信息处理装置、信息处理方法
【技术领域】
[0001] 本发明涉及一种信息处理装置、一种信息处理方法以及一种程序，在其中的每一 个中，从多个项中选择要向用户进行推荐的项。
【背景技术】
[0002] 用于推荐与用户的偏好相对应的项的方法是已知的（例如，专利文献1)。
[0003] [引用列表]
[0004] [专利文献]
[0005] [专利文献 1] JP2〇l 1_95814A
【发明内容】
[0006] 技术问题
[0007] 常规方法根据用户的偏好计算项的得分，并且根据得分的量级来推荐项。由于该 原因，利用常规方法，许多得分互相接近的相似的项（例如，不同颜色的产品等）被推荐给 用户，并且因此可能无法向用户提供有用且多样化的选择。
[0008] 针对问题的解决方案
[0009] 本发明的第一方面提供了一种信息处理装置，其被配置为从多个项中选择要向用 户进行推荐的项的集合，该信息处理装置的特征在于包括：选择部，其被配置为针对多个项 中的每个项计算优先级，该优先级针对具有高得分的项要被设置为高、而针对与所要选择 的其它项具有高相似度的项要被设置为低，并且被配置为基于该优先级从多个项中选择该 项的集合；和输出部，其被配置为输出所选择项的集合中所包括的每个项作为要被呈现给 用户的项，并且还提供了一种使用该信息处理装置的信息处理方法以及用于该信息处理装 置的程序。
[0010] 所要注意的是，本发明的上述
【发明内容】
中并未列出本发明所要求的所有特征。这 些特征的集合的子组合也能够包括于本发明之中。
【附图说明】
[0011] 图1图示了本实施例的信息处理装置10的配置；
[0012] 图2图示了本实施例的信息处理装置10的处理流程；
[0013] 图3图示了本实施例中的项得分的示例；
[0014] 图4图示了本实施例中的项的特征矢量的示例；
[0015] 图5图示了本实施例的选择部106所生成的矩阵S的示例；
[0016] 图6图示了本实施例的选择部106所生成的矩阵L的示例；
[0017] 图7图示了本实施例的第一修改形式的处理流程；
[0018] 图8图示了本实施例的第二修改形式的处理流程；
[0019] 图9图示了本实施例的选择部106所生成的矩阵M的示例；
[0020] 图10图示了计算机1900的硬件配置的示例。
【具体实施方式】
[0021] 在下文中，将通过实施例对本发明进行描述，但是以下实施例并非是关于本发明 的范围的限制。另外，实施例中所描述的特征的所有组合对于本发明解决问题的手段而言 并非必然是必要的。
[0022] 图1图示了本实施例的信息处理装置10的配置。信息处理装置10优选地从多个 项中选择均具有被用户所选择的高度可能性并且互相具有低相似度的多个项，并且输出所 选择的多个项作为要向用户进行推荐的项。
[0023] 信息处理装置10例如可以是服务器计算机，并且被配置为从数据库等获取有关 商品或服务的信息作为项，以便向用户的终端供应所获得的有关物品等的信息作为能够被 选择作为购买或显示目标的项。信息处理装置10包括得分计算部102、特征矢量获取部 104、选择部106和输出部108。
[0024] 得分计算部102基于项之前已经被用户所选择的历史而计算每个项的得分。例 如，得分计算部102基于项的选择率、该选择由用户根据该项之前对用户的呈现所执行而 计算项的得分。得分计算部102将所计算的项得分供应至选择部106。
[0025] 特征矢量获取部104获取表示多个项中的每一个的特征的特征矢量。例如，特征 矢量获取部104获取表示物品或服务的类别等的特征矢量。特征矢量获取部104将所获取 的多个项的特征矢量提供至选择部106。
[0026] 基于多个项中的每一个的得分和特征矢量，选择部106针对每个项计算优先级， 其在项自身的得分高时被设置得高，而在其与所要选择的其它项的相似度高时被设置得 低，并且基于所计算的项优先级而从多个项中选择项的集合。例如，选择部106可以通过使 用行列式点处理（DPP)来计算优先级从而选择项的集合。选择部106将所选择项的集合提 供至输出部108。
[0027] 输出部108输出所选择项的集合中所包括的每个项而作为要向用户进行呈现的 项。例如，输出部108向用户的终端提供有关要向用户进行呈现的项的信息。
[0028] 以这种方式，信息处理装置10从多个项中选择均具有被用户所选择的高度可能 性并且互相具有低相似度的多个项作为要向用户进行推荐的项，并且输出所选择项的集 合。由此，利用信息处理装置10,有可能向用户呈现多样化的项的集合。
[0029] 图2图示了本实施例的信息处理装置10所执行的处理流程。在本实施例中，信息 处理装置执行SllO至S200的处理并且因此通过使用DPP输出要向用户进行呈现的项的集 合。在本实施例中，信息处理装置10是服务器计算机，其向用户的终端输出有关项的集合 的信息。
[0030] 在S110,得分计算部102计算多个项中的每一个的得分。例如，从得自于信息处理 装置10之中或之外的数据库并且要由信息处理装置10所呈现的η个对象项中，得分计算 部102获取之前作为选项呈现给用户的项并且还获取用户根据该呈现对项的选择历史。数 量η可以是3或更大的自然数。
[0031] 例如，得分计算部102可以获取之前已经被用户所购买的项或者其信息之前已经 被用户选择为进行显示的项作为用户对项的选择历史。
[0032] 接下来，得分计算部102通过将η个项中的第i个项i在该项i向用户呈现之后 被用户所选择的次数除以项i已经被呈现给用户的次数而计算项i的选择比率。得分计算 部102可以将所计算的比率设置为项i的得分 qi。例如，在η个项目中第三个项目3已经被 呈现给用户四次并且被用户选择两次的情况下，则得分计算部102可以计算得分％为0. 5。
[0033] 由此，得分计算部102能够在项的得分中反映出项之前的选择记录。应当注意的 是，"项已经被呈现给用户的次数"和"项在该项向用户呈现之后被用户所选择的次数"中的 "用户"可以仅是操作信息处理装置10的用户，或者是包括其它用户在内的多个用户。
[0034] 另外，得分计算部102可以基于置信度上限（Upper Confidence Bound)来计算项 的得分q (UCB) i。例如，得分计算部102通过以下表达式来计算得分q (UCB) i。
[0035] q (UCB) != q J (21og m/nii)1/2
[0036] 应当注意的是，Hii表示项的呈现次数，而m则表示所有项的呈现次数的总和。因 此，得分计算部102能够为具有指示该项之前已经被呈现的次数很小的记录的项给予该得 分。因此，除了该项之前已经被选择的次数的记录之外，得分计算部102能够在得分中反映 出该项在未来被选择的概率。
[0037] 这里，在所选择的项i没有历史存在的情况下，得分计算部102可以将得分qi设置 为预定值，例如非常大的数（例如，当得分计算部102通过Java(注册商标）所实现时，可 以使用Double. MAX_VALUE，而当得分计算部102通过Python所实施时，贝丨」可以使用numpy. inf)。得分计算部102将卩1或q (UCB) ^是供至选择部106。
[0038] 接下来，在S120,特征矢量获取部104获取η个项中的每一个的特征矢量。例如， 针对η个项（I < i < η)中的每一个项i，特征矢量获取部104获取特征矢量Oi，，其将物 品或服务的类别以及物品的特征或服务的特征表示为矢量，上述物品的特征诸如类型、生 产商、生产地区、销售起始日期、销售需求、重量、大小、价格和颜色。特征矢量获取部104将 所获取的η个特征矢量提供至选择部106。
[0039] 接下来，在S130,选择部106生成矩阵S，其表示一个项与其它项之间的相似度，并 且其由对应于一个项的行以及对应于其它项的列所配