JP2018190154A - Recommendation system, device, and program - Google Patents
Recommendation system, device, and program Download PDFInfo
- Publication number
- JP2018190154A JP2018190154A JP2017091565A JP2017091565A JP2018190154A JP 2018190154 A JP2018190154 A JP 2018190154A JP 2017091565 A JP2017091565 A JP 2017091565A JP 2017091565 A JP2017091565 A JP 2017091565A JP 2018190154 A JP2018190154 A JP 2018190154A
- Authority
- JP
- Japan
- Prior art keywords
- application
- recommendation
- unit
- user
- usage frequency
- 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 claims abstract description 59
- 238000009434 installation Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000011900 installation process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning 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
Description
本発明は、レコメンドシステム、装置、及びプログラムに関する。 The present invention relates to a recommendation system, an apparatus, and a program.
近年、スマートデバイスに各種のアプリケーション(以下「アプリ」という。)を提供するオンラインマーケットが利用されている。スマートデバイスのユーザは、当該マーケットから所望のアプリを有料又は無料でダウンロードし、スマートデバイス上で利用できる。従来、スマートデバイスのユーザに対して、ユーザにとって有用なアプリをレコメンドするシステムが知られている。 In recent years, an online market that provides various applications (hereinafter referred to as “apps”) to smart devices has been used. The user of the smart device can download a desired application from the market for a fee or free of charge and use it on the smart device. 2. Description of the Related Art Conventionally, a system that recommends an application useful for a user of a smart device is known.
しかしながら、上記従来のシステムは、ユーザのWeb閲覧履歴に基づいて、レコメンドするアプリを選択するものであったため、Web閲覧履歴が取得できない場合、ユーザにとって有用なアプリを選択することが困難であった。 However, since the conventional system selects an app to be recommended based on the user's Web browsing history, it is difficult to select a useful application for the user when the Web browsing history cannot be acquired. .
本発明は、上記の課題に鑑みてなされたものであり、ユーザのWeb閲覧履歴を利用せずに、当該ユーザにとって有用なアプリをレコメンド可能とすることを目的とする。 The present invention has been made in view of the above problems, and an object of the present invention is to make it possible to recommend an application that is useful to the user without using the user's Web browsing history.
一実施形態に係るレコメンドシステムは、複数のユーザの各アプリケーションの利用頻度を記憶する利用頻度記憶部と、前記ユーザの前記利用頻度の傾向である利用傾向をクラスタに分類する分類部と、対象ユーザの前記利用傾向が属する前記クラスタにおける前記各アプリケーションの有用度と、レコメンド条件と、に基づいて、前記対象ユーザにアプリケーションをレコメンドするレコメンド部と、前記利用頻度記憶部に記憶された前記利用頻度に基づいて、前記分類部による分類方法及び前記レコメンド条件の少なくとも一方を更新する学習部と、を備える。 A recommendation system according to an embodiment includes a usage frequency storage unit that stores the usage frequency of each application of a plurality of users, a classification unit that classifies the usage trend of the usage frequency of the user into a cluster, and a target user Based on the usefulness of each application in the cluster to which the usage tendency belongs, and a recommendation condition, a recommendation unit that recommends the application to the target user, and the usage frequency stored in the usage frequency storage unit And a learning unit that updates at least one of the classification method by the classification unit and the recommendation condition.
本発明の各実施形態によれば、ユーザのWeb閲覧履歴を利用せずに、当該ユーザにとって有用なアプリをレコメンドできる。 According to each embodiment of the present invention, an application useful for a user can be recommended without using the user's Web browsing history.
以下、本発明の各実施形態について、添付の図面を参照しながら説明する。なお、各実施形態に係る明細書及び図面の記載に関して、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重畳した説明を省略する。 Hereinafter, embodiments of the present invention will be described with reference to the accompanying drawings. In addition, regarding the description of the specification and the drawings according to each embodiment, constituent elements having substantially the same functional configuration are denoted by the same reference numerals and overlapping description is omitted.
<第1実施形態>
第1実施形態に係るレコメンドシステム1000について、図1〜図13を参照して説明する。まず、レコメンドシステム1000の構成について説明する。図1は、レコメンドシステム1000の構成の一例を示す図である。図1のレコメンドシステム1000は、ユーザ端末1A〜1Bと、レコメンドサーバ2と、アプリマーケット3と、ネットワーク4と、を含む。
<First Embodiment>
A
ユーザ端末1A〜1Cは、ユーザが各種のアプリを利用するためのコンピュータである。ユーザ端末1A〜1Cは、例えば、PC(Personal Computer)、スマートフォン、タブレット端末、スマートウォッチ、テレビであるが、これに限られない。以下、ユーザ端末1A〜1Cを区別しない場合、単にユーザ端末1と称する。図1の例では、レコメンドシステム1000には、3つのユーザ端末1が含まれるが、レコメンドシステム1000に含まれるユーザ端末1の数は任意である。
The
レコメンドサーバ2は、レコメンド装置の一例であり、ユーザ端末のユーザに、当該ユーザにとって有用なアプリをレコメンドするサーバコンピュータである。レコメンドサーバ2は、レコメンドシステム1000に含まれる各ユーザ端末1から取得した情報に基づいて、各ユーザ端末1のユーザに、それぞれアプリをレコメンドする。なお、本実施形態において、レコメンド装置は、例えば、PC、スマートフォン、タブレット端末などであってもよい。また、レコメンド装置は、複数のサーバコンピュータにより構成されてもよい。
The
アプリマーケット3は、ユーザに有料又は無料でアプリを提供するオンラインマーケットであり、1つ又は複数のサーバコンピュータにより構成される。ユーザは、アプリマーケット3から所望のアプリをユーザ端末にダウンロードできる。
The
ネットワーク4は、LAN(Local Area Network)やインターネットなどを含み、ユーザ端末1、レコメンドサーバ2、及びアプリマーケットを相互に接続する。
The
次に、本実施形態に係るユーザ端末1のハードウェア構成について説明する。図2は、ユーザ端末1のハードウェア構成の一例を示す図である。図2のユーザ端末1は、CPU(Central Processing Unit)101と、ROM(Read Only Memory)102と、RAM(Random Access Memory)103と、HDD(Hard Disk Drive)104と、を備える。また、ユーザ端末1は、入力装置105と、表示装置106と、通信インタフェース107と、システムバス108と、を備える。
Next, the hardware configuration of the
CPU101は、プログラムを実行することにより、ユーザ端末1の各構成を制御し、ユーザ端末1の機能を実現する。
The
ROM102は、CPU101が実行するプログラム(BIOS(Basic Input Output System)など)や各種のデータを記憶する。
The
RAM103は、CPU101に作業領域を提供する。
The
HDD104は、CPU101が実行するプログラム(OS(Operating System)など)や各種のデータを記憶する。
The HDD 104 stores programs (such as an OS (Operating System)) executed by the
入力装置105は、ユーザの操作に応じた情報をユーザ端末1に入力する。入力装置105は、例えば、タッチパネル、キーボード、マウス、ハードウェアボタンであるが、これに限られない。
The
表示装置106は、ユーザの操作に応じた画面を表示する。表示装置106は、例えば、液晶ディスプレイ、有機EL(Electro Luminescence)ディスプレイであるが、これに限られない。
The
通信インタフェース107は、ユーザ端末1をネットワーク4に接続するためのインタフェースである。ユーザ端末1は、通信インタフェース7を介して、ネットワーク4に接続されたアプリマーケット3やレコメンドサーバ4と通信する。
The
システムバス108は、CPU101、ROM102、RAM103、HDD104、入力装置105、表示装置106、及び通信インタフェース107を相互に接続する。
The
なお、レコメンドサーバ2は、ユーザ端末1と同様に、CPU201と、ROM202と、RAM203と、HDD204と、入力装置205と、表示装置206と、通信インタフェース207と、を備え、これらがシステムバス208を介して相互に接続される。各ハードウェアについては、ユーザ端末1と同様であるため、説明を省略する。
As with the
次に、本実施形態に係るレコメンドシステム1000の機能構成について説明する。図3は、レコメンドシステム1000の機能構成の一例を示す図である。
Next, a functional configuration of the
まず、ユーザ端末1の機能構成について説明する。図3のユーザ端末1は、端末制御部11と、アプリ記憶部12と、操作ログ記憶部13と、アップロード部14と、を備える。これらの各機能構成は、CPU101がプログラムを実行し、ユーザ端末1の各ハードウェアと協働することにより実現される。
First, the functional configuration of the
端末制御部11は、ユーザ端末1の全体の動作を制御する。具体的には、端末制御部11は、アプリマーケット3からのアプリのダウンロード、アプリのインストール及びアンインストール、操作ログの更新、及びユーザへのアプリのレコメンドなどを行う。端末制御部11の動作について、詳しくは後述する。
The
アプリ記憶部12は、端末制御部11にインストールされたアプリ及びアプリ情報を記憶する。アプリ情報には、アプリ名やアプリIDなどの情報が含まれる。アプリIDは、アプリの識別情報である。
The
操作ログ記憶部13は、ユーザによるユーザ端末1の操作ログを記憶する。操作ログは、操作の実行日時と、操作内容と、が対応づけられたデータである。操作内容には、アプリのダウンロード、インストール、アンインストール、起動、終了などが含まれる。
The operation
図4は、操作ログ記憶部13に記憶された操作ログの一例を示す図である。図4の各レコードが、各操作に対応する操作ログに相当する。図4の例では、2月1日の15:00にアプリAのダウンロードが実行され、2月1日の15:01にアプリAのインストールが実行されている。
FIG. 4 is a diagram illustrating an example of an operation log stored in the operation
なお、ユーザ端末1が複数のユーザにより利用される場合には、各操作に対応する操作ログに、当該操作を実行したユーザのユーザIDが含まれてもよい。ユーザIDは、ユーザの識別情報である。また、各操作ログにユーザIDが含まれる代わりに、操作ログを記憶される操作内容に、ユーザのログインが含まれてもよい。この場合、ユーザのログインに対応する操作ログには、実行日時(ログイン日時)と、ログインしたユーザのユーザIDと、が含まれる。以下、ユーザIDがXであるユーザを、ユーザXと称する。
When the
アップロード部14は、定期的に又は所定のタイミング(操作ログが更新されたタイミングやユーザ端末1に電源が投入されたタイミングなど)で、操作ログ記憶部13に記憶された操作ログをレコメンドサーバ2にアップロードする。
The upload
次に、レコメンドサーバ2の機能構成について説明する。図3のレコメンドサーバ2は、レコメンド制御部21と、利用頻度記憶部22と、分類部23と、レコメンド部24と、学習部25と、を備える。これらの各機能構成は、CPU201がプログラムを実行し、レコメンドサーバ2の各ハードウェアと協働することにより実現される。
Next, the functional configuration of the
レコメンド制御部21は、レコメンドサーバ2の全体の動作を制御する。具体的には、レコメンド制御部21は、ユーザ端末1からアップロードされた操作ログの受け付け、利用頻度の更新、及び各機能構成への動作要求などを行う。レコメンド制御部21の動作について、詳しくは後述する。
The
利用頻度記憶部22は、所定期間ごとの各ユーザの各アプリの利用頻度を記憶する。利用頻度は、利用回数(起動回数)であってもよいし、利用期間(起動されていた期間)であってもよい。また、所定期間は、1日、1週間、1ヶ月など、任意に設定可能である。以下、各アプリの利用頻度の傾向を、利用傾向と称する。
The usage
また、利用頻度記憶部22は、所定期間ごとの各ユーザの利用傾向が属するクラスタを記憶する。後述する通り、所定期間ごとの各ユーザの利用傾向は、分類部23により、複数のクラスタに分類される。利用頻度記憶部22は、分類部23により分類されたクラスタを、所定期間ごとの各ユーザの利用傾向と対応付けて記憶する。
Further, the usage
図5は、利用頻度記憶部22に記憶された利用頻度の一例を示す図である。図5の例では、ユーザU001,U002による1週間ごとのアプリA〜Dの利用回数が、クラスタと対応付けて記憶されている。例えば、ユーザU001による2/1から2/7までのアプリAの利用回数は50回、アプリBの利用回数は100回、アプリCの利用回数は0回であり、ユーザU001のアプリの利用傾向はクラスタ1に属している。図5において、アプリの利用回数の値「−」は、アプリがインストールされていないことを示している。インストールされていないにもかかわらず利用回数が記憶されるアプリは、後述する通り、レコメンドされたもののインストールされていないアプリに相当する。
FIG. 5 is a diagram illustrating an example of the usage frequency stored in the usage
利用頻度記憶部22に記憶される利用頻度は、例えば、各ユーザ端末1からアップロードされた操作ログに基づいて、レコメンド制御部21が更新する。具体的には、レコメンド制御部21は、ユーザ端末1からアップロードされた操作ログに基づいて、所定期間ごとの各アプリの利用頻度を集計し、当該利用頻度をユーザ端末1のユーザの各アプリの利用頻度に追加する。例えば、レコメンド制御部21は、利用頻度記憶部22に図5の利用頻度が記憶され、ユーザ端末1から図4の操作ログをアップロードされた場合、ユーザ端末1のユーザの2月1日から2月6日までの期間のアプリA,Bの利用回数を1ずつ追加すればよい。
For example, the
また、ユーザ端末1のアップロード部14は、操作ログ記憶部13に記憶された操作ログに基づいて、所定期間ごとの各アプリの利用頻度を集計し、集計した利用頻度をレコメンドサーバ2にアップロードしてもよい。この場合、レコメンドサーバ2は、アップロードされた利用頻度を、利用頻度記憶部22に記憶された利用頻度にそのまま追加すればよい。
The upload
分類部23は、定期的に又は所定のタイミング(利用頻度が更新されたタイミングなど)で、利用頻度記憶部22に記憶された利用頻度に基づいて、所定期間ごとの各ユーザの利用傾向を複数のクラスタに分類する。クラスタは、類似する利用傾向の集合である。分類部23により分類されたクラスタは、そのクラスタに属する利用傾向(各アプリの利用頻度の組)と対応付けて、利用頻度記憶部22に記憶される。
Based on the usage frequency stored in the usage
分類部23は、利用傾向を分類するための分類方法を記憶する。分類部23は、利用傾向の分類方法として、最短距離法、ウォード法、k平均法などの任意のクラスタリング方法を利用できる。この場合、分類部23は、クラスタ間の距離(非類似度)を、利用頻度の値に基づいて算出してもよいし、利用頻度の割合に基づいて算出してもよい。
The
図6は、利用傾向の一例を示す図である。図6の例では、ユーザU001〜U003の利用傾向(アプリA〜Dの利用頻度の組)が示されている。図6の例では、ユーザU001とユーザのU002とは利用頻度の値が類似しており、ユーザU002とユーザのU003とは利用頻度の割合が類似している。 FIG. 6 is a diagram illustrating an example of a usage trend. In the example of FIG. 6, usage trends (a set of usage frequencies of the applications A to D) of the users U001 to U003 are shown. In the example of FIG. 6, the user U001 and the user U002 have similar usage frequency values, and the user U002 and the user U003 have similar usage frequency ratios.
図6の例では、分類部23が利用頻度の値に基づいてクラスタ間の距離を算出する場合、ユーザU001,U002の利用傾向は同一のクラスタに分類され、ユーザU003の利用傾向は異なるクラスタに分類される。一方、分類部23が利用頻度の割合に基づいてクラスタ間の距離を算出する場合、ユーザU002,U003の利用傾向は同一のクラスタに分類され、ユーザU001の利用傾向は異なるクラスタに分類される。
In the example of FIG. 6, when the
また、分類部23は、利用傾向の分類方法として、所定の分類条件に従った方法を利用できる。例えば、分類部23は、利用頻度が最大のアプリごとに利用傾向を分類してもよいし、利用頻度又はその割合が閾値以上のアプリの組ごとに利用傾向を分類してもよい。前者の分類条件の場合、図6の例では、ユーザU002,U003の利用傾向は同一のクラスタに分類され、ユーザU001の利用傾向は異なるクラスタに分類される。
Further, the
レコメンド部24は、定期的に又は所定のタイミング(利用頻度やクラスタが更新されたタイミングなど)で、ユーザにとって有用なアプリを選択し、選択したアプリをユーザにレコメンドする。具体的には、レコメンド部24は、ユーザにとって有用なアプリとして選択したアプリのアプリ情報を、当該ユーザのユーザ端末1に送信する。
The
レコメンド部24は、利用傾向のクラスタごとの各アプリの有用度を記憶する。あるクラスタのあるアプリの有用度は、利用傾向が当該クラスタに属するユーザにとっての当該アプリの有用さの程度を示す指標である。あるクラスタのあるアプリの有用度は、利用傾向が当該クラスタに属するユーザによる当該アプリの利用頻度が高いほど高くなる。後述する通り、有用度は、学習部25により算出される。有用度の算出方法については後述する。
The
図7は、レコメンド部24に記憶された有用度の一例を示す図である。図7の例では、クラスタ1〜3のアプリA〜Dの有用度がそれぞれ示されている。例えば、クラスタ1におけるアプリAの有用度は9、アプリBの有用度は7、アプリCの有用度は3、アプリDの有用度は1である。これは、利用傾向がクラスタ1に属するユーザにとって、アプリAの有用度が最も高いことを意味している。
FIG. 7 is a diagram illustrating an example of the usefulness stored in the
また、レコメンド部24は、レコメンド条件を記憶する。レコメンド条件は、ユーザにレコメンドするアプリ(有用なアプリ)の選択条件に相当する。レコメンド条件として、有用度が最大であることや、有用度が閾値以上であることが挙げられる。
Moreover, the
レコメンド部24は、その利用傾向があるクラスタに属するユーザに対して、当該クラスタにおける、有用度がレコメンド条件を満たすアプリを、有用なアプリとしてレコメンドする。例えば、レコメンド条件が、有用度が7以上であることである場合、図7の例では、レコメンド部24は、利用傾向がクラスタ1に属するユーザにはアプリA,Bを有用なアプリとしてレコメンドする。
The
なお、レコメンド部24は、有用度がレコメンド条件を満たすアプリであっても、当該アプリがユーザ端末1にインストール済みである場合には、当該アプリをレコメンドしないのが好ましい。これにより、ユーザに対する余計なレコメンドを抑制できる。レコメンド部24は、利用頻度記憶部22に記憶されたユーザ端末1のユーザの利用頻度を参照することにより、アプリがユーザ端末1にインストール済みであるか判断できる。具体的には、そのアプリの利用頻度を記憶するためのフィールドが設けられ、かつ、利用頻度の値が入力されたアプリ(値が「−」でないアプリ)が、インストール済みのアプリに相当する。
Even if the
学習部25は、定期的に又は所定のタイミング(利用頻度やクラスタが更新されたタイミングなど)で、利用頻度記憶部22に記憶された利用頻度に基づいて、利用傾向の分類方法及びアプリのレコメンド条件を、レコメンドの成功確率が高まるように更新する。すなわち、学習部25が、レコメンドの成功確率が高い分類方法及びレコメンド条件を学習する。
Based on the usage frequency stored in the usage
分類方法を更新するとは、クラスタリング方法のパラメータ(k平均法におけるkなど)や分類条件のパラメータ(利用頻度の閾値など)を更新することをいう。レコメンド条件を更新するとは、レコメンド条件のパラメータ(有用度の閾値など)を更新することをいう。レコメンドの成功確率とは、レコメンド部24によるアプリのレコメンドが成功する確率のことである。レコメンドの成功とは、レコメンド部24がレコメンドしたアプリがユーザ端末1にインストールされ、かつ、レコメンドしたアプリが当該ユーザ端末1のユーザにより頻繁に利用される(利用頻度が所定の条件を満たす)ことをいう。所定の条件として、例えば、利用頻度が所定値以上となることや、利用頻度の上昇率が所定値以上となることなどが考えられる。
Updating the classification method means updating a clustering method parameter (such as k in the k-average method) and a classification condition parameter (such as a usage frequency threshold). Updating the recommendation condition means updating a parameter of the recommendation condition (such as a usefulness threshold). The success probability of the recommendation is a probability that the recommendation of the application by the
本実施形態において、レコメンド部24はユーザにアプリをレコメンドし、ユーザはレコメンドに応じてユーザ端末1にアプリをインストールする。また、アップロード部14はインストールされたアプリの操作ログをレコメンドサーバ2に送信し、利用頻度記憶部22はユーザ端末1から受信した操作ログに基づいて集計されたアプリの利用頻度を記憶する。さらに、学習部25は利用頻度記憶部22に記憶されたアプリの利用頻度に基づいて、分類部23が利用する分類方法及びレコメンド部25が利用するレコメンド条件を学習する。このように、学習部25は、アプリのレコメンド結果(レコメンドが成功したか否か)をフィードバックされ、当該レコメンド結果に基づいて、分類方法及びレコメンド条件を学習する。したがって、学習部25は、レコメンドの成功確率が高まるように分類方法及びレコメンド条件を学習できる。
In the present embodiment, the
学習部25は、サポートベクターマシン(SVM)、クラスタリング、ニューラルネットワーク、決定木などの、任意の学習方法を利用して、レコメンドの成功確率が高い分類方法及びレコメンド条件を学習できる。なお、学習部25は、分類方法及びレコメンド条件を学習するための機械学習エンジンを備えるのが好ましい。
The
また、学習部25は、定期的に又は所定のタイミング(利用頻度やクラスタが更新されたタイミングなど)で、利用頻度記憶部22に記憶された利用頻度に基づいて、クラスタごとの各アプリの有用度を更新する。ここで、有用度の算出方法について、クラスタXにおけるアプリYの有用度を例に説明する。
In addition, the
学習部25は、利用傾向がクラスタXに属するユーザによるアプリYの利用頻度が高いほど、クラスタXにおけるアプリYの有用度が高くなるように、有用度を算出する。これは、ユーザによる利用頻度が高いアプリは、当該ユーザにとって有用なアプリであると考えられるためである。
The
また、学習部25は、利用傾向がクラスタXに属するユーザにアプリYがレコメンドされた後、当該ユーザのユーザ端末1にアプリYがインストールされた場合、クラスタXにおけるアプリYの有用度が高くなるように、有用度を算出してもよい。これは、ユーザによりインストールされたアプリは、当該ユーザにより有用なアプリと判断された、と考えられるためである。
In addition, when the app Y is installed in the
また、学習部25は、利用傾向がクラスタXに属するユーザによりアプリYがアンインストールされた場合、クラスタXにおけるアプリYの有用度が低くなるように、有用度を算出してもよい。これは、ユーザによりアンインストールされたアプリは、当該ユーザにより不要なアプリと判断された、と考えられるためである。
In addition, when the app Y is uninstalled by a user whose usage tendency belongs to the cluster X, the
また、学習部25は、利用傾向がクラスタXに属するユーザによりアプリYがインストールされた後、当該ユーザの利用傾向が属するクラスタがクラスタZに変化した場合、クラスタXにおけるアプリYの有用度が高くなるように、有用度を算出してもよい。クラスタZは、アプリYの利用頻度が高いユーザの利用傾向が属する、クラスタXとは異なるクラスタである。これは、そのインストールによりユーザの利用傾向がクラスタXからクラスタZに変化するアプリは、当該ユーザにとって極めて有用なアプリであると考えられるためである。
In addition, after the app Y is installed by a user whose usage tendency belongs to the cluster X, the
ここで、クラスタの変化について具体的に説明する。図8は、アプリのインストール前後における利用傾向の一例を示す図である。図8の左側は、アプリYのインストール前のユーザの利用傾向を示している。図8の例では、アプリYのインストール前において、ユーザ端末1にはアプリA〜Dがインストールされており、ユーザの利用傾向はクラスタXに属している。
Here, the change of the cluster will be specifically described. FIG. 8 is a diagram illustrating an example of a usage trend before and after installation of an application. The left side of FIG. 8 shows the usage tendency of the user before the application Y is installed. In the example of FIG. 8, before the application Y is installed, the applications A to D are installed in the
図8の右側は、アプリYのインストール後のユーザの利用傾向を示している。インストールされたアプリYが有用でない場合、図8の右上に示すように、アプリYのインストール後の利用傾向は、ほとんど変化しないため、ユーザの利用傾向が属するクラスタは変化しない。一方、インストールされたアプリYが有用である場合、図8の右下に示すように、ユーザの利用傾向は大きく変化するため、ユーザの利用傾向が属するクラスタは、クラスタZに変化する。 The right side of FIG. 8 shows the usage tendency of the user after the application Y is installed. When the installed application Y is not useful, as shown in the upper right of FIG. 8, the usage tendency after the installation of the application Y hardly changes, so the cluster to which the user usage tendency belongs does not change. On the other hand, when the installed application Y is useful, as shown in the lower right of FIG. 8, the user's usage tendency changes greatly, so the cluster to which the user's usage tendency belongs changes to cluster Z.
学習部25は、アプリYのインストール前後のクラスタを比較することにより、上記のように、クラスタXからクラスタZへの変化に基づいて、クラスタXにおけるアプリYの有用度を算出できる。
The
なお、アプリYが有用でない場合にクラスタXが他のクラスタWに変化することも考えられる。しかしながら、クラスタWは、アプリYの利用頻度が低いユーザの利用傾向が属する、クラスタZとは異なるクラスタと考えられるため、学習部25は、クラスタXがクラスタWに変化した場合には、クラスタXにおけるアプリYの有用度が高くなるように、有用度を算出しないのが好ましい。
Note that the cluster X may be changed to another cluster W when the app Y is not useful. However, since the cluster W is considered to be a cluster different from the cluster Z to which the usage tendency of the user whose usage frequency of the application Y is low belongs, the
また、アプリYが有用である場合にクラスタXが変化しないことも考えられる。この場合には、上述の通り、アプリYのインストール後の利用頻度に基づいて、クラスタXにおけるアプリYの有用度が高くなるように、有用度が算出されるため、学習部25は、アプリYの有用度を適切に算出できる。 It is also conceivable that the cluster X does not change when the app Y is useful. In this case, as described above, the usefulness is calculated so that the usefulness of the app Y in the cluster X is increased based on the usage frequency after the app Y is installed. The usefulness of can be calculated appropriately.
次に、本実施形態に係るレコメンドシステム1000の処理について説明する。図9は、利用頻度及びクラスタの更新処理の一例を示すシーケンス図である。
Next, processing of the
ユーザ端末1のアップロード部14は、更新タイミングが到来すると、操作ログ記憶部13に、当該タイミングに送信する操作ログを要求する(ステップS101)。具体的には、アップロード部14は、前回の更新タイミング以降に操作ログ記憶部13に記憶された操作ログ(実行日時が前回の送信タイミング以降の操作ログ)を、操作ログ記憶部13に要求する。
When the update timing arrives, the upload
操作ログ記憶部13は、操作ログを要求されると、要求された操作ログをアップロード部14に渡す(ステップS102)。
When requested for an operation log, the operation
アップロード部14は、操作ログを受け取ると、受け取った操作ログをレコメンドサーバ2にアップロードする(ステップS103)。
Upon receiving the operation log, the upload
アップロード部14が操作ログをアップロードすると、レコメンド制御部21は、アップロードされた操作ログを受け付け、当該操作ログに基づいて、所定期間ごとの各ユーザの各アプリの利用頻度を集計する(ステップS104)。
When the upload
レコメンド制御部21は、利用頻度を集計すると、集計した利用頻度を、利用頻度記憶部22に保存する(ステップS105)。これにより、利用頻度記憶部22に記憶された利用頻度が更新される。
The
また、レコメンド制御部21は、分類部23に利用傾向の分類を要求する(ステップS106)。なお、図9の例では、分類部23が、レコメンド制御部21からの要求に応じて利用傾向を分類する場合を想定しているが、分類部23は、レコメンド制御部21とは独立したタイミングで利用傾向を分類してもよい。
In addition, the
分類部23は、利用傾向の分類を要求されると、利用頻度記憶部22に各ユーザの各アプリの利用頻度を要求する(ステップS107)。この際、分類部23は、更新タイミングを含む期間の利用頻度(ステップS107において更新された利用頻度)だけを要求してもよい。これにより、レコメンドサーバ2の負荷を低減できる。
When the
また、分類部23は、更新タイミングを含む期間を含む、複数の期間の利用頻度を要求してもよい。これにより、更新タイミングを含む期間を含む複数の期間の利用傾向を、同一の分類方法で分類できる。この結果、前回の更新タイミングから今回の更新タイミングまでの間に、学習部25により分類方法が更新された場合であっても、学習部25は、クラスタの変化に基づいて、より適切に各アプリの有用度を算出できる。言い換えると、更新タイミングを含む期間を含む複数の期間の利用傾向が異なる分類方法で分類されている場合、学習部25は、クラスタの変化に基づいて、適切に各アプリの有用度を算出できないおそれがある。これは、クラスタの変化が、アプリのインストールに伴う変化なのか、分類方法の更新に伴う変化なのか、わからないためである。
Further, the
利用頻度記憶部22は、利用頻度を要求されると、要求された利用頻度を分類部23に渡す(ステップS108)。
When the usage frequency is requested, the usage
分類部23は、利用頻度を受け取ると、受け取った利用頻度に基づいて、所定期間ごとの各ユーザの利用傾向を分類する(ステップS109)。利用傾向の分類方法は、上述の通りである。
Upon receiving the usage frequency, the
分類部23は、利用傾向を分類すると、分類により得られたクラスタを、利用頻度記憶部22に保存する(ステップS110)。これにより、利用頻度記憶部22に記憶されたクラスタが更新される。
When classifying the usage trend, the
以上の処理により、レコメンドサーバ2は、最新の操作ログに基づいて、利用頻度及びクラスタを更新できる。これにより、図5のような利用頻度及びクラスタが、利用頻度記憶部22に記憶される。
Through the above processing, the
図10は、アプリのレコメンド処理の一例を示すシーケンス図である。以下、アプリのレコメンド対象となるユーザを、対象ユーザと称する。対象ユーザは、1人であってもよいし、複数であってもよい。 FIG. 10 is a sequence diagram illustrating an example of an application recommendation process. Hereinafter, a user who is a recommendation target of an application is referred to as a target user. There may be one or more target users.
レコメンドサーバ2のレコメンド制御部2は、レコメンドタイミングが到来すると、レコメンド部24に、対象ユーザへのアプリのレコメンドを要求する(ステップS201)。図10の例では、レコメンド部24が、レコメンド制御部21からの要求に応じてアプリをレコメンドする場合を想定しているが、レコメンド部24は、レコメンド制御部21とは独立したタイミングでアプリをレコメンドしてもよい。
When the recommendation timing arrives, the
レコメンド部24は、アプリのレコメンドを要求されると、利用頻度記憶部22にレコメンドタイミングを含む期間における、対象ユーザの利用頻度が属するクラスタを要求する(ステップS202)。
When the
利用頻度記憶部22は、クラスタを要求されると、要求されたクラスタをレコメンド部24に渡す(ステップS203)。
When requested to use a cluster, the usage
レコメンド部24は、クラスタを受け取ると、受け取ったクラスタ(対象ユーザのクラスタ)の有用度及びレコメンド条件を参照し、有用度がレコメンド条件を満たすアプリを、有用なアプリとして選択する(ステップS204)。
When receiving the cluster, the
レコメンド部24は、アプリを選択すると、選択したアプリのアプリ情報を対象ユーザのユーザ端末1に送信する(ステップS206)。アプリ情報には、アプリの説明やアプリマーケット3における当該アプリのURLなどが含まれてもよい。
When the
レコメンド部24がアプリ情報を送信すると、対象ユーザのユーザ端末1の端末制御部11は、当該アプリ情報を受け付け、操作ログ記憶部13に操作ログを保存する(ステップS206)。ここで保存される操作ログの操作内容は、アプリのレコメンドである。
When the
また、端末制御部11は、受け付けたアプリ情報に基づいて、レコメンド部24が選択した有用なアプリを、対象ユーザにレコメンドする(ステップS207)。端末制御部11によるアプリのレコメンド方法は任意である。端末制御部11は、例えば、ユーザ端末1の表示装置106にポップアップやダイアログを表示させることにより、アプリをレコメンドしてもよいし、プッシュ通知やメール送信によりアプリをレコメンドしてもよい。
Further, the
一方、レコメンド部24は、ユーザ端末1にアプリ情報を送信した後、利用頻度記憶部13における、対象ユーザの利用頻度に、選択したアプリのフィールドを追加する(ステップS208)。この際、アプリの利用頻度は、上述の通り、「−」に設定される(図5のアプリD参照)。なお、選択したアプリのフィールドが既に存在する場合、レコメンド部24は、フィールドを追加しなくてよい。
On the other hand, after transmitting the application information to the
以上の処理により、レコメンドサーバ2は、対象ユーザにとって有用なアプリをレコメンドできる。また、図5のような利用頻度及びクラスタが、利用頻度記憶部22に記憶される。
Through the above processing, the
図11は、アプリのインストール処理の一例を示すシーケンス図である。以下、ユーザ端末1にインストールされるアプリを対象アプリと称する。
FIG. 11 is a sequence diagram illustrating an example of an application installation process. Hereinafter, an application installed in the
ユーザ端末1のユーザが、入力装置105を操作して、ユーザ端末1に対象アプリのダウンロードを指示すると、端末制御部11は、対象アプリのダウンロードをアプリマーケット3に要求する(ステップS301)。
When the user of the
アプリマーケット3は、対象アプリのダウンロードを要求されると、要求された対象アプリ及び対象アプリのアプリ情報をユーザ端末1に送信する(ステップS302)。
When requested to download the target application, the
端末制御部11は、アプリマーケット3からダウンロードした対象アプリ及びアプリ情報を受け付けると、受け付けた対象アプリ及びアプリ情報をアプリ記憶部12に保存する(ステップS303)。
Upon receiving the target application and application information downloaded from the
また、端末制御部11は、操作ログ記憶部13に操作ログを保存する(ステップS304)。ここで保存される操作ログの操作内容は、対象アプリのダウンロードである。
Further, the
その後、ユーザ端末1のユーザが入力装置105を操作して、ユーザ端末1に対象アプリのインストールを指示すると、端末制御部11は、アプリ記憶部12に対象アプリのインストーラを要求する(ステップS305)。
Thereafter, when the user of the
アプリ記憶部12は、対象アプリのインストーラを要求されると、要求されたインストーラを端末制御部11に渡す(ステップS306)。
When requested to install the target application, the
端末制御部11は、対象アプリのインストーラを受け取ると、受け取ったインストーラを実行し、対象アプリをユーザ端末1にインストールする(ステップS307)。
When receiving the installer of the target application, the
端末制御部11は、対象アプリのインストールが完了すると、インストールにより生成された対象アプリの設定情報をアプリ記憶部12に保存する(ステップS308)。
When the installation of the target application is completed, the
また、端末制御部11は、操作ログ記憶部13に操作ログを保存する(ステップS309)。ここで保存される操作ログの操作内容は、対象アプリのインストールである。
In addition, the
以降、ユーザは、所望のタイミングで対象アプリを利用できる。ユーザが対象アプリを利用するたびに、利用内容に応じた操作ログが操作ログ記憶部13に記憶される。
Thereafter, the user can use the target application at a desired timing. Each time the user uses the target application, an operation log corresponding to the usage content is stored in the operation
以上の処理により、ユーザは、ユーザ端末1に対象アプリをインストールできる。また、図4のような操作ログが操作ログ記憶部13に記憶される。
Through the above processing, the user can install the target application in the
図12は、有用度の更新処理の一例を示すシーケンス図である。 FIG. 12 is a sequence diagram illustrating an example of a usefulness update process.
レコメンドサーバ2のレコメンド制御部21は、有用度の更新タイミングが到来すると、学習部25に、有用度の更新を要求する(ステップS401)。図12の例では、学習部25が、レコメンド制御部21からの要求に応じて有用度を更新する場合を想定しているが、学習部25は、レコメンド制御部21とは独立したタイミングで有用度を更新してもよい。
When the usefulness update timing comes, the
学習部25は、有用度の更新を要求されると、利用頻度記憶部22に利用頻度及びクラスタを要求する(ステップS402)。学習部25は、有用度の算出方法に応じた利用頻度及びクラスタを要求すればよい。学習部25は、例えば、更新タイミングを含む期間の利用頻度及びクラスタを要求する。これにより、学習部25は、利用頻度に基づいて、有用度を算出できる。また、学習部25は、更新タイミングを含む期間を含む複数の期間の利用頻度及びクラスタを要求してもよい。これにより、学習部25は、利用頻度、アプリのインストール、アプリのアンインストール、及びクラスタの変化に基づいて、有用度を算出できる。
When requested to update the usefulness, the
利用頻度記憶部22は、利用頻度及びクラスタを要求されると、要求された利用頻度及びクラスタを学習部25に渡す(ステップS403)。
When the usage frequency and cluster are requested, the usage
学習部25は、利用頻度及びクラスタを受け取ると、受け取った利用頻度及びクラスタに基づいて、クラスタごとの各アプリの有用度を算出する(ステップS404)。有用度の算出方法は、上述の通りである。
Upon receiving the usage frequency and the cluster, the
学習部25は、有用度を算出すると、算出した有用度をレコメンド部24に渡す(ステップS405)。レコメンド部24は、有用度を受け取ると、受け取った有用度を記憶し、元の有用度を削除する。これにより、レコメンド部24が記憶する有用度が更新される。以降、レコメンド部24は、更新された有用度を利用して、有用なアプリを選択する。
When the
以上の処理により、有用度を更新できる。有用度を随時更新することにより、レコメンド部24は、最新の利用頻度に応じた有用なアプリをユーザにレコメンドできる。
The usefulness can be updated by the above processing. By updating the usefulness as needed, the
図13は、分類方法及びレコメンド条件の学習処理の一例を示すシーケンス図である。 FIG. 13 is a sequence diagram illustrating an example of a classification method and recommendation condition learning processing.
レコメンドサーバ2のレコメンド制御部21は、分類方法及びレコメンド条件の学習タイミングが到来すると、学習部25に、分類方法及びレコメンド条件の学習を要求する(ステップS501)。図13の例では、学習部25が、レコメンド制御部21からの要求に応じて分類方法及びレコメンド条件を学習する場合を想定しているが、学習部25は、レコメンド制御部21とは独立したタイミングで分類方法及びレコメンド条件を学習してもよい。
The
学習部25は、分類方法及びレコメンド条件の学習を要求されると、利用頻度記憶部22に利用頻度及びクラスタを要求する(ステップS502)。学習部25は、分類方法及びレコメンド条件の学習方法に応じた利用頻度及びクラスタを要求すればよい。
When learning
利用頻度記憶部22は、利用頻度及びクラスタを要求されると、要求された利用頻度及びクラスタを学習部25に渡す(ステップS503)。
When the usage frequency and cluster are requested, the usage
学習部25は、利用頻度及びクラスタを受け取ると、受け取った利用頻度及びクラスタに基づいて、レコメンドの成功確率が高い分類方法及びレコメンド条件をそれぞれ学習する(ステップS504)。分類方法及びレコメンド条件の学習方法は、上述の通りである。
Upon receiving the usage frequency and the cluster, the
学習部25は、分類方法を学習すると、学習した分類方法(パラメータ)を分類部23に渡す(ステップS505)。分類部23は、分類方法を受け取ると、受け取った分類方法を記憶し、元の分類方法を削除する。これにより、分類部23が記憶する分類方法が更新される。以降、分類部23は、更新された分類方法を利用して、利用傾向を分類する。
When learning
また、学習部25は、レコメンド条件を学習すると、学習したレコメンド条件(パラメータ)をレコメンド部24に渡す(ステップS506)。レコメンド部24は、レコメンド条件を受け取ると、受け取ったレコメンド条件を記憶し、元のレコメンド条件を削除する。これにより、レコメンド部24が記憶するレコメンド条件が更新される。以降、レコメンド部24は、更新されたレコメンド条件を利用して、有用なアプリをレコメンドする。
In addition, when learning
以上の処理により、分類方法及びレコメンド条件を更新できる。分類方法を随時更新することにより、分類部23は、最新の利用頻度に応じた分類方法により、ユーザの利用傾向を分類できる。また、レコメンド条件を随時更新することにより、レコメンド部24は、最新の利用頻度に応じたレコメンド条件により、有用なアプリをレコメンドできる。
With the above processing, the classification method and the recommendation condition can be updated. By updating the classification method as needed, the
以上説明した通り、本実施形態に係るレコメンドシステム1000は、対象ユーザを含む複数のユーザのアプリの利用傾向に基づいて、対象ユーザに有用なアプリをレコメンドする。アプリの利用傾向は、ユーザ端末1から受信した操作ログを集計することにより取得できる。したがって、レコメンドシステム1000は、対象ユーザのWeb閲覧履歴を利用することなく、対象ユーザに有用なアプリをレコメンドできる。
As described above, the
なお、本実施形態において、レコメンドシステム1000は、対象ユーザのアプリの利用傾向と、対象ユーザのWeb閲覧履歴と、を併用して、対象ユーザに有用なアプリをレコメンドすることも可能である。
In the present embodiment, the
<第2実施形態>
第2実施形態に係るレコメンドシステム1000について、図14を参照して説明する。図14は、本実施形態に係るレコメンドシステム1000の機能構成の一例を示す図である。図14のレコメンドシステム1000は、ユーザ端末1と、アプリマーケット3と、を含む。
Second Embodiment
A
ユーザ端末1は、端末制御部11と、アプリ記憶部12と、操作ログ記憶部13と、レコメンド制御部21と、利用頻度記憶部22と、分類部23と、レコメンド部24と、学習部25と、を備える。各機能構成の機能は、第1実施形態と同様である。すなわち、本実施形態において、ユーザ端末1は、レコメンド装置の一例であり、第1実施形態におけるレコメンドサーバ2の機能を備える。ユーザ端末1のレコメンド制御部21は、レコメンドシステム1000に含まれる他のユーザ端末からの操作ログを受け付け、受け付けた操作ログに基づいて利用頻度を集計し、集計した利用頻度を利用頻度記憶部22保存する。
The
以上のような構成により、本実施形態に係るレコメンドシステム1000は、第1実施形態と同様に、対象ユーザのWeb閲覧履歴を利用することなく、対象ユーザに有用なアプリをレコメンドできる。
With the configuration as described above, the
なお、本実施形態において、レコメンドシステム1000は、第1実施形態と同様に、対象ユーザのアプリの利用傾向と、対象ユーザのWeb閲覧履歴と、を併用して、対象ユーザに有用なアプリをレコメンドすることも可能である。
Note that, in the present embodiment, the
なお、本実施形態において、レコメンドシステム1000に含まれる全てのユーザ端末がそれぞれレコメンドサーバ2の機能を備えてもよいし、一部のユーザ端末がレコメンドサーバ2の機能を備え、他のユーザ端末にアプリをレコメンドしてもよい。
In the present embodiment, all user terminals included in the
また、上記で説明した実施形態の各機能は、一又は複数の処理回路によって実現可能である。ここで、本明細書における「処理回路」とは、電子回路により実装されるプロセッサのようにソフトウェアによって各機能を実行するようプログラミングされたプロセッサや、上記で説明した各機能を実行するよう設計されたASIC(Application Specific Integrated Circuit)、DSP(Digital Signal Processor)、FPGA(Field Programmable Gate Array)や従来の回路モジュール等のデバイスを含むものとする。 Each function of the embodiment described above can be realized by one or a plurality of processing circuits. Here, the “processing circuit” in this specification means a processor programmed to execute each function by software, such as a processor implemented by an electronic circuit, or designed to execute each function described above. It also includes devices such as application specific integrated circuits (ASICs), digital signal processors (DSPs), field programmable gate arrays (FPGAs), and conventional circuit modules.
なお、上記実施形態に挙げた構成等に、その他の要素との組み合わせなど、ここで示した構成に本発明が限定されるものではない。これらの点に関しては、本発明の趣旨を逸脱しない範囲で変更可能であり、その応用形態に応じて適切に定めることができる。 It should be noted that the present invention is not limited to the configuration shown here, such as a combination with other elements in the configuration described in the above embodiment. These points can be changed without departing from the spirit of the present invention, and can be appropriately determined according to the application form.
1:ユーザ端末
2:レコメンドサーバ
3:アプリマーケット
11:端末制御部
12:アプリ記憶部
13:操作ログ記憶部
14:アップロード部
21:レコメンド制御部
22:利用頻度記憶部
23:分類部
24:レコメンド部
25:学習部
1000:レコメンドシステム
1: User terminal 2: Recommendation server 3: Application market 11: Terminal control unit 12: Application storage unit 13: Operation log storage unit 14: Upload unit 21: Recommendation control unit 22: Usage frequency storage unit 23: Classification unit 24: Recommendation Part 25: Learning part 1000: Recommendation system
Claims (11)
前記ユーザの前記利用頻度の傾向である利用傾向をクラスタに分類する分類部と、
対象ユーザの前記利用傾向が属する前記クラスタにおける前記各アプリケーションの有用度と、レコメンド条件と、に基づいて、前記対象ユーザにアプリケーションをレコメンドするレコメンド部と、
前記利用頻度記憶部に記憶された前記利用頻度に基づいて、前記分類部による分類方法及び前記レコメンド条件の少なくとも一方を更新する学習部と、
を備えるレコメンドシステム。 A usage frequency storage unit for storing the usage frequency of each application of a plurality of users;
A classifying unit that classifies the usage tendency, which is the tendency of the usage frequency of the user, into clusters;
A recommendation unit that recommends an application to the target user based on the usefulness of each application in the cluster to which the usage tendency of the target user belongs and a recommendation condition;
Based on the usage frequency stored in the usage frequency storage unit, a learning unit that updates at least one of the classification method by the classification unit and the recommendation condition;
A recommendation system with
請求項1に記載のレコメンドシステム。 The recommendation system according to claim 1, wherein the classification unit calculates a distance between the clusters based on a value or a ratio of the usage frequency.
請求項1又は請求項2に記載のレコメンドシステム。 The recommendation system according to claim 1 or 2, wherein the learning unit updates at least one of the classification method and the recommendation condition so that a success probability of the recommendation is increased.
請求項3に記載のレコメンドシステム。 4. The recommendation system according to claim 3, wherein the success of the recommendation includes that the usage frequency of the application by the target user satisfies a predetermined condition after the recommended application is installed by the target user.
請求項1から請求項4までのいずれか1項に記載のレコメンドシステム。 The recommendation system according to any one of claims 1 to 4, wherein the recommendation unit recommends, to the target user, an application whose usefulness satisfies the recommendation condition.
請求項1から請求項5までのいずれか1項に記載のレコメンドシステム。 The recommendation system according to claim 1, wherein the usefulness of the application is calculated to be higher as the usage frequency of the application is higher.
請求項1から請求項6までのいずれか1項に記載のレコメンドシステム。 The recommendation system according to any one of claims 1 to 6, wherein the usefulness of the application is calculated to be high when the application is installed by the user.
請求項1から請求項7までのいずれか1項に記載のレコメンドシステム。 The recommendation system according to any one of claims 1 to 7, wherein the usefulness of the application is calculated to be low when the application is uninstalled by the user.
請求項1から請求項8までのいずれか1項に記載のレコメンドシステム。 The recommendation according to any one of claims 1 to 8, wherein the usefulness of the application is calculated to be high when the cluster to which the usage tendency of the user belongs changes due to installation of the application. system.
前記ユーザの前記利用頻度の傾向である利用傾向をクラスタに分類する分類部と、
対象ユーザの前記利用傾向が属する前記クラスタにおける前記各アプリケーションの有用度と、レコメンド条件と、に基づいて、前記対象ユーザにアプリケーションをレコメンドするレコメンド部と、
前記利用頻度記憶部に記憶された前記利用頻度に基づいて、前記分類部による分類方法及び前記レコメンド条件の少なくとも一方を更新する学習部と、
を備えるレコメンド装置。 A usage frequency storage unit for storing the usage frequency of each application of a plurality of users;
A classifying unit that classifies the usage tendency, which is the tendency of the usage frequency of the user, into clusters;
A recommendation unit that recommends an application to the target user based on the usefulness of each application in the cluster to which the usage tendency of the target user belongs and a recommendation condition;
Based on the usage frequency stored in the usage frequency storage unit, a learning unit that updates at least one of the classification method by the classification unit and the recommendation condition;
A recommendation device comprising:
前記ユーザの前記利用頻度の傾向である利用傾向をクラスタに分類する分類工程と、
対象ユーザの前記利用傾向が属する前記クラスタにおける前記各アプリケーションの有用度と、レコメンド条件と、に基づいて、前記対象ユーザにアプリケーションをレコメンドするレコメンド工程と、
前記利用頻度記憶工程で記憶された前記利用頻度に基づいて、前記分類工程における分類方法及び前記レコメンド条件の少なくとも一方を更新する学習工程と、
をコンピュータに実行させるためのプログラム。 A usage frequency storage step for storing the usage frequency of each application of a plurality of users;
A classification step of classifying the usage trend, which is the trend of the usage frequency of the user, into clusters;
A recommendation step of recommending an application to the target user based on the usefulness of each application in the cluster to which the usage tendency of the target user belongs and a recommendation condition;
A learning step of updating at least one of the classification method and the recommendation condition in the classification step based on the usage frequency stored in the usage frequency storage step;
A program that causes a computer to execute.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017091565A JP2018190154A (en) | 2017-05-02 | 2017-05-02 | Recommendation system, device, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017091565A JP2018190154A (en) | 2017-05-02 | 2017-05-02 | Recommendation system, device, and program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018190154A true JP2018190154A (en) | 2018-11-29 |
Family
ID=64480056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017091565A Pending JP2018190154A (en) | 2017-05-02 | 2017-05-02 | Recommendation system, device, and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2018190154A (en) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021144474A (en) * | 2020-03-12 | 2021-09-24 | ヤフー株式会社 | Information providing apparatus, information providing method, and program |
CN114637873A (en) * | 2022-03-30 | 2022-06-17 | 徐州大工电子科技有限公司 | Intelligent door and window recommendation method and system based on image similarity |
US11604558B2 (en) | 2020-01-14 | 2023-03-14 | Toyota Jidosha Kabushiki Kaisha | Display control device, display control method, and storage medium |
JP7257081B1 (en) | 2022-08-10 | 2023-04-13 | Bhi株式会社 | Information processing system, information processing method and program |
WO2023175407A1 (en) | 2022-03-18 | 2023-09-21 | Ricoh Company, Ltd. | Recommendation management apparatus, recommendation management system, recommendation management method, and recording medium |
EP4250092A1 (en) | 2022-03-22 | 2023-09-27 | Ricoh Company, Ltd. | Recommendation management apparatus, recommendation management method, and carrier means |
WO2024089488A1 (en) | 2022-10-24 | 2024-05-02 | Ricoh Company, Ltd. | Management apparatus, management system, management method, and recording medium |
-
2017
- 2017-05-02 JP JP2017091565A patent/JP2018190154A/en active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11604558B2 (en) | 2020-01-14 | 2023-03-14 | Toyota Jidosha Kabushiki Kaisha | Display control device, display control method, and storage medium |
JP2021144474A (en) * | 2020-03-12 | 2021-09-24 | ヤフー株式会社 | Information providing apparatus, information providing method, and program |
JP7088972B2 (en) | 2020-03-12 | 2022-06-21 | ヤフー株式会社 | Information providing equipment, information providing method, and program |
WO2023175407A1 (en) | 2022-03-18 | 2023-09-21 | Ricoh Company, Ltd. | Recommendation management apparatus, recommendation management system, recommendation management method, and recording medium |
EP4250092A1 (en) | 2022-03-22 | 2023-09-27 | Ricoh Company, Ltd. | Recommendation management apparatus, recommendation management method, and carrier means |
CN114637873A (en) * | 2022-03-30 | 2022-06-17 | 徐州大工电子科技有限公司 | Intelligent door and window recommendation method and system based on image similarity |
JP7257081B1 (en) | 2022-08-10 | 2023-04-13 | Bhi株式会社 | Information processing system, information processing method and program |
JP2024025225A (en) * | 2022-08-10 | 2024-02-26 | Bhi株式会社 | Information processing system, information processing method, and program |
WO2024089488A1 (en) | 2022-10-24 | 2024-05-02 | Ricoh Company, Ltd. | Management apparatus, management system, management method, and recording medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2018190154A (en) | Recommendation system, device, and program | |
US9182975B2 (en) | Automatic application updates | |
KR102355481B1 (en) | Smart Assist for Repeated Actions | |
CN106372110B (en) | Recommendation method of application program and mobile terminal | |
WO2020057131A1 (en) | Content sharing method, terminal device and storage medium | |
US10262265B2 (en) | Systems and methods for generating and communicating application recommendations at uninstall time | |
JP2009140501A (en) | System and method for dynamically generating user interface for network client device | |
US10235017B2 (en) | Integrated media user interface | |
US10242102B2 (en) | Network crawling prioritization | |
WO2019085533A1 (en) | Application processing method for terminal device and terminal device | |
JP2012014448A (en) | Server and method for recommending application to user | |
US9342606B2 (en) | Intelligent software installation | |
CN108427549B (en) | Method and device for processing sound of notification message, storage medium and terminal | |
US20220326966A1 (en) | Sorting optimization based on user's time preferences and habits | |
JP6946929B2 (en) | Recommendation systems, devices, methods, and programs | |
US10520929B2 (en) | Techniques for implementing universal commands in a welding or cutting system | |
US20200226014A1 (en) | Scalable Automated Detection Of Functional Behavior | |
US20180059650A1 (en) | Techniques for multiple application banks in a welding or cutting system | |
JP2012014447A (en) | Server and method for recommending application to user | |
US10795657B2 (en) | Method of managing applications and computing device using the same | |
WO2020132991A1 (en) | Application pushing method, device, mobile terminal and storage medium | |
CN107391196B (en) | Application program updating method and mobile terminal | |
JP7239643B2 (en) | Information presentation method, device, electronic device, storage medium and program | |
US20140172927A1 (en) | File information processing method and portable device | |
CN109542542A (en) | Method, device, server and terminal for updating user interaction interface |