特開 2016-71881 アイテムリコメンドシステム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】特開2016-71881(P2016-71881A)

(43)【公開日】2016年5月9日

(54)【発明の名称】アイテムリコメンドシステム

(51)【国際特許分類】

   G06F 17/30 20060101AFI20160404BHJP

   G06Q 30/02 20120101ALI20160404BHJP

【ＦＩ】

   G06F17/30 340A

   G06F17/30 350C

   G06Q30/02 150

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

【全頁数】19

(21)【出願番号】特願2015-185334(P2015-185334)

(22)【出願日】2015年9月18日

(31)【優先権主張番号】62/053380

(32)【優先日】2014年9月22日

(33)【優先権主張国】US

(71)【出願人】

【識別番号】512035815

【氏名又は名称】カラフル・ボード株式会社

(71)【出願人】

【識別番号】304021831

【氏名又は名称】国立大学法人 千葉大学

(74)【代理人】

【識別番号】110000017

【氏名又は名称】特許業務法人アイテック国際特許事務所

(72)【発明者】

【氏名】渡辺 祐樹

(72)【発明者】

【氏名】岡本 卓

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049BB08

(57)【要約】

【課題】ユーザの嗜好により適合するアイテムをリコメンドする。
【解決手段】アイテム特徴量ベクトル計算部２４は、アイテム情報テーブル３２からアイテム情報を取り出してアイテム特徴量ベクトルを計算する。予測スコア計算部２６は、ユーザ毎に、実スコアテーブル３８のスコアと対応するアイテム特徴量ベクトルとに基づいて近似関数Ｆを導出し、導出した近似関数Ｆを適用して全アイテム情報に対して予測スコアを計算する。Ｗｅｂサーバ３０は、ユーザ端末１２に対してそれまでに提示されていないアイテム情報のうち最も高い予測スコアのアイテム情報を提示する。ユーザは、ユーザ端末１２に提示されたアイテム情報に対して好き嫌いの評価を入力し、Ｗｅｂサーバ３０はこの評価結果をスコアとして実スコアテーブル３８に保存する。こうしたシステムにより、ユーザの嗜好により適合したアイテムをリコメンドすることができる。
【選択図】図１

【特許請求の範囲】

【請求項1】

ユーザ端末にアイテムをリコメンドするアイテムリコメンドシステムであって、
ＥＣサイトからアイテム情報を取得し、該アイテム情報とアイテム識別子とを関連つけてアイテム情報テーブルに保存するアイテム情報取得手段と、
前記アイテム情報テーブルのアイテム情報に基づいて予め定めたアイテム特徴量に対するアイテム特徴量ベクトルを計算し、該アイテム特徴量ベクトルとアイテム識別子とを関連つけてアイテム特徴量ベクトルテーブルに保存するアイテム特徴量ベクトル計算手段と、
前記アイテム情報テーブルにおけるアイテム情報のユーザ端末への提示に対して入力された多段階の評価値としてのスコアを取得し、該スコアとアイテム識別子とユーザ識別子とを関連つけて実スコアテーブルに保存する実スコア取得手段と、
ユーザ毎に、前記実スコアテーブルのスコアと該スコアに対応する前記アイテム特徴量ベクトルテーブルにおけるアイテム特徴量ベクトルとに基づいてアイテム特徴量ベクトルの入力に対してスコアを計算する近似関数を導出すると共に該近似関数に対して前記アイテム特徴量ベクトルテーブルにおける全アイテム特徴量ベクトルを適用して全アイテム情報に対する予測スコアを計算し、該予測スコアとアイテム識別子とユーザ識別子とを関連つけて予測スコアテーブルに保存する予測スコア計算手段と、
ユーザ端末からのリクエストに対して前記アイテム情報テーブルの全アイテム情報のうちユーザ端末に提示していないアイテム情報であって、少なくとも該ユーザ端末のユーザの予測スコアが最も高いアイテム情報を提示する提示手段と、
を備えるアイテムリコメンドシステム。

【請求項2】

請求項１記載のアイテムリコメンドシステムであって、
前記実スコア取得手段は、前記提示手段によってユーザ端末に提示されたアイテム情報に対して入力されたスコアを取得する手段である、
アイテムリコメンドシステム。

【請求項3】

請求項１または２記載のアイテムリコメンドシステムであって、
前記スコアは、アイテム情報のうちのアイテム画像の提示に対して他の情報の提示を求めることなく直ちに入力された適否と前記他の情報の提示後に入力された適否とが段階的な数値として定められた評価値である、
アイテムリコメンドシステム。

【請求項4】

請求項１ないし３のうちのいずれか１つの請求項に記載のアイテムリコメンドシステムであって、
前記予測スコア計算手段は、前記実スコアテーブルのスコアのうちユーザが指定したスコアを用いて前記近似関数を導出する手段である、
アイテムリコメンドシステム。

【請求項5】

請求項４記載のアイテムリコメンドシステムであって、
前記予測スコア計算手段は、前記実スコアテーブルのスコアのうちユーザのスコアとユーザが指定した他のユーザのスコアとを用いて前記近似関数を導出する手段である、
アイテムリコメンドシステム。

【請求項6】

請求項１ないし５のうちのいずれか１つの請求項に記載のアイテムリコメンドシステムであって、
前記アイテム特徴量ベクトルは、アイテム画像に含まれる代表色を成分として含み、
前記アイテム画像に含まれる代表色は、アイテム画像に対してアイテムのカテゴリ毎の所定領域の各画素の色情報におけるＬａｂ色空間の座標の分布に基づいて設定される予め定めた成分数の色ベクトルである、
アイテムリコメンドシステム。

【請求項7】

請求項６記載のアイテムリコメンドシステムであって、
前記アイテム特徴量ベクトルは、前記代表色の占有率を成分として含み、
前記代表色の占有率は、前記所定領域の各画素を該画素の色に直近の前記色ベクトルにおける成分により区分し、前記所定領域の全画素数に対する各区分の画素数として得られるベクトルである、
アイテムリコメンドシステム。

【請求項8】

請求項１ないし７のうちのいずれか１つの請求項に記載のアイテムリコメンドシステムであって、
前記アイテム特徴量ベクトルは、ブランド座標および／またはカテゴリ座標を成分として含み、
前記ブランド座標は、予め定めた各ブランド間の距離に基づいて同定されるＮ次元空間の座標であり、
前記カテゴリ座標は、予め定めた各カテゴリ間の距離に基づいて同定されるＮ次元空間の座標である、
アイテムリコメンドシステム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、アイテムリコメンドシステムに関し、詳しくは、ユーザ端末にアイテムをリコメンドするアイテムリコメンドシステムに関する。

【背景技術】

【0002】

従来、この種のアイテムリコメンドシステムでは、たとえば、下記の特許文献１および特許文献２の背景技術で説明されているように、ユーザ自身或いはユーザと似た属性をもつ他者の過去の行動履歴に基づいて協調フィルタリングやベイジアンネットワークなどの技術を用いてアイテムをリコメンデーションしている。

【0003】

また、コンテンツベースフィルタリングとよばれる方法も提案されている。このコンテンツベースフィルタリングでは、事前にアイテムがもつ複数の特徴を数値的に解析しておき、これをアイテム特徴量ベクトルとして保存する一方で、いくつかのアイテムに対してユーザから「好き」か「好きではない（嫌い）」の２値データとしての評価データを収集する。続いて、ユーザが好むアイテム群を集め、その特徴量ベクトルなどの平均を取るなどの方法を用いて、ユーザの嗜好を代表して表現するユーザ特徴量ベクトルを算出する。そして、アイテム特徴量ベクトルとユーザ特徴量ベクトルの類似度を算出し、類似度が大きい順にアイテムを推薦する。類似度の算出には、コサイン類似度とよばれる類似度を用いることが一般的であるが、類似度算出にニューラルネットワーク等の機械学習器を用いることも可能である。また、類似度を算出することなく、好きか好きでないかを判別するために、サポートベクターマシン等の識別器を用いることもできる。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２００７−４１９７１号公報

【特許文献2】特開２０１２−１９００６１号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

前述したユーザ自身或いはユーザと似た属性をもつ他者の過去の行動履歴に基づいたリコメンデーションは、膨大なユーザ情報を事前に収集できることを前提としているため、膨大なユーザ情報を事前に収集することができない場合には信頼性の高いリコメンデーションを実現することが困難となる。また、対象ユーザから得た直接的な情報ではなく行動履歴を経由して結びつく他者の嗜好情報に基づいて対象ユーザの嗜好を予測しているため、対象ユーザが必要とするリコメンデーションを実現できない場合が生じる。

【0006】

また、コンテンツベースフィルタリングでは、一般に「好き」か「好きでない」の２値識別を行なうので、多段階評価（４段階評価や５段階評価など）を行なうシステムとの親和性が良くない。仮に多段階評価結果を用いてコンテンツベースフィルタリングを行なう場合には、評価１を代表するユーザ特徴量ベクトルに対する類似度、評価２を代表するユーザ特徴量ベクトルに対する類似度といったように、評価基準ごとに類似度、ないしはこれに得点に応じた重みを勘案した類似度を算出して、一番大きい類似度をもつアイテムを推薦するという仕組みを考えることも可能であるが、ユーザごとに異なる特徴量に対する重要度を十分に表現できない。

【0007】

本発明のアイテムリコメンドシステムは、ユーザの嗜好により適合するアイテムをリコメンドすることを主目的とする。

【課題を解決するための手段】

【0008】

本発明のアイテムリコメンドシステムは、上述の主目的を達成するために以下の手段を採った。

【0009】

本発明のアイテムリコメンドシステムは、
ユーザ端末にアイテムをリコメンドするアイテムリコメンドシステムであって、
ＥＣサイトからアイテム情報を取得し、該アイテム情報とアイテム識別子とを関連つけてアイテム情報テーブルに保存するアイテム情報取得手段と、
前記アイテム情報テーブルのアイテム情報に基づいて予め定めたアイテム特徴量に対するアイテム特徴量ベクトルを計算し、該アイテム特徴量ベクトルとアイテム識別子とを関連つけてアイテム特徴量ベクトルテーブルに保存するアイテム特徴量ベクトル計算手段と、
前記アイテム情報テーブルにおけるアイテム情報のユーザ端末への提示に対して入力された多段階の評価値としてのスコアを取得し、該スコアとアイテム識別子とユーザ識別子とを関連つけて実スコアテーブルに保存する実スコア取得手段と、
ユーザ毎に、前記実スコアテーブルのスコアと該スコアに対応する前記アイテム特徴量ベクトルテーブルにおけるアイテム特徴量ベクトルとに基づいてアイテム特徴量ベクトルの入力に対してスコアを計算する近似関数を導出すると共に該近似関数に対して前記アイテム特徴量ベクトルテーブルにおける全アイテム特徴量ベクトルを適用して全アイテム情報に対する予測スコアを計算し、該予測スコアとアイテム識別子とユーザ識別子とを関連つけて予測スコアテーブルに保存する予測スコア計算手段と、
ユーザ端末からのリクエストに対して前記アイテム情報テーブルの全アイテム情報のうちユーザ端末に提示していないアイテム情報であって、少なくとも該ユーザ端末のユーザの予測スコアが最も高いアイテム情報を提示する提示手段と、
を備えることを要旨とする。

【0010】

この本発明のアイテムリコメンドシステムでは、アイテム情報取得手段が、ＥＣ（electronic commerce）サイトからアイテム情報を取得し、アイテム情報とアイテム識別子とを関連つけてアイテム情報テーブルに保存する。アイテム情報としては、例えば、アイテム名，ＥＣサイトのショップ名，ブランド名，アイテム画像のＵＲＬ（Uniform Resource Locator），カテゴリ，性別，定価，実売価格，実売価格の割引率，展開されているサイズ，素材の情報，原産国，紹介文などを挙げることができる。アイテム特徴量ベクトル計算手段は、アイテム情報テーブルのアイテム情報に基づいて予め定めたアイテム特徴量に対するアイテム特徴量ベクトルを計算し、アイテム特徴量ベクトルとアイテム識別子とを関連つけてアイテム特徴量ベクトルテーブルに保存する。ここで、アイテム特徴量としては、例えば、アイテム画像に含まれる色やその占有率，ブランド，カテゴリ，同一カテゴリでの実売価格，価格の割引率などを挙げることができる。アイテム特徴量ベクトルの成分としては、上述のアイテム特徴量であり、アイテム画像に含まれる代表色の色ベクトルや代表色の占有率，ブランドのＮ次空間における座標（ブランド座標），カテゴリのＮ次空間における座標（カテゴリ座標），同一カテゴリでの実売価格の偏差値，実売価格の割引率などの要素を挙げることができる。実スコア取得手段は、アイテム情報テーブルにおけるアイテム情報のユーザ端末への提示に対して入力された多段階の評価値としてのスコアを取得し、スコアとアイテム識別子とユーザ識別子とを関連つけて実スコアテーブルに保存する。ここで、多段階としては、２段階（２値）も含むが、基本的には３段階以上を意味している。予測スコア計算手段は、ユーザ毎に、実スコアテーブルのスコアとこのスコアに対応するアイテム特徴量ベクトルテーブルにおけるアイテム特徴量ベクトルとに基づいてアイテム特徴量ベクトルの入力に対してスコアを計算する近似関数を導出すると共に近似関数に対してアイテム特徴量ベクトルテーブルにおける全アイテム特徴量ベクトルを適用して全アイテム情報に対する予測スコアを計算する。そして、予測スコアとアイテム識別子とユーザ識別子とを関連つけて予測スコアテーブルに保存する。提示手段は、ユーザ端末からのリクエストに対してアイテム情報テーブルの全アイテム情報のうちユーザ端末に提示していないアイテム情報であって、少なくともユーザ端末のユーザの予測スコアが最も高いアイテム情報を提示する。

【0011】

このように、ユーザ毎に実スコアテーブルのスコアと対応するアイテム特徴量ベクトルとに基づいて近似関数を導出し、導出した近似関数を適用して全アイテム情報に対して予測スコアを計算し、ユーザ端末に対してそれまでに表示されていないアイテム情報のうち最も高い予測スコアのアイテム情報を提示するから、ユーザの嗜好により適合したアイテムをリコメンドすることができる。特に、スコアとして３段階以上の多段階の評価値をもちいることにより、よりユーザの嗜好に適合したアイテムをリコメンドすることができる。

【0012】

こうした本発明のアイテムリコメンドシステムにおいて、前記実スコア取得手段は、前記提示手段によってユーザ端末に提示されたアイテム情報に対して入力されたスコアを取得する手段であるものとすることもできる。こうすれば、それまでに表示されていないアイテム情報のうち最も高い予測スコアのアイテム情報に対して実スコアを取得することができる。この場合、前記提示手段は、前記実スコア取得手段がスコアを取得したときにはユーザ端末に提示していないアイテム情報のうち該スコアに対応するアイテム情報の次に高い予測スコアのアイテム情報を提示する手段であるものとすることもできる。こうすれば、スコアの取得に連動して次に予測スコアの高いアイテム情報を提示することができる。

【0013】

また、本発明のアイテムリコメンドシステムにおいて、前記スコアは、アイテム情報のうちのアイテム画像の提示に対して他の情報の提示を求めることなく直ちに入力された適否と前記他の情報の提示後に入力された適否とが段階的な数値として定められた評価値であるものとすることもできる。例えば、アイテム情報のうちのアイテム画像の提示に対して他の情報の提示を求めることなく直ちに入力された適および否として４および１、他の情報の提示後に入力された適および否として３および２とすれば１〜４の４段階の数値の評価値となる。この場合、前記スコアは、アイテム情報の提示の程度に応じた段階的な数値として定められた評価値であるものとすることもできるし、前記スコアは、アイテム情報の提示の程度と提示開始から入力までの時間に応じた段階的な数値として定められた評価値であるものとすることもできる。こうすれば、スコアを５段階以上の数値の評価値とすることができ、ユーザの嗜好をより適切に反映した予測スコアを設定することができる。この結果、ユーザの嗜好により適正なアイテムをリコメンドすることができる。

【0014】

本発明のアイテムリコメンドシステムにおいて、前記予測スコア計算手段は、全予測スコアのうちスコアの高いものから所定件数の予測スコアをアイテム識別子とユーザ識別子とを関連つけて予測スコアテーブルに保存する手段であるものとすることもできる。こうすれば、予測スコアテーブルに保存する予測スコアの件数を少なくすることができ、処理を迅速にすることができる。

【0015】

本発明のアイテムリコメンドシステムにおいて、前記予測スコア計算手段は、前記実スコアテーブルのスコアのうちユーザが指定したスコアを用いて前記近似関数を導出する手段であるものとすることもできる。こうすれば、ユーザの意向を反映した嗜好に沿ったアイテムをリコメンドすることができる。この場合、前記予測スコア計算手段は、前記実スコアテーブルのスコアのうちユーザのスコアとユーザが指定した他のユーザのスコアとを用いて前記近似関数を導出する手段であるものとすることもできる。こうすれば、ユーザは、自分の嗜好だけでなく、指定した他のユーザの嗜好に沿ったアイテムの提示を受けることができる。更に、前記予測スコア計算手段は、ユーザによって入力された重みによりユーザのスコアとユーザが指定した他のユーザのスコアとを用いて前記近似関数を導出する手段であるものとすることもできる。

【0016】

本発明のアイテムリコメンドシステムにおいて、前記アイテム特徴量ベクトルはアイテム画像に含まれる代表色を成分として含み、前記アイテム画像に含まれる代表色はアイテム画像に対してアイテムのカテゴリ毎の所定領域の各画素の色情報におけるＬａｂ色空間の座標の分布に基づいて設定される予め定めた成分数の色ベクトルであるものとすることもできる。こうすれば、ユーザの色に対する嗜好をより反映した予測スコアを計算することができ、ユーザの色に対する嗜好をより反映したアイテムをリコメンドすることができる。この場合、前記アイテム特徴量ベクトルは前記代表色の占有率を成分として含み、前記代表色の占有率は、前記所定領域の各画素を該画素の色に直近の前記色ベクトルにおける成分により区分し、前記所定領域の全画素数に対する各区分の画素数として得られるベクトルであるものとすることもできる。こうすれば、更にユーザの色に対する嗜好をより反映した予測スコアを計算してアイテムをリコメンドすることができる。

【0017】

本発明のアイテムリコメンドシステムにおいて、前記アイテム特徴量ベクトルはブランド座標および／またはカテゴリ座標を含み、前記ブランド座標は予め定めた各ブランド間の距離に基づいて同定されるＮ次元空間の座標であり、前記カテゴリ座標は予め定めた各カテゴリ間の距離に基づいて同定されるＮ次元空間の座標であるものとすることもできる。こうすれば、ユーザのブランドやカテゴリに対する嗜好をより反映した予測スコアを計算することができ、ユーザのブランドやカテゴリに対する嗜好をより反映したアイテムをリコメンドすることができる。

【0018】

本発明のアイテムリコメンドシステムにおいて、前記実スコアテーブルの同一ユーザのスコアのうち第１所定数の訓練データに対して、前記アイテム特徴量ベクトルを計算するのに必要なパラメータの１つを変化させてアイテム特徴量ベクトルを訓練用ベクトルとして計算し、前記実スコアテーブルの前記同一ユーザのスコアのうち第２所定数の評価データに対応するアイテム特徴量ベクトルと前記訓練用ベクトルとに基づいて前記パラメータの最適値を計算するパラメータ最適値計算手段を備え、前記アイテム特徴量ベクトル計算手段は、前記パラメータとして前記パラメータ最適値計算手段により計算された最適値を用いてアイテム特徴量ベクトルを計算する手段であるものとすることもできる。こうすれば、アイテム特徴量ベクトルを計算するのに必要なパラメータをより適正なものとすることができる。この結果、ユーザの嗜好をより適正に反映した予測スコアを計算することができ、ユーザの嗜好をより適正に反映したアイテムをリコメンドすることができる。この場合、前記パラメータ最適値計算手段は、アイテム特徴量ベクトルのうち前記パラメータにより影響を受ける成分と影響を受けない成分とを用いて最適化問題を解くことにより前記パラメータの最適値を計算するものとすることもできる。こうすれば、アイテム特徴量のすべてがパラメータによって影響を受けるとして計算する場合に比して、パラメータの最適値を求める計算を簡易なものとすることができる。

【0019】

本発明のアイテムリコメンドシステムにおいて、特定のアイテム情報に対してアイテム特徴量ベクトルを計算すると共に指定したユーザに対する前記近似関数を用いて予測スコアを計算して第１スコアとして出力し、前記特定のアイテム情報のアイテム特徴量の一部を変更した情報に対してアイテム特徴量ベクトルを計算すると共に前記指定したユーザに対する前記近似関数を用いて予測スコアを計算して第２スコアとして出力するスコア変動計算手段を備えるものとすることもできる。こうすれば、特定のアイテム情報のアイテム特徴量の一部を変更したときに予測スコアがどのようになるかを調べることができる。この場合、前記スコア変動計算手段は、前記特定のアイテム情報のアイテム特徴量の一部を順次変更して複数の予測スコアを計算し、前記計算した複数の予測スコアを前記第２スコアとして対応するアイテム特徴量と共に出力する手段であるものとすることもできる。こうすれば、アイテム特徴量の変動に対して予測スコアの変化を容易に見いだすことができる。また、前記スコア変動計算手段は、前記特定のアイテム情報のアイテム特徴量の一部を順次変更して複数の予測スコアを計算し、前記計算した複数の予測スコアのうち最も高い予測スコアを含む少なくとも１つ以上の予測スコアを前記第２スコアとして対応するアイテム特徴量と共に出力する手段であるものとすることもできる。こうすれば、最も高い予測スコアに対するアイテム特徴量を容易に見いだすことができる。

【図面の簡単な説明】

【0020】

【図1】本発明の一実施例としてのアイテムリコメンドシステム２０の概略を示す概略構成図である。

【図2】切り抜きパラメータの一例を示す説明図である。

【図3】カテゴリがアウターの場合の切り抜きパラメータによるアイテム画像中の切り抜き領域の一例を示す説明図である。

【図4】支配ベクトルの決定の様子の一例を示す説明図である。

【図5】ブランド間の距離の一例を示す説明図である。

【図6】ユーザ端末１２にアイテム画像を提示する提示画面の一例を示す説明図である。

【発明を実施するための形態】

【0021】

次に、本発明を実施するための形態を実施例を用いて説明する。

【実施例】

【0022】

図１は、本発明の一実施例としてのアイテムリコメンドシステム２０の概略を示す概略構成図である。実施例のアイテムリコメンドシステム２０は、図示するように、ＥＣ（electronic commerce）サイト１０やユーザ端末１２と接続可能に構成されており、アイテム情報取得部２２と、アイテム特徴量ベクトル計算部２４と、予測スコア計算部２６と、パラメータ最適値計算部２８と、Ｗｅｂサーバ３０と、アイテム情報テーブル３２と、アイテム特徴量ベクトルテーブル３４と、予測スコアテーブル３６と、実スコアテーブル３８と、ユーザ情報テーブル４０と、を備える。アイテム情報取得部２２やアイテム特徴量ベクトル計算部２４，予測スコア計算部２６，パラメータ最適値計算部２８，Ｗｅｂサーバ３０は、複数のコンピュータにより構成してもよいし、単一のコンピュータにより構成してもよい。アイテム情報テーブル３２やアイテム特徴量ベクトルテーブル３４，予測スコアテーブル３６，実スコアテーブル３８，ユーザ情報テーブル４０は、複数の記憶装置により構成してもよいし、単一の記憶装置により構成してもよい。

【0023】

アイテム情報取得部２２は、ＥＣサイト１０から新規のアイテム情報を取得し、取得したアイテム情報をアイテム識別子に関連つけてアイテム情報テーブル３２に保存する。アイテム情報としては、以下のものを挙げることができる。
(a) アイテム名（〇〇Ｔシャツ，△△パンツ，□□スーツ等）
(b) ＥＣ サイトのショップ名（〇〇ストア，〇〇Ｗｅｂ 等）
(c) ブランド名
(d) アイテム画像ＵＲＬ（Uniform Resource Locator）
(e) カテゴリ（トップス，アウター，スーツ等）
(f) 性別（メンズ，ウィメンズ等）
(g) 定価
(h) 実売価格
(i) 実売価格の割引率（３０％オフ等）
(j) 展開されているサイズ（Ｓ，Ｍ，Ｌ，ＬＬ等）
(k) 素材の情報
(l) 原産国
(m) 紹介文

【0024】

アイテム特徴量ベクトル計算部２４は、アイテム情報テーブル３２からアイテム特徴量ベクトルが計算されていないアイテム情報をアイテム識別子を用いて取り出し、取り出したアイテム情報に基づいてアイテム特徴量ベクトルを計算する。そして、計算したアイテム特徴量ベクトルをアイテム識別子に関連つけてアイテム特徴量ベクトルテーブル３４に保存する。アイテム特徴量ベクトルとしては、実施例では以下の成分を有するものとした。
(a) アイテム画像に含まれる代表色情報（代表色ベクトル）とその占有率
(b) ブランド座標
(c) カテゴリ座標
(d) 同一カテゴリ内での実売価格の偏差値
(e) 実売価格の割引率

【0025】

(a)アイテム画像に含まれる代表色情報（代表色ベクトル）は、例えば、以下のように計算することができる。まず、アイテム情報に含まれるアイテム画像ＵＲＬを用いてアイテム画像をダウンロードし、アイテムのカテゴリに対応した切り抜きパラメータにしたがって、ダウンロードしたアイテム画像の一部分を切り抜く。切り抜きパラメータの一例を図２に示す。図３にカテゴリがアウターの場合の切り抜きパラメータによるアイテム画像中の切り抜き領域の一例を示す。図３中、幅が（Width=100）、高さが（height=100）で示された矩形領域がアイテム画像であり、このアイテム画像中に幅が（１００×０．２５＝２５）、高さが（１００×０．２５×１．０＝２５）で示された矩形領域が切り抜き領域である。図２中、「w#offset」は切り抜き領域の中心のアイテム画像における左側からの位置を意味している。アウターの場合、「０．６」であるから、アイテム画像の左側からアイテム画像の幅に「０．６」を乗じた位置（Width×0.6）となる。図２中、「h#offset」は切り抜き領域の中心のアイテム画像における上側からの位置を意味している。アウターの場合、「０．４７」であるから、アイテム画像の左側からアイテム画像の幅に「０．４７」を乗じた位置（height×0.47）となる。図２中、「h#ratio」は切り抜き領域の高さのアイテム画像の高さに対する比を意味している。アウターの場合、「０．２５」であるから、アイテム画像の高さ（height=100）に「０．２５」を乗じた値（height×0.25）となる。図２中、「w#h#ratio」は切り抜き領域の幅の切り抜き領域の高さに対する比を意味している。アウターの場合、「１．０」であるから、切り抜き領域の高さ（height×0.25）に「１．０」を乗じた値（height×0.25×1.0）となる。切り抜きパラメータは、初期値として予め定められた値、例えばカテゴリー毎に画像の特徴をよく表わしている部分であると想定される領域として予め設定した値を用い、実施例では、その後にパラメータ最適値計算部２８により計算された値に更新するものとした。

【0026】

次に、切り抜き領域の画像の各画素の色情報をＬａｂ色空間（ＣＩＥ Ｌａｂ表色系）に変換し、切り抜き領域の左上の画素から順にｉ番目の画素のＬ値がＬ、ａ値がａ、ｂ値がｂとしたときにｉ番目の画素の色情報ｘ_i＝（Ｌ，ａ，ｂ）としてメモリに保存する。そして、色情報ｘ_i（ｉ＝１，…，画素数）をニューラルガス（ＮＧ）に入力し、色情報ｘ_i（ｉ＝１，…，画素数）の分布を最もうまく代表するｋ個の代表色ベクトルｙ₁，ｙ₂，…，ｙ_kを算出する。ここで、「ｋ」は予め設定しておくパラメータである。実施例ではｋ＝４として代表色を４色とした。また、 ニューラルガスは、多数の入力ベクトルの集合を比較的少ないユニット（参照ベクトル）で近似するベクトル量子化に用いられるネットワークであり、自己組織化マップ（ＳＯＭ）と同様に教師なし学習によって自己組織的にベクトル量子化を行なう。ニューラルガスは、入力ベクトルが与えられると入力ベクトルに最も近い参照ベクトルを持つユニットを勝者ユニットとするから、実施例では、この勝者ユニットとして代表色ベクトルｙ₁，ｙ₂，…，ｙ_kを算出するものとした。なお、実施例ではニューラルガスを用いたが、k-means法などのベクトル量子化を実現する他の方法を用いるものとしてもよい。

【0027】

代表色の占有率は、色情報ｘ_i（ｉ＝１，…，画素数）と代表色ベクトルｙ₁，ｙ₂，…，ｙ_kを用いて算出する。具体的には、ｉ番目の画素の色情報ｘ_iと代表色ベクトルｙ₁，ｙ₂，…，ｙ_kとの差を計算し、この差が最も小さい代表色ベクトルをｉ番目の画素の色情報ｘ_iの支配ベクトルとし、各代表色ベクトルが支配ベクトルとなった画素数の全画素数に対する割合として占有率を算出する。例えば、３×３の画素で色ベクトルの成分が１つの場合を考える。図４は、３×３の画素で色ベクトルの成分が１つで代表色ベクトルｙ₁＝０．２，ｙ₂＝０．４，ｙ₃＝０．６，ｙ₄＝０．８の場合の支配ベクトルの決定の様子の一例を示す説明図である。図中、上段左の画素では色ベクトルが「０．８」であるから、代表色ベクトルｙ₁，ｙ₂，ｙ₃，ｙ₄との差は、０．６，０．４，０．２，０となり、差の最も小さい代表色ベクトルｙ₄が支配ベクトルとなる。上段中の画素では色ベクトルが「０．６」であるから、代表色ベクトルｙ₁，ｙ₂，ｙ₃，ｙ₄との差は、０．４，０．２，０，０．２となり、差の最も小さい代表色ベクトルｙ₃が支配ベクトルとなる。以下、同様に支配ベクトルを決定することができる。代表色ベクトルｙ₁，ｙ₂，ｙ₃，ｙ₄の各占有率は、全画素数に対する代表色ベクトルが支配ベクトルの画素数の割合であるから、３／９，２／９，２／９，２／９として算出することができる。

【0028】

(b) ブランド座標は、以下のように算出することができる。まず、ブランド間の相性などを距離として設定する。例えば、ブランド１〜４に対して図５に示すようにブランド間の距離を設定する。この距離の設定は感覚的なものであるため、人によって予め定められる。図５の例では、ブランド間の最大距離を「１．０」として示している。この例では、ブランド１とブランド２との距離が０．２１であり、ブランド１とブランド３との距離が０．４５であり、ブランド１とブランド４との距離が０．５３であるから、ブランド１に対する相性の良さはブランド２，ブランド３，ブランド４の順となる。そして、ブランド間の距離をＮ次元空間内でもっともうまく説明できる座標を同定する。座標を同定するための最適化問題は、次式（１）により定式化される。この問題を最適化手法（例えば、粒子群最適化法 (Particle Swarm Optimization) や差分進化法 (Differential Evolution) 等）を用いて解くことで、Ｎ次元空間でのブランド座標を決定する。

【0029】

【数1】

【0030】

つぎに、上述のブランド座標同定作業を次元数Ｎを変更しながら繰り返し行ない、ブランド座標を表現するための最適な空間次元を決定する。即ち、次式（２）の最適化問題を解いてブランド座標を決定する。

【0031】

(c) カテゴリ座標は、上述のブランド座標同定作業とほぼ同様に行う。即ち、式（１）のｐをカテゴリ番号、ｘｐをｐ番目のカテゴリのＮ次元空間上の座標、Ｄｐｑをカテゴリｐ、ｑ間の距離として、式（２）の最適化問題を解いてカテゴリ座標を決定する。

【0032】

【数2】

【0033】

(d) 同一カテゴリ内での実売価格の偏差値は、解析対象アイテムの実売価格が同じカテゴリ内のアイテムと比較して、どの程度の位置（高価格帯，中価格帯，低価格帯）にあるかを偏差値 (T-Score) を用いて表現するために用いる。まず、アイテム情報テーブルから、対象とするカテゴリに属する全アイテム（アイテム数をＮとする）の実売価格情報を取得する。取得した価格情報のうちｉ番目のアイテムの価格をｘ_iとしてＸ＝｛ｘ₁，ｘ₂，…，ｘ_N｝とする。このとき、対象とするアイテムの実売価格をｘとすると、その偏差値Ｔ（ｘ）は次式（３）により計算される。

【0034】

【数3】

【0035】

Ｗｅｂサーバ３０は、アイテム情報テーブル３２からアイテム情報を取り出してユーザ端末１２に提示する提示部として機能する。また、Ｗｅｂサーバ３０は、ユーザ端末１２に提示されたアイテム画像等のアイテム情報に基づいてアイテムに対してユーザが入力した多段階の評価値としてのスコアを取得すると共に、取得したスコアをアイテム識別子とユーザ識別子とに関連つけて実スコアテーブル３８に保存する実スコア取得部としても機能する。図６は、ユーザ端末１２にアイテム画像を提示する提示画面の一例を示す説明図である。図６の例では、中央にアイテム画像が表示される。また、アイテム画像の左上にカテゴリ（「パンツ」）が表示され、アイテム画像の下に性別（「MEN'S」）が表示される。アイテム画像の左側にはハートマークが破れた「ＤＩＳＬＩＫＥ」のボタンが表示され、アイテム画像の右側にはハートマークの「ＬＩＫＥ」のボタンが表示される。アイテム画像の下には、この提示画面に提示されていないアイテム情報を表示するための「More」ボタンが設けられている。スコアは、実施例では、提示画面に提示されていないアイテム情報を表示することなく「ＬＩＫＥ」のボタンを押したときにはユーザの嗜好として最も好ましいと判断して「４」、提示画面に提示されていないアイテム情報を表示することなく「ＤＩＳＬＩＫＥ」のボタンを押したときにはユーザの嗜好として最も好ましくない（嫌い）と判断して「１」、提示画面に提示されていないアイテム情報を表示した後に「ＬＩＫＥ」のボタンを押したときにはユーザは迷いを感じながらも好ましいと判断して「３」、提示画面に提示されていないアイテム情報を表示した後に「ＤＩＳＬＩＫＥ」のボタンを押したときにはユーザは迷いを感じながらも好ましくない（嫌い）と判断した「２」、の４段階の評価値を用いた。このように多段階の評価値とすることにより、ユーザの嗜好をより適正に反映することができる。Ｗｅｂサーバ３０は、ユーザ端末１２に提示するアイテム情報としては、アイテム情報テーブル３２のアイテム情報のうちそれまでに提示していないアイテム情報であって、後述する予測スコアが最も高いアイテム情報から順に「ＬＩＫＥ」のボタン又は「ＤＩＳＬＩＫＥ」のボタンが操作される毎に提示される。ユーザ端末１２に提示したか否かの判定は、実スコアテーブル３８にユーザ識別子とアイテム識別子とに関連つけてスコアが保存されているか否かにより行なうことができる。なお、Ｗｅｂサーバ３０は、ユーザ端末１２から取得したユーザ情報をユーザ識別子に関連つけてユーザ情報テーブルに登録するユーザ登録部としての機能も有する。

【0036】

予測スコア計算部２６は、ユーザ毎に、実スコアテーブル３８のスコアとこのスコアに対応するアイテム特徴量ベクトルテーブル３４におけるアイテム特徴量ベクトルとに基づいて、アイテム特徴量ベクトルの入力に対してスコアを計算する近似関数を導出する。具体的には、まず、対象ユーザに対して、ユーザ識別子をキーとして実スコアテーブル３８からスコアとアイテム識別子とを１組とする情報をランダムに予め設定した数（例えば１００件など）だけ取得する。情報をランダムに取得するのは、ランダムに取得した情報に基づいて予測スコアの計算を行なうと、スコア計算の度に異なる結果が得られ、リコメンドする際の多様性や意外性を担保することができるからである。続いて、取得した情報のアイテム識別子をキーとして、アイテム特徴量ベクトルテーブル３４からアイテム特徴量ベクトルを取得し、アイテムｐのアイテム特徴量ベクトルｘ^pとアイテムｐのスコアｓ^pとに基づいて訓練データ（ｘ^p，ｓ^p），ｐ＝１，…，Ｐを次式（４）のように準備する。

【0037】

【数4】

【0038】

次に、訓練データの（ｘ^p，ｓ^p），ｐ＝１，…，Ｐのすべてのアイテム特徴量ベクトルｘ^pの入力に対してスコアｓ^pが出力されるように、即ちすべてのアイテムｐに対して次式（５）となるように、機械学習法を用いて近似関数Ｆを構築する。ここで、近似関数Ｆの構築（これを学習とも称する。）とは、関数構造Ｆおよびそのパラメータを決定することを意味する。機械学習法としては、ニューラルネットワークを始めとしてさまざまな方法を適用することができるが、実施例では、ラジアル基底関数ネットワークを用いた。ラジアル基底関数ネットワークを用いるのは、行列演算を１度行なうだけで高速に学習を行なうことができ、連続関数近似を得意としているため、実施例で想定している数万ユーザ数の予測スコア計算に向いているからである。

【0039】

【数5】

【0040】

ラジアル基底関数ネットワークでは、複数のガウス関数の重ね合わせで近似関数Ｆを構成する。ラジアル基底関数の近似関数Ｆは次式（６）として構成される。

【0041】

【数6】

【0042】

ラジアル基底関数ネットワークの学習では、ｘの成分数をＮとして、パラメータｗ，ｒ，ｖ₁，…ｖ_Mを次式（７）〜（１０）のように算出することができる。ここで、「λ」は予め設定しておく定数であり、「Ｉ」はＰ×Ｐの単位行列である。

【0043】

【数7】

【0044】

実施例では、構築した近似関数Ｆを用いて、全アイテムを評価する方法またはクラスタ上の代表点を評価する方法のいずれかの方法を用いて、アイテムの予測スコアを算出し、その結果を予測スコアテーブル３６に保存する。

【0045】

全アイテムを評価する方法では、まず、アイテム特徴量ベクトルテーブル３４の全アイテムに対するアイテム特徴量ベクトルを順次取得し、取得したアイテム特徴量ベクトルを近似関数Ｆに入力して全アイテムに対する予測スコアを算出する。ｉ番目のアイテムのアイテム特徴量ベクトルをｘｉとすると、ｉ番目のアイテムの予測スコアｓｉは、次式（１１）として算出することができる。こうして算出した予測スコアを大きい順に並び替え、スコアが大きい予測スコアから予め定めた設定数（例えば１０００件など）だけ予測スコアにアイテム識別子とユーザ識別子とに関連つけて予測スコアテーブル３６に保存する。

【0046】

【数8】

【0047】

クラスタ上の代表点を評価する方法では、まず、事前にアイテム特徴量ベクトルを特徴量として、公知のベクトル量子化器を用いて予測対象アイテムをクラスタリングし、各クラスタの代表ベクトルを保存しておく。次に、各クラスタの代表ベクトルを近似関数Ｆに入力して、各クラスタの代表ベクトルの予測スコアを算出する。ｉ番目のクラスタの代表ベクトルをｘｉとすると、ｉ番目のクラスタの代表ベクトルの予測スコアｓｉは、上述の式（１１）として算出することができる。すべてのクラスタの代表ベクトルの予測スコアを算出すると、代表ベクトルの予測スコアが大きい順にクラスタを並び替え、１番目のクラスタに含まれるアイテムでスコアリングが行われていないアイテムについて、上述の式（１１）を用いて予測スコアを算出し、そのスコアが大きい順に予測スコアをアイテム識別子とユーザ識別子とに関連つけて予測スコアテーブル３６に保存する。１番目のクラスタに含まれるアイテムの評価が終了したら、２番目のクラスタに移行し、これを順次繰り返す。この操作の過程で設定数（例えば１０００件）まで予測スコアテーブル３６に保存した時点で処理を終了する。

【0048】

予測スコア計算部２６は、上述したように、ユーザ毎にそのユーザの実スコアに基づいて近似関数Ｆを導出するが、ユーザが指定した実スコアに基づいて近似関数Ｆを導出するものとしてもよい。例えば、ユーザが、自分自身と他のユーザ（例えば、雑誌モデルなど）を指定したときには、ユーザの実スコアと指定した他のユーザ（以下、「お気に入りユーザ」と称する。）の実スコアとに基づいて近似関数Ｆを導出する。具体的には、実スコアテーブル３８からユーザのスコアを件数Ｐ１だけランダムに取得すると共にお気に入りユーザのスコアを件数Ｐ２だけランダムに取得する。そして、取得した全件数Ｐ（＝Ｐ１＋Ｐ２）のスコアを用いて上述した手法により近似関数Ｆを導出する。ここで、件数Ｐ１，Ｐ２は、予め設定したものとしてもよいし、ユーザが設定するものとしてもよい。ユーザが設定する場合、件数Ｐ１，Ｐ２はユーザとお気に入りユーザとに対する嗜好の重みを設定するものと解することができる。このように、ユーザとユーザが指定した他のユーザのスコアに基づいて近似関数Ｆを導出することにより、ユーザの嗜好だけでなく、ユーザの嗜好と指定した他のユーザの嗜好とを融合した嗜好に沿った予測スコアを計算することができる。

【0049】

上述したように、Ｗｅｂサーバ３０は、ユーザ端末１２から実施例のアイテムリコメンドシステムへのアクセスを受けると、アイテム情報の提示のリクエストと判断し、ユーザ識別子をキーとして予測スコアテーブル３６の予測スコアのアイテム情報のうち、それまでに提示していないアイテム情報であって予測スコアが最も高いアイテム情報をユーザ端末１２に提示する。予測スコア計算部２６では、ユーザの嗜好に沿った予測スコアを計算したり、ユーザの嗜好とユーザが指定した他のユーザの嗜好とを融合した嗜好に沿った予測スコアを計算するから、ユーザの意向に沿ったアイテム情報を提示することができる。

【0050】

パラメータ最適値計算部２８は、アイテム特徴量ベクトル計算部２４でアイテム特徴量ベクトルを計算するのに必要なパラメータの最適値を計算する。この計算は、まず、実スコアテーブル３８の対象ユーザのスコアをランダムに所定件数Ｐ（例えば２００件）だけ取得し、取得した全スコアのうち所定件数Ｐ１（例えば１００件）を訓練データとし、残余の件数Ｐ２（＝Ｐ−Ｐ１、例えば１００件）を評価データとする。次に、訓練データを用いてアイテム特徴量ベクトルを計算するのに必要なパラメータの１つを変化させたアイテム特徴量ベクトルを訓練用ベクトルとして計算する。そして、評価データに対応するアイテム特徴量ベクトルと訓練用ベクトルとに基づいてパラメータの最適値を計算する。具体例として、以下に、アイテム画像に含まれる代表色情報を計算する際に用いられる切り抜きパラメータ「w#offset」，「h#offset」，「h#ratio」，「w#h#ratio」の最適値を計算する様子について説明する。切り抜きパラメータＹを次式（１２）のように表わし、式（１３）に示すように機械学習機を構築する。そして、式（１４）に示す最適化問題を解いて切り抜きパラメータＹを決定する。この最適化問題は、種々の連続変数最適化手法（例えば、粒子群最適化法や、差分進化法など）で解くことができる。こうして得られた切り抜きパラメータＹは、アイテム特徴量ベクトル計算部２４に送られて用いられる。

【0051】

【数9】

【数10】

【数11】

【0052】

以上説明した実施例のアイテムリコメンドシステムでは、ユーザ毎に実スコアテーブル３８のスコアと対応するアイテム特徴量ベクトルとに基づいて近似関数Ｆを導出し、導出した近似関数Ｆを適用して全アイテム情報に対して予測スコアを計算し、ユーザ端末１２に対してそれまでに表示されていないアイテム情報のうち最も高い予測スコアのアイテム情報を提示する。このため、ユーザの嗜好により適合したアイテムをリコメンドすることができる。

【0053】

また、実施例のアイテムリコメンドシステムでは、実スコアテーブル３８のスコアのうちユーザのスコアを用いて近似関数Ｆを導出したり、ユーザのスコアとユーザが指定した他のユーザのスコアとを用いて近似関数Ｆを導出したりすることができるから、ユーザは、自分の嗜好だけでなく、指定した他のユーザの嗜好に沿ったアイテムをリコメンドすることができる。

【0054】

実施例のアイテムリコメンドシステムでは、アイテム画像に対してアイテムのカテゴリ毎の所定領域の各画素の色情報におけるＬａｂ色空間の座標の分布に基づいてアイテム画像に含まれる代表色情報（代表色ベクトル）を計算し、これをアイテム特徴量ベクトルの成分とする。これにより、ユーザの色に対する嗜好をより反映したアイテムをリコメンドすることができる。

【0055】

実施例のアイテムリコメンドシステムでは、予め定めた各ブランド間の距離に基づいて同定されるＮ次元空間の座標としてブランド座標とカテゴリ座標とを計算し、これをアイテム特徴量ベクトルの成分とする。これにより、ユーザのブランドやカテゴリに対する嗜好をより反映した予測スコアを計算することができ、ユーザのブランドやカテゴリに対する嗜好をより反映したアイテムをリコメンドすることができる。

【0056】

実施例のアイテムリコメンドシステムでは、アイテム特徴量ベクトル計算部２４でアイテム特徴量ベクトルを計算するのに必要なパラメータの最適値を計算し、計算したパラメータを用いてアイテム特徴量ベクトルを計算する。これにより、アイテム特徴量ベクトルを計算するのに必要なパラメータをより適正なものとすることができる。しかも、パラメータの最適値の計算において、アイテム特徴量ベクトルのうちパラメータにより影響を受ける成分と影響を受けない成分とを用いて最適化問題を解くから、より容易に且つ適正にパラメータの最適値を計算するものとすることもできる。

【0057】

実施例のアイテムリコメンドシステムでは、アイテム情報テーブル３２のアイテム情報のうちそれまでに提示していないアイテム情報であって、予測スコアが最も高いアイテムをユーザ端末１２に提示し、「ＬＩＫＥ」のボタン又は「ＤＩＳＬＩＫＥ」のボタンが操作される毎に次に予測スコアの高いアイテムをユーザ端末１２に提示するものとした。しかし、予測スコアが最も高いアイテムから順に所定数（例えば、５つ）をユーザ端末１２に一覧で提示するものとしてもよい。この場合、「ＬＩＫＥ」のボタンや「ＤＩＳＬＩＫＥ」のボタンなどの評価値を設定するためのボタンを各アイテムの左右の両方或いは一方に配置すればよい。

【0058】

実施例のアイテムリコメンドシステムでは、提示画面に提示されていないアイテム情報を表示することなく「ＬＩＫＥ」のボタンを押したときの「４」、提示画面に提示されていないアイテム情報を表示することなく「ＤＩＳＬＩＫＥ」のボタンを押したときの「１」、提示画面に提示されていないアイテム情報を表示した後に「ＬＩＫＥ」のボタンを押したときの「３」、提示画面に提示されていないアイテム情報を表示した後に「ＤＩＳＬＩＫＥ」のボタンを押したときの「２」、の１〜４の４段階の評価値としてスコアを取得するものとした。しかし、提示画面に提示されていないアイテム情報を表示した後の評価値としてはアイテム情報の提示の程度に応じた段階的な評価値としてもよい。例えば、アイテム情報の提示画面が最初のアイテム画像の提示画面を含めて３つある場合、最初のアイテム画像の提示画面の表示だけで「ＬＩＫＥ」「ＤＩＳＬＩＫＥ」のボタンを操作したときの「６」「１」、最初のアイテム画像の提示画面と次のアイテム情報の提示画面の２つの提示画面の表示に対して「ＬＩＫＥ」「ＤＩＳＬＩＫＥ」のボタンを操作したときの「５」「２」、３つの提示画面のすべての表示に対して「ＬＩＫＥ」「ＤＩＳＬＩＫＥ」のボタンを操作したときの「４」「３」の６段階としてもよい。また、アイテム画像の提示画面の提示を開始してから「ＬＩＫＥ」「ＤＩＳＬＩＫＥ」のボタンを操作するまでの時間に応じた段階的な数値を評価値としてもよい。例えば、アイテム画像の提示画面の提示を開始してから「ＬＩＫＥ」「ＤＩＳＬＩＫＥ」のボタンを操作するまでの時間が３秒以内のときの「４」「１」、３秒を超える時間を要したときの「３」「２」の４段階としてもよい。更に、アイテム情報の提示の程度とアイテム画像の提示画面の提示を開始してから「ＬＩＫＥ」「ＤＩＳＬＩＫＥ」のボタンを操作するまでの時間に基づいて多段階の評価値としてもよい。これらの評価値をスコアとして用いれば、ユーザの嗜好をより適切に反映した予測スコアを設定することができ、ユーザの嗜好により適正なアイテムをリコメンドすることができる。

【0059】

実施例のアイテムリコメンドシステムでは、アイテム情報として、アイテム名，ＥＣ サイトのショップ名，ブランド名，アイテム画像ＵＲＬ，カテゴリ，性別，定価，実売価格，実売価格の割引率，展開されているサイズ，素材の情報，原産国，紹介文などとしたが、アイテム情報はこれらに限定されるものではなく、これらの一部としてもよいし、他の情報を含めるものとしてもよい。基本的にアイテム情報に含まれる情報として好ましい情報としては、アイテム名，ＥＣ サイトのショップ名，ブランド名，アイテム画像ＵＲＬ，カテゴリ，性別などを挙げることができる。

【0060】

実施例のアイテムリコメンドシステムでは、アイテム特徴量ベクトルの成分として、アイテム画像に含まれる代表色情報とその占有率，ブランド座標，カテゴリ座標，同一カテゴリ内での実売価格の偏差値，実売価格の割引率を有するものとした。しかし、アイテム特徴量ベクトルの成分としては、これらに限定されるものではなく、これらの一部としてもよいし、他の成分を含めるものとしてもよい。基本的にアイテム特徴量ベクトルの成分として含まれるのが好ましい成分としては、アイテム画像に含まれる代表色情報，ブランド座標，カテゴリ座標などを挙げることができる。

【0061】

実施例のアイテムリコメンドシステムでは、単一ユーザのスコアリング結果あるいは複数ユーザのスコアリング結果から、訓練データをランダムに予め設定した数だけ取得する方法を用いるものとした。さらに、単一ユーザのスコアリング結果のクラスタを利用する場合や、複数ユーザのスコアリング結果のクラスタを利用する場合を挙げることができる。これらについて以下に簡単に説明する。

【0062】

単一ユーザのスコアリング結果のクラスタを利用する場合では、まず、実スコアテーブル３８から予測対象ユーザのスコアリング結果のすべて（全スコア）を取得する。次に、全スコアを公知のベクトル量子化器を用いてアイテム特徴量ベクトルを特徴量として、スコアリングされたアイテムをスコア毎にクラスタリングし、各クラスタの代表ベクトルを算出する。算出された代表ベクトルとスコアの情報を用いてデータセットを次式（１５）のように生成する。これらをまとめてＰ＝Ｐ１＋Ｐ２＋Ｐ３＋Ｐ４個の訓練データとし、上述した方法を適用して、予測対象ユーザの予測スコアを算出する。

【0063】

【数12】

【0064】

複数ユーザのスコアリング結果のクラスタを利用する場合では、まず、ユーザ情報テーブルから予測対象ユーザのお気に入りユーザのユーザ識別子を取得する。次に、実スコアテーブル３８から予測対象ユーザのスコアリング結果のすべて（全スコア）とお気に入りユーザのスコアリング結果のすべて（全スコア）を取得する。これらを用いて、上述の単一ユーザのスコアリング結果のクラスタを利用する場合と同様にして、対象ユーザの予測スコアを算出する。

【0065】

実施例のアイテムリコメンドシステムは、アイテム情報取得部２２やアイテム特徴量ベクトル計算部２４，予測スコア計算部２６，パラメータ最適値計算部２８の他に、アイテム特徴量の一部が変更された場合に、対象アイテムに対する予測スコアがどのように変化するかを計算するスコア変動計算部を備えるものとしてもよい。スコア変動計算部は、対象アイテムのアイテム情報に対してアイテム特徴量ベクトルを計算し、対象ユーザに対する近似関数Ｆを用いて予測スコアを計算して第１スコアとする。次に対象アイテムのアイテム情報のアイテム特徴量（例えば価格など）の一部を変更した情報に対してアイテム特徴量ベクトルを計算し、対象ユーザに対する近似関数Ｆを用いて予測スコアを計算して第２スコアとする。これを全ユーザまたは指定したユーザに対して行ない、第１スコアと第２スコアとを出力する。こうすれば、アイテム特徴量の変動に対して予測スコアの変化を容易に見いだすことができる。この場合、対象アイテムのアイテム情報のアイテム特徴量の一部を順次変更して複数の予測スコアを計算し、計算した複数の予測スコアのうち最も高い予測スコアを含む所定数の予測スコアを第２スコアとし、この第２スコアとアイテム特徴量とを出力するものとしてもよい。こうすれば、最も高い予測スコアに対するアイテム特徴量を容易に見いだすことができる。

【0066】

以上、本発明を実施するための形態について実施例を用いて説明したが、本発明はこうした実施例に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において、種々なる形態で実施し得ることは勿論である。

【産業上の利用可能性】

【0067】

本発明は、アイテムリコメンドシステムの製造産業などに利用可能である。

【符号の説明】

【0068】

１０ ＥＣサイト、１２ ユーザ端末、２０ アイテムリコメンドシステム、２２ アイテム情報取得部、２４ アイテム特徴量ベクトル計算部、２６ 予測スコア計算部、２８ パラメータ最適値計算部、３０ Ｗｅｂサーバ、３２ アイテム情報テーブル、３４ アイテム特徴量ベクトルテーブル、３６ 予測スコアテーブル、３８ 実スコアテーブル、４０ ユーザ情報テーブル。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】