产品推荐设备、产品推荐方法和记录介质的制作方法
【技术领域】
[0001] 本发明涉及一种产品推荐设备、一种产品推荐方法以及一种记录介质。
【背景技术】
[0002] 如NPL 1中所公开的，ABC分析是用于推荐在店铺处要被销售的产品的技术中的一 种技术。利用ABC分析，基于销售对店铺处要被销售的产品进行排名，并且基于排名结果来 推荐新产品。
[0003] NPL 2公开了用于通过近似代表隐变量模型的混合模型的完整的边际似然函数并 且然后最大化其下界(下限)来确定观测概率的类型的方法。
[0004] [引文列表]
[0005] [专利文献]
[0006] [PTL 1]日本专利第4139410号
[0007] [PTL 2]日本未审查的专利申请公开第2010-128779号 [0008] [PTL 3]国际公布W0 2012/128207 [0009][非专利文献]
[0010] [NPL 1]〃ABC analysis'[在线]，维基百科，[在2013年9月19日搜索的]因特网〈 URL:http://en.wikipedia.org/wiki/ABC_analysis)>
[0011] [NPL 2]Ryohei Fujimaki、Satoshi Morinaga：Factorized Asymptotic Bayesian Inference for Mixture Modeling。
[0012] Proceedings_of_the_fifteenth_international_conference_on_Artificial_I ntelligence_and_Statistics(AISTATS)，2012年3月。
【发明内容】
[0013][技术问题]
[0014] ABC分析具有如下问题:例如，在推荐指导多个店铺处要被销售的产品的商品的分 类时，推荐仅在多个店铺销售并且仅在一些店铺销售得很好的产品。
[0015] 本发明的主要目的是提供一种解决上文所描述的问题的产品推荐设备、一种产品 推荐方法以及一种记录介质。
[0016] [问题方案]
[0017] 第一方面是一种产品推荐设备，该产品推荐设备推荐要在店铺处被交易的产品， 该设备包括：
[0018] 得分计算装置，该得分计算装置用于针对在多个店铺处正被交易的多个产品中的 每个产品，计算根据出货量和正被交易的相关产品所在的店铺的数目而增加的得分；以及
[0019] 产品推荐装置，该产品推荐装置用于推荐产品，该产品的得分高于正被做出推荐 的店铺处正被交易的产品的得分。
[0020] 第二方面是一种产品推荐方法，包括：
[0021] 使用信息处理装置针对在多个店铺处正被交易的多个产品中的每个产品，计算根 据出货量和正被交易的相关产品所在的店铺的数目而增加的得分;并且由此推荐产品，该 产品的得分高于正被做出推荐的店铺处正被交易的产品的得分。
[0022] 第三方面是一种记录介质，该记录介质记录用于使得计算机执行以下各项的程 序：
[0023]针对在多个店铺处正被交易的多个产品中的每个产品，计算根据出货量和正被交 易的相关产品所在的店铺的数目而增加的得分的得分计算功能；以及 [0024]推荐产品的产品推荐功能，该产品的得分高于正被做出推荐的店铺处正被交易的 产品的得分。
[0025][发明的有利影响]
[0026] 根据上文所提到的方面，可以推荐在许多店铺中热销的产品，而不是仅在一些店 铺中销售得好的产品。
【附图说明】
[0027] [图1]图1是图示根据本发明的至少一个示例性实施例的出货量预测系统的示例 性配置的框图。
[0028] [图2A]图2A是图示根据本发明的至少一个示例性实施例的被存储在学习数据库 中的信息的示例的表。
[0029][图2B]图2B是图示根据本发明的至少一个示例性实施例的被存储在学习数据库 中的信息的另一示例的表。
[0030] [图2C]图2C是图示根据本发明的至少一个示例性实施例的被存储在学习数据库 中的信息的又一示例的表。
[0031] [图2D]图2D是图示根据本发明的至少一个示例性实施例的被存储在学习数据库 中的信息的又一示例的表。
[0032][图2E]图2E是图示根据本发明的至少一个示例性实施例的被存储在学习数据库 中的信息的又一示例的表。
[0033][图2F]图2F是图示根据本发明的至少一个示例性实施例的被存储在学习数据库 中的信息的又一示例的表。
[0034][图2G]图2G是图示根据本发明的至少一个示例性实施例的被存储在学习数据库 中的信息的又一示例的表。
[0035] [图3]图3是图示根据本发明的至少一个示例性实施例的分层隐变量模型估计设 备的示例性配置的框图。
[0036] [图4]图4是图示根据本发明的至少一个示例性实施例的分层隐变量变分概率计 算单元的示例性配置的框图。
[0037] [图5]图5是图示根据本发明的至少一个示例性实施例的门函数优化单元的示例 性配置的框图。
[0038] [图6]图6是图示根据本发明的至少一个示例性实施例的分层隐变量模型估计设 备的示例性操作的流程图。
[0039] [图7]图7是图示根据本发明的至少一个示例性实施例的分层隐变量变分概率计 算单元的示例性的流程图。
[0040] [图8]图8是图示根据本发明的至少一个示例性实施例的门函数优化单元的示例 性操作的流程图。
[0041] [图9]图9是图示根据本发明的至少一个示例性实施例的出货量预测设备的示例 性配置的框图。
[0042] [图10]图10是图示根据本发明的至少一个示例性实施例的出货量预测设备的示 例性操作的流程图。
[0043] [图11]图11是图示根据本发明的至少一个示例性实施例的另一分层隐变量模型 估计设备的示例性配置的框图。
[0044][图12]图12是图示根据本发明的至少一个示例性实施例的分层隐结构优化单元 的示例性配置的框图。
[0045] [图13]图13是图示根据本发明的至少一个示例性实施例的分层隐变量模型估计 设备的示例性操作的流程图。
[0046] [图14]图14是图示根据本发明的至少一个示例性实施例的分层隐结构优化单元 的示例性操作的流程图。
[0047] [图15]图15是图示根据本发明的至少一个示例性实施例的另一门函数优化单元 的示例性配置的框图。
[0048] [图16]图16是图示根据本发明的至少一个示例性实施例的门函数优化单元的示 例性操作的流程图。
[0049] [图17]图17是图示根据本发明的至少一个示例性实施例的另一出货量预测设备 的示例性配置的框图。
[0050] [图18A]图18A是图示根据本发明的至少一个示例性实施例的出货量预测设备的 示例性操作（1/2)的流程图。
[0051] [图18B]图18B是图示根据本发明的至少一个示例性实施例的出货量预测设备的 另一示例性操作(2/2)的流程图。
[0052] [图19]图19是图示根据本发明的至少一个示例性实施例的又一出货量预测设备 的示例性配置的框图。
[0053][图20]图20是图示根据本发明的至少一个示例性实施例的另一出货量预测系统 的示例性配置的框图。
[0054] [图21]图21是图示根据本发明的至少一个示例性实施例的产品推荐设备的示例 性配置的框图。
[0055] [图22]图22是图示聚类中的产品的销售的示例性趋势的图表。
[0056] [图23]图23是图示根据本发明的至少一个示例性实施例的产品推荐设备的示例 性操作的流程图。
[0057][图24]图24是图示产品推荐设备的基本配置的框图。
[0058][图25]图25是图示根据本发明的至少一个示例性实施例的计算机的配置的示意 性框图。
【具体实施方式】
[0059] 在本说明书中提到的分层隐变量模型被定义为具有由分层结构(例如，树形结构） 表不的隐变量的概率模型。将表不概率模型的成分分配给分层隐变量模型的最低层处的节 点。将作为用于根据输入信息选择节点的准则的门函数（门函数模型）分派给节点（中间节 点;在下文中将被称为"分支节点"，出于方便的缘故，将树形结构当作示例），而不是最低层 处的节点。
[0060] 在下文中，将参考当作示例的两层分层隐变量模型来描述出货量预测设备的过程 和其他细节。出于描述方便的缘故，分层结构被假定为树形结构。然而，在通过将以下示例 性实施例当作示例待阐述的本发明中，分层结构不总是树形结构。
[0061] 当分层结构被假定为树形结构时，因为树形结构没有回路，所以从根节点到某个 节点的过程仅是一次。分层隐结构中的从根节点到某个节点的过程(链路)在下文中将被称 为"路径"。通过跟踪针对每个路径的隐变量，确定路径隐变量。例如，最低层路径隐变量被 定义为针对从根节点到最低层处的节点的每个路径所确定的路径隐变量。
[0062]以下描述假定输入数据序列xn(n=l，. . .，N)。假定每个#被定义为Μ维多变量数据 序列(χη=χΛ ...，χΜη)。数据序列χη有时还用作观测变量。如下定义了观测变量#的第一层 分支隐变量Zi n、最低层分支隐变量Zj|in和最低层路径隐变量Zijn。
[0063] Zin=l表示当基于根节点的xn输入来选择节点时，到第一层处的第i个节点的分支 发生。z in = 0表示当基于根节点的xn输入来选择节点时，没有到第一层处的第i个节点的分 支发生表示当基于第一层处的第i个节点的#输入来选择节点时，到第二层处的第 j个节点的分支发生。Zj | in = 0表示当基于第一层处的第i个节点的xn输入来选择节点时，没 有到第二层处的第j个节点的分支发生。
[0064] Zijn=l表示当基于根节点的xn输入来选择节点时，通过穿过第一层处的第i个节 点和第二层处的第j个节点所跟踪的成分的分支发生。 Zl/ = 〇表示当基于根节点的xn输入 来选择节点时，没有通过穿过第一层处的第i个节点和第二层处的第j个节点所跟踪的成分 的分支发生。
[0065] 由于满足 2iZin=l、Zj|in=l和ζυη = Ζ?η-Ζ?η，我们具有Zin= 和最低 层路径隐变量Zf的表示值z的组合被称为"完全变量"。与此相反，x被称为不完全变量。
[0066] 等式1表示针对完全变量的深度2的分层隐变量模型联合分布。
[0068] 换句话说，等式1中的P (X，y) = P (X，Zlst，Z2nd)表示针对完全变量的深度2的分层隐 变量模型联合分布。在等式1中，Zlst n是Zin的表不值，并且Z2ndn是Zj|in的表不值。针对第一层 分支隐变量Zj|i n的变分分布被表不为q(Zin)，并且针对最低层隐变量Zijn的变分分布被表不 为 q(Zijn)〇
[0069] 在等式1中，Ki是第一层中的节点的数目，并且K2是从第一层处的每个节点分支的 节点的数目。在这种情况下，最低层处的成分表达为Κι · Κ2。令θ = (β，βι,......,&1, Φι,...... ΦΜ.Κ2)为模型参数，其中，β是根节点的分支参数，&是第一层处的第k个节点的分支参数， 并且Φ k是第k个成分的观测参数。
[0070] 令Si，……，SK1.1(2为Φ k的观测概率的类型。在例如多变量数据生成概率的情况下， 针对31至31( 1 .K2的候选的示例可以包括{正态分布，对数正态分布，指数分布}。备选地，当例 如输出多项式曲线时，针对Si至Ski .K2的候选的示例可以包括{:零次曲线，线性曲线，二次曲 线，三次曲线}。
[0071] 深度2的分层隐变量模型在下文中将被当作特定示例。然而，根据至少一个示例性 实施例的分层隐变量模型不限于深度2的分层隐变量模型并且可以被定义为深度1或者3或 者更多的分层隐变量模型。在这种情况下，以及深度2的分层隐变量模型，仅需要导出等式1 和(稍后将被描述的)等式2至4,从而实现具有类似配置的估计设备。
[0072] 在下文中将描述具有X作为目标变量的分布。然而，与回归或者确定中相同，适于 观测分布用作条件模型P(Y IX) (Y是目标概率变量)的情况。
[0073] 在本发明的示例性实施例的描述之前，下文将描述根据任何这些实施例的估计设 备与NPL 2中所描述的混合隐变量模型的估计方法之间的基本差异。
[0074] NPL 2中所公开的方法假定具有隐变量作为用于每个成分的指示器的一般混合模 型。然后，导出优化准则，如NPL 2的等式10中所呈现的。然而，考虑到被表达为NPL 2中的等 式6的Fisher信息矩阵，NPL 2中所描述的方法假设用作针对每个成分的指示器的隐变量的 概率分布仅取决于混合模型中的混合比例。因此，由于不能根据输入切换成分，因而该优化 准则是不适当的。
[0075] 为了解决该问题，设定分层隐变量和执行根据适当的优化准则所涉及的计算是必 要的，如将在以下示例性实施例中所示的。以下示例性实施例假定用于根据输入选择相应 的分支节点处的分支的多层单个模型用作这样的适当的优化准则。
[0076] 下文将参考附图描述示例性实施例。
[0077] 〈〈第一示例性实施例》
[0078] 图1是图示根据至少一个示例性实施例的出货量预测系统的示例性配置的框图。 根据该示例性实施例的出货量预测系统10包括分层隐变量模型的估计设备1〇〇(分层隐变 量模型估计设备1〇〇