JP2004227354A - 情報推薦装置、情報推薦方法、プログラム及び記録媒体 - Google Patents

Abstract

【課題】協調フィルタリングを用いる情報推薦装置において、ユーザの評価から予測される影響度をユーザに指示して、ユーザの評価に対する動機づけを増加させる。
【解決手段】評価入力部１１０はユーザが行った評価情報を読み出し、推薦部１２０と影響度計算部１３０へ送る。推薦部１２０は、定期的にユーザへ文献情報を推薦するが、評価情報を受け取ると、ユーザプロファイルの情報選択基準を更新するとともに、更新前と後のユーザプロファイルと推薦文献リスト等を影響度計算部１３０へ送る。影響度計算部１３０では、更新前と後のユーザプロファイルの差分および推薦文献リストの差分を計算し、与えられた当該評価情報の影響度をユーザに対して表示する。また、他者の評価情報についても、同様に、その評価がユーザに対する文献推薦に与えた影響度を計算して表示する。
【選択図】 図２

Description

【０００１】
【発明の属する技術分野】
本発明は、文献情報推薦システムなどにおける推薦情報選択方式である協調フィルタリング技術の中の評価情報流通に関する。
【０００２】
【従来の技術】
文献情報推薦システムでは、特定のユーザに対して、当該ユーザの情報要求に合致していると予想される文献を推薦する。このような文献情報推薦システムにおいて、ユーザが文献に対して付与した主観評価を利用し、文献に対して付与された評価の累積やユーザ間の評価の類似度を基準に文献を選択する手法として、協調フィルタリング技術が知られている。
【０００３】
協調フィルタリングによる文献情報推薦は以下のように行なわれる。各ユーザの文献情報推薦装置は、文献情報および情報選択基準となるユーザプロファイルを保持する。情報推薦は、定期的に、およびユーザからの要求にしたがって、保存された文献情報を情報選択基準に沿ってユーザに対して文献を順位づけて表示することによって行なわれる。
【０００４】
古典的協調フィルタリング全般に関しては、福原のレビューが詳しい（例えば、非特許文献１参照）。また、代表的な論文として Ｓｈａｒｄｎａｎｄ ＆ Ｍａｅｓ によるものがある（例えば、非特許文献２参照）。さらに、協調フィルタリングモデルについては、船越と大黒の論文がある（例えば、非特許文献３、非特許文献４参照）。
【０００５】
協調フィルタリングにおいて、ユーザプロファイルには他のユーザの評価に対する信頼度が保存されている。信頼度は主に当該ユーザとの間の評価情報の類似度を用いて計算され、各ユーザに対する信頼度のベクトル、あるいは各ユーザと文献の属する分野に対する信頼度の行列によって表現される。ユーザからの文献に対する主観的評価情報を読みだすと、他ユーザとの評価の類似度を計算して情報選択基準が更新される。
【０００６】
この方法により、協調フィルタリングにおいては、ユーザが行なった評価情報を複数のユーザで共有し、この評価情報を活用して「質の高い」文献を入手することが可能となっていた。
【０００７】
【非特許文献１】
福原知宏 協調フィルタリングに関する研究動向
ｂｔｔｐ：／／ｄｂ−ｗｗｗ．ａｉｓｔ−ｎａｒａ．ａｃ．ｊｐ／￣ｔｏｍｏｈｉ−ｆ／Ｄｏｃｓ／ｃｏｆｉｌ．ｐｄｆ
【非特許文献２】
Ｕ．Ｓｈａｒｄｎａｎｄ ａｎｄ Ｐ．Ｍａｅｓ．Ｓｏｃｉａｌ ｉｎｆｏｒｍａｔｉｏｎ ｆｉｌｔｅｒｉｎｇ：ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ａｕｔｏｍａｔ−ｉｎｇ“ｗｏｒｄ ｏｆ ｍｏｕｔｈ”．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＣＨＩ’９５，ｐｐ．２１０−２１７
【非特許文献３】
船越要、大黒毅 精度指向のハイブリッド情報フィルタリングの提案。
【０００８】
信学技報，ＡＩ９９−４０．
【非特許文献４】
Ｋ．Ｆｕｎａｋｏｓｈｉ ａｎｄ Ｔ．Ｏｈｇｕｒｏ．Ｅｖａｌｕａｔｉｏｎ ｏｆ ｉｎｔｅｇｒａｔｅｄ ｃｏｎｔｅｎｔ−ｂａｓｅｄ ｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇ．ＳＩＧＩＲ ２００１ Ｗｏｒｋｓｈｏｐ ｏｎ Ｒｅｃｏｍｍｅｎｄｅｒ Ｓｙｓｔｅｍｓ
【０００９】
【発明が解決しようとする課題】
協調フィルタリングにおいては評価情報の収集が課題となる。評価情報は、ユーザが自分で文献を判断して明示的にシステムに投入する明示的方法と、システムがユーザ活動を監視し、ユーザの行動から文献に対する評価を予測して利用する黙示的方法が存在する。
【００１０】
黙示的方法では、ユーザの活動を監視するだけであるため、多くの評価情報を入手することが可能になるが、明確に評価を行なっているわけではないため、評価情報の精度は高くない。
また、明示的方法はユーザが明確な意思をもって評価を行なうため、高い精度で評価情報を入手することが可能であるが、ユーザが評価に対して強く動機づけされていなければ評価を入手することが難しい。評価情報が多く蓄積されるほど文献情報推薦の性能は向上するが、性能向上の速度は決して早くはなく、ユーザの評価に対する強い動機づけを維持する必要がある。
【００１１】
本発明は、協調フィルタリング利用の文献情報推薦システム、その他の情報推薦システムにおいて、ユーザの評価に対する動機づけを増加させるために、ユーザの行なった評価の効果を比較的短い時間のうちにユーザに表示することを目的としている。
【００１２】
【課題を解決するための手段】
本発明は、協調フィルタリングを用いる情報推薦装置において、ユーザの評価情報を利用して情報推薦基準を更新する手段と、ユーザによる評価対象情報に対する評価情報を読み出す手段と、当該評価情報の影響度（評価影響度）を計算し、ユーザに対して出力する手段を有することを特徴とする。
また、本発明の情報推薦装置においては、読み出した当該ユーザによる評価対象情報に対する評価情報を他者の情報推薦装置に送信し、送信先ユーザに対する評価の影響度を結果として受信する手段を有し、当該結果を評価影響度として出力することを特徴とする。
また、本発明の情報推薦装置においては、影響度を保存し、累積された値を定期的に出力する手段を有することを特徴とする。
【００１３】
本発明は、協調フィルタリングを用いる情報推薦方法において、ユーザの評価情報を利用して情報推薦基準を更新するステップと、ユーザによる評価対象情報に対する評価情報を読み出すステップと、当該評価情報の影響度を計算し、ユーザに対して出力するステップとを有することを特徴とする。
また、本発明の情報推薦方法においては、読み出した評価情報がユーザに対する情報推薦に与えた影響度を計算して出力することを特徴とする。
また、本発明の情報推薦方法においては、他者の評価情報を読みだし、その評価がユーザに対する情報推薦に与えた影響度を計算して出力することを特徴とする。
また、本発明の情報推薦方法においては、当該評価情報を読み出す以前と読み出した以降でユーザに対する情報推薦内容が変化した場合、その差分を評価影響度として出力することを特徴とする。
また、本発明の情報推薦方法においては、当該評価情報を用いてユーザに対する情報選択基準を更新したときの情報選択基準の差分を評価影響度として出力することを特徴とする。
また、本発明の情報推薦方法においては、影響度を保存し、累積された値を定期的に出力することを特徴とする。また、累積する評価影響度が単位時間中に他のユーザから与えられた類似評価の個数であるとする。
【００１４】
本発明により、ユーザは自分が行なった評価がどの程度自分や他人の役に立ったかが短時間で分かるため、協調フィルタリング利用において高い動機づけを碓持することが可能となる。
【００１５】
【発明の実施の形態】
図１に本発明の実施の形態のシステム全体図を示す。図１において、１００は本発明に係る情報推薦装置の一実施例としての文献情報推薦装置、２００はインターネット、イントラネット、ＲＡＮ等のネットワークである。文献情報推薦装置１００は各ユーザ（ここでは１〜Ｎ）ごとに存在し、それぞれネットワーク２００により接続されている。通常、文献情報推薦装置１００は、特定のユーザに対して、当該ユーザの情報要求に合致していると予想される文献を推薦する。これには協調フィルタリング方式を採用し、ユーザが文献に対して付与した主観評価を利用し、文献に対して付与された評価の累積やユーザ間の評価の類似度を基準として文献を選択する。
【００１６】
本発明では、この文献情報推薦装置１００に、ユーザによる文献（評価対象情報）に対する評価情報を読み出し、評価情報の影響度（評価影響度）を計算し、ユーザに対して出力する機能をもたせる。評価情報は、ユーザが特定の文献に対して行った主観評価をデータ化したもので、ここではユーザＩＤ、文献ＩＤ、評価値、評価時刻の４つ組によって表現するものである。評価情報の影響度（評価影響力）は、協調フィルタリングにおいて、ユーザが行った評価がどれだけの影響力をもっているのかを示す指標である。これは、数値的に表現する，グラフや絵を用いて視覚的に表現する、文章として表現する、等が考えられる。
【００１７】
図２に、ユーザｉに対する文献情報推薦装置の全体構成図を示す。情報推薦装置としての文献情報推薦装置１００は、評価入力部１１０、推薦部１２０、影響度計算部１３０、データベース部１４０、および表示部１５０によって構成される。データベース部１４０では、推薦部１２０及び影響度計算部１３０によって使用される各種データをそれぞれのデータベースに保存している。ここでは、図１に示すように、他のユーザの情報を保存するユーザデータベース１４１、推薦される候補となる文献情報を蓄積する文献データベース１４２、および、すべてのユーザによって付与された評価情報を文献毎に蓄積する評価データベース１４３が使用される。
【００１８】
評価入力部１１０は、当該ユーザによって行なわれた評価情報を読み出し、推薦部１２０および影響度計算部１３０へ送る。また、他ユーザの文献情報推薦装置からの評価情報の通信を受信し、同様に推薦部１２０および影響度計算部１３０へ送る。
【００１９】
推薦部１２０は、文献情報推薦装置１００の主たる役割を果たす部分であり、文献情報と評価情報を収集し、例えば、定期的にユーザへ文献情報を推薦する。また、ユーザプロファイルと推薦文献リストを影響度計算部１３０へ送る。図３に示すように、推薦部１２０は、情報選択基準を収納するユーザプロファイル１２１、ユーザプロファイル１２１の情報選択基準を更新するフィードバック部１２２、情報選択基準および評価情報をもとに文献データベース１４２から適切な文献を選択するマッチング部１２３、およびユーザに対して文献情報を推薦する推薦表示部１２４から構成される。情報選択基準は、協調フィルタリングにおいて、他者の評価情報をどれだけ考慮して文献情報を選択するかを各ユーザ毎に保存したもので、ユーザの他者の評価情報とどの程度類似しているかなどによって計算される。情報選択基準は、それ自体、ユーザプロファイルとも呼ばれるので、ここでは両者を区別しないことにする。情報選択基準は、評価入力部１１０が評価情報を読み出す毎に更新される場合と、定期的に更新される場合がある。
【００２０】
影響度計算部１３０は、評価入力部１１０で、得られた評価情報の影響度（影響力）を計算する部分である。図４に示すように、影響度計算部１３０は、内部計算部１３１、評価影響度通信部１３２、評価影響度保存部１３３および計算結果編集部１３４から構成される。以下に各構成部の詳細を述べる。
【００２１】
内部計算部１３１は、与えられた評価情報の影響度（評価影響度）を、推薦部１２０のフィードバック部１２２、マッチング部１２３と協働して計算する。計算結果は、自ユーザの評価情報を扱う場合は計算結果編集部１３４へ、他ユーザの評価情報を扱う場合は評価影響度通信部１３２へそれぞれ送られる。ここで、影響度の計算方法は以下の通りであり、計算方法に対してそれぞれ計算モジュールが構成される。
【００２２】
（ｉ）フィードバック部１２２において、情報選択基準（ユーザプロファイル）が当該評価情報を適用する前と適用した後で変化した差分を影響度として出力。
（ｉｉ）マッチング部１２３において、文献情報推薦における文献選択が当該評価情報が得られる前と得られた後で変化した差分を影響度として出力。
（ｉｉｉ）当該評価の対象となっている文献に対して、他のユーザからの評価情報が極めて少なかった場合、先駆的評価情報として高い影響力を持つと見なし影響度として出力。
（ｉｖ）他ユーザの評価情報を蓄積し、その後自ユーザが同一文献に対して評価を行なった場合に、過去に行なわれた類似評価を高影響度として出力。
（ｖ）評価情報を蓄積し、自ユーザの行なった評価と類似の評価を行なった他ユーザの数を累積し、頻繁に出力。これは厳密には評価影響度ではないが、自分と似た評価を行なう他者がどれだけいるかがすぐに分かることで、ユーザの評価に対する動機づけとするために使用する。
【００２３】
評価影響度通信部１３２は、他ユーザの文献情報推薦装置の評価影響度通信部と通信して、自ユーザの評価情報の他ユーザへの文献情報推薦に対しての評価影響度の計算結果を受信し、計算結果編集部１３４へ送る。また、評価影響度通信部１３２は、評価情報が他ユーザのものであった場合は、内部計算部１３１での計算結果を当該ユーザの文献情報推薦装置の評価影響度通信部へ送信する。
【００２４】
評価影響度保存部１３３は、内部計算部１３１の各計算モジュールおよび評価影響度通信部１３２からの計算結果（評価影響度）をそれぞれ蓄積する。そして、評価結果編集部１３４からの読み出しリクエストに対して、累積された評価影響度の値の前回のリクエストからの差分を所定期間分の評価影響度の累積値として出力する。
【００２５】
計算結果編集部１３４は、内部計算部１３１の各計算モジュールおよび評価影響度通信部１３２からの計算結果（評価影響度）を、ユーザに対して適切に編集し、随時、表示部１５０へ送る。また、一定時間ごとに、過去に行なわれた評価の影響度の累積を自ユーザに対する評価影響度と他ユーザに対する評価影響度とをそれぞれ評価影響度保存部１３３から読み出し、ユーザに対して適切に編集し、表示部１５０へ送る。
【００２６】
表示部１５０は、推薦部１２０から送られた文献情報推薦リストをユーザに適した形式に整形して表示する。また、影響度計算部１３０から送られた評価影響度を、同様にユーザに適した形式に整形して表示する。
【００２７】
以下に、協調フィルタリングを用いる情報推薦システムに本発明を通用する場合の実施例について図１乃至図４の動作を説明する。協調フィルタリングシステムは、人間が文献に対して行なった評価を利用して情報を選択するシステムである。したがって、協調フィルタリングを利用した情報推薦システムは、利用者、文献、評価、推薦度計算、他者の評価値に対する信頼度計算によって定義される。協調フィルタリングシステムにおいては、各利用者に対して、評価値と、その評価を行なった者（評価者）の評価に対する信頼度に応じて文献の推薦度が計算され、文献は計算された推薦度に応じて順位づけられてユーザに推薦される。
【００２８】
〈ユーザプロファイル〉
各利用者に対して、各評価者に対する信頼度がユーザプロファイル１２１として文献情報推薦装置１００の推薦部１２０内に保持される。例えば、４人の利用者によって構成される協調フィルタリングシステムについて考える。各利用者を、「ユーザ１」「ユーザ２」「ユーザ３」「ユーザ４」とする。協調フィルタリングシステムの各利用者のユーザプロファイルは、他のユーザの評価の信頼度を要素とするベクトルで表現される。例えば、ユーザ１のユーザプロファイルを以下のように記述することができる。
【００２９】
【数１】

この場合、ユーザ１は、他のユーザ２，３，４が行なう評価に対して、それぞれ１．０，０．０，２．０の信頼度を保持していることになる。自分の評価に対する信頼度は、計算では使用されないため無視できるが、ここでは０としてある。
【００３０】
ユーザプロファイルの値は、ユーザ自身が評価を行なうことによって、すでにその文献を評価していた他のユーザの評価値との関係によって更新される。例えば、評価を「よい」、「ふつう」または「未評価」、および「わるい」の意味に従って｛１，０，−１｝の３値によって下す協調フィルタリングシステムにおいて、文献ｄ_ｈに対して既にユーザ２が１（「よい」）、ユーザ１とユーザ４が０（「ふつう」または「未評価」）、ユーザ３がー１（「わるい」）の評価を下していたとする。このとき、文献には以下のように評価ペクトルが付与されることになる。
ｅｖａｌ_ｈ＝（０ １ −１ ０） （２）
ここでは簡単化のために評価値を３値としたが、実際には複数の値や、連続値による評価を用いることができる。
【００３１】
〈推薦度計算と情報の推薦〉
ここでは、文献ｄ_ｈが以下の式によって推薦度計算されるとする。
ｒｅｃｏｍｍ_ｈ１＝Ｐ_１・ｅｖａｌ_ｈ （３）
このとき、実際の推薦度は以下のようになる。
【数２】

【００３２】
情報推薦装置１００においては、通常、推薦部１２０のマッチング部１２３が、ユーザプロファイル１２１と評価データベース１４３をもとに、文献データベース１４２の各文献に対して推薦度を定期的に計算し、推薦表示部１２４、表示部１５０により、高い推薦度をもつ文献が順位づけられて推薦文献リストとしてユーザに対して表示される。図７に推薦文献リストの一例を示す。この例では、文献ｄ３がユーザに対して最も高い推薦度を持つ。実際にユーザに提示される際には、文献のタイトルや内容も含まれる。
【００３３】
〈ユーザプロファイルの更新〉
いま、ユーザ１が文献ｄ_ｈに対してｅ_ｈ１＝１の評価を下したとする。この場合、ユーザ１のプロファイルは、例えば以下の式によって更新される。なお、Ｔは転置ベクトルの意味である。
【００３４】
【数３】

ここで、例えばδ＝０．１とすると、ユーザプロファイルは以下のように更新される。
【００３５】
【数４】

【００３６】
文献情報推薦装置１００においては、推薦部１２０のフィードバック部１２２が、評価入力部１１０から評価情報が入力されると、ユーザプロファイル１２１と評価データベース１４３を参照し、ユーザプロファイル１２１を更新する。
【００３７】
なお、本実施例において、式（４）によってユーザプロファイルを更新する場合、ユーザプロファイルの変化は、当該評価者が評価を行うまでに既に当該文献に対して行われた「よい」あるいは「悪い」の評価の数に比例するが、これは評価値を｛１，０，−１｝の３値で行ったためであり、より多値による評価を行った場合は行われた評価の数に比例することはない。
【００３８】
〈評価影響度力計算〉
以上のような情報推薦装置１００を前提して評価影響度計算時の動作を以下に説明する。以下では、時刻ＴにユーザＡが文献ｄ_ｈに対してｅ_ｈＡ∈｛−１，０，１｝の評価を下した場合について述べる。評価影響度は、評価を行ったユーザ（自ユーザ）に対する影響度と他のユーザ（他ユーザ）に対する影響度があり、それぞれ以下のような情報が計算される。
【００３９】
（１） 評価者自身に対する影響度
このときの評価者自身のユーザプロファイルの変化は、単純にはユーザプロファイルの差分を求めることで計測できる。つまり、評価を行う前と後でユーザプロファイルがどれだけ変化したかを計算する。より大きくユーザプロファイルが変更された場合、「ユーザプロファイルが大きく成長した」と判断できる。また、推薦文献リストの変化は、推薦文献リストの変化評価を行う前の段階での推薦文献リストを保存し、評価を行った直後に再度推薦文献リストを計算し、差分を計算する。ユーザが評価を行った時点で推薦度は再計算されて新たな推薦リストをユーザに表示することになる。
【００４０】
評価者自身に対する影響度計算時、ユーザＡの文献情報推薦装置Ｒ_Ａ（文献情報推薦装置１００）は以下のように動作する。
１．ユーザＡの文献情報推薦装置ＲＡとして文献情報推薦装置１００の評価入力部１１０は、ユーザの評価を評価情報
ＥＶ_ｈＡ＝（Ａ，ｄ_ｈ，ｅ_ｈＡ，Ｔ）
として読み出す。評価情報ＥＶ_ｈＡは推薦部１２０と影響度計算部１３０に送られる。
【００４１】
２．まず、推薦部１２０において、マッチング部１２３にて、この評価が存在しなかった場合の文献情報選択結果が式（３）によって計算され、ユーザプロファイルと推薦文献リストが影響度計算部１３０へ送られる。
３．次に、推薦部１２０において、フィードバック部１２２にて、この評価を考慮すべくユーザプロファイル１２１が式（４）によって更新され、新しいユーザプロファイルが影響度計算部１３０へ送られる。また、マッチング部１２３において、この評価を考慮しての文献情報選択が式（３）によって行なわれ、推薦文献リストがユーザへ提供されると共に影響度計算部１３０へ送られる。
【００４２】
図５に推薦部１２０の処理フロー図を示す。図５において、ステップＳ１２がフィードバック部１２２の処理、ステップＳ１３、Ｓ１４がマッチング部１２３の処理である。推薦部１２０では、ステップＳ１２〜Ｓ１５を２回繰り返して実行するが、１回目（ユーザの評価を考慮しない場合）ではステップＳ１２はスキップすることになる。
【００４３】
４．影響度計算部１３０では、内部計算部１３１において、推薦部１２０から送られた評価を考慮しない場合（フィードバック前）と考慮した場合（フィードバック後）のユーザプロファイルと推薦文献リストをもとに、フィードバックを行う前と行った後のユーザプロファイルの差分および推薦文献リストの差分が計算され、結果が計算結果編集部１３４へ送られる。計算結果編集部１３４では、内部計算部１３１から送られた計算結果を評価影響度保存部１３３に保存するとともに、ユーザに対して適切に編集し、表示部１５０に送って表示する。
【００４４】
ここでユーザプロファイルおよび推薦文献リストは本実施例ではベクトルで表現されているため、ベクトル間の距離を、二つのベクトルのなす角の余弦を用いて
【数５】

によって算出する。ここで、ユーザプロファイルの差分計算においてはｖ，ｗはそれぞれフィードバック前のユーザプロファイルおよびフィードバック後のユーザプロファイルを表し、推薦文献リストの差分計算においては、ｖ，ｗはそれぞれフィードバック前の推薦文献リストおよびフィードバック彼の推薦文献リストを表す。
【００４５】
図６に影響度計算部１３０の処理フロー図を示す。図６において、ステップＳ２３が内部計算部１３１の処理、ステップＳ２６が計算結果編集部１３４の処理である。評価者自身に対する影響度計算では、ステップ２４、２５は無視する。
【００４６】
（２） 他ユーザに対する影響力
評価者が評価を行なった際、その評価情報を他のユーザの情報推薦装置へ送付し、送付されたユーザに対する影響力を計算する。評価者から評価情報を送付されたユーザの情報推薦装置において、まず当該評価情報がなかった場合の推薦文献リストを計算し、次に当該評価情報がある場合の推薦文献リストを計算し、その差分を計算し、結果を評価者の情報推薦装置に通知する。通知を受けた評価者の情報推薦装置は、評価者は自らの評価が他のユーザに対して与えた影響力を累横して評価者に表示する。
【００４７】
いま、ユーザＡが、文献ｄ_ｈに対して、時刻Ｔに評価ｅ_ｈＡを明示的に行なったとき、ユーザＡのユーザデータベースにユーザＢが含まれている場合、情報推薦装置Ｒ_Ａとしての文献情報推薦装置１００では、影響度計算部１３０における評価影響度通信部１３２が、ユーザＢの情報推薦装置Ｒ_Ｂへ評価情報
ＥＶ_ｈＡ＝（Ａ，ｄ_ｈ，ｅ_ｈＡ，Ｔ）
を送信する（図６のＳ２１）。
【００４８】
このときのユーザＢの情報推薦装置Ｒ_Ｂの動作は、先の評価入力部１１０がＥＶ_ｈＡを読み出したあとは、評価者自身の評価影響度計算の場合とほぼ同様に動作する。即ち、
１．評価入力部がＥＶ_ｈＡを読み出し、推薦部と影響度計算部へ送る。
２．推薦部のマッチング部において、式（３）によって各文献の推薦度が計算され、推薦文献リストが影響度計算部へ送られる。
３．推薦部のフィードバック部において、この評価を考慮すべくユーザプロファイルが更新され、マッチング部においてこの評価を考慮しての文献情報選択が行なわれ、推薦文献リストがユーザへ提供されると共に影響度計算部へ送られる。
４．影響度計算部の内部計算部において、推薦文献リストの差分を計算し、評価影響力通信部へ送られる。
５．計算部の評価影響力通信部において、得られた計算結果をユーザＡの情報推薦装置Ｒ_Ａとしての文献情報推薦装置１００へ送信する。
以上が図６の処理フローにおけ「他情報推薦装置の処理」の概要である。
【００４９】
ユーザＡの情報推薦装置ＲＡである文献情報推薦装置１００においては、他のユーザから得られた計算結果を評価影響通信部１３２が受信し、計算結果編集部１３４に送る（図６のＳ２５）。計算結果編集部１３４は、先の評価者自身の計算結果と他のユーザからの計算結果を加算し、得られた和を「他ユーザの情報推薦リストに対する影響度」としてユーザに提示する（図６のＳ２６、Ｓ２８）。
【００５０】
次に、他ユーザが後に行った評価値との関係について説明する。特定の文献を多くのユーザが評価する場合、より早く行われたユーザの評価の影響度を高く判断し、より早く評価を行ったユーザを「先駆的評価者」として高い影響度を持つとして表示する。また、ユーザと同意見をもつユーザの数を表示することによってユーザの評価値がどの程度広く受け入れられる評価であるかを示す。自ユーザが行った評価を保存し、それ以降に同様の評価が他ユーザから与えられた場合に数を記録し、定期的にどれだけの数のユーザが同様の評価を行ったかを表示する。
【００５１】
以下にこのときの文献情報推薦装置１００の動作を説明する。ユーザＡが行なった評価の他ユーザに対する影響度は、影響度計算部１３０の評価影響度保存部１３３に蓄積される（図６のＳ２７）。蓄積内容は、対象ユーザＩＤ、評価影響度、時刻の３つ組であり、たとえばユーザＢから得られたｎ番目の評価影響度Ｆ_ＡＢｎが時刻Ｔ_ｎに得られた場合、以下の形式で保存される。
ＥＦＦＥＣＴ_Ｂｎ＝（Ｂ，Ｆ_ＡＢｎ，Ｔ_ｎ）
【００５２】
計算結果編集部１３４は定期的に評価影響度保存部１３３から累積された評価影響度を読み出す。
１．評価影響度は、種類に応じて数値化されて保存される。たとえばユーザＡが評価を行なった後にユーザＢも同様の評価を行なった場合、ユーザＡが評価をおこなったことによってユーザＢがその文献をみることができたとみなして高得点を付与する。
２．時刻Ｔ_２に計算結果編集部１３４が評価影響度保存部１３３に対して読み出しリクエストを流す。前回のリクエストがＴ_１に行なわれた場合、Ｔ_１以降Ｔ_２以前に得られた評価影響力保存部１３３中の他ユーザに対する全ての評価影響度の和が返される。
３．計算結果集編部１３４は、表示部１５０に、他ユーザに対する評価影響度の累積を数値としてユーザに表示する。
【００５３】
以上、本発明の一実施形態について説明したが、本発明は文献情報に限らず、ユーザが評価可能な情報であればよく、文献情報推薦システム以外の情報推薦システムに広く適用できることは云うまでもない。
【００５４】
なお、図２乃至図４で示した装置における各部の一部もしくは全部の処理機能をコンピュータのプログラムで構成し、そのプログラムをコンピュータを用いて実行して本発明を実現することができること、あるいは、図５及び６で示した処理手順をコンピュータのプログラムで構成し、そのプログラムをコンピュータに実行させることができることは言うまでもない。また、コンピュータでその処理機能を実現するためのプログラム、あるいは、コンピュータにその処理手順を実行させるためのプログラムを、そのコンピュータが読み取り可能な記録媒体、例えば、ＦＤ、ＭＯ、ＲＯＭ、メモリカード、ＣＤ、ＤＶＤ、リムーバブルディスクなどに記録して、保存したり、提供したりすることができるとともに、インターネット等のネットワークを通してそのプログラムを配布したりすることが可能である。
【００５５】
【発明の効果】
本発明によれば、明示的評価を行なう協調フィルタリングにおいて、ユーザの評価から予測される影響度を計算し、ユーザに表示することにより、ユーザの評価に対する動機づけが達成され、高精度情報推薦が可能となるとことが期待される。
【図面の簡単な説明】
【図１】本発明の実施形態のシステム全体図である。
【図２】本発明の実施形態の文献情報推薦装置の全体構成図である。
【図３】文献情報推薦装置内の推薦部の構成例を示す図である。
【図４】文献情報推薦装置内の影響度計算部の構成例を示す図である。
【図５】推薦部の処理フロー例を示す図である。
【図６】影響度計算部の処理フロー例を示す図である。
【図７】推薦文献リストの一例を示す図である。
【符号の説明】
１００ 文献情報推薦装置
１１０ 評価入力部
１２０ 推薦部
１２１ ユーザプロファイル
１２２ フィードバック部
１２３ マッチング部
１２４ 推薦表示部
１３０ 影響度計算部
１３１ 内部計算部
１３２ 評価影響度通信部
１３３ 評価影響度保存部
１３４ 計算結果編集部
１４０ データベース部
１４１ ユーザデータベース
１４２ 文献データベース
１４３ 評価データベース
１５０ 表示部
２００ ネットワーク

Claims (12)

1. 協調フィルタリングを用いる情報推薦装置において、ユーザの評価情報を利用して情報推薦基準を更新する手段と、ユーザによる評価対象情報に対する評価情報を読み出す手段と、当該評価情報の影響度（評価影響度）を計算し、ユーザに対して出力する手段を有することを特徴とする情報推薦装置。
2. 請求項１記載の情報推薦装置において、読み出した当該ユーザによる評価対象情報に対する評価情報を他者の情報推薦装置に送信し、送信先ユーザに対する評価の影響度を結果として受信する手段を有し、当該結果を評価影響度として出力することを特徴とする情報推薦装置。
3. 請求項１もしくは２記載の情報推薦装置において、影響度を保存し、累積された値を定期的に出力する手段を有することを特徴とする情報推薦装置。
4. 協調フィルタリングを用いる情報推薦方法において、ユーザの評価情報を利用して情報推薦基準を更新するステップと、ユーザによる評価対象情報に対する評価情報を読み出すステップと、当該評価情報の影響度を計算し、ユーザに対して出力するステップとを有することを特徴とする情報推薦方法。
5. 請求項４記載の情報推薦方法において、読み出した評価情報がユーザに対する情報推薦に与えた影響度を計算して出力することを特徴とする情報推薦方法。
6. 請求項４記載の情報推薦方法において、他者の評価情報を読みだし、その評価がユーザに対する情報推薦に与えた影響度を計算して出力することを特徴とする情報推薦方法。
7. 請求項４乃至６のいずれか１項に記載の情報推薦方法において、当該評価情報を読み出す以前と読み出した以降でユーザに対する情報推薦内容が変化した場合、その差分を評価影響度として出力することを特徴とする情報推薦方法。
8. 請求項４乃至６のいずれか１項に記載の情報推薦方法において、当該評価情報を用いてユーザに対する情報選択基準を更新したときの情報選択基準の差分を評価影響度として出力することを特徴とする情報推薦方法。
9. 請求項４乃至６のいずれか１項に記載の情報推薦方法において、影響度を保存し、累積された値を定期的に出力することを特徴とする情報推薦方法。
10. 請求項９記載の情報推薦方法において、累積する評価影響度が単位時間中に他のユーザから与えられた類似評価の個数であることを特徴とする情報推薦方法。
11. 請求項４乃至１０のいずれか１項に記載の情報推薦方法をコンピュータで実行させるためのプログラム。
12. 請求項４乃至１０のいずれか１項に記載の情報推薦方法をコンピュータで実行させるためのプログラムを記録した記録媒体。

Images