CN103914781B - 信息处理设备、信息处理方法和终端设备 - Google Patents

信息处理设备、信息处理方法和终端设备 Download PDF

Info

Publication number
CN103914781B
CN103914781B CN201410001274.2A CN201410001274A CN103914781B CN 103914781 B CN103914781 B CN 103914781B CN 201410001274 A CN201410001274 A CN 201410001274A CN 103914781 B CN103914781 B CN 103914781B
Authority
CN
China
Prior art keywords
recommendation
information
user
targeted customer
correction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410001274.2A
Other languages
English (en)
Other versions
CN103914781A (zh
Inventor
影山雄
影山雄一
竹原充
菅沼久浩
田中义己
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Original Assignee
Sony Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sony Corp filed Critical Sony Corp
Publication of CN103914781A publication Critical patent/CN103914781A/zh
Application granted granted Critical
Publication of CN103914781B publication Critical patent/CN103914781B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)

Abstract

提供了一种信息处理设备、信息处理方法和终端设备，该信息处理设备包括：推荐单元，被配置成基于与目标用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成针对所述目标用户的推荐信息；以及通信接口，被配置成提供所生成的推荐信息以发送到所述目标用户。

Description

信息处理设备、信息处理方法和终端设备
对相关申请的交叉引用
本申请要求2013年1月9日提交的日本优先权专利申请JP2013-001874的权益，其全部内容通过引用合并于此。
技术领域
本公开涉及一种信息处理设备、信息处理方法、程序和终端设备。
背景技术
近年来，通过诸如因特网的网络的多种服务已被提供给用户。例如，社交联网服务（SNS）通过网络提供了用户之间的交流场合。位置感知（location-aware）服务提供了与用户的当前位置关联的多种多样的信息。此外，许多用户利用在线商店来在线购买产品。
许多在线商店设置有向用户推荐产品的方案。例如，如果用户浏览特定产品的详细信息，则关于与该产品关联的产品的信息被作为推荐产品呈现给用户。一般地，通过使用如日本专利早期公开2012-190061中描述的协同过滤（collaborative filtering）和基于内容的过滤所代表的某种推荐算法来实现用于推荐的方案。协同过滤是基于用户的偏好的算法，并且使用与具有类似偏好的其他用户的动作（例如，购买、观看和收听、或者浏览）相关的信息来确定推荐得分。基于内容的过滤是基于诸如产品的条目的属性的算法，并且基于作为用户的动作的对象的条目的属性来确定推荐得分。通常，具有高推荐得分的条目被选择为要呈现给用户的推荐条目。为了实现有效的推荐，日本专利早期公开2012-190061提出了响应于用户的情形而动态地结合这种两种推荐算法。
发明内容
然而，在现有推荐方法中，没有反映出强烈影响用户的动作的口碑传 播（word-of-mouth communication）的因素。一般地，口碑信息（word-of-mouth information）是来自对试图销售条目的销售者可能有兴趣或可能没兴趣的其他用户的信息，并且是用户用于确定他的或她的动作（诸如购买以及观看和收听）的重要信息之一。然而，用户主动收集口碑信息是麻烦的。此外，从隐私保护的观点来看，不期望服务侧自动收集纯粹的口碑信息并且在用户之间进行分发。
因此，期望实现将口碑传播的因素并入其中并且可以解决或减少上述缺点的新颖推荐方案。
根据本公开的实施例，提供了一种信息处理设备，包括：推荐单元，被配置成基于与目标用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成针对所述目标用户的推荐信息；以及通信接口，被配置成提供所生成的推荐信息以发送到所述目标用户。
根据本公开的另一实施例，提供了一种信息处理方法，包括：基于与目标用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成针对所述目标用户的推荐信息；以及提供所生成的推荐信息以发送到所述目标用户。
根据本公开的另一实施例，提供了一种构成通信系统的一部分的终端设备，所述通信系统还包括信息处理设备，所述信息处理设备被配置成向所述终端设备提供推荐信息，所述终端设备包括电路，该电路被配置成：经由网络传送和接收数据信号；发送对于针对所述终端设备的用户的推荐信息的请求；以及接收基于与所述终端设备的用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成的所述推荐信息。
根据本公开的另一实施例，提供了一种方法，包括：从服务器请求针对目标用户的推荐信息；以及从服务器接收推荐信息，其中，该推荐信息是基于与目标用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成的。
利用根据本公开的技术，可以实现将口碑传播的因素并入其中的有效推荐方案。
附图说明
图1是用于说明推荐系统的概况的说明图；
图2是示出根据实施例的服务器设备的示例性硬件配置的框图；
图3是示出根据实施例的服务器设备的示例性逻辑功能配置的框图；
图4是用于说明用于确定每个关联用户的权重的方法的第一示例的说明图；
图5是用于说明用于确定每个关联用户的权重的方法的第二示例的说明图；
图6是用于说明基本推荐得分、校正推荐得分和校正后推荐得分的示例性关系的说明图；
图7是示出由根据实施例的服务器设备执行的推荐处理的示例性流程的流程图；
图8是示出根据实施例的终端设备的示例性硬件配置的框图；
图9是示出根据实施例的终端设备的示例性逻辑功能配置的框图；
图10是用于说明推荐得分的切换的说明图；
图11A是用于说明推荐场景的第一示例的序列图的前半部；
图11B是用于说明推荐场景的第一示例的序列图的后半部；
图12A是用于说明推荐场景的第二示例的序列图的前半部；以及
图12B是用于说明推荐场景的第二示例的序列图的后半部。
具体实施方式
在下文中，将参照附图详细描述本公开的实施例。注意，在本说明书和附图中，具有基本上相同的功能和结构的结构元件以相同的附图标记来指示，并且省略对这些结构元件的重复说明。
将按以下顺序给出描述。
1.系统的概况
2.服务器设备的配置
2-1.示例性硬件配置
2-2.示例性功能配置
2-3.示例性处理流程
3.终端设备的配置
3-1.示例性硬件配置
3-2.示例性功能配置
3-3.修改
4.示例性推荐场景
4-1.第一场景
4-2.第二场景
5.结论
<1.系统的概况>
首先，将使用图1描述根据实施例的推荐系统的概况。参照图1，推荐系统10被示出作为示例。推荐系统10包括服务器设备100和终端设备200。
服务器设备100是提供用于向用户推荐适当条目的推荐功能的信息处理设备。服务器设备100通过诸如因特网或虚拟个人网络（VPN）的网络与终端设备200连接。服务器设备100要推荐的条目可以是任意种类的条目，诸如要在在线商店销售的产品，要通过网络递送的视频、图片或音乐内容，广告信息，或者新闻文章。服务器设备100响应于来自诸如终端设备200或应用服务器（图中未示出）的设备的推荐请求而发送推荐结果。
服务器设备100要生成的推荐结果通常可以包含推荐处理中所确定的推荐得分高的条目的列表或者条目和推荐得分的列表。在实施例中，服务器设备100根据已知的推荐算法而确定推荐得分的基本得分（下文中称为基本推荐得分），已知的推荐算法可以包括协同过滤、基于内容的过滤或者其组合。然后，服务器设备100使用校正推荐得分对基本推荐得分进行校正，从而生成校正后推荐得分。如稍后详细描述的，在校正推荐得分中并入了口碑传播的因素。
终端设备200是用户所利用的信息处理设备。终端设备200可以是诸如个人计算机（PC）、智能电话、个人数字助理（PDA）、导航设备或游戏终端的信息处理终端，或者可以是诸如电视设备的数字家用电子设施。终端设备200不限于图1的示例，并且可以是诸如头戴式显示器（HMD）的可佩带设备。
在图1的示例中，用户UA是作为推荐目标的目标用户。用户UA所具有的终端设备200接收服务器设备100针对用户UA所生成的推荐结果，并且在屏幕上显示所接收的推荐结果。用户UF1和用户UF2是与用户UA具有关联的人。在说明书中，与目标用户具有关联的用户被称为关联用户。服务器设备100所使用的校正推荐得分是基于关联用户的动作而确定的。在图1中，两个用户（用户UF1和用户UF2）被示出作为关联用户。然而，关联用户的数量不限于该示例，而是可更多或者可更少。用户UG为不是关联用户的用户。在确定基本推荐得分时，服务器设备100可以参考用户UG的偏好和动作历史。
<2.服务器设备的配置>
在该部分，将描述图1所示的服务器设备100的示例性配置。
[2-1.示例性硬件配置]
图2是示出根据实施例的服务器设备100的示例性硬件配置的框图。参照图2，服务器设备100包括通信接口（I/F）101、输入装置103、显示器105、存储装置107、存储器109、总线117和处理器119。
通信I/F101是支持任意无线通信协议或有线通信协议的通信接口。通信I/F101建立服务器设备100与终端设备200之间的通信连接。输入装置103是服务器设备100的操作者通过其操作服务器设备100的装置。输入装置103可以包括例如键盘和指向装置。显示器105包括由例如液晶显示器（LCD）、有机发光二极管（OLED）或阴极射线管（CRT）构成的屏幕。存储装置107由例如诸如硬盘的大容量存储介质构成，并且将数据库内的各种数据存储在服务器设备100中。存储器109可以是可以包括随机存取存储器（RAM）和只读存储器（ROM）的半导体存储器，并且存储用于服务器设备100的处理的程序和数据。总线117将通信I/F101、输入装置103、显示器105、存储装置107、存储器109和处理器119相互连接。处理器119可以是例如中央处理单元（CPU）或数字信号处理器（DSP）。处理器119执行存储在存储器109或其它存储介质中的程序，从而激活稍后将描述的服务器设备100的各种功能。
[2-2.示例性功能配置]
图3是示出在图2所示的服务器设备100的存储装置107、存储器109和处理器119中实现的逻辑功能的示例性配置的框图。参照图3，服务器设备100包括推荐单元120、推荐DB（数据库）130、关联用户选择单元 140和得分计算单元150。得分计算单元150包括基本得分确定单元152、校正得分确定单元154和得分校正单元156。
（1）推荐单元
推荐单元120控制服务器设备100中的推荐处理的执行。例如，一旦通过通信I/F101从终端设备200接收到推荐请求，则推荐单元120开始推荐处理的执行。在推荐处理中，推荐单元120例如使用包含在推荐请求的用户ID（标识号）来识别目标用户，并且使得关联用户选择单元140选择与目标用户具有关联的关联用户。此外，推荐单元120使得基本得分确定单元152和校正得分确定单元154分别确定针对目标用户的基本推荐得分SA和校正推荐得分SB。接下来，推荐单元120使得得分校正单元156使用校正推荐得分SB对基本推荐得分SA进行校正并生成校正后推荐得分SC。然后，推荐单元120基于所生成的校正后推荐得分SC而选择推荐条目，并且通过通信I/F101将与推荐条目相关的信息作为推荐结果发送到终端设备200。
例如，推荐单元120可以在固定间隔处更新推荐得分，并且定期地将新推荐结果发送到目标用户的终端设备200。替选地，推荐单元120可以每当检测到预定事件时更新推荐得分，并且发送新推荐结果。预定事件的示例可以包括推荐更新请求的接收、目标用户的通信情形的改变、用户的移动、关联用户的新动作或者关联用户的增加或减少。
（2）推荐数据库
推荐DB130是存储要在推荐处理中使用的各种数据的数据库。在图3的示例中，推荐DB130包含用户数据132和条目数据134。
用户数据132可以针对在推荐系统10中登记的每个用户而包含用户ID、昵称、属性数据（例如，年龄和性别）、偏好数据（例如，喜爱条目的类别）、位置数据和通信情形数据。用户的位置数据和通信情形数据可以从各个终端设备200接收，并且存储在推荐DB130中。条目数据134可以针对作为要推荐的对象的多个条目中的每个而包含条目ID、名称和属性数据（例如，类别）。这里描述的数据仅是示例。即，其它类型的数据可存储在推荐DB130中，并且可省略一些上述数据。
（3）关联用户选择单元
关联用户选择单元140选择与目标用户具有关联的一个或多个关联用户，以用于确定校正推荐得分。作为第一准则，关联用户选择单元140 可选择在目标用户的邻近处的用户作为关联用户。作为第二准则，关联用户选择单元140可基于社交网络中的目标用户的通信情形而选择关联用户。作为第三准则，关联用户选择单元140可基于对通过目标用户携带或佩戴的设备（例如，安装在终端设备200上的摄像装置或麦克风）获取的图片或话音的识别处理而选择关联用户。作为第四准则，关联用户选择单元140可选择目标用户通过用户接口指定的用户作为关联用户。
在第一准则中，关联用户选择单元140可基于从目标用户和其他用户的终端设备200收集的位置数据而识别在目标用户的邻近处的用户（即，关联用户）。如果终端设备200具有邻近终端检测功能（例如，无线网络直接联结（Wi-Fi Direct）），则关联用户选择单元140可识别具有目标用户的终端设备200所检测的邻近终端的用户作为关联用户。根据第一准则，可以将来自目标用户在现实世界中与其一起动作的其他用户的或者来自处于目标用户正访问的地方的其他用户的口碑传播的因素并入推荐得分中。这里，可从关联用户中排除长期在目标用户的邻近处的用户（例如，目标用户的家庭成员）。因而，可以避免由类似推荐条目的连续呈现而引起的推荐结果的新鲜度的损失。
在第二准则中，关联用户选择单元140可将基于从目标用户的终端设备200收集的通信情形数据而被判断为与目标用户具有高亲密度的用户识别为关联用户。例如，与目标用户频繁交换消息的用户可以被判断为与目标用户具有高亲密度。另外，与目标用户属于同一团体的用户可以被判断为与目标用户具有高亲密度。例如，可以根据终端设备200中的SNS或涉及社交网络的其它服务的日志来生成通信情形数据，并且由关联用户选择单元140来收集该通信情形数据。根据第二准则，可以将来自目标用户在现实世界中感兴趣的其他用户或者与目标用户亲密的其他用户的口碑传播的因素并入推荐得分中。这里，用户之间的亲密度可通过使用自然语言分析技术分析用户之间所交换的消息的内容来调节。因而，可以更准确地判断亲密度以及选择更适当的关联用户。亲密度不限于上述示例，并且可使用从SNS获取的社交图来判断。
在第三准则中，关联用户选择单元140可通过将已知的个人识别技术应用于从目标用户的终端设备200获取的图片或话音来识别关联用户。在该情况下，存储在推荐DB130中的用户数据132可以包含与图片比较的各个用户的面部图片数据或者与话音比较的各个用户的语音特征数据。根据第三准则，可以将来自目标用户在现实世界中与其一起动作或交谈的其 他用户或者目标用户感兴趣的其他用户的口碑传播的因素并入推荐得分中。
在第四准则中，关联用户选择单元140可在终端设备200的屏幕上显示用于指定关联用户的图形用户界面（GUI），并且通过所显示的GUI获取一个或多个关联用户的用户ID。例如，可从在SNS中登记的目标用户的朋友用户列表来指定关联用户。替选地，可从根据上述第一准则、第二准则或第三准则提取的关联用户候选的列表指定关联用户。根据第四准则，可以选择目标用户想将其口碑传播的因素并入推荐得分中的那些用户作为关联用户。
上述用于选择关联用户的准则可以以任意组合来组合。另外，可使用其它选择准则。此外，关联用户选择单元14可将下述GUI提供到终端设备200：目标用户通过该GUI来指定关联用户选择时的选择准则。例如，关联用户选择单元140可在终端设备200的屏幕上显示选择准则的列表，并且根据目标用户指定的选择准则来选择关联用户。因而，可以并入口碑传播的因素，此外响应于用户的意图而灵活地改变推荐结果。
关联用户选择单元140将以此方式选择的关联用户的用户ID列表输出到校正得分确定单元154。
（4）基本得分确定单元
基本得分确定单元152确定针对目标用户的基本推荐得分SA。基本推荐得分SA可以由基本得分确定单元152根据已知推荐算法来确定，该已知推荐算法可以包括协同过滤、基于内容的过滤或者其组合。例如，在使用协同过滤的情况下，基本得分确定单元152在目标用户与其他用户之间对包含在用户数据132中的偏好数据进行比较，并且对作为与目标用户具有类似偏好的其他用户的过去动作的对象的那些条目添加得分。所讨论的其他用户还可以包括不是关联用户的多个用户UG。在使用基于内容的过滤的情况下，基本得分确定单元152对与作为目标用户的动作对象的条目具有类似条目属性的那些条目添加得分。由于协同过滤和基于内容的过滤的细节对本领域技术人员是已知的，因此这里省略额外描述。基本得分确定单元152可根据与协同过滤和基于内容的过滤不同的推荐算法来确定基本推荐得分SA。基本得分确定单元152将所确定的基本推荐得分SA输出到得分校正单元156和推荐单元120。
（5）校正得分确定单元
校正得分确定单元154基于关联用户选择单元140选择的关联用户的动作而确定校正推荐得分SB。在实施例中，校正得分确定单元154使用每个关联用户的权重和针对每个关联用户获取的评定值（rating value）而计算校正推荐得分SB。通常，所有关联用户的权重的和是1。
例如，校正得分确定单元154可基于目标用户的位置数据而确定每个关联用户的权重。图4是用于说明用于确定每个关联用户的权重的方法的第一示例的说明图。参照图4，在现实世界中的地图的中心处示出了目标用户UA的当前位置。在以目标用户UA的当前位置为中心的圆内的用户UF1和用户UF2是关联用户选择单元140所选择的关联用户。距离D1是目标用户UA与关联用户UF1之间的距离。距离D2是目标用户UA与关联用户UF2之间的距离。距离D2大于距离D1。在该情况下，校正得分确定单元154可以将关联用户UF1的权重WF1确定为大于关联用户UF2的权重WF2。
另外，例如，校正得分确定单元154可基于目标用户的通信情形而确定每个关联用户的权重。图5是用于说明用于确定每个关联用户的权重的方法的第二示例的说明图。参照图5，沿着时间轴示出了在SNS中目标用户UA的通信历史。例如，目标用户UA在时间T1、T2和T3与用户UF1交换消息。另外，目标用户UA在时间T4与用户UF2交换消息。这些用户UF1和UF2可以被关联用户选择单元140选作关联用户。例如，与目标用户UA具有较高通信频率的关联用户UF1的亲密度CF1可以被判断为高于具有较低通信频率的关联用户UF2的亲密度CF2。因此，校正得分确定单元154可将关联用户UF1的权重WF1确定为大于关联用户UF2的权重WF2。替选地，校正得分确定单元154可将在作为更接近当前时间的时间的时间T4与目标用户UA通信的关联用户UF2的权重WF2确定为大于关联用户UF1的权重WF1。
此外，校正得分确定单元154针对每个关联用户确定每个条目的评定值。作为示例，评定值可以基于每个关联用户的动作历史来确定。例如，当某个关联用户观看或收听视频内容或音乐内容时，被观看或收听了的内容的评定值增加。当某个关联用户浏览或购买在线商店的产品时，该产品的评定值增加。关联用户的动作可从终端设备200中的应用（诸如因特网浏览器或内容播放器）的操作日志来判断，或者可从终端设备200中的摄像装置或传感器的输出数据来判断。校正得分确定单元154可接收在终端设备200中生成的动作历史且然后基于该动作历史来确定评定值，或者可 接收在终端设备200中确定的评定值。在以下描述中，从终端设备200接收的动作历史或评定值被称为评定信息。根据这样的方法，能够自动收集可对应于口碑信息的评定值，而没有对关联用户施加登记口碑信息的麻烦。
校正得分确定单元154可随时间而减弱基于每个关联用户的动作历史确定的评定值。在该情况下，被关联用户购买、观看或收听、或者浏览的条目的评定值在动作之后立即增加，并且随时间逐渐减小。评定值可以线性方式或以曲线方式（例如，卡普兰-梅尔（Kaplan-Meier）曲线或对数曲线）随时间衰减。根据这样的方法，可以使得校正推荐得分适合于关联用户的动作改变，并且可以连续地更新反映口碑传播的因素的推荐结果。
作为另一示例，校正得分确定单元154可从终端设备200获取由每个关联用户明确指定的评定值作为评定信息。在该情况下，校正得分确定单元154将下述GUI提供到关联用户的终端设备200：关联用户通过该GUI指定每个条目的评定值。根据这样的方法，可以将关联用户对各个条目的明确评估反映在校正推荐得分中。
校正得分确定单元154可以通过将针对每个条目以这样的方式确定的权重和评定值相乘并且然后关于所有关联用户将乘积相加来计算每个条目的校正推荐得分SB。除了上述示例以外，相等权重可用于所有关联用户。然后，校正得分确定单元154将算出的校正推荐得分SB输出到得分校正单元156。
校正推荐得分SB可以是负值。例如，关联用户不喜欢的条目的评定值可被确定为负值。另外，例如，与目标用户具有负关联的关联用户（与目标用户不相容的人等）的权重可被确定为负值。具有负关联的关联用户可由目标用户明确指定，或者可通过分析所交换的消息的内容来判断。
（6）得分校正单元
得分校正单元156通过使用由校正得分确定单元154确定的校正推荐得分SB对由基本得分确定单元152确定的基本推荐得分SA进行校正来生成校正后推荐得分SC。在实施例中，得分校正单元156将校正推荐得分SB与合成比率的乘积加到基本推荐得分SA上。合成比率是校正推荐得分SB与基本推荐得分SA的比率。
图6是用于说明基本推荐得分SA、校正推荐得分SB和校正后推荐得 分SC的示例性关系的说明图。参照图6，示出了基本推荐得分SA、校正推荐得分SB和校正后推荐得分SC的关系表达式。每个推荐得分以向量形式来表示，在该向量形式中，作为元素而包括多个条目的得分值。在图中，例示了三个条目IT01、IT02和IT03。这里，作为示例，基本推荐得分SA和校正推荐得分SB中的每个值是1.0至5.0的范围中的数值。每个推荐得分的值不限于该示例，而是可在任意范围中。
关系表达式的左手侧的第一项对应于基本推荐得分SA。在图6的示例中，基本推荐得分SA是SA=(2.8,3.2,1.5,...)T。
关系表达式的左手侧的第二项对应于校正推荐得分SB与合成比率RB的乘积。如上所述，校正推荐得分SB等于由每个关联用户的权重与评定值相乘而得到的乘积关于所有关联用户的和。在图6的示例中，合成比率RB是RB=0.5。所选择的关联用户是用户UF1和用户UF2，关联用户UF1的权重WF1是WF1=0.6，并且关联用户UF2的权重WF2是WF2=0.4。关联用户UF1的评定值RF1是RF1=(4.0,1.0,2.0,...)T。关联用户UF2的评定值RF2是RF2=(3.0,2.0,2.0,...)T。根据这些值，将校正推荐得分SB计算为SB=(3.6,1.4,2.0,...)T。
关系表达式的右手侧对应于校正后推荐得分SC。在图6的示例中，通过将校正推荐得分SB与合成比率RB的乘积加到基本推荐得分SA上，将校正后推荐得分SC计算为SC=(4.6,3.9,2.5,...)T。
在图6的示例中，如果根据基本推荐得分SA来推荐条目，则将展现出最高推荐得分的条目IT02判断为针对目标用户的最适当条目。然而，如果根据并入了口碑传播的因素的校正后推荐得分SC来推荐条目，则取代条目IT02，条目IT01展现出最高推荐得分。因此，根据实施例，通过并入口碑传播的因素，可提供与现有推荐算法（诸如协同过滤或基于内容的过滤）的推荐结果不同的推荐结果。另外，由于推荐得分合成的缘故，在推荐结果中没有向目标用户显示来自每个关联用户的评定值被反映在校正后推荐得分SC中的程度以及关联用户的身份，因此满足了隐私保护的要求。
得分校正单元156可以可变地控制合成比率RB。作为示例，得分校正单元156可在目标用户参与特定团体（例如，在SNS中形成的团体）时增加合成比率RB。作为另一示例，得分校正单元156可在目标用户处于预定的特定地方时增加合成比率RB。特定地方的示例包括许多人聚集的地方，诸如饭店、酒吧、实况会场、体育场、学校或公共会场。当为合 成比率RB设置较高值时，包括在校正后推荐得分SC中的校正推荐得分SB的比例增加，并且口碑传播的因素对推荐结果具有较大影响。因而，可以增加在参与团体的用户之间或者聚集在同一地方的用户之间分享关于同一条目的经历的可能性，并且可以通过条目的推荐来促进交流。
[2-3.示例性处理流程]
图7是示出由根据实施例的服务器设备100执行的推荐处理的示例性流程的流程图。图7所示的推荐处理可以响应于推荐单元120对推荐请求的接收而开始。
参照图7，首先，基本得分确定单元152根据已知推荐算法针对目标用户确定基本推荐得分（步骤S10）。关联用户选择单元140选择与目标用户具有关联的一个或多个关联用户（步骤S15）。
接下来，校正得分确定单元154获取关联用户选择单元140选择的每个关联用户的权重（步骤S20）。另外，校正得分确定单元154针对每个所选择的关联用户获取每个条目的评定值（步骤S25）。然后，校正得分确定单元154通过关于所有关联用户将所获取的权重与评定值的乘积求和来计算每个条目的校正推荐得分（步骤S30）。
接下来，得分校正单元156确定校正推荐得分与基本推荐得分的合成比率（步骤S35）。然后，得分校正单元156使用由校正得分确定单元154算出的校正推荐得分，根据所确定的合成比率对基本推荐得分进行校正（步骤S40）。
接下来，推荐单元120基于得分校正单元156生成的校正后推荐得分而选择要推荐的条目，并且通过通信I/F101将推荐结果发送到终端设备200（步骤S45）。
此后，推荐单元120判断是否要结束推荐处理（步骤S50）。例如，在终端设备200中关闭了用于显示推荐结果的应用的情况下，推荐单元120结束推荐处理。如果推荐处理继续，则流程图返回到步骤S10。推荐结果定期地更新或者每当检测到预定事件时被更新。
<3.终端设备的配置>
在该部分，将描述图1所示的终端设备200的示例性配置。
[3-1.示例性硬件配置]
图8是示出根据实施例的终端设备200的示例性硬件配置的框图。参 照图8，终端设备200包括摄像装置201、传感器203、输入装置205、通信I/F207、存储器209、显示器211、麦克风213、总线217和处理器219。
（1）摄像装置
摄像装置201包括诸如电荷耦合器件（CCD）或互补金属氧化物半导体（CMOS）的图像拍摄元件，并且生成拍摄图像。例如，为了选择关联用户，摄像装置201可对在目标用户的邻近处的用户进行拍摄。此外，为了识别关联用户的动作，摄像装置201可对关联用户进行拍摄。
（2）传感器
传感器203通常是可以包括位置传感器的传感器模块。例如，位置传感器可以是接收全球定位系统（GPS）信号以测量纬度、经度和高度的GPS传感器，或者可以是基于要与无线接入点发送和接收的无线信号来测量位置的基于无线的传感器。传感器203生成的位置数据可以由服务器设备100来收集，以用于关联用户的选择和权重的确定。传感器203可包括其它类型的传感器，诸如电子罗盘和加速度传感器。
（3）输入装置
输入装置205是用户用于操作终端设备200或者将信息输入到终端设备200的装置。输入装置205可以包括例如触摸传感器、按钮、开关或键盘。输入装置205可包括用于检测用户给出的话音命令作为用户输入的话音输入模块。在终端设备200是包括HMD的可佩带设备的情况下，输入装置205可包括用于检测用户的眼注视作为用户输入的眼注视检测模块。
（4）通信I/F
通信I/F207是支持任意无线通信协议（例如，W-CDMA、WiMAX、LTE、LTE-A或无线LAN）或有线通信协议的通信接口。通信I/F207建立终端设备200与服务器设备100之间的通信连接。通信I/F207可支持基于例如无线LAN或蓝牙（R）的邻近终端检测功能。
（5）存储器
存储器209由诸如半导体存储器或硬盘的存储介质构成，并且存储用于终端设备200进行处理的程序和数据。这里，要在该部分描述的程序和数据的一部分或全部可从外部数据源（例如，数据服务器、网络存储装置或外部存储器）获取，而没有存储在存储器209中。
（6）显示器
显示器211包括由LCD、OLED等构成的屏幕，并且显示图像。例如，显示器211的屏幕可以显示用于示出推荐结果的应用图像以及GUI图像。
（7）麦克风
麦克风213是用于收集从用户或者用户的邻近处给出的话音的话音输入接口。例如，为了选择关联用户，麦克风213可收集在目标用户的邻近处的用户的话音。
（8）总线
总线217将摄像装置201、传感器203、输入装置205、通信I/F207、存储器209、显示器211、麦克风213和处理器219相互连接。
（9）处理器
处理器219可以是例如CPU或DSP。处理器219执行存储在存储器209或其它存储介质中的程序，从而激活稍后将描述的终端设备200的各种功能。
[3-2.示例性功能配置]
图9是示出在图8所示的终端设备200的存储器209和处理器219中所实现的逻辑功能的示例性配置的框图。参照图9，终端设备200包括应用单元220和推荐支持单元230。推荐支持单元230包括情形判断单元232、推荐结果获取单元234和评定信息发送单元236。
（1）应用单元
应用单元220执行终端设备200具有的各种应用。应用单元220要执行的应用可以是任意种类的应用，诸如因特网浏览器、内容播放器、SNS客户端、即时信使、VoIP客户端、邮件收发器、电视调谐器和电子书阅读器。
当活动应用具有推荐结果显示功能时，应用单元220将来自推荐结果获取单元234的推荐请求发送到服务器设备100。然后，应用单元220根据推荐结果获取单元234从服务器设备100接收的推荐结果，在屏幕上显示关于推荐条目的信息。
（2）情形判断单元
情形判断单元232判断具有终端设备200的用户的通信情形和动作。例如，在具有终端设备200的用户是目标用户的情况下，情形判断单元232可判断目标用户的通信情形并且生成描述所判断的通信情形的通信情形数据。可以例如根据SNS或其它服务中的日志生成通信情形数据。通信情形数据可以包含例如目标用户对社交网络的登录信息、团体中的标识信息以及与通信对方有关的信息（例如，用户ID、通信时间和通信频率）。情形判断单元232将以此方式生成的通信情形数据输出到推荐结果获取单元234。情形判断单元232可调用终端设备200的邻近终端检测功能，并且将具有所检测的邻近终端的用户的用户ID列表输出到推荐结果获取单元234。
例如，在具有终端设备200的用户是关联用户的情况下，情形判断单元232可根据记录在应用单元220中的应用中的操作日志而判断关联用户对条目的动作。情形判断单元232可以例如判断视频内容或音乐内容的观看和收听的开始和结束、在线商店的产品的浏览或购买、或者新闻文章的浏览作为关联用户的动作。情形判断单元232可取代应用中的操作日志而使用来自摄像装置201的拍摄图像、来自传感器203的传感器数据、或者从麦克风213输入的话音来判断关联用户的动作。情形判断单元232将关于关联用户的这样的动作的判断结果输出到评定信息发送单元236。
（3）推荐结果获取单元
推荐结果获取单元234将推荐请求发送到服务器设备100，并且从服务器设备100接收推荐结果。除了目标用户的用户ID之外，推荐请求还可以包含下述中的至少一个：目标用户的位置数据、通信情形数据、以及关联用户候选的用户ID列表。关联用户候选可以是具有邻近终端的用户，或者可以是目标用户通过GUI指定的用户。另外，推荐请求可包含选择准则的标识符，该选择准则作为用于选择关联用户的准则，并且目标用户可通过GUI来指定该选择准则。推荐结果获取单元234一旦接收到服务器设备100响应于推荐请求而发送的推荐结果，就将推荐结果输出到应用单元220。
在推荐请求被一度发送到服务器设备100之后目标用户已移动的情况下，推荐结果获取单元234可再次将目标用户的位置数据发送到服务器设备100。另外，在目标用户的通信情形已改变的情况下，推荐结果获取单元234可再次将目标用户的通信情形数据发送到服务器设备100。另外，在关联用户候选已改变的情况下，推荐结果获取单元234可再次将关联用 户候选的用户ID列表发送到服务器设备100。这样的数据发送可定期地执行。
（4）评定信息发送单元
评定信息发送单元236将上述评定信息发送到服务器设备100。评定信息发送单元236可基于从情形判断单元232输入的对关联用户的动作的判断结果而生成评定信息。评定信息可以包含关联用户的动作历史或者基于动作历史而确定的评定值。替选地，评定信息发送单元236可生成包含关联用户通过GUI而指定的评定值的评定信息。
（5）推荐得分切换
作为示例，推荐结果获取单元234可以向目标用户提供用于在基本推荐得分与校正后推荐得分之间对作为推荐结果的基础的推荐得分进行切换的用户界面。
图10是用于说明推荐得分的切换的说明图。参照图10的左侧，在终端设备200的屏幕上显示了应用图像Im1。应用图像Im1的下半部是推荐结果显示区域W1。推荐结果显示区域W1中所示的推荐结果是基于基本推荐得分的结果。在图10的示例中，推荐条目是音乐内容，并且，作为推荐结果，以基本推荐得分的降序在推荐结果显示区域W1中显示了三个推荐条目IT11、IT12和IT13的标题。推荐结果显示区域W1包含按钮B1。一旦目标用户敲击了按钮B1，则作为推荐结果的基础的推荐得分被切换到校正后推荐得分。
参照图10的右侧，作为敲击按钮B1之后的显示的示例，显示了推荐结果显示区域W2。推荐结果显示区域W2中所示的推荐结果是基于校正后推荐得分的结果。在推荐结果显示区域W2中，作为推荐结果，以校正后推荐得分的降序显示了三个推荐条目IT13、IT12和IT14的标题。推荐结果显示区域W2包含用于将作为推荐结果的基础的推荐得分切换为基本推荐得分的按钮B2。
通过经由如图10所示的用户界面切换推荐得分，目标用户可以知道当并入来自他的或她的朋友或者其它关联用户的口碑传播的因素时推荐结果如何改变。
[3-3.修改]
使用图3描述的服务器设备100的一部分功能被安装在终端设备200中。例如，终端设备200可具有推荐单元120的功能，并且基于从服务器 设备100接收的校正后推荐得分SC来选择推荐条目。终端设备200可具有关联用户选择单元140的功能，并且根据上述第一至第四准则（或其它选择准则）中的任一个而选择关联用户。终端设备200可具有校正得分确定单元154的功能，并且可基于目标用户的通信情形或者目标用户和关联用户的位置数据而确定每个关联用户的权重，以向服务器设备100通知所确定的权重。终端设备200可根据所确定的权重与评定值的乘积而计算每个条目的校正推荐得分，并且向服务器设备100通知算出的校正推荐得分。终端设备200可具有得分校正单元156的功能，并且通过使用校正推荐得分对基本推荐得分进行校正来生成校正后推荐得分。
<4.示例性推荐场景>
在该部分，将描述使用上述服务器设备100和终端设备200实现的示例性推荐场景。
[4-1.第一场景]
图11A和图11B是用于说明推荐场景的第一示例的序列图。在第一示例中，用户UA是目标用户，并且用户UF1和用户UF2是关联用户。
参照图11A，首先，用户UF1在终端设备200中开始条目IT21（例如，视频内容、音乐内容或图片内容）的回放（步骤S110）。响应于条目IT21的回放开始，用户UF1的终端设备200生成评定信息，并且将所生成的评定信息发送到服务器设备100（步骤S112）。服务器设备100从所接收的评定信息获取用户UF1的评定值（步骤S114）。
接下来，用户UA在终端设备200上开始具有推荐结果显示功能的应用（步骤S120）。例如，用户UA的终端设备200调用邻近终端检测功能，并且检测在其自己邻近处的邻近用户（步骤S122）。然后，用户UA的终端设备200将推荐请求发送到服务器设备100（步骤S124）。除了作为目标用户的用户UA的用户ID之外，此时要发送的推荐请求还可以包含例如用户UA的位置数据和邻近用户（关联用户候选）的用户ID的列表。
接下来，服务器设备100一旦接收到推荐请求就执行使用图7描述的推荐处理（步骤S126）。更具体地，例如，服务器设备100确定针对用户UA的基本推荐得分。此外，服务器设备100使用包含在推荐请求中的数据来选择用户UF1作为关联用户。接下来，服务器设备100使用作为关联用户的用户UF1的权重和评定值来确定校正推荐得分。在图11A的示例中，由于用户UF1是仅有的关联用户，因此用户UF1的权重可以是1.0。用户 UF1的评定值已在步骤S114中获取到。然后，服务器设备100通过使用校正推荐得分对基本推荐得分进行校正来计算校正后推荐得分。此外，服务器设备100基于算出的校正后推荐得分来选择推荐条目。然后，服务器设备100将推荐结果发送到用户UA的终端设备200（步骤S128）。此时要发送的推荐结果可以包含例如关于基于校正后推荐得分而选择的一个或多个推荐条目的信息。
接下来，用户UA的终端设备200一旦接收到来自服务器设备100的推荐结果，就根据所接收的推荐结果在屏幕上显示关于推荐条目的信息（步骤S130）。在图11A的示例中，可以将关联用户UF1正回放的条目IT21作为具有高推荐得分的条目呈现给目标用户UA。
接下来，参照图11B，用户UF1结束条目IT21的回放（步骤S140）。响应于条目IT21的回放结束，用户UF1的终端设备200生成评定信息，并且将所生成的评定信息发送到服务器设备100（步骤S142）。服务器设备100从所接收的评定信息获取用户UF1的新的评定值（步骤S144）。
接下来，用户UF2靠近用户UA，并且在用户UF2的终端设备200中开始条目IT22的回放（步骤S150）。响应于条目IT22的回放开始，用户UF2的终端设备200生成评定信息，并且将所生成的评定信息发送到服务器设备100（步骤S152）。服务器设备100从所接收的评定信息获取用户UF2的评定值（步骤S154）。
用户UA的终端设备200例如定期地执行邻近终端检测功能，并且检测到作为其自己邻近处的邻近用户的用户UF2（步骤S162）。然后，用户UA的终端设备200将推荐更新请求发送到服务器设备100（步骤S164）。此时要发送的推荐更新请求可以包含例如用户UA的最新位置数据以及描述了用户UF1和UF2的用户ID的、邻近用户的用户ID的列表。
接下来，服务器设备100一旦接收到推荐更新请求就再次执行推荐处理（步骤S166）。与步骤S126中的推荐处理不同，在步骤S166中两个人（用户UF1和UF2）是关联用户。用户UF1的评定值已在步骤S144中获取到。用户UF2的评定值已在步骤S154中获取到。已在较早时间获取的用户UF1的评定值可随时间而减弱。服务器设备100使用根据这些评定值确定的校正推荐得分对基本推荐得分进行校正，并且基于校正后推荐得分来选择推荐条目。然后，服务器设备100将推荐结果发送到用户UA的终端设备200（步骤S168）。
接下来，用户UA的终端设备200一旦接收到来自服务器设备100的推荐结果，就根据所接收的推荐结果而在屏幕上更新关于推荐条目的信息（步骤S170）。在图11B的示例中，可以取代关联用户UF1的回放已结束的条目IT21而将关联用户UF2正回放的条目IT22作为具有高推荐得分的条目呈现给目标用户UA。
[4-2.第二场景]
图12A和图12B是用于说明推荐场景的第二示例的序列图。在第二示例中，同样，用户UA是目标用户，并且用户UF1和用户UF2是关联用户。
参照图12A，首先，用户UA利用终端设备200登录SNS团体（步骤S210）。然后，用户UA与所登录的团体中的用户UF1和用户UF2交换消息（步骤S212）。
接下来，用户UA在终端设备200上开始具有推荐结果显示功能的应用（步骤S220）。例如，用户UA的终端设备200生成通信情形数据，并且将所生成的通信情形数据发送到服务器设备100（步骤S222）。另外，用户UA的终端设备200将推荐请求发送到服务器设备100（步骤S224）。这里，通信情形数据可包含在推荐请求中，以取代与推荐请求分开发送通信情形数据。
接下来，服务器设备100一旦接收到推荐请求就向被选作关联用户的用户UF1和用户UF2的终端设备200中的每个发送评定请求（步骤S226）。用户UF1的终端设备200响应于评定请求而将评定信息发送到服务器设备100（步骤S228）。类似地，用户UF2的终端设备200响应于评定请求而将评定信息发送到服务器设备100（步骤S230）。然后，服务器设备100执行使用图7描述的推荐处理（步骤S232）。在图12A的示例中，由于用户UA参与特定团体，因此服务器设备100可以在使用校正推荐得分对基本推荐得分进行校正时使用较高的合成比率。然后，服务器设备100将推荐结果发送到用户UA的终端设备200（步骤S234）。
接下来，用户UA的终端设备200一旦接收到来自服务器设备100的推荐结果，就根据所接收的推荐结果在屏幕上显示关于推荐条目的信息（步骤S236）。在图12A的示例中，可以将关联用户UF1和关联用户UF2感兴趣的条目作为具有高推荐得分的条目呈现给目标用户UA。
接下来，参照图12B，用户UA利用终端设备200退出登录SNS团体 （步骤S240）。接下来，用户UA的终端设备200再次生成通信情形数据，并且将所生成的通信情形数据发送到服务器设备100（步骤S242）。此时要生成的通信情形数据示出了用户UA已退出登录该团体。接下来，用户UA的终端设备200将推荐更新请求发送到服务器设备100（步骤S244）。这里，通信情形数据可包含在推荐更新请求中，以取代与推荐更新请求分开发送通信情形数据。
接下来，服务器设备100一旦接收到推荐更新请求就再次执行推荐处理（步骤S246）。与步骤S232中的推荐处理不同，由于用户UA在步骤S246中没有参与团体，因此服务器设备100可以使用较低的合成比率。然后，服务器设备100将推荐结果发送到用户UA的终端设备200（步骤S248）。
接下来，用户UA的终端设备200一旦接收到来自服务器设备100的推荐结果，就根据所接收的推荐结果来更新屏幕上的关于推荐条目的信息（步骤S250）。在图12B的示例中，下述可能性增加：关联用户UF1和关联用户UF2感兴趣的条目的推荐得分与步骤S236时的推荐得分相比变低，并且其它条目包含在推荐条目中。
<5.结论>
另外，本技术还可如下配置。
（1）一种信息处理设备，包括：
推荐单元，被配置成基于与目标用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成针对所述目标用户的推荐信息；以及
通信接口，被配置成提供所生成的推荐信息以发送到所述目标用户。
（2）根据（1）所述的信息处理设备，
其中，所述推荐信息包括视频、图片、音乐内容、广告信息和新闻文章中的至少一个。
（3）根据（1）或（2）所述的信息处理设备，还包括：
关联人选择单元，被配置成选择所述至少一个关联人。
（4）根据（1）至（3）中任一项所述的信息处理设备，其中，所述关联人选择单元基于所述目标用户的用户标识号来选择所述至少一个关联人。
（5）根据（1）至（4）中任一项所述的信息处理设备，其中，所述关联人选择单元选择所述至少一个关联人以使得所述至少一个关联人中的每一个在物理上位于所述目标用户的预定附近范围之内。
（6）根据（1）至（5）中任一项所述的信息处理设备，其中，所述关联人选择单元基于所述目标用户通过所述通信服务的通信状态而选择所述至少一个关联人。
（7）根据（1）至（6）中任一项所述的信息处理设备，其中，所述通信状态是所述通信服务内所述目标用户与其他用户之间的通信频率。
（8）根据（1）至（7）中任一项所述的信息处理设备，其中，所述至少一个关联人中的每一个是社交媒体服务内的所述目标用户的登记朋友。
（9）根据（1）至（8）中任一项所述的信息处理设备，其中，所述推荐单元基于所述至少一个关联人的偏好信息和所述目标用户的偏好信息而生成所述推荐信息。
（10）根据（1）至（9）中任一项所述的信息处理设备，其中，所述推荐单元基于触发事件的检测而生成所述推荐信息，所述触发事件是下述中的至少一个：接收到更新所述推荐信息的请求、检测到所述目标用户的通信状态的改变、检测到所述目标用户的移动、检测到所述至少一个关联人之一所做的动作、以及检测到所述至少一个关联人的数量的改变。
（11）根据（1）至（10）中任一项所述的信息处理设备，其中，所述至少一个关联人与所述目标用户具有社交关系，并且所述至少一个关联人中的每一个在社交媒体服务内先前与所述目标用户进行了通信。
（12）根据（1）至（11）中任一项所述的信息处理设备，其中，所述推荐单元通过下述方式来生成所述推荐信息：确定针对所述目标用户的基本推荐得分，基于所述至少一个关联人的偏好信息确定校正推荐得分，通过使用所述校正推荐得分对所述基本推荐得分进行校正，并且基于校正后的基本推荐得分生成所述推荐信息。
（13）根据（1）至（12）中任一项所述的信息处理设备，其中，所述校正推荐得分是通过对所述至少一个关联人中的每一个设置权重而确定的。
（14）根据（1）至（13）中任一项所述的信息处理设备，其中，所述校正推荐得分基于所述目标用户的情形而改变。
（15）一种信息处理方法，包括：
基于与目标用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成针对所述目标用户的推荐信息；以及
提供所生成的推荐信息以发送到所述目标用户。
（16）一种实施有程序的非暂态计算机可读介质，所述程序在被计算机执行时使得所述计算机执行方法，所述方法包括：
基于与目标用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成针对所述目标用户的推荐信息；以及
提供所生成的推荐信息以发送到所述目标用户。
（17）一种构成通信系统的一部分的终端设备，所述通信系统还包括信息处理设备，所述信息处理设备被配置成向所述终端设备提供推荐信息，所述终端设备包括：
电路，被配置成：
经由网络传送和接收数据信号；
发送对于针对所述终端设备的用户的推荐信息的请求；以及
接收基于与所述终端设备的用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成的所述推荐信息。
（18）根据（17）所述的终端设备，其中，所述对于推荐信息的请求包括所述终端设备的用户的用户标识号和所述至少一个关联人的候选。
（19）根据（17）或（18）所述的终端设备，还包括：显示器，被配置成选择性地显示第一显示结果和第二显示结果中的一个，其中，所述第一显示结果是在没有考虑所述至少一个关联人的偏好的情况下基于所述终端设备的用户的偏好信息而生成的，并且所述第二显示结果是基于所述终端设备的用户的偏好信息和所述至少一个关联人的偏好两者而生成的。
（20）一种方法，包括：
从服务器请求针对目标用户的推荐信息；以及
从所述服务器接收所述推荐信息，
其中，所述推荐信息是基于与所述目标用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成的。
（21）一种实施有程序的非暂态计算机可读介质，所述程序在被计算机执行时使得所述计算机执行方法，所述方法包括：
从服务器请求针对目标用户的推荐信息；以及
从所述服务器接收所述推荐信息，
其中，所述推荐信息是基于与所述目标用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成的。
（22）一种信息处理设备，包括：
得分校正单元，用于使用校正推荐得分对基本推荐得分进行校正，所述基本推荐得分是通过推荐算法针对用户而确定的，所述校正推荐得分是基于与所述用户具有关联的一个或多个人的动作而确定的。
（23）根据（22）所述的信息处理设备，还包括：
选择单元，用于选择用于确定所述校正推荐得分的所述一个或多个人。
（24）根据（22）或（23）所述的信息处理设备，其中，所述选择单元基于所述用户在社交网络中的通信情形而选择所述一个或多个人。
（25）根据（22）至（24）中任一项所述的信息处理设备，其中，所述选择单元选择在所述用户的邻近处的所述一个或多个人。
（26）根据（22）至（25）中任一项所述的信息处理设备，其中，所述选择单元基于对通过所述用户携带或佩戴的设备获取的图片或话音的识别处理而选择所述一个或多个人。
（27）根据（22）至（26）中任一项所述的信息处理设备，其中，所述选择单元选择所述用户通过用户接口指定的所述一个或多个人。
（28）根据（22）至（27）中任一项所述的信息处理设备，其中，所述选择单元提供下述用户接口：所述用户通过该用户接口指定选择所述一个或多个人时的选择准则。
（29）根据（22）至（28）中任一项所述的信息处理设备，还包括：
校正得分确定单元，用于基于所述一个或多个人的动作而确定所述校正推荐得分。
（30）根据（22）至（29）中任一项所述的信息处理设备，其中，所述校正得分确定单元使用每个人的权重和针对每个人获取的评定值而计 算所述校正推荐得分。
（31）根据（22）至（30）中任一项所述的信息处理设备，其中，所述权重是基于所述用户的通信情形或位置数据而确定的，或者是由所述用户所指定的。
（32）根据（22）至（31）中任一项所述的信息处理设备，其中，所述评定值是基于所述一个或多个人中的每个的动作历史而确定的，或者是由所述一个或多个人中的每个所指定的。
（33）根据（22）至（32）中任一项所述的信息处理设备，其中，在基于所述一个或多个人中的每个的动作历史而确定了所述评定值之后，所述评定值随时间而减弱。
（34）根据（22）至（33）中任一项所述的信息处理设备，其中，所述得分校正单元可变地控制所述校正推荐得分与所述基本推荐得分的比率。
（35）根据（22）至（34）中任一项所述的信息处理设备，其中，当所述用户参与特定团体时，所述得分校正单元增加所述校正推荐得分与所述基本推荐得分的比率。
（36）根据（22）至（35）中任一项所述的信息处理设备，其中，当所述用户在特定地方时，所述得分校正单元增加所述校正推荐得分与所述基本推荐得分的比率。
（37）根据（22）至（36）中任一项所述的信息处理设备，其中，所述推荐算法包括基于用户的偏好的算法和基于条目的属性的算法中的至少一个。
（38）一种要由信息处理设备执行的信息处理方法，所述方法包括：
使用校正推荐得分对基本推荐得分进行校正，所述基本推荐得分是通过推荐算法针对用户确定的，所述校正推荐得分是基于与所述用户具有关联的一个或多个人的动作而确定的。
（39）一种用于使得对信息处理设备进行控制的计算机用作以下单元的程序：
得分校正单元，用于使用校正推荐得分对基本推荐得分进行校正，所述基本推荐得分是通过推荐算法针对用户确定的，所述校正推荐得分是基于与所述用户具有关联的一个或多个人的动作而确定的。
（40）一种终端设备，包括：
通信接口，用于与服务器设备通信，所述服务器设备使用校正推荐得分对基本推荐得分进行校正，所述基本推荐得分是通过推荐算法针对用户确定的，所述校正推荐得分是基于与所述用户具有关联的一个或多个人的动作而确定的；以及
控制单元，用于根据通过所述通信接口从所述服务器设备接收的推荐结果，在屏幕上显示推荐条目的信息，
其中，所述控制单元将所述一个或多个人的列表发送到所述服务器设备并且从所述服务器设备接收推荐结果，所述推荐结果基于使用所发送的列表而确定的校正推荐得分。
（41）根据（40）所述的终端设备，
其中，所述校正推荐得分是使用每个人的权重和针对每个人获取的评定值而计算的，以及
其中，所述控制单元通过所述通信接口向所述服务器设备通知所述权重，所述权重是基于所述用户的通信情形或位置数据而确定的或者是由所述用户所指定的。
（42）一种并入了被配置成传送和接收数据信号的电路的终端设备，所述终端设备构成通信系统的一部分，所述通信系统还包括：
信息处理设备，包括：
推荐单元，被配置成基于与目标用户具有社交关系或位置关系的至少一个关联人的偏好信息而生成针对所述目标用户的推荐信息；以及
通信接口，被配置成将所生成的推荐信息提供到所述目标用户；
其中，当所述信息处理设备从所述终端设备接收到对于针对所述目标用户的推荐信息的请求时，所述推荐单元生成所述推荐信息，并且所生成的推荐信息通过所述通信接口被提供到所述终端设备。
（43）根据（42）所述的终端设备，其中所述信息处理设备还包括：关联人选择单元，被配置成选择所述至少一个关联人。
（44）根据（42）或（43）所述的终端设备，其中，所述关联人选择单元基于所述目标用户的用户标识号来选择所述至少一个关联人。
（45）根据（42）至（44）中任一项所述的终端设备，其中，所述关 联人选择单元选择所述至少一个关联人以使得所述至少一个关联人中的每一个在物理上位于所述目标用户的预定附近范围之内。
（46）根据（42）至（45）中任一项所述的终端设备，其中，所述关联人选择单元基于所述目标用户的通信状态而选择所述至少一个关联人。
（47）根据（42）至（46）中任一项所述的终端设备，其中，所述通信状态是所述目标用户与所述至少一个关联人中的各个关联人之间的通信频率。
（48）根据（42）至（47）中任一项所述的终端设备，其中，所述至少一个关联人中的每一个是社交媒体服务内的所述目标用户的登记朋友。
（49）根据（42）至（48）中任一项所述的终端设备，其中，所述推荐单元基于所述至少一个关联人的偏好信息和所述目标用户的偏好信息而生成所述推荐信息。
（50）根据（42）至（49）中任一项所述的终端设备，其中，所述推荐单元基于触发事件的检测而生成所述推荐信息，所述触发事件是下述中的至少一个：接收到更新所述推荐信息的请求、检测到所述目标用户的通信状态的改变、检测到所述目标用户的移动、检测到所述至少一个关联人之一所做的动作、以及检测到所述至少一个关联人的数量的改变。
（51）根据（42）至（50）中任一项所述的终端设备，其中，所述至少一个关联人与所述目标用户具有社交关系，并且所述至少一个关联人中的每一个在社交媒体服务内先前与所述目标用户进行了通信。
（52）根据（42）至（51）中任一项所述的终端设备，其中，所述推荐单元通过下述方式来生成所述推荐信息：确定针对所述目标用户的基本推荐得分，基于所述至少一个关联人的偏好信息确定校正推荐得分，通过使用所述校正推荐得分对所述基本推荐得分进行校正，并且基于校正后的基本推荐得分生成所述推荐信息。

Claims (17)

1.一种信息处理设备，包括：
推荐单元，被配置成基于与目标用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成针对所述目标用户的推荐信息；以及
通信接口，被配置成提供所生成的推荐信息以发送到所述目标用户，
其中，所述推荐单元通过下述方式来生成所述推荐信息：确定针对所述目标用户的基本推荐得分，基于所述至少一个关联人的偏好信息确定校正推荐得分，通过使用所述校正推荐得分对所述基本推荐得分进行校正，并且基于校正后的基本推荐得分生成所述推荐信息，以及
其中，所述校正推荐得分是通过对所述至少一个关联人中的每一个设置权重而确定的。
2.根据权利要求1所述的信息处理设备，
其中，所述推荐信息包括视频、图片、音乐内容、广告信息和新闻文章中的至少一个。
3.根据权利要求1所述的信息处理设备，还包括：
关联人选择单元，被配置成选择所述至少一个关联人。
4.根据权利要求3所述的信息处理设备，其中，所述关联人选择单元基于所述目标用户的用户标识号来选择所述至少一个关联人。
5.根据权利要求3所述的信息处理设备，其中，所述关联人选择单元选择所述至少一个关联人以使得所述至少一个关联人中的每一个在物理上位于所述目标用户的预定附近范围之内。
6.根据权利要求3所述的信息处理设备，其中，所述关联人选择单元基于所述目标用户通过所述通信服务的通信状态而选择所述至少一个关联人。
7.根据权利要求6所述的信息处理设备，其中，所述通信状态是所述通信服务内所述目标用户与其他用户之间的通信频率。
8.根据权利要求3所述的信息处理设备，其中，所述至少一个关联人中的每一个是社交媒体服务内的所述目标用户的登记朋友。
9.根据权利要求1所述的信息处理设备，其中，所述推荐单元基于所述至少一个关联人的偏好信息和所述目标用户的偏好信息而生成所述推荐信息。
10.根据权利要求1所述的信息处理设备，其中，所述推荐单元基于触发事件的检测而生成所述推荐信息，所述触发事件是下述中的至少一个：接收到更新所述推荐信息的请求、检测到所述目标用户的通信状态的改变、检测到所述目标用户的移动、检测到所述至少一个关联人之一所做的动作、以及检测到所述至少一个关联人的数量的改变。
11.根据权利要求1所述的信息处理设备，其中，所述至少一个关联人与所述目标用户具有社交关系，并且所述至少一个关联人中的每一个在社交媒体服务内先前与所述目标用户进行了通信。
12.根据权利要求1所述的信息处理设备，其中，所述校正推荐得分基于所述目标用户的情形而改变。
13.一种信息处理方法，包括：
基于与目标用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成针对所述目标用户的推荐信息；以及
提供所生成的推荐信息以发送到所述目标用户，
其中，所述推荐信息是如下生成的：确定针对所述目标用户的基本推荐得分，基于所述至少一个关联人的偏好信息确定校正推荐得分，通过使用所述校正推荐得分对所述基本推荐得分进行校正，并且基于校正后的基本推荐得分生成所述推荐信息，以及
其中，所述校正推荐得分是通过对所述至少一个关联人中的每一个设置权重而确定的。
14.一种构成通信系统的一部分的终端设备，所述通信系统还包括信息处理设备，所述信息处理设备被配置成向所述终端设备提供推荐信息，所述终端设备包括：
电路，被配置成：
经由网络传送和接收数据信号；
发送对于针对所述终端设备的用户的推荐信息的请求；以及
接收基于与所述终端设备的用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成的所述推荐信息，
其中，所述推荐信息是如下生成的：确定针对所述终端设备的用户的基本推荐得分，基于所述至少一个关联人的偏好信息确定校正推荐得分，通过使用所述校正推荐得分对所述基本推荐得分进行校正，并且基于校正后的基本推荐得分生成所述推荐信息，以及
其中，所述校正推荐得分是通过对所述至少一个关联人中的每一个设置权重而确定的。
15.根据权利要求14所述的终端设备，其中，所述对于推荐信息的请求包括所述终端设备的用户的用户标识号和所述至少一个关联人的候选。
16.根据权利要求14所述的终端设备，还包括：显示器，被配置成选择性地显示第一显示结果和第二显示结果中的一个，其中，所述第一显示结果是在没有考虑所述至少一个关联人的偏好的情况下基于所述终端设备的用户的偏好信息而生成的，并且所述第二显示结果是基于所述终端设备的用户的偏好信息和所述至少一个关联人的偏好两者而生成的。
17.一种信息处理方法，包括：
从服务器请求针对目标用户的推荐信息；以及
从所述服务器接收所述推荐信息，
其中，所述推荐信息是基于与所述目标用户具有通过通信服务的社交关系或具有位置关系的至少一个关联人的偏好信息而生成的，
其中，所述推荐信息是如下生成的：确定针对所述目标用户的基本推荐得分，基于所述至少一个关联人的偏好信息确定校正推荐得分，通过使用所述校正推荐得分对所述基本推荐得分进行校正，并且基于校正后的基本推荐得分生成所述推荐信息，以及
其中，所述校正推荐得分是通过对所述至少一个关联人中的每一个设置权重而确定的。
CN201410001274.2A 2013-01-09 2014-01-02 信息处理设备、信息处理方法和终端设备 Active CN103914781B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2013-001874 2013-01-09
JP2013001874A JP2014134923A (ja) 2013-01-09 2013-01-09 情報処理装置、情報処理方法、プログラム及び端末装置

Publications (2)

Publication Number Publication Date
CN103914781A CN103914781A (zh) 2014-07-09
CN103914781B true CN103914781B (zh) 2018-05-11

Family

ID=51040445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410001274.2A Active CN103914781B (zh) 2013-01-09 2014-01-02 信息处理设备、信息处理方法和终端设备

Country Status (3)

Country Link
US (1) US20140195371A1 (zh)
JP (1) JP2014134923A (zh)
CN (1) CN103914781B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5863375B2 (ja) * 2011-10-12 2016-02-16 キヤノン株式会社 情報処理システム、画像処理システム、情報処理方法、およびプログラム
JP5867760B1 (ja) * 2014-08-18 2016-02-24 エバーコネクト株式会社 コミュニケーション支援システム
CN105469291A (zh) * 2014-09-04 2016-04-06 口碑控股有限公司 用户信息提供方法及装置
CN105468630A (zh) * 2014-09-04 2016-04-06 口碑控股有限公司 提供用户信息的方法及装置
US10356160B2 (en) 2014-10-20 2019-07-16 Xiaomi Inc. Methods and devices for acquiring user information
CN104539639A (zh) * 2014-10-20 2015-04-22 小米科技有限责任公司 用户信息采集方法和装置
EP3269122A4 (en) * 2015-03-09 2018-01-17 Telefonaktiebolaget LM Ericsson (publ) Method, system and device for providing live data streams to content-rendering devices
WO2017043629A1 (ja) * 2015-09-09 2017-03-16 シチズン時計株式会社 ２コイルステップモータ用駆動回路及び２コイルステップモータ並びにそれらを用いた電子時計
JP5905151B1 (ja) * 2015-09-15 2016-04-20 ヤフー株式会社 情報処理装置、情報処理プログラムおよび情報処理方法
CN105677881B (zh) * 2016-01-12 2020-07-03 腾讯科技（深圳）有限公司 一种信息推荐方法、装置及服务器
US10496651B2 (en) * 2016-04-29 2019-12-03 Fujitsu Limited User recommendation generation
CN106296300A (zh) * 2016-08-18 2017-01-04 南京坦道信息科技有限公司 一种电信行业移动产品口碑营销效果的鉴定方法
CN115438264A (zh) * 2017-06-19 2022-12-06 创新先进技术有限公司 一种信息处理方法、装置及设备
CN108133013B (zh) * 2017-12-22 2021-02-09 平安养老保险股份有限公司 信息处理方法、装置、计算机设备和存储介质
JP2019153009A (ja) * 2018-03-01 2019-09-12 株式会社富士通エフサス 表示装置、表示方法および表示プログラム
CN112005561B (zh) * 2018-04-12 2022-11-11 北京嘀嘀无限科技发展有限公司 用于提供基于位置的服务的系统和方法
US11715042B1 (en) 2018-04-20 2023-08-01 Meta Platforms Technologies, Llc Interpretability of deep reinforcement learning models in assistant systems
US11010436B1 (en) 2018-04-20 2021-05-18 Facebook, Inc. Engaging users by personalized composing-content recommendation
US11307880B2 (en) 2018-04-20 2022-04-19 Meta Platforms, Inc. Assisting users with personalized and contextual communication content
US11886473B2 (en) 2018-04-20 2024-01-30 Meta Platforms, Inc. Intent identification for agent matching by assistant systems
US11676220B2 (en) 2018-04-20 2023-06-13 Meta Platforms, Inc. Processing multimodal user input for assistant systems
JP7466088B2 (ja) * 2019-10-28 2024-04-12 パナソニックＩｐマネジメント株式会社 行動推定システム
CN111401883B (zh) * 2020-03-06 2022-08-05 支付宝(杭州)信息技术有限公司 一种应用功能和生物核身的开通方法、装置和电子设备
EP4354426A4 (en) * 2021-06-29 2024-08-07 Huawei Tech Co Ltd HUMAN-COMPUTER INTERACTION METHOD AND APPARATUS, DEVICE AND VEHICLE

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060266830A1 (en) * 2005-05-31 2006-11-30 Horozov Tzvetan T Location-based recommendation system
US8091032B2 (en) * 2006-11-30 2012-01-03 Red Hat, Inc. Automatic generation of content recommendations weighted by social network context
US20090197681A1 (en) * 2008-01-31 2009-08-06 Microsoft Corporation System and method for targeted recommendations using social gaming networks
US8010602B2 (en) * 2008-08-28 2011-08-30 Microsoft Corporation Leveraging communications to identify social network friends
US8095432B1 (en) * 2009-01-30 2012-01-10 Intuit Inc. Recommendation engine for social networks
US8489515B2 (en) * 2009-05-08 2013-07-16 Comcast Interactive Media, LLC. Social network based recommendation method and system
US8694656B2 (en) * 2010-11-09 2014-04-08 Sony Corporation System and method for creating a viewing social network
US20120209839A1 (en) * 2011-02-15 2012-08-16 Microsoft Corporation Providing applications with personalized and contextually relevant content

Also Published As

Publication number Publication date
CN103914781A (zh) 2014-07-09
JP2014134923A (ja) 2014-07-24
US20140195371A1 (en) 2014-07-10

Similar Documents

Publication Publication Date Title
CN103914781B (zh) 信息处理设备、信息处理方法和终端设备
US10949941B2 (en) Method and system for controlling distribution of composite data of user by aggregation server
US11270343B2 (en) Method and apparatus for generating targeted label, and storage medium
KR101993126B1 (ko) 지리적 위치에 기초한 정보 검색 방법 및 시스템
JP6609888B2 (ja) アブストラクト広告キャンペーン管理を生成し、ポリシー強制を実装するシステムおよび方法
US11272020B2 (en) Social network for mapping gradations to target intent
KR102141362B1 (ko) 위치 정보에 기반한 정보 공유 방법 및 장치
US11005955B2 (en) Social network for monitoring user activity
CN109769128A (zh) 视频推荐方法、视频推荐装置和计算机可读存储介质
EP3553976A1 (en) Systems and methods for enhancing audience measurement data
US9876871B2 (en) User logging of web traffic on non-browser based devices
KR20130089716A (ko) 어플리케이션 사용에 따른 어플리케이션 추천 서버 및 단말, 그리고 어플리케이션 추천 방법
US11195186B2 (en) Method and apparatus for marketability assessment
US10726087B2 (en) Machine learning system and method to identify and connect like-minded users
US20150348090A1 (en) Engagement with device and ad serving
WO2018194997A1 (en) Matching and ranking content items
JP5982533B1 (ja) 広告配信装置
JPWO2016080038A1 (ja) マッチングシステム、情報処理装置、マッチング方法、およびプログラム
US20160027048A1 (en) Audience recommendation
CN105488109A (zh) 内容项目排布方法、装置及系统
US20150213502A1 (en) Method and System for Individually Targeting Advertisements Played on Output Devices Based on Personalities of Present Mobile Devices
WO2020202127A1 (en) Network-based partial and full user identification techniques
JP5996749B1 (ja) 情報提供装置、情報提供プログラムおよび情報提供方法
US10193837B2 (en) Presence-based communications
CN111193598B (zh) 一种群聊会话推荐方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant