[go: up one dir, main page]

WO2011074113A1 - 協調フィルタリングシステム及び協調フィルタリング方法 - Google Patents

協調フィルタリングシステム及び協調フィルタリング方法 Download PDF

Info

Publication number
WO2011074113A1
WO2011074113A1 PCT/JP2009/071141 JP2009071141W WO2011074113A1 WO 2011074113 A1 WO2011074113 A1 WO 2011074113A1 JP 2009071141 W JP2009071141 W JP 2009071141W WO 2011074113 A1 WO2011074113 A1 WO 2011074113A1
Authority
WO
WIPO (PCT)
Prior art keywords
content
evaluation value
user
specific content
similarity
Prior art date
Application number
PCT/JP2009/071141
Other languages
English (en)
French (fr)
Inventor
沙耶香 吉津
好紀 横山
直樹 井原
雄喜 木村
Original Assignee
トヨタ自動車株式会社
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 トヨタ自動車株式会社 filed Critical トヨタ自動車株式会社
Priority to JP2011545913A priority Critical patent/JP5403069B2/ja
Priority to US13/512,368 priority patent/US9087123B2/en
Priority to CN200980162673.4A priority patent/CN102640141B/zh
Priority to PCT/JP2009/071141 priority patent/WO2011074113A1/ja
Priority to EP09852305.3A priority patent/EP2515244A4/en
Publication of WO2011074113A1 publication Critical patent/WO2011074113A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles

Definitions

  • the present invention relates to a collaborative filtering system and a collaborative filtering method, and more particularly to a collaborative filtering system and a collaborative filtering method that use evaluation values for contents of a plurality of users.
  • Patent Document 1 There has been proposed a collaborative filtering technique that accumulates information about preferences for many users and predicts the preferences of other users who have similar preferences to a certain user. Collaborative filtering is used for recommendations and personalization. For example, in Patent Document 1, when an arbitrary user has actually voted for an arbitrary item, the evaluation value of this item is assigned to the corresponding cell of the item-user matrix, and other similar items to this item An information recommendation method is disclosed in which an evaluation value is substituted in a pseudo manner for an item cell. The information recommendation method of Patent Document 1 also makes it possible to recommend items that could not be recommended because there are no evaluation values.
  • a car navigation system may recommend content such as a store or a facility using collaborative filtering as described above in consideration of user preferences. For example, if a car navigation system uses a history of restaurants visited by a user in the past and a history of visits of restaurants of other users who visited the restaurant, the user who is likely to meet the user's preferences still visits the user. There may be a service to recommend a restaurant that is not. In such a case, the car navigation system may recommend only content around the user's action range.
  • the collaborative filter may not work. That is, as a method of assigning an evaluation value to content, a method in which a user writes an evaluation score via a website, or a method in which the user inputs an evaluation score via a car navigation system after a visit to a store or facility that is the content Etc. are considered. However, since both methods take time and effort for the user, it is expected that user evaluation values are difficult to gather.
  • the present invention has been made in view of such circumstances, and the object thereof is a collaborative filtering system and collaborative filtering method capable of further expanding the range of contents for which evaluation values can be predicted by collaborative filtering. Is to provide. It is another object of the present invention to provide a collaborative filtering system and a collaborative filtering method capable of performing prediction by collaborative filtering with a smaller number of user evaluation values.
  • the present invention is a collaborative filtering system that uses evaluation values for content of each of a plurality of users, and there is no evaluation value of at least one user who has evaluated both the first content and the second content. Sometimes there is an evaluation value of at least one user who has evaluated both the first content and the third content, and the evaluation is performed on both the second content and the third content.
  • a predictive evaluation value calculating unit that calculates a predicted evaluation value of the user not evaluated for any of the content and the second content is a collaborative filtering system with a.
  • the similarity calculation unit has an evaluation value of at least one user who has evaluated both the first and third contents, and evaluates both the second and third contents.
  • the degree of similarity between the first and second contents is calculated using the evaluation value of the third content in which there is an evaluation value of at least one user who has performed. That is, the similarity calculation unit indirectly calculates the similarity between the first and second contents using the third content that can directly calculate the similarity with each of the first and second contents. . Thereby, the similarity of the 1st and 2nd content which cannot be calculated directly can be calculated.
  • the predicted evaluation value calculation unit uses the first content and the second content similarity calculated by the similarity calculation unit, and the evaluation values for the first content and the second content, to calculate the first content.
  • a predicted evaluation value of a user who has not evaluated any of the content and the second content is calculated.
  • the predicted evaluation values of the first and second contents that cannot be directly calculated can be calculated. Therefore, it is possible to further expand the range of content for which the evaluation value can be predicted by collaborative filtering.
  • the similarity calculation unit includes the first content that is the Pearson product-moment correlation coefficient for the i-th third content in which the number of the third content is N and 1 ⁇ i ⁇ N.
  • the similarity of the third content is represented by s (C1, C3i)
  • the similarity of the second content and the third content, which is Pearson's product-moment correlation coefficient is represented by s (C2, C3i).
  • the first and third contents quantitatively based on the similarity between the first and third contents expressed by the Pearson product moment correlation coefficient and the similarity between the second and third contents. It becomes possible to calculate the similarity of the second content.
  • the present invention is a collaborative filtering system that uses evaluation values for the contents of each of a plurality of users, and for one user who has used specific content and did not evaluate specific content, The usage frequency of specific content of one user, the usage frequency of specific content of another user who has used the specific content and evaluated the specific content, and the evaluation value for the specific content It is a collaborative filtering system provided with the prediction evaluation value calculation unit which calculates the prediction evaluation value with respect to the specific content of one user using.
  • the predicted evaluation value calculation unit uses one user's specific content for one user who has used the specific content and has not evaluated the specific content.
  • One user is identified using the frequency, the use frequency of the specific content of another user who has used the specific content and has evaluated the specific content, and the evaluation value for the specific content. It is preferable to calculate a predicted evaluation value for the content of the content.
  • the predicted evaluation value calculation unit uses the specific content of the one user and the specific content of another user who has used the specific content and has evaluated the specific content. Use frequency and an evaluation value for a specific content. It is considered that the usage frequency of content by each user correlates with the evaluation value for the content. Therefore, the predicted evaluation value calculation unit has used the specific content of the one user, the specific content has been used, and the specific content without the evaluation value of the one user himself / herself. It is possible to calculate a predicted evaluation value for a specific content of one user by using the usage frequency and evaluation value of the specific content of another user who has performed the evaluation. Therefore, prediction by collaborative filtering can be performed with a smaller number of user evaluation values.
  • the predictive evaluation value calculation unit is configured so that the usage frequency of the specific content of one user is different from the usage frequency of the specific content of the one user within a predetermined threshold. It is preferable to calculate a predicted evaluation value for a specific content of one user by using a use frequency of the specific content of the user and an evaluation value for the specific content.
  • the predicted evaluation value calculation unit is different from the usage frequency of the specific content of one user and the usage frequency of the specific content within a predetermined threshold from the usage frequency of the specific content of the one user.
  • a predicted evaluation value can be calculated with high accuracy by calculating a predicted evaluation value for a specific content of one user using a use frequency of the specific content of the user and an evaluation value for the specific content.
  • the predicted evaluation value calculation unit is configured to use a specific user's specific content usage frequency and an unspecified many content usage frequency within a category to which the specific content belongs. It is preferable to calculate a predicted evaluation value for the specific content of one user using the use frequency of the specific content of the other user and the evaluation value for the specific content that are differences within a predetermined threshold from .
  • the predictive evaluation value calculation unit uses the frequency of usage of specific content of one user and the frequency of usage of unspecified number of contents of one user whose usage frequency of unspecified number of contents in the category to which the specific content belongs.
  • the predicted evaluation value calculation unit may use any one of a median value and an average value of evaluation values for specific content for each specific content usage frequency of each of a plurality of other users. It is preferable to calculate a predicted evaluation value for a specific content of one user using
  • the predicted evaluation value calculation unit can calculate either the median value or the average value of the evaluation values for the specific content for each usage frequency of the specific content of each of the plurality of other users. By using this to calculate the predicted evaluation value for the specific content of one user, the predicted evaluation value can be calculated with higher accuracy.
  • the predicted evaluation value calculation unit is based on the use frequency of the specific content of other users who have used the specific content and have evaluated the specific content and the evaluation value for the specific content. Deriving a function of an evaluation value for a specific content with respect to the usage frequency of the specific content, and calculating a predicted evaluation value for the specific content of the one user by using the usage frequency and the function of the specific content of the one user It is preferable to do.
  • Frequency of use of specific content derived based on use frequency of specific content of other users who have used specific content and who have evaluated the specific content, and an evaluation value for the specific content It can be estimated that the function of the evaluation value for the specific content with respect to represents the correlation between the usage frequency and the evaluation value with high accuracy. Furthermore, even if the obtained usage frequency and evaluation value are discrete values, interpolation can be performed by the function. Therefore, the predicted evaluation value calculation unit is based on the use frequency of the specific content of another user who has used the specific content and evaluated the specific content and the evaluation value for the specific content.
  • the present invention is a collaborative filtering method using evaluation values for the contents of each of a plurality of users, and the evaluation value of at least one user who has evaluated both the first content and the second content is When it does not exist, there is an evaluation value of at least one user who has evaluated both the first content and the third content, and evaluation is performed on both the second content and the third content.
  • a collaborative filtering method comprising the predicted evaluation value calculation step of calculating a predicted evaluation value of the user not evaluated for any of the Ceiling and the second content.
  • the number of third contents is N
  • the similarity of the third content is represented by s (C1, C3i)
  • the similarity of the second content and the third content, which is Pearson's product-moment correlation coefficient is represented by s (C2, C3i).
  • the present invention is a collaborative filtering method using evaluation values for the contents of each of a plurality of users, for one user who has used specific content and has not performed evaluation on the specific content.
  • the usage frequency of specific content of one user, the usage frequency of specific content of another user who has used the specific content and evaluated the specific content, and the evaluation value for the specific content Is a collaborative filtering method including a predicted evaluation value calculation step of calculating a predicted evaluation value for a specific content of one user.
  • the predicted evaluation value calculation step uses one user's specific content for one user who has used specific content and has not evaluated the specific content.
  • One user is identified using the frequency, the use frequency of the specific content of another user who has used the specific content and has evaluated the specific content, and the evaluation value for the specific content. It is preferable to calculate a predicted evaluation value for the content of the content.
  • the predicted evaluation value calculation step includes a usage frequency of one user's specific content and a usage frequency of the specific content that is a difference within a predetermined threshold from the usage frequency of the specific content of the one user. It is preferable to calculate a predicted evaluation value for a specific content of one user by using a use frequency of the specific content of the user and an evaluation value for the specific content.
  • the predicted evaluation value calculation step includes the usage frequency of the specific content of one user and the usage frequency of the unspecified number of contents of the user whose usage frequency of the unspecified number of contents in the category to which the specific content belongs. It is preferable to calculate a predicted evaluation value for the specific content of one user using the use frequency of the specific content of the other user and the evaluation value for the specific content that are differences within a predetermined threshold from .
  • the predicted evaluation value calculation step includes any one of a median value and an average value of evaluation values for specific content for each specific content usage frequency of each of a plurality of other users. It is preferable to calculate a predicted evaluation value for a specific content of one user using
  • the predicted evaluation value calculation step is based on the use frequency of the specific content of another user who has used the specific content and has evaluated the specific content and the evaluation value for the specific content. Deriving a function of an evaluation value for a specific content with respect to the usage frequency of the specific content, and calculating a predicted evaluation value for the specific content of the one user by using the usage frequency and the function of the specific content of the one user It is preferable to do.
  • collaborative filtering system and collaborative filtering method of the present invention it is possible to further expand the range of contents for which evaluation values can be predicted by collaborative filtering. Moreover, according to the collaborative filtering system and collaborative filtering method of the present invention, prediction by collaborative filtering can be performed with a smaller number of user evaluation values.
  • the collaborative filtering system includes an information processing center 10a that provides information to each of the vehicle navigation devices 40 mounted on a plurality of vehicles.
  • the information processing center 10a can be connected to the Internet 50 including a gourmet search site 51 that provides information about restaurants and facilities that are preferred by the user.
  • the information processing center 10a predicts each user's preference by collaborative filtering, and recommends content such as restaurants, hotels, and retail stores that the user has not visited to the user via the vehicle navigation device 40. It is a facility for.
  • the information processing center 10a includes a user evaluation value storage device 21a, a position information database 22, and an arithmetic processing device 30.
  • the user evaluation value storage device 21a is a database that stores and manages evaluation values for the contents of a plurality of users for each content.
  • storage device 21a is acquired by transmitting the information which the user input into the vehicle navigation apparatus 40 from the vehicle navigation apparatus 40 to the information processing center 10a.
  • each user's evaluation value stored in the user evaluation value storage device 21 a is acquired by collecting information about registered users from various sites on the Internet 50.
  • the location information database 22 is a database that stores and manages information related to contents such as restaurants, hotels, and retail stores that a user driving the vehicle may visit in association with the POI (Position Information Position Of Information) of the content. .
  • POI Position Information Position Of Information
  • the arithmetic processing device 30 is a device that predicts an evaluation value for an unvisited content of a target user by collaborative filtering based on information stored in the user evaluation value storage device 21a and the position information database 22.
  • the arithmetic processing device 30 includes a direct similarity calculation unit 31, an indirect similarity calculation unit 32, and a predicted evaluation value calculation unit 33.
  • the direct similarity calculation unit 31 is a part that calculates a similarity between two contents based on a user's evaluation value for each of the two contents using a Pearson product-moment correlation coefficient or the like.
  • the indirect similarity calculation unit 32 indirectly uses another content that can directly calculate the similarity with each content. This is a part for calculating the similarity between two contents.
  • the predicted evaluation value calculation unit 33 determines how the target user operates with respect to unvisited content. It is a part which predicts whether to give a proper evaluation value.
  • the user evaluation value storage device 21 a of the information processing center 10 a is based on information transmitted from the vehicle navigation device 40 to the information processing center 10 a and information from a website on the Internet 50.
  • An evaluation value for each of the contents is acquired (S11).
  • the user's evaluation value can be acquired by acquiring a log of a Web site that evaluates a restaurant or the like on the Internet 50.
  • the evaluation of the user is performed again.
  • a value is acquired (S11).
  • the direct calculation of the arithmetic processing device 30 is performed.
  • the unit 31 calculates the similarity between the contents based on the evaluation values of the respective users for the collected contents (S13).
  • the similarity between the two contents can be directly calculated by the Pearson product-moment correlation coefficient.
  • the evaluation values for the contents X and Y of the i-th user are rX (i) and rY (i), respectively.
  • the direct similarity calculation unit 31 calculates the similarity s (X, Y) of the contents X and Y from the following equation (3).
  • the similarity calculated by the direct similarity calculation unit 31 is stored in the storage area of the predicted evaluation value calculation unit 33 (S14).
  • the indirect similarity calculating unit 32 can determine the degree of similarity that can be indirectly calculated among the degrees of similarity that could not be calculated directly. Is calculated (S16). As shown in FIG. 3, for the content X and the content Z, since there is no evaluation value of the user who has evaluated both the content X and Z, it is impossible to directly calculate the similarity.
  • the indirect similarity calculation unit 32 indirectly calculates the similarity between the contents X and Z by using the evaluation value of the content Y.
  • the number of the contents Y is not limited to a single number, and by using a plurality of contents Y, the accuracy of calculating the similarity is improved.
  • the indirect similarity calculation unit 32 calculates the similarity s (X, Z) of the contents X and Z from the following equation (4).
  • the predicted evaluation value calculation unit 33 creates an existing value based on the similarity and the evaluation value calculated in steps S11 to S16.
  • the evaluation value for the content that the user has not evaluated is predicted by the collaborative filtering method (S17). For example, as illustrated in FIG. 5, it is possible to predict the evaluation value of the user A who has not evaluated the content Z.
  • the indirect similarity calculation unit 32 of the arithmetic processing unit 30 of the information processing center 10a has evaluation values of users who have evaluated both the contents X and Y, and The degree of similarity between the contents X and Z is calculated using the evaluation value of the content Y in which the evaluation value of the user who has evaluated both the contents Y and Z exists.
  • the indirect similarity calculation unit 32 indirectly calculates the similarity between the contents X and Z by using the content Y that can directly calculate the similarity with each of the contents X and Z. As a result, the similarity between the contents X and Z that cannot be directly calculated can be calculated.
  • the predicted evaluation value calculation unit 33 evaluates either the content X or Z using the similarity of the indirect similarity calculation unit 32 contents X and Z and the evaluation value for the contents X and Z.
  • the predicted evaluation value of the user who did not exist is calculated.
  • the predicted evaluation values of the contents X and Z that cannot be directly calculated can be calculated. Therefore, it is possible to further expand the range of content for which the evaluation value can be predicted by collaborative filtering. Furthermore, the range of contents that can be recommended is expanded.
  • the similarity between the contents X and Z is quantitatively determined based on the similarity between the contents X and Y expressed by the Pearson product moment correlation coefficient and the similarity between the contents Y and Z. It is possible to calculate.
  • the information processing center 10b of the present embodiment includes a user evaluation value storage device 21b. Similar to the first embodiment, the user evaluation value storage device 21b stores and manages the visit history (date and time, location) of the content for each user in addition to the evaluation value for the content for each user. Information related to the visit history is transmitted to the information processing center 10b from the vehicle navigation device 40 or the mobile terminal of each user.
  • the arithmetic processing device 30 of the information processing center 10b of this embodiment includes a non-input evaluation value prediction unit 34, a similarity calculation unit 35, and a predicted evaluation value calculation unit 36.
  • the uninput evaluation value prediction unit 34 is a part that predicts an evaluation value for content for which the user has not input an evaluation value and has a visit history.
  • the similarity calculation unit 35 is a part that directly or indirectly obtains the similarity between contents.
  • the prediction evaluation value calculation unit 36 is based on the similarity between the two contents calculated by the direct similarity calculation unit 31 and the indirect similarity calculation unit 32 as in the prediction evaluation value calculation unit 33 of the first embodiment. Thus, it is a part that predicts what evaluation value the target user will give to unvisited content.
  • the user evaluation value storage device 21b of the information processing center 10b collects the visit history and evaluation value of the target user's content in the same manner as in the first embodiment (S21).
  • the uninput evaluation value prediction unit 34 specifies the correlation of the evaluation value with respect to the content visit frequency for each category visit frequency (S25). If the visit frequency of the user A to the category “restaurant” to which the restaurant X belongs is twice a week, the uninput evaluation value predicting unit 34 uses the “restaurant” twice a week as shown in FIG. Statistics are taken on the usage frequency and evaluation value of the restaurant X of each of the other users. In this case, the uninput evaluation value prediction unit 34 performs statistical processing for each use frequency of the restaurant X, and specifies the correlation of the evaluation value with respect to the content visit frequency by taking the median value or the average value of the evaluation values. be able to. Further, the non-input evaluation value prediction unit 34 can specify the correlation between the evaluation value and the visit frequency of the content by obtaining an approximate expression of the function of the evaluation value with respect to the usage frequency of the restaurant X.
  • the evaluation value of the user who visits the category “restaurant” twice a week as the user A and visits the restaurant X the same as the user A once a month is “2.5”. It is. Therefore, the uninput evaluation value prediction unit 34 can predict the evaluation value for the restaurant X of the user A as 2.5.
  • the category visit frequency and the content visit frequency do not have to coincide completely, and can be considered equal if the difference is within a predetermined threshold range.
  • the uninput evaluation value prediction unit 34 substitutes the prediction evaluation value predicted in S26 in the storage area (S27).
  • the uninput evaluation value prediction unit 34 performs normal collaborative filtering processing based on the prediction evaluation value (S28).
  • step S22 when there is a user visit history and there is no content for which an evaluation value is not input, the uninput evaluation value prediction unit 34 is stored in the storage area in the user evaluation value storage device 21b. An evaluation value is substituted (S29).
  • the uninput evaluation value prediction unit 34 of the arithmetic processing unit 30 of the information processing center 10b has used the restaurant X of the user A, the restaurant X, and the restaurant X.
  • the usage frequency of the restaurant X of another user who has evaluated X and the evaluation value for the restaurant X are used. It is considered that the usage frequency of the restaurant X by each user correlates with the evaluation value for the restaurant X.
  • the uninput evaluation value prediction unit 34 has used the restaurant X of the user A, has used the restaurant X, and has evaluated the restaurant X, even without the evaluation value of the user A himself. It is possible to calculate a predicted evaluation value for user A's restaurant X using the user's usage frequency and evaluation value of restaurant X. Therefore, prediction by collaborative filtering can be performed with a smaller number of user evaluation values.
  • the uninput evaluation value prediction unit 34 uses the restaurant X of the user A and the restaurant X of another user whose use frequency of the restaurant X is a difference within a predetermined threshold from the use frequency of the restaurant of the user A.
  • the predicted evaluation value can be calculated with high accuracy by calculating the predicted evaluation value for the restaurant X of the user A using the usage frequency and the evaluation value for the restaurant X.
  • the uninput evaluation value predicting unit 34 uses the usage frequency of the user A's restaurant X and the usage frequency of the unspecified number of contents in the category “restaurant” to which the restaurant X belongs to the user A's unspecified number of contents.
  • the prediction evaluation value for the restaurant X of the user A is calculated, thereby further accurately predicting. An evaluation value can be calculated.
  • the uninput evaluation value prediction unit 34 calculates either the median value or the average value of the evaluation values for the restaurant X for each user X's restaurant X usage frequency and the usage frequency of the restaurant X of each of the other users. By using and calculating the prediction evaluation value for the user A's restaurant X, the prediction evaluation value can be calculated with higher accuracy.
  • the restaurant X with respect to the usage frequency of the restaurant X derived based on the usage frequency of the restaurant X of other users who have used the restaurant X and evaluated the restaurant X and the evaluation value for the restaurant X It can be estimated that the function of the evaluation value with respect to accurately represents the correlation between the usage frequency and the evaluation value. Furthermore, even if the obtained usage frequency and evaluation value are discrete values, interpolation can be performed by the function. Therefore, the uninput evaluation value prediction unit 34 uses the restaurant X based on the usage frequency of the restaurant X of other users who have used the restaurant X and evaluated the restaurant X and the evaluation value for the restaurant X.
  • a function of the evaluation value for the restaurant X with respect to the usage frequency of X is derived, and the predicted evaluation value for the restaurant X of the user A is calculated using the usage frequency and function of the specific content of the user A, thereby further improving the accuracy.
  • a predicted evaluation value can be calculated. Even if the usage frequency of other users is different from the usage frequency of user A, a predicted evaluation value can be calculated by interpolation using a function.
  • the present invention is not limited to the above-described embodiments, and various modifications can be made.
  • the aspect in which the content is a store, a facility, or the like related to the position and the recommendation is made to the user who has boarded the vehicle via the vehicle navigation device 40 has been mainly described.
  • an aspect of predicting an evaluation value for other content for which it is difficult to obtain an evaluation value is also included in the scope of the present invention and exhibits its effect.
  • the present invention can provide a collaborative filtering system and a collaborative filtering method that can further expand the range of contents for which evaluation values can be predicted by collaborative filtering. Moreover, this invention can provide the collaborative filtering system and the collaborative filtering method which can perform prediction by collaborative filtering with the evaluation value of a smaller number of users.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

　コンテンツＸ，Ｚの両方に対して評価を行ったユーザの評価値が存在しないときに、情報処理センター１０ａの演算処理部３０の間接類似度算出部３２は、コンテンツＸ，Ｙの両方に対して評価を行ったユーザの評価値が存在し、且つコンテンツＹ，Ｚの両方に対して評価を行ったユーザの評価値が存在するコンテンツＹの評価値を用いて、コンテンツＸ，Ｚの類似度を間接的に算出する。予測評価値算出部３３は、間接類似度算出部３２コンテンツＸ，Ｚの類似度と、コンテンツＸ，Ｚに対する評価値とを用いて、コンテンツＸ，Ｚのいずれかに対して評価を行わなかったユーザの予測評価値を算出する。これにより、直接的には算出不可能なコンテンツＸ，Ｚの予測評価値を算出することができる。よって、協調フィルタリングによる評価値の予測が可能なコンテンツの範囲を拡大することが可能となる。

Description

協調フィルタリングシステム及び協調フィルタリング方法
　本発明は協調フィルタリングシステム及び協調フィルタリング方法に関し、特に、複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリングシステム及び協調フィルタリング方法に関するものである。
　多くのユーザについてその嗜好に関する情報を蓄積しておき、あるユーザと嗜好の類似した他のユーザの情報を用いて、当該ユーザの嗜好を予測する協調フィルタリングの手法が提案されている。協調フィルタリングは、リコメンデーションやパーソナライゼーションに用いられている。例えば、特許文献１には、任意のアイテムに対して任意のユーザが現に投票したとき、アイテム－ユーザマトリクスの対応するセルに、このアイテムの評価値を代入するとともに、このアイテムと類似する他のアイテムのセルに対しても擬似的に評価値を代入する情報推薦方法が開示されている。特許文献１の情報推薦方法は、評価値が存在しないために推薦することができなかったアイテムも推薦可能とする。
特開２００５－２０２５４０号公報
　カーナビゲーションシステムが、ユーザの嗜好に配慮して店舗や施設等のコンテンツの推薦を上記のような協調フィルタリングを活用して行う場合がある。例えば、カーナビゲーションシステムが、ユーザが自動車により過去に訪れたレストランの履歴と、そのレストランを訪れた他のユーザのレストランの訪問の履歴とから、当該ユーザの嗜好に合いそうな当該ユーザがまだ訪問していないレストランを勧めるサービスを行なう場合がある。このような場合、カーナビゲーションシステムは、ユーザの行動範囲周辺のコンテンツしか推薦しない可能性がある。
　すなわち、カーナビゲーションシステムが推薦するコンテンツとしては、レストラン、ホテル及び小売店等が想定されるが、これらはいずれも場所に関連したコンテンツである。協調フィルタリングは、コンテンツ間の類似度を算出する場合、コンテンツ両方に評価をしているユーザが複数人必要である。ところが、場所に関連したコンテンツでは、コンテンツ同士が距離的に離れている場合、両方に評価しているユーザが少なくなるため、類似度の計算が困難となる。その結果、類似度が計算可能なコンテンツは距離が近いもの同士となるため、カーナビゲーションシステムが推薦することができるコンテンツも、ユーザの行動範囲周辺のもののみになる可能性がある。
　また、コンテンツに評価点をつけるユーザが少なく、協調フィルタが動作しない可能性もある。すなわち、コンテンツに対する評価値をつける方法としては、ユーザがＷｅｂサイトを介して評価点を書き込む方法か、ユーザがコンテンツである店舗や施設等の訪問後に評価点をカーナビゲーションシステムを介して入力する方法等が考えられる。しかし、いずれの方法も、ユーザの手間がかかるため、ユーザの評価値が集まり難いことが予想される。
　本発明は、このような事情を考慮してなされたものであり、その目的は、協調フィルタリングによる評価値の予測が可能なコンテンツの範囲をより拡大することが可能な協調フィルタリングシステム及び協調フィルタリング方法を提供することにある。また、本発明の目的は、より少ない個数のユーザの評価値によって協調フィルタリングによる予測を行うことが可能な協調フィルタリングシステム及び協調フィルタリング方法を提供することにある。
　本発明は、複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリングシステムであって、第１のコンテンツ及び第２のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在しないときに、第１のコンテンツ及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在し、且つ第２のコンテンツ及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在する第３のコンテンツの評価値を用いて、第１のコンテンツ及び第２のコンテンツの類似度を算出する類似度算出ユニットと、類似度算出ユニットが算出した第１のコンテンツ及び第２のコンテンツの類似度と、第１のコンテンツ及び第２のコンテンツに対する評価値とを用いて、第１のコンテンツ及び第２のコンテンツのいずれかに対して評価を行わなかったユーザの予測評価値を算出する予測評価値算出ユニットと、を備えた協調フィルタリングシステムである。
　第１及び第２のコンテンツの両方に対して評価を行ったユーザの評価値が存在しないときに、すなわち、第１及び第２のコンテンツの間の距離が大きい等のため、直接に第１のコンテンツと第２のコンテンツとの類似度を直接に算出できないときがある。このとき、類似度算出ユニットは、第１及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在し、且つ第２及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在する第３のコンテンツの評価値を用いて、第１及び第２のコンテンツの類似度を算出する。すなわち、類似度算出ユニットは、第１及び第２のコンテンツそれぞれと直接的に類似度を算出可能な第３のコンテンツを用いて、第１及び第２のコンテンツの類似度を間接的に算出する。これにより、直接的には算出不可能な第１及び第２のコンテンツの類似度を算出することができる。
　また、予測評価値算出ユニットは、類似度算出ユニットが算出した第１のコンテンツ及び第２のコンテンツの類似度と、第１のコンテンツ及び第２のコンテンツに対する評価値とを用いて、第１のコンテンツ及び第２のコンテンツのいずれかに対して評価を行わなかったユーザの予測評価値を算出する。これにより、直接的には算出不可能な第１及び第２のコンテンツの予測評価値を算出することができる。したがって、協調フィルタリングによる評価値の予測が可能なコンテンツの範囲をより拡大することが可能となる。
　この場合、類似度算出ユニットは、第３のコンテンツの個数がＮ個であり、１≦ｉ≦Ｎであるｉ番目の第３のコンテンツについて、ピアソンの積率相関係数である第１のコンテンツ及び第３のコンテンツの類似度がｓ（Ｃ１，Ｃ３ｉ）で表され、ピアソンの積率相関係数である第２のコンテンツ及び第３のコンテンツの類似度がｓ（Ｃ２，Ｃ３ｉ）で表されるときに、下式（１）により第１のコンテンツ及び第２のコンテンツの類似度であるｓ（Ｃ１，Ｃ２）を算出することが好適である。
Figure JPOXMLDOC01-appb-M000003
　この構成によれば、ピアソンの積率相関係数で表された第１及び第３のコンテンツの類似度と、第２及び第３のコンテンツの類似度とに基づいて、定量的に第１及び第２のコンテンツの類似度を算出することが可能となる。
　また、本発明は、複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリングシステムであって、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行わなかった一のユーザについて、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出する予測評価値算出ユニットを備えた協調フィルタリングシステムである。
　あるいは、上記協調フィルタリングシステムにおいて、予測評価値算出ユニットは、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行わなかった一のユーザについて、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。
　特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行わなかった一のユーザがいる場合がある。この場合、予測評価値算出ユニットは、当該一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いる。ユーザそれぞれによるコンテンツの利用頻度と当該コンテンツに対する評価値とは相関するものと考えられる。そのため、予測評価値算出ユニットは、当該一のユーザ自身の評価値がなくとも、当該一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが可能となる。したがって、より少ない個数のユーザの評価値によって協調フィルタリングによる予測を行うことが可能となる。
　この場合、予測評価値算出ユニットは、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツの利用頻度が一のユーザの特定のコンテンツの利用頻度から所定の閾値以内の差異である他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。
　コンテンツの利用頻度が所定の閾値以内の差異である場合は、評価値も近いと推定することができる。このため、予測評価値算出ユニットは、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツの利用頻度が一のユーザの特定のコンテンツの利用頻度から所定の閾値以内の差異である他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することにより、精度良く予測評価値を算出することができる。
　また、予測評価値算出ユニットは、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツが属するカテゴリー内の不特定多数のコンテンツの利用頻度が一のユーザの不特定多数のコンテンツの利用頻度から所定の閾値内の差異である他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。
　特定のコンテンツが属するカテゴリー内の不特定多数のコンテンツの利用頻度が所定の閾値内の差異である場合は、特定のコンテンツに対する評価値も近いと推定することができる。そのため、予測評価値算出ユニットは、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツが属するカテゴリー内の不特定多数のコンテンツの利用頻度が一のユーザの不特定多数のコンテンツの利用頻度から所定の閾値内の差異である他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することにより、さらに精度良く予測評価値を算出することができる。
　また、予測評価値算出ユニットは、一のユーザの特定のコンテンツの利用頻度と、複数の他のユーザそれぞれの特定のコンテンツの利用頻度ごとの特定のコンテンツに対する評価値の中央値及び平均値のいずれかを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。
　複数の他のユーザそれぞれの特定のコンテンツの利用頻度ごとの特定のコンテンツに対する評価値の中央値又は平均値は、利用頻度と評価値との相関を精度良く表していると推定できる。そのため、予測評価値算出ユニットは、一のユーザの特定のコンテンツの利用頻度と、複数の他のユーザそれぞれの特定のコンテンツの利用頻度ごとの特定のコンテンツに対する評価値の中央値及び平均値のいずれかを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することにより、さらに精度良く予測評価値を算出することができる。
　また、予測評価値算出ユニットは、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とに基づいて、特定のコンテンツの利用頻度に対する特定のコンテンツに対する評価値の関数を導出し、一のユーザの特定のコンテンツの利用頻度と関数とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。
　特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とに基づいて導出された特定のコンテンツの利用頻度に対する特定のコンテンツに対する評価値の関数は、利用頻度と評価値との相関を精度良く表していると推定できる。さらに、得られた利用頻度と評価値とが離散的な値であっても、当該関数により補間を行うことができる。そのため、予測評価値算出ユニットは、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とに基づいて、特定のコンテンツの利用頻度に対する特定のコンテンツに対する評価値の関数を導出し、一のユーザの特定のコンテンツの利用頻度と関数とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することにより、さらに精度良く予測評価値を算出することができる。また、他のユーザの利用頻度と、一のユーザの利用頻度とが離れた値であっても、関数による補間により、予測評価値を算出することができる。
　一方、本発明は、複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリング方法であって、第１のコンテンツ及び第２のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在しないときに、第１のコンテンツ及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在し、且つ第２のコンテンツ及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在する第３のコンテンツの評価値を用いて、第１のコンテンツ及び第２のコンテンツの類似度を算出する類似度算出工程と、類似度算出工程で算出した第１のコンテンツ及び第２のコンテンツの類似度と、第１のコンテンツ及び第２のコンテンツに対する評価値とを用いて、第１のコンテンツ及び第２のコンテンツのいずれかに対して評価を行わなかったユーザの予測評価値を算出する予測評価値算出工程とを含む協調フィルタリング方法である。
　この場合、類似度算出工程は、第３のコンテンツの個数がＮ個であり、１≦ｉ≦Ｎであるｉ番目の第３のコンテンツについて、ピアソンの積率相関係数である第１のコンテンツ及び第３のコンテンツの類似度がｓ（Ｃ１，Ｃ３ｉ）で表され、ピアソンの積率相関係数である第２のコンテンツ及び第３のコンテンツの類似度がｓ（Ｃ２，Ｃ３ｉ）で表されるときに、下式（２）により第１のコンテンツ及び第２のコンテンツの類似度であるｓ（Ｃ１，Ｃ２）を算出することが好適である。
Figure JPOXMLDOC01-appb-M000004
　また、本発明は、複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリング方法であって、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行わなかった一のユーザについて、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出する予測評価値算出工程を含む協調フィルタリング方法である。
　あるいは、上記協調フィルタリング方法において、予測評価値算出工程は、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行わなかった一のユーザについて、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。
　この場合、予測評価値算出工程は、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツの利用頻度が一のユーザの特定のコンテンツの利用頻度から所定の閾値以内の差異である他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。
　また、予測評価値算出工程は、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツが属するカテゴリー内の不特定多数のコンテンツの利用頻度が一のユーザの不特定多数のコンテンツの利用頻度から所定の閾値内の差異である他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。
　また、予測評価値算出工程は、一のユーザの特定のコンテンツの利用頻度と、複数の他のユーザそれぞれの特定のコンテンツの利用頻度ごとの特定のコンテンツに対する評価値の中央値及び平均値のいずれかを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。
　また、予測評価値算出工程は、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とに基づいて、特定のコンテンツの利用頻度に対する特定のコンテンツに対する評価値の関数を導出し、一のユーザの特定のコンテンツの利用頻度と関数とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。
　本発明の協調フィルタリングシステム及び協調フィルタリング方法によれば、協調フィルタリングによる評価値の予測が可能なコンテンツの範囲をより拡大することが可能となる。また、本発明の協調フィルタリングシステム及び協調フィルタリング方法によれば、より少ない個数のユーザの評価値によって協調フィルタリングによる予測を行うことが可能となる。
第１実施形態に係る協調フィルタリングシステムの構成を示すブロック図である。 第１実施形態に係る協調フィルタリングシステムの動作を示すフローチャートである。 直接的に類似度を算出不可能なコンテンツ同士を示す図である。 間接的に類似度を算出する手法を示す図である。 間接的に算出されたコンテンツの評価を示す図である。 第２実施形態に係る協調フィルタリングシステムの構成を示すブロック図である。 第２実施形態に係る協調フィルタリングシステムの動作を示すフローチャートである。 該当カテゴリーの訪問頻度が対象ユーザと等しく且つ該当コンテンツの訪問頻度が対象ユーザと等しいユーザの評価値を参照して対象ユーザの評価値を予測する手法を示す図である。
　以下、図面を参照して本発明の実施形態に係る協調フィルタリングシステムを説明する。
　図１に示すように、本発明の第１実施形態の協調フィルタリングシステムは、複数の車両に搭載された車両用ナビゲーション装置４０それぞれに情報を提供する情報処理センター１０ａから構成される。情報処理センター１０ａは、ユーザが好む飲食関係の店舗や施設に関する情報を提供するグルメ検索サイト５１を含むインターネット５０に接続可能である。情報処理センター１０ａは、協調フィルタリングによりユーザそれぞれの嗜好を予測して、車両用ナビゲーション装置４０を介してユーザに対し、当該ユーザが未訪問のレストラン、ホテル及び小売店等のコンテンツのリコメンデーションを行うための施設である。
　情報処理センター１０ａは、ユーザ評価値記憶装置２１ａ、位置情報データベース２２及び演算処理装置３０を備えている。ユーザ評価値記憶装置２１ａは、複数のユーザそれぞれのコンテンツに対する評価値をコンテンツごとに記憶及び管理したデータベースである。ユーザ評価値記憶装置２１ａに記憶されたユーザそれぞれの評価値は、車両用ナビゲーション装置４０にユーザが入力した情報を車両用ナビゲーション装置４０から情報処理センター１０ａに送信することにより取得される。また、ユーザ評価値記憶装置２１ａに記憶されたユーザそれぞれの評価値は、インターネット５０上の種々のサイトから、登録されたユーザに関する情報を収集することにより取得される。
　位置情報データベース２２は、車両を運転するユーザが訪問する可能性があるレストラン、ホテル及び小売店等のコンテンツに関する情報をコンテンツのＰＯＩ（位置情報Position　Of　Information）と関連付けて記憶及び管理したデータベースである。
　演算処理装置３０は、ユーザ評価値記憶装置２１ａ及び位置情報データベース２２に記憶された情報に基づいて、協調フィルタリングにより、対象となるユーザの未訪問のコンテンツに対する評価値を予測する装置である。演算処理装置３０は、直接類似度算出部３１、間接類似度算出部３２及び予測評価値算出部３３を有している。
　直接類似度算出部３１は、ピアソン（pearson）の積率相関係数等を用いて、２つのコンテンツそれぞれに対するユーザの評価値に基づき、２つのコンテンツの間の類似度を算出する部位である。間接類似度算出部３２は、２つのコンテンツの間の類似度を直接に算出することができない場合に、それぞれのコンテンツとの類似度を直接に算出することが可能な他のコンテンツを用いて間接的に２つのコンテンツの間の類似度を算出する部位である。予測評価値算出部３３は、直接類似度算出部３１及び間接類似度算出部３２が算出した２つのコンテンツの間の類似度に基づいて、対象となるユーザが未訪問のコンテンツに対してどのような評価値をつけるかを予測する部位である。
　以下、本実施形態の協調フィルタリングシステムの動作について説明する。図２に示すように、情報処理センター１０ａのユーザ評価値記憶装置２１ａは、車両用ナビゲーション装置４０から情報処理センター１０ａに送信された情報や、インターネット５０上のＷｅｂサイトからの情報から、各ユーザのコンテンツそれぞれに対する評価値を取得する（Ｓ１１）。Ｗｅｂサイト上からユーザの評価値を取得するには、例えば、インターネット５０上のレストラン等を評価するＷｅｂサイトのログを取得することにより、ユーザの評価値を取得することができる。
　ここで、ユーザ評価値記憶装置２１ａの記憶領域において、評価値が付いているコンテンツ数が協調フィルタリングを行うのに必要な閾値以下のユーザがいる場合には（Ｓ１２）、再度、当該ユーザの評価値を取得する（Ｓ１１）。ユーザ評価値記憶装置２１ａの記憶領域において、評価値が付いているコンテンツ数が協調フィルタリングを行うのに必要な閾値以下のユーザがいない場合には（Ｓ１２）、演算処理装置３０の直接類似度算出部３１は、収集したコンテンツに対するユーザそれぞれの評価値を基にコンテンツ間の類似度を算出する（Ｓ１３）。
　２つのコンテンツの両方に対して評価値を付けているユーザがいる場合には、２つのコンテンツの類似度をピアソンの積率相関係数により直接に算出可能である。この場合、２つのコンテンツＸ及びコンテンツＹの両方に対して評価値を付けているユーザがｎ人いるとする。ｉ番目のユーザのコンテンツＸ，Ｙに対する評価値をそれぞれｒＸ（ｉ），ｒＹ（ｉ）とする。この場合、直接類似度算出部３１は下式（３）より、コンテンツＸ，Ｙの類似度ｓ（Ｘ，Ｙ）を算出する。
Figure JPOXMLDOC01-appb-M000005
　直接類似度算出部３１が算出した類似度は予測評価値算出部３３の記憶領域に保存される（Ｓ１４）。類似度が計算できた割合が所定の閾値以下である場合には（Ｓ１５）、間接類似度算出部３２は、直接に計算できなかった類似度の内、間接的に求めることが可能な類似度を算出する（Ｓ１６）。図３に示すように、コンテンツＸ及びコンテンツＺについては、コンテンツＸ，Ｚの両方に対して評価を行ったユーザの評価値が存在しないため、類似度を直接算出することが不可能である。
　図４に示すコンテンツＹのように、コンテンツＸ，Ｙの両方に対して評価を行ったユーザの評価値が存在し、且つコンテンツＹ，Ｚの両方に対して評価を行ったユーザの評価値が存在するコンテンツがあるときは、コンテンツＸ，Ｙの間の類似度及びコンテンツＹ，Ｚの間の類似度はそれぞれ算出可能である。そこで、間接類似度算出部３２は、コンテンツＹの評価値を利用して、間接的にコンテンツＸ，Ｚの間の類似度を算出する。ここで、コンテンツＹの個数は単数に限定されず、複数のコンテンツＹを利用することにより、類似度の算出の精度は向上する。
　上式（３）によって求められたコンテンツＸ，Ｙの間の類似度をｓ（Ｘ，Ｙ）、コンテンツＹ，Ｚの間の類似度をｓ（Ｙ，Ｚ）とする。コンテンツＸ，Ｙの両方に対して評価を行ったユーザの評価値が存在し、且つコンテンツＹ，Ｚの両方に対して評価を行ったユーザの評価値が存在するコンテンツＹの個数がＮ個であるときは、間接類似度算出部３２は下式（４）より、コンテンツＸ，Ｚの類似度ｓ（Ｘ，Ｚ）を算出する。
Figure JPOXMLDOC01-appb-M000006
　類似度が計算できた割合が所定の閾値を超えた場合には（Ｓ１５）、予測評価値算出部３３は、上記の工程Ｓ１１～Ｓ１６により算出された類似度と評価値とに基づいて、既存の協調フィルタリングの手法によりユーザが評価を行っていないコンテンツに対する評価値を予測する（Ｓ１７）。例えば、図５に示すように、コンテンツＺに対して評価を行っていないユーザＡの評価値を予測することが可能となる。
　上記のように、コンテンツＸ，Ｚの両方に対して評価を行ったユーザの評価値が存在しないときに、すなわち、コンテンツＸ，Ｚ間の距離が大きい等のため、直接にコンテンツＸ，Ｚの類似度を直接に算出できないときがある。本実施形態では、このような場合、情報処理センター１０ａの演算処理部３０の間接類似度算出部３２は、コンテンツＸ，Ｙの両方に対して評価を行ったユーザの評価値が存在し、且つコンテンツＹ，Ｚの両方に対して評価を行ったユーザの評価値が存在するコンテンツＹの評価値を用いて、コンテンツＸ，Ｚの類似度を算出する。すなわち、間接類似度算出部３２は、コンテンツＸ，Ｚそれぞれと直接的に類似度を算出可能なコンテンツＹを用いて、コンテンツＸ，Ｚの類似度を間接的に算出する。これにより、直接的には算出不可能なコンテンツＸ，Ｚの類似度を算出することができる。
　また、予測評価値算出部３３は、間接類似度算出部３２コンテンツＸ，Ｚの類似度と、コンテンツＸ，Ｚに対する評価値とを用いて、コンテンツＸ，Ｚのいずれかに対して評価を行わなかったユーザの予測評価値を算出する。これにより、直接的には算出不可能なコンテンツＸ，Ｚの予測評価値を算出することができる。したがって、協調フィルタリングによる評価値の予測が可能なコンテンツの範囲をより拡大することが可能となる。さらに、リコメンデーションが可能なコンテンツの範囲が拡大する。
　また、本実施形態では、ピアソンの積率相関係数で表されたコンテンツＸ，Ｙの類似度と、コンテンツＹ，Ｚの類似度とに基づいて、定量的にコンテンツＸ，Ｚの類似度を算出することが可能となる。
　以下、本発明の第２実施形態について説明する。図６に示すように、本実施形態の情報処理センター１０ｂは、ユーザ評価値記憶装置２１ｂを備えている。ユーザ評価値記憶装置２１ｂには、上記第１実施形態と同様にユーザごとのコンテンツに対する評価値の他、ユーザごとのコンテンツへの訪問履歴（日時、場所）が記憶及び管理されている。訪問履歴に関する情報は、各ユーザの車両用ナビゲーション装置４０あるいは携帯端末等から情報処理センター１０ｂに送信される。
　本実施形態の情報処理センター１０ｂの演算処理装置３０は、未入力評価値予測部３４、類似度算出部３５及び予測評価値算出部３６を備えている。未入力評価値予測部３４は、ユーザが評価値を未入力であって訪問履歴があるコンテンツに対する評価値の予測を行う部位である。類似度算出部３５は、上記第１実施形態の直接類似度算出部３１及び間接類似度算出部３２と同様に、直接または間接にコンテンツ間の類似度を求める部位である。予測評価値算出部３６は、上記第１実施形態の予測評価値算出部３３と同様に、直接類似度算出部３１及び間接類似度算出部３２が算出した２つのコンテンツの間の類似度に基づいて、対象となるユーザが未訪問のコンテンツに対してどのような評価値をつけるかを予測する部位である。
　以下、本実施形態の協調フィルタリングシステムの動作について説明する。情報処理センター１０ｂのユーザ評価値記憶装置２１ｂは、上記第１実施形態と同様にして対象となるユーザのコンテンツへの訪問履歴と評価値とを収集する（Ｓ２１）。
　ユーザの訪問履歴があり、且つ評価値が未入力のコンテンツがある場合は（Ｓ２２）、演算処理装置３０の未入力評価値予測部３４は、当該コンテンツが含まれるカテゴリーの訪問頻度を、ユーザ評価値記憶装置２１ｂに記憶された情報を参照しつつ、ｃａｔ＝“Ｃ”として算出する（Ｓ２３）。例えば、ユーザＡが訪問したことはあるが、評価値が未入力のコンテンツがレストランＸであるとすると、レストランＸの属するカテゴリーは、「外食施設」、「遊戯施設」及び「購買施設」等が該当カテゴリーとなる。未入力評価値予測部３４は、例えば、「外食施設」等に対するユーザＡの訪問頻度を算出する。
　また、未入力評価値予測部３４は、当該コンテンツの訪問頻度を、ユーザ評価値記憶装置２１ｂに記憶された情報を参照しつつ、ｒｅｐ＝“Ｒ”として算出する（Ｓ２４）。例えば、ユーザＡが訪問したことはあるが、評価値が未入力のコンテンツがレストランＸの場合は、ユーザＡのレストランに対する訪問頻度が算出される。
　未入力評価値予測部３４は、カテゴリーの訪問頻度別にコンテンツの訪問頻度に対する評価値の相関を特定する（Ｓ２５）。レストランＸが属するカテゴリー「外食施設」へのユーザＡの訪問頻度が週２回であるとすると、未入力評価値予測部３４は、図８に示すように、週２回「外食施設」を利用している他のユーザそれぞれのレストランＸの利用頻度と評価値とについて統計を取る。この場合、未入力評価値予測部３４は、レストランＸの利用頻度ごとに統計処理を行い、評価値の中央値あるいは平均値等をとることにより、コンテンツの訪問頻度に対する評価値の相関を特定することができる。また、未入力評価値予測部３４は、レストランＸの利用頻度に対する評価値の関数の近似式を求めることにより、コンテンツの訪問頻度に対する評価値の相関を特定することができる。
　なお、本実施形態では、カテゴリーやコンテンツの訪問頻度に対する評価値の相関を特定する例を説明したが、他にも、カテゴリーやコンテンツを訪問した季節や時間帯の共通性等の多くの情報に対する評価値の相関を特定することで、評価値の予測精度は向上する。例えば、カテゴリーやコンテンツがユーザの車両用ナビゲーション装置４０や携帯端末のブックマークに入っているか否かや、Ｗｅｂサイト上の閲覧状況に対する評価値の相関等を求めても良い。
　未入力評価値予測部３４は、工程Ｓ２５で特定したカテゴリーやコンテンツの訪問頻度に対する評価値の相関を利用して、カテゴリーの訪問頻度が対象ユーザと等しく（ｃａｔ＝“Ｃ”）、且つコンテンツの訪問頻度が対象ユーザと等しい（ｒｅｐ＝“Ｒ”）ユーザの評価値を参照する（Ｓ２６）。例えば、カテゴリー「外食施設」への訪問頻度がユーザＡと同じ週２回であり、レストランＸへの訪問頻度がユーザＡと同じ一ヶ月に１回のユーザの評価値は、“２．５”である。そこで、未入力評価値予測部３４は、ユーザＡのレストランＸに対する評価値を２．５と予測することができる。なお、カテゴリーの訪問頻度やコンテンツの訪問頻度は、完全に一致する必要は無く、その差異が所定の閾値の範囲内であれば、等しいとみなすことができる。
　未入力評価値予測部３４は、記憶領域にＳ２６で予測した予測評価値を代入する（Ｓ２７）。未入力評価値予測部３４は、予測評価値に基づき、通常の協調フィルタリング処理を行う（Ｓ２８）。なお、工程Ｓ２２で、ユーザの訪問履歴があり、且つ評価値が未入力のコンテンツが無い場合は、未入力評価値予測部３４は、記憶領域に、ユーザ評価値記憶装置２１ｂに記憶されている評価値を代入する（Ｓ２９）。
　上記のようにレストランＸを利用したことがあり且つレストランＸに対して評価を行わなかったユーザＡがいる場合がある。本実施形態では、このような場合、情報処理センター１０ｂの演算処理部３０の未入力評価値予測部３４は、当該ユーザＡのレストランＸの利用頻度と、レストランＸを利用したことがあり且つレストランＸに対して評価を行った他のユーザのレストランＸの利用頻度とレストランＸに対する評価値とを用いる。ユーザそれぞれによるレストランＸの利用頻度と当該レストランＸに対する評価値とは相関するものと考えられる。そのため、未入力評価値予測部３４は、ユーザＡ自身の評価値がなくとも、ユーザＡのレストランＸの利用頻度と、レストランＸを利用したことがあり且つレストランＸに対して評価を行った他のユーザのレストランＸの利用頻度と評価値とを用いて、ユーザＡのレストランＸに対する予測評価値を算出することが可能となる。したがって、より少ない個数のユーザの評価値によって協調フィルタリングによる予測を行うことが可能となる。
　特に、レストランＸの利用頻度が所定の閾値以内の差異である場合は、評価値も近いと推定することができる。このため、未入力評価値予測部３４は、ユーザＡのレストランＸの利用頻度と、レストランＸの利用頻度がユーザＡのレストランの利用頻度から所定の閾値以内の差異である他のユーザのレストランＸの利用頻度とレストランＸに対する評価値とを用いて、ユーザＡのレストランＸに対する予測評価値を算出することにより、精度良く予測評価値を算出することができる。
　レストランＸが属するカテゴリー「外食施設」内の不特定多数のコンテンツの利用頻度が所定の閾値内の差異である場合は、レストランＸに対する評価値も近いと推定することができる。そのため、未入力評価値予測部３４は、ユーザＡのレストランＸの利用頻度と、レストランＸが属するカテゴリー「外食施設」内の不特定多数のコンテンツの利用頻度がユーザＡの不特定多数のコンテンツの利用頻度から所定の閾値内の差異である他のユーザのレストランＸの利用頻度とレストランＸに対する評価値とを用いて、ユーザＡのレストランＸに対する予測評価値を算出することにより、さらに精度良く予測評価値を算出することができる。
　複数の他のユーザそれぞれのレストランＸの利用頻度ごとのレストランＸに対する評価値の中央値又は平均値は、利用頻度と評価値との相関を精度良く表していると推定できる。そのため、未入力評価値予測部３４は、ユーザＡのレストランＸの利用頻度と、複数の他のユーザそれぞれのレストランＸの利用頻度ごとのレストランＸに対する評価値の中央値及び平均値のいずれかを用いて、ユーザＡのレストランＸに対する予測評価値を算出することにより、さらに精度良く予測評価値を算出することができる。
　また、レストランＸを利用したことがあり且つレストランＸに対して評価を行った他のユーザのレストランＸの利用頻度とレストランＸに対する評価値とに基づいて導出されたレストランＸの利用頻度に対するレストランＸに対する評価値の関数は、利用頻度と評価値との相関を精度良く表していると推定できる。さらに、得られた利用頻度と評価値とが離散的な値であっても、当該関数により補間を行うことができる。そのため、未入力評価値予測部３４は、レストランＸを利用したことがあり且つレストランＸに対して評価を行った他のユーザのレストランＸの利用頻度とレストランＸに対する評価値とに基づいて、レストランＸの利用頻度に対するレストランＸに対する評価値の関数を導出し、ユーザＡの特定のコンテンツの利用頻度と関数とを用いて、ユーザＡのレストランＸに対する予測評価値を算出することにより、さらに精度良く予測評価値を算出することができる。また、他のユーザの利用頻度と、ユーザＡの利用頻度とが離れた値であっても、関数による補間により、予測評価値を算出することができる。
　以上、本発明の実施の形態について説明したが、本発明は、上記実施形態に限定されるものではなく種々の変形が可能である。例えば、上記実施形態では、コンテンツが位置に関連した店舗、施設等であり、車両用ナビゲーション装置４０を介して車両に搭乗したユーザにリコメンデーションを行う態様について中心に説明した。しかし、その他の評価値を得ることが困難なコンテンツについての評価値を予測する態様も本発明の範囲に含まれ、その効果を発揮するものである。
　本発明は、協調フィルタリングによる評価値の予測が可能なコンテンツの範囲をより拡大することが可能な協調フィルタリングシステム及び協調フィルタリング方法を提供することができる。また、本発明は、より少ない個数のユーザの評価値によって協調フィルタリングによる予測を行うことが可能な協調フィルタリングシステム及び協調フィルタリング方法を提供することができる。
１０ａ，１０ｂ　情報処理センター
２１ａ，２１ｂ　ユーザ評価値記憶装置
２２　位置情報データベース
３０　演算処理装置
３１　直接類似度算出部
３２　間接類似度算出部
３３　予測評価値算出部
３４　未入力評価値予測部
３５　類似度算出部
３６　予測評価値算出部
４０　車両用ナビゲーション装置
５０　インターネット
５１　グルメ検索サイト

Claims (16)

  1. 　複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリングシステムであって、
    　第１のコンテンツ及び第２のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在しないときに、前記第１のコンテンツ及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在し、且つ前記第２のコンテンツ及び前記第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在する前記第３のコンテンツの評価値を用いて、前記第１のコンテンツ及び前記第２のコンテンツの類似度を算出する類似度算出ユニットと、
    　前記類似度算出ユニットが算出した前記第１のコンテンツ及び前記第２のコンテンツの類似度と、前記第１のコンテンツ及び前記第２のコンテンツに対する評価値とを用いて、前記第１のコンテンツ及び前記第２のコンテンツのいずれかに対して評価を行わなかったユーザの予測評価値を算出する予測評価値算出ユニットと、を備えた協調フィルタリングシステム。
  2. 　前記類似度算出ユニットは、前記第３のコンテンツの個数がＮ個であり、１≦ｉ≦Ｎであるｉ番目の前記第３のコンテンツについて、ピアソンの積率相関係数である前記第１のコンテンツ及び前記第３のコンテンツの類似度がｓ（Ｃ１，Ｃ３ｉ）で表され、ピアソンの積率相関係数である前記第２のコンテンツ及び前記第３のコンテンツの類似度がｓ（Ｃ２，Ｃ３ｉ）で表されるときに、下式（１）により前記第１のコンテンツ及び前記第２のコンテンツの類似度であるｓ（Ｃ１，Ｃ２）を算出する、請求項１に記載の協調フィルタリングシステム。
    Figure JPOXMLDOC01-appb-M000001
  3. 　複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリングシステムであって、
    　特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行わなかった一のユーザについて、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行った他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する予測評価値算出ユニットを備えた協調フィルタリングシステム。
  4. 　前記予測評価値算出ユニットは、特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行わなかった一のユーザについて、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行った他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項１又は２に記載の協調フィルタリングシステム。
  5. 　前記予測評価値算出ユニットは、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツの利用頻度が前記一のユーザの前記特定のコンテンツの利用頻度から所定の閾値以内の差異である他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項３又は４に記載の協調フィルタリングシステム。
  6. 　前記予測評価値算出ユニットは、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツが属するカテゴリー内の不特定多数のコンテンツの利用頻度が前記一のユーザの前記不特定多数のコンテンツの利用頻度から所定の閾値内の差異である他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項３～５のいずれか１項に記載の協調フィルタリングシステム。
  7. 　前記予測評価値算出ユニットは、前記一のユーザの前記特定のコンテンツの利用頻度と、複数の前記他のユーザそれぞれの前記特定のコンテンツの利用頻度ごとの前記特定のコンテンツに対する評価値の中央値及び平均値のいずれかを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項３～６のいずれか１項に記載の協調フィルタリングシステム。
  8. 　前記予測評価値算出ユニットは、特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行った他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とに基づいて、前記特定のコンテンツの利用頻度に対する前記特定のコンテンツに対する評価値の関数を導出し、前記一のユーザの前記特定のコンテンツの利用頻度と前記関数とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項３～７のいずれか１項に記載の協調フィルタリングシステム。
  9. 　複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリング方法であって、
    　第１のコンテンツ及び第２のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在しないときに、前記第１のコンテンツ及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在し、且つ前記第２のコンテンツ及び前記第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在する前記第３のコンテンツの評価値を用いて、前記第１のコンテンツ及び前記第２のコンテンツの類似度を算出する類似度算出工程と、
    　前記類似度算出工程で算出した前記第１のコンテンツ及び前記第２のコンテンツの類似度と、前記第１のコンテンツ及び前記第２のコンテンツに対する評価値とを用いて、前記第１のコンテンツ及び前記第２のコンテンツのいずれかに対して評価を行わなかったユーザの予測評価値を算出する予測評価値算出工程と、を含む協調フィルタリング方法。
  10. 　前記類似度算出工程は、前記第３のコンテンツの個数がＮ個であり、１≦ｉ≦Ｎであるｉ番目の前記第３のコンテンツについて、ピアソンの積率相関係数である前記第１のコンテンツ及び前記第３のコンテンツの類似度がｓ（Ｃ１，Ｃ３ｉ）で表され、ピアソンの積率相関係数である前記第２のコンテンツ及び前記第３のコンテンツの類似度がｓ（Ｃ２，Ｃ３ｉ）で表されるときに、下式（２）により前記第１のコンテンツ及び前記第２のコンテンツの類似度であるｓ（Ｃ１，Ｃ２）を算出する、請求項９に記載の協調フィルタリング方法。
    Figure JPOXMLDOC01-appb-M000002
  11. 　複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリング方法であって、
    　特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行わなかった一のユーザについて、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行った他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する予測評価値算出工程を含む協調フィルタリング方法。
  12. 　前記予測評価値算出工程は、特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行わなかった一のユーザについて、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行った他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項９又は１０に記載の協調フィルタリング方法。
  13. 　前記予測評価値算出工程は、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツの利用頻度が前記一のユーザの前記特定のコンテンツの利用頻度から所定の閾値以内の差異である他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項１１又は１２に記載の協調フィルタリング方法。
  14. 　前記予測評価値算出工程は、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツが属するカテゴリー内の不特定多数のコンテンツの利用頻度が前記一のユーザの前記不特定多数のコンテンツの利用頻度から所定の閾値内の差異である他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項１１～１３のいずれか１項に記載の協調フィルタリング方法。
  15. 　前記予測評価値算出工程は、前記一のユーザの前記特定のコンテンツの利用頻度と、複数の前記他のユーザそれぞれの前記特定のコンテンツの利用頻度ごとの前記特定のコンテンツに対する評価値の中央値及び平均値のいずれかを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項１１～１４のいずれか１項に記載の協調フィルタリング方法。
  16. 　前記予測評価値算出工程は、特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行った他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とに基づいて、前記特定のコンテンツの利用頻度に対する前記特定のコンテンツに対する評価値の関数を導出し、前記一のユーザの前記特定のコンテンツの利用頻度と前記関数とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項１１～１５のいずれか１項に記載の協調フィルタリング方法。
PCT/JP2009/071141 2009-12-18 2009-12-18 協調フィルタリングシステム及び協調フィルタリング方法 WO2011074113A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2011545913A JP5403069B2 (ja) 2009-12-18 2009-12-18 協調フィルタリングシステム及び協調フィルタリング方法
US13/512,368 US9087123B2 (en) 2009-12-18 2009-12-18 Collaborative filtering using evaluation values of contents from users
CN200980162673.4A CN102640141B (zh) 2009-12-18 2009-12-18 协同过滤系统以及协同过滤方法
PCT/JP2009/071141 WO2011074113A1 (ja) 2009-12-18 2009-12-18 協調フィルタリングシステム及び協調フィルタリング方法
EP09852305.3A EP2515244A4 (en) 2009-12-18 2009-12-18 COLLABORATIVE FILTRATION SYSTEM AND COLLABORATIVE FILTERING PROCESS

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2009/071141 WO2011074113A1 (ja) 2009-12-18 2009-12-18 協調フィルタリングシステム及び協調フィルタリング方法

Publications (1)

Publication Number Publication Date
WO2011074113A1 true WO2011074113A1 (ja) 2011-06-23

Family

ID=44166902

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2009/071141 WO2011074113A1 (ja) 2009-12-18 2009-12-18 協調フィルタリングシステム及び協調フィルタリング方法

Country Status (5)

Country Link
US (1) US9087123B2 (ja)
EP (1) EP2515244A4 (ja)
JP (1) JP5403069B2 (ja)
CN (1) CN102640141B (ja)
WO (1) WO2011074113A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018505456A (ja) * 2014-12-22 2018-02-22 ロヴィ ガイズ， インコーポレイテッド メタデータおよび使用データ解析を用いるフィルタリング技術のためのシステムおよび方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10360758B2 (en) 2011-02-17 2019-07-23 Aristocrat Technologies Australia Pty Limited Gaming tracking and recommendation system
US10957152B2 (en) 2011-02-17 2021-03-23 Aristocrat Technologies Australia Pty Limited Gaming tracking and recommendation system
US9387392B1 (en) * 2011-02-17 2016-07-12 Aristocrat Technologies Australia Pty Limited Gaming tracking and recommendation system
CN105718488A (zh) * 2014-12-04 2016-06-29 阿里巴巴集团控股有限公司 基于计算机系统的推荐方法及其装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005202540A (ja) 2004-01-14 2005-07-28 Neo Jsk:Kk 情報推薦方法
JP2007501975A (ja) * 2003-08-08 2007-02-01 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ データ処理システム及びその方法
JP2009266096A (ja) * 2008-04-28 2009-11-12 Sony Corp 情報処理装置、および関連アイテムの提供方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006127660A2 (en) * 2005-05-23 2006-11-30 Picateers, Inc. System and method for collaborative image selection
JP2007286817A (ja) * 2006-04-14 2007-11-01 Lealcom Kk 情報配信システム、情報配信装置及び情報配信方法
US7574422B2 (en) * 2006-11-17 2009-08-11 Yahoo! Inc. Collaborative-filtering contextual model optimized for an objective function for recommending items
US7584171B2 (en) * 2006-11-17 2009-09-01 Yahoo! Inc. Collaborative-filtering content model for recommending items
JP5092575B2 (ja) * 2007-06-22 2012-12-05 ソニー株式会社 情報信号処理装置、情報信号処理方法、並びにその処理方法を実行させるためのプログラム
JP4524709B2 (ja) * 2007-12-03 2010-08-18 ソニー株式会社 情報処理装置および方法、並びに、プログラム
CN100581227C (zh) * 2008-05-16 2010-01-13 华东师范大学 一种引入节目热门度权重的协作过滤推荐方法
CN101320461A (zh) * 2008-07-01 2008-12-10 浙江大学 基于电阻网络和稀疏数据预测的协同过滤方法
CN101329683A (zh) * 2008-07-25 2008-12-24 华为技术有限公司 推荐系统及方法
KR101330589B1 (ko) 2010-12-24 2013-11-18 김선희 이동형 고속 진공 발효 교반기

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007501975A (ja) * 2003-08-08 2007-02-01 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ データ処理システム及びその方法
JP2005202540A (ja) 2004-01-14 2005-07-28 Neo Jsk:Kk 情報推薦方法
JP2009266096A (ja) * 2008-04-28 2009-11-12 Sony Corp 情報処理装置、および関連アイテムの提供方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP2515244A4 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018505456A (ja) * 2014-12-22 2018-02-22 ロヴィ ガイズ， インコーポレイテッド メタデータおよび使用データ解析を用いるフィルタリング技術のためのシステムおよび方法

Also Published As

Publication number Publication date
EP2515244A4 (en) 2015-06-17
JPWO2011074113A1 (ja) 2013-04-25
CN102640141B (zh) 2015-05-13
CN102640141A (zh) 2012-08-15
EP2515244A1 (en) 2012-10-24
JP5403069B2 (ja) 2014-01-29
US20120239604A1 (en) 2012-09-20
US9087123B2 (en) 2015-07-21

Similar Documents

Publication Publication Date Title
US20110282798A1 (en) Making Friend and Location Recommendations Based on Location Similarities
JP5277307B2 (ja) 情報推薦方法、そのシステム、及びサーバ
US8612134B2 (en) Mining correlation between locations using location history
US20120327119A1 (en) User adaptive augmented reality mobile communication device, server and method thereof
US20120278320A1 (en) Recommendation information providing system, recommendation information providing apparatus, recommendation information service method, and recommendation information distribution program
JP5403069B2 (ja) 協調フィルタリングシステム及び協調フィルタリング方法
JP7302634B2 (ja) 経路処理プログラム、経路処理装置および経路処理方法
JP6171388B2 (ja) ナビゲーションシステム、ナビゲーション方法、及びナビゲーションプログラム
US11783215B2 (en) Information processing apparatus and recommendation control method
JP2011003151A (ja) 類似度算出装置、推薦ｐｏｉ決定装置、ｐｏｉ推薦システム、類似度算出方法およびプログラム
Forsati et al. Web page personalization based on weighted association rules
JP7365465B1 (ja) 推薦装置、推薦方法、およびプログラム
JP2012256239A (ja) 目的地予測装置及びプログラム
KR101693015B1 (ko) 개인 질병 예측 방법, 개인 질병 예측 시스템 및 개인 질병 예측을 위한 프로그램을 저장하는 저장매체
JP3933127B2 (ja) 旅行時間予測方法、装置及びプログラム
JP2020190964A (ja) 情報処理装置、情報処理方法および情報処理プログラム
US11199417B2 (en) Distributed system for dynamic sensor-based trip estimation
US8606793B1 (en) Business metric score for web pages
JP6276722B2 (ja) 行動予測装置、行動予測方法及び行動予測プログラム
JP3674603B2 (ja) 旅行時間提供方法、システム及びプログラム
JPWO2010084629A1 (ja) 推薦システム、推薦方法、推薦プログラム及び情報記憶媒体
JP6923348B2 (ja) 情報処理装置、情報処理方法及びプログラム
US20250027783A1 (en) Recommendation method
Hawas et al. Location–Based in recommendation system using naive Bayesian algorithm
KR102416686B1 (ko) 자율주행차량 사용자정보 수집을 통한 유동인구 및 지역 가치 예측 방법

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 200980162673.4

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09852305

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2011545913

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2009852305

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 13512368

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE