商品属性の重視度を把握することによる嗜好推定及び商品推薦手法の開発
8
0
0
全文
(2) řĔÓǑĤ±ǤǬĔý IPSJ SIG Technical Report. Vol.2012-HCI-147 No.20 2012/3/22. 1.2 m h q `. L4ħ&Lʈʋ"J7ƺǠ$,ıŗ702ʊĬɅljðLıŗÃȔÕ8Ćğ 7ƷG85OÙſ&LʋÙſ8ǿƙʊȔÕ8Ćğ7ƷıŗÃ4ȼɄ"M ,ĕö79ʊĬɅljȔÕ8Ćğ7Ʒ/2L4"MʊĆğǿƙ46Lʋɘ7Ćğ ǿƙOƶFLĒǃɐʇıŗʈĆğ7ƷN6ĕö79ʊƋǼǝ7*8ĬɅlj9Ć ğ7ƷN64Ùſ"MLʋ. Ɠɂž39ʊC' 2 ǯ72ȝȎJ8ħȋ&L
(3) ğC$4Ŝ%LC38zfd 702ȾƄ&Lʋ 3 ǯJ9ʊĨɵ7ȝȎðKǽP-ǤǬÐī4*8şƙOɖ@Lʋ3 ǯ39^ p`vd8ŋÝ7ȱMʊ MC38^pťȢ58ǩŁ*8ŋÝOɜş $2,7028ȾƄOȡʋ4 ǯ39^p`vd8ŋÝOǂ,&Ćğ Ŧŷ8ζǝ6Ţƹʊí<*8ŢƹOǔ,ȷ¹bdm8Q_eƣȩ70 2ɖ@Lʋ5 ǯ39ȷ¹bdm3ŤăĀřĔí<bdmŹ¹Ɓƹ702ʊ6 ǯ39ȷ¹bdm8ȶ¿Ĩʄ702ɖ@ʊ7 ǯ39C4F4İƏ702ɖ@Lʋ. /-&.)'0. 2. L O r P 1 8 ( ' d g [ J I : # ; 0 ' f ? Q x 3ʊȝȎJħȋ&L
(4) ğC$4Ŝ%LC38zfd ʊí<*MOɂ% L,F7őȩ6õƣŕ8ȣǐƁƹ702ɖ@LʋC,ʊƓǯIK
(5) ğC$4Ŝ% LC38zfd O
(6) Ćğƶħzfd 4ȣǐ&Lʋ 2.1 x i s ăĀ658ĬɅljG0NJŐOʊıŗí<ıŗÃ3ȣǐ&LʋıŗÃ 49ʊĬɅljĨɵ7ðLNJŐÃ8 43LʇɍʊȚƚʊ1000 Ñ65ʈʋC, ıŗ9ıŗÃʇNJŐÃʈ8ÕʀøʇNJŐøʈ3LʇșʊƚʊÃư65ʈʋ ĆğǿƙOʊ
(7) ƋǼǝ7ğC$4Ùſ"M,ĬɅljHăĀʊG$ 9ğC$ 4Ùſ"M,ĬɅlj84LıŗÃ8Ƥşuh 4&Lʋ ĆğǿƙOƶFLĒǃɐ ʇG$ 9ĒǃɐʈOʊ
(8) ĆğǿƙOħ¬8Ŋ ɺÞ3ķó&Lıŗ 4&Lʋ 2.2 L O r P 1 8 ( ' p \ j 2.1 ǯ3ɖ@,õȣǐƁƹOǔ2ʊȝȎJħȋ&LĆğƶħzfdOČ 1 7 ȣ&ʋ ȝȎJ8ħȋ&LĆğƶħzfd8Ŧŷ49
(9) ĆğǿƙOƶFLĒǃɐ8 ņ"OŦŷ&L 4 3LʋC,ʊ ĆğňşzfdOȍŞ$,ĆğŦŷO
(10) Ć ğǿƙOƶFLĒǃɐ8ŊɺÞ8tdOȍŞ$ʊNjƸ7œ%2ĆğŦŷ7őȩ 6Ēǃɐ8ðűɞŧOȡ 4 í<
(11) ĆğŦŷ7őȩ6ĒǃɐOǔ2ʊĬɅlj Ćğ7Ʒ5OÙſ&L,F8ŢɼOħȋ&L 4 4&Lʋ¬ ʊ*8ȾƄOɖ@Lʋ LĬɅlj7Ĭ$ʊ*MȔÕ8Ćğ7Ʒ/2L5OȼɄ&Lɵ79ʊ C'*8ĬɅljŬ0ıŗ8JʊȔÕ74/2ĆğǿƙOƶFLĒǃɐ46L G87ƺǠ&Lʇ 3ʊĆğǿƙOƶFLĒǃɐ9049ɱJ6ʊ03.
(12) .
(13) . 2
(14) " $!. *+,(. . -. 3. *+,(. 1. -. "1#% . . Č 1 Ćğƶħzfd ĆğǿƙOƶFLĒǃɐʇıŗʈȧŽLĕö79ʊ*M+M8Ēǃɐ8ņ" KʊIKņĒǃɐA5Ćğ7Ʒ58ƶħ7Ĝ Ŋɺ&LʋŊɺÞ 9ńĆğ7Ʒ58ƶħȩĊ76KLĒǃɐLĕöʊIKņŊ ɺÞOŬ0Ēǃɐ8ĆğȖǿƙ7I/29Ēǃɐ4$2śþOŬ,6 4G LʋC,ʊ5P6ĕö7GĆğ7Ʒ58ƶħ7ŊɺOíB"6I6Ē ǃɐGLʋ C,ʊ 3ƺś&@9ʊĆğǿƙ9 C3*8ıŗÃ8ƤşuhO
(15) ȃ öǝ7Ùſ$2 ğC$4"M,G83L4Dž3LʋĬɅljĆğ7Ʒ û8ƶħţ9ő'$G
(16) ğC$4Ùſ"MLıŗÃ8Ƥşuh4Ȗ &L 4 49ɱJ6ʋ. 2. ⓒ 2012 Information Processing Society of Japan.
(17) Vol.2012-HCI-147 No.20 2012/3/22. 情報処理学会研究報告 IPSJ SIG Technical Report. さらにレコメンドサービスに求められる役割は以下の通りである[3]． （役割 A）ユーザの行動履歴を蓄積・分析しユーザの嗜好に合わせた商品を表示する （役割 B）ユーザに思いもよらない「気付き」を与え，潜在的ニーズを引き出す 3.2 レ コ メ ン ド 技 術 の 課 題 こういったレコメンドの役割を実現するために，現在までに様々なアルゴリズム技 術が開発されている．現在 EC サイトなどで実際に使われている代表的なものとして は，ルールベース，コンテンツベース，協調フィルタリングなどがある（表 1）．前述 のレコメンドの役割のうち，（役割 A）『ユーザの行動履歴を蓄積・分析し，そのユー ザの嗜好に合わせた商品を表示する』ことを実現するのが比較的容易なのはコンテン ツベースである．. そのため，仮に 「好ましいと判断される，属性値の構成パターンと一致すること」 が嗜好に沿うかどうかの決定打である 場合には，本論文では 対象物のもつ全て （もしくはほぼ全て）の属性が嗜好結果を決める基準軸として強い影響力を持って いる と表現する． 2.3 嗜 好 結 果 を 決 め る 基 準 軸 の 把 握 に お け る 留 意 点 嗜好結果を決める基準軸の強さを把握するための十分意味のある情報を得るには， 後述するコンジョイント分析を用いたサンプル評価実験のように，ユーザに調査側の 狙いを意識させないような手法を取ることが必至である．ユーザ本人に直接，アンケ ートなどから調査することは望ましい方法ではない．あくまで回答者の自覚している 範囲での回答は得られるが，回答者自身が無意識に持っている基準軸が存在する場合， 回答者の回答結果は意味を成さない． 2.4 実 際 問 題 へ の 適 用 で 期 待 で き る こ と ここまでは嗜好決定プロセスを考慮することによる嗜好把握の概念について述べ た．この概念を用いることにより「商品やサービス」と「ユーザの残した情報」とで 共通するべき特徴のパーソナライズが可能となる．また，前章で述べたような「選択 肢の狭い商品・サービス提供」や「嗜好に適合しない商品・サービス提供」の回避が 期待でき，結果としてユーザは商品やサービスの被提供者となりながらも自らが主体 となって自分に向いた商品を選ぶことのできる快適な商品提案を受けることが出来る． 著者はその一例として，レコメンドシステムにおける嗜好把握の精度と幅広い推薦 の両立を目的とした研究を行った．この研究では， 「嗜好結果を決める基準軸」として 「商品に対する属性重視度」を嗜好把握に用い，上述の目的達成を試みている．3 章 以下では，その実施背景及び概要，結果報告について述べる．. 表 1 レコメンドの役割と各レコメンドアルゴリズムの特徴 A ユーザの行動履歴を蓄積・分析 B ユーザに思いもよらない「気付 し、そのユーザの嗜好に合わせた き」を与え、潜在的ニーズを引き出 商品を表示する す機能. ルールベース. 運営者がマーケティングデータなどに基づいて任意にルールを設定す るので、ユーザの嗜好は反映されにくく、潜在的ニーズを引き出す工夫 もされていない ⃝. コンテンツベース. 協調フィルタリング. 3. レ コ メ ン ド 技 術 の 現 状. ユーザの好みを学習すれば、それ 推薦アイテムの固定化が起きやす と類似した商品を推薦することで く、既にユーザ自身が自ら探してい るようなアイテムばかりが推薦され ユーザの嗜好を反映できる る △. ⃝. 他ユーザとの嗜好類似度を上手く 計算できれば可能 しかし、そのための理想的なデー タ収集が困難. 他ユーザの購買履歴から推薦アイ テムを選ぶため、ユーザが自ら探 しに行かなかったようなアイテムを 推薦できる. コンテンツベースはユーザの選択したアイテムとの関連性を用いて推薦を行うこ とで，その内容をユーザの嗜好に合わせることができる．しかし，コンテンツベース では一度ユーザの嗜好を学習すると推薦されるアイテムの内容が固定化してしまい， 同じようなアイテムばかりレコメンドされるという欠点があるため，現状のままでは （役割 B）を果たすことができない．一方，（役割 B）『ユーザに思いもよらない「気 付き」を与え，潜在的ニーズを引き出す機能』を実現させているのは協調フィルタリ ングである．しかし，協調フィルタリングは予測のために多くの嗜好データを必要と するため，嗜好データが十分蓄積されていない状態では精度が低い．このため，多く の場合は行動ターゲティングやコンテンツフィルタベースなどの別の手法によって補 完し，精度の高い予測を実現しているのが現状である[4][5][6]．協調フィルタリング. 3.1 こ れ ま で の レ コ メ ン ド 技 術 と そ の 役 割. レコメンド技術は，ユーザがより多くの商品を閲覧し，興味を持つ仕組みを提供す る技術として注目されてきた．1990 年代後半から 2000 年前半にネットマーケティン グ業界で話題となった．レコメンド技術のトレンドはその後いったん収まるが，レコ メンドソリューションの低価格化などにより 2005 年頃から再度話題となっている． また，レコメンド技術を用いたレコメンドサービスの基本的な流れは以下のように なっている． ①レコメンドするために必要な情報を収集する ②収集した情報をルールに基づきモデル化する ③特定の条件によりマッチングしたアイテムを表示する. 3. ⓒ 2012 Information Processing Society of Japan.
(18) Vol.2012-HCI-147 No.20 2012/3/22. řĔÓǑĤ±ǤǬĔý IPSJ SIG Technical Report. 3^p8ʇŋÝʏʈ ʇŋÝʐʈO&@2ƙ,&ĕö79ʊ /,nhȞǫ 7 LĄɿOȰƶ&LőȩLʋ. eqahq_. 84.. ,-;. ?92 M!$. 4. U ] y _ ] d g s G = % ' , 3 p . \p^mWpf
(19) (. ƓǤǬ39ʊ3 ǯ72ɖ@,^p8ʇŋÝ AʈI<ʇŋÝ BʈO&@2ƙ, & 483L^pbdm8ĨǐOǠǝ4&Lʋ* 3ʊ¬ 3.1 ǯ7ɖ@ LɤȫıŗOǔ,ŜŗŦŷ8ŢƹOʊƃģ8^ml{dQ_e7ɝǔ $,ȷ¹^pbdmOɫǛ$,ʋ ^ml{dOëđ4$, 47029ʊăĀıŗ8ɤȫŁ7Ē1ȤŴȟ ȎƓ¤8ăĀɞŧzfdOǻ ɗőȩL,FʊăĀıŗOǔ2ŴȟOȡ ^ml{dOǔ,Q_eɫǛĠŇ-4Ùſ$, 47ILʋ ^ml{dQ_eOëđ4$2L,Fʊ2.2 ǯ3ɖ@2LI7 ʇŋÝ Aʈ
(20) a8ȡãijƮOȞǫÕƘ$ʊa8Ćğ7öN(,ăĀOȣǦ& L 49ʊĒƓǝ7ǂ,"M2LG84&Lʋ ¬3ʊ^ml{dQ_e8ʇŋÝ AʈOƙ,(LNjŝOȂŬ$,C CʊŴȟQSm8Ðīčħå&L 4ƪDžOȦʇŋÝ Bʈ
(21) a7ŖG IJ6
(22) Ʋª OʊDŽĎǝreOŃÔ& Oƙ,&Ţƹ702ɂ%Lʋ 4.1 J I U ] V y L O d g : p ^pbdm72ʊɌɉijƮ65Oǔ2a4ăĀOɭɚª Lɵ 79ʊăĀøê´G$ 9ăĀıŗÃʇɍʊʊjUkZʊypø65ʈOǔ ,Xm_ê´3ȳɨ"ML8Șǝ3Lʋ ƓǤǬ8ȷ¹bdm39ʊăĀê´HăĀıŗÃ8D38a8ȡãijƮOð ŏÕƘOȡ 49('ʊăĀ8ıŗʇșʊňʊƚʊyp65ʈí<ıŗÃO ÷Ɔ7ŤʋC,ʊ*83a8ɤȫ&LıŗOŦŷ$ʊ*8ǿƙ7IK58ı ŗ8ıŗÃřĔ7TUSoOȈ2a8ĆğŦŷOȡ@OÙſ&LʋC,ʊ a8ɤȫ$6ıŗ7029a8Ćğ7Ŋɺ$7 ıŗ4Űʊȡãn hðŏ7ILĆğŦŷO2ȡN6ʋ M7IKʊa74/2ăĀ7ȗþ OŬ0,F7őȩƋµɱ8ƕ¯Oǂ,$6Jȡãnh7ćNM&6ļĿ ^pŴȟ4ʊ*M7ILŴȟÐī8čħå8ȅÿOȷDLʋŴȟÐī8čħåO ȅÿ&L 47IKʊŴȟÐī7a8ɞŧ¸ďʇʎƲªʈOƯ& 43L(ʎ ŋÝ B 8ɜş)ʋ ɤȫıŗOȍŞ$,ȷ¹^pbdm7 LʊăĀŴȟƁƹ8ƣȩ9Čʌ 8əK3KʊC6ɼŀO¬7ɖ@LʇǙô9Čʌ7Ĭœ$2Lʈʋ. 92 # MIRM 5-; r VZ`_%MQs. 92 lq]. . @0. 92 7" MYXpf 7 :3-; M7"= rVZ`_ )s ? r JMQ's. / . +. . . 92 LST9QF . @. HM. UPICJ*61. Alq]KMidcp[. . +M4. >92 M E GN npbjJ<U4.. +. Bo\kpg<M4. > +<LUO&D. o\kpg-;. Č 2 ȷ¹bdmÐ8ĆğŦŷ4ăĀ^p8ƽM. 4. ⓒ 2012 Information Processing Society of Japan.
(23) Vol.2012-HCI-147 No.20 2012/3/22. 情報処理学会研究報告 IPSJ SIG Technical Report. l. 類により分析する． 算出された各属性値の t 値（>0）から，同属性の中で最も大きい値を取る t 値を， その属性の重視度とする． l 属性を分けてサンプル評価を複数回行う場合は，基準となる属性を決めた上で， 全てのサンプル評価で基準属性が必ず評価対象となるようにする．その後，それ ぞれのサンプル評価ごとに数量化理論 1 類の計算を行い，重視度については基準 属性の重視度を元に，全ての属性を同比率で計算できるように変換する． 試作システムでは，以上の手順（重視属性の把握）を，初めてレコメンドシステム を使用するユーザに対しレコメンドを行う前の段階で行う． 4.3 重 視 属 性 を 用 い た ユ ー ザ と 商 品 の マ ッ チ ン グ 評 価 方 法 試作システムでは，3.2 章で述べた手順にてユーザの重視する属性を把握後，ユー ザの行動傾向（行動履歴）と各属性の重視度からデータベース内の商品得点（＝ユー ザ嗜好とのマッチングの高さ）を計算する．その詳細を以下に示す． l 該当属性内での属性値の嗜好度を,全ての属性値について計算する． (該当属性内での属性値の嗜好度). まず以下の分析を，ユーザごとに行う． ①ユーザが商品選択の際に重視する商品属性を把握する ②ユーザの重視する商品属性をキーとして，ユーザの行動や購買の履歴から嗜好 を把握する l また，ユーザの嗜好に基づき，データベース内の商品評価を行う際には，以下の ようにする． ③ユーザの重視する（キーとなる）商品属性について，行動や購買の履歴におい て選択回数の多かった属性値をとる商品を推薦対象にする ④ユーザの重視しなかった商品属性について，行動や購買の履歴における選択回 数は考慮せず，ランダムもしくはその他の手段で選ばれた属性値をとる商品を推 薦対象にする． 4.2 コ ン ジ ョ イ ン ト 分 析 を 用 い た 重 視 属 性 の 把 握 方 法 4.2.1 コンジョイント分析 試作システムにおける重視属性の把握についてはコンジョイント分析を用いる．コ ンジョイント分析とは，商品を直接的に対象者に評価させるのではなく，考えうる商 品属性値の組み合わせを実験的に作成し，各々について評価させる実験計画法である． また評価時に提示する商品の具体的属性値にトレードオフが発生するようになってい る．そのため，評価結果に対し重回帰分析や数量化理論Ⅰ類などの統計処理を行うと， 各対象者が潜在的に考えている「本当に重視する商品属性」を明らかにすることが可 能となる． コンジョイント分析のもう一つの利点的な特徴は，分析に必要最低限の評価用サン プルを用いる点である．例えば 4 属性 3 水準の商品評価を行う時，通常では全ての組 み合わせを再現するために 81 のサンプル評価が必要となるが，コンジョイント分析で は 9 つのサンプルパターンに対して評価を行えばよい（サンプルパターンの作成には， 直交配列表などを用いる）．コンジョイント分析で必要なサンプルパターンの少なさを 利用することで，重視属性把握時におけるユーザからの情報抽出時のユーザへの負担 軽減が期待できる[7]． 4.2.2 コンジョイント分析による重視属性の把握方法 コンジョイント分析による重視属性把握の方法は以下のとおりとした[8][9][10]． l あらかじめコンジョイント分析用の商品サンプルパターン（予め直交配列表によ り作成しておく）に対し，ユーザが商品評価を行う． l サ ン プ ル 用 商 品 の 各 属 性 値 を ダ ミ ー 変 数 と し て 扱 い （ 属 性 値 ご と に 『xred,xblue,xgreen, ,xsolid,xflower, 』のような変数を用意し， 各アイテムが各 属性値に該当すれば 1，該当しなければ 0 として扱う．），評価結果を数量化理論 1. l. ＝. (該当属性内の属性値種類数) (該当属性値の選択回数) (累計商品選択回数) (該当属性値の存在数). l. 該当属性内での属性値の嗜好度と各属性の重視度を用いて総合的な属性値の嗜好 度を計算する． （属性値の嗜好度）＝（該当属性内での属性値の嗜好度） （属性重視度） l 各商品が該当する全ての属性値について総合属性値優先度の和を取り，商品得点 とする． なお，今回構築した試作システムでは最も重視度の大きい属性以外の属性重視度を 全て 0 として商品得点を計算する．. 5. 試 作 シ ス テ ム で 扱 っ た 属 性 と 試 作 シ ス テ ム の 使 用 方 法 この章では，実際に構築したシステムで具体的に扱ったアイテムとその属性・属性値 やシステム操作方法について触れる． 5.1 使 用 し た 推 薦 ア イ テ ム と 属 性 の 設 定 試作システムでは， ZOZOTOWN（http://zozo.jp/）にて 2011 年 9 月時点で取り扱わ れていた婦人用の洋服から， 「ワンピース」のみを対象として計 227 種類の画像及び商 品情報を引用し，レコメンドアイテムとして実験的に用いた． 5.1.1 属性設定の基準 本研究では，以下の基準を設け，試作システム内で用いる属性及び属性値の設定を行. 5. ⓒ 2012 Information Processing Society of Japan.
(24) Vol.2012-HCI-147 No.20 2012/3/22. 情報処理学会研究報告 IPSJ SIG Technical Report. った． l コンジョイント分析における数量化理論 1 類の計算過程において多重共線性が出 ないようにすること l 想定ユーザ層の大半が軽視する属性は省くこと l 想定ユーザ層内で，商品評価への影響がユーザ次第で大きく変わりやすい属性を 積極的に採用すること 5.1.2 試作システム内で扱う属性の設定 4.1.1 章の基準を元に，試作システム用に 3 種類の属性及び，3 11 種類の属性値を 設定した．設定した属性及び属性値を以下の表に示す（表 2）． なお，コンジョイント分析を用いた重視属性把握（サンプル評価）では，表 2 にて 1 9 の番号がついている属性値のみを用いた． 表 2．属性・及び属性値一覧表 5.2 シ ス テ ム 画 面 及 び 使 用 方 法 以下に試作システムの使用画面及び使用方法を示す． l 初回アクセス画面（サンプル評価画面）. . l. 図 4 初回レコメンド画面 初回レコメンド画面では，商品データベースからランダムで 36 の商品を選択， 表示する．表示された商品画像の中から欲しい商品を選びレコメンドボタンを押 すと，3.3 章で述べた商品マッチング評価計算がシステム内部で行われる． レコメンド画面（兼行動データ取得画面） 初回レコメンド画面と同様の画面内容を表示させる．ただし，レコメンド内容は， 商品データベースから，商品マッチング評価点の最も高い 36 商品が，降順で表示 される．この画面でも初回レコメンド画面と同様の手順を踏むことで，行動デー タ及びレコメンド評価点の更新を行う事ができる． （行動データについては，基本 的に初回アクセスからのデータが蓄積される．）. 6. 評 価 実 験 試作システムの評価実験を行った．評価のポイントは，(a)行動データ取得による嗜 好把握の精度，(b)推薦内容の固定化をどれだけ防げたか，の 2 つとする．それぞれ， 3 章で述べたレコメンドの（役割 A）（役割 B）に対応している． 6.1 実 験 方 法 被験者は 20 代の OL 4 名であり,試作システムで引用した購買サイト(ZOZOTOWN) のユーザ層として想定し,協力を仰いだ．以下に実験手順を示す． l 5.2 章に示す使用手順に従い，被験者に試作システムを使用させ，重視属性の判定 を行う． l 初期レコメンド画面から被験者の行動データを取得する．評価実験ではレコメン ド一回につき選択できるアイテムは全員一つまでとし，これを行動データとした． l システム内で，3.3 章に示す商品マッチング評価計算による計算方法（重視属性あ りレコメンド計算）と，同計算方法で全属性の重視度を 1 に統一した計算方法（重 視属性なしレコメンド計算）を同時に行う． l 評価実験用に作成したレコメンド画面を表示させる．計算された二通りの商品マ. 欲しいもの（いらないもの）をclick. 図 3 サンプル評価画面 重視属性判定用のサンプル評価を行う．一画面に 18 のサンプル画像が表示され る．欲しいと思う洋服，更に欲しいと思う洋服，いらないと思う洋服，更にいら ないと思う洋服，の順にしぼり込むように画像を選択させる．システム内部では， 選択内容をもとに，全サンプル画像に対し(−2) (＋2)の五段階評価値を付与する． 試作システムではこの作業を二回行わせ，それぞれで属性「色」と属性「丈」 の重視度バランス，及び属性「柄」と属性「丈」の重視度バランスを計算する．. l. 初回レコメンド画面（兼行動データ取得画面）. 6. ⓒ 2012 Information Processing Society of Japan.
(25) Vol.2012-HCI-147 No.20 2012/3/22. řĔÓǑĤ±ǤǬĔý IPSJ SIG Technical Report. kj[ȶ¿8DžŽƋGʅ/, 10 Á8ăĀǗÆOʊi7@Ŷ2* M+MȣǦ"(ʊ10 Á 08QSmƬ$4ŖLOĉdz$2GJʋ ¬8ŢɼO 5 ĉȡʋ6 2 ĉǠ¬ɰ39ʊØƑ^pǗɹ8Ðī396 ʊăĀkj[ȶ¿ȲǴ7Ē1,^pǗɹʇ36 ăĀʈJȡãn hOðŏ&Lʋ ɤȫıŗK8^p4ɤȫıŗ6$8^p3ȶ¿8So(a)(b) OƱɒ&Lʋ 6.2 Q ~ o : S 6.2.1 D-;)HZ LOdg}V C'ĆğĤȌ8ǷŁıŗɤȫŁOȍŞ$,ĕö4ȍŞ$26ĕö43ʊŴȟǷ Ł758ǩŁ8ĸÔ,OƠȵ&Lʋȣ 3 9ʊĨʄ3Ȳ 50 ¯ŵǦ"M,QSm8 .
(26) ȗþL 4ȶ¿"M,QSm8ÝöʇŴȟ8ɝöǏʈOǦ&ȣ3Lʋ C,ȣ 3 39ʊɤȫıŗOȍŞ$,ĕö8Ŵȟ8ɝöǏʊɤȫıŗOȍŞ$6ĕ ö8Ŵȟ8ɝöǏ8·Â3LʇıŗɤȫŁ8ȍŞâƙʈG÷Ɔ7Ǧ$2Lʋ "J7Ȳ 50 ¯8QSmŴȟOə$2Ë ÷%QSmȧŽĉŴȟ"M,ĕö 8ȲǴÓǑOəKȡ/,ʋɤȧQSmŵǦ"M,ĕöGŴȟǷŁ8ȲǴ7üF LĕöʇɤȧŴȟüʈ4ƃ7ĉŵǦ"M,QSm9Ŵȟ"M6/,4D6$ʊ *8ÕŴȟĉŽO 50 ĉIKǀJ$2ȲǴOȡĕöʇɤȧŴȟɳĚʈ43*M+MŴ ȟ8ɝöǏOǴÔ$,ʋ ȣ 3ʋŴȟ8ɝöǏ8Ʊɒ % % " $ & # . . . .
(27) (
(28) ). ! ! . ! !!.
(29) *. . !.
(30) . . .
(31)
(32)
(33) .
(34) .
(35) .
(36) .
(37) .
(38)
(39) . .
(40) . .
(41)
(42) . . . . . . . . . . . Č 5 Ŵȟ8ɝöǏ8ƱɒʇɤȧŴȟɓʈ Č 6 Ŵȟ8ɝöǏ8ƱɒʇɤȧŴȟɳĚʈ 6.2.2 eARMPE . . % % " $ & # . . .
(43) .
(44) . %. .
(45) '.
(46) .
(47) . . %. . ȝ$ L 496/,ʋC,ʊ˶ǝ7ɤȧQSmOǢ,ɝöǏ7Ĭ$ʊ ɤȧQSm8ŴȟOüF,ɝöǏ9ɤȫıŗȍŞ8ƍdž7ɭNJ'µʋ M9Ȥ ʄȎ74/2ğC$ 6QSmȇKɕ$ȣǦ"M,4 43Kʊȡãn hðŏ7ILĆğŦŷ*G*GŢ /26 4ȬLʇɡ8ȤʄȎ 3ıŗɤȫŁ8ȍŞâƙȝ$ µ8Gʊ 8 4ëĊ3L4Ŵǁ3Lʈʋ ɤȫıŗȍŞ8ƍdž7ɭNJ'˶ǝ7Ŵȟ8ɝöǏµ 4GɎCL4ʊı ŗȴħɝÖ36ʇȍŞ&@ıŗħȋ"M26ʈ 4Ŵǁ"MLʋ. . . . . . . . . .
(48) . Č 7ʋ÷%ıŗÃuh8ÔǐǏ ȣ 3 8ǿƙO[x7Ǧ&ʇČ 5ʊČ 6ʈʋȣ 3ʊI<Č 5ʊČ 6 8ǿƙIKNL I7ʊĒƓǝ7ɤȫıŗȍŞ&L 4ʇļĿŴȟOȡ 4ʈ3Ŵȟ8ɝöǏ. Č 7 9ʊȲ 5 ĉ8^p3*M+Mĉ 10 QSmŵǦ"M,.ʊËıŗ. 7. ⓒ 2012 Information Processing Society of Japan.
(49) Vol.2012-HCI-147 No.20 2012/3/22. 情報処理学会研究報告 IPSJ SIG Technical Report. 謝辞 本研究は,一部,科学研究費補助金・基盤研究（Ｓ）「実空間における複合感性と状況 理解の多様性のロボティクス的モデル化とその応用」,挑戦的萌芽研究「感性的等価性 に基づく QOS 概念の拡張に関する研究」,中央大学理工学研究所・共同研究「感性ロ ボティクス環境による共生的生活空間の構築と感性サービスへの応用」などの支援を 受けて実施した．. の属性値パターンが完全に重複しているアイテムが既に上位に表示されていたアイテ ムの存在比率を示す図である．全被験者の結果の平均を示している． 図 7 から分かるように，重視属性を考慮した方が考慮しない場合に比べて属性値パタ ーンの重複が少ない結果となった．重視属性を考慮することによる幅広い推薦が成功 していることが分かる．. 7. ま と め と 今 後 の 展 望 本論文では，ユーザが個々にもつ商品属性の重視度合いを考慮した嗜好把握の手法 を提案した． また，コンテンツベースアルゴリズムを原型とした，属性重視度を考慮する商品推 薦システムの試作を行った．これによりレコメンドシステムにおいての 2 つの役割 『（役割 A）ユーザの行動履歴を蓄積・分析し，ユーザの嗜好に合わせた商品を表示す る』及び『（役割 B）ユーザに思いもよらない「気付き」を与え，潜在的ニーズを引き 出す』の両立を目指した．その結果，コンテンツベースアルゴリズムの欠点である推 薦内容の固定化を緩和し， （役割 B）の達成に成功した．しかし，コンテンツベースア ルゴリズムを原型とすることで既に満たされているとしていた（役割 A）については 属性重視度考慮の有無に関わらず達成できていなかった．その原因として，属性の定 義に問題があることが推測された． 今後の課題として，まず試作システムで扱う属性の再吟味を行い，理想的な属性定 義を行った上での推薦の適合率の再検証を行うことと，属性重視度の把握を行う推薦 システムの汎用性を高めるため，理想的な属性設定をさまざまな商品テーマに対して 行える手法の確立を挙げる． また，本研究では各商品への属性，属性値の付与を全て手作業によるタグ付けで行 なっている．これは付与の手間がかかる点，及びタグ付け時の属性値の判断がダグの 付与者による主観に依存するという点で実用的な方法ではない．試作システムをより 実用的なものにするために，今後は商品画像に対する画像処理を用いて，このタグ付 けを機械的に（＝統一されたルールで）行う技術の開発を併せて行う必要がある． さらに，本研究ではユーザの【嗜好結果を決める基準軸】をユーザにとって明示的 な手法（コンジョイント分析）で得ているが，著者らの最終目標は「ユーザにとって 快適な商品・サービスの提供」である．そのためユーザにとって負担の少ない暗黙的 な情報取得方法の研究の必要性についても今後の長期的な課題として挙げる．. 参考文献 1)西村 夏紀：消費者の重視する属性に基づいた商品選択に関する感性のモデル化，中央大学理 工学部経営システム工学科卒業論文，2010 年 2 月． 2)仁科 美里：消費者の重視する商品属性を考慮したインテリアのレコメンド，中央大学理工学 部経営システム工学科卒業論文，2011 年 2 月． 3)高島理貴： 「レコメンド技術」が今再び注目される理由--EC サイトのレコメンド技術を考える， ZDNet Japan，(http://japan.zdnet.com/web/sp_08ec/20372238/)，(参照 2012-02-05） 4)IT 用語時点 BINARY：協調フィルタリングとは，(http://www.sophia-it.com/)，(参照 2012-02-05) 5)市川 裕介：協調フィルタリングを用いたレコメンドサービスの導入事例と課題(ネットワーク 上のユーザ行動に着目した嗜好抽出・情報推薦, <特集>利用者の好みをとらえ活かす-嗜好抽出技 術の最前線-)，情報処理学会誌，Vol. 48, No. 9, pp. 972-978, 2007 年 9 月. 6)東京大学情報学環 ベネッセ先端教育技術学講座：あなたに「ぴったり」な学びをかなえる技 術−教育における協調フィルタリングの可能性を考える−(2008 年度 第 1 回公開研究会レポート)， (http://www.beatiii.jp/seminar/034.html)，(参照 2012-02-05) 7)上田太一郎，近藤宏：Excel でできるデータ解析入門−すぐに応用できる 13 事例—，同友館， 2006 年 12 月 8)朝野煕彦：入門 多変量解析の実際，講談社，2010 年 10 月. 9)井上勝雄：エクセルによる調査分析入門，海文堂，2010 年 5 月 10)青木繁伸：数量化 I 類と重回帰分析の関連についての解説 『数量化Ⅰ類はダミー変数を用 いた重回帰分析である』，群馬大学 情報科学部ホームページ内の著者個人ページより， (http://aoki2.si.gunma-u.ac.jp/LaTeX/LaTeX.html)，(参照 2012-02-05). 8. ⓒ 2012 Information Processing Society of Japan.
(50)
関連したドキュメント
➢
るものとし︑出版法三一条および新聞紙法四五条は被告人にこの法律上の推定をくつがえすための反證を許すもので
い︑商人たる顧客の営業範囲に属する取引によるものについては︑それが利息の損失に限定されることになった︒商人たる顧客は
・グリーンシールマークとそれに表示する環境負荷が少ないことを示す内容のコメントを含め
そこで、そもそも損害賠償請求の根本の規定である金融商品取引法 21 条の 2 第 1
令和元年 12 月４日に公布された、「医薬品、医療機器等の品質、有効性及 び安全性の確保等に関する法律等の一部を改正する法律」（令和元年法律第
幅広いお客さまのニーズを的確にとらえた販売営業活動と戦略的な商品開発に取り組むことにより、あ
冷凍庫及び冷蔵庫周辺の温度を適正な値に設定すること。
