近年機械学習の進歩にともない，オンラインショッピングサイトをはじめとした様々なWEBサービスはAIを用いたレコメンドなどの機能を提供し，購買の活性化などに活用している．研究されているほとんどのレコメンド手法はWEBサイトにアクセスする個人を対象とするが，実社会のサービスでは家族などのグループを対象とする場合が多い．この場合でも，各グループメンバのプロファイルを集約できれば個人向け手法を容易にグループ向けにも拡張可能である．しかしながら，このサービスではログインなどによるプロファイル取得が難しいために，現状の技術ではレコメンドの提供が困難である．本研究では履歴やコンディションなどの事前情報から，未知であるグループの人数とメンバごとのプロファイルを示す可変長属性グラフを生成する手法を提案し，グループ情報が明確に得られない場合においてもレコメンドの提供を実現する．本研究はカラオケ店舗における履歴を用いて検証し，提案手法ではRecurrent Neural Networks（RNN）を階層的に活用し，グループの入店時間や歌唱履歴を事前情報とし，ノードを逐次生成するRNNの隠れ状態に用いることで，事前情報を考慮したグラフ生成を実現した．さらに，ノード，エッジ，ノード属性を入出力するモデルとしたことで可変長属性グラフの生成を実現し，ベースラインに対して生成グラフのノード次数誤差-24%，ノード数誤差-45%，各属性誤差が-50%以上となり，飛躍的な精度向上を実現した．また，詳細分析から履歴が少ない段階でもベースライン以上のグラフを生成できること，既知のユーザは部分グラフとして与えてグラフ補完としても活用できることを確認し，実店舗における様々なユースケースで活用できることを示した．

More and more web services provide recommend functions to maximize their business thanks to the evolution of recommendation methods using machine learning. While most of the methods are for logged in individual users on web sites, they have to deal with anonymous user groups, not individuals in real shops. The most methods can be used for groups if the profiles of all users are available. However, the number of users, let alone each profile is hard to acquire. In this paper, we propose a hierarchaly arranged RNNs method to generate variable length attributed group graph from condition. With this approach, exsiting methods will be appliable to the generated group members one by one. The proposed model takes conditions such as history of target group as initial hidden state of GRU, and sequentially generates user node, edges, and node attributes. The method outperformed baselines in graph generation task in terms of node degree, number of nodes, node attributes, -15%, -37% and more than -40% smaller error in EMD respectively. In addition, our examination illustrates that the model can generate reasonable graphs with a few history, and can be used to complete given partial graph. These results show the proposed model fits various various use cases in real shops.