JP2008299370A - リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 - Google Patents
リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 Download PDFInfo
- Publication number
- JP2008299370A JP2008299370A JP2007141474A JP2007141474A JP2008299370A JP 2008299370 A JP2008299370 A JP 2008299370A JP 2007141474 A JP2007141474 A JP 2007141474A JP 2007141474 A JP2007141474 A JP 2007141474A JP 2008299370 A JP2008299370 A JP 2008299370A
- Authority
- JP
- Japan
- Prior art keywords
- purchase
- recommendation
- probability
- post
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】課金モデルによらずに顧客生涯価値（ＬＴＶ）を高めることのできるリコメンド装置を提供する。
【解決手段】リコメンド装置１は、購買ログ４６を用いてユーザごとに商品の購買履歴を抽出した入力データ４７を作成する前処理部２１と、入力データ４７を用いて購入によりＬＴＶが上昇する確率を示す購入後上昇確率４８を購買頻度モデルで推定する購入後上昇確率推定部２２と、入力データ４８とリコメンドの影響度とを用いることでユーザの嗜好を考慮したリコメンド後購入確率４９を推定するリコメンド後購入確率推定部２３と、購入後上昇確率４８とリコメンド後購入確率４９とを用いてリコメンドによりＬＴＶが上昇する確率を示すリコメンド後上昇確率４１０を推定するリコメンド後上昇確率推定部２４と、リコメンド後上昇確率４１０が最大になる商品を選択してリコメンド対象として提示するリコメンド部２５とを備える。
【選択図】図１
【解決手段】リコメンド装置１は、購買ログ４６を用いてユーザごとに商品の購買履歴を抽出した入力データ４７を作成する前処理部２１と、入力データ４７を用いて購入によりＬＴＶが上昇する確率を示す購入後上昇確率４８を購買頻度モデルで推定する購入後上昇確率推定部２２と、入力データ４８とリコメンドの影響度とを用いることでユーザの嗜好を考慮したリコメンド後購入確率４９を推定するリコメンド後購入確率推定部２３と、購入後上昇確率４８とリコメンド後購入確率４９とを用いてリコメンドによりＬＴＶが上昇する確率を示すリコメンド後上昇確率４１０を推定するリコメンド後上昇確率推定部２４と、リコメンド後上昇確率４１０が最大になる商品を選択してリコメンド対象として提示するリコメンド部２５とを備える。
【選択図】図１
Description
本発明は、オンラインストア等において長期的な収益を増加できるように商品またはサービスをリコメンド対象として提示するリコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体に関する。
リコメンド（recommendation）は、ユーザへの商品またはサービス（以下、単に商品という）の直接的または間接的な提示であり、ユーザが所望する商品の情報に対して迅速にアクセスできるようにユーザの利便性を向上させ、また、オンラインストアの収益を増加させる効果があるため、多くのオンラインストアで用いられている。従来、購買確率を最大化するために、ユーザの興味と最も適合する商品を推薦するリコメンド法が知られている（例えば、非特許文献１参照）。
このような従来の手法により、短期的な収益の増加を見込むことはできるが、必ずしも長期的な収益が増加するとは限らない。実際の店舗において、セールスの熟達した販売員は、顧客が最も購入してくれる確率の高い商品ならばどんなものでも推薦するというよりも、来店した顧客の満足度を高めて将来に亘って何度も来店してもらえるように商品を推薦したり説明したりしている。しかし、このようなリコメンド手法はオンラインストアでは用いられていない。
また、短期的な収益は低いが、長期的な収益が見込める商品もある。そのような商品として、例えば、周辺機器が数多くある電気製品を挙げることができる。このような電気製品を推薦されたユーザは、将来、周辺機器を購入するために再来店する可能性が高くなる。また、レンタルショップでも同様な商品がある。例えば、ドラマの第１話のＤＶＤを推薦されて借りたユーザは、第１話以降のＤＶＤも借りる可能性が高くなる。
長期的な収益は、顧客生涯価値（ＬＴＶ：Lifetime Value of Customer）で定量化される。ＬＴＶとは、ある顧客から将来に亘って得られる収益の総額を表す。一般に、ビジネスにおいて新規顧客を獲得することは困難であるため、現在の顧客の満足度を高め、ＬＴＶを高めることは重要である。
オンラインストアで長期的な収益を増加させる方法は、そのオンラインストアで用いられている課金モデルによっても異なる。例えば、定額制の課金モデルでは、ユーザは、月毎や年毎などの契約期間ごとに一定の金額が課金されるが、契約期間内では、商品を無制限に入手することができる。したがって、定額制モデルにおいて、長期的な収益を増加させるためには、ユーザに長期間契約してもらえるように商品を提示するリコメンド方法が有効である（例えば、非特許文献２参照）。
Xin Jin, Bamshad Mobasher, and Yanzan Zhou: A web recommendation system based on maximum entropy. In Proceedings of the international conference on Information Technology: Coding and Computing(ITCC’05)-Volume I, pp.213-218, Washington,DC,USA,2005, IEEE Computer Society 岩田具治、他２名、「契約期間を延ばすためのリコメンデーション法」、FIT2006（第5回情報科学技術フォーラム）講演論文集、LF-005、p109−112
Xin Jin, Bamshad Mobasher, and Yanzan Zhou: A web recommendation system based on maximum entropy. In Proceedings of the international conference on Information Technology: Coding and Computing(ITCC’05)-Volume I, pp.213-218, Washington,DC,USA,2005, IEEE Computer Society 岩田具治、他２名、「契約期間を延ばすためのリコメンデーション法」、FIT2006（第5回情報科学技術フォーラム）講演論文集、LF-005、p109−112
しかしながら、オンラインストア等における従来のリコメンド方法は、顧客生涯価値（ＬＴＶ）を考慮していないという問題がある。また、非特許文献２に開示された技術は、オンラインストアが従量制の課金モデルを用いている場合には、利用することができないという問題がある。
そこで、本発明は、以上のような問題点に鑑みてなされたものであり、課金モデルによらずに顧客生涯価値（ＬＴＶ）を高めることのできるリコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体を提供することを目的とする。
前記課題を解決するために、請求項１に記載のリコメンド装置は、商品またはサービスを示す販売対象を購買したことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として提示するリコメンド装置であって、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報を用いて、前記ユーザごとに、前記個別対象の購買履歴を抽出したデータを示す処理用データを作成する前処理手段と、前記作成された処理用データを用いて、前記個別対象の購入により前記ユーザの顧客生涯価値が上昇する確率を示す購入後上昇確率を、前記個別対象ごとに推定する購入後上昇確率推定手段と、前記作成された処理用データと、前記個別対象がリコメンドされることによる前記ユーザの購買行動への影響度とを用いて、リコメンドされることにより前記個別対象が購入される確率を示すリコメンド後購入確率を、前記個別対象ごとに推定するリコメンド後購入確率推定手段と、前記推定された購入後上昇確率と、前記推定されたリコメンド後購入確率とを用いて、リコメンドされることにより前記ユーザの顧客生涯価値が上昇する確率を示すリコメンド後上昇確率を、前記個別対象ごとに推定するリコメンド後上昇確率推定手段と、前記推定されたリコメンド後上昇確率が最大になる前記個別対象を選択してリコメンド対象として提示するリコメンド手段とを備えることを特徴とする。
また、前記課題を解決するために、請求項５に記載のリコメンド方法は、商品またはサービスを示す販売対象を購買したことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として提示するリコメンド装置のリコメンド方法であって、前処理手段によって、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報を用いて、前記ユーザごとに、前記個別対象の購買履歴を抽出したデータを示す処理用データを作成する前処理ステップと、購入後上昇確率推定手段によって、前記作成された処理用データを用いて、前記個別対象の購入により前記ユーザの顧客生涯価値が上昇する確率を示す購入後上昇確率を、前記個別対象ごとに推定する購入後上昇確率推定ステップと、リコメンド後購入確率推定手段によって、前記作成された処理用データと、前記個別対象がリコメンドされることによる前記ユーザの購買行動への影響度とを用いて、リコメンドされることにより前記個別対象が購入される確率を示すリコメンド後購入確率を、前記個別対象ごとに推定するリコメンド後購入確率推定ステップと、リコメンド後上昇確率推定手段によって、前記推定された購入後上昇確率と、前記推定されたリコメンド後購入確率とを用いて、リコメンドされることにより前記ユーザの顧客生涯価値が上昇する確率を示すリコメンド後上昇確率を、前記個別対象ごとに推定するリコメンド後上昇確率推定ステップと、リコメンド手段によって、前記推定されたリコメンド後上昇確率が最大になる前記個別対象を選択してリコメンド対象として提示するリコメンドステップとを含むことを特徴とする。
請求項１に記載のリコメンド装置、または、請求項５に記載のリコメンド方法によれば、リコメンド装置は、第１段階として、購買情報を用いてユーザごとに処理用データを作成する。ここで、購買情報は、例えば、どのユーザがどのタイミングに何を購買したのかを示す情報である。また、処理用データは、ユーザごとに何をどんな順序で購買したのかを示すデータである。そして、リコメンド装置は、第２段階として、処理用データを用いて、購買頻度が高いユーザを発見する指標となる購入後上昇確率を推定する。この購入後上昇確率によれば、購買頻度が高いユーザ、すなわち、顧客生涯価値が長いユーザに特徴的な購買パターンを見つけ、各ユーザがそのパターンと同様な購買行動を行うように商品をリコメンドすることが可能になる。そして、リコメンド装置は、第３段階として、処理用データやリコメンドの影響度を用いて、ユーザの嗜好の指標となるリコメンド後購入確率を推定する。ここで、リコメンドの影響度は、例えば、オンラインストアにおける個別の商品の提示法に依存するパラメータである。また、第２段階と第３段階とは処理の順番が限定されるものではなく、並列に処理してもよい。そして、リコメンド装置は、第４段階として、推定した購入後上昇確率とリコメンド後購入確率とを用いて、リコメンド後上昇確率を推定する。これにより、リコメンド後上昇確率は、購買頻度が高いユーザの購買パターンと、ユーザの嗜好する商品（個別対象）とが考慮された顧客生涯価値を高めることのできる指標となる。そして、リコメンド装置は、第５段階として、リコメンド後上昇確率が最大になる商品をリコメンドする。これにより、例えばリコメンドされた商品をユーザが購入する確率が高くなり、さらに、ユーザが実際に購入した場合には、再び購入する可能性も高まるので、さらに顧客生涯価値を高めることが可能となる。
また、請求項２に記載のリコメンド装置は、商品またはサービスを示す販売対象を購買したことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として提示するリコメンド装置であって、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報を用いて、前記ユーザごとに、前記個別対象の購買履歴を抽出したデータを示す処理用データを作成する前処理手段と、前記作成された処理用データを用いて、前記個別対象の購入により前記ユーザの顧客生涯価値が上昇する確率を示す購入後上昇確率を、前記個別対象ごとに推定する購入後上昇確率推定手段と、前記推定された購入後上昇確率が最大になる前記個別対象を選択してリコメンド対象として提示するリコメンド手段とを備えることを特徴とする。
また、請求項６に記載のリコメンド方法は、商品またはサービスを示す販売対象を購買したことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として提示するリコメンド装置のリコメンド方法であって、前処理手段によって、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報を用いて、前記ユーザごとに、前記個別対象の購買履歴を抽出したデータを示す処理用データを作成する前処理ステップと、購入後上昇確率推定手段によって、前記作成された処理用データを用いて、前記個別対象の購入により前記ユーザの顧客生涯価値が上昇する確率を示す購入後上昇確率を、前記個別対象ごとに推定する購入後上昇確率推定ステップと、リコメンド手段によって、前記推定された購入後上昇確率が最大になる前記個別対象を選択してリコメンド対象として提示するリコメンドステップとを含むことを特徴とする。
請求項２に記載のリコメンド装置、または、請求項６に記載のリコメンド方法によれば、リコメンド装置は、第１段階として、購買情報を用いてユーザごとに処理用データを作成する。そして、リコメンド装置は、第２段階として、処理用データを用いて、購買頻度が高いユーザを発見する指標となる購入後上昇確率を推定する。この購入後上昇確率によれば、購買頻度が高いユーザ、すなわち、顧客生涯価値が長いユーザに特徴的な購買パターンを見つけ、各ユーザがそのパターンと同様な購買行動を行うように商品をリコメンドすることが可能になる。そして、リコメンド装置は、第３段階として、購入後上昇確率が最大になる商品をリコメンドする。これにより、例えばリコメンドされた商品をユーザが実際に購入した場合には、再び購入する可能性も高いので、さらに顧客生涯価値を高めることが可能となる。
また、請求項３に記載のリコメンド装置は、請求項１または請求項２に記載のリコメンド装置において、前記購入後上昇確率推定手段が、前記複数のユーザの前記個別対象の購買履歴から、前記複数のユーザの購買頻度に対する特徴量を推定し、前記推定された特徴量を用いて前記各ユーザが前記個別対象を次に購買するまでの時間を予測するモデルを示すＬＴＶモデルを構築するＬＴＶモデル構築手段と、前記構築されたＬＴＶモデルを用いて、前記ユーザが前記いずれかの個別対象を将来購入したと仮定したときの購買履歴を示す第１の購買履歴を生成すると共に、前記ユーザが前記個別対象を次に購買するまでの時間に、前記処理用データとして抽出された購買履歴を示す第２の購買履歴を有するユーザが前記個別対象を購入しないままであると仮定したときの事象と、前記ユーザが前記生成した第１の購買履歴を有して前記個別対象を購入すると仮定したときの事象とが同時に起こると仮定したときの確率を、前記購入後上昇確率として推定するＬＴＶモデル購入後上昇確率推定手段とを備えることを特徴とする。
また、請求項７に記載のリコメンド方法は、請求項５または請求項６に記載のリコメンド方法において、前記購入後上昇確率推定ステップが、前記複数のユーザの前記個別対象の購買履歴から、前記複数のユーザの購買頻度に対する特徴量を推定し、前記推定された特徴量を用いて前記各ユーザが前記個別対象を次に購買するまでの時間を予測するモデルを示すＬＴＶモデルを構築するＬＴＶモデル構築ステップと、前記構築されたＬＴＶモデルを用いて、前記ユーザが前記いずれかの個別対象を将来購入したと仮定したときの購買履歴を示す第１の購買履歴を生成すると共に、前記ユーザが前記個別対象を次に購買するまでの時間に、前記処理用データとして抽出された購買履歴を示す第２の購買履歴を有するユーザが前記個別対象を購入しないままであると仮定したときの事象と、前記ユーザが前記生成した第１の購買履歴を有して前記個別対象を購入すると仮定したときの事象とが同時に起こると仮定したときの確率を、前記購入後上昇確率として推定するＬＴＶモデル購入後上昇確率推定ステップとを含むことを特徴とする。
請求項３に記載のリコメンド装置、または、請求項７に記載のリコメンド方法によれば、リコメンド装置は、購入後上昇確率推定手段によって、まず、購買履歴から、ユーザが個別対象（商品）を次に購買するまでの時間を予測するＬＴＶモデルを構築する。ここで、ＬＴＶモデルは、購買頻度モデルとして、例えば、生存時間解析による手法であるCoxハザードモデルを採用して構築することができる。そして、購入後上昇確率推定手段は、構築したＬＴＶモデルを用いて、購入後上昇確率を推定する。ここで、ＬＴＶモデルを、例えば、Coxハザードモデルを用いて構築した場合、購入後上昇確率は、ユーザが、所定時間に商品を購入しないままでいる事象と、当該所定時間に商品を購入する事象とが仮に両立する場合の確率としてハザード関数を用いて記述することができる。
また、請求項４に記載のリコメンド装置は、請求項１に記載のリコメンド装置において、前記リコメンド後購入確率推定手段が、前記ユーザごとの前記個別対象の購買履歴から、前記ユーザが前記個別対象を購入したそれぞれの確率である購入確率を推定するモデルである遷移モデルを構築する遷移モデル構築手段と、前記構築された遷移モデルで推定された各個別対象の購入確率と、前記影響度とを用いて、前記リコメンド後購入確率を推定する遷移モデルリコメンド後購入確率推定手段とを備えることを特徴とする。
また、請求項８に記載のリコメンド方法は、請求項５に記載のリコメンド方法において、前記リコメンド後購入確率推定ステップが、前記ユーザごとの前記個別対象の購買履歴から、前記ユーザが前記個別対象を購入したそれぞれの確率である購入確率を推定するモデルである遷移モデルを構築する遷移モデル構築ステップと、前記構築された遷移モデルで推定された各個別対象の購入確率と、前記影響度とを用いて、前記リコメンド後購入確率を推定する遷移モデルリコメンド後購入確率推定ステップとを含むことを特徴とする。
請求項４に記載のリコメンド装置、または、請求項８に記載のリコメンド方法によれば、リコメンド装置は、リコメンド後購入確率推定手段によって、まず、購買履歴から、ユーザが購入した商品のそれぞれの購入確率を推定する遷移モデルを構築する。これにより、購買履歴からユーザの遷移を予測することができる。ここで、遷移モデルとして、例えば、最大エントロピーモデルを用いることができる。なお、最大エントロピーモデルとは、最大エントロピー原理を用いて求められた確率モデルのことを指す。そして、リコメンド後購入確率推定手段は、遷移モデルとリコメンドの影響度とを用いて、リコメンド後購入確率を推定する。ここで、一般に、商品はリコメンドされることにより購入される確率が高くなるので、リコメンド後購入確率は、リコメンドの影響度によって、リコメンドされる商品の方がリコメンドされない商品よりも高く設定される。
また、請求項９に記載のリコメンドプログラムは、請求項５ないし請求項８のいずれか一項に記載のリコメンド方法をコンピュータに実行させることを特徴とする。このように構成されることにより、このプログラムをインストールされたコンピュータは、このプログラムに基づいた各機能を実現することができる。
また、請求項１０に記載のコンピュータ読み取り可能な記録媒体は、請求項９に記載のリコメンドプログラムが記録されたことを特徴とする。このように構成されることにより、この記録媒体を装着されたコンピュータは、この記録媒体に記録されたプログラムに基づいた各機能を実現することができる。
本発明によれば、ユーザのＬＴＶを高めることが可能となる。
以下、図面を参照して本発明のリコメンド装置およびリコメンド方法を実施するための最良の形態（以下「実施形態」という）について、第１実施形態と第２実施形態に分けて詳細に説明する。
（第１実施形態）
図１は、本発明の第１実施形態に係るリコメンド装置の構成を示すブロック図である。
リコメンド装置１は、商品またはサービス（以下単に商品という）を示す販売対象（商品群）を購買したことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、販売対象に属する個別対象（商品）のいずれかをリコメンド対象として提示する（リコメンドする）ものである。このリコメンド装置１は、図１に示すように、演算手段２と、入力手段３と、記憶手段４と、出力手段５とを備えており、各手段２〜５はバスライン６に接続されている。
図１は、本発明の第１実施形態に係るリコメンド装置の構成を示すブロック図である。
リコメンド装置１は、商品またはサービス（以下単に商品という）を示す販売対象（商品群）を購買したことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、販売対象に属する個別対象（商品）のいずれかをリコメンド対象として提示する（リコメンドする）ものである。このリコメンド装置１は、図１に示すように、演算手段２と、入力手段３と、記憶手段４と、出力手段５とを備えており、各手段２〜５はバスライン６に接続されている。
演算手段２は、例えば、ＣＰＵ（Central Processing Unit）およびＲＡＭ（Random Access Memory）から構成される主制御装置である。この演算手段２は、図１に示すように、前処理部（前処理手段）２１と、購入後上昇確率推定部（購入後上昇確率推定手段）２２と、リコメンド後購入確率推定部（リコメンド後購入確率推定手段）２３と、リコメンド後上昇確率推定部（リコメンド後上昇確率推定手段）２４と、リコメンド部（リコメンド手段）２５と、メモリ２６とを含んで構成される。なお、各部２１〜２５の詳細な構成は後記する。
入力手段３は、例えば、キーボード、マウス、ディスクドライブ装置などから構成される。この入力手段３は、例えば、データとして購買ログ（購買情報）を入力し、記憶手段４に格納する。
購買ログ（購買情報）は、ユーザが過去に購入した１以上の個別対象（商品）に関する情報を含んでいる。この購買ログは、例えば、表１に示すように、商品の購買ごとに（売買成立ごとに）、ユーザ番号と、商品番号と、購買時刻とを記録したものである。表１の例では、ユーザ番号が「１」であるユーザは、商品番号が「３」，「１」，「６」の商品を購入したことが分かる。
記憶手段４は、例えば、一般的なハードディスク装置などから構成され、演算手段２で用いられる各種プログラムや各種データ等を記憶する。
記憶手段４は、プログラムとして、前処理プログラム４１と、購入後上昇確率推定プログラム４２と、リコメンド後購入確率推定プログラム４３と、リコメンド後上昇確率推定プログラム４４と、リコメンドプログラム４５とをプログラム格納部４０ａに記憶する。そして、演算手段２は、これらのプログラム４１〜４５を記憶手段４から読み込んでメモリ２６に展開して実行することで、前記した前処理部２１、購入後上昇確率推定部２２、リコメンド後購入確率推定部２３、リコメンド後上昇確率推定部２４、リコメンド部２５の各機能を実現する。
記憶手段４は、プログラムとして、前処理プログラム４１と、購入後上昇確率推定プログラム４２と、リコメンド後購入確率推定プログラム４３と、リコメンド後上昇確率推定プログラム４４と、リコメンドプログラム４５とをプログラム格納部４０ａに記憶する。そして、演算手段２は、これらのプログラム４１〜４５を記憶手段４から読み込んでメモリ２６に展開して実行することで、前記した前処理部２１、購入後上昇確率推定部２２、リコメンド後購入確率推定部２３、リコメンド後上昇確率推定部２４、リコメンド部２５の各機能を実現する。
また、記憶手段４は、データ格納部４０ｂに、購買ログ４６と、入力データ（処理用データ）４７と、購入後上昇確率４８と、リコメンド後購入確率４９と、リコメンド後上昇確率４１０とを記憶する。ここで、購買ログ４６は、入力手段３から入力されるデータであり、例えば、前記した表１に示したものである。また、入力データ４７、購入後上昇確率４８、リコメンド後購入確率４９およびリコメンド後上昇確率４１０は、演算手段２の前処理部２１、購入後上昇確率推定部２２、リコメンド後購入確率推定部２３およびリコメンド後上昇確率推定部２４のそれぞれの演算処理結果を示すデータである。
出力手段５は、例えば、グラフィックボード（出力インタフェース）およびそれに接続されたモニタである。モニタは、例えば、液晶ディスプレイ等から構成され、演算処理結果（例えば、リコメンドする商品の情報等）を表示する。
次に、演算手段２の各部の構成の詳細を説明する。
＜前処理部＞
図２は、図１に示した前処理部の構成を示す機能ブロック図である。
前処理部２１は、ユーザごとに、商品（個別対象）の購買系列（購買履歴）を抽出したデータを示す入力データ（処理用データ）を作成するものであり、図２に示すように、購買ログ読込部２１１と、入力データ書込部２１２とを備えている。
＜前処理部＞
図２は、図１に示した前処理部の構成を示す機能ブロック図である。
前処理部２１は、ユーザごとに、商品（個別対象）の購買系列（購買履歴）を抽出したデータを示す入力データ（処理用データ）を作成するものであり、図２に示すように、購買ログ読込部２１１と、入力データ書込部２１２とを備えている。
購買ログ読込部２１１は、購買ログ４６から、各購買のユーザ、時刻、商品の情報を読み込み、入力データ書込部２１２に出力する。
入力データ書込部２１２は、購買ログ４６に含まれる商品の購買ごとのユーザ番号、商品番号、購買時刻に基づいて、ユーザごとに、購入商品の購買系列（購買履歴）、次の購買までの時間（購買間隔）、最後の購買か否かを示す購買状態を算出するものである。また、入力データ書込部２１２は、後記するように、各ユーザの購買系列から、２種類の素性を算出する。
また、入力データ書込部２１２は、ユーザごとに算出した演算処理結果（購入商品の購買系列、購買間隔、購買状態および２種類の素性）を、入力データ（処理用データ）４７として、記憶手段４に書き込む。なお、書き込まれた入力データは、購入後上昇確率推定部２２と、リコメンド後購入確率推定部２３で利用される。
ここで、入力データ（処理用データ）４７の具体例について表２を参照して説明する。入力データは、表２に示されるように、各ユーザの購買が起こったときの購買履歴（購買系列）、次の購買までの時間（購買間隔）、購買状態で構成される。
購買履歴は、ユーザが、商品をどんな順序で購入したかを示すものであり、購買ログ４６から得ることができる。ここでは、全商品数をＶとして、Ｖ個の商品ｓからなる商品集合Ｓを想定する。各商品ｓには、対応した商品番号（または商品集合の要素の序数）ｉ（１≦ｉ≦Ｖ）が付与されている。
購買状態は、購買ログ４６から得ることができる。ここでは、式（１）に示すように、購買状態ｅは、その購買がユーザの最後の購買の場合には「０」、そうでなければ「１」とした。ここで、ｎは、Ｎ人のユーザに対応したユーザ番号（１≦ｎ≦Ｎ）であり、ｕnはユーザ番号ｎのユーザを示す。また、ｋは、何回目の購買であるかを示す指標である（ｋ＝１，２，…）。
ユーザｕnのｋ番目の購買から次の購買までの時間（購買間隔）ｔを式（２）で定義する。したがって、前記した表２の３行目のデータでは、購買状態が「０」なので、この行の「次の購買までの時間」とは、ログの最終更新時刻までの時間を意味する。なお、ここでは、購買間隔の単位を秒とした。
また、ユーザｕnの購買系列ｕnkを式（３）で定義する。この購買系列ｕnkは、購買ログ４６から得ることができる。
入力データ書込部２１２は、式（３）に示す購買系列ｕnkから、２種類の素性ｘ（ｕn）、ｙ（ｕn）を算出する。素性ｘ（ｕn）は、入力データ（処理用データ）４７として、後記するように、購入後上昇確率推定部２２（図１参照）でＬＴＶを推定するために用いられる。素性ｙ（ｕn）は、入力データ（処理用データ）４７として、後記するように、リコメンド後購入確率推定部２３（図１参照）でユーザの嗜好を推定するために用いられる。また、素性ｘ（ｕn）、ｙ（ｕn）は、例えば、商品ｓを購入した次に、別の商品ｓ′を購入したことがあるかなどを示すものとしてもよい。以下では、簡便のため、例えば、素性ｘ（ｕn）を、式（４）に示す列ベクトル（素性ベクトル）で表す。ここで、成分ｘm（ｕn）は素性ベクトルのｍ番目の素性を示し、Ｔは転置を示す。なお、素性ｙ（ｕn）についても同様に表記できる。
以下、ユーザを区別しないときには、単にｕと表記する。
＜購入後上昇確率推定部＞
図３は、図１に示した購入後上昇確率推定部の構成を示す機能ブロック図である。
購入後上昇確率推定部２２は、前処理部２１（図１参照）で作成された入力データ４７を用いて、商品（個別対象）の購入によりユーザの顧客生涯価値（ＬＴＶ）が上昇する確率を示す購入後上昇確率を、商品ごとに推定するものである（購入後上昇確率推定処理を実行する）。ＬＴＶは、あるユーザから将来にわたって得られる収益を表す。本実施形態では、簡便のため、Ｖ個すべての商品の収益が等しいものと仮定する。このとき、ＬＴＶは、ユーザが商品を購買する頻度（購買頻度）に比例することとなる。そこで、以下に示すように、購入後上昇確率推定部２２は、購買頻度モデルからＬＴＶを導く。また、本実施形態では、購入後上昇確率をＱ（ｌ｜ｓ′，ｕ）と表記することとする。この購入後上昇確率Ｑ（ｌ｜ｓ′，ｕ）は、ユーザｕが、将来新たに、商品ｓ′を購入したときにユーザのＬＴＶが高まる確率を意味する。ここで、ｌはＬＴＶが高まるという事象を示す。
＜購入後上昇確率推定部＞
図３は、図１に示した購入後上昇確率推定部の構成を示す機能ブロック図である。
購入後上昇確率推定部２２は、前処理部２１（図１参照）で作成された入力データ４７を用いて、商品（個別対象）の購入によりユーザの顧客生涯価値（ＬＴＶ）が上昇する確率を示す購入後上昇確率を、商品ごとに推定するものである（購入後上昇確率推定処理を実行する）。ＬＴＶは、あるユーザから将来にわたって得られる収益を表す。本実施形態では、簡便のため、Ｖ個すべての商品の収益が等しいものと仮定する。このとき、ＬＴＶは、ユーザが商品を購買する頻度（購買頻度）に比例することとなる。そこで、以下に示すように、購入後上昇確率推定部２２は、購買頻度モデルからＬＴＶを導く。また、本実施形態では、購入後上昇確率をＱ（ｌ｜ｓ′，ｕ）と表記することとする。この購入後上昇確率Ｑ（ｌ｜ｓ′，ｕ）は、ユーザｕが、将来新たに、商品ｓ′を購入したときにユーザのＬＴＶが高まる確率を意味する。ここで、ｌはＬＴＶが高まるという事象を示す。
購入後上昇確率推定部２２は、図３に示すように、入力データ読込部２２１と、ＬＴＶモデル構築部（ＬＴＶモデル構築手段）２２２と、ＬＴＶモデル購入後上昇確率推定部（ＬＴＶモデル購入後上昇確率推定手段）２２３と、購入後上昇確率書込部２２４とを備えている。
入力データ読込部２２１は、入力データ４７を読み込み、ＬＴＶモデル構築部２２２に出力する。
入力データ読込部２２１は、入力データ４７を読み込み、ＬＴＶモデル構築部２２２に出力する。
ＬＴＶモデル構築部２２２は、複数のユーザの商品（個別対象）の購買系列（購買履歴）から、複数のユーザの購買頻度に対する特徴量を推定し、推定された特徴量を用いて各ユーザが商品（個別対象）を次に購買するまでの時間を予測するモデルを示すＬＴＶモデルを構築するものである。このＬＴＶモデル構築部２２２は、購買頻度モデルとして、生存時間解析による手法であるCoxハザードモデルを採用して、以下の手法で、ＬＴＶモデルを構築する。Coxハザードモデルを採用する理由は、推定値の大域的最適解が保証されることと、購入後上昇確率Ｑ（ｌ｜ｓ′，ｕ）を簡易に表現できるためである。一般に、ＬＴＶは購買履歴に依存すると考えられる。ここで、前記した式（４）で示した列ベクトル（素性ベクトル）を購買履歴の特徴量ベクトル（単に、購買履歴ともいう）とする。この場合、Coxハザードモデルのハザード関数は、式（５）で示される。なお、式（５）では添字のｎを省略した。
式（５）において、ｔは、次の購買までの時間を示す。このハザード関数ｈは、時間ｔまで商品を購入していない購買系列を有するユーザの中で、時間ｔで商品を購入するユーザの割合を表す。未知パラメータベクトルの固有値λが大きくなるほどハザード関数ｈの値も大きくなる。そのため、高いλ（＞０）を持つ特徴量（ベクトル）は、次の購買までの時間が短いユーザ、つまり、購買頻度の高いユーザに特徴的な購買パターンである。また、低いλ（＜０）を持つ特徴量（ベクトル）は、購買頻度の低いユーザに特徴的な購買パターンである。
Cox比例ハザードモデルのBreslow近似による対数部分尤度（Partial log-Likelihood）は式（６）で表される。
Cox比例ハザードモデルのBreslow近似による対数部分尤度（Partial log-Likelihood）は式（６）で表される。
式（６）において、Ｄ（ｔ）は次の購買までの時間がｔでかつ最終購買でない購買の集合を表し、｜Ｄ（ｔ）｜はその要素数を表す。また、Ｅ（ｔ）は次の購買までの時間がｔ以上の購買の集合を表す。
ＬＴＶモデル構築部２２２は、式（５）で示されるハザード関数における未知パラメータベクトルを、式（６）で示される対数部分尤度を最大化することによって、ベースラインハザード関数λ0（ｔ）を推定することなしに未知パラメータベクトル（未知パラメータ）を推定する。この対数部分尤度は未知パラメータに関して上に凸であるため、大域的最適解を推定することができる。この推定されたパラメータベクトルは、複数のユーザの購買頻度に対する特徴量を示す。
ＬＴＶモデル構築部２２２は、推定されたパラメータベクトルを含むハザード関数をＬＴＶモデル購入後上昇確率推定部２２３に出力する。
ＬＴＶモデル構築部２２２は、推定されたパラメータベクトルを含むハザード関数をＬＴＶモデル購入後上昇確率推定部２２３に出力する。
ＬＴＶモデル購入後上昇確率推定部２２３は、ＬＴＶモデル構築部２２２で構築されたＬＴＶモデルを用いて、ユーザがいずれかの商品（個別対象）を将来購入したと仮定したときの購買履歴を示す第１の購買履歴（仮定購買履歴）を生成する。このＬＴＶモデル購入後上昇確率推定部２２３は、ユーザが商品を次に購買するまでの時間ｔに、入力データ４７として抽出された購買履歴を示す第２の購買履歴（実際の購買履歴）を有するユーザｕが商品を購入しないままであると仮定したときの事象と、そのユーザｕが仮定購買履歴を有して商品を購入すると仮定したときの事象とが同時に起こると仮定したときの確率を、購入後上昇確率４８として推定するものである。ここで、仮定購買履歴は、ユーザｕが、新たに商品ｓ′を購入した後に生成された購買履歴である。したがって、この仮定購買履歴は、あくまで仮定したものであって、実際には、まだ存在していない。
ＬＴＶモデル購入後上昇確率推定部２２３は、前記した式（５）で示されるハザード関数ｈを用いて、式（７）に示す購入後上昇確率Ｑ（ｌ｜ｓ′，ｕ）を推定する。
ＬＴＶモデル購入後上昇確率推定部２２３は、前記した式（５）で示されるハザード関数ｈを用いて、式（７）に示す購入後上昇確率Ｑ（ｌ｜ｓ′，ｕ）を推定する。
購入後上昇確率書込部２２４は、式（７）に示す購入後上昇確率Ｑ（ｌ｜ｓ′，ｕ）をを購入後上昇確率４８として記憶手段４（図１参照）に格納する。なお、格納された購入後上昇確率４８は、リコメンド後上昇確率推定部２４で利用される。
＜リコメンド後購入確率推定部＞
図４は、図１に示したリコメンド後購入確率推定部の構成を示す機能ブロック図である。リコメンド後購入確率推定部２３は、前処理部２１（図１参照）で作成された入力データ４７と、商品（個別対象）がリコメンドされることによるユーザの購買行動への影響度とを用いて、リコメンドされることにより商品（個別対象）が購入される確率を示すリコメンド後購入確率を、販売対象（商品群）ごとに推定するものである（リコメンド後購入確率推定処理を実行する）。
図４は、図１に示したリコメンド後購入確率推定部の構成を示す機能ブロック図である。リコメンド後購入確率推定部２３は、前処理部２１（図１参照）で作成された入力データ４７と、商品（個別対象）がリコメンドされることによるユーザの購買行動への影響度とを用いて、リコメンドされることにより商品（個別対象）が購入される確率を示すリコメンド後購入確率を、販売対象（商品群）ごとに推定するものである（リコメンド後購入確率推定処理を実行する）。
リコメンド後購入確率推定部２３は、図４に示すように、入力データ読込部２３１と、遷移モデル構築部（遷移モデル構築手段）２３２と、遷移モデルリコメンド後購入確率推定部（遷移モデルリコメンド後購入確率推定手段）２３３と、リコメンド後購入確率書込部２３４とを備えている。
入力データ読込部２３１は、入力データ４７を読み込み、遷移モデル構築部２３２に出力する。
入力データ読込部２３１は、入力データ４７を読み込み、遷移モデル構築部２３２に出力する。
遷移モデル構築部２３２は、ユーザごとの商品（個別対象）の購買系列（購買履歴）から、ユーザが商品（個別対象）を購入したそれぞれの確率である購入確率を推定するモデルである遷移モデルを構築するものである。
遷移モデル構築部２３２は、リコメンドなしでユーザｕが商品ｓ′を購入する購入確率をＲ（ｓ′｜ｕ）として推定する遷移モデルを最大エントロピーモデルで構築する。具体的には、遷移モデル構築部２３２は、式（８）を遷移モデルとして構築する。なお、最大エントロビーモデルについては非特許文献１に記載されている。
遷移モデル構築部２３２は、リコメンドなしでユーザｕが商品ｓ′を購入する購入確率をＲ（ｓ′｜ｕ）として推定する遷移モデルを最大エントロピーモデルで構築する。具体的には、遷移モデル構築部２３２は、式（８）を遷移モデルとして構築する。なお、最大エントロビーモデルについては非特許文献１に記載されている。
ここで、式（８）に示すＲ（ｓ′｜ｕ）は式（９）に示すように正規化されている。また、式（８）において、Ｚ（ｕ）は正規化項であり、具体的には、式（１０）で示される。遷移モデル構築部２３２によって、購買履歴からユーザの遷移を予測することができる。
式（１０）において、ｓ′についての和は全商品数にわたる和を示す。また、ｙcは前処理部２１で購買系列ｕnから生成された前記した式（４）に相当する素性ベクトルの成分（スカラー）である。また、ｃはユーザｕnによる購買（購買イベントの番号）を示す。αcは、ｙcに相当する列ベクトルに対応した行ベクトル（未知パラメータ）
の成分（スカラー）である。この未知パラメータは、対数尤度を最大にすることにより推定できる。
遷移モデルリコメンド後購入確率推定部２３３は、遷移モデル構築部２３２で構築された遷移モデルで推定された各商品（個別対象）の購入確率と、リコメンドの影響度とを用いて、リコメンド後購入確率４９を推定するものである。ここで、前記した式（８）で示される購入確率Ｒ（ｓ′｜ｕ）を用いる。また、リコメンドの影響度γは、リコメンドによるユーザｕの購買行動への影響度を表しており、オンラインストアでのリコメンドの提示法に依存するものである。
本実施形態では、遷移モデルリコメンド後購入確率推定部２３３は、式（１１）で示される確率Ｒを、リコメンド後購入確率４９として推定する。式（１１）において、確率Ｒ（ｓ′｜ｕ，ｒ（ｓ））は、商品ｓをリコメンドしたときに、ユーザｕが商品ｓ′を購入する確率を示す。また、ｒ（ｓ）は、商品ｓをリコメンドするという事象を表し、Ｚ（ｕ，ｒ（ｓ））は、正規化項である。式（１１）で示される確率Ｒは、商品ｓをリコメンドすることにより、しない場合に比べ商品ｓを購入する確率がγ（γ≧１）倍高くなることを表している。
リコメンド後購入確率書込部２３４は、前記した式（１１）で示される確率Ｒ（ｓ′｜ｕ，ｒ（ｓ））をリコメンド後購入確率４９として記憶手段４（図１参照）に格納する。なお、格納されたリコメンド後購入確率は、リコメンド後上昇確率推定部２４で利用される。
＜リコメンド後上昇確率推定部＞
図５は、図１に示したリコメンド後上昇確率推定部の構成を示す機能ブロック図である。リコメンド後上昇確率推定部２４は、購入後上昇確率推定部２２（図１参照）で推定された購入後上昇確率４８と、リコメンド後購入確率推定部２３（図１参照）で推定されたリコメンド後購入確率４９とを用いて、リコメンドされることによりユーザのＬＴＶ（顧客生涯価値）が上昇する確率を示すリコメンド後上昇確率４１０を、商品（個別対象）ごとに推定するものである。
リコメンド後上昇確率推定部２４は、図５に示すように、購入後上昇確率読込部２４１と、リコメンド後購入確率読込部２４２と、上昇確率推定部２４３と、リコメンド後上昇確率書込部２４４とを備えている。
図５は、図１に示したリコメンド後上昇確率推定部の構成を示す機能ブロック図である。リコメンド後上昇確率推定部２４は、購入後上昇確率推定部２２（図１参照）で推定された購入後上昇確率４８と、リコメンド後購入確率推定部２３（図１参照）で推定されたリコメンド後購入確率４９とを用いて、リコメンドされることによりユーザのＬＴＶ（顧客生涯価値）が上昇する確率を示すリコメンド後上昇確率４１０を、商品（個別対象）ごとに推定するものである。
リコメンド後上昇確率推定部２４は、図５に示すように、購入後上昇確率読込部２４１と、リコメンド後購入確率読込部２４２と、上昇確率推定部２４３と、リコメンド後上昇確率書込部２４４とを備えている。
購入後上昇確率読込部２４１は、購入後上昇確率４８を読み込み、上昇確率推定部２４３に出力する。
リコメンド後購入確率読込部２４２は、リコメンド後購入確率４９を読み込み、上昇確率推定部２４３に出力する。
リコメンド後購入確率読込部２４２は、リコメンド後購入確率４９を読み込み、上昇確率推定部２４３に出力する。
上昇確率推定部２４３は、式（１２）で示される確率Ｐを、リコメンド後上昇確率４１０として推定する。式（１２）において、確率Ｐ（ｌ｜ｕ，ｒ（ｓ））は、ユーザｕに商品ｓをリコメンドしたときに、ユーザｕのＬＴＶが上昇する確率を示す。
式（１２）で示される確率Ｐ（ｌ｜ｕ，ｒ（ｓ））は、ＬＴＶが上昇するという事象ｌと、商品ｓをリコメンドしたという事象ｒ（ｓ）とは、リコメンド後に購入した商品ｓ′とユーザｕとが与えられたとき条件付独立であると仮定して導かれている。このように仮定する理由は、リコメンドが購買行動に影響を与えない場合、リコメンドはＬＴＶにも影響を与えないと考えられるためである。したがって、式（１２）で示される確率Ｐ（ｌ｜ｕ，ｒ（ｓ））は、前記した式（７）で示される確率Ｑ（ｌ｜ｓ′，ｕ）と、前記した式（１１）で示される確率Ｒ（ｓ′｜ｕ，ｒ（ｓ））との積の和に分解できる。
リコメンド後上昇確率書込部２４４は、前記のように推定した確率をリコメンド後上昇確率４１０として記憶手段４（図１参照）に格納する。なお、格納されたリコメンド後上昇確率は、リコメンド部２５で利用される。
＜リコメンド部＞
図６は、図１に示したリコメンド部の構成を示す機能ブロック図である。
リコメンド部２５は、リコメンド後上昇確率推定部２４（図１参照）で推定されたリコメンド後上昇確率４１０が最大になる商品（個別対象）を選択してリコメンド対象として提示するものである。
リコメンド部２５は、図６に示すように、リコメンド後上昇確率読込部２５１と、上昇確率最大商品選択部２５２と、リコメンド出力部２５３とを備えている。
リコメンド後上昇確率読込部２５１は、リコメンド後上昇確率４１０を読み込み、上昇確率最大商品選択部２５２に出力する。
図６は、図１に示したリコメンド部の構成を示す機能ブロック図である。
リコメンド部２５は、リコメンド後上昇確率推定部２４（図１参照）で推定されたリコメンド後上昇確率４１０が最大になる商品（個別対象）を選択してリコメンド対象として提示するものである。
リコメンド部２５は、図６に示すように、リコメンド後上昇確率読込部２５１と、上昇確率最大商品選択部２５２と、リコメンド出力部２５３とを備えている。
リコメンド後上昇確率読込部２５１は、リコメンド後上昇確率４１０を読み込み、上昇確率最大商品選択部２５２に出力する。
上昇確率最大商品選択部２５２は、式（１３）に示す演算を実行する。すなわち、上昇確率最大商品選択部２５２は、ユーザｕが購入した商品の商品集合Ｓの中から、前記した式（１２）で示されるリコメンド後上昇確率Ｐ（ｌ｜ｕ，ｒ（ｓ））が最大になる商品（商品番号）
を選択する。
リコメンド出力部２５３は、上昇確率最大商品選択部２５２で選択された商品番号を出力することで、当該商品番号の商品をリコメンド対象として提示する。
[リコメンド装置の動作]
図１に示したリコメンド装置１の動作について図７を参照（適宜図１参照）して説明する。図７は、図１に示したリコメンド装置の動作を示すフローチャートである。
リコメンド装置１は、前処理部２１によって、購買ログ４６を用いて、入力データを生成する（ステップＳ１：前処理ステップ）。そして、リコメンド装置１は、購入後上昇確率推定部２２によって、購入後上昇確率推定処理を実行する（ステップＳ２：購入後上昇確率推定ステップ）。続いて、リコメンド装置１は、リコメンド後購入確率推定部２３によって、リコメンド後購入確率推定処理を実行する（ステップＳ３：リコメンド後購入確率推定ステップ）。また、リコメンド装置１は、リコメンド後上昇確率推定部２４によって、ステップＳ２で推定された購入後上昇確率４８と、ステップＳ３で推定されたリコメンド後購入確率４９とを用いて、リコメンドされることによりＬＴＶが高まる確率を示すリコメンド後上昇確率４１０を、商品（個別対象）ごとに推定する（ステップＳ４：リコメンド後上昇確率推定ステップ）。そして、リコメンド装置１は、リコメンド部２５によって、ステップＳ４で推定されたリコメンド後上昇確率４１０が最大となる商品（個別対象）を選択してリコメンドする（ステップＳ５：リコメンドステップ）。なお、ステップＳ２とステップＳ３との処理順序は、任意であり、並列に処理してもよい。
図１に示したリコメンド装置１の動作について図７を参照（適宜図１参照）して説明する。図７は、図１に示したリコメンド装置の動作を示すフローチャートである。
リコメンド装置１は、前処理部２１によって、購買ログ４６を用いて、入力データを生成する（ステップＳ１：前処理ステップ）。そして、リコメンド装置１は、購入後上昇確率推定部２２によって、購入後上昇確率推定処理を実行する（ステップＳ２：購入後上昇確率推定ステップ）。続いて、リコメンド装置１は、リコメンド後購入確率推定部２３によって、リコメンド後購入確率推定処理を実行する（ステップＳ３：リコメンド後購入確率推定ステップ）。また、リコメンド装置１は、リコメンド後上昇確率推定部２４によって、ステップＳ２で推定された購入後上昇確率４８と、ステップＳ３で推定されたリコメンド後購入確率４９とを用いて、リコメンドされることによりＬＴＶが高まる確率を示すリコメンド後上昇確率４１０を、商品（個別対象）ごとに推定する（ステップＳ４：リコメンド後上昇確率推定ステップ）。そして、リコメンド装置１は、リコメンド部２５によって、ステップＳ４で推定されたリコメンド後上昇確率４１０が最大となる商品（個別対象）を選択してリコメンドする（ステップＳ５：リコメンドステップ）。なお、ステップＳ２とステップＳ３との処理順序は、任意であり、並列に処理してもよい。
次に、前記したステップＳ２の購入後上昇確率推定処理と、前記したステップＳ３のリコメンド後購入確率推定処理について図８を参照して説明する。図８は、図７に示したリコメンド装置の動作の詳細を示すフローチャートであり、（ａ）は購入後上昇確率推定処理、（ｂ）はリコメンド後購入確率推定処理をそれぞれ示している。
まず、前記したステップＳ２の購入後上昇確率推定処理では、図８（ａ）に示すように、購入後上昇確率推定部２２は、ＬＴＶモデル構築部２２２によって、生存時間解析による手法であるCoxハザードモデルを採用したＬＴＶモデルを購買頻度モデルとして構築する（ステップＳ２１）。続いて、購入後上昇確率推定部２２は、ＬＴＶモデル購入後上昇確率推定部２２３によって、ステップＳ２１で構築されたＬＴＶモデルにおけるハザード関数を用いて、前記した式（７）に示す購入後上昇確率Ｑ（ｌ｜ｓ′，ｕ）を推定する（ステップＳ２２）。
次に、前記したステップＳ３のリコメンド後購入確率推定処理では、図８（ｂ）に示すように、リコメンド後購入確率推定部２３は、遷移モデル構築部２３２によって、リコメンドなしでユーザｕが新たに商品ｓ′を購入する確率である購入確率を前記した式（８）に示すＲ（ｓ′｜ｕ）として推定する遷移モデルを最大エントロピーモデルで構築する（ステップＳ３１）。続いて、リコメンド後購入確率推定部２３は、遷移モデルリコメンド後購入確率推定部２３３によって、ステップＳ３１で構築された遷移モデルにおける購入確率Ｒ（ｓ′｜ｕ）とリコメンドの影響度γとを用いて、前記した式（１１）に示すリコメンド後購入確率Ｒ（ｓ′｜ｕ，ｒ（ｓ））を推定する（ステップＳ３２）。
なお、リコメンド装置１は、一般的なコンピュータに、前記した各ステップを実行させるリコメンドプログラムを実行することで実現することもできる。このプログラムは、通信回線を介して配布することも可能であるし、ＣＤ−ＲＯＭ等の記録媒体に書き込んで配布することも可能である。
第１実施形態によれば、ユーザのＬＴＶを効果的に上昇させることのできる商品をリコメンドできる。ＬＴＶ（顧客生涯価値）が上昇するということは、ユーザの満足度が高いことを意味する。そのため、ＬＴＶを高めることのできるリコメンドは、オンラインストアの提供者の収益増加につながるだけでなく、ユーザにとっても好ましい。
なお、本実施形態では、ＬＴＶが上昇する確率を推定する購入後上昇確率推定部２２と、ユーザの嗜好を推定するリコメンド後購入確率推定部２３とが分かれているため、生存時間解析の他に協調フィルタリングなどの手法を応用することも可能である。
なお、本実施形態では、ＬＴＶが上昇する確率を推定する購入後上昇確率推定部２２と、ユーザの嗜好を推定するリコメンド後購入確率推定部２３とが分かれているため、生存時間解析の他に協調フィルタリングなどの手法を応用することも可能である。
（第２実施形態）
[リコメンド装置の構成]
図９は、本発明の第２実施形態に係るリコメンド装置の構成を示すブロック図である。リコメンド装置１Ａは、図１に示したリコメンド装置１の構成を簡略化し、リコメンド部２５Ａの機能が異なる点を除いて同様の構成なので、同一の構成には同一の符号を付して説明を省略する。
[リコメンド装置の構成]
図９は、本発明の第２実施形態に係るリコメンド装置の構成を示すブロック図である。リコメンド装置１Ａは、図１に示したリコメンド装置１の構成を簡略化し、リコメンド部２５Ａの機能が異なる点を除いて同様の構成なので、同一の構成には同一の符号を付して説明を省略する。
＜リコメンド部＞
図１０は、図９に示したリコメンド部の構成を示す機能ブロック図である。
リコメンド部（リコメンド手段）２５Ａは、購入後上昇確率推定部２２（図９参照）で推定された購入後上昇確率４８が最大になる商品（個別対象）を選択してリコメンド対象として提示するものである。
リコメンド部２５Ａは、図１０に示すように、購入後上昇確率読込部２５１Ａと、上昇確率最大商品選択部２５２と、リコメンド出力部２５３とを備えている。
購入後上昇確率読込部２５１Ａは、購入後上昇確率４８を読み込み、上昇確率最大商品選択部２５２に出力するものである。
図１０は、図９に示したリコメンド部の構成を示す機能ブロック図である。
リコメンド部（リコメンド手段）２５Ａは、購入後上昇確率推定部２２（図９参照）で推定された購入後上昇確率４８が最大になる商品（個別対象）を選択してリコメンド対象として提示するものである。
リコメンド部２５Ａは、図１０に示すように、購入後上昇確率読込部２５１Ａと、上昇確率最大商品選択部２５２と、リコメンド出力部２５３とを備えている。
購入後上昇確率読込部２５１Ａは、購入後上昇確率４８を読み込み、上昇確率最大商品選択部２５２に出力するものである。
上昇確率最大商品選択部２５２は、式（１４）に示す演算を実行する。すなわち、上昇確率最大商品選択部２５２は、ユーザｕが購入した商品の商品集合Ｓの中から、購入後上昇確率４８（購入後上昇確率Ｑ（ｌ｜ｕ，ｓ））が最大になる商品（商品番号）
を選択する。
なお、式（１４）中の購入後上昇確率Ｑ（ｌ｜ｕ，ｓ）は、式（７）で示されるＱ（ｌ｜ｓ′，ｕ）と同等である。
リコメンド出力部２５３は、上昇確率最大商品選択部２５２で選択された商品番号を出力することで、当該商品番号の商品をリコメンドする。
リコメンド出力部２５３は、上昇確率最大商品選択部２５２で選択された商品番号を出力することで、当該商品番号の商品をリコメンドする。
[リコメンド装置の動作]
図９に示したリコメンド装置１Ａの動作について図１１を参照（適宜図９および図１０参照）して説明する。図１１は、図９に示したリコメンド装置の動作を示すフローチャートである。
リコメンド装置１Ａが実行するステップＳ４１およびステップＳ４２の各処理は、図７のフローチャートに示したステップＳ１およびステップＳ２の各処理と同一なので説明を省略する。ステップＳ４２に続いて、リコメンド装置１Ａは、リコメンド部２５Ａによって、式（１４）に基づいて、ステップＳ４２で推定された購入後上昇確率４８が最大となる商品（個別対象）を選択してリコメンドする（ステップＳ４３）。
図９に示したリコメンド装置１Ａの動作について図１１を参照（適宜図９および図１０参照）して説明する。図１１は、図９に示したリコメンド装置の動作を示すフローチャートである。
リコメンド装置１Ａが実行するステップＳ４１およびステップＳ４２の各処理は、図７のフローチャートに示したステップＳ１およびステップＳ２の各処理と同一なので説明を省略する。ステップＳ４２に続いて、リコメンド装置１Ａは、リコメンド部２５Ａによって、式（１４）に基づいて、ステップＳ４２で推定された購入後上昇確率４８が最大となる商品（個別対象）を選択してリコメンドする（ステップＳ４３）。
第２実施形態によれば、簡易な構成で、ユーザのＬＴＶを高めることのできる商品を迅速に選択してリコメンドすることが可能となる。
以上、本発明の各実施形態について説明したが、本発明はこれらに限定されるものではなく、その趣旨を変えない範囲で実施することができる。例えば、ＬＴＶが高いユーザに特徴的な購買パターンを見つけ、各ユーザが前記購買パターンと同様の購買行動をするような商品をリコメンドすることもできる。また、購買履歴の素性として、高次のマルコフ遷移や、ユーザ情報などを組み込むようにしてもよい。
また、リコメンド装置１を構成する装置は、１台に限定されることはなく、複数の装置に機能を分散配置してもよい。例えば、演算手段２の前処理部２１、購入後上昇確率推定部２２、リコメンド後購入確率推定部２３、リコメンド後上昇確率推定部２４、リコメンド部２５や、記憶手段４のデータ格納部４０ｂを、別々の装置として構成してもよい。これにより、各装置への負荷が分散され、高速な処理が実現可能となる。
本発明によるリコメンドのＬＴＶに与える効果を確認するために、本実施形態に係るリコメンド装置１によって、オンラインストアにおけるユーザ購買行動のシミュレーションを行った。ユーザ購買行動モデルは、商品として楽曲を販売（配信）する音楽配信サービスの2005年４月１日から2005年10月31日までのログデータを用いて学習したCox比例ハザードモデル、最大エントロピーモデルをもとに構築した。下記の各リコメンド手法を用いて100,000ユーザのシミュレーションを行った。具体的には、365日で１ユーザに購入される商品（楽曲）の平均構買数（平均商品数）を求めた。このとき、リコメンドの購買行動に与える影響の強さ（リコメンドの影響度）γは、１≦γ≦１０の範囲で変化させた。
実施例（Our Recommend）を以下の３つのモデル（比較例１〜比較例３）と比較した。
比較例１（Q Recommend）：この手法は、購入したときにＬＴＶが上昇する確率が最も高くなる商品をユーザに推薦するものである。ただし、この手法ではユーザの興味を考慮しない。
比較例２（R Recommend）：この手法は、購買確率の最も高い商品をユーザに推薦するものである。この手法は、従来のリコメンド法（非特許文献１参照）と同じ戦略である。
比較例３：（No Recommend）：この手法では、特に何もユーザに推薦しない。購入される商品はユーザの興味のみに従って決定される。
比較例１（Q Recommend）：この手法は、購入したときにＬＴＶが上昇する確率が最も高くなる商品をユーザに推薦するものである。ただし、この手法ではユーザの興味を考慮しない。
比較例２（R Recommend）：この手法は、購買確率の最も高い商品をユーザに推薦するものである。この手法は、従来のリコメンド法（非特許文献１参照）と同じ戦略である。
比較例３：（No Recommend）：この手法では、特に何もユーザに推薦しない。購入される商品はユーザの興味のみに従って決定される。
＜結果（平均構買数）＞
このときの各手法の実験結果（平均構買数）を図１２に示す。図１２に示すように、実施例（Our Recommend）は、比較例１〜３と比較して平均購買数が最も増加しており、ＬＴＶを最も高めることができた。また、実施例（Our Recommend）は、リコメンドの影響度γが大きくなると、平均購買数も高くなった。一方、比較例１（Q Recommend）は、リコメンドの影響度γが大きくなると、平均購買数も高くなるが、実施例（Our Recommend）に比べてその効果は小さい。これは、比較例１（Q Recommend）では、ユーザの興味を考慮しないため、購入される確率がほぼ「０」である商品（購入される可能性がほとんどない商品）も推薦しているためである。なお、比較例２（R Recommend）は、リコメンドをしない比較例３（No Recommend）に比べて平均購買数が下がっている。これは、比較例２（R Recommend）は、例えば、365日のように長期的に平均購買数を上げることを目的としていないためと考えられる。
このときの各手法の実験結果（平均構買数）を図１２に示す。図１２に示すように、実施例（Our Recommend）は、比較例１〜３と比較して平均購買数が最も増加しており、ＬＴＶを最も高めることができた。また、実施例（Our Recommend）は、リコメンドの影響度γが大きくなると、平均購買数も高くなった。一方、比較例１（Q Recommend）は、リコメンドの影響度γが大きくなると、平均購買数も高くなるが、実施例（Our Recommend）に比べてその効果は小さい。これは、比較例１（Q Recommend）では、ユーザの興味を考慮しないため、購入される確率がほぼ「０」である商品（購入される可能性がほとんどない商品）も推薦しているためである。なお、比較例２（R Recommend）は、リコメンドをしない比較例３（No Recommend）に比べて平均購買数が下がっている。これは、比較例２（R Recommend）は、例えば、365日のように長期的に平均購買数を上げることを目的としていないためと考えられる。
１，１Ａ リコメンド装置
２ 演算手段
３ 入力手段
４ 記憶手段
５ 出力手段
６ バスライン
２１ 前処理部（前処理手段）
２２ 購入後上昇確率推定部（購入後上昇確率推定手段）
２３ リコメンド後購入確率推定部（リコメンド後購入確率推定手段）
２４ リコメンド後上昇確率推定部（リコメンド後上昇確率推定手段）
２５，２５Ａ リコメンド部（リコメンド手段）
２６ メモリ
４０ａ，４０ｃ プログラム格納部
４０ｂ，４０ｄ データ格納部
４１ 前処理プログラム
４２ 購入後上昇確率推定プログラム
４３ リコメンド後購入確率推定プログラム
４４ リコメンド後上昇確率推定プログラム
４５ リコメンドプログラム
４６ 購買ログ（購買情報）
４７ 入力データ（処理用データ）
４８ 購入後上昇確率
４９ リコメンド後購入確率
４１０ リコメンド後上昇確率
２１１ 購買ログ読込部
２１２ 入力データ書込部
２２１ 入力データ読込部
２２２ ＬＴＶモデル構築部（ＬＴＶモデル構築手段）
２２３ ＬＴＶモデル購入後上昇確率推定部（ＬＴＶモデル購入後上昇確率推定手段）
２２４ 購入後上昇確率書込部
２３１ 入力データ読込部
２３２ 遷移モデル構築部（遷移モデル構築手段）
２３３ 遷移モデルリコメンド後購入確率推定部（遷移モデルリコメンド後購入確率推定手段）
２３４ リコメンド後購入確率書込部
２４１ 購入後上昇確率読込部
２４２ リコメンド後購入確率読込部
２４３ 上昇確率推定部
２４４ リコメンド後上昇確率書込部
２５１ リコメンド後上昇確率読込部
２５１Ａ 購入後上昇確率読込部
２５２ 上昇確率最大商品選択部
２５３ リコメンド出力部
２ 演算手段
３ 入力手段
４ 記憶手段
５ 出力手段
６ バスライン
２１ 前処理部（前処理手段）
２２ 購入後上昇確率推定部（購入後上昇確率推定手段）
２３ リコメンド後購入確率推定部（リコメンド後購入確率推定手段）
２４ リコメンド後上昇確率推定部（リコメンド後上昇確率推定手段）
２５，２５Ａ リコメンド部（リコメンド手段）
２６ メモリ
４０ａ，４０ｃ プログラム格納部
４０ｂ，４０ｄ データ格納部
４１ 前処理プログラム
４２ 購入後上昇確率推定プログラム
４３ リコメンド後購入確率推定プログラム
４４ リコメンド後上昇確率推定プログラム
４５ リコメンドプログラム
４６ 購買ログ（購買情報）
４７ 入力データ（処理用データ）
４８ 購入後上昇確率
４９ リコメンド後購入確率
４１０ リコメンド後上昇確率
２１１ 購買ログ読込部
２１２ 入力データ書込部
２２１ 入力データ読込部
２２２ ＬＴＶモデル構築部（ＬＴＶモデル構築手段）
２２３ ＬＴＶモデル購入後上昇確率推定部（ＬＴＶモデル購入後上昇確率推定手段）
２２４ 購入後上昇確率書込部
２３１ 入力データ読込部
２３２ 遷移モデル構築部（遷移モデル構築手段）
２３３ 遷移モデルリコメンド後購入確率推定部（遷移モデルリコメンド後購入確率推定手段）
２３４ リコメンド後購入確率書込部
２４１ 購入後上昇確率読込部
２４２ リコメンド後購入確率読込部
２４３ 上昇確率推定部
２４４ リコメンド後上昇確率書込部
２５１ リコメンド後上昇確率読込部
２５１Ａ 購入後上昇確率読込部
２５２ 上昇確率最大商品選択部
２５３ リコメンド出力部
Claims (10)
- 商品またはサービスを示す販売対象を購買したことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として提示するリコメンド装置であって、
前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報を用いて、前記ユーザごとに、前記個別対象の購買履歴を抽出したデータを示す処理用データを作成する前処理手段と、
前記作成された処理用データを用いて、前記個別対象の購入により前記ユーザの顧客生涯価値が上昇する確率を示す購入後上昇確率を、前記個別対象ごとに推定する購入後上昇確率推定手段と、
前記作成された処理用データと、前記個別対象がリコメンドされることによる前記ユーザの購買行動への影響度とを用いて、リコメンドされることにより前記個別対象が購入される確率を示すリコメンド後購入確率を、前記個別対象ごとに推定するリコメンド後購入確率推定手段と、
前記推定された購入後上昇確率と、前記推定されたリコメンド後購入確率とを用いて、リコメンドされることにより前記ユーザの顧客生涯価値が上昇する確率を示すリコメンド後上昇確率を、前記個別対象ごとに推定するリコメンド後上昇確率推定手段と、
前記推定されたリコメンド後上昇確率が最大になる前記個別対象を選択してリコメンド対象として提示するリコメンド手段とを備えることを特徴とするリコメンド装置。 - 商品またはサービスを示す販売対象を購買したことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として提示するリコメンド装置であって、
前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報を用いて、前記ユーザごとに、前記個別対象の購買履歴を抽出したデータを示す処理用データを作成する前処理手段と、
前記作成された処理用データを用いて、前記個別対象の購入により前記ユーザの顧客生涯価値が上昇する確率を示す購入後上昇確率を、前記個別対象ごとに推定する購入後上昇確率推定手段と、
前記推定された購入後上昇確率が最大になる前記個別対象を選択してリコメンド対象として提示するリコメンド手段とを備えることを特徴とするリコメンド装置。 - 前記購入後上昇確率推定手段は、
前記複数のユーザの前記個別対象の購買履歴から、前記複数のユーザの購買頻度に対する特徴量を推定し、前記推定された特徴量を用いて前記各ユーザが前記個別対象を次に購買するまでの時間を予測するモデルを示すＬＴＶモデルを構築するＬＴＶモデル構築手段と、
前記構築されたＬＴＶモデルを用いて、前記ユーザが前記いずれかの個別対象を将来購入したと仮定したときの購買履歴を示す第１の購買履歴を生成すると共に、前記ユーザが前記個別対象を次に購買するまでの時間に、前記処理用データとして抽出された購買履歴を示す第２の購買履歴を有するユーザが前記個別対象を購入しないままであると仮定したときの事象と、前記ユーザが前記生成した第１の購買履歴を有して前記個別対象を購入すると仮定したときの事象とが同時に起こると仮定したときの確率を、前記購入後上昇確率として推定するＬＴＶモデル購入後上昇確率推定手段とを備えることを特徴とする請求項１または請求項２に記載のリコメンド装置。 - 前記リコメンド後購入確率推定手段は、
前記ユーザごとの前記個別対象の購買履歴から、前記ユーザが前記個別対象を購入したそれぞれの確率である購入確率を推定するモデルである遷移モデルを構築する遷移モデル構築手段と、
前記構築された遷移モデルで推定された各個別対象の購入確率と、前記影響度とを用いて、前記リコメンド後購入確率を推定する遷移モデルリコメンド後購入確率推定手段とを備えることを特徴とする請求項１に記載のリコメンド装置。 - 商品またはサービスを示す販売対象を購買したことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として提示するリコメンド装置のリコメンド方法であって、
前処理手段によって、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報を用いて、前記ユーザごとに、前記個別対象の購買履歴を抽出したデータを示す処理用データを作成する前処理ステップと、
購入後上昇確率推定手段によって、前記作成された処理用データを用いて、前記個別対象の購入により前記ユーザの顧客生涯価値が上昇する確率を示す購入後上昇確率を、前記個別対象ごとに推定する購入後上昇確率推定ステップと、
リコメンド後購入確率推定手段によって、前記作成された処理用データと、前記個別対象がリコメンドされることによる前記ユーザの購買行動への影響度とを用いて、リコメンドされることにより前記個別対象が購入される確率を示すリコメンド後購入確率を、前記個別対象ごとに推定するリコメンド後購入確率推定ステップと、
リコメンド後上昇確率推定手段によって、前記推定された購入後上昇確率と、前記推定されたリコメンド後購入確率とを用いて、リコメンドされることにより前記ユーザの顧客生涯価値が上昇する確率を示すリコメンド後上昇確率を、前記個別対象ごとに推定するリコメンド後上昇確率推定ステップと、
リコメンド手段によって、前記推定されたリコメンド後上昇確率が最大になる前記個別対象を選択してリコメンド対象として提示するリコメンドステップとを含むことを特徴とするリコメンド方法。 - 商品またはサービスを示す販売対象を購買したことのある複数のユーザの購買行動に基づいて、それぞれのユーザに対して、前記販売対象に属する個別対象のいずれかをリコメンド対象として提示するリコメンド装置のリコメンド方法であって、
前処理手段によって、前記ユーザが過去に購入した１以上の個別対象に関する情報を含む購買情報を用いて、前記ユーザごとに、前記個別対象の購買履歴を抽出したデータを示す処理用データを作成する前処理ステップと、
購入後上昇確率推定手段によって、前記作成された処理用データを用いて、前記個別対象の購入により前記ユーザの顧客生涯価値が上昇する確率を示す購入後上昇確率を、前記個別対象ごとに推定する購入後上昇確率推定ステップと、
リコメンド手段によって、前記推定された購入後上昇確率が最大になる前記個別対象を選択してリコメンド対象として提示するリコメンドステップとを含むことを特徴とするリコメンド方法。 - 前記購入後上昇確率推定ステップは、
前記複数のユーザの前記個別対象の購買履歴から、前記複数のユーザの購買頻度に対する特徴量を推定し、前記推定された特徴量を用いて前記各ユーザが前記個別対象を次に購買するまでの時間を予測するモデルを示すＬＴＶモデルを構築するＬＴＶモデル構築ステップと、
前記構築されたＬＴＶモデルを用いて、前記ユーザが前記いずれかの個別対象を将来購入したと仮定したときの購買履歴を示す第１の購買履歴を生成すると共に、前記ユーザが前記個別対象を次に購買するまでの時間に、前記処理用データとして抽出された購買履歴を示す第２の購買履歴を有するユーザが前記個別対象を購入しないままであると仮定したときの事象と、前記ユーザが前記生成した第１の購買履歴を有して前記個別対象を購入すると仮定したときの事象とが同時に起こると仮定したときの確率を、前記購入後上昇確率として推定するＬＴＶモデル購入後上昇確率推定ステップとを含むことを特徴とする請求項５または請求項６に記載のリコメンド方法。 - 前記リコメンド後購入確率推定ステップは、
前記ユーザごとの前記個別対象の購買履歴から、前記ユーザが前記個別対象を購入したそれぞれの確率である購入確率を推定するモデルである遷移モデルを構築する遷移モデル構築ステップと、
前記構築された遷移モデルで推定された各個別対象の購入確率と、前記影響度とを用いて、前記リコメンド後購入確率を推定する遷移モデルリコメンド後購入確率推定ステップとを含むことを特徴とする請求項５に記載のリコメンド方法。 - 請求項５ないし請求項８のいずれか一項に記載のリコメンド方法をコンピュータに実行させることを特徴とするリコメンドプログラム。
- 請求項９に記載のリコメンドプログラムが記録されたことを特徴とするコンピュータ読み取り可能な記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2007141474A JP4847919B2 (ja) | 2007-05-29 | 2007-05-29 | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2007141474A JP4847919B2 (ja) | 2007-05-29 | 2007-05-29 | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2008299370A true JP2008299370A (ja) | 2008-12-11 |
| JP4847919B2 JP4847919B2 (ja) | 2011-12-28 |
Family
ID=40172883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2007141474A Active JP4847919B2 (ja) | 2007-05-29 | 2007-05-29 | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4847919B2 (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019215918A (ja) * | 2017-09-26 | 2019-12-19 | 東芝テック株式会社 | 情報提供装置、情報提供プログラム及び情報提供方法 |
| US11017193B2 (en) | 2017-09-26 | 2021-05-25 | Toshiba Tec Kabushiki Kaisha | Information processing apparatus, method performed thereby, and non-transitory computer readable medium |
| JP6928159B1 (ja) * | 2020-10-22 | 2021-09-01 | 株式会社プロフィットジャパン | フィットネスクラブ会員退会リスク予測システム |
| US11228660B2 (en) * | 2017-01-31 | 2022-01-18 | Walmart Apollo, Llc | Systems and methods for webpage personalization |
| US11500656B2 (en) | 2019-01-29 | 2022-11-15 | Walmart Apollo, Llc | Systems and methods for altering a GUI in response to in-session inferences |
| US11538060B2 (en) | 2017-01-31 | 2022-12-27 | Walmart Apollo, Llc | Systems and methods for search query refinement |
| US11609964B2 (en) | 2017-01-31 | 2023-03-21 | Walmart Apollo, Llc | Whole page personalization with cyclic dependencies |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002163279A (ja) * | 2000-09-14 | 2002-06-07 | Silver Egg Technology Kk | 推奨情報提供方法、推奨情報送信システム、推奨情報送信装置及び記録媒体 |
| JP2003114977A (ja) * | 2001-10-03 | 2003-04-18 | Hitachi Ltd | 顧客生涯価値算出方法およびシステム |
| JP2004054439A (ja) * | 2002-07-17 | 2004-02-19 | Nippon Telegr & Teleph Corp <Ntt> | 顧客行動分析に基づくマーケティング戦略策定支援方法、装置、およびプログラム |
| JP2007317082A (ja) * | 2006-05-29 | 2007-12-06 | Nippon Telegr & Teleph Corp <Ntt> | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 |
-
2007
- 2007-05-29 JP JP2007141474A patent/JP4847919B2/ja active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002163279A (ja) * | 2000-09-14 | 2002-06-07 | Silver Egg Technology Kk | 推奨情報提供方法、推奨情報送信システム、推奨情報送信装置及び記録媒体 |
| JP2003114977A (ja) * | 2001-10-03 | 2003-04-18 | Hitachi Ltd | 顧客生涯価値算出方法およびシステム |
| JP2004054439A (ja) * | 2002-07-17 | 2004-02-19 | Nippon Telegr & Teleph Corp <Ntt> | 顧客行動分析に基づくマーケティング戦略策定支援方法、装置、およびプログラム |
| JP2007317082A (ja) * | 2006-05-29 | 2007-12-06 | Nippon Telegr & Teleph Corp <Ntt> | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11228660B2 (en) * | 2017-01-31 | 2022-01-18 | Walmart Apollo, Llc | Systems and methods for webpage personalization |
| US11538060B2 (en) | 2017-01-31 | 2022-12-27 | Walmart Apollo, Llc | Systems and methods for search query refinement |
| US11609964B2 (en) | 2017-01-31 | 2023-03-21 | Walmart Apollo, Llc | Whole page personalization with cyclic dependencies |
| US11811881B2 (en) | 2017-01-31 | 2023-11-07 | Walmart Apollo, Llc | Systems and methods for webpage personalization |
| US12013915B2 (en) | 2017-01-31 | 2024-06-18 | Walmart Apollo, Llc | Whole page personalization with cyclic dependencies |
| JP2019215918A (ja) * | 2017-09-26 | 2019-12-19 | 東芝テック株式会社 | 情報提供装置、情報提供プログラム及び情報提供方法 |
| US11017193B2 (en) | 2017-09-26 | 2021-05-25 | Toshiba Tec Kabushiki Kaisha | Information processing apparatus, method performed thereby, and non-transitory computer readable medium |
| US11500656B2 (en) | 2019-01-29 | 2022-11-15 | Walmart Apollo, Llc | Systems and methods for altering a GUI in response to in-session inferences |
| JP6928159B1 (ja) * | 2020-10-22 | 2021-09-01 | 株式会社プロフィットジャパン | フィットネスクラブ会員退会リスク予測システム |
| JP2022068415A (ja) * | 2020-10-22 | 2022-05-10 | 株式会社プロフィットジャパン | フィットネスクラブ会員退会リスク予測システム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4847919B2 (ja) | 2011-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4751242B2 (ja) | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 | |
| JP4465417B2 (ja) | 顧客セグメント推定装置 | |
| Bauer et al. | Optimal pricing in e-commerce based on sparse and noisy data | |
| Sismeiro et al. | Modeling purchase behavior at an e-commerce web site: A task-completion approach | |
| US11651381B2 (en) | Machine learning for marketing of branded consumer products | |
| JP4847919B2 (ja) | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 | |
| JP4847916B2 (ja) | 購買順序を考慮したリコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 | |
| JP6744882B2 (ja) | 行動パターン探索システム、および行動パターン探索方法 | |
| JP6163269B2 (ja) | 嗜好分析システム | |
| US20100205034A1 (en) | Methods and apparatus to model consumer awareness for changing products in a consumer purchase model | |
| KR102049777B1 (ko) | 사용자 행위 기반의 아이템 추천 방법 및 장치 | |
| Seranmadevi et al. | Experiencing the AI emergence in Indian retail–Early adopters approach | |
| US20180240037A1 (en) | Training and estimation of selection behavior of target | |
| US20140337247A1 (en) | Using feedback to reconcile catalog item attributes | |
| KR102097045B1 (ko) | 사용자의 특성을 반영하여 상품을 추천하는 방법 및 장치 | |
| US20120022920A1 (en) | Eliciting customer preference from purchasing behavior surveys | |
| JP2023512738A (ja) | 離散制約を有する目的を最適化するための方法及びシステム | |
| CN111861605A (zh) | 业务对象推荐方法 | |
| CN111127074A (zh) | 一种数据推荐方法 | |
| Musalem et al. | A review of choice modeling in the marketing-operations management interface | |
| Jayathilaka | Investigating The Relationship Between Pricing Strategies And International Customer Acquisition In The Early Stage Of SaaS: The Role Of Hybrid Pricing | |
| US20180336504A1 (en) | Simulation method, simulation apparatus, and recording medium | |
| JP4993097B2 (ja) | 企業施策の決定支援装置、企業施策の決定支援方法及びそのプログラム | |
| WO2021192232A1 (ja) | 商品推薦システム、商品推薦装置、商品推薦方法、及び、商品推薦プログラムが格納された記録媒体 | |
| JP2015187773A (ja) | データ解析装置、データ解析プログラム及びデータ解析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20090715 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110712 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20110810 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110902 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20111011 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20111014 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20141021 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 4847919 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |