CN102262647B

CN102262647B - 信息处理装置、信息处理方法和程序

Info

Publication number: CN102262647B
Application number: CN201110139803.1A
Authority: CN
Inventors: 馆野启
Original assignee: Sony Corp
Current assignee: Sony Corp
Priority date: 2010-05-31
Filing date: 2011-05-24
Publication date: 2016-02-17
Anticipated expiration: 2031-05-24
Also published as: US9785888B2; US9208441B2; CN102262647A; JP2011248831A; US20160071015A1; US20110295787A1; US20140122405A1; JP5454357B2; US8682830B2

Abstract

本发明涉及信息处理装置、信息处理方法和程序。在此公开一种信息处理装置，该信息处理装置包括评价信息提取部，被配置成从作为由关注的用户通过语言表达的信息给出的语言表达中提取评价信息，所述评价信息包括要被评价的对象以及对要被评价的对象的评价；识别部，被配置成识别该评价信息是关于内容的第一类型的评价信息还是关于其他用户的第二类型的评价信息；以及评价预测部，被配置成基于由关注的用户给出的第一类型的评价信息，以及基于由关注的用户给出的第二类型的评价信息中的由其他用户给出的评价信息，来预测关注的用户关于内容的评价。

Description

信息处理装置、信息处理方法和程序

技术领域

本公开涉及信息处理装置、信息处理方法和程序。更具体地，本公开涉及用于预测用户关于内容的评价的信息处理装置、信息处理方法和程序。

背景技术

近年来，通过使用诸如博客、SNS(社会网络服务)和推特(注册商标)这样的基于因特网的服务，普通用户表达他们对于多种事件和问题的意见的机会已经逐渐增加。

已经提出了从这样的用户通过语言表达的信息(在下文中，称为语言表达)中提取表示特定事件或者问题的评价的表达(在下文中，称为评价表达)的技术。一种这样的技术由N.Kobayashi等人在期刊《JapaneseSocietyforArtificialIntelligence》2007年第22卷第2号第227-238页的“OpinionMiningfromWebDocuments：ExtractionandStructurization”(在下文中，称为非专利文献1)中公开。

此外，已经提出了用于确定给定的语言表达是正面还是负面的技术。一种这样的技术由T.Nasukawa等人在2003年的《关于知识撷取的国际会议论文集》中的“SentimentAnalysis：CapturingFavorabilityUsingNaturalLanguageProcessing”(在下文中，称为非专利文献2)中公开。

发明内容

例如，在以上引用的非专利文献1和2中公开的技术可用于估计给定用户的品位，并由此预测他或她对于各种内容的评价。然而，获取由个人用户直接给出的足够数量的评价表达是不可能的。这意味着关于内容的评价预测的准确度可能恶化。

已经鉴于以上情况做出了本公开，本公开提供了用于基于语言表达提高预测用户对内容的评价的准确度的信息处理装置、信息处理方法以及程序。

根据本公开的一个实施例，提供一种信息处理装置，该信息处理装置包括：评价信息提取部，被配置成从作为由关注的用户通过语言表达的信息给出的语言表达来提取评价信息，所述评价信息包括要被评价的对象以及对该要被评价的对象的评价；识别部，被配置成识别该评价信息是关于内容的第一类型的评价信息还是关于其他用户的第二类型的评价信息；以及评价预测部，被配置成基于由关注的用户给出的第一类型的评价信息，以及基于在由关注的用户给出的第二类型的评价信息中的由其他用户给出的评价信息，来预测关注的用户关于内容的评价。

优选地，第二类型的评价信息可包括其中由其他用户给出的语言表达要被评价的评价信息；以及评价预测部可基于由关注的用户给出的第一类型的评价信息，以及基于在由关注的用户给出的第二类型的评价信息中由要被评价的其他用户给出的语言表达中包括的所述的评价信息，来预测关注的用户关于内容的评价。

优选地，第二类型的评价信息可包括将其他用户作为要被评价的对象的评价信息；以及评价预测部可基于由关注的用户给出的第一类型的评价信息，以及基于在由关注的用户给出的第二类型的评价信息中由要被评价的其他用户给出的评价信息，来预测关注的用户关于内容的评价。

优选地，评价预测部可包括：估计部，被配置成基于由关注的用户给出的第一类型的评价信息，以及基于由关注的用户给出的第二类型的评价信息中的由其他用户给出的评价信息，来估计在关注的用户对内容的评价预测中使用的参数；以及预测部，被配置成基于关注的用户的参数，来预测关注的用户关于内容的评价。

优选地，预测部可将由关注的用户的参数以及与被关注的用户正面评价的其他用户的参数加权相加所获得的值设置作为关注的用户的参数。

优选地，预测部可通过在关注的用户与被关注的用户正面评价的其他用户之间共享参数的先验分布，来估计关注的用户的参数。

优选地，预测部可通过使用被关注的用户正面评价的其他用户的参数来预测关注的用户关于内容的评价。

根据本公开的另一实施例，提供一种信息处理方法，与信息处理装置一起使用，用于预测关注的用户对内容的评价，所述信息处理方法包括：从作为由关注的用户通过语言表达的信息给出的语言表达来提取评价信息，所述评价信息包括要被评价的对象以及对要被评价的对象的评价；识别评价信息是关于内容的第一类型的评价信息还是关于其他用户的第二类型的评价信息；基于由关注的用户给出的第一类型的评价信息以及基础由关注的用户给出的第二类型的评价信息中的由其他用户给出的评价信息，来预测关注的用户关于内容的评价。

根据本公开的又一实施例，提供一种用于使计算机执行处理的程序，该程序包括：从作为由关注的用户通过语言表达的信息给出的语言表达来提取评价信息，所述评价信息包括要被评价的对象以及对要被评价的对象的评价；识别评价信息是关于内容的第一类型的评价信息还是关于其他用户的第二类型的评价信息；以及基于由关注的用户给出的第一类型的评价信息，以及基于由关注的用户给出的第二类型的评价信息中的由其他用户给出的评价信息，来预测关注的用户关于内容的评价。

根据以上概括的本公开，从作为由关注的用户通过语言表达的信息给出的语言表达提取来评价信息，所述评价信息包括要被评价的对象以及对要被评价的对象的评价。进行确定，以识别该评价信息是关于内容的第一类型的评价信息还是具有关于其他用户的第二类型的评价信息。基于由关注的用户给出的第一类型的评价信息，以及基于由关注的用户给出的第二类型的评价信息中的由其他用户给出的评价信息，来预测关注的用户关于内容的评价。

只要实施该公开的任何一种实施例，就有可能基于语言表达预测关注的用户对内容的评价。此外，本公开的实施例可以改进预测的准确度。

附图说明

图1是示出作为本公开的实施例的信息处理系统的典型配置的框图；

图2是由信息处理系统执行的内容推荐过程的流程图说明；

图3是分析其他人的评价信息的过程的详细步骤的流程图说明；

图4是示出博客信息的示例的表格视图；

图5是示出语言表达信息的示例的表格视图；

图6是示出评价信息的示例的表格视图；

图7是示出内容评价信息的示例的表格视图；

图8是示出用户参考信息的示例的表格视图；

图9是示出在预测学习(predictivelearning)中使用的估计参数的第一示例的表格视图；

图10是示出在预测学习中使用的估计参数的第二示例的表格视图；

图11是示出内容的典型特征量的表格视图；以及

图12是示出计算机的典型结构的框图。

具体实施方式

一种信息处理装置，包括：

评价信息提取部，被配置成从作为由关注的用户通过语言表达的信息给出的语言表达中提取评价信息，该评价信息包括要被评价的对象以及对要被评价的对象的评价；

识别部，被配置成识别评价信息是关于内容的第一类型的评价信息还是关于其他用户的第二类型的评价信息；

评价预测部，被配置成基于由关注的用户给出的第一类型的评价信息以及基于在由关注的用户给出的第二类型的评价信息中的由其他用户给出的评价信息，来预测关注的用户关于内容的评价。

一种信息处理方法，与信息处理装置一起使用，用于预测关注的用户对内容的评价，信息处理方法包括：

从作为由关注的用户通过语言表达的信息给出的语言表达中提取评价信息，评价信息包括要被评价的对象以及对要被评价的对象的评价；

识别评价信息是关于内容的第一类型的评价信息还是关于其他用户的第二类型的评价信息；以及

基于由关注的用户给出的第一类型的评价信息以及基于在由关注的用户给出的第二类型的评价信息中的由其他用户给出的评价信息，来预测关注的用户关于内容的评价。

现在，本公开的一些优选实施例将在以下标题下进行描述：

1.实施例；以及

2.变型例。

1.实施例

信息处理系统的典型配置

图1是示出作为本公开的实施例的信息处理系统101的典型配置的框图。例如，信息处理系统101由计算机、服务器、存储器件和通信器件组成。信息处理系统101收集由个人用户经由诸如因特网(未示出)的网络给出的关于内容的评价信息，并基于收集到的评价信息，进行学习以预测用户对内容的评价。根据学习的结果，信息处理系统101预测用户可能对内容给出的评价，并经由网络将内容推荐给用户。

在当前上下文中，内容指的是图片数据、活动图像数据、音乐数据、各种产品和文档数据等等。所述内容不受具体类型限制。

信息处理系统101被构造成包括博客信息保持部分111、语言表达收集部分112、语言表达保持部分113、评价信息提取部分114、类型识别部分115、评价信息保持部分116、评价信息分析部分117、内容评价信息获取部分118、内容评价信息保持部分119、用户参考信息保持部分120、评价预测部121、内容信息保持部分122和内容呈现部分123。评价预测部121被构造成包括参数估计部分131、用户参数保持部分132和预测部分133。

博客信息保持部分111、语言表达保持部分113、评价信息保持部分116、内容评价信息保持部分119、用户参考信息保持部分120、内容信息保持部分122和用户参数保持部分132由各种存储器件诸如硬盘驱动器或者闪存存储器构成。博客信息保持部分111、语言表达保持部分113、评价信息保持部分116、内容评价信息保持部分119、用户参考信息保持部分120、内容信息保持部分122和用户参数保持部分132每个可以由不同的存储器件构造，或者可以部分或全部由相同的存储器件构成。

语言表达收集部分112从博客信息保持部分111获取博客信息，随后将参考图4讨论。语言表达收集部分112经由网络(未示出)访问博客信息中登记的不同用户的博客，从而收集用户给出的语言表达。语言表达收集部分112将包括收集到的语言表达的语言表达信息存储到语言表达保持部分113中。

在当前上下文中，语言表达指的是通过符号或通过声音表达的信息，诸如文本数据或音频数据。

评价信息提取部分114从存储在语言表达保持部分113中的语言表达中提取包括将要被评价的各种事件或问题的评价的评价信息。评价信息提取部分114将所提取的评价信息供应到类型识别部分115。

类型识别部分115识别评价信息中所评价的对象的类型(在下文中，称为对象类型)。类型识别部分115将评价信息与所识别的对象类型一起存储到评价信息保持部分116中。

评价信息分析部分117分析保持在评价信息保持部分116中的评价信息。基于该分析的结果，评价信息分析部分117生成表示个人用户对内容的评价的内容评价信息，并将所生成的内容评价信息存储到内容评价信息保持部分119中。而且，基于该分析的结果，评价信息分析部分117生成表示每个用户对其他用户的评价的用户参考信息，并将所生成的用户参考信息存储到用户参考信息保持部分120中。

内容评价信息获取部分118获取外部输入的内容评价信息，并将其存储到内容评价信息保持部分119中。

评价预测部121进行学习以预测每个用户对内容的评价。基于学习的结果，评价预测部121预测每个用户可能对内容做出的评价。

更具体地，评价预测部121的参数估计部分131从内容评价信息保持部分119获取内容评价信息，并且从用户参考信息保持部分120获取用户参考信息。基于这样获得的内容评价信息和用户参考信息，参数估计部分131利用适当的学习技术进行学习以预测每个用户对内容的评价。此外，参数估计部分131将表示学习结果的每个用户的参数存储到用户参数保持部分132中。

预测部分133从用户参数保持部分132获取每个用户的参数，并且从内容信息保持部分122获取每个内容的特征量。基于每个用户的参数以及基于每个内容的特征量，预测部分133预测每个用户可能对每个内容做出的评价，并将预测的结果供应至内容呈现部分123。

内容信息保持部分122存储关于各种内容的包括其特征量的信息。可替换地，关于内容的信息以及内容本身可以存储在内容信息保持部分122中。

基于所预测的每个用户关于每个内容的评价，内容呈现部分123从内容信息保持部分122获取关于将要推荐给每个用户的内容的信息。

内容推荐过程

以下参考图2和图3的流程图解释信息处理系统101执行的内容推荐过程。在需要时，在说明中针对具体事例将参考图4至图11。

在步骤S1中，语言表达收集部分112收集语言表达。具体地，语言表达收集部分112首先从博客信息保持部分111获取博客信息。

图4示出博客信息的示例。博客信息由要用于收集语言表达的登记的博客组成。例如，博客信息包括建立要进行收集的博客的用户以及每个用户的博客首页的URL(统一资源定位器)。例如，由用户1建立且具有由URL“http://blog.example.com/user1/entry-1.html”表示其首页的博客被显示登记在图4中的第一记录(record)中。

语言表达收集部分112经由网络(未示出)访问登记在博客信息中的每个用户的博客。然后，基于每个博客服务的格式，在从其提取仅后续处理所必需的语言表达之前，语言表达收集部分112收集并编辑由博客刊登的文章。语言表达收集部分112继续进行以将包括所提取的语言表达的语言表达信息存储到语言表达保持部分113中。

图5示出语言表达信息的示例。例如，语言表达信息包括用于识别个人语言表达的语言表达ID、发起该语言表达的用户以及该语言表达。在图5的示例中，已经从其提取了语言表达的网站(博客页面)的URL被用作语言表达ID。

例如，由用户1发起的语言表达“艺术家A的歌曲A是特别成功的”被显示登记在图5的第一记录中。此外，已经提取了语言表达的用户1的博客页面的URL“http://blog.example.com/user1/entry-1.html”被显示登记为语言表达ID。

如果语言表达包括具有与其他网站的链接的信息，考虑到后续处理，该链接信息应该优选地被维持原封不动。例如，在图5中的第二记录被示出为包括由锚标签<ahref＝”http://blog.example.com/user3/entry-1.html”>～</a>包围的并维持原封不动的链接信息。

回到图2，在步骤S2中，评价信息提取部分114从保持在语言表达保持部分113中的语言表达信息中提取评价信息。

图6示出评价信息的示例。例如，评价信息可包括评价者、评价表达、评价好感度(evaluationfavorability)、对象类型以及要被评价的对象。

通过分析包括在语言表达信息中的每个语言表达，其中该语言表达信息保持在语言表达保持部分113中，评价信息提取部分114从每个语言表达中提取评价表达和在该评价表达中用于评价的对象。此外，评价信息提取部分114确定所提取的评价表达的好感度(在下文中，称为评价好感度)是正面的还是负面的。作为用于提取评价表达和评价对象以及用于确定评价好感度的典型技术，可以采用在以上引用的非专利文献2中描述的技术等。

评价信息提取部分114继续进行以将包括评价者、评价表达、评价好感度和评价对象的评价信息供应到类型识别部分115。发起从其提取评价信息的语言表达的每个用户被设置为所讨论的评价信息的评价者。

在步骤S3中，类型识别部分115识别评价对象的类型(即，对象类型)。具体地，评价信息提取部分114识别对象类型是最终用作将要推荐给用户的单元的内容、由其他用户给出的语言表达，还是人(即，其他用户)。

例如，类型识别部分115通过使用以下手段来识别对象类型：其中登记有艺术家名字和歌曲名的字典、其中登记有用户的名字或昵称的用户登记信息、通过其来确定给定的表达是否由引号(“”)包围的准则、以及用于提取命名实体的技术。在2003年的公开号为No.4200645、发明人为ErikF.Tjong等人、发明名称为“IntroductiontotheCoNLL-2003SharedTask：Language-IndependentNamedEntityRecognition，”CoNLL的日本专利中详细地讨论了用于提取命名实体的典型技术。

而且，如果要被评价的对象由带有链接的锚标签(ahref...＞～</A>，等)包围，则类型识别部分115基于域名字典以及基于链接目标的URL的域名来识别对象类型是内容还是语言表达。例如，如果所述域名是视频发布站点的域名，则对象类型可以分类为内容(即，视频)。这个方法还可在要被评价的对象是给定网站的页面的URL的情况下应用。

作为另一示例，类型识别部分115可执行适当技术的学习过程，以基于锚文本的内容来识别对象类型。

作为再一示例，如果要被评价的对象是图像数据，则类型识别部分115可执行适当技术的学习过程，以基于嵌入在图像数据中的文本的内容来识别对象类型。

如上所述，类型识别部分115识别每项评价信息是关于内容(即，对象类型是内容)还是关于其他用户(即，对象类型是语言表达或人)。类型识别部分115还识别与其他用户相关的评价信息是关于由其它用户给出的语言表达(即，对象类型是语言表达)还是关于其他用户他自身或她自身(即，对象类型是人)。

前述描述仅给出识别对象类型的技术的实例。对象类型识别技术不限于以上讨论的技术。可以替代地采用一些其它适当的技术。

类型识别部分115将评价信息与对象类型一起存储到评价信息保持部分116中。如果对象类型与任何内容、语言表达或人都不相应，则类型识别部分115丢弃该评价信息，并且不会将其存储到评价信息保持部分116中。

例如，通过上述步骤S2和S3的处理，从图5的第一记录中的语言表达“艺术家A的歌曲A是特别成功的”中提取语言表达“特别成功的”作为评价表达，而提取“歌曲A”作为评价对象。而且，评价表达“特别成功的”的评价好感度被确定为是正面的，并且评价对象“歌曲A”的对象类型被分类为内容。以这种方式，图6中的第一记录被生成为包括评价者“用户1”、评价表达“特别成功的”、评价好感度“正面的”、对象类型“内容”和评价对象“歌曲A”的评价信息。

作为另一示例，从图5中第二记录中的“<ahref＝http://blog.example.com/user3/entry-1.html>这个观点</a>非常不公平”提取语言表达“不公平”作为评价表达。在这个记录的语言表达的文本中，评价目标是“这个观点”，其是由带有链接的锚标签包围的字符串。因而，实际上，URL“http://blog.example.com/user3/entry-1.html”被提取作为评价目标。而且，评价表达“不公平”的评价好感度被确定为是负面的，并且评价对象“http://blog.example.com/user3/entry-1.html”的对象类型被分类为语言表达。以这种方式，图6中的第二记录被生成为包括评价者“用户1”、评价表达“不公平”、评价好感度“负面的”、对象类型“语言表达”和评价对象“http://blog.example.com/user3/entry-1.html”的评价信息。

作为另一实例，从图5的第三记录中的语言表达“用户2先生实际上具有良好的品位”提取语言表达“良好的”作为评价表达，并提取“用户2先生”作为评价对象。而且，评价表达“良好的”的评价好感度被确定为是正面的，并且评价对象“用户2先生”的对象类型被分类为人。以这种方式，图6中的第三记录被生成为包括评价者“用户1”、评价表述“良好的”、评价好感度“正面的”、对象类型“人”和评价对象“用户2先生”的评价信息。

同样地，图6中的第四记录的评价信息和第五记录的评价信息分别由图5中的第四记录的语言表达信和第五记录的语言表达信息生成。

回到图2，在步骤S4中，评价信息分析部分117生成内容评价信息。具体地，评价信息分析部分117从保持在评价信息保持部分116中的评价信息提取其对象类型是内容的评价信息。评价信息分析部分117基于所提取的评价信息生成内容评价信息。

图7示出内容评价信息的示例。内容评价信息可典型地包括评价者、用作要被评价的目标的内容、以及评价好感度。例如，基于图6中的第一记录中的评价信息，图7中的第一记录被生成为包括评价者“用户1”、内容“歌曲A”以及评价好感度“正面的”的内容评价信息。也就是说，这里所生成的是表明用户1正面地评价歌曲A的内容评价信息。同样地，基于图6中的第四记录的评价信息和第五记录的评价信息，分别生成图7中的第四记录的内容评价信息和第五记录的内容评价信息。评价信息分析部分117将由此生成的内容评价信息存储到内容评价信息保持部分119中。

在步骤S5中，评价信息分析部分117执行分析其他人的评价信息的过程。以下参考图3的流程图详细地解释其他人的评价信息分析过程。

在图3的步骤S51中，评价信息分析部分117从保持在评价信息保持部分116中的评价信息中选择要被分析的评价信息。例如，评价信息分析部分117可从图6中的第一记录开始接连地选择评价信息。

在步骤S52中，评价信息分析部分117基于要被分析的评价信息的对象类型确定评价是否是关于语言表达。如果确定该评价是关于语言表达，则控制转到步骤S53。

在步骤S53，评价信息分析部分117提取语言表达中被评价的内容。这里，考虑了评价图6中的第二记录的其对象类型是语言表达的评价信息的情形。

例如，通过与以上讨论的图2中的步骤S1相同的处理，评价信息分析部分117可从在“http://blog.example.com/user3/entry-1.html”发布的文章中提取语言表达“歌曲B不过是小儿科”，该“http://blog.example.com/user3/entry-1.html”是所讨论的评价信息的评价对象。然后，通过与以上讨论的图2中的步骤S2相同的处理，评价信息分析部分117提取在语言表达中被评价的内容“歌曲B”。

在该情形下，可以省略在前述的步骤，因为已经在之前执行的步骤S1和S2中，从关注的语言表达中提取了内容“歌曲B”。

如果在语言表达中被评价的评价对象是另一语言表达，则评价信息分析部分117继续进行以提取在该另一语言表达中评价的内容。

在步骤S54中，评价信息分析部分117生成与所提取的内容相关的内容评价信息。

在该情形下，例如，用户1负面地评价用户3的语言表达，并且用户3在他或她的语言表达中负面地评价歌曲B。接着，可认为用户1以间接的方式正面地评价歌曲B。

评价信息分析部分117由此将图7中的第二记录2生成为包括评价者

“用户1”、内容“歌曲B”以及评价好感度“正面的”的内容评价信息。评价信息分析部分117将所生成的内容评价信息存储到内容评价信息保持部分119中。其后，控制转到步骤S58。

以上述的方式，基于用户1关于用户3的语言表达的评价，可以估计用户1关于在用户3的语言表达中评价的歌曲B的评价，并且可以生成表示估计结果的内容评价信息，其接着被存储。

如果在步骤S52确定该评价不是关于语言表达，则控制转到步骤S55。

在步骤S55中，基于要分析的评价信息的对象类型，评价信息分析部分117确定评价是否是关于人。如果确定该评价是关于人，则控制转到步骤S56。

在步骤S56，评价信息分析部分117存储用户参考信息。这里，考虑了分析图6中的第三记录的其对象类型是人的评价信息的情形。

图8示出了用户参考信息的示例。用户参考信息可典型地包括参考用户(referencinguser)、被参考用户(referenceduser)以及评价好感度。例如，在图6中的第三记录的评价信息中，用户1正面地评价用户2。因而，评价信息分析部分117将图8中的第一记录生成为包括参考用户“用户1”、被参考用户“用户2”以及评价好感度“正面的”的用户参考信息。也就是说，这里生成的用户参考信息指示作为评价被参考用户“用户2”的评价者的参考用户“用户1”的“正面的”评价好感度作为评价对象。评价信息分析部分117将所生成的用户参考信息存储到用户参考信息保持部分120中。

在步骤S57中，通过利用被参考用户的内容评价信息，评价信息分析部分117生成参考用户的内容评价信息。在该情形下，例如，作为参考用户的用户1正面地评价作为被参考用户的用户2。因而，可以利用未修改的用户2的内容评价信息来生成用户1的内容评阶信息。也就是说，评价信息分析部分117通过复制其中用户2是评价者的图7中的第四内容评价信息并且通过以用户1取代评价者来生成用户1的内容评价信息。以这种方式，在图7中的第三记录被生成为包括评价者“用户1”、内容“唱片(album)1”以及评价好感度“正面的”的内容评价信息。

如果在该情形下，用户2对用户1的评价是负面的，则评价好感度仅需被反转。

评价信息分析部分117继续进行以将所生成的内容评价信息存储到内容评价信息保持部分119中。然后，控制转到步骤S58。

如果在步骤S55中，确定评价不是关于人，即，如果确定评价是关于内容，则跳过步骤S56和S57并且到达步骤S58。也就是说，将不再生成其对象类型是内容的评价信息，因为内容评价信息已经通过上述图2中的步骤S4的处理生成。

在步骤S58中，评价信息分析部分117确定是否已经分析了所有的评价信息。如果还未评价所有的评价信息，则控制转到步骤S51。然后，重复步骤S51至步骤S58，直到在步骤S58中确定已经分析了所有的评价信息。

如果在步骤S58中，确定已经分析了所有的评价信息，则结束其他人的评价信息分析过程。

以上述方式，基于由所讨论的用户评价的其他用户的评价信息，生成给定用户的内容评价信息，并存储所生成的内容评价信息。

回到图2，在步骤S6中，参数估计部分131估计在预测每个用户关于内容的评价中使用的参数。

通常，用于内容推荐的评价预测技术分为两类：协同过滤(CF)以及基于内容的过滤(CBF)。第一类中众所周知的技术是基于矩阵分解，诸如在公开号为No.2010/0030764的美国专利申请以及在2008年的《关于知识发现与数据挖掘的国际会议论文集》中YehudaKoren的“FactorizationMeetstheNeighborhood：aMultifacetedCollaborativeFilteringModel”中所描述的那些。在以上第二类中的常用技术是模式识别技术诸如SVM(支持向量机)。

可以使用上述的任何技术，以基于给定数据(在该上下文中，给定数据是由用户对内容的评价的信息以及由内容本身组成的信息)处理关于每个用户或每个内容来估计参数的任务。

以下解释的典型的学习技术是利用逻辑回归的CBF。利用逻辑回归的CBF技术的详细描述可以在例如2006年，由Springer-Verlag出版、C.M.Bishop的“PatternRecognitionandMachineLearning”(日文版本可从2007年12月由日本Springer出版、HiroshiMotoda等人翻译的″PatternRecognitionandMachineLearning--StatisticalPredictionbasedonBayesianTheory″得到，在以下文中，称为非专利文献5)中发现。

通过使用逻辑回归，学习由包括权重和常数项的实值矢量表示的参数，其中权重和常数项中的每个与内容的特征量有关(例如，在音乐的情形下，流派和关键词；节奏，音调以及其它信号特征)。

参数估计部分131首先进行学习以基于保持在内容评价信息保持部分119中的内容评价信息来预测个人用户对内容的评价。例如，参数估计部分131进行学习以基于其评价者是用户1的内容评价信息(例如，在图6中的第一至第三记录)来预测用户1关于内容的评价。而且，参数估计部分131进行学习以基于其评价者是用户2的内容评价信息(例如，在图6中的第四记录)来预测用户2关于内容的评价。参数估计部分131还进行学习以基于其评价者是用户3的内容评价信息(例如，在图6中的第五记录)来预测用户3关于内容的评价。

图9示出个人用户对具有四个特征量的内容的评价的学习预测的示例。在该情形下，作为学习的结果获得五个参数：关于四个内容特征量的四个参数1至4加一个常数项。

接下来，参数估计部分131基于保持在用户参考信息保持部分120中的用户参考信息而合并参数。例如，参数估计部分131可获取给定用户的参数与由所讨论的用户正面评价的用户的参数的加权平均数(加权附加值)，并且可将所获取的加权平均数设置作为所讨论的用户的参数。

例如，在图8的用户参考信息中看出，用户1对用户2给出了正面的评价。因而，参数估计部分131获得用户1的参数与用户2的参数以例如2∶1的比率的加权平均数，以计算用户1的参数。因此，用户1的参数是0.13、1.03、0.83、4.63和-2.50，如在图10中所示。

如果用户1对于多个用户(例如，用户2和3)给出正面评价，则用户1的参数与所述多个用户的参数的加权平均数被确认为用户1的参数。可替换地，可以通过从被正面评价的多个用户来提取预定数量的用户来获得加权平均数。

作为另一示例，如果用户1对单个用户(例如，用户2)给出多个评价，并且如果在该情形下，正面评价比负面评价多出一定比率，则可以基于该比率确定用于加权平均的权重。另一方面，如果对用户给出的负面评价比正面评价多，则用户的参数应该优选地不用于加权平均。

作为另一示例，被用户1正面评价的用户2的参数可以被不变地用作用户1的参数。这种布置在以下情形中尤其有效：用户1的参数的置信度低，因为存在很少关于用户1的内容评价信息，而用户2的参数的置信度高，因为存在许多关于用户2的内容评价信息。

因为没有用户2和用户3的用户参考信息，所以利用对这些用户单独估计的参数。

然后，参数估计部分131将作为学习过程的结果获取的个人用户的参数存储到用户参数保持部分132中。

如在以上引用的非专利文献5中所描述的，众所周知的是，可以利用用于假设参数的先验分布的学习的贝叶斯框架来精确地学习用于对内容分类的分类器等等。

先验分布可以由所有的用户共享或者为所涉及的每个用户保持。在前一种情况下，粒度过于粗糙而不容许足够的准确度。在后一种情况下，不能适当地学习先验分布，因为数据的数目过少。因而，能想到，在具有类似趋向的用户之间共享先验分布，如KaiYu等人在2004年美国计算机协会的《第27届关于信息检索的研究和开发的国际ACMSIGIR会议的论文集》中第353-360页的“ANonparametricHierarchicalBayesianFrameworkforInformationFiltering”中所讨论的。虽然具有类似趋向的用户的选择可以由概率模型表示，但是本公开的实施例使得可以利用在用户参考信息中被正面评价的被参考用户的未改变的先验分布来学习参数。

在该情形下，例如，可以在学习要在用户之间共享的先验分布之前，针对每个用户学习参数。利用后一种处理，有可能影响与其共享先验分布的任何其他用户的参数的学习。

回到图2，在步骤S7中，预测部分133确定被参考用户的参数是否要用于评价预测。可以有两种方法用于预测由要被评价预测的用户(在下文中，称为关注的用户)对内容的评价。一种方法涉及利用关注的用户的参数，另一种方法涉及利用被参考用户的参数。

例如，如果不存在关注的用户正面评价的被参考用户，则关注的用户的参数用于评价预测。在该情形下，预测部分133确定被参考用户的参数将不用于评价预测。

作为另一示例，如果通过对涉及任何其它用户的参数进行加权平均而获得关注的用户的参数，则关注的用户的参数用于评价预测。在该情形下，预测部分133还确定被参考用户的参数将不用于评价预测。

作为再一示例，如果存在关注的用户正面评价的被参考用户，并且如果关注的用户的参数被单独地估计而不借助于对涉及任何其他用户的参数的加权平均，则以概率α(0＜α≤1)利用被参考用户的参数来执行评价预测，以及以概率1-α利用关注的用户的参数来进行评价预测。也就是说，在该情形下，预测部分133确定被参考用户的参数以1-α的概率不被用于评价预测，并确定被参考用户的参数将以α的概率用于评价预测。

如果存在关注的用户正面评价的多个被参考用户，则概率α可以用例如被参考用户的数目均分。作为另一示例，可以对所涉及的每个被参考用户设定不同的概率。

如果在步骤S7中确定被参考用户的参数将不用于评价预测，则控制转到步骤S8。

在步骤S8中，预测部分133获取关注的用户的参数。例如，如果用户1是关注的用户，则预测部分133从图9(或图10)所示的其它用户的参数之中获取用户1的参数。其后，控制转到步骤S10。

如果在步骤S7中确定被参考用户的参数将用于评价预测，则控制转到步骤S9。

在步骤S9中，预测部分133获取被参考用户的参数。例如，如果用户1是关注的用户，则预测部分133基于图8中的用户参考信息来确定用户1正面评价的被参考用户是用户2。然后，预测部分133从图9(或图10)所示的用户的参数之中获取用户2的参数。其后，控制转到步骤S10。

在步骤S10中，预测部分133执行评价预测。具体地，从其信息被存储在内容信息保持部分122中的内容之中，预测部分133预测关注的用户关于待被评价的那些内容的评价。也就是说，从其信息被保持在内容信息保持部分122中的内容之中，预测部分133预测关注的用户关于内容的评价，该关注的用户的关于所述内容的内容评价信息没有被存储在内容评价信息保持部分119中。

例如，预测部分133可基于以下表达式(1)计算逻辑回归的输出值fw(x)：

fw(x)＝1/(1+exp(-w^Tx))...(1)

其中，“w”表示在评价中使用的用户的参数，“x”表示给出要被评价的内容的特征量的矢量。

以上矩阵“x”包括其值保持为“1”与参数的常数项对应的元素。

预测部分133取计算的输出值fw(x)作为关注的用户关于所讨论的内容的预测评价值。

例如，如果图9中用户1的参数用于评价预测，并且如果要被评价的内容1至3的特征量1至4被设置为图11中所示的值，则预测的用户1关于内容1至3的评价值fw(x)分别是0.51、0.81和0.14。

此外，利用被预测的评价值fw(x)作为伯努里分布的期望值，预测部分133预测关注的用户关于具有特征量“x”的内容的评价是正面的还是负面的。预测的评价值fw(x)的值越大，关注的用户喜欢所讨论的内容(即，对其给出正面的评价)的可能性越高。相反，预测的评价值fw(x)的值越小，关注的用户不喜欢所讨论的内容(即，对其给出负面的评价)的可能性越高。

预测部分133对内容呈现部分123供应关注的用户关于待被评价的内容的预测评价值fw(x)。

在步骤S11中，内容呈现部分123呈现该内容。例如，内容呈现部分123可呈现前n个内容，并从内容信息保持部分122获取与所提取的内容相关的信息。内容呈现部分123继续进行以经由网络(未示出)将所获取的与内容有关的信息发送到比如关注的用户所拥有的信息装置(例如，计算机、移动电话、便携式信息终端)。当与所提取的内容相关的信息显示在关注的用户的信息装置上时，将所讨论的内容推荐给该用户。

其后，内容推荐过程结束。

以上述方式，除了关注的用户的评价信息之外，根据其语言表达被关注的用户评价的一些其他用户的评价信息，或者被关注的用户评价的一些其他用户的评价信息，来预测关注的用户关于内容的评价。从而，基于与之前相比具有更高置信度的评价信息，来预测关注的用户关于内容的评价。因此，提高了预测关注的用户关于内容的评价的准确度，这使得与用户的品位更一致地向关注的用户推荐内容成为可能。

<2.变型例>

在前述描述中，利用逻辑回归的CBF技术被显示为预测关于内容的评价的典型技术。可替换地，任何其它适当的学习技术可被用于实现本公开。可期望利用回归技术来预测连续值，诸如线性回归或者支持矢量回归，来代替分类技术诸如逻辑回归或者SVM。在该情形下，当在图2的步骤S2中确定评价好感度时，可以利用状语表达诸如“非常”和“很少”来建立正面或负面评价的程度。

在前述的描述中，示出博客作为从其收集语言表达的来源。然而，这不是对于本公开的限制。可替换地，其它来源诸如SNS和推特(注册商标)可被设定作为从其采集语言表达的目的地。

作为另一可替换方案，可以不仅利用从所收集的语言表达提取的内容评价信息，而且利用由内容评价信息获取部118从外部获取的内容评价信息来执行学习过程。

本公开也可应用于多种信息处理装置、信息处理系统、和用于预测用户关于内容的评价或者用于向用户推荐内容的软件，等其它目的。

[计算机的典型结构]

上述的一系列过程可以通过硬件或者通过软件执行。在通过软件执行过程时，构成软件的程序被安装到适当的计算机中用于过程执行。这样的计算机包括能够基于安装在其中的程序执行多种功能的具有预先在其专用硬件中安装软件的计算机、和通用个人计算机等设备。

图12是示出利用适当的程序执行上述系列过程的计算机典型结构的方框图。

在计算机中，CPU(中央处理单元)201、ROM(只读存储器)202和RAM(随机存取存储器)203经由总线204互连。

输入/输出接口205也连接到总线204。输入/输出接口205与输入部分206、输出部分207、存储部分208、通信部分209和驱动210连接。

输入部分206典型地由键盘、鼠标和麦克风组成。输出部分207一般由显示器和扬声器形成。存储部分208通常由硬盘或者非易失性存储器组成。通信部分209典型地由网络接口形成。驱动210驱动可拆卸介质211诸如磁盘、光盘、磁光盘和半导体存储器。

在如上概述的构造的计算机中，CPU201典型地可以通过经由输入/输出接口205和总线204将相应的程序从存储部分208加载到RAM203来执行上述系列过程，用于程序执行。

要被计算机(即，CPU201)执行的程序可被提供记录在构成封装介质等等的可拆卸介质211上。还可通过有线或无线传输介质诸如局域网、因特网或者数字卫星广播传输来提供程序。

当承载相关程序的适当的一片可拆卸介质211附接于驱动210时，可以通过输入/输出接口205将程序从附接的介质安装到存储部分208中。可替换地，在程序被安装在存储部分208中之前，可以由通信部分209通过有线或无线传输介质接收程序。根据另一可替换方案，程序可预安装在ROM202或者存储部分208中。

此外，用于由计算机执行的程序可以按照本说明书描述的顺序(即，根据时间序列)、并行地、或者以其它适当的时间方式如当它们被调用时来处理。

在本说明书中，术语“系统”指的是由多个组成器件和元件组成的全部配置。

本领域的技术人员应该理解的是，可根据设计要求和其它因素发生各种改进、组合、次组合和改变，只要它们在所附权利要求或其它等同方案的范围内。

本公开包含与2010年5月31日在日本专利局提交的日本在先专利申请JP2010-124183中公开的主题相关的主题，在此通过引用结合其全部内容。

Claims

1.一种信息处理装置，包括：

评价信息提取部，被配置成从作为由关注的用户通过语言表达的信息给出的语言表达中提取评价信息，所述评价信息包括要被评价的对象以及对所述要被评价的对象的评价；

识别部，被配置成识别所述评价信息是关于内容的第一类型的评价信息还是关于其他用户的第二类型的评价信息；

评价预测部，被配置成基于由所述关注的用户给出的所述第一类型的评价信息以及基于在由所述关注的用户给出的所述第二类型的评价信息中的由所述其他用户给出的评价信息，来预测所述关注的用户关于所述内容的评价。

2.根据权利要求1所述的信息处理装置，其中，所述第二类型的所述评价信息包括其中由所述其他用户给出的所述语言表达要被评价的所述评价信息；以及

其中，所述评价预测部基于由所述关注的用户给出的所述第一类型的所述评价信息以及基于在由所述关注的用户给出的所述第二类型的所述评价信息中由要被评价的所述其他用户给出的所述语言表达中包括的所述评价信息，来预测所述关注的用户关于所述内容的评价。

3.根据权利要求1所述的信息处理装置，其中，所述第二类型的评价信息包括将所述其他用户作为要被评价的对象的所述评价信息；以及

所述评价预测部基于由所述关注的用户给出的所述第一类型的评价信息以及基于在由所述关注的用户给出的所述第二类型的评价信息中由作为要被评价的对象的所述其他用户给出的所述评价信息，来预测所述关注的用户关于所述内容的评价。

4.根据权利要求1所述的信息处理装置，其中所述评价预测部包括：

估计部，被配置成基于由所述关注的用户给出的所述第一类型的评价信息以及基于由所述关注的用户给出的所述第二类型的所述评价信息中的由所述其他用户给出的所述评价信息，来估计在所述关注的用户对所述内容的评价预测中使用的参数；以及

预测部，被配置成基于所述关注的用户的所述参数，来预测所述关注的用户关于所述内容的评价。

5.根据权利要求4所述的信息处理装置，其中，所述预测部将由所述关注的用户的参数与被所述关注的用户正面评价的所述其他用户的参数加权相加所获得的值设置作为所述关注的用户的所述参数。

6.根据权利要求4所述的信息处理装置，其中，所述预测部通过在所述关注的用户与被所述关注的用户正面评价的所述其他用户之间共享所述参数的先验分布，来估计所述关注的用户的所述参数。

7.根据权利要求4所述的信息处理装置，其中，所述预测部通过使用被所述关注的用户正面评价的所述其他用户的所述参数，来预测所述关注的用户关于所述内容的评价。

8.一种信息处理方法，与信息处理装置一起使用，用于预测关注的用户对内容的评价，所述信息处理方法包括：

从作为由所述关注的用户通过语言表达的信息给出的语言表达中提取评价信息，所述评价信息包括要被评价的对象以及对所述要被评价的对象的评价；

识别所述评价信息是关于内容的第一类型的评价信息还是关于其他用户的第二类型的评价信息；以及

基于由所述关注的用户给出的所述第一类型的评价信息以及基于在由所述关注的用户给出的所述第二类型的评价信息中的由所述其他用户给出的评价信息，来预测所述关注的用户关于所述内容的评价。