同様に演算処理能力が高いクラウドサーバに加えて、比較的演算処理能力が低い携帯端末やＳＴＢ（Ｓｅｔ　Ｔｏｐ　Ｂｏｘ）等での実施が例示できるが、これに限るものではない。
＜レコメンドシステムの詳細な構成＞
　本実施形態に係るレコメンドシステムは、図１４に示すように、バッチ処理装置４１０を構成する履歴情報収集部４０１と、相関性算出部４０２と、記憶部４１５と、リアルタイム処理装置５１０を構成する履歴情報収集部５０１と、相関性算出部５０２と、推薦度算出部５０３と、取得部５１４と、推薦度算出部５１５と、レコメンド結果出力装置６１０とから構成されている。なお、第４の実施形態と同様の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は、省略する。
　記憶部４１５は、算出した相関性を記憶する。取得部５１４は、記憶部４１５に記憶された相関性を取得する。推薦度算出部５１５は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
　レコメンド結果出力装置６１０は、推薦度算出部５０３により算出したコンテンツごとの推薦度と推薦度算出部５１５により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
＜レコメンドシステムの処理＞
　図１５を用いて、本実施形態に係るレコメンドシステムの処理について説明する。
　まず、バッチ処理装置４１０の履歴情報収集部４０１は、解析に必要な履歴情報をデータベース２００から収集し（ステップＳ５０１）、相関性算出部４０２は、収集した履歴情報を解析して、相関性を定義し（ステップＳ５０２）、記憶部４１５は、算出した相関性を記憶する（ステップＳ５０３）。
　リアルタイム処理装置５１０の履歴情報収集部５０１は、解析に必要な履歴情報をデータベース３００から収集し（ステップＳ５０４）、相関性算出部５０２は、収集した履歴情報を解析して、相関性を定義する（ステップＳ５０５）。推薦度算出部５０３は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ５０６）。また、取得部５１４は、記憶部４１５に記憶された相関性を取得し（ステップＳ５０７）、推薦度算出部５１５は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ５０８）。
　そして、レコメンド結果出力装置６１０は、推薦度算出部５０３により算出したコンテンツごとの推薦度と推薦度算出部５１５により算出したコンテンツごとの推薦度とからレコメンド結果を出力する（ステップＳ５０９）。
　以上、説明したように、本実施形態によれば、リアルタイム処理装置が、バッチ処理装置で算出した相関性とリアルタイム処理装置で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
＜第６の実施形態＞
　図１６から図１８を用いて、本発明の第６の実施形態について説明する。
＜レコメンドシステムの構成＞
　図１６を用いて、本実施形態に係るレコメンドシステムの構成について説明する。
　本実施形態に係るレコメンドシステムは、図１６に示すように、バッチ処理装置４２０と、リアルタイム処理装置５２０と、レコメンド結果出力装置６２０とから構成され、バッチ処理装置４２０には、データベース２００が、リアルタイム処理装置５２０には、データベース３００が接続されている。
　本実施形態に係るレコメンドシステムは、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、バッチ処理装置４２０が結果をリアルタイム処理装置５２０に送信するとともに、バッチ処理装置４２０とリアルタイム処理装置５２０とからの２つの結果をレコメンド結果出力装置６２０で統合して出力する。なお、バッチ処理装置４２０としては、演算処理能力が高いクラウドサーバ、リアルタイム処理装置５２０としては、バッチ処理装置４２０同様に演算処理能力が高いクラウドサーバに加えて、比較的演算処理能力が低い携帯端末やＳＴＢ（Ｓｅｔ　Ｔｏｐ　Ｂｏｘ）等での実施が例示できるが、これに限るものではない。
＜レコメンドシステムの詳細な構成＞
　本実施形態に係るレコメンドシステムは、図１７に示すように、バッチ処理装置４２０を構成する履歴情報収集部４０１と、相関性算出部４０２と、推薦度算出部４０３と、記憶部４２６と、リアルタイム処理装置５２０を構成する履歴情報収集部５０１と、推薦度算出部５２６と、取得部５２７と、レコメンド結果出力装置６２０とから構成されている。なお、第４の実施形態と同様の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は、省略する。
　記憶部４２６は、相関性算出部４０２において定義した相関性および推薦度算出部４０３において算出した推薦度を記憶する。取得部５２７は、記憶部４２６に記憶された相関性算出部４０２において定義した相関性および推薦度算出部４０３において算出した推薦度を取得する。推薦度算出部５２６は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
　レコメンド結果出力装置６２０は、推薦度算出部４０３により算出したコンテンツごとの推薦度と推薦度算出部５２６により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
＜レコメンドシステムの処理＞
　図１８を用いて、本実施形態に係るレコメンドシステムの処理について説明する。
　まず、バッチ処理装置４２０の履歴情報収集部４０１は、解析に必要な履歴情報をデータベース２００から収集し（ステップＳ６０１）、相関性算出部４０２は、収集した履歴情報を解析して、相関性を定義する（ステップＳ６０２）。推薦度算出部４０３は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出し（ステップＳ６０３）、記憶部４２６は、相関性算出部４０２において定義した相関性および推薦度算出部４０３において算出した推薦度を記憶する（ステップＳ６０４）。
　リアルタイム処理装置５２０の履歴情報収集部５０１は、解析に必要な履歴情報をデータベース３００から収集する（ステップＳ６０５）。取得部５２７は、記憶部４２６に記憶された相関性算出部４０２において定義した相関性および推薦度算出部４０３において算出した推薦度を取得し（ステップＳ６０６）、推薦度算出部５２６は、定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ６０７）。
　そして、レコメンド結果出力装置６２０は、推薦度算出部４０３により算出したコンテンツごとの推薦度と推薦度算出部５２６により算出したコンテンツごとの推薦度とからレコメンド結果を出力する（ステップＳ６０８）。
　以上、説明したように、本実施形態によれば、バッチ処理装置において算出した相関性を用いた推薦度と、リアルタイム処理装置がバッチ処理装置において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
＜実施例１＞
　図１９から図２１を用いて、実施例１について説明する。なお、本実施形態は、第１の実施形態に係るレコメンド装置をより具体的にするものである。
＜レコメンド装置の構成＞
　本実施例に係るレコメンド装置は、図１９に示すように、バッチ処理部１１００と、リアルタイム処理部１２００と、レコメンド結果出力部１３００と、データベース１４１０と、縮約部１４２０と、データベース１４３０とから構成されている。
　また、バッチ処理部１１００は、履歴情報収集部１１０１と、相関性算出部１１０２と、推薦度算出部１１０３と、記憶部１１０４とから構成され、リアルタイム処理部１２００は、履歴情報収集部１２０１と、相関性算出部１２０２と、推薦度算出部１２０３と、レコメンド結果出力部１３００とから構成されている。なお、第１の実施形態と同一の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は省略する。
　ここで、データベース１４１０は、すべてのユーザの履歴情報等を格納するデータベースであり、縮約部１４２０は、データベース１４１０内のデータからレコメンドに適した最優良ユーザを抽出する。データベース１４３０は、縮約部１４２０が抽出した最優良ユーザの履歴情報等を格納する。
＜レコメンド装置の処理＞
　図２０を用いて、本実施例に係るレコメンド装置の処理について説明する。
　まず、データベース１４１０（図中、「評価履歴Ｔ」と示す）内のデータに基づき、そのＵｔｉｌｉｔｙ値から優良ユーザを抽出する。これは、全履歴データから評価データを十分残しているユーザデータを抽出する処理である。一般に、実データには、ほとんど履歴を持っていないユーザが多数おり、そのようなユーザのデータを用いると計算量が無駄に大きくなり、また、精度の向上もさほどみこめないため、データのスクリーニングを行う。
　次に、最優良ユーザをランダムにサンプリングする。これは、リアルタイム処理の処理時間に間に合う程度に、データ量を縮約する処理である。なお、このとき、データの偏りのないように間引くのが好ましく、「ユーザデータをＮ個にクラスタリング→代表ユーザＮ人を各クラスタから一人ずつ選出処理」等が考えられるが、今回はその処理の簡素化のため、その都度（バッチ処理が行われる都度）ランダムにＮ人を選択する。
　バッチ処理では、相関性として優良ユーザと全ユーザ間でユーザ間類似度を算出し、ユーザ毎に推薦度を算出する。ここで、ユーザ間類似度とは、非特許文献１に示されているような、ユーザによるコンテンツの評価の共通性をユーザ間で比較してユーザ間での類似尺度を定義し、推薦を受けるユーザにおいての未登録コンテンツを評価するものとする。そして、これを中間Ｔ１（記憶部１１０４に相当）に格納する。推薦時には推薦対象ユーザのユーザＩＤをキーに、推薦度を中間Ｔ１から取得し、予測評価値を得る。
　一方、リアルタイム処理では、最優良ユーザをランダムにサンプリングし、該当するユーザの履歴情報を中間Ｔ２（データベース（縮約）１４３０に相当）に予め格納しておく。リアルタイム処理のときには、中間Ｔ２から最優良ユーザの履歴情報を取得するとともに、一方で、推薦対象ユーザの履歴情報を取得する。次に、この取得した情報に基づいて、推薦対象ユーザと最優良ユーザとの類似度を算出し、予測評価値を算出する。そして、予測評価値を得る。
　つまり、リアルタイム処理では、レコメンド処理が必要な際、その都度、処理が稼働する。そして、処理時に、最優良ユーザのデータを取得すると同時に、評価履歴Ｔから別途、推薦を受けるユーザの履歴を取得している。そのため、推薦を受けるユーザの履歴は最新のものを利用しリアルタイムなレコメンドを実現することができる。また、その都度、相関性を計算しているため、そのときに、似たユーザを探すことができ、バッチ処理直後に登録したばかりで、バッチ処理以前の履歴が不十分なユーザに対して、当日の履歴を即時反映することを可能としている。
　図２１は、推薦処理に利用するユーザとバッチ処理およびリアルタイム処理との関係を模式的に示している。この図によれば、評価履歴Ｔ内に格納された例えば、１００万人の全ユーザのデータに基づき、そのＵｔｉｌｉｔｙ値から例えば、１００００人の優良ユーザを抽出し、さらに、最優良ユーザをランダムにサンプリングすることにより、例えば、１００人の最優良ユーザを抽出して、これを中間Ｔ２に格納する。
　評価履歴Ｔの情報および優良ユーザの情報は、バッチ処理に用いられ、全ユーザと優良ユーザの情報に基づいて、相関性が算出される。一方、リアルタイム処理では、評価履歴Ｔから取得する推薦対象ユーザの履歴情報と、最優良ユーザの履歴情報に基づいて、相関性が算出される。
＜実施例２＞
　図２２および図２３を用いて、実施例２について説明する。なお、本実施形態は、第３の実施形態に係るレコメンド装置をより具体的にするものである。
＜レコメンド装置の構成＞
　本実施例に係るレコメンド装置は、図２２に示すように、バッチ処理部１１２０と、リアルタイム処理部１２２０と、レコメンド結果出力部１３２０と、データベース１４１０ととから構成されている。
　また、バッチ処理部１１２０は、履歴情報収集部１１０１と、相関性算出部１１０２と、推薦度算出部１１０３と、記憶部１１２６とから構成され、リアルタイム処理部１２２０は、履歴情報収集部１２０１と、推薦度算出部１２２６と、取得部１２２７と、レコメンド結果出力部１３２０とから構成されている。なお、第３の実施形態と同一の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は省略する。
　ここで、データベース１４１０は、すべてのユーザの履歴情報等を格納するデータベースである。
＜レコメンド装置の処理＞
　図２３を用いて、本実施例に係るレコメンド装置の処理について説明する。
　まず、データベース１４１０（図中、「評価履歴Ｔ」と示す）内のデータに基づき、そのＵｔｉｌｉｔｙ値から優良ユーザを抽出する。これは、全履歴データから評価データを十分残しているユーザデータを抽出する処理である。一般に、実データには、ほとんど履歴を持っていないユーザが多数おり、そのようなユーザのデータを用いると計算量が無駄に大きくなり、また、精度の向上もさほどみこめないため、データのスクリーニングを行う。
　バッチ処理では、相関性として優良ユーザの評価履歴を用いてコンテンツ間類似度を算出し、ユーザ毎に推薦度を算出する。そして、これを中間Ｔ１に格納する。ここで、コンテンツ間類似度とは、非特許文献４に示されているような、ユーザによるコンテンツの評価の共通性をコンテンツ間で比較してコンテンツ間での類似尺度を定義し、推薦を受けるユーザにおいての未登録コンテンツを評価するものとする。推薦時には推薦対象ユーザのユーザＩＤをキーに、推薦度を中間Ｔ１から取得し、予測評価値を得る。一方で、予測評価値の計算の途中で得られるコンテンツ間類似度データを中間Ｔ２に格納する。
　一方、リアルタイム処理では、推薦対象ユーザの履歴情報を取得し、中間Ｔ２より履歴情報に含まれるコンテンツに関するコンテンツ間類似度を取得する。次に、この取得した情報に基づいて、予測評価値を得る。
　つまり、リアルタイム処理では、バッチ処理時に算出した類似度の値を再利用する。また、推薦対象ユーザの履歴情報を取得する際には、「最新Ｘ件」の履歴情報のみ用いてもよい。具体的には、最新Ｘ件以前を空欄にしたユーザデータを作成し予測評価値の算出を実施する。これにより、より最新の履歴に基づく推薦を可能となる。
　一方で、中間Ｔ２に含まれる相関性は、バッチ処理時のコンテンツ間類似度に基づいている。そのため、当日の履歴を反映できていないが、コンテンツ間類似度はユーザ間類似度よりも変化しにくいため、その推薦精度に大きな影響を与えにくい。
　なお、レコメンド装置あるいはレコメンドシステムの処理をコンピュータ読み取り可能な記録媒体に記録し、この記録媒体に記録されたプログラムをレコメンド装置あるいはバッチ処理装置、リアルタイム処理装置、レコメンド結果出力装置に読み込ませ、実行することによって本発明のレコメンド装置あるいはレコメンドシステムを実現することができる。ここでいうコンピュータシステムとは、ＯＳや周辺装置等のハードウェアを含む。
　また、「コンピュータシステム」は、ＷＷＷ（Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｅｂ）システムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されても良い。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。
　また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組合せで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。
　以上、この発明の実施形態につき、図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。例えば、本発明では、利用する履歴情報はデータベース等の記憶媒体で集約管理されており、履歴情報収集部を用いてこれらを取得することを想定しているが、必ずしもこれに限るものではない。
　また、本発明によるレコメンド結果の提供方法は、当該ユーザに対する一つ一つのコンテンツの推薦度を記したリストを、外部のレコメンド提示手法へと提供することを想定しているが、必ずしもこの利用方法に限るものではない。
　なお、本発明のレコメンドの各処理は、一サーバによる実施、又は、機能別に特化した複数サーバの連携、若しくは負荷分散機能を用いた複数サーバの連携による実施等の実施方法であってもよい。
　１１００；バッチ処理部
　１１１０；バッチ処理部
　１１２０；バッチ処理部
　１１０１；履歴情報収集部
　１１０２；相関性算出部
　１１０３；推薦度算出部
　１１０４；記憶部
　１１１５；記憶部
　１１２６；記憶部
　１２００；リアルタイム処理部
　１２１０；リアルタイム処理部
　１２２０；リアルタイム処理部
　１２０１；履歴情報収集部
　１２０２；相関性算出部
　１２０３；推薦度算出部
　１２１４；取得部
　１２１５；推薦度算出部
　１２２６；推薦度算出部
　１２３７；取得部
　１３００；レコメンド結果出力部
　１３１０；レコメンド結果出力部
　１３２０；レコメンド結果出力部
　１４１０；データベース
　１４２０；縮約部
　２００；データベース
　３００；データベース
　４００；バッチ処理装置
　４１０；バッチ処理装置
　４２０；バッチ処理装置
　４０１；履歴情報収集部
　４０２；相関性算出部
　４０３；推薦度算出部
　４０４；記憶部
　４１５；記憶部
　４２６；記憶部
　５００；リアルタイム処理装置
　５１０；リアルタイム処理装置
　５２０；リアルタイム処理装置
　５０１；履歴情報収集部
　５０２；相関性算出部
　５０３；推薦度算出部
　５１４；取得部
　５１５；推薦度算出部
　５２６；推薦度算出部
　５２７；取得部
　６００；レコメンド結果出力装置
　６１０；レコメンド結果出力装置
　６２０；レコメンド結果出力装置

Claims (14)

  1. 　購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド装置であって、
    　前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理手段と、
    　レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理手段と、
    　前記バッチ処理手段の出力または／および前記リアルタイム処理手段の出力を統合してレコメンド結果を出力するレコメンド結果出力手段と、
    　を備えたことを特徴とするレコメンド装置。
  2. 　前記バッチ処理手段が、
    　解析に必要な履歴情報を収集する第１の履歴情報収集手段と、
    　該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段と、
    　該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段と、
    　該算出した推薦度を記憶する記憶手段と、
    　を備え、
    　前記リアルタイム処理手段が、
    　解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段と、
    　該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段と、
    　該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段と、
    　を備え、
    　前記レコメンド結果出力手段が、前記記憶されたコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とする請求項１に記載のレコメンド装置。
  3. 　前記バッチ処理手段が、
    　解析に必要な履歴情報を収集する第１の履歴情報収集手段と、
    　該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段と、
    　該算出した相関性を記憶する記憶手段と、
    　を備え、
    　前記リアルタイム処理手段が、
    　解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段と、
    　該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段と、
    　該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段と、
    　前記記憶された相関性を取得する取得手段と、
    　該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段と、
    　を備え、
    　前記レコメンド結果出力手段が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とする請求項１に記載のレコメンド装置。
  4. 　前記バッチ処理手段が、
    　解析に必要な履歴情報を収集する第１の履歴情報収集手段と、
    　該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段と、
    　該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段と、
    　該定義した相関性および算出した推薦度を記憶する記憶手段と、
    　を備え、
    　前記リアルタイム処理手段が、
    　解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段と、
    　前記定義した相関性および算出した推薦度を取得する取得手段と、
    　該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段と、
    　前記レコメンド結果出力手段が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とする請求項１に記載のレコメンド装置。
  5. 　バッチ処理装置とリアルタイム処理装置とレコメンド装置とからなり、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンドシステムであって、
    　前記バッチ処理装置は、前記履歴情報を事前に解析してレコメンドに必要な情報を生成し、前記リアルタイム処理装置は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成し、前記レコメンド装置は、前記バッチ処理装置の出力または／および前記リアルタイム処理装置の出力を統合してレコメンド結果を出力することを特徴とするレコメンドシステム。
  6. 　前記バッチ処理装置が、
    　解析に必要な履歴情報を収集する第１の履歴情報収集手段と、
    　該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段と、
    　該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段と、
    　該算出した推薦度を記憶する記憶手段と、
    　を備え、
    　前記リアルタイム処理装置が、
    　解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段と、
    　該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段と、
    　該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段と、
    　を備え、
    　前記レコメンド装置が、前記記憶されたコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とする請求項５に記載のレコメンドシステム。
  7. 　前記バッチ処理装置が、
    　解析に必要な履歴情報を収集する第１の履歴情報収集手段と、
    　該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段と、
    　該算出した相関性を記憶する記憶手段と、
    　を備え、
    　前記リアルタイム処理装置が、
    　解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段と、
    　該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段と、
    　該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段と、
    　前記記憶された相関性を取得する取得手段と、
    　該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段と、
    　を備え、
    　前記レコメンド装置が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とする請求項５に記載のレコメンドシステム。
  8. 　前記バッチ処理装置が、
    　解析に必要な履歴情報を収集する第１の履歴情報収集手段と、
    　該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段と、
    　該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段と、
    　該定義した相関性および算出した推薦度を記憶する記憶手段と、
    　を備え、
    　前記リアルタイム処理装置が、
    　解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段と、
    　前記定義した相関性および算出した推薦度を取得する取得手段と、
    　該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段と、
    　前記レコメンド装置が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とする請求項５に記載のレコメンドシステム。
  9. 　購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド方法であって、
    　前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理ステップと、
    　レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理ステップと、
    　前記バッチ処理ステップの出力または／および前記リアルタイム処理ステップの出力を統合してレコメンド結果を出力するレコメンド結果出力ステップと、
    　を備えたことを特徴とするレコメンド方法。
  10. 　前記バッチ処理ステップが、
    　解析に必要な履歴情報を収集する第１のステップと、
    　該収集した履歴情報を解析して、相関性を定義する第２のステップと、
    　該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第３のステップと、
    　該算出した推薦度を記憶する第４のステップと、
    　を備え、
    　前記リアルタイム処理ステップが、
    　解析に必要な履歴情報をリアルタイムに収集する第５のステップと、
    　該収集した履歴情報を解析して、相関性を定義する第６のステップと、
    　該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第７のステップと、
    　を備え、
    　前記レコメンド結果出力ステップが、前記第４のステップにおいて記憶されたコンテンツごとの推薦度と前記第７のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とする請求項９に記載のレコメンド方法。
  11. 　前記バッチ処理ステップが、
    　解析に必要な履歴情報を収集する第１のステップと、
    　該収集した履歴情報を解析して、相関性を定義する第２のステップと、
    　該算出した相関性を記憶する第３のステップと、
    　を備え、
    　前記リアルタイム処理ステップが、
    　解析に必要な履歴情報をリアルタイムに収集する第４のステップと、
    　該収集した履歴情報を解析して、相関性を定義する第５のステップと、
    　該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第６のステップと、
    　前記記憶された相関性を取得する第７のステップと、
    　該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第８のステップと、
    　を備え、
    　前記レコメンド結果出力ステップが、前記第６のステップにより算出したコンテンツごとの推薦度と前記第８のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とする請求項９に記載のレコメンド方法。
  12. 　前記バッチ処理ステップが、
    　解析に必要な履歴情報を収集する第１のステップと、
    　該収集した履歴情報を解析して、相関性を定義する第２のステップと、
    　該定義された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第３のステップと、
    　該定義した相関性および算出した推薦度を記憶する第４のステップと、
    　を備え、
    　前記リアルタイム処理ステップが、
    　解析に必要な履歴情報をリアルタイムに収集する第５のステップと、
    　前記定義した相関性および算出した推薦度を取得する第６のステップと、
    　該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第７のステップと、
    　前記レコメンド結果出力ステップが、前記第３のステップにより算出したコンテンツごとの推薦度と前記第７のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とする請求項９に記載のレコメンド方法。
  13. 　購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド方法をコンピュータに実行させるためのプログラムであって、
    　前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理ステップと、
    　レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理ステップと、
    　前記バッチ処理ステップの出力または／および前記リアルタイム処理ステップの出力を統合してレコメンド結果を出力するレコメンド結果出力ステップと、
    　をコンピュータに実行させるためのプログラム。
  14. 　バッチ処理装置とリアルタイム処理装置とレコメンド装置とからなり、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンドシステムにおけるレコメンド方法をコンピュータに実行させるためのプログラムであって、
    　前記バッチ処理装置が、前記履歴情報を事前に解析してレコメンドに必要な情報を生成する第１のステップと、
    　前記リアルタイム処理装置が、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成する第２のステップと、
    　前記レコメンド装置が、前記第１のステップの出力または／および前記第２のステップの出力を統合してレコメンド結果を出力する第３のステップと、
    　をコンピュータに実行させるためのプログラム。
PCT/JP2012/002148 2011-03-29 2012-03-28 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 Ceased WO2012132427A1 (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2011071560 2011-03-29
JP2011-071560 2011-03-29
JP2011-234724 2011-10-26
JP2011234724A JP5806081B2 (ja) 2011-03-29 2011-10-26 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

Publications (1)

Publication Number Publication Date
WO2012132427A1 true WO2012132427A1 (ja) 2012-10-04

Family

ID=46930201

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2012/002148 Ceased WO2012132427A1 (ja) 2011-03-29 2012-03-28 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

Country Status (3)

Country Link
JP (1) JP5806081B2 (ja)
CN (1) CN102737095B (ja)
WO (1) WO2012132427A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7638342B1 (ja) 2023-09-01 2025-03-03 エヌ・ティ・ティ・コムウェア株式会社 サジェストシステム、サジェスト方法、およびプログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123325B (zh) * 2013-04-28 2018-08-17 北京音之邦文化科技有限公司 多媒体文件的推荐方法和推荐服务器
JP6167029B2 (ja) * 2013-12-02 2017-07-19 株式会社Ｎｔｔドコモ レコメンド情報生成装置およびレコメンド情報生成方法
CN114065044B (zh) * 2021-11-23 2025-05-02 聚好看科技股份有限公司 一种内容推荐优化方法及服务器

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005293384A (ja) * 2004-04-02 2005-10-20 Nippon Telegr & Teleph Corp <Ntt> コンテンツレコメンドシステムと方法、及びコンテンツレコメンドプログラム
JP2008152394A (ja) * 2006-12-14 2008-07-03 Sbi Holdings Inc 情報提供システム、情報提供プログラム、及び情報提供方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101071424B (zh) * 2006-06-23 2010-08-25 腾讯科技（深圳）有限公司 一种个性化信息推送系统和方法
CN101436186B (zh) * 2007-11-12 2012-09-05 北京搜狗科技发展有限公司 一种提供相关搜索的方法及系统
CN101968802A (zh) * 2010-09-30 2011-02-09 百度在线网络技术（北京）有限公司 一种基于用户浏览行为进行互联网内容推荐的方法与设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005293384A (ja) * 2004-04-02 2005-10-20 Nippon Telegr & Teleph Corp <Ntt> コンテンツレコメンドシステムと方法、及びコンテンツレコメンドプログラム
JP2008152394A (ja) * 2006-12-14 2008-07-03 Sbi Holdings Inc 情報提供システム、情報提供プログラム、及び情報提供方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TOSHIHIRO KAMISHIMA: "Algorithms for Recommender Systems (3)", JOURNAL OF JAPANESE SOCIETY FOR ARTIFICIAL INTELLIGENCE, vol. 23, no. 2, 1 March 2008 (2008-03-01), pages 254, 260, XP008171428 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7638342B1 (ja) 2023-09-01 2025-03-03 エヌ・ティ・ティ・コムウェア株式会社 サジェストシステム、サジェスト方法、およびプログラム

Also Published As

Publication number Publication date
CN102737095A (zh) 2012-10-17
CN102737095B (zh) 2017-04-12
JP2012216175A (ja) 2012-11-08
JP5806081B2 (ja) 2015-11-10

Similar Documents

Publication Publication Date Title
CN111597449B (zh) 用于搜索的候选词构建方法、装置、电子设备及可读介质
Zhou et al. Comparing MCDA aggregation methods in constructing composite indicators using the Shannon-Spearman measure
JP5798022B2 (ja) 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
Tao et al. TUMS: Twitter-based user modeling service
US9177249B2 (en) Scientometric methods for identifying emerging technologies
Chen et al. QoS-aware web service recommendation via collaborative filtering
CN111159563A (zh) 用户兴趣点信息的确定方法、装置、设备及存储介质
JP2010128927A (ja) レコメンド情報生成装置およびレコメンド情報生成方法
US20130297558A1 (en) Extending olap navigation employing analytic workflows
Höpken et al. Search engine traffic as input for predicting tourist arrivals
WO2012132427A1 (ja) 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
US10628836B2 (en) Efficient computation of variable predictiveness
Vendeville et al. Mapping the political landscape from data traces: multidimensional opinions of users, politicians and media outlets on X
Lai Applying knowledge flow mining to group recommendation methods for task‐based groups
CN103077469A (zh) 推荐装置、推荐系统、推荐方法以及程序
WO2017201905A1 (zh) 资料分发方法、装置和存储介质
Sams et al. E-research applications for tracking online socio-political capital in the Asia-Pacific region
Ramaciotti Morales Multidimensional online American politics: mining emergent social cleavages in social graphs
CN106156232A (zh) 一种网络信息传播的监控方法和装置
KR102440989B1 (ko) 멀티미디어 콘텐츠 및 상품 공급자 매칭 장치와 그 방법
CN105279155B (zh) 一种访问对象的数据处理方法及装置
CN111400594B (zh) 一种信息向量确定方法、装置、设备及存储介质
Sandholm et al. Global budgets for local recommendations
CN112214387B (zh) 基于知识图谱的用户操作行为预测方法及装置
Kundu Dynamic web prediction using asynchronous mouse activity

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: 12765975

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12765975

Country of ref document: EP

Kind code of ref document: A1