JP2014032434A - 情報処理装置、情報処理方法、及び、情報処理システム - Google Patents

Abstract

【課題】ソーシャルサービスにおいて、ユーザにとって有益な情報を優先して提示する。
【解決手段】サーバは、所定のサービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、第１のユーザによる各第２のユーザに対する第１の評価、第２のユーザの範囲内での各第２のユーザに対する第２の評価、及び、サービスの所定のユーザの範囲内での各第２のユーザに対する第３の評価のうち少なくとも１つに基づいて、第２のユーザの中から第１のユーザに情報を提示する対象となる提示対象ユーザを抽出するユーザ抽出部と、提示対象ユーザから発信された情報の中から、第１のユーザに提示する情報を抽出する情報抽出部と、第１のユーザへの情報の提示を制御する提示制御部とを備える。本技術は、例えば、ソーシャルサービスを提供するサーバに適用できる。
【選択図】図２０

Description

本技術は、情報処理装置、情報処理方法、及び、情報処理システムに関し、特に、ソーシャルサービスに用いて好適な情報処理装置、情報処理方法、及び、情報処理システムに関する。

近年、ソーシャルサービスの普及に伴い、他のユーザから発信される情報を閲覧したり、他のユーザと情報を共有したりすることが日常的に行われている。これに伴い、情報を発信する際に、情報を公開する範囲を柔軟に設定するための技術が提案されている（例えば、特許文献１参照）。

一方、ソーシャルサービス上の友人が増加すると、提示される情報量も増加し、全ての情報をチェックするのが困難になる。そこで、従来、ユーザが情報を見る頻度が高い友人のランキングを作成し、ランキングが上位の友人の情報を優先して提示する手法が提案されている。

特開２００８−２６２２８０号公報

しかしながら、情報を見る頻度が高い友人のランキングに基づいて情報を提示する場合、いつも同じような友人の情報ばかりが提示され、他の友人の情報が提示されなくなるおそれがある。

また、情報の発信頻度が高い友人ほど、その友人からの情報の閲覧回数が増え、ランキングの上位に来る可能性が高くなる。しかし、その友人からの情報が必ずしも有益であるとは限らないため、あまり有益でない情報が優先して提示されるおそれがある。

そこで、本技術は、ソーシャルサービスにおいて、ユーザにとって有益な情報を優先して提示できるようにするものである。

本技術の第１の側面の情報処理装置は、他のユーザが発信した情報を閲覧することが可能なサービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する第１の評価、前記第１のユーザ及び前記第２のユーザの範囲内での各前記第２のユーザに対する第２の評価、及び、前記サービスの所定のユーザの範囲内での各前記第２のユーザに対する第３の評価のうち少なくとも１つに基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザを抽出するユーザ抽出部と、前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報を抽出する第１の情報抽出部と、前記第１のユーザへの情報の提示を制御する提示制御部とを備える。

前記第２のユーザから発信された情報の中から評価が大きく変化している情報を抽出する第２の情報抽出部と、前記第１の情報抽出部及び前記第２の情報抽出部により抽出された情報の中から前記第１のユーザに提示する情報を抽出する第３の情報抽出部とをさらに設けることができる。

前記第３の情報抽出部により抽出された情報の中から前記第１のユーザに推薦する情報を前記ユーザに提示する情報として抽出する第４の情報抽出部をさらに設けることができる。

前記第４の情報抽出部には、１以上の特定のアイテムに関する情報を前記第１のユーザに推薦する情報として抽出させることができる。

前記第２の情報抽出部には、直近の期間の評価の移動偏差とそれより前の期間の評価の移動偏差との比率に基づいて、評価が大きく変化している情報を抽出させることができる。

前記第３の情報抽出部には、前記第１の情報抽出部又は前記第２の情報抽出部のいずれにより抽出されたかにより重みを付けて前記第１のユーザに提示する情報を抽出させることができる。

前記第１のユーザに提示され、かつ、前記第１のユーザが評価を付与した情報が前記第１の情報抽出部又は前記第２の情報抽出部のいずれにより抽出されたかに基づいて、前記重みの学習を行う学習部をさらに設けることができる。

前記第１の情報抽出部により抽出された情報の中から前記第１のユーザに推薦する情報を前記ユーザに提示する情報として抽出する第２の情報抽出部をさらに設けることができる。

前記第２の情報抽出部には、１以上の特定のアイテムに関する情報を前記第１のユーザに推薦する情報として抽出させることができる。

前記ユーザ抽出部には、前記第１の評価乃至前記第３の評価のうち少なくとも１つに基づいて、各前記第２のユーザが発信するコメントに対してポジティブな評価を前記第１のユーザが付与する期待値を算出し、前記期待値に基づいて前記提示対象ユーザを抽出させることができる。

前記ユーザ抽出部には、評価が付与された時期に応じて重みをつけて前記期待値を算出させることができる。

前記ユーザ抽出部には、前記第１乃至第３の評価のうち少なくとも２つの評価を重みを付けて用いることにより、前記提示対象ユーザを抽出させることができる。

前記第１のユーザに提示され、かつ、前記第１のユーザが評価を付与した情報を発信した前記提示対象ユーザの抽出に用いられた評価の種類に基づいて、前記重みの学習を行う学習部をさらに設けることができる。

本技術の第１の側面の情報処理方法は、他のユーザが発信した情報を閲覧することが可能なサービスを提供する情報処理装置が、前記サービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する第１の評価、前記第１のユーザ及び前記第２のユーザの範囲内での各前記第２のユーザに対する第２の評価、並びに、前記サービスの所定のユーザの範囲内での各前記第２のユーザに対する第３の評価のうち少なくとも１つに基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザを抽出するユーザ抽出ステップと、前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報を抽出する情報抽出ステップと、前記第１のユーザへの情報の提示を制御する提示制御ステップとを含む。

本技術の第２の側面の情報処理システムは、他のユーザが発信した情報を閲覧することが可能なサービスを提供するサーバと、前記サービスの提供を受けるクライアントとを含み、前記サーバは、前記サービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する第１の評価、前記第１のユーザ及び前記第２のユーザの範囲内での各前記第２のユーザに対する第２の評価、並びに、前記サービスの所定のユーザの範囲内での各前記第２のユーザに対する第３の評価のうち少なくとも１つに基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザを抽出するユーザ抽出部と、前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報を抽出する情報抽出部と、前記第１のユーザへの情報の提示を制御する提示制御部とを備える。

本技術の第３の側面の情報処理装置は、他のユーザが発信した情報を閲覧することが可能なサービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する評価に基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザを抽出するユーザ抽出部と、前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報を抽出する情報抽出部と、前記第１のユーザへの情報の提示を制御する提示制御部とを備える。

本技術の第１の側面においては、他のユーザが発信した情報を閲覧することが可能なサービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する第１の評価、前記第１のユーザ及び前記第２のユーザの範囲内での各前記第２のユーザに対する第２の評価、並びに、前記サービスの所定のユーザの範囲内での各前記第２のユーザに対する第３の評価のうち少なくとも１つに基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザが抽出され、前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報が抽出され、前記第１のユーザへの情報の提示が制御される。

本技術の第２の側面においては、他のユーザが発信した情報を閲覧することが可能なサービスを提供するサーバと、前記サービスの提供を受けるクライアントとを含む情報処理システムにおいて、前記サーバにより、前記サービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する第１の評価、前記第１のユーザ及び前記第２のユーザの範囲内での各前記第２のユーザに対する第２の評価、並びに、前記サービスの所定のユーザの範囲内での各前記第２のユーザに対する第３の評価のうち少なくとも１つに基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザが抽出され、前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報が抽出され、前記第１のユーザへの情報の提示が制御される。

本技術の第３の側面においては、他のユーザが発信した情報を閲覧することが可能なサービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する評価に基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザが抽出され、前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報が抽出され、前記第１のユーザへの情報の提示が制御される。

本技術の第1の側面乃至第３の側面によれば、ソーシャルサービスにおいて、ユーザにとって有益な情報を優先して提示することができる。

本技術を適用した情報処理システムの一実施の形態を示すブロック図である。 コメントフィルタリング処理の第１の実施の形態の概要を説明するための図である。 サーバの第１の実施の形態の機能の構成例を示すブロック図である。 友人コメントＤＢのデータの構成例を示す図である。 友人コメントフィルタリング部の第１の実施の形態の機能の構成例を示すブロック図である。 フィードバックＤＢのデータの構成例を示す図である。 友人ＤＢのデータの構成例を示す図である。 クライアントの機能の構成例を示す図である。 フィードバック受信時の処理の第１の実施の形態を説明するためのフローチャートである。 友人ＤＢ更新処理の詳細を説明するためのフローチャートである。 コメント提示処理の第１の実施の形態を説明するためのフローチャートである。 友人コメントフィルタリング処理の第１の実施の形態の詳細を説明するためのフローチャートである。 友人フィルタリング処理の第１の実施の形態の詳細を説明するためのフローチャートである。 友人リスト（個人）の生成方法を説明するための図である。 友人フィルタリング処理の第２の実施の形態の詳細を説明するためのフローチャートである。 フィードバック受信時の処理の第２の実施の形態を説明するためのフローチャートである。 友人リスト（友人）の生成方法を説明するための図である。 フィードバック受信時の処理の第３の実施の形態を説明するためのフローチャートである。 友人リスト（全体）の生成方法を説明するための図である。 友人コメントフィルタリング部の第２の実施の形態の機能の構成例を示すブロック図である。 友人リスト合成部の機能の構成例を示すブロック図である。 友人コメントフィルタリング処理の第２の実施の形態の詳細を説明するためのフローチャートである。 友人リスト合成重み学習処理の詳細を説明するためのフローチャートである。 コメントフィルタリング処理の第２の実施の形態の概要を説明するための図である。 サーバの第２の実施の形態の機能の構成例を示すブロック図である。 トレンド解析部の機能の構成例を示すブロック図である。 コメントリスト合成部の機能の構成例を示すブロック図である。 コメント提示処理の第２の実施の形態を説明するためのフローチャートである。 トレンド解析処理の詳細を説明するためのフローチャートである。 コメントリスト合成処理の詳細を説明するためのフローチャートである。 コメントリスト合成重み学習処理の詳細を説明するためのフローチャートである。 コメントフィルタリング処理の第３の実施の形態の概要を説明するための図である。 サーバの第３の実施の形態の機能の構成例を示すブロック図である。 推薦コメント抽出部の第１の実施の形態の機能の構成例を示すブロック図である。 判別素性ＤＢのデータの構成例を示す図である。 コメント提示処理の第３の実施の形態を説明するためのフローチャートである。 推薦コメント抽出処理の第１の実施の形態を説明するためのフローチャートである。 推薦コメント抽出部の第２の実施の形態の機能の構成例を示すブロック図である。 推薦コメント抽出処理の第２の実施の形態を説明するためのフローチャートである。 コメントフィルタリング処理の第４の実施の形態の概要を説明するための図である。 サーバの第４の実施の形態の機能の構成例を示すブロック図である。 コメント提示処理の第４の実施の形態を説明するためのフローチャートである。 コンピュータの構成例を示すブロック図である。

以下、本技術を実施するための形態（以下、実施の形態という）について説明する。なお、説明は以下の順序で行う。
１．情報処理システムの構成例
２．第１の実施の形態（友人コメントフィルタリング）
３．第２の実施の形態（友人コメントフィルタリング＋トレンド解析）
４．第３の実施の形態（友人コメントフィルタリング＋推薦コメント抽出）
５．第４の実施の形態（友人コメントフィルタリング＋トレンド解析＋推薦コメント抽出）
６．変形例

＜１．情報処理システムの構成例＞
図１は、本技術を適用した情報処理システムの一実施の形態を示すブロック図である。

情報処理システム１は、サーバ１１及びクライアント１２−１乃至１２−ｍを含むように構成される。サーバ１１とクライアント１２−１乃至１２−ｍは、ネットワーク１３を介して相互に接続されている。

なお、以下、クライアント１２−１乃至１２−ｍを個々に区別する必要がない場合、単に、クライアント１２と称する。

サーバ１１は、各クライアント１２に対してソーシャルサービスを提供する。そして、ユーザは、クライアント１２を用いて、サーバ１１が提供するソーシャルサービスを利用する。

なお、少なくとも他のユーザが発信した情報を閲覧することが可能で、各ユーザが情報を閲覧する他のユーザを設定できる機能を有していれば、ソーシャルサービスの種類は特に限定されるものではない。

また、各ユーザから発信される情報の種類も特に限定されるものではなく、例えば、コメント等のテキストデータ、画像、音声、位置情報、ユーザのアクティビティに関する情報（サービスの利用履歴やプロファイルの更新等）等が想定される。さらに、ユーザから発信される情報には、自らの意思で能動的に発信する情報だけでなく、例えば位置情報やアクティビティに関する情報等、ユーザの意思によらずに自動的に発信される情報も含まれる。後者の場合、例えば、クライアント１２からサーバ１１へ情報を自動送信したり、サーバ１１がクライアント１２から情報を自動取得したりすることを許可する設定をユーザが事前にしておくことが想定される。

また、サーバ１１が提供するソーシャルサービスは、後述するように、他のユーザが発信した情報を、それを閲覧するユーザ（以下、閲覧者と称する）に応じてフィルタリングして提示する情報フィルタリング機能を有している。

なお、以下、説明を簡単にするために、ソーシャルサービス上で各ユーザに提示される情報の種類をコメントに限定して説明する。従って、以下、情報フィルタリング機能のうち、他のユーザが発信したコメントを閲覧者に応じてフィルタリングして提示する機能（以下、コメントフィルタリング機能と称する）を中心に説明する。

クライアント１２は、例えば、パーソナルコンピュータ、携帯情報端末、携帯電話機、スマートフォン等、サーバ１１が提供するソーシャルサービスの利用が可能な装置により構成される。

＜２．第１の実施の形態＞
次に、図２乃至図２３を参照して、本技術の第１の実施の形態について説明する。

［コメントフィルタリング機能の第１の実施の形態の概要］
まず、図２を参照して、本技術の第１の実施の形態において実現されるコメントフィルタリング機能の概要について説明する。

このコメントフィルタリング機能では、コメントを閲覧する閲覧者のソーシャルサービス上の友人の中から、閲覧者にコメントを提示する対象となるユーザ（以下、提示対象ユーザと称する）が抽出される。そして、提示対象ユーザから発信されたコメントが閲覧者に提示される。

具体的には、まず、閲覧者の友人が登録されている友人ＤＢ（データベース）から、閲覧者のソーシャルサービスの利用ログや、閲覧者から付与される友人のコメント又は友人自身に対するフィードバックに基づいて、提示対象ユーザが抽出される。そして、提示対象ユーザを含む友人リストが生成される。

ここで、友人とは、あるユーザがソーシャルサービス上で双方向にリンクする他のユーザ、すなわち、あるユーザがソーシャルサービス上で双方向のつながりを持つ他のユーザのことをいう。例えば、ユーザＡとユーザＢが双方向のリンクを構築した場合、すなわち、ユーザＡとユーザＢが友人関係にある場合、例えば、一方が発信するコメントを他方が閲覧できるように設定される。

また、友人が発信したコメント又は友人自身に対するフィードバックとは、当該コメント又は友人自身に対する評価のことである。フィードバックは、例えば、”好き”、”嫌い”、５段階評価、点数等の具体的な値により付与されたり、文章等により付与されたりする。また、フィードバックには、各ユーザにより明示的に付与されるフィードバック（以下、明示的フィードバックと称する）だけでなく、暗黙的に付与されるフィードバック（以下、暗黙的フィードバックと称する）も含まれる。暗黙的フィードバックは、例えば、コメントを閲覧した、コメントを無視した、ソーシャルサービス上で一緒に遊んだ等、各ユーザの利用ログ等から得た情報に基づいて付与されることが想定される。

次に、友人リストに含まれる提示対象ユーザが発信したコメントの中から閲覧者に提示するコメントが抽出され、抽出されたコメントからなる友人コメントリストが生成される。

そして、友人コメントリストに含まれるコメントが閲覧者に提示される。また、閲覧者が提示されたコメントに対してフィードバックを付与した場合、そのフィードバックが、以降の友人リストの生成に反映される。

［サーバ１１ａの構成例］
図３は、情報処理システム１のサーバ１１の第１の実施の形態であるサーバ１１ａの機能の構成例を示すブロック図である。なお、図３は、サーバ１１ａの機能のうち、主にコメントの提示に関わる処理を行う部分の構成例を示している。

サーバ１１ａは、通信部３１、情報処理部３２及びコメント蓄積部３３を含むように構成される。

なお、通信部３１と情報処理部３２の各部は、相互にアクセスすることが可能である。また、情報処理部３２の各部は、コメント蓄積部３３の各部にアクセスすることが可能である。

通信部３１は、ネットワーク１３を介して各クライアント１２と通信を行い、ソーシャルサービスに関わる各種の情報や指令等の送受信を行う。

情報処理部３２は、ソーシャルサービスに関わる各種の処理を行う。情報処理部３２は、フィードバック収集部４１、友人コメントフィルタリング部４２、提示制御部４３、及び、コメント収集部４４を含むように構成される。

フィードバック収集部４１は、各ユーザが他のユーザのコメント又は他のユーザ自身に対して付与したフィードバックを、ネットワーク１３及び通信部３１を介して各クライアント１２から受信し、友人コメントフィルタリング部４２に供給する。

友人コメントフィルタリング部４２は、後述するように、閲覧者の友人が発信したコメントの中から閲覧者に提示するコメントを抽出し、抽出したコメントを含む友人コメントリストを生成する。そして、友人コメントフィルタリング部４２は、生成した友人コメントリストを提示制御部４３に供給する。

提示制御部４３は、友人コメントリストに含まれるコメントの提示を制御する。具体的には、提示制御部４３は、友人コメントリストに含まれるコメントを閲覧者のクライアント１２において提示するための提示制御データを生成する。そして、提示制御部４３は、通信部３１及びネットワーク１３を介して、生成した提示制御データを閲覧者のクライアント１２に送信する。

コメント収集部４４は、各ユーザが発信したコメントを、ネットワーク１３及び通信部３１を介して各クライアント１２から受信し、コメント蓄積部３３に格納されている友人コメントＤＢ（データベース）５１−１乃至５１−ｎに蓄積する。

友人コメントＤＢ５１−１乃至５１−ｎは、ソーシャルサービスのユーザ毎に設けられ、各ユーザの友人が発信したコメントに関する情報を蓄積する。なお、以下、友人コメントＤＢ５１−１乃至５１−ｎを個々に区別する必要がない場合、単に、友人コメントＤＢ５１と称する。

図４は、友人コメントＤＢ５１のデータの構成例を示している。友人コメントＤＢ５１は、友人ＩＤ、コメント、及び、更新日時の３項目を少なくとも含むように構成される。

友人ＩＤは、対象となるユーザの友人を個々に識別するために割り振られているＩＤである。

コメントは、実際に各友人から発信されたコメントの内容を示す。

更新日時は、各コメントが友人コメントＤＢに登録された日時を示している。従って、更新日時は、各コメントが発信された日時とほぼ等しくなる。

なお、図示は省略しているが、友人コメントＤＢ５１には、各コメントについて、フィードバックが付与された日時、フィードバックを付与したユーザのＩＤ、付与されたフィードバックの種類（以下、フィードバックタイプと称する）等が蓄積される。

［友人コメントフィルタリング部４２ａの構成例］
図５は、サーバ１１ａの友人コメントフィルタリング部４２の第１の実施の形態である友人コメントフィルタリング部４２ａの機能の構成例を示すブロック図である。

友人コメントフィルタリング部４２ａは、友人フィルタリング部７１及び友人コメントリスト生成部７２を含むように構成される。

友人フィルタリング部７１は、閲覧者の友人の中から閲覧者にコメントを提示する対象となる提示対象ユーザを抽出し、抽出した提示対象ユーザを含む友人リストを生成する。友人フィルタリング部７１は、フィードバックＤＢ（データベース）８１、友人ＤＢ（データベース）生成部８２、友人情報蓄積部８３、及び、友人リスト生成部８４を含むように構成される。

フィードバックＤＢ８１は、各ユーザから付与されるフィードバックの種類等を定義するものである。図６は、フィードバックＤＢ８１のデータの構成例を示している。フィードバックＤＢ８１は、フィードバックタイプ、好きフラグ、及び、重みの３項目を少なくとも含むように構成される。

フィードバックタイプは、フィードバックの種類を定義するものである。例えば、"Like"は、ユーザが他のユーザのコメント等に明示的に”好き”というポジティブな評価を付与する場合のフィードバックである。"Dislike"は、ユーザが他のユーザのコメント等に明示的に”嫌い”というネガティブなフィードバックを付与する場合のフィードバックである。"PlayWith"は、ユーザが他のユーザとソーシャルサービス上でゲーム等で一緒に遊んだ場合に暗黙的に付与されるフィードバックである。"Read"は、ユーザが他のユーザのコメントを読んだ場合に暗黙的に付与されるフィードバックである。

好きフラグは、各フィードバックが、ポジティブ（好き）又はネガティブ（嫌い）のいずれの評価を示すものであるかを判定するためのフラグである。具体的には、好きフラグの値が"True"であるフィードバックは、ポジティブなフィードバックであり、好きフラグの値が"False"であるフィードバックは、ネガティブなフィードバックである。

重みは、各フィードバックがポジティブ又はネガティブな度合いを示しており、値が大きいほど、その度合いが大きくなる。例えば、フィードバックタイプ"Like"と"PlayWith"は、ともにポジティブなフィードバックであるが、"Like"の方が重みが大きいため、ポジティブな度合いが大きくなる。

友人ＤＢ生成部８２は、フィードバック収集部４１から供給される各ユーザからのフィードバック、フィードバックＤＢ８１、及び、友人リスト生成部８４から供給される友人リストに基づいて、友人情報蓄積部８３に格納されている友人ＤＢ９１−１乃至９１−ｎを生成及び更新する。

友人ＤＢ９１−１乃至９１−ｎは、ソーシャルサービスのユーザ毎に設けられ、各ユーザの友人に対する評価を蓄積する。なお、以下、友人ＤＢ９１−１乃至９１−ｎを個々に区別する必要がない場合、友人ＤＢ９１と称する。

図７は、友人ＤＢ９１のデータの構成例を示している。友人ＤＢ９１は、友人ＩＤ、好きスコア、嫌いスコアの少なくとも３項目を含むように構成される。

友人ＩＤは、対象となるユーザの友人を個々に識別するために割り振られているＩＤである。

好きスコアは、対象となるユーザが各友人を好きな度合いを表し、値が大きいほど、その友人を好きな度合いが大きいことを示す。

嫌いスコアは、対象となるユーザが各友人を嫌いな度合いを表し、値が大きいほど、その友人を嫌いな度合いが大きいことを示す。

友人リスト生成部８４は、閲覧者の友人ＤＢ９１に基づいて、閲覧者の友人の中から閲覧者にコメントを提示する対象となる提示対象ユーザを抽出する。友人リスト生成部８４は、抽出した提示対象ユーザを含む友人リストを生成し、生成した友人リストを友人コメントリスト生成部７２及び友人ＤＢ生成部８２に供給する。

友人コメントリスト生成部７２は、友人リストに含まれる提示対象ユーザが発信したコメントの中から、閲覧者に提示するコメントを閲覧者の友人コメントＤＢ５１から抽出する。友人コメントリスト生成部７２は、抽出したコメントを含む友人コメントリストを生成し、生成した友人コメントリストを提示制御部４３に供給する。

［クライアント１２の構成例］
図８は、クライアント１２の機能の構成例を示すブロック図である。

クライアント１２は、通信部１０１、出力制御部１０２、出力部１０３、及び、入力部１０４を含むように構成される。なお、図８は、クライアント１２の機能のうち、主にコメントの提示及びフィードバックの付与に関わる処理を行う部分の構成例を示している。

通信部１０１は、ネットワーク１３を介して各サーバ１１と通信を行い、ソーシャルサービスに関わる各種の情報や指令等の送受信を行う。

出力制御部１０２は、ネットワーク１３及び通信部１０１を介して、ソーシャルサービスに関わる各種の情報等を受信し、受信した情報等に基づいて、ソーシャルサービスにおける画像、音声等の出力部１０３からの出力を制御する。例えば、出力制御部１０２は、ネットワーク１３及び通信部１０１を介して、各ユーザのコメントを提示するための提示制御データ等をサーバ１１から受信し、出力部１０３におけるコメントの提示を制御する。

出力部１０３は、例えば、ディスプレイ等の各種の表示デバイス、及び、スピーカ、音声出力端子等の各種の音声出力デバイスにより構成される。

入力部１０４は、例えば、キーボード、マウス、タッチパネル、マイクロフォン等の各種の入力デバイスにより構成される。入力部１０４は、ユーザにより入力された情報や指令等を通信部１０１及び出力制御部１０２に供給する。

［サーバ１１ａの処理］
次に、図９乃至図１４を参照して、サーバ１１ａの処理について説明する。

（フィードバック受信時の処理）
まず、図９のフローチャートを参照して、サーバ１１ａがクライアント１２からユーザによるフィードバックを受信した場合の処理について説明する。なお、この処理は、例えば、ソーシャルサービスの任意のユーザが、クライアント１２において他のユーザのコメント等に対して明示的又は暗黙的にフィードバックを付与し、その情報が当該クライアント１２からネットワーク１３を介してサーバ１１ａに送信されてきたとき開始される。

ステップＳ１において、フィードバック収集部４１は、クライアント１２から送信されてきたフィードバックに関する情報を、通信部３１を介して受信する。フィードバック収集部４１は、受信したフィードバックに関する情報を友人コメントフィルタリング部４２ａの友人ＤＢ生成部８２に供給する。

ステップＳ２において、友人ＤＢ生成部８２は、フィードバックを付与したユーザ（フィードバックの発信元のユーザ）の友人ＤＢを更新対象に設定する。

ステップＳ３において、友人ＤＢ生成部８２は、更新対象に設定した友人ＤＢに対して友人ＤＢ更新処理を実行し、フィードバック受信時の処理は終了する。

（友人ＤＢ更新処理）
ここで、図１０のフローチャートを参照して、友人ＤＢ更新処理の詳細について説明する。

ステップＳ２１において、友人ＤＢ生成部８２は、フィードバックＤＢ８１に基づいて、受信したフィードバックのフィードバックタイプを求める。

ステップＳ２２において、友人ＤＢ生成部８２は、求めたフィードバックタイプ及びフィードバックＤＢ８１に基づいて、受信したフィードバックの好きフラグ及び重みの値を求める。

ステップＳ２３において、友人ＤＢ生成部８２は、求めた好きフラグの値がTrueであるか否かを判定する。好きフラグの値がTrueであると判定された場合、処理はステップＳ２４に進む。

ステップＳ２４において、友人ＤＢ生成部８２は、フィードバックの対象となるユーザの好きスコアに求めた重みを加算する。これにより、フィードバックを付与したユーザの友人ＤＢ９１において、フィードバックが付与された友人の好きスコアが、求めた重みだけ増加する。

その後、友人ＤＢ更新処理は終了する。

一方、ステップＳ２３において、好きフラグの値がFalseであると判定された場合、処理はステップＳ２５に進む。

ステップＳ２５において、友人ＤＢ生成部８２は、フィードバックの対象となるユーザの嫌いスコアに求めた重みを加算する。これにより、フィードバックを付与したユーザの友人ＤＢ９１において、フィードバックが付与された友人の嫌いスコアが、求めた重みだけ増加する。

その後、友人ＤＢ更新処理は終了する。

そして、ソーシャルサービスの各ユーザが友人のコメント等にフィードバックを付与する毎に、図９の処理が実行され、各ユーザの友人ＤＢ９１が更新される。

従って、各ユーザの友人ＤＢは、対象となるユーザが付与したフィードバックのみに基づいて更新される。すなわち、ユーザＡの友人ＤＢの好きスコア及び嫌いスコアには、ユーザＡの各友人のコメント等に対するユーザＡの評価のみが反映される。

（コメント提示処理）
次に、図１１のフローチャートを参照して、サーバ１１ａにより実行されるコメント提示処理について説明する。なお、この処理は、例えば、ソーシャルサービスの任意のユーザ（閲覧者）が、クライアント１２において友人のコメントを表示するような操作を行い、その結果、コメントの提示の要求が当該クライアント１２からネットワーク１３を介してサーバ１１ａに送信されてきたとき開始される。

ステップＳ１０１において、友人コメントフィルタリング部４２ａは、クライアント１２から送信されてきたコメントの提示の要求を、通信部３１を介して受信する。

ステップＳ１０２において、友人コメントフィルタリング部４２ａは、友人コメントフィルタリング処理を実行する。ここで、図１２のフローチャートを参照して、友人コメントフィルタリング処理の詳細について説明する。

ステップＳ１２１において、友人フィルタリング部７１は、友人フィルタリング処理を実行する。ここで、図１３のフローチャートを参照して、友人フィルタリング処理の詳細について説明する。

ステップＳ１４１において、友人リスト生成部８４は、閲覧者の友人ＤＢ９１から、閲覧者の各友人に対する好きスコア、嫌いスコアを取得する。

ステップＳ１４２において、友人リスト生成部８４は、閲覧者が各友人のコメントにポジティブなフィードバックを付与する期待値を算出する。なお、期待値の算出方法は、特定のものに限定されるものではないが、例えば、以下のような３種類の方法が考えられる。

例えば、第１の方法として、閲覧者の各友人に対する好きスコアを、そのまま期待値として使用することが考えられる。

また、第２の方法として、閲覧者の各友人に対する好きスコアから嫌いスコアを引いた値を期待値として使用することが考えられる。

さらに、第３の方法として、次式（１）乃至（３）を用いて、閲覧者の友人ｋに対する期待値Ｅ（ｋ）を計算することが考えられる。

なお、ＬＳ_ｋは、閲覧者の友人ｋに対する好きスコアを示し、ＤＳ_ｋは、閲覧者の友人ｋに対する嫌いスコアを示す。また、αは、閲覧者がポジティブなフィードバックを付与する友人を切り捨ててしまう危険率を示している。

ステップＳ１４３において、友人リスト生成部８４は、期待値が上位の友人を抽出し、友人リストを生成する。例えば、友人リスト生成部８４は、閲覧者の友人の中から、期待値の大きい順に所定の人数の友人を提示対象ユーザとして抽出する。或いは、例えば、友人リスト生成部８４は、閲覧者の友人の中から、期待値が所定の閾値以上の友人を提示対象ユーザとして抽出する。そして、友人リスト生成部８４は、抽出した提示対象ユーザ及びその期待値を含む友人リストを生成し、友人コメントリスト生成部７２及び友人ＤＢ生成部８２に供給する。

上述したように、各ユーザの友人ＤＢは、対象となるユーザが付与したフィードバックのみに基づいて更新されるため、図１４に示されるように、閲覧者のフィードバックのみに基づいて更新された友人ＤＢから友人リストが生成される。従って、友人リストに含まれるユーザ（提示対象ユーザ）は、閲覧者の友人のうち閲覧者の評価が高い友人となる。より具体的には、友人リストに含まれる提示対象ユーザは、閲覧者がコメントに対して興味を持ち、ポジティブなフィードバックを付与する可能性（以下、成功率とも称する）が高い友人となる。

なお、以下、図１４に示される方法で生成される友人リストを、後述する他の方法で生成される友人リストと区別する必要がある場合、友人リスト（個人）と称する。

ステップＳ１４４において、友人ＤＢ生成部８２は、忘却処理を行う。すなわち、友人ＤＢ生成部８２は、閲覧者の各友人のコメント等に対する過去のポジティブ又はネガティブな評価を忘却させる処理を行う。

例えば、上述した第１又は第２の方法により期待値を計算した場合、友人ＤＢ生成部８２は、閲覧者の各友人に対する好きスコア及び嫌いスコアに、所定の減衰定数ρ（0＜ρ≦1）を乗じることにより、閲覧者の友人ＤＢを更新する。

また、例えば、上述した第３の方法により期待値を計算した場合、友人ＤＢ生成部８２は、閲覧者の友人のうち友人リストに含まれなかった友人の好きスコア及び嫌いスコアを、次式（４）及び（５）を用いて更新することにより、閲覧者の友人ＤＢを更新する。

なお、ηは忘却係数を表し、０≦η≦１の範囲に設定される。εは、忘却制御定数を表し、式（５）に示されるように、好きスコアＬＳ_ｋ≦εになると、好きスコアの忘却は抑制される。従って、好きスコアＬＳ_ｋの下限値は忘却制御定数ε近傍となる。一方、嫌いスコアＤＳ_ｋの下限値は０となる。

この忘却処理を行うことにより、閲覧者が評価を付与した時期に応じて重みをつけて、閲覧者の各友人に対する期待値が算出されることになる。すなわち、新しい評価ほど重みを大きく、古い評価ほど重みを小さくして、期待値が算出される。

なお、ステップＳ１４４の忘却処理は省略することも可能である。

その後、友人フィルタリング処理は終了する。

図１２に戻り、ステップＳ１２２において、友人コメントリスト生成部７２は、友人リストにもとづいて、友人コメントリストを生成する。例えば、友人コメントリスト生成部７２は、友人リストに含まれる各提示対象ユーザの最新のコメントを、閲覧者用の友人コメントＤＢ５１から抽出する。或いは、例えば、友人コメントリスト生成部７２は、提示対象ユーザが発信した全コメントの中から新しいものを所定の数だけ抽出する。従って、前者の場合、各提示対象ユーザのコメントが１つずつ抽出される。一方、後者の場合、必ずしも全ての提示対象ユーザのコメントが抽出されるとは限らず、同じ提示対象ユーザのコメントが複数抽出される場合がある。

また、友人コメントリスト生成部７２は、抽出した各コメントの期待値に、各コメントを発信したユーザに対する期待値を設定する。そして、友人コメントリスト生成部７２は、抽出したコメント及びその期待値を含む友人コメントリストを生成し、提示制御部４３に供給する。

その後、友人コメントフィルタリング処理は終了する。

図１０に戻り、ステップＳ１０３において、提示制御部４３は、コメントの提示を制御する。具体的には、提示制御部４３は、友人コメントリストに含まれるコメントを提示するための提示制御データを生成する。そして、提示制御部４３は、通信部３１及びネットワーク１３を介して、生成した提示制御データを閲覧者のクライアント１２に送信する。

閲覧者のクライアント１２の出力制御部１０２は、通信部１０１を介して提示制御データを受信する。出力制御部１０２は、提示制御データに基づいて、例えば、友人コメントリストに含まれるコメントを最新のものから順に並べて出力部１０３に表示させる。

その後、コメント提示処理は終了する。

これにより、閲覧者は、ポジティブなフィードバックを付与する可能性（成功率）が高いコメント、すなわち、閲覧者にとって有益である可能性が高いコメントを優先して閲覧することができる。

従って、単純に閲覧する頻度が高い友人のランキングに基づいてコメントを提示する場合と比較して、閲覧者にとってより有益なコメントを提示することができる。すなわち、例えば、発信頻度は低いが、閲覧者にとって有益なコメントを発信する可能性が高い友人のコメントが優先して提示されるようになる。一方、例えば、発信頻度は高いが、閲覧者にとって有益なコメントを発信する可能性が低い友人のコメントが提示されにくくなる。

また、忘却処理により、閲覧者の過去のフィードバックによる各友人に対する評価を忘却していくことにより、コメントが提示されるユーザ（友人）が固定されてしまうことを防止することができる。

［友人フィルタリング処理の変形例］
次に、図１５のフローチャートを参照して、図１２のステップＳ１２１の友人フィルタリング処理の変形例について説明する。なお、この処理は、例えば、ユーザが明示的にネガティブなフィードバックを付与することができないソーシャルサービスにおいて適用することが想定される。

ステップＳ１６１乃至Ｓ１６４の処理は、図１３のステップＳ１４１乃至Ｓ１４４の処理と同様である。

ステップＳ１６６において、友人ＤＢ生成部８２は、抽出された友人に対してネガティブなフィードバックを付与する。例えば、友人ＤＢ生成部８２は、閲覧者の友人のうち友人リストに含まれる友人の嫌いスコアに、所定の重み（例えば、図６の"Dislike"に対する重み）を加算することにより、閲覧者の友人ＤＢ９１を更新する。

その後、友人フィルタリング処理は終了する。

このステップＳ１６５の処理は、閲覧者がコメントに対して明示的にネガティブなフィードバックを付与することができないため、サーバ１１ａ側で自動的にネガティブなフィードバックを付与するようにする処理である。すなわち、閲覧者に提示されたコメントのうちポジティブなフィードバックが付与されなかったコメントを発信した友人に対して、自動的にネガティブなフィードバックが付与されることになる。これにより、コメントが提示される友人が固定されてしまうことを防止することができる。

なお、例えば、友人リストに含まれたが最終的に閲覧者にコメントが提示されなかった友人に対しては、ネガティブなフィードバックを付与しないようにしてもよい。

［フィードバック受信時の処理の変形例１］
次に、図１６及び図１７を参照して、上述した図９に代わるフィードバック受信時の処理の第１の変形例について説明する。

ステップＳ２０１において、図９のステップＳ１と同様の処理により、クライアント１２から送信されてきたフィードバックに関する情報が受信される。

ステップＳ２０２において、友人ＤＢ生成部８２は、フィードバックを付与したユーザの友人ＤＢ、並びに、当該ユーザ及びフィードバックの対象となるユーザの両方と友人であるユーザの友人ＤＢを更新対象に設定する。

ステップＳ２０３において、友人ＤＢ生成部８２は、更新対象に設定した友人ＤＢに対して、図１０を参照して上述した友人ＤＢ更新処理を実行し、フィードバック受信時の処理は終了する。

これにより、例えば、ユーザＡ（フィードバックを付与したユーザ）がユーザＢ（フィードバックの対象となるユーザ）のコメント等に対してフィードバックを付与した場合、まず、ユーザＡのユーザＤＢにおけるユーザＢに対する好きスコア及び嫌いスコアが更新される。また、ユーザＡの友人のうち、ユーザＢとも友人であるユーザのユーザＤＢにおけるユーザＢに対する好きスコア及び嫌いスコアが更新される。

従って、各ユーザの友人ＤＢは、対象となるユーザが付与したフィードバックに加えて、そのユーザの友人が付与したフィードバックにも基づいて更新される。すなわち、ユーザＡの友人ＤＢの好きスコア及び嫌いスコアには、ユーザＡの各友人のコメント等に対するユーザＡ及びユーザＡの友人の評価が反映される。

従って、図１７に示されるように、閲覧者の友人リストは、閲覧者及び閲覧者の友人が、閲覧者の友人に対して付与したフィードバックに基づいて更新された友人ＤＢから生成されることになる。その結果、友人リストに含まれるユーザ（提示対象ユーザ）は、閲覧者の友人のうち、閲覧者及び閲覧者の友人の範囲内で評価の高い友人、より具体的には、閲覧者及び閲覧者の友人がポジティブなフィードバックをコメントに対して付与する可能性（成功率）が高い友人となる。

従って、この友人リストに基づいてコメントを抽出し、閲覧者に提示することにより、閲覧者の友人のコメントのうち、閲覧者を含む閲覧者の友人の観点から有益であると判断されるコメントが閲覧者に提示される。これにより、閲覧者の観点のみに基づく場合と比較して、より幅広く多彩な話題について、有益なコメントを優先して閲覧者に提示することができる。

なお、以下、図１７に示される手順で生成される友人リストを、他の方法で生成される友人リストと区別する必要がある場合、友人リスト（友人）と称する。

［フィードバック受信時の処理の変形例２］
次に、図１８及び図１９を参照して、上述した図９に代わるフィードバック受信時の処理の第２の変形例について説明する。

ステップＳ２２１において、図９のステップＳ１と同様の処理により、クライアント１２から送信されてきたフィードバックに関する情報が受信される。

ステップＳ２２２において、友人ＤＢ生成部８２は、フィードバックの対象となるユーザの全ての友人の友人ＤＢを更新対象に設定する。この中には、フィードバックを付与したユーザの友人ＤＢも含まれる。

ステップＳ２２３において、友人ＤＢ生成部８２は、更新対象に設定した友人ＤＢに対して、図１０を参照して上述した友人ＤＢ更新処理を実行し、フィードバック受信時の処理は終了する。

これにより、例えば、ユーザＡがユーザＢのコメント等に対してフィードバックを付与した場合、まず、ユーザＢの全ての友人（ユーザＡを含む）の友人ＤＢにおけるユーザＢに対する好きスコア及び嫌いスコアが更新される。

従って、各ユーザの友人ＤＢは、全てのユーザが付与したフィードバックに基づいて更新される。すなわち、ユーザＡの友人ＤＢの好きスコア及び嫌いスコアには、ユーザＡの各友人のコメント等に対するユーザＡを含む全てのユーザの評価が反映される。

従って、図１９に示されるように、閲覧者の友人リストは、閲覧者、閲覧者の友人、及び、閲覧者の友人でないユーザ、すなわち、全てのユーザが、閲覧者の友人に対して付与したフィードバックに基づいて更新された友人ＤＢから生成されることになる。その結果、友人リストに含まれるユーザ（提示対象ユーザ）は、閲覧者の友人のうち、全ユーザの範囲内で評価の高い友人、より具体的には、ソーシャルサービスのユーザが一般的にポジティブなフィードバックをコメントに対して付与する可能性（成功率）が高い友人となる。

従って、この友人リストに基づいてコメントを抽出し、閲覧者に提示することにより、閲覧者の友人のコメントのうち、閲覧者を含む全ユーザの観点から有益であると判断されるコメントが閲覧者に提示される。これにより、閲覧者の観点のみに基づく場合と比較して、より幅広く多彩な話題について、有益なコメントを優先して閲覧者に提示することができる。

なお、以下、図１９に示される手順で生成される友人リストを、他の方法で生成される友人リストと区別する必要がある場合、友人リスト（全体）と称する。

［友人コメントフィルタリング処理の変形例］
次に、図２０乃至図２３を参照して、上述した図１１のステップＳ１０２の友人コメントフィルタリング処理の変形例について説明する。

（友人コメントフィルタリング部の変形例）
図２０は、図５の友人コメントフィルタリング部４２の変形例である友人コメントフィルタリング部４２ｂの機能の構成例を示すブロック図である。

友人コメントフィルタリング部４２ｂは、友人フィルタリング部７１ａ乃至７１ｃ、友人リスト合成部２０１、及び、友人コメントリスト生成部２０２を含むように構成される。

友人フィルタリング部７１ａ乃至７１ｃは、それぞれ図５の友人フィルタリング部７１と同様の構成を有しており、フィードバック収集部４１から供給される各ユーザからのフィードバックに基づいて、閲覧者に対する友人リストを生成する。

なお、友人フィルタリング部７１ａ乃至７１ｃは、それぞれ異なる観点で友人リストを生成する。具体的には、友人フィルタリング部７１ａは、各ユーザからフィードバックを受信した場合に上述した図９のフローチャートに基づく処理を行い、その結果得られる友人ＤＢ９１に基づいて、友人リストを生成する。すなわち、友人フィルタリング部７１ａは、上述した図１４に示される方法により、閲覧者に対する友人リスト（個人）を生成する。そして、友人フィルタリング部７１ａは、生成した友人リスト（個人）を友人リスト合成部２０１に供給する。

友人フィルタリング部７１ｂは、各ユーザからフィードバックを受信した場合に上述した図１６のフローチャートに基づく処理を行い、その結果得られる友人ＤＢ９１に基づいて、友人リストを生成する。すなわち、友人フィルタリング部７１ｂは、上述した図１７に示される方法により、閲覧者に対する友人リスト（友人）を生成する。そして、友人フィルタリング部７１ｂは、生成した友人リスト（友人）を友人リスト合成部２０１に供給する。

友人フィルタリング部７１ｃは、各ユーザからフィードバックを受信した場合に上述した図１８のフローチャートに基づく処理を行い、その結果得られる友人ＤＢ９１に基づいて、友人リストを生成する。すなわち、友人フィルタリング部７１ｃは、上述した図１９に示される方法により、閲覧者に対する友人リスト（全体）を生成する。そして、友人フィルタリング部７１ｃは、生成した友人リスト（全体）を友人リスト合成部２０１に供給する。

友人リスト合成部２０１は、友人フィルタリング部７１ａ乃至７１ｃから供給される３種類の友人リストを合成し、合成友人リストを生成する。友人リスト合成部２０１は、生成した合成友人リストを友人コメントリスト生成部２０２に供給する。

友人コメントリスト生成部２０２は、合成友人リストに含まれる提示対象ユーザが発信したコメントの中から、閲覧者に提示するコメントを閲覧者の友人コメントＤＢ５１から抽出する。友人コメントリスト生成部２０２は、抽出したコメントを含む友人コメントリストを生成し、生成した友人コメントリストを提示制御部４３に供給する。

（友人リスト合成部２０１の構成例）
図２１は、友人リスト合成部２０１の機能の構成例を示すブロック図である。友人リスト合成部２０１は、重み学習部２２１、重みＤＢ２２２、及び、合成部２２３を含むように構成される。

重み学習部２２１は、フィードバック収集部４１から供給される各ユーザからのフィードバックに基づいて、上述した３種類の友人リストの合成に用いる重みの学習をユーザ毎に行う。重み学習部２２１は、学習の結果得られた各ユーザに対する重みを重みＤＢ２２２に格納する。

合成部２２３は、友人フィルタリング部７１ａ乃至７１ｃから供給される３種類の友人リストを、重みＤＢ２２２格納されている重みを用いて合成し、合成友人リストを生成する。合成部２２３は、生成した合成友人リストを友人コメントリスト生成部２０２及び重み学習部２２１に供給する。

（友人コメントフィルタリング処理の変形例）
次に、図２２のフローチャートを参照して、図１１のステップＳ１０２の友人コメントフィルタリング処理の変形例について説明する。

ステップＳ３０１において、友人フィルタリング部７１ａは、上述した図１３又は図１５のフローチャートに従って、友人フィルタリング処理を実行する。これにより、閲覧者に対する友人リスト（個人）が生成され、友人フィルタリング部７１ａから合成部２２３に供給される。

ステップＳ３０２において、友人フィルタリング部７１ｂは、上述した図１３又は図１５のフローチャートに従って、友人フィルタリング処理を実行する。これにより、閲覧者に対する友人リスト（友人）が生成され、友人フィルタリング部７１ｂから合成部２２３に供給される。

ステップＳ３０３において、友人フィルタリング部７１ｃは、上述した図１３又は図１５のフローチャートに従って、友人フィルタリング処理を実行する。これにより、閲覧者に対する友人リスト（全体）が生成され、友人フィルタリング部７１ｃから合成部２２３に供給される。

ステップＳ３０４において、合成部２２３は、友人リストの合成に用いる重みを取得する。すなわち、合成部２２３は、重みＤＢ２２２に格納されている重みのうち、閲覧者用の重みを取得する。

ステップＳ３０５において、合成部２２３は、取得した重みを用いて友人リストを合成する。例えば、合成部２２３は、ある提示対象ユーザの友人リスト（個人）、友人リスト（友人）、友人リスト（全体）における期待値をそれぞれＥａ、Ｅｂ、Ｅｃとすると、次式（６）に示されるように重み付け加算することにより、当該提示対象ユーザに対する期待値ΣＥを算出する。

ΣＥ＝α・Ｅａ＋β・Ｅｂ＋γ・Ｅｃ ・・・（６）

ここで、αは友人リスト（個人）に対する重み、βは友人リスト（友人）に対する重み、γは友人リスト（全体）に対する重みである。この重みα乃至γは、後述するようにユーザ毎に学習処理により求められる。

なお、一部の友人リストにのみ含まれる提示対象ユーザについては、例えば、式（６）において、当該ユーザを含まない友人リストにおける期待値は０に設定される。例えば、ある提示対象ユーザが、友人リスト（個人）及び友人リスト（友人）に含まれるが、友人リスト（全体）に含まれない場合、式（６）において、そのユーザに対する期待値Ｅｃは０に設定される。

そして、合成部２２３は、３種類の友人リストのうち少なくとも１つに含まれる全ての提示対象ユーザについて期待値ΣＥを算出する。

次に、合成部２２３は、例えば、期待値ΣＥが上位の者から順に所定の人数の提示対象ユーザを抽出する。或いは、合成部２２３は、例えば、期待値ΣＥが所定の閾値以上の提示対象ユーザを抽出する。そして、合成部２２３は、抽出した提示対象ユーザ、その期待値ΣＥ、及び、抽出した提示対象ユーザが含まれていた友人リストの種類を含む合成友人リストを生成し、友人コメントリスト生成部２０２及び重み学習部２２１に供給する。

ステップＳ３０６において、友人コメントリスト生成部２０２は、図１２のステップＳ１２３の処理と同様に、合成友人リストに基づいて、友人コメントリストを生成する。友人コメントリスト生成部２０２は、生成した友人コメントリストを提示制御部４３に供給する。

その後、友人コメントフィルタリング処理は終了する。

これにより、閲覧者の友人のコメントのうち、閲覧者の観点、閲覧者を含む閲覧者の友人の観点、又は、全ユーザの観点に基づいて有益であると判断されるコメントが閲覧者に提示される。従って、１種類の観点のみに基づく場合と比較して、より幅広く多彩な話題について、有益なコメントを優先して閲覧者に提示することができる。

（友人リスト合成重み学習処理）
次に、図２３のフローチャートを参照して、友人リスト合成部２０１により実行される友人リスト合成重み学習処理について説明する。なお、この処理は、例えば、図１１のステップＳ１０３の処理により閲覧者のクライアント１２において提示されたコメントに対して、閲覧者によりフィードバックが付与される毎に実行される。

ステップＳ３２１において、フィードバック収集部４１は、クライアント１２から送信されてきたフィードバックに関する情報を、通信部３１を介して受信する。フィードバック収集部４１は、受信したフィードバックに関する情報を重み学習部２２１に供給する。

なお、詳細な説明は省略するが、このとき、受信したフィードバックに関する情報は、友人フィルタリング部７１ａ乃至７１ｃにも供給され、図９、図１６及び図１８を参照して上述した処理がそれぞれ実行される。

ステップＳ３２２において、重み学習部２２１は、フィードバックの対象となるユーザを含む友人リストの種類の集計結果を更新する。具体的には、重み学習部２２１は、ユーザがフィードバックを付与したコメントを発信したユーザ（フィードバックの対象となったユーザ）が、友人リスト（個人）、友人リスト（友人）、及び、友人リスト（全体）のいずれに含まれていたかをユーザ毎に集計し、重みＤＢ２２２に記憶している。この集計結果は、例えば、ポジティブなフィードバックとネガティブなフィードバックに分けて集計される。

なお、この集計結果は、各ユーザのフィードバックの対象となったユーザの抽出に用いられた評価の種類の集計結果を間接的に表している。すなわち、各ユーザのフィードバックの対象となったユーザが、閲覧者の評価、閲覧者の友人の範囲内での評価、又は、全ユーザの範囲内での評価のいずれにより抽出されたかを間接的に表している。

そして、重み学習部２２１は、合成部２２３から供給される合成友人リストに基づいて、今回の閲覧者によるフィードバックの対象となるユーザが含まれていた友人リストの種類を特定し、閲覧者に対する上記の集計結果を更新する。

ステップＳ３２３において、重み学習部２２１は、集計結果に基づいて、閲覧者に対する重みを更新する。具体的には、重み学習部２２１は、更新した集計結果に基づいて、閲覧者に対して用いる、上述した式（６）の重みα、β、γを更新する。重みα、β、γの値の設定方法は特に限定されるものではないが、例えば、閲覧者がポジティブなフィードバックを付与するコメントを発信するユーザを含む確率が高い友人リストに対する重みほど大きな値になるように設定される。

例えば、過去に閲覧者がポジティブなフィードバックを付与したコメントを発信したユーザを含む確率が、友人リスト（個人）＞友人リスト（友人）＞友人リスト（全体）の関係にある場合、α＞β＞γになるように設定される。

なお、ここで、閲覧者がネガティブなフィードバックを付与するコメントを発信するユーザを含む確率についても考慮して、当該確率が高い友人リストに対する重みほど小さな値になるように設定してもよい。

その後、友人リスト合成重み学習処理は終了する。

これにより、閲覧者がポジティブなフィードバックを付与するコメントを発信するユーザを含む確率が高い友人リストから優先して提示対象ユーザが抽出されることになる。その結果、閲覧者に対してより有益なコメントを提示することができるようになる。

なお、以上の説明では、友人リスト（個人）、友人リスト（友人）、及び、友人リスト（全体）の３種類の友人リストを合成する例を示したが、そのうちの任意の２種類のみを合成するようにしてもよい。２種類の友人リストを合成する場合、図２０の友人フィルタリング部７１ａ乃至７１ｃのうち、使用しない友人リストに対応する友人フィルタリング部を省略することが可能である。また、図２２のステップＳ３０１乃至Ｓ３０３の処理のうち、使用しない友人リストに対応する処理を省略することができる。

従って、友人コメントフィルタリング処理は、使用する友人リストの種類に応じて、大きく７通りの処理が考えられる。すなわち、３種類の友人リストをそれぞれ単独で用いる場合の３通り、３種類の友人リストのうち２種類を用いる場合の３通り、３種類の友人リストを全て用いる場合の１通りの合計７通りの処理が考えられる。

＜３．第２の実施の形態＞
次に、図２４乃至図３１を参照して、本技術の第２の実施の形態について説明する。

［コメントフィルタリング機能の第２の実施の形態の概要］
まず、図２４を参照して、本技術の第２の実施の形態において実現されるコメントフィルタリング機能の概要について説明する。

このコメントフィルタリング機能では、閲覧者の友人の間で直近の評価が大きく変化しているコメントを抽出するトレンド解析が行われる。このトレンド解析により、例えば、閲覧者の友人の間で注目度が上昇している旬の話題（例えば、友人の近況の変化等）に関するコメントが抽出される。そして、上述した友人コメントリストに加えて、トレンド解析により抽出されたコメントを含むトレンドコメントリストが生成され、２種類のコメントリストが合成され、合成されたコメントリストに含まれるコメントが閲覧者に対して提示される。

［サーバ１１ｂの構成例］
図２５は、情報処理システム１のサーバ１１の第２の実施の形態であるサーバ１１ｂの機能の構成例を示すブロック図である。なお、図２５は、サーバ１１ｂの機能のうち、主にコメントの提示に関わる処理を行う部分の構成例を示している。また、図中、図３と対応する部分には同じ符号を付してあり、処理が同じ部分については、その説明は繰り返しになるため省略する。

サーバ１１ｂは、図３のサーバ１１ａと比較して、通信部３１及びコメント蓄積部３３を含む点で一致し、情報処理部３２の代わりに情報処理部３０１が設けられている点で相違する。また、情報処理部３０１は、情報処理部３２と比較して、フィードバック収集部４１、友人コメントフィルタリング部４２、提示制御部４３、及び、コメント収集部４４を含む点で一致し、トレンド解析部３１１及びコメントリスト合成部３１２が追加されている点で相違する。

なお、友人コメントフィルタリング部４２には、図５の友人コメントフィルタリング部４２ａ又は図２０の友人コメントフィルタリング部４２ｂのいずれを採用することも可能である。

トレンド解析部３１１は、上述したトレンド解析を行うことにより、トレンドコメントリストを生成し、生成したトレンドコメントリストをコメントリスト合成部３１２に供給する。

コメントリスト合成部３１２は、友人コメントリストとトレンドコメントリストを合成し、合成コメントリストを生成する。そして、コメントリスト合成部３１２は、生成した合成コメントリストを提示制御部４３に供給する。

［トレンド解析部３１１の構成例］
図２６は、トレンド解析部３１１の機能の構成例を示すブロック図である。トレンド解析部３１１は、トレンドスコア算出部３３１、及び、トレンドコメントリスト生成部３３２を含むように構成される。

トレンドスコア算出部３３１は、閲覧者の友人が発信した各コメントに対する評価の変化の程度を示すトレンドスコアを算出し、算出した結果をトレンドコメントリスト生成部３３２に供給する。

トレンドコメントリスト生成部３３２は、閲覧者の友人が発信したコメントの中からトレンドスコアが高いコメントを閲覧者の友人コメントＤＢ５１から抽出する。トレンドコメントリスト生成部３３２は、抽出したコメントを含むトレンドコメントリストを生成し、生成したトレンドコメントリストをコメントリスト合成部３１２に供給する。

［コメントリスト合成部３１２の構成例］
図２７は、コメントリスト合成部３１２の機能の構成例を示すブロック図である。コメントリスト合成部３１２は、重み学習部３５１、重みＤＢ３５２、及び、合成部３５３を含むように構成される。

重み学習部３５１は、フィードバック収集部４１から供給される各ユーザからのフィードバックに基づいて、友人コメントリストとトレンドコメントリストの合成に用いる重みの学習をユーザ毎に行う。重み学習部３５１は、学習の結果得られた各ユーザに対する重みを重みＤＢ３５２に格納する。

合成部３５３は、友人コメントフィルタリング部４２から供給される友人コメントリストとトレンド解析部３１１から供給されるトレンドコメントリストを、重みＤＢ３５２に格納されている重みを用いて合成し、合成コメントリストを生成する。合成部２２３は、生成した合成コメントリストを提示制御部４３及び重み学習部３５１に供給する。

［サーバ１１ｂの処理］
次に、サーバ１１ｂの処理について説明する。

サーバ１１ｂでは、クライアント１２からフィードバックを受信した場合、サーバ１１ａと同様に、図９、図１６又は図１８を参照して上述した処理のうち少なくとも１つが実行される。なお、どの処理が実行されるかは、サーバ１１ｂが備える友人フィルタリング部７１の種類により異なる。

また、サーバ１１ｂが２種類以上の友人フィルタリング部７１を備える場合、クライアント１２からフィードバックを受信したとき、図２３を参照して上述した友人リスト合成重み学習処理が実行される。

（コメント提示処理）
次に、図２８のフローチャートを参照して、サーバ１１ｂにより実行されるコメント提示処理について説明する。なお、この処理は、例えば、ソーシャルサービスの任意のユーザ（閲覧者）が、クライアント１２において友人のコメントを表示するような操作を行い、その結果、コメントの提示の要求が当該クライアント１２からネットワーク１３を介してサーバ１１ｂに送信されてきたとき開始される。

ステップＳ４０１において、友人コメントフィルタリング部４２及びトレンド解析部３１１は、クライアント１２から送信されてきたコメントの提示の要求を、通信部３１を介して受信する。

ステップＳ４０２において、図１２又は図２２を参照して上述した友人コメントフィルタリング処理が実行される。これにより、友人コメントフィルタリング部４２により友人コメントリストが生成され、コメントリスト合成部３１２の合成部３５３に供給される。

（トレンド解析処理）
ステップＳ４０３において、トレンド解析部３１１は、トレンド解析処理を実行する。ここで、図２９のフローチャートを参照して、トレンド解析処理の詳細について説明する。

ステップＳ４２１において、トレンドスコア算出部３３１は、閲覧者の友人の各コメントについて、コメント毎に好きスコアの時系列データを生成する。例えば、トレンドスコア算出部３３１は、閲覧者の友人の各コメントについて、閲覧者の友人コメントＤＢ５１を用いて、好きスコアの日毎の増加量を示す時系列データを生成する。

ステップＳ４２２において、トレンドスコア算出部３３１は、生成した時系列データに基づいて、各コメントのトレンドスコアを算出する。例えば、トレンドスコア算出部３３１は、あるコメントに対する基準日ｎにおけるトレンドスコアＳ（ｎ）を次式（７）乃至（９）により求める。

なお、ｘ（ｔ）（ｔ＝１，２，・・・，ｎ）は、対象となるコメントの好きスコアの増加量の時系列データを示している。μ（ｎ）は、基準日ｎからそのＮ−１日前までのＮ日間の期間の時系列データｘ（ｔ）の移動平均を示している。σ^２（ｎ）は、基準日ｎからそのＮ−１日前までのN日間の期間の時系列データｘ（ｔ）の移動分散を示している。

従って、トレンドスコアＳ（ｎ）は、基準日ｎからそのＮ−１日前までのN日間の期間の移動偏差√σ^２（ｎ）の、その１日前のＮ日間の期間の移動偏差√σ^２（ｎ−１）に対する比率を示している。そのため、トレンドスコアＳ（ｎ）は、基準日ｎの前日までと比較して、基準日ｎにおける好きスコアの増加量の変化が大きいコメント、換言すれば、ポジティブなフィードバックが付与された量の変化が大きいコメントほど大きくなる。

例えば、基準日ｎを昨日に設定した場合、トレンドスコアＳ（ｎ）は、直近のN日間の期間の移動偏差√σ^２（ｎ）の、その１日前のＮ日間の期間の移動偏差√σ^２（ｎ−１）に対する比率を示す。従って、例えば、ポジティブなフィードバックが付与された量が、一昨日までに比べて昨日急激に増加したコメントのトレンドスコアＳ（ｎ）が大きくなる。その結果、例えば、閲覧者の友人の間で注目度が上昇している旬の話題に関するコメントほど、トレンドスコアＳ（ｎ）が大きくなる。

トレンドスコア算出部３３１は、閲覧者の友人が発信した各コメントについてトレンドスコアを算出する。このとき、必ずしも閲覧者の友人の全コメントについてトレンドスコアを算出する必要はなく、直近の所定の期間内に発信された新しいコメントのみを対象にするようにしてもよい。

そして、トレンドスコア算出部３３１は、トレンドスコアの算出結果をトレンドコメントリスト生成部３３２に供給する。

なお、以上の説明では、日単位の時系列データに基づいてトレンドスコアを算出する例を示したが、例えば、週単位、時間単位、分単位等、時系列データを求める単位を変えることも可能である。

また、必ずしも、基準となる期間の移動偏差とその１つ前の期間の移動偏差との比率に基づいて、トレンドスコアを算出する必要はなく、例えば、基準となる期間の移動偏差とその２つ以上前の期間の移動偏差との比率に基づいて、トレンドスコアを算出するようにしてもよい。

さらに、例えば、好きスコアだけでなく、嫌いスコアの増加量も考慮して、トレンドスコアを算出するようにしてもよい。これにより、例えば、基準日ｎを昨日に設定した場合、ポジティブ又はネガティブに関わらず付与されたフィードバックの量が、一昨日までに比べて昨日急激に増加したコメントのトレンドスコアが大きくなる。従って、閲覧者の友人の間で好意的に捉えられているか否かに関わらず、注目度が上昇している旬の話題に関するコメントのトレンドスコアが大きくなる。

ステップＳ４２３において、トレンドコメントリスト生成部３３２は、トレンドスコアが上位のコメントを抽出し、トレンドコメントリストを生成する。例えば、トレンドコメントリスト生成部３３２は、閲覧者の友人のコメントの中から、トレンドスコアが大きい順に所定の数のコメントを抽出する。或いは、例えば、トレンドコメントリスト生成部３３２は、閲覧者の友人のコメントの中から、トレンドスコアが所定の閾値以上のコメントを抽出する。そして、トレンドコメントリスト生成部３３２は、抽出したコメント、及び、そのトレンドスコアを含むトレンドコメントリストを生成し、コメントリスト合成部３１２に供給する。

その後、トレンド解析処理は終了する。

図２８に戻り、ステップＳ４０４において、コメントリスト合成部３１２は、コメントリスト合成処理を実行する。ここで、図３０のフローチャートを参照して、コメントリスト合成処理の詳細について説明する。

ステップＳ４４１において、合成部３５３は、コメントリストの合成に用いる重みを取得する。すなわち、合成部３５３は、重みＤＢ３５２に格納されている重みのうち、閲覧者用の重みを取得する。

ステップＳ４４２において、合成部３５３は、取得した重みを用いてコメントリストを合成する。例えば、合成部３５３は、あるコメントの友人コメントリストにおける期待値をＥ、トレンドコメントリストにおけるトレンドスコアをＳとすると、次式（１０）により重み付け加算することにより、当該コメントに対する判定値Ｖを算出する。

Ｖ＝Ｗ１・Ｅ＋Ｗ２・Ｓ ・・・（１０）

ここで、Ｗ１は友人コメントリストに対する重み、W２はトレンドコメントリストに対する重みである。この重みＷ１，W２は、後述するようにユーザ毎に学習処理により求められる。

なお、期待値ＥとトレンドスコアＳは、重み付け加算する前に、ほぼ同等の値になるように正規化されることが望ましい。また、一方のコメントリストのみに含まれるコメントについては、例えば、当該コメントを含まないコメントリストに対する期待値Ｅ又はトレンドスコアＳは０に設定される。

そして、合成部３５３は、２種類のコメントリストのうち少なくとも１つに含まれる全てのコメントについて判定値Ｖを算出する。

次に、合成部３５３は、例えば、判定値Ｖが上位のものから順に所定の数のコメントを抽出する。或いは、合成部３５３は、例えば、判定値Ｖが所定の閾値以上のコメントを抽出する。そして、合成部３５３は、抽出したコメント、判定値Ｖ、及び、抽出したコメントが含まれていたコメントリストの種類を含む合成コメントリストを生成し、提示制御部４３及び重み学習部３５１に供給する。

その後、コメントリスト合成処理は終了する。

図２８に戻り、ステップＳ４０５において、提示制御部４３は、コメントの提示を制御する。具体的には、提示制御部４３は、合成コメントリストに含まれるコメントを提示するための提示制御データを生成する。そして、提示制御部４３は、通信部３１及びネットワーク１３を介して、生成した提示制御データを閲覧者のクライアント１２に送信する。

閲覧者のクライアント１２の出力制御部１０２は、通信部１０１を介して提示制御データを受信する。出力制御部１０２は、提示制御データに基づいて、例えば、合成コメントリストに含まれるコメントを最新のものから順に並べて出力部１０３に表示させる。

その後、コメント提示処理は終了する。

これにより、閲覧者等による評価が高い友人のコメントだけでなく、例えば、閲覧者の友人の間で注目度が上昇している旬の話題に関するコメントを閲覧者に提示することができる。従って、例えば、普段あまり提示されることがない友人のコメントが時折提示されることになり、友人関係構築の新たなきっかけを閲覧者に与えることができる。また、例えば、閲覧者としばらく疎遠になっている友人の間で注目されている話題を逃さずチェックすることが可能になる。

（コメントリスト合成重み学習処理）
次に、図３１のフローチャートを参照して、コメントリスト合成部３１２により実行されるコメントリスト合成重み学習処理について説明する。なお、この処理は、例えば、図２８のステップＳ４０５の処理により、閲覧者のクライアント１２において提示されたコメントに対してフィードバックが付与される毎に実行される。

ステップＳ４６１において、フィードバック収集部４１は、クライアント１２から送信されてきたフィードバックに関する情報を、通信部３１を介して受信する。フィードバック収集部４１は、受信したフィードバックに関する情報を重み学習部３５１に供給する。

ステップＳ４６２において、重み学習部３５１は、フィードバックの対象となるコメントを含むコメントリストの種類の集計結果を更新する。具体的には、重み学習部３５１は、ユーザがフィードバックを付与したコメント（フィードバックの対象となったコメント）が友人コメントリスト及びトレンドコメントリストのいずれに含まれていたかをユーザ毎に集計し、重みＤＢ３５２に記憶している。この集計結果は、例えば、ポジティブなフィードバックとネガティブなフィードバックに分けて集計される。

なお、この集計結果は、各ユーザのフィードバックの対象となったコメントが、友人コメントフィルタリング部４２又はトレンド解析部３１１のいずれにより抽出されたかの集計結果を間接的に表している。

そして、重み学習部３５１は、合成部３５３から供給される合成コメントリストに基づいて、今回の閲覧者によるフィードバックの対象となるコメントが含まれていたコメントリストの種類を特定し、閲覧者に対する上記の集計結果を更新する。

ステップＳ４６３において、重み学習部３５１は、集計結果に基づいて、閲覧者に対する重みを更新する。具体的には、重み学習部３５１は、更新した集計結果に基づいて、閲覧者に対して用いる、上述した式（１０）の重みＷ１、Ｗ２を更新する。重みＷ１、Ｗ２の値の設定方法は特に限定されるものではないが、例えば、閲覧者がポジティブなフィードバックを付与するコメントを含む確率が高いコメントリストに対する重みほど大きな値になるように設定される。

例えば、過去に閲覧者がポジティブなフィードバックを付与したコメントを含む確率が、友人コメントリスト＞トレンドコメントリストの関係にある場合、Ｗ１＞Ｗ２になるように設定される。

なお、ここで、閲覧者がネガティブなフィードバックを付与するコメントを含む確率についても考慮して、当該確率が高いコメントリストに対する重みほど大きな値になるように設定してもよい。

その後、コメントリスト合成重み学習処理は終了する。

これにより、閲覧者がポジティブなフィードバックを付与するコメントを含む確率が高いコメントリストから優先してコメントが抽出されることになる。その結果、閲覧者に対してより有益なコメントを提示することができるようになる。

＜４．第３の実施の形態＞
次に、図３２乃至図３８を参照して、本技術の第３の実施の形態について説明する。

［コメントフィルタリング機能の第３の実施の形態の概要］
まず、図３２を参照して、本技術の第３の実施の形態において実現されるコメントフィルタリング機能の概要について説明する。

このコメントフィルタリング機能では、友人コメントリストから閲覧者に推薦するコメントを抽出し、提示される。具体的には、閲覧者に推薦するコメントとして、１以上の特定のアイテムに関するコメントのみが抽出される。

ここで、特定のアイテムとは、一般的に人に推薦するのに適したアイテムであれば、特に種類は限定されるものではなく、例えば、各種のコンテンツ、商品、サービス、活動、場所、ウェブサイト、話題、記事、人、動植物、食べ物等が想定される。また、一般的なアイテムに関するコメントよりも、より具体的なアイテムに関するコメントが優先して抽出される。例えば、一般的な山に関するコメントよりも、より具体的な富士山に関するコメントの方が優先して抽出される。

また、１以上の特定のアイテムに関するコメントであるので、何らかの特定のアイテムに関するものであれば、そのアイテムの種類は問わない。さらに、アイテムの種類は１種類であってもよいし、２種類以上であってもよい。また、同種のアイテムを２以上含んでいてもよい。さらに、そのアイテムが閲覧者の嗜好に合うか否かも問わない。

［サーバ１１ｃの構成例］
図３３は、情報処理システム１のサーバ１１の第３の実施の形態であるサーバ１１ｃの機能の構成例を示すブロック図である。なお、図３３は、サーバ１１ｃの機能のうち、主にコメントの提示に関わる処理を行う部分の構成例を示している。また、図中、図３と対応する部分には同じ符号を付してあり、処理が同じ部分については、その説明は繰り返しになるため省略する。

サーバ１１ｃは、図３のサーバ１１ａと比較して、通信部３１及びコメント蓄積部３３を含む点で一致し、情報処理部３２の代わりに情報処理部４０１が設けられている点で相違する。また、情報処理部４０１は、情報処理部３２と比較して、フィードバック収集部４１、友人コメントフィルタリング部４２、提示制御部４３、及び、コメント収集部４４を含む点で一致し、推薦コメント抽出部４１１が追加されている点で相違する。

なお、友人コメントフィルタリング部４２には、図５の友人コメントフィルタリング部４２ａ又は図２０の友人コメントフィルタリング部４２ｂのいずれを採用することも可能である。

推薦コメント抽出部４１１は、友人コメントフィルタリング部４２から供給される友人コメントリストの中から、１以上の特定のアイテムに関するコメントを閲覧者に推薦するコメントとして抽出し、抽出したコメントを含む推薦コメントリストを生成する。そして、推薦コメント抽出部４１１は、生成した推薦コメントリストを提示制御部４３に供給する。

［推薦コメント抽出部４１１ａの構成例］
図３４は、推薦コメント抽出部４１１の第１の実施の形態である推薦コメント抽出部４１１ａの機能の構成例を示すブロック図である。推薦コメント抽出部４１１ａは、判別素性ＤＢ（データベース）４３１、判別部４３２、及び、推薦コメントリスト生成部４３３を含むように構成される。

判別素性ＤＢ４３１は、コメントに含まれる各語句が、１以上の特定のアイテムに関するものであるか否かを判別するために用いられるデータベースである。判別素性ＤＢ４３１には、図３５に示されるように、コメントに含まれると想定される語句が登録されており、各語句に対して、特定アイテムフラグ及びスコアが設定されている。そして、特定アイテムフラグとフラグの組み合わせにより、各語句が特定のアイテムに関連する可能性が示される。

具体的には、特定アイテムフラグの値がTrueである場合、スコアが高くなるほど、対応する語句が特定のアイテムに関連する可能性が高く、スコアが低くなるほど、対応する語句が特定のアイテムに関連する可能性が低いことになる。一方、特定アイテムフラグの値がFalseである場合、スコアが高くなるほど、対応する語句が特定のアイテムに関連しない可能性が高く、スコアが低くなるほど、対応する語句が一般的なアイテムに関連しない可能性が低いことになる。なお、一般的に、固有名詞は、特定アイテムフラグの値がTrueで、スコアが高くなると想定される。

なお、ソーシャルサービスで複数の言語が使用される場合、各言語に対応できるように、各言語の判別素性ＤＢを設けるようにすることが望ましい。

判別部４３２は、判別素性ＤＢ４３１を用いて、友人コメントフィルタリング部４２から供給される友人コメントリスト内の各コメントが、１以上の特定のアイテムに関するものであるか否かを判別する。判別部４３２は、判別結果を友人コメントリストとともに推薦コメントリスト生成部４３３に供給する。

推薦コメントリスト生成部４３３は、判別部４３２による判別結果に基づいて、友人コメントリストから１以上の特定のアイテムに関するコメントを閲覧者に推薦するコメント（以下、推薦コメントと称する）として抽出する。推薦コメントリスト生成部４３３は、抽出した推薦コメントを含む推薦コメントリストを生成し、提示制御部４３に供給する。

［サーバ１１ｃの処理］
次に、サーバ１１ｃの処理について説明する。

サーバ１１ｃでは、クライアント１２からフィードバックを受信した場合、サーバ１１ａと同様に、図９、図１６又は図１８を参照して上述した処理のうち少なくとも１つが実行される。なお、どの処理が実行されるかは、サーバ１１ｄが備える友人フィルタリング部７１の種類により異なる。

また、サーバ１１ｃが２種類以上の友人フィルタリング部７１を備える場合、クライアント１２からフィードバックを受信したとき、図２３を参照して上述した友人リスト合成重み学習処理が実行される。

（コメント提示処理）
次に、図３６のフローチャートを参照して、サーバ１１ｃにより実行されるコメント提示処理について説明する。なお、この処理は、例えば、ソーシャルサービスの任意のユーザ（閲覧者）が、クライアント１２において友人のコメントを表示するような操作を行い、その結果、コメントの提示の要求が当該クライアント１２からネットワーク１３を介してサーバ１１ｃに送信されてきたとき開始される。

ステップＳ５０１において、友人コメントフィルタリング部４２は、クライアント１２から送信されてきたコメントの提示の要求を、通信部３１を介して受信する。

ステップＳ５０２において、図１２又は図２２を参照して上述した友人コメントフィルタリング処理が実行される。これにより、友人コメントフィルタリング部４２により友人コメントリストが生成され、推薦コメント抽出部４１１ａの判別部４３２に供給される。

ステップＳ５０３において、推薦コメント抽出部４１１ａは、推薦コメント抽出処理を実行する。ここで、図３７のフローチャートを参照して、推薦コメント抽出処理の詳細について説明する。

ステップＳ５２１において、判別部４３２は、取得したコメントリスト内の各コメントが、１以上の特定のアイテムに関するものか否か判別する。具体的には、判別部４３２は、友人コメントリスト内のコメントのうちの１つを対象に、形態素解析等の方法を用いて当該コメントを語句レベルに分解する。そして、判別部４３２は、判別素性ＤＢ４３１を用いて、当該コメントに含まれる各語句の特定アイテムフラグの値がTrue又はFalseのいずれであるかを判別するとともに、各語句のスコアを求める。さらに、判別部４３２は、当該コメントに含まれる各語句のスコアを、特定アイテムフラグの値がTrueの語句とFalseの語句とに分けて集計する。

そして、判別部４３２は、特定アイテムフラグの値がTrueの語句のスコアの合計が、特定アイテムフラグの値がFalseの語句のスコアの合計より大きい場合、当該コメントが１以上の特定のアイテムに関するものであると判別する。一方、判別部４３２は、特定アイテムフラグの値がTrueの語句のスコアの合計が、特定アイテムフラグの値がFalseの語句のスコアの合計以下である場合、当該コメントが１以上の特定のアイテムに関するものでないと判別する。

判別部４３２は、この判別処理を友人コメントリスト内の全てのコメントについて実行する。そして、判別部４３２は、判別結果を友人コメントリストとともに推薦コメントリスト生成部４３３に供給する。

ステップＳ５２２において、推薦コメントリスト生成部４３３は、１以上の特定のアイテムに関するコメントの中から上位のコメントを抽出し、推薦コメントリストを生成する。具体的には、推薦コメントリスト生成部４３３は、友人コメントリストから１以上の特定のアイテムに関するコメントであると判別されたコメントを抽出する。

また、推薦コメントリスト生成部４３３は、例えば、抽出したコメントの中から、期待値の大きい順に所定の数のコメントを推薦コメントとして抽出する。或いは、推薦コメントリスト生成部４３３は、例えば、抽出したコメントの中から、期待値が所定の閾値以上のコメントを推薦コメントとして抽出する。そして、推薦コメントリスト生成部４３３は、抽出した推薦コメントを含む推薦コメントリストを生成し、提示制御部４３に供給する。

その後、推薦コメント抽出処理は終了する。

図３６に戻り、ステップＳ５０４において、提示制御部４３は、コメントの提示を制御する。具体的には、提示制御部４３は、推薦コメントリストに含まれるコメントを提示するための提示制御データを生成する。そして、提示制御部４３は、通信部３１及びネットワーク１３を介して、生成した提示制御データを閲覧者のクライアント１２に送信する。

閲覧者のクライアント１２の出力制御部１０２は、通信部１０１を介して提示制御データを受信する。出力制御部１０２は、提示制御データに基づいて、例えば、推薦コメントリストに含まれるコメントを最新のものから順に並べて出力部１０３に表示させる。

その後、コメント提示処理は終了する。

これにより、閲覧者にとって有益である可能性が高く、かつ、１以上の特定のアイテムに関するコメントが優先して閲覧者に提示される。そして、提示されたコメントを介して、そのコメント内で触れられているアイテムを閲覧者に推薦することができる。従って、例えば、ソーシャルサービス上で、種々のアイテムを効率良く各ユーザに推薦し、アイテムの購入等の具体的な行動をユーザに促すことができる。

［推薦コメント抽出部の変形例］
図３８は、サーバ１１ｃの推薦コメント抽出部４１１の変形例である推薦コメント抽出部４１１ｂの機能の構成例を示すブロック図である。なお、図中、図３４と対応する部分には、同じ符号を付してあり、処理が同じ部分については、その説明は繰り返しなるため省略する。

推薦コメント抽出部４１１ｂは、図３４の推薦コメント抽出部４１１ａと比較して、推薦コメントリスト生成部４３３が設けられている点で共通し、判別素性ＤＢ４３１及び判別部４３２の代わりに、素性ベクトル生成部４５１、学習部４５２、及び、判別部４５３が設けられている点で相違する。

素性ベクトル生成部４５１は、所定の方法により、外部から与えられる教師データに含まれるコメントをベクトル化した素性ベクトルを生成する。なお、教師データは、課題データとしてのコメント、及び、当該コメントが１以上の特定のアイテムに関するものであるか否かを示す正解データを含む。

素性ベクトルの生成方法は特定の方法に限定されるものではないが、例えば、素性ベクトル生成部４５１は、形態素解析によりコメントを単語単位に分割し、各単語の特徴量等に基づいて、当該コメントに対応する素性ベクトルを生成する。素性ベクトル生成部４５１は、生成した素性ベクトルを学習部４５２に供給する。

また、素性ベクトル生成部４５１は、同様の方法により、友人コメントフィルタリング部４２から供給される友人コメントリスト内の各コメントについて素性ベクトルを生成する。素性ベクトル生成部４５１は、生成した素性ベクトルを友人コメントリストとともに判別部４５３に供給する。

学習部４５２は、コメントが１以上の特定のアイテムに関するものであるか否かを判別するための判別モデルの学習を行う。具体的には、学習部４５２は、素性ベクトル生成部４５１から供給される素性ベクトル、及び、外部から与えられる学習データに含まれる正解データに基づいて、所定の学習モデルを用いて、当該判別モデルを構築する。なお、学習部４５２には、SVM（Support Vector Machine）等、任意の学習モデルを適用することができる。学習部４５２は、構築した判別モデルを判別部４５３に供給する。

判別部４５３は、判別モデルを用いて、友人コメントリスト内の各コメントが１以上の特定のアイテムに関するものか否かを判別する。判別部４５３は、判別結果を友人コメントリストとともに推薦コメントリスト生成部４３３に供給する。

（推薦コメント抽出処理）
次に、図３９のフローチャートを参照して、推薦コメント抽出部４１１ｂを採用した場合に図３６のステップＳ５０３において実行される推薦コメント抽出処理の詳細について説明する。

ステップＳ５４１において、素性ベクトル生成部４５１は、取得したコメントリスト内の各コメントの素性ベクトルを生成する。素性ベクトル生成部４５１は、生成した素性ベクトルを友人コメントリストとともに判別部４５３に供給する。

ステップＳ５４２において、判別部４５３は、学習部４５２により構築された判別モデルを用いて、取得したコメントリスト内の各コメントの素性ベクトルに基づいて、各コメントが１以上の特定のアイテムに関するものか否かを判別する。そして、判別部４３２は、判別結果を友人コメントリストとともに推薦コメントリスト生成部４３３に供給する。

ステップＳ５４３において、図３７のステップＳ５２２の処理と同様の処理が行われる。これにより、推薦コメントリスト生成部４３３により推薦コメントリストが生成され、提示制御部４３に供給される。

その後、推薦コメント抽出処理は終了する。

このように学習処理を行うことにより、より正確に１以上の特定のアイテムに関するコメントを抽出し、閲覧者に提示することが可能になる。

＜５．第４の実施の形態＞
次に、図４０乃至図４２を参照して、本技術の第４の実施の形態について説明する。

［コメントフィルタリング機能の第４の実施の形態の概要］
まず、図４０を参照して、本技術の第４の実施の形態において実現されるコメントフィルタリング機能の概要について説明する。

このコメントフィルタリング機能は、上述した第２の実施の形態と第３の実施の形態を組み合わせたものである。すなわち、友人コメントリストとトレンドコメントリストを合成することにより合成コメントリストが生成され、合成コメントリストから１以上の特定のアイテムに関するコメントが抽出され、閲覧者に提示される。

［サーバ１１ｄの構成例］
図４１は、情報処理システム１のサーバ１１の第４の実施の形態であるサーバ１１ｄの機能の構成例を示すブロック図である。なお、図４１は、サーバ１１ｄの機能のうち、主にコメントの提示に関わる処理を行う部分の構成例を示している。また、図中、図２５及び図３３と対応する部分には同じ符号を付してあり、処理が同じ部分については、その説明は繰り返しになるため省略する。

サーバ１１ｄは、図２５のサーバ１１ｂと比較して、通信部３１及びコメント蓄積部３３を含む点で一致し、情報処理部３０１の代わりに情報処理部５０１が設けられている点で相違する。また、情報処理部５０１は、情報処理部３０１と比較して、フィードバック収集部４１、友人コメントフィルタリング部４２、提示制御部４３、コメント収集部４４、トレンド解析部３１１、及び、コメントリスト合成部３１２を含む点で一致し、推薦コメント抽出部４１１が追加されている点で相違する。

なお、友人コメントフィルタリング部４２には、図５の友人コメントフィルタリング部４２ａ又は図２０の友人コメントフィルタリング部４２ｂのいずれを採用することも可能である。また、推薦コメント抽出部４１１には、図３４の推薦コメント抽出部４１１ａ又は図３８の推薦コメント抽出部４１１ｂのいずれを採用することも可能である。

推薦コメント抽出部４１１は、コメントリスト合成部３１２から供給される合成コメントリストの中から、１以上の特定のアイテムに関するコメントを推薦コメントとして抽出する。推薦コメント抽出部４１１は、抽出した推薦コメントを含む推薦コメントリストを生成し、提示制御部４３に供給する。

［サーバ１１ｄの処理］
次に、サーバ１１ｄの処理について説明する。

サーバ１１ｄでは、クライアント１２からフィードバックを受信した場合、サーバ１１ａと同様に、図９、図１６又は図１８を参照して上述した処理のうち少なくとも１つが実行される。なお、どの処理が実行されるかは、サーバ１１ｄが備える友人フィルタリング部７１の種類により異なる。

また、サーバ１１ｄが２種類以上の友人フィルタリング部７１を備える場合、クライアント１２からフィードバックを受信したとき、図２３を参照して上述した友人リスト合成重み学習処理が実行される。

さらに、クライアント１２からフィードバックを受信した場合、図３１を参照して上述したコメントリスト合成重み学習処理が実行される。

（コメント提示処理）
次に、図４２のフローチャートを参照して、サーバ１１ｄにより実行されるコメント提示処理について説明する。なお、この処理は、例えば、ソーシャルサービスの任意のユーザ（閲覧者）が、クライアント１２において友人のコメントを表示するような操作を行い、その結果、コメントの提示の要求が当該クライアント１２からネットワーク１３を介してサーバ１１ｂに送信されてきたとき開始される。

ステップＳ６０１において、友人コメントフィルタリング部４２及びトレンド解析部３１１は、クライアント１２から送信されてきたコメントの提示の要求を、通信部３１を介して受信する。

ステップＳ６０２において、図１２又は図２２を参照して上述した友人コメントフィルタリング処理が実行される。これにより、友人コメントフィルタリング部４２により友人コメントリストが生成され、コメントリスト合成部３１２に供給される。

ステップＳ６０３において、図２９を参照して上述したトレンド解析処理が実行される。これにより、トレンド解析部３１１によりトレンドコメントリストが生成され、コメントリスト合成部３１２に供給される。

ステップＳ６０４において、図３０を参照して上述したコメントリスト合成処理が実行される。これにより、コメントリスト合成部３１２により友人コメントリストとトレンドコメントリストが合成され、その結果得られた合成コメントリストが推薦コメント抽出部４１１に供給される。

ステップＳ６０５において、図３７又は図３９を参照して上述した推薦コメント抽出処理が実行される。これにより、推薦コメント抽出部４１１は、合成コメントリストの中から、１以上の特定のアイテムに関するコメントを推薦コメントとして抽出する。そして、推薦コメント抽出部４１１は、抽出した推薦コメントを含む推薦コメントリストを生成し、提示制御部４３に供給する。

ステップＳ６０６において、提示制御部４３は、コメントの提示を制御する。具体的には、提示制御部４３は、推薦コメントリストに含まれるコメントを提示するための提示制御データを生成する。そして、提示制御部４３は、通信部３１及びネットワーク１３を介して、生成した提示制御データを閲覧者のクライアント１２に送信する。

閲覧者のクライアント１２の出力制御部１０２は、通信部１０１を介して提示制御データを受信する。出力制御部１０２は、提示制御データに基づいて、例えば、推薦コメントリストに含まれるコメントを最新のものから順に並べて出力部１０３に表示させる。

その後、コメント提示制御処理は終了する。

これにより、例えば、閲覧者等による評価が高い友人のコメント及び閲覧者の友人の間で注目度が上昇している旬の話題に関するコメントの中から、１以上の特定のアイテムに関するコメントが優先して閲覧者に提示される。従って、例えば、ソーシャルサービス上で、種々のアイテムをより効率的に各ユーザに推薦し、アイテムの購入等の具体的な行動をユーザに促すことができる。

＜６．変形例＞
以下、上述した本技術の実施の形態の変形例について説明する。

［変形例１：各実施の形態の組み合わせの例］
以上に述べたように、大きく分けて７通りの友人コメントフィルタリング処理があり、それぞれについて、トレンド分析処理、及び、推薦コメント抽出処理を個別に適用することが可能である。従って、細かな変形例を除けば、大きく分けて７×２×２の合計２８通りの組み合わせが考えられる。

［変形例２：リンクユーザの変形例］
以上の説明では、閲覧者の友人、すなわち、閲覧者と双方向にリンクするユーザのコメントを提示する例を示したが、例えば、閲覧者と一方向にリンクするユーザのコメントを提示する場合にも本技術を適用することができる。

例えば、閲覧者がコメントを閲覧するように設定している一方、その相手が閲覧者のコメントを閲覧するように設定していない他のユーザのコメントを閲覧者に提示する場合にも本技術を提示することができる。この場合、閲覧者が、いわゆるフォロワー（follower）となり、他のユーザが、いわゆるフォロイー（followee）となる。

［変形例３：友人リストの変形例］
以上の説明では、ソーシャルサービスのユーザ全体を対象にして友人リスト（全体）を生成する例を示したが、必ずしもサービスのユーザ全体でなく、一部の所定の範囲内のユーザを対象にして生成するようにしてもよい。例えば、閲覧者と１以上の共通点（例えば、年齢層、性別、居住地、職業、趣味等）を有するユーザを対象にして、友人リスト（全体）を生成することが考えられる。

なお、上記の所定の範囲内のユーザに、閲覧者及び閲覧者の友人を全て含むように設定するのが望ましいが、必須条件ではなく、その一部のみを含むようにしたり、含めないようにしたりすることも可能である。

また、友人リスト（友人）の対象となるユーザに、閲覧者自身を含めないようにすることも可能である。すなわち、閲覧者を除く閲覧者の友人からのフィードバックのみに基づいて、友人リスト（友人）を生成するようにすることも可能である。

［変形例４：トレンドコメントリストの変形例］
以上の説明では、閲覧者の友人が発信したコメントを対象にしてトレンドコメントリストを生成する例を示したが、例えば、全ユーザのコメント、又は、所定の範囲内のユーザのコメントを対象にして生成するようにしてもよい。例えば、全ユーザのコメントを対象にしてトレンドコメントリストを生成するようにした場合、ソーシャルサービス全体で注目度が上昇している旬の話題に関するコメントを優先して閲覧者に提示することができる。

［変形例５：友人リスト及びコメントリストの合成用の重みの変形例］
以上の説明では、友人リストの合成用の重み（α、β、γ）及びコメントリスト合成用の重み（Ｗ１、W２）をユーザ毎に学習し、ユーザ毎に異なる重みを用いる例を示したが、ユーザ全体或いは所定の範囲内のユーザ毎に学習し、複数のユーザ間で共通の重みを用いるようにしてもよい。

また、学習前の重みの初期値を、例えば、全ユーザ共通に設定したり、ユーザの特徴に基づいて異なる値に設定したり、各ユーザが設定できるようにしてもよい。

さらに、重みをユーザが設定できるようにしたり、学習処理を行わずに重みを固定値にしたりするようにしてもよい。

［変形例６：提示する情報の変形例］
以上の説明では、本技術を、他のユーザから発信されたコメントを提示する場合に適用する例を示したが、他のユーザから発信された他の種類の情報を提示する場合にも適用することができる。例えば、コメント以外のテキストデータ、画像、音声、位置情報、ユーザのアクティビティに関する情報等が考えられる。

なお、情報の種類によっては、１以上の特定のアイテムに関するものか否かの判別が困難なものも想定されるが、そのような情報を提示する場合には、上述した推薦コメント抽出処理を適用しないようにすることが望ましい。

［コンピュータの構成例］
上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、コンピュータにインストールされる。ここで、コンピュータには、専用のハードウエアに組み込まれているコンピュータや、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が含まれる。

図４３は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。

コンピュータにおいて、CPU（Central Processing Unit）６０１，ROM（Read Only Memory）６０２，RAM（Random Access Memory）６０３は、バス６０４により相互に接続されている。

バス６０４には、さらに、入出力インタフェース６０５が接続されている。入出力インタフェース６０５には、入力部６０６、出力部６０７、記憶部６０８、通信部６０９、及びドライブ６１０が接続されている。

入力部６０６は、キーボード、マウス、マイクロフォンなどよりなる。出力部６０７は、ディスプレイ、スピーカなどよりなる。記憶部６０８は、ハードディスクや不揮発性のメモリなどよりなる。通信部６０９は、ネットワークインタフェースなどよりなる。ドライブ６１０は、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリなどのリムーバブルメディア６１１を駆動する。

以上のように構成されるコンピュータでは、CPU６０１が、例えば、記憶部６０８に記憶されているプログラムを、入出力インタフェース６０５及びバス６０４を介して、RAM６０３にロードして実行することにより、上述した一連の処理が行われる。

コンピュータ（CPU６０１）が実行するプログラムは、例えば、パッケージメディア等としてのリムーバブルメディア６１１に記録して提供することができる。また、プログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供することができる。

コンピュータでは、プログラムは、リムーバブルメディア６１１をドライブ６１０に装着することにより、入出力インタフェース６０５を介して、記憶部６０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部６０９で受信し、記憶部６０８にインストールすることができる。その他、プログラムは、ROM６０２や記憶部６０８に、あらかじめインストールしておくことができる。

なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。

また、本明細書において、システムとは、複数の構成要素（装置、モジュール（部品）等）の集合を意味し、すべての構成要素が同一筐体中にあるか否かは問わない。したがって、別個の筐体に収納され、ネットワークを介して接続されている複数の装置、及び、１つの筐体の中に複数のモジュールが収納されている１つの装置は、いずれも、システムである。

さらに、本技術の実施の形態は、上述した実施の形態に限定されるものではなく、本技術の要旨を逸脱しない範囲において種々の変更が可能である。

例えば、本技術は、１つの機能をネットワークを介して複数の装置で分担、共同して処理するクラウドコンピューティングの構成をとることができる。

また、上述のフローチャートで説明した各ステップは、１つの装置で実行する他、複数の装置で分担して実行することができる。

さらに、１つのステップに複数の処理が含まれる場合には、その１つのステップに含まれる複数の処理は、１つの装置で実行する他、複数の装置で分担して実行することができる。

また、例えば、本技術は以下のような構成も取ることができる。

（１）
他のユーザが発信した情報を閲覧することが可能なサービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する第１の評価、前記第１のユーザ及び前記第２のユーザの範囲内での各前記第２のユーザに対する第２の評価、並びに、前記サービスの所定のユーザの範囲内での各前記第２のユーザに対する第３の評価のうち少なくとも１つに基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザを抽出するユーザ抽出部と、
前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報を抽出する第１の情報抽出部と、
前記第１のユーザへの情報の提示を制御する提示制御部と
を備える情報処理装置。
（２）
前記第２のユーザから発信された情報の中から評価が大きく変化している情報を抽出する第２の情報抽出部と、
前記第１の情報抽出部及び前記第２の情報抽出部により抽出された情報の中から前記第１のユーザに提示する情報を抽出する第３の情報抽出部と
をさらに備える前記（１）に記載の情報処理装置。
（３）
前記第３の情報抽出部により抽出された情報の中から前記第１のユーザに推薦する情報を前記ユーザに提示する情報として抽出する第４の情報抽出部を
さらに備える前記（２）に記載の情報処理装置。
（４）
前記第４の情報抽出部は、１以上の特定のアイテムに関する情報を前記第１のユーザに推薦する情報として抽出する
前記（３）に記載の情報処理装置。
（５）
前記第２の情報抽出部は、直近の期間の評価の移動偏差とそれより前の期間の評価の移動偏差との比率に基づいて、評価が大きく変化している情報を抽出する
前記（２）乃至（４）のいずれかに記載の情報処理装置。
（６）
前記第３の情報抽出部は、前記第１の情報抽出部又は前記第２の情報抽出部のいずれにより抽出されたかにより重みを付けて前記第１のユーザに提示する情報を抽出する
前記（２）乃至（５）のいずれかに記載の情報処理装置。
（７）
前記第１のユーザに提示され、かつ、前記第１のユーザが評価を付与した情報が前記第１の情報抽出部又は前記第２の情報抽出部のいずれにより抽出されたかに基づいて、前記重みの学習を行う学習部を
さらに備える前記（６）に記載の情報処理装置。
（８）
前記第１の情報抽出部により抽出された情報の中から前記第１のユーザに推薦する情報を前記ユーザに提示する情報として抽出する第２の情報抽出部を
さらに備える前記（２）に記載の情報処理装置。
（９）
前記第２の情報抽出部は、１以上の特定のアイテムに関する情報を前記第１のユーザに推薦する情報として抽出する
前記（８）に記載の情報処理装置。
（１０）
前記ユーザ抽出部は、前記第１の評価乃至前記第３の評価のうち少なくとも１つに基づいて、各前記第２のユーザが発信するコメントに対してポジティブな評価を前記第１のユーザが付与する期待値を算出し、前記期待値に基づいて前記提示対象ユーザを抽出する
前記（１）乃至（９）のいずれかに記載の情報処理装置。
（１１）
前記ユーザ抽出部は、評価が付与された時期に応じて重みをつけて前記期待値を算出する
前記（１０）に記載の情報処理装置。
（１２）
前記ユーザ抽出部は、前記第１乃至第３の評価のうち少なくとも２つの評価を重みを付けて用いることにより、前記提示対象ユーザを抽出する
前記（１）乃至（１１）のいずれかに記載の情報処理装置。
（１３）
前記第１のユーザに提示され、かつ、前記第１のユーザが評価を付与した情報を発信した前記提示対象ユーザの抽出に用いられた評価の種類に基づいて、前記重みの学習を行う学習部を
さらに備える前記（１２）に記載の情報処理装置。
（１４）
他のユーザが発信した情報を閲覧することが可能なサービスを提供する情報処理装置が、
前記サービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する第１の評価、前記第１のユーザ及び前記第２のユーザの範囲内での各前記第２のユーザに対する第２の評価、並びに、前記サービスの所定のユーザの範囲内での各前記第２のユーザに対する第３の評価のうち少なくとも１つに基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザを抽出するユーザ抽出ステップと、
前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報を抽出する情報抽出ステップと、
前記第１のユーザへの情報の提示を制御する提示制御ステップと
を含む情報処理方法。
（１５）
他のユーザが発信した情報を閲覧することが可能なサービスを提供するサーバと、
前記サービスの提供を受けるクライアントと
を含み、
前記サーバは、
前記サービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する第１の評価、前記第１のユーザ及び前記第２のユーザの範囲内での各前記第２のユーザに対する第２の評価、並びに、前記サービスの所定のユーザの範囲内での各前記第２のユーザに対する第３の評価のうち少なくとも１つに基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザを抽出するユーザ抽出部と、
前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報を抽出する情報抽出部と、
前記第１のユーザへの情報の提示を制御する提示制御部と
を備える情報処理システム。
（１６）
他のユーザが発信した情報を閲覧することが可能なサービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する評価に基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザを抽出するユーザ抽出部と、
前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報を抽出する情報抽出部と、
前記第１のユーザへの情報の提示を制御する提示制御部と
を備える情報処理装置。

１ 情報処理システム， １１，１１ａ乃至１１ｄ サーバ， １２−１乃至１２−ｍ クライアント， ３２ 情報処理部， ４１ フィードバック収集部， ４２，４２ａ，４２ｂ 友人コメントフィルタリング部， ４３ 提示制御部， ４４ コメント収集部， ５１−１乃至５１−ｎ 友人コメントＤＢ， ７１，７１ａ乃至７１ｃ 友人フィルタリング部， ７２ 友人コメントリスト生成部， ８１ フィードバックＤＢ， ８２ 友人ＤＢ生成部， ８３ 友人情報蓄積部， ８４ 友人リスト生成部， １０２ 出力制御部， １０３ 出力部， １０４ 入力部， ２０１ 友人リスト合成部， ２０２ 友人コメントリスト生成部， ２２１ 重み学習部， ２２３ 合成部， ３０１ 情報処理部， ３１１ トレンド解析部， ３１２ コメントリスト合成部， ３３１ トレンドスコア算出部， ３３２ トレンドコメントリスト生成部， ３５１ 重み学習部， ３５３ 合成部， ４０１ 情報処理部， ４１１，４１１ａ，４１１ｂ 推薦コメント抽出部， ４３２ 判別部， ４３３ 推薦コメントリスト生成部， ４５１ 素性ベクトル生成部， ４５２ 学習部， ４５３ 判別部， ５０１ 情報処理部

Claims (16)

1. 他のユーザが発信した情報を閲覧することが可能なサービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する第１の評価、前記第１のユーザ及び前記第２のユーザの範囲内での各前記第２のユーザに対する第２の評価、及び、前記サービスの所定のユーザの範囲内での各前記第２のユーザに対する第３の評価のうち少なくとも１つに基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザを抽出するユーザ抽出部と、
   前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報を抽出する第１の情報抽出部と、
   前記第１のユーザへの情報の提示を制御する提示制御部と
   を備える情報処理装置。
2. 前記第２のユーザから発信された情報の中から評価が大きく変化している情報を抽出する第２の情報抽出部と、
   前記第１の情報抽出部及び前記第２の情報抽出部により抽出された情報の中から前記第１のユーザに提示する情報を抽出する第３の情報抽出部と
   をさらに備える請求項１に記載の情報処理装置。
3. 前記第３の情報抽出部により抽出された情報の中から前記第１のユーザに推薦する情報を前記ユーザに提示する情報として抽出する第４の情報抽出部を
   さらに備える請求項２に記載の情報処理装置。
4. 前記第４の情報抽出部は、１以上の特定のアイテムに関する情報を前記第１のユーザに推薦する情報として抽出する
   請求項３に記載の情報処理装置。
5. 前記第２の情報抽出部は、直近の期間の評価の移動偏差とそれより前の期間の評価の移動偏差との比率に基づいて、評価が大きく変化している情報を抽出する
   請求項２に記載の情報処理装置。
6. 前記第３の情報抽出部は、前記第１の情報抽出部又は前記第２の情報抽出部のいずれにより抽出されたかにより重みを付けて前記第１のユーザに提示する情報を抽出する
   請求項２に記載の情報処理装置。
7. 前記第１のユーザに提示され、かつ、前記第１のユーザが評価を付与した情報が前記第１の情報抽出部又は前記第２の情報抽出部のいずれにより抽出されたかに基づいて、前記重みの学習を行う学習部を
   さらに備える請求項６に記載の情報処理装置。
8. 前記第１の情報抽出部により抽出された情報の中から前記第１のユーザに推薦する情報を前記ユーザに提示する情報として抽出する第２の情報抽出部を
   さらに備える請求項２に記載の情報処理装置。
9. 前記第２の情報抽出部は、１以上の特定のアイテムに関する情報を前記第１のユーザに推薦する情報として抽出する
   請求項８に記載の情報処理装置。
10. 前記ユーザ抽出部は、前記第１の評価乃至前記第３の評価のうち少なくとも１つに基づいて、各前記第２のユーザが発信するコメントに対してポジティブな評価を前記第１のユーザが付与する期待値を算出し、前記期待値に基づいて前記提示対象ユーザを抽出する
    請求項１に記載の情報処理装置。
11. 前記ユーザ抽出部は、評価が付与された時期に応じて重みをつけて前記期待値を算出する
    請求項１０に記載の情報処理装置。
12. 前記ユーザ抽出部は、前記第１乃至第３の評価のうち少なくとも２つの評価を重みを付けて用いることにより、前記提示対象ユーザを抽出する
    請求項１に記載の情報処理装置。
13. 前記第１のユーザに提示され、かつ、前記第１のユーザが評価を付与した情報を発信した前記提示対象ユーザの抽出に用いられた評価の種類に基づいて、前記重みの学習を行う学習部を
    さらに備える請求項１２に記載の情報処理装置。
14. 他のユーザが発信した情報を閲覧することが可能なサービスを提供する情報処理装置が、
    前記サービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する第１の評価、前記第１のユーザ及び前記第２のユーザの範囲内での各前記第２のユーザに対する第２の評価、並びに、前記サービスの所定のユーザの範囲内での各前記第２のユーザに対する第３の評価のうち少なくとも１つに基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザを抽出するユーザ抽出ステップと、
    前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報を抽出する情報抽出ステップと、
    前記第１のユーザへの情報の提示を制御する提示制御ステップと
    を含む情報処理方法。
15. 他のユーザが発信した情報を閲覧することが可能なサービスを提供するサーバと、
    前記サービスの提供を受けるクライアントと
    を含み、
    前記サーバは、
    前記サービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する第１の評価、前記第１のユーザ及び前記第２のユーザの範囲内での各前記第２のユーザに対する第２の評価、並びに、前記サービスの所定のユーザの範囲内での各前記第２のユーザに対する第３の評価のうち少なくとも１つに基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザを抽出するユーザ抽出部と、
    前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報を抽出する情報抽出部と、
    前記第１のユーザへの情報の提示を制御する提示制御部と
    を備える情報処理システム。
16. 他のユーザが発信した情報を閲覧することが可能なサービスにおいて第１のユーザが情報を閲覧するように設定している第２のユーザの中から、前記第１のユーザによる各前記第２のユーザに対する評価に基づいて、前記第２のユーザの中から前記第１のユーザに情報を提示する対象となる提示対象ユーザを抽出するユーザ抽出部と、
    前記提示対象ユーザから発信された情報の中から、前記第１のユーザに提示する情報を抽出する情報抽出部と、
    前記第１のユーザへの情報の提示を制御する提示制御部と
    を備える情報処理装置。

Images