DEIM Forum 2016 F / [1] ht

Size: px

Start display at page:

Download "DEIM Forum 2016 F / [1] ht"

かおりいさし
5 years ago
Views:

1 DEIM Forum 2016 F / [1] 1http:// 2http:// 3http://tabelog.com/ 4http:// 2 3 UI [2] [3] [4] [5]

図2 図 1 推薦店舗の情報の表示方法変更する店舗と推薦される店舗ザがメニューを決定する手法を提案しているこれは Support Vector Machine を用いることで正負両方の選択を考慮しユーザの興味の推定を行っている本研究とはユーザが選択した店

みを学習しながら飲食店を推薦するシステムを提案している布目ら [7] は不動産物件の選択の際の漠然とした嗜好を推定する手法を提案しているこれは数値の属性である広さや階数といった間取りの要素へ重みづけを行いユーザの嗜好の推定を図 3 システム構成行っている

似しているがユーザの嗜好を特定するまでには至っていない四方ら [9] は EC サイトでの洋服の推薦を想定初回アクセス時にコンジョイント分析を用い重視属性を把握し推薦する手法を提案している本研究との違いは初回時にユーザの重

本研究と異なる点はテキスト属性に対して考慮されているが商品の価格などの数値属性に対して考慮されていない 3.

本稿でのカテゴリとは中華や和食居酒屋といった料理ジャンルのことを示し平均予算はその店舗で使われた平均の金額をいうユーザは提示された情報のうち主にカテゴリ平均予算により飲食店を決定すると考えられるそこで各カテゴリと各平均予算に対して重みづけを行い

2 図2 図 1 推薦店舗の情報の表示方法変更する店舗と推薦される店舗ザがメニューを決定する手法を提案しているこれは Support Vector Machine を用いることで正負両方の選択を考慮しユーザの興味の推定を行っている本研究とはユーザが選択した店舗の属性のみに注目しておりユーザの振る舞いからユーザの嗜好を推定するには至っていない阪本ら [6] は複数のエージェントが飲食店を推薦しそれに対するユーザの Good か NoGood の評価によって各属性の重みを学習しながら飲食店を推薦するシステムを提案している布目ら [7] は不動産物件の選択の際の漠然とした嗜好を推定する手法を提案しているこれは数値の属性である広さや階数といった間取りの要素へ重みづけを行いユーザの嗜好の推定を図 3 システム構成行っているこれらは数値による属性のみを考慮しておりテキストの属性を考慮していない点で異なる井原ら [8] は通常のブログ検索に加え blog 記事に投稿された画像をサムネイルのみで表示できる手法を提案している本研究とは画像を用いてユーザの理解を助けるという点では類似しているがユーザの嗜好を特定するまでには至っていない四方ら [9] は EC サイトでの洋服の推薦を想定初回アクセス時にコンジョイント分析を用い重視属性を把握し推薦する手法を提案している本研究との違いは初回時にユーザの重視する属性を把握している点で異なる井上ら [10] は電子チラシをユーザが閲覧している振る舞いからユーザの傾向を抽出し階層型ページを再構成するシステムを提案している本研究とはユーザの選択によって興味対象が絞られているかなどを推定するという点で類似している本研究と異なる点はテキスト属性に対して考慮されているが商品の価格などの数値属性に対して考慮されていない 3. 想定する UI とユーザ操作する 1 k 件の店舗の飲食店が推薦表示される 2 現在の嗜好と合わないと思う店舗を 1 つ以上選択する 3 変更ボタンを押す 4 選択した店舗が消え代わりに新たに推薦される店舗を表示する 5 ユーザが店を決定するまで (1) から (4) を繰り返す 3. 2 属性飲食店の推薦において考慮する属性は大きく分けてテキスト属性と数値属性があるテキスト属性とは飲食店のジャンル (カテゴリ) や店名説明文等がある数値属性には予算席数店に対する評価値などがあるここではカテゴリと予算を例に説明する本稿でのカテゴリとは中華や和食居酒屋といった料理ジャンルのことを示し平均予算はその店舗で使われた平均の金額をいうユーザは提示された情報のうち主にカテゴリ平均予算により飲食店を決定すると考えられるそこで各カテゴリと各平均予算に対して重みづけを行いユーザ 3. 1 ユーザインタフェースユーザは提示推薦された飲食店に対して変更操作を行う指定したエリア内の k 件の店舗をシステムが提示推薦するその際に店名カテゴリ平均予算その飲食店の画像等の店舗情報を表示する店舗の表示方法は図 1 に示すユーザはそれらの表示された情報から飲食店を取捨選択することになる取捨選択の方法を図 2 に示し, 以下に選択と推薦の流れを説明の嗜好を推定する提示推薦された飲食店をユーザが変更操作を行うことで変更された飲食店変更されず残っている飲食店からカテゴリの重み平均予算の重みを変動させるこの時のシステムの流れを図 3 に示す 3. 3 ユーザの操作と嗜好推定本稿ではカテゴリ平均予算のそれぞれの重みに対して明示的嗜好と潜在的嗜好の 2 つに分け変更されずに残った飲食

3 P (a it+1 ) = P (a it ) α mn (1) P a i n a i m a i α(<1.0) P (a i0) N(a it ) T (a it ) w(a it+1 ) = S(a it ) (a i a i ) (a i a i ) (a i ) (2) N(a it ) = i+x j=i x d(a i a j ) P (a jt ) β l e 1 var+1 k C (3) β(> 1.0). C k C (1 < = C < = k) (3) d(a ia j) a i a j a j N(a it ) var k C

4. 2. 2 テキスト属性の明示的嗜好の重みの上昇テキスト属性として飲食店のカテゴリを属性とするこのとき式は以下のようになる T (ai t ) = P (ai t ) β l ( ) k log2 +1 L(ai )2 C i A (4) x l は一度の変更操作で属性 ai の店舗が変更されず残っている数である Ax は ai と同種の属性であり ai がカテゴリであ 2 る場合

はユーザの変更する店舗の数が多いということはユーザが食べたいカテゴリをまだ絞れていないと判断でき変更する店舗の数が少ないほど食べたいカテゴリが絞れていると判断できるためであるまた残っているカテゴリの種類数が多いほどユーザが食べたいと思うカテゴリを絞り切れていないと判断できカテゴリの種類数が少ないほどユーザが食べたいものがはっきりと絞り込めていると判断できるためである 4.

を用いた飲食店のカきユーザの嗜好はすでにそのカテゴリでほぼ決めているものテゴリ数は 22 種類平均予算の価格帯は 14 の価格帯に分かれと考えられるそのようなユーザにはまだ推薦されていないカる 1,000 円未満 1,000 円以上 2,000 円未満のように 10,000 テゴリはそれほど必要がないと考えられるため重みの上昇円まで 1,000 円区切りの価格帯となり

カテゴリが 1 この重みの上昇は大きくなる以下が式となる S(ai t ) = P (ai t ) γ ( ) Ai Ai k ( ) log2 ( ) + 1 E E C i A つしか記載されていない場合 2 つ目のカテゴリも 1 つ目のカテゴリと同じものとみなすまた予算が記載されていない店のデータが存在する予算がついていない店を出す確率を 0.

4 テキスト属性の明示的嗜好の重みの上昇テキスト属性として飲食店のカテゴリを属性とするこのとき式は以下のようになる T (ai t ) = P (ai t ) β l ( ) k log2 +1 L(ai )2 C i A (4) x l は一度の変更操作で属性 ai の店舗が変更されず残っている数である Ax は ai と同種の属性であり ai がカテゴリであ 2 る場合 Ax はカテゴリ集合となる i Ax L(ai ) は変更されずに残っているカテゴリの 2 乗和を表すこれは変更されずに残っている店舗のカテゴリがあるカテゴリに集中して残っ図 4 プロトタイプシステムているときにこの値は大きくなる変更されず残っている店舗の数が多いが変更されず残っているカテゴリの種類数が少ないほどカテゴリの明示的嗜好の重みの増加は大きくなるこれはユーザの変更する店舗の数が多いということはユーザが食べたいカテゴリをまだ絞れていないと判断でき変更する店舗の数が少ないほど食べたいカテゴリが絞れていると判断できるためであるまた残っているカテゴリの種類数が多いほどユーザが食べたいと思うカテゴリを絞り切れていないと判断できカテゴリの種類数が少ないほどユーザが食べたいものがはっきりと絞り込めていると判断できるためである未推薦のテキストの重みの上昇まだ自分の嗜好に合うカテゴリが推薦されていない可能性が図5 システム構成図あるためにこれを行うこの時の重みの上昇はユーザが食べたいと思うカテゴリを絞り込めていないとき重みの上昇が大きタイプシステムのインタフェースを図 4 に示し構成図を図 5 くなるこれはあるカテゴリが変更されずに多く残っているとに示す飲食店情報としてぐるなび API を用いた飲食店のカきユーザの嗜好はすでにそのカテゴリでほぼ決めているものテゴリ数は 22 種類平均予算の価格帯は 14 の価格帯に分かれと考えられるそのようなユーザにはまだ推薦されていないカる 1,000 円未満 1,000 円以上 2,000 円未満のように 10,000 テゴリはそれほど必要がないと考えられるため重みの上昇円まで 1,000 円区切りの価格帯となりそれ以降は 30,000 円まは少なくなる一方で残っているカテゴリの種類数が多いときで 5,000 円区切りの価格帯となり 30,000 円以上は 30,000 円ユーザはまだ食べたいと思うカテゴリを決まっていないという以上の価格帯となる各飲食店はカテゴリと平均予算の情報をことが考えられることから多くのカテゴリを推薦するために持つカテゴリは必ず 2 つ持つようにしているカテゴリが 1 この重みの上昇は大きくなる以下が式となる S(ai t ) = P (ai t ) γ ( ) Ai Ai k ( ) log2 ( ) + 1 E E C i A つしか記載されていない場合 2 つ目のカテゴリも 1 つ目のカテゴリと同じものとみなすまた予算が記載されていない店のデータが存在する予算がついていない店を出す確率を (5) x の固定値として変動させないインタフェースは 3 3 の 9 個の飲食店を提示飲食店の情報として店名カテゴリ平均 γ(> 1.0) はパラメータで E は残っている店舗数から考えら予算とその店舗に関する画像を表示させているまた飲食店をれる最大のカテゴリの種類数を表す式 (5) では平均情報量を取捨選択する際画像をクリックすることでチェックマークが利用するこれにより起こりうる確率が小さいとき平均情つく 1 店舗以上チェックがついた状態で変更ボタンを押すこと報量の値は大きくなり起こりうる確率が大きい時平均情報でチェックを付けた店舗の数だけ新しく店舗が推薦されチェッ量は小さくなるこれにより取りうる最大のカテゴリ数のうクを付けた店舗に変わって推薦されるパラメータの値はそれち残っているカテゴリのうちの 1 つに集中している状態であぞれ α = 0.9 β = 1.15 γ = 1.2 とした. ると平均情報量は小さくなることからカテゴリの種類数が多いほど未推薦のカテゴリへの重みは大きくなる 5. プロトタイプシステム 5. 1 システム構成本手法に基づきプロトタイプシステムを作成したプロト 6. 評価実験 6. 1 実験内容実験には提案手法ユーザの絞り込み周辺の価格帯を考慮しない手法 (以後絞りこみなしと記す) およびランダムの 3

5 K K (3) d(a i a j ) a i = a i 0 4 (4) 2 (5) N N 3 10 K K K K K K=0

6 7. ).. D-I,, I-, Vol. 86, No. 8, pp , aug [7],,,. D-037 (d :)., Vol. 6, No. 2, pp , aug [8],,. blog (,web ).. D,, Vol. 89, No. 6, pp , jun [9],,,.. HCI, Vol. 2012, No. 20, pp. 1 8, mar [10],,. e,. 19 (DEWS2008),, pp. 2 11, (B)( 15K16091) [1],,. Vol. 7, No. 2, pp , may [2],,. sns ( lan,m2m/,p2p/,,,,, ).. CQ,, Vol. 113, No. 208, pp. 1 4, sep [3],,,. O-037 (o :, )., Vol. 13, No. 4, pp , aug [4],,,,... HCI,, Vol. 2015, No. 19, pp. 1 8, mar [5]. Gards-. WISS2005, [6],,. (

DEIM Forum 2014 P3-3 A Foreseeing System of Search Results based on Query Operations on the Graph Interface

DEIM Forum 2014 P3-3 A Foreseeing System of Search Results based on Query Operations on the Graph Interface 163-8677 1-24-2 E-mail: j110015@ns.kogakuin.ac.jp, kitayama@cc.kogakuin.ac.jp Web web 1. Web