JP5835802B2 - 購買予測装置、方法、及びプログラム - Google Patents

Description

本発明は、購買予測装置、方法、及びプログラムに係り、特に、ＥＣサイトで扱われる商品の購買予測を行う購買予測装置、方法、及びプログラムに関する。

従来、ＥＣ（electronic commerce）サイトで扱われている商品が購買されるか否かを予測するための判別モデルを、予測対象の商品を取り扱うＥＣサイトでの過去の購買情報及び商品情報を用いて構築し、そのモデルを用いて商品が購買されるか否かを予測することが行われている。

例えば、ネットオークションサイトにおける商品の購買予測モデルを、出品された商品が購買されるかどうかを、商品の価格、同カテゴリ中の商品の平均価格との差等を用いてモデリングする手法が提案されている（例えば、非特許文献１参照）。

しかし、予測対象のサイトだけでは、収集可能なデータ数が少なくなる場合があり、十分な精度を持つモデルを構築することが困難な場合もある。このような問題を解消するために、予測対象ではないデータも含めてモデルを構築し、精度を向上させることが考えられる。

また、ある商品について、似たブランド、似た価格、似た属性を持つ商品が複数のＥＣサイトで販売されていることが多くある。このような場合、対象サイトで取り扱っている商品が他のサイトで購買されているか否かという情報を用いてモデルを構築することにより、精度がより向上すると考えられる。また、予測対象のデータと予測対象でないデータとをモデル構築に用いることによって、両者に共通したモデルの性質を効率よく得ることができるというメリットもある。

そこで、対象サイトとは異なる他のサイトにおけるデータも用いて、商品の購買予測を行うためのモデルを構築する手法が提案されている（例えば、非特許文献２参照）。非特許文献２の手法では、ソーシャルブックマークにおける記事に対するタグ付の予測モデルとして、ＴｒＢａｇｇモデルを提案している。このモデルでは、高品質少数のデータと低品質多数のデータとの二種類を用いて複数の予測モデルを作り、それらを組み合わせて購買予測を行なっている。

X. Wu, and A. Bolivar, "Predicting the conversion probability for items on C2C ecommerce sites", Proceeding of the 18th ACM conference on Information and knowledge management, p1377 - 1386, 2009. T. Kamishima et al., "TrBagg: A Simple Transfer Learning Method and its Application to Personalization in Collaborative Tagging", Proceedings of the 2009 Ninth IEEE International Conference on Data Mining, p219 - 228, 2009.

しかしながら、非特許文献２に記載の手法のように、対象のＥＣサイトとは異なる他のＥＣサイトのデータを用いた場合には、対象のＥＣサイトと他のＥＣサイトとの性質の相違などが影響して、対象のＥＣサイトのデータのみを用いて構築したモデルに比べて予測精度が劣化する場合がある、という問題がある。

本発明は上記事情に鑑みてなされたものであり、購買予測の対象となる商品を取り扱う対象サイトとは異なる他のサイトのデータを用いた場合でも、対象商品の購買予測の精度を向上させることができる購買予測装置、方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、本発明の購買予測装置は、
商品に関する情報を示す商品情報及び該商品が購買されたか否かを示す購買情報を含み、かつ購買予測の対象となる商品を取り扱う対象サイトから収集された対象サイトのデータ集合と、前記商品情報及び前記購買情報を含み、かつ前記対象サイトとは異なる他のサイトから収集された他サイトのデータ集合とを取得する取得手段と、
前記取得手段により取得された前記対象サイトのデータ集合及び前記他サイトのデータ集合の両方を含むように第１のデータ集合を抽出し、該第１のデータ集合と前記対象サイトのデータ集合とに共通して含まれる第２のデータ集合を抽出し、前記第１のデータ集合から前記商品に対する購買予測を行うための第１モデルを学習すると共に、前記第２のデータ集合から前記商品に対する購買予測を行うための第２モデルを学習し、前記第１のデータ集合および第２のデータ集合の抽出を複数回繰り返すことにより、前記第１モデルと前記第２モデルとの組を複数生成する生成手段と、
前記生成手段により生成された前記第１モデルと前記第２モデルとの組の各組について、前記第１モデル及び前記第２モデル各々に前記対象サイトデータを適用した場合の予測誤差が小さいモデルを選択する選択手段と、
前記選択手段により選択された複数のモデル各々に前記対象サイトデータを適用した場合の予測誤差に基づいて、前記複数のモデルを選択及び統合した購買予測モデルを構築する構築手段と、
前記構築手段により構築された前記購買予測モデルに、前記購買予測の対象となる商品の商品情報を適用して、前記対象となる商品が購買されるか否かを予測する予測手段と、
を含んで構成されている。

本発明の購買予測装置によれば、取得手段が、商品に関する情報を示す商品情報及びその商品が購買されたか否かを示す購買情報を含み、かつ購買予測の対象となる商品を取り扱う対象サイトから収集された複数の対象サイトデータと、商品情報及び購買情報を含み、かつ対象サイトとは異なる他のサイトから収集された複数の他サイトデータとを取得する。

そして、生成手段が、取得手段により取得された対象サイトデータ及び他サイトデータの両方を含むように抽出された複数のデータを用いて、商品に対する購買予測を行うための第１モデルを学習すると共に、第１モデルの学習に用いた複数のデータに含まれる対象サイトデータを用いて商品に対する購買予測を行うための第２モデルを学習し、複数のデータの抽出を複数回繰り返すことにより、第１モデルと第２モデルとの組を複数生成する。また、選択手段が、生成手段により生成された第１モデルと第２モデルとの組毎に、第１モデル及び第２モデル各々に対象サイトデータを適用した場合の予測誤差が小さいモデルを選択する。

そして、構築手段が、選択手段により選択された複数のモデル各々に対象サイトデータを適用した場合の予測誤差に基づいて、複数のモデルを選択及び統合した購買予測モデルを構築し、予測手段が、構築手段により構築された購買予測モデルに、購買予測の対象となる商品の商品情報を適用して、対象となる商品が購買されるか否かを予測する。

このように、対象サイトデータ及び他サイトデータを用いて学習された第１モデルと、対象サイトデータを用いて学習された第２モデルとの予測誤差が小さいモデルを選択して購買予測モデルを構築するため、精度向上につながる他サイトデータのみを利用することができ、購買予測の対象となる商品を取り扱う対象サイトとは異なる他のサイトのデータを用いた場合でも、対象商品の購買予測の精度を向上させることができる。

また、本発明の購買予測方法は、
取得手段と、生成手段と、選択手段と、構築手段と、予測手段とを含む購買予測装置における購買予測方法であって、
前記取得手段は、商品に関する情報を示す商品情報及び該商品が購買されたか否かを示す購買情報を含み、かつ購買予測の対象となる商品を取り扱う対象サイトから収集された対象サイトのデータ集合と、前記商品情報及び前記購買情報を含み、かつ前記対象サイトとは異なる他のサイトから収集された他サイトのデータ集合とを取得する取得手段と、
前記生成手段は、前記取得手段により取得された前記対象サイトのデータ集合及び前記他サイトのデータ集合の両方を含むように第１のデータ集合を抽出し、該第１のデータ集合と前記対象サイトのデータ集合とに共通して含まれる第２のデータ集合を抽出し、前記第１のデータ集合から前記商品に対する購買予測を行うための第１モデルを学習すると共に、前記第２のデータ集合から前記商品に対する購買予測を行うための第２モデルを学習し、前記第１のデータ集合および第２のデータ集合の抽出を複数回繰り返すことにより、前記第１モデルと前記第２モデルとの組を複数生成する生成手段と、
前記選択手段は、前記生成手段により生成された前記第１モデルと前記第２モデルとの組の各組について、前記第１モデル及び前記第２モデル各々に前記対象サイトデータを適用した場合の予測誤差が小さいモデルを選択し、
前記構築手段は、前記選択手段により選択された複数のモデル各々に前記対象サイトデータを適用した場合の予測誤差に基づいて、前記複数のモデルを選択及び統合した購買予測モデルを構築し、
前記予測手段は、前記構築手段により構築された前記購買予測モデルに、前記購買予測の対象となる商品の商品情報を適用して、前記対象となる商品が購買されるか否か
を予測する方法である。

また、本発明の購買予測プログラムは、コンピュータを、上記の購買予測装置を構成する各手段として機能させるためのプログラムである。

以上説明したように、本発明の購買予測装置、方法、及びプログラムによれば、対象サイトデータ及び他サイトデータを用いて学習された第１モデルと、対象サイトデータを用いて学習された第２モデルとの予測誤差が小さいモデルを選択して購買予測モデルを構築するため、精度向上につながる他サイトデータのみを利用することができ、購買予測の対象となる商品を取り扱う対象サイトとは異なる他のサイトのデータを用いた場合でも、対象商品の購買予測の精度を向上させることができる、という効果が得られる。

本実施の形態の購買予測装置の機能的構成を示すブロック図である。 各種データのデータ構造を示す図である。 本実施の形態の購買予測装置における購買予測処理ルーチンの内容を示すフローチャートである。 本実施の形態における購買予測モデル構築に関する第１処理ルーチンの内容を示すフローチャートである。 本実施の形態における購買予測モデル構築に関する第２処理ルーチンの内容を示すフローチャートである。 サイトＡを対象ＥＣサイトとした場合における、本実施の形態と既存手法との精度比較を示す図である。 サイトＣを対象ＥＣサイトとした場合における、本実施の形態と既存手法との精度比較を示す図である。 サイトＤを対象ＥＣサイトとした場合における、本実施の形態と既存手法との精度比較を示す図である。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

第１の実施の形態に係る購買予測装置１０は、ＣＰＵ（Central Processing Unit）と、ＲＡＭ（Random Access Memory）と、後述する購買予測処理ルーチンを実行するためのプログラムを記憶したＲＯＭ（Read Only Memory）とを備えたコンピュータで構成されている。このコンピュータは、機能的には、図１に示すように、購買予測モデル第１処理部１２と、購買予測モデル第２処理部１４と、購買予測部１６とを含んだ構成で表すことができる。さらに、購買予測モデル第１処理部１２は、モデル生成部１２ａとモデル選択部１２ｂとを含んだ構成で表すことができる。

購買予測モデル第１処理部１２は、購買予測の対象となる商品を取り扱うＥＣサイト（以下、「対象ＥＣサイト」という）から収集された商品・購買情報２０と、対象ＥＣサイトとは異なる他のＥＣサイト（以下、「他ＥＣサイト」という）から収集された商品・購買情報２２を受け付ける。

図２に示すように、対象ＥＣサイトの商品・購買情報２０及び他ＥＣサイトの商品・購買情報２２のデータ構造は、商品毎の価格、その商品と同じカテゴリの商品の平均価格、・・・等の商品に関する情報を示す商品情報と、その商品が購買されたか否かを示す購買情報とを含む。

モデル生成部１２ａでは、受け付けた対象ＥＣサイトの商品・購買情報２０の集合Ｄ_Ｔ、及び他ＥＣサイトの商品・購買情報２２の集合Ｄ_Ｓから、復元抽出によってデータ集合Ｄ'_{ｉ,Ｓ＋Ｔ}を抽出する。ここで、Ｔは対象ＥＣサイトのデータ、Ｓは他ＥＣサイトのデータを表し、Ｓ＋Ｔは両サイトのデータを合わせたものであることを意味する。すなわち、データ集合Ｄ'_{ｉ,Ｓ＋Ｔ}はＥＣサイトの商品・購買情報２０及び他ＥＣサイトの商品・購買情報２２の両方を含む。ｉはｉ個目のモデル生成に用いるデータ集合であることを表す。復元抽出とは、ある集合からランダムに要素を取り出す試行を繰り返す際、一度取り出した要素が、その後の試行において取り出される候補となるようなサンプリング法である。データ集合Ｄ'_{ｉ,Ｓ＋Ｔ}の要素数は、対象ＥＣサイトの商品・購買情報２０の集合Ｄ_Ｔと同じ要素数とする。

また、モデル生成部１２ａは、データ集合Ｄ'_{ｉ,Ｓ＋Ｔ}と対象ＥＣサイトの商品・購買情報２０の集合Ｄ_Ｔとに共通して含まれるデータの集合をＤ'_ｉ,Ｔとして抽出する。

また、モデル生成部１２ａは、抽出した二つのデータ集合Ｄ'_{ｉ,Ｓ＋Ｔ}及びＤ'_ｉ,Ｔ各々について、ＣＡＲＴアルゴリズム（参考文献「“Classification and Regression Trees”, Leo Breiman, J. H. Friedman, R. A. Olshen, and C. J. Stone., Monterey Workshop, 1984」を参照）を用いて、説明変数を商品情報、目的変数を購買情報として学習し、モデルｆ^_{ｉ,Ｓ＋Ｔ}及びｆ^_ｉ,Ｔをそれぞれ生成する。モデルｆ^_{ｉ,Ｓ＋Ｔ}及びｆ^_ｉ,Ｔは、共に商品情報を入力とし、その商品が購買されるか否かの二値情報を出力する関数となる。

モデル選択部１２ｂは、モデル生成部１２ａで生成された二つのモデルｆ^_{ｉ,Ｓ＋Ｔ}及びｆ^_ｉ,Ｔについて、対象ＥＣサイトの商品・購買情報２０の集合Ｄ_Ｔを用いて予測誤差を計算する。予測誤差は、例えば下記（１）式により計算することができる。

ここで、Ｄ及び|Ｄ|は予測に用いるデータ及びその個数であり、ｘ_ｉ及びｙ_ｉはそれぞれ説明変数及び目的変数である。Ｉ( )は引数が真であれば１を、偽であれば０を返す関数である。二つのモデルｆ^_{ｉ,Ｓ＋Ｔ}及びｆ^_ｉ,Ｔに対す予測誤差はそれぞれＥｒｒ(ｆ^_{ｉ,Ｓ＋Ｔ}，Ｄ_Ｔ) 及びＥｒｒ(ｆ^_ｉ,Ｔ，Ｄ_Ｔ)であり、この予測誤差が小さいモデルをモデルｆ^_ｉとして選択する。

なお、既存技術であるＴｒＢａｇｇ（非特許文献２）では、モデルｆ^_ｉとして、データ集合Ｄ'_{ｉ,Ｓ＋Ｔ}から学習したモデルをそのまま使うのに対し、本実施の形態では、データ集合Ｄ'_{ｉ,Ｓ＋Ｔ}だけでなくＤ'_ｉ,Ｔからもモデルを生成し、どちらのモデルの精度が良いかを判別した上で、モデルｆ^_ｉとして採用している。

購買予測モデル第１処理部１２は、モデル生成部１２ａ及びモデル選択部１２ｂでの処理をＮ回繰り返し、結果として複数の異なるモデル集合Ｆ＝{ｆ^_１，・・・，ｆ^_Ｎ}を構築し、購買予測モデル第２処理部１４へ送出する。

購買予測モデル第２処理部１４は、購買予測モデル第１処理部１２で構築されたモデル集合Ｆ＝{ｆ^_１，・・・，ｆ^_Ｎ}の各モデルを選択及び統合して、最終的な購買予測モデルＦ^＊を構築する。

具体的には、対象ＥＣサイトの商品・購買情報２０の集合Ｄ_Ｔについて、ＣＡＲＴアルゴリズムを用いることにより、モデルｆ^_０を生成し、モデル集合Ｆ＝{ｆ^_１，・・・，ｆ^_Ｎ}に追加する。モデルｆ^_０が追加されたモデル集合Ｆの全ての要素（各モデル）に対し、対象ＥＣサイトの商品・購買情報２０の集合Ｄ_Ｔに対する予測誤差を計算する。予測誤差の計算は、モデル選択部１２ｂと同様に、（１）式を用いて計算することができる。

各モデルについて予測誤差が計算されると、その予測誤差の昇順にモデル集合Ｆの要素を並べ替え、Ｆ_sort＝＜ｆ^_ｉ０，・・・，ｆ^_ｉＮ＞とする。また、ｅ、Ｆ'、及びＦ^＊を、ｅ＝Ｅｒｒ(ｆ^_ｉ０，Ｄ_Ｔ)、Ｆ'←{ｆ^_ｉ０}、及びＦ^＊←{ｆ^_ｉ０}のように初期化し、モデルｆ^_ｉｔ(ｔ＝１，・・・，Ｎ)について、Ｆ'←Ｆ'∪{ｆ^_ｉ０}とし、モデル集合Ｆ'の予測誤差ｅ'を計算する。なお、データｘに対するモデル集合Ｆ'による予測を下記（２）式により定義する。すなわち、モデル集合Ｆ'に含まれる各モデルによる予測結果として最も多く現れたものを、モデル集合Ｆ'による予測結果と定義する。

（２）式によるモデル集合Ｆ'の予測を用いて予測誤差ｅ'＝Ｅｒｒ(Ｆ'，Ｄ_Ｔ)を計算し、ｅ'≦ｅとなった場合に、Ｆ^＊←Ｆ^＊∪Ｆ'とし、また、ｅ＝ｅ'とする。この処理によって最終的な購買予測モデルに含まれるモデルが選択される。モデル集合Ｆ^＊⊆Ｆ'が学習の結果構築された最終的な購買予測モデルであり、これを購買予測部１６へ送出する。

購買予測部１６は、購買予測モデル第２処理部１４で構築された購買予測モデルＦ^＊と、予測を行いたい対象ＥＣサイトの商品情報２４の集合Ｄ_unknownを受け取り、下記（３）式により、商品情報に対応した商品の購買予測を行って、対象ＥＣサイトの購買予測２６として出力する。

図２に示すように、対象ＥＣサイトの商品情報２４のデータ構造は、商品毎の価格、その商品と同じカテゴリの商品の平均価格、・・・等の商品に関する情報を示す商品情報を含む。また、対象ＥＣサイトの購買予測２６のデータ構造は、商品が購買されるか否かを示す商品毎の購買予測を含む。

次に、図３を参照して、本実施の形態の購買予測装置１０において実行される購買予測処理ルーチンについて説明する。

ステップ１００で、対象ＥＣサイトの商品・購買情報２０の集合Ｄ_Ｔ、及び他ＥＣサイトの商品・購買情報２２の集合Ｄ_Ｓを取得する。

次に、ステップ２００で、購買予測モデル構築に関する第１処理を実行する。ここで、図４を参照して、購買予測モデル構築に関する第１処理ルーチンについて説明する。

ステップ２０２で、変数ｉに０をセットし、次に、ステップ２０４で、変数ｉを１インクリメントする。次に、ステップ２０６で、ｉ個目のモデル生成に用いるデータ集合として、上記ステップ１００で取得した対象ＥＣサイトの商品・購買情報２０の集合Ｄ_Ｔ、及び他ＥＣサイトの商品・購買情報２２の集合Ｄ_Ｓから、復元抽出によってデータ集合Ｄ'_{ｉ,Ｓ＋Ｔ}を抽出する。また、データ集合Ｄ'_{ｉ,Ｓ＋Ｔ}と対象ＥＣサイトの商品・購買情報２０の集合Ｄ_Ｔとに共通して含まれるデータの集合をＤ'_ｉ,Ｔとして抽出する。

次に、ステップ２０８で、上記ステップ２０６で抽出された二つのデータ集合Ｄ'_{ｉ,Ｓ＋Ｔ}及びＤ'_ｉ,Ｔ各々について、ＣＡＲＴアルゴリズムを用いて、説明変数を商品情報、目的変数を購買情報として学習し、モデルｆ^_{ｉ,Ｓ＋Ｔ}及びｆ^_ｉ,Ｔをそれぞれ生成する。

次に、ステップ２１０で、上記ステップ２０８で生成された二つのモデルｆ^_{ｉ,Ｓ＋Ｔ}及びｆ^_ｉ,Ｔについて、対象ＥＣサイトの商品・購買情報２０の集合Ｄ_Ｔを用いて、（１）式により予測誤差Ｅｒｒ(ｆ^_{ｉ,Ｓ＋Ｔ}，Ｄ_Ｔ) 及びＥｒｒ(ｆ^_ｉ,Ｔ，Ｄ_Ｔ)を計算する。

次に、ステップ２１２で、上記ステップ２１０で計算された予測誤差Ｅｒｒ(ｆ^_{ｉ,Ｓ＋Ｔ}，Ｄ_Ｔ) が予測誤差Ｅｒｒ(ｆ^_ｉ,Ｔ，Ｄ_Ｔ)より小さいか否かを判定する。Ｅｒｒ(ｆ^_{ｉ,Ｓ＋Ｔ}，Ｄ_Ｔ)＜Ｅｒｒ(ｆ^_ｉ,Ｔ，Ｄ_Ｔ)の場合は、対象ＥＣサイトの商品・購買情報２０の集合Ｄ_Ｔ、及び他ＥＣサイトの商品・購買情報２２の集合Ｄ_Ｓの両方を用いて学習されたモデルｆ^_{ｉ,Ｓ＋Ｔ}の方が、データ集合Ｄ_Ｔのみで学習されたモデルｆ^_ｉ,Ｔより精度が良いことを示しているため、ステップ２１４へ移行して、モデルｆ^_{ｉ,Ｓ＋Ｔ}をモデルｆ^_ｉとして選択する。一方、Ｅｒｒ(ｆ^_{ｉ,Ｓ＋Ｔ}，Ｄ_Ｔ)＞Ｅｒｒ(ｆ^_ｉ,Ｔ，Ｄ_Ｔ)の場合は、モデルｆ^_ｉ,Ｔの方がモデルｆ^_{ｉ, Ｓ＋Ｔ}より精度が良いことを示しているため、ステップ２１６へ移行して、モデルｆ^_ｉ,Ｔをモデルｆ^_ｉとして選択する。

次に、ステップ２１８で、変数ｉが予め定めた所定数Ｎとなったか否かを判定する。ｉが所定数Ｎに到達していない場合には、ステップ２０４へ戻り、処理を繰り返す。ｉ＝Ｎとなった場合には、ステップ２２０へ移行して、上記ステップ２１４または２１６で選択された複数の異なるモデルｆ^_ｉにより、モデル集合Ｆ＝{ｆ^_１，・・・，ｆ^_Ｎ}を構築し、後段の処理へ送出し、購買予測処理ルーチンへリターンする。

次に、ステップ３００で、購買予測モデル構築に関する第２処理を実行する。ここで、図５を参照して、購買予測モデル構築に関する第２処理ルーチンについて説明する。

ステップ３０２で、対象ＥＣサイトの商品・購買情報２０の集合Ｄ_Ｔについて、ＣＡＲＴアルゴリズムを用いることにより、モデルｆ^_０を生成し、モデル集合Ｆ＝{ｆ^_１，・・・，ｆ^_Ｎ}に追加する。

次に、ステップ３０４で、モデル集合Ｆの全ての要素（各モデル）に対し、対象ＥＣサイトの商品・購買情報２０の集合Ｄ_Ｔに対する予測誤差を（１）式を用いて計算する。そして、予測誤差の昇順にモデル集合Ｆの要素を並び替え、Ｆ_sort＝＜ｆ^_ｉ０，・・・，ｆ^_ｉＮ＞とする。

次に、ステップ３０６で、ｅ、Ｆ'、及びＦ^＊を、ｅ＝Ｅｒｒ(ｆ^_ｉ０，Ｄ_Ｔ)、Ｆ'←{ｆ^_ｉ０}、及びＦ^＊←{ｆ^_ｉ０}のように初期化する。

次に、ステップ３０８で、変数ｔに０をセットし、次に、ステップ３１０で、変数ｔを１インクリメントする。次に、ステップ３１２で、モデルｆ^_ｉｔ(ｔ＝１，・・・，Ｎ)について、Ｆ'←Ｆ'∪{ｆ^_ｉ０}とし、モデル集合Ｆ'による予測結果を（２）式で定義した上で、モデル集合Ｆ'の予測誤差ｅ'を計算する。

次に、ステップ３１４で、上記ステップ３１２で計算されたモデル集合Ｆ'の予測誤差ｅ'が、現在のモデル集合Ｆ^＊の予測誤差ｅ以下か否かを判定する。ｅ'≦ｅの場合には、モデルｆ^_ｉｔをモデル集合Ｆ'に追加した方が精度が良いことを示しているため、ステップ３１６へ移行して、Ｆ^＊←Ｆ^＊∪Ｆ'とし、また、ｅ＝ｅ'とする。一方、ｅ'＞ｅの場合は、モデルｆ^_ｉｔをモデル集合Ｆ'に追加しても精度が向上しないことを示しているため、モデルｆ^_ｉｔをモデル集合Ｆ'に追加することなく、ステップ３１０へ戻る。

次に、ステップ３１８で、変数ｔがＮとなったか否かを判定することにより、モデル集合Ｆに含まれる全てのモデルについて処理が終了したか否かを判定する。未処理のモデルｆ^_ｉｔが存在する場合には、ステップ３１０へ戻り、処理を繰り返す。ｉ＝Ｎとなった場合には、ステップ３２０へ移行して、上記ステップ３１６で更新された現在のモデル集合Ｆ^＊を最終的な購買予測モデルとして後段の処理へ送出し、購買予測処理ルーチンへリターンする。

次に、ステップ４００で、予測を行いたい対象ＥＣサイトの商品情報２４の集合Ｄ_unknownを取得する。次に、ステップ５００で、上記ステップ３２０で送出された購買予測モデルＦ^＊と、上記ステップ４００で取得した対象ＥＣサイトの商品情報２４の集合Ｄ_unknownとを用いて、（３）式により、商品情報に対応した商品の購買予測を行って、対象ＥＣサイトの購買予測２６として出力し、購買予測処理を終了する。

ここで、本実施の形態の有効性を実験で示す。ここでは、ＥＣサイト４サイトの購買ログ（商品情報及び購買情報）を用いて実験を行った。データ数はそれぞれＡサイト４３０４件、Ｂサイト１４４４２件、Ｃサイト４７５６件、Ｄサイト４７００件である。本実験では、データ数が最も多いＢサイトを対象ＥＣサイトとする予測は行わず、Ａ、Ｃ、Ｄサイトそれぞれを対象ＥＣサイトとして、各サイトの商品について購買予測を行った。

予測の際には、予測対象であるＥＣサイト以外のＥＣサイトのデータについて、取りうる全ての組み合わせでデータを結合し、他ＥＣサイトの商品・購買情報２２として利用した。具体的にはサイトＡを対象ＥＣサイトとして予測を行う場合には、他ＥＣサイトの商品・購買情報２２として、Ｂサイト、Ｃサイト、Ｄサイト、ＢサイトとＣサイト、ＢサイトとＤサイト、ＣサイトとＤサイト、ＢサイトとＣサイトとＤサイトをそれぞれ結合したものの計７データを利用した。また、対象ＥＣサイトの商品・購買情報２０の件数を１／１、１／２、１／４、１／８、１／１６、１／３２と削減することによって性能劣化への影響を確認した。よって、１サイトあたり４２件の購買予測モデルが得られた。

図６〜８は、サイトＡ、Ｃ、及びＤ各々を対象ＥＣサイトとした場合における、本実施の形態の購買予測装置と、非特許文献１で挙げられた既存手法とについて、上述の４２モデルを生成し、精度比較を行った結果である。対象ＥＣサイトをサイトＣとした場合において、既存手法と比較して本実施の形態の精度が９モデルにおいて劣化しているものの、１９モデルで精度が改善している。サイトＡ及びサイトＤ各々を対象ＥＣサイトとした場合における予測では精度がそれぞれ２８モデル、２５モデルで改善し、精度の劣化は生じなかった。

以上説明したように、本実施の形態の購買予測装置によれば、対象ＥＣサイトのデータと他ＥＣサイトのデータとを用いて学習されたモデルが、対象ＥＣサイトのデータのみで学習されたモデルよりも精度が悪い場合には、そのモデルを棄却するため、精度向上につながる他ＥＣサイトのデータのみを利用することができ、他ＥＣサイトのデータを用いた場合でも、対象ＥＣサイトの商品の購買予測の精度を向上させることができる。

なお、上述の購買予測装置は、内部にコンピュータシステムを有しているが、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。

また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能である。

１０ 購買予測装置
１２ 購買予測モデル第１処理部
１２ａ モデル生成部
１２ｂ モデル選択部
１４ 購買予測モデル第２処理部
１６ 購買予測部
２０ 対象ＥＣサイトの商品・購買情報
２２ 他ＥＣサイトの商品・購買情報
２４ 対象ＥＣサイトの商品情報
２６ 対象ＥＣサイトの購買予測

Claims (3)

1. 商品に関する情報を示す商品情報及び該商品が購買されたか否かを示す購買情報を含み、かつ購買予測の対象となる商品を取り扱う対象サイトから収集された対象サイトのデータ集合と、前記商品情報及び前記購買情報を含み、かつ前記対象サイトとは異なる他のサイトから収集された他サイトのデータ集合とを取得する取得手段と、
   前記取得手段により取得された前記対象サイトのデータ集合及び前記他サイトのデータ集合の両方を含むように第１のデータ集合を抽出し、該第１のデータ集合と前記対象サイトのデータ集合とに共通して含まれる第２のデータ集合を抽出し、前記第１のデータ集合から前記商品に対する購買予測を行うための第１モデルを学習すると共に、前記第２のデータ集合から前記商品に対する購買予測を行うための第２モデルを学習し、前記第１のデータ集合および第２のデータ集合の抽出を複数回繰り返すことにより、前記第１モデルと前記第２モデルとの組を複数生成する生成手段と、
   前記生成手段により生成された前記第１モデルと前記第２モデルとの組の各組について、前記第１モデル及び前記第２モデル各々に前記対象サイトデータを適用した場合の予測誤差が小さいモデルを選択する選択手段と、
   前記選択手段により選択された複数のモデル各々に前記対象サイトデータを適用した場合の予測誤差に基づいて、前記複数のモデルを選択及び統合した購買予測モデルを構築する構築手段と、
   前記構築手段により構築された前記購買予測モデルに、前記購買予測の対象となる商品の商品情報を適用して、前記対象となる商品が購買されるか否かを予測する予測手段と、
   を含む購買予測装置。
2. 取得手段と、生成手段と、選択手段と、構築手段と、予測手段とを含む購買予測装置における購買予測方法であって、
   前記取得手段は、商品に関する情報を示す商品情報及び該商品が購買されたか否かを示す購買情報を含み、かつ購買予測の対象となる商品を取り扱う対象サイトから収集された対象サイトのデータ集合と、前記商品情報及び前記購買情報を含み、かつ前記対象サイトとは異なる他のサイトから収集された他サイトのデータ集合とを取得する取得手段と、
   前記生成手段は、前記取得手段により取得された前記対象サイトのデータ集合及び前記他サイトのデータ集合の両方を含むように第１のデータ集合を抽出し、該第１のデータ集合と前記対象サイトのデータ集合とに共通して含まれる第２のデータ集合を抽出し、前記第１のデータ集合から前記商品に対する購買予測を行うための第１モデルを学習すると共に、前記第２のデータ集合から前記商品に対する購買予測を行うための第２モデルを学習し、前記第１のデータ集合および第２のデータ集合の抽出を複数回繰り返すことにより、前記第１モデルと前記第２モデルとの組を複数生成する生成手段と、
   前記選択手段は、前記生成手段により生成された前記第１モデルと前記第２モデルとの組の各組について、前記第１モデル及び前記第２モデル各々に前記対象サイトデータを適用した場合の予測誤差が小さいモデルを選択し、
   前記構築手段は、前記選択手段により選択された複数のモデル各々に前記対象サイトデータを適用した場合の予測誤差に基づいて、前記複数のモデルを選択及び統合した購買予測モデルを構築し、
   前記予測手段は、前記構築手段により構築された前記購買予測モデルに、前記購買予測の対象となる商品の商品情報を適用して、前記対象となる商品が購買されるか否かを予測する
   購買予測方法。
3. コンピュータを、請求項１記載の購買予測装置を構成する各手段として機能させるための購買予測プログラム。
   
   

Images