專利名稱：推薦裝置、推薦系統(tǒng)、推薦方法以及程序的制作方法
技術(shù)領域：
本發(fā)明涉及進行批處理和實時處理并綜合兩個處理的推薦結(jié)果來輸出最終的推薦結(jié)果的推薦裝置、推薦系統(tǒng)、推薦方法以及程序。
背景技術(shù)：
基于用戶的歷史信息等來推測用戶的嗜好并自動推薦被預測為迎合了用戶嗜好的內(nèi)容等的“推薦服務”近年來正在盛行。在這種推薦服務中使用的具代表性的技術(shù)是被稱為“協(xié)調(diào)過濾”的技術(shù)。該協(xié)調(diào)過濾是通過在各用戶間或者各內(nèi)容間比較購買歷史或閱覽歷史等用戶的歷史信息來定義相關性、并且輸出基于該相關性而預測為用戶感興趣的內(nèi)容作為推薦結(jié)果的方法。已知有改進了該協(xié)調(diào)過濾的自動化或高速化等的技術(shù)(例如，參考非專利文獻1、非專利文獻2、非專利文獻3、非專利文獻4)。在先技術(shù)文獻非專利文獻

非專利文獻1:P.Resnick, N.1acovou, Μ.Suchak, P.Bergstrom, andj.Riedl.“GroupLens:Open Architecture for Collaborative Filtering ofNetnews，，Inconference on Computer Supported Cooperative Work, pp.175-186(1994).
非專利文獻2:Τ.Hofmann and J.Puzicha, “Latent Class ModelsforCollaborative Filtering”,16thIJCAI(1999).
非專利文獻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.
非專利文獻4:Badrul Sarwar, George Karypis, Joseph Konstan, and JohnReidl.2001.1tem-based collaborative filtering recommendationalgorithms.1nProceedings of the IOth international conference on worldwide Web(www^Ol).ACM,New York, NY, USA, 285-295.

發(fā)明內(nèi)容
發(fā)明要解決的問題這里，在非專利文獻I和非專利文獻4所示的技術(shù)中，針對每個推薦請求，分析歷史信息來生成推薦結(jié)果，因此總是能夠進行使用最新的歷史信息的推薦，但在該技術(shù)中，如果歷史信息越龐大，分析所需的計算量就會增大，因此存在難以實現(xiàn)實時推薦的問題。在非專利文獻2所述的技術(shù)中，事先分析歷史信息來定義相關性，因此與非專利文獻I所述的技術(shù)相比，在有推薦請求時要分析的計算量小，容易實現(xiàn)實時推薦，但在該技術(shù)中，由于僅使用解析時間點的歷史信息來定義相關性，因此存在沒有使用最新的歷史信息的問題。在非專利文獻3所述的技術(shù)中，預先揀選要分析歷史信息的對象，并僅在代表用戶與被推薦對象用戶之間定義相關性，因此與非專利文獻I所述的技術(shù)相比，在有推薦請求時要分析的計算量小，容易實現(xiàn)實時推薦，但在非專利文獻3所述的技術(shù)中，限制了利用的歷史信息，因此存在降低了推薦精度的問題。因此，本發(fā)明就是鑒于上述問題而做出的，其目的在于提供一種不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦的推薦裝置、推薦系統(tǒng)、推薦方法以及程序。用于解決問題的手段本發(fā)明為了解決上述的問題，提出了以下各項。為了容易理解，標注與本發(fā)明的實施方式對應的附圖標記來進行說明，但并不限定于此。(I)本發(fā)明提出了一種推薦裝置，其使用基于購買歷史或閱覽歷史等用戶的歷史信息來定義相關性、并輸出基于所述定義的相關性而被預測為用戶感興趣的內(nèi)容作為推薦結(jié)果的協(xié)調(diào)過濾方法，所述推薦裝置的特征在于，包括批處理單元(例如，相當于圖1的批處理部1100)，其事先分析所述歷史信息來生成推薦所需的信息；實時處理單元(例如，相當于圖1的實時處理部1200)，其每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息；以及推薦結(jié)果輸出單元(例如，相當于圖1的推薦結(jié)果輸出部1300)，其綜合所述批處理單元的輸出或/和所述實時處理單元的輸出來輸出推薦結(jié)果。根據(jù)該發(fā)明，批處理單元事先分析歷史信息來生成推薦所需的信息。實時處理單元每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息。推薦結(jié)果輸出單元綜合批處理單元的輸出或/和實時處理單元的輸出來輸出推薦結(jié)果。從而，能夠不顯示利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。(2)本發(fā)明關于(I)的推薦裝置，提出了具有如下特征的推薦裝置所述批處理單元包括第一歷史信息收集單元(例如，相當于圖2的歷史信息收集部1101)，其收集分析所需的歷史信息；第一相關性計算單元(例如，相當于圖2的相關性計算部1102)，其分析所述收集的歷史信息來定義相關性；第一推薦度計算單元(例如，相當于圖2的推薦度計算部1103)，其使用所述定義的相關性來計算對用戶的各個內(nèi)容的推薦度；以及存儲單元(例如，相當于圖2的存儲部1104)，其存儲所述算出的推薦度，所述實時處理單元包括第二歷史信息收集單元(例如，相當于圖2的歷史信息收集部1201)，其實時收集分析所需的歷史信息；第二相關性計算單元(例如，相當于圖2的相關性計算部1202)，其分析所述收集的歷史信息來定義相關性；以及第二推薦度計算單元(例如，相當于圖2的推薦度計算部1203)，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度，其中，所述推薦結(jié)果輸出單元基于所述存儲的每個內(nèi)容的推薦度和由所述第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。根據(jù)該發(fā)明，批處理裝置的第一歷史信息收集單元收集分析所需的歷史信息。第一相關性計算單元分析所收集的歷史信息來定義相關性。第一推薦度計算單元使用算出的相關性來計算對用戶的各個內(nèi)容的推薦度。存儲裝置存儲所算出的推薦度。實時處理裝置的第二歷史信息收集單元實時收集分析所需的歷史信息。第二相關性計算裝置分析所收集的歷史信息來定義相關性。第二推薦度計算單元使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度。推薦結(jié)果輸出單元基于所存儲的每個內(nèi)容的推薦度和通過第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。從而，基于使用了在批處理中算出的相關性的推薦度和使用了在實時處理中算出的相關性的推薦度來輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。(3)本發(fā)明關于(I)的推薦裝置，提出了具有如下特征的推薦裝置所述批處理單元包括第一歷史信息收集單元(例如，相當于圖5的歷史信息收集部1101)，其收集分析所需的歷史信息；第一相關性計算單元(例如，相當于圖5的相關性計算部1102)，其分析所述收集的歷史信息來定義相關性；以及存儲單元(例如，相當于圖5的存儲部1115)，其存儲所述算出的相關性，所述實時處理單元包括第二歷史信息收集單元(例如，相當于圖5的歷史信息收集部1201)，其實時收集分析所需的歷史信息；第二相關性計算單元(例如，相當于圖5的相關性計算部1202)，其分析所述收集的歷史信息來定義相關性；第一推薦度計算單元(例如，相當于圖5的推薦度計算部1203)，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度；獲取單元(例如，相當于圖5的獲取部1214)，其獲取所述存儲的相關性；以及第二推薦度計算單元(例如，相當于圖5的推薦度計算部1215)，其使用所述獲取的相關性來計算對用戶的各個內(nèi)容的推薦度，其中，所述推薦結(jié)果輸出單元(例如，相當于圖5的推薦結(jié)果輸出部1310)基于由所述第一推薦度計算單元算出的每個內(nèi)容的推薦度和由所述第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。根據(jù)該發(fā)明，批處理單元的第一歷史信息收集單元收集分析所需的歷史信息。第一相關性計算單元分析所收集的歷史信息來定義相關性。存儲單元存儲所算出的相關性。實時處理單元的第二歷史信息收集單元實時收集分析所需的歷史信息。第二相關性計算單元分析所收集的歷史信息來定義相關性。第一推薦度計算單元使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度。獲取單元獲取所存儲的相關性。第二推薦度計算單元使用所獲取的相關性來計算對用戶的各個內(nèi)容的推薦度。推薦結(jié)果輸出單元基于通過第一推薦度計算單元算出的每個內(nèi)容的推薦度和通過第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。從而，實時處理單元基于在批處理中算出的相關性和在實時處理中算出的相關性來計算推薦度，并基于這些推薦度來輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。(4)本發(fā)明關于(I)的推薦裝置，提出了具有如下特征的推薦裝置所述批處理單元包括第一歷史信息收集單元(例如，相當于圖8的歷史信息收集部1101)，其收集分析所需的歷史信息；第一相關性計算單元(例如，相當于圖8的相關性計算部1102)，其分析所述收集的歷史信息來定義相關性；第一推薦度計算單元(例如，相當于圖8的推薦度計算部1103)，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度；以及存儲單元(例如，相當于圖8的存儲部1126)，其存儲所述定義的相關性和算出的推薦度，所述實時處理單元包括第二歷史信息收集單元(例如，相當于圖8的歷史信息收集部1201)，其實時收集分析所需的歷史信息；獲取單元(例如，相當于圖8的獲取部1227)，其獲取所述定義的相關性和算出的推薦度；以及第二推薦度計算單元(例如，相當于圖8的推薦度計算部1226)，其使用所述獲取的相關性來計算對用戶的各個內(nèi)容的推薦度，其中，所述推薦結(jié)果輸出單元(例如，相當于圖8的推薦結(jié)果輸出部1320)基于由所述第一推薦度計算單元算出的每個內(nèi)容的推薦度和由所述第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。根據(jù)該發(fā)明，批處理單元的第一歷史信息收集單元收集分析所需的歷史信息。第一相關性計算單元分析所收集的歷史信息來定義相關性。第一推薦度計算單元使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度。存儲單元存儲所定義的相關性和算出的推薦度。實時處理單元的第二歷史信息收集單元實時收集分析所需的歷史信息。獲取單元獲取所定義的相關性和算出的推薦度。第二推薦度計算單元使用所獲取的相關性來計算對用戶的各個內(nèi)容的推薦度。推薦結(jié)果輸出單元基于通過第一推薦度計算單元算出的每個內(nèi)容的推薦度和通過第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。從而，基于使用了在批處理中算出的相關性的推薦度和在實時處理中使用批處理中算出的相關性而給出的推薦度來輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。(5)本發(fā)明提出了一種推薦系統(tǒng)，其包括批處理裝置、實時處理裝置、以及推薦裝置，并使用基于購買歷史或閱覽歷史等用戶的歷史信息來定義相關性、并輸出基于所述定義的相關性而被預測為用戶感興趣的內(nèi)容作為推薦結(jié)果的協(xié)調(diào)過濾方法，所述推薦系統(tǒng)的特征在于，所述批處理裝置(例如，相當于圖10的批處理裝置400)事先分析所述歷史信息來生成推薦所需的信息，所述實時處理裝置(例如，相當于圖10的實時處理裝置500)每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息，所述推薦裝置(例如，相當于圖10的推薦結(jié)果輸出裝置600)綜合所述批處理裝置的輸出或/和所述實時處理裝置的輸出來輸出推薦結(jié)果。根據(jù)該發(fā)明，批處理裝置事先分析歷史信息來生成推薦所需的信息，實時處理裝置每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息，推薦裝置綜合批處理裝置的輸出或/和實時處理裝置的輸出來輸出推薦結(jié)果。從而，能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。(6)本發(fā)明關于(5)的推薦系統(tǒng)，提出了具有如下特征的推薦系統(tǒng):所述批處理裝置包括:第一歷史信息收集單元(例如，相當于圖11的歷史信息收集部401)，其收集分析所需的歷史信息；第一相關性計算單元(例如，相當于圖11的相關性計算部402)，其分析所述收集的歷史信息來定義相關性；第一推薦度計算單元(例如，相當于圖11的推薦度計算部403)，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度；以及存儲單元(例如，相當于圖11的存儲部404)，其存儲所述算出的推薦度，所述實時處理裝置包括 第二歷史信息收集單元(例如，相當于圖11的歷史信息收集部501)，其實時收集分析所需的歷史信息；第二相關性計算單元(例如，相當于圖11的相關性計算部502)，其分析所述收集的歷史信息來定義相關性；以及第二推薦度計算單元(例如，相當于圖11的推薦度計算部503)，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度，其中，所述推薦裝置基于所述存儲的每個內(nèi)容的推薦度和由所述第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。根據(jù)該發(fā)明，批處理裝置的第一歷史信息收集單元收集分析所需的歷史信息。第一相關性計算單元分析所收集的歷史信息來定義相關性。第一推薦度計算單元使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度。存儲單元存儲所算出的推薦度。實時處理裝置的第二歷史信息收集單元實時收集分析所需的歷史信息。第二相關性計算裝置分析所收集的歷史信息來定義相關性。第二推薦度計算單元使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度。推薦裝置基于所存儲的每個內(nèi)容的推薦度和通過第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。 從而，基于使用了在批處理中算出的相關性的推薦度和使用了在實時處理裝置中算出的相關性的推薦度來輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。(7)本發(fā)明關于(5)的推薦系統(tǒng)，提出了具有如下特征的推薦系統(tǒng)所述批處理裝置包括第一歷史信息收集單元(例如，相當于圖14的歷史信息收集部401)，其收集分析所需的歷史信息；第一相關性計算單元(例如，相當于圖14的相關性計算部402)，其分析所述收集的歷史信息來定義相關性；以及存儲單元(例如，相當于圖14的存儲部415)，其存儲所述算出的相關性，所述實時處理裝置包括第二歷史信息收集單元(例如，相當于圖14的歷史信息收集部501)，其實時收集分析所需的歷史信息；第二相關性計算單元(例如，相當于圖14的相關性計算部502)，其分析所述收集的歷史信息來定義相關性；第一推薦度計算單元(例如，相當于圖14的推薦度計算部503)，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度；獲取單元(例如，相當于圖14的獲取部514)，其獲取所述存儲的相關性；以及第二推薦度計算單元(例如，相當于圖14的推薦度計算部515)，其使用所述獲取的相關性來計算對用戶的各個內(nèi)容的推薦度，其中，所述推薦裝置基于由所述第一推薦度計算單元算出的每個內(nèi)容的推薦度和由所述第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。根據(jù)該發(fā)明，批處理裝置的第一歷史信息收集單元收集分析所需的歷史信息。第一相關性計算單元分析所收集的歷史信息來定義相關性。存儲裝置存儲所算出的相關性。實時處理裝置的第二歷史信息收集單元實時收集分析所需的歷史信息。第二相關性計算裝置分析所收集的歷史信息來定義相關性。第一推薦度計算單元使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度。獲取單元獲取所存儲的相關性。第二推薦度計算單元使用所獲取的相關性來計算對用戶的各個內(nèi)容的推薦度。推薦裝置基于通過第一推薦度計算單元算出的每個內(nèi)容的推薦度和通過第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。從而，實時處理裝置基于在批處理中算出的相關性和在實時處理中算出的相關性來計算推薦度，并基于這些推薦度來輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。(8)本發(fā)明關于(5)的推薦系統(tǒng)，提出了具有如下特征的推薦系統(tǒng)所述批處理裝置包括第一歷史信息收集單元(例如，相當于圖17的歷史信息收集部401)，其收集分析所需的歷史信息；第一相關性計算單元(例如，相當于圖17的相關性計算部402)，其分析所述收集的歷史信息來定義相關性；第一推薦度計算單元(例如，相當于圖17的推薦度計算部403)，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度；以及存儲單元(例如，相當于圖17的存儲部426)，其存儲所述定義的相關性和算出的推薦度；所述實時處理裝置包括第二歷史信息收集單元(例如，相當于圖17的歷史信息收集部501)，其實時收集分析所需的歷史信息；獲取單元(例如，相當于圖17的獲取部527)，其獲取所述定義的相關性和算出的推薦度；以及第二推薦度計算單元(例如，相當于圖17的推薦度計算部526)，其使用所述獲取的相關性來計算對用戶的各個內(nèi)容的推薦度，其中，所述推薦裝置基于由所述第一推薦度計算單元算出的每個內(nèi)容的推薦度和由所述第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。根據(jù)該發(fā)明，批處理裝置的第一歷史信息收集單元收集分析所需的歷史信息。第一相關性計算單元分析所收集的歷史信息來定義相關性。第一推薦度計算單元使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度。存儲單元存儲所定義的相關性和算出的推薦度。實時處理裝置的第二歷史信息收集單元實時收集分析所需的歷史信息。獲取單元獲取所定義的相關性和算出的推薦度。第二推薦度計算單元使用所獲取的相關性來計算對用戶的各個內(nèi)容的推薦度。推薦裝置基于通過第一推薦度計算單元算出的每個內(nèi)容的推薦度和通過第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。從而，基于使用了在批處理中算出的相關性的推薦度和在實時處理中使用在批處理中算出的相關性而給出的推薦度來輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。(9)本發(fā)明提出了一種推薦方法，其使用基于購買歷史或閱覽歷史等用戶的歷史信息來定義相關性、并輸出基于所述定義的相關性而被預測為用戶感興趣的內(nèi)容作為推薦結(jié)果的協(xié)調(diào)過濾方法，所述推薦方法的特征在于，包括批處理步驟，用于事先分析所述歷史信息來生成推薦所需的信息；實時處理步驟，用于每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息；以及推薦結(jié)果輸出步驟，用于綜合所述批處理步驟的輸出或/和所述實時處理步驟的輸出來輸出推薦結(jié)果。根據(jù)該發(fā)明，事先分析歷史信息來生成推薦所需的信息，每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息，并且綜合批處理步驟的輸出或/和實時處理步驟的輸出來輸出推薦結(jié)果。從而能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。(10)本發(fā)明關于(9)的推薦方法，提出了具有如下特征的推薦方法所述批處理步驟包括收集分析所需的歷史信息的第一步驟(例如，相當于圖3的步驟S101);分析所述收集的歷史信息來定義相關性的第二步驟(例如，相當于圖3的步驟S102);使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度的第三步驟(例如，相當于圖3的步驟S103);以及存儲所述算出的推薦度的第四步驟(例如，相當于圖3的步驟S104)，所述實時處理步驟包括實時收集分析所需的歷史信息的第五步驟(例如，相當于圖3的步驟S105);分析所述收集的歷史信息來定義相關性的第六步驟(例如，相當于圖3的步驟S106);以及使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度的第七步驟(例如，相當于圖3的步驟S107)，其中，所述推薦結(jié)果輸出步驟基于在所述第四步驟中存儲的每個內(nèi)容的推薦度和通過所述第七步驟算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。根據(jù)該發(fā)明，收集分析所需的歷史信息，并分析所收集的歷史信息來定義相關性。接著，使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度，并存儲所算出的推薦度。而且，實時收集分析所需的歷史信息，并分析所收集的歷史信息來定義相關性。接著，使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度。而且，基于在第四步驟中存儲的每個內(nèi)容的推薦度和通過第七步驟算出的每個內(nèi)容的推薦度來計算推薦結(jié)果。從而，基于使用了在批處理中算出的相關性的推薦度和使用了在實時處理中算出的相關性的推薦度來輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。(11)本發(fā)明關于(9)的推薦方法，提出了具有如下特征的推薦方法所述批處理步驟包括收集分析所需的歷史信息的第一步驟(例如，相當于圖6的步驟S201);分析所述收集的歷史信息來定義相關性的第二步驟(例如，相當于圖6的步驟S202);以及存儲所述算出的相關性的第三步驟(例如，相當于圖6的步驟S203)，所述實時處理步驟包括實時收集分析所需的歷史信息的第四步驟(例如，相當于圖6的步驟S204);分析所述收集的歷史信息來定義相關性的第五步驟(例如，相當于圖6的步驟S205);使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度的第六步驟(例如，相當于圖6的步驟S206);獲取所述存儲的相關性的第七步驟(例如，相當于圖6的步驟S207);以及使用所述獲取的相關性來計算對用戶的各個內(nèi)容的推薦度的第八步驟(例如，相當于圖6的步驟S208)，其中，所述推薦結(jié)果輸出步驟基于通過所述第六步驟算出的每個內(nèi)容的推薦度和通過所述第八步驟算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。根據(jù)該發(fā)明，收集分析所需的歷史信息，分析所收集的歷史信息來定義相關性，并存儲所算出的相關性。而且，實時收集分析所需的歷史信息，分析所收集的歷史信息來定義相關性，使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度。接著，獲取所存儲的相關性，使用所獲取的相關性來計算對用戶的各個內(nèi)容的推薦度。而且，基于通過第六步驟算出的每個內(nèi)容的推薦度和通過第八步驟算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。從而，基于在批處理中算出的相關性和在實時處理中算出的相關性來計算推薦度，并基于這些推薦度來輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。(12)本發(fā)明關于(9)的推薦方法，提出了具有如下特征的推薦方法所述批處理步驟包括收集分析所需的歷史信息的第一步驟(例如，相當于圖9的步驟S301);分析所述收集的歷史信息來定義相關性的第二步驟(例如，相當于圖9的步驟S302);以及使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度的存儲所述算出的相關性的第三步驟(例如，相當于圖9的步驟S303)；，以及存儲所述定義的相關性和算出的推薦度的第四步驟(例如，相當于圖9的步驟S304)，所述實時處理步驟包括實時收集分析所需的歷史信息的第四第五步驟(例如，相當于圖9的步驟S305)(例如，相當于圖9的步驟S304);獲取所述定義的相關性和算出的推薦度的第六步驟(例如，相當于圖9的步驟S306);以及使用所述獲取的相關性來計算對用戶的各個內(nèi)容的推薦度的第七步驟(例如，相當于圖9的步驟S307)，其中，所述推薦結(jié)果輸出步驟基于通過所述第三步驟算出的每個內(nèi)容的推薦度和通過所述第七步驟算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。根據(jù)該發(fā)明，收集分析所需的歷史信息，分析所收集的歷史信息來定義相關性，使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度，并存儲所定義的相關性和算出的推薦度。而且，實時收集分析所需的歷史信息，獲取所定義的相關性和算出的推薦度，使用所獲取的相關性來計算對用戶的各個內(nèi)容的推薦度。而且，基于通過第三步驟算出的每個內(nèi)容的推薦度和通過第七步驟算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。從而，基于使用了在批處理中算出的相關性的推薦度和在實時處理中使用在批處理中算出的相關性而給出的推薦度來輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。(13)本發(fā)明提出了一種用于使計算機執(zhí)行推薦方法的程序，其中，所述推薦方法使用基于購買歷史或閱覽歷史等用戶的歷史信息來定義相關性、并輸出基于所述定義的相關性而被預測為用戶感興趣的內(nèi)容作為推薦結(jié)果的協(xié)調(diào)過濾方法，所述程序使計算機執(zhí)行批處理步驟，用于事先分析所述歷史信息來生成推薦所需的信息；實時處理步驟，用于事先分析所述歷史信息來生成推薦所需的信息；實時處理步驟，用于每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息；以及推薦結(jié)果輸出步驟，用于綜合所述批處理步驟的輸出或/和所述實時處理步驟的輸出來輸出推薦結(jié)果。根據(jù)該發(fā)明，事先分析歷史信息來生成推薦所需的信息，每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息，并且綜合批處理步驟的輸出或/和實時處理步驟的輸出來輸出推薦結(jié)果。從而能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。(14)本發(fā)明提出了一種用于使計算機執(zhí)行推薦系統(tǒng)中的推薦方法的程序，其中，所述推薦系統(tǒng)包括批處理裝置、實時處理裝置以及推薦裝置，并使用基于購買歷史或閱覽歷史等用戶的歷史信息來定義相關性、并輸出基于所述定義的相關性而被預測為用戶感興趣的內(nèi)容作為推薦結(jié)果的協(xié)調(diào)過濾方法，所述程序使計算機執(zhí)行所述批處理裝置事先分許所述歷史信息來生成推薦所需的信息的第一步驟；所述實時處理裝置每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息的第二步驟；以及所述推薦裝置綜合所述第一步驟的輸出或/和所述第二步驟的輸出來輸出推薦結(jié)果的第三步驟。根據(jù)該發(fā)明，批處理裝置事先分析歷史信息來生成推薦所需的信息，實時處理裝置每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息，而且，推薦裝置綜合第一步驟的輸出或/和第二步驟的輸出來輸出推薦結(jié)果。從而能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。發(fā)明效果根據(jù)本發(fā)明，具有以下效果可通過批處理部提供利用了全部歷史信息的推薦結(jié)果，并且可通過實時處理部提供反映了發(fā)生請求時所收集的最新歷史信息的推薦結(jié)果。


圖1是示出本發(fā)明第一實施方式涉及的推薦裝置的構(gòu)成圖。圖2是示出本發(fā)明第一實施方式涉及的推薦裝置的詳細構(gòu)成圖。圖3是示出本發(fā)明第一實施方式涉及的推薦裝置的處理圖。圖4是示出本發(fā)明第二實施方式涉及的推薦裝置的構(gòu)成圖。圖5是示出本發(fā)明第二實施方式涉及的推薦裝置的詳細構(gòu)成圖。圖6是示出本發(fā)明第二實施方式涉及的推薦裝置的處理圖。圖7是示出本發(fā)明第三實施方式涉及的推薦裝置的構(gòu)成圖。圖8是示出本發(fā)明第三實施方式涉及的推薦裝置的詳細構(gòu)成圖。圖9是示出本發(fā)明第三實施方式涉及的推薦裝置的處理圖。圖10是示出本發(fā)明第四實施方式涉及的推薦系統(tǒng)的構(gòu)成圖。圖11是示出本發(fā)明第四實施方式涉及的推薦系統(tǒng)的詳細構(gòu)成圖。圖12是示出本發(fā)明第四實施方式涉及的推薦系統(tǒng)的處理圖。圖13是示出本發(fā)明第五實施方式涉及的推薦系統(tǒng)的構(gòu)成圖。圖14是示出本發(fā)明第五實施方式涉及的推薦系統(tǒng)的詳細構(gòu)成圖。圖15是示出本發(fā)明第五實施方式涉及的推薦系統(tǒng)的處理圖。圖16是示出本發(fā)明第六實施方式涉及的推薦系統(tǒng)的構(gòu)成圖。
圖17是示出本發(fā)明第六實施方式涉及的推薦系統(tǒng)的詳細構(gòu)成圖。圖18是示出本發(fā)明第六實施方式涉及的推薦系統(tǒng)的處理圖。圖19是示出本發(fā)明第一實施方式的實施例1涉及的推薦裝置的構(gòu)成圖。圖20是示出本發(fā)明第一實施方式的實施例1涉及的推薦裝置的構(gòu)成圖。圖21是示意性地示出用于本發(fā)明第一實施方式的實施例1涉及的推薦裝置中的推薦處理的用戶的處理圖。圖22是示出本發(fā)明第三實施方式的實施例2涉及的推薦裝置的構(gòu)成圖。圖23是示出本發(fā)明第三實施方式的實施例2涉及的推薦裝置的處理圖。
具體實施例方式以下，參考附圖對本發(fā)明的實施方式進行詳細說明。本實施方式中的構(gòu)成要素可適當?shù)嘏c現(xiàn)有的構(gòu)成要素等進行替換，并且可進行包括與其他現(xiàn)有的構(gòu)成要素的組合在內(nèi)的各種改變。從而，并不是基于以下實施方式的記載來限定權(quán)利要求書中記載的發(fā)明內(nèi)容。〈第一實施方式〉使用圖1以及圖3，對本發(fā)明的第一實施方式進行說明。〈推薦裝置的構(gòu)成〉使用圖1，對本實施方式涉及的推薦裝置的構(gòu)成進行說明。如圖1所示，本實施方式涉及的推薦裝置1000包括批處理部1100、實時處理部
1200、以及推薦結(jié)果輸出部1300，批處理部1100與數(shù)據(jù)庫200連接，實時處理部1200與數(shù)
據(jù)庫300連接。數(shù)據(jù)庫200中例如保存有100個用戶的數(shù)據(jù)，數(shù)據(jù)庫300中例如保存有以預定的規(guī)則挑選出的10個用戶的數(shù)據(jù)，以用于實時處理。本實施方式涉及的推薦裝置1000通過將推薦處理分成批處理和實時處理來分散運算負荷，并且在推薦結(jié)果輸出部1300中綜合批處理部1100的結(jié)果和實時處理部1200的結(jié)果來進行輸出。作為綜合的方法，既可以將兩個結(jié)果相加后輸出推薦結(jié)果，也可以根據(jù)時間段將批處理或?qū)崟r處理中的任一者的結(jié)果直接作為推薦結(jié)果來輸出。此外，也可以將兩個結(jié)果的平均值或加權(quán)平均作為推薦結(jié)果來輸出。<推薦裝置的詳細構(gòu)成>如圖2所示，本實施方式涉及的推薦裝置包括構(gòu)成批處理部1100的歷史信息收集部1101、相關性計算部1102、推薦度計算部1103、存儲部1104 ;構(gòu)成實時處理部1200的歷史信息收集部1201、相關性計算部1202、推薦度計算部1203 ；以及推薦結(jié)果輸出部1300。歷史信息收集部1101從數(shù)據(jù)庫200收集分析所需的歷史信息。相關性計算部1102分析所收集的歷史信息來定義相關性。推薦度計算部1103使用算出的相關性來計算對用戶的各個內(nèi)容的推薦度。存儲部1104存儲所算出的推薦度。歷史信息收集部1201從數(shù)據(jù)庫300收集分析所需的歷史信息。相關性計算部1202分析所收集的歷史信息來定義相關性。推薦度計算部1203使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度。推薦結(jié)果輸出部1300基于存儲部1104中存儲的每個內(nèi)容的推薦度和通過推薦度計算部1203算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果?！赐扑]裝置的處理〉使用圖3對本實施方式涉及的推薦裝置的處理進行說明。首先，批處理部1100的歷史信息收集部1101從數(shù)據(jù)庫200收集分析所需的歷史信息(步驟S101)，相關性計算部1102分析所收集的歷史信息來定義相關性，例如，比較兩個用戶的歷史并基于同時具有歷史的內(nèi)容數(shù)來定義相關性，或者比較兩個內(nèi)容的歷史并基于同時包括在兩個用戶的歷史中的內(nèi)容數(shù)來定義相關性(步驟S102)。推薦度計算部1103使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度，例如，基于該用戶與具有與該用戶相同的內(nèi)容歷史的其他用戶之間的相關性、或者該用戶的歷史中所存在的內(nèi)容與其他內(nèi)容之間的相關性來計算該推薦度(步驟S103)，存儲部1104存儲所算出的推薦度(步驟S104)。實時處理部1200的歷史信息收集部1201從數(shù)據(jù)庫300收集分析所需的歷史信息(步驟S105)，相關性計算部1202分析所收集的歷史信息來以與上述方式相同的方式定義相關性(步驟S106)。推薦度計算部1203使用所算出的相關性來以與上述方式相同的方式計算對用戶的各個內(nèi)容的推薦度(步驟S107)。然后，推薦結(jié)果輸出部1300基于存儲部1104中存儲的每個內(nèi)容的推薦度和通過推薦度計算部1203算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果(步驟S108)。如以上說明的那樣，根據(jù)本實施方式，由于基于使用在批處理中算出的相關性的推薦度和使用在實時處理中算出的相關性的推薦度來輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。<第二實施方式>使用圖4至圖6，對本發(fā)明的第二實施方式進行說明?！赐扑]裝置的構(gòu)成〉使用圖4，對本實施方式涉及的推薦裝置的構(gòu)成進行說明。如圖4所示，本實施方式涉及的推薦裝置1000包括批處理部1110、實時處理部1210、以及推薦結(jié)果輸出部1310，批處理部1110與數(shù)據(jù)庫200連接，實時處理部1210與數(shù)
據(jù)庫300連接。本實施方式涉及的推薦裝置1000通過將推薦處理分成批處理和實時處理來分散運算負荷，并且在推薦結(jié)果輸出部1310中綜合來自實時處理部1210的兩個結(jié)果來進行輸出。作為綜合的方法，既可以將兩個結(jié)果相加后輸出推薦結(jié)果，也可以根據(jù)時間段將批處理或?qū)崟r處理中的任一者的結(jié)果直接作為推薦結(jié)果來輸出。此外，也可以將兩個結(jié)果的平均值或加權(quán)平均作為推薦結(jié)果來輸出。<推薦裝置的詳細構(gòu)成>如圖5所示，本實施方式涉及的推薦裝置包括構(gòu)成批處理部1110的歷史信息收集部1101、相關性計算部1102、存儲部1115 ;構(gòu)成實時處理部1210的歷史信息收集部
1201、相關性計算部1202、推薦度計算部1203、獲取部1214、推薦度計算部1215 ;以及推薦結(jié)果輸出部1310。關于被標注了與第一實施方式相同的附圖標記的構(gòu)成要素，由于具有相同的功能，因此省略其詳細說明。存儲部1115存儲所算出的相關性。獲取部1214獲取存儲部1115中存儲的相關性。推薦度計算部1215使用所獲取的相關性來計算對用戶的各個內(nèi)容的推薦度。推薦結(jié)果輸出部1310基于通過推薦度計算部1203算出的每個內(nèi)容的推薦度和推薦度計算部1215算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果?！赐扑]裝置的處理〉使用圖6對本實施方式涉及的推薦裝置的處理進行說明。首先，批處理部1110的歷史信息收集部1101從數(shù)據(jù)庫200收集分析所需的歷史信息(步驟S201)，相關性計算部1102分析所收集的歷史信息來定義相關性(步驟S202)，存儲部1115存儲所算出的相關性(步驟S203)。實時處理部1210的歷史信息收集部1201從數(shù)據(jù)庫300收集分析所需的歷史信息(步驟S204)，相關性計算部1202分析所收集的歷史信息來定義相關性(步驟S205)。推薦度計算部1203使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度(步驟S206)。此夕卜，獲取部1214獲取存儲部1115中存儲的相關性(步驟S207)，推薦度計算部1215使用所獲取的相關性來計算對用戶的各個內(nèi)容的推薦度(步驟S208)。然后，推薦結(jié)果輸出部1310基于通過推薦度計算部1203算出的每個內(nèi)容的推薦度和通過推薦度計算部1215算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果(步驟S209)。如以上說明的那樣，根據(jù)本實施方式，實時處理部基于在批處理中算出的相關性和在實時處理中算出的相關性來計算推薦度，并基于這些推薦度輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。〈第三實施方式〉使用圖7以及圖9，對本發(fā)明的第三實施方式進行說明?！赐扑]裝置的構(gòu)成〉使用圖7，對本實施方式涉及的推薦裝置的構(gòu)成進行說明。如圖7所示，本實施方式涉及的推薦裝置1000包括批處理部1120、實時處理部1220、以及推薦結(jié)果輸出部1320，批處理部1120與數(shù)據(jù)庫200連接，實時處理部1220與數(shù)據(jù)庫300連接。本實施方式涉及的推薦裝置1000通過將推薦處理分成批處理和實時處理來分散運算負荷，并且批處理部1120將結(jié)果發(fā)送給實時處理部1220，并且在推薦結(jié)果輸出部1320中綜合來自批處理部1120和實時處理部1220的兩個結(jié)果來進行輸出。作為綜合的方法，既可以將兩個結(jié)果相加后輸出推薦結(jié)果，也可以根據(jù)時間段將批處理或?qū)崟r處理中的任一者的結(jié)果直接作為推薦結(jié)果來輸出。此外，也可以將兩個結(jié)果的平均值或加權(quán)平均作為推薦結(jié)果來輸出。<推薦裝置的詳細構(gòu)成>如圖8所示，本實施方式涉及的推薦裝置包括構(gòu)成批處理部1120的歷史信息收集部1101、相關性計算部1102、推薦度計算部1103、存儲部1126 ;構(gòu)成實時處理部1220的歷史信息收集部1201、推薦度計算部1226、獲取部1227 ;以及推薦結(jié)果輸出部1320。關于被標注了與第一實施方式相同的附圖標記的構(gòu)成要素，由于具有相同的功能，因此省略其詳細說明。存儲部1126存儲在相關性計算部1102中定義的相關性以及在推薦度計算部1103中算出的推薦度。獲取部1227獲取存儲部1126中存儲的在相關性計算部1102中定義的相關性以及在推薦度計算部1103中算出的推薦度。推薦度計算部1226使用所獲取的相關性來計算對用戶的各個內(nèi)容的推薦度。推薦結(jié)果輸出部1320基于通過推薦度計算部1103算出的每個內(nèi)容的推薦度和通過推薦度計算部1226算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。〈推薦裝置的處理〉使用圖9，對本實施方式涉及的推薦裝置的處理進行說明。首先，批處理部1120的歷史信息收集部1101從數(shù)據(jù)庫200收集分析所需的歷史信息(步驟S301)，相關性計算部1102分析所收集的歷史信息來定義相關性(步驟S302)。推薦度計算部1103使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度(步驟S303)，存儲部1126存儲在相關性計算部1102中定義的相關性以及在推薦度計算部1103中算出的推薦度(步驟S304)。實時處理部1220的歷史信息收集部1201從數(shù)據(jù)庫300收集分析所需的歷史信息(步驟S305)。獲取部1227獲取存儲部1126中存儲的在相關性計算部1102中定義的相關性以及在推薦度計算部1103中算出的推薦度(步驟S306)，推薦度計算部1226使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度(步驟S307)。然后，推薦結(jié)果輸出部1320基于通過推薦度計算部1103算出的每個內(nèi)容的推薦度和通過推薦度計算部1226算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果(步驟S308)。如以上說明的那樣，根據(jù)本實施方式，基于使用在批處理中算出的相關性的推薦度和通過實時處理使用在批處理中算出的相關性而給出的推薦度來輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦?！吹谒膶嵤┓绞健凳褂脠D10至圖12，對本發(fā)明的第四實施方式進行說明?！赐扑]系統(tǒng)的構(gòu)成〉使用圖10，對本實施方式涉及的推薦系統(tǒng)的構(gòu)成進行說明。如圖10所示，本實施方式涉及的推薦系統(tǒng)包括批處理裝置400、實時處理裝置500、以及推薦結(jié)果輸出裝置600，批處理裝置400與數(shù)據(jù)庫200連接，實時處理裝置500與數(shù)據(jù)庫300連接。本實施方式涉及的推薦系統(tǒng)通過將推薦處理分成批處理和實時處理來分散運算負荷，并且在推薦結(jié)果輸出裝置600中綜合批處理裝置400的結(jié)果和實時處理裝置500的結(jié)果來進行輸出。作為批處理裝置400，可舉出通過運算處理能力高的云服務器實施的例子，作為實時處理裝置500，除與批處理裝置400同樣地通過運算處理能力高的云服務器實施之外，還可舉出通過運算處理能力較低的便攜終端或STB (Set Top Box,機頂盒)等實施的例子，但不限于此。<推薦系統(tǒng)的詳細構(gòu)成>如圖11所示，本實施方式涉及的推薦系統(tǒng)包括構(gòu)成批處理裝置400的歷史信息收集部401、相關性計算部402、推薦度計算部403、存儲部404 ;構(gòu)成實時處理裝置500的歷史信息收集部501、相關性計算部502、推薦度計算部503 ;以及推薦結(jié)果輸出裝置600。歷史信息收集部401從數(shù)據(jù)庫200收集分析所需的歷史信息。相關性計算部402分析所收集的歷史信息來定義相關性。推薦度計算部403使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度。存儲部404存儲所算出的推薦度。歷史信息收集部501從數(shù)據(jù)庫300收集分析所需的歷史信息。相關性計算部502分析所收集的歷史信息來定義相關性。推薦度計算部503使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度。推薦結(jié)果輸出裝置600基于存儲部404中存儲的每個內(nèi)容的推薦度和通過推薦度計算部503算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果?！赐扑]系統(tǒng)的處理〉使用圖12，對本實施方式涉及的推薦系統(tǒng)的處理進行說明。首先，批處理裝置400的歷史信息收集部401從數(shù)據(jù)庫200收集分析所需的歷史信息(步驟S401)，相關性計算部402分析所收集的歷史信息來定義相關性(步驟S402)。推薦度計算部403使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度(步驟S403)，存儲部404存儲所算出的推薦度(步驟S404)。實時處理裝置500的歷史信息收集部501從數(shù)據(jù)庫300收集分析所需的歷史信息(步驟S405)，相關性計算部502分析所收集的歷史信息來定義相關性(步驟S406)。推薦度計算部503使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度(步驟S407)。然后，推薦結(jié)果輸出裝置600基于存儲部404中存儲的每個內(nèi)容的推薦度和通過推薦度計算部503算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果(步驟S408)。如以上說明的那樣，根據(jù)本實施方式，推薦裝置基于使用在批處理裝置中算出的相關性的推薦度和使用在實時處理裝置中算出的相關性的推薦度，來輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦?！吹谖鍖嵤┓绞健凳褂脠D13至圖15，對本發(fā)明的第五實施方式進行說明。〈推薦系統(tǒng)的構(gòu)成〉使用圖13，對本實施方式涉及的推薦系統(tǒng)的構(gòu)成進行說明。如圖13所示，本實施方式涉及的推薦系統(tǒng)包括批處理裝置410、實時處理裝置510、以及推薦結(jié)果輸出裝置610，批處理裝置410與數(shù)據(jù)庫200連接，實時處理裝置510與數(shù)據(jù)庫300連接。本實施方式涉及的推薦系統(tǒng)通過將推薦處理分成批處理和實時處理來分散運算負荷，并且在推薦結(jié)果輸出裝置610中綜合來自實時處理裝置410的兩個結(jié)果來進行輸出。作為批處理裝置410，可舉出通過運算處理能力高的云服務器實施的例子，作為實時處理裝置510，除與批處理裝置410同樣地通過運算處理能力高的云服務器實施之外，還可舉出通過運算處理能力較低的便攜終端或STB (Set TopBox)等實施的例子,但不限于此。<推薦系統(tǒng)的詳細構(gòu)成>如圖14所示，本實施方式涉及的推薦系統(tǒng)包括構(gòu)成批處理裝置410的歷史信息收集部401、相關性計算部402、存儲部415 ;構(gòu)成實時處理裝置510的歷史信息收集部501、相關性計算部502、推薦度計算部503、獲取部514、推薦度計算部515 ；以及推薦結(jié)果輸出裝置610。關于被標注了與第四實施方式相同的附圖標記的構(gòu)成要素，由于具有相同的功能，因此省略其詳細說明。存儲部415存儲所算出的相關性。獲取部514獲取存儲部415中存儲的相關性。推薦度計算部515使用所獲取的相關性來計算對用戶的各個內(nèi)容的推薦度。推薦結(jié)果輸出裝置610基于通過推薦度計算部503算出的每個內(nèi)容的推薦度和通過推薦度計算部515算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。〈推薦系統(tǒng)的處理〉使用圖15，對本實施方式涉及的推薦系統(tǒng)的處理進行說明。首先，批處理裝置410的歷史信息收集部401從數(shù)據(jù)庫200收集分析所需的歷史信息(步驟S501)，相關性計算部402分析所收集的歷史信息來定義相關性(步驟S502)，存儲部415存儲所算出的相關性(步驟S503)。實時處理裝置510的歷史信息收集部501從數(shù)據(jù)庫300收集分析所需的歷史信息(步驟S504)，相關性計算部502分析所收集的歷史信息來定義相關性(步驟S505)。推薦度計算部503使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度(步驟S506)。此外，獲取部514獲取存儲部415中存儲的相關性(步驟S507)，推薦度計算部515使用所獲取的相關性來計算對用戶的各個內(nèi)容的推薦度(步驟S508)。然后，推薦結(jié)果輸出裝置610基于通過推薦度計算部503算出的每個內(nèi)容的推薦度和通過推薦度計算部515算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果(步驟S509)。如以上說明的那樣，根據(jù)本實施方式，實時處理裝置基于在批處理裝置中算出的相關性和在實時處理裝置中算出的相關性來計算推薦度，并基于這些推薦度輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦?！吹诹鶎嵤┓绞健凳褂脠D16至圖18，對本發(fā)明的第六實施方式進行說明。〈推薦系統(tǒng)的構(gòu)成〉使用圖16，對本實施方式涉及的推薦系統(tǒng)的構(gòu)成進行說明。如圖16所示，本實施方式涉及的推薦系統(tǒng)包括批處理裝置420、實時處理裝置520、以及推薦結(jié)果輸出裝置620，批處理裝置420與數(shù)據(jù)庫200連接，實時處理裝置520與數(shù)據(jù)庫300連接。本實施方式涉及的推薦系統(tǒng)通過將推薦處理分成批處理和實時處理來分散運算負荷，并且批處理裝置420將結(jié)果發(fā)送給實時處理裝置520，并且在推薦結(jié)果輸出裝置620中綜合來自批處理裝置420和實時處理裝置520的兩個結(jié)果來進行輸出。作為批處理裝置420，可舉出通過運算處理能力高的云服務器實施的例子，作為實時處理裝置520，除與批處理裝置420同樣地通過運算處理能力高的云服務器實施之外，還可舉出通過運算處理能力較低的便攜終端或STB (SetTop Box)等實施的例子,但不限于此。<推薦系統(tǒng)的詳細構(gòu)成>如圖17所示，本實施方式涉及的推薦系統(tǒng)包括構(gòu)成批處理裝置420的歷史信息收集部401、相關性計算部402、推薦度計算部403、存儲部426 ;構(gòu)成實時處理裝置520的歷史信息收集部501、推薦度計算部526、獲取部527 ;以及推薦結(jié)果輸出裝置620。關于被標注了與第四實施方式相同的附圖標記的構(gòu)成要素，由于具有相同的功能，因此省略其詳細說明。存儲部426存儲在相關性計算部402中定義的相關性以及在推薦度計算部403中算出的推薦度。獲取部527獲取存儲部426中存儲的在相關性計算部402中定義的相關性以及在推薦度計算部403中算出的推薦度。推薦度計算部526使用所獲取的相關性來計算對用戶的各個內(nèi)容的推薦度。推薦結(jié)果輸出裝置620基于通過推薦度計算部403算出的每個內(nèi)容的推薦度和通過推薦度計算部526算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。〈推薦系統(tǒng)的處理〉使用圖18，對本實施方式涉及的推薦系統(tǒng)的處理進行說明。首先，批處理裝置420的歷史信息收集部401從數(shù)據(jù)庫200收集分析所需的歷史信息(步驟S601)，相關性計算部402分析所收集的歷史信息來定義相關性(步驟S602)。推薦度計算部403使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度(步驟S603)，存儲部426存儲在相關性計算部402中定義的相關性以及在推薦度計算部403中算出的推薦度(步驟S604)。實時處理裝置520的歷史信息收集部501從數(shù)據(jù)庫300收集分析所需的歷史信息(步驟S605)。獲取部527獲取存儲部426中存儲的在相關性計算部402中定義的相關性以及在推薦度計算部403中算出的推薦度(步驟S606)，推薦度計算部526使用所算出的相關性來計算對用戶的各個內(nèi)容的推薦度(步驟S607)。然后，推薦結(jié)果輸出裝置620基于通過推薦度計算部403算出的每個內(nèi)容的推薦度和通過推薦度計算部526算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果(步驟S608)。如以上說明的那樣，根據(jù)本實施方式，基于使用在批處理裝置中算出的相關性的推薦度和由實時處理裝置使用在批處理裝置中算出的相關性而給出的推薦度來輸出推薦結(jié)果，因此能夠不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。〈實施例1>使用圖19至圖21，對實施例1進行說明。本實施例是將第一實施方式涉及的推薦裝置更加具體化的例子。〈推薦裝置的構(gòu)成〉如圖19所示，本實施例涉及的推薦裝置包括批處理部1100、實時處理部1200、推薦結(jié)果輸出部1300、數(shù)據(jù)庫1410、縮減部1420、以及數(shù)據(jù)庫1430。此外，批處理部1100包括歷史信息收集部1101、相關性計算部1102、推薦度計算部1103、以及存儲部1104，實時處理部1200包括歷史信息收集部1201、相關性計算部1202、以及推薦度計算部1203。關于被標注了與第一實施方式相同的附圖標記的構(gòu)成要素，由于具有相同的功能，因此省略其詳細說明。這里，數(shù)據(jù)庫1410是保持全部用戶的歷史信息等的數(shù)據(jù)庫，縮減部1420從數(shù)據(jù)庫1410內(nèi)的數(shù)據(jù)中提取適于推薦的最優(yōu)用戶。數(shù)據(jù)庫1430保持由縮減部1420提取的最優(yōu)用戶的歷史信息等?！赐扑]裝置的處理〉使用圖20，對本實施例涉及的推薦裝置的處理進行說明。首先，基于數(shù)據(jù)庫1410(在圖中表示為“評價歷史T”)內(nèi)的數(shù)據(jù)，從其效用(Utility)值提取優(yōu)良用戶。這是從全部歷史數(shù)據(jù)中提取留下充分評價數(shù)據(jù)的用戶數(shù)據(jù)的處理。通常，實際數(shù)據(jù)中很多用戶幾乎沒有歷史，如果使用這種用戶的數(shù)據(jù)，計算量就會沒必要地增大，而且精度也提高不大，因此要進行數(shù)據(jù)的篩選。
接著，隨機采樣最優(yōu)用戶。這是將數(shù)據(jù)量縮減到趕得上實時處理所需的處理時間的程度的處理。此時，優(yōu)選進行間拔，以免數(shù)據(jù)發(fā)生偏倚，可考慮“將用戶數(shù)據(jù)分為N個簇一以每個簇一人的方式選出N個代表用戶的處理”等，為了簡化該處理，每次采樣時(每當進行批處理時)隨機選擇N個人。在批處理中，在優(yōu)良用戶與所有用戶之間計算用戶間相似度來作為相關性，并針對每個用戶計算推薦度。這里，假定用戶間相似度是如非專利文獻I所示那樣的在用戶之間比較用戶對內(nèi)容的評價的共同性來定義用戶間的相似尺度、并對接受推薦的用戶的未登記內(nèi)容進行評價的相似度。并且將該用戶間相似度保持在中間Tl (相當于存儲部1104)中。當推薦時，將推薦對象用戶的用戶ID作為關鍵字，從中間Tl中獲取推薦度，并獲得預測評價值。另一方面，在實時處理中，隨機采樣最優(yōu)用戶，并將相應用戶的歷史信息預先保存在中間T2(相當于數(shù)據(jù)庫(縮減)1430)中。當進行實時處理時，從中間T2獲取最優(yōu)用戶的歷史信息，并且另一方面，獲取推薦對象用戶的歷史信息。接著，基于該獲取的信息，計算推薦對象用戶和最優(yōu)用戶的相似度，計算預測評價值。然后獲得預測評價值。S卩，在實時處理中，在每次需要推薦處理時運行處理。并且，當處理時，在獲取最優(yōu)用戶的數(shù)據(jù)的同時，從評價歷史T中另外獲取接受推薦的用戶的歷史。因此，能夠使用接受推薦的用戶的最新歷史來實時實現(xiàn)推薦。此外，由于每次計算相關性，因而此時能夠找到相似的用戶，從而對于在批處理后剛登記并且批處理以前的歷史不足的用戶，可即刻反映當日的歷史。圖21示例性地示出了推薦處理中使用的用戶與批處理以及實時處理之間的關系。根據(jù)該圖，基于保存在評價歷史T內(nèi)的例如100萬人的所有用戶的數(shù)據(jù)，從其效用值中提取例如10000人的優(yōu)良用戶，并且隨機采樣最優(yōu)用戶，由此例如提取100人的最優(yōu)用戶并將其保存到中間T2中。評價歷史T的信息和優(yōu)良用戶的信息被用于批處理，并基于所有用戶和優(yōu)良用戶的信息來計算相關性。另一方面，在實時處理中，基于從評價歷史T中獲取的推薦對象用戶的歷史信息以及最優(yōu)用戶的歷史信息來計算相關性?！磳嵤├?>使用圖22以及圖23，對實施例2進行說明。本實施例是將第三實施方式涉及的推薦裝置更加具體化的例子。〈推薦裝置的構(gòu)成〉如圖22所示，本實施例涉及的推薦裝置包括批處理部1120、實時處理部1220、推薦結(jié)果輸出部1320、以及數(shù)據(jù)庫1410。此外，批處理部1120包括歷史信息收集部1101、相關性計算部1102、推薦度計算部1103、以及存儲部1126，實時處理部1220包括歷史信息收集部1201、推薦度計算部1226、以及獲取部1227。關于被標注了與第三實施方式相同的附圖標記的構(gòu)成要素，由于具有相同的功能，因此省略其詳細說明。這里，數(shù)據(jù)庫1410是保持全部用戶的歷史信息等的數(shù)據(jù)庫?！赐扑]裝置的處理〉使用圖23，對本實施例涉及的推薦裝置的處理進行說明。
首先，基于數(shù)據(jù)庫1410(在圖中表示為“評價歷史T”)中的數(shù)據(jù)，從其效用值提取優(yōu)良用戶。這是從全部歷史數(shù)據(jù)中提取留下充分評價數(shù)據(jù)的用戶數(shù)據(jù)的處理。通常，實際數(shù)據(jù)中很多用戶幾乎沒有歷史，如果使用這種用戶的數(shù)據(jù)，計算量就會沒必要地增大，而且精度也提高不大，因此進行數(shù)據(jù)的篩選。在批處理中，使用優(yōu)良用戶的評價歷史計算內(nèi)容間相似度來作為相關性，并針對每個用戶計算推薦度。并且，將該推薦度保存在中間Tl中。這里，假定內(nèi)容間相似度是如非專利文獻4所示那樣的在內(nèi)容之間比較用戶對內(nèi)容的評價的共同性來定義內(nèi)容間的相似尺度、并對接受推薦的用戶的未登記內(nèi)容進行評價的相似度。當推薦時將推薦對象用戶的用戶ID作為關鍵字，從中間Tl中獲取推薦度，并獲得預測評價值。另一方面，將在計算預測評價值的過程中得到的內(nèi)容間相似度數(shù)據(jù)保存到中間T2中。另一方面，在實時處理中，獲取推薦對象用戶的歷史信息，從中間T2中獲取與歷史信息中包含的內(nèi)容相關的內(nèi)容間相似度。接著，基于該獲取的信息來獲得預測評價值。S卩，在實時處理中，再利用在批處理時算出的相似度的值。此外，當獲取推薦對象用戶的歷史信息時，也可以僅使用“最新X事件”的歷史信息。具體地，創(chuàng)建最新X事件以前的歷史信息空白的用戶數(shù)據(jù)來執(zhí)行預測評價值的計算。由此，可基于更新的歷史來進行推薦。另一方面，包含在中間T2中的相關性是以批處理時的內(nèi)容間相似度為依據(jù)的。因此，雖不能反映當日的歷史，但內(nèi)容間相似度比用戶間相似度不容易發(fā)生改變，因此其推薦精度不容易受到大的影響。通過將推薦裝置或推薦系統(tǒng)的處理記錄在計算機可讀的記錄介質(zhì)中，并將記錄在該記錄介質(zhì)中的程序讀入推薦裝置、批處理裝置、實時處理裝置、或推薦結(jié)果輸出裝置來執(zhí)行，能夠?qū)崿F(xiàn)本發(fā)明的推薦裝置或推薦系統(tǒng)。這里所說的計算機系統(tǒng)包括OS或外圍裝置等的硬件。此外，“計算機系統(tǒng)”如果是利用WWW(World Wide Web，萬維網(wǎng))系統(tǒng)的場合，則還包括主頁提供環(huán)境(或顯示環(huán)境)。此外，上述程序也可以從將該程序保持在存儲裝置等中的計算機系統(tǒng)經(jīng)由傳輸介質(zhì)、或者通過傳輸介質(zhì)中的傳輸波被傳輸?shù)狡渌嬎銠C系統(tǒng)中。這里，傳輸程序的“傳輸介質(zhì)”是指如互聯(lián)網(wǎng)等網(wǎng)絡(通信網(wǎng))或電話線路等通信線路(通信線)這樣具有信息傳輸功能的介質(zhì)。此外，上述程序也可以是用于實現(xiàn)上述功能的一部分的程序。此外，也可以是能夠與上述的計算機系統(tǒng)中已記錄的程序組合來實現(xiàn)上述功能的所謂的差分文件(差分程序)。以上，參考附圖對本發(fā)明的實施方式進行了詳細說明，但具體構(gòu)成不限于該實施方式，還包括在不脫離本發(fā)明要旨的范圍內(nèi)的設計等。例如，在本發(fā)明中，假定了使用數(shù)據(jù)庫等存儲介質(zhì)對利用的歷史信息進行集中管理，并使用歷史信息收集部獲取這些歷史信息，但并非必須限定于此。此外，根據(jù)本發(fā)明的推薦結(jié)果的提供方法假定了將記錄了針對該用戶的一個個內(nèi)容的推薦度的列表提供給外部的推薦提示方法，但并不必須限于該使用方法。本發(fā)明的推薦的各個處理也可以是通過一個服務器來實施的實施方法，或者通過按功能專用化的多個服務器的協(xié)作實施、或者使用了負荷分散功能的多個服務器的協(xié)作實施的實施方法等。附圖標記說明1100;批處理部1110;批處理部1120;批處理部1101 ;歷史信息收集部1102;相關性計算部1103;推薦度計算部1104;存儲部1115;存儲部1126;存儲部1200;實時處理部1210 ;實時處理部1220;實時處理部1201 ;歷史信息收集部1202;相關性計算部1203;推薦度計算部1214;獲取部1215 ;推薦度計算部1226;推薦度計算部1237 ;獲取部1300 ;推薦結(jié)果輸出部1310 ;推薦結(jié)果輸出部1320 ;推薦結(jié)果輸出部1410 ;數(shù)據(jù)庫1420 ;縮減部200 ;數(shù)據(jù)庫300 ;數(shù)據(jù)庫400 ;批處理裝置410 ;批處理裝置420 ;批處理裝置401 ;歷史信息收集部402 ;相關性計算部403 ;推薦度計算部404 ;存儲部415 ;存儲部426 ;存儲部500 ;實時處理裝置510 ;實時處理裝置
520;實時處理裝置501 ;歷史信息收集部502 ;相關性計算部503 ;推薦度計算部514 ;獲取部515 ;推薦度計算部526 ;推薦度計算部527 ;獲取部600 ;推薦結(jié)果輸出裝置610 ;推薦結(jié)果輸出裝置620;推薦結(jié)果輸出裝置
權(quán)利要求
1.一種推薦裝置，其使用基于購買歷史或閱覽歷史的用戶的歷史信息來定義相關性、并輸出基于所述定義的相關性而被預測為用戶感興趣的內(nèi)容作為推薦結(jié)果的協(xié)調(diào)過濾方法，所述推薦裝置的特征在于，包括: 批處理單元，其事先分析所述歷史信息來生成推薦所需的信息； 實時處理單元，其每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息；以及推薦結(jié)果輸出單元，其綜合所述批處理單元的輸出或/和所述實時處理單元的輸出來輸出推薦結(jié)果。
2.根據(jù)權(quán)利要求1所述的推薦裝置，其特征在于， 所述批處理單元包括: 第一歷史信息收集單元，其收集分析所需的歷史信息； 第一相關性計算單元，其分析所述收集的歷史信息來定義相關性； 第一推薦度計算單元，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度；以及 存儲單元，其存儲所述算出的推薦度， 所述實時處理單元包括: 第二歷史信息收集單元，其實時收集分析所需的歷史信息； 第二相關性計算單元，其分析所述收集的歷史信息來定義相關性；以及第二推薦度計算單元，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度，其中，所述推薦結(jié)果輸出單元基于所述存儲的每個內(nèi)容的推薦度和由所述第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。
3.根據(jù)權(quán)利要求1所述的推薦裝置，其特征在于， 所述批處理單元包括: 第一歷史信息收集單元，其收集分析所需的歷史信息； 第一相關性計算單元，其分析所述收集的歷史信息來定義相關性；以及 存儲單元，其存儲所述算出的相關性， 所述實時處理單元包括: 第二歷史信息收集單元，其實時收集分析所需的歷史信息； 第二相關性計算單元，其分析所述收集的歷史信息來定義相關性； 第一推薦度計算單元，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度； 獲取單元，其獲取所述存儲的相關性；以及 第二推薦度計算單元，其使用所述獲取的相關性來計算對用戶的各個內(nèi)容的推薦度，其中，所述推薦結(jié)果輸出單元基于由所述第一推薦度計算單元算出的每個內(nèi)容的推薦度和由所述第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。
4.根據(jù)權(quán)利要求1所述的推薦裝置，其特征在于， 所述批處理單元包括: 第一歷史信息收集單元，其收集分析所需的歷史信息； 第一相關性計算單元，其分析所述收集的歷史信息來定義相關性； 第一推薦度計算單元，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度； 以及存儲單元，其存儲所述定義的相關性和算出的推薦度， 所述實時處理單元包括: 第二歷史信息收集單元，其實時收集分析所需的歷史信息； 獲取單元，其獲取所述定義的相關性和算出的推薦度；以及第二推薦度計算單元，其使用所述獲取的相關性來計算對用戶的各個內(nèi)容的推薦度，其中，所述推薦結(jié)果輸出單元基于由所述第一推薦度計算單元算出的每個內(nèi)容的推薦度和由所述第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。
5.一種推薦系統(tǒng)，其包括批處理裝置、實時處理裝置以及推薦裝置，并使用基于購買歷史或閱覽歷史的用戶的歷史信息來定義相關性、并輸出基于所述定義的相關性而被預測為用戶感興趣的內(nèi)容作為推薦結(jié)果的協(xié)調(diào)過濾方法，所述推薦系統(tǒng)的特征在于， 所述批處理裝置事先分析所述歷史信息來生成推薦所需的信息，所述實時處理裝置每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息，所述推薦裝置綜合所述批處理裝置的輸出或/和所述實時處理裝置的輸出來輸出推薦結(jié)果。
6.根據(jù)權(quán)利要求5所述的推薦系統(tǒng)，其特征在于， 所述批處理裝置包括: 第一歷史信息收集單元，其收集分析所需的歷史信息； 第一相關性計算單元，其分析所述收集的歷史信息來定義相關性； 第一推薦度計算單元，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度；以及 存儲單元，其存儲所述算出的推薦度， 所述實時處理裝置包括: 第二歷史信息收集單元，其實時收集分析所需的歷史信息； 第二相關性計算單元，其分析所述收集的歷史信息來定義相關性；以及第二推薦度計算單元，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度，其中，所述推薦裝置基于所述存儲的每個內(nèi)容的推薦度和由所述第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。
7.根據(jù)權(quán)利要求5所述的推薦系統(tǒng)，其特征在于， 所述批處理裝置包括: 第一歷史信息收集單元，其收集分析所需的歷史信息； 第一相關性計算單元，其分析所述收集的歷史信息來定義相關性；以及 存儲單元，其存儲所述算出的相關性， 所述實時處理裝置包括: 第二歷史信息收集單元，其實時收集分析所需的歷史信息； 第二相關性計算單元，其分析所述收集的歷史信息來定義相關性； 第一推薦度計算單元，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度； 獲取單元，其獲取所述存儲的相關性；以及 第二推薦度計算單元，其使 用所述獲取的相關性來計算對用戶的各個內(nèi)容的推薦度，其中，所述推薦裝置基于由所述第一推薦度計算單元算出的每個內(nèi)容的推薦度和由所述第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。
8.根據(jù)權(quán)利要求5所述的推薦系統(tǒng)，其特征在于， 所述批處理裝置包括: 第一歷史信息收集單元，其收集分析所需的歷史信息； 第一相關性計算單元，其分析所述收集的歷史信息來定義相關性； 第一推薦度計算單元，其使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度；以及 存儲單元，其存儲所述定義的相關性和算出的推薦度； 所述實時處理裝置包括: 第二歷史信息收集單元，其實時收集分析所需的歷史信息； 獲取單元，其獲取所述定義的相關性和算出的推薦度；以及第二推薦度計算單元，其使用所述獲取的相關性來計算對用戶的各個內(nèi)容的推薦度，其中，所述推薦裝置基于由所述第一推薦度計算單元算出的每個內(nèi)容的推薦度和由所述第二推薦度計算單元算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。
9.一種推薦方法，其使用基于購買歷史或閱覽歷史的用戶的歷史信息來定義相關性、并輸出基于所述定義的相關性而被預測為用戶感興趣的內(nèi)容作為推薦結(jié)果的協(xié)調(diào)過濾方法，所述推薦方法的特征在于，包括: 批處理步驟，用于事先分析所述歷史信息來生成推薦所需的信息； 實時處理步驟，用于每當 發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息；以及推薦結(jié)果輸出步驟，用于綜合所述批處理步驟的輸出或/和所述實時處理步驟的輸出來輸出推薦結(jié)果。
10.根據(jù)權(quán)利要求9所述的推薦方法，其特征在于， 所述批處理步驟包括: 收集分析所需的歷史信息的第一步驟； 分析所述收集的歷史信息來定義相關性的第二步驟； 使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度的第三步驟；以及 存儲所述算出的推薦度的第四步驟， 所述實時處理步驟包括: 實時收集分析所需的歷史信息的第五步驟； 分析所述收集的歷史信息來定義相關性的第六步驟；以及 使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度的第七步驟， 其中，所述推薦結(jié)果輸出步驟基于在所述第四步驟中存儲的每個內(nèi)容的推薦度和通過所述第七步驟算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。
11.根據(jù)權(quán)利要求9所述的推薦方法，其特征在于， 所述批處理步驟包括: 收集分析所需的歷史信息的第一步驟； 分析所述收集的歷史信息來定義相關性的第二步驟；以及 存儲所述算出的相關性的第三步驟， 所述實時處理步驟包括: 實時收集分析所需的歷史信息的第四步驟；分析所述收集的歷史信息來定義相關性的第五步驟； 使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度的第六步驟； 獲取所述存儲的相關性的第七步驟；以及 使用所述獲取的相關性來計算對用戶的各個內(nèi)容的推薦度的第八步驟， 其中，所述推薦結(jié)果輸出步驟基于通過所述第六步驟算出的每個內(nèi)容的推薦度和通過所述第八步驟算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。
12.根據(jù)權(quán)利要求9所述的推薦方法，其特征在于， 所述批處理步驟包括: 收集分析所需的歷史信息的第一步驟； 分析所述收集的歷史信息來定義相關性的第二步驟； 使用所述算出的相關性來計算對用戶的各個內(nèi)容的推薦度的第三步驟；以及 存儲所述定義的相關性和算出的推薦度的第四步驟， 所述實時處理步驟包括: 實時收集分析所需的歷史信息的第五步驟； 獲取所述定義的相關性和算出的推薦度的第六步驟；以及 使用所述獲取的相關性來計算對用戶的各個內(nèi)容的推薦度的第七步驟， 所述推薦結(jié)果輸出步 驟基于通過所述第三步驟算出的每個內(nèi)容的推薦度和通過所述第七步驟算出的每個內(nèi)容的推薦度來輸出推薦結(jié)果。
13.一種用于使計算機執(zhí)行推薦方法的程序，其中，所述推薦方法使用基于購買歷史或閱覽歷史的用戶的歷史信息來定義相關性、并輸出基于所述定義的相關性而被預測為用戶感興趣的內(nèi)容作為推薦結(jié)果的協(xié)調(diào)過濾方法，所述程序使計算機執(zhí)行: 批處理步驟，用于事先分析所述歷史信息來生成推薦所需的信息； 實時處理步驟，用于每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息；以及推薦結(jié)果輸出步驟，用于綜合所述批處理步驟的輸出或/和所述實時處理步驟的輸出來輸出推薦結(jié)果。
14.一種用于使計算機執(zhí)行推薦系統(tǒng)中的推薦方法的程序，其中，所述推薦系統(tǒng)包括批處理裝置、實時處理裝置以及推薦裝置，并使用基于購買歷史或閱覽歷史的用戶的歷史信息來定義相關性、并輸出基于所述定義的相關性而被預測為用戶感興趣的內(nèi)容作為推薦結(jié)果的協(xié)調(diào)過濾方法，所述程序使計算機執(zhí)行: 所述批處理裝置事先分許所述歷史信息來生成推薦所需的信息的第一步驟； 所述實時處理裝置每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息的第二步驟；以及 所述推薦裝置綜合所述第一步驟的輸出或/和所述第二步驟的輸出來輸出推薦結(jié)果的第三步驟。
全文摘要
不限制利用的歷史信息并減少分析所需的計算量來實現(xiàn)高精度的推薦。批處理部事先分析歷史信息來生成推薦所需的信息。實時處理部每當發(fā)生推薦請求時分析歷史信息來生成推薦所需的信息。推薦結(jié)果輸出部綜合批處理部的輸出或/和實時處理部的輸出來輸出推薦結(jié)果。
文檔編號G06Q30/02GK103077469SQ20121002626
公開日2013年5月1日 申請日期2012年2月7日 優(yōu)先權(quán)日2011年10月26日
發(fā)明者佐佐木祥, 柳原廣昌, 土生由希子 申請人:Kddi株式會社