特開 2023-14409 商品名寄せシステム、名寄せ商品マスタの生成方法、及びプログラム

(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】P2023014409

(43)【公開日】2023-01-27

(54)【発明の名称】商品名寄せシステム、名寄せ商品マスタの生成方法、及びプログラム

(51)【国際特許分類】

   G06F 16/9035 20190101AFI20230119BHJP

   G06Q 30/02 20230101ALI20230119BHJP

   G06Q 50/10 20120101ALI20230119BHJP

【ＦＩ】

G06F16/9035

G06Q30/02

G06Q50/10

【審査請求】未請求

【請求項の数】14

【出願形態】ＯＬ

(21)【出願番号】P 2021117730

(22)【出願日】2021-07-16

【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り ２０２０年１１月５日 ウェブサイト 「ｈｔｔｐｓ：／／ｐｒｔｉｍｅｓ．ｊｐ／ｍａｉｎ／ｈｔｍｌ／ｒｄ／ｐ／００００００００１．００００６８６５２．ｈｔｍｌ」、 （公開事実Ｎｏ．１） 「ｈｔｔｐｓ：／／ｊｐ．ｔｅｃｈｃｒｕｎｃｈ．ｃｏｍ／２０２０／１１／０５／ｌａｚｕｌｉ／」 （公開事実Ｎｏ．２）及び 「ｈｔｔｐｓ：／／ｌｅｄｇｅ．ａｉ／ｌａｚｕｌｉ－ｙｕｔａｋａ－ｍａｔｓｕｏ／」 （公開事実Ｎｏ．３）における公開 ［刊行物等］ ２０２０年１１月６日 ウェブサイト 「ｈｔｔｐｓ：／／ｓｏｇｙｏｔｅｃｈｏ．ｊｐ／ｎｅｗｓ／２０２０１１０６ｌａｚｕｌｉ／」 （公開事実Ｎｏ．４）及び 「ｈｔｔｐｓ：／／ｓｔａｒｔｕｐｌｏｇ．ｃｏｍ／ｎ／ｎ９ｂｃ９ｄａｂ９６ｄｂ３」 （公開事実Ｎｏ．５）における公開 ［刊行物等］ ２０２０年１１月１１日 ウェブサイト 「ｈｔｔｐｓ：／／ｗｗｗ．ｆａｓｔｇｒｏｗ．ｊｐ／ａｒｔｉｃｌｅｓ／ｆｕｎｄｉｎｇ－２０１１０８」 （公開事実Ｎｏ．６）における公開 ［刊行物等］ ２０２０年１１月５日 ウェブサイト 「ｈｔｔｐｓ：／／ｓｉｇｎａｌ．ｄｉａｍｏｎｄ．ｊｐ／ａｒｔｉｃｌｅｓ／－／３７６」 （公開事実Ｎｏ．７）及び 「ｈｔｔｐｓ：／／ｔｈｅｂｒｉｄｇｅ．ｊｐ／２０２０／１１／ｌａｚｕｌｉ－ｓｅｅｄ－ｒｏｕｎｄ－ｆｕｎｄｉｎｇ」 （公開事実Ｎｏ．９）における公開 ［刊行物等］ ２０２０年１１月６日 ウェブサイト 「ｈｔｔｐｓ：／／ａｓｃｉｉ．ｊｐ／ｅｌｅｍ／０００／００４／０３３／４０３３２６１／」 （公開事実Ｎｏ．８）及び 「ｈｔｔｐｓ：／／ｗｅｅｋｌｙ．ａｓｃｉｉ．ｊｐ／ｅｌｅｍ／０００／００４／０３３／４０３３２６１／」 （公開事実Ｎｏ．１０）における公開

【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り ［刊行物等］ ２０２１年３月４日 グローバルビジネスハブ東京において、添付資料に基づく記者発表による公開 （公開事実Ｎｏ．１１） ［刊行物等］ ２０２１年３月４日 ウェブサイト 「ｈｔｔｐｓ：／／ｐｒｔｉｍｅｓ．ｊｐ／ｍａｉｎ／ｈｔｍｌ／ｒｄ／ｐ／００００００００５．００００６８６５２．ｈｔｍｌ」 （公開事実Ｎｏ．１２）、 「ｈｔｔｐｓ：／／ｌａｚｕｌｉ．ｎｉｎｊａ／ｎｅｗｓ／２０２１／２１０３０４＿ＰＲ＿Ｌａｚｕｌｉ＿Ｓｏｌｕｔｉｏｎ＿ｆｉｎａｌ．ｐｄｆ」 （公開事実Ｎｏ．１３）及び 「ｈｔｔｐｓ：／／ｊａｐａｎ．ｃｎｅｔ．ｃｏｍ／ｒｅｌｅａｓｅ／３０５２５９１９／」 （公開事実Ｎｏ．１７）における公開 ［刊行物等］ ２０２１年３月５日 ウェブサイト 「ｈｔｔｐｓ：／／ｊａｐａｎ．ｔｅｃｈｒｅｐｕｂｌｉｃ．ｃｏｍ／ａｒｔｉｃｌｅ／３５１６７３５８．ｈｔｍ」 （公開事実Ｎｏ．１４）、 「ｈｔｔｐｓ：／／ｎｅｗｓ．ｍｙｎａｖｉ．ｊｐ／ａｒｔｉｃｌｅ／２０２１０３０５－１７７６３７８／」 （公開事実Ｎｏ．１５）、及び 「ｈｔｔｐｓ：／／ｏｎｌｉｎｅ．ｌｏｇｉ－ｂｉｚ．ｃｏｍ／３７８３１／」 （公開事実Ｎｏ．１６）における公開 ［刊行物等］ ２０２１年３月２３日 ウェブサイト 「ｈｔｔｐｓ：／／ｄｃｒｏｓｓ．ｉｍｐｒｅｓｓ．ｃｏ．ｊｐ／ｄｏｃｓ／ｎｅｗｓ／００２２２７．ｈｔｍｌ」 （公開事実Ｎｏ．１８）における公開

【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り ［刊行物等］ ２０２０年１２月３日 ウェブサイト 「ｈｔｔｐｓ：／／ｐｒｔｉｍｅｓ．ｊｐ／ｍａｉｎ／ｈｔｍｌ／ｒｄ／ｐ／００００００００２．００００６８６５２．ｈｔｍｌ」 （公開事実Ｎｏ．１９）における公開 ［刊行物等］ ２０２０年１２月２３日 ウェブサイト 「ｈｔｔｐｓ：／／ｐｒｔｉｍｅｓ．ｊｐ／ｍａｉｎ／ｈｔｍｌ／ｒｄ／ｐ／００００００００３．００００６８６５２．ｈｔｍｌ」 （公開事実Ｎｏ．２０）における公開 ［刊行物等］ ２０２１年１月２６日 ウェブサイト 「ｈｔｔｐｓ：／／ｐｒｔｉｍｅｓ．ｊｐ／ｍａｉｎ／ｈｔｍｌ／ｒｄ／ｐ／００００００００４．００００６８６５２．ｈｔｍｌ」 （公開事実Ｎｏ．２１）における公開 ［刊行物等］ ２０２１年３月９日 ウェブサイト 「ｈｔｔｐｓ：／／ｓｅｒｖｉｃｅ．ｌａｚｕｌｉ．ｎｉｎｊａ／」 （公開事実Ｎｏ．２２）における公開 ［刊行物等］ ２０２１年６月８日 ウェブサイト 「ｈｔｔｐｓ：／／ｌａｚｕｌｉ．ｎｉｎｊａ／ｎｅｗｓ／２０２１／２１０６０８＿ＰＲ＿Ｌａｚｕｌｉ＿ＰＤＰ＿ｆｏｒ＿Ｐｈａｒｍａ．ｐｄｆ」 （公開事実Ｎｏ．２３）における公開 ［刊行物等］ ２０２１年６月８日 ウェブサイト 「ｈｔｔｐｓ：／／ｐｒｔｉｍｅｓ．ｊｐ／ｍａｉｎ／ｈｔｍｌ／ｒｄ／ｐ／００００００００８．００００６８６５２．ｈｔｍｌ」 （公開事実Ｎｏ．２４）における公開

(71)【出願人】

【識別番号】521181954

【氏名又は名称】Ｌａｚｕｌｉ株式会社

(74)【代理人】

【識別番号】100094569

【弁理士】

【氏名又は名称】田中 伸一郎

(74)【代理人】

【識別番号】100103610

【弁理士】

【氏名又は名称】▲吉▼田 和彦

(74)【代理人】

【識別番号】100109070

【弁理士】

【氏名又は名称】須田 洋之

(74)【代理人】

【識別番号】100067013

【弁理士】

【氏名又は名称】大塚 文昭

(74)【代理人】

【識別番号】100086771

【弁理士】

【氏名又は名称】西島 孝喜

(74)【代理人】

【識別番号】100109335

【弁理士】

【氏名又は名称】上杉 浩

(74)【代理人】

【識別番号】100120525

【弁理士】

【氏名又は名称】近藤 直樹

(74)【代理人】

【識別番号】100139712

【弁理士】

【氏名又は名称】那須 威夫

(74)【代理人】

【識別番号】100222612

【弁理士】

【氏名又は名称】山本 飛翔

(74)【代理人】

【識別番号】100210239

【弁理士】

【氏名又は名称】富永 真太郎

(72)【発明者】

【氏名】萩原 静厳

【テーマコード（参考）】

5B175

5L049

【Ｆターム（参考）】

5B175FA03

5B175HA01

5B175JB02

5L049BB01

5L049CC11

(57)【要約】

【課題】商品情報の伝達及びデータ整備の手間や時間を省くことができ、及び／又は、商品情報又は付加情報により、需要予測などのマーケティング分析、商品開発、又は商品のレコメンドに必要な商品に係る情報を提供する。
【解決手段】商品名寄せシステム１は、複数の商品データを取得する商品データ取得部２０と、複数の商品データを解析し、同一商品に係る複数の商品データを特定する同一商品判定部３０と、複数の商品データを解析し、当該商品データに含まれる商品情報を当該商品情報のカテゴリ毎に分類し、各商品について、同一商品に係る複数の商品データに含まれる商品情報を当該商品情報のカテゴリ毎に統合して名寄せ商品マスタを生成する統合生成部４０と、商品データに含まれる商品の特徴を示すデータから商品の特徴／評価情報を生成する特徴／評価情報生成部５０と、同一商品に係る特徴／評価情報を含む付加情報を当該同一商品に関連付ける情報付加部７０と、を備える。
【選択図】図２

【特許請求の範囲】

【請求項1】

複数の商品データを取得する商品データ取得部と、
前記複数の商品データを解析し、同一商品に係る前記複数の商品データを特定する同一商品判定部と、
前記複数の商品データを解析し、当該商品データに含まれる商品情報を当該商品情報のカテゴリ毎に分類し、各前記商品について、前記同一商品に係る前記複数の商品データに含まれる商品情報を当該商品情報のカテゴリ毎に統合して名寄せ商品マスタを生成する統合生成部と、
前記商品データに含まれる商品の特徴を示すデータから前記商品の特徴／評価情報を生成する特徴／評価情報生成部と、
前記同一商品に係る前記特徴／評価情報を含む付加情報を当該同一商品に関連付ける情報付加部と、
を備えた、
商品名寄せシステム。

【請求項2】

前記特徴／評価情報生成部は、
前記商品データに含まれる商品の特徴を示すテキストデータから当該商品の特徴を示す単語を特定する特定部と、
前記単語に関連付けて前記特徴／評価情報を生成する生成部と、
を有する、
請求項１に記載の商品名寄せシステム。

【請求項3】

前記特徴／評価情報生成部は、
前記単語に対応する前記商品情報のカテゴリを推定するカテゴリ推定部を有し、
前記生成部は、前記単語及び前記カテゴリに関連付けて前記特徴／評価情報を生成する、
請求項２に記載の商品名寄せシステム。

【請求項4】

前記特徴／評価情報は、前記商品の印象、雰囲気、テイスト、質感、品質、及び用途の少なくとも１つ以上の前記商品情報のカテゴリに含まれる情報である、
請求項３に記載の商品名寄せシステム。

【請求項5】

前記特徴／評価情報に基づいて、前記商品間の関係性を示す商品グラフを生成する商品グラフ生成部を備え、
前記付加情報は、前記商品グラフ又は前記商品グラフを生成するためのグラフベクトル情報を含む、
請求項１～４のいずれか１項に記載の商品名寄せシステム。

【請求項6】

前記商品グラフ生成部は、同一商品カテゴリの前記商品グラフを生成する、
請求項５に記載の商品名寄せシステム。

【請求項7】

前記商品グラフ生成部は、複数の商品カテゴリ間の前記商品グラフを生成する、
請求項５又は６に記載の商品名寄せシステム。

【請求項8】

前記商品グラフ生成部は、
前記特徴／評価情報に基づくベクトル情報を算出するベクトル情報算出部と、
前記ベクトル情報に基づいて、前記商品間の距離を算出する距離算出部と、
を有する、
請求項５～７のいずれか１項に記載の商品名寄せシステム。

【請求項9】

前記複数の商品データのいずれかの商品データは、商品名、スペック情報、前記商品の物流情報、取引情報、顧客情報、及び購買情報の少なくとも１つを含む、
請求項１～８のいずれか１項に記載の商品名寄せシステム。

【請求項10】

前記複数の商品データは、異なる二以上の組織の商品データを含む、
請求項１～９のいずれか１項に記載の商品名寄せシステム。

【請求項11】

前記同一商品判定部は、
前記商品データに含まれる少なくとも商品名を含む商品識別潜在情報に基づいて、複数の商品識別潜在パターンを複数の前記商品データ毎にそれぞれ生成するパターン生成部と、
前記商品データ毎に、各前記商品識別潜在パターンのベクトル情報をそれぞれ生成するベクトル情報生成部と、
前記商品識別潜在パターン毎に、２つの商品の商品データのベクトル情報に基づいて前記２つの商品の類似度をそれぞれ算出する類似度算出部と、
前記類似度に基づいて、前記２つの商品が同一であるか否かを判定する判定部と、
を有する、
請求項１～１０のいずれか１項に記載の商品名寄せシステム。

【請求項12】

前記統合生成部は、前記判定部により同一であると判定された前記２つの商品データに含まれる商品情報を当該商品情報のカテゴリ毎に統合し、当該同一商品の商品マスタである名寄せ商品マスタを生成する、
請求項１１に記載の商品名寄せシステム。

【請求項13】

複数の商品データを取得する商品データ取得ステップと、
前記複数の商品データを解析し、同一商品に係る前記複数の商品データを特定する同一商品判定ステップと、
前記複数の商品データを解析し、当該商品データに含まれる商品情報を当該商品情報のカテゴリ毎に分類し、各前記商品について、前記同一商品に係る前記複数の商品データに含まれる商品情報を当該商品情報のカテゴリ毎に統合して名寄せ商品マスタを生成する統合生成ステップと、
前記商品データに含まれる商品の特徴を示すデータから前記商品の特徴／評価情報を生成する特徴／評価情報生成ステップと、
前記同一商品に係る前記特徴／評価情報を含む付加情報を当該同一商品に関連付ける情報付加ステップと、
を備えた、
名寄せ商品マスタの生成方法。

【請求項14】

請求項１３に記載の方法をコンピュータに実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、商品名寄せシステム、名寄せ商品マスタの生成方法、及びプログラムに関する。

【背景技術】

【0002】

メーカと卸業者との間、卸業者と小売業者との間、或いは、１つの企業内の複数の部署間など、複数の組織間での商品取引により、商品が運搬、流通される。各組織内では、商品情報を管理するために表計算ソフト等を用いて商品情報を含む商品データが管理されている。商品取引の際には、商品の運搬だけでなく、組織間で商品データが伝達される。商品データの従来の伝達方法としては、電子メールで取引先の組織に送信されることで取引に係る商品の商品情報の伝達がなされている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特許第６４２７８５０号

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかし、上記の従来の商品情報の伝達では、商品情報の取扱いに手間と時間のかかるという問題があった。例えば、商品データは、同じ商品であっても組織毎に表記にばらつきがあったり、フォーマットが異なっていたりするため、他の組織から得られた商品データに含まれる商品情報を自らの組織内で利用するには、当該組織用に表計算ソフトにデータを入力し直すなど整備して管理する必要がある場合があった。その際には、データの転記ミスや入力すべきデータの漏れが発生する場合もある。さらには、こうしたデータ整備作業は商品データに含まれる商品情報が更新される度に行う必要がある。また、メーカと卸業者との間、卸業者と小売業者との間、或いは、１つの企業内の複数の部署間など、１つの組織が複数の組織と複数の商品を取り扱う場合もあり、この場合、上記のようなデータ整備作業は膨大になる。このように、商品情報の伝達及びデータ整備は手間と時間のかかるという問題があった。

【0005】

また、商品データには、商品の特徴／評価を示す情報が含まれる場合がある。しかし、商品データを収集するだけでは、商品の特徴／評価を示す情報を利活用することができないという問題があった。

【0006】

本発明は、このような課題を解決するためになされたものであり、商品情報の伝達及びデータ整備の手間や時間を省くことができる商品名寄せシステム、名寄せ商品マスタの生成方法、及びプログラムを提供することを目的の１つとする。

【0007】

また、本発明は、商品情報又は付加情報により、需要予測などのマーケティング分析、商品開発、又は商品のレコメンドに必要な商品に係る情報を提供することのできる商品名寄せシステム、名寄せ商品マスタの生成方法、及びプログラムを提供することを目的の１つとする。

【課題を解決するための手段】

【0008】

本発明の一態様としての商品名寄せシステムは、複数の商品データを取得する商品データ取得部と、前記複数の商品データを解析し、同一商品に係る前記複数の商品データを特定する同一商品判定部と、前記複数の商品データを解析し、当該商品データに含まれる商品情報を当該商品情報のカテゴリ毎に分類し、各前記商品について、前記同一商品に係る前記複数の商品データに含まれる商品情報を当該商品情報のカテゴリ毎に統合して名寄せ商品マスタを生成する統合生成部と、前記商品データに含まれる商品の特徴を示すデータから前記商品の特徴／評価情報を生成する特徴／評価情報生成部と、前記同一商品に係る前記特徴／評価情報を含む付加情報を当該同一商品に関連付ける情報付加部と、を備えた、ことを特徴とする。

【0009】

本発明の一態様としての名寄せ商品マスタの生成方法は、複数の商品データを取得する商品データ取得ステップと、前記複数の商品データを解析し、同一商品に係る前記複数の商品データを特定する同一商品判定ステップと、前記複数の商品データを解析し、当該商品データに含まれる商品情報を当該商品情報のカテゴリ毎に分類し、各前記商品について、前記同一商品に係る前記複数の商品データに含まれる商品情報を当該商品情報のカテゴリ毎に統合して名寄せ商品マスタを生成する統合生成ステップと、前記商品データに含まれる商品の特徴を示すデータから前記商品の特徴／評価情報を生成する特徴／評価情報生成ステップと、前記同一商品に係る前記特徴／評価情報を含む付加情報を当該同一商品に関連付ける情報付加ステップと、を備えた、ことを特徴とする。

【0010】

本発明の一態様としてのプログラムは、上記方法をコンピュータに実行させるプログラムである、ことを特徴とする。

【発明の効果】

【0011】

本発明によれば、商品情報の伝達及びデータ整備の手間や時間を省くことができ、及び／又は、商品情報又は付加情報により、需要予測などのマーケティング分析、商品開発、又は商品のレコメンドに必要な商品に係る情報を提供することができる。

【図面の簡単な説明】

【0012】

【図1】実施形態に係る商品名寄せシステムのハードウェア構成を示す図である。

【図2】実施形態に係る商品名寄せシステムの構成を示す図である。

【図3】商品データの一例であり、具体的には、ＥＣサイト上のＷｅｂデータの一例である。

【図4】同一商品判定部の詳細構成の一例を示す図である。

【図5】同一商品判定に係るプロセスを説明するための図である。

【図6】同一商品判定部により商品０～３が同一商品と判定される例を示すための図である。

【図7】同一商品判定部により商品０、４～６が異なる商品であると判定される例を示すための図である。

【図8】同一商品判定部により、商品０とは異なる商品１０～１３が同一商品であると判定される例を示すための図である。

【図9】同一商品判定部により商品１０、１４～１６が異なる商品であると判定される例を示すための図である。

【図10】同一商品判定部により商品２０～２３について同一商品判定の例を示すための図である。

【図11】同一商品判定部により商品３０～３３について同一商品判定の例を示すための図である。

【図12】統合生成部の詳細構成の一例を示す図である。

【図13】名寄せ商品マスタの一例を示す図である。

【図14】特徴／評価情報生成部の詳細構成の一例を示す図である。

【図15】商品グラフ生成部の詳細構成の一例を示す図である。

【図16】商品グラフの一例を示す図である。

【図17】実施形態の商品名寄せシステムの動作フローチャートの一例である。

【図18】実施形態の名寄せ商品マスタ生成装置の動作フローチャートの一例である。

【発明を実施するための形態】

【0013】

以下、本発明に係る商品名寄せシステム及び名寄せ商品マスタ生成装置の実施形態について、図面を参照して詳細に説明する。本明細書においては、説明の便宜上、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成についての重複説明を省略する場合がある。

【0014】

［１．構成］
［１－１．概要］
本実施形態の商品名寄せシステムは、商品に係るデータである商品データを複数取得し、これらの商品データが同一商品に係るものである場合に、当該商品データに含まれる商品情報を、当該商品情報のカテゴリ毎に分類及び統合して名寄せ商品マスタ（後述の図１３参照）を生成する。

【0015】

商品データは、商品に係るデータであり、例えば、商品名、商品のスペック情報、商品の特徴／評価を示す情報などの商品情報を含む。商品データは、商品の物流情報（例えば、在庫ロケーション、出荷・入荷許容日数など）、取引情報（例えば、仕入単価、販売単価など）、顧客情報、購買情報を含んでいても良い。商品データの対象とする商品は、医薬品であっても良い。

【0016】

各商品データは、同一商品に係る商品データであっても、商品情報にバラツキがあり、統一されていない場合がある。例えば、商品名の場合、メーカの正式な商品名を含む商品データもあれば、正式な商品名を含まず、商品の略称又は通称を含む商品データも存在する。商品のスペック情報の場合、商品の内容量や大きさの単位が区々である場合がある。このように、本実施形態の商品名寄せシステムは、各商品について、統一されていない商品データを整備し、統合して統一的な商品マスタである名寄せ商品マスタを生成する。

【0017】

また、商品名寄せシステムは、商品データに含まれる商品の特徴を示すデータから当該商品の特徴／評価情報を生成する。商品名寄せシステムは、特徴／評価情報に基づいて、商品グラフを生成しても良い。特徴／評価情報は、商品の特徴及び／又は評価を示す情報であり、商品名、スペック情報を含まない。特徴／評価情報の詳細は後述する。商品グラフは、商品間の関係性を示すグラフであり、詳細は後述する。

【0018】

このような商品名寄せシステム、名寄せ商品マスタ、特徴／評価情報及び商品グラフは、クラウドコンピューティングにより提供することができる。

【0019】

［１－２．ハードウェア構成］
図１は、本実施形態に係る商品名寄せシステムのハードウェア構成を示す図である。商品名寄せシステム１は、プロセッサ１ａ、記憶装置１ｂ、入力装置１ｃ、出力装置１ｄ、及び通信装置１ｅを備える。各構成１ａ～１ｅはバス１ｆによって接続される。なお、バス１ｆと各構成１ａ～１ｅとの間には必要に応じてインタフェースが介在していても良い。商品名寄せシステム１は、デスクトップ型コンピュータ、タブレット型コンピュータ、ノートパソコンなどのコンピュータを含み構成することができ、１つの物理的な装置で構成される必要はなく、複数の物理的な装置から構成されても良い。

【0020】

プロセッサ１ａは、商品名寄せシステム１全体の動作を制御する。プロセッサ１ａは、例えばＣＰＵ、ＭＰＵ等の電子回路である。プロセッサ１ａは、記憶装置１ｂに格納されているプログラム、データを読み込んで実行することにより、様々な処理を実行する。プロセッサ１ａは、複数のプロセッサから構成されていても良い。

【0021】

記憶装置１ｂは、揮発性メモリであるＲＡＭ１ｂ－１及び不揮発性メモリであるＲＯＭ１ｂ－２を含む。記憶装置１ｂは、外部メモリ１ｂ－３を含んでも良い。ＲＡＭ１ｂ－１は、プロセッサ１ａのメインメモリ及び／又は作業領域として機能する。プロセッサ１ａは、処理の実行に際して必要なプログラム等をＲＯＭ１ｂ－２や外部メモリ１ｂ－３からＲＡＭ１ｂ－１にロードして、ロードしたプログラムを実行することで各種動作を実現する。ＲＯＭ１ｂ－２、外部メモリ１ｂ－３は、プロセッサ１ａの制御プログラムであるＢＩＯＳやＯＳ、コンピュータが実行する機能を実現するために必要な各種プログラムやデータ、テーブル等が記憶されている。外部メモリ１ｂ－３は、例えば、フラッシュメモリ、ハードディスク、ＤＶＤ－ＲＡＭ、ＵＳＢメモリ、ＳＳＤ等を含むことができる。

【0022】

入力装置１ｃは、ユーザ等からの操作指示、入力を受け付ける。入力装置１ｃは、例えば、入力ボタン、キーボード、マウス、タッチパネル、タッチパッド、ワイヤレスリモコン、マイクロフォン、カメラなどのユーザインタフェースである。なお、タッチパネルは、入力装置１ｃとしても出力装置１ｄとしても機能する。

【0023】

出力装置１ｄは、プロセッサ１ａで処理されたデータや、記憶装置１ｂに記憶される及び／又は記憶されたデータを出力する。出力装置１ｄとしては、例えば、ＣＲＴディスプレイ、液晶ディスプレイ、有機ＥＬディスプレイ、プラズマディスプレイなどの表示装置、音を発するスピーカなどの音響装置、プリンタなどの印刷装置を含むことができる。

【0024】

通信装置１ｅは、ネットワークを介して又は直接、外部機器と接続及び通信するインタフェースである。通信装置１ｅは、例えば、シリアルインタフェース、ＬＡＮインタフェース等のインタフェースとすることができる。

【0025】

商品名寄せシステム１の各部は、ＲＯＭ１ｂ－２や外部メモリ１ｂ－３に記憶された各種プログラムが、各構成１ａ～１ｆを資源として使用することで実現される。

【0026】

［１－３．詳細構成］
図２は、本実施形態に係る商品名寄せシステム１の構成を示す図である。図２に示すように、商品名寄せシステム１は、商品データ取得部２０、同一商品判定部３０、統合生成部４０、特徴／評価情報生成部５０、商品グラフ生成部６０、情報付加部７０を備える。同一商品判定部３０及び統合生成部４０を含み名寄せ商品マスタ生成装置１０を構成しても良い。名寄せ商品マスタ生成装置１０は、商品データ取得部２０を含んでも良く、名寄せ商品マスタ生成装置１０のハードウェア構成は、図１に示す商品名寄せシステム１と同様であるため、説明は省略する。

【0027】

商品データ取得部２０は、複数の商品データを取得する。商品データとしては、例えば、ＨＴＭＬ等の商品に関するＷｅｂデータ、組織内で使用される商品マスタを挙げることができる。Ｗｅｂデータは、例えば、メーカサイト上の当該メーカの商品に係るＷｅｂページ、ＥＣ（電子商取引）サイト上の商品に関するＷｅｂページなど、商品に関するインターネット上のデータである。

【0028】

１つの例では、商品データ取得部２０は、記憶装置１ｂに記憶されたプログラムであるクローラによってインターネット上を巡回し、商品に係るＷｅｂデータを取得する。このＷｅｂデータは、例えば、ＥＣ（電子商取引）サイト上の商品に関するＨＴＭＬデータ、メーカサイトの商品に関するＨＴＭＬデータとすることができる。

【0029】

別の例では、商品データ取得部２０は、二以上の組織（例えば、異なる企業、又は同一企業内の異なる部署）で使用される商品マスタを取得する。例えば、商品データ取得部２０は、組織が有する装置から通信装置１ｅを介して有線又は無線で商品マスタを取得しても良いし、商品マスタが格納された外部メモリ１ｂ－３から取得しても良い。

【0030】

他の例では、商品データ取得部２０は、商品データとしてＷｅｂデータ及び組織が有する商品マスタを取得しても良い。すなわち、商品データ取得部２０は、Ｗｅｂデータなどの不特定の者がアクセス可能なオープンデータ、組織内商品マスタなどのクローズドデータに限らず、商品に係るデータであれば取得することができる。

【0031】

商品データ取得部２０は、取得した商品データを記憶装置１ｂに記憶させ、記憶装置１ｂは、取得した商品データを商品データのデータベースとして保持することができる。

【0032】

商品データは、商品に係るデータであり、例えば、商品名、商品のスペック情報、商品の特徴／評価を示す情報などの商品情報を含む。商品データは、商品毎に付されたＪＡＮコードなどの商品識別コードが含まれていても良い。商品名は、商品の名称、略称又は通称を含むことができる。スペック情報は、商品の種類によっても異なるが、例えば、商品がペットボトルのお茶であれば、商品の内容量、容器タイプ、大きさ、重さ、入数など、商品の客観的な情報とすることができる。スペック情報は、商品に関する数値情報を含むことができる。数値情報は、数値とその単位を含めた情報である。商品の特徴／評価を示す情報は、商品説明文、商品紹介文、商品の売り出し文句、キャッチコピー、商品の口コミ、当該商品の消費者のレビューを含むことができる。１つの例では、商品に係るＷｅｂデータの場合、当該データに含まれる商品説明文である。

【0033】

商品データは、商品識別潜在情報を含む。商品識別潜在情報は、商品を識別可能な情報の他、商品を潜在的に識別可能な情報を含むことができる。商品識別潜在情報は、例えば、商品名を含むものとすることができる。

【0034】

図３は、商品データの一例であり、具体的には、ＥＣサイト上のＷｅｂデータの一例である。図３に示す例では、Ｗｅｂデータは、商品の画像Ｇ０、商品識別潜在情報Ｇ１、スペック情報Ｇ２、商品の特徴／評価を示す情報Ｇ３を含む。図３に示す例では、商品識別潜在情報Ｇ１は、Ｗｅｂページの上部に記載された「横浜食品 袋麺タイプ 豚キムラーメン 旨辛味 ３食パック」である。商品識別潜在情報Ｇ１は、商品名である「豚キムラーメン」を含む。スペック情報Ｇ２には、商品ブランドである「豚キムラーメン」、メーカ名である「横浜食品」、商品サイズ、重量、原材料などの情報が含まれる。商品の特徴／評価を示す情報Ｇ３は、商品説明情報であり、具体的には「キムチとごま油の旨辛スープが自慢。キムチや卵が備え付けの具材として入っています。さらにニラを入れるともはや悪魔級にうまい、、、！ヤミツキになることうけあい。」である。

【0035】

同一商品判定部３０は、商品データ取得部２０により取得された複数の商品データを解析し、同一商品に係る複数の商品データを特定する。図４は、同一商品判定部３０の詳細構成の一例を示す図である。

【0036】

図４に示すように、同一商品判定部３０は、パターン生成部３１、ベクトル情報生成部３２、類似度算出部３３、判定部３４を有する。

【0037】

（パターン生成部）
パターン生成部３１は、商品識別潜在情報に基づいて、複数の商品識別潜在パターンを複数の商品データ毎にそれぞれ生成する。具体的には、パターン生成部３１は、商品データに含まれる商品識別潜在情報を抽出する。パターン生成部３１は、商品識別潜在情報を、商品データの種類に応じてプログラム３１１により特定し、抽出する。そして、パターン生成部３１は、商品識別潜在情報に含まれる一又は複数の単位情報を特定し、当該単位情報に基づいて複数の商品識別潜在パターンを生成する。プログラム３１１は、人工知能（ＡＩ）を用いても良い。本明細書において、ＡＩは、特定の用途に特化した特化型人工知能としても良いし、様々な状況、課題に対応可能な汎用人工知能としても良い。また、ＡＩは、例えば、ニューラルネットワーク、決定木、ランダムフォレスト、ＳＶＭ（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）、ｋ近傍法などの公知の機械学習済モデルを用いても良い。学習済モデルは、学習後に更新されても良い。

【0038】

（商品識別潜在情報）
商品識別潜在情報は、一又は複数の単位情報を含み構成される商品を識別し得る潜在的な情報である。単位情報は、情報として纏まりのある情報である。単位情報としては、少なくとも商品名を含む。単位情報は、例えば、商品名の他、当該商品のメーカ、内容量、入数、余剰情報であっても良い。余剰情報は、例えば、「送料無料」、「まとめ買い」、「詰め替え用」、「クレジット決済のみ」など、商品の特定に不要な情報である。商品名としては、商品の名称、略称又は通称を含むことができる。

【0039】

１つの例では、商品識別潜在情報は、商品データがＥＣサイトから取得したＨＴＭＬデータである場合、商品タイトルである。商品タイトルは、当該ＨＴＭＬデータのtitleタグ又はnameタグが付された箇所又は範囲に含まれる、商品名を含む情報である。図３に示す例では、商品識別潜在情報（商品タイトル）は、商品名である「豚キムラーメン」を含む商品識別潜在情報Ｇ１である。商品タイトルは、典型的には、図３に示すように、商品の画像とともにＷｅｂページの上部に記載される。他の例では、商品識別潜在情報は、商品データが商品マスタである場合、商品マスタに含まれる商品名である。商品名の表記は特に限定されず、メーカが公表する正式な商品の名称であっても良いし、商品の略称又は通称であっても良し、片仮名表記であっても良い。

【0040】

パターン生成部３１は、商品データがＷｅｂデータである場合は、プログラム３１１、学習済モデル又はＡＩにより上記のタグを特定し、商品識別潜在情報が含まれる箇所を特定することにより商品識別潜在情報を特定することができる。パターン生成部３１は、商品データが商品マスタである場合は、プログラム３１１、学習済モデル又はＡＩにより商品識別潜在情報を特定することができる。これらのプログラム３１１及び学習済モデル、ＡＩは、記憶装置１ｂに記憶されており、パターン生成部３１により読み出され、プロセッサ１ａが処理を実行する。

【0041】

パターン生成部３１は、辞書３１３又はＡＩに基づいて、所定の単位情報を排除又は変換する。辞書３１３又はＡＩは、排除用、変換用のものを含み、記憶装置１ｂに記憶されている。例えば、排除用辞書３１３ａには、排除される単位情報である単語、語句が定義されており、パターン生成部３１は、当該排除用辞書３１３ａを記憶装置１ｂから参照し、当該単語、語句を、抽出された商品識別潜在情報から排除する。排除される所定の単位情報は、例えば、余剰情報である。また、変換用辞書３１３ｂには、変換される単位情報が定義されており、パターン生成部３１は、当該変換用辞書３１３ｂで定義された単位情報を対応する単位情報に変換する。変換される単位情報は、例えば、商品のメーカ名、商品名とすることができる。変換としては、半角から全角への変換、全角から半角への変換、英日、日英への変換、メーカ名、商品名の略称、通称の正式名称への変換とすることができる。１つの例では、パターン生成部３１は、商品識別潜在情報に含まれる単位情報である商品の略称又は通称を、変換用辞書３１３ｂに基づいて、当該商品の正式名称に変換する。排除用ＡＩは、排除対象の単位情報を、抽出された商品識別潜在情報から排除するモデルである。変換用ＡＩは、変換対象の単位情報を、抽出された商品識別潜在情報から特定し、変換するモデルである。

【0042】

パターン生成部３１は、上記の単位情報の変換後、重複した単位情報が存在する場合は、一方を排除しても良い。

【0043】

このように、パターン生成部３１は、商品識別潜在パターンを生成する前に、排除又は変換の前処理を実行する。これにより、同一商品であるかの判定精度を向上させることができる。

【0044】

パターン生成部３１は、前処理の実行後、変換した後の単位情報及び商品識別潜在情報に含まれる他の単位情報に基づいて、商品識別潜在パターンを生成する。ここでいう他の単位情報とは、前処理で排除されず、変換もされていない単位情報である。

【0045】

（商品識別潜在パターン）
商品識別潜在パターンは、商品識別潜在情報からその単位情報を排除、変換、又は抽出することにより生成される文字列のパターンである。ここでは、複数の商品識別潜在パターンは、第１パターン乃至第７パターンのいずれか、又はこれら２以上の組み合わせを含む。

【0046】

第１パターンは、商品識別潜在情報から所定の単位情報を排除又は変換し、かつ商品識別潜在情報に含まれるスペック情報を排除して生成された文字列パターンである。排除さえる所定の単位情報は、余剰情報である。スペック情報は、例えば、内容量、大きさ、重さ、容器タイプ、入数などである。スペック情報が内容量「５００ｍｌ」である場合、第１パターンでは、商品識別潜在情報に含まれる「５００ｍｌ」が排除される。第１パターンは、例えば、メーカ名、商品名を含み構成される文字列パターンである。

【0047】

第２パターンは、第１パターンを他の表現形式に変換した文字列パターンである。他の表記形式への変換とは、漢字、平仮名、片仮名、英字など元の表記形式とは異なる表記形式に変換することをいう。本実施形態では、１つの例では、商品識別潜在情報が漢字、平仮名、片仮名又はこれらの組み合わせを含む場合、これらの文字列をカナ表記に変換してなるカナ表記の文字列である。第２パターンでは、全角、半角間の変換をしたものであっても良い。

【0048】

第３パターンは、第１パターンからメーカ名を排除してなる文字列パターンである。第３パターンは、例えば、商品名又はブランド名を含む文字列パターンである。

【0049】

第４パターンは、商品識別潜在情報から所定の単位情報を排除又は変換し、かつ数値情報を排除して生成された文字列パターンである。排除又は変換される所定の単位情報は第１パターンと同様である。第４パターンは、例えば、メーカ名、商品名、ブランド名を含む文字列パターンである。数値情報は、数値とその単位を含めた情報である。

【0050】

第５パターンは、商品識別潜在情報に含まれるメーカ名のみの文字列パターンである。第５パターンは、例えば、メーカの正式名称であり、商品識別潜在情報にメーカの略称又は通称が含まれている場合に、変換用辞書３１３ｂ等により正式名称に変換されたものであっても良い。また、第５パターンは、変換用辞書３１３ｂに商品名（商品の正式名称、略称、通称）とメーカ名が関連付けて定義されている場合に、パターン生成部３１により商品識別潜在情報に含まれる商品名に変換して生成されても良い。

【0051】

第６パターンは、商品識別潜在情報に含まれる商品名（ブランド名）のみの文字列パターンである。第６パターンは、例えば、商品の正式名称であり、商品識別潜在情報に商品名（ブランド名）の略称又は通称が含まれている場合に、変換用辞書３１３ｂ等により正式名称に変換されたものであっても良い。

【0052】

第７パターンは、商品識別潜在情報に含まれる商品のスペック情報のみの文字列パターンである。第７パターンは、例えば、内容量、大きさ、重さ、容器タイプ、又は入数のみの文字列パターンとすることができる。第７パターンは、内容量、大きさ、重さ、容器タイプ、入数等、スペック情報の種類毎に複数生成されても良い。

【0053】

商品識別潜在パターンは、第１パターン～第７パターンに限らず、商品識別潜在情報に基づくものであれば、任意のパターンとすることができる。

【0054】

図５は、同一商品判定に係るプロセスを説明するための図である。図５に示す例では、パターン生成部３１は、商品データから、商品識別潜在情報として、商品識別潜在情報Ｇ１「送料無料 ショウワ 五右衛門 玄米茶 ペット ２０００ｍｌ×６本」を特定及び抽出する。パターン生成部３１は、商品識別潜在情報Ｇ１から単位情報を特定する。ここでは、例えば、パターン生成部３１は、「送料」、「無料」、「ショウワ」、「五右衛門」、「玄米茶」、「ペット」、「２０００ｍｌ」、「６本」などの単位情報を特定する。そして、パターン生成部３１は、排除用辞書３１３ａに定義されている「送料」、「無料」を商品識別潜在情報Ｇ１から排除し、学習済モデル、ＡＩ等によりスペック情報（ここでは、「ペット」、「２０００ｍｌ×６本」）を特定して商品識別潜在情報Ｇ１から削除して第１パターンＰ１である「ショウワ五右衛門玄米茶」を生成する。

【0055】

パターン生成部３１は、第１パターンＰ１をカナ表記及び半角形式に変換し、第２パターンＰ２を生成する。パターン生成部３１は、第１パターンＰ１からメーカ名である「ショウワ」を、メーカ名を定義した辞書３１３、ＡＩ等により排除して第３パターンＰ３である「五右衛門玄米茶」を生成する。

【0056】

パターン生成部３１は、第１パターンＰ１と同様に、商品識別潜在情報Ｇ１から「送料無料」、「２０００ｍｌ×６本」を排除して、第４パターンＰ４である「ショウワ五右衛門玄米茶ペット」を生成する。パターン生成部３１は、メーカ名を定義した辞書３１３、ＡＩ等を用いて、商品識別潜在情報Ｇ１からメーカ名「ショウワ」のみの第５パターンＰ５を生成する。パターン生成部３１は、商品名又はブランド名を定義した辞書３１３、ＡＩ等を用いて、商品名又はブランド名「五右衛門」のみの第６パターンＰ６を生成する。

【0057】

パターン生成部３１は、プログラム３１１、ＡＩ等により、スペック情報のみの第７パターンＰ７を生成する。ここでは、第７パターンＰ７は、内容量を示す「２０００」の第７パターンＰ７ａ、容器タイプを示す「pet」の第７パターンＰ７ｂ、入数を示す「６」の第７パターンＰ７ｃの３つが生成される。

【0058】

このように、パターン生成部３１は、商品識別潜在情報を、単位情報を１つの単位として分解し、排除、変換、又は抽出することにより、複数の観点から商品識別潜在パターンを複数生成する。そのため、単位情報及び／又は変換後の単位情報の組み合わせからなる商品識別潜在パターンは、それぞれ人間が商品を識別する際に注目する単位情報に焦点を当てたものとすることができる。

【0059】

以上のように、パターン生成部３１は、商品識別潜在情報に含まれる所定の単位情報を排除又は変換し、当該変換した後の単位情報及び商品識別潜在情報に含まれる他の単位情報に基づいて前記商品識別潜在パターンを生成する。

【0060】

なお、パターン生成部３１は、基準となる商品データの商品識別潜在情報に、メーカ名又はその略称、通称、スペック情報が含まれていない場合は、当該商品データからこれらの情報を特定し、特定した情報に基づいて第５パターン、第７パターンを生成しても良い。基準となる商品データは、商品の同一判定の基準となる商品データであり、例えば、当該商品のメーカサイト上の当該商品に係るＷｅｂデータとすることができる。基準となる商品データは、基準商品データとも称する。

【0061】

再度図４を参照し、ベクトル情報生成部３２は、商品データ毎に、各商品識別潜在パターンのベクトル情報をそれぞれ生成する。例えば、２つの商品データにつき、それぞれ第１～第５パターンの商品識別潜在パターンが生成されている場合、ベクトル情報生成部３２は、一方の商品データの第１～第７パターンのベクトル情報をそれぞれ生成し、他方の商品データの第１～第７パターンのベクトル情報をそれぞれ生成する。図５に示す例では、ベクトル情報生成部３２は、各商品データに対して、第１パターンＰ１～第７パターンＰ７のベクトル情報Ｖ１～Ｖ７をそれぞれ生成する。第７パターンＰ７ａ～Ｐ７ｃのベクトル情報は、ベクトル情報Ｖ７ａ～Ｖ７ｃである。

【0062】

ベクトル情報の生成には、文字列をベクトル（Ｎ次元の数値）に変換する公知のツールを用いることができる。例えば、Ｇｏｏｇｌｅ社が提供するＢｅｒｔ、Ｆａｃｅｂｏｏｋ社が提供するｆａｓｔ ｔｅｘｔを用いることができるが、これらに限定されない。

【0063】

ベクトル情報生成部３２は、基準商品データに基づいて生成された第５パターン、第７パターンなどの各パターンのベクトル情報を生成しても良い。

【0064】

類似度算出部３３は、商品識別潜在パターン毎に、２つの商品の商品データのベクトル情報に基づいて２つの商品の類似度をそれぞれ算出する。例えば、類似度算出部３３は、一方の商品データの第ｉパターンのベクトル情報と、他方の商品データの第ｉパターンのベクトル情報とに基づいて、類似度を算出する（ｉは、１から商品識別潜在パターン数までの自然数である）。すなわち、類似度算出部３３は、異なるパターンのベクトル情報同士を足し合わせたり、かけ合わせたりせず、パターン毎に独立して類似度を算出する。類似度は、例えば、一方の商品データの第ｉパターンのベクトル情報と、他方の商品データの第ｉパターンのベクトル情報との内積、コサイン類似度、又はユークリッド距離とすることができる。本実施形態では、類似度は、コサイン類似度である。類似度は、１つの例では、０に近い程類似しておらず、１に近い程類似していることを示す。

【0065】

判定部３４は、類似度算出部３３により算出された類似度に基づいて、２つの商品データが示す商品が同一であるか否かを判定する。

【0066】

１つの例では、判定部３４は、複数の商品識別潜在パターンのうち、１つ以上のパターンで類似度が所定閾値以上である場合に、２つの商品データが示す商品が同一商品であると判定し、全てのパターンで類似度が所定閾値未満である場合に、２つの商品データが示す商品が異なる商品であると判定する。

【0067】

別の例では、判定部３４は、複数の商品識別潜在パターンのうち、第１パターン～第４パターンの少なくとも１つ以上で類似度が所定閾値以上である場合に、２つの商品データが示す商品が同一商品であると判定し、そうでない場合に、２つの商品データが示す商品が異なる商品であると判定する。これにより、商品名の粒度で同一商品かどうかを判定することができる。

【0068】

さらに別の例では、判定部３４は、複数の商品識別潜在パターンのうち、第１～第７パターンの全てで類似度が所定閾値以上である場合に、２つの商品データが示す商品が同一商品であると判定し、そうでない場合に、２つの商品データが示す商品が異なる商品であると判定する。これにより、ＪＡＮコードなどの商品識別コードレベルの粒度で同一商品であるかどうかを判定することができる。

【0069】

なお、所定閾値は、各商品識別潜在パターンで異なっていても良し、０．６、０．７、０．８、０．９とするなど適宜設計変更可能である。また同一商品である条件を類似度が所定閾値以上であることとしたが、何れかの商品識別パターンにおいて、類似度が所定閾値を上回ることを条件としても良い。

【0070】

このように、商品識別潜在パターンの種類や数に応じて、どの程度の粒度で同一商品であると判定するかを調整することができる。

【0071】

同一商品判定部３０は、基準となる商品データ（以下、基準商品データとも称する。）が存在する場合は、当該商品データと、当該商品データの商品と同一か否かが未判定の商品データ（以下、未判定商品データとも称する。）と、に基づき、各部３１～３４により同一商品判定を行うことができる。基準商品データは、当該商品のメーカサイト上の当該商品のＷｅｂデータとすることができる。また、基準商品データの有無に関わらず、２つの商品データが未判定商品データであっても、各部３１～３４により同一商品判定を行うことができる。

【0072】

ここで、図６～図１１を用いて、同一商品判定について、商品データとして、Ｗｅｂデータを用いた例、組織の商品マスタを用いた例を説明する。

【0073】

（Ｗｅｂデータを用いた例）
図６は、同一商品判定部３０により商品０～３が同一商品と判定される例を示すための図である。商品識別潜在情報Ｇ１は、商品１は、「ショウワオレンジドリンク９００ｍｌ１ケース（１２本入）」（但し、「ショウワオレンジドリンク」は半角カタカナ表記である）、商品２は、「送料無料 ヘイセイ オレンジドリンク ９００ｍｌペットボトル×１２本入」、商品３は、「ショウワ ヘイセイ オレンジドリンク ９００ｍｌ×１２本 １ケースＫＫ」、商品０は「ヘイセイ オレンジドリンク」である。商品１～３の商品識別潜在情報Ｇ１は、ＥＣサイトから得たものであり、商品０の商品識別潜在情報Ｇ１は、商品０のメーカサイトから得たものである。すなわち、商品０の商品データは、基準商品データである。

【0074】

排除用辞書３１３ａには、「１ケース」、「送料無料」、「ＫＫ」等が定義されている。変換用辞書３１３ｂには、「ショウワ」、「オレンジドリンク」等の変換が定義されている。

【0075】

各商品０～３の第１パターンＰ１～第７パターンＰ７は、図６に示すようにパターン生成部３１により生成される。図６に示すように第１～第６パターンでは余剰情報、数値情報が排除され、また、半角カタカタが全角に変換されている。但し、図６での商品識別潜在パターンの空欄（例えば、商品１の第６パターン、商品２の第５パターン、商品３の第７パターンＰｂ）は、商品識別潜在情報Ｇ１に各単位情報が含まれていないことを示す。また、商品０の第５パターンＰ５、第７パターンＰ７は、基準商品データに基づいて、パターン生成部３１により、メーカ名、各スペック情報を特定し、生成されたものである。なお、商品０の第７パターンＰ７ｃは、商品０が１ケースであることを示すものである。

【0076】

図６の下部に、各商品０～３の各パターンにおける類似度が示されている。各商品の各パターンの類似度は、ベクトル情報生成部３２により生成されたものである。商品０～３の各パターンの類似度は、当該商品０～３の各パターンのベクトル情報と、商品０の各パターンのベクトル情報とに基づいて類似度算出部３３により算出された値である。商品０の各パターンの類似度は、自身のベクトル情報のみに基づくため、各パターンで全て１．０である。なお、類似度が空欄又は０であるパターンは、当該パターンに対応する単位情報が商品識別潜在情報Ｇ１に含まれていないことを示す。

【0077】

図６に示す例では、商品１～３で１つ又は２つの類似度が空欄又は０であるパターンが在するものの、少なくとも第１パターンＰ１～第６パターンＰ６で、類似度が０．６以上のものが５つ以上存在しており、判定部３４により、商品１～３は、商品０と同一商品であると判定される。

【0078】

図７は、同一商品判定部３０により商品０、４～６が異なる商品であると判定される例を示すための図である。商品識別潜在情報Ｇ１は、商品４は、「［アウトレット］ エルバー おいしいビタミンＣオレンジ １箱（２４本入）」、商品５は、「名古屋居留地 オレンジ＆カムカム ５００ｍＬ ＰＥＴボトル［２４本］」、商品６は、「送料無料 ヘイセイ オレンジドリンク ２００ｍｌ紙パック ２４本入［ショウワ］」である。商品４～６の商品識別潜在情報Ｇ１は、ＥＣサイトから得たものである。商品０は、図６の商品０と同じである。

【0079】

排除用辞書３１３ａには、「アウトレット」、「１箱」、「送料無料」等が定義されている。変換用辞書３１３ｂには、｛ｍＬ、ｍｌ｝、｛ＰＥＴボトル、pet｝、｛紙パック、pack｝の変換等が定義されている。

【0080】

各商品４～６の第１パターンＰ１～第７パターンＰ７は、図７に示すようにパターン生成部３１により生成される。図７に示すように第１～第６パターンでは余剰情報、数値情報が排除され、また、単位が小文字に変換されている。但し、図７での商品識別潜在パターンの空欄（例えば、商品４の第６パターンＰ６、第７パターンＰ７ａ、Ｐ７ｂ、商品５の第５パターンＰ５）は、商品識別潜在情報Ｇ１に各単位情報が含まれていないことを示す

【0081】

図７の下部に、各商品０、４～６の類似度が示されている。商品０、４～６の各パターンの類似度は、当該商品０、４～６の各パターンのベクトル情報と、商品０の各パターンのベクトル情報とに基づいて類似度算出部３３により算出された値である。商品０の各パターンの類似度は、自身のベクトル情報のみに基づくため、各パターンで全て１．０である。なお、類似度が空欄又は０であるパターンは、当該パターンに対応する単位情報が商品識別潜在情報Ｇ１に含まれていないことを示す。

【0082】

図７に示す例では、商品４及び商品５は、類似度が空欄又は０であるパターンが多く、また算出された各パターンの類似度が一部を除いて０．７未満であるものことから、判定部３４により商品０とは異なる商品であると判定される。商品６は、第１パターンＰ１～第６パターンＰ６の類似度が０．７以上であり、ブランド名の粒度では同一商品と判定することができる。しかし、スペック情報についての第７パターンＰ７の類似度が０．７未満であるように低く、判定部３４により、商品０とは異なる商品であると判定される。実際、商品０はペットボトルの商品であるのに対し、商品６は紙パックの商品であることから、この判定は妥当である。換言すれば、第１～第６パターンの類似度だけでなく、スペック情報についての第７パターンの類似度を含めた全てのパターンが所定閾値以上であるかを同一商品の判定基準とすることでＪＡＮコードレベルの細かな粒度で同一商品判定を行うことができる。

【0083】

図８は、同一商品判定部３０により、商品０とは異なる商品１０～１３が同一商品であると判定される例を示すための図である。商品０～６の商品カテゴリが飲料であったのに対し、商品１０～１３の商品カテゴリは、食品である。商品識別潜在情報Ｇ１は、商品１１は、「横浜 ビーフラーメンどんぶり １２食入り×１ケース ［クレジットカード決済のみ］」、商品１２は、「横浜食品 横浜ビーフラーメンどんぶり（１２個入り）防災」、商品１３は、「<<ケース>> 横浜食品 ビーフラーメン どんぶり （８５ｇ）×１２個 カップめん」、商品１０は、「ビーフラーメンどんぶり」である。商品１１～１３の商品識別潜在情報Ｇ１は、ＥＣサイトから得たものであり、商品１０の商品識別潜在情報Ｇ１は、商品１０のメーカサイトから得たものである。すなわち、商品１０の商品データは、基準商品データである。

【0084】

排除用辞書３１３ａには、「クレジットカード決済」、「のみ」、「１ケース」、「ケース」、「<<ケース>>」等が定義されている。変換用辞書３１３ｂには、｛横浜、横浜食品｝等が定義されている。

【0085】

各商品１０～１３の第１パターンＰ１～第７パターンＰ７は、図８に示すようにパターン生成部３１により生成される。図８に示すように第１～第６パターンでは余剰情報、数値情報が排除され、また、メーカ名が正式名称「横浜食品」に変換されている。但し、図８での商品識別潜在パターンの空欄（例えば、商品１１の第７パターンＰ７ｂ、Ｐ７ｃ、商品１２の第７パターンＰ７ｂ、Ｐ７ｃ、商品１３の第７パターンＰ７ｂ）は、商品識別潜在情報Ｇ１に各単位情報が含まれていないことを示す。また、商品１０の第５パターンＰ５、第７パターンＰ７は、基準商品データに基づいて、パターン生成部３１により、メーカ名、各スペック情報を特定し、生成されたものである。商品１０の第７パターンＰ７ｃは、商品１０が１ケースであることを示すものである。

【0086】

図８の下部に、各商品１０～１３の各パターンにおける類似度が示されている。各商品の各パターンの類似度は、ベクトル情報生成部３２により生成されたものである。商品１０～１３の各パターンの類似度は、当該商品１０～１３の各パターンのベクトル情報と、商品１０の各パターンのベクトル情報とに基づいて類似度算出部３３により算出された値である。商品１０の各パターンの類似度は、自身のベクトル情報のみに基づくため、各パターンで全て１．０である。

【0087】

図８に示す例では、商品１１～１３で１又は２つの類似度が空欄又は０であるパターンが存在するものの、少なくとも第１パターンＰ１～第６パターンＰ６で、類似度が０．６以上のものが６つ以上存在しており、判定部３４により、商品１１～１３は、商品１０と同一商品であると判定される。

【0088】

図９は、同一商品判定部３０により商品１０、１４～１６が異なる商品であると判定される例を示すための図である。商品識別潜在情報Ｇ１は、商品１４は、「おやまカンパニー チャイルドスターラーメン ビーフ ３９ｇ ［菓子 １ケース ２４袋］」、商品１５は、「横浜 ビーフラーメンキャベサラダ あっさり香味醤油味 ３食パック １２０ｇ」、商品１６は、「Ｓ＆Ｘ おやつラーメン（ビーフ味） １２食」である。商品１４～１６の商品識別潜在情報Ｇ１は、ＥＣサイトから得たものである。商品１０は、図８の商品１０と同じである。

【0089】

排除用辞書３１３ａには、「菓子」、「１ケース」等が定義されている。変換用辞書３１３ｂには、｛横浜、横浜食品｝の変換等が定義されている。

【0090】

各商品１０、１４～１６の第１パターンＰ１～第７パターンＰ７は、図９に示すようにパターン生成部３１により生成される。図９に示すように第１～第６パターンでは余剰情報、数値情報が排除され、また、メーカ名が正式名称「横浜食品」に変換されている。但し、図９での商品識別潜在パターンの空欄（例えば、商品１４の第７パターンＰ７ｃ、商品１５の第７パターンＰ７ｃ、商品１６の第５パターンＰ５、第７パターンＰ７ｂ、Ｐ７ｃ）は、商品識別潜在情報Ｇ１に各単位情報が含まれていないことことを示す。

【0091】

図９の下部に、各商品１０、１４～１６の各パターンにおける類似度が示されている。各商品の各パターンの類似度は、ベクトル情報生成部３２により生成されたものである。商品１０、１４～１６の各パターンの類似度は、当該商品１０、１４～１６の各パターンのベクトル情報と、商品１０の各パターンのベクトル情報とに基づいて類似度算出部３３により算出された値である。商品１０の各パターンの類似度は、自身のベクトル情報のみに基づくため、各パターンで全て１．０である。なお、類似度が空欄又は０であるパターンは、当該パターンに対応する単位情報が商品識別潜在情報Ｇ１に含まれていないことを示す。

【0092】

図９に示す例では、商品１４～１６は、算出された各パターンの類似度が一部を除いて０．７未満であることから、判定部３４により商品１０とは異なる商品であると判定される。

【0093】

（組織の商品マスタを用いた例）
図１０は、同一商品判定部３０により商品２０～２３について同一商品判定の例を示すための図である。商品識別潜在情報Ｇ１は、商品２１は、「令和プロバオR-1 ドリンクタイプ １１２ｍｌ」、商品２２は、「令和（ｒｅｉｗａ）「Ｒ－１」 １１２ｇ」、商品２３は、「令和 「R-1」 低脂肪 １１２ｇ」、商品２０は、「令和プロバオヨーグルトR-1 １１２ｇ」である。商品２１～２３の商品識別潜在情報Ｇ１は、当該商品２１～２３を取り扱う組織（例えば、卸業者、小売業者など）の商品マスタから得たものであり、商品２０の商品識別潜在情報Ｇ１は、商品２０のメーカサイト又はメーカの商品マスタから得たものである。すなわち、商品２０の商品データは、基準商品データである。

【0094】

排除用辞書３１３ａには、種々の余剰情報が定義されている。変換用辞書３１３ｂには、｛R-1、プロバオヨーグルトR-1｝、｛ｒｅｉｗａ、reiwa｝、｛reiwa、令和｝、｛Ｒ－１、R-1｝、｛R-1、プロバオヨーグルトR-1｝等の変換が定義されている。

【0095】

各商品２０～２３の第１パターンＰ１～第７パターンＰ７は、図１０に示すようにパターン生成部３１により生成される。図１０に示すように第１～第６パターンでは余剰情報、数値情報が排除され、また、略称「Ｒ－１」、「R-1」が商品の正式名称「プロバオヨーグルトR-1」に変換され、全角英字表記「ｒｅｉｗａ」が漢字表記「令和」に変換されている。但し、図１０での商品識別潜在パターンの空欄（例えば、商品２１の第７パターンＰ７ａ、商品２２の第７パターンＰ７ｂ、Ｐ７ｃ、商品２３の第７パターンＰ７ｂ、Ｐ７ｃ）は、商品識別潜在情報Ｇ１に各単位情報が含まれていないことを示す。また、商品２０の第５パターンＰ５、第７パターンＰ７は、基準商品データに基づいて、パターン生成部３１により、各スペック情報を特定し、生成されたものである。なお、商品２０の第７パターンＰ７ｂは、その内容量の単位形式がｍｌ形式であり、正式な内容量の単位形式がｇ形式であることから、対応する単位情報が商品識別潜在情報Ｇ１に含まれていないことを示す。商品２０の第７パターンＰ７ｃは、商品２０がカップ形式であることを示すものである。すなわち、商品２０は、内容量が１１２ｇの１カップの「プロバオヨーグルトR-1」という商品名のヨーグルトであり、食べるタイプのヨーグルトである。

【0096】

図１０の下部に、各商品２０～２３の各パターンにおける類似度が示されている。各商品の各パターンの類似度は、ベクトル情報生成部３２により生成されたものである。商品２０～２３の各パターンの類似度は、当該商品２０～２３の各パターンのベクトル情報と、商品２０の各パターンのベクトル情報とに基づいて類似度算出部３３により算出された値である。商品２０の各パターンの類似度は、自身のベクトル情報のみに基づくため、各パターンで全て１．０である。

【0097】

図１０に示す例では、商品２２が、第７パターンＰ７ｂ、Ｐ７ｃを除く全てのパターンで類似度が１．０であり、判定部３４により商品２０と同一商品であると判定される。すなわち、商品２２は、商品２０と同様、食べるタイプのヨーグルトである。一方、商品２１は、類似度を有するパターンのうちの一部のパターンで類似度が０．８未満のものが複数あり（例えば、第１パターンＰ１～第６パターンＰ６が該当する）、判定部３４により、商品２０とは異なる商品であると判定される。実際、商品２１は、商品２０と同一ブランドであるが、ドリンクタイプであり、食べるタイプの商品２０とは異なっている。換言すれば、第１～第４パターンＰ１～Ｐ４に「ドリンクタイプ」の文字列が含まれていたことが要因で、類似度が低下し、異なる商品であると判定されている。また、商品２３は、多くのパターンで類似度が０．８以上であり、商品２０との類似性があるが、第３パターンＰ３で類似度が閾値０．８未満の０．３であることから、判定部３４により、商品２０とは異なる商品であると判定される。実際、商品２３は、商品２０と同一ブランドであるが、低脂肪バージョンであり、第３パターンＰ３に「低脂肪」が含まれていたことが要因で、類似度が低下し、異なる商品であると判定されている。

【0098】

このように、商品データが組織の商品マスタである場合、かつ、商品の略称が商品識別潜在情報Ｇ１に含まれる場合であっても、正しく同一商品判定が可能であることが分かる。

【0099】

図１１は、同一商品判定部３０により商品３０～３３について同一商品判定の例を示すための図である。商品識別潜在情報Ｇ１は、商品３１は、半角表記で「グッド ピュアンクレンズ ケアシャンプー」、商品３２は、「グッドピュアン ナチュラル シャンプー３４０ｍｌ 詰め替え用」、商品３３は、「花子 kako グッドピュアン ナチュラル シャンプー ポンプ ４２５ｍｌ」、商品３０は、「グッドピュアン ナチュラル クレンズケアシャンプー ４２５ｍｌ」である。商品３１～３３の商品識別潜在情報Ｇ１は、当該商品３１～３３を取り扱う組織（例えば、卸業者、小売業者など）の商品マスタから得たものであり、商品３０の商品識別潜在情報Ｇ１は、商品３０のメーカサイト又はメーカの商品マスタから得たものである。すなわち、商品３０の商品データは、基準商品データである。

【0100】

排除用辞書３１３ａには、種々の余剰情報が定義されている。変換用辞書３１３ｂには、｛kako、花子｝、｛グッド、花子｝等の変換が定義されている。

【0101】

各商品３０～３３の第１パターンＰ１～第７パターンＰ７は、図１１に示すようにパターン生成部３１により生成される。図１１に示すように第１～第６パターンでは余剰情報、数値情報が排除され、また、英字でメーカ名の呼称である「kako」が漢字表記「花子」に変換されている。商品３１、３２については、商品識別潜在情報Ｇ１にメーカ名「花子」が含まれていないが、商品３１、３２の第５パターンＰ５は、変換用辞書３１３ｂにより、商品名「グッド」からメーカ名「花子」に変換されて生成されたものである。但し、図１１での商品識別潜在パターンの空欄（例えば、商品３１の第７パターンＰ７、商品３２の第７パターンＰ７ｂ）は、商品識別潜在情報Ｇ１に各単位情報が含まれていないことを示す。また、商品３０の第５パターンＰ５、第７パターンＰ７は、基準商品データに基づいて、パターン生成部３１により、各スペック情報を特定し、生成されたものである。商品３０は、内容量が４２５ｍｌのボトル（ポンプ）タイプのシャンプーである。

【0102】

図１１の下部に、各商品３０～３３の各パターンにおける類似度が示されている。各商品の各パターンの類似度は、ベクトル情報生成部３２により生成されたものである。商品３０～４３の各パターンの類似度は、当該商品３０～３３の各パターンのベクトル情報と、商品３０の各パターンのベクトル情報とに基づいて類似度算出部３３により算出された値である。商品３０の各パターンの類似度は、自身のベクトル情報のみに基づくため、各パターンで全て１．０である。

【0103】

図１１に示す例では、商品３３が、容器タイプ（包装タイプ）の第７パターンＰ７ｂを除いて全てのパターンで類似度が閾値０．７以上であり、判定部３４により商品３０と同一商品であると判定される。すなわち、商品３３は、商品３０と同様、ボトルタイプのシャンプーである。容器タイプ（包装タイプ）の第７パターンＰ７ｂの類似度が０．６と他のパターンと比べて低くなっているのは、基準の商品３０の第７パターンＰ７ｂが「ボトル、ポンプ」と２つの単位情報が含まれていたためである。一方、商品３１は、第１～６パターンで類似度が０．８であり閾値０．７超となっているが、第７パターンの類似度がなく、内容量及び容器タイプ（包装タイプ）が不明である。そのため、ブランド名レベルでは同一商品であると判定できるが、ＪＡＮコードレベルでは同一商品か異なる商品かの判定ができない。商品３２は、約半数のパターンで類似度が０．６であり閾値０．７を下回っており、判定部３４により商品３０とは異なる商品であると判定される。すなわち、商品３２は、「詰め替え用」のシャンプーであり、ボトルタイプのシャンプーとは異なるため、半数のパターンで類似度が低く算出されたものと考えられる。

【0104】

（統合生成部）
図１２は、統合生成部の詳細構成の一例を示す図である。統合生成部４０は、複数の商品データを解析し、当該商品データに含まれる商品情報を当該商品情報のカテゴリ毎に分類し、各商品について、同一商品に係る複数の商品データに含まれる商品情報を当該商品情報のカテゴリ毎に統合して名寄せ商品マスタを生成する。

【0105】

具体的には、図１２に示すように、統合生成部４０は、商品データに含まれる商品情報のカテゴリを推定、分類、及び／又は区分する。例えば、統合生成部４０は、商品データに含まれる商品情報のカテゴリをＡＩ４１により推定、分類、及び／又は区分する。そして、統合生成部４０は、同一商品に係る商品データの商品情報を、区分したカテゴリ毎に統合してなる名寄せ商品マスタを生成する。

【0106】

統合生成部４０は、商品データの商品情報から当該商品のカテゴリを推定する。商品のカテゴリは、例えば、食品、飲料、菓子、酒類、バッグ、化粧品等、あらゆる商品カテゴリの分類とすることができる。商品のカテゴリは、大分類、中分類、小分類など複数の区分に分類して推定しても良い。１つの例では、商品がビールである場合、統合生成部４０は、食品を大分類とし、飲料を中分類とし、酒類又はお酒を小分類として商品カテゴリを推定する。商品カテゴリの推定は、例えば、辞書及び／又はＡＩにより行うことができる。統合生成部４０は、商品カテゴリについての商品情報カテゴリを生成し、推定した商品カテゴリに生成した商品カテゴリに加えることで、商品カテゴリを商品情報カテゴリの１つとして名寄せ商品マスタに加えることができる。

【0107】

統合生成部４０は、統合の際、区分したカテゴリ毎の商品情報の重複を排除しても良い。例えば、統合生成部４０は、商品名のカテゴリに、２つの商品データから同一の商品名を関連付けるが、そのうちの一方を排除する。

【0108】

統合生成部４０は、統合の際、区分したカテゴリ毎の商品情報の表現を正規化しても良い。正規化は、例えば、カテゴリ内の商品情報に含まれる単位の統一、当該商品情報である単語、語句の揺らぎの統一である。正規化には、正規化用辞書４２、正規化用ＡＩ４３を用いることができる。正規化用辞書４２、正規化用ＡＩ４３は、例えば、ｌをｍｌに、ｍをｃｍに変換するなど単位を変換する辞書、ＡＩ、又は、例えば、全角文字列を半角文字列に変換するなど、商品情報である単語、語句の表記揺らぎを統一する辞書、ＡＩである。正規化用辞書４２、正規化用ＡＩ４３は、単位統一用、表記統一用に独立して備えていても良い。

【0109】

（名寄せ商品マスタ）
名寄せ商品マスタは、二以上の商品データの商品情報が統合されて成る商品マスタである。名寄せ商品マスタは、縦方向に各商品を並べ、横方向に商品についての商品情報の区分されたカテゴリを並べたテーブルとすることができる。すなわち、名寄せ商品マスタは、各行に１つの商品についての商品情報が分類されたカラムに格納されたテーブルである。各カラムは、分類、区分されたカテゴリである。名寄せ商品マスタは、二以上の同一商品に係る商品データのうち、何れかのみにある商品情報カテゴリをカラムとして含む。すなわち、二以上の同一商品に係る商品データの商品情報は、名寄せ商品マスタに集約される。

【0110】

図１３は、名寄せ商品マスタＭの一例を示す図である。図１３に示す例では、３つの商品についての商品情報が各行に集約されている。名寄せ商品マスタＭは、各商品について、区分された商品情報カテゴリ（カラム）Ｃ１０～Ｃ１７を少なくとも有する。カラムＣ１０～Ｃ１７は、それぞれ、商品名、商品識別子（ここではＪＡＮコード）、商品カテゴリ、容量、エネルギー、商品サイズ、特徴／評価情報、ベクトル情報である。特徴／評価情報及びベクトル情報は、後述するように特徴／評価情報生成部５０、商品グラフ生成部６０により生成され、情報付加部７０により名寄せ商品マスタＭに付加されたものである。なお、図１３の名寄せ商品マスタＭの商品の数は３つとしたが、これに限定されない。名寄せ商品マスタＭは、商品データが取得可能な商品数を有することができる。

【0111】

（特徴／評価情報生成部）
図１４は、特徴／評価情報生成部の詳細構成の一例を示す図である。特徴／評価情報生成部５０は、商品データに含まれる商品の特徴を示すデータから商品の特徴／評価情報を生成する。具体的には、特徴／評価情報生成部５０は、特定部５１、生成部５２、カテゴリ推定部５３を有する。

【0112】

特定部５１は、商品データに含まれる商品の特徴を示すデータを特定する。商品の特徴を示すデータは、ここでは、商品を説明するテキストデータであるが、商品の特徴を示すデータであれば、画像データ、音響データであっても良い。特定部５１は、特定したテキストデータから当該商品の特徴を示す単語、語句を特定する。これらの特定は、辞書５１ａ若しくはＡＩ又はこれらの両方により、行うことができる。また商品データの種類に応じてプログラムにより特定しても良い。

【0113】

１つの例では、商品データがＥＣサイトから取得したＨＴＭＬデータである場合、特定部５１は、当該データのdescriptionタグが付された箇所又は範囲に含まれる商品説明文を特定し、抽出する。当該箇所又は範囲は、例えば、図３では、符号Ｇ３が付された箇所又は範囲である。そして、特定部５１は、抽出された商品説明文をＡＩにより自然言語解析して単語、語句に分解し、商品特徴を示す単語、語句を特定する。商品説明文を単語に分解する過程は、形態素解析を用いることができる。形態素解析の解析ツールとしては、例えば、MeCab、Juman ++、Janomeを用いることができるが、これらに限定されない。

【0114】

図３に示す例では、特定部５１は、商品の特徴／評価を示す情報Ｇ３の「キムチとごま油の旨辛スープが自慢。キムチや卵が備え付けの具材として入っています。さらにニラを入れるともはや悪魔級にうまい、、、！ヤミツキになることうけあい。」から、「キムチ」、「ごま油」、「旨辛」、「旨辛スープ」、「卵」、「悪魔級」、「ヤミツキ」などの単語を特定する。

【0115】

生成部５２は、特定された単語、語句に関連付けて特徴／評価情報を生成する。具体的には、名寄せ商品マスタの商品情報カテゴリ（カラム）の１つとして特徴／評価情報のカラムを生成し、当該カラムと、特定された単語、語句とを関連付けることで特徴／評価情報を生成する。

【0116】

図３に示す例では、生成部５２は、特徴／評価情報カラムを生成し、当該特徴／評価情報カラムと、「キムチ」、「ごま油」、「旨辛」、「旨辛スープ」、「卵」、「悪魔級」、「ヤミツキ」などの単語とを関連付けることで特徴／評価情報を生成する。

【0117】

図１３に示す例では、名寄せ商品マスタＭの最上段の商品「ＡＢＣコーヒー」の特徴／評価情報は、「ブラック」、「マンデリン」、「すっきり」、「フルーツ」である。名寄せ商品マスタＭの中段の商品「ＤＥＦスポーツドリンク」の特徴／評価情報は、「スポーツ」、「大容量」、「グレープフルーツ風味」である。名寄せ商品マスタＭの最下段の商品「ＧＨＩスナック」の特徴／評価情報は、「コーン」、「サクサク」、「ＢＢＱ」、「限定」である。これらの単語、語句が各商品において特徴／評価情報カラムＣ１６と関連付けられて特徴／評価情報が生成される。

【0118】

また、生成部５２は、カテゴリ推定部５３により推定又は生成された商品情報カテゴリと、特定された単語、語句とを関連付けても良い。この商品情報カテゴリは、特徴／評価情報カラム、又は、特徴／評価情報カラムに含まれる、特定された単語、語句に意味付けされたカテゴリ分類又はカテゴリ区分である。すなわち、生成部５２は、特定された単語、語句の意味に関わらず、特徴／評価情報カラムと、当該特定された単語、語句とを関連付けることができ、また、特定された単語、語句の意味に応じた特徴／評価情報カラムと、当該特定された単語、語句とを関連付けても良いし、特徴／評価情報カラムの中で、さらに特定された単語、語句の意味内容と当該特定された単語、語句とを関連付けても良い。図１３に示す例では、後述するようにカテゴリ推定部５３により、「マンデリン」、「コーン」から原材料カラムを生成し、これらの単語、語句と当該カラムを関連付け、また、「すっきり」、「サクサク」から印象カラムを生成し、これらの単語、語句と当該カラムを関連付けても良い。この場合、特徴／評価情報カラムＣ１６の中に、「マンデリン」、「コーン」を含む原材料カラムや「すっきり」、「サクサク」を含む印象カラム等が含まれる。

【0119】

カテゴリ推定部５３は、特定された単語、語句に対応する商品情報のカテゴリを推定又は生成する。この推定又は生成には、辞書５３ａ、自然言語処理ライブラリ５３ｂ、ＡＩ又はこれらの２以上により行うことができる。換言すれば、カテゴリ推定部５３は、特定された単語、語句に意味付けを行う。意味付けとは、単語、語句に対応する商品情報カテゴリ（カラム）を推定又は生成することをいう。

【0120】

１つの例では、カテゴリ推定部５３は、単語、語句の品詞を判別し、判別した品詞を当該単語、語句に関連付ける。品詞は、名詞、形容詞、形状詞、副詞などを含む。形状詞は、商品の形状を示す単語である。品詞の判別には、辞書５３ａ、自然言語処理ライブラリ５３ｂ、ＡＩ又はこれらの２以上を用いることができる。カテゴリ推定部５３は、判別した品詞を商品情報のカテゴリとして推定、生成し、或いは、判別した品詞に相当する商品情報カテゴリを生成する。

【0121】

別の例では、カテゴリ推定部５３は、単語、語句の意味を判別し、当該意味を包括する商品情報カテゴリを推定又は生成する。すなわち、カテゴリ推定部５３は、単語、語句の意味から、商品情報のカテゴリ（すなわち、カラム）の１つを推定又は生成する。この判別には、辞書５３ａ、自然言語処理ライブラリ５３ｂ、ＡＩ又はこれらの２以上を用いることができる。

【0122】

具体的には、カテゴリ推定部５３は、単語、語句の意味が商品の主観的な意味に該当する場合に、商品の主観的な意味となる商品情報カテゴリを推定又は生成する。１つの例では、カテゴリ推定部５３は、単語、語句が、商品情報のカテゴリ（すなわち、カラム）の１つとして、印象、雰囲気、テイスト、質感、品質、及び用途のいずれかに該当するかを判別する。判別された単語、語句に対応する商品情報カテゴリはこれらに限定されず、商品に合わせて任意に推定又は生成しても良い。例えば、「すっきり」、「もちもち」、「ふわふわ」などの単語、語句は、印象カラムに該当する。意味付けする商品情報カテゴリは、主観的なものに限らず、商品の原材料、素材など客観的なものとしても良い。推定又は生成には、辞書５３ａ、自然言語処理ライブラリ５３ｂ、ＡＩ又はこれらの２以上を用いることができる。

【0123】

さらに別の例では、カテゴリ推定部５３は、単語、語句の係り受けを有する単語又は語句の組み合わせを生成する。係り受けは、主語と述語、修飾語と被修飾語、何に対するどんな言及かを示す文のように、異なる単語、語句が意味の上で繋がっている関係をいう。係り受けは、例えば、「鮮やか＿カラー」、「スタイリッシュ＿雰囲気」などであるが、これらに限定されず、商品の特徴／評価を示す情報に基づいて、当該商品に適したものとすることができる。組み合わせの生成には、辞書５３ａ、自然言語処理ライブラリ５３ｂ、ＡＩ又はこれらの２以上を用いることができる。

【0124】

印象などの主観的な意味の特徴／評価情報、係り受けの特徴／評価情報は、検索キーワードで入力される可能性が高いため、名寄せ商品マスタのデータベースを検索する際に利用価値が高く、例えばＥＣサイトのメタ情報として利用価値が高い。

【0125】

特徴／評価情報生成部５０は、生成した全ての特徴／評価情報を一纏まりにした特徴／評価情報を生成する。本明細書では、この特徴／評価情報を全体特徴／評価情報と称し、上記の単語、語句又は単語、語句の組み合わせに係る特徴／評価情報を個別特徴／評価情報と称する場合がある。全体特徴／評価情報は、全ての個別特徴／評価情報の単語、語句のつなぎ合わせた文字列であり、生成部５２により生成された、特徴／評価情報カラムの１つである全体特徴／評価情報カラムと関連付けられている。

【0126】

（特徴／評価情報）
特徴／評価情報は、商品の特徴を示す文字列であり、メタタグとも称する。本実施形態では、特徴／評価情報は、商品特徴を示す単語、語句、係り受けを有する単語又は語句の組み合わせである。特徴／評価情報は、その単語、語句及び組み合わせと、対応する商品情報カテゴリとが関連付けられている。特徴／評価情報は、情報付加部７０により、対応する商品に対して名寄せ商品マスタに関連付けられる。特徴／評価情報は、名寄せ商品マスタに付加される付加情報の１つである。

【0127】

（商品グラフ生成部）
図１５は、商品グラフ生成部の詳細構成の一例を示す図である。商品グラフ生成部６０は、特徴／評価情報に基づいて、商品間の関係性を示す商品グラフを生成する。具体的には、商品グラフ生成部６０は、ベクトル情報算出部６１、距離算出部６２、グラフ生成部６３を有する。

【0128】

ベクトル情報算出部６１は、特徴／評価情報に基づくベクトル情報を算出する。例えば、ベクトル情報算出部６１は、特徴／評価情報の文字列をベクトル情報に変換する。このベクトル情報の算出（変換）には、文字列をベクトル（Ｎ次元の数値）に変換する公知のツールを用いることができる。例えば、Ｇｏｏｇｌｅ社が提供するＢｅｒｔ、Ｆａｃｅｂｏｏｋ社が提供するｆａｓｔ ｔｅｘｔを用いることができるが、これらに限定されない。

【0129】

ベクトル情報算出部６１は、全ての特徴／評価情報、すなわち、全ての個別特徴／評価情報及び全体特徴／評価情報についてのベクトル情報を算出する。本明細書では、個別特徴／評価情報のベクトル情報を個別ベクトル情報と称し、全体特徴／評価情報を全体ベクトル情報と称する場合がある。算出された各ベクトル情報は、対応の商品及び名寄せ商品マスタと関連付けて記憶装置１ｂに記憶される。この関連付けは、例えば情報付加部７０により行うことができる。

【0130】

距離算出部６２は、ベクトル情報に基づいて、商品間の距離を算出する。この距離は、例えば、ベクトル情報同士の内積、ユークリッド距離とすることができる。

【0131】

商品間の距離は、個別ベクトル情報同士の距離（「特徴／評価情報間の距離」とも称する）と、全体ベクトル情報同士の距離（「商品間の距離」とも称する）に大別することができる。特徴／評価情報間の距離は、同一商品カテゴリ内の異なる商品の個別ベクトル情報同士の距離、異なる商品カテゴリ内の異なる商品の個別ベクトル情報同士の距離を含む。商品間の距離は、同一商品カテゴリ内の異なる商品の全体ベクトル情報同士の距離、異なる商品カテゴリ内の異なる商品の全体ベクトル情報同士の距離を含む。

【0132】

グラフ生成部６３（商品グラフ生成部６０）は、同一商品カテゴリの商品グラフ及び／又は複数の商品カテゴリ間の商品グラフを生成する。この生成は、距離算出部６２により算出された距離に基づく。例えば、グラフ生成部６３は、算出された距離が所定距離内の商品を含む商品グラフを生成する。商品グラフの生成は、ソーシャルグラフの作成方法など公知の手法を用いて行うことができる。

【0133】

図１６は、商品グラフの一例を示す図である。図１６の商品グラフは、Ａ社、Ｂ社、Ｃ社のコンビニスイーツについての商品グラフである。すなわち、この商品グラフは、名寄せ商品マスタから、メーカ名が「Ａ社」、「Ｂ社」、又は「Ｃ社」であり、「コンビニスイーツ」の特徴／評価情報カラムを有する商品について抽出し、グラフ上にプロットして得られたものである。商品グラフには、まとまりのある領域が丸で囲われ、各領域には、図１６に示すように、特徴／評価情報が示す単語が付されている。例えば、材料の特徴／評価情報を有する商品の領域にはその材料（例えば、「イチゴ」、「ブルーベリー」など）が付され、商品カテゴリの特徴／評価情報を有する商品の領域にはそのカテゴリ（例えば、「ケーキ」、「プリン」など）が付され、印象の特徴／評価情報を有する商品の領域には、その印象（「なめらか」、「もちもち」、「しっとり」など）が付されている。この商品グラフにより、各社の競合関係を把握することができる。

【0134】

（商品グラフ）
同一商品カテゴリの商品グラフは、(1)単一の個別特徴／評価情報間の距離に基づく、同一商品カテゴリ内の商品間の関係性を示す商品グラフ、(2)複数の個別特徴／評価情報間の距離に基づく、同一商品カテゴリ内の商品間の関係性を示す商品グラフ、(3)全体特徴／評価情報間の距離に基づく、同一商品カテゴリ内の商品間の関係性を示す商品グラフを含む。上記(1)の商品グラフは、商品カテゴリと単一の個別特徴／評価情報が共通する商品についてのグラフ（マップ）である。上記(2)の商品グラフは、商品カテゴリと複数の個別特徴／評価情報が共通する商品についてのグラフ（マップ）である。上記(3)の商品グラフは、商品カテゴリが共通する商品についてのグラフ（マップ）である。

【0135】

複数の商品カテゴリ間の商品グラフは、(4)単一の個別特徴／評価情報間の距離に基づく、複数商品カテゴリ内の商品間の関係性を示す商品グラフ、(5)複数の個別特徴／評価情報間の距離に基づく、複数商品カテゴリ内の商品間の関係性を示す商品グラフ、(6)全体特徴／評価情報間の距離に基づく、複数商品カテゴリ内の商品間の関係性を示す商品グラフを含む。上記(4)の商品グラフは、単一の個別特徴／評価情報が共通する商品についてのグラフ（マップ）である。上記(5)の商品グラフは、複数の個別特徴／評価情報が共通する商品についてのグラフ（マップ）である。上記(6)の商品グラフは、複数の商品カテゴリの商品についてのグラフ（マップ）である。

【0136】

上記(1)～(6)の商品グラフは、特徴／評価情報の種類、数、商品カテゴリの数でそれぞれ異なる観点から商品間の関係性を提供することができるため、商品群の関係性を分析する際にユーザに気付きを与え易くすることができる。

【0137】

（情報付加部）
情報付加部７０は、同一商品に係る特徴／評価情報を当該同一商品に関連付ける。具体的には、情報付加部７０は、商品と関連付けられた特徴／評価情報を名寄せ商品マスタと関連付けて記憶装置１ｂに記憶させる。

【0138】

情報付加部７０は、商品グラフ生成部６０により生成された商品グラフを、対応する商品及び名寄せ商品マスタと関連付けて記憶装置１ｂに記憶する。情報付加部７０は、ベクトル情報算出部６１により算出されたベクトル情報を、対応する商品及び名寄せ商品マスタと関連付けて記憶装置１ｂに記憶しても良い。ベクトル情報算出部６１により算出されたベクトル情報は、個別ベクトル情報及び／又は全体ベクトル情報であり、グラフベクトル情報とも称する。

【0139】

特徴／評価情報、商品グラフ、グラフベクトル情報は、名寄せ商品マスタに付加される付加情報に含まれる。商品グラフ、グラフベクトル情報は、商品グラフ情報に含まれる。情報付加部７０は、特徴／評価情報及び／又は商品グラフ情報を名寄せ商品マスタに関連付ける場合、特徴／評価情報、商品グラフ、グラフベクトル情報の少なくとも１つ以上を名寄せ商品マスタに関連付ける。

【0140】

名寄せ商品マスタは、各商品につき、商品名、スペック情報、特徴／評価情報、商品グラフ情報を関連付けて記憶装置１ｂに記憶されていれば良い。この関連付けを前提として、商品名寄せシステム１は、統合生成部４０により生成された名寄せ商品マスタデータベース、各商品についての特徴／評価情報を集めた特徴／評価情報データベース、各商品についての商品グラフ及び／又はグラフベクトル情報を集めた商品グラフ情報データベースを有するリレーショナルデータベースを備えていても良い。

【0141】

［２．動作］
［２－１．全体動作］
図１７は、本実施形態の商品名寄せシステムの動作フローチャートの一例である。まず、商品名寄せシステム１は、商品データ取得部２０により、２以上の商品データを取得する（Ｓ０１：商品データの取得）。ここでは、商品データは、一又は複数のＥＣサイトから２以上の商品データ（ＨＴＭＬデータ）を取得するものとするが、上記の通り、これに限定されず、組織で使用される商品マスタを取得しても良い。

【0142】

次に、商品名寄せシステム１は、同一商品判定部３０により、複数の商品データを解析し、同一商品に係る複数の商品データを特定する（Ｓ０２：同一商品に係る商品データの特定）。具体的には、同一商品判定部３０は、取得された２以上の商品データが同一商品に係るものかを判定する。同一商品判定部３０は、取得された２以上の商品データが同一商品に係るものでないと判定する場合には、Ｓ０１に戻る。同一商品判定部３０は、取得された２以上の商品データが同一商品に係るものであると判定する場合には、次のＳ０３に進む。

【0143】

取得された２以上の商品データが同一商品に係るものであると判定されると、統合生成部４０により、２以上の商品データを解析し、当該商品データに含まれる商品情報を当該商品情報のカテゴリ毎に分類する（Ｓ０３：商品情報のカテゴリ分類）。１つの例では、統合生成部４０は、ＡＩ４１により商品情報のカテゴリを推定及び分類し、区分する。そして、統合生成部４０により、同一商品に係る２以上の商品データに含まれる商品情報を当該商品情報のカテゴリ毎に統合して名寄せ商品マスタを生成する（Ｓ０４：名寄せ商品マスタの生成）。これにより、同一商品に係る商品データが統合されるので、一方の商品データに他方の商品データを手入力する手間を省くことができる。

【0144】

また、Ｓ０４の際、統合生成部４０は、区分したカテゴリ毎の商品情報の重複を排除する。その理由は、同一商品情報カテゴリに同一の情報は不要だからである。また、Ｓ０４の際、統合生成部４０は、区分したカテゴリ毎の商品情報の表現を正規化する。すなわち、統合生成部４０は、正規化用辞書４２、正規化用ＡＩ４３により、カテゴリ内の商品情報に含まれる単位を統一し、当該商品情報である単語、語句の揺らぎを統一する。いずれの単位、単語、語句に統一するかは、正規化用辞書４２で定義しても良いし、正規化用ＡＩ４３により決定されても良い。

【0145】

特徴／評価情報生成部５０により、商品データに含まれる商品の特徴を示すデータから商品の特徴／評価情報を生成する（Ｓ０５：特徴／評価情報の生成）。１つの例では、特定部５１により、各商品データに含まれる商品の特徴を示すテキストデータを、所定タグが付された箇所又は範囲に含まれる商品説明文を特定し、抽出する。そして、特定部５１は、抽出された商品説明文をＡＩにより自然言語解析して単語、語句に分解し、商品特徴を示す単語、語句を特定する。生成部５２により、当該単語に関連付けられた特徴／評価情報を生成する。より具体的には、カテゴリ推定部５３により、特定された単語、語句に対応する商品情報のカテゴリを推定し、生成部５２により、単語、語句及び商品情報カテゴリを関連付けられた特徴／評価情報を生成しても良い。

【0146】

商品グラフ生成部６０により、生成された特徴／評価情報に基づいて、商品グラフを生成する（Ｓ０６：商品グラフの生成）。具体的には、商品グラフ生成部６０は、ベクトル情報算出部６１により、特徴／評価情報に基づくベクトル情報（すなわち、グラフベクトル情報）を算出し、距離算出部６２により、当該ベクトル情報に基づいて、商品間の距離を算出する。そして、グラフ生成部６３により、算出された距離に基づいて、同一商品カテゴリの商品グラフ及び／又は複数の商品カテゴリ間の商品グラフを生成する。

【0147】

情報付加部７０により、生成された特徴／評価情報及び／又は商品グラフ情報を、当該特徴／評価情報に対応する商品に関連付ける（Ｓ０７：特徴／評価情報及び／又は商品グラフ情報の付加）。これにより、名寄せ商品マスタに付加情報である特徴／評価情報及び／又は商品グラフ情報が付加され、名寄せ商品マスタにより、各商品について統括的な情報を得ることができる。

【0148】

なお、上記では、商品グラフ情報を名寄せ商品マスタに関連付けたが、必ずしも関連付ける必要はない。また、商品グラフに代えて、ベクトル情報算出部６１により算出されたベクトル情報を情報付加部７０により、対応する商品及び名寄せ商品マスタに関連付けても良い。

【0149】

［２－２．名寄せ商品マスタ生成動作］
図１８は、本実施形態の名寄せ商品マスタ生成装置の動作フローチャートの一例である。ここでは、名寄せ商品マスタ生成装置１０は、同一商品判定部３０及び統合生成部４０を含み構成され、商品データ取得部２０等により得られた商品データが名寄せ商品マスタ生成装置１０に入力されるものとする。また、商品データは、一又は複数のＥＣサイトから２以上の商品データ（ＨＴＭＬデータ）を取得するものとするが、上記の通り、これに限定されず、組織で使用される商品マスタを取得しても良い。

【0150】

まず、パターン生成部３１により、商品識別潜在情報に基づいて、複数の商品識別潜在パターンを複数の商品データ毎にそれぞれ生成する（Ｓ２１：複数の商品識別潜在パターンの生成）。具体的には、パターン生成部３１は、商品データに含まれる商品識別潜在情報を、プログラム３１１、ＡＩ、学習済モデル、又はこれらの組み合わせにより特定し、抽出する（Ｓ２１１：商品識別潜在情報の特定及び抽出）。そして、パターン生成部３１は、プログラム３１１、ＡＩ、学習済モデル、又はこれらの組み合わせを用いて、商品識別潜在情報に含まれる一又は複数の単位情報を特定する（Ｓ２１２：単位情報の特定）。さらに、パターン生成部３１は、辞書３１３又はＡＩに基づいて、商品識別潜在情報に含まれる所定の単位情報を排除及び／又は変換する（Ｓ２１３：所定の単位情報の排除及び／又は変換）。排除される所定の単位情報は、例えば、余剰情報であり、変換される単位情報は、例えば、商品のメーカ名、商品名とすることができる。変換としては、半角から全角への変換、全角から半角への変換、英日、日英への変換、メーカ名、商品名の略称、通称の正式名称への変換とすることができる。

【0151】

このように、所定の単位情報の排除及び／又は変換後、変換した後の単位情報及び商品識別潜在情報に含まれる他の単位情報に基づいて複数の商品識別潜在パターンを生成する（Ｓ２１４：複数の商品識別潜在パターンの生成）。商品識別潜在パターンは、ユーザが求める商品の同一性の粒度に基づいて決定することができる。例えば、同一性の粒度が商品名（ブランド名）レベルである場合、すなわち商品名が同一であれば商品を同一商品と判定する場合、第１パターン～第６パターンの少なくとも１以上のパターンをパターン生成部３１が生成すれば良い。同一性の粒度が、販売形態を含めたＪＡＮコードなどの商品識別コードレベルである場合、すなわち、商品名、メーカ名、各種スペック情報が同一であれば商品を同一商品と判定する場合、パターン生成部３１は、第１パターン～第７パターンを少なくとも含んで生成する。同一性判定の精度を向上させるために、スペック情報に係る第７パターンを複数生成すると良い。

【0152】

次に、ベクトル情報生成部３２により、商品データ毎に、各商品識別潜在パターンのベクトル情報をそれぞれ生成する（Ｓ２２：ベクトル情報の生成）。具体的には、ベクトル情報生成部３２は、公知のツールを用いて、商品識別潜在パターンの文字列をＮ次元の数値の集まりであるベクトル情報に変換する。

【0153】

類似度算出部３３により、商品識別潜在パターン毎に２つの商品の商品データのベクトル情報に基づいて当該２つの商品の類似度をそれぞれ算出する（Ｓ２３：類似度の算出）。類似度は、ここではコサイン類似度であり、類似度が０に近い程類似しておらず、類似度が１に近い程類似していることを示す。

【0154】

判定部３４により、類似度に基づいて２つの商品が同一であるか否かを判定する（Ｓ２４：同一商品であるか？）。判定部３４は、各パターンの類似度が所定閾値以上であるか否かに基づいて同一商品か否かを判定する。所定閾値及び同一商品と判定するパターンの数や種類は、ユーザが求める商品の同一性の粒度に応じて決定することができる。

【0155】

１つの例では、商品名が同一であれば同一商品と判定する場合、第１パターン～第６パターンの少なくとも１以上の類似度が所定閾値（例えば、０．７、０．８、又は０．９）以上である場合に同一商品であると判定し、全てのパターンで類似度が所定閾値を下回る場合に異なる商品であると判定する。

【0156】

別の例では、商品名、メーカ名、各種スペック情報が同一であれば商品を同一商品と判定する場合、第１パターン～第７パターンの全ての類似度が所定閾値（例えば、０．７、０．８、又は０．９）以上である場合に同一商品であると判定し、何れかのパターンで所定閾値を下回る場合に異なる商品であると判定する。

【0157】

判定部３４が同一商品でないと判定する場合は（Ｓ２４のＮＯ）、Ｓ２１より前の商品データの入力（例えば、Ｓ０１）に戻る。判定部３４が同一商品であると判定する場合は（Ｓ２４のＹＥＳ）、統合生成部４０により、判定部３４により同一であると判定された２つの商品データに含まれる商品情報を当該商品情報のカテゴリ毎に分類し（Ｓ０３）、統合して名寄せ商品マスタを生成する（Ｓ０４）。Ｓ０３及びＳ０４は、図１７と同様であるので説明は省略する。なお、Ｓ０４の際、統合生成部４０は、区分したカテゴリ毎の商品情報の重複を排除し、及び／又は、区分したカテゴリ毎の商品情報の表現を正規化しても良い。

【0158】

［３．作用・効果］
（１）本実施形態の商品名寄せシステム１は、複数の商品データを取得する商品データ取得部２０と、複数の商品データを解析し、同一商品に係る複数の商品データを特定する同一商品判定部３０と、複数の商品データを解析し、当該商品データに含まれる商品情報を当該商品情報のカテゴリ毎に分類し、各商品について、同一商品に係る複数の商品データに含まれる商品情報を当該商品情報のカテゴリ毎に統合して名寄せ商品マスタを生成する統合生成部４０と、商品データに含まれる商品の特徴を示すデータから商品の特徴／評価情報を生成する特徴／評価情報生成部５０と、同一商品に係る特徴／評価情報を含む付加情報を当該同一商品に関連付ける情報付加部７０と、を備えるようにした。

【0159】

これにより、商品情報の伝達及びデータ整備の手間や時間を省くことができるとともに、商品情報又は付加情報により、需要予測などのマーケティング分析、商品開発、又は商品のレコメンドに必要な商品に係る情報を提供することができる。

【0160】

（２）特徴／評価情報生成部５０は、商品データに含まれる商品の特徴を示すテキストデータから当該商品の特徴を示す単語を特定する特定部５１と、単語に関連付けて特徴／評価情報を生成する生成部５２と、を有するようにした。

【0161】

これにより、様々な観点又は切り口からの商品の特徴を名寄せ商品マスタに関連付けられたデータとして持つことができ、これらの観点又は切り口から商品に係る情報を提供することができる。そのため、例えば、商品の検索性を向上させたり、マーケティング分析、商品開発、又は、商品のレコメンドに必要な商品に係る情報を提供することができる。１つの例では、ワインだけの商品群とするのではなく、ワインや日本酒、カクテルなどの他のカテゴリの商品も抽出することができ、幅広い分析やレコメンドを行うことができる。別の例では、名寄せ商品マスタを用いたＥＣサイトにおいて、特徴／評価情報を検索タグとして用いることで商品の検索性を向上させることができる。

【0162】

（３）特徴／評価情報生成部５０は、単語に対応する商品情報のカテゴリを推定するカテゴリ推定部５３を有し、生成部５２は、単語及びカテゴリに関連付けて特徴／評価情報を生成するようにした。

【0163】

これにより、特定部５１により特定された単語のカテゴリの分類が可能になる。例えば、商品がすっきりとした味わいの飲料である場合、「すっきり」の単語を印象や風味といったカテゴリに分類することができる。また、当該カテゴリは、その概念の大きさに応じて、階層化することができる。その結果、様々な粒度の特徴／評価情報を検索キーとして名寄せ商品マスタのデータベースを検索することができるので、検索精度を向上させることができるとともに様々な角度からの商品グラフを生成することができ、ユーザに新たな気づきを与えることに繋げることができる。

【0164】

（４）特徴／評価情報は、商品の印象、雰囲気、テイスト、質感、品質、及び用途の少なくとも１つ以上の商品情報のカテゴリに含まれる情報であるようにした。これにより、商品の特徴を主観的又は感覚的な観点からの切り口として提供することができるので、マーケティング分析、商品開発、又は、商品のレコメンドのヒントを提供することができる。

【0165】

（５）特徴／評価情報に基づいて、商品間の関係性を示す商品グラフを生成する商品グラフ生成部６０を備え、付加情報は、商品グラフ又は商品グラフを生成するためのグラフベクトル情報を含むようにした。これにより、ユーザに商品間の関係性を提示することができるので、需要予測などのマーケティング分析、商品開発、又は、商品のレコメンドに使用することができ、ユーザに商品に関する新たな気づきを与えることができる。

【0166】

（６）商品グラフ生成部６０は、同一商品カテゴリの商品グラフを生成するようにした。これにより、同一商品カテゴリでの商品間の関係性を提示することができるので、同一商品カテゴリでの商品群について分析し易くすることができる。

【0167】

（７）商品グラフ生成部６０は、複数の商品カテゴリ間の商品グラフを生成するようにした。これにより、特定の商品カテゴリに限られない横断的な商品間の関係性を提示することができるので、同一商品カテゴリでは得られない新たな気づきをユーザに与えることができる。例えば、複数商品カテゴリであっても同じテイストや質感の商品が商品グラフに提示されることで、小売業者には、商品の陳列に関する棚割りや商品発注のヒントを提供することができ、メーカには、商品開発のヒントを提供することができる。また、オンラインでの小売業者では、統一的なテイストや質感の商品をレコメンドすることができる。

【0168】

（８）商品グラフ生成部６０は、特徴／評価情報に基づくベクトル情報を算出するベクトル情報算出部６１と、ベクトル情報に基づいて、商品間の距離を算出する距離算出部６２と、を有するようにした。これにより、種々の商品グラフを生成する材料を整えることができる。

【0169】

（９）複数の商品データのいずれかの商品データは、商品名、スペック情報、商品の物流情報、取引情報、顧客情報、及び購買情報の少なくとも１つを含むようにした。これにより、同一商品について、商品情報及び付加情報とこれらの物流情報、取引情報、顧客情報及び購買情報の少なくとも１つとの連携を自動的に図ることができるので、情報の取得及び入力の労力を無くすことができる。さらに、名寄せ商品マスタに商品の物流情報、取引情報、顧客情報、又は、購買情報が含まれることで、より高度なマーケティング分析、商品開発、又は、商品のレコメンドを実現することができる。

【0170】

例えば、商品データに購買情報が含まれている場合には、商品の売れ筋を購買情報から把握し、その上で、当該商品が売れている原因が名寄せ商品マスタに含まれる商品情報、付加情報の何れにあるかを分析することができる。この分析結果に基づき、小売店には商品の陳列に関する棚割りや商品発注のヒントを提供することができ、メーカには、商品開発のヒントを提供することができる。１つの例では、購買情報として、商品名及びその商品の販売データを含むＰＯＳデータが知られているが、ＰＯＳデータには商品のスペック情報などの商品情報は含まれておらず、商品情報及び付加情報を収集し、商品マスタに入力する手間が発生するが、本実施形態によれば、こうした収集及び手間を省略することができる。また、購買情報から販売動向を掴むことができ、この購買情報に名寄せ商品マスタには様々な観点からの商品情報、付加情報が関連付けられているので、売れている商品が有する商品情報、付加情報の共通性からその要因を分析することができる。

【0171】

また、商品名、スペック情報、商品の物流情報、取引情報、顧客情報、及び購買情報の全てを含むことで、当該商品の材料調達から製造、流通に至る、当該商品に関わるあらゆる情報を統合することができる。

【0172】

（１０）複数の商品データは、異なる二以上の組織の商品データを含むようにした。これにより、異なる組織間の統一的な商品マスタを得ることができるので、商品情報、付加情報の手入力などの労力なしに、商品情報の異なる組織間での共有を迅速かつ適切に行うことができる。

【0173】

（１１）同一商品判定部３０は、商品データに含まれる少なくとも商品名を含む商品識別潜在情報に基づいて、複数の商品識別潜在パターンを複数の商品データ毎にそれぞれ生成するパターン生成部３１と、商品データ毎に、各商品識別潜在パターンのベクトル情報をそれぞれ生成するベクトル情報生成部３２と、商品識別潜在パターン毎に、２つの商品の商品データのベクトル情報に基づいて２つの商品の類似度をそれぞれ算出する類似度算出部３３と、類似度に基づいて、２つの商品が同一であるか否かを判定する判定部３４と、を有するようにした。これにより、名寄せ商品マスタを生成することができる。

【0174】

（１２）統合生成部４０は、判定部により同一であると判定された２つの商品データに含まれる商品情報を当該商品情報のカテゴリ毎に統合し、当該同一商品の商品マスタである名寄せ商品マスタを生成するようにした。これにより、複数の商品データを自動的に名寄せすることができるので、異なる組織間の商品データを統合する手間や時間を省くことができ、商品情報の伝達を容易に行うことができる。

【0175】

（１３）パターン生成部３１は、商品識別潜在情報に含まれる一又は複数の単位情報を特定し、当該単位情報に基づいて複数の商品識別潜在パターンを生成するようにした。これにより、商品識別潜在情報に含まれる情報の最小単位に基づき複数の商品識別潜在パターンを生成するので、複数の観点から多角的に同一商品であるかの判定を行うことができ、同一商品であるか否かの判定精度を向上させることができる。換言すれば、商品の取扱い実態に合わせて数の商品識別潜在パターンを生成することができるので、判定精度を向上させることができる。

【0176】

（１４）パターン生成部３１は、商品識別潜在情報に含まれる所定の単位情報を排除又は変換し、変換した後の単位情報及び排除した後の商品識別潜在情報に含まれる他の単位情報に基づいて商品識別潜在パターンを生成するようにした。これにより、商品識別潜在情報に含まれる同一商品判定に影響しない単位情報を排除したり、同一商品判定に影響するものの表記揺れを変換したりすることができるので、同一商品であるか否かの判定精度を向上させることができる。

【0177】

（１５）パターン生成部３１は、商品識別潜在情報に含まれる単位情報である商品の略称を当該商品の正式名称に変換するようにした。これにより、同一商品であるか否かの判定精度を向上させることができる。特に、卸業者などの特定の業者は、商品に係る商品マスタに、正式な商品の名称ではなく、当該商品の略称を入力し、商品の略称により商品を識別するという慣行がある。このような慣行の業界の商品データである商品マスタを取得した場合に、当該商品の略称に基づいて商品識別潜在パターンを生成すると、同一商品の判定精度が低下する場合がある。これに対し、本実施形態では、商品の略称を商品の正式名称に変換するようにしたので、判定精度を向上させることができる。

【0178】

（１６）商品識別潜在情報は、商品のスペック情報をさらに含み、パターン生成部３１は、スペック情報をさらに含む商品識別潜在パターンを生成するようした。これにより、同一商品の判定精度を向上させることができる。例えば、同じメーカの同じ商品名のペットボトルのお茶でも１本の容量が５００ｍｌのものを単体で販売したり、１箱１２本入りで販売したり、容量が２ｌのものを単体で販売したり、販売形態が様々であるが、販売形態に合った商品毎にＪＡＮコードなどの商品識別コードが付されている。つまり、ブランド名が同じでも販売形態が異なると異なる商品であると識別されている。このような場合であっても、商品識別コードレベルの精度で同一商品であるかを判定することができる。換言すれば、容量や入数、重さ、大きさ、容器タイプなどのスペック情報に依らず、メーカやブランド名に基づいて同一商品であると判定するよりも、細かな粒度で同一商品判定を行うことができ、判定精度を向上させることができる。

【0179】

（１７）統合生成部４０は、スペック情報を商品情報とし、当該商品情報をカテゴリ毎に分類及び統合し、名寄せ商品マスタを生成するようにした。これにより、あらゆるスペック情報を名寄せ商品マスタに集約することができる。

【0180】

（１８）複数の商品識別潜在パターンは、商品識別潜在情報から所定の単位情報を排除又は変換し、かつ商品識別潜在情報に含まれるスペック情報を排除した第１パターン、第１パターンを他の表記形式に変換した第２パターン、第１パターンから商品識別潜在情報に含まれるメーカ名を排除した第３パターン、商品識別潜在情報から所定の単位情報を排除又は変換し、かつ商品識別潜在情報に含まれる数値情報を排除した第４パターン、商品識別潜在情報に含まれるメーカ名のみの第５パターン、商品識別潜在情報に含まれる商品名のみの第６パターン、及び、商品識別潜在情報に含まれる商品のスペック情報のみの第７パターンの少なくとも１つを含むようにした。これにより、複数の組織での商品情報の伝達方式に対応して同一商品判定精度を向上させることができる。

【0181】

（１９）統合生成部４０は、統合の際、カテゴリ毎の商品情報の重複を排除するようにした。これにより、名寄せ商品マスタを使いやすくすることができる。

【0182】

（２０）統合生成部４０は、統合の際、カテゴリ毎の商品情報の表現を正規化するようにした。これにより、名寄せ商品マスタを使いやすくすることができる。

【0183】

（２１）２つの商品の商品データのうち、一方は、商品の同一判定の基準となる基準商品データであり、他方が、判定部３４で未判定であるの未判定商品データであり、判定部３４により、未判定商品データが示す商品と基準商品データが示す商品とが同一商品であると判定された場合、当該未判定商品データを基準商品データの１つとするようにした。これにより、教師データ（正解データ）を蓄積することができ、単位情報の排除、変換などの学習モデルの学習に用いることができる。

【0184】

［４．他の実施形態］
本発明の他の実施形態では、上記で説明した本発明の実施形態の機能やフローチャートに示す情報処理を実現するプログラムや該プログラムを格納したコンピュータ読み取り可能な記憶媒体とすることもできる。また他の実施形態では、上記で説明した本発明の実施形態の機能やフローチャートに示す情報処理を実現する方法とすることもできる。また他の実施形態では、上記で説明した本発明の実施形態の機能やフローチャートに示す情報処理を実現するプログラムをコンピュータに供給することができるサーバとすることもできる。また他の実施形態では、上記で説明した本発明の実施形態の機能やフローチャートに示す情報処理を実現する仮想マシンとすることもできる。

【0185】

以上に説明した処理又は動作において、あるステップにおいて、そのステップではまだ利用することができないはずのデータを利用しているなどの処理又は動作上の矛盾が生じない限りにおいて、処理又は動作を自由に変更することができる。また以上に説明してきた各実施例は、本発明を説明するための例示であり、本発明はこれらの実施例に限定されるものではない。本発明は、その要旨を逸脱しない限り、種々の形態で実施することができる。

【0186】

上記の実施形態では、商品に係るデータ、情報を取り扱うようにしたが、商品に代えてサービスとしても良い。例えば、商品データに代えて、サービスに係るサービスデータとしても良い。この場合、システム１、装置１０の各部の機能は、商品ではなくサービスに関する機能に置き換えることができる。

【符号の説明】

【0187】

１ 商品名寄せシステム
１ａ プロセッサ
１ｂ 記憶装置
１ｂ－１ ＲＡＭ
１ｂ－２ ＲＯＭ
１ｂ－３ 外部メモリ
１ｃ 入力装置
１ｄ 出力装置
１ｅ 通信装置
１ｆ バス
１０ 名寄せ商品マスタ生成装置
２０ 商品データ取得部
３０ 同一商品判定部
３１ パターン生成部
３１１ プログラム
３１３ 辞書
３１３ａ 排除用辞書
３１３ｂ 変換用辞書
３２ ベクトル情報生成部
３３ 類似度算出部
３４ 判定部
４０ 統合生成部
４１ ＡＩ
４２ 正規化用辞書
４３ 正規化用ＡＩ
５０ 特徴／評価情報生成部
５１ 特定部
５２ 生成部
５３ カテゴリ推定部
５３ａ 辞書
５３ｂ 自然言語処理ライブラリ
６０ 商品グラフ生成部
６１ ベクトル情報算出部
６２ 距離算出部
６３ グラフ生成部
７０ 情報付加部
Ｃ１０～Ｃ１７ 商品情報カテゴリ（カラム）
Ｇ０ 商品の画像
Ｇ１ 商品識別潜在情報
Ｇ２ スペック情報
Ｇ３ 商品の特徴／評価を示す情報
Ｍ 名寄せ商品マスタ
Ｐ１～Ｐ７ 第１パターン～第７パターン
Ｖ１～Ｖ７ 第１パターン～第７パターンのベクトル情報

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】