CN103620648A - 图像评价装置、图像评价方法、程序、集成电路 - Google Patents

Abstract

本发明的图像评价装置，其目的在于，以在网络上共享的图像为对象，提供适于用户个人的图像评价。本发明的图像评价装置，其特征在于，具备：图像特征量提取单元，从多个图像分别提取图像特征量；评价信息取得单元，取得评价信息，该评价信息包括以主体用户为首的多个用户对各个所述图像进行的评价；生成单元，基于所述图像特征量和所述评价信息，生成表示所述图像和所述用户和将所述图像特征量分类的图像特征量群之间的关系的信息；以及图像社交重要度计算单元，根据所述生成单元生成的信息，计算表示该图像对于所述主体用户的重要度的图像社交重要度。

Description

图像评价装置、图像评价方法、程序、集成电路

技术领域

本发明涉及评价多个图像的图像评价技术。

背景技术

近年来，由于数字照相机的普及、记录介质的容量增加，用户能够保存庞大数量的图像、运动图像等个人内容。除此之外，由于能够在用户之间共享个人内容的社交网络的普及，在用户与用户的朋友等之间频繁进行个人内容的共享。

随着该社交网络的普及，用户变得难以观赏每天共享的庞大数量的图像。因此，有可能看漏对于用户个人来说重要的图像，所以需要用于有效地观赏在用户间共享的图像的图像评价。

作为现有的图像评价方法，有根据用户对共享图像的投票（评价）数来计算各图像的评价值并对图像进行评价的方法（参见专利文献1）。

现有技术文献

专利文献

专利文献1：日本特开2004-151918号公报

非专利文献

非专利文献1：David G.Lowe，"Distinctive image features fromscale-invariant keypoints"，Journal of Computer Vision，60，2，pp.91-110，2004.

非专利文献2：G.Csurka，C.Bray，C.Dance，and L，Fan，"VisualCategorization with Bags of Keypoints"，Proc.of ECCV Workshop onStatistic1

al Learning in Computer Vision，pp.1-22（2004）.

非专利文献3：The PageRank citation ranking：Bringing order tothe Web.Page，Lawrence;Brin，Sergey;Motwani，Rajeev and Winograd，Terry（1999）.

发明的概要

发明所要解决的课题

然而，在专利文献1的图像评价中，无论用户个人评价如何，通常受欢迎（评价高）的图像得到高评价，存在不能将对于用户个人来说重要的图像进行高评价的课题。

发明内容

本发明是鉴于上述课题而做出的，其目的在于，提供一种进行是与用户个人的图像评价的图像评价装置、图像评价方法、程序、集成电路。

解决课题所采用的技术手段

为了解决上述现有的课题，本发明的图像评价装置，其特征在于，具备：图像特征量提取单元，从多个图像分别提取图像特征量；评价信息取得单元，取得评价信息，该评价信息包含包括主体用户在内的多个用户对于各个所述图像的评价；生成单元，基于所述图像特征量和所述评价信息，生成表示所述图像、所述用户、以及将所述图像特征量分类而得到的图像特征量群之间的关系的信息；以及图像社交重要度计算单元，基于所述生成单元生成的信息，计算表示该图像对于所述主体用户的重要度的图像社交重要度。

发明的效果：

本发明的图像评价装置进行适于用户个人的图像评价。

附图说明

图1是实施方式1中的图像评价系统的框图。

图2是实施方式1中的整体流程图。

图3是实施方式1中的图像取得·图像特征量群提取的流程图。

图4是实施方式1中的图像特征量提取和图像特征量分类的一例。

图5是表示实施方式1中的图像特征量占有度存储部的数据结构的图。

图6是表示实施方式1中的图像特征量群管理信息的数据结构的图。

图7是实施方式1中的评价取得·评价特征量计算的流程图。

图8是实施方式1中的评价特征量计算的一例。

图9是表示实施方式1中的评价特征量的数据结构的图。

图10是表示实施方式1中的评价信息的数据结构的图。

图11是实施方式1中的评价方法的一例。

图12是实施方式1中的评价嗜好类似度计算的流程图。

图13是实施方式1中的评价嗜好类似度计算的一例。

图14是表示实施方式1中的评价嗜好类似度的数据结构的图。

图15是实施方式1中的图像评价的流程图。

图16是表示在实施方式1中的图像特征量群重要度计算和图像社交重要度计算的一例中使用的图像特征量群管理信息、评价信息、评价嗜好类似度的图。

图17是实施方式1中的图像特征量群重要度计算的一例。

图18是实施方式1中的图像社交重要度计算的一例。

图19是表示实施方式1中的图像特征量群重要度的数据结构的图。

图20是表示实施方式1中的图像社交重要度的数据结构的图。

图21是实施方式1中的图像等级的一例。

图22是实施方式2中的图像评价系统的框图。

图23是实施方式2中的整体流程图。

图24是实施方式2中的图表生成的流程图。

图25是实施方式2中的群组链接的设定的一例。

图26是实施方式2中的评价链接的设定的一例。

图27是实施方式2中的图像特征链接的设定的一例。

图28是实施方式2中的伪链接的设定的一例。

图29是实施方式2中生成的图表的一例。

图30是表示实施方式2中的图表信息的数据结构的图。

图31是实施方式2中的图像评价的流程图。

图32是实施方式2中的邻接矩阵M的一例。

图33是实施方式2中的图像社交重要度计算的一例。

图34是实施方式2中的图像等级的一例。

图35是变形例中的评价方法的一例。

具体实施方式

<完成发明的过程＞

在专利文献1的图像评价中，将网络上等的图像作为对象，用户对图像进行投票，根据该投票数的合计，计算图像的评价值并对图像进行评价。因此，在专利文献1的图像评价中，通常受欢迎（评价高）的图像被评价得高。但是，用户个人的喜好是多样的，所以通常受欢迎的图像对于用户个人来说并不一定是重要的，在该图像评价中，存在对于用户个人来说真正重要的图像没有被评价得高而用户可能看漏的问题。

于是，针对该问题，本发明人经过反复研究后发现，用户在评价图像时，关注图像中包含的特定的特征（例如图像中出现的物体）进行评价。根据该见解，本发明人发现，用户所评价的图像中共同包含的特征是重要特征，包含该重要特征的图像对于用户来说是重要的图像，从而完成了本发明。

在本发明的图像评价处理中，基于作为图像评价对象的主体用户、以及与该主体用户共享图像的关联用户已经对图像评价的评价信息，计算图像特征量的重要度。不只是主体用户，还考虑关联用户的评价信息，在评价庞大数量的图像的情况下、或者在主体用户的评价信息少的情况下，仍能够高精度地对主体用户进行图像评价。

<1.实施方式1＞

实施方式1是以社交网络上的图像为对象、按每位用户对图像进行评价的图像评价装置。

下面参照附图来说明实施方式1。

<1-1.构成＞

图1是实施方式1中的图像评价系统1A的框图。

如图1所示，图像评价系统1A包括网络2、图像评价装置3A以及显示器4而构成。

图像评价装置3A具备：图像取得部10、图像特征量群提取部20、评价信息取得部30、评价特征量计算部40、评价嗜好类似度计算部50、图像评价部60、存储部70、以及显示控制部90。

图像取得部10从网络2取得在主体用户的账号上共享的图像。

图像特征量群提取部20具有提取图像特征量、计算图像特征量占有度、并将图像特征量分类到图像特征量群的功能，具备：图像特征量提取部21、图像特征量占有度计算部22、以及图像特征量分类部23。

另外，“图像特征量”是图像中出现的物体（人物、物品等）的特征量。

另外，“图像特征量群”是将各图像特征量分类而得到的群。

另外，图像特征量群中包含的图像特征量不限于成为图像特征量的提取对象的物体整体的特征量，有时也包括成为图像特征量的提取对象的物体的一部分的特征量。

另外，“图像特征量占有度”是成为各图像特征量的提取对象的物体所出现的区域在图像中所占的占有度。

图像特征量提取部21将由图像取得部10取得的图像数据作为对象，提取图像特征量。从图像提取图像特征量的方法也可以使用基于SIFT特征量的提取手法。SIFT特征量的提取手法请参照非专利文献1。

图像特征量占有度计算部22将图像特征量提取部21提取到的图像特征量作为对象，计算图像特征量占有度，将计算出的图像特征量占有度存储到图像特征量占有度存储部71。

图像特征量分类部23对于图像特征量提取部21提取到的图像特征量，将类似的图像特征量分类到图像特征量群。作为对图像特征量进行分类的方法，可以采用基于Bag of Keypoints的分类手法计算。Bag of Keypoints的分类手法请参照非专利文献2。

此外，分类后，图像特征量分类部23将已分类的图像特征量群和在分类中使用的各图像中包含的图像特征量的信息作为图像特征量群管理信息存储于图像特征量群管理信息存储部72。

另外，“图像特征量群管理信息”是表示各图像特征量被分类到哪个图像特征量群、各图像特征量是从哪个图像提取的、各图像特征量具有什么样的数据信息（128维）的信息。

评价信息取得部30从网络2取得用户的评价信息。

另外，“评价信息”是表示主体用户和与主体用户共享图像的全部关联用户对在主体用户的账号上共享的图像进行了什么样的评价的信息。

评价特征量计算部40将评价信息取得部30取得的评价信息作为对象，计算表示各用户的评价倾向的评价特征量。此外，评价特征量计算部40将计算出的评价特征量存储到评价特征量存储部74，将评价信息取得部30取得的评价信息存储到评价信息存储部73。

另外，“评价特征量”是将各用户对于各图像的评价信息作为特征量来表示。

评价嗜好类似度计算部50将存储于评价特征量存储部74的评价特征量作为对象，通过主体用户与关联用户的全部组合计算评价嗜好类似度，将计算出的评价嗜好类似度存储于评价嗜好类似度存储部75。

另外，“评价嗜好类似度”是主体用户与各关联用户的评价倾向越类似而越高的程度。

图像评价部60具有计算图像特征量群重要度和图像社交重要度的功能，具备图像特征量群重要度计算部61和图像社交重要度计算部62。

图像特征量群重要度计算部61取得存储于图像特征量群管理信息存储部72的图像特征量群管理信息、存储于评价信息存储部73的评价信息、以及存储于评价嗜好类似度存储部75的评价嗜好类似度。此外，图像特征量群重要度计算部61根据所取得的信息，对各图像特征量群计算图像特征量群重要度，将计算出的图像特征量群重要度存储于图像特征量群重要度存储部76。

另外，“图像特征量群重要度”是表示各图像特征量群对于主体用户来说有多重要的程度，在由主体用户和与主体用户评价倾向类似的关联用户所评价的图像中越多包含的图像特征量群，其值越高。另外，图像特征量群重要度是用于图像社交重要度计算的信息，图像特征量群重要度可以说是表示各图像、各用户、以及各图像特征量群的关系的信息。

图像社交重要度计算部62取得存储于图像特征量群管理信息存储部72的图像特征量群管理信息、存储于图像特征量群重要度存储部76的图像特征量群重要度、以及存储于图像特征量占有度存储部71的图像特征量占有度。此外，图像社交重要度计算部62根据所取得的信息，对于各图像计算图像社交重要度，将计算出的图像社交重要度存储于图像社交重要度存储部77。

另外，“图像社交重要度”是表示各图像对于主体用户来说有多重要的程度。当图像中包含的图像特征量的图像特征量群重要度的值越大，成为图像中包含的特征量的提取对象的物体所出现的区域的占有度越高，图像社交重要度的值越高。

存储部70具有存储各种信息的功能，具备图像特征量占有度存储部71、图像特征量群管理信息存储部72、评价信息存储部73、评价特征量存储部74、评价嗜好类似度存储部75、图像特征量群存储部76、以及图像社交重要度存储部77。存储部70能够由例如RAM（Random Access Memory）、HDD（Hard Disk Drive）构成。

显示控制部90取得存储于图像社交重要度存储部77的图像社交重要度，将图像社交重要度高的图像优先显示到显示器的画面上。

另外，图像特征量群提取部20、评价特征量计算部40、评价嗜好类似度计算部50、以及图像评价部60等能够由例如执行存储于ROM（Read OnlyMemory）的控制程序的CPU（Central Processing Unit）等构成。

<1-2.动作＞

接着，说明实施方式1中的图像评价装置3A的动作。

图2是表示图1的图像评价装置3A进行的图像评价的处理的流程图。图1的图像评价装置3A依次进行图像取得·图像特征量群提取（S21）、评价信息取得·评价特征量提取（S22）、评价嗜好类似度计算（S23）、以及图像评价（S24）的处理。

使用图3和具体例（图4）来说明图2的步骤S21（图像取得·图像特征量提取）。

首先，图像取得部10从网络2取得在主体用户的账号上共享的图像1～3（图4（a））的图像数据（图3：S31）。

接着，图像特征量提取部20从图像取得部10所取得的图像1～3的图像数据提取图像特征量1～4（图4（b））（图3：S32）。另外，在图4（b）中，通过作为图像特征量的提取对象的物体示意性地表现图像特征量。在之后的图中，也同样地表现图像特征量。

接着，图像特征量占有度计算部22计算图像特征量提取部20提取到的图像特征量1～4的提取对象、即物体所出现的区域相对于图像1～3的占有度，作为图像特征量占有度，将计算出的图像特征量占有度存储于图像特征量占有度存储部71（图3：S33）。

图6表示图像特征量占有度存储部71的数据结构。如图6所示，图像特征量占有度存储部71包括“图像ID”、“图像特征量ID”、以及“图像特征量占有度”的项目。

接着，图像特征量分类部23将图像特征量提取部21提取到的图像特征量1～4之中的、图像特征量1和图像特征量2判断为类似的图像特征量，并分类到图像特征量群1（图4（c）），另外，将图像特征量3和图像特征量4判断为类似的图像特征量，并分类到图像特征量群2（图4（c））（图3：S34）。最后，图像特征量提取部21将已分类的图像特征量群1·2和在分类中使用的图像特征量1～4的信息作为图像特征量群管理信息存储于图像特征量群管理信息存储部72。

图5表示图像特征量群管理信息存储部72的数据结构。如图5所示，图像特征量群管理信息存储部72包含“图像特征量群ID”、“图像ID”、“图像特征量ID”、以及“图像特征量数据”的项目。

使用图7和具体例（图8）来说明图2的步骤S22（评价取得·评价特征量计算）。

评价取得部30从网络取得用户1～3对图像1～3的评价信息（图8（a））（图7：S71）。

接着，评价特征量计算部40根据评价取得部30所取得的用户1～3的评价信息，计算用户1～3的评价特征量1～3（图8（b）），将计算出的评价特征量1～3存储于评价特征量存储部74，将评价取得部30所取得的用户1～3的评价信息存储于评价信息存储部73（图7：S72）。

图9表示评价特征量存储部74的数据结构。如图9所示，评价特征量存储部74包括“用户ID”及“评价特征量”的项目。

图10表示评价信息存储部73的数据结构。如图10所示，评价信息存储部73包括“用户ID”、用户所属的“群组ID”、以及“图像ID”的项目。

另外，在具体例（图8）中，用户1～3以评价了图像（1）和没有评价图像（0）的一阶段评价进行评价，但是评价方法不限于此。作为参考，图11中举出评价方法的具体例。例如，还有图像的阅览操作（图11（a））、图像的5星等的五阶段评价（图11（b））、“图像很棒!”等的一阶段评价（图11（c））、对图像的评论记入操作（图11（d））、对图像的一部分的放大显示操作（图11（e））等评价方法，能够对各个评价方法设置个别的评价值（图11（f））。此外，通过将这些评价方法的评价值相加，能够取得更详细的评价信息。

使用图12来说明图2的步骤S23（评价嗜好类似度计算）。

评价嗜好类似度计算部50从评价特征量存储部74取得评价特征量（S111）。接着，评价嗜好类似度计算部50根据所取得的评价特征量设定主体用户的评价特征量（S112），设定关联用户之中的一人的评价特征量（S113）。接着，计算所设定的2个评价特征量的评价嗜好类似度，将计算出的评价嗜好类似度存储于评价嗜好类似度存储部75（S114）。

此时，评价嗜好类似度50在没有对主体用户和关联用户的全部组合计算评价嗜好类似度的情况下（S115：否），返回到关联用户之中的一人的评价特征量的设定（S113），直到对主体用户和关联用户的全部组合计算评价嗜好类似度（S115：Yes）为止，递归地进行处理。

在此，使用具体例（图13）详细地说明评价嗜好类似度的计算方法。

图13（a）表示3位用户1～3评价3张图像1～3时的、用户1～3的各个评价特征量。另外，在具体例（图13）中，用户1～3采用评价了图像1～3（1）、没有评价（0）的一阶段评价方式进行评价。因此，越是评价同一图像的用户、，该用户间的评价嗜好类似度的值越高。

例如，由于用户1和用户2在3个图像之中共同评价了2个图像，所以根据下述[数学式1]，用户2与用户1的评价嗜好类似度（图13（b））为2÷3＝0.66。

另外，由于用户1和用户3在3个图像之中共同评价了1个图像，所以根据下述[数学式1]，用户3与用户1的评价嗜好类似度（图13（c））为1÷3＝0.33。

用于计算评价嗜好类似度的计算式[数学式1]如下所示。在[数学式1]中，矢量D和E表示评价特征量，V表示对各图像的评价值。

[数学式1]

$\stackrel{\&RightArrow;}{D}=(V_{D1},V_{D2},V_{D3},...,V_{\mathrm{Dm}})$

$\stackrel{\&RightArrow;}{E}=(V_{E1},V_{E2},V_{E3},...,V_{\mathrm{En}})$

$\mathrm{evalsimilarity}(\stackrel{\&RightArrow;}{D},\stackrel{\&RightArrow;}{E})=\cos \mathrm{\&theta;}=\frac{\stackrel{\&RightArrow;}{D}\&CenterDot;\stackrel{\&RightArrow;}{E}}{\left|\stackrel{\&RightArrow;}{D}\right|\left|\stackrel{\&RightArrow;}{E}\right|}$

图14表示评价嗜好类似度存储部75的数据结构示。如图14所示，评价嗜好类似度存储部75包括“用户ID”及“评价嗜好类似度”的项目。

使用图15来说明图2的步骤S24（图像评价）。

图像特征量群重要度计算部61从图像特征量群管理信息存储部72取得图像特征量群管理信息，从评价信息存储部73取得评价信息，以及从评价嗜好类似度存储部75取得评价嗜好类似度（S141）。

接着，图像特征量群重要度计算部61根据所取得的图像特征量群管理信息、评价信息、以及评价嗜好类似度，对各图像特征量群计算图像特征量群重要度，将计算出的图像特征量群重要度存储于图像特征量群重要度存储部76（S142）。

接着，图像社交重要度计算部62从图像特征量群管理信息存储部72取得图像特征量群管理信息，从图像特征量群重要度存储部76取得图像特征量群重要度，以及从图像特征量占有度存储部71取得图像特征量占有度（S143）。

接着，图像社交重要度计算部62根据所取得的图像特征量群管理信息、图像特征量群重要度、以及图像特征量占有度，对各图像计算图像社交重要度，将计算出的图像社交重要度存储于图像社交重要度存储部77（S144）。

在此，使用具体例（图16·17），详细地说明图像特征量群重要度的计算方法（S142）。另外，为了更容易理解地说明本实施方式的效果，采用新的具体例（图16：图像特征量群管理信息·评价信息·评价嗜好类似度）。

如图16所示，将用户1设为主体用户，4位用户1～4评价了8个图像1～8。另外，图像1～8分别包括图像特征量1～10，图像特征量1～10被分类到图像特征量群1～4。另外，成为图像特征量1～10的提取对象的物体所出现的区域相对于图像1～4的占有度即图像特征量占有度的值、以及用户1与各用户的评价嗜好类似度的值如图16所示。

例如，在计算图像特征量群1的图像特征量群重要度的情况下（图17（a）），针对包括图像特征量群1的图像1，用户1（与用户1的评价嗜好类似度为1.0）评价了2张（图像1·2），用户2（与用户1的评价嗜好类似度为0.73）评价了2张（图像1·2），用户3（与用户1的评价嗜好类似度为0.21）评价了1张（图像2），所以图像特征量群重要度计算部61使用下述[数学式2]进行计算处理，1.0×2＋0.73×2＋0.21×1＝3.67。接着，图像特征量群重要度计算部61将在该计算处理中得到的值标准化，计算图像特征量群1的图像特征量群重要度为0.42。

用于计算图像特征量群重要度的计算式[数学式2]如下所示。在[数学式2]中，imgfeatureScore是图像特征量群重要度，evalsimilarity是评价嗜好类似度，evalcount是对象用户针对对象的图像特征量群进行了评价的次数，P是图像特征量群（j是与图像特征量数对应的变量），U是用户（i是与用户数对应的变量，x是主体用户）。

[数学式2]

$\mathrm{imgfeatureScore}\left(P_j\right)=\underset{j}{\mathrm{\&Sigma;}}\mathrm{evalsimilarity}(U_x,U_i)\&times;\mathrm{evalcount}(P_j,U_i)$

另外，为了容易比较图像特征量群的重要度，图像特征量群重要度计算部61将在上述[数学式2]的计算处理中得到的值标准化，最终计算图像特征量群重要度。本实施方式中的“标准化”是指进行计算处理，使得合计为1。

例如，如图17（（b）～（d））所示，针对图像特征量群2～4，也与图像特征量群1同样地使用上述[数学式2]进行计算，其计算结果如下，图像特征量群2为2.20，图像特征量群3为2.24，图像特征量群4为0.57。使用这些值，为了对在上述的图像特征量群1中的[数学式2]的计算结果中得到的值3.67进行标准化，进行这样的计算处理，3.67÷（3.67＋2.20＋2.24＋0.57）＝0.42。

另外，图像特征量群2～4的图像特征量群重要度也采用与图像特征量群1的图像特征量群重要度相同的方式计算（图17（（b）～（d）））。

如图17所示，图像特征量群1～4的图像特征量群重要度，按照图像特征量群1（图像特征量群重要度：0.42）＞图像特征量群3（图像特征量群重要度：0.26）＞图像特征量群2（图像特征量群重要度：0.25）＞图像特征量群4（图像特征量群重要度：0.07）的顺序从高到低计算。由于作为主体用户的用户1对包括图像特征量群1·2的图像进行了评价，所以图像特征量群1·2的图像特征量群重要度的值较高。虽然作为主体用户的用户1没有对包含图像特征量群3的图像进行评价，但是评价倾向与作为主体用户的用户1相似的用户2对包含图像特征量群3的图像进行了很多评价，所以图像特征量群3的图像特征量群重要度的值较高。由于作为主体用户的用户1没有对包含图像特征量群4的图像进行评价，只有评价倾向与作为主体用户的用户1不相似的用户3·4对包含图像特征量4的图像进行了评价，所以图像特征量群4的图像特征量群重要度的值较低。另外，着眼于用户整体对各图像的评价频度（整体对各图像进行了评价的张数），就用户整体来说，包含图像特征量群1·2的图像分别被评价了5张，包含图像特征量群3的图像被评价了4张，包含图像特征量群4的图像被评价了5张，然而，相比于评价频度多的图像特征量群4，评价频度少的图像特征量群3的图像特征量群重要度的值高。

像这样，在实施方式1中，在图像特征量群重要度中，相比于用户整体对图像的评价频度，更大地反映了主体用户或评价倾向与主体用户类似的关联用户进行的图像评价。

图19表示图像特征量群重要度存储部76的数据结构。如图19所示，图像特征量群重要度存储部76包括“图像特征量群ID”及“图像特征量群重要度”的项目。

接着，使用具体例（图18·图16·图17），详细地说明图像社交重要度的计算方法（S144）。相继于图像特征量群重要度计算方法（S142）的说明，采用图16所示的具体例（图像特征量群管理信息·评价信息·评价嗜好类似度），使用由图16计算的图像特征量群重要度的值（图17）。

例如，在计算图像1的图像社交重要度的情况下（图18（a）），由于图像1不包含属于图像特征量群1（图像特征量群重要度0.42）的图像特征量1（图像特征量占有度0.33），所以图像社交重要度计算部62使用下述[数学式3]进行0.42×0.33＝0.14的计算处理。接着，图像社交重要度计算部62对在该计算处理中得到的值进行标准化，计算图像1的图像社交重要度为0.42。

另外，在计算图像2的图像社交重要度的情况下（图18（b）），由于图像2包含属于图像特征量群1（图像特征量群重要度0.42）的图像特征量2（图像特征量占有度0.21）和属于图像特征量群2（图像特征量群重要度0.25）的图像特征量3（图像特征量占有度0.17）这2个图像特征量，所以图像社交重要度计算部62使用下述[数学式3]进行（0.42×0.21）＋（0.25×0.17）＝0.13的计算处理。接着，图像社交重要度计算部62对在计算处理中得到的值进行标准化，计算图像2的图像社交重要度为0.22。

下面示出用于计算图像社交重要度的计算式[数学式3]。在[数学式3]中，imgSocialScore是图像社交重要度，imgfeatureScore是图像特征量群重要度，imgfeatureOccupation是图像特征量占有度，Q是图像ID（k是与图像数对应的变量），S是图像特征量ID（j是与图像Q中包含的图像特征量数对应的变量），P是图像特征量群。

[数学式3]

$\mathrm{imgSocialScore}\left(Q_k\right)=\underset{j}{\mathrm{\&Sigma;}}\mathrm{imgfeatureScore}\left(P\left(S_j\right)\right)\&times;\mathrm{imgfeatureOccupation}\left(S_j\right)$

另外，与图像特征量群重要度计算（S142）同样地，在图像社交重要度计算（S144）的处理中，为了容易比较各图像的重要度，图像社交重要度计算部62进行标准化。

另外，如图18所示，图像特征量群3～8的图像社交重要度采用与图像1·2的图像社交重要度同样的方式计算。图像1～8的图像社交重要度为图像1＞图像2＞图像4＞图像6＞图像3＞图像5＞图像8＞图像7。

像这样，在本实施方式1中，相比于用户整体对图像的评价频度，图像特征量群重要度更加反映由主体用户或评价倾向与主体用户相似的关联用户进行的图像评价。

另外，图像社交重要度根据图像特征量群重要度来计算，所以与图像特征量群重要度同样地，相比于用户整体对图像的评价频度，图像社交重要度更加反映由主体用户或评价倾向与主体用户相似的关联用户进行的图像评价频度。

另外，成为图像特征量的提取对象的物体所出现的区域相对于图像所占的比例越大、即成为提取对象的物体被越大地拍摄的图像，认为是对于用户来说越重要的图像。在本实施方式1中，图像社交重要度通过对图像特征量群重要度乘以图像特征量占有度来计算，所以成为图像特征量的提取对象的物体所出现的区域相对于图像所占的比例越大，该图像的图像社交重要度的值越高。通过将图像社交重要度计算部62与图像特征量占有度相乘，与只用图像特征量群重要度来计算图像社交重要度相比，能够以更高的精度计算图像社交重要度。

图20表示图像社交重要度存储部77的数据结构。如图20所示，图像特征量群重要度存储部76包括“图像ID”及“图像社交群重要度”的项目。

<1-3.总结＞

实施方式1中的图像评价，将主体用户或者评价倾向与主体用户相似的关联用户进行了评价的图像中包含的图像特征量群设为对于主体用户来说重要的图像特征量群，将包含该图像特征量群的图像评价为重要的图像，从而能够较高地评价对于主体用户来说重要的图像。

使用图21的具体例，对基于用户整体的评价频度的现有的图像评价和实施方式1中的图像评价进行比较。如图21（a）所示，用户1～5对图像1～6进行了评价。另外，将主体用户设为用户5，将评价倾向与主体用户相似的关联用户设为用户4。另外，为了容易理解地说明实施方式1中的图像评价的效果，考察图像1·图像4·图像5的3个图像的评价排名。

首先，在基于用户整体的评价频度的现有的图像评价中，3个图像的评价排名为图像1＞图像5＞图像4（图21（b）左图）。像这样，在基于用户整体的评价频度的现有的图像评价中，整体的评价频度多的图像1被评价得高，主体用户5评价的图像5、评价倾向与主体用户5相似的用户4评价的图像4没有获得高评价。

相对于此，在实施方式1的图像评价中，3个图像的评价排名为图像5＞图像4＞图像1（图21（b）右图）。像这样，在实施方式1的图像评价中，主体用户5评价的图像5、评价倾向与主体用户5相似的用户4评价的图像4被评价得高。由这些结构可知，根据实施方式1的图像评价，能够将对于用户个人来说重要的图像评价得高。

<2.实施方式2＞

与实施方式1同样地，实施方式2涉及图像评价装置，该图像评价装置以社交网络上的图像为对象，按每位用户评价图像。

如上述说明，实施方式1中的图像评价装置3A计算主体用户与关联用户的评价嗜好类似度，根据评价嗜好类似度计算图像特征量的重要度，根据图像特征量，进行对主体用户的图像评价。相对于此，实施方式2中的图像评价装置使用图表解析，根据群组彼此、用户彼此、图像彼此、以及图像特征量彼此的共生关系，进行针对主体用户的图像评价，在这一点上与实施方式1不同。

以下，参照附图来说明实施方式2中的图像评价装置。另外，在实施方式2的图像评价装置中，对于与实施方式1中的图像评价装置3A相同的构成要素，使用相同的符号，并省略其说明。

<2-1.构成＞

图22是实施方式2的图像评价系统1B的框图。

如图22所示，实施方式2中的图像评价装置3B除了实施方式1中的图像评价装置3A（图1）的构成之外还具有图表生成部80。另外，实施方式2中的图像评价部60除了实施方式1中的图像评价部60的构成之外还具有邻接矩阵生成部63和固有矢量计算部64。此外，实施方式2中的存储部70除了实施方式1中的存储部70的构成之外还具有图表存储部78。

另外，实施方式1中的图像评价装置3A为了进行图像评价而计算主体用户与各关联用户的评价嗜好类似度，在实施方式2中的图像评价装置3B中，根据用户与图像的评价关系来设定评价链接，使用图表解析进行图像评价，所以没有必要计算评价嗜好类似度。因此，在实施方式1的图像评价装置3A（图1）的构成中包含的评价嗜好类似度计算部50和评价嗜好类似度存储部75，从本实施方式的图像评价装置3B的构成中除去。

另外，在实施方式1中的图像评价装置3A中，根据图像特征量群重要度来计算图像社交重要度，然而在实施方式2中的图像评价装置3B中，根据图像与图像特征量的从属关系来设定图像特征链接，使用图表解析来计算图像社交重要度，所以没有必要计算图像特征量群重要度。因此，在实施方式1中的图像评价装置3A（图1）的构成中包含的图像特征量群重要度计算部61和图像特征量群重要度存储部76，从实施方式2中的图像评价装置3B的构成中除去。

图表生成部80具有如下功能：生成各节点，生成表示已生成的节点间的链接的图表，将所生成的图表存储于图表存储部78。另外，图表生成部80由节点生成部81、群组链接设定部82、评价链接设定部83、图像特征链接设定部84、伪链接设定部85构成。

另外，该生成的图表是用于图像社交重要度计算的信息，是表示各图像、各用户、以及各图像特征量群的关系的信息。另外，节点间的链接分别具有朝向，所以该生成的图表是被称为有向图表的类型。

节点生成部81从图像特征量群管理信息存储部72取得图像特征量群管理信息，从评价信息存储部73取得评价信息及群组信息，以及从图像特征量占有度存储部71取得图像特征量占有度。

另外，“群组信息”是表示主体用户所属的群组的信息、与主体用户共享图像的关联用户在主体用户所属的群组之中属于哪个群组、换言之是在主体用户所属的群组之中的哪个群组的成员的信息。

此外，节点生成部81根据所取得的图像特征量群管理信息、评价信息、群组信息、以及图像特征量占有度，生成群组·用户·图像·图像特征量群·伪的节点。具体地讲，节点生成部81生成：图像节点，表示在主体用户的账号上共享的各个图像；图像特征量群节点，表示图像中包含的各个图像特征量群；用户节点，表示主体用户以及与主体用户共享图像的全部的关联用户；群组节点，表示主体用户所属的各个群组；以及伪节点。即，所生成的各图像节点、各图像特征量群节点、各用户节点、以及各群组节点分别是该图像的集合的要素、该图像特征量群的集合的要素、该用户的集合的要素、该群组的集合的要素。

另外，“伪节点”是用于调整节点间的链接的权重的节点。伪节点用于消除例如没有朝外的链接而吸收重要度的节点的问题（problem of ranksinks）。

此外，在群组链接设定部82、评价链接设定部83、图像特征链接设定部84、以及伪链接设定部85设定了各链接之后，节点生成部81将表示所设定的各链接的全部的图表输出到图表存储部78，将已输出的图表存储于图表存储部78。

群组链接设定部82设定由节点生成部81生成的群组节点和用户节点之间的链接、即群组链接。具体地讲，群组链接设定部82通过后述的固有矢量的计算处理，根据由节点生成部81取得的群组信息来设定群组链接的链接值，以经由群组节点在用户节点间传播各个用户的重要度。

主体用户是在图像评价中作为主体的用户、且属于全部的群组并与全部的关联用户有关系的用户，所以是重要的用户。另外，关联用户之中的属于很多群组的关联用户是与主体用户同样地与大多数关联用户具有关系的关联用户，所以被看作是对于主体用户来说重要的用户。

通过后述的固有矢量的计算处理，群组链接的链接值被设定成在用户节点之间传播各个用户的重要度，从而能够提高如上所述的属于全部群组的主体用户的重要度、对于主体用户来说重要的关联用户的重要度。

评价链接设定部83设定作为由节点生成部81生成的用户节点和图像节点间的链接的评价链接。具体地讲，评价链接设定部83通过后述的固有矢量的计算处理，根据节点生成部81取得的评价信息，设定评价链接的链接值，以经由用户节点在图像节点间传播各个图像的重要度。

重要的用户（主体用户、对于主体用户来说重要的用户）进行评价的图像是重要的图像。而且，越是与重要的用户评价了相同的图像的关联用户，是价值观与该重要的用户类似的用户，看作是重要的用户。因此，该价值观类似的关联用户评价的图像也被看作是重要的图像。

通过后述的固有矢量的计算处理，设定评价链接，以在图像节点间传播各个图像的重要度，从而能够提高价值观与上述的重要的用户（主体用户、对于主体用户来说重要的用户）类似的用户所评价的图像的重要度。

图像特征链接设定部84设定作为由节点生成部81生成的图像节点与图像特征量群节点间的链接的图像特征链接。具体地讲，图像特征链接设定部84通过后述的固有矢量的计算处理，根据节点生成部取得的图像特征量群管理信息，设定图像特征链接的链接值，以经由图像特征量群节点在图像节点间传播各个图像的重要度。

重要的图像中包含的图像特征量群被看作是重要的图像特征量群。而且，包含重要的图像特征量群的图像被看作是重要的图像。另外，包含越多重要的图像特征量群的图像，越看作是重要的图像。

通过后述的固有矢量的计算处理，设定图像特征链接，以在图像节点间相互传播各个图像的重要度，从而在对主体用户的图像评价中，能够提高上述的包含重要的图像特征量群的图像的重要度。

伪链接设定部85设定伪链接，该伪链接是由节点生成部81生成的群组节点·用户节点·图像节点·图像特征量群节点间的链接。具体地讲，伪链接设定部85根据节点生成部81生成的全部节点的数量来设定伪链接的链接值，使得由群组链接、评价链接、以及图像特征链接构成的4重链接结构成递归结构，即，在后述的固有矢量的计算处理中，没有各要素的重要度被吸收的情况。

邻接矩阵生成部63从图表存储部78取得图表，根据所取得的图表生成邻接矩阵M。

固有矢量计算部64根据邻接矩阵生成部63所生成的邻接矩阵M计算固有矢量。

图像社交重要度计算部62根据由固有矢量计算部64计算出的主固有矢量来计算各图像的图像社交重要度，将计算出的图像社交重要度存储于图像社交重要度存储部77。

图表存储部78将图表生成部80生成的图表输出，将所输出的图表转换为表格结构并存储。

<2-2.动作＞

接着，说明实施方式2中的图像评价装置的动作。

图23是表示图22的图像评价装置3B进行的图像评价处理的流程图。图22的图像评价装置3B依次进行图像取得·图像特征量群提取（S211）、评价信息取得·评价特征量计算（S212）、图表生成（S213）、图像评价（S214）的处理。另外，步骤S211及S212分别与上述实施方式1中的步骤S21及S22（图2）相同，所以省略说明。

使用图24和具体例（各链接值的设定：图25～图28）来说明图21的步骤S213（图表生成）。

节点生成部81从图像特征量群管理信息存储部72取得图像特征量群管理信息，从评价信息存储部73取得评价信息和群组信息，以及从图像特征量占有度存储部71取得图像特征量占有度（S221）。接着，节点生成部81根据所取得的图像特征量群群集信息、评价信息、群组信息、图像特征量占有度，生成（1＋P（群组数）＋Q（用户数）＋R（图像数）＋S（图像特征量数））个节点（S222）。

接着，当用户属于群组时，群组链接设定部82在群组节点与用户节点间设定群组链接（S223）。

例如，图25表示用户12属于群组1、用户13属于群组2时的群组链接。如图25所示，群组链接设定部82使用例如从各用户节点向各群组节点的链接值α＝（0.5×（1÷群组数））、从各群组节点向各用户节点的链接值β＝（1÷用户数）这样的计算式来设定链接值。

当用户评价了图像时，评价链接设定部83在用户节点与图像节点间设定评价链接（S224）。

例如，图26表示用户1评价了图像1、用户2评价了图像1和2、用户3评价了图像3时的评价链接。如图26所示，评价链接设定部83使用例如从各用户节点向各图像节点的链接值ζ＝（0.5×（1÷图像数）×固定值）、从各图像节点向各用户节点的链接值ε＝（0.5×（1÷用户数）×固定值）这样的计算式来设定链接值。

当图像中包含图像特征量群时，图像特征链接设定部84在图像节点和图像特征量群节点间设定图像特征链接（S225）。

例如，图27表示图像1包含图像特征量群1、图像2包含图像特征量群1和2、图像3包含图像特征量群2时的图像特征链接。如图27所示，图像特征链接设定部84使用例如从各图像节点向各图像特征量群节点的链接值δ＝（0.5×（1÷图像特征量群数）×图像特征量占有度）、从各图像特征量群节点向各图像节点的链接值γ＝（1÷图像数）这样的计算式来设定链接值。

伪链接设定部85在群组·用户·图像·图像特征量群的全部节点与伪节点间设定伪链接（S226）。

例如，图28表示群组1·群组2·用户1·用户2·用户3·图像1·图像2·图像3·图像特征量群1·图像特征量群2与伪节点间的伪链接。如图28所示，伪链接设定部85使用例如从各节点向伪节点的链接值θ＝（1－（将各节点中的伪以外的全部链接的链接值相加的值））、从伪节点向群组·用户·图像·图像特征量群的全部节点的链接值η＝（1÷（用户数＋群组数＋图像数＋图像特征量群数））这样的计算式来设定链接值。

最后，节点生成部81生成表示在步骤S223～步骤S226中设定的群组链接、评价链接、图像特征链接、伪链接的图表，将所生成的图表输出到图表存储部78并存储（S227）。

另外，在步骤S227中，图表存储部78将已输出的图表转换为表格结构，将已转换的图表存储。

图29是表示通过群组链接·评价链接·图像特征链接·伪链接的设定（S222～S226）而生成的图表的图。

图30示出图表存储部78的数据结构，是将图29转换为表格结构的图。如图30所示，图表存储部78包括“群组”、“用户”、“图像”、“图像特征量群”、以及“伪”的项目。

使用图31和具体例（图30～图33）来说明图23的步骤S214（图像评价）。

邻接矩阵生成部63取得存储于图表存储部78的表格结构的图表（S291）。接着，邻接矩阵生成部63从所取得的表格结构的图表生成邻接矩阵M（S292）。

例如，邻接矩阵生成部63已取得图30的表格结构的图表（S291）。此时，邻接矩阵生成部63由所取得的图30的表格结构的图表生成图32所示的作为正方矩阵的邻接矩阵M（S292）。

在步骤S292的处理后，固有矢量计算部64计算由邻接矩阵生成部63生成的邻接矩阵M的主固有矢量P（S293～S295）。该步骤S293～S295的处理是同时求出固有值和属于该固有值的固有矢量的方法的一种、即幂运算。

也就是说，在步骤S293中计算出的固有矢量P没有收敛的情况下（S294：否），固有矢量计算部64将计算出的固有矢量P与原来的邻接矩阵M相乘（S295），进行递归计算，直到固有矢量P收敛。

而且，在固有矢量P已收敛的情况下（S294：是），固有矢量计算部64将已收敛的固有矢量P决定为主固有矢量P（S296）。

接着，在步骤S297中，图像社交重要度计算部62例如从固有矢量计算部64计算出的主固有矢量P取出图像的成分（图像1的成分）0.780、（图像2的成分）0.171、（图像3的成分）0.076（图32（a））。

接着，在步骤S298中，图像社交重要度计算部62通过将取出的图像的成分标准化，从而计算图像1和图像2的图像社交重要度（图32（b）），将计算出的图像社交重要度存储于图像社交重要度存储部77。

另外，对于该邻接矩阵M的生成以及主固有矢量的计算的具体方法，能够使用上述非专利文献3的手法。

<2-3.总结＞

实施方式2中的图像评价装置1B将在社交网络中的主体用户的账号上共享的图像、各图像中包含的图像特征量群、主体用户和与主体用户共享图像的关联用户、以及主体用户所属的群组设为要素，对表示这些要素间的相关性的图表进行解析，从而能够以更高的精度实现所述主体用户期待的图像评价。

具体地讲，图像评价装置1B通过表示各要素间的相关性的邻接矩阵M的递归的固有矢量的计算处理，能够在群组间、用户间、图像间、以及图像特征量群间分别传播重要度。其结果，根据图像评价装置1B，例如与主体用户同样地属于主体用户所属的多个群组之中的大多数群组的关联用户、以及对与主体用户评价的图像相同的图像进行评价的评价倾向与主体用户相似的关联用户被作为重要的用户对待，不只是主体用户进行了评价的图像，被重要的用户进行了评价的图像也能够被高评价。另外，根据图像评价装置1B，主体用户评价的图像和重要的用户评价的图像中包含的图像特征量群被作为重要的图像特征量群对待，不只是主体用户评价的图像，包含重要的图像特征量群的图像也能够得到高评价。

使用图35的具体例，对基于整体的评价频度的现有的图像评价和基于实施方式2的图像评价进行比较的同时，说明实施方式2的图像评价的效果的一例。如图35（a）所示，将主体用户设为用户3，将评价倾向与主体用户相似的用户设为用户4，用户1～3对包含图像特征量群1·2的图像1～4进行了评价。另外，图像2～4的女性为同一人物。在此，为了将容易理解地说明实施方式2的图像评价的效果，考察图像1·图像2·图像4的3个图像的评价排名。

首先，基于所评价的频度的图像评价的评价排名为图像4＞图像1＞图像2（图35（b）左图），主体用户进行了评价的女性所出现的图像4得到高评价，与图4相同的女性带上帽子的图像2因为帽子而没有提取到女性的脸部分的图像特征量群，并且谁也没有进行评价，所以得到低评价。

相对于此，在基于实施方式2的图像评价中，成为图像4＞图像2＞图像1的评价排名（图35（b）右图）。首先，用户3进行了评价的图像4中包含的女性的脸部分的图像特征量群2也包含于图像3，所以图像3得到高评价。进一步，图像3中包含的女性穿着的衣服部分的图像特征量群1也包含于图像2，所以图像2得到高评价，图像2相比于图像1评价高（图35（b）右图）。

<3.变形例＞

以上说明了本发明的图像评价装置的实施方式，也可以按照如下所示方式对例示的图像评价装置进行变形，本发明不限于上述实施方式。

（1）对于链接结构

上述实施方式2中的图像评价装置3B假设了将社交网络上的多个群组设为对象、对每个用户账号进行各用户的图像评价的情况。因此，在实施方式2的图像评价装置3B的图表生成（图24）中，生成了由群组节点与用户节点间的群组链接、用户节点与图像节点间的评价链接、图像节点与图像特征量节点间的图像特征链接构成的4重链接结构的图表。

相对于此，在某个特定的群组内，对某个特定的主体用户进行图像评价的情况下，从上述的4重链接结构除去群组节点，生成由以主体用户为基准的、用户节点与图像节点间的评价链接、图像节点与图像特征量节点间的图像特征链接构成的3重链接结构的图表，并进行图像评价即可。将图表的构成由4重链接结构变为3重链接结构，从图像中包含的图像特征量群的共生关系的效果保留，能够比实施方式2中的图像评价处理减少运算量。

（2）对于评价信息

在上述各个实施方式中说明了，评价取得部30例如设定图11所示的各种评价方法的评价值，能够取得各用户的评价信息，但可取得的评价信息不限于此。例如，评价取得部30对图11的各评价方法的评价值进一步附加与进行了该评价的日期时间相关的评价值、换言之与该评价的新鲜度相关的评价值，从而取得各用户的评价信息。

图35（a）是涉及评价新鲜度的评价值的一例。如图35（a）所示，以评价取得部30取得评价信息的日期时间为基准，越是最近的评价，评价值设定得越高。

使用图35（b），说明将对图11的各评价方法的评价值附加了图35（a）的与评价的新鲜度相关的评价值后的评价值设为评价信息的具体例。

如图35（b）所示，例如，将取得评价信息的时间设为现在，从现在起2年以内，某位用户对某个图像以五阶段评价进行了“3”的评价。在图35（a）中，对2年以内的评价追加的评价值为“10”，所以该用户对该图像的评价信息为评价值＝3＋10。另外，如图35（b）所示，例如，从现在起10年以上之前，某位用户对某个图像以一阶段评价进行了“1”的评价。在图35（a）中，对10年以上之前的评价追加的评价值为“0”，所以该用户对该图像的评价信息为评价值＝1＋0＝1。

像这样，以取得评价信息的时间为基准，越是最近的评价，评价值越高，上述各个实施方式中的图像评价装置，能够在对主体用户的图像评价中，相比于离现在远的过去的各个用户的图像评价，更能够反映离现在近的过去的各个用户的图像评价。

（3）集成电路

实施方式的图像评价装置典型地能够作为集成电路、即LSI（LargeScale Integration）实现。可以将各电路单独地作为1个芯片，也可以以包括全部的电路或一部分电路的方式1芯片化。在此，虽然作为LSI记载，但是根据集成度的不同，有时又称为IC（Integrated Circuit）、系统LSI、SUPER LSI、ULTRA LSI。另外，集成电路化的手法不限于LSI，也可以由专用电路或者泛用处理器实现。也可以利用能够在LSI制造后程序化的FPGA（Field Programmable Gate Array）、能够对LSI内部的电路单元连接、设定进行重构的可重构处理器。

此外，通过半导体技术的进步或衍生的其他技术，出现了替代LSI的集成电路化的技术的话，当然也可以使用该技术进行功能模块的集成化。也有应用生物技术等的可能性。

（4）程序

另外，实施方式的图像评价装置也能够将用于使计算机等各种机器的处理器、以及与该处理器连接的各种电路执行与图像评价有关的处理（图2等）的由程序代码构成的控制程序记录到记录介质，或者，通过各种通信路流通进行发布。这种记录介质包括SM卡、压缩闪存（注册商标）、存储条（注册商标）、SD存储卡、多媒体卡、CD-R/RW、DVD±R/RW、DVD-RAM、HD-DVD、BD（Blu-rayDisc：注册商标）等。流通、发布的控制程序可以通过存储于能够被处理器读出的存储器等而被利用，该处理器执行该控制程序，从而实现实施方式所示的各种功能。

<4.补充＞

下面说明作为本发明的一实施方式的图像评价装置·图像评价方法·程序·集成电路的构成以及变形例的效果。

（A）本发明的一实施方式的图像评价装置，其特征在于，具备：图像特征量提取单元，从多个图像分别提取图像特征量；评价信息取得单元，取得评价信息，该评价信息包含包括主体用户在内的多个用户对于各个所述图像的评价；生成单元，基于所述图像特征量和所述评价信息，生成表示所述图像、所述用户、以及将所述图像特征量分类而得到的图像特征量群之间的关系的信息；以及图像社交重要度计算单元，基于所述生成单元生成的信息，计算表示该图像对于所述主体用户的重要度的图像社交重要度。

通过该构成，图像评价装置根据图像特征量和评价信息，生成表示图像和用户和图像特征量群之间的关系的信息，根据该生成的信息对图像进行评价，所以能够进行适于主体用户个人的图像评价。

（B）在上述实施方式（A）的图像评价装置中，所述生成单元生成的信息是表示所述图像特征量群对于所述主体用户的重要度的图像特征量群重要度。

（C）在上述实施方式（B）的图像评价装置中，所述生成单元针对各个所述图像特征量群，基于该图像特征量群和所述用户对于包含该图像特征量群的各个图像的所述评价信息，计算所述图像特征量群重要度。

（D）在上述实施方式（C）的图像评价装置中，所述评价信息包含评价张数信息，该评价张数信息表示针对各个所述图像特征量群由所述用户对包含该图像特征量群的图像进行了评价的张数，所述图像社交重要度计算单元针对各个所述图像，基于该图像中包含的各个图像特征量群的所述图像特征量群重要度的总和，计算所述图像社交重要度。

通过该构成，图像评价装置能够以更高的精度进行适于用户个人的图像评价。

（E）在上述实施方式（C）的图像评价装置中，还具备：评价特征量计算单元，针对各个所述用户，基于该用户对于各个所述图像的所述评价信息，计算表示该用户的评价嗜好的评价特征量；以及评价嗜好类似度计算单元，针对各个所述用户，基于该用户的评价特征量和所述主体用户的评价特征量，计算评价嗜好类似度，该评价嗜好类似度表示该用户与所述主体用户的评价嗜好的类似性；所述生成单元针对各个所述图像特征量群，基于该图像特征量群和对包含该图像特征量群的图像进行了评价的所述用户的所述评价嗜好类似度，计算所述图像特征量群重要度。

通过该构成，图像评价装置能够以更高的精度进行适于用户个人的图像评价。

（F）在上述实施方式（E）的图像评价装置中，还具备图像特征量占有度计算单元，针对各个所述图像特征量，计算图像特征量占有度，该图像特征量占有度表示提取出该图像特征量的区域在提取出该图像特征量的图像中的占有度，所述图像社交重要度计算单元针对各个所述图像，基于该图像中包含的各个图像特征量群的所述图像特征量群重要度和该图像中包含的各个图像特征量的所述图像特征量占有度，计算所述图像社交重要度。

通过该构成，图像评价装置能够以更高的精度进行适于用户个人的图像评价。

（G）在上述实施方式（F）的图像评价装置中，所述评价信息包含评价张数信息，该评价张数信息表示针对各个所述图像特征量群由所述用户对包含该图像特征量群的图像进行了评价的张数，所述生成单元针对各个所述图像特征量群，基于该图像特征量群、对包含该图像特征量群的图像进行了评价的所述用户的所述评价嗜好类似度、以及表示所述用户对包含该图像特征量群的图像进行了评价的张数的所述评价张数信息，计算所述图像特征量群重要度。

通过该构成，图像评价装置能够以更高的精度进行适于用户个人的图像评价。

（H）在上述实施方式（E）的图像评价装置中，所述评价基于所述用户对所述图像的阅览操作、指定所述图像内的一部分的放大显示操作、评论记入操作、标签附加操作之中的至少1个。

通过该构成，图像评价装置能够以更高的精度进行适于用户个人的图像评价。

（I）在上述实施方式（H）的图像评价装置中，所述评价还基于所述用户对所述图像进行操作的日期时间信息。

通过该构成，图像评价装置能够以更高的精度进行适于用户个人的图像评价。

（J）在上述实施方式（A）的图像评价装置中，所述生成单元生成的信息是将所述图像和所述用户和所述图像特征量群设为节点的图表。

（K）在上述实施方式（A）的图像评价装置中，所述图像评价装置还具备图像特征量占有度计算单元，该图像特征量占有度计算单元针对各个所述图像特征量计算图像特征量占有度，该图像特征量占有度表示提取出该图像特征量的区域在提取出该图像特征量的图像中的占有度，所述生成单元具备：节点生成单元，基于所述用户所属的群组要素、用户要素、图像要素、以及图像特征量群要素，生成节点；群组链接设定单元，基于群组和所述用户的关系，设定所述群组要素的节点与所述用户要素的节点间的群组链接；评价链接设定单元，基于所述评价信息，设定所述用户要素的节点与所述图像要素的节点间的评价链接；图像特征链接设定单元，基于所述图像特征量占有度，设定所述图像要素的节点与所述图像特征量群要素的节点间的图像特征链接；以及邻接矩阵生成单元，基于所述群组链接、所述评价链接、以及所述图像特征链接，生成表示图表的邻接矩阵，所述图像评价装置还具备固有矢量计算单元，该固有矢量计算单元计算所述邻接矩阵的主固有矢量，所述社交重要度计算单元基于所述邻接矩阵的主固有矢量的要素，计算所述图像社交重要度。

通过该构成，图像评价装置根据群组链接·评价链接·图像特征链接的4重链接，能够进行适于主体用户个人的图像评价。

（L）在上述实施方式（K）的图像评价装置中，所述群组链接设定单元基于所述群组和所述用户的从属关系，设定所述群组链接的链接值，所述评价链接设定单元基于所述用户和所述图像的评价关系，设定所述评价链接的链接值，所述图像特征链接设定单元基于所述图像和所述图像特征量群的从属关系以及所述图像特征量占有度，设定所述图像特征链接的链接值。

（M）在上述实施方式（L）的图像评价装置中，所述群组链接设定单元使所述用户要素间的重要度经由所述群组要素传播，并且设定所述群组链接的链接值，所述评价链接设定单元使所述图像要素间的重要度经由所述用户要素传播，并且设定所述评价链接的链接值，所述图像特征链接设定单元使所述图像要素间的重要度经由所述图像特征量群要素传播，并且设定所述图像特征链接的链接值。

（N）本发明的一实施方式的图像评价方法，其特征在于，包括：图像特征量提取步骤，从多个图像分别提取图像特征量；评价信息取得步骤，取得评价信息，该评价信息包含包括主体用户在内的多个用户对于各个所述图像的评价；生成步骤，基于所述图像特征量和所述评价信息，生成表示所述图像、所述用户、以及将所述图像特征量分类而得到的图像特征量群之间的关系的信息；以及图像社交重要度计算步骤，基于所述生成步骤生成的信息，计算表示该图像对于所述主体用户的重要度的图像社交重要度。

通过该构成，图像评价方法，根据图像特征量和评价信息，生成表示图像和用户和图像特征量群之间的关系的信息，根据该生成的信息对图像进行评价，所以能够进行适于主体用户个人的图像评价。

（O）本发明的一实施方式的程序，使计算机执行评价图像的图像评价处理，其特征在于，包括：图像特征量提取步骤，从多个图像分别提取图像特征量；评价信息取得步骤，取得评价信息，该评价信息包含包括主体用户在内的多个用户对于各个所述图像的评价；生成步骤，基于所述图像特征量和所述评价信息，生成表示所述图像、所述用户、以及将所述图像特征量分类而得到的图像特征量群之间的关系的信息；以及图像社交重要度计算步骤，基于所述生成步骤生成的信息，计算表示该图像对于所述主体用户的重要度的图像社交重要度。

通过该构成，程序根据图像特征量和评价信息，生成表示图像和用户和图像特征量群之间的关系的信息，根据该生成的信息对图像进行评价，所以能够进行适于主体用户个人的图像评价。

（P）本发明的一实施方式的集成电路，其特征在于，具备：图像特征量提取单元，从多个图像分别提取图像特征量；评价信息取得单元，取得评价信息，该评价信息包含包括主体用户在内的多个用户对于各个所述图像的评价；生成单元，基于所述图像特征量和所述评价信息，生成表示所述图像、所述用户、以及将所述图像特征量分类而得到的图像特征量群之间的关系的信息；以及图像社交重要度计算单元，基于所述生成单元生成的信息，计算表示该图像对于所述主体用户的重要度的图像社交重要度。

通过该构成，集成电路根据图像特征量和评价信息，生成表示图像和用户和图像特征量群之间的关系的信息，根据该生成的信息对图像进行评价，所以能够进行适于主体用户个人的图像评价。

工业实用性

在本发明的图像评价中，从在社交网络上共享的庞大的图像内容之中，每位用户能够有效地观赏到对于该用户来说重要的图像，与基于对图像进行评价的频度的以往的图像评价相比，用户能够更加无负担地容易阅览图像内容。

例如，在社交网络上，能够将与用户的朋友等关联用户的近况有关的图像显示，设置为基于用户个人图像等级的图像显示，而不是基于通常的时间系列的图像显示。其结果，用户能够更加有效地观赏图像，容易掌握关联用户的近况，所以在个人电脑的台式终端、智能手机的便携终端、运营社交网络的服务器终端等中有用。

附图标记说明

1A、1B 图像评价系统；

2 网络；

3A、3B 图像评价装置；

4 显示器；

10 图像取得部；

20 图像特征量群提取部；

21 图像特征量提取部；

22 图像特征量占有度计算部；

23 图像特征量分类部；

30 评价信息取得部；

40 评价特征量计算部；

50 评价嗜好类似度计算部；

60 图像评价部；

61 图像特征量群重要度计算部；

62 图像社交重要度计算部；

63 邻接矩阵生成部；

64 固有矢量计算部；

70 存储部；

71 图像特征量占有度计算部；

72 图像特征量群群集信息存储部；

73 评价信息存储部；

74 评价特征量存储部；

75 评价嗜好类似度存储部；

76 图像特征量群重要度存储部；

77 图像社交重要度存储部；

78 图表存储部；

80 图表生成部；

81 节点生成部；

82 群组链接设定部；

83 评价链接设定部；

84 图像特征链接设定部；

85 伪设定部；

90 显示控制部

Claims (16)

1.一种图像评价装置，其特征在于，具备：

图像特征量提取单元，从多个图像分别提取图像特征量；

评价信息取得单元，取得评价信息，该评价信息包含包括主体用户在内的多个用户对于各个所述图像的评价；

生成单元，基于所述图像特征量和所述评价信息，生成表示所述图像、所述用户、以及将所述图像特征量分类而得到的图像特征量群之间的关系的信息；以及

图像社交重要度计算单元，基于所述生成单元生成的信息，计算表示该图像对于所述主体用户的重要度的图像社交重要度。

2.根据权利要求1所述的图像评价装置，其特征在于，

所述生成单元生成的信息是表示所述图像特征量群对于所述主体用户的重要度的图像特征量群重要度。

3.根据权利要求2所述的图像评价装置，其特征在于，

所述生成单元针对各个所述图像特征量群，基于该图像特征量群和所述用户对于包含该图像特征量群的各个图像的所述评价信息，计算所述图像特征量群重要度。

4.根据权利要求3所述的图像评价装置，其特征在于，

所述评价信息包含评价张数信息，该评价张数信息表示针对各个所述图像特征量群由所述用户对包含该图像特征量群的图像进行了评价的张数，

所述图像社交重要度计算单元针对各个所述图像，基于该图像中包含的各个图像特征量群的所述图像特征量群重要度的总和，计算所述图像社交重要度。

5.根据权利要求3所述的图像评价装置，其特征在于，还具备：

评价特征量计算单元，针对各个所述用户，基于该用户对于各个所述图像的所述评价信息，计算表示该用户的评价嗜好的评价特征量；以及

评价嗜好类似度计算单元，针对各个所述用户，基于该用户的评价特征量和所述主体用户的评价特征量，计算评价嗜好类似度，该评价嗜好类似度表示该用户与所述主体用户的评价嗜好的类似性；

所述生成单元针对各个所述图像特征量群，基于该图像特征量群和对包含该图像特征量群的图像进行了评价的所述用户的所述评价嗜好类似度，计算所述图像特征量群重要度。

6.根据权利要求5所述的图像评价装置，其特征在于，

还具备图像特征量占有度计算单元，针对各个所述图像特征量，计算图像特征量占有度，该图像特征量占有度表示提取出该图像特征量的区域在提取出该图像特征量的图像中的占有度，

所述图像社交重要度计算单元针对各个所述图像，基于该图像中包含的各个图像特征量群的所述图像特征量群重要度和该图像中包含的各个图像特征量的所述图像特征量占有度，计算所述图像社交重要度。

7.根据权利要求6所述的图像评价装置，其特征在于，

所述评价信息包含评价张数信息，该评价张数信息表示针对各个所述图像特征量群由所述用户对包含该图像特征量群的图像进行了评价的张数，

所述生成单元针对各个所述图像特征量群，基于该图像特征量群、对包含该图像特征量群的图像进行了评价的所述用户的所述评价嗜好类似度、以及表示所述用户对包含该图像特征量群的图像进行了评价的张数的所述评价张数信息，计算所述图像特征量群重要度。

8.根据权利要求5所述的图像评价装置，其特征在于，

所述评价基于所述用户对所述图像的阅览操作、指定所述图像内的一部分的放大显示操作、评论记入操作、标签附加操作之中的至少1个。

9.根据权利要求8所述的图像评价装置，其特征在于，

所述评价还基于所述用户对所述图像进行操作的日期时间信息。

10.根据权利要求1所述的图像评价装置，其特征在于，

所述生成单元生成的信息是将所述图像、所述用户、以及所述图像特征量群作为节点的图表。

11.根据权利要求1所述的图像评价装置，其特征在于，

所述图像评价装置还具备图像特征量占有度计算单元，该图像特征量占有度计算单元针对各个所述图像特征量计算图像特征量占有度，该图像特征量占有度表示提取出该图像特征量的区域在提取出该图像特征量的图像中的占有度，

所述生成单元具备：

节点生成单元，基于所述用户所属的群组要素、用户要素、图像要素、以及图像特征量群要素，生成节点；

群组链接设定单元，基于群组和所述用户的关系，设定所述群组要素的节点与所述用户要素的节点间的群组链接；

评价链接设定单元，基于所述评价信息，设定所述用户要素的节点与所述图像要素的节点间的评价链接；

图像特征链接设定单元，基于所述图像特征量占有度，设定所述图像要素的节点与所述图像特征量群要素的节点间的图像特征链接；以及

邻接矩阵生成单元，基于所述群组链接、所述评价链接、以及所述图像特征链接，生成表示图表的邻接矩阵，

所述图像评价装置还具备固有矢量计算单元，该固有矢量计算单元计算所述邻接矩阵的主固有矢量，

所述社交重要度计算单元基于所述邻接矩阵的主固有矢量的要素，计算所述图像社交重要度。

12.根据权利要求11所述的图像评价装置，其特征在于，

所述群组链接设定单元基于所述群组和所述用户的从属关系，设定所述群组链接的链接值，

所述评价链接设定单元基于所述用户和所述图像的评价关系，设定所述评价链接的链接值，

所述图像特征链接设定单元基于所述图像和所述图像特征量群的从属关系以及所述图像特征量占有度，设定所述图像特征链接的链接值。

13.根据权利要求12所述的图像评价装置，其特征在于，

所述群组链接设定单元使所述用户要素间的重要度经由所述群组要素传播，并且设定所述群组链接的链接值，

所述评价链接设定单元使所述图像要素间的重要度经由所述用户要素传播，并且设定所述评价链接的链接值，

所述图像特征链接设定单元使所述图像要素间的重要度经由所述图像特征量群要素传播，并且设定所述图像特征链接的链接值。

14.一种图像评价方法，其特征在于，包括：

图像特征量提取步骤，从多个图像分别提取图像特征量；

评价信息取得步骤，取得评价信息，该评价信息包含包括主体用户在内的多个用户对于各个所述图像的评价；

生成步骤，基于所述图像特征量和所述评价信息，生成表示所述图像、所述用户、以及将所述图像特征量分类而得到的图像特征量群之间的关系的信息；以及

图像社交重要度计算步骤，基于所述生成步骤生成的信息，计算表示该图像对于所述主体用户的重要度的图像社交重要度。

15.一种程序，使计算机执行评价图像的图像评价处理，其特征在于，包括：

图像特征量提取步骤，从多个图像分别提取图像特征量；

评价信息取得步骤，取得评价信息，该评价信息包含包括主体用户在内的多个用户对于各个所述图像的评价；

生成步骤，基于所述图像特征量和所述评价信息，生成表示所述图像、所述用户、以及将所述图像特征量分类而得到的图像特征量群之间的关系的信息；以及

图像社交重要度计算步骤，基于所述生成步骤生成的信息，计算表示该图像对于所述主体用户的重要度的图像社交重要度。

16.一种集成电路，其特征在于，具备：

图像特征量提取单元，从多个图像分别提取图像特征量；

评价信息取得单元，取得评价信息，该评价信息包含包括主体用户在内的多个用户对于各个所述图像的评价；

生成单元，基于所述图像特征量和所述评价信息，生成表示所述图像、所述用户、以及将所述图像特征量分类而得到的图像特征量群之间的关系的信息；以及

图像社交重要度计算单元，基于所述生成单元生成的信息，计算表示该图像对于所述主体用户的重要度的图像社交重要度。

Images