[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

JP5467062B2 - Information recommendation apparatus, method and program - Google Patents

Information recommendation apparatus, method and program Download PDF

Info

Publication number
JP5467062B2
JP5467062B2 JP2011007195A JP2011007195A JP5467062B2 JP 5467062 B2 JP5467062 B2 JP 5467062B2 JP 2011007195 A JP2011007195 A JP 2011007195A JP 2011007195 A JP2011007195 A JP 2011007195A JP 5467062 B2 JP5467062 B2 JP 5467062B2
Authority
JP
Japan
Prior art keywords
metadata
item
information
association
adjacency matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2011007195A
Other languages
Japanese (ja)
Other versions
JP2012150561A (en
Inventor
恭太 堤田
真 中辻
俊郎 内山
考 藤村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2011007195A priority Critical patent/JP5467062B2/en
Publication of JP2012150561A publication Critical patent/JP2012150561A/en
Application granted granted Critical
Publication of JP5467062B2 publication Critical patent/JP5467062B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、情報推薦装置及び方法及びプログラムに係り、特に、情報推薦において複数のサービスコンテンツアイテム(以下、「アイテム」と記す)を横断的に推薦可能にするための情報推薦装置及び方法及びプログラムに関する。   The present invention relates to an information recommendation apparatus, method, and program, and more particularly to an information recommendation apparatus, method, and program for enabling a plurality of service content items (hereinafter referred to as “items”) to be recommended across information. About.

従来、推薦システムとしてアイテムに付与されているメタデータを用いて、単一サービス内における高精度化を図る技術がある。当該技術は、アイテムのメタデータを用いることにより、推薦システムは、特にユーザのアイテム利用履歴が少ない状況においてより高精度にアイテムの推薦を行うことができる(例えば、非特許文献1参照)。   Conventionally, there is a technique for improving accuracy in a single service using metadata assigned to an item as a recommendation system. In the technology, the recommendation system can recommend an item with higher accuracy, particularly in a situation where the user's item usage history is small (for example, see Non-Patent Document 1).

また、他サービスが扱うアイテムを自サービスのユーザに推薦するため、他サービスと自サービスとに共通するユーザの利用履歴を用いる方法がある(例えば、非特許文献2参照)。   In addition, in order to recommend items handled by other services to users of the own service, there is a method of using a user's usage history common to the other services and the own service (for example, see Non-Patent Document 2).

Ziegler, C. N., Lausen, G. and Thieme, L. S.: Taxonomy-driven computation of product recommendations, in Proc. CIKM'04, pp. 406-415 (2004).Ziegler, C. N., Lausen, G. and Thieme, L. S .: Taxonomy-driven computation of product recommendations, in Proc.CIKM'04, pp. 406-415 (2004). Yanagihara, T., Hoashi, K., Ono, C., Matsumoto, K. and Takishima, Y.: Proposal and Evaluation of Cross Media Recommendation, DBSJ Journal, Vol. 8, No. 2, pp. 13-18 (2009).Yanagihara, T., Hoashi, K., Ono, C., Matsumoto, K. and Takishima, Y .: Proposal and Evaluation of Cross Media Recommendation, DBSJ Journal, Vol. 8, No. 2, pp. 13-18 ( 2009).

しかしながら、上記非特許文献1の技術は、複数のサービスにおけるアイテムを推薦の対象として考える場合、アイテムのメタデータは共通でないことが多く、他サービスが扱うアイテムを自サービスのユーザに推薦する場合には、利用しにくいという問題がある。   However, in the technique of Non-Patent Document 1, when items in a plurality of services are considered as targets for recommendation, the item metadata is often not common, and when items handled by other services are recommended to users of the own service. Has a problem that it is difficult to use.

また、上記非特許文献2の技術は、複数のサービス間に共通するユーザが存在しない場合や、サービス間でのユーザIDマッチングがとれない場合には、他サービスのアイテムの推薦は全く行うことができないという問題がある。   Further, the technique of Non-Patent Document 2 may recommend items for other services at all when there is no common user among multiple services or when user ID matching between services is not possible. There is a problem that you can not.

本発明は、上記の点に鑑みなされたもので、共通する情報(ユーザの履歴等)がない他サービスであっても推薦することが可能な情報推薦装置及び方法及びプログラムを提供することを目的とする。   The present invention has been made in view of the above points, and an object of the present invention is to provide an information recommendation device, method, and program that can be recommended even for other services that do not have common information (such as user history). And

上記の課題を解決するために、本発明は、サービスの利用者に対して、当該サービスにおけるアイテムの推薦機能に加えて、異なる他サービスのアイテムを高精度に推薦可能とする情報推薦装置であって、
複数サービスのそれぞれのサービス利用履歴情報やアイテムとアイテムのメタデータについての情報を格納した履歴データベースと、
前記履歴データベースから取得したそれぞれのサービスが扱うアイテムにそれぞれに付与されているメタデータを相互に関連付けるメタデータ関連付け手段と、
前記サービス利用履歴と前記メタデータの関連付けを表す情報を用いて隣接行列を生成し、隣接行列データベースに格納する隣接行列作成手段と、
前記隣接行列データベースに格納された前記隣接行列を用いて行列中の各要素間の関連度を計算する予測値計算手段と、
前記関連度の高いものをユーザに提示する推薦アイテム提示手段と、を有する。
In order to solve the above-described problems, the present invention is an information recommendation apparatus that enables a user of a service to highly accurately recommend items of other services in addition to the item recommendation function of the service. And
A history database that stores service usage history information for each of multiple services and information about items and item metadata;
Metadata associating means for associating the metadata assigned to the items handled by the respective services acquired from the history database with each other;
An adjacency matrix creating means for generating an adjacency matrix using information representing an association between the service usage history and the metadata, and storing the adjacency matrix in an adjacency matrix database;
Predicted value calculation means for calculating the degree of association between each element in the matrix using the adjacency matrix stored in the adjacency matrix database;
Recommended item presenting means for presenting the highly relevant items to the user.

また、前記メタデータ関連付け手段は
記履歴データベースから関連度合いを計算する対象のメタデータの組について、当該メタデータそれぞれについて関連付けられているアイテムの当該アイテムを含むテキストデータにおける共起頻度情報に基づく統計量から計算する手段を含む
The metadata association means includes :
For the previous SL metadata object for calculating the degree of association from the historical database set includes means for calculating the statistics based on the co-occurrence frequency information in the text data including the items of the item associated with each corresponding metadata .

上記のように本発明によれば、単一もしくは複数のサービスにおけるユーザの利用履歴情報を用いて,他のサービスにおいて扱われているアイテムについての推薦を、従来の手法と比べて高い精度で実現できる。   As described above, according to the present invention, recommendations for items handled in other services can be realized with higher accuracy than conventional methods using user usage history information in single or multiple services. it can.

また本発明によれば、単一もしくは複数のサービスにおけるサービスのユーザの利用履歴情報を用いて、他のサービスにおいて扱われているアイテムの推薦を、これらのサービス間に共通するユーザの利用履歴情報や共通するメタデータなど、共通する情報がない場合にも、推薦するアイテムの提示が実現できるようになる。   Further, according to the present invention, the use history information of a user of a service in a single service or a plurality of services is used to recommend an item handled in another service, and the use history information of a user common between these services. Even when there is no common information such as common metadata, it is possible to present recommended items.

本発明の一実施の形態における情報推薦装置の構成図である。It is a block diagram of the information recommendation apparatus in one embodiment of this invention. 本発明の一実施の形態における情報推薦装置用の隣接行列の例である。It is an example of the adjacency matrix for the information recommendation apparatus in one embodiment of the present invention. 本発明の一実施の形態における情報推薦装置の処理のフローチャートである。It is a flowchart of a process of the information recommendation apparatus in one embodiment of this invention. 従来の情報推薦装置の処理のフローチャートである。It is a flowchart of the process of the conventional information recommendation apparatus.

以下図面と共に、本発明の実施の形態を説明する。   Embodiments of the present invention will be described below with reference to the drawings.

図1は、本発明の一実施の形態における情報推薦装置の構成を示す。   FIG. 1 shows a configuration of an information recommendation device according to an embodiment of the present invention.

同図に示す情報推薦装置は、ユーザID取得部101、サービスA用のアイテム履歴DB(データベース)110、サービスB用のアイテム履歴DB120、メタデータ関連付け部130、推薦装置用隣接行列作成部140、推薦装置用隣接行列DB150、予測値計算部160、提示部170から構成される。   The information recommendation device shown in the figure includes a user ID acquisition unit 101, an item history DB (database) 110 for service A, an item history DB 120 for service B, a metadata association unit 130, an adjacency matrix creation unit 140 for recommendation devices, It consists of an adjacency matrix DB 150 for recommendation devices, a predicted value calculation unit 160 and a presentation unit 170.

サービスAにおけるアイテム履歴DB110と、サービスBにおけるアイテム履歴DB120は、それぞれのサービスにおけるユーザID、当該ユーザの利用したアイテム(サービス利用履歴)、当該アイテムに対する評価値、アイテムに関するメタデータを備える。   The item history DB 110 in the service A and the item history DB 120 in the service B include a user ID in each service, an item used by the user (service usage history), an evaluation value for the item, and metadata about the item.

同図において、特に、メタデータ関連付け部130を有する点が本発明の特徴である。メタデータ関連付け部130から出力されるコンテンツの組み合わせ及びメタデータの組み合わせを用いて、推薦装置用隣接行列作成部140が図2に示すような推薦装置用隣接行列を構築し、それらを管理するデータベースである推薦装置用隣接行列DB150に格納する。   In the figure, the feature of the present invention is that it has a metadata associating unit 130 in particular. A database in which the adjacency matrix for recommendation device 140 constructs an adjacency matrix for recommendation device as shown in FIG. 2 and manages them using the combination of contents and the combination of metadata output from the metadata association unit 130 Is stored in the adjacency matrix DB 150 for recommended devices.

図3は、本発明の一実施の形態における推薦システムの処理のフローチャートである。比較のため、従来の推薦システムのフローを図4に示す。   FIG. 3 is a flowchart of the process of the recommendation system in one embodiment of the present invention. For comparison, FIG. 4 shows a flow of a conventional recommendation system.

図2に示す本実施形態と、図4に示す従来例との構成の相違点は、図4のS220の処理によって取得されるアイテムのメタデータについて、図3の破線で囲まれた関連メタデータ隣接行列生成処理S330が加わっている点にある。この処理によって、従来の推薦システムが構築して用いる隣接行列を拡張する形で、図2に示す本発明における推薦装置用隣接行列が構築可能となる。   The difference between the present embodiment shown in FIG. 2 and the conventional example shown in FIG. 4 is that related item metadata obtained by the processing of S220 in FIG. An adjacency matrix generation process S330 is added. By this process, the adjacency matrix for the recommendation device according to the present invention shown in FIG. 2 can be constructed in an expanded form of the adjacency matrix constructed and used by the conventional recommendation system.

図3を用いて、ユーザにアイテムの履歴をもとにアイテムが推薦される処理について簡単に説明する。   A process for recommending an item based on the item history will be briefly described with reference to FIG.

ステップ310) まず、推薦対象ユーザID取得処理として、ユーザID取得部101は、推薦を受けるユーザのIDを取得し、メタデータ関連付け部130及び推薦装置用隣接行列作成部140に出力する。この処理は、例えば、ユーザが利用するサービスやシステムにログイン処理と同時に行う。   Step 310) First, as the recommendation target user ID acquisition process, the user ID acquisition unit 101 acquires the ID of the user who receives the recommendation, and outputs it to the metadata association unit 130 and the recommended device adjacency matrix creation unit 140. This process is performed at the same time as the login process to the service or system used by the user, for example.

ステップ320) 次に、サービス利用履歴情報取得処理として、メタデータ関連付け部130は、推薦を受けるユーザのIDをキーとしてサービスAのアイテム履歴DB110のユーザのアイテム利用履歴を参照し、コンテンツ名とメタデータを取得する。また、推薦装置用隣接行列作成部140は、推薦を受けるユーザのIDをキーとしてサービスBのアイテム履歴DB120からユーザID,コンテンツ名、評価値、メタデータを取得する。   Step 320) Next, as the service usage history information acquisition process, the metadata association unit 130 refers to the item usage history of the user in the item history DB 110 of the service A using the ID of the user receiving the recommendation as a key, and sets the content name and the metadata. Get the data. Further, the adjacency matrix creation unit for recommendation device 140 acquires the user ID, content name, evaluation value, and metadata from the item history DB 120 of the service B using the ID of the user receiving the recommendation as a key.

ステップ330) 関連メタデータ隣接行列生成処理として、メタデータ関連付け部130は、サービスAのアイテム履歴DB110から取得したユーザのアイテム利用履歴中のアイテムのメタデータと、サービスBのアイテム履歴DB120中のアイテムメタデータとの関連付け処理を行い、推薦装置用隣接行列作成部140に出力する。   Step 330) As the related metadata adjacency matrix generation process, the metadata association unit 130 includes the item metadata in the item usage history of the user acquired from the item history DB 110 of the service A and the item in the item history DB 120 of the service B. The association process with the metadata is performed, and the result is output to the adjacency matrix creation unit 140 for the recommendation device.

ステップ340) 推薦装置用隣接行列作成部140は、ステップ320とステップ330で得られたユーザ,アイテム,メタデータについて関連付けられているものに関連付けの度合いを示す数値を代入し、各ペアについての隣接行列を作成し、推薦装置用隣接行列DB150に格納する。   Step 340) The recommendation device adjacency matrix creation unit 140 substitutes a numerical value indicating the degree of association for the user, item, and metadata obtained in Steps 320 and 330, and sets the adjacency for each pair. A matrix is created and stored in the adjacency matrix DB 150 for recommended devices.

ステップ350) 予測値計算処理として、予測値計算部160は、推薦装置用隣接行列DB150に格納されている隣接行列を用いて、行列中の各要素間の関連度を計算する。提示部170は、推薦を受けるユーザに対して、ユーザの履歴中のアイテムと関連の高いアイテムを提示する。隣接行列における項目間の類似度計算には、各項目(ユーザ,アイテム,メタデータ)をノードとするネットワークを、ネットワークのマイニング手法であるRandom Walk with Restart (RWR)を用いて計算することができる。   Step 350) As a predicted value calculation process, the predicted value calculation unit 160 calculates the degree of association between each element in the matrix using the adjacent matrix stored in the recommended device adjacent matrix DB 150. The presentation unit 170 presents items highly relevant to the items in the user's history to the user who receives the recommendation. For calculating the similarity between items in the adjacency matrix, a network with each item (user, item, metadata) as a node can be calculated using Random Walk with Restart (RWR), which is a network mining technique. .

RWRでの計算は、p(c) を計算のステップtにおけるアイテムの関連度のベクトル、αを起点ノードに戻る確率、Aを推薦システムの隣接行列、qを推薦を受けるユーザを表す起点ノードのみが1であるベクトルとすると、式(1)のように表される。 In RWR calculation, p (c) is the vector of item relevance at step t of calculation, α is the probability of returning to the starting node, A is the adjacency matrix of the recommendation system, and q is only the starting node representing the user receiving the recommendation Assuming that the vector is 1, the expression is as shown in Equation (1).

(c+1) = αAp(c)+(1−α)q 式(1)
ステップ360) 推薦アイテム提示処理として、提示部170は、関連度を表すベクトルp(c)から関連度の高いものを起点ノードに対応するユーザに提示し、アイテムの推薦が完了する。
p (c + 1) = αAp (c) + (1−α) q Equation (1)
Step 360) As the recommended item presentation processing, the presentation unit 170 presents a vector having a high degree of relevance from the vector p (c) representing the degree of relevance to the user corresponding to the starting node, and the item recommendation is completed.

次に、上記の隣接行列A=(αi,j)について説明する。 Next, the adjacency matrix A = (α i, j ) will be described.

まず、ユーザ,アイテム、アイテムのメタデータをノードとし、それぞれの関連を示すエッジから構成される一つの重み付きグラフGで表す。ノードの集合をV、エッジの集合をEとすると、G={V,E}となる。   First, the user, item, and item metadata are represented by nodes, and are represented by a single weighted graph G composed of edges indicating the respective relationships. If the node set is V and the edge set is E, G = {V, E}.

また、ユーザの集合をU,アイテムの集合をI,アイテムのメタデータの集合をMとし、それぞれについてサービスAとサービスBのサービスを区別してV={UA,UB,IA,IB,MA,MB} と表すと、それぞれ、
サービスAのユーザ集合を表すベクトルを
Further, U is a set of users, I is a set of items, and M is a set of item metadata. For each of these, services A and B are distinguished from each other by V = {U A , U B , I A , I B , M A , M B }
A vector representing the user set of service A

Figure 0005467062
サービスBのユーザ集合を表すベクトルを
Figure 0005467062
A vector representing the user set of service B

Figure 0005467062
サービスAのアイテム集合を表すベクトルを
Figure 0005467062
A vector representing the item set of service A

Figure 0005467062
サービスBのユーザ集合を表すベクトルを
Figure 0005467062
A vector representing the user set of service B

Figure 0005467062
サービスAのメタデータ集合を表すベクトルを
Figure 0005467062
A vector representing the metadata set of service A

Figure 0005467062
サービスBのメタデータ集合を表すベクトルを
Figure 0005467062
A vector representing the metadata set of service B

Figure 0005467062
と定義される。
Figure 0005467062
It is defined as

図2のUAIA Tで表される行列は、ユーザUa,iのアイテムIa,jへの評価値もしくは履歴の有無を0または1で表した値ri,j を要素として持つ。.また、IAMA Tで表される行列は、アイテムIa,iがメタデータMa,jを持つかどうかを示す行列であり、メタデータを持てばri,j値は1となりそれ以外は0となる。IBMB Tについても同様に定義される。IAMB T は、アイテムの関連付けを表す行列であり、要素となる関連度si,jはアイテム間関連度の計算手順によって定められる関数g(Ia,i,Ib,j)によってが定義され、関数gが引数について対称な場合はg(Ia,i,Ib,j)=g(Ib,j,Ia,i)である。IBIA T についても同様に定義される。MAMB T は、メタデータの関連度mi,jを要素としてもつ行列であり、後述する式(3)のm(Ma,i,Mb,j)によって定義される。それぞれの関連度の計算手順は次の通りである。 U A I A T represented by the matrix of Figure 2 has a user U a, i item I a, the value r i representing the presence or absence of evaluation values or the history for j is 0 or 1 and j as elements . The matrix represented by I A M A T is a matrix indicating whether or not the item I a, i has metadata M a, j, and if it has metadata , the r i, j value is 1. Otherwise it is 0. I B M B T is similarly defined. I A M B T is a matrix representing the association of items, and the degree of association s i, j as an element is determined by a function g (I a, i , I b, j ) determined by the procedure for calculating the degree of association between items. Is defined, and g (I a, i , I b, j ) = g (I b, j , I a, i ) if the function g is symmetric about the argument. I B I A T is similarly defined. M A M B T is a matrix having metadata relevance m i, j as an element, and is defined by m (M a, i , M b, j ) in equation (3) described later. The calculation procedure for each degree of association is as follows.

次に、上記のステップ330の具体的な計算処理とステップ360推薦アイテムの提示処理までの処理手順を示す。   Next, the specific calculation process in the above step 330 and the process procedure up to the step 360 recommended item presentation process will be described.

(1)まず、メタデータ関連付け部130は、アイテム履歴DB110(サービスA)から、サービスAのアイテム集合IA を収集する。同様にして、アイテム履歴DB120(サービスB)から、サービスBのアイテム集合IBを収集する。 (1) First, the metadata association unit 130 collects the item set I A of the service A from the item history DB 110 (service A). Similarly, the item set IB of the service B is collected from the item history DB 120 (service B).

(2)それらの各ペアについて、アイテムIa,iとIb,jの関連度si,jを関数g(Ia,i,Ib,j)を用いて計算する。g(Ia,i,Ib,j)は様々な手法を利用可能であるが、例えば、ブログなどの大規模なテキストデータ中の出現頻度を用いて求められるJaccard係数が用いることができる。Jaccard係数は、サービスAのあるアイテムIa,iを含む文書集合をベクトルda,iとし、サービスBのアイテムIb,jを含む文書集合のベクトルをdb,jと置くとき、以下の式(2)のように表される。 (2) For each of these pairs, the degree of association s i, j between the items I a, i and I b, j is calculated using the function g (I a, i , I b, j ). Various methods can be used for g (I a, i , I b, j ). For example, a Jaccard coefficient obtained using the appearance frequency in large-scale text data such as a blog can be used. The Jaccard coefficient is as follows when a document set including an item I a, i with a service A is a vector d a, i and a vector of the document set including an item I b, j of a service B is d b, j It is expressed as equation (2).

Figure 0005467062
(3)メタデータ間の関連度mi,jを、以下の関数m(Ma,i,Mb,j)を用い計算する。
Figure 0005467062
(3) The degree of association m i, j between metadata is calculated using the following function m (M a, i , M b, j ).

メタデータMa,iとMb,jの関連度mi,jは、Ma,iを持つアイテム集合のベクトル The degree of association m i, j between metadata M a, i and M b , j is a vector of item sets having M a, i

Figure 0005467062
を持つアイテム集合のベクトル
Figure 0005467062
Vector of item sets with

Figure 0005467062
とすると、以下の式3で表される。
Figure 0005467062
Then, it is expressed by the following formula 3.

Figure 0005467062
ただし、iとjの組合せ<i,j>はアイテム集合における積集合の添え字の組合せであり、
Figure 0005467062
However, the combination <i, j> of i and j is a combination of the subscripts of the product set in the item set,

Figure 0005467062
である。
Figure 0005467062
It is.

(4)推薦装置用隣接行列作成部140は、図2に示す隣接行列Aを以下の式に従い作成する(ステップ340)。ai,jは、隣接行列Aの要素を示す。ri,jはコンテンツ履歴DB110上での関連の有無を表す値、si,jは、式(2)を用いて計算されるアイテム間の類似度、mi,jはメタデータの式(3)を用いて計算されるメタデータ間の関連度であり、 (4) The recommendation device adjacency matrix creation unit 140 creates the adjacency matrix A shown in FIG. 2 according to the following equation (step 340). a i, j represents an element of the adjacency matrix A. r i, j is a value indicating the presence or absence of association in the content history DB 110, s i, j is the similarity between items calculated using the equation (2), and mi, j is a metadata equation ( 3) the degree of association between metadata calculated using

Figure 0005467062
として与えられ、隣接行列Aが定義される。ai,jは、グラフを用いたアプローチで用いられる正規化処理として、必要に応じて添え字jの表すノードの入次数によって除して用いてもよい。上記のように求められた行列は推薦装置用隣接行列DB150に格納される。
Figure 0005467062
And an adjacency matrix A is defined. a i, j may be used as a normalization process used in a graph-based approach by dividing by a degree of the node represented by the subscript j as necessary. The matrix calculated | required as mentioned above is stored in the adjacency matrix DB150 for recommendation apparatuses.

(5)予測値計算部160は、RWRの計算を隣接行列A上でt回実施する。tは100回とする(ステップ350)。なお、実施回数は100回に限定されることなく、十分に大きな値であればよい。   (5) The predicted value calculation unit 160 performs RWR calculation on the adjacency matrix A t times. t is 100 times (step 350). The number of implementations is not limited to 100, and may be a sufficiently large value.

(6)提示部170は、t回実施後のアイテムの関連度のベクトルp(c)を類似度の順に降順に並び替える。そして、ドメインAのアイテムしか持っていないユーザを対象に、ドメインBのアイテムのみをベクトルp(c)から降順に抜き出し,それを推薦するアイテムのランキングとして、そのユーザに提示して終了する(ステップ360)。 (6) The presentation unit 170 rearranges the vector p (c) of the degree of association of items after t times in descending order of similarity. Then, for users who have only domain A items, only domain B items are extracted in descending order from the vector p (c), and are presented to the user as rankings of recommended items, and the process ends (step S3). 360).

なお、上記の実施の形態では、アイテム履歴DB110、120を情報推薦装置に含む構成として説明したが、この例に限定されることなく、情報推薦装置の外部に接続されていてもよい。   In the above embodiment, the item history DBs 110 and 120 have been described as being included in the information recommendation device. However, the present invention is not limited to this example, and may be connected to the outside of the information recommendation device.

また、上記の図1に示す情報推薦装置の構成要素の各動作をプログラムとして構築し、情報推薦装置として利用されるコンピュータにインストールして実行させる、または、ネットワークを介して流通させることが可能である。   Further, each operation of the constituent elements of the information recommendation apparatus shown in FIG. 1 can be constructed as a program and installed in a computer used as the information recommendation apparatus for execution, or distributed via a network. is there.

本発明は、上記の実施の形態に限定されることなく、特許請求の範囲内において種々変更・応用が可能である。   The present invention is not limited to the above-described embodiments, and various modifications and applications can be made within the scope of the claims.

101 ユーザID取得部
110 アイテム履歴DB(サービスA)
120 アイテム履歴DB(サービスB)
130 メタデータ関連付け部
140 推薦装置用隣接行列作成部
150 推薦装置用隣接行列DB
160 予測値計算部
170 提示部
101 User ID acquisition unit 110 Item history DB (service A)
120 Item history DB (Service B)
130 Metadata Association 140 Recommendation Device Adjacency Matrix Creation Unit 150 Recommendation Device Adjacency Matrix DB
160 Predicted value calculation unit 170 Presentation unit

Claims (5)

サービスの利用者に対して、当該サービスにおけるアイテムの推薦機能に加えて、異なる他サービスのアイテムを高精度に推薦可能とする情報推薦装置であって、
複数サービスのそれぞれのサービス利用履歴情報やアイテムとアイテムのメタデータについての情報を格納した履歴データベースと、
前記履歴データベースから取得したそれぞれのサービスが扱うアイテムにそれぞれに付与されているメタデータを相互に関連付けるメタデータ関連付け手段と、
前記サービス利用履歴と前記メタデータの関連付けを表す情報を用いて隣接行列を生成し、隣接行列データベースに格納する隣接行列作成手段と、
前記隣接行列データベースに格納された前記隣接行列を用いて行列中の各要素間の関連度を計算する予測値計算手段と、
前記関連度の高いものをユーザに提示する推薦アイテム提示手段と、
を有することを特徴とする情報推薦装置。
In addition to the item recommendation function for the service, it is an information recommendation device that can highly accurately recommend items of different other services to users of the service,
A history database that stores service usage history information for each of multiple services and information about items and item metadata;
Metadata associating means for associating the metadata assigned to the items handled by the respective services acquired from the history database with each other;
An adjacency matrix creating means for generating an adjacency matrix using information representing an association between the service usage history and the metadata, and storing the adjacency matrix in an adjacency matrix database;
Predicted value calculation means for calculating the degree of association between each element in the matrix using the adjacency matrix stored in the adjacency matrix database;
Recommended item presentation means for presenting the user with a high degree of association;
An information recommendation device comprising:
前記メタデータ関連付け手段は
記履歴データベースから関連度合いを計算する対象のメタデータの組について、当該メタデータそれぞれについて関連付けられているアイテムの当該アイテムを含むテキストデータにおける共起頻度情報に基づく統計量から計算する手段を含む
請求項1記載の情報推薦装置。
The metadata association means includes :
For the previous SL metadata object for calculating the degree of association from the historical database set includes means for calculating the statistics based on the co-occurrence frequency information in the text data including the items of the item associated with each corresponding metadata The information recommendation device according to claim 1.
サービスの利用者に対して、当該サービスにおけるアイテムの推薦機能に加えて、異なる他サービスのアイテムを高精度に推薦可能とする情報推薦方法であって、
複数サービスのそれぞれのサービス利用履歴情報やアイテムとアイテムのメタデータについての情報を格納した履歴データベースと、
隣接行列を格納する隣接行列データベースを有する装置において、
メタデータ関連付け手段が、
前記履歴データベースから取得したそれぞれのサービスが扱うアイテムにそれぞれに付与されているメタデータを相互に関連付けるメタデータ関連付けステップと、
隣接行列作成手段が、前記サービス利用履歴と前記メタデータの関連付けを表す情報を用いて隣接行列を生成し、前記隣接行列データベースに格納する隣接行列作成ステップと、
予測値計算手段が、前記隣接行列データベースに格納された前記隣接行列を用いて行列中の各要素間の関連度を計算する予測値計算ステップと、
推薦アイテム提示手段が、前記関連度の高いものをユーザに提示する推薦アイテム提示ステップと、
を行うことを特徴とする情報推薦方法。
In addition to the item recommendation function for the service, it is an information recommendation method that can highly accurately recommend items of different other services to users of the service,
A history database that stores service usage history information for each of multiple services and information about items and item metadata;
In an apparatus having an adjacency matrix database storing adjacency matrices,
The metadata association means
A metadata association step for correlating the metadata given to the items handled by the respective services acquired from the history database;
An adjacency matrix creating means that generates an adjacency matrix using information representing an association between the service usage history and the metadata, and stores the adjacency matrix in the adjacency matrix database;
A predicted value calculation means for calculating a relevance between each element in the matrix using the adjacent matrix stored in the adjacent matrix database;
A recommended item presenting means for presenting a highly relevant item to the user, a recommended item presenting step;
Recommending information.
前記メタデータ関連付けステップにおいて
記履歴データベースから関連度合いを計算する対象のメタデータの組について、当該メタデータそれぞれについて関連付けられているアイテムの当該アイテムを含むテキストデータにおける共起頻度情報に基づく統計量から計算する
請求項3記載の情報推薦方法。
In the metadata association step ,
For the previous SL metadata object for calculating the degree of association from the historical database set, claim 3 for calculating the statistics based on the co-occurrence frequency information in the text data including the items of the item associated with each corresponding metadata The information recommendation method described.
請求項1または2に記載の情報推薦装置を構成する各手段としてコンピュータを機能させるための情報推薦プログラム。   The information recommendation program for functioning a computer as each means which comprises the information recommendation apparatus of Claim 1 or 2.
JP2011007195A 2011-01-17 2011-01-17 Information recommendation apparatus, method and program Active JP5467062B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2011007195A JP5467062B2 (en) 2011-01-17 2011-01-17 Information recommendation apparatus, method and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2011007195A JP5467062B2 (en) 2011-01-17 2011-01-17 Information recommendation apparatus, method and program

Publications (2)

Publication Number Publication Date
JP2012150561A JP2012150561A (en) 2012-08-09
JP5467062B2 true JP5467062B2 (en) 2014-04-09

Family

ID=46792766

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2011007195A Active JP5467062B2 (en) 2011-01-17 2011-01-17 Information recommendation apparatus, method and program

Country Status (1)

Country Link
JP (1) JP5467062B2 (en)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5442806B2 (en) * 2012-06-06 2014-03-12 ヤフー株式会社 Content distribution device
JP5854957B2 (en) * 2012-09-18 2016-02-09 株式会社Nttドコモ Information processing apparatus and feature word evaluation method
WO2014049884A1 (en) * 2012-09-26 2014-04-03 DeNA Co., Ltd. System and method for providing a recommendation of a game based on a game-centric relationship graph
JP5903376B2 (en) * 2012-12-11 2016-04-13 日本電信電話株式会社 Information recommendation device, information recommendation method, and information recommendation program
EP2973026A2 (en) * 2013-03-13 2016-01-20 Google, Inc. Improved user experience for unrecognized and new users
JP5632506B1 (en) * 2013-05-20 2014-11-26 日本電信電話株式会社 Information recommendation device, information recommendation method, and information recommendation program
JP6523498B1 (en) 2018-01-19 2019-06-05 ヤフー株式会社 Learning device, learning method and learning program
JP7075362B2 (en) * 2019-01-23 2022-05-25 Kddi株式会社 Judgment device, judgment method and judgment program
CN113222707B (en) * 2021-05-25 2024-02-27 中国人民大学 Intelligent service transaction recommendation method and system

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3913497B2 (en) * 2000-06-08 2007-05-09 日本電信電話株式会社 Information delivery method, information delivery apparatus, and computer program
JP2002279279A (en) * 2001-03-22 2002-09-27 Just Syst Corp Commodity recommendation system, commodity recommendation method and commodity recommendation program
JP2005050264A (en) * 2003-07-31 2005-02-24 Sony Corp Information providing device and information providing method, information processor and information processing method, information providing system, and program
JP4344339B2 (en) * 2004-12-24 2009-10-14 日本電信電話株式会社 Information evaluation device, content search device, information evaluation method, content search method, program thereof, and recording medium
JP5341366B2 (en) * 2008-02-28 2013-11-13 株式会社東芝 Information processing apparatus and information processing method
JP2009289092A (en) * 2008-05-30 2009-12-10 Sony Corp Information processor, recommendation method, program and recording medium
JP5504595B2 (en) * 2008-08-05 2014-05-28 株式会社リコー Information processing apparatus, information search system, information processing method, and program
JP5200750B2 (en) * 2008-08-08 2013-06-05 株式会社リコー Information search apparatus, information search method, program, and recording medium
JP5262434B2 (en) * 2008-08-26 2013-08-14 株式会社リコー Information search system, information search method, program, and recording medium

Also Published As

Publication number Publication date
JP2012150561A (en) 2012-08-09

Similar Documents

Publication Publication Date Title
JP5467062B2 (en) Information recommendation apparatus, method and program
Ozsoy From word embeddings to item recommendation
Shin et al. Privacy enhanced matrix factorization for recommendation with local differential privacy
JP5919825B2 (en) Data processing method, distributed processing system, and program
Shahriari et al. Ranking nodes in signed social networks
Lü et al. Toward link predictability of complex networks
JP6843882B2 (en) Learning from historical logs and recommending database operations for data assets in ETL tools
Meirom et al. Controlling graph dynamics with reinforcement learning and graph neural networks
US9201964B2 (en) Identifying related entities
US10565218B2 (en) Interactive sequential pattern mining
CN112116331B (en) Talent recommendation method and device
WO2014056408A1 (en) Information recommending method, device and server
JP5662299B2 (en) Information recommendation apparatus, method, apparatus, and program
CA3099480A1 (en) Systems and methods for generating graph data structure objects with homomorphism
US10482268B1 (en) Systems and methods for access management
US20210073235A1 (en) Incremental data retrieval based on structural metadata
Wang et al. Root cause analysis for microservice systems via hierarchical reinforcement learning from human feedback
WO2019212570A1 (en) Transition regularized matrix factorization for sequential recommendation
Fay et al. Graph metrics as summary statistics for Approximate Bayesian Computation with application to network model parameter estimation
US20160342899A1 (en) Collaborative filtering in directed graph
JP6077984B2 (en) Item recommendation device, item recommendation method, and item recommendation program
US20190065987A1 (en) Capturing knowledge coverage of machine learning models
JP5528388B2 (en) Information recommendation apparatus, method and program
WO2011016281A2 (en) Information processing device and program for learning bayesian network structure
JP2014115911A (en) Information recommendation apparatus, information recommendation method, and information recommendation program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20121225

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20131007

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20131007

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20131022

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20131220

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20140121

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20140127

R150 Certificate of patent or registration of utility model

Ref document number: 5467062

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150