JP2004206679A - 情報処理装置および方法、記録媒体、並びにプログラム - Google Patents

Abstract

【課題】 連続して視聴される番組と、非連続的に視聴される番組に基づく嗜好情報を適正に生成し、よりユーザの嗜好に合う番組を推薦できるようにする
【解決手段】 嗜好情報抽出部１０１で番組のメタデータに基づく番組嗜好情報を抽出し、番組の視聴履歴を記録する。初めて視聴された番組の嗜好情報は、特殊番組嗜好情報として記録される。また、視聴回数が閾値を超える番組の番組嗜好情報に基づいて、ユーザ嗜好情報が生成される。制御部１０３が、視聴回数が閾値を超える番組について自動録画の予約設定を行う。自動録画の予約が解除された場合、嗜好情報更新部１０２が、予約が解除された回の番組のメタデータに基づいて、ユーザ嗜好情報を変更する。
【選択図】 図４

Description

本発明は、情報処理装置および方法、記録媒体、並びにプログラムに関し、特に、コンテンツの推薦を効率よく、かつ効果的に行うことができる情報処理装置および方法、記録媒体、並びにプログラムに関する。

配信されるコンテンツから、ユーザの嗜好の合うコンテンツを検出し、そのコンテンツの情報を提供するコンテンツ推薦システムが存在する（例えば、特許文献）。

このシステムでは、例えば、ユーザがよく利用するコンテンツの属性（例えば、ジャンル）を検出し、その属性毎にコンテンツが推薦される。

特開２０００−２８７１８９号公報

しかしながら、コンテンツの属性は、コンテンツの編成等の事情に基づいてコンテンツの提供元により設定されているので、その属性毎の推薦では、推薦すべきコンテンツを効率的または効果的に検出することができない場合があった。

本発明はこのような状況に鑑みてなされたものであり、コンテンツの推薦を行う側が、コンテンツの属性を利用してコンテンツをグループ化し、グループ毎にコンテンツの推薦を行うことができるようにするものである。

本発明の情報処理装置は、配信されるコンテンツの属性を表す項目から生成された複数のグループ化項目に基づくグループに、コンテンツを分類する分類手段と、グループに属するコンテンツの利用履歴に基づいて、グループの利用頻度を算出する算出手段と、算出手段により算出された利用頻度に基づいて、ユーザの嗜好を表すユーザ嗜好情報を生成する生成手段と、生成手段により生成された利用頻度に基づいて選択されたグループに属するコンテンツを推薦する推薦手段とを備えることを特徴とする。

分類手段は、コンテンツの放送時間帯と少なくとも１つ以上の他の属性に基づくグループにコンテンツを分類することを特徴とする。

分類手段は、コンテンツを、少なくともコンテンツの放送時間帯に基づくグループに分類するとともに、他の属性に基づくグループに分類し、生成手段は、それぞれのグループの利用頻度を利用して、ユーザ嗜好情報を生成することができる。

分類手段は、コンテンツの属性を形態素解析し、その結果得られた要素に基づくグループに、コンテンツを分類するができる。

生成手段は、グループに属するコンテンツの利用状態が所定の条件を満たしているグループの利用頻度を利用して、ユーザ嗜好情報を生成することができる。

推薦手段は、算出手段により算出された利用頻度が、予め設定された値より高いか否かを判定する判定手段と、判定手段により、利用頻度が、予め設定された値より高いと判定された場合、コンテンツの推薦情報に、頻繁に視聴されるコンテンツであることを表す定番フラグを設定する設定手段とを備えるようにすることができる。

生成手段は、算出手段により算出された利用頻度が予め設定された値より高いグループのコンテンツのメタデータを取得し、メタデータの特徴量を表すベクトルを抽出する抽出手段を備え、抽出手段により抽出されたベクトルに基づいて、嗜好情報を生成することができる。

生成手段は、算出手段により算出された利用頻度が予め設定された値より高いグループのコンテンツが、定番フラグが設定されたコンテンツ推薦情報に対応するコンテンツか否かを判定する定番判定手段を備え、定番判定手段により、コンテンツが、定番フラグが設定されたコンテンツ推薦情報に対応するコンテンツではないと判定された場合、抽出手段は、コンテンツのメタデータを取得し、メタデータの特徴量を表すベクトルを抽出するようにすることができる。

嗜好情報は、複数の属性とその属性の重要度を表す値により構成されるようにすることができる。

生成手段は、算出手段により算出された利用頻度に基づいて、コンテンツの熟知度を設定する熟知度設定手段を備え、熟知度に基づいて、嗜好情報の重要度を表す値に重み付けを行うようにすることができる。

生成手段は、コンテンツの利用履歴に基づいて、過去に１回だけ利用されたコンテンツを検索する検索手段と、検索手段により検索されたコンテンツのメタデータに基づいて、特殊嗜好情報を生成する特殊嗜好情報生成手段とをさらに備えるようにすることができる。

嗜好情報または特殊嗜好情報の特徴量を表すベクトルを抽出する第１の抽出手段と、予め設定された期間に放送されるコンテンツのメタデータを取得し、メタデータの特徴量を表すベクトルを抽出する第２の抽出手段と、第１の抽出手段により抽出されたベクトルと第２の抽出手段により抽出されたベクトルの類似度を演算する演算手段とを備え、推薦手段は、類似度が高い順に、予め設定された数だけ第２の抽出手段により抽出されたベクトルを選択し、選択されたベクトルのメタデータに基づいて、コンテンツを推薦するようにすることができる。

本発明の情報処理方法は、配信されるコンテンツの属性を表す項目から生成された複数のグループ化項目に基づくグループに、コンテンツを分類する分類ステップと、グループに属するコンテンツの利用履歴に基づいて、グループの利用頻度を算出する算出ステップと、算出ステップの処理で算出された利用頻度に基づいて、ユーザの嗜好を表すユーザ嗜好情報を生成する生成ステップと、生成ステップの処理で生成された利用頻度に基づいて選択されたグループに属するコンテンツを推薦する推薦ステップとを含むことを特徴とする。

本発明のプログラムは、配信されるコンテンツの属性を表す項目から生成された複数のグループ化項目に基づくグループに、コンテンツを分類する分類ステップと、グループに属するコンテンツの利用履歴に基づいて、グループの利用頻度を算出する算出ステップと、算出ステップの処理で算出された利用頻度に基づいて、ユーザの嗜好を表すユーザ嗜好情報を生成する生成ステップと、生成ステップの処理で生成された利用頻度に基づいて選択されたグループに属するコンテンツを推薦する推薦ステップとを含むことを特徴とする。

本発明の情報処理装置および方法、並びにプログラムにおいては、配信されるコンテンツの属性を表す項目から生成された複数のグループ化項目に基づくグループに、コンテンツが分類され、グループに属するコンテンツの利用履歴に基づいて、グループの利用頻度が算出され、算出された利用頻度に基づいて、ユーザの嗜好を表すユーザ嗜好情報が生成され、生成された利用頻度に基づいて選択されたグループに属するコンテンツが推薦される。

本発明によれば、コンテンツの属性を表す項目から生成されたグループ化項目におけるグループ毎の利用頻度から、コンテンツ推薦を行うことができる。

図１は、本発明を適用したコンテンツ推薦システムの構成例を示している。

配信サーバ３は、ストリーミングデータデータベース１から、ストリーミングデータを取得し、インターネットその他のネットワークを含むネットワーク６を介して、クライアント機器５に配信する。配信サーバ３はまた、メタデータデータベース２から、コンテンツのメタデータを取得し、ネットワーク６を介して、コンテンツ推薦サーバ４に供給する。

メタデータは、コンテンツ毎に、例えば、図２に示すような、「放送開始時刻」、「放送終了時刻」、「放送局」、「ジャンル」、「タイトル」、「出演者名」、「番組内容」、および「キーワード」等のコンテンツの属性を表す項目から構成されている。

コンテンツ推薦サーバ４は、配信サーバ３から供給されたメタデータの所定の項目をグループ化項目とし、その項目の構成要素を所定のグループに分類し、グループ毎にＩＤを割り当てる。

例えば図３に示すように、メタデータの項目「放送局」、項目「放送開始時刻」、および項目「放送終了時刻」が１つのグループ化項目とされ、その構成要素である「８ch、１０ch、・・・」と「０：００〜２４：００」が、各放送局と１時間の放送時間の組にグループ化され、そのグループ毎にＩＤが割り当てられる。

また、図４に示すように、メタデータの項目「ジャンル」および項目「出演者」が１つのグループ化項目とされ、その構成要素である「バラエティ、ニュース、映画、・・・」と「タレントＡ、タレントＢ、・・・・」が、各ジャンルと各出演者の組にグループ化され、そのグループ毎にＩＤが割り当てられる。

なお、図３，４の例では、グループ化項目が、メタデータの複数の項目から構成されているが、１つの項目とすることもできる。

コンテンツ推薦サーバ４はまた、図５に示すように、メタデータのそれぞれに、そのメタデータの項目の内容に対応するグループのグループＩＤを設定する。なおコンテンツの属性によっては、図５に示すように、複数のグループＩＤが設定される場合もある。

コンテンツ推薦サーバ４は、このようにグループＩＤが設定されたメタデータを、適宜、クライアント機器５に送信する。

コンテンツ推薦サーバ４はまた、クライアント機器５から、コンテンツのグループＩＤを含む利用履歴を適宜取得し、その利用履歴に基づいて、グループの利用頻度を算出する。そしてコンテンツ推薦サーバ４は、算出したその利用頻度をユーザの嗜好を表すものとして利用し、グループ毎にコンテンツの推薦を行う。詳細は後述するが、高い利用頻度のグループに属するコンテンツに関する情報が、コンテンツ推薦情報としてクライアント機器５に送信される。

クライアント機器５は、配信サーバ３から配信されてきたコンテンツを利用するが、その利用履歴として、利用したコンテンツの、例えば図６に示すようなメタデータ（グループＩＤが設定されたもの）を、適宜、コンテンツ推薦サーバ４に供給する。

クライアント機器５は、コンテンツ推薦サーバ４から供給されたコンテンツ推薦情報を表示してユーザに提示する。ユーザは、それを参照することにより、自分の嗜好にあったコンテンツを選択することができる。

なお、ここでの配信サーバ３乃至クライアント機器５の通信は、ネットワーク６を介して行われているが、それぞれ直接通信する構成にすることもできる。

図７は、コンテンツ推薦サーバ４の構成例を示している。CPU（Central Processing Unit）１１は、ROM（Read Only Memory）１２に記憶されている、例えば、コンテンツ推薦用のプログラム等に従って所定の処理を実行する。RAM（Random Access Memory）１３には、CPU１１がその処理を実行する上において必要なデータなどが適宜記憶される。

CPU１１にはバス１４を介して入出力インタフェース１５が接続されている。
入出力インタフェース１５には、キーボード、マウスなどよりなる入力部１６、LCD（Liquid Crystal Display）などよりなる出力部１７、メタデータ等を記憶する記憶部１８、およびネットワーク６を介して配信サーバ３またはクライアント機器５との通信を行う通信部１９が接続されている。

入出力インタフェース１５には、ドライブ２０が適宜接続され、CPU１１は、そこに装着される磁気ディスク３１、光ディスク３２、光磁気ディスク３３、または半導体メモリ３４との間でデータの授受を行う。

なお、ＣＰＵ１１の機能的構成例として、例えば、ユーザの嗜好情報を取得する嗜好情報取得部、配信サーバ３から番組のメタデータを取得するメタデータ取得部、およびコンテンツの推薦情報を生成する推薦情報生成部により構成されるようにすることも可能である。

図８は、クライアント機器５の構成例を示している。この構成は、コンテンツ推薦サーバ４の構成と基本的に同様であるので、その説明は省略する。

次に、ユーザ嗜好情報を生成する場合のコンテンツ推薦サーバ４の動作を、図９のフローチャートを参照して説明する。

ステップＳ１において、コンテンツ推薦サーバ４のCPU１１は、ユーザ嗜好情報を生成するタイミングであるか否かを判定し、そのタイミングであると判定した場合、ステップＳ２に進む。例えば、クライアント機器５からコンテンツ推薦情報（後述）の提供が要求されたとき、または予め決められた時期（例えば、毎週所定の時刻）が来たとき、ステップＳ２に進む。

ステップＳ２において、CPU１１は、通信部１９を介して、クライアント機器５から、所定の利用履歴を取得する。この例の場合、１週間前からの間に利用されたコンテンツのメタデータ（グループＩＤが設定されている）が取得される。CPU１１は、グループ化項目毎に、グループ毎の利用頻度を算出する。

この例の場合、図３に示したように項目「放送局」、項目「放送開始時刻」、および項目「放送終了時刻」からなるグループ化項目がグループ化されているので、図１０に示すように、そのグループ毎の利用頻度（回数）が算出される。なお、図１０には、利用回数の高い上位３個のグループが示されている。

また図４に示したように項目「ジャンル」および項目「出演者」からなるグループ化項目もグループ化されているので、図１１Ａに示すように、そのグループ毎の利用回数が算出される。図１１Ａにも、利用回数が高い上位３個のグループが示されている。

なお、図１１Ａの利用回数は、コンテンツの配信数に応じて多くなる可能性があるので、そのままではユーザの嗜好を正確に対応しない。そのため、ステップＳ２で取得された利用履歴に対応する期間中に配信されたコンテンツ数で利用回数が正規化される。

例えば、タレントＤが出演するバラエティ番組が、その期間（この例の場合、１週間）の間に１０本配信され、タレントＤが出演するニュース番組が、その期間の間に１００本配信され、タレントＣが出演するバラエティ番組が、その期間の間に８０本配信された場合、図１１Ａの利用回数は、図１１Ｂに示すように、正規化される。このように利用回数を正規化することでユーザの嗜好を適切に対応した利用頻度を得ることができる。

図９に戻り、ステップＳ３において、コンテンツ編集サーバ４のCPU１１は、グループ化項目毎に、所定の閾値以上の利用頻度が得られたグループを検出する。

例えば、項目「放送局」、項目「放送開始時刻」、および項目「放送開始時刻」からなるグループ化項目の閾値が値７である場合、図１０の例では、グループ「８ch，２０：００〜２１：００」、およびグループ「１０ch，１９：００〜２０：００」の２つのグループが検出される。

また項目「ジャンル」および項目「出演者」からなるグループ化項目の閾値が値０．０６である場合、図１１Ｂの例では、グループ「バラエティ，タレントＤ」、グループ「ニュース，タレントＤ」、およびグループ「バラエティ，タレントＣ」の３つのグループが検出される。

次に、ステップＳ４において、CPU１１は、ステップＳ３で検出したグループに属するコンテンツの利用状態が所定の条件を満たしているか否かを判定し、その条件を満たしている場合、そのグループを、ユーザに嗜好に対応するものとして、後述するユーザ嗜好情報の生成に利用する。一方、その条件を満たしていない場合、そのグループは、ユーザ嗜好情報の生成に利用されない。

具体的には、そのグループに属するコンテンツの配信リストに基づいて、いまから遡って所定の回数連続して利用されなかったか否かが判定される。

例えば、その所定の回数が３回である場合、図１２に示すように、グループ「８ch，２０：００〜２１：００」に属する番組の、いまから遡って最も最近の番組Ａは視聴されなかったが、その前に配信された番組Ｂは視聴されているとき、グループ「８ch，２０：００〜２１：００」は、ユーザの嗜好に対応するものとされる。

一方、図１３に示すように、グループ「バラエティ，タレントＤ」に属するコンテンツが３回連続して視聴されなかったとき、グループ「バラエティ，タレントＤ」は、ユーザの嗜好に対応しないものとされる。

なお、図１４に示すように、所定の回数（例えば、３回）連続して利用されたか否かを条件としてユーザの嗜好に対応するグループを選ぶこともできる。

ステップＳ６において、CPU１１は、ステップＳ５で、ユーザの嗜好に対応するものとされたグループのグループIDをユーザ嗜好情報として、記憶部１８に記憶する。

この例の場合、項目「放送局」、項目「放送開始時刻」、および項目「放送終了時刻」からなるグループ化項目におけるグループ「８ch，２０：００〜２１：００」とグループ「１０ch，１９：００〜２０：００」のグループID、および項目「ジャンル」および項目「出演者」からなるグループ化項目におけるグループ「ニュース，タレントＤ」とグループ「バラエティ，タレントＣ」のグループIDが、ユーザ嗜好情報として記憶部１８に記憶される。

次に、コンテンツ推薦情報を生成する場合のコンテンツ推薦サーバ４の動作を、図１５のフローチャートを参照して説明する。

ステップＳ２１において、コンテンツ推薦サーバ４のCPU１１は、クライアント機器５から、コンテンツ推薦情報の提供が要求されるまで待機し、その要求があったとき、ステップＳ２２に進み、記憶部１８から上述したようにして生成したユーザ嗜好情報を取得する。

ステップＳ２３において、CPU１１は、いまから配信されるコンテンツのメタデータ（グループIDが設定されているもの）から、ユーザ嗜好情報としてのグループIDと同じグループIDが設定されているメタデータを抽出する。CPU１１は、抽出したメタデータからコンテンツ推薦情報を生成する。

なお、グループ化項目が複数ある場合には（例えば、図３，４）には、各グループ化項目から抽出されたグループのいずれにも属するコンテンツのメタデータを抽出することもできる。

ステップＳ２４において、CPU１１は、通信部１９を介して、ステップＳ２３で生成したコンテンツ推薦情報を、クライアント機器５に送信する。クライアント機器５は、コンテンツ推薦サーバ４から送信されてきたコンテンツ推薦情報を出力部５７に表示する。

図１６および図１７は、コンテンツ推薦情報の表示例を示している。

図１６の例では、項目「放送局」、項目「放送開始時刻」、および項目「放送終了時刻」からなるグループ化項目のグループ「８ch，２０：００〜２１：００」に属する番組ＡＡＡの情報（タイトル等）と、グループ「１０ch，１９：００〜２０：００」に属する番組ＢＢＡの情報（タイトル等）が表示されている。

図１７の例では、項目「ジャンル」および項目「出演者」からなるグループ化項目のグループ「ニュース，タレントＤ」およびグループ「バラエティ，タレントＣ」に属する番組に関する情報（タイトル等）が表示されている。なお、図１７の例の場合、それぞれのグループに属する番組の情報が表示されるウインドウが一部重なって表示されている。

ユーザは、このように表示されたコンテンツ推薦情報を参照して、視聴する番組を選択することができる。

以上のように、ユーザの嗜好を把握するための利用頻度を、グループIDを利用してグループ毎に算出するようにしたので、メタデータの項目毎に利用頻度を算出する場合に比べ、その計算量を少なくすることができる。

また、コンテンツ推薦情報がグループ毎にまとまって表示されるようにしたので、表示スペースが小さいクライアント機器５においても適切にコンテンツ推薦情報を表示することができる。

また、以上においては、メタデータの項目「放送局」、項目「放送開始時刻」、および項目「放送終了時刻」、並びに項目「ジャンル」および項目「出演者」を利用してグループ化を行ったが、項目「タイトル」や項目「内容」など他の項目を利用してグループ化を行うこともできる。その結果、例えば、再放送やスペシャル版の番組をオリジナルの番組と同じグループに属するコンテンツとして扱うことができるので、オリジナルであろうと、再放送されたものであろうと、その番組が視聴されれば、その利用履歴をユーザ嗜好情報生成に反映することができる。

ここで、図１８のフローチャートを参照して、項目「タイトル」を利用してグループ化を行う処理について説明する。

ステップＳ６１において、コンテンツ推薦サーバ４は、メタデータから、タイトルを抽出する。

ステップＳ６２において、コンテンツ推薦サーバ４は、タイトルを形態素解析し、単語に分解する。具体的には、メタデータに含まれている映画の題名が「東海道三谷怪談」であった場合、これがタイトルとして形態素解析されるので、「東海道」、「三谷」、「怪談」の３つの単語が得られる。

ステップＳ６３において、コンテンツ推薦サーバ４は、解析された単語、もしくは、複数の単語から構成される単語群のうちのいずれかを抽出して、記憶部１８から、抽出された単語、または単語群に対応するグループＩＤを抽出する。

ここで、複数の単語から構成される単語群とは、形態素解析により得られた単語の組み合わせにより生成される単語群であり、例えば、形態素解析により得られた単語が「東海道」、「三谷」、「怪談」である場合、単語群は、「東海道・三谷」、「東海道・怪談」、「三谷・怪談」となる。

ステップＳ６４において、コンテンツ推薦サーバ４は、グループＩＤが抽出されたか否かを判断する。

ステップＳ６４において、対応するグループＩＤが抽出されなかったと判断された場合、抽出された単語、もしくは、複数の単語から構成される単語群には、まだグループＩＤが付けられていないので、ステップＳ６５において、抽出された単語、もしくは、複数の単語から構成される単語群に新たなグループＩＤを対応付ける。また、コンテンツ推薦サーバ４は、単語、もしくは、複数の単語から構成される単語群と、それに対応するグループＩＤを記憶する。

ステップＳ６４において、対応するグループＩＤが抽出されたと判断された場合、または、ステップＳ６５の処理の終了後、ステップＳ６６において、コンテンツ推薦サーバ４は、タイトルを構成する全ての単語、もしくは、複数の単語から構成される単語群についてグループＩＤを抽出したか否かを判断する。

ステップＳ６６において、タイトルを構成する全ての単語、もしくは、複数の単語から構成される単語群についてグループＩＤを抽出していないと判断された場合、処理は、ステップＳ６３に戻り、それ以降の処理が繰り返される。

ステップＳ６６において、タイトルを構成する全ての単語、もしくは、複数の単語から構成される単語群についてグループＩＤが抽出されたと判断された場合、ステップＳ６７において、コンテンツ推薦サーバ４は、メタデータに、抽出されたグループＩＤを対応付けて、処理が終了される。

なお、類似したタイトルの番組を、同一のグループとするようにしても良い。例えば、タイトル「２年Ａ組銀八先生」の連続ドラマと、タイトル「２年Ａ組銀八先生スペシャル」の特別番組とを、同一のグループとしてグループ化することができるように、タイトルを構成する単語の形態素解析結果を基に、例えば、２週間、1ヶ月、半年などの所定の期間の番組タイトルで、単語の一致率を総当りで算出し、単語の一致率が所定の値以上である場合、同一グループとするようにしてもよい。

次に、図１９のフローチャートを参照して、タイトルを構成する単語の一致率によりグループ化を実行するタイトルグループ化処理２について説明する。

ステップＳ４０１およびステップＳ４０２において、図１８を用いて説明した、ステップＳ６１およびステップＳ６２と同様の処理が実行される。すなわち、コンテンツ推薦サーバ４は、メタデータから、タイトルを抽出して形態素解析し、単語に分解する。

ステップＳ４０３において、コンテンツ推薦サーバ４は、解析された単語を基に、タイトル間の単語の一致度、すなわち、単語が一致している割合を示す一致率を算出する。

具体的には、タイトル「２年Ａ組銀八先生」と、タイトル「２年Ａ組銀八先生スペシャル」とが、それぞれ、「２」「年」「Ａ」「組」「銀八」「先生」と、「２」「年」「Ａ」「組」「銀八」「先生」「スペシャル」とに形態素分析された場合、この２つの番組のタイトルを構成する単語の一致率は、６／７で８５．７％となる。

ステップＳ４０４において、コンテンツ推薦サーバ４は、単語が、例えば、７０％などの所定の値以上一致しているか否かを判断する。この、一致率の閾値は、７０％以外のいかなる数値であっても良いことは言うまでもない。

ステップＳ４０４において、単語が、７０％などの所定の値以上一致していると判断された場合、ステップＳ４０５において、コンテンツ推薦サーバ４は、それらの番組に、同一のグループＩＤを対応付ける。また、コンテンツ推薦サーバ４は、一致した単語、または、単語群と、それに対応するグループＩＤを記憶する。

ステップＳ４０４において、７０％などの所定の値以下の一致率であると判断された場合、または、ステップＳ４０５の処理の終了後、ステップＳ４０６において、コンテンツ推薦サーバ４は、タイトルの総当りが終了したか否かを判断する。

ステップＳ４０６において、タイトルの総当りが終了していないと判断された場合、処理は、ステップＳ４０３に戻り、それ以降の処理が繰り返される。

ステップＳ４０６において、タイトルの総当りが終了したと判断された場合、処理が終了される。

このような処理により、タイトルを構成する単語の一致率を基にしたグループＩＤが対応付けられるので、例えば、連続ドラマとスペシャル番組などの類似したタイトルの番組を、同一のグループとして処理させるようにすることができる。

また、タイトルを構成する単語の一致率を基にグループを決定するようにすることにより、例えば、メタデータにおいて、数字の半角と全角、または、英字の半角と全角、もしくは、大文字と小文字などの表記ゆれがあった場合にも、同一タイトルの番組を、同一のグループとして検出することが可能となる。

また、単語の一致率に加えて、例えば、放送局や番組ジャンル、あるいは、放送開始時刻などを、グループ化の条件に加えるようにしても良い。例えば、ニュース番組などにおいては、タイトルが、「ニュース」を含む少ない単語によって構成されているので、図１９を用いて説明した処理では、異なる放送局の異なる形態のニュース番組であっても、同一のグループとして検出されてしまう恐れがあるので、単語の一致率に加えて、放送局も一致した場合、同一グループとするようにしても良い。

次に、図２０のフローチャートを参照して、放送局の一致を条件に加えて、タイトルを構成する単語の一致率によりグループ化を実行するタイトルグループ化処理３について説明する。

ステップＳ４２１乃至ステップＳ４２４において、図１９を用いて説明した、ステップＳ４０１乃至ステップＳ４０４と同様の処理が実行される。すなわち、コンテンツ推薦サーバ４は、メタデータから、タイトルを抽出して形態素解析し、単語に分解する。そして、コンテンツ推薦サーバ４は、解析された単語を基に、タイトル間の単語の一致度を算出し、単語が、例えば、７０％などの所定の値以上一致しているか否かを判断する。

ステップＳ４２４において、単語が、７０％などの所定の値以上一致していると判断された場合、ステップＳ４２５において、コンテンツ推薦サーバ４は、それらの番組の放送局が一致しているか否かを判断する。

ステップＳ４２５において、これらの番組の放送局が一致していると判断された場合、ステップＳ４２６において、コンテンツ推薦サーバ４は、それらの番組に、同一のグループＩＤを対応付ける。また、コンテンツ推薦サーバ４は、一致した単語、または、単語群と、それに対応する放送局およびグループＩＤを記憶する。

ステップＳ４２４において、７０％などの所定の値以下の一致率であると判断された場合、ステップＳ４２５において、これらの番組の放送局が一致していないと判断された場合、または、ステップＳ４２６の処理の終了後、ステップＳ４２７において、コンテンツ推薦サーバ４は、タイトルの総当りが終了したか否かを判断する。

ステップＳ４２７において、タイトルの総当りが終了していないと判断された場合、処理は、ステップＳ４２３に戻り、それ以降の処理が繰り返される。

ステップＳ４２７において、タイトルの総当りが終了したと判断された場合、処理が終了される。

このような処理により、放送局の一致とタイトルを構成する単語の一致率を基にしたグループＩＤが対応付けられるので、例えば、類似したタイトルの番組を、同一のグループとする場合に、他局のニュース番組を同一のグループとするようなことを防ぐことができる。

なお、図２０においては、タイトルを構成する単語の一致率以外に、同一の放送局であるか否かを条件として、グループ化を行うものとして説明したが、放送局以外の、例えば、放送時間帯やジャンルなどを、タイトルを構成する単語の一致率以外の条件として、グループ化を実行するようにしても良いことは言うまでもない。

更に、例えば、連続ドラマや帯番組の放送開始時刻が、スポーツ中継や特別番組などのためにずれた場合においても、同一グループとして検出可能なように、タイトルを構成する単語の一致率以外の条件を、放送時刻が、例えば、１時間などの所定の時間範囲内のずれで一致しているか否かとして、グループ化を実行するようにしても良い。

図２１のフローチャートを参照して、放送時刻が、所定の時間範囲内のずれで一致しているか否かを条件に加えて、タイトルを構成する単語の一致率によりグループ化を実行するタイトルグループ化処理４について説明する。

ステップＳ４４１乃至ステップＳ４４４において、図１９を用いて説明した、ステップＳ４０１乃至ステップＳ４０４と同様の処理が実行される。すなわち、コンテンツ推薦サーバ４は、メタデータから、タイトルを抽出して形態素解析し、単語に分解する。そして、コンテンツ推薦サーバ４は、解析された単語を基に、タイトル間の単語の一致度を算出し、単語が、例えば、７０％などの所定の値以上一致しているか否かを判断する。

ステップＳ４４４において、単語が、７０％などの所定の値以上一致していると判断された場合、ステップＳ４４５において、コンテンツ推薦サーバ４は、それらの番組の放送開始時刻が、例えば、１時間などの所定の範囲内のずれで一致しているか否かを判断する。

ステップＳ４４５において、それらの番組の放送開始時刻が所定の範囲内のずれで一致していると判断された場合、ステップＳ４４６において、コンテンツ推薦サーバ４は、それらの番組に、同一のグループＩＤを対応付ける。また、コンテンツ推薦サーバ４は、一致した単語、または、単語群と、それに対応する放送開始時刻の範囲、およびグループＩＤを記憶する。

ステップＳ４４４において、７０％などの所定の値以下の一致率であると判断された場合、ステップＳ４４５において、それらの番組の放送開始時刻が所定の範囲以上にずれていると判断された場合、または、ステップＳ４４６の処理の終了後、ステップＳ４４７において、コンテンツ推薦サーバ４は、タイトルの総当りが終了したか否かを判断する。

ステップＳ４４７において、タイトルの総当りが終了していないと判断された場合、処理は、ステップＳ４４３に戻り、それ以降の処理が繰り返される。

ステップＳ４４７において、タイトルの総当りが終了したと判断された場合、処理が終了される。

このような処理により、放送開始時刻の所定の範囲内のずれを含む一致と、タイトルを構成する単語の一致率を基にしたグループＩＤが対応付けられるので、例えば、類似したタイトルの番組を同一のグループとする場合に、特別番組などによる放送時刻の変更のために、同一グループとして検出されるべき番組が、同一グループとして検出されないようなことを防ぐことができる。

なお、以上においては、コンテンツ推薦サーバ４が、ユーザ嗜好情報生成処理（図９）およびコンテンツ推薦情報処理（図１５）を行う場合を例として説明したが、クライアント機器５が、コンテンツ推薦サーバ４から供給されるグループＩＤが設定されたメタデータ（グループ化情報）を利用して、自分自身がグループ毎の利用頻度を算出してユーザ嗜好情報を生成し、それに基づいてコンテンツ推薦情報を生成することもできる。

また、頻繁に視聴される番組をいわゆる定番の番組として推薦し、推薦された番組が自動的に、視聴または録画されるようにすることもできる。図２２を参照して定番番組設定処理について説明する。この処理は、コンテンツ推薦サーバ４において、図１５を参照して上述したコンテンツ推薦情報生成処理を実行するのに先立って（事前に）実行される。

ステップＳ５０１において、CPU１１は、利用履歴を分析する。このとき、図９のステップＳ２の場合と同様に、クライアント機器５から、所定の期間に利用されたコンテンツのメタデータ（グループＩＤが設定されている）が取得され、グループ毎の利用回数（図１０）、または利用頻度（図１１Ｂ）が分析される。

ステップＳ５０２において、CPU１１は、利用回数（視聴回数）が所定の閾値を超える番組があるか否かを判定し、利用回数が閾値を超える番組があると判定された場合、ステップＳ５０３に進み、当該番組（利用回数が閾値を超える番組）のコンテンツ推薦情報に、この番組が定番であることを表す定番フラグを設定する。

また、ステップＳ５０２において、視聴頻度が閾値を超える番組があるか否かが判定され、利用頻度が閾値を超える番組があると判定された場合、ステップＳ５０３において、当該番組のコンテンツ推薦情報に定番フラグが設定されるようにしてもよい。

ステップS５０２において、視聴回数が閾値を超える番組がないと判定された場合、処理は終了される。

このようにして、定番フラグが設定されたコンテンツ推薦情報が、図１５のコンテンツ推薦情報生成処理により、クライアント機器５に送信される。これにより、クライアント機器５において、例えば、定番フラグが設定されたコンテンツ推薦情報に対応する番組が自動録画されるようにすることができる。

上述した図９のユーザ嗜好情報生成処理においては、ユーザ嗜好情報としてグループＩＤが記憶されるようにしたが、番組のメタデータに含まれる複数の属性に基づいて、より詳細な嗜好情報が生成され、生成された嗜好情報に基づいて番組が推薦されるようにすることもできる。図２３を参照して、番組のメタデータに含まれる複数の属性に基づいて、より詳細な嗜好情報を生成する第１の例である嗜好情報抽出処理１について説明する。この処理は、例えば、予め決められた時期（毎週所定の時刻）に、コンテンツ推薦サーバ４において実行される。

ステップＳ５２１において、CPU１１は、利用履歴を分析する。このとき、図９のステップＳ２の場合と同様に、クライアント機器５から、所定の期間に利用されたコンテンツのメタデータ（グループＩＤが設定されている）が取得され、グループ毎の利用回数（図１０）、または利用頻度（図１１Ｂ）が分析される。

ステップＳ５２２において、CPU１１は、利用回数が所定の閾値以上である番組を検索する。なお、利用頻度が所定の閾値以上である番組が検索されるようにしてもよい。

ステップＳ５２３において、CPU１１は、番組が検索されたか否かを判定し、番組が検索されたと判定された場合、ステップＳ５２４に進み、検索された番組のメタデータを分析する。このとき、検索された番組が複数あった場合、複数の番組のメタデータが分析される。ステップＳ５２５において、CPU１１は、ステップＳ５２４で分析された番組のメタデータに基づいて、番組ベクトルを生成する。

図２４に、このとき生成される番組ベクトルＰＰの構成例を示す。この例では、番組ベクトルＰＰは、ステップＳ５２４で分析された番組のメタデータの属性「タイトル（番組名）」（Tm）、「ジャンル」（Gm）、「出演者」（Pm）、「放送局」（Sm）、「時間帯」（Hm）、・・・を要素とするベクトルPP＝（Ｔm，Ｇm，Ｐm，Ｓｍ，Ｈｍ，・・・）として構成されている。そして要素Ｔm，Ｇm，Ｐm，Ｓｍ，Ｈｍ，・・・も、複数の要素を持つベクトルとして構成される。

例えば属性「放送局」に対応するベクトルＳmは、ＭＨＫ総合、ＭＨＫ教育、亜細亜テレビ、ＴＡＳ、フシ、テレ日、東都、ＭＨＫ衛星第１、ＭＨＫ衛星第２、およびＷＯＷＯ（いずれも仮想的な放送局の名称）など、放送局の種類が限られているので、Ｓｍ＝｛ＭＨＫ総合，ＭＨＫ教育，亜細亜テレビ，ＴＴＳ，ブジ，テレ日，東都，ＭＨＫ衛星第１，ＭＨＫ衛星第２，ＷＯＷＯ｝のように構成し、対応する放送局を値１、その他の放送局を値０とすることで得られる。すなわち対応する番組の放送局がＷＯＷＯであるとき、項目「放送局」のベクトルＳｍは、Ｓｍ＝｛０，０，０，０，０，０，０，０，０，１｝とされる。

属性「ジャンル」に対応するベクトルＧｍも、ドラマ、バラエティ、スポーツ、映画、音楽、子供向け／教育、教養／ドキュメント、ニュース／報道、およびその他など、その種類が限られているので、Ｇｍ＝｛ドラマ，バラエティ，スポーツ，映画，音楽，子供向け／教育，教養／ドキュメント，ニュース／報道，その他｝のように構成し、対応するジャンルを値１、その他のジャンルを値０とすることで得られる。すなわち対応する番組のジャンルが教養／ドキュメントであるとき、項目「ジャンル」のベクトルＧｍは、Ｇｍ＝｛０，０，０，０，０，０，１，０，０｝とされる。

属性「時間帯」に対応するベクトルＨｍも、属性「放送局」のベクトルＳｍおよび「ジャンル」のベクトルＧｍと同様にして得ることができる。

一方、属性「タイトル」、「出演者」などのように、要素を限定することが容易でないものは、その属性を構成する単語とその頻度を表す数値の組を１つの要素とするベクトルがその属性のベクトルとなる。例えば、番組のメタデータの属性「出演者」が「personA，personB，・・・」である場合、属性「出演者」に対応するベクトルPmは、Ｐｍ＝｛（personA−１），（personB−３），・・・｝とされる。ここで、（personA−１）と（personB−３）は、メタデータの属性「出演者」を構成する単語として、personAとpersonBがそれぞれ１回または３回検出されたことを表す。

なお、ステップＳ５２２において複数の番組が検索された場合、ステップＳ５２５において、それぞれの番組毎に、番組ベクトルが生成される。

ステップＳ５２６において、CPU１１は、ステップＳ５２５において生成された番組ベクトルを統合して嗜好情報を生成する。このとき、例えば、複数の番組ベクトルのそれぞれの属性が足し合わされ、嗜好情報として生成される。

図２５に、このとき生成される嗜好情報の例を示す。この例では、嗜好情報は、ベクトルとして生成されており、属性「番組名（タイトル）」（Tup）、「ジャンル」（Gup）、「出演者」（Pup）、「放送局」（Sup）、「時間帯」（Hup）、・・・に対応するベクトルＵＰ＝（Ｔup，Ｇup，Ｐup，Ｓup，Ｈup，・・・）として構成されている。そして要素Ｔup，Ｇup，Ｐup，Ｓup，Ｈup，・・・も、複数の要素を持つベクトルとして構成される。

この例では、属性「番組名（タイトル）」に対応するベクトルＴupは、Ｔup＝｛（title１−１２），（title２―３），・・・｝とされている。これは、嗜好情報の属性「番組名」に要素「title１」と「title２」があり、それぞれの重要度が「１２」と「３」に設定されていたことを表す。

重要度は、その要素に対するユーザの嗜好の度合いをあらわすもので、同一の要素が含む番組ベクトルが足し合わされるとき、重要度が１だけ加算される。例えば、番組ベクトルＰＰ１乃至ＰＰ２０の２０個の番組ベクトルに基づいて、嗜好情報が生成される場合、番組ベクトルＰＰ５、ＰＰ１０、およびＰＰ１７の３つの番組ベクトルにおいて、属性Ｔmの中に「title２」が含まれていた場合、Ｔupの要素「title２」の重要度が「３」と設定される。

また、属性「ジャンル」に対応するベクトルＧｕpは、Ｇup＝｛（ドラマ−２５），（バラエティ−３４），（スポーツ−４２），（映画−３７），（音楽−７３），（子供向け／教育−１２０），（教養／ドキュメント−３），（ニュース／報道−５），（その他−２３）｝とされており、属性「ジャンル」に含まれる要素とその重要度により構成されている。

同様にして、嗜好情報の属性「放送局」に対応するベクトルＳup、属性「出演者」に対応するベクトルPup、・・・が、各属性を構成する要素と重要度により構成されている。

ステップＳ５２３において、視聴回数が閾値以上の番組が検索されなかったと判定された場合、ステップＳ５２４乃至Ｓ５２６の処理はスキップされ、処理は終了する。

このようにして嗜好情報が生成される。嗜好情報は、所定の回数または頻度だけ利用された番組のメタデータに基づいて、生成されるのでよりユーザの嗜好を適確に反映したものとすることができる。

なお、嗜好情報は、ステップＳ５２１で、特定のユーザの利用履歴を分析することにより、ユーザ単位に生成されるものとしてもよいし、ステップＳ５２１で複数のユーザの利用履歴を分析することにより、一般的な（複数のユーザに共通の）嗜好情報が生成されるものとしてもよい。

ところで、図２３を参照して上述した嗜好情報抽出処理１によれば、同一の要素が含む番組ベクトルが足し合わされる都度、重要度が加算されるので、ユーザが頻繁に視聴する番組のメタデータに含まれる要素の重要度が極端に高くなり、偏った嗜好情報となってしまう場合もある。たとえば、毎日（月曜日から金曜日まで）放送される番組をユーザが欠かさず視聴している場合、その番組のメタデータに含まれる要素（例えば、タレントＡ）の重要度が、他の要素と比較して極端に高くなってしまう。このような、頻繁に視聴される番組（いわゆる定番の番組）のメタデータを嗜好情報に反映させないようにすることも可能である。図２６を参照して、番組のメタデータに含まれる複数の属性に基づいて、嗜好情報を生成する第２の例である嗜好情報抽出処理２について説明する。

ステップＳ５４１乃至５４３の処理は、図２３のステップＳ５２１乃至Ｓ５２３の処理と同様の処理なので、その説明は省略する。ステップＳ５４４において、CPU１１は、ステップＳ５４２で検索された番組が定番番組か否かを判定する。ここで、定番番組か否かの判定は、図２２を参照して上述した定番番組設定処理により設定された定番フラグに基づいて判定される。

ステップＳ５４４において、検索された番組が定番番組ではないと判定された場合、ステップＳ５４５に進む。そして、図２３のステップＳ５２４乃至Ｓ５２５の処理と同様にして、ステップＳ５４５において、番組のメタデータが分析され、ステップＳ５４６において番組ベクトルが生成され、ステップＳ５４７において嗜好情報が生成される。

一方、ステップＳ５４４において、検索された番組が定番番組であると判定された場合、ステップＳ５４５乃至Ｓ５４７の処理はスキップされる。

このようにすることで、定番番組に基づいて、嗜好情報が生成されることがなくなり、偏った嗜好情報が生成されることを防止することができる。

また、図２３を参照して上述した処理によれば、所定の回数（または頻度）以上に視聴されている番組について、すべて同様に番組ベクトルが生成され、嗜好情報が生成されるようにしている。この例では、シリーズで放送される番組Ａと番組Ｂがあり、例えば閾値が３回の場合、３回視聴した番組Ａについても、１０回視聴した番組Ｂについても同様に番組ベクトルが生成される。

しかし、番組Ａと番組Ｂでは、ユーザの、その番組に対する知識が異なる場合がある。例えば、ユーザは、１０回視聴した番組Ｂについては、番組の中にどのようなコーナーがあり、どのようなタレントが出演するかを熟知している可能性が高いが、３回しか視聴していない番組Ａについては、番組のコーナー、タレントなどについて熟知していない可能性があり、場合によっては、番組Ａを視聴したくないと感じる可能性もある。そこで、その番組に対する熟知度を反映して嗜好情報を生成する必要がある。図２６を参照して、番組のメタデータに含まれる複数の属性に基づいて、嗜好情報を生成する第３の例である嗜好情報抽出処理３について説明する。

ステップＳ５６１乃至Ｓ５６５の処理は、図２３のＳ５２１乃至Ｓ５２５の処理と同様の処理なので、その説明は省略する。ステップＳ５６６においてCPU１１は、番組の熟知度を特定する。熟知度は、ステップＳ５６１において分析された、番組の利用頻度に基づいて特定される。このとき、その番組の利用頻度に対応して３段階の熟知度が設定される。例えば、利用頻度が「０．１」以上のものは熟知度が「高」と設定され、利用頻度が「０．０５」以上「０．１」未満のものは熟知度が「中」と設定され、利用頻度が「０．０５」未満のものは熟知度が「低」と設定される。

なお、熟知度の分類は、３段階に限られるものではない。また、熟知度が段階別に分類されずに、数値として設定されるようにしてもよい。あるいはまた、利用頻度ではなく、利用回数に基づいて、熟知度が設定されるようにしてもよい。

ステップＳ５６７において、CPU１１は、ステップＳ５６５で生成された番組ベクトルに対して、熟知度に基づいて、重み付けを行う。このとき、例えば、熟知度が「高」の番組ベクトルに含まれる要素に基づいて生成される、嗜好情報の重要度は３倍に設定され、熟知度が「中」の番組ベクトルに含まれる要素に基づいて生成される、嗜好情報の重要度は２倍に設定され、熟知度が「低」の番組ベクトルに含まれる要素に基づいて生成される、嗜好情報の重要度は１倍に設定される。

ステップＳ５６８において、CPU１１は、ステップＳ５６７において重み付けされた番組ベクトルに基づいて、嗜好情報を生成する。このとき、例えば、熟知度が「高」である番組ベクトルＰＰ１を構成するベクトルPm１が、Pm1＝（personA）であり、熟知度が「中」である番組ベクトルＰＰ２を構成するベクトルPm２が、Pm２＝（personB）であり、熟知度が「低」である番組ベクトルＰＰ３を構成するベクトルPm３が、Pm３＝（personC）である場合、嗜好情報の属性「出演者」に対応するベクトルPupは、Pup＝{（personA−３），（personB−２），（personC−１）}とされる。

このようにして、熟知度を反映した嗜好情報が生成される。なお、嗜好情報は、ステップＳ５６１で、特定のユーザの利用履歴を分析することにより、ユーザ単位に生成されるものとしてもよいし、ステップＳ５６１で複数のユーザの利用履歴を分析することにより、一般的な（複数のユーザに共通の）嗜好情報が生成されるものとしてもよい。例えば、まだ視聴履歴が蓄積されていないユーザに対しては、一般的な嗜好情報に基づいて番組（コンテンツ）を推薦することができる。嗜好情報は、番組の熟知度を反映して生成されているので、例えば、単に視聴率の高い番組を推薦するより、信頼性の高い番組を、ユーザに推薦することができる。

以上においては、嗜好情報の重要度は、番組が視聴される毎に加算されるようにしているが、場合によっては重要度を減算する必要もある。例えば、ユーザはクライアント機器５において、自動録画が予約された定番番組について録画予約を解除することができる。ここで、録画予約が解除された番組は、それ以前は、頻繁に視聴されていたにもかかわらず、その回だけ録画予約をあえて解除したものであり、録画予約が解除された回は、ユーザの嗜好に合わない内容であったことが想定される。そこで、本発明においては、この録画予約が解除された番組のメタデータに基づいて、ユーザの嗜好情報の変更が行われる。

図２８を参照して、嗜好情報変更処理について説明する。この処理は、クライアント機器５のCPU５１により、自動録画の予約の解除が検知されたとき、コンテンツ推薦サーバ４に対して、自動録画予約が解除された番組の情報がネットワーク６を介して通知されたとき、コンテンツ推薦サーバ４により実行される。

ステップＳ５８１において、CPU１１は、自動録画予約が解除された回の番組（例えば、１０回放送される番組のうち、第３回目の番組）のメタデータを取得し、ステップＳ５８２において、取得したメタデータの属性を分析する。ステップＳ５８３において、CPU１１は、自動録画予約が設定された番組の嗜好情報の属性と、自動録画予約が解除された回の番組のメタデータの属性を比較し、ステップＳ５８４においてネガティブな要素を検出する。

例えば、番組Ｘの自動録画予約が設定され、ユーザによりその録画予約が解除された場合を考える。自動録画予約が設定された回の番組Ｘのメタデータに基づいて、生成された番組ベクトルＰＰ１において、属性「出演者」に対応するベクトルPm１が、Pm1＝（personA，personB）であり、自動録画予約が解除された回の番組Ｘのメタデータに基づいて、生成された番組ベクトルＰＰ２において、属性「出演者」に対応するベクトルPm２が、Pm２＝（personA，personB，personC）であった場合、自動録画予約が解除された回の番組Ｘには「personC」が出演していたため、録画予約が解除されたと考えられ、ステップＳ５８４において、「personC」がネガティブな要素として検出される。

ステップＳ５８５において、CPU１１は、ステップＳ５８４で検出されたネガティブな要素に基づいて、ユーザの嗜好情報を変更する。このとき、ネガティブな要素の重要度が減算される。いまの場合、例えば、嗜好情報の属性「出演者」に対応するベクトルPupが、Pup＝{（personA−５），（personB−２），（personC−３）}であった場合、ステップＳ５８５において、Pup＝{（personA−５），（personB−２），（personC−２）}と変更され、「personC」の重要度が１だけ減算される。

このようにして、嗜好情報の変更が行われる。このようにすることで、ユーザが好まない属性の重要度は低く変更されるので、ユーザに番組（コンテンツ）の推薦を行うとき、よりユーザの嗜好に合った番組（コンテンツ）を推薦することができる。

また、以上においては、視聴回数が所定の回数以上の番組のメタデータに基づいて嗜好情報が生成される例について説明したが、このようにして生成された嗜好情報に基づいた番組の推薦が続けて行われると、ユーザが飽きてしまう恐れがある。そこで、本発明においては、ユーザが初めて視聴した（過去に視聴していない）番組に注目する。初めて視聴した番組に対して、ユーザは特別な興味をもっていることが考えられるので、この番組のメタデータに基づいて、特殊嗜好情報を生成する。

図２９を参照して、コンテンツ推薦サーバ４による特殊嗜好情報生成処理について説明する。この処理は、例えば、ユーザにより、所定のコマンドを投入したとき実行されるようにしてもよいし、所定の周期（例えば、１週間）毎に自動的に実行されるようにしてもよい。

ステップＳ６０１において、CPU１１は利用履歴を検索する。このとき、クライアント機器５から、所定の期間（例えば、直近の６ヶ月間）に利用されたコンテンツのメタデータ（グループＩＤが設定されている）が取得され、グループ毎の利用回数（図１０）が分析される。

ステップＳ６０２において、CPU１１は、視聴回数が１回の番組を検出する。ステップＳ６０３において、CPU１１は、視聴回数が１回の番組が検出されたか否かを判定し、番組が検出されたと判定された場合、ステップＳ６０４に進み、検出された番組のメタデータに基づいて、特殊嗜好情報を生成する。このとき、図２３のステップＳ５２４乃至Ｓ５２６と同様に、番組のメタデータに基づいて番組ベクトルが生成され、番組ベクトルに基づいて特殊嗜好情報が生成される。ステップＳ６０３において、視聴回数が１回の番組が検出されなかったと判定された場合、ステップＳ６０４の処理はスキップされる。

このようにして、ユーザが初めて視聴した番組のメタデータに基づいて特殊嗜好情報が生成される。

次に、図２３、図２６、および図２７を参照して上述した処理により生成した嗜好情報に基づいて、コンテンツが推薦される処理について説明する。

図３０は、図２３、図２６、および図２７を参照して上述した処理により生成した嗜好情報に基づいて、コンテンツを推薦する場合の、コンテンツ推薦サーバ４のCPU１１の機能的構成例を示すブロック図である。この例では、番組のメタデータを取得するメタデータ取得部１１１、特定のユーザの嗜好情報を取得する嗜好情報取得部１１２が設けられている。

メタデータ取得部１１１により取得された番組のメタデータは、番組ベクトル抽出部１１３に出力され、番組ベクトル抽出部１１３において、番組ベクトルが抽出される。また、嗜好情報取得部１１２により取得された嗜好情報は、嗜好ベクトル抽出部１１４に出力され、嗜好情報に基づく嗜好ベクトルが抽出される。番組ベクトル抽出部１１３により抽出された番組ベクトルと、嗜好ベクトル抽出部１１４により抽出された嗜好ベクトルは、マッチング処理部１１５に出力され、マッチング処理部１１５は、番組ベクトルと嗜好ベクトルの類似度を算出する。

１つの嗜好ベクトルに対して複数の番組ベクトルとの類似度が算出され、マッチング処理部１１５は、類似度が高い順に所定の数の番組ベクトルを選択し、選択された番組ベクトルに対応する番組のメタデータを情報出力部１１６に出力する。

情報出力部１１６は、マッチング処理部１１５により選択された番組のメタデータを、例えば、記憶部１８に記憶させる。

次に、図３１のフローチャートを参照して、推薦情報検索処理について説明する。ステップＳ６２１において、メタデータ取得部１１１は、コンテンツ（番組）のメタデータを取得する。このとき、所定の基準に基づいて、複数の番組（例えば、今後１週間に放送される番組）のメタデータが取得される。ステップＳ６２２において、番組ベクトル抽出部１１３は、ステップＳ６２１で取得された番組のメタデータに基づいて、番組ベクトルを抽出する。このとき、図２４を参照して上述した番組ベクトルと同様に、複数の番組の番組ベクトルが抽出される。

ステップＳ６２３において、嗜好ベクトル抽出部１１４は、嗜好情報を取得する。このとき、特定のユーザの嗜好情報が取得される。ステップＳ６２４において、嗜好ベクトル抽出部１１４は、嗜好ベクトルを生成する。嗜好ベクトルは、図２５に示されるような嗜好情報が、そのまま嗜好ベクトルとして生成されるようにしてもよいし、嗜好情報を構成する特定の属性が抽出されて嗜好ベクトルとして生成されるようにしてもよい。

ステップＳ６２５において、マッチング処理部１１５は、ステップＳ６２２において生成された番組ベクトルＰＰと、ステップＳ６２４において生成された嗜好ベクトルＵＰのコサイン距離を算出する。いま、ベクトルＰＰとベクトルＵＰのなす角をθとすると、cosθ＝ＰＰ・ＵＰ／│ＰＰ││ＵＰ│となる。

例えば、嗜好ベクトルＵＰ（＝（Ｔup，Ｇup，Ｐup，Ｓup，Ｈup，・・・））におけるベクトルPupが、Ｐup＝｛（personA−１），（personＢ−１），（personＣ−１）｝であり、番組ベクトルＰＰ＝（Ｔm，Ｇm，Ｐm，Ｓｍ，Ｈｍ，・・・）におけるベクトルＰｍが、Ｐｍ＝｛（personA−１），（personD−１），（personＥ−１）｝である場合、コサイン距離cosθpは、式（１）に従って算出される。

cosθp＝（１・１）／（√３×√３）＝１／３ ・・・ （１）
なお、式中“・”は、内積を表し、“×”はスカラ演算を表す。

cosθpと同様にして、ベクトルＴup，Ｇup，Ｓup，Ｈup，・・・と、ベクトルＴm，Ｇm，Ｓｍ，Ｈｍ，・・・とのコサイン距離cosθt，cosθg，cosθs，cosθh，・・・が算出される。

そして、算出されたコサイン距離を式（２）に従って合計し、類似度Simを計算する。

Sim＝cosθt＋cosθg＋cosθp＋cosθs＋cosθh ・・・ （２）

このようにして、嗜好ベクトルＵＰと番組ベクトルＰＰの類似度が算出される。なお、１つの嗜好ベクトルＵＰに対して複数の番組ベクトルＰＰとの類似度が算出される。これにより、それぞれの番組のメタデータについて、ユーザの嗜好情報との類似度が算出される。

ステップＳ６２６において、マッチング処理部１１５は、類似度の高い番組のメタデータを選択し、情報出力部１１６に出力する。このとき、ステップＳ６２５で算出された類似度に基づいて、類似度の高い順、すなわちSimの値が大きい順に所定の数（例えば、１０）だけ番組ベクトルＰＰが選択され、選択された番組ベクトルＰＰに対応する番組のメタデータが出力される。なお、類似度が所定の値より大きい番組ベクトルＰＰが全て選択され、選択された番組ベクトルＰＰに対応する番組のメタデータが出力されるようにしてもよい。

ステップＳ６２７において、情報出力部１１６は、ステップＳ６２６で抽出された番組のコンテンツ推薦情報をクライアント機器５に送信する。

このようにして、嗜好情報に基づく番組の推薦が行われる。

ところで、番組の推薦は、図２９を参照して説明した処理で生成された特殊嗜好情報に基づいて行うこともできる。図３２を参照して、コンテンツ推薦サーバ４による特殊推薦情報検索処理について説明する。この処理は、例えば、ユーザにより、所定のコマンドを投入したとき実行されるようにしてもよいし、所定の周期（例えば、１週間）毎に自動的に実行されるようにしてもよい。

ステップＳ６４１とＳ６４２の処理は、図３１のステップＳ６２１とＳ６２２の処理と同様の処理であるので、その説明は省略する。

ステップＳ６４３において、嗜好ベクトル抽出部１１４は、特殊嗜好情報を取得する。このとき、図２９を参照して上述した特殊嗜好情報生成処理により生成された特殊嗜好情報が取得される。そして、ステップＳ６４４において、嗜好ベクトル抽出部１１４は、ステップＳ６４３で取得された特殊嗜好情報に基づいて、嗜好ベクトルを生成する。

ステップＳ６４５とＳＳ６４６の処理は、図２３のステップＳ６２５とＳ６２６の処理と同様の処理であるので、その説明は省略する。

ステップＳ６２７において、情報出力部１１６は、ステップＳ６４６において抽出された番組のコンテンツ推薦情報をクライアント機器５に送信する。

このようにして、特殊嗜好情報に基づいて、コンテンツの推薦が行われる。上述したように、特殊嗜好情報は、ユーザが初めて視聴した番組のメタデータに基づいて生成されたものであり、特殊嗜好情報に基づいて、ユーザにコンテンツを推薦することにより、より新鮮な印象を与えることができる。

上述した一連の処理は、ソフトウェアにより実行することもできる。そのソフトウェアは、そのソフトウェアを構成するプログラムが、専用のハードウェアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどに、記録媒体からインストールされる。

この記録媒体は、図７，８に示すように、ユーザにプログラムを提供するために配布される、プログラムが記録されている磁気ディスク３１または７１（フレキシブルディスクを含む）、光ディスク３２または７２（CD-ROM（Compact Disk-Read Only Memory），DVD（Digital Versatile Disk）を含む）、光磁気ディスク３３または７３（ＭＤ（Mini-Disk)（商標）を含む）、もしくは半導体メモリ３４または７４などよりなるパッケージメディアなどにより構成される。

また、本明細書において、記録媒体に記録されるプログラムを記述するステップは、記載された順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。

なお、本明細書において、システムとは、複数の装置により構成される装置全体を表すものである。

本発明を適用したコンテンツ推薦システムの構成例を示している。 メタデータの例を示す図である。 コンテンツのグループ化を説明する図である。 コンテンツのグループ化を説明する他の図である。 グループIDが付されたメタデータの例を示す図である。 利用履歴の例を示す図である。 図１のコンテンツ推薦サーバの構成例を示すブロック図である。 図１のクライアント機器の構成例を示すブロック図である。 ユーザ嗜好情報生成処理を説明するフローチャートである。 利用頻度の算出方法を説明する図である。 利用頻度の算出方法を説明する他の図である。 利用状態の確認処理を説明する図である。 利用状態の確認処理を説明する他の図である。 利用状態の確認処理を説明する他の図である。 コンテンツ推薦情報生成処理を説明するフローチャートである。 コンテンツ推薦情報の表示例を示す図である。 他のコンテンツ推薦情報の表示例を示す図である。 タイトルグループ化処理１について説明するフローチャートである。 タイトルグループ化処理２について説明するフローチャートである。 タイトルグループ化処理３について説明するフローチャートである。 タイトルグループ化処理４について説明するフローチャートである。 定番番組設定処理を説明するフローチャートである。 嗜好情報抽出処理１を説明するフローチャートである。 番組ベクトルの構成例を示す図である。 嗜好情報の構成例を示す図である。 嗜好情報抽出処理２を説明するフローチャートである。 嗜好情報抽出処理３を説明するフローチャートである。 嗜好情報変更処理を説明するフローチャートである。 特殊嗜好情報生成処理を説明するフローチャートである。 図７のＣＰＵの機能的構成例を示すブロック図である。 推薦情報検索処理を説明するフローチャートである。 特殊推薦情報検索処理を説明するフローチャートである。

符号の説明

４ コンテンツ推薦サーバ， ５ クライアント機器， １１ CPU， １２ROM， １３ RAM， １４ バス， １５ 入出力インタフェース， １６ 入力部， １７ 出力部， １８ 記憶部， １９ 通信部， １１３ 番組ベクトル抽出部， １１４ 嗜好ベクトル抽出部， １１５ マッチング処理部

Claims (15)

1. 配信されるコンテンツの属性を表す項目から生成された複数のグループ化項目に基づくグループに、前記コンテンツを分類する分類手段と、
   前記グループに属する前記コンテンツの利用履歴に基づいて、前記グループの利用頻度を算出する算出手段と、
   前記算出手段により算出された前記利用頻度に基づいて、ユーザの嗜好を表すユーザ嗜好情報を生成する生成手段と、
   前記生成手段により生成された前記利用頻度に基づいて選択された前記グループに属するコンテンツを推薦する推薦手段と
   を備えることを特徴とする情報処理装置。
2. 前記分類手段は、前記コンテンツの放送時間帯と少なくとも１つ以上の他の属性に基づくグループに前記コンテンツを分類する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記分類手段は、前記コンテンツを、少なくとも前記コンテンツの放送時間帯に基づくグループに分類するとともに、他の属性に基づくグループに分類し、
   前記生成手段は、それぞれの前記グループの利用頻度を利用して、前記ユーザ嗜好情報を生成する
   ことを特徴とする請求項１に記載の情報処理装置。
4. 前記分類手段は、前記コンテンツの属性を形態素解析し、その結果得られた要素に基づくグループに、前記コンテンツを分類する
   を特徴とする請求項１に記載の情報処理装置。
5. 前記生成手段は、前記グループに属する前記コンテンツの利用状態が所定の条件を満たしている前記グループの利用頻度を利用して、前記ユーザ嗜好情報を生成する
   ことを特徴とする請求項１に記載の情報処理装置。
6. 前記推薦手段は、
   前記算出手段により算出された前記利用頻度が、予め設定された値より高いか否かを判定する判定手段と、
   前記判定手段により、前記利用頻度が、予め設定された値より高いと判定された場合、前記コンテンツの推薦情報に、頻繁に視聴されるコンテンツであることを表す定番フラグを設定する設定手段と
   を備えることを特徴とする請求項１に記載の情報処理装置。
7. 前記生成手段は、
   前記算出手段により算出された前記利用頻度が予め設定された値より高いグループのコンテンツのメタデータを取得し、前記メタデータの特徴量を表すベクトルを抽出する抽出手段を備え、
   前記抽出手段により抽出されたベクトルに基づいて、前記嗜好情報を生成する
   ことを特徴とする請求項１に記載の情報処理装置。
8. 前記生成手段は、
   前記算出手段により算出された前記利用頻度が予め設定された値より高いグループのコンテンツが、前記定番フラグが設定されたコンテンツ推薦情報に対応するコンテンツか否かを判定する定番判定手段を備え、
   前記定番判定手段により、前記コンテンツが、前記定番フラグが設定されたコンテンツ推薦情報に対応するコンテンツではないと判定された場合、前記抽出手段は、コンテンツのメタデータを取得し、前記メタデータの特徴量を表すベクトルを抽出する
   ことを特徴とする請求項７に記載の情報処理装置。
9. 前記嗜好情報は、複数の属性とその属性の重要度を表す値により構成される
   ことを特徴とする請求項７に記載の情報処理装置。
10. 前記生成手段は、
    前記算出手段により算出された前記利用頻度に基づいて、前記コンテンツの熟知度を設定する熟知度設定手段を備え、
    前記熟知度に基づいて、前記嗜好情報の重要度を表す値に重み付けを行う
    ことを特徴とする請求項７に記載の情報処理装置。
11. 前記生成手段は、
    前記コンテンツの利用履歴に基づいて、過去に１回だけ利用されたコンテンツを検索する検索手段と、
    前記検索手段により検索されたコンテンツのメタデータに基づいて、特殊嗜好情報を生成する特殊嗜好情報生成手段とをさらに備える
    ことを特徴とする請求項７に記載の情報処理装置。
12. 前記嗜好情報または前記特殊嗜好情報の特徴量を表すベクトルを抽出する第１の抽出手段と、
    予め設定された期間に放送されるコンテンツのメタデータを取得し、前記メタデータの特徴量を表すベクトルを抽出する第２の抽出手段と、
    前記第１の抽出手段により抽出されたベクトルと第２の抽出手段により抽出されたベクトルの類似度を演算する演算手段とを備え、
    前記推薦手段は、前記類似度が高い順に、予め設定された数だけ前記第２の抽出手段により抽出されたベクトルを選択し、選択されたベクトルのメタデータに基づいて、コンテンツを推薦する
    ことを特徴とする請求項１１に記載の情報処理装置。
13. 配信されるコンテンツの属性を表す項目から生成された複数のグループ化項目に基づくグループに、前記コンテンツを分類する分類ステップと、
    前記グループに属する前記コンテンツの利用履歴に基づいて、前記グループの利用頻度を算出する算出ステップと、
    前記算出ステップの処理で算出された前記利用頻度に基づいて、ユーザの嗜好を表すユーザ嗜好情報を生成する生成ステップと、
    前記生成ステップの処理で生成された前記利用頻度に基づいて選択された前記グループに属するコンテンツを推薦する推薦ステップと
    を含むことを特徴とする情報処理方法。
14. 配信されるコンテンツの属性を表す項目から生成された複数のグループ化項目に基づくグループに、前記コンテンツを分類する分類ステップと、
    前記グループに属する前記コンテンツの利用履歴に基づいて、前記グループの利用頻度を算出する算出ステップと、
    前記算出ステップの処理で算出された前記利用頻度に基づいて、ユーザの嗜好を表すユーザ嗜好情報を生成する生成ステップと、
    前記生成ステップの処理で生成された前記利用頻度に基づいて選択された前記グループに属するコンテンツを推薦する推薦ステップと
    を含むことを特徴とするコンピュータが読み取り可能なプログラムが記録されている記録媒体。
15. 配信されるコンテンツの属性を表す項目から生成された複数のグループ化項目に基づくグループに、前記コンテンツを分類する分類ステップと、
    前記グループに属する前記コンテンツの利用履歴に基づいて、前記グループの利用頻度を算出する算出ステップと、
    前記算出ステップの処理で算出された前記利用頻度に基づいて、ユーザの嗜好を表すユーザ嗜好情報を生成する生成ステップと、
    前記生成ステップの処理で生成された前記利用頻度に基づいて選択された前記グループに属するコンテンツを推薦する推薦ステップと
    を含む処理をコンピュータに実行させることを特徴とするプログラム。

Images