JP2006127452A - 情報提示装置および情報提示方法 - Google Patents

Abstract

【課題】 被提示者が提示対象を受け入れるか否かを判断しやすい態様で提示対象を提示できるベイジアンネットを用いた情報提示装置を提供する。
【解決手段】 情報提示装置１０は、ユーザに適した提示対象を求めるためのベイジアンネットのモデルを記憶するモデル記憶部２８と、複数の提示対象の候補から、各候補の属性をモデルの複数のノードにあてはめて確率推論を行うことにより、ユーザに適した提示対象を求める提示対象推論処理部１８と、提示対象推論処理部１８により提示対象が求められたときの属性をモデルに適用して、各ノードが提示対象の選択に与えた影響を測定する影響度測定処理部２０と、影響度測定処理部２０により測定された影響度に基づいて提示対象の選択の理由として生成する理由生成処理部２２と、提示対象推論処理部１８により求められた提示対象と理由生成処理部２２により生成された理由とを出力する提示部１２とを備える。
【選択図】 図１

Description

ベイジアンネットのモデルを用いて、確率的に適した提示対象を被提示者に提示する情報提示装置に関する。

情報技術の適用範囲が飛躍的に拡大している現在、これまでコンピュータにとっては扱いにくかった不確実で非明示的な情報を取り扱うことが必要になってきている。例えば、インターネットショッピングにおいて、顧客のニーズを以前の取引履歴や顧客管理情報から読み取り、目の前の顧客に最適な情報を推奨するリコメンデーションシステムの場合を考えてみる。顧客リストの中から目の前の顧客に最も近い購買パターンを見つけるとしても年齢や性別が同じだからといって同じ嗜好性を持っているとは限らない。また顧客が、登録時に申請したアンケートと同じ嗜好性をいつまでも持ち続けているとも限らない。そこで、顧客のアクション（ＷＷＷブラウジング履歴など）や属性、アンケート情報から総合的に判断して嗜好性を予測することが必要となるわけだが、必ずしも一つの答えとして決定できるとは限らない。対象となる候補は同時に複数存在することもあり得る。そして、それぞれの候補についても「これまで見ていたＷＷＷページから、ユーザはおそらくサッカー関連の情報に興味がある可能性が高い」といった漠然とした不確実性を伴ったものとして扱うことが自然である。

こうした問題においては、確率的な枠組みが有効である。サッカー関連の商品に興味のある可能性が６０％、旅行に興味のある可能性が３０％などというように複数の候補に確信度をつけ、不確実性を含んだ状態で取り扱うことができる。そして、直前に見ていたページが例えば韓国に関するものであった場合に、ワールドカップサッカー関連の情報、旅行関連情報、料理関連情報のそれぞれに興味のある確率を計算して、目の前の顧客が最も高い確率で関心を持つと思われる対象を提供することが考えられる。またこの確率を計算するには様々な多くの要因（例えばアンケートで答えた趣味など）を考慮に入れて、その間の依存関係（スポーツが趣味ならサッカーに興味がある可能性が高いなど）を利用することでより精度の高い予測が可能になる。

このような複数の要因の依存関係に基づいて確率計算を行う情報処理モデルとしてベイジアンネットが最近、様々な分野で注目を集めている。ベイジアンネットとは（１）確率変数と（２）確率変数間の条件付依存関係、（３）その条件付確率の３つによって定義されるネットワーク状の確率モデルである。（１）はノード、（２）はノード間に張った有向リンクで表され、リンクの先に来るノードを子ノード、リンクの元にあるノードを親ノードと呼ぶ。（３）は親ノードがある値をとった時に、子ノードがある値をとる条件付確率で、離散変数の場合にはＰ（子ノード＝ｙ｜親ノード＝ｘ１，ｘ２，．．．）＝ｐのような、子ノードと親ノードがとる全ての状態のそれぞれにおける確率値を列挙した表（条件付き確率表）の形で表現する（非特許文献１）。

前述のリコメンデーションシステムは、ベイジアンネットを用いて実現することができる。具体的には、リコメンデーションシステムは、例えば、顧客の属性やリコメンデーションを受ける状況等と、顧客の関心の高さとの関係を表現したベイジアンネットのモデルをあらかじめ記憶しておく。そして、リコメンデーションシステムは、リコメンデーションの対象となる顧客の属性やそのときの状況などをベイジアンネットのモデルに設定し、確率伝搬と呼ばれる計算を行って顧客の関心の高い対象を推論し、その推論結果に基づいて顧客に関心の高い対象を推奨する。
本村陽一「ベイジアンネットソフトウェア」、人工知能学会論文誌、第１７巻 ５号ａ（２００２年）

上記したように、ベイジアンネットを用いたリコメンデーションシステムは、複数の要因をまとめて取り扱って推論を行うので、複数の要因を総合的に判断して推奨情報を選択できる利点がある一方で、推論結果を裏付ける根拠が分かりづらく説得力に欠ける場合があった。すなわち、仮に、人気店ランキングに基づく推奨情報、あるいは、現在位置からの近さに基づく推奨情報というように推奨の基準が明確な場合、顧客は提示された推奨情報を受け入れるか否かを判断しやすい。しかし、ベイジアンネットモデルを使う場合のように様々な要因を総合的に判断して得られた推奨情報の場合、決め手となる情報がないため顧客が提示された推奨情報を受け入れるか否か迷うおそれがある。

本発明は、上記背景に鑑み、被提示者が提示対象を受け入れるか否かの判断に役立つ情報を提示できるベイジアンネットを用いた情報提示装置を提供することを目的とする。

本発明の情報提示装置は、被提示者に適した提示対象を求めるための影響要因になる複数のノードを含むベイジアンネットのモデルを記憶するモデル記憶手段と、複数の提示対象の候補から、各候補の属性を前記モデルの複数のノードにあてはめて確率推論を行うことにより、被提示者に適した提示対象を求める確率推論手段と、前記確率推論手段により提示対象が求められたときの前記複数のノードのそれぞれが提示対象の選択に与えた影響を測定する影響度測定手段と、前記影響度測定手段により測定された影響度を比較することにより、提示対象の選択の主要な要因になった主要影響ノードを求め、主要影響ノードに対応する属性を表す情報を提示対象の選択の理由として生成する理由生成手段と、前記確率推論手段により求められた提示対象と前記理由生成手段により生成された理由とを出力する出力手段とを備える。

本発明によれば、影響要因になる各ノードが提示対象の選択に与える影響度を影響度測定手段によって測定し、測定された影響度に基づいて提示対象の選択理由を生成するので、複数の影響要因に基づいて確率推論を行って選択された提示対象についてその選択理由を求めることができる。そして、生成された理由を提示対象と共に被提示者に提示することにより、提示対象を受け入れるか否かの判断に役立つ情報を被提示者に提供できる。

また、本発明の情報提示装置において、前記モデル記憶手段は、前記提示対象に対する被提示者のレスポンスに関するレスポンスノードを含むモデルを記憶し、前記影響度測定手段は、前記確率推論手段により提示対象が求められたときの各ノードの属性をあてはめたモデルにおいて前記レスポンスノードの値を固定し、前記影響要因になる前記複数のノードのうち測定対象のノードを未観測のノードに置き換えて確率推論を行う処理を前記各ノードに対して順次行なうことにより、前記レスポンスノードの値を固定したときの前記各ノードの確率分布を求め、求められた前記各ノードの確率分布に基づいて前記各ノードの影響度を求めてもよい。

このように影響度測定手段にてレスポンスノードの値を固定して求めた各ノードの確率分布は、レスポンスノードに対する影響度を表す。例えば、ノードの確率分布が一様な場合、どの値をとりやすいかという情報を持たないので、レスポンスノードに対する影響が小さいことになる。逆にノードの確率分布が一様でない場合には、そのノードの値の変化がレスポンスノードに与える影響が大きい。従って、レスポンスノードの値を固定して求めた各ノードの確率分布に基づいて、各ノードのレスポンスノードに対する影響度を適切に測定できる。

また、本発明の情報提示装置において、前記影響度測定手段は、前記レスポンスノードの値を前記提示対象の受入れを示す肯定レスポンスに固定したときと前記提示対象の拒絶を示す否定レスポンスに固定したときのそれぞれについて前記各ノードの確率分布を求め、前記肯定レスポンスに固定したときと前記否定レスポンスに固定したときの前記各ノードの確率分布の情報量の差を前記各ノードの影響度として求めてもよい。

このように影響度測定手段にてレスポンスノードの値を肯定レスポンスで固定して求めたノードの情報量と否定レスポンスで固定して求めたノードの情報量の差は、レスポンスノードの変化に対する影響度を表す。例えば、肯定レスポンスで固定したときと否定レスポンスで固定したときのノードの情報量の差が小さい場合には、レスポンスノードが肯定レスポンスまたは否定レスポンスのいずれをとってもノードの情報量がほぼ等しく、そのノードの影響が小さいことを意味する。逆に、ノードの情報量の差が大きい場合には、レスポンスノードがとる値によってそのノードの情報量が大きく変化するので影響が大きいことを意味する。従って、上記のレスポンスノードの値を肯定レスポンスで固定したときと否定レスポンスで固定したときのノードの情報量の差に基づいて、ノードの影響度を適切に求めることができる。なお、情報量の差は、レスポンスノードの値を肯定レスポンスで固定したときの情報量から否定レスポンスで固定したときの情報量を減算して求めてもよいし、その逆でもよい。

また、本発明の情報提示装置において、前記影響度測定手段は、前記レスポンスノードの値を前記提示対象の受入れを示す肯定レスポンスに固定したときの前記各ノードの確率分布を求め、前記各ノードの確率分布の情報量を前記各ノードの影響度として求めてもよい。

このようにレスポンスノードの値を肯定レスポンスで固定して求めた各ノードの情報量は、レスポンスノードが肯定レスポンスをとることに対する影響度を表すので、各ノードの情報量に基づいて各ノードの影響度を適切に求めることができる。

また、本発明の情報提示装置において、前記影響度測定手段は、前記レスポンスノードの値を前記提示対象の受入れを示す肯定レスポンスに固定したときと前記提示対象の拒絶を示す否定レスポンスに固定したときのそれぞれについて前記各ノードの確率分布を求め、求められた確率分布に基づいて前記各ノードが前記確率推論手段により提示対象が求められたときの属性をとる確率値を、前記レスポンスノードの値を肯定レスポンスに固定したときと否定レスポンスに固定したときのそれぞれについて求め、求められた両確率値の差を前記影響度としてもよい。

このようにレスポンスノードの値を肯定レスポンスに固定して求めた確率値と否定レスポンスに固定して求めた確率値との差は、レスポンスノードの変化に対する影響度を表す。例えば、肯定レスポンスに固定したときと否定レスポンスに固定したときの確率値の差が小さい場合には、レスポンスノードが肯定レスポンスまたは否定レスポンスのいずれをとってもそのノードの確率値がほぼ等しく、そのノードの影響が小さいことを意味する。逆に確率値の差が大きい場合には、レスポンスノードがとる値によってノードの確率値が大きく変化するので影響が大きいことを意味する。従って、肯定レスポンスに固定したときの確率値と否定レスポンスに固定したときの確率値の差に基づいて、各ノードの影響度を適切に求めることができる。

また、本発明の情報提示装置において、前記モデル記憶手段は、前記影響要因になる各ノードが前記提示対象の選択に与える影響度を測定するために、前記各ノードに付随して設定された影響度測定ノードを含むモデルを記憶し、前記影響度測定手段は、前記確率推論手段にて用いたモデルの前記影響度測定ノードの確率分布に基づいて前記影響度を求めてもよい。

このように提示対象の選択に与える影響度に関する影響度測定ノードを含むモデルを用い、被提示者のレスポンスによってモデルを学習させることにより、影響度測定ノードは影響度に応じた確率分布を有することとなる。従って、影響度測定ノードに基づいて提示対象が選択された理由を求めることができる。

また、本発明の情報提示装置において、前記モデル記憶手段は、前記影響要因のノードと異なるノードを選択基準を示すノードとして設定したモデルを記憶し、前記理由生成手段は、前記確率推論手段にて用いたモデルの前記選択基準を示すノードの確率分布に基づいて前記理由を生成してもよい。

このように提示対象の選択基準を示すノードを設定しておき、被提示者のレスポンスによってモデルを学習させることにより、選択基準を示すノードは影響要因のノードの影響を受けて更新される。従って、選択基準を示すノードに基づいて提示対象が選択された理由を求めることができる。

本発明の情報提示装置は、自動車に備えられる。

この構成により、運転手の判断に役立つ情報が提示されるので、運転手による提示情報を受け入れるか否かの判断の負担を軽減できる。従って、安全な走行に資することができる。

また、本発明の別の態様の情報提示装置は、被提示者に適した提示対象を求めるための推論アルゴリズムに適用され、影響要因になる複数の要素を含む計算用リソースを記憶する計算用リソース記憶手段と、複数の提示対象の候補から、各候補の属性を前記計算用リソースの複数の要素にあてはめて推論を行うことにより、被提示者に適した提示対象を求める推論手段と、前記推論手段により提示対象が求められたときの前記複数の要素が提示対象の選択に与えた影響度を測定する影響度測定手段と、前記影響度測定手段により測定された影響度を比較することにより、提示対象の選択の主要な要因になった主要影響要素を求め、主要影響要素に対応する属性を表す情報を提示対象の選択の理由として生成する理由生成手段と、前記推論手段により求められた提示対象と前記理由生成手段により生成された理由とを出力する出力手段と、を備える。

本発明によれば、影響要因になる各要素が提示対象の選択に与える影響度を影響度測定手段によって測定し、測定された影響度に基づいて提示対象の選択理由を生成するので、複数の影響要因に基づいて推論を行って選択された提示対象についてその選択理由を求めることができる。そして、生成された理由を提示対象と共に被提示者に提示することにより、提示対象を受け入れるか否かの判断に役立つ情報を被提示者に提供できる。ここで、「計算用リソース」とは、推論アルゴリズムの計算で用いるリソースであり、例えば、エキスパートシステムでは知識ベース、ニューラルネットでは、ニューロンのモデルが互いに多数結合されたニューラルネットワークである。

本発明の情報提示方法は、被提示者に適した提示対象を求めるための影響要因になる複数のノードを含むベイジアンネットのモデルを用いて被提示者に適した提示対象を求め、求めた提示対象を提示する情報提示方法であって、複数の提示対象の候補から、各候補の属性を前記モデルの複数のノードにあてはめて確率推論を行うことにより、被提示者に適した提示対象を求める確率推論ステップと、前記確率推論ステップにおいて提示対象が求められたときの前記複数のノードのそれぞれが提示対象の選択に与えた影響度を測定する影響度測定ステップと、前記影響度測定ステップにおいて測定された影響度を比較することにより、提示対象の選択の主要な要因になった主要影響ノードを求め、主要影響ノードに対応する属性を表す情報を提示対象の選択の理由として生成する理由生成ステップと、前記確率推論ステップにおいて求められた提示対象と前記理由生成ステップにおいて生成された理由とを出力する出力ステップとを備える。

本発明によれば、本発明の情報提示装置と同様に、提示対象が選択された理由を適切に求め、求められた理由を提示対象と共に提示するので、提示対象を受け入れるか否かの判断に役立つ情報を被提示者に提供できる。また、本発明の情報提示装置の各種の構成を、本発明の情報提示方法に適用することも可能である。

本発明のプログラムは、被提示者に適した提示対象を求めるための影響要因になる複数のノードを含むベイジアンネットのモデルを用いて被提示者に適した提示対象を求め、求めた提示対象を提示するためのプログラムであって、コンピュータに、複数の提示対象の候補から、各候補の属性を前記モデルの複数のノードにあてはめて確率推論を行うことにより、被提示者に適した提示対象を求める確率推論ステップと、前記確率推論ステップにおいて提示対象が求められたときの前記複数のノードのそれぞれが提示対象の選択に与えた影響度を測定する影響度測定ステップと、前記影響度測定ステップにおいて測定された影響度を比較することにより、提示対象の選択の主要な要因になった主要影響ノードを求め、主要影響ノードに対応する属性を表す情報を提示対象の選択の理由として生成する理由生成ステップと、前記確率推論ステップにおいて求められた提示対象と前記理由生成ステップにおいて生成された理由とを出力する出力ステップとを実行させる。

本発明によれば、本発明の情報提示装置と同様に、提示対象が選択された理由を適切に求め、求められた理由を提示対象と共に提示するので、提示対象を受け入れるか否かの判断に役立つ情報を被提示者に提供できる。また、本発明の情報提示装置の各種の構成を、本発明のプログラムに適用することも可能である。

本発明は、モデルの各ノードが提示対象の選択に与える影響度を求め、求められた影響度に基づいて提示対象の選択理由を生成するので、複数の影響要因に基づいて確率推論を行って得られた提示対象についてその選択理由を適切に求めることができ、生成された理由を提示対象と共に提示するので、提示対象を受け入れるか否かの判断に役立つ情報を被提示者に提供できる。

以下、本発明の実施の形態の情報提示装置について、図面を用いて説明する。以下の説明では、自動車に搭載され、被提示者であるユーザに適したレストランの情報を提示する情報提示装置を取り上げる。しかし、本発明の情報提示装置の提示対象はレストラン情報に限定されるものではない。本発明の情報提示装置は、例えば、ユーザに適した楽曲を演奏する自動演奏システムや、イベント等の情報を推薦するリコメンデーションシステムにも適用できる。また、本発明の情報提示装置は、自動車に搭載されるものに限られず、ユーザが携帯する携帯端末に搭載されてもよい。また、情報提示装置は、家庭のパソコンによって構成されてもよい。

図１は、第１の実施の形態の情報提示装置１０の構成を示す図である。情報提示装置１０は、ユーザにレストラン情報を提示するための提示部１２と、ユーザからの操作を受け付ける操作部１４と、情報提示装置１０の全体を制御する制御部１６とを備える。また、情報提示装置１０は、レストラン情報を記憶したレストラン情報記憶部２６と、ベイジアンネットのモデルを記憶したモデル記憶部２８とを備えている。

提示部１２は、ユーザにレストラン情報を提示する機能を有する。提示部１２のハードウェアは、レストラン情報を表示するディスプレイあるいはレストラン情報を音声で通知するスピーカ等によって構成される。なお、情報提示装置１０がカーナビゲーション装置に内蔵あるいは接続される場合には、提示部１２は、カーナビゲーション装置のディスプレイにレストランまでの地図情報を表示させてもよい。

操作部１４は、ユーザからの操作を受け付ける機能を有する。操作部１４は、提示対象のレストラン情報を求めるために用いるユーザ属性等の入力、および提示されたレストラン情報に対するレスポンスの入力を受け付ける。操作部１４のハードウェアは、例えば、キーパッドによって構成される。なお、情報提示装置１０がカーナビゲーション装置に内蔵あるいは接続される場合には、カーナビゲーション装置が有する入力ボタン等を操作部１４として用いて、ユーザからの操作を受け付けることができる。

レストラン情報記憶部２６は、ユーザに提示するレストランの候補となる複数のレストラン情報が記憶されている。情報提示装置１０は、レストラン情報記憶部２６に記憶されたレストラン情報からユーザに適したレストラン情報を選択し、ユーザに提供する。

図２は、レストラン情報記憶部２６に記憶されたレストラン情報の例を示す図である。図２に示すように、レストラン情報記憶部２６には、レストラン名、カテゴリ、平均予算および営業時間の情報が記憶されている。なお、図２に示すレストラン情報は一例であり、例えば、地図情報や人気情報等の図２に示す以外の情報をレストラン情報としてレストラン情報記憶部２６に記憶してもよい。また、本実施の形態では、情報提示装置１０がレストラン情報記憶部２６を有する例について説明しているが、情報提示装置１０はレストラン情報を有するセンター装置と通信することによりレストラン情報を取得してもよい。

図１に戻って、モデル記憶部２８は、ユーザに適したレストラン情報を求めるために用いられるモデルを記憶する機能を有する。

図３は、モデル記憶部２８に記憶されたモデルの例を示す図である。図３に示すように、モデル記憶部２８に記憶されたモデルは、ユーザの年齢に関するノードＮ１、ユーザの性別に関するノードＮ２、時刻に関するノードＮ３、レストランのカテゴリに関するノードＮ４、レストランの予算に関するノードＮ５、およびレスポンスに関するノードＮ６が、他のノードＮ７，Ｎ８を介して条件付確率の依存関係を示すリンクで接続されている。ノードＮ１〜Ｎ５は、レスポンスノードＮ６を求めるための影響要因になるノードである。また、レスポンスに関するノードＮ６は、ユーザのレスポンスを予測するためのノードである。このモデルにおいて、レスポンスノードＮ６の確率分布からスコアを求め、求めたスコアに基づいて提示対象のレストランを選択する。図３に示すモデルは、提示対象のレストランを求めるためのモデルの一例であり、図３に示す以外のノードを含むモデルをモデル記憶部２８に記憶してもよい。例えば、ユーザの属性に関して、ユーザの好みや前回行った店のノードを含めてもよい。また、レストランの属性に関して、人気度のランキングや駐車場の有無などのノードを含めてもよい。

次に、図１に示す情報提示装置１０の制御部１６について説明する。制御部１６において、提示対象推論処理部１８はモデル記憶部２８に記憶されたモデルを用いてユーザに適したレストラン情報を求める機能を有する。提示対象推論処理部１８は、モデル記憶部２８からモデルを読み出し、読み出したモデルを用いてレストラン情報を求めるための確率推論を行う。ここで、提示対象推論処理部１８による推論方法を、図３に示すモデルを用いて説明する。最初に、提示対象推論処理部１８は、ノードＮ１〜Ｎ５に値を設定する。年齢に関するノードＮ１、性別に関するノードＮ２には、レストラン情報の提示を受けるユーザの年齢および性別のそれぞれを設定する。時刻に関するノードＮ３には、現在時刻の情報を設定する。カテゴリに関するノードＮ４、予算に関するノードＮ５には、レストラン情報記憶部２６から読み出した提示対象の候補となるレストランのカテゴリおよび予算をそれぞれ設定する。そして、提示対象推論処理部１８は、ノードＮ１〜Ｎ５からの確率伝搬によってレスポンスに関するノードＮ６のスコアを求める。本実施の形態においては、レスポンスノードＮ６が提示対象の受入れを示す肯定レスポンスをとる確率値をスコアとして用いる。提示対象推論処理部１８は、レストラン情報記憶部２６から順次レストラン情報を読み出し、上記した動作を繰り返して各レストラン情報についてレスポンスノードＮ６のスコアを求める。そして、提示対象推論処理部１８は、求めたスコアに基づいてユーザに適するレストラン情報を選択する。

制御部１６において、影響度測定処理部２０は、各ノードＮ１〜Ｎ５が提示対象推論処理部１８での提示対象の選択に与えた影響度を確率推論により測定する処理を行う。

図４（ａ）および図４（ｂ）は、影響度測定処理部２０による影響度の推論方法を説明するための図である。図４（ａ）は、ここで説明する影響度測定処理部２０による影響度推論の前提として、提示対象推論部１８により提示対象のレストラン情報が選択されたときの各ノードＮ１〜Ｎ６の値を示す図である。図４（ａ）に示す例では、年齢のノードＮ１に「２０代」、性別のノードＮ２に「男」、時刻のノードＮ３に「１２時」、カテゴリのノードＮ４に「和食」、予算のノードＮ５に「１５００円」という値が設定され、このときのレスポンスノードＮ６の確率分布が、「Ｙｅｓ」で示される肯定レスポンス「０．８」、「Ｎｏ」で示される否定レスポンス「０．２」と計算されている。このとき選択されるレストランは、レストラン情報記憶部２６（図２参照）に記憶されたレストラン情報を参照すると、和食で予算が１５００円のレストランＡＡＡである。影響度測定処理部２０は、ノードＮ１〜Ｎ５が選択に与えた影響度を確率推論により次のように求める。

影響度測定処理部２０は、提示対象が求められたときの各ノードＮ１〜Ｎ５の値があてはめられたモデル（図４（ａ）参照）を用いて、レスポンスノードＮ６に肯定レスポンスを設定したときの各ノードＮ１〜Ｎ５の確率分布を求める。例えば、年齢のノードＮ１の確率分布を求めるときには、計算対象のノードＮ１を未観測であるとして確率推論を行い、ノードＮ１の確率分布を求める。この計算をノードN１〜N５に対して順次行ってノードN１〜N５の確率分布を求める。次に、影響度測定処理部２０は、レスポンスノードに否定レスポンスを設定したときのノードＮ１〜Ｎ５の確率分布を求める。肯定レスポンスを設定した場合と同様に、計算対象のノードを未観測であるとして確率推論を行うことにより、計算対象のノードの確率分布を求める。図４（ｂ）は、年齢のノードＮ１について、レスポンスノードＮ６に肯定レスポンスを設定したときと否定レスポンスを設定したときのそれぞれについて確率分布を求めた例を示す。続いて、影響度測定処理部２０は、肯定レスポンスを設定したときの各ノードＮ１〜Ｎ５の確率分布の情報量から否定レスポンスを設定したときの各ノードＮ１〜Ｎ５の確率分布の情報量を減算し、求められた情報量の差に基づいて各ノードＮ１〜Ｎ５の影響度を求める。本実施の形態において用いる情報量はＳｈａｎｎｏｎ情報量であり、確率分布ｐ＝（ｐ1、ｐ2・・・Ｐn）に対して、
で求められる。以上、影響度測定処理部２０による影響度の推論方法について説明した。

制御部１６において、理由生成処理部２２は、影響度測定処理部２０によって求めた影響度に基づいて、提示対象の選択に最も大きい影響を与えた主要影響ノードの情報に基づいて理由を生成する処理を行う。

制御部１６において、提示対象出力処理部２４は、提示対象推論処理部１８により求められたレストラン情報および理由生成処理部２２により生成された理由を提示部１２に提示させる処理を行う。

次に、第１の実施の形態の情報提示装置１０の動作について説明する。

図５は、第１の実施の形態の情報提示装置１０の動作を示す図である。情報提示装置１
０の提示対象推論処理部１８は、提示対象のレストラン情報を求めるためのモデルをモデル記憶部２８から読み出す（Ｓ１０）。続いて、情報提示装置１０の提示対象推論処理部１８は、レストラン情報の提示を受けるユーザの年齢および性別をモデルのノードＮ１、Ｎ２に設定する（Ｓ１２）。本実施の形態では、あらかじめユーザの年齢および性別の情報を情報提示装置１０に記憶しておき、提示対象推論処理部１８は、記憶された情報を読み出してノードＮ１、Ｎ２に設定する。なお、ユーザの年齢および性別の情報は、提示対象のレストラン情報を求めるたびに操作部１４から受け付けてもよい。次に、情報提示装置１０の提示対象推論処理部１８は、モデルのノードＮ３に現在時刻を設定する（Ｓ１４）。

続いて、情報提示装置１０の提示対象推論処理部１８は、提示対象のレストラン情報を確率推論により求める（Ｓ１６）。具体的には、まず、提示対象推論処理部１８は、レストラン情報記憶部２６からレストラン情報を一つ読み出し、読み出したレストランのカテゴリおよび予算をノードＮ４、Ｎ５にそれぞれ設定する。例えば、図２に示すレストラン記憶部２６から１つ目のカラムのレストランＡＡＡを読み出した場合、提示対象推論処理部１８は、カテゴリのノードＮ４に「和食」を設定し、予算のノードＮ５に「１５００円」を設定する。次に、提示対象推論処理部１８は値が設定されたノードＮ１〜Ｎ５からの確率伝搬によりレスポンスノードＮ６の確率分布を求め、求めた確率分布に応じてレスポンスノードＮ６のスコアを算出する。本実施の形態では、レスポンスノードＮ６が肯定レスポンスをとる確率値をスコアとして用いる。

提示対象推論処理部１８は、レストラン情報記憶部２６から順次レストラン情報を読み出して上記した計算処理を行ってスコアを求める。そして、スコアの最も高いレストランを提示対象のレストランとして選択する。なお、提示対象の推論計算を行う際に、計算対象のレストラン情報をレストランの場所に応じて絞り込んでもよい。例えば、情報提示装置１０の現在位置の情報に基づいて、現在位置から半径３Ｋｍ以内になるレストランのみを推論計算の対象として読み出すこともできる。これにより、提示対象推論処理部１８の計算処理負担を軽減できる。

次に、情報提示装置１０は、モデルのノードＮ１〜Ｎ５が提示対象の選択に与えた影響度を求め、求めた影響度に基づいて提示対象を選択した理由を生成する（Ｓ１８）。

図６は、情報提示装置１０が提示対象選択の理由を生成する動作を示す図である。まず、情報提示装置１０の影響度測定処理部２０は、提示対象が求められたときのノードＮ１〜Ｎ５の値が設定されたモデルにおいて、レスポンスノードに肯定レスポンスを設定する（Ｓ３０）。続いて、影響度測定処理部２０は、計算対象のノードを未観測として確率推論を行うことにより、計算対象のノードの確率分布を求める（Ｓ３２）。これにより、例えば、図４（ｂ）に示すように、レスポンスノードＮ６に肯定レスポンスを設定したときのノードＮ１の確率分布が求められる。続いて、影響度測定処理部２０は、ノードＮ１〜Ｎ５について確率分布の計算処理を終了したか否かを判定する（Ｓ３４）。ノードＮ１〜Ｎ５についての計算処理が終了していない場合には、まだ確率分布を求めていないノードを計算対象として確率推論を行い、そのノードの確率分布を算出する（Ｓ３２）。

ノードＮ１〜Ｎ５について確率分布の計算処理を終了した場合には、影響度測定処理部２０は、提示対象が求められたときのノードＮ１〜Ｎ５の値が設定されたモデルにおいて、レスポンスノードＮ６に否定レスポンスを設定する（Ｓ３６）。そして、影響度測定処理部２０はレスポンスノードＮ６に肯定レスポンスを設定した場合と同様に、計算対象のノードを未観測として確率推論を行い、計算対象のノードの確率分布を求める（Ｓ３８）。そして、ノードＮ１〜Ｎ５について確率分布の計算処理を終了したか否かを判定し（Ｓ４０）、ノードＮ１〜Ｎ５についての計算処理を終了していない場合には、未計算のノードの確率分布を求める（Ｓ３８）。

情報提示装置１０の影響度測定処理部２０は、ノードＮ１〜Ｎ５について、確率分布の計算処理を終了した場合には、各ノードＮ１〜Ｎ５について、肯定レスポンスを設定したときの確率分布の情報量と、否定レスポンスを設定したときの確率分布の情報量の差を求める（Ｓ４２）。本実施の形態では、肯定レスポンスを設定したときの情報量から否定レスポンスを設定したときの情報量を減算して情報量の差を求める。ここで求められる情報量の差がそのノードの影響度を示す。情報提示装置１０の理由生成処理部２２は、情報量の差が最も大きいノードを求め、そのノードの情報に基づいて提示対象のレストラン情報選択の理由を生成する（Ｓ４４）。例えば、予算のノードＮ５の情報量の差が最も大きい場合には、「予算が１５００円だから」という理由を生成する。以上の動作により、レストラン情報を求めた理由が生成される。

図５に戻って、情報提示装置１０の提示対象出力処理部２４は、提示対象推論処理部１８により求められたレストラン情報と、理由生成処理部２２により生成された理由を提示部１２によって表示させる（Ｓ２０）。

図７は、提示対象出力処理部２４によって出力されるレストラン情報の例を示す図である。同図に示すように、提示対象の「お薦めレストラン」と、提示対象が選択された「理由」が表示される。また、提示対象出力処理部２４は、提示対象のレストランの他の情報を表示してもよい。表示画面には、提示対象を受け入れる「ＯＫ」ボタンと、提示対象を受け入れないで再検索を行う「再検索」ボタンが設けられている。

以上、本発明の第１の実施の形態の情報提示装置１０について説明した。

第１の実施の形態の情報提示装置１０は、提示対象のレストラン情報と共にそのレストラン情報が選択された理由をユーザに提示するので、ユーザは、提示されたレストラン情報を受け入れるか否かをレストラン情報のみならず選択理由からも判断することができる。

また、第１の実施の形態の情報提示装置１０では、影響度測定処理部２０にてレスポンスノードの値を肯定レスポンスで固定して求めた各ノードの情報量と否定レスポンスで固定して求めた各ノードの情報量の差を影響度として求める。この情報量の差はレスポンスノードの変化に対する影響度の大きさと関係するので、各ノードが提示対象選択に与える影響度を適切に求めることができ、この影響度に基づいて適切な選択理由を生成することができる。

本実施の形態では、ノードＮ１〜Ｎ５を影響要因のノードとして処理する例について説明したが、レスポンスノードＮ６を除くすべてのノードは、影響要因のノードとなり得る。従って、ノードＮ７、Ｎ８を影響要因のノードとし、ノードＮ７、Ｎ８の影響度を求めて選択理由を生成することも可能である。逆に、例えばコンテンツに関するノードＮ４、Ｎ５のみを影響要因のノードとして、コンテンツの属性を理由として求めてもよい。また、ユーザからのレスポンスを用いた学習によって、より適切な提示対象を求めるために生成される隠れノードも影響要因のノードとなり得る。

次に、本発明の第２の実施の形態の情報提示装置１０について説明する。第２の実施の形態の情報提示装置１０は、第１の実施の形態の情報提示装置１０と基本的な構成は同じであるが（図１参照）、影響度測定処理部２０による影響度の推論処理が異なる。

図８（ａ）および図８（ｂ）は、第２の実施の形態の情報提示装置１０における推論処
理について説明するための図である。図８（ａ）は、ここで説明する影響度測定処理部２０による影響度推論の前提として、提示対象推論部１８により提示対象のレストラン情報が選択されたときのノードＮ１〜Ｎ６の値を示す図である。このとき、影響度測定処理部２０は、ノードＮ１〜Ｎ５の影響度を次のように求める。

影響度測定処理部２０は、提示対象が求められたときのノードＮ１〜Ｎ５の値があてはめられたモデル（図８（ａ）参照）を用いて、レスポンスノードに肯定レスポンスを設定したときのノードＮ１〜Ｎ５の確率分布を求める。例えば、年齢のノードＮ１の確率分布を求めるときには、計算対象のノードＮ１を未観測であるとして確率推論を行い、ノードＮ１の確率分布を求める。これにより、図８（ｂ）に示すように、年齢のノードＮ１についてレスポンスノードＮ６の確率分布が求まる。この計算をノードN１〜N５に対して順次行ってノードN１〜N５の確率分布を求める。次に、影響度測定処理部２０は、ノードＮ１〜Ｎ５の確率分布からノードＮ１〜Ｎ５のＳｈａｎｎｏｎ情報量を求める。第２の実施の形態では、ノードＮ１〜Ｎ５の情報量が提示対象の選択に与えた影響度を示す。

次に、第２の実施の形態の情報提示装置１０の動作について説明する。第２の実施の形態の情報提示装置１０の動作は、基本的に第１の実施の形態の情報提示装置１０の動作と同じであるが（図５参照）、各ノードＮ１〜Ｎ５の影響度の推論の方法が異なる。

図９は、第２の実施の形態の情報提示装置１０において、各ノードＮ１〜Ｎ５の影響度を求め、影響度に基づいて理由を生成する動作を示す図である。まず、情報提示装置１０の影響度測定処理部２０は、提示対象が選択されたときのノードＮ１〜Ｎ５の値が設定されたモデルにおいて、レスポンスノードＮ６に肯定レスポンスを設定する（Ｓ５０）。続いて、影響度測定処理部２０は、計算対象のノードを未観測として確率推論を行うことにより、計算対象のノードの確率分布を求める（Ｓ５２）。例えば、図８（ｂ）に示すように、レスポンスノードＮ６に肯定レスポンスを設定したときのノードＮ１の確率分布が求められる。続いて、影響度測定処理部２０は、ノードＮ１〜Ｎ５について確率分布の計算処理を終了したか否かを判定する（Ｓ５４）。ノードＮ１〜Ｎ５についての計算処理が終了していない場合には、まだ確率分布を求めていないノードを計算対象とし、そのノードの確率分布を算出する（Ｓ５２）。

ノードＮ１〜Ｎ５について確率分布の計算処理を終了した場合には、影響度測定処理部２０は、ノードＮ１〜Ｎ５の確率分布の情報量を求める（Ｓ５６）。そして、情報提示装置１０の理由生成処理部２２は、求めた情報量が最も大きいノードを求め、求めたノードの情報に基づいて提示対象のレストラン情報を選択した理由を生成する（Ｓ５８）。以上の動作により、レストラン情報を求めた理由が生成される。

以上、第２の実施の形態の情報提示装置１０について説明した。

第２の実施の形態の情報提示装置１０は、第１の実施の形態の情報提示装置１０と同様に、提示対象のレストラン情報と共にそのレストラン情報の選択理由をユーザに提示することにより、レストラン情報を受け入れるか否かの判断に役立つ情報を提供できる。

また、第２の実施の形態の情報提示装置１０は、影響度測定処理部２０にて、レスポンスノードの値を肯定レスポンスで固定して求めた各ノードＮ１〜Ｎ５の情報量を影響度として求める。各ノードＮ１〜Ｎ５の情報量は、レスポンスノードに対する影響度の大きさと関係するので、各ノードN１〜N５が提示対象選択に与える影響度を適切に求めることができ、これに基づいて理由を生成することができる。

次に、本発明の第３の実施の形態の情報提示装置１０について説明する。第３の実施の形態の情報提示装置１０は、第１の実施の形態の情報提示装置１０と基本的な構成は同じであるが（図１参照）、影響度測定処理部２０による影響度の推論処理が異なる。

図１０（ａ）および図１０（ｂ）は、第３の実施の形態の情報提示装置１０における影響度の推論処理を説明するための図である。図１０（ａ）は、ここで説明する影響度測定処理部２０による影響度推論の前提として、提示対象推論部１８により提示対象のレストラン情報が選択されたときのノードＮ１〜Ｎ６の値を示す図である。このとき、影響度測定処理部２０は、ノードＮ１〜Ｎ５の影響度を次のように求める。

影響度測定処理部２０は、提示対象が求められたときのノードＮ１〜Ｎ５の値があてはめられたモデル（図１０（ａ）参照）を用いて、レスポンスノードN６に肯定レスポンスを設定したときの各ノードＮ１〜Ｎ５の確率分布を求める。例えば、年齢のノードＮ１の確率分布を求めるときには、計算対象のノードＮ１を未観測であるとして確率推論を行い、ノードＮ１の確率分布を求める。これにより、図１０（ｂ）に示すように、年齢のノードＮ１についてレスポンスノードＮ６の確率分布が求まる。この計算をノードN１〜N５に対して順次行ってノードN１〜N５の確率分布を求める。次に、影響度測定処理部２０は、求めた確率分布に基づいて、ノードＮ１〜Ｎ５が提示対象選択時の値をとる確率値を求める。例えば、ノードＮ１については、図１０（ａ）に示すように提示対象が求められたときの値は「２０代」である。従って、図１０（ｂ）に示す確率分布を参照して、ノードN１が提示対象選択時の値「２０代」の値をとる確率値は「０．４」と求まる。同様にして、ノードＮ１〜Ｎ５について、提示対象が求められたときの値をとる確率値が求められると、影響度測定処理部２０は、提示対象が求められたときのノードN１〜N５の値があてはめられたモデル（図１０（ａ）参照）においてレスポンスノードＮ６に否定レスポンスを設定し、肯定レスポンスを設定したときと同様に、各ノードＮ１〜Ｎ５が提示対象選択時の値をとる確率値を求める。例えば、ノードＮ１が提示対象選択時の値「２０代」をとる確率値は、図１０（ｂ）に示す確率分布を参照して「０．２」と求まる。

以上の処理により求めた確率値を用いて、影響度測定処理部２０は、各ノードＮ１〜Ｎ５が提示対象の選択に与えた影響度を求める。すなわち、影響度測定処理部２０は、肯定レスポンスを設定したときの確率値から否定レスポンスを設定したときの確率値を減算してノードごとに確率値の差を求め、求められた確率値の差をノードＮ１〜Ｎ５の影響度とする。

次に、第３の実施の形態の情報提示装置１０の動作について説明する。第３の実施の形態の情報提示装置１０の動作は、基本的に第１の実施の形態の情報提示装置１０の動作と同じであるが（図５参照）、各ノードＮ１〜Ｎ５の影響度の推論の方法が異なる。

図１１は、第３の実施の形態の情報提示装置１０において、ノードＮ１〜Ｎ５の影響度を求め、影響度に基づいて理由を生成する動作を示す図である。まず、情報提示装置１０の影響度測定処理部２０は、提示対象が選択されたときのノードＮ１〜Ｎ５の値が設定されたモデルにおいて、レスポンスノードＮ６に肯定レスポンスを設定する（Ｓ６０）。続いて、影響度測定処理部２０は、計算対象のノードを未観測として確率推論を行うことにより、計算対象のノードの確率分布を求める（Ｓ６２）。例えば、ノードＮ１を計算対象とすると、図１０（ｂ）に示すように、レスポンスノードＮ６に肯定レスポンスを設定したときのノードＮ１の確率分布が求められる。続いて、影響度測定処理部２０は、計算対象のノードが提示対象選択時の値をとる確率値を求める（Ｓ６４）。例えば、ノードＮ１を計算対象とすると、提示対象選択時の値「２０代」をとる確率は、図１０（ｂ）を参照して、「０．４」と求められる。

次に、影響度測定処理部２０は、ノードＮ１〜Ｎ５について、提示対象選択時の値をとる確率値の計算処理を終了したか否かを判定する（Ｓ６６）。ノードＮ１〜Ｎ５の計算処理が終了していない場合には、まだ確率値を求めていないノードを計算対象とし、そのノードの確率値を算出する（Ｓ６２、Ｓ６４）。

ノードＮ１〜Ｎ５について確率値の計算処理を終了した場合には、影響度測定処理部２０は、提示対象が選択されたときのノードＮ１〜Ｎ５の値が設定されたモデルにおいてレスポンスノードＮ６に否定レスポンスを設定する（Ｓ６８）。そして、影響度測定処理部２０は肯定レスポンスを設定した場合と同様に、計算対象のノードを未観測として確率推論を行うことにより、計算対象のノードの確率分布を求め（Ｓ７０）、求めた確率分布から計算対象のノードが提示対象選択時の値をとる確率値を求める（Ｓ７２）。そして、ノードＮ１〜Ｎ５について確率値を求めたか否かを判定し（Ｓ７４）、確率分布を求めていないノードがある場合には、未計算のノードの確率分布を求める（Ｓ７０，Ｓ７２）。

情報提示装置１０の影響度測定処理部２０は、レスポンスノードに否定レスポンスを設定したときのノードＮ１〜Ｎ５の確率値の算出が終了すると、各ノードＮ１〜Ｎ５について、肯定レスポンスを設定したときの確率値と、否定レスポンスを設定したときの確率値の差を求める（Ｓ７６）。そして、情報提示装置１０の理由生成処理部２２は、求めた確率値の差が最も大きいノードを求め、求めたノードの情報に基づいて、提示対象のレストラン情報が選択された理由を生成する（Ｓ７８）。以上の動作により、レストラン情報を求めた理由が生成される。

以上、本発明の第３の実施の形態の情報提示装置１０について説明した。

第３の実施の形態の情報提示装置１０は、第１の実施の形態の情報提示装置１０と同様に、提示対象のレストラン情報と共にそのレストラン情報の選択理由をユーザに提示することにより、レストラン情報を受け入れるか否かの判断に役立つ情報を提供できる。

また、第３の実施の形態の情報提示装置１０は、影響度測定処理部２０にて、レスポンスノードＮ６が肯定レスポンスであるとしたときと否定レスポンスであるとしたときのそれぞれについて、ノードＮ１〜Ｎ５が提示対象選択時の値をとる確率値を求めている。この確率値の差は、レスポンスノードの変化に対する影響度を表すので、ノードＮ１〜Ｎ５が提示対象選択に与える影響度を適切に求めることができ、これに基づいて理由を生成することができる。

次に、本発明の第４の実施の形態の情報提示装置１０について説明する。第４の実施の形態の情報提示装置１０は、提示部１２により提示したレストラン情報に対するユーザのレスポンスを用いてモデルの学習を行い、学習されたモデルから影響度を求める装置である。

図１２は、第４の実施の形態の情報提示装置１０の構成を示す図である。第４の実施の形態の情報提示装置１０は、第１の実施の形態の情報提示装置１０の構成に加えてモデル学習処理部３０を備える。また、第４の実施の形態の情報提示装置１０は、モデル記憶部２８に記憶されたモデルが第１の実施の形態の情報提示装置１０とは異なる。

図１３は、第４の実施の形態の情報提示装置１０のモデル記憶部２８に記憶されたモデルの例を示す図である。モデル記憶部２８に記憶されたモデルは、第１の実施の形態のモデルのノードに加えて、ノードＮ１〜Ｎ５がレスポンスノードＮ６に与える影響度を示す影響度ノードＮ１１〜Ｎ１５を有する。影響度ノードＮ１１〜Ｎ１５は、「影響あり」「影響なし」の２値をとるノードである。情報提示装置１０の動作を開始する前には、各影響度ノードＮ１１〜Ｎ１５には無情報事前確率分布が設定されている。すなわち、影響ありの確率値０．５、影響なしの確率値０．５が設定されている。

モデル学習処理部３０は、提示対象に対するユーザのレスポンスを用いてモデルの学習を行う機能を有する。すなわち、モデル学習処理部３０は、操作部１４より受付けたユーザのレスポンスを用いてモデルの条件付確率の依存関係を更新することにより学習を行う。

影響度測定処理部２０は、提示対象のレストラン情報が選択されたときのモデルの影響度ノードＮ１１〜Ｎ１５の値をノードＮ１〜Ｎ５の影響度として読み出す。

理由生成処理部２２は、影響度測定処理部２０にて求められたノードＮ１〜Ｎ５の影響度に基づいて、提示対象が選択された理由を生成する処理を行う。

次に、第４の実施の形態の情報提示装置１０の動作について説明する。第４の実施の形態の情報提示装置１０の動作は、提示対象推論処理部１８によって提示対象のレストラン情報を選択するまでの動作は第１の実施の形態の情報提示装置１０の動作と同じであるが、ノードＮ１〜Ｎ５の影響度を求める方法が異なる。

図１４は、第４の実施の形態の情報提示装置１０の動作を示す図である。第４の実施の形態の情報提示装置１０は、第１の実施の形態の情報提示装置１０と同様に、提示対象のレストラン情報を求めるためのモデルをモデル記憶部２８から読み出し（Ｓ８０）、読み出したモデルのノードＮ１，Ｎ２に提示を受けるユーザの年齢および性別を設定し、ノードＮ３に現在時刻を設定する（Ｓ８２、Ｓ８４）。また、レストラン情報記憶部２６から順次読み出したレストランのカテゴリおよび予算をノードＮ４、Ｎ５に設定し、確率推論を行ってレスポンスノードＮ６の確率分布を求め、肯定レスポンスの確率分布に基づくスコアによって提示対象のレストラン情報を選択する（Ｓ８６）。

次に、情報提示装置１０の影響度測定処理部２０は、モデルの影響度ノードＮ１１〜Ｎ１５から「影響度あり」の値を影響度として読み出す。理由生成処理部２２は、影響度測定処理部２０により求められた影響度が最も大きいノードを求め、求めたノードの情報に基づいて提示対象が選択された理由を生成する（Ｓ８８）。そして、情報提示装置１０の提示対象出力処理部２４は、選択された提示対象およびその選択理由を提示部１２によって表示する（Ｓ９０）。

続いて、情報提示装置１０のモデル学習処理部３０は、提示されたレストラン情報に対するユーザのレスポンスを操作部１４によって受け付け（Ｓ９２）、受け付けたレスポンス情報を用いてモデル記憶部２８に記憶されたモデルの学習を行う（Ｓ９４）。これにより、ユーザのレスポンスが影響度ノードＮ１１〜Ｎ１５に反映される。

以上、第４の実施の形態の情報提示装置１０について説明した。

第４の実施の形態の情報提示装置１０は、レスポンスノードＮ６に与える影響度に関する影響度ノードＮ１１〜Ｎ１５を含むモデルをモデル記憶部２８に記憶しておき、モデル学習処理部３０はユーザのレスポンスを用いてモデルの学習を行って影響度ノードＮ１１〜Ｎ１５を更新する。これにより、影響度ノードＮ１１〜Ｎ１５は、ユーザのレスポンスに合わせて更新され、ユーザの嗜好に基づいてそれぞれのノードに重み付けが設定される。これにより、レストランを選択する際のユーザの判断基準を求めることができる。

また、第４の実施の形態の情報提示装置１０は、学習により更新されたモデルを用いて確率推論を行い、提示対象のレストランを選択するので、ユーザの嗜好に合ったレストランを提示対象として選択できる。

また、第４の実施の形態の情報提示装置１０は、第１の実施の形態の情報提示装置１０と同様に、提示対象のレストラン情報と共に理由をユーザに提示することにより、レストラン情報を受け入れるか否かの判断に役立つ情報を提供できる。

次に、本発明の第５の実施の形態に係る情報提供装置について説明する。第５の実施の形態に係る情報提供装置は、第４の実施の形態の情報提供装置と基本的な構成は同じであるが、モデル記憶部２８に記憶されたモデルが異なる。

図１５は、第５の実施の形態において、モデル記憶部２８に記憶されたモデルの例を示す図である。第５の実施の形態で用いられるモデルは、状況属性のノードＮ２１、Ｎ２２とユーザ属性のノードＮ２３〜Ｎ２６から、コンテンツの属性ノードＮ３２〜Ｎ３６の値を確率推論で求めるためのモデルである。本実施の形態の情報提供装置は、求められたコンテンツの属性をキーとして、その属性に適合するコンテンツを検索する。例えば、和食のノードＮ３２の値が高く、予算のノードＮ３５では１０００〜１５００円という値が高い場合には、和食で予算が１０００〜１５００円のレストランを検索する。

モデルは、状況属性のノードＮ２１、Ｎ２２およびユーザ属性のノードＮ２３〜Ｎ２６と、コンテンツのノードＮ３２〜Ｎ３６との間に、ノードＮ２７〜Ｎ３１を有する。これらは、ＹＥＳとＮＯの２値をとるノードである。例えば、ノードＮ２７は、「落ち着くことが大事」（ＹＥＳ）と「落ち着くことが大事ではない」（ＮＯ）の２値をとる。第５の実施の形態においては、これらのノードＮ２７〜Ｎ３１が選択基準を示すノードとして用いられる。

第５の実施の形態に係る情報提供装置は、基本的には、第４の実施の形態の情報提供装置と同様に動作する。すなわち、状況属性のノードＮ２１、Ｎ２２およびユーザ属性のノードＮ２３〜Ｎ２６に値を設定し、これらのノードからの確率推論により、コンテンツの属性ノードＮ３２〜Ｎ３６の値を求める。そして、情報提供装置は、コンテンツの属性ノードＮ３２〜Ｎ３６の値に基づいて、ユーザに提示するコンテンツを検索する。

続いて、提示対象のコンテンツが選択されたときの、ノードＮ２７〜Ｎ３１の値を読み出す。例えば、ノードＮ２７では、「落ち着くことが大事」（ＹＥＳ）の確率と、「落ち着くことが大事ではない」（ＮＯ）の確率とを読み出す。そして、ノードＮ２７〜Ｎ３１のうちで、ＹＥＳの確率が最も高いノードを選択し、選択されたノードの情報に基づいて、理由を生成する。そして、情報提供装置１０は、選択された提示対象と共にその選択理由を提示部１２によって提示する。その後、第４の実施の形態と同様に、提示対象に対するユーザのレスポンスに応じてモデルの学習を行う。

以上、本発明の第５の実施の形態の情報提供装置について説明した。

第５の実施の形態の情報提供装置は、第４の実施の形態と同様に、ユーザのレスポンスに応じて、選択基準として用いられるノードＮ２７〜Ｎ３１が更新される。従って、ユーザの嗜好に基づいて、各ノードＮ２７〜Ｎ３１に重み付けがなされるので、コンテンツを選択する際のユーザの判断基準を求めることができる。また、学習により更新されたモデルを用いて提示すべきコンテンツの属性を求めるので、ユーザの嗜好に合ったコンテンツを選択できる。

また、第５の実施の形態においては、状況やユーザの属性値を設定するノードＮ２１〜Ｎ２６とは別に選択基準となるノードを有するモデルを用いているので、ノードＮ２１〜Ｎ２６とは別の理由を生成することが可能となる。また、ノードＮ２１〜Ｎ２６とコンテンツの属性のノードＮ３２〜Ｎ３６との間に、選択基準として用いられるノードＮ２７〜Ｎ３１を設けることで、選択基準とコンテンツの属性との関係がより明確になるため、コンテンツの選択理由の説明がつきやすくなると共に、推論の精度が向上する。

以上、本発明の情報提示装置について実施の形態を挙げて説明したが、本発明は上記した実施の形態に限定されるものではない。

上記した実施の形態では、情報提示装置１０は単独の装置として説明したが、本発明の情報提示装置は、提示対象のレストラン情報を選択するセンター装置と、レストラン情報を提示する提示端末とからなる構成とすることも可能である。

図１６は、ネットワークで接続されたセンター装置４０と提示端末６０の構成を示す図である。図１６に示すように、センター装置４０が、レストラン情報記憶部５０、モデル記憶部５２および提示対象のレストラン情報を選択する処理等を行う制御部４２を備え、提示端末４０がレストラン情報を求めるために必要な情報を受け付ける操作部６４、レストラン情報を提示する提示部６２を備える。そして、センター装置４０と提示端末６０とがそれぞれのデータ送受信部５４、６６を介して通信することにより、提示端末６０にレストラン情報を提示できる。この構成により、簡易な構成で提示端末６０を実現できる。

また、上記した第１〜第３の実施の形態においても、提示対象のレストラン情報に対するユーザのレスポンスを操作部１４によって受け付け、受け付けたレスポンスを用いてモデル記憶部２８に記憶されたモデルの学習を行ってもよい。これにより、モデル記憶部２８に記憶されたモデルは、ユーザの嗜好に合ったモデルへと更新されるので、より適切なレストラン情報を提示可能となる。

また、上記した実施の形態では、提示対象推論処理部１８により提示対象を求める際に、現在位置からの距離によって選択候補のレストランを絞り込むことができる旨の説明をしたが、別の基準によって選択候補を絞り込むこととしても良い。例えば、希望するレストランのカテゴリや予算が決まっている場合には、それらを基準として選択候補のレストランを絞り込んでもよいし、また自動車で移動している場合には、駐車場を有するレストランを選択候補として絞り込んでもよい。

また、本発明の情報提示装置は、上記した実施形態の情報提示装置の各構成要素を実現するモジュールを備えたプログラムをコンピュータによって実行することで実現でき、このようなプログラムも本発明の範囲に含まれる。

以上説明したように、本発明は、提示対象を受け入れるか否かの判断に役立つ情報を被提示者に提供でき、ベイジアンネットのモデルを用いて確率的に適した提示対象を提示するリコメンデーションシステム等として有用である。

第１の実施の形態の情報提示装置の構成を示す図である。 レストラン情報記憶部に記憶されたデータの例を示す図である。 モデル記憶部に記憶されたモデルの例を示す図である。 影響度測定処理部による処理方法について説明するための図である。 第１の実施の形態の情報提示装置の動作を示す図である。 第１の実施の形態の情報提示装置の動作を示す図である。 レストラン情報の表示画面の例を示す図である。 影響度測定処理部による処理方法について説明するための図である。 第２の実施の形態の情報提示装置の動作を示す図である。 影響度測定処理部による処理方法について説明するための図である。 第３の実施の形態の情報提示装置の動作を示す図である。 第４の実施の形態の情報提示装置の構成を示す図である。 モデル記憶部に記憶されたモデルの例を示す図である。 第４の実施の形態の情報提示装置の動作を示す図である。 モデル記憶部に記憶されたモデルの例を示す図である。 変形例に係る情報提示装置の例を示す図である。

符号の説明

１０ 情報提示装置
１２ 提示部
１４ 操作部
１６ 制御部
１８ 提示対象推論処理部
２０ 影響度測定処理部
２２ 理由生成処理部
２４ 提示対象出力処理部
２６ レストラン情報記憶部
２８ モデル記憶部

Claims (10)

1. 被提示者に適した提示対象を求めるための影響要因になる複数のノードを含むベイジアンネットのモデルを記憶するモデル記憶手段と、
   複数の提示対象の候補から、各候補の属性を前記モデルの複数のノードにあてはめて確率推論を行うことにより、被提示者に適した提示対象を求める確率推論手段と、
   前記確率推論手段により提示対象が求められたときの前記複数のノードのそれぞれが提示対象の選択に与えた影響度を測定する影響度測定手段と、
   前記影響度測定手段により測定された影響度を比較することにより、提示対象の選択の主要な要因になった主要影響ノードを求め、主要影響ノードに対応する属性を表す情報を提示対象の選択の理由として生成する理由生成手段と、
   前記確率推論手段により求められた提示対象と前記理由生成手段により生成された理由とを出力する出力手段と、
   を備えることを特徴とする情報提示装置。
2. 前記モデル記憶手段は、前記提示対象に対する被提示者のレスポンスに関するレスポンスノードを含むモデルを記憶し、
   前記影響度測定手段は、前記確率推論手段により提示対象が求められたときの各ノードの属性をあてはめたモデルにおいて前記レスポンスノードの値を固定し、前記影響要因になる前記複数のノードのうち測定対象のノードを未観測のノードに置き換えて確率推論を行う処理を前記各ノードに対して順次行なうことにより、前記レスポンスノードの値を固定したときの前記各ノードの確率分布を求め、求められた前記各ノードの確率分布に基づいて前記影響度を求めることを特徴とする請求項１に記載の情報提示装置。
3. 前記影響度測定手段は、前記レスポンスノードの値を前記提示対象の受入れを示す肯定レスポンスに固定したときと前記提示対象の拒絶を示す否定レスポンスに固定したときのそれぞれについて前記各ノードの確率分布を求め、前記肯定レスポンスに固定したときと前記否定レスポンスに固定したときの前記各ノードの確率分布の情報量の差を前記各ノードの影響度として求めることを特徴とする請求項２に記載の情報提示装置。
4. 前記影響度測定手段は、前記レスポンスノードの値を前記提示対象の受入れを示す肯定レスポンスに固定したときの前記各ノードの確率分布を求め、前記各ノードの確率分布の情報量を前記各ノードの影響度として求めることを特徴とする請求項２に記載の情報提示装置。
5. 前記影響度測定手段は、前記レスポンスノードの値を前記提示対象の受入れを示す肯定レスポンスに固定したときと前記提示対象の拒絶を示す否定レスポンスに固定したときのそれぞれについて前記各ノードの確率分布を求め、求められた確率分布に基づいて前記各ノードが前記確率推論手段により提示対象が求められたときの属性をとる確率値を、前記レスポンスノードの値を肯定レスポンスに固定したときと否定レスポンスに固定したときのそれぞれについて求め、求められた両確率値の差を前記影響度とすることを特徴とする請求項２に記載の情報提示装置。
6. 前記モデル記憶手段は、前記影響要因になる各ノードが前記提示対象の選択に与える影響度を測定するために、前記各ノードに付随して設定された影響度測定ノードを含むモデルを記憶し、
   前記影響度測定手段は、前記確率推論手段にて用いたモデルの前記影響度測定ノードの確率分布に基づいて前記影響度を求めることを特徴とする請求項１に記載の情報提示装置。
7. 自動車に備えられることを特徴とする請求項１に記載の情報提示装置。
8. 被提示者に適した提示対象を求めるための推論アルゴリズムに適用され、影響要因になる複数の要素を含む計算用リソースを記憶する計算用リソース記憶手段と、
   複数の提示対象の候補から、各候補の属性を前記計算用リソースの複数の要素にあてはめて推論を行うことにより、被提示者に適した提示対象を求める推論手段と、
   前記推論手段により提示対象が求められたときの前記複数の要素が提示対象の選択に与えた影響度を測定する影響度測定手段と、
   前記影響度測定手段により測定された影響度を比較することにより、提示対象の選択の主要な要因になった主要影響要素を求め、主要影響要素に対応する属性を表す情報を提示対象の選択の理由として生成する理由生成手段と、
   前記推論手段により求められた提示対象と前記理由生成手段により生成された理由とを出力する出力手段と、
   を備えることを特徴とする情報提示装置。
9. 被提示者に適した提示対象を求めるための影響要因になる複数のノードを含むベイジアンネットのモデルを用いて被提示者に適した提示対象を求め、求めた提示対象を提示する情報提示方法であって、
   複数の提示対象の候補から、各候補の属性を前記モデルの複数のノードにあてはめて確率推論を行うことにより、被提示者に適した提示対象を求める確率推論ステップと、
   前記確率推論ステップにおいて提示対象が求められたときの前記複数のノードのそれぞれが提示対象の選択に与えた影響度を測定する影響度測定ステップと、
   前記影響度測定ステップにおいて測定された影響度を比較することにより、提示対象の選択の主要な要因になった主要影響ノードを求め、主要影響ノードに対応する属性を表す情報を提示対象の選択の理由として生成する理由生成ステップと、
   前記確率推論ステップにおいて求められた提示対象と前記理由生成ステップにおいて生成された理由とを出力する出力ステップと、
   を備えることを特徴とする情報提示方法。
10. 被提示者に適した提示対象を求めるための影響要因になる複数のノードを含むベイジアンネットのモデルを用いて被提示者に適した提示対象を求め、求めた提示対象を提示するためのプログラムであって、コンピュータに、
    複数の提示対象の候補から、各候補の属性を前記モデルの複数のノードにあてはめて確率推論を行うことにより、被提示者に適した提示対象を求める確率推論ステップと、
    前記確率推論ステップにおいて提示対象が求められたときの前記複数のノードのそれぞれが提示対象の選択に与えた影響度を測定する影響度測定ステップと、
    前記影響度測定ステップにおいて測定された影響度を比較することにより、提示対象の選択の主要な要因になった主要影響ノードを求め、主要影響ノードに対応する属性を表す情報を提示対象の選択の理由として生成する理由生成ステップと、
    前記確率推論ステップにおいて求められた提示対象と前記理由生成ステップにおいて生成された理由とを出力する出力ステップと、
    を実行させることを特徴とするプログラム。