评价预测设备、评价预测方法和程序技术

这里公开了一种评价预测设备、评价预测方法和程序。评价预测设备包括：估计部分，被配置为定义多个第一潜在向量、多个第二潜在向量、评价值、多个第一特征向量、多个第二特征向量、第一投影矩阵以及第二投影矩阵，表示第一潜在向量和第二潜在向量，并使用第一特征向量、第二特征向量和已知的评价值作为学习数据进行贝叶斯估计，并且计算包括第一潜在向量、第二潜在向量、第一投影矩阵和第二投影矩阵的参数组的后验分布；以及预测部，被配置为基于参数组的后验分布，计算未知的评价值的分布。

【技术实现步骤摘要】

本公开涉及一种评价预测设备、评价预测方法和程序。
技术介绍
近来，要将大量信息经由更宽带的网络提供给用户。因此，对于一部分用户来说， 在提供的大量信息中搜索用户寻找的信息变得困难。另一方面，从信息提供侧的观点，期望提供给用户的信息埋藏在大量信息中，用户难以细读该信息。为了补救这种情形，在设计从大量信息中准确地提取用户偏好的信息并且将该信息提供给用户的机制方面有了进展。作为从大量信息中提取用户偏好的信息的机制，例如已知称为协同过滤和基于内容的过滤的过滤方法。另外，存在多种协同过滤，包括基于用户的协同过滤、基于项目的协同过滤、基于矩阵分解的协同过滤(参见Ruslan Salakhutdinov和Andriy Mnih, Probabilistic Matrix Factorization,，，in Advances in Neural Information Processing Systems, volume 20，2008，下文中称为非专利文献1)等。另一方面，存在多种基于内容的过滤，包括基于用户的基于内容的过滤、基于项目的基于内容的过滤等。基于用户的协同过滤是检测具有与特定用户A的偏好类似的偏好的用户B，并且基于由用户B针对特定项目组进行的评价提取用户A喜爱的项目的方法。例如，当用户B 有利地评价项目X时，预期用户A也喜爱项目X。基于该预期，可以提取项目X作为用户A 喜爱的信息。附带地，基于矩阵分解的协同过滤是将基于用户的协同过滤和基于项目的协同过滤的特征组合的方法。对于基于矩阵分解的协同过滤的细节，参考非专利文献1。另外，基于项目的协同过滤是检测具有与特定项目A的特征类似的特征的项目B， 并且基于特定用户组针对项目B进行的评价提取具有对项目A的喜爱的用户的方法。例如， 当用户X有利地评价项目B时，预期用户X也喜爱项目A。基于该预期，可以提取用户X作为具有对项目A的喜爱的用户。另外，基于用户的基于内容的过滤例如是当存在用户A喜爱的项目组时，基于项目组的特征分析用户A的偏好，并且提取具有适合于用户A的偏好的特征的新项目的方法。 基于项目的基于内容的过滤例如是当存在具有对项目A的喜爱的用户组时，基于用户组的偏好分析项目A的特征，并且提取具有对项目A的特征的喜爱的新用户的方法。
技术实现思路
当使用如上所述的过滤方法时，可以从大量信息中提取用户喜爱的信息。用户可以从仅缩减到用户喜爱的信息的信息组中提取期望的信息，从而大大改善了信息可搜索性。此外，从信息提供侧的观点，可以准确地提供用户喜爱的信息，从而可以实现有效的信息提供。然而，当过滤的准确度低时，不正确地进行信息组到用户喜爱的信息的缩减，并且不获得可搜索性的改善和有效的信息提供的效果。因此，期望有具有高准确度的过滤方法。已知上述协同过滤在少量用户或者少量项目的条件下具有低准确度。另一方面， 已知基于内容的过滤在大量用户和大量项目的条件下具有比协同过滤低的准确度。另外，已知除非很好地选择了表示用户组或者项目组的特性的各种特征，否则基于内容的过滤具有低准确度。相应地，鉴于上述问题做出了本公开。期望提供一种可以实现更准确的过滤的新的改进的评价预测设备、评价预测方法和程序。根据本公开的观点，提供了一种评价预测设备，包括估计部分，被配置为定义多个第一潜在向量，多个第一潜在向量指示分别由多个第一项目潜在地拥有的特征，多个第二潜在向量，多个第二潜在向量指示分别由多个第二项目潜在地拥有的特征，与第一项目和第二项目的各个组合相对应的评价值，评价值由第一潜在向量和第二潜在向量的内积表示，多个第一特征向量，多个第一特征向量指示由多个第一项目拥有的已知特征，多个第二特征向量，多个第二特征向量指示由多个第二项目拥有的已知特征，第一投影矩阵，用于将第一特征向量投影到第一潜在向量的空间中，以及第二投影矩阵，用于将第二特征向量投影到第二潜在向量的空间中，用正态分布表示第一潜在向量，该正态分布以通过第一投影矩阵投影的第一特征向量的投影值作为预期值，并且用正态分布表示第二潜在向量，该正态分布以通过第二投影矩阵投影的第二特征向量的投影值作为预期值，以及使用第一特征向量、第二特征向量和已知的评价值作为学习数据进行贝叶斯估计，并且计算包括第一潜在向量、第二潜在向量、第一投影矩阵和第二投影矩阵的参数组的后验分布；以及预测部分，被配置为基于参数组的后验分布，计算未知的评价值的分布。另外，预测部分可以被配置为基于参数组的后验分布计算未知的评价值的预期值。另外，上述评价预测设备还可以包括推荐对象确定部分，被配置为当由预测部分计算的未知的评价值的预期值高于预定值时，将与未知的评价值相对应的第二项目确定为与未知的评价值相对应的第一项目的推荐对象。另外，第二项目可以代表用户。在这种情况下，上述评价预测设备还可以包括推荐部分，被配置为当推荐对象确定部分确定第一项目的推荐对象时，向与第一项目的推荐对象相对应的用户推荐第一项目。根据本公开的另一观点，提供了一种评价预测设备，包括估计部分，被配置为定义N个第一潜在向量Ui (t) (i = 1.....N), N个第一潜在向量指示在时间t分别由N个第一项目潜在地拥有的特征，M个第二潜在向量、(0 (j = 1.....M)，M个第二潜在向量指示在时间t分别由M个第二项目潜在地拥有的特征，与第一项目和第二项目的各个组合相对应的评价值yij(t)，评价值由时间t处的第一潜在向量Ui(t)和第二潜在向量Vj(t)的内积表示，第一投影矩阵，用于将时间(t-Ι)处的第一潜在向量Ui (t-1)投影到时间t处的第一潜在向量Ui (t)的空间中，以及第二投影矩阵，用于将时间(t-Ι)处的第二潜在向量Vj(t-1) 投影到时间t处的第二潜在向量Vj(t)的空间中，用正态分布表示在时间t处的第一潜在向量Ui(t)，该正态分布以通过用第一投影矩阵投影在时间(t-Ι)处的第一潜在向量Ui (t-1) 而获得的投影值作为预期值，并且用正态分布表示在时间t处的第二潜在向量Vj(t)，该正态分布以通过用第二投影矩阵投影在时间(t-Ι)处的第二潜在向量Vj(t-1)而获得的投影值作为预期值，以及使用在时间(t-Ι)处的第一潜在向量Ui (t-1)、第二潜在向量Vj (t-1)和评价值YijU-I)作为学习数据进行贝叶斯估计，并且计算包括在时间t处的第一潜在向量 Ui (t)、第二潜在向量Vj (t)、第一投影矩阵和第二投影矩阵的参数组的后验分布；以及预测部分，被配置为基于在时间t处的参数组的后验分布，计算在时间t处的评价值(t)的预期值。另外，预测部分可以被配置为基于在时间t处的参数组的后验分布，计算在时间t 处的第一潜在向量ujt)的预期值、第二潜在向量Vj(t)的预期值和评价值yij(t)，估计部分可以被配置为用正态分布表示在时间(t+Ι)处的第一潜在向量Ui(t+1)，该正态分布以通过用第一投影矩阵投影在时间t处的第一潜在向量Ui (t)的预期值而获得的投影值作为预期值，并且用正态分布表示在时间(t+Ι)处的第二潜在向量Vj(t+1)，该正态分布以通过用第二投影矩阵投影在时间t处的第二潜在向量Vj(t)的预期值而获得的投影值作为预期值，以及使用在时间t处的第一潜在向量Ui (t本文档来自技高网...

【技术保护点】
１．一种评价预测设备，包括：估计部分，被配置为定义多个第一潜在向量，所述多个第一潜在向量指示分别由多个第一项目潜在地拥有的特征，多个第二潜在向量，所述多个第二潜在向量指示分别由多个第二项目潜在地拥有的特征，与所述第一项目和所述第二项目的各个组合相对应的评价值，所述评价值由所述第一潜在向量和所述第二潜在向量的内积表示，多个第一特征向量，所述多个第一特征向量指示由多个所述第一项目拥有的已知特征，多个第二特征向量，所述多个第二特征向量指示由多个所述第二项目拥有的已知特征，第一投影矩阵，用于将所述第一特征向量投影到所述第一潜在向量的空间中，以及第二投影矩阵，用于将所述第二特征向量投影到所述第二潜在向量的空间中，用正态分布表示所述第一潜在向量，该正态分布以通过所述第一投影矩阵投影的所述第一特征向量的投影值作为预期值，并且用正态分布表示所述第二潜在向量，该正态分布以通过所述第二投影矩阵投影的所述第二特征向量的投影值作为预期值，以及使用所述第一特征向量、所述第二特征向量和已知的所述评价值作为学习数据进行贝叶斯估计，并且计算包括所述第一潜在向量、所述第二潜在向量、所述第一投影矩阵和所述第二投影矩阵的参数组的后验分布；以及预测部分，被配置为基于所述参数组的后验分布，计算未知的所述评价值的分布。...

【技术特征摘要】
2010.05.31 JP 2010-1241651.一种评价预测设备，包括 估计部分，被配置为定义多个第一潜在向量，所述多个第一潜在向量指示分别由多个第一项目潜在地拥有的特征，多个第二潜在向量，所述多个第二潜在向量指示分别由多个第二项目潜在地拥有的特征，与所述第一项目和所述第二项目的各个组合相对应的评价值，所述评价值由所述第一潜在向量和所述第二潜在向量的内积表示，多个第一特征向量，所述多个第一特征向量指示由多个所述第一项目拥有的已知特征，多个第二特征向量，所述多个第二特征向量指示由多个所述第二项目拥有的已知特征，第一投影矩阵，用于将所述第一特征向量投影到所述第一潜在向量的空间中，以及第二投影矩阵，用于将所述第二特征向量投影到所述第二潜在向量的空间中， 用正态分布表示所述第一潜在向量，该正态分布以通过所述第一投影矩阵投影的所述第一特征向量的投影值作为预期值，并且用正态分布表示所述第二潜在向量，该正态分布以通过所述第二投影矩阵投影的所述第二特征向量的投影值作为预期值，以及使用所述第一特征向量、所述第二特征向量和已知的所述评价值作为学习数据进行贝叶斯估计，并且计算包括所述第一潜在向量、所述第二潜在向量、所述第一投影矩阵和所述第二投影矩阵的参数组的后验分布；以及预测部分，被配置为基于所述参数组的后验分布，计算未知的所述评价值的分布。2.根据权利要求1所述的评价预测设备，其中，所述预测部分基于所述参数组的后验分布计算所述未知的评价值的预期值。3.根据权利要求2所述的评价预测设备，还包括推荐对象确定部分，被配置为当由所述预测部分计算的所述未知的评价值的预期值高于预定值时，将与所述未知的评价值相对应的第二项目确定为与所述未知的评价值相对应的第一项目的推荐对象。4.根据权利要求3所述的评价预测设备，其中，所述第二项目代表用户，并且所述评价预测设备还包括推荐部分，被配置为当所述推荐对象确定部分确定所述第一项目的推荐对象时，向与所述第一项目的推荐对象相对应的用户推荐所述第一项目。5.一种评价预测设备，包括 估计部分，被配置为定义N个第一潜在向量Ui (t) (i = 1.....N)，所述N个第一潜在向量指示在时间t分别由N个第一项目潜在地拥有的特征，M个第二潜在向量Vj(t) (j = 1.....M)，所述M个第二潜在向量指示在时间t分别由M个第二项目潜在地拥有的特征，与所述第一项目和所述第二项目的各个组合相对应的评价值yu(t)，所述评价值由时间t处的所述第一潜在向量Ui (t)和所述第二潜在向量Vj (t)的内积表示，第一投影矩阵，用于将时间(t-Ι)处的第一潜在向量Ui (t-1)投影到时间t处的所述第一潜在向量Ui (t)的空间中，以及第二投影矩阵，用于将时间(t-Ι)处的第二潜在向量\ (t-1)投影到时间t处的所述第二潜在向量Vj(t)的空间中，用正态分布表示在时间t处的第一潜在向量Ui (t)，该正态分布以通过用所述第一投影矩阵投影在时间(t-Ι)处的第一潜在向量Ui (t-1)而获得的投影值作为预期值，并且用正态分布表示在时间t处的第二潜在向量Vj (t)，该正态分布以通过用所述第二投影矩阵投影在时间(t-Ι)处的第二潜在向量Vj (t-1)而获得的投影值作为预期值，以及使用在时间(t-i)处的第一潜在向量Ui(t-1)、第二潜在向量Vj(t-1)和评价值 Yij (t-Ι)作为学习数据进行贝叶斯估计，并且计算包括在时间t处的第一潜在向量Ui (t)、 第二潜在向量\ (t)、所述第一投影矩阵和所述第二投影矩阵的参数组的后验分布；以及预测部分，被配置为基于在时间t处的所述参数组的后验分布，计算在时间t处的评价 it Yij (t)的预期值。6.根据权利要求5所述的评价预测设备，其中，所述预测部分基于在所述时间t处的参数组的后验分布，计算在时间t处的第一潜在向量udt)的预期值、第二潜在向量Vj (t)的预期值和评价值yij(t)，所述估计部分用正态分布表示在时间(t+Ι)处的第一潜在向量Ui (t+1)，该正态分布以通过用所述第一投影矩阵投影在时间t处的第一潜在向量Ui (t)的预期值而获得的投影值作为预期值，并且用正态分布表示在时间(t+Ι)处的第二潜在向量Vj(t+1)，该正态分布以通过用所述第二投影矩阵投影在时间t处的第二潜在向量Vj(t)的预期值而获得的投影值作为预期值，以及使用在时间t处的第一潜在向量Ui(t)、第二潜在向量Vj(t)和评价值yij(t)作为学习数据进行变分贝叶斯估计，并且计算包括在时间(t+Ι)处的第一潜在向量Ui (t+1)、第二潜在向量Vj (t+Ι)、所述第一投影矩阵和所述第二投影矩阵的参数组的后验分布，以及所述预测部分基于在时间(t+Ι)处的所述参数组的后验分布，计算在时间(t+Ι)处的评价值(t+l)的预期值。7.根据权利要求6所述的评价预测设备，还包括推荐对象确定部分，被配置为当由所述预测部分计算的评价值yu(t+l)的预期值高于预定值时，将与所述评价值(t+Ι)相对应的第二项目确定为与所述评价值(t+1)相对应的第一项目的推荐对象。8.根据权利要求7所述的评价预测设备，其中，所述第二项目代表用户，并且所述评价预测设备还包括推荐部分，被配置为当所述推荐对象确定部分确定第一项目的推荐对象时，向与所述第一项目的推荐对象相对应的用户推荐所述第一项目。9.一种评价预测方法，包括 定义多个第一潜在向量，所述多个第一潜在向量指示分别由多个第一项目潜在地拥有的特征，多个第二潜在向量，所述多个第二潜在向量指示分别由多个第二项目潜在地拥有的特征，与所述第...

【专利技术属性】
技术研发人员：关野正志，
申请(专利权)人：索尼公司，
类型：发明
国别省市：JP