ユーザーの記述文章から定性的趣味傾向（先進的な、ポップな、ラグジュアリな、モダンな、等）を僅かな計算量で読み取り、商品提案や応答のズレを解消。多様な趣味趣向への的確なパーソナライゼーションを実現する。
言語超空間上の幾何学特性と独自の機械学習数理アルゴリズムより、
ユーザーの行動データの蓄積を必要とせず、テキストからそれを記述したユーザーの趣向やパーソナリティ特性を、反意語で定義される概念群と語彙埋め込み空間における独自の意味超平面アルゴリズムにより、僅かな計算時間で解析します。
これによって、行動履歴からや初期の情報の少ないユーザーについて見えにくかった嗜好性を推測し、サービスの商品提案能力、レコメンデーション、パーソナライゼーション能力を向上させます。
(特許取得済み: 特許番号 7393772)
従来のレコメンデーションの課題、初期の行動データ蓄積不足によるコールドスタート問題も解決。
従来のレコメンデーションアルゴリズムでは行動データが蓄積されるまで機能せず、肝心の新規ユーザーにとっては何ら無力でした。この問題はコールドスタート問題（データが蓄積されなければ動作しない問題）と呼ばれ、従来のアルゴリズムの致命的欠点でした。
LSHアルゴリズムは行動データの蓄積を必要とせず、ユーザーの僅かな記述文書さえあれば即座に関心傾向を導き出すことができます。そのため、サービスにとって特に重要な初期のユーザーに対しても、すぐにパーソナライゼーションを行うことができます。
ポストマスメディア時代の、多様で細分化された現代人の趣味趣向を的確に補える。
従来の行動データベースのレコメンデーションアルゴリズムは結局常に大多数に人気の商品を提案することで精度が担保されており、多様化した趣味趣向には機能していない問題が指摘されていました。
一方でマスメディアが消失しつつある現代の環境で多様化する興味関心に耐えるパーソナライゼーションアルゴリズムが必要とされており、LSHアルゴリズムは、独自の言語超空間幾何学により、シンプルなものが好き、変わったものが好き、派手なものが好き、堅実なものが好き、60年代のものが好き、などのニッチな興味のベクトルを任意に定義し、拾い上げることができます。
日本語