日時別推薦アイテムフィルタリング方法及び日時別推薦アイテムフィルタリングプログラム
【課題】ユーザがコンテンツにアクセスしてきた日時情報に重みを付加してアイテム推薦を行う日時別推薦アイテムフィルタリング方法及び日時別推薦アイテムフィルタリングプログラムを提供する。
【解決手段】日時別推薦アイテムフィルタリング方法は、日時情報基に、日時重み算出手段が日時重みを算出するステップと、各ユーザの各アイテムに対する評価値を列化したユーザ・アイテム間評価行列をユーザ・アイテム間評価行列作成手段が作成するステップと、ユーザ・アイテム間評価行列重み付け手段が日時重みテーブル記憶部より取得する日時重みを重み付けするステップと、標本ユーザと推薦ユーザ間の類似度を利用者類似度算出手段が算出するステップと、類似度値及び重み付けされた評価値を含む数値を基にアイテム評価推定値算出手段が推定評価値を算出するステップとを備える。
【解決手段】日時別推薦アイテムフィルタリング方法は、日時情報基に、日時重み算出手段が日時重みを算出するステップと、各ユーザの各アイテムに対する評価値を列化したユーザ・アイテム間評価行列をユーザ・アイテム間評価行列作成手段が作成するステップと、ユーザ・アイテム間評価行列重み付け手段が日時重みテーブル記憶部より取得する日時重みを重み付けするステップと、標本ユーザと推薦ユーザ間の類似度を利用者類似度算出手段が算出するステップと、類似度値及び重み付けされた評価値を含む数値を基にアイテム評価推定値算出手段が推定評価値を算出するステップとを備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、ユーザのアクセス曜日や時間帯等に応じて、ユーザの嗜好に応じたアイテムを推薦するための日時別推薦アイテムフィルタリング方法及び日時別推薦アイテムフィルタリングプログラムに関する。
【背景技術】
【０００２】
協調フィルタリングとは、多くのユーザの嗜好情報を蓄積し、あるユーザと嗜好の類似した他のユーザの情報を用いて、該当ユーザにアイテムやコンテンツを推薦する技術である。これらの技術は、利用者間型とアイテム間型に分類される。利用者間型は、推薦を受けるユーザ（以下「推薦ユーザ」と記載）と嗜好パターンが似ているサンプルとなるユーザ（以下「標本ユーザ」と記述する）をまず見つけ、その標本ユーザが好むアイテム群を推薦ユーザへの推薦候補とする技術である。利用者間型の実装では、ユーザ同士の類似度を、同じアイテムにつけた評価をピアソン相関、順位相関等の相関係数を用いて表す。また、嗜好の予測には、推薦ユーザに対して類似度の高い標本ユーザを抽出し、そのアイテムへの評価値を、標本ユーザと推薦ユーザ間の類似度で重みを付けし、それらの評価値の加重平均値を嗜好予測として用いる。嗜好予測値の大きなものから、推薦アイテムとして推薦ユーザへの推薦を行う。アイテム推薦の際には、推薦ユーザに提示する表示画面の広さに制約もあるため、小さな予測値を持つアイテムを削除したり、上位3〜10個程度のアイテムを表示するように画面構成を行う。
【０００３】
アイテム間型では、不特定多数利用者に同じような評価を受けているアイテムは似ており、関心があるアイテムの類似アイテムに利用者は関心を持つという仮定を置き、推薦ユーザの直近の利用履歴にあるアイテムに類似しているアイテムを推薦するものである。アイテム間型の実装としては、アイテムの利用ユーザの共起性等でアイテム間の類似度を測り、推薦ユーザの直近の利用履歴にあるアイテムの類似アイテムの推薦を行う（非特許文献１参照）。
【先行技術文献】
【非特許文献】
【０００４】
【非特許文献１】上嶌敏弘, “推薦システムのアルゴリズム（２）” 人工知能学会誌 23巻1号, pp.89−103, 2008年1月
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、特許文献１の手法では、利用者間型の推薦方法を用いる場合、アイテムへの評価値の加重平均値を利用するため、新規アイテムがコンテンツ登録された場合など、新規アイテムへの評価ログが少ない段階においては、新規アイテム以外の他のアイテムの評価値が新規アイテムに比較して大きな値を持つと考えられるため、推薦アイテムとして表示されないという問題があった。
【０００６】
また、評価値への加重平均値を利用するため、推薦を受ける曜日や時間帯に応じて、ユーザの志向が変化することに対応させることができなかった。尚、同様の課題は、アイテム間型の推薦方法をとる場合でも起こっていた。
【０００７】
本発明の目的は、上記の問題を解決する為になされたものであり、新規アイテムへの評価ログが少ない段階においても、ユーザが推薦を受ける曜日や時間帯等を加味し、新規アイテムについて発見性に富み、かつ的確な推薦を行うことができる日時別推薦アイテムフィルタリング方法及び日時別推薦アイテムフィルタリング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】
【０００８】
上記問題点を解決する為、本発明の第１の特徴は、（イ）コンテンツにアクセスするユーザの嗜好情報を蓄積し、嗜好情報の類似した標本ユーザの情報を用いて、推薦サーバがアイテムを推薦すべき推薦ユーザにアイテムを推薦する推薦アイテムフィルタリング方法であって、ユーザがコンテンツにアクセスしてきた日、時間帯を含む日時情報を取得し、日時情報基に、日時重み算出手段が日時重みを算出し、日時重みテーブル記憶部に格納するステップと、（ロ）各ユーザの各アイテムに対する評価値を列化したユーザ・アイテム間評価行列をユーザ・アイテム間評価行列作成手段が作成するステップと、（ハ）ユーザ・アイテム間評価行列の評価値に対し、ユーザ・アイテム間評価行列重み付け手段が、日時重みテーブル記憶部より取得する日時重みを重み付けするステップと、（ニ）標本ユーザと推薦ユーザ間の類似度を利用者類似度算出手段が算出するステップと、（ホ）類似度値及び重み付けされた評価値を含む数値を基に、推薦ユーザへの各アイテムの推定評価値をアイテム評価推定値算出手段が算出するステップとを備える日時別推薦アイテムフィルタリング方法であることを要旨とする。
【０００９】
本発明の第１の特徴は、更に（ヘ）日時重みを算出し日時重みテーブル記憶部に格納するステップは、ユーザがコンテンツにアクセスしてきた時間が、予め設定される時間に近いほど大きな値となる関数を用いて時間重み算出手段が時間重みを算出するステップと、（ト）ユーザがコンテンツにアクセスしてきた曜日が、予め設定される曜日であれば大きな値となる関数を用いて曜日重み算出手段が曜日重みを算出するステップの少なくともいずれか一つを含み、（チ）日時重みを重み付けするステップは、ユーザがコンテンツにアクセスしてきた時間が、現在時刻に近いほど大きな値となる関数を用いて直近重み算出手段が直近重みを算出するステップを更に備える。
【００１０】
本発明の第２の特徴は、請求項１乃至３に記載の日時別推薦アイテムフィルタリング方法を推薦サーバに実行させるための日時別推薦アイテムフィルタリングプログラムであることを要旨とする。
【発明の効果】
【００１１】
本発明の日時別推薦アイテムフィルタリング方法及び日時別推薦アイテムフィルタリングプログラムによると、ユーザが推薦を受ける時間帯・平日・休日を加味し、古くから存在するコンテンツの影響を考慮しながら、新規コンテンツに対してでもユーザの嗜好に合わせた的確なアイテムの推薦を行うことができる。
【図面の簡単な説明】
【００１２】
【図１】本発明の実施の形態に係る日時別推薦アイテムフィルタリングシステムの構造を示すシステム図である。
【図２】コンテンツサーバの内部構造を示す図である。
【図３】アクセスログのデータ構造を示す図である。
【図４】推薦サーバの内部構造を示す図である。
【図５】日時重みテーブル記憶装置の内部を示す図である。
【図６】ユーザ・アイテム間評価行列記憶部の内部を示す図である。
【図７】利用者類似度表記憶部の内部を示す図である。
【図８】日時別推薦アイテムフィルタリングシステムの全体動作を示すフロー図である。
【図９】日時重み算出処理の動作を示すフロー図である。
【発明を実施するための形態】
【００１３】
次に、図面を参照して、本発明の実施の形態を説明する。以下の図面の記載において、同一又は類似の部分には同一又は類似の符号を付している。ただし、図面は模式的なものであることに留意すべきである。
【００１４】
（実施の形態）
（日時別推薦アイテムフィルタリングシステム）
本発明の第１の実施の形態に係る日時別推薦アイテムフィルタリングシステム１００は、図１に示すように、コンテンツサーバ１、推薦サーバ２、ユーザ端末３ａ、３ｂ、３ｃ、インターネット回線網４等を備えている。
【００１５】
コンテンツサーバ１は、ユーザ端末３ａ〜３ｃからコンテンツ要求を受信し、要求されたコンテンツをユーザ端末３ａ〜３ｃに返信するサーバである。更に、本発明の実施の形態においてはコンテンツサーバ１は、コンテンツ要求をユーザ端末３ａ〜３ｃより受信した際に、推薦サーバ２に当該コンテンツ要求受信の旨を送信し、推薦サーバ２は、当該ユーザが好むと思われる推薦アイテムのデータを当該ユーザのユーザ端末３ａ〜３ｃに送信する。
【００１６】
推薦サーバ２は、コンテンツサーバ１がユーザ端末３ａ〜３ｃからコンテンツ要求を受信した際に、当該ユーザが好むと思われる推薦アイテムを選出し、ユーザ端末３ａ〜３ｃに送信する。
【００１７】
ユーザ端末３ａ〜３ｃは、コンテンツサーバ１や推薦サーバ２と通信を行うユーザが使用するパーソナルコンピュータ等の端末である。ユーザ端末３ａ〜３ｃは、コンテンツサーバ１へのコンテンツ要求送信、又コンテンツサーバ１または推薦サーバ２から提供されるコンテンツの表示や再生を行う為の入力装置、出力装置、通信制御装置、ＣＰＵ、記憶装置、表示装置等を備えている。
【００１８】
インターネット回線網４は、アナログ回線、ディジタル回線、PHS回線、携帯電話回線、ケーブル回線等の公衆通信回線網である。インターネット回線網４は、コンテンツサーバ１、推薦サーバ２及びユーザ端末３ａ〜３ｃ間を接続する。尚、コンテンツサーバ１と推薦サーバ２はインターネット回線網４の他、有線無線の高速専用回線で接続されていても構わない。
【００１９】
（コンテンツサーバ）
コンテンツサーバ１は、図２に示すように、入力装置１１、出力装置１２、通信制御装置１３、一時記憶装置１４、中央制御装置（以下「ＣＰＵ」と記載）１５、アクセス記憶部１６等を備える。
【００２０】
アクセス記憶部１６は、ユーザ端末３ａ〜３ｃからコンテンツサーバ１へのアクセス記録を格納する。アクセス記録部では図３に示すように、コンテンツへのアクセスの一回分が一レコードとして記録し、アクセスのあった「日時」、アクセスしてきたユーザの「ユーザＩＤ」、当該ユーザがアクセスした「コンテンツＩＤ」等をアクセス記録テーブルとして記憶する。
【００２１】
ＣＰＵ１５は、アクセス記録生成手段１５ａ、コンテンツ要求受信手段１５ｂ、推薦アイテム要求送信手段１５ｃ、要求コンテンツ送信手段１５ｄを備える。ＣＰＵ１５がこれらの手段を適宜実行することでプログラムは実行される。
【００２２】
アクセス記録生成手段１５ａは、ユーザ端末３ａ〜３ｃからコンテンツサーバ１へのアクセスがあった際に、そのアクセス記録を作成しアクセス記憶部１６に格納する。
【００２３】
コンテンツ要求受信手段１５ｂは、ユーザ端末３ａ〜３ｃからコンテンツサーバ１へのコンテンツ要求を受信する。
【００２４】
推薦アイテム要求送信手段１５ｃは、コンテンツ要求を受信後、要求のあったユーザに適した推薦アイテムを、当該ユーザのユーザ端末に送信するように推薦サーバ２に依頼する。
【００２５】
要求コンテンツ送信手段１５ｄは、当該ユーザに要求されたコンテンツを、当該ユーザのユーザ端末３ａ〜３ｃに送信する。
【００２６】
入力装置１１は、キーボード、マウス、又はハードディスク等の外部記憶装置からの入力信号を受信するインタフェースである。出力装置１２は、処理結果等を出力するための装置であり、具体的には液晶ディスプレイ、ＣＲＴディスプレイ、プリンタ等を指す。通信制御装置１３は、外部の装置間においてデータを送受信する為の制御信号を生成する。一時記憶装置１４は、演算処理等を行う際に使用する作業用メモリである。
【００２７】
（推薦サーバ）
推薦サーバ２は、図４に示すように、入力装置２１、出力装置２２、通信制御装置２３、一時記憶装置２４、ＣＰＵ２５、日時重みテーブル記憶部２６、ユーザ・アイテム間評価行列記憶部２７、重み付けユーザ・アイテム間評価行列記憶部２８、利用者類似度表記憶部２９等を備える。ＣＰＵ２５は、推薦アイテム要求受信手段２５ａ、ユーザ・アイテム間評価行列作成手段２５ｃ、日時重み算出手段２５ｂ、ユーザ・アイテム間評価行列重み付け手段２５ｄ、利用者類似度算出手段２５ｅ、アイテム評価推定値算出手段２５ｆ、推薦アイテム回答手段２５ｇ等を備える。尚、ＣＰＵ２５がこれらの手段を適宜実行することでプログラムは実行される。
【００２８】
日時重みテーブル記憶部２６は、図５に示すように、アクセスの「日時」、ユーザを特定する「ユーザＩＤ」、コンテンツを特定する「コンテンツＩＤ」、日時にて算出される「日時重み」等から構成される日時重みテーブルを格納する。
【００２９】
ユーザ・アイテム間評価行列記憶部２７は、どのユーザがどのアイテムを何回閲覧したか等によりユーザ毎の各アイテムの評価を保有するユーザ・アイテム間評価行列テーブルを格納する。ユーザ・アイテム間評価行列テーブルは、図６に示すように、各「ユーザＩＤ」と各「アイテムＩＤ」から構成される表であり、この表内には特定ユーザの特定アイテムに対する評価値が格納される。尚、新規に追加されたアイテムで、当該行列のユーザから未だ評価がなされていないアイテムに対しては「Null」値が格納される。
【００３０】
重み付けユーザ・アイテム間評価行列記憶部２８は、ユーザ・アイテム間評価行列記憶部２７のユーザ・アイテム間評価行列テーブルに格納される各評価値に、日時毎の重み付けを行った結果値（重み付けユーザ・アイテム間評価値）を重み付けユーザ・アイテム間評価行列テーブルとして格納する。
【００３１】
利用者類似度表記憶部２９は、図７に示すように、ユーザ・ユーザ間の類似度値を格納する利用者類似度テーブルを格納する。
【００３２】
推薦アイテム要求受信手段２５ａは、コンテンツサーバ１より所定ユーザに対する推薦アイテムの送信要求を受信する。
【００３３】
日時重み算出手段２５ｂは、ユーザがコンテンツにアクセスしてきた曜日、時間等の日時情報を基に重みを算出し、図５の日時重みテーブル記憶部２６内の日時重みテーブルの日時毎に「日時重み」を格納する。日時重み算出手段２５ｂは、時間重み算出手段４１、曜日重み算出手段４２、直近重み算出手段４３を備える。時間重み算出手段４１は、ユーザがコンテンツにアクセスしてきた時間が、予め設定される時間に近いほど大きな値となる関数を用いて時間重みを算出する。曜日重み算出手段４２は、ユーザがコンテンツにアクセスしてきた曜日が、予め設定される曜日であれば大きな値となる関数を用いて曜日重みを算出する。直近重み算出手段４３は、ユーザがコンテンツにアクセスしてきた時間が、現在時刻に近いほど大きな値となる関数を用いて直近重みを算出する。
【００３４】
ユーザ・アイテム間評価行列作成手段２５ｃは、図６のユーザ・アイテム間評価行列記憶部２７内のユーザ・アイテム間評価行列テーブルを作成する。ユーザ・アイテム間評価値は、どのユーザがどのアイテムを何回閲覧したか等により決定する。
【００３５】
ユーザ・アイテム間評価行列重み付け手段２５ｄは、ユーザ・アイテム間評価行列テーブル内のユーザ・アイテム間評価値に重み付け処理を行う。重み付け処理は図５の日時重みテーブル記憶部２６に格納される日時重み値をユーザ・アイテム間評価値に対して加算、乗算等することで行われ、この結果、重み付きユーザ・アイテム間評価値が算出される。
【００３６】
利用者類似度算出手段２５ｅは、二人のユーザが共通に評価したアイテムにはピアソン相関関係があるとの前提により、二人のユーザ間の類似度を所定数式を用いて算出し、利用者類似度表記憶部２９内の利用者類似度テーブル内に格納する。所定数式については後述する。
【００３７】
アイテム評価推定値算出手段２５ｆは、ユーザ類似度値や重み付きユーザ・アイテム間評価値を基に、所定数式を用いて、推薦ユーザへの各アイテムの推定評価値を算出する。各アイテムとは、新規アイテムも含めた全てのアイテムを指す。
【００３８】
推薦アイテム回答手段２５ｇは、算出された各アイテムの推定評価値を昇順ソートし、推定評価値の高いもの、すなわち推薦ユーザが好むと推測されるものの上位いくつかを推薦アイテムとしてユーザ端末３ａ〜３ｃに対して送信する。
【００３９】
尚、その他の装置２１〜２４についてはコンテンツサーバ１と同様であるため説明を省略する。
【００４０】
（日時別推薦アイテムフィルタリングシステムの動作）
次に、日時別推薦アイテムフィルタリングシステム１００の動作について図８のフローチャートを用いて説明する。
【００４１】
（ａ）ステップＳ１０１においては、コンテンツサーバ１がユーザ端末３ａ〜３ｃの内のあるユーザａよりコンテンツ要求を受けると、当該ユーザａに相応しい推薦アイテムを送信するよう推薦サーバ２へ要求する。推薦サーバ２の推薦アイテム要求受信手段２５ａは、コンテンツサーバ１からのこのユーザａに対する推薦アイテムの要求を受信する。
【００４２】
（ｂ）ステップＳ１０２においては、日時重み算出手段２５ｂが日時の重みを算出する。本算出処理については後に詳述する。次に、ステップＳ１０３において、ユーザ・アイテム間評価行列作成手段２５ｃが、図６に示すユーザ・アイテム間評価値行列Ｓを作成する。ユーザ・アイテム間評価値行列Ｓとは、ｎ人の全ユーザの集合（ｘ＝｛１，２,…,n｝）を行、m種類の全アイテムの集合（ｙ＝｛１，２,…,ｍ｝）を列としたもので、ユーザiのアイテムjへの評価値Ｓijを要素とする行列である。ユーザ・アイテム間評価行列作成手段２５ｃは、図３のアクセス記憶部１６に格納されるアクセス記録テーブルレコードをコンテンツサーバ１から送信してもらい、アクセス記録テーブルレコード一行毎に、Ｓijの値を、ユーザiがアイテムjを閲覧済みならば「＋１」とし、未閲覧ならば「Null」とする。複数回の閲覧についてもその回数に応じて、Ｓijの値を増加させる。また、すべてのＳijに対して、対数関数等の増加関数を適用し、閲覧回数の極端に大きなアイテムＳijについては、圧縮を行うようにしてもよい。
【００４３】
（ｃ）ステップＳ１０４においては、ユーザ・アイテム間評価行列重み付け手段２５ｄが、ユーザ・アイテム間評価値行列Ｓに対して、図５の日時重みテーブル記憶部２６の日時重みを式１のように付加する処理を行う。
【００４４】
Ｓij =Ｓij+wj …（式１）
このように重みを付加することで、ユーザ・アイテム間評価値行列Ｓに対して、日時重みを反映させることができる。尚、本計算では重みの加算を行っているが、未閲覧Sijの値を「１」等とし、重みを乗算して求めることも可能である。
【００４５】
（ｄ）ステップＳ１０５においては、利用者類似度算出手段２５ｅが、下記のピアソン相関係数を用いた式２を用いて推薦ユーザａと標本ユーザｉ間の類似度値ρaiを算出する。
【数１】
【００４６】
ただし、式２において、Ｙaiはユーザａとユーザｉの二人が共通に評価したアイテムの集合、即ち下記の式３を満たすものとする。式４はＹaiにおけるユーザa及びユーザiの評価値の平均である。
【００４７】
Ｙai ＝Ｙa ∩ Ｙi …（式３）
【数２】
【００４８】
尚、｜Ｙai｜≦１、即ちユーザａとユーザｉが共通に評価したアイテムが１つ以下ならば、ピアソン相関は計算できないので、ρai＝０とする。またsi’はYaiにおけるユーザiの評価値の平均値である。
【００４９】
（ｅ）ステップＳ１０６においては、アイテム評価推定値算出手段２５ｆが、推薦アイテムを受けるユーザａのアイテムjへの評価値の推定値Ｓajを、式２で求めた類似度値ρaj等を用いて下記の式５を用いて算出する。
【数３】
【００５０】
ただし、Ｘjはアイテムｊを評価済みのユーザの集合である。ここで
はＹiにおけるユーザiの評価値の平均であり、次式で計算できる。
【数４】
【００５１】
尚、ａ∈Ｘjなる状況では、Ｓajの推定が不要になるので想定しなくてもよい。
【００５２】
（ｆ）ステップＳ１０７においては、推薦アイテム回答手段２５ｇが、アイテムｊ毎の推定値Ｓajを昇順ソートし、ステップＳ１０８において、推定値Ｓajが高い、上位の数アイテムからユーザａの推薦アイテムを選択し、推薦アイテム要求の回答結果として、ユーザａのユーザ端末３ａ〜３ｃに対して返信する。
【００５３】
尚、本実施の形態においてはユーザ・アイテム間評価行列を用いて推薦アイテムへの評価値を求めているが、アイテム・アイテム間評価行列を用いて推薦アイテムへの評価値を求めるようにすることも可能である。
【００５４】
（日時重み算出処理）
次にステップＳ１０２の日時重み算出手段２５ｂによる日時重み算出処理について図１０のフローチャートを参照して詳細に説明する。
【００５５】
（ａ）ステップＳ２０１において、コンテンツサーバ１に図２のアクセス記憶部１６に格納されるアクセス記録データを送信依頼し、当該アクセス記録データを受信する。ステップＳ２０２においては、時間重み算出手段４１が時間の重みｗｈを算出する。時間の重みｗｈは、ユーザに対する当該アイテムを推薦すべき時間帯であり、コンテンツ経営者等のサービス側が予め設定しておくものとする。例えば、ある推薦アイテムの推薦時間帯を平日午前１０〜１２時と設定しているとすると、アクセス記録データ毎にこの時間の重みｗｈを算出する。まず、式７を用いて正規化された時刻ｘの値を求める。ｘの値域は、0≦ｘ≦１となる。
【００５６】
ｘ＝(アクセス時刻hh時 −11)/24+0.5 …（式７）
例えば、図３のアクセス記録データ内のアクセスログ３１「2010-0320-20:13:50」について説明すると、アクセス時間が２０時であるため、ｘ＝0.875となる。次に正規化された時刻ｘを式８の窓関数に投入し数値解析を単純化する。
【００５７】
wh(x) = 0.355768−0.487396 cos2πx ＋0.144232 cos4πx−0.012604 cos6πx …（式８）
式８により時間の重みwhが算出される。尚、アクセスログ３１の２０時の場合の時間の重みwh (0.875)は0.02となる。wh(x)はナットール窓関数で、x=0.5で最大値1.0であり、x=0.5を中心になだらかに減少する関数である。xの値域は、0≦x≦1となる。尚、本実施の形態では窓関数としてナットール窓関数を例示したが、他にも、ハミング窓、ハニング窓等を選択可能である。選択においては、時間帯において、アクセスログ同士の重みの差をつけたい場合は急激に減衰する窓関数を用いればよいし、あまり重み差をつけたくない場合は、なだらかな減衰を持つ窓関数を用いればよい。
【００５８】
（ｂ）次にステップＳ２０３において曜日重み算出手段４２が曜日単位の重みを算出する。曜日ｈの算出には式９のツェラーの公式を用いる。
【数５】
【００５９】
式９では、求めたい日の年の千位と百位の連続の数字（例えば2310年ならば23）をJ、年の下2桁（年 mod 100）をK、月をm、日をq、と代入することで曜日hが得られる。ただし、求めたい日の月が1月、2月の場合はそれぞれ前年の13月、14月とする（例えば、2007年1月1日なら2006年13月1日とする）。この結果、hが0なら土曜日、1なら日曜日、2なら月曜日、3なら火曜日、4なら水曜日、5なら木曜日、6なら金曜日と西暦から曜日を算出することができる。式３にアクセスログ３１「2010-0320-20:13:50」を代入すると、h=0となり、土曜日であることが分かる。
【００６０】
曜日の重みwdayとしては、例えば平日を重く、休日を軽く設定する場合には、
wday =1 (if h=2,…,6) …（式１０）
wday =0.25 (if h=0,1) …（式１１）
式１０のように平日の重みを1、式１１のように休日の重みを0.25とする。重み値wdayは自由に設定可能であり、各国の祭日・休日についても考慮に入
れて、たとえ平日であっても休日として重みを付けても良い。また、休日・平日で更に重み差をつけたい場合は、平日＝1、休日＝0.01のように設定する。尚、アクセスログ３１だと土曜日なので重みwdayは0.25となる。
【００６１】
（ｃ）次にステップＳ２０４において、直近重み算出手段４３が直近アクセスに対する重みw_nowを設定する。直近重みw_nowにはまず式１２を用いて正規化されたｘを算出する。
【００６２】
ｘ = (該当タイムスタンプ‐最古タイムスタンプ）/（最新タイムスタンプ‐最古タイムスタンプ） …（式１２）
式１２は、アクセスログの各タイムスタンプについてもっとも古いタイムスタンプだと0、もっとも最新のタイムスタンプであると1.0となるよう正規化された時刻ｘを求める。たとえば、図３のアクセスログ３１が該当タイムスタンプ、アクセスログ３２が最古タイムスタンプ、アクセスログ３３が最新タイムスタンプだとすると、
ｘ =24時間5秒÷25時間42分≒0.93となる。このｘを式１３の増加関数に投入する。
【００６３】
w_now=f(x) (0≦ｘ≦1)…（式１３）
尚、ｆは適当な増加関数であり、直近のログを重視する場合はｘ^3などの関数を用いればよい。例えば、ｆ(ｘ^3)である場合、図３のアクセスログ３１の場合、w_now=（0.93）^3≒0.8となる。
【００６４】
（ｄ）次にステップＳ２０５において、求められたすべての重みを式１４のように乗算し、ログの重みｗを求める。
【００６５】
w= wh*wday*w_now …（式１４）
図３のアクセスログ３１の場合w= 0.02*0.25*0.8=0.004となる。
【００６６】
尚、本発明の実施の形態においては時間重み、曜日重み及び直近重みの全てを用いて重み計算をしているが、アイテム推薦の設定に応じて使用する重みの種類は適宜選択可能である。
【００６７】
最後にステップＳ２０６において、算出された重みwは、図５の日時重みテーブル記憶部２６に格納される。
【産業上の利用可能性】
【００６８】
このように、本発明によると、ユーザが推薦を受ける時間帯・平日・休日を加味し、古くから存在するコンテンツの影響を考慮しながら、新規コンテンツに対してでもユーザの嗜好に合わせた的確なアイテムの推薦を行うことができる。
【符号の説明】
【００６９】
１…コンテンツサーバ
２…推薦サーバ
３ａ、３ｂ、３ｃ…ユーザ端末
４…インターネット回線網
１１…入力装置
１２…出力装置
１３…通信制御装置
１４…一時記憶装置
１５…ＣＰＵ
１５ａ…アクセス記録生成手段
１５ｂ…コンテンツ要求受信手段
１５ｃ…推薦アイテム要求送信手段
１５ｄ…要求コンテンツ送信手段
１６…アクセス記憶部
２１…入力装置
２２…出力装置
２３…通信制御装置
２４…一時記憶装置
２５…ＣＰＵ
２５ａ…推薦アイテム要求受信手段
２５ｂ…日時重み算出手段
２５ｃ…ユーザ・アイテム間評価行列作成手段
２５ｄ…ユーザ・アイテム間評価行列重み付け手段
２５ｆ…アイテム評価推定値算出手段
２５ｇ…推薦アイテム回答手段
２５ｉ…利用者類似度算出手段
２６…日時重みテーブル記憶部
２７…ユーザ・アイテム間評価行列記憶部
２８…ユーザ・アイテム間評価行列記憶部
２９…利用者類似度表記憶部
３１、３２、３３…アクセスログ
４１…時間重み算出手段
４２…曜日重み算出手段
４３…直近重み算出手段
１００…日時別推薦アイテムフィルタリングシステム
【技術分野】
【０００１】
本発明は、ユーザのアクセス曜日や時間帯等に応じて、ユーザの嗜好に応じたアイテムを推薦するための日時別推薦アイテムフィルタリング方法及び日時別推薦アイテムフィルタリングプログラムに関する。
【背景技術】
【０００２】
協調フィルタリングとは、多くのユーザの嗜好情報を蓄積し、あるユーザと嗜好の類似した他のユーザの情報を用いて、該当ユーザにアイテムやコンテンツを推薦する技術である。これらの技術は、利用者間型とアイテム間型に分類される。利用者間型は、推薦を受けるユーザ（以下「推薦ユーザ」と記載）と嗜好パターンが似ているサンプルとなるユーザ（以下「標本ユーザ」と記述する）をまず見つけ、その標本ユーザが好むアイテム群を推薦ユーザへの推薦候補とする技術である。利用者間型の実装では、ユーザ同士の類似度を、同じアイテムにつけた評価をピアソン相関、順位相関等の相関係数を用いて表す。また、嗜好の予測には、推薦ユーザに対して類似度の高い標本ユーザを抽出し、そのアイテムへの評価値を、標本ユーザと推薦ユーザ間の類似度で重みを付けし、それらの評価値の加重平均値を嗜好予測として用いる。嗜好予測値の大きなものから、推薦アイテムとして推薦ユーザへの推薦を行う。アイテム推薦の際には、推薦ユーザに提示する表示画面の広さに制約もあるため、小さな予測値を持つアイテムを削除したり、上位3〜10個程度のアイテムを表示するように画面構成を行う。
【０００３】
アイテム間型では、不特定多数利用者に同じような評価を受けているアイテムは似ており、関心があるアイテムの類似アイテムに利用者は関心を持つという仮定を置き、推薦ユーザの直近の利用履歴にあるアイテムに類似しているアイテムを推薦するものである。アイテム間型の実装としては、アイテムの利用ユーザの共起性等でアイテム間の類似度を測り、推薦ユーザの直近の利用履歴にあるアイテムの類似アイテムの推薦を行う（非特許文献１参照）。
【先行技術文献】
【非特許文献】
【０００４】
【非特許文献１】上嶌敏弘, “推薦システムのアルゴリズム（２）” 人工知能学会誌 23巻1号, pp.89−103, 2008年1月
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、特許文献１の手法では、利用者間型の推薦方法を用いる場合、アイテムへの評価値の加重平均値を利用するため、新規アイテムがコンテンツ登録された場合など、新規アイテムへの評価ログが少ない段階においては、新規アイテム以外の他のアイテムの評価値が新規アイテムに比較して大きな値を持つと考えられるため、推薦アイテムとして表示されないという問題があった。
【０００６】
また、評価値への加重平均値を利用するため、推薦を受ける曜日や時間帯に応じて、ユーザの志向が変化することに対応させることができなかった。尚、同様の課題は、アイテム間型の推薦方法をとる場合でも起こっていた。
【０００７】
本発明の目的は、上記の問題を解決する為になされたものであり、新規アイテムへの評価ログが少ない段階においても、ユーザが推薦を受ける曜日や時間帯等を加味し、新規アイテムについて発見性に富み、かつ的確な推薦を行うことができる日時別推薦アイテムフィルタリング方法及び日時別推薦アイテムフィルタリング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】
【０００８】
上記問題点を解決する為、本発明の第１の特徴は、（イ）コンテンツにアクセスするユーザの嗜好情報を蓄積し、嗜好情報の類似した標本ユーザの情報を用いて、推薦サーバがアイテムを推薦すべき推薦ユーザにアイテムを推薦する推薦アイテムフィルタリング方法であって、ユーザがコンテンツにアクセスしてきた日、時間帯を含む日時情報を取得し、日時情報基に、日時重み算出手段が日時重みを算出し、日時重みテーブル記憶部に格納するステップと、（ロ）各ユーザの各アイテムに対する評価値を列化したユーザ・アイテム間評価行列をユーザ・アイテム間評価行列作成手段が作成するステップと、（ハ）ユーザ・アイテム間評価行列の評価値に対し、ユーザ・アイテム間評価行列重み付け手段が、日時重みテーブル記憶部より取得する日時重みを重み付けするステップと、（ニ）標本ユーザと推薦ユーザ間の類似度を利用者類似度算出手段が算出するステップと、（ホ）類似度値及び重み付けされた評価値を含む数値を基に、推薦ユーザへの各アイテムの推定評価値をアイテム評価推定値算出手段が算出するステップとを備える日時別推薦アイテムフィルタリング方法であることを要旨とする。
【０００９】
本発明の第１の特徴は、更に（ヘ）日時重みを算出し日時重みテーブル記憶部に格納するステップは、ユーザがコンテンツにアクセスしてきた時間が、予め設定される時間に近いほど大きな値となる関数を用いて時間重み算出手段が時間重みを算出するステップと、（ト）ユーザがコンテンツにアクセスしてきた曜日が、予め設定される曜日であれば大きな値となる関数を用いて曜日重み算出手段が曜日重みを算出するステップの少なくともいずれか一つを含み、（チ）日時重みを重み付けするステップは、ユーザがコンテンツにアクセスしてきた時間が、現在時刻に近いほど大きな値となる関数を用いて直近重み算出手段が直近重みを算出するステップを更に備える。
【００１０】
本発明の第２の特徴は、請求項１乃至３に記載の日時別推薦アイテムフィルタリング方法を推薦サーバに実行させるための日時別推薦アイテムフィルタリングプログラムであることを要旨とする。
【発明の効果】
【００１１】
本発明の日時別推薦アイテムフィルタリング方法及び日時別推薦アイテムフィルタリングプログラムによると、ユーザが推薦を受ける時間帯・平日・休日を加味し、古くから存在するコンテンツの影響を考慮しながら、新規コンテンツに対してでもユーザの嗜好に合わせた的確なアイテムの推薦を行うことができる。
【図面の簡単な説明】
【００１２】
【図１】本発明の実施の形態に係る日時別推薦アイテムフィルタリングシステムの構造を示すシステム図である。
【図２】コンテンツサーバの内部構造を示す図である。
【図３】アクセスログのデータ構造を示す図である。
【図４】推薦サーバの内部構造を示す図である。
【図５】日時重みテーブル記憶装置の内部を示す図である。
【図６】ユーザ・アイテム間評価行列記憶部の内部を示す図である。
【図７】利用者類似度表記憶部の内部を示す図である。
【図８】日時別推薦アイテムフィルタリングシステムの全体動作を示すフロー図である。
【図９】日時重み算出処理の動作を示すフロー図である。
【発明を実施するための形態】
【００１３】
次に、図面を参照して、本発明の実施の形態を説明する。以下の図面の記載において、同一又は類似の部分には同一又は類似の符号を付している。ただし、図面は模式的なものであることに留意すべきである。
【００１４】
（実施の形態）
（日時別推薦アイテムフィルタリングシステム）
本発明の第１の実施の形態に係る日時別推薦アイテムフィルタリングシステム１００は、図１に示すように、コンテンツサーバ１、推薦サーバ２、ユーザ端末３ａ、３ｂ、３ｃ、インターネット回線網４等を備えている。
【００１５】
コンテンツサーバ１は、ユーザ端末３ａ〜３ｃからコンテンツ要求を受信し、要求されたコンテンツをユーザ端末３ａ〜３ｃに返信するサーバである。更に、本発明の実施の形態においてはコンテンツサーバ１は、コンテンツ要求をユーザ端末３ａ〜３ｃより受信した際に、推薦サーバ２に当該コンテンツ要求受信の旨を送信し、推薦サーバ２は、当該ユーザが好むと思われる推薦アイテムのデータを当該ユーザのユーザ端末３ａ〜３ｃに送信する。
【００１６】
推薦サーバ２は、コンテンツサーバ１がユーザ端末３ａ〜３ｃからコンテンツ要求を受信した際に、当該ユーザが好むと思われる推薦アイテムを選出し、ユーザ端末３ａ〜３ｃに送信する。
【００１７】
ユーザ端末３ａ〜３ｃは、コンテンツサーバ１や推薦サーバ２と通信を行うユーザが使用するパーソナルコンピュータ等の端末である。ユーザ端末３ａ〜３ｃは、コンテンツサーバ１へのコンテンツ要求送信、又コンテンツサーバ１または推薦サーバ２から提供されるコンテンツの表示や再生を行う為の入力装置、出力装置、通信制御装置、ＣＰＵ、記憶装置、表示装置等を備えている。
【００１８】
インターネット回線網４は、アナログ回線、ディジタル回線、PHS回線、携帯電話回線、ケーブル回線等の公衆通信回線網である。インターネット回線網４は、コンテンツサーバ１、推薦サーバ２及びユーザ端末３ａ〜３ｃ間を接続する。尚、コンテンツサーバ１と推薦サーバ２はインターネット回線網４の他、有線無線の高速専用回線で接続されていても構わない。
【００１９】
（コンテンツサーバ）
コンテンツサーバ１は、図２に示すように、入力装置１１、出力装置１２、通信制御装置１３、一時記憶装置１４、中央制御装置（以下「ＣＰＵ」と記載）１５、アクセス記憶部１６等を備える。
【００２０】
アクセス記憶部１６は、ユーザ端末３ａ〜３ｃからコンテンツサーバ１へのアクセス記録を格納する。アクセス記録部では図３に示すように、コンテンツへのアクセスの一回分が一レコードとして記録し、アクセスのあった「日時」、アクセスしてきたユーザの「ユーザＩＤ」、当該ユーザがアクセスした「コンテンツＩＤ」等をアクセス記録テーブルとして記憶する。
【００２１】
ＣＰＵ１５は、アクセス記録生成手段１５ａ、コンテンツ要求受信手段１５ｂ、推薦アイテム要求送信手段１５ｃ、要求コンテンツ送信手段１５ｄを備える。ＣＰＵ１５がこれらの手段を適宜実行することでプログラムは実行される。
【００２２】
アクセス記録生成手段１５ａは、ユーザ端末３ａ〜３ｃからコンテンツサーバ１へのアクセスがあった際に、そのアクセス記録を作成しアクセス記憶部１６に格納する。
【００２３】
コンテンツ要求受信手段１５ｂは、ユーザ端末３ａ〜３ｃからコンテンツサーバ１へのコンテンツ要求を受信する。
【００２４】
推薦アイテム要求送信手段１５ｃは、コンテンツ要求を受信後、要求のあったユーザに適した推薦アイテムを、当該ユーザのユーザ端末に送信するように推薦サーバ２に依頼する。
【００２５】
要求コンテンツ送信手段１５ｄは、当該ユーザに要求されたコンテンツを、当該ユーザのユーザ端末３ａ〜３ｃに送信する。
【００２６】
入力装置１１は、キーボード、マウス、又はハードディスク等の外部記憶装置からの入力信号を受信するインタフェースである。出力装置１２は、処理結果等を出力するための装置であり、具体的には液晶ディスプレイ、ＣＲＴディスプレイ、プリンタ等を指す。通信制御装置１３は、外部の装置間においてデータを送受信する為の制御信号を生成する。一時記憶装置１４は、演算処理等を行う際に使用する作業用メモリである。
【００２７】
（推薦サーバ）
推薦サーバ２は、図４に示すように、入力装置２１、出力装置２２、通信制御装置２３、一時記憶装置２４、ＣＰＵ２５、日時重みテーブル記憶部２６、ユーザ・アイテム間評価行列記憶部２７、重み付けユーザ・アイテム間評価行列記憶部２８、利用者類似度表記憶部２９等を備える。ＣＰＵ２５は、推薦アイテム要求受信手段２５ａ、ユーザ・アイテム間評価行列作成手段２５ｃ、日時重み算出手段２５ｂ、ユーザ・アイテム間評価行列重み付け手段２５ｄ、利用者類似度算出手段２５ｅ、アイテム評価推定値算出手段２５ｆ、推薦アイテム回答手段２５ｇ等を備える。尚、ＣＰＵ２５がこれらの手段を適宜実行することでプログラムは実行される。
【００２８】
日時重みテーブル記憶部２６は、図５に示すように、アクセスの「日時」、ユーザを特定する「ユーザＩＤ」、コンテンツを特定する「コンテンツＩＤ」、日時にて算出される「日時重み」等から構成される日時重みテーブルを格納する。
【００２９】
ユーザ・アイテム間評価行列記憶部２７は、どのユーザがどのアイテムを何回閲覧したか等によりユーザ毎の各アイテムの評価を保有するユーザ・アイテム間評価行列テーブルを格納する。ユーザ・アイテム間評価行列テーブルは、図６に示すように、各「ユーザＩＤ」と各「アイテムＩＤ」から構成される表であり、この表内には特定ユーザの特定アイテムに対する評価値が格納される。尚、新規に追加されたアイテムで、当該行列のユーザから未だ評価がなされていないアイテムに対しては「Null」値が格納される。
【００３０】
重み付けユーザ・アイテム間評価行列記憶部２８は、ユーザ・アイテム間評価行列記憶部２７のユーザ・アイテム間評価行列テーブルに格納される各評価値に、日時毎の重み付けを行った結果値（重み付けユーザ・アイテム間評価値）を重み付けユーザ・アイテム間評価行列テーブルとして格納する。
【００３１】
利用者類似度表記憶部２９は、図７に示すように、ユーザ・ユーザ間の類似度値を格納する利用者類似度テーブルを格納する。
【００３２】
推薦アイテム要求受信手段２５ａは、コンテンツサーバ１より所定ユーザに対する推薦アイテムの送信要求を受信する。
【００３３】
日時重み算出手段２５ｂは、ユーザがコンテンツにアクセスしてきた曜日、時間等の日時情報を基に重みを算出し、図５の日時重みテーブル記憶部２６内の日時重みテーブルの日時毎に「日時重み」を格納する。日時重み算出手段２５ｂは、時間重み算出手段４１、曜日重み算出手段４２、直近重み算出手段４３を備える。時間重み算出手段４１は、ユーザがコンテンツにアクセスしてきた時間が、予め設定される時間に近いほど大きな値となる関数を用いて時間重みを算出する。曜日重み算出手段４２は、ユーザがコンテンツにアクセスしてきた曜日が、予め設定される曜日であれば大きな値となる関数を用いて曜日重みを算出する。直近重み算出手段４３は、ユーザがコンテンツにアクセスしてきた時間が、現在時刻に近いほど大きな値となる関数を用いて直近重みを算出する。
【００３４】
ユーザ・アイテム間評価行列作成手段２５ｃは、図６のユーザ・アイテム間評価行列記憶部２７内のユーザ・アイテム間評価行列テーブルを作成する。ユーザ・アイテム間評価値は、どのユーザがどのアイテムを何回閲覧したか等により決定する。
【００３５】
ユーザ・アイテム間評価行列重み付け手段２５ｄは、ユーザ・アイテム間評価行列テーブル内のユーザ・アイテム間評価値に重み付け処理を行う。重み付け処理は図５の日時重みテーブル記憶部２６に格納される日時重み値をユーザ・アイテム間評価値に対して加算、乗算等することで行われ、この結果、重み付きユーザ・アイテム間評価値が算出される。
【００３６】
利用者類似度算出手段２５ｅは、二人のユーザが共通に評価したアイテムにはピアソン相関関係があるとの前提により、二人のユーザ間の類似度を所定数式を用いて算出し、利用者類似度表記憶部２９内の利用者類似度テーブル内に格納する。所定数式については後述する。
【００３７】
アイテム評価推定値算出手段２５ｆは、ユーザ類似度値や重み付きユーザ・アイテム間評価値を基に、所定数式を用いて、推薦ユーザへの各アイテムの推定評価値を算出する。各アイテムとは、新規アイテムも含めた全てのアイテムを指す。
【００３８】
推薦アイテム回答手段２５ｇは、算出された各アイテムの推定評価値を昇順ソートし、推定評価値の高いもの、すなわち推薦ユーザが好むと推測されるものの上位いくつかを推薦アイテムとしてユーザ端末３ａ〜３ｃに対して送信する。
【００３９】
尚、その他の装置２１〜２４についてはコンテンツサーバ１と同様であるため説明を省略する。
【００４０】
（日時別推薦アイテムフィルタリングシステムの動作）
次に、日時別推薦アイテムフィルタリングシステム１００の動作について図８のフローチャートを用いて説明する。
【００４１】
（ａ）ステップＳ１０１においては、コンテンツサーバ１がユーザ端末３ａ〜３ｃの内のあるユーザａよりコンテンツ要求を受けると、当該ユーザａに相応しい推薦アイテムを送信するよう推薦サーバ２へ要求する。推薦サーバ２の推薦アイテム要求受信手段２５ａは、コンテンツサーバ１からのこのユーザａに対する推薦アイテムの要求を受信する。
【００４２】
（ｂ）ステップＳ１０２においては、日時重み算出手段２５ｂが日時の重みを算出する。本算出処理については後に詳述する。次に、ステップＳ１０３において、ユーザ・アイテム間評価行列作成手段２５ｃが、図６に示すユーザ・アイテム間評価値行列Ｓを作成する。ユーザ・アイテム間評価値行列Ｓとは、ｎ人の全ユーザの集合（ｘ＝｛１，２,…,n｝）を行、m種類の全アイテムの集合（ｙ＝｛１，２,…,ｍ｝）を列としたもので、ユーザiのアイテムjへの評価値Ｓijを要素とする行列である。ユーザ・アイテム間評価行列作成手段２５ｃは、図３のアクセス記憶部１６に格納されるアクセス記録テーブルレコードをコンテンツサーバ１から送信してもらい、アクセス記録テーブルレコード一行毎に、Ｓijの値を、ユーザiがアイテムjを閲覧済みならば「＋１」とし、未閲覧ならば「Null」とする。複数回の閲覧についてもその回数に応じて、Ｓijの値を増加させる。また、すべてのＳijに対して、対数関数等の増加関数を適用し、閲覧回数の極端に大きなアイテムＳijについては、圧縮を行うようにしてもよい。
【００４３】
（ｃ）ステップＳ１０４においては、ユーザ・アイテム間評価行列重み付け手段２５ｄが、ユーザ・アイテム間評価値行列Ｓに対して、図５の日時重みテーブル記憶部２６の日時重みを式１のように付加する処理を行う。
【００４４】
Ｓij =Ｓij+wj …（式１）
このように重みを付加することで、ユーザ・アイテム間評価値行列Ｓに対して、日時重みを反映させることができる。尚、本計算では重みの加算を行っているが、未閲覧Sijの値を「１」等とし、重みを乗算して求めることも可能である。
【００４５】
（ｄ）ステップＳ１０５においては、利用者類似度算出手段２５ｅが、下記のピアソン相関係数を用いた式２を用いて推薦ユーザａと標本ユーザｉ間の類似度値ρaiを算出する。
【数１】
【００４６】
ただし、式２において、Ｙaiはユーザａとユーザｉの二人が共通に評価したアイテムの集合、即ち下記の式３を満たすものとする。式４はＹaiにおけるユーザa及びユーザiの評価値の平均である。
【００４７】
Ｙai ＝Ｙa ∩ Ｙi …（式３）
【数２】
【００４８】
尚、｜Ｙai｜≦１、即ちユーザａとユーザｉが共通に評価したアイテムが１つ以下ならば、ピアソン相関は計算できないので、ρai＝０とする。またsi’はYaiにおけるユーザiの評価値の平均値である。
【００４９】
（ｅ）ステップＳ１０６においては、アイテム評価推定値算出手段２５ｆが、推薦アイテムを受けるユーザａのアイテムjへの評価値の推定値Ｓajを、式２で求めた類似度値ρaj等を用いて下記の式５を用いて算出する。
【数３】
【００５０】
ただし、Ｘjはアイテムｊを評価済みのユーザの集合である。ここで
はＹiにおけるユーザiの評価値の平均であり、次式で計算できる。
【数４】
【００５１】
尚、ａ∈Ｘjなる状況では、Ｓajの推定が不要になるので想定しなくてもよい。
【００５２】
（ｆ）ステップＳ１０７においては、推薦アイテム回答手段２５ｇが、アイテムｊ毎の推定値Ｓajを昇順ソートし、ステップＳ１０８において、推定値Ｓajが高い、上位の数アイテムからユーザａの推薦アイテムを選択し、推薦アイテム要求の回答結果として、ユーザａのユーザ端末３ａ〜３ｃに対して返信する。
【００５３】
尚、本実施の形態においてはユーザ・アイテム間評価行列を用いて推薦アイテムへの評価値を求めているが、アイテム・アイテム間評価行列を用いて推薦アイテムへの評価値を求めるようにすることも可能である。
【００５４】
（日時重み算出処理）
次にステップＳ１０２の日時重み算出手段２５ｂによる日時重み算出処理について図１０のフローチャートを参照して詳細に説明する。
【００５５】
（ａ）ステップＳ２０１において、コンテンツサーバ１に図２のアクセス記憶部１６に格納されるアクセス記録データを送信依頼し、当該アクセス記録データを受信する。ステップＳ２０２においては、時間重み算出手段４１が時間の重みｗｈを算出する。時間の重みｗｈは、ユーザに対する当該アイテムを推薦すべき時間帯であり、コンテンツ経営者等のサービス側が予め設定しておくものとする。例えば、ある推薦アイテムの推薦時間帯を平日午前１０〜１２時と設定しているとすると、アクセス記録データ毎にこの時間の重みｗｈを算出する。まず、式７を用いて正規化された時刻ｘの値を求める。ｘの値域は、0≦ｘ≦１となる。
【００５６】
ｘ＝(アクセス時刻hh時 −11)/24+0.5 …（式７）
例えば、図３のアクセス記録データ内のアクセスログ３１「2010-0320-20:13:50」について説明すると、アクセス時間が２０時であるため、ｘ＝0.875となる。次に正規化された時刻ｘを式８の窓関数に投入し数値解析を単純化する。
【００５７】
wh(x) = 0.355768−0.487396 cos2πx ＋0.144232 cos4πx−0.012604 cos6πx …（式８）
式８により時間の重みwhが算出される。尚、アクセスログ３１の２０時の場合の時間の重みwh (0.875)は0.02となる。wh(x)はナットール窓関数で、x=0.5で最大値1.0であり、x=0.5を中心になだらかに減少する関数である。xの値域は、0≦x≦1となる。尚、本実施の形態では窓関数としてナットール窓関数を例示したが、他にも、ハミング窓、ハニング窓等を選択可能である。選択においては、時間帯において、アクセスログ同士の重みの差をつけたい場合は急激に減衰する窓関数を用いればよいし、あまり重み差をつけたくない場合は、なだらかな減衰を持つ窓関数を用いればよい。
【００５８】
（ｂ）次にステップＳ２０３において曜日重み算出手段４２が曜日単位の重みを算出する。曜日ｈの算出には式９のツェラーの公式を用いる。
【数５】
【００５９】
式９では、求めたい日の年の千位と百位の連続の数字（例えば2310年ならば23）をJ、年の下2桁（年 mod 100）をK、月をm、日をq、と代入することで曜日hが得られる。ただし、求めたい日の月が1月、2月の場合はそれぞれ前年の13月、14月とする（例えば、2007年1月1日なら2006年13月1日とする）。この結果、hが0なら土曜日、1なら日曜日、2なら月曜日、3なら火曜日、4なら水曜日、5なら木曜日、6なら金曜日と西暦から曜日を算出することができる。式３にアクセスログ３１「2010-0320-20:13:50」を代入すると、h=0となり、土曜日であることが分かる。
【００６０】
曜日の重みwdayとしては、例えば平日を重く、休日を軽く設定する場合には、
wday =1 (if h=2,…,6) …（式１０）
wday =0.25 (if h=0,1) …（式１１）
式１０のように平日の重みを1、式１１のように休日の重みを0.25とする。重み値wdayは自由に設定可能であり、各国の祭日・休日についても考慮に入
れて、たとえ平日であっても休日として重みを付けても良い。また、休日・平日で更に重み差をつけたい場合は、平日＝1、休日＝0.01のように設定する。尚、アクセスログ３１だと土曜日なので重みwdayは0.25となる。
【００６１】
（ｃ）次にステップＳ２０４において、直近重み算出手段４３が直近アクセスに対する重みw_nowを設定する。直近重みw_nowにはまず式１２を用いて正規化されたｘを算出する。
【００６２】
ｘ = (該当タイムスタンプ‐最古タイムスタンプ）/（最新タイムスタンプ‐最古タイムスタンプ） …（式１２）
式１２は、アクセスログの各タイムスタンプについてもっとも古いタイムスタンプだと0、もっとも最新のタイムスタンプであると1.0となるよう正規化された時刻ｘを求める。たとえば、図３のアクセスログ３１が該当タイムスタンプ、アクセスログ３２が最古タイムスタンプ、アクセスログ３３が最新タイムスタンプだとすると、
ｘ =24時間5秒÷25時間42分≒0.93となる。このｘを式１３の増加関数に投入する。
【００６３】
w_now=f(x) (0≦ｘ≦1)…（式１３）
尚、ｆは適当な増加関数であり、直近のログを重視する場合はｘ^3などの関数を用いればよい。例えば、ｆ(ｘ^3)である場合、図３のアクセスログ３１の場合、w_now=（0.93）^3≒0.8となる。
【００６４】
（ｄ）次にステップＳ２０５において、求められたすべての重みを式１４のように乗算し、ログの重みｗを求める。
【００６５】
w= wh*wday*w_now …（式１４）
図３のアクセスログ３１の場合w= 0.02*0.25*0.8=0.004となる。
【００６６】
尚、本発明の実施の形態においては時間重み、曜日重み及び直近重みの全てを用いて重み計算をしているが、アイテム推薦の設定に応じて使用する重みの種類は適宜選択可能である。
【００６７】
最後にステップＳ２０６において、算出された重みwは、図５の日時重みテーブル記憶部２６に格納される。
【産業上の利用可能性】
【００６８】
このように、本発明によると、ユーザが推薦を受ける時間帯・平日・休日を加味し、古くから存在するコンテンツの影響を考慮しながら、新規コンテンツに対してでもユーザの嗜好に合わせた的確なアイテムの推薦を行うことができる。
【符号の説明】
【００６９】
１…コンテンツサーバ
２…推薦サーバ
３ａ、３ｂ、３ｃ…ユーザ端末
４…インターネット回線網
１１…入力装置
１２…出力装置
１３…通信制御装置
１４…一時記憶装置
１５…ＣＰＵ
１５ａ…アクセス記録生成手段
１５ｂ…コンテンツ要求受信手段
１５ｃ…推薦アイテム要求送信手段
１５ｄ…要求コンテンツ送信手段
１６…アクセス記憶部
２１…入力装置
２２…出力装置
２３…通信制御装置
２４…一時記憶装置
２５…ＣＰＵ
２５ａ…推薦アイテム要求受信手段
２５ｂ…日時重み算出手段
２５ｃ…ユーザ・アイテム間評価行列作成手段
２５ｄ…ユーザ・アイテム間評価行列重み付け手段
２５ｆ…アイテム評価推定値算出手段
２５ｇ…推薦アイテム回答手段
２５ｉ…利用者類似度算出手段
２６…日時重みテーブル記憶部
２７…ユーザ・アイテム間評価行列記憶部
２８…ユーザ・アイテム間評価行列記憶部
２９…利用者類似度表記憶部
３１、３２、３３…アクセスログ
４１…時間重み算出手段
４２…曜日重み算出手段
４３…直近重み算出手段
１００…日時別推薦アイテムフィルタリングシステム
【特許請求の範囲】
【請求項１】
コンテンツにアクセスするユーザの嗜好情報を蓄積し、前記嗜好情報の類似した標本ユーザの情報を用いて、推薦サーバがアイテムを推薦すべき推薦ユーザにアイテムを推薦する推薦アイテムフィルタリング方法であって、
前記ユーザがコンテンツにアクセスしてきた日、時間帯を含む日時情報を取得し、前記日時情報基に、日時重み算出手段が日時重みを算出し、日時重みテーブル記憶部に格納するステップと、
各ユーザの各アイテムに対する評価値を列化したユーザ・アイテム間評価行列をユーザ・アイテム間評価行列作成手段が作成するステップと、
前記ユーザ・アイテム間評価行列の前記評価値に対し、ユーザ・アイテム間評価行列重み付け手段が、前記日時重みテーブル記憶部より取得する前記日時重みを重み付けするステップと、
前記標本ユーザと前記推薦ユーザ間の類似度を利用者類似度算出手段が算出するステップと、
前記類似度値及び重み付けされた前記評価値を含む数値を基に、前記推薦ユーザへの各アイテムの推定評価値をアイテム評価推定値算出手段が算出するステップと、
算出された前記各アイテムの推定評価値の内、推薦アイテム回答手段が前記推定評価値の高いものを推薦アイテムとして前記推薦ユーザに回答するステップ
とを備えることを特徴とする日時別推薦アイテムフィルタリング方法。
【請求項２】
前記日時重みを算出し日時重みテーブル記憶部に格納するステップは、
前記ユーザがコンテンツにアクセスしてきた時間が、予め設定される時間に近いほど大きな値となる関数を用いて時間重み算出手段が時間重みを算出するステップと、
前記ユーザがコンテンツにアクセスしてきた曜日が、予め設定される曜日であれば大きな値となる関数を用いて曜日重み算出手段が曜日重みを算出するステップ
の少なくともいずれか一つを含むことを特徴とする請求項１に記載の日時別推薦アイテムフィルタリング方法。
【請求項３】
前記日時重みを重み付けするステップは、
前記ユーザがコンテンツにアクセスしてきた時間が、現在時刻に近いほど大きな値となる関数を用いて直近重み算出手段が直近重みを算出するステップ
を更に備えることを特徴とする請求項１又は２に記載の日時別推薦アイテムフィルタリング方法。
【請求項４】
請求項１乃至３のいずれかに記載の日時別推薦アイテムフィルタリング方法を推薦サーバに実行させるための日時別推薦アイテムフィルタリングプログラム。
【請求項１】
コンテンツにアクセスするユーザの嗜好情報を蓄積し、前記嗜好情報の類似した標本ユーザの情報を用いて、推薦サーバがアイテムを推薦すべき推薦ユーザにアイテムを推薦する推薦アイテムフィルタリング方法であって、
前記ユーザがコンテンツにアクセスしてきた日、時間帯を含む日時情報を取得し、前記日時情報基に、日時重み算出手段が日時重みを算出し、日時重みテーブル記憶部に格納するステップと、
各ユーザの各アイテムに対する評価値を列化したユーザ・アイテム間評価行列をユーザ・アイテム間評価行列作成手段が作成するステップと、
前記ユーザ・アイテム間評価行列の前記評価値に対し、ユーザ・アイテム間評価行列重み付け手段が、前記日時重みテーブル記憶部より取得する前記日時重みを重み付けするステップと、
前記標本ユーザと前記推薦ユーザ間の類似度を利用者類似度算出手段が算出するステップと、
前記類似度値及び重み付けされた前記評価値を含む数値を基に、前記推薦ユーザへの各アイテムの推定評価値をアイテム評価推定値算出手段が算出するステップと、
算出された前記各アイテムの推定評価値の内、推薦アイテム回答手段が前記推定評価値の高いものを推薦アイテムとして前記推薦ユーザに回答するステップ
とを備えることを特徴とする日時別推薦アイテムフィルタリング方法。
【請求項２】
前記日時重みを算出し日時重みテーブル記憶部に格納するステップは、
前記ユーザがコンテンツにアクセスしてきた時間が、予め設定される時間に近いほど大きな値となる関数を用いて時間重み算出手段が時間重みを算出するステップと、
前記ユーザがコンテンツにアクセスしてきた曜日が、予め設定される曜日であれば大きな値となる関数を用いて曜日重み算出手段が曜日重みを算出するステップ
の少なくともいずれか一つを含むことを特徴とする請求項１に記載の日時別推薦アイテムフィルタリング方法。
【請求項３】
前記日時重みを重み付けするステップは、
前記ユーザがコンテンツにアクセスしてきた時間が、現在時刻に近いほど大きな値となる関数を用いて直近重み算出手段が直近重みを算出するステップ
を更に備えることを特徴とする請求項１又は２に記載の日時別推薦アイテムフィルタリング方法。
【請求項４】
請求項１乃至３のいずれかに記載の日時別推薦アイテムフィルタリング方法を推薦サーバに実行させるための日時別推薦アイテムフィルタリングプログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【公開番号】特開２０１１−２５７９５３（Ｐ２０１１−２５７９５３Ａ）
【公開日】平成２３年１２月２２日（２０１１．１２．２２）
【国際特許分類】
【出願番号】特願２０１０−１３１３５７（Ｐ２０１０−１３１３５７）
【出願日】平成２２年６月８日（２０１０．６．８）
【出願人】（０００００４２２６）日本電信電話株式会社 (13,992)
【Ｆターム（参考）】
【公開日】平成２３年１２月２２日（２０１１．１２．２２）
【国際特許分類】
【出願日】平成２２年６月８日（２０１０．６．８）
【出願人】（０００００４２２６）日本電信電話株式会社 (13,992)
【Ｆターム（参考）】
[ Back to top ]