CN101999121A - 推荐信息评价装置及推荐信息评价方法 - Google Patents

推荐信息评价装置及推荐信息评价方法 Download PDF

Info

Publication number
CN101999121A
CN101999121A CN2009801122412A CN200980112241A CN101999121A CN 101999121 A CN101999121 A CN 101999121A CN 2009801122412 A CN2009801122412 A CN 2009801122412A CN 200980112241 A CN200980112241 A CN 200980112241A CN 101999121 A CN101999121 A CN 101999121A
Authority
CN
China
Prior art keywords
content
vector
eigenvector
recommendation information
user personality
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2009801122412A
Other languages
English (en)
Other versions
CN101999121B (zh
Inventor
深泽佑介
原未来
上野英俊
小野木雅
长沼武史
大野木碧
仓掛正治
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Docomo Inc
Original Assignee
NTT Docomo Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NTT Docomo Inc filed Critical NTT Docomo Inc
Publication of CN101999121A publication Critical patent/CN101999121A/zh
Application granted granted Critical
Publication of CN101999121B publication Critical patent/CN101999121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的目的在于，提供一种内容评价装置及内容评价方法，能够没有遗漏地发布用户潜在期望的内容。历史类分离部(203)生成分离平面，该分离平面用于在特征空间内将阅览历史表(207c)中存储的被选择的内容的特性矢量与未被选择的内容的特性矢量分离开。并且，用户特性矢量计算部(204)根据与所生成的分离平面正交的正交矢量，生成用户特性矢量，并将其存储在用户特性矢量管理表(207a)中。然后，在推荐请求接收部(202)接收到推荐请求时，内容评价部(206)根据所存储的用户特性矢量进行内容的评价。

Description

推荐信息评价装置及推荐信息评价方法
技术领域
本发明涉及进行内容评价的推荐信息评价装置及推荐信息评价方法。
背景技术
作为为了发布符合用户特性的推荐信息而对该推荐信息进行提取的信息过滤方式，可以考虑基于内容的过滤(Content-based Filtering)方式。该方式通过由用户采取网页阅览等行动，分析所阅览的对象文件，并提取文件中包含的单词(关键词)。并且，按照每个用户来区分这些单词，并作为所谓用户概况(user profile)的兴趣/嗜好信息进行记录。在用户概况中表述了一个兴趣的概念，利用该概念来向用户提供信息。例如，公知有能够通过将对广告商品等指派的关键词与用户概况(由关键词表述的)匹配来进行适宜的广告推荐的系统。
另外，作为与其相关联的技术，可以列举专利文献1记述的技术。在该专利文献1中记述了如下技术，按照预先设定的推荐提取规则，确定发布推荐信息的发布目标及应该发布的推荐信息，并进行发布。
专利文献
专利文献1：日本特开2007-148878号公报
但是，在上述的背景技术中，在通过匹配处理来提取推荐信息的方式、或者专利文献1记述的技术中，根据预先设定的推荐提取规则来确定推荐信息，所以推荐信息有可能产生遗漏。
即，在专利文献1的技术中，如果在推荐提取规则中登记了兴趣/嗜好，则确定符合该兴趣/嗜好的推荐信息并进行发布，并且根据购买历史等，在购买某个商品时发布与该购买的商品相关联的信息，但这些发布的信息是根据兴趣/嗜好、购买历史或者访问历史等直接性信息而确定的，所以存在遗漏用户潜在期望的内容的情况。
尤其是在根据访问历史来发布、使用推荐信息的情况下，遗漏尤其严重。也就是说，在用户阅览站点等的情况下，通常所阅览的站点本身不是由一个关键词来表述，而是由多个关键词来表述。例如，在用户检索与电影a相关的信息并进行阅览的情况下，该所阅览的站点包括电影a的介绍、原著的介绍、上映电影院的介绍、演员介绍等各种信息(矢量信息)。在这种情况下，用户在查询原著时希望进行特定为该原著的过滤处理，并发布仅针对于此的推荐信息。
但是，在上述专利文献1记述的技术中，将看到正在阅览的整个站点，并将近乎所有的信息作为推荐信息进行发布，不能像上述那样发布用户潜在期望的信息。
发明内容
本发明的目的在于，提供一种推荐信息评价装置及推荐信息评价方法，在进行评价时能够没有遗漏地发布用户潜在期望的内容等的推荐信息。
为了解决上述问题，本发明的推荐信息评价装置具有：受理单元，其受理根据用户操作从多个选择对象项目中对一个选择对象项目进行的选择；存储单元，其存储由所述受理单元受理的被选择的选择对象项目的矢量即满意特征矢量、以及未被选择的选择对象项目的矢量即不满意特征矢量；用户特性矢量生成单元，其将与分离平面正交的正交矢量作为用户特性矢量，该分离平面用于在特征空间内将由所述存储单元存储的被选择的选择对象项目的满意特征矢量与未被选择的选择对象项目的不满意特征矢量分离开；以及评价单元，其根据由所述用户特性矢量生成单元生成的用户特性矢量，进行未知的选择对象项目的评价。
另外，本发明的推荐信息评价方法包括：受理步骤，受理根据用户操作从多个选择对象项目中对一个选择对象项目进行的选择；存储步骤，存储通过所述受理步骤受理的被选择的选择对象项目的矢量即满意特征矢量、以及未被选择的选择对象项目的矢量即不满意特征矢量；用户特性矢量生成步骤，根据与分离平面正交的正交矢量来生成用户特性矢量，该分离平面用于在特征空间内将通过所述存储步骤存储的被选择的选择对象项目的满意特征矢量与未被选择的选择对象项目的不满意特征矢量分离开；以及评价步骤，根据通过所述用户特性矢量生成步骤生成的用户特性矢量，进行推荐信息的评价。
根据本发明，受理根据用户操作从多个选择对象项目中对一个选择对象项目进行的选择，并存储被选择的选择对象项目的矢量即满意特征矢量以及未被选择的选择对象项目的矢量即不满意特征矢量。生成与分离平面正交的正交矢量作为用户特性矢量，该分离平面用于在特征空间内将此处存储的被选择的选择对象项目的满意特征矢量与未被选择的选择对象项目的不满意特征矢量分离开，根据所生成的用户特性矢量进行未知的选择对象项目的评价。
由此，能够按照表示用户特性的矢量，进行未知的选择对象项目、例如内容或者操作菜单项目等推荐信息的评价，并能够没有遗漏地向用户提供推荐信息，而无需根据用户的兴趣/嗜好等或者访问历史等直接性信息来评价所应推荐的推荐信息。
另外，优选本发明的推荐信息评价装置还具有生成分离平面的分离平面生成单元，该分离平面用于在特征空间内将通过所述存储单元存储的被选择的选择对象项目的满意特征矢量与未被选择的选择对象项目的不满意特征矢量分离开，所述用户特性矢量生成单元按照由所述分离平面生成单元生成的分离平面，生成用户特性矢量。
根据本发明，生成用于在特征空间内将被选择的选择对象项目的满意特征矢量与未被选择的选择对象项目的不满意特征矢量分离开的分离平面，并根据该分离平面来生成用户特性矢量，由此能够高精度地生成用户特性矢量。
另外，优选在本发明的推荐信息评价装置中，所述分离平面生成单元计算所有的不满意特征矢量与满意特征矢量的相对位置关系，并且按照使其他不满意特征矢量或者其他满意特征矢量与一个不满意特征矢量或者一个满意特征矢量一致的方式计算位置关系，并根据该位置关系来生成分离平面。
根据本发明，优选针对所有的不满意特征矢量计算与满意特征矢量的相对位置关系，根据该位置关系来生成分离平面。由此，能够在表示相对位置关系的相对空间内生成分离平面，并根据分离平面来生成用户特性矢量，所以能够进行精度更高的推荐信息的评价。
另外，优选在本发明的推荐信息评价装置中，所述分离平面生成单元根据SVM法生成分离平面。
另外，优选在本发明的推荐信息评价装置中，所述用户特性矢量生成单元根据NN法生成用户特性矢量。
另外，优选在本发明的推荐信息评价装置中，所述存储单元将选择对象项目的选择频度与该选择对象项目的满意特征矢量一起存储，将选择对象项目的不选择频度与该选择对象项目的不满意特征矢量一起存储，所述用户特性矢量生成单元对所述选择频度较高的满意特征矢量进行与其频度对应的加权，同时对所述不选择频度较高的不满意特征矢量进行与其频度对应的加权，根据包括该加权后的满意特征矢量及不满意特征矢量在内的满意特征矢量及不满意特征矢量，生成用户特性矢量。
根据本发明，能够将选择对象项目的选择频度与该选择对象项目的满意特征矢量一起存储，将选择对象项目的不选择频度与该选择对象项目的不满意特征矢量一起存储，对选择频度较高的满意特征矢量进行与其频度对应的加权，同时对不选择频度较高的不满意特征矢量进行与其频度对应的加权，根据包括该加权后的满意特征矢量及不满意特征矢量在内的满意特征矢量及不满意特征矢量，生成用户特性矢量。由此，能够根据频度来计算用户特性矢量，能够计算精度更好的用户特性矢量，所以能够更准确地进行推荐信息的评价。
另外，优选在本发明的推荐信息评价装置中，所述存储单元将选择对象项目的选择时期与该选择对象项目的满意特征矢量一起存储，所述分离平面生成单元根据按照选择时期及不选择时期的新近程度进行了加权的该选择对象项目的满意特征矢量，生成用户特性矢量。
根据本发明，能够将选择对象项目的选择时期与该选择对象项目的满意特征矢量一起存储，并根据按照选择时期及不选择时期的新近程度进行了加权的该选择对象项目的满意特征矢量，生成分离平面。由此，能够进行考虑了时间序列成分的加权，能够进行精度更好的推荐信息评价。
另外，优选本发明的推荐信息评价装置还具有推荐信息发送单元，其发送按照所述评价单元的评价结果而生成的推荐信息。
根据本发明，通过发送按照所述内容评价单元的评价结果而生成的推荐信息，用户能够获取有用的信息。
另外，优选在本发明的推荐信息评价装置中，所述选择对象项目是用于阅览网页的菜单画面上的项目。
另外，优选在本发明的推荐信息评价装置中，所述选择对象项目是用于执行装置的功能的操作菜单上的项目。
根据本发明，能够按照表示用户特性的矢量，进行未知的选择对象项目、例如内容或者操作菜单项目等推荐信息的评价，并能够没有遗漏地向用户提供推荐信息，而无需根据用户的兴趣/嗜好等或者访问历史等直接性信息来评价所应推荐的推荐信息。
附图说明
图1是表示本实施方式的具有手机100及信息发布服务器200的推荐信息发布系统的系统结构的系统结构图。
图2是表示信息发布服务器200的功能结构的框图。
图3是信息发布服务器200的硬件结构图。
图4是表示在手机100上显示的菜单画面的一例的说明图。
图5是表示生成分离平面时的处理概念的示意图。
图6是表示根据分离平面计算用户特性矢量，再根据用户特性矢量进行评价时的概念的示意图。
图7是表示内容管理表205a的存储内容的说明图。
图8是表示内容特性矢量管理表207b的存储内容的说明图。
图9是表示手机100的功能结构的框图。
图10是表示根据手机100的请求来发布内容时的处理的时序图。
图11是表示用户特性矢量的计算处理的流程图。
图12是表示发布推荐信息时的时序图。
图13是表示内容的评价处理的流程图。
图14是表示历史事件a和历史事件b的菜单画面的说明图。
图15是表示在菜单画面中选择的内容的特性矢量在特征空间中的位置关系的图。
图16是对于历史事件a及b在相对空间内表示内容的特性矢量的图。
图17是表示根据绝对空间中的各个内容的特性矢量进行评价时的概念的图。
图18是表示在不能生成分离平面的情况下使用相对空间进行处理时的说明图。
图19是表示考虑阅览频度来求出特性矢量的重心的处理的概念图。
图20是表示按照被访问的时间序列顺序，利用NN法求出用户特性矢量的过程的概念图。
图21是表示与操作相关的特征空间中的特性矢量的参数的说明图。
图22是表示能够显示推荐操作信息的手机100a的功能的框图。
标号说明
100手机；100a手机；101浏览器；101a操作部；102历史发送部；103推荐请求发送部；104发布信息显示部；104a推荐操作显示部；105历史类分离部；106用户特性矢量计算部；107操作信息评价部；108操作信息存储部；109历史存储部；200信息发布服务器；201内容请求接收部；202推荐请求接收部；203历史类分离部；204用户特性矢量计算部；205发布信息存储部；205a内容管理表；206内容评价部；207历史存储部；207a用户特性矢量管理表；207b内容特性矢量管理表；207c阅览历史表；208内容发送部。
具体实施方式
下面，参照附图说明本发明的实施方式。在可能的情况下，对相同的部分标注相同的标号，并省略重复说明。
图1是表示本实施方式的具有手机100及信息发布服务器200的推荐信息发布系统的系统结构的系统结构图。信息发布服务器200根据来自手机100的请求，向手机100发布预先存储的作为推荐信息的内容。所发布的推荐信息是根据手机100的用户的访问历史而编辑的信息，是被认为用户需要的信息。这里，关于作为推荐信息而发布的内容的优选内容，包括对于用户而言未评价的内容，例如，除了还未查看的Web内容之外，还包括构成电视节目表的内容，包括介绍今后发售的新出书籍等的内容。另外，该信息发布服务器200根据来自手机100的访问请求，从其他内容提供商取得内容，并发布所取得的内容，访问历史是在此时收集的。并且，也可以构成为手机100发送访问历史，信息发布服务器200取得该访问历史。
使用图2说明这种信息发布服务器200的结构。图2是表示信息发布服务器200的功能结构的框图。该信息发布服务器200构成为包括内容请求接收部201(受理单元)、推荐请求接收部202、历史类分离部203(分离平面生成单元)、用户特性矢量计算部204(用户特性矢量生成单元)、发布信息存储部205、内容评价部206(评价单元)、历史存储部207(存储单元)、及内容发送部208。
图3是信息发布服务器200的硬件结构图。图2所示的信息发布服务器200在物理上构成为计算机系统，该计算机系统如图3所示包括CPU11、作为主存储装置的RAM 12及ROM 13、作为输入设备的键盘及鼠标等输入装置14、显示器等输出装置15、网卡等作为数据收发设备的通信模块16、和硬盘等辅助存储装置17等。在图2中说明的各个功能是这样实现的：通过将预定的计算机软件读入到图3所示的CPU 11、RAM 12等的硬件上，在CPU 11的控制下使输入装置14、输出装置15、通信模块16工作，同时进行RAM 12和辅助存储装置17中的数据读取及写入。下面，根据图2所示的功能块来说明各个功能块。
内容请求接收部201是根据来自手机100的内容请求，从网络上的内容提供商取得内容的部分，能够通过从手机100接收内容请求及其URL来采集访问历史。所采集的访问历史(URL等)被输出给历史存储部207。另外，该内容请求接收部201将在某个菜单画面(事件)内实际访问的内容(URL)、和虽然显示在菜单画面上但实际没有访问的内容进行区分，并作为访问历史进行采集。
并且，内容请求接收部201也可以不仅接收访问请求，还接收在手机100中采集到的访问历史信息，并将它们输出给历史存储部207。在这种情况下，手机100同样构成为将在某个菜单画面中选择的内容、和未被选择的内容进行区分，并作为访问历史信息发送给信息发布服务器200。
推荐请求接收部202是从手机100接收推荐信息发布请求、以及手机100的用户的用户ID的部分。推荐请求接收部202在接收到该发布请求时，将该情况通知给内容评价部206，并指示内容评价部206根据预先计算的用户特性矢量，对发布信息存储部205中存储的内容进行评价。另外，作为变形例，也可以向用户特性矢量计算部204告知有了推荐请求，使用户特性矢量计算部204计算当前时刻的用户特性矢量，并将其结果通知给内容评价部206，使内容发送部208进行推荐信息的发布。
历史类分离部203是根据存储于历史存储部207(阅览历史表207c)的阅览历史信息中所包含的内容的特性矢量，生成用于将某个用户阅览的内容分离为满意类和不满意类的分离平面的部分。这里，满意类是指只包含在用于访问某个内容的菜单画面中可选择地显示的多个内容中、被实际选择的内容的类，不满意类是指只包含该菜单画面中未被选择的内容的类。该历史类分离部203使用SVM法或者NN法，生成能够将各个内容的特性矢量分离为满意类和不满意类的分离平面，由此能够将这些类分离。这里，SVM(Support Vector Machine：支持向量机)法是将使各个类的节点间(特性矢量间)的最小距离最大化的平面作为分离平面的方法，NN法是以推荐连接各个类的重心之间(即根据各个内容的特性矢量计算出的满意类的重心与不满意类的重心)的直线的平面作为分离平面的方法。另外，在NN法中，不一定求出分离平面，也可以将从不满意类的重心连接到满意类的重心的直线作为用户特性矢量。
这里说明生成分离平面的具体方法。图4是表示在手机100上显示的菜单画面的一例的说明图。如图4所示显示有节点1～节点5。该节点表示选择对象项目，例如是针对网页上的菜单画面中的每个类别而区分的项目，是网页的标题。例如，节点1是有关汽车的内容，节点2是有关金融的内容等。用户通过选择节点1～节点5中的任意一个节点，即可阅览对应的内容。
图5是表示生成分离平面时的处理概念的示意图。图5表示关于用户在上述图4所示的菜单画面中选择的内容及未选择的内容，各个内容的特性矢量在特征空间中的位置关系。如图5所示，利用圆形示出的部分是满意的内容(节点3、节点4)，利用三角形示出的部分是不满意的内容(节点1、节点2及节点5)，利用四边形示出的部分是未知的未评价内容(节点8、节点7)。按照将这些满意内容与不满意内容分离开的方式生成的平面就是分离平面。这里，在进行分离处理时不考虑未评价内容。另外，在图中，为了方便而将特征空间表述为二维平面，但由于存在构成矢量的参数那么多的矢量轴，所以通常特征空间是由20维以上的矢量构成的。
用户特性矢量计算部204是计算与历史类分离部203所生成的分离平面正交的正交矢量，并将其作为用户特性矢量的部分。图6示出了其具体示例。图6是表示根据分离平面计算用户特性矢量，再根据用户特性矢量进行评价时的概念的示意图。如图6所示，由用户特性矢量计算部204计算与分离平面正交的正交矢量即用户特性矢量w。用户特性矢量计算部204每当采集了阅览历史时进行计算，更新用户特性矢量管理表207a中存储的用户特性矢量。
发布信息存储部205是存储作为发布对象的内容(推荐信息)及其管理信息的部分，存储了内容管理表205a。图7是表示内容管理表205a的存储内容的说明图。如图7所示，在该内容管理表205a中将内容ID、类别、标题及推荐正文相对应地存储。内容ID是用于唯一地确定内容的识别信息，类别表示信息类型，例如是用于表示与CD相关联、与DVD相关联、与书籍相关联、与电视节目相关联等的信息。标题是用于作为推荐信息进行显示的标题信息。在发布推荐信息时，将显示该标题部分。推荐正文是推荐信息的主体部分，是对用户有用的信息。在该内容管理表205a中存储的信息可以是由操作者预先输入的信息，也可以是从内容提供商自动搜索/提取并利用预定的过滤器精选后的信息。
在由推荐请求接收部202接收到推荐请求时，内容评价部206根据由用户特性矢量计算部204计算的用户特性矢量，对发布信息存储部205中存储的内容进行评价，然后，生成按照评价从高到低的顺序对内容的标题进行排列后的推荐信息。具体地讲，该内容评价部206计算用户特性矢量与各个内容的特性矢量的内积，由此计算评价值，并生成按照该评价值从高到低的顺序对内容的标题进行排列后的推荐信息。
从概念上讲如下所述。例如，在图6中，节点7和节点8是在内容管理表205a中存储的信息，被当作未知的内容。这里，从节点7和节点8向用户特性矢量w引垂线而得到的点是相对于用户特性矢量w的评价点。按照如下方式生成推荐信息：按照该垂线与用户特性矢量的交点的位置从上到下的顺序来显示内容(标题部分)。另外，也可以将分离平面作为基准设为显示或不显示。例如，也可以是下述的推荐信息，在把分离平面作为基准的情况下，与从节点8引出的垂线的交点位于基准之上，所以判定为对于用户而言评价较高，选择为推荐信息。另一方面，节点7位于基准之下，所以评价较低，不选择为推荐信息。
历史存储部207是存储各个历史信息的部分，存储了用户特性矢量管理表207a、内容特性矢量管理表207b和阅览历史表207c。
用户特性矢量管理表207a是将用户特性矢量计算部204计算出的用户特性矢量与用于确定用户的用户ID相对应地存储的部分。
内容特性矢量管理表207b是将内容管理表205a中存储的内容的特性矢量与用于确定该内容的信息(例如内容ID、URL等)相对应地存储的部分。在用户进行访问时，由内容请求接收部201与该内容一起取得该内容特性矢量，该内容特性矢量是在登记推荐信息时由其操作者设定的。例如，在内容特性矢量管理表207b中存储了图8所示的信息。如图8所示，与内容ID相对应地存储有构成特性矢量的多个参数。在图8中示出了8个参数，但通常由更多的参数构成特性矢量。另外，除了规定的参数之外，也可以把针对每个内容按照词素分析提取的关键词追加为参数。对构成特性矢量的每个参数记述了0～1之间的数值，用于表示使哪个特性矢量具有特征。
阅览历史表207c是存储由内容请求接收部201接收到的收件人或者采集到的访问历史信息的部分，例如，是将内容ID(或者内容的URL)及该内容(各个被阅览的内容、未被阅览的内容)的特性矢量相对应地存储的部分。该内容的特性矢量是与由内容请求接收部201取得的内容同时取得的。
内容发送部208是根据由内容请求接收部201接收到的内容请求、或者由推荐请求接收部202接收到的推荐请求，发送所取得的内容的部分。例如，内容发送部208根据由内容请求接收部201接收到的内容请求，发送所取得的内容，并且根据推荐请求接收部202，发送基于发布信息存储部205中存储的内容而按照内容评价部206的评价结果生成的推荐信息。
这样构成的信息发布服务器200能够按照来自手机100的请求，发布根据用户特性矢量而评价的推荐信息。因此，不需要登记嗜好/兴趣等信息，并且不需仅提取与所访问的内容直接相关联的内容，即可没有遗漏地发布推荐信息。
下面说明手机100。图9是表示手机100的功能结构的框图。如图9所示，手机100构成为包括浏览器101、历史发送部102、推荐请求发送部103及发布信息显示部104。该手机100由CPU、RAM、ROM等硬件构成，CPU构成为按照所存储的程序进行工作。具体地讲，手机100具有与信息发布服务器200相同的结构，利用图3所示的硬件结构实现。下面说明各个构成部分。
浏览器101是用于与互联网连接的应用部分，用于使用户能够访问在互联网上配置的站点，并阅览站点中所保存的内容。该浏览器101构成为保存访问历史。
历史发送部102是发送使用浏览器101访问的内容的访问历史(表示在同一菜单画面上选择的内容及未选择的内容的信息)的部分。另外，在信息发布服务器200侧具有每当进行访问时采集历史信息的功能的情况下，该历史发送部102不是必须的构成要素。
推荐请求发送部103是通过由用户操作未图示的操作部，向信息发布服务器200发送用户ID和推荐信息请求的部分。
发布信息显示部104是显示通过浏览器101取得的菜单画面及内容(网页)的部分。
这样构成的手机100能够使用浏览器101访问互联网，同时保存其访问历史，历史发送部102能够按照来自信息发布服务器200的请求或者按照预定的定时发送访问历史。
下面，说明这些手机100及信息发布服务器200的动作。图10是表示根据手机100的请求来发布内容时的、手机100及信息发布服务器200的处理的时序图。
如图10所示，根据来自手机100的浏览器101的请求，通过内容发送部208从信息发布服务器200发布菜单画面(S101)。手机100的用户从该菜单画面选择任意一个内容(相当于上述节点)，手机100的浏览器101受理该选择(S102)，按照内容的连接请求及其收件人向信息发布服务器200发送URL(S103)。
在信息发布服务器200中，URL被内容请求接收部201接收，并作为访问历史存储在阅览历史表207c中。并且，根据该访问历史进行用户特性矢量的计算并进行存储(S104)。然后，由内容发送部208从内容提供商(未图示)取得基于在S103中进行了请求的收件人的内容，并进行发布(S105)。另外，用户特性矢量计算处理和内容发布处理的顺序也可以颠倒。
这里，说明S104的用户特性矢量计算的具体处理。图11是表示用户特性矢量计算处理的流程图。如图11所示，首先，将内容请求接收部201接收到的访问请求或者由访问历史表示的访问历史信息作为新追加的访问历史存储到阅览历史表207c中(S201)。
并且，由历史类分离部203根据在该阅览历史表207c中存储的访问历史信息，提取属于各个满意类或者不满意类的内容的特性矢量(S202)。并且，由历史类分离部203根据这些特性矢量，生成用于将满意类和不满意类分离开的分离平面(S202)。然后，由用户特性矢量计算部204计算与所生成的分离平面正交的正交矢量，求出用户特性矢量(S204)。这里求出的用户特性矢量被保存在用户特性矢量管理表207a中，在发布推荐信息时，当评价存储在发布信息存储部205中的内容时使用该用户特性矢量。
下面，说明在本实施方式中发布推荐信息时的该内容评价处理。图12是发布推荐信息时的时序图。如图12所示，由手机100的推荐请求发送部103发送包含用户ID的推荐请求，该推荐请求被信息发布服务器200中的推荐请求接收部202接收(S301)。并且，在信息发布服务器200中，对发布信息存储部205中存储的内容进行内容评价(S302)。这里，由内容评价部206按照用户特性矢量进行评价，并生成按照评价从高到低的顺序将内容的标题进行排列后的推荐信息。并且，由内容发送部208发送这样生成的推荐信息(S303)。
这里，针对S302的内容评价处理进行更详细的说明。图13是表示内容评价处理的流程图。如图13所示，由内容评价部206根据与推荐请求一起发送的用户ID，从用户特性矢量管理表207a取得对应的用户特性矢量(S401)。然后，由内容评价部206从内容特性矢量管理表207b取得各个内容的特性矢量(S402)。
并且，由内容评价部206计算用户特性矢量与内容特性矢量的内积(S403)。按照由内容评价部206计算的内积从大到小的顺序，提取与内容管理表205a中存储的内容ID对应的标题，将该标题按照评价从高到低的顺序进行排列，由此生成推荐信息。并且，由内容发送部208向手机100发送所生成的推荐信息(S404)。
这样，能够按照用户特性矢量来提供推荐信息，能够没有遗漏地将推荐信息提供给用户。
<相对空间中的分离平面的生成>
以上的分离平面生成方法是按照绝对空间中的内容特性矢量来进行的，但作为精度更高的方法，也可以考虑利用求出相对位置关系的相对空间的方法。下面，说明使用相对空间来生成分离平面的方法。另外，此时的处理结构与上述情况相同，只是历史类分离部203的处理内容不同。
图14表示历史事件a和历史事件b的菜单画面的结构示例，图14(a)是表示历史事件a的菜单画面的图，该菜单画面由节点1～节点3构成。另外，图14(b)是表示历史事件b的菜单画面的图，该菜单画面由节点6～节点9构成。在图14(a)中表示选择了节点3，在图14(b)中表示选择了节点9。
图15是表示在图14所示的各个菜单画面中选择的内容特性矢量在特征空间中的位置关系的图。图15(a)是表示在历史事件a中选择的内容的特征空间(绝对空间)的图，图15(b)是表示在历史事件b中选择的内容的特征空间(绝对空间)的图。与上述情况相同，可以将被选择的内容定义为满意内容，将未被选择的内容定义为不满意内容，并分别分类为满意类、不满意类。
图16是对于各个历史事件a及b在同一特征空间上表示内容特性矢量的图，是表示相对空间的图，该相对空间表示在将不满意内容的特性矢量取为原点时的满意内容的特性矢量的位置。例如，为了进行节点2与节点3的相对比较、节点1与节点3的相对比较，将表示分别以节点1、节点2为原点时的节点3的位置的特征空间作为相对空间。更具体地讲，从节点3的特性矢量中减去节点1的特性矢量，由此形成相对空间。对于其他节点也相同，可以通过进行减去作为对象的内容的特性矢量的处理，来形成相对空间。
在该相对空间中，如图16所示，由历史类分离部203根据这种满意内容的特性矢量、不满意内容的特性矢量，生成用于分离为满意类和不满意类的分离平面。并且，由用户特性矢量计算部204计算与该分离平面正交的正交矢量即用户特性矢量w。
这样，在历史事件不同的情况下，也能够利用相对空间生成用户特性矢量，并生成识别性能更高的用户特性矢量。
图17是表示根据绝对空间中的各个内容的特性矢量进行评价时的概念的图，例如，根据所生成的用户特性矢量，评价在发布信息存储部205中存储的未知的内容即节点6～节点8。这里，与上述情况相同，内容评价部206可以计算用户特性矢量与各个内容的特性矢量的内积，由此计算其评价值。从概念上讲与上述情况相同，投影在用户特性矢量上的点(即引出垂线的点)在该矢量方向上从上到下的顺序确定了内容的优先顺序。
可以这样使用相对空间来生成分离平面，由此生成用户特性矢量。另外，关于图15～图17，当作绝对空间也能生成分离平面，但也要考虑到由不能生成分离平面的特性矢量构成的特征空间。在这种情况下，可以利用上述的相对空间来生成分离平面。下面说明这种方法。
图18(a)是表示绝对空间中的内容特性矢量的图。在该图18(a)中，以节点1和节点4是存在于相同事件(菜单画面)中的内容，节点2和节点3是存在于相同事件(菜单画面)中的内容为前提。另外，圆点表示被选择的内容的特性矢量(满意类)，三角形表示未被选择的内容的特性矢量(不满意类)。
根据图18(a)可知，在绝对空间中，针对形成这种位置关系的特性矢量的内容，不能生成分离平面。分离平面是用于将满意类和不满意类分离开的平面，在图18(a)的示例中无法将两者分离开。因此，需要转换为以能够生成分离平面的方式表示相对位置关系的相对空间。
图18(b)是表示相对空间中的内容特性矢量的图，在图18(b)的示例中，由于按照使节点1和节点2处于相同位置的方式使节点2平移，所以使与节点2对应的节点3平移。通过这样转换为相对空间，能够生成将不满意内容即节点1(节点2)与满意内容即节点3和节点4分离开的分离平面v。
在以上所述的绝对空间中不能生成分离平面的情况下，也能够通过转换为相对空间来生成分离平面，从而能够计算用户特性矢量。
<考虑了阅览频度的分离平面生成方法>
下面，针对进行使用了内容阅览频度的加权处理，并使用该加权处理后的特性矢量来生成分离平面时的历史类分离部203的处理进行说明。另外，这里说明使用NN法的分离平面生成。
图19是表示考虑阅览频度来求出特性矢量的重心的处理的概念图，是表示用于表现与节点A～C对应的内容c1～c3的特性矢量的位置的特征空间的概念图。内容c1的阅览频度是3次，内容c2的阅览频度是1次，内容c3的阅览频度是10次。另外，阅览历史表207c优选存储被阅览的内容的阅览历史、未被阅览的内容的未阅览历史，并需要以能够保持或计算的方式存储各个频度。
在这种情况下，这些内容c1～c3的重心根据下式(1)进行计算。
[式1]
Figure BPA00001234400600161
另外，ci表示被阅览的内容的特性矢量，ni表示阅览频度。
通过进行该计算来确定重心。并且，针对没有图示的未被阅览的内容，同样利用式(1)，使用未被阅览的内容的特性矢量求出其重心。并且，可以求出从未被阅览的内容的重心连接到被阅览的内容的重心的直线，作为用户特性矢量。而且，该直线与正交于分离平面的直线同向，也可以计算分离平面并求出与该分离平面正交的正交矢量，但在NN法中不一定需要分离平面。
由此，能够利用内容的阅览频度求出用户特性矢量，与不利用阅览频度时相比，能够求出更接近用户嗜好的用户特性矢量。因此，能够进行对应于用户嗜好的内容评价。
<考虑了选择顺序的分离平面生成方法>
下面，针对考虑所阅览的内容的顺序来生成分离平面时的历史类分离部203的处理进行说明。通常，可以认为新近访问的内容比以前访问的内容更重要、或者更接近于用户的嗜好。该时间差越大，则越认为用户的嗜好会产生变化，越认为新近访问的内容更为重要。这里，说明考虑该时间差(时间序列成分)来生成分离平面时的处理。
图20是表示在历史类分离部203生成分离平面时，按照该被访问的时间序列顺序，利用NN法生成用户特性矢量时的处理的说明图，图20(a)是表示此时的菜单画面的说明图，图20(b)是表示用户选择的内容的选择历史的说明图，图20(c)是表示特征空间中的各个内容的特性矢量的概念图，图20(d)是用于说明生成考虑了选择顺序的分离平面的概念图。另外，选择历史被存储在阅览历史表207c中。
如图20(a)所示，由节点A～节点F构成菜单画面。这里，如图20(b)所示，按照节点A、节点B、节点C的顺序选择了内容。因此，节点A、节点B、节点C是被分类为满意类的内容，节点D、节点E、节点F是被分类为不满意类的内容。
下面，使用图20(c)和图20(d)说明生成分离平面时的处理的概念。如图20(c)所示，节点A～节点F按照其特性矢量位于特征空间上。并且，按照使新近选择的内容的特性矢量的影响大的方式进行计算。如图20(d)所示，为了求出满意类的重心，首先计算节点A与节点B的中点w1。并且，计算该中点w1与节点C的中点w2。
另一方面，在不满意类中，根据节点D、节点E、节点F计算重心w3。在不满意类中不存在选择顺序的概念，所以与通常的处理相同，计算基于这3个节点的重心w3。并且，生成以中点w2与重心w3的连线为垂线的分离平面v。另外，在本实施方式中，将与该分离平面v正交的正交矢量设为用户特性矢量，这与从重心w3连接到中点w2的直线相同。在实施方式中为了便于说明而求出了分离平面，但在使用NN法的情况下，不是必须求出分离平面。
这样，计算特性矢量与特性矢量的中点，并计算该中点与特性矢量的中点，按照时间序列顺序地计算中点(应用NN法)，由此越是前面的访问历史，其权重越小，能够计算考虑了时间序列顺序的重心。
<应用于操作菜单>
另外，在上述的各个方法中，关于菜单画面，以从作为网站的信息发布服务器200发送的菜单画面为例进行了说明，但不限于该示例，例如，也可以针对手机100的操作菜单显示推荐操作信息作为推荐信息。
例如，可以针对操作菜单中的各个操作项目分配特性矢量，按照用户的操作历史，生成与用户操作有关的用户特性矢量，在用户发出推荐操作信息的请求时，根据该用户特性矢量来生成推荐操作信息。另外，可以构成为按照预定的定时从手机100向信息发布服务器200发送操作历史信息并进行存储。
图21是表示与操作有关的特征空间中的特性矢量的参数的说明图。如图21所示，规定了“来电文字(着もじ)”、“可视电话”、“手机电视(ワンセグ)”、“画面备忘录”、“文本备忘录”。并且，作为构成特性矢量的参数，规定了“电话”、“互联网”、“文本”、“备忘录”、“电视”。这样，对手机100的功能规定了特性矢量。例如，在“来电文字”中，对“电话”、“文本”的参数分配了1，表示是与电话、文本相关联的功能。可以在发布信息存储部205中存储所有的终端功能信息，在用户进行显示操作菜单的操作时，内容评价部206得知该情况，进行操作信息的评价而生成合适的推荐操作信息，内容发送部208发送推荐操作信息，并在手机100中显示该信息。
这样，通过将本实施方式的评价方法应用于操作菜单，并向用户提供推荐操作信息，能够将与用户经常使用的操作相似或者相关联的操作通知给用户。
另外，也考虑了在手机内进行处理，而无需与信息发布服务器200连接。图22是表示能够显示推荐操作信息的手机100a的功能的框图。其硬件结构与图3相同。
该手机100a构成为包括操作部101a、推荐操作显示部104a、历史类分离部105、用户特性矢量计算部106、操作信息评价部107、操作信息存储部108及历史存储部109。
下面说明各个构成部分。操作部101a是用于执行安装于手机100a中的各个功能的部分，由数字键、触摸屏等构成。
推荐操作显示部104a是显示推荐操作信息的部分，该推荐操作信息如后面所述显示按照用户的操作历史来确定的对于用户而言未知的操作。
历史类分离部105、用户特性矢量计算部106、操作信息评价部107、操作信息存储部108及历史存储部109分别相当于图2所示的信息发布服务器200的历史类分离部203、用户特性矢量计算部204、发布信息存储部205、内容评价部206和历史存储部207，在历史类分离部105中生成将在同一操作菜单内被操作的功能、未被操作的功能分别分离为满意功能、不满意功能的分离平面，用户特性矢量计算部106讲与所生成的分离平面正交的正交矢量作为用户特性矢量。操作信息评价部107按照所计算的用户特性矢量，根据各个功能特性矢量进行评价，针对评价较高的功能编辑其菜单画面，以便在操作菜单上进行显示。用户在显示操作菜单时，能够在该操作菜单上确认该评价较高的功能。
下面，说明本实施方式的手机100及信息发布服务器200的作用效果。在手机100中，通过操作浏览器来显示菜单画面，并显示表示节点1～节点5等内容的多个选择对象项目。并且，在通过用户操作从这些内容中选择了任意一个内容时，手机100向信息发布服务器200发送被选择的内容和未被选择的内容，信息发布服务器200(内容请求接收部201)受理这些内容。内容请求接收部201从内容提供商取得被选择的内容，内容发送部208将该内容发送给手机100。
另一方面，在阅览历史表207c中存储被选择的内容的特性矢量和未被选择的内容的特性矢量。历史类分离部203生成分离平面，该分离平面用于在特征空间内将存储在阅览历史表207c中的被选择的内容的特性矢量和未被选择的内容的特性矢量分离开。并且，用户特性矢量计算部204根据与所生成的分离平面正交的正交矢量，生成用户特性矢量，并将其存储在用户特性矢量管理表207a中。然后，在推荐请求接收部202接收到推荐请求时，内容评价部206根据所存储的用户特性矢量进行内容的评价。
由此，能够按照表示用户特性的矢量进行内容的评价，能够没有遗漏地向用户提供内容，而无需根据用户的兴趣/嗜好等或者访问历史等直接性的信息对所应推荐的内容进行评价。
并且，在本实施方式的信息发布服务器200中，优选地，历史类分离部203计算未被选择的所有内容的特性矢量与被选择的内容的特性矢量之间的相对位置关系，并根据该位置关系生成分离平面。即，优选地，计算在未被选择或者被选择的内容的特性矢量上重叠其它特性矢量的位置关系，形成相对空间，并在该相对空间中生成分离平面。由此，能够在表示相对位置关系的相对空间内生成分离平面，并根据分离平面生成用户特性矢量，所以能够进行精度更高的内容评价。
并且，在本实施方式的信息发布服务器200中，在阅览历史表207c中存储内容的阅览频度及未被阅览的未阅览频度。另外，也可以不存储这种阅览频度、未阅览频度，而按照阅览历史根据需要来计算阅览频度、未阅览频度。并且，对阅览频度较高的内容的特性矢量进行与其频度对应的加权，同时对未阅览频度较高的内容的特性矢量进行与其频度对应的加权，并根据该加权后的特性矢量，生成用于分离为满意类和不满意类的分离平面。由此，能够根据频度计算用户特性矢量，能够计算精度更好的用户特性矢量，因而能够更准确地进行内容的评价。
并且，在本实施方式的信息发布服务器200中，可以在内容管理表205a中将选择菜单画面中的各个内容的时期与该内容的特性矢量一起存储，并根据按照选择时期的新近程度进行了加权的内容特性矢量来生成分离平面。例如，在NN法中，从时间较早的内容的特性矢量开始顺序地求出其重心，结果是，能够进行与选择时期的新近程度对应的加权处理。由此，能够进行考虑了时间序列成分的加权，能够进行精度更高的内容评价。
并且，在本实施方式的信息发布服务器200中，内容发送部208发送按照内容评价部206的评价结果而生成的推荐信息，由此，用户能够取得有用的信息。

Claims (11)

1.一种推荐信息评价装置，其具有：
受理单元，其受理根据用户操作从多个选择对象项目中对一个选择对象项目进行的选择；
存储单元，其存储由所述受理单元受理的被选择的选择对象项目的矢量即满意特征矢量、以及未被选择的选择对象项目的矢量即不满意特征矢量；
用户特性矢量生成单元，其将与分离平面正交的正交矢量作为用户特性矢量，该分离平面用于在特征空间内将由所述存储单元存储的被选择的选择对象项目的满意特征矢量与未被选择的选择对象项目的不满意特征矢量分离开；以及
评价单元，其根据由所述用户特性矢量生成单元生成的用户特性矢量，进行未知的选择对象项目的评价。
2.根据权利要求1所述的推荐信息评价装置，其还具有生成分离平面的分离平面生成单元，该分离平面用于在特征空间内将由所述存储单元存储的被选择的选择对象项目的满意特征矢量与未被选择的选择对象项目的不满意特征矢量分离开，
所述用户特性矢量生成单元按照由所述分离平面生成单元生成的分离平面，生成用户特性矢量。
3.根据权利要求2所述的推荐信息评价装置，其中，所述分离平面生成单元计算所有的不满意特征矢量与满意特征矢量之间的相对位置关系，同时以使得其他不满意特征矢量或者其他满意特征矢量与一个不满意特征矢量或者一个满意特征矢量一致的方式来计算位置关系，并根据该位置关系来生成分离平面。
4.根据权利要求2或3所述的推荐信息评价装置，其中，所述分离平面生成单元根据SVM法生成分离平面。
5.根据权利要求1所述的推荐信息评价装置，其中，所述用户特性矢量生成单元根据NN法生成用户特性矢量。
6.根据权利要求1～5中任意一项所述的推荐信息评价装置，其中，所述存储单元将选择对象项目的选择频度与该选择对象项目的满意特征矢量一起存储，将选择对象项目的不选择频度与该选择对象项目的不满意特征矢量一起存储，
所述用户特性矢量生成单元对所述选择频度高的满意特征矢量进行与其频度对应的加权，同时对所述不选择频度高的不满意特征矢量进行与其频度对应的加权，根据包括该加权后的满意特征矢量及不满意特征矢量在内的满意特征矢量及不满意特征矢量，生成用户特性矢量。
7.根据权利要求1～5中任意一项所述的推荐信息评价装置，其中，所述存储单元将选择对象项目的选择时期与该选择对象项目的满意特征矢量一起存储，
所述分离平面生成单元根据按照选择时期及不选择时期的新近程度进行了加权的该选择对象项目的满意特征矢量，生成用户特性矢量。
8.根据权利要求1～7中任意一项所述的推荐信息评价装置，其还具有推荐信息发送单元，该推荐信息发送单元发送按照所述评价单元的评价结果而生成的推荐信息。
9.根据权利要求1～8中任意一项所述的推荐信息评价装置，其中，所述选择对象项目是用于阅览网页的菜单画面上的项目。
10.根据权利要求1～8中任意一项所述的推荐信息评价装置，其中，所述选择对象项目是用于执行装置的功能的操作菜单上的项目。
11.一种推荐信息评价方法，该方法包括：
受理步骤，受理根据用户操作从多个选择对象项目中对一个选择对象项目进行的选择；
存储步骤，存储通过所述受理步骤受理的被选择的选择对象项目的矢量即满意特征矢量、以及未被选择的选择对象项目的矢量即不满意特征矢量；
用户特性矢量生成步骤，根据与分离平面正交的正交矢量生成用户特性矢量，该分离平面用于在特征空间内将通过所述存储步骤存储的被选择的选择对象项目的满意特征矢量与未被选择的选择对象项目的不满意特征矢量分离开；以及
评价步骤，根据通过所述用户特性矢量生成步骤生成的用户特性矢量，进行推荐信息的评价。
CN2009801122412A 2008-04-10 2009-04-02 推荐信息评价装置及推荐信息评价方法 Active CN101999121B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2008102801A JP5328212B2 (ja) 2008-04-10 2008-04-10 レコメンド情報評価装置およびレコメンド情報評価方法
JP2008-102801 2008-04-10
PCT/JP2009/056867 WO2009125711A1 (ja) 2008-04-10 2009-04-02 レコメンド情報評価装置およびレコメンド情報評価方法

Publications (2)

Publication Number Publication Date
CN101999121A true CN101999121A (zh) 2011-03-30
CN101999121B CN101999121B (zh) 2013-07-17

Family

ID=41161843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009801122412A Active CN101999121B (zh) 2008-04-10 2009-04-02 推荐信息评价装置及推荐信息评价方法

Country Status (7)

Country Link
US (1) US8886583B2 (zh)
EP (1) EP2264624A4 (zh)
JP (1) JP5328212B2 (zh)
KR (1) KR101123175B1 (zh)
CN (1) CN101999121B (zh)
TW (1) TWI395108B (zh)
WO (1) WO2009125711A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108352028A (zh) * 2015-11-09 2018-07-31 株式会社电通 顾客关系管理装置及方法
CN112559874A (zh) * 2020-12-21 2021-03-26 周欢 基于智慧教育的用户推荐方法
US11334934B2 (en) * 2019-03-20 2022-05-17 Fujitsu Limited Item presentation method, item presentation program, and item presentation apparatus

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7606793B2 (en) 2004-09-27 2009-10-20 Microsoft Corporation System and method for scoping searches using index keys
US9348912B2 (en) 2007-10-18 2016-05-24 Microsoft Technology Licensing, Llc Document length as a static relevance feature for ranking search results
US8812493B2 (en) 2008-04-11 2014-08-19 Microsoft Corporation Search results ranking using editing distance and document information
JP5275126B2 (ja) * 2009-04-30 2013-08-28 株式会社エヌ・ティ・ティ・ドコモ レコメンド情報生成装置およびレコメンド情報生成方法
JP5401261B2 (ja) * 2009-10-30 2014-01-29 株式会社日立製作所 情報推薦方法及び装置
US8738635B2 (en) 2010-06-01 2014-05-27 Microsoft Corporation Detection of junk in search result ranking
EP2606627B1 (en) 2010-08-19 2019-03-27 Thomson Licensing Personalization of information content by monitoring network traffic
US9407710B2 (en) * 2010-08-19 2016-08-02 Thomson Licensing Personalization of information content by monitoring network traffic
JP5038521B1 (ja) * 2011-06-30 2012-10-03 楽天株式会社 評価情報特定装置、評価情報特定方法、評価情報特定プログラム、及びそのプログラムを記録するコンピュータ読み取り可能な記録媒体
US9495462B2 (en) 2012-01-27 2016-11-15 Microsoft Technology Licensing, Llc Re-ranking search results
US20140115096A1 (en) * 2012-10-23 2014-04-24 Microsoft Corporation Recommending content based on content access tracking
US9258353B2 (en) 2012-10-23 2016-02-09 Microsoft Technology Licensing, Llc Multiple buffering orders for digital content item
US9300742B2 (en) 2012-10-23 2016-03-29 Microsoft Technology Licensing, Inc. Buffer ordering based on content access tracking
WO2014098640A1 (en) * 2012-12-19 2014-06-26 Abbyy Infopoisk Llc Translation and dictionary selection by context
KR102104100B1 (ko) * 2013-01-23 2020-04-23 에스케이플래닛 주식회사 실사용 이력 기반 디지털 컨텐츠 추천 방법 및 그 장치
WO2015181929A1 (ja) * 2014-05-29 2015-12-03 パイオニア株式会社 コンテンツ提示装置及び方法、サーバ装置、端末装置、コンピュータプログラム並びに記録媒体
JP6435888B2 (ja) * 2015-01-30 2018-12-12 富士通株式会社 アイテム推薦プログラム、装置、及び方法
US10616299B2 (en) * 2016-03-30 2020-04-07 Accenture Global Solutions Limited Video analytics device
US11853306B2 (en) 2018-06-03 2023-12-26 Apple Inc. Techniques for personalizing app store recommendations
WO2021090332A1 (en) * 2019-11-04 2021-05-14 Leadstart Publishing Pvt. Ltd. Systems and methods for providing a platform for feed-back based updateable content
CN112084404B (zh) * 2020-09-01 2024-03-01 北京百度网讯科技有限公司 内容推荐方法、装置、设备和介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH117453A (ja) * 1997-04-22 1999-01-12 Mitsubishi Electric Corp メディア情報推薦装置
US6266668B1 (en) * 1998-08-04 2001-07-24 Dryken Technologies, Inc. System and method for dynamic data-mining and on-line communication of customized information
JP2000132559A (ja) 1998-10-23 2000-05-12 Hitachi Ltd 情報フィルタリングシステムにおけるプロファイル更新方法及び情報フィルタリングシステム
KR100346264B1 (ko) * 1999-12-02 2002-07-26 엘지전자주식회사 멀티미디어 특징소 정보의 갱신방법과 멀티미디어 특징소 정보 생성방법
US7570943B2 (en) * 2002-08-29 2009-08-04 Nokia Corporation System and method for providing context sensitive recommendations to digital services
US6829599B2 (en) * 2002-10-02 2004-12-07 Xerox Corporation System and method for improving answer relevance in meta-search engines
US7356187B2 (en) * 2004-04-12 2008-04-08 Clairvoyance Corporation Method and apparatus for adjusting the model threshold of a support vector machine for text classification and filtering
US7707132B2 (en) * 2004-10-01 2010-04-27 University Of Southern California User preference techniques for support vector machines in content based image retrieval
JP4496478B2 (ja) * 2005-04-15 2010-07-07 ソニー株式会社 情報処理装置および方法、並びにプログラム
JP2007073014A (ja) * 2005-09-09 2007-03-22 Denso It Laboratory Inc 情報提供装置及び情報提供方法
JP2007148878A (ja) 2005-11-29 2007-06-14 Nec Corp リコメンド情報配信サーバ、リコメンド情報配信方法、リコメンド情報配信プログラム
JP2007241452A (ja) * 2006-03-06 2007-09-20 Fuji Xerox Co Ltd ドキュメント情報処理装置
JP4240096B2 (ja) * 2006-09-21 2009-03-18 ソニー株式会社 情報処理装置および方法、プログラム並びに記録媒体

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108352028A (zh) * 2015-11-09 2018-07-31 株式会社电通 顾客关系管理装置及方法
US11334934B2 (en) * 2019-03-20 2022-05-17 Fujitsu Limited Item presentation method, item presentation program, and item presentation apparatus
CN112559874A (zh) * 2020-12-21 2021-03-26 周欢 基于智慧教育的用户推荐方法
CN112559874B (zh) * 2020-12-21 2023-05-16 南京康裕数字科技有限公司 基于智慧教育的用户推荐方法

Also Published As

Publication number Publication date
JP5328212B2 (ja) 2013-10-30
JP2009252179A (ja) 2009-10-29
KR101123175B1 (ko) 2012-03-20
KR20100113593A (ko) 2010-10-21
US8886583B2 (en) 2014-11-11
CN101999121B (zh) 2013-07-17
EP2264624A1 (en) 2010-12-22
WO2009125711A1 (ja) 2009-10-15
TW200949582A (en) 2009-12-01
EP2264624A4 (en) 2012-08-22
TWI395108B (zh) 2013-05-01
US20110131168A1 (en) 2011-06-02

Similar Documents

Publication Publication Date Title
CN101999121B (zh) 推荐信息评价装置及推荐信息评价方法
CN101990668B (zh) 推荐信息生成装置和推荐信息生成方法
KR101343609B1 (ko) 증강 현실 데이터를 이용할 수 있는 어플리케이션 자동 추천 장치 및 방법
KR100882716B1 (ko) 상품 정보를 추천하는 방법 및 상기 방법을 수행하는시스템
CN102446118A (zh) 聚焦于上下文和任务的计算
US20130138674A1 (en) System and method for recommending application by using keyword
US20080243797A1 (en) Method and system of selecting landing page for keyword advertisement
US10104024B2 (en) Apparatus, method, and computer program for providing user reviews
KR101955463B1 (ko) 컨텐츠 분석에 따른 어플리케이션 추천 시스템 및 방법
CN105335423B (zh) 一种网页的用户反馈的收集处理方法及装置
JP2009181468A (ja) 画像検索ログ収集システム、画像検索ログ収集方法、及びプログラム
Adomavicius et al. Preface to the special issue on context-aware recommender systems
CN107885856A (zh) 一种页面展示方法和装置
KR101976816B1 (ko) SaaS 어플리케이션 연동 서비스의 제공장치 및 그 제공방법
JP2010181966A (ja) レコメンド情報評価装置およびレコメンド情報評価方法
KR101517674B1 (ko) 복수의 키워드 추출 기법들을 이용하는 광고 노출 방법 및 광고 제공 장치
KR101608244B1 (ko) 유무선 네트워크를 이용하여 사용자의 요청에 따른 데이터를 확장하여 제공하기 위한 방법 및 시스템
CN115860869A (zh) 店铺信息推荐方法、设备及存储介质
KR101347220B1 (ko) 광고 컨텐츠 제공 시스템
KR101744764B1 (ko) 부동산 매물 관리 서버
JP5248376B2 (ja) 情報配信装置および情報配信方法
KR101153307B1 (ko) 키워드 특성을 이용한 랜딩 페이지 제공 방법 및 시스템
JP5183282B2 (ja) レコメンド情報評価装置およびレコメンド情報評価方法
KR102141484B1 (ko) 소셜 네트워크 서비스를 이용한 개인 판매몰 자동 생성 방법 및 시스템
KR20230063720A (ko) 상품 구매 서비스 제공 장치 및 방법

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant