消費者情報処理装置
【課題】時間の経過により消費される商品構成が変化した場合でも、過去のクラスタリングの結果を円滑かつ確実に継承し、複数のユニットの属性を継承して利用する。
【解決手段】情報処理装置４００は、歌唱履歴データベース３１３１より取得された歌唱履歴情報を用いて、消費者ごとに第１特徴ベクトルを生成する。そして、予め実行されたクラスタリングの結果に対応して予め嗜好データベース３１３２に記憶された、消費者ＩＤとユニットとの対応付けを、消費者ごとに生成された第１特徴ベクトルに対して適用し、各ユニットのベクトル状態量を、各ユニットごとに決定する。そして、各ユニットごとに決定されたベクトル状態量を各ユニットの代表ベクトルの初期値として用いて、複数の消費者ＩＤにそれぞれ対応付けられた複数の第１特徴ベクトルをクラスタリングし、各消費者ＩＤに複数のユニットのいずれかを対応付ける。
【解決手段】情報処理装置４００は、歌唱履歴データベース３１３１より取得された歌唱履歴情報を用いて、消費者ごとに第１特徴ベクトルを生成する。そして、予め実行されたクラスタリングの結果に対応して予め嗜好データベース３１３２に記憶された、消費者ＩＤとユニットとの対応付けを、消費者ごとに生成された第１特徴ベクトルに対して適用し、各ユニットのベクトル状態量を、各ユニットごとに決定する。そして、各ユニットごとに決定されたベクトル状態量を各ユニットの代表ベクトルの初期値として用いて、複数の消費者ＩＤにそれぞれ対応付けられた複数の第１特徴ベクトルをクラスタリングし、各消費者ＩＤに複数のユニットのいずれかを対応付ける。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、複数の消費者の識別情報を複数のユニットにクラスタリングする、消費者情報処理装置に関する。
【背景技術】
【０００２】
従来、情報のクラスタリングを行う技術として、例えば特許文献１に記載の従来技術が開示されている。この従来技術では、情報分類装置の制御部が、学習時の処理と、分類処理時の処理とで異なる処理を実行する。上記学習時の処理には、機能的には、前処理部と、特徴量演算部と、クラスタ生成部と、学習処理部とが含まれている。
【０００３】
前処理部は、学習画像データから顔部分を認識し、当該顔部分の画像を正規化する。特徴量演算部は、前処理部が出力する画像に基づいて、分類項目との関係において定められる、ベクトル量である特徴量情報を演算する。クラスタ生成部は、クラスタリングにより特徴量情報を用いた学習用画像データのクラスタ分類を行う。具体的には、クラスタ生成部は、初めに、複数の特徴量情報のそれぞれについて、特徴量空間の座標値を演算する。次に、クラスタ生成部は、予め指定された、複数のユニットに相当する複数のクラスタの、代表ベクトルに相当するクラスタ中心を決定する。
【０００４】
このクラスタ生成部によるクラスタ中心の決定では、まず、初期値のクラスタ中心が例えばランダムに設定される。次に、各学習画像データから得られた特徴量情報が、それぞれ特徴量空間内で最も近いクラスタ中心に関連づけられる。そして、各クラスタ中心ごとに、関連づけられた特徴量情報に係る特徴量空間の重心座標が演算される。そして、その演算された重心座標が、新たなクラスタ中心とされる。クラスタ生成部は、これらの処理を、新たなクラスタ中心が、元のクラスタ中心と変化がなくなるまで繰り返す。これにより、各クラスタのクラスタ中心を決定すると共に、各学習画像データに係る特徴量情報を、特徴量空間で最も近いクラスタ中心に関連づけることができる。
【０００５】
そして、クラスタ生成部は、各クラスタ中心ごとに、クラスタ中心に関連づけられた特徴量情報を、学習処理部へ出力する。学習処理部は、クラスタ生成部より入力された各学習画像データに係る特徴量情報で特定された学習データベースの学習を行う。以上のように学習が行われる結果、学習用に用意された複数の画像データについて、分類項目との関係において定められたクラスタに対応した複数の学習データベースが生成される。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開２００７−４８１７２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００７】
上記従来技術において、情報分類装置の制御部が再び学習時の処理を実行する際には、上記と同様に、初期値のクラスタ中心はランダムに設定される。そして、このランダムに設定されたクラスタ中心を初期値として用いて、新たなクラスタリングが行われる。
【０００８】
ここで、例えばある時点において消費者により消費される商品構成に対する消費者の消費行動に基づいて、過去のクラスタリングの結果を活用して、複数の消費者の識別情報を複数のユニットに新たにクラスタリングする場合を考える。この場合、上記従来技術のように、ランダムに設定したベクトルを各ユニットの代表ベクトルの初期値として用いて新たなクラスタリングを行うと、各消費者の識別情報が過去のクリスタリングにおいて振り分けられたユニットと異なるユニットに振り分けられうる。このため、過去のクラスタリングの結果を継承できないおそれがあった。
【０００９】
上記を回避するために、過去のクラスタリングの結果を継承し活用する際に、各ユニットの代表ベクトルを今回のクラスタリングのために継承する手法も考えられる。しかしながらこの手法では、時間の経過により消費される商品構成が変化した場合には、ユニットの属性の継承がうまくいかなくなるおそれがあった。
【００１０】
本発明の目的は、時間の経過により消費される商品構成が変化した場合でも、過去のクラスタリングの結果を円滑かつ確実に継承し、複数のユニットの属性を継承して利用することができる消費者情報処理装置を提供することにある。
【課題を解決するための手段】
【００１１】
上記目的を達成するために、第１の発明は、複数の消費者の識別情報を複数のユニットにクラスタリングする消費者情報処理装置であって、商品の識別情報と当該商品に対する複数の消費者の消費行動履歴とを対応付けた消費履歴情報を各商品ごとに記憶した消費者データベースにアクセスし、複数の商品に対する複数の消費者の消費履歴情報を取得する履歴取得手段と、前記履歴取得手段により取得された前記複数の商品に対する前記複数の消費者の前記消費履歴情報を用いて、新たなクラスタリングを行うために用意された第１商品構成に対する前記消費者の消費行動を表す第１特徴ベクトルを生成し、生成した第１特徴ベクトルと当該消費者の識別情報とを対応付ける第１特徴ベクトル生成手段と、予め実行されたクラスタリングの結果に対応して予め記憶された、前記消費者の識別情報と前記ユニットとの対応付けを、第１特徴ベクトル生成手段により前記消費者ごとに生成された第１特徴ベクトルに対して適用し、各ユニットのベクトル状態量を、各ユニットごとに決定する状態量決定手段と、前記状態量決定手段で各ユニットごとに決定されたベクトル状態量を各ユニットの代表ベクトルの初期値として用いて、前記複数の消費者の識別情報にそれぞれ対応付けられた複数の前記第１特徴ベクトルをクラスタリングし、各消費者の識別情報に前記複数のユニットのいずれかを対応付ける第１クラスタリング手段とを有する。
【００１２】
本願第１発明においては、消費者データベースに各消費者の消費履歴情報が記憶されている。履歴取得手段によって、複数の商品に対する複数の消費者の消費履歴情報が消費者データベースから取得される。取得された消費履歴情報を用いて、第１特徴ベクトル生成手段が消費者の第１特徴ベクトルを生成する。第１特徴ベクトルは、新たなクラスタリングを行うために用意された商品構成に対する、消費者の消費行動を表すベクトルである。生成された第１特徴ベクトルは、第１特徴ベクトル生成手段によって、当該第１特徴ベクトルに対応する消費者の識別情報に対し対応付けられる。
【００１３】
上記のようにして消費者ごとに生成された第１特徴ベクトルを用いて、状態量決定手段がベクトル状態量を決定する。具体的には、新たに実行するクラスタリングに先立ち行われたクラスタリングの結果に対応して、消費者の識別情報とユニットとの対応付けが、予め記憶されている。この対応付けを用いることで、上記消費者ごとに生成された第１特徴ベクトルを、各ユニットごとに集計することができる。集計された第１特徴ベクトルの値を用いて、各ユニットごとに上記ベクトル状態量が決定される。この決定されたベクトル状態量を各ユニットの代表ベクトルの初期値として用い、第１クラスタリング手段が、上記複数の第１特徴ベクトルをクラスタリングする。これにより、各消費者の識別情報に対し、複数のユニットのいずれかを対応付けることができる。
【００１４】
以上のようにして、本願第１発明においては、過去のクラスタリングの結果を活用して新たなクラスタリングを行う。これにより、ランダムベクトルを初期値として用いて新たなクラスタリングを行う場合と異なり、過去のクラスタリング時から長期間が経過したり商品構成が大きく変動した場合等であっても、各消費者の識別情報が振り分けられるユニットが大きく異ならず、概ね同等のユニットとなる。
【００１５】
特に、過去のクラスタリングの結果を継承し活用する際に、各ユニットの代表ベクトルを今回のクラスタリングのために継承する手法では、時間の経過により消費される商品構成が変化するため、継承がうまくいかない。本願第１発明では、各ユニットの代表ベクトルを継承するのではなく、各ユニットに所属する消費者を継承し、当該消費者について新しい商品構成により特徴ベクトルを算出し、その特徴ベクトルに基づくベクトル状態量を用いて新たなクラスタリングを行う。これにより、上記と異なり、時間の経過により消費される商品構成が変化した場合でも、過去のクラスタリングの結果を円滑かつ確実に継承し、複数のユニットの属性を継承して利用することができる。
【００１６】
第２の発明は、上記第１発明において、複数の商品に対する複数の消費者の前記消費履歴情報を用いて、予め定められた初期クラスタリング用商品構成に対する各消費者の消費行動を表す初期クラスタリング用特徴ベクトルを生成し、生成した初期クラスタリング用特徴ベクトルと当該消費者の識別情報とを対応付ける第２特徴ベクトル生成手段と、予め用意された、前記複数のユニットそれぞれの初期クラスタリング用代表ベクトルを用いて、前記複数の消費者の識別情報にそれぞれ対応付けられた複数の前記初期クラスタリング用特徴ベクトルをクラスタリングする第２クラスタリング手段とをさらに有し、前記状態量決定手段は、前記第２クラスタリング手段による前記初期クラスタリング用特徴ベクトルのクラスタリング結果に対応して記憶された、複数の消費者の識別情報と前記複数のユニットとの初期的対応付けを、前記第１特徴ベクトル生成手段により各消費者ごとに生成された前記第１特徴ベクトルに対して適用し、各ユニットの前記ベクトル状態量を、各ユニットごとに決定することを特徴とする。
【００１７】
本願第２発明の消費者情報処理装置は、過去に自らが行ったクラスタリングの結果を活用して新たなクラスタリングを行う。すなわち、過去のクラスタリング実行時には、所定の初期クラスタリング用商品構成に対する初期クラスタリング用特徴ベクトルが第２特徴ベクトル生成手段によって生成され、生成された初期クラスタリング用特徴ベクトルと当該ベクトルに対応する各消費者の識別情報とが対応付けられる。このようにして複数の消費者の識別情報にそれぞれ対応付けられた複数の初期クラスタリング用特徴ベクトルは、各ユニットに対し予め用意された初期クラスタリング用代表ベクトルを用いて、第２クラスタリング手段によってクラスタリングされる。このクラスタリングにより、複数の消費者の識別情報と複数のユニットのいずれかとが対応付けられて記憶される。
【００１８】
上記のようにして記憶された消費者の識別情報と各ユニットとの対応付けが、状態量決定手段によって、各消費者ごとに生成された第１特徴ベクトルに適用される。これによって、各ユニットのベクトル状態量が、各ユニットごとに決定される。
【００１９】
以上の結果、本願第２発明の消費者情報処理装置は、時間の経過により消費される商品構成が変化した場合でも、自らの行った過去のクラスタリングの結果を円滑かつ確実に継承し、複数のユニットの属性を継承して利用することができる。
【００２０】
第３の発明は、上記第２発明において、複数の商品に対する複数の消費者の前記消費履歴情報を参照し、全ての前記初期クラスタリング用商品構成に対する前記初期クラスタリング用特徴ベクトルが０である消費者、若しくは、所定期間内における消費行動の回数が所定のしきい値以下である消費者、に対応する前記初期クラスタリング用特徴ベクトルを、前記第２クラスタリング手段でのクラスタリングの対象から除外する、除外処理手段を有することを特徴とする。
【００２１】
データとしての利用価値が乏しい情報をノイズとしてクラスタリング対象から除外することにより、クラスタリングにおける精度を向上すると共に、処理時間を短縮することができる。
【００２２】
第４の発明は、上記第１発明において、前記状態量決定手段は、各ユニットに属する全消費者の前記第１特徴ベクトルの平均値を算出し、当該平均値を前記ベクトル状態量に決定することを特徴とする。
【００２３】
本願第４発明においては、ベクトル状態量として、各ユニットに属する全消費者の第１特徴ベクトルの平均値を用いる。これにより、過去のクラスタリングの結果を継承しつつ、新しい商品構成に対応した各ユニットごとの最新の消費傾向を反映させたクラスタリングを実行することができる。
【００２４】
第５の発明は、上記第１発明において、前記状態量決定手段は、各ユニットに属する全消費者の前記第１特徴ベクトルの中央値を選定し、当該中央値を前記ベクトル状態量に決定することを特徴とする。
【００２５】
本願第５発明においては、ベクトル状態量として、各ユニットに属する全消費者の第１特徴ベクトルの中央値を用いる。これにより、過去のクラスタリングの結果を継承しつつ、新しい商品構成に対応した各ユニットごとの最新の消費傾向を反映させたクラスタリングを実行することができる。特に、全消費者の第１特徴ベクトルの平均値でなく中央値を用いることにより、ユニットにおける第１特徴ベクトルの値の分布が偏っていた場合に、その偏り傾向を確実に反映させたクラスタリングを行うことができる。
【発明の効果】
【００２６】
本発明によれば、時間の経過により消費される商品構成が変化した場合でも、過去のクラスタリングの結果を円滑かつ確実に継承し、複数のユニットの属性を継承して利用することができる。
【図面の簡単な説明】
【００２７】
【図１】本発明の第１の実施形態の消費者情報処理装置を備えた商品推奨システムの全体構成を表すシステム構成図である。
【図２】歌唱履歴データベースの記憶内容の一例を概念的に表す表である。
【図３】嗜好データベースの記憶内容の一例を概念的に表す表である。
【図４】初期クラスタリング用の特徴ベクトルを生成する手法の一例を説明する説明図である。
【図５】情報処理装置の制御部が実行する、クラスタリングに関する制御手順を表すフローチャートである。
【図６】ステップＳ１００の詳細手順を表すフローチャートである。
【図７】ステップＳ２００の詳細手順を表すフローチャートである。
【図８】情報処理装置の制御部が実行する、商品推奨に関する制御手順を表すフローチャートである。
【図９】各ユニットに属する全消費者の第１特徴ベクトルの中央値をベクトル状態量に決定する変形例において、ステップＳ２００の詳細手順を表すフローチャートである。
【図１０】各ユニットに属する所定数の消費者の第１特徴ベクトルに基づきベクトル状態量を決定する変形例において、ステップＳ２００の詳細手順を表すフローチャートである。
【図１１】本発明の第２の実施形態の消費者情報処理装置を備えた市場分析システムの全体構成を表すシステム構成図である。
【図１２】情報処理装置のディスプレイに表示された分析画面の一例を表す説明図である。
【図１３】情報処理装置の制御部が実行する、分析に関する制御手順を表すフローチャートである。
【発明を実施するための形態】
【００２８】
以下、本発明の実施の形態を図面を参照しつつ説明する。まず、本発明の第１の実施形態について説明する。
【００２９】
図１を用いて、第１の実施形態の消費者情報処理装置を備えた商品推奨システムを説明する。
【００３０】
図１において、商品推奨システム１は、カラオケルームＫＲに設置されたカラオケ装置１００と、楽曲配信会社２００と、ＤＢサーバ３００と、消費者情報処理装置としての情報処理装置４００と、ＷＥＢサーバ５００と、ＰＣ端末６００と、広告配信会社７００とを有している。
【００３１】
カラオケ装置１００は、カラオケ装置本体１１０と、表示装置１２０と、マイク１１５とを有している。カラオケ装置本体１１０は、例えばＷｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ（ＷＡＮ）等のネットワークＮＷ１を介し楽曲配信会社２００から配信される楽曲データを再生する。表示装置１２０は、楽曲データの再生時に歌唱に係る映像を表示する。マイク１１５は、カラオケ装置本体１１０に接続され、カラオケ利用者である消費者の歌唱の用に供する。消費者は、この例では所定のカラオケ施設における会員として登録されている。
【００３２】
ここで、楽曲配信会社２００からカラオケ装置本体１１０に配信される楽曲データは、商品に含まれる。すなわち、カラオケにおいて消費者が楽曲データを歌唱することは、商品の消費に含まれる。つまり、歌唱行動は、消費行動に含まれる。
【００３３】
上記構成であるカラオケ装置１００は、上記ネットワークＮＷ１を介しＤＢサーバ３００に接続されている。
【００３４】
ＤＢサーバ３００は、制御部３０１と、通信制御部３０２，３０３と、記憶部３１０とを有している。
【００３５】
制御部３０１は、図示しないＣＰＵ及びＲＡＭ、ＲＯＭ等のメモリを備えている。この制御部３０１は、ＲＡＭの一時記憶機能を利用しつつ、記憶部３１０に予め記憶された各種プログラムを実行する。これにより、ＤＢサーバ３００全体の制御を行う。
【００３６】
通信制御部３０２は、上記カラオケ装置本体１１０との間で上記ネットワークＮＷ１を介し行われる情報通信の制御を行う。通信制御部３０３は、上記情報処理装置４００やＷＥＢサーバ５００との間で、例えばＬｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ（ＬＡＮ）等のネットワークＮＷ２を介し行われる情報通信の制御を行う。
【００３７】
記憶部３１０は、例えばＨａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ（ＨＤＤ）等で構成されている。この記憶部３１０は、ＯＳ記憶エリア３１１と、ＲＤＢＭＳ記憶エリア３１２と、データベース記憶エリア３１３と、商品構成の情報記憶エリア３１４とを備えている。
【００３８】
ＯＳ記憶エリア３１１には、所定のＯｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ（ＯＳ）が記憶されている。ＯＳは、コンピュータシステム全体を管理するソウトウェアである。
【００３９】
ＲＤＢＭＳ記憶エリア３１２には、所定のＲｅｌａｔｉｏｎａｌ ＤｅｔａＢａｓｅ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ（ＲＤＢＭＳ）が記憶されている。ＲＤＢＭＳは、いわゆるリレーショナルデータベースを管理するソフトウェアである。
【００４０】
データベース記憶エリア３１３には、会員データベース、歌手データベース、消費者データベースとしての歌唱履歴データベース３１３１（後述の図２参照）、嗜好データベース３１３２（後述の図３参照）、及び広告データベースが記憶されている。
【００４１】
会員データベースには、複数の消費者の会員情報が記憶されている。消費者の会員情報には、例えば消費者の識別情報である消費者ＩＤ、性別、及び生年月日等が含まれている。
【００４２】
歌手データベースには、各歌手ごとに、楽曲データの歌手の識別情報である歌手ＩＤ、及び、歌手名が記憶されている。歌手名は、歌手の名称である。
【００４３】
広告データベースには、各消費者ごとに、上記消費者ＩＤと、当該消費者のＰＣ端末６００に対して出力する推奨情報として決定された、特定の商品を推奨するための推奨情報の識別情報である広告ＩＤとが記憶されている。なお、この広告データベースに、推奨情報自体を記憶させるようにしてもよい。
【００４４】
商品構成の情報記憶エリア３１４には、後述するクラスタリングのために用意された商品構成に係わる情報が記憶されている。本実施形態では、上記商品構成を、歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データとしている。そして、上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の歌手ＩＤが、この商品構成の情報記憶エリア３１４に記憶されている。なお、歌手別歌唱回数ランキングは時間の経過により変化するので、一定の期間が経過したら、その時点における歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の歌手ＩＤを、この商品構成の情報記憶エリア３１４に記憶させる。
【００４５】
上記構成であるＤＢサーバ３００は、上記ネットワークＮＷ２を介し情報処理装置４００及びＷＥＢサーバ５００に接続されている。
【００４６】
情報処理装置４００には、ディスプレイ４２０、キーボード４２１、及びマウス４２２が接続されている。また、情報処理装置４００は、制御部４０１と、通信制御部４０２と、出力制御部４０３と、入力制御部４０４と、記憶部４１０とを有している。
【００４７】
制御部４０１は、図示しないＣＰＵ及びＲＡＭ、ＲＯＭ等のメモリを備えている。この制御部４０１は、ＲＡＭの一時記憶機能を利用しつつ、記憶部４１０に予め記憶された各種プログラムを実行する。これにより、情報処理装置４００全体の制御を行う。
【００４８】
通信制御部４０２は、上記ＤＢサーバ３００やＷＥＢサーバ５００との間で上記ネットワークＮＷ２を介し行われる情報通信の制御を行う。
【００４９】
出力制御部４０３は、上記ディスプレイ４２０への映像信号の出力に関する制御を行う。入力制御部４０４は、上記キーボード４２１やマウス４２２を介した情報の入力に関する制御を行う。
【００５０】
記憶部４１０は、例えばＨＤＤ等で構成されている。この記憶部４１０は、所定のＯＳを記憶したＯＳ記憶エリア４１１と、プログラム記憶エリア４１２とを備えている。
【００５１】
プログラム記憶エリア４１２には、クラスタリング処理プログラム、及び、広告決定処理プログラムが記憶されている。
【００５２】
クラスタリング処理プログラムは、制御部４０１に例えば公知のＫ−ｍｅａｎｓ法やＳｅｌｆ Ｏｒｇａｎｉｚｉｎｇ Ｍａｐｓ（ＳＯＭ）法などのクラスタリング手法を用いて、複数の消費者ＩＤを、予め定められた複数のユニットにクラスタリングさせるためのプログラムである。
【００５３】
広告決定処理プログラムは、上記ＤＢサーバ３００の広告データベースを、制御部４０１に更新させるためのプログラムである。
【００５４】
一方、ＷＥＢサーバ５００は、制御部５０１と、通信制御部５０２，５０３と、記憶部５１０とを有している。
【００５５】
制御部５０１は、図示しないＣＰＵ及びＲＡＭ、ＲＯＭ等のメモリを備えている。この制御部５０１は、ＲＡＭの一時記憶機能を利用しつつ、記憶部５１０に予め記憶された各種プログラムを実行する。これにより、ＷＥＢサーバ５００全体の制御を行う。
【００５６】
通信制御部５０２は、上記ＤＢサーバ３００や情報処理端末４００との間で上記ネットワークＮＷ２を介し行われる情報通信の制御を行う。通信制御部５０３は、上記ＰＣ端末６００や広告配信会社７００との間で、例えばＷＡＮ等のネットワークＮＷ３を介し行われる情報通信の制御を行う。
【００５７】
記憶部５１０は、例えばＨＤＤ等で構成されている。この記憶部５１０は、所定のＯＳを記憶したＯＳ記憶エリア５１１と、ＷＥＢサーバプログラムを記憶したプログラム記憶エリア５１２と、ログイン情報記憶エリア５１３とを備えている。
【００５８】
ＷＥＢサーバプログラムは、所定のウェブブラウザに対し、Ｈｙｐｅｒ Ｔｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ（ＨＴＭＬ）や画像等のオブジェクトの表示を提供するプログラムである。
【００５９】
また、この記憶部５１０の適宜の領域には、上記ネットワークＮＷ３を介し広告配信会社７００から配信された、上記特定の商品に係わる推奨情報が記憶される。
【００６０】
上記構成であるＷＥＢサーバ６００は、上記ネットワークＮＷ３を介しＰＣ端末６００に接続されている。
【００６１】
ＰＣ端末６００は、複数の消費者それぞれにより所有されるＰＣ端末である。このＰＣ端末６００は、表示手段としてのディスプレイ６２０と、キーボード６２１と、マウス６２２とを有している。
【００６２】
図２に、上記歌唱履歴データベース３１３１の記憶内容の一例を示す。
【００６３】
図２に示すように、歌唱履歴データベース３１３１には、各楽曲データごとに、楽曲データの識別情報である楽曲ＩＤと、上記歌手ＩＤと、当該楽曲データに対する複数の消費者の歌唱行動履歴とをそれぞれ対応付けた歌唱履歴情報が記憶されている。上記歌唱行動履歴には、楽曲データを歌唱した消費者の消費者ＩＤと、歌唱行動日時とが含まれている。歌唱行動日時は、消費者が楽曲データを歌唱した日時情報である。なお、歌唱行動履歴が消費行動履歴に相当し、歌唱履歴情報が消費履歴情報に相当する。
【００６４】
図３に、上記嗜好データベース３１３２の記憶内容の一例を示す。
【００６５】
図３に示すように、嗜好データベース３１３２には、情報処理装置４００の制御部４０１により実行されたクラスタリングの結果に対応した、消費者ＩＤとユニットとの対応付けが記憶されている。すなわち、各消費者ごとに、消費者ＩＤと、当該消費者ＩＤがクラスタリングにより振り分けられたユニットの識別情報である嗜好ＩＤとが対応付けられて記憶されている。
【００６６】
情報処理装置４００の制御部４０１は、嗜好データベース３１３２に、予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されていない場合と、当該消費者ＩＤとユニットとの対応付けが記憶されている場合とで、異なる処理を実行する。
【００６７】
まず、嗜好データベース３１３２に、予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されていない場合に行われる処理について説明する。
【００６８】
嗜好データベース３１３２に、予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されていない場合には、情報処理装置４００の制御部４０１は、まず、歌唱履歴データベース３１３１に記憶された歌唱履歴情報を取得する。そして、その歌唱履歴情報を用いて、特徴ベクトルを生成する。特徴ベクトルとは、クラスタリングのために用意された上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する各消費者の歌唱行動を表すベクトルである。言い換えれば、特徴ベクトルは、各消費者の歌手の嗜好を表すベクトルである。
【００６９】
上記取得された歌唱履歴情報には、上述したように、楽曲ＩＤ、歌手ＩＤ、消費者ＩＤ、及び歌唱行動日時が含まれている。したがって、上記商品構成の情報記憶エリア３１４から上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の歌手ＩＤを取得して、当該歌手ＩＤをキーとすることにより、上記取得された歌唱履歴情報に含まれる当該歌手ＩＤに対応付けられた消費者ＩＤを検出することができる。すなわち、上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対して歌唱行動を起こした消費者の消費者ＩＤを検出することができる。
【００７０】
なお、予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されていない場合に用意された、上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データが、初期クラスタリング用商品構成に相当する。また、当該歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する特徴ベクトルが、初期クラスタリング用特徴ベクトルに相当する。以下適宜、この特徴ベクトルを、初期クラスタリング用の特徴ベクトルと称する。
【００７１】
図４を用いて、上記初期クラスタリング用の特徴ベクトルを生成する手法の一例を説明する。本実施形態においては、情報処理装置４００の記憶部４１０の適宜の領域に記憶されたテーブル４１０１を用いて、初期クラスタリング用の特徴ベクトルの生成が行われる。
【００７２】
図４において、テーブル４１０１には、１人の消費者につき横一列の段を使用して、上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する、上記取得された歌唱履歴情報に含まれる各消費者ＩＤに係わる各消費者の歌唱行動の有無が記録されている。図４に示す例では、当該歌唱行動がある場合が「１」、当該歌唱行動がない場合が「０」と記録されている。
【００７３】
すなわち、まず、このテーブル４１０１には、上記商品構成の情報記憶エリア３１４から取得された複数の歌手ＩＤと、上記歌唱履歴データベース３１３１から取得された歌唱履歴情報に含まれる複数の消費者ＩＤとが、対応付けられて記録される。その記録された複数の歌手ＩＤをキーとして、上記取得された歌唱履歴情報に含まれる当該歌手ＩＤに対応付けられた消費者ＩＤがそれぞれ検出される。なお、このとき検出された消費者ＩＤは、上記キーとなった歌手ＩＤに係わる歌手の楽曲データに対して歌唱行動を起こした消費者の消費者ＩＤである。その後、上記の検出結果に応じて、テーブル４１０１に「１」又は「０」が記録される。
【００７４】
なお、テーブル４１０１における、１人の消費者に係わる横一列の段に記録されたデータは、当該消費者の初期クラスタリング用の特徴ベクトルに相当する。つまり、特徴ベクトルは、上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の歌手ＩＤをベクトルの構成要素とし、「１」又は「０」を当該要素の値としたベクトルである。例えば、消費者ＩＤ「１」に係わる消費者の初期クラスタリング用の特徴ベクトルに関しての要素及びその値は、歌手ＩＤ「１５４１０」で「１」、歌手ＩＤ「９０４５」で「０」、歌手ＩＤ「１２０」で「１」、歌手ＩＤ「７９８５」で「０」、歌手ＩＤ「３５４」で「０」、歌手ＩＤ「８４６０」で「０」、歌手ＩＤ「２３６８」で「１」・・・となる。つまり、消費者ＩＤ「１」に係わる消費者の初期クラスタリング用の特徴ベクトルは、＜１，０，１，０，０，０，１・・・＞となる。このようにテーブル４１０１を用いることで、初期クラスタリング用の特徴ベクトルと、消費者ＩＤとを対応付けて記録することができる。
【００７５】
情報処理装置４００の制御部４０１は、次に、複数の初期クラスタリング用の特徴ベクトルを複数のユニットにクラスタリングするために、各ユニットを代表する代表ベクトルを、予め用意する。本実施形態では、図示しない乱数発生器を用いて乱数を発生させて、この乱数に基づいて、各ユニットごとにベクトルを生成する。そして、その各ユニットごとに生成したベクトルを、各ユニットの代表ベクトルの初期値に設定する。
【００７６】
なお、この予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されていない場合に予め用意した代表ベクトルが、初期クラスタリング用代表ベクトルに相当する。以下適宜、この代表ベクトルを、初期クラスタリング用の代表ベクトルと称する。
【００７７】
その後、情報処理装置４００の制御部４０１は、上記設定した複数のユニットそれぞれの初期クラスタリング用の代表ベクトルを用いて、複数の消費者ＩＤにそれぞれ対応付けられた複数の初期クラスタリング用の特徴ベクトルを、複数のユニットにクラスタリングする。このとき、全ての上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する初期クラスタリング用の特徴ベクトルが「０」である消費者に対応する初期クラスタリング用の特徴ベクトルは、クラスタリングの対象から除外される。なお、全ての上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する初期クラスタリング用の特徴ベクトルが「０」である消費者とは、当該初期クラスタリング用の特徴ベクトルの要素の値が全て「０」である消費者である。
【００７８】
ここで、クラスタリングとは、いわゆる「教師なしのデータ分類手法」であり、複数のデータを外的基準なしに自動的に分類する手法である。本実施形態においては、前述した公知のＫ−ｍｅａｎｓ法やＳＯＭ法などのクラスタリング手法を用いて、クラスタリングを行う。一例として、Ｋ−ｍｅａｎｓ法を用いて、複数の初期クラスタリング用の特徴ベクトルをクラスタリングする方法を説明する。
【００７９】
すなわち、情報処理装置４００の制御部４０１は、まず、複数の初期クラスタリング用の特徴ベクトルを、ユークリッド距離が最小になるように、複数のユニットのいずれかに振り分ける。ユークリッド距離とは、初期クラスタリング用の特徴ベクトルとユニットの代表ベクトルとの距離である。その後、各ユニットに振り分けられた全ての初期クラスタリング用の特徴ベクトルに基づき、各ユニットごとに、ユニットの新たな代表ベクトルを算出する。
【００８０】
そして、複数の初期クラスタリング用の特徴ベクトルを、ユニットの新たな代表ベクトルとの上記ユークリッド距離が最小となるユニットに振り分け直す。このとき、いずれかの初期クラスタリング用の特徴ベクトルについて、上記ユニットの振り分け直しが行われた場合には、各ユニットに新しく振り分けられた全ての初期クラスタリング用の特徴ベクトルに基づき、各ユニットごとに、ユニットの新たな代表ベクトルを算出し、上記と同様の処理を繰り返す。そして、上記の処理を繰り返すことにより、全ての初期クラスタリング用の特徴ベクトルについて、上記ユニットの振り分け直しが行われなくなった場合を、クラスタリングの完了とする。これにより、複数の初期クラスタリング用の特徴ベクトルは、複数のユニットに振り分けられる。
【００８１】
なお、上記では、Ｋ−ｍｅａｎｓ法によりクラスタリングを行う場合を例にとって説明したが、上記ＳＯＭ法やその他のクラスタリング手法によりクラスタリングを行ってもよい。
【００８２】
その後、上記のクラスタリングの結果に対応して、各初期クラスタリング用の特徴ベクトルに対応する各消費者ＩＤに、当該特徴ベクトルが振り分けられたユニットを対応付ける。そして、各消費者ごとに、消費者ＩＤと、当該消費者ＩＤに対応付けたユニットの嗜好ＩＤとを、上記嗜好データベース３１３２に記憶させる。
【００８３】
また、上記嗜好データベース３１３２に、予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されている場合には、情報処理装置４００の制御部４０１は、予め実行されたクラスタリングの結果を活用して、複数の消費者ＩＤを複数のユニットにクラスタリングする（詳細は後述する）。
【００８４】
また、本実施形態では、情報処理装置４００の制御部４０１は、上記嗜好データベース３１３２に記憶されたクラスタリングの結果に対応したデータ、すなわち、複数の消費者ＩＤと複数の嗜好ＩＤとの対応付けを利用して、各消費者に対して推奨する推奨情報を決定する。そして、その決定内容に従って、各消費者のＰＣ端末６００に対し推奨情報を出力する（詳細は後述する）。
【００８５】
図５を用いて、情報処理装置４００の制御部４０１が実行する、上述したクラスタリングに関する制御手順を説明する。なお、制御部４０１は、このフローに示す処理を、上記クラスタリング処理プログラムに従って実行する。
【００８６】
図５において、例えばシステム管理者により上記キーボード４２１やマウス４２２を用いて、所定の処理開始指令が操作入力されることによって、図中「ＳＴＡＲＴ」位置で表されるように、このフローが開始される。
【００８７】
まずステップＳ５で、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、嗜好データベース３１３２に、予め実行されたクラスタリングの結果に対応したデータが記憶されているかどうかを判定する。当該データが記憶されていない場合には、判定が満たされずステップＳ１００に移る。
【００８８】
ステップＳ１００では、制御部４０１は、所定の初期クラスタリング処理を実行する。この詳細内容については、後述の図６で説明する。その後、このフローを終了する。
【００８９】
一方、上記ステップＳ５において、嗜好データベース３１３２に、予め実行されたクラスタリングの結果に対応したデータが記憶されていた場合には、ステップＳ５の判定が満たされてステップＳ２００に移る。
【００９０】
ステップＳ２００では、制御部４０１は、予め実行されたクラスタリングの結果を継承して新たなクラスタリングを行う、クラスタリング処理を実行する。この詳細内容については、後述の図７で説明する。その後、このフローを終了する。
【００９１】
図６を用いて、上記図５のステップＳ１００の詳細手順を説明する。
【００９２】
図６において、まずステップＳ１０５で、制御部４０１は、ＤＢサーバ３００の上記商品構成の情報記憶エリア３１４にアクセスする。そして、商品構成の情報記憶エリア３１４に記憶された複数の歌手ＩＤを取得する。
【００９３】
その後、ステップＳ１１０で、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記歌唱履歴データベース３１３１にアクセスする。そして、歌唱履歴データベース３１３１に記憶された、複数の楽曲データに対する複数の消費者の歌唱履歴情報を取得する。
【００９４】
そして、ステップＳ１１５に移り、制御部４０１は、上記ステップＳ１１０で取得された歌唱履歴情報を用いて、上記ステップＳ１０５で取得された複数の歌手ＩＤに係わる楽曲データ対する、各消費者の初期クラスタリング用の特徴ベクトルを生成する。そして、その生成した各消費者の初期クラスタリング用の特徴ベクトルと、当該消費者の消費者ＩＤとを対応付ける。このステップが、各請求項記載の第２特徴ベクトル生成手段として機能する。なお、本実施形態では、前述したように、テーブル４１０１を使用して、上記各消費者の初期クラスタリング用の特徴ベクトルを生成し、各消費者の初期クラスタリング用の特徴ベクトルと、当該消費者の消費者ＩＤとを対応付ける（図４参照）。
【００９５】
その後、ステップＳ１２０で、制御部４０１は、上記ステップＳ１１５で生成された各消費者の初期クラスタリング用の特徴ベクトルのうち、上記ステップＳ１０５で取得された全ての歌手ＩＤに係わる楽曲データに対する初期クラスタリング用の特徴ベクトルが０である消費者に対応する初期クラスタリング用の特徴ベクトルを、後述のステップＳ１３０でのクラスタリングの対象から除外する。言い換えれば、全ての上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する初期クラスタリング用の特徴ベクトルが０である消費者に対応する初期クラスタリング用の特徴ベクトルを、後述のステップＳ１３０でのクラスタリングの対象から除外する。このステップが、各請求項記載の除外処理手段として機能する。なお、所定期間内における歌唱行動の回数、すなわち、歌唱回数が、所定のしきい値以下である消費者、例えば１年間の歌唱回数が５回以下である消費者、に対応する初期クラスタリング用の特徴ベクトルを、後述のステップＳ１３０でのクラスタリングの対象から除外するようにしてもよい。
【００９６】
そして、ステップＳ１２５に移り、制御部４０１は、上記乱数発生器を用いて乱数を発生させて、この乱数に基づいて、各ユニットごとにベクトルを生成する。そして、その各ユニットごとに生成したベクトルを、各ユニットの初期クラスタリング用の代表ベクトルの初期値に設定する。
【００９７】
その後、ステップＳ１３０で、制御部４０１は、上記ステップＳ１２５で設定された複数のユニットそれぞれの初期クラスタリング用の代表ベクトルを用いて、上記ステップＳ１１５で複数の消費者ＩＤにそれぞれ対応付けられた、複数の初期クラスタリング用の特徴ベクトルを、前述したような手法により、複数のユニットにクラスタリングする。このステップが、各請求項記載の第２クラスタリング手段として機能する。そして、このクラスタリングの結果に対応して、各初期クラスタリング用の特徴ベクトルに対応する各消費者ＩＤに、当該特徴ベクトルが振り分けられたユニットを対応付ける。
【００９８】
そして、ステップＳ１３５に移り、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、嗜好データベース３１３２に、上記ステップＳ１３０でのクラスタリングの結果、すなわち、複数の消費者ＩＤと複数のユニットとの対応付けを記憶させる。その後、このルーチンを終了する。
【００９９】
図７を用いて、上記図５のステップＳ２００の詳細手順を説明する。
【０１００】
図７において、まずステップＳ２０５で、制御部４０１は、ＤＢサーバ３００の上記商品構成の情報記憶エリア３１４にアクセスする。そして、商品構成の情報記憶エリア３１４に記憶された複数の歌手ＩＤを取得する。なお、このステップで取得される複数の歌手ＩＤに係わる楽曲データ、すなわち、上記予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されている場合に用意された上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データが、新たなクラスタリングを行うために用意された第１商品構成に相当する。
【０１０１】
その後、ステップＳ２１０で、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記歌唱履歴データベース３１３１にアクセスする。そして、歌唱履歴データベース３１３１に記憶された、複数の楽曲データに対する複数の消費者の歌唱履歴情報を取得する。このステップが、各請求項記載の履歴取得手段として機能する。
【０１０２】
そして、ステップＳ２１５に移り、制御部４０１は、上記ユニットに対応する変数Ｕの値を１に設定する。
【０１０３】
その後、ステップＳ２２０で、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、この時点での変数Ｕの値に対応するユニットの嗜好ＩＤをキーとして嗜好データベース３１３２内を検索し、当該嗜好ＩＤに対応付けられた全ての消費者ＩＤを検出する。すなわち、この時点でのＵの値に対応するユニットに属する全消費者の消費者ＩＤを検出する。
【０１０４】
そして、ステップＳ２２５に移り、制御部４０１は、上記ステップＳ２１０で取得された歌唱履歴情報を用いて、上記ステップＳ２０５で取得された複数の歌手ＩＤに係わる楽曲データ対する、上記ステップＳ２２０で検出された各消費者ＩＤに係わる各消費者の特徴ベクトルを生成する。なお、このステップで生成される特徴ベクトル、すなわち、上記予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されている場合に生成される特徴ベクトルが、第１特徴ベクトルに相当する。以下適宜、この特徴ベクトルを、第１特徴ベクトルと称する。そして、上記生成した各消費者の第１特徴ベクトルと、当該消費者の消費者ＩＤとを対応付ける。このステップが、各請求項記載の第１特徴ベクトルとして機能する。なお、制御部４０１は、上記テーブル４１０１を使用して、上記初期クラスタリング用の特徴ベクトルの生成方法とほぼ同様の方法により、第１特徴ベクトルを生成し、各消費者の第１特徴ベクトルと、当該消費者の消費者ＩＤとを対応付ける。
【０１０５】
その後、ステップＳ２３０で、制御部４０１は、上記ステップＳ２２５で生成された複数の第１特徴ベクトルの平均値を算出する。これは言い換えれば、上記図６のステップＳ１３０での初期クラスタリング用の特徴ベクトルのクラスタリング結果に基づく複数の消費者ＩＤと複数のユニットとの初期的対応付けに応じて、この時点でのＵの値に対応するユニットに属する全消費者の第１特徴ベクトルの平均値を算出している。さらに言い換えれば、上記図６のステップＳ１３０での初期クラスタリング用の特徴ベクトルのクラスタリング結果に対応して上記嗜好データベース３１３２に予め記憶された上記初期的対応付けを、上記ステップＳ２２５で各消費者ごとに生成された第１特徴ベクトルに対して適用し、この時点でのＵの値に対応するユニットに属する全消費者の第１特徴ベクトルの平均値を算出している。その後、その算出した平均値を、この時点でのＵの値に対応するユニットのベクトル状態量に決定する。このステップが、各請求項記載の状態量決定手段として機能する。なお、後述のステップＳ２５０での第１特徴ベクトルのクラスタリング結果に基づく各消費者ＩＤとユニットとの対応付けが、上記嗜好データベース３１３２に記憶されている場合には、その対応付けに応じて、上記平均値が算出される。いずれの場合でも、このステップでは、予め実行されたクラスタリングの結果に基づく各消費者ＩＤとユニットとの対応付けに応じて、上記平均値が算出される。
【０１０６】
そして、ステップＳ２３５に移り、制御部４０１は、上記ステップＳ２３０で決定された、この時点のＵの値に対応するユニットのベクトル状態量を、当該ユニットの代表ベクトルの初期値に設定する。
【０１０７】
その後、ステップＳ２４０で、制御部４０１は、上記変数Ｕの値が、予め定められたユニットの総数に対応する最大値Ｕ＿ｍａｘになったかどうか、すなわち、全てのユニットの代表ベクトルの初期値を設定したかどうかを判定する。Ｕ＝Ｕ＿ｍａｘとなっていない場合、すなわち、全てのユニットの代表ベクトルの初期値を設定していない場合には、判定が満たされずステップＳ２４５に移る。
【０１０８】
ステップＳ２４５では、制御部４０１は、変数Ｕの値に１を加え、上記ステップＳ２２０に戻り同様の手順を繰り返す。
【０１０９】
一方、上記ステップＳ２４０において、Ｕ＝Ｕ＿ｍａｘとなっていた場合、すなわち、全てのユニットの代表ベクトルの初期値を設定していた場合には、ステップＳ２４０の判定が満たされてステップＳ２５０に移る。なお、この場合には、各消費者の第１特徴ベクトルと当該消費者の消費者ＩＤとが対応付けられ、各ユニットごとに代表ベクトルの初期値が設定されている。
【０１１０】
ステップＳ２５０では、制御部４０１は、上記ステップＳ２３５で各ユニットごとに設定された代表ベクトルの初期値を用いて、上記ステップＳ２２５で複数の消費者ＩＤにそれぞれ対応付けられた複数の第１特徴ベクトルを、前述したような手法により、複数のユニットにクラスタリングする。そして、このクラスタリングの結果に対応して、各第１特徴ベクトルに対応する各消費者ＩＤに、当該特徴ベクトルが振り分けられたユニットを対応付ける。言い換えれば、各消費者ＩＤに複数のユニットのいずれかを対応付ける。このステップが、各請求項記載の第１クラスタリング手段として機能する。
【０１１１】
そして、ステップＳ２５５に移り、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、嗜好データベース３１３２に、上記ステップＳ２５０でのクラスタリングの結果、すなわち、複数の消費者ＩＤと複数のユニットとの対応付けを記憶させる。その後、このルーチンを終了する。
【０１１２】
図８を用いて、情報処理装置４００の制御部４０１が実行する、上述した商品推奨に関する制御手順を説明する。なお、制御部４０１は、このフローに示す処理を、上記広告決定処理プログラムに従って実行する。
【０１１３】
図８において、例えばシステム管理者により上記キーボード４２１やマウス４２２を用いて、所定の処理開始指令が操作入力されることによって、図中「ＳＴＡＲＴ」位置で表されるように、このフローが開始される。
【０１１４】
まずステップＳ３００で、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、嗜好データベース３１３２に記憶されたデータ、すなわち、複数の消費者ＩＤと複数の嗜好ＩＤとの対応付けを取得する。
【０１１５】
その後、ステップＳ３０５で、制御部４０１は、上記ステップＳ３００で取得されたデータに基づき、各消費者に対して推奨する推奨情報を決定する。例えば、同一のユニットには歌手の嗜好が似た消費者どうしが属するということに応じて、各ユニットに属する消費者の嗜好にあった商品の推奨情報を、各ユニットに属する消費者に対する推奨情報として決定する。そして、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記広告データベースにアクセスし、各消費者ごとに決定した推奨情報の広告ＩＤを、当該消費者の消費者ＩＤと対応付けて記憶させる。これにより、上記広告データベースに記憶された広告ＩＤの更新を行う。
【０１１６】
そして、ステップＳ３１０に移り、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＷＥＢサーバ５００の制御部５０１に制御信号を出力する。そして、上記広告データベースの記憶内容に従って、すなわち、上記ステップＳ３０５で決定された推奨情報を、通信制御部５０３及びネットワークＮＷ３を介し、各消費者のＰＣ端末６００に対して出力させる。これにより、各消費者のＰＣ端末６００のディスプレイ６２０には、当該消費者に対する推奨情報が表示される。その後、このフローを終了する。
【０１１７】
以上説明したように、第１の実施形態においては、上記歌唱履歴データベース３１３１（図２を参照）から歌唱履歴情報が取得される。そして、その取得された歌唱履歴情報を用いて、新たなクラスタリングを行うために用意された商品構成に対する、上記の例では歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する、各消費者の第１特徴ベクトルが生成される。その生成された第１特徴ベクトルは、当該第１特徴ベクトルに対応する消費者の消費者ＩＤに対し対応付けられる。
【０１１８】
そして、上記のようにして消費者ごとに生成された第１特徴ベクトルを用いて、各ユニットごとにベクトル状態量が決定される。具体的には、新たに実行するクラスタリングに先立ち行われたクラスタリングの結果に対応して、各消費者ＩＤとユニットとの対応付けが、上記嗜好データベース３１３２（図３参照）に予め記憶されている。そして、その各消費者ＩＤとユニットとの対応付けを用いることにより、上記消費者ごとに生成された第１特徴ベクトルを、各ユニットごとに集計することができる。その後、その集計された第１特徴ベクトルの値を用いて、各ユニットごとにベクトル状態量が決定される。そして、その決定されたベクトル状態量を各ユニットの代表ベクトルの初期値として用いて、上記複数の第１特徴ベクトルをクラスタリングする。これにより、各消費者ＩＤに対し、複数のユニットのいずれかを対応付けることができる。
【０１１９】
以上のようにして、本実施形態においては、過去のクラスタリングの結果を活用して新たなクラスタリングを行う。これにより、ランダムに設定したベクトルを各ユニットの代表ベクトルの初期値として用いて、新たなクラスタリングを行う場合と異なり、過去のクラスタリング時から長期間が経過したり、歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データが大きく変動した場合等であっても、各消費者ＩＤが振り分けられるユニットが大きく異ならず、概ね同等のユニットとなる。
【０１２０】
特に、過去のクラスタリングの結果を継承し活用する際に、各ユニットの代表ベクトルを今回のクラスタリングのために継承する手法では、時間の経過により歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データが変化するため、継承がうまくいかない。本実施形態では、各ユニットの代表ベクトルを継承するのではなく、各ユニットに所属する消費者を継承する。そして、当該消費者について、新しい歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データにより第１特徴ベクトルを算出する。その後、その第１特徴ベクトルに基づくベクトル状態量を用いて新たなクラスタリングを行う。これにより、上記と異なり、時間の経過により歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データが変化した場合でも、過去のクラスタリングの結果を円滑かつ確実に継承し、複数のユニットの属性を継承して利用することができる。
【０１２１】
また、本実施形態では特に、過去に自らが行ったクラスタリングの結果を活用して新たなクラスタリングを行う。すなわち、過去のクラスタリング実行時には、その時点における歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する初期クラスタリング用の特徴ベクトルが生成される。そして、その生成された初期クラスタリング用の特徴ベクトルと、当該ベクトルに対応する各消費者ＩＤとが対応付けられる。そして、このようにして複数の消費者ＩＤにそれぞれ対応付けられた複数の初期クラスタリング用の特徴ベクトルは、各ユニットの初期クラスタリング用の代表ベクトルを用いて、クラスタリングされる。このクラスタリングにより、複数の消費者ＩＤと複数のユニットのいずれかとが対応付けられて、上記嗜好データベース３１３２に記憶される。
【０１２２】
そして、上記のようにして嗜好データベース３１３２に記憶された消費者ＩＤと各ユニットとの対応付けが、各消費者ごとに生成された第１特徴ベクトルに適用される。これによって、各ユニットのベクトル状態量が、各ユニットごとに決定される。
【０１２３】
以上の結果、時間の経過により歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データが変化した場合でも、自らの行った過去のクラスタリングの結果を円滑かつ確実に継承し、複数のユニットの属性を継承して利用することができる。
【０１２４】
また、本実施形態では特に、複数の楽曲データに対する複数の消費者の消費履歴情報を参照し、全ての歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する初期クラスタリング用の特徴ベクトルが０である消費者に対応する初期クラスタリング用の特徴ベクトルを、クラスタリングの対象から除外する。このように、データとしての利用価値が乏しい情報をノイズとしてクラスタリング対象から除外することにより、クラスタリングにおける精度を向上すると共に、処理時間を短縮することができる。
【０１２５】
また、本実施形態では特に、各ユニットのベクトル状態量として、各ユニットに属する全消費者の第１特徴ベクトルの平均値を用いる。これにより、過去のクラスタリングの結果を継承しつつ、新しい歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対応した各ユニットごとの最新の歌唱傾向を反映させたクラスタリングを実行することができる。
【０１２６】
なお、本発明は、上記実施形態に限られるものではなく、その趣旨及び技術的思想を逸脱しない範囲内で種々の変形が可能である。以下、そのような変形例を順を追って説明する。
【０１２７】
（１−１）各ユニットに属する全消費者の第１特徴ベクトルの中央値をベクトル状態量に決定する場合
【０１２８】
上記実施形態においては、各ユニットに属する全消費者の第１特徴ベクトルの平均値をベクトル状態量に決定するようにしたが、これに限られない。すなわち、各ユニットに属する全消費者の第１特徴ベクトルの中央値をベクトル状態量に決定するようにしてもよい。
【０１２９】
ここで、本変形例において、情報処理装置４００の制御部４０１が実行する、クラスタリングに関する制御手順において前述の図５と異なる点は、ステップＳ２００であり、その他の手順は前述の図５の各手順と同様である。以下、図９を用いて、本変形例におけるステップＳ２００の詳細手順を説明する。なお、この図９は、前述の図７に対応する図である。図７と同等の手順には同符号を付し説明を省略する。
【０１３０】
図９において、前述の図７と異なる点は、ステップＳ２３０に代えてステップＳ２３０′を設けた点である。すなわち、ステップＳ２０５〜ステップＳ２２５は、前述の図７と同様である。ステップＳ２２５において、制御部４０１は、前述のステップＳ２２０で検出された各消費者ＩＤに係わる各消費者の特徴ベクトルを生成したら、ステップＳ２３０に代えて設けたステップＳ２３０′に移る。
【０１３１】
ステップＳ２３０′では、制御部４０１は、上記ステップＳ２２５で生成された複数の第１特徴ベクトルの中央値を選定する。これは言い換えれば、予め実行されたクラスタリングの結果に基づく複数の消費者ＩＤと複数のユニットとの対応付けに応じて、この時点でのＵの値に対応するユニットに属する全消費者の第１特徴ベクトルの中央値を選定している。さらに言い換えれば、予め実行されたクラスタリングの結果に対応して上記嗜好データベース３１３２に予め記憶された上記対応付けを、上記ステップＳ２２５で各消費者ごとに生成された第１特徴ベクトルに対して適用し、この時点でのＵの値に対応するユニットに属する全消費者の第１特徴ベクトルの中央値を選定している。その後、その選定した中央値を、この時点でのＵの値に対応するユニットのベクトル状態量に決定する。このステップも、各請求項記載の状態量決定手段として機能する。
【０１３２】
その後のステップＳ２３５〜ステップＳ２５５は、前述の図７とほぼ同様であるので、説明を省略する。
【０１３３】
本変形例においては、各ユニットのベクトル状態量として、各ユニットに属する全消費者の第１特徴ベクトルの中央値を用いる。これにより、本変形例においても、過去のクラスタリングの結果を継承しつつ、新しい歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対応した各ユニットごとの最新の歌唱傾向を反映させたクラスタリングを実行することができる。特に、全消費者の第１特徴ベクトルの平均値でなく中央値を用いることにより、ユニットにおける第１特徴ベクトルの値の分布が偏っていた場合に、その偏り傾向を確実に反映させたクラスタリングを行うことができる。
【０１３４】
（１−２）各ユニットに属する所定数の消費者の第１特徴ベクトルに基づき、ベクトル状態量を決定する場合
以上においては、各ユニットに属する全消費者の第１特徴ベクトルに基づき、各ユニットのベクトル状態量を決定していた。例えば、上記実施形態では各ユニットに属する全消費者の第１特徴ベクトルの平均値を、上記（１−２）の変形例では各ユニットに属する全消費者の第１特徴ベクトルの中央値を、各ユニットのベクトル状態量として決定していた。しかしながらこれに限られず、各ユニットに属する所定数の消費者の第１特徴ベクトルに基づき、各ユニットのベクトル状態量を決定するようにしてもよい。
【０１３５】
ここで、本変形例において、情報処理装置４００の制御部４０１が実行する、クラスタリングに関する制御手順において前述の図５と異なる点は、ステップＳ２００であり、その他の手順は前述の図５の各手順と同様である。以下、図１０を用いて、本変形例におけるステップＳ２００の詳細手順を説明する。なお、この図１０は、前述の図７に対応する図である。図７と同等の手順には同符号を付し説明を省略する。
【０１３６】
図１０において、前述の図７と異なる点は、ステップＳ２２０、ステップＳ２２５、ステップＳ２３０、及びステップＳ２５０に代えて、ステップＳ２２０′、ステップＳ２２５′、ステップＳ２３０″、及びステップＳ２５０′を設けた点と、上記ステップＳ２３０″とステップＳ２４０との間に、ステップＳ２３７及びステップＳ２３９を新たに設けた点とである。
【０１３７】
すなわち、ステップＳ２０５〜ステップＳ２１５は、前述の図７と同様である。ステップＳ２１５において、制御部４０１は、上記変数Ｕの値を１に設定したら、ステップＳ２２０に代えて設けたステップＳ２２０′に移る。
【０１３８】
ステップＳ２２０′では、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、この時点での変数Ｕの値に対応するユニットの嗜好ＩＤをキーとして嗜好データベース３１３２内を検索し、当該嗜好ＩＤに対応付けられた所定数の、例えば１０個の、消費者ＩＤを検出する。すなわち、この時点でのＵの値に対応するユニットに属する所定数の消費者の消費者ＩＤを検出する。
【０１３９】
そして、ステップＳ２２５に代えて設けたステップＳ２２５′に移り、制御部４０１は、前述のステップＳ２１０で取得された歌唱履歴情報を用いて、前述のステップＳ２０５で取得された複数の歌手ＩＤに係わる楽曲データ対する、上記ステップＳ２２０′で検出された所定数の消費者ＩＤに係わる消費者の第１特徴ベクトルを生成する。そして、上記生成した所定数の消費者の第１特徴ベクトルと、当該消費者の消費者ＩＤとを対応付ける。
【０１４０】
その後、ステップＳ２３０に代えて設けたステップＳ２３０″で、制御部４０１は、上記ステップＳ２２５′で生成された所定数の第１特徴ベクトルの平均値を算出する。これは言い換えれば、予め実行されたクラスタリングの結果に基づく複数の消費者ＩＤと複数のユニットとの対応付けに応じて、この時点でのＵの値に対応するユニットに属する所定数の消費者の第１特徴ベクトルの平均値を算出している。さらに言い換えれば、予め実行されたクラスタリングの結果に対応して上記嗜好データベース３１３２に予め記憶された上記対応付けを、上記ステップＳ２２５′で所定数の消費者それぞれについて生成された第１特徴ベクトルに対して適用し、この時点でのＵの値に対応するユニットに属する所定数の消費者の第１特徴ベクトルの平均値を算出している。その後、その算出した平均値を、この時点でのＵの値に対応するユニットのベクトル状態量に決定する。このステップも、各請求項記載の状態量決定手段として機能する。なお、上記ステップＳ２２５′で生成された所定数の第１特徴ベクトルの中央値を選定して、その選定した平均値を、この時点でのＵの値に対応するユニットのベクトル状態量に決定するようにしてもよい。
【０１４１】
その後のステップＳ２３５は、前述の図７とほぼ同様であり、制御部４０１は、上記ステップＳ２３０″で決定された、この時点のＵの値に対応するユニットのベクトル状態量を、当該ユニットの代表ベクトルの初期値に設定する。
【０１４２】
そして、新たに設けたステップＳ２３７に移り、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、この時点での変数Ｕの値に対応するユニットの嗜好ＩＤをキーとして嗜好データベース３１３２内を検索し、当該嗜好ＩＤに対応付けられた、上記ステップＳ２２０′で検出されなかった全ての消費者ＩＤを検出する。すなわち、この時点でのＵの値に対応するユニットに属する残りの消費者の消費者ＩＤを検出する。
【０１４３】
その後、新たに設けたステップＳ２３９で、制御部４０１は、前述のステップＳ２１０で取得された歌唱履歴情報を用いて、前述のステップＳ２０５で取得された複数の歌手ＩＤに係わる楽曲データ対する、上記ステップＳ２２７で検出された残りの消費者ＩＤに係わる消費者の第１特徴ベクトルを生成する。そして、上記生成した残りの消費者の第１特徴ベクトルと、当該消費者の消費者ＩＤとを対応付ける。
【０１４４】
その後のステップＳ２４０及びステップＳ２４５は、前述の図７と同様である。ステップＳ２４０において、Ｕ＝Ｕ＿ｍａｘとなっていた場合には、ステップＳ２４０の判定が満たされて、ステップＳ２５０に代えて設けたステップＳ２５０′に移る。
【０１４５】
ステップＳ２５０′では、制御部４０１は、上記ステップＳ２３５で各ユニットごとに設定された代表ベクトルの初期値を用いて、上記ステップＳ２２５′及びステップＳ２３９で複数の消費者ＩＤにそれぞれ対応付けられた複数の第１特徴ベクトルを、前述したような手法により、複数のユニットにクラスタリングする。そして、このクラスタリングの結果に対応して、各第１特徴ベクトルに対応する各消費者ＩＤに、当該特徴ベクトルが振り分けられたユニットを対応付ける。言い換えれば、各消費者ＩＤに複数のユニットのいずれかを対応付ける。このステップも、各請求項記載の第１クラスタリング手段として機能する。
【０１４６】
その後のステップＳ２５５は、前述の図７とほぼ同様であり、制御部４０１は、嗜好データベース３１３２に、上記ステップＳ２５０′でのクラスタリングの結果、すなわち、複数の消費者ＩＤと複数のユニットとの対応付けを記憶させる。そして、このルーチンを終了する。
【０１４７】
なお、上記において、ステップ２２５及びステップＳ２３９が、各請求項記載の第１特徴ベクトル生成手段として機能する。
【０１４８】
本変形例によれば、上記第１の実施形態や上記（１−１）の変形例と同様の効果を得る。
【０１４９】
（１−３）消費行動履歴に用いてクラスタリングを行う場合
以上においては、消費者が楽曲データを歌唱した歌唱行動履歴に用いて、複数の消費者ＩＤを複数のユニットにクラスタリングする例を説明したが、これに限られない。すなわち、消費者の実際の消費行動、例えば物品商品の購入など、による消費行動履歴を用いて、複数の消費者ＩＤを複数のユニットにクラスタリングするようにしてもよい。
【０１５０】
この場合のＤＢサーバ３００の消費者データベースには、各商品ごとに、商品の識別情報と、当該商品に対する複数の消費者の消費行動履歴とを対応付けた消費履歴情報が記憶されている。上記消費行動履歴には、商品を消費した消費者の消費者ＩＤと、消費行動日時とが含まれている。また、この場合のＤＢサーバ３００の商品構成の情報記憶エリア３１４には、クラスタリングのために用意された商品売上ランキングの１位から１０００位までに該当する商品の識別情報が記憶されている。上記商品売上ランキングの１位から１０００位までに該当する商品が商品構成に相当する。
【０１５１】
また、本変形例において、情報処理装置４００の制御部４０１が実行する処理は、上記実施形態とほぼ同様である。すなわち、制御部４０１は、上記消費者データベースにアクセスして、複数の商品に対する複数の消費者の消費履歴情報を取得する。そして、この取得された消費履歴情報を用いて、新たなクラスタリングのために用意された第１商品構成としての商品売上ランキングの１位から１０００位までに該当する商品に対する消費者の消費行動を表す第１特徴ベクトルを生成する。そして、その生成した第１特徴ベクトルと当該消費者の消費者ＩＤとを対応付ける。
【０１５２】
その後、予め実行されたクラスタリングの結果に対応して、予め上記嗜好データベース３１３２に記憶された、消費者ＩＤとユニットとの対応付けに応じて、各ユニットのベクトル状態量を、各ユニットごとに決定する。そして、その各ユニットごとに決定されたベクトル状態量を各ユニットの代表ベクトルの初期値として用いて、複数の消費者ＩＤにそれぞれ対応付けられた複数の第１特徴ベクトルをクラスタリングする。その後、各消費者ＩＤに、上記クラスタリングの結果に応じたユニットを対応付ける。そして、このクラスタリングの結果を利用して、各消費者に対して推奨する推奨情報を決定し、その決定内容に従って、各消費者のＰＣ端末６００に対し推奨情報を出力する。
【０１５３】
本変形例によっても、上記第１の実施形態や上記各の変形例と同様の効果を得る。
【０１５４】
次に、本発明の第２の実施形態について説明する。
【０１５５】
図１１を用いて、第２の実施形態の消費者情報処理装置を備えた市場分析システムを説明する。なお、この図１１は、前述の図１に対応する図である。前述の図１と同等の部分には同符号を付し説明を省略する。
【０１５６】
図１１において、市場分析システム２は、カラオケルームＫＲに設置されたカラオケ装置１００と、楽曲配信会社２００と、ＤＢサーバ３００と、情報処理装置４００とを有している。
【０１５７】
これらカラオケ装置１００、楽曲配信会社２００、ＤＢサーバ３００、及び情報処理装置４００の機能構成は、前述の図１とほぼ同様である。但し、ＤＢサーバ３００のデータベース記憶エリア３１３や情報処理装置４００のプログラム記憶エリア４１２の記憶内容は、前述の第１の実施形態と多少異なっている。
【０１５８】
本実施形態におけるＤＢサーバ３００のデータベース記憶エリア３１３には、会員データベース、歌手データベース、歌唱履歴データベース３１３１（図２参照）、及び嗜好データベース３１３２（図７参照）が記憶されている。すなわち、前述の広告データベースが省略されている。なお、これら会員データベース、歌手データベース、歌唱履歴データベース３１３１、及び嗜好データベース３１３２の記憶内容は、前述の第１の実施形態と同様である。
【０１５９】
また、本実施形態における情報処理装置４００のプログラム記憶エリア４１２には、クラスタリング処理プログラム、及び、分析処理プログラムが記憶されている。すなわち、前述の広告決定処理プログラムに代えて分析処理プログラムが記憶されている。
【０１６０】
分析処理プログラムは、制御部４０１にクラスタリングの結果を分析させるためのプログラムである。
【０１６１】
本実施形態では、情報処理装置４００の制御部４０１は、上記歌唱履歴データベース３１３１に記憶された歌唱履歴情報に基づいて、前述の第１の実施形態と同様の方法により、複数の消費者ＩＤを複数のユニットにクラスタリングする。また、そのクラスタリングの結果に対応したデータは、前述の第１の実施形態と同様に、上記嗜好データベース３１３２に記憶されている。そして、例えば分析者がある歌手を嗜好する消費者の分布を分析したいとき等には、情報処理装置４００の制御部４０１に分析処理プログラムを実行させる。すると、上記ディスプレイ４２０に、所定の分析画面Ｐ（後述の図１２参照）が表示され、分析が開始される。
【０１６２】
図１２に、上記ディスプレイ４２０に表示された分析画面Ｐの一例を示す。
【０１６３】
図１２に示すように、分析画面Ｐには、歌手名入力ボックスＴ１と、分析期間入力ボックスＴ２と、分析結果表示領域Ｔ３と、分析開始ボタンＢとが含まれている。歌手名入力ボックスＴ１は、分析対象となる歌手名が入力される欄である。分析期間入力ボックスＴ２は、分析対象となる期間が入力される欄である。分析結果表示領域Ｔ３は、分析結果が表示される領域である。分析開始ボタンＢは、分析を開始させるためのボタンである。
【０１６４】
分析者は、この分析画面Ｐが表示されると、上記キーボード４２１やマウス４２２を用いて所定の操作入力を行う。すなわち、分析者は、上記キーボード４２１やマウス４２２を適宜操作して、歌手名入力ボックスＴ１に、分析したい歌手名を入力する。この例では「Ａｒｔｉｓｔ１」と入力されている。そして、分析者は、上記キーボード４２１やマウス４２２を適宜操作して、分析期間入力ボックスＴ２に、分析したい期間を入力する。この例では「２００９／０１／０１〜２００９／１２／３１」と入力されている。
【０１６５】
上記歌手名及び期間の入力が完了すると、分析者は、上記マウス４２２を適宜操作して、分析開始ボタンＢをクリックする。これにより、制御部４０１は、上記入力された歌手名及び期間をキーワードとして用いて、クラスタリングの結果に対応して記憶されたデータを利用して分析を開始する（詳細は後述する）。そして、制御部４０１は、分析結果を可視化して、上記分析結果表示領域Ｔ３に表示させる。
【０１６６】
ここで、本実施形態において、情報処理装置４００の制御部４０１が実行する、クラスタリングに関する制御手順は、前述の第１の実施形態と同様である。以下、図１３を用いて、情報処理装置４００の制御部４０１が実行する、上述した分析に関する制御手順を説明する。なお、制御部４０１は、このフローに示す処理を、上記分析処理プログラムに従って実行する。
【０１６７】
図１３において、例えば分析者により上記キーボード４２１やマウス４２２を用いて、所定の処理開始指令が操作入力されることによって、図中「ＳＴＡＲＴ」位置で表されるように、このフローが開始される。
【０１６８】
まずステップＳ４００で、制御部４０１は、出力制御部４０３を介しディスプレイ４２０に制御信号を出力し、上記分析画面Ｐを表示させる。これにより、分析者は、上記キーボード４２１やマウス４２２を用いて、歌手名入力ボックスＴ１に歌手名の入力、及び、分析期間入力ボックスＴ２に期間の入力、を行うことができる。
【０１６９】
その後、ステップＳ４０５で、制御部４０１は、上記マウス４２２を介し分析開始ボタンＢがクリックされたかどうかを判定する。分析開始ボタンＢがクリックされるまで判定が満たされず、ループして待機する。そして、分析開始ボタンＢがクリックされたら判定が満たされて、歌手名入力ボックスＴ１及び分析期間入力ボックスＴ２に入力されたデータをそれぞれ取得して、ステップＳ４１０に移る。
【０１７０】
ステップＳ４１０では、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記歌手データベースにアクセスする。そして、上記歌手名入力ボックスＴに入力された歌手名をキーとして、歌手データベース内を検索し、当該歌手名に対応付けられた歌手ＩＤを取得する。
【０１７１】
そして、ステップＳ４１５に移り、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記歌唱履歴データベース３１３１にアクセスする。そして、歌唱履歴データベース３１３１に記憶された歌唱履歴情報を参照し、歌唱行動日時が上記分析期間入力ボックスＴ２に入力された期間に含まれる歌唱履歴情報を抽出する。その後、上記ステップＳ４１０で取得された歌手ＩＤをキーとして、上記抽出した歌唱履歴情報に含まれる当該歌手ＩＤに対応付けられた消費者ＩＤを取得する。
【０１７２】
その後、ステップＳ４２０で、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、上記ステップＳ４１５で取得された消費者ＩＤをキーとして嗜好データベース３１３２内を検索して、当該消費者ＩＤに対応付けられた嗜好ＩＤを取得する。これにより、上記歌手名入力ボックスＴ１に入力された歌手に対し、上記分析期間入力ボックスＴ２に入力された期間に歌唱行動を起こした消費者、及び、その消費者の属するユニットがわかる。
【０１７３】
そして、ステップＳ４２５に移り、制御部４０１は、上記ステップＳ４２０の結果に基づいて、上記歌手名入力ボックスＴ１に入力された歌手に対し、上記分析期間入力ボックスＴ２に入力された期間に歌唱行動を起こした消費者の、各ユニットごとの分布を表した画像データを生成する。
【０１７４】
その後、ステップＳ４３０で、制御部４０１は、出力制御部４０３を介し、上記ステップＳ４２５で生成された画像データをディスプレイ４２０に出力する。そして、ディスプレイ４２０の上記分析結果表示領域Ｔ３に、上記画像データに対応する画像を表示させる。その後、このフローを終了する。
【０１７５】
なお、上記図１２に示す例では、分析結果表示領域Ｔ３には、ユニットが同心円で示され、上記歌手名入力ボックスＴ１に入力された歌手に対し上記分析期間入力ボックスＴ２に入力された期間に歌唱行動を起こした消費者が「×」マークで示された画像が表示されている。すなわち、この画像では、「×」マークが多い同心円ほど、ユニットに属する上記歌手名入力ボックスＴ１に入力された歌手に対し上記分析期間入力ボックスＴ２に入力された期間に歌唱行動を起こした消費者の数が多くなっている。したがって、分析者は、クラスタリングの結果を反映した上記画像を参照することで、入力した歌手を嗜好する消費者の分布、つまり、嗜好するユニットや嗜好しないユニット等を知ることができる。
【０１７６】
以上説明した第２の実施形態においても、前述の第１の実施形態と同様の効果を得る。
【０１７７】
なお、以上において、図１及び図１１の各図中に示す矢印は信号の流れの一例を示すものであり、信号の流れ方向を限定するものではない。
【０１７８】
また、図５、図６、図７、図８等に示すフローチャートは本発明を上記フローに示す手順に限定するものではなく、発明の趣旨及び技術的思想を逸脱しない範囲内で手順の追加・削除又は順番の変更等をしてもよい。
【０１７９】
また、以上既に述べた以外にも、上記実施形態や各変形例による手法を適宜組み合わせて利用しても良い。
【０１８０】
その他、一々例示はしないが、本発明は、その趣旨を逸脱しない範囲内において、種々の変更が加えられて実施されるものである。
【符号の説明】
【０１８１】
１ 商品推奨システム
２ 市場分析システム
３００ ＤＢサーバ
４００ 情報処理装置（消費者情報処理装置）
４０１ 制御部
３１３１ 歌唱履歴データベース（消費者データベース）
３１３２ 嗜好データベース
【技術分野】
【０００１】
本発明は、複数の消費者の識別情報を複数のユニットにクラスタリングする、消費者情報処理装置に関する。
【背景技術】
【０００２】
従来、情報のクラスタリングを行う技術として、例えば特許文献１に記載の従来技術が開示されている。この従来技術では、情報分類装置の制御部が、学習時の処理と、分類処理時の処理とで異なる処理を実行する。上記学習時の処理には、機能的には、前処理部と、特徴量演算部と、クラスタ生成部と、学習処理部とが含まれている。
【０００３】
前処理部は、学習画像データから顔部分を認識し、当該顔部分の画像を正規化する。特徴量演算部は、前処理部が出力する画像に基づいて、分類項目との関係において定められる、ベクトル量である特徴量情報を演算する。クラスタ生成部は、クラスタリングにより特徴量情報を用いた学習用画像データのクラスタ分類を行う。具体的には、クラスタ生成部は、初めに、複数の特徴量情報のそれぞれについて、特徴量空間の座標値を演算する。次に、クラスタ生成部は、予め指定された、複数のユニットに相当する複数のクラスタの、代表ベクトルに相当するクラスタ中心を決定する。
【０００４】
このクラスタ生成部によるクラスタ中心の決定では、まず、初期値のクラスタ中心が例えばランダムに設定される。次に、各学習画像データから得られた特徴量情報が、それぞれ特徴量空間内で最も近いクラスタ中心に関連づけられる。そして、各クラスタ中心ごとに、関連づけられた特徴量情報に係る特徴量空間の重心座標が演算される。そして、その演算された重心座標が、新たなクラスタ中心とされる。クラスタ生成部は、これらの処理を、新たなクラスタ中心が、元のクラスタ中心と変化がなくなるまで繰り返す。これにより、各クラスタのクラスタ中心を決定すると共に、各学習画像データに係る特徴量情報を、特徴量空間で最も近いクラスタ中心に関連づけることができる。
【０００５】
そして、クラスタ生成部は、各クラスタ中心ごとに、クラスタ中心に関連づけられた特徴量情報を、学習処理部へ出力する。学習処理部は、クラスタ生成部より入力された各学習画像データに係る特徴量情報で特定された学習データベースの学習を行う。以上のように学習が行われる結果、学習用に用意された複数の画像データについて、分類項目との関係において定められたクラスタに対応した複数の学習データベースが生成される。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開２００７−４８１７２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００７】
上記従来技術において、情報分類装置の制御部が再び学習時の処理を実行する際には、上記と同様に、初期値のクラスタ中心はランダムに設定される。そして、このランダムに設定されたクラスタ中心を初期値として用いて、新たなクラスタリングが行われる。
【０００８】
ここで、例えばある時点において消費者により消費される商品構成に対する消費者の消費行動に基づいて、過去のクラスタリングの結果を活用して、複数の消費者の識別情報を複数のユニットに新たにクラスタリングする場合を考える。この場合、上記従来技術のように、ランダムに設定したベクトルを各ユニットの代表ベクトルの初期値として用いて新たなクラスタリングを行うと、各消費者の識別情報が過去のクリスタリングにおいて振り分けられたユニットと異なるユニットに振り分けられうる。このため、過去のクラスタリングの結果を継承できないおそれがあった。
【０００９】
上記を回避するために、過去のクラスタリングの結果を継承し活用する際に、各ユニットの代表ベクトルを今回のクラスタリングのために継承する手法も考えられる。しかしながらこの手法では、時間の経過により消費される商品構成が変化した場合には、ユニットの属性の継承がうまくいかなくなるおそれがあった。
【００１０】
本発明の目的は、時間の経過により消費される商品構成が変化した場合でも、過去のクラスタリングの結果を円滑かつ確実に継承し、複数のユニットの属性を継承して利用することができる消費者情報処理装置を提供することにある。
【課題を解決するための手段】
【００１１】
上記目的を達成するために、第１の発明は、複数の消費者の識別情報を複数のユニットにクラスタリングする消費者情報処理装置であって、商品の識別情報と当該商品に対する複数の消費者の消費行動履歴とを対応付けた消費履歴情報を各商品ごとに記憶した消費者データベースにアクセスし、複数の商品に対する複数の消費者の消費履歴情報を取得する履歴取得手段と、前記履歴取得手段により取得された前記複数の商品に対する前記複数の消費者の前記消費履歴情報を用いて、新たなクラスタリングを行うために用意された第１商品構成に対する前記消費者の消費行動を表す第１特徴ベクトルを生成し、生成した第１特徴ベクトルと当該消費者の識別情報とを対応付ける第１特徴ベクトル生成手段と、予め実行されたクラスタリングの結果に対応して予め記憶された、前記消費者の識別情報と前記ユニットとの対応付けを、第１特徴ベクトル生成手段により前記消費者ごとに生成された第１特徴ベクトルに対して適用し、各ユニットのベクトル状態量を、各ユニットごとに決定する状態量決定手段と、前記状態量決定手段で各ユニットごとに決定されたベクトル状態量を各ユニットの代表ベクトルの初期値として用いて、前記複数の消費者の識別情報にそれぞれ対応付けられた複数の前記第１特徴ベクトルをクラスタリングし、各消費者の識別情報に前記複数のユニットのいずれかを対応付ける第１クラスタリング手段とを有する。
【００１２】
本願第１発明においては、消費者データベースに各消費者の消費履歴情報が記憶されている。履歴取得手段によって、複数の商品に対する複数の消費者の消費履歴情報が消費者データベースから取得される。取得された消費履歴情報を用いて、第１特徴ベクトル生成手段が消費者の第１特徴ベクトルを生成する。第１特徴ベクトルは、新たなクラスタリングを行うために用意された商品構成に対する、消費者の消費行動を表すベクトルである。生成された第１特徴ベクトルは、第１特徴ベクトル生成手段によって、当該第１特徴ベクトルに対応する消費者の識別情報に対し対応付けられる。
【００１３】
上記のようにして消費者ごとに生成された第１特徴ベクトルを用いて、状態量決定手段がベクトル状態量を決定する。具体的には、新たに実行するクラスタリングに先立ち行われたクラスタリングの結果に対応して、消費者の識別情報とユニットとの対応付けが、予め記憶されている。この対応付けを用いることで、上記消費者ごとに生成された第１特徴ベクトルを、各ユニットごとに集計することができる。集計された第１特徴ベクトルの値を用いて、各ユニットごとに上記ベクトル状態量が決定される。この決定されたベクトル状態量を各ユニットの代表ベクトルの初期値として用い、第１クラスタリング手段が、上記複数の第１特徴ベクトルをクラスタリングする。これにより、各消費者の識別情報に対し、複数のユニットのいずれかを対応付けることができる。
【００１４】
以上のようにして、本願第１発明においては、過去のクラスタリングの結果を活用して新たなクラスタリングを行う。これにより、ランダムベクトルを初期値として用いて新たなクラスタリングを行う場合と異なり、過去のクラスタリング時から長期間が経過したり商品構成が大きく変動した場合等であっても、各消費者の識別情報が振り分けられるユニットが大きく異ならず、概ね同等のユニットとなる。
【００１５】
特に、過去のクラスタリングの結果を継承し活用する際に、各ユニットの代表ベクトルを今回のクラスタリングのために継承する手法では、時間の経過により消費される商品構成が変化するため、継承がうまくいかない。本願第１発明では、各ユニットの代表ベクトルを継承するのではなく、各ユニットに所属する消費者を継承し、当該消費者について新しい商品構成により特徴ベクトルを算出し、その特徴ベクトルに基づくベクトル状態量を用いて新たなクラスタリングを行う。これにより、上記と異なり、時間の経過により消費される商品構成が変化した場合でも、過去のクラスタリングの結果を円滑かつ確実に継承し、複数のユニットの属性を継承して利用することができる。
【００１６】
第２の発明は、上記第１発明において、複数の商品に対する複数の消費者の前記消費履歴情報を用いて、予め定められた初期クラスタリング用商品構成に対する各消費者の消費行動を表す初期クラスタリング用特徴ベクトルを生成し、生成した初期クラスタリング用特徴ベクトルと当該消費者の識別情報とを対応付ける第２特徴ベクトル生成手段と、予め用意された、前記複数のユニットそれぞれの初期クラスタリング用代表ベクトルを用いて、前記複数の消費者の識別情報にそれぞれ対応付けられた複数の前記初期クラスタリング用特徴ベクトルをクラスタリングする第２クラスタリング手段とをさらに有し、前記状態量決定手段は、前記第２クラスタリング手段による前記初期クラスタリング用特徴ベクトルのクラスタリング結果に対応して記憶された、複数の消費者の識別情報と前記複数のユニットとの初期的対応付けを、前記第１特徴ベクトル生成手段により各消費者ごとに生成された前記第１特徴ベクトルに対して適用し、各ユニットの前記ベクトル状態量を、各ユニットごとに決定することを特徴とする。
【００１７】
本願第２発明の消費者情報処理装置は、過去に自らが行ったクラスタリングの結果を活用して新たなクラスタリングを行う。すなわち、過去のクラスタリング実行時には、所定の初期クラスタリング用商品構成に対する初期クラスタリング用特徴ベクトルが第２特徴ベクトル生成手段によって生成され、生成された初期クラスタリング用特徴ベクトルと当該ベクトルに対応する各消費者の識別情報とが対応付けられる。このようにして複数の消費者の識別情報にそれぞれ対応付けられた複数の初期クラスタリング用特徴ベクトルは、各ユニットに対し予め用意された初期クラスタリング用代表ベクトルを用いて、第２クラスタリング手段によってクラスタリングされる。このクラスタリングにより、複数の消費者の識別情報と複数のユニットのいずれかとが対応付けられて記憶される。
【００１８】
上記のようにして記憶された消費者の識別情報と各ユニットとの対応付けが、状態量決定手段によって、各消費者ごとに生成された第１特徴ベクトルに適用される。これによって、各ユニットのベクトル状態量が、各ユニットごとに決定される。
【００１９】
以上の結果、本願第２発明の消費者情報処理装置は、時間の経過により消費される商品構成が変化した場合でも、自らの行った過去のクラスタリングの結果を円滑かつ確実に継承し、複数のユニットの属性を継承して利用することができる。
【００２０】
第３の発明は、上記第２発明において、複数の商品に対する複数の消費者の前記消費履歴情報を参照し、全ての前記初期クラスタリング用商品構成に対する前記初期クラスタリング用特徴ベクトルが０である消費者、若しくは、所定期間内における消費行動の回数が所定のしきい値以下である消費者、に対応する前記初期クラスタリング用特徴ベクトルを、前記第２クラスタリング手段でのクラスタリングの対象から除外する、除外処理手段を有することを特徴とする。
【００２１】
データとしての利用価値が乏しい情報をノイズとしてクラスタリング対象から除外することにより、クラスタリングにおける精度を向上すると共に、処理時間を短縮することができる。
【００２２】
第４の発明は、上記第１発明において、前記状態量決定手段は、各ユニットに属する全消費者の前記第１特徴ベクトルの平均値を算出し、当該平均値を前記ベクトル状態量に決定することを特徴とする。
【００２３】
本願第４発明においては、ベクトル状態量として、各ユニットに属する全消費者の第１特徴ベクトルの平均値を用いる。これにより、過去のクラスタリングの結果を継承しつつ、新しい商品構成に対応した各ユニットごとの最新の消費傾向を反映させたクラスタリングを実行することができる。
【００２４】
第５の発明は、上記第１発明において、前記状態量決定手段は、各ユニットに属する全消費者の前記第１特徴ベクトルの中央値を選定し、当該中央値を前記ベクトル状態量に決定することを特徴とする。
【００２５】
本願第５発明においては、ベクトル状態量として、各ユニットに属する全消費者の第１特徴ベクトルの中央値を用いる。これにより、過去のクラスタリングの結果を継承しつつ、新しい商品構成に対応した各ユニットごとの最新の消費傾向を反映させたクラスタリングを実行することができる。特に、全消費者の第１特徴ベクトルの平均値でなく中央値を用いることにより、ユニットにおける第１特徴ベクトルの値の分布が偏っていた場合に、その偏り傾向を確実に反映させたクラスタリングを行うことができる。
【発明の効果】
【００２６】
本発明によれば、時間の経過により消費される商品構成が変化した場合でも、過去のクラスタリングの結果を円滑かつ確実に継承し、複数のユニットの属性を継承して利用することができる。
【図面の簡単な説明】
【００２７】
【図１】本発明の第１の実施形態の消費者情報処理装置を備えた商品推奨システムの全体構成を表すシステム構成図である。
【図２】歌唱履歴データベースの記憶内容の一例を概念的に表す表である。
【図３】嗜好データベースの記憶内容の一例を概念的に表す表である。
【図４】初期クラスタリング用の特徴ベクトルを生成する手法の一例を説明する説明図である。
【図５】情報処理装置の制御部が実行する、クラスタリングに関する制御手順を表すフローチャートである。
【図６】ステップＳ１００の詳細手順を表すフローチャートである。
【図７】ステップＳ２００の詳細手順を表すフローチャートである。
【図８】情報処理装置の制御部が実行する、商品推奨に関する制御手順を表すフローチャートである。
【図９】各ユニットに属する全消費者の第１特徴ベクトルの中央値をベクトル状態量に決定する変形例において、ステップＳ２００の詳細手順を表すフローチャートである。
【図１０】各ユニットに属する所定数の消費者の第１特徴ベクトルに基づきベクトル状態量を決定する変形例において、ステップＳ２００の詳細手順を表すフローチャートである。
【図１１】本発明の第２の実施形態の消費者情報処理装置を備えた市場分析システムの全体構成を表すシステム構成図である。
【図１２】情報処理装置のディスプレイに表示された分析画面の一例を表す説明図である。
【図１３】情報処理装置の制御部が実行する、分析に関する制御手順を表すフローチャートである。
【発明を実施するための形態】
【００２８】
以下、本発明の実施の形態を図面を参照しつつ説明する。まず、本発明の第１の実施形態について説明する。
【００２９】
図１を用いて、第１の実施形態の消費者情報処理装置を備えた商品推奨システムを説明する。
【００３０】
図１において、商品推奨システム１は、カラオケルームＫＲに設置されたカラオケ装置１００と、楽曲配信会社２００と、ＤＢサーバ３００と、消費者情報処理装置としての情報処理装置４００と、ＷＥＢサーバ５００と、ＰＣ端末６００と、広告配信会社７００とを有している。
【００３１】
カラオケ装置１００は、カラオケ装置本体１１０と、表示装置１２０と、マイク１１５とを有している。カラオケ装置本体１１０は、例えばＷｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ（ＷＡＮ）等のネットワークＮＷ１を介し楽曲配信会社２００から配信される楽曲データを再生する。表示装置１２０は、楽曲データの再生時に歌唱に係る映像を表示する。マイク１１５は、カラオケ装置本体１１０に接続され、カラオケ利用者である消費者の歌唱の用に供する。消費者は、この例では所定のカラオケ施設における会員として登録されている。
【００３２】
ここで、楽曲配信会社２００からカラオケ装置本体１１０に配信される楽曲データは、商品に含まれる。すなわち、カラオケにおいて消費者が楽曲データを歌唱することは、商品の消費に含まれる。つまり、歌唱行動は、消費行動に含まれる。
【００３３】
上記構成であるカラオケ装置１００は、上記ネットワークＮＷ１を介しＤＢサーバ３００に接続されている。
【００３４】
ＤＢサーバ３００は、制御部３０１と、通信制御部３０２，３０３と、記憶部３１０とを有している。
【００３５】
制御部３０１は、図示しないＣＰＵ及びＲＡＭ、ＲＯＭ等のメモリを備えている。この制御部３０１は、ＲＡＭの一時記憶機能を利用しつつ、記憶部３１０に予め記憶された各種プログラムを実行する。これにより、ＤＢサーバ３００全体の制御を行う。
【００３６】
通信制御部３０２は、上記カラオケ装置本体１１０との間で上記ネットワークＮＷ１を介し行われる情報通信の制御を行う。通信制御部３０３は、上記情報処理装置４００やＷＥＢサーバ５００との間で、例えばＬｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ（ＬＡＮ）等のネットワークＮＷ２を介し行われる情報通信の制御を行う。
【００３７】
記憶部３１０は、例えばＨａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ（ＨＤＤ）等で構成されている。この記憶部３１０は、ＯＳ記憶エリア３１１と、ＲＤＢＭＳ記憶エリア３１２と、データベース記憶エリア３１３と、商品構成の情報記憶エリア３１４とを備えている。
【００３８】
ＯＳ記憶エリア３１１には、所定のＯｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ（ＯＳ）が記憶されている。ＯＳは、コンピュータシステム全体を管理するソウトウェアである。
【００３９】
ＲＤＢＭＳ記憶エリア３１２には、所定のＲｅｌａｔｉｏｎａｌ ＤｅｔａＢａｓｅ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ（ＲＤＢＭＳ）が記憶されている。ＲＤＢＭＳは、いわゆるリレーショナルデータベースを管理するソフトウェアである。
【００４０】
データベース記憶エリア３１３には、会員データベース、歌手データベース、消費者データベースとしての歌唱履歴データベース３１３１（後述の図２参照）、嗜好データベース３１３２（後述の図３参照）、及び広告データベースが記憶されている。
【００４１】
会員データベースには、複数の消費者の会員情報が記憶されている。消費者の会員情報には、例えば消費者の識別情報である消費者ＩＤ、性別、及び生年月日等が含まれている。
【００４２】
歌手データベースには、各歌手ごとに、楽曲データの歌手の識別情報である歌手ＩＤ、及び、歌手名が記憶されている。歌手名は、歌手の名称である。
【００４３】
広告データベースには、各消費者ごとに、上記消費者ＩＤと、当該消費者のＰＣ端末６００に対して出力する推奨情報として決定された、特定の商品を推奨するための推奨情報の識別情報である広告ＩＤとが記憶されている。なお、この広告データベースに、推奨情報自体を記憶させるようにしてもよい。
【００４４】
商品構成の情報記憶エリア３１４には、後述するクラスタリングのために用意された商品構成に係わる情報が記憶されている。本実施形態では、上記商品構成を、歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データとしている。そして、上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の歌手ＩＤが、この商品構成の情報記憶エリア３１４に記憶されている。なお、歌手別歌唱回数ランキングは時間の経過により変化するので、一定の期間が経過したら、その時点における歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の歌手ＩＤを、この商品構成の情報記憶エリア３１４に記憶させる。
【００４５】
上記構成であるＤＢサーバ３００は、上記ネットワークＮＷ２を介し情報処理装置４００及びＷＥＢサーバ５００に接続されている。
【００４６】
情報処理装置４００には、ディスプレイ４２０、キーボード４２１、及びマウス４２２が接続されている。また、情報処理装置４００は、制御部４０１と、通信制御部４０２と、出力制御部４０３と、入力制御部４０４と、記憶部４１０とを有している。
【００４７】
制御部４０１は、図示しないＣＰＵ及びＲＡＭ、ＲＯＭ等のメモリを備えている。この制御部４０１は、ＲＡＭの一時記憶機能を利用しつつ、記憶部４１０に予め記憶された各種プログラムを実行する。これにより、情報処理装置４００全体の制御を行う。
【００４８】
通信制御部４０２は、上記ＤＢサーバ３００やＷＥＢサーバ５００との間で上記ネットワークＮＷ２を介し行われる情報通信の制御を行う。
【００４９】
出力制御部４０３は、上記ディスプレイ４２０への映像信号の出力に関する制御を行う。入力制御部４０４は、上記キーボード４２１やマウス４２２を介した情報の入力に関する制御を行う。
【００５０】
記憶部４１０は、例えばＨＤＤ等で構成されている。この記憶部４１０は、所定のＯＳを記憶したＯＳ記憶エリア４１１と、プログラム記憶エリア４１２とを備えている。
【００５１】
プログラム記憶エリア４１２には、クラスタリング処理プログラム、及び、広告決定処理プログラムが記憶されている。
【００５２】
クラスタリング処理プログラムは、制御部４０１に例えば公知のＫ−ｍｅａｎｓ法やＳｅｌｆ Ｏｒｇａｎｉｚｉｎｇ Ｍａｐｓ（ＳＯＭ）法などのクラスタリング手法を用いて、複数の消費者ＩＤを、予め定められた複数のユニットにクラスタリングさせるためのプログラムである。
【００５３】
広告決定処理プログラムは、上記ＤＢサーバ３００の広告データベースを、制御部４０１に更新させるためのプログラムである。
【００５４】
一方、ＷＥＢサーバ５００は、制御部５０１と、通信制御部５０２，５０３と、記憶部５１０とを有している。
【００５５】
制御部５０１は、図示しないＣＰＵ及びＲＡＭ、ＲＯＭ等のメモリを備えている。この制御部５０１は、ＲＡＭの一時記憶機能を利用しつつ、記憶部５１０に予め記憶された各種プログラムを実行する。これにより、ＷＥＢサーバ５００全体の制御を行う。
【００５６】
通信制御部５０２は、上記ＤＢサーバ３００や情報処理端末４００との間で上記ネットワークＮＷ２を介し行われる情報通信の制御を行う。通信制御部５０３は、上記ＰＣ端末６００や広告配信会社７００との間で、例えばＷＡＮ等のネットワークＮＷ３を介し行われる情報通信の制御を行う。
【００５７】
記憶部５１０は、例えばＨＤＤ等で構成されている。この記憶部５１０は、所定のＯＳを記憶したＯＳ記憶エリア５１１と、ＷＥＢサーバプログラムを記憶したプログラム記憶エリア５１２と、ログイン情報記憶エリア５１３とを備えている。
【００５８】
ＷＥＢサーバプログラムは、所定のウェブブラウザに対し、Ｈｙｐｅｒ Ｔｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ（ＨＴＭＬ）や画像等のオブジェクトの表示を提供するプログラムである。
【００５９】
また、この記憶部５１０の適宜の領域には、上記ネットワークＮＷ３を介し広告配信会社７００から配信された、上記特定の商品に係わる推奨情報が記憶される。
【００６０】
上記構成であるＷＥＢサーバ６００は、上記ネットワークＮＷ３を介しＰＣ端末６００に接続されている。
【００６１】
ＰＣ端末６００は、複数の消費者それぞれにより所有されるＰＣ端末である。このＰＣ端末６００は、表示手段としてのディスプレイ６２０と、キーボード６２１と、マウス６２２とを有している。
【００６２】
図２に、上記歌唱履歴データベース３１３１の記憶内容の一例を示す。
【００６３】
図２に示すように、歌唱履歴データベース３１３１には、各楽曲データごとに、楽曲データの識別情報である楽曲ＩＤと、上記歌手ＩＤと、当該楽曲データに対する複数の消費者の歌唱行動履歴とをそれぞれ対応付けた歌唱履歴情報が記憶されている。上記歌唱行動履歴には、楽曲データを歌唱した消費者の消費者ＩＤと、歌唱行動日時とが含まれている。歌唱行動日時は、消費者が楽曲データを歌唱した日時情報である。なお、歌唱行動履歴が消費行動履歴に相当し、歌唱履歴情報が消費履歴情報に相当する。
【００６４】
図３に、上記嗜好データベース３１３２の記憶内容の一例を示す。
【００６５】
図３に示すように、嗜好データベース３１３２には、情報処理装置４００の制御部４０１により実行されたクラスタリングの結果に対応した、消費者ＩＤとユニットとの対応付けが記憶されている。すなわち、各消費者ごとに、消費者ＩＤと、当該消費者ＩＤがクラスタリングにより振り分けられたユニットの識別情報である嗜好ＩＤとが対応付けられて記憶されている。
【００６６】
情報処理装置４００の制御部４０１は、嗜好データベース３１３２に、予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されていない場合と、当該消費者ＩＤとユニットとの対応付けが記憶されている場合とで、異なる処理を実行する。
【００６７】
まず、嗜好データベース３１３２に、予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されていない場合に行われる処理について説明する。
【００６８】
嗜好データベース３１３２に、予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されていない場合には、情報処理装置４００の制御部４０１は、まず、歌唱履歴データベース３１３１に記憶された歌唱履歴情報を取得する。そして、その歌唱履歴情報を用いて、特徴ベクトルを生成する。特徴ベクトルとは、クラスタリングのために用意された上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する各消費者の歌唱行動を表すベクトルである。言い換えれば、特徴ベクトルは、各消費者の歌手の嗜好を表すベクトルである。
【００６９】
上記取得された歌唱履歴情報には、上述したように、楽曲ＩＤ、歌手ＩＤ、消費者ＩＤ、及び歌唱行動日時が含まれている。したがって、上記商品構成の情報記憶エリア３１４から上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の歌手ＩＤを取得して、当該歌手ＩＤをキーとすることにより、上記取得された歌唱履歴情報に含まれる当該歌手ＩＤに対応付けられた消費者ＩＤを検出することができる。すなわち、上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対して歌唱行動を起こした消費者の消費者ＩＤを検出することができる。
【００７０】
なお、予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されていない場合に用意された、上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データが、初期クラスタリング用商品構成に相当する。また、当該歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する特徴ベクトルが、初期クラスタリング用特徴ベクトルに相当する。以下適宜、この特徴ベクトルを、初期クラスタリング用の特徴ベクトルと称する。
【００７１】
図４を用いて、上記初期クラスタリング用の特徴ベクトルを生成する手法の一例を説明する。本実施形態においては、情報処理装置４００の記憶部４１０の適宜の領域に記憶されたテーブル４１０１を用いて、初期クラスタリング用の特徴ベクトルの生成が行われる。
【００７２】
図４において、テーブル４１０１には、１人の消費者につき横一列の段を使用して、上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する、上記取得された歌唱履歴情報に含まれる各消費者ＩＤに係わる各消費者の歌唱行動の有無が記録されている。図４に示す例では、当該歌唱行動がある場合が「１」、当該歌唱行動がない場合が「０」と記録されている。
【００７３】
すなわち、まず、このテーブル４１０１には、上記商品構成の情報記憶エリア３１４から取得された複数の歌手ＩＤと、上記歌唱履歴データベース３１３１から取得された歌唱履歴情報に含まれる複数の消費者ＩＤとが、対応付けられて記録される。その記録された複数の歌手ＩＤをキーとして、上記取得された歌唱履歴情報に含まれる当該歌手ＩＤに対応付けられた消費者ＩＤがそれぞれ検出される。なお、このとき検出された消費者ＩＤは、上記キーとなった歌手ＩＤに係わる歌手の楽曲データに対して歌唱行動を起こした消費者の消費者ＩＤである。その後、上記の検出結果に応じて、テーブル４１０１に「１」又は「０」が記録される。
【００７４】
なお、テーブル４１０１における、１人の消費者に係わる横一列の段に記録されたデータは、当該消費者の初期クラスタリング用の特徴ベクトルに相当する。つまり、特徴ベクトルは、上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の歌手ＩＤをベクトルの構成要素とし、「１」又は「０」を当該要素の値としたベクトルである。例えば、消費者ＩＤ「１」に係わる消費者の初期クラスタリング用の特徴ベクトルに関しての要素及びその値は、歌手ＩＤ「１５４１０」で「１」、歌手ＩＤ「９０４５」で「０」、歌手ＩＤ「１２０」で「１」、歌手ＩＤ「７９８５」で「０」、歌手ＩＤ「３５４」で「０」、歌手ＩＤ「８４６０」で「０」、歌手ＩＤ「２３６８」で「１」・・・となる。つまり、消費者ＩＤ「１」に係わる消費者の初期クラスタリング用の特徴ベクトルは、＜１，０，１，０，０，０，１・・・＞となる。このようにテーブル４１０１を用いることで、初期クラスタリング用の特徴ベクトルと、消費者ＩＤとを対応付けて記録することができる。
【００７５】
情報処理装置４００の制御部４０１は、次に、複数の初期クラスタリング用の特徴ベクトルを複数のユニットにクラスタリングするために、各ユニットを代表する代表ベクトルを、予め用意する。本実施形態では、図示しない乱数発生器を用いて乱数を発生させて、この乱数に基づいて、各ユニットごとにベクトルを生成する。そして、その各ユニットごとに生成したベクトルを、各ユニットの代表ベクトルの初期値に設定する。
【００７６】
なお、この予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されていない場合に予め用意した代表ベクトルが、初期クラスタリング用代表ベクトルに相当する。以下適宜、この代表ベクトルを、初期クラスタリング用の代表ベクトルと称する。
【００７７】
その後、情報処理装置４００の制御部４０１は、上記設定した複数のユニットそれぞれの初期クラスタリング用の代表ベクトルを用いて、複数の消費者ＩＤにそれぞれ対応付けられた複数の初期クラスタリング用の特徴ベクトルを、複数のユニットにクラスタリングする。このとき、全ての上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する初期クラスタリング用の特徴ベクトルが「０」である消費者に対応する初期クラスタリング用の特徴ベクトルは、クラスタリングの対象から除外される。なお、全ての上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する初期クラスタリング用の特徴ベクトルが「０」である消費者とは、当該初期クラスタリング用の特徴ベクトルの要素の値が全て「０」である消費者である。
【００７８】
ここで、クラスタリングとは、いわゆる「教師なしのデータ分類手法」であり、複数のデータを外的基準なしに自動的に分類する手法である。本実施形態においては、前述した公知のＫ−ｍｅａｎｓ法やＳＯＭ法などのクラスタリング手法を用いて、クラスタリングを行う。一例として、Ｋ−ｍｅａｎｓ法を用いて、複数の初期クラスタリング用の特徴ベクトルをクラスタリングする方法を説明する。
【００７９】
すなわち、情報処理装置４００の制御部４０１は、まず、複数の初期クラスタリング用の特徴ベクトルを、ユークリッド距離が最小になるように、複数のユニットのいずれかに振り分ける。ユークリッド距離とは、初期クラスタリング用の特徴ベクトルとユニットの代表ベクトルとの距離である。その後、各ユニットに振り分けられた全ての初期クラスタリング用の特徴ベクトルに基づき、各ユニットごとに、ユニットの新たな代表ベクトルを算出する。
【００８０】
そして、複数の初期クラスタリング用の特徴ベクトルを、ユニットの新たな代表ベクトルとの上記ユークリッド距離が最小となるユニットに振り分け直す。このとき、いずれかの初期クラスタリング用の特徴ベクトルについて、上記ユニットの振り分け直しが行われた場合には、各ユニットに新しく振り分けられた全ての初期クラスタリング用の特徴ベクトルに基づき、各ユニットごとに、ユニットの新たな代表ベクトルを算出し、上記と同様の処理を繰り返す。そして、上記の処理を繰り返すことにより、全ての初期クラスタリング用の特徴ベクトルについて、上記ユニットの振り分け直しが行われなくなった場合を、クラスタリングの完了とする。これにより、複数の初期クラスタリング用の特徴ベクトルは、複数のユニットに振り分けられる。
【００８１】
なお、上記では、Ｋ−ｍｅａｎｓ法によりクラスタリングを行う場合を例にとって説明したが、上記ＳＯＭ法やその他のクラスタリング手法によりクラスタリングを行ってもよい。
【００８２】
その後、上記のクラスタリングの結果に対応して、各初期クラスタリング用の特徴ベクトルに対応する各消費者ＩＤに、当該特徴ベクトルが振り分けられたユニットを対応付ける。そして、各消費者ごとに、消費者ＩＤと、当該消費者ＩＤに対応付けたユニットの嗜好ＩＤとを、上記嗜好データベース３１３２に記憶させる。
【００８３】
また、上記嗜好データベース３１３２に、予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されている場合には、情報処理装置４００の制御部４０１は、予め実行されたクラスタリングの結果を活用して、複数の消費者ＩＤを複数のユニットにクラスタリングする（詳細は後述する）。
【００８４】
また、本実施形態では、情報処理装置４００の制御部４０１は、上記嗜好データベース３１３２に記憶されたクラスタリングの結果に対応したデータ、すなわち、複数の消費者ＩＤと複数の嗜好ＩＤとの対応付けを利用して、各消費者に対して推奨する推奨情報を決定する。そして、その決定内容に従って、各消費者のＰＣ端末６００に対し推奨情報を出力する（詳細は後述する）。
【００８５】
図５を用いて、情報処理装置４００の制御部４０１が実行する、上述したクラスタリングに関する制御手順を説明する。なお、制御部４０１は、このフローに示す処理を、上記クラスタリング処理プログラムに従って実行する。
【００８６】
図５において、例えばシステム管理者により上記キーボード４２１やマウス４２２を用いて、所定の処理開始指令が操作入力されることによって、図中「ＳＴＡＲＴ」位置で表されるように、このフローが開始される。
【００８７】
まずステップＳ５で、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、嗜好データベース３１３２に、予め実行されたクラスタリングの結果に対応したデータが記憶されているかどうかを判定する。当該データが記憶されていない場合には、判定が満たされずステップＳ１００に移る。
【００８８】
ステップＳ１００では、制御部４０１は、所定の初期クラスタリング処理を実行する。この詳細内容については、後述の図６で説明する。その後、このフローを終了する。
【００８９】
一方、上記ステップＳ５において、嗜好データベース３１３２に、予め実行されたクラスタリングの結果に対応したデータが記憶されていた場合には、ステップＳ５の判定が満たされてステップＳ２００に移る。
【００９０】
ステップＳ２００では、制御部４０１は、予め実行されたクラスタリングの結果を継承して新たなクラスタリングを行う、クラスタリング処理を実行する。この詳細内容については、後述の図７で説明する。その後、このフローを終了する。
【００９１】
図６を用いて、上記図５のステップＳ１００の詳細手順を説明する。
【００９２】
図６において、まずステップＳ１０５で、制御部４０１は、ＤＢサーバ３００の上記商品構成の情報記憶エリア３１４にアクセスする。そして、商品構成の情報記憶エリア３１４に記憶された複数の歌手ＩＤを取得する。
【００９３】
その後、ステップＳ１１０で、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記歌唱履歴データベース３１３１にアクセスする。そして、歌唱履歴データベース３１３１に記憶された、複数の楽曲データに対する複数の消費者の歌唱履歴情報を取得する。
【００９４】
そして、ステップＳ１１５に移り、制御部４０１は、上記ステップＳ１１０で取得された歌唱履歴情報を用いて、上記ステップＳ１０５で取得された複数の歌手ＩＤに係わる楽曲データ対する、各消費者の初期クラスタリング用の特徴ベクトルを生成する。そして、その生成した各消費者の初期クラスタリング用の特徴ベクトルと、当該消費者の消費者ＩＤとを対応付ける。このステップが、各請求項記載の第２特徴ベクトル生成手段として機能する。なお、本実施形態では、前述したように、テーブル４１０１を使用して、上記各消費者の初期クラスタリング用の特徴ベクトルを生成し、各消費者の初期クラスタリング用の特徴ベクトルと、当該消費者の消費者ＩＤとを対応付ける（図４参照）。
【００９５】
その後、ステップＳ１２０で、制御部４０１は、上記ステップＳ１１５で生成された各消費者の初期クラスタリング用の特徴ベクトルのうち、上記ステップＳ１０５で取得された全ての歌手ＩＤに係わる楽曲データに対する初期クラスタリング用の特徴ベクトルが０である消費者に対応する初期クラスタリング用の特徴ベクトルを、後述のステップＳ１３０でのクラスタリングの対象から除外する。言い換えれば、全ての上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する初期クラスタリング用の特徴ベクトルが０である消費者に対応する初期クラスタリング用の特徴ベクトルを、後述のステップＳ１３０でのクラスタリングの対象から除外する。このステップが、各請求項記載の除外処理手段として機能する。なお、所定期間内における歌唱行動の回数、すなわち、歌唱回数が、所定のしきい値以下である消費者、例えば１年間の歌唱回数が５回以下である消費者、に対応する初期クラスタリング用の特徴ベクトルを、後述のステップＳ１３０でのクラスタリングの対象から除外するようにしてもよい。
【００９６】
そして、ステップＳ１２５に移り、制御部４０１は、上記乱数発生器を用いて乱数を発生させて、この乱数に基づいて、各ユニットごとにベクトルを生成する。そして、その各ユニットごとに生成したベクトルを、各ユニットの初期クラスタリング用の代表ベクトルの初期値に設定する。
【００９７】
その後、ステップＳ１３０で、制御部４０１は、上記ステップＳ１２５で設定された複数のユニットそれぞれの初期クラスタリング用の代表ベクトルを用いて、上記ステップＳ１１５で複数の消費者ＩＤにそれぞれ対応付けられた、複数の初期クラスタリング用の特徴ベクトルを、前述したような手法により、複数のユニットにクラスタリングする。このステップが、各請求項記載の第２クラスタリング手段として機能する。そして、このクラスタリングの結果に対応して、各初期クラスタリング用の特徴ベクトルに対応する各消費者ＩＤに、当該特徴ベクトルが振り分けられたユニットを対応付ける。
【００９８】
そして、ステップＳ１３５に移り、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、嗜好データベース３１３２に、上記ステップＳ１３０でのクラスタリングの結果、すなわち、複数の消費者ＩＤと複数のユニットとの対応付けを記憶させる。その後、このルーチンを終了する。
【００９９】
図７を用いて、上記図５のステップＳ２００の詳細手順を説明する。
【０１００】
図７において、まずステップＳ２０５で、制御部４０１は、ＤＢサーバ３００の上記商品構成の情報記憶エリア３１４にアクセスする。そして、商品構成の情報記憶エリア３１４に記憶された複数の歌手ＩＤを取得する。なお、このステップで取得される複数の歌手ＩＤに係わる楽曲データ、すなわち、上記予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されている場合に用意された上記歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データが、新たなクラスタリングを行うために用意された第１商品構成に相当する。
【０１０１】
その後、ステップＳ２１０で、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記歌唱履歴データベース３１３１にアクセスする。そして、歌唱履歴データベース３１３１に記憶された、複数の楽曲データに対する複数の消費者の歌唱履歴情報を取得する。このステップが、各請求項記載の履歴取得手段として機能する。
【０１０２】
そして、ステップＳ２１５に移り、制御部４０１は、上記ユニットに対応する変数Ｕの値を１に設定する。
【０１０３】
その後、ステップＳ２２０で、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、この時点での変数Ｕの値に対応するユニットの嗜好ＩＤをキーとして嗜好データベース３１３２内を検索し、当該嗜好ＩＤに対応付けられた全ての消費者ＩＤを検出する。すなわち、この時点でのＵの値に対応するユニットに属する全消費者の消費者ＩＤを検出する。
【０１０４】
そして、ステップＳ２２５に移り、制御部４０１は、上記ステップＳ２１０で取得された歌唱履歴情報を用いて、上記ステップＳ２０５で取得された複数の歌手ＩＤに係わる楽曲データ対する、上記ステップＳ２２０で検出された各消費者ＩＤに係わる各消費者の特徴ベクトルを生成する。なお、このステップで生成される特徴ベクトル、すなわち、上記予め実行されたクラスタリングの結果に対応した消費者ＩＤとユニットとの対応付けが記憶されている場合に生成される特徴ベクトルが、第１特徴ベクトルに相当する。以下適宜、この特徴ベクトルを、第１特徴ベクトルと称する。そして、上記生成した各消費者の第１特徴ベクトルと、当該消費者の消費者ＩＤとを対応付ける。このステップが、各請求項記載の第１特徴ベクトルとして機能する。なお、制御部４０１は、上記テーブル４１０１を使用して、上記初期クラスタリング用の特徴ベクトルの生成方法とほぼ同様の方法により、第１特徴ベクトルを生成し、各消費者の第１特徴ベクトルと、当該消費者の消費者ＩＤとを対応付ける。
【０１０５】
その後、ステップＳ２３０で、制御部４０１は、上記ステップＳ２２５で生成された複数の第１特徴ベクトルの平均値を算出する。これは言い換えれば、上記図６のステップＳ１３０での初期クラスタリング用の特徴ベクトルのクラスタリング結果に基づく複数の消費者ＩＤと複数のユニットとの初期的対応付けに応じて、この時点でのＵの値に対応するユニットに属する全消費者の第１特徴ベクトルの平均値を算出している。さらに言い換えれば、上記図６のステップＳ１３０での初期クラスタリング用の特徴ベクトルのクラスタリング結果に対応して上記嗜好データベース３１３２に予め記憶された上記初期的対応付けを、上記ステップＳ２２５で各消費者ごとに生成された第１特徴ベクトルに対して適用し、この時点でのＵの値に対応するユニットに属する全消費者の第１特徴ベクトルの平均値を算出している。その後、その算出した平均値を、この時点でのＵの値に対応するユニットのベクトル状態量に決定する。このステップが、各請求項記載の状態量決定手段として機能する。なお、後述のステップＳ２５０での第１特徴ベクトルのクラスタリング結果に基づく各消費者ＩＤとユニットとの対応付けが、上記嗜好データベース３１３２に記憶されている場合には、その対応付けに応じて、上記平均値が算出される。いずれの場合でも、このステップでは、予め実行されたクラスタリングの結果に基づく各消費者ＩＤとユニットとの対応付けに応じて、上記平均値が算出される。
【０１０６】
そして、ステップＳ２３５に移り、制御部４０１は、上記ステップＳ２３０で決定された、この時点のＵの値に対応するユニットのベクトル状態量を、当該ユニットの代表ベクトルの初期値に設定する。
【０１０７】
その後、ステップＳ２４０で、制御部４０１は、上記変数Ｕの値が、予め定められたユニットの総数に対応する最大値Ｕ＿ｍａｘになったかどうか、すなわち、全てのユニットの代表ベクトルの初期値を設定したかどうかを判定する。Ｕ＝Ｕ＿ｍａｘとなっていない場合、すなわち、全てのユニットの代表ベクトルの初期値を設定していない場合には、判定が満たされずステップＳ２４５に移る。
【０１０８】
ステップＳ２４５では、制御部４０１は、変数Ｕの値に１を加え、上記ステップＳ２２０に戻り同様の手順を繰り返す。
【０１０９】
一方、上記ステップＳ２４０において、Ｕ＝Ｕ＿ｍａｘとなっていた場合、すなわち、全てのユニットの代表ベクトルの初期値を設定していた場合には、ステップＳ２４０の判定が満たされてステップＳ２５０に移る。なお、この場合には、各消費者の第１特徴ベクトルと当該消費者の消費者ＩＤとが対応付けられ、各ユニットごとに代表ベクトルの初期値が設定されている。
【０１１０】
ステップＳ２５０では、制御部４０１は、上記ステップＳ２３５で各ユニットごとに設定された代表ベクトルの初期値を用いて、上記ステップＳ２２５で複数の消費者ＩＤにそれぞれ対応付けられた複数の第１特徴ベクトルを、前述したような手法により、複数のユニットにクラスタリングする。そして、このクラスタリングの結果に対応して、各第１特徴ベクトルに対応する各消費者ＩＤに、当該特徴ベクトルが振り分けられたユニットを対応付ける。言い換えれば、各消費者ＩＤに複数のユニットのいずれかを対応付ける。このステップが、各請求項記載の第１クラスタリング手段として機能する。
【０１１１】
そして、ステップＳ２５５に移り、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、嗜好データベース３１３２に、上記ステップＳ２５０でのクラスタリングの結果、すなわち、複数の消費者ＩＤと複数のユニットとの対応付けを記憶させる。その後、このルーチンを終了する。
【０１１２】
図８を用いて、情報処理装置４００の制御部４０１が実行する、上述した商品推奨に関する制御手順を説明する。なお、制御部４０１は、このフローに示す処理を、上記広告決定処理プログラムに従って実行する。
【０１１３】
図８において、例えばシステム管理者により上記キーボード４２１やマウス４２２を用いて、所定の処理開始指令が操作入力されることによって、図中「ＳＴＡＲＴ」位置で表されるように、このフローが開始される。
【０１１４】
まずステップＳ３００で、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、嗜好データベース３１３２に記憶されたデータ、すなわち、複数の消費者ＩＤと複数の嗜好ＩＤとの対応付けを取得する。
【０１１５】
その後、ステップＳ３０５で、制御部４０１は、上記ステップＳ３００で取得されたデータに基づき、各消費者に対して推奨する推奨情報を決定する。例えば、同一のユニットには歌手の嗜好が似た消費者どうしが属するということに応じて、各ユニットに属する消費者の嗜好にあった商品の推奨情報を、各ユニットに属する消費者に対する推奨情報として決定する。そして、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記広告データベースにアクセスし、各消費者ごとに決定した推奨情報の広告ＩＤを、当該消費者の消費者ＩＤと対応付けて記憶させる。これにより、上記広告データベースに記憶された広告ＩＤの更新を行う。
【０１１６】
そして、ステップＳ３１０に移り、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＷＥＢサーバ５００の制御部５０１に制御信号を出力する。そして、上記広告データベースの記憶内容に従って、すなわち、上記ステップＳ３０５で決定された推奨情報を、通信制御部５０３及びネットワークＮＷ３を介し、各消費者のＰＣ端末６００に対して出力させる。これにより、各消費者のＰＣ端末６００のディスプレイ６２０には、当該消費者に対する推奨情報が表示される。その後、このフローを終了する。
【０１１７】
以上説明したように、第１の実施形態においては、上記歌唱履歴データベース３１３１（図２を参照）から歌唱履歴情報が取得される。そして、その取得された歌唱履歴情報を用いて、新たなクラスタリングを行うために用意された商品構成に対する、上記の例では歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する、各消費者の第１特徴ベクトルが生成される。その生成された第１特徴ベクトルは、当該第１特徴ベクトルに対応する消費者の消費者ＩＤに対し対応付けられる。
【０１１８】
そして、上記のようにして消費者ごとに生成された第１特徴ベクトルを用いて、各ユニットごとにベクトル状態量が決定される。具体的には、新たに実行するクラスタリングに先立ち行われたクラスタリングの結果に対応して、各消費者ＩＤとユニットとの対応付けが、上記嗜好データベース３１３２（図３参照）に予め記憶されている。そして、その各消費者ＩＤとユニットとの対応付けを用いることにより、上記消費者ごとに生成された第１特徴ベクトルを、各ユニットごとに集計することができる。その後、その集計された第１特徴ベクトルの値を用いて、各ユニットごとにベクトル状態量が決定される。そして、その決定されたベクトル状態量を各ユニットの代表ベクトルの初期値として用いて、上記複数の第１特徴ベクトルをクラスタリングする。これにより、各消費者ＩＤに対し、複数のユニットのいずれかを対応付けることができる。
【０１１９】
以上のようにして、本実施形態においては、過去のクラスタリングの結果を活用して新たなクラスタリングを行う。これにより、ランダムに設定したベクトルを各ユニットの代表ベクトルの初期値として用いて、新たなクラスタリングを行う場合と異なり、過去のクラスタリング時から長期間が経過したり、歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データが大きく変動した場合等であっても、各消費者ＩＤが振り分けられるユニットが大きく異ならず、概ね同等のユニットとなる。
【０１２０】
特に、過去のクラスタリングの結果を継承し活用する際に、各ユニットの代表ベクトルを今回のクラスタリングのために継承する手法では、時間の経過により歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データが変化するため、継承がうまくいかない。本実施形態では、各ユニットの代表ベクトルを継承するのではなく、各ユニットに所属する消費者を継承する。そして、当該消費者について、新しい歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データにより第１特徴ベクトルを算出する。その後、その第１特徴ベクトルに基づくベクトル状態量を用いて新たなクラスタリングを行う。これにより、上記と異なり、時間の経過により歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データが変化した場合でも、過去のクラスタリングの結果を円滑かつ確実に継承し、複数のユニットの属性を継承して利用することができる。
【０１２１】
また、本実施形態では特に、過去に自らが行ったクラスタリングの結果を活用して新たなクラスタリングを行う。すなわち、過去のクラスタリング実行時には、その時点における歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する初期クラスタリング用の特徴ベクトルが生成される。そして、その生成された初期クラスタリング用の特徴ベクトルと、当該ベクトルに対応する各消費者ＩＤとが対応付けられる。そして、このようにして複数の消費者ＩＤにそれぞれ対応付けられた複数の初期クラスタリング用の特徴ベクトルは、各ユニットの初期クラスタリング用の代表ベクトルを用いて、クラスタリングされる。このクラスタリングにより、複数の消費者ＩＤと複数のユニットのいずれかとが対応付けられて、上記嗜好データベース３１３２に記憶される。
【０１２２】
そして、上記のようにして嗜好データベース３１３２に記憶された消費者ＩＤと各ユニットとの対応付けが、各消費者ごとに生成された第１特徴ベクトルに適用される。これによって、各ユニットのベクトル状態量が、各ユニットごとに決定される。
【０１２３】
以上の結果、時間の経過により歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データが変化した場合でも、自らの行った過去のクラスタリングの結果を円滑かつ確実に継承し、複数のユニットの属性を継承して利用することができる。
【０１２４】
また、本実施形態では特に、複数の楽曲データに対する複数の消費者の消費履歴情報を参照し、全ての歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対する初期クラスタリング用の特徴ベクトルが０である消費者に対応する初期クラスタリング用の特徴ベクトルを、クラスタリングの対象から除外する。このように、データとしての利用価値が乏しい情報をノイズとしてクラスタリング対象から除外することにより、クラスタリングにおける精度を向上すると共に、処理時間を短縮することができる。
【０１２５】
また、本実施形態では特に、各ユニットのベクトル状態量として、各ユニットに属する全消費者の第１特徴ベクトルの平均値を用いる。これにより、過去のクラスタリングの結果を継承しつつ、新しい歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対応した各ユニットごとの最新の歌唱傾向を反映させたクラスタリングを実行することができる。
【０１２６】
なお、本発明は、上記実施形態に限られるものではなく、その趣旨及び技術的思想を逸脱しない範囲内で種々の変形が可能である。以下、そのような変形例を順を追って説明する。
【０１２７】
（１−１）各ユニットに属する全消費者の第１特徴ベクトルの中央値をベクトル状態量に決定する場合
【０１２８】
上記実施形態においては、各ユニットに属する全消費者の第１特徴ベクトルの平均値をベクトル状態量に決定するようにしたが、これに限られない。すなわち、各ユニットに属する全消費者の第１特徴ベクトルの中央値をベクトル状態量に決定するようにしてもよい。
【０１２９】
ここで、本変形例において、情報処理装置４００の制御部４０１が実行する、クラスタリングに関する制御手順において前述の図５と異なる点は、ステップＳ２００であり、その他の手順は前述の図５の各手順と同様である。以下、図９を用いて、本変形例におけるステップＳ２００の詳細手順を説明する。なお、この図９は、前述の図７に対応する図である。図７と同等の手順には同符号を付し説明を省略する。
【０１３０】
図９において、前述の図７と異なる点は、ステップＳ２３０に代えてステップＳ２３０′を設けた点である。すなわち、ステップＳ２０５〜ステップＳ２２５は、前述の図７と同様である。ステップＳ２２５において、制御部４０１は、前述のステップＳ２２０で検出された各消費者ＩＤに係わる各消費者の特徴ベクトルを生成したら、ステップＳ２３０に代えて設けたステップＳ２３０′に移る。
【０１３１】
ステップＳ２３０′では、制御部４０１は、上記ステップＳ２２５で生成された複数の第１特徴ベクトルの中央値を選定する。これは言い換えれば、予め実行されたクラスタリングの結果に基づく複数の消費者ＩＤと複数のユニットとの対応付けに応じて、この時点でのＵの値に対応するユニットに属する全消費者の第１特徴ベクトルの中央値を選定している。さらに言い換えれば、予め実行されたクラスタリングの結果に対応して上記嗜好データベース３１３２に予め記憶された上記対応付けを、上記ステップＳ２２５で各消費者ごとに生成された第１特徴ベクトルに対して適用し、この時点でのＵの値に対応するユニットに属する全消費者の第１特徴ベクトルの中央値を選定している。その後、その選定した中央値を、この時点でのＵの値に対応するユニットのベクトル状態量に決定する。このステップも、各請求項記載の状態量決定手段として機能する。
【０１３２】
その後のステップＳ２３５〜ステップＳ２５５は、前述の図７とほぼ同様であるので、説明を省略する。
【０１３３】
本変形例においては、各ユニットのベクトル状態量として、各ユニットに属する全消費者の第１特徴ベクトルの中央値を用いる。これにより、本変形例においても、過去のクラスタリングの結果を継承しつつ、新しい歌手別歌唱回数ランキングの１位から１０００位までに該当する歌手の楽曲データに対応した各ユニットごとの最新の歌唱傾向を反映させたクラスタリングを実行することができる。特に、全消費者の第１特徴ベクトルの平均値でなく中央値を用いることにより、ユニットにおける第１特徴ベクトルの値の分布が偏っていた場合に、その偏り傾向を確実に反映させたクラスタリングを行うことができる。
【０１３４】
（１−２）各ユニットに属する所定数の消費者の第１特徴ベクトルに基づき、ベクトル状態量を決定する場合
以上においては、各ユニットに属する全消費者の第１特徴ベクトルに基づき、各ユニットのベクトル状態量を決定していた。例えば、上記実施形態では各ユニットに属する全消費者の第１特徴ベクトルの平均値を、上記（１−２）の変形例では各ユニットに属する全消費者の第１特徴ベクトルの中央値を、各ユニットのベクトル状態量として決定していた。しかしながらこれに限られず、各ユニットに属する所定数の消費者の第１特徴ベクトルに基づき、各ユニットのベクトル状態量を決定するようにしてもよい。
【０１３５】
ここで、本変形例において、情報処理装置４００の制御部４０１が実行する、クラスタリングに関する制御手順において前述の図５と異なる点は、ステップＳ２００であり、その他の手順は前述の図５の各手順と同様である。以下、図１０を用いて、本変形例におけるステップＳ２００の詳細手順を説明する。なお、この図１０は、前述の図７に対応する図である。図７と同等の手順には同符号を付し説明を省略する。
【０１３６】
図１０において、前述の図７と異なる点は、ステップＳ２２０、ステップＳ２２５、ステップＳ２３０、及びステップＳ２５０に代えて、ステップＳ２２０′、ステップＳ２２５′、ステップＳ２３０″、及びステップＳ２５０′を設けた点と、上記ステップＳ２３０″とステップＳ２４０との間に、ステップＳ２３７及びステップＳ２３９を新たに設けた点とである。
【０１３７】
すなわち、ステップＳ２０５〜ステップＳ２１５は、前述の図７と同様である。ステップＳ２１５において、制御部４０１は、上記変数Ｕの値を１に設定したら、ステップＳ２２０に代えて設けたステップＳ２２０′に移る。
【０１３８】
ステップＳ２２０′では、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、この時点での変数Ｕの値に対応するユニットの嗜好ＩＤをキーとして嗜好データベース３１３２内を検索し、当該嗜好ＩＤに対応付けられた所定数の、例えば１０個の、消費者ＩＤを検出する。すなわち、この時点でのＵの値に対応するユニットに属する所定数の消費者の消費者ＩＤを検出する。
【０１３９】
そして、ステップＳ２２５に代えて設けたステップＳ２２５′に移り、制御部４０１は、前述のステップＳ２１０で取得された歌唱履歴情報を用いて、前述のステップＳ２０５で取得された複数の歌手ＩＤに係わる楽曲データ対する、上記ステップＳ２２０′で検出された所定数の消費者ＩＤに係わる消費者の第１特徴ベクトルを生成する。そして、上記生成した所定数の消費者の第１特徴ベクトルと、当該消費者の消費者ＩＤとを対応付ける。
【０１４０】
その後、ステップＳ２３０に代えて設けたステップＳ２３０″で、制御部４０１は、上記ステップＳ２２５′で生成された所定数の第１特徴ベクトルの平均値を算出する。これは言い換えれば、予め実行されたクラスタリングの結果に基づく複数の消費者ＩＤと複数のユニットとの対応付けに応じて、この時点でのＵの値に対応するユニットに属する所定数の消費者の第１特徴ベクトルの平均値を算出している。さらに言い換えれば、予め実行されたクラスタリングの結果に対応して上記嗜好データベース３１３２に予め記憶された上記対応付けを、上記ステップＳ２２５′で所定数の消費者それぞれについて生成された第１特徴ベクトルに対して適用し、この時点でのＵの値に対応するユニットに属する所定数の消費者の第１特徴ベクトルの平均値を算出している。その後、その算出した平均値を、この時点でのＵの値に対応するユニットのベクトル状態量に決定する。このステップも、各請求項記載の状態量決定手段として機能する。なお、上記ステップＳ２２５′で生成された所定数の第１特徴ベクトルの中央値を選定して、その選定した平均値を、この時点でのＵの値に対応するユニットのベクトル状態量に決定するようにしてもよい。
【０１４１】
その後のステップＳ２３５は、前述の図７とほぼ同様であり、制御部４０１は、上記ステップＳ２３０″で決定された、この時点のＵの値に対応するユニットのベクトル状態量を、当該ユニットの代表ベクトルの初期値に設定する。
【０１４２】
そして、新たに設けたステップＳ２３７に移り、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、この時点での変数Ｕの値に対応するユニットの嗜好ＩＤをキーとして嗜好データベース３１３２内を検索し、当該嗜好ＩＤに対応付けられた、上記ステップＳ２２０′で検出されなかった全ての消費者ＩＤを検出する。すなわち、この時点でのＵの値に対応するユニットに属する残りの消費者の消費者ＩＤを検出する。
【０１４３】
その後、新たに設けたステップＳ２３９で、制御部４０１は、前述のステップＳ２１０で取得された歌唱履歴情報を用いて、前述のステップＳ２０５で取得された複数の歌手ＩＤに係わる楽曲データ対する、上記ステップＳ２２７で検出された残りの消費者ＩＤに係わる消費者の第１特徴ベクトルを生成する。そして、上記生成した残りの消費者の第１特徴ベクトルと、当該消費者の消費者ＩＤとを対応付ける。
【０１４４】
その後のステップＳ２４０及びステップＳ２４５は、前述の図７と同様である。ステップＳ２４０において、Ｕ＝Ｕ＿ｍａｘとなっていた場合には、ステップＳ２４０の判定が満たされて、ステップＳ２５０に代えて設けたステップＳ２５０′に移る。
【０１４５】
ステップＳ２５０′では、制御部４０１は、上記ステップＳ２３５で各ユニットごとに設定された代表ベクトルの初期値を用いて、上記ステップＳ２２５′及びステップＳ２３９で複数の消費者ＩＤにそれぞれ対応付けられた複数の第１特徴ベクトルを、前述したような手法により、複数のユニットにクラスタリングする。そして、このクラスタリングの結果に対応して、各第１特徴ベクトルに対応する各消費者ＩＤに、当該特徴ベクトルが振り分けられたユニットを対応付ける。言い換えれば、各消費者ＩＤに複数のユニットのいずれかを対応付ける。このステップも、各請求項記載の第１クラスタリング手段として機能する。
【０１４６】
その後のステップＳ２５５は、前述の図７とほぼ同様であり、制御部４０１は、嗜好データベース３１３２に、上記ステップＳ２５０′でのクラスタリングの結果、すなわち、複数の消費者ＩＤと複数のユニットとの対応付けを記憶させる。そして、このルーチンを終了する。
【０１４７】
なお、上記において、ステップ２２５及びステップＳ２３９が、各請求項記載の第１特徴ベクトル生成手段として機能する。
【０１４８】
本変形例によれば、上記第１の実施形態や上記（１−１）の変形例と同様の効果を得る。
【０１４９】
（１−３）消費行動履歴に用いてクラスタリングを行う場合
以上においては、消費者が楽曲データを歌唱した歌唱行動履歴に用いて、複数の消費者ＩＤを複数のユニットにクラスタリングする例を説明したが、これに限られない。すなわち、消費者の実際の消費行動、例えば物品商品の購入など、による消費行動履歴を用いて、複数の消費者ＩＤを複数のユニットにクラスタリングするようにしてもよい。
【０１５０】
この場合のＤＢサーバ３００の消費者データベースには、各商品ごとに、商品の識別情報と、当該商品に対する複数の消費者の消費行動履歴とを対応付けた消費履歴情報が記憶されている。上記消費行動履歴には、商品を消費した消費者の消費者ＩＤと、消費行動日時とが含まれている。また、この場合のＤＢサーバ３００の商品構成の情報記憶エリア３１４には、クラスタリングのために用意された商品売上ランキングの１位から１０００位までに該当する商品の識別情報が記憶されている。上記商品売上ランキングの１位から１０００位までに該当する商品が商品構成に相当する。
【０１５１】
また、本変形例において、情報処理装置４００の制御部４０１が実行する処理は、上記実施形態とほぼ同様である。すなわち、制御部４０１は、上記消費者データベースにアクセスして、複数の商品に対する複数の消費者の消費履歴情報を取得する。そして、この取得された消費履歴情報を用いて、新たなクラスタリングのために用意された第１商品構成としての商品売上ランキングの１位から１０００位までに該当する商品に対する消費者の消費行動を表す第１特徴ベクトルを生成する。そして、その生成した第１特徴ベクトルと当該消費者の消費者ＩＤとを対応付ける。
【０１５２】
その後、予め実行されたクラスタリングの結果に対応して、予め上記嗜好データベース３１３２に記憶された、消費者ＩＤとユニットとの対応付けに応じて、各ユニットのベクトル状態量を、各ユニットごとに決定する。そして、その各ユニットごとに決定されたベクトル状態量を各ユニットの代表ベクトルの初期値として用いて、複数の消費者ＩＤにそれぞれ対応付けられた複数の第１特徴ベクトルをクラスタリングする。その後、各消費者ＩＤに、上記クラスタリングの結果に応じたユニットを対応付ける。そして、このクラスタリングの結果を利用して、各消費者に対して推奨する推奨情報を決定し、その決定内容に従って、各消費者のＰＣ端末６００に対し推奨情報を出力する。
【０１５３】
本変形例によっても、上記第１の実施形態や上記各の変形例と同様の効果を得る。
【０１５４】
次に、本発明の第２の実施形態について説明する。
【０１５５】
図１１を用いて、第２の実施形態の消費者情報処理装置を備えた市場分析システムを説明する。なお、この図１１は、前述の図１に対応する図である。前述の図１と同等の部分には同符号を付し説明を省略する。
【０１５６】
図１１において、市場分析システム２は、カラオケルームＫＲに設置されたカラオケ装置１００と、楽曲配信会社２００と、ＤＢサーバ３００と、情報処理装置４００とを有している。
【０１５７】
これらカラオケ装置１００、楽曲配信会社２００、ＤＢサーバ３００、及び情報処理装置４００の機能構成は、前述の図１とほぼ同様である。但し、ＤＢサーバ３００のデータベース記憶エリア３１３や情報処理装置４００のプログラム記憶エリア４１２の記憶内容は、前述の第１の実施形態と多少異なっている。
【０１５８】
本実施形態におけるＤＢサーバ３００のデータベース記憶エリア３１３には、会員データベース、歌手データベース、歌唱履歴データベース３１３１（図２参照）、及び嗜好データベース３１３２（図７参照）が記憶されている。すなわち、前述の広告データベースが省略されている。なお、これら会員データベース、歌手データベース、歌唱履歴データベース３１３１、及び嗜好データベース３１３２の記憶内容は、前述の第１の実施形態と同様である。
【０１５９】
また、本実施形態における情報処理装置４００のプログラム記憶エリア４１２には、クラスタリング処理プログラム、及び、分析処理プログラムが記憶されている。すなわち、前述の広告決定処理プログラムに代えて分析処理プログラムが記憶されている。
【０１６０】
分析処理プログラムは、制御部４０１にクラスタリングの結果を分析させるためのプログラムである。
【０１６１】
本実施形態では、情報処理装置４００の制御部４０１は、上記歌唱履歴データベース３１３１に記憶された歌唱履歴情報に基づいて、前述の第１の実施形態と同様の方法により、複数の消費者ＩＤを複数のユニットにクラスタリングする。また、そのクラスタリングの結果に対応したデータは、前述の第１の実施形態と同様に、上記嗜好データベース３１３２に記憶されている。そして、例えば分析者がある歌手を嗜好する消費者の分布を分析したいとき等には、情報処理装置４００の制御部４０１に分析処理プログラムを実行させる。すると、上記ディスプレイ４２０に、所定の分析画面Ｐ（後述の図１２参照）が表示され、分析が開始される。
【０１６２】
図１２に、上記ディスプレイ４２０に表示された分析画面Ｐの一例を示す。
【０１６３】
図１２に示すように、分析画面Ｐには、歌手名入力ボックスＴ１と、分析期間入力ボックスＴ２と、分析結果表示領域Ｔ３と、分析開始ボタンＢとが含まれている。歌手名入力ボックスＴ１は、分析対象となる歌手名が入力される欄である。分析期間入力ボックスＴ２は、分析対象となる期間が入力される欄である。分析結果表示領域Ｔ３は、分析結果が表示される領域である。分析開始ボタンＢは、分析を開始させるためのボタンである。
【０１６４】
分析者は、この分析画面Ｐが表示されると、上記キーボード４２１やマウス４２２を用いて所定の操作入力を行う。すなわち、分析者は、上記キーボード４２１やマウス４２２を適宜操作して、歌手名入力ボックスＴ１に、分析したい歌手名を入力する。この例では「Ａｒｔｉｓｔ１」と入力されている。そして、分析者は、上記キーボード４２１やマウス４２２を適宜操作して、分析期間入力ボックスＴ２に、分析したい期間を入力する。この例では「２００９／０１／０１〜２００９／１２／３１」と入力されている。
【０１６５】
上記歌手名及び期間の入力が完了すると、分析者は、上記マウス４２２を適宜操作して、分析開始ボタンＢをクリックする。これにより、制御部４０１は、上記入力された歌手名及び期間をキーワードとして用いて、クラスタリングの結果に対応して記憶されたデータを利用して分析を開始する（詳細は後述する）。そして、制御部４０１は、分析結果を可視化して、上記分析結果表示領域Ｔ３に表示させる。
【０１６６】
ここで、本実施形態において、情報処理装置４００の制御部４０１が実行する、クラスタリングに関する制御手順は、前述の第１の実施形態と同様である。以下、図１３を用いて、情報処理装置４００の制御部４０１が実行する、上述した分析に関する制御手順を説明する。なお、制御部４０１は、このフローに示す処理を、上記分析処理プログラムに従って実行する。
【０１６７】
図１３において、例えば分析者により上記キーボード４２１やマウス４２２を用いて、所定の処理開始指令が操作入力されることによって、図中「ＳＴＡＲＴ」位置で表されるように、このフローが開始される。
【０１６８】
まずステップＳ４００で、制御部４０１は、出力制御部４０３を介しディスプレイ４２０に制御信号を出力し、上記分析画面Ｐを表示させる。これにより、分析者は、上記キーボード４２１やマウス４２２を用いて、歌手名入力ボックスＴ１に歌手名の入力、及び、分析期間入力ボックスＴ２に期間の入力、を行うことができる。
【０１６９】
その後、ステップＳ４０５で、制御部４０１は、上記マウス４２２を介し分析開始ボタンＢがクリックされたかどうかを判定する。分析開始ボタンＢがクリックされるまで判定が満たされず、ループして待機する。そして、分析開始ボタンＢがクリックされたら判定が満たされて、歌手名入力ボックスＴ１及び分析期間入力ボックスＴ２に入力されたデータをそれぞれ取得して、ステップＳ４１０に移る。
【０１７０】
ステップＳ４１０では、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記歌手データベースにアクセスする。そして、上記歌手名入力ボックスＴに入力された歌手名をキーとして、歌手データベース内を検索し、当該歌手名に対応付けられた歌手ＩＤを取得する。
【０１７１】
そして、ステップＳ４１５に移り、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記歌唱履歴データベース３１３１にアクセスする。そして、歌唱履歴データベース３１３１に記憶された歌唱履歴情報を参照し、歌唱行動日時が上記分析期間入力ボックスＴ２に入力された期間に含まれる歌唱履歴情報を抽出する。その後、上記ステップＳ４１０で取得された歌手ＩＤをキーとして、上記抽出した歌唱履歴情報に含まれる当該歌手ＩＤに対応付けられた消費者ＩＤを取得する。
【０１７２】
その後、ステップＳ４２０で、制御部４０１は、通信制御部４０２及びネットワークＮＷ２を介し、ＤＢサーバ３００の上記嗜好データベース３１３２にアクセスする。そして、上記ステップＳ４１５で取得された消費者ＩＤをキーとして嗜好データベース３１３２内を検索して、当該消費者ＩＤに対応付けられた嗜好ＩＤを取得する。これにより、上記歌手名入力ボックスＴ１に入力された歌手に対し、上記分析期間入力ボックスＴ２に入力された期間に歌唱行動を起こした消費者、及び、その消費者の属するユニットがわかる。
【０１７３】
そして、ステップＳ４２５に移り、制御部４０１は、上記ステップＳ４２０の結果に基づいて、上記歌手名入力ボックスＴ１に入力された歌手に対し、上記分析期間入力ボックスＴ２に入力された期間に歌唱行動を起こした消費者の、各ユニットごとの分布を表した画像データを生成する。
【０１７４】
その後、ステップＳ４３０で、制御部４０１は、出力制御部４０３を介し、上記ステップＳ４２５で生成された画像データをディスプレイ４２０に出力する。そして、ディスプレイ４２０の上記分析結果表示領域Ｔ３に、上記画像データに対応する画像を表示させる。その後、このフローを終了する。
【０１７５】
なお、上記図１２に示す例では、分析結果表示領域Ｔ３には、ユニットが同心円で示され、上記歌手名入力ボックスＴ１に入力された歌手に対し上記分析期間入力ボックスＴ２に入力された期間に歌唱行動を起こした消費者が「×」マークで示された画像が表示されている。すなわち、この画像では、「×」マークが多い同心円ほど、ユニットに属する上記歌手名入力ボックスＴ１に入力された歌手に対し上記分析期間入力ボックスＴ２に入力された期間に歌唱行動を起こした消費者の数が多くなっている。したがって、分析者は、クラスタリングの結果を反映した上記画像を参照することで、入力した歌手を嗜好する消費者の分布、つまり、嗜好するユニットや嗜好しないユニット等を知ることができる。
【０１７６】
以上説明した第２の実施形態においても、前述の第１の実施形態と同様の効果を得る。
【０１７７】
なお、以上において、図１及び図１１の各図中に示す矢印は信号の流れの一例を示すものであり、信号の流れ方向を限定するものではない。
【０１７８】
また、図５、図６、図７、図８等に示すフローチャートは本発明を上記フローに示す手順に限定するものではなく、発明の趣旨及び技術的思想を逸脱しない範囲内で手順の追加・削除又は順番の変更等をしてもよい。
【０１７９】
また、以上既に述べた以外にも、上記実施形態や各変形例による手法を適宜組み合わせて利用しても良い。
【０１８０】
その他、一々例示はしないが、本発明は、その趣旨を逸脱しない範囲内において、種々の変更が加えられて実施されるものである。
【符号の説明】
【０１８１】
１ 商品推奨システム
２ 市場分析システム
３００ ＤＢサーバ
４００ 情報処理装置（消費者情報処理装置）
４０１ 制御部
３１３１ 歌唱履歴データベース（消費者データベース）
３１３２ 嗜好データベース
【特許請求の範囲】
【請求項１】
複数の消費者の識別情報を複数のユニットにクラスタリングする消費者情報処理装置であって、
商品の識別情報と当該商品に対する複数の消費者の消費行動履歴とを対応付けた消費履歴情報を各商品ごとに記憶した消費者データベースにアクセスし、複数の商品に対する複数の消費者の消費履歴情報を取得する履歴取得手段と、
前記履歴取得手段により取得された前記複数の商品に対する前記複数の消費者の前記消費履歴情報を用いて、新たなクラスタリングを行うために用意された第１商品構成に対する前記消費者の消費行動を表す第１特徴ベクトルを生成し、生成した第１特徴ベクトルと当該消費者の識別情報とを対応付ける第１特徴ベクトル生成手段と、
予め実行されたクラスタリングの結果に対応して予め記憶された、前記消費者の識別情報と前記ユニットとの対応付けを、第１特徴ベクトル生成手段により前記消費者ごとに生成された第１特徴ベクトルに対して適用し、各ユニットのベクトル状態量を、各ユニットごとに決定する状態量決定手段と、
前記状態量決定手段で各ユニットごとに決定されたベクトル状態量を各ユニットの代表ベクトルの初期値として用いて、前記複数の消費者の識別情報にそれぞれ対応付けられた複数の前記第１特徴ベクトルをクラスタリングし、各消費者の識別情報に前記複数のユニットのいずれかを対応付ける第１クラスタリング手段と
を有することを特徴とする消費者情報処理装置。
【請求項２】
複数の商品に対する複数の消費者の前記消費履歴情報を用いて、予め定められた初期クラスタリング用商品構成に対する各消費者の消費行動を表す初期クラスタリング用特徴ベクトルを生成し、生成した初期クラスタリング用特徴ベクトルと当該消費者の識別情報とを対応付ける第２特徴ベクトル生成手段と、
予め用意された、前記複数のユニットそれぞれの初期クラスタリング用代表ベクトルを用いて、前記複数の消費者の識別情報にそれぞれ対応付けられた複数の前記初期クラスタリング用特徴ベクトルをクラスタリングする第２クラスタリング手段と
をさらに有し、
前記状態量決定手段は、
前記第２クラスタリング手段による前記初期クラスタリング用特徴ベクトルのクラスタリング結果に対応して記憶された、複数の消費者の識別情報と前記複数のユニットとの初期的対応付けを、前記第１特徴ベクトル生成手段により各消費者ごとに生成された前記第１特徴ベクトルに対して適用し、各ユニットの前記ベクトル状態量を、各ユニットごとに決定する
ことを特徴とする請求項１記載の消費者情報処理装置。
【請求項３】
複数の商品に対する複数の消費者の前記消費履歴情報を参照し、全ての前記初期クラスタリング用商品構成に対する前記初期クラスタリング用特徴ベクトルが０である消費者、若しくは、所定期間内における消費行動の回数が所定のしきい値以下である消費者、に対応する前記初期クラスタリング用特徴ベクトルを、前記第２クラスタリング手段でのクラスタリングの対象から除外する、除外処理手段を有する
ことを特徴とする請求項２記載の消費者情報処理装置。
【請求項４】
前記状態量決定手段は、
各ユニットに属する全消費者の前記第１特徴ベクトルの平均値を算出し、当該平均値を前記ベクトル状態量に決定する
ことを特徴とする請求項１記載の消費者情報処理装置。
【請求項５】
前記状態量決定手段は、
各ユニットに属する全消費者の前記第１特徴ベクトルの中央値を選定し、当該中央値を前記ベクトル状態量に決定する
ことを特徴とする請求項１記載の消費者情報処理装置。
【請求項１】
複数の消費者の識別情報を複数のユニットにクラスタリングする消費者情報処理装置であって、
商品の識別情報と当該商品に対する複数の消費者の消費行動履歴とを対応付けた消費履歴情報を各商品ごとに記憶した消費者データベースにアクセスし、複数の商品に対する複数の消費者の消費履歴情報を取得する履歴取得手段と、
前記履歴取得手段により取得された前記複数の商品に対する前記複数の消費者の前記消費履歴情報を用いて、新たなクラスタリングを行うために用意された第１商品構成に対する前記消費者の消費行動を表す第１特徴ベクトルを生成し、生成した第１特徴ベクトルと当該消費者の識別情報とを対応付ける第１特徴ベクトル生成手段と、
予め実行されたクラスタリングの結果に対応して予め記憶された、前記消費者の識別情報と前記ユニットとの対応付けを、第１特徴ベクトル生成手段により前記消費者ごとに生成された第１特徴ベクトルに対して適用し、各ユニットのベクトル状態量を、各ユニットごとに決定する状態量決定手段と、
前記状態量決定手段で各ユニットごとに決定されたベクトル状態量を各ユニットの代表ベクトルの初期値として用いて、前記複数の消費者の識別情報にそれぞれ対応付けられた複数の前記第１特徴ベクトルをクラスタリングし、各消費者の識別情報に前記複数のユニットのいずれかを対応付ける第１クラスタリング手段と
を有することを特徴とする消費者情報処理装置。
【請求項２】
複数の商品に対する複数の消費者の前記消費履歴情報を用いて、予め定められた初期クラスタリング用商品構成に対する各消費者の消費行動を表す初期クラスタリング用特徴ベクトルを生成し、生成した初期クラスタリング用特徴ベクトルと当該消費者の識別情報とを対応付ける第２特徴ベクトル生成手段と、
予め用意された、前記複数のユニットそれぞれの初期クラスタリング用代表ベクトルを用いて、前記複数の消費者の識別情報にそれぞれ対応付けられた複数の前記初期クラスタリング用特徴ベクトルをクラスタリングする第２クラスタリング手段と
をさらに有し、
前記状態量決定手段は、
前記第２クラスタリング手段による前記初期クラスタリング用特徴ベクトルのクラスタリング結果に対応して記憶された、複数の消費者の識別情報と前記複数のユニットとの初期的対応付けを、前記第１特徴ベクトル生成手段により各消費者ごとに生成された前記第１特徴ベクトルに対して適用し、各ユニットの前記ベクトル状態量を、各ユニットごとに決定する
ことを特徴とする請求項１記載の消費者情報処理装置。
【請求項３】
複数の商品に対する複数の消費者の前記消費履歴情報を参照し、全ての前記初期クラスタリング用商品構成に対する前記初期クラスタリング用特徴ベクトルが０である消費者、若しくは、所定期間内における消費行動の回数が所定のしきい値以下である消費者、に対応する前記初期クラスタリング用特徴ベクトルを、前記第２クラスタリング手段でのクラスタリングの対象から除外する、除外処理手段を有する
ことを特徴とする請求項２記載の消費者情報処理装置。
【請求項４】
前記状態量決定手段は、
各ユニットに属する全消費者の前記第１特徴ベクトルの平均値を算出し、当該平均値を前記ベクトル状態量に決定する
ことを特徴とする請求項１記載の消費者情報処理装置。
【請求項５】
前記状態量決定手段は、
各ユニットに属する全消費者の前記第１特徴ベクトルの中央値を選定し、当該中央値を前記ベクトル状態量に決定する
ことを特徴とする請求項１記載の消費者情報処理装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【公開番号】特開２０１１−１５８９８０（Ｐ２０１１−１５８９８０Ａ）
【公開日】平成２３年８月１８日（２０１１．８．１８）
【国際特許分類】
【出願番号】特願２０１０−１８２３２（Ｐ２０１０−１８２３２）
【出願日】平成２２年１月２９日（２０１０．１．２９）
【出願人】（０００００５２６７）ブラザー工業株式会社 (13,856)
【Ｆターム（参考）】
【公開日】平成２３年８月１８日（２０１１．８．１８）
【国際特許分類】
【出願日】平成２２年１月２９日（２０１０．１．２９）
【出願人】（０００００５２６７）ブラザー工業株式会社 (13,856)
【Ｆターム（参考）】
[ Back to top ]