JP2001134706A - ユーザ行動予測方法及び行動モード選択装置 - Google Patents

Abstract

(57)【要約】 【課題】 ユーザの過去の行動に基づいて、ユーザの将
来の行動を高精度に予測する。 【解決手段】 ユーザ行動を測定してユーザ行動データ
を生成し、ユーザ行動データを常識に基づく証拠論理規
則に適用して常識支持値を生成し、常識に基づく証拠論
理規則により生成された常識支持値に基づいて、与えら
れた事実に基づく証拠論理規則のファジー集合及び／又
は重みを調節し、ユーザの将来の行動を予測又は選択す
る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、ユーザの行動を予
測するユーザ行動予測方法、行動モード選択装置、テレ
ビジョンチャンネル選択装置、音声映像再生装置、デー
タファイル選択装置、サーチエンジン及びウェブブラウ
ザに関する。

【０００２】

【従来の技術】デジタル時代において、ユーザの振る舞
い（behavior）を知ることは、重要な事項である。例え
ば、双方向テレビジョンサービスを実現するにあたり、
様々なメディアの放送事業者（broadcaster）は、市場
シェアを獲得し、リソースを確保するために、ユーザを
最も楽しませるサービスを提供する必要がある。サービ
ス提供者（service provider）は、適切な時間に、適切
な場所で、適切なユーザに向けたサービスを提供する必
要がある。情報技術革命の結果、視聴者及びその他のユ
ーザによる選択の幅が増大し、これにより新たな問題が
生じている。これらの問題は、ユーザの振る舞いに関連
する問題である。放送分野に限らず、商業及び余暇産業
等の様々な分野において、ユーザを知ることが競争を行
う業者にとって究極の課題である。商業の分野の例とし
て、例えば小売業がある。いわゆるロイヤルティカード
（loyalty card）により、スーパーマーケットやその他
の小売店舗における消費者の購買データを収集すること
ができる。原理的には、購買データは生のデータであ
り、このデータから価値あるユーザのプロファイルを構
築することができる。ユーザの将来の購買行動を予測す
ることは、例えば在庫の調整にも役立つ。

【０００３】

【発明が解決しようとする課題】多くのユーザの選択
は、関連する要因に関する知識に基づいて直接、論理的
に行われるので、ユーザの行動に基づいて収集されたデ
ータを分析し、分析の結果に基づいて行動を起こすこと
は容易である。このような選択は、容易に予測できる。
しかしながら、多くのユーザの行動は、単純な論理で合
理的に説明できないような選択を含んでいる。この種の
選択を予測することは容易ではない。各個人は、それぞ
れ個別の好き嫌い、趣味、創造性、動機を有し、これら
が組み合わさって複雑な意思決定が行われる。ある個人
がテレビジョンで放映される映画を視聴するか否かを決
定する要因は何であるかを知る必要がある。また、その
個人がテレビジョンで放映される映画を視聴すると決定
した場合、その個人がその映画の視聴を楽しんでいるか
否かを判断する必要がある。また、他の分野において
は、例えば食料品店に陳列された新製品のソフトドリン
クを、個人が購買するか否かを決定する要因は何である
かを知る必要がある。

【０００４】以上のようなユーザの選択の要因をある程
度の信頼性をもって予測できるとしたならば、このよう
な予測に基づいて行動を起こすことができるため、この
ような予測の価値は非常に高い。

【０００５】本発明は上述の課題に鑑みてなされたもの
であり、ユーザの過去の行動に基づいて、ユーザの将来
の行動を高い精度で予測するユーザ行動予測方法、行動
モード選択装置、テレビジョンチャンネル選択装置、音
声映像再生装置、データファイル選択装置、サーチエン
ジン及びウェブブラウザを提供することを目的とする。

【０００６】

【課題を解決するための手段】上述の目的を達成するた
めに、本発明に係るユーザ行動予測方法は、ユーザ行動
を測定してユーザ行動データを生成するステップと、フ
ァジー集合及び重みに関連付けられた、複数の与えられ
た事実に基づく証拠論理規則を定義するステップと、フ
ァジー集合及び重みに関連付けられた、複数の常識に基
づく証拠論理規則を定義するステップと、ユーザ行動デ
ータを常識に基づく証拠論理規則に適用して常識支持値
を生成するステップと、常識に基づく証拠論理規則によ
り生成された常識支持値に基づいて、与えられた事実に
基づく証拠論理規則のファジー集合及び／又は重みを調
節するステップと、与えられた事実に基づく証拠論理規
則により与えられた事実支持値を生成し、ユーザの将来
の行動を予測又は選択するステップとを有する。

【０００７】本発明に係る行動モード選択装置は、選択
対象となる複数の行動のモードから１つの行動のモード
を自動的に選択する行動モード選択装置において、行動
の特性を示す行動データを受信する入力端子を備える行
動監視手段と、現在の行動にどのユーザが関連している
かを確認するユーザ識別情報入力手段と、登録されたそ
れぞれのユーザに関する複数のユーザプロファイルが格
納され、各ユーザ毎に特化されたファジー集合及び重み
に関連付けられた複数の与えられた事実に基づく証拠論
理規則を有し、任意のユーザのユーザプロファイルが有
する与えられた事実に基づく証拠論理規則に基づいて、
任意のユーザに対して選択対象となる複数の行動のモー
ドのうちの１つを選択するユーザ振る舞い知識ベースと
を備える。

【０００８】本発明に係るテレビジョンチャンネル選択
装置は、選択対象となる複数のテレビジョンチャンネル
から１つのテレビジョンチャンネルを自動的に選択する
テレビジョンチャンネル選択装置において、テレビジョ
ン番組の特性を示す番組データを受信する入力端子を備
える番組監視手段と、ユーザがログオンすることにより
ユーザ識別情報が入力されるユーザ識別情報入力手段
と、登録されたそれぞれのユーザに関する複数のユーザ
プロファイルが格納され、各ユーザ毎に特化されたファ
ジー集合及び重みに関連付けられた複数の与えられた事
実に基づく証拠論理規則を有し、任意のユーザのユーザ
プロファイルが有する与えられた事実に基づく証拠論理
規則に基づいて、該任意のユーザに対して上記選択対象
となる複数のテレビジョンチャンネルのうちの１つを選
択するユーザ振る舞い知識ベースとを備える。

【０００９】本発明に係る音声映像再生装置は、テレビ
ジョン番組の特性を示す番組データを受信する入力端子
を備える番組監視手段と、ユーザがログオンすることに
よりユーザ識別情報が入力されるユーザ識別情報入力手
段と、登録されたそれぞれのユーザに関する複数のユー
ザプロファイルが格納され、各ユーザ毎に特化されたフ
ァジー集合及び重みに関連付けられた複数の与えられた
事実に基づく証拠論理規則を有し、任意のユーザのユー
ザプロファイルが有する与えられた事実に基づく証拠論
理規則に基づいて、該任意のユーザに対して上記選択対
象となる複数のテレビジョンチャンネルのうちの１つを
選択するユーザ振る舞い知識ベースとを備える複数のテ
レビジョンチャンネルから１つのテレビジョンチャンネ
ルを自動的に選択するテレビジョンチャンネル選択装置
を備える。

【００１０】本発明に係るデータファイル選択装置は、
選択対象となる複数のデータファイルから１つのデータ
ファイルを自動的に選択するデータファイル選択装置に
おいて、データファイルの特性を示す属性データ受信す
る入力端子を備える属性監視手段と、ユーザがログオン
することによりユーザ識別情報が入力されるユーザ識別
情報入力手段と、登録されたそれぞれのユーザに関する
複数のユーザプロファイルが格納され、各ユーザ毎に特
化されたファジー集合及び重みに関連付けられた複数の
与えられた事実に基づく証拠論理規則を有し、任意のユ
ーザのユーザプロファイルが有する与えられた事実に基
づく証拠論理規則に基づいて、該任意のユーザに対して
上記選択対象となる複数のデータファイルのうちの１つ
を選択するユーザ振る舞い知識ベースとを備える。

【００１１】本発明に係るサーチエンジンは、テレビジ
ョン番組の特性を示す番組データを受信する入力端子を
備える番組監視手段と、ユーザがログオンすることによ
りユーザ識別情報が入力されるユーザ識別情報入力手段
と、登録されたそれぞれのユーザに関する複数のユーザ
プロファイルが格納され、各ユーザ毎に特化されたファ
ジー集合及び重みに関連付けられた複数の与えられた事
実に基づく証拠論理規則を有し、任意のユーザのユーザ
プロファイルが有する与えられた事実に基づく証拠論理
規則に基づいて、該任意のユーザに対して上記選択対象
となる複数のテレビジョンチャンネルのうちの１つを選
択するユーザ振る舞い知識ベースとを備える複数のテレ
ビジョンチャンネルから１つのテレビジョンチャンネル
を自動的に選択するテレビジョンチャンネル選択装置を
備える。

【００１２】本発明に係るウェブブラウザは、選択対象
となる複数のデータファイルから１つのデータファイル
を自動的に選択するデータファイル選択装置において、
データファイルの特性を示す属性データ受信する入力端
子を備える属性監視手段と、ユーザがログオンすること
によりユーザ識別情報が入力されるユーザ識別情報入力
手段と、登録されたそれぞれのユーザに関する複数のユ
ーザプロファイルが格納され、各ユーザ毎に特化された
ファジー集合及び重みに関連付けられた複数の与えられ
た事実に基づく証拠論理規則を有し、任意のユーザのユ
ーザプロファイルが有する与えられた事実に基づく証拠
論理規則に基づいて、該任意のユーザに対して上記選択
対象となる複数のデータファイルのうちの１つを選択す
るユーザ振る舞い知識ベースとを備える。

【００１３】本発明は、選択対象となる複数の行動のモ
ードから１つの行動のモードを自動的に選択する行動モ
ード選択装置を提供する。行動モード選択装置は、行動
の特性を示す行動データを受信する入力端子を備える行
動監視手段を備える。予測のためのユーザ知識ベース有
する人工知能エンジンは、この行動モード選択装置の複
数のユーザのユーザプロファイルを保有する。ユーザプ
ロファイルは、与えられた事実に基づく証拠論理規則
（given fact evidential logic rule）と呼ばれる証拠
論理規則の組により定義される。与えられた事実に基づ
く証拠論理規則は、関連するファジー集合と重みを有
し、これらファジー集合と重みは、各個人用に特化され
てユーザプロファイルを形成する。ユーザ振る舞い知識
ベースは、予測能力を有し、対象となるユーザプロファ
イルに与えられた事実に基づく証拠論理規則を適用する
ことにより、選択対象となる複数の行動のモードから１
つの行動のモードを自動的に選択することができる。好
ましい実施の形態において、この選択は、現在の行動デ
ータから測定され、どの行動モードが現在使用可能であ
るかに基づいて実行される。

【００１４】行動モード選択装置は、常識知識ベースと
呼ばれるさらなる知識ベースを有し、この知識ベース
は、ユーザの振る舞い知識ベースの精度を高める機能を
有している。常識知識ベースも関連付けられたファジー
集合及び重みを有している。常識に基づく証拠論理規則
は、行動データ及びユーザ識別情報に基づいて、常識支
持値を生成する。常識支持値は、与えられた事実に基づ
く証拠論理規則のユーザプロファイルにおけるファジー
集合及び／又は重みを調節することにより、現在ログオ
ン中のユーザのユーザプロファイルを継続的に変更し、
これによりユーザの各行動の監視結果に応じてユーザプ
ロファイルを個人用に特化させる。好ましい実施の形態
において、常識のファジー集合及び重みは、全てのユー
ザに対して共通であり、固定されている。また、好まし
い実施の形態において、常識に基づく証拠論理規則は、
特定のユーザの行動の現在の好みの測定を行う。

【００１５】本発明の応用例の１つは、選択対象となる
複数のテレビジョンチャンネルから１つのテレビジョン
チャンネルを自動的に選択するテレビジョンチャンネル
選択装置であり、この場合、行動データはマルチチャン
ネルテレビジョン信号である。この応用例においては、
ユーザ振る舞い知識ベースは、任意のユーザのユーザプ
ロファイルに与えられた事実に基づく証拠論理規則を適
用することにより、複数のテレビジョンチャンネルから
１つのテレビジョンチャンネルを選択する。さらに、常
識知識ベースは、各ユーザの視聴習慣を監視した結果に
基づいて、与えられた事実のファジー集合及び重みを微
調整する。ユーザは、例えばテレビジョンの遠隔制御装
置を用いて、ログオンを行うことにより、テレビジョン
チャンネル選択装置にユーザ識別情報を供給する。

【００１６】本発明に基づく人工知能エンジンのさらな
る応用例は、例えば複数のデータファイルから１つのデ
ータファイルを自動的に選択するデータファイル選択装
置であり、このデータファイル選択装置は、サーチエン
ジンの内部、又はユーザが興味を有するウェブ際とを自
動的に選択するためのウェブブラウザの一部として用い
ることができる。

【００１７】また、本発明は、ユーザ行動を測定してユ
ーザ行動データを生成し、ファジー集合及び重みに関連
付けられた、複数の与えられた事実に基づく証拠論理規
則を定義し、与えられた事実に基づく証拠論理規則によ
りユーザの将来の行動を予測又は選択するユーザ行動予
測方法を提供する。

【００１８】また、本発明に係るユーザ行動予測方法
は、この予測の精度を高めるために、ファジー集合及び
重みに関連付けられた、複数の常識に基づく証拠論理規
則を定義し、ユーザ行動データを上記常識に基づく証拠
論理規則に適用して常識支持値を生成し、常識に基づく
証拠論理規則により生成された常識支持値に基づいて、
与えられた事実に基づく証拠論理規則のファジー集合及
び／又は重みを調節する。

【００１９】好ましくは、与えられた事実のファジー集
合は、最大エントロピーにより初期設定され、常識のフ
ァジー集合は、意味論的意味により初期設定される。さ
らに、与えられた事実のファジー集合に関連付けられた
重みは、エントロピー分布に基づいて、随時、同期的に
又は非同期的に再計算され、一方常識のファジー集合に
関連付けられた重みは一定に保たれる。

【００２０】与えられた事実に基づく証拠論理規則は、
ユーザの行動データから直接的に推論されるという点
で、抽象度のレベルが低い規則であり、常識に基づく証
拠論理規則は、ユーザの行動に対する主観的な態度を２
次的に分析することにより導き出されるという点で、抽
象度が高い規則である。この２次的分析は、例えば、統
計学、心理学、社会行動学、専門化の意見のうちの少な
くとも１つに基づいて行われる。複数の常識に基づく論
理規則のうちの少なくとも１つは、ユーザの行動の現在
の好みを定量化する目的で使用される。

【００２１】

【発明の実施の形態】以下、本発明に係るユーザ行動予
測方法、行動モード選択装置、テレビジョンチャンネル
選択装置、音声映像再生装置、データファイル選択装
置、サーチエンジン及びウェブブラウザについて、図面
を参照して詳細に説明する。

【００２２】装置の概観 図１は、人工知能エンジン（artificial intelligence
engine：以下、ＡＩエンジンという。）１０を示す図で
ある。ＡＩエンジン１０は、行動（activity）２０を測
定して得られた行動信号（activity signal）１２を受
信する入力端子を備える。ＡＩエンジン１０は、各ユー
ザ毎の行動信号に基づいて、そのユーザの将来の行動を
より正確に予測する学習を行う。ＡＩエンジン１０は、
入力信号として供給されるユーザ識別信号１５によりユ
ーザを識別する。ＡＩエンジン１０は、予測指示信号
（predict prompt input）１４の入力により、予測処理
を行い、予測結果を示す予測結果信号１６を出力する。

【００２３】図２は、ＡＩエンジン１０をより詳細に示
す図である。上述のように、ユーザの行動は、行動信号
１２により特徴付けられる。行動信号１２としては、例
えばテレビジョン信号を用いることができる。行動監視
回路（activity monitor）又は属性抽出回路（attribut
e extraction unit）３５は、データ経路２３を介し
て、行動信号１２を傍受又は盗聴（tap, snoop）する。
すなわち、属性抽出回路３５は、行動信号１２から行動
データを抽出し、ＡＩエンジンの主要部を形成する知識
ベース（knowledge base）３０，４０に抽出した行動デ
ータを供給する。現在の行動は、特定のユーザに関連付
けられ、この特定のユーザは、外部から供給されたユー
ザ識別情報１５に基づいて、ユーザ識別回路又はログイ
ン（log in）回路２５により識別される。例えば、ユー
ザはテレビジョンの視聴者であり、ログイン処理は、例
えば遠隔制御装置により行われることもある。知識ベー
ス３０は、ユーザの振る舞い（behavior）に関するユー
ザ振る舞い知識ベースであり、知識ベース４０は、常識
（common sense）に関する常識知識ベースである。これ
らについては、後に詳細に説明するが、ユーザの振る舞
い知識ベース３０は、ユーザの将来の行動を予測するた
めに用いられ、常識知識ベース４０は、ユーザの振る舞
い知識ベース３０の動作を微調整するために用いられ
る。この微調整は、各ユーザの行動を監視し、この監視
の結果から結論（conclusion）を導き出し、この結論を
用いて、フィードバック信号経路（feedback line）４
５を介して、ユーザの振る舞い知識ベース３０における
パラメータを調整する。

【００２４】ユーザ振る舞い知識ベース３０は、例えば
メモリ又は不揮発性読出書込可能記録媒体に複数のユー
ザプロファイルを備え、このメモリ又は不揮発性読出書
込可能記録媒体には複数のユーザプロファイルが格納さ
れている。ユーザプロファイルは、ユーザ各個人の情報
を保持している。ユーザ振る舞い知識ベース３０は、フ
ァジー集合（fuzzy set）及び重み（weight）に関連付
けられた、与えられた事実に基づく証拠論理規則（give
n fact evidential logic rule）に基づいて構築されて
いる。ファジー集合及び／又は重みは、ユーザ毎に設定
され、したがって異なるユーザに対するユーザプロファ
イルは、通常、異なるものとなる。ユーザ振る舞い知識
ベース３０は、現在ログインしているユーザに対する予
測能力を、複数の選択可能な行動モードの中から１つの
モードを選択して動作させることができる。行動信号１
２には、同時に送信された多数のモードが含まれていて
もよい。例えば、行動信号１２として、複数の異なるテ
レビジョンチャンネルを搬送するテレビジョン信号を用
いることができる。モードの選択は、現在のユーザのユ
ーザプロファイルにおける個人用に特化された可変オペ
ランドを用いて、与えられた事実に基づく証拠論理規則
を適用することにより行われる。

【００２５】常識知識ベース４０は、ファジー集合及び
重みに関連付けられた、複数の常識に基づく証拠論理規
則（common sense evidential logic rule）を有してい
る。常識に基づく証拠論理規則は、行動監視回路又は属
性抽出回路３５から供給された行動データと、ログイン
回路２５から供給されたユーザ識別情報とに基づいて実
施され、常識知識データベース４０は、常識補助値（co
mmon sense support value）Ｓｕｐｎを出力する。常識
補助値Ｓｕｐｎは、フィードバック信号経路４５を介し
てユーザ振る舞い知識ベース３０に供給され、これによ
り与えられた事実に基づく証拠論理規則のユーザプロフ
ァイルにおけるファジー集合及び／又は重みを調整する
ことにより、現在行動中のユーザのユーザプロファイル
が修正される。このように、常識知識ベース４０により
各ユーザの行動を監視し、この監視により各ユーザのユ
ーザプロファイルを個人用に特化させる。

【００２６】以上のように、ＡＩエンジン１０は、２段
の構造を有している。ユーザ振る舞い知識ベース３０
は、ユーザの行動データから直接結論を導き出す、与え
られた事実に基づく証拠論理規則に基づいて動作し、一
方、常識知識ベース４０は、行動に対するユーザの主観
的又は個人的（subjective）態度を二次的に分析するこ
とにより結論を導き出す。この二次的分析には、例え
ば、統計学、心理学、社会行動、専門家の意見等を反映
させてもよい。常識に基づく証拠論理規則は、行動モー
ドに関連して、ユーザの好き嫌いなどの感情を測定する
等、より高いレベルで、主観的にユーザの振る舞いを測
定するように設定されている。

【００２７】ＡＩエンジン概観 フリル（Fril）に基づき、ファジー証拠論理規則（evid
ential logic rule：以下、ＥＬＲという。）を用い
て、ユーザのテレビジョン視聴習慣に関するユーザプロ
ファイルを捕捉し、分析し、問い合わせを行うＡＩエン
ジンについて説明する。なお、フリルの詳細について
は、１９９５年、ジョンウィリーアンドサン社（John W
iley & Son, Inc.）発行、リサーチスタディーズプレス
社（ResearchStudies Press Ltd.）、ジェイ・エフ・ボ
ールドウィン（J. F. Baldwin）、ティー・ピー・マー
チン（T. P. Martin）、ビー・ダブリュー・ピルスワー
ス（B.W. Pilsworth）著、「人工知能におけるフリル−
ファジー及び証拠推論（Fril-Fuzzy and Evidential Re
asoning in Artificial Intelligence）」に開示されて
いる。

【００２８】ユーザの振る舞いは、例えば、「ユーザの
好みのテレビジョン放送局」等のテレビジョン放送局を
記述するファジー集合と、例えば、「このユーザにとっ
て番組内容はテレビジョン放送局より重要である。」等
といった重み（weight）とに基づくファジー規則により
定義され、このファジー集合と重みは、フリルのＥＬＲ
に供給される。ファジー集合と重みは、学習処理におい
て修正される変数の役割を果たす。ファジー集合と重み
は、初期的には、全てのユーザに対して普遍的な設定を
有していてもよい。ファジー集合及び重みは、学習処理
によって各ユーザ毎に特化され、ユーザプロファイルを
形成する。また、これに代えて、ユーザの年齢、性別、
住所、職業等に基づいて、ファジー集合と重みを初期設
定してもよい。

【００２９】今日では、多くのアプリケーションは、ネ
ットワークを利用しているため、分散型ＡＩサービスプ
ロバイダ（distributed AI service provider：以下、
ＤＡＩＳＰという。）を用いることは、放送事業者及び
サービス提供者の双方にとって利益がある。ファジー理
論とＥＬＲに基づくＤＡＩＳＰのプロトタイプの構成及
びその検査の結果については、後に詳細に説明する。な
お、ＤＡＩＳＰのネットワークサポート層は、本発明の
みに用いられるわけではなく、ネットワークを介してあ
らゆる実時間計算タスク（real-time computation tas
k）を配信する汎用タスク分散層（generic task distri
bution layer）として用いることができる。

【００３０】このシステムアーキテクチャを検査するた
めに用いるデータは、放送事業者の視聴者調査委員会
（Broadcasters' Audience Research Board: BARB）の
データであり、このデータを、以下ではＢＡＲＢデータ
と呼ぶ。ＢＡＲＢデータは、英国における、代表的なユ
ーザグループと簡単な番組表とによる、包括的な日々の
テレビジョン番組の視聴記録に関するデータであり、こ
のデータは、ロンドン・ウェストゲート（London, West
gate）Ｗ５ １ＵＡ、ＡＧＢテレビジョン（AGBtelevis
ion）による、「ＢＡＲＢ１９９１年、パネル視聴デー
タファイルのサービスフォーマット（BARB 1991 Servic
e Format for Panel Viewing Data File）」から入手で
きる。なお、本発明を例えばセットトップボックスの一
部等として、テレビジョンセットの内部で、又はテレビ
ジョンセットと共に用いる装置において実現することに
より、ＢＡＲＢデータと同等のデータをユーザの視聴習
慣に基づいて収集することも可能である。

【００３１】以下に説明する主要点は、（１）ＢＡＲＢ
データフィルが提供する変数、（２）ユーザが番組を好
んでいることを示す証拠（evidence）の構築に関する考
察、（３）証拠の項目をシミュレートする規則、（４）
証拠からファジー集合への変換、（５）ファジー規則、
ファジー集合及び重みのための証拠論理規則（evidenti
al logic rules: ELR）、（６）ＤＡＩＳＰ用のいわゆ
る「コーラス」分散システムアーキテクチャ（"chorus"
distributed system architecture）である。

【００３２】提供される事実 ＢＡＲＢデータは、実際の視聴事実を提供し、この視聴
事実はファジー規則の構築において考慮される。視聴事
実は、直接的な（direct）事実と、推論による（derive
d）事実との２つのカテゴリに分類される。

【００３３】直接的な事実 以下の事実は、１９９７年１２月２８日から１９９８年
７月３日までの期間に相当する、第１５３６週から第１
５６２週のＢＡＲＢデータを解釈することにより、直接
得られる事実である。ＢＡＲＢデータファイルは、固定
長の記録（record）から構成されている。ＢＡＲＢデー
タからは、（１）年齢層、職業、居住地域等のユーザ情
報、（２）全ての有効なユーザ視聴期間（user watchin
g session）、（３）全ての放送局の番組情報の３種類
の情報を得ることができる。

【００３４】ユーザ視聴期間の情報は、（ａ）曜日、
（ｂ）期間の開始時間、（ｃ）期間の長さ、（ｄ）その
期間、ユーザが視聴した番組を提供する放送局の識別子
に関するデータが含まれる。

【００３５】全ての放送局の番組情報は、（ａ）番組の
タイトル、（ｂ）番組の放送時間、（ｃ）番組のジャン
ルを示すコードに関するデータが含まれる。

【００３６】推論による事実 上述の事実に基づいて、以下の統計的証拠を推論により
導き出すことができる。 １．ユーザが常にテレビジョンを視聴する曜日 ２．ユーザが視聴を開始する時刻 ３．ユーザがテレビジョンの視聴を開始する時刻と、番
組が開始される時刻の差、すなわちΔStart＝視聴開始
時刻−番組開始時刻 ４．ユーザが番組を視聴し続ける長さは、通常、番組放
送時間の何％であるか ５．ジャンルコードにより示される所定の種類の番組を
ユーザがどれほどの頻度で視聴するかライキングネス（likingness） ここでは、「ライキングネス（likingness）」という用
語を、ユーザがある番組をどの程度好んでいるかを示す
「好み（liking）」と、番組Ａと番組Ｂとがどの程度似
ているかを示す「類似性（likeness）」との両方を数値
的に示す変数の変数名として用いる。この変数は０から
１の間の値をとる。すなわち、likingness∈[0, 1]とな
る。さらに、この変数は、例えば「月曜日の昼食時のテ
レビジョン番組」等といった所定の集合における要素に
対するユーザの好みを数値で表す変数としても用いる。
例えば、likingness=0の場合、ユーザは、その番組を絶
対的に嫌っている。likingness=1の場合、ユーザはその
番組が完全に好きである。

【００３７】次の分析は、ある番組がユーザの好みにあ
っているか否かを判定するためのものである。ここで
は、ファジー規則が導き出されるような形式の宣言がな
される。 （１）番組がまさに最初から最後まで視聴された場合、
（合理的な時間差が認められた場合）、ユーザは、その
番組を特別に楽しんだ（particularly） （２）番組が最初から９０％以上視聴された場合、ユー
ザは、その番組を非常に楽しんだ（very much） （３）番組が最初から５０％以上視聴された場合、ユー
ザは、その番組を楽しんだ（enjoyed） （４）番組が視聴時間の最初から最後までの一部の時間
内で視聴された場合、ユーザは、その番組を楽しんだ可
能性がある（probably） （５）視聴時間の開始時刻以降に開始された番組が９０
％以上視聴された場合、ユーザはその番組を非常に楽し
んだ（very much） （６）視聴時間の開始時刻以降に開始された番組が５０
％以上視聴された場合、ユーザはその番組を楽しんだ
（enjoyed） （７）ユーザが同じタイトルの番組を毎回見た場合、ユ
ーザはその番組を特別に楽しんだ（particularly） （８）ユーザが特定の時間に特定のチャンネルを常に視
聴した場合、ユーザはその番組を特別に楽しんだ（part
icularly） 以上のような定義は、他の具体例において様々に変更で
きる。

【００３８】与えられた事実（given fact）と常識（co
mmon sense） ＥＬＲに関する説明を行う前に、分析に用いられる「与
えられた事実（givenfact）」及び「常識（common sens
e）」の概念について説明する。ユーザプロファイル
は、初期的には、与えられた事実から構成されている。
常識的事実は、ユーザの全ての視聴行為（watching ses
sion）を評価するために用いられ、この評価の結果によ
りユーザプロファイルが更新される。

【００３９】本発明においては、２つのＥＬＲの集合
（set）を用いる。第１のＥＬＲの集合は、元々ＢＡＲ
Ｂデータから入手された与えられた事実のためのもので
ある。初期的には、この集合は、最大エントロピーファ
ジー集合（maximum entropy fuzzy set）と、重みと、
ＥＬＲとから構成される。これは、番組ジャンルコー
ド、放送局、開始時刻、放送時間、放送される曜日等の
情報を含んでいる。すなわち、これらＥＬＲは、ＢＡＲ
Ｂデータから、特別な解釈を行うことなく直接的に入手
できる情報に関する。第２のＥＬＲは、前章でリストを
例示したような常識的事実のためのものである。常識に
おける規則は、それぞれ統計学、心理学、人々の社会的
信条や行動に関する分析、専門家の意見等に基づくもの
である。

【００４０】学習処理において、与えられた事実に関連
付けられた全てのファジー集合は、ユーザの視聴行為に
応じて変更される。ファジー集合が更新されると、ファ
ジー集合が有するエントロピーに応じて、重み集合に新
たな値が割り当てられる。重み集合は、対応するファジ
ー集合の情報の有効性を測定する関数である。重み集合
の詳細については、１９７６年、プリンストン大学出版
（Princeton University Press）発行、シェイファー・
Ｇ（Shafer G.）著、「証拠の数学理論（A Mathematica
l Theory of Evidence）」に記載されている。学習処理
が終了すると、与えられた事実はユーザプロファイルに
なる。

【００４１】常識的事実のＥＬＲ集合は、後述するファ
ジー集合に割り当てられた常識から開始される。これら
は開始時に意味論的意味（semantic meaning）を有して
いる。したがって、常識的事実用のファジー集合と与え
られた事実用のファジー集合の違いは、常識的事実用の
ファジー集合のエントロピーが開始時において最大では
ないという点である。

【００４２】実際の使用時において、与えられた事実の
ファジー集合の重みセットは、必要に応じていつでも、
これらファジーセットのエントロピー分布に基づいて、
オンラインで算出される。学習処理においては、常識的
事実に属するファジー集合は、変更されず、重みは有用
性（usefulness）、すなわち対応するファジー集合のエ
ントロピー（例えば、上述したシェイファーの論文を参
照）に基づいて保守（maintained）される。

【００４３】与えられた事実のＥＬＲは、ライキングネ
スの値に関連して、番組がユーザの好みに合っているか
否かに関する判定を下す陪審員のような役割を果たす。
一方、常識的事実のＥＬＲは、その陪審員に対して証拠
を提示する証人のような役割を果たす。すなわち、常識
的事実のＥＬＲは、陪審員のような役割を果たす与えら
れた事実のＥＬＲによる評決（判定）に対して影響を与
える。

【００４４】与えられた事実は、フリルに基づいたシス
テム（Fril-based system）において、以下のような離
散ファジー集合（discrete fuzzy set）を形成する。 １．ユーザのお気に入りの放送局。要素は、全ての使用
可能な放送局の識別子（station ID）である。 ２．ユーザのお気に入りの番組ジャンルコード。要素
は、全ての使用可能なジャンルコードである。 ３．ユーザが通常テレビジョンを視聴する日。要素は、
１週間における曜日である。 ４．ユーザが通常テレビジョンを視聴する時間。要素
は、１日における１０分刻みの時刻である。 ５．番組の言葉による説明において頻繁に出現するキー
ワード。要素は、それらの単語である。 ６．単語間の言語学的類似性、すなわち言語学的に類似
した意味を担う異なる単語間の類似の度合い。要素は、
単語である。

【００４５】これら証拠の項目は、ユーザが以前に視聴
した番組及びユーザの視聴行為におけるユーザの振る舞
いに基づいている。

【００４６】ユーザの振る舞いは、常識的事実のＥＬＲ
により解釈（translate）され、評価される。この評価
の結果は、与えられた事実のＥＬＲのファジー集合及び
重みに反映され、これがユーザプロファイルとして使用
される。このような処理が学習処理である。検査処理
（test process）は、与えられた事実のＥＬＲに与えら
れた事実の番組情報を供給することにより行われる。各
番組には、与えられた事実のＥＬＲの結果に基づくライ
キングネスの値が割り当てられる。

【００４７】ライキングネスの度合い この章では、常識的事実に関するファジー集合について
さらに説明する。上述したガイドラインのさらなる定量
化は、ファジー集合がどのような推論により導き出さ
れ、ファジー規則がどのように確立されたかを示すこと
により行うことができる。

【００４８】ユーザが番組を視聴する場合、そのユーザ
がその番組を好んでいる度合い、すなわちライキングネ
スの値は、（１）ユーザが視聴を継続した時間、（２）
ユーザが実際にどれくらいその番組を視聴したか、
（３）ユーザがその番組を視聴する前及び後に何をして
いたか、（４）ユーザが、この番組と同種類の番組を過
去においてどれくらいの頻度で視聴していたか、等の事
実から評価することができる。

【００４９】ユーザが１視聴行為において、２つ以上の
番組を視聴した場合、それら複数の番組わたってライキ
ングネスが分布していると考えるべきである。

【００５０】以下では、データに基づいて、ライキング
ネスを推論から導き出す手法を説明する。あるユーザ
が、ある時間に視聴した番組が与えられた場合、分析さ
れるキーパラメータは（１）番組のスタート時刻：Ｓ
ｐ、（２）番組の放送時間（duration）：Ｄｐ、（３）
視聴行為の開始時刻：Ｓｗ、（４）視聴行為の継続時
間：Ｄｗである。これらキーパラメータを分析すること
により、ユーザが番組を好んでいるか否かに関する結論
が導き出される。通常の差分（usual delta）には、普
段の視聴習慣を考慮するべきである。

【００５１】相対的な開始時間Ｓｗ及びＳｐ間の関係
は、以下の３つのグループに分類される。 これら３つの状態には、ライキングネスに関してそれぞ
れ異なる解釈が与えられる。以下、これら３つの状態を
別々に説明する。

【００５２】Ｓｗ＝Ｓｐ この状態は、「ユーザは、おそらく、特別に好きな番組
の開始時刻に合わせてテレビジョンのスイッチをオンに
した。」と推定される。ユーザが番組の放送時間に対し
て、その番組をどれほどの長さ視聴したか、すなわち、 は、ユーザがその番組を好んだか否かに関する判定の主
要な証拠（key evidence）となる。判定には以下の規則
が使用される。ライキングネスの度合いに注目が必要で
ある。 １．ユーザがその番組を正確にその時間だけ視聴した、
すなわちＤｗ＝Ｄｐの場合、ユーザは、その番組を特別
に楽しんだ（particularly） ２．ユーザがその番組の放送時間以上にテレビジョンを
視聴した、すなわちＤｗ＝Ｄｐの場合、ユーザは、その
番組を非常に楽しんだ（very much） ３．ユーザがその番組の大半を視聴した、すなわちＤｗ
／Ｄｐ＞８０％である場合、ユーザは、その番組をおそ
らく非常に楽しんだ（probably very much） ４．ユーザがその番組を約半分視聴した場合、ユーザ
は、その番組を楽しんだ（enjoyed） ５．ユーザがその番組のいくらかを視聴した、すなわち
Ｄｗ／Ｄｐ＜５０％である場合、ユーザは、その番組を
おそらく楽しんだ（probably enjoyed） ６．ユーザがその番組を少しだけ視聴した、すなわちＤ
ｗ／Ｄｐ＜３０％である場合、ユーザは、その番組をお
そらく嫌った（probably disliked） ７．ユーザがその番組を殆ど視聴しなかった、すなわち
Ｄｗ／Ｄｐ＜１０％である場合、ユーザはその番組を嫌
った（disliked） ８．ユーザが直ちにその番組の視聴を取り止めた場合、
ユーザはその番組を特別に嫌った（particularly disli
ked） 図３は、「視聴時間が長いほど、ユーザがその番組を好
んでいる可能性が高い」ということに関する上述の曖昧
規則（ambiguous rule）を反映させるために定義された
ファジー集合をグラフとして示す図である。

【００５３】Ｓｗ＜Ｓｐ これは、ユーザが視聴行為を開始した後に番組の放送が
開始された状況に対応する。視聴時間と放送時間との関
係は、Ｓｗ＝Ｓｐの場合程は強い意味（dominant meani
ng）を持たない。

【００５４】ここで、視聴行為の終了時刻をＥｗとし、
番組の終了時刻をＥｐとすると、以下の３つの状況が考
えられる。 第１の状況、すなわちＥｗ＝Ｅｐでは、番組の全体が視
聴されたことになる。ここでは、番組の終了時にユーザ
がテレビジョンのスイッチをオフにしているため、ユー
ザがその番組を楽しんだことが推定される。ユーザがど
れほどその番組を楽しんだかは、ユーザがどれくらいの
時間その番組を待ったか、すなわちΔ（Ｓｗ，Ｓｐ）及
びＤｐにより判定できる。ユーザが視聴行為を開始した
直後にある番組の視聴を開始した場合、その番組はユー
ザの好みに合っているといえる。一方、ユーザがある番
組の視聴を開始した時刻がユーザが視聴行為を開始した
時刻よりかなり後であった場合、ユーザはおそらく、単
なる暇潰しとしてその番組を視聴している可能性が高
く、すなわちユーザのその番組に対する興味は低い。こ
れを数式で表すと以下のようになる。 ＫＥｗ＝Ｅｐの値が小さくなるほど、ライキングネスの
値は大きくなる。これは、再びファジー集合として表現
され、図４は、Ｓｗ＜Ｓｐの状況における「ユーザは視
聴期間において番組を楽しんだ」という命題に基づくフ
ァジー集合をグラフとして示す図である。

【００５５】第２の状況、すなわちＥｗ＞Ｅｐでは、ユ
ーザは、番組が終了した後にテレビジョンのスイッチを
オフにしており、したがってユーザは番組全体を視聴し
たこととなる。さらに、ユーザは、この視聴期間におい
て２つ以上の番組を視聴している。後の番組に対するユ
ーザの態度が、ユーザが先の番組を後の番組より好んで
いるか否かを判定するための証拠となる。例えば、ユー
ザが後の番組を１０％以上視聴しなかった場合、ユーザ
は先の番組を後の番組より楽しんだものと推定される。
したがって、上述の式（２）、（４）を用いてライキン
グネスを判定することができる。式（２）の値が大きい
（＞１）ほど、ユーザはその視聴行為においてその番組
に多くの時間を費やしていないこととなり、したがっ
て、ユーザはその番組に対して興味を示していないこと
となる。一方、式（４）の値が小さいほど、ユーザがそ
の番組を視聴するためにテレビジョンのスイッチをオン
にして視聴行為を開始した可能性が高いと判定される。
以下に示す式（５）は、ライキングにより示される事実
を測定するために用いることができる。図５は、この式
（５）に対応するものであり、ユーザがこの番組以外の
番組を視聴している場合における「ユーザはこの番組を
楽しんだ」という命題を反映するものである。 ＰＥｗ＞Ｅｐ＝（Ｓｐ−Ｓｗ）×Ｄｗ／Ｄｐ２ ・・・（５） 第３の状況、すなわちＥｗ＜Ｅｐでは、ユーザは番組が
終了する前にテレビジョンのスイッチをオフにしたこと
となる。ユーザがこの番組を好んだか否かは、ユーザが
この番組を見なかった部分の割合に大きく依存する。 すなわち、ＭＥｗ＜Ｅｐの値が小さいほど、ユーザはそ
の番組を楽しんだこととなる。ここでは、図５に示すも
のと同様のファジー集合を用いることができる。

【００５６】Ｓｗ＞Ｓｐ これは、番組が開始された後にユーザが視聴行為を開始
した状況に対応する。この状況において、さらに式
（３）に示す３つの状況が想定される。

【００５７】第１の状況、すなわちＥｗ＝Ｅｐの場合、
ユーザは番組の一部を視聴したこととなる。ここでも、
ユーザがその番組を視聴した時間が長いほど、ユーザが
その番組を好んだ可能性が高い。したがって、図３に示
すファジー集合を用いて、式（２）によりライキングネ
スを判定することができる。

【００５８】第２の状況、すなわちＥｗ＞Ｅｐの場合、
ユーザがその番組を好んだか否かは、ユーザがその番組
の最初の部分をどれくらい見逃したか（(Ｓｗ−Ｓｐ)／
Ｄｐ）に大きく依存し、この値が小さいほどユーザはこ
の番組を好んだこととなる。そして、ユーザが実際にど
れほどこの番組を視聴したか、すなわち（（Ｄｗ−（Ｅ
ｗ−Ｅｐ））／Ｄｐ）が大きいほどユーザがこの番組を
好んだということになる。 ＱＥｗ＞Ｅｐ＝（Ｓｗ−Ｓｐ）／（Ｄｗ−（Ｅｗ−Ｅｐ）） ・・・（７） ここでは、図５に示すファジー集合と同様のファジー集
合を用いることができる。

【００５９】第３の状況、すなわちＥｗ＜Ｅｐの場合、
ユーザはこの番組を最後まで視聴しなかったことにな
る。ユーザがこの番組を好んだか否かは以下の式により
判定される。 ＮＥｗ＜Ｅｐの値が大きいほど、ユーザはその番組を楽
しんだこととなる。

【００６０】図６は、「ユーザが番組の大半を視聴した
場合、ユーザはその番組を楽しんだ」という命題を反映
させたファジー集合を示す図である。

【００６１】証拠論理規則（evidential logic rule:Ｅ
ＬＲ） ＥＬＲは、フリルにおけるビルトインファジー推論規則
（built in fuzzy inference rule）の１つである。Ｅ
ＬＲは、上述したボールドウィンらによるフリルに関す
る論文に記述されているように、確率論、ファジー論理
（fuzzy logic）、不確定性理論（uncertainty theor
y）、マスアサインメント（mass assignment）に基づい
ている。ＥＬＲにおける変数は、問題とされている領域
における知識と問い合わせに関する事実を表すファジー
集合と重みである。

【００６２】ＥＬＲの出力は、問い合わせの回答に対す
る支持を表す数値である。以下に示すものは、あるユー
ザに対するテレビジョン番組に関する「ライキングネ
ス」の値を得るためのＥＬＲ述語のシンタクスの具体例
である。 ((The_User_Likes_Program X)) (Program X is broadcast by Favourite_Station):W1 (Program X has Favourite_Genre_Code):W2 (Program X is on Favourite_Watch_Time):W3 (Program X is on Favourite_Watch_Day):W4 (Program X has many Similar_description_words):W5 ここで、Favourite_Station、Favourite_Genre_Code、F
avourite_Watch_Time、Favourite_Watch_Day、Similar_
description_wordsは、与えられた事実のファジー集合
であり、すなわちこれらはユーザの視聴行動（viewing
behaviour）に関する証拠となる項目である。Ｗ１，Ｗ
２，Ｗ３，Ｗ４，Ｗ５は、個別の規則に基づく重みであ
る。

【００６３】この場合のファジー集合は、離散ファジー
集合である。例えば、ファジー集合Favourite_Station
は、以下のように表される。ここでメンバーシップ（me
mbership）は、０〜１の範囲の値をとり、すなわち、me
mbership∈［０，１］である。 ＢＢＣ１＝０．１ ＢＢＣ２＝０．３ ＩＴＶ＝０．４ ＣＨ４＝０．５ ＳＫＹ１＝０．３ ＳＫＹＳＰＯＲＴ＝０．７ ＳＫＹＭＯＶＩＥ＝０．９ このファジー集合から、ユーザはＳＫＹＭＯＶＩＥが最
も好んでいる放送局であり、ＢＢＣ１が最も好んでいな
い放送局であることがわかる。

【００６４】この述語（predicate）が与えられた番組
をＸとして呼び出されると、「支持（support）」とし
て知られる数値が返される。ここで言う「支持」は、上
述の説明における番組に関するライキングネスに相当す
る。

【００６５】与えられた事実のファジー集合の更新 ライキングネス支持値（likingness support）すなわ
ち、予測出力値（predictive output value）が常識的
事実を用いた分析により導き出されると（ボールドウィ
ン他の論文参照）、与えられた事実のＥＬＲにおけるフ
ァジー集合が支持（数値）により更新される。与えられ
た事実のファジー集合は、必要に応じて、ライキングネ
ス支持値を求めるために使用される。

【００６６】ユーザが視聴した番組に対するライキング
ネス支持値は、与えられた事実のファジー集合における
対応する項目のメンバーシップ値（membership value）
をインクリメントするために使用される。ユーザが視聴
しなかった番組に対するライキングネス支持値は、視聴
行為の期間中に使用可能であり、これにより対応する項
目のメンバーシップ値をデクリメントすることができ
る。

【００６７】ここで、メンバーシップ値の調整量を決定
するために用いる変数について説明する。以下に変数を
示す。 （１）常識的事実のＥＬＲを用いて得られたライキング
ネス支持値 （２）調整される項目の元のメンバーシップ値 （３）ファジー集合の重み、すなわちライキング値が算
出されたときの全面的寄与率（overall contribution） 以下の数式は、要素ｉのメンバーシップ値Ｍｉｎ＋１を
調整するためのものである。番組が視聴された場合、次
の式を用いる。

【００６８】

【数１】

【００６９】・・・（９） 番組が視聴されなかった場合、次の式を用いる。

【００７０】

【数２】

【００７１】・・・（１０） ここで、Ｓｕｐｎは、ライキングネス支持値を表す。

【００７２】コーラス分散システム（chorus distribut
ed system）アーキテクチャ 今日では、多くのアプリケーションはネットワークに接
続されて用いられるため、分散型ＡＩサービスプロバイ
ダ（distributed AI service provider:以下、ＤＡＩＳ
Ｐという。）を用いることが放送側及びサービスプロバ
イダにとって有益である。

【００７３】ＤＡＩＳＰの基本的な思想は、ローカルユ
ーザの動作（activity）に影響を与えることなく、ネッ
トワーク内の全ての利用可能なコンピュータ電力を活用
する点にある。電力の分配は、いつでも、どこでも、確
実で、効率的で、単純な手法で行われる必要がある。

【００７４】ＤＡＩＳＰは、通常のユーザレベルのアプ
リケーションである。ＤＡＩＳＰは、既存のオペレーシ
ョンシステムに特別な変更を要求しない。Ｕｎｉｘとと
もに用いられる場合、ＤＡＩＳＰは、ユーザが有効なア
カウントを有している限り動作する。マイクロソフトＮ
Ｔ（Microsoft NT）の場合、ＤＡＩＳＰは、通常のＮＴ
ワークステーション上で動作し、ＮＴにおけるネットワ
ーク処理に必要とされるWinsock.dll以外の特別なライ
ブラリを必要としない。

【００７５】図７は、通信リンクにより相互接続された
複数のネットワーク端末装置（station）１，２，・・
・ｎを備えるコンピュータネットワークを示す図であ
る。このコンピュータネットワークは、クライアント／
サーバ構造を有していない。すなわち、サービスを提供
する中央サーバは存在せず、したがって一箇所の機能が
停止してもネットワーク全体の機能が停止してしまうと
いうようなことはない。すなわち、このコンピュータネ
ットワークにおいては、ネットワーク端末装置１，２，
・・・ｎのそれぞれが必要に応じて他のネットワーク端
末装置に対する、又はそのネットワーク端末装置自身の
サーバとして機能する。また、ネットワーク端末装置
１，２，・・・ｎのうちのいくつかが互いに協働して１
つの作業を行う（harmonious performance）ことがあ
り、このためこのようなシステムはコーラス分散システ
ムとも呼ばれる。各ネットワーク端末装置１，２，・・
・ｎは、ネットワーク上で所定の自らの役割を果たした
り、他のネットワーク端末装置のサーバとして機能した
り、ネットワークを介して他のネットワーク端末装置と
通信を行ったり、他のネットワーク端末装置を監視した
りする。なお、ネットワーク端末装置１，２，・・・ｎ
は、必ずしもサービスを他のネットワーク端末装置に提
供しなくてもよい。このような場合も、このアーキテク
チャの一部とみなされる。

【００７６】図８は、ネットワーク端末装置１，２，・
・・ｎの内部構成を示す図である。ネットワーク端末装
置１，２，・・・ｎは、複数の相互接続されたモジュー
ルを備える。以下、各モジュールの機能について説明す
る。

【００７７】同報通信／回答モジュール（broadcast/an
swer module） 同報通信／回答モジュール１０１は、ネットワークにサ
ービス要求を同報通信するモジュールである。この要求
は、ネットワーク端末装置実行中のいかなるタスクに関
連するものであってもよい。例えば、あるタスクがあ
り、ネットワーク端末装置がそのタスクを実行するのに
最適なネットワーク端末装置であるため、ネットワーク
端末装置がそのタスクを引き受けようとするが、そのネ
ットワーク端末装置のライブラリにおいて、そのタスク
の実行に必要なソフトウェアモジュールが存在しない場
合に、ネットワーク端末装置は、そのソフトウェアモジ
ュールを要求するための同報通信を行う。

【００７８】同報通信／応答モジュールの回答部１０１
には、そのネットワーク端末装置自身の性能に関する自
己査定（self-assessment）に関する情報が格納されて
いる。この方法とは、このネットワーク端末装置がある
タスクを引き受けることができるかに関する情報と、例
えばＣＰＵ電力、ベンチマーク、空きメモリ容量、トー
タルメモリ容量、ネットワーク端末装置の現在のロード
等そのネットワーク端末装置の基礎的情報を含む。サー
ビス要求に対する回答を行う前に、不当な侵入を防ぐた
めにセキュリティの確認を行う必要がある。また、ネッ
トワーク端末装置がそのタスクを確実に実行できるか否
かを確認するために、内部のリソースが十分であるかを
確認する必要がある。

【００７９】自己査定モジュール（self assessment mo
dule） 自己査定モジュール１０２は、静的状態と動的状態とに
基づいて、自己査定（self assessment）又は自己評価
（self evaluation）を行う。静的状態の情報は、以下
のようなものである。 （ａ）中央演算処理装置（central processing unit:CP
U）のモデル、型番 （ｂ）メモリの全容量 （ｃ）持続的記録媒体の全容量 （ｄ）バイトベンチマーク（整数、メモリ、浮動小数
点） （ｅ）オペレーションシステムのＩＤ及びバージョン （ｆ）特別なハードウェアデバイス（special hardware
device）のＩＤ及びバージョン 動的状態の情報は、以下のようなものである。 （ａ）ＣＰＵ負荷（CPU load）（現在、過去１分間、過
去５分間、過去１５分間等） （ｂ）ネットワーク帯域幅（MBit/sec） （ｃ）自己の処理（native process）の数 （ｄ）自己の処理の状態（オーナ、ＣＰＵ、ディスク、
ＲＡＭ、特別なハードウェアの用途） （ｅ）外部の処理（alien process）の数 （ｆ）外部の処理の状態（オーナ、ＣＰＵ、ディスク、
ＲＡＭ、特別なハードウェアの用途） （ｇ）使用可能なディスクのディスクＩＤ （ｈ）メモリの空き容量 （ｉ）特別なハードウェア状態 静的情報の作成には、比較的時間がかかる。静的情報の
作成は、ＤＡＩＳＰを組み込む際、及びハードウェアが
更新された後に最初にＤＡＩＳＰを実行する際にそれぞ
れ１度だけ行えばよい。作成された静的情報は、ファイ
ルとして保存され、必要に応じて使用される。動的情報
の有効期間は短い。動的情報は、入手後すぐに古いもの
となってしまう。動的情報は、定期的に入手され、必要
に応じて直ちにディスパッチされる。

【００８０】システムセキュリティモジュール（system
security module） システムセキュリティモジュール１０３は、ＤＡＩＳＰ
を実行するネットワーク端末装置を様々な手法で保護す
る。システムセキュリティモジュール１０３は、ネット
ワーク端末装置が悪意のある要求及び不当なタスク実行
要求に応答することを防止する。システムセキュリティ
モジュール１０３は、暗号を用いて、ネットワーク端末
装置間の通信を保護することができる。システムセキュ
リティモジュール１０３は、通常、信用に基づいて動作
する。あるネットワーク端末装置がＤＡＩＳＰにおいて
信用されている場合、そのネットワーク端末装置は、オ
ペレーションシステムの判断の下、アクセス可能なあら
ゆるリソースに対する正当なアクセス権を有する。例え
ば、ＤＡＩＳＰが通常のユーザ、すなわち、特権を与え
られたユーザではないユーザにより実行されている場
合、そのユーザは通常のユーザがアクセスを許可されて
いるリソースにアクセスすることができる。通常のＵＮ
ＩＸ（登録商標）ボックス（UNIX box）の場合、ＵＮＩ
Ｘボックスは、ユーザ自身の割当制御ハードディスク
（quota controlled hard disc）やユーザＩＤ優先度に
より管理されているＣＰＵ処理（user ID priority gov
erned CPU usage）等にアクセスできる。マイクロソフ
トＮＴ環境においては、通常のユーザは、ネットワーク
で共有されているすべてのハードディスクと、ユーザＩ
Ｄ優先度により管理されているＣＰＵ処理に対するアク
セス権を有する。なお、マイクロソフトＮＴの場合は、
通常のユーザがネットワークにおいて広く供給されたハ
ードディスクにアクセスできる点が特徴的である。

【００８１】タスク実行／監視／報告モジュール（task
excution, monitoring, reportingModule） タスク実行／監視／報告モジュール１０４は、必要に応
じてタスクを引き受け、実行処理を開始する。また、タ
スク実行／監視／報告モジュール１０４は、その状態を
ネットワークに同報通信する。このような同報通信を行
うことにより、このネットワーク端末装置がタスク実行
の途中でタスクを完了できなくなった場合、他のネット
ワーク端末装置がこのタスクとこのタスクの進捗状況に
関する情報を入手して、このタスクを引き継ぐことがで
きる。例えば、ネットワーク端末装置αがあるサービス
を開始し、ネットワークに対して「私は、このタスクを
実行している。このタスクは２１：１０：３５までに完
了される予定である。この情報は、２１：１０：１０に
更新されている。次の更新は、２１：１０：２０の予定
である。」といったメッセージをネットワークに発信し
たとする。これにより、２１：１０：２１になっても更
新のメッセージが発信されない場合、ネットワーク上の
他のネットワーク端末装置は、ネットワーク端末装置α
に予期せぬ事態が発生したことを知ることができ、この
とき、そのタスクを実行する能力を有するネットワーク
端末装置がそのタスクを引き継ぎ、ネットワークに対し
てタスクを引き継いだことを通知する。これにより、サ
ービスの確実性が確保される。

【００８２】タスクスケジューラモジュール（task sch
eduler module） タスクスケジューラモジュール１０５は、ネットワーク
端末装置のタスク実行優先度（task execution priorit
y）を管理するタスク及びネットワーク端末装置の優先
度スキーム（priority scheme）を維持する。タスクス
ケジューラモジュール１０５は、ローカルタスクを含む
ネットワーク端末装置の全てのタスクを監視する。すな
わち、全てのタスクとは、ローカルに開始されたタスク
と、リモートのＤＡＩＳＰユーザにより生成された外部
からのタスクを含む。例えば、ローカルユーザがマイク
ロソフトワード（Microsoft Word：商標）等のタスクを
開始すると、タスクスケジューラモジュール１０５は、
例えばＣＰＵ電力等のリソースを十分に開放するため
に、外部からのタスクを中断してローカルリソースプー
ル（local resources pool）に戻る。これによりローカ
ルユーザは、ネットワーク端末装置内で実行されている
外部からのタスクにより影響されないことが保証され
る。したがって、ユーザは、ＤＡＩＳＰスキームに参加
しやすくなる。

【００８３】サービス要求分析モジュール（service re
quirement analysis module） サービス要求分析モジュール１０６は、サービスを遂行
した後に追加的な処理を行い、性能と、可能な改善に関
する情報を提供する。サービス要求分析モジュール１０
６は、ネットワーク端末装置内における再配分可能ソフ
トウェアリソース格納部（redistributable software r
esource repository）１０７を維持管理する。例えば、
あるソフトウェアモジュールが長期間使用されなかった
場合、サービス要求分析モジュール１０６は、そのソフ
トウェアモジュールを他のネットワーク端末装置に預け
ることを依頼することができる。他のネットワーク端末
装置がいずれもそのソフトウェアモジュールを必要とし
ない場合、サービス要求分析モジュール１０６はそのソ
フトウェアモジュールを破棄することもできる。また、
サービス要求分析モジュール１０６が、あるソフトウェ
アについて新たなバージョンを発見した場合、サービス
要求分析モジュール１０６は、インターネットを介して
そのソフトウェアの新たなバージョンを入手し、ネット
ワーク端末装置内のソフトウェアコレクションを更新
し、これを他のネットワーク端末装置に通知することが
できる。

【００８４】サービス／性能履歴学習分析モジュール
（service/performance history learning analysis mo
dule） サービス／性能履歴学習分析モジュール１０８は、ネッ
トワーク端末装置の処理履歴に関する処理を行う。サー
ビス／性能履歴学習分析モジュール１０８の主な機能
は、ネットワーク端末装置がネットワーク上でよりよい
サービスを提供できるように、ネットワーク端末装置を
最適化することである。サービス／性能履歴学習分析モ
ジュール１０８は、異なるタスクにおけるボトルネック
を発見及び解決し、これらボトルネックを自らが解決で
きない場合は、これをシステム管理者に伝える。

【００８５】タスク失敗管理モジュール（task failure
management module） タスク失敗管理モジュール１０９は、そのネットワーク
端末装置自身及びネットワーク上の他のネットワーク端
末装置の失敗（failure）を扱う。ネットワーク端末装
置が何らかの処理に失敗すると、タスク失敗管理モジュ
ール１０９は、これを解決するための要求をネットワー
クに送信する。また、タスク失敗管理モジュール１０９
は、タスク実行／監視／報告モジュールの章にて例示し
たような他のネットワーク端末装置におけるタスクの失
敗を発見すると、このネットワーク端末装置がそのタス
クを引き継げるか否かを判定する。このネットワーク端
末装置がそのタスクを引き継げる場合、タスク失敗管理
モジュール１０９は、応答を同報通信し、回答を待機す
る。所定の期間内に他のどのネットワーク端末装置から
も回答がない場合、このネットワーク端末装置はサービ
スの継続を開始する。

【００８６】アシスタンスサービスモジュール（assist
ance service module） アシスタンスサービスモジュール１１０は、他のモジュ
ールへのブリッジの役割を果たす。例えば、アシスタン
スサービスモジュール１１０は、長距離伝送において、
中継配信ネットワーク端末装置（intermediate deliver
y station）として機能する。また、アシスタンスサー
ビスモジュールは、他のサービスネットワーク端末装置
のサブサービス（sub-service）としての役割を果た
す。

【００８７】サービスモジュール（service module） サービスモジュール１１１は、実際のサービスを実行す
るモジュールである。ここで実行されるサービスは、例
えばユーザの習慣の把握、分析、予測や、ビデオストリ
ーミングサービスや、ストリーミング収束サービス（st
reaming convergence service）等のいかなるＡＩサー
ビスであってもよい。あるサービスモジュール１１１
は、再配分可能なソフトウェアリソース格納部内にあっ
てもよい。このようなサービスモジュール１１１は、よ
りよいサービスを提供できるようにするために、ロケー
ションを変更してもよい。

【００８８】システム実施例 上述の実施の形態の具体的なシステムの実施例を説明す
る。なお、以下のシステムは、ＥＬＲの言語を用いてい
ない。以下のシステムはＬｉｎｕｘシステム上で動作
し、以下の要素を含む。 （１）全てのＢＡＲＢデータベースを格納するＳＱＬ
（structured query language）サーバ （２）データベースからデータを入手し、フリルモジュ
ール用にサブジェクトデータをフォーマットするデータ
抽出モジュール （３）フリルによるファジー論理及びＥＬＲモジュール （４）フリルによる学習及び検査（learning and testi
ng）モジュール 学習及び検査条件は以下のとおりである。 （１）全てのサブジェクトは、少なくとも１年間衛星受
信機を使用した、ＢＡＲＢデータ内の個人である。 （２）衛星チャンネルは、全部で４５個のチャンネルを
含む。なお、元の純粋論理システム（original pure lo
gic system）は、５つのチャンネルしか含んでいない。 （３）ＢＡＲＢ番組分類リストにおいて、全部で１０８
個の番組カテゴリが存在する。

【００８９】このシステムにおいて、２６週間にわたる
６６０のサブジェクトに関する学習及び検査を行い、そ
の結果を得た。処理時間は、デュアルペンティアムＩＩ
（Pentium II：商標）３５０ＭＨｚを用いて、５０分未
満であった。この処理では、まず第１週を学習し、第２
週を予測し、第２週を学習し、第３週を予測し、第３週
を学習し、第４週を予測し・・・といった処理を順次繰
り返した。この結果、各個人に対する予測の精度は、３
０％〜９３％となり、平均の精度は、５０％以上となっ
た。

【００９０】図９は、全てのサブジェクトに対する実験
結果の平均を示すグラフである。このグラフによれば、
１週間の学習処理により、ユーザがその第１週において
ユーザが興味のあるいくつかの番組を視聴した場合、こ
のシステムはかなり良好な予測を行うことができること
がわかる。また、学習が進むほど、精度が向上すること
がわかる。

【００９１】このプロトタイプシステムでは、全てのユ
ーザに対し、両方のＥＬＲ（与えられた事実及び常識的
事実）について、同じ初期的ファジー集合及びその集合
に関連する重みを割り当てている。オンラインによる重
み計算は、全てのユーザに対して同様に行った。

【００９２】具体例として示すシステムの評価 それぞれのユーザに対する結果を分析すると、このシス
テムは、特に、明らかなパターンに従うユーザに対して
は、殆ど誤りのない予測を行うことが判る。一方、この
システムは、明らかな視聴パターンを有さないユーザに
対しては、高精度な予測を行えない。

【００９３】以上のように、「コーラス」分散システム
アーキテクチャ及びＬｉｎｕｘオペレーティングシステ
ムに基づく分散型ＡＩサービスプロバイダ（ＤＡＩＳ
Ｐ）を設計及び実現した。このシステムは、システムを
実行するために十分なメモリを有するコンピュータに挿
入されるブート可能なフロッピー（登録商標）ディスク
に格納することができる。このシステムによれば、ハー
ドウェアリソースを無駄にすることなく分散型ＡＩサー
ビスを提供できる。クライアントからの学習及び予測要
求は、途切れなく処理することができ、すなわち、ＤＡ
ＩＳＰは、プラグアンドプレイ（plug-and-play）型の
サービスを提供する。システムの検査は、例えば２５６
ＭｂのＲＡＭ及びペンティアムＩＩ４００を備えるコン
ピュータ等、複数のコンピュータを用いて行った。シス
テム全体は、期待通りに機能し、学習及び予測のための
実行時間は、より多くのＤＡＩＳＰがサービスに参加す
るにつれいて、略比例して減少した。

【００９４】ＥＬＲ／フリルに基づく具体例として示す
システムにより、ファジー論理は、この種の不確実性を
有する統計的問題に対する有効な問題解決法であること
が証明される。実験の結果は良好であり、処理の速度も
現実的である。この処理速度により、オンラインサービ
スも実現できる。

【００９５】この具体例に示すシステムは、与えられた
ユーザの視聴習慣の履歴及び視聴可能な番組に基づき、
ユーザがどの番組を視聴しようとするかに関して、現実
的な精度を有する予測を行うことができる。

【００９６】ＤＡＩＳＰは、ここで説明したＡＩエンジ
ンに限らず、多くのネットワークアプリケーションに対
して良好なソリューションを提供する。「コーラス」分
散システムアーキテクチャは、様々な分野において、よ
り強固で信頼性の高いサービスを実現する。

【００９７】応用例 ＴＶ／ＶＴＲホームシステム 図１０は、テレビジョン及びビデオテープレコーダユニ
ット（以下、ＴＶ／ＶＴＲという。）５と、このＴＶ／
ＶＴＲ５に接続され、ＴＶ／ＶＴＲ５にマルチチャンネ
ルテレビジョン信号１２を供給する、例えばセットトッ
プボックス等の受信機７０とを備えるホームシステムを
示す図である。ＴＶ／ＶＴＲ５は、上述したＡＩエンジ
ンと、遠隔制御入出力部５０とを備える。ＴＶ／ＶＴＲ
５は、遠隔制御装置６０により制御され、遠隔制御装置
６０には、ログイン（ＬＯＧＩＮ）６０ａ、自動ＶＴＲ
（AUTO-VCR）６０ｂ、自動視聴（AUTO-VIEW）６０ｃ又
はこれらと同等の機能を有する専用ボタンが設けられて
いる。ユーザは、ログインボタンボタン６０ａを用い
て、自らの識別番号（ＩＤ）をシステムに供給してログ
インを行う。自動ＶＴＲボタン６０ｂ及び自動視聴ボタ
ン６０ｃは、以下に説明する予測機能を実行するための
ボタンである。

【００９８】図１１は、遠隔制御装置６０から受信され
た選択信号に基づいてＴＶ／ＶＴＲ５が選局を行う従来
の動作モードを示す図である。

【００９９】一方、図１２は、自動視聴機能を説明する
図である。自動視聴モードでは、遠隔制御装置６０の自
動視聴ボタン６０ｃを押圧操作することによりＴＶ／Ｖ
ＴＲ５に供給された信号が認識され、これに応答してユ
ーザ振る舞い知識ベース（user behavior knowledge ba
se）３０が駆動（prompted）される。これによりユーザ
振る舞い知識ベース３０は、自動チャンネル選択のため
の信号１６を出力する。信号１６により指示されるチャ
ンネルは、全てのチャンネルにおいて現在放送中の番組
のなかで、ユーザが最も関心を示すとＡＩエンジンが判
断したチャンネルである。

【０１００】図１３は、自動ＶＴＲモードを説明する図
である。自動ＶＴＲモードでは、ユーザは、自分自身の
ＩＤをＴＶ／ＶＴＲ５に知らせるとともに、テレビの視
聴ができない不在期間を特定してＴＶ／ＶＴＲ５に知ら
せる。すなわち、ここで用いられるオペランドは、ユー
ザＩＤを表すＵｎ、不在期間の開始時刻Ａｓ及び不在期
間の終了時刻Ａｆである。ユーザ振る舞い知識ベース３
０は、これにより、不在期間中のテレビジョン番組スケ
ジュールから録画すべき番組を予測して選択する。テレ
ビジョン番組のスケジュールは、予めホームシステムに
登録されていてもよく、あるいは、自動ＶＴＲコマンド
に応じて、ホームシステムが必要な情報をダウンロード
するようにしてもよい。

【０１０１】仮想レコード店（virtual record store） 図１４は、本発明を適用して仮想レコード店を実現した
応用例を示す図である。この応用例では、遠隔サーバ８
０には、例えば音楽アルバム等の大量のデジタルオーデ
ィオファイル８２の形式で大量のオーディオデータファ
イルが格納されている。ホームネットワーク端末５は、
上述したＡＩエンジン１０を用いて、仮想レコード店と
して機能する遠隔サーバ８０に格納されているオーディ
オデータファイルからオーディオデータを選択する。Ａ
Ｉエンジンは、好ましくは、ホームシステムネットワー
クにローカルに設けられており、ユーザの音楽的嗜好に
関するユーザプロファイルを格納している。このユーザ
プロファイルは、例えばホームシステムネットワークに
接続されたオーディオ装置（hifi-system）を傍受（sno
op）することにより作成される。さらに、ユーザは、ユ
ーザが通常聴いている音楽の範囲内で特定のジャンルを
示すサブセットを選択して特定し、これによりユーザ
は、例えばダンスアルバムの新譜や、クラシックのアル
バム等を購入することができる。

【０１０２】ウェブブラウザ 図１５は、本発明を適用したウェブブラウザを実現した
応用例を示す図である。上述したＡＩエンジン１０は、
サーチエンジン９０に組み込まれており、これによりホ
ームシステム端末５は、ウェブ９５においてユーザが興
味を示すであろうと予測されるウェブサイトを検出す
る。この処理は、現在登録されているお気に入りのブッ
クマーク及びユーザの過去の振る舞い等の属性を分析す
ることにより行われる。

【０１０３】テレビスケジュールのモデリング ＴＶ／ＶＴＲホームシステムにＡＩエンジンを採用する
ことにより、テレビジョンスケジュールモデラ（TV sch
eduling modeller）を実現することもできる。この応用
例では、テレビジョンチャンネル（放送局）が、統計的
に有効な視聴者のグループの視聴習慣に関する広範囲な
記録を提供するユーザプロファイルのデータベースを保
有する。テレビジョンチャンネルは、ダミー（dummy）
の番組スケジュールを作成し、その効果をシミュレーシ
ョンする処理を実行する。このようなシミュレーション
によりテレビジョンチャンネルは、例えば新たなドキュ
メンタリーの連続放送をいつ放送するのが妥当かについ
て決定することができる。例えば、異なる曜日の異なる
時間帯において、４つの放送可能な時間帯がある場合が
ある。また、現在定期的に放送している番組の放送時間
をずらしたり、放送の曜日を変更した場合の影響を予測
することもできる。このようにして、ユーザの視聴行動
を予測することにより、各番組の最適な放送時間を決定
することができる。さらに、既存のスケジュールにおい
て、テレビジョンチャンネルは、どのようなユーザがど
の番組を視聴するかを予測することができ、例えば、年
齢層、性別、社会的階層等、その番組を視聴者の多数を
占めるグループの複合的なプロファイル（composite pr
ofile）を入手することができる。この情報により、番
組の途中で放送するコマーシャルにおいて、どのような
ユーザをターゲットとする広告が有効かを知ることがで
きる。さらに、競合チャンネルの将来のスケジュールに
関する既存の情報に基づいて、同時間帯に競合チャンネ
ルがどのような番組を放送するかを考慮に入れることに
より、より強力な番組スケジュールのモデリングを行う
ことができる。

【０１０４】

【発明の効果】以上のように、本発明によると、ユーザ
の過去の行動に基づいて、ユーザの将来の行動を高精度
に予測することができる。ユーザの将来の行動の予測
は、例えば商業目的で広く利用することができる。ま
た、本発明によると、ユーザの将来の行動を高精度に予
測するテレビジョンチャンネル選択装置やデータファイ
ル選択装置を実現できる。さらに、データファイル選択
装置は、サーチエンジンやウェブブラウザに組み込んで
使用することができる。

【図面の簡単な説明】

【図１】本発明を適用したＡＩエンジンを示す図であ
る。

【図２】図１に示すＡＩエンジンをより詳細に示すブロ
ック図である。

【図３】Ｓｗ＝Ｓｐの場合における、「視聴時間が長い
ほどユーザが番組を好んでいる可能性が高い」ことを示
すファジー集合を示す図である。

【図４】Ｓｗ＜Ｓｐの場合における、「ユーザが視聴時
間内に番組を楽しんだ」ことを示すファジー集合を示す
図である。

【図５】ユーザが２つ以上の番組を視聴した場合におけ
る、「ユーザが番組を楽しんだ」ことを示すファジー集
合を示す図である。

【図６】「ユーザが番組のほとんどを視聴した場合、ユ
ーザはその番組を楽しんだ」ことを示すファジー集合を
示す図である。

【図７】ＡＩエンジンを備えるネットワーク端末装置を
ネットワーク接続して形成された分散システムを示す図
である。

【図８】図７に示すネットワーク端末装置の内部構成を
示す図である。

【図９】６６０人の視聴者の視聴習慣を学習／予測した
結果を示す図である。

【図１０】自動番組選択及び自動ＶＴＲ設定を行う、テ
レビジョン及びＶＴＲを備えるホームシステムを示す図
である。

【図１１】図１０に示すホームシステムの従来型の動作
モードを説明する図である。

【図１２】図１０に示すホームシステムの自動視聴モー
ドを説明する図である。

【図１３】図１０に示すホームシステムの自動ＶＴＲ設
定モードを説明する図である。

【図１４】ＡＩエンジンを用いた仮想レコード店の構成
を示す図である。

【図１５】ＡＩエンジンを用いたウェブシステムの構成
を示す図である。

【符号の説明】

１２ 行動信号、１４ 予測指示、１５ ユーザ識別情
報、１６ 予測結果、２５ ログイン回路、３０ ユー
ザ振る舞い知識ベース、３５ 行動監視回路、４０ 常
識知識ベース

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号 ＦＩ テーマコート゛(参考） Ｈ０４Ｎ 5/44 Ｈ０４Ｎ 5/44 Ｈ // Ｇ０６Ｆ 17/60 １５０ Ｇ０６Ｆ 17/60 １５０ (72)発明者 チョウ、イミング イギリス国 ケーティー13 ０エックスダ ブリュー サリー、ウエィブリッジ、ブル ックランズ、ザ ハイツ（番地なし） ソ ニー ユナイテッド キングダム リミテ ッド内

Claims (18)

【特許請求の範囲】
1. 【請求項１】 ユーザ行動を測定してユーザ行動データ
   を生成するステップと、 ファジー集合及び重みに関連付けられた、複数の与えら
   れた事実に基づく証拠論理規則を定義するステップと、 ファジー集合及び重みに関連付けられた、複数の常識に
   基づく証拠論理規則を定義するステップと、 上記ユーザ行動データを上記常識に基づく証拠論理規則
   に適用して常識支持値を生成するステップと、 上記常識に基づく証拠論理規則により生成された常識支
   持値に基づいて、上記与えられた事実に基づく証拠論理
   規則のファジー集合及び／又は重みを調節するステップ
   と、 上記与えられた事実に基づく証拠論理規則により与えら
   れた事実支持値を生成し、ユーザの将来の行動を予測又
   は選択するステップとを有するユーザ行動予測方法。
2. 【請求項２】 上記与えられた事実のファジー集合は、
   最大エントロピーにより初期設定され、上記常識のファ
   ジー集合は、意味論的意味により初期設定されることを
   特徴とする請求項１記載のユーザ行動予測方法。
3. 【請求項３】 上記与えられた事実のファジー集合に関
   連付けられた重みは、エントロピー分布に基づいて継続
   的に再計算され、上記常識のファジー集合に関連付けら
   れた重みは一定に保たれることを特徴とする請求項２記
   載のユーザ行動予測方法。
4. 【請求項４】 上記与えられた事実に基づく証拠論理規
   則は、上記ユーザ行動データから直接的に推論される事
   実に従い、上記常識に基づく証拠論理規則は、ユーザの
   行動に対する主観的な態度を２次的に分析することによ
   り導き出されることを特徴とする請求項１記載のユーザ
   行動予測方法。
5. 【請求項５】 上記２次的分析は、統計学、心理学、社
   会行動、専門家の意見のうちの少なくとも１つに基づい
   て行われることを特徴とする請求項４記載のユーザ行動
   予測方法。
6. 【請求項６】 上記複数の常識に基づく論理規則のうち
   の少なくとも１つは、ユーザの行動の現在の好みの測定
   であることを特徴とする請求項４記載のユーザ行動予測
   方法。
7. 【請求項７】 選択対象となる複数の行動のモードから
   １つの行動のモードを自動的に選択する行動モード選択
   装置において、 行動の特性を示す行動データを受信する入力端子を備え
   る行動監視手段と、 現在の行動にどのユーザが関連しているかを確認するユ
   ーザ識別情報入力手段と、 登録されたそれぞれのユーザに関する複数のユーザプロ
   ファイルが格納され、各ユーザ毎に特化されたファジー
   集合及び重みに関連付けられた複数の与えられた事実に
   基づく証拠論理規則を有し、任意のユーザのユーザプロ
   ファイルが有する与えられた事実に基づく証拠論理規則
   に基づいて、該任意のユーザに対して上記選択対象とな
   る複数の行動のモードのうちの１つを選択するユーザ振
   る舞い知識ベースとを備えることを特徴とする行動モー
   ド選択装置。
8. 【請求項８】 ファジー集合及び重みに関連付けられた
   複数の常識に基づく証拠論理規則を有し、上記行動デー
   タ及びユーザ識別情報に基づいて常識支持値を出力し、
   上記与えられた事実に基づく証拠論理規則のユーザプロ
   ファイルにおけるファジー集合及び／又は重みを調節す
   ることにより、現在行動中のユーザのユーザプロファイ
   ルを継続的に変更し、これによりユーザの各行動の監視
   結果に応じてユーザプロファイルを個人用に特化させる
   常識に基づく知識ベースを備えることを特徴とする請求
   項７記載の行動モード選択装置。
9. 【請求項９】 上記常識のファジー集合及び重みは、全
   てのユーザに対して共通であることを特徴とする請求項
   ８記載の行動モード選択装置。
10. 【請求項１０】 上記常識のファジー集合及び重みは、
    固定されていることを特徴とする請求項８記載の行動モ
    ード選択装置。
11. 【請求項１１】 選択対象となる複数のテレビジョンチ
    ャンネルから１つのテレビジョンチャンネルを自動的に
    選択するテレビジョンチャンネル選択装置において、 テレビジョン番組の特性を示す番組データを受信する入
    力端子を備える番組監視手段と、 ユーザがログオンすることによりユーザ識別情報が入力
    されるユーザ識別情報入力手段と、 登録されたそれぞれのユーザに関する複数のユーザプロ
    ファイルが格納され、各ユーザ毎に特化されたファジー
    集合及び重みに関連付けられた複数の与えられた事実に
    基づく証拠論理規則を有し、任意のユーザのユーザプロ
    ファイルが有する与えられた事実に基づく証拠論理規則
    に基づいて、該任意のユーザに対して上記選択対象とな
    る複数のテレビジョンチャンネルのうちの１つを選択す
    るユーザ振る舞い知識ベースとを備えることを特徴とす
    るテレビジョンチャンネル選択装置。
12. 【請求項１２】 ファジー集合及び重みに関連付けられ
    た複数の常識に基づく証拠論理規則を有し、上記番組デ
    ータ及びユーザ識別情報に基づいて常識支持値を出力
    し、上記与えられた事実に基づく証拠論理規則のユーザ
    プロファイルにおけるファジー集合及び／又は重みを調
    節することにより、現在ログオン中のユーザのユーザプ
    ロファイルを継続的に変更し、これによりユーザの各行
    動の監視結果に応じてユーザプロファイルを個人用に特
    化させる常識に基づく知識ベースを備えることを特徴と
    する請求項１１記載のテレビジョンチャンネル選択装
    置。
13. 【請求項１３】 上記常識に基づく証拠論理規則のうち
    の少なくとも１つは、ユーザの行動の現在の好みの測定
    であることを特徴とする請求項１２記載のテレビジョン
    チャンネル選択装置。
14. 【請求項１４】 テレビジョン番組の特性を示す番組デ
    ータを受信する入力端子を備える番組監視手段と、 ユーザがログオンすることによりユーザ識別情報が入力
    されるユーザ識別情報入力手段と、 登録されたそれぞれのユーザに関する複数のユーザプロ
    ファイルが格納され、各ユーザ毎に特化されたファジー
    集合及び重みに関連付けられた複数の与えられた事実に
    基づく証拠論理規則を有し、任意のユーザのユーザプロ
    ファイルが有する与えられた事実に基づく証拠論理規則
    に基づいて、該任意のユーザに対して上記選択対象とな
    る複数のテレビジョンチャンネルのうちの１つを選択す
    るユーザ振る舞い知識ベースとを備える複数のテレビジ
    ョンチャンネルから１つのテレビジョンチャンネルを自
    動的に選択するテレビジョンチャンネル選択装置を備え
    る音声映像再生装置。
15. 【請求項１５】 選択対象となる複数のデータファイル
    から１つのデータファイルを自動的に選択するデータフ
    ァイル選択装置において、 データファイルの特性を示す属性データ受信する入力端
    子を備える属性監視手段と、 ユーザがログオンすることによりユーザ識別情報が入力
    されるユーザ識別情報入力手段と、 登録されたそれぞれのユーザに関する複数のユーザプロ
    ファイルが格納され、各ユーザ毎に特化されたファジー
    集合及び重みに関連付けられた複数の与えられた事実に
    基づく証拠論理規則を有し、任意のユーザのユーザプロ
    ファイルが有する与えられた事実に基づく証拠論理規則
    に基づいて、該任意のユーザに対して上記選択対象とな
    る複数のデータファイルのうちの１つを選択するユーザ
    振る舞い知識ベースとを備えることを特徴とするデータ
    ファイル選択装置。
16. 【請求項１６】 ファジー集合及び重みに関連付けられ
    た複数の常識に基づく証拠論理規則を有し、上記属性デ
    ータ及びユーザ識別情報に基づいて常識支持値を出力
    し、上記与えられた事実に基づく証拠論理規則のユーザ
    プロファイルにおけるファジー集合及び／又は重みを調
    節することにより、現在ログオン中のユーザのユーザプ
    ロファイルを継続的に変更し、これによりユーザの各行
    動の監視結果に応じてユーザプロファイルを個人用に特
    化させる常識に基づく知識ベースを備えることを特徴と
    する請求項１５記載のデータファイル選択装置。
17. 【請求項１７】 選択対象となる複数のデータファイル
    から１つのデータファイルを自動的に選択するサーチエ
    ンジンにおいて、 データファイルの特性を示す属性データ受信する入力端
    子を備える属性監視手段と、 ユーザがログオンすることによりユーザ識別情報が入力
    されるユーザ識別情報入力手段と、 登録されたそれぞれのユーザに関する複数のユーザプロ
    ファイルが格納され、各ユーザ毎に特化されたファジー
    集合及び重みに関連付けられた複数の与えられた事実に
    基づく証拠論理規則を有し、任意のユーザのユーザプロ
    ファイルが有する与えられた事実に基づく証拠論理規則
    に基づいて、該任意のユーザに対して上記選択対象とな
    る複数のデータファイルのうちの１つを選択するユーザ
    振る舞い知識ベースとを備え、選択対象となる複数のデ
    ータファイルから１つのデータファイルを自動的に選択
    するデータファイル選択装置を備えるサーチエンジン。
18. 【請求項１８】 選択対象となる複数のデータファイル
    から１つのデータファイルを自動的に選択するウェブブ
    ラウザにおいて、 データファイルの特性を示す属性データ受信する入力端
    子を備える属性監視手段と、 ユーザがログオンすることによりユーザ識別情報が入力
    されるユーザ識別情報入力手段と、 登録されたそれぞれのユーザに関する複数のユーザプロ
    ファイルが格納され、各ユーザ毎に特化されたファジー
    集合及び重みに関連付けられた複数の与えられた事実に
    基づく証拠論理規則を有し、任意のユーザのユーザプロ
    ファイルが有する与えられた事実に基づく証拠論理規則
    に基づいて、該任意のユーザに対して上記選択対象とな
    る複数のデータファイルのうちの１つを選択するユーザ
    振る舞い知識ベースとを備え、選択対象となる複数のデ
    ータファイルから１つのデータファイルを自動的に選択
    するデータファイル選択装置を備えるウェブブラウザ。