オブジェクト推薦装置、オブジェクト推薦方法、オブジェクト推薦プログラムおよびオブジェクト推薦システム
【課題】ユーザ自らが気づきにくく目新しいオブジェクトを提供可能とする。
【解決手段】対象利用者にオブジェクトを推薦するオブジェクト推薦装置であって、オブジェクトに対して所定の行動をした利用者数が多いほど小さい値を取るように人気度情報を算出する人気度算出部２３と、他の利用者が前記対象利用者に先行してオブジェクトに行動をした度合いを示す先行度情報を算出する先行度算出部２１と、対象利用者がオブジェクトに行動をしてから経過した時間に基づいて、対象利用者にとってのオブジェクトの重要度を示す重要度情報を算出する重要度算出部２２と、人気度情報と先行度情報と重要度情報とに基づいて、他の利用者が対象利用者に先行してオブジェクトに行動をした確率に基づく革新者確率を算出する革新者確率算出部２４と、革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出部４０と、を備える。
【解決手段】対象利用者にオブジェクトを推薦するオブジェクト推薦装置であって、オブジェクトに対して所定の行動をした利用者数が多いほど小さい値を取るように人気度情報を算出する人気度算出部２３と、他の利用者が前記対象利用者に先行してオブジェクトに行動をした度合いを示す先行度情報を算出する先行度算出部２１と、対象利用者がオブジェクトに行動をしてから経過した時間に基づいて、対象利用者にとってのオブジェクトの重要度を示す重要度情報を算出する重要度算出部２２と、人気度情報と先行度情報と重要度情報とに基づいて、他の利用者が対象利用者に先行してオブジェクトに行動をした確率に基づく革新者確率を算出する革新者確率算出部２４と、革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出部４０と、を備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、オブジェクト推薦装置、オブジェクト推薦方法、オブジェクト推薦プログラムおよびオブジェクト推薦システムに関する。
【背景技術】
【０００２】
近年、インターネット上のオンラインストアなどで、インターネットの利用者（以下、ユーザと称す）個々人を特定または識別し、その属性や行動に合わせて、ユーザに提供するサービスやコンテンツを変える仕組み、いわゆるサービスのパーソナライズが行われている。また、サービスのパーソナライズにおいて、対象ユーザと嗜好が類似したユーザを見つけ、それらのユーザが好むオブジェクトを推薦することが行われている。
【０００３】
例えば、特許文献１では、ユーザのアクセス履歴を用いて、対象ユーザと他ユーザとの間の相対関係を抽出し、抽出した相対関係を数値化したスコアで、他ユーザの履歴データに含まれるオブジェクトを、順位付けする方法が開示されている。
また、非特許文献１では、各ユーザの最新の嗜好に合うオブジェクトの推薦をするために、過去の購入行動が対象ユーザと類似するだけでなく、購入が対象ユーザよりも先行している度合いの高い他ユーザの履歴を重視する方法が開示されている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００８−３０５０５５号公報
【非特許文献】
【０００５】
【非特許文献１】川前徳章、坂野鋭、山田武士、上田修功「ユーザの嗜好の時系列性と先行性に着目した協調フィルタリング」電子情報通信学会論文誌 Ｄ Ｖｏｌ．Ｊ９２−Ｄ、ＮＯ．６、ｐｐ．７６７−７７６、２００９
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしながら、特許文献１および非特許文献１では、一般的に良く知られているオブジェクトが推薦されやすいので、ユーザ自らが気づきにくいオブジェクトが推薦されるわけではないという問題があった。また、当該良く知られているオブジェクトは概して定番オブジェクトとして長い期間購入され続けているので、ユーザに取って目新しいオブジェクトでないという問題もあった。
【０００７】
本発明は上記の点に鑑みてなされたものであり、その目的は、ユーザ自らが気づきにくく目新しいオブジェクトを提供可能とすることにある。
【課題を解決するための手段】
【０００８】
本発明は上記の課題を解決するためになされたものであり、対象利用者にオブジェクトを推薦するオブジェクト推薦装置であって、前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する人気度算出部と、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する先行度算出部と、前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する重要度算出部と、前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する革新者確率算出部と、前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出部と、を備えることを特徴とするオブジェクト推薦装置である。
【０００９】
この発明によれば、対象利用者へ推薦するオブジェクトは、他の利用者が対象利用者に先行してオブジェクトに対して所定の行動をし、他の利用者が対象利用者に先行してオブジェクトに所定の行動をした確率に基づく革新者確率と、所定のオブジェクトに所定の行動をした後に別のオブジェクトに前記行動をする確率である利用者遷移確率とを用いて抽出される。これにより、対象利用者に先行してオブジェクトに対して所定の行動をしていた他の利用者が既に所定の行動をしていたオブジェクトであって、いまだ利用者数が少ないオブジェクトが推薦されるようになるので、利用者が自ら気づきにくく、各利用者にとって目新しいオブジェクトを提供することができる。
【００１０】
また、本発明の一態様は、各利用者が所定のオブジェクトに前記行動をした後、別のオブジェクトに前記行動をするまで要した時間に基づいて、前記所定のオブジェクトに前記行動をした後に前記別のオブジェクトに前記行動をする確率を利用者遷移確率として算出する利用者遷移確率算出部を更に備え、前記推薦オブジェクト抽出部は、前記革新者確率と前記利用者遷移確率とに基づいて、対象利用者へ推薦するオブジェクトを抽出することを特徴とする。
【００１１】
この発明によれば、先行度情報と、重要度情報と、人気度情報とに基づいて、革新者確率を算出している。これにより、利用者間で共通して所定の行動をしているオブジェクトであって、そのオブジェクトに対して他の利用者が先行して所定の行動をしている情報と、そのオブジェクトの対象利用者にとっての重要度と、そのオブジェクトの人気度に応じて、推薦するオブジェクトを抽出することができる。従って、推薦するオブジェクトを、対象利用者にとって、そのオブジェクトが重要であるか否かに応じて抽出することができる。
【００１２】
また、本発明の一態様は、上記のオブジェクト推薦装置において、前記先行度算出部は、前記対象利用者が前記オブジェクトに所定の行動をした時刻と、他の利用者が前記オブジェクトに前記行動をした時刻と、前記オブジェクトが公開された時刻とに基づいて、前記先行度情報を算出することを特徴とする。
【００１３】
この発明によれば、対象利用者がオブジェクトに所定の行動をした時刻と、他の利用者がオブジェクトに行動をした時刻と、オブジェクトが公開された時刻とに基づいて、先行度情報を算出している。これにより、当該オブジェクトに関して、他の利用者の先行度情報を正確に算出することができるので、対象利用者に適切なオブジェクトを推薦することができる。
【００１４】
また、本発明の一態様は、上記のオブジェクト推薦装置において、前記革新者確率算出部は、各利用者が前記対象利用者にＮ人（Ｎは自然数）先行して前記行動をした各先行度合いの確率に基づく各確率に基づいて、前記革新者確率を算出することを特徴とする。
【００１５】
この発明によれば、他の利用者が対象利用者にＮ人（Ｎは自然数）先行して所定の行動をした各先行度合いの確率に基づく各確率に基づいて、革新者確率を算出している。これにより、他の利用者が対象利用者に先行している人数と先行度合いに応じて、他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出できるので、各対象利用者に適切なオブジェクトを推薦することができる。
【００１６】
また、本発明の一態様は、上記のオブジェクト推薦装置において、前記革新者確率算出部は、前記各利用者が前記対象利用者に１人先行して前記行動をした各先行度合いの確率に基づく各確率を要素とする行列をＰと表したとき、ＰＮに基づいて前記革新者確率を算出することを特徴とする。
【００１７】
この発明によれば、ＰＮに基づいて、他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出している。ここで、ＰＮの（ｍ，ｎ）成分（ここで、ｍは自然数、ｎは自然数）は、利用者ｍが対象利用者ｎに対してＮ人先行してオブジェクトに所定の行動をした先行度合いの確率に基づく確率である。これにより、行列ＰＮに基づいて革新者確率を算出できるので、各対象利用者に適切なオブジェクトを推薦することができる。
【００１８】
また、本発明の一態様は、人気度算出部と、先行度算出部と、重要度算出部と、推薦オブジェクト抽出部とを備え、対象利用者にデジタル化されたオブジェクトを推薦するオブジェクト推薦装置が実行するオブジェクト推薦方法であって、前記人気度算出部が、前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する人気度算出手順と、前記先行度算出部が、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する先行度算出手順と、前記重要度算出部が、前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する重要度算出手順と、前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する革新者確率算出手順と、前記推薦オブジェクト抽出部が、前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出手順と、を有することを特徴とするオブジェクト推薦方法である。
【００１９】
また、本発明の一態様は、対象利用者にオブジェクトを推薦するオブジェクト推薦装置としてのコンピュータに、前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する第１のステップと、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する第２のステップと、前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する第３のステップと、前記人気度情報と前記先行度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する第４のステップと、前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する第５のステップと、を実行させるためのオブジェクト推薦プログラムである。
【００２０】
また、本発明の一態様は、対象利用者にオブジェクトを推薦するオブジェクト推薦システムであって、前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する人気度算出部と、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する先行度算出部と、前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する重要度算出部と、前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する革新者確率算出部と、を備える計算装置と、前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出装置と、を備えることを特徴とするオブジェクト推薦システムである。
【発明の効果】
【００２１】
本発明によれば、ユーザ自らが気づきにくく目新しいオブジェクトを提供可能とすることができる。
【図面の簡単な説明】
【００２２】
【図１】本発明の第１の実施形態におけるオブジェクト推薦装置の機能ブロック図である。
【図２】ログ記憶部に記憶されているテーブルの１例を示した図である。
【図３】本発明が提案するオブジェクト推薦方法を説明するための図である。
【図４】オブジェクトのリリース経過日数ごとの購入ユーザ数の分布を示した図である。
【図５】第３のユーザを介した、ユーザ２に対するユーザ１の先行度合いの確率を説明するための図である。
【図６】算出結果記憶部に記憶されているＰＩＰとＵＦＰのデータが格納されたテーブルの一例を示した図である。
【図７】オブジェクト推薦の処理の流れを示したフローチャートである。
【図８】ＰＩＰの算出処理の流れを示したフローチャートである。
【図９】楽曲、ビデオ、Ｎｅｔｆｌｉｘ、およびＱｕｅｒｙのデータセットを用いて、個人に特化された推薦のトップＮの正確性を各手法で比較したテーブルである。
【図１０】楽曲、ビデオおよびＮｅｔｆｌｉｘ、およびＱｕｅｒｙのデータセットを用いて、ＵＣ，ＩＣ、Ｇｉｎｉ係数、ＡＥ係数、ＡＤ係数を各手法で比較したテーブルである。
【図１１】Ｇｉｎｉ係数の算出方法を説明するための図である。
【図１２】本発明の第２の実施形態におけるオブジェクト推薦システムの機能ブロック図である。
【発明を実施するための形態】
【００２３】
＜第１の実施形態＞
以下、本発明の第１の実施形態について、図面を参照して詳細に説明する。図１は、本発明の第１の実施形態におけるオブジェクト推薦装置の機能ブロック図である。
オブジェクト推薦装置１は、記憶部１０と、計算部２０と、入力部３１と、表示部３３と、推薦オブジェクト抽出部４０とを備える。
【００２４】
記憶部１０は、ログ記憶部１１と、算出結果記憶部１２とを備える。
ログ記憶部１１には、利用者を識別する符号であるユーザｉｄと、オブジェクトを識別する符号であるオブジェクトｉｄと、各オブジェクトを購入した時刻とが関連付けられて記憶されている。ここで、オブジェクトとは、商品、画像、記事などを総称したものである。
【００２５】
図２は、ログ記憶部１１に記憶されているテーブル５０の１例を示した図である。テーブル４０において、ユーザｉｄとオブジェクトｉｄとオブジェクトを購入した時刻とが１対１で対応付けられている。
【００２６】
図１に戻って、算出結果記憶部１２に、革新者確率算出部２４により算出されたＰＩＰ（Ｐｅｒｓｏｎａｌ Ｉｎｎｏｖａｔｏｒ Ｐｒｏｂａｂｉｌｉｔｙ：個人的革新者確率）と、利用者遷移確率算出部２５により算出されたＵＦＰ（Ｕｓｅｒ Ｆｌｏｗ Ｐｒｏｂａｂｉｌｉｔｙ：利用者遷移確率）とが記憶されている。
【００２７】
図３は、本実施形態によるオブジェクト推薦方法を説明するための図である。同図において、ターゲットユーザ（レコメンド対象となるユーザ）と、そのターゲットユーザと同じオブジェクトを購入した人であって、ターゲットユーザよりもそのオブジェクトの購入時刻が早い人（革新者：Ｉｎｎｏｖａｔｏｒ）のグループが示されている。
【００２８】
同図の右側には、革新者のグループが購入したオブジェクト集合の購入遷移が示されている。革新者のグループは、オブジェクト５１を購入後、オブジェクト５２またはオブジェクト５３を購入し、その後オブジェクト５４を購入している。オブジェクト５４は、革新者のグループにより最近購入されたオブジェクトである。
【００２９】
本実施形態では、オブジェクト推薦装置１は、各ユーザのオブジェクトの購入履歴から、ユーザ毎に対応する１人以上の革新者を検索し、革新者が先に購入しているオブジェクトを、気づきを与えるオブジェクトとして抽出する。オブジェクト推薦装置１は、抽出したオブジェクトの中で、革新者が一番最近購入したオブジェクトを抽出する。このオブジェクトが、ターゲットユーザにとって、ユーザが気づきにくく目新しいオブジェクトである。オブジェクト推薦装置１は、ターゲットユーザへ当該オブジェクトを推薦する。
【００３０】
図１に戻って、計算部２０は、先行度算出部２１と、重要度算出部２２と、人気度算出部２３と、革新者確率算出部２４と、利用者遷移確率算出部２５とを備える。
先行度算出部２１は、ユーザａ、ｂ間で共通するオブジェクト集合Ｃａｂのオブジェクト毎に、オブジェクトｉ（ｉは０以上の整数）についてユーザｂ（ｕｂ）がユーザａ（ｕａ）に対し先行する度合いｒ（ｉ；ｂ，ａ）を算出する。
【００３１】
図４は、オブジェクトのリリース経過日数ごとの購入ユーザ数の分布を示した図である。図４の横軸はオブジェクトがリリースされてからの購入されるまでの経過日数、縦軸は経過日数ごとにオブジェクトを購入したユーザ数の対数である。同図より、購入したユーザ数の分布の対数を片対数グラフで直線に近似できることから、オブジェクトのリリース直後に購入ユーザ数のピークがあり、その数は指数的に減少する。従って、本実施形態で後述する楽曲やビデオなどの購入ユーザ数の時間分布は、指数分布で近似しうる。
【００３２】
従って、先行度算出部２１は、指数分布を用いて、オブジェクトｉ（ｉは１以上の整数）についてユーザｂ（ｕｂ）がユーザａ（ｕａ）に対し先行する度合いｒ（ｉ；ｂ，ａ）を以下の式（１）により算出する。
【００３３】
【数１】
【００３４】
ここで、ｔｂ，ｉはユーザｂがオブジェクトｉを購入した時刻、ｔａ，ｉはユーザａがオブジェクトｉを購入した時刻、Ｔｉはオブジェクトｉのリリース時刻、ｔｉ（オーバーライン）はオブジェクトｉが購入された時刻の全ユーザにおける平均である。なお、前記“（オーバーライン）”は、その直前の文字の平均を表す。ユーザｂがユーザａに先行してオブジェクトｉを購入していなければ、先行する度合いｒは０である。また、先行する度合いｒ（ｉ；ｂ，ａ）は、ユーザｂがユーザａよりも先行して購入するほど高くなる。
先行度算出部２１は、算出された先行する度合いｒ（ｉ；ｂ，ａ）を革新者確率算出部２４へ供給する。
【００３５】
図１に戻って、重要度算出部２２は、ユーザａ、ｂ間で共通するオブジェクト集合Ｃａｂのオブジェクト毎に、ユーザａに対するオブジェクトｉの重要度ｗ（ｉ，ａ）を算出する。一般に、オブジェクト購入時点のユーザにとってのオブジェクトの重要度は指数関数的に減衰すると考えられているため、重要度算出部２２は、以下の式（２）により重要度ｗ（ｉ，ａ）を算出する。
【００３６】
【数２】
【００３７】
ここで、ｅａ，ｉはユーザａがオブジェクトｉを購入した時刻からの経過時間、ｅａ（オーバーライン）は、経過時間ｅａ，ｉをユーザａが購入した全てのオブジェクトｉに対して平均したものである。ユーザａに対するオブジェクトｉの重要度ｗ（ｉ，ａ）は、そのオブジェクトｉを購入してからの経過時間が短いほど高くなる。換言すると、ユーザａに対するオブジェクトｉの重要度ｗ（ｉ，ａ）は最近購入するほど高くなる。
重要度算出部２２は、算出された重要度ｗ（ｉ，ａ）を革新者確率算出部２４へ供給する。
【００３８】
人気度算出部２３は、ユーザａ，ｂ間で共通するオブジェクト集合Ｃａｂのオブジェクト毎に、オブジェクトｉの人気度ｖ（ｉ）を以下の式（３）により算出する。
【００３９】
【数３】
【００４０】
ここで、Ｕｉはオブジェクトｉを購入した全ユーザ数である。オブジェクトｉの人気度ｖ（ｉ）は、他のユーザが購入していないほど高くなる。
人気度算出部２３は、算出された人気度ｖ（ｉ）を革新者確率算出部２４へ供給する。
【００４１】
革新者確率算出部２４は、先行する度合いｒ（ｉ；ｂ，ａ）と、ユーザａに対するオブジェクトｉの重要度ｗ（ｉ，ａ）と、オブジェクトｉの人気度ｖ（ｉ）とを用いて、ユーザａに対するユーザｂの先行度合いＰＩＤ（ｕａ，ｕｂ）を以下の式（４）により算出する。
【００４２】
【数４】
【００４３】
ここで、式（４）は、ユーザａ、ｂ間で共通するオブジェクト集合Ｃａｂに属する全てのオブジェクトｉで、ｒ（ｉ；ｂ，ａ）×ｗ（ｉ，ａ）×ｖ（ｉ）の和を算出することを意味する。
続いて、革新者確率算出部２４は、上記ＰＩＤを用いてユーザａに対するユーザｂの先行度合いの確率ｐ（ｂ｜ａ）を以下の式（５）により算出する。
【００４４】
【数５】
【００４５】
ここで、右辺の分母は、ユーザａからみた他のユーザの先行度合いＰＩＤ（ｕ，ｕａ）を全てのユーザにおいて加算したものである。
続いて、革新者確率算出部２４は、エルゴード的マルコフ連鎖を実装するために、改訂したユーザａに対するユーザｂの先行度合いの確率ｐ（ドット）（ｂ，ａ）を以下の式（６）により算出する。
【００４６】
【数６】
【００４７】
ここで、革新者確率算出部２４は、他のどのユーザｕも、ユーザａに先行してオブジェクトを購入していない場合（式（６）のｏｔｈｅｒｗｉｓｅ）には、改訂したユーザａに対するユーザｂの先行度合いの確率ｐ（ドット）（ｂ，ａ）は、全ユーザ数Ｕの逆数と仮定する。
【００４８】
革新者確率算出部２４は、全てのユーザの組み合わせで、ユーザｍに対するユーザｎの先行度合いの確率ｐ（ドット）（ｎ｜ｍ）を算出する。そして、革新者確率算出部２４は、ｎ行ｍ列の成分をｐ（ドット）（ｎ｜ｍ）とする行列Ｐ（ドット）を算出する。
【００４９】
続いて、革新者確率算出部２４は、エルゴード的マルコフ連鎖を実装するために、上記行列Ｐ（ドット）を用いて、各利用者が対象利用者に１人先行して購入した各先行度合いの確率ｐ（ドット）に基づく各確率を要素とする革新者確率行列Ｐ（ダブルドット）を以下の式（７）により算出する。
【００５０】
【数７】
【００５１】
ここで、革新者確率行列Ｐ（ダブルドット）は、ユーザａに対してユーザｂが１人先行して購入する先行度合いの確率ｐ（ｂ｜ａ）に基づく確率ｐ（ダブルドット）（ｂ，ａ）を行列の（ｂ，ａ）成分とする革新者確率行列であり、αは重みパラメータ（０から１の間の数）、Ｕは全ユーザ数、ｅは全要素が１の長さＵの列ベクトルである。この定義によれば、革新者確率行列Ｐ（ダブルドット）は、個人的革新者遷移の確率を表した確率行列として構成される。そして、この革新者確率行列Ｐ（ダブルドット）は、定常分布に収束する。
【００５２】
最後に、革新者確率算出部２４は、複数のステップを介したユーザ間で先行度合いを考慮したＰＩＰを算出する。複数のステップを介するというのは、例えば、３人のユーザ（ユーザ１、ユーザ２、ユーザ３）を仮定したときに、あるオブジェクトに着目した場合、ユーザ２に先行してユーザ３がそのオブジェクトを購入したとしても、ユーザ３に更に先行してユーザ１がそのオブジェクトを購入していた場合のことである。
【００５３】
あるユーザが少ないステップ数を介して先行して購入しているときには、ユーザ間により直接的な関係があり、その場合に先行して購入したユーザは、より重要なＩｎｎｏｖａｔｏｒであるとみなされるので、そのユーザの革新者確率を相対的に上げる必要がある。
一方、あるユーザが多くのステップ数を介して先行して購入しているときには、ユーザ間により直接的な関係が少なく、その場合に先行して購入したユーザは、あまり重要なＩｎｎｏｖａｔｏｒでないので、そのユーザの革新者確率を相対的に下げる必要がある。
従って、革新者確率算出部２４は、他の利用者が対象利用者に先行してオブジェクトを購入した確率に基づく革新者確率を要素とする行列Ｐ（オーバーライン）を一例として以下の式（８）で算出する。
【００５４】
【数８】
【００５５】
ここで、βは先行度合いの効果を調整するパラメータであり、例えば０から１までの値である。Ｐ（ダブルドット）Ｎ（Ｎは自然数）は、各利用者が対象利用者にＮ人（Ｎは自然数）先行して購入する各確率に基づく各確率を成分とする行列である。また、Ｎの数が大きくなるほど、１／Ｎ！が小さくなるので、Ｐ（ダブルドット）Ｎの効果が小さくなる。また、ｅｘｐ（−β）は正規化係数である。
【００５６】
右辺の括弧内の第２項目は、ユーザｎに対するユーザｍの先行度合いであって、ユーザを１人分、間に介した先行度合いの効果を表す項である。同様に、右辺の括弧内のＮ−１項目は、ユーザｎに対するユーザｍの先行度合いであって、ユーザを（Ｎ−２）人分、間に介した先行度合いの効果を表す項である。
【００５７】
ここで、数式（８）の右辺の括弧内の第２項目の意味するところを説明する。図５は、第３のユーザを介した、ユーザ２に対するがユーザ１の先行度合いの確率を説明するための図である。同図において、３人のユーザ（ユーザ１、ユーザ２、ユーザ３）を仮定する。
【００５８】
その場合、購入パターンは、ユーザ１、ユーザ１、ユーザ２の順にオブジェクトを購入する第１のパターンと、ユーザ１、ユーザ２、ユーザ２の順にオブジェクトを購入する第２のパターンと、ユーザ１、ユーザ３、ユーザ２の順にオブジェクトを購入する第３のパターンがある。
【００５９】
同図における第１のパターンにおいて、ユーザ１のユーザ１に先行してオブジェクトを購入する確率（以下、先行購入確率と称する）がｐ（ダブルドット）（１，１）で、ユーザ１のユーザ２に対する先行購入確率がｐ（ダブルドット）（１，２）で、ユーザ２のユーザ２に対する先行購入確率がｐ（ダブルドット）（２，２）で、ユーザ１のユーザ３に対する先行購入確率がｐ（ダブルドット）（１，３）で、ユーザ３のユーザ２に対する先行購入確率がｐ（ダブルドット）（３，２）とする。そうすると、図５において、ユーザ１が２人先行してユーザ２に先行購入確率（Ｐ（ダブルドット））２（１，２）は、以下の式（９）で表される。
【００６０】
【数９】
【００６１】
この先行購入確率（Ｐ（ダブルドット））２（１，２）は、以下の式（１０）で表される（Ｐ（ダブルドット））２の１行２列目の成分と同一である。
【００６２】
【数１０】
【００６３】
従って、数式（８）の右辺の括弧内の第２項目は、ユーザｎに対するユーザｍの先行度合いであって、ユーザを１人分、間に介した先行度合いの効果を表す項である。
また、数式（８）の右辺の括弧内の第Ｎ−１項目の意味するところを説明する。利用者ｍが対象利用者ｎに１人先行して購入した先行度合いの確率に基づく確率ｐ（ダブルドット）（ｍ，ｎ）を要素とする行列をＰ（ダブルドット）と表したとき、Ｐ（ダブルドット）Ｎ−１は、各利用者が対象利用者にＮ−１人（Ｎは自然数）先行して購入した各先行度合いの確率に基づく各確率を要素とする行列である。
図１に戻って、革新者確率算出部２４は、算出された他の利用者が対象利用者に先行してオブジェクトを購入した確率に基づく革新者確率を要素とする行列Ｐ（オーバーライン）をＰＩＰとして算出結果記憶部１２に記憶させる。
【００６４】
続いて、利用者遷移確率算出部２５は、以下の方法によりＵＦＰを算出する。ＵＦＰの目的は、ある特定のオブジェクトの購入の後に、別のオブジェクトを購入した消費者の数を推定するために、各オブジェクトに対して適切な重みづけをすることである。遷移確率ｐａｂを算出するために、オブジェクトａの購入後に、時刻ｔでオブジェクトｂを購入した消費者に関する関数が考慮される。この確率に応じて、そのオブジェクトが次に購入されるか予測されうる。
【００６５】
本発明の第１の実施形態では、マルコフ特性を満たし、状態空間という１つのセットから得られる値を取る連続時間マルコフ過程を用いたオブジェクト間の遷移確率が構築される。連続時間マルコフ過程は最も簡単には、遷移確率ｑｉｊを特定することによって定義される。このプロセスは、典型的には、マルコフ連鎖の遷移に関する全ての遷移確率行列Ｑのｉｊ成分として与えられる。
【００６６】
この確率が保存されるためには、遷移確率行列Ｑの非対角要素が負でなく、ジャンプ率と呼ばれる対角要素が以下の式（１１）を満たさなければならない。
【００６７】
【数１１】
【００６８】
ここで、ｑｉは、オブジェクトｉからの連鎖確率である。統計過程では、オブジェクトｉからオブジェクトｊに遷移する確率ｐｉｊは、オブジェクトｉに停留する時間とは独立であり、ｐｉｉ＝０とΣｐｉｊ＝１（但し、ｊ≠ｉ）を満たさなければならない。
従って、オブジェクトｉからオブジェクトｊに遷移する確率ｐｉｊは、以下の式（１２）で表される。
【００６９】
【数１２】
【００７０】
オブジェクトｉに停留する期間は遷移確率ｑｉを係数とする指数関数に従う。指数分布のランダム変数の特性から、ユーザｕがオブジェクトｉからオブジェクトｊの購入まで要した時間ｔｕ，ｉｊの平均であるＥ（ｔｉ）は、遷移確率ｑｉを用いて以下の式（１３）で表される。
【００７１】
【数１３】
【００７２】
利用者遷移確率算出部２５は、式（１３）により遷移確率ｑｉを算出した後に、以下の式（１４）により、オブジェクトｉからオブジェクトｊへ遷移する確率ｐｉｊを算出する。
【００７３】
【数１４】
【００７４】
式（１２）から遷移確率ｑｉｊは、以下の式（１５）で表される。
【００７５】
【数１５】
【００７６】
続いて、時刻ｔ＝ｔｆにおけるトレンドを予測するために、行列Ｕのｉｊ成分である期間［０，ｔｆ］におけるオブジェクトｉから他のオブジェクトへのユーザの遷移確率ｕ（ｊ｜ｉ，ｔｆ）を以下の式（１６）で表される。
【００７７】
【数１６】
【００７８】
ここで、Ｐ（ｔ）はｉｊ成分ｐｉｊである遷移行列を示している。形式的に、状態空間が有限だとすると、遷移確率は、式（１２）より以下の微分方程式（１７）で推定される。
【００７９】
【数１７】
【００８０】
ここで、Ｉは恒等行列である。上記微分方程式（１７）の解は、以下の式（１８）で表される。
【００８１】
【数１８】
【００８２】
続いて、ＱがＱ＝ＭＤＭ−１により対角化されるとすると、コルモゴロフの前進および行進方程式（Ｋｏｌｍｏｇｏｒｏｖ ｆｏｒｗａｒｄ ａｎｄ ｂａｃｋｗａｒｄ ｅｑｕａｔｉｏｎ）を満たす遷移行列関数Ｐ（ｔ）は、以下の式（１９）で表される。
【００８３】
【数１９】
【００８４】
Ｑが大きいため、テイラー近似を用いて、遷移行列関数Ｐ（ｔ）は以下の式（２０）で近似される。
【００８５】
【数２０】
【００８６】
最終的に、ＵＦＰはｕ（ｉｂ｜ｉａ，∞）から構成され、以下の式（２１）で表される。
【００８７】
【数２１】
【００８８】
従って、利用者遷移確率算出部２５は、上記式（２１）を用いて、ＵＦＰを算出する。そして、利用者遷移確率算出部２５は、算出されたＵＦＰを算出結果記憶部１２へ記憶させる。
【００８９】
図６は、算出結果記憶部１２に記憶されているＰＩＰとＵＦＰのデータが格納されたテーブルの一例を示した図である。図６（ａ）は、算出結果記憶部１２に記憶されているＰＩＰのデータが格納されたテーブル６１の一例を示した図である。同図において、テーブル６１において、対象ユーザのユーザｉｄと、他のユーザのユーザｉｄと、対象ユーザに対する他のユーザの個人的革命者確率ＰＩＰが対応付けられている。
【００９０】
図６（ｂ）は、算出結果記憶部１２に記憶されているＵＦＰのデータが格納されたテーブル６２の一例を示した図である。同図において、テーブル６２において、元のオブジェクトのオブジェクトｉｄと、次のオブジェクトｉｄと、元のオブジェクトから次のオブジェクトに遷移する確率ＵＦＰが対応付けられている。
【００９１】
図１に戻って、入力部３１から外部から入力された入力に基づいて、対象ユーザのユーザｉｄを推薦オブジェクト抽出部３２へ供給する。
推薦オブジェクト抽出部３２は、入力部３１から供給された対象ユーザのユーザｉｄに対応するＰＩＰとＵＦＰを算出結果記憶部１２から読み出す。そして、推薦オブジェクト抽出部３２は、読み出したＰＩＰとＵＦＰに基づいて、以下に示す方法により、対象ユーザのユーザｉｄに対応するＣＰＩ（Ｃｏｎｄｉｔｏｎａｌ Ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｔｈｅ Ｉｔｅｍ ｇｉｖｅｎ ｅａｃｈ ｕｓｅｒ：各ユーザがオブジェクトを購入する確率）を算出する。
【００９２】
式（１０）で算出されるＰＩＰと、式（２１）で算出されるＵＦＰを用いて、ユーザａ（ｕａ）がオブジェクトｂ（ｉｂ）を購入する確率ｐ（ｉｂ｜ｕａ）は以下の式（２２）で表される。
【００９３】
【数２２】
【００９４】
ここで、δ（ｉａ｜ｕｊ）はユーザｊがオブジェクトａ（ｉａ）を式（２２）の計算時点で購入していれば１であり、そうでなければ０である。
オブジェクトｂ（ｉｂ）を購入した個人的革新者のＰＩＰが高く、オブジェクトｉｂへのＵＦＰが高ければ、ユーザａ（ｕａ）がオブジェクトｂ（ｉｂ）を購入する確率ｐ（ｉｂ｜ｕａ）は、高くなる。
【００９５】
推薦オブジェクト抽出部４０は、全てのオブジェクトｉで確率ｐ（ｉ｜ｕａ）を算出する。そして、推薦オブジェクト抽出部４０は、確率ｐ（ｉ｜ｕａ）が高い順にＮ（トップＮと称す）個のオブジェクトを抽出する。
【００９６】
トップＮ個のオブジェクトを含むオブジェクトリストの中に、対象ユーザが購入したオブジェクトが含まれている場合、推薦オブジェクト抽出部４０は、そのオブジェクトをオブジェクトリストから削除し、削除されたオブジェクトを除くオブジェクトリストを表示部３３に表示させる。
【００９７】
なお、推薦オブジェクト抽出部４０は、トップＮ個のオブジェクトを抽出し、抽出したオブジェクトを含むオブジェクトリストを表示部３３に表示させたが、これに限らず、最も確率ｐ（ｉ｜ｕａ）が高いオブジェクトを抽出し、抽出したオブジェクトに対応するオブジェクトを表示部３３に表示させてもよい。
【００９８】
図８は、ＰＩＰの算出処理の流れを示したフローチャートである。まず、計算部２０は、ログを記憶部１０から読み出す（ステップＳ１０１）。次に、革新者確率算出部２４は、読み出したログに基づきＰＩＰを算出し、算出されたＰＩＰを算出結果記憶部１２に記憶させる（ステップＳ１０２）。次に、利用者遷移確率算出部２５は、読み出したログに基づきＵＦＰを算出し、算出されたＵＦＰを算出結果記憶部１２に記憶させる（ステップＳ１０３）。
【００９９】
次に、推薦オブジェクト抽出部４０は、入力部から供給された対象ユーザのユーザｉｄに対応するＰＩＰとＵＦＰとを算出結果記憶部１２から読み出す。そして、推薦オブジェクト抽出部４０は、読み出したＰＩＰとＵＦＰとに基づいて、ＣＰＩを算出する（ステップＳ１０４）。次に、推薦オブジェクト抽出部４０は、ＣＰＩが高い順にオブジェクトが並べられたオブジェクトリストを表示部３３に表示させる（ステップＳ１０５）。以上で、本フローチャートの処理を終了する。
【０１００】
続いて、図８は、ＰＩＰの算出処理の流れを示したフローチャートである。まず、先行度算出部２１は、ログ記憶部１１から読み出されたログから先行度情報ｒを算出し、革新者確率算出部２４へ供給する（ステップＳ２０１）。重要度算出部２２は、ログ記憶部１１から読み出されたログから重要度情報ｗを算出し、革新者確率算出部２４へ供給する（ステップＳ２０２）。人気度算出部２３は、ログ記憶部１１から読み出されたログから人気度情報ｉを算出し、革新者確率算出部２４へ供給する（ステップＳ２０３）。
【０１０１】
革新者確率算出部２４は、供給された先行度情報ｒと、重要度情報ｗと、人気度情報ｉとに基づいて、先行確率ＰＩＤを算出する（ステップＳ２０４）。革新者確率算出部２４は、算出された先行確率ＰＩＤに基づいて、ＰＩＰを算出し、算出結果記憶部１２に記憶させる（ステップＳ２０５）。以上で、本フローチャートの処理を終了する。
【０１０２】
＜本発明の効果＞
続いて、本発明が提案する手法の効果について立証するために行った実験結果について、説明する。
＜実験に用いたデータセットについて＞
本発明の第１の実施形態では、４つのデータセットについての実験結果について説明する。４つのデータセットうち２つは、日本でオンラインストアでの楽曲またはビデオのダウンロードサービスから得られた購入履歴である。３つ目は、協調フィルタリングのコンテストの評価データとして用いられる映画のレビュー履歴Ｎｅｔｆｌｉｘである。最後の１つは検索クエリーのログである。以下、それぞれのデータセットについて説明する。
【０１０３】
まず、オンラインストアの購入履歴の詳細は以下の通りである。楽曲ダウンロードの購入履歴は２００５年４月１日から２００６年７月３１日までであり、８４，６２０ユーザによって購入された４４，５２７オブジェクトを含む。
各購入履歴は、ユーザＩＤ、購入した曲のタイトル、アーティスト名、ＣＤアルバムのタイトル、購入日時および価格から構成されている。
【０１０４】
ビデオダウンロードの購入履歴は２００５年９月１日から２００６年２月２８日までであり、７，５３７ユーザによって購入された４，０６４オブジェクトを含む。
各購入履歴は、ユーザＩＤ、購入したビデオのタイトル、監督名、購入日時および価格から構成されている。
【０１０５】
これらのデータのたいていのオブジェクトは、新規に発売されたものであり、まずＣＤまたはビデオ（ＤＶＤ）として店頭でのリリースの直後にオンラインサイトで購入できるようになったものである。
【０１０６】
Ｎｅｔｆｌｉｘは、１９９９年１１月１１日から２００５年１２月３１日までに、４８０，１８９人のユーザによって評価された１７，７７０の映画に対する１００，４８０，５０７個の評価データである。少なくとも２０個の映画に対して評価を降したユーザが選択される。また、少なくとも１００人のユーザによって評価された映画が選択される。これによって、データセットのデータサイズが小さくなり、１３６，５８９人のユーザによって評価された９，２６４の映画に対する８５，７３０，２０３個の評価データとなる。
【０１０７】
各評価データは、映画タイトルＩＤ、ユーザＩＤ，評価、評価日時から構成されている。上記２つのオンラインストアでの購入履歴とは異なり、Ｎｅｔｆｌｉｘは、ユーザの映画に対する評価のログであり、そのデータは１から５までの５段階評価で表される。
本発明で提案する協調フィルタリングでは、ユーザの評価でなく購入を予測する。そこでＮｅｔｆｌｉｘのデータは次のように利用された。
【０１０８】
そのユーザの評価は、５段階の評価から０から１かのバイナリ値に変換された。すなわち、ユーザがあるオブジェクトを評価していた場合、その評価は１（購入を意味する）となり、それ以外は０（購入しないことを意味する）となる。Ｎｅｔｆｌｉｘ（ｏ）およびＮｅｔｆｌｉｘ（ｐ）は文献（N. Kawamae, H. Sakano, T. Yamada, Personalized recommendation based on the personal innovator degree. In ACM Recsys, pages 329-332, 2009）と同じ方法で算出されたものが用いられた。
【０１０９】
次に、検索クエリーは、２００６年４月１日から２００６年５月３１日までのサーチエンジンのログから作られたものである。このデータセットは、３５，３２５，８４２の負エリー履歴から構成されている。また各検索クエリーは、クエリーキーワードＩＤ、ユーザＩＤ，および履歴日時から構成されている。
【０１１０】
＜実験計画について＞
実験では、ユーザの過去の購入履歴から、どの楽曲、ビデオ、映画（クエリー）を将来そのユーザが購入する（検索する）か予測することを目的とする。推薦の予測精度を評価するために、データセットをランダムにＫ個のサブデータセットに分割し、Ｋ回クロス確認するシミュレーションが行われた。
【０１１１】
我々は、Ｋ個のサブデータセットの中で、モデルをテストするために、１つのサブデータセットを評価データとし、他のＫ−１個のサブデータセットをトレーニングデータとする。
このプロセスはＫ回繰り返され、各サブデータセットは１回のみ評価データとされた。各サブデータセットは２つの期間（学習期間、テスト期間）に分けられ、テスト期間中のサブデータセットをテストデータと称し、学習期間中のサブデータセットを学習データと称する。ここでは、Ｋは一例として、１０に設定された。
【０１１２】
オブジェクト推薦装置１は、Ｋ個に分割したうち１個のデータセットのテスト期間に含まれる全ユーザをそれぞれ対象ユーザとし、提案手法を用いて残りのＫ−１個のデータオブジェクトをランキングした。オブジェクト推薦装置１は、そのランキングに基づいて対象ユーザに対して上位Ｎ件のオブジェクトを提示した。
【０１１３】
そして、オブジェクト推薦装置１は、これら提示したオブジェクトが対象ユーザのテスト期間中の購入履歴に含まれる割合をトップＮの正確性として算出した。ここで、このトップＮの正確性は、協調フィルタリングの予測性能を評価するのに一般的に使われている指標である。
【０１１４】
ここでは、従来の９個の推薦方法に対してデータセットを適用し、トップＮ個（Ｎは１、５、または１０）の推薦の正確性が比較された。
図９は、楽曲、ビデオ、Ｎｅｔｆｌｉｘ、およびＱｕｅｒｙのデータセットを用いて、個人に特化された推薦のトップＮの正確性を各手法で比較したテーブルである。ｔ検定で他の全ての手法と比べてｐ＜０．０５、ｐ＜０．０１で顕著に異なる場合に、それぞれ“＊”、“＊＊”の印が付けられている。
【０１１５】
従来の推薦方法の１つであるＰｏｐｕｌａｒは、学習期間の最後の１ヶ月で最も人気のあるオブジェクトを推薦するので、推薦オブジェクトはユーザ毎に個別化されていない。
従来の推薦方法の１つであるＰｅａｒｓｏｎとＣｏｓｉｎｅは、それぞれピアソンの相関係数またはコサイン類似度によって計測されたユーザの類似度に基づいている。
【０１１６】
一方、Ｉｔｅｍは、文献（J. K. B. Sarwa, G. Karypis and J. Riedl. Item-based collaborative filtering recommendation algorithms. In WWW, pages 285-295, 2001.）で提案されたピアソンの相関係数によって計測された内容類似度に基づいている。
ｂＰＬＳＡは、ベルヌーイ分布を用いたＰＬＳＡ（Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｌａｔｅｎｔ Ｓｅｍａｎｔｉｃ Ａｎａｌｙｓｉｓ：確率潜在意味解析）（T. Hofmann. Collaborative filtering via Gaussian probabilistic latent semantic analysis. In ACM SIGIR, pages 259-266, 2003）に基づいている。
【０１１７】
ＭＥＡは、文献（D. Pavlov and D. Pennock. A maximum entropy approach to collaborative filtering in dynamic, sparse, high-dimensional domains. In NIPS, pages 1441-1448, 2002）で提案されたＭａｘｌｉｍｕｍ Ｅｎｔｒｏｐｙ Ａｐｐｒｏａｃｈ（最大エントロピー法）である。
【０１１８】
ＩＦＤは、文献（Y. Hu, Y. Koren, and C. Volinsky. Collaborative filtering for implicit feedback datasets. In ICDM,pages 263-272, 2008.）で提案された潜在フィードバックデータセットのための協調フィルタリングである。
ＥＡＢＩＦは、文献（X. Song, C. Lin, B. Tseng, and M. Sun. Personalized recommendation driven by information flow. In ACM SIGIR, pages 509-516, 2006.）で提案されたＥａｒｌｙ Ａｄｏｐｔｉｏｎ Ｂａｓｅｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｆｌｏｗ（ＥＡＢＩＦ）方法である。
【０１１９】
ＰＩＤは、式（４）で算出されるＰＩＤである。ＰＩＰは、式（８）で算出されるＰＩＰである。ＰＩＰ＋ＵＦＰは、本発明が提案する方法である。本実施形態では、式（７）におけるαは１に設定され、式（８）におけるβは１に、Ｎは５に設定されている。
【０１２０】
図９において、データセットが楽曲、ビデオ、Ｎｅｔｆｌｉｘ（ｈ）またはＮｅｔｆｌｉｘ（ｐ）のときに、本発明が提案するＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、トップ１０の推薦オブジェクトの正確性が高い。
すなわち、ＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、高い精度で将来ユーザが購入するオブジェクトを推定していることを示している。
【０１２１】
この結果は、データセットに含まれるオブジェクトが高価なオブジェクトから構成されているという特徴によって説明しうる。すなわち、各ユーザはこれらの高価なオブジェクトを購入する際には、必要性からというよりはむしろ嗜好によって動機付けられて購入しているからだと考えられる。
【０１２２】
ＰＩＰ＋ＵＦＰは、より最近に購入したオブジェクトに対して重みを大きくするようにする時間減衰因子を用いて、同じ好みを持ったユーザ毎に区別する。また、ＰＩＰ＋ＵＦＰは、オブジェクトの流行をオブジェクトランキングに導入する。その結果、本発明が提案する方法であるＰＩＰ＋ＵＦＰは、ユーザの最新の嗜好にマッチするオブジェクトを上位にランキングするので、オブジェクト推薦の正確性の性能が向上している。
【０１２３】
図１０は、楽曲、ビデオおよびＮｅｔｆｌｉｘ、およびＱｕｅｒｙのデータセットを用いて、ＵＣ，ＩＣ、Ｇｉｎｉ係数、ＡＥ係数、およびＡＤ係数を各手法で比較したテーブルである。ｔ検定で他の全ての手法と比べてｐ＜０．０５、ｐ＜０．０１で顕著に異なる場合に、それぞれ“＊”、“＊＊”の印が付けられている。
【０１２４】
同図において、上記のトップＮ個の正確性に加えて、２つの被覆率（ＩＣ、ＵＣ）、すなわちＧｉｎｉ係数、オブジェクトのリリースからの平均時間（ＡＥ）または予測購入時間の平均（ＡＤ）を用いて、上記の各手法の性能が評価されている。
【０１２５】
続いて、それぞれの指標について詳細に説明する。まず、ＵＣ（Ｕｓｅｒ Ｃｏｖｅｒａｇｅ：推薦ユーザの被覆率）は、テスト期間にオブジェクトを購入したユーザ数に対する各推薦方法が推薦可能なユーザ数の割合である。ＵＣが高いほど、多くのユーザにオブジェクトを推薦できるので、ユーザ全体にとって価値が高いシステムである。
【０１２６】
一方、ＩＣ（Ｉｔｅｍ Ｃｏｖｅｒａｇｅ：推薦オブジェクトの被覆率）は、テスト期間に購入されたオブジェクトのタイトル数に対する各推薦方法が推薦可能なタイトル数の割合である。ＩＣは、システムが推薦できるシステム中のオブジェクトドメインの大きさを示す１つの指標である。従って、ＩＣが低いシステムは、ごく限られた選択オブジェクトしか提示できないから、ユーザにとって価値が低いシステムである。
【０１２７】
Ｇｉｎｉ係数は、オブジェクトに対するユーザの購入者数の分布の統計的分散を示す指標である。図１１は、Ｇｉｎｉ係数の算出方法を説明するための図である。Ｇｉｎｉ係数ｇは、４５度線７１と横軸７３と縦軸７４とで囲まれた面積（Ａ＋Ｂ）に対する４５度線７１とローレンツ曲線（Ｌｏｒｅｎｚ ｃｕｒｖｅ）７２で囲まれた面積Ａの割合であり、数式ではｇ＝Ａ／（Ａ＋Ｂ）と表される。Ｇｉｎｉ係数は、０から１の値をとり、値が０に近いほどオブジェクトごとの購入ユーザ数の格差が少なく、１に近いほど格差が大きいことを意味する。
【０１２８】
Ｇｉｎｉ係数が０の場合、分布が完全に平等、すなわち全てのオブジェクトが正確に同じ数のユーザによって購入されている。一方、Ｇｉｎｉ係数が１の場合、分布が完全に不平等、すなわち１つのオブジェクトがすべてのユーザによって購入され、他のオブジェクトは、どのユーザにも購入されてない。
【０１２９】
高いＧｉｎｉ係数となる結果は、２、３個の特定のオブジェクトがたいていのユーザによって高くランク付けされている傾向にあることを意味し、特定のオブジェクトばかりが推薦される傾向が強く、ユーザ毎の推薦オブジェクトの違いは小さくなる。すなわち、オブジェクト推薦は、ユーザ毎に特化されていないことを意味する。一方、Ｇｉｎｉ係数が０に近いほど、オブジェクトの推薦がユーザ毎に特化し、オブジェクト推薦がうまく行われていることを意味する。
【０１３０】
ＡＥ（Ａｖｅｒａｇｅ Ｅｌａｐｓｅｄ ｔｉｍｅ）は、オブジェクトがリリースから購入されるまでの経過時間の平均である。この値が小さければそれだけオブジェクトの新規性が高くなる。
ＡＤ（Ａｖｅｒａｇｅ Ｄｉｆｆｅｒｎｅｃｅ ｔｉｍｅ）は、テスト期間の開始時刻とオブジェクト購入の時刻の差の平均である。この値が大きければ、それだけ気が付き難いオブジェクトになる。
【０１３１】
図１０において、データセットが楽曲、ビデオ、Ｎｅｔｆｌｉｘ（ｐ）のときに、本発明が提案するＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、ＩＣが高く、Ｇｉｎｉ係数が低く、ＡＥが短く、ＡＤが長い。
すなわち、ＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、多くのオブジェクトを推薦でき、かつオブジェクトの推薦がユーザ毎に特化し、かつ新規性が高いオブジェクトを推薦し、かつ気が付き難いオブジェクトを推薦していることを示している。
【０１３２】
また、データセットがＮｅｔｆｌｉｘ（ｈ）のときに、本発明が提案するＰＩＰ＋ＵＦＰは、本発明が提案するＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、ＩＣが高く、Ｇｉｎｉ係数が低く、ＡＥが短い。
すなわち、ＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、多くのオブジェクトを推薦でき、かつオブジェクトの推薦がユーザ毎に特化し、かつ新規性が高いオブジェクトを推薦していることを示している。
【０１３３】
また、データセットがＱｕｅｒｙのときに、本発明が提案するＰＩＰ＋ＵＦＰは、本発明が提案するＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、Ｇｉｎｉ係数が低く、ＡＥが短く、ＡＤが長い。
すなわち、ＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、オブジェクトの推薦がユーザ毎に特化し、かつ新規性が高いオブジェクトを推薦し、かつ気が付き難いオブジェクトを推薦していることを示している。
【０１３４】
図１０の結果から、本発明で提案するＰＩＰ＋ＵＦＰを用いた場合、最も高いＵＣおよびＩＣとなり、Ｇｉｎｉ係数が最も低くなり（０に近くなり）、ＡＤが最も長くなる。一方、図９の結果から、本発明で提案するＰＩＰ＋ＵＦＰを用いた場合のあっても、トップＮ個の推薦の正確性は、顕著な改良がなされない。この結果から、本発明で提案するＰＩＰ＋ＵＦＰは、他の手法と比べて、様々な異なるオブジェクトを、オブジェクト毎にあまりバイアスをかけずにランクづけし、推薦する。
【０１３５】
事実、ユーザの嗜好動態およびユーザ間の関係性を考慮しない従来の手法では、ＩＣが低く、Ｇｉｎｉ係数が高い。それらの従来の手法では、オブジェクトをリリース直後に購入する人と同様に、後にそのオブジェクトを購入する人を嗜好の似たユーザとして扱い、それらのユーザのログを使用するので、概して人気があって、些細なオブジェクトを高くランク付けする。
【０１３６】
推薦ユーザの被覆率（ＵＣ）に関しては、ユーザ間の関係の動態を考慮した従来の手法は、他の手法に比べてかすかに低い値を取る。本発明で提案するＰＩＰ＋ＵＦＰは、たいていのユーザによってこれまで購入されていないオブジェクトを、ユーザにとって目新しいオブジェクトとして推薦することができる。
【０１３７】
以上により、本発明の第１の実施形態におけるオブジェクト推薦装置１は、ユーザ毎に特化し、かつ新規性が高いオブジェクトを推薦し、かつ気が付き難いオブジェクトを推薦することができる。
【０１３８】
＜第２の実施形態＞
次に、本発明の第２の実施形態を説明する。図１２は、本発明の第２の実施形態におけるオブジェクト推薦システムの機能ブロック図である。なお、図１と共通する要素には同一の符号を付し、その具体的な説明を省略する。
オブジェクト推薦システム１０１は、記憶装置１１０と、計算装置１２０と、端末装置１３０と、推薦オブジェクト抽出装置１４０とを備える。
【０１３９】
記憶装置１１０は、ログ記憶部１１と、算出結果記憶部１２とを備える。また、計算装置１２０は、先行度算出部２１と、重要度算出部２２と、人気度算出部２３と、革新者確率算出部２４と、利用者遷移確率算出部２５とを備える。
【０１４０】
端末装置１３０は、入力部３１と、表示部３３とを備える。入力部３１は、外部から供給された入力信号に基づいて、ユーザｉｄを示す情報を推薦オブジェクト抽出装置１４０へ供給する。
【０１４１】
推薦オブジェクト抽出装置１４０は、入力部３１から供給されたユーザｉｄに対応するＰＩＰとＵＦＰとを、算出結果記憶部１２から読み出す。そして、推薦オブジェクト抽出装置１４０は、読み出したＰＩＰとＵＦＰとに基づいて、上記の方法によりＣＰＩを算出する。そして、推薦オブジェクト抽出装置１４０は、ＣＰＩが高い順にＮ個（Ｎは１以上の整数）のオブジェクトを表示部３３に表示させる。処理の流れは、第１の実施形態と同じであるので、省略する。
【０１４２】
以上により、本発明の第２の実施形態におけるオブジェクト推薦システム１０１は、ユーザ毎に特化し、かつ新規性が高いオブジェクトを推薦し、かつ気が付き難いオブジェクトを推薦することができる。
【０１４３】
なお、本発明の第１の実施形態または第２の実施形態では、ユーザの行動としてオブジェクトを購入する場合について説明したが、これに限らず、ユーザが表示部３３に表されたオブジェクト（例えば、記事）を閲覧する場合についても、本発明を適用することができる。すなわち、本発明は、ユーザがオブジェクトを閲覧した閲覧履歴に基づいて、そのユーザにとって気づきにくく目新しいオブジェクトを推薦する装置およびシステムにも適用することができる。
【０１４４】
上記の点に鑑みると、本発明は、利用者がオブジェクトを購入するときに限定されるものではなく、利用者がオブジェクトに対して所定の行動（例えば、記事の閲覧、画像の選択等）をするときにも適用可能である。
また、本発明において、上記オブジェクトはデジタル化された音楽、電子書籍、動画等に限られず、上記オブジェクトにはデジタル化されていない本、家具等も含まれる。
【０１４５】
なお、本発明の第１の実施形態であるオブジェクト推薦装置１の一部、例えば、計算部２０または推薦オブジェクト抽出部４０をコンピュータで実現するようにしてもよい。この場合、その機能を実現するためのオブジェクト検出プログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたオブジェクト推薦プログラムをコンピュータステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）や周辺機器のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、光ディスク、メモリカード等の可搬型記録媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバーやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定期間プログラムを保持するものを含んでもよい。また上記のプログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせにより実現するものであってもよい。
【０１４６】
以上、本発明の実施形態について図面を参照して詳述したが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
【符号の説明】
【０１４７】
１ オブジェクト推薦装置
１０ 記憶部
１１ ログ記憶部
１２ 算出結果記憶部
２０ 計算部
２１ 先行度算出部
２２ 重要度算出部
２３ 人気度算出部
２４ 革新者確率算出部
２５ 利用者遷移確率算出部
３１ 入力部
３３ 表示部
４０ 推薦オブジェクト抽出部
１０１ オブジェクト推薦システム
１１０ 記憶装置
１２０ 計算装置
１３０ 端末装置
１４０ 推薦オブジェクト抽出装置
【技術分野】
【０００１】
本発明は、オブジェクト推薦装置、オブジェクト推薦方法、オブジェクト推薦プログラムおよびオブジェクト推薦システムに関する。
【背景技術】
【０００２】
近年、インターネット上のオンラインストアなどで、インターネットの利用者（以下、ユーザと称す）個々人を特定または識別し、その属性や行動に合わせて、ユーザに提供するサービスやコンテンツを変える仕組み、いわゆるサービスのパーソナライズが行われている。また、サービスのパーソナライズにおいて、対象ユーザと嗜好が類似したユーザを見つけ、それらのユーザが好むオブジェクトを推薦することが行われている。
【０００３】
例えば、特許文献１では、ユーザのアクセス履歴を用いて、対象ユーザと他ユーザとの間の相対関係を抽出し、抽出した相対関係を数値化したスコアで、他ユーザの履歴データに含まれるオブジェクトを、順位付けする方法が開示されている。
また、非特許文献１では、各ユーザの最新の嗜好に合うオブジェクトの推薦をするために、過去の購入行動が対象ユーザと類似するだけでなく、購入が対象ユーザよりも先行している度合いの高い他ユーザの履歴を重視する方法が開示されている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００８−３０５０５５号公報
【非特許文献】
【０００５】
【非特許文献１】川前徳章、坂野鋭、山田武士、上田修功「ユーザの嗜好の時系列性と先行性に着目した協調フィルタリング」電子情報通信学会論文誌 Ｄ Ｖｏｌ．Ｊ９２−Ｄ、ＮＯ．６、ｐｐ．７６７−７７６、２００９
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしながら、特許文献１および非特許文献１では、一般的に良く知られているオブジェクトが推薦されやすいので、ユーザ自らが気づきにくいオブジェクトが推薦されるわけではないという問題があった。また、当該良く知られているオブジェクトは概して定番オブジェクトとして長い期間購入され続けているので、ユーザに取って目新しいオブジェクトでないという問題もあった。
【０００７】
本発明は上記の点に鑑みてなされたものであり、その目的は、ユーザ自らが気づきにくく目新しいオブジェクトを提供可能とすることにある。
【課題を解決するための手段】
【０００８】
本発明は上記の課題を解決するためになされたものであり、対象利用者にオブジェクトを推薦するオブジェクト推薦装置であって、前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する人気度算出部と、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する先行度算出部と、前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する重要度算出部と、前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する革新者確率算出部と、前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出部と、を備えることを特徴とするオブジェクト推薦装置である。
【０００９】
この発明によれば、対象利用者へ推薦するオブジェクトは、他の利用者が対象利用者に先行してオブジェクトに対して所定の行動をし、他の利用者が対象利用者に先行してオブジェクトに所定の行動をした確率に基づく革新者確率と、所定のオブジェクトに所定の行動をした後に別のオブジェクトに前記行動をする確率である利用者遷移確率とを用いて抽出される。これにより、対象利用者に先行してオブジェクトに対して所定の行動をしていた他の利用者が既に所定の行動をしていたオブジェクトであって、いまだ利用者数が少ないオブジェクトが推薦されるようになるので、利用者が自ら気づきにくく、各利用者にとって目新しいオブジェクトを提供することができる。
【００１０】
また、本発明の一態様は、各利用者が所定のオブジェクトに前記行動をした後、別のオブジェクトに前記行動をするまで要した時間に基づいて、前記所定のオブジェクトに前記行動をした後に前記別のオブジェクトに前記行動をする確率を利用者遷移確率として算出する利用者遷移確率算出部を更に備え、前記推薦オブジェクト抽出部は、前記革新者確率と前記利用者遷移確率とに基づいて、対象利用者へ推薦するオブジェクトを抽出することを特徴とする。
【００１１】
この発明によれば、先行度情報と、重要度情報と、人気度情報とに基づいて、革新者確率を算出している。これにより、利用者間で共通して所定の行動をしているオブジェクトであって、そのオブジェクトに対して他の利用者が先行して所定の行動をしている情報と、そのオブジェクトの対象利用者にとっての重要度と、そのオブジェクトの人気度に応じて、推薦するオブジェクトを抽出することができる。従って、推薦するオブジェクトを、対象利用者にとって、そのオブジェクトが重要であるか否かに応じて抽出することができる。
【００１２】
また、本発明の一態様は、上記のオブジェクト推薦装置において、前記先行度算出部は、前記対象利用者が前記オブジェクトに所定の行動をした時刻と、他の利用者が前記オブジェクトに前記行動をした時刻と、前記オブジェクトが公開された時刻とに基づいて、前記先行度情報を算出することを特徴とする。
【００１３】
この発明によれば、対象利用者がオブジェクトに所定の行動をした時刻と、他の利用者がオブジェクトに行動をした時刻と、オブジェクトが公開された時刻とに基づいて、先行度情報を算出している。これにより、当該オブジェクトに関して、他の利用者の先行度情報を正確に算出することができるので、対象利用者に適切なオブジェクトを推薦することができる。
【００１４】
また、本発明の一態様は、上記のオブジェクト推薦装置において、前記革新者確率算出部は、各利用者が前記対象利用者にＮ人（Ｎは自然数）先行して前記行動をした各先行度合いの確率に基づく各確率に基づいて、前記革新者確率を算出することを特徴とする。
【００１５】
この発明によれば、他の利用者が対象利用者にＮ人（Ｎは自然数）先行して所定の行動をした各先行度合いの確率に基づく各確率に基づいて、革新者確率を算出している。これにより、他の利用者が対象利用者に先行している人数と先行度合いに応じて、他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出できるので、各対象利用者に適切なオブジェクトを推薦することができる。
【００１６】
また、本発明の一態様は、上記のオブジェクト推薦装置において、前記革新者確率算出部は、前記各利用者が前記対象利用者に１人先行して前記行動をした各先行度合いの確率に基づく各確率を要素とする行列をＰと表したとき、ＰＮに基づいて前記革新者確率を算出することを特徴とする。
【００１７】
この発明によれば、ＰＮに基づいて、他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出している。ここで、ＰＮの（ｍ，ｎ）成分（ここで、ｍは自然数、ｎは自然数）は、利用者ｍが対象利用者ｎに対してＮ人先行してオブジェクトに所定の行動をした先行度合いの確率に基づく確率である。これにより、行列ＰＮに基づいて革新者確率を算出できるので、各対象利用者に適切なオブジェクトを推薦することができる。
【００１８】
また、本発明の一態様は、人気度算出部と、先行度算出部と、重要度算出部と、推薦オブジェクト抽出部とを備え、対象利用者にデジタル化されたオブジェクトを推薦するオブジェクト推薦装置が実行するオブジェクト推薦方法であって、前記人気度算出部が、前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する人気度算出手順と、前記先行度算出部が、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する先行度算出手順と、前記重要度算出部が、前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する重要度算出手順と、前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する革新者確率算出手順と、前記推薦オブジェクト抽出部が、前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出手順と、を有することを特徴とするオブジェクト推薦方法である。
【００１９】
また、本発明の一態様は、対象利用者にオブジェクトを推薦するオブジェクト推薦装置としてのコンピュータに、前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する第１のステップと、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する第２のステップと、前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する第３のステップと、前記人気度情報と前記先行度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する第４のステップと、前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する第５のステップと、を実行させるためのオブジェクト推薦プログラムである。
【００２０】
また、本発明の一態様は、対象利用者にオブジェクトを推薦するオブジェクト推薦システムであって、前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する人気度算出部と、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する先行度算出部と、前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する重要度算出部と、前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する革新者確率算出部と、を備える計算装置と、前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出装置と、を備えることを特徴とするオブジェクト推薦システムである。
【発明の効果】
【００２１】
本発明によれば、ユーザ自らが気づきにくく目新しいオブジェクトを提供可能とすることができる。
【図面の簡単な説明】
【００２２】
【図１】本発明の第１の実施形態におけるオブジェクト推薦装置の機能ブロック図である。
【図２】ログ記憶部に記憶されているテーブルの１例を示した図である。
【図３】本発明が提案するオブジェクト推薦方法を説明するための図である。
【図４】オブジェクトのリリース経過日数ごとの購入ユーザ数の分布を示した図である。
【図５】第３のユーザを介した、ユーザ２に対するユーザ１の先行度合いの確率を説明するための図である。
【図６】算出結果記憶部に記憶されているＰＩＰとＵＦＰのデータが格納されたテーブルの一例を示した図である。
【図７】オブジェクト推薦の処理の流れを示したフローチャートである。
【図８】ＰＩＰの算出処理の流れを示したフローチャートである。
【図９】楽曲、ビデオ、Ｎｅｔｆｌｉｘ、およびＱｕｅｒｙのデータセットを用いて、個人に特化された推薦のトップＮの正確性を各手法で比較したテーブルである。
【図１０】楽曲、ビデオおよびＮｅｔｆｌｉｘ、およびＱｕｅｒｙのデータセットを用いて、ＵＣ，ＩＣ、Ｇｉｎｉ係数、ＡＥ係数、ＡＤ係数を各手法で比較したテーブルである。
【図１１】Ｇｉｎｉ係数の算出方法を説明するための図である。
【図１２】本発明の第２の実施形態におけるオブジェクト推薦システムの機能ブロック図である。
【発明を実施するための形態】
【００２３】
＜第１の実施形態＞
以下、本発明の第１の実施形態について、図面を参照して詳細に説明する。図１は、本発明の第１の実施形態におけるオブジェクト推薦装置の機能ブロック図である。
オブジェクト推薦装置１は、記憶部１０と、計算部２０と、入力部３１と、表示部３３と、推薦オブジェクト抽出部４０とを備える。
【００２４】
記憶部１０は、ログ記憶部１１と、算出結果記憶部１２とを備える。
ログ記憶部１１には、利用者を識別する符号であるユーザｉｄと、オブジェクトを識別する符号であるオブジェクトｉｄと、各オブジェクトを購入した時刻とが関連付けられて記憶されている。ここで、オブジェクトとは、商品、画像、記事などを総称したものである。
【００２５】
図２は、ログ記憶部１１に記憶されているテーブル５０の１例を示した図である。テーブル４０において、ユーザｉｄとオブジェクトｉｄとオブジェクトを購入した時刻とが１対１で対応付けられている。
【００２６】
図１に戻って、算出結果記憶部１２に、革新者確率算出部２４により算出されたＰＩＰ（Ｐｅｒｓｏｎａｌ Ｉｎｎｏｖａｔｏｒ Ｐｒｏｂａｂｉｌｉｔｙ：個人的革新者確率）と、利用者遷移確率算出部２５により算出されたＵＦＰ（Ｕｓｅｒ Ｆｌｏｗ Ｐｒｏｂａｂｉｌｉｔｙ：利用者遷移確率）とが記憶されている。
【００２７】
図３は、本実施形態によるオブジェクト推薦方法を説明するための図である。同図において、ターゲットユーザ（レコメンド対象となるユーザ）と、そのターゲットユーザと同じオブジェクトを購入した人であって、ターゲットユーザよりもそのオブジェクトの購入時刻が早い人（革新者：Ｉｎｎｏｖａｔｏｒ）のグループが示されている。
【００２８】
同図の右側には、革新者のグループが購入したオブジェクト集合の購入遷移が示されている。革新者のグループは、オブジェクト５１を購入後、オブジェクト５２またはオブジェクト５３を購入し、その後オブジェクト５４を購入している。オブジェクト５４は、革新者のグループにより最近購入されたオブジェクトである。
【００２９】
本実施形態では、オブジェクト推薦装置１は、各ユーザのオブジェクトの購入履歴から、ユーザ毎に対応する１人以上の革新者を検索し、革新者が先に購入しているオブジェクトを、気づきを与えるオブジェクトとして抽出する。オブジェクト推薦装置１は、抽出したオブジェクトの中で、革新者が一番最近購入したオブジェクトを抽出する。このオブジェクトが、ターゲットユーザにとって、ユーザが気づきにくく目新しいオブジェクトである。オブジェクト推薦装置１は、ターゲットユーザへ当該オブジェクトを推薦する。
【００３０】
図１に戻って、計算部２０は、先行度算出部２１と、重要度算出部２２と、人気度算出部２３と、革新者確率算出部２４と、利用者遷移確率算出部２５とを備える。
先行度算出部２１は、ユーザａ、ｂ間で共通するオブジェクト集合Ｃａｂのオブジェクト毎に、オブジェクトｉ（ｉは０以上の整数）についてユーザｂ（ｕｂ）がユーザａ（ｕａ）に対し先行する度合いｒ（ｉ；ｂ，ａ）を算出する。
【００３１】
図４は、オブジェクトのリリース経過日数ごとの購入ユーザ数の分布を示した図である。図４の横軸はオブジェクトがリリースされてからの購入されるまでの経過日数、縦軸は経過日数ごとにオブジェクトを購入したユーザ数の対数である。同図より、購入したユーザ数の分布の対数を片対数グラフで直線に近似できることから、オブジェクトのリリース直後に購入ユーザ数のピークがあり、その数は指数的に減少する。従って、本実施形態で後述する楽曲やビデオなどの購入ユーザ数の時間分布は、指数分布で近似しうる。
【００３２】
従って、先行度算出部２１は、指数分布を用いて、オブジェクトｉ（ｉは１以上の整数）についてユーザｂ（ｕｂ）がユーザａ（ｕａ）に対し先行する度合いｒ（ｉ；ｂ，ａ）を以下の式（１）により算出する。
【００３３】
【数１】
【００３４】
ここで、ｔｂ，ｉはユーザｂがオブジェクトｉを購入した時刻、ｔａ，ｉはユーザａがオブジェクトｉを購入した時刻、Ｔｉはオブジェクトｉのリリース時刻、ｔｉ（オーバーライン）はオブジェクトｉが購入された時刻の全ユーザにおける平均である。なお、前記“（オーバーライン）”は、その直前の文字の平均を表す。ユーザｂがユーザａに先行してオブジェクトｉを購入していなければ、先行する度合いｒは０である。また、先行する度合いｒ（ｉ；ｂ，ａ）は、ユーザｂがユーザａよりも先行して購入するほど高くなる。
先行度算出部２１は、算出された先行する度合いｒ（ｉ；ｂ，ａ）を革新者確率算出部２４へ供給する。
【００３５】
図１に戻って、重要度算出部２２は、ユーザａ、ｂ間で共通するオブジェクト集合Ｃａｂのオブジェクト毎に、ユーザａに対するオブジェクトｉの重要度ｗ（ｉ，ａ）を算出する。一般に、オブジェクト購入時点のユーザにとってのオブジェクトの重要度は指数関数的に減衰すると考えられているため、重要度算出部２２は、以下の式（２）により重要度ｗ（ｉ，ａ）を算出する。
【００３６】
【数２】
【００３７】
ここで、ｅａ，ｉはユーザａがオブジェクトｉを購入した時刻からの経過時間、ｅａ（オーバーライン）は、経過時間ｅａ，ｉをユーザａが購入した全てのオブジェクトｉに対して平均したものである。ユーザａに対するオブジェクトｉの重要度ｗ（ｉ，ａ）は、そのオブジェクトｉを購入してからの経過時間が短いほど高くなる。換言すると、ユーザａに対するオブジェクトｉの重要度ｗ（ｉ，ａ）は最近購入するほど高くなる。
重要度算出部２２は、算出された重要度ｗ（ｉ，ａ）を革新者確率算出部２４へ供給する。
【００３８】
人気度算出部２３は、ユーザａ，ｂ間で共通するオブジェクト集合Ｃａｂのオブジェクト毎に、オブジェクトｉの人気度ｖ（ｉ）を以下の式（３）により算出する。
【００３９】
【数３】
【００４０】
ここで、Ｕｉはオブジェクトｉを購入した全ユーザ数である。オブジェクトｉの人気度ｖ（ｉ）は、他のユーザが購入していないほど高くなる。
人気度算出部２３は、算出された人気度ｖ（ｉ）を革新者確率算出部２４へ供給する。
【００４１】
革新者確率算出部２４は、先行する度合いｒ（ｉ；ｂ，ａ）と、ユーザａに対するオブジェクトｉの重要度ｗ（ｉ，ａ）と、オブジェクトｉの人気度ｖ（ｉ）とを用いて、ユーザａに対するユーザｂの先行度合いＰＩＤ（ｕａ，ｕｂ）を以下の式（４）により算出する。
【００４２】
【数４】
【００４３】
ここで、式（４）は、ユーザａ、ｂ間で共通するオブジェクト集合Ｃａｂに属する全てのオブジェクトｉで、ｒ（ｉ；ｂ，ａ）×ｗ（ｉ，ａ）×ｖ（ｉ）の和を算出することを意味する。
続いて、革新者確率算出部２４は、上記ＰＩＤを用いてユーザａに対するユーザｂの先行度合いの確率ｐ（ｂ｜ａ）を以下の式（５）により算出する。
【００４４】
【数５】
【００４５】
ここで、右辺の分母は、ユーザａからみた他のユーザの先行度合いＰＩＤ（ｕ，ｕａ）を全てのユーザにおいて加算したものである。
続いて、革新者確率算出部２４は、エルゴード的マルコフ連鎖を実装するために、改訂したユーザａに対するユーザｂの先行度合いの確率ｐ（ドット）（ｂ，ａ）を以下の式（６）により算出する。
【００４６】
【数６】
【００４７】
ここで、革新者確率算出部２４は、他のどのユーザｕも、ユーザａに先行してオブジェクトを購入していない場合（式（６）のｏｔｈｅｒｗｉｓｅ）には、改訂したユーザａに対するユーザｂの先行度合いの確率ｐ（ドット）（ｂ，ａ）は、全ユーザ数Ｕの逆数と仮定する。
【００４８】
革新者確率算出部２４は、全てのユーザの組み合わせで、ユーザｍに対するユーザｎの先行度合いの確率ｐ（ドット）（ｎ｜ｍ）を算出する。そして、革新者確率算出部２４は、ｎ行ｍ列の成分をｐ（ドット）（ｎ｜ｍ）とする行列Ｐ（ドット）を算出する。
【００４９】
続いて、革新者確率算出部２４は、エルゴード的マルコフ連鎖を実装するために、上記行列Ｐ（ドット）を用いて、各利用者が対象利用者に１人先行して購入した各先行度合いの確率ｐ（ドット）に基づく各確率を要素とする革新者確率行列Ｐ（ダブルドット）を以下の式（７）により算出する。
【００５０】
【数７】
【００５１】
ここで、革新者確率行列Ｐ（ダブルドット）は、ユーザａに対してユーザｂが１人先行して購入する先行度合いの確率ｐ（ｂ｜ａ）に基づく確率ｐ（ダブルドット）（ｂ，ａ）を行列の（ｂ，ａ）成分とする革新者確率行列であり、αは重みパラメータ（０から１の間の数）、Ｕは全ユーザ数、ｅは全要素が１の長さＵの列ベクトルである。この定義によれば、革新者確率行列Ｐ（ダブルドット）は、個人的革新者遷移の確率を表した確率行列として構成される。そして、この革新者確率行列Ｐ（ダブルドット）は、定常分布に収束する。
【００５２】
最後に、革新者確率算出部２４は、複数のステップを介したユーザ間で先行度合いを考慮したＰＩＰを算出する。複数のステップを介するというのは、例えば、３人のユーザ（ユーザ１、ユーザ２、ユーザ３）を仮定したときに、あるオブジェクトに着目した場合、ユーザ２に先行してユーザ３がそのオブジェクトを購入したとしても、ユーザ３に更に先行してユーザ１がそのオブジェクトを購入していた場合のことである。
【００５３】
あるユーザが少ないステップ数を介して先行して購入しているときには、ユーザ間により直接的な関係があり、その場合に先行して購入したユーザは、より重要なＩｎｎｏｖａｔｏｒであるとみなされるので、そのユーザの革新者確率を相対的に上げる必要がある。
一方、あるユーザが多くのステップ数を介して先行して購入しているときには、ユーザ間により直接的な関係が少なく、その場合に先行して購入したユーザは、あまり重要なＩｎｎｏｖａｔｏｒでないので、そのユーザの革新者確率を相対的に下げる必要がある。
従って、革新者確率算出部２４は、他の利用者が対象利用者に先行してオブジェクトを購入した確率に基づく革新者確率を要素とする行列Ｐ（オーバーライン）を一例として以下の式（８）で算出する。
【００５４】
【数８】
【００５５】
ここで、βは先行度合いの効果を調整するパラメータであり、例えば０から１までの値である。Ｐ（ダブルドット）Ｎ（Ｎは自然数）は、各利用者が対象利用者にＮ人（Ｎは自然数）先行して購入する各確率に基づく各確率を成分とする行列である。また、Ｎの数が大きくなるほど、１／Ｎ！が小さくなるので、Ｐ（ダブルドット）Ｎの効果が小さくなる。また、ｅｘｐ（−β）は正規化係数である。
【００５６】
右辺の括弧内の第２項目は、ユーザｎに対するユーザｍの先行度合いであって、ユーザを１人分、間に介した先行度合いの効果を表す項である。同様に、右辺の括弧内のＮ−１項目は、ユーザｎに対するユーザｍの先行度合いであって、ユーザを（Ｎ−２）人分、間に介した先行度合いの効果を表す項である。
【００５７】
ここで、数式（８）の右辺の括弧内の第２項目の意味するところを説明する。図５は、第３のユーザを介した、ユーザ２に対するがユーザ１の先行度合いの確率を説明するための図である。同図において、３人のユーザ（ユーザ１、ユーザ２、ユーザ３）を仮定する。
【００５８】
その場合、購入パターンは、ユーザ１、ユーザ１、ユーザ２の順にオブジェクトを購入する第１のパターンと、ユーザ１、ユーザ２、ユーザ２の順にオブジェクトを購入する第２のパターンと、ユーザ１、ユーザ３、ユーザ２の順にオブジェクトを購入する第３のパターンがある。
【００５９】
同図における第１のパターンにおいて、ユーザ１のユーザ１に先行してオブジェクトを購入する確率（以下、先行購入確率と称する）がｐ（ダブルドット）（１，１）で、ユーザ１のユーザ２に対する先行購入確率がｐ（ダブルドット）（１，２）で、ユーザ２のユーザ２に対する先行購入確率がｐ（ダブルドット）（２，２）で、ユーザ１のユーザ３に対する先行購入確率がｐ（ダブルドット）（１，３）で、ユーザ３のユーザ２に対する先行購入確率がｐ（ダブルドット）（３，２）とする。そうすると、図５において、ユーザ１が２人先行してユーザ２に先行購入確率（Ｐ（ダブルドット））２（１，２）は、以下の式（９）で表される。
【００６０】
【数９】
【００６１】
この先行購入確率（Ｐ（ダブルドット））２（１，２）は、以下の式（１０）で表される（Ｐ（ダブルドット））２の１行２列目の成分と同一である。
【００６２】
【数１０】
【００６３】
従って、数式（８）の右辺の括弧内の第２項目は、ユーザｎに対するユーザｍの先行度合いであって、ユーザを１人分、間に介した先行度合いの効果を表す項である。
また、数式（８）の右辺の括弧内の第Ｎ−１項目の意味するところを説明する。利用者ｍが対象利用者ｎに１人先行して購入した先行度合いの確率に基づく確率ｐ（ダブルドット）（ｍ，ｎ）を要素とする行列をＰ（ダブルドット）と表したとき、Ｐ（ダブルドット）Ｎ−１は、各利用者が対象利用者にＮ−１人（Ｎは自然数）先行して購入した各先行度合いの確率に基づく各確率を要素とする行列である。
図１に戻って、革新者確率算出部２４は、算出された他の利用者が対象利用者に先行してオブジェクトを購入した確率に基づく革新者確率を要素とする行列Ｐ（オーバーライン）をＰＩＰとして算出結果記憶部１２に記憶させる。
【００６４】
続いて、利用者遷移確率算出部２５は、以下の方法によりＵＦＰを算出する。ＵＦＰの目的は、ある特定のオブジェクトの購入の後に、別のオブジェクトを購入した消費者の数を推定するために、各オブジェクトに対して適切な重みづけをすることである。遷移確率ｐａｂを算出するために、オブジェクトａの購入後に、時刻ｔでオブジェクトｂを購入した消費者に関する関数が考慮される。この確率に応じて、そのオブジェクトが次に購入されるか予測されうる。
【００６５】
本発明の第１の実施形態では、マルコフ特性を満たし、状態空間という１つのセットから得られる値を取る連続時間マルコフ過程を用いたオブジェクト間の遷移確率が構築される。連続時間マルコフ過程は最も簡単には、遷移確率ｑｉｊを特定することによって定義される。このプロセスは、典型的には、マルコフ連鎖の遷移に関する全ての遷移確率行列Ｑのｉｊ成分として与えられる。
【００６６】
この確率が保存されるためには、遷移確率行列Ｑの非対角要素が負でなく、ジャンプ率と呼ばれる対角要素が以下の式（１１）を満たさなければならない。
【００６７】
【数１１】
【００６８】
ここで、ｑｉは、オブジェクトｉからの連鎖確率である。統計過程では、オブジェクトｉからオブジェクトｊに遷移する確率ｐｉｊは、オブジェクトｉに停留する時間とは独立であり、ｐｉｉ＝０とΣｐｉｊ＝１（但し、ｊ≠ｉ）を満たさなければならない。
従って、オブジェクトｉからオブジェクトｊに遷移する確率ｐｉｊは、以下の式（１２）で表される。
【００６９】
【数１２】
【００７０】
オブジェクトｉに停留する期間は遷移確率ｑｉを係数とする指数関数に従う。指数分布のランダム変数の特性から、ユーザｕがオブジェクトｉからオブジェクトｊの購入まで要した時間ｔｕ，ｉｊの平均であるＥ（ｔｉ）は、遷移確率ｑｉを用いて以下の式（１３）で表される。
【００７１】
【数１３】
【００７２】
利用者遷移確率算出部２５は、式（１３）により遷移確率ｑｉを算出した後に、以下の式（１４）により、オブジェクトｉからオブジェクトｊへ遷移する確率ｐｉｊを算出する。
【００７３】
【数１４】
【００７４】
式（１２）から遷移確率ｑｉｊは、以下の式（１５）で表される。
【００７５】
【数１５】
【００７６】
続いて、時刻ｔ＝ｔｆにおけるトレンドを予測するために、行列Ｕのｉｊ成分である期間［０，ｔｆ］におけるオブジェクトｉから他のオブジェクトへのユーザの遷移確率ｕ（ｊ｜ｉ，ｔｆ）を以下の式（１６）で表される。
【００７７】
【数１６】
【００７８】
ここで、Ｐ（ｔ）はｉｊ成分ｐｉｊである遷移行列を示している。形式的に、状態空間が有限だとすると、遷移確率は、式（１２）より以下の微分方程式（１７）で推定される。
【００７９】
【数１７】
【００８０】
ここで、Ｉは恒等行列である。上記微分方程式（１７）の解は、以下の式（１８）で表される。
【００８１】
【数１８】
【００８２】
続いて、ＱがＱ＝ＭＤＭ−１により対角化されるとすると、コルモゴロフの前進および行進方程式（Ｋｏｌｍｏｇｏｒｏｖ ｆｏｒｗａｒｄ ａｎｄ ｂａｃｋｗａｒｄ ｅｑｕａｔｉｏｎ）を満たす遷移行列関数Ｐ（ｔ）は、以下の式（１９）で表される。
【００８３】
【数１９】
【００８４】
Ｑが大きいため、テイラー近似を用いて、遷移行列関数Ｐ（ｔ）は以下の式（２０）で近似される。
【００８５】
【数２０】
【００８６】
最終的に、ＵＦＰはｕ（ｉｂ｜ｉａ，∞）から構成され、以下の式（２１）で表される。
【００８７】
【数２１】
【００８８】
従って、利用者遷移確率算出部２５は、上記式（２１）を用いて、ＵＦＰを算出する。そして、利用者遷移確率算出部２５は、算出されたＵＦＰを算出結果記憶部１２へ記憶させる。
【００８９】
図６は、算出結果記憶部１２に記憶されているＰＩＰとＵＦＰのデータが格納されたテーブルの一例を示した図である。図６（ａ）は、算出結果記憶部１２に記憶されているＰＩＰのデータが格納されたテーブル６１の一例を示した図である。同図において、テーブル６１において、対象ユーザのユーザｉｄと、他のユーザのユーザｉｄと、対象ユーザに対する他のユーザの個人的革命者確率ＰＩＰが対応付けられている。
【００９０】
図６（ｂ）は、算出結果記憶部１２に記憶されているＵＦＰのデータが格納されたテーブル６２の一例を示した図である。同図において、テーブル６２において、元のオブジェクトのオブジェクトｉｄと、次のオブジェクトｉｄと、元のオブジェクトから次のオブジェクトに遷移する確率ＵＦＰが対応付けられている。
【００９１】
図１に戻って、入力部３１から外部から入力された入力に基づいて、対象ユーザのユーザｉｄを推薦オブジェクト抽出部３２へ供給する。
推薦オブジェクト抽出部３２は、入力部３１から供給された対象ユーザのユーザｉｄに対応するＰＩＰとＵＦＰを算出結果記憶部１２から読み出す。そして、推薦オブジェクト抽出部３２は、読み出したＰＩＰとＵＦＰに基づいて、以下に示す方法により、対象ユーザのユーザｉｄに対応するＣＰＩ（Ｃｏｎｄｉｔｏｎａｌ Ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｔｈｅ Ｉｔｅｍ ｇｉｖｅｎ ｅａｃｈ ｕｓｅｒ：各ユーザがオブジェクトを購入する確率）を算出する。
【００９２】
式（１０）で算出されるＰＩＰと、式（２１）で算出されるＵＦＰを用いて、ユーザａ（ｕａ）がオブジェクトｂ（ｉｂ）を購入する確率ｐ（ｉｂ｜ｕａ）は以下の式（２２）で表される。
【００９３】
【数２２】
【００９４】
ここで、δ（ｉａ｜ｕｊ）はユーザｊがオブジェクトａ（ｉａ）を式（２２）の計算時点で購入していれば１であり、そうでなければ０である。
オブジェクトｂ（ｉｂ）を購入した個人的革新者のＰＩＰが高く、オブジェクトｉｂへのＵＦＰが高ければ、ユーザａ（ｕａ）がオブジェクトｂ（ｉｂ）を購入する確率ｐ（ｉｂ｜ｕａ）は、高くなる。
【００９５】
推薦オブジェクト抽出部４０は、全てのオブジェクトｉで確率ｐ（ｉ｜ｕａ）を算出する。そして、推薦オブジェクト抽出部４０は、確率ｐ（ｉ｜ｕａ）が高い順にＮ（トップＮと称す）個のオブジェクトを抽出する。
【００９６】
トップＮ個のオブジェクトを含むオブジェクトリストの中に、対象ユーザが購入したオブジェクトが含まれている場合、推薦オブジェクト抽出部４０は、そのオブジェクトをオブジェクトリストから削除し、削除されたオブジェクトを除くオブジェクトリストを表示部３３に表示させる。
【００９７】
なお、推薦オブジェクト抽出部４０は、トップＮ個のオブジェクトを抽出し、抽出したオブジェクトを含むオブジェクトリストを表示部３３に表示させたが、これに限らず、最も確率ｐ（ｉ｜ｕａ）が高いオブジェクトを抽出し、抽出したオブジェクトに対応するオブジェクトを表示部３３に表示させてもよい。
【００９８】
図８は、ＰＩＰの算出処理の流れを示したフローチャートである。まず、計算部２０は、ログを記憶部１０から読み出す（ステップＳ１０１）。次に、革新者確率算出部２４は、読み出したログに基づきＰＩＰを算出し、算出されたＰＩＰを算出結果記憶部１２に記憶させる（ステップＳ１０２）。次に、利用者遷移確率算出部２５は、読み出したログに基づきＵＦＰを算出し、算出されたＵＦＰを算出結果記憶部１２に記憶させる（ステップＳ１０３）。
【００９９】
次に、推薦オブジェクト抽出部４０は、入力部から供給された対象ユーザのユーザｉｄに対応するＰＩＰとＵＦＰとを算出結果記憶部１２から読み出す。そして、推薦オブジェクト抽出部４０は、読み出したＰＩＰとＵＦＰとに基づいて、ＣＰＩを算出する（ステップＳ１０４）。次に、推薦オブジェクト抽出部４０は、ＣＰＩが高い順にオブジェクトが並べられたオブジェクトリストを表示部３３に表示させる（ステップＳ１０５）。以上で、本フローチャートの処理を終了する。
【０１００】
続いて、図８は、ＰＩＰの算出処理の流れを示したフローチャートである。まず、先行度算出部２１は、ログ記憶部１１から読み出されたログから先行度情報ｒを算出し、革新者確率算出部２４へ供給する（ステップＳ２０１）。重要度算出部２２は、ログ記憶部１１から読み出されたログから重要度情報ｗを算出し、革新者確率算出部２４へ供給する（ステップＳ２０２）。人気度算出部２３は、ログ記憶部１１から読み出されたログから人気度情報ｉを算出し、革新者確率算出部２４へ供給する（ステップＳ２０３）。
【０１０１】
革新者確率算出部２４は、供給された先行度情報ｒと、重要度情報ｗと、人気度情報ｉとに基づいて、先行確率ＰＩＤを算出する（ステップＳ２０４）。革新者確率算出部２４は、算出された先行確率ＰＩＤに基づいて、ＰＩＰを算出し、算出結果記憶部１２に記憶させる（ステップＳ２０５）。以上で、本フローチャートの処理を終了する。
【０１０２】
＜本発明の効果＞
続いて、本発明が提案する手法の効果について立証するために行った実験結果について、説明する。
＜実験に用いたデータセットについて＞
本発明の第１の実施形態では、４つのデータセットについての実験結果について説明する。４つのデータセットうち２つは、日本でオンラインストアでの楽曲またはビデオのダウンロードサービスから得られた購入履歴である。３つ目は、協調フィルタリングのコンテストの評価データとして用いられる映画のレビュー履歴Ｎｅｔｆｌｉｘである。最後の１つは検索クエリーのログである。以下、それぞれのデータセットについて説明する。
【０１０３】
まず、オンラインストアの購入履歴の詳細は以下の通りである。楽曲ダウンロードの購入履歴は２００５年４月１日から２００６年７月３１日までであり、８４，６２０ユーザによって購入された４４，５２７オブジェクトを含む。
各購入履歴は、ユーザＩＤ、購入した曲のタイトル、アーティスト名、ＣＤアルバムのタイトル、購入日時および価格から構成されている。
【０１０４】
ビデオダウンロードの購入履歴は２００５年９月１日から２００６年２月２８日までであり、７，５３７ユーザによって購入された４，０６４オブジェクトを含む。
各購入履歴は、ユーザＩＤ、購入したビデオのタイトル、監督名、購入日時および価格から構成されている。
【０１０５】
これらのデータのたいていのオブジェクトは、新規に発売されたものであり、まずＣＤまたはビデオ（ＤＶＤ）として店頭でのリリースの直後にオンラインサイトで購入できるようになったものである。
【０１０６】
Ｎｅｔｆｌｉｘは、１９９９年１１月１１日から２００５年１２月３１日までに、４８０，１８９人のユーザによって評価された１７，７７０の映画に対する１００，４８０，５０７個の評価データである。少なくとも２０個の映画に対して評価を降したユーザが選択される。また、少なくとも１００人のユーザによって評価された映画が選択される。これによって、データセットのデータサイズが小さくなり、１３６，５８９人のユーザによって評価された９，２６４の映画に対する８５，７３０，２０３個の評価データとなる。
【０１０７】
各評価データは、映画タイトルＩＤ、ユーザＩＤ，評価、評価日時から構成されている。上記２つのオンラインストアでの購入履歴とは異なり、Ｎｅｔｆｌｉｘは、ユーザの映画に対する評価のログであり、そのデータは１から５までの５段階評価で表される。
本発明で提案する協調フィルタリングでは、ユーザの評価でなく購入を予測する。そこでＮｅｔｆｌｉｘのデータは次のように利用された。
【０１０８】
そのユーザの評価は、５段階の評価から０から１かのバイナリ値に変換された。すなわち、ユーザがあるオブジェクトを評価していた場合、その評価は１（購入を意味する）となり、それ以外は０（購入しないことを意味する）となる。Ｎｅｔｆｌｉｘ（ｏ）およびＮｅｔｆｌｉｘ（ｐ）は文献（N. Kawamae, H. Sakano, T. Yamada, Personalized recommendation based on the personal innovator degree. In ACM Recsys, pages 329-332, 2009）と同じ方法で算出されたものが用いられた。
【０１０９】
次に、検索クエリーは、２００６年４月１日から２００６年５月３１日までのサーチエンジンのログから作られたものである。このデータセットは、３５，３２５，８４２の負エリー履歴から構成されている。また各検索クエリーは、クエリーキーワードＩＤ、ユーザＩＤ，および履歴日時から構成されている。
【０１１０】
＜実験計画について＞
実験では、ユーザの過去の購入履歴から、どの楽曲、ビデオ、映画（クエリー）を将来そのユーザが購入する（検索する）か予測することを目的とする。推薦の予測精度を評価するために、データセットをランダムにＫ個のサブデータセットに分割し、Ｋ回クロス確認するシミュレーションが行われた。
【０１１１】
我々は、Ｋ個のサブデータセットの中で、モデルをテストするために、１つのサブデータセットを評価データとし、他のＫ−１個のサブデータセットをトレーニングデータとする。
このプロセスはＫ回繰り返され、各サブデータセットは１回のみ評価データとされた。各サブデータセットは２つの期間（学習期間、テスト期間）に分けられ、テスト期間中のサブデータセットをテストデータと称し、学習期間中のサブデータセットを学習データと称する。ここでは、Ｋは一例として、１０に設定された。
【０１１２】
オブジェクト推薦装置１は、Ｋ個に分割したうち１個のデータセットのテスト期間に含まれる全ユーザをそれぞれ対象ユーザとし、提案手法を用いて残りのＫ−１個のデータオブジェクトをランキングした。オブジェクト推薦装置１は、そのランキングに基づいて対象ユーザに対して上位Ｎ件のオブジェクトを提示した。
【０１１３】
そして、オブジェクト推薦装置１は、これら提示したオブジェクトが対象ユーザのテスト期間中の購入履歴に含まれる割合をトップＮの正確性として算出した。ここで、このトップＮの正確性は、協調フィルタリングの予測性能を評価するのに一般的に使われている指標である。
【０１１４】
ここでは、従来の９個の推薦方法に対してデータセットを適用し、トップＮ個（Ｎは１、５、または１０）の推薦の正確性が比較された。
図９は、楽曲、ビデオ、Ｎｅｔｆｌｉｘ、およびＱｕｅｒｙのデータセットを用いて、個人に特化された推薦のトップＮの正確性を各手法で比較したテーブルである。ｔ検定で他の全ての手法と比べてｐ＜０．０５、ｐ＜０．０１で顕著に異なる場合に、それぞれ“＊”、“＊＊”の印が付けられている。
【０１１５】
従来の推薦方法の１つであるＰｏｐｕｌａｒは、学習期間の最後の１ヶ月で最も人気のあるオブジェクトを推薦するので、推薦オブジェクトはユーザ毎に個別化されていない。
従来の推薦方法の１つであるＰｅａｒｓｏｎとＣｏｓｉｎｅは、それぞれピアソンの相関係数またはコサイン類似度によって計測されたユーザの類似度に基づいている。
【０１１６】
一方、Ｉｔｅｍは、文献（J. K. B. Sarwa, G. Karypis and J. Riedl. Item-based collaborative filtering recommendation algorithms. In WWW, pages 285-295, 2001.）で提案されたピアソンの相関係数によって計測された内容類似度に基づいている。
ｂＰＬＳＡは、ベルヌーイ分布を用いたＰＬＳＡ（Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｌａｔｅｎｔ Ｓｅｍａｎｔｉｃ Ａｎａｌｙｓｉｓ：確率潜在意味解析）（T. Hofmann. Collaborative filtering via Gaussian probabilistic latent semantic analysis. In ACM SIGIR, pages 259-266, 2003）に基づいている。
【０１１７】
ＭＥＡは、文献（D. Pavlov and D. Pennock. A maximum entropy approach to collaborative filtering in dynamic, sparse, high-dimensional domains. In NIPS, pages 1441-1448, 2002）で提案されたＭａｘｌｉｍｕｍ Ｅｎｔｒｏｐｙ Ａｐｐｒｏａｃｈ（最大エントロピー法）である。
【０１１８】
ＩＦＤは、文献（Y. Hu, Y. Koren, and C. Volinsky. Collaborative filtering for implicit feedback datasets. In ICDM,pages 263-272, 2008.）で提案された潜在フィードバックデータセットのための協調フィルタリングである。
ＥＡＢＩＦは、文献（X. Song, C. Lin, B. Tseng, and M. Sun. Personalized recommendation driven by information flow. In ACM SIGIR, pages 509-516, 2006.）で提案されたＥａｒｌｙ Ａｄｏｐｔｉｏｎ Ｂａｓｅｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｆｌｏｗ（ＥＡＢＩＦ）方法である。
【０１１９】
ＰＩＤは、式（４）で算出されるＰＩＤである。ＰＩＰは、式（８）で算出されるＰＩＰである。ＰＩＰ＋ＵＦＰは、本発明が提案する方法である。本実施形態では、式（７）におけるαは１に設定され、式（８）におけるβは１に、Ｎは５に設定されている。
【０１２０】
図９において、データセットが楽曲、ビデオ、Ｎｅｔｆｌｉｘ（ｈ）またはＮｅｔｆｌｉｘ（ｐ）のときに、本発明が提案するＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、トップ１０の推薦オブジェクトの正確性が高い。
すなわち、ＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、高い精度で将来ユーザが購入するオブジェクトを推定していることを示している。
【０１２１】
この結果は、データセットに含まれるオブジェクトが高価なオブジェクトから構成されているという特徴によって説明しうる。すなわち、各ユーザはこれらの高価なオブジェクトを購入する際には、必要性からというよりはむしろ嗜好によって動機付けられて購入しているからだと考えられる。
【０１２２】
ＰＩＰ＋ＵＦＰは、より最近に購入したオブジェクトに対して重みを大きくするようにする時間減衰因子を用いて、同じ好みを持ったユーザ毎に区別する。また、ＰＩＰ＋ＵＦＰは、オブジェクトの流行をオブジェクトランキングに導入する。その結果、本発明が提案する方法であるＰＩＰ＋ＵＦＰは、ユーザの最新の嗜好にマッチするオブジェクトを上位にランキングするので、オブジェクト推薦の正確性の性能が向上している。
【０１２３】
図１０は、楽曲、ビデオおよびＮｅｔｆｌｉｘ、およびＱｕｅｒｙのデータセットを用いて、ＵＣ，ＩＣ、Ｇｉｎｉ係数、ＡＥ係数、およびＡＤ係数を各手法で比較したテーブルである。ｔ検定で他の全ての手法と比べてｐ＜０．０５、ｐ＜０．０１で顕著に異なる場合に、それぞれ“＊”、“＊＊”の印が付けられている。
【０１２４】
同図において、上記のトップＮ個の正確性に加えて、２つの被覆率（ＩＣ、ＵＣ）、すなわちＧｉｎｉ係数、オブジェクトのリリースからの平均時間（ＡＥ）または予測購入時間の平均（ＡＤ）を用いて、上記の各手法の性能が評価されている。
【０１２５】
続いて、それぞれの指標について詳細に説明する。まず、ＵＣ（Ｕｓｅｒ Ｃｏｖｅｒａｇｅ：推薦ユーザの被覆率）は、テスト期間にオブジェクトを購入したユーザ数に対する各推薦方法が推薦可能なユーザ数の割合である。ＵＣが高いほど、多くのユーザにオブジェクトを推薦できるので、ユーザ全体にとって価値が高いシステムである。
【０１２６】
一方、ＩＣ（Ｉｔｅｍ Ｃｏｖｅｒａｇｅ：推薦オブジェクトの被覆率）は、テスト期間に購入されたオブジェクトのタイトル数に対する各推薦方法が推薦可能なタイトル数の割合である。ＩＣは、システムが推薦できるシステム中のオブジェクトドメインの大きさを示す１つの指標である。従って、ＩＣが低いシステムは、ごく限られた選択オブジェクトしか提示できないから、ユーザにとって価値が低いシステムである。
【０１２７】
Ｇｉｎｉ係数は、オブジェクトに対するユーザの購入者数の分布の統計的分散を示す指標である。図１１は、Ｇｉｎｉ係数の算出方法を説明するための図である。Ｇｉｎｉ係数ｇは、４５度線７１と横軸７３と縦軸７４とで囲まれた面積（Ａ＋Ｂ）に対する４５度線７１とローレンツ曲線（Ｌｏｒｅｎｚ ｃｕｒｖｅ）７２で囲まれた面積Ａの割合であり、数式ではｇ＝Ａ／（Ａ＋Ｂ）と表される。Ｇｉｎｉ係数は、０から１の値をとり、値が０に近いほどオブジェクトごとの購入ユーザ数の格差が少なく、１に近いほど格差が大きいことを意味する。
【０１２８】
Ｇｉｎｉ係数が０の場合、分布が完全に平等、すなわち全てのオブジェクトが正確に同じ数のユーザによって購入されている。一方、Ｇｉｎｉ係数が１の場合、分布が完全に不平等、すなわち１つのオブジェクトがすべてのユーザによって購入され、他のオブジェクトは、どのユーザにも購入されてない。
【０１２９】
高いＧｉｎｉ係数となる結果は、２、３個の特定のオブジェクトがたいていのユーザによって高くランク付けされている傾向にあることを意味し、特定のオブジェクトばかりが推薦される傾向が強く、ユーザ毎の推薦オブジェクトの違いは小さくなる。すなわち、オブジェクト推薦は、ユーザ毎に特化されていないことを意味する。一方、Ｇｉｎｉ係数が０に近いほど、オブジェクトの推薦がユーザ毎に特化し、オブジェクト推薦がうまく行われていることを意味する。
【０１３０】
ＡＥ（Ａｖｅｒａｇｅ Ｅｌａｐｓｅｄ ｔｉｍｅ）は、オブジェクトがリリースから購入されるまでの経過時間の平均である。この値が小さければそれだけオブジェクトの新規性が高くなる。
ＡＤ（Ａｖｅｒａｇｅ Ｄｉｆｆｅｒｎｅｃｅ ｔｉｍｅ）は、テスト期間の開始時刻とオブジェクト購入の時刻の差の平均である。この値が大きければ、それだけ気が付き難いオブジェクトになる。
【０１３１】
図１０において、データセットが楽曲、ビデオ、Ｎｅｔｆｌｉｘ（ｐ）のときに、本発明が提案するＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、ＩＣが高く、Ｇｉｎｉ係数が低く、ＡＥが短く、ＡＤが長い。
すなわち、ＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、多くのオブジェクトを推薦でき、かつオブジェクトの推薦がユーザ毎に特化し、かつ新規性が高いオブジェクトを推薦し、かつ気が付き難いオブジェクトを推薦していることを示している。
【０１３２】
また、データセットがＮｅｔｆｌｉｘ（ｈ）のときに、本発明が提案するＰＩＰ＋ＵＦＰは、本発明が提案するＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、ＩＣが高く、Ｇｉｎｉ係数が低く、ＡＥが短い。
すなわち、ＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、多くのオブジェクトを推薦でき、かつオブジェクトの推薦がユーザ毎に特化し、かつ新規性が高いオブジェクトを推薦していることを示している。
【０１３３】
また、データセットがＱｕｅｒｙのときに、本発明が提案するＰＩＰ＋ＵＦＰは、本発明が提案するＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、Ｇｉｎｉ係数が低く、ＡＥが短く、ＡＤが長い。
すなわち、ＰＩＰ＋ＵＦＰは、他の全ての手法に比べて、オブジェクトの推薦がユーザ毎に特化し、かつ新規性が高いオブジェクトを推薦し、かつ気が付き難いオブジェクトを推薦していることを示している。
【０１３４】
図１０の結果から、本発明で提案するＰＩＰ＋ＵＦＰを用いた場合、最も高いＵＣおよびＩＣとなり、Ｇｉｎｉ係数が最も低くなり（０に近くなり）、ＡＤが最も長くなる。一方、図９の結果から、本発明で提案するＰＩＰ＋ＵＦＰを用いた場合のあっても、トップＮ個の推薦の正確性は、顕著な改良がなされない。この結果から、本発明で提案するＰＩＰ＋ＵＦＰは、他の手法と比べて、様々な異なるオブジェクトを、オブジェクト毎にあまりバイアスをかけずにランクづけし、推薦する。
【０１３５】
事実、ユーザの嗜好動態およびユーザ間の関係性を考慮しない従来の手法では、ＩＣが低く、Ｇｉｎｉ係数が高い。それらの従来の手法では、オブジェクトをリリース直後に購入する人と同様に、後にそのオブジェクトを購入する人を嗜好の似たユーザとして扱い、それらのユーザのログを使用するので、概して人気があって、些細なオブジェクトを高くランク付けする。
【０１３６】
推薦ユーザの被覆率（ＵＣ）に関しては、ユーザ間の関係の動態を考慮した従来の手法は、他の手法に比べてかすかに低い値を取る。本発明で提案するＰＩＰ＋ＵＦＰは、たいていのユーザによってこれまで購入されていないオブジェクトを、ユーザにとって目新しいオブジェクトとして推薦することができる。
【０１３７】
以上により、本発明の第１の実施形態におけるオブジェクト推薦装置１は、ユーザ毎に特化し、かつ新規性が高いオブジェクトを推薦し、かつ気が付き難いオブジェクトを推薦することができる。
【０１３８】
＜第２の実施形態＞
次に、本発明の第２の実施形態を説明する。図１２は、本発明の第２の実施形態におけるオブジェクト推薦システムの機能ブロック図である。なお、図１と共通する要素には同一の符号を付し、その具体的な説明を省略する。
オブジェクト推薦システム１０１は、記憶装置１１０と、計算装置１２０と、端末装置１３０と、推薦オブジェクト抽出装置１４０とを備える。
【０１３９】
記憶装置１１０は、ログ記憶部１１と、算出結果記憶部１２とを備える。また、計算装置１２０は、先行度算出部２１と、重要度算出部２２と、人気度算出部２３と、革新者確率算出部２４と、利用者遷移確率算出部２５とを備える。
【０１４０】
端末装置１３０は、入力部３１と、表示部３３とを備える。入力部３１は、外部から供給された入力信号に基づいて、ユーザｉｄを示す情報を推薦オブジェクト抽出装置１４０へ供給する。
【０１４１】
推薦オブジェクト抽出装置１４０は、入力部３１から供給されたユーザｉｄに対応するＰＩＰとＵＦＰとを、算出結果記憶部１２から読み出す。そして、推薦オブジェクト抽出装置１４０は、読み出したＰＩＰとＵＦＰとに基づいて、上記の方法によりＣＰＩを算出する。そして、推薦オブジェクト抽出装置１４０は、ＣＰＩが高い順にＮ個（Ｎは１以上の整数）のオブジェクトを表示部３３に表示させる。処理の流れは、第１の実施形態と同じであるので、省略する。
【０１４２】
以上により、本発明の第２の実施形態におけるオブジェクト推薦システム１０１は、ユーザ毎に特化し、かつ新規性が高いオブジェクトを推薦し、かつ気が付き難いオブジェクトを推薦することができる。
【０１４３】
なお、本発明の第１の実施形態または第２の実施形態では、ユーザの行動としてオブジェクトを購入する場合について説明したが、これに限らず、ユーザが表示部３３に表されたオブジェクト（例えば、記事）を閲覧する場合についても、本発明を適用することができる。すなわち、本発明は、ユーザがオブジェクトを閲覧した閲覧履歴に基づいて、そのユーザにとって気づきにくく目新しいオブジェクトを推薦する装置およびシステムにも適用することができる。
【０１４４】
上記の点に鑑みると、本発明は、利用者がオブジェクトを購入するときに限定されるものではなく、利用者がオブジェクトに対して所定の行動（例えば、記事の閲覧、画像の選択等）をするときにも適用可能である。
また、本発明において、上記オブジェクトはデジタル化された音楽、電子書籍、動画等に限られず、上記オブジェクトにはデジタル化されていない本、家具等も含まれる。
【０１４５】
なお、本発明の第１の実施形態であるオブジェクト推薦装置１の一部、例えば、計算部２０または推薦オブジェクト抽出部４０をコンピュータで実現するようにしてもよい。この場合、その機能を実現するためのオブジェクト検出プログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたオブジェクト推薦プログラムをコンピュータステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）や周辺機器のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、光ディスク、メモリカード等の可搬型記録媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバーやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定期間プログラムを保持するものを含んでもよい。また上記のプログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせにより実現するものであってもよい。
【０１４６】
以上、本発明の実施形態について図面を参照して詳述したが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
【符号の説明】
【０１４７】
１ オブジェクト推薦装置
１０ 記憶部
１１ ログ記憶部
１２ 算出結果記憶部
２０ 計算部
２１ 先行度算出部
２２ 重要度算出部
２３ 人気度算出部
２４ 革新者確率算出部
２５ 利用者遷移確率算出部
３１ 入力部
３３ 表示部
４０ 推薦オブジェクト抽出部
１０１ オブジェクト推薦システム
１１０ 記憶装置
１２０ 計算装置
１３０ 端末装置
１４０ 推薦オブジェクト抽出装置
【特許請求の範囲】
【請求項１】
対象利用者にオブジェクトを推薦するオブジェクト推薦装置であって、
前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する人気度算出部と、
前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する先行度算出部と
前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する重要度算出部と、
前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する革新者確率算出部と、
前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出部と、
を備えることを特徴とするオブジェクト推薦装置。
【請求項２】
各利用者が所定のオブジェクトに前記行動をした後、別のオブジェクトに前記行動をするまで要した時間に基づいて、前記所定のオブジェクトに前記行動をした後に前記別のオブジェクトに前記行動をする確率を利用者遷移確率として算出する利用者遷移確率算出部を更に備え、
前記推薦オブジェクト抽出部は、前記革新者確率と前記利用者遷移確率とに基づいて、対象利用者へ推薦するオブジェクトを抽出することを特徴とする請求項１に記載のオブジェクト推薦装置。
【請求項３】
前記先行度算出部は、前記対象利用者が前記オブジェクトに所定の行動をした時刻と、他の利用者が前記オブジェクトに前記行動をした時刻と、前記オブジェクトが公開された時刻とに基づいて、前記先行度情報を算出することを特徴とする請求項１または請求項２に記載のオブジェクト推薦装置。
【請求項４】
前記革新者確率算出部は、各利用者が前記対象利用者にＮ人（Ｎは自然数）先行して前記行動をした各先行度合いの確率に基づく各確率に基づいて、前記革新者確率を算出することを特徴とする請求項１から請求項３のいずれかに記載のオブジェクト推薦装置。
【請求項５】
前記革新者確率算出部は、前記各利用者が前記対象利用者に１人先行して前記行動をした各先行度合いの確率に基づく各確率を要素とする行列をＰと表したとき、ＰＮに基づいて前記革新者確率を算出することを特徴とする請求項４に記載のオブジェクト推薦装置。
【請求項６】
人気度算出部と、先行度算出部と、重要度算出部と、推薦オブジェクト抽出部とを備え、対象利用者にオブジェクトを推薦するオブジェクト推薦装置が実行するオブジェクト推薦方法であって、
前記人気度算出部が、前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する人気度算出手順と、
前記先行度算出部が、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する先行度算出手順と、
前記重要度算出部が、前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する重要度算出手順と、
前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する革新者確率算出手順と、
前記推薦オブジェクト抽出部が、前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出手順と、
を有することを特徴とするオブジェクト推薦方法。
【請求項７】
対象利用者にオブジェクトを推薦するオブジェクト推薦装置としてのコンピュータに、
前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する第１のステップと、
前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する第２のステップと、
前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する第３のステップと、
前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する第４のステップと、
前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する第５のステップと、
を実行させるためのオブジェクト推薦プログラム。
【請求項８】
対象利用者にオブジェクトを推薦するオブジェクト推薦システムであって、
前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する人気度算出部と、
前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する先行度算出部と、
前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する重要度算出部と、
前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する革新者確率算出部と、
を備える計算装置と、
前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出装置と、
を備えることを特徴とするオブジェクト推薦システム。
【請求項１】
対象利用者にオブジェクトを推薦するオブジェクト推薦装置であって、
前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する人気度算出部と、
前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する先行度算出部と
前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する重要度算出部と、
前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する革新者確率算出部と、
前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出部と、
を備えることを特徴とするオブジェクト推薦装置。
【請求項２】
各利用者が所定のオブジェクトに前記行動をした後、別のオブジェクトに前記行動をするまで要した時間に基づいて、前記所定のオブジェクトに前記行動をした後に前記別のオブジェクトに前記行動をする確率を利用者遷移確率として算出する利用者遷移確率算出部を更に備え、
前記推薦オブジェクト抽出部は、前記革新者確率と前記利用者遷移確率とに基づいて、対象利用者へ推薦するオブジェクトを抽出することを特徴とする請求項１に記載のオブジェクト推薦装置。
【請求項３】
前記先行度算出部は、前記対象利用者が前記オブジェクトに所定の行動をした時刻と、他の利用者が前記オブジェクトに前記行動をした時刻と、前記オブジェクトが公開された時刻とに基づいて、前記先行度情報を算出することを特徴とする請求項１または請求項２に記載のオブジェクト推薦装置。
【請求項４】
前記革新者確率算出部は、各利用者が前記対象利用者にＮ人（Ｎは自然数）先行して前記行動をした各先行度合いの確率に基づく各確率に基づいて、前記革新者確率を算出することを特徴とする請求項１から請求項３のいずれかに記載のオブジェクト推薦装置。
【請求項５】
前記革新者確率算出部は、前記各利用者が前記対象利用者に１人先行して前記行動をした各先行度合いの確率に基づく各確率を要素とする行列をＰと表したとき、ＰＮに基づいて前記革新者確率を算出することを特徴とする請求項４に記載のオブジェクト推薦装置。
【請求項６】
人気度算出部と、先行度算出部と、重要度算出部と、推薦オブジェクト抽出部とを備え、対象利用者にオブジェクトを推薦するオブジェクト推薦装置が実行するオブジェクト推薦方法であって、
前記人気度算出部が、前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する人気度算出手順と、
前記先行度算出部が、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する先行度算出手順と、
前記重要度算出部が、前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する重要度算出手順と、
前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する革新者確率算出手順と、
前記推薦オブジェクト抽出部が、前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出手順と、
を有することを特徴とするオブジェクト推薦方法。
【請求項７】
対象利用者にオブジェクトを推薦するオブジェクト推薦装置としてのコンピュータに、
前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する第１のステップと、
前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する第２のステップと、
前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する第３のステップと、
前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する第４のステップと、
前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する第５のステップと、
を実行させるためのオブジェクト推薦プログラム。
【請求項８】
対象利用者にオブジェクトを推薦するオブジェクト推薦システムであって、
前記オブジェクトに対して所定の行動をした他の利用者数が多いほど小さい値を取るように、前記オブジェクトの人気度を示す人気度情報を算出する人気度算出部と、
前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした度合いを示す先行度情報を算出する先行度算出部と、
前記対象利用者が前記オブジェクトに前記行動をしてから経過した時間に基づいて、前記対象利用者にとっての前記オブジェクトの重要度を示す重要度情報を算出する重要度算出部と、
前記人気度情報と前記先行度情報と前記重要度情報とに基づいて、前記他の利用者が前記対象利用者に先行して前記オブジェクトに前記行動をした確率に基づく革新者確率を算出する革新者確率算出部と、
を備える計算装置と、
前記革新者確率に基づいて、対象利用者へ推薦するオブジェクトを抽出する推薦オブジェクト抽出装置と、
を備えることを特徴とするオブジェクト推薦システム。
【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２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【公開番号】特開２０１２−２２５７０（Ｐ２０１２−２２５７０Ａ）
【公開日】平成２４年２月２日（２０１２．２．２）
【国際特許分類】
【出願番号】特願２０１０−１６０８５４（Ｐ２０１０−１６０８５４）
【出願日】平成２２年７月１５日（２０１０．７．１５）
【出願人】（３９７０６５４８０）エヌ・ティ・ティ・コムウェア株式会社 (187)
【Ｆターム（参考）】
【公開日】平成２４年２月２日（２０１２．２．２）
【国際特許分類】
【出願日】平成２２年７月１５日（２０１０．７．１５）
【出願人】（３９７０６５４８０）エヌ・ティ・ティ・コムウェア株式会社 (187)
【Ｆターム（参考）】
[ Back to top ]