推荐装置、推荐系统、推荐方法以及程序的制作方法

专利名称：推荐装置、推荐系统、推荐方法以及程序的制作方法
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I、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I :P. Resnick, N. Iacovou, Μ. Suchak, P. Bergstrom, andJ. Riedl. “GroupLens :0pen Architecture for Collaborative Filtering of Netnews^Inconference on Computer Supported Cooperative Work, pp.175-186(1994).非专利文献2 :Τ· Hofmann and J. Puzicha, “Latent Class Models forCollaborative Filtering”，16th IJCAI (1999).非专利文献3:百田信，伊東栄典，“乂一” 7—夕(二基3〈信息発見，” DEWS 2008, 11-15, Mar. 2008.非专利文献4 :Badrul Sarwar, George Karypis, Joseph Konstan, and JohnReidl. 2001. Item-based collaborative filtering recommendation algorithms. InProceedings of the 10th 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I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I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I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。(I)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I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I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I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。根据该发明，批处理单元事先分析历史信息来生成推荐所需的信息。实时处理单元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。推荐结果输出单元综合批处理单元的输出或/和实时处理单元的输出来输出推荐结果。从而，能够不显示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。(2)本发明关于(I)的推荐装置，提出了具有如下特征的推荐装置所述批处理单元包括第一历史信息收集单元(例如，相当于图2的历史信息收集部1101)，其收集分析所需的历史信息；第一相关性计算单元(例如，相当于图2的相关性计算部1102)，其分析所述收集的历史信息来定义相关性；第一推荐度计算单元(例如，相当于图2的推荐度计算部1103)，其使用所述定义的相关性来计算对用户的各个内容的推荐度；以及存储单元(例如，相当于图2的存储部1104)，其存储所述算出的推荐度，所述实时处理单元包括第二历史信息收集单元(例如，相当于图2的历史信息收集部1201)，其实时收集分析所需的历史信息；第二相关性计算单元(例如，相当于图2的相关性计算部1202)，其分析所述收集的历史信息来定义相关性；以及第二推荐度计算单元(例如，相当于图2的推荐度计算部1203)，其使用所述算出的相关性来计算对用户的各个内容的推荐度，其中，所述推荐结果输出单元基于所述存储的每个内容的推荐度和由所述第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。根据该发明，批处理装置的第一历史信息收集单元收集分析所需的历史信息。第一相关性计算单元分析所收集的历史信息来定义相关性。第一推荐度计算单元使用算出的相关性来计算对用户的各个内容的推荐度。存储装置存储所算出的推荐度。实时处理装置的第二历史信息收集单元实时收集分析所需的历史信息。第二相关性计算装置分析所收集的历史信息来定义相关性。第二推荐度计算单元使用所算出的相关性来计算对用户的各个内容的推荐度。推荐结果输出单元基于所存储的每个内容的推荐度和通过第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。从而，基于使用了在批处理中算出的相关性的推荐度和使用了在实时处理中算出的相关性的推荐度来输出推荐结果，因此能够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。(3)本发明关于(I)的推荐装置，提出了具有如下特征的推荐装置所述批处理单元包括第一历史信息收集单元(例如，相当于图5的历史信息收集部1101)，其收集分析所需的历史信息；第一相关性计算单元(例如，相当于图5的相关性计算部1102)，其分析所述收集的历史信息来定义相关性；以及存储单元(例如，相当于图5的存储部1115)，其存储所述算出的相关性，所述实时处理单元包括第二历史信息收集单元(例如，相当于图5的历史信息收集部1201)，其实时收集分析所需的历史信息；第二相关性计算单元(例如，相当于图5的相关性计算部1202)，其分析所述收集的历史信息来定义相关性；第一推荐度计算单元(例如，相当于图5的推荐度计算部1203)，其使用所述算出的相关性来计算对用户的各个内容的推荐度；获取单元(例如，相当于图5的获取部1214)，其获取所述存储的相关性；以及第二推荐度计算单元(例如，相当于图5的推荐度计算部1215)，其使用所述获取的相关性来计算对用户的各个内容的推荐度，其中，所述推荐结果输出单元(例如，相当于图5的推荐结果输出部1310)基于由所述第一推荐度计算单元算出的每个内容的推荐度和由所述第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。根据该发明，批处理单元的第一历史信息收集单元收集分析所需的历史信息。第一相关性计算单元分析所收集的历史信息来定义相关性。存储单元存储所算出的相关性。实时处理单元的第二历史信息收集单元实时收集分析所需的历史信息。第二相关性计算单元分析所收集的历史信息来定义相关性。第一推荐度计算单元使用所算出的相关性来计算对用户的各个内容的推荐度。获取单元获取所存储的相关性。第二推荐度计算单元使用所获取的相关性来计算对用户的各个内容的推荐度。推荐结果输出单元基于通过第一推荐度计算单元算出的每个内容的推荐度和通过第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。从而，实时处理单元基于在批处理中算出的相关性和在实时处理中算出的相关性来计算推荐度，并基于这些推荐度来输出推荐结果，因此能够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。(4)本发明关于(I)的推荐装置，提出了具有如下特征的推荐装置所述批处理单元包括第一历史信息收集单元(例如，相当于图8的历史信息收集部1101)，其收集分析所需的历史信息；第一相关性计算单元(例如，相当于图8的相关性计算部1102)，其分析所述收集的历史信息来定义相关性；第一推荐度计算单元(例如，相当于图8的推荐度计算部1103)，其使用所述算出的相关性来计算对用户的各个内容的推荐度；以及存储单元(例如，相当于图8的存储部1126)，其存储所述定义的相关性和算出的推荐度，所述实时处理单元包括第二历史信息收集单元(例如，相当于图8的历史信息收集部1201)，其实时收集分析所需的历史信息；获取单元(例如，相当于图8的获取部1227)，其获取所述定义 的相关性和算出的推荐度；以及第二推荐度计算单元(例如，相当于图8的推荐度计算部1226)，其使用所述获取的相关性来计算对用户的各个内容的推荐度，其中，所述推荐结果输出单元(例如，相当于图8的推荐结果输出部1320)基于由所述第一推荐度计算单元算出的每个内容的推荐度和由所述第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。根据该发明，批处理单元的第一历史信息收集单元收集分析所需的历史信息。第一相关性计算单元分析所收集的历史信息来定义相关性。第一推荐度计算单元使用所算出的相关性来计算对用户的各个内容的推荐度。存储单元存储所定义的相关性和算出的推荐度。实时处理单元的第二历史信息收集单元实时收集分析所需的历史信息。获取单元获取所定义的相关性和算出的推荐度。第二推荐度计算单元使用所获取的相关性来计算对用户的各个内容的推荐度。推荐结果输出单元基于通过第一推荐度计算单元算出的每个内容的推荐度和通过第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。从而，基于使用了在批处理中算出的相关性的推荐度和在实时处理中使用批处理中算出的相关性而给出的推荐度来输出推荐结果，因此能够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。(5)本发明提出了一种推荐系统，其包括批处理装置、实时处理装置、以及推荐装置，并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，所述推荐系统的特征在于，所述批处理装置(例如，相当于图10的批处理装置400)事先分析所述历史信息来生成推荐所需的信息，所述实时处理装置(例如，相当于图10的实时处理装置500)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，所述推荐装置(例如，相当于图10 的推荐结果输出装置600)综合所述批处理装置的输出或/和所述实时处理装置的输出来输出推荐结果。根据该发明，批处理装置事先分析历史信息来生成推荐所需的信息，实时处理装置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，推荐装置综合批处理装置的输出或/和实时处理装置的输出来输出推荐结果。从而，能够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。(6)本发明关于(5)的推荐系统，提出了具有如下特征的推荐系统所述批处理装置包括第一历史信息收集单元(例如，相当于图11的历史信息收集部401)，其收集分析所需的历史信息；第一相关性计算单元(例如，相当于图11的相关性计算部402)，其分析所述收集的历史信息来定义相关性；第一推荐度计算单元(例如，相当于图11的推荐度计算部403)，其使用所述算出的相关性来计算对用户的各个内容的推荐度；以及存储单元(例如，相当于图11的存储部404)，其存储所述算出的推荐度，所述实时处理装置包括 第二历史信息收集单元(例如，相当于图11的历史信息收集部501)，其实时收集分析所需的历史信息；第二相关性计算单元(例如，相当于图11的相关性计算部502)，其分析所述收集的历史信息来定义相关性；以及第二推荐度计算单元(例如，相当于图11的推荐度计算部503)，其使用所述算出的相关性来计算对用户的各个内容的推荐度，其中，所述推荐装置基于所述存储的每个内容的推荐度和由所述第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。根据该发明，批处理装置的第一历史信息收集单元收集分析所需的历史信息。第一相关性计算单元分析所收集的历史信息来定义相关性。第一推荐度计算单元使用所算出的相关性来计算对用户的各个内容的推荐度。存储单元存储所算出的推荐度。实时处理装置的第二历史信息收集单元实时收集分析所需的历史信息。第二相关性计算装置分析所收集的历史信息来定义相关性。第二推荐度计算单元使用所算出的相关性来计算对用户的各个内容的推荐度。推荐装置基于所存储的每个内容的推荐度和通过第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。从而，基于使用了在批处理中算出的相关性的推荐度和使用了在实时处理装置中算出的相关性的推荐度来输出推荐结果，因此能够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。(7)本发明关于(5)的推荐系统，提出了具有如下特征的推荐系统所述批处理装置包括第一历史信息收集单元(例如，相当于图14的历史信息收集部401)，其收集分析所需的历史信息；第一相关性计算单元(例如，相当于图14的相关性计算部402)，其分析所述收集的历史信息来定义相关性；以及存储单元(例如，相当于图14的存储部415)，其存储所述算出的相关性，所述实时处理装置包括第二历史信息收集单元(例如，相当于图14的历史信息收集部501)，其实时收集分析所需的历史信息；第二相关性计算单元(例如，相当于图14的相关性计算部502)，其分析所述收集的历史信息来定义相关性；第一推荐度计算单元(例如，相当于图14的推荐度计算部503)，其使用所述算出的相关性来计算对用户的各个内容的推荐度；获取单元(例如，相当于图14的获取部514)，其获取所述存储的相关性；以及第二推荐度计算单元(例如，相当于图14的推荐度计算部515)，其使用所述获取的相关性来计算对用户的各个内容的推荐度，其中，所述推荐装置基于由所述第一推荐度计算单元算出的每个内容的推荐度和由所述第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。
根据该发明，批处理装置的第一历史信息收集单元收集分析所需的历史信息。第一相关性计算单元分析所收集的历史信息来定义相关性。存储装置存储所算出的相关性。实时处理装置的第二历史信息收集单元实时收集分析所需的历史信息。第二相关性计算装置分析所收集的历史信息来定义相关性。第一推荐度计算单元使用所算出的相关性来计算对用户的各个内容的推荐度。获取单元获取所存储的相关性。第二推荐度计算单元使用所获取的相关性来计算对用户的各个内容的推荐度。推荐装置基于通过第一推荐度计算单元算出的每个内容的推荐度和通过第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。从而，实时处理装置基于在批处理中算出的相关性和在实时处理中算出的相关性来计算推荐度，并基于这些推荐度来输出推荐结果，因此能够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。(8)本发明关于(5)的推荐系统，提出了具有如下特征的推荐系统所述批处理装置包括第一历史信息收集单元(例如，相当于图17的历史信息收集部401)，其收集分析所需的历史信息；第一相关性计算单元(例如，相当于图17的相关性计算部402)，其分析所述收集的历史信息来定义相关性；第一推荐度计算单元(例如，相当于图17的推荐度计算部403)，其使用所述算出的相关性来计算对用户的各个内容的推荐度；以及存储单元(例如，相当于图17的存储部426)，其存储所述定义的相关性和算出的推荐度；所述实时处理装置包括第二历史信息收集单元(例如，相当于图17的历史信息收集部501)，其实时收集分析所需的历史信息；获取单元(例如，相当于图17的获取部527)，其获取所述定义的相关性和算出的推荐度；以及第二推荐度计算单元(例如，相当于图17的推荐度计算部526)，其使用所述获取的相关性来计算对用户的各个内容的推荐度，其中，所述推荐装置基于由所述第一推荐度计算单元算出的每个内容的推荐度和由所述第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。根据该发明，批处理装置的第一历史信息收集单元收集分析所需的历史信息。第一相关性计算单元分析所收集的历史信息来定义相关性。第一推荐度计算单元使用所算出的相关性来计算对用户的各个内容的推荐度。存储单元存储所定义的相关性和算出的推荐度。实时处理装置的第二历史信息收集单元实时收集分析所需的历史信息。获取单元获取所定义的相关性和算出的推荐度。第二推荐度计算单元使用所获取的相关性来计算对用户的各个内容的推荐度。推荐装置基于通过第一推荐度计算单元算出的每个内容的推荐度和通过第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。从而，基于使用了在批处理中算出的相关性的推荐度和在实时处理中使用在批处理中算出的相关性而给出的推荐度来输出推荐结果，因此能够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。(9)本发明提出了一种推荐方法，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，所述推荐方法的特征在于，包括批处理步骤，用于事先分析所述历史信息来生成推荐所需的信息；实时处理步骤，用于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；以及推荐结果输出步骤，用于综合所述批处理步骤的输出或/和所 述实时处理步骤的输出来输出推荐结果。根据该发明，事先分析历史信息来生成推荐所需的信息，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，并且综合批处理步骤的输出或/和实时处理步骤的输出来输出推荐结果。从而能够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。(10)本发明关于(9)的推荐方法，提出了具有如下特征的推荐方法所述批处理步骤包括收集分析所需的历史信息的第一步骤(例如，相当于图3的步骤S101);分析所述收集的历史信息来定义相关性的第二步骤(例如，相当于图3的步骤S102);使用所述算出的相关性来计算对用户的各个内容的推荐度的第三步骤(例如，相当于图3的步骤S103);以及存储所述算出的推荐度的第四步骤(例如，相当于图3的步骤S104)，所述实时处理步骤包括实时收集分析所需的历史信息的第五步骤(例如，相当于图3的步骤S105);分析所述收集的历史信息来定义相关性的第六步骤(例如，相当于图3的步骤S106);以及使用所述算出的相关性来计算对用户的各个内容的推荐度的第七步骤(例如，相当于图3的步骤S107)，其中，所述推荐结果输出步骤基于在所述第四步骤中存储的每个内容的推荐度和通过所述第七步骤算出的每个内容的推荐度来输出推荐结果。根据该发明，收集分析所需的历史信息，并分析所收集的历史信息来定义相关性。接着，使用所算出的相关性来计算对用户的各个内容的推荐度，并存储所算出的推荐度。而且，实时收集分析所需的历史信息，并分析所收集的历史信息来定义相关性。接着，使用所算出的相关性来计算对用户的各个内容的推荐度。而且，基于在第四步骤中存储的每个内容的推荐度和通过第七步骤算出的每个内容的推荐度来计算推荐结果。从而，基于使用了在批处理中算出的相关性的推荐度和使用了在实时处理中算出的相关性的推荐度来输出推荐结果，因此能够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。(11)本发明关于(9)的推荐方法，提出了具有如下特征的推荐方法所述批处理步骤包括收集分析所需的历史信息的第一步骤(例如，相当于图6的步骤S201);分析所述收集的历史信息来定义相关性的第二步骤(例如，相当于图6的步骤S202);以及存储所述算出的相关性的第三步骤(例如，相当于图6的步骤S203)，所述实时处理步骤包括实时收集分析所需的历史信息的第四步骤(例如，相当于图6的步骤S204);分析所述收集的历史信息来定义相关性的第五步骤(例如，相当于图6的步骤S205);使用所述算出的相关性来计算对用户的各个内容的推荐度的第六步骤(例如，相当于图6的步骤S206);获取所述存储的相关性的第七步骤(例如，相当于图6的步骤S207);以及使用所述获取的相关性来计算对用户的各个内容的推荐度的第八步骤(例如，相当于图6的步骤S208)，其中，所述推荐结果输出步骤基于通过所述第六步骤算出的每个内容的推荐度和通过所述第八步骤算出的每个内容的推荐度来输出推荐结果。根据该发明，收集分析所需的历史信息，分析所收集的历史信息来定义相关性，并存储所算出的相关性。而且，实时收集分析所需的历史信息，分析所收集的历史信息来定义相关性，使用所算出的相关性来计算对用户的各个内容的推荐度。接着，获取所存储的相关性，使用所获取的相关性来计算对用户的各个内容的推荐度。而且，基于通过第六步骤算出的每个内容的推荐度和通过第八步骤算出的每个内容的推荐度来输出推荐结果。从而，基于在批处理中算出的相关性和在实时处理中算出的相关性来计算推荐度，并基于这些推荐度来输出推荐结果，因此能够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。(12)本发明关于(9)的推荐方法，提出了具有如下特征的推荐方法所述批处理步骤包括收集分析所需的历史信息的第一步骤(例如，相当于图9的步骤S301);分析所述收集的历史信息来定义相关性的第二步骤(例如，相当于图9的步骤S302);以及使用所述算出的相关性来计算对用户的各个内容的推荐度的存储所述算出的相关性的第三步骤(例如，相当于图9的步骤S303)；，以及存储所述定义的相关性和算出的推荐度的第四步骤(例如，相当于图9的步骤S304)，所述实时处理步骤包括实时收集分析所需的历史信息的第四第五步骤(例如，相当于图9的步骤S305)(例如，相当于图9的步骤S304);获取所述定义的相关性和算出的推荐度的第六步骤(例如，相当于图9的步骤S306);以及使用所述获取的相关性来计算对用户的各个内容的推荐度的第七步骤(例如，相当于图9的步骤S307)，其中，所述推荐结果输出步骤基于通过所述第三步骤算出的每个内容的推荐度和通过所述第七步骤算出的每个内容的推荐度来输出推荐结果。根据该发明，收集分析所需的历史信息，分析所收集的历史信息来定义相关性，使用所算出的相关性来计算对用户的各个内容的推荐度，并存储所定义的相关性和算出的推荐度。而且，实时收集分析所需的历史信息，获取所定义的相关性和算出的推荐度，使用所获取的相关性来计算对用户的各个内容的推荐度。而且，基于通过第三步骤算出的每个内容的推荐度和通过第七步骤算出的每个内容的推荐度来输出推荐结果。从而，基于使用了在批处理中算出的相关性的推荐度和在实时处理中使用在批处理中算出的相关性而给出的推荐度来输出推荐结果，因此能够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。(13)本发明提出了一种用于使计算机执行推荐方法的程序，其中，所述推荐方法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，所述程序使计算机执行批处理步骤，用于事先分析所述历史信息来生成推荐所需的信息；实时处理步骤，用于事先分析所述历史信息来生成推荐所需的信息；实时处理步骤，用于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；以及推荐结果输出步骤，用于综合所述批处理步骤的输出或/和所述实时处理步骤的输出来输出推荐结果。根据该发明，事先分析历史信息来生成推荐所需的信息，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，并且综合批处理步骤的输出或/和实时处理步骤的输出来输出推荐结果。从而能够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。(14)本发明提出了一种用于使计算机执行推荐系统中的推荐方法的程序，其中，所述推荐系统包括批处理装置、实时处理装置以及推荐装置，并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，所述程序使计算机执行所述批处理装置事先分许所述历史信息来生成推荐所需的信息的第一步骤；所述实时处理装置每当发生推荐请求 时分析历史信息来生成推荐所需的信息的第二步骤；以及所述推荐装置综合所述第一步骤的输出或/和所述第二步骤的输出来输出推荐结果的第三步骤。根据该发明，批处理装置事先分析历史信息来生成推荐所需的信息，实时处理装置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，而且，推荐装置综合第一步骤的输出或/和第二步骤的输出来输出推荐结果。从而能够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。发明效果根据本发明，具有以下效果可通过批处理部提供利用了全部历史信息的推荐结果，并且可通过实时处理部提供反映了发生请求时所收集的最新历史信息的推荐结果。


图I是示出本发明第一实施方式涉及的推荐装置的构成图。图2是示出本发明第一实施方式涉及的推荐装置的详细构成图。图3是示出本发明第一实施方式涉及的推荐装置的处理图。图4是示出本发明第二实施方式涉及的推荐装置的构成图。图5是示出本发明第二实施方式涉及的推荐装置的详细构成图。图6是示出本发明第二实施方式涉及的推荐装置的处理图。图7是示出本发明第三实施方式涉及的推荐装置的构成图。图8是示出本发明第三实施方式涉及的推荐装置的详细构成图。图9是示出本发明第三实施方式涉及的推荐装置的处理图。图10是示出本发明第四实施方式涉及的推荐系统的构成图。图11是示出本发明第四实施方式涉及的推荐系统的详细构成图。图12是示出本发明第四实施方式涉及的推荐系统的处理图。图13是示出本发明第五实施方式涉及的推荐系统的构成图。图14是示出本发明第五实施方式涉及的推荐系统的详细构成图。图15是示出本发明第五实施方式涉及的推荐系统的处理图。图16是示出本发明第六实施方式涉及的推荐系统的构成图。
图17是示出本发明第六实施方式涉及的推荐系统的详细构成图。图18是示出本发明第六实施方式涉及的推荐系统的处理图。图19是示出本发明第一实施方式的实施例I涉及的推荐装置的构成图。图20是示出本发明第一实施方式的实施例I涉及的推荐装置的构成图。图21是示意性地示出用于本发明第一实施方式的实施例I涉及的推荐装置中的推荐处理的用户的处理图。图22是示出本发明第三实施方式的实施例2涉及的推荐装置的构成图。图23是示出本发明第三实施方式的实施例2涉及的推荐装置的处理图。
具体实施例方式以下，参考附图对本发明的实施方式进行详细说明。本实施方式中的构成要素可适当地与现有的构成要素等进行替换，并且可进行包括与其他现有的构成要素的组合在内的各种改变。从而，并不是基于以下实施方式的记载来限定权利要求书中记载的发明内容。〈第一实施方式〉使用图I以及图3，对本发明的第一实施方式进行说明。〈推荐装置的构成〉使用图1，对本实施方式涉及的推荐装置的构成进行说明。如图I所示，本实施方式涉及的推荐装置1000包括批处理部1100、实时处理部
1200、以及推荐结果输出部1300，批处理部1100与数据库200连接，实时处理部1200与数
据库300连接。数据库200中例如保存有100个用户的数据，数据库300中例如保存有以预定的规则挑选出的10个用户的数据，以用于实时处理。本实施方式涉及的推荐装置1000通过将推荐处理分成批处理和实时处理来分散运算负荷，并且在推荐结果输出部1300中综合批处理部1100的结果和实时处理部1200的结果来进行输出。作为综合的方法，既可以将两个结果相加后输出推荐结果，也可以根据时间段将批处理或实时处理中的任一者的结果直接作为推荐结果来输出。此外，也可以将两个结果的平均值或加权平均作为推荐结果来输出。<推荐装置的详细构成>如图2所示，本实施方式涉及的推荐装置包括构成批处理部1100的历史信息收集部1101、相关性计算部1102、推荐度计算部1103、存储部1104 ;构成实时处理部1200的历史信息收集部1201、相关性计算部1202、推荐度计算部1203 ;以及推荐结果输出部1300。历史信息收集部1101从数据库200收集分析所需的历史信息。相关性计算部1102分析所收集的历史信息来定义相关性。推荐度计算部1103使用算出的相关性来计算对用户的各个内容的推荐度。存储部1104存储所算出的推荐度。历史信息收集部1201从数据库300收集分析所需的历史信息。相关性计算部1202分析所收集的历史信息来定义相关性。推荐度计算部1203使用所算出的相关性来计算对用户的各个内容的推荐度。
推荐结果输出部1300基于存储部1104中存储的每个内容的推荐度和通过推荐度计算部1203算出的每个内容的推荐度来输出推荐结果。〈推荐装置的处理〉使用图3对本实施方式涉及的推荐装置的处理进行说明。首先，批处理部1100的历史信息收集部1101从数据库200收集分析所需的历史信息(步骤S101)，相关性计算部1102分析所收集的历史信息来定义相关性，例如，比较两个用户的历史并基于同时具有历史的内容数来定义相关性，或者比较两个内容的历史并基于同时包括在两个用户的历史中的内容数来定义相关性(步骤S102)。推荐度计算部1103使用所算出的相关性来计算对用户的各个内容的推荐度，例如，基于该用户与具有与该用户相同的内容历史的其他用户之间的相关性、或者该用户的历史中所存在的内容与其他内容之间的相关性来计算该推荐度(步骤S103)，存储部1104存储所算出的推荐度(步骤S104)。
实时处理部1200的历史信息收集部1201从数据库300收集分析所需的历史信息(步骤S105)，相关性计算部1202分析所收集的历史信息来以与上述方式相同的方式定义相关性(步骤S106)。推荐度计算部1203使用所算出的相关性来以与上述方式相同的方式计算对用户的各个内容的推荐度(步骤S107)。然后，推荐结果输出部1300基于存储部1104中存储的每个内容的推荐度和通过推荐度计算部1203算出的每个内容的推荐度来输出推荐结果(步骤S108)。如以上说明的那样，根据本实施方式，由于基于使用在批处理中算出的相关性的推荐度和使用在实时处理中算出的相关性的推荐度来输出推荐结果，因此能够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。<第二实施方式>使用图4至图6，对本发明的第二实施方式进行说明。〈推荐装置的构成〉使用图4，对本实施方式涉及的推荐装置的构成进行说明。如图4所示，本实施方式涉及的推荐装置1000包括批处理部1110、实时处理部1210、以及推荐结果输出部1310，批处理部1110与数据库200连接，实时处理部1210与数
据库300连接。本实施方式涉及的推荐装置1000通过将推荐处理分成批处理和实时处理来分散运算负荷，并且在推荐结果输出部1310中综合来自实时处理部1210的两个结果来进行输出。作为综合的方法，既可以将两个结果相加后输出推荐结果，也可以根据时间段将批处理或实时处理中的任一者的结果直接作为推荐结果来输出。此外，也可以将两个结果的平均值或加权平均作为推荐结果来输出。<推荐装置的详细构成>如图5所示，本实施方式涉及的推荐装置包括构成批处理部1110的历史信息收集部1101、相关性计算部1102、存储部1115 ;构成实时处理部1210的历史信息收集部
1201、相关性计算部1202、推荐度计算部1203、获取部1214、推荐度计算部1215 ;以及推荐结果输出部1310。关于被标注了与第一实施方式相同的附图标记的构成要素，由于具有相同的功能，因此省略其详细说明。
存储部1115存储所算出的相关性。获取部1214获取存储部1115中存储的相关性。推荐度计算部1215使用所获取的相关性来计算对用户的各个内容的推荐度。推荐结果输出部1310基于通过推荐度计算部1203算出的每个内容的推荐度和推荐度计算部1215算出的每个内容的推荐度来输出推荐结果。〈推荐装置的处理〉使用图6对本实施方式涉及的推荐装置的处理进行说明。首先，批处理部1110的历史信息收集部1101从数据库200收集分析所需的历史信息(步骤S201)，相关性计算部1102分析所收集的历史信息来定义相关性(步骤S202)，存储部1115存储所算出的相关性(步骤S203)。实时处理部1210的历史信息收集部1201从数据库300收集分析所需的历史信息 (步骤S204)，相关性计算部1202分析所收集的历史信息来定义相关性(步骤S205)。推荐度计算部1203使用所算出的相关性来计算对用户的各个内容的推荐度(步骤S206)。此夕卜，获取部1214获取存储部1115中存储的相关性(步骤S207)，推荐度计算部1215使用所获取的相关性来计算对用户的各个内容的推荐度(步骤S208)。然后，推荐结果输出部1310基于通过推荐度计算部1203算出的每个内容的推荐度和通过推荐度计算部1215算出的每个内容的推荐度来输出推荐结果(步骤S209)。如以上说明的那样，根据本实施方式，实时处理部基于在批处理中算出的相关性和在实时处理中算出的相关性来计算推荐度，并基于这些推荐度输出推荐结果，因此能够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。〈第三实施方式〉使用图7以及图9，对本发明的第三实施方式进行说明。〈推荐装置的构成〉使用图7，对本实施方式涉及的推荐装置的构成进行说明。如图7所示，本实施方式涉及的推荐装置1000包括批处理部1120、实时处理部1220、以及推荐结果输出部1320，批处理部1120与数据库200连接，实时处理部1220与数据库300连接。本实施方式涉及的推荐装置1000通过将推荐处理分成批处理和实时处理来分散运算负荷，并且批处理部1120将结果发送给实时处理部1220，并且在推荐结果输出部1320中综合来自批处理部1120和实时处理部1220的两个结果来进行输出。作为综合的方法，既可以将两个结果相加后输出推荐结果，也可以根据时间段将批处理或实时处理中的任一者的结果直接作为推荐结果来输出。此外，也可以将两个结果的平均值或加权平均作为推荐结果来输出。<推荐装置的详细构成>如图8所示，本实施方式涉及的推荐装置包括构成批处理部1120的历史信息收集部1101、相关性计算部1102、推荐度计算部1103、存储部1126 ;构成实时处理部1220的历史信息收集部1201、推荐度计算部1226、获取部1227 ;以及推荐结果输出部1320。关于被标注了与第一实施方式相同的附图标记的构成要素，由于具有相同的功能，因此省略其详细说明。存储部1126存储在相关性计算部1102中定义的相关性以及在推荐度计算部1103中算出的推荐度。获取部1227获取存储部1126中存储的在相关性计算部1102中定义的相关性以及在推荐度计算部1103中算出的推荐度。推荐度计算部1226使用所获取的相关性来计算对用户的各个内容的推荐度。推荐结果输出部1320基于通过推荐度计算部1103算出的每个内容的推荐度和通过推荐度计算部1226算出的每个内容的推荐度来输出推荐结果。〈推荐装置的处理〉使用图9，对本实施方式涉及的推荐装置的处理进行说明。首先，批处理部1120的历史信息收集部1101从数据库200收集分析所需的历史信息(步骤S301)，相关性计算部1102分析所收集的历史信息来定义相关性(步骤S302)。推荐度计算部1103使用所算出的相关性来计算对用户的各个内容的推荐度(步骤S303)， 存储部1126存储在相关性计算部1102中定义的相关性以及在推荐度计算部1103中算出的推荐度(步骤S304)。实时处理部1220的历史信息收集部1201从数据库300收集分析所需的历史信息(步骤S305)。获取部1227获取存储部1126中存储的在相关性计算部1102中定义的相关性以及在推荐度计算部1103中算出的推荐度(步骤S306)，推荐度计算部1226使用所算出的相关性来计算对用户的各个内容的推荐度(步骤S307)。然后，推荐结果输出部1320基于通过推荐度计算部1103算出的每个内容的推荐度和通过推荐度计算部1226算出的每个内容的推荐度来输出推荐结果(步骤S308)。如以上说明的那样，根据本实施方式，基于使用在批处理中算出的相关性的推荐度和通过实时处理使用在批处理中算出的相关性而给出的推荐度来输出推荐结果，因此能够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。〈第四实施方式〉使用图10至图12，对本发明的第四实施方式进行说明。〈推荐系统的构成〉使用图10，对本实施方式涉及的推荐系统的构成进行说明。如图10所示，本实施方式涉及的推荐系统包括批处理装置400、实时处理装置500、以及推荐结果输出装置600，批处理装置400与数据库200连接，实时处理装置500与数据库300连接。本实施方式涉及的推荐系统通过将推荐处理分成批处理和实时处理来分散运算负荷，并且在推荐结果输出装置600中综合批处理装置400的结果和实时处理装置500的结果来进行输出。作为批处理装置400，可举出通过运算处理能力高的云服务器实施的例子，作为实时处理装置500，除与批处理装置400同样地通过运算处理能力高的云服务器实施之外，还可举出通过运算处理能力较低的便携终端或STB (Set Top Box,机顶盒)等实施的例子，但不限于此。<推荐系统的详细构成>如图11所示，本实施方式涉及的推荐系统包括构成批处理装置400的历史信息收集部401、相关性计算部402、推荐度计算部403、存储部404 ;构成实时处理装置500的历史信息收集部501、相关性计算部502、推荐度计算部503 ;以及推荐结果输出装置600。历史信息收集部401从数据库200收集分析所需的历史信息。相关性计算部402分析所收集的历史信息来定义相关性。推荐度计算部403使用所算出的相关性来计算对用户的各个内容的推荐度。存储部404存储所算出的推荐度。历史信息收集部501从数据库300收集分析所需的历史信息。相关性计算部502分析所收集的历史信息来定义相关性。推荐度计算部503使用所算出的相关性来计算对用户的各个内容的推荐度。推荐结果输出装置600基于存储部404中存储的每个内容的推荐度和通过推荐度计算部503算出的每个内容的推荐度来输出推荐結果。〈推荐系统的处理〉使用图12，对本实施方式涉及的推荐系统的处理进行说明。首先，批处理装置400的历史信息收集部401从数据库200收集分析所需的历史信息(步骤S401)，相关性计算部402分析所收集的历史信息来定义相关性(步骤S402)。推荐度计算部403使用所算出的相关性来计算对用户的各个内容的推荐度(步骤S403)，存 储部404存储所算出的推荐度(步骤S404)。实时处理装置500的历史信息收集部501从数据库300收集分析所需的历史信息(步骤S405)，相关性计算部502分析所收集的历史信息来定义相关性(步骤S406)。推荐度计算部503使用所算出的相关性来计算对用户的各个内容的推荐度(步骤S407)。然后，推荐结果输出装置600基于存储部404中存储的每个内容的推荐度和通过推荐度计算部503算出的每个内容的推荐度来输出推荐结果(步骤S408)。如以上说明的那样，根据本实施方式，推荐装置基于使用在批处理装置中算出的相关性的推荐度和使用在实时处理装置中算出的相关性的推荐度，来输出推荐结果，因此能够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。〈第五实施方式〉使用图13至图15，对本发明的第五实施方式进行说明。〈推荐系统的构成〉使用图13，对本实施方式涉及的推荐系统的构成进行说明。如图13所示，本实施方式涉及的推荐系统包括批处理装置410、实时处理装置510、以及推荐结果输出装置610，批处理装置410与数据库200连接，实时处理装置510与数据库300连接。本实施方式涉及的推荐系统通过将推荐处理分成批处理和实时处理来分散运算负荷，并且在推荐结果输出装置610中综合来自实时处理装置410的两个结果来进行输出。作为批处理装置410，可举出通过运算处理能力高的云服务器实施的例子，作为实时处理装置510，除与批处理装置410同样地通过运算处理能力高的云服务器实施之外，还可举出通过运算处理能力较低的便携终端或STB (Set Top Box)等实施的例子,但不限于此。<推荐系统的详细构成>如图14所示，本实施方式涉及的推荐系统包括构成批处理装置410的历史信息收集部401、相关性计算部402、存储部415 ;构成实时处理装置510的历史信息收集部501、相关性计算部502、推荐度计算部503、获取部514、推荐度计算部515 ；以及推荐结果输出装置610。关于被标注了与第四实施方式相同的附图标记的构成要素，由于具有相同的功能，因此省略其详细说明。
存储部415存储所算出的相关性。获取部514获取存储部415中存储的相关性。推荐度计算部515使用所获取的相关性来计算对用户的各个内容的推荐度。推荐结果输出装置610基于通过推荐度计算部503算出的每个内容的推荐度和通过推荐度计算部515算出的每个内容的推荐度来输出推荐結果。〈推荐系统的处理〉使用图15，对本实施方式涉及的推荐系统的处理进行说明。首先，批处理装置410的历史信息收集部401从数据库200收集分析所需的历史信息(步骤S501)，相关性计算部402分析所收集的历史信息来定义相关性(步骤S502)，存储部415存储所算出的相关性(步骤S503)。实时处理装置510的历史信息收集部501从数据库300收集分析所需的历史信息(步骤S504)，相关性计算部502分析所收集的历史信息来定义相关性(步骤S505)。推荐 度计算部503使用所算出的相关性来计算对用户的各个内容的推荐度(步骤S506)。此外，获取部514获取存储部415中存储的相关性(步骤S507)，推荐度计算部515使用所获取的相关性来计算对用户的各个内容的推荐度(步骤S508)。然后，推荐结果输出装置610基于通过推荐度计算部503算出的每个内容的推荐度和通过推荐度计算部515算出的每个内容的推荐度来输出推荐结果(步骤S509)。如以上说明的那样，根据本实施方式，实时处理装置基于在批处理装置中算出的相关性和在实时处理装置中算出的相关性来计算推荐度，并基于这些推荐度输出推荐结果，因此能够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。〈第六实施方式〉使用图16至图18，对本发明的第六实施方式进行说明。〈推荐系统的构成〉使用图16，对本实施方式涉及的推荐系统的构成进行说明。如图16所示，本实施方式涉及的推荐系统包括批处理装置420、实时处理装置520、以及推荐结果输出装置620，批处理装置420与数据库200连接，实时处理装置520与数据库300连接。本实施方式涉及的推荐系统通过将推荐处理分成批处理和实时处理来分散运算负荷，并且批处理装置420将结果发送给实时处理装置520，并且在推荐结果输出装置620中综合来自批处理装置420和实时处理装置520的两个结果来进行输出。作为批处理装置420，可举出通过运算处理能力高的云服务器实施的例子，作为实时处理装置520，除与批处理装置420同样地通过运算处理能力高的云服务器实施之外，还可举出通过运算处理能力较低的便携终端或STB (Set Top Box)等实施的例子,但不限于此。<推荐系统的详细构成>如图17所示，本实施方式涉及的推荐系统包括构成批处理装置420的历史信息收集部401、相关性计算部402、推荐度计算部403、存储部426 ;构成实时处理装置520的历史信息收集部501、推荐度计算部526、获取部527 ;以及推荐结果输出装置620。关于被标注了与第四实施方式相同的附图标记的构成要素，由于具有相同的功能，因此省略其详细说明。存储部426存储在相关性计算部402中定义的相关性以及在推荐度计算部403中算出的推荐度。获取部527获取存储部426中存储的在相关性计算部402中定义的相关性以及在推荐度计算部403中算出的推荐度。推荐度计算部526使用所获取的相关性来计算对用户的各个内容的推荐度。推荐结果输出装置620基于通过推荐度计算部403算出的每个内容的推荐度和通过推荐度计算部526算出的每个内容的推荐度来输出推荐結果。〈推荐系统的处理〉使用图18，对本实施方式涉及的推荐系统的处理进行说明。首先，批处理装置420的历史信息收集部401从数据库200收集分析所需的历史信息(步骤S601)，相关性计算部402分析所收集的历史信息来定义相关性(步骤S602)。推荐度计算部403使用所算出的相关性来计算对用户的各个内容的推荐度(步骤S603)，存储部426存储在相关性计算部402中定义的相关性以及在推荐度计算部403中算出的推荐度(步骤S604)。 实时处理装置520的历史信息收集部501从数据库300收集分析所需的历史信息(步骤S605)。获取部527获取存储部426中存储的在相关性计算部402中定义的相关性以及在推荐度计算部403中算出的推荐度(步骤S606)，推荐度计算部526使用所算出的相关性来计算对用户的各个内容的推荐度(步骤S607)。然后，推荐结果输出装置620基于通过推荐度计算部403算出的每个内容的推荐度和通过推荐度计算部526算出的每个内容的推荐度来输出推荐结果(步骤S608)。如以上说明的那样，根据本实施方式，基于使用在批处理装置中算出的相关性的推荐度和由实时处理装置使用在批处理装置中算出的相关性而给出的推荐度来输出推荐结果，因此能够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。〈实施例1>使用图19至图21，对实施例I进行说明。本实施例是将第一实施方式涉及的推荐装置更加具体化的例子。〈推荐装置的构成〉如图19所示，本实施例涉及的推荐装置包括批处理部1100、实时处理部1200、推荐结果输出部1300、数据库1410、缩减部1420、以及数据库1430。此外，批处理部1100包括历史信息收集部1101、相关性计算部1102、推荐度计算部1103、以及存储部1104，实时处理部1200包括历史信息收集部1201、相关性计算部1202、以及推荐度计算部1203。关于被标注了与第一实施方式相同的附图标记的构成要素，由于具有相同的功能，因此省略其详细说明。这里，数据库1410是保持全部用户的历史信息等的数据库，缩减部1420从数据库1410内的数据中提取适于推荐的最优用户。数据库1430保持由缩减部1420提取的最优用户的历史信息等。〈推荐装置的处理〉使用图20，对本实施例涉及的推荐装置的处理进行说明。首先，基于数据库1410(在图中表示为“评价历史T”)内的数据，从其效用(Utility)值提取优良用户。这是从全部历史数据中提取留下充分评价数据的用户数据的处理。通常，实际数据中很多用户几乎没有历史，如果使用这种用户的数据，计算量就会没必要地増大，而且精度也提高不大，因此要进行数据的筛选。接着，随机采样最优用户。这是将数据量缩减到赶得上实时处理所需的处理时间的程度的处理。此时，优选进行间抜，以免数据发生偏倚，可考虑“将用户数据分为N个簇一以每个簇一人的方式选出N个代表用户的处理”等，为了简化该处理，毎次采样时(每当进行批处理吋)随机选择N个人。在批处理中，在优良用户与所有用户之间计算用户间相似度来作为相关性，并针对每个用户计算推荐度。这里，假定用户间相似度是如非专利文献I所示那样的在用户之间比较用户对内容的评价的共同性来定义用户间的相似尺度、并对接受推荐的用户的未登记内容进行评价的相似度。并且将该用户间相似度保持在中间Tl (相当于存储部1104)中。当推荐时，将推荐对象用户的用户ID作为关键字，从中间Tl中获取推荐度，并获得预测评价值。另ー方面，在实时处理中，随机采样最优用户，并将相应用户的历史信息预先保存 在中间T2(相当于数据库(缩减)1430)中。当进行实时处理吋，从中间T2获取最优用户的历史信息，并且另一方面，获取推荐对象用户的历史信息。接着，基于该获取的信息，计算推荐对象用户和最优用户的相似度，计算预测评价值。然后获得预测评价值。S卩，在实时处理中，在毎次需要推荐处理时运行处理。并且，当处理时，在获取最优用户的数据的同时，从评价历史T中另外获取接受推荐的用户的历史。因此，能够使用接受推荐的用户的最新历史来实时实现推荐。此外，由于每次计算相关性，因而此时能够找到相似的用户，从而对于在批处理后刚登记并且批处理以前的历史不足的用户，可即刻反映当日的历史。图21示例性地示出了推荐处理中使用的用户与批处理以及实时处理之间的关系。根据该图，基于保存在评价历史T内的例如100万人的所有用户的数据，从其效用值中提取例如10000人的优良用户，并且随机采样最优用户，由此例如提取100人的最优用户并将其保存到中间T2中。评价历史T的信息和优良用户的信息被用于批处理，并基于所有用户和优良用户的信息来计算相关性。另ー方面，在实时处理中，基于从评价历史T中获取的推荐对象用户的历史信息以及最优用户的历史信息来计算相关性。〈实施例2>使用图22以及图23，对实施例2进行说明。本实施例是将第三实施方式涉及的推荐装置更加具体化的例子。〈推荐装置的构成〉如图22所示，本实施例涉及的推荐装置包括批处理部1120、实时处理部1220、推荐结果输出部1320、以及数据库1410。此外，批处理部1120包括历史信息收集部1101、相关性计算部1102、推荐度计算部1103、以及存储部1126，实时处理部1220包括历史信息收集部1201、推荐度计算部1226、以及获取部1227。关于被标注了与第三实施方式相同的附图标记的构成要素，由于具有相同的功能，因此省略其详细说明。这里，数据库1410是保持全部用户的历史信息等的数据库。〈推荐装置的处理〉
使用图23，对本实施例涉及的推荐装置的处理进行说明。首先，基于数据库1410(在图中表示为“评价历史T”)中的数据，从其效用值提取优良用户。这是从全部历史数据中提取留下充分评价数据的用户数据的处理。通常，实际数据中很多用户几乎没有历史，如果使用这种用户的数据，计算量就会没必要地増大，而且精度也提高不大，因此进行数据的筛选。在批处理中，使用优良用户的评价历史计算内容间相似度来作为相关性，并针对每个用户计算推荐度。并且，将该推荐度保存在中间Tl中。这里，假定内容间相似度是如非专利文献4所示那样的在内容之间比较用户对内容的评价的共同性来定义内容间的相似尺度、并对接受推荐的用户的未登记内容进行评价的相似度。当推荐时将推荐对象用户的用户ID作为关键字，从中间Tl中获取推荐度，并获得预测评价值。另ー方面，将在计算预测评价值的过程中得到的内容间相似度数据保存到中间T2中。另ー方面，在实时处理中，获取推荐对象用户的历史信息，从中间T2中获取与历史信息中包含的内容相关的内容间相似度。接着，基于该获取的信息来获得预测评价值。S卩，在实时处理中，再利用在批处理时算出的相似度的值。此外，当获取推荐对象用户的历史信息吋，也可以仅使用“最新X事件”的历史信息。具体地，创建最新X事件以前的历史信息空白的用户数据来执行预测评价值的计算。由此，可基于更新的历史来进行推荐。另ー方面，包含在中间T2中的相关性是以批处理时的内容间相似度为依据的。因此，虽不能反映当日的历史，但内容间相似度比用户间相似度不容易发生改变，因此其推荐 精度不容易受到大的影响。通过将推荐装置或推荐系统的处理记录在计算机可读的记录介质中，并将记录在该记录介质中的程序读入推荐装置、批处理装置、实时处理装置、或推荐结果输出装置来执行，能够实现本发明的推荐装置或推荐系统。这里所说的计算机系统包括OS或外围装置等的硬件。此外，“计算机系统”如果是利用WWW(World Wide Web，万维网)系统的场合，则还包括主页提供环境(或显示环境)。此外，上述程序也可以从将该程序保持在存储装置等中的计算机系统经由传输介质、或者通过传输介质中的传输波被传输到其他计算机系统中。这里，传输程序的“传输介质”是指如互联网等网络(通信网)或电话线路等通信线路(通信线)这样具有信息传输功能的介质。此外，上述程序也可以是用于实现上述功能的一部分的程序。此外，也可以是能够与上述的计算机系统中已记录的程序组合来实现上述功能的所谓的差分文件(差分程序)。以上，參考附图对本发明的实施方式进行了详细说明，但具体构成不限于该实施方式，还包括在不脱离本发明要g的范围内的设计等。例如，在本发明中，假定了使用数据库等存储介质对利用的历史信息进行集中管理，并使用历史信息收集部获取这些历史信息，但并非必须限定于此。此外，根据本发明的推荐结果的提供方法假定了将记录了针对该用户的ー个个内容的推荐度的列表提供给外部的推荐提示方法，但并不必须限于该使用方法。本发明的推荐的各个处理也可以是通过ー个服务器来实施的实施方法，或者通过按功能专用化的多个服务器的协作实施、或者使用了负荷分散功能的多个服务器的协作实施的实施方法等。附图标记说明1100;批处理部1110;批处理部1120;批处理部1101 ;历史信息收集部1102;相关性计算部
1103;推荐度计算部1104;存储部1115;存储部1126;存储部1200;实时处理部1210 ;实时处理部1220;实时处理部1201 ;历史信息收集部1202;相关性计算部1203;推荐度计算部1214;获取部1215 ;推荐度计算部1226;推荐度计算部1237 ;获取部1300 ;推荐结果输出部1310 ;推荐结果输出部1320 ;推荐结果输出部1410 ;数据库1420 ;缩减部200 ;数据库300 ;数据库400 ;批处理装置410 ;批处理装置420 ;批处理装置401 ;历史信息收集部402 ;相关性计算部403 ;推荐度计算部404 ;存储部415 ;存储部426 ;存储部500 ;实时处理装置
510 ;实时处理装置520;实时处理装置501 ;历史信息收集部502 ;相关性计算部503 ;推荐度计算部514 ;获取部 515 ;推荐度计算部526 ;推荐度计算部527 ;获取部600 ;推荐结果输出装置610 ;推荐结果输出装置620 ;推荐结果输出装置。
权利要求
1.一种推荐装置，其使用基于购买历史或阅览历史的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，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，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，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。
2.根据权利要求I所述的推荐装置，其特征在于， 所述批处理单元包括 第一历史信息收集单元，其收集分析所需的历史信息； 第一相关性计算单元，其分析所述收集的历史信息来定义相关性； 第一推荐度计算单元，其使用所述算出的相关性来计算对用户的各个内容的推荐度；以及 存储单元，其存储所述算出的推荐度， 所述实时处理单元包括 第二历史信息收集单元，其实时收集分析所需的历史信息； 第二相关性计算单元，其分析所述收集的历史信息来定义相关性；以及第二推荐度计算单元，其使用所述算出的相关性来计算对用户的各个内容的推荐度，其中，所述推荐结果输出单元基于所述存储的每个内容的推荐度和由所述第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。
3.根据权利要求I所述的推荐装置，其特征在于， 所述批处理单元包括 第一历史信息收集单元，其收集分析所需的历史信息； 第一相关性计算单元，其分析所述收集的历史信息来定义相关性；以及 存储单元，其存储所述算出的相关性， 所述实时处理单元包括 第二历史信息收集单元，其实时收集分析所需的历史信息； 第二相关性计算单元，其分析所述收集的历史信息来定义相关性； 第一推荐度计算单元，其使用所述算出的相关性来计算对用户的各个内容的推荐度； 获取单元，其获取所述存储的相关性；以及 第二推荐度计算单元，其使用所述获取的相关性来计算对用户的各个内容的推荐度，其中，所述推荐结果输出单元基于由所述第一推荐度计算单元算出的每个内容的推荐度和由所述第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。
4.根据权利要求I所述的推荐装置，其特征在于， 所述批处理单元包括 第一历史信息收集单元，其收集分析所需的历史信息； 第一相关性计算单元，其分析所述收集的历史信息来定义相关性； 第一推荐度计算单元，其使用所述算出的相关性来计算对用户的各个内容的推荐度；以及存储单元，其存储所述定义的相关性和算出的推荐度， 所述实时处理单元包括 第二历史信息收集单元，其实时收集分析所需的历史信息； 获取单元，其获取所述定义的相关性和算出的推荐度；以及第二推荐度计算单元，其使用所述获取的相关性来计算对用户的各个内容的推荐度，其中，所述推荐结果输出单元基于由所述第一推荐度计算单元算出的每个内容的推荐度和由所述第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。
5.一种推荐系统，其包括批处理装置、实时处理装置以及推荐装置，并使用基于购买历史或阅览历史的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，所述推荐系统的特征在于， 所述批处理装置事先分析所述历史信息来生成推荐所需的信息，所述实时处理装置每 当发生推荐请求时分析历史信息来生成推荐所需的信息，所述推荐装置综合所述批处理装置的输出或/和所述实时处理装置的输出来输出推荐结果。
6.根据权利要求5所述的推荐系统，其特征在于， 所述批处理装置包括 第一历史信息收集单元，其收集分析所需的历史信息； 第一相关性计算单元，其分析所述收集的历史信息来定义相关性； 第一推荐度计算单元，其使用所述算出的相关性来计算对用户的各个内容的推荐度；以及 存储单元，其存储所述算出的推荐度， 所述实时处理装置包括 第二历史信息收集单元，其实时收集分析所需的历史信息； 第二相关性计算单元，其分析所述收集的历史信息来定义相关性；以及第二推荐度计算单元，其使用所述算出的相关性来计算对用户的各个内容的推荐度，其中，所述推荐装置基于所述存储的每个内容的推荐度和由所述第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。
7.根据权利要求5所述的推荐系统，其特征在于， 所述批处理装置包括 第一历史信息收集单元，其收集分析所需的历史信息； 第一相关性计算单元，其分析所述收集的历史信息来定义相关性；以及 存储单元，其存储所述算出的相关性， 所述实时处理装置包括 第二历史信息收集单元，其实时收集分析所需的历史信息； 第二相关性计算单元，其分析所述收集的历史信息来定义相关性； 第一推荐度计算单元，其使用所述算出的相关性来计算对用户的各个内容的推荐度； 获取单元，其获取所述存储的相关性；以及 第二推荐度计算单元，其使用所述获取的相关性来计算对用户的各个内容的推荐度，其中，所述推荐装置基于由所述第一推荐度计算单元算出的每个内容的推荐度和由所述第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。
8.根据权利要求5所述的推荐系统，其特征在于， 所述批处理装置包括 第一历史信息收集单元，其收集分析所需的历史信息； 第一相关性计算单元，其分析所述收集的历史信息来定义相关性； 第一推荐度计算单元，其使用所述算出的相关性来计算对用户的各个内容的推荐度；以及 存储单元，其存储所述定义的相关性和算出的推荐度； 所述实时处理装置包括 第二历史信息收集单元，其实时收集分析所需的历史信息； 获取单元，其获取所述定义的相关性和算出的推荐度；以及第二推荐度计算单元，其使用所述获取的相关性来计算对用户的各个内容的推荐度，其中，所述推荐装置基于由所述第一推荐度计算单元算出的每个内容的推荐度和由所述第二推荐度计算单元算出的每个内容的推荐度来输出推荐结果。
9.一种推荐方法，其使用基于购买历史或阅览历史的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，所述推荐方法的特征在于，包括 批处理步骤，用于事先分析所述历史信息来生成推荐所需的信息； 实时处理步骤，用于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；以及推荐结果输出步骤，用于综合所述批处理步骤的输出或/和所述实时处理步骤的输出来输出推荐结果。
10.根据权利要求9所述的推荐方法，其特征在于， 所述批处理步骤包括 收集分析所需的历史信息的第一步骤； 分析所述收集的历史信息来定义相关性的第二步骤； 使用所述算出的相关性来计算对用户的各个内容的推荐度的第三步骤；以及 存储所述算出的推荐度的第四步骤， 所述实时处理步骤包括 实时收集分析所需的历史信息的第五步骤； 分析所述收集的历史信息来定义相关性的第六步骤；以及 使用所述算出的相关性来计算对用户的各个内容的推荐度的第七步骤， 其中，所述推荐结果输出步骤基于在所述第四步骤中存储的每个内容的推荐度和通过所述第七步骤算出的每个内容的推荐度来输出推荐结果。
11.根据权利要求9所述的推荐方法，其特征在于， 所述批处理步骤包括 收集分析所需的历史信息的第一步骤； 分析所述收集的历史信息来定义相关性的第二步骤；以及 存储所述算出的相关性的第三步骤， 所述实时处理步骤包括 实时收集分析所需的历史信息的第四步骤；分析所述收集的历史信息来定义相关性的第五步骤； 使用所述算出的相关性来计算对用户的各个内容的推荐度的第六步骤； 获取所述存储的相关性的第七步骤；以及 使用所述获取的相关性来计算对用户的各个内容的推荐度的第八步骤， 其中，所述推荐结果输出步骤基于通过所述第六步骤算出的每个内容的推荐度和通过所述第八步骤算出的每个内容的推荐度来输出推荐结果。
12.根据权利要求9所述的推荐方法，其特征在于， 所述批处理步骤包括 收集分析所需的历史信息的第一步骤； 使用所述算出的相关性来计算对用户的各个内容的推荐度的第三步骤；以及 存储所述定义的相关性和算出的推荐度的第四步骤， 所述实时处理步骤包括 实时收集分析所需的历史信息的第五步骤； 获取所述定义的相关性和算出的推荐度的第六步骤；以及 使用所述获取的相关性来计算对用户的各个内容的推荐度的第七步骤， 所述推荐结果输出步骤基于通过所述第三步骤算出的每个内容的推荐度和通过所述第七步骤算出的每个内容的推荐度来输出推荐结果。
13.一种用于使计算机执行推荐方法的程序，其中，所述推荐方法使用基于购买历史或阅览历史的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，所述程序使计算机执行 批处理步骤，用于事先分析所述历史信息来生成推荐所需的信息； 实时处理步骤，用于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；以及推荐结果输出步骤，用于综合所述批处理步骤的输出或/和所述实时处理步骤的输出来输出推荐结果。
14.一种用于使计算机执行推荐系统中的推荐方法的程序，其中，所述推荐系统包括批处理装置、实时处理装置以及推荐装置，并使用基于购买历史或阅览历史的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，所述程序使计算机执行 所述批处理装置事先分许所述历史信息来生成推荐所需的信息的第一步骤； 所述实时处理装置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的第二步骤；以及 所述推荐装置综合所述第一步骤的输出或/和所述第二步骤的输出来输出推荐结果的第三步骤。
全文摘要
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。批处理部事先分析历史信息来生成推荐所需的信息。实时处理部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。推荐结果输出部综合批处理部的输出或/和实时处理部的输出来输出推荐结果。
文档编号G06F17/30GK102737095SQ20121008373
公开日2012年10月17日 申请日期2012年3月27日 优先权日2011年3月29日
发明者佐佐木祥, 土生由希子, 柳原广昌 申请人:Kddi株式会社