JP5401261B2

JP5401261B2 - 情報推薦方法及び装置

Info

Publication number: JP5401261B2
Application number: JP2009249672A
Authority: JP
Inventors: 長谷川　　隆
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2009-10-30
Filing date: 2009-10-30
Publication date: 2014-01-29
Anticipated expiration: 2029-10-30
Also published as: JP2011096025A

Description

本発明は、コンテンツなどの情報を推薦する方法、特にユーザにとって関心はあるが、意外性のある項目を推薦する技術に関する。
ここで，推薦とは，ユーザが選択すると考えられる情報を提示する機能で，意外性のある推薦とは，その中でもユーザが容易に予測困難な情報を提示する機能である。

コンテンツなどの情報を配信する際に配信する情報を推薦するシステムとして、従来、「協調フィルタリング」方式が知られている（非特許文献１参照）。この協調フィルタリングとは、過去のユーザ履歴の類似性からユーザプロファイル（ユーザがどういったタイプに属するか、等）を推定し、次の推薦アイテムを決定する方式である。

また、非特許文献２において、アイテムをクラスタリングし，ユーザの嗜好アイテムが属するクラスタの他のアイテムを，意外性のある推薦結果とする方式が述べられている。
また，特許文献１において，顧客プロファイルのキーワードベクトルと未購入の書籍のキーワードベクトルをカテゴリ毎に求め，ベクトルの類似度を異なるカテゴリ間で計算し（交差マッチング）求められた類似アイテムを意外性のある推薦結果とする方式が述べられている。

また，特許文献２において，ユーザが推薦情報を受け取った際に選択したアイテムに加え，選択しなかったアイテムの情報を保持し，アイテム特徴空間における両者の境界付近のアイテムを次回推薦アイテムとする方式が述べられている。

特開2001-265808「情報検索システム及び情報検索方法」 PPCT/JP09/000666「推薦方法，そのシステム，及びサーバ」

G. Linden et al.: "Amazon.com Recommendations, Item-to-Item Collaborative Filtering", IEEE Internet Computing, 2003. 加藤由花他: "オンラインショッピングを対象とした正確性と意外性のバランスを考慮したレコメンダシステム", 情報処理学会論文誌, Vol.46, No. SIG 13 (TOD 27), Sep. 2005.

協調フィルタリング方式では、部分的に履歴が類似した別ユーザの全履歴中、未推薦の部分を参照して推薦アイテムを決定する方式が主体であり、一般に、意外性のある推薦、即ちユーザにとって関心はあるが、容易に想定できない項目を推薦することは難しい。

また、非特許文献２に記載の推薦方法では、アイテム情報を用いてクラスタを形成しているため，クラスタが固定され，ユーザの嗜好が変わらない限り常に同じクラスタからレコメンド結果が出力されること，及びユーザの嗜好アイテムと同クラスタのアイテムが推薦されるため，類似しており，必ずしも意外性があるとは言えないという問題があった。

また、特許文献１に記載の推薦方法では、同じカテゴリであって，かつ意外なアイテムは，推薦できないという問題があった。また，カテゴリ分けされていないアイテムでは本発明が適用できなかった。
また、特許文献２に記載の推薦方法では、選択しなかったアイテムの情報が無い場合には本発明が適用できなかった。また，意外で推薦として有効なアイテムではなく，意外性も有効性も中間のアイテムが推薦されるという問題があった。
本発明の課題は、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、及びそのシステム等を提供することにある。

上記の課題を解決するため、本発明においては、処理部と記憶部とを備えたサーバを用い、ユーザがアイテムの選択を行った履歴を記憶し，該履歴に基づいて推薦を行う情報推薦方法，並びに情報推薦システムであって，処理部は，アイテム特徴空間を構築し，該履歴から該空間上での選択アイテムの分布を分析し，該分布の中心に近く，且つ該分布形状から離れている未選択アイテムを推薦アイテムとする情報推薦方法，並びに情報推薦システムを提供する。

また，処理部は，該履歴の分布の偏りを求め，偏りが小さい方向では値が大きく，偏りが大きい方向では値が小さくなる意外性係数を求め，該係数が大きく，該分布中心からの距離が小さい未選択アイテムを推薦アイテムとする情報推薦方法，並びに情報推薦システムを提供する。

本発明によれば、アイテム特徴空間上で，嗜好中心から近く，且つユーザの行動範囲から離れているアイテムを推薦することが出来る。特徴空間上で距離が近いアイテムは類似しているため，嗜好中心に近いアイテムはユーザの嗜好に合っていると考えられ，また，行動範囲から離れていると予測が困難であると考えられるため，意外性が高い。従って，ユーザにとって意外性のある推薦を行うことが出来る。

また，本発明によれば、カテゴリデータや非選択アイテム等のデータは必要なく，ユーザの選択履歴のみを用いて，ユーザにとって意外性のある推薦を行うことが出来る。

情報推薦装置のシステム構成の一例を示す図である。情報推薦方法の一例を示す全体フローチャートである。アイテム属性のデータ構造の一例を示す図である。アイテム選択履歴のデータ構造の一例を示す図である。アイテム特徴空間の軸を求める式の一例である。行動空間特徴行列を求める式の一例である。推薦指標を求める式の一例である。推薦アイテム決定方法の一例を示すＰＡＤ図である。情報推薦装置のシステム構成の別の一例を示す図である。アイテムリスト生成方法の別の一例を示すフローチャートである。推薦アイテムの範囲を求める式の一例である。推薦アイテムの範囲を示すイメージ図である。ＥＣサイト等における商品推薦システム構成の一例を示す図である。ＥＣサイト等における商品推薦方法の一例を示す全体フローチャートである。ＥＤＩ／ＭＲＯサービス等における新規サプライヤ推薦システム構成の一例を示す図である。ＥＤＩ／ＭＲＯサービス等における新規サプライヤ推薦方法の一例を示す全体フローチャートである。ＳＮＳサービス等における友達推薦システム構成の一例を示す図である。ＳＮＳサービス等における友達推薦方法の一例を示す全体フローチャートである。

以下、本発明を実施するための形態を図面に従い説明する。
まず，図１を用いて，本発明のシステム構成例を示す。該システムは，推薦アイテムを求める処理部（１００）と，アイテム属性（１２０）並びにユーザ毎のアイテム選択履歴（１２１）を記憶する記憶部（１０１），及びユーザに推薦アイテムを提示したり，ユーザが該推薦アイテムからアイテムを選択したりするための入出力部（１０２）から構成される。ここで，アイテム属性（１２０）並びにアイテム選択履歴（１２１）におけるアイテムとは，推薦対象であり，購入の際のおすすめ商品を求めるＥＣサイト等では商品，新たな友達を推薦するＳＮＳ等では友達，新たな購入先を提案するＥＤＩ／ＭＲＯサービス等ではサプライヤーである。

また，アイテム属性（１２０）とは，該アイテムに関する情報であり，例えばアイテムが食品である場合，該食品のカロリー，糖分等，アイテムが人である場合には，該人物の年齢，身長等である。また，アイテム選択履歴（１２１）とは，ユーザが選択したアイテムの種類と回数が記録されたデータであり，選択アイテムとは，入出力部（１０２）に出力された推薦結果リストからユーザが実際に選択したアイテム，または，アイテムが商品の場合には，購入したアイテムである。

次に，図１と図２を用いて，全体処理を説明する。まず，アイテム集合が決定された時点で，アイテム特徴空間計算部（１１０）が，アイテム属性（１２０）を用いて，アイテム特徴空間を構築する（２００）。ここで，アイテム集合が決定された時点とは，例えばＥＣサイトの場合，商品の品揃えが確定した時点である。次に，ユーザが推薦アイテムを求めた時点で，アイテム選択分布分析部（１１１）が，アイテム選択履歴（１２１）を用いて，該ユーザのアイテム選択分布を求める（２０１）。次に，求められた分布を基に，意外性係数・嗜好距離併用推薦指標計算部（１１２）が，推薦指標を計算し，該指標に基づき，推薦アイテム決定部（１１３）が，推薦アイテムリストを生成する（２０２）。

次に，図３を用いて，アイテム属性（１２０）を説明する。該データは，アイテム（３１１〜３１４）を行とし，属性（３０１〜３０４）を列とする行列で表される。例えば，アイテムｉの属性ｊの値は値ｉｊ（３００）となる。例えばアイテムが食品であり，アイテムｉが「にんじんのポタージュ」，属性ｊが「カロリー」である場合，値ｉｊは例えば「150kcal」となる。
次に，図４を用いて，アイテム選択履歴（１２１）を説明する。該データはユーザ（４１１〜４１４）を行とし，アイテム（４０１〜４０４）を列とする行列で表される。例えば，ユーザｋがアイテムｉを３回選択若しくは購入した場合，値ｋｉは「３」となる。

次に，図５を用いて，アイテム特徴空間計算部（１１０）が行うアイテム特徴空間構築処理（２００）を説明する。アイテムを空間上の点（特徴点）で表し，類似したアイテムに対応する特徴点間の距離が小さくなるように特徴空間を構築する。一般にアイテムの各属性その物を軸とする空間を考えた場合，属性値が類似したアイテムの特徴点間距離は小さくなるが，値の大きさやバラツキが属性毎に異なり，属性間に相関が存在することがあるため，特徴空間としては不適切である。

例えばアイテムが食品である場合，属性「カロリー」は数十から数百の値であるのに対し，属性「塩分」はほぼ２より小さな値である。このまま特徴点間のユークリッド距離を求めても，塩分の差はわずかな違いしかないため，アイテム間の類似度はほとんどカロリーで決まってしまう。また，属性「カロリー」と属性「糖分」とで相関がある場合，両者の値の大小が他の属性より類似度に大きな影響を与えることになる。以上から，アイテム属性（１２０）に対し，相関行列を用いた主成分分析を行う。主成分分析は，アイテム属性（１２０）のような複数のアイテムが複数の属性値で表現されているデータに対し，図５に示した属性値（５０２）の線形結合（５００）の中で，アイテムに対して互いに独立で分散が大きくなるような係数（５０１）の組を求める。該分析は，属性値の相関行列の固有値問題に帰着することが知られており（上田尚一: 主成分分析, 朝倉書店, 2003等），求められた固有ベクトルの成分が求める係数（５０１），固有値は線形結合値（主成分得点）（５００）の分散を表す。

ここで，小さな固有値に対応する線形結合（主成分）は，アイテム間で値の差が少ないため，アイテムの類似／相違を計測する値として役立たない。従って，固有値が１以上の固有ベクトルに対応する主成分のみを選択し（一般にカイザー基準を呼ばれる），さらにアイテムが特徴空間上で一様に分布するよう，固有値の二乗根で主成分得点を割った値（５１０）を特徴空間上の座標値とする。この場合，特徴空間の次元数は１以上の固有値数に等しい。

次に，図６を用いて，選択アイテム分布分析部（１１１）が行うユーザ選択アイテム分析処理（２０１）を説明する。ユーザ毎の選択アイテム分布の偏りは行動空間特徴行列（６００）で表される。該行列は，ユーザが選択したアイテムの属性値の分散共分散行列（６０１）の逆行列であり，該分散共分散行列は図６に示した式で計算される。ここで，６０１はアイテム選択履歴（１２１，図４）の要素で，ユーザｋ，アイテムｉに対応する値であり，６０４はユーザｋの選択アイテム属性の平均ベクトル（嗜好中心）であり，６０５はアイテム特徴空間構築処理（２００）で求めたアイテムｉの第ｐ軸の座標値（５１０）であり，６０３は該座標値を成分とするアイテムｉの特徴空間上の位置ベクトルである。

次に，図７を用いて，意外性係数・嗜好距離併用推薦指標計算部（１１２）における推薦指標計算方法を説明する。推薦指標（７００）は意外性係数（７０１）と嗜好距離（７０２）の積で表される。意外性係数（７０１）は嗜好距離（７０２）とユーザ行動空間距離（７０３）の比で表される。嗜好距離（７０２）は嗜好中心（６０４）と特徴空間上のアイテム座標（６０３）との間のユークリッド距離で，ユーザ行動空間距離（７０３）は選択アイテム属性値の分散共分散行列に対するマハラノビス距離に相当する。嗜好距離（７０２）が小さいアイテムは，過去にユーザが選択した複数のアイテムの重心に近接しているので，該選択アイテムに類似したアイテムであり，ユーザが選択したいアイテムであることが期待できる。また，ユーザ行動空間距離（７０３）が大きいアイテムは，過去にユーザが選択した複数のアイテムの分布から離れているので，ユーザの行動分布とは異なり，予測が困難なアイテムであることが期待できる。従って，これらの距離の比である意外性係数（７０１）はが小さいアイテムは，ユーザが選択したいアイテムであり且つ予測が困難であることが期待できる。

次に，図８を用いて推薦アイテム決定部（１１３）における推薦アイテム決定方法を説明する。まず，ユーザｋの全ての非選択アイテム（アイテム選択履歴（図４）において値ｋｉ＝０であるアイテムｉ）に対し（８００），意外性係数・嗜好距離併用推薦指標計算部（１１２）で推薦指標を計算する（８０１）。次に，求められた推薦指標の昇順で該アイテムをソートする（８０２）。推薦指標が小さい順に推薦アイテムとする（８０３）。この時，推薦アイテム数ｎをシステム管理者若しくはユーザが指定することも出来る。その場合，推薦指標が小さい順に上位ｎ番目までのアイテムが決定される。

次に，図７，図９〜図１２を用いて，アイテムリスト生成（２０２）の別の実施例を説明する。まず，入出力部（９００）から，嗜好距離上限（１１０１），ユーザ行動空間距離下限（１１０２）を入力する（１００１）。次に，嗜好距離・ユーザ行動空間距離計算部（９０１）において，ユーザｋの全ての非選択アイテム（アイテム選択履歴（図４）において値ｋｉ＝０であるアイテムｉ）に対し，嗜好距離（７０２）並びにユーザ行動空間距離（７０３）を計算する（１００２）。次に，推薦アイテム決定部（９０２）において，嗜好距離（７０２）が上限（１１０１）以下であり（１１１０），且つユーザ行動空間距離（７０３）が下限（１１０２）以上であるアイテムを推薦アイテムと決定する（１００３）。アイテム特徴空間構築処理（２００）において構築された特徴空間を，図１２に示すように模式的に２次元で表し，推薦対象であるアイテムを平面状の円で表した場合，ユーザの選択アイテムを白丸（１２０１）とすると，該アイテムの重心（１２００）が嗜好中心（６０４）になり，入力された嗜好距離上限（１１０１）以下の範囲は１２０２で表される円（２次元球）の内側になる。また，入力されたユーザ行動空間距離下限（１１０２）以上の範囲は，選択アイテムの分布形状を表す１２０３の外側になる。従って，２つの範囲の共通部分である太線で囲んだ範囲（１２０４）に含まれる，黒丸で表したアイテム（１２０５）が推薦アイテムとなる。

次に，図１３と図１４を用いて，本発明をＥＣサイト等における商品推薦へ応用した例を説明する。まず，商品の品揃えが決まると，商品特徴空間計算部（１３１０）が，商品属性（１３２０）を用いて，商品特徴空間を構築する（１４００）。ここで，商品属性とは，商品の形態や材料，用途等を表す数値であり，例えば商品が食品の場合，食品のカロリー，塩分等が属性である。該処理は，商品の品揃えが変更になる度に実行される。次に，ユーザが商品を購入すると，購入商品分布分析部（１３１１）が，商品購入履歴（１３２１）を用いて，該ユーザの特徴分布を求める（１４０１）。該処理は，ユーザが商品を購入する度に実行される。次に，ユーザが推薦商品を要求すると，１４０１にて求められた分布を基に，意外性係数・嗜好距離併用推薦指標計算部（１３１２）が，推薦指標を計算し，該指標に基づき，推薦商品決定部（１３１３）が，推薦商品リストを生成する（１４０２）。

次に，図１５と図１６を用いて，本発明をＥＤＩ／ＭＲＯサービス等における新規サプライヤ推薦へ応用した例を説明する。まず，該サービスに参加するサプライヤが決まると，サプライヤ特徴空間計算部（１５１０）が，サプライヤ属性（１５２０）を用いて，サプライヤ特徴空間を構築する（１６００）。ここで，サプライヤ属性とは，サプライヤの特徴を表す数値であり，例えば資本金，売上高等が属性である。該処理は，参加サプライヤが変更になる度に実行される。次に，ユーザが商品を購入すると，取引履歴分析部（１５１１）が，取引履歴（１５２１）を用いて，該ユーザの取引先特徴分布を求める（１６０１）。該処理は，ユーザが取引を行う度に実行される。次に，ユーザが推薦新規サプライヤを要求すると，１６０１にて求められた分布を基に，意外性係数・嗜好距離併用推薦指標計算部（１５１２）が，推薦指標を計算し，該指標に基づき，推薦サプライヤ決定部（１５１３）が，推薦サプライヤリストを生成する（１６０２）。

次に，図１７と図１８を用いて，本発明をＳＮＳサービス等における友達推薦へ応用した例を説明する。まず，該サービスに参加するメンバが決まると，メンバ特徴空間計算部（１７１０）が，メンバ属性（１７２０）を用いて，メンバ特徴空間を構築する（１８００）。ここで，メンバ属性とは，メンバの特徴を表す数値であり，例えば年齢，身長等が属性である。該処理は，参加メンバが変更になる度に実行される。次に，ユーザが他のメンバとブログやチャット等を通じて対話すると，対話履歴分析部（１７１１）が，対話履歴（１７２１）を用いて，該ユーザの対話履歴特徴分布を求める（１８０１）。該処理は，ユーザが対話を行う度に実行される。次に，ユーザが新たな対話相手の推薦を要求すると，１８０１にて求められた分布を基に，意外性係数・嗜好距離併用推薦指標計算部（１７１２）が，推薦指標を計算し，該指標に基づき，推薦メンバ決定部（１７１３）が，推薦メンバリストを生成する（１８０２）。

１００，１１１〜１１３，９０１，９０２，１３００，１３１０〜１３１３，１５００，１５１０〜１５１３，１７００，１７１０〜１７１３…処理部
１０２，９００，１３０２，１５０２，１７０２…入出力部
１２０，１３２０，１５２０，１７２０…アイテム属性
１２１，６０２，１３２１，１５２１，１７２１…アイテム選択履歴
３０１〜３０４，５０２…属性値
３１１〜３１４，４０１〜４０４…アイテム
４１１〜４１４…ユーザ
５００…主成分
５０１…係数
５１０，６０５…特徴空間座標値
６００…行動空間特徴行列
６０１…属性値の分散共分散行列
６０３…特徴空間位置ベクトル
６０４，１２００…嗜好中心
７００…推薦指標
７０１…意外性係数
７０２…嗜好距離
７０３…ユーザ行動空間距離
１１０１，１２０２…嗜好距離上限
１１０２，１２０３…ユーザ行動空間距離下限
１１１０，１１２０，１２０４…推薦アイテム範囲
１２０１…選択アイテム
１２０５…推薦アイテム

Claims

選択アイテム分布分析部と、推薦指標計算部および表示部とを備えた情報推薦装置を用いて、アイテムの属性データから，ユーザへ推薦アイテムを提示する方法において，
前記選択アイテム分布分析部において、前記アイテムをユーザが選択した選択履歴から，ユーザの嗜好分布を解析し，
前記推薦指標計算部において、前記嗜好分布の中心に近く，嗜好分布形状から離れている推薦指標を算出し、
前記表示部において、算出された前記推薦指標に基づいて、推薦するアイテムを表示することを特徴とする情報推薦方法。
請求項１の情報推薦方法において，該選択履歴の分布の偏りを求め，偏りが小さい方向では値が大きく，偏りが大きい方向では値が小さくなる意外性係数と，該嗜好分布中心からの距離を組み合わせることにより，嗜好分布の中心に近く，嗜好分布形状から離れているアイテムを出力することを特徴とする情報推薦方法。
請求項２の情報推薦方法において，意外性係数として該嗜好分布中心からのユークリッド距離とマハラノビス距離との比を用いることを特徴とする情報推薦方法。
請求項２の情報推薦方法において，該嗜好分布中心からのユークリッド距離と，該選択履歴に対してカーネル主成分分析を行い，各主成分を該当する固有値で基準化した値の二乗和の平方根との比を意外性係数とすることを特徴とする情報推薦方法。
請求項２の情報推薦方法において，非選択アイテムの意外性係数と該嗜好分布中心からの距離の積，または線形和を求め，該値の小さい順に推薦アイテムとすることを特徴とする情報推薦方法。
アイテムの属性データからユーザへの推薦アイテムを選択する情報推薦装置において，
前記アイテムをユーザが選択した選択履歴からユーザの嗜好分布を解析することを特徴とする選択アイテム分布分析部と，前記嗜好分布の中心に近く嗜好分布形状から離れているアイテムに対応する値が小さくなることを特徴とする推薦指標を計算する推薦指標計算部を有することを特徴とする情報推薦装置。
請求項６の情報推薦装置において，該選択履歴の分布の偏りを求め，偏りが小さい方向では値が大きく，偏りが大きい方向では値が小さくなる意外性係数と，該嗜好分布中心からの距離を計算し組み合わせることにより，嗜好分布の中心に近く，嗜好分布形状から離れているアイテムに対応する値が小さくなることを特徴とする推薦指標を計算する意外性係数・嗜好距離併用推薦指標計算部を有することを特徴とする情報推薦装置。
請求項７の情報推薦装置において，意外性係数として該嗜好分布中心からのユークリッド距離とマハラノビス距離との比を用いる意外性係数・嗜好距離併用推薦指標計算部を有することを特徴とする情報推薦装置。
請求項７の情報推薦装置において，該嗜好分布中心からのユークリッド距離と，該選択履歴に対してカーネル主成分分析を行い，各主成分を該当する固有値で基準化した値の二乗和の平方根との比を意外性係数とすることを特徴とする意外性係数・嗜好距離併用推薦指標計算部を有することを特徴とする情報推薦装置。
請求項７の情報推薦装置において，非選択アイテムの意外性係数と該嗜好分布中心からの距離の積，または線形和を求め，該値の小さい順に推薦アイテムとすることを特徴とする推薦アイテム決定部を有することを特徴とする情報推薦装置。
請求項１の情報推薦方法において，該嗜好分布の中心からの上限距離と該選択履歴分布からの下限距離を入力とし，特徴空間上で該嗜好分布中心から該上限以内で且つ該選択履歴分布から該下限距離以上のアイテムを出力することを特徴とする情報推薦方法。
アイテムの属性データからユーザへの推薦アイテムを選択する情報推薦装置において，
前記アイテムをユーザが選択した選択履歴からユーザの嗜好分布を解析することを特徴とする選択アイテム分布分析部と，前記嗜好分布の中心からの距離である嗜好距離と嗜好分布形状からの乖離度であるユーザ行動空間距離を計算する嗜好距離・ユーザ行動空間距離計算部を有することを特徴とする情報推薦装置。