コンテンツ推薦装置及び方法及びプログラム
【課題】 その時のユーザの興味に沿って、かつ、トレンドにも沿ったアイテム(コンテンツ)をパーソナライズして推薦する。
【解決手段】 本発明は、時刻が付与された消費履歴からユーザのコンンテンツの消費回数を、一定時間間隔で区切りベクトルで表現し、コンテンツのクラス別にベクトルの和を求めクラス別ユーザ別のベクトルを生成し、被推薦ユーザの直近のベクトルと他のユーザの時間長が同じ過去の一部のベクトルとを取得し、該推薦ユーザのベクトルのパターンと該他のユーザのベクトルのパターンの類似度を求め、ユーザの持つパターンの類似度と、該パターンに存在するコンテンツを用いて推薦するコンテンツを決定する。
【解決手段】 本発明は、時刻が付与された消費履歴からユーザのコンンテンツの消費回数を、一定時間間隔で区切りベクトルで表現し、コンテンツのクラス別にベクトルの和を求めクラス別ユーザ別のベクトルを生成し、被推薦ユーザの直近のベクトルと他のユーザの時間長が同じ過去の一部のベクトルとを取得し、該推薦ユーザのベクトルのパターンと該他のユーザのベクトルのパターンの類似度を求め、ユーザの持つパターンの類似度と、該パターンに存在するコンテンツを用いて推薦するコンテンツを決定する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、コンテンツ推薦装置及び方法及びプログラムに係り、特に、時系列を考慮し、ユーザの興味の持つ商品（コンテンツ）やコンテンツの所属するクラスの変化を捉え、その時に合った商品を推薦するためのコンテンツ推薦装置及び方法及びプログラムに関する。
【背景技術】
【０００２】
Webネットワーク上において、ユーザによる対象の意味や概念に対する参照要求が大きくなるにつれ、WikiPedia（登録商標）などの体系化された辞書が普及するようになってきている。また、こうしたユーザの要求を人手ではなく、人の変わりにサービスが処理し、ユーザにカスタマイズして提示可能とするため、機械処理可能な概念参照API(Application Program Interface)が急速に普及しており、DBPedia（登録商標）、Word-Net（登録商標）、FreeBasse(登録商標)など様々な情報プロバイダが、自身の持つ情報を体系化し、APIを通じ安価でかつ無料で提示するようになって着ている（例えば、非特許文献1参照）。
【０００３】
一方、ユーザの興味のある概念を推測し、ユーザに代わりに情報を収集提示するような推薦システムも必要とされ、研究されてきた。こうした研究と上記多様なAPIを組み合わせれば、より広範囲にユーザの興味を推定できる。しかし、現状の技術には2点大きな問題がある。
【０００４】
（１）多様な興味を取り扱うほど、時間軸に応じた興味の変化は激しいと考えられるが、そうした変換に対応していない。
【０００５】
（２）概念体系は頻繁にメンテナンスされる。例えば、映像の体系は、サービスの深化とともに深堀りされたり、新たなグループが人気を博すと、そのグループの体系ができたりし、それに併せ体系も深化する。そうした概念体系（タクソノミ）の変動を考慮していない。
【０００６】
本発明では、（１）の問題について取り組む。
【０００７】
興味推定を行う技術を以下に示す。
【０００８】
まず、タクソノミに基づく興味推定について説明する。
【０００９】
ユーザの興味の変動を取り扱っておらず、例え２年前の履歴であっても、最近の履歴と等価に扱っている。特に、クラスのような抽象的な情報でユーザ興味を管理すると、時系列が長くなると、非常に多くのクラスにユーザが興味を持つと見做されるようになりやすくなる（例えば、非特許文献２参照）。
【００１０】
次に、ユーザの興味の変動を、特定のtime windowで図りwindowから漏れた消費履歴を使用しないのではなく、全消費履歴を用いる。アイテムに対するユーザの評点の平均値が日時によって、辛めであったり、甘めであったりするという特性を考慮したモデルを構築しており、Matrix Factorizationとk-nearest users/itemsの２通りの手法に適用しており、従来のＭＦ，ＫＮ両方の手法の精度を改善している（例えば、非特許文献３参照）。
【先行技術文献】
【非特許文献】
【００１１】
【非特許文献１】Linked Open Data Project (http://linkeddata.org/).
【非特許文献２】Makoto Nakatsuji, Yasuhiro Fujiwara, Akimichi Tanaka, Tosho Uchiyama, Ko Fujimura, Toru Ishida, "Classical Music for Rock Fan",The 19th ACM international conference on Information and knowledge management.
【非特許文献３】Collaborative Filtering Temporal Dynamics, Yehuda Koren著
【発明の概要】
【発明が解決しようとする課題】
【００１２】
しかしながら、非特許文献２の手法では、図１に示すように、多くのクラスで他のユーザと類似することとなり、精度が落ちる場合がある。一方、図２に示すように最近の履歴のみでは、履歴がスパースになりすぎ、精度が悪くなるという問題もある。
【００１３】
また、非特許文献３の手法では、興味を持つアイテムやジャンルの変動そのものは明確に扱っていない。さらに、評点のみを対象とした手法であるため、購買履歴には向かない。
【００１４】
本発明は、上記の点に鑑みなされたもので、その時のユーザの興味に沿って、かつ、トレンドにも沿ったアイテム(コンテンツ)をパーソナライズして推薦することが可能なコンテンツ推薦装置及び方法及びプログラムを提供することを目的とする。
【課題を解決するための手段】
【００１５】
上記の課題を解決するため、本発明（請求項１）は、ユーザが興味を持つコンテンツをその時に応じて推薦するコンテンツ推薦装置であって、
ユーザのコンテンツに対する評価値と評価した時間情報を持つユーザのコンテンツの消費履歴を格納した消費履歴記憶手段と、
前記消費履歴記憶手段の前記消費履歴と情報源から得られるコンテンツのタクソノミを入力として、該消費履歴の時間情報を時刻に変換して該消費履歴に付与する時刻付与手段と、
時刻が付与された消費履歴からユーザの興味を抽出し、データ構造化してユーザ興味記憶手段に格納するユーザ興味構築手段と、
前記ユーザ興味記憶手段のデータ構造化されたユーザの興味から、被推薦ユーザと類似する他ユーザの消費動向のパターンを抽出し、類似度記憶手段に格納する類似パターン抽出手段と、
前記類似度記憶手段の類似パターン内でのコンテンツの生起頻度に基づいてユーザへ推薦するコンテンツを決定する予測値計測手段と、を有する。
【００１６】
また、本発明（請求項２）は、前記ユーザ興味構築手段において、
前記時刻が付与された消費履歴からユーザのコンンテンツの消費回数を、一定時間間隔で区切りベクトルで表現し、コンテンツのクラス別にベクトルの和を求めクラス別ユーザ別のベクトルを生成し、前記ユーザ興味記憶手段に格納する手段を含み、
前記類似パターン抽出手段において、
前記ユーザ興味記憶手段から被推薦ユーザの直近のベクトルと他のユーザの時間長が同じ過去の一部のベクトルとを取得し、該推薦ユーザのベクトルのパターンと該他のユーザのベクトルのパターンの類似度を求め、前記類似度記憶手段に格納する手段を含み、
前記予測値計測手段において、
前記類似度記憶手段のユーザの持つパターンの類似度と、該パターンに存在するコンテンツを用いて推薦するコンテンツを決定する手段を含む。
【発明の効果】
【００１７】
本発明によれば、被推薦ユーザの直近の履歴が過去の履歴に類似するユーザのコンテンツを推薦することにより、その時の興味に沿って、かつトレンドにも沿ったアイテムを、パーソナライズして推薦可能となる。クラス情報も踏まえているため、推薦根拠も持ちうる。
【図面の簡単な説明】
【００１８】
【図１】従来の問題点（itemのみではスパースでユーザ間の関係を測れない)を示す図である。
【図２】従来の問題点（ｔ近傍のみで類似ログがスパース)を示す図である。
【図３】本発明の特徴(過去のログでも類似するパターンを探す)を示す図である。
【図４】本発明の一実施の形態におけるコンテンツ推薦装置の構成図である。
【図５】本発明の一実施の形態におけるコンテンツ推薦装置の処理のフローチャートである。
【発明を実施するための形態】
【００１９】
まず、本発明のベースとなる技術について説明する。
【００２０】
従来の協調フィルタリングにおいて、ユーザ間の類似度を計測する際には、Cosineベースアプローチ（Breese， Heckerman， & Kadie 1998， Sarwar， Karypis， Konstan, & Ridel 2001）とPearson correlationアプローチ（Resnick，Iacovou， & Suchak 1994， Shardanand & Maes 1995）を用いることが多い。Cosineベースアプローチにおいては、アクティブユーザａとあるユーザｕの間の類似度S(ａ,ｕ)は、ａとｕの評価ベクトルのCosine角度を計算することで求められる。形式的には、両方のユーザが評価を与えているアイテム数をＭとし、ユーザｕのアイテムIｉに対する評価値を
【００２１】
【数１】
とすると、類似度Ｓ（ａ，ｕ）は以下の式(１)で与えられる。
【００２２】
【数２】
一方、Pearson correlationアプローチでは、ユーザ間の類似度の計測において、ユーザの評価スキームはユーザ毎に異なるという考え方を採用しており、以下の式(2)で表される。
【００２３】
【数３】
ここで、
【００２４】
【数４】
は、ユーザｕのアイテムへの評価値の平均値を示す。
【００２５】
CosineベースアプローチもPearson correlationアプローチも、両方のユーザａとｕが評価を与えたアイテムのみに焦点を絞り計算を行っている点に注意が必要である。
【００２６】
最終的にＮをアクティブユーザａと類似度の高いユーザの数とすると、ａのアイテムIiに対する予測値
【００２７】
【数５】
は、以下の式（3）で与えられる。
【００２８】
【数６】
以下図面と共に、本発明の実施の形態を説明する。
【００２９】
本発明では、以下の２つのポイントが要旨である。
【００３０】
（１）アイテムレベルではスパース過ぎて見えてこないユーザの興味変動がクラスレベルで抽象的に見るとは見えてくるという考え方に基づく。これは、クラスはアイテムを集約するためスパースなアイテムの情報をクラスで見ると密に観測できる。例えば、rock配下のアイテムi1，i2，i3とあって、それぞれ１回ずつ購入されていても、クラスで見ると３回購入されたと見做せるということである。被推薦ユーザ（ａ）の最近の消費の変動をクラス（概念）レベルで把握し、最近の消費の変動の傾向が類似するユーザを計算する。そして類似するユーザが最近購入したアイテムを推薦する。
【００３１】
（２）現時刻から見て最近の消費行動が似ているのみであると、ログがスパースになりすぎ、精度が落ちる(図２)。つまり、最近の消費の変動がユーザａと近い最近のログのみでは、ログがスパースになりすぎ、精度が劣化するため、本発明では、図３に示すように、過去の消費の変動がユーザａと近いユーザの過去のログパターンも推薦を計算する際に利用し、現在のユーザａに対する推薦アイテムを精度よく計算する。
【００３２】
図１は、本発明の一実施の形態におけるコンテンツ推薦装置の構成を示す。
【００３３】
同図に示すコンテンツ推薦装置は、消費履歴ＤＢ１、ユーザ興味記憶部２、類似度記憶部３、時刻情報付与部１０、ユーザ興味構築部２０、類似パターン抽出部３０、予測値計算部４０から構成される。
【００３４】
なお、消費履歴ＤＢ１、ユーザ興味記憶部２、類似度記憶部３は、ハードディスク等の記憶媒体である。
【００３５】
消費履歴ＤＢ１は、ユーザのコンテンツに対する評価値として評価した時間情報を持つユーザの消費履歴（ログ）を格納したものであり、ユーザ興味記憶部２はユーザ興味構築部２０で、類似度記憶部３は、類似パターン抽出部３０で算出されたデータを格納する。
【００３６】
時刻情報付与部１０は、消費履歴ＤＢ１の情報とWikiPedia（登録商標）などの情報源から得られるコンテンツのクラス階層構造であるタクソノミを入力として、コンテンツの消費履歴の時間情報を時刻に変換し、履歴情報に付与し、ユーザ興味構築部２０に出力する。
【００３７】
ユーザ興味構築部２０は、ユーザの興味（履歴情報）をデータ構造として構築し、ユーザ興味記憶部２に格納する。
【００３８】
類似パターン抽出部３０は、データ構造化されたユーザの興味を入力とし、他ユーザの消費動向の類似パターンを抽出し、類似度記憶部３に格納する。
【００３９】
予測値計算部４０は、類似度記憶部３の類似パターンの中でコンテンツの生起頻度に基づいて、ユーザに提示するコンテンツを推薦する。
【００４０】
以下に、上記の構成におけるコンテンツ推薦装置の動作を説明する。
【００４１】
図２は、本発明の一実施の形態におけるコンテンツ推薦装置の処理のフローチャートである。
【００４２】
ステップ１） 時刻情報付与部１０は、消費履歴ＤＢ１から履歴情報を読み込み、タクソノミに基づいて時刻情報を付与する。本発明では、ユーザがアイテム（音楽などのマルチメディアコンテンツ、Webページなど）を消費した時間を、一定期間毎に分離し、離散した時刻として扱う。具体的には、履歴情報中に記載されている時間情報に対し、履歴情報上での最初の時間をＳとし、期間を表す値をＤとすると、各時刻t(i)は、Ｓ＋Ｄ×ｉからＳ＋Ｄ×(ｉ+1)までの時間を取り扱う。
【００４３】
ステップ２） ユーザ興味構築部２０は、ステップ１で時刻情報が付与された履歴情報をデータ構造化する。
【００４４】
１）ユーザｕのある時刻ｔにおける消費アイテムは、Ｓ＋Ｄ×ｔからS＋Ｄ×（ｔ＋１）の間にユーザｕが消費したアイテムを指す。その期間に消費したアイテムであれば、順序を考慮せず、ユーザｕが時刻ｔに消費したアイテム集合として管理する。
【００４５】
２）ユーザｕが消費したアイテムｉ毎にベクトルｖu,iを形成する。当該ベクトルの列は、時刻を示し、その列内の要素は、各時刻におけるアイテムｉの消費頻度が格納される。
【００４６】
３）ユーザｕが消費をしたアイテムが所属するクラスｃ毎にベクトルｖu,cを形成する。と該ベクトルの列は時刻を示し、その列内の要素は、各時刻におけるｃ配下のアイテム消費頻度の和が格納される。また、ｖu,c (t)が０より大きければ、ｃの上位クラスに値を伝播させる。計算量の削減のため、０以下であれば値を伝播させない。特にアイテムに関しては、事前に０以上のアイテムのみを集合として管理しておけば、その集合のみをチェックし伝播を決定すれば計算量の削減に繋がる。
【００４７】
当該ベクトルｖu,c (t)に対応する要素の値は式(4)のように計算される。式(4)において、f(c)は、ｃの子クラス集合を返す関数であり、cｓはｃのある子クラスである。
【００４８】
【数７】
上記のように求めたｖu,c (t)をユーザ興味記憶部２に格納する。
【００４９】
ステップ３） 類似パターン抽出部３０は、ユーザ興味記憶部２からｖu,c (t)を読み込み、ユーザa(被推薦ユーザ)の最近の履歴と類似するパターンを抽出する。
【００５０】
1) 類似パターン抽出部３０は、被推薦ユーザａに対しては、現在の時刻Tから見て、ｘ回直近の時刻までの消費履歴を特に考慮する。具体的には、T−x+1からTまでの履歴情報のみを処理対象とすることで、直近のx時刻の消費履歴を重視した推薦を実現可能とする。このため、ベクトルｖu,c (t)を直近の時刻の次元に縮退させる。この直近のx時刻の消費履歴におけるクラスcに関する消費ベクトルra,cを与える。ra,cは、以下の式(5)のように計算される。式(5)において、０はゼロ行列を指し、添字は次元数である。Eは単位行列を指し、添字は次元数である。
【００５１】
【数８】
２） 類似パターン抽出部３０は、被推薦ユーザａに対し、他ユーザの消費履歴で、クラスｃのベクトルra,cと類似するパターンをユーザ興味記憶部２から抽出する。当該処理は、アイテムレベルでのパターン抽出はスパースになり、不正確になるため、クラスレベルで実施する。また、計算量を削減するための工夫として、同じクラスを持たないパターンに関しては、その配下クラス以降のパターン抽出の計算をスキップする。
【００５２】
まず、類似パターン抽出部３０は、あるユーザｕの時刻ｔを最終時刻とし、ｔ−ｘ＋１からｔまでのパターンベクトルpu,t,cを式(6)のように計算する。
【００５３】
【数９】
３） 次に、類似パターン抽出部３０は、あるクラスｃに対するユーザａとあるユーザｕのある時刻ｔを最終時刻とするパターンpu,tとの類似度を求める。当該類似度の計算式を式(7)に示す。式(7)において、cos()はcosine類似度を示す。Ｃはユーザｕに対し、上記の２）で計算済みのクラス集合を指し、タクソノミ上の全クラスではない（計算量削減のため）。
【００５４】
【数１０】
なお、cosine類似度ではなく、時系列の類似性を測る手法であれば、Ｎグラム法などを利用するのでもよい。
【００５５】
なお、ユーザａとユーザｕの消費アイテムの類似度の計算は、ログがスパースになりすぎることを避けるためと、計算量の削減のため、時系列を考慮しない。消費アイテムの類似度は、ユーザｕのクラスｃ配下の全時刻でのアイテム集合をＩuとすると、非特許文献２と同様に、以下の式（8）から計算する。式(8)において、jac()はjaccard係数を示す。
【００５６】
【数１１】
なお、アイテムの類似度の計算方式は式(8)以外の公知の方法を用いてもよい。
【００５７】
４）類似パターン抽出部３０は、ユーザａとあるユーザｕのパターン間の類似度Ｓa,u,tを、式(9)により計算する。式(9)においてＮは正規化関数である。
【００５８】
【数１２】
上記の式(9)により求められたパターン間の類似度を類似度記憶部３に格納する。
【００５９】
ステップ４）予測値計算部４０は、類似度記憶部３から類似度を読み込み、類似パターンにおけるコンテンツの生起頻度の高いものを抽出する。具体的には、前述の式(3)を用いてユーザへのアイテムの予測値を計算する。このとき、式(3)において、ユーザ類似度の代わりにユーザの持つ各パターン類似度を代入し、アイテムIｉは、対尾するパターンに存在するアイテムとする。
【００６０】
予測値計算部４０は、求められたアイテムの予測値を推薦アイテム集合として出力する。
【００６１】
以下に、本発明と非特許文献２との違いを以下に示す。
【００６２】
（１）本発明では、ユーザの持つ消費履歴のうち、クラスに関しては全てを利用するのではなく、時系列に沿った一部機関のみを利用する。被推薦ユーザ(ユーザａ)に関しては直近の消費履歴のみを用い、類似度計算対象ユーザ（ユーザｕ）に対しては、時系列に沿った任意の一部期間のみを利用する。これにより、ユーザの興味の変動に対応でき、スパース問題も回避できつつ、長期間に亘り多様な消費行動をとったユーザはクラスレベルで非常のたくさんのユーザと繋がってしまうという従来の問題を回避できる。
【００６３】
（２）本発明は、アイテムを予測する際のアイテム集合としては、ユーザ毎の類似度を用いるのではなく、ユーザの持つ消費パターンの類似している部分のみを用いる。これにより、現在のユーザの興味とは外れているアイテムを推薦から除外でき、適合率が高まる。
【００６４】
次に、本発明と非特許文献３との違いを示す。
【００６５】
非特許文献３は、ユーザの興味対象の違いを予測モデルに導入しているわけではなく、ユーザのレーティングの平均値の変化と、アイテム自身の有名度の変化のモデルに導入しているのであり、個人毎に興味対象の変動の類似性を考慮しているわけではない。そのため、現在のユーザの興味を重視して推薦を提示しているわけではない。本発明は、個人毎に現在の興味変動に応じた、過去の変動パターンを抽出することができ、抽出した変動パターンの中から推薦を決定している点で、現在のユーザの変更パターンに沿ったアイテムを推薦できる。
【００６６】
なお、上記の実施の形態では、コンテンツを対象として説明しているが、この例に限定されることなく、一般的な商品に適用することも可能である。
【００６７】
本発明は、上記の図１のコンテンツ推薦装置の構成要素の各動作をプログラムとして構築し、コンテンツ推薦装置として利用されるコンピュータにインストールして実行させる、または、ネットワークを介して流通させることが可能である。
【００６８】
本発明は、上記の実施の形態に限定されることなく、特許請求の範囲内において、種々変更・応用が可能である。
【符号の説明】
【００６９】
１ 消費履歴データベース（ＤＢ）
２ ユーザ興味記憶部
３ 類似度記憶部
１０ 時刻情報付与部
２０ ユーザ興味構築部
３０ 類似パターン抽出部
４０ 予測値計算部
【技術分野】
【０００１】
本発明は、コンテンツ推薦装置及び方法及びプログラムに係り、特に、時系列を考慮し、ユーザの興味の持つ商品（コンテンツ）やコンテンツの所属するクラスの変化を捉え、その時に合った商品を推薦するためのコンテンツ推薦装置及び方法及びプログラムに関する。
【背景技術】
【０００２】
Webネットワーク上において、ユーザによる対象の意味や概念に対する参照要求が大きくなるにつれ、WikiPedia（登録商標）などの体系化された辞書が普及するようになってきている。また、こうしたユーザの要求を人手ではなく、人の変わりにサービスが処理し、ユーザにカスタマイズして提示可能とするため、機械処理可能な概念参照API(Application Program Interface)が急速に普及しており、DBPedia（登録商標）、Word-Net（登録商標）、FreeBasse(登録商標)など様々な情報プロバイダが、自身の持つ情報を体系化し、APIを通じ安価でかつ無料で提示するようになって着ている（例えば、非特許文献1参照）。
【０００３】
一方、ユーザの興味のある概念を推測し、ユーザに代わりに情報を収集提示するような推薦システムも必要とされ、研究されてきた。こうした研究と上記多様なAPIを組み合わせれば、より広範囲にユーザの興味を推定できる。しかし、現状の技術には2点大きな問題がある。
【０００４】
（１）多様な興味を取り扱うほど、時間軸に応じた興味の変化は激しいと考えられるが、そうした変換に対応していない。
【０００５】
（２）概念体系は頻繁にメンテナンスされる。例えば、映像の体系は、サービスの深化とともに深堀りされたり、新たなグループが人気を博すと、そのグループの体系ができたりし、それに併せ体系も深化する。そうした概念体系（タクソノミ）の変動を考慮していない。
【０００６】
本発明では、（１）の問題について取り組む。
【０００７】
興味推定を行う技術を以下に示す。
【０００８】
まず、タクソノミに基づく興味推定について説明する。
【０００９】
ユーザの興味の変動を取り扱っておらず、例え２年前の履歴であっても、最近の履歴と等価に扱っている。特に、クラスのような抽象的な情報でユーザ興味を管理すると、時系列が長くなると、非常に多くのクラスにユーザが興味を持つと見做されるようになりやすくなる（例えば、非特許文献２参照）。
【００１０】
次に、ユーザの興味の変動を、特定のtime windowで図りwindowから漏れた消費履歴を使用しないのではなく、全消費履歴を用いる。アイテムに対するユーザの評点の平均値が日時によって、辛めであったり、甘めであったりするという特性を考慮したモデルを構築しており、Matrix Factorizationとk-nearest users/itemsの２通りの手法に適用しており、従来のＭＦ，ＫＮ両方の手法の精度を改善している（例えば、非特許文献３参照）。
【先行技術文献】
【非特許文献】
【００１１】
【非特許文献１】Linked Open Data Project (http://linkeddata.org/).
【非特許文献２】Makoto Nakatsuji, Yasuhiro Fujiwara, Akimichi Tanaka, Tosho Uchiyama, Ko Fujimura, Toru Ishida, "Classical Music for Rock Fan",The 19th ACM international conference on Information and knowledge management.
【非特許文献３】Collaborative Filtering Temporal Dynamics, Yehuda Koren著
【発明の概要】
【発明が解決しようとする課題】
【００１２】
しかしながら、非特許文献２の手法では、図１に示すように、多くのクラスで他のユーザと類似することとなり、精度が落ちる場合がある。一方、図２に示すように最近の履歴のみでは、履歴がスパースになりすぎ、精度が悪くなるという問題もある。
【００１３】
また、非特許文献３の手法では、興味を持つアイテムやジャンルの変動そのものは明確に扱っていない。さらに、評点のみを対象とした手法であるため、購買履歴には向かない。
【００１４】
本発明は、上記の点に鑑みなされたもので、その時のユーザの興味に沿って、かつ、トレンドにも沿ったアイテム(コンテンツ)をパーソナライズして推薦することが可能なコンテンツ推薦装置及び方法及びプログラムを提供することを目的とする。
【課題を解決するための手段】
【００１５】
上記の課題を解決するため、本発明（請求項１）は、ユーザが興味を持つコンテンツをその時に応じて推薦するコンテンツ推薦装置であって、
ユーザのコンテンツに対する評価値と評価した時間情報を持つユーザのコンテンツの消費履歴を格納した消費履歴記憶手段と、
前記消費履歴記憶手段の前記消費履歴と情報源から得られるコンテンツのタクソノミを入力として、該消費履歴の時間情報を時刻に変換して該消費履歴に付与する時刻付与手段と、
時刻が付与された消費履歴からユーザの興味を抽出し、データ構造化してユーザ興味記憶手段に格納するユーザ興味構築手段と、
前記ユーザ興味記憶手段のデータ構造化されたユーザの興味から、被推薦ユーザと類似する他ユーザの消費動向のパターンを抽出し、類似度記憶手段に格納する類似パターン抽出手段と、
前記類似度記憶手段の類似パターン内でのコンテンツの生起頻度に基づいてユーザへ推薦するコンテンツを決定する予測値計測手段と、を有する。
【００１６】
また、本発明（請求項２）は、前記ユーザ興味構築手段において、
前記時刻が付与された消費履歴からユーザのコンンテンツの消費回数を、一定時間間隔で区切りベクトルで表現し、コンテンツのクラス別にベクトルの和を求めクラス別ユーザ別のベクトルを生成し、前記ユーザ興味記憶手段に格納する手段を含み、
前記類似パターン抽出手段において、
前記ユーザ興味記憶手段から被推薦ユーザの直近のベクトルと他のユーザの時間長が同じ過去の一部のベクトルとを取得し、該推薦ユーザのベクトルのパターンと該他のユーザのベクトルのパターンの類似度を求め、前記類似度記憶手段に格納する手段を含み、
前記予測値計測手段において、
前記類似度記憶手段のユーザの持つパターンの類似度と、該パターンに存在するコンテンツを用いて推薦するコンテンツを決定する手段を含む。
【発明の効果】
【００１７】
本発明によれば、被推薦ユーザの直近の履歴が過去の履歴に類似するユーザのコンテンツを推薦することにより、その時の興味に沿って、かつトレンドにも沿ったアイテムを、パーソナライズして推薦可能となる。クラス情報も踏まえているため、推薦根拠も持ちうる。
【図面の簡単な説明】
【００１８】
【図１】従来の問題点（itemのみではスパースでユーザ間の関係を測れない)を示す図である。
【図２】従来の問題点（ｔ近傍のみで類似ログがスパース)を示す図である。
【図３】本発明の特徴(過去のログでも類似するパターンを探す)を示す図である。
【図４】本発明の一実施の形態におけるコンテンツ推薦装置の構成図である。
【図５】本発明の一実施の形態におけるコンテンツ推薦装置の処理のフローチャートである。
【発明を実施するための形態】
【００１９】
まず、本発明のベースとなる技術について説明する。
【００２０】
従来の協調フィルタリングにおいて、ユーザ間の類似度を計測する際には、Cosineベースアプローチ（Breese， Heckerman， & Kadie 1998， Sarwar， Karypis， Konstan, & Ridel 2001）とPearson correlationアプローチ（Resnick，Iacovou， & Suchak 1994， Shardanand & Maes 1995）を用いることが多い。Cosineベースアプローチにおいては、アクティブユーザａとあるユーザｕの間の類似度S(ａ,ｕ)は、ａとｕの評価ベクトルのCosine角度を計算することで求められる。形式的には、両方のユーザが評価を与えているアイテム数をＭとし、ユーザｕのアイテムIｉに対する評価値を
【００２１】
【数１】
とすると、類似度Ｓ（ａ，ｕ）は以下の式(１)で与えられる。
【００２２】
【数２】
一方、Pearson correlationアプローチでは、ユーザ間の類似度の計測において、ユーザの評価スキームはユーザ毎に異なるという考え方を採用しており、以下の式(2)で表される。
【００２３】
【数３】
ここで、
【００２４】
【数４】
は、ユーザｕのアイテムへの評価値の平均値を示す。
【００２５】
CosineベースアプローチもPearson correlationアプローチも、両方のユーザａとｕが評価を与えたアイテムのみに焦点を絞り計算を行っている点に注意が必要である。
【００２６】
最終的にＮをアクティブユーザａと類似度の高いユーザの数とすると、ａのアイテムIiに対する予測値
【００２７】
【数５】
は、以下の式（3）で与えられる。
【００２８】
【数６】
以下図面と共に、本発明の実施の形態を説明する。
【００２９】
本発明では、以下の２つのポイントが要旨である。
【００３０】
（１）アイテムレベルではスパース過ぎて見えてこないユーザの興味変動がクラスレベルで抽象的に見るとは見えてくるという考え方に基づく。これは、クラスはアイテムを集約するためスパースなアイテムの情報をクラスで見ると密に観測できる。例えば、rock配下のアイテムi1，i2，i3とあって、それぞれ１回ずつ購入されていても、クラスで見ると３回購入されたと見做せるということである。被推薦ユーザ（ａ）の最近の消費の変動をクラス（概念）レベルで把握し、最近の消費の変動の傾向が類似するユーザを計算する。そして類似するユーザが最近購入したアイテムを推薦する。
【００３１】
（２）現時刻から見て最近の消費行動が似ているのみであると、ログがスパースになりすぎ、精度が落ちる(図２)。つまり、最近の消費の変動がユーザａと近い最近のログのみでは、ログがスパースになりすぎ、精度が劣化するため、本発明では、図３に示すように、過去の消費の変動がユーザａと近いユーザの過去のログパターンも推薦を計算する際に利用し、現在のユーザａに対する推薦アイテムを精度よく計算する。
【００３２】
図１は、本発明の一実施の形態におけるコンテンツ推薦装置の構成を示す。
【００３３】
同図に示すコンテンツ推薦装置は、消費履歴ＤＢ１、ユーザ興味記憶部２、類似度記憶部３、時刻情報付与部１０、ユーザ興味構築部２０、類似パターン抽出部３０、予測値計算部４０から構成される。
【００３４】
なお、消費履歴ＤＢ１、ユーザ興味記憶部２、類似度記憶部３は、ハードディスク等の記憶媒体である。
【００３５】
消費履歴ＤＢ１は、ユーザのコンテンツに対する評価値として評価した時間情報を持つユーザの消費履歴（ログ）を格納したものであり、ユーザ興味記憶部２はユーザ興味構築部２０で、類似度記憶部３は、類似パターン抽出部３０で算出されたデータを格納する。
【００３６】
時刻情報付与部１０は、消費履歴ＤＢ１の情報とWikiPedia（登録商標）などの情報源から得られるコンテンツのクラス階層構造であるタクソノミを入力として、コンテンツの消費履歴の時間情報を時刻に変換し、履歴情報に付与し、ユーザ興味構築部２０に出力する。
【００３７】
ユーザ興味構築部２０は、ユーザの興味（履歴情報）をデータ構造として構築し、ユーザ興味記憶部２に格納する。
【００３８】
類似パターン抽出部３０は、データ構造化されたユーザの興味を入力とし、他ユーザの消費動向の類似パターンを抽出し、類似度記憶部３に格納する。
【００３９】
予測値計算部４０は、類似度記憶部３の類似パターンの中でコンテンツの生起頻度に基づいて、ユーザに提示するコンテンツを推薦する。
【００４０】
以下に、上記の構成におけるコンテンツ推薦装置の動作を説明する。
【００４１】
図２は、本発明の一実施の形態におけるコンテンツ推薦装置の処理のフローチャートである。
【００４２】
ステップ１） 時刻情報付与部１０は、消費履歴ＤＢ１から履歴情報を読み込み、タクソノミに基づいて時刻情報を付与する。本発明では、ユーザがアイテム（音楽などのマルチメディアコンテンツ、Webページなど）を消費した時間を、一定期間毎に分離し、離散した時刻として扱う。具体的には、履歴情報中に記載されている時間情報に対し、履歴情報上での最初の時間をＳとし、期間を表す値をＤとすると、各時刻t(i)は、Ｓ＋Ｄ×ｉからＳ＋Ｄ×(ｉ+1)までの時間を取り扱う。
【００４３】
ステップ２） ユーザ興味構築部２０は、ステップ１で時刻情報が付与された履歴情報をデータ構造化する。
【００４４】
１）ユーザｕのある時刻ｔにおける消費アイテムは、Ｓ＋Ｄ×ｔからS＋Ｄ×（ｔ＋１）の間にユーザｕが消費したアイテムを指す。その期間に消費したアイテムであれば、順序を考慮せず、ユーザｕが時刻ｔに消費したアイテム集合として管理する。
【００４５】
２）ユーザｕが消費したアイテムｉ毎にベクトルｖu,iを形成する。当該ベクトルの列は、時刻を示し、その列内の要素は、各時刻におけるアイテムｉの消費頻度が格納される。
【００４６】
３）ユーザｕが消費をしたアイテムが所属するクラスｃ毎にベクトルｖu,cを形成する。と該ベクトルの列は時刻を示し、その列内の要素は、各時刻におけるｃ配下のアイテム消費頻度の和が格納される。また、ｖu,c (t)が０より大きければ、ｃの上位クラスに値を伝播させる。計算量の削減のため、０以下であれば値を伝播させない。特にアイテムに関しては、事前に０以上のアイテムのみを集合として管理しておけば、その集合のみをチェックし伝播を決定すれば計算量の削減に繋がる。
【００４７】
当該ベクトルｖu,c (t)に対応する要素の値は式(4)のように計算される。式(4)において、f(c)は、ｃの子クラス集合を返す関数であり、cｓはｃのある子クラスである。
【００４８】
【数７】
上記のように求めたｖu,c (t)をユーザ興味記憶部２に格納する。
【００４９】
ステップ３） 類似パターン抽出部３０は、ユーザ興味記憶部２からｖu,c (t)を読み込み、ユーザa(被推薦ユーザ)の最近の履歴と類似するパターンを抽出する。
【００５０】
1) 類似パターン抽出部３０は、被推薦ユーザａに対しては、現在の時刻Tから見て、ｘ回直近の時刻までの消費履歴を特に考慮する。具体的には、T−x+1からTまでの履歴情報のみを処理対象とすることで、直近のx時刻の消費履歴を重視した推薦を実現可能とする。このため、ベクトルｖu,c (t)を直近の時刻の次元に縮退させる。この直近のx時刻の消費履歴におけるクラスcに関する消費ベクトルra,cを与える。ra,cは、以下の式(5)のように計算される。式(5)において、０はゼロ行列を指し、添字は次元数である。Eは単位行列を指し、添字は次元数である。
【００５１】
【数８】
２） 類似パターン抽出部３０は、被推薦ユーザａに対し、他ユーザの消費履歴で、クラスｃのベクトルra,cと類似するパターンをユーザ興味記憶部２から抽出する。当該処理は、アイテムレベルでのパターン抽出はスパースになり、不正確になるため、クラスレベルで実施する。また、計算量を削減するための工夫として、同じクラスを持たないパターンに関しては、その配下クラス以降のパターン抽出の計算をスキップする。
【００５２】
まず、類似パターン抽出部３０は、あるユーザｕの時刻ｔを最終時刻とし、ｔ−ｘ＋１からｔまでのパターンベクトルpu,t,cを式(6)のように計算する。
【００５３】
【数９】
３） 次に、類似パターン抽出部３０は、あるクラスｃに対するユーザａとあるユーザｕのある時刻ｔを最終時刻とするパターンpu,tとの類似度を求める。当該類似度の計算式を式(7)に示す。式(7)において、cos()はcosine類似度を示す。Ｃはユーザｕに対し、上記の２）で計算済みのクラス集合を指し、タクソノミ上の全クラスではない（計算量削減のため）。
【００５４】
【数１０】
なお、cosine類似度ではなく、時系列の類似性を測る手法であれば、Ｎグラム法などを利用するのでもよい。
【００５５】
なお、ユーザａとユーザｕの消費アイテムの類似度の計算は、ログがスパースになりすぎることを避けるためと、計算量の削減のため、時系列を考慮しない。消費アイテムの類似度は、ユーザｕのクラスｃ配下の全時刻でのアイテム集合をＩuとすると、非特許文献２と同様に、以下の式（8）から計算する。式(8)において、jac()はjaccard係数を示す。
【００５６】
【数１１】
なお、アイテムの類似度の計算方式は式(8)以外の公知の方法を用いてもよい。
【００５７】
４）類似パターン抽出部３０は、ユーザａとあるユーザｕのパターン間の類似度Ｓa,u,tを、式(9)により計算する。式(9)においてＮは正規化関数である。
【００５８】
【数１２】
上記の式(9)により求められたパターン間の類似度を類似度記憶部３に格納する。
【００５９】
ステップ４）予測値計算部４０は、類似度記憶部３から類似度を読み込み、類似パターンにおけるコンテンツの生起頻度の高いものを抽出する。具体的には、前述の式(3)を用いてユーザへのアイテムの予測値を計算する。このとき、式(3)において、ユーザ類似度の代わりにユーザの持つ各パターン類似度を代入し、アイテムIｉは、対尾するパターンに存在するアイテムとする。
【００６０】
予測値計算部４０は、求められたアイテムの予測値を推薦アイテム集合として出力する。
【００６１】
以下に、本発明と非特許文献２との違いを以下に示す。
【００６２】
（１）本発明では、ユーザの持つ消費履歴のうち、クラスに関しては全てを利用するのではなく、時系列に沿った一部機関のみを利用する。被推薦ユーザ(ユーザａ)に関しては直近の消費履歴のみを用い、類似度計算対象ユーザ（ユーザｕ）に対しては、時系列に沿った任意の一部期間のみを利用する。これにより、ユーザの興味の変動に対応でき、スパース問題も回避できつつ、長期間に亘り多様な消費行動をとったユーザはクラスレベルで非常のたくさんのユーザと繋がってしまうという従来の問題を回避できる。
【００６３】
（２）本発明は、アイテムを予測する際のアイテム集合としては、ユーザ毎の類似度を用いるのではなく、ユーザの持つ消費パターンの類似している部分のみを用いる。これにより、現在のユーザの興味とは外れているアイテムを推薦から除外でき、適合率が高まる。
【００６４】
次に、本発明と非特許文献３との違いを示す。
【００６５】
非特許文献３は、ユーザの興味対象の違いを予測モデルに導入しているわけではなく、ユーザのレーティングの平均値の変化と、アイテム自身の有名度の変化のモデルに導入しているのであり、個人毎に興味対象の変動の類似性を考慮しているわけではない。そのため、現在のユーザの興味を重視して推薦を提示しているわけではない。本発明は、個人毎に現在の興味変動に応じた、過去の変動パターンを抽出することができ、抽出した変動パターンの中から推薦を決定している点で、現在のユーザの変更パターンに沿ったアイテムを推薦できる。
【００６６】
なお、上記の実施の形態では、コンテンツを対象として説明しているが、この例に限定されることなく、一般的な商品に適用することも可能である。
【００６７】
本発明は、上記の図１のコンテンツ推薦装置の構成要素の各動作をプログラムとして構築し、コンテンツ推薦装置として利用されるコンピュータにインストールして実行させる、または、ネットワークを介して流通させることが可能である。
【００６８】
本発明は、上記の実施の形態に限定されることなく、特許請求の範囲内において、種々変更・応用が可能である。
【符号の説明】
【００６９】
１ 消費履歴データベース（ＤＢ）
２ ユーザ興味記憶部
３ 類似度記憶部
１０ 時刻情報付与部
２０ ユーザ興味構築部
３０ 類似パターン抽出部
４０ 予測値計算部
【特許請求の範囲】
【請求項１】
ユーザが興味を持つコンテンツをその時に応じて推薦するコンテンツ推薦装置であって、
ユーザのコンテンツに対する評価値と評価した時間情報を持つユーザのコンテンツの消費履歴を格納した消費履歴記憶手段と、
前記消費履歴記憶手段の前記消費履歴と情報源から得られるコンテンツのタクソノミを入力として、該消費履歴の時間情報を時刻に変換して該消費履歴に付与する時刻付与手段と、
時刻が付与された消費履歴からユーザの興味を抽出し、データ構造化してユーザ興味記憶手段に格納するユーザ興味構築手段と、
前記ユーザ興味記憶手段のデータ構造化されたユーザの興味から、被推薦ユーザと類似する他ユーザの消費動向のパターンを抽出し、類似度記憶手段に格納する類似パターン抽出手段と、
前記類似度記憶手段の類似パターン内でのコンテンツの生起頻度に基づいてユーザへ推薦するコンテンツを決定する予測値計測手段と、
を有することを特徴とするコンテンツ推薦装置。
【請求項２】
前記ユーザ興味構築手段は、
前記時刻が付与された消費履歴からユーザのコンンテンツの消費回数を、一定時間間隔で区切りベクトルで表現し、コンテンツのクラス別にベクトルの和を求めクラス別ユーザ別のベクトルを生成し、前記ユーザ興味記憶手段に格納する手段を含み、
前記類似パターン抽出手段は、
前記ユーザ興味記憶手段から被推薦ユーザの直近のベクトルと他のユーザの時間長が同じ過去の一部のベクトルとを取得し、該被推薦ユーザのベクトルのパターンと該他のユーザのベクトルのパターンの類似度を求め、前記類似度記憶手段に格納する手段を含み、
前記予測値計測手段は、
前記類似度記憶手段のユーザの持つパターンの類似度と、該パターンに存在するコンテンツを用いて推薦するコンテンツを決定する手段を含む
請求項１記載のコンテンツ推薦装置。
【請求項３】
ユーザが興味を持つコンテンツをその時に応じて推薦するコンテンツ推薦方法であって、
時刻付与手段が、ユーザのコンテンツに対する評価値と評価した時間情報を持つユーザのコンテンツの消費履歴を格納した消費履歴記憶手段の該消費履歴と情報源から得られるコンテンツのタクソノミを入力として、該消費履歴の時間情報を時刻に変換して該消費履歴に付与する時刻付与ステップと、
ユーザ興味構築手段が、時刻が付与された消費履歴からユーザの興味を抽出し、データ構造化してユーザ興味記憶手段に格納するユーザ興味構築ステップと、
類似パターン抽出手段が、前記ユーザ興味記憶手段のデータ構造化されたユーザの興味から、被推薦ユーザと類似する他ユーザの消費動向のパターンを抽出し、類似度記憶手段に格納する類似パターン抽出ステップと、
予測値計測手段が、前記類似度記憶手段の類似パターン内でのコンテンツの生起頻度に基づいてユーザへ推薦するコンテンツを決定する予測値計測ステップと、
を行うことを特徴とするコンテンツ推薦方法。
【請求項４】
前記ユーザ興味構築ステップにおいて、
前記時刻が付与された消費履歴からユーザのコンンテンツの消費回数を、一定時間間隔で区切りベクトルで表現し、コンテンツのクラス別にベクトルの和を求めクラス別ユーザ別のベクトルを生成し、前記ユーザ興味記憶手段に格納し、
前記類似パターン抽出ステップにおいて、
前記ユーザ興味記憶手段から被推薦ユーザの直近のベクトルと他のユーザの時間長が同じ過去の一部のベクトルとを取得し、該推薦ユーザのベクトルのパターンと該他のユーザのベクトルのパターンの類似度を求め、前記類似度記憶手段に格納し、
前記予測値計測ステップにおいて、
前記類似度記憶手段のユーザの持つパターンの類似度と、該パターンに存在するコンテンツを用いて推薦するコンテンツを決定する
請求項３記載のコンテンツ推薦方法。
【請求項５】
コンピュータを、
請求項１または２記載のコンテンツ推薦装置の各手段として機能させるためのコンテンツ推薦プログラム。
【請求項１】
ユーザが興味を持つコンテンツをその時に応じて推薦するコンテンツ推薦装置であって、
ユーザのコンテンツに対する評価値と評価した時間情報を持つユーザのコンテンツの消費履歴を格納した消費履歴記憶手段と、
前記消費履歴記憶手段の前記消費履歴と情報源から得られるコンテンツのタクソノミを入力として、該消費履歴の時間情報を時刻に変換して該消費履歴に付与する時刻付与手段と、
時刻が付与された消費履歴からユーザの興味を抽出し、データ構造化してユーザ興味記憶手段に格納するユーザ興味構築手段と、
前記ユーザ興味記憶手段のデータ構造化されたユーザの興味から、被推薦ユーザと類似する他ユーザの消費動向のパターンを抽出し、類似度記憶手段に格納する類似パターン抽出手段と、
前記類似度記憶手段の類似パターン内でのコンテンツの生起頻度に基づいてユーザへ推薦するコンテンツを決定する予測値計測手段と、
を有することを特徴とするコンテンツ推薦装置。
【請求項２】
前記ユーザ興味構築手段は、
前記時刻が付与された消費履歴からユーザのコンンテンツの消費回数を、一定時間間隔で区切りベクトルで表現し、コンテンツのクラス別にベクトルの和を求めクラス別ユーザ別のベクトルを生成し、前記ユーザ興味記憶手段に格納する手段を含み、
前記類似パターン抽出手段は、
前記ユーザ興味記憶手段から被推薦ユーザの直近のベクトルと他のユーザの時間長が同じ過去の一部のベクトルとを取得し、該被推薦ユーザのベクトルのパターンと該他のユーザのベクトルのパターンの類似度を求め、前記類似度記憶手段に格納する手段を含み、
前記予測値計測手段は、
前記類似度記憶手段のユーザの持つパターンの類似度と、該パターンに存在するコンテンツを用いて推薦するコンテンツを決定する手段を含む
請求項１記載のコンテンツ推薦装置。
【請求項３】
ユーザが興味を持つコンテンツをその時に応じて推薦するコンテンツ推薦方法であって、
時刻付与手段が、ユーザのコンテンツに対する評価値と評価した時間情報を持つユーザのコンテンツの消費履歴を格納した消費履歴記憶手段の該消費履歴と情報源から得られるコンテンツのタクソノミを入力として、該消費履歴の時間情報を時刻に変換して該消費履歴に付与する時刻付与ステップと、
ユーザ興味構築手段が、時刻が付与された消費履歴からユーザの興味を抽出し、データ構造化してユーザ興味記憶手段に格納するユーザ興味構築ステップと、
類似パターン抽出手段が、前記ユーザ興味記憶手段のデータ構造化されたユーザの興味から、被推薦ユーザと類似する他ユーザの消費動向のパターンを抽出し、類似度記憶手段に格納する類似パターン抽出ステップと、
予測値計測手段が、前記類似度記憶手段の類似パターン内でのコンテンツの生起頻度に基づいてユーザへ推薦するコンテンツを決定する予測値計測ステップと、
を行うことを特徴とするコンテンツ推薦方法。
【請求項４】
前記ユーザ興味構築ステップにおいて、
前記時刻が付与された消費履歴からユーザのコンンテンツの消費回数を、一定時間間隔で区切りベクトルで表現し、コンテンツのクラス別にベクトルの和を求めクラス別ユーザ別のベクトルを生成し、前記ユーザ興味記憶手段に格納し、
前記類似パターン抽出ステップにおいて、
前記ユーザ興味記憶手段から被推薦ユーザの直近のベクトルと他のユーザの時間長が同じ過去の一部のベクトルとを取得し、該推薦ユーザのベクトルのパターンと該他のユーザのベクトルのパターンの類似度を求め、前記類似度記憶手段に格納し、
前記予測値計測ステップにおいて、
前記類似度記憶手段のユーザの持つパターンの類似度と、該パターンに存在するコンテンツを用いて推薦するコンテンツを決定する
請求項３記載のコンテンツ推薦方法。
【請求項５】
コンピュータを、
請求項１または２記載のコンテンツ推薦装置の各手段として機能させるためのコンテンツ推薦プログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図２】
【図３】
【図４】
【図５】
【公開番号】特開２０１３−１０９４２５（Ｐ２０１３−１０９４２５Ａ）
【公開日】平成２５年６月６日（２０１３．６．６）
【国際特許分類】
【出願番号】特願２０１１−２５２１０５（Ｐ２０１１−２５２１０５）
【出願日】平成２３年１１月１７日（２０１１．１１．１７）
【出願人】（０００００４２２６）日本電信電話株式会社 (13,992)
【公開日】平成２５年６月６日（２０１３．６．６）
【国際特許分類】
【出願日】平成２３年１１月１７日（２０１１．１１．１７）
【出願人】（０００００４２２６）日本電信電話株式会社 (13,992)
[ Back to top ]