项目推荐系统、项目推荐方法以及程序与流程

本发明的实施方式涉及项目推荐系统、项目推荐方法以及程序。

背景技术：

在web页面检索服务、ec(electroniccommerce，电子商务)服务、新闻分发服务等各种服务的领域中项目推荐系统得以利用。所谓项目推荐系统是指从包含有多种多样的项目的项目群中选择向用户推荐的项目(以下称作“推荐项目”。)并进行提示的系统。典型的项目推荐系统从项目群中选择被预测为与用户的喜好性相符合的推荐项目而提示给用户。例如，针对项目群中包含的各项目，计算表示与用户的喜好性相符合的程度的预测评价值，将预测评价值高的项目作为推荐项目选择并提示给用户。

另一方面，从即使是与用户的喜好性相符合的项目但如果是既知的则不是有用的、这样的问题意识出发，还进行了将重视了惊喜性(serendipity)的推荐项目提示给用户的尝试。所谓惊喜性是包含新颖性、意外性、巧合性等的概念。直接定量地评价惊喜性是很难的，因此，提出了各种替代指标。作为其中的1个为使用多样性(diversity)的尝试。在此的多样性是指提示给用户的推荐项目彼此是不相互类似的。使用了多样性的项目推荐系统将很大范围的领域的推荐项目提示给用户。若其中包含有对于用户而言具有意外性且颇有意思的推荐项目，则能够产生很高的用户满意度。

提示被预测为与用户的喜好性相符合的推荐项目的手法，虽然无法期待如提示重视了惊喜性的推荐项目的手法那样产生较高的用户满意度，但是仅提示用户不持有关心(即不感兴趣)的推荐项目的可能性较低，因此，具有针对推荐结果而言的用户满意度的分散较小(稳定)这样的特征。相反，提示重视了惊喜性的推荐项目的手法虽然有时能产生很高的用户满意度，但是仅提示用户不持有关心的推荐项目的可能性也较高，因此，具有针对推荐结果而言的用户满意度的分散较大的特征。因此，也提出了融合两个手法、在实现相对于推荐结果而言的用户满意度的稳定化的同时也可期待产生较高的用户满意度的项目推荐系统。例如，存在有在与用户的喜好性相符合的推荐项目的列表中混入新产品或者不广为所知的项目而提示给用户的系统。

现有技术文献

非专利文献：

非专利文献1：j.canny.collaborativefilteringwithprivacyviafactoranalysis.inproc.ofthe25thannualacmsigirconf.onresearchanddevelopmentininformationretrieval，pp.238.245，2002.

非专利文献2：n.hurley.keynote：towardsdiverserecommendation.inrecsysworkshop：noveltyanddiversityinrecommendersystems，p.1，2011.

非专利文献3：c.-n.ziegler，s.m.mcnee，j.a.konstan，andg.lausen.improvingrecommendationliststhroughtopicdiversification.inproc.ofthe14thint’lconf.onworldwideweb，pp.22.32，2005.

非专利文献4：k.swearingenandr.sinha.beyondalgorithms：anhciperspectiveonrecommendersystems.insigirworkshoponrecommendersystems，2001.

技术实现要素：

发明要解决的课题

在使用项目推荐系统的服务的运用层面，如何减少客户流失的产生风险、即客户放弃服务的利用或将所利用的服务切换成其他替代服务的风险是很重要的。即便提示了可获得平均来看为某种程度较高的用户满意度的推荐结果，若局部来看用户满意度低的推荐结果的提示连续，那么客户流失的产生风险较高。即，若被提示了令人失望的推荐结果，则用户就会开始对服务抱有不信任感。然后，若令人失望的推荐结果的提示超过允许次数地连续，则存在用户无法忍受而放弃该服务的利用或者将所利用的服务切换成其他替代服务的可能性。因此，迫切需要构建出能够减少客户流失的产生风险的同时对推荐结果可期待得到稳定且较高的用户满意度的结构。

本发明所要解决的课题为，能够减少客户流失的产生风险的同时对推荐结果可期待得到稳定且较高的用户满意度的项目推荐系统、项目推荐方法以及程序。

用于解决课题的手段

实施方式的项目推荐系统具备第1推荐引擎、第2推荐引擎、混合器、用户界面、计算部及比率控制部。第1推荐引擎从项目群中选择被预测为与用户的喜好性相符合的第1推荐项目。第2推荐引擎从所述项目群中选择虽然与用户的喜好性不相符合但可期待用户持有关心(即感兴趣)的第2推荐项目。混合器将所述第1推荐项目和所述第2推荐项目混合，生成向用户提示的推荐项目群。用户界面将所述推荐项目群以可操作的方式向用户提示。计算部基于用户对所述推荐项目群的操作，计算表示用户对所述推荐项目群的满意度的关心率。比率控制部基于所述关心率，切换所述混合器生成的所述推荐项目群的所述第1推荐项目与所述第2推荐项目的混合比率。

附图说明

图1是表示项目推荐系统的构成例的框图。

图2是表示利用履历信息的数据构造的一例的图。

图3是表示由混合器进行的处理步骤的一例的流程图。

图4是表示ui设备的画面显示例的图。

图5是表示由关心率计算部进行的处理步骤的一例的流程图。

图6是表示关心率履历信息的数据构造的一例的图。

图7是表示由比率控制部进行的处理步骤的一例的流程图。

图8是概略地表示服务器装置的硬件构成的一例的框图。

具体实施方式

以下，参照附图对实施方式的项目推荐系统、项目推荐方法以及程序详细地进行说明。

本实施方式的项目推荐系统中，作为从包含有多种多样的项目的项目群中选择推荐项目的推荐引擎，具备类型不同的2个推荐引擎。1个是选择被预测为与用户的喜好性相符合的推荐项目的推荐引擎，另1个是选择虽然与用户的喜好性不相符合但可期待用户对其持有关心的推荐项目的推荐引擎。后者的推荐引擎选择对用户而言具有意外性的推荐项目，因此，可以说是选择重视了惊喜性的推荐项目的引擎。本实施方式的项目推荐系统将这2个推荐引擎从项目群中选择的推荐项目混合而生成推荐项目群，提示给用户。

在本实施方式中，上述的2个推荐引擎当中，将前者的推荐引擎称作“第1推荐引擎”，将后者的推荐引擎称作“第2推荐引擎”。此外，将从项目群中由第1推荐引擎选择出的推荐项目称作“第1推荐项目”，将由第2推荐引擎选择出的推荐项目称作“第2推荐项目”。此外，将包含有第1推荐引擎、第2推荐引擎、以及将第1推荐项目和第2推荐项目混合而生成推荐项目群的混合器的上级模块，称作“混合型推荐引擎”。

本实施方式的项目推荐系统还具有评价相对于提示给用户的推荐项目群而言的用户满意度的构架，根据用户满意度，切换推荐项目群中的第1推荐项目与第2推荐项目的混合比率。具体地说，例如相对于最近提示给用户的推荐项目群而言的用户满意度持续较低的情况下，以使虽然欠缺趣味性但能够获得稳定的用户满意度的第1推荐项目的比例与目前为止提示的推荐项目群中的第1推荐项目的比例相比增大的方式，切换第1推荐项目与第2推荐项目的混合比率。由此，在客户流失的产生风险变高的方面，能够抑制对用户持续提示令人失望的推荐项目群，从而减少客户流失的产生风险。

另外，本实施方式的项目推荐系统能够在各种服务领域中应用。例如，在web页面检索服务、网络广告服务、ec服务(零售店、旅行代理店等)、新闻分发服务(邮件杂志、门户网站、适于智能手机的新闻应用软件等)、内容分发服务(电影、音乐、书籍等)、引导服务(进行道路引导或施设引导的智能手机应用软件、标识牌、车载导航等)等服务领域中，本实施方式的项目推荐系统能够有效地得以应用。

图1是表示本实施方式的项目推荐系统1的构成例的框图。项目推荐系统1如图1所示那样，具备混合型推荐引擎10、ui设备20(用户界面)、关心率计算部30(计算部)、比率控制部40。

混合型推荐引擎10基于用户db(数据库)50所保存的用户信息、利用履历db60所保存的利用履历信息等，从项目db70所保存的包含有多种多样的项目的项目群中选择推荐项目，输出推荐项目群。

在用户db50中，与作为项目推荐系统1的利用者而登录的全部登录用户有关的各种信息(用户信息)，与被分配给登录用户的用户id建立对应地被保存。与登录用户有关的各种信息中除了登录用户的姓名、年龄、性别等基本信息之外还包含有例如职业、喜欢的运动、喜欢的音乐的类别等、对于判断登录用户的喜好性而有用的信息。这些信息例如能够以登录用户登入项目推荐装置1时输入的用户id(或者与用户id建立对应地管理着的帐户名等输入信息)为关键词而从用户db50中检索。

在利用履历db60中，与过去所提示的推荐项目群中登录用户曾持有关心的项目有关的信息、即表示登录用户过去受理并利用过什么推荐项目的信息(利用履历信息)，与该登录用户的用户id建立对应地被保存。该信息例如能够以登录用户在登入项目推荐系统1时输入的用户id(或者与用户id建立对应地管理着的帐户名等输入信息)为关键词而从利用履历db60中检索。

在项目db70中保存有包含多种多样的项目的项目群。项目db70所保存的项目群根据项目推荐系统1被应用的服务的种类而不同。例如，在将项目推荐系统1应用于新闻分发服务的情况下，项目群中包含的项目为多种多样的新闻报道。

另外，用户db50、利用履历db60以及项目db70被保持在混合型推荐引擎10可访问的任意的存储装置中。

混合型推荐引擎10如图1所示那样，在内部具有第1推荐引擎11、第2推荐引擎12、混合器13。

第1推荐引擎11从项目db70所保存的项目群中，选择被预测为与成为提示推荐项目群的对象的用户(以下称作“对象用户”。)的喜好性相符合的第1推荐项目。作为这样的第1推荐引擎11，至今提出有各种手法，而在此使用作为基础的手法而在非专利文献1中公开的使用了矩阵分解的协同过滤手法。该手法计算相对于未评价项目(过去未提示给对象用户的项目)而言的对象用户的预测评价值。预测评价值表示项目与对象用户的喜好性相符合的程度。第1推荐引擎11从项目db70所保存的项目群中选择预测评价值高的项目，作为第1推荐项目。例如，将项目群中包含的项目按照预测评价值从高到低的顺序进行排序，从最上级的项目依次作为第1推荐项目而选择。

第2推荐引擎12从项目db70所保存的项目群中选择虽然与对象用户的喜好性不相符合但可期待用户持有关心的第2推荐项目。在此，关于是否是虽然与对象用户的喜好性不相符合但可期待用户持有关心的项目的判定，使用惊喜性指标值。惊喜性指标值使用表示对象用户持有关心的概率的第1值与从对象用户的喜好性偏离的程度的第2值之积而计算。更优选地，惊喜性指标值是通过上述的第1值与第2值之积和表示非特定用户持有关心的概率的第3值的线性和来计算的。

下述式(1)中示出了惊喜性指标值的计算中使用的计算式的一例。另外，在下述式(1)中，“score＿s”表示惊喜性指标值，“score＿p”表示第1推荐引擎11计算的预测评价值(其中值域为[0，1])，“interest”表示非特定用户持有关心的概率，“α”表示式(1)的右边第1项和第2项的加权中使用的权重系数(0以上1以下的常量)。

score＿s＝α×(score＿p×(1－score＿p))+(1－α)×interest

···(1)

在此，也可以理解为上述的第1推荐引擎11计算的预测评价值“score＿p”是表示对象用户持有关心的概率的值。因此，在上述式(1)中，作为上述的第1值，使用该预测评价值“score＿p”。此外，可以说，从1中减去预测评价值“score＿p”而得的值表示从对象用户的喜好性偏离的程度。因此，上述式(1)中，作为上述的第2值，使用从1中减去预测评价值“score＿p”而得的值“1－score＿p”。但是，上述式(1)是惊喜性指标值的计算中使用的计算式的一例，作为表示对象用户持有关心的概率的第1值，也可以使用“score＿p”以外的其他值，作为表示从对象用户的喜好性偏离的程度的第2值，也可以使用“1－score＿p”以外的其他值。

此外，上述式(1)的右边第2项的非特定用户持有关心的概率“interest”，例如能够使用利用履历db60所保存的利用履历信息来计算。该情况下，利用履历信息例如以图2所示那样的数据构造而被保存在利用履历db60中。即，利用履历信息是将过去对非特定用户作为推荐项目提示过的项目的项目id、提示时刻及表示是否利用了该项目的利用有无的信息与接受了该项目的提示的用户的用户id建立了对应的数据构造。图2的例子中，可知，项目id为“id4321”的项目被用户id为“id0001”的用户利用过、而用户id为“id0002”的用户未利用过，因此，对于项目id为“id4321”的项目，非特定用户持有关心的概率“interest”能够计算为1/2＝0.5。另外，图2所示的利用履历信息的数据构造只是一例，不限于此。此外，也可以构成为，基于利用履历db60所保存的与利用履历信息不同的其他信息而对非特定用户持有关心的概率“interest”进行计算。

另外，上述式(1)的右边第2项是可选的项，不是必须的。换句话说，也可以是，不考虑非特定用户持有关心的概率地计算相对于项目而言的惊喜性指标值。该情况下，惊喜性指标值“score＿s”的计算中使用的计算式如下述式(2)那样被简化。

score＿s＝score＿p×(1－score＿p)···(2)

第2推荐引擎12从项目db70所保存的项目群中选择如以上那样计算出的惊喜性指标值较高的项目，作为第2推荐项目。例如，将项目群中包含的项目按照惊喜性指标值从高至低的顺序进行排序，从最上级的项目依次作为第2推荐项目而选择。

混合器13将第1推荐引擎11选择出的第1推荐项目和第2推荐引擎12选择出的推荐项目混合而生成推荐项目群，向ui设备20输出。混合器13生成推荐项目群时的第1推荐项目与第2推荐项目的混合比率，由比率控制部40控制。

在本实施方式中，采用单纯地基于项目的个数而将第1推荐项目和第2推荐项目混合的方式。图3是表示由混合器13进行的处理步骤的一例的流程图。混合器13执行以下的步骤s101～步骤s104的处理，由此，生成推荐项目群并向ui设备20输出。另外，在此，将推荐项目群中包含的推荐项目的总数设为m。

步骤s101：混合器13取得后述的比率控制部40计算出的混合比率(r1：r2)。其中，r1表示推荐项目群中包含的第1推荐项目的比例，r2表示推荐项目群中包含的第2推荐项目的比例，r1+r2＝1，0≦r1≦1，0≦r2≦1。另外，在推荐项目群的初次提示时等、未由比率控制部40进行混合比率(r1：r2)的计算的情况下，作为初始值而设定预定的混合比率(r1：r2)即可。

步骤s102：混合器13从项目db70所保存的项目群中取得第1推荐引擎11选择出的第1推荐项目当中的上级floor(m×r1)个。其中，设floor是舍弃小数点以下的函数。

步骤s103：混合器13从项目db70所保存的项目群取得第2推荐引擎12选择出的第2推荐项目当中的上级floor(m×r2)个。

步骤s104：混合器13将步骤s102所取得的第1推荐项目和步骤s103所取得的第2推荐项目混合而生成推荐项目群，将所生成的推荐项目群向ui设备20输出。

另外，推荐项目群是预定的提示单位中的推荐项目的集合。提示单位可以是ui设备20在一画面内(页面内)显示的项目数，也可以是例如10件、50件、100件这样的规定的项目数。此外，也可以是，将对象用户向项目推荐系统1登入起至登出为止的1个对话内向对象用户提示的项目数作为提示单位。在本实施方式中，按照每个该提示单位，后述的关心率计算部30计算表示用户满意度的关心率，比率控制部40计算混合比率(r1：r2)，混合器13生成推荐项目群。

ui设备20是将混合型推荐引擎10的混合器13输出的推荐项目群以可操作的方式提示给对象用户的用户界面。ui设备20例如对所输入的推荐项目群进行画面显示，并且将对象用户对被进行了画面显示的推荐项目群进行过的操作(例如打开持有关心的推荐项目，等等)作为用户反馈而接受。然后，ui设备20将作为用户反馈而接受的操作信息，向关心率计算部30发送。

图4是表示ui设备20的画面显示例的图，是新闻门户网站的例子。图4的画面显示例成为如下结构：针对推荐项目群中包含的推荐项目即各新闻报道，列举了标题以及报道简要，若点击标题则该新闻报道的详细内容在画面内进行弹出显示，或者作为另一画面而被显示。此外，若点击了画面内的“下一页”按钮则画面被更新，作为比现在显示的推荐项目靠下级的推荐项目的新闻报道同样地被显示，若点击了画面内的“返回”按钮，则再次显示前次显示过的画面。

ui设备20在进行了图4所例示的画面显示的情况下，将点击新闻报道的标题的对象用户的操作作为用户反馈来接受，例如将表示该新闻报道的标题被进行了点击的信息，与该新闻报道的项目id以及提示时刻一起，作为操作信息向关心率计算部30发送。

关心率计算部30基于从ui设备20接受的操作信息，计算表示相对于ui设备20提示给对象用户的推荐项目群而言的用户满意度的关心率，将计算出的关心率保存于关心率履历db80。在本实施方式中，将相对于推荐项目群而言的用户满意度，用在推荐项目群中包含的全部推荐项目当中对象用户持有关心的推荐项目的比例即关心率来进行表示。此外，对象用户对推荐项目是否持有关心，通过是否进行了将该推荐项目打开的(图4的例子中为点击新闻报道的标题)操作来进行判断。另外，如果是内容分发服务网站，则在作为推荐项目而提示的音乐或电影的内容的再现时间为一定值以下的情况下，判断为对象用户对该内容不持有关心，如此这样，根据应用来设定关心的有无的判断基准。关心率计算部30按照上述的每个提示单位，基于从ui设备20接受的操作信息，计算在推荐项目群中包含的全部推荐项目当中对象用户持有关心的推荐项目的比例即关心率，将计算出的关心率保存于关心率履历db80。

图5是表示由关心率计算部30进行的处理步骤的一例的流程图。关心率计算部30按照上述的每个提示单位来执行以下的步骤s201～步骤s206的处理，由此，计算相对于ui设备20向对象用户提示的推荐项目群而言的关心率并保存于关心率履历db80。

步骤s201：关心率计算部30对推荐项目群中包含的各推荐项目，准备关心标志，作为初始值而设定“false”。

步骤s202：关心率计算部30判定是否从ui设备20发送了操作信息。然后，如果判定的结果为是，则前进到步骤s203，如果判定的结果为否，则前进到步骤s204。

步骤s203：关心率计算部30基于从ui设备20发送的操作信息，确定推荐项目群中包含的推荐项目当中对象用户持有关心的推荐项目(图4的例子中标题被点击的新闻报道)，将该推荐项目的关心标志设定为“true”。

步骤s204：关心率计算部30判定推荐项目群的提示是否已结束。然后，如果判定的结果为是则前进到步骤s205，如果为否则返回至步骤s202，重复以下的处理。在此，推荐项目群的提示是否已结束的判定基准根据上述的提示单位而不同。例如，在将ui设备20在一画面内(页面内)显示的项目数设为提示单位的情况下，ui设备20的画面显示被进行了切换时判定为推荐项目群的提示已结束。此外，在将规定的项目数设为提示单位的情况下，在提示给对象用户的推荐项目的数量达到了规定项目数时判定为推荐项目群的提示已结束。此外，在将1对话内向对象用户提示的项目数设为提示单位的情况下，在对象用户从项目推荐系统1登出而结束了对话时判定为推荐项目群的提示已结束。

步骤s205：关心率计算部30将推荐项目群中包含的全部推荐项目当中关心标志成为“true”的推荐项目的比例，作为相对于推荐项目群而言的关心率来计算。

步骤s206：关心率计算部30向关心率履历db80新追加记录，将步骤s205所计算出的关心率，与对象用户的用户id以及提示时刻一起，作为新的关心率履历信息而保存于关心率履历db80。

图6是表示关心率履历db80所保存的关心率履历信息的数据构造的一例的图。关心率履历db80所保存的关心率履历信息例如图6所示那样，设为使推荐项目群的提示时刻和对推荐项目群的关心率与对象用户的用户id建立了对应的数据构造。关心率履历db80所保存的关心率履历信息的记录每当关心率计算部30计算相对于提示单位的推荐项目群而言的关心率时被新追加。另外，关心率履历db80被保持于关心率计算部30以及比率控制部40可访问的任意的存储装置中。

比率控制部40基于相对于由关心率计算部30计算出的推荐项目群而言的对象用户的关心率，切换混合型推荐引擎10的混合器13生成的推荐项目群的第1推荐项目与第2推荐项目的混合比率。更具体地说，比率控制部40以相对于最近提示的推荐项目群而言的对象用户的关心率越低则接下来提示的推荐项目群中第1推荐项目的比例越大的方式，切换混合器13生成的推荐项目群中的第1推荐项目与第2推荐项目的混合比率。由此，能够避免用户满意度低的推荐项目群的提示连续，从而减少客户流失的产生风险。

比率控制部40为了实现以上那样的推荐项目群中的第1推荐项目与第2推荐项目的混合比率的切换，而按照上述的每个提示单位，计算第1推荐项目与第2推荐项目的混合比率(r1：r2)，将计算出的混合比率(r1：r2)向混合型推荐引擎10的混合器13发送。该混合比率(r1：r2)的计算方法可以想到各种各样，但是在此为了简化说明，使用将对象用户对最近n次的推荐项目群的关心率的平均值作为推荐项目群中包含的第2推荐项目的比例r2的计算式。即，比率控制部40从关心率履历db80取得对象用户对最近n次推荐项目群的关心率，将其平均值作为r2，将1－r2作为r1，计算混合比率(r1：r2)。

图7是表示由比率控制部40进行的处理步骤的一例的流程图。比率控制部40按照上述的每个提示单位执行以下的步骤s301～步骤s304的处理，由此，切换混合型推荐引擎10的混合器13生成的推荐项目群的第1推荐项目与第2推荐项目的混合比率。

步骤s301：比率控制部40从关心率履历db80中取出对象用户对最近n次推荐项目群的关心率。在设为n＝3的情况下，在图6的例子中若对象用户的用户id为id0003，则取出的关心率为5％、0％、25％。

步骤s302：比率控制部40计算步骤s301所取出的关心率的平均值。上述的例子中，关心率的平均值成为(5％+0％+25％)/3＝10％。

步骤s303：比率控制部40将步骤s302所计算出的关心率的平均值，作为推荐项目群中包含的第2推荐项目的比例r2，计算混合比率(r1：r2)。上述的例子中，混合比率(r1：r2)成为0.9：0.1。

步骤s304：比率控制部40将步骤s303计算出的混合比率(r1：r2)向混合型推荐引擎10的混合器13发送。混合型推荐引擎10的混合器13基于从该比率控制部40发送的混合比率(r1：r2)，将第1推荐引擎11选择的第1推荐项目和第2推荐引擎12选择的第2推荐项目混合，生成推荐项目群。

如以上列举具体的例子所说明的那样，本实施方式的项目推荐系统1构成为提示将对于对象用户而言具有意外性的第2推荐项目和虽然欠缺趣味性但可得到稳定的用户满意度的第1推荐项目混合而得的推荐项目群，因此，能够向对象用户提示可期待得到稳定且较高的用户满意度的推荐项目群。此外，构成为，计算表示针对推荐项目群而言的用户满意度的关心率，基于计算出的关心率，切换推荐项目群的第1推荐项目与第2推荐项目的混合比率，因此，能够避免用户满意度低的推荐项目群的提示连续，能够减少客户流失的产生风险。这样，根据本实施方式的项目推荐系统1，向对象用户提示能够减少客户流失的产生风险、同时可期待得到稳定且较高的用户满意度的推荐项目群。

另外，本实施方式的项目推荐系统1作为一例，能够作为服务器·客户型的系统而实现。该情况下，在用户操作的客户终端中实现ui设备20的功能，在与客户终端通信而提供服务的服务器装置中实现混合型推荐引擎10(第1推荐引擎11、第2推荐引擎12以及混合器13)、关心率计算部30以及比率控制部40的功能。

在服务器装置中实现的混合型推荐引擎10(第1推荐引擎11、第2推荐引擎12以及混合器13)、关心率计算部30以及比率控制部40的各部能够以硬件或者与硬件配合地动作的软件(程序)进行安装。在将这些各部以软件进行安装的情况下，服务器装置例如图8所示那样，能够设为具备cpu(centralprocessingunit)101等处理器电路、rom(readonlymemory)102或ram(randomaccessmemory)103等存储装置、连接有显示面板或各种操作设备的输入输出i/f104、与网络连接进行通信的通信i/f105、对各部进行连接的总线106等的、利用了通常的计算机的硬件构成。

此外，上述的硬件构成的服务器装置所执行的程序例如以可安装的形式或者可执行的形式的文件而被记录在cd－rom(compactdiskreadonlymemory)、软盘(fd)、cd－r(compactdiskrecordable)、dvd(digitalversatiledisc)等可由计算机读取的记录介质中，作为计算机程序产品而被提供。此外，也可以构成为，将上述的服务器装置所执行的程序保存在与互联网等网络连接的计算机上，通过经由网络下载来提供。此外，也可以构成为，将上述的服务器装置所执行的程序经由互联网等网络进行提供或者分发。此外，也可以构成为，将上述的服务器装置所执行的程序预先装入至rom102等中而提供。

上述的服务器装置所执行的程序成为包含有混合型推荐引擎10(第1推荐引擎11、第2推荐引擎12以及混合器13)、关心率计算部30以及比率控制部40的各部的模块构成，作为实际的硬件，例如通过由cpu101(处理器电路)从上述记录介质读出程序并执行，从而上述的各部被加载在ram103(主存储)上，生成在ram103(主存储)上。另外，上述的各部的一部分或者全部也可以使用服务器装置所具备的asic(applicationspecificintegratedcircuit)或fpga(field-programmablegatearray)等专用硬件而实现。

以上，对本发明的实施方式进行说明，但是该实施方式只是作为例子而提示，不意欲限定发明的范围。其新的实施方式能够以其他各种形态来实施，在不脱离发明主旨的范围内，能够进行各种省略、置换、变更。这些实施方式及其变形包含在发明的范围及主旨内，并且也包含在权利要求书所记载的发明及其等同的范围内。