JP2003271640A

JP2003271640A - プロファイル情報の推薦方法、プログラム及び装置

Info

Publication number: JP2003271640A
Application number: JP2002071823A
Authority: JP
Inventors: Aoshi Okamoto; 青史岡本; Hiroya Inakoshi; 宏弥稲越; Akira Sato; 陽佐藤; Takehisa Ando; 剛寿安藤; Noboru Ozaki; 暢尾崎
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2002-03-15
Filing date: 2002-03-15
Publication date: 2003-09-26
Anticipated expiration: 2022-03-15
Also published as: US20030177110A1; EP1345131A3; EP1345131A2; JP4098539B2

Abstract

(57)【要約】【課題】低い運用コストで、プロファイルデータ群の変
化に柔軟に適応し、利用者に適した推薦を行い、推薦結
果が有用であるか否かの判断を利用者が容易に行える。【解決手段】入力となるプロファイルデータと出力の対
象となるプロファイル属性を少なくとも指定して処理を
要求すると、事例検索ステップで入力として与えられた
プロファイルデータに類似した事例を、複数のプロファ
イルデータの間に発生した関係をプロファイルデータの
組として表現した事例を格納した事例データベース２０
から検索する。続いて動的学習ステップで、出力指定さ
れた属性の各属性値に対する重要度を、事例検索ステッ
プで検索された事例集合に対し特徴的な属性値に高い重
要度を与えるように算出する。更に推薦データ決定ステ
ップで、動的学習ステップで算出した出力指定された属
性の各属性値に対する重要度に基づいて、プロファイル
データベース１８中の各プロファイルデータのスコアを
算出し、スコアの高いプロファイルデータを推薦する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、コンテンツやサービ
ス、ユーザなどを属性と属性値のペアとして特徴づけた
プロファイルデータを推薦するプロファイル推薦方法、
プログラム及び装置に関し、特に、利用者に適したプロ
ファイルデータを利用者が理解しやすい形式で推薦する
プロファイル推薦方法、プログラム及び装置に関する。

【０００２】

【従来の技術】従来、プロファイルデータの推薦方法と
しては、例えば特開2000-148864号で開示されているよ
うに、ユーザや商品の特徴づけを行うことでプロファイ
ルデータを作成し、作成したプロファイルデータに基づ
いて類似したユーザを予めクラスタ化しておき、利用者
が属するクラスタからの情報に基づいて、当該利用者に
商品やクラスタ情報などの推薦を行う方法がとられてい
る。

【０００３】このプロファイル推薦方法によれば、利用
者のプロファイルデータに最も近いクラスタを、利用者
が属するクラスタとして分類することで、分類されたク
ラスタからの情報に基づいて、利用者に適した商品を推
薦したり、分類されたクラスタの情報を推薦することが
可能になる。

【０００４】

【発明が解決しようとする課題】しかしながら、このよ
うな従来のプロファイル推薦方法によると、少なくとも
次の４つの問題が生じる。

【０００５】まず、従来のプロファイル推薦方法による
と、利用者が属するクラスタの分類に基づいて推薦を行
うため、分類されたクラスタ内に利用者とは類似してい
ないユーザが含まれていたり、分類されたクラスタ以外
のクラスタに利用者と類似したユーザが含まれる場合
に、利用者に対する推薦の精度が低下するという問題が
生じている。特に、利用者のプロファイルデータが、分
類されたクラスタの中心から離れている場合に、利用者
に対する推薦の精度が低下するという問題が顕著に発生
しうる。

【０００６】また従来のプロファイル推薦方法による
と、推薦を行うためには、予めクラスタを作成する必要
があるため、プロファイルデータ群の変化に対応させる
ためには、新たにクラスタを作成し直さなければならな
い。このためクラスタ生成に関する運用のコストがかか
り、プロファイルデータ群の変化が激しい場合は、変化
への対応が困難になるという問題を生じる。

【０００７】更に従来のプロファイル推薦方法による
と、利用者が属するクラスタからの情報に含まれていな
い商品は、どんなに利用者に適した商品でも推薦されな
いという問題が生じる。特に、新規の商品の推薦に関し
ては、この問題が顕著に発生しうる。

【０００８】最後に、従来のプロファイル推薦方法によ
ると、利用者にとってわかりやすい形式で推薦結果を提
示する手段が提供されていないため、推薦の結果が利用
者にとって有用か否かを、利用者が判断することが難し
いという問題が生じる。

【０００９】本発明は、低い運用コストで、プロファイ
ルデータ群の変化に柔軟に適応し、利用者に適した推薦
を行い、推薦された結果が有用であるか否かの判断を利
用者が容易に行えるプロファイル情報の推薦方法、プロ
グラム及び装置を提供することを目的とする。

【００１０】

【課題を解決するための部】図１は、本発明の原理説明
図である。本発明は、図１（Ａ）のようにプロファイル
情報の推薦方法を提供する。

【００１１】本発明は、コンテンツ、サービス、ユーザ
などを、属性と属性値のペアの集合として特徴づけたプ
ロファイルデータとして格納したプロファイルデータベ
ースと、複数のプロファイルデータの間に発生した関係
を、プロファイルデータの組として表現した事例として
格納した事例データベースを生成するステップとを使用
するプロファイル情報の推薦方法であって、入力となる
プロファイルの情報と出力の対象となるプロファイル属
性の情報を少なくとも指定して入力する入力ステップ
と、入力として与えられたプロファイルデータに類似し
た事例を事例データベースから検索する事例検索ステッ
プと、出力指定された属性の各属性値に対する重要度
を、事例検索ステップで検索された事例集合に対し特徴
的な属性値に高い重要度を与えるように算出する動的学
習ステップと、動的学習ステップで算出した出力指定さ
れた属性の各属性値に対する重要度に基づいて、プロフ
ァイルデータベース中の各プロファイルデータのスコア
を算出し、スコアの高いプロファイルデータを推薦する
推薦データ決定ステップと、を備えたことを特徴とす
る。

【００１２】このため本発明によれば、入力として与え
られたプロファイルデータに類似した事例を検索し、検
索された事例を用いて、プロファイル属性の重要度の動
的な学習することに基づいた推薦を行うため、低い運用
コストで、プロファイルデータや事例情報の変化に柔軟
に適応し、ユーザに適した推薦を行うことができる。ま
た、プロファイルデータベースに属するプロファイルデ
ータを対象にしたスコア算出を行うため、ユーザにとっ
て有用であれば、新規のプロファイルデータを推薦する
ことも可能になる。

【００１３】動的学習ステップは、出力指定された属性
の各属性値の重要度を、事例検索ステップで検索した類
似事例集合における属性値の出現確率として算出する。

【００１４】また動的学習ステップは、出力指定された
属性の各属性値の重要度を、事例データベース中の出力
指定された属性の事例集合における属性値の出現確率
と、事例検索ステップで検索された類似事例集合におけ
る属性値の出現確率との残差として算出しても良い。

【００１５】更に動的学習ステップは、出力指定された
属性の各属性値の重要度を、事例検索ステップで検索さ
れた類似事例集合における出力指定された各属性の属性
値の分布に関する事例データベース中の事例集合におけ
る出力指定された属性の属性値の分布の負のエントロピ
ーにおける各属性値に対応する値として算出しても良
い。

【００１６】本発明のプロファイル情報の推薦方法は、
更に、推薦データ決定ステップで推薦する各プロファイ
ルデータに出現する属性値の中から、動的学習ステップ
で算出した重要度の高い属性値を、プロファイルデータ
を推薦する理由となる属性値として選択し、選択した属
性値の情報をプロファイルデータに付与して推薦する推
薦理由付与ステップを設けたことを特徴とする。このよ
うに推薦の理由が提示されることで、利用者は、推薦さ
れたプロファイルデータが有用であるか否かの判断を容
易に行うことができる。

【００１７】本発明のプロファイル推薦方法は、更に、
出力指定された各属性に対して、事例検索ステップで検
索した事例集合における最も自由度が高い属性を選択
し、推薦データ決定ステップで算出したスコアが高いプ
ロファイルデータを、選択した属性の属性値毎に分けて
推薦する観点別推薦ステップを設けたことを特徴とす
る。このように観点毎に推薦結果を分けて提示すること
で、利用者は推薦されたプロファイルデータが有用であ
るか否かの判断が容易にできる。

【００１８】ここで観点別推薦ステップは、出力指定さ
れた各属性に対して事例検索ステップで検索した事例集
合における属性の属性値の出現確率の分散を算出し、こ
の分散が最小となる属性を、推薦において最も自由度が
高い属性として選択し、推薦データ決定ステップで算出
したスコアが高いプロファイルデータを、選択した属性
の属性値毎に分けて推薦する。

【００１９】また観点別推薦ステップは、事例データベ
ース中の事例集合における出力指定された各属性の属性
値の出現確率と事例検索ステップで検索した類似事例集
合における前記属性の属性値の出現確率との残差の二乗
和を算出し、この残差の二乗和が最小となる属性を、推
薦において最も自由度が高い属性として選択し、推薦デ
ータ決定ステップで算出したスコアが高いプロファイル
データを、選択した属性の属性値毎に分けて推薦しても
良い。

【００２０】更に観点別推薦ステップは、出力指定され
た各属性に対して事例検索ステップで検索した類似事例
集合における属性の属性値の分布に関する事例データベ
ース中の出力指定された属性の事例集合における属性の
属性値の分布のKullback-Leibler情報量を算出し、Kull
back-Leibler情報量が最小となる属性を推薦において最
も自由度が高い属性として選択し、推薦データ決定ステ
ップで算出したスコアが高いプロファイルデータを、選
択した属性の属性値毎に分けて推薦しても良い。

【００２１】本発明のプロファイル情報の推薦方法にお
ける事例検索ステップは、更に、入力として与えられた
プロファイルデータに類似した事例を検索すると共に、
類似事例中に出現する基底属性として指定された属性の
属性値のリストを作成し、このリストに含まれる基底属
性の属性値が出現する類似した事例を再検索する。この
ため類似したプロファイルデータからの情報では推薦で
きないようなプロファイルデータも推薦可能となる。

【００２２】本発明のプロファイル情報の推薦方法は、
更に、入力情報の変換を行うルールを格納する入力変換
ルールベースの中のルールを適用して入力情報を変換す
る入力変換ステップを設けたことを特徴とする。

【００２３】本発明のプロファイル情報の推薦方法は、
更に、出力結果の変換を行うルールを格納する出力変換
ルールベースの中のルールを適用して出力結果を変換す
る出力変換ステップを設けたことを特徴とする。

【００２４】本発明は、プロファイル情報の推薦方法を
実行するプログラムを提供する。このプログラムは、コ
ンピュータに、入力としての属性と属性値のペアの集合
として特徴づけられたプロファイルデータと、出力の対
象となるプロファイル属性を少なくとも指定して入力す
る入力ステップと、入力として与えられたプロファイル
データに類似した事例を、複数のプロファイルデータの
間に発生した関係をプロファイルデータの組として表現
した事例として格納した事例データベースから検索する
事例検索ステップと、出力の対象として指定された属性
の各属性値に対する重要度を、事例検索ステップで検索
された事例集合に対し特徴的な属性値に高い重要度を与
えるように算出する動的学習ステップと、動的学習ステ
ップで算出した出力指定された属性の各属性値に対する
重要度に基づいて、前記プロファイルデータベース中の
属性と属性値のペアの集合として特徴づけた各プロファ
イルデータのスコアを算出し、スコアの高いプロファイ
ルデータを推薦する推薦データ決定ステップと、を実行
させることを特徴とする。このプログラムの詳細は、プ
ロファイル情報の推薦方法と基本的に同じになる。

【００２５】本発明は、プロファイル情報の推薦装置を
提供する。この推薦装置は、図１（Ｂ）のように、コン
テンツ、サービス、ユーザなどを属性と属性値のペアの
集合として特徴づけたプロファイルデータとして格納す
るプロファイルデータベース１８と、複数のプロファイ
ルデータの間に発生した関係を、プロファイルデータの
組として表現した事例として格納する事例データベース
２０と、入力として与えられたプロファイルデータに類
似した事例を事例データベース２０から検索する事例検
索部３２と、出力指定された属性の各属性値に対する重
要度を、事例検索部３２で検索された事例集合に対し特
徴的な属性値に高い重要度を与えるように算出する動的
学習部３４と、動的学習部３４で算出した出力指定され
た属性の各属性値に対する重要度に基づいて、プロファ
イルデータベース１８中の各プロファイルデータのスコ
アを算出し、スコアの高いプロファイルデータを推薦す
る推薦データ決定部３６とを備えたことを特徴とする。
この推薦装置の詳細も、プロファイル情報の推薦方法と
基本的に同じになる。

【００２６】

【発明の実施の形態】図２は、本発明によるプロファイ
ル情報の推薦処理が適用される動作環境の説明図であ
る。

【００２７】図２において、本発明のプロファイル情報
の推薦処理はプロファイル情報処理サーバ１０で実行さ
れる。プロファイル情報処理サーバ１０に対しては、イ
ンターネット１２を介してユーザ装置１４−１，１４−
２が接続される。

【００２８】ユーザ装置１４−１，１４−２はＷＷＷブ
ラウザを備えており、インターネット１２を経由して、
プロファイル情報処理サーバ１０に対するアクセスによ
り、ユーザ、コンテンツ、サービスなどに関するプロフ
ァイル情報を利用した推薦処理の要求を行う。

【００２９】プロファイル情報処理サーバ１０に対して
は、入力変換ルールデータベース１６、プロファイルデ
ータベース１８、事例データベース２０が接続されてい
る。なお、これらのデータベースはＸＭＬファイルなど
のデータファイルであってもよい。

【００３０】プロファイル情報処理サーバ１０は、ハー
ドウェア構成としてＣＰＵ２２、メモリ２４及びキャッ
シュ２６を備えている。メモリ２４には本発明のプロフ
ァイル情報の推薦処理を実行するプログラムがロードさ
れ、これをＣＰＵ２２で実行することによりプロファイ
ル情報の推薦を実行する。

【００３１】図３は、プロファイル情報の推薦を行う本
発明の推薦装置の機能構成のブロック図である。

【００３２】図３において、プロファイル情報処理サー
バ１０には、入力変換ルールデータベース１６、プロフ
ァイルデータベース１８及び事例データベース２０及び
出力変換ルールデータベース２１が接続されている。ま
たプロファイル情報処理サーバ１０には、入力変換部３
０、事例検索部３２、動的学習部３４、推薦データ決定
部３６、観点別推薦部３８、推薦理由付与部４０及び出
力変換部４１が設けられる。

【００３３】このようなプロファイル情報処理サーバ１
０に対し推薦要求入力２８が行われると、この入力に対
応した推薦処理により推薦結果出力４２が得られる。

【００３４】プロファイルデータベース１８には、属性
と属性値のペアの集合で表現される任意のデータがプロ
ファイルデータとして格納される。このプロファイルデ
ータとしては、望ましくはユーザやコンテンツ、更には
サービスなどの特徴付けをプロファイルデータとする。

【００３５】図４は、本発明で使用されるプロファイル
データ４４の具体例である。このプロファイルデータ４
４は、あるユーザを特徴付けたプロファイルデータを表
わしており、（年齢、３２）や（性別、女性）などの集
合の各要素は、属性と属性値のペアを表わしている。ま
た図５は、あるテニスサークルを特徴付けたプロファイ
ルデータ４６を表わしている。

【００３６】次に本発明の推薦処理で使用する事例デー
タを説明する。図３の事例データベース２０には、プロ
ファイルデータ間に発生した関係をプロファイルデータ
の組で表現した事例データを格納する。

【００３７】図６は具体的な事例データの例を示す。図
６の事例データ４８は、例えば図４の（ＩＤ、００１０
２６）のユーザが、図５のプロファイルデータ４６の
（ＩＤ、０１０６２７）のテニスサークルに加入したと
いう関係を表わす事例である。

【００３８】この事例データ４８は、図７の事例データ
５０のように、２つのプロファイルデータのＩＤの組で
表わすことで表現データ量を圧縮することができる。こ
の圧縮された事例データ５０について、ＩＤ以外の属性
と属性値のペアの内容を知りたい場合は、ＩＤを使用し
てプロファイルデータベース１８の検索を行えばよい。

【００３９】更に本発明で使用する事例データには、プ
ロファイルデータ間の関係に関する属性と属性値のペア
の情報を付与することができる。例えば図４のプロファ
イルデータ４４のユーザが、図５のプロファイルデータ
４６のテニスサークルに加入した日が「２００２年２月
２８日」であった場合、この事例データは図８の事例デ
ータ５２のように、プロファイルデータ群の関係に関す
る（Ｄａｔｅ、２００２０２２８）を付与した形で表わ
すことができる。

【００４０】また、このユーザの加入しているテニスサ
ークルに関する満足度が例えば８０点である場合、図９
の事例データ５６のように、プロファイル情報データ間
の満足度に関する属性と属性値のペア情報として（Ｗｅ
ｉｇｈｔ、０．８）を付与した形で表わすことができ
る。

【００４１】次に図３のプロファイル情報処理サーバ１
０に設けた各部の機能による推薦処理を、図１０及び図
１１のフローチャートを参照して説明する。

【００４２】図１０において、まずステップＳ１にあっ
てはユーザによる推薦要求入力が行われる。この推薦要
求入力は、（１）入力となるプロファイルデータの情報（２）出力の対象となるプロファイル属性の情報（３）属性値に関する条件指定の３つが与えられる。なお、最後の属性値に関する条件
指定が与えられなくとも推薦処理は可能である。

【００４３】ここで属性値に関する条件指定には「Ａｂ
ｓｏｌｕｔｅ」と「Ｐｒｏｈｉｂｉｔ」の２種類があ
る。「Ａｂｓｏｌｕｔｅ」は絶対満足すべき属性値を指
定する。これに対し「Ｐｒｏｈｉｂｉｔ」は禁止される
属性値を指定する。

【００４４】例えば図１２のような推薦要求入力５８が
あったとする。この推薦要求入力５８は、年齢が３５歳
で性別が女性のユーザに、年会費が１万円以上２万円以
下で、年齢分布が中高年中心でないテニスサークルを推
薦する推薦要求入力であることを意味している。

【００４５】ステップＳ１で推薦要求入力を受けると、
次のステップＳ２で図３の入力変換ルールデータベース
１６の中に推薦要求入力にマッチするルールが存在する
か否かを調べ、存在する場合には、ステップＳ３で入力
変換ルールを推薦要求入力に適用して入力の変換を行
う。

【００４６】例えば図１３（Ａ）のような入力変換ルー
ル６０が入力変換ルールデータベース１６に存在したと
する。この入力変換ルール６０は、性別が女性のユーザ
には、性別分布が男性のみのテニスサークルを推薦しな
いという意味である。この入力変換ルール６０の条件部
６２は、図１３（Ｂ）のように「ユーザＰ｛（性別、女
性）｝」である。

【００４７】そして、入力変換ルール６０における条件
部６２にマッチするプロファイルデータが入力された場
合、入力変換ルール６０の図１３（Ｃ）に示す結論部６
４を、図１３（Ｄ）のように推薦要求入力６６の条件指
定に「Ｐｒｏｈｉｂｉｔ：テニスＰ｛（性別分布、男性
のみ）｝」として追加する。

【００４８】ここで入力変換ルールの条件部にプロファ
イルデータがマッチした場合に、入力変換ルールの結論
部を推薦要求入力に追加する以外に、削除や置き換えと
いった処理も可能である。

【００４９】このような入力変換ルールを作成して入力
変換ルールデータベース１６に格納することにより、推
薦要求入力を行ったユーザにとって相応しくないプロフ
ァイルデータを推薦できないように制御したり、推薦要
求入力を行ったユーザに適したプロファイルデータを推
薦するように制御することが可能となる。

【００５０】再び図１０を参照するに、ステップＳ４で
は、推薦要求入力として与えられたプロファイルデータ
と事例データベース２０の中の事例データとの類似度を
算出し、類似事例データの決定を行う。この類似事例デ
ータの決定は、類似度の高い事例データから利用者指定
の件数分を類似事例データとしてもよいし、利用者が指
定した類似度の閾値で区切ってもよい。

【００５１】入力として与えられたプロファイルデータ
と事例データとの類似度の算出は、公知の手法を使用す
ることができる。例えば入力されたプロファイルデータ
ｘに対する事例データｙの類似度は、次の関数を用いて
算出することができる。

【００５２】

【数１】

【００５３】ここで、ｍはプロファイルデータｘ中で指
定された属性数を示しており、ｘｉはプロファイルデー
タｘにおける属性ｉの値、ｙｉは事例データｙにおける
属性ｉの値を示している。またｗｉは属性ｉの重みであ
り、利用者が指定したり事例データベース２０の事例情
報を用いて装置側で自動的に決定することができる。δ
は距離測度であり、属性ｉが離散値をとる場合、属性値
ｘｉとｙｉのハミング距離などで定義でき、属性ｉが連
続値をとる場合は正規化ユークリッド距離などで定義で
きる。

【００５４】また図９に示したように、プロファイルデ
ータ間の関係に関する属性と属性値のペア情報（Ｗｅｉ
ｇｈｔ、０．８）が事例データに付与されている場合、
この情報を類似度に加味することが可能となる。例えば
（１）式の関数を用いて算出した類似度にユーザの満足
度を示す属性値に、Ｗｅｉｇｈｔの値（０．８）を乗じ
たものを、最終的な類似度とすることができる。

【００５５】このようにステップＳ４では個々の入力プ
ロファイルに類似した事例データを検索することによっ
て入力プロファイルデータに類似した事例データを決定
しているため、プロファイルデータや事例データの追
加、削除、更新に伴う環境の変化に柔軟に適応し、入力
プロファイルデータに類似した事例データだけを求める
ことができる。

【００５６】次のステップＳ５にあっては、ステップＳ
１の推薦要求入力において基底属性値が指定されている
か否かを調べ、指定されている場合にはステップＳ６の
処理が実行される。

【００５７】図１４は、図１０のステップＳ６における
基底属性事例検索の詳細を示したフローチャートであ
る。まずステップＳ１で、図１０のステップＳ４で検索
した各類似事例データの中に出現する基底属性の属性値
リストを作成する。次にステップＳ２で、作成したリス
ト中の属性値を含む事例を事例データベース２０から再
検索する。

【００５８】ここで基底属性は、入力として与えられる
プロファイルデータと出力されるプロファイルデータの
基底属性を通した関連性に基づく推薦を行う場合に指定
される。例えば、あるテニスサークルに加入しているユ
ーザが、加入している合唱サークルを推薦する場合に用
いられる。この場合、基底属性はユーザプロファイルデ
ータのＩＤとなる。

【００５９】即ち図１５（Ａ）のように入力としてのプ
ロファイルデータ６８が与えられ、更に図１５（Ｂ）の
ように基底属性と出力指定の属性が与えられたとする。
この場合、まず図１０のステップＳ５により、入力とし
て与えられたプロファイルデータ６８におけるＩＤが
「０１０６２７」である事例データが検索される。

【００６０】次に図１３のステップＳ１により、ＩＤ＝
０１０６２７の事例データに出現する基底特性で与えら
れるユーザプロファイルＩＤのリストを作成する。そし
て次のステップＳ２で、作成したリスト中のユーザプロ
ファイルＩＤを含む事例データを事例データベース２０
から再検索する。この再検索された事例データ中に含ま
れる合唱サークルのプロファイルデータを用い、以後の
処理を通じて合唱サークルが推薦される。

【００６１】次に図１１のステップＳ７にあっては、出
力指定された属性に対する各属性値の重要度を算出す
る。この重要度は、入力として与えられる個々のプロフ
ァイルデータに対し適切な推薦を実現するために、ステ
ップＳ４またはステップＳ６で検索された類似事例デー
タの集合に特徴的な属性に、大きな重要度を与えるよう
に算出する。この出力指定された属性に対する各属性値
の重要度は、例えば以下のようにして算出される。

【００６２】まず図１０のステップＳ４またはステップ
Ｓ６で検索された類似事例集合における出力指定された
属性ｉに対する属性値ｖの出現確率をＰｓ（ｉ，ｖ）と
表記し、また事例データベース２０の中の事例集合にお
ける属性ｉに対する属性値ｖの出現確率をＰｃ（ｉ，
ｖ）と表記する。

【００６３】図１６は、この出現確率Ｐｓ（ｉ，ｖ）を
持つ類似事例集合７６、出現確率Ｐｃ（ｉ，ｖ）を持つ
事例集合７４の関係を示している。即ち、属性ｉに対す
る属性値ｖの事例集合７４の中に、入力としてのプロフ
ァイルデータ７２を中心とした類似事例集合７６が存在
することになる。

【００６４】また出現確率Ｐｓ（ｉ，ｖ）及びＰｃ
（ｉ，ｖ）は、属性値ｖが連続値の場合、離散化して出
現確率を求める。この属性値の離散化による出現確率の
求め方には、図１７のような２通りの方法がある。

【００６５】図１７（Ａ）は、属性値ｖとして例えばテ
ニスサークルの年会費を例に取っており、０〜１０万円
の連続値を持っている。このような属性値の連続におけ
る離散化に対する第１の方法は、０〜１０万円の連続属
性値を例えば２万円間隔で均等に離散化して出現確率を
求める。例えば属性値ｖがｖ＝３．９万円であったとす
ると、この場合の出現確率は２〜４万円の範囲について
の出現確率、例えば（３０／１００）を求める。

【００６６】もう１つの離散化の方法は、図１７（Ｂ）
のように属性値ｖ＝３．９万円に対し前後に１万円の幅
を設定し、２．９〜４．９万円の範囲について出現確率
を例えば（４０／１００）として求める方法である。連
続値の離散化については図１７（Ａ）または（Ｂ）のい
ずれの方法でもよいが、図１７（Ｂ）の離散化の方が離
散化誤差が少ないと云える。

【００６７】本発明の出力指定した属性に対する各属性
値の重要度の第１の算出方法は、検索された事例集合の
中で出現確率の高い属性値が検索された事例集合に特徴
的な属性値であると仮定し、属性ｉに対する属性値ｖの
重要度ＩＶ（ｉ，ｖ）を次式で求める。

【００６８】

【数２】

【００６９】また、本発明による重要度の第２の算出方
法は、検索された事例集合における出現確率Ｐｓ（ｉ，
ｖ）と、事例データベース２０の中の事例集合における
出現確率Ｐｃ（ｉ，ｖ）の残差として、次式で重要度を
算出する。

【００７０】

【数３】

【００７１】更に本発明による重要度の第３の算出方法
は、検索された事例集合における属性値ｉの出現分布に
関する事例データベース２０の中の事例集合における属
性値ｉの出現分布の負のエントロピーの属性値の対応値
として、次式で属性値の重要度を算出する。

【００７２】

【数４】

【００７３】ここで負のエントロピーは、次の多項式で
表わされる。

【００７４】

【数５】

【００７５】この負のエントロピーの右辺の多項式にお
いて、出力指定された属性とその属性値に対応する項を
抽出したものが、（４）式の負のエントロピーの属性値
の対応値を与えている。なお負のエントロピーについて
は、「情報量統計学、坂元慶行、石黒真木夫、北川源四
郎（共立出版）」を参照されたい。

【００７６】次のステップＳ８にあっては、ステップＳ
７において算出された出力指定された属性に対する各属
性値の重要度を用いて、プロファイルデータベース１８
の中の各プロファイルデータのスコアを算出する。ここ
でスコアは、各プロファイルデータに出現する属性値に
対応する重要度の総和を求めることで算出される。

【００７７】スコア算出の対象がプロファイルデータベ
ース１８の中のプロファイルデータにあるため、事例デ
ータベース２０の事例データには出現しないプロファイ
ルデータも推薦される可能性がある。もちろん処理を効
率化するため、ステップＳ４またはＳ６で検索された事
例データに出現するプロファイルデータだけを対象にス
コアを算出することも可能である。

【００７８】更にステップＳ８のスコアの算出にあって
は、ステップＳ７で算出された重要度が負の値をとる属
性値に対してはスコア計算から除外する。また入力とし
て与えられた条件指定を満足しないプロファイルデータ
の値は０とする。更に、入力として与えられたプロファ
イルデータのＩＤ値を含む事例データに出現するプロフ
ァイルデータのスコアを０とし、入力としてのプロファ
イルデータが推薦結果として出されてしまうことを回避
する。

【００７９】続いて次のステップＳ９で、出力指定され
た属性の属性値ごとに、推薦するプロファイルデータを
分けて出力する観点別の出力指定が行われているか否か
を調べ、観点別の出力指定が行われていない場合にはス
テップＳ１０に進み、行われている場合にはステップＳ
１１に進む。

【００８０】ステップＳ１０では、ステップＳ８で算出
したスコアの高い各プロファイルデータを推薦するプロ
ファイルデータとして決定する。ここで、スコアが高い
プロファイルデータから利用者指定の個数分を推薦して
もよいし、利用者指定のスコアの閾値で区切ってもよ
い。

【００８１】ステップＳ９で観点別の出力指定があった
場合のステップＳ１１の処理にあっては、推薦するプロ
ファイルデータを分けて出力するための観点属性を、出
力指定された属性の中から選択する。選択する観点属性
としては、個々の入力プロファイルデータに対して、そ
の属性の属性値のどれが重要であるか分からないような
属性、例えばステップＳ８で算出されたスコアが同程度
の属性を観点属性として選択するのが、利用者にとって
最も有益であると考えられる。

【００８２】ここでは属性ｉに対する非自由度ＮＦ
（ｉ）が最小となる属性、換言すると自由度が最大とな
る属性を観点属性として選択する。また観点属性の候補
集合が指定されている場合は、その候補集合中で非自由
度ＮＦ（ｉ）の値が最小となる属性を観点属性として選
択する。

【００８３】この非自由度ＮＦ（ｉ）を算出するため、
ステップＳ４やステップＳ６で検索された事例集合にお
ける出力指定された属性ｉに対する属性値ｖの出現確率
をＰｓ（ｉ，ｖ）と表記し、事例データベース２０の事
例集合における属性ｉに対する属性値ｖの出現確率をＰ
ｃ（ｉ，ｖ）と表記する。また属性値が連続値をとる場
合は、離散化して出現確率を算出する。また属性ｉに対
する属性値ｖの出現確率の平均をＥ（ｉ）と表記する。

【００８４】このときの属性ｉに対する非自由度ＮＦ
（ｉ）は、次式により属性ｉの属性値の分散として算出
される。

【００８５】

【数６】

【００８６】ここで、ｎは属性ｉに対する属性値の数で
ある。

【００８７】また属性ｉに対する非自由度ＮＦ（ｉ）
は、次式により出現確率Ｐｓ（ｉ，ｖ）とＰｃ（ｉ，
ｖ）の残差の二乗和として算出することもできる。

【００８８】

【数7】

【００８９】更に非自由度ＮＦ（ｉ）は、検索した事例
中の属性ｉに対する属性値の分布に関する事例データベ
ース２０の中の事例集合における属性値ｉに対する属性
値の分布のＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ情報量と
して、次式により算出することもできる。

【００９０】

【数8】

【００９１】次にステップＳ１２では、ステップＳ１１
で選択した観点属性に対する属性値ごとに分けて、ステ
ップＳ８で算出した各プロファイルデータのスコアが高
いものを、推薦するプロファイルデータとして決定す
る。ここで、スコアが高いプロファイルデータから利用
者指定の個数分を推薦してもよいし、利用者指定のスコ
アの閾値で区切ってもよい。

【００９２】続いてステップＳ１３では、推薦理由の出
力が指定されているか否かを調べ、指定されていればス
テップＳ１４に進み、指定されていなければ、ステップ
Ｓ１５で推薦するプロファイルデータを出力する。ステ
ップＳ１５では、図３の出力変換ルールデータベース２
５の中に、推薦出力結果にマッチするルールが存在する
か否かを調べ、存在する場合には、ステップＳ１６で出
力変換ルールを推薦出力結果に適用して、出力の変換を
行う。

【００９３】例えば図１８（Ａ）のような出力変換ルー
ル９８が出力ルールデータベース２５に存在したとす
る。この出力変換ルール９８は、ＩＤが００１２２５の
テニスサークルは、推薦の結果から削除するという意味
である。この出力変換ルール９８の条件部１００は、図
１８（Ｂ）のように「テニスP｛（ID，００１２２
５）｝」である。そして、図１８（Ｃ）のように、出力
変換ルール９８の条件部１００にマッチする推薦結果１
０２が与えられた場合、図１８（Ｄ）の推薦結果１０４
のように、ＩＤが００１２２５となるテニスサークルを
削除して出力する。

【００９４】ここで、出力変換ルールの結論部には、削
除以外に、追加や置き換えといった処理を記述すること
も可能である。

【００９５】このような出力変換ルールを作成して、出
力変換ルールデータベース２５に格納することにより、
すでに存在しない推薦結果を削除したり、新しく発行さ
れたＩＤに置き換えたり、ＵＲＬなどの情報を推薦結果
に付与したりするなど、推薦結果の出力を制御すること
が可能となる。

【００９６】ステップＳ１７では、ステップＳ７で算出
した出力属性の各属性値に対する重要度の高い属性値を
推薦の理由となった属性値として選定し、対応する属性
とその属性値のペアとして推薦するプロファイルデータ
に付与する。

【００９７】図１９は本発明による推薦結果出力画面の
具体例である。図１９の推薦結果出力画面７８にあって
は、引越し前の情報８０を使用したテニスサークルの推
薦結果８２を表示している。また推薦結果８２にあって
は、観点別の出力をスコアの高い順に３つ出している。
また引越し前の情報８０や推薦結果８２中に表示されて
いる各テニスサークルは、出力変換ルールを用いてハイ
パーリンクの情報が付与されている。更に、入力変換ル
ールを用いてキャンペーン情報８４の出力も行われてい
る。

【００９８】図２０は、本発明による推薦結果出力画面
の他の具体例であり、幼稚園の推薦結果が出力された場
合である。図２０の推薦結果出力画面８６にあっては、
引越し前の情報８８を使用して推薦結果９０を出してお
り、この推薦結果９０には「ポイント」として推薦理由
が付与されている。

【００９９】更に、この推薦結果出力画面８６に設けて
いる「これも！」と表記されたボタン９２を操作する
と、図２１の「ｅｅｅ幼稚園」に基づく関連推薦の推薦
結果出力画面９４を表示することができる。この関連推
薦により、利用者が出力対象として指定していないよう
な関連する推薦結果９６を得ることができ、利用者に有
効な推薦結果を適切に提供することができる。

【０１００】なお、本発明における推薦データを決定す
るまでの過程で得られる検索された事例、属性値の重要
度、属性の自由度は、利用者の指定により必要に応じて
出力することができる。また本発明は対応する図面に関
連して説明されているが、本発明はこれらの実施形態に
限定されるものではなく、本発明の範囲または趣旨から
逸脱することのない様々な他の変形及び変更が可能であ
る。また本発明は上記の実施形態に示した数値による限
定は受けない。

【０１０１】（付記）（付記１）コンテンツ、サービス、ユーザなどを、属性
と属性値のペアの集合として特徴づけたプロファイルデ
ータとして格納したプロファイルデータベースと、複数
のプロファイルデータの間に発生した関係を、プロファ
イルデータの組として表現した事例として格納した事例
データベースを用いたプロファイル情報の推薦方法に於
いて、入力としてのプロファイルデータと、出力の対象
となるプロファイル属性を少なくとも指定して入力する
入力ステップと、入力として与えられたプロファイルデ
ータに類似した事例を、前記事例データベースから検索
する事例検索ステップと、出力の対象として指定された
属性の各属性値に対する重要度を、前記事例検索ステッ
プで検索された事例集合に対し特徴的な属性値に高い重
要度を与えるように算出する動的学習ステップと、前記
動的学習ステップで算出した出力指定された属性の各属
性値に対する重要度に基づいて、前記プロファイルデー
タベース中の各プロファイルデータのスコアを算出し、
スコアの高いプロファイルデータを推薦する推薦データ
決定ステップと、を備えたことを特徴とするプロファイ
ル情報の推薦方法。（１）

【０１０２】（付記２）付記１記載のプロファイル情報
の推薦方法に於いて、前記動的学習ステップは、出力指
定された属性の各属性値の重要度を、前記事例検索ステ
ップで検索した類似事例集合における属性値の出現確率
として算出することを特徴とするプロファイル情報の推
薦方法。（２）

【０１０３】（付記３）付記１記載のプロファイル情報
の推薦方法に於いて、前記動的学習ステップは、出力指
定された属性の各属性値の重要度を、前記事例データベ
ース中の出力指定された属性の事例集合における属性値
の出現確率と、前記事例検索ステップで検索された類似
事例集合における属性値の出現確率との残差として算出
することを特徴とするプロファイル情報の推薦方法。

【０１０４】（付記４）付記１記載のプロファイル情報
の推薦方法に於いて、前記動的学習ステップは、出力指
定された属性の各属性値の重要度を、前記事例検索ステ
ップで検索された類似事例集合における出力指定された
各属性の属性値の分布に関する前記事例データベース中
の事例集合における出力指定された属性の属性値の分布
の負のエントロピーにおける各属性値に対応する値とし
て算出することを特徴とするプロファイル情報の推薦方
法。

【０１０５】（付記５）付記１記載のプロファイル情報
の推薦方法に於いて、更に、前記推薦データ決定ステッ
プで推薦する各プロファイルデータに出現する属性値の
中から、前記動的学習ステップで算出した重要度の高い
属性値を、前記プロファイルデータを推薦する理由とな
る属性値として選択し、選択した前記属性値の情報を前
記プロファイルデータに付与して推薦する推薦理由付与
ステップを設けたことを特徴とするプロファイル情報の
推薦方法。（３）

【０１０６】（付記６）付記１記載のプロファイル情報
の推薦方法に於いて、更に、出力指定された各属性に対
して、前記事例検索ステップで検索した事例集合におけ
る最も自由度が高い属性を選択し、前記推薦データ決定
ステップで算出したスコアが高いプロファイルデータ
を、選択した当該属性の属性値毎に分けて推薦する観点
別推薦ステップを設けたことを特徴とするプロファイル
情報の推薦方法。（４）

【０１０７】（付記７）付記６記載のプロファイル情報
の推薦方法に於いて、前記観点別推薦ステップは、出力
指定された各属性に対して前記事例検索ステップで検索
した事例集合における前記属性の属性値の出現確率の分
散を算出し、前記分散が最小となる属性を、推薦におい
て最も自由度が高い属性として選択し、前記推薦データ
決定ステップで算出した前記スコアが高いプロファイル
データを、選択した前記属性の属性値毎に分けて推薦す
ることを特徴とするプロファイル情報の推薦方法。
（５）

【０１０８】（付記８）付記６記載のプロファイル情報
の推薦方法に於いて、前記観点別推薦ステップは、前記
事例データベース中の事例集合における出力指定された
各属性の属性値の出現確率と前記事例検索ステップで検
索した類似事例集合における前記属性の属性値の出現確
率との残差の二乗和を算出し、前記残差の二乗和が最小
となる属性を、推薦において最も自由度が高い属性とし
て選択し、前記推薦データ決定ステップで算出したスコ
アが高いプロファイルデータを、選択した前記属性の属
性値毎に分けて推薦することを特徴とするプロファイル
情報の推薦方法。

【０１０９】（付記９）付記６記載のプロファイル情報
の推薦方法に於いて、前記観点別推薦ステップは、出力
指定された各属性に対して前記事例検索ステップで検索
した類似事例集合における前記属性の属性値の分布に関
する事例データベース中の出力指定された属性の事例集
合における前記属性の属性値の分布のKullback-Leibler
情報量を算出し、前記Kullback-Leibler情報量が最小と
なる属性を推薦において最も自由度が高い属性として選
択し、前記推薦データ決定ステップで算出したスコアが
高いプロファイルデータを、選択した前記属性の属性値
毎に分けて推薦することを特徴とするプロファイル情報
の推薦方法。

【０１１０】（付記１０）付記１記載のプロファイル情
報の推薦方法に於いて、前記事例検索ステップは、入力
として与えられたプロファイルデータに類似した事例を
検索すると共に、前記類似事例中に出現する基底属性と
して指定された属性の属性値のリストを作成し、前記リ
ストに含まれる基底属性の属性値が出現する類似した事
例を前記事例データベースから再検索することを特徴と
するプロファイル情報の推薦方法。（６）

【０１１１】（付記１１）付記１記載のプロファイル情
報の推薦方法に於いて、更に、入力情報の変換を行うル
ールを格納する入力変換ルールベースの中のルールを適
用して入力情報を変換する入力変換ステップを設けたこ
とを特徴とするプロファイル情報の推薦方法。（７）

【０１１２】（付記１２）付記１記載のプロファイル情
報の推薦方法に於いて、更に、出力結果の変換を行うル
ールを格納する出力変換ルールベースの中のルールを適
用して出力結果を変換する出力変換ステップを設けたこ
とを特徴とするプロファイル情報の推薦方法。（８）

【０１１３】（付記１３）コンピュータに、入力として
の属性と属性値のペアの集合として特徴づけられたプロ
ファイルデータと、出力の対象となるプロファイル属性
を少なくとも指定して入力する入力ステップと、入力と
して与えられたプロファイルデータに類似した事例を、
複数のプロファイルデータの間に発生した関係をプロフ
ァイルデータの組として表現した事例として格納した事
例データベースから検索する事例検索ステップと、出力
の対象として指定された属性の各属性値に対する重要度
を、前記事例検索ステップで検索された事例集合に対し
特徴的な属性値に高い重要度を与えるように算出する動
的学習ステップと、前記動的学習ステップで算出した出
力指定された属性の各属性値に対する重要度に基づい
て、前記プロファイルデータベース中の属性と属性値の
ペアの集合として特徴づけた各プロファイルデータのス
コアを算出し、スコアの高いプロファイルデータを推薦
する推薦データ決定ステップと、を実行させることを特
徴とするプログラム。（９）

【０１１４】（付記１４）付記１３記載のプログラムに
於いて、前記動的学習ステップは、出力指定された属性
の各属性値の重要度を、前記事例検索ステップで検索し
た類似事例集合における属性値の出現確率として算出す
ることを特徴とするプログラム。

【０１１５】（付記１５）付記１３記載のプログラムに
於いて、前記動的学習ステップは、出力指定された属性
の各属性値の重要度を、前記事例データベース中の出力
指定された属性の事例集合における属性値の出現確率
と、前記事例検索ステップで検索された類似事例集合に
おける属性値の出現確率との残差として算出することを
特徴とするプログラム。

【０１１６】（付記１６）付記１３記載のプログラムに
於いて、前記動的学習ステップは、出力指定された属性
の各属性値の重要度を、前記事例検索ステップで検索さ
れた類似事例集合における出力指定された各属性の属性
値の分布に関する前記事例データベース中の事例集合に
おける出力指定された属性の属性値の分布の負のエント
ロピーにおける各属性値に対応する値として算出するこ
とを特徴とするプログラム。

【０１１７】（付記１７）付記１３記載のプログラムに
於いて、更に、前記推薦データ決定ステップで推薦する
各プロファイルデータに出現する属性値の中から、前記
動的学習ステップで算出した重要度の高い属性値を、前
記プロファイルデータを推薦する理由となる属性値とし
て選択し、選択した前記属性値の情報を前記プロファイ
ルデータに付与して推薦する推薦理由付与ステップを設
けたことを特徴とするプログラム。

【０１１８】（付記１８）付記１３記載のプログラムに
於いて、更に、出力指定された各属性に対して、前記事
例検索ステップで検索した事例集合における最も自由度
が高い属性を選択し、前記推薦データ決定ステップで算
出したスコアが高いプロファイルデータを、選択した当
該属性の属性値毎に分けて推薦する観点別推薦ステップ
を設けたことを特徴とするプログラム。

【０１１９】（付記１９）付記１８記載のプログラムに
於いて、前記観点別推薦ステップは、出力指定された各
属性に対して前記事例検索ステップで検索した事例集合
における前記属性の属性値の出現確率の分散を算出し、
前記分散が最小となる属性を、推薦において最も自由度
が高い属性として選択し、前記推薦データ決定ステップ
で算出した前記スコアが高いプロファイルデータを、選
択した前記属性の属性値毎に分けて推薦することを特徴
とするプログラム。

【０１２０】（付記２０）付記１８記載のプログラムに
於いて、前記観点別推薦ステップは、前記事例データベ
ース中の事例集合における出力指定された各属性の属性
値の出現確率と前記事例検索ステップで検索した類似事
例集合における前記属性の属性値の出現確率との残差の
二乗和を算出し、前記残差の二乗和が最小となる属性
を、推薦において最も自由度が高い属性として選択し、
前記推薦データ決定ステップで算出したスコアが高いプ
ロファイルデータを、選択した前記属性の属性値毎に分
けて推薦することを特徴とするプログラム。

【０１２１】（付記２１）付記１８記載のプログラムに
於いて、前記観点別推薦ステップは、出力指定された各
属性に対して前記事例検索ステップで検索した類似事例
集合における前記属性の属性値の分布に関する事例デー
タベース中の出力指定された属性の事例集合における前
記属性の属性値の分布のKullback-Leibler情報量を算出
し、前記Kullback-Leibler情報量が最小となる属性を推
薦において最も自由度が高い属性として選択し、前記推
薦データ決定ステップで算出したスコアが高いプロファ
イルデータを、選択した前記属性の属性値毎に分けて推
薦することを特徴とするプログラム。

【０１２２】（付記２２）付記１３記載のプログラムに
於いて、前記事例検索ステップは、入力として与えられ
たプロファイルデータに類似した事例を検索すると共
に、前記類似事例中に出現する基底属性として指定され
た属性の属性値のリストを作成し、前記リストに含まれ
る基底属性の属性値が出現する類似した事例を前記事例
データベースから再検索することを特徴とするプログラ
ム。

【０１２３】（付記２３）付記１３記載のプログラムに
於いて、更に、入力情報の変換を行うルールを格納する
入力変換ルールベースの中のルールを適用して入力情報
を変換する入力変換ステップを設けたことを特徴とする
プログラム。

【０１２４】（付記２４）付記１３記載のプログラムに
於いて、更に、出力結果の変換を行うルールを格納する
出力変換ルールベースの中のルールを適用して出力結果
を変換する出力変換ステップを設けたことを特徴とする
プログラム。

【０１２５】（付記２５）コンテンツ、サービス、ユー
ザなどを、属性と属性値のペアの集合として特徴づけた
プロファイルデータとして格納するプロファイルデータ
ベースと、複数のプロファイルデータの間に発生した関
係を、プロファイルデータの組として表現した事例とし
て格納する事例データベースと、入力として与えられた
プロファイルデータに類似した事例を、前記事例データ
ベースから検索する事例検索部と、出力の対象として指
定された属性の各属性値に対する重要度を、前記事例検
索部で検索された事例集合に対し特徴的な属性値に高い
重要度を与えるように算出する動的学習部と、前記動的
学習部で算出した出力指定された属性の各属性値に対す
る重要度に基づいて、前記プロファイルデータベース中
の各プロファイルデータのスコアを算出し、スコアの高
いプロファイルデータを推薦する推薦データ決定部と、
を備えたことを特徴とするプロファイル情報の推薦装
置。（１０）

【０１２６】（付記２６）付記２５記載のプロファイル
情報の推薦装置に於いて、前記動的学習部は、出力指定
された属性の各属性値の重要度を、前記事例検索部で検
索した類似事例集合における属性値の出現確率として算
出することを特徴とするプロファイル情報の推薦装置。

【０１２７】（付記２７）付記２５記載のプロファイル
情報の推薦装置に於いて、前記動的学習部は、出力指定
された属性の各属性値の重要度を、前記事例データベー
ス中の出力指定された属性の事例集合における属性値の
出現確率と、前記事例検索部で検索された類似事例集合
における属性値の出現確率との残差として算出すること
を特徴とするプロファイル情報の推薦装置。

【０１２８】（付記２８）付記２５記載のプロファイル
情報の推薦装置に於いて、前記動的学習部は、出力指定
された属性の各属性値の重要度を、前記事例検索部で検
索された類似事例集合における出力指定された各属性の
属性値の分布に関する前記事例データベース中の事例集
合における出力指定された属性の属性値の分布の負のエ
ントロピーにおける各属性値に対応する値として算出す
ることを特徴とするプロファイル情報の推薦装置。

【０１２９】（付記２９）付記２５記載のプロファイル
情報の推薦装置に於いて、更に、前記推薦データ決定部
で推薦する各プロファイルデータに出現する属性値の中
から、前記動的学習部で算出した重要度の高い属性値
を、前記プロファイルデータを推薦する理由となる属性
値として選択し、選択した前記属性値の情報を前記プロ
ファイルデータに付与して推薦する推薦理由付与部を設
けたことを特徴とするプロファイル情報の推薦装置。

【０１３０】（付記３０）付記２５記載のプロファイル
情報の推薦装置に於いて、更に、出力指定された各属性
に対して、前記事例検索部で検索した事例集合における
最も自由度が高い属性を選択し、前記推薦データ決定部
で算出したスコアが高いプロファイルデータを、選択し
た当該属性の属性値毎に分けて推薦する観点別推薦部を
設けたことを特徴とするプロファイル情報の推薦装置。

【０１３１】（付記３１）付記３０記載のプロファイル
情報の推薦装置に於いて、前記観点別推薦部は、出力指
定された各属性に対して前記事例検索部で検索した事例
集合における前記属性の属性値の出現確率の分散を算出
し、前記分散が最小となる属性を、推薦において最も自
由度が高い属性として選択し、前記推薦データ決定部で
算出した前記スコアが高いプロファイルデータを、選択
した前記属性の属性値毎に分けて推薦することを特徴と
するプロファイル情報の推薦装置。

【０１３２】（付記３２）付記３０記載のプロファイル
情報の推薦装置に於いて、前記観点別推薦部は、前記事
例データベース中の事例集合における出力指定された各
属性の属性値の出現確率と前記事例検索部で検索した類
似事例集合における前記属性の属性値の出現確率との残
差の二乗和を算出し、前記残差の二乗和が最小となる属
性を、推薦において最も自由度が高い属性として選択
し、前記推薦データ決定部で算出したスコアが高いプロ
ファイルデータを、選択した前記属性の属性値毎に分け
て推薦することを特徴とするプロファイル情報の推薦装
置。

【０１３３】（付記３３）付記３０記載のプロファイル
情報の推薦装置に於いて、前記観点別推薦部は、出力指
定された各属性に対して前記事例検索部で検索した類似
事例集合における前記属性の属性値の分布に関する事例
データベース中の出力指定された属性の事例集合におけ
る前記属性の属性値の分布のKullback-Leibler情報量を
算出し、前記Kullback-Leibler情報量が最小となる属性
を推薦において最も自由度が高い属性として選択し、前
記推薦データ決定部で算出したスコアが高いプロファイ
ルデータを、選択した前記属性の属性値毎に分けて推薦
することを特徴とするプロファイル情報の推薦装置。

【０１３４】（付記３４）付記２５記載のプロファイル
情報の推薦装置に於いて、前記事例検索部は、入力とし
て与えられたプロファイルデータに類似した事例を検索
すると共に、前記類似事例中に出現する基底属性として
指定された属性の属性値のリストを作成し、前記リスト
に含まれる基底属性の属性値が出現する類似した事例を
前記事例データベースから再検索することを特徴とする
プロファイル情報の推薦装置。

【０１３５】（付記３５）付記２５記載のプロファイル
情報の推薦装置に於いて、更に、入力情報の変換を行う
ルールを格納する入力変換ルールベースと、前記入力変
換ルールベース中のルールを適用して入力情報を変換す
る入力変換部と、を設けたことを特徴とするプロファイ
ル情報の推薦装置。

【０１３６】（付記３６）付記２５記載のプロファイル
情報の推薦装置に於いて、更に、出力結果の変換を行う
ルールを格納する出力変換ルールベースの中のルールを
適用して出力結果を変換する出力変換ステップを設けた
ことを特徴とするプロファイル情報の推薦装置。

【０１３７】

【発明の効果】以上説明してきたように本発明によれ
ば、入力プロファイルデータに類似した事例を検索し、
検索された事例を用いてプロファイル属性の重要度の動
的な学習に基づいた推薦を行うため、低い運用コストで
プロファイルデータや事例データの変化に適応してユー
ザに最適な推薦を行うことができる。

【０１３８】また、プロファイルデータベースに属する
プロファイルデータを対象に重要度を用いてスコアを算
出しているため、ユーザにとって有用であれば、新規の
プロファイルデータであってもこれを推薦することが可
能となる。

【０１３９】更に、推薦理由を提示したり、観点ごとに
推薦結果を分けて提示することで、推薦されたプロファ
イルデータが有用であるか否かの判断を利用者が容易に
行うことができる。

【図面の簡単な説明】

【図１】本発明の原理構成の説明図

【図２】本発明が適用される動作環境の説明図

【図３】本発明によるプロファイル推薦装置の機能構成
のブロック図

【図４】プロファイルデータベースに格納されるユーザ
を特徴づけたプロファイルデータの説明図

【図５】プロファイルデータベースに格納されるテニス
サークルを特徴づけたプロファイルデータの説明図

【図６】事例データベースに格納される事例データの説
明図

【図７】事例データベースに格納される圧縮された事例
データの説明図

【図８】プロファイルデータ間の関係を示す属性と属性
値を付与した事例データの説明図

【図９】ユーザの満足度を付与した事例データの説明図

【図１０】図３の機能構成による本発明の推薦処理のフ
ローチャート

【図１１】図１０に続く本発明の推薦処理のフローチャ
ート

【図１２】本発明の推薦処理を開始するための入力指定
の説明図

【図１３】図１０における入力変換ルールによる入力変
換の説明図

【図１４】図１０のステップＳ６における指定された基
底属性に基づく事例検索の詳細のフローチャート

【図１５】図１０の重要度算出に用いる出力指定された
事例集合と検索された類似事例集合の説明図

【図１６】図１５で使用する入力プロファイルデータと
指定された基底属性及び出力指定属性の説明図

【図１７】出現確率を算出する際の連続する属性値の離
散化方法の説明図

【図１８】図１１における出力変換ルールによる出力変
換の説明図

【図１９】本発明によるテニスサークルの推薦結果が出
力された出力画面の説明図

【図２０】本発明による幼稚園の推薦結果が出力された
出力画面の説明図

【図２１】図２０の出力画面の釦操作で表示された関連
推薦結果の出力画面の説明図

【符号の説明】

１０：プロファイル情報処理サーバ１２：インターネット１４−１，１４−２：ユーザ装置１６：入力変換ルールデータベース１８：プロファイルデータベース２０：事例データベース２２：ＣＰＵ２４：メモリ２６：キャッシュ２８：入力部３０：入力変換部３２：事例検索部３４：動的学習部３６：推薦データ決定部３８：観点別推薦部４０：推薦理由付与部４２：出力部４４，４６，６８：プロファイルデータ４８，５０，５２，５６：事例データ７２：入力プロファイルデータ７４：事例集合７６：類似事例集合７８，８６，９４：推薦結果出力画面

───────────────────────────────────────────────────── フロントページの続き (72)発明者佐藤陽神奈川県川崎市中原区上小田中４丁目１番１号富士通株式会社内 (72)発明者安藤剛寿神奈川県川崎市中原区上小田中４丁目１番１号富士通株式会社内 (72)発明者尾崎暢神奈川県川崎市中原区上小田中４丁目１番１号富士通株式会社内Ｆターム(参考） 5B075 ND34 NK02 NK06 NK46 NR05 NR12 PP22 PQ46 PQ75 PR08 QM08

Claims

【特許請求の範囲】

【請求項１】コンテンツ、サービス、ユーザなどを、属
性と属性値のペアの集合として特徴づけたプロファイル
データとして格納したプロファイルデータベースと、複
数のプロファイルデータの間に発生した関係を、プロフ
ァイルデータの組として表現した事例として格納した事
例データベースを用いたプロファイル情報の推薦方法に
於いて、入力としてのプロファイルデータと、出力の対象となる
プロファイル属性を少なくとも指定して入力する入力ス
テップと、入力として与えられたプロファイルデータに類似した事
例を、前記事例データベースから検索する事例検索ステ
ップと、出力の対象として指定された属性の各属性値に対する重
要度を、前記事例検索ステップで検索された事例集合に
対し特徴的な属性値に高い重要度を与えるように算出す
る動的学習ステップと、前記動的学習ステップで算出した出力指定された属性の
各属性値に対する重要度に基づいて、前記プロファイル
データベース中の各プロファイルデータのスコアを算出
し、スコアの高いプロファイルデータを推薦する推薦デ
ータ決定ステップと、を備えたことを特徴とするプロフ
ァイル情報の推薦方法。
【請求項２】請求項１記載のプロファイル情報の推薦方
法に於いて、前記動的学習ステップは、出力指定された
属性の各属性値の重要度を、前記事例検索ステップで検
索した類似事例集合における属性値の出現確率として算
出することを特徴とするプロファイル情報の推薦方法。
【請求項３】請求項１記載のプロファイル情報の推薦方
法に於いて、更に、前記推薦データ決定ステップで推薦
する各プロファイルデータに出現する属性値の中から、
前記動的学習ステップで算出した重要度の高い属性値
を、前記プロファイルデータを推薦する理由となる属性
値として選択し、選択した前記属性値の情報を前記プロ
ファイルデータに付与して推薦する推薦理由付与ステッ
プを設けたことを特徴とするプロファイル情報の推薦方
法。
【請求項４】請求項１記載のプロファイル情報の推薦方
法に於いて、更に、出力指定された各属性に対して、前
記事例検索ステップで検索した事例集合における最も自
由度が高い属性を選択し、前記推薦データ決定ステップ
で算出したスコアが高いプロファイルデータを、選択し
た当該属性の属性値毎に分けて推薦する観点別推薦ステ
ップを設けたことを特徴とするプロファイル情報の推薦
方法。
【請求項５】請求項４記載のプロファイル情報の推薦方
法に於いて、前記観点別推薦ステップは、出力指定され
た各属性に対して前記事例検索ステップで検索した事例
集合における前記属性の属性値の出現確率の分散を算出
し、前記分散が最小となる属性を、推薦において最も自
由度が高い属性として選択し、前記推薦データ決定ステ
ップで算出した前記スコアが高いプロファイルデータ
を、選択した前記属性の属性値毎に分けて推薦すること
を特徴とするプロファイル情報の推薦方法。
【請求項６】請求項１記載のプロファイル情報の推薦方
法に於いて、前記事例検索ステップは、入力として与え
られたプロファイルデータに類似した事例を検索すると
共に、前記類似事例中に出現する基底属性として指定さ
れた属性の属性値のリストを作成し、前記リストに含ま
れる基底属性の属性値が出現する類似した事例を前記事
例データベースから再検索することを特徴とするプロフ
ァイル情報の推薦方法。
【請求項７】請求項１記載のプロファイル情報の推薦方
法に於いて、更に、入力情報の変換を行うルールを格納
する入力変換ルールベースの中のルールを適用して入力
情報を変換する入力変換ステップを設けたことを特徴と
するプロファイル情報の推薦方法。
【請求項８】請求項１記載のプロファイル情報の推薦方
法に於いて、更に、出力結果の変換を行うルールを格納
する出力変換ルールベースの中のルールを適用して出力
結果を変換する出力変換ステップを設けたことを特徴と
するプロファイル情報の推薦方法。
【請求項９】コンピュータに、入力としての属性と属性値のペアの集合として特徴づけ
られたプロファイルデータと、出力の対象となるプロフ
ァイル属性を少なくとも指定して入力する入力ステップ
と、入力として与えられたプロファイルデータに類似した事
例を、複数のプロファイルデータの間に発生した関係を
プロファイルデータの組として表現した事例として格納
した事例データベースから検索する事例検索ステップ
と、出力の対象として指定された属性の各属性値に対する重
要度を、前記事例検索ステップで検索された事例集合に
対し特徴的な属性値に高い重要度を与えるように算出す
る動的学習ステップと、前記動的学習ステップで算出した出力指定された属性の
各属性値に対する重要度に基づいて、前記プロファイル
データベース中の属性と属性値のペアの集合として特徴
づけた各プロファイルデータのスコアを算出し、スコア
の高いプロファイルデータを推薦する推薦データ決定ス
テップと、を実行させることを特徴とするプログラム。
【請求項１０】コンテンツ、サービス、ユーザなどを、
属性と属性値のペアの集合として特徴づけたプロファイ
ルデータとして格納するプロファイルデータベースと、
複数のプロファイルデータの間に発生した関係を、プロ
ファイルデータの組として表現した事例として格納する
事例データベースと、入力として与えられたプロファイルデータに類似した事
例を、前記事例データベースから検索する事例検索部
と、出力の対象として指定された属性の各属性値に対する重
要度を、前記事例検索部で検索された事例集合に対し特
徴的な属性値に高い重要度を与えるように算出する動的
学習部と、前記動的学習部で算出した出力指定された属性の各属性
値に対する重要度に基づいて、前記プロファイルデータ
ベース中の各プロファイルデータのスコアを算出し、ス
コアの高いプロファイルデータを推薦する推薦データ決
定部と、を備えたことを特徴とするプロファイル情報の
推薦装置。