[发明专利]推荐装置、推荐系统、推荐方法以及程序

说明书

技术领域

本发明涉及进行批处理和实时处理并综合两个处理的推荐结果来输出最终的推荐结果的推荐装置、推荐系统、推荐方法以及程序。 

背景技术

基于用户的历史信息等来推测用户的嗜好并自动推荐被预测为迎合了用户嗜好的内容等的“推荐服务”近年来正在盛行。在这种推荐服务中使用的具代表性的技术是被称为“协调过滤”的技术。该协调过滤是通过在各用户间或者各内容间比较购买历史或阅览历史等用户的历史信息来定义相关性、并且输出基于该相关性而预测为用户感兴趣的内容作为推荐结果的方法。已知有改进了该协调过滤的自动化或高速化等的技术(例如，参考非专利文献1、非专利文献2、非专利文献3、非专利文献4)。 

在先技术文献 

非专利文献 

非专利文献1：P.Resnick，N.Iacovou，M.Suchak，P.Bergstrom，and J.Riedl.“GroupLens：Open Architecture for Collaborative Filtering of Netnews”In conference on Computer Supported Cooperative Work，pp.175-186(1994). 

非专利文献2：T.Hofmann and J.Puzicha，“Latent Class Models for Collaborative Filtering”，16^th IJCAI(1999). 

非专利文献3：百田信，伊東栄典，“ソ一シヤルブツクマ一クに基づく信息発見，”DEWS 2008，I1-15，Mar.2008. 

非专利文献4：Badrul Sarwar，George Karypis，Joseph Konstan，and John Reidl.2001.Item-based collaborative filtering recommendation  algorithms.In Proceedings of the 10^th international conference on world Wide Web(www‘01).ACM，New York，NY，USA，285-295. 

发明内容

发明要解决的问题 

这里，在非专利文献1和非专利文献4所示的技术中，针对每个推荐请求，分析历史信息来生成推荐结果，因此总是能够进行使用最新的历史信息的推荐，但在该技术中，如果历史信息越庞大，分析所需的计算量就会增大，因此存在难以实现实时推荐的问题。 

在非专利文献2所述的技术中，事先分析历史信息来定义相关性，因此与非专利文献1所述的技术相比，在有推荐请求时要分析的计算量小，容易实现实时推荐，但在该技术中，由于仅使用解析时间点的历史信息来定义相关性，因此存在没有使用最新的历史信息的问题。 

在非专利文献3所述的技术中，预先拣选要分析历史信息的对象，并仅在代表用户与被推荐对象用户之间定义相关性，因此与非专利文献1所述的技术相比，在有推荐请求时要分析的计算量小，容易实现实时推荐，但在非专利文献3所述的技术中，限制了利用的历史信息，因此存在降低了推荐精度的问题。 

因此，本发明就是鉴于上述问题而做出的，其目的在于提供一种不限制利用的历史信息并减少分析所需的计算量来实现高精度的推荐的推荐装置、推荐系统、推荐方法以及程序。 

用于解决问题的手段 

本发明为了解决上述的问题，提出了以下各项。为了容易理解，标注与本发明的实施方式对应的附图标记来进行说明，但并不限定于此。 

(1)本发明提出了一种推荐装置，其使用基于购买历史或阅览历史等用户的历史信息来定义相关性、并输出基于所述定义的相关性而被预测为用户感兴趣的内容作为推荐结果的协调过滤方法，所述推 荐装置的特征在于，包括：批处理单元(例如，相当于图1的批处理部1100)，其事先分析所述历史信息来生成推荐所需的信息；实时处理单元(例如，相当于图1的实时处理部1200)，其每当发生推荐请求时分析历史信息来生成推荐所需的信息；以及推荐结果输出单元(例如，相当于图1的推荐结果输出部1300)，其综合所述批处理单元的输出或/和所述实时处理单元的输出来输出推荐结果。