CN104346428A - 信息处理装置、信息处理方法及程序 - Google Patents

Abstract

本发明公开了一种信息处理装置和信息处理方法。该信息处理装置包括元数据扩展单元。元数据扩展单元被配置为：使用响应者表现出响应的其他项目的元数据来扩展目标项目的元数据，该响应者是已经对目标项目表现出响应的用户，其中要扩展目标项目的元数据。

Description

信息处理装置、信息处理方法及程序

相关申请的交叉引用

本申请要求于2013年8月6日提交的日本优先权专利申请JP2013-163372的权益，其全部内容通过引用合并于本文中。

背景技术

本技术涉及信息处理装置、信息处理方法及程序，具体地涉及期望用于扩展项目的元数据的信息处理装置、信息处理方法及程序。

到目前为止，已知协同过滤(CF)和基于内容的过滤(CBF)作为用于向用户推荐项目的技术(例如参见日本专利申请公报No.2003-167901和日本专利申请公报No.2012-190061)。

发明内容

然而，例如在CBF的应用中，由于具有少量元数据的项目与其他项目的元数据仅有很少的共有部分，因此计算出的项目与其他项目之间的相似度较低，难以将该项目推荐给用户。

本技术是鉴于上述情况提出的，因此期望扩展项目的元数据。

根据本技术的实施方式的信息处理装置包括元数据扩展单元。元数据扩展单元被配置为：使用响应者表现出响应的其他项目的元数据来扩展目标项目的元数据，该响应者是已经对目标项目表现出响应的用户，其中要扩展目标项目的元数据。

元数据扩展单元可以使用响应者在指定时间段内表现出响应的项目的元数据来扩展目标项目的元数据，该指定时段包括响应者对目标项目表现出响应的时间段。

元数据扩展单元可以使用响应者紧接在对目标项目表现出响应之前或紧接在对目标项目表现出响应之后表现出响应的指定数量的项目的元数据来扩展目标项目的元数据。

元数据扩展单元可以将响应者限于属于指定组的用户，以扩展目标项目的元数据。

元数据扩展单元可以当通过指定方法对各个项目进行分类时，使用与目标项目属于同一组的项目的元数据来扩展目标项目的元数据。

元数据扩展单元可以以将特征量向量加在一起的方式来扩展目标项目的元数据，其中特征量向量基于响应者表现出响应的各个项目的元数据。

元数据扩展单元可以增大响应者在与响应者对目标项目表现出响应的时间段接近的时间段中表现出响应的项目的权重，以将特征量向量加在一起。

元数据扩展单元可以分配与响应类型和响应程度中的至少之一相对应的权重，以将特征量向量加在一起。

元数据扩展单元可以向响应者分配权重，以将特征量向量加在一起。

元数据扩展单元可以分配与响应者表现出响应的项目的数量相对应的权重，以将特征量向量加在一起。

元数据扩展单元可以增大与目标项目相似的项目的权重，以将特征量向量加在一起。

元数据扩展单元可以将目标项目的特征量向量的权重设定为与其他项目的特征量向量的权重的值不同的值。

元数据扩展单元可以不加上目标项目的特征量向量。

信息处理装置还可以包括推荐单元。推荐单元针对作为要推荐给目标用户的候选项目的每个候选项目，计算通过将候选项目与目标用户表现出响应的各个项目之间的特征量向量的相似度加在一起而获得的得分，以及基于得分将项目推荐给目标用户，其中目标用户表现出响应的项目与候选项目中的至少之一使用经扩展的特征量向量来计算得分。

信息处理装置还可以包括搜索单元。搜索单元搜索这样的项目：在该项目的经扩展的元数据中包括所提供的关键字。

一种根据本技术的另一实施方式的信息处理装置的信息处理方法包括：使用响应者表现出响应的其他项目的元数据来扩展目标项目的元数据，响应者是已经对目标项目表现出响应的用户，其中要扩展目标项目的元数据。

一种根据本技术的又一实施方式的程序使得计算机执行处理，该处理包括：使用响应者表现出响应的其他项目的元数据来扩展目标项目的元数据，响应者是已经对目标项目表现出响应的用户，其中要扩展目标项目的元数据。

根据本技术的实施方式，使用响应者表现出响应的其他项目的元数据扩展目标项目的元数据，响应者是已经对目标项目表现出响应的用户，其中要扩展目标项目的元数据。

根据本技术的实施方式，可以充分扩展项目的元数据。

根据对如附图所示的最佳模式实施方式的以下详细的描述，本公开内容的这些以及其他目的、特征和优点将变得更加明显。

附图说明

图1是示出应用本技术的信息处理装置的框图；

图2是用于描述离线处理的流程图；

图3是用于描述元数据扩展处理的细节的流程图；

图4是用于描述元数据扩展处理的具体示例的图；

图5是用于描述项目推荐处理的流程图；

图6是示出项目特征量的示例的图；

图7是示出用户的购买历史的示例的图；

图8是示出对用本技术与用CBF和CF计算项目之间的相似度的结果进行比较的示例的图；

图9是用于描述项目搜索处理的流程图；以及

图10是示出计算机的配置示例的框图。

具体实施方式

接下来，将描述用于实施本技术的模式(在下文中称为实施方式)。注意，将以如下顺序给出描述。

1.实施方式

2.修改示例

1.实施方式

(信息处理装置11的配置示例)

图1是示出应用本技术的信息处理装置11的实施方式的框图。

信息处理装置11是提供项目的推荐和搜索服务的装置。注意，由信息处理装置11推荐或搜索的项目不限于具体类型的项目。例如，设想各种内容和商业产品如活动图像、静止图像、书、文档、歌曲、电视节目、软件、新闻文章、博客文章、微博句子以及信息；社区站点中的用户；以及社区站点内的社区。此外，信息处理装置11能够针对项目的一部分进行推荐和搜索(例如，电影的一个场景或歌曲吸引人的部分)。

信息处理装置11包括离线处理系统21、在线处理系统22、日志存储单元23、元数据存储单元24、用户信息存储单元25、特征量向量存储单元26以及关联矩阵存储单元27。

离线处理系统21包括特征量向量生成单元31、元数据扩展单元32以及相似度计算单元33。

如下文所述，特征量向量生成单元31基于每个项目的存储在元数据存储单元24中的元数据来生成表示该项目的特征的特征量向量。特征量向量生成单元31将所生成的每个项目的特征量向量存储在特征量向量存储单元26中。

如下文所述，元数据扩展单元32使用其他项目的特征量向量来扩展每个项目的存储在特征量向量存储单元26中的特征量向量，以扩展该项目的元数据。元数据扩展单元32将经扩展的特征量向量存储在特征量向量存储单元26中。

如下文所述，相似度计算单元33基于存储在特征量向量存储单元26中的特征量向量来计算各个项目之间的相似度。此外，相似度计算单元33生成以表格形式表示各个项目之间的相似度的关联矩阵，并且将所生成的关联矩阵存储在关联矩阵存储单元27中。

在线处理系统22包括日志采集单元41、搜索单元42和推荐单元43。

日志采集单元41从经由网络如因特网(未示出)连接的服务器和客户端采集与每个用户对每个项目的响应有关的信息。注意，并未特别地限定要采集的响应的类型。例如，这样设定对于购买、预订及下载项目的响应，对于浏览信息的响应，以及对于进行评价或评论的响应。

日志采集单元41基于所采集的信息来生成表示每个用户对每个项目的响应的历史的日志(在下文中称为响应日志)，并且将所生成的日志存储在日志存储单元23中。例如，响应日志包括表现出响应的用户的用户ID、作为响应目标的项目的项目ID、响应时间段、响应类型等。

如下文所述，搜索单元42基于每个项目的存储在特征量向量存储单元26中的特征量向量来搜索对应于给定条件的项目。搜索单元42将项目的搜索结果经由网络(未示出)发送给由用户操作的客户端等。

如下文所述，推荐单元43基于存储在关联矩阵存储单元27中的关联矩阵来提取要推荐给用户的项目。推荐单元43将与所提取的项目有关的信息经由网络(未示出)发送给由用户操作的客户端等。

日志存储单元23存储如上所述的响应日志。

元数据存储单元24存储每个项目的元数据。注意，元数据可以包括任何类型的信息，只要其与项目有关即可。此外，未特别限定元数据的格式，其可以具有任何类型。

用户信息存储单元25存储与接收由信息处理装置11提供的服务的用户有关的用户信息。注意，用户信息例如包括用户的属性，如年龄、性别、地址以及职业等。

如上所述，特征量向量存储单元26存储每个项目的特征量向量。

如上所述，关联矩阵存储单元27存储关联矩阵。

(信息处理装置11的处理)

接下来，将描述信息处理装置11的处理。

(离线处理)

首先，将参照图2的流程图来描述由信息处理装置11执行的离线处理。注意，该处理例如被周期性地执行。

在步骤S1中，特征量向量生成单元31基于元数据生成每个项目的特征量向量。也就是说，特征量向量生成单元31生成其中每个项目的元数据被向量化的特征量向量，并且将所生成的特征量向量存储在特征量向量存储单元26中。

注意，任何方法可用作为根据元数据生成特征量向量的方法，但是将简要地描述该方法的一个示例。

首先，特征量向量生成单元31根据元数据提取每个指定属性的属性值。此处，属性根据其特性对项目的特征进行分类，属性的示例包括参数如类别(genre)、作者以及关键字。此外，属性值代表指示与每个属性有关的特定信息的值。例如，当项目为电视节目时，属性“类别”的属性值包括动作、喜剧、情节剧、体育、新闻、综艺节目、非小说作品等。

接下来，特征量向量生成单元31使用任何方法如TF-IDF(词频逆文档频率)计算表示所提取的属性值中的每个属性值的影响或重要性的得分。此外，属性值与得分的组合变得等效于表示项目的特征的项目特征量。

然后，特征量向量生成单元31生成以向量形式表示项目特征量的特征量向量。也就是说，特征量向量为各个属性的向量(属性向量)组合在一起的组合向量。属性值是构成属性向量的分量(坐标轴)，并且各个属性值的得分表示属性值的分量的大小。

注意，在例如日本专利申请公报No.2011-135183中公开了生成特征量向量的方法的细节。

在步骤S2中，元数据扩展单元32执行元数据扩展处理。此处，将参照图3的流程图来描述元数据扩展处理的细节。

在步骤S21中，元数据扩展单元32从未处理的项目中选择其元数据要被扩展的目标项目。

在步骤S22中，元数据扩展单元32基于用户对其他项目的响应来扩展元数据，该用户已经对目标项目表现出响应。然后，元数据扩展单元32将目标项目的扩展后的特征量向量(在下文中称为扩展特征量向量)存储在特征量向量存储单元26中。

具体地，元数据扩展单元32使用存储在日志存储单元23中的响应日志，根据如下表达式(1)来计算扩展特征量向量qe_i，在扩展特征量向量qe_i中，目标向量i的特征量向量q_i被扩展。

(表达式1)

${\mathrm{qe}}_i={\mathrm{\Σ}}_v^M\left\{p_{i,v}{\mathrm{\Σ}}_k^N\left(p_{k,v}{q}_k\right)\right\}...\left(1\right)$

注意，q_k表示项目k的特征量向量，M表示用户的数量，并且N表示项目的数量。

此外，p_k,v表示是否存在用户v对项目k的响应。例如，当用户v未对项目k表现出响应时p_k,v被设定为0，而当用户v对项目k的表现出响应时p_k,v被设定为1。

因此，扩展特征量向量qe_i变得等同于其中已经对项目i表现出响应的用户(在下文中称为项目i的响应者)表现出响应的其他项目的特征量向量被相加在一起的向量(特征量向量的和)。因此，通过项目i的响应者表现出响应的其他项目的元数据来扩展项目i的元数据。

注意，根据项目类型以不同的方式来设定关于用户是否对项目表现出响应的确定标准。例如，对于一些类型的项目，仅“购买”被视为对项目的响应。然而，对于其他类型的项目，“购买”、“信息查看”及“进行评价”均被视为对项目的响应。

此处，将参照图4描述步骤S22的处理的具体示例。

图4示出了基于购买了项目10的用户的购买历史来扩展项目10的元数据的情况的示例。项目10已被用户1和用户2购买。此外，用户1购买了项目2和项目3，并且用户2购买了项目5和项目6。项目中的每个项目包括下述特征量向量，该特征量向量包括属性值A至属性值C以及属性值的得分。

例如，当扩展项目10的特征量向量时，根据表达式(1)将购买了项目10的用户1和用户2所购买的其他项目的特征量向量与项目10的特征量向量相加。也就是说，项目2、3、5、6与项目10的特征量向量的和变得等同于项目10的扩展特征量向量。

因此，项目10的特征量向量的属性值A、B及C的得分从项目10在被扩展前的属性值的1、0及0分别变为20、23及13。如上所述，通过项目2、3、5及6的特征量向量来扩展项目10的特征量向量。因此，通过项目2、3、5及6的元数据间接地扩展项目10的元数据。

注意，表达式(1)中的p_k,v可以被设定为指定范围内的变量而不是0或1的二进制数，并且用作将特征量向量加在一起的权重。也就是说，p_k,v可以用作由用户v、项目k以及响应(关于响应的信息)的组合确定的权重。

例如，p_k,v可以被设定为对应于响应类型和响应程度中的至少之一的值(权重)。例如，可以针对对项目k的响应的每种类型将p_k,v设定在0至1的范围中或者可以根据对项目k的响应的积极程度将p_k,v设定在0至1的范围中。此处，积极程度例如代表用户对项目的偏好、兴趣、评价等的程度。另一方面，例如，当对项目k的响应为消极时，可以将p_k,v设定为大小与响应的消极程度相对应的负值。

在p_k,v用作为权重的情况下，扩展特征量向量q_ei是下述向量，在该向量中根据响应类型、响应程度等将项目i的响应者表现出响应的其他项目的特征量向量相加在一起。因此，扩展特征量向量q_ei使得根据响应类型、响应程度等通过项目i的响应者表现出响应的其他项目的元数据来扩展项目i的元数据。

注意，当权重p_k,v可以不表示特定用户和特定项目时，其在一些情况下可以仅被表示为权重p。

返回参照图3，元数据扩展单元32在步骤S23中确定所有项目的元数据是否均已被扩展。当确定并非所有项目的元数据均已被扩展时，处理返回到步骤S21。

此后，重复执行步骤S21至步骤S23的处理直到在步骤S23中确定所有项目的元数据均已被扩展。这样，扩展了所有项目的特征量向量，从而扩展了所有项目的元数据。

另一方面，当在步骤S23中确定所有项目的元数据均已被扩展时，元数据扩展处理结束。

返回参照图2，在步骤S3中，相似度计算单元33基于经扩展的元数据来生成项目之间的关联矩阵。具体地，相似度计算单元33基于项目的扩展特征量向量来计算各个项目之间的相似度。如下表达式(2)指示计算项目i与项目j之间的相似度sim_i,j的示例。

(表达式2)

$\begin{array}{c}{\mathrm{simA}}_{i,j}=\frac{{\mathrm{qe}}_i}{\left|{\mathrm{qe}}_i\right|}\·\frac{{\mathrm{qe}}_j}{\left|{\mathrm{qe}}_j\right|}\\ =\frac{{\mathrm{\Σ}}_v^M\left\{p_{i,v}{\mathrm{\Σ}}_k^N\left(p_{k,v}{q}_k\right)\right\}}{\left|{\mathrm{\Σ}}_v^M\right\{p_{i,v}{\mathrm{\Σ}}_k^N\left(p_{k,v}{q}_k\right)\left\}\right|}\·\frac{{\mathrm{\Σ}}_v^M\{p_{j,v}{\mathrm{\Σ}}_k^N\left(p_{k,v}{q}_k\right)}{\left|{\mathrm{\Σ}}_v^M\right\{p_{j,v}{\mathrm{\Σ}}_k^N\left(p_{k,v}{q}_k\right)\left\}\right|}\end{array}...\left(2\right)$

也就是说，通过对项目i的扩展特征量向量qe_i归一化而获得的向量与对项目j的扩展特征量向量qe_j归一化而获得的向量之间的内积来计算相似度simA_i,j(即，通过向量间的距离来计算)。因此，相似度simA_i,j表示扩展特征量向量qe_i与扩展特征量向量qe_j之间的相似度。

注意，对向量进行归一化的方法不限于由表达式(2)指示的方法，而是可用任何方法。例如，也可以对向量进行归一化使得向量的各个元素的和变为1或者对向量进行归一化使得L2范数的大小变为1。

注意，当相似度simA_i,j可以不表示特定项目之间的关系时，其在一些情况下可以仅被表示为相似度simA。

相似度计算单元33针对所有项目的组合来计算各个项目之间的相似度simA。然后，相似度计算单元33生成以表格的形式表示各个项目之间的相似度simA的关联矩阵，并且将所生成的关联矩阵存储在关联矩阵存储单元27中。

此后，离线处理结束。

如上所述，可以通过其他项目的元数据来充分地扩展每个项目的元数据。

(项目推荐处理)

接下来，将参照图5的流程图来描述由信息处理装置11执行的项目推荐处理。注意，该处理例如在推荐项目的请求从用户(在下文中称为目标用户)操作的客户端发送到推荐单元43时开始。

在步骤S101中，推荐单元43基于关联矩阵来提取与目标用户表现出响应的项目相似的项目。具体地，针对要作为候选推荐给目标用户的每个候选项目，推荐单元43基于存储在关联矩阵中的各个项目之间的相似度simA来计算指示目标用户的偏好的预测值的得分。注意，候选项目选自目标用户未表现出响应的项目。

如下表达式(3)示出了计算指示目标用户u对候选项目i的偏好的预测值的得分scA_i,u的方法的示例。

(表达式3)

$\begin{array}{c}{\mathrm{scA}}_{i,u}=\underset{j}{\overset{N}{\mathrm{\Σ}}}{p}_{j,u}\·{\mathrm{sim}}_{i,j}\\ =\underset{j}{\overset{N}{\mathrm{\Σ}}}{p}_{j,u}(\frac{{\mathrm{\Σ}}_v^M\left\{p_{i,v}{\mathrm{\Σ}}_k^N\left(p_{k,v}{q}_k\right)\right\}}{\left|{\mathrm{\Σ}}_v^M\right\{p_{i,v}{\mathrm{\Σ}}_k^N\left(p_{k,v}{q}_k\right)\left\}\right|}\·\frac{{\mathrm{\Σ}}_v^M\left\{p_{j,v}{\mathrm{\Σ}}_k^N\left(p_{k,v}{q}_k\right)\right\}}{\left|{\mathrm{\Σ}}_v^M\right\{p_{j,v}{\mathrm{\Σ}}_k^N\left(p_{k,v}{q}_k\right)\left\}\right|})\end{array}...\left(3\right)$

也就是说，得分scA_i,u是通过将候选项目i与用户u表现出响应的各个项目j之间的相似度simA_i,j相加在一起获得的得分。因此，得分scA_i,u表示候选项目i与用户u表现出响应的一组项目之间的扩展特征量向量(即，经扩展的元数据)的相似度。

注意，当得分scA_i,u可以不表示特定用户和特定项目时，其在一些情况下可以仅被表示为得分scA。

然后，推荐单元43基于得分scA从候选项目中提取要推荐给目标用户的推荐项目。例如，推荐单元43将具有指定阈值或大于指定阈值的得分scA的项目提取为推荐项目。或者，推荐单元43例如按照得分scA的降序将指定数量的项目提取为推荐项目。

因此，具有与目标用户表现出响应的一组项目的扩展特征量向量相似的扩展特征量向量(即，经扩展的元数据)的项目被提取作为推荐项目。

注意，在上述表达式(3)中，候选项目i和用户u表现出响应的项目j二者都使用扩展特征量向量。然而，也可以候选项目i和项目j二者之一使用扩展前的特征量向量。也就是说，可以候选项目i和用户u表现出响应的项目j二者之一使用扩展前的元数据来计算得分scA_i,u。

注意，对两个项目二者或二者之一使用扩展特征量向量的有效性根据情况如项目的类型而改变，并且例如通过实验来确定该有效性。

在步骤S102中，推荐单元43将所提取的项目推荐给目标用户。例如，推荐单元43将与所提取的推荐项目有关的信息发送给作为请求者的客户端。这样，与所提取的推荐项目有关的信息被提供给目标用户。

此后，项目推荐处理结束。

此处，参照图6至图8将用本技术与用相关技术中的CBF和CF计算项目之间相似度的结果进行比较。

例如，当通过CBF推荐项目时，根据如下表达式(4)来计算项目i与项目j之间的相似度simB_i,j。

(表达式4)

simB_i，j＝q_i·q_j               ...(4)

也就是说，通过项目i的特征量向量q_i与项目j的特征量向量q_j的内积来计算相似度simB_i,j(即，通过向量之间的距离进行计算)。

此外，当通过CBF推荐项目时，根据如下表达式(5)来计算指示目标用户u对于项目i的偏好的预测值的得分scB_i,u。

(表达式5)

$\begin{array}{c}{\mathrm{scB}}_{i,u}=\underset{j}{\overset{N}{\mathrm{\Σ}}}{p}_{j,u}\·{\mathrm{simB}}_{i,j}\\ =\underset{j}{\overset{N}{\mathrm{\Σ}}}{p}_{j,u}(q_i\·q_j)=\left(\underset{j}{\overset{N}{\mathrm{\Σ}}}{p}_{j,u}{q}_j\right)\·q_i\end{array}...\left(5\right)$

也就是说，得分scB_i,u为通过将项目i与用户u表现出响应的项目j中的每个项目之间的相似度simB_i,j加在一起获得的得分。

另一方面，当通过CF推荐项目时，根据如下表达式(6)来计算项目i与项目j之间的相似度simC_i,j。

(表达式6)

${\mathrm{simC}}_{i,j}=\frac{{\mathrm{\Σ}}_v^M{p}_{i,v}\·p_{j,v}}{{\mathrm{\Σ}}_v^M{p}_{i,v}+{\mathrm{\Σ}}_v^M{p}_{j,v}-{\mathrm{\Σ}}_v^M{p}_{i,v}\·p_{j,v}}...\left(6\right)$

也就是说，相似度simC_i,j指示对项目i表现出响应的用户与对项目j表现出响应的用户交叠的比例。

此外，当通过CF推荐项目时，根据如下表达式(7)来计算指示目标用户u对于项目i的偏好的预测值的得分scC_i,u。

(表达式7)

$\begin{array}{c}{\mathrm{scC}}_{j,u}=\underset{j}{\overset{N}{\mathrm{\Σ}}}{p}_{j,u}\·{\mathrm{simC}}_{i,j}\\ =\underset{j}{\overset{N}{\mathrm{\Σ}}}{p}_{j,u}\frac{{\mathrm{\Σ}}_v^M{p}_{i,v}\·p_{j,v}}{{\mathrm{\Σ}}_v^M{p}_{i,v}+{\mathrm{\Σ}}_v^M{p}_{j,v}-{\mathrm{\Σ}}_v^M{p}_{i,v}\·p_{j,v}}\end{array}...\left(7\right)$

也就是说，得分scC_i,u为通过将项目i与用户u表现出响应的项目j中的每个项目之间的相似度simC_i,j加在一起获得的得分。

注意，当相似度simB_i,j和相似度simC_i,j可以不表示特定项目之间的关系时，它们在一些情况下可以仅分别被表示为相似度B和相似度C。

图8示出了基于图6的项目特征量和图7的购买历史，用本技术计算相似度simA的结果、用CBF计算相似度simB的结果、以及用CF计算相似度simC的结果。

具体地，图6示出了项目1至项目6的项目特征量的示例。项目1至项目6被给予下述项目特征量，该项目特征量包括属性值1至属性值14以及属性值的得分。得分中的每个得分被设定为0(空白栏)或1。也就是说，表示得分中的每个得分不具有相应的属性值(0)或具有相应的属性值(1)。例如，项目1具有属性值1、属性值3、属性值11及属性值12，而项目2具有属性值3、属性值8以及属性值9。

图7示出了用户1至用户6对项目1至项目6的购买历史的示例。值为1的栏指示用户购买了相应项目，而空白栏指示用户未购买相应项目。例如，用户1购买了项目3和项目5，用户2购买了项目2和项目5。

使用图6的项目特征量和图7的购买历史，图8示出了计算项目1与其他项目之间的相似度simA(表达式(2))、相似度simB(表达式(4))及相似度simC(表达式(6))的结果。

例如，由于项目1与项目5不具有相应的属性值，因此项目1与项目5之间的相似度simB的值为0。如上所述，在CBF的应用中，具有少量元数据的项目如新项目和UGC(用户生成的内容)与其他项目的元数据仅具有较少公共部分。因此，这种项目与其他项目之间的相似度很可能减小。因此，具有少量元数据的项目不太可能被推荐给用户，从而减小了推荐项目的准确度。此外，对于具有少量元数据的项目，基于购买了该项目的用户的购买趋势的信息可能不足以用于项目的推荐。

此外，例如，由于购买者在项目1与项目2之间以及在项目1与项目4之间不交叠，因此这些项目之间的相似度simC的值为0。如上所述，在CF的应用中，由较少购买者购买的项目如新项目(具有较少购买历史的项目)仅具有少数与其他项目交叠的购物者。因此，这种项目与其他项目之间的相似度很可能减小。因此，由少数购买者购买的项目不太可能被推荐给用户，从而减小了推荐项目的准确度。此外，对于由较少购买者购买的项目，包含在给该项目的元数据中的信息可能不足以用于项目的推荐。

在本技术的应用中，即使对于不具有相应属性值的项目1和项目5，可以使用由购买了项目1和项目5的用户所购买的其他项目的元数据(属性值)来计算相似度simA。

此外，即使对于其购买者不交叠的项目1和项目2，可以使用由购买了项目1和项目5的用户所购买的其他项目的元数据(属性值)来计算相似度simA。同理适用于购买用户不交叠的项目1和项目4。

因此，由于本技术的应用，即使对于具有少量元数据的项目或具有较少响应日志如购买历史的项目也可以计算与其他项目的相似度并且以较高的准确度将这种项目推荐给用户。

(项目搜索处理)

接下来，将参照图9的流程图描述由信息处理装置11执行的项目搜索处理。例如，在用于进行搜索的关键字被提供给搜索单元42时开始该处理。

在步骤S151中，搜索单元42基于经扩展的元数据来搜索具有与所提供的关键字相对应的属性值的项目。例如，搜索单元42对下述项目进行搜索，在该项目中，与各个项目的存储在特征量向量存储单元26中的扩展特征量向量的关键字相对应的属性值的得分大于0。

在步骤S152中，搜索单元42输出搜索结果。例如，搜索单元42将在步骤S151中搜索到的项目作为搜索结果输出给搜索结果的请求者，搜索结果按照对应于关键字的属性值的得分的降序排列。

此后，搜索处理结束。

因此，不仅可以基于初始给项目的元数据，还可以基于根据其他项目的元数据扩展的元数据来搜索项目。更具体地，例如，可以搜索其经扩展的元数据中包含所提供的关键字的项目。因此，可以提高搜索准确度并且可以搜索更多的项目。

注意，也可以根据方法如标记云来显示包含在经扩展的元数据中的关键字(例如，属性值)以及所搜索的项目。

2.修改示例

在下文中，将描述本技术的上述实施方式的修改示例。

(第一修改示例：对用于扩展元数据(特征量向量)的响应日志的修改例)

上述表达式(1)描述了下述示例，在该示例中当扩展项目i的特征量向量时，项目i(目标项目)的响应者v表现出响应的其他项目的所有特征量向量加在一起。也就是说，表达式(1)描述了下述示例，在该示例中，所有用户的所有响应日志用于扩展项目i的元数据。与此相反，可以限定要使用的响应日志的范围来扩展项目i的元数据。

例如，可以限定要使用的响应日志的时间段。例如，可以仅使用指定时间段内的响应日志，该指定时间段包括响应者对目标项目表现出响应的时间段(如，在响应者对目标项目表现出响应的时间段之前或之后的指定时间段)。因此，可以仅使用响应者在包括响应者对目标项目表现出响应的时间段的指定时间段内表现出响应的项目的元数据来扩展目标项目的元数据。

或者，例如，可以仅使用响应者紧接在对目标项目表现出响应之前或之后表现出响应的指定数量的响应日志。因此，可以仅使用响应者紧接在对目标项目表现出响应之前或之后表现出响应的指定数量的项目的元数据来扩展目标项目的元数据。

通常，例如，假定用户很可能在同一时间段购买相关项目或对相关项目表现出兴趣。也就是说，用户具有在同一时间段对相似项目表现出兴趣的趋势。因此，对要使用的响应日志的时间段进行如上所述的限定，由此可以仅使用很可能与目标项目相似的项目来扩展元数据。

此外，例如，可以对要使用的响应日志的用户的范围进行限定。例如，可以使用用户的属性(如，年龄、性别、国籍以及职业)或基于购买趋势等进行聚类将用户分类到多个组中的任一组中，并且可以仅使用属于指定组的用户的响应日志。因此，可以通过将响应者限定为属于指定组的用户来扩展目标项目的元数据。

这样，可以基于属于特定组的用户的角度(如行为和价值观)来扩展目标项目的元数据。此外，可以基于每个用户组的多个角度来扩展目标项目的元数据，并且根据情况充分使用元数据。

例如，假定针对每个用户的年龄段分别扩展项目的元数据，并且根据要向其推荐项目的用户的年龄来充分使用经扩展的元数据。此外，例如，当项目被推荐给某一年龄段的用户时，可以防止扩展不适于该年龄段的用户的项目的元数据。

此外，可以对要使用的响应日志的项目的范围进行限定。例如，可以通过使用项目的属性(如类别)或聚类的指定方法将项目分类到多个组中的任一组中，并且可以仅使用与目标项目所属的组中的项目相对应的响应日志。这样，可以使用与目标项目属于相同的组的项目的元数据来扩展目标项目的元数据。

例如，即使是同一用户表现出响应的项目，如果其属于不同的类别也很可能具有不同的特性。因此，例如，可以仅使用对应于与目标项目属于相同类别的项目的响应日志，并且可以不使用与目标项目属于不同类别的项目的响应日志。这样，可以使用与目标项目属于同一类别的项目的元数据来扩展目标项目的元数据。

(第二修改例：对用于扩展元数据(特征量向量)的权重p的修改示例)

以上描述示出了基于响应类型或响应程度来设定表达式(1)中的权重p的示例。然而，可以使用其他条件来设定权重p。

例如，可以增加响应者在与该响应者对目标项目表现出响应的时间段接近的时间段中表现出响应的项目的权重p。例如，可以进一步增加响应者在与该响应者对目标项目表现出响应的时间段接近的时间段中表现出响应的项目的权重p，而可以进一步降低响应者在与该响应者对目标项目表现出响应的时间段远离的时间段中表现出响应的项目的权重p。

此外，例如，可以针对每个响应者设定权重p。更具体地，例如，可以根据响应者所属的组来设定权重p。例如，假定可以使属于二十几岁的响应者所在的组的响应者的权重p大于或小于属于其他年龄的响应者所在的组的响应者的权重p。因此，可以通过在特定用户表现出响应的项目的元数据上设置重要性或对其较不关注来扩展目标项目的元数据。

此外，例如，可以根据响应者表现出响应的项目的数量来设定权重p。例如，可以将对较大数量的项目表现出响应的用户的权重p设定为小的值，而将对较少数量的项目表现出响应的用户的权重p设定为大的值。具体地，例如，假定将对n个项目表现出响应的用户的权重p设置为1/n。这样，当扩展元数据时可以防止对较多数量的项目表现出响应的用户(例如，重度用户)的过度影响。

此外，例如，可以增加与目标项目相似的项目的权重p。例如，可以使类别与目标项目相同或相似的项目的权重p大于其他类别的项目的权重p。因此，可以通过在与目标项目相似的项目的元数据上设置重要性来扩展目标项目的元数据。

此外，例如，可以将目标项目的权重p设定为与其他项目的权重p的值不同的值。例如，可以使目标项目的权重p大于其他项目的权重p。

或者，例如，可以将目标项目的权重p设定为0，以使得当扩展目标项目的特征量向量时不加上目标项目自身的特征量向量。这样，目标项目自身的元数据不用于扩展目标项目的元数据。

注意，对目标项目自身的特征量向量或目标项目的权重p的使用根据情况如项目类型而改变，并且通过实验等来确定。

(第三修改示例：其他修改示例)

例如，可以首先使用目标项目的响应者表现出响应的其他项目的元数据来扩展目标项目的元数据，然后可以基于经扩展的元数据来生成特征量向量。

注意，可以根据情况需要以组合的方式来使用上述各个修改示例。

(计算机的配置示例)

上述一系列的处理不仅可以由硬件执行还可以由软件执行。当该一系列的处理由软件执行时，在计算机中安装构成软件的程序。此处，计算机的示例包括由合并在专用硬件中的计算机和能够用安装在其中的各种程序来执行各种功能的通用个人计算机。

图10是示出用程序来执行上述一些列处理的计算机的硬件的配置示例的框图。

在计算机中，CPU(中央处理单元)201、ROM(只读存储器)202以及RAM(随机存取存储器)203通过总线204彼此连接。

总线204还连接到输入/输出接口205。输入/输出接口205连接到输入单元206、输出单元207、存储单元208、通信单元209以及驱动器210。

输入单元206包括键盘、鼠标、麦克风等。输出单元207包括显示器、扬声器等。存储单元208包括硬盘驱动器、非易失性存储器等。通信单元209包括网络接口等。驱动器210驱动可移除介质211如磁盘、光盘、磁光盘以及半导体存储器。

在如此配置的计算机中，例如在CPU 201经由输入/输出接口205和总线204将存储在存储单元208中的程序加载到RAM 203中并且执行该程序时执行上述一系列处理。

例如，可以以记录在用作为封装介质等的可移除介质211上的状态提供待由计算机(CPU 201)执行的程序。此外，可以经由有线或无线传输介质如局域网、因特网以及数字卫星广播来提供该程序。

在计算机中，当可移除介质211附接到驱动器210时，程序可以经由输入/输出接口205安装在存储单元208中。此外，可以经由有线或无线传输介质由通信单元209接收程序，并且安装在存储单元208中。此外，可以预先将程序安装在ROM 202或存储单元208中。

注意，待由计算机执行的程序可以为按照说明书中描述的顺序以时间顺序执行的程序，或者可以为并行地执行的程序或在适当的定时如当程序被调用时执行的程序。

此外，在本说明书中，系统代表多个构成部分(如装置和模块(零件))的集合，并且所有的构成部分可以不包含在同一壳体中。因此，将容纳在不同的壳体中并且经由网络彼此连接的多个装置以及具有容纳在壳体中的多个模块的装置中的任一形式定义为系统。

此外，本技术的实施方式不限于上述实施方式，而是可以在不脱离本技术的精神的情况下以各种方式进行修改。

例如，本技术可以具有在其中功能由多个装置经由网络分担和协作处理的云计算的配置。

此外，上述流程图中所描述的步骤中的每个步骤不仅可以由一个装置还可以由多个装置分担和执行。

此外，当步骤包括多个处理时，包含在该步骤中的多个处理不仅可以由一个装置还可以由多个装置分担和执行。

此外，本技术可以采用例如如下配置。

(1)一种信息处理装置，包括：

元数据扩展单元，被配置为使用响应者表现出响应的其他项目的元数据来扩展目标项目的元数据，所述响应者是已经对所述目标项目表现出响应的用户，其中要扩展所述目标项目的所述元数据。

(2)根据(1)所述的信息处理装置，其中

所述元数据扩展单元被配置为使用所述响应者在指定时间段内表现出响应的项目的元数据来扩展所述目标项目的所述元数据，所述指定时段包括所述响应者对所述目标项目表现出所述响应的时间段。

(3)根据(1)所述的信息处理装置，其中

所述元数据扩展单元被配置为使用所述响应者紧接在对所述目标项目表现出所述响应之前或紧接在对所述目标项目表现出所述响应之后表现出响应的指定数量的项目的元数据，来扩展所述目标项目的所述元数据。

(4)根据(1)至(3)中任一项所述的信息处理装置，其中

所述元数据扩展单元被配置为将所述响应者限于属于指定组的用户，以扩展所述目标项目的元数据。

(5)根据(1)至(4)中任一项所述的信息处理装置，其中

所述元数据扩展单元被配置为当通过指定方法对各个项目进行分类时，使用与所述目标项目属于同一组的项目的元数据来扩展所述目标项目的元数据。

(6)根据(1)至(5)中任一项所述的信息处理装置，其中

所述元数据扩展单元被配置为以将特征量向量加在一起的方式来扩展所述目标项目的所述元数据，其中所述特征量向量基于所述响应者表现出所述响应的各个项目的所述元数据。

(7)根据(1)至(6)中任一项所述的信息处理装置，其中

所述元数据扩展单元被配置为增大所述响应者在与所述响应者对所述目标项目表现出响应的时间段接近的时间段中表现出所述响应的项目的权重，以将所述特征量向量加在一起。

(8)根据(6)或(7)所述的信息处理装置，其中

所述元数据扩展单元被配置为分配与响应类型和响应程度中的至少之一相对应的权重，以将所述特征量向量加在一起。

(9)根据(6)至(8)中任一项所述的信息处理装置，其中

所述元数据扩展单元被配置为向所述响应者分配权重，以将所述特征量向量加在一起。

(10)根据(9)所述的信息处理装置，其中

所述元数据扩展单元被配置为分配与所述响应者表现出所述响应的所述项目的数量相对应的权重，以将所述特征量向量加在一起。

(11)根据(6)至(10)中任一项所述的信息处理装置，其中

所述元数据扩展单元被配置为增大与所述目标项目相似的项目的权重，以将所述特征量向量加在一起。

(12)根据(6)至(11)中任一项所述的信息处理装置，其中

所述元数据扩展单元被配置为将所述目标项目的所述特征量向量的权重设定为与所述其他项目的所述特征量向量的权重的值不同的值。

(13)根据(6)至(11)中任一项所述的信息处理装置，其中

所述元数据扩展单元被配置为不加上所述目标项目的所述特征量向量。

(14)根据(6)至(13)中任一项所述的信息处理装置，还包括：

推荐单元，被配置为：

针对作为要推荐给目标用户的候选项目的每个候选项目，计算通过将所述候选项目与所述目标用户表现出响应的各个项目之间的所述特征量向量的相似度加在一起而获得的得分，以及

基于所述得分将所述项目推荐给所述目标用户，其中

所述目标用户表现出所述响应的所述项目与所述候选项目中的至少之一使用经扩展的特征量向量来计算所述得分。

(15)根据(1)至(14)中任一项所述的信息处理装置，还包括：

搜索单元，被配置为搜索这样的项目：在所述项目的经扩展的元数据中包括所提供的关键字。

(16)一种信息处理装置的信息处理方法，所述方法包括：

使用响应者表现出响应的其他项目的元数据来扩展目标项目的元数据，所述响应者是已经对所述目标项目表现出响应的用户，其中要扩展所述目标项目的所述元数据。

(17)一种用于使得计算机执行处理的程序，所述处理包括：

使用响应者表现出响应的其他项目的元数据来扩展目标项目的元数据，所述响应者是已经对所述目标项目表现出响应的用户，其中要扩展所述目标项目的所述元数据。

Claims (17)

1.一种信息处理装置，包括：

元数据扩展单元，被配置为使用响应者表现出响应的其他项目的元数据来扩展目标项目的元数据，所述响应者是已经对所述目标项目表现出响应的用户，其中要扩展所述目标项目的所述元数据。

2.根据权利要求1所述的信息处理装置，其中

所述元数据扩展单元被配置为使用所述响应者在指定时间段内表现出响应的项目的元数据来扩展所述目标项目的所述元数据，所述指定时段包括所述响应者对所述目标项目表现出所述响应的时间段。

3.根据权利要求1所述的信息处理装置，其中

所述元数据扩展单元被配置为使用所述响应者紧接在对所述目标项目表现出所述响应之前或紧接在对所述目标项目表现出所述响应之后表现出响应的指定数量的项目的元数据，来扩展所述目标项目的所述元数据。

4.根据权利要求1所述的信息处理装置，其中

所述元数据扩展单元被配置为将所述响应者限于属于指定组的用户，以扩展所述目标项目的元数据。

5.根据权利要求1所述的信息处理装置，其中

所述元数据扩展单元被配置为当通过指定方法对各个项目进行分类时，使用与所述目标项目属于同一组的项目的元数据来扩展所述目标项目的元数据。

6.根据权利要求1所述的信息处理装置，其中

所述元数据扩展单元被配置为以将特征量向量加在一起的方式来扩展所述目标项目的所述元数据，其中所述特征量向量基于所述响应者表现出所述响应的各个项目的所述元数据。

7.根据权利要求6所述的信息处理装置，其中

所述元数据扩展单元被配置为增大所述响应者在与所述响应者对所述目标项目表现出响应的时间段接近的时间段中表现出所述响应的项目的权重，以将所述特征量向量加在一起。

8.根据权利要求6所述的信息处理装置，其中

所述元数据扩展单元被配置为分配与响应类型和响应程度中的至少之一相对应的权重，以将所述特征量向量加在一起。

9.根据权利要求6所述的信息处理装置，其中

所述元数据扩展单元被配置为向所述响应者分配权重，以将所述特征量向量加在一起。

10.根据权利要求9所述的信息处理装置，其中

所述元数据扩展单元被配置为分配与所述响应者表现出所述响应的所述项目的数量相对应的权重，以将所述特征量向量加在一起。

11.根据权利要求6所述的信息处理装置，其中

所述元数据扩展单元被配置为增大与所述目标项目相似的项目的权重，以将所述特征量向量加在一起。

12.根据权利要求6所述的信息处理装置，其中

所述元数据扩展单元被配置为将所述目标项目的所述特征量向量的权重设定为与所述其他项目的所述特征量向量的权重的值不同的值。

13.根据权利要求6所述的信息处理装置，其中

所述元数据扩展单元被配置为不加上所述目标项目的所述特征量向量。

14.根据权利要求6所述的信息处理装置，还包括：

推荐单元，被配置为：

针对作为要推荐给目标用户的候选项目的每个候选项目，计算通过将所述候选项目与所述目标用户表现出响应的各个项目之间的所述特征量向量的相似度加在一起而获得的得分，以及

基于所述得分将所述项目推荐给所述目标用户，其中

所述目标用户表现出所述响应的所述项目与所述候选项目中的至少之一使用经扩展的特征量向量来计算所述得分。

15.根据权利要求1所述的信息处理装置，还包括：

搜索单元，被配置为搜索这样的项目：在所述项目的经扩展的元数据中包括所提供的关键字。

16.一种信息处理装置的信息处理方法，所述方法包括：

使用响应者表现出响应的其他项目的元数据来扩展目标项目的元数据，所述响应者是已经对所述目标项目表现出响应的用户，其中要扩展所述目标项目的所述元数据。

17.一种用于使得计算机执行处理的程序，所述处理包括：

使用响应者表现出响应的其他项目的元数据来扩展目标项目的元数据，所述响应者是已经对所述目标项目表现出响应的用户，其中要扩展所述目标项目的所述元数据。