JP6457358B2 - アイテム推薦システム、アイテム推薦方法およびプログラム - Google Patents

Description

本発明の実施形態は、アイテム推薦システム、アイテム推薦方法およびプログラムに関する。

Ｗｅｂページ検索サービス、ＥＣ（Electronic Commerce）サービス、ニュース配信サービスなど、様々なサービスの分野でアイテム推薦システムが利用されている。アイテム推薦システムとは、多種多様なアイテムを含むアイテム群の中からユーザに推薦するアイテム（以下、「推薦アイテム」と呼ぶ。）を選択し、提示するシステムである。典型的なアイテム推薦システムは、アイテム群の中からユーザの嗜好性に適合すると予測される推薦アイテムを選択してユーザに提示する。例えば、アイテム群に含まれる各アイテムに対し、ユーザの嗜好性に適合する度合いを表す予測評価値を算出し、予測評価値が高いアイテムを推薦アイテムとして選択してユーザに提示する。

一方、ユーザの嗜好性に適合するアイテムであっても既知であれば有用ではないという問題意識から、セレンディピティ（serendipity）を重視した推薦アイテムをユーザに提示する試みもある。セレンディピティとは、目新しさ、意外性、思いがけなさなどを包含する概念である。セレンディピティを直接定量評価することは難しいため、様々な代替指標が提案されている。その１つとして、多様性（diversity）を用いる試みがある。ここでの多様性とは、ユーザに提示する推薦アイテムどうしが互いに似ていないことである。これを用いたアイテム推薦システムは、広範囲の分野の推薦アイテムをユーザに提示する。その中に、ユーザにとって意外性がありかつ興味深い推薦アイテムが含まれていると、大きなユーザ満足度を生み出すことができる。

ユーザの嗜好性に適合すると予測される推薦アイテムを提示する手法は、セレンディピティを重視した推薦アイテムを提示する手法のように大きなユーザ満足度を生み出すことは期待できないが、ユーザが関心を持たない推薦アイテムのみを提示する可能性が低いため、推薦結果に対するユーザ満足度の分散は小さい（安定している）という特徴がある。逆に、セレンディピティを重視した推薦アイテムを提示する手法は、ときには大きなユーザ満足度を生み出すこともあるが、ユーザが関心を持たない推薦アイテムのみを提示する可能性も高いため、推薦結果に対するユーザ満足度の分散は大きいという特徴がある。そこで、両手法を融合し、推薦結果に対するユーザ満足度の安定化を図りつつ高いユーザ満足度を生み出すことも期待できるようにしたアイテム推薦システムも提案されている。例えば、ユーザの嗜好性に適合する推薦アイテムのリストに新製品やあまり知られていないアイテムを混合してユーザに提示するシステムがある。

J．Canny．Collaborative filtering with privacy via factor analysis．In Proc．Of the25th Annual ACM SIGIR Conf．on Research and Development in Information Retrieval，pp．238．245，2002． N．Hurley．Keynote：Towards diverse recommendation．In RecSys Workshop：Novelty and Diversity in Recommender Systems，p．1，2011． C．-N．Ziegler，S．M．McNee，J．A．Konstan，and G．Lausen．Improving recommendation lists through topic diversification．In Proc．Of the 14th Int’l Conf．onWorldWide Web，pp．22．32，2005． K．Swearingen and R．Sinha．Beyond algorithms：An hci perspective on recommender systems．In SIGIR Workshop on Recommender Systems，2001．

アイテム推薦システムを用いるサービスの運用面においては、ユーザ離反の発生リスク、つまりユーザがサービスの利用を取りやめたり、利用するサービスを他の代替サービスに切り替えたりするリスクをいかに低減できるかが重要である。平均的に見るとある程度高いユーザ満足度が得られる推薦結果を提示したとしても、局所的にユーザ満足度が低い推薦結果の提示が連続すると、ユーザ離反の発生リスクが高まる。すなわち、期待外れの推薦結果が提示されると、ユーザはサービスへの不信感を抱き始める。そして、期待外れの推薦結果の提示が許容回数を超えて連続すると、ユーザは我慢できなくなって当該サービスの利用を取りやめたり、利用するサービスを他の代替サービスに切り替えたりする可能性がある。このため、ユーザ離反の発生リスクを低減しつつ、推薦結果に対して安定的かつ高いユーザ満足度が得られることを期待できる仕組みの構築が求められる。

本発明が解決しようとする課題は、ユーザ離反の発生リスクを低減しつつ、推薦結果に対して安定的かつ高いユーザ満足度が得られることを期待できるアイテム推薦システム、アイテム推薦方法およびプログラムを提供することである。

実施形態のアイテム推薦システムは、第１推薦エンジンと、第２推薦エンジンと、混合器と、ユーザインターフェースと、算出部と、比率制御部と、を備える。第１推薦エンジンは、アイテム群の中から、ユーザの嗜好性に適合すると予測される第１推薦アイテムを選択する。第２推薦エンジンは、前記アイテム群の中から、ユーザの嗜好性に適合しないが関心を持つことが期待される第２推薦アイテムを選択する。混合器は、前記第１推薦アイテムと前記第２推薦アイテムとを混合して、ユーザに提示する推薦アイテム群を生成する。ユーザインターフェースは、前記推薦アイテム群を操作可能にユーザに提示する。算出部は、前記推薦アイテム群に対するユーザの操作に基づいて、前記推薦アイテム群に対するユーザの満足度を表す関心率を算出する。比率制御部は、前記関心率に基づいて、前記混合器が生成する前記推薦アイテム群の前記第１推薦アイテムと前記第２推薦アイテムとの混合比率を切り替える。

図１は、アイテム推薦システムの構成例を示すブロック図である。 図２は、利用履歴情報のデータ構造の一例を示す図である。 図３は、混合器による処理手順の一例を示すフローチャートである。 図４は、ＵＩデバイスの画面表示例を示す図である。 図５は、関心率算出部による処理手順の一例を示すフローチャートである。 図６は、関心率履歴情報のデータ構造の一例を示す図である。 図７は、比率制御部による処理手順の一例を示すフローチャートである。 図８は、サーバ装置のハードウェア構成の一例を概略的に示すブロック図である。

以下、実施形態のアイテム推薦システム、アイテム推薦方法およびプログラムを、図面を参照して詳細に説明する。

本実施形態のアイテム推薦システムは、多種多様のアイテムを含むアイテム群の中から推薦アイテムを選択する推薦エンジンとして、タイプの異なる２つの推薦エンジンを備える。１つは、ユーザの嗜好性に適合すると予測される推薦アイテムを選択する推薦エンジンであり、もう１つは、ユーザの嗜好性に適合しないが関心を持つことが期待される推薦アイテムを選択する推薦エンジンである。後者の推薦エンジンは、ユーザにとって意外性を持つ推薦アイテムを選択することになるため、セレンディピティを重視した推薦アイテムを選択するものと言える。本実施形態のアイテム推薦システムは、これら２つの推薦エンジンがアイテム群の中から選択した推薦アイテムを混合して推薦アイテム群を生成し、ユーザに提示する。

本実施形態では、上述した２つの推薦エンジンのうち、前者の推薦エンジンを「第１推薦エンジン」と呼び、後者の推薦エンジンを「第２推薦エンジン」と呼ぶ。また、アイテム群の中から第１推薦エンジンが選択した推薦アイテムを「第１推薦アイテム」と呼び、第２推薦エンジンが選択した推薦アイテムを「第２推薦アイテム」と呼ぶ。また、第１推薦エンジンと、第２推薦エンジンと、第１推薦アイテムと第２推薦アイテムとを混合して推薦アイテム群を生成する混合器とを含む上位モジュールを、「混合型推薦エンジン」と呼ぶ。

本実施形態のアイテム推薦システムは、さらに、ユーザに提示した推薦アイテム群に対するユーザ満足度を評価する仕組みを持ち、ユーザ満足度に応じて、推薦アイテム群における第１推薦アイテムと第２推薦アイテムとの混合比率を切り替える。具体的には、例えば直近にユーザに提示した推薦アイテム群に対するユーザ満足度が低い状態が続いている場合は、面白みに欠けるが安定的なユーザ満足度が得られる第１推薦アイテムの割合を、それまでに提示した推薦アイテム群における第１推薦アイテムの割合よりも大きくなるように、第１推薦アイテムと第２推薦アイテムとの混合比率を切り替える。これにより、ユーザ離反の発生リスクが高くなる局面において、ユーザに対して期待外れの推薦アイテム群を提示し続けることを抑制して、ユーザ離反の発生リスクを低減することができる。

なお、本実施形態のアイテム推薦システムは、様々なサービス分野での応用が可能である。例えば、Ｗｅｂページ検索サービス、ネット広告サービス、ＥＣサービス（小売店、旅行代理店など）、ニュース配信サービス（メールマガジン、ポータルサイト、スマートフォン向けニュースアプリなど）、コンテンツ配信サービス（映画、音楽、書籍など）、案内サービス（街案内や施設案内を行うスマートフォンアプリ、サイネージ、カーナビなど）などのサービス分野において、本実施形態のアイテム推薦システムは有効に適用可能である。

図１は、本実施形態のアイテム推薦システム１の構成例を示すブロック図である。アイテム推薦システム１は、図１に示すように、混合型推薦エンジン１０と、ＵＩデバイス２０（ユーザインターフェース）と、関心率算出部３０（算出部）と、比率制御部４０とを備える。

混合型推薦エンジン１０は、ユーザＤＢ（データベース）５０に格納されたユーザ情報や、利用履歴ＤＢ６０に格納された利用履歴情報などに基づき、アイテムＤＢ７０に格納された多種多様なアイテムを含むアイテム群の中から推薦アイテムを選択し、推薦アイテム群を出力する。

ユーザＤＢ５０には、アイテム推薦システム１の利用者として登録されたすべての登録ユーザに関する各種の情報（ユーザ情報）が、登録ユーザに割り当てられたユーザＩＤに対応付けて格納されている。登録ユーザに関する各種の情報には、登録ユーザの氏名、年齢、性別などの基本情報のほか、例えば、職業、好きなスポーツ、好きな音楽のジャンルなど、登録ユーザの嗜好性を判断する上で有用な情報が含まれる。これらの情報は、例えば、登録ユーザがアイテム推薦装置１にログインする際に入力するユーザＩＤ（あるいはユーザＩＤと対応付けて管理しているアカウント名などの入力情報）をキーとして、ユーザＤＢ５０から検索することができる。

利用履歴ＤＢ６０には、過去に提示された推薦アイテム群の中で登録ユーザが関心を持ったアイテムに関する情報、つまり、登録ユーザが過去にどの推薦アイテムを受理して利用したかを示す情報（利用履歴情報）が、その登録ユーザのユーザＩＤに対応付けて格納されている。この情報は、例えば、登録ユーザがアイテム推薦システム１にログインする際に入力するユーザＩＤ（あるいはユーザＩＤと対応付けて管理しているアカウント名などの入力情報）をキーとして、利用履歴ＤＢ６０から検索することができる。

アイテムＤＢ７０には、多種多様なアイテムを含むアイテム群が格納されている。アイテムＤＢ７０に格納されるアイテム群は、アイテム推薦システム１が適用されるサービスの種類に応じて異なる。例えば、アイテム推薦システム１をニュース配信サービスに適用する場合、アイテム群に含まれるアイテムは、多種多様なニュース記事である。

なお、ユーザＤＢ５０、利用履歴ＤＢ６０およびアイテムＤＢ７０は、混合型推薦エンジン１０がアクセス可能な任意の記憶装置に保持されている。

混合型推薦エンジン１０は、図１に示すように、第１推薦エンジン１１と、第２推薦エンジン１２と、混合器１３とを内部に持つ。

第１推薦エンジン１１は、アイテムＤＢ７０に格納されたアイテム群の中から、推薦アイテム群を提示する対象となるユーザ（以下、「対象ユーザ」と呼ぶ。）の嗜好性に適合すると予測される第１推薦アイテムを選択する。このような第１推薦エンジン１１としては、これまでに様々な手法が提案されているが、ここでは基礎的な手法として、非特許文献１に開示されている行列分解を用いた協調フィルタリング手法を用いるものとする。当該手法は、未評価アイテム（過去に対象ユーザに提示していないアイテム）に対する対象ユーザの予測評価値を算出する。予測評価値は、アイテムが対象ユーザの嗜好性に適合する度合いを表す。第１推薦エンジン１１は、アイテムＤＢ７０に格納されたアイテム群の中から、予測評価値が高いアイテムを第１推薦アイテムとして選択する。例えば、アイテム群に含まれるアイテムを予測評価値が高い順にソートして、最上位のアイテムから順に第１推薦アイテムとして選択する。

第２推薦エンジン１２は、アイテムＤＢ７０に格納されたアイテム群の中から、対象ユーザの嗜好性に適合しないが関心を持つことが期待される第２推薦アイテムを選択する。ここでは、対象ユーザの嗜好性に適合しないが関心を持つことが期待されるアイテムであるかどうかの判定に、セレンディピティ指標値を用いる。セレンディピティ指標値は、対象ユーザが関心を持つ確率を表す第１の値と対象ユーザの嗜好性から離れている度合いを表す第２の値との積を用いて算出される。より好ましくは、セレンディピティ指標値は、上述した第１の値と第２の値との積と、不特定ユーザが関心を持つ確率を表す第３の値との線形和により算出される。

セレンディピティ指標値の算出に用いる計算式の一例を下記式（１）に示す。なお、下記式（１）において、“Ｓｃｏｒｅ＿ｓ”がセレンディピティ指標値を表し、“Ｓｃｏｒｅ＿ｐ”は第１推薦エンジン１１が算出する予測評価値（ただし、値域は［０，１］とする）、“Ｉｎｔｅｒｅｓｔ”は不特定ユーザが関心を持つ確率、“α”は式（１）の右辺第１項と第２項の重み付けに用いる重み係数（０以上１以下の定数）をそれぞれ表している。
Ｓｃｏｒｅ＿ｓ＝α×（Ｓｃｏｒｅ＿ｐ×（１−Ｓｃｏｒｅ＿ｐ））＋（１−α）×Ｉｎｔｅｒｅｓｔ ・・・（１）

ここで、上述した第１推薦エンジン１１が算出する予測評価値“Ｓｃｏｒｅ＿ｐ”は、対象ユーザが関心を持つ確率を表す値であると捉えることもできる。このため、上記式（１）では、上述した第１の値としてこの予測評価値“Ｓｃｏｒｅ＿ｐ”を用いている。また、１から予測評価値“Ｓｃｏｒｅ＿ｐ”を減算した値は、対象ユーザの嗜好性から離れている度合いを表していると言える。このため、上記式（１）では、上述した第２の値として、１から予測評価値“Ｓｃｏｒｅ＿ｐ”を減算した値“１−Ｓｃｏｒｅ＿ｐ”を用いている。ただし、上記式（１）はセレンディピティ指標値の算出に用いる計算式の一例であり、対象ユーザが関心を持つ確率を表す第１の値として、“Ｓｃｏｒｅ＿ｐ”以外の他の値を用いてもよいし、対象ユーザの嗜好性から離れている度合いを表す第２の値として、“１−Ｓｃｏｒｅ＿ｐ”以外の他の値を用いてもよい。

また、上記式（１）の右辺第２項の不特定ユーザが関心を持つ確率“Ｉｎｔｅｒｅｓｔ”は、例えば、利用履歴ＤＢ６０に格納されている利用履歴情報を用いて算出することができる。この場合、利用履歴情報は、例えば図２に示すようなデータ構造で利用履歴ＤＢ６０に格納される。すなわち、利用履歴情報は、不特定ユーザに対して過去に推薦アイテムとして提示したアイテムのアイテムＩＤ、提示時刻、そのアイテムを利用したか否かを示す利用有無の情報を、そのアイテムの提示を受けたユーザのユーザＩＤに対応付けたデータ構造とされる。図２の例では、アイテムＩＤが“ＩＤ４３２１”のアイテムは、ユーザＩＤが“ＩＤ０００１”のユーザに利用され、ユーザＩＤが“ＩＤ０００２”のユーザには利用されなかったことが分かるので、アイテムＩＤが“ＩＤ４３２１”のアイテムに対して不特定ユーザが関心を持つ確率“Ｉｎｔｅｒｅｓｔ”は１／２＝０．５と算出できる。なお、図２に示した利用履歴情報のデータ構造はあくまで一例であり、これに限らない。また、不特定ユーザが関心を持つ確率“Ｉｎｔｅｒｅｓｔ”を、利用履歴ＤＢ６０に格納されている利用履歴情報とは別の情報に基づいて算出する構成であってもよい。

なお、上記式（１）の右辺第２項はオプショナルな項であり、必須ではない。つまり、不特定ユーザが関心を持つ確率を考慮せずに、アイテムに対するセレンディピティ指標値を算出するようにしてもよい。この場合、セレンディピティ指標値“Ｓｃｏｒｅ＿ｓ”の算出に用いる計算式は、下記式（２）のように単純化される。
Ｓｃｏｒｅ＿ｓ＝Ｓｃｏｒｅ＿ｐ×（１−Ｓｃｏｒｅ＿ｐ） ・・・（２）

第２推薦エンジン１２は、アイテムＤＢ７０に格納されたアイテム群の中から、以上のように算出されるセレンディピティ指標値が高いアイテムを第２推薦アイテムとして選択する。例えば、アイテム群に含まれるアイテムをセレンディピティ指標値が高い順にソートして、最上位のアイテムから順に第２推薦アイテムとして選択する。

混合器１３は、第１推薦エンジン１１が選択した第１推薦アイテムと第２推薦エンジン１２が選択した推薦アイテムとを混合して推薦アイテム群を生成し、ＵＩデバイス２０に出力する。混合器１３が推薦アイテム群を生成する際の第１推薦アイテムと第２推薦アイテムとの混合比率は、比率制御部４０により制御される。

本実施形態では、単純にアイテムの個数をベースに第１推薦アイテムと第２推薦アイテムとを混合する方式を採る。図３は、混合器１３による処理手順の一例を示すフローチャートである。混合器１３は、以下のステップＳ１０１〜ステップＳ１０４の処理を実行することにより、推薦アイテム群を生成してＵＩデバイス２０に出力する。なお、ここでは推薦アイテム群に含まれる推薦アイテムの総数をＭとする。

ステップＳ１０１：混合器１３は、後述の比率制御部４０が算出した混合比率（Ｒ１：Ｒ２）を取得する。ただし、Ｒ１は推薦アイテム群に含まれる第１推薦アイテムの割合、Ｒ２は推薦アイテム群に含まれる第２推薦アイテムの割合を示し、Ｒ１＋Ｒ２＝１、０≦Ｒ１≦１、０≦Ｒ２≦１とする。なお、推薦アイテム群の初回提示時など、比率制御部４０による混合比率（Ｒ１：Ｒ２）の算出が行われない場合は、初期値として予め定められた混合比率（Ｒ１：Ｒ２）を設定すればよい。

ステップＳ１０２：混合器１３は、アイテムＤＢ７０に格納されたアイテム群から第１推薦エンジン１１が選択した第１推薦アイテムのうち、上位ｆｌｏｏｒ（Ｍ×Ｒ１）個を取得する。ただし、ｆｌｏｏｒは小数点以下を切捨てる関数とする。

ステップＳ１０３：混合器１３は、アイテムＤＢ７０に格納されたアイテム群から第２推薦エンジン１２が選択した第２推薦アイテムのうち、上位ｆｌｏｏｒ（Ｍ×Ｒ２）個を取得する。

ステップＳ１０４：混合器１３は、ステップＳ１０２で取得した第１推薦アイテムとステップＳ１０３で取得した第２推薦アイテムとを混合して推薦アイテム群を生成し、生成した推薦アイテム群をＵＩデバイス２０に出力する。

なお、推薦アイテム群は、予め定めた提示単位における推薦アイテムの集合である。提示単位は、ＵＩデバイス２０が一画面内（ページ内）で表示するアイテム数であってもよいし、例えば１０件、５０件、１００件といった所定のアイテム数であってもよい。また、対象ユーザがアイテム推薦システム１にログインしてからログアウトするまでの１セッション内で対象ユーザに提示するアイテム数を提示単位としてもよい。本実施形態では、この提示単位ごとに、後述の関心率算出部３０がユーザ満足度を表す関心率を算出し、比率制御部４０が混合比率（Ｒ１：Ｒ２）を算出し、混合器１３が推薦アイテム群を生成するものとする。

ＵＩデバイス２０は、混合型推薦エンジン１０の混合器１３が出力する推薦アイテム群を操作可能に対象ユーザに提示するユーザインターフェースである。ＵＩデバイス２０は、例えば、入力された推薦アイテム群を画面表示するとともに、画面表示した推薦アイテム群に対して対象ユーザが行った操作（例えば関心を持った推薦アイテムを開くなど）をユーザフィードバックとして受け取る。そして、ＵＩデバイス２０は、ユーザフィードバックとして受け取った操作情報を、関心率算出部３０に送信する。

図４は、ＵＩデバイス２０の画面表示例を示す図であり、ニュースポータルサイトの例である。図４の画面表示例では、推薦アイテム群に含まれる推薦アイテムである各ニュース記事について、タイトルおよび記事要約が列挙されており、タイトルがクリックされるとそのニュース記事の詳細内容が画面内にポップアップ表示、あるいは別画面として表示される仕組みとなっている。また、画面内の「次へ」ボタンがクリックされると画面が更新され、現在表示されている推薦アイテムよりも下位の推薦アイテムであるニュース記事が同様に表示され、画面内の「戻る」ボタンがクリックされると前回表示した画面が再表示される。

ＵＩデバイス２０は、図４に例示する画面表示を行った場合、ニュース記事のタイトルをクリックする対象ユーザの操作をユーザフィードバックとして受け取り、例えば、そのニュース記事のタイトルがクリックされたことを示す情報を、そのニュース記事のアイテムＩＤおよび提示時刻とともに、操作情報として関心率算出部３０に送信する。

関心率算出部３０は、ＵＩデバイス２０から受け取った操作情報に基づき、ＵＩデバイス２０が対象ユーザに提示した推薦アイテム群に対するユーザ満足度を表す関心率を算出し、算出した関心率を関心率履歴ＤＢ８０に格納する。本実施形態では、推薦アイテム群に対するユーザ満足度を、推薦アイテム群に含まれるすべての推薦アイテムのうち対象ユーザが関心を持った推薦アイテムの割合である関心率で表すものとする。また、推薦アイテムに対して対象ユーザが関心を持ったか否かを、その推薦アイテムを開く（図４の例ではニュース記事のタイトルをクリックする）操作が行われたか否かにより判断するものとする。なお、コンテンツ配信サービスサイトであれば、推薦アイテムとして提示した音楽や映画のコンテンツの再生時間が一定値以下である場合、対象ユーザがそのコンテンツに関心を持たなかったと判断するなど、応用に応じて関心の有無の判断基準を設定してもよい。関心率算出部３０は、上述した提示単位ごとに、ＵＩデバイス２０から受け取った操作情報に基づき、推薦アイテム群に含まれるすべての推薦アイテムのうち対象ユーザが関心を持った推薦アイテムの割合である関心率を算出し、算出した関心率を関心率履歴ＤＢ８０に格納する。

図５は、関心率算出部３０による処理手順の一例を示すフローチャートである。関心率算出部３０は、上述した提示単位ごとに以下のステップＳ２０１〜ステップＳ２０６の処理を実行することにより、ＵＩデバイス２０が対象ユーザに提示した推薦アイテム群に対する関心率を算出して関心率履歴ＤＢ８０に格納する。

ステップＳ２０１：関心率算出部３０は、推薦アイテム群に含まれる各推薦アイテムに対して関心フラグを用意し、初期値として“ｆａｌｓｅ”を設定する。

ステップＳ２０２：関心率算出部３０は、ＵＩデバイス２０から操作情報が送信されたか否かを判定する。そして、判定の結果がＹｅｓであればステップＳ２０３に進み、ＮｏであればステップＳ２０４に進む。

ステップＳ２０３：関心率算出部３０は、ＵＩデバイス２０から送信された操作情報に基づき、推薦アイテム群に含まれる推薦アイテムのうち、対象ユーザが関心を持った推薦アイテム（図４の例ではタイトルがクリックされたニュース記事）を特定し、その推薦アイテムの関心フラグを“ｔｒｕｅ”に設定する。

ステップＳ２０４：関心率算出部３０は、推薦アイテム群の提示が終了したか否かを判定する。そして、判定の結果がＹｅｓであればステップＳ２０５に進み、ＮｏであればステップＳ２０２に戻って以降の処理が繰り返される。ここで、推薦アイテム群の提示が終了したか否かの判定基準は、上述した提示単位に応じて異なったものとなる。例えば、ＵＩデバイス２０が一画面内（ページ内）で表示するアイテム数を提示単位とする場合、ＵＩデバイス２０の画面表示が切り替わったときに推薦アイテム群の提示が終了したと判定される。また、所定のアイテム数を提示単位とする場合、対象ユーザに提示された推薦アイテムの数が所定アイテム数に達したときに推薦アイテム群の提示が終了したと判定される。また、１セッション内で対象ユーザに提示するアイテム数を提示単位とする場合、対象ユーザがアイテム推薦システム１からログアウトしてセッションが終了したときに推薦アイテム群の提示が終了したと判定される。

ステップＳ２０５：関心率算出部３０は、推薦アイテム群に含まれるすべての推薦アイテムのうち、関心フラグが“ｔｒｕｅ”となっている推薦アイテムの割合を、推薦アイテム群に対する関心率として算出する。

ステップＳ２０６：関心率算出部３０は、関心率履歴ＤＢ８０にレコードを新規追加し、ステップＳ２０５で算出した関心率を、対象ユーザのユーザＩＤおよび提示時刻とともに、新たな関心率履歴情報として関心率履歴ＤＢ８０に格納する。

図６は、関心率履歴ＤＢ８０に格納される関心率履歴情報のデータ構造の一例を示す図である。関心率履歴ＤＢ８０に格納される関心率履歴情報は、例えば図６に示すように、推薦アイテム群の提示時刻と推薦アイテム群に対する関心率とを、対象ユーザのユーザＩＤに対応付けたデータ構造とされる。関心率履歴ＤＢ８０に格納される関心率履歴情報のレコードは、関心率算出部３０が提示単位の推薦アイテム群に対する関心率を算出するたびに新規追加される。なお、関心率履歴ＤＢ８０は、関心率算出部３０および比率制御部４０がアクセス可能な任意の記憶装置に保持されている。

比率制御部４０は、関心率算出部３０により算出された推薦アイテム群に対する対象ユーザの関心率に基づいて、混合型推薦エンジン１０の混合器１３が生成する推薦アイテム群の第１推薦アイテムと第２推薦アイテムとの混合比率を切り替える。より具体的には、比率制御部４０は、直近に提示した推薦アイテム群に対する対象ユーザの関心率が低いほど、次に提示する推薦アイテム群では第１推薦アイテムの割合が大きくなるように、混合器１３が生成する推薦アイテム群における第１推薦アイテムと第２推薦アイテムとの混合比率を切り替える。これにより、ユーザ満足度が低い推薦アイテム群の提示が連続することを回避して、ユーザ離反の発生リスクを低減することができる。

比率制御部４０は、以上のような推薦アイテム群における第１推薦アイテムと第２推薦アイテムとの混合比率の切り替えを実現するため、上述した提示単位ごとに、第１推薦アイテムと第２推薦アイテムとの混合比率（Ｒ１：Ｒ２）を算出し、算出した混合比率（Ｒ１：Ｒ２）を混合型推薦エンジン１０の混合器１３に送信する。この混合比率（Ｒ１：Ｒ２）の算出方法は様々考えられるが、ここでは、説明を簡単にするため、対象ユーザの直近Ｎ回の推薦アイテム群に対する関心率の平均値を、推薦アイテム群に含まれる第２推薦アイテムの割合Ｒ２とする計算式を用いる。すなわち、比率制御部４０は、関心率履歴ＤＢ８０から直近Ｎ回の推薦アイテム群に対する対象ユーザの関心率を取得し、その平均値をＲ２、１−Ｒ２をＲ１として、混合比率（Ｒ１：Ｒ２）を算出する。

図７は、比率制御部４０による処理手順の一例を示すフローチャートである。比率制御部４０は、上述した提示単位ごとに以下のステップＳ３０１〜ステップＳ３０４の処理を実行することにより、混合型推薦エンジン１０の混合器１３が生成する推薦アイテム群の第１推薦アイテムと第２推薦アイテムとの混合比率を切り替える。

ステップＳ３０１：比率制御部４０は、関心率履歴ＤＢ８０から直近Ｎ回の推薦アイテム群に対する対象ユーザの関心率を取り出す。Ｎ＝３とした場合、図６の例において対象ユーザのユーザＩＤがＩＤ０００３であるとすると、取り出される関心率は５％、０％、２５％である。

ステップＳ３０２：比率制御部４０は、ステップＳ３０１で取り出した関心率の平均値を算出する。上記の例では、関心率の平均値は（５％＋０％＋２５％）／３＝１０％となる。

ステップＳ３０３：比率制御部４０は、ステップＳ３０２で算出した関心率の平均値を、推薦アイテム群に含まれる第２推薦アイテムの割合Ｒ２として、混合比率（Ｒ１：Ｒ２）を算出する。上記の例では、混合比率（Ｒ１：Ｒ２）は０．９：０．１となる。

ステップＳ３０４：比率制御部４０は、ステップＳ３０３で算出した混合比率（Ｒ１：Ｒ２）を、混合型推薦エンジン１０の混合器１３に送信する。混合型推薦エンジン１０の混合器１３は、この比率制御部４０から送信された混合比率（Ｒ１：Ｒ２）に基づいて、第１推薦エンジン１１が選択する第１推薦アイテムと、第２推薦エンジン１２が選択する第２推薦アイテムとを混合して、推薦アイテム群を生成する。

以上、具体的な例を挙げながら詳細に説明したように、本実施形態のアイテム推薦システム１は、対象ユーザにとって意外性のある第２推薦アイテムと、面白みに欠けるが安定的なユーザ満足度が得られる第１推薦アイテムとを混合した推薦アイテム群を提示する構成としているため、安定的かつ高いユーザ満足度が得られることを期待できる推薦アイテム群を対象ユーザに提示することができる。また、推薦アイテム群に対するユーザ満足度を表す関心率を算出して、算出した関心率に基づいて推薦アイテム群の第１推薦アイテムと第２推薦アイテムとの混合比率を切り替える構成としているため、ユーザ満足度が低い推薦アイテム群の提示が連続することを回避して、ユーザ離反の発生リスクを低減することができる。このように、本実施形態のアイテム推薦システム１によれば、ユーザ離反の発生リスクを低減しつつ、安定的かつ高いユーザ満足度が得られることを期待できる推薦アイテム群を対象ユーザに提示することができる。

なお、本実施形態のアイテム推薦システム１は、一例として、サーバ・クライアント型のシステムとして実現することができる。この場合、ユーザが操作するクライアント端末においてＵＩデバイス２０の機能が実現され、クライアント端末と通信してサービスを提供するサーバ装置において、混合型推薦エンジン１０（第１推薦エンジン１１、第２推薦エンジン１２および混合器１３）、関心率算出部３０および比率制御部４０の機能が実現される。

サーバ装置において実現される混合型推薦エンジン１０（第１推薦エンジン１１、第２推薦エンジン１２および混合器１３）、関心率算出部３０および比率制御部４０の各部は、ハードウェア、またはハードウェアと協働して動作するソフトウェア（プログラム）での実装が可能である。これらをソフトウェアで実装する場合、サーバ装置は、例えば図８に示すように、ＣＰＵ（Central Processing Unit）１０１などのプロセッサ回路、ＲＯＭ（Read Only Memory）１０２やＲＡＭ（Random Access Memory）１０３などの記憶装置、表示パネルや各種操作デバイスが接続される入出力Ｉ／Ｆ１０４、ネットワークに接続して通信を行う通信Ｉ／Ｆ１０５、各部を接続するバス１０６などを備えた、通常のコンピュータを利用したハードウェア構成とすることができる。

また、上述したハードウェア構成のサーバ装置で実行されるプログラムは、例えば、インストール可能な形式または実行可能な形式のファイルでＣＤ−ＲＯＭ（Compact Disk Read Only Memory）、フレキシブルディスク（ＦＤ）、ＣＤ−Ｒ（Compact Disk Recordable）、ＤＶＤ（Digital Versatile Disc）などのコンピュータで読み取り可能な記録媒体に記録されてコンピュータプログラムプロダクトとして提供される。また、上述したサーバ装置で実行されるプログラムを、インターネットなどのネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、上述したサーバ装置で実行されるプログラムをインターネットなどのネットワーク経由で提供または配布するように構成してもよい。また、上述したサーバ装置で実行されるプログラムを、ＲＯＭ１０２等に予め組み込んで提供するように構成してもよい。

上述したサーバ装置で実行されるプログラムは、混合型推薦エンジン１０（第１推薦エンジン１１、第２推薦エンジン１２および混合器１３）、関心率算出部３０および比率制御部４０の各部を含むモジュール構成となっており、実際のハードウェアとしては、例えば、ＣＰＵ１０１（プロセッサ回路）が上記記録媒体からプログラムを読み出して実行することにより、上述した各部がＲＡＭ１０３（主記憶）上にロードされ、ＲＡＭ１０３（主記憶）上に生成されるようになっている。なお、上述した各部の一部または全部を、サーバ装置が備えるＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field-Programmable Gate Array）などの専用のハードウェアを用いて実現することも可能である。

以上、本発明の実施形態を説明したが、ここで説明した実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。ここで説明した新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。ここで説明した実施形態やその変形は、発明の範囲や要旨に含まれるとともに、請求の範囲に記載された発明とその均等の範囲に含まれる。

１ アイテム推薦システム
１０ 混合型推薦エンジン
１１ 第１推薦エンジン
１２ 第２推薦エンジン
１３ 混合器
２０ ＵＩデバイス
３０ 関心率算出部
４０ 比率制御部
５０ ユーザＤＢ
６０ 利用履歴ＤＢ
７０ アイテムＤＢ
８０ 関心率履歴ＤＢ

Claims (5)

1. アイテム群の中から、ユーザの嗜好性に適合すると予測される第１推薦アイテムを選択する第１推薦エンジンと、
   前記アイテム群の中から、ユーザの嗜好性に適合しないが関心を持つことが期待される第２推薦アイテムを選択する第２推薦エンジンと、
   前記第１推薦アイテムと前記第２推薦アイテムとを混合して、ユーザに提示する推薦アイテム群を生成する混合器と、
   前記推薦アイテム群を操作可能にユーザに提示するユーザインターフェースと、
   前記推薦アイテム群に対するユーザの操作に基づいて、前記推薦アイテム群に対するユーザの満足度を表す関心率を算出する算出部と、
   前記関心率に基づいて、前記混合器が生成する前記推薦アイテム群の前記第１推薦アイテムと前記第２推薦アイテムとの混合比率を切り替える比率制御部と、を備えるアイテム推薦システム。
2. 前記第２推薦エンジンは、前記アイテム群に含まれるアイテムのうち、ユーザが関心を持つ確率を表す第１の値とユーザの嗜好性から離れている度合いを表す第２の値との積を用いて算出されるセレンディピティ指標値が最も高いアイテムから順に前記第２推薦アイテムとして選択する、請求項１に記載のアイテム推薦システム。
3. 前記セレンディピティ指標値は、前記第１の値と前記第２の値との積と、不特定ユーザが関心を持つ確率を表す第３の値との線形和により算出される、請求項２に記載のアイテム推薦システム。
4. アイテム推薦システムにより実行されるアイテム推薦方法であって、
   アイテム群の中から、ユーザの嗜好性に適合すると予測される第１推薦アイテムを選択するステップと、
   前記アイテム群の中から、ユーザの嗜好性に適合しないが関心を持つことが期待される第２推薦アイテムを選択するステップと、
   前記第１推薦アイテムと前記第２推薦アイテムとを混合して、ユーザに提示する推薦アイテム群を生成するステップと、
   前記推薦アイテム群を操作可能にユーザに提示するステップと、
   前記推薦アイテム群に対するユーザの操作に基づいて、前記推薦アイテム群に対するユーザの満足度を表す関心率を算出するステップと、
   前記関心率に基づいて、前記推薦アイテム群の前記第１推薦アイテムと前記第２推薦アイテムとの混合比率を切り替えるステップと、を含むアイテム推薦方法。
5. コンピュータに、
   アイテム群の中から、ユーザの嗜好性に適合すると予測される第１推薦アイテムを選択する機能と、
   前記アイテム群の中から、ユーザの嗜好性に適合しないが関心を持つことが期待される第２推薦アイテムを選択する機能と、
   前記第１推薦アイテムと前記第２推薦アイテムとを混合して、ユーザに提示する推薦アイテム群を生成する機能と、
   操作可能に提示された前記推薦アイテム群に対するユーザの操作に基づいて、前記推薦アイテム群に対するユーザの満足度を表す関心率を算出する機能と、
   前記関心率に基づいて、前記推薦アイテム群の前記第１推薦アイテムと前記第２推薦アイテムとの混合比率を切り替える機能と、を実現させるためのプログラム。

Images