JP2020047156A

JP2020047156A - 商品推薦装置及びプログラム

Info

Publication number: JP2020047156A
Application number: JP2018176862A
Authority: JP
Inventors: 政寛佐藤; Masahiro Sato; 園田　隆志; Takashi Sonoda; 隆志園田
Original assignee: Fuji Xerox Co Ltd
Current assignee: Fujifilm Business Innovation Corp
Priority date: 2018-09-21
Filing date: 2018-09-21
Publication date: 2020-03-26
Anticipated expiration: 2038-09-21
Also published as: US20200098031A1; JP7210958B2

Abstract

【課題】推薦される商品と推薦されない商品の予測誤差を等しく扱って学習する場合に比べて、推薦商品の精度が向上し得る技術を提供する。
【解決手段】比較選好グループ分け部１６は、ユーザ購買履歴と販促履歴を用いて商品を
販促なしで購入したグループ、販促ありで購入したグループ、販促なしで購入しなかったグループ、販促ありで購入しなかったグループのいずれかに分類する。比較選好学習部１８は、比較選好のモデルパラメータを学習し、平均スコア算出部２０で学習済みのモデルを用いてグループ毎に平均選好スコアを算出する。アイテム推薦部２２は、選好スコアが所定範囲内にある商品を推薦商品として出力する。
【選択図】図１

Description

本発明は、商品推薦装置及びプログラムに関する。

特許文献１には、ユーザにとって意外性のある推薦を行うことの出来る情報推薦方法が記載されている。未推薦アイテムに対して、ユーザが反応した関心アイテムと、無反応であった無関心アイテム双方とのどちらのアイテムとの類似性が高いかを比較し、その比較結果を用いてユーザへの次の推薦アイテムを決定する。

特許文献２には、商品を推薦した場合の推薦による影響度を考慮せずに商品の推薦を行う場合と比較して、消費者に商品を購入させようとする推薦の効果を高める技術が記載されている。事前に消費者に対して推薦が行われた商品のうちの特定の商品について、複数の消費者の中から、特定の商品を推薦した場合の推薦による影響度が予め定められた条件を満たす消費者を抽出する消費者選定部と、抽出された消費者に特定の商品を推薦する商品情報出力部とを備える。

特許第５２７７３０７号特開２０１７−２１１６９９号公報

本発明は、推薦される商品と推薦されない商品の予測誤差を等しく扱って学習する場合に比べて、推薦商品の精度が向上し得る技術を提供することを目的とする。

請求項１に記載の発明は、利用者が購入した商品の情報を示す購買履歴、及び利用者に対して販促した商品の情報を示す販促履歴を取得する取得手段と、前記購買履歴及び前記販促履歴を用いて、各商品を、販促なしで購入した第１グループ、販促ありで購入した第２グループ、販促なしで購入しなかった第３グループ、販促ありで購入しなかった第４グループのいずれかに分類する分類手段と、前記分類手段での分類結果を用いて、販促なしだと購入しないが販促ありだと購入する商品を利用者に推薦すべき商品として出力する制御手段とを備える商品推薦装置である。

請求項２に記載の発明は、前記制御手段は、利用者毎に前記第１グループ、前記第２グループ、前記第３グループ、及び前記第４グループの選好スコアを算出し、前記選好スコアを用いて前記推薦すべき商品を出力する請求項１に記載の商品推薦装置である。

請求項３に記載の発明は、前記制御手段は、前記第２グループの選好スコア以下で、前記第３グループの選好スコア以上の選好スコアとなる商品を前記推薦すべき商品として出力する請求項２に記載の商品推薦装置である。

請求項４に記載の発明は、前記制御手段は、前記第２グループの平均選好スコア以下で、前記第３グループの平均選好スコア以上の選好スコアとなる商品を前記推薦すべき商品として出力する請求項２に記載の商品推薦装置である。

請求項５に記載の発明は、前記制御手段は、前記第１グループ、前記第２グループ、前記第３グループ、及び前記第４グループから２つのグループを選択し、選択した２つのグループからそれぞれ１つの商品を選択し、選択した２つの商品の比較選好を学習することで前記選好スコアを算出する請求項２〜４のいずれかに記載の商品推薦装置である。

請求項６に記載の発明は、前記制御手段は、商品の特徴ベクトルをｑ_ｉ、利用者が好む商品の特徴ベクトルをｐ_ｕとしたときに、
ν_ｕｉ＝ｑ_ｉ ^Ｔｐ_ｕ
により前記選好スコアを算出する請求項２〜５のいずれかに記載の商品推薦装置である。

請求項７に記載の発明は、コンピュータを、利用者が購入した商品の情報を示す購買履歴、及び利用者に対して販促した商品の情報を示す販促履歴を取得する取得手段と、前記購買履歴及び前記販促履歴を用いて、各商品を、販促なしで購入した第１グループ、販促ありで購入した第２グループ、販促なしで購入しなかった第３グループ、販促ありで購入しなかった第４グループのいずれかに分類する分類手段と、前記分類手段での分類結果を用いて、販促なしだと購入しないが販促ありだと購入する商品を利用者に推薦すべき商品として出力する制御手段として機能させるためのプログラムである。

請求項１，７に記載の発明によれば、推薦される商品と推薦されない商品の予測誤差を等しく扱って学習する場合に比べて、推薦商品の精度が向上し得る。

請求項２に記載の発明によれば、さらに、選好スコアを用いて定量的に推薦すべき商品を出力できる。

請求項３，４に記載の発明によれば、さらに、特定範囲の選好スコアの商品を推薦すべき商品として出力できる。

請求項５，６に記載の発明によれば、さらに、学習により選好スコアを最適化し得る。

実施形態の機能ブロック図である。実施形態の商品に対する嗜好の程度を示す説明図である。実施形態のグループ分けの説明図である。実施形態の比較選好学習の処理フローチャートである。実施形態の全体処理フローチャートである。実施形態の推薦商品説明図である。

以下、図面に基づき本発明の実施形態について、商品をアイテムとして説明する。

図１は、本実施形態における商品推薦装置１０の機能ブロック図を示す。商品推薦装置１０は、機能ブロックとして、ユーザ購買履歴データベース（ＤＢ）１２、アイテム販促履歴ＤＢ１４、比較選好グループ分け部１６、比較選好学習部１８、平均スコア算出部２０、及びアイテム推薦部２２を備える。

ユーザ購買履歴ＤＢ１２は、利用者（ユーザ）毎のアイテムの購買履歴を記憶する。購買履歴としては、アイテムの名称及びアイテムを購買したか否かであるが、アイテムの購買の場所や日付等を記憶してもよい。

アイテム販促履歴ＤＢ１４は、ユーザ毎及びアイテム毎の販促履歴を記憶する。販促履歴としては、アイテムの名称、アイテムを販促したか否か、アイテムを販促した場合の販促対象ユーザであるか否か、販促の場所や日付等を記憶してもよい。販促には、推薦の他、店頭での広告の配布、インターネットのＷｅｂサイトでの広告の掲載、ＳＮＳでの広告の掲載、アイテムの値引き、カタログの表紙のように目立つ場所への広告の掲載等も含まれる。なお、不特定多数のユーザに対して販促した場合には、全てのユーザに対して販促したものとみなしてもよい。また、特定のユーザに対してクーポンの発行等により販促した場合には、当該ユーザに対して販促したものとみなす。

比較選好グループ分け部１６は、ユーザ購買履歴ＤＢ１２に記憶されたユーザ購買履歴と、アイテム販促履歴ＤＢ１４に記憶された販促履歴を用いて、ユーザ毎にアイテムを選好の程度が異なる複数のグループに分類する。本実施形態では、特に、ユーザ毎にアイテムを選好の程度が異なる４つのグループのいずれかに分類する。これら４つのグループは、販促の有無及び購入の有無の組合せにより識別される。すなわち、（販促の有無の２通り）×（購入の有無の２通り）＝４つのグループである。

比較選好学習部１８は、ユーザ毎のアイテムの選好の強さを定量化するために必要なモデルのパラメータを、４つのグループに分類されたアイテムを用いて学習する。比較選好学習部１８は、あるユーザに着目した場合の、当該ユーザがあるアイテムを別のアイテムよりも好む確率を算出し、この確率が最大となるようにパラメータを調整することで学習する。

平均スコア算出部２０は、比較選好学習部１８で学習されたモデルを用いてユーザ毎に４つのグループに属するそれぞれのアイテムの選好の強さを定量化し、グループ毎のアイテムの選好の強さの代表値としてアイテムの選好の強さの平均値を算出する。例えば、あるユーザに対し、４つのグループの中のあるグループに属するアイテムｉの選好の強さを選好スコアνｉとし、そのグループ内のアイテム数をＮとすると、
そのグループの平均選好スコア＝（Σνｉ）／Ｎ
により算出する。平均選好スコアは、ユーザ毎及びグループ毎に算出される。従って、ユーザをユーザｕ及びユーザｖとし、グループをグループＡ、グループＢ、グループＣ、グループＤとすると、ユーザｕに対して、
グループＡの平均選好スコア
グループＢの平均選好スコア
グループＣの平均選好スコア
グループＤの平均選好スコア
が算出され、ユーザｖに対して、
グループＡの平均選好スコア
グループＢの平均選好スコア
グループＣの平均選好スコア
グループＤの平均選好スコア
が算出される。

アイテム推薦部２２は、平均スコア算出部２０で算出されたユーザ毎及びグループ毎の平均選好スコアを用いて、ユーザに推薦すべきアイテムを抽出する。アイテム推薦部２２は、対象となるアイテムの選好スコアが指定された条件を満たすか否かを判定し、指定された条件を満たす場合に推薦すべきアイテムとする。

商品推薦装置は、１又は複数のプロセッサ、ＲＯＭ、ＲＡＭ、入出力インターフェイス、通信インターフェイス、ＨＤＤ（ハードディスクドライブ）やＳＳＤ（ソリッドステートドライブ）等の記憶装置を備えるコンピュータで構成される。１又は複数のプロセッサは、ＲＯＭあるいは記憶装置に記憶された処理プログラムを読み出して実行することで、比較選好グループ分け部１６、比較選好学習部１８、平均スコア算出部２０、アイテム推薦部２２を実現する。記憶装置は、ユーザ購買履歴ＤＢ１２及びアイテム販促履歴ＤＢ１４を実現する。

ユーザ購買履歴データベース（ＤＢ）１２、アイテム販促履歴ＤＢ１４、比較選好グループ分け部１６、比較選好学習部１８、平均スコア算出部２０、及びアイテム推薦部２２の少なくともいずれかを、互いに通信ネットワークで接続された複数のコンピュータのいずれかで実現してもよい。例えば、ユーザ購買履歴ＤＢ１２をあるコンピュータで実現し、アイテム販促履歴ＤＢ１４を別のコンピュータで実現し、比較選好グループ分け部１６、比較選好学習部１８、平均スコア算出部２０、及びアイテム推薦部２２をさらに別のコンピュータで実現する等である。

図２は、ユーザのアイテムに対する嗜好の高低毎に、アイテムを３つのクラスに分類する場合を示す。図において、個々の円はアイテムを示す。また、図において破線で示す領域３０は、過去に販促された商品の集合Ｐを示す。アイテムは、
クラス１：販促しなくてもユーザが購入するアイテム
クラス２：販促なしだと購入しないが、販促ありだとユーザが購入するアイテム
クラス３：販促してもユーザが購入しないアイテム
の３つに分類され得る。具体的には、ユーザの嗜好が低いアイテムは、たとえ販促されても当該ユーザは購入しないアイテムでありクラス３に分類される。また、ユーザの嗜好が高いアイテムは、たとえ販促されなくとも当該ユーザが自発的に購入するアイテムでありクラス１に分類される。ユーザの嗜好が中程度のアイテムは、販促の有無により購入の有無が決定されるのでクラス２に分類される。

他方、アイテムとしては販促されたアイテムと販促されないアイテムのいずれかであるので、実際の購買履歴に着目すると、以下の４つのグループに分類され得る。
グループＡ：販促なしで購入されたアイテム
グループＢ：販促ありで購入されたアイテム
グループＣ：販促なしで購入されなかったアイテム
グループＤ：販促ありで購入されなかったアイテム

なお、グループＡはクラス１に相当し、グループＢはクラス１とクラス２の混合に相当し、グループＣはクラス２とクラス３の混合に相当し、グループＤはクラス３に相当する。

ユーザの選好の順位としては、クラス１＞クラス２＞クラス３であるため、各グループの選好順位は、平均的には、
グループＡ＞グループＢ＞グループＣ＞グループＤ
となる。

ここで、販促効果の高いアイテムは、販促の有無で購入の有無が決定され得るクラス２であり、クラス２とグループＢ及びグループＣの選好順位は、
グループＢ＞クラス２＞グループＣ
であるので、販促効果の高いアイテムとして、グループＢ以下でかつグループＣ以上のアイテムを推薦アイテムとして抽出すればよい。グループＢ以下でかつグループＣ以上のアイテムは、言い替えれば、販促なしだと購入しないが販促ありだと購入すると予想されるアイテムである。

図３は、比較選好グループ分け部１６におけるグループ分けの処理を模式的に示す。比較選好グループ分け部１６は、ユーザ購買履歴ＤＢ１２に記憶されたアイテムの購買履歴、及びアイテム販促履歴ＤＢ１４に記憶されたアイテムの販促履歴を用いて、ユーザ毎にアイテムをグループＡ〜グループＤの４つのグループのいずれかに分類する。

例えば、ユーザＩＤ＝１で特定されるユーザのアイテムＩＤ＝１〜６毎の購入の有無及び販促の有無が図に示すように、
アイテムＩＤ＝１：購入なし、販促なし
アイテムＩＤ＝２：購入あり、販促あり
アイテムＩＤ＝３：購入なし、販促なし
アイテムＩＤ＝４：購入あり、販促なし
アイテムＩＤ＝５：購入なし、販促あり
アイテムＩＤ＝６：購入なし、販促なし
であるとすると、アイテムＩＤ＝１，３，６については、いずれも「販促なしで購入なし」であるのでグループＣに分類される。また、アイテムＩＤ＝２については、「販促ありで購入あり」であるのでグループＢに分類される。また、アイテムＩＤ＝４については、「販促なしで購入あり」であるためグループＡに分類される。さらに、アイテムＩＤ＝５については、「販促ありで購入なし」であるのでグループＤに分類される。

図４は、比較選好学習部１８における学習の処理フローチャートを示す。比較選好学習部１８は、比較選好グループ分け部１６で分類された４つのグループＡ〜グループＤを用いて、アイテムの比較選好の度合いを算出する。

比較選好学習部１８は、まず、ユーザをランダムに選択する（Ｓ１０１）。例えば、ユーザＩＤ＝１のユーザを選択する。

次に、４つのグループＡ〜グループＤの中から、２つのグループをランダムに選択する（Ｓ１０２）。例えばグループＢとグループＣを選択する。

次に、Ｓ１０１で選択したユーザの、Ｓ１０２で選択した２つのグループからそれぞれ１個ずつアイテムをランダムに選択する（Ｓ１０３）。例えば、グループＢからアイテムＩＤ＝２のアイテムを選択し、グループＣからアイテムＩＤ＝６のアイテムを選択する。

そして、選択したアイテムの比較選好を学習して更新する（Ｓ１０４）。学習は、以下のように実行される。

すなわち、あるユーザｕのアイテムｉに対する嗜好の強さを選好スコアとすると、選好スコアは、アイテムが備える特徴と、当該ユーザｕが好むアイテムの特徴から算出され得る。具体的には、アイテムが備える特徴をベクトルｑ_ｉ、ユーザｕが好むアイテムの特徴をベクトルｐ_ｕとすると、２つのベクトルの内積として、
選好スコアν_ｕｉ＝ｑ_ｉ ^Ｔｐ_ｕ
で表現される。アイテムの特徴は、例えばジャンル、価格、購買層の観点からベクトル化し得る。ジャンル、価格、購買層をそれぞれ数値で表現し、
ｑｉ＝（ａ，ｂ，ｃ）
とベクトル化する。ここで、ａはジャンルを規定する数値、ｂは価格を規定する数値、ｃは購買層を規定する数値である。ジャンルについては、商標法における商品区分に従った区分数としてもよく、価格については６つ程度の区分数としてもよく、購買層については、年齢別、職業別、男女別を組み合わせた区分数とし得る。またアイテムの各特徴を明示的に規定せずに、matrix factorization（行列分解）の手法などにより、非明示的な潜在特徴として表現することもできる。
（非特許文献 Yehuda Koren, Robert Bell, and Chris Volinsky. 2009. Matrix Factorization Techniques for Recommender Systems. Computer 42, 8 (August 2009), 30-37）

このとき、ユーザｕのアイテムｉとアイテムｊの嗜好の差は、
ｘ_ｕｉｊ＝ν_ｕｉ−ν_ｕｊ
で表現される。

このユーザｕのアイテムｉとアイテムｊの嗜好の差ｘ_ｕｉｊを用いて、ユーザｕがアイテムｉをアイテムｊよりも好む選好確率を算出する。αとβを比較選好の異なる２つのグループとし、例えばαをグループＡとし、βをグループＢとする。アイテムｉがαのグループに属し、アイテムｊがβのグループに属するものとすると、ユーザｕがアイテムｉをアイテムｊよりも好む選好確率は、シグモイド関数を用いて

で表現される。この選好確率が最大化するように、ユーザｕの嗜好の差ｘ_ｕｉｊのモデルパラメータΘを逐次更新して学習していく。すなわち、

によりパラメータΘを更新して学習していく。Ｓ１０１〜Ｓ１０４の処理は、学習が収束するまで繰り返し実行される。学習して得られたパラメータΘを用いてユーザｕのアイテムｉに対する選好スコアν_ｕｉを算出する。

図５は、本実施形態の全体処理フローチャートを示す。

まず、比較選好グループ分け部１６は、ユーザ購買履歴ＤＢ１２及びアイテム販促履歴ＤＢ１４にアクセスし、ユーザ購買履歴とアイテム販促履歴を統合する（Ｓ２０１）。図３の表は、このようにしてユーザ購買履歴とアイテム販促履歴を統合して作成されたものである。

次に、比較選好グループ分け部１６は、統合されたデータを用いて、アイテムの選好順序毎に４つのグループに分割する（Ｓ２０２）。すなわち、選好が高い順序に
グループＡ：販促なしで購入されたアイテム
グループＢ：販促ありで購入されたアイテム
グループＣ：販促なしで購入されなかったアイテム
グループＤ：販促ありで購入されなかったアイテム
の４つのグループに分割する。

次に、比較選好学習部１８は、図４に示す処理フローチャートに従って選択したアイテムの比較選好を学習する。すなわち、ユーザをランダムに選択し（２０３）、４つのグループＡ〜グループＤから２つのグループをランダムに選択する（Ｓ２０４）。そして、選択されたユーザの選択された２つのグループから、それぞれ１個ずつアイテムをランダムに選択し（Ｓ２０５）、選択された２つのアイテムの比較選好を上記の式を用いて学習して更新していく（Ｓ２０６）。Ｓ２０３〜Ｓ２０６の処理は、学習が収束するまで繰り返し実行される。

学習が終了した後、平均スコア算出部２０は、学習済みのモデル、つまり学習済みのパラメータΘを用いて、ユーザ毎に各グループの平均選好スコアを算出する（Ｓ２０７）。例えば、ユーザＩＤ＝１のユーザに対し、グループＡに属するアイテムＩＤ＝４のアイテムの選好スコアを、
選好スコアν_ｕｉ＝ｑ_ｉ ^Ｔｐ_ｕ
により算出する。グループＡに属する全てのアイテムについて選好スコアを算出し、その平均を算出することでグループＡの平均選好スコアを算出する。他のグループＢ〜グループＤについても同様である。

各グループの平均選好スコアを算出した後、アイテム推薦部２２は、指定されたスコア条件を満たすアイテムを当該ユーザに対する推薦アイテムとして抽出する（Ｓ２０８）。指定されたスコア条件は、「販促ありで購入したアイテム」のグループＢ以下で、かつ「販促なしで購入しなかったアイテム」グループＣ以上のアイテムを抽出するための条件であり、具体的には、Ｓ２０７で算出されたグループＢの平均選好スコアをνｂ、グループＣの平均選好スコアをνｃとすると、
νｂ≧ν≧νｃ
である。

従って、あるアイテムの選好スコアを算出し、その選好スコアが上記の条件を満たす場合には当該ユーザに対する推薦アイテムとして提示され、算出された選好スコアが上記の条件を満たさない場合には推薦アイテムとして提示しない。ユーザ毎に各グループの平均選好スコアが算出されてユーザ毎に上記の条件を満たすか否かが判定されるから、同一アイテムに対してあるユーザについては推薦アイテムとして提示され、別のユーザについて推薦アイテムとして提示されないこともあり得る。

本実施形態における適用対象としては、例えば企業における新製品の販売等がある。どのようなユーザ層に対して当該新製品を行うべきかを決定する際に、本実施形態の手法が用いられ得る。すなわち、当該新製品について選好スコアを算出し、その選好スコアが上記の条件を満たすようなユーザ群を抽出する。そして、抽出されたユーザ群に対して販促を実行する等である。このことは、推薦アイテムとして出力するだけでなく、推薦すべきユーザ層を出力することを意味する。ユーザ層を出力する際に、公知の協調フィルタリング手法と組み合わせて出力してもよい。すなわち、推薦すべき複数のユーザを抽出した場合、これらのユーザと購買傾向が類似する他のユーザ群を協調フィルタリングで抽出する等である。

図６は、各グループの選好スコア（選好度）と推薦アイテムの関係を示す。図において、一点鎖線で示す領域はグループＡ〜グループＤであり、選好スコアは、
グループＡ＞グループＢ＞グループＣ＞グループＤ
の関係にある。グループＢの平均選好スコアνｂ及びグループＣの選好スコアνｃをそれぞれ破線で示す。これらの平均スコアで上限及び下限が定まる範囲（図中矢印１００で示す範囲）が指定条件範囲であり、この範囲内にあるアイテムは推薦アイテムとして出力され（図中黒丸で示す）、この範囲外のアイテムは推薦アイテムとして出力されない（図中白丸で示す）。選好度が中程度のアイテムを推薦アイテムとして出力するといえる。

従来において、推薦ありと推薦なしの購入率の差が最大となるアイテムを推薦する技術があるが、全アイテムの推薦有無の購入率を学習しようとすると計算コストが増大し、また、推薦されるアイテムと推薦されないアイテムの予測誤差、つまり推薦されるアイテムの予測購入率と実際の購入率との誤差、及び推薦されないアイテムの予測購入率と実際の購入率との誤差をともに等しく扱って学習すると、推薦されないアイテムの影響により推薦アイテムの精度が不十分となる。本実施形態では、アイテムを４つのグループに分類した上で、「販促ありで購入した」グループよりも選好が低く、「販促なしで購入しなかった」グループよりも選好が高いアイテムを抽出するように構成しているので、従来よりも効率的で高精度にユーザ毎に推薦アイテムを提示できる。

なお、本実施形態において、Ｓ２０８でアイテムをユーザに推薦した場合の購入有無の結果を商品推薦装置１０にフィードバックし、各グループＡ〜Ｄの平均選好スコアを調整していくのが望ましい。

以上、本発明の実施形態について説明したが、本発明はこれに限定されるものではなく、種々の変形が可能である。以下、変形例について説明する。

＜変形例１＞
実施形態では、グループ毎に平均選好スコアを算出しているが、グループＢの最小選好スコアνｂｍｉｎとグループＣの最大選好スコアνｃｍａｘを算出し、アイテムの選好スコアがグループＢの最小選好スコアνｂｍｉｎとグループＣの最大選好スコアνｃｍａｘの範囲内にある場合に推薦アイテムとして抽出してもよい。すなわち、
νｂｍｉｎ≧ν≧νｃｍａｘ
の場合に推薦アイテムとしてもよい。

＜変形例２＞
実施形態では、
選好スコアν_ｕｉ＝ｑ_ｉ ^Ｔｐ_ｕ
により選好スコアを算出しているが、これは一例であり、他の評価式も用いられ得る。要するに、選好の程度が異なる４つのグループ毎に選好の程度を定量化し、グループＢの選好の程度とグループＣの選好の程度の間にある選好の程度のアイテムを推薦アイテムとして抽出すればよい。

１０商品推薦装置、１２ユーザ購買履歴ＤＢ、１４アイテム販促履歴ＤＢ、１６比較選好グループ分け部、１８比較選好学習部、２０平均スコア算出部、２２アイテム推薦部。

Claims

利用者が購入した商品の情報を示す購買履歴、及び利用者に対して販促した商品の情報を示す販促履歴を取得する取得手段と、
前記購買履歴及び前記販促履歴を用いて、各商品を、販促なしで購入した第１グループ、販促ありで購入した第２グループ、販促なしで購入しなかった第３グループ、販促ありで購入しなかった第４グループのいずれかに分類する分類手段と、
前記分類手段での分類結果を用いて、販促なしだと購入しないが販促ありだと購入する商品を利用者に推薦すべき商品として出力する制御手段と、
を備える商品推薦装置。
前記制御手段は、利用者毎に前記第１グループ、前記第２グループ、前記第３グループ、及び前記第４グループの選好スコアを算出し、前記選好スコアを用いて前記推薦すべき商品を出力する
請求項１に記載の商品推薦装置。
前記制御手段は、前記第２グループの選好スコア以下で、前記第３グループの選好スコア以上の選好スコアとなる商品を前記推薦すべき商品として出力する
請求項２に記載の商品推薦装置。
前記制御手段は、前記第２グループの平均選好スコア以下で、前記第３グループの平均選好スコア以上の選好スコアとなる商品を前記推薦すべき商品として出力する
請求項２に記載の商品推薦装置。
前記制御手段は、前記第１グループ、前記第２グループ、前記第３グループ、及び前記第４グループから２つのグループを選択し、選択した２つのグループからそれぞれ１つの商品を選択し、選択した２つの商品の比較選好を学習することで前記選好スコアを算出する
請求項２〜４のいずれかに記載の商品推薦装置。
前記制御手段は、商品の特徴ベクトルをｑ_ｉ、利用者が好む商品の特徴ベクトルをｐ_ｕとしたときに、
ν_ｕｉ＝ｑ_ｉ ^Ｔｐ_ｕ
により前記選好スコアを算出する
請求項２〜５のいずれかに記載の商品推薦装置。
コンピュータを、
利用者が購入した商品の情報を示す購買履歴、及び利用者に対して販促した商品の情報を示す販促履歴を取得する取得手段と、
前記購買履歴及び前記販促履歴を用いて、各商品を、販促なしで購入した第１グループ、販促ありで購入した第２グループ、販促なしで購入しなかった第３グループ、販促ありで購入しなかった第４グループのいずれかに分類する分類手段と、
前記分類手段での分類結果を用いて、販促なしだと購入しないが販促ありだと購入する商品を利用者に推薦すべき商品として出力する制御手段
として機能させるためのプログラム。