JP5613699B2 - 商品推薦装置及び方法及びプログラム - Google Patents

Description

本発明は、商品推薦装置及び方法及びプログラムに係り、特に、E-Commerce（電子商取引）サービスで提供されるユーザの商品購買における商品推薦装置及び方法及びプログラムに関する。

商品推薦の手法はいくつも提案されている。例えば、ニュース記事を推薦するために、各ニュース記事についてユーザに５段階の評価をつけさせ、過去の評価履歴を見てユーザ間の嗜好の類似度を測り、嗜好が似たユーザの好むニュース記事を推薦する手法が提案されている（例えば、非特許文献１参照）。

また、上記の手法と同様に、各商品に対してアカウントに評価をつけさせ、過去の評価履歴でアカウントが評価している商品のメタデータ（書籍でいえば概要文等）に着目する。そのメタデータがアカウントの興味を反映していると考え、そのメタデータと類似したメタデータを持つ商品を推薦する手法が提案されている（例えば、非特許文献２参照）。

また、利用者に興味を持つ部分のテキストを指定させ、そこに含まれる単語の出現頻度に基づいてユーザの興味を推定し、ユーザの興味を表す単語に基づいて商品を検索し、ユーザの興味のある商品を提示する手法がある（例えば、特許文献１参照）。

特開平１１-３３８８６９号公報

Resnick, P. et al., "GroupLens: An open architecture for collaborative filtering of netnews". CSCW '94: Proceedings of the 1994 ACM conference on Computer supported cooperative work, ACM Press New York, 1994. Mooney R.J. et al, `` Content-Based Book Recommending Using Learning for Text Categorization'', Proceedings of the 5th ACM Conference on Digital Libraries, ACM Press New York, 2000

一般にE-Commerceサービスの扱う商品は幅広く、こういった中でユーザが本当に興味のある商品を見つけるのは困難である。

上記の特許文献１の手法を用いて商品を推薦する場合、ユーザが指定した興味のある語に関連する商品が推薦される。この場合、語を指定しなければならないという問題がある。このようにユーザのインタラクションを必要とするシステムは、ユーザにとっては不便である。

非特許文献１に記載の手法で商品を推薦する場合、誰にも購入されていない商品を推薦することは不可能である。そのため、人気で有名な商品ばかりが推薦されがちで、ユーザはその商品を既に知っている場合が多く、推薦しても新たな購買に結びつかない。

また、非特許文献２に記載の手法で商品を推薦する場合、メタデータはユーザの興味の推定に必ずしも有効でないため、精度の点で購買履歴を用いた推薦より劣るという問題点がある。

したがって、購買履歴とメタデータの両者を考慮しユーザの興味を推定して推薦すればよいと考えられるが、質の低いメタデータの場合ユーザの興味とほとんど関連がないため、精度が低下してしまうという問題点がある。

本発明は上記の点に鑑みなされたもので、E-Commerceサービスにおいて、ユーザの興味だけでなく、購買履歴とメタデータのどちらがユーザの興味の推定に有効かをも推定することにより、誰にも購買されていない商品でも高い精度で推薦できる商品推薦装置及び方法及びプログラムを実現することを目的とする。

上記の課題を解決するため、本発明（請求項１）は、E-Commerceサービスにおいて、商品情報（以下、「メタデータ」と記す）とユーザの購買情報とを利用する商品推薦装置であって、
前記E-Commerceサービスにおける商品の名称や概要文を含むメタデータを取得し、商品情報記憶手段に格納する商品情報取得手段と、
前記E-Commerceサービスにおける各ユーザＩＤの購買情報を取得し、購買情報記憶手段に格納する購買情報取得手段と、
前記購買情報と、前記メタデータとを用いて、各購買トピックを推定する購買トピック推定手段と、
前記購買情報と、前記メタデータとを用いて、前記メタデータにおける各要素の関連性であるメタデータトピックを推定するメタデータトピック推定手段と、
前記購買情報と、前記メタデータと、前記購買トピックと、前記メタデータトピックとを用いて、該メタデータのユーザの購買傾向への影響度の大きさを推定する影響度推定手段と、
前記購買情報と、前記メタデータと、前記購買トピックと、前記メタデータトピックと、前記影響度とを用いて、各ユーザが各商品を購買する確率を算出し、推薦スコアとして推薦スコア記憶手段に格納する推薦スコア算出手段と、
ユーザの識別子が与えられると、前記商品情報記憶手段に格納されている各商品に対して、前記推薦スコア記憶手段に格納されている前記推薦スコアを取得し、該推薦スコアの上位Ｎ件の商品の識別子を推薦商品として選択する商品推薦手段と、を有する。

また、本発明（請求項２）は、前記購買トピック推定手段において、
前記購買トピックｚ_mの各トピック候補k=1，…，Kへアサインされるサンプリング確率を、

（但し、M_kはトピックkにアサインされた購買数、N_kはトピックkにアサインされたメタデータ中の語の総数、M_kiはトピックkにアサインされ、かつ商品iに関する購買の数、N_kiは商品iのメタデータ中の語でトピックkにアサインされたものの数、M_kuはトピックkにアサインされたユーザuの購買数、＼ｍは該購買を除いたときの回数もしくは変数）
により算出する手段を含む。

また、本発明（請求項３）は、前記メタデータトピック推定手段において、
前記メタデータ中の全ての語n=1，…，Nについて、該語のトピックy_nがｋ＝１，…，Kそれぞれにアサインされるサンプリング確率を、

（但し、Kは推薦のためのパラメータであるトピック数、αはP(j|y)算出のための事前パラメータ、γはP(w|y)算出のための事前パラメータ、δはP(y)算出のための事前パラメータ、ζはP(z|y,ε)算出のための事前パラメータ、ιはP(i|z,j,y,τ)算出のための事前パラメータ）
により求め、前記メタデータトピックとする手段を含む。

また、本発明（請求項４）は、前記影響度推定手段において、
各購買のトピックｚ_m(m=1，…，M)と、メタデータ中の各語のトピックｙ_n(n=1，…，N)から前記メタデータのユーザの購買傾向への影響度εを、

（但し、Ψ( )はダイガンマ関数）
により求める手段と、
各購買のトピックｚ_m(m=1，…，M)と、メタデータ中の各語のトピックｙ_n(n=1，…，N)から影響度τ_k (k=1，…，K)を

により求める手段と、を含む。

本発明は購買履歴と、商品のメタデータの両者を用いることで、従来の技術では不可能であった、商品のメタデータがユーザの購買に与える影響の大きさを推定することができる。また、推定したメタデータのユーザの購買への影響度を用いることで、誰にも購買されていない商品でも高い精度で推薦できるようになる。これはE-Commerceサービス等における購買の増加につながる。

本発明の一実施の形態における消費員情報推薦装置の構成図である。 本発明の一実施の形態における商品情報テーブルの例である。 本発明の一実施の形態における購買情報テーブルの例である。 本発明の一実施の形態における推薦スコアテーブルの例である。 本発明の一実施の形態における商品情報更新時の処理のフローチャートである。 本発明の一実施の形態における購買時の処理のフローチャートである。 本発明の一実施の形態における推薦スコア更新時の処理のフローチャートである。 本発明の一実施の形態における図７のステップ３５０の詳細な処理のフローチャートである。 本発明の一実施の形態における図８のステップ３５４の詳細な処理のフローチャートである。 本発明の一実施の形態における図８のステップ３５５の詳細な処理のフローチャートである。 本発明の一実施の形態における図８のステップ３５６の詳細な処理のフローチャートである。 本発明の一実施の形態における商品推薦時の処理のフローチャートである。

最初に、本発明の概要を説明する。

本発明では、E-Commerceサービスにおいて、誰にも購買されていない商品が含まれ、なおかつ同じ内容の商品ばかりが並ばない、ユーザの満足度の高い推薦リストを提供することを目的としている。具体的には、購買履歴とメタデータの両者を用いて、各ユーザの興味を推定すると同時に、メタデータのユーザへの購買への影響の大きさを推定する。その後、購買履歴と、メタデータ、メタデータのユーザの購買への影響度を用いて、ユーザの興味を推定し、そのユーザの興味に適合した商品を推薦する。このようにして得られた推薦リストは、購買履歴とメタデータの両者が考慮されているため、誰にも購買されていない商品が含まれ、なおかつ同じ内容の商品ばかりが並ばない、ユーザの満足度の高いものとなる。

本発明では、購買履歴と、商品のメタデータの生成を関連づけてモデル化する。今、購買履歴を｛i,u｝で表す。

はどの商品が購買されたかを表し、

はどのユーザにより購買されたかを表す。ただし、Mは全購買数を表す。同様に、商品のメタデータを{j,w}で表す。

はどの商品へのメタデータなのかを、

はどの語がメタデータとして付与されたかを表す。但し、Nは全商品のメタデータに含まれる語数の合計である。このとき、{i，u，j，w}が生成される確率が式(1)のように展開できると仮定する。

ここで、

は購買のトピック（非特許文献１でいうところのユーザのpreference）、
はメタデータのトピックをそれぞれ表す。εと

は、メタデータのユーザの購買傾向への影響度であり、本発明では購買履歴とメタデータから自動推定する。

式(1)で表される購買履歴とメタデータの生成確率を読み解くと、購買履歴は購買のトピックから生成されるが、購買のトピックはメタデータのトピックに影響を受ける、という数式になっている。その影響度がεとτである。このメタデータの購買への影響度εとτが大きい場合、次の購買はメタデータから推定されることになり、逆にεとτが小さい場合は次の購買は購買履歴から推定されることになる。

以下、図面と共に本発明の実施形態を説明する。

図１は、本発明の一実施の形態における商品推薦装置の構成を示す。

同図に示す商品推薦装置１は、商品情報処理部１０、購買情報処理部２０、推薦スコア算出部３０、商品推薦部４０、記憶部５０、通信部６０、入出力部７０から構成され、通信部６０はネットワーク３に接続されており、入出力部７０は、入力装置や表示装置等の外部装置４に接続されている。

推薦スコア算出部３０は、購買トピック推定部３１、メタデータトピック推定部３２、影響度推定部３３から構成される。また、図示しないが、推薦スコア算出部３０は、途中計算における計算値を保持するメモリを有する。

記憶部５０は、ハードディスク等の記憶媒体であり、商品情報テーブル５１、購買情報テーブル５２、推薦スコアテーブル５３の領域を有する。以下に各テーブルについて説明する。

＜商品情報テーブル５１＞
商品情報テーブル５１には、図２に示すように、商品ＩＤフィールド、メタデータフィールドが含まれる。

商品ＩＤフィールドは、その商品を特定する識別子であり、商品情報処理部１０により設定される。

メタデータフィールドは、該商品のメタデータが、商品情報処理部１０によりテキストデータにて設定される。本メタデータは、書籍の本文や、コンテンツ配信者により作成された商品紹介の概要文、ユーザにより付けられたタグ等、テキストの形式をなすものであればどのようなものでも構わない。

＜購買情報テーブル５２＞
購買情報テーブル５２には、図３に示すように、商品ＩＤフィールド、ユーザＩＤフィールドが含まれる。

商品ＩＤフィールドは、商品情報テーブルに出現する商品の識別子と対応し、購買情報処理部２０により設定される。

ユーザＩＤフィールドは、該商品を購買したユーザを特定する識別子が、購買情報処理部２０により設定される。

＜推薦スコアテーブル５３＞
推薦スコアテーブル５３には、図４に示すように、ユーザＩＤフィールドと、商品ＩＤフィールドと、推薦スコアフィールドとが含まれる。

推薦スコアフィールドは、当該ユーザのアカウントuの、該商品ｉに対する推薦スコアP（i,u）が推薦スコア算出部３０により設定される。

はじめに、本発明の一実施の形態における商品情報テーブル５１の更新時の処理を詳細に説明する。商品情報テーブル５１の商品情報の更新は、メタデータが書籍の本文やコンテンツの紹介文のようなサービスプロバイダから提供されているようなものの場合は、システム管理者により行われる。メタデータがソーシャルブックマークのタグのようなユーザにより提供されるようなものの場合は、システム管理者・ユーザともに本処理を発生させる可能性がある。

図５は、本発明の一実施の形態における商品情報更新時の処理のフローチャートである。商品情報更新のタイミングは、例えばシステム管理者が手動で管理することができるようにすればよい。今、商品ｉについての情報の更新があったとする。

ステップ１１０）商品情報処理部１０が、商品情報テーブル５１に、商品ｉの情報を記した行を構成し、すでに商品ｉの情報が商品情報テーブル５１に含まれる場合は、そのように情報を更新し、もし含まれない場合は新たに行を挿入する。

次に、購買時における購買情報テーブル５２の更新処理について説明する。

図６は、本発明の一実施形態における購買時の処理のフローチャートである。

ステップ２１０）購買情報処理部２０が、購買情報テーブル５２に、購買された商品、購買したユーザに応じて商品ＩＤフィールド、ユーザＩＤフィールドの値を設定した行を挿入する。

推薦スコア算出部３０の動作を以下に説明する。

図７は、本発明の一実施の形態における推薦スコア更新時の処理のフローチャートである。推薦スコア更新のタイミングは、例えばシステム管理者が手動で管理することができるようにしてもよいし、定期的に自動で行ってもよい。

ステップ３１０）推薦スコア算出部３０が、推薦のためのパラメータであるトピック数K，P(j|y)算出のための事前パラメータα、P(u|z)算出のための事前パラメータβ、P(w|y)算出のための事前パラメータγ、P(y)算出のための事前パラメータδ、P(z|y,ε)算出のための事前パラメータζ、P(i|z,j,y,τ)算出のための事前パラメータιを設定する。これらパラメータは、予め与えておいた定数により設定される。

ステップ３２０）推薦スコア算出部３０が、購買情報テーブル５２を参照し、各購買のユーザｕと、商品ｉを取得する。

ステップ３３０）推薦スコア算出部３０が、商品情報テーブル５１を参照し、商品のメタデータを取得する。

ステップ３４０）推薦スコア算出部３０が、ステップ３３０にて取得した商品のメタデータ（以下、単に「メタデータ」と記す）中のテキストを形態素解析のような手法で語単位に分割し、各語についてそれが付与されているアイテムｊ、語ｗを取得する。

ステップ３５０）推薦スコア算出部３０が、各購買のトピックｚ、メタデータ中の各語のトピックｙ、メタデータの購買への影響度ε，τを推定する。

ステップ３６０）推薦スコア算出部３０が、ステップ３１０にて設定したパラメータΚ、α、β、γ、δ、ζ、ιと、ステップ３５０にて推定した各購買のトピックｚ、メタデータ中の各語のトピックｙ、メタデータの購買への影響度ε、τ（ｋ＝１，…，Κ）と、式（2）とを用いて各ユーザuの各商品ｉに対する推薦スコアP(i,u)を算出する。

ここでM_kはトピックkにアサインされた購買数、N_kはトピックkにアサインされたメタデータ中の語の総数、M_kiはトピックkにアサインされ、かつ商品ｉに関する購買の数、N_kiは商品ｉのメタデータ中の語でトピックkにアサインされたものの数、M_kuはトピックkにアサインされたユーザuの購買数を表す。M_kとM_ki、M_kuはステップ３５０にて推定した各購買のトピックzにより求めることができ、N_kならびにN_kiはメタデータ中の各語の購買との関連性rを用いて推定されたメタデータ中の各語のトピックyにより求めることができる。なお、Uはユーザの総数を表す。

ステップ３７０）推薦スコア算出部３０が、各ユーザu、各商品ｉについて推薦スコアテーブル５４にユーザＩＤフィールドの値がu、商品ＩＤフィールドの値がｉの行の推薦スコアをP(i,u)に更新する。

次に、上記の図７のステップ３５０の処理を詳細に説明する。

図８は、本発明の一実施の形態における図７のステップ３５０の詳細な処理のフローチャートである。

ステップ３５１）推薦スコア算出部３０が、各購買のトピックｚ_m(m=1，…，M)を最小値１、最大値の整数Kで初期化する。

ステップ３５２）推薦スコア算出部３０が、メタデータ中の各語のトピックｙ_n(n=1，…，N)を最小値１、最大値の整数Kで初期化する。

ステップ３５３）推薦スコア算出部３０が、メタデータの購買への影響度をε=1.0、τ_k＝1.0(k=1，…，K)で初期化する。

ステップ３５４から３５６を、十分な回数（例えば５００回）繰り返す。繰り返しの回数については、予め設定した任意の数でも構わないし、各購買のトピックｚ、メタデータ中の各語のトピックｙ、メタデータ中の各語の購買との関連性ｒが収束したらそこで打ち切るようにしてもよい。

ステップ３５４）購買トピック推定部３１が、各購買のトピックｚ_m(m=1，…，M)を更新する。

ステップ３５５）メタデータトピック推定部３２が、メタデータ中の各語の購買への関連性ｙ_n(n=1，…，N)を更新する。

ステップ３５６）影響度推定部３３が、メタデータの購買への影響度ε、τ_k(k=1，…，K)を更新する。

次に、上記の図８のステップ３５４の処理を詳細に説明する。

図９は、本発明の一実施の形態における図８のステップ３５４の詳細な処理のフローチャートである。

全ての購買m=1，…，Mについて、ステップ３５４１とステップ３５４２を行う。

ステップ３５４１）購買トピック推定部３１が、該購買のトピックｚ_mの各トピック候補k=1，…，Kへアサインされるサンプリング確率を式(3)により算出する。

ここで＼ｍは該購買を除いたときの回数もしくは変数を表す。つまり、例えば

は更新前にｚ_mがｋにアサインされていれば

を表し、そうでなければ

を表す。

ステップ３５４２）購買トピック推定部３１が、ステップ３５４１にて算出した該購買のトピックｚ_mの各トピック候補k=1，…，Kへアサインされるサンプリング確率に基づき、乱数を発生させて、ｚ_mを更新する。具体的には、k=2，…，Kについて、式(4)に従ってサンプリング確率を更新する。

P（z_m=k）←P（z_m=k）+P（z_m=k−1） (4)
さらに、k=1，…，Kについて、サンプリングを式(5)のように更新する。

その後、最小値０、最大値１の小数の乱数を発生させてその値をサンプリング確率が上回る最小のｋにアサインする。例を挙げて説明すると、今K=3として、式(3)に基づき算出されたサンプリング確率がそれぞれP(z_m=1)＝1.6、P(z_m=2)＝0.4、P(z_m=3)＝2.0であったとする。つまり、それぞれのトピックに4：1：5の割合でサンプリングされるようにしたい。このとき、式(4)と式(5)を用いてP(z_m=1)＝0.4、P(z_m=1)＝0.5、P(z_m=1)＝1.0とサンプリング確率を更新し、最小値０、最大値１の小数の乱数を発生させてその値をサンプリング確率が上回る最小のkにアサインすればよい。

次に、上記の図８のステップ３５５の処理を詳細に説明する。

図１０は、本発明の一実施の形態における図８のステップ３５５の詳細な処理のフローチャートである。

メタデータ中の全ての語n=1，…，Nについて、ステップ３５５１とステップ３５５２を行う。

ステップ３５５１）メタデータトピック推定部３２が、該語のトピックｙ_nがk=1，…，Kそれぞれにアサインされるサンプリング確率を算出する。

ステップ３５５２）メタデータトピック推定部３２が、ステップ３５５１にて算出した該語のトピックｙ_nのサンプリング確率に基づき、乱数を発生させて、ｙ_nを更新する。本処理の詳細はステップ３５４２と同様である。

図１１は、本発明の一実施の形態における図８のステップ３５６の詳細な処理のフローチャートである。

ステップ３５６１）影響度推定部３３が、各購買のトピックｚ_m(m=1，…，M)と、メタデータ中の各語のトピックｙ_n(n=1，…，N)から影響度εを式(13)のように更新する。

Ψ( )はダイガンマ関数である。

ステップ３５６２）影響度推定部３３が、k=1，…，Kそれぞれについて、各購買のトピックｚ_m(m=1，…，M)と、メタデータ中の各語のトピックｙ_n(n=1，…，N)から影響度τ_kを下式のように更新する。

図１２は、本発明の一実施の形態における商品推薦時の処理のフローチャートである。例えば、ユーザがシステムにログインしたときに本処理を実行するようにすればよい。

ステップ４１０）商品情報処理部１０が、商品情報テーブル５１を参照し、商品集合を取得する。

ステップ４２０）商品推薦部４０が、前記商品に含まれる各商品ｉに対して、推薦スコアテーブル５３を参照しアカウントｕの商品ｉに対する推薦スコアP(i,u)を取得し、アカウントuに推薦すべき商品を決定する。その際、推薦スコアP(i,u)の値が大きいものから順に予め設定した任意の件数 K (K=1,2,3,…)件を推薦すべき商品としてもよいし、推薦スコアP(i,u)に対し、ある閾値を設けて、推薦スコアがその値を超えるものを推薦すべき商品としてもよい。

なお、上記の商品推薦装置の各構成要素の処理をプログラムとして構築し、商品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。

また、構築されたプログラムをハードディスクや、フレキシブルディスク、ＣＤ−ＲＯＭ等の可搬記憶媒体に格納し、コンピュータにインストールする、または、配布することが可能である。

なお、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。

１ 商品推薦装置
２ 外部端末
３ ネットワーク
４ 外部装置
１０ 商品情報処理部
２０ 購買情報処理部
３０ 推薦スコア算出部
３１ 購買トピック推定部
３２ メタデータトピック推定部
３３ 影響度推定部
４０ 商品推薦部
５０ 記憶部
５１ 商品情報テーブル
５２ 購買情報テーブル
５３ 推薦スコアテーブル
６０ 通信部
７０ 入出力部

Claims (9)

1. E-Commerce（電子商取引）サービスにおいて、商品情報（以下、「メタデータ」と記す）とユーザの購買情報とを利用する商品推薦装置であって、
   前記E-Commerceサービスにおける商品の名称や概要文を含むメタデータを取得し、商品情報記憶手段に格納する商品情報取得手段と、
   前記E-Commerceサービスにおける各ユーザＩＤの購買情報を取得し、購買情報記憶手段に格納する購買情報取得手段と、
   前記購買情報と、前記メタデータとを用いて、各購買トピックを推定する購買トピック推定手段と、
   前記購買情報と、前記メタデータとを用いて、前記メタデータにおける各要素の関連性であるメタデータトピックを推定するメタデータトピック推定手段と、
   前記購買情報と、前記メタデータと、前記購買トピックと、前記メタデータトピックとを用いて、該メタデータのユーザの購買傾向への影響度の大きさを推定する影響度推定手段と、
   前記購買情報と、前記メタデータと、前記購買トピックと、前記メタデータトピックと、前記影響度とを用いて、各ユーザが各商品を購買する確率を算出し、推薦スコアとして推薦スコア記憶手段に格納する推薦スコア算出手段と、
   ユーザの識別子が与えられると、前記商品情報記憶手段に格納されている各商品に対して、前記推薦スコア記憶手段に格納されている前記推薦スコアを取得し、該推薦スコアの上位Ｎ件の商品の識別子を推薦商品として選択する商品推薦手段と、
   を有することを特徴とする商品推薦装置。
2. 前記購買トピック推定手段は、
   前記購買トピックｚ_mの各トピック候補k=1，…，Kへアサインされるサンプリング確率を、
   

   

   （但し、M_kはトピックkにアサインされた購買数、N_kはトピックkにアサインされたメタデータ中の語の総数、M_kiはトピックkにアサインされ、かつ商品iに関する購買の数、N_kiは商品iのメタデータ中の語でトピックkにアサインされたものの数、M_kuはトピックkにアサインされたユーザuの購買数、＼ｍは該購買を除いたときの回数もしくは変数）
   により算出する手段を含む
   請求項１記載の商品推薦装置。
3. 前記メタデータトピック推定手段は、
   前記メタデータ中の全ての語n=1，…，Nについて、該語のトピックy_nがｋ＝１，…，Kそれぞれにアサインされるサンプリング確率を、
   

   

   （但し、Kは推薦のためのパラメータであるトピック数、αはP(j|y)算出のための事前パラメータ、γはP(w|y)算出のための事前パラメータ、δはP(y)算出のための事前パラメータ、ζはP(z|y,ε)算出のための事前パラメータ、ιはP(i|z,j,y,τ)算出のための事前パラメータ）
   により求め、前記メタデータトピックとする手段を含む
   請求項１記載の商品推薦装置。
4. 前記影響度推定手段は、
   各購買のトピックｚ_m(m=1，…，M)と、メタデータ中の各語のトピックｙ_n(n=1，…，N)から前記メタデータのユーザの購買傾向への影響度εを、
   

   

   （但し、Ψ( )はダイガンマ関数）
   により求める手段と、
   各購買のトピックｚ_m(m=1，…，M)と、メタデータ中の各語のトピックｙ_n(n=1，…，N)から影響度τ_k (k=1，…，K)を
   

   

   により求める手段と、
   を含む請求項１記載の商品推薦装置。
5. E-Commerceサービスにおいて、商品情報（以下、「メタデータ」と記す）とユーザの購買情報とを利用する商品推薦方法であって、
   商品情報取得手段が、前記E-Commerceサービスにおける商品の名称や概要文を含むメタデータを取得し、商品情報記憶手段に格納する商品情報取得ステップと、
   購買情報取得手段が、前記E-Commerceサービスにおける各ユーザＩＤの購買情報を取得し、購買情報記憶手段に格納する購買情報取得ステップと、
   購買トピック推定手段が、前記購買情報と、前記メタデータとを用いて、各購買トピックを推定する購買トピック推定ステップと、
   メタデータトピック推定手段が、前記購買情報と、前記メタデータとを用いて、前記メタデータにおける各要素の関連性であるメタデータトピックを推定するメタデータトピック推定ステップと、
   影響度推定手段が、前記購買情報と、前記メタデータと、前記購買トピックと、前記メタデータトピックとを用いて、該メタデータのユーザの購買傾向への影響度の大きさを推定する影響度推定ステップと、
   推薦スコア算出手段が、前記購買情報と、前記メタデータと、前記購買トピックと、前記メタデータトピックと、前記影響度とを用いて、各ユーザが各商品を購買する確率を算出し、推薦スコアとして推薦スコア記憶手段に格納する推薦スコア算出ステップと、
   商品推薦手段が、ユーザの識別子が与えられると、前記商品情報記憶手段に格納されている各商品に対して、前記推薦スコア記憶手段に格納されている前記推薦スコアを取得し、該推薦スコアの上位Ｎ件の商品の識別子を推薦商品として選択する商品推薦ステップと、
   を行うことを特徴とする商品推薦方法。
6. 前記購買トピック推定ステップにおいて、
   前記購買トピックｚ_mの各トピック候補k=1，…，Kへアサインされるサンプリング確率を、
   

   

   （但し、M_kはトピックkにアサインされた購買数、N_kはトピックkにアサインされたメタデータ中の語の総数、M_kiはトピックkにアサインされ、かつ商品iに関する購買の数、N_kiは商品iのメタデータ中の語でトピックkにアサインされたものの数、M_kuはトピックkにアサインされたユーザuの購買数、＼ｍは該購買を除いたときの回数もしくは変数）
   により算出する
   請求項５記載の商品推薦方法。
7. 前記メタデータトピック推定ステップにおいて、
   前記メタデータ中の全ての語n=1，…，Nについて、該語のトピックy_nがｋ＝１，…，Kそれぞれにアサインされるサンプリング確率を、
   

   

   （但し、Kは推薦のためのパラメータであるトピック数、αはP(j|y)算出のための事前パラメータ、γはP(w|y)算出のための事前パラメータ、δはP(y)算出のための事前パラメータ、ζはP(z|y,ε)算出のための事前パラメータ、ιはP(i|z,j,y,τ)算出のための事前パラメータ）
   により求め、前記メタデータトピックとする
   請求項５記載の商品推薦方法。
8. 前記影響度推定ステップにおいて、
   各購買のトピックｚ_m(m=1，…，M)と、メタデータ中の各語のトピックｙ_n(n=1，…，N)から前記メタデータのユーザの購買傾向への影響度εを、
   

   

   （但し、Ψ( )はダイガンマ関数）
   により求め、
   各購買のトピックｚ_m(m=1，…，M)と、メタデータ中の各語のトピックｙ_n(n=1，…，N)から影響度τ_k (k=1，…，K)を
   

   

   により求める、
   を含む請求項５記載の商品推薦方法。
9. コンピュータを、
   請求項１乃至４のいずれか１項に記載の商品推薦装置の各手段として機能させるための商品推薦プログラム。

Images