重み付き完全グラフを利用した異ジャンル間の嗜好傾向表現と
レコメンデーションシステムの発見性向上への応用
筑波大学 大学院システム情報工学研究科 知能機能システム専攻
杉本 拓弥
はじめに
1
ンルを新しく定義し直し，関連性のある商品グループ
近年，利便性や品揃えの豊富さなどを強みとする， に同一のジャンルを付与する．
インターネットショッピングが広く普及している．こ
のようなショッピングサイトでは，ユーザが膨大な商
品情報の中から目的の商品を発見しやすくするための
推薦システムが実装されており，推薦作成の際によく
用いられている手法に協調フィルタリングがある．こ
れは各ユーザの嗜好情報に基づいてユーザの類似度を
算出し，これを用いてユーザにとって未知のアイテム
に対する予測評価値を推定することで，ユーザに正確
な推薦を行うことができる．しかし，協調フィルタリ
ングを用いた推薦では，ユーザの嗜好情報といったプ
ロファイルが必要となり，ユーザの負担が大きい．ま
た，推薦結果が同一ジャンルに偏ってしまうという問
題点がある．
2.2
クラスタリングによるジャンル作成
複数のデータを分類するクラスタリング手法として
広く用いられているものに k-means 法がある．本研究
では，k-means 法を拡張した k-medoids 法を用いてク
ラスタリングを行い，得られたクラスタをジャンルと
して定義する．k-means 法と k-medoids 法の最も大き
な違いは，用いる最適化指標及びセントロイドにある．
k-means 法ではセントロイドが各クラスタを代表する
のに対して，k-medoids 法では medoid がクラスタを
代表する．medoid は自分が属するクラスタ内の自分
と他のデータ点との非類似度の総和を最小にするよう
決定する．そのため次元 p の異なる複数のデータに対
しても，全てに共通した方法で各点間の非類似度を定
本研究では，従来の推薦情報に加えて，ユーザが新
義することによってクラスタリングを行うことができ
しい嗜好を発見できるような推薦情報を提示するシス
る．本研究では，k-medoids 法を用いて商品を k 個の
テムを提案する．
クラスタにわけ，それぞれジャンル {G1 , G2 , . . . , Gk }
2
2.1
提案システム
ジャンル定義
Amazon のジャンル構造は「本」や「DVD」といっ
た大きなジャンルから「あ行の著者」，
「日本文学」など
の小さなジャンルを階層的に並べたグラフ構造を有し
ており，使用されるメディアによって付与されるジャン
ルが異なる．しかし Amazon の取扱商品には，映画作
品のサウンドトラック CD など，商品とメディアの異
なるその関連商品が少なからず存在する．Amazon の
として定義する．medoid はクラスタリング対象とな
るデータ点の 1 つであり，各データ点は自分と最も非
類似度の小さい medoid が代表するクラスタに属する
ことになる．本研究では，これら k 個のクラスタを重
みつき完全グラフのノードに対応させ，ジャンル同士
の関連度を表現する．
2.3
出現頻度・逆文書頻度に基づくジャンル名抽出
と関連度定義
本研究ではジャンル同士の関連度を定義するために，
定義するジャンルをそのまま用いた場合，それらの商
各ジャンルにおける代表的な Browse Node を複数決定
品が別のジャンルの商品として推薦情報に入れられる
し，それをジャンルのタグとする．タグとなる Browse
可能性があるが，それらは同一作品に関連していると
考えられる．そこでメディアは異なるが，作品に関連
Node は自らが属するジャンルを良く表現したものでな
ければならない．そこでジャンルを文書，Browse Node
ID を単語として，各 Browse Node の tf-idf 値を算出
性のある商品を同一ジャンルの商品として扱い，異な
することで，代表となる Browse Node を決定する手
いうことから，既にユーザに良く知られていることが
るジャンルの商品から推薦情報を作成する．そのため， 法を提案する．算出された tf-idf 値の高い上位数個の
Amazon が商品に付与するジャンル名である Browse
Node とその個別番号 Browse Node ID を利用してジャ
Browse Node をそのジャンルのタグとする．BNIDi の
tf ，及び idf はジャンルを g ，総ジャンル数を |D| と
してそれぞれ以下のように定義する．ni,g はジャンル
5. ランキング上位のジャンルから商品をピックアップして
推薦
g 内の BNIDi の総数であり，|{d : d∋ti }| は BNIDi を
含むジャンルの数である．
ni,g
tfi,g = ∑
k nk,g
idfi = log2
|D|
|{d : d∋BN IDi }|
(1)
(2)
付与されたタグについて Google Search REST API
を用いて AND 検索を行い，そのヒット件数の合計を
ジャンル同士の関連度とする．ジャンル Ga と Gb の関
連度定義のプロセスは以下のようになる．
1. ジャンル内の Browse Node ID について tf-idf 値を算出
2. tf-idf 値の高い上位数個をジャンルのタグとして定義
3. Ga と Gb がもつタグから 2 つを選択する全ての組み合
わせで Google Search REST API を用いて AND 検索
4. （iv）のヒット数を全て合計し関連度を算出
2.4
重みつき完全グラフの構成
図 1: 重みつき完全グラフの構成
本研究では，重みつき完全グラフの性質を利用して
異ジャンル間の嗜好傾向を表現する．この時グラフの
ノードはクラスタリングによって作成したジャンル G1
∼Gk とし，2.3 節の手法で算出した関連度を重みとし
てエッジを引くことでグラフを構成する．重み付き完
全グラフを用いることで，各ジャンルについて，他の
全てのジャンルとの関係を表現することができるため，
ユーザがどのジャンルの商品を検索しても推薦情報を
作成することが可能となる．
2.5
ジャンルネットワークレコメンデーションシス
テム
提案システムの推薦対象商品は Amazon.co.jp の「最
もほしい物リストに追加された商品」のうち，books，
computers，dvd，music，musical-instruments，
videogames の 6 カテゴリに含まれるものであり，各
図 2: 提案システムによる商品推薦の流れ
カテゴリにつき 100 件ずつ，計 600 件から推薦され
る．このリストは一日一回更新されるため，提案シス
テムは毎日定時に Amazon から情報を取得する．この
時取得する情報は商品の ID（ASIN）と Browse Node
3
おわりに
ID である．必要な情報を取得した後，クラスタリン
ジャンルという大きな視点から発見性の高い推薦を
グと関連度計算を行い，重みつき完全グラフを構成す
作成するため，k-medoids 法および出現頻度・逆文書頻
る（図 1）．
提案システムを用いた推薦の流れは以下の通りであ
る．
（図 2）
度に基づくジャンル名抽出と関連度定義により異ジャ
1. ユーザによる商品検索
2. 検索商品の ASIN，BNID を取得
3. 検索商品の完全グラフ上でのジャンル同定
4. 検索商品のジャンルと関連度の高いジャンルを選出，ラ
ンキング化
た．今後は主観評価実験によって提案システムがユー
ンル間の嗜好傾向を表現した．また，これを利用して従
来の推薦システムを補助するようなシステムを提案し
ザに発見性の高い推薦を提示できることを確認する．