CN101256586A - 信息处理装置、信息处理方法和程序 - Google Patents

Abstract

本发明公开了一种信息处理装置和方法。该信息处理装置包括：创建部分，其被配置用于通过学习创建搜索轴，所述搜索轴充当用于呈现内容的参考，并且是根据所述内容的特征量和用户再现所述内容的历史或所述用户对所述内容的评价来确定的；以及显示控制部分，其被配置用于参考已经创建的所述搜索轴来控制所述内容的呈现显示。

Description

信息处理装置、信息处理方法和程序

技术领域

本发明涉及信息处理装置、信息处理方法和程序。更具体而言，本发明涉及用于呈现内容的信息处理装置、信息处理方法和程序。

背景技术

已经实现向诸如歌曲和运动图像之类的内容提供指示用户对内容的评价的元数据。

用户能够通过向这些内容提供致使他或她的偏好的元数据来容易地知道内容是否符合他或她的口味。

某些记录和再现装置已被设计为通过参考以数字形式代表从感兴趣的内容获得的印象的变量数据来响应于用户操作向用户提供所需信息。一种这样的装置在日本专利早期公开No.2000-207415中被示例性地公开。

发明内容

但是，用户无法知道给定内容是否符合他或她的品味，除非并且直到该内容被提供以指示用户偏好的元数据。

为了针对用户拥有的所有内容识别用户的喜好，用户必须预先向内容提供代表她或他的偏好的元数据。

如果用户拥有多种内容，向所有内容提供偏好元数据量将是一项艰难的任务。

本发明是鉴于以上情形作出的，并且提供了例如以可视显示方式比以前更容易地向用户提供合乎他或她品味的内容的布置。

在执行本发明时并且根据本发明的实施例，提供了一种信息处理装置，包括：创建部分；和显示控制部分。所述创建部分被配置用于通过学习创建搜索轴，所述搜索轴充当用于呈现内容的参考，并且是根据所述内容的特征量和用户再现所述内容的历史或所述用户对所述内容的评价来确定的。所述显示控制部分被配置用于参考已经创建的所述搜索轴来控制所述内容的呈现显示。

优选地，根据本实施例的信息处理装置还可以包括计算部分，其被配置用于计算所述内容在所述已经创建的搜索轴上的值。

优选地，所述计算部分可以基于所述内容的特征量来计算搜索轴值。

优选地，所述计算部分可以计算所述内容在已经创建的多个搜索轴上的值。

优选地，所述创建部分可以通过如下方式创建所述搜索轴：基于所述内容的所述特征量和基于所述用户再现所述内容的历史或所述用户对所述内容的评价，通过学习获得回归方程式，所述回归方程式用于计算所述内容在所述搜索轴上的值。

优选地，所述创建部分可以通过如下方式创建所述搜索轴：基于所述内容的所述特征量和基于所述用户再现所述内容的历史或所述用户对所述内容的评价，通过学习获得判别式(discriminant)，所述判别式用于计算所述内容在所述搜索轴上的值。

优选地，所述显示控制部分可以在反映所述内容在搜索轴上的值的位置上显示指示所述内容的图像，其中所述搜索轴限定了覆盖所述位置的空间。

优选地，根据本实施例的信息处理装置还可以包括选择部分，其被配置用于从显示出在所述搜索轴上的值的所述内容中选择落在所述搜索轴的预定范围内的那些内容。

根据本发明另一实施例，提供了一种信息处理方法，包括以下步骤：通过学习创建搜索轴，所述搜索轴充当用于呈现内容的参考，并且是根据所述内容的特征量和用户再现所述内容的历史或所述用户对所述内容的评价来确定的；以及参考已经创建的所述搜索轴来控制所述内容的呈现显示。

根据本发明另一实施例，提供了一种用于致使计算机执行包括以下步骤的过程的程序：通过学习创建搜索轴，所述搜索轴充当用于呈现内容的参考，并且是根据所述内容的特征量和用户再现所述内容的历史或所述用户对所述内容的评价来确定的；以及参考已经创建的所述搜索轴来控制所述内容的呈现显示。

根据以上概括的本发明，通过学习，充当用于呈现内容的参考的搜索轴被创建，所述搜索轴是根据所述内容的特征量和用户再现所述内容的历史或所述用户对所述内容的评价来确定的。然后提供控制以参考已经创建的搜索轴来显示内容呈现。

内容因此可以按根据本实施例所述方式被呈现。

内容还可以根据用户偏好比以前更容易地呈现给用户。

附图说明

图1是示出歌曲搜索系统的典型配置的框图；

图2是示出歌曲搜索装置的典型结构的框图；

图3是说明搜索轴学习部分如何创建搜索轴的示意图；

图4是示出歌曲的典型特征量和反馈值的表格图；

图5是示出歌曲的典型特征量和反馈值的另一表格图；

图6是说明如何计算搜索轴值的表格图；

图7是说明如何计算搜索轴值的另一表格图；

图8是示出用于学习搜索轴的典型结构的框图；

图9是示出用户再现歌曲的典型历史的示意图；

图10是示出典型反馈值的示意图；

图11是示出典型学习数据的示意图；

图12是说明如何从用户的歌曲再现历史中创建学习数据的示意图；

图13是说明如何计算搜索轴判别式的示意图；

图14是构成学习搜索轴的典型过程的步骤的流程图；

图15是说明在搜索轴限定的空间中映射歌曲的用户界面的示意图；

图16是说明在搜索轴限定的空间中映射歌曲的用户界面的示意图，其中包括从另一用户的信息创建的搜索轴；

图17是示出用于利用搜索轴执行搜索的典型结构的框图；

图18是说明如何获取搜索轴的示意图；

图19是说明如何计算搜索轴值的示意图；

图20是说明如何选择歌曲的示意图；

图21是构成使用搜索轴的典型搜索过程的步骤的流程图；

图22是说明如何计算搜索轴之间的相似性的表格图；

图23是说明如何计算搜索轴之间的相似性的另一表格图；

图24是示出搜索轴之间的典型相似性的表格图；

图25是示出搜索轴之间的典型相似性的另一表格图；

图26是以重叠方式示出典型的相似搜索轴的示意图；

图27是示出用于选择搜索轴的典型操作的示意图；

图28是示出用于计算搜索轴之间的相似性的典型结构的框图；

图29是构成呈现相似搜索轴的典型过程的步骤的流程图；

图30是以重叠方式示出用户和另一用户的歌曲的典型位置的示意图；

图31是示出用于在至少二维的空间中显示用户歌曲的位置和另一用户歌曲的位置的典型结构的框图；

图32是说明如何获取搜索轴的示意图；

图33是说明如何计算搜索轴值的示意图；

图34是构成以重叠方式显示另一用户的内容的典型过程的步骤的流程图；

图35是构成选择内容的典型过程的步骤的流程图；以及

图36是示出计算机的典型硬件结构的框图。

具体实施方式

下文将描述本发明的优选实施例。本发明的基本要求和在本发明的详细描述中所述实施例之间的对应关系被示出如下。该描述确认支持本发明的实施例在本发明的详细描述中被描述。因此，即使当存在本发明的详细描述中所述的这里未被描述的实施例时，也不表示该实施例不对应于基本要求。相反，即使当对应于基本要求的一个实施例在这里被描述，也不表示该实施例不对应于除此基本要求之外的其他基本要求。

本发明的一个优选实施例是一种信息处理装置，包括：创建部分(例如图2中的搜索轴学习部分31)；和显示控制部分(例如图2中的显示部分45)。创建部分被配置用于通过学习创建搜索轴，所述搜索轴充当用于呈现内容的参考，并且是根据内容的特征量和根据用户的内容再现历史或用户的内容评价来确定的。显示控制部分被配置用于参考已被创建的搜索轴控制内容呈现的显示。

优选地，作为本发明一个实施例的信息处理装置还可以包括计算部分(例如图2中的搜索轴值计算部分39)，其被配置用于计算已被创建的搜索轴上的内容的值。

优选地，体现本发明的信息处理装置还可以包括选择部分(例如图2中的可应用歌曲选择部分41)，其被配置用于从在搜索轴上的值被显示的内容中选择落在搜索轴的预定范围内的那些内容。

本发明的另一优选实施例是一种信息处理方法以及用于致使计算机执行过程的程序，所述方法以及过程包括以下步骤：创建(例如图14中的步骤S14)；和控制(例如图34中的步骤S14)。创建步骤通过学习创建搜索轴，所述搜索轴充当用于呈现内容的参考，并且是根据内容的特征量和根据用户的内容再现历史或用户的内容评价来确定的。控制步骤参考已被创建的搜索轴来控制内容呈现的显示。

图1是示出歌曲搜索系统的典型配置的框图。该歌曲搜索系统由歌曲搜索装置11-1和11-2、服务器12和网络13构成。

歌曲搜索装置11-1和11-2和服务器12通过网络13互连。

每个歌曲搜索装置11-1和11-2被图示为信息处理装置。该装置搜索并获取歌曲作为典型内容，并将这样获取的内容呈现给它们的用户。

术语“内容”可以被理解为对用户有用的信息。示例性地，内容包括歌曲(声音)、运动图像、静态图像、文本、数据或程序。在以下描述中，内容将被示例性地表示为歌曲。

例如，歌曲搜索装置11-1或11-2通过学习创建搜索轴，该搜索轴充当用于呈现作为内容的歌曲的参考，并且是根据歌曲的特征量和根据用户的歌曲再现历史或用户对歌曲的评价来确定的。该装置还参考已被创建的搜索轴控制歌曲呈现的显示。

术语“搜索轴”指的是根据与内容相关的信息据此呈现内容的参考。示例性地，搜索轴可以被限定为空间坐标轴，所述空间坐标轴确定与内容相关的信息所对应的内容在由坐标轴限定的空间中的位置(即坐标位置)。

搜索轴例如可以是限定给定坐标系统的坐标轴。更具体而言，在正交坐标系统或斜交坐标系统的空间中，搜索轴由直线表示。在诸如圆坐标系统、圆柱坐标系统和球坐标系统之类的极坐标系统以及其他坐标系统中，搜索轴可以用提供参考的直线、曲线或角度来表示。在实践中，搜索轴可能被显示，也可能不被显示。

示例性地，歌曲搜索装置11-1计算充当呈现歌曲所依据的参考的两个搜索轴的相似性，其中一个轴根据关于装置11-1的用户的信息创建，而另一轴根据关于歌曲搜索装置11-2的用户的信息创建。装置11-1继续在两个被发现彼此相似的搜索轴上显示歌曲的值。歌曲搜索装置11-2可以同样地计算充当呈现歌曲所依据的参考的两个搜索轴的相似性，其中一个轴根据关于装置11-2的用户的信息创建，而另一轴根据关于歌曲搜索装置11-1的用户的信息创建。装置11-2随后可以在被发现彼此相似的两个搜索轴上显示歌曲的值。

歌曲搜索装置11-1可以通过网络13从歌曲搜索装置11-2获取根据关于装置11-2的用户的信息创建的搜索轴。类似地，歌曲搜索装置11-2可以通过网络13从歌曲搜索装置11-1获取根据关于装置11-1的用户的信息创建的搜索轴。

随后将更详细论述，搜索轴上的内容的值是利用回归方程式或判别式获得的。获得搜索轴意味着获取定义所关心的搜索轴的回归方程式或判别式。

服务器12通过网络13从歌曲搜索装置11-1或11-2获取根据关于可应用装置的用户的信息创建的搜索轴，并记录这样获得的搜索轴。此外，服务器12从其存储设备取得根据关于歌曲搜索装置11-1和11-2的用户的信息创建的搜索轴，并将取得的搜索轴经由网络13提供到装置11-1或11-2。

在以下描述中，如果不需要区分歌曲搜索装置11-1和11-2，则它们可以被简称为歌曲搜索装置11。

图2是示出作为体现本发明的典型信息处理装置的歌曲搜索装置11的典型结构的框图。歌曲搜索装置11由搜索轴学习部分31、特征量数据库(DB)32、搜索轴数据库(DB)33、学习数据创建部分34、再现历史反馈数据库(DB)35、操作部分36、搜索轴获取部分37、另一用户的搜索轴数据库(DB)38、搜索轴值计算部分39、另一用户的特征量数据库(DB)40、可应用歌曲选择部分41、内容再现部分42、内容数据库(DB)43、搜索轴比较部分44、显示部分45和通信部分46构成。

搜索轴学习部分31通过学习创建充当用于呈现歌曲的参考的搜索轴，所述搜索轴是根据歌曲的特征量，以及用户再现歌曲的历史或者用户对歌曲的评价来确定的。示例性地，搜索轴学习部分31可以在经由学习数据创建部分34从再现历史反馈数据库35取得之后通过学习由特征量数据库32提供的歌曲的特征量以及用户再现歌曲的历史或者用户对歌曲的评价来创建搜索轴，作为用于歌曲呈现的参考。

特征量可以是给定内容的任意值特性。通常，内容的特征量可以是它们的元数据，或者可是基于元数据或它们自身由元数据代表的内容来计算。

示例性地，搜索轴学习部分31可以通过在来自学习数据创建部分34的传输之后学习从特征量数据库32取得的歌曲的特征量和用户再现歌曲的历史或用户对歌曲的评价，来获取用于计算充当呈现歌曲的参考的搜索轴上的歌曲的值(这些值可以被称为搜索轴值)的回归方程式或判别式。

搜索轴学习部分31将创建的搜索轴提供到搜索轴数据库33。就是说，搜索轴学习部分31向搜索轴数据库33提供用于计算充当歌曲呈现参考的搜索轴上的歌曲值的回归方程式或判别式。

特征量数据库32存储用户所拥有的歌曲的特征量。例如，特征量数据库32可以存储歌曲的元数据作为它们的特征量。

搜索轴数据库33存储由搜索轴学习部分31创建的充当歌曲呈现参考的搜索轴。换言之，搜索轴数据库33存储用于计算充当用于呈现所关心的歌曲的参考的搜索轴上的歌曲值的回归方程式或判别式。

在从再现历史反馈数据库35取得之后根据用户再现歌曲的历史或用户对歌曲的评价，学习数据创建部分34删除对于将生成的搜索轴的学习不必要的数据并创建在搜索轴学习部分31的学习中使用的学习数据。学习数据创建部分34将这样创建的学习数据提供到搜索轴学习部分31。

再现历史反馈数据库35存储了用户再现歌曲的历史和用户对歌曲的评价作为反馈。在操作中，再现历史反馈数据库35从其存储区中取得用户再现歌曲的历史或用户对这些歌曲的评价，并将取得的信息提供到学习数据创建部分34。

操作部分36由按钮、键盘、鼠标、遥控器和/或触摸板以及用于控制这些组件的控制设备构成。响应于用户操作，操作部分36向搜索轴获取部分37提供指示用于搜索的搜索轴的相关信息。可替换地，操作部分36可以响应于用户操作向再现历史反馈数据库35提供用户对歌曲的评价作为反馈。

此外，当显示部分45参考搜索轴提供关于歌曲呈现的显示时，操作部分36响应于用户操作向可应用歌曲选择部分41提供用于指定搜索轴的合适范围的信息。

搜索轴获取部分37从搜索轴数据库33获取将被用于搜索的搜索轴。此外，搜索轴获取部分37从另一用户的搜索轴数据库38获取根据关于另一用户的信息创建的将被用于搜索的搜索轴。

搜索轴获取部分37继续将获取的搜索轴提供到搜索轴值计算部分39。

另一用户的搜索轴数据库38包含充当用于呈现歌曲的参考并且根据关于另一用户的信息创建的搜索轴。换言之，另一用户的搜索轴数据库38存储了用于计算充当用于呈现歌曲的参考并且根据关于另一用户的信息创建的搜索轴的回归方程式或判别式。

例如，通信部分46可以通过网络13接收已经从另一歌曲搜索装置11或从服务器12发送的搜索轴。在此情况下，通信部分46将接收到的搜索轴转发到另一用户的搜索轴数据库38。以这种方式，另一用户的搜索轴数据库38存储通过通信部分46到来的根据关于另一用户的信息创建的搜索轴。如果歌曲搜索装置11被多个用户所使用，搜索轴数据库33和另一用户的搜索轴数据库38则包含根据关于不同用户的信息分开创建的搜索轴。就是说，搜索轴数据库33存储根据当前使用歌曲搜索装置11的用户的信息创建的搜索轴；另一用户的搜索轴数据库38包含根据关于不同于当前使用装置11的用户的另一用户的信息创建的搜索轴。

给定来自搜索轴获取部分37的搜索轴，搜索轴值计算部分39基于特征量数据库32提供的该搜索轴上的歌曲的特征量来计算这些歌曲的值。给定来自搜索轴获取部分37的另一搜索轴，搜索轴值计算部分39基于由另一用户的特征量数据库40提供的该搜索轴上的歌曲的特征量来计算这些歌曲的值。

搜索轴值计算部分39将这样计算出的歌曲的搜索轴值提供到可应用歌曲选择部分41或显示部分45。

另一用户的特征量数据库40存储了另一用户所拥有的歌曲的特征量。示例性地，另一用户的特征量数据库40存储另一用户所拥有的歌曲的元数据作为特征量。

另一用户的特征量数据库40通常存储由另一歌曲搜索装置11的用户所拥有的歌曲的特征量。可替换地，如果歌曲搜索装置11被多个用户所使用，则另一用户的特征量数据库40可以包含由不同于当前使用歌曲搜索装置11的用户的另一用户所拥有的歌曲的特征量。

更具体而言，通信部分46可以通过网络13接收从另一歌曲搜索装置11或服务器12发送的由另一用户所拥有的歌曲的特征量。通信部分46随后将接收的另一用户的歌曲的特征量提供到另一用户的特征量数据库40。进而，另一用户的特征量数据库40存储从通信部分46接收的另一用户歌曲的特征量。

从被呈现为内容的歌曲中，可应用歌曲选择部分41选择落在预定范围内的歌曲。例如，从在用于参考的两个搜索轴上显示的用于呈现的歌曲中，可应用歌曲选择部分41可以选择落在这两个参考搜索轴的预定范围内的歌曲。

在另一示例中，从在根据关于用户的信息创建的用于参考的搜索轴上以及在根据关于另一用户的信息创建的用于参考的另一搜索轴上显示的用于呈现的歌曲中，可应用歌曲选择部分41可以针对该用户和另一用户两者选择落在充当参考的这些搜索轴的预定范围内的那些歌曲。

更具体而言，可应用歌曲选择部分41可以选择其坐标位置落在预定范围内的歌曲，所述预定范围部分地覆盖感兴趣的搜索轴并且由操作部分36响应于用户操作提供的信息所限定。

内容再现部分42从内容数据库43读取被可应用歌曲选择部分41选为目标内容的歌曲，并再现取得的歌曲用于输出。

内容数据库43存储了作为用户所拥有的内容的歌曲。存储在内容数据库43中的歌曲通常通过使用用于标识这些歌曲的ID信息而与作为歌曲的元数据存储在特征量数据库32中的特征量相关联。

搜索轴比较部分44从搜索轴数据库33获取根据关于用户的信息创建的搜索轴，并且搜索轴比较部分44从另一用户的搜索轴数据库38获取根据关于另一用户的信息创建的搜索轴。搜索轴比较部分44继续将针对该用户创建的搜索轴与针对另一用户创建的搜索轴相比较，以例如确定它们之间的相似性。

更具体而言，搜索轴比较部分44可以计算两个搜索轴之间的相似性，其中一个搜索轴是根据关于关于给定歌曲用户的信息创建的，而另一轴是根据关于关于同样歌曲的另一用户的信息得到的。

就是说，搜索轴比较部分44从特征量数据库32读取用户所拥有的歌曲的元数据。基于取得的用户所拥有的歌曲的元数据，搜索轴比较部分44计算感兴趣的歌曲在根据关于该用户的信息创建的搜索轴上以及在根据关于另一用户的信息得到的搜索轴上的值。搜索轴比较部分44随后计算用户所拥有的歌曲一方面在根据关于该用户的信息创建的搜索轴上的值以及同样歌曲另一方面在根据关于另一用户的信息得到的搜索轴上的值之间的相似性；该相似性指示针对该用户的搜索轴与针对另一用户的搜索轴如何相似。

例如，搜索轴比较部分44可以计算两个给定搜索轴之间的相似性。搜索轴之一可以由歌曲的作为其特征量的元数据以及用户再现歌曲的历史或用户对歌曲的评价来限定；而另一搜索轴可以由歌曲的元数据以及另一用户再现歌曲的历史或另一用户对歌曲的评价来限定。

显示部分45由LCD(液晶显示)设备、有机EL(电致发光)显示设备等构成，并且具有用于控制显示设备的显示控制部分。在显示控制部分的控制下，显示部分45显示各种图像和字符。示例性地，基于由搜索轴值计算部分39提供的歌曲的搜索轴值，显示部分45控制根据关于用户的信息以及根据被发现在品味上类似于该用户的另一用户的信息创建以作为参考的搜索轴上的歌曲的呈现的显示。

在另一示例中，当呈现歌曲时，显示部分45可以以重叠的方式显示根据关于用户的信息创建的搜索轴的图像以及根据关于另一用户的信息取得的搜索轴的图像。

就是说，显示部分45参考由搜索轴学习部分31创建的搜索轴来控制内容呈现的显示。可替换地，显示部分45可以参考类似于用户的搜索轴的搜索轴来控制内容呈现的显示。

通信部分46经由网络13接收从另一歌曲搜索装置11或服务器12发送的根据关于另一用户的信息创建的搜索轴(即回归方程式或判别式)，并将接收的搜索轴提供到另一用户的搜索轴数据库38。此外，通信部分46通过网络13接收从另一歌曲搜索装置11或服务器12发送的另一用户的内容的特征量，并将接收的另一用户的内容的特征量提供到另一用户的特征量数据库40。

通信部分46可以从搜索轴数据库33取得用户的搜索轴，并将这样取得的用户的搜索轴通过网络13发送到另一歌曲搜索装置11或服务器12。通信部分46还可以取得来自特征量数据库32的用户内容的特征量，并将取得的用户的内容特征量通过网络13发送到另一歌曲搜索装置11。

如上所述，歌曲搜索装置11创建用于搜索并针对每个用户已被个性化的搜索轴。歌曲搜索装置11允许这样创建的搜索轴被多个用户共享。

下面将描述通常如何创建搜索轴。

歌曲搜索装置11可以根据用户再现歌曲的历史或根据用户输入的歌曲反馈值来创建用于搜索的搜索轴。

例如，一个搜索轴可以提供如下参考：据此参考来判断歌曲是否被用户所偏好和/或每首歌曲被用户偏好到什么程度。另一搜索轴可以提供如下参考：该参考用于判断歌曲是否被频繁再现和/或每首歌曲被再现的频率有多高。

又一搜索轴可以提供如下参考：据此参考来判断歌曲最近是否被用户播放。又一搜索轴可以提供如下参考：该参考用于判断歌曲是在周末还是在工作日被用户播放的。又一搜索轴可以提供如下参考：该参考用于判断歌曲是在白天还是在晚上被用户播放的。

如图3所示，搜索轴学习部分31基于歌曲的特征量以及歌曲的再现历史或歌曲的反馈值来通过学习(例如统计分析或机器学习)创建搜索轴，搜索轴被定义为用于估计歌曲的歌曲特征量特性的回归方程式或判别式。

当这样创建的搜索轴的回归方程式或判别式被应用到给定歌曲的特征量时，该歌曲的搜索轴值被计算出。这意味着可以计算未被再现或其反馈值未被输入的歌曲的搜索轴值。所涉及的歌曲因此可以根据搜索轴上计算出的值而被呈现。

示例性地，用户迄今为止仅仅再现过她或他拥有的歌曲的一部分或者仅仅输入了针对部分歌曲的反馈值的情况可能发生。在此情况下，仍旧可以获得用户所拥有的所有歌曲的搜索轴值。

就是说，即使某些歌曲尚未被再现或者它们的反馈值尚未被输入，这些歌曲的搜索轴值仍旧可以通过使用适当的回归方程式或判别式从它们的元数据中获得。

图4是按1到5的偏好等级示出在创建充当参考的搜索轴时使用的歌曲的典型特征量和反馈值的表格图，根据该搜索轴来确定用户对每首歌曲的偏好程度。通常，歌曲特征量可以作为元数据提供。

示例性地，用户可以操作操作部分36来输入按1到5的等级指示对歌曲的偏好的反馈值。该反馈值代表用户对歌曲的评价。如上所述，反馈值被存储在再现历史反馈数据库35中。

在图4的示例中，对于歌曲1的偏好反馈值为“5”，这意味着“非常喜欢”。歌曲2的偏好反馈值为“3”，这表示“既不喜欢也不讨厌”。歌曲3的偏好反馈值为“2”，这表示“有点讨厌”。

在图4的示例中，歌曲1的特征量1、2和3分别为24、74和68；歌曲2的特征量1、2和3分别为17、81和50；而歌曲3的特征量1、2和3分别为33、75和97。

搜索轴学习部分31可以基于例如图4中针对歌曲的偏好反馈值以及这些歌曲的特征量来学习回归方程式。

回归方程式可以通过使用线性回归(多回归分析)或SVR(支持向量回归)来学习。

学习过程提供了用于计算指示对歌曲的偏好程度的搜索轴值的回归方程式。回归方程式通常可以表示如下：F(特征量)＝特征量1×0.5+特征量2×0.2-特征量3×0.9+...+0.3。当上述回归方程式被应用到给定歌曲的特征量时，可以获得代表对该歌曲的偏好程度的搜索轴值。

图5是按“喜欢”或“不喜欢”的二元偏好等级示出在创建充当参考的搜索轴时使用的歌曲的典型特征量和反馈值的另一表格图，根据该搜索轴来确定用户对每首歌曲的偏好程度。

示例性地，用户可以操作操作部分36来输入针对每首歌曲的指示用户是否喜欢该歌曲的反馈值。

在图5的示例中，每首歌曲的反馈值是二元的，这意味着该歌曲被喜欢或不喜欢。

如图5所示，歌曲1的反馈值为“喜欢”；歌曲2的反馈值为“喜欢”；而歌曲3的反馈值为“不喜欢”。

同样在图5的示例中，歌曲1的特征量1、2和3分别为24、74和68；歌曲2的特征量1、2和3分别为17、81和50；而歌曲3的特征量1、2和3分别为33、75和97。

搜索轴学习部分31可以基于例如图5中针对歌曲的偏好反馈值以及这些歌曲的特征量来学习判别式。

判别式可以通过使用线性判别式分析、判决树分析、SVM(支持向量机)或

Bayes来学习。

示例性地，线性判别式分析提供定义充当参考的搜索轴的用于判断用户喜欢还是不喜欢每首给定歌曲的判别式。判别式通常可以表示如下：F(特征量)＝特征量1×0.5+特征量2×0.2-特征量3×0.9+...+0.3。示例性地，如果这样获得的针对给定歌曲的值F(特征量)大于等于0.0，则该歌曲被视为喜欢的；如果值F小于0.0，则该歌曲被视为不喜欢的。当上述判别式被应用到歌曲的特征量时，可以获得指示用户是喜欢还是不喜欢每首歌曲的搜索轴值。

例如，回归方程式或判别式可以通过使用代表歌曲的特征量的元数据来学习。这样学习到的回归方程式或判别式可被用于基于歌曲的元数据计算歌曲的搜索轴值。

在歌曲搜索装置11处，用户可以通过输入新搜索轴的名称以及指示若干歌曲中的每一首应用到该轴的程度的反馈值或者指示每首歌曲是否可被完全应用到该轴的反馈值来创建所需搜索轴。

应该注意，每个回归方程式和判别式可以是线性的或非线性的。

下面将描述如何利用搜索轴对歌曲执行搜索。

利用创建的搜索轴搜索歌曲涉及最初计算用户所拥有的所有歌曲在所有搜索轴上的值。

例如，如图6所示，定义“偏好”搜索轴的回归方程式被首先应用到歌曲1的特征量1、2和3(它们分别是24、74和68)，由此歌曲1在该搜索轴上的值被计算出为0.3。定义“频繁播放歌曲”搜索轴的回归方程式随后被应用到歌曲1的同样的特征量1、2和3，由此歌曲1在该搜索轴上的值被计算出为0.2。定义“上午播放歌曲”搜索轴的回归方程式也被应用到歌曲1的同样的特征量1、2和3，由此歌曲1在该搜索轴上的值被计算出为0.1。

同样在图6的示例中，定义“偏好”搜索轴的回归方程式被应用到歌曲2的特征量1、2和3(它们分别是17、81和50)，由此歌曲2在该搜索轴上的值被计算出为0.8。定义“频繁播放歌曲”搜索轴的回归方程式随后被应用到歌曲2的同样的特征量1、2和3，由此歌曲2在该搜索轴上的值被计算出为0.9。定义“上午播放歌曲”搜索轴的回归方程式也被应用到歌曲2的同样的特征量1、2和3，由此歌曲2在该搜索轴上的值被计算出为0.7。

同样在图6的示例中，定义“偏好”搜索轴的回归方程式被应用到歌曲3的特征量1、2和3(它们分别是33、75和97)，由此歌曲3在该搜索轴上的值被计算出为0.4。定义“频繁播放歌曲”搜索轴的回归方程式随后被应用到歌曲3的同样的特征量1、2和3，由此歌曲3在该搜索轴上的值被计算出为0.3。定义“上午播放歌曲”搜索轴的回归方程式也被应用到歌曲3的同样的特征量1、2和3，由此歌曲3在该搜索轴上的值被计算出为0.1。

基于每首歌曲在所涉及的每个搜索轴上的值，可以搜索在搜索轴值方面满足特定搜索条件的歌曲。例如，可以搜索将满足如下条件的歌曲：在“偏好”搜索轴上的值为0.5或更大，在“频繁播放歌曲”搜索轴上的值为0.4或更小，并且在“上午播放歌曲”搜索轴上的值为0.2或更大。

在另一示例中，如图7所示，定义“偏好”搜索轴的判别式被首先应用到歌曲1的特征量1、2和3(它们分别是24、74和68)，由此歌曲1在该搜索轴上被发现是用户所偏好的(即“喜欢的”)。定义“频繁播放歌曲”搜索轴的判别式随后被应用到歌曲1的同样的特征量1、2和3，由此歌曲1在该搜索轴上被发现是被用户频繁播放的(即“是”)。定义“上午播放歌曲”搜索轴的判别式也被应用到歌曲1的同样的特征量1、2和3，由此歌曲1在该搜索轴上未被发现是用户在上午播放的(即“否”)。

如果用户想要搜索符合她或他品味的歌曲，则歌曲搜索装置11搜索其在“偏好”搜索轴上的值被发现为“喜欢的”歌曲，并将这样检测到的歌曲呈现给用户。

还如图7所示，定义“偏好”搜索轴的判别式被应用到歌曲2的特征量1、2和3(它们分别是17、81和50)，由此歌曲2在该搜索轴上被发现是用户所偏好的(即“喜欢的”)。定义“频繁播放歌曲”搜索轴的判别式随后被应用到歌曲2的同样的特征量1、2和3，由此歌曲2在该搜索轴上被发现是被用户频繁播放的(即“是”)。定义“上午播放歌曲”搜索轴的判别式也被应用到歌曲2的同样的特征量1、2和3，由此歌曲2在该搜索轴上被发现是用户在上午播放的(即“是”)。

还如图7所示，定义“偏好”搜索轴的判别式被应用到歌曲3的特征量1、2和3(它们分别是33、75和97)，由此歌曲3在该搜索轴上未被发现是用户所偏好的(即“不喜欢的”)。定义“频繁播放歌曲”搜索轴的判别式随后被应用到歌曲3的同样的特征量1、2和3，由此歌曲3在该搜索轴上未被发现是被用户频繁播放的(即“否”)。定义“上午播放歌曲”搜索轴的判别式也被应用到歌曲3的同样的特征量1、2和3，由此歌曲3在该搜索轴上未被发现是用户在上午播放的(即“否”)。

同样在以上示例中，基于每首歌曲在所涉及的每个搜索轴上的值，可以搜索在搜索轴值方面满足特定搜索条件的歌曲。就是说，可以搜索满足或不满足关于特定搜索轴的某些搜索条件的歌曲。

例如，可以搜索将(或期望)满足以下搜索条件的歌曲：在“偏好”搜索轴上被用户所“喜欢”的歌曲。在另一示例中，可以搜索将满足以下搜索条件的歌曲：在“频繁播放歌曲”搜索轴上没有被用户频繁播放(即“否”)的歌曲。

图8是示出用于学习搜索轴的作为图2中的设置的一部分的典型结构的框图。

如图8所示，当学习搜索轴时，学习数据创建部分34首先从再现历史反馈数据库35获取用户再现歌曲的历史或作为用户对歌曲的评价的反馈值。

学习数据创建部分34通过从用户再现歌曲的历史或作为用户对歌曲的评价的反馈值中删除对将被创建的搜索轴的学习不必要的数据来创建学习数据。

现在将参考图9到12来描述如何创建学习数据。

图9是示出典型的用户再现歌曲历史的示意图。用户再现歌曲(即数据的)历史指示用户在过去再现某些歌曲和对其他歌曲执行与再现相关的操作的日期和时间。

例如，根据图9所示的典型的用户再现歌曲历史，歌曲1在2006年9月7日14:04被再现；歌曲2在2006年9月7日14:08被再现；歌曲3在2006年9月7日14:13被再现；歌曲3随后在2006年9月7日14:15被跳过；歌曲4在2006年9月7日14:15被再现；并且歌曲4在2006年9月7日14:18被停止。

图10是示出作为用户对歌曲的评价的典型反馈值的示意图。反馈值指示用户关于所涉及的歌曲作出的明确反馈。就是说，反馈值是用户对给定歌曲的明确评价。

在图10示例所示的反馈类别之中，用户个人建立了“兴趣”、“给父母”和“旧”这些反馈类别。根据图10中“偏好”类别中的反馈值，歌曲1被赋值“5”，这意味着“非常喜欢”；歌曲2被赋值“3”，这意味着“既不喜欢也不讨厌”；歌曲4被赋值“1”，这意味着“非常讨厌”；歌曲5被赋值“5”，这意味着“非常喜欢”；而歌曲6被赋值“4”。这意味着“有点喜欢”。在图10的示例中，没有输入关于歌曲3的“偏好”类别的反馈值。

根据图10中“兴趣”类别的反馈值，歌曲1被赋值“3”，这意味着“比较有趣”；歌曲2被赋值“1”，这意味着“非常无趣”；歌曲3被赋值“5”，这意味着“非常有趣”；而歌曲6被赋值“4”，这意味着“有趣”。

在图10的示例中，没有输入关于歌曲4和歌曲5的“兴趣”类别的反馈值。

根据图10中“给父母”类别的反馈值，歌曲1被赋值“1”，这意味着该歌曲非常不适合给父母；歌曲2被赋值“2”，这意味着该歌曲不太适合给父母；歌曲4被赋值“5”，这意味着该歌曲适合给父母；而歌曲5被赋值“1”，这也意味着这意味着该歌曲非常不适合给父母。

在图10的示例中，没有输入关于歌曲3和歌曲6的“给父母”类别的反馈值。

根据图10中“旧”类别的反馈值，歌曲2被赋值“3”，这意味着该歌曲比较旧；歌曲3被赋值“1”，这意味着该歌曲一点都不旧；歌曲4被赋值“3”，这也意味着该歌曲比较旧；而歌曲6被赋值“2”，这意味着该歌曲有点旧。

在图10的示例中，没有输入关于歌曲1和歌曲5的“旧”类别的反馈值。

示例性地，学习数据创建部分34根据诸如图9所示歌曲再现历史之类的用户再现歌曲的历史或者根据诸如图10所示的关于歌曲的反馈值来创建学习数据。

图11是示出由学习数据创建部分34创建的典型学习数据的示意图。

学习数据是用于学习定义搜索轴的回归方程式或判别式的数据。示例性地，学习数据由用于标识歌曲的歌曲ID和与歌曲相关联的答案数据以列表形式构成。

根据图11以列表形式示出的典型学习数据，歌曲1的歌曲ID与答案数据“5”相关联；歌曲3的歌曲ID与答案数据“4”相关联；歌曲6的歌曲ID与答案数据“2”相关联；歌曲12的歌曲ID与答案数据“3”相关联；以及歌曲16的歌曲ID与答案数据“1”相关联。

在图11的典型学习数据中，答案数据指示用户关于相应歌曲ID所标识的歌曲的偏好程度以及用户在“兴趣”、“给父母”和“旧”类别方面的分级感觉。

更具体而言，在“偏好”类别下，答案数据“5”意味着由相关歌曲ID所标识的歌曲是用户非常喜欢的；答案数据“4”意味着由相关歌曲ID所标识的歌曲是用比较喜欢的；答案数据“3”意味着由相关歌曲ID所标识的歌曲是用户既不喜欢也不讨厌的；答案数据“2”意味着由相关歌曲ID所标识的歌曲是用户比较讨厌的；而答案数据“1”意味着由相关歌曲ID所标识的歌曲是用户非常讨厌的。

示例性地，学习数据创建部分34从图10所示反馈值中提取出一个类别的反馈值以及相应的歌曲ID。从提取的结果中，学习数据创建部分34删除没有相关联的反馈值的歌曲ID。学习数据创建部分34随后通过将与歌曲ID相对应的反馈值视为答案数据来创建学习数据。

图12是说明如何根据用户再现歌曲的历史创建学习数据的示意图。

从这种用户再现歌曲的历史中，学习数据创建部分34以列表的形式创建学习数据，所述列表由用于标识所涉及的歌曲的歌曲ID和用于指示每首标识的歌曲是否最近被再现的答案数据构成。

根据图12所示2006年9月7日15:00的典型再现历史，歌曲1在2006年9月7日14:04被再现；歌曲2在2006年9月7日14:08被再现；歌曲3在2006年9月7日14:13被再现；歌曲3在2006年9月7日14:15被跳过；歌曲4在2006年9月7日14:15被再现；并且歌曲4在2006年9月7日14:18被停止。根据该历史，学习数据创建部分34创建学习数据列表，其中由相应歌曲ID标识的歌曲1与答案数据“真”相关联，这意味着歌曲1最近被再现；由相应歌曲ID标识的歌曲2与答案数据“真”相关联，这意味着歌曲2最近被再现；由相应歌曲ID标识的歌曲3与答案数据“真”相关联，这意味着歌曲3最近被再现；由相应歌曲ID标识的歌曲4与答案数据“真”相关联，这意味着歌曲4最近被再现；由相应歌曲ID标识的歌曲5与答案数据“假”相关联，这意味着歌曲5最近未被再现；并且由相应歌曲ID标识的歌曲6与答案数据“假”相关联，这意味着歌曲6最近未被再现。

图12所示学习数据例如是在创建了充当用于判断给定歌曲最近是否被再现的参考的搜索轴之后被创建的。

返回图8，学习数据创建部分34创建以上种类的学习数据，并将创建的学习数据提供到搜索轴学习部分31。

搜索轴学习部分31获取特征量数据库32所包含的每首歌曲的特征量，并继续基于学习数据和歌曲特征量来学习定义搜索轴的回归方程式或判别式。

例如，如图13所示，搜索轴学习部分31基于至少学习数据的列表和如下给出的歌曲特征量而学习到随后将示出的判别式(1)、(2)和(3)。根据学习数据的列表，由相应歌曲ID标识的歌曲1与答案数据“真”相关联，这意味着歌曲1被用户所喜欢；由相应歌曲ID标识的歌曲2与答案数据“真”相关联，这意味着歌曲2被用户所喜欢；由相应歌曲ID标识的歌曲3与答案数据“真”相关联，这意味着歌曲3被用户所喜欢；由相应歌曲ID标识的歌曲4与答案数据“真”相关联，这意味着歌曲4被用户所喜欢；由相应歌曲ID标识的歌曲5与答案数据“假”相关联，这意味着歌曲5被用户所讨厌；并且由相应歌曲ID标识的歌曲6与答案数据“假”相关联，这意味着歌曲6被用户所讨厌。根据歌曲特征量，歌曲1的歌曲特征量包括分别为15和94的歌曲特征量1和2；歌曲2的歌曲特征量包括分别为36和29的歌曲特征量1和2；歌曲3的歌曲特征量包括分别为75和85的歌曲特征量1和2；歌曲4的歌曲特征量包括分别为96和71的歌曲特征量1和2；歌曲5的歌曲特征量包括分别为24和53的歌曲特征量1和2；并且歌曲6的歌曲特征量包括分别为46和0的歌曲特征量1和2。根据以上学习数据和歌曲特征量学习到的三个判别式如下所述：

F(歌曲特征量)＝

特征量1×0.5+特征量2×0.2-特征量3×0.9+...+0.3   ...(1)

F(歌曲特征量)≥0.0→是                           ...(2)

F(歌曲特征量)＜0.0→否                           ...(3)

以上判别式(2)指示如果通过判别式(1)获得的值F(歌曲特征量)等于或大于0.0，则所关心的歌曲被视为被用户所喜欢。以上判别式(3)示出如果通过判别式(1)获得的值F(歌曲特征量)小于0.0，则所关心的歌曲被视为被用户所讨厌。

如上所述，搜索轴学习部分31可以基于歌曲特征量和用户再现歌曲的历史或用户对这些歌曲的评价，通过学习获得用于从所涉及的歌曲的特征量计算搜索轴值的回归方程式，从而创建搜索轴。可替换地，搜索轴学习部分31可以基于歌曲特征量和用户再现歌曲的历史或用户对这些歌曲的评价，通过学习获得用于从所涉及的歌曲的特征量计算搜索轴值的判别式，从而创建搜索轴。

搜索轴学习部分31将这样创建的搜索轴提供到搜索轴数据库33。进而，搜索轴数据库33存储由搜索轴学习部分31提供的搜索轴。就是说，搜索轴学习部分31将创建的回归方程式或判别式提供到搜索轴数据库33，并且搜索轴数据库33容纳这些已经接收到的回归方程式或判别式。

图14是构成学习搜索轴的典型过程的步骤的流程图。在步骤S11中，搜索轴学习部分31确定将被学习的搜索轴。示例性地，搜索轴学习部分31可以判决由从操作部分36提供的反映用户操作的信号所指定的搜索轴为将被学习的搜索轴。

在步骤S12中，学习数据创建部分34根据用户再现所涉及的歌曲的历史或者根据代表用户对这些歌曲的评价的反馈值来创建学习数据。通常，学习数据创建部分34从再现历史反馈数据库35获取用户再现歌曲的历史或反馈值。根据用户再现歌曲的历史或反馈值，学习数据创建部分34创建学习数据，学习数据由用于标识所涉及的歌曲的歌曲ID和与这些歌曲相对应的答案数据构成。

在步骤S13中，搜索轴学习部分31从特征量数据库32获取用在学习中的歌曲的特征量。

在步骤S14中，基于学习数据和歌曲特征量，搜索轴学习部分31学习在步骤S11中确定的定义搜索轴的回归方程式或判别式。示例性地，搜索轴学习部分31可以通过使用线性判别式分析、判决树分析、SVM(支持向量机)或Bayes来学习判别式。可替换地，搜索轴学习部分31可以通过使用线性回归(多回归分析)或SVR(支持向量回归)来学习回归方程式。

在步骤S15中，搜索轴学习部分31将这样学习到的回归方程式或判别式存储在搜索轴数据库33中。

在步骤S16中，搜索轴学习部分31检查以确定是否已经学习到所有搜索轴。如果尚未学习到所有搜索轴，则控制返回到步骤S11，并重复随后的步骤。

如果在步骤S16中发现所有搜索轴都已被学习到，学习搜索轴的过程则结束。

这是歌曲搜索装置11如何学习作为呈现内容的参考的搜索轴。

就是说，歌曲搜索装置11可以学习充当用于呈现内容的参考并且根据与用户相关的信息创建的搜索轴。歌曲搜索装置11还可以创建充当用于呈现内容的参考并且根据内容的特征量和用户再现内容的历史或用户对内容的评价定义的搜索轴。

下面将描述如何通过使用搜索轴来搜索歌曲。

如图15所示，由回归方程式定义的搜索轴所代表的至少两个维度可以构成一个空间。在与歌曲相映射的情况下，该空间可以作为用户界面提供，通过该用户界面，可以执行对歌曲的直观搜索。在此情况下，将空间与歌曲映射的意思是计算每首歌曲在搜索轴上的值，以便以反映计算出的值的方式确定这些歌曲的空间位置。在这样显示的空间中，歌曲的位置可以用合适的图像(例如圆圈或十字交叉)来表示。

以如上方式，用户能够一眼认出歌曲，因为它们被呈现在至少两个搜索轴上。

示例性地，当在显示的空间中指定一个范围时，对搜索轴值落在所指定的范围内的歌曲进行搜索。更具体而言，可以设置一个范围来覆盖在“偏好”搜索轴上为“喜欢的”并且在“频繁播放歌曲”搜索轴上为“没有频繁播放”的歌曲。利用这样建立的范围，来搜索没有被频繁播放但是被用户喜欢的歌曲。

此外，歌曲搜索装置11可以不仅基于根据用户再现歌曲的历史或用户对歌曲的反馈值创建的用户的搜索轴，而且基于另一用户的搜索轴来搜索歌曲。

例如，歌曲搜索装置11可以搜索用户和另一用户“A”都“喜欢”的歌曲。在另一示例中，歌曲搜索装置11可以搜索被另一用户“A”在“上午播放的”歌曲。在另一示例中，歌曲搜索装置11可以搜索被用户“喜欢”并且被另一用户“B”在“周末播放的”歌曲。

从以上和其他示例中，用户能够知道用户喜欢和讨厌的程度与其他用户类似或不同。

在这些情况下，如图16所示，歌曲被映射到利用搜索轴建立的空间中，所述搜索轴由回归方程式定义并且根据关于其他用户的信息创建。

示例性地，歌曲被映射到由针对两个维度的两个搜索轴确定的空间中，其中一个轴代表用户的偏好程度，而另一轴指示另一用户“A”的偏好程度。在此情况下，如果设置一个范围覆盖用户在她或他的“偏好”搜索轴上“喜欢”并且另一用户“A”在其自己的“偏好”搜索轴上也“喜欢”的歌曲，则将搜索被两个用户所偏好的歌曲。

图17是示出作为图2中的设置的一部分用于利用搜索轴执行搜索的典型结构的框图。

当利用搜索轴执行搜索时，用户操作操作部分36来指定将被用于搜索的搜索轴。响应于用户操作，操作部分36向搜索轴获取部分37提供指定将被使用的目标搜索轴的搜索轴信息。如图17所示，搜索轴获取部分37从搜索轴数据库33或从另一用户的搜索轴数据库38获取由搜索轴信息指定的搜索轴。

例如，假设操作部分36已经提供如下搜索轴信息：该信息指示“频繁播放歌曲”的搜索轴和“用户‘A’偏好的歌曲”的搜索轴。在此情况下，搜索轴获取部分37从搜索轴数据库33获取“频繁播放歌曲”的搜索轴(如图18所示)并从另一用户的搜索轴数据库38获取“用户‘A’偏好的歌曲”的搜索轴(同样如图18所示)。

更具体而言，在以上情况下，搜索轴获取部分37获取定义来自搜索轴数据库33的“频繁播放歌曲”的搜索轴的回归方程式以及定义来自另一用户的搜索轴数据库38的“用户‘A’偏好的歌曲”的搜索轴的回归方程式。

搜索轴获取部分37将获取的搜索轴提供到搜索轴值计算部分39。

搜索轴值计算部分39从特征量数据库32获取用户的歌曲的特征量，并从另一用户的特征量数据库40获取另一用户的歌曲的特征量。

基于这样获取的歌曲特征量，搜索轴值计算部分39计算从搜索轴获取部分37提供的搜索轴上所涉及的歌曲的值。

例如如图19所示，搜索轴值计算部分39将定义“频繁播放歌曲”的搜索轴的回归方程式以及定义“用户‘A’偏好的歌曲”的搜索轴的回归方程式应用到歌曲1的特征量(包括分别为15和94的特征量1和2)。该方程式的应用使得可以计算出歌曲1在“频繁播放歌曲”的搜索轴上的值为5并且在“用户‘A’偏好的歌曲”的搜索轴上的值为3。

类似地，搜索轴值计算部分39将定义“频繁播放歌曲”的搜索轴的回归方程式以及定义“用户‘A’偏好的歌曲”的搜索轴的回归方程式应用到歌曲2的特征量(包括分别为36和29的特征量1和2)。该方程式的应用使得可以计算出歌曲2在“频繁播放歌曲”的搜索轴上的值为1并且在“用户‘A’偏好的歌曲”的搜索轴上的值为2。

类似地搜索轴值计算部分39将定义“频繁播放歌曲”的搜索轴的回归方程式以及定义“用户‘A’偏好的歌曲”的搜索轴的回归方程式应用到歌曲3到歌曲6中每一首的特征量。该方程式的应用使得可以计算出歌曲3到歌曲6中每一首在“频繁播放歌曲”的搜索轴上的值以及在“用户‘A’偏好的歌曲”的搜索轴上的值。

搜索轴值计算部分39向可应用歌曲选择部分41提供这样计算出的关于所涉及的歌曲的搜索轴值。

可应用歌曲选择部分41从针对每首歌曲的搜索轴值中选择满足搜索条件的歌曲。

例如如图20所示，可以假设歌曲1到歌曲6在“频繁播放歌曲”的搜索轴上被分别赋予值5、1、3、2、4和4，并且在“用户‘A’偏好的歌曲”的搜索轴上被分别赋予值3、2、5、4、2和3。在被提供以所涉及的歌曲的这些搜索轴值之后，可应用歌曲选择部分41可以从操作部分36接收如下搜索条件：该搜索条件要求如果歌曲在“频繁播放歌曲”的搜索轴以及“用户‘A’偏好的歌曲”的搜索轴上的值至少为3，则将歌曲选出。在此情况下，可应用歌曲选择部分41选择满足该搜索条件的歌曲1、歌曲3、歌曲5和歌曲6。

可应用歌曲选择部分41将指示所选歌曲的可应用歌曲列表输出到内容再现部分42。例如，可应用歌曲选择部分41以指定将被再现的歌曲的播放列表的形式输出可应用歌曲列表。

内容再现部分42从内容数据库43读取从可应用歌曲选择部分41提供的可应用歌曲列表中列出的歌曲。这样取得的歌曲被再现和输出。

图21是构成使用搜索轴的典型搜索过程的步骤的流程图。在步骤S31中，搜索轴获取部分37从搜索轴数据库33或从另一用户的搜索轴数据库38获取用在搜索中的搜索轴。示例性地，搜索轴获取部分37以从搜索轴数据库33或从另一用户的搜索轴数据库38获取由来自操作部分36的搜索轴信息所指定的回归方程式或判别式。

更具体而言，在步骤S31中，搜索轴获取部分37可以从搜索轴数据库33获取用于搜索的一个搜索轴，并且从另一用户的搜索轴数据库38获取另一搜索轴。

在步骤S32中，搜索轴值计算部分39从特征量数据库32获取用户的歌曲的特征量，并从另一用户的特征量数据库40获取另一用户的歌曲的特征量，并且基于获取的特征量来计算所有歌曲的搜索轴值。示例性地，搜索轴值计算部分39可以通过将定义所关心的搜索轴的回归方程式或判别式应用到所涉及的歌曲的特征量来计算出歌曲在搜索轴上的值以用于搜索。

更具体而言，在步骤S31中从搜索轴数据库33获取将被用于搜索的两个搜索轴之一以及从另一用户的搜索轴数据库38获取另一搜索轴之后，搜索轴获取部分37在步骤S32中可以继续仅仅从特征量数据库32获取用户歌曲的特征量。基于这样获取的歌曲特征量，搜索轴获取部分37可以计算所有歌曲的搜索轴值。这使得用户可以知道她或他的歌曲在该用户自己的搜索轴上的值还知道在另一用户的搜索轴上的值。

相反，在步骤S31中从搜索轴数据库33获取将被用于搜索的两个搜索轴之一以及从另一用户的搜索轴数据库38获取另一搜索轴之后，搜索轴值计算部分39在步骤S32中可以仅仅从另一用户的特征量数据库40获得另一用户的歌曲的特征量。搜索轴值计算部分39随后可以基于这样获得的歌曲特征量计算所有歌曲的搜索轴值。这允许用户知道另一用户在该用户自己的搜索轴上的值以及在另一用户的搜索轴上的值。

在步骤S33中，可应用歌曲选择部分41检查以基于用于搜索的搜索轴值确定歌曲之一是否在空间中满足搜索条件。

如果在步骤S33中所讨论的歌曲被发现满足搜索条件，则控制转移到步骤S34。在步骤S34中，可应用歌曲选择部分41致使内容再现部分42再现并输出被视为可应用到该搜索条件的歌曲。

然后控制转移到步骤S35。内容再现部分42在步骤S34中从内容数据库43读取被发现满足搜索条件的歌曲并再现取得的歌曲以用于输出。

如果检查发现可应用到搜索条件的歌曲是另一用户的歌曲，则跳过该歌曲的再现。在此情况下，另一用户的歌曲的预览数据可以例如通过网络13从服务器12获取，以被再现为感兴趣的歌曲。

如果在步骤S33中没有发现满足搜索条件的所关心的歌曲，则步骤S34被跳过，并且控制转移到步骤S35。

在步骤S35中，可应用歌曲选择部分41检查以确定是否所有歌曲都已被检查。如果不是所有歌曲都已被检查，则再次返回步骤S33，并且针对下一首歌曲重复随后的步骤。

如果在步骤S35中发现所有歌曲都已被检查，则利用搜索轴的搜索过程结束。

在另一示例中，可以计算一方面根据关于用户的信息创建的搜索轴和另一方面根据关于另一用户的信息得到的搜索轴之间的相似性。随后可以参考被发现彼此相似的多个搜索轴来提供内容呈现。

每对搜索轴之间的相似性可以通过首先计算用户所拥有的所有歌曲相对于用户的每个搜索轴的值来获取。具体而言，搜索轴比较部分44计算用户所拥有的所有歌曲在每个所关心的搜索轴上的值，以便找到所涉及的搜索轴上的值的相似性。计算结果被用于最终找到搜索轴之间的相似性。

下面将描述通常如何通过使用回归方程式来估计搜索轴值。

如图22所示，可以假设用户拥有歌曲1到歌曲8。基于该假设，歌曲1到歌曲8中的每一首被首先投入计算其在根据关于用户的信息创建的“偏好”搜索轴上的值。该歌曲随后被投入计算其在根据关于另一用户的信息创建的另一“再现频率”搜索轴上的值。

示例性地，如图22所示，歌曲1到歌曲8在“偏好”搜索轴上的值被分别计算为0.5、0.4、0.1、0.2、0.4、0.3、0.2和0.5。这些值是通过将用于轴值估计的定义“偏好”搜索轴的回归方程式应用到歌曲1到歌曲8的特征量而计算出的。

同样地，歌曲1到歌曲8在“再现频率”搜索轴上的值被分别计算为0.2、0.5、0.4、0.1、0.2、0.5、0.2和0.4。这些值通过将用于轴值估计的定义“再现频率”搜索轴的回归方程式应用到歌曲1到歌曲8的特征量而计算出的。

这对搜索轴之间的相似性随后通过如下方式获取：计算关于歌曲1到歌曲8中的每一首一方面在“偏好”搜索轴上的值和另一方面在“再现频率”搜索轴上的值之间的相关系数。

更具体而言，该相关系数可以在“偏好”向量和“再现频率”向量之间计算出，所述“偏好”向量由一方面歌曲1到歌曲8在“偏好”搜索轴上的八个值构成，而“再现频率”向量由另一方面歌曲1到歌曲8在“再现频率”搜索轴上的八个值构成。这样获得的相关系数被视为代表“偏好”搜索轴和“再现频率”搜索轴之间的相似性。

如果“偏好”向量和“再现频率”向量之间的相关系数被计算为0.1，则“偏好”搜索轴和“再现频率”搜索轴之间的相似性被认为是0.1。

下面将描述如何通过使用判别式来估计搜索轴值。

如图23所示，也可以假设用户拥有歌曲1到歌曲8。基于该假设，歌曲1到歌曲8中的每一首首先被投入计算其在根据关于用户的信息创建的“喜欢的歌曲”搜索轴上的值(该歌曲是“喜欢的”还是“不喜欢的”)。随后该歌曲被投入计算其在根据关于另一用户的信息创建的另一“频繁播放歌曲”搜索轴上的值(该歌曲是“频繁播放的”还是“未频繁播放的”)。

示例性地，如图23所示，歌曲1到歌曲8在“喜欢的歌曲”搜索轴上的值被分别计算出为“是”、“是”、“否”、“否”、“是”、“否”、“否”和“是”。这些值是通过将用于轴值估计的定义“喜欢的歌曲”搜索轴的判别式应用到歌曲1到歌曲8的特征量而计算出的。

同样地，歌曲1到歌曲8在“频繁播放歌曲”搜索轴上的值被分别计算出为“否”、“是”、“是”、“否”、“否”、“是”、“否”和“是”。这些值是通过将用于轴值估计的定义“频繁播放歌曲”搜索轴的判别式应用到歌曲1到歌曲8的特征量而计算出的。

这对搜索轴之间的相似性随后通过如下方式获取：计算关于歌曲1到歌曲8中的每一首一方面在“喜欢的歌曲”搜索轴上的值和另一方面在“频繁播放歌曲”搜索轴上的值之间的和谐率(concordance rate)。示例性地，该和谐率可以通过用被发现搜索轴值彼此和谐的歌曲数目除以搜索轴值彼此和谐或可比的歌曲数目来计算出。

更具体而言，歌曲1在“喜欢的歌曲”搜索轴上的值被发现为“是”，而同样歌曲在“频繁播放歌曲”搜索轴上的值为“否”。这意味着歌曲1的搜索轴值彼此不和谐。歌曲2在“喜欢的歌曲”搜索轴上的值被发现为“是”，而同样歌曲在“频繁播放歌曲”搜索轴上的值也为“是”。这意味着歌曲2的搜索轴值彼此和谐。

在图23的示例中，八首歌曲1到8之中，被发现搜索轴值彼此和谐的有歌曲2、歌曲4、歌曲7和歌曲8。这意味着和谐率为0.5(即4除以8)。

示例性地，和谐率在“喜欢的歌曲”向量和“频繁播放歌曲”向量之间被计算出，所述“喜欢的歌曲”向量由一方面歌曲1到歌曲8在“喜欢的歌曲”搜索轴上的八个值构成，而“频繁播放歌曲”向量由另一方面歌曲1到歌曲8在“频繁播放歌曲”搜索轴上的八个值构成。这样获得的和谐率被视为代表“喜欢的歌曲”搜索轴和“频繁播放歌曲”搜索轴之间的相似性。

如果“喜欢的歌曲”向量和“频繁播放歌曲”向量之间的和谐率被计算为0.5，则“喜欢的歌曲”搜索轴和“频繁播放歌曲”搜索轴之间的相似性被认为是0.5。

一方面通过回归方程式估计其上的值的一个搜索轴和另一方面通过判别式估计其上的值的另一搜索轴之间的相似性将被获得的情况可能发生。在此情况下，通过回归方程式估计出的搜索轴值参考预备用于和谐率计算的预定门限级别被转换成二进制值。搜索轴对之间的和谐率随后被计算出并被视为它们之间的相似性。

以上描述已经示出搜索轴比较部分44如何获取每对搜索轴之间的相似性。

搜索轴比较部分44计算被用于比较的根据关于用户的信息创建的所有搜索轴和根据关于另一用户的信息创建的所有搜索轴中的所有搜索轴对之间的相似性。

示例性地，如图24所示，可以计算用于比较目的的用户搜索轴(包括“偏好”、“再现频率”、“品味”和“强烈的”搜索轴)和另一用户的搜索轴(例如“偏好”、“再现频率”、“经典”和“安慰性的”搜索轴)中的所有搜索轴对之间的相似性。

在图24的示例中，搜索轴比较部分44计算出一方面根据关于用户的信息创建的“偏好”搜索轴与另一方面根据关于另一用户的信息得到的“偏好”搜索轴之间的相似性为0.5。搜索轴比较部分44随后计算出一方面针对用户的“偏好”搜索轴与另一方面针对另一用户的“再现频率”搜索轴之间的相似性为0.8。同样地，搜索轴比较部分44计算出一方面针对用户的“偏好”搜索轴与另一方面针对另一用户的“经典”搜索轴之间的相似性为0.9。搜索轴比较部分44继续计算出一方面针对用户的“偏好”搜索轴与另一方面针对另一用户的“安慰性的”搜索轴之间的相似性为0.6。

以类似方式，如图24所示，搜索轴比较部分44计算出一方面根据关于用户的信息创建的“再现频率”搜索轴与另一方面根据关于另一用户的信息得到的“偏好”搜索轴之间的相似性为0.4。搜索轴比较部分44进一步分别计算出用户的“再现频率”搜索轴与另一用户的“再现频率”搜索轴之间的相似性为0.5；用户的“再现频率”搜索轴与另一用户的“经典”搜索轴之间的相似性为0.9；并且用户的“再现频率”搜索轴与另一用户的“安慰性的”搜索轴之间的相似性为0.5。

还如图24所示，搜索轴比较部分44分别计算出用户的“品味”搜索轴与另一用户的“偏好”搜索轴之间的相似性为0.7；用户的“品味”搜索轴与另一用户的“再现频率”搜索轴之间的相似性为0.6；用户的“品味”搜索轴与另一用户的“经典”搜索轴之间的相似性为0.4；并且用户的“品味”搜索轴与另一用户的“安慰性的”搜索轴之间的相似性为0.1。

此外，搜索轴比较部分44分别计算出用户的“强烈的”搜索轴与另一用户的“偏好”搜索轴之间的相似性为0.5；用户的“强烈的”搜索轴与另一用户的“再现频率”搜索轴之间的相似性为0.9；用户的“强烈的”搜索轴与另一用户的“经典”搜索轴之间的相似性为0.3；并且用户的“强烈的”搜索轴与另一用户的“安慰性的”搜索轴之间的相似性为0.8。

在搜索轴比较部分44计算出搜索轴之间的相似性之后，显示部分45向用户呈现彼此非常相似的搜索轴。

示例性地，如果具有逐渐降低的相似性的搜索轴将被呈现，则显示部分45可以有选择地向用户呈现相似性最高的搜索轴、相似性被发现大于预定门限级别的搜索轴，或者按相似性降低的顺序呈现预定数目的搜索轴。

更具体而言，如果如图24所示搜索轴之间的相似性被计算出，则具有最高相似性0.9的搜索轴被选出。在此情况下，可以向用户呈现根据关于用户的信息创建的“偏好”搜索轴和根据关于另一用户的信息得到的“经典”搜索轴，作为彼此相似的轴。

如果另一用户是A先生/女士，则显示部分45可以被布置显示例如以下消息：“您偏好的歌曲是A先生/女士的经典歌曲”。

还可以向用户呈现根据关于用户的信息创建的“再现频率”搜索轴和根据关于另一用户的信息得到的“经典”搜索轴，作为相似的轴。

此外，可以向用户呈现根据关于用户的信息创建的“强烈的”搜索轴和根据关于另一用户的信息得到的“再现频率”搜索轴，作为相似的轴。如果另一用户是A先生/女士，则显示部分45可以被布置显示例如以下消息：“您感觉强烈的歌曲被A先生/女士频繁播放”。

这些消息可以利用预先存储的合适模板生成。当将要创建消息时，需要基于所讨论的搜索轴的名称和其他相关信息来利用适当的词填充这些模板之一。

在另一示例中，可以向用户呈现彼此相反的一对搜索轴，其中一个轴是根据关于用户的信息创建的，而另一轴是根据关于另一用户的信息得到的。示例性地，如果搜索轴之间的相似性是根据它们之间的正或负相关系数来定义的，则在具有被计算为负值的相似性的搜索轴之中，具有绝对值最大的相似性的那些轴可被选出，并在显示部分45上呈现给用户。

在另一示例中，可以向用户呈现彼此不相关的一对搜索轴，其中一个轴是根据关于用户的信息创建的，而另一轴是根据关于另一用户的信息得到的。示例性地，如果搜索轴之间的相似性是根据它们之间的相关系数来定义的，则在具有被计算出的相似性的搜索轴之中，具有绝对值最小的相似性的那些轴可被选出，并在显示部分45上呈现给用户。

在另一示例中，可以向用户呈现一对匹配的搜索轴，其中一个轴是根据关于用户的信息创建的，而另一轴是根据关于另一用户的信息得到的。示例性地，可以获得用户的“偏好”搜索轴和另一用户的“偏好”搜索轴之间的相似性，或者用户的“经典”搜索轴和另一用户的“经典”搜索轴之间的相似性，并在显示部分45上呈现给用户。

当相似的搜索轴将被呈现给用户时，显示部分45可以例如以重叠的方式显示第一和第二图像。第一图像可以构成至少两个维度的空间，其中每一维度由可应用的歌曲的位置在其上被显示的搜索轴所表示，而第二图像可以出现在比第一图像更亮的区域中，并且构成具有同样维度的空间，其中每一维度由与第一图像中的匹配轴相类似的搜索轴所表示。

如图26所示，显示部分45可以显示示出根据关于用户的信息创建的“用户偏好歌曲”的搜索轴以及根据关于另一用户“A”的信息得到的“用户‘A’偏好的歌曲”的搜索轴的图像。两个搜索轴以暗调显示，作为定义图26中的二维空间的实线中的轴。

在以上由两个搜索轴定义的二维空间中，一个轴代表用户偏好的歌曲，另一轴指示另一用户偏好的歌曲，显示部分45可以指示诸如小圆圈之类的符号代表所涉及的歌曲。

显示部分45还可以显示另一图像，该图像示出根据关于另一用户的信息创建的“对用户‘A’而言的经典”搜索轴，该搜索轴被发现类似于根据关于用户的信息得到的“用户偏好歌曲”搜索轴。该搜索轴在图26的二维空间中以亮调显示为虚线。

显示部分45还可以显示另一图像，该图像示出根据关于用户的信息创建的“合用户品味的歌曲”搜索轴，该搜索轴被发现类似于根据关于另一用户“A”的信息得到的“用户‘A’偏好的歌曲”搜索轴。该搜索轴也在图26的二维空间中的以亮调显示为虚线。

被发现类似于定义用于呈现歌曲的至少二维空间的搜索轴的搜索轴的倾斜度由所涉及的轴之间的相似性确定。示例性地，如果搜索轴之间的相似性被计算为它们之间的相关系数，则相似搜索轴相对参考轴或相对与参考轴垂直的轴的倾斜度被视为代表所涉及的轴之间的相似性。更具体而言，如果搜索轴之间的相似性被计算为相关系数0.8，则相似轴相对参考轴或相对与参考轴垂直的轴的倾斜度被认为是0.8。如果搜索轴之间的相似性被计算为相关系数-0.2，则相似轴相对参考轴倾斜度被认为是-0.2。如果搜索轴之间的相似性被发现在0到1的范围内并且如果搜索轴将按相似性降低的顺序被显示，则相似搜索轴相对于定义用于呈现歌曲的至少二维空间的轴的倾斜度被视为角度tan^-1(1-相似性)。

以上述方式，定义用于呈现歌曲的至少二维空间的搜索轴的图像与指示类似于这些轴并且以重叠方式以亮调出现的搜索轴的图像一道显示。

可替换地，用户可以执行操作来选择被呈现为具有极高相似性的轴的搜索轴之一。进而，歌曲搜索装置11可以向用户呈现可应用到从候选轴中这样选出的搜索轴的歌曲。

例如，在所选搜索轴上的歌曲的值可以通过使用回归方程式来估计。在此情况下，歌曲搜索装置11可以向用户呈现其在搜索轴上的值被发现高于预定门限级别的歌曲，这些歌曲按它们的搜索轴值降低的顺序被呈现。

在另一示例中，在所选搜索轴上的歌曲的值可以通过使用判别式来估计。在此情况下，歌曲搜索装置11可以向用户呈现其在搜索轴上的值参考预定值被发现为“是”或“否”的歌曲。

更具体而言，如图27所示，用户可以操作操作部分36点击用于选择“对用户‘A’而言的经典”搜索轴的按钮。该搜索轴是根据关于另一用户“A”的信息创建的，并且是从被发现与预定搜索轴及其类似的搜索轴中选出的。利用这样选出的该搜索轴，歌曲搜索装置11向用户呈现例如歌曲4、歌曲8、歌曲14和歌曲7，这些歌曲参考所选搜索轴被视为经典。在此情况下，歌曲搜索装置11通常可以向用户呈现由被发现可应用在所选搜索轴上的歌曲构成的播放列表。

图28是示出图2的设置中用于计算搜索轴之间的相似性的典型结构的框图。

可以注意，搜索轴比较部分44包括轴值计算部分101和相似性计算部分102。

在操作中，搜索轴比较部分44从搜索轴数据库33或另一用户的搜索轴数据库38获取将对其进行相似性计算的搜索轴。就是说，搜索轴比较部分44从搜索轴数据库33或另一用户的搜索轴数据库38获得用于估计将进行搜索轴相似性计算的目标搜索轴上的值的回归方程式或判别式。

搜索轴比较部分44从特征量数据库32获取用户所拥有的歌曲的特征量。搜索轴比较部分44中的轴值计算部分101将回归方程式或判别式应用到用户所拥有的歌曲的特征量，以便计算这些歌曲在所涉及的搜索轴上的值。

搜索轴比较部分44中的相似性计算部分102计算将进行相似性计算的目标搜索轴上的值之间的相似性。这样获得的相似性被认为是所讨论的搜索轴之间的相似性。

可替换地，搜索轴比较部分44可以从另一用户的特征量数据库40获取另一用户所拥有的歌曲的特征量。基于另一用户所拥有的歌曲的特征量，搜索轴比较部分44可以计算所涉及的搜索轴之间的相似性。

作为另一替换方式，搜索轴比较部分44可以基于用户所拥有的歌曲的特征量和另一用户所拥有的歌曲的特征量来计算搜索轴之间的相似性。

作为另一替换方式，搜索轴比较部分44可以基于用户或另一用户所拥有的所有歌曲中的部分歌曲的特征量来计算搜索轴之间的相似性。示例性地，搜索轴比较部分44可以基于预定数目的歌曲的特征量来计算感兴趣的搜索轴之间的相似性。通常，搜索轴比较部分44可以获取预定数目个随机选择的歌曲的特征量来计算搜索轴相似性。

在计算出搜索轴之间的相似性之后，搜索轴比较部分44获取并输出被发现彼此极其相似的搜索轴。

图29是构成呈现相似搜索轴的典型过程的步骤的流程图。在步骤S71中，搜索轴比较部分44从搜索轴数据库33或另一用户的搜索轴数据库38获取两个将进行相似性计算的搜索轴。

在步骤S72中，搜索轴比较部分44使用用户所拥有的所有歌曲的特征量来计算这些歌曲在两个搜索轴上的值。示例性地，搜索轴比较部分44首先从特征量数据库32获取用户所拥有的所有歌曲的特征量。搜索轴比较部分44中的轴值计算部分101将两个搜索轴的回归方程式或判别式应用到用户所拥有的所有歌曲的特征量，以便参考两个搜索轴计算这些歌曲的值。

在步骤S73中，搜索轴比较部分44计算两个搜索轴之间的相似性。更具体而言，搜索轴比较部分44中的相似性计算部分102基于在步骤S72中计算出的值来计算两个搜索轴之间的相似性。

在步骤S74中，搜索轴比较部分44检查以确定是否所有搜索轴中的所有搜索轴对都已进行了相似性计算。如果不是所涉及的所有搜索轴中的所有对都已进行过相似性计算，则控制返回步骤S71并且重复随后的步骤。

如果在步骤S74中发现所涉及的所有搜索轴对都进行进行过相似性计算，则到达步骤S75。在步骤S75中，显示部分45向用户呈现彼此间具有很高相似性的那些搜索轴对。这使得呈现相似搜索轴的过程结束。更具体而言，在步骤S75中，搜索轴比较部分44可以按递减顺序选择预定数目的相似性，找到与所选相似性相关联的搜索轴，并输出这样获得的搜索轴到显示部分45，以用于显示相似的搜索轴。进而，显示部分45显示搜索轴比较部分44提供的相似搜索轴。

在以上情况下，显示部分45例如可以按两种形式之一提供其显示。在一种形式中，相似搜索轴的名称可以被显示。在另一形式中，如以上参考图26所述，显示部分45可以按重叠方式显示第一和第二图像，第一图像由包含至少两个维度的空间构成，其中每个维度由其上显示出可应用的歌曲的位置的搜索轴表示，第二图像比第一图像更亮，并且由具有同样维度的空间构成，其中每个维度由与第一图像中的匹配轴相似的搜索轴表示。

下面将描述用户歌曲和另一用户的歌曲的位置如何以例如重叠方式被显示在具有由用于呈现歌曲的搜索轴所代表的至少两个维度的空间中。

例如，如图30所示，用户歌曲和另一用户的歌曲的位置可以以例如重叠方式被显示在具有由两个搜索轴所代表的两个维度的空间中，其中一个轴是根据关于用户的信息创建的“用户偏好歌曲”搜索轴，另一轴是根据关于另一用户“A”的信息得到的“用户‘A’偏好歌曲”搜索轴。在图30中示出由两个搜索轴构成的二维空间，其中圆圈代表用户歌曲的位置，而十字交叉代表用户“A”所拥有的歌曲的位置。

图31是示出在图2的设置中用于显示用户的歌曲和另一用户的歌曲在至少二维空间中的位置的典型结构的框图。

在操作中，操作部分36向搜索轴获取部分37提供搜索轴信息，所述搜索轴信息反映出用户在操作部分36上的操作并且代表将被用于搜索的搜索轴。进而，搜索轴获取部分37从搜索轴数据库33或另一用户的搜索轴数据库38获取由搜索轴信息所指定的搜索轴。就是说，搜索轴获取部分37从搜索轴数据库33或另一用户的搜索轴数据库38获取用于估计在由搜索轴信息指定的搜索轴上的值的回归方程式或判别式。

示例性地，如图32所示，假设操作部分36提供如下搜索轴信息：该搜索轴信息指定“频繁播放歌曲”搜索轴以及“用户‘A’偏好的歌曲”搜索轴。在此情况下，搜索轴获取部分37从搜索轴数据库33获取指示用户偏好的名为“频繁播放歌曲”的搜索轴，并从另一用户的搜索轴数据库38获取代表另一用户的偏好的名为“用户‘A’偏好的歌曲”的搜索轴。

在以上情况下，搜索轴获取部分37从搜索轴数据库33获取定义“频繁播放歌曲”的用户搜索轴的回归方程式，并从另一用户的搜索轴数据库38获取定义“用户‘A’偏好的歌曲”的另一用户的搜索轴的回归方程式。

搜索轴获取部分37随后向搜索轴值计算部分39提供所获取的搜索轴，即定义这些搜索轴的回归方程式或判别式。

搜索轴值计算部分39从特征量数据库32获取用户所拥有的歌曲的特征量，并从另一用户的特征量数据库40获取另一用户所拥有的歌曲的特征量。搜索轴值计算部分39继续将从搜索轴获取部分37发送的回归方程式或判别式应用到用户歌曲和另一用户的歌曲的特征量，以便计算出这些歌曲在所涉及的搜索轴上的值。

示例性地，搜索轴值计算部分39从特征量数据库32获取用户所拥有的所有歌曲的特征量，并从另一用户的特征量数据库40获取另一用户所拥有的所有歌曲的特征量。基于这样获取的特征量，搜索轴值计算部分39计算出所涉及的歌曲在各个搜索轴上的值。

更具体而言，如图33所示，搜索轴值计算部分39可以将定义“频繁播放歌曲”搜索轴和“用户‘A’偏好的歌曲”搜索轴的回归方程式应用到歌曲1的特征量(包括分别为15和94的特征量1和2)。回归方程式的应用使得可以计算出歌曲1在“频繁播放歌曲”搜索轴上的值为“5”，同样歌曲在“用户‘A’偏好的歌曲”搜索轴上的值为“3”。

搜索轴值计算部分39还将定义“频繁播放歌曲”搜索轴和“用户‘A’偏好的歌曲”搜索轴的回归方程式应用到歌曲2的特征量(包括分别为36和29的特征量1和2)。回归方程式的应用使得可以计算出歌曲2在“频繁播放歌曲”搜索轴上的值为“1”，同样歌曲在“用户‘A’偏好的歌曲”搜索轴上的值为“2”。

同样地，搜索轴值计算部分39还将定义“频繁播放歌曲”搜索轴和“用户‘A’偏好的歌曲”搜索轴的回归方程式应用到歌曲3到歌曲6的特征量。回归方程式的应用使得可以计算出歌曲3到歌曲6在“频繁播放歌曲”搜索轴上的值，以及同样歌曲在“用户‘A’偏好的歌曲”搜索轴上的值。

搜索轴值计算部分39向显示部分45提供所涉及的歌曲在所讨论的搜索轴上的值。

在得到歌曲的搜索轴值之后，显示部分45显示用户歌曲和另一用户的歌曲在具有至少两个由所涉及的搜索轴所代表的维度的空间中的位置，所述歌曲位置以重叠方式示出。

示例性地，如图30所示，用户歌曲和另一用户歌曲的位置可以以重叠方式被显示在具有由两个搜索轴所代表的两个维度的空间中，其中一个轴是根据关于用户的信息创建的“用户偏好歌曲”搜索轴，另一轴是根据关于另一用户“A”的信息创建的“用户‘A’偏好的歌曲”搜索轴。

图34是构成以重叠方式显示另一用户的内容的典型过程的步骤的流程图。在步骤S91中，搜索轴获取部分37从搜索轴数据库33或另一用户的搜索轴数据库38获取至少两个用在显示中的搜索轴。就是说，搜索轴比较部分44从搜索轴数据库33或另一用户的搜索轴数据库38获取用于估计被用于显示的至少两个搜索轴上的值的回归方程式或判别式。

在步骤S92中，搜索轴值计算部分39基于用户歌曲和另一用户的歌曲的特征量计算用户所拥有的所有歌曲和另一用户所拥有的所有歌曲在所涉及的搜索轴上的值。更具体而言，搜索轴值计算部分39从特征量数据库32获取用户所拥有的所有歌曲的特征量，并且从另一用户的特征量数据库40获取另一用户所拥有的所有歌曲的特征量。搜索轴值计算部分39继续将定义所讨论的搜索轴的回归方程式或判别式应用到用户歌曲和另一用户的歌曲的特征量，以便计算这些歌曲在所涉及的搜索轴上的值。

在步骤S93中，显示部分45布置以在具有由搜索轴所代表的维度的空间中显示用户和另一用户所拥有的所有歌曲；另一用户的内容的位置以重叠方式被显示。示例性地，如图30所示，显示部分45可以以重叠方式在具有由搜索轴所代表的至少两个维度的空间中显示感兴趣的歌曲的位置，歌曲位置由它们在所涉及的搜索轴上计算出的值确定。

图35是构成选择内容的典型过程的步骤的流程图。步骤S121到步骤S124与图29中的步骤S71到S74相同，因此这里不再赘述。

在步骤S124中，执行检查以确定所有搜索轴中的所有对之间的相似性是否都已被计算出。如果在步骤S124中的检查结果是肯定的，则到达步骤S125。在步骤S125中，搜索轴比较部分44通过参考计算出的相似性来选择相似的搜索轴。搜索轴比较部分44随后将所选搜索轴输出到显示部分45。

在步骤S126中，显示部分45以重叠方式显示被发现彼此类似的所选搜索轴。示例性地，如以上参考图26所述，显示部分45可以以暗调显示一个所选搜索轴的图像并以亮调显示另一所选搜索轴的图像，这些图像以重叠方式被显示。

在步骤S127中，搜索轴值计算部分39以与步骤S92相同的方式基于用户歌曲和另一用户的歌曲的特征量来计算这些歌曲在感兴趣的搜索轴上的值。示例性地，基于用户歌曲和另一用户的歌曲的特征量，搜索轴值计算部分39可以计算出这些歌曲在显示部分45以暗调显示的搜索轴上的值。

在步骤S128中，显示部分45根据在所讨论的搜索轴上计算出的用户歌曲和另一用户的歌曲的值来显示这些歌曲的位置。更具体而言，显示部分45显示这样的图像，所述图像示出用户和另一用户的歌曲在所涉及的搜索轴上的位置。

在步骤S129中，可应用歌曲选择部分41选择位置落在用户指定的搜索轴范围内的那些歌曲。这使得用于选择内容的过程结束。示例性地，在步骤S129中，可应用歌曲选择部分41选择其在搜索轴上的位置落在由操作部分36提供的反映用户操作的信息所指定的范围内的那些内容。

以上述方式，出于搜索目的而个性化定制的搜索轴被多个用户使用和共享。

歌曲搜索装置11自动地或跟踪用户输入以针对每个用户个性化定制的方式创建搜索轴。这样创建的搜索轴被所涉及的用户共享。

歌曲搜索装置11可以基于预先准备好的普通搜索轴(例如在其上根据内容的元数据来搜索内容的搜索轴)、基于由装置11本身创建的搜索轴，以及基于用另一用户拥有的另一歌曲搜索装置11创建的另一用户的搜索轴来搜索歌曲。

歌曲搜索装置11将用户自己的每个搜索轴与另一用户的每个搜索轴相比较，以找到它们之间的相似程度。在比较之后，歌曲搜索装置11向用户呈现被发送极其类似于另一用户的某些搜索轴的那些用户的搜索轴。可替换地，歌曲搜索装置11可以向用户呈现另一用户的被发现与用户的某些搜索轴极其类似的搜索轴。

当用户选择某些呈现的搜索轴时，歌曲搜索装置11开始在所选搜索轴上搜索歌曲。

搜索可以由歌曲搜索装置11在具有至少两个由至少两个搜索轴所代表的维度的图上的某一范围内执行，所述图被布置为示出充当搜索对象的歌曲的图像。歌曲搜索装置11随后可以按与该图重叠的方式显示另一用户所拥有的歌曲。

歌曲搜索装置11将用户的每个搜索轴与另一用户的每个搜索轴相比较，以找到它们之间的相似性。歌曲搜索装置11继续向用户呈现相似搜索轴的组合。这允许用户知道他或她的搜索轴如何与另一用户的搜索轴相比较。

在基于合适的搜索轴创建的图上，歌曲搜索装置11以上述重叠方式显示用户内容的图像以及另一用户的内容的图像。这允许用户知道另一用户的内容相对于用户自己的内容是以什么方式分布的。

如上所述，用户可以基于个性化定制的搜索轴来搜索歌曲。示例性地，用户可以搜索例如偏好的歌曲、频繁播放的歌曲、合品味的歌曲(即被认为是合乎用户品味的歌曲)以及在用餐时播放的歌曲(即用户希望在用餐时收听的歌曲)之类的歌曲。

根据本实施例，如上所述，内容可以基于已经特别创建的搜索轴被呈现给用户。内容的呈现可以与搜索轴一道被控制，所述搜索轴充当出于搜索目的的参考，并且是基于内容的特征量以及基于内容再现的历史或用户对这些内容的评价而通过学习创建的。在这些情况下，内容可以按针对用户个性化定制的方式被容易地呈现给用户。

歌曲搜索装置11可以是任意一种固定家用电子装置(包括硬盘记录器、硬盘播放器和家用视频游戏控制台)或者任意一种便携式电子设备(例如便携式游戏机、便携式播放器和移动电话)。

上述步骤序列和过程可以由硬件或软件执行。对于基于软件的处理，构成软件的程序可以被预先并入到用于程序执行的计算机的专用硬件中，或者在使用时从合适的程序记录介质安装到能够基于安装的程序执行各种功能的通用个人计算机或类似设备中。

图36是示出能够以程序形式执行上述步骤和过程的计算机的典型硬件结构的框图。

该计算机具有通过总线204互连的CPU(中央处理单元)201、ROM(只读存储器)202和RAM(随机访问存储器)203。

输入/输出接口205也被连接到总线204。该输入/输出接口205与输入单元206、输出单元207、存储单元208、通信单元209和驱动器210相连。输入单元206通常由键盘、鼠标和麦克风构成。输出单元207例如由显示设备和扬声器构成。存储单元208一般包括硬盘或非易失性存储器。通信单元209通常由网络接口构成。驱动器210容纳和驱动诸如磁盘、光盘、磁光盘或半导体存储器之类的可移动介质211。

在具有上述结构的计算机中，CPU 210可以通过借助输入/输出接口205和总线204，从例如存储单元208向RAM 203加载程序以执行程序来执行上述步骤和过程。

将由计算机(即CPU 201)执行的程序通常作为记录在充当封装介质的可移动介质211上的程序被提供给用户，所述封装介质包括磁盘(包括柔性盘)、光盘(包括CD-ROM(压缩盘-只读存储器)和DVD(数字多功能盘))、磁光盘或半导体存储器。这些程序也可以经由诸如局域网、因特网和数字卫星广播网络之类的有线或无线通信介质被提供给用户。

利用附接到驱动器210的合适的可移动介质211，程序可以在通过输入/输出接口205被写入到存储单元208中时从介质安装到计算机上。程序也可以在通过有线或无线通信介质被通信单元209接收到时被安装到计算机上，以用于存储到存储单元208中。可替换地，程序可以被预先安装在计算机中，被预先记录到ROM 202中或者存储单元208中。

在本说明书中，被计算机执行的程序在被按照需求调用时可以按所示顺序(即基于时间序列)、以并行方式或者以单独的方式被执行。

本领域技术人员应该理解，取决于设计需求和其他因素，可能发生各种修改、组合、子组合和变更，只要它们落在所附权利要求书或其等同物的范围内即可。

本发明包含2007年3月2日递交到日本特许厅的日本专利申请JP2007-052625所涉及的主题，该日本专利申请的全部内容通过引用被结合于此。

Claims (11)

1.一种信息处理装置，包括：

创建部分，被配置用于通过学习创建搜索轴，所述搜索轴充当用于呈现内容的参考，并且是根据所述内容的特征量，以及用户再现所述内容的历史或所述用户对所述内容的评价来确定的；以及

显示控制部分，被配置用于参考已经创建的所述搜索轴来控制所述内容的呈现显示。

2.如权利要求1所述的信息处理装置，还包括计算部分，其被配置用于计算所述内容在所述已经创建的搜索轴上的值。

3.如权利要求2所述的信息处理装置，其中所述计算部分基于所述内容的特征量来计算搜索轴值。

4.如权利要求2所述的信息处理装置，其中所述计算部分计算所述内容在已经创建的多个搜索轴上的值。

5.如权利要求1所述的信息处理装置，其中所述创建部分通过如下方式创建所述搜索轴：基于所述内容的所述特征量，并且基于所述用户再现所述内容的历史或所述用户对所述内容的评价，通过学习获得回归方程式，所述回归方程式用于计算所述内容在所述搜索轴上的值。

6.如权利要求1所述的信息处理装置，其中所述创建部分通过如下方式创建所述搜索轴：基于所述内容的所述特征量，并且基于所述用户再现所述内容的历史或所述用户对所述内容的评价，通过学习获得判别式，所述判别式用于计算所述内容在所述搜索轴上的值。

7.如权利要求1所述的信息处理装置，其中所述显示控制部分在反映所述内容在搜索轴上的值的位置上显示指示所述内容的图像，其中所述搜索轴限定了覆盖所述位置的空间。

8.如权利要求1所述的信息处理装置，还包括选择部分，其被配置用于从在所述搜索轴上的值被显示出的所述内容中选择落在所述搜索轴的预定范围内的那些内容。

9.一种信息处理方法，包括以下步骤：

通过学习创建搜索轴，所述搜索轴充当用于呈现内容的参考，并且是根据所述内容的特征量，以及用户再现所述内容的历史或所述用户对所述内容的评价来确定的；以及

参考已经创建的所述搜索轴来控制所述内容的呈现显示。

10.一种用于致使计算机执行处理的程序，包括以下步骤：

通过学习创建搜索轴，所述搜索轴充当用于呈现内容的参考，并且是根据所述内容的特征量，以及用户再现所述内容的历史或所述用户对所述内容的评价来确定的；以及

参考已经创建的所述搜索轴来控制所述内容的呈现显示。

11.一种信息处理装置，包括：

创建部件，用于通过学习创建搜索轴，所述搜索轴充当用于呈现内容的参考，并且是根据所述内容的特征量，以及用户再现所述内容的历史或所述用户对所述内容的评价来确定的；以及

显示控制部件，用于参考已经创建的所述搜索轴来控制所述内容的呈现显示。

Images