WO2022009876A1 - レコメンドシステム - Google Patents

レコメンドシステム Download PDF

Info

Publication number
WO2022009876A1
WO2022009876A1 PCT/JP2021/025450 JP2021025450W WO2022009876A1 WO 2022009876 A1 WO2022009876 A1 WO 2022009876A1 JP 2021025450 W JP2021025450 W JP 2021025450W WO 2022009876 A1 WO2022009876 A1 WO 2022009876A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
product
user
recommendation system
order history
Prior art date
Application number
PCT/JP2021/025450
Other languages
English (en)
French (fr)
Inventor
亮樹 若元
茂樹 田中
佑介 深澤
Original Assignee
株式会社Ｎｔｔドコモ
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 株式会社Ｎｔｔドコモ filed Critical 株式会社Ｎｔｔドコモ
Priority to JP2022535341A priority Critical patent/JPWO2022009876A1/ja
Priority to US18/002,621 priority patent/US20230289863A1/en
Publication of WO2022009876A1 publication Critical patent/WO2022009876A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants

Definitions

  • the present invention relates to a recommendation system related to product recommendation.
  • Patent Document 1 proposes a restaurant to recommend the user's next order based on the user's order history.
  • One embodiment of the present invention has been made in view of the above, and an object thereof is to provide a recommendation system capable of recommending an appropriate product at a restaurant such as a conveyor belt sushi restaurant.
  • the recommendation system has an acquisition unit that acquires order history information indicating an order history in the middle of a series of orders by the user, and an order acquired by the acquisition unit. It is provided with a determination unit that predicts a value related to the total amount of a series of orders of the user based on the history information and determines a product to be recommended to the user based on the order history information and the predicted value.
  • a value related to the total amount of a series of orders of the user such as the remaining accounting amount or the total accounting amount is predicted, and the product recommended by the user is determined based on the predicted value. .. Therefore, according to the recommendation system according to the embodiment of the present invention, it is possible to recommend an appropriate product in consideration of the value related to the total amount of a series of orders of the user at a restaurant such as a conveyor belt sushi restaurant.
  • FIG. 1 shows the recommendation system 10 according to this embodiment.
  • the recommendation system 10 is a system (device) that recommends a product to a user at a restaurant or the like. For example, the recommendation system 10 recommends the next product to be ordered to the user based on the user's order history from the entry of the user (visitor) to the exit of the store in the store where the product is provided.
  • the store to be recommended is usually a store (for example, a conveyor belt sushi restaurant or a pub) where the user does not order all the products at once but the user orders the products sequentially (as needed).
  • one session is from the user's visit to the store to the exit of the store.
  • the recommendation system 10 recommends to the user the product to be ordered next in the one session based on the user's order history halfway in the one session.
  • a product recommendation at a conveyor belt sushi restaurant will be described as an example.
  • the user who is the target of the recommendation in this embodiment may be a group consisting of a plurality of users who eat and drink at the same time.
  • a group consisting of a plurality of users is also included.
  • an order panel used by the user is provided for each table. In that case, the user orders the goods through one order panel for each table. Therefore, even if the group consists of a plurality of users, it is necessary to recommend the product not to the individual but to the group sharing the order panel.
  • the recommendation system 10 is composed of a computer such as a server device.
  • the recommendation system 10 may be composed of a plurality of computers, that is, a computer system.
  • the recommendation system 10 includes an acquisition unit 11 and a determination unit 12.
  • the acquisition unit 11 is a functional unit that acquires order history information indicating an order history in the middle of a series of orders by the user.
  • the acquisition unit 11 may acquire location information relating to the location where the product is provided.
  • the acquisition unit 11 may acquire time information related to the time when the product is provided.
  • Each piece of information acquired by the acquisition unit 11 is information used to determine a product recommended to the user.
  • the store where the product is provided as described above is provided with an order panel, and the user inputs the product (item) and the quantity to be ordered in the order panel.
  • the acquisition unit 11 acquires the information input to the order panel as order history information.
  • An example of the acquired order history information is shown in FIG. 2 (a).
  • the order history information is information in which the same session ID, order terminal ID, order time, product ID, and order quantity information are associated with each other.
  • the same session ID is an ID (information) that identifies the session, that is, an ID given to the accounting of the same user.
  • the order terminal ID is an ID (information) that identifies the order panel used by the user. IDs are assigned to the order panels of the stores in advance.
  • the order panel used by the user in one session is a specific order panel (eg, an order panel provided at the user's seat).
  • the same session ID is given to the order terminal ID, for example, when the previous accounting is completed and a new order is placed, that is, when a new session is started.
  • the order time is the time when the order is placed by the user, and is, for example, information for the date and time.
  • the product ID and the ordered quantity are an ID (information) that identifies the product ordered by the user and the quantity ordered by the product.
  • the recommendation system 10 stores product ID management information in advance as master data in a data server or the like.
  • An example of product ID management information is shown in FIG. 2 (b).
  • the product ID management information is information associated with each information of the product name, the amount of money, and the product ID.
  • the product name and amount are the product name and amount of the product with the associated product ID.
  • the acquisition unit 11 acquires order history information each time the user places an order on the order panel. That is, the acquisition unit 11 acquires the information each time the user places an order on the order panel and the data in one row of FIG. 2A is generated.
  • the order history information does not necessarily have to be the above information, and may be an order history in the middle of a series of orders by the user, that is, an order history in the middle of a session.
  • the acquisition unit 11 acquires information indicating the city, ward, town, and village to which the store to which the product is provided belongs as location information.
  • the location information is acquired, for example, by the administrator of the recommendation system 10 inputting the location information into the recommendation system 10 in advance and reading the stored location information.
  • the place information does not necessarily have to be the above information, but may be information related to the place where the product is provided.
  • the location information may be information indicating the surrounding situation of the store location.
  • the acquisition unit 11 acquires information of the time in units of one hour (for example, information such as 7:00 pm, 8:00 pm, etc.) as time information, which is the time when the product is provided.
  • the order history information includes the order time information. Since the time when the order is placed (order time) and the time when the product is provided are almost the same, the acquisition unit 11 determines the time of the order time included in the order history information. The information of the part of is acquired as time information.
  • the time information acquired in this way generally indicates the current time at the time when the recommendation is made.
  • the time information does not necessarily have to be the above information, and may be any information related to the time when the product is provided.
  • each information does not necessarily have to be performed as described above, and may be performed by any method in which the information can be acquired.
  • the order history information may be obtained from other than the order panel.
  • the acquisition unit 11 outputs each acquired information to the determination unit 12.
  • the order history information and the time information are output from the acquisition unit 11 to the determination unit 12 each time the order history information is acquired.
  • the output of the location information from the acquisition unit 11 to the determination unit 12 may be performed only once for each session, for example, together with the output of the first order history information.
  • the acquisition unit 11 may store the acquired information in a data server or the like of the recommendation system 10 so that it can be referred to by the determination unit 12.
  • the determination unit 12 predicts a value related to the total amount of a series of orders of the user based on the order history information acquired by the acquisition unit 11, and recommends to the user based on the order history information and the predicted value. It is a functional unit that determines the product to be used.
  • the determination unit 12 inputs the order history information and the value related to the total amount of the user's series of orders before the time when the recommended product is determined, and the information indicating the recommended product to the user and the recommendation are made. Forecasting and determination may be made using a model that outputs a value related to the total quantity of a series of orders of the user at the time of determining the product.
  • the model may also be generated by machine learning.
  • the determination unit 12 may make a prediction and a decision based on the location information acquired by the acquisition unit 11.
  • the determination unit 12 may make a prediction and a determination based on the time information acquired by the acquisition unit 11. Specifically, the determination unit 12 determines a product to be recommended to the user as follows.
  • the decision unit 12 recommends the product to be ordered next by the user for the session based on the order history information for each session.
  • the determination unit 12 stores the above model in advance, and determines a recommended product using the model.
  • FIG. 3 schematically shows a model (algorithm) used for determining a recommended product.
  • the model inputs each information of the ordered product information, the order quantity information, the place information, the time information, the accounting amount information up to now, and the remaining accounting amount information of the previous time.
  • This is a model that outputs information on the recommended product (next product) and information on the remaining accounting amount (at the time of determining the recommended product) to the user.
  • the model is configured to include, for example, a neural network generated by machine learning.
  • the neural network may be a multi-layered one, that is, one generated by performing deep learning.
  • the remaining accounting amount is a value related to the total amount of a series of orders of the user according to this embodiment.
  • the remaining accounting amount is the amount that the user spends in the session from that point on.
  • the remaining accounting amount corresponds to the amount used by the user in the entire session minus the amount used by the user up to that point.
  • the decision unit 12 inputs each information from the acquisition unit 11.
  • the determination unit 12 predicts (outputs) the information of the next product and the information of the remaining accounting amount by the above model every time a new order history information is input, that is, every time the user places a new order.
  • the ordered product information input to the model is, for example, the product ID included in the new order history information.
  • the order quantity information input to the model is, for example, the order quantity included in the new order history information.
  • the place information input to the model is, for example, the place information input from the acquisition unit 11.
  • the time information input to the model is, for example, the time information input from the acquisition unit 11.
  • the place information and time information input to the model may be ID-ized.
  • the information on the accounting amount up to now input to the model is calculated by, for example, the decision unit 12 from the order history information up to that point related to the session.
  • the determination unit 12 refers to the amount of each product in the product ID management information, and calculates the accounting amount up to the present from the product ID and the number of orders in all the order history information related to the session.
  • the information on the remaining accounting amount of the previous time input to the model is, for example, the information on the remaining accounting amount output from the model using the order history information immediately before the new order history information. If the new order history information is the first order history information related to the session, the remaining accounting amount of the previous time is not available because the previous order history information is used and there is no information on the remaining accounting amount output from the model.
  • the amount of money information the information of the amount of money preset and stored is used. For example, the amount can be the average accounting amount of all users in the past.
  • the information of the next product output from the model is, for example, a numerical value (vector of the dimension of the number of products) indicating the degree of recommendation for each product.
  • the numerical value is a numerical value in the range of 0 to 1, and the larger the numerical value is, the higher the degree of recommendation is. This number can also be regarded as the probability that the user will order the product.
  • the information on the remaining accounting amount (at the time of determining the recommended product) output from the model is, for example, a numerical value indicating the total amount as shown in FIG.
  • the determination unit 12 may characterize the information input to the model in the calculation using the model.
  • the characterized information is, for example, information on the ordered product, location information, and time information as shown in FIG.
  • the characterization is done within the model and can be done as before.
  • the characterization will be described by taking as an example the characterization of the information of the ordered product.
  • the determination unit 12 inputs the product ID as the information of the ordered product and converts it into the N-dimensional vector V1 associated with the product ID in advance (N is preset). Subsequently, the determination unit 12 converts the N-dimensional vector V1 into the feature quantity C1 which is a preset number of numerical values (that is, a preset number-dimensional vector).
  • Each numerical value of the feature quantity C1 corresponds to a numerical value of a neuron in a neural network.
  • the conversion from the vector V1 to the feature quantity C1 is performed based on the numerical value (weight) set in the connection between the numerical values as in the normal operation in the neural network.
  • the vector V1 associated with the product ID and the weight for converting the vector V1 to the feature amount C1 are generated by machine learning.
  • the vector V1 at the start of machine learning is composed of random numerical values.
  • the place information and the time information are also characterized in the same manner as described above and used as feature quantities.
  • the determination unit 12 inputs the feature quantity C1 of the ordered product into the RNN (Recurrent Neural Network) included in the model. Further, the determination unit 12 inputs the feature amount C2 (feature layer of the previous time) after processing in the RNN obtained by the calculation for the previous order history information of the same session into the RNN. The determination unit 12 adds these feature quantities C1 and C2 to generate the feature quantity C3.
  • the feature amount C3 generated here is input to the RNN as the above-mentioned feature amount C2 at the time of calculation for the next order history information in the same session.
  • the new order history information is the first order history information related to the session
  • the feature amount C2 is preset and stored because the calculation for the previous order history information is not performed. (For example, a feature amount in which all element values are set to 0) is used.
  • the determination unit 12 generates information on the combined layer from the information input to the model.
  • the information of the combined layer is a simple horizontal combination of each information (each information is arranged side by side).
  • the feature amount C3 generated by the RNN is used as the information of the combined layers.
  • the featured feature amount C1 is used as the information of the combined layers.
  • the input information is used as it is as the information of the combined layer.
  • the determination unit 12 calculates the information to be output from the information of the combined layers, that is, the information of the next product and the information of the remaining accounting amount. This calculation is performed based on the numerical value (weight) set in the connection between the numerical values in the same manner as the normal operation in the neural network.
  • the weight is generated by machine learning.
  • the above model can be generated by machine learning, for example, by using the order history information of the already accounted session as learning data (teacher data). In that case, for the information of the next product corresponding to the output, the numerical value of the product actually ordered next to the new order history information corresponding to the input is set to 1, and the numerical value of the other products is set to 0. Further, the remaining accounting amount information can be calculated by subtracting the accounting amount up to the new order history information corresponding to the input from the accounting amount of the entire session.
  • the model may be generated by the recommendation system 10 or by a system (device) other than the recommendation system 10.
  • the above model used in the recommendation system 10 is expected to be used as a program module that is a part of artificial intelligence software.
  • the model is used in a computer equipped with a CPU and memory. Specifically, the CPU of the computer inputs information to the input layer of the neural network according to a command from the model stored in the memory, performs an operation based on the trained weighting coefficient in the neural network, and performs a neural network. It works to output the result from the output layer of the network.
  • the determination unit 12 determines the product to be recommended to the user based on the calculated information of the next product. For example, the determination unit 12 determines a product whose numerical value of each product shown in the information of the next product is in the top N rank as a product recommended to the user.
  • N is a preset and stored numerical value.
  • the determination unit 12 outputs information on the determined product. For example, the determination unit 12 transmits information on the determined product to the order panel used by the user to display the product. At this time, the determination unit 12 may display the product name and the amount of money with reference to the product ID management information. It should be noted that the determination of the product to be recommended to the user does not necessarily have to be made as described above, but may be made based on the calculated result. Further, the information may be output by a method other than the above.
  • the determination unit 12 does not output the calculated remaining accounting amount information in a format that can be referred to by the user, but uses it as a recommendation for the next order history information as described above.
  • the above is the function of the recommendation system 10 according to the present embodiment.
  • the process executed by the recommendation system 10 according to the present embodiment (operation method performed by the recommendation system 10) will be described with reference to the flowchart of FIG.
  • This process is performed in the above session units when the user uses the store.
  • the acquisition unit 11 acquires information used to determine a product recommended to the user (S01).
  • the acquired information is order history information, place information and time information.
  • the order history information is information for each user's order, and subsequent processing is performed each time the order history information corresponding to one order is acquired.
  • the determination unit 12 uses the model stored in advance to calculate (predict) the information of the next product and the information of the remaining accounting amount from the information acquired by the acquisition unit 11 (S02). In addition, the determination unit 12 determines a product to be recommended to the user based on the information of the next product. Subsequently, the determination unit 12 recommends the determined product (S03).
  • the acquisition unit 11 acquires new order history information and time information related to the order (S01).
  • the location information may be acquired once in the session.
  • the determination unit 12 calculates (predicts) the information of the next product and the information of the remaining accounting amount from the new order history information, and makes a recommendation based on the information (S02, S03).
  • the above processes S01 to S03 are repeated every time the user places a new order.
  • the above is the process executed by the recommendation system 10 according to the present embodiment.
  • the remaining accounting amount is predicted, and the product recommended by the user is determined based on the prediction.
  • the remaining accounting amount reflects the characteristics of the user regarding the product to be ordered next by the user. Therefore, according to the present embodiment, it is possible to recommend an appropriate product in consideration of the remaining accounting amount of the user at a restaurant such as a conveyor belt sushi restaurant. For example, if the remaining accounting amount is large, it is considered that many orders are still placed and the sushi product is recommended, and if the remaining accounting amount is small, it is considered that the meal is about to end and the dessert is recommended. In this way, product recommendations can be made at appropriate times.
  • the value related to the total amount of a series of orders by the user is not limited to the remaining accounting amount used in this embodiment, as long as the order of the entire session can be grasped.
  • the total accounting amount for the entire session may be used as the value for the total amount of the user's series of orders.
  • the recommendation may be made using a model generated by machine learning that predicts both the information of the next product and the information of the remaining accounting amount. That is, recommendations may be made using multi-task learning, which is a deep learning method for sharing knowledge and solving a plurality of problems. By sharing the middle layer of multiple predictions as described above, it is possible to learn useful features common to problems. In addition, the prediction accuracy can be improved by complementing the tasks. As a result, according to the present embodiment, more appropriate product recommendations can be made.
  • the information on the following products and the information on the remaining accounting amount may be calculated by different models. Alternatively, the calculation may be performed without using the model generated by machine learning.
  • the recommendation may be made using the place information and the time information. According to this configuration, it is possible to make an appropriate product recommendation according to the place and time when the product is provided.
  • the above information does not necessarily have to be used for recommendations.
  • information other than the above may be used to make recommendations.
  • the recommendation of the product at the conveyor belt sushi restaurant has been described as an example, but other recommendations may be targeted.
  • the target of the recommendation of the recommendation system 10 is not limited to the products of restaurants such as conveyor belt sushi restaurants and pubs, but may be those that are sequentially ordered by the user. For example, it may be a recommendation for the next song to be sung by the user in a karaoke shop.
  • the recommended product is the music (provided).
  • the value related to the total amount of the series of orders of the user may be the number of remaining songs or the total number of songs related to the session.
  • each functional block may be realized using one physically or logically coupled device, or two or more physically or logically separated devices can be directly or indirectly (eg, for example). , Wired, wireless, etc.) and may be realized using these plurality of devices.
  • the functional block may be realized by combining the software with the one device or the plurality of devices.
  • Functions include judgment, decision, judgment, calculation, calculation, processing, derivation, investigation, search, confirmation, reception, transmission, output, access, solution, selection, selection, establishment, comparison, assumption, expectation, and assumption. Broadcasting, notifying, communicating, forwarding, configuring, reconfiguring, allocating, mapping, assigning, etc., but limited to these I can't.
  • a functional block (configuration unit) that makes transmission function is called a transmitting unit (transmitting unit) or a transmitter (transmitter).
  • the realization method is not particularly limited.
  • the recommendation system 10 in one embodiment of the present disclosure may function as a computer that performs information processing of the present disclosure.
  • FIG. 5 is a diagram showing an example of the hardware configuration of the recommendation system 10 according to the embodiment of the present disclosure.
  • the above-mentioned recommendation system 10 may be physically configured as a computer device including a processor 1001, a memory 1002, a storage 1003, a communication device 1004, an input device 1005, an output device 1006, a bus 1007, and the like.
  • the word “device” can be read as a circuit, device, unit, etc.
  • the hardware configuration of the recommendation system 10 may be configured to include one or more of the devices shown in the figure, or may be configured to include some of the devices.
  • the processor 1001 For each function in the recommendation system 10, by loading predetermined software (program) on hardware such as the processor 1001 and the memory 1002, the processor 1001 performs an operation and controls communication by the communication device 1004, or the memory 1002. And by controlling at least one of reading and writing of data in the storage 1003.
  • predetermined software program
  • the processor 1001 operates, for example, an operating system to control the entire computer.
  • the processor 1001 may be configured by a central processing unit (CPU: Central Processing Unit) including an interface with peripheral devices, a control device, an arithmetic unit, a register, and the like.
  • CPU Central Processing Unit
  • each function in the above-mentioned recommendation system 10 may be realized by the processor 1001.
  • the processor 1001 reads a program (program code), a software module, data, etc. from at least one of the storage 1003 and the communication device 1004 into the memory 1002, and executes various processes according to these.
  • a program program code
  • a software module software module
  • data etc.
  • the program a program that causes a computer to execute at least a part of the operations described in the above-described embodiment is used.
  • each function in the recommendation system 10 may be realized by a control program stored in the memory 1002 and operating in the processor 1001.
  • Processor 1001 may be mounted by one or more chips.
  • the program may be transmitted from the network via a telecommunication line.
  • the memory 1002 is a computer-readable recording medium, and is composed of at least one such as a ROM (Read Only Memory), an EPROM (Erasable Programmable ROM), an EEPROM (Electrically Erasable Programmable ROM), and a RAM (Random Access Memory). May be done.
  • the memory 1002 may be referred to as a register, a cache, a main memory (main storage device), or the like.
  • the memory 1002 can store a program (program code), a software module, or the like that can be executed to perform information processing according to the embodiment of the present disclosure.
  • the storage 1003 is a computer-readable recording medium, and is, for example, an optical disk such as a CD-ROM (Compact Disc ROM), a hard disk drive, a flexible disk, an optical magnetic disk (for example, a compact disk, a digital versatile disk, a Blu-ray). It may consist of at least one (registered trademark) disk), smart card, flash memory (eg, card, stick, key drive), floppy (registered trademark) disk, magnetic strip, and the like.
  • the storage 1003 may be referred to as an auxiliary storage device.
  • the storage medium included in the recommendation system 10 may be, for example, a database, a server or other suitable medium including at least one of the memory 1002 and the storage 1003.
  • the communication device 1004 is hardware (transmission / reception device) for communicating between computers via at least one of a wired network and a wireless network, and is also referred to as, for example, a network device, a network controller, a network card, a communication module, or the like.
  • the input device 1005 is an input device (for example, a keyboard, a mouse, a microphone, a switch, a button, a sensor, etc.) that accepts an input from the outside.
  • the output device 1006 is an output device (for example, a display, a speaker, an LED lamp, etc.) that outputs to the outside.
  • the input device 1005 and the output device 1006 may have an integrated configuration (for example, a touch panel).
  • each device such as the processor 1001 and the memory 1002 is connected by the bus 1007 for communicating information.
  • the bus 1007 may be configured by using a single bus, or may be configured by using a different bus for each device.
  • the recommendation system 10 includes hardware such as a microprocessor, a digital signal processor (DSP: Digital Signal Processor), an ASIC (Application Specific Integrated Circuit), a PLD (Programmable Logic Device), and an FPGA (Field Programmable Gate Array). It may be configured, and some or all of each functional block may be realized by the hardware. For example, processor 1001 may be implemented using at least one of these hardware.
  • DSP Digital Signal Processor
  • ASIC Application Specific Integrated Circuit
  • PLD Programmable Logic Device
  • FPGA Field Programmable Gate Array
  • the input / output information and the like may be stored in a specific location (for example, a memory) or may be managed using a management table. Information to be input / output may be overwritten, updated, or added. The output information and the like may be deleted. The input information or the like may be transmitted to another device.
  • the determination may be made by a value represented by 1 bit (0 or 1), by a true / false value (Boolean: true or false), or by comparing numerical values (for example, a predetermined value). It may be done by comparison with the value).
  • the notification of predetermined information (for example, the notification of "being X") is not limited to the explicit one, but is performed implicitly (for example, the notification of the predetermined information is not performed). May be good.
  • Software whether called software, firmware, middleware, microcode, hardware description language, or other names, is an instruction, instruction set, code, code segment, program code, program, subprogram, software module.
  • Applications, software applications, software packages, routines, subroutines, objects, executable files, execution threads, procedures, features, etc. should be broadly interpreted.
  • software, instructions, information, etc. may be transmitted and received via a transmission medium.
  • a transmission medium For example, a website where the software uses at least one of wired technology (coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL: Digital Subscriber Line), etc.) and wireless technology (infrared, microwave, etc.).
  • wired technology coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL: Digital Subscriber Line), etc.
  • wireless technology infrared, microwave, etc.
  • system and “network” used in this disclosure are used interchangeably.
  • information, parameters, etc. described in the present disclosure may be expressed using absolute values, relative values from predetermined values, or using other corresponding information. It may be represented.
  • determining and “determining” used in this disclosure may include a wide variety of actions.
  • “Judgment” and “decision” are, for example, judgment (judging), calculation (calculating), calculation (computing), processing (processing), derivation (deriving), investigation (investigating), search (looking up, search, inquiry). It may include (eg, searching in a table, database or another data structure), ascertaining as “judgment” or “decision”.
  • judgment and “decision” are receiving (for example, receiving information), transmitting (for example, transmitting information), input (input), output (output), and access. It may include (for example, accessing data in memory) to be regarded as “judgment” or “decision”.
  • judgment and “decision” are considered to be “judgment” and “decision” when the things such as solving, selecting, choosing, establishing, and comparing are regarded as “judgment” and “decision”. Can include. That is, “judgment” and “decision” may include considering some action as “judgment” and “decision”. Further, “judgment (decision)” may be read as “assuming", “expecting”, “considering” and the like.
  • connection means any direct or indirect connection or connection between two or more elements and each other. It can include the presence of one or more intermediate elements between two “connected” or “combined” elements.
  • the connection or connection between the elements may be physical, logical, or a combination thereof.
  • connection may be read as "access”.
  • the two elements use at least one of one or more wires, cables and printed electrical connections, and as some non-limiting and non-comprehensive examples, the radio frequency domain. Can be considered to be “connected” or “coupled” to each other using electromagnetic energy having wavelengths in the microwave and light (both visible and invisible) regions.
  • references to elements using designations such as “first” and “second” as used in this disclosure does not generally limit the quantity or order of those elements. These designations can be used in the present disclosure as a convenient way to distinguish between two or more elements. Therefore, references to the first and second elements do not mean that only two elements can be adopted, or that the first element must somehow precede the second element.
  • the term "A and B are different” may mean “A and B are different from each other”.
  • the term may mean that "A and B are different from C”.
  • Terms such as “separate” and “combined” may be interpreted in the same way as “different”.
  • 10 recommendation system, 11 ... acquisition unit, 12 ... determination unit, 1001 ... processor, 1002 ... memory, 1003 ... storage, 1004 ... communication device, 1005 ... input device, 1006 ... output device, 1007 ... bus.

Landscapes

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

Abstract

回転寿司店といった飲食店等において適切な商品のレコメンドを行う。　レコメンドシステム１０は、ユーザの一連の注文における途中の注文履歴を示す注文履歴情報を取得する取得部１１と、取得部によって取得された注文履歴情報に基づいて、ユーザの一連の注文の総量に係る値を予測すると共に、当該注文履歴情報及び予測された値に基づいて、ユーザにレコメンドする商品を決定する決定部１２とを備える。

Description

レコメンドシステム
　本発明は、商品のレコメンドに係るレコメンドシステムに関する。
　従来から、飲食店において、ユーザの注文履歴に基づいてユーザの次の注文についてレコメンドすることが提案されている（例えば、特許文献１参照）。
特開２０１９－９１１１５号公報
　回転寿司店といった飲食店では、ユーザに提供される商品には、寿司の他、デザート等の多様なものがあり、ユーザはそれらを順次注文していく。特許文献１に記載されたように、単にユーザの注文履歴を用いるだけでは、必ずしも、上記のような飲食店における商品のレコメンドを適切に行うことができない。例えば、デザートを適切なタイミングでレコメンドすることができない。
　本発明の一実施形態は、上記に鑑みてなされたものであり、回転寿司店といった飲食店等において適切な商品のレコメンドを行うことができるレコメンドシステムを提供することを目的とする。
　上記の目的を達成するために、本発明の一実施形態に係るレコメンドシステムは、ユーザの一連の注文における途中の注文履歴を示す注文履歴情報を取得する取得部と、取得部によって取得された注文履歴情報に基づいて、ユーザの一連の注文の総量に係る値を予測すると共に、当該注文履歴情報及び予測された値に基づいて、ユーザにレコメンドする商品を決定する決定部と、を備える。
　本発明の一実施形態に係るレコメンドシステムでは、例えば、残り会計金額又は総会計金額といったユーザの一連の注文の総量に係る値が予測されて、それに基づいてユーザにレコメンドされる商品が決定される。従って、本発明の一実施形態に係るレコメンドシステムによれば、回転寿司店といった飲食店等において、ユーザの一連の注文の総量に係る値が考慮された適切な商品のレコメンドを行うことができる。
　本発明の一実施形態によれば、回転寿司店といった飲食店等において適切な商品のレコメンドを行うことができる。
本発明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。 レコメンドシステムによって用いられる情報を示す図である。 レコメンドシステムによって用いられるモデルを模式的に示す図である。 本発明の実施形態に係るレコメンドシステムで実行される処理を示すシーケンス図である。 本発明の実施形態に係るレコメンドシステムのハードウェア構成を示す図である。
　以下、図面と共に本発明に係るレコメンドシステムの実施形態について詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。
　図１に本実施形態に係るレコメンドシステム１０を示す。レコメンドシステム１０は、飲食店等において商品をユーザにレコメンドするシステム（装置）である。例えば、レコメンドシステム１０は、商品が提供される店舗において、ユーザ（来店者）の入店から退店までの間でのユーザの注文履歴に基づいて、次に注文する商品をユーザにレコメンドする。なお、レコメンドの対象となる店舗は、通常、ユーザが一度に全ての商品を注文せず、ユーザが順次（随時）、商品を注文していく店舗（例えば、回転寿司店又は居酒屋）である。本実施形態では、ユーザの店舗への来店から退店までを１セッションとする。レコメンドシステム１０は、１つのセッションにおける途中までのユーザの注文履歴に基づいて、当該１つのセッションにおいて次に注文する商品をユーザにレコメンドする。本実施形態では、回転寿司店での商品のレコメンドを例に説明する。
　本実施形態においてレコメンドの対象となるユーザは、同時に飲食等を行う複数のユーザからなるグループであってもよい。以下の説明では、単にユーザといった場合であっても、複数のユーザからなるグループも含むものとする。例えば、上記の店舗では、テーブル毎にユーザによって用いられる注文パネルが設けられている。その場合、ユーザは、テーブル毎に１つの注文パネルによって商品を注文する。そのため、複数のユーザからなるグループであったとしても、個人に対してではなく、注文パネルを共有するグループに対しての商品のレコメンドが必要となる。
　レコメンドシステム１０は、サーバ装置等のコンピュータによって構成されている。レコメンドシステム１０は、複数のコンピュータ、即ち、コンピュータシステムによって構成されていてもよい。
　引き続いて、本実施形態に係るレコメンドシステム１０の機能を説明する。図１に示すようにレコメンドシステム１０は、取得部１１と、決定部１２とを備えて構成される。
　取得部１１は、ユーザの一連の注文における途中の注文履歴を示す注文履歴情報を取得する機能部である。取得部１１は、商品が提供される場所に係る場所情報を取得してもよい。取得部１１は、商品が提供される時刻に係る時刻情報を取得してもよい。取得部１１によって取得される各情報は、ユーザにレコメンドする商品を決定するのに用いられる情報である。
　例えば、上記のように商品が提供される店舗には、注文パネルが設けられており、ユーザは、注文パネルに注文する商品（品目）及び個数を入力する。取得部１１は、当該注文パネルに入力された情報を注文履歴情報として取得する。取得される注文履歴情報の例を図２（ａ）に示す。図２（ａ）に示すように注文履歴情報は、同一セッションＩＤ、注文端末ＩＤ、注文時間、商品ＩＤ及び注文個数の各情報が対応付けられた情報である。
　同一セッションＩＤは、セッションを特定するＩＤ（情報）、即ち、同一のユーザの会計に付与されるＩＤである。注文端末ＩＤは、ユーザによって用いられる注文パネルを特定するＩＤ（情報）である。店舗の注文パネルには、予めそれぞれＩＤが付与されている。１つのセッションにおいて、ユーザが用いる注文パネルは、特定の注文パネル（例えば、ユーザの席に設けられた注文パネル）である。同一セッションＩＤは、例えば、注文端末ＩＤに対して前の会計が終了し、新たな注文がなされる際、即ち、新たなセッションが開始する際に付与される。注文時間は、ユーザによって注文が行われた時刻であり、例えば、年月日時分の情報である。商品ＩＤ及び注文個数は、ユーザによって注文された商品を特定するＩＤ（情報）及び当該商品が注文された個数である。
　レコメンドシステム１０は、データサーバ等にマスタデータとして、商品ＩＤ管理情報を予め記憶している。商品ＩＤ管理情報の例を図２（ｂ）に示す。図２（ｂ）に示すように商品ＩＤ管理情報は、商品名、金額及び商品ＩＤの各情報が対応付けられた情報である。商品名及び金額は、対応付けられた商品ＩＤの商品の商品名及び金額である。商品ＩＤ管理情報を参照することで、商品ＩＤから商品名及び金額を把握することができる。
　取得部１１は、ユーザが注文パネルで注文する度に注文履歴情報を取得する。即ち、取得部１１は、ユーザが注文パネルで注文して図２（ａ）の１行のデータが生成される度に当該情報を取得する。なお、注文履歴情報は、必ずしも上記の情報でなくてもよく、ユーザの一連の注文における途中の注文履歴、即ち、セッションにおける途中の注文履歴であればよい。
　また、取得部１１は、商品が提供される店舗が属する市区町村を示す情報を場所情報として取得する。場所情報の取得は、例えば、レコメンドシステム１０の管理者が予めレコメンドシステム１０に入力して記憶された場所情報を読み出すことによって行われる。なお、場所情報は、必ずしも上記の情報でなくてもよく、商品が提供される場所に係る情報であればよい。例えば、場所情報は、店舗位置の周辺状況を示す情報であってもよい。
　また、取得部１１は、商品が提供される時刻であって１時間単位の時刻（例えば、夜７時台、８時台…といった情報）の情報を時刻情報として取得する。上記の通り、注文履歴情報には、注文時間の情報が含まれる。注文が行われた時刻（注文時間）と、商品が提供される時刻とは、概ね同じであることから、取得部１１は、注文履歴情報に含まれる注文時間の年月日時分のうちの時間の部分の情報を時刻情報として取得する。このようにして取得される時刻情報は、概ねレコメンドが行われる時点の現在時刻を示すものとなる。なお、時刻情報は、必ずしも上記の情報でなくてもよく、商品が提供される時刻に係る情報であればよい。
　また、各情報の取得は、必ずしも上述したように行われる必要はなく、情報が取得可能な任意の方法で行われればよい。例えば、注文履歴情報は、注文パネル以外から取得されてもよい。取得部１１は、取得した各情報を決定部１２に出力する。取得部１１から決定部１２への注文履歴情報及び時刻情報の出力は、注文履歴情報が取得される度に行われる。取得部１１から決定部１２への場所情報の出力は、セッション毎に１度だけ、例えば、最初の注文履歴情報の出力とあわせて行われればよい。あるいは、取得部１１は、取得した情報をレコメンドシステム１０のデータサーバ等に記憶させ、決定部１２によって参照できるようにしてもよい。
　決定部１２は、取得部１１によって取得された注文履歴情報に基づいて、ユーザの一連の注文の総量に係る値を予測すると共に、当該注文履歴情報及び予測された値に基づいて、ユーザにレコメンドする商品を決定する機能部である。決定部１２は、注文履歴情報、及びレコメンドする商品を決定する時点よりも前の時点でのユーザの一連の注文の総量に係る値を入力して、ユーザにレコメンドする商品を示す情報及びレコメンドする商品を決定する時点でのユーザの一連の注文の総量に係る値を出力するモデルを用いて予測及び決定を行ってもよい。また、モデルは、機械学習によって生成されていてもよい。決定部１２は、取得部１１によって取得された場所情報にも基づいて予測及び決定を行ってもよい。決定部１２は、取得部１１によって取得された時刻情報にも基づいて予測及び決定を行ってもよい。具体的には、決定部１２は、以下のようにユーザにレコメンドする商品を決定する。
　決定部１２は、セッション毎の注文履歴情報に基づいて、当該セッションについてユーザが次に注文する商品をレコメンドする。決定部１２は、上記のモデルを予め記憶しており、当該モデルを用いてレコメンドする商品を決定する。図３に、レコメンドする商品の決定に用いられるモデル（アルゴリズム）を模式的に示す。図３に示すように、当該モデルは、注文した商品の情報、注文個数の情報、場所情報、時刻情報、現在までの会計金額の情報及び前時間の残り会計金額の情報の各情報を入力して、ユーザにレコメンドする商品（次の商品）の情報及び（レコメンドする商品を決定する時点での）残り会計金額の情報を出力するモデルである。当該モデルは、例えば、機械学習によって生成されたニューラルネットワークを含んで構成される。ニューラルネットワークは、多層のもの、即ち、深層学習（ディープラーニング）を行って生成されたものであってもよい。
　残り会計金額は、本実施形態に係るユーザの一連の注文の総量に係る値である。残り会計金額は、ユーザがセッションにおいて、その時点からユーザが使う金額である。残り会計金額は、セッション全体でユーザが使う金額から、その時点までにユーザが使った金額を引いた金額に相当する。
　決定部１２は、取得部１１から各情報を入力する。決定部１２は、新たな注文履歴情報を入力する度に、即ち、ユーザが新たな注文をする度に、上記のモデルで次の商品の情報及び残り会計金額の情報を予測（出力）する。
　モデルに入力される注文した商品の情報は、例えば、新たな注文履歴情報に含まれる商品ＩＤである。モデルに入力される注文個数の情報は、例えば、新たな注文履歴情報に含まれる注文個数である。モデルに入力される場所情報は、例えば、取得部１１から入力した場所情報である。モデルに入力される時刻情報は、例えば、取得部１１から入力した時刻情報である。なお、モデルに入力される場所情報及び時刻情報は、ＩＤ化されたものであってもよい。
　モデルに入力される現在までの会計金額の情報は、例えば、決定部１２によってセッションに係るそれまでの注文履歴情報から算出されたものである。決定部１２は、商品ＩＤ管理情報の各商品の金額を参照して、セッションに係る全ての注文履歴情報の商品ＩＤ及び注文個数から現在までの会計金額を算出する。モデルに入力される前時間の残り会計金額の情報は、例えば、新たな注文履歴情報の一つ前の注文履歴情報が用いられてモデルから出力された残り会計金額の情報である。新たな注文履歴情報が、セッションに係る最初の注文履歴情報であった場合、一つ前の注文履歴情報が用いられてモデルから出力された残り会計金額の情報がないため、前時間の残り会計金額の情報としては予め設定されて記憶された金額の情報を用いる。例えば、当該金額は、過去の全ユーザの平均会計金額等とすることができる。
　モデルから出力される次の商品の情報は、例えば、各商品についてレコメンドする度合いを示す数値（商品の数の次元のベクトル）である。例えば、図３に示すように、当該数値は０～１の範囲の数値であり、数値が大きい程レコメンドする度合いが高いことを示している。この数値は、ユーザが商品を注文する確率と捉えることもできる。モデルから出力される（レコメンドする商品を決定する時点での）残り会計金額の情報は、例えば、図３に示すように当該合計金額を示す数値である。
　決定部１２は、モデルを用いた演算において、モデルに入力した情報の特徴化を行ってもよい。特徴化される情報は、例えば、図３に示すように注文した商品の情報、場所情報及び時刻情報である。特徴化は、モデル内で行われ、従来と同様に行われ得る。特徴化について、注文した商品の情報の特徴化を例に説明する。まず、決定部１２は、注文した商品の情報として商品ＩＤを入力して、予め商品ＩＤに対応付けられたＮ次元のベクトルＶ１に変換する（Ｎは予め設定されている）。続いて、決定部１２は、Ｎ次元のベクトルＶ１から、予め設定された数の数値（即ち、予め設定された数次元のベクトル）である特徴量Ｃ１に変換する。特徴量Ｃ１のそれぞれの数値は、ニューラルネットワークにおけるニューロンの数値に相当する。ベクトルＶ１から特徴量Ｃ１への変換は、ニューラルネットワークにおける通常の演算と同様に数値間の接続に設定された数値（重み）に基づいて行われる。商品ＩＤに対応付けられたベクトルＶ１、及びベクトルＶ１から特徴量Ｃ１に変換するための重みは、機械学習によって生成される。なお、機械学習の開始時点でのベクトルＶ１は、ランダムな数値によって構成される。場所情報及び時刻情報についても、上記と同様に特徴化が行われて特徴量とされる。
　決定部１２は、注文した商品の特徴量Ｃ１をモデルに含まれるＲＮＮ（再帰型ニューラルネットワーク（Recurrent　Neural　Network））に入力する。また、決定部１２は、同一のセッションの前回の注文履歴情報に対する演算によって得られたＲＮＮでの処理後の特徴量Ｃ２（前時間の特徴化層）をＲＮＮに入力する。決定部１２は、これらの特徴量Ｃ１，Ｃ２を加算して特徴量Ｃ３を生成する。ここで生成される特徴量Ｃ３は、同一のセッションの次の注文履歴情報に対する演算の際に、上記の特徴量Ｃ２としてＲＮＮに入力される。新たな注文履歴情報が、セッションに係る最初の注文履歴情報であった場合、一つ前の注文履歴情報に対する演算が行われていないため、特徴量Ｃ２としては予め設定されて記憶された特徴量（例えば、要素の値を全て０とした特徴量）を用いる。このようにＲＮＮを用いることで、それまでに注文された商品を順番も含めて全て考慮した、次の商品の情報及び残り会計金額の情報の出力を行うことができる。
　決定部１２は、モデルに入力した情報から結合した層の情報を生成する。結合した層の情報は、各情報を単純な横結合した（各情報を横並びにした）ものである。注文した商品の情報については、結合した層の情報として、ＲＮＮによって生成される特徴量Ｃ３を用いる。場所情報及び時刻情報については、結合した層の情報として、特徴化された特徴量Ｃ１を用いる。注文個数の情報、現在までの会計金額の情報及び前時間の残り会計金額の情報については、結合した層の情報として、入力した情報をそのまま用いる。
　決定部１２は、結合した層の情報から出力する情報、即ち、次の商品の情報及び残り会計金額の情報を算出する。この算出は、ニューラルネットワークにおける通常の演算と同様に数値間の接続に設定された数値（重み）に基づいて行われる。当該重みは、機械学習によって生成される。
　機械学習による上記のモデルの生成は、例えば、既に会計済みのセッションの注文履歴情報を学習データ（教師データ）として用いて行うことができる。その場合、出力に対応する次の商品の情報については、入力に対応する新たな注文履歴情報の次に実際に注文された商品の数値を１とし、それ以外の商品の数値を０とする。また、残り会計金額の情報としては、セッション全体の会計金額から、入力に対応する新たな注文履歴情報までの会計金額を引くことで算出することができる。なお、モデルの生成は、レコメンドシステム１０で行われても、レコメンドシステム１０以外のシステム（装置）で行われてもよい。
　また、レコメンドシステム１０で用いられる上記のモデルは、人工知能ソフトウェアの一部であるプログラムモジュールとしての利用が想定される。当該モデルは、ＣＰＵ及びメモリを備えるコンピュータにて用いられる。具体的には、コンピュータのＣＰＵが、メモリに記憶されたモデルからの指令に従って、ニューラルネットワークの入力層に情報を入力して、ニューラルネットワークにおける学習済の重み付け係数等に基づく演算を行って、ニューラルネットワークの出力層から結果を出力するように動作する。
　決定部１２は、算出した次の商品の情報に基づいてユーザにレコメンドする商品を決定する。例えば、決定部１２は、次の商品の情報で示される各商品の数値が上位Ｎ位までの商品を、ユーザにレコメンドする商品として決定する。ここでのＮは、予め設定されて記憶された数値である。決定部１２は、決定した商品の情報を出力する。例えば、決定部１２は、ユーザが用いる注文パネルに、決定した商品の情報を送信して当該商品を表示させる。この際、決定部１２は、商品ＩＤ管理情報を参照して商品名及び金額を表示させてもよい。なお、ユーザにレコメンドする商品の決定は、必ずしも上記のように行われる必要はなく、算出した結果に基づいて行われればよい。また、情報の出力も上記以外の方法で行われてもよい。
　決定部１２は、算出した残り会計金額の情報については、ユーザが参照できる形式では出力せずに、上記のように次の注文履歴情報に対するレコメンドに用いる。以上が、本実施形態に係るレコメンドシステム１０の機能である。
　引き続いて、図４のフローチャート図を用いて、本実施形態に係るレコメンドシステム１０で実行される処理（レコメンドシステム１０が行う動作方法）を説明する。本処理は、ユーザが店舗を利用する際に上記のセッション単位で行われる。本処理では、取得部１１によって、ユーザにレコメンドする商品を決定するのに用いられる情報が取得される（Ｓ０１）。取得される情報は、注文履歴情報、場所情報及び時刻情報である。注文履歴情報は、ユーザの注文毎の情報であり、１つの注文に対応する注文履歴情報が取得される度に以降の処理が行われる。
　続いて、決定部１２によって、予め記憶されたモデルが用いられて、取得部１１によって取得された情報から次の商品の情報及び残り会計金額の情報が算出（予測）される（Ｓ０２）。また、決定部１２によって、次の商品の情報に基づいてユーザにレコメンドする商品が決定される。続いて、決定部１２によって、決定された商品のレコメンドが行われる（Ｓ０３）。
　続いて、ユーザが新たに注文を行うと、取得部１１によって、当該注文に係る新たな注文履歴情報及び時刻情報が取得される（Ｓ０１）。なお、場所情報は、セッションにおいて１度取得されればよい。続いて、決定部１２によって、新たな注文履歴情報から次の商品の情報及び残り会計金額の情報が算出（予測）され、それに基づくレコメンドが行われる（Ｓ０２、Ｓ０３）。上記のＳ０１～Ｓ０３の処理は、ユーザが新たな注文を行うごとに繰り返される。以上が、本実施形態に係るレコメンドシステム１０で実行される処理である。
　本実施形態では、残り会計金額が予測されて、それに基づいてユーザにレコメンドされる商品が決定される。残り会計金額は、ユーザが次に注文する商品に係るユーザの特徴を反映したものである。従って、本実施形態によれば、回転寿司店といった飲食店等において、ユーザの残り会計金額が考慮された適切な商品のレコメンドを行うことができる。例えば、残り会計金額が多ければ、まだ多くの注文をすると考えられ、寿司の商品をレコメンドし、残り会計金額が少なければ、食事の終了が近いと考えられ、デザートをレコメンドするといったことができる。このように適切なタイミングで商品のレコメンドを行うことができる。
　なお、ユーザの一連の注文の総量に係る値は、本実施形態で用いた残り会計金額に限られず、セッション全体の注文を把握できるものであればよい。例えば、セッション全体の総会計金額をユーザの一連の注文の総量に係る値として用いてもよい。
　また、本実施形態のように、次の商品の情報及び残り会計金額の情報の両方を予測する、機械学習によって生成されているモデルを用いてレコメンドを行うようにしてもよい。即ち、知識を共有して複数問題を解く深層学習の手法であるマルチタスク学習が用いられてレコメンドが行われてもよい。上記のように複数の予測の中間層を共有することで、問題に共通する有用な特徴を学習することができる。また、タスク同士を補完しあうことで予測精度を向上させることができる。その結果、本実施形態によれば、更に適切な商品のレコメンドを行うことができる。但し、次の商品の情報及び残り会計金額の情報は、別々のモデルによって算出されてもよい。あるいは、機械学習によって生成されているモデルを用いずに算出が行われてもよい。
　また、本実施形態のように場所情報及び時刻情報も用いたレコメンドを行ってもよい。この構成によれば、商品が提供される場所及び時刻に応じた適切な商品のレコメンドを行うことができる。但し、レコメンドには、必ずしも上記の情報が用いられる必要はない。また、上記以外の情報が用いられてレコメンドが行われてもよい。
　なお、上述した実施形態では、回転寿司店での商品のレコメンドを例に説明したが、それ以外のレコメンドを対象としてもよい。レコメンドシステム１０のレコメンドの対象は、回転寿司店及び居酒屋等の飲食店の商品に限られず、ユーザによって順次、注文されるものであればよい。例えば、カラオケ店における次にユーザに歌唱される楽曲をレコメンドするものであってもよい。この場合、レコメンドされる商品は、楽曲（の提供）となる。また、その場合、ユーザの一連の注文の総量に係る値は、セッションに係る残り曲数又は総曲数であってもよい。
　なお、上記実施形態の説明に用いたブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及びソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的又は論理的に結合した１つの装置を用いて実現されてもよいし、物理的又は論理的に分離した２つ以上の装置を直接的又は間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置又は上記複数の装置にソフトウェアを組み合わせて実現されてもよい。
　機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（broadcasting）、通知（notifying）、通信（communicating）、転送（forwarding）、構成（configuring）、再構成（reconfiguring）、割り当て（allocating、mapping）、割り振り（assigning）などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック（構成部）は、送信部（transmitting　unit）又は送信機（transmitter）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。
　例えば、本開示の一実施の形態におけるレコメンドシステム１０は、本開示の情報処理を行うコンピュータとして機能してもよい。図５は、本開示の一実施の形態に係るレコメンドシステム１０のハードウェア構成の一例を示す図である。上述のレコメンドシステム１０は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。
　なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。レコメンドシステム１０のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。
　レコメンドシステム１０における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ１００１が演算を行い、通信装置１００４による通信を制御したり、メモリ１００２及びストレージ１００３におけるデータの読み出し及び書き込みの少なくとも一方を制御したりすることによって実現される。
　プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central　Processing　Unit）によって構成されてもよい。例えば、上述のレコメンドシステム１０における各機能は、プロセッサ１００１によって実現されてもよい。
　また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュール、データなどを、ストレージ１００３及び通信装置１００４の少なくとも一方からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態において説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、レコメンドシステム１０における各機能は、メモリ１００２に格納され、プロセッサ１００１において動作する制御プログラムによって実現されてもよい。上述の各種処理は、１つのプロセッサ１００１によって実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップによって実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。
　メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read　Only　Memory）、ＥＰＲＯＭ（Erasable　Programmable　ＲＯＭ）、ＥＥＰＲＯＭ（Electrically　Erasable　Programmable　ＲＯＭ）、ＲＡＭ（Random　Access　Memory）などの少なくとも１つによって構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本開示の一実施の形態に係る情報処理を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。
　ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact　Disc　ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つによって構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。レコメンドシステム１０が備える記憶媒体は、例えば、メモリ１００２及びストレージ１００３の少なくとも一方を含むデータベース、サーバその他の適切な媒体であってもよい。
　通信装置１００４は、有線ネットワーク及び無線ネットワークの少なくとも一方を介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。
　入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。
　また、プロセッサ１００１、メモリ１００２などの各装置は、情報を通信するためのバス１００７によって接続される。バス１００７は、単一のバスを用いて構成されてもよいし、装置間ごとに異なるバスを用いて構成されてもよい。
　また、レコメンドシステム１０は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital　Signal　Processor）、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＰＬＤ（Programmable　Logic　Device）、ＦＰＧＡ（Field　Programmable　Gate　Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つを用いて実装されてもよい。
　本開示において説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本開示において説明した方法については、例示的な順序を用いて様々なステップの要素を提示しており、提示した特定の順序に限定されない。
　入出力された情報等は特定の場所（例えば、メモリ）に保存されてもよいし、管理テーブルを用いて管理してもよい。入出力される情報等は、上書き、更新、又は追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。
　判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：true又はfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。
　本開示において説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。
　以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。
　ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。
　また、ソフトウェア、命令、情報などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、有線技術（同軸ケーブル、光ファイバケーブル、ツイストペア、デジタル加入者回線（ＤＳＬ：Digital　Subscriber　Line）など）及び無線技術（赤外線、マイクロ波など）の少なくとも一方を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び無線技術の少なくとも一方は、伝送媒体の定義内に含まれる。
　本開示において使用する「システム」及び「ネットワーク」という用語は、互換的に使用される。
　また、本開示において説明した情報、パラメータなどは、絶対値を用いて表されてもよいし、所定の値からの相対値を用いて表されてもよいし、対応する別の情報を用いて表されてもよい。
　本開示で使用する「判断(determining)」、「決定(determining)」という用語は、多種多様な動作を包含する場合がある。「判断」、「決定」は、例えば、判定(judging)、計算(calculating)、算出(computing)、処理(processing)、導出(deriving)、調査(investigating)、探索(looking　up、search、inquiry)（例えば、テーブル、データベース又は別のデータ構造での探索）、確認(ascertaining)した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、受信(receiving)（例えば、情報を受信すること）、送信(transmitting)(例えば、情報を送信すること)、入力(input)、出力(output)、アクセス(accessing)（例えば、メモリ中のデータにアクセスすること）した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、解決(resolving)、選択(selecting)、選定(choosing)、確立(establishing)、比較(comparing)などした事を「判断」「決定」したとみなす事を含み得る。つまり、「判断」「決定」は、何らかの動作を「判断」「決定」したとみなす事を含み得る。また、「判断（決定）」は、「想定する（assuming）」、「期待する（expecting）」、「みなす（considering）」などで読み替えられてもよい。
　「接続された(connected)」、「結合された(coupled)」という用語、又はこれらのあらゆる変形は、２又はそれ以上の要素間の直接的又は間接的なあらゆる接続又は結合を意味し、互いに「接続」又は「結合」された２つの要素間に１又はそれ以上の中間要素が存在することを含むことができる。要素間の結合又は接続は、物理的なものであっても、論理的なものであっても、或いはこれらの組み合わせであってもよい。例えば、「接続」は「アクセス」で読み替えられてもよい。本開示で使用する場合、２つの要素は、１又はそれ以上の電線、ケーブル及びプリント電気接続の少なくとも一つを用いて、並びにいくつかの非限定的かつ非包括的な例として、無線周波数領域、マイクロ波領域及び光（可視及び不可視の両方）領域の波長を有する電磁エネルギーなどを用いて、互いに「接続」又は「結合」されると考えることができる。
　本開示において使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。
　本開示において使用する「第１の」、「第２の」などの呼称を使用した要素へのいかなる参照も、それらの要素の量又は順序を全般的に限定しない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本開示において使用され得る。したがって、第１及び第２の要素への参照は、２つの要素のみが採用され得ること、又は何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。
　本開示において、「含む（include）」、「含んでいる（including）」及びそれらの変形が使用されている場合、これらの用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本開示において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。
　本開示において、例えば、英語でのa,　an及びtheのように、翻訳により冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。
　本開示において、「ＡとＢが異なる」という用語は、「ＡとＢが互いに異なる」ことを意味してもよい。なお、当該用語は、「ＡとＢがそれぞれＣと異なる」ことを意味してもよい。「離れる」、「結合される」などの用語も、「異なる」と同様に解釈されてもよい。
　１０…レコメンドシステム、１１…取得部、１２…決定部、１００１…プロセッサ、１００２…メモリ、１００３…ストレージ、１００４…通信装置、１００５…入力装置、１００６…出力装置、１００７…バス。

Claims (6)

  1. 　ユーザの一連の注文における途中の注文履歴を示す注文履歴情報を取得する取得部と、
    　前記取得部によって取得された注文履歴情報に基づいて、ユーザの一連の注文の総量に係る値を予測すると共に、当該注文履歴情報及び予測された値に基づいて、ユーザにレコメンドする商品を決定する決定部と、
    を備えるレコメンドシステム。
  2. 　前記決定部は、ユーザの一連の注文の総量に係る値として、残り会計金額又は総会計金額を予測する請求項１に記載のレコメンドシステム。
  3. 　前記決定部は、注文履歴情報、及びレコメンドする商品を決定する時点よりも前の時点でのユーザの一連の注文の総量に係る値を入力して、ユーザにレコメンドする商品を示す情報及びレコメンドする商品を決定する時点でのユーザの一連の注文の総量に係る値を出力するモデルを用いて予測及び決定を行う請求項１又は２に記載のレコメンドシステム。
  4. 　前記モデルは、機械学習によって生成されている請求項３に記載のレコメンドシステム。
  5. 　前記取得部は、商品が提供される場所に係る場所情報を取得し、
    　前記決定部は、前記取得部によって取得された場所情報にも基づいて予測及び決定を行う請求項１～４の何れか一項に記載のレコメンドシステム。
  6. 　前記取得部は、商品が提供される時刻に係る時刻情報を取得し、
    　前記決定部は、前記取得部によって取得された時刻情報にも基づいて予測及び決定を行う請求項１～５の何れか一項に記載のレコメンドシステム。
PCT/JP2021/025450 2020-07-07 2021-07-06 レコメンドシステム WO2022009876A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022535341A JPWO2022009876A1 (ja) 2020-07-07 2021-07-06
US18/002,621 US20230289863A1 (en) 2020-07-07 2021-07-06 Recommendation system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020117276 2020-07-07
JP2020-117276 2020-07-07

Publications (1)

Publication Number Publication Date
WO2022009876A1 true WO2022009876A1 (ja) 2022-01-13

Family

ID=79553180

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/025450 WO2022009876A1 (ja) 2020-07-07 2021-07-06 レコメンドシステム

Country Status (3)

Country Link
US (1) US20230289863A1 (ja)
JP (1) JPWO2022009876A1 (ja)
WO (1) WO2022009876A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115660728A (zh) * 2022-10-11 2023-01-31 南京意博软件科技有限公司 一种机票销售订单预测方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003069528A1 (fr) * 2002-02-18 2003-08-21 Seiko Epson Corporation Systeme de commande de produits
JP2005338993A (ja) * 2004-05-25 2005-12-08 Nec Corp 利用状況予測システムおよび方法ならびにデータ処理装置およびプロブラム
JP2008234330A (ja) * 2007-03-20 2008-10-02 Fujitsu Ltd 商品情報表示方法、商品情報出力装置及びコンピュータプログラム
JP2017182643A (ja) * 2016-03-31 2017-10-05 株式会社ぐるなび 情報処理装置、情報処理方法及びプログラム
JP2019008551A (ja) * 2017-06-23 2019-01-17 株式会社 ゼンショーホールディングス 作業管理システム、作業管理方法及び作業管理プログラム
JP2019191795A (ja) * 2018-04-23 2019-10-31 和夫 金子 接客支援システム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003069528A1 (fr) * 2002-02-18 2003-08-21 Seiko Epson Corporation Systeme de commande de produits
JP2005338993A (ja) * 2004-05-25 2005-12-08 Nec Corp 利用状況予測システムおよび方法ならびにデータ処理装置およびプロブラム
JP2008234330A (ja) * 2007-03-20 2008-10-02 Fujitsu Ltd 商品情報表示方法、商品情報出力装置及びコンピュータプログラム
JP2017182643A (ja) * 2016-03-31 2017-10-05 株式会社ぐるなび 情報処理装置、情報処理方法及びプログラム
JP2019008551A (ja) * 2017-06-23 2019-01-17 株式会社 ゼンショーホールディングス 作業管理システム、作業管理方法及び作業管理プログラム
JP2019191795A (ja) * 2018-04-23 2019-10-31 和夫 金子 接客支援システム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115660728A (zh) * 2022-10-11 2023-01-31 南京意博软件科技有限公司 一种机票销售订单预测方法、装置、电子设备和存储介质
CN115660728B (zh) * 2022-10-11 2023-10-20 南京意博软件科技有限公司 一种机票销售订单预测方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
JPWO2022009876A1 (ja) 2022-01-13
US20230289863A1 (en) 2023-09-14

Similar Documents

Publication Publication Date Title
CN112182412B (zh) 用于推荐体检项目的方法、计算设备和计算机存储介质
KR20180121466A (ko) 딥러닝을 활용한 개인화 상품 추천
Karimi-Nasab et al. Multi-objective production scheduling with controllable processing times and sequence-dependent setups for deteriorating items
WO2022009876A1 (ja) レコメンドシステム
JP7492587B2 (ja) 棚割情報生成装置および予測モデル
WO2021039797A1 (ja) クリック率予測モデル構築装置
CN113780479A (zh) 周期预测模型的训练方法及装置、周期预测方法、设备
WO2021005985A1 (ja) 楽曲レコメンド用モデル生成システム及び楽曲レコメンドシステム
WO2021005984A1 (ja) 楽曲レコメンド用モデル生成システム及び楽曲レコメンドシステム
US20220284460A1 (en) Price prediction device
JP2019220100A (ja) 推定装置
JP7470687B2 (ja) 推定用モデル生成システム
JP2022026687A (ja) 情報提供装置
JP7489255B2 (ja) 情報提供装置
WO2019202791A1 (ja) 趣味嗜好推定装置および趣味嗜好推定方法
WO2021005982A1 (ja) 種別推定用モデル生成システム及び種別推定システム
US20230244737A1 (en) Recommendation system
WO2023188808A1 (ja) レコメンドシステム
JP7350953B1 (ja) 情報処理装置
WO2023037782A1 (ja) 広告効果予測装置
JP2021077206A (ja) 学習方法、評価装置、及び評価システム
WO2023037781A1 (ja) 広告効果予測装置
WO2023037780A1 (ja) 広告効果予測装置
JP7337017B2 (ja) 還元値設定システム及び還元値設定方法
JP7481880B2 (ja) 価格設定システム

Legal Events

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

Ref document number: 21838114

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022535341

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21838114

Country of ref document: EP

Kind code of ref document: A1