JP2010134733A - 情報推薦装置、情報推薦方法、及びプログラム - Google Patents
情報推薦装置、情報推薦方法、及びプログラム Download PDFInfo
- Publication number
- JP2010134733A JP2010134733A JP2008310546A JP2008310546A JP2010134733A JP 2010134733 A JP2010134733 A JP 2010134733A JP 2008310546 A JP2008310546 A JP 2008310546A JP 2008310546 A JP2008310546 A JP 2008310546A JP 2010134733 A JP2010134733 A JP 2010134733A
- Authority
- JP
- Japan
- Prior art keywords
- factor
- product
- information
- user
- recommendation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 21
- 239000013598 vector Substances 0.000 claims abstract description 85
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 30
- 238000012545 processing Methods 0.000 description 19
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 16
- 238000001914 filtration Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 108010031025 Alanine Dehydrogenase Proteins 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- LFYJSSARVMHQJB-QIXNEVBVSA-N bakuchiol Chemical compound CC(C)=CCC[C@@](C)(C=C)\C=C\C1=CC=C(O)C=C1 LFYJSSARVMHQJB-QIXNEVBVSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】 対象ユーザの属性や興味といった種々の要因、及び推薦対象に起因する種々の要因の偏りを鑑みて、ユーザに適切な情報を推薦する情報推薦装置等を提供する。
【解決手段】 情報推薦装置5のCPUは、商品をユーザまたは商品に起因する複数の要因に関連付け、各要因の要因事象の事象確率(要因値)を算出して商品分析結果TB511を生成する。またCPUは、各要因の偏りA(P)iを算出し、モデルデータTB52として蓄積する。またCPUは、推薦する商品を決定する際、対象ユーザの状況を示す対象ユーザの属性ベクトルまたは特性ベクトルUiを求め、商品分析結果TB511の対応する要因の事象確率ベクトルV(P)iとの類似度Siを算出する。また、モデルデータTB52の要因の偏りA(P)iを類似度Siに乗じ、要因毎の推薦度riを算出する。CPUは全ての要因についての推薦度riからその商品の推薦度Rを求める。
【選択図】 図21
【解決手段】 情報推薦装置5のCPUは、商品をユーザまたは商品に起因する複数の要因に関連付け、各要因の要因事象の事象確率(要因値)を算出して商品分析結果TB511を生成する。またCPUは、各要因の偏りA(P)iを算出し、モデルデータTB52として蓄積する。またCPUは、推薦する商品を決定する際、対象ユーザの状況を示す対象ユーザの属性ベクトルまたは特性ベクトルUiを求め、商品分析結果TB511の対応する要因の事象確率ベクトルV(P)iとの類似度Siを算出する。また、モデルデータTB52の要因の偏りA(P)iを類似度Siに乗じ、要因毎の推薦度riを算出する。CPUは全ての要因についての推薦度riからその商品の推薦度Rを求める。
【選択図】 図21
Description
本発明は、ユーザに適した情報を推薦する情報推薦装置等に関する。
近年、情報技術の発達やインターネットの普及に伴い、情報源が多様化し、大量の情報が蓄積されている。そのため、大量の蓄積情報を整理したり、ユーザが望む情報を適切に入手したりするための情報フィルタリング技術が研究されている。例えば、統計的に情報を整理する手法(統計手法)の他に、文書情報に含まれるキーワードの出現頻度を、他の文書を含めた全体の文書を対象に評価する手法(コンテンツベース・フィルタリング;Content−based Filtering)や、ユーザと他人との類似性を評価して適切な情報を抽出する手法(協調フィルタリング;Collaborative Filtering)等が開発されている。また、上述の情報フィルタリング技術を利用して、ユーザに適した情報を推薦するリコメンデーション技術(情報推薦)が提案されている。
例えば、上述の協調フィルタリングに基づく手法では、ユーザに対し、ある商品の情報を推薦する場合、POS(Point Of Sales)またはEC(Electronic Commerce)サイトにて収集した顧客の購買履歴情報から、商品の購買ユーザを特定し、購買ユーザと推薦対象ユーザとの類似性に着目して、推薦する商品を決定する(非特許文献1)。
また、特許文献1の情報推薦サーバ装置では、文書を推薦対象ユーザに推薦する際に、上述のコンテンツベース・フィルタリングに基づく手法で、文書の内容を文書ベクトルで表現するとともに、各ユーザのアクセスした文書の文書ベクトルに基づいてユーザプロファイルを作成し、協調フィルタリングに基づく手法で対象ユーザに類似した協調ユーザを上述のユーザプロファイルから特定することにより、ユーザの嗜好に適した情報を推薦する(特許文献1)。
また、特許文献1の情報推薦サーバ装置では、文書を推薦対象ユーザに推薦する際に、上述のコンテンツベース・フィルタリングに基づく手法で、文書の内容を文書ベクトルで表現するとともに、各ユーザのアクセスした文書の文書ベクトルに基づいてユーザプロファイルを作成し、協調フィルタリングに基づく手法で対象ユーザに類似した協調ユーザを上述のユーザプロファイルから特定することにより、ユーザの嗜好に適した情報を推薦する(特許文献1)。
"webマイニングと情報論的学習理論"山西健司 情報処理学会「2002年情報学シンポジウム」オンライン論文集"
特開2002−215665号公報
一方、ユーザの行動結果を、その行動結果に影響を及ぼす様々な要因によって整理した場合、行動結果毎に要因の偏りが異なることがある。
例えば、商品の購買という行動結果を例にすると、商品によっては購買者の性別、年齢、地域といった要因に偏りが生じるものがある。例えば、化粧品の購買者は女性層(すなわち性別要因)に偏っている。また、例えば、書籍、CD、DVD等のコンテンツの購買については、その作者やカテゴリ等の興味要因に偏りが生じる。また、ゲーム機とゲームソフト、パソコンと周辺機器等のように、ある商品とともに買われやすい商品では、併買要因に偏りが生じている。
このような要因の偏りに着目することなく、推薦する商品を決定してしまうと、必ずしも適切な推薦とはならないという問題があった。
例えば、商品の購買という行動結果を例にすると、商品によっては購買者の性別、年齢、地域といった要因に偏りが生じるものがある。例えば、化粧品の購買者は女性層(すなわち性別要因)に偏っている。また、例えば、書籍、CD、DVD等のコンテンツの購買については、その作者やカテゴリ等の興味要因に偏りが生じる。また、ゲーム機とゲームソフト、パソコンと周辺機器等のように、ある商品とともに買われやすい商品では、併買要因に偏りが生じている。
このような要因の偏りに着目することなく、推薦する商品を決定してしまうと、必ずしも適切な推薦とはならないという問題があった。
本発明は、このような課題に鑑みてなされたもので、その目的とするところは、対象ユーザの属性や興味といった種々の要因、及び商品に起因する種々の要因(商品の属性情報や関連付けられる興味情報)の偏りを鑑みて、ユーザに適切な情報を推薦する情報推薦装置等を提供することである。
前述した課題を解決するため第1の発明は、対象ユーザに対して情報を推薦する情報推薦装置であって、所定の情報源から、前記対象ユーザと他のユーザとを含むユーザに関する情報、及び商品に関する情報を取得し、商品に対して行われたユーザの行動結果を、ユーザまたは商品に起因する複数の要因に関連付けて蓄積する蓄積手段と、着目する商品に関する各要因についての事象確率ベクトルを求める事象確率算出手段と、着目する商品に関する各要因の偏りの度合いを求める要因評価手段と、対象ユーザの各要因についての属性ベクトルまたは特性ベクトルを求めるユーザ特性算出手段と、前記各要因の偏りの度合い、前記各要因についての事象確率ベクトル、及び前記対象ユーザの各要因の属性ベクトルまたは特性ベクトルに基づいて、対象ユーザに当該着目する商品を推薦するか否かを決定する推薦評価手段と、を備えることを特徴とする情報推薦装置である。
また、前記推薦評価手段は、前記偏りの度合いが比較的大きい要因についての前記事象確率ベクトルと、対象ユーザの当該要因の属性ベクトルまたは特性ベクトルとの類似度を評価することにより、着目する商品を推薦商品とするか否かを決定することが望ましい。
また、前記推薦評価手段により決定された推薦商品を、推薦の根拠となる要因とともに提示する情報推薦手段を更に備えることが望ましい。
第2の発明は、対象ユーザに対して情報を推薦する情報推薦方法であって、所定の情報源から、前記対象ユーザと他のユーザとを含むユーザに関する情報、及び商品に関する情報を取得し、商品に対して行われたユーザの行動結果を、ユーザまたは商品に起因する複数の要因に関連付けて蓄積する蓄積ステップと、着目する商品に関する各要因についての事象確率ベクトルを求める事象確率算出ステップと、着目する商品に関する各要因の偏りの度合いを求める要因評価ステップと、対象ユーザの各要因についての属性ベクトルまたは特性ベクトルを求めるユーザ特性算出ステップと、前記各要因の偏りの度合い、前記各要因についての事象確率ベクトル、及び前記対象ユーザの各要因の属性ベクトルまたは特性ベクトルに基づいて、対象ユーザに当該着目する商品を推薦するか否かを決定する推薦評価ステップと、を含むことを特徴とする情報推薦方法である。
第3の発明は、コンピュータを第1の発明の情報推薦装置として機能させるためのプログラムである。
本発明によれば、ユーザの属性や興味といった種々の要因、及び推薦対象に起因する種々の要因の偏りを鑑みて、対象ユーザに適切な情報を推薦する情報推薦装置等を提供できる。
以下、図面に基づいて本発明の好適な実施形態について詳細に説明する。
図1は、本発明に係る情報推薦装置を含む情報推薦システム1のシステム構成を示す図である。
図1は、本発明に係る情報推薦装置を含む情報推薦システム1のシステム構成を示す図である。
図1に示すように、情報推薦システム1は、対象ユーザPC2、マスタデータDB(データベース)3、POSサーバ4、情報推薦装置5、WEBサーバ6等から構成され、これらはネットワーク9を介して互いに通信接続されている。
マスタデータDB3は、対象ユーザや他のユーザを含むユーザに関する属性情報(以下、ユーザ情報という)、商品に関する属性情報(以下、商品情報という)、店舗に関する属性情報(以下、店舗情報という)等を格納するデータベースである。
POSサーバ4は、実在する店舗のレジ端末等に接続されたサーバ装置であり、各レジ端末にて収集した購買履歴を購買履歴ログデータ41として収集するものである。
WEBサーバ6は、WEBに公開されているECサイト等のサーバ装置であり、ECサイトへのアクセス履歴や、商品の購買履歴、閲覧履歴等を購買履歴ログデータ61として収集するものである。
WEBサーバ6は、WEBに公開されているECサイト等のサーバ装置であり、ECサイトへのアクセス履歴や、商品の購買履歴、閲覧履歴等を購買履歴ログデータ61として収集するものである。
POSサーバ4及びWEBサーバ6は、本情報推薦システム1内に、少なくともひとつ、または複数存在するものとする。
情報推薦システム1において、情報推薦装置5は、対象ユーザPC2からの要求に応じて、対象ユーザPC2に対して適切な情報を推薦する。
本実施の形態では、推薦される情報は、主に商品情報である。商品は物に限定されず、旅行商品、金融商品等も含むものとする。また、推薦される情報(商品)には、場所情報(医療機関、店舗等)やコンテンツデータ(ホームページやブログ)等の情報、またはサービスも含むようにしてもよい。
情報推薦システム1において、情報推薦装置5は、対象ユーザPC2からの要求に応じて、対象ユーザPC2に対して適切な情報を推薦する。
本実施の形態では、推薦される情報は、主に商品情報である。商品は物に限定されず、旅行商品、金融商品等も含むものとする。また、推薦される情報(商品)には、場所情報(医療機関、店舗等)やコンテンツデータ(ホームページやブログ)等の情報、またはサービスも含むようにしてもよい。
情報推薦装置5は、図1に示すように、購買分析結果DB51、モデルデータTB52、ユーザプロファイル53、蓄積手段54、事象確率算出手段55、要因評価手段56、ユーザ特性算出手段57、及び情報推薦手段58を備える。
以下の説明において、「データベース」は「DB」、「テーブル」は「TB」、「プロファイル」は「PF」、のように省略して記載することもある。また、「キーワード」を「KW」と省略して記載する。
情報推薦装置5の蓄積手段54は、POSサーバ4やWEBサーバ6にて収集される購買履歴ログデータ41、61、及びマスタデータDB3等に蓄積されているユーザ情報、商品情報、店舗情報等の様々な情報源から情報を取得する。具体的には、蓄積手段54は、各ユーザの購買履歴ログデータ41、61から各種プロファイル(図13参照)を作成して、ユーザプロファイル53に格納する。また、蓄積手段54は、商品の購買履歴ログデータ41、61、ユーザ情報31等に基づいて、ユーザの行動結果を種々の要因(例えば、性別、年齢、居住エリア、興味KW情報、興味カテゴリ情報、併買商品等)に関連付けた商品分析結果TB511(図7参照)を作成する。ユーザの行動結果とは、ここでは商品の購買や閲覧を意味するものとする。以下の説明では、各要因として表れる事象を、要因事象という。例えば、要因「性別」では、要因事象は{男、女、不明}である。
事象確率算出手段55は、蓄積手段54によって蓄積した情報に基づいて、着目する商品Pに関する各要因iについての事象確率ベクトルV(P)iを求める。ここで、事象確率ベクトルV(P)iとは、各要因の要因事象の割合(以下、要因値という)の集合として表されるものである。事象確率算出手段55により算出された要因値は、商品分析結果TB511に格納される。
要因評価手段56は、着目する商品Pに関する各要因iの偏りの度合いA(P)iを算出してモデルデータTB52に格納する。要因値の算出、偏りの度合いの算出についての詳細については後述する。
ユーザ特性算出手段57は、対象ユーザの各要因の属性ベクトルまたは特性ベクトルUiを算出する。対象ユーザの各要因の属性ベクトルまたは特性ベクトルUiとは、例えば、要因「性別」については、対象ユーザが男の場合は、U性別={1,0,0}、女の場合は、U性別={0,1,0}というように、ユーザの属性によって一意に定まる属性値を、その要因の事象確率ベクトルV(P)iの形式に揃えたものである。同様に、要因「年齢」、「地域」については、ユーザの属性値は定まっており、取り得る要因事象の数が決まっているため、それぞれ属性ベクトルU年齢、U居住エリアを決定できる。また、要因「興味KW情報」、「興味カテゴリ情報」、「併買情報」については、対象ユーザの有する傾向を事象確率ベクトルV(P)iの形式に揃え、ベクトルデータとしたものを、それぞれ特性ベクトルU興味KW、U興味カテゴリ、U併買情報とする。以下の説明では、属性ベクトルと特性ベクトルとはユーザの傾向を表すベクトルとして、同じ働きをするので、いずれもUiとして記載するものとする。
推薦評価手段58は、事象確率算出手段55によって算出された事象確率ベクトルV(P)i、要因評価手段56によって算出された各要因iの偏りの度合いA(P)i、及びユーザ特性算出手段57によって算出された対象ユーザの各要因iの属性ベクトルまたは特性ベクトルUiに基づいて、対象ユーザに着目する商品Pを推薦するか否かを決定する。
推薦するか否かを決定する際、推薦評価手段58は、偏りの度合いA(P)iが比較的大きい要因iについて、商品Pに関する要因iについての事象確率ベクトルV(P)iと、対象ユーザの要因iについての属性ベクトルまたは特性ベクトルUiとの類似度Sを算出する。更に、類似度Sと偏りの度合いA(P)iとから推薦度Rを算出することにより、商品Pを推薦商品とするか否かを決定する。
推薦するか否かを決定する際、推薦評価手段58は、偏りの度合いA(P)iが比較的大きい要因iについて、商品Pに関する要因iについての事象確率ベクトルV(P)iと、対象ユーザの要因iについての属性ベクトルまたは特性ベクトルUiとの類似度Sを算出する。更に、類似度Sと偏りの度合いA(P)iとから推薦度Rを算出することにより、商品Pを推薦商品とするか否かを決定する。
情報推薦装置5は、推薦評価手段58により決定された推薦商品を対象ユーザに提示する。すなわち、商品の購買に関する各要因のうち、顕著な偏りを示すものほど類似性がより重く評価され、推薦情報に反映されることとなる。また、推薦商品を提示する際、情報推薦装置5はその商品を推薦する根拠も提示する。
次に、図2を参照して、情報推薦装置5のハードウエア構成を説明する。
情報推薦装置5は、図2に示すように、例えば、制御部501、記憶部502、メディア入出力部503、入力部504、印刷部505、表示部506、通信部507等がバス508を介して接続されて構成される。
情報推薦装置5は、図2に示すように、例えば、制御部501、記憶部502、メディア入出力部503、入力部504、印刷部505、表示部506、通信部507等がバス508を介して接続されて構成される。
制御部501は、CPU(Central Processing Unit)、ROM(Read Only Memory)、RAM(Random Accsess Memory)等により構成される。
CPUは、記憶部502、ROM、記録媒体等に格納されるプログラムをRAM上のワークメモリ領域に呼び出して実行し、バス508を介して接続された各部を駆動制御する。制御部501のCPUは後述するモデルデータ作成処理(図17参照)、推薦商品決定処理(図19参照)を実行する。また、CPU501は、図1の蓄積手段54、事象確率算出手段55、要因評価手段56、ユーザ特性算出手段57、推薦評価手段58として機能する。
CPUは、記憶部502、ROM、記録媒体等に格納されるプログラムをRAM上のワークメモリ領域に呼び出して実行し、バス508を介して接続された各部を駆動制御する。制御部501のCPUは後述するモデルデータ作成処理(図17参照)、推薦商品決定処理(図19参照)を実行する。また、CPU501は、図1の蓄積手段54、事象確率算出手段55、要因評価手段56、ユーザ特性算出手段57、推薦評価手段58として機能する。
ROMは、コンピュータのブートプログラムやBIOS等のプログラム、データ等を恒久的に保持する。RAMは、ロードしたプログラムやデータを一時的に保持するとともに、制御部501が各種処理を行うために使用するワークエリアを備える。
記憶部502は、HDD(ハードディスクドライブ)であり、制御部501が実行するプログラムや、プログラム実行に必要なデータ、OS(オペレーティング・システム)等が格納されている。これらのプログラムコードは、制御部501により必要に応じて読み出されてRAMに移され、CPUに読み出されて実行される。
また、記憶部502は、CPUによって生成された購買分析結果TB51、モデルデータTB52、ユーザプロファイル53等を記憶する。
また、記憶部502は、CPUによって生成された購買分析結果TB51、モデルデータTB52、ユーザプロファイル53等を記憶する。
メディア入出力部503(ドライブ装置)は、例えば、フロッピー(登録商標)ディスクドライブ、PDドライブ、CDドライブ、DVDドライブ、MOドライブ等のメディア入出力装置であり、データの入出力を行う。
入力部504は、例えば、キーボード、マウス等のポインティング・デバイス、テンキー等の入力装置であり、入力されたデータを制御部501へ出力する。
印刷部505は、プリンタであり、推薦レポート11(図25参照)等の印刷処理を行う。
表示部506は、例えば液晶パネル、CRTモニタ等のディスプレイ装置と、ディスプレイ装置と連携して表示処理を実行するための論理回路(ビデオアダプタ等)で構成され、制御部501の制御により入力された表示情報をディスプレイ装置上に表示させる。
通信部507は、通信制御装置、通信ポート等を有し、ネットワーク9との通信を媒介する通信インタフェースであり、通信制御を行う。
表示部506は、例えば液晶パネル、CRTモニタ等のディスプレイ装置と、ディスプレイ装置と連携して表示処理を実行するための論理回路(ビデオアダプタ等)で構成され、制御部501の制御により入力された表示情報をディスプレイ装置上に表示させる。
通信部507は、通信制御装置、通信ポート等を有し、ネットワーク9との通信を媒介する通信インタフェースであり、通信制御を行う。
次に、図1に示す情報推薦システム1において利用、或いは生成される各データの構成について、図3〜図16を参照して説明する。
図3に示すように、マスタデータDB3には、ユーザ情報TB31、商品情報TB32、及び店舗情報TB33等が含まれる。
ユーザ情報TB31には、各ユーザの属性情報が格納されている。すなわち、1レコードにつき1ユーザの、ユーザID311、性別312、年齢313、居住エリア314等のデータが格納される。
ユーザ情報TB31には、各ユーザの属性情報が格納されている。すなわち、1レコードにつき1ユーザの、ユーザID311、性別312、年齢313、居住エリア314等のデータが格納される。
具体的には、図4のユーザ情報TB31に示すように、例えばユーザID311「u0001」のレコードには、性別312「男」、年齢313「20」、居住エリア314「東京」が対応付けて記憶され、ユーザID311「u0002」のレコードには、性別312「男」、年齢313「30」、居住エリア314「北海道」が対応付けて記憶される。
図3のマスタデータDB3の商品情報TB32には、各商品の属性情報が格納されている。すなわち、1レコードにつき1商品の、商品ID321、商品名322、価格323、メーカー324、説明325、商品カテゴリ326等のデータが格納される。
店舗情報TB33には、各店舗の属性情報が格納されている。すなわち、1レコードにつき1店舗の、店舗ID331、エリア332等のデータが格納される。
店舗情報TB33には、各店舗の属性情報が格納されている。すなわち、1レコードにつき1店舗の、店舗ID331、エリア332等のデータが格納される。
図5は、POSサーバ4の購買履歴ログデータ41、またはWEBサーバ6の購買履歴ログデータ61に含まれる購買履歴TB43のデータ構成を示す図である。
購買履歴TB43には、1レコードにつき購買(ショッピングカート)毎の、カートID431、日時432、商品ID433、数量434、合計435、支払方法436、店舗ID437、ユーザID438等のデータが格納される。
具体的には、図6の購買履歴TB43に示すように、カートID431「c10001」のレコードには、日時432「8/10」、商品ID433「p002」、数量434「2」、合計435「10000」、支払方法436「キャッシュ」、店舗ID437「s01」、ユーザID438「u0001」が対応付けて記憶され、カートID431「c10002」のレコードには、日時432「8/10」、商品ID433「p003」、数量434「2」、合計435「10000」、支払方法436「キャッシュ」、店舗ID437「s01」、ユーザID438「u0002」が対応付けて記憶される。
図7は、情報推薦装置5の購買分析結果DB51のデータ構成を示す図である。図7に示すように購買分析結果DB51には、商品分析結果TB511、商品興味KW情報TB512、商品興味カテゴリ情報TB513が記憶される。
商品分析結果TB511は、情報推薦装置5のCPUによって実行される、後述するモデルデータ作成処理(図17)において生成されるデータ群であり、購買履歴ログデータ41、61、商品興味KW情報TB512、及び商品興味カテゴリ情報TB513に基づいて、各商品の購買された要因を、要因事象、及び要因値(事象確率)に関連付けて蓄積したものである。
すなわち、商品分析結果TB511には、各商品ID5111の購買に関して、ユーザまたは商品に起因する複数の要因5112(例えば、性別、年齢、居住エリア、興味KW情報、興味カテゴリ情報、併買情報)と、その要因5112の取りうる事象である要因事象5113と、要因値5114(要因事象の割合を示す事象確率)とが、関連付けて格納される。
図8は、商品ID「p010」の商品の購買に関しての商品分析結果TB511である。この商品分析結果TB511の1レコード目から2レコード目に着目すると、要因5112「性別」についての分析結果が参照できる。すなわち、商品「p010」を購入したユーザのうち、「性別」が「男」の事象確率(要因値)は「0.56」であり、「女」の事象確率(要因値)は「0.44」であることがわかる。
同様に、3レコード目〜6レコード目からは、購入ユーザの年齢層と、その事象確率(要因値)が分かり、7レコード目〜11レコード目からは、購入ユーザの居住エリアと、その事象確率(要因値)が分かる。
同様に、3レコード目〜6レコード目からは、購入ユーザの年齢層と、その事象確率(要因値)が分かり、7レコード目〜11レコード目からは、購入ユーザの居住エリアと、その事象確率(要因値)が分かる。
また、12レコード目〜19レコード目の要因5112「興味KW情報」に着目すると、要因事象には「スターウォーズ」、「ハリーポッター」、「W録」、「ブルーレイ」、「ハイビジョン」、「SDカード」、「HDD」、「500GB」、等が格納されており、それらの事象確率(要因値)は、それぞれ「0.08」、「0.08」、「0.25」、「0.17」、「0.17」、「0.08」、「0.08」、「0.08」が格納されている。これらは、商品「p010」に関連付けられた興味キーワードと、その事象確率を意味する。
同様に、20レコード目〜25レコード目からは、商品「p010」に関連付けられた興味カテゴリと、その要因値が分かり、26レコード目〜29レコード目からは、商品「p010」に関連付けられた併買商品と、その事象確率が分かる。
商品「p010」に関係付けられた併買商品とは、p010と同時に購入された商品のことである。
商品「p010」に関係付けられた併買商品とは、p010と同時に購入された商品のことである。
ここで、本実施の形態では、ある商品について関連付ける要因5112は、「性別」、「年齢」、「居住エリア」、「興味KW情報」、「興味カテゴリ情報」、「併買商品」とする例を示しているが、これに限定されるものではなく、必要に応じて他の要因を付加したり、或いは減じたりしてもよい。
また、「性別」、「年齢」、「地域」等の要因については、取りうる事象(要因事象)が限定されているが、「興味KW情報」、「興味カテゴリ情報」、「併買商品」のような要因については、取りうる事象(要因事象)は限定されない。その場合は、例えばデータ収集時点での上位100個のように予め個数を限定して、抽出するようにしてもよい。
図9に示す商品興味KW情報TB512には、カートID5121と、商品ID5122と、興味KW情報5123とが関連付けて格納される。興味KW情報とは、商品に関連付けられたキーワード等であり、例えば、検索キーワード等である。商品興味KW情報TB512は、ユーザのアクセス履歴や購買履歴(購買履歴ログデータ61に含まれる)から収集されるものである。
具体的には、図9の商品興味KW情報TB512に示すように、カートID5121「c10021」には、商品ID5122「p010」、興味KW情報5123「ハリーポッター」、「W録」、「ブルーレイ」が関連付けられている。
図10に示す商品興味カテゴリ情報TB513には、カートID5131と、商品ID5132と、興味カテゴリ情報5133とが関連付けて格納される。興味カテゴリ情報とは、商品に関連付けられたカテゴリである。商品興味カテゴリ情報TB513は、ユーザのアクセス履歴や購買履歴(購買履歴ログデータ61に含まれる)から収集されるものである。
具体的には、図10の商品興味カテゴリ情報TB513に示すように、カートID5131「c10021」には、商品ID5132「p010」、興味カテゴリ情報5133「AV機器」、「パソコン」が関連付けられている。
図11は、情報推薦装置5のモデルデータTB52のデータ構成を示す図である。図11に示すモデルデータTB52は、情報推薦装置5のCPUによって実行される、後述するモデルデータ作成処理(図17参照)において生成されるデータ群であり、購買履歴ログデータ41、61、商品興味KW情報TB512、及び商品興味カテゴリ情報TB513に基づいて、各商品の要因iの偏りの度合いA(P)iや、代表要因フラグを決定したものである。すなわち、モデルデータTB513には、商品ID521、要因522、要因の偏りの度合い523、代表要因フラグ524等が対応付けて格納される。
ここで、要因の偏りの度合い(A(P)i)523とは、要因事象のばらつきを示す数値であり、要因値(事象確率)の標準偏差、或いは要因事象の個数に反比例する値等により算出される。
具体的には、例えば要因が「性別」の場合、要因事象は、{男,女,不明}であり、その要因事象の度数が{5,4,0}の場合、各要因事象の要因値は{5/9,4/9,0}である。ここで、要因値が0のものは、計算に含めないものとする。要因値の平均(式(1)のバー付きのx)は、0.5であるから、要因の偏りの度合い523は、要因値の標準偏差から「0.66」が求まる(式(1)参照)。
また例えば、要因「興味KW」については、図9に示す例であれば、要因事象は{スターウォーズ、ハリーポッター、W録、ブルーレイ、ハイビジョン、SDカード、HDD、500GB}の8個であり、各要因事象の度数は{1,1,3,2,2,1,1,1}である。要因値は{1/12,1/12,3/12,2/12,2/12,1/12,1/12,1/12}、要因の偏りの度合い(A(P)i)523は、要因値の標準偏差から「0.06」が求められる。また、要因の偏りの度合い(A(P)i)523を、要因事象の個数の逆数(1/8)に比例する値としてもよい。
図12に示すモデルデータTB52には、例えば1レコード目〜6レコード目に着目すると、商品ID521「p010」の要因522として、「性別」、「年齢」、「居住エリア」、「興味KW情報」、「興味カテゴリ」、「併買商品」について、それぞれ、要因の偏りの度合い(A(P)i)523が「0.06」、「0.24」、「0.04」、「0.06」、「0.07」、「0.15」のように算出されて、格納される。更に、要因の偏りの度合い(A(P)i)523の大きさが最も大きい「年齢」(2レコード目)の代表要因フラグ524が「1」にセットされる。商品「p010」のその他のレコードの代表要因フラグ524は「0」にセットされる。
商品「p010」の購買は、要因の偏りの度合いA(P)i523の最も大きい「年齢」要因に、最も依存するという意味である。
商品「p010」の購買は、要因の偏りの度合いA(P)i523の最も大きい「年齢」要因に、最も依存するという意味である。
図13は、情報推薦装置5のユーザプロファイル53に含まれるデータを示す図である。ユーザプロファイル53は、ユーザのWEBサーバ6へのアクセス履歴、商品の閲覧・購買等に基づいて、情報推薦装置5のCPUによって蓄積されるデータ群である。
すなわち、ユーザプロファイル53には、ユーザ興味KW情報PF531、ユーザ興味カテゴリ情報PF532、ユーザ閲覧情報PF533等が格納される。
すなわち、ユーザプロファイル53には、ユーザ興味KW情報PF531、ユーザ興味カテゴリ情報PF532、ユーザ閲覧情報PF533等が格納される。
ユーザ興味KW情報PF531は、図14に示すように、ユーザID5311、興味KW情報5312、購買・閲覧回数5313、スコア5314が各レコードに格納される。ここで、スコア5314とは、購買・閲覧回数5313の割合(事象確率)である。例えば、ユーザID5311「u0100」のユーザの購買・閲覧回数は、全部で32回である。興味KW「W録」で購買・閲覧した回数は「10」回であり、そのスコア5314は「10/32=0.31」と算出される。
ユーザ興味KW情報PF531は、ユーザのアクセス毎に更新される。
ユーザ興味KW情報PF531は、ユーザのアクセス毎に更新される。
ユーザ興味カテゴリ情報PF532は、図15に示すように、ユーザID5321、興味カテゴリ情報5322、購買・閲覧回数5323、スコア5324が各レコードに格納される。ここで、スコア5324とは、購買・閲覧回数5323の割合(事象確率)である。例えば、ユーザID5321「u0100」のユーザの購買・閲覧回数は全部で38回である。興味カテゴリ「AV機器」で購買・閲覧した回数は「12」回であり、そのスコア5324は「12/38=0.32」と算出される。
ユーザ興味カテゴリ情報PF532は、ユーザのアクセス毎に更新される。
ユーザ興味カテゴリ情報PF532は、ユーザのアクセス毎に更新される。
ユーザ閲覧情報PF533は、図16に示すように、ユーザID5331、商品ID5332、購買・閲覧回数5333、スコア5334が各レコードに格納される。ここで、スコア5334とは、購買・閲覧回数5333の割合(事象確率)である。例えば、ユーザID5331「u0100」のユーザの購買・閲覧回数は全部で8回である。商品「p001」の購買・閲覧回数5333は「2」回であり、そのスコア5334は「2/8=0.25」と算出される。
ユーザ閲覧情報PF533は、ユーザのアクセス毎に更新される。
ユーザ閲覧情報PF533は、ユーザのアクセス毎に更新される。
次に、情報推薦装置5により実行されるモデルデータ作成処理、及び推薦商品決定処理の流れについて、図17〜図25に沿って説明する。
まず、モデルデータ作成処理、推薦商品決定処理を実行する段階で、マスタデータDB3にはユーザ情報TB31、商品情報TB32、店舗情報TB33が収集されており、POSサーバ4またはWEBサーバ6には図6の購買履歴TB43が記憶されているものとする。また、情報推薦装置5のユーザプロファイルDB53には、図14のユーザ興味KW情報531、図15のユーザ興味カテゴリ情報532、図16のユーザ閲覧情報533が生成され、記憶されているものとする。また、情報推薦装置5の購買分析結果DB51には、図8の商品興味KW情報512、図9の商品興味カテゴリ情報513が記憶されているものとする。
図17のモデルデータ作成処理において、情報推薦装置501の制御部501のCPUは、POSサーバ4の購買履歴ログデータ41またはWEBサーバ6の購買履歴ログデータ61から購買履歴TB43(図6)を取得し、併買商品のリストを生成する(ステップS101)。
図18に示す併買商品リスト7は、図6の購買履歴TB43から、商品p010の併買商品を抽出したものである。図18に示すように、併買商品には商品ID{p001,p002,p003,p004}が含まれ、購入したユーザはユーザID{u0001,u0002,u0003,u0004,u0005,u0006,u0007,u0008,u0009}である。
次に、CPU101は、商品ID「p001」から順に、次の処理(ステップS103〜ステップS107)を繰り返し実行する(ステップS102)。
ステップS103において、CPUは、商品をユーザ情報TB31(図4参照)に含まれる要因(年齢、性別、居住エリア)に関連付け、各要因事象の要因値(事象確率)を算出し、図8の商品分析結果TB511に格納する。
すなわち、まずCPU101は、図4のユーザ情報TB31のユーザID{u0001,u0002,u0003,u0004,u0005,u0006,u0007,u0008,u0009}に関するレコードを参照して、「年齢」、「性別」、「居住エリア」の要因事象(要因事象及び各要因事象の度数を含む)を取得する。「性別」については、要因事象が{男、女、不明}であり、その度数は、{5,4,0}となる。
次に、CPUは、要因事象の度数から要因値(事象確率)を算出する。要因値は各要因事象の割合であり、{5/9=0.56,4/9=0.44,0}が求められる。また、要因の偏りの度合いA(P)iは、上述の式(1)を用いて、求められる。
次に、CPUは、要因事象の度数から要因値(事象確率)を算出する。要因値は各要因事象の割合であり、{5/9=0.56,4/9=0.44,0}が求められる。また、要因の偏りの度合いA(P)iは、上述の式(1)を用いて、求められる。
同様に、要因「年齢」については、要因事象が{10代未,10代,20代、30代、40代、50代,60代以上}であり、その度数は、{0,0,1,6,1,1,0}となる。
また、要因値は{0,0,1/9=0.11,6/9,=0.67,1/9=0.11,1/9=0.11,0}である。なお、図8には、要因事象の度数が「0」のデータは記載されていない。
また、要因値は{0,0,1/9=0.11,6/9,=0.67,1/9=0.11,1/9=0.11,0}である。なお、図8には、要因事象の度数が「0」のデータは記載されていない。
同様に、要因「居住エリア」については、要因事象が{東京,北海道,神奈川,埼玉,千葉}であり、その度数は、{2,2,2,2,1}となる。
また、要因値は{2/9=0.22,2/9=0.22,2/9=0.22,2/9=0.22,1/9=0.11}である。
また、要因値は{2/9=0.22,2/9=0.22,2/9=0.22,2/9=0.22,1/9=0.11}である。
次に、ステップS104において、CPUは、商品を図9の商品興味KW情報512に含まれる興味KW{スターウォーズ,ハリーポッター,W録,ブルーレイ,ハイビジョン,SDカード,HDD,500GB}に関連付け、各要因の要因値を算出し、図8の商品分析結果TB511に格納する。
すなわち、CPUは、図9に示す商品興味KW情報TB512の、商品p010に関するレコードを参照して、興味KW{スターウォーズ,ハリーポッター,W録,ブルーレイ,ハイビジョン,SDカード,HDD,500GB}を抽出し、要因事象の度数を求める。度数は、{1,1,3,2,2,1,1,1}となる。
次に、CPUは、度数から要因値(事象確率)を算出する。興味KW情報の各要因値(事象確率)は{1/12=0.08,1/12=0.08,3/12=0.25,2/12=0.17,2/12=0.17,1/12=0.12,1/12=0.08,1/12=0.08}のように求められる。
次に、CPUは、度数から要因値(事象確率)を算出する。興味KW情報の各要因値(事象確率)は{1/12=0.08,1/12=0.08,3/12=0.25,2/12=0.17,2/12=0.17,1/12=0.12,1/12=0.08,1/12=0.08}のように求められる。
次に、ステップS105において、CPUは、商品を図10に示す商品興味カテゴリ情報513に含まれる商品興味カテゴリに関連付け、各要因の要因値を算出し、図8の商品分析結果TB511に格納する。
すなわち、まず、CPUは、図10に示す商品興味カテゴリ情報TB513の商品p010に関するレコードを参照して、商品興味カテゴリ{AV機器,DVD,生活家電,パソコン,ゲーム,時計}の各要因事象の度数を求める。度数は、図10を参照すると{3,1,2,3,1,1}となる。
次に、CPUは、度数から要因値を算出する。興味カテゴリ情報の各要因値(事象確率)は{3/11=0.27,1/11=0.09,2/11=0.18,3/11=0.27,1/11=0.09,1/11=0.09}が求められる。
次に、CPUは、度数から要因値を算出する。興味カテゴリ情報の各要因値(事象確率)は{3/11=0.27,1/11=0.09,2/11=0.18,3/11=0.27,1/11=0.09,1/11=0.09}が求められる。
次に、ステップS106において、CPUは、抽出した併買商品リスト7に基づいて、併買商品を要因として、各要因の要因値(事象確率)を算出し、図8の商品分析結果TB511に格納する。
すなわち、CPUは、図18の併買商品のリスト7から、併買商品{p001,p002,p003,p004}の各度数{2,2,5,1}を取得する。また、要因値(事象確率)は{2/10=0.2,2/10=0.2,5/10=0.2,1/10=0.1}である。
次に、ステップS107において、CPUは、ステップS103〜ステップS106の処理において算出した各要因値から、各要因の偏りの度合いA(P)iを算出し、図12に示すようにモデルデータTB513を生成する。要因の偏りの度合いA(P)iは、上述の式(1)に示す標準偏差を用いてもよいし、要因事象の個数に反比例する値を用いるようにしてもよい。
更に、CPUは、商品毎に代表要因フラグ5134を設定する。代表要因フラグ524は、本実施の形態では、例えば、要因の偏りの度合いA(P)iの値が最も大きい要因を「1」、その他の要因を「0」とする。商品「p010」については、要因「年齢」の代表要因フラグ5134が「1」にセットされている。
図12に例示するモデルデータTB52では、商品「p010」の要因「性別」の偏りの度合いA(P)性別は「0.06」であり、要因「年齢」の偏りの度合いA(P)年齢は「0.24」であり、要因「居住エリア」の偏りの度合いA(P)居住エリアは「0.04」であり、要因「興味KW情報」の偏りの度合いA(P)興味KWは「0.06」であり、要因「興味カテゴリ情報」の偏りの度合いA(P)興味カテゴリは「0.07」であり、要因「併買商品」の偏りの度合いA(P)併買商品は「0.15」である。また、商品「p010」の代表要因フラグは、要因「年齢」が「1」にセットされている。
以上のようにして、全ての商品について、要因の要因値(事象確率)や要因の偏りの度合いA(P)iを算出し、商品分析結果TB511及びモデルデータTB52を生成すると(ステップS102;Yes)、CPUは生成した商品分析結果TB511及びモデルデータTB52を記憶部402に記憶し、一連のモデルデータ作成処理を終了する。
次に情報推薦装置5は、生成された商品分析結果TB511及びモデルデータTB52に基づいて、対象ユーザに対して推薦する商品を決定する処理を実行する。
図19は、推薦商品決定処理の流れを示すフローチャートである。
図19に示すように、まず、CPUは、対象ユーザのユーザ特性8を抽出し、ユーザ属性ベクトルまたは特性ベクトルUiを求める(ステップS201)。ユーザ特性とは、図20に示すように、対象ユーザ(ここではユーザID「u0100」のユーザ)に関連付けられる各要因に、スコアを与えたものである。スコアとは、ユーザと要因事象との関連の強さを表す数値であり、例えば、0から1の範囲で与えられる。ユーザが、一つの要因事象のみに関連する場合(例えば、要因「性別」の場合)は、スコア「1」である。また、ユーザが複数の要因事象をもつ場合(例えば、要因「興味KW情報」の場合)には、事象確率がスコアとなる。CPUは対象ユーザについて算出された各要因のスコアを、商品についての各要因の事象確率ベクトルV(P)iの形式に揃え、対象ユーザの属性ベクトルまたは特性ベクトルUiとする。
図19に示すように、まず、CPUは、対象ユーザのユーザ特性8を抽出し、ユーザ属性ベクトルまたは特性ベクトルUiを求める(ステップS201)。ユーザ特性とは、図20に示すように、対象ユーザ(ここではユーザID「u0100」のユーザ)に関連付けられる各要因に、スコアを与えたものである。スコアとは、ユーザと要因事象との関連の強さを表す数値であり、例えば、0から1の範囲で与えられる。ユーザが、一つの要因事象のみに関連する場合(例えば、要因「性別」の場合)は、スコア「1」である。また、ユーザが複数の要因事象をもつ場合(例えば、要因「興味KW情報」の場合)には、事象確率がスコアとなる。CPUは対象ユーザについて算出された各要因のスコアを、商品についての各要因の事象確率ベクトルV(P)iの形式に揃え、対象ユーザの属性ベクトルまたは特性ベクトルUiとする。
図20に示すユーザ特性8の1レコード目〜3レコード目は、ユーザ情報TB31(図4)に基づいて生成され、格納される。また、4レコード目〜6レコード目は、ユーザ興味KW情報PF531(図14)に基づいて格納される。また、7レコード目〜9レコード目は、ユーザ興味カテゴリ情報PF532(図15)に基づいて格納される。また、10レコード目〜15レコード目は、ユーザ閲覧情報PF533(図16)に基づいて格納される。
ユーザ特性8の要因「興味KW情報」、「興味カテゴリ情報」のスコアには、ユーザ興味KW情報PF531、ユーザ興味カテゴリ情報PF532のスコア5314、5324が格納される。なお、ユーザ興味KW情報PF531、ユーザ興味カテゴリ情報PF532に格納されているすべての要因事象を抽出しなくてもよく、スコアが所定値(任意設定可能)以上のものを抽出するようにしてもよい。図20のユーザ特性8の例では、スコアが「0.2」以上のものを抽出している。また、ユーザ特性8の「閲覧商品」については、スコアに関係なく、ユーザ閲覧情報PF533の該当する商品を全て抽出している。
次に、CPUは、商品ID「p001」から順に、全商品(対象ユーザの閲覧商品を除く)について、推薦度Rを算出する(ステップS202)。
具体例として、対象ユーザ「u0100」の閲覧商品に含まれない商品「p010」についての推薦度Rの算出を説明する。
具体例として、対象ユーザ「u0100」の閲覧商品に含まれない商品「p010」についての推薦度Rの算出を説明する。
推薦度Rは、対象ユーザの各要因の属性ベクトルまたは特性ベクトルUiと、商品分析結果TB511の各要因iの事象確率ベクトルV(P)iとの類似度、及び要因の偏りの度合いA(P)iを考慮して算出される。例えば、要因毎の類似度Siに要因の偏りA(P)iを乗じたもの(Si*A(P)i=ri)の和を推薦度Rとしてもよいし、代表要因フラグが「1」にセットされている要因の類似度Siのみを求め、それを推薦度Rとしてもよい。
まず、CPUは類似度Siを算出する。
類似度Siは、商品Pに関連付けられた各要因(例えば、性別)の事象確率ベクトルV(P)iと、対象ユーザの属性ベクトルまたは特性ベクトルUiとから、以下のように算出される。
類似度Siは、商品Pに関連付けられた各要因(例えば、性別)の事象確率ベクトルV(P)iと、対象ユーザの属性ベクトルまたは特性ベクトルUiとから、以下のように算出される。
すなわち、類似度Siは、ある要因(例えば、性別)について、商品の事象確率ベクトルV(P)iと、対象ユーザの属性ベクトルまたは特性ベクトルUiとの内積により表される。
i番目の要因についての類似度Siは以下の式(2)を用いて、算出される。
i番目の要因についての類似度Siは以下の式(2)を用いて、算出される。
ここで、Uiは、対象ユーザの要因iについての属性ベクトルまたは特性ベクトルであり、
Ui=(aui,bui,cui,・・・)である。
また、V(P)iは、着目する商品Pの要因iの事象確率ベクトルであり、
V(P)i=(ai,bi,ci,・・・)である。
aui,bui,cui,・・・は、ユーザ特性8のスコアに相当し、ai,bi,ci,・・・は、商品分析結果TB511の要因値に相当する。
Ui=(aui,bui,cui,・・・)である。
また、V(P)iは、着目する商品Pの要因iの事象確率ベクトルであり、
V(P)i=(ai,bi,ci,・・・)である。
aui,bui,cui,・・・は、ユーザ特性8のスコアに相当し、ai,bi,ci,・・・は、商品分析結果TB511の要因値に相当する。
類似度Siを算出した後、CPUは推薦度Rを算出する。
まず、要因iの推薦度riとして、式(3)に示すように、算出した類似度Siに、要因の偏りの度合いA(P)iを乗ずる。
まず、要因iの推薦度riとして、式(3)に示すように、算出した類似度Siに、要因の偏りの度合いA(P)iを乗ずる。
ri=A(P)i*Si ・・・(3)
商品の推薦度Rは、代表要因フラグが「1」にセットされている要因についての推薦度riとしてもよいし、或いは、次の式(4)で表すように、式(3)で求めた全ての要因についての推薦度riを足し合わせたものとしてもよい。
図21、図22を用いて、類似度、及び推薦度の具体的な算出例を説明する。
着目商品p010は、図21の左表に示すような事象確率ベクトルV(P)i及び要因の偏りの度合いA(P)iを有し、対象ユーザは図21の右表に示すような属性ベクトルまたは特性ベクトルUiを有するものとする。
図21及び上述の式(2)を用いると、図22に示すような類似度Siが算出される。また、類似度Siと要因iの偏りの度合いA(P)iとから、推薦度Rが算出される。
着目商品p010は、図21の左表に示すような事象確率ベクトルV(P)i及び要因の偏りの度合いA(P)iを有し、対象ユーザは図21の右表に示すような属性ベクトルまたは特性ベクトルUiを有するものとする。
図21及び上述の式(2)を用いると、図22に示すような類似度Siが算出される。また、類似度Siと要因iの偏りの度合いA(P)iとから、推薦度Rが算出される。
具体的には、上述の式(2)、式(3)、式(4)に、図21に示す各数値を代入すると、図22の表に示すような値が算出される。
例えば、要因「性別」についての類似度Siは、上述の式(2)に、図21のV(P)i、Uiを代入すると、式(5)に示すように、
例えば、要因「性別」についての類似度Siは、上述の式(2)に、図21のV(P)i、Uiを代入すると、式(5)に示すように、
となり、「0.79」が算出される。
更に推薦度riは、上述の式(3)に、図21の要因の偏りの度合いA(P)iを代入すると、
ri=0.06*0.79
=0.047 ・・・(6)
となる。
ri=0.06*0.79
=0.047 ・・・(6)
となる。
また例えば、要因「興味KW情報」についての類似度Siは、上述の式(2)に、図21のV(P)i、Uiを代入すると、式(7)に示すように、
となり、「0.73」が算出される。
更に推薦度riは、上述の式(3)に、図21の要因の偏りの度合いA(P)iを代入すると、
ri=0.07*0.73
=0.046 ・・・(8)
となる。
ri=0.07*0.73
=0.046 ・・・(8)
となる。
同様に、他の要因(「年齢」、「居住エリア」、「興味カテゴリ情報」、「併買情報」)についての、類似度Si及び推薦度riを算出し、推薦度Rを得る。
CPUは、現在演算対象とする着目商品についての推薦度の算出を終了すると、次に演算対象とする着目商品がある場合は(ステップS202;No)、ステップS203に戻り、次の演算対象商品についての推薦度を算出する。全ての着目商品についての推薦度を算出すると(ステップS202;Yes)、CPUは、推薦度から推薦商品を決定し、推薦理由とともに提示する(ステップS204)。
図23は、CPUにより決定された推薦商品一覧9の一例であり、推薦度の高い商品が、代表要因とともに順に並べられている。
例えば、第1位の推薦商品p010の推薦度は「0.427」であり、代表要因は「年齢」である。また、第2位の推薦商品p020の推薦度は「0.411」であり、代表要因は「興味KW情報」である。また、第3位の推薦商品p008の推薦度は「0.383」であり、代表要因は「併買情報」である。
例えば、第1位の推薦商品p010の推薦度は「0.427」であり、代表要因は「年齢」である。また、第2位の推薦商品p020の推薦度は「0.411」であり、代表要因は「興味KW情報」である。また、第3位の推薦商品p008の推薦度は「0.383」であり、代表要因は「併買情報」である。
ステップS204において推薦商品を提示する際、CPUは、算出した推薦商品一覧9に基づいて、推薦商品を推薦するための推薦文書10(図24参照)や、推薦レポート11(図25参照)を生成する。
図24に示す推薦文書10は、例えばHTML、XML等のWEBページ作成用のマークアップ言語で記述されたものであり、推薦商品一覧9の、例えば上位3位までの商品についての商品画像10a,10b,10cが掲載され、推薦理由ページへのリンク10g,10h,10iが設けられる。推薦理由10g,10h,10iは、推薦文書10内に推薦商品の画像10a,10b,10c等とともに同時に表示してもよい。
この推薦文書10は、例えば、ECサイト6等に提供され、対象ユーザPC2からECサイト6へアクセスした際に、トップページに表示されるようにしたり、或いは、対象ユーザPC2が所定の商品を検索キーワードとして入力すると、推薦文書10が、表示されるようにしたりする。
また、図25に示す推薦レポート11のように、キャンペーン商品Xと他の商品との関連を同様の手法(モデルデータ作成処理、推薦商品決定処理)で調査し、推薦度の高い商品を関連商品として採用し、その商品を採りあげた理由11d,11e,11fを記載するようにしてもよい。推薦レポート11は、「店頭陳列」に関するレポートであるので、図24の推薦文書10とは異なり、対象ユーザが特定されるものではない。この場合は、対象ユーザの属性の要因(性別、年齢、居住エリア)に代えて、キャンペーン商品Xの属性に関する要因(商品名、価格、メーカー、商品カテゴリ等;図3参照)を用いて、モデルデータTB52及び商品分析結果TB511を作成し、類似度や要因の偏りに基づいて、各商品の推薦度を算出すればよい。
以上説明したように、情報推薦システム1において、情報推薦装置5のCPUは、マスタデータDB3や店舗サーバ4、WEBサーバ6等からユーザや商品についての属性データ及び購入履歴ログデータ43等を取得し、商品をユーザまたは商品に起因する複数の要因に関連付け、各要因の要因事象の事象確率ベクトルV(P)iを算出する。また、CPUは各要因の偏りの度合いA(P)iを算出し、モデルデータTB52として蓄積する。またCPUは、推薦する商品を決定する際、対象ユーザの特性(属性ベクトルまたは特性ベクトルUi)を求め、上述の事象確率ベクトルV(P)iとの類似度Siを算出する。また、モデルデータTB52の要因の偏りA(P)iを類似度Siに乗じ、要因毎の推薦度riを算出する。CPUは全ての要因についての推薦度riからその商品の推薦度Rを求め、推薦度Rの大きい商品について、推薦文書10や推薦レポート11を生成し、出力する。
したがって、対象ユーザの属性や興味といった種々の要因、及び商品に起因する種々の要因の偏りを鑑みて、ユーザに適切な情報を推薦することが可能となる。
また、推薦文書10や推薦レポート11のように、推薦商品を提示する際に、推薦理由も提示するので、ユーザは推薦の理由を納得しやすくなる。
また、推薦文書10や推薦レポート11のように、推薦商品を提示する際に、推薦理由も提示するので、ユーザは推薦の理由を納得しやすくなる。
なお、上述の実施の形態では、要因の偏りは、要因値の標準偏差、または取り得る事象の個数に反比例する値により算出される例を示しているが、要因のばらつきを数値化するものであれば、どのような値を用いてもよい。例えば、「東京」を基準「0」とし、「北海道」や「沖縄」を「1」のように設定し、地域の近さについても数値化し、より詳細な偏りを算出するようにしてもよい。
また、上述の実施の形態では、商品の購買に関する商品分析結果TB51を生成したが、本発明は、購買に限定されず、商品について行なわれたユーザの何らかの行動結果を、各要因に関連付けた商品分析結果TB51としてもよい。例えば、商品に対するユーザの閲覧(アクセス)行動について、各要因に関連付けるものとしてもよい。
その他、当業者であれば、本願で開示した技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。
1・・・情報推薦システム
2・・・対象ユーザPC
3・・・マスタデータDB
4・・・POSサーバ
5・・・情報推薦装置
6・・・WEBサーバ
511・・・商品分析結果TB
52・・・モデルデータTB
Si・・・・要因iについての類似度
V(P)i・・・商品Pについての要因iの事象確率ベクトル
Ui・・・・・・対象ユーザについての要因iの属性ベクトルまたは特性ベクトル
A(P)i・・・・要因iの偏りの度合い
ri・・・・要因iの推薦度
R・・・・・商品の推薦度
2・・・対象ユーザPC
3・・・マスタデータDB
4・・・POSサーバ
5・・・情報推薦装置
6・・・WEBサーバ
511・・・商品分析結果TB
52・・・モデルデータTB
Si・・・・要因iについての類似度
V(P)i・・・商品Pについての要因iの事象確率ベクトル
Ui・・・・・・対象ユーザについての要因iの属性ベクトルまたは特性ベクトル
A(P)i・・・・要因iの偏りの度合い
ri・・・・要因iの推薦度
R・・・・・商品の推薦度
Claims (5)
- 対象ユーザに対して情報を推薦する情報推薦装置であって、
所定の情報源から、前記対象ユーザと他のユーザとを含むユーザに関する情報、及び商品に関する情報を取得し、商品に対して行われたユーザの行動結果を、ユーザまたは商品に起因する複数の要因に関連付けて蓄積する蓄積手段と、
着目する商品に関する各要因についての事象確率ベクトルを求める事象確率算出手段と、
着目する商品に関する各要因の偏りの度合いを求める要因評価手段と、
対象ユーザの各要因についての属性ベクトルまたは特性ベクトルを求めるユーザ特性算出手段と、
前記各要因の偏りの度合い、前記各要因についての事象確率ベクトル、及び前記対象ユーザの各要因の属性ベクトルまたは特性ベクトルに基づいて、対象ユーザに当該着目する商品を推薦するか否かを決定する推薦評価手段と、
を備えることを特徴とする情報推薦装置。 - 前記推薦評価手段は、前記偏りの度合いが比較的大きい要因についての前記事象確率ベクトルと、対象ユーザの当該要因の属性ベクトルまたは特性ベクトルとの類似度を評価することにより、着目する商品を推薦商品とするか否かを決定することを特徴とする請求項1に記載の情報推薦装置。
- 前記推薦評価手段により決定された推薦商品を、推薦の根拠となる要因とともに提示する情報推薦手段を更に備えることを特徴とする請求項1に記載の情報推薦装置。
- 対象ユーザに対して情報を推薦する情報推薦方法であって、
所定の情報源から、前記対象ユーザと他のユーザとを含むユーザに関する情報、及び商品に関する情報を取得し、商品に対して行われたユーザの行動結果を、ユーザまたは商品に起因する複数の要因に関連付けて蓄積する蓄積ステップと、
着目する商品に関する各要因についての事象確率ベクトルを求める事象確率算出ステップと、
着目する商品に関する各要因の偏りの度合いを求める要因評価ステップと、
対象ユーザの各要因についての属性ベクトルまたは特性ベクトルを求めるユーザ特性算出ステップと、
前記各要因の偏りの度合い、前記各要因についての事象確率ベクトル、及び前記対象ユーザの各要因の属性ベクトルまたは特性ベクトルに基づいて、対象ユーザに当該着目する商品を推薦するか否かを決定する推薦評価ステップと、
を含むことを特徴とする情報推薦方法。 - コンピュータを請求項1に記載の情報推薦装置として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008310546A JP2010134733A (ja) | 2008-12-05 | 2008-12-05 | 情報推薦装置、情報推薦方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008310546A JP2010134733A (ja) | 2008-12-05 | 2008-12-05 | 情報推薦装置、情報推薦方法、及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2010134733A true JP2010134733A (ja) | 2010-06-17 |
Family
ID=42345968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008310546A Pending JP2010134733A (ja) | 2008-12-05 | 2008-12-05 | 情報推薦装置、情報推薦方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2010134733A (ja) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012018571A (ja) * | 2010-07-08 | 2012-01-26 | Ntt Docomo Inc | コンテンツ推薦装置及び方法 |
JP2012038287A (ja) * | 2010-07-12 | 2012-02-23 | National Institute Of Information & Communication Technology | 学習システム、シミュレーション装置、および学習方法 |
WO2012105069A1 (ja) * | 2011-02-04 | 2012-08-09 | 楽天株式会社 | 情報提供装置 |
JP2013084208A (ja) * | 2011-10-12 | 2013-05-09 | Nippon Telegr & Teleph Corp <Ntt> | 影響度分析方法、影響度分析装置及びそのプログラム |
JP2013156691A (ja) * | 2012-01-26 | 2013-08-15 | Nippon Telegr & Teleph Corp <Ntt> | 購買予測装置、方法、及びプログラム |
WO2014147776A1 (ja) * | 2013-03-21 | 2014-09-25 | 日立コンシューマエレクトロニクス株式会社 | 商品提示サーバおよび商品提示方法 |
JP2014182701A (ja) * | 2013-03-21 | 2014-09-29 | Nomura Securities Co Ltd | 株式銘柄推薦装置、株式銘柄推薦方法、プログラム、および株式銘柄推薦システム |
JP2016505975A (ja) * | 2013-08-28 | 2016-02-25 | ザ ニールセン カンパニー (ユーエス) エルエルシー | ソーシャルメディアを利用するユーザのデモグラフィックスを評価するための方法及び装置 |
KR20160029330A (ko) * | 2014-09-05 | 2016-03-15 | 동국대학교 산학협력단 | 사용자 특성 및 여행지 특성에 기반한 여행지 추천 시스템 및 방법 |
CN105426688A (zh) * | 2015-12-07 | 2016-03-23 | 杭州聪宝科技有限公司 | 基于用户中医体质数据的个性化视频内容推送方法 |
JP2016177735A (ja) * | 2015-03-23 | 2016-10-06 | 日本電気株式会社 | サービス提示端末、サービス提示システム、サービス提示方法及びプログラム |
JP2017010153A (ja) * | 2015-06-18 | 2017-01-12 | 住友電気工業株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
JP2017527885A (ja) * | 2014-09-04 | 2017-09-21 | コウベイ ホールディング リミテッド | 食事推奨を提供する方法及びシステム |
JP2018116662A (ja) * | 2017-01-20 | 2018-07-26 | Necパーソナルコンピュータ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
CN108734548A (zh) * | 2018-04-27 | 2018-11-02 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
CN108734549A (zh) * | 2018-04-27 | 2018-11-02 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
CN108960958A (zh) * | 2018-04-27 | 2018-12-07 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
CN109033443A (zh) * | 2018-08-17 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 推荐对象确定方法、装置、存储介质及计算机设备 |
US10162484B2 (en) | 2015-06-12 | 2018-12-25 | Nintendo Co., Ltd. | Information-processing device, information-processing system, storage medium, and information-processing method |
JP2019082750A (ja) * | 2017-10-27 | 2019-05-30 | トヨタ自動車株式会社 | 情報提供システムおよびサーバ |
JP2019211874A (ja) * | 2018-05-31 | 2019-12-12 | 株式会社サイバーエージェント | 情報送信システム、情報送信装置、情報送信方法及びコンピュータプログラム |
CN112132660A (zh) * | 2020-09-25 | 2020-12-25 | 尚娱软件(深圳)有限公司 | 商品推荐方法、***、设备及存储介质 |
JPWO2021075414A1 (ja) * | 2019-10-17 | 2021-04-22 | ||
CN112767085A (zh) * | 2021-01-22 | 2021-05-07 | 武汉蔚来能源有限公司 | 商品相似性分析及商品推荐方法、装置及计算机存储介质 |
CN112765466A (zh) * | 2021-01-15 | 2021-05-07 | 电子科技大学 | 一种基于用户历史的装备个性化推荐方法 |
CN113034241A (zh) * | 2021-04-23 | 2021-06-25 | 中国平安人寿保险股份有限公司 | 一种产品信息推荐方法及计算机设备 |
JP6906667B1 (ja) * | 2020-08-12 | 2021-07-21 | 株式会社Zozo | 情報処理装置、情報処理方法及び情報処理プログラム |
JP2022064035A (ja) * | 2020-10-13 | 2022-04-25 | 株式会社PocketRD | 商品提案システム、商品提案方法及び商品提案プログラム |
WO2022208738A1 (ja) * | 2021-03-31 | 2022-10-06 | 日本電気株式会社 | 購買要因推定装置、購買要因推定システム、購買要因推定方法、及び、購買要因推定プログラムが格納された記録媒体 |
CN116402565A (zh) * | 2023-02-01 | 2023-07-07 | 苏州极易科技股份有限公司 | 一种基于大数据分析的商品推荐方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002366728A (ja) * | 2001-03-21 | 2002-12-20 | Masaru Fukada | 情報リコメンデーションシステム及び情報リコメンデーションシステム用のコンピュータプログラム |
JP2003233704A (ja) * | 2002-02-08 | 2003-08-22 | Shungo Hoshino | データ通信ネットワークを介したマーケティング情報の収集提供システム |
JP2003271640A (ja) * | 2002-03-15 | 2003-09-26 | Fujitsu Ltd | プロファイル情報の推薦方法、プログラム及び装置 |
-
2008
- 2008-12-05 JP JP2008310546A patent/JP2010134733A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002366728A (ja) * | 2001-03-21 | 2002-12-20 | Masaru Fukada | 情報リコメンデーションシステム及び情報リコメンデーションシステム用のコンピュータプログラム |
JP2003233704A (ja) * | 2002-02-08 | 2003-08-22 | Shungo Hoshino | データ通信ネットワークを介したマーケティング情報の収集提供システム |
JP2003271640A (ja) * | 2002-03-15 | 2003-09-26 | Fujitsu Ltd | プロファイル情報の推薦方法、プログラム及び装置 |
Non-Patent Citations (2)
Title |
---|
CSNG200400474008; 和多田 淳三、外2名: 'ファジィ数量化理論II類による購買要因の分析' 日本経営工学会誌 第32巻、第5号, 19811215, p.385-392, 社団法人経営工学会 * |
JPN6013014684; 和多田 淳三、外2名: 'ファジィ数量化理論II類による購買要因の分析' 日本経営工学会誌 第32巻、第5号, 19811215, p.385-392, 社団法人経営工学会 * |
Cited By (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012018571A (ja) * | 2010-07-08 | 2012-01-26 | Ntt Docomo Inc | コンテンツ推薦装置及び方法 |
JP2012038287A (ja) * | 2010-07-12 | 2012-02-23 | National Institute Of Information & Communication Technology | 学習システム、シミュレーション装置、および学習方法 |
WO2012105069A1 (ja) * | 2011-02-04 | 2012-08-09 | 楽天株式会社 | 情報提供装置 |
CN103339646A (zh) * | 2011-02-04 | 2013-10-02 | 乐天株式会社 | 信息提供装置 |
JPWO2012105069A1 (ja) * | 2011-02-04 | 2014-07-03 | 楽天株式会社 | 情報提供装置 |
US9557891B2 (en) | 2011-02-04 | 2017-01-31 | Rakuten, Inc. | Information supply device |
CN103339646B (zh) * | 2011-02-04 | 2017-06-23 | 乐天株式会社 | 信息提供装置 |
JP2013084208A (ja) * | 2011-10-12 | 2013-05-09 | Nippon Telegr & Teleph Corp <Ntt> | 影響度分析方法、影響度分析装置及びそのプログラム |
JP2013156691A (ja) * | 2012-01-26 | 2013-08-15 | Nippon Telegr & Teleph Corp <Ntt> | 購買予測装置、方法、及びプログラム |
JP2014182701A (ja) * | 2013-03-21 | 2014-09-29 | Nomura Securities Co Ltd | 株式銘柄推薦装置、株式銘柄推薦方法、プログラム、および株式銘柄推薦システム |
WO2014147776A1 (ja) * | 2013-03-21 | 2014-09-25 | 日立コンシューマエレクトロニクス株式会社 | 商品提示サーバおよび商品提示方法 |
JP2016505975A (ja) * | 2013-08-28 | 2016-02-25 | ザ ニールセン カンパニー (ユーエス) エルエルシー | ソーシャルメディアを利用するユーザのデモグラフィックスを評価するための方法及び装置 |
JP2017527885A (ja) * | 2014-09-04 | 2017-09-21 | コウベイ ホールディング リミテッド | 食事推奨を提供する方法及びシステム |
KR20160029330A (ko) * | 2014-09-05 | 2016-03-15 | 동국대학교 산학협력단 | 사용자 특성 및 여행지 특성에 기반한 여행지 추천 시스템 및 방법 |
KR101628108B1 (ko) * | 2014-09-05 | 2016-06-21 | 동국대학교 산학협력단 | 사용자 특성 및 여행지 특성에 기반한 여행지 추천 시스템 및 방법 |
JP2016177735A (ja) * | 2015-03-23 | 2016-10-06 | 日本電気株式会社 | サービス提示端末、サービス提示システム、サービス提示方法及びプログラム |
US10162484B2 (en) | 2015-06-12 | 2018-12-25 | Nintendo Co., Ltd. | Information-processing device, information-processing system, storage medium, and information-processing method |
JP2017010153A (ja) * | 2015-06-18 | 2017-01-12 | 住友電気工業株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
CN105426688B (zh) * | 2015-12-07 | 2018-12-21 | 杭州聪宝科技有限公司 | 基于用户中医体质数据的个性化视频内容推送*** |
CN105426688A (zh) * | 2015-12-07 | 2016-03-23 | 杭州聪宝科技有限公司 | 基于用户中医体质数据的个性化视频内容推送方法 |
JP2018116662A (ja) * | 2017-01-20 | 2018-07-26 | Necパーソナルコンピュータ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
US11176577B2 (en) * | 2017-10-27 | 2021-11-16 | Toyota Jidosha Kabushiki Kaisha | Information providing system and server |
JP2019082750A (ja) * | 2017-10-27 | 2019-05-30 | トヨタ自動車株式会社 | 情報提供システムおよびサーバ |
CN108960958A (zh) * | 2018-04-27 | 2018-12-07 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
CN108734548B (zh) * | 2018-04-27 | 2021-12-17 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
CN108960958B (zh) * | 2018-04-27 | 2022-03-22 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
CN108734549B (zh) * | 2018-04-27 | 2021-12-21 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
CN108734549A (zh) * | 2018-04-27 | 2018-11-02 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
CN108734548A (zh) * | 2018-04-27 | 2018-11-02 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
JP2019211874A (ja) * | 2018-05-31 | 2019-12-12 | 株式会社サイバーエージェント | 情報送信システム、情報送信装置、情報送信方法及びコンピュータプログラム |
CN109033443A (zh) * | 2018-08-17 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 推荐对象确定方法、装置、存储介质及计算机设备 |
CN109033443B (zh) * | 2018-08-17 | 2023-11-14 | 深圳市雅阅科技有限公司 | 推荐对象确定方法、装置、存储介质及计算机设备 |
JPWO2021075414A1 (ja) * | 2019-10-17 | 2021-04-22 | ||
JP7309892B2 (ja) | 2019-10-17 | 2023-07-18 | 三井住友海上火災保険株式会社 | 金融関連商品提示装置およびプログラム |
JP6906667B1 (ja) * | 2020-08-12 | 2021-07-21 | 株式会社Zozo | 情報処理装置、情報処理方法及び情報処理プログラム |
JP2022032596A (ja) * | 2020-08-12 | 2022-02-25 | 株式会社Zozo | 情報処理装置、情報処理方法及び情報処理プログラム |
CN112132660B (zh) * | 2020-09-25 | 2023-12-26 | 尚娱软件(深圳)有限公司 | 商品推荐方法、***、设备及存储介质 |
CN112132660A (zh) * | 2020-09-25 | 2020-12-25 | 尚娱软件(深圳)有限公司 | 商品推荐方法、***、设备及存储介质 |
JP2022064035A (ja) * | 2020-10-13 | 2022-04-25 | 株式会社PocketRD | 商品提案システム、商品提案方法及び商品提案プログラム |
CN112765466B (zh) * | 2021-01-15 | 2022-05-03 | 电子科技大学 | 一种基于用户历史的装备个性化推荐方法 |
CN112765466A (zh) * | 2021-01-15 | 2021-05-07 | 电子科技大学 | 一种基于用户历史的装备个性化推荐方法 |
CN112767085A (zh) * | 2021-01-22 | 2021-05-07 | 武汉蔚来能源有限公司 | 商品相似性分析及商品推荐方法、装置及计算机存储介质 |
CN112767085B (zh) * | 2021-01-22 | 2024-05-24 | 武汉蔚来能源有限公司 | 商品相似性分析及商品推荐方法、装置及计算机存储介质 |
WO2022208738A1 (ja) * | 2021-03-31 | 2022-10-06 | 日本電気株式会社 | 購買要因推定装置、購買要因推定システム、購買要因推定方法、及び、購買要因推定プログラムが格納された記録媒体 |
CN113034241A (zh) * | 2021-04-23 | 2021-06-25 | 中国平安人寿保险股份有限公司 | 一种产品信息推荐方法及计算机设备 |
CN113034241B (zh) * | 2021-04-23 | 2024-06-11 | 中国平安人寿保险股份有限公司 | 一种产品信息推荐方法及计算机设备 |
CN116402565A (zh) * | 2023-02-01 | 2023-07-07 | 苏州极易科技股份有限公司 | 一种基于大数据分析的商品推荐方法及*** |
CN116402565B (zh) * | 2023-02-01 | 2023-10-27 | 苏州极易科技股份有限公司 | 一种基于大数据分析的商品推荐方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2010134733A (ja) | 情報推薦装置、情報推薦方法、及びプログラム | |
Huseynov et al. | Behavioral Issues in B2C E-commerce: The-state-of-the-art | |
JP5984834B2 (ja) | ウェブサイト横断情報を表示する方法およびシステム | |
US9928525B2 (en) | Method, medium, and system for promoting items based on event information | |
CN105894332A (zh) | 基于用户行为分析的商品推荐方法、装置及*** | |
JP5462510B2 (ja) | 商品検索サーバ、商品検索方法、プログラム、および記録媒体 | |
US20140156347A1 (en) | Enhanced Market Basket Analysis | |
JP5297501B2 (ja) | 情報作成装置、情報作成方法、レコメンド装置、レコメンド方法及びプログラム | |
US9152699B2 (en) | Search based on diversity | |
JP2008139928A (ja) | ブログ又はクエリ・クリックを利用したアフィニティ装置 | |
JP6679451B2 (ja) | 選択装置、選択方法および選択プログラム | |
US20160019621A1 (en) | Review based navigation and product discovery platform | |
US9104746B1 (en) | Identifying contrarian terms based on website content | |
Cho | Service quality and price perceptions by internet retail customers: linking the three stages of service interaction | |
JP5824602B1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
JP2019164706A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
JPWO2016157435A1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
KR101145471B1 (ko) | 모바일 쇼핑몰 서비스 제공 시스템 및 방법 | |
JP2018018264A (ja) | サーバ装置、表示システム、制御方法及びプログラム | |
Nurmi et al. | Promotionrank: Ranking and recommending grocery product promotions using personal shopping lists | |
JP2002149945A (ja) | 販売価格決定方法及び装置及び販売価格決定プログラムを格納した記憶媒体 | |
JP2016009426A (ja) | トレンド分析装置、及びトレンド分析方法 | |
CN115239413A (zh) | 一种商品推荐方法、装置、设备及存储介质 | |
Sulaiman et al. | Impact of instrumental and social-psychological beliefs on customer satisfaction with online product recommendations | |
KR20220102054A (ko) | 사용자 분석 데이터를 활용하는 커머스 플랫폼 서버 및 이를 이용한 서비스 제공 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20111013 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130318 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130402 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20130730 |