JP4839358B2 - 購入予測方法、購入予測装置、購入予測プログラム、および、記録媒体 - Google Patents

Description

本発明は、複数のユーザの複数の商品に対する時系列の購買データに基づいて、その後の購買状況を予測する技術に関する。

近年、オンライン技術やデータベース技術の発展により、膨大な購買データを日々収集できるようになった。購買データに基づいてその後の購買状況を予測することで、ユーザにお勧めの商品を教示したり、購買傾向を解析したりすることが可能となる。

従来の購買状況の予測法として、購買データから頻出する購買順序パターンを抽出し、そのパターンを基に予測する手法がある（非特許文献１参照）。この手法では、購買の時間情報（何月何日に購入したか等）が考慮されない。また、購買の時間情報を考慮して購買状況を予測する手法もある（非特許文献２）。
岩田具治、山田武士、上田修功、"購買順序を効率的に用いた協調フィルタリング"、情報処理学会論文誌：数理モデル化と応用、Ｖｏｌ．４９、Ｎｏ．ＳＩＧ４（ＴＯＭ２０）、ｐ．１２５−１３４、２００８ 岩田具治、田中利幸、山田武士、上田修功、"分布が変化するデータにおけるモデル学習法"、情報論的学習理論ワークショップ（ＩＢＩＳ２００７）、ｐ．１７０−１７５、２００７

しかし、非特許文献１の技術では、購買の時間情報が考慮されないため、流行の変化や興味の変化などに対応できないという問題がある。また、非特許文献２の技術では、データが追加されるたびに、全データを読み込み、計算を行う必要があるため、日々膨大なデータが蓄積される場合、逐次対応することが困難という問題がある。

そこで、本発明は、前記問題に鑑みてなされたものであり、購買の時間情報を考慮して購買データの経時的な変化に対応しながらも少ない計算量で購買状況を予測することを課題とする。

前記課題を解決するために、本発明は、複数のユーザの複数の商品に対する購買のデータが時系列に沿って予め集められた購買データに基づいて、任意のユーザの任意の商品に対するその後の購入の可能性を予測する場合に、複数のユーザを複数のクラスに分け、同じクラスに属するユーザは同じ確率で任意の商品を購入すると仮定する確率モデルを用いて購入の可能性を予測する購入予測装置であって、購買データ、ユーザごとのクラスそれぞれに属する確率の集合であるクラス確率集合、ユーザのクラスに属する確率が変わらない度合いを示すクラス確率不変化度をパラメータとして持つ、ユーザのクラス確率の事前確率、クラスごとの商品それぞれがそのクラスのユーザによって購入される確率の集合である購入確率集合、および、クラスに属するユーザによって商品を購入される確率が変わらない度合いを示す購入確率不変化度をパラメータとして持つ、クラスの購入確率の事前確率、を記憶する記憶部と、クラス確率不変化度の尤度と購入確率不変化度の尤度とが最大になるように、クラス確率不変化度と購入確率不変化度とを繰り返し計算し、その計算したクラス確率不変化度と購入確率不変化度とを用いて、クラス確率集合および購入確率集合を更新するモデル推定部と、更新したクラス確率集合および購入確率集合を用いて、ユーザが商品を購入する確率を算出する購入予測部と、を備えることを特徴とする。また、この購入予測装置を用いて購入予測方法を実行することもできる。

かかる発明によれば、複数のユーザが複数のクラスに分けられるという前提でモデル推定部がクラス確率集合および購入確率集合を推定（更新）し、購入予測部がそのクラス確率集合および購入確率集合に基づいて購買状況（購入の可能性）を予測することで、時系列の購買データの経時的な変化に対応しながらも少ない計算量で購買状況を予測することができる。

また、本発明は、記憶部が、購買データの最新時刻以前の所定時間分の、クラス確率集合、ユーザのクラス確率の事前確率、購入確率集合、および、クラスの購入確率の事前確率、を記憶しており、モデル推定部が、所定時間分のクラス確率不変化度の尤度と、所定時間分の購入確率不変化度の尤度と、が最大になるように、所定時間分のクラス確率不変化度と、所定時間分の購入確率不変化度と、を繰り返し計算し、その計算した所定時間分のクラス確率不変化度と、所定時間分の購入確率不変化度と、を用いて、所定時間分のクラス確率集合、および、所定時間分の購入確率集合を更新し、購入予測部が、更新した所定時間分のクラス確率集合、および、所定時間分の購入確率集合を用いて、ユーザが商品を購入する確率を算出することが好ましい。

かかる発明によれば、クラス確率集合および購入確率集合が、購買データの最新時刻分だけでなく、それ以前の所定時間分を考慮したものであることで、購買データの最新時刻分だけのときに比べて予測の精度を高くすることができる。

また、本発明は、コンピュータを、購入予測装置の各部として機能させるための購入予測プログラムである。これにより、このプログラムをインストールされたコンピュータは、このプログラムに基づいた各機能を実現することができる。

また、本発明は、前記購入予測プログラムが記録されたことを特徴とするコンピュータに読み取り可能な記録媒体である。これにより、この記録媒体を装着されたコンピュータは、この記録媒体に記録されたプログラムに基づいた各機能を実現することができる。

本発明によれば、購買の時間情報を考慮して購買データの経時的な変化に対応しながらも少ない計算量で購買状況を予測することができる。

以下、本発明を実施するための最良の形態（以下、「実施形態」という。）について、詳細に説明する。なお、本実施形態では、複数のユーザの複数の商品に対する購買のデータが時系列に沿って予め集められた購買データに基づいて、任意のユーザの任意の商品に対するその後の購入の可能性を予測する場合に、複数のユーザを複数のクラスに分け、属するクラスが同じユーザは同じ確率で任意の商品を購入すると仮定する確率モデルを用いることを前提とする。

また、以下において、「購入の可能性の予測」、「購入する確率の推定（算出）」、「購買状況の予測」、「興味の予測」などの表現は同義である。さらに、以下の各数式において、太字の文字（θなど）は、複数の成分を有していることを示す。また、それらの太字の文字について、文章中では太字で示していないが、各数式と整合をとったものであるものとする。

図１は、本実施形態の興味予測装置の構成を示すブロック図である。図１に示すように、興味予測装置１（購入予測装置）は、演算手段２と、入力手段３と、記憶手段４と、出力手段５とを備えており、それらはバスライン１１に接続されている。

演算手段２は、モデル推定部２１と、興味予測部２２（購入予測部）と、メモリ２３とを含んで構成される。演算手段２は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）およびＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）から構成され、ＣＰＵが記憶手段４からモデル推定プログラム４１と興味予測プログラム４２とを読み込み、ＲＡＭであるメモリ２３に格納し、実行することで、モデル推定部２１と興味予測部２２とがそれぞれ実現される。

入力手段３は、キーボードやディスクドライブ装置などから構成される。入力データは入力手段３を介して興味予測装置１の管理者などによって入力され、記憶手段４に記憶される。

記憶手段４は、ハードディスク装置などから構成され、プログラム格納部４０ａと、データ格納部４０ｂと、を有する。プログラム格納部４０ａは、モデル推定プログラム４１と、興味予測プログラム４２と、を記憶する。また、データ格納部４０ｂは、入力データ４３、クラス集合４４、クラス確率集合４５、購入確率集合４６、クラス確率不変化度集合４７、購入確率不変化度集合４８を記憶する。

入力データ４３は、複数のユーザの複数の商品に対する購買のデータが時系列に沿って予め集められた購買データである。クラス集合４４は、入力データ４３における複数のユーザを分ける複数のクラスの集合データである。

クラス確率集合４５は、ユーザごとのクラスそれぞれに属する確率の集合である。購入確率集合４６は、クラスごとの、商品それぞれがそのクラスのユーザによって購入される確率の集合である。

クラス確率不変化度集合４７は、ユーザごとのクラスそれぞれに属する確率が変わらない度合いの集合である。購入確率不変化度集合４８は、クラスごとの、商品それぞれがそのクラスのユーザによって購入される確率が変わらない度合いの集合である。

出力手段５は、例えば、グラフィックボード及びそれに接続されたモニタであり、興味予測を行った結果などを表示するものである。

本実施形態では、ユーザｕが時刻ｔにおいて商品ｉを購入する確率Ｐ（ｉ｜ｕ，ｔ）を推定（算出）する。つまり、確率Ｐ（ｉ｜ｕ，ｔ）は、ユーザｕの時刻ｔにおける商品ｉに対する興味の度合いを表す。時刻ｔは離散値とし、単位時間として１日、１週間など任意の期間を用いることができる。

確率Ｐ（ｉ｜ｕ，ｔ）を推定する場合、ユーザの合計数をＵ、商品の合計数をＩとしたとき、各時刻において、Ｕ（Ｉ−１）個のパラメータが必要となる。なお、「Ｕ（Ｉ−１）」において、「Ｉ」ではなく「Ｉ−１」となっているのは、「Ｉ−１」個のパラメータが決まれば、残りの１つのパラメータは、パラメータの全体合計値から「Ｉ−１」個のパラメータの合計値を減算することで自動的に決定するからである。通常、Ｕ（Ｉ−１）はＵやＩに比べて非常に多く、推定が困難である。そこで、隠れ変数であるクラスｚを導入して、式（１）のように確率Ｐ（ｉ｜ｕ，ｔ）をモデル化する。

Ｚをクラスの合計数とすると、このとき各時刻のパラメータの合計数はＵ（Ｚ−１）＋Ｚ（Ｉ−１）となり、Ｚ≪Ｕ、Ｚ≪Ｉであるため、パラメータの合計数を大幅に削減でき、頑健な推定が可能となる。ここで、Ｐ（ｚ｜ｕ，ｔ）は時刻ｔでのユーザｕがクラスｚに帰属する確率、Ｐ（ｉ｜ｚ，ｔ）は時刻ｔでのクラスｚで商品ｉが購入される確率を表す。

商品に対する興味の変化、人気の変化に対応するため、Ｐ（ｚ｜ｕ，ｔ）、および、Ｐ（ｉ｜ｚ，ｔ）は、以下の式（２）、式（３）のように、１時刻前の状態を引数とするある関数Ｆで時間発展するものとする。

時間発展として、例えば、状態空間モデルを用いて、カルマンフィルタで推定することができる。また、φ_ｔｕｚ＝Ｐ（ｚ｜ｔ，ｕ）（＝Ｐ（ｚ｜ｕ，ｔ））、θ_ｔｚｉ＝Ｐ（ｉ｜ｚ，ｔ）とし、以下のような時間発展も考えられる。

ここで、時刻ｔのユーザｕのクラス確率φ_ｔｕの事前確率は、１時刻前のユーザｕのクラス確率φ_ｔ−１ｕ（「ｔ−１ｕ」は「（ｔ−１）ｕ」の意。以下、他の変数についても同様）およびユーザｕのクラス確率不変化度α_ｔｕをパラメータとして持つ、以下の式（４）のようなディリクレ分布であるとする。

なお、この分布の平均値Ｅは１時刻前のクラス確率に一致し
（Ｅ（φ_ｔｕ｜φ_ｔ−１ｕ，α_ｔｕ）＝φ_ｔ−１ｕ）、
分散ｖａｒはα_ｔｕ＋１に反比例する（ｖａｒ（φ_ｔｕｚ｜φ_ｔ−１ｕ，α_ｔｕ）＝
（φ_{ｔ−１ｕｚ}（１−φ_{ｔ−１ｕｚ}））／α_ｔｕ＋１）。

また、時刻ｔのクラスｚの購入確率θ_ｔｚの事前確率も同様に、１時刻前のクラスｚの購入確率θ_ｔ−１ｚおよびクラスｚの購入確率不変化度β_ｔｚをパラメータとして持つ、以下の式（５）のようなディリクレ分布であるとする。なお、Γ（）はガンマ関数である。

＜モデル推定部＞
図２、図３を参照しながら、モデル推定部２１について説明する。図２は、本実施形態の興味予測装置のモデル推定部のブロック図を含む説明図である。図２に示すように、モデル推定部２１は、入力データ読み込み部２１１と、パラメータ読み込み部２１２と、初期化部２１３と、クラス推定部２１４と、クラス確率不変化度推定部２１５と、購入確率不変化度推定部２１６と、パラメータ書き込み部２１７と、を備えている。

図３は、モデル推定部の処理の流れを示すフローチャートである。まず、ステップＳ１において、入力データ読み込み部２１１により入力データ４３を読み込み、パラメータ読み込み部２１２により１時刻前のデータを用いて推定した（ステップＳ１〜Ｓ７の処理を行った）クラス確率集合４５、購入確率集合４６を読み込む。なお、１時刻前のクラス確率集合４５および購入確率集合４６がない場合、つまりｔ＝０の場合、クラス確率および購入確率は一様分布とする。

次に、ステップＳ２において、初期化部２１３により、クラス集合４４、クラス確率不変化度集合４７、購入確率不変化度集合４８を初期化する。例えば、クラス集合４４はランダムな値となるように初期化し、クラス確率不変化度集合４７および購入確率不変化度集合４８は全て「１」に初期化する。

次に、クラス推定部２１４によるクラス集合４４の計算（ステップＳ３）、クラス確率不変化度推定部２１５によるクラス確率不変化度集合４７の計算（ステップＳ４）、購入確率不変化度推定部２１６による購入確率不変化度集合４８の計算（ステップＳ５）を繰り返す（ステップＳ６（終了条件を満たすか否かの判断）でＮｏ→ステップＳ３）ことにより、クラス集合４４、クラス確率不変化度集合４７および購入確率不変化度集合４８の現在の推定値が、どのくらい入力データ４３をもっともらしく説明できているかを表す尤度を最大化する。例えば、商品に対して同じ興味を持つユーザの購買（購買データ。以下同様）が同じクラスに帰属していたり、共通ユーザ（クラスが共通であるユーザ）に購入されやすい商品の購買が同じクラスに帰属していたりする場合、尤度は高くなる。尤度計算は、入力データ４３、１時刻前のクラス確率集合４５および購入確率集合４６を用いることで実現できる。例えば、次の式（６）を尤度として用いることができる。

ここで、ｘ_ｔｕｊは時刻ｔでユーザｕがｊ番目に購入した商品であり、ｘ_ｔｕ＝｛ｘ_ｔｕｊ｝_ｊは時刻ｔでユーザｕが購入した商品集合であるとすると、Ｘ_ｔ＝｛ｘ_ｔｕ｝_ｕは時刻ｔでの全ユーザの購入商品集合である。また、φ_ｔｕｚ＝Ｐ（ｚ｜ｔ，ｕ）は時刻ｔでのユーザｕがクラスｚに帰属する確率（式（４）参照）、φ_ｔｕ＝｛φ_ｔｕｚ｝_ｚは時刻ｔでのユーザｕのクラス確率、Φ_ｔ＝｛φ_ｔｕ｝_ｕは時刻ｔでのクラス確率集合、θ_ｔｚｉ＝Ｐ（ｉ｜ｚ，ｔ）は時刻ｔでのクラスｚで商品ｉが購入される確率（式（５）参照）、θ_ｔｚ＝｛θ_ｔｚｉ｝_ｉは時刻ｔでのクラスｚの購入確率、Θ_ｔ＝｛θ_ｔｚ｝_ｚは時刻ｔでの購入確率集合とする。また、α_ｔ＝｛α_ｕ｝_ｕはクラス確率不変化度集合、β_ｔ＝｛β_ｚ｝_ｚは購入確率不変化度集合を表す。

ステップＳ３において、クラス推定部２１４では、各購買ｍがどのクラスに帰属するかを計算する。クラス推定部２１４によって、クラス計算は、入力として、購買ｍを除いた時刻ｔでユーザｕの購買がクラスｋである数ｎ_{ｔｕｋ＼ｍ}、購買ｍを除いた時刻ｔでユーザｕの購買数ｎ_ｔｕ＼ｍ、購買ｍを除いた時刻ｔで商品ｉの購買がクラスｋである数ｎ_{ｔｉｋ＼ｍ}、購買ｍを除いた時刻ｔで購買がクラスｋである数ｎ_ｔｋ＼ｍをとり、例えば、ギブスサンプリングに基づく次の式（７）により計算される。ここで、Ｚ_ｔ＼ｍ＝｛ｚ_ｔｎ｝_ｎ≠ｍは購買ｍを除いた時刻ｔでのクラス集合を表す。

ステップＳ４において、クラス確率不変化度推定部２１５では、各ユーザｕのクラス確率不変化度α_ｔｕを、尤度が高くなるように計算する。例えば、次の式（８）の計算を繰り返すことで尤度が高いα_ｔｕを計算することができる。ここで、「←」は代入、Ψ（・）はディガンマ関数（ガンマ関数の対数の一階導関数）を表す。

ステップＳ５において、購入確率不変化度推定部２１６では、各クラスｚの購入確率不変化度β_ｔｚを、尤度が高くなるように計算する。例えば、次の式（９）の計算を繰り返すことで尤度が高いβ_ｔｚを計算することができる。

繰り返しの終了条件（ステップＳ６）としては、クラス集合４４、クラス確率不変化度集合４７、購入確率不変化度集合４８が収束する、あるいは、繰り返し数がある一定以上になる、などが考えられる。本実施形態では、例えば、前記収束を終了条件とする。

終了条件を満たした後（ステップＳ６でＹｅｓ）、パラメータ書き込み部２１７によって、次の式（１０）で計算される時刻ｔのユーザｕのクラスｚに属する確率をクラス確率集合４５に格納し、次の式（１１）で計算される時刻ｔのクラスｚの商品ｉの購入確率を購入確率集合４６に格納する（ステップＳ７）。

＜興味予測部＞
図４を参照しながら、興味予測部２２について説明する。図４は、本実施形態の興味予測装置の興味予測部のブロック図を含む説明図である。図４に示すように、興味予測部２２は、パラメータ読み込み部２２１と、興味計算部２２２と、興味出力部２２３とを備えている。

興味予測部２２では、まず、パラメータ読み込み部２２１により、モデル推定部２１によって計算された最新のクラス確率集合４５および購入確率集合４６を読み込む。次に、興味計算部２２２において、クラス確率集合４５および購入確率集合４６を用いて、次の式（１２）に基づき、時刻ｔにおけるユーザｕの商品ｉに対する興味、つまり、そのユーザがその商品を購入する確率を計算する。

最後に、興味出力部２２３により、出力手段５に、予測した興味の結果を出力する。

（変形例）
興味予測装置１では、前記したように１時刻前のパラメータ（クラス確率集合４５および購入確率集合４６）のみ用いるのではなく、Ｌ時刻前から１時刻前までのパラメータ（所定時間分のパラメータ）を用いて、興味を予測することも可能である。つまり、φ_ｔｕがｌ（エル）時刻前のユーザｕのクラス確率φ_ｔ−１ｕおよびｌ（エル）時刻前からのユーザｕのクラス確率不変化度α_ｔｕｌをパラメータとして持つ、次の式（１３）のようなディリクレ分布に従うとする。

また、θ_ｔｚも同様に、ｌ（エル）時刻前のクラスｚの購入確率θ_ｔ−１ｕおよびｌ（エル）時刻前からのクラスｚの購入確率不変化度β_ｔｚｌをパラメータとして持つ、次の式（１４）のようなディリクレ分布に従うとする。

Ｌ時刻前から１時刻前までのパラメータを用いることにより、１時刻前のパラメータのみを用いる場合に比べ、モデル推定が安定化し、予測精度が高まることが期待できる。この変形例において、モデル推定部２１による処理の際、式（７）、式（８）、式（９）、式（１０）および式（１１）を、それぞれ次のような式（１５）、式（１６）、式（１７）、式（１８）および式（１９）に変更する。この変形例において、興味予測部２２による処理の内容に変更はない。

このように、本実施形態の興味予測装置１によれば、複数のユーザが複数のクラスに分けられるという前提でモデル推定部２１が確率モデルを推定し、興味予測部２２がその確率モデルに基づいてユーザの興味（その後の購買状況（購入確率））を予測することで、入力データ４３（時系列の購買データ）の経時的な変化に対応しながらも少ない計算量でユーザの興味を予測することができる。つまり、この予測により、各ユーザに対して適したお勧めの商品を教示したり、どの商品が同じユーザに購入されやすいか、どの商品がいつ人気があったかなどの購買傾向を解析したりすることが可能となる。

また、クラス確率集合４５および購入確率集合４６が、入力データ４３の最新時刻分だけでなく、それ以前の所定時間分を考慮したものであることで、予測の精度を高くすることができる。

さらに、クラス確率集合４５および購入確率集合４６を用いて表した入力データ４３に対する尤度（式（６）参照）を計算し、その尤度の最大化を図ることで確率モデルを推定するので、確率モデルひいては予測の精度を高くすることができる。

また、興味予測装置１は、一般的なコンピュータに、前記した各処理のプログラムを実行させることで実現することができる。このプログラムは、通信回線を介して提供することが可能であるし、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ−Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の記録媒体に書き込んで配布することも可能である。

以上で本実施形態の説明を終えるが、本発明の態様はこれらに限定されるものではない。例えば、本発明は、任意の確率モデルや尤度計算式に適用が可能である。また、本実施形態では、ｕをユーザ、ｉを商品としたが、時間発展する離散変数であれば、ｕおよびｉは任意の情報でよい。例えば、ｕを文書、ｉを単語とし、各文書でどの単語が使われやすいかの時間発展のモデル化にも適用できる。その他、ハードウェアやフローチャート等の具体的な構成について、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。

次に、本実施形態の興味予測装置１の実施例について説明する。本実施形態の興味予測装置１を評価するため、購買データの予測実験を行った。単位時間は１日とした。前日までのデータを学習データとして用い、各日の各ユーザの購買を予測する問題の正答率で評価を行った。

購買データとして、動画および漫画配信のオンラインストアでのログを用いた。動画データは、２００７年５月１４日から２００７年８月３１日までの１１０日間のログで、ユーザ数は７０，１２２、商品数は７，４６９、全購買数は１１，２４３，９３５であった。漫画データは、２００６年１月１日から２００６年５月３１日までの１５１日間のログで、ユーザ数は１４３，２１２、商品数は２０６、全購買数は１２，６４２，５０５であった、なお、各データともに、購買数が１０未満の商品、１０未満のユーザは省いた。また、各データともに、新商品が１週間ごとに発売されている。

比較手法として、比較例１（ＬＤＡａｌｌ）、比較例２（ＬＤＡｏｎｌｉｎｅ）、比較例３（ＬＤＡｏｎｅ）を用いた。ＬＤＡは、本実施形態の興味予測装置１の処理内容からクラス確率集合４５および購入確率集合４６の時間発展を除いた手法である。比較例１（ＬＤＡａｌｌ）ではログ開始日から前日までの全データを用いてＬＤＡを学習し、比較例２（ＬＤＡｏｎｌｉｎｅ）では前日のデータおよびそれ以前のデータで推定したクラス集合を用いてＬＤＡを学習し、比較例３（ＬＤＡｏｎｅ）では前日のデータのみを用いてＬＤＡを学習する。

図５は、（ａ）が動画、（ｂ）が漫画について、日毎の３ベスト正答率を示すグラフであり、縦軸が正答率（％）を、横軸が日を示している。３ベスト正答率とは、予測により得られた正解候補の上位３つのいずれかが実際に正解していた場合の割合（％）のことである。また、実施例１（ＯｕｒＭｅｔｈｏｄ７）は、７日前から前日までのパラメータを用いた場合の興味予測装置１による予測結果を示し、実施例２（ＯｕｒＭｅｔｈｏｄ１）は、１日前のパラメータのみを用いた場合の興味予測装置１による予測結果を示す。

図５の（ａ）において、実施例１（ＯｕｒＭｅｔｈｏｄ７）および実施例２（ＯｕｒＭｅｔｈｏｄ１）の３ベスト正答率は、比較例１〜３の３ベスト正答率と比べて、総じて高いことがわかる。また、図５の（ｂ）において、実施例１（ＯｕｒＭｅｔｈｏｄ７）の３ベスト正答率は、比較例１〜３の３ベスト正答率と比べて、総じて高いことがわかる。さらに、図５の（ａ）および（ｂ）において、特に、実施例１（ＯｕｒＭｅｔｈｏｄ７）、実施例２（ＯｕｒＭｅｔｈｏｄ１）および比較例３（ＬＤＡｏｎｅ）について、１週間ごとの谷の部分は、新商品が発売されたことにより正答率が低くなっていることを示している。

また、その全時間で平均した正答率（％）を表１に示す。表１において、（ａ）は動画、（ｂ）は漫画の場合の結果である。なお、正答率に付随する括弧書きの数字（「０．９」など）は標準偏差を表す。（ａ）および（ｂ）の表において、最左列の「１」〜「５」は、「１ベスト正答率」〜「５ベスト正答率」を表している。（ａ）および（ｂ）の表において、実施例１（ＯｕｒＭｅｔｈｏｄ７）の正答率が最も高く、正確にユーザの興味を予測できていることが確認できる。実施例２（ＯｕｒＭｅｔｈｏｄ１）の正答率も、動画ではいずれの比較例よりも高く、漫画では比較例１とは同等であるが比較例２,３よりは高い。

また、この場合の、Ｘｅｏｎ（登録商標） ２．９３ＧＨｚのＣＰＵのＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）における各手法の１時刻あたりの平均計算時間（秒）を表２に示す。表２において、（ａ）は動画、（ｂ）は漫画の場合の結果である。なお、平均計算時間の値に付随する括弧書きの数字（「４０．４」など）は標準偏差を表す。比較例１は、漫画データにおける正答率（表１の（ｂ）参照）が実施例１および実施例２とほぼ同等であった。この比較例１は、全データを用いるため、動画および漫画の場合ともに、他手法と比べ、多くの計算量が必要となっていることがわかる。一方、動画および漫画の場合ともに、実施例１および実施例２では、比較例１と比べ、１／１０以下の時間で計算が終っており、大規模データでも高速に計算できていることがわかる。

このように、本実施例から、本実施形態の興味予測装置１による計算は、計算精度と計算時間の２つの観点から見た場合、比較例１〜３の計算と比べて優れていることがわかる。

本実施形態の興味予測装置の構成を示すブロック図である。 本実施形態の興味予測装置のモデル推定部のブロック図を含む説明図である。 モデル推定部の処理の流れを示すフローチャートである。 本実施形態の興味予測装置の興味予測部のブロック図を含む説明図である。 本実施形態の興味予測方法を含む各手法の日毎の３ベスト正答率を示すグラフである。

符号の説明

１ 興味予測装置（購入予測装置）
２ 演算手段
３ 入力手段
４ 記憶手段
５ 出力手段
１１ バスライン
２１ モデル推定部
２２ 興味予測部（購入予測部）
２３ メモリ
４０ａ プログラム格納部
４０ｂ データ格納部
４１ モデル推定プログラム
４２ 興味予測プログラム
４３ 入力データ
４４ クラス集合
４５ クラス確率集合
４６ 購入確率集合
４７ クラス確率不変化度集合
４８ 購入確率不変化度集合

Claims (8)

1. 複数のユーザの複数の商品に対する購買のデータが時系列に沿って予め集められた購買データに基づいて、任意の前記ユーザの任意の前記商品に対するその後の購入の可能性を予測する場合に、前記複数のユーザを複数のクラスに分け、同じ前記クラスに属する前記ユーザは同じ確率で任意の前記商品を購入すると仮定する確率モデルを用いて前記購入の可能性を予測する購入予測装置による購入予測方法であって、
   前記購入予測装置は、
   前記購買データ、
   前記ユーザごとの前記クラスそれぞれに属する確率の集合であるクラス確率集合、
   前記ユーザの前記クラスに属する確率が変わらない度合いを示すクラス確率不変化度をパラメータとして持つ、前記ユーザのクラス確率の事前確率、
   前記クラスごとの前記商品それぞれがそのクラスのユーザによって購入される確率の集合である購入確率集合、および、
   前記クラスに属する前記ユーザによって商品を購入される確率が変わらない度合いを示す購入確率不変化度をパラメータとして持つ、前記クラスの購入確率の事前確率、を記憶する記憶部と、
   モデル推定部と、購入予測部と、を備えており、
   前記モデル推定部は、前記クラス確率不変化度の尤度と前記購入確率不変化度の尤度とが最大になるように、前記クラス確率不変化度と前記購入確率不変化度とを繰り返し計算し、その計算した前記クラス確率不変化度と前記購入確率不変化度とを用いて、前記クラス確率集合および前記購入確率集合を更新し、
   前記購入予測部は、前記更新した前記クラス確率集合および前記購入確率集合を用いて、前記ユーザが前記商品を購入する確率を算出する
   ことを特徴とする購入予測方法。
2. 前記ユーザのクラス確率の事前確率は、ディリクレ分布として定義されており、
   前記クラスの購入確率の事前確率は、ディリクレ分布として定義されている
   ことを特徴とする請求項１に記載の購入予測方法。
3. 前記記憶部は、前記購買データの最新時刻以前の所定時間分の、前記クラス確率集合、前記ユーザのクラス確率の事前確率、前記購入確率集合、および、前記クラスの購入確率の事前確率、を記憶しており、
   前記モデル推定部は、前記所定時間分の前記クラス確率不変化度の尤度と、前記所定時間分の前記購入確率不変化度の尤度と、が最大になるように、前記所定時間分の前記クラス確率不変化度と、前記所定時間分の前記購入確率不変化度と、を繰り返し計算し、その計算した前記所定時間分の前記クラス確率不変化度と、前記所定時間分の前記購入確率不変化度と、を用いて、前記所定時間分の前記クラス確率集合、および、前記所定時間分の前記購入確率集合を更新し、
   前記購入予測部は、前記更新した前記所定時間分の前記クラス確率集合、および、前記所定時間分の前記購入確率集合を用いて、前記ユーザが前記商品を購入する確率を算出する
   ことを特徴とする請求項１または請求項２に記載の購入予測方法。
4. 複数のユーザの複数の商品に対する購買のデータが時系列に沿って予め集められた購買データに基づいて、任意の前記ユーザの任意の前記商品に対するその後の購入の可能性を予測する場合に、前記複数のユーザを複数のクラスに分け、同じ前記クラスに属する前記ユーザは同じ確率で任意の前記商品を購入すると仮定する確率モデルを用いて前記購入の可能性を予測する購入予測装置であって、
   前記購買データ、
   前記ユーザごとの前記クラスそれぞれに属する確率の集合であるクラス確率集合、
   前記ユーザの前記クラスに属する確率が変わらない度合いを示すクラス確率不変化度をパラメータとして持つ、前記ユーザのクラス確率の事前確率、
   前記クラスごとの前記商品それぞれがそのクラスのユーザによって購入される確率の集合である購入確率集合、および、
   前記クラスに属する前記ユーザによって商品を購入される確率が変わらない度合いを示す購入確率不変化度をパラメータとして持つ、前記クラスの購入確率の事前確率、を記憶する記憶部と、
   前記クラス確率不変化度の尤度と前記購入確率不変化度の尤度とが最大になるように、前記クラス確率不変化度と前記購入確率不変化度とを繰り返し計算し、その計算した前記クラス確率不変化度と前記購入確率不変化度とを用いて、前記クラス確率集合および前記購入確率集合を更新するモデル推定部と、
   前記更新した前記クラス確率集合および前記購入確率集合を用いて、前記ユーザが前記商品を購入する確率を算出する購入予測部と、
   を備えることを特徴とする購入予測装置。
5. 前記ユーザのクラス確率の事前確率は、ディリクレ分布として定義されており、
   前記クラスの購入確率の事前確率は、ディリクレ分布として定義されている
   ことを特徴とする請求項４に記載の購入予測装置。
6. 前記記憶部は、前記購買データの最新時刻以前の所定時間分の、前記クラス確率集合、前記ユーザのクラス確率の事前確率、前記購入確率集合、および、前記クラスの購入確率の事前確率、を記憶しており、
   前記モデル推定部は、前記所定時間分の前記クラス確率不変化度の尤度と、前記所定時間分の前記購入確率不変化度の尤度と、が最大になるように、前記所定時間分の前記クラス確率不変化度と、前記所定時間分の前記購入確率不変化度と、を繰り返し計算し、その計算した前記所定時間分の前記クラス確率不変化度と、前記所定時間分の前記購入確率不変化度と、を用いて、前記所定時間分の前記クラス確率集合、および、前記所定時間分の前記購入確率集合を更新し、
   前記購入予測部は、前記更新した前記所定時間分の前記クラス確率集合、および、前記所定時間分の前記購入確率集合を用いて、前記ユーザが前記商品を購入する確率を算出する
   ことを特徴とする請求項４または請求項５に記載の購入予測装置。
7. コンピュータを請求項４から請求項６のいずれか一項に記載の購入予測装置の各部として機能させるための購入予測プログラム。
8. 請求項７に記載の購入予測プログラムが記録されたことを特徴とするコンピュータに読み取り可能な記録媒体。

Images