JP2004178521A - Recommendation system - Google Patents

Abstract

<P>PROBLEM TO BE SOLVED: To provide a system for more appropriately and more flexibly recommending a curriculum, etc. <P>SOLUTION: A learning history management means 14 records the curriculum taken by each user in a leaner DB 16. A correlation table generation means 18 and a strong correlation group creation means 24 perform grouping among users having similar course tendencies based on the leaner DB 16. A recommendation means 22 determines the curriculum to be recommended based on course history owned by the entire group to which a target user belongs and course history of the target user. <P>COPYRIGHT: (C)2004,JPO

Description

【０００１】
【従来技術】
ユーザの性格や購入履歴に応じて、サービスや商品を推薦するシステムが知られている。たとえば、特許文献１には、ユーザの学習記録に基づいて学習者の性格を推定し、当該学習者の性格に基づいて次に提供する教材を変えるシステムが開示されている。これにより、ユーザの性格に応じて、次に使用する教材を選択することができる。
【０００２】
しかしながら、学習者の性格だけに基づいて次に使用する教材を決定しているので、教材の選定が固定的となり、発展性がなくなる可能性があった。
【０００３】
この発明は、商品やサービスなどの推薦において、より発展性の高い推薦を行うことの可能なシステムを提供することを目的とする。
【０００４】
【特許文献１】
特開２００２−１９６６５８号公報
【課題を解決するための手段】
（１）この発明に係る推薦システムは、端末装置からの申し込みに応じた処理を行うサーバ装置と、当該サーバ装置と通信可能な端末装置とを備えた推薦システムであって、端末装置は、ユーザの指令を受けて、前記サーバ装置に向けて申し込みを行い、サーバ装置は、端末装置からの申し込みに応じて、当該申し込みに対応する処理を実行するよう構成されており、サーバ装置は、各ユーザの要求履歴に基づいて各ユーザをグルーピングし、当該グループが有する要求傾向と、特定のユーザの有する要求傾向とに基づいて、当該ユーザに対して申し込み対象の推薦を行うように構成されている。
【０００５】
したがって、他のユーザの要求の変動に応じて、当該ユーザに対する推薦対象がダイナミックに変化し、より発展性の高い推薦を行うことができる。
【０００６】
（４）この発明に係る推薦システムは、グルーピングにおいて、各ユーザごとに、当該ユーザの要求履歴と要求履歴傾向の類似する他のユーザをグループ化することを特徴としている。
【０００７】
したがって、同じような要求傾向を有する他のユーザの要求傾向に基づいて、申込対象を推薦することができる。
【０００８】
（５）この発明に係る推薦システムは、グルーピングにおいて、さらに、要求対象の持つ属性的類似性も加味して行うことを特徴としている。
【０００９】
したがって、要求対象の持つ属性も考慮してグルーピングを行うことができ、より適切に要求対象を推薦することができる。
【００１０】
（６）この発明に係る推薦システムは、グルーピングにおいて、さらに、各ユーザの属性的類似性も加味して行うことを特徴としている。
【００１１】
したがって、より適切に要求対象を推薦することができる。
【００１２】
（７）この発明に係る推薦システムは、当該ユーザが属するグループの中の他のユーザの要求履歴に含まれる要求対象のうち、当該ユーザの要求履歴に含まれていない要求対象を推薦対象として抽出することを特徴としている。
【００１３】
したがって、他のユーザの傾向から見て当該ユーザにとって興味があると思われる要求対象を推薦することができる。
【００１４】
（８）この発明に係る推薦システムは、当該ユーザの要求傾向に類似する度合いの高い要求傾向を有する他のユーザの要求対象ほど、推薦の優先度を高くすることを特徴としている。
【００１５】
したがって、より適切に、当該ユーザにとって興味があると思われる要求対象を推薦することができる。
【００１６】
（９）この発明に係る推薦システムは、ユーザにより端末装置から与えられた要求対象属性も考慮して、要求対象を推薦対象として抽出することを特徴としている。
【００１７】
したがって、ユーザが希望する要求対象の属性の範囲において、要求対象を推薦することができる。
【００１８】
（１０）この発明に係る推薦システムは、申し込みは、商品購入の申し込みまたはサービス提供の申し出であることを特徴としている。
【００１９】
したがって、ユーザに対して、サービスや商品の推薦を行うことができる。
【００２０】
（１１）この発明に係る推薦システムは、申し込みは、サーバ装置が配信する学習コンテンツの申し込みであることを特徴としている。
【００２１】
したがって、ユーザに対して、学習コンテンツの推薦を行うことができる。
【００２２】
（１２）この発明に係る推薦システムは、要求対象が複数集まって要求対象組が構成されていて、あらかじめ、要求対象組とそれを構成する要求対象の定義をあらかじめ記録しており、複数の要求対象を仮の推薦対象として算出し、当該複数の仮の推薦対象と類似した要求対象によって構成される要求対象組を推薦対象とすることを特徴としている。
【００２３】
したがって、より的確に、推薦対象を選択することができる。
【００２４】
（１３）この発明に係る推薦システムは、要求対象が複数集まって要求対象組が構成されていて、あらかじめ、要求対象組とそれを構成する要求対象の定義をあらかじめ記録しており、複数の要求対象を仮の推薦対象として算出し、当該複数の仮の推薦対象と最も類似した要求対象によって構成される要求対象組を基本推薦対象とし、当該複数の仮の推薦対象と選択された基本推薦対象を構成する要求対象との類似性が所定値以下の場合には、複数の仮の推薦対象に基づいて、前記基本推薦対象の要求対象を修正し、新たな要求対象組を生成し、これを推薦対象とすることを特徴としている。
【００２５】
したがって、適切な推薦対象が見いだせなかった場合には、自動的に、好ましい要求対象組を生成して推薦することができる。
【００２６】
（１４）この発明に係る推薦サーバ装置は、端末装置からの申し込みに応じた処理を行う推薦サーバ装置であって、端末装置からの申し込みに応じて、当該申し込みに対応する処理を実行するよう構成されており、推薦を行う対象とする対象ユーザの要求傾向に最も類似する要求傾向を有する他のユーザの要求履歴に含まれる要求対象のうち、当該対象ユーザの要求履歴に含まれていない要求対象を推薦対象として抽出することを特徴としている。
【００２７】
したがって、最も類似する要求傾向を有する他のユーザの要求履歴に基づいて、当該ユーザがまだ要求していない要求対象を推薦することができる。
【００２８】
（１５）この発明に係る推薦方法は、端末装置からの申し込みに応じた処理を行うサーバ装置と、当該サーバ装置と通信可能な端末装置とを用いた推薦方法であって、端末装置は、ユーザの指令を受けて、前記サーバ装置に向けて申し込みを行い、サーバ装置は、端末装置からの申し込みに応じて、当該申し込みに対応する処理を実行するものであって、サーバ装置は、各ユーザの要求履歴に基づいて各ユーザをグルーピングし、当該グループが有する要求傾向と、特定のユーザの有する要求傾向とに基づいて、当該ユーザに対して申し込み対象の推薦を行うことを特徴としている。
【００２９】
したがって、他のユーザの要求の変動に応じて、当該ユーザに対する推薦対象がダイナミックに変化し、より発展性の高い推薦を行うことができる。
【００３０】
（１６）この発明に係る学習コンテンツ推薦システムは、端末装置からの申し込みに応じて学習コンテンツを提供する推薦サーバ装置と、当該推薦サーバ装置と通信可能な端末装置とを備えた学習コンテンツ推薦システムであって、端末装置は、ユーザの指令を受けて、前記推薦サーバ装置に向けて希望する学習コンテンツの受講申し込みを行い、推薦サーバ装置は、端末装置からの申し込みに応じて、当該申し込みに対応する学習コンテンツを端末装置に提供するよう構成されており、推薦サーバ装置は、各ユーザの学習コンテンツの履修履歴に基づいて各ユーザをグルーピングし、当該グループが有する履修傾向と、推薦を行う対象となる対象ユーザの有する履修傾向とに基づいて、当該対象ユーザに対して学習コンテンツの推薦を行うように構成されている。
【００３１】
したがって、他のユーザの履修状況の変動に応じて、当該ユーザに対して推薦する学習コンテンツがダイナミックに変化し、より発展性の高い推薦を行うことができる。
【００３２】
（１９）この発明に係る学習推薦システムは、グルーピングにおいて、各ユーザごとに、当該ユーザの履修履歴と傾向の類似する他のユーザをグループ化することを特徴としている。
【００３３】
したがって、同じような要求傾向を有する他のユーザの要求傾向に基づいて、申込対象を推薦することができる。
【００３４】
（２０）この発明に係る学習推薦システムは、グルーピングにおいて、各ユーザがいずれの学習コンテンツを検索したかという検索履歴も考慮して行うことを特徴としている。
【００３５】
したがって、履修履歴だけでなく検索履歴も考慮してグルーピングを行うことができる。
【００３６】
（２１）この発明に係る学習推薦システムは、グルーピングにおいて、さらに、学習コンテンツの持つ属性的類似性も加味して行うことを特徴としている。
【００３７】
したがって、各学習者の履修履歴における学習コンテンツの属性も考慮してグルーピングを行うことができる。
【００３８】
（２２）この発明に係る学習推薦システムは、グルーピングにおいて、さらに、各ユーザの属性的類似性も加味して行うことを特徴としている。
【００３９】
したがって、ユーザ属性の類似した他のユーザの履修履歴に基づく推薦を行うことができる。
【００４０】
（２３）この発明に係る学習推薦システムは、各ユーザが履修した学習コンテンツによる学習効果を、端末装置から取得し、あるいは判断し、履修履歴のうち、学習効果が所定値以下の学習コンテンツを、前記グルーピングの際の判断基準から除外することを特徴としている。
【００４１】
したがって、効果のあった学習コンテンツだけをグルーピングの判断基準として、適切な推薦を可能としている。
【００４２】
（２４）この発明に係る学習推薦システムは、当該ユーザが属するグループの中の他のユーザの履修履歴に含まれる学習コンテンツのうち、当該ユーザの履修履歴に含まれていない学習コンテンツを推薦対象として抽出することを特徴としている。
【００４３】
したがって、履修傾向の類似する他のユーザが履修した学習コンテンツのうち、当該ユーザが履修していない学習コンテンツを推薦することができる。
【００４４】
（２５）この発明に係る推薦システムは、当該ユーザの履修履歴に類似する度合いの高い履修履歴を有する他のユーザの学習コンテンツほど、推薦の優先度を高くすることを特徴としている。
【００４５】
したがって、より効果的な推薦を行うことができる。
【００４６】
（２６）この発明に係る推薦システムは、ユーザ操作により端末装置から与えられた学習コンテンツ属性も考慮して、学習コンテンツを推薦対象として抽出することを特徴としている。
【００４７】
したがって、ユーザの希望するコンテンツ属性の範囲において、学習コンテンツの推薦を行うことができる。
【００４８】
（２７）この発明に係る推薦システムは、学習コンテンツが複数集まって学習コンテンツ組が構成されていて、あらかじめ、学習コンテンツ組とそれを構成する学習コンテンツの関係をあらかじめ記録しており、複数の学習コンテンツを仮の推薦対象として算出し、当該複数の仮の推薦対象と類似した学習コンテンツによって構成される学習コンテンツ組を推薦対象とすることを特徴としている。
【００４９】
したがって、より的確に学習コンテンツ組を推薦することができる。
【００５０】
（２８）この発明に係る推薦システムは、学習コンテンツが複数集まって学習コンテンツ組が構成されていて、あらかじめ、学習コンテンツ組とそれを構成する学習コンテンツの関係をあらかじめ記録しており、複数の学習コンテンツを仮の推薦対象として算出し、当該複数の仮の推薦対象と最も類似した学習コンテンツによって構成される学習コンテンツ組を基本推薦対象とし、当該複数の仮の推薦対象と選択された基本推薦対象を構成する学習コンテンツとの類似性が所定値以下の場合には、複数の仮の推薦対象に基づいて、前記基本推薦対象の要求対象を修正し、新たな学習コンテンツ組を生成し、これを推薦対象とすることを特徴としている。
【００５１】
したがって、適切な学習コンテンツ組が見いだせない場合には、自動的に新たな学習コンテンツ組を生成して、これを推薦対象とすることができる。
【００５２】
（２９）この発明に係る推薦サーバ装置は、端末装置からの申し込みに応じて学習コンテンツを提供する推薦サーバ装置であって、端末装置からの申し込みに応じて、当該申し込みに対応する学習コンテンツを端末に提供するよう構成されており、推薦を行う対象とする対象ユーザの履修履歴に最も類似する履修履歴を有する他のユーザの履修履歴に含まれる学習コンテンツのうち、当該対象ユーザの履修履歴に含まれていない履修履歴を推薦対象として抽出することを特徴としている。
【００５３】
したがって、最も類似する履修傾向を有する他のユーザの要求履歴に基づいて、当該ユーザがまだ履修していない学習コンテンツを推薦することができる。
【００５４】
（３０）この発明の学習コンテンツ推薦方法は、端末装置からの申し込みに応じた学習コンテンツを提供するサーバ装置と、当該サーバ装置と通信可能な端末装置とを用いた学習コンテンツ推薦方法であって、端末装置は、ユーザの指令を受けて、前記サーバ装置に向けて申し込みを行い、サーバ装置は、端末装置からの申し込みに応じて、当該申し込みに対応する学習コンテンツを提供するものであって、サーバ装置は、各ユーザの履修履歴に基づいて各ユーザをグルーピングし、当該グループが有する理数履歴と、特定のユーザの有する履修履歴とに基づいて、当該ユーザに対して学習コンテンツの推薦を行うことを特徴としている。
【００５５】
「グループが有する要求傾向」とは、当該グループに関連する要求傾向であり、グループの平均的な要求傾向やグループ内の特定のユーザの要求傾向などを含む概念である。
【００５６】
「申し込みに対応する処理」には、申し込みに応じて行う受注処理、商品送信処理、アクセス許可キーやパスワードなどの発行処理を含む。
【００５７】
「要求履歴」とは、少なくともサーバ装置に対して何らかの処理を申し込んだ履歴であり、実施形態では、履修履歴がこれに対応する。
【００５８】
「要求傾向」とは、過去の要求における傾向をいい、どのような要求対象を要求したかなどの傾向を含む概念である。
【００５９】
「要求対象」とは、サーバ装置に対して行う申し込みの対象であり、商品やサービスを含む概念である。実施形態では、カリキュラムや学習パーツがなどがこれに該当する。
【００６０】
「要求対象組」とは、要求対象が複数集まって構成されるものをいう。実施形態では、学習パーツが集まって構成されるカリキュラムがこれに該当する。
【００６１】
「学習コンテンツ」とは、学習に利用されるプログラムやデータであり、実施形態では、カリキュラムや学習パーツがこれに対応する。
【００６２】
「学習コンテンツ組」とは、学習コンテンツが複数集まって構成されるものをいう。実施形態では、学習パーツが集まって構成されるカリキュラムがこれに該当する。
【００６３】
「プログラム」とは、ＣＰＵにより直接実行可能なプログラムだけでなく、ソース形式のプログラム、圧縮処理がされたプログラム、暗号化されたプログラム等を含む概念である。
【００６４】
この発明の一実施形態による推薦システムを、学習システムに適用した場合を例として説明する。
【００６５】
図１は、本システムの全体構成である。インターネット８を介して、多数の端末装置２、４およびサーバ装置６が通信可能に接続されている。サーバ装置６は、学習コンテンツを記録しており、端末装置２、４の要求に応じて、記録されている学習コンテンツを提供する。また、サーバ装置６は、端末装置２を使用する学習者（ユーザ）に対して、学習コンテンツを推薦する機能を有している。
【００６６】
図２に、サーバ装置６の推薦に関連する部分の機能を示す。サーバ装置６は、端末との通信を行う通信手段１２備えている。また、カリキュラム検索手段３０は、端末装置２、４からの検索要求を受けて、カリキュラムデータベース（ＤＢ）２６を検索し、検索結果を端末装置２、４に送り返す。カリキュラム提供手段３２は、端末装置２、４のユーザからの要求に応じて、カリキュラムＤＢ２６に記録されているカリキュラム（学習コンテンツ）を提供する。この実施形態では、端末装置２、４のブラウザに対して学習コンテンツを表示し、カリキュラムの提供を行うようにしている。しかし、学習コンテンツをダウンロードするようにして提供してもよい。
【００６７】
学習履歴管理手段１４は、各ユーザに提供したカリキュラムを記録するものである。つまり、各ユーザの学習履歴（履修履歴）を、学習履歴データベース（ＤＢ）１６に記録蓄積するものである。また、学習履歴管理手段１４は、カリキュラム終了したユーザに対して満足度を問い合わせ、また、テストを行って理解度を評価し、満足度と理解度の合計である学習効果も併せて学習履歴として記録するようにしている。
【００６８】
相関抽出手段１８は、学習履歴ＤＢ１６に記録された学習履歴のうち、理解度が所定値以下のものを取り除いて、各ユーザごとにどのようなカリキュラムを履修したかを示す相関関係表２０を生成する。
【００６９】
強相関グループ作成手段２４は、この相関関係表２０に基づいて、強相関グループ情報２８を生成する。強相関グループ情報２８は、各ユーザごとに、関連度の高い他のユーザを示した表である。つまり、各ユーザごとに、形成されたグループを示すものである。
【００７０】
推薦手段２２は、強相関グループ情報２８と学習者ＤＢ１６に基づいて、推薦するカリキュラムを決定する。推薦手段２２は、当該推薦カリキュラムの説明情報を、カリキュラムＤＢ２６が読み出して、通信手段１２を介し、端末装置２、４に送信する。このようにして、適切なカリキュラムを推薦することができる。
【００７１】
なお、この実施形態では、学習履歴管理手段１４と推薦手段２２によってカリキュラム推薦部３６が構成され、相関関係表生成手段１８と強相関グループ作成手段２４によって強相関グループ作成部３８が構成されている。
【００７２】
学習履歴管理手段１４は、図７のステップＳ３２がこれに対応する。相関関係表生成手段１８は、図１０のステップＳ６１がこれに対応する。強相関グループ作成手段２４は、図１０のステップＳ６２、Ｓ６３がこれに対応する。推薦手段２２は、図１４のステップＳ８２、Ｓ８３、Ｓ８４がこれに対応する。カリキュラム検索手段３０は、図７のステップＳ３１がこれに対応する。
【００７３】
図３に、サーバ装置６のハードウエア構成を示す。ＣＰＵ４８には、ディスプレイ４０、キーボード／マウス４２、ＣＤ−ＲＯＭドライブ４４、通信回路４６、メモリ５０、ハードディスク５２が接続されている。通信回路４６は、インターネットと通信をするための回路である。メモリ５０は、ＣＰＵ４８のワーク領域として使用するものである。ハードディスク５２には、学習者ＤＢ１６、カリキュラムＤＢ２６、相関関係表５８、強相関グループ情報６０が記録される。さらに、オペレーティングシステム（マイクロソフト社のＷＩＮＤＯＷＳ（商標）など）６４、学習処理を進行するための学習プログラム６３、推薦を行うための推薦プログラム６２も記録されている。
【００７４】
この学習プログラム６３、推薦プログラム６２は、ＣＤ−ＲＯＭ６６から、ＣＤ−ＲＯＭドライブ４４を介してインストールされたものである。この実施形態では、これらプログラムは、ＯＳ６４と協働して処理を行うようにしているが、学習プログラム６３、推薦プログラム６２単体で機能するようにしてもよい。
【００７５】
端末装置２や４のハードウエア構成は、基本的にサーバ装置６と同じである。ただし、ハードディスク５２には、学習者ＤＢ１６、カリキュラムＤＢ２６、相関関係表５８、強相関グループ情報６０、推薦プログラム６２、学習プログラム６３は記録されておらず、ブラウザプログラムが記録されている。端末装置２、４からは、このブラウザプログラムによって、サーバにアクセスするようにしている。
【００７６】
図４に、会員登録処理における端末装置２（または４）側の処理とサーバ装置６側の処理を示す。端末装置（学習者端末）２の処理は、ブラウザプログラムの行う処理である。サーバ装置６の処理は、学習プログラム中の会員登録処理の部分である。
【００７７】
ユーザが端末装置２を操作して会員登録画面の要求を行う。これにより、端末装置２のＣＰＵは、会員登録画面をサーバ装置６に対して要求する（ステップＳ１）。これに応じて、サーバ装置６のＣＰＵ４８は、会員登録画面を返送する（ステップＳ１１）。図５に、会員登録画面を示す。
【００７８】
ユーザによって入力された情報は、サーバ装置６に送り返される（ステップＳ２）。サーバ装置６の（サーバ装置６のＣＰＵ４８による処理を、サーバ装置６の処理と省略する。以下同じ）は、これを学習者ＤＢ１６に登録する（ステップＳ１２）。その後、登録の通知を、端末装置２に送信する。
【００７９】
図６に、学習者ＤＢ４５の内容である学習者情報を示す。端末装置２から送信されてきた基本個人情報（姓名など）、経歴情報（出身など）が記録される。さらに、サーバ装置６は、各ユーザに対してユニークな識別符号（ＩＤ）を与えて記録する。また、登録日時も記録する。なお、学習履歴の欄は、当該ユーザが履修を行うことによって追加されていく。
【００８０】
図７に、カリキュラムの検索と履修の処理を示す。端末装置２の処理は、ブラウザプログラムにより処理を示すものである。サーバ装置６の処理は、推薦プログラムの検索履修の部分を示すものである。
【００８１】
ユーザの操作により、端末装置２からカリキュラム（学習プログラム）検索画面の要求があると、図８に示すようなカリキュラム検索画面が、サーバ装置６から返送される。端末装置２においてユーザが検索条件を入力し、検索ボタンをクリックすると、検索指令がサーバ装置６に送信される（ステップＳ２１）。サーバ装置６は、これを受けて、与えられた検索条件に従って、カリキュラムＤＢ２６を検索する。
【００８２】
図９に、カリキュラムＤＢの内容を示す。カリキュラムごとにユニークに付されたＩＤ、登録日時が記録されている。また、基本情報として、タイトル、概要説明文、制作者名などが記録されている。さらに、キーワード検索のためのキーワードや、対象とする受講者の年齢・学歴などの属性が記録されている。また、このカリキュラムを構成するパーツが記述されている。ここで、パーツとは、カリキュラムを細分化した単位要素である。たとえば、カリキュラムが、「技術者のための知的財産入門」であれば、パーツとして、「特許の歴史」「特許要件」「特許出願手続」「特許権の効力」・・・などが記述されることになる。
【００８３】
図７に戻って、サーバ装置６は、検索結果を端末装置２に返信する（ステップＳ３１）。これを受けて、端末装置２のユーザは、受講したいカリキュラムがあればこれを選択して受講を要求する。サーバ装置６は、これを受け、端末装置２に向けて、当該カリキュラムのパーツを端末装置２に送信する。端末装置２は、このパーツに基づいて、学習を進める（ステップＳ２２）。
【００８４】
サーバ装置６は、図６の学習者ＤＢ１６における当該ユーザの「学習履歴」の欄に、ユーザが受講した当該カリキュラムのＩＤを記録する（ステップＳ３２）。このようにして、学習者ＤＢには、学習履歴が蓄積されていくことになる。
【００８５】
図１０に、演習および評価処理のフローチャートを示す。端末装置２の処理は、ブラウザプログラムによる処理であり、サーバ装置６の処理は推薦プログラムによる処理である。なお、サーバ装置６の処理を、カリキュラム推薦部３６と強相関グループ作成部３８の処理に分けて示している。これは、この実施形態においては、推薦プログラム６２が、カリキュラム推薦部３６のモジュールと強相関グループ作成部３８のモジュールとを備えているからである。
【００８６】
ユーザがカリキュラムを終了すると、端末装置２を操作して、演習・評価画面の要求を行う（ステップＳ４１）。サーバ装置６は、これを受けて、演習／評価画面を返信する（ステップＳ５１）。
【００８７】
演習・評価画面を図１１に示す。画面上部には、修了したカリキュラムの理解度を測るための演習問題が示されている。ユーザは、端末装置２を操作して解答を入力する。画面下部には、カリキュラムの内容を理解できたかどうかなど、カリキュラムに対するユーザの主観的評価を入力するエリアが示されている。
【００８８】
入力後、送信ボタンを押すと、これらの解答・入力は、サーバ装置６に送信される（ステップＳ４２）。これを受けて、サーバ装置６は、学習効果を評価する（ステップＳ５２）。つまり、演習の解答によって得られるカリキュラム内容に対する客観的な理解度と、評価に対する回答によって得られるカリキュラムに対する主観的な満足度とに基づいて、学習効果を評価する。たとえば、演習問題の各問ごとに点数を与えておき、正解なら当該点数を付与し、誤答なら０点として、全問題についての点数を合計して理解度を得ることができる。また、各評価の質問ごとに、「はい」の場合の配点と、「いいえ」の場合の配点とを決めておき、全室問についての点数を合計して満足度を得ることができる。全体としての学習効果は、理解度と満足度を合計したものとすればよい。
【００８９】
次に、サーバ装置６は、所定の学習効果に達していない（学習効果の低い）場合には学習効果フラグを「０」、所定の学習効果を越えている（学習効果のあった）場合には学習効果フラグを「１」とする。このようにして算定した学習効果フラグの値を、図６の学習者ＤＢの、当該ユーザの学習履歴の欄に反映する。つまり、当該ユーザの学習履歴欄において、当該カリキュラムのＩＤの後に、この学習フラグの値を追加する（ステップＳ５３）。図６においては、−の後に続けてフラグが記述されているのがわかる。
【００９０】
これにより、各ユーザの学習履歴欄に記述されている各カリキュラムについて、所定の学習効果を奏したか否かを判断することができる。なお、履修が開始されているものの、まだ、終了していないカリキュラムについては、このフラグが記述されない。図６の、ユーザＩＤ「０００００１」のカリキュラム「００１１３」などがこれに該当する。
【００９１】
次に、サーバ装置６は、学習者ＤＢの学習履歴欄に基づいて、相関関係表を生成する（ステップＳ６１）。この相関関係表は、各ユーザが終了したカリキュラムのうち、学習効果フラグが「１」のものを選択して表にしたものである。図１２に、相関関係表を示す。図１２では、たとえば、ユーザ「０００００１」が履修したカリキュラムのうち、学習効果のあったカリキュラムとして「０００１６８」「０００４２６」「０００７９５」「００１８６５」「００２６８３」「００２８４８」などが記述されている。
【００９２】
次に、サーバ装置６は、この相関関係表を用いて、学習履歴における相関の強いユーザをグルーピングし、強相関グループ情報を生成する（ステップＳ６２）。たとえば、図１２の相関関係表においては、ユーザ「０００００１」と「０００００３」がともにカリキュラム「００４２６」を有効に履修している（履修して学習効果を上げている）。したがって、ユーザ「０００００１」と「０００００３」は、相関値「１」を有することになる。ユーザ「０００００１」と「０００００３」が、他のカリキュラムにおいても共通していれば、相関値は「２」となる。つまり、ユーザＸとＹとの相関値は、両ユーザにおいて共通して有効に履修したカリキュラムの数Ｎとして算出できる。
【００９３】
上記の処理を、ユーザ「０００００１」を中心として、全てのユーザについて行う。これにより、ユーザ「０００００１」に関して、各ユーザの相関値を得ることができる。ユーザ「０００００１」は、この相関値が「１」以上の他のユーザとグループを構成することになる。これら他のユーザを、ユーザ「０００００１」の強相関グループとする。
【００９４】
図１３は、強相関グループ情報である。ユーザ「０００００１」は、ユーザ「０００００３」「０００４８２」「００１８６２」などとグループを構成していることが示されている。なお、サーバ装置６は、相関ユーザ１の欄に最も相関値の高いユーザを記述し、相関ユーザ２の欄、相関ユーザ３の欄と右へ行くほど相関値の低いユーザを記述する。また、ユーザ「０００００２」以下についても、上記と同様にして、強相関グループ情報を算出して記述する。
【００９５】
なお、サーバ装置６は、相関関係表、強相関グループ情報の更新において、変更のあったユーザについてのみこれを行う（ステップＳ６３）。
【００９６】
また、この実施形態では、いずれかのユーザがカリキュラムを終えるごとに相関関係表、強相関グループ情報を再計算するようにしている。しかし、所定期間ごと（たとえば、週末、月末など）に再計算を行うようにしてもよい。
【００９７】
次に、カリキュラムの推薦処理を図１４に示す。ユーザが、端末装置２からカリキュラム推薦のリクエストを行う（ステップＳ７１）。ここでは、ユーザ「０００００１」がカリキュラム推薦のリクエストを行ったものとする。このリクエストは、そのユーザＩＤ「０００００１」とともにサーバ装置６に送信される（ステップＳ８１）。サーバ装置６のカリキュラム推薦モジュール３６は、これを受けて、強相関グループ作成モジュール３８に対して、ユーザ「０００００１」の強相関グループ情報をリクエストする（ステップＳ８１）。
【００９８】
強相関グループ作成モジュール３８は、図１３の強相関グループ情報の中から、ユーザ「０００００１」に関するグループ情報を抽出して、カリキュラム推薦モジュール３６に与える（ステップＳ９１）。つまり、図１３の１行目のデータを与える。
【００９９】
これを受けて、カリキュラム推薦モジュール３６は、グループ情報に属する各ユーザが履修したカリキュラムを、学習者ＤＢから読み出して、図１５に示す中間表を生成する（ステップＳ８２）。なお、この中間表では、図１３の相関ユーザ１の欄に記載されているユーザから順に、記載される。つまり、相関値の高いユーザから順に記載されることになる。なお、この中間表は、一次的にメモリ５０上に生成される。また、この実施形態では、中間表に展開するカリキュラムとしては、学習効果フラグが「１」のもののみを選択するようにしている。しかし、「０」のものも含めて中間表を作成してもよい。
【０１００】
次に、カリキュラム推薦モジュール３６は、最も相関値の高いユーザ（図１５では、ユーザ「０００００３」）の履修コンテンツのうち、カリキュラム推薦をリクエストしたユーザ「０００００１」が履修していないカリキュラムを抽出する（ステップＳ８３）。なお、ユーザ「０００００１」が履修したカリキュラムは、学習者ＤＢ１６から取得することができる。
【０１０１】
このようにして抽出した推薦カリキュラムについて、推薦の優先度を決定する。この実施形態では、ユーザ「００００００３」の相関値を、優先度とする。ここでは、優先度の値が高いほど、優先度が高いとする。
【０１０２】
ユーザ「０００００３」についての処理を終えると、次に相関値の高いユーザ「０００４８２」について同様の処理を行う。ただし、ユーザ「０００００１」に関して抽出したカリキュラムと同じカリキュラムを抽出した場合には、当該カリキュラムの優先度を、ユーザ「０００００１」の相関値と、ユーザ「０００００３」の相関値とを加えた値とする。したがって、グループに属する多くのユーザに共通して抽出された推薦カリキュラムが、優先度が高くなる。
【０１０３】
以上の処理を、中間表の全てのユーザについて行う。このようにして得た推薦カリキュラムのうち、優先度の高いものから所定数を選択する。たとえば、優先度の高いものから３つを選択する。
【０１０４】
なお、この優先度を算出する際に、ユーザ「０００００１」が履修したカリキュラムと、各カリキュラムとの類似度を考慮して計算するようにしてもよい。
【０１０５】
次に、カリキュラム推薦モジュール３６は、各推薦カリキュラムの概要説明や各パーツの説明をカリキュラムＤＢから読み出す（ステップＳ８４）。続いて、カリキュラム推薦モジュール３６は、これらのデータをリクエストのあった端末装置２に返信する（ステップＳ８６）。
【０１０６】
これを受けて、端末装置２は、送られてきた推薦カリキュラムのデータを表示する（ステップＳ７２）。図１６に、端末装置２において表示される推薦画面を示す。タイトルとしてカリキュラム名が表示され、概要説明が表示される。また、このカリキュラムを構成する各パーツの説明も表示される。なお、次ボタン１０２を押すことにより、次の推薦候補を表示することができる。この表示順序は、前記優先度の高いものの順に行われる。
【０１０７】
このようにして、ユーザに対してカリキュラムの推薦を行うことができる。なお、この実施形態では、ユーザは、推薦画面から申し込みボタン１０４を押してカリキュラム提供を要求し、当該カリキュラムの履修を行うことができる。
【０１０８】
なお、上記実施形態では、カリキュラム単位で推薦を行うようにしたが、パーツ単位で上記と同様の処理を行って、パーツについて推薦を行うようにしてもよい。つまり、図１５の中間表を生成する際に、カリキュラムＤＢ２６を参照して、カリキュラムに代えて、各ユーザが履修したカリキュラムに含まれるパーツを記述すれば、パーツ単位での推薦を行うことができる。なお、異なるカリキュラムに同一のパーツが含まれていた場合には、１つのパーツに統合する。
【０１０９】
また、上記のようにパーツ単位で中間表を作成しつつ、カリキュラムについて推薦を行うようにしてもよい。このような実施形態による推薦処理を、図１７に示す。ステップＳ８３では、中間表に記述されている学習パーツのうち、推薦をリクエストしたユーザの履修していない学習パーツを抽出する。これら各学習パーツについて、カリキュラムにおいて説明したと同様の手法により優先度を算出し、優先度の高いものから順に、所定数の学習パーツを選択する。
【０１１０】
次に、カリキュラム推薦モジュール３６は、この所定数の学習パーツ（学習パーツ列）を、強相関グループ作成モジュールに与える（ステップＳ８４）。この学習パーツ列を受けた強相関グループ作成モジュール３８は、この学習パーツ列に最も近い構成を有するカリキュラムをカリキュラムＤＢ２６から検索する。
【０１１１】
検索は以下のようにして行う。学習パーツ列を、各カリキュラムごとにそれに含まれる学習パーツと比較し、合致度Ｍを算出する。ここで、合致度Ｍは、学習パーツ列とカリキュラム学習パーツとで合致したパーツの数ＭＭを、学習パーツ列のパーツの数ＭＥで乗じたものである。このようにして各カリキュラムごとに合致度を算出し、最も合致度の高いカリキュラムを検索結果として得る。
【０１１２】
強相関グループ作成モジュール３８は、検索したカリキュラムをその合致度とともにカリキュラム推薦モジュール３６に伝える（ステップＳ９２）。これを受けたカリキュラム推薦モジュール３６は、合致度が所定値を越えているかどうかを判断する。所定値を越えていれば、このカリキュラムを推薦カリキュラムとして端末装置２に送信する（ステップＳ８６）。
【０１１３】
合致度が所定値を越えていなければ、学習パーツ列によって新たなカリキュラムを生成する（ステップＳ８５）。この新たなカリキュラムを強相関グループ作成モジュール３８に伝え、カリキュラムＤＢに新規登録させる（ステップＳ９３）。また、この新たなカリキュラムを推薦カリキュラムとして端末装置２に送信する（ステップＳ８６）。
【０１１４】
以上のようにすれば、単なるカリキュラムの推薦だけでなく、新たなカリキュラムの生成を行うこともできる。
【０１１５】
なお、上記では、学習パーツ列によって新たなカリキュラムを生成したが、カリキュラムを学習パーツ列によって修正して新たなカリキュラムを生成してもよい。たとえば、学習パーツ間の類似度をあらかじめ記録しておく。カリキュラムに含まれる学習パーツと学習パーツ列との間で合致しない不一致学習パーツを選び出す。カリキュラムに含まれる不一致学習パーツのうち、学習パーツ列に含まれる不一致学習パーツと最も類似度の低いものを選択する。このようにして選択されたカリキュラム中の不一致学習パーツを、学習パーツ列中の不一致学習パーツと交換する。このようにして、カリキュラムを修正する。
【０１１６】
上記の各実施形態では、同一履修のカリキュラムの数に基づいて相関値を算出している。しかし、相関値（どの程度相関しているかの度合いを示す値）の算出において、カリキュラム間の類似度をあらかじめ定義しておき、この類似度を相関値の算出に反映してもよい。２つのカリキュラムの特徴が近接しているほど類似度を高くし、離れているほど類似度を低くする。同一のカリキュラムは、類似度が最も高く「１」とする。２つのユーザの相関値を算出する場合には、比較する両ユーザの履修カリキュラムを総当たりで比較し、各比較における両カリキュラムの類似度を合計すればよい。
【０１１７】
上記各実施形態では、学習効果のあったカリキュラムの中から推薦カリキュラムを選択している。しかし、学習効果のなかったカリキュラムや学習を開始して終了していないカリキュラムも対象としてもよい。また、各ユーザによるカリキュラムの検索結果も履歴として記録しておき、この検索されたカリキュラムも推薦の対象としてもよい。
【０１１８】
上記各実施形態では、各ユーザごとにグルーピングを行っている。したがって、１人のユーザが複数のグループに属する可能性がある。これに対し、１人のユーザが必ず１つのグループにのみ属するようにグルーピングをしてもよい。なお、グルーピングの際に、各ユーザの属性（性格、出身学部など）の類似性を考慮してもよい。
【０１１９】
上記各実施形態では、いずれのカリキュラムを推薦するかを決定するための優先度算出において、ユーザ間の相関値を用いている。しかし、さらに、各ユーザがいずれのカリキュラムを検索したかを記録しておき、推薦をリクエストしたユーザが検索したカリキュラムの優先度を高くするようにしてもよい。
【０１２０】
また、最も高い相関値を有するユーザの履修したカリキュラムの中で、推薦をリクエストしたユーザが履修していないカリキュラムを推薦カリキュラムとしてもよい。この場合、グルーピングを行ってもよいし、行わなくともよい。
【０１２１】
なお、図１３の強相関グループ情報において、各ユーザごとに相関値を併せて記録しておけば、後の処理の際に容易に相関値を得ることができる。
【０１２２】
また、推薦をリクエストする際に、ユーザが、所望のカリキュラムの属性（料金、履修期間、分野などの特徴）を端末装置から入力するようにし、推薦カリキュラムを選ぶ際に、この属性を考慮するようにしてもよい。たとえば、この属性に合致するカリキュラムのなかから、上記実施形態の手法によって推薦カリキュラムを選択するようにしてもよい。
【０１２３】
上記各実施形態では、ユーザの要求によって、カリキュラムの推薦を行っている。しかし、ユーザの要求がなくとも、サーバ装置６の側から自発的に推薦を行うようにしてもよい。たとえば、ユーザがカリキュラムを修了した際に、推薦を行うことができる。
【０１２４】
上記実施形態では、教育カリキュラムの提供を例として説明した。しかし、サーバ装置６にアクセスして商品やサービスに対する購入・提供などの要求を行う場合一般に適用することができる。また、複数の商品を組み合わせたセット商品や複数のサービスを統合した統合サービスなどは、上記実施形態におけるカリキュラムと学習パーツと同じように扱うことができる。
【０１２５】
上記各実施形態では、インターネット８によって通信を行っているが、ＬＡＮなどのネットワークによって通信を行うようにしてもよい。
【０１２６】
なお、上記各実施形態では、端末装置２、４とサーバ装置６とによって構築されているが、１台のコンピュータにて、これら装置の処理を行うようにしてもよい。この場合、複数のユーザが、この１台のコンピュータを用いることになる。たとえば、自動販売機などの場合には、このような形態があり得る。
【０１２７】
なお、上記実施形態では、サーバ装置６の算出した推薦内容を、端末装置２のブラウザにて表示するよいうにしている。しかし、メールなどによって送信してもよい。また、コンピュータ操作による電話やファクシミリによって、ユーザに伝達してもよく、プリントアウトをユーザに郵送してもよい。
【０１２８】
また、端末装置２からサーバ装置６に購入などの要求を行う場合だけでなく、購入要求などは、電話などで行い、その購入要求データを別途サーバ装置６に入力するような場合にも、適用することができる。
【図面の簡単な説明】
【図１】この発明の一実施形態による推薦システムの全体構成である。
【図２】サーバ装置６機能ブロックを示す図である。
【図３】サーバ装置６のハードウエアを示す図である。
【図４】会員登録処理のフローチャートである。
【図５】会員登録画面を示す図である。
【図６】学習者情報を示す図である。
【図７】カリキュラムの検索と履修処理を示す図である。
【図８】カリキュラム検索画面を示す図である。
【図９】カリキュラムＤＢを示す図である。
【図１０】演習および評価のフローチャートを示す図である。
【図１１】演習・評価画面を示す図である。
【図１２】相関関係表を示す図である。
【図１３】強相関グループ情報を示す図である。
【図１４】推薦処理のフローチャートである。
【図１５】中間表を示す図である。
【図１６】推薦画面を示す図である。
【図１７】他の実施形態による推薦処理のフローチャートである。
【符号の説明】
２、４・・・端末装置
６・・・サーバ装置
８・・・インターネット[0001]
[Prior art]
2. Description of the Related Art There is known a system that recommends services and products according to a user's personality and purchase history. For example, Patent Literature 1 discloses a system in which a character of a learner is estimated based on a learning record of a user, and a learning material to be provided next is changed based on the character of the learner. Thereby, it is possible to select a teaching material to be used next according to the character of the user.
[0002]
However, since the learning material to be used next is determined based only on the character of the learner, the selection of the learning material is fixed, and there is a possibility that the development potential is lost.
[0003]
An object of the present invention is to provide a system capable of making a more highly evolvable recommendation in recommending a product or service.
[0004]
[Patent Document 1]
JP 2002-196658 A
[Means for Solving the Problems]
(1) A recommendation system according to the present invention is a recommendation system including a server device that performs a process according to an application from a terminal device, and a terminal device capable of communicating with the server device. In response to the request, the server device makes an application to the server device, and the server device is configured to execute a process corresponding to the application in response to the application from the terminal device. Are grouped based on the request history of the group, and based on the request tendency of the group and the request tendency of a specific user, an application target is recommended to the user.
[0005]
Therefore, in accordance with a change in a request from another user, a recommendation target for the user dynamically changes, and a highly developable recommendation can be performed.
[0006]
(4) The recommendation system according to the present invention is characterized in that, in the grouping, for each user, other users having similar request history and request history tendency are grouped.
[0007]
Therefore, the application target can be recommended based on the request tendency of another user having the same request tendency.
[0008]
(5) The recommendation system according to the present invention is characterized in that the grouping is performed in consideration of the attribute similarity of the request target.
[0009]
Therefore, the grouping can be performed in consideration of the attributes of the request target, and the request target can be more appropriately recommended.
[0010]
(6) The recommendation system according to the present invention is characterized in that grouping is performed in consideration of attribute similarity of each user.
[0011]
Therefore, the request target can be more appropriately recommended.
[0012]
(7) The recommendation system according to the present invention extracts, as a recommendation target, a request target that is not included in the request history of the user among request targets included in the request history of another user in the group to which the user belongs. It is characterized by doing.
[0013]
Therefore, it is possible to recommend a request target that is considered to be interesting to the user in view of the tendency of another user.
[0014]
(8) The recommendation system according to the present invention is characterized in that a request target of another user having a request tendency having a high degree of similarity to the request tendency of the user has a higher priority of recommendation.
[0015]
Therefore, it is possible to more appropriately recommend a request target that is considered to be interesting to the user.
[0016]
(9) The recommendation system according to the present invention is characterized in that a request target is extracted as a recommendation target in consideration of a request target attribute given from a terminal device by a user.
[0017]
Therefore, the request target can be recommended within the range of the attribute of the request target desired by the user.
[0018]
(10) The recommendation system according to the present invention is characterized in that the application is an application to purchase a product or an offer to provide a service.
[0019]
Therefore, services and products can be recommended to the user.
[0020]
(11) The recommendation system according to the present invention is characterized in that the application is an application for learning content distributed by the server device.
[0021]
Therefore, it is possible to recommend the learning content to the user.
[0022]
(12) In the recommendation system according to the present invention, a request target group is formed by gathering a plurality of request targets, and the request target group and the definition of the request target constituting the request target group are recorded in advance, and the plurality of request targets are defined. It is characterized in that a target is calculated as a temporary recommendation target, and a request target set composed of request targets similar to the plurality of temporary recommendation targets is set as a recommendation target.
[0023]
Therefore, the recommendation target can be selected more accurately.
[0024]
(13) In the recommendation system according to the present invention, a request target group is formed by collecting a plurality of request targets, and the request target group and the definition of the request target constituting the request target group are recorded in advance, and the plurality of request targets are defined. The target is calculated as a tentative recommendation target, and a request target set composed of the request objects most similar to the plurality of tentative recommendation targets is set as a basic recommendation target. If the similarity with the request target constituting is less than or equal to a predetermined value, the request target of the basic recommendation target is modified based on a plurality of provisional recommendation targets, a new request target set is generated, and It is characterized by being recommended.
[0025]
Therefore, when an appropriate recommendation target cannot be found, a preferable request target set can be automatically generated and recommended.
[0026]
(14) A recommendation server device according to the present invention is a recommendation server device that performs a process corresponding to an application from a terminal device, and is configured to execute a process corresponding to the application in response to an application from a terminal device. Of the request targets included in the request history of another user having the request tendency most similar to the request tendency of the target user to be recommended, and not included in the request history of the target user. Is extracted as a recommendation target.
[0027]
Therefore, based on the request history of another user having the most similar request tendency, a request target that the user has not yet requested can be recommended.
[0028]
(15) A recommendation method according to the present invention is a recommendation method using a server device that performs a process according to an application from a terminal device and a terminal device that can communicate with the server device. In response to the request, the server device makes an application to the server device, and the server device executes a process corresponding to the application in response to the application from the terminal device. Each user is grouped based on the request history, and based on the request tendency of the group and the request tendency of a specific user, an application target is recommended to the user.
[0029]
Therefore, in accordance with a change in a request from another user, a recommendation target for the user dynamically changes, and a highly developable recommendation can be performed.
[0030]
(16) A learning content recommendation system according to the present invention is a learning content recommendation system that includes a recommendation server device that provides learning content in response to an application from a terminal device, and a terminal device that can communicate with the recommendation server device. The terminal device receives an instruction from the user and makes an application for attending the desired learning content to the recommendation server device. The recommendation server device responds to the application in response to the application from the terminal device. The recommendation server device is configured to provide the learning content to the terminal device, and the recommendation server device groups the users based on the learning history of the learning content of each user, and the learning tendency of the group and the target to be recommended. Recommend learning content to the target user based on the course of study of the target user Is constructed sea urchin.
[0031]
Therefore, the learning content recommended for the other user dynamically changes in accordance with the change of the course of another user, and a more highly-developed recommendation can be performed.
[0032]
(19) The learning recommendation system according to the present invention is characterized in that, in grouping, for each user, other users having a similar tendency to the user's study history are grouped.
[0033]
Therefore, the application target can be recommended based on the request tendency of another user having the same request tendency.
[0034]
(20) The learning recommendation system according to the present invention is characterized in that grouping is performed in consideration of a search history indicating which learning content each user has searched.
[0035]
Therefore, grouping can be performed in consideration of not only the course history but also the search history.
[0036]
(21) The learning recommendation system according to the present invention is characterized in that grouping is performed in consideration of attribute similarity of learning content.
[0037]
Therefore, grouping can be performed in consideration of the attributes of the learning content in the learning history of each learner.
[0038]
(22) The learning recommendation system according to the present invention is characterized in that grouping is performed in consideration of attribute similarity of each user.
[0039]
Therefore, it is possible to make a recommendation based on the study history of another user having similar user attributes.
[0040]
(23) The learning recommendation system according to the present invention obtains or determines the learning effect of the learning content that each user has taken from the terminal device, and determines, from the course history, learning content whose learning effect is equal to or less than a predetermined value, It is characterized in that it is excluded from the criteria for the grouping.
[0041]
Therefore, it is possible to make an appropriate recommendation using only the learning content that has been effective as a criterion for grouping.
[0042]
(24) The learning recommendation system according to the present invention sets, as a recommendation target, learning contents that are not included in the course history of the user among the learning contents included in the course history of another user in the group to which the user belongs. It is characterized by extraction.
[0043]
Therefore, it is possible to recommend learning contents that the user has not taken out of learning contents taken by another user having a similar tendency.
[0044]
(25) The recommendation system according to the present invention is characterized in that the learning content of another user having a high degree of learning history similar to the learning history of the user has a higher recommendation priority.
[0045]
Therefore, more effective recommendations can be made.
[0046]
(26) The recommendation system according to the present invention is characterized in that learning content is extracted as a recommendation target in consideration of a learning content attribute given from a terminal device by a user operation.
[0047]
Therefore, the learning content can be recommended within the range of the content attribute desired by the user.
[0048]
(27) In the recommendation system according to the present invention, a learning content group is formed by gathering a plurality of learning contents, and a relationship between the learning content group and the learning contents constituting the learning content group is recorded in advance. The content is calculated as a provisional recommendation target, and a learning content set including learning contents similar to the plurality of provisional recommendation targets is set as a recommendation target.
[0049]
Therefore, it is possible to more appropriately recommend the learning content set.
[0050]
(28) In the recommendation system according to the present invention, a learning content group is formed by gathering a plurality of learning contents, and a relationship between the learning content group and the learning contents constituting the learning content group is recorded in advance. The content is calculated as a tentative recommendation target, and a learning content set including learning contents most similar to the plurality of tentative recommendation targets is set as a basic recommendation target, and the plurality of tentative recommendation targets and the selected basic recommendation target are selected. If the similarity with the learning content constituting is less than or equal to a predetermined value, the request target of the basic recommendation target is corrected based on a plurality of provisional recommendation targets, a new learning content group is generated, and It is characterized by being recommended.
[0051]
Therefore, when an appropriate learning content set cannot be found, a new learning content set can be automatically generated and set as a recommendation target.
[0052]
(29) A recommendation server device according to the present invention is a recommendation server device that provides learning content in response to an application from a terminal device, and in response to an application from a terminal device, transmits learning content corresponding to the application to a terminal. Among the learning contents included in the course history of another user having the course history most similar to the course history of the target user to be recommended, and included in the course history of the target user. It is characterized in that the course history that has not been completed is extracted as a recommendation target.
[0053]
Therefore, based on the request history of another user who has the most similar course tendency, it is possible to recommend learning content that the user has not yet taken.
[0054]
(30) The learning content recommendation method of the present invention is a learning content recommendation method using a server device that provides learning content according to an application from a terminal device and a terminal device that can communicate with the server device. The terminal device receives an instruction from the user and makes an application to the server device, and the server device provides learning content corresponding to the application in response to the application from the terminal device, and The apparatus groups each user based on the study history of each user, and recommends learning content to the user based on the mathematical history of the group and the study history of a specific user. Features.
[0055]
The “requirement tendency of a group” is a request tendency related to the group, and is a concept including an average request tendency of the group, a request tendency of a specific user in the group, and the like.
[0056]
The “process corresponding to the application” includes an order receiving process, a product transmission process, an issuance process of an access permission key, a password, and the like performed in response to the application.
[0057]
The “request history” is a history of applying at least some processing to the server device, and in the embodiment, the course history corresponds to this.
[0058]
The “request tendency” refers to a tendency in a past request, and is a concept including a tendency such as what kind of request target is requested.
[0059]
The “request target” is a target of an application made to the server device, and is a concept including a product or a service. In the embodiment, a curriculum or a learning part corresponds to this.
[0060]
The “request target set” refers to a set formed by collecting a plurality of request targets. In the embodiment, this corresponds to a curriculum composed of learning parts.
[0061]
The “learning content” is a program or data used for learning, and in the embodiment, a curriculum or a learning part corresponds thereto.
[0062]
The “learning content group” refers to a configuration in which a plurality of learning contents are gathered. In the embodiment, this corresponds to a curriculum composed of learning parts.
[0063]
The “program” is a concept that includes not only a program directly executable by the CPU but also a source format program, a compressed program, an encrypted program, and the like.
[0064]
A case where the recommendation system according to an embodiment of the present invention is applied to a learning system will be described as an example.
[0065]
FIG. 1 shows the overall configuration of the present system. A large number of terminal devices 2, 4 and a server device 6 are communicably connected via the Internet 8. The server device 6 records the learning content, and provides the recorded learning content in response to a request from the terminal device 2 or 4. In addition, the server device 6 has a function of recommending learning content to a learner (user) using the terminal device 2.
[0066]
FIG. 2 shows functions of a part related to recommendation of the server device 6. The server device 6 includes a communication unit 12 for communicating with a terminal. Further, the curriculum search means 30 receives the search request from the terminal devices 2 and 4, searches the curriculum database (DB) 26, and returns the search result to the terminal devices 2 and 4. The curriculum providing means 32 provides the curriculum (learning content) recorded in the curriculum DB 26 in response to a request from the user of the terminal device 2, 4. In this embodiment, the learning contents are displayed on the browsers of the terminal devices 2 and 4, and the curriculum is provided. However, the learning content may be provided by downloading.
[0067]
The learning history management unit 14 records the curriculum provided to each user. That is, the learning history (learning history) of each user is recorded and accumulated in the learning history database (DB) 16. Further, the learning history management means 14 inquires the user who has completed the curriculum about the degree of satisfaction, evaluates the degree of understanding by performing a test, and also includes the learning effect, which is the sum of the degree of satisfaction and the degree of understanding, as a learning history. I try to record it.
[0068]
The correlation extracting unit 18 removes the learning histories recorded in the learning history DB 16 whose understanding level is equal to or less than a predetermined value, and generates a correlation table 20 indicating what curriculum the user has taken. I do.
[0069]
The strong correlation group creation means 24 generates strong correlation group information 28 based on the correlation table 20. The strong correlation group information 28 is a table showing, for each user, other users having a high degree of association. That is, it shows the group formed for each user.
[0070]
The recommendation unit 22 determines a curriculum to be recommended based on the strongly correlated group information 28 and the learner DB 16. The recommendation unit 22 reads out the explanation information of the recommended curriculum from the curriculum DB 26 and transmits the information to the terminal devices 2 and 4 via the communication unit 12. In this way, an appropriate curriculum can be recommended.
[0071]
In this embodiment, the curriculum recommendation unit 36 is configured by the learning history management unit 14 and the recommendation unit 22, and the strong correlation group creation unit 38 is configured by the correlation table creation unit 18 and the strong correlation group creation unit 24. .
[0072]
In the learning history management unit 14, step S32 in FIG. 7 corresponds to this. Step S61 in FIG. 10 corresponds to the correlation table generating means 18. Steps S62 and S63 in FIG. 10 correspond to the strong correlation group creating means 24. Steps S82, S83, and S84 in FIG. 14 correspond to the recommendation unit 22. In the curriculum search means 30, step S31 in FIG. 7 corresponds to this.
[0073]
FIG. 3 shows a hardware configuration of the server device 6. The display 48, the keyboard / mouse 42, the CD-ROM drive 44, the communication circuit 46, the memory 50, and the hard disk 52 are connected to the CPU 48. The communication circuit 46 is a circuit for communicating with the Internet. The memory 50 is used as a work area of the CPU 48. On the hard disk 52, a learner DB 16, a curriculum DB 26, a correlation table 58, and strong correlation group information 60 are recorded. Furthermore, an operating system (WINDOWS (trademark) of Microsoft Corporation) 64, a learning program 63 for proceeding with the learning process, and a recommendation program 62 for making a recommendation are also recorded.
[0074]
The learning program 63 and the recommendation program 62 are installed from the CD-ROM 66 via the CD-ROM drive 44. In this embodiment, these programs execute processing in cooperation with the OS 64. However, the learning program 63 and the recommendation program 62 may function alone.
[0075]
The hardware configuration of the terminal devices 2 and 4 is basically the same as that of the server device 6. However, the hard disk 52 does not record the learner DB 16, the curriculum DB 26, the correlation table 58, the strongly correlated group information 60, the recommendation program 62, and the learning program 63, but records a browser program. The terminal devices 2 and 4 access the server using the browser program.
[0076]
FIG. 4 shows a process on the terminal device 2 (or 4) side and a process on the server device 6 side in the member registration process. The process of the terminal device (learner terminal) 2 is a process performed by a browser program. The processing of the server device 6 is a part of the member registration processing in the learning program.
[0077]
The user operates the terminal device 2 to request the member registration screen. Thereby, the CPU of the terminal device 2 requests the server device 6 for the member registration screen (step S1). In response, the CPU 48 of the server device 6 returns a member registration screen (step S11). FIG. 5 shows a member registration screen.
[0078]
The information input by the user is sent back to the server device 6 (Step S2). The server device 6 (the process by the CPU 48 of the server device 6 is abbreviated to the process of the server device 6; the same applies hereinafter) registers this in the learner DB 16 (step S12). After that, a notification of registration is transmitted to the terminal device 2.
[0079]
FIG. 6 shows learner information, which is the content of the learner DB 45. Basic personal information (such as first and last names) and career information (such as origin) transmitted from the terminal device 2 are recorded. Further, the server device 6 gives each user a unique identification code (ID) and records it. The registration date and time are also recorded. In addition, the column of the learning history is added by the user performing the course.
[0080]
FIG. 7 shows a curriculum search and course process. The processing of the terminal device 2 indicates processing by a browser program. The process of the server device 6 indicates the part of the search program of the recommendation program.
[0081]
When a curriculum (learning program) search screen is requested from the terminal device 2 by the user's operation, a curriculum search screen as shown in FIG. When the user inputs search conditions in the terminal device 2 and clicks a search button, a search command is transmitted to the server device 6 (step S21). In response to this, the server device 6 searches the curriculum DB 26 according to the given search condition.
[0082]
FIG. 9 shows the contents of the curriculum DB. An ID and a registration date and time uniquely assigned to each curriculum are recorded. In addition, a title, a summary description, a creator name, and the like are recorded as basic information. Further, keywords for keyword search, and attributes such as the age and educational background of the target student are recorded. In addition, parts constituting the curriculum are described. Here, a part is a unit element obtained by subdividing a curriculum. For example, if the curriculum is “Introduction to Intellectual Property for Engineers”, parts such as “History of Patent”, “Patent Requirements”, “Patent Application Procedure”, “Effectiveness of Patent Right”, etc. are described. Will be.
[0083]
Returning to FIG. 7, the server device 6 returns a search result to the terminal device 2 (Step S31). In response, the user of the terminal device 2 requests the attendance by selecting the curriculum to be attended, if any. In response to this, the server device 6 transmits the curriculum parts to the terminal device 2 to the terminal device 2. The terminal device 2 proceeds with learning based on these parts (step S22).
[0084]
The server device 6 records the ID of the curriculum taken by the user in the “learning history” column of the user in the learner DB 16 of FIG. 6 (step S32). Thus, the learning history is accumulated in the learner DB.
[0085]
FIG. 10 shows a flowchart of the exercise and evaluation processing. The process of the terminal device 2 is a process by a browser program, and the process of the server device 6 is a process by a recommendation program. It should be noted that the processing of the server device 6 is divided into the processing of the curriculum recommendation unit 36 and the processing of the strong correlation group creation unit 38. This is because, in this embodiment, the recommendation program 62 includes a module of the curriculum recommendation unit 36 and a module of the strong correlation group creation unit 38.
[0086]
When the user finishes the curriculum, the user operates the terminal device 2 to request an exercise / evaluation screen (step S41). In response to this, the server device 6 returns an exercise / evaluation screen (step S51).
[0087]
The exercise / evaluation screen is shown in FIG. At the top of the screen are exercises to measure your understanding of the curriculum you have completed. The user operates the terminal device 2 to input an answer. The lower part of the screen shows an area for inputting the user's subjective evaluation of the curriculum, such as whether or not he / she understood the contents of the curriculum.
[0088]
When the transmission button is pressed after the input, these answers / inputs are transmitted to the server device 6 (step S42). In response, the server device 6 evaluates the learning effect (Step S52). That is, the learning effect is evaluated based on the objective degree of understanding of the curriculum contents obtained by the answers to the exercises and the subjective satisfaction with the curriculum obtained by the answers to the evaluation. For example, a score is given to each question of the exercise, the score is given if the answer is correct, and 0 is given if the answer is incorrect. In addition, for each question of each evaluation, a score in the case of "Yes" and a score in the case of "No" are determined, and the scores for all room questions can be summed up to obtain satisfaction. The learning effect as a whole may be the sum of the degree of understanding and the degree of satisfaction.
[0089]
Next, the server device 6 sets the learning effect flag to “0” when the predetermined learning effect is not reached (the learning effect is low), and when the predetermined learning effect is exceeded (there is a learning effect). Sets the learning effect flag to “1”. The value of the learning effect flag calculated in this way is reflected in the column of the learning history of the user in the learner DB of FIG. That is, in the learning history column of the user, the value of the learning flag is added after the ID of the curriculum (step S53). In FIG. 6, it can be seen that a flag is described following-.
[0090]
This makes it possible to determine whether or not each curriculum described in the learning history column of each user has achieved a predetermined learning effect. This flag is not described for a curriculum that has been started but not yet completed. The curriculum “00113” of the user ID “000001” in FIG. 6 corresponds to this.
[0091]
Next, the server device 6 generates a correlation table based on the learning history column of the learner DB (step S61). This correlation table is obtained by selecting a curriculum whose learning effect flag is “1” from the curriculum completed by each user. FIG. 12 shows a correlation table. In FIG. 12, for example, among the curriculums taken by the user "000001", "000168", "000426", "000795", "001865", "002683", "002848", and the like are described as curriculums that have a learning effect.
[0092]
Next, using the correlation table, the server device 6 groups users having a strong correlation in the learning history and generates strong correlation group information (step S62). For example, in the correlation table of FIG. 12, both the users “000001” and “000003” have effectively taken the curriculum “00426” (they have taken up the learning effect). Therefore, the users “000001” and “000003” have the correlation value “1”. If the users “000001” and “000003” are common in other curricula, the correlation value is “2”. That is, the correlation value between the users X and Y can be calculated as the number N of the curriculum that has been effectively and commonly taken by both users.
[0093]
The above processing is performed for all the users centering on the user “000001”. Thereby, a correlation value of each user can be obtained for the user “000001”. The user “000001” forms a group with other users whose correlation value is “1” or more. These other users are set as a strongly correlated group of the user “000001”.
[0094]
FIG. 13 shows strongly correlated group information. It is shown that the user “000001” forms a group with the users “000003”, “000482”, “001862”, and the like. The server device 6 describes the user having the highest correlation value in the column of the correlated user 1, and describes the user having the lower correlation value as going to the right in the column of the correlated user 2 and the column of the correlated user 3. Also, for the user “000002” and below, strong correlation group information is calculated and described in the same manner as described above.
[0095]
In updating the correlation table and the strongly correlated group information, the server device 6 performs this only for the user who has changed (step S63).
[0096]
In this embodiment, the correlation table and the strongly correlated group information are recalculated every time one of the users finishes the curriculum. However, recalculation may be performed every predetermined period (for example, at the end of a week or at the end of a month).
[0097]
Next, the curriculum recommendation process is shown in FIG. The user makes a request for curriculum recommendation from the terminal device 2 (step S71). Here, it is assumed that the user “000001” has made a request for curriculum recommendation. This request is transmitted to the server device 6 together with the user ID “000001” (Step S81). The curriculum recommendation module 36 of the server device 6 receives the request and requests the strongly correlated group creation module 38 for the strongly correlated group information of the user “000001” (Step S81).
[0098]
The strong correlation group creation module 38 extracts group information on the user “000001” from the strong correlation group information in FIG. 13 and gives the group information to the curriculum recommendation module 36 (step S91). That is, the data of the first row in FIG. 13 is given.
[0099]
In response to this, the curriculum recommendation module 36 reads the curriculum taken by each user belonging to the group information from the learner DB, and generates an intermediate table shown in FIG. 15 (step S82). Note that, in this intermediate table, the users are described in order from the user described in the column of the correlated user 1 in FIG. That is, the users are described in descending order of the correlation value. This intermediate table is generated on the memory 50 temporarily. Further, in this embodiment, as the curriculum developed in the intermediate table, only those whose learning effect flag is “1” are selected. However, an intermediate table may be created including those for "0".
[0100]
Next, the curriculum recommendation module 36 extracts a curriculum that has not been taken by the user “000001” who has requested the curriculum recommendation, from the course contents of the user with the highest correlation value (user “000003” in FIG. 15) ( Step S83). The curriculum taken by the user "000001" can be acquired from the learner DB16.
[0101]
The priority of recommendation is determined for the recommended curriculum extracted in this way. In this embodiment, the correlation value of the user “0000003” is set as the priority. Here, it is assumed that the higher the value of the priority, the higher the priority.
[0102]
When the process for the user “000003” is completed, the same process is performed for the user “000482” having the next highest correlation value. However, when the same curriculum as the curriculum extracted for the user “000001” is extracted, the priority of the curriculum is set to a value obtained by adding the correlation value of the user “000001” and the correlation value of the user “000003”. . Therefore, the recommendation curriculum commonly extracted by many users belonging to the group has a higher priority.
[0103]
The above processing is performed for all users in the intermediate table. From the recommended curriculum obtained in this way, a predetermined number is selected from those having higher priority. For example, three of the highest priority are selected.
[0104]
When calculating the priority, the calculation may be made in consideration of the similarity between the curriculum taken by the user “000001” and each curriculum.
[0105]
Next, the curriculum recommendation module 36 reads an outline description of each recommended curriculum and a description of each part from the curriculum DB (step S84). Subsequently, the curriculum recommendation module 36 returns these data to the terminal device 2 that has made the request (step S86).
[0106]
In response to this, the terminal device 2 displays the sent recommended curriculum data (step S72). FIG. 16 shows a recommendation screen displayed on the terminal device 2. The curriculum name is displayed as the title, and a brief description is displayed. Also, explanations of each part constituting the curriculum are displayed. By pressing the next button 102, the next recommendation candidate can be displayed. This display order is performed in the order of the highest priority.
[0107]
In this way, the curriculum can be recommended to the user. In this embodiment, the user can request the curriculum provision by pressing the application button 104 from the recommendation screen, and can take the curriculum.
[0108]
In the above-described embodiment, the recommendation is performed in the unit of a curriculum. However, the same processing as described above may be performed in the unit of a part to recommend the part. In other words, when generating the intermediate table in FIG. 15, by referring to the curriculum DB 26 and describing the parts included in the curriculum taken by each user instead of the curriculum, recommendation can be made in units of parts. . If the same parts are included in different curricula, they are integrated into one part.
[0109]
As described above, the curriculum may be recommended while the intermediate table is created for each part. FIG. 17 shows a recommendation process according to such an embodiment. In step S83, learning parts not taken by the user who has requested the recommendation are extracted from the learning parts described in the intermediate table. The priority of each of these learning parts is calculated by the same method as described in the curriculum, and a predetermined number of learning parts are selected in descending order of priority.
[0110]
Next, the curriculum recommendation module 36 provides the predetermined number of learning parts (learning part sequence) to the strongly correlated group creation module (step S84). The strongly correlated group creation module 38 receiving the learning part sequence searches the curriculum DB 26 for a curriculum having a configuration closest to the learning part sequence.
[0111]
The search is performed as follows. The learning part sequence is compared with the learning parts included in each curriculum, and the degree of matching M is calculated. Here, the degree of matching M is obtained by multiplying the number MM of parts that match between the learning part sequence and the curriculum learning part by the number ME of parts in the learning part sequence. In this way, the degree of matching is calculated for each curriculum, and the curriculum with the highest degree of matching is obtained as a search result.
[0112]
The strong correlation group creation module 38 transmits the searched curriculum to the curriculum recommendation module 36 together with the degree of matching (step S92). The curriculum recommendation module 36 receiving this determines whether or not the degree of matching exceeds a predetermined value. If it exceeds the predetermined value, the curriculum is transmitted to the terminal device 2 as a recommended curriculum (step S86).
[0113]
If the matching degree does not exceed the predetermined value, a new curriculum is generated by the learning part sequence (step S85). This new curriculum is transmitted to the strongly correlated group creation module 38 and newly registered in the curriculum DB (step S93). The new curriculum is transmitted to the terminal device 2 as a recommended curriculum (step S86).
[0114]
In this way, a new curriculum can be generated as well as a simple curriculum recommendation.
[0115]
In the above description, a new curriculum is generated by the learning part sequence, but a new curriculum may be generated by modifying the curriculum by the learning part sequence. For example, the similarity between learning parts is recorded in advance. Unmatched learning parts that do not match between the learning parts included in the curriculum and the learning part sequence are selected. From among the mismatched learning parts included in the curriculum, the one having the lowest similarity with the mismatched learning part included in the learning part sequence is selected. The mismatched learning parts in the curriculum selected in this way are replaced with the mismatched learning parts in the learning part sequence. In this way, the curriculum is modified.
[0116]
In each of the above embodiments, the correlation value is calculated based on the number of curriculums of the same course. However, in calculating the correlation value (a value indicating the degree of correlation), the similarity between curriculums may be defined in advance, and this similarity may be reflected in the calculation of the correlation value. The closer the two curriculum features are, the higher the similarity is, and the farther apart they are, the lower the similarity is. The same curriculum has the highest similarity and is “1”. When calculating the correlation value between two users, the curriculum of the two users to be compared may be compared on a brute force basis, and the similarity of the two curricula in each comparison may be summed.
[0117]
In each of the above embodiments, the recommended curriculum is selected from the curriculum having the learning effect. However, a curriculum that has no learning effect or a curriculum that has started learning and has not finished learning may be targeted. In addition, curriculum search results of each user may be recorded as a history, and the searched curriculum may be recommended.
[0118]
In the above embodiments, grouping is performed for each user. Therefore, one user may belong to a plurality of groups. On the other hand, grouping may be performed such that one user always belongs to only one group. At the time of grouping, the similarity of each user's attributes (character, home school, etc.) may be considered.
[0119]
In each of the above embodiments, a correlation value between users is used in priority calculation for determining which curriculum is recommended. However, it is also possible to record which curriculum each user has searched for, and to set a higher priority for the curriculum searched by the user who has requested the recommendation.
[0120]
In addition, a curriculum that has not been taken by the user who has requested the recommendation among curriculums taken by the user having the highest correlation value may be used as the recommended curriculum. In this case, the grouping may or may not be performed.
[0121]
In the strong correlation group information of FIG. 13, if the correlation value is recorded together for each user, the correlation value can be easily obtained in the subsequent processing.
[0122]
Also, when requesting a recommendation, the user inputs attributes of a desired curriculum (features such as fee, course period, field, etc.) from a terminal device, and considers this attribute when selecting a recommended curriculum. It may be. For example, a recommended curriculum may be selected from curricula that match this attribute by the method of the above embodiment.
[0123]
In each of the above embodiments, the curriculum is recommended at the request of the user. However, the recommendation may be made spontaneously from the server device 6 without the user's request. For example, a recommendation can be made when the user has completed the curriculum.
[0124]
In the above embodiment, the provision of the education curriculum has been described as an example. However, the present invention can be generally applied to a case where the user accesses the server device 6 and makes a request for purchase or provision of a product or service. Also, a set product in which a plurality of products are combined, an integrated service in which a plurality of services are integrated, and the like can be handled in the same manner as the curriculum and the learning parts in the above embodiment.
[0125]
In the above embodiments, the communication is performed by the Internet 8, but the communication may be performed by a network such as a LAN.
[0126]
In each of the above embodiments, the terminal device 2, 4 and the server device 6 are constructed, but the processing of these devices may be performed by one computer. In this case, a plurality of users use this one computer. For example, in the case of a vending machine or the like, there may be such a form.
[0127]
In the above embodiment, the recommended content calculated by the server device 6 is displayed on the browser of the terminal device 2. However, it may be transmitted by e-mail or the like. The information may be transmitted to the user by telephone or facsimile operated by a computer, or a printout may be mailed to the user.
[0128]
The present invention is applicable not only to the case where a request for purchase or the like is made from the terminal device 2 to the server device 6 but also to the case where a purchase request or the like is made by telephone or the like and the purchase request data is separately input to the server device 6. can do.
[Brief description of the drawings]
FIG. 1 is an overall configuration of a recommendation system according to an embodiment of the present invention.
FIG. 2 is a diagram showing functional blocks of a server device 6;
FIG. 3 is a diagram showing hardware of a server device 6;
FIG. 4 is a flowchart of a member registration process.
FIG. 5 is a diagram showing a member registration screen.
FIG. 6 is a diagram showing learner information.
FIG. 7 is a diagram showing a curriculum search and course process.
FIG. 8 is a diagram showing a curriculum search screen.
FIG. 9 is a diagram showing a curriculum DB.
FIG. 10 is a diagram showing a flowchart of exercise and evaluation.
FIG. 11 is a diagram showing an exercise / evaluation screen.
FIG. 12 is a diagram showing a correlation table.
FIG. 13 is a diagram showing strongly correlated group information.
FIG. 14 is a flowchart of a recommendation process.
FIG. 15 is a diagram showing an intermediate table.
FIG. 16 is a diagram showing a recommendation screen.
FIG. 17 is a flowchart of a recommendation process according to another embodiment.
[Explanation of symbols]
2, 4, ... terminal device
6 Server device
8 Internet

Claims (30)

端末装置からの申し込みに応じた処理を行うサーバ装置と、当該サーバ装置と通信可能な端末装置とを備えた推薦システムであって、
端末装置は、ユーザの指令を受けて、前記サーバ装置に向けて申し込みを行い、
サーバ装置は、端末装置からの申し込みに応じて、当該申し込みに対応する処理を実行するよう構成されており、
サーバ装置は、各ユーザの要求履歴に基づいて各ユーザをグルーピングし、当該グループが有する要求傾向と、対象ユーザの有する要求傾向とに基づいて、当該ユーザに対して申し込み対象の推薦を行うように構成された推薦システム。A server system that performs processing according to an application from a terminal device, and a recommendation system including a terminal device capable of communicating with the server device,
The terminal device receives an instruction from the user and makes an application for the server device,
The server device is configured to execute a process corresponding to the application in response to the application from the terminal device,
The server apparatus groups each user based on a request history of each user, and recommends an application target to the user based on the request tendency of the group and the request tendency of the target user. Structured recommendation system. 端末装置からの申し込みに応じた処理を行う推薦サーバ装置であって、
端末装置からの申し込みに応じて、当該申し込みに対応する処理を実行するよう構成されており、
各ユーザの要求履歴に基づいて各ユーザをグルーピングし、当該グループが有する要求傾向と、対象ユーザの有する要求傾向とに基づいて、当該ユーザに対して申し込み対象の推薦を行うように構成された推薦サーバ装置。A recommendation server device that performs processing according to an application from a terminal device,
In response to the application from the terminal device, configured to execute processing corresponding to the application,
A recommendation configured to group each user based on a request history of each user, and to recommend an application target to the user based on the request tendency of the group and the request tendency of the target user. Server device. 端末装置からの申し込みに応じた処理を行う処理を、コンピュータに行わせるためのプログラムであって、
端末装置からの申し込みに応じて、当該申し込みに対応する処理を実行し、
各ユーザの要求履歴に基づいて各ユーザをグルーピングし、当該グループが有する要求傾向と、対象ユーザの有する要求傾向とに基づいて、当該ユーザに対して申し込み対象の推薦を行う処理をコンピュータに行わせるためのプログラム。A program for causing a computer to perform a process of performing a process according to an application from a terminal device,
In response to the application from the terminal device, execute a process corresponding to the application,
Each user is grouped based on the request history of each user, and the computer is made to perform a process of recommending an application target to the user based on the request tendency of the group and the request tendency of the target user. Program for. 請求項１〜３のいずれかのシステム、装置またはプログラムにおいて、
前記グルーピングは、各ユーザごとに、当該ユーザの要求履歴と要求履歴傾向の類似する他のユーザをグループ化することを特徴とするもの。The system, apparatus, or program according to any one of claims 1 to 3,
The grouping is characterized by grouping, for each user, another user having a similar request history and request history tendency of the user. 請求項４のシステム、装置またはプログラムにおいて、
前記グルーピングは、さらに、要求対象の持つ属性的類似性も加味して行うことを特徴とするもの。The system, apparatus, or program according to claim 4,
The grouping is further performed in consideration of the attribute similarity of the request target. 請求項４のシステム、装置またはプログラムにおいて、
前記グルーピングは、さらに、各ユーザの属性的類似性も加味して行うことを特徴とするもの。The system, apparatus, or program according to claim 4,
The grouping is further performed in consideration of the attribute similarity of each user. 請求項１〜６のいずれかのシステム、装置またはプログラムにおいて、
当該ユーザが属するグループの中の他のユーザの要求履歴に含まれる要求対象のうち、当該ユーザの要求履歴に含まれていない要求対象を推薦対象候補とすることを特徴とするもの。The system, apparatus, or program according to any one of claims 1 to 6,
Among the request targets included in the request history of another user in the group to which the user belongs, a request target not included in the request history of the user is set as a recommendation target candidate. 請求項７のシステム、装置またはプログラムにおいて、
当該ユーザの要求傾向に類似する度合いの高い要求傾向を有する他のユーザの要求対象ほど、推薦の優先度を高くすることを特徴とするもの。The system, apparatus, or program according to claim 7,
A feature in which a request target of another user having a request tendency having a high degree of similarity to the request tendency of the user has a higher priority of recommendation. 請求項１〜８のいずれかのシステム、装置またはプログラムにおいて、
ユーザにより端末装置から与えられた要求対象属性も考慮して、要求対象を推薦対象として抽出することを特徴とするもの。The system, apparatus, or program according to any one of claims 1 to 8,
A request target is extracted as a recommendation target in consideration of a request target attribute given from a terminal device by a user. 請求項１〜９のいずれかのシステム、装置またはプログラムにおいて、
前記申し込みは、商品購入の申し込みまたはサービス提供の申し出であることを特徴とするもの。The system, apparatus, or program according to any one of claims 1 to 9,
The application is an application for purchasing a product or an offer for providing a service. 請求項１０のシステム、装置またはプログラムにおいて、
前記申し込みは、サーバ装置が配信する学習コンテンツの申し込みであることを特徴とするもの。The system, apparatus, or program according to claim 10,
The application is an application for learning content distributed by a server device. 請求項１〜１１のいずれかのシステム、装置またはプログラムにおいて、
前記要求対象が複数集まって要求対象組が構成されていて、あらかじめ、要求対象組とそれを構成する要求対象の定義をあらかじめ記録しており、
複数の要求対象を仮の推薦対象として算出し、
当該複数の仮の推薦対象と類似した要求対象によって構成される要求対象組を推薦対象とすることを特徴とするもの。The system, apparatus, or program according to any one of claims 1 to 11,
A plurality of the request objects are gathered to form a request object set, and in advance, the request object set and the definition of the request object constituting the request object set are recorded in advance,
Calculate multiple request targets as temporary recommendation targets,
A request target set composed of request objects similar to the plurality of provisional recommendation targets is set as a recommendation target. 請求項１〜１１のいずれかのシステム、装置またはプログラムにおいて、
前記要求対象が複数集まって要求対象組が構成されていて、あらかじめ、要求対象組とそれを構成する要求対象の定義をあらかじめ記録しており、
複数の要求対象を仮の推薦対象として算出し、
当該複数の仮の推薦対象と最も類似した要求対象によって構成される要求対象組を基本推薦対象とし、
当該複数の仮の推薦対象と選択された基本推薦対象を構成する要求対象との類似性が所定値以下の場合には、複数の仮の推薦対象に基づいて、前記基本推薦対象の要求対象を修正し、新たな要求対象組を生成し、これを推薦対象とすることを特徴とするもの。The system, apparatus, or program according to any one of claims 1 to 11,
A plurality of the request objects are gathered to form a request object set, and in advance, the request object set and the definition of the request object constituting the request object set are recorded in advance,
Calculate multiple request targets as temporary recommendation targets,
A request target set composed of the request objects most similar to the plurality of provisional recommendation targets is set as a basic recommendation target,
If the similarity between the plurality of temporary recommendation targets and the request target constituting the selected basic recommendation target is equal to or less than a predetermined value, the request target of the basic recommendation target is determined based on the plurality of temporary recommendation targets. Correcting, generating a new request target set, and making it a recommendation target. 端末装置からの申し込みに応じた処理を行う推薦サーバ装置であって、
端末装置からの申し込みに応じて、当該申し込みに対応する処理を実行するよう構成されており、
推薦を行う対象とする対象ユーザの要求傾向に最も類似する要求傾向を有する他のユーザの要求履歴に含まれる要求対象のうち、当該対象ユーザの要求履歴に含まれていない要求対象を推薦対象として抽出することを特徴とする推薦サーバ装置。A recommendation server device that performs processing according to an application from a terminal device,
In response to the application from the terminal device, configured to execute processing corresponding to the application,
Of the request targets included in the request histories of other users having the request tendency most similar to the request tendency of the target user to be recommended, a request target not included in the request history of the target user is set as a recommendation target. A recommendation server device for extracting. 端末装置からの申し込みに応じた処理を行うサーバ装置と、当該サーバ装置と通信可能な端末装置とを用いた推薦方法であって、
端末装置は、ユーザの指令を受けて、前記サーバ装置に向けて申し込みを行い、
サーバ装置は、端末装置からの申し込みに応じて、当該申し込みに対応する処理を実行するものであって、
サーバ装置は、各ユーザの要求履歴に基づいて各ユーザをグルーピングし、当該グループが有する要求傾向と、特定のユーザの有する要求傾向とに基づいて、当該ユーザに対して申し込み対象の推薦を行うことを特徴とする推薦方法。A recommendation method using a server device that performs processing according to an application from a terminal device and a terminal device that can communicate with the server device,
The terminal device receives an instruction from the user and makes an application for the server device,
The server device executes a process corresponding to the application in response to the application from the terminal device,
The server device groups each user based on a request history of each user, and recommends an application target to the user based on a request tendency of the group and a request tendency of a specific user. A recommendation method characterized by: 端末装置からの申し込みに応じて学習コンテンツを提供する推薦サーバ装置と、当該推薦サーバ装置と通信可能な端末装置とを備えた学習コンテンツ推薦システムであって、
端末装置は、ユーザの指令を受けて、前記推薦サーバ装置に向けて希望する学習コンテンツの受講申し込みを行い、
推薦サーバ装置は、端末装置からの申し込みに応じて、当該申し込みに対応する学習コンテンツを端末装置に提供するよう構成されており、
推薦サーバ装置は、各ユーザの学習コンテンツの履修履歴に基づいて各ユーザをグルーピングし、当該グループが有する履修傾向と、推薦を行う対象となる対象ユーザの有する履修傾向とに基づいて、当該対象ユーザに対して学習コンテンツの推薦を行うように構成された学習コンテンツ推薦システム。A learning content recommendation system comprising a recommendation server device that provides learning content in response to an application from a terminal device, and a terminal device capable of communicating with the recommendation server device,
The terminal device receives an instruction from the user and makes an application for attending the desired learning content toward the recommendation server device,
The recommendation server device is configured to provide, to the terminal device, learning content corresponding to the application in response to the application from the terminal device,
The recommendation server device groups each user based on the learning history of the learning content of each user, and based on the learning tendency of the group and the learning tendency of the target user to be recommended, the target user A learning content recommendation system configured to recommend learning content to a user. 端末装置からの申し込みに応じて学習コンテンツを提供する推薦サーバ装置であって、
端末装置からの申し込みに応じて、当該申し込みに対応する学習コンテンツを端末装置に提供するよう構成されており、
各ユーザの学習コンテンツの履修履歴に基づいて各ユーザをグルーピングし、当該グループが有する履修傾向と、推薦を行う対象となる対象ユーザの有する履修傾向とに基づいて、当該対象ユーザに対して学習コンテンツの推薦を行うように構成された推薦サーバ装置。A recommendation server device that provides learning content in response to an application from a terminal device,
In response to the application from the terminal device, configured to provide the terminal device with learning content corresponding to the application,
Each user is grouped based on the learning history of the learning content of each user, and the learning content is given to the target user based on the learning tendency of the group and the learning tendency of the target user to be recommended. A recommendation server device configured to make a recommendation. 端末装置からの申し込みに応じて学習コンテンツを提供する処理をコンピュータに行わせるためのプログラムであって、
端末装置からの申し込みに応じて、当該申し込みに対応する学習コンテンツを端末装置に提供し、
各ユーザの学習コンテンツの履修履歴に基づいて各ユーザをグルーピングし、当該グループが有する履修傾向と、推薦を行う対象となる対象ユーザの有する履修傾向とに基づいて、当該対象ユーザに対して学習コンテンツの推薦を行う処理をコンピュータに行わせるためのプログラム。A program for causing a computer to perform a process of providing learning content in response to an application from a terminal device,
In response to the application from the terminal device, provide the terminal device with learning content corresponding to the application,
Each user is grouped based on the learning history of the learning content of each user, and the learning content is given to the target user based on the learning tendency of the group and the learning tendency of the target user to be recommended. A program for causing a computer to perform the process of recommending an item. 請求項１４〜１６のいずれかのシステム、装置またはプログラムにおいて、
前記グルーピングは、各ユーザごとに、当該ユーザの履修履歴と傾向の類似する他のユーザをグループ化することを特徴とするもの。The system, apparatus, or program according to any one of claims 14 to 16,
The grouping is characterized by grouping, for each user, other users who have a similar tendency to the course history of the user. 請求項１９のシステム、装置またはプログラムにおいて、
前記グルーピングは、各ユーザがいずれの学習コンテンツを検索したかという検索履歴も考慮して行うことを特徴とするもの。The system, apparatus, or program according to claim 19,
The grouping is performed in consideration of a search history indicating which learning content each user has searched. 請求項１９のシステム、装置またはプログラムにおいて、
前記グルーピングは、さらに、学習コンテンツの持つ属性的類似性も加味して行うことを特徴とするもの。The system, apparatus, or program according to claim 19,
The grouping is further performed in consideration of the attribute similarity of the learning content. 請求項１９のシステム、装置またはプログラムにおいて、
前記グルーピングは、さらに、各ユーザの属性的類似性も加味して行うことを特徴とするもの。The system, apparatus, or program according to claim 19,
The grouping is further performed in consideration of the attribute similarity of each user. 請求項１６〜２２のいずれかのシステム、装置またはプログラムにおいて、
各ユーザが履修した学習コンテンツによる学習効果を、端末装置から取得し、あるいは判断し、
履修履歴のうち、学習効果が所定値以下の学習コンテンツを、前記グルーピングの際の判断基準から除外することを特徴とするもの。The system, apparatus, or program according to any one of claims 16 to 22,
Obtain or judge the learning effect of the learning content taken by each user from the terminal device,
In the course history, learning contents whose learning effect is equal to or less than a predetermined value are excluded from criteria for the grouping. 請求項１６〜２３のいずれかのシステム、装置またはプログラムにおいて、
当該ユーザが属するグループの中の他のユーザの履修履歴に含まれる学習コンテンツのうち、当該ユーザの履修履歴に含まれていない学習コンテンツを推薦対象として抽出することを特徴とするもの。The system, apparatus, or program according to any one of claims 16 to 23,
Among learning contents included in a course history of another user in a group to which the user belongs, a learning content not included in the course history of the user is extracted as a recommendation target. 請求項２４のシステム、装置またはプログラムにおいて、
当該ユーザの履修履歴に類似する度合いの高い履修履歴を有する他のユーザの学習コンテンツほど、推薦の優先度を高くすることを特徴とするもの。The system, apparatus, or program according to claim 24,
The learning content of another user having a high degree of the history of the learning of the user is highly similar to the learning history of the user, the priority of the recommendation is set higher. 請求項１６〜２５のいずれかのシステム、装置またはプログラムにおいて、
ユーザ操作により端末装置から与えられた学習コンテンツ属性も考慮して、学習コンテンツを推薦対象として抽出することを特徴とするもの。The system, apparatus, or program according to any one of claims 16 to 25,
A learning content is extracted as a recommendation target in consideration of a learning content attribute given from a terminal device by a user operation. 請求項１６〜２６のいずれかのシステム、装置またはプログラムにおいて、前記学習コンテンツが複数集まって学習コンテンツ組が構成されていて、あらかじめ、学習コンテンツ組とそれを構成する学習コンテンツの関係をあらかじめ記録しており、
複数の学習コンテンツを仮の推薦対象として算出し、
当該複数の仮の推薦対象と類似した学習コンテンツによって構成される学習コンテンツ組を推薦対象とすることを特徴とするもの。27. The system, apparatus, or program according to claim 16, wherein a plurality of learning contents are collected to form a learning content group, and a relationship between the learning content group and the learning content constituting the learning content group is recorded in advance. And
Calculate multiple learning contents as temporary recommendation targets,
A learning content set including learning contents similar to the plurality of temporary recommendation targets is set as a recommendation target. 請求項１６〜２６のいずれかのシステム、装置またはプログラムにおいて、
前記学習コンテンツが複数集まって学習コンテンツ組が構成されていて、あらかじめ、学習コンテンツ組とそれを構成する学習コンテンツの関係をあらかじめ記録しており、
複数の学習コンテンツを仮の推薦対象として算出し、
当該複数の仮の推薦対象と最も類似した学習コンテンツによって構成される学習コンテンツ組を基本推薦対象とし、
当該複数の仮の推薦対象と選択された基本推薦対象を構成する学習コンテンツとの類似性が所定値以下の場合には、複数の仮の推薦対象に基づいて、前記基本推薦対象の要求対象を修正し、新たな学習コンテンツ組を生成し、これを推薦対象とすることを特徴とするもの。The system, apparatus, or program according to any one of claims 16 to 26,
A learning content group is configured by gathering a plurality of the learning content, and a relationship between the learning content group and the learning content configuring the learning content group is recorded in advance,
Calculate multiple learning contents as temporary recommendation targets,
A learning content group composed of the learning content most similar to the plurality of temporary recommendation targets is set as a basic recommendation target,
When the similarity between the plurality of provisional recommendation targets and the learning content constituting the selected basic recommendation target is equal to or less than a predetermined value, the request target of the basic recommendation target is determined based on the plurality of provisional recommendation targets. Correcting, generating a new learning content set, and making it a recommendation target. 端末装置からの申し込みに応じて学習コンテンツを提供する推薦サーバ装置であって、
端末装置からの申し込みに応じて、当該申し込みに対応する学習コンテンツを端末に提供するよう構成されており、
推薦を行う対象とする対象ユーザの履修履歴に最も類似する履修履歴を有する他のユーザの履修履歴に含まれる学習コンテンツのうち、当該対象ユーザの履修履歴に含まれていない履修履歴を推薦対象として抽出することを特徴とする推薦サーバ装置。A recommendation server device that provides learning content in response to an application from a terminal device,
In response to the application from the terminal device, configured to provide the terminal with learning content corresponding to the application,
Of the learning contents included in the course history of the other user having the course history most similar to the course history of the target user to be recommended, the course history not included in the course history of the target user as a recommendation target. A recommendation server device for extracting. 端末装置からの申し込みに応じた学習コンテンツを提供するサーバ装置と、当該サーバ装置と通信可能な端末装置とを用いた学習コンテンツ推薦方法であって、
端末装置は、ユーザの指令を受けて、前記サーバ装置に向けて申し込みを行い、
サーバ装置は、端末装置からの申し込みに応じて、当該申し込みに対応する学習コンテンツを提供するものであって、
サーバ装置は、各ユーザの履修履歴に基づいて各ユーザをグルーピングし、当該グループが有する履修履歴と、特定のユーザの有する履修履歴とに基づいて、当該ユーザに対して学習コンテンツの推薦を行うことを特徴とする学習コンテンツ推薦方法。A server device that provides learning content according to an application from a terminal device, and a learning content recommendation method using a terminal device capable of communicating with the server device,
The terminal device receives an instruction from the user and makes an application for the server device,
The server device, in response to the application from the terminal device, provides learning content corresponding to the application,
The server device groups each user based on the course history of each user, and recommends learning content to the user based on the course history of the group and the course history of a specific user. A learning content recommendation method characterized by the following.

Images