(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2023-08-03
(45)【発行日】2023-08-14
(54)【発明の名称】レコメンドサーバ、レコメンド方法およびプログラム
(51)【国際特許分類】
G06Q 50/10 20120101AFI20230804BHJP
【ＦＩ】
G06Q50/10
【請求項の数】
15
(21)【出願番号】P 2022206461
(22)【出願日】2022-12-23
【審査請求日】2022-12-27
【早期審査対象出願】
(73)【特許権者】
【識別番号】507009009
【氏名又は名称】株式会社博報堂ＤＹホールディングス
(74)【代理人】
【識別番号】110003476
【氏名又は名称】弁理士法人瑛彩知的財産事務所
(72)【発明者】
【氏名】加藤 博司
(72)【発明者】
【氏名】夏堀 雄太
(72)【発明者】
【氏名】堂上 研
【審査官】松田 岳士
(56)【参考文献】
【文献】特開２０１７－１８２６６３（ＪＰ，Ａ）
【文献】特開２００７－０５８３９８（ＪＰ，Ａ）
【文献】特開２０２１－１０３５４２（ＪＰ，Ａ）
【文献】特開２０１３－２０６４０７（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｑ １０／００－９９／００
(57)【特許請求の範囲】
【請求項1】
コンテンツに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第１の推定モデルを学習させることで生成された第１の学習済み推定モデルを取得する第１のモデル取得部と、複数の対象コンテンツの各々について、対象コンテンツに対応付けられた因子情報と、対象ユーザに対応付けられた因子スコア情報とを前記第１の学習済み推定モデルに入力して、反応確率を推定する第１の推定部と、
前記複数の対象コンテンツの各々について推定された反応確率に基づいて、前記複数の対象コンテンツの中から１以上の対象コンテンツを抽出する第１の抽出部と
を備え、
前記因子は、ユーザの潜在的な心理状態を表現するものとして定義された因子であり、
前記対象ユーザに対応付けられた因子スコア情報は、前記対象ユーザが因子を重視する度合いを示す情報である
ことを特徴とするレコメンドサーバ。
【請求項2】
サービスに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第２の推定モデルを学習させることで生成された第２の学習済み推定モデルを取得する第２のモデル取得部と、複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記対象ユーザに対応付けられた因子スコア情報とを前記第２の学習済み推定モデルに入力して、反応確率を推定する第２の推定部と、
前記複数の対象サービスの各々について推定された反応確率に基づいて、前記複数の対象サービスの中から、前記１以上の対象コンテンツと対応付けられた１以上の対象コンテンツを抽出する第２の抽出部と
をさらに備える、請求項１に記載のレコメンドサーバ。
【請求項3】
前記コンテンツは、ユーザの幸福度を向上させるものとして定義されたアドバイス情報であることを特徴とする、請求項１または２に記載のレコメンドサーバ。
【請求項4】
前記第２のモデル取得部は、サービスが属する個別領域ごとに第２の学習済み推定モデルを取得し、前記第２の推定部は、前記複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記対象ユーザに対応付けられた因子スコア情報とを、当該対象サービスが属する個別領域について取得された第２の学習済み推定モデルに入力して、反応確率を推定する
ことを特徴とする、請求項２に記載のレコメンドサーバ。
【請求項5】
前記１以上の対象コンテンツのうち、いずれかが前記対象ユーザにより選択されると、前記対象ユーザに対応付けられた因子スコア情報であって、当該選択された対象コンテンツに対応付けられた因子のスコア情報を更新する更新部をさらに備える、請求項１または２に記載のレコメンドサーバ。
【請求項6】
前記第１のモデル取得部は、前記更新された因子スコア情報を説明変数として前記第１の推定モデルに学習させることで、前記第１の学習済み推定モデルを更新することを特徴とする、請求項５に記載のレコメンドサーバ。
【請求項7】
前記第１の推定部はさらに、複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記更新された因子スコア情報とを前記第１の学習済み推定モデルに入力して、反応確率を推定することを特徴とする、請求項５に記載のレコメンドサーバ。
【請求項8】
コンピュータにより実行されるレコメンド方法であって、コンテンツに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第１の推定モデルを学習させることで生成された第１の学習済み推定モデルを取得するステップと、
複数の対象コンテンツの各々について、対象コンテンツに対応付けられた因子情報と、対象ユーザに対応付けられた因子スコア情報とを前記第１の学習済み推定モデルに入力して、反応確率を推定するステップと、
前記複数の対象コンテンツの各々について推定された反応確率に基づいて、前記複数の対象コンテンツの中から１以上の対象コンテンツを抽出するステップと
を有し、
前記因子は、ユーザの幸福度を向上させるものとして定義された因子であり、
前記対象ユーザに対応付けられた因子スコア情報は、前記対象ユーザが因子を重視する度合いを示す情報である
ことを特徴とするレコメンド方法。
【請求項9】
サービスに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第２の推定モデルを学習させることで生成された第２の学習済み推定モデルを取得するステップと、複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記対象ユーザに対応付けられた因子スコア情報とを前記第２の学習済み推定モデルに入力して、反応確率を推定するステップと、
前記複数の対象サービスの各々について推定された反応確率に基づいて、前記複数の対象サービスの中から、前記１以上の対象コンテンツと対応付けられた１以上の対象コンテンツを抽出するステップと
をさらに有する、請求項８に記載のレコメンド方法。
【請求項10】
前記コンテンツは、ユーザの幸福度を向上させるものとして定義されたアドバイス情報であることを特徴とする、請求項８または９に記載のレコメンド方法。
【請求項11】
前記第２の学習済み推定モデルを取得するステップは、サービスが属する個別領域ごとに第２の学習済み推定モデルを取得するステップであり、前記反応確率を推定するステップは、前記複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記対象ユーザに対応付けられた因子スコア情報とを、当該対象サービスが属する個別領域について生成された第２の学習済み推定モデルに入力して、反応確率を推定するステップである
ことを特徴とする、請求項９に記載のレコメンド方法。
【請求項12】
前記１以上の対象コンテンツのうち、いずれかが前記対象ユーザにより選択されると、前記対象ユーザに対応付けられた因子スコア情報であって、当該選択された対象コンテンツに対応付けられた因子のスコア情報を更新するステップをさらに有する、請求項８または９に記載のレコメンド方法。
【請求項13】
前記更新された因子スコア情報を説明変数として前記第１の推定モデルに学習させることで、前記第１の学習済み推定モデルを更新するステップをさらに有することを特徴とする、請求項１２に記載のレコメンド方法。
【請求項14】
複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記更新された因子スコア情報とを前記第１の学習済み推定モデルに入力して、反応確率を推定するステップをさらに有することを特徴とする、請求項１２に記載のレコメンド方法。
【請求項15】
コンピュータを、請求項１または２に記載の各部として機能させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、レコメンドサーバ、レコメンド方法およびプログラムに関する。
【背景技術】
【0002】
本技術分野の背景技術を開示する文献として、特開２０１１－１７５３６２号公報（特許文献１）がある。この公報には、「推薦エンジン：ユーザの嗜好（Preference）又はユーザのコンテンツに対するアクション等に基づいてコンテンツを推薦するシステムモジュール。」と記載されている（段落００２８参照）。
【0003】
この公報には、より具体的には、「まず、解析部１２０により、記憶部１１０の属性テーブルに記憶されているコンテンツの基本属性が取得される（ステップＳ１０２）。次に、解析部１２０は、ＰＬＳＡ又はＬＤＡによる確率的分類法に従って、基本属性の属性値に基づいて、拡張属性の属性値を算出する（ステップＳ１０４）。解析部１２０は、ここで算出した拡張属性の属性値を属性テーブルに格納する。」と記載されている（段落０１０２参照）。また、この公報には、「まず、推薦部１４０により、記憶部１１０が保持している属性テーブルに記憶されている属性値を用いて、ユーザに推薦すべきコンテンツが選択される（ステップＳ２０２）。」と記載されている（段落０１０６参照）。すなわち、この公報には、ＰＬＳＡにより属性値が算出されて属性テーブルに格納され、属性テーブルに記憶されている属性値を用いて、ユーザに推薦すべきコンテンツが選択されることが記載されている。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２０１１－１７５３６２号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
特許文献１に記載のＰＬＳＡは、レコメンドアルゴリズムの１つとして知られている。このＰＬＳＡは、ユーザとコンテンツの背後の潜在因子を事後的に（暗黙的に）推定するアルゴリズムである。このようなアルゴリズムを使用するレコメンド方法に対して、本発明は、ユーザとコンテンツを所定の因子に対応付けて、その因子に基づいてコンテンツをレコメンドするための仕組みを提供する。
【課題を解決するための手段】
【0006】
上記課題を解決するために、例えば特許請求の範囲に記載の構成を採用する。
【発明の効果】
【0007】
本発明によれば、ユーザとコンテンツを所定の因子に対応付けて、その因子に基づいてコンテンツをレコメンドするための仕組みを提供することができる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
【図面の簡単な説明】
【0008】
【発明を実施するための形態】
【0009】
１．実施例
以下、本発明の実施例について図面を参照して説明する。
１－１．概要
従来、多くのレコメンドサービスが個別ドメインの中でのレコメンドになっている。例えば図１は、Matrix Factorizationを用いたレコメンド方法の例を示す。
以下、本発明の実施例について図面を参照して説明する。
１－１．概要
従来、多くのレコメンドサービスが個別ドメインの中でのレコメンドになっている。例えば図１は、Matrix Factorizationを用いたレコメンド方法の例を示す。
【0010】
同図に示すレコメンド方法では、評価行列１０１をユーザの特徴量行列１０２とアイテムの特徴量行列１０３に分解する。そして、分解した２つの行列の積をとり、新しい評価行列１０４を生成する。最後に、生成した新しい評価行列１０４において値の高いアイテムをレコメンドする。
同図の上段は、商品の購買データに基づいて商品をレコメンドする方法を示しており、下段は、映画の視聴データに基づいて映画をレコメンドする方法を示している。
同図の上段は、商品の購買データに基づいて商品をレコメンドする方法を示しており、下段は、映画の視聴データに基づいて映画をレコメンドする方法を示している。
【0011】
このようなレコメンド方法では、ユーザの嗜好を個別ドメインの行動データから定義する。そのため、ドメインを横断してレコメンドを行うことが難しい。
【0012】
これに対して、本実施例に係るレコメンド方法では、ユーザの潜在的な心理状態を表現する因子、具体的には、人間の幸福の価値観の表現するウェルビーイング因子を利用する。具体的には本レコメンド方法では、事業者側で予め定義されるウェルビーイング因子をユーザ、ウェルビーイングコンテンツ、ウェルビーイングサービスの各々に対応付ける。その上で、ユーザのウェルビーイング最大化の観点から、ウェルビーイングコンテンツを利用した全体ドメイン最適を図り、次にウェルビーイングサービスを利用した個別ドメイン最適を図る。そのため、このレコメンド方法によれば、ドメインを横断してレコメンドを行うことができる。
【0013】
なお、上記のウェルビーイング（well-being）とは、健康で安心なこと、満足できる生活状態、幸福などを意味する用語である。以下の説明では、このウェルビーイングを「ＷＢ」と略す場合がある。
【0014】
図２は、全体ドメインと個別ドメインの概念モデルの例を示す。同図に示す概念モデルでは、全体ドメイン２０１に属するＷＢコンテンツ２０２（例えば、「働く」）が、それぞれ、個別ドメイン２０３に属する１以上のＷＢサービス２０４（例えば、「施設環境」）と対応付けられている。
【0015】
この概念モデルを用いて本実施例に係るレコメンド方法について説明すると、まず全体最適として、「働く」に関心が高いユーザに「働く」が推薦される。そして次に、個別最適として、「働く」に関連する具体的なサービスが当該ユーザに推薦される。
【0016】
図３は、全体ドメインと個別ドメインの概念モデルの別の例を示す。同図に示す概念モデルでは、全体ドメイン３０１に属するＷＢコンテンツ３０２が、それぞれ、個別ドメイン３０３に属する１以上のＷＢサービス３０４と対応付けられている。
【0017】
この概念モデルを用いて本実施例に係るレコメンド方法について説明すると、まず全体最適として、ＷＢコンテンツがユーザに推薦される。この際、当該ユーザの関心が高い意識領域が推定される。そして次に、個別最適として、当該ＷＢコンテンツが対応付けられたＷＢサービスが当該ユーザに推薦される。言い換えると、当該ユーザの関心領域内でさらにＷＢサービスが推薦される。これにより、当該ユーザのウェルビーイングを向上させる。
【0018】
次に、ＷＢ因子について説明する。
図４は、ＷＢ因子の例を示す。同図に示す合計２１個のＷＢ因子は、カテゴリ「ウェルネス」に属する、活動または身体に関する７個のＷＢ因子と、カテゴリ「ニューネス」に属する、要素または精神に関する７個のＷＢ因子と、カテゴリ「コミュニティ」に属する、状態または社会に関する７個のＷＢ因子からなる。
図４は、ＷＢ因子の例を示す。同図に示す合計２１個のＷＢ因子は、カテゴリ「ウェルネス」に属する、活動または身体に関する７個のＷＢ因子と、カテゴリ「ニューネス」に属する、要素または精神に関する７個のＷＢ因子と、カテゴリ「コミュニティ」に属する、状態または社会に関する７個のＷＢ因子からなる。
【0019】
これらのＷＢ因子は、ウェルビーイングの観点から事業者側で潜在因子として予め定義される。言い換えると、これらのＷＢ因子は、ユーザの幸福度を表現するもの、またはユーザの幸福度の価値観を表現するものとして事業者側で予め定義される。
【0020】
これらのＷＢ因子は、ユーザに対応付けられる。具体的な方法としては、まず、サービス登録時にユーザに対してＷＢ因子についてのアンケートを実施する。このアンケートは、各ＷＢ因子の重要度をユーザに回答させるものである。このアンケートの詳細については、例えば図２８に示す登録画面２８００を参照のこと。
【0021】
そして、アンケートの結果をユーザに対応付けてテーブルに格納する。図５は、因子スコアテーブルの例を示す。同図に示す因子スコアテーブル５００は、ユーザごとに各ＷＢ因子のスコアを格納している。
【0022】
次に、ＷＢコンテンツについて説明する。
ＷＢコンテンツは、事業者側で予め定義されるレコメンド用のコンテンツであり、ユーザのその時の興味、関心領域を明らかにするためのコンテンツである。言い換えるとＷＢコンテンツは、ユーザの幸福度を向上させるものとして予め定義されたアドバイス情報である。このＷＢコンテンツは、一例として４００種類用意される。このＷＢコンテンツの具体例については、例えば図２９に示すレコメンド画面２９００を参照のこと。
ＷＢコンテンツは、事業者側で予め定義されるレコメンド用のコンテンツであり、ユーザのその時の興味、関心領域を明らかにするためのコンテンツである。言い換えるとＷＢコンテンツは、ユーザの幸福度を向上させるものとして予め定義されたアドバイス情報である。このＷＢコンテンツは、一例として４００種類用意される。このＷＢコンテンツの具体例については、例えば図２９に示すレコメンド画面２９００を参照のこと。
【0023】
各ＷＢコンテンツは、それぞれＷＢ因子とテーブルで対応付けられる。ＷＢコンテンツとＷＢ因子を対応付けるテーブルについては、例えば図１６に示すコンテンツ情報１６００を参照のこと。
【0024】
次に、ＷＢサービスについて説明する。
ＷＢサービスは、事業者側で予め定義されるレコメンド用の事業者サービスであり、各ユーザのその時の興味、関心領域内のサービスである。このＷＢサービスの具体例については、例えば図３０に示すレコメンド画面３０００を参照のこと。
ＷＢサービスは、事業者側で予め定義されるレコメンド用の事業者サービスであり、各ユーザのその時の興味、関心領域内のサービスである。このＷＢサービスの具体例については、例えば図３０に示すレコメンド画面３０００を参照のこと。
【0025】
各ＷＢサービスは、それぞれＷＢ因子とテーブルで対応付けられる。ＷＢサービスとＷＢ因子を対応付けるテーブルについては、例えば図１７に示すサービス情報１７００を参照のこと。
また各ＷＢサービスは、図２および図３に示すように、それぞれＷＢコンテンツと対応付けられる。
また各ＷＢサービスは、図２および図３に示すように、それぞれＷＢコンテンツと対応付けられる。
【0026】
次に、本実施例に係るレコメンド方法の流れについて説明する。
本実施例に係るレコメンド方法では、まず、全体ドメインにおいてユーザの興味、関心領域を推定し、ＷＢコンテンツを推薦する。次に、個別ドメインにおいて当該ユーザの興味、関心領域内のＷＢサービスを推薦する。言い換えると、個別ドメインにおいて、当該ユーザが反応したＷＢコンテンツに対応付けられたＷＢサービスを推薦する。
本実施例に係るレコメンド方法では、まず、全体ドメインにおいてユーザの興味、関心領域を推定し、ＷＢコンテンツを推薦する。次に、個別ドメインにおいて当該ユーザの興味、関心領域内のＷＢサービスを推薦する。言い換えると、個別ドメインにおいて、当該ユーザが反応したＷＢコンテンツに対応付けられたＷＢサービスを推薦する。
【0027】
このように本実施例に係るレコメンド方法は２段階になっている。これに対して、ＷＢコンテンツを推薦せずに、ＷＢサービスをダイレクトに推薦するレコメンド方法が考えられる。図６は、前者のレコメンド方法と後者のレコメンド方法の比較例を示す。
【0028】
同図に示すレコメンド方法はいずれも、書籍を推薦する方法である。ただし、段階を踏む推薦６０１は、まず書籍のジャンルを推薦し、その次に、当該ジャンルに属する書籍を推薦する。これに対して、段階を踏まない推薦６０２は、書籍のジャンルを推薦せずに、書籍をダイレクトに推薦する。
【0029】
段階を踏む推薦６０１のような２段階のレコメンド方法は、興味や関心のない可能性があるＷＢサービスをいきなり推薦するよりは、より曖昧な興味、関心領域から徐々に具体的なＷＢサービスに絞り込む方が、ユーザが好反応を示すという経験則に基づいている。
【0030】
次に、本実施例に係るレコメンド方法とトピックモデルの差異について説明する。
まずトピックモデルは、レコメンドアルゴリズムの１つであり、ユーザとレコメンドコンテンツの背後の潜在因子を事後的に（暗黙的に）推定するアルゴリズムである。このトピックモデルの代表例であるＰＬＳＡ（Probabilistic Latent Semantic Analysis）は、図７のように図示され、また下式により表される。
・・・（１）
まずトピックモデルは、レコメンドアルゴリズムの１つであり、ユーザとレコメンドコンテンツの背後の潜在因子を事後的に（暗黙的に）推定するアルゴリズムである。このトピックモデルの代表例であるＰＬＳＡ（Probabilistic Latent Semantic Analysis）は、図７のように図示され、また下式により表される。
【数1】
【0031】
この数式（１）において、Ｐ（ｃｉ，ｇｊ）は共起確率を表し、Ｐ（ｚｋ）、Ｐ（ｃｉ｜ｚｋ）およびＰ（ｇｊ｜ｚｋ）は確率変数を表す。また、この数式（１）と図７において、ｃｉはユーザ情報を表し、ｇｊはコンテンツ情報を表し、ｚｋは潜在因子を表す。
このＰＬＳＡは、ユーザ情報とコンテンツ情報（言い換えると、ユーザのコンテンツへの反応情報）からＥＭアルゴリズム等で、共起確率Ｐ（ｃｉ，ｇｊ）を最大化する潜在因子ｚｋを事後的に（暗黙的に）求める。
このＰＬＳＡは、ユーザ情報とコンテンツ情報（言い換えると、ユーザのコンテンツへの反応情報）からＥＭアルゴリズム等で、共起確率Ｐ（ｃｉ，ｇｊ）を最大化する潜在因子ｚｋを事後的に（暗黙的に）求める。
【0032】
これに対して、本実施例に係るレコメンド方法では、潜在因子ｚｋに相当する情報を事前に事業者側で定義し、ユーザとコンテンツに対応付ける。その点で本レコメンド方法はＰＬＳＡと相違する。
なお、潜在因子ｚｋに相当する情報をユーザに対応付ける方法は、例えばユーザに対する聴取（具体的には、アンケート）によってもよい。一方、潜在因子ｚｋに相当する情報をコンテンツに対応付ける方法は、例えば経験則によってもよい。
なお、潜在因子ｚｋに相当する情報をユーザに対応付ける方法は、例えばユーザに対する聴取（具体的には、アンケート）によってもよい。一方、潜在因子ｚｋに相当する情報をコンテンツに対応付ける方法は、例えば経験則によってもよい。
【0033】
１－２．構成
次に、実施例に係る情報処理システムについて説明する。
図８は、情報処理システムの構成の例を示す。同図に示す情報処理システム８００は、レコメンドサーバ８０１と複数のユーザ端末８０２を備える。各構成機器は有線または無線のネットワークを介して接続され、互いに情報を送受信することができる。
次に、実施例に係る情報処理システムについて説明する。
図８は、情報処理システムの構成の例を示す。同図に示す情報処理システム８００は、レコメンドサーバ８０１と複数のユーザ端末８０２を備える。各構成機器は有線または無線のネットワークを介して接続され、互いに情報を送受信することができる。
【0034】
この情報処理システム８００を構成するレコメンドサーバ８０１は、ＷＢコンテンツとＷＢサービスをユーザにレコメンドするためのサーバである。
一方、ユーザ端末８０２は、レコメンドサーバ８０１が提供するレコメンドサービスを受けるための端末装置である。
一方、ユーザ端末８０２は、レコメンドサーバ８０１が提供するレコメンドサービスを受けるための端末装置である。
【0035】
情報処理システム８００の各構成機器は、例えば、スマートフォン、タブレット、携帯電話機、携帯情報端末（ＰＤＡ）などの携帯端末（モバイル端末）でもよいし、メガネ型や腕時計型、着衣型などのウェアラブル端末でもよい。また、各構成機器は、据置型または携帯型のコンピュータや、クラウドやネットワーク上に配置されるサーバでもよい。また、各構成機器は、機能としてはＶＲ（仮想現実：Virtual Reality）端末、ＡＲ（拡張現実：Augmented Reality）端末、ＭＲ（複合現実：Mixed Reality）端末でもよい。あるいは、各構成機器は、これらの複数の端末の組合せであってもよい。例えば、１台のスマートフォンと１台のウェアラブル端末との組合せが論理的に一つの端末として機能し得る。また、各構成機器は、これら以外の情報処理端末であってもよい。
【0036】
各構成機器は、それぞれオペレーティングシステムやアプリケーション、プログラムなどを実行するプロセッサと、ＲＡＭ（Random Access Memory）等の主記憶装置と、ＩＣカードやハードディスクドライブ、ＳＳＤ（Solid State Drive）、フラッシュメモリ等の補助記憶装置と、ネットワークカードや無線通信モジュール、モバイル通信モジュール等の通信制御部と、タッチパネルやキーボード、マウス、音声入力、カメラ部の撮像による動き検知による入力などの入力装置と、モニタやディスプレイ等の出力装置とを備える。なお、出力装置は、外部のモニタやディスプレイ、プロジェクタ、プリンタ、機器などに、出力するための情報を送信する装置や端子であってもよい。
【0037】
主記憶装置には、各種プログラムやアプリケーションなど（モジュール）が記憶されており、これらのプログラムやアプリケーションをプロセッサが実行することで全体システムの各機能要素が実現される。なお、これらの各モジュールは集積化する等によりハードウェアで実装してもよい。また、各モジュールはそれぞれ独立したプログラムやアプリケーションでもよいが、１つの統合プログラムやアプリケーションの中の一部のサブプログラムや関数などの形で実装されていてもよい。
【0038】
本明細書では、各モジュールが、処理を行う主体（主語）として記載をしているが、実際には各種プログラムやアプリケーションなど（モジュール）を処理するプロセッサが処理を実行する。
【0039】
補助記憶装置には、各種データベース（ＤＢ）が記憶されている。「データベース」とは、プロセッサまたは外部のコンピュータからの任意のデータ操作（例えば、抽出、追加、削除、上書きなど）に対応できるようにデータ集合を記憶する機能要素（記憶部）である。データベースの実装方法は限定されず、例えばデータベース管理システムでもよいし、表計算ソフトウェアでもよいし、ＸＭＬ、ＪＳＯＮなどのテキストファイルでもよい。
【0040】
以下、情報処理システム８００の構成機器のうち、特にレコメンドサーバ８０１について詳細に説明する。
【0041】
図９は、レコメンドサーバ８０１の構成の例を示す。同図に示すレコメンドサーバ８０１は、例えば、クラウド上に配置された１以上のサーバで構成される。
本サーバの主記憶装置９０１には、全体最適用のモジュールとして、モデル学習モジュール９１１、スコアリングモジュール９１２、リランキングモジュール９１３、抽出モジュール９１４、スクリーニングモジュール９１５、レコメンドモジュール９１６、行動ログ管理モジュール９１７等のプログラムが記憶されている。
本サーバの主記憶装置９０１には、全体最適用のモジュールとして、モデル学習モジュール９１１、スコアリングモジュール９１２、リランキングモジュール９１３、抽出モジュール９１４、スクリーニングモジュール９１５、レコメンドモジュール９１６、行動ログ管理モジュール９１７等のプログラムが記憶されている。
【0042】
また主記憶装置９０１には、個別最適用のモジュールとして、モデル学習モジュール９２１、スコアリングモジュール９２２、フィルタリングモジュール９２３、リランキングモジュール９２４、抽出モジュール９２５、スクリーニングモジュール９２６、レコメンドモジュール９２７、行動ログ管理モジュール９２８等のプログラムが記憶されている。
【0043】
さらに主記憶装置９０１には、マイページモジュール９３１、ユーザ情報管理モジュール９３２等のプログラムが記憶されている。
以上説明したプログラムをプロセッサ９０３が実行することでレコメンドサーバ８０１の各機能要素が実現される。以下、各モジュールについて説明する。
以上説明したプログラムをプロセッサ９０３が実行することでレコメンドサーバ８０１の各機能要素が実現される。以下、各モジュールについて説明する。
【0044】
モデル学習モジュール９１１は、ＷＢコンテンツに予め対応付けられたＷＢ因子情報と、ユーザに予め対応付けられたＷＢ因子スコア情報とを説明変数とし、反応確率を目的変数として、推定モデルを学習させる。当該モジュールは、この学習により、学習済み推定モデルを生成し、取得する。
【0045】
このモジュールが学習させる推定モデルは、ＦＭ（Factorization Machines）である。ＦＭは以下の特徴を有する。
・ＦＭは、非常にスパースなデータに対しても、信頼できるパラメータ推定が可能な一般的な識別器である。
・ＦＭは、回帰、分類、ランキング問題を解くことが可能である。
・ＦＭは、すべての特徴量同士の交互作用を近似的に考慮可能なモデルである。
・ＦＭは、内部的に計算量を落とす工夫がある。
・ＦＭは、非常にスパースなデータに対しても、信頼できるパラメータ推定が可能な一般的な識別器である。
・ＦＭは、回帰、分類、ランキング問題を解くことが可能である。
・ＦＭは、すべての特徴量同士の交互作用を近似的に考慮可能なモデルである。
・ＦＭは、内部的に計算量を落とす工夫がある。
【0046】
このＦＭの数式モデルは、一般に下式により表される。
・・・（２）
・・・（３）
この数式（２）のｙおよびｘは所与のパラメータであり、ｖおよびｗは推定されるパラメータである。
【数2】
【数3】
この数式（２）のｙおよびｘは所与のパラメータであり、ｖおよびｗは推定されるパラメータである。
【0047】
次に、スコアリングモジュール９１２は、複数のＷＢコンテンツの各々について、ＷＢコンテンツに予め対応付けられたＷＢ因子情報と、対象ユーザに予め対応付けられたＷＢ因子スコア情報とを学習済み推定モデルに入力して、反応確率を推定する。
【0048】
リランキングモジュール９１３は、反応確率が推定されたＷＢコンテンツの中から、対象ユーザが過去に選択したＷＢコンテンツを除外する。これは、過去にレコメンドしたＷＢコンテンツを再度レコメンドすることを回避するためである。また当該モジュールは、反応確率が上位のＷＢコンテンツに類似するものが存在する場合に、それらのうち１以上のＷＢコンテンツの順番を並び替える。これは、類似するＷＢコンテンツを一度に複数レコメンドすることを避けるためである。
【0049】
抽出モジュール９１４は、リランキングされたＷＢコンテンツの中から、各ＷＢコンテンツについて推定された反応確率に基づいて、１以上のＷＢコンテンツを抽出する。抽出されるＷＢコンテンツは、反応確率が上位５位以内のＷＢコンテンツである。
【0050】
スクリーニングモジュール９１５は、抽出されたＷＢコンテンツの中から不適切なものを除外する。ここで、不適切なものとは、対象ユーザのユーザ属性に基づいてルールベースまたはモデルベースで特定されるＷＢコンテンツのことである。
【0051】
レコメンドモジュール９１６は、スクリーニングを通過したＷＢコンテンツを対象ユーザにレコメンドする。
【0052】
行動ログ管理モジュール９１７は、レコメンドされたＷＢコンテンツに対する対象ユーザの行動を記録する。
【0053】
モデル学習モジュール９２１は、ＷＢサービスに予め対応付けられた因子情報と、ユーザに予め対応付けられたＷＢ因子スコア情報とを説明変数とし、反応確率を目的変数として、推定モデルを学習させる。その際、当該モジュールは、個別領域ごとに推定モデルを学習させる。当該モジュールは、この学習により、個別領域ごとに学習済み推定モデルを生成し、取得する。なお、このモジュールが学習させる推定モデルは、ＦＭである。
【0054】
スコアリングモジュール９２２は、複数のＷＢサービスの各々について、ＷＢサービスに予め対応付けられた因子情報と、対象ユーザに予め対応付けられたＷＢ因子スコア情報とを学習済み推定モデルに入力して、反応確率を推定する。なお、この推定で用いられる学習済み推定モデルは、ＷＢサービスが属する個別領域に対応するものである。
【0055】
フィルタリングモジュール９２３は、反応確率が推定されたＷＢサービスの中から、対象ユーザが選択したＷＢコンテンツに対応しないＷＢサービスを除外する。これは、対象ユーザが選択したＷＢコンテンツと関係のないＷＢサービスをレコメンドすることを回避するためである。なお、当該ユーザが選択したＷＢコンテンツに対応しないＷＢサービスとは、当該ユーザが選択したＷＢコンテンツと個別領域を共有しないＷＢサービスのことである。
【0056】
リランキングモジュール９２４は、フィルタリングされたＷＢサービスの中から、対象ユーザが過去に選択したＷＢサービスを除外する。これは、過去にレコメンドしたＷＢサービスを再度レコメンドすることを回避するためである。また当該モジュールは、反応確率が上位のＷＢサービスに類似するものが存在する場合に、それらのうち１以上のＷＢサービスの順番を並び替える。これは、類似するＷＢサービスを一度に複数レコメンドすることを避けるためである。
【0057】
抽出モジュール９２５は、リランキングされたＷＢサービスの中から、各ＷＢサービスについて推定された反応確率に基づいて、１以上のＷＢサービスを抽出する。抽出されるＷＢサービスは、反応確率が上位５位以内のＷＢサービスである。
【0058】
スクリーニングモジュール９２６は、抽出されたＷＢサービスの中から不適切なものを除外する。ここで、不適切なものとは、対象ユーザのユーザ属性に基づいてルールベースまたはモデルベースで特定されるＷＢサービスのことである。
【0059】
レコメンドモジュール９２７は、スクリーニングを通過したＷＢサービスを対象ユーザにレコメンドする。
【0060】
行動ログ管理モジュール９２８は、レコメンドされたＷＢサービスに対する対象ユーザの行動を記録する。
【0061】
マイページモジュール９３１は、ユーザの要求に応じてマイページ（図３２参照）をユーザ端末８０２に表示させる。
【0062】
ユーザ情報管理モジュール９３２は、ユーザの属性情報とＷＢ因子スコアを管理する。
【0063】
次に、レコメンドサーバ８０１の補助記憶装置９０２について説明する。
補助記憶装置９０２は各種情報を記憶する。具体的には本装置は、ユーザ属性情報１０００、因子スコア情報１１００、コンテンツ行動ログ１２００、コンテンツ行動スコア情報１３００、サービス行動ログ１４００、サービス行動スコア情報１５００、コンテンツ情報１６００、サービス情報１７００、活動ログ１８００等の情報を記憶する。
補助記憶装置９０２は各種情報を記憶する。具体的には本装置は、ユーザ属性情報１０００、因子スコア情報１１００、コンテンツ行動ログ１２００、コンテンツ行動スコア情報１３００、サービス行動ログ１４００、サービス行動スコア情報１５００、コンテンツ情報１６００、サービス情報１７００、活動ログ１８００等の情報を記憶する。
【0064】
また本装置は、画面データ９４１、イメージ画像データ９４２等の各種データを記憶する。
以下、各情報について説明する。
以下、各情報について説明する。
【0065】
図１０は、ユーザ属性情報１０００の例を示す。同図に示すユーザ属性情報１０００は、各ユーザの属性情報を示すテーブル形式の情報である。このユーザ属性情報１０００は、ユーザＩＤ１００１、生年月日１００２、性別１００３、体重１００４、身長１００５、興味対象ＩＤ１００６等のカラムを有する。
【0066】
図１１は、因子スコア情報１１００の例を示す。同図に示す因子スコア情報１１００は、ユーザのＷＢ因子スコアを示すテーブル形式の情報である。この因子スコア情報１１００は、ユーザＩＤ１１０１、登録日時１１０２、因子スコア１１０３等のカラムを有する。これらのカラムのうち、因子スコア１１０３には、ユーザがＷＢ因子を重視する度合いを示す値が格納される。格納される値は、一例として、「１」から「５」までの値となる。
この因子スコア情報１１００は、ユーザごとに生成される。
この因子スコア情報１１００は、ユーザごとに生成される。
【0067】
図１２は、コンテンツ行動ログ１２００の例を示す。同図に示すコンテンツ行動ログ１２００は、レコメンドされたＷＢコンテンツに対するユーザの行動履歴を示すテーブル形式の情報である。このコンテンツ行動ログ１２００は、ユーザＩＤ１２０１、コンテンツＩＤ１２０２、表示位置１２０３、行動スコア１２０４、登録日時１２０５等のカラムを有する。これらのカラムのうち、表示位置１２０３には、レコメンド画面（図２９参照）おいてＷＢコンテンツが表示された順位を示す値が格納される。また、行動スコア１２０４には、ＷＢコンテンツに対するユーザの反応確率を示す値が格納される。具体的には、行動スコア１２０４には、ユーザがＷＢコンテンツを選択したことを示す「１」の値、または、ユーザがＷＢコンテンツを選択しなかったことを示す「０」の値が格納される。
【0068】
このコンテンツ行動ログ１２００は、サービス開始当初は、ＷＢコンテンツをランダムでユーザに配信することで蓄積される。そして、行動ログが一定程度蓄積し、モデル学習が可能になったら、学習済みモデルで推定したＷＢコンテンツを配信することで蓄積される。
【0069】
図１３は、コンテンツ行動スコア情報１３００の例を示す。同図に示すコンテンツ行動スコア情報１３００は、各ＷＢコンテンツについて記録または推定された行動スコアを示すテーブル形式の情報である。この情報では、行動スコアが降順となるようにＷＢコンテンツがソートされており、ＷＢコンテンツのランキングを示す情報となっている。
【0070】
このコンテンツ行動スコア情報１３００は、ユーザＩＤ１３０１、コンテンツＩＤ１３０２、行動スコア１３０３等のカラムを有する。これらのカラムのうち、行動スコア１３０３には、ＷＢコンテンツに対するユーザの反応確率を示す値が格納される。格納される値は、一例として、「０」から「１」までの値となる。
このコンテンツ行動スコア情報１３００は、ユーザごとに生成される。
このコンテンツ行動スコア情報１３００は、ユーザごとに生成される。
【0071】
図１４は、サービス行動ログ１４００の例を示す。同図に示すサービス行動ログ１４００は、レコメンドされたＷＢサービスに対するユーザの行動履歴を示すテーブル形式の情報である。このサービス行動ログ１４００は、ユーザＩＤ１４０１、サービスＩＤ１４０２、表示位置１４０３、行動スコア１４０４、登録日時１４０５等のカラムを有する。これらのカラムのうち、表示位置１４０３には、レコメンド画面（図３０参照）おいてＷＢサービスが表示された順位を示す値が格納される。また、行動スコア１４０４には、ＷＢサービスに対するユーザの反応確率を示す値が格納される。具体的には、行動スコア１４０４には、ユーザがＷＢサービスを選択したことを示す「１」の値、または、ユーザがＷＢサービスを選択しなかったことを示す「０」の値が格納される。
【0072】
このサービス行動ログ１４００は、サービス開始当初は、ＷＢサービスをランダムでユーザに配信することで蓄積される。そして、行動ログが一定程度蓄積し、モデル学習が可能になったら、学習済みモデルで推定したＷＢサービスを配信することで蓄積される。
【0073】
図１５は、サービス行動スコア情報１５００の例を示す。同図に示すサービス行動スコア情報１５００は、各ＷＢサービスについて記録または推定された行動スコアを示すテーブル形式の情報である。この情報では、行動スコアが降順となるようにＷＢサービスがソートされており、ＷＢサービスのランキングを示す情報となっている。
【0074】
このサービス行動スコア情報１５００は、ユーザＩＤ１５０１、サービスＩＤ１５０２、行動スコア１５０３等のカラムを有する。これらのカラムのうち、行動スコア１５０３には、ＷＢサービスに対するユーザの反応確率を示す値が格納される。格納される値は、一例として、「０」から「１」までの値をとる。
このサービス行動スコア情報１５００は、ユーザごとに生成される。
このサービス行動スコア情報１５００は、ユーザごとに生成される。
【0075】
図１６は、コンテンツ情報１６００の例を示す。同図に示すコンテンツ情報１６００は、各ＷＢコンテンツに関する情報を示すテーブル形式の情報である。このコンテンツ情報１６００は、コンテンツＩＤ１６０１、内容１６０２、画像ＩＤ１６０３、因子ＩＤ１６０４、個別領域ＩＤ１６０５等のカラムを有する。これらのカラムのうち、画像ＩＤ１６０３には、ＷＢコンテンツのイメージ画像（図２９参照）のＩＤが格納される。また、因子ＩＤ１６０４には、ＷＢコンテンツに予め対応付けれたＷＢ因子のＩＤが格納される。また、個別領域ＩＤ１６０５には、ＷＢコンテンツに予め対応付けれた個別領域のＩＤが格納される。ここで個別領域とは、ＷＢコンテンツまたはＷＢサービスが属するカテゴリのことである。このカテゴリには、「眠る」、「食べる」、「遊ぶ」などがある。
【0076】
図１７は、サービス情報１７００の例を示す。同図に示すサービス情報１７００は、各ＷＢサービスに関する情報を示すテーブル形式の情報である。このサービス情報１７００は、サービスＩＤ１７０１、内容１７０２、画像ＩＤ１７０３、因子ＩＤ１７０４、個別領域ＩＤ１７０５等のカラムを有する。これらのカラムのうち、画像ＩＤ１７０３には、ＷＢサービスのイメージ画像（図３０参照）のＩＤが格納される。また、因子ＩＤ１７０４には、ＷＢサービスに予め対応付けれたＷＢ因子のＩＤが格納される。また、個別領域ＩＤ１７０５には、ＷＢサービスに予め対応付けれた個別領域のＩＤが格納される。
【0077】
ここで、ＷＢサービスにＷＢ因子を対応付ける方法について説明する。
第１の方法としては、ＷＢサービスに対応するＷＢコンテンツのＷＢ因子を、当該ＷＢサービスに対応付けるという方法がある。なお、ここで、ＷＢサービスに対応するＷＢコンテンツとは、ＷＢサービスと個別領域を共有するＷＢコンテンツのことである。
第２の方法としては、ＷＢサービスに対応するＷＢコンテンツのＷＢ因子をピックアップした上で、その中で特に重要なものを人力で対応付けるという方法がある。この第２の方法の方がＷＢサービスに関係のないＷＢ因子を確実に排除できる点において、第１の方法よりもメリットがある。
第１の方法としては、ＷＢサービスに対応するＷＢコンテンツのＷＢ因子を、当該ＷＢサービスに対応付けるという方法がある。なお、ここで、ＷＢサービスに対応するＷＢコンテンツとは、ＷＢサービスと個別領域を共有するＷＢコンテンツのことである。
第２の方法としては、ＷＢサービスに対応するＷＢコンテンツのＷＢ因子をピックアップした上で、その中で特に重要なものを人力で対応付けるという方法がある。この第２の方法の方がＷＢサービスに関係のないＷＢ因子を確実に排除できる点において、第１の方法よりもメリットがある。
【0078】
次に、図１８は、活動ログ１８００の例を示す。同図に示す活動ログ１８００は、ユーザの日々の活動記録を示すテーブル形式の情報である。この活動ログ１８００は、ユーザＩＤ１８０１、登録日時１８０２、ＷＢ度１８０３、メモ１８０４等のカラムを有する。これらのカラムのうち、ＷＢ度１８０３には、ユーザの幸福度または満足度を示す値が格納される。また、メモ１８０４には、ユーザにより日記として記録された情報が格納される。
【0079】
１－３．動作
次に、情報処理システム８００の動作について説明する。
１－３－１．レコメンド処理
図１９は、レコメンド処理の流れの例を示す。
まずユーザは、レコメンドサービスを受けるにあたり、レコメンドサーバ８０１に対して事前登録を行う。その際、レコメンドサーバ８０１のユーザ情報管理モジュール９３２は、ユーザ端末８０２に登録画面を表示させる。
次に、情報処理システム８００の動作について説明する。
１－３－１．レコメンド処理
図１９は、レコメンド処理の流れの例を示す。
まずユーザは、レコメンドサービスを受けるにあたり、レコメンドサーバ８０１に対して事前登録を行う。その際、レコメンドサーバ８０１のユーザ情報管理モジュール９３２は、ユーザ端末８０２に登録画面を表示させる。
【0080】
図２６～図２８は、登録画面の例を示す。図２６に示す登録画面２６００は、ユーザのプロフィールを登録するための画面である。この画面は、生年月日選択欄２６０１、性別選択欄２６０２、体重選択欄２６０３、身長選択欄２６０４および続けるボタン２６０５を有する。この画面においてユーザが生年月日等を選択し、続けるボタン２６０５を選択すると、次に、図２７に示す登録画面２７００が表示される。
【0081】
登録画面２７００は、ユーザの興味対象を登録するための画面である。この画面は、興味対象を選択するための複数の選択ボタン２７０１と、続けるボタン２７０２を有する。この画面においてユーザが自身の興味対象の選択ボタン２７０１を選択し、続けるボタン２７０２を選択すると、次に、図２８に示す登録画面２８００が表示される。
【0082】
登録画面２８００は、ＷＢ因子に関するアンケート画面である。このアンケート画面は、各ＷＢ因子の重要度を５段階でユーザに回答させるものである。ユーザが回答した重要度は、ＷＢ因子スコアとしてレコメンドサーバ８０１に登録される。
【0083】
この登録画面２８００は、質問ごとに設けられた複数の回答選択欄２８０１と、続けるボタン２８０２を有する。この画面においてユーザが質問に対する回答を選択し、続けるボタン２８０２を選択すると、次のアンケート画面（図示略）が表示される。
【0084】
ユーザが、すべてのＷＢ因子に関する質問に回答し、図示せぬ送信ボタンを選択すると、ユーザ登録が完了する。
なお、ユーザに提示される質問の中には、ＷＢ因子に関する質問以外に、ユーザの属性を回答させるものが含まれてもよい。例えば、ユーザの食生活や疾患について回答させるものが質問に含まれてもよい。
なお、ユーザに提示される質問の中には、ＷＢ因子に関する質問以外に、ユーザの属性を回答させるものが含まれてもよい。例えば、ユーザの食生活や疾患について回答させるものが質問に含まれてもよい。
【0085】
ユーザにより選択された情報は、レコメンドサーバ８０１に登録される。その際、レコメンドサーバ８０１のユーザ情報管理モジュール９３２は、登録画面２６００で選択されたプロフィール情報を、ユーザＩＤと対応付けてユーザ属性情報１０００に追加する（ステップ１９０１）。ここでプロフィール情報とは、生年月日、性別、体重および身長である。
【0086】
また当該モジュールは、登録画面２７００で選択された興味対象のＩＤを、ユーザＩＤと対応付けてユーザ属性情報１０００に追加する（ステップ１９０１）。
また当該モジュールは、登録画面２８００で選択されたＷＢ因子スコアを、ユーザＩＤと登録日時とに対応づけて因子スコア情報１１００に追加する（ステップ１９０２）。
以上がユーザ登録についての説明である。
また当該モジュールは、登録画面２８００で選択されたＷＢ因子スコアを、ユーザＩＤと登録日時とに対応づけて因子スコア情報１１００に追加する（ステップ１９０２）。
以上がユーザ登録についての説明である。
【0087】
次に、行動スコアの更新処理について説明する。
この行動スコアの更新処理は、定期的に実行されるバッチ処理である。この更新処理は、毎日、毎週、毎月等の頻度で実行される。
また、この更新処理は、ＷＢコンテンツとＷＢサービスの各々について実行される。各更新処理では、推定モデルの学習と、学習した推定モデルに基づく行動スコアの推定が行われる。以下ではまず、ＷＢコンテンツについて実行される更新処理について説明する。
この行動スコアの更新処理は、定期的に実行されるバッチ処理である。この更新処理は、毎日、毎週、毎月等の頻度で実行される。
また、この更新処理は、ＷＢコンテンツとＷＢサービスの各々について実行される。各更新処理では、推定モデルの学習と、学習した推定モデルに基づく行動スコアの推定が行われる。以下ではまず、ＷＢコンテンツについて実行される更新処理について説明する。
【0088】
レコメンドサーバ８０１のモデル学習モジュール９１１は、コンテンツ行動ログ１２００等に基づいて全体最適モデルを学習させる（ステップ１９０３）。その際、当該モジュールは、各ユーザの属性情報および初回のＷＢ因子スコアと各ＷＢコンテンツの因子情報とを説明変数とし、各ＷＢコンテンツに関する行動スコアを目的変数として全体最適モデルを学習させる。当該モジュールは、この学習の結果、学習済み全体最適モデルを生成する。
【0089】
図２２は、全体最適モデルに学習させる入力データの例を示す。同図に示す入力データ２２００は、ＦＭ用のデータフォーマットを採用している。
この入力データ２２００は、ｕｓｅｒ２２０１、ｉｔｅｍ２２０２、Ｕ＿ＷＢ２２０３、Ｉ＿ＷＢ２２０４、Ｙ２２０５等のカラムを有する。以下、各カラムについて説明する。
この入力データ２２００は、ｕｓｅｒ２２０１、ｉｔｅｍ２２０２、Ｕ＿ＷＢ２２０３、Ｉ＿ＷＢ２２０４、Ｙ２２０５等のカラムを有する。以下、各カラムについて説明する。
【0090】
ｕｓｅｒ２２０１には、ユーザを識別するためのフラグが格納される。例えば、ｕｓｅｒ１のカラムにフラグ「１」が格納されたレコードは、ユーザ１の行動ログである。
ｉｔｅｍ２２０２には、ＷＢコンテンツを識別するためのフラグが格納される。例えば、ｉｔｅｍ１のカラムにフラグ「１」が格納されたレコードは、ＷＢコンテンツ１についての行動ログである。
ｉｔｅｍ２２０２には、ＷＢコンテンツを識別するためのフラグが格納される。例えば、ｉｔｅｍ１のカラムにフラグ「１」が格納されたレコードは、ＷＢコンテンツ１についての行動ログである。
【0091】
Ｕ＿ＷＢ２２０３には、ユーザのＷＢ因子スコアが格納される。各ＷＢ因子スコアはユーザにとってのＷＢ因子の重要度を表し、下記の５段階で表現される。
１：全く思わない
２：あまり思わない
３：どちらとも言えない
４：そう思う
５：非常にそう思う
１：全く思わない
２：あまり思わない
３：どちらとも言えない
４：そう思う
５：非常にそう思う
【0092】
Ｉ＿ＷＢ２２０４には、ＷＢコンテンツに対応付けられているＷＢ因子を識別するためのフラグが格納される。例えば、あるレコードについてｉｔｅｍ１のカラムにフラグ「１」が格納され、Ｉ＿ＷＢ１のカラムにフラグ「１」が格納されている場合には、ＷＢコンテンツ１がＷＢ因子１に対応付けられていることを示している。
なお、１つのＷＢコンテンツに複数のＷＢ因子が対応付けられてもよい。
なお、１つのＷＢコンテンツに複数のＷＢ因子が対応付けられてもよい。
【0093】
Ｙ２２０５には、行動スコアを示すフラグが格納される。格納されるフラグには、ＷＢコンテンツが選択されたことを示すフラグ「１」と、ＷＢコンテンツが選択されていないことを示すフラグ「０」がある。
【0094】
なお、図２２に示す入力データ２２００には、ユーザ属性のカラムが含まれていない。しかし、この入力データ２２００にユーザ属性のカラムを含めてもよい。これにより、各ユーザの属性情報を説明変数として全体最適モデルに学習させることができる。
【0095】
次に、学習済み全体最適モデルを用いた行動スコアの推定について説明する。
レコメンドサーバ８０１のスコアリングモジュール９１２は、生成された学習済み全体最適モデルを用いてスコアリング処理を実行する（ステップ１９０４）。このスコアリング処理は、ユーザごとに実行される。
レコメンドサーバ８０１のスコアリングモジュール９１２は、生成された学習済み全体最適モデルを用いてスコアリング処理を実行する（ステップ１９０４）。このスコアリング処理は、ユーザごとに実行される。
【0096】
図２０は、このスコアリング処理の例を示す。同図に示すスコアリング処理２０００において当該モジュールは、ユーザにレコメンド済みのＷＢコンテンツの行動スコアをコンテンツ行動スコア情報１３００に追加する（ステップ２００１）。ここで、ユーザにレコメンド済みのＷＢコンテンツとは、コンテンツ行動ログ１２００において当該ユーザと対応付けられているＷＢコンテンツのことである。すなわち当該モジュールは、コンテンツ行動ログ１２００において当該ユーザと対応付けられているＷＢコンテンツを特定し、特定したＷＢコンテンツの行動スコアをコンテンツ行動スコア情報１３００に追加する。
【0097】
次に当該モジュールは、ユーザにレコメンド未済のＷＢコンテンツの行動スコアを、学習済み全体最適モデルを用いて推定する（ステップ２００２）。ここで、ユーザにレコメンド未済のＷＢコンテンツとは、コンテンツ情報１６００に含まれるＷＢコンテンツであって、コンテンツ行動ログ１２００において当該ユーザと対応付けられていないＷＢコンテンツのことである。当該モジュールは、レコメンド未済のＷＢコンテンツを特定すると、特定したＷＢコンテンツの因子情報と対象ユーザの属性情報および初回のＷＢ因子スコアを学習済み全体最適モデルに入力し、行動スコアを推定する。当該モジュールは、推定した行動スコアをコンテンツ行動スコア情報１３００に追加する。
【0098】
図２３は、学習済み全体最適モデルに入力する入力データの例を示す。同図に示す入力データ２３００は、ＦＭ用のデータフォーマットを採用している。
この入力データ２３００は、ｕｓｅｒ２３０１、ｉｔｅｍ２３０２、Ｕ＿ＷＢ２３０３、Ｉ＿ＷＢ２３０４、Ｙ２３０５等のカラムを有する。これらのカラムの属性は、上述した入力データ２２００の同名のカラムと共通するため、その説明を省略する。なお、この入力データ２３００は行動スコアを推定するためのデータであるため、Ｙ２３０５にはいずれのフラグも格納されていない。
この入力データ２３００は、ｕｓｅｒ２３０１、ｉｔｅｍ２３０２、Ｕ＿ＷＢ２３０３、Ｉ＿ＷＢ２３０４、Ｙ２３０５等のカラムを有する。これらのカラムの属性は、上述した入力データ２２００の同名のカラムと共通するため、その説明を省略する。なお、この入力データ２３００は行動スコアを推定するためのデータであるため、Ｙ２３０５にはいずれのフラグも格納されていない。
【0099】
ちなみに、図２３に示す入力データ２３００には、ユーザ属性のカラムが含まれていない。しかし、この入力データ２３００にユーザ属性のカラムを含めてもよい。これにより、対象ユーザの属性情報を説明変数として行動スコアを推定することができる。
【0100】
スコアリングモジュール９１２は、行動スコアの推定後、コンテンツ行動スコア情報１３００のＷＢコンテンツを行動スコアが降順となるようにソートする（ステップ２００３）。この結果、対象ユーザの反応確率が高い順に並べられたＷＢコンテンツのランキング情報が生成される。
【0101】
次に、ＷＢサービスについて実行される更新処理について説明する。
レコメンドサーバ８０１のモデル学習モジュール９２１は、サービス行動ログ１４００等に基づいて個別最適モデルを学習させる（ステップ１９０５）。その際、当該モジュールは、個別領域ごとに個別最適モデルを学習させ、個別領域ごとに学習済み個別最適モデルを生成する。具体的には当該モジュールは、個別領域ごとに、各ユーザの属性情報および初回のＷＢ因子スコアと、当該個別領域に属する各ＷＢコンテンツの因子情報とを説明変数とし、当該各ＷＢコンテンツに関する行動スコアを目的変数として個別最適モデルを学習させる。当該モジュールは、この学習の結果、個別領域ごとに学習済み個別最適モデルを生成する。
レコメンドサーバ８０１のモデル学習モジュール９２１は、サービス行動ログ１４００等に基づいて個別最適モデルを学習させる（ステップ１９０５）。その際、当該モジュールは、個別領域ごとに個別最適モデルを学習させ、個別領域ごとに学習済み個別最適モデルを生成する。具体的には当該モジュールは、個別領域ごとに、各ユーザの属性情報および初回のＷＢ因子スコアと、当該個別領域に属する各ＷＢコンテンツの因子情報とを説明変数とし、当該各ＷＢコンテンツに関する行動スコアを目的変数として個別最適モデルを学習させる。当該モジュールは、この学習の結果、個別領域ごとに学習済み個別最適モデルを生成する。
【0102】
図２４は、個別最適モデルに学習させる入力データの例を示す。同図に示す入力データ２４００は、ＦＭ用のデータフォーマットを採用している。
この入力データ２４００は、ｕｓｅｒ２４０１、ｉｔｅｍ２４０２、Ｕ＿ＷＢ２４０３、Ｉ＿ＷＢ２４０４、Ｙ２４０５等のカラムを有する。以下、各カラムについて説明する。
この入力データ２４００は、ｕｓｅｒ２４０１、ｉｔｅｍ２４０２、Ｕ＿ＷＢ２４０３、Ｉ＿ＷＢ２４０４、Ｙ２４０５等のカラムを有する。以下、各カラムについて説明する。
【0103】
ｕｓｅｒ２４０１には、ユーザを識別するためのフラグが格納される。例えば、ｕｓｅｒ１のカラムにフラグ「１」が格納されたレコードは、ユーザ１の行動ログである。
ｉｔｅｍ２４０２には、ＷＢサービスを識別するためのフラグが格納される。例えば、ｉｔｅｍ１のカラムにフラグ「１」が格納されたレコードは、ＷＢサービス１についての行動ログである。
ｉｔｅｍ２４０２には、ＷＢサービスを識別するためのフラグが格納される。例えば、ｉｔｅｍ１のカラムにフラグ「１」が格納されたレコードは、ＷＢサービス１についての行動ログである。
【0104】
Ｕ＿ＷＢ２４０３には、ユーザのＷＢ因子スコアが格納される。各ＷＢ因子スコアはユーザにとってのＷＢ因子の重要度を表し、下記の５段階で表現される。
１：全く思わない
２：あまり思わない
３：どちらとも言えない
４：そう思う
５：非常にそう思う
１：全く思わない
２：あまり思わない
３：どちらとも言えない
４：そう思う
５：非常にそう思う
【0105】
Ｉ＿ＷＢ２４０４には、ＷＢサービスに対応付けられているＷＢ因子を識別するためのフラグが格納される。例えば、あるレコードについてｉｔｅｍ１のカラムにフラグ「１」が格納され、Ｉ＿ＷＢ１のカラムにフラグ「１」が格納されている場合には、ＷＢサービス１がＷＢ因子１に対応付けられていることを示している。
なお、１つのＷＢサービスに複数のＷＢ因子が対応付けられてもよい。
なお、１つのＷＢサービスに複数のＷＢ因子が対応付けられてもよい。
【0106】
Ｙ２４０５には、行動スコアを示すフラグが格納される。格納されるフラグには、ＷＢサービスが選択されたことを示すフラグ「１」と、ＷＢサービスが選択されていないことを示すフラグ「０」がある。
【0107】
なお、図２４に示す入力データ２４００には、ユーザ属性のカラムが含まれていない。しかし、この入力データ２４００にユーザ属性のカラムを含めてもよい。これにより、各ユーザの属性情報を説明変数として個別最適モデルに学習させることができる。
【0108】
次に、学習済み個別最適モデルを用いた行動スコアの推定について説明する。
レコメンドサーバ８０１のスコアリングモジュール９２２は、生成された学習済み個別最適モデルを用いてスコアリング処理を実行する（ステップ１９０６）。このスコアリング処理は、ユーザごとに実行される。
レコメンドサーバ８０１のスコアリングモジュール９２２は、生成された学習済み個別最適モデルを用いてスコアリング処理を実行する（ステップ１９０６）。このスコアリング処理は、ユーザごとに実行される。
【0109】
図２１は、このスコアリング処理の例を示す。同図に示すスコアリング処理２１００において当該モジュールは、ユーザにレコメンド済みのＷＢサービスの行動スコアをサービス行動スコア情報１５００に追加する（ステップ２１０１）。ここで、ユーザにレコメンド済みのＷＢサービスとは、サービス行動ログ１４００において当該ユーザと対応付けられているＷＢサービスのことである。すなわち当該モジュールは、サービス行動ログ１４００において当該ユーザと対応付けられているＷＢサービスを特定し、特定したＷＢサービスの行動スコアをサービス行動スコア情報１５００に追加する。
【0110】
次に当該モジュールは、ユーザにレコメンド未済のＷＢサービスの行動スコアを、学習済み個別最適モデルを用いて推定する（ステップ２１０２）。ここで、ユーザにレコメンド未済のＷＢサービスとは、サービス情報１７００に含まれるＷＢサービスであって、サービス行動ログ１４００において当該ユーザと対応付けられていないＷＢサービスのことである。当該モジュールは、レコメンド未済のＷＢサービスを特定すると、特定したＷＢサービスの因子情報と対象ユーザの属性情報および初回のＷＢ因子スコアを学習済み個別最適モデルに入力し、行動スコアを推定する。なお、この推定で用いられる学習済み個別最適モデルは、特定したＷＢサービスが属する個別領域に対応するものである。
当該モジュールは、推定した行動スコアをサービス行動スコア情報１５００に追加する。
当該モジュールは、推定した行動スコアをサービス行動スコア情報１５００に追加する。
【0111】
図２５は、学習済み個別最適モデルに入力する入力データの例を示す。同図に示す入力データ２５００は、ＦＭ用のデータフォーマットを採用している。
この入力データ２５００は、ｕｓｅｒ２５０１、ｉｔｅｍ２５０２、Ｕ＿ＷＢ２５０３、Ｉ＿ＷＢ２５０４、Ｙ２５０５等のカラムを有する。これらのカラムの属性は、上述した入力データ２４００の同名のカラムと共通するため、その説明を省略する。なお、この入力データ２５００は行動スコアを推定するためのデータであるため、Ｙ２５０５にはいずれのフラグも格納されていない。
この入力データ２５００は、ｕｓｅｒ２５０１、ｉｔｅｍ２５０２、Ｕ＿ＷＢ２５０３、Ｉ＿ＷＢ２５０４、Ｙ２５０５等のカラムを有する。これらのカラムの属性は、上述した入力データ２４００の同名のカラムと共通するため、その説明を省略する。なお、この入力データ２５００は行動スコアを推定するためのデータであるため、Ｙ２５０５にはいずれのフラグも格納されていない。
【0112】
ちなみに、図２５に示す入力データ２５００には、ユーザ属性のカラムが含まれていない。しかし、この入力データ２５００にユーザ属性のカラムを含めてもよい。これにより、対象ユーザの属性情報を説明変数として行動スコアを推定することができる。
【0113】
スコアリングモジュール９２２は、行動スコアの推定後、サービス行動スコア情報１５００のＷＢサービスを行動スコアが降順となるようにソートする（ステップ２１０３）。この結果、対象ユーザの反応確率が高い順に並べられたＷＢサービスのランキング情報が生成される。
以上が行動スコアの更新処理についての説明である。
以上が行動スコアの更新処理についての説明である。
【0114】
次に、ＷＢコンテンツのレコメンドフローについて説明する。このレコメンドフローは、レコメンドサーバ８０１が提供するサイトにユーザがアクセスことで開始される。
【0115】
まず、レコメンドサーバ８０１のリランキングモジュール９１３は、対象ユーザのコンテンツ行動スコア情報１３００から、当該ユーザが過去に選択したＷＢコンテンツを除外する（ステップ１９０７）。これは、過去にレコメンドしたＷＢコンテンツを再度レコメンドすることを回避するためである。なお、当該ユーザが過去に選択したＷＢコンテンツとは、コンテンツ行動ログ１２００において当該ユーザと行動スコア「１」とに対応付けられているＷＢコンテンツのことである。
【0116】
また当該モジュールは、行動スコア上位のＷＢコンテンツに類似するものが存在する場合に、それらのうち１以上のＷＢコンテンツの順番を並び替える（ステップ１９０７）。これは、類似するＷＢコンテンツを一度に複数レコメンドすることを避けるためである。なお、行動スコア上位のＷＢコンテンツとは、一例として、上位５位以内のＷＢコンテンツのことである。また、類似するＷＢコンテンツとは、一例として、個別領域が共通するＷＢコンテンツのことである。また、順番の並び替えとは、一例として、類似する２つのＷＢコンテンツのうちの一方を６位以下に降格することである。
【0117】
次に、レコメンドサーバ８０１の抽出モジュール９１４は、リランキングされたコンテンツ行動スコア情報１３００から、上位５位以内のＷＢコンテンツを抽出する（ステップ１９０８）。なお、抽出するＷＢコンテンツの件数は適宜変更してよい。
【0118】
次に、レコメンドサーバ８０１のスクリーニングモジュール９１５は、抽出されたＷＢコンテンツの中から不適切なものを除外する（ステップ１９０９）。ここで、不適切なものとは、対象ユーザのユーザ属性情報１０００に基づいてルールベースまたはモデルベースで特定されるＷＢコンテンツのことである。
【0119】
次に、レコメンドサーバ８０１のレコメンドモジュール９１６は、スクリーニングを通過したＷＢコンテンツを対象ユーザにレコメンドする（ステップ１９１０）。その際、当該モジュールは、コンテンツ情報１６００を参照してレコメンド画面を生成し、ユーザ端末８０２に表示させる。図２９は、レコメンド画面の例を示す。
【0120】
同図に示すレコメンド画面２９００は、５件のＷＢコンテンツ２９０１を提示している。５件のＷＢコンテンツ２９０１は行動スコア順に並べられており、それぞれＷＢコンテンツの内容２９０２とイメージ画像２９０３により構成されている。ユーザはこのレコメンド画面２９００を参照することで、自身のウェルビーイングを向上させるためのアドバイスを得ることができる。
【0121】
ユーザがこのレコメンド画面２９００において特に関心のあるＷＢコンテンツ２９０１を選択すると、ＷＢサービスのレコメンドフローが開始される。また、当該選択に伴い、レコメンドサーバ８０１の行動ログ管理モジュール９１７は、選択されたＷＢコンテンツ２９０１の情報を、ユーザＩＤと行動スコア「１」とに対応付けてコンテンツ行動ログ１２００に追加する（ステップ１９１１）。
【0122】
また、当該選択に伴い、ユーザ情報管理モジュール９３２は、対象ユーザの因子スコア情報１１００を更新する（図示略）。具体的には当該モジュールは、選択されたＷＢコンテンツ２９０１のＷＢ因子を特定し、特定したＷＢ因子のスコアを、例えば「０．１」インクリメントする。このようにユーザのＷＢ因子スコアは、選択したＷＢコンテンツ２９０１に応じて変化する。
【0123】
レコメンド画面２９００の説明に戻る。
ユーザはレコメンド画面２９００において複数のＷＢコンテンツ２９０１を選択することができる。この画面において一定時間ユーザに選択されないＷＢコンテンツ２９０１は、コンテンツ行動ログ１２００に登録される（ステップ１９１１）。その際、行動ログ管理モジュール９１７は、選択されなかったＷＢコンテンツ２９０１の情報を、ユーザＩＤと行動スコア「０」とに対応付けてコンテンツ行動ログ１２００に追加する。
以上がＷＢコンテンツのレコメンドフローについての説明である。
ユーザはレコメンド画面２９００において複数のＷＢコンテンツ２９０１を選択することができる。この画面において一定時間ユーザに選択されないＷＢコンテンツ２９０１は、コンテンツ行動ログ１２００に登録される（ステップ１９１１）。その際、行動ログ管理モジュール９１７は、選択されなかったＷＢコンテンツ２９０１の情報を、ユーザＩＤと行動スコア「０」とに対応付けてコンテンツ行動ログ１２００に追加する。
以上がＷＢコンテンツのレコメンドフローについての説明である。
【0124】
次に、ＷＢサービスのレコメンドフローについて説明する。このレコメンドフローは、図２９に例示するレコメンド画面２９００においてＷＢコンテンツ２９０１が選択されることで開始される。
【0125】
まず、レコメンドサーバ８０１のフィルタリングモジュール９２３は、対象ユーザのサービス行動スコア情報１５００から、当該ユーザが選択したＷＢコンテンツに対応しないＷＢサービスを除外する（ステップ１９１２）。これは、対象ユーザが選択したＷＢコンテンツと関係のないＷＢサービスをレコメンドすることを回避するためである。なお、当該ユーザが選択したＷＢコンテンツに対応しないＷＢサービスとは、当該ユーザが選択したＷＢコンテンツと個別領域を共有しないＷＢサービスのことである。そのようなＷＢサービスの識別は、コンテンツ情報１６００とサービス情報１７００を参照することで行うことができる。
【0126】
なお、フィルタリングモジュール９２３は、ユーザが選択したＷＢコンテンツに対応しないＷＢサービスを除外する代わりに、当該ＷＢサービスの行動スコアを「０」にすることで、当該ＷＢサービスのレコメンドを阻止してもよい。
【0127】
次に、レコメンドサーバ８０１のリランキングモジュール９２４は、フィルタリングされたサービス行動スコア情報１５００から、当該ユーザが過去に選択したＷＢサービスを除外する（ステップ１９１３）。これは、過去にレコメンドしたＷＢサービスを再度レコメンドすることを回避するためである。なお、当該ユーザが過去に選択したＷＢサービスとは、サービス行動ログ１４００において当該ユーザと行動スコア「１」とに対応付けられているＷＢサービスのことである。
【0128】
また当該モジュールは、行動スコア上位のＷＢサービスに類似するものが存在する場合に、それらのうち１以上のＷＢサービスの順番を並び替える（ステップ１９１３）。これは、類似するＷＢサービスを一度に複数レコメンドすることを避けるためである。なお、行動スコア上位のＷＢサービスとは、一例として、上位５位以内のＷＢサービスのことである。また、類似するＷＢサービスとは、一例として、個別領域が共通するＷＢサービスのことである。また、順番の並び替えとは、一例として、類似する２つのＷＢサービスのうちの一方を６位以下に降格することである。
【0129】
次に、レコメンドサーバ８０１の抽出モジュール９２５は、リランキングされたサービス行動スコア情報１５００から、上位５位以内のＷＢサービスを抽出する（ステップ１９１４）。なお、抽出するＷＢサービスの件数は適宜変更してよい。
【0130】
次に、レコメンドサーバ８０１のスクリーニングモジュール９２６は、抽出されたＷＢサービスの中から不適切なものを除外する（ステップ１９１５）。ここで、不適切なものとは、対象ユーザのユーザ属性情報１０００に基づいてルールベースまたはモデルベースで特定されるＷＢサービスのことである。
【0131】
次に、レコメンドサーバ８０１のレコメンドモジュール９２７は、スクリーニングを通過したＷＢサービスを対象ユーザにレコメンドする（ステップ１９１６）。その際、当該モジュールは、サービス情報１７００を参照してレコメンド画面を生成し、ユーザ端末８０２に表示させる。図３０は、このレコメンド画面の例を示す。
【0132】
同図に示すレコメンド画面３０００は、５件のＷＢサービス３００１を提示している。５件のＷＢサービス３００１は行動スコア順に並べられており、それぞれＷＢサービスの内容３００２とイメージ画像３００３により構成されている。ユーザはこのレコメンド画面３０００を参照することで、自身のウェルビーイングを向上させるためのサービスを知ることができる。
【0133】
ユーザがこのレコメンド画面３０００において特に関心のあるＷＢサービス３００１を選択すると、レコメンドモジュール９２７は詳細画面をユーザ端末８０２に表示させる。図３１は、この詳細画面の例を示す。
【0134】
同図に示す詳細画面３１００は、ＷＢサービス３００１についての詳細説明欄３１０１と、やってみるボタン３１０２を有する。この画面においてユーザがやってみるボタン３１０２を選択すると、ＷＢサービス３００１を提供する事業者のサイトに遷移する。
なお、レコメンドモジュール９２７は、詳細画面３１００を表示させずに、レコメンド画面３０００から事業者のサイトに直接遷移させてもよい。
なお、レコメンドモジュール９２７は、詳細画面３１００を表示させずに、レコメンド画面３０００から事業者のサイトに直接遷移させてもよい。
【0135】
上記のレコメンド画面３０００におけるＷＢサービス３００１の選択に伴い、レコメンドサーバ８０１の行動ログ管理モジュール９２８は、選択されたＷＢサービス３００１の情報を、ユーザＩＤと行動スコア「１」とに対応付けてサービス行動ログ１４００に追加する（ステップ１９１７）。
【0136】
ユーザはレコメンド画面３０００において複数のＷＢサービス３００１を選択することができる。この画面において一定時間ユーザに選択されないＷＢサービス３００１は、サービス行動ログ１４００に登録される（ステップ１９１７）。その際、行動ログ管理モジュール９２８は、選択されなかったＷＢサービス３００１の情報を、ユーザＩＤと行動スコア「０」とに対応付けてサービス行動ログ１４００に追加する。
以上がＷＢサービスのレコメンドフローについての説明である。
以上がＷＢサービスのレコメンドフローについての説明である。
【0137】
以上説明したレコメンド処理によれば、まずＷＢコンテンツを利用した全体ドメイン最適を図り、次にＷＢサービスを利用した個別ドメイン最適を図る。これにより、ドメインを横断したレコメンドが可能になる。
【0138】
１－３－２．マイページ表示処理
次に、マイページ表示処理について説明する。
ここでマイページとは、ユーザの日々の活動を表示、記録するための画面である。レコメンドサーバ８０１のマイページモジュール９３１は、ユーザの要求に応じてマイページをユーザ端末８０２に表示させる。その際、当該モジュールは、対象ユーザの因子スコア情報１１００と活動ログ１８００に基づいてマイページを生成する。
次に、マイページ表示処理について説明する。
ここでマイページとは、ユーザの日々の活動を表示、記録するための画面である。レコメンドサーバ８０１のマイページモジュール９３１は、ユーザの要求に応じてマイページをユーザ端末８０２に表示させる。その際、当該モジュールは、対象ユーザの因子スコア情報１１００と活動ログ１８００に基づいてマイページを生成する。
【0139】
図３２は、マイページの例を示す。同図に示すマイページ３２００は、コンテンツ確認ボタン３２０１、因子スコア表示領域３２０２、カレンダー３２０３、マイページボタン３２０４およびレコメンドボタン３２０５を有する。以下、各表示要素について説明する。
【0140】
コンテンツ確認ボタン３２０１は、ＷＢコンテンツのレコメンド画面（図２９参照）を表示するためのボタンである。
【0141】
因子スコア表示領域３２０２は、ユーザのＷＢ因子スコアが表示される領域である。この領域には、カテゴリ選択タブ３２０６～３２０８、値選択ボタン３２０９～３２１１およびレーダーチャート３２１２が表示される。これらの表示要素のうち、カテゴリ選択タブ３２０６～３２０８は、レーダーチャート３２１２に表示するＷＢ因子のカテゴリを、「ウェルネス」、「ニューネス」、「コミュニティ」の中から選択するためのタブである。値選択ボタン３２０９～３２１１は、レーダーチャート３２１２に表示するＷＢ因子の値を、現在の値（言い換えると、最新の値）、初回アンケートの値（言い換えると、最初に登録された値）、平均値の中から選択するためのボタンである。
ユーザは、この因子スコア表示領域３２０２を参照することで、自身のＷＢ因子のバランスと変化を確認することができる。
ユーザは、この因子スコア表示領域３２０２を参照することで、自身のＷＢ因子のバランスと変化を確認することができる。
【0142】
カレンダー３２０３は、ユーザのＷＢ度を日単位で示す。ユーザのＷＢ度はフェイスマーク３２１３で表現される。
マイページボタン３２０４は、マイページ３２００を表示するためのボタンである。
レコメンドボタン３２０５は、ＷＢコンテンツのレコメンド画面（図２９参照）を表示するためのボタンである。
マイページボタン３２０４は、マイページ３２００を表示するためのボタンである。
レコメンドボタン３２０５は、ＷＢコンテンツのレコメンド画面（図２９参照）を表示するためのボタンである。
【0143】
ユーザが上記のカレンダー３２０３においていずれかの日付を選択すると、マイページモジュール９３１は詳細画面をユーザ端末８０２に表示させる。その際、当該モジュールは、対象ユーザの活動ログ１８００、サービス行動ログ１４００およびサービス情報１７００に基づいて詳細画面を生成する。図３３は、生成される詳細画面の例を示す。
【0144】
同図に示す詳細画面３３００は、ＷＢ度を示すスライダ３３０１、メモ表示欄３３０２および選択サービス表示欄３３０３を有する。ユーザはこの画面を参照することで、選択した日付のＷＢ度、日記、選択したＷＢサービスを確認することができる。
【0145】
この詳細画面３３００の内容は編集画面で編集することができる。図３４は、編集画面の例を示す。
【0146】
同図に示す編集画面３４００は、ＷＢ度を指定するためのスライダ３４０１、メモ入力欄３４０２および記録ボタン３４０３を有する。マイページモジュール９３１は、記録ボタン３４０３が選択されると、この画面で指定されたＷＢ度と入力されたメモを、ユーザＩＤと対応付けて活動ログ１８００に追加する。
【0147】
２．変形例
上記の実施例は以下のように変形してもよい。
（１）上記の実施例では、ＷＢ因子スコアは５段階で評価されている。しかし、この５段階での評価は必須ではない。例えば、ＷＢ因子スコアを２段階や１０段階で評価してもよい。
上記の実施例は以下のように変形してもよい。
（１）上記の実施例では、ＷＢ因子スコアは５段階で評価されている。しかし、この５段階での評価は必須ではない。例えば、ＷＢ因子スコアを２段階や１０段階で評価してもよい。
【0148】
（２）上記の実施例では、レコメンドされたＷＢコンテンツまたはＷＢサービスは、「０」または「１」の２段階で評価されている（図１９のステップ１９１１参照）。しかし、この２段階での評価は必須ではない。例えば、ユーザにＷＢコンテンツまたはＷＢサービスを５段階で評価させ、その評価値を行動ログとして記録してもよい。ここで記録される評価値は、ＷＢコンテンツやＷＢサービスに対するユーザの反応を示す反応確率に相当する。
【0149】
なお、５段階の評価は、一例として、以下のように表現される。
１：まったく興味がない
２：あまり興味がない
３：どちらとも言えない
４：少し気に入った
５：非常に気に入った
１：まったく興味がない
２：あまり興味がない
３：どちらとも言えない
４：少し気に入った
５：非常に気に入った
【0150】
（３）上記の実施例のモデル学習では、ユーザ属性情報を推定モデルに学習させている（図１９のステップ１９０３および１９０５参照）。しかし、ユーザ属性情報の学習は必須ではなく、省略してもよい。
【0151】
（４）上記の実施例では、推定モデルとしてＦＭが使用されている（図１９のステップ１９０３および１９０５参照）。しかし、ＦＭの使用は必須ではない。上記の実施例においてＦＭ以外の回帰モデルを採用してもよい。
【0152】
（５）モデル学習モジュール９２１は、個別領域ごとに個別最適モデルを学習させている。しかし、この学習方法は必須ではない。モデル学習モジュール９２１に個別領域を横断して個別最適モデルを学習させてもよい。この場合、単一の学習済み個別最適モデルが生成されることになる。
【0153】
（６）上記のレコメンド処理でレコメンドサーバ８０１は、スクリーニングを通過したＷＢコンテンツをユーザ端末８０２に出力している（図１９のステップ１９１０参照）。しかし、当該サーバは、他の装置に当該出力を行わせるために、スクリーニング前の段階で情報を出力してもよい。例えば、当該サーバは、コンテンツ行動スコア情報１３００、ステップ１９０７でリランキングされたコンテンツ行動スコア情報１３００、ステップ１９０８で抽出されたＷＢコンテンツのいずれかを他の装置に出力してもよい。
【0154】
同様に当該サーバは、スクリーニング前の段階で、サービス行動スコア情報１５００、ステップ１９１２でフィルタリングされたサービス行動スコア情報１５００、ステップ１９１３でリランキングされたサービス行動スコア情報１５００、ステップ１９１４で抽出されたＷＢサービスのいずれかを他の装置に出力してもよい。
【0155】
（７）上記のレコメンド処理では、全体最適のためのスコアリング処理を定期的に実行している（図１９のステップ１９０４参照）。しかし、このスコアリング処理を、ユーザがサイトにアクセスしたタイミングで実行するようにしてもよい。
【0156】
同様に、個別最適のためのスコアリング処理を、ユーザがＷＢコンテンツを選択したタイミングで実行してもよい。この場合、レコメンドサーバ８０１は、ユーザに選択されたＷＢコンテンツに対応するＷＢサービスについてのみ、サービス行動スコア情報１５００を生成するようにしてもよい。ここで、ＷＢコンテンツに対応するＷＢサービスとは、ＷＢコンテンツと個別領域を共有するＷＢサービスのことである。このようにすることで、ステップ１９１２のフィルタリング処理を省略することができる。
【0157】
（８）レコメンドサーバ８０１は、モデリングとスコアリングの両方をサーバ上で行っている（図１９のステップ１９０３～１９０６）。しかし、モデリングは必須ではない。当該サーバは、モデリングを他の装置に実行させ、生成された学習済みモデルを当該装置から取得するようにしてもよい。
【0158】
（９）上記の実施例においてＷＢ因子は、ウェルビーイングの観点から事業者側で潜在因子として予め定義されている。その際、事業者は、以下の方法でＷＢ因子を定義してもよい。
まず事業者は、仮のＷＢ因子を定義する。次に事業者は、定義した仮のＷＢ因子についてユーザにアンケートを行う。次に事業者は、アンケート結果を因子分析等し、潜在因子を抽出する。最後に事業者は、抽出した潜在因子を正式なＷＢ因子として定義する。
事業者はこのような方法でＷＢ因子を定義してもよい。
まず事業者は、仮のＷＢ因子を定義する。次に事業者は、定義した仮のＷＢ因子についてユーザにアンケートを行う。次に事業者は、アンケート結果を因子分析等し、潜在因子を抽出する。最後に事業者は、抽出した潜在因子を正式なＷＢ因子として定義する。
事業者はこのような方法でＷＢ因子を定義してもよい。
【0159】
（１０）上記のレコメンド処理では、レコメンドされたＷＢコンテンツがユーザに選択されると、当該ユーザの因子スコア情報１１００が更新される。その際、更新されたＷＢ因子スコアは、次回のモデリングおよびスコアリングに反映されてもよい。具体的にはモデル学習モジュール９１１は、更新されたＷＢ因子スコアを説明変数として全体最適モデルに学習させることで、学習済み全体最適モデルを更新してもよい。また、スコアリングモジュール９１２は、更新されたＷＢ因子スコアを学習済み全体最適モデルに入力して、反応確率を推定してもよい。
【0160】
同様に、モデル学習モジュール９２１は、更新されたＷＢ因子スコアを説明変数として個別最適モデルに学習させることで、学習済み個別最適モデルを更新してもよい。また、スコアリングモジュール９２２は、更新されたＷＢ因子スコアを学習済み個別最適モデルに入力して、反応確率を推定してもよい。
【0161】
これらの処理の結果、対象ユーザに次回レコメンドされるＷＢコンテンツとＷＢサービスが変化する可能性がある。
【0162】
なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
【0163】
また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
【0164】
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。
なお、上述の実施例は少なくとも以下に記載の構成を開示している。
（１）
コンテンツに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第１の推定モデルを学習させることで生成された第１の学習済み推定モデルを取得する第１のモデル取得部と、
複数の対象コンテンツの各々について、対象コンテンツに対応付けられた因子情報と、対象ユーザに対応付けられた因子スコア情報とを前記第１の学習済み推定モデルに入力して、反応確率を推定する第１の推定部と、
前記複数の対象コンテンツの各々について推定された反応確率に基づいて、前記複数の対象コンテンツの中から１以上の対象コンテンツを抽出する第１の抽出部と
を備えるレコメンドサーバ。
（２）
サービスに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第２の推定モデルを学習させることで生成された第２の学習済み推定モデルを取得する第２のモデル取得部と、
複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記対象ユーザに対応付けられた因子スコア情報とを前記第２の学習済み推定モデルに入力して、反応確率を推定する第２の推定部と、
前記複数の対象サービスの各々について推定された反応確率に基づいて、前記複数の対象サービスの中から、前記１以上の対象コンテンツと対応付けられた１以上の対象コンテンツを抽出する第２の抽出部と
をさらに備える、（１）に記載のレコメンドサーバ。
（３）
前記因子は、ユーザの潜在的な心理状態を表現するものとして定義された因子であることを特徴とする、（１）または（２）に記載のレコメンドサーバ。
（４）
前記コンテンツは、ユーザの幸福度を向上させるものとして定義されたアドバイス情報であることを特徴とする、（１）または（２）に記載のレコメンドサーバ。
（５）
前記対象ユーザに対応付けられた因子スコア情報は、前記対象ユーザが因子を重視する度合いを示す情報であることを特徴とする、（１）または（２）に記載のレコメンドサーバ。
（６）
前記第２のモデル取得部は、サービスが属する個別領域ごとに第２の学習済み推定モデルを取得し、
前記第２の推定部は、前記複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記対象ユーザに対応付けられた因子スコア情報とを、当該対象サービスが属する個別領域について取得された第２の学習済み推定モデルに入力して、反応確率を推定する
ことを特徴とする、（２）に記載のレコメンドサーバ。
（７）
前記１以上の対象コンテンツのうち、いずれかが前記対象ユーザにより選択されると、前記対象ユーザに対応付けられた因子スコア情報であって、当該選択された対象コンテンツに対応付けられた因子のスコア情報を更新する更新部をさらに備える、（１）または（２）に記載のレコメンドサーバ。
（８）
前記第１のモデル取得部は、前記更新された因子スコア情報を説明変数として前記第１の推定モデルに学習させることで、前記第１の学習済み推定モデルを更新することを特徴とする、（７）に記載のレコメンドサーバ。
（９）
前記第１の推定部はさらに、複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記更新された因子スコア情報とを前記第１の学習済み推定モデルに入力して、反応確率を推定することを特徴とする、（７）に記載のレコメンドサーバ。
（１０）
コンピュータにより実行されるレコメンド方法であって、
コンテンツに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第１の推定モデルを学習させることで生成された第１の学習済み推定モデルを取得するステップと、
複数の対象コンテンツの各々について、対象コンテンツに対応付けられた因子情報と、対象ユーザに対応付けられた因子スコア情報とを前記第１の学習済み推定モデルに入力して、反応確率を推定するステップと、
前記複数の対象コンテンツの各々について推定された反応確率に基づいて、前記複数の対象コンテンツの中から１以上の対象コンテンツを抽出するステップと
を有するレコメンド方法。
（１１）
サービスに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第２の推定モデルを学習させることで生成された第２の学習済み推定モデルを取得するステップと、
複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記対象ユーザに対応付けられた因子スコア情報とを前記第２の学習済み推定モデルに入力して、反応確率を推定するステップと、
前記複数の対象サービスの各々について推定された反応確率に基づいて、前記複数の対象サービスの中から、前記１以上の対象コンテンツと対応付けられた１以上の対象コンテンツを抽出するステップと
をさらに有する、（１０）に記載のレコメンド方法。
（１２）
前記因子は、ユーザの幸福度を向上させるものとして定義された因子であることを特徴とする、（１０）または（１１）に記載のレコメンド方法。
（１３）
前記コンテンツは、ユーザの幸福度を向上させるものとして定義されたアドバイス情報であることを特徴とする、（１０）または（１１）に記載のレコメンド方法。
（１４）
前記対象ユーザに対応付けられた因子スコア情報は、前記対象ユーザが因子を重視する度合いを示す情報であることを特徴とする、（１０）または（１１）に記載のレコメンド方法。
（１５）
前記第２の学習済み推定モデルを取得するステップは、サービスが属する個別領域ごとに第２の学習済み推定モデルを取得するステップであり、
前記反応確率を推定するステップは、前記複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記対象ユーザに対応付けられた因子スコア情報とを、当該対象サービスが属する個別領域について生成された第２の学習済み推定モデルに入力して、反応確率を推定するステップである
ことを特徴とする、（１１）に記載のレコメンド方法。
（１６）
前記１以上の対象コンテンツのうち、いずれかが前記対象ユーザにより選択されると、前記対象ユーザに対応付けられた因子スコア情報であって、当該選択された対象コンテンツに対応付けられた因子のスコア情報を更新するステップをさらに有する、（１０）または（１１）に記載のレコメンド方法。
（１７）
前記更新された因子スコア情報を説明変数として前記第１の推定モデルに学習させることで、前記第１の学習済み推定モデルを更新するステップをさらに有することを特徴とする、（１６）に記載のレコメンド方法。
（１８）
複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記更新された因子スコア情報とを前記第１の学習済み推定モデルに入力して、反応確率を推定するステップをさらに有することを特徴とする、（１６）に記載のレコメンド方法。
（１９）
コンピュータを、（１）または（２）に記載の各部として機能させるためのプログラム。
なお、上述の実施例は少なくとも以下に記載の構成を開示している。
（１）
コンテンツに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第１の推定モデルを学習させることで生成された第１の学習済み推定モデルを取得する第１のモデル取得部と、
複数の対象コンテンツの各々について、対象コンテンツに対応付けられた因子情報と、対象ユーザに対応付けられた因子スコア情報とを前記第１の学習済み推定モデルに入力して、反応確率を推定する第１の推定部と、
前記複数の対象コンテンツの各々について推定された反応確率に基づいて、前記複数の対象コンテンツの中から１以上の対象コンテンツを抽出する第１の抽出部と
を備えるレコメンドサーバ。
（２）
サービスに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第２の推定モデルを学習させることで生成された第２の学習済み推定モデルを取得する第２のモデル取得部と、
複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記対象ユーザに対応付けられた因子スコア情報とを前記第２の学習済み推定モデルに入力して、反応確率を推定する第２の推定部と、
前記複数の対象サービスの各々について推定された反応確率に基づいて、前記複数の対象サービスの中から、前記１以上の対象コンテンツと対応付けられた１以上の対象コンテンツを抽出する第２の抽出部と
をさらに備える、（１）に記載のレコメンドサーバ。
（３）
前記因子は、ユーザの潜在的な心理状態を表現するものとして定義された因子であることを特徴とする、（１）または（２）に記載のレコメンドサーバ。
（４）
前記コンテンツは、ユーザの幸福度を向上させるものとして定義されたアドバイス情報であることを特徴とする、（１）または（２）に記載のレコメンドサーバ。
（５）
前記対象ユーザに対応付けられた因子スコア情報は、前記対象ユーザが因子を重視する度合いを示す情報であることを特徴とする、（１）または（２）に記載のレコメンドサーバ。
（６）
前記第２のモデル取得部は、サービスが属する個別領域ごとに第２の学習済み推定モデルを取得し、
前記第２の推定部は、前記複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記対象ユーザに対応付けられた因子スコア情報とを、当該対象サービスが属する個別領域について取得された第２の学習済み推定モデルに入力して、反応確率を推定する
ことを特徴とする、（２）に記載のレコメンドサーバ。
（７）
前記１以上の対象コンテンツのうち、いずれかが前記対象ユーザにより選択されると、前記対象ユーザに対応付けられた因子スコア情報であって、当該選択された対象コンテンツに対応付けられた因子のスコア情報を更新する更新部をさらに備える、（１）または（２）に記載のレコメンドサーバ。
（８）
前記第１のモデル取得部は、前記更新された因子スコア情報を説明変数として前記第１の推定モデルに学習させることで、前記第１の学習済み推定モデルを更新することを特徴とする、（７）に記載のレコメンドサーバ。
（９）
前記第１の推定部はさらに、複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記更新された因子スコア情報とを前記第１の学習済み推定モデルに入力して、反応確率を推定することを特徴とする、（７）に記載のレコメンドサーバ。
（１０）
コンピュータにより実行されるレコメンド方法であって、
コンテンツに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第１の推定モデルを学習させることで生成された第１の学習済み推定モデルを取得するステップと、
複数の対象コンテンツの各々について、対象コンテンツに対応付けられた因子情報と、対象ユーザに対応付けられた因子スコア情報とを前記第１の学習済み推定モデルに入力して、反応確率を推定するステップと、
前記複数の対象コンテンツの各々について推定された反応確率に基づいて、前記複数の対象コンテンツの中から１以上の対象コンテンツを抽出するステップと
を有するレコメンド方法。
（１１）
サービスに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第２の推定モデルを学習させることで生成された第２の学習済み推定モデルを取得するステップと、
複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記対象ユーザに対応付けられた因子スコア情報とを前記第２の学習済み推定モデルに入力して、反応確率を推定するステップと、
前記複数の対象サービスの各々について推定された反応確率に基づいて、前記複数の対象サービスの中から、前記１以上の対象コンテンツと対応付けられた１以上の対象コンテンツを抽出するステップと
をさらに有する、（１０）に記載のレコメンド方法。
（１２）
前記因子は、ユーザの幸福度を向上させるものとして定義された因子であることを特徴とする、（１０）または（１１）に記載のレコメンド方法。
（１３）
前記コンテンツは、ユーザの幸福度を向上させるものとして定義されたアドバイス情報であることを特徴とする、（１０）または（１１）に記載のレコメンド方法。
（１４）
前記対象ユーザに対応付けられた因子スコア情報は、前記対象ユーザが因子を重視する度合いを示す情報であることを特徴とする、（１０）または（１１）に記載のレコメンド方法。
（１５）
前記第２の学習済み推定モデルを取得するステップは、サービスが属する個別領域ごとに第２の学習済み推定モデルを取得するステップであり、
前記反応確率を推定するステップは、前記複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記対象ユーザに対応付けられた因子スコア情報とを、当該対象サービスが属する個別領域について生成された第２の学習済み推定モデルに入力して、反応確率を推定するステップである
ことを特徴とする、（１１）に記載のレコメンド方法。
（１６）
前記１以上の対象コンテンツのうち、いずれかが前記対象ユーザにより選択されると、前記対象ユーザに対応付けられた因子スコア情報であって、当該選択された対象コンテンツに対応付けられた因子のスコア情報を更新するステップをさらに有する、（１０）または（１１）に記載のレコメンド方法。
（１７）
前記更新された因子スコア情報を説明変数として前記第１の推定モデルに学習させることで、前記第１の学習済み推定モデルを更新するステップをさらに有することを特徴とする、（１６）に記載のレコメンド方法。
（１８）
複数の対象サービスの各々について、対象サービスに対応付けられた因子情報と、前記更新された因子スコア情報とを前記第１の学習済み推定モデルに入力して、反応確率を推定するステップをさらに有することを特徴とする、（１６）に記載のレコメンド方法。
（１９）
コンピュータを、（１）または（２）に記載の各部として機能させるためのプログラム。
【符号の説明】
【0165】
８００…情報処理システム、８０１…レコメンドサーバ、８０２…ユーザ端末、９１１…モデル学習モジュール、９１２…スコアリングモジュール、９１３…リランキングモジュール、９１４…抽出モジュール、９１５…スクリーニングモジュール、９１６…レコメンドモジュール、９１７…行動ログ管理モジュール、９２１…モデル学習モジュール、９２２…スコアリングモジュール、９２３…フィルタリングモジュール、９２４…リランキングモジュール、９２５…抽出モジュール、９２６…スクリーニングモジュール、９２７…レコメンドモジュール、９２８…行動ログ管理モジュール、９３１…マイページモジュール、９３２…ユーザ情報管理モジュール、９４１…画面データ、９４２…イメージ画像データ、１０００…ユーザ属性情報、１１００…因子スコア情報、１２００…コンテンツ行動ログ、１３００…コンテンツ行動スコア情報、１４００…サービス行動ログ、１５００…サービス行動スコア情報、１６００…コンテンツ情報、１７００…サービス情報、１８００…活動ログ
【要約】 （修正有）
【課題】ユーザとコンテンツを所定の因子に対応付けて、その因子に基づいてコンテンツをレコメンドするためのレコメンドサーバ、レコメンド方法及びプログラムを提供する。
【解決手段】複数のユーザ端末を有する情報処理システムにおいて、レコメンドサーバ８０１は、コンテンツに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第１の推定モデルを学習させることで生成された第１の学習済み推定モデルを取得する第１のモデル取得部、複数の対象コンテンツの各々について、対象コンテンツに対応付けられた因子情報と、対象ユーザに対応付けられた因子スコア情報とを第１の学習済み推定モデルに入力して、反応確率を推定する第１の推定部及び複数の対象コンテンツの各々について推定した反応確率に基づいて、複数の対象コンテンツの中から１以上の対象コンテンツを抽出する第１の抽出部を備える。
【選択図】図８
【解決手段】複数のユーザ端末を有する情報処理システムにおいて、レコメンドサーバ８０１は、コンテンツに対応付けられた因子情報と、ユーザに対応付けられた因子スコア情報とを説明変数とし、反応確率を目的変数として第１の推定モデルを学習させることで生成された第１の学習済み推定モデルを取得する第１のモデル取得部、複数の対象コンテンツの各々について、対象コンテンツに対応付けられた因子情報と、対象ユーザに対応付けられた因子スコア情報とを第１の学習済み推定モデルに入力して、反応確率を推定する第１の推定部及び複数の対象コンテンツの各々について推定した反応確率に基づいて、複数の対象コンテンツの中から１以上の対象コンテンツを抽出する第１の抽出部を備える。
【選択図】図８
【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】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】
【図29】
【図30】
【図31】
【図32】
【図33】
【図34】