JP2010134733A

JP2010134733A - 情報推薦装置、情報推薦方法、及びプログラム

Info

Publication number: JP2010134733A
Application number: JP2008310546A
Authority: JP
Inventors: Kazuya Takeda; 和也武田; Mari Nanba; 真理難波; Tomoko Tsubota; 智子坪田
Original assignee: Dai Nippon Printing Co Ltd
Current assignee: Dai Nippon Printing Co Ltd
Priority date: 2008-12-05
Filing date: 2008-12-05
Publication date: 2010-06-17

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Ｓ_ｉ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Ｓ_ｉに乗じ、要因毎の推薦度ｒ_ｉを算出する。ＣＰＵは全ての要因についての推薦度ｒ_ｉ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−ｂａｓｅｄＦｉｌｔｅｒｉｎｇ）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；ＣｏｌｌａｂｏｒａｔｉｖｅＦｉｌｔｅｒｉｎｇ）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（ＰｏｉｎｔＯｆＳａｌｅｓ）またはＥＣ（ＥｌｅｃｔｒｏｎｉｃＣｏｍｍｅｒｃｅ）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）。

"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。

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。

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。

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。

制御部５０１は、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、ＲＡＭ（ＲａｎｄｏｍＡｃｃｓｅｓｓＭｅｍｏｒｙ）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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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、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、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。

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Ｓ_ｉに要因の偏りＡ（Ｐ）ｉを乗じたもの（Ｓ_ｉ＊Ａ（Ｐ）ｉ＝ｒ_ｉ）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Ｓ_ｉ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Ｓ_ｉを算出する。
類似度Ｓ_ｉ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Ｓ_ｉ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Ｓ_ｉ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＝（ａ_ｕｉ，ｂ_ｕｉ，ｃ_ｕｉ，・・・）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＝（ａ_ｉ，ｂ_ｉ，ｃ_ｉ，・・・）である。
ａ_ｕｉ，ｂ_ｕｉ，ｃ_ｕｉ，・・・は、ユーザ特性８のスコアに相当し、ａ_ｉ，ｂ_ｉ，ｃ_ｉ，・・・は、商品分析結果ＴＢ５１１の要因値に相当する。

類似度Ｓ_ｉ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ｒ_ｉとして、式（３）に示すように、算出した類似度Ｓ_ｉに、要因の偏りの度合いＡ（Ｐ）ｉを乗ずる。

ｒ_ｉ＝Ａ（Ｐ）ｉ＊Ｓ_ｉ・・・（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ｒ_ｉ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ｒ_ｉ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Ｓ_ｉが算出される。また、類似度Ｓ_ｉ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Ｓ_ｉ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ｒ_ｉ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、
ｒ_ｉ＝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Ｓ_ｉ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ｒ_ｉ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、
ｒ_ｉ＝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Ｓ_ｉ及び推薦度ｒ_ｉ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。

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Ｓ_ｉ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Ｓ_ｉに乗じ、要因毎の推薦度ｒ_ｉを算出する。ＣＰＵは全ての要因についての推薦度ｒ_ｉ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。

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。

情報推薦システム１のシステム構成例情報推薦装置５のハードウエア構成例マスタデータＤＢ３のデータ構成例ユーザ情報ＴＢ３１のデータ例購買履歴ログデータ４１、６１のデータ構成例購買履歴ＴＢ４３のデータ例購買分析結果ＤＢ５１のデータ構成例商品分析結果ＴＢ５１１のデータ例商品興味ＫＷ情報ＴＢ５１２のデータ例商品興味カテゴリ情報ＴＢ５１３のデータ例モデルデータＴＢ５２のデータ構成例モデルデータＴＢ５２の具体例ユーザプロファイル５３のデータ構成例ユーザ興味ＫＷ情報ＰＦ５３１のデータ例ユーザ興味カテゴリ情報５３２のデータ例ユーザ閲覧情報ＰＦ５３３のデータ例モデルデータ作成処理の流れを説明するフローチャート商品ｐ０１０について抽出された併買商品のリスト７の一例推薦商品決定処理の流れを説明するフローチャート対象ユーザについてのユーザ特性８の一例商品ｐ０１０についての各要因、要因事象、度数、事象確率ベクトルＶ（Ｐ）ｉ、偏りＡ（Ｐ）ｉを示す表と、対象ユーザについての属性ベクトルまたは特性ベクトルＵｉを示す表対象ユーザの商品ｐ０１０についての、類似度と推薦度を示す表算出された推薦商品一覧９の一例情報推薦装置５により決定された推薦商品の推薦文書１０の一例情報推薦装置５により決定された推薦商品の推薦レポート１１の一例

符号の説明

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
Ｓ_ｉ・・・・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
ｒ_ｉ・・・・要因ｉの推薦度
Ｒ・・・・・商品の推薦度

Claims

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。