CN101990668B

CN101990668B - 推荐信息生成装置和推荐信息生成方法

Info

Publication number: CN101990668B
Application number: CN200980112637.7A
Authority: CN
Inventors: 深泽佑介; 原未来; 上野英俊; 小野木雅; 长沼武史; 大野木碧; 仓掛正治
Original assignee: NTT Docomo Inc
Current assignee: NTT Docomo Inc
Priority date: 2008-04-10
Filing date: 2009-04-02
Publication date: 2014-03-26
Anticipated expiration: 2029-04-02
Also published as: US8032526B2; EP2264623A4; KR101147470B1; KR20100114093A; JP2009252177A; TW201001200A; US20110093476A1; EP2264623A1; CN101990668A; TWI421714B; WO2009125712A1; JP5166949B2

Abstract

本发明提供如下的推荐信息生成装置和推荐信息生成方法：即使历史信息少，也能够可靠地选择类似的类似用户。在该信息发布服务器(200)中，用户特性矢量计算部(204)计算各用户的用户特性矢量，类似用户计算部(209)根据上述计算出的各用户的用户特性矢量，计算用户间的类似度。然后，类似用户计算部(209)根据计算出的类似度，选择与一个用户类似的类似用户，关联度评价部(210)根据选择出的类似用户的特性矢量，生成针对一个用户的推荐信息。

Description

推荐信息生成装置和推荐信息生成方法

技术领域

本发明涉及生成推荐信息的推荐信息生成装置和推荐信息生成方法。

背景技术

考虑如下的强调过滤方式：根据用户历史与其他用户的历史的比较，求出类似用户，推荐类似用户经常查看的内容。例如，在下述专利文献1（日本特开2002-215665号公报）中记载有如下内容：选定具有与对象用户最相似的嗜好的协调用户，根据该协调用户的分布图，选择要推荐的内容。

专利文献1：日本特开2002-215665号公报

但是，在上述专利文献1所记载的技术中，存在如果访问历史不增加则无法决定推荐信息的问题。即，在选择嗜好类似的用户的情况下，需要选择一个以上的相同内容，所以，如果没有选择相同内容，则不认为是类似用户。因此，需要蓄积某种程度的访问历史。因此，在各用户的访问历史少的状态下，难以生成基于类似用户的推荐信息。

发明内容

因此，本发明的目的在于，提供如下的推荐信息生成装置和推荐信息生成方法：即使历史信息少，也能够可靠地选择类似的类似用户。

为了解决上述课题，本发明的推荐信息生成装置具有：矢量取得单元，其取得各用户的用户特性矢量；类似度计算单元，其根据由所述矢量取得单元取得的各用户的用户特性矢量，计算用户间的类似度；选择单元，其根据由所述类似度计算单元计算出的类似度，选择与一个用户类似的类似用户；以及生成单元，其根据由所述选择单元选择出的类似用户的用户特性矢量，生成针对所述一个用户的推荐信息，所述矢量取得单元由以下单元构成：受理单元，其受理通过用户操作从多个选择对象项目中选择一个选择对象项目；存储单元，其存储与由所述受理单元受理的被选择出的选择对象项目对应的内容的特性矢量作为满意特性矢量，并且，存储与未由所述受理单元受理的选择对象项目对应的内容的特性矢量作为不满意特性矢量；分离平面生成单元，其使用SVM法或者NN法生成分离平面，该分离平面用于根据由所述存储单元存储的满意特性矢量和不满意特性矢量，对被选择出的选择对象项目的内容和未被选择出的选择对象项目的内容进行分离；以及用户特性矢量生成单元，其将与由所述分离平面生成单元生成的分离平面正交的正交矢量作为用户特性矢量。

并且，本发明的推荐信息生成装置具有：矢量取得单元，其取得各用户的用户特性矢量；类似度计算单元，其根据由所述矢量取得单元取得的各用户的用户特性矢量，计算用户间的类似度；选择单元，其根据由所述类似度计算单元计算出的类似度，选择与一个用户类似的类似用户；以及生成单元，其根据由所述选择单元选择出的类似用户的用户特性矢量，生成针对所述一个用户的推荐信息，所述矢量取得单元由以下单元构成：受理单元，其受理通过用户操作从多个选择对象项目中选择一个选择对象项目、以及未被选择出的选择对象项目；存储单元，其存储与未由所述受理单元受理的选择对象项目对应的内容的特性矢量作为不满意特性矢量；以及用户特性矢量生成单元，其根据由所述存储单元存储的不满意特性矢量，生成用户特性矢量。

并且，本发明的推荐信息生成方法具有以下步骤：矢量取得步骤，取得各用户的用户特性矢量；类似度计算步骤，根据由所述矢量取得步骤取得的各用户的用户特性矢量，计算用户间的类似度；选择步骤，根据由所述类似度计算步骤计算出的类似度，选择与一个用户类似的类似用户；以及生成步骤，根据由所述选择步骤选择出的类似用户的用户特性矢量，生成针对所述一个用户的推荐信息，所述矢量取得步骤由以下步骤构成：受理步骤，受理通过用户操作从多个选择对象项目中选择一个选择对象项目；存储步骤，存储与由所述受理步骤受理的被选择出的选择对象项目对应的内容的特性矢量作为满意特性矢量，并且，存储与未由所述受理步骤受理的选择对象项目对应的内容的特性矢量作为不满意特性矢量；分离平面生成步骤，使用SVM法或者NN法生成分离平面，该分离平面用于根据由所述存储步骤存储的满意特性矢量和不满意特性矢量，对被选择出的选择对象项目的内容和未被选择出的选择对象项目的内容进行分离；以及用户特性矢量生成步骤，将与由所述分离平面生成步骤生成的分离平面正交的正交矢量作为用户特性矢量。

并且，本发明的推荐信息生成方法具有以下步骤：矢量取得步骤，取得各用户的用户特性矢量；类似度计算步骤，根据由所述矢量取得步骤取得的各用户的用户特性矢量，计算用户间的类似度；选择步骤，根据由所述类似度计算步骤计算出的类似度，选择与一个用户类似的类似用户；以及生成步骤，根据由所述选择步骤选择出的类似用户的用户特性矢量，生成针对所述一个用户的推荐信息，所述矢量取得步骤由以下步骤构成：受理步骤，受理通过用户操作从多个选择对象项目中选择一个选择对象项目、以及未被选择出的选择对象项目；存储步骤，存储与未由所述受理步骤受理的选择对象项目对应的内容的特性矢量作为不满意特性矢量；以及用户特性矢量生成步骤，根据由所述存储步骤存储的不满意特性矢量，生成用户特性矢量。

根据本发明，能够取得各用户的用户特性矢量，根据取得的各用户的用户特性矢量，计算用户间的类似度。然后，根据计算出的类似度，选择与一个用户类似的类似用户，根据选择出的类似用户的用户特性矢量，生成针对一个用户的推荐信息。由此，使用用户特性矢量来判断用户的类似度，从而与现有方法相比，不用取得大量历史信息，就能够判断高精度的类似用户，能够生成基于该类似用户的推荐信息。例如，在现有方法中，需要根据一万件阅览历史信息来判断类似用户，与此相对，根据本发明，使用10件左右的阅览历史信息，就能够高精度地判断类似用户。

此外，根据本发明，能够受理通过用户操作从多个选择对象项目中选择一个选择对象项目，存储已受理的选择对象项目的满意内容的特性矢量、和未由所述受理单元受理的选择对象项目的不满意内容的特性矢量。然后，生成与分离平面正交的正交矢量作为用户特性矢量，该分离平面用于对所存储的已选择的选择对象项目的满意内容的特性矢量和未选择的选择对象项目的不满意内容的特性矢量进行分离。由此，能够生成高精度的用户特性矢量。

或者，根据本发明，受理通过用户操作从多个选择对象项目中选择一个选择对象项目、以及未选择的选择对象项目，根据未受理的选择对象项目的不满意内容的特性矢量，生成用户特性矢量，由此，能够根据未选择的内容/操作等的选择对象项目的倾向，生成用户特性矢量。

并且，在本发明的推荐信息生成装置中，优选所述生成单元根据由所述类似度计算单元计算出的类似度、以及类似用户的用户特性矢量与由所述类似用户阅览后的阅览内容的特征矢量的内积值，评价所述阅览内容，根据评价出的所述阅览内容生成推荐信息。

根据本发明，根据计算出的类似度、以及类似用户的用户特性矢量与由类似用户阅览后的阅览内容的特征矢量的内积值，评价阅览内容，根据评价出的阅览内容生成推荐信息，由此，能够进行基于类似度的加权处理，生成基于该加权处理结果的推荐信息。由此，能够根据类似度生成适当的推荐信息。

根据本发明，使用用户特性矢量来判断用户的类似度，从而与现有方法相比，不用取得大量历史信息，就能够判断高精度的类似用户，能够生成基于该类似用户的推荐信息。

附图说明

图1是示出推荐信息发布系统的系统结构的系统结构图。

图2是示出信息发布服务器200的功能结构的框图。

图3是信息发布服务器200的硬件结构图。

图4是示出在便携电话机100中显示的菜单画面的一例的说明图。

图5是示出生成分离平面时的处理概念的概念图。

图6是示出根据分离平面来计算用户特性矢量时的概念的概念图。

图7是示出内容管理表205a的存储内容的说明图。

图8是示出内容特性矢量管理表207b的存储内容的说明图。

图9是示出便携电话机100的功能结构的框图。

图10是示出根据便携电话机100的请求来发布内容时的便携电话机100和信息发布服务器200的处理的顺序图。

图11是示出用户特性矢量的计算处理的流程图。

图12是发布推荐信息时的顺序图。

图13是示出关联度计算处理的流程图。

图14是示出历史事件a和历史事件b中的菜单画面的结构例的说明图。

图15是示出在菜单画面中选择出的内容的特性矢量在特征空间中的位置关系的图。

图16是在相对空间内表示历史事件a和b的内容的特性矢量的图。

图17是在无法生成分离平面的情况下使用相对空间进行处理时的说明图。

图18是示出考虑阅览频度来求出特性矢量的重心的处理的概念图。

图19是示出按照访问的时间序列顺序，通过NN法求出用户特性矢量的过程的概念图。

图20是示出与操作有关的特征空间中的特性矢量的参数的说明图。

标号说明

100：便携电话机；100a：便携电话机；101：浏览器；102：历史发送部；103：推荐请求发送部；104：发布信息显示部；200：信息发布服务器；201：内容请求接收部；202：推荐请求接收部；203：历史集合分离部；204：用户特性矢量计算部；205：发布信息存储部；205a：内容管理表；207：历史存储部；207a：用户特性矢量管理表；207b：内容特性矢量管理表；207c：阅览历史表；208：内容发送部；209：类似用户计算部；210：关联度评价部。

具体实施方式

参照附图说明本发明的实施方式。在可能的情况下，对相同部分标注相同标号，并省略重复说明。

图1是示出本实施方式的具有便携电话机100和信息发布服务器200的推荐信息发布系统的系统结构的系统结构图。信息发布服务器200根据来自便携电话机100的请求，向便携电话机100发布该便携电话机100的用户及其特性类似的用户保持的便携电话机100a访问的内容。这里，关于作为推荐信息发布的内容的优选内容，包含对于用户来说未评价的内容，例如，除了还未查看的Web内容以外，还包含构成电视节目表的内容，或者包含介绍今后发售的新刊本等的内容。另外，该信息发布服务器200根据来自各用户保持的便携电话机100的访问请求，从其他内容提供商取得内容，发布所取得的内容，此时收集访问历史。并且，也可以构成为便携电话机100发送访问历史，信息发布服务器200取得该历史。

使用图2说明这种信息发布服务器200的结构。图2是示出信息发布服务器200的功能结构的框图。该信息发布服务器200构成为包含内容请求接收部201、推荐请求接收部202、历史集合分离部203、用户特性矢量计算部204、发布信息存储部205、历史存储部207、内容发送部208、类似用户计算部209以及关联度评价部210。

图3是信息发布服务器200的硬件结构图。图2所示的信息发布服务器200在物理上如图3所示，构成为包含CPU11、主存储装置即RAM12和ROM13、输入设备即键盘和鼠标等的输入装置14、显示器等输出装置15、网卡等数据收发设备即通信模块16、以及硬盘等辅助存储装置17等在内的计算机系统。将规定的计算机软件读入到图3所示的CPU11、RAM12等硬件上，由此，在CPU11的控制下使输入装置14、输出装置15、通信模块16进行动作，并且，进行RAM12和辅助存储装置17中的数据的读出和写入，由此，实现在图2中说明的各功能。下面，根据图2所示的功能框来说明各功能框。

内容请求接收部201是如下部分：根据来自便携电话机100的内容请求，从网络上的内容提供商取得内容，能够通过从便携电话机100接收内容请求及其URL来收集访问历史。收集到的访问历史（URL等）被输出到历史存储部207。另外，该内容请求接收部201区分收集在某个菜单画面（事件）内实际进行了访问的内容（URL）和虽然显示在菜单画面中但实际没有访问的内容，作为访问历史。

并且，内容请求接收部201不仅接收访问请求，也可以接收在便携电话机100中收集到的访问历史信息，将其输出到历史存储部207。该情况下，便携电话机100同样地构成为，区分在某个菜单画面中选择出的内容和未选择的内容，作为访问历史信息，发送给信息发布服务器200。

推荐请求接收部202是如下部分：从便携电话机100接收推荐信息的发布请求以及便携电话机100的用户的用户ID。推荐请求接收部202接收到该发布请求后，向类似用户计算部209通知该意思，进行指示以便提取类似用户。另外，作为变形例，也可以向用户特性矢量计算部204输出具有推荐请求的意思，使其计算当前时点的用户特性矢量，将其结果通知给类似用户计算部209，使其提取类似用户，使内容发送部208发布该类似用户阅览后的内容作为推荐信息。

历史集合分离部203是如下部分：根据在历史存储部207（阅览历史表207c）中存储的阅览历史信息包含的内容的特性矢量，生成用于将内容分离为满意集合和不满意集合的分离平面。这里，满意集合是指仅包含以能够选择的方式在用于访问某个内容的菜单画面中显示的多个内容中、实际选择的内容的集合，不满意集合是指仅包含在该菜单画面中未选择的内容的集合。该历史集合分离部203使用SVM法或NN法，生成能够将各内容的特性矢量分离为满意集合和不满意集合的分离平面，由此，能够对这些集合进行分离。这里，SVM（Support Vector Machine）法是将使各个集合的节点之间（特性矢量之间）的最小距离最大化的平面作为分离平面的方法，NN法是将推荐把各个集合的重心之间、即根据各内容的特性矢量计算出的满意集合的重心和不满意集合的重心连接起来的直线的平面作为分离平面的方法。另外，在NN法中，不是必须求出分离平面，也可以将从不满意集合的重心朝向满意集合的重心连接起来的直线作为用户特性矢量。

这里，说明生成分离平面的具体方法。图4是示出在便携电话机100中显示的菜单画面的一例的说明图。如图4所示，显示有节点1～节点5。该节点表示选择对象项目，例如是按照网页上的菜单画面中的每个类别进行区分的项目，或者是网页的标题。例如，节点1是与汽车有关的内容，节点2是与金融有关的内容等。用户通过选择节点1～节点5中的任意一个，从而能够阅览对应的内容。

图5是示出生成分离平面时的处理概念的概念图。图5示出在上述图4的菜单画面中由用户选择出的内容和未选择的内容中、在特征空间内的各内容的特性矢量的位置关系。如图5所示，圆形所示的部分是满意的内容（节点3、节点4），三角形所示的部分是不满意的内容（节点1、节点2、节点5），四边形所示的部分是未知的未评价的内容（节点8、节点7）。分离平面是为了对这些满意内容和不满意内容进行分离而生成的。这里，在进行分离处理时不考虑未评价的内容。另外，图中，为了简便，利用二维平面来表现特征空间，但是，矢量轴存在构成矢量的参数的量，通常利用二十维以上的矢量来构成特征空间。

用户特性矢量计算部204是如下部分：计算与由历史集合分离部203生成的分离平面正交的正交矢量，并将其作为用户特性矢量。图6示出其具体例。图6是示出根据分离平面来计算用户特性矢量时的概念的概念图。如图6所示，通过用户特性矢量计算部204计算与分离平面正交的正交矢量即用户特性矢量w。用户特性矢量计算部204每当收集阅览历史时进行计算，更新在用户特性矢量管理表207a中存储的用户特性矢量。

发布信息存储部205是如下部分：存储由操作员预先登记的内容、或由内容请求接收部201从各用户即便携电话机100和100a接收到的具有发布请求的内容，存储有内容管理表205a。图7是示出内容管理表205a的存储内容的说明图。如图7所示，该内容管理表205a对应地存储用户ID、内容ID、类别、标题和推荐正文。用户ID是用于确定用户的识别信息，是便携电话机100或100a的固有信息等。内容ID是用于唯一确定内容的识别信息，类别表示信息类别，例如是用于表示与CD相关联、与DVD相关联、与书籍相关联、与电视节目相关联等的信息。标题是用于作为推荐信息显示的索引信息。在发布推荐信息时，显示其标题部分。推荐正文是推荐信息的主体部分，是对用户有用的信息。该内容管理表205a中存储的信息可以由操作员预先输入，也可以由内容提供商自动检索/提取、并利用规定文件夹汇集。

类似用户计算部209是如下部分：对一个用户特性矢量和其他用户的用户特性矢量的类似度进行计算，以便按照由推荐请求接收部202接收到的推荐请求，提取与发出该推荐请求的用户类似的类似用户。具体而言，类似用户计算部209计算在用户特性矢量管理表207a中存储的一个用户特性矢量和其他用户的用户特性矢量的内积值，由此计算类似度。该其他用户大量存在，类似用户计算部209将类似度最大的其他用户作为类似用户。另外，对一个用户、其他用户各自的用户特性矢量进行标准化处理。并且，这里，设一个用户为便携电话机100的用户，设类似用户为便携电话机100a的用户。

关联度评价部210是如下部分：对在发布信息存储部205中存储的内容中、由类似用户计算部209提取出的类似用户阅览后的内容进行评价，然后，生成按照评价从高到低的顺序排列内容标题而成的推荐信息。具体而言，如以下的式（1）所示，该关联度评价部210分别从用户特性矢量管理表207a、阅览历史表207c中提取类似用户即便携电话机100a的用户特性矢量w和该类似用户阅览后的已阅览内容的特性矢量C₁，计算其内积值。然后，对该内积值再乘以便携电话机100的用户的用户特性矢量和便携电话机100a的用户的用户特性矢量的类似度θ，计算乘法值。以按照该乘法值所示的关联度从大到小的顺序显示内容标题的方式，生成推荐信息。

关联度=用户特性矢量w·特性矢量c₁×类似度θ…（1）

历史存储部207是存储各历史信息的部分，存储有用户特性矢量管理表207a、内容特性矢量管理表207b和阅览历史表207c。

用户特性矢量管理表207a是与用于确定用户的用户ID对应地存储由用户特性矢量计算部204计算出的用户特性矢量的部分。

内容特性矢量管理表207b是与用于确定该内容的信息（例如内容ID、URL等）对应地存储在内容管理表205a中存储的由操作员预先登记的内容的特性矢量的部分。例如，内容特性矢量管理表207b存储有图8所示的信息。如图8所示，与内容ID对应地存储有多个构成特性矢量的参数。在图8中记载了8个参数，但是，通常由更多的参数来构成特性矢量。另外，除了规定的参数以外，还可以追加针对每个内容按照形态要素解析提取出的关键字作为参数。针对构成特性矢量的每个参数，在0～1之间记述数值，表示使哪个特性矢量具有特征。

阅览历史表207c是存储由内容请求接收部201接收到的目的地或者收集到的访问历史信息的部分，例如是对应地存储用户ID、内容ID（或内容的URL）及其内容（已阅览的内容、未阅览的内容各自）的特性矢量的部分。

内容发送部208是发送根据由内容请求接收部201接收到的内容请求而取得的内容的部分。例如，内容发送部208发送根据由内容请求接收部201接收到的内容请求而取得的内容，并且，对应于推荐请求接收部202，发送根据在发布信息存储部205中存储的内容或在阅览历史表207c中存储的阅览历史中记述的内容，按照关联度评价部210的评价结果而生成的推荐信息。

这样构成的信息发布服务器200能够根据来自便携电话机100的请求，发布包含类似用户即便携电话机100a的用户阅览后的内容在内的推荐信息。由此，能够根据用户特性矢量来判断用户的类似度，发布类似用户阅览后的内容作为推荐信息，由此，即使是阅览历史少的用户彼此，也能够判断其类似度。

另外，在本实施方式中，使用历史集合分离部203和用户特性矢量计算部204来计算用户特性矢量，并将其存储在用户特性矢量管理表207a中，但是不限于此，也可以作为固定值而在用户特性矢量管理表207a中存储用户特性矢量。例如，作为该固定值，可考虑根据进行问卷调查等的结果而手动生成的值。

并且，也可以仅根据不满意内容的特性矢量来逐次计算用户特性矢量，并将其存储在用户特性矢量管理表207a中。例如，不使用历史集合分离部203，用户特性矢量计算部204仅根据未选择的不满意内容来生成用户特性矢量，并将其存储在用户特性矢量管理表207a中。该情况下，用户特性矢量计算部204仅根据不满意内容来计算重心，将其作为用户特性矢量存储在用户特性矢量管理表207a中，类似用户计算部209根据该用户特性矢量来判断类似用户。

接着，说明便携电话机100。图9是示出便携电话机100的功能结构的框图。如图9所示，便携电话机100构成为包含浏览器101、历史发送部102、推荐请求发送部103以及发布信息显示部104。该便携电话机100由CPU、RAM、ROM等硬件构成，CPU构成为按照存储的程序进行动作。具体而言，采用与信息发布服务器200相同的结构，由图3所示的硬件结构来实现。下面说明各结构。

浏览器101是用于与因特网连接的应用部分，对在因特网上配置的站点进行访问，使用户能够阅览在站点中保存的内容。该浏览器101构成为保存访问历史。

历史发送部102是发送使用浏览器101访问的内容的访问历史（表示在同一菜单画面上选择出的内容和未选择的内容的信息）的部分。另外，在信息发布服务器200侧具有每当进行访问时就收集历史信息的功能的情况下，该历史发送部102不是必须的结构。

推荐请求发送部103是如下部分：通过由用户操作未图示的操作部，向信息发布服务器200发送用户ID和推荐信息的请求。

发布信息显示部104是显示由浏览器101取得的菜单画面和内容（网页）的部分。

这样构成的便携电话机100能够使用浏览器101访问因特网，并且，保存其访问历史，历史发送部102能够按照来自信息发布服务器200的请求或者规定定时来发送访问历史。

接着，说明这些便携电话机100和信息发布服务器200的动作。图10是示出根据便携电话机100的请求来发布内容时的便携电话机100和信息发布服务器200的处理的顺序图。

如图10所示，根据来自便携电话机100的浏览器101的请求，通过内容发送部208从信息发布服务器200发布菜单画面（S101）。便携电话机100的用户从该菜单画面中选择任意一个内容（相当于上述节点），便携电话机100的浏览器101受理该内容后（S102），按照内容的连接请求及其目的地向信息发布服务器200发送URL（S103）。

在信息发布服务器200中，通过内容请求接收部201接收URL，作为访问历史存储在阅览历史表207c中。然后，根据该访问历史来计算用户特性矢量并进行存储（S104）。然后，通过内容发送部208从内容提供商（未图示）取得基于在S103中具有请求的目的地的内容并进行发布（S105）。另外，用户特性矢量的计算处理和内容的发布处理的顺序也可以相反。

这里，说明S104中的用户特性矢量计算的详细处理。图11是示出用户特性矢量的计算处理的流程图。如图11所示，首先，将由内容请求接收部201接收到的访问请求或访问历史所示的访问历史信息作为新追加的访问历史，存储在阅览历史表207c中（S201）。

然后，通过历史集合分离部203，根据在该阅览历史表207c中存储的访问历史信息，提取属于各满意集合或不满意集合的内容的特性矢量（S202）。然后，通过历史集合分离部203，根据这些特性矢量生成用于对满意集合和不满意集合进行分离的分离平面（S202）。接着，通过用户特性矢量计算部204计算与生成的分离平面正交的正交矢量，求出用户特性矢量（S204）。这里求出的用户特性矢量被保存在用户特性矢量管理表207a中，在发布推荐信息时，对在发布信息存储部205中存储的内容进行评价时利用该用户特性矢量。

接着，说明本实施方式中的发布类似用户阅览后的内容作为推荐信息时其关联度的计算处理。图12是示出发布推荐信息时的顺序图。如图12所示，通过便携电话机100的推荐请求发送部103发送包含用户ID在内的推荐请求，通过信息发布服务器200的推荐请求接收部202接收该推荐请求（S301）。然后，在信息发布服务器200中，针对在发布信息存储部205中存储的类似用户阅览后的已阅览内容进行关联度的计算处理（S302）。这里，通过关联度评价部210来计算关联度，生成按照关联度从高到低的顺序排列内容标题而成的推荐信息。然后，通过内容发送部208发布这样生成的推荐信息（S303）。

这里，说明S302的关联度计算的更加详细的处理。图13是示出关联度计算处理的流程图。如图13所示，通过关联度评价部210，根据与推荐请求一起发送的用户ID，从用户特性矢量管理表207a中取得对应的用户特性矢量（S401）。接着，通过类似用户计算部209计算发出推荐请求的用户和其他用户的类似度。即，分别从用户特性矢量管理表207a中提取用户的用户特性矢量和其他用户的用户特性矢量，并计算其内积。计算与全部其他用户之间的内积，决定类似度最高（内积值最大）的用户作为类似用户（S402）。

然后，通过关联度评价部210，从阅览历史表207c中取得类似用户已经阅览的内容的特性矢量（S403）。如上述式（1）所示，计算所取得的内容的特性矢量和类似用户的特性矢量的内积，对该内积值再乘以在S402中计算出的类似度（内积值），计算关联度（S404）。通过关联度评价部210，生成按照该关联度从大到小的顺序排列内容标题而成的推荐信息，通过内容发送部208向用户（便携电话机100）发布所生成的推荐信息（S405）。

这样，能够按照用户特性矢量来确定类似用户，将该类似用户阅览后的内容作为推荐信息来提供。

<相对空间中的分离平面的生成>

以上的分离平面的生成方法是按照绝对空间中的内容的特性矢量来进行的，但是，作为精度更高的方法，可考虑利用求出相对位置关系的相对空间的方法。下面，说明使用相对空间来生成分离平面的方法。另外，此时的处理结构与上述情况相同，仅历史集合分离部203中的处理内容不同。

图14示出历史事件a和历史事件b中的菜单画面的结构例，图14（a）是示出历史事件a中的菜单画面的图，该菜单画面由节点1～节点3构成。并且，图14（b）是示出历史事件b中的菜单画面的图，该菜单画面由节点6～节点9构成。在图14（a）中示出选择了节点3的情况，在图14（b）中示出选择了节点9的情况。

图15是示出在图14所示的各个菜单画面中选择出的内容的特性矢量在特征空间中的位置关系的图。图15（a）是示出在历史事件a中选择出的内容的特征空间（绝对空间）的图，图15（b）是示出在历史事件b中选择出的内容的特征空间（绝对空间）的图。与上述情况相同，能够将选择出的内容定义为满意内容，将未选择的内容定义为不满意内容，分别分类为满意集合、不满意集合。

图16是在同一特征空间上表示各个历史事件a和b的内容的特性矢量的图，是示出在取不满意内容的特性矢量为原点的情况下表示满意内容的特性矢量的位置的相对空间的图。例如，为了进行节点2和节点3的相对比较、节点1和节点3的相对比较，设表示分别以节点1、节点2为原点时的节点3的位置的特征空间为相对空间。更具体而言，从节点3的特性矢量中减去节点1的特性矢量，由此，能够形成相对空间。其他节点也同样，通过进行减去作为对象的内容的特性矢量的处理，能够形成相对空间。

在该相对空间中，如图16所示，根据这种满意内容的特性矢量、不满意内容的特性矢量，通过历史集合分离部203生成用于分离为满意集合和不满意集合的分离平面。然后，通过用户特性矢量计算部204计算与该分离平面正交的正交矢量即用户特性矢量w。

这样，在历史事件不同的情况下，也能够利用相对空间生成用户特性矢量，能够生成识别性更高的用户特性矢量。

这样，使用相对空间生成分离平面，由此，能够生成用户特性矢量。但是，关于图15～图17，作为绝对空间进行处理也能够生成分离平面，但是，还可考虑由无法生成分离平面的特性矢量构成的特征空间。该情况下，能够利用上述相对空间来生成分离平面。下面说明该方法。

图17（a）是示出绝对空间中的内容的特性矢量的图。在该图17（a）中，以节点1和节点4是存在于相同事件（菜单画面）中的内容、节点2和节点3是存在于相同事件中的内容为前提。另外，圆形是选择出的内容的特性矢量（满意集合），三角形是未选择的内容的特性矢量（不满意集合）。

根据图17（a）可知，在绝对空间中，针对取这种位置关系的特性矢量的内容，无法生成分离平面。分离平面是用于对满意集合和不满意集合进行分离的平面，在图17（a）的例子中，无法不多不少地分离两者。由此，需要转换为表示相对位置关系的相对空间，以便能够生成分离平面。

图17（b）是示出相对空间内的内容的特性矢量的图，为了使节点1和节点2处于相同位置，在图17（b）的例子中，使与节点2对应的节点3平行移动，以使该节点2平行移动。这样转换为相对空间，由此，能够生成对不满意内容即节点1（节点2）与满意内容即节点3和节点4进行分离的分离平面v。

如上所述，在绝对空间中，在无法生成分离平面的情况下，也能够通过转换为相对空间来生成分离平面，由此，能够计算用户特性矢量。

<考虑到阅览频度的分离平面的生成方法>

接着，说明进行使用了内容的阅览频度的加权处理，并使用该加权处理后的特性矢量来生成分离平面时的历史集合分离部203的处理。另外，这里说明使用了NN法的分离平面的生成。

图18是示出考虑阅览频度来求出特性矢量的重心的处理的概念图，是示出表示与节点A～C对应的内容c₁～c₃的特性矢量的位置的特征空间的概念图。设内容c₁的阅览频度是3次，内容c₂的阅览频度是1次，内容c₃的阅览频度是10次。另外，阅览历史表207c优选存储已阅览的内容的阅览历史、未阅览的内容的未阅览历史，并需要以能够保存或计算的方式存储各个频度。

该情况下，通过以下的式（2）来计算这些内容c₁～c₃的重心。

另外，c_i是已阅览的内容的特性矢量，n_i是阅览频度。

通过进行该计算来确定重心。并且，虽然没有图示，但是，关于未阅览的内容，同样使用式（2），使用未阅览的内容的特性矢量来求出其重心。然后，能够求出从未阅览的内容的重心连接到已阅览的内容的重心的直线，作为用户特性矢量。另外，该直线取和与分离平面正交的直线相同的朝向，可以计算分离平面并求出与该分离平面正交的正交矢量，但是，在NN法中不一定需要分离平面。

由此，能够利用内容的阅览频度来求出用户特性矢量，与不利用阅览频度的情况相比，能够求出接近用户的嗜好的用户特性矢量。由此，能够进行基于用户的嗜好的内容的评价。

<考虑到选择顺序的分离平面的生成方法>

接着，说明考虑已阅览的内容的顺序来生成分离平面时的历史集合分离部203的处理。一般地，可以认为最近访问的内容比此前访问的内容重要、或者接近用户的嗜好。其时间差越大，用户的嗜好越产生变化，越显著地认为最近访问的内容重要。这里，说明考虑其时间差（时间序列分量）来生成分离平面时的处理。

图19是示出在历史集合分离部203生成分离平面时，按照其访问的时间序列顺序，通过NN法生成用户特性矢量时的处理的说明图，图19（a）是示出此时的菜单画面的说明图，图19（b）是示出用户选择出的内容的选择历史的说明图，图19（c）是示出特征空间中的各内容的特性矢量的概念图，图19（d）是用于说明生成考虑到选择顺序的分离平面的情况的概念图。另外，选择历史被存储在阅览历史表207c中。

如图19（a）所示，由节点A～节点F构成菜单画面。这里，如图19（b）所示，按照节点A、节点B、节点C的顺序来选择内容。由此，节点A、节点B、节点C是被分类为满意集合的内容，节点D、节点E、节点F是被分类为不满意集合的内容。

接着，使用图19（c）和图19（d）说明示出生成分离平面时的处理的概念。如图19（c）所示，节点A～节点F按照其特性矢量位于特征空间上。然后，以使最近选择的内容的特性矢量的影响变大的方式进行计算。如图19（d）所示，为了求出满意集合中的重心，首先计算节点A与节点B的中点w1。然后，计算该中点w1与节点C的中点w2。

另一方面，在不满意集合中，根据节点D、节点E、节点F计算重心w3。在不满意集合中没有选择顺序这样的概念，所以，与通常的处理相同，计算基于这3个节点的重心w3。然后，生成连接中点w2与重心w3的线为垂线的分离平面v。另外，在本实施方式中，设与该分离平面v正交的正交矢量为用户特性矢量，这与从重心w3连接到中点w2的直线相同。在实施方式中，为了便于说明，求出分离平面，但是，在使用NN法的情况下，不是必须求出分离平面。

这样，计算特性矢量与特性矢量的中点，并且，计算该中点与特性矢量的中点，按照时间序列依次计算中点（应用NN法），由此，越靠前的访问历史，权重越小，能够计算考虑到时间序列顺序的重心。

<针对操作菜单的应用>

但是，在上述各方法中，作为菜单画面，以从网站即信息发布服务器200发送的菜单画面为例进行了说明，但是不限于此，例如，也可以针对便携电话机100的操作菜单显示推荐操作信息作为推荐信息。

例如，也可以针对操作菜单中的各操作项目分配特性矢量，按照用户的操作历史，生成与用户操作有关的用户特性矢量，根据该用户特性矢量提取类似用户，生成基于该类似用户的操作历史的推荐操作信息。该情况下，操作历史构成为，在规定定时发送给信息发布服务器200并进行存储。并且构成为，在用户希望查看类似用户的操作历史的情况下，能够进行操作，以便进行该意思的推荐操作信息请求。

图20是示出与操作有关的特征空间中的特性矢量的参数的说明图。如图20所示，作为便携电话机100的终端功能，规定了“来电文字”、“视频电话”、“单频段”、“画面备注”、“文本备注”。并且，作为构成特性矢量的参数，规定了“电话”、“因特网”、“文本”、“备注”、“视频”。这样，在便携电话机100的功能中规定了特性矢量。例如，在“来电文字”中，对“电话”、“文本”的参数分配1，示出是与电话、文本相关联的功能。在发布信息存储部205中存储有类似用户搜查到的操作历史信息，在用户进行用于显示操作菜单的操作时，通知该意思，关联度评价部210生成基于类似用户的操作历史的推荐操作信息，内容发送部208发送该推荐操作信息，能够在便携电话机100中显示该推荐操作信息。

这样，针对操作菜单应用本实施方式的评价方法，向用户提供推荐操作信息，由此，能够向用户通知与用户经常使用的操作类似或相关联的操作。

接着，说明本实施方式的信息发布服务器200的作用效果。在该信息发布服务器200中，用户特性矢量计算部204计算各用户的用户特性矢量，类似用户计算部209根据上述计算出的各用户的用户特性矢量，计算用户间的类似度。然后，类似用户计算部209根据计算出的类似度，选择与一个用户类似的类似用户，关联度评价部210根据选择出的类似用户的特性矢量，能够生成针对一个用户的推荐信息。由此，使用用户特性矢量来判断用户的类似度，从而与现有方法相比，不用取得大量历史信息，就能够高精度地判断类似用户。例如，在现有方法中，需要根据一万件阅览历史信息来判断类似用户，根据本发明，使用10件左右的阅览历史信息，就能够高精度地判断类似用户。

并且，内容请求接收部201接收通过用户操作从多个选择对象项目即菜单画面中选择一个选择对象项目即内容的情况，内容特性矢量管理表207b存储已选择的内容的特性矢量和未选择的内容的特性矢量。然后，历史集合分离部203生成用于对存储的已选择的内容的特性矢量和未选择的内容的特性矢量进行分离的平坦形成的分离平面，用户特性矢量计算部204根据与生成的分离平面正交的正交矢量，能够生成用户特性矢量。由此，能够生成高精度的用户特性矢量。

并且，在该信息发布服务器200中，关联度评价部210将由类似用户计算部209计算出的类似度、以及类似用户的用户特性矢量与由类似用户阅览后的阅览内容的特性矢量的内积值相乘，根据该相乘而得到的乘法值，评价阅览内容，根据该评价，根据阅览内容生成推荐信息，由此，进行基于类似度的加权处理，能够生成基于该加权处理的结果的推荐信息。由此，能够根据类似度生成适当的推荐信息。

Claims

1.一种推荐信息生成装置，其中，该推荐信息生成装置具有：

矢量取得单元，其取得各用户的用户特性矢量；

类似度计算单元，其根据由所述矢量取得单元取得的各用户的用户特性矢量，计算用户间的类似度；

选择单元，其根据由所述类似度计算单元计算出的类似度，选择与一个用户类似的类似用户；以及

生成单元，其根据由所述选择单元选择出的类似用户的用户特性矢量，生成针对所述一个用户的推荐信息，

所述矢量取得单元由以下单元构成：

受理单元，其受理通过用户操作从多个选择对象项目中选择一个选择对象项目；

存储单元，其存储与由所述受理单元受理的被选择出的选择对象项目对应的内容的特性矢量作为满意特性矢量，并且，存储与未由所述受理单元受理的选择对象项目对应的内容的特性矢量作为不满意特性矢量；

分离平面生成单元，其使用SVM法或者NN法生成分离平面，该分离平面用于根据由所述存储单元存储的满意特性矢量和不满意特性矢量，对被选择出的选择对象项目的内容和未被选择出的选择对象项目的内容进行分离；以及

用户特性矢量生成单元，其将与由所述分离平面生成单元生成的分离平面正交的正交矢量作为用户特性矢量。

2.根据权利要求1所述的推荐信息生成装置，其特征在于，

所述生成单元根据由所述类似度计算单元计算出的类似度、以及类似用户的用户特性矢量与所述类似用户所阅览的阅览内容的特征矢量的内积值，评价所述阅览内容，根据评价出的所述阅览内容生成推荐信息。

3.一种推荐信息生成装置，其中，该推荐信息生成装置具有：

矢量取得单元，其取得各用户的用户特性矢量；

所述矢量取得单元由以下单元构成：

受理单元，其受理通过用户操作从多个选择对象项目中选择一个选择对象项目、以及未被选择出的选择对象项目；

存储单元，其存储与未由所述受理单元受理的选择对象项目对应的内容的特性矢量作为不满意特性矢量；以及

用户特性矢量生成单元，其根据由所述存储单元存储的不满意特性矢量，生成用户特性矢量。

4.根据权利要求3所述的推荐信息生成装置，其特征在于，

5.一种推荐信息生成方法，其中，该推荐信息生成方法具有以下步骤：

矢量取得步骤，取得各用户的用户特性矢量；

类似度计算步骤，根据由所述矢量取得步骤取得的各用户的用户特性矢量，计算用户间的类似度；

选择步骤，根据由所述类似度计算步骤计算出的类似度，选择与一个用户类似的类似用户；以及

生成步骤，根据由所述选择步骤选择出的类似用户的用户特性矢量，生成针对所述一个用户的推荐信息，

所述矢量取得步骤由以下步骤构成：

受理步骤，受理通过用户操作从多个选择对象项目中选择一个选择对象项目；

存储步骤，存储与由所述受理步骤受理的被选择出的选择对象项目对应的内容的特性矢量作为满意特性矢量，并且，存储与未由所述受理步骤受理的选择对象项目对应的内容的特性矢量作为不满意特性矢量；

分离平面生成步骤，使用SVM法或者NN法生成分离平面，该分离平面用于根据由所述存储步骤存储的满意特性矢量和不满意特性矢量，对被选择出的选择对象项目的内容和未被选择出的选择对象项目的内容进行分离；以及

用户特性矢量生成步骤，将与由所述分离平面生成步骤生成的分离平面正交的正交矢量作为用户特性矢量。

6.一种推荐信息生成方法，其中，该推荐信息生成方法具有以下步骤：

矢量取得步骤，取得各用户的用户特性矢量；

所述矢量取得步骤由以下步骤构成：

受理步骤，受理通过用户操作从多个选择对象项目中选择一个选择对象项目、以及未被选择出的选择对象项目；

存储步骤，存储与未由所述受理步骤受理的选择对象项目对应的内容的特性矢量作为不满意特性矢量；以及

用户特性矢量生成步骤，根据由所述存储步骤存储的不满意特性矢量，生成用户特性矢量。