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
【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
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
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。
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。
<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。
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。
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。
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、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。
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)。
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、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。
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。
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。
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。
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。
を選択する。
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。
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。
[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。
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。
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する。
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)。
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。
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。
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 |