JP4543930B2 - 情報処理装置および方法、並びにプログラム - Google Patents

Description

本発明は、情報処理装置および方法、並びにプログラムに関し、特に、ユーザに推薦すべき推薦アイテムをユーザに呈示する場合、ユーザに説得力のある推薦理由も呈示することができる情報処理装置および方法、並びにプログラムに関する。

近年、情報処理システムのひとつとして、ユーザにアイテムを推薦するシステム（以下、単に推薦システムと称する）が普及してきている（例えば特許文献１参照）。アイテムとは、例えばユーザが購入可能な商品等を指し、特許文献１ではコンテンツとされている。なお、アイテムの詳細については後述する。

従来の推薦システムの中には、推薦すべき推薦アイテムをユーザに呈示する場合、その推薦理由をあわせて呈示するものも存在する。
特開２００４−１９４１０７号公報

しかしながら、特許文献１を含む従来の推薦システムでは、ユーザに対して説得力を持つ推薦理由を呈示することは困難である、という課題があった。換言すると、ユーザの中には、推薦理由を見ても、なぜこのアイテムが推薦アイテムとして呈示されたのかわからないといった意見を挙げる者が現状少なからず存在する、という課題があった。

本発明は、このような状況に鑑みてなされたものであり、ユーザに推薦すべき推薦アイテムをユーザに呈示する場合、ユーザに説得力のある推薦理由も呈示することができるようにするものである。

本発明の情報処理装置は、アイテムについてのＮ個（Ｎは、１以上の整数値）の属性のそれぞれを、Ｎ個の成分のうちの所定の１成分とするベクトルを標準形のベクトルとして、比較の元になる標準形の比較元ベクトルを記憶している第１の記憶部から取得した比較元ベクトルと、複数のアイテムのそれぞれの特徴を示す標準形のアイテム特徴ベクトルを記憶している第２の記憶部から取得したアイテム特徴ベクトルとの類似度を演算し、類似度が、ユーザに対して推薦すべき推薦アイテムに含めるか否かの第１の条件を満たすアイテム特徴ベクトルに対応するアイテムを、推薦アイテムとして複数個決定する推薦手段と、推薦手段により決定された複数の推薦アイテムのそれぞれを注目アイテムとして順次設定し、注目アイテムのアイテム特徴ベクトルのＮ個の成分のそれぞれについて、対応する成分値と、比較元ベクトルの対応する成分値とを用いて、対応する属性の推薦理由度を演算するための第１の演算を行い、その第１の演算の結果得られる値を、推薦理由度としてそれぞれ決定し、推薦理由度が、アイテム単体の推薦理由に含めるか否かの第２の条件を満たす属性を、推薦手段による注目アイテム単体の推薦理由であると決定するアイテム単体推薦理由決定手段と、推薦手段により決定された複数の推薦アイテムについてのＮ個の属性のそれぞれを注目属性として順次設定し、アイテム単体推薦理由決定手段により決定された複数の推薦アイテムのそれぞれについての注目属性の推薦理由度の総加算値のそれぞれを演算するための第２の演算を行い、その第２の演算の結果得られる値が、複数の推薦アイテムに共通する推薦理由に含めるか否かの第３の条件を満たす場合、注目属性を、複数の推薦アイテムに共通する推薦理由であると決定する共通推薦理由決定手段と、推薦手段により決定された複数の推薦アイテムまたはそれを示す情報と、共通推薦理由決定手段により決定された推薦理由の表示装置への表示を制御する表示制御手段とを備えることを特徴とする。

表示制御手段は、共通推薦理由決定手段により決定された推薦理由として採用されている注目属性が、アイテム単体推薦理由決定手段により決定されたアイテム単体の推薦理由として採用されていない推薦アイテムまたはそれを示す情報を表示する場合、その旨を示すコメントを、推薦アイテムまたはそれを示す情報とともに表示するようにすることができる
。
共通推薦理由決定手段は、第２の演算の結果得られる値に対して、各属性毎に重要度に応じた重み付けを個別に行い、それにより得られる重み付け後の値を用いて、複数の推薦アイテムに共通する推薦理由を決定するようにすることができる。

本発明の情報処理方法は、推薦手段、アイテム単体推薦理由決定手段、共通推薦理由決定手段、および表示制御手段を備えた情報処理装置の情報処理方法において、推薦手段は、アイテムについてのＮ個（Ｎは、１以上の整数値）の属性のそれぞれを、Ｎ個の成分のうちの所定の１成分とするベクトルを標準形のベクトルとして、比較の元になる標準形の比較元ベクトルを記憶している第１の記憶部から取得した比較元ベクトルと、複数のアイテムのそれぞれの特徴を示す標準形のアイテム特徴ベクトルを記憶している第２の記憶部から取得したアイテム特徴ベクトルとの類似度を演算し、類似度が、ユーザに対して推薦すべき推薦アイテムに含めるか否かの第１の条件を満たすアイテム特徴ベクトルに対応するアイテムを、推薦アイテムとして複数個決定し、アイテム単体推薦理由決定手段は、推薦手段により決定された複数の推薦アイテムのそれぞれを注目アイテムとして順次設定し、注目アイテムのアイテム特徴ベクトルのＮ個の成分のそれぞれについて、対応する成分値と、比較元ベクトルの対応する成分値とを用いて、対応する属性の推薦理由度を演算するための第１の演算を行い、その第１の演算の結果得られる値を、推薦理由度としてそれぞれ決定し、推薦理由度が、アイテム単体の推薦理由に含めるか否かの第２の条件を満たす属性を、推薦手段による注目アイテム単体の推薦理由であると決定し、共通推薦理由決定手段は、推薦手段により決定された複数の推薦アイテムについてのＮ個の属性のそれぞれを注目属性として順次設定し、アイテム単体推薦理由決定手段により決定された複数の推薦アイテムのそれぞれについての注目属性の推薦理由度の総加算値のそれぞれを演算するための第２の演算を行い、その第２の演算の結果得られる値が、複数の推薦アイテムに共通する推薦理由に含めるか否かの第３の条件を満たす場合、注目属性を、複数の推薦アイテムに共通する推薦理由であると決定し、表示制御手段は、推薦手段により決定された複数の推薦アイテムまたはそれを示す情報と、共通推薦理由決定手段により決定された推薦理由の表示装置への表示を制御することを特徴とする。

本発明のプログラムは、アイテムについてのＮ個（Ｎは、１以上の整数値）の属性のそれぞれを、Ｎ個の成分のうちの所定の１成分とするベクトルを標準形のベクトルとして、比較の元になる標準形の比較元ベクトルを記憶している第１の記憶部から取得した比較元ベクトルと、複数のアイテムのそれぞれの特徴を示す標準形のアイテム特徴ベクトルを記憶している第２の記憶部から取得したアイテム特徴ベクトルとの類似度を演算し、類似度が、ユーザに対して推薦すべき推薦アイテムに含めるか否かの第１の条件を満たすアイテム特徴ベクトルに対応するアイテムを、推薦アイテムとして複数個決定する推薦ステップと、推薦ステップの処理により決定された複数の推薦アイテムのそれぞれを注目アイテムとして順次設定し、注目アイテムのアイテム特徴ベクトルのＮ個の成分のそれぞれについて、対応する成分値と、比較元ベクトルの対応する成分値とを用いて、対応する属性の推薦理由度を演算するための第１の演算を行い、その第１の演算の結果得られる値を、推薦理由度としてそれぞれ決定し、推薦理由度が、アイテム単体の推薦理由に含めるか否かの第２の条件を満たす属性を、推薦ステップの処理による注目アイテム単体の推薦理由であると決定するアイテム単体推薦理由決定ステップと、推薦ステップの処理により決定された複数の推薦アイテムについてのＮ個の属性のそれぞれを注目属性として順次設定し、アイテム単体推薦理由決定ステップの処理により決定された複数の推薦アイテムのそれぞれについての注目属性の推薦理由度の総加算値のそれぞれを演算するための第２の演算を行い、その第２の演算の結果得られる値が、複数の推薦アイテムに共通する推薦理由に含めるか否かの第３の条件を満たす場合、注目属性を、複数の推薦アイテムに共通する推薦理由であると決定する共通推薦理由決定ステップと、推薦ステップの処理により決定された複数の推薦アイテムまたはそれを示す情報と、共通推薦理由決定ステップの処理により決定された推薦理由の表示装置への表示を制御する表示制御ステップとを含むことを特徴とする。

本発明の情報処理装置および方法、並びに、プログラムにおいては、アイテムについてのＮ個（Ｎは、１以上の整数値）の属性のそれぞれを、Ｎ個の成分のうちの所定の１成分とするベクトルを標準形のベクトルとして、比較の元になる標準形の比較元ベクトルを記憶している第１の記憶部から取得した比較元ベクトルと、複数のアイテムのそれぞれの特徴を示す標準形のアイテム特徴ベクトルを記憶している第２の記憶部から取得したアイテム特徴ベクトルとの類似度が演算され、類似度が、ユーザに対して推薦すべき推薦アイテムに含めるか否かの第１の条件を満たすアイテム特徴ベクトルに対応するアイテムが、推薦アイテムとして複数個決定され、決定された複数の推薦アイテムのそれぞれが注目アイテムとして順次設定され、注目アイテムのアイテム特徴ベクトルのＮ個の成分のそれぞれについて、対応する成分値と、比較元ベクトルの対応する成分値とを用いて、対応する属性の推薦理由度を演算するための第１の演算が行われ、その第１の演算の結果得られる値が、推薦理由度としてそれぞれ決定され、推薦理由度が、アイテム単体の推薦理由に含めるか否かの第２の条件を満たす属性が、注目アイテム単体の推薦理由であると決定され、決定された複数の推薦アイテムについてのＮ個の属性のそれぞれが注目属性として順次設定され、決定された複数の推薦アイテムのそれぞれについての注目属性の推薦理由度の総加算値のそれぞれを演算するための第２の演算が行われ、その第２の演算の結果得られる値が、複数の推薦アイテムに共通する推薦理由に含めるか否かの第３の条件を満たす場合、注目属性が、複数の推薦アイテムに共通する推薦理由であると決定され、決定された複数の推薦アイテムまたはそれを示す情報と、決定された推薦理由の表示装置への表示が制御される。

以上のごとく、本発明によれば、アイテムをユーザに対して推薦する場合、その推薦理由も呈示することができる。特に、ユーザに推薦すべき推薦アイテムをユーザに呈示する場合、ユーザに説得力のある推薦理由も呈示することができる。

ここで、本発明の実施の形態を説明する前に、幾つかの語句を定義したり、基礎となる幾つかの技術について説明する。

本明細書において、アイテムとは、ユーザに提供可能なソフトウエアまたはハードウエア（物品）をいう。例えば、いわゆるコンテンツ、即ち、テレビジョン放送番組、映画、写真、楽曲等（動画像、静止画像、若しくは音声、または、それらの組合せ等）といったソフトウエアも、本明細書でいうアイテムである。また、例えば、ワイン等の物品（ハードウエア）も、本明細書でいうアイテムである。その他、例えば、文章や会話等も、本明細書でいうアイテムである。

ただし、本発明の理解を容易なものとするために、以下、アイテムの具体例を挙げる必要がある場合、所定の容器（例えば750mlの瓶等）に詰められたワイン（葡萄酒）が採用されるとする。

次に、従来から一般的に行われているアイテムを推薦するまでの一連の処理（以下、単に推薦処理と称する）の一例について、その概略を説明する。

ただし、説明の簡略上、１台の情報処理装置が推薦処理の全てを実行するとする。

はじめに、従来の情報処理装置は、とあるアイテムの特徴を示すＮ個（Ｎは、１以上の整数値）の情報のそれぞれを基底ベクトルとして、そのアイテムをベクトル化する。その際、従来の情報処理装置は、必要に応じて、そのベクトルの各成分のそれぞれに対して、所定の重み付け手法を利用して重み付けを行う（重み値を与える）。

なお、以下、アイテムがこのようにしてベクトル化された結果得られるベクトルを、アイテム特徴ベクトルと称する。また、以下、アイテムの特徴を示す情報を属性情報と称し、属性情報の種類を、属性と称する。即ち、所定のアイテムに対して、Ｎ個の属性のそれぞれの属性情報が対応付けられている場合、Ｎ個の属性情報が数値化され（重み付けが行われ）、その結果得られるＮ個の数値を成分値として有するベクトルが、アイテム特徴ベクトルである。

例えばとあるアイテムがワイン（葡萄酒）の場合には、「価格」、「葡萄の品種」、「味」、「香り」等が属性になる。また、例えば、所定のワインについて、その「価格」が「１万円」であって、「葡萄の品種」が「ａ種」であって、「味」が５段階中の「３」と評価されており、「香り」が５段階中のうちの「２」と評価されたとする。この場合、所定のワインについて、「価格」、「葡萄の品種」、「味」、「香り」のそれぞれの属性についての属性情報が、「１万円」、「ａ種」、「３」、「２」のそれぞれになる。従って、ワインのアイテム特徴ベクトルが（価格、葡萄の品種、味、香り）といったベクトルで表現されると規定されている場合、「１万円」、「ａ種」、「３」、「２」のそれぞれが、α、β、γ、θ（α、β、γ、θは互いに独立した任意の数値）のそれぞれに数値化されて、第１成分乃至第４成分のそれぞれに代入された結果得られるベクトルが、即ち、（α、β、γ、θ）が、所定のワインについてのアイテム特徴ベクトルになる。

なお、Ｎ個の属性のうちの所定の属性について、属性情報がアイテムに対応付けられていない場合、そのアイテムのアイテム特徴ベクトルのうちのその所定の属性に対応する成分には、０が代入されるとする。

また、Ｎ個の成分のそれぞれの順番が予め固定化され、その順番に従ってＮ個の成分が配置されて構成されるベクトルを、標準形のベクトルと称する。具体的には例えば、上述した例では、（価格、葡萄の品種、味、香り）といったベクトルが、ワインのアイテム特徴ベクトルの標準形のベクトルになる。

従来の情報処理装置は、このような標準形のアイテム特徴ベクトルを各アイテム毎にそれぞれ生成し、蓄積する。

一方、従来の情報処理装置は、ユーザの過去の履歴や、ユーザ自身により入力された各種情報を利用して、ユーザの嗜好を示す標準形のベクトルを生成する。なお、以下、ユーザの嗜好を示す標準形のベクトルを、ユーザ嗜好ベクトル、または、UPV(User Preference Vector)と称する。

そして、従来の情報処理装置は、このUPVと、蓄積された複数のアイテム特徴ベクトルのそれぞれとの余弦相関などの類似度をそれぞれ求め（マッチング処理を行い）、例えば、類似度が閾値以上であるアイテム特徴ベクトルに対応するアイテムを、ユーザに推薦すべき推薦アイテムとしてユーザに呈示する。

以上、従来の推薦システムにおける推薦処理の概略について説明した。

ところで、上述したように、情報処理装置の中には、推薦アイテムとともに、その推薦理由もあわせてユーザに呈示するものも従来から存在した。しかしながら、従来の情報処理装置では、複数の推薦アイテムを呈示する場合、複数の推薦アイテムのそれぞれに対して他とは独立して個別にその推薦理由を決定していた。また、その決定手法としても、標準形のベクトルの各成分（属性）のうちの、UPVとアイテム特徴ベクトルとの類似度が高い成分（属性）を、そのまま推薦理由とする、といった単純な手法が採用されていただけである。

なお、以下、複数の推薦アイテムのそれぞれに対して、他とは独立して個別に決定された１推薦アイテム自身の推薦理由を、アイテム単体の推薦理由と称する。

このため、ユーザの中には、アイテム単体の推薦理由を見ても、なぜこのアイテムが推薦されたのかわからないといった意見を挙げる者が現状少なからず存在する、という上述した従来の課題が生じてしまうことになる。即ち、従来の情報処理装置では、ユーザに対して説得力を持つ推薦理由を呈示することは困難である、という従来の課題が生じてしまう。

そこで、従来の課題を解決すべく本発明人は、次のような手法を発明した。即ち、複数の推薦アイテムを呈示する場合、複数の推薦アイテムを１つのグループとみなして、そのグループ内で共通する事項、換言すると、そのグループの特徴をよく表している事項を1以上特定する。そして、特定された１以上の事項を、今回の推薦内容（複数の推薦アイテム）全体のテーマとみなし、そのテーマをユーザに呈示する。以上の一連の処理に対応する手法が、本発明人により発明された手法である。即ち、このテーマこそが、今回の推薦内容（複数の推薦アイテム）全体に共通する推薦理由であるといえる。そこで、以下、このテーマを、共通推薦理由と適宜称する。

このような本発明の手法を採用することで、ユーザに対して説得力のあるアイテムの推薦を行うことが可能になる。なお、ユーザに対してさらに説得力のあるアイテムの推薦を行いたい場合、共通推薦理由（テーマ）とともに、複数の推薦アイテムのそれぞれについての、アイテム単体の推薦理由もあわせてユーザに呈示するとよい。

なお、共通推薦理由の具体的な決定手法については、図６以降の図面を参照して後述する。

次に、図面を参照して、本発明の実施の形態について説明する。

図１は、上述した本発明の手法が適用される推薦システム、即ち、本発明が適用される推薦システムの機能的構成例を表している。即ち、図１の推薦システムは、複数のアイテムの中からユーザに推薦すべき推薦アイテムを複数検索し、さらに、それらの複数の推薦アイテムの共通推薦理由（テーマ）を決定し、複数の推薦アイテムとテーマとをともにユーザに呈示する。

なお、本明細書において、システムとは、複数の装置や処理部により構成される装置全体を表すものである。従って、図１の推薦システムは、１台の情報処理装置で構成してもよいし、複数台の情報処理装置で構成してもよい。ただし、本実施の形態では、図１の推薦システムは、１台の情報処理装置で構成されるとする。即ち、図１は、本発明が適用される情報処理装置の機能的構成例を表している。

図１の例では、情報処理装置は、ユーザ嗜好ベクトル記憶部１乃至呈示部６を含むように構成される。

なお、ユーザ嗜好ベクトル記憶部１乃至呈示部６のそれぞれの形態は特に限定されない。特に、推薦リスト生成部３、推薦理由決定部４、および共通理由決定部５等は、ソフトウエアで構成してもよいし、ハードウエアで構成してもよいし、或いは、ソフトウエアとハードウエアの組合せとして構成してもよい。

ユーザ嗜好ベクトル記憶部１には、標準形のユーザ嗜好ベクトルが記憶されている。また、アイテム特徴ベクトル記憶部２には、２以上のアイテムのそれぞれについての標準形のアイテム特徴ベクトルが記憶されている。本実施の形態では例えば、ｎ（ｎは１以上の整数値）個のアイテムのそれぞれについてのｎ個のアイテム特徴ベクトルが記憶されているとする。

より具体的には、本実施の形態では、アイテムはワインとされるとし、標準形のユーザ嗜好ベクトルやアイテム特徴ベクトルは（香り、（色）赤、（色）白、（品種）A種、（品種）B種）であるとする。なお、各成分のそれぞれの詳細については後述する。

推薦リスト生成部３は、ユーザ嗜好ベクトル記憶部１に記憶されているユーザ嗜好ベクトルと、アイテム特徴ベクトル記憶部２に記憶されているｎ個のアイテム特徴ベクトルのそれぞれとの余弦相関などの類似度をそれぞれ求める。次に、推薦リスト生成部３は、それらの類似度に基づいて、複数のアイテム特徴ベクトルのそれぞれに対応するアイテムの推薦度を演算する。推薦度の演算手法は、特に限定されないが、ここでは説明の簡略上、類似度がそのまま推薦度となるとする。次に、推薦リスト生成部３は、例えば、推薦度が閾値以上のアイテム特徴ベクトルに対応する１以上のアイテム（本実施の形態ではワイン）を、ユーザに推薦すべき推薦アイテムとして決定する。そして、推薦リスト生成部３は、１以上の推薦アイテムのそれぞれを特定可能な情報を羅列したリスト（以下、推薦リストと称する）を生成し、推薦理由決定部４に提供する。

なお、推薦アイテムを特定可能な情報とは、例えば本実施の形態のようにアイテムがワインである場合には、ワインの名称、産地、生産者（ドメーヌやワイナリー）等をいう。また、推薦リストの中に、その他の情報、例えば、ワインの価格や、そのワインの推薦理由等を含ませることも当然ながら可能である。ただし、本実施の形態では、推薦リスト生成部３か出力された段階の推薦リストは、後述する図８に示されるように、アイテム（ワイン）の名称と、その推薦度（本実施の形態では類似度そのも）とのみを含んだリストであるとする。

推薦理由決定部４は、推薦リスト生成部３から供給された推薦リストに含まれる１以上の推薦アイテムのそれぞれについて、アイテム単体の推薦理由を決定し、その決定結果を羅列したリスト（後述する図１１参照）を生成し、そのリストを、推薦リスト共に共通推薦理由決定部５に供給する。以下、係るリストを、上述した推薦リスト等他のリストと区別するために、推薦理由リストと称する。なお、推薦理由リストの生成手法や、その具体例については後述する。

共通推薦理由決定部５は、推薦理由決定部４から供給された推薦理由リストに基づいて、共通推薦理由（テーマ）を決定し、その共通推薦理由を、上述した推薦リストと推薦理由リストと共に呈示部６に供給する。

呈示部６は、共通推薦理由決定部５から供給された共通推薦理由（テーマ）と推薦リストと推薦理由リストとに基づいて、共通推薦理由および各推薦アイテム（その名称）を少なくとも含む画像（以下、推薦画像と称する）を生成し、その推薦画像をユーザに呈示する。即ち、本実施の形態では、呈示部６は、ディスプレイ等の表示装置を含むように構成されており、その表示装置の表示画面に推薦画像が表示されることになる。

推薦画像は、上述したように、共通推薦理由および各推薦アイテム（その名称）を少なくとも含む画像であれば、任意の画像でよい。

具体的には例えば、図２乃至図５のそれぞれに示される画像を推薦画像として採用することができる。即ち、図２乃至図５は、推薦画像の各種例を示している。

図２の例の推薦画像１１においては、図中上から順に、『ワイン推薦サービスへようこそ』、および『「○○○○」が好きなあなたへのお薦め』といったメッセージが表示される。このメッセージのうちの「○○○○」の中に、共通推薦理由（テーマ）が表示される。具体的には例えば、図２の例では、「香りが強いワイン」が、共通推薦理由（テーマ）として表示されている。従って、ユーザは、「この推薦画像１１に表示されている推薦ワインは、主に香りが強いワインである点に着目されて推薦されているのだ」ということを容易に認識することができる。

この共通推薦理由が表示される下方には、推薦アイテムを特定する情報、即ち、図２の例では、左から順に、推薦アイテムであるワインの名称、および、ユーザ嗜好ベクトルとの類似度が表示されている。なお、図２の例では、類似度のレベルが★（黒星印）の個数で示されている。即ち、★（黒星印）の個数が多いほど、類似度が高いことを示している。具体的には例えば、図２の例では、類似度が５レベルの「シャトー○○○」という名称のワインと、類似度が３レベルの「シャトー×××」という名称のワインとが、推薦アイテムとして呈示されている。

ところで、複数の推薦アイテムの多くは、共通推薦理由として採用された属性、図２の例では「香り」はまた、アイテム単体の推薦理由にも採用されていることが多い。ところが、複数の推薦アイテムの中には、共通推薦理由として採用された属性が、アイテム単体の推薦理由には採用されていないものも存在する。

このようなものが存在する場合、共通推薦理由として採用されている属性がアイテム単体の推薦理由としては採用されていない推薦アイテム（以下、共通有単体無推薦アイテムと称する）は、推薦画像から除外してもよい（ユーザに呈示しなくてもよい）が、ユーザにとって意外性のある推薦アイテムであるとみなし、その旨のコメントを添えて、推薦画像に含める（ユーザに呈示する）こともできる。具体的には、例えば図３の推薦画像１２を採用することもできる。

図３の推薦画像１２のレイアウト自体は、上述した図２の推薦画像１１のレイアウトと基本的に同様であるので、その説明については省略する。

図３の例では、「△△（ドメーヌ□□）」という名称のワインが、共通有単体無推薦アイテムとされており、即ち、共通推薦理由として採用された「香り」はアイテム単体の推薦理由としては採用されておらず、このため、星印の表示の右方には、ユーザにとって意外性のある推薦アイテムであることを示す［一味違う］といったコメントが表示されているのである。

これに対して、「シャトー○○○」と「シャトー×××」とのそれぞれの名称のワインは、共通推薦理由として採用された「香り」はまたアイテム単体の推薦理由として採用されており、このため、星印の表示の右方には、コメントが特に表示されていないのである。

さらにまた、図４に示される画像１３−１乃至１３−３も推薦画像として採用することが可能である。

図４の例では、画面サイズが小さい携帯型端末等に採用される推薦画像を想定して、３つの画像１３−１乃至１３−３に分割されている。このため、画像１３−１乃至１３−３のそれぞれには、何ページ目であるのかを示す（１ページ目）、（２ページ目）、および（３ページ目）のそれぞれのメッセージが表示されている。また、画像１３−１は、先頭の１ページ目であることから、次の２ページ目の画像１３−２を表示させる指示操作をユーザが行うための領域として、最下方に「もっと見る→」と記述された操作領域が設けられている。この操作領域は、２ページ目の画像１３−２も設けられている。

なお、推薦画像の分割数は、当然ながら図４の例（３分割）に限定されず任意でよい。即ち、推薦画像の分割数は、一般的に、画面サイズと推薦アイテムの総数によって決定される。

また、図４と、図２または図３と比較すると明らかなように、図４の推薦画像１３−１乃至１３−３においては、各推薦アイテムの表示の最右方に「○（丸印）」または「×（バツ印）」が示されている。

「○（丸印）」は、共通推薦理由として採用された属性、即ち、図４の例では「香り」がアイテム単体の推薦理由としても採用された推薦アイテム（以下、共通単体両者有推薦アイテムと称する）であることを示している。これに対して、「×（バツ印）」は、共通有単体無推薦アイテムであることを示している。

なお、図４の推薦画像１３−１乃至１３−３のその他のレイアウトは、上述した図２の推薦画像１１や図３の推薦画像１２のレイアウトと基本的に同様であるので、その説明については省略する。

ところで、推薦画像における、複数の推薦アイテムの表示順番、即ち、その名称の左方に示される数値で示される順番は、特に限定されず任意でよい。

具体的には例えば、図４の推薦画像１３−１乃至１３−３にいては、ユーザ嗜好ベクトルとの類似度（推薦度）順に、推薦アイテムが配置されているが、その他例えば、図５の推薦画像１４−１乃至１４−３に示されるような順番で、推薦アイテムが配置されてもよい。

即ち、図５の推薦画像１４−１乃至１４−３は、図４の推薦画像１３−１乃至１３−３に含まれる推薦アイテムを、次の順番で並べ替えた画像である。即ち、共通単体両者有推薦アイテム、換言すると、「○（丸印）」が付された推薦アイテムを、先の順番とし、共通有単体無推薦アイテム、換言すると、「×（丸印）」が付された推薦アイテムを、後の順番とするように、各推薦アイテムが配置された結果得られる画像が、図５の推薦画像１４−１乃至１４−３である。

なお、「○（丸印）」が付された推薦アイテム内での並び順は、図５の例では、ユーザ嗜好ベクトルとの類似度（推薦度）順とされているが、図５の例に限定されない。例えば、共通推薦理由として採用された属性（図４と図５の例では「香り」）の推薦理由度（推薦理由度については後述する）順であってもよいし、或いは、アイテム特徴ベクトルの各成分のうちの、共通推薦理由として採用された属性（図４と図５の例では「香り」）に対応する成分値の高い順であってもよい。

同様に、「×（バツ印）」が付された推薦アイテム内での並び順は、図５の例では、ユーザ嗜好ベクトルとの類似度（推薦度）順とされているが、図５の例に限定されない。

以上、図２乃至図５を参照して、推薦画像の各種例について説明した。

なお、繰り返しになるが、推薦画像の形態は、図２乃至図５の例に限定されず、任意の形態でよい。例えば、図示はしないが、図２乃至図５の例では、推薦アイテム（推薦ワイン）の名称の右方に、類似度だけを表示させるようにしたが、上述したように、その推薦アイテムについてのアイテム単体の推薦理由をはじめとして、その他各種情報を表示させるようにしてもよい。

次に、図６のフローチャートを参照して、図１の情報処理装置が実行する処理のうちの、推薦アイテムと共通推薦理由（テーマ）とをユーザに呈示するまでの一連の処理について説明する。なお、以下、係る処理を、図６の記載とあわせて、「共通推薦理由呈示処理」と称する。

ステップＳ１において、図３の推薦リスト生成部３は、推薦リストを生成し、推薦理由決定部４に提供する。

即ち、上述したように、ステップＳ１の第１の処理として、推薦リスト生成部３は、ユーザ嗜好ベクトル記憶部１に記憶されているユーザ嗜好ベクトルと、アイテム特徴ベクトル記憶部２に記憶されている第１のアイテム乃至第ｎのアイテムのそれぞれの特徴ベクトルとの類似度を演算する。その結果、例えば、図７に示されるように類似度が演算されたとする。

次に、ステップＳ１の第２の処理として、推薦リスト生成部３は、それらの類似度から推薦度を決定し、その推薦度が所定の条件を満たすアイテム特徴ベクトルに対応するアイテムを、推薦アイテムとして決定する。例えば、本実施の形態では、上述したように、類似度がそのまま推薦度となる。また、例えば、本実施の形態では、類似度（推薦度）が0.6以上のアイテムが、推薦アイテムとして決定されるとする。この場合、図７によると、類似度が0.8である第１のアイテム、類似度が0.9である第３のアイテム、および、類似度が0.7である第５のアイテムが、推薦アイテムとして決定される。

そして、ステップＳ１の第３の処理として、推薦リスト生成部３は、第２の処理で決定された1以上の推薦アイテム（名称）とそれらの類似度とを含む推薦リストを生成し、推薦理由決定部４に提供する。具体的には例えば、いまの場合、図８に示されるような推薦リスト２１が生成されることになる。即ち、図８は、推薦リストの一例を示している。

このようにして、推薦リストが、推薦リスト生成部３により生成され、推薦理由決定部４に提供されると、処理はステップＳ２に進む。

ステップＳ２において、推薦理由決定部４は、上述したように、推薦リストに含まれる１以上の推薦アイテムのそれぞれについてのアイテム単体の推薦理由を決定し、その決定結果を羅列した推薦理由リストを生成し、その推薦理由リストを、推薦リストとともに共通推薦理由決定部５に供給する。以下、係るステップＳ２の処理を「各アイテム推薦理由度演算処理」と称する。なお、「各アイテム推薦理由度演算処理」の詳細については、図９乃至図１１を参照して後述する。

次に、ステップＳ３において、共通推薦理由決定部５は、上述したように、推薦理由決定部４から供給された推薦理由リストに基づいて、共通推薦理由（テーマ）を決定し、その共通推薦理由を、推薦リストと推薦理由リストと共に呈示部６に供給する。以下、係るステップＳ２の処理を「共通推薦理由度演算処理」と称する。なお、「共通推薦理由度演算処理」の詳細については、図１２乃至図１５を参照して後述する。

そして、ステップＳ４において、呈示部６は、ユーザに推薦すべき推薦アイテムを、お勧めポイント（アイテム単体の推薦理由）と、各推薦アイテム全体のテーマ（共通推薦理由）と共に、ユーザに呈示する。

これにより、「共通推薦理由呈示処理」は終了となる。

なお、図６の「共通推薦理由呈示処理」の例では、ステップＳ４の処理で、お勧めポイントが呈示されたが、上述したように、お勧めポイントの呈示は特に必須ではない。また、お勧めポイントとして、図６の例では、アイテム単体の推薦理由を呈示させるようにしているが、図６の例に限定されず、例えば上述したように類似度を呈示させるようにしてもよい。後者の場合、提示方法が画像表示であるとすると、上述した図２乃至図５の例のような推薦画像が、ステップ４の処理でユーザに呈示されることになる。

次に、ステップＳ２の「各アイテム推薦理由度演算処理」と、ステップＳ３の「共通推薦理由度演算処理」とのそれぞれの詳細について、その順番に個別に説明していく。

はじめに、図９乃至図１１を参照して、ステップＳ２の「各アイテム推薦理由度演算処理」について説明する。

図９は、ステップＳ２の「各アイテム推薦理由度演算処理」の詳細例を説明するフローチャートである。

図９のステップＳ１１において、推薦理由決定部４は、ユーザ嗜好ベクトルをユーザ嗜好ベクトル記憶部１から取得する。

例えばいま、図１０のうちの名称が「ユーザ」とされている１行目に示されるベクトル、即ち、（香り、（色）赤、（色）白、（品種）A種、（品種）B種）＝(2.5,0,1,0.5,0.7)が、ユーザ嗜好ベクトルとしてステップＳ１１の処理で取得されたとする。即ち、図１０は、ユーザ嗜好ベクトルやアイテム特徴ベクトルの具体例を示している。図１０に示されるアイテム特徴ベクトルについては後述する。

ユーザ嗜好ベクトルにおいては、各成分は、ユーザの過去の操作履歴等に基づくユーザの嗜好を示している。例えば、本実施の形態では、説明の簡略上、過去にユーザが購入したワインのアイテム特徴ベクトルが操作履歴として蓄積されており、蓄積されたアイテム特徴ベクトルの各成分に基づいて、ユーザ嗜好ベクトルの各成分の成分値が決定されているとする。

また、本実施の形態においては、説明の簡略上、ユーザの購入有無に関わらず全てのワインについて、その販売者や図１の推薦システムのサービス提供者等が予め試飲を行い、その試飲結果に基づいて、「香り」、「（品種）A種」、および「（品種）B種」のそれぞれについて、０乃至３のうちの当てはまると判断した数値を決定しており、その決定された数値がそのまま、アイテム特徴ベクトルのうちの、「香り」、「（品種）A種」、および「（品種）B種」のそれぞれの第１成分、第４成分、および、第５成分のそれぞれの成分値として代入されているとする。ただし、「香り」については、数値が高くなるほど、「香り」が強いワインであると判断されたことを示しているとする。一方、「（品種）A種」、および「（品種）B種」については、数値が高くなるほど、その品種の特徴がよく表れていると判断されたことを示しているとする。

また、そのアイテム特徴ベクトルの「（色）赤」の第２成分と「（色）白」の第３成分については、対応するワインが赤ワインであれば、「（色）赤」の第２成分に「１」が代入されて、「（色）白」の第３成分に「０」が代入されるとする。これに対して、対応するワインが白ワインであれば、「（色）赤」の第２成分に「０」が代入されて、「（色）白」の第３成分に「１」が代入されるとする。なお、ロゼワインやスパークリングワイン等の赤白に単純に分類できないワインについては、説明の簡略上、除外するとする。

なお、図１０に示される「香り」の属性のように、１種類のみで表され、その種類のレベル等が数値で表される属性を、以下、同図の記載にあわせて、数値属性と称する。これに対して、図１０に示される「赤」および「白」の属性からなる色のグループ、並びに、「A種」および「B種」の属性からなるグループといったように、複数の種類（名義）の属性を含むように１つのグループが構成され、複数の種類（名義）のそれぞれの属性のレベル等が、数値や○×（丸バツ）等で個別に表される場合、それらの属性を、以下、同図の記載にあわせて、名義属性と称する。

ところで、本実施の形態では、上述したように、過去にユーザが購入した全ワインのそれぞれのアイテム特徴ベクトルの各成分に基づいて、ユーザ嗜好ベクトルの各成分の成分値が決定されるとした。より具体的には例えば、本実施の形態では、説明の簡略上、次のようにしてユーザ嗜好ベクトルの各成分の成分値が決定されるとする。

即ち、本実施の形態のユーザ嗜好ベクトルにおいては、「香り」、「（品種）A種」、および「（品種）B種」のそれぞれの成分値は、過去にユーザが購入した全ワインのそれぞれのアイテム特徴ベクトルのうちの、対応する成分の各成分値の平均値であるとする。

一方、過去にユーザが購入した全ワインのそれぞれのアイテム特徴ベクトルのうちの「（色）赤」と「(色)白」との各成分値の総計値が演算され、その総計値が大きい方（即ち、赤ワインと白ワインとのうちの、ユーザが過去に購入した本数が多い方）のユーザ嗜好ベクトルの成分値には「１」が代入され、その総計値が小さいい方（即ち、赤ワインと白ワインとのうちの、ユーザが過去に購入した本数が少ない方）のユーザ嗜好ベクトルの成分値には「０」が代入されされるとする。

なお、繰り返しになるが、ユーザ嗜好ベクトルの各成分値の決定手法は、上述した本実施の形態の例に限定されないことは言うまでもない。

図９に戻り、このようにして、ユーザ嗜好ベクトルが取得されると、処理はステップＳ１１からＳ１２に進む。

ステップＳ１２において、推薦理由決定部４は、推薦リストに含まれるアイテムのうちの所定の１つを、注目アイテムとして設定する。

いまの場合、上述したように、図８の推薦リスト２１が推薦リスト生成部３から推薦理由決定部４に供給されているので、ステップＳ１２の処理で、第１のアイテム、第３のアイテム、および、第５のアイテムのうちの所定の１つが注目アイテムとして設定されることになる。例えばいま、第１のアイテムが注目アイテムに設定されたとする。

ステップＳ１３において、推薦理由決定部４は、注目アイテムのアイテム特徴ベクトルをアイテム特徴ベクトル記憶部２から取得する。

例えばいまの場合、第１のアイテムのアイテム特徴ベクトルが取得されることになる。

ステップＳ１４において、推薦理由決定部４は、アイテム特徴ベクトルの一成分である一属性を選択する。

即ち、例えば本実施の形態では、「香り」、「（色）赤」、「（色）白」、「（品種）A種」、および「（品種）B種」の属性のうちの所定の１つがステップＳ１４の処理で選択されることになる。

ステップＳ１５において、推薦理由決定部４は、選択された属性を、アイテム単体の推薦理由に含めるか否かを判定する。

なお、ステップＳ１５の判定処理の条件、即ち、アイテム単体の推薦理由に含めるか否かの条件については、特に限定されず、各属性に適した様々な条件が採用されることになる。ただし、この条件の具体例については後述する。

ステップＳ１５において、選択された属性を、アイテム単体の推薦理由に含めないと判定された場合、処理はステップＳ１７に進む。

これに対して、選択された属性を、アイテム単体の推薦理由に含めると判定された場合、処理はステップＳ１６に進む。

ステップＳ１６において、推薦理由決定部４は、注目アイテムについての、選択された属性の推薦理由度を演算する。

なお、推薦理由度の演算手法は、特に限定されず、各属性に適した各種手法が適用されることになる。ただし、推薦理由度の演算手法については、後述する。

このようにして、ステップＳ１５の処理でＹＥＳであると判定されてステップＳ１６の処理が実行された場合、或いは、ステップＳ１５の処理でＮＯであると判定された場合、処理はステップＳ１７に進む。

ステップＳ１７において、推薦理由決定部４は、注目アイテムについて、全属性の推薦理由度が演算されたか否かを判定する。

ステップＳ１７において、注目アイテムについて、全属性の推薦理由度がまだ演算されていないと判定された場合、処理はステップＳ１４に戻され、それ以降の処理が繰り返し実行される。即ち、例えば本実施の形態では、ステップＳ１４乃至Ｓ１６のループ処理が繰り返し実行されて、注目アイテムである第１のアイテムについての、「香り」、「（色）赤」、「（色）白」、「（品種）A種」、および「（品種）B種」のうちの幾つかの属性が、アイテム単体の推薦理由として採用されて、その推薦理由度が演算されることになる。

すると、ステップＳ１７において、注目アイテムについて、全属性の推薦理由度が演算されたと判定されて、処理はステップＳ１８に進む。

ステップＳ１８において、推薦理由決定部４は、推薦リストに含まれるアイテムの全てが、注目アイテムに設定されたか否かを判定する。

ステップＳ１８において、推薦リストに含まれるアイテムの全てが、注目アイテムにまだ設定されていないと判定された場合、処理はステップＳ１２に戻され、それ以降の処理が繰り返し実行される。即ち、例えば本実施の形態では、ステップＳ１２乃至Ｓ１８のループ処理が繰り返し実行されて、残りの第３のアイテムと第５のアイテムとのそれぞれが注目アイテムに順次設定されて、第３のアイテムおよび第５のアイテム毎に、対応する「香り」、「（色）赤」、「（色）白」、「（品種）A種」、および「（品種）B種」のそれぞれのうちの幾つかの属性が、アイテム単体の推薦理由として採用されて、その推薦理由度が演算されることになる。

すると、ステップＳ１８において、推薦リストに含まれるアイテムの全てが、注目アイテムに設定されたと判定されて、処理はステップＳ１９に進む。

ステップＳ１９において、推薦理由決定部４は、推薦理由リストを生成する。具体的には例えば、本実施の形態では、ステップＳ１９の処理で、図１１に示される推薦理由リスト２２が生成されたとする。即ち、図１１は、推薦理由リストの一例を示している。

以下、図１１の例の推薦理由リスト２２がステップＳ１９の処理で生成される場合における、ステップＳ１５の判定条件や、ステップＳ１６推薦理由度の演算手法について、本実施の形態で採用されている幾つかの例を説明する。

ただし、第１のアイテムのアイテム特徴ベクトルは、図１０のうちの名称が「第１のアイテム」とされている２行目に示されるベクトル、即ち、（香り、（色）赤、（色）白、（品種）A種、（品種）B種）＝(1.0,0,1,2.1,1.0)であるとする。第３のアイテムの特徴ベクトルは、図１０のうちの名称が「第２のアイテム」とされている３行目に示されるベクトル、即ち、（香り、（色）赤、（色）白、（品種）A種、（品種）B種）＝(2.0,1,0,3.0,2.0)であるとする。第５のアイテムの特徴ベクトルは、図１０のうちの名称が「第３のアイテム」とされている４行目に示されるベクトル、即ち、（香り、（色）赤、（色）白、（品種）A種、（品種）B種）＝(3.0,1,0,1.5,0.5)であるとする。

はじめに、「香り」の属性についての、ステップＳ１５の判定条件と、ステップＳ１６推薦理由度の演算手法との一例について説明する。

即ち、この例では、「香り」についてのステップＳ１５においては、推薦理由決定部４は、次の式（１）を演算することで、注目アイテムの「香り」についての類似度を演算する。

式（１）において、Max_distは、上の式（２）で示される値である。式（２）において、Max_valueは、推薦リストに含まれる全推薦アイテムのアイテム特徴ベクトルの「香り」の各成分値のうちの最大値を示しており、MIN_valueは、その最小値を示している。また、式（１）において、Usr_valueは、ユーザ嗜好ベクトルの「香り」の各成分値を示しており、Item_valueは、注目アイテムのアイテム特徴ベクトルの「香り」の各成分値を示している。

いまの場合、図１０によると、Max_valueは3.0であり、MIN_valueは1.0であることから、Max_distは2.0となる。また、Usr_valueは、2.5であり、注目アイテムが「第１のアイテム」、「第３のアイテム」、および「第５のアイテム」のそれぞれに設定された場合、Item_valueは、1.0,2.0，3.0のそれぞれになる。従って、「第１のアイテム」、「第３のアイテム」、および「第５のアイテム」のそれぞれの「香り」についての類似度は、0.25，0.75,0.75のそれぞれになる。

「香り」についてのステップＳ１５の処理として引き続き、推薦理由決定部４は、注目アイテムの「香り」についての類似度が閾値以上である場合、「香り」をアイテム単体の推薦理由として採用し（それに含め）、一方、注目アイテムの「香り」についての類似度が閾値未満である場合、「香り」をアイテム単体の推薦理由から除外する（それに含めない）。

具体的には例えば、閾値が0.7に設定されているとする。この場合、上述した例では、第１のアイテムについては、「香り」は、アイテム単体の推薦理由として除外されることになる。これに対して、第３のアイテムと第５のアイテムとについては、「香り」は、アイテム単体の推薦理由として採用されることになる。

従って、第１のアイテムについては、ステップＳ１６の処理は実行されないことになる。これに対して、第３のアイテムと第５のアイテムとについては、ステップＳ１６の処理が実行されて、「香り」についての推薦理由度が、例えば次のようにして演算されることになる。

即ち、「香り」についてのステップＳ１６においては、推薦理由決定部４は、次の式（３）を演算することで、注目アイテムの「香り」についての推薦理由度を演算する。

式（３）において、Max_distは、上の式（２）で示される値であり、Item_valueは、注目アイテムのアイテム特徴ベクトルの「香り」の各成分値を示している。また、式（３）において、Discrete_valueは、「香り」の成分値が取り得る範囲のうちの予め設定された複数の離散値のそれぞれが代入され、本実施の形態では、式（４）に示されるように、１，２，３のうちの何れかが代入されるとする。

いまの場合、上述したように、Max_distは2.0であり、注目アイテムが「第３のアイテム」、および「第５のアイテム」のそれぞれに設定された場合、Item_valueは、2.0，3.0のそれぞれになる。従って、図１１の推薦理由リスト２２に示されるように、「第３のアイテム」の「香り」については、「１」レベルの推薦理由度は「0.5」となり、「２」レベルの推薦理由度は「1.0」となり、かつ、「３」レベルの推薦理由度は「0.5」となる。

即ち、「第３のアイテム」については、アイテム単体の推薦理由として「香り」が採用されたが、「香り」の「１」、「２」、「３」の各レベルのうちの何れのレベルに着目されて採用されたのかを示す値、換言すると、その着目度合いが、推薦理由度であるといえる。

また、後述するように、この推薦理由度は、共通推薦理由を決定するために理由される。このため、その他の属性の推薦理由度とその尺度を合わせておく必要がある。従って、本実施の形態では、何れの属性の推薦理由度も、０乃至１の範囲に収まるように正規化されるのである。

ところで、図１１の推薦理由リスト２２に示されるように、「第５のアイテム」の「香り」についても同様に、「１」レベルの推薦理由度は「0」となり、「２」レベルの推薦理由度は「0.5」となり、かつ、「３」レベルの推薦理由度は「１」となる。

このように、ステップＳ１５の処理で、アイテム単体の推薦理由として採用された属性は、ステップＳ１６の処理で、その推薦理由度が演算され、ステップＳ１９の処理で、図１１に示されるように、演算された各推薦理由度が推薦理由リスト２２の対応する項目にそれぞれ記述されるのである。

以上、「香り」についてのステップＳ１５の判定条件と、ステップＳ１６推薦理由度の演算手法との一例について説明した。

次に、「色（赤、白）」についてのステップＳ１５の判定条件と、ステップＳ１６推薦理由度の演算手法との一例について説明する。

即ち、この例では、「色（赤、白）」についてのステップＳ１５においては、推薦理由決定部４は、ユーザ嗜好ベクトルの「（色）赤」と「（色）白」との成分のうちの「１」が代入されている方を注目成分として設定し、注目アイテムの特徴ベクトルの注目成分に「１」が代入されている場合、色のうちの注目成分に対応する属性を、アイテム単体の推薦理由として採用し（それに含め）、一方、注目アイテムの特徴ベクトルの注目成分に「０」が代入されている場合、色のうちの注目成分に対応する属性を、アイテム単体の推薦理由から除外する（それに含めない）。

具体的には例えば、図１０の例では、「（色）白」が注目成分となるので、注目成分に「１」が代入されているアイテム特徴ベクトルに対応する「第１のアイテム」については、「（色）白」の属性が、アイテム単体の推薦理由として採用される。これに対して、「第３のアイテム」と「第５のアイテム」については、「（色）白」と「（色）赤」との何れの属性も、アイテム単体の推薦理由として採用されない（除外される）。

従って、第３のアイテムと第５のアイテムとについては、ステップＳ１６の処理は実行されないことになる。これに対して、第１のアイテムについては、ステップＳ１６の処理が実行されて、「（色）白」についての推薦理由度が、例えば次のようにして演算されることになる。

即ち、「（色）白」についてのステップＳ１６においては、推薦理由決定部４は、注目アイテムの特徴ベクトルの「（色）白」の成分値、即ち、「１」をそのまま推薦理由度とする。「（色）白」と「（色）赤」の成分値は何れも「０」または「１」であり、特に正規化する必要がないからである。

その後、ステップＳ１９の処理で、図１１に示されるように、推薦リスト２２のうちの、「第１のアイテム」を示す第１行目の、「（色）白」を示す第５列目の項目に「１」が代入されるのである。

以上、「色（赤、白）」についてのステップＳ１５の判定条件と、ステップＳ１６推薦理由度の演算手法との一例について説明した。

次に、「品種（A種、B種）」についてのステップＳ１５の判定条件と、ステップＳ１６推薦理由度の演算手法との一例について説明する。

即ち、この例では、「品種（A種、B種）」についてのステップＳ１５においては、推薦理由決定部４は、ユーザ嗜好ベクトルの「（品種）A種」と「（品種）B種」とのそれぞれの成分値と、注目アイテムについてのアイテム特徴ベクトルの「（品種）A種」と「（品種）B種」とのそれぞれの乗算値を求め、その乗算値が閾値以上となる属性を、アイテム単体の推薦理由として採用し（それに含め）、一方、その乗算値が閾値未満となる属性を、アイテム単体の推薦理由から除外する。

具体的には例えば、閾値が1.0であるとすると、図１０の例では、「第１のアイテム」については、「（品種）A種」の乗算値（0.5×2.1=1.05）のみが閾値1.0以上になる。従って、「第１のアイテム」については、「（品種）A種」が、アイテム単体の推薦理由として採用される。また、「第３のアイテム」については、「（品種）A種」の乗算値（0.5×3.0=1.5）と、「（品種）B種」の乗算値（0.5×2.0=1.0）との何れもが閾値1.0以上になる。従って、「第３のアイテム」については、「（品種）A種」と「（品種）B種」との何れもが、アイテム単体の推薦理由として採用される。一方、「第５のアイテム」については、「（品種）A種」の乗算値（0.5×1.5=0.75）と、「（品種）B種」の乗算値（0.5×0.5=0.25）との何れもが閾値1.0未満になる。従って、「第５のアイテム」については、「（品種）A種」と「（品種）B種」との何れもが、アイテム単体の推薦理由として採用されない。

以上のことから、第５のアイテムについては、ステップＳ１６の処理は実行されないことになる。これに対して、第１のアイテムと第３のアイテムとについては、ステップＳ１６の処理が実行されて、「（品種）A種」または「（品種）B種」（第１のアイテムは「（品種）A種」）についての推薦理由度が、例えば次のようにして演算されることになる。

即ち、上述したように、アイテム特徴ベクトルの「（品種）A種」と「（品種）B種」との成分値の取り得る範囲は０乃至３であり、１を超えることがある。また、ユーザ嗜好ベクトルと乗算値も閾値以上の１を取る。従って、アイテム特徴ベクトルの「（品種）A種」と「（品種）B種」との成分値や、ユーザ嗜好ベクトルとの乗算値をそのまま、０乃至１の範囲の推薦理由度とすることはできない。

そこで、「（品種）A種」または「（品種）B種」についてのステップＳ１６においては、推薦理由決定部４は、例えば次の式（５）を演算することで、ユーザ嗜好ベクトルとの乗算値を、０乃至１の範囲とするように正規化するのである。

式（５）において、Usr_valueは、ユーザ嗜好ベクトルの「（品種）A種」または「（品種）B種」の成分値を示しており、Item_valueは、注目アイテムのアイテム特徴ベクトルの「（品種）A種」または「（品種）B種」の成分値を示している。即ち、式（５）の右辺の分子が、ユーザ嗜好ベクトルとの乗算値を示している。また、式（５）において、Product_maxは、推薦リストに含まれる全推薦アイテムのアイテム特徴ベクトルの「（品種）A種」および「（品種）B種」の各成分値と、ユーザ嗜好ベクトルの対応する成分値との乗算値のうちの最大値を示している。

なお、繰り返しになるが、正規化の手法は、上述した式（５）で示される手法に限定されないのは言うまでもない。

その後、ステップＳ１９の処理で、図１１に示されるように、推薦リスト２２のうちの、「第１のアイテム」を示す第１行目の、「（品種）A種」を示す第６列目の項目には、式（５）の演算結果である「0.7」が代入されるのである。また、「第３のアイテム」を示す第２行目の、「（品種）A種」を示す第６列目の項目には、式（５）の演算結果である「1.0」が代入され、かつ、「（品種）B種」を示す第７列目の項目には、式（５）の演算結果である「0.93」が代入されるのである。

以上、「品種（A種、B種）」についてのステップＳ１５の判定条件と、ステップＳ１６推薦理由度の演算手法との一例について説明した。

このようにして、アイテム単体の推薦理由として採用された各属性の推薦理由度が推薦理由リスト２２にそれぞれ記述されると、即ち、ステップＳ１９の処理で推薦理由リストが生成されると、図９の例の「各アイテム推薦理由度演算処理」は終了となる。

即ち、図６のステップＳ２の「各アイテム推薦理由度演算処理」が終了し、処理はステップＳ３の「共通推薦理由度演算処理」に進むことになる。

そこで、以下、図１２乃至図１５を参照して、ステップＳ３の「共通推薦理由度演算処理」の詳細例について説明する。

図１２は、ステップＳ３の「共通推薦理由度演算処理」の詳細例を説明するフローチャートである。

図１２のステップＳ３１において、共通推薦理由決定部５は、推薦理由リストに含まれるアイテムのうちの所定の１つを、注目アイテムとして設定する。

ここでは例えば、上述した図１１の推薦リスト２２が使用されるとする。この場合、第１のアイテム、第３のアイテム、および、第５のアイテムのうちの所定の１つが注目アイテムとして設定されることになる。例えばいま、第１のアイテムが注目アイテムに設定されたとする。

ステップＳ３２において、共通推薦理由決定部５は、推薦リストの中から、注目アイテムについての各属性の推薦理由度を取得する。なお、推薦理由度が記述されていない属性については、０が代入されているとみなして、ステップＳ３２の処理で０が取得されるとする。

ステップＳ３３において、共通推薦理由決定部５は、全属性のうちの所定の１つを選択する。

ステップＳ３４において、共通推薦理由決定部５は、選択された属性の共通推薦理由度αを更新する。即ち、ステップＳ３４において、共通推薦理由決定部５は、前回の共通推薦理由度αに対して、注目アイテムについての推薦理由度βを加算し、その結果得られる値（＝α＋β）を今回の共通推薦理由度αとする。

ステップＳ３５において、共通推薦理由決定部５は、注目アイテムについて、全属性の共通推薦理由度が更新されたか否かを判定する。

ステップＳ３５において、注目アイテムについて、全属性の共通推薦理由度がまだ更新されていないと判定されると、処理はステップＳ３３に戻され、それ以降の処理が繰り返し実行される。即ち、ステップＳ３３乃至Ｓ３５のループ処理が繰り返し実行されて、注目アイテムについて、各属性のそれぞれの共通推薦理由度が順次更新される。

そして、注目アイテムについて、最後の属性の共通推薦理由度が更新されると、ステップＳ３５において、注目アイテムについて、全属性の共通推薦理由度が更新されと判定されて、処理はステップＳ３６に進む。

ステップＳ３６において、共通推薦理由決定部５は、推薦リストに含まれるアイテムの全てが、注目アイテムに設定されたか否かを判定する。

ステップＳ３６において、推薦リストに含まれるアイテムの全てが、注目アイテムにまだ設定されていないと判定された場合、処理はステップＳ３１に戻され、それ以降の処理が繰り返し実行される。即ち、例えば本実施の形態では、ステップＳ３１乃至Ｓ３６のループ処理が繰り返し実行されて、残りの第３のアイテムと第５のアイテムとのそれぞれが注目アイテムに順次設定されて、第３のアイテムおよび第５のアイテム毎に、対応する「香り」、「（色）赤」、「（色）白」、「（品種）A種」、および「（品種）B種」のそれぞれの属性の共通推薦理由度が順次更新されていく。

属性について着目すると、ステップＳ３１乃至Ｓ３６のループ処理とは、結局、各推薦アイテムについての各属性の推薦理由度の総加算値のそれぞれを演算する処理に他ならない。即ち、ステップＳ３１乃至Ｓ３６のループ処理が繰り返し実行されると、結局、各属性について、全推薦アイテムの推薦理由度の総加算値が、最終的な共通推薦理由度として決定されることになる。

このようにして、最終的な共通推薦理由度が決定されると、ステップＳ３６の処理でＹＥＳであると判定されて、処理はステップＳ３７に進む。

ステップＳ３７において、共通推薦理由決定部５は、共通推薦理由度が最大値となる属性を、各推薦アイテム全体のテーマ（共通推薦理由）として決定する。

具体的には例えば、図１１の推薦理由リスト２２を利用して、ステップＳ３１乃至Ｓ３６のループ処理が繰り返し実行されると、図１３に示されるように、「（香り）１」、「（香り）２」、「（香り）３」、「（色）赤」、「（色）白」、「（品種）A種」、および「（品種）B種」のそれぞれの属性についての共通推薦理由度（総加算値）は、ベクトル２３の対応する成分値に示されるようになる。即ち、「（香り）１」、「（香り）２」、「（香り）３」、「（色）赤」、「（色）白」、「（品種）A種」、および「（品種）B種」のそれぞれの属性についての共通推薦理由度（総加算値）は、0.5，1.5，1.5，0,1，1.7，0.93のそれぞれとなる。

従って、「（品種）A種」の共通推薦理由度（総加算値）が1.7と最大値になるので、図１３に示されるように、「（品種）A種」が、各推薦アイテム全体のテーマ（共通推薦理由）として、ステップＳ３７の処理で決定されることになる。

このようにして、ステップＳ３７の処理で共通推薦理由が決定されると、図１２の例の「共通推薦理由度演算処理」は終了となる。即ち、図６のステップＳ３の「共通推薦理由度演算処理」が終了し、処理はステップＳ４に進むことになる。

以上、図１２の例の「共通推薦理由度演算処理」について説明した。

なお、図６のステップＳ３の「共通推薦理由度演算処理」は、図１２の例に限定されず、様々な処理を採用することができる。即ち、共通推薦理由の決定手法は、図１２の例の手法に限定されず、様々な手法を採用することができる。

即ち、図１２の例では、上述したように、各属性のそれぞれについて推薦理由度の総加算値を求め、その総加算値をそのまま共通推薦理由度として、最大の共通推薦理由度を有する属性を共通推薦理由として決定するという手法が、共通推薦理由の決定手法として採用されていた。

この図１２の例の手法は、各属性の重みは同一である、即ち、ユーザ等にとっての重要度は全て同一であるとみなした場合の手法である。

しかしながら、実際には、ユーザ等にとっては、各属性の重要度は必ずしも一律であるとはいえない。例えば、ユーザの中には、とある属性を重要視して（重要度を上げて）アイテムの推薦をして欲しいという要望や、或いは、とある属性の影響を低減させて（重要度を下げて）アイテムの推薦をして欲しいという要望を挙げるものが近年増えている。

そこで、このような要望に応えるためには、例えば次のような共通推薦理由の決定手法を採用すればよい。即ち、各属性のそれぞれについて推薦理由度の総加算値を求め、各属性のそれぞれの総加算値に対して、各属性毎に（ユーザにとっての）重要度を加味した重み付けを個別に行い、重み付け後の総加算値を共通推薦理由度として、最大の共通推薦理由度を有する属性を共通推薦理由として決定するという手法を、共通推薦理由の決定手法として採用すればよい。

具体的には例えば、係る手法が適用された共通推薦理由決定部１５は、次のようにして共通推薦理由を決定することができる。

即ち、共通推薦理由決定部１５は、各属性のそれぞれの推薦度の総加算値を成分値とするベクトルを生成する。以下、係るベクトルを総加算値ベクトルと称する。より具体的には例えばいまの場合、上述したように、(0.5,1.5,1.5,0,1,1.7,0.93)といった図１３（図１４）のベクトル２３が、総加算値ベクトルとして生成される。

また、共通推薦理由決定部１５は、（ユーザにとっての）重要度が加味されている各属性毎の重み値を成分値とするベクトルを予め用意しておく。なお、以下、係るベクトルを、効き目ベクトルと称する。例えばいま、図１４に示されるベクトル２４が効き目ベクトルとして用意されているとする。なお、効き目ベクトル２４は、図１４には３次元のベクトルのように図示されているが、実際には、ベクトル２３と同形式の7次元の（2.0,2.0,2.0,0.5,0.5,1.0,1.0）であるとする。

次に、共通推薦理由決定部１５は、総加算値ベクトル２３の各成分の成分値のそれぞれと、効き目ベクトル２４の対応する成分の成分値との乗算を演算し、各成分の乗算値を、対応する属性の共通推薦理由度として、各属性の共通推薦理由度を各成分値とするベクトル（以下、共通推薦理由度ベクトルと称する）として、例えば図１４のベクトル２５を生成する。即ち、図１３の例では、ベクトル２３そのものが共通推薦理由度ベクトルとして利用されたが、現在説明している図１４の例では、ベクトル２３は単に総加算値ベクトルとして利用され、共通推薦理由度ベクトルとしては、（1.0,3.0,3.0,0,0.5,1.7,0.93）といったベクトル２５が利用される。

そして、共通推薦理由決定部１５は、共通推薦理由度ベクトルのうちの、最大の成分値を有する成分に対応する属性、即ち、最大の共通推薦理由度を有する属性を共通推薦理由として決定する。具体的には例えば、現在説明している図１４の例では、共通推薦理由度ベクトル２５のうちの第２成分と第３成分との成分値が3.0と最大値になる。また、共通推薦理由度ベクトル２５の第２成分と第３成分とのそれぞれは、「（香り）２」と「（香り）３」とのそれぞれの属性を示している。従って、「（香り）２」と「（香り）３」とが共通推薦理由として決定される。即ち、「香り」は３レベル表され、数値が大きいほど「香り」が強いとされていることから、共通推薦理由は、上述した図２乃至図５の推薦画像に示されるような「香りが強い」（ワイン）が決定されることになる。

このように、図１４は、図１３の例とは異なる共通推薦理由の決定手法の例を説明するための図である。

さらに、共通推薦理由の決定手法は、図１３や図１４の例に限定されず、様々な手法を採用することが可能である。

具体的には例えば、効き目ベクトルとして、図１４のベクトル２４を使用するのではなく、各アイテム毎の重み値を成分値とする図１５に示されるようなベクトル２６を使用してもよい。即ち、図１５は、効き目ベクトルの他の例を示している。

図１５の効き目ベクトル２６が採用される場合、共通推薦理由の決定手法は、次のようになる。

即ち、共通推薦理由決定部１５は、各属性のそれぞれについて推薦理由度の総加算値を求める前に、はじめに、効き目ベクトル２６を利用して、各アイテム毎に、各属性のそれぞれの推薦理由度に対して重み付けを行う。

具体的には例えば、図１５の効き目ベクトル２６の「第１のアイテム」についての重み値（成分値）は「1.0」とされているから、「第１のアイテム」の各属性のそれぞれの推薦理由度は１.0倍に重み付けされる（各推薦理由度は更新されない）。

例えば、効き目ベクトル２６の「第２のアイテム」についての重み値（成分値）は「2.5」とされているから、「第２のアイテム」の各属性のそれぞれの推薦理由度は2.5倍に重み付けされる（各推薦理由度は2.5倍の値は更新される）。

例えば、効き目ベクトル２６の「第３のアイテム」についての重み値（成分値）は「0.5」とされているから、「第３のアイテム」の各属性のそれぞれの推薦理由度は0.5倍に重み付けされる（各推薦理由度は0.5倍の値は更新される）。

このようにして、共通推薦理由決定部１５は、効き目ベクトル２６を利用して、推薦理由リストに含まれる各アイテムの各推薦理由度をそれぞれ更新する。

その後、共通推薦理由決定部１５は、更新された推薦理由リストを利用して、上述した図１２の例の「共通推薦理由度演算処理」を実行する。

このような一連の処理が共通推薦理由決定部１５により実行される手法が、図１５の効き目ベクトル２６を利用する共通推薦理由の決定手法の一例である。

さらにまた、例えば、上述した例では、推薦アイテムが決定された後に共通推薦理由（テーマ）が決定されたが、例えば、ユーザの履歴等に基づいて、ユーザが重視する属性を共通推薦理由として予め設定し、予め設定された共通推薦理由に基づいて推薦アイテムを決定する、といった共通推薦理由の決定手法を採用してもよい。

係る手法に対応する「共通推薦理由呈示処理」が図１６のフローチャートに示されている。換言すると、図１６は、上述した図６の例とは異なる「共通推薦理由呈示処理」の一例を示すフローチャートである。そこで、以下、図１６の例の「共通推薦理由呈示処理」について説明する。

図１６のステップＳ５１において、図１の共通推薦理由決定部５は、ユーザの履歴等に基づいて、ユーザの重視する属性を、各アイテム全体のテーマ（共通推薦理由）に設定する。

なお、アイテム特徴ベクトルの各成分に対応する各属性の何れもが、ステップＳ５１の処理でテーマ（共通推薦理由）として設定される可能性があり、何れの属性が選択されるのかについては、採用されている設定手法に依存する。即ち、「ユーザの履歴等」と「等」が記述されているのは、「ユーザの履歴」に基づく設定手法を採用できるのは勿論のこと、その他様々な設定手法を採用できるためである。

具体的には例えば、上述した図１４のベクトル２４のような効き目ベクトルが予め用意されている場合には、効き目ベクトルのうちの成分値が大きい成分に対応する属性、即ち、効き目が大きい属性をテーマに設定する、といった設定手法を採用することができる。

なお、効き目ベクトルの各成分値、即ち、効き目の決定手法は、特に限定されない。例えば、ユーザの過去のアイテムの使用履歴に基づく決定手法を採用することができる。また例えば、ユーザに直接入力させた値そのもの、またはその値を用いる所定の演算手法で演算された結果得られる値を効き目とする決定手法を採用することができる。また例えば、遺伝的アルゴリズム等の所定のアルゴリズムに基づく決定手法を採用することができる。その他例えば、全ユーザの過去のアイテムの使用履歴と、対象ユーザの過去のアイテムの使用履歴との関係に基づく決定手法を採用することもできる。最後の決定手法が採用された場合には、アイテムがワインであるとし、また、所定の条件（例えば誕生日に飲むワインとして選択するという条件）において、大多数のユーザは赤ワインを選択するところ、対象ユーザは白ワインを選択することが多いとすると、対象ユーザは白ワインにこだわりを持っているとみなして、白ワインの効き目を大きくすることができる。

また例えば、ユーザ嗜好ベクトルについて、名義属性に対応する成分の中で値が大きい成分を見つけ出し、その成分に対応する属性をテーマに設定する、といった設定手法を採用することができる。なお、この手法で名義属性が着目されているのは、一般的に、名義属性が、ユーザの嗜好を表す属性として利用されることが多いからである。

また例えば、ユーザの過去の履歴に含まれる複数のアイテムに着目し、それらのアイテム特徴ベクトルについて、数値属性に対応する成分の成分値の各アイテム間における分散を調べ、分散が小さい属性をテーマに設定する、といった設定手法を採用することができる。ユーザの過去の履歴に含まれるアイテムとは、インターネット上のアイテム提供（販売等）サイトからユーザが購入したアイテムや、評価値等をユーザが入力したアイテムを指す。また、この手法で分散が少ない数値属性が設定されるのは、数値属性は一般的にアイテムの一特徴のレベル値を示す属性であることが多く、分散が少ない属性とは、ユーザの嗜好が一貫して一致している（そのため、似たようなレベル値のアイテムをユーザが購入したり、評価値を与えている）と言えるからである。

このような様々な設定手法のうちの何れかの手法が採用されて、図１６のステップＳ５１の処理で、その設定手法に従って共通推薦理由が共通推薦理由決定部５により設定されると、図１には対応する矢印が図示されていないが、推薦リスト生成部３に供給されて、処理はステップＳ５２に進む。

ステップＳ５２において、推薦リスト生成部３は、アイテム特徴ベクトル記憶部２に記憶されている各アイテムのアイテム特徴ベクトルのうちの、各アイテム全体のテーマ（共通推薦理由）に設定された属性の成分値が所定の条件を満たしているアイテム特徴ベクトルをアイテム特徴ベクトル記憶部２から１つ以上取得する。

ステップＳ５３において、推薦リスト生成部３は、ユーザ嗜好ベクトル記憶部１に記憶されているユーザ嗜好ベクトルと、ステップＳ５２の処理で取得された１以上のアイテム特徴ベクトルのそれぞれとの類似度を演算し、類似度が所定の条件を満たすアイテム特徴ベクトルに対応するアイテムを、推薦アイテムに決定する。

図１には対応する矢印が図示されていないが、推薦リスト生成部３は、推薦アイテムと、各アイテム全体のテーマ（共通推薦理由）とを呈示部６に提供する。これにより、処理はステップＳ５４に進む。

ステップＳ５４において、呈示部６は、推薦アイテムを、各アイテム全体のテーマ（共通推薦理由）と共に、ユーザに呈示する。

これにより、図１６の例の「共通推薦理由呈示処理」は終了となる。

ところで、上述した一連の処理は、ハードウエアにより実行させることもできるが、ソフトウエアにより実行させることができる。

この場合、図１の推薦システムは、例えば、図１７に示される１台以上のパーソナルコンピュータで構成することができる。なお、上述した例は、図１の推薦システムは１台の情報処理装置で構成される例であり、この例に対応させると、図１の推薦システムは、例えば、図１７に示されるパーソナルコンピュータ１台で構成することができる。

図１７において、CPU（Central Processing Unit）１０１は、ROM（Read Only Memory）１０２に記録されているプログラム、または記憶部１０８からRAM（Random Access Memory）１０３にロードされたプログラムに従って各種の処理を実行する。RAM１０３にはまた、CPU１０１が各種の処理を実行する上において必要なデータなども適宜記憶される。

CPU１０１、ROM１０２、およびRAM１０３は、バス１０４を介して相互に接続されている。このバス１０４にはまた、入出力インタフェース１０５も接続されている。

入出力インタフェース１０５には、キーボード、マウスなどよりなる入力部１０６、ディスプレイなどよりなる出力部１０７、ハードディスクなどより構成される記憶部１０８、および、モデム、ターミナルアダプタなどより構成される通信部１０９が接続されている。通信部１０９は、インターネットを含むネットワークを介して他の装置（図示せず）との間で行う通信を制御する。

入出力インタフェース１０５にはまた、必要に応じてドライブ１１０が接続され、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリなどよりなるリムーバブル記録媒体１１１が適宜装着され、それらから読み出されたコンピュータプログラムが、必要に応じて記憶部１０８にインストールされる。

一連の処理をソフトウエアにより実行させる場合には、そのソフトウエアを構成するプログラムが、専用のハードウエアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどに、ネットワークや記録媒体からインストールされる。

このようなプログラムを含む記録媒体は、図１７に示されるように、装置本体とは別に、ユーザにプログラムを提供するために配布される、プログラムが記録されている磁気ディスク（フロッピディスクを含む）、光ディスク（CD-ROM(Compact Disk-Read Only Memory),DVD(Digital Versatile Disk)を含む）、光磁気ディスク（ＭＤ（Mini-Disk）を含む）、もしくは半導体メモリなどよりなるリムーバブル記録媒体（パッケージメディア）１１１により構成されるだけでなく、装置本体に予め組み込まれた状態でユーザに提供される、プログラムが記録されているROM１０２や、記憶部１０８に含まれるハードディスクなどで構成される。

なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。

また、本明細書において、システムとは、複数の装置や処理部により構成される装置全体を表すものである。

本発明が適用される情報処理システムまたは装置の機能的構成例を示すブロック図である。 図１の情報処理装置がユーザに呈示する画像の一例を示す図である。 図１の情報処理装置がユーザに呈示する画像の一例を示す図である。 図１の情報処理装置がユーザに呈示する画像の一例を示す図である。 図１の情報処理装置がユーザに呈示する画像の一例を示す図である。 図１の情報処理装置が実行する「共通推薦理由呈示処理」の例を説明するフローチャートである。 図６のステップＳ１の処理で推薦アイテムの候補となるアイテムと、そのユーザ嗜好ベクトルとの類似度との例を示す図である。 図６のステップＳ１の処理で生成される推薦リストの一例を示す図である。 図６の「共通推薦理由呈示処理」のうちのステップＳ２の「各アイテム推薦理由度演算処理」の詳細例を説明するフローチャートである。 図９の「各アイテム推薦理由度演算処理」で対象になるユーザと各アイテムのそれぞれに対応する、ユーザ嗜好ベクトルとアイテム特徴ベクトルとのそれぞれの一例を示す図である。 図１０のユーザ嗜好ベクトルとアイテム特徴ベクトルとを利用して図９の「各アイテム推薦理由度演算処理」が実行されて、その結果生成される推薦理由リストの一例を示す図である。 図６の「共通推薦理由呈示処理」のうちのステップＳ３の「共通推薦理由度演算処理」の詳細例を説明するフローチャートである。 図１１の推薦理由リストを利用して図１２の「共通推薦理由度演算処理」が実行されて、その結果決定される共通推薦理由の一例を示す図である。 図１１の推薦理由リストを利用するが、図１２の例とは異なる共通推薦理由決定手法が採用された場合に決定される共通推薦理由の一例を示す図である。 図１２の例や図１４の例とは異なる共通推薦理由決定手法が採用された場合に、共通推薦理由を決定するための情報の一例である効き目ベクトルを示す図である。 図６の「共通推薦理由呈示処理」のうちのステップＳ３の「共通推薦理由度演算処理」の詳細例であって、図１２とは異なる例を説明するフローチャートである。 本発明が適用される情報処理装置のハードウエア構成例を示すブロック図である。

符号の説明

１ ユーザ嗜好ベクトル記憶部， ２ アイテム特徴ベクトル記憶部， ３ 推薦リスト生成部， ４ 推薦理由決定部， ５ 共通推薦理由決定部， ６ 呈示部， １１乃至図１４ 推薦画像， ２１ 推薦リスト， ２２ 推薦理由リスト， １０１ CPU， １０２ ROM， １０３ RAM， １０８ 記憶部， １１１ リムーバブル記録媒体

Claims (5)

1. アイテムについてのＮ個（Ｎは、１以上の整数値）の属性のそれぞれを、Ｎ個の成分のうちの所定の１成分とするベクトルを標準形のベクトルとして、比較の元になる前記標準形の比較元ベクトルを記憶している第１の記憶部から取得した前記比較元ベクトルと、複数のアイテムのそれぞれの特徴を示す前記標準形のアイテム特徴ベクトルを記憶している第２の記憶部から取得した前記アイテム特徴ベクトルとの類似度を演算し、前記類似度が、ユーザに対して推薦すべき推薦アイテムに含めるか否かの第１の条件を満たす前記アイテム特徴ベクトルに対応するアイテムを、前記推薦アイテムとして複数個決定する推薦手段と、
   前記推薦手段により決定された複数の前記推薦アイテムのそれぞれを注目アイテムとして順次設定し、前記注目アイテムの前記アイテム特徴ベクトルのＮ個の前記成分のそれぞれについて、対応する成分値と、前記比較元ベクトルの対応する成分値とを用いて、対応する属性の推薦理由度を演算するための第１の演算を行い、その第１の演算の結果得られる値を、前記推薦理由度としてそれぞれ決定し、前記推薦理由度が、アイテム単体の推薦理由に含めるか否かの第２の条件を満たす属性を、前記推薦手段による前記注目アイテム単体の推薦理由であると決定するアイテム単体推薦理由決定手段と、
   前記推薦手段により決定された複数の前記推薦アイテムについてのＮ個の前記属性のそれぞれを注目属性として順次設定し、前記アイテム単体推薦理由決定手段により決定された複数の前記推薦アイテムのそれぞれについての前記注目属性の前記推薦理由度の総加算値のそれぞれを演算するための第２の演算を行い、その第２の演算の結果得られる値が、複数の前記推薦アイテムに共通する推薦理由に含めるか否かの第３の条件を満たす場合、前記注目属性を、複数の前記推薦アイテムに共通する推薦理由であると決定する共通推薦理由決定手段と、
   前記推薦手段により決定された複数の前記推薦アイテムまたはそれを示す情報と、前記共通推薦理由決定手段により決定された前記推薦理由の表示装置への表示を制御する表示制御手段と
   を備えることを特徴とする情報処理装置。
2. 前記表示制御手段は、前記共通推薦理由決定手段により決定された前記推薦理由として採用されている前記注目属性が、前記アイテム単体推薦理由決定手段により決定されたアイテム単体の推薦理由として採用されていない前記推薦アイテムまたはそれを示す情報を表示する場合、その旨を示すコメントを、前記推薦アイテムまたはそれを示す情報とともに表示する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記共通推薦理由決定手段は、前記第２の演算の結果得られる値に対して、各属性毎に重要度に応じた重み付けを個別に行い、それにより得られる重み付け後の値を用いて、複数の前記推薦アイテムに共通する推薦理由を決定する
   ことを特徴とする請求項１に記載の情報処理装置。
4. 推薦手段、アイテム単体推薦理由決定手段、共通推薦理由決定手段、および表示制御手段を備えた情報処理装置の情報処理方法において、
   前記推薦手段は、アイテムについてのＮ個（Ｎは、１以上の整数値）の属性のそれぞれを、Ｎ個の成分のうちの所定の１成分とするベクトルを標準形のベクトルとして、比較の元になる前記標準形の比較元ベクトルを記憶している第１の記憶部から取得した前記比較元ベクトルと、複数のアイテムのそれぞれの特徴を示す前記標準形のアイテム特徴ベクトルを記憶している第２の記憶部から取得した前記アイテム特徴ベクトルとの類似度を演算し、前記類似度が、ユーザに対して推薦すべき推薦アイテムに含めるか否かの第１の条件を満たす前記アイテム特徴ベクトルに対応するアイテムを、前記推薦アイテムとして複数個決定し、
   前記アイテム単体推薦理由決定手段は、前記推薦手段により決定された複数の前記推薦アイテムのそれぞれを注目アイテムとして順次設定し、前記注目アイテムの前記アイテム特徴ベクトルのＮ個の前記成分のそれぞれについて、対応する成分値と、前記比較元ベクトルの対応する成分値とを用いて、対応する属性の推薦理由度を演算するための第１の演算を行い、その第１の演算の結果得られる値を、前記推薦理由度としてそれぞれ決定し、前記推薦理由度が、アイテム単体の推薦理由に含めるか否かの第２の条件を満たす属性を、前記推薦手段による前記注目アイテム単体の推薦理由であると決定し、
   前記共通推薦理由決定手段は、前記推薦手段により決定された複数の前記推薦アイテムについてのＮ個の前記属性のそれぞれを注目属性として順次設定し、前記アイテム単体推薦理由決定手段により決定された複数の前記推薦アイテムのそれぞれについての前記注目属性の前記推薦理由度の総加算値のそれぞれを演算するための第２の演算を行い、その第２の演算の結果得られる値が、複数の前記推薦アイテムに共通する推薦理由に含めるか否かの第３の条件を満たす場合、前記注目属性を、複数の前記推薦アイテムに共通する推薦理由であると決定し、
   前記表示制御手段は、前記推薦手段により決定された複数の前記推薦アイテムまたはそれを示す情報と、前記共通推薦理由決定手段により決定された前記推薦理由の表示装置への表示を制御する
   ことを特徴とする情報処理方法。
5. アイテムについてのＮ個（Ｎは、１以上の整数値）の属性のそれぞれを、Ｎ個の成分のうちの所定の１成分とするベクトルを標準形のベクトルとして、比較の元になる前記標準形の比較元ベクトルを記憶している第１の記憶部から取得した前記比較元ベクトルと、複数のアイテムのそれぞれの特徴を示す前記標準形のアイテム特徴ベクトルを記憶している第２の記憶部から取得した前記アイテム特徴ベクトルとの類似度を演算し、前記類似度が、ユーザに対して推薦すべき推薦アイテムに含めるか否かの第１の条件を満たす前記アイテム特徴ベクトルに対応するアイテムを、前記推薦アイテムとして複数個決定する推薦ステップと、
   前記推薦ステップの処理により決定された複数の前記推薦アイテムのそれぞれを注目アイテムとして順次設定し、前記注目アイテムの前記アイテム特徴ベクトルのＮ個の前記成分のそれぞれについて、対応する成分値と、前記比較元ベクトルの対応する成分値とを用いて、対応する属性の推薦理由度を演算するための第１の演算を行い、その第１の演算の結果得られる値を、前記推薦理由度としてそれぞれ決定し、前記推薦理由度が、アイテム単体の推薦理由に含めるか否かの第２の条件を満たす属性を、前記推薦ステップの処理による前記注目アイテム単体の推薦理由であると決定するアイテム単体推薦理由決定ステップと、
   前記推薦ステップの処理により決定された複数の前記推薦アイテムについてのＮ個の前記属性のそれぞれを注目属性として順次設定し、前記アイテム単体推薦理由決定ステップの処理により決定された複数の前記推薦アイテムのそれぞれについての前記注目属性の前記推薦理由度の総加算値のそれぞれを演算するための第２の演算を行い、その第２の演算の結果得られる値が、複数の前記推薦アイテムに共通する推薦理由に含めるか否かの第３の条件を満たす場合、前記注目属性を、複数の前記推薦アイテムに共通する推薦理由であると決定する共通推薦理由決定ステップと、
   前記推薦ステップの処理により決定された複数の前記推薦アイテムまたはそれを示す情報と、前記共通推薦理由決定ステップの処理により決定された前記推薦理由の表示装置への表示を制御する表示制御ステップと
   をコンピュータに実行させるためのプログラム。

Images