JP2005011307A - コンテンツ提供方法、コンテンツ利用者の端末およびプログラムと記録媒体 - Google Patents

Abstract

【課題】コンテンツ利用者のコンテンツ鑑賞中の操作からユーザ嗜好を学習する際、各操作に対応するコンテンツ評価最終値をユーザ毎に調整して正確なユーザ嗜好の学習を行う。
【解決手段】コンテンツ評価情報作成部１０５は、コンテンツ利用者のコンテンツ鑑賞に対する操作情報を、当該コンテンツのユーザ嗜好属性を更新するための基本評価値に変換する。評価値調整部１０８は、コンテンツ鑑賞に対する肯定的操作および否定的操作の一定期間における操作回数の情報に基づいて、基本評価値を各ユーザ毎に調整するための評価調整値を算出し、基本評価値と評価調整値とに基づいて、当該コンテンツのユーザ嗜好属性を実際に更新するためのコンテンツ評価最終値を算出する。ユーザ嗜好属性学習部１００は、コンテンツ評価最終値と当該コンテンツのコンテンツキーワードから当該コンテンツのユーザ嗜好属性を学習して更新する。
【選択図】図１

Description

本発明は、意味情報ネットワークを用いて、ある特定の条件に合致するコンテンツの視聴を希望するエンドユーザが、コンテンツプロバイダにより提供されているコンテンツの中から、希望する条件に合致するコンテンツを入手してそのエンドユーザに提供するためのコンテンツ提供システムおよび提供方法に関する。

近年、膨大なコンテンツの中からユーザ嗜好に合致するコンテンツを選出して提案するコンテンツ提供サービスが注目されている。このようなコンテンツ提供システムでは、コンテンツ提供者の端末には提供しているコンテンツの属性を登録しておき、エンドユーザの端末にはユーザ嗜好属性を設定しておき、このユーザ嗜好属性とコンテンツ属性に基づいてコンテンツの検索が行われ、ユーザの嗜好に最も合致したコンテンツがエンドユーザに提供される。

しかし、このような従来のコンテンツ提案サービスでは、ユーザ（コンテンツ利用者）が自ら、コンテンツ表示アプリケーションを起動してコンテンツ提案を要求し、当該ユーザの興味を表すキーワードを入力し、それに合致するコンテンツを探索・発見し、表示する必要があった。

そのため、ユーザとのインタラクションからユーザ嗜好を学習し、学習したユーザの嗜好に合致したコンテンツを自動的に提供するような各種のコンテンツ提供サービスが提案されている（例えば、非特許文献１、２、３、４、５参照。）。

このような従来のコンテンツ提供サービスでは、ユーザが、コンテンツ鑑賞中に振舞うアクション（中断、巻き戻し、スキップ、表示サイズ拡大／縮小などの操作）から、ユーザ嗜好を学習する。このユーザ嗜好の学習では、各アクションに対応する評価フィードバック値が割り当てられていて、この評価フィードバック値の合計によりユーザ嗜好の判定を行っている。しかし、このような従来のユーザ嗜好学習方法では、各アクションに対応する評価フィードバック値が固定的に割り当てられているため、ユーザ毎のスキップ等の操作に対する意味が異なることに対応できない。例えば、好き嫌いにかかわらず頻繁にスキップを行うユーザつまり、頻繁にＴＶのチャネルを変更するようなユーザと、コンテンツの視聴中にスキップや中断等のアクションをほとんど行わないユーザとでは、同じ１回のスキップ動作でも意味内容が異なる。

また、一度見たコンテンツが再度提示された際、ユーザは当該コンテンツが好き嫌いに関わらず、スキップする確率が高くなるが、従来のユーザ嗜好学習方法では、当該コンテンツが過去に提示されたかどうかをチェックせずに、スキップに対応する評価フィードバックを実行するため、正確なユーザ嗜好を学習できないという問題も存在する。

さらに、従来のユーザ嗜好学習方法では、ユーザが、コンテンツ鑑賞中にスキップ操作等のアクションを実行した場合に、鑑賞中のコンテンツに対して興味が無い（好みに合わない）ものと判断して、一律に負の評価値をフィードバックしている。しかし、コンテンツ鑑賞中にユーザがスキップ操作等のアクションを実行した場合でも、必ずしもそのコンテンツに興味がないわけではなく、逆に鑑賞中のコンテンツが好みに合っているため次に表示されるコンテンツを見ようとする意識が強いためスキップ操作等のアクションを実行しているという場合もある。そのため、コンテンツ鑑賞中にスキップ操作等のアクションが行われた場合に、一律にマイナス要素であると判断すると、場合によっては正確なユーザ嗜好の学習の妨げになる可能性がある。
柴田弘，寺元光生:"P2Pネットワークにおけるパーソナライズエージェント"、電子情報通信学会ソサイエティ大会 SB-10-1, Sep. 2002. 村崎康博、金淵培、柴田正啓、浦谷則好："ユーザモデルエージェントによる番組選択システム"、信学技報AI2001-50, pp.25-31, Nov.2001 橘高、佐藤、鈴木、曽根岡：パーソナライズ情報提案方式と評価、情報処理学会論文誌、vol.40, No.1, pp.175-187, Jan 1999 Leander Kahney[日本語版：湯田賢司／高森郁哉]、"リスナーの嗜好を学習して選曲に反映させるネットラジオ局"、[online]、[平成１５年９月１１日検索]、インターネット＜ＵＲＬ：http://www.hotwired.co.jp/news/news/culture/story/20030709204.html＞ 後友恵，早川和宏:"ネット家電のためのコンテンツ提供方式の検討"、情報処理学会第63回全国大会5V-7, pp. 3・73-74, Seq. 2001.

上述した従来のコンテンツ提供システムでは、下記のような問題点があった。
（１）コンテンツに対するアクションに対するコンテンツ評価最終値を各ユーザ毎に調整することができないため、ユーザ毎のアクションに対する意味が異なることに対応することができず正確なユーザ嗜好の学習をすることができない。
（２）当該コンテンツが過去に視聴されたかどうかを確認することなく、ユーザのアクションに対する評価フィードバックを実行するため正確なユーザ嗜好の学習をすることができない。
（３）ユーザが、コンテンツ鑑賞中にスキップ操作等のアクションを実行した場合、鑑賞中のコンテンツに対して興味が無い（好みに合わない）ためにスキップしたものと一律に判定しているので、場合によっては正確なユーザ嗜好の学習の妨げになる可能性がある。

本発明の目的は、ユーザがコンテンツ鑑賞中に振舞うアクションからユーザ嗜好を学習する際に、各アクションに対応するコンテンツ評価最終値を、ユーザ毎に調整し、ユーザ毎のスキップ等の操作に対する意味が異なることに対応して、正確なユーザ嗜好の学習を行うことができるコンテンツ提供システムを提供することである。

また、本発明の他の目的は、当該コンテンツが過去に提示されたかどうかをチェックし、スキップに対応する評価フィードバックを低減する等の調整を行うことにより、正確なユーザ嗜好を学習を行うことができるコンテンツ提供システムを提供することである。

さらに、本発明の他の目的は、ユーザがコンテンツ鑑賞中にスキップ操作等のアクションが実行された場合、鑑賞中のコンテンツに対して興味が無い（好みに合わない）ためにスキップしたのか、それとも、鑑賞中のコンテンツが好みに合っているが次に表示されるコンテンツを見るためにスキップしたのかを判断し、その判断に基づいてユーザ嗜好を適切に学習することができるコンテンツ提供システムを提供することである。

上記目的を達成するために、本発明のコンテンツ提供方法は、データをイベントとして送信する送信端末と、イベントとして送信された前記データを選択的に受信するために、イベントのタイプと取得条件とからなるフィルタが設定される受信端末とから構成される意味情報ネットワークを用いて、コンテンツの提供を受けるコンテンツ利用者の端末が、当該コンテンツ利用者が視聴を希望するコンテンツの条件であるユーザ嗜好属性に基づいてユーザ嗜好キーワードを作成し、該ユーザ嗜好キーワードに基づいたコンテンツ検索イベントを前記意味情報ネットワークに送信することによりコンテンツプロバイダにより提供されているコンテンツの中からコンテンツ利用者の希望する条件に合致するコンテンツを入手して前記コンテンツ提供者に提供するコンテンツ提供方法において、
当該コンテンツ利用者のコンテンツ鑑賞に対する操作情報を、各操作に対応して設けられていて当該コンテンツのユーザ嗜好属性を更新するための基本値である基本評価値に変換するステップと、
当該コンテンツ利用者のコンテンツ鑑賞に対する肯定的操作および否定的操作の一定期間における操作回数の情報に基づいて、前記基本評価値を各ユーザ毎に調整するための値である評価調整値を算出するステップと、
前記基本評価値と前記評価調整値とに基づいて、当該コンテンツのユーザ嗜好属性を実際に更新するための値であるコンテンツ評価最終値を算出するステップと、
前記コンテンツ評価最終値と当該コンテンツのコンテンツキーワードから当該コンテンツのユーザ嗜好属性を学習して更新するステップとを備えたことを特徴とする。

本発明では、ユーザがコンテンツ鑑賞中に振舞うアクションからユーザ嗜好を学習する際に、コンテンツ利用者の肯定的な操作および否定的な操作の一定期間における操作回数の情報から、そのユーザにとってその操作がどの程度の重み（意味）を有するかを示す評価調整値を算出して基本評価値を変更してコンテンツ評価最終値とするようにしている。そのため、各アクションに対応するコンテンツ評価最終値をユーザ毎に調整することができ、ユーザ毎のスキップ等の操作に対する意味が異なることに対応して正確なユーザ嗜好を学習することが可能となる。

また、本発明の他のコンテンツ提供方法では、当該コンテンツが過去一定期間内に視聴済みの場合には、スキップのアクションに対する評価調整値を低減するステップをさらに有するようにしてもよい。

本発明によれば、当該コンテンツが過去に提示されたかどうかをチェックし、スキップに対応する評価フィードバックを低減する等の調整を行うことにより、正確なユーザ嗜好を学習することが可能となる。

また、本発明の他のコンテンツ提供方法では、コンテンツの鑑賞中にスキップのアクションが行われた際、当該スキップのアクションが行われるまでの鑑賞時間が規定値以上の場合には、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する前記基本評価値をプラスの要素の値に設定するステップをさらに有するようにしてもよい。

本発明によれば、ユーザがコンテンツ鑑賞中にスキップ操作等のアクションが実行された場合、スキップのアクションが行われるまでの鑑賞時間が規定値以上の場合には、鑑賞中のコンテンツが好みに合っているが次に表示されるコンテンツを見るためにスキップしたものであると判断し、そのアクションに対する基本評価値をプラスの要素の値に設定してユーザ嗜好の学習に対してフィードバックするようにしたものである。従って、コンテンツの鑑賞中にスキップのアクションが行われた場合に、そのスキップのアクションに対して一律にマイナス要素のフィードバックを行う場合と比較して、ユーザ嗜好を適切に学習することが可能となる。

さらに、本発明の他のコンテンツ提供方法では、ユーザに対して一定期間内に提案された全コンテンツのうち、ユーザが鑑賞中にスキップのアクションを行ったコンテンツの割合であるスキップ操作率に基づいて、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する評価調整値およびスキップのアクションに対する評価調整値を算出するステップをさらに有するようにしてもよい。

スキップ操作率の高いユーザは、次のコンテンツを見ようとする意識が強く鑑賞中のコンテンツが好みに合っていてもスキップなどのアクションを行う傾向があり、スキップ操作率の低いユーザは、次のコンテンツを見ようとする意識が弱く、鑑賞中のコンテンツが好みに合っていればあまりスキップなどのアクションを行わない傾向があるため、スキップ操作率に基づいて、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する評価調整値およびスキップのアクションに対する評価調整値を算出するようにすれば、より正確なユーザ嗜好の学習を行うことができる。

以上説明したように、本発明によれば、下記のような効果を得ることができる。
（１）ユーザがコンテンツ鑑賞中に振舞うアクションからユーザ嗜好を学習する際に、各アクションに対応するコンテンツ評価最終値をユーザ毎に調整し、ユーザ毎のスキップ等の操作に対する意味が異なることに対応して正確なユーザ嗜好を学習することが可能となる。
（２）当該コンテンツが過去に提示されたかどうかをチェックし、スキップに対応する評価フィードバックを低減する等の調整を行うことにより、正確なユーザ嗜好を学習することが可能となる。
（３）ユーザがコンテンツ鑑賞中にスキップ操作等のアクションが実行された場合、鑑賞中のコンテンツに対して興味が無い（好みに合わない）ためにスキップしたのか、それとも、鑑賞中のコンテンツが好みに合っているが次に表示されるコンテンツを見るためにスキップしたのかを判断してユーザ嗜好の学習が行われるので、より正確なユーザ嗜好を学習することが可能となる。

本発明は、発信する情報のメッセージ性を高めた分散型ネットワークシステムである意味情報ネットワークシステムを用いることを前提としているため、先ず以下にこの意味情報ネットワークについて説明する。この意味情報ネットワークについては、特開２００１−２４９８７３号公報および星合隆成、他、”意味情報ネットワークアーキテクチャ”、電子情報通信学会論文誌Ｂ、Vol.J84-B,No.3,pp.411-424（2001-3）.）において詳細に説明されている。従って、以下においてはこの意味情報ネットワークについての概要のみを説明する。

まず、意味情報ネットワーク（Semantic Information-Oriented Network、以下、ＳＩＯＮｅｔと称する）のネットワークアーキテクチャについて説明する。図１にＳＩＯＮｅｔのネットワークモデルを示す。ここで、説明の便宜上、端末２を、イベント送信者の送信端末２１とイベント受信者の受信端末２２とに区別して表記する。イベント受信者は、受信端末２２を用いて自身が受信することを希望するイベントの意味情報（受信するイベントのタイプと取得条件）をメタ情報としてＳＩＯＮｅｔ１に登録する。これをフィルタ（Filter）と呼ぶ。一方、イベント送信者は、送信端末２１を用いてＳＩＯＮｅｔ１にイベントを送出することにより、ＳＩＯＮｅｔに刺激（Incentive）を与える。このイベントは、図２に示すようにイベントの特性を記述した意味情報とデータから構成される。意味情報の定義を図３に示す。意味情報は、イベントのメタ情報であり、かつ、意味情報タイプ（イベントタイプ）のインスタンスである。

ＳＩＯＮｅｔ１は、イベント受信者が登録したフィルタに対して、イベント送信者が送出したイベントを照合（フィルターリング）させるための自律分散型の照合ネットワークである。照合の結果、イベントが通過した（イベントに反応した）フィルタは発火（Ignition）し、対応するイベント受信者の受信端末２２が自律起動する。この仕組みにより、不特定多数の端末２の中から、対象となる端末２をスケーラブルかつリアルタイムに探索・発見することが可能になる。

次に、イベントタイプについて説明する。図４に、イベントのテンプレートであるイベントタイプの定義例を示す。図４に示すように、イベントタイプは、イベントタイプ名（Event type name）と条件名（図４においては、”Service”や”CPU power”が相当する）、およびそれぞれの条件名に対するデータ型（StringやLongが相当する）と条件式（＝＝や＞＝が相当する）が定義されたものである。イベントタイプ名は、イベントタイプを一意に識別するための名称である。

なお、イベントタイプの親タイプを継承可能である。

図５に示すように、イベントタイプのデータ構造に従って、イベントを作成する。イベントは、イベントタイプ名、条件名と条件値の組み合せ、および、データ部から構成される。イベントの中で定義された条件名、条件式、条件値が、イベントタイプと一致しない場合は、エラーになる。但し、イベントの中で使用される条件名は、イベントタイプのサブセットでも良い。

図６にフィルタの定義例を示す。フィルタは、受け付けるイベントタイプ名（Event type name）、属性名（図６においては、”CPU power”や”Age”が相当する）と属性値（図６においては、２００や２５が相当する）のペアーから成る。受け付けるイベントタイプ名で定義されたイベントタイプに属するイベントのみが、フィルタリングの対象となる。ここには、複数のイベントタイプ名を定義することができ、さらに、ワイルドカード（＊．＊）を指定することにより、全てのイベントを対象とすることも可能である。なお、フィルタで定義された属性名が、受け付けるイベントタイプ名で定義されたイベントタイプの条件名の中に存在しない場合には、エラーとなる。但し、イベントタイプのサブセットでも良い。

次に、ＳＩＯＮｅｔ１の構成を説明する。図７は、ＳＩＯＮｅｔ１の構成を示す図である。図７に示すようにＳＩＯＮｅｔ１は、意味情報スイッチ（Semantic Information-Switch、図面ではＳＩ−ＳＷと図示する）、意味情報ルータ（Semantic Information -Router、図面ではＳＩ−Ｒと図示する）、意味情報ゲートウェイ（Semantic Information-Gateway、図面ではＳＩ−ＧＷと図示する）から構成される。

意味情報スイッチ（ＳＩ−ＳＷ）は、フィルタとして登録された意味情報と、イベントに付与された意味情報を照合し、その結果、発火したイベント受信者の端末２を起動するスイッチング機構を提供する。意味情報スイッチ（ＳＩ−ＳＷ）と各端末２はスター型で結合される。

意味情報ルータ（ＳＩ−Ｒ）は、意味情報スイッチ間のイベント経路選択を行うとともに、端末２から意味情報スイッチに対して送出されたイベントを他の意味情報スイッチに転送する役割を担う。これは、意味情報に基づく動的なイべントルーティングにより達成される。

意味情報ゲートウェイ（ＳＩ−ＧＷ）は、イベントプレース（Event place）間でのイベントの転送を行う。ここで、イベントプレースは、共通の意味情報空間を保証する最小単位（オントロジードメイン）である。イベントプレース内では、イベントタイプの名称、概念、語彙、意味、関連などのオントロジー体系の一意性が保証され、共通のオントロジーに基づいて意味情報が記述されることになる。基本的には、イベント送信者の端末２から送出したイベントは、イベントプレース内のみで流通するが、意味情報ゲートウェイ（ＳＩ−ＧＷ）を介することにより、異なるオントロジー体系を有するイベントプレース間でのイベントの相互流通が可能になる。このとき、意味情報ゲートウェイ（ＳＩ−ＧＷ）はイベントのオントロジー変換を行った後、異なるイベントプレースヘイベントを転送する。

次に、本実施形態について説明する前に、先ず、本実施形態において使用する用語の定義を行う。

（１）コンテンツとは、ビデオクリップ、サウンドクリップ、テキスト、静止画などを指す。

（２）ユーザエージェント（ＵＡ）は、エンドユーザ（ユーザ）の代理人としてユーザ嗜好属性を学習し、ネットワークを利用して、ユーザ嗜好に合致するコンテンツを探索し、エンドユーザへ提案する。

（３）コンテンツエージェント（ＣＡ）は、コンテンツプロバイダ（ＣＰ）の代理人としてコンテンツを管理し、コンテンツ属性を学習し、ネットワークを利用して、コンテンツをエンドユーザへ配送する。

（４）コンテンツＩＤは、コンテンツを一意に識別するための識別子。コンテンツプロバイダのホスト名、当該コンテンツプロバイダのニックネーム、ＣＡに登録したコンテンツの通し番号等の組み合わせから成る。

（５）コンテンツリストとは、ある条件でＳＩＯＮｅｔ等を用いて検索、収集したコンテンツ群、およびそれらのコンテンツ群のコンテンツキーワード群を指す。

（６）コンテンツ属性（コンテンツメタ情報）とは、コンテンツに付与されるメタ情報を指す。コンテンツ属性は、本実施形態では、ジャンル、登場キャラクタ、年齢条件などから成る。

（７）コンテンツキーワード（ＣＫ）とは、コンテンツに付与されたコンテンツ属性をプログラマブルコンテンツ提供サービスで使用するため、ＣＡ、ＵＡが共通に把握できる形式に変換したものを示す。このキーワードとユーザ嗜好キーワードとを照合することにより、エンドユーザの嗜好に合致するか否かを判定する。コンテンツキーワードは、本実施形態では、ジャンル、登場キャラクタ、年齢条件、価格などから成る。

（８）ジャンルとは、映像や音楽、静止画等のコンテンツの特徴を表し、映像に対してはホラーやアクション、ファンタジー等、音楽に対してはクラシック、ロック、フォーク等で表現される情報である。

（９）ユーザ嗜好属性（ユーザ情報）とは、ユーザの特徴を表す情報を示す。ユーザ嗜好属性は、ユーザのプロファイル（年齢、性別、職業）や、上限金額、ユーザの興味（ジャンルに関する興味、キャラクタに関する興味など）から成る。

（１０）ユーザ嗜好キーワードとは、コンテンツを選出するための、エンドユーザの嗜好を表す情報であり、ユーザ情報をＵＡ、ＣＡが共通に把握できる形式に変換したものである。このユーザ嗜好キーワードとコンテンツキーワードとを照合することにより、エンドユーザの嗜好に合致するコンテンツであるか否かを判定する。ユーザ嗜好キーワードは本実施形態では、ジャンル好み、キャラクタ好み、年齢などから成る。
（１１）ジャンル好みとは、エンドユーザの見たい（好みの）ジャンルを表し、映像コンテンツに対する、ホラーシーン、シリアスシーン、コメディシーン、ラブシーン、官能シーン、風景映像シーン等の好みを意味するとともに、本実施形態では、各ジャンルの好み度を重み値として付与している。また、ジャンル好みを（キャラクタ好み等に比べて）どのくらい重視すべきかを表す、ジャンル好み全体（後述の大項目）の重み値も存在する。
（１２）キャラクタ好みとは、エンドユーザの見たい（好みの）俳優やアニメキャラクタ、動物などを表し、キャラクタ名を値として持つとともに、本実施形態では、キャラクタ毎の好み度を重み値として付与している。また、キャラクタ好みを（ジャンル好みなどに比べて）どのくらい重視すべきかを表す、キャラクタ好み全体（後述の大項目）の重み値も存在する。

（１３）ユーザ嗜好キーワード大項目とは、ユーザ嗜好キーワードの構成を大別したものの、個々の項目を示す。本実施形態では、シーン希望、俳優希望、年齢などである。

（１４）ユーザ嗜好キーワード小項目とは、ユーザ嗜好キーワードの構成をする個々の項目（ジャンル好み、キャラクタ好み、年齢など）をさらに小別したものを示す。例えば、大項目：ジャンル希望を小別した、ホラーシーン好み度、シリアスシーン好み度、コメディシーン好み度などが該当する。

（１５）ユーザ嗜好詳細情報とは、ユーザ嗜好キーワード小項目のことを指す。

（１６）イベントとは、（特開２００２−９４５６１号公報に記載されている意味情報ネットワークを用いて、自身の嗜好に合致する情報あるいは情報提供者を発見するために、意味情報ネットワークに発信するメッセージのことである。本実施形態では、ユーザ嗜好キーワードからイベントを作成する。

（１７）フィルタとは、意味情報ネットワークを用いて、自身の嗜好に合致する情報あるいは情報提供者を発見するために、意味情報ネットワークに設定する、メッセージ受信条件である。本実施形態では、コンテンツキーワードからフィルタを作成する。

（１８）スキップ操作率とは、ユーザに対して一定期間内に提案された全コンテンツのうち、ユーザが鑑賞中にスキップのアクションを行ったコンテンツの割合をいう。スキップしなかった残りのコンテンツは、必ず最後まで見られたコンテンツである。

（第１の実施形態）
次に、本発明の具体的な実施形態のシステム構成について説明する。本発明の第１の実施形態のコンテンツ提供システムは、図８に示すように、ＣＡ３５と、ＵＡ３２と、ＳＩＯＮｅｔ３６と、ネットワーク３７とから構成されている。以下において、これらのシステム構成要素（エンティティ）の機能を説明する。

ＣＡ３５は、コンテンツ提供者（ＣＰ：コンテンツプロバイダ）の代理人としてコンテンツを管理し、コンテンツ属性を学習し、ネットワーク３７を利用して、コンテンツをエンドユーザへ配送する。また、ＣＡ３５は、ＣＰがコンテンツおよびコンテンツ属性の初期値を登録、修正、参照するためのＧＵＩを提供する。ＣＡ３５は、コンテンツ属性を元にフィルタを作成し、ＳＩＯＮｅｔ３６に登録する。フィルタに合致するイベントをＳＩＯＮｅｔ３６から受信すると、イベントのデータ部に記された宛先情報を元に、コンテンツキーワードを探索元のＵＡ３２に返信する。そして、ＣＡ３５は、ＵＡ３２から、上記のコンテンツに対するユーザの反応に関する情報を受信し、コンテンツ属性を学習する。

ＵＡ３２は、エンドユーザ（ユーザ）の代理人としてユーザ嗜好属性を管理する。また、ＵＡ３２は、ユーザが自身のプロファイルおよび興味の初期値を登録、修正、参照するためのＧＵＩを提供する。そして、ＵＡ３２は、ユーザ嗜好属性を元にイベントを作成し、ＳＩＯＮｅｔ３６に発信し、ユーザ嗜好に合致するコンテンツを探索する。さらに、ＵＡ３２は、このイベントを受信したＣＡ３５からの返答メッセージを受信し、当該メッセージに含まれるコンテンツキーワードを元に、当該コンテンツがユーザ嗜好にどのくらい合致するか得点計算し、ユーザに提案（表示）するか否かを決定する。そして、ＵＡ３２は、ユーザに提案したコンテンツに対する、ユーザの反応（中断、巻き戻し、スキップ、表示サイズ拡大／縮小など）からユーザ嗜好を学習する。最後に、ＵＡ３２は、ユーザの反応とユーザ嗜好キーワードを当該コンテンツ配送元のＣＡ３５に通知する。

ＳＩＯＮｅｔ３６は、不特定多数のコンテンツの提供者あるいはコンテンツを意味情報（メタ情報）に基づいて発見する機構を提供するネットワークであり、特開２００２−９４５６１号公報に示される意味情報ネットワークのことである。このＳＩＯＮｅｔ３６は、ＵＡ３２がＣＡ３５を発見するのに使用される。

なお、本システムにおけるＳＩＯＮｅｔ３６の役割は、ある条件に合致するコンテンツをリアルタイムに検出する機能を提供することであり、ＳＩＯＮｅｔ３６の代替エンティティとして、ＷＷＷ検索サービスやＯＭＧ（Object Management Group）トレーディングサービスを適用可能である。ネットワーク３７は、各エンティティが情報通信を行うための媒体である。

次に、これらのエンティティによって実現されるコンテンツ提供システム全体の動作シナリオを説明する。図１０は、本実施形態による仲介者あるいは仲介サーバなしでコンテンツ提供サービスを実施する方法を示す。本実施形態では、意味情報ネットワークを、特開２００２−９４５６１号公報に示されるイベントプレースを用いて実現している。

コンテンツプロバイダ（ＣＰ１、２）およびコンテンツ利用者（エンドユーザ）は、それぞれ使用するＰＣ等の端末６０、６１₁、６１₂に、ＣＯＲＢＡ準拠のＯＲＢ等のネットワークＯＳと、特開２００１−２４９８７３号公報および特開２００２−０９４５６１号公報に示されるイベントプレースファクトリ生成機構をインストールし、意味情報ネットワークであるＳＩＯＮｅｔ３６に接続されていることを前提とする。

ＵＡ３２およびＣＡ３５を用いたコンテンツ提案サービスシナリオは、大きく４つのステップに分けることが出来る。

（１）コンテンツ登録
ＣＰ１、２がＣＡ３５₁、３５₂を起動し、ＣＡ３５₁、３５₂の提供するＧＵＩ画面からコンテンツ（動画やテキスト、静止画などのファイル）のファイル名やコンテンツ属性を入力する。ＣＡ３５₁、３５₂はコンテンツ属性を基にフィルタを作成し、ＳＩＯＮｅｔ３６にコンテンツ検出イベントを受信するためのフィルタを登録する。

（２）コンテンツ要求
エンドユーザ（ユーザ）はＵＡ３２を起動し、ユーザのプロファイルや好みの動画の情報等を入力する。また、ユーザはＵＡ３２に対してコンテンツ探索・提案（表示）を要求すると、ＵＡ３２はユーザ嗜好属性を基に、コンテンツ探索イベントを作成し、ＳＩＯＮｅｔ３６に発信する。当該イベントを受信したＣＡ３５₁、３５₂は、イベント発信元のＵＡ３２にコンテンツキーワードを含む応答メッセージを返す。ＵＡ３２は、応答メッセージに含まれるコンテンツキーワードをユーザ嗜好キーワードと照合して、ユーザに提案するに相応しいコンテンツを決定する。

（３）コンテンツ鑑賞
ＵＡ３２は、ユーザに対してコンテンツを提案し表示する。ユーザはＵＡ３２の提供するコンテンツ表示画面および操作パネルを用いて、表示画面のサイズ変更や、コンテンツ表示の中断、スキップ、巻き戻し再表示等の操作を行か、あるいは、何も操作せず、そのままコンテンツを表示させたままにする。

（４）ユーザ嗜好更新／コンテンツメタ情報更新
ＵＡ３２は、ユーザの操作情報、あるいは、何も操作することなくコンテンツが表示され、ある特定の時間がたつか、クリップの最後まで再生された場合に、ユーザの、当該コンテンツに対する評価情報を作成する。このとき、評価情報として、各操作に対応して設けられていて当該コンテンツのユーザ嗜好属性を更新するための基本値である基本評価値をもとに、さらに、当該ユーザの特定期間（例えば、最近一ヶ月間）の各操作毎の操作回数と、当該コンテンツが特定期間（例えば、１日以内）に鑑賞されたかどうかのチェック情報とから得られる評価調整値を用いて、当該コンテンツのユーザ嗜好属性を実際に更新するための値であるコンテンツ評価最終値を算出する。このコンテンツ評価最終値と、上記のコンテンツメタ情報を用いて、ＵＡ３２はユーザ嗜好を更新する。さらにＵＡ３２は、ユーザ嗜好キーワードと、評価情報をＣＡ３５₁、３５₂に通知すると、ＣＡ３５₁、３５₂はこれらの情報からコンテンツメタ情報を更新する。

次に、図８に示したエンティティを構成する各ブロックを説明する。

ＣＡ３５は、図１１に示されるように、コンテンツ探索イベント受信フィルタ登録部７１と、コンテンツ探索イベント受信フィルタ作成部７２と、コンテンツ登録部７３と、コンテンツ探索イベント受信部７４と、コンテンツ探索応答送信部７５と、コンテンツキーワード作成部７６と、コンテンツ属性管理部７７と、コンテンツ属性学習部７８と、コンテンツ配信指示受信部７９と、コンテンツ配信部８０、フィードバック受信部８１とから構成されている。

コンテンツ登録部７３は、コンテンツ提供者（ＣＰ）がコンテンツおよびコンテンツ属性初期値を登録するためのＧＵＩを提供し、ＣＰからの入力を受ける。

コンテンツ探索イベント受信フィルタ作成部７２は、コンテンツキーワードから、コンテンツ検索イベントを受信するためのフィルタを作成する。コンテンツ探索イベント受信フィルタ登録部７１は、コンテンツ検索イベント受信フィルタをＳＩＯＮｅｔ３６に登録する。コンテンツ探索イベント受信部７４は、コンテンツ検索イベント受信フィルタに合致するイベント（コンテンツ探索イベント）を受信する。

コンテンツ探索応答送信部７５は、コンテンツ探索イベントを発信したＵＡ３２に対してコンテンツキーワードを返信する。コンテンツキーワード作成部７６は、コンテンツ属性からコンテンツキーワードを作成する。コンテンツ配信指示受信部７９は、ＵＡ３２からのコンテンツ配信指示を受信する。コンテンツ配信部８０は、コンテンツ要求元のＵＡ３２へ、コンテンツを配送する。

コンテンツ属性管理部７７は、コンテンツ属性を管理する。フィードバック受信部８１は、コンテンツ配信先のＵＡ３２から、ユーザ嗜好キーワードとコンテンツ評価情報を受信する。コンテンツ属性学習部７８は、ユーザ嗜好キーワードとコンテンツ評価情報から、コンテンツ属性を学習して更新する。

ＵＡ３２は、図１２に示されるように、コンテンツ探索イベント発信部９１と、コンテンツ探索イベント作成部９２と、コンテンツキーワード受信部９３と、コンテンツ選出部９４と、コンテンツ要求入力部９５と、ユーザ嗜好キーワード作成部９６と、ユーザ情報登録部９７と、コンテンツ配信要求部９８と、ユーザ嗜好属性管理部９９と、ユーザ嗜好属性学習部１００と、コンテンツ表示部１０１と、コンテンツ操作入力部１０２と、コンテンツ受信部１０３と、コンテンツ評価情報通知部１０４と、コンテンツ評価情報作成部１０５と、操作回数管理部１０６と、鑑賞コンテンツ履歴管理部１０７と、評価値調整部１０８とから構成されている。

ユーザ情報登録部９７は、エンドユーザのユーザプロファイル情報や、好み情報（ジャンル好みやキャラクタ好み等）の入力を受ける。ユーザ嗜好属性管理部９９は、ユーザ嗜好属性（ユーザプロファイル、ジャンル好み、キャラクタ好み、およびそれぞれの重み値等）を管理する。コンテンツ要求入力部９５は、エンドユーザからのコンテンツ要求トリガを受ける。

コンテンツ探索イベント作成部９２は、ユーザ嗜好キーワードからコンテンツ探索イベントを作成する。コンテンツ探索イベント発信部９１は、コンテンツ探索イベントをＳＩＯＮｅｔ３６へ発信する。コンテンツキーワード受信部９３は、コンテンツ探索イベントを受信したＣＡ３５から、コンテンツキーワードを受信する。コンテンツ選出部９４は、いくつかのコンテンツのコンテンツキーワードと、ユーザ嗜好キーワードを照合して、照合得点を算出し、コンテンツ群の中からユーザに提案するに最も相応しいコンテンツを決定する。

ユーザ嗜好キーワード作成部９６は、ユーザ嗜好属性からユーザ嗜好キーワードを作成する。コンテンツ配信要求部９８は、ＣＡ３５に対してコンテンツ配信要求メッセージを通知する。コンテンツ受信部１０３は、ＣＡ３５から配信されるコンテンツを受信する。コンテンツ表示部１０１は、コンテンツを表示する。コンテンツ操作入力部１０２は、コンテンツ表示画面に対する操作（中断、巻き戻し、スキップ、表示サイズ拡大／縮小など）を受ける。

コンテンツ評価情報作成部１０５は、コンテンツ操作情報から基本評価値に変換し、操作内容と基本評価値を評価値調整部１０８に通知する。

操作回数管理部１０６は、当該ユーザの一定期間（過去一か月分）のコンテンツ表示画面に対する各操作（中断、巻き戻し、スキップ、表示サイズ拡大／縮小など）毎の回数を管理する。

鑑賞コンテンツ履歴管理部１０７は、当該ユーザの一定時間（一日間）に鑑賞したコンテンツのコンテンツＩＤを管理する。

評価値調整部１０８は、コンテンツ評価情報作成部１０５から通知された基本評価値をもとに、さらに、操作回数管理部１０６で管理される一定期間の全操作回数のうち、当該操作の回数に関する情報と、評価対象のコンテンツのコンテンツＩＤが、鑑賞コンテンツ履歴管理部１０７に存在するか否かの情報を取得し、これらの情報から当該コンテンツに対するコンテンツ評価最終値を算出してユーザ嗜好属性学習部１００に通知する。

ユーザ嗜好属性学習部１００は、評価値調整部１０８からコンテンツ評価最終値を取得し、このコンテンツ評価最終値とユーザ嗜好属性情報をコンテンツ評価情報通知部１０４へ通知する。また、ユーザ嗜好属性学習部１００は、コンテンツ評価最終値と当該コンテンツのコンテンツキーワードから、ユーザ嗜好属性を学習して更新する。

コンテンツ評価情報通知部１０４は、コンテンツ評価情報とユーザ嗜好キーワードをＣＡ３５へ通知する。

以上のような機能ブロックから成る各エンティティ間の連携を次に示す実現例を用いて詳述する。まず、機能ブロック内の動作シナリオを説明し、それから、ＵＡ３２におけるユーザ嗜好属性学習方法、および、ＣＡ３５におけるコンテンツ属性学習方法を説明する。

先ず、エンドユーザ（ユーザ）がＵＡ３２を用い、コンテンツ提供者（ＣＰ）がＣＡ３５を用いて、コンテンツ提案サービスを実現する場合の処理手順を説明する。

（１−１）ＣＰは、自身の端末にＣＡ３５をインストールし、当該ソフトウェアを起動する。

（１−２）ＣＡ３５は、図１３のようなコンテンツ登録用ウインドウを表示する。

（１−３）ＣＰは、ウインドウからＭＰＥＧファイル等のコンテンツを、ファイル名を指定して登録し、登録したコンテンツにコンテンツ属性（ジャンル、出演キャラクタ、鑑賞するためのユーザの年齢条件等）を入力する。なお、登録されたコンテンツには、コンテンツ登録部７３が自動的に識別番号（コンテンツＩＤ）を付与する。入力された情報は、コンテンツ属性管理部７７に通知され、ここで管理される。

（１−４）ＣＡ３５内のコンテンツ探索イベント受信フィルタ作成部７２は、コンテンツキーワード作成部７６からコンテンツキーワードを取得する。このときコンテンツキーワード作成部７６は、コンテンツ属性管理部７７からコンテンツ属性を抽出して、それをコンテンツキーワードに変換し、コンテンツ探索イベント受信フィルタ作成部７２に通知する。これにより、コンテンツ探索イベント受信フィルタ作成部７２が、図１４のような方法で、図１５のようなフィルタを作成すると、コンテンツ探索イベント受信フィルタ登録部７１が作成されたフィルタをＳＩＯＮｅｔ３６へ登録する。図１５のフィルタは、図１３のように入力されたコンテンツ属性から作成されたフィルタの一例である。

図１５は、コンテンツを検索するイベントを受信するためのフィルタの一例を示す図である。この図１５では、＄ｘｘｘは、イベントにおけるプロパティ名がｘｘｘであるイベントプロパティのプロパティ値を示している。また、文字列はシングルクオーテーション‘ ’で囲み、ワイルドカードは＊で示す。例えば、‘ブラック＊’は、‘ブラック’で始まる文字列全てを指し、‘＊ブラック＊’は、‘ブラック’が存在する文字列全てを指す。

（２−１）エンドユーザ（コンテンツ利用者）は、自身の端末６０にＵＡ３２をインストールし、当該ソフトウェアを起動する。

（２−２）ＵＡ３２は、図１６のようなユーザプロファイルおよび好み等を登録するユーザ情報登録ウインドウ（すなわちユーザ情報登録部９７）を表示する。

（２−３）エンドユーザは表示されたユーザ情報登録ウインドウから住所や年齢などのユーザプロファイル、好み情報（ジャンル好み、キャラクタ好み等）をＵＡ３２のユーザ情報登録部９７へ入力する。

（２−４）ユーザ情報登録部９７は、入力されたユーザ情報（ユーザ嗜好属性）をユーザ嗜好属性管理部９９へ通知し、入力されたユーザ嗜好属性はユーザ嗜好属性管理部９９において管理される。

（２−５）次に、エンドユーザは、ＵＡ３２が提示する図１７のようなコンテンツ鑑賞メニューウィンドウ画面から、「コンテンツ探索」ボタンを押下すると、ＵＡ３２のコンテンツ要求入力部９５に、このトリガが伝わる。コンテンツ要求入力部９５は、コンテンツ探索イベント作成部９２とコンテンツ選出部９４に、この要求を伝える。

（２−６）コンテンツ探索イベント作成部９２は、ユーザ嗜好キーワード作成部９６から、ユーザ嗜好キーワードを取得し、それを基に図１８のような方法でコンテンツ探索イベントを作成し、コンテンツ探索イベント発信部９１へ通知する。コンテンツ探索イベント発信部９１は、コンテンツ検出イベントをＳＩＯＮｅｔ３６へ発信する。

（２−７）ＳＩＯＮｅｔ３６に図１５のようなフィルタを登録したＣＡ３５のコンテンツ探索イベント受信部７４は、コンテンツ探索イベントを受信する。コンテンツ探索イベント受信部７４は、受信したイベントから、イベント発信者すなわちＵＡ３２のオブジェクトリファレンス（Ｏｂｊｅｃｔ Ｒｅｆｅｒｅｎｃｅ）等の返信先を抽出し、コンテンツ探索応答発信部７５へ通知する。

（２−８）コンテンツ探索応答発信部７５は、コンテンツキーワード作成部７６からコンテンツキーワードを取得し、図２０のような返信メッセージを作成し、返信先へ返信する。

（２−９）ＵＡ３２のコンテンツキーワード受信部９３は、ＣＡ３５からの返信メッセージを全て収集し、収集したコンテンツキーワードをコンテンツ選出部９４へ通知する。

（２−１０）コンテンツ選出部９４は、コンテンツキーワード（ＣＫ）群をユーザ嗜好キーワード（ＵＰＫ）と照合して得点を比較するため、ユーザ嗜好キーワード作成部９６に対してＵＰＫ作成を要求する。

（２−１１）ユーザ嗜好キーワード作成部９６は、コンテンツ選出部９４からのＵＰＫ作成要求を受け取ると、ユーザ嗜好属性管理部９９において管理されているユーザ嗜好属性から図２１に示すようなＵＰＫを作成する。このときジャンル重み値WG＝W、後述の式（１）から算出し、ユーザ嗜好キーワードの該当する部分に値を挿入し、コンテンツ選出部９４へ返す。

図２１（ａ）は、ＰＭで使用するユーザ嗜好キーワードを示す図であり、図２１（ｂ）は、図２１（ａ）におけるコンテンツキーワードと照合するために構成したユーザ嗜好キーワードを示す図である。

（２−１２）コンテンツ選出部９４は、ユーザ嗜好キーワード作成部９６により作成されたＵＰＫを用いて、図２２に示すような方法で、ＵＰＫとの照合計算式を作成し、この計算式に各ＣＫの値を代入する。図２３は計算式の例であり、このような計算式に図２４のようなＣＫを代入すると、各コンテンツの照合得点が算出できる。コンテンツ選出部９４は、この照合得点が最も高いコンテンツを選出する。図２４の例では、コンテンツＡを選出する。このとき、ユーザ嗜好キーワード作成部９６は、ＵＰＫを作成したときの時刻ｔおよびこのときの内部パラメータ（後述のＸk、Ｙk）の値を保持しておく。コンテンツ選出部９４は、選出したコンテンツの参照先情報をコンテンツ配信部８０へ通知する。

上記の図２１、図２２において、、ジャンル名Genre₁、ジャンル名Genere₂、・・・は文字列の値であり、例えば、Genre₁＝“コメディ”、Genre₂＝“アクション”等となる。また、キャラクタ名Chr₁、キャラクタ名Chr₂、・・・は文字列の値であり、例えば、Chr₁＝“ジャッキーチェン”、Chr₂＝“トムクルーズ”等となる。さらに、図２１〜図２３において、Ａc（ＸＸＸ）は、コンテンツキーワードにおける、小項目に関して、項目名がＸＸＸである小項目の重み値であり、同様に、Ａu（ＸＸＸ）は、ユーザ嗜好キーワードにおける、小項目に関して、項目名がＸＸＸである小項目の重み値である。

（３−１）ＵＡ３２のコンテンツ配信要求部９８は、コンテンツの参照先情報に示されるＣＡ３５に対して、コンテンツ配信要求メッセージを通知する。

（３−２）当該ＣＡ３５のコンテンツ配信指示受信部７９は、ＵＡ３２のコンテンツ配信要求部９８から通知されたコンテンツ配信要求メッセージを受信し、コンテンツ配信部８０を介して該当するコンテンツ（データファイル）を要求元のＵＡ３２へ配信する。

（３−３）ＵＡ３２のコンテンツ受信部１０３は、ＣＡ３５のコンテンツ配信部からのコンテンツ（データファイル）を受信し、コンテンツ表示部１０１へ送付する。

（３−４）コンテンツ表示部１０１は、図２５のような画面を表示し、当該画面内にコンテンツ受信部１０３から送付されたコンテンツを表示し、自動的に再生開始する。

（３−５）コンテンツ表示部１０１は、表示開始したコンテンツのコンテンツＩＤを鑑賞コンテンツ履歴管理部１０７へ通知し、鑑賞コンテンツ履歴管理部１０７は当該コンテンツＩＤを一定時間（一日間）保持する。

（４−１）ユーザは、図２５に示されるような表示画面においてコンテンツを鑑賞し、ユーザの嗜好に応じて、“画面の最大化”、“巻き戻し”、“スキップ”、“中止”等のボタンをクリックする。あるいは何も操作せず、終了するまで鑑賞することもあり得る。

（４−２）上記のように操作ボタンがクリックされた場合、あるいは現在鑑賞中の動画等のコンテンツを一通り見終わった場合、コンテンツ操作入力部１０２あるいはコンテンツ表示部１０１は、これらの事象と当該コンテンツのＣＫを操作回数管理部１０６とコンテンツ評価情報作成部１０５へ通知する。

（４−３）操作回数管理部１０６は、当該ユーザの一定期間（一ヶ月間）の“画面の最大化”、“巻き戻し”、“スキップ”、“中止”等の各操作種別毎の操作回数を管理する。

（４−４）コンテンツ評価情報作成部１０５は、図２６に示されるような関係表に基づいて、コンテンツに対するユーザの基本評価値を表すＶの値を決定する。コンテンツ評価情報作成部１０５は、このＶとＣＫを評価値調整部１０８へ通知する。

（４−５）評価値調整部１０８は、コンテンツ評価情報作成部１０５から通知されたコンテンツ評価基本情報（基本評価値Ｖ）をもとに、さらに、操作回数管理部１０６で管理される一定期間の全操作回数のうち、当該操作の回数に関する情報と、評価対象のコンテンツのコンテンツＩＤが、鑑賞コンテンツ履歴管理部１０７に存在するか否かの情報を取得し、これらの情報から当該コンテンツに対するコンテンツ評価最終値μＶを算出して保持しておく。ここで、コンテンツ評価最終値μＶは、基本評価値Ｖに評価調整値μを乗算した値である。

（４−６）評価値調整部１０８は、鑑賞コンテンツ履歴管理部１０７から、一定時間内に表示済のコンテンツのコンテンツＩＤリストを取得し、当該コンテンツのコンテンツＩＤが存在するか否かをチェックし、存在する場合はスキップのアクションに対する評価調整値μ_Skipの値をさらに低減するか、あるいはμ_Skip＝０とする（すなわち評価フィードバックを無効化する）。この処理を適用後、コンテンツ評価最終値μＶの値とＣＫをコンテンツ評価最終値としてユーザ嗜好属性学習部に通知する。

（４−７）ユーザ嗜好属性学習部１００は、上記のコンテンツ評価最終値μＶとＣＫをコンテンツ評価情報通知部１０４へ通知するとともに、当該コンテンツ評価最終値μＶとＣＫを後述のアルゴリズムにより、ユーザ嗜好属性を学習し、更新する。

（４−８）コンテンツ評価情報通知部１０４は、上記のコンテンツを管理するＣＡ３５に対して、ユーザのＵＰＫとコンテンツ評価最終値μＶを通知する。

（４−９）ＣＡ３５のフィードバック受信部８１は、ＵＰＫとコンテンツ評価最終値μＶを受信し、コンテンツ属性学習部７８へ通知する。

（４−１０）コンテンツ属性学習部７８は、フィードバック受信部８１から通知されたコンテンツ評価最終値μＶとＵＰＫから、後述のアルゴリズムにより、コンテンツ属性を学習し更新する。

次に、ＵＡ３２のユーザ嗜好属性のうちの詳細情報の学習方法を説明する。すなわち、図２７における小項目の学習方法を説明する。以下の例では、ジャンル好み属性の詳細情報（小項目）を扱う。

あるコンテンツｊに対するメタ情報が適切か否かを表すパラメータ（メタ情報信頼度）をＦ_jと表し、値域を０≦Ｆ_j≦１とし、０は不適切、１は適切を意味するとする。以下の式では、ユーザのジャンル好み属性の小項目"Genre_m"に関する重み値をＡｕ(Genre_m)、鑑賞したコンテンツｊのメタ情報における小項目"Genre_m"の重み値をＡｃ_j(Genre_m)とする。小項目重み値は、ユーザが図２６のようなアクションを起こした時に更新する。Ｖは、ユーザの挙動から抽出される基本評価値であり、−１≦Ｖ≦１であるとし、基本評価値Ｖとユーザの挙動とは、図２６のような対応関係とする。

ここで記号"←"は、左辺のパラメータ値を右辺の計算結果に更新することを意味し、当該小項目"Genre_m"がユーザ嗜好属性に存在しない場合は重み値０として新たに小項目"Genre_m"を作成し、上式（１）を適用する。すなわち、式（１）の右辺の計算値を重み値とする小項目"Genre_m"を新規追加する。また、評価調整値μ_Actionは、ユーザにおける当該アクションに対する評価値の強さを表す（Actionは"Skip"や"Rewind"、"Play"等である）。例えば、好き嫌いにかかわらず頻繁にスキップをするユーザ（頻繁にＴＶのチャネルを変更するユーザと同様）は、スキップ一回あたりの評価フィードバックを弱くするなどの調整を行う必要があり、スキップに対する評価調整値をμ_Skipとおき、この値をユーザのスキップ操作の頻度等を用いて算出する。一方、あまりスキップなどの操作を行わず、配信されるがままのコンテンツを鑑賞するユーザも存在し、そのようなユーザは“クリップの最後まで見る”というアクション（ユーザが能動的に起こしたアクションではないが、ここではアクションの一つとする）の頻度が高くなる。しかし、最後までビデオクリップを見たとしても本当に当該コンテンツを好んでいるかどうか判断できないため、“クリップの最後まで見る”に対する評価調整値μ_Playは小さくする。以上のように、ユーザの最近一ヶ月間の各操作種別ごとの操作回数をγ_Action回とする。ここで、さらに、各操作をコンテンツに対する肯定的な操作、否定的な操作に分類し、肯定的な操作回数をγ_Positive、否定的な操作回数をγ_Negativeとおく。

γ_Positiveは最後まで見た回数γ_Playと、巻き戻し数γ_Rewind、画面サイズ拡大回数γ_Enlarge等の総和であり、γ_Negativeはスキップ回数γ_Skipと、非アクティブ回数γ_Inactive、画面サイズ縮小回数γ_Shrink等の総和である。

このとき、各操作に対する評価調整値（評価の強さ）μ_Actionを以下の式で与える。

ここでは、評価調整値μ_Play、μ_Rewind、μ_Enlargeおよび評価調整値μ_Skip、μ_Inactive、μ_Shrinkは、それぞれ同じ値としている。

また、重み値の範囲を−１００≦Ａu(Genere_m)≦１００とし、値域を越えた場合の調整方法として、重み値の絶対値の最大値Ａu_maxを算出する。

このＡu_maxが、１００を超えた場合、下記の式（５）で算出される重み値調整係数ηを用いて、全ジャンルに対する重み値（全ての小項目"Genre_m"に対する小項目重み値）に乗算する。

以上の計算式で示した学習方式により、ユーザが自身のユーザ嗜好属性のさまざまな重み値等を意識しなくても、ユーザのコンテンツ鑑賞や鑑賞時の挙動から、それらの値がＵＡ３２によって自動的に学習され設定される。

続いて、ＣＡ３５のユーザ嗜好属性のうちの詳細情報の学習方法を説明する。すなわち、図２０や図２１における小項目の学習方法を説明する。以下の例では、ジャンル属性の詳細情報（小項目）を扱う。

Ｆ_j、Ａu(Genre_m)、Ａc_j（Genre_m）は前節と同義であるとする。小項目重み値Ａc_j(Genre_m)およびメタ情報の信頼度Ｆ_jは、ユーザによる図２８に示すようなアクションをＣＡ３５から通知された際に更新する。このときＵＡ３２は評価調整値μ_ActionＶだけでなく、そのときのユーザ嗜好も通知する。

ここで、当該小項目"Genre_m"がコンテンツ属性に存在しない場合は重み値０として新たに小項目"Genre_m"を作成し、上式（７）を適用する。すなわち、式（７）の右辺の計算値を重み値とする小項目"Genre_m"を新規追加する。また、Ｆ_jは初期値を０．５とし、ユーザの挙動から抽出される評価調整値が正であればメタ情報が適切であり、評価調整値が負であればメタ情報が不適切であると考えられるので、以下のように値を更新する。

ここで、コンテンツメタ情報の小項目重み値の範囲を−１００≦Ａc_j(Genre_m)≦１００とし、値域を越えた場合の調整方法はユーザ嗜好の場合と同様とする。また、Ｆ_jが値域を越えた場合は以下のように調整する。

以上の計算式で示した学習方式により、ユーザのコンテンツへの反応から、コンテンツメタ情報がＣＡ３５により自動的に更改される。

最後に、ＵＡのユーザ嗜好属性情報のうちのマルチ属性重み情報の決定（学習）方法を説明する。

図２７における大項目の重み値、ジャンル重み値Ｗ1（＝ＷGとする）、キャラクタ重み値Ｗ2（＝ＷCとする）、などの設定および学習方法を説明する。

ユーザ嗜好属性ｋ（俳優、キャラクタ好みやジャンル好み等）の重み値をＷk、（ｋ＝１、２、・・・)と表し、重み値の範囲は０≦Ｗk≦１００とする。学習回数をn、ユーザおよびクライアントアプリケーション等のＵＡ使用時間（経過時間）をｔ、試行錯誤において、重み値を変化させる際の単位時間当たりの変化量をωkとして、Ｗkを以下のような関数で表される計算式で与える。

ここで、ＸknはＵＡの試行錯誤により振動する重み値の振幅を決定するパラメータであり、０≦Ｘkn≦π／２の値域とする。Ｘkn＝０のとき、重み値Ｗkの振幅は最大であり、Ｘkn＝π／２のとき、振幅は０すなわち収束となる。一方ＹknはＵＡの学習により重み値の収束先を決定するパラメータであり、値域は−π／２≦Ｙkn≦π／２とする。Ｙkn＝−π／２のとき重み値Ｗkは最小値に、Ｙkn＝０のとき、重み値は中間値に、Ｙkn＝π／２のとき重み値は最大値に、それぞれ収束する。これらのパラメータの値は、次式のように学習が進むにつれて値が変動する。

上式において、Ｖnは、ユーザの挙動から抽出されるｎ回目の基本評価値Ｖ（−１≦Ｖ≦１）の値を意味し、Ｖとユーザの挙動とは、図２６のような対応関係とする。また、評価調整値μ_{Action n}はユーザのｎ回目の挙動が発生した時点において、式（２）および式（３）で求められる基本評価値Ｖを各ユーザ毎に調整するための値である。

また、Ｔknは前記ｎ回目のユーザの挙動の要因となったコンテンツを特定したときのｔの値をｔnとして、以下のように算出する。

この時刻（ｔ＝ｔ_n）におけるＸkおよびＹkの値をそれぞれＸk_t=tn、Ｙk_t=tnと表す。

この評価フィードバックを行うことにより、重み値Ｗkを算出する関数のパラメータＸknおよびＹknが更新される。ただし、それぞれ０≦Ｘkn≦π／２、０≦Ｙkn≦π／２であるので、値域を越えた場合は以下のように修正する。

次に、ユーザエージェント（ＵＡ）およびコンテンツエージェント（ＣＡ）の学習例を具体的な数値を用いて説明する。ユーザのコンテンツ鑑賞中に振舞うアクションの各種別の頻度をもとに、各アクションに対応するフィードバック値を計算して決定し、このフィードバック値によりユーザ嗜好を学習する方法の概要の一例を図２８に示す。

図２９のようなエンドユーザ（コンテンツ利用者）およびそのＵＡ３２と、コンテンツ１を提供するコンテンツプロバイダ１のＣＡ３５₁、コンテンツ２を提供するコンテンツプロバイダ２のＣＡ３５₂が存在するとする。図２９中の番号順に、インタラクションが起こった場合の、ＵＡ３２およびＣＡ３５₁、ＣＡ３５₂の学習結果を図３０および図３１に示す。

図２９で、ユーザがコンテンツ１を利用し、当該コンテンツ１を最後まで鑑賞したとすると、図３０のようにユーザ嗜好属性、コンテンツ属性が更新される。このとき、上記の式（１）および式（７）において、Ｖ＝１．０を代入する（図２６の対応表を参照）。ユーザのユーザ嗜好属性に関しては、上述した式（２）よりμ_Play≒０．２１であり。ユーザ嗜好属性において属性"キャラクタ"の小項目"トムクルーズ"に対する重み値は、９０＋０．２１×１．０×０．８×５０であるので、約９８となる。また、属性"キャラクタ"の小項目"メグライアン"に対する重み値は、学習前には当該小項目は存在しなかった（重み値＝０であった）ため、０＋０．２１×１．０×０．８×３５であるので、約６となる。他の小項目も同様に算出でき、図３０のような値に更新される。一方、コンテンツ１のコンテンツ属性は、属性"キャラクタ"の小項目"トムクルーズ"に対する重み値は、５０＋０．２１×１．０×（１−０．８）×９０であるので、５４となる。他の小項目も同様に算出でき、図３０のような値に更新される。また、この学習の後、ユーザの操作回数情報においてγ_Positive＝２１となり、コンテンツ１のコンテンツ属性において、メタ情報の適切度Ｆ1は式（８）より約０．８２となる。

ここでさらに、図２９におけるユーザがコンテンツ２を利用し、当該コンテンツ２を鑑賞中にスキップしたとすると、図３１のようにユーザ嗜好属性、コンテンツ属性が更新される。このとき、式（１）および式（７）において、Ｖ＝−１．０を代入する（図２６の対応表を参照）。ユーザのユーザ嗜好属性に関しては、式（３）よりμ_Skip≒０．１４であり。ユーザ嗜好属性において属性"キャラクタ"の小項目"ブラッドピット"に対する重み値は、３０＋０．１４×（−１．０）×０．５×３０であるので、約２８となる。

他の小項目も同様に算出でき、図３１のような値に更新される。一方、コンテンツ１のコンテンツ属性は、属性"キャラクタ"の小項目"ブラッドピット"に対する重み値は、３０＋０．１４×（−１．０）×（１−０．５）×３０であるので、約２８となる。他の小項目も同様に算出でき、図３１のような値に更新される。また、この学習の後、ユーザの操作回数情報においてγ_Negative＝２６となり、コンテンツ１のコンテンツ属性において、メタ情報の適切度Ｆ2は式（８）より約０．４９となる。

本実施形態のコンテンツ提供システムでは、中断、巻き戻し、スキップ、表示サイズ拡大／縮小等の、ユーザがコンテンツ鑑賞中に振舞うアクションから、ユーザ嗜好を学習する際に、各アクションに対応するコンテンツ評価最終値を、ユーザ毎に調整し、ユーザ毎のスキップ等の操作に対する意味が異なることに対応できる。例えば、好き嫌いにかかわらず頻繁にスキップをするユーザ、つまり頻繁にＴＶのチャネルを変更するようなユーザは、スキップ一回あたりの評価フィードバックを弱くするなどの調整を行うことが可能となる。

また、本実施形態のコンテンツ提供システムによれば、一度見たコンテンツが再度提示された際、ユーザは当該コンテンツが好き嫌いに関わらず、スキップする確率が高くなるため、当該コンテンツが過去に提示されたかどうかをチェックし、スキップに対応する評価フィードバックを低減する等の調整を行い、正確なユーザ嗜好を学習することができる。

次に、本実施形態におけるユーザ嗜好学習方式の実験結果を図３２に示す。図３２では、典型的な被験者におけるコンテンツ評価最終値と類似度との関係が示されている。実験方法は、以下である。
（１）被験者は、ビデオクリップを鑑賞するためのアプリケーションを用いて約１時間、ビデオクリップを鑑賞する。
（２）鑑賞中の被験者の操作内容（表示コンテンツのスキップ、巻き戻し、最後まで見る等）をログに保存する。
（３）実験後のログデータをもとに、Ｐ_Agentの学習アルゴリズムによるユーザ嗜好学習値を従来の学習方法に基づいて算出する。この算出されたユーザ嗜好学習値を、評価対象のデータ

とおく。
（４）実験後、被験者から理想的なユーザ嗜好値をアンケートにより取得する。このアンケートにより取得されたユーザ嗜好値を、比較対照のデータ

とおく。
（５）

と

を、図３３に示すような方法で、ベクトルの類似度を算出し、学習結果が理想値にどれくらい類似しているかを評価する。類似度や、理想ベクトルと学習ベクトル間のｃｏｓθで表すとする。この評価値は“１”が最も類似していることを表し、“−１”が全く逆を示すことを意味する。従って、類似度が“１”に近いほど学習結果が良いことを示す。

実験結果は、図３２のように、従来の学習結果では、典型的な被験者に対して学習結果と理想値との類似度は約“−０.２”である（丸２０１の箇所）。そこで、本発明の学習方式では、式（２）および式（３）で示したように、鑑賞中コンテンツに対する肯定的な操作（最後までビデオクリップを見る等）回数、および、鑑賞中コンテンツに対する否定的な操作（途中でスキップ等）回数を考慮して、エージェントへの学習フィードバック値を調整する。この調整による効果は、図３２のグラフにおいて、破線で示した通りである。すなわち、本実験の被験者は、肯定的な操作（最後まで見た）回数に比べて否定的な操作（スキップ）回数の方が多いことや、式（２）および式（３）の計算結果により、１回あたりの「スキップ」に対するコンテンツ評価最終値の調整値μ_Skipは、「最後まで見た」に対する調整値μ_Playと比べて小さくなる。ここで、従来のフィードバック値（μ_Skip＝μ_Play）を元に、μ_Skipを小さく、μ_Playを大きくして、ユーザ嗜好学習結果再計算し、理想値との類似度を求めたところ、図３２における破線のグラフのように、μ_Playが大きく（μ_Skipが小さく）なるに従って類似度が高くなった。ただし、このグラフでは、μ_Skip＋μ_Play＝１．０の関係を持たせて調整値を変化させ、そのときの類似度をグラフ化した。つまり、スキップに対する評価の強さμ_Skipは、μ_Skip＝１．０−μ_Playにより算出される。

この図３２の破線のグラフが示すように、ある特定の調整値μ_Playおよびμ_Skipにおいて学習結果

と理想値

との類似度が最大となった。

さらに、上記の実験では、実験中（約１時間）の間に、同じコンテンツが２度以上配信されることがあり、その場合被験者はほとんどスキップした。ここで、本発明のエージェントは、過去に鑑賞したコンテンツのコンテンツＩＤを保持しておき、再度同じコンテンツが配信されたかどうかをチェックする。従ってスキップされたコンテンツが、既に見たコンテンツであったかどうかを確認する。上記の実験において、同一コンテンツに対するスキップ操作を評価の対象から削除して、学習結果を計算すると、図３２における実線のグラフのようになる。この実線のグラフより、既に見たコンテンツに対するスキップを、フィードバックの対象外とすることにより、同一コンテンツ再表示に対するスキップもそのままフィードバックする従来の方式（破線のグラフ）よりも、学習結果

がμ_PLAYおよびμ_Skipの調整を厳密に行わなくても、理想値

との類似度を高くすることが可能である。このことは、実線で示したグラフでは類似度を０.８以上にできるμ_Playの値域がおおよそ０．６＜μ_play＜０．９となり、破線により示したグラフの０．８＜μ_Play＜０．９５よりも広くなっていることによって示される。従って、本実施形態におけるフィードバック調整方法は、ユーザのコンテンツ鑑賞中の挙動にノイズ（好み以外の原因による操作アクション）があったとしても、エージェントの学習結果を理想値に近くすることができるということがわかる。

従来の学習方法での学習結果の理想値との類似度を示す破線のグラフでは、μ_Playが０．５となる周辺では、学習効果が理想値から大きくはずれていることがわかる。

図３４は、同様の実験を１２人に対して行った結果である。ユーザの挙動は、「クリップの最後まで見る」と「スキップ」がほとんどであるので、この２種類のみ回数を示してある。また、ここでは、同じコンテンツが再度表示された場合のユーザのスキップ操作を無効化し、学習の対象外とする。すなわち、操作回数γ_Skipにも加算しない。これらのユーザの操作回数のうちコンテンツに対する否定的な操作（主に「スキップ」）回数の割合と、学習結果

と理想値

の類似度を最大にするμ_Playの値を求め、図３５のようにグラフ化した。ただし、グラフ化のため、μ_Skip＋μ_Play＝１．０の関係で、それぞれの調整値を正規化した。このグラフより、

とすると、類似度を最大値近傍にできる。この結果は、式（２）および式（３）を正規化することにより一致する。

最後に、本発明の方法を用いて、上記の実験における、幾人かの被験者ユーザのユーザ嗜好属性学習を行った結果を示す。図３６に示すユーザは、上記の実験において、最後までビデオクリップを見た回数γ_Playが１６回であり、スキップ数γ_Skipは１回である。ただし、ここでは、同じコンテンツが再表示された場合に実行されたスキップ操作は、学習対象外とするためカウントはしていない。その結果、スキップ操作の割合（すなわち否定的操作の割合）は約０．０６となるため、理想値に近い学習結果を得るための目安となる「クリップの最後まで見た」等プラス評価フィードバックの調整値μ_Positive-stdの値は、０．２５となる。そこで、この値に基づいて学習を進めたところ、図３６の実線のグラフにおいて丸２０２で示した部分のように、学習結果

と理想値

との類似度は、約０．８５となり、従来の学習結果の類似度（約０）よりも著しく良い結果となった。その他の被験者ユーザに関しても同様であり、図３７および図３８に結果を示した。

同実験データを用いて、ＣＡによるメタ情報学習効果を図３９に示した。この図３９のグラフは、ＣＡの有するコンテンツのメタ情報を用いて、ＵＡがユーザ提案するコンテンツの適合率（コンテンツをユーザ嗜好に合致する順にランク付けした結果、上位のコンテンツほど実際にユーザが最後まで見たコンテンツになっているかどうか、同様に、ランキング下位のコンテンツほど、実際にユーザがスキップしたコンテンツになっているかどうか、を表す数値）であり、０〜１の値となる。０は、全くユーザの希望とは逆の提案になっていることを意味し、０．５はランダムに提案することと等価である。１はユーザの希望通りの提案を行っていることになり、１に近いほど提案内容（すなわちカスタマイズ）がユーザ嗜好に合致していることを示す。

初期設定したメタ情報を用いたときの適合率はグラフ１のように０．７１であり、従来の学習によって適合率は０．８３まで上昇するが、本実施形態による学習を行ったところ、適合率は０．８９となり、従来の学習方法よりも効果が高くなった。

（第２の実施形態）
次に、本発明の第２の実施形態のコンテンツ提供システムについて詳細に説明する。

上記で説明した第１の実施形態のコンテンツ提供システムでは、ユーザがコンテンツ鑑賞中にスキップ操作等のアクションを行った場合は、鑑賞中のコンテンツに対して興味が無い（好みに合わない）と判断して、負の評価値をフィードバックする場合のシステムであった。しかし、上記の背景技術の項においても説明したように、ユーザがコンテンツ鑑賞中にスキップ操作等のアクションを行ったとしても、必ずしもそのコンテンツに興味がないわけではなく、逆に鑑賞中のコンテンツが好みに合っているため次に表示されるコンテンツを見ようとする意識が強いためスキップ操作等のアクションを実行しているという場合もある。

例えば、コンテンツの鑑賞を行う数十人のユーザに対してアンケートを行うことにより得られたスキップする理由とその分布を図４０に示す。この図４０では、コンテンツの鑑賞中にスキップ操作を行った場合、そのスキップ操作が、“鑑賞しているコンテンツが好みに合わない”または“好みに合っているが、次が見たい”という理由に当てはまるかどうかを、それぞれ“非常によく当てはまる”、“当てはまる”、“少し当てはまる”、“当てはまらない”のいずれかで選択してもらった場合の結果が示されている。尚、図４０では、“当てはまらない”という回答については図示していない。

この図４０を参照すると、鑑賞中のコンテンツが好みに合っていても次に表示されるコンテンツを見るためにスキップ操作を行うユーザが半数以上存在することがわかる。つまり、このような例では、コンテンツ鑑賞中のスキップ操作等のアクションが行われた場合に鑑賞中のコンテンツに対して興味が無いものと判断したのでは、半数以上のユーザに対して適切にユーザ嗜好の学習が行われないという問題がある。

また、この実験によって得られた、数十人のコンテンツ鑑賞中に操作したスキップに関するスキップ要因と、スキップ操作率との関係を図４１に示す。

この図４１は、図４０におけるアンケート調査において、アンケートに回答したユーザのスキップ操作率Ｐ_Skipを調査して、各回答内容毎に平均値を算出したものである。図４１（ａ）は、好みに合わないコンテンツをスキップしたユーザにおける各回答毎のスキップ操作率Ｐ_Skipの平均値を示し、図４１（ｂ）は、次のコンテンツを見るためにスキップのアクションを行ったユーザにおける各回答毎のスキップ操作率Ｐ_Skipの平均値を示したものである。この図４１（ｂ）を参照すると、次のコンテンツを見るためにスキップのアクションを行うユーザは、スキップ操作率Ｐ_Skipが高いことがわかる。

上記で説明した理由により、本発明の第２の実施形態のコンテンツ提供システムでは、スキップ操作等のアクションに対して一律にマイナス要素のフィードバックを行わず、そのスキップ操作等のアクションが、鑑賞中のコンテンツに対して興味が無いために行われたのかそれとも鑑賞中のコンテンツが好みに合っているため次に表示されるコンテンツを見ようとする意識が強いために行われたのかを判断することにより、より正確なユーザ嗜好の学習を行うようにしている。

本実施形態のコンテンツ提供システムの基本的な構成は、図８、図９、図１１、図１２等に示した第１の実施形態のコンテンツ提供システムの構成と同じであり、単にコンテンツ評価情報作成部１０５、操作回数管理部１０６、評価値調整部１０８の動作が、第１の実施形態とは異なるだけであるため、以下の説明ではその異なる部分についてのみ説明する。

先ず、図１０に示したコンテンツ提供システム全体の動作シナリオ中のユーザ嗜好更新／コンテンツメタ情報更新におけるＵＡ３２の動作について説明する。

ＵＡ３２は、ユーザの操作情報、あるいは、何も操作することなくコンテンツが表示され、ある特定の時間がたつか、クリップの最後まで再生された場合に、ユーザの、当該コンテンツに対する評価情報を作成する。このとき、本実施形態におけるＵＡ３２は、評価情報として、操作内容に対応する基本評価値をもとに、さらに、当該操作を行ったタイミング（当該コンテンツを鑑賞し始めてから経過した時間）、および、当該ユーザの特定期間（例えば、最近一ヶ月間）のスキップ操作率から、最終フィードバック評価値を算出する。特に、ユーザのスキップ操作時には、２種類（プラス要素およびマイナス要素）の評価フィードバックを行う。ＵＡ３２が、この最終評価情報と、コンテンツメタ情報を用いてユーザ嗜好を更新する方法については、上記第１の実施形態における方法と同様である。さらにＵＡ３２が、ユーザ嗜好キーワードと、前記評価情報をＣＡ３５₁、３５₂に通知すると、ＣＡ３５₁、３５₂がこれらの情報からコンテンツメタ情報を更新する方法についても、上記第１の実施形態における方法と同様である。

次に、図１２に示したＵＡ３２の各構成要素のうち、上記で説明した第１の実施形態における動作とは異なる動作を行うコンテンツ評価情報作成部１０５、操作回数管理部１０６、評価調整部１０８について説明する。

コンテンツ評価情報作成部１０５は、コンテンツ操作情報からコンテンツ評価基本情報に変換し、操作内容とコンテンツ評価基本情報を評価値調整部に通知するものであった。ここで、本実施形態におけるコンテンツ評価情報作成部１０５は、ユーザのスキップ操作時には、２種類（プラス要素およびマイナス要素）のコンテンツ評価基本情報を評価値調整部１０８に通知する。つまり、コンテンツ評価情報作成部１０８は、コンテンツの鑑賞中にスキップのアクションが行われた際、当該スキップのアクションが行われるまでの鑑賞時間が規定値以上の場合には、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する基本評価値をプラスの要素の値に設定する。

操作回数管理部１０６は、当該ユーザの一定期間（過去一か月分）のコンテンツ表示画面に対する各操作および鑑賞中に起こる各イベントの回数（"スキップ"の回数や、"コンテンツをクリップの最後まで見終える"というイベントの回数）を管理する。

評価値調整部１０８は、コンテンツ評価情報作成部１０５から通知されたコンテンツ評価基本情報をもとに、さらに、操作回数管理部１０６で管理される一定期間のスキップ操作率と、評価対象のコンテンツのコンテンツＩＤが、鑑賞コンテンツ履歴管理部１０７に存在するか否かの情報を取得し、これらの情報から当該コンテンツに対するコンテンツ評価情報最終値を算出してユーザ嗜好属性学習部１００に通知する。本実施形態における評価値調整部１０８は、操作回数管理部１０６で管理されているスキップ操作率に基づいて、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する評価調整値およびスキップのアクションに対する評価調整値を算出する。

次に、以上のような機能ブロックから成るＵＡ３２の他のエンティティとの連携を次に示す実現例を用いて詳述する。まず、機能ブロック内の動作シナリオを説明し、それから、ＵＡ３２におけるユーザ嗜好属性学習方法、および、ＣＡ３５におけるコンテンツ属性学習方法を説明する。

ここで、上記第１の実施形態におけるＵＡ３２の各機能ブロックの動作の説明において、（４−３）〜（４−５）の説明を下記の説明に置き換えたものが、本実施形態のコンテンツ提供システムにおける各機能ブロックの動作の説明となる。

（４−３）操作回数管理部１０６は、当該ユーザのコンテンツ鑑賞中に起こる一定期間（一ヶ月間）のイベント回数（“クリップの最後まで鑑賞”、および、“スキップ”、“中止”操作の回数）を管理する。

（４−４）コンテンツ評価情報作成部１０５は、図４２に示されるような関係表に基づいて、コンテンツに対するユーザの基本評価値を表すＶの値を決定する。ここで、Ｖは、上記の第１の実施形態の場合と同様に、ユーザの挙動から抽出される基本評価値であり、−１≦Ｖ≦１となる値である。そして、Ｖ＞０の場合には適切なコンテンツ選択に成功し、ユーザが満足していることを示し、Ｖ＜０の場合には適切なコンテンツ選択に失敗し、ユーザが嫌悪していることを示している。コンテンツ評価情報作成部１０５は、このＶとＣＫを評価値調整部１０８へ通知する。ここで、コンテンツ操作入力部１０２から通知された操作情報が"スキップ"操作であった場合には、コンテンツ評価情報作成部１０５は、２種類（プラス要素およびマイナス要素）のコンテンツ評価基本情報を評価値調整部１０８に通知する。図４２において、「スキップまでの鑑賞時間が規定値以上」の場合に基本評価値を＋１．０としている点が第１の実施形態と比較して新規に追加されている項目である。

（４−５）評価値調整部１０８は、コンテンツ評価情報作成部１０５から通知されたコンテンツ評価基本情報をもとに、さらに、操作回数管理部１０６で管理される一定期間のスキップ操作率と、ユーザの操作した（イベントの発生した）タイミング、すなわちクリップが再生開始されてから何秒経過したときに発生したイベントであるかを示す情報（単位：秒）を取得し、これらの情報から当該コンテンツに対するコンテンツ評価情報最終値μＶを算出して保持しておく。

次に、ＵＡ３２のユーザ嗜好属性のうちの詳細情報の学習方法を説明する。すなわち、図２７における小項目の学習方法を説明する。以下の例では、ジャンル好み属性の詳細情報（小項目）を扱う。

あるコンテンツｊに対するメタ情報が適切か否かを表すパラメータ（メタ情報信頼度）をＦ_jと表し、値域を０≦Ｆ_j≦１とし、０は不適切、１は適切を意味するとする。以下の式では、ユーザのジャンル好み属性の小項目"Genre_m"に関する重み値をＡｕ(Genre_m)、鑑賞したコンテンツｊのメタ情報における小項目"Genre_m"の重み値をＡｃ_j(Genre_m)とする。小項目重み値は、ユーザが図４２のようなアクションを起こした時に更新する。Ｖは、ユーザの挙動から抽出される基本評価値であり、−１≦Ｖ≦１であるとし、基本評価値Ｖとユーザの挙動とは、図４２のような対応関係とする。

ここで記号"←"は、左辺のパラメータ値を右辺の計算結果に更新することを意味し、当該小項目"Genre_m"がユーザ嗜好属性に存在しない場合は重み値０として新たに小項目"Genre_m"を作成し、上記の式（１７）を適用する。すなわち、式（１７）の右辺の計算値を重み値とする小項目"Genre_m"を新規追加する。また、評価調整値μ_Actionは、ユーザにおける当該アクションに対する評価値の強さを表す（Actionは"Skip"［＝スキップ］や"Stop"［＝途中停止］、"Rewind"［＝巻き戻し］、"Play"［＝スキップまでに１分以上鑑賞］、"End"［＝最後まで鑑賞］等である）。

なお、第１の実施形態においては、アクション“Play”を「最後まで鑑賞」という意味づけとしていたが、本実施形態においては、アクション“End”を「最後まで鑑賞」とし、アクション“Play”を「（スキップしたとしても）一定時間以上鑑賞」という意味づけとする。

図４０および図４１に示したように、ユーザによるスキップ操作は鑑賞中コンテンツに対するマイナス評価のみであるとは限らないため、スキップ操作時には、マイナス評価μ_SkipＶ_Skipとプラス評価μ_PlayＶ_Playの両方をフィードバックするようにする。これにより、ユーザに応じて適切なスキップ操作に対応する評価がフィードバックされる。例えば、好みに合っているコンテンツ鑑賞中でも、次のコンテンツを見ようとする意識が強いため、途中でスキップするユーザ（図４１のように、このようなユーザは頻繁にスキップする傾向がある）は、スキップ操作に対する評価フィードバックはマイナスというよりも、むしろプラスである。そこで、スキップまでに鑑賞した時間に応じてフィードバックされるμ_PlayＶ_Playの値を大きく、逆にスキップ操作そのものに対するフィードバック値μ_SkipＶ_Skipを弱くする。このようなユーザは、スキップ操作率が高くなる傾向がある。一方、次のコンテンツを見ようとする意識が低く、鑑賞中のコンテンツが好みに合っていればあまりスキップなどの操作を行わないユーザが存在するのであれば、スキップ操作が行われた時、μ_SkipＶ_Skipを強くしてマイナスを強くし、μ_PlayＶ_Playを小さくする必要がある。このようなユーザは、スキップ操作率が低くなる傾向がある。

よって、本実施形態のようにスキップ操作率に基づいて、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する評価調整値μ_Playおよびスキップのアクションに対する評価調整値μ_Skipを算出するようにすれば、より
正確なユーザ嗜好の学習を行うことができる。

なお、フィードバックにはプラスフィードバックとマイナスフィードバックに分類でき、プラスフィードバック値にはμ_PlayＶ_Play、μ_EndＶ_End、μ_RewindＶ_Rewindがある。本実施形態では計算方法を簡単にするために、これらの評価値の調整値μ_Play、μ_End、μ_Rewindは全て同じ計算方法で求める。同様に、マイナスフィードバック値にはμ_SkipＶ_Skip、μ_StopＶ_Stopがあるが、これらの評価値の調整値μ_Skip、μ_Stopについても、計算方法を簡単にするため同じ計算方法で求める。また、途中停止時にも、スキップと同様、途中停止までに鑑賞した時間に応じてμ_PlayＶ_Playをプラスフィードバックするとする。

以上より、各操作に対するフィードバック調整値（評価の強さ）μ_Actionを、スキップ操作率Ｐ_Skipを用いて、以下の式で与える。なお、一定期間のスキップ回数をＮ_Skip、スキップせずにクリップの最後までコンテンツを鑑賞した回数をＮ_Endと表すとする。

また、重み値の範囲を−１００≦Ａu（Genre_m）≦１００とし、値域を越えた場合の調整方法として、重み値の絶対値の最大値Ａu_maxを算出する。

このＡu_maxが、１００を超えた場合、下記の式（２２）で算出される重み値調整係数ηを用いて、全ジャンルに対する重み値（全ての小項目"Genre_m"に対する小項目重み値）に乗算する。

以上の計算式で示した学習方式により、ユーザが自身のユーザ嗜好属性のさまざまな重み値等を意識しなくても、ユーザのコンテンツ鑑賞や鑑賞時の挙動から、それらの値がＵＡによって自動的に学習され設定される。

本実施形態における、ＣＡ３５のユーザ嗜好属性のうちの詳細情報の学習方法や、ＵＡ３２のユーザ嗜好属性情報のうちのマルチ属性重み情報の決定（学習）方法については、上記で説明した第１の実施形態の場合と同様であるためその説明は省略する。

本実施形態のコンテンツ提供システムによれば、ユーザがコンテンツ鑑賞中にスキップ操作等のアクションが実行された場合、スキップのアクションが行われるまでの鑑賞時間が規定値以上の場合には、鑑賞中のコンテンツが好みに合っているが次に表示されるコンテンツを見るためにスキップしたものであると判断し、そのアクションに対する基本評価値Ｖ_Playをプラスの要素の値である“１”に設定してユーザ嗜好の学習に対してフィードバックするようにしたものである。従って、コンテンツの鑑賞中にスキップのアクションが行われた場合に、そのスキップのアクションに対して一律にマイナス要素のフィードバックを行う場合と比較して、ユーザ嗜好を適切に学習することが可能となる。

次に、本実施形態における、ユーザエージェント（ＵＡ）およびコンテンツエージェント（ＣＡ）の学習例を具体的な数値を用いて説明する。

図４３のようなユーザ（コンテンツ利用者）およびそのユーザ嗜好を学習するＵＡと、コンテンツ１を提供するコンテンツプロバイダ１のＣＡ１、コンテンツ２を提供するコンテンツプロバイダ２のＣＡ２が存在するとする。図中の番号順に、インタラクションが起こった場合の、ＵＡおよびＣＡ１、ＣＡ２の学習結果を図４４および図４５に示す。

図４３で、ユーザがコンテンツ１を利用し、当該コンテンツを２分鑑賞したところでスキップ操作を行った（当該コンテンツは２分以上のクリップであるとする）とすると、図４４のようにユーザ嗜好属性、コンテンツ属性を更新する。このとき、上記の式（２４）において、ＶPlay＝１．０およびＶskip＝−１．０の基本評価値を有する２種類のフィードバックを行う（図４６の対応表を参照）。これらの基本評価値の調整値は、それぞれ式（１９）および式（２０）よりμ_Play≒０．９０、μ_Skip≒０．１０である。したがって、ユーザ嗜好属性において属性"ジャンル"の小項目"ラップ"に対する重み値は、４０＋０．９０×１．０×０．８×５０＋０．１０×(−１．０)×０．８×５０であるので、約７２となる。また、属性"ジャンル"の小項目"ヒップホップ"に対する重み値は、学習前には当該小項目は存在しなかった（重み値＝０であった）ため、０＋０．９０×１．０×０．８×４５＋０．１０×(−１．０)×０．８×４５であるので、約２９となる。他の小項目も同様に算出でき、図４４のような値に更新される。一方、コンテンツ１のコンテンツ属性は、属性"ジャンル"の小項目"ラップ"に対する重み値は、５０＋０．９０×１．０×(１−０．８)×４０＋０．１０×(−１．０)×(１−０．８)×４０であるので、５６となる。他の小項目も同様に算出でき、図４３のような値に更新される。また、この学習の後、ユーザの操作回数情報においてスキップ操作回数Ｎ_Skip＝２６となり、コンテンツ１のコンテンツ属性において、メタ情報の適切度Ｆ1は上記の式（２５）より約０．８８となる。

ここでさらに、図４３におけるユーザがコンテンツ２を利用し、当該コンテンツを３０秒鑑賞したところでスキップ操作を行った（当該コンテンツは３０秒以上のクリップであるとする）とすると、図４５のようにユーザ嗜好属性、コンテンツ属性を更新する。このとき、式（２４）において、ＶPlay＝１．０およびＶSkip＝−１．０の基本評価値を有する２種類のフィードバックを行う（図４６の対応表を参照）。ここで、式（１９）におけるτ_Playの算出方法を後述の式（２７ｂ）で行うとすると、前記基本評価値の調整値は、それぞれ式（１９）および式（２０）よりμ_PLAY＝０、μ_Skip≒０．１０である。したがって、ユーザ嗜好属性において属性"ジャンル"の小項目"ロック"に対する重み値は、５５＋０×１．０×０．５×５０＋０．１０×(−１．０)×０．５×５０であるので、約５３となる。他の小項目も同様に算出でき、図４５のような値に更新される。一方、コンテンツ１のコンテンツ属性は、属性"ジャンル"の小項目"ロック"に対する重み値は、５０＋０×１．０×(１−０．５)×５５+０．１０×(−１．０)×(１−０．５)×５５であるので、約４７となる。他の小項目も同様に算出でき、図４５のような値に更新される。また、この学習の後、ユーザの操作回数情報においてスキップ操作回数Ｎ_Skip＝２７となり、コンテンツ１のコンテンツ属性において、メタ情報の適切度Ｆ2は式（２４）より約０．４９となる。

本学習方式の実験結果を図４７に示す。実験方法は、以下である。
（１）被験者は、ビデオクリップを鑑賞するためのアプリケーションを用いて約１時間、ビデオクリップを鑑賞する。
（２）鑑賞中の被験者の操作内容（表示コンテンツのスキップ、巻き戻し、最後まで見る等）をログに保存。
（３）実験後のログデータをもとに、Ｐ_Agentの学習アルゴリズムによるユーザ嗜好学習値を従来の学習方法に基づいて算出する。この算出されたユーザ嗜好学習値を、評価対象のデータ

とおく。
（４）実験後、被験者から理想的なユーザ嗜好値をアンケートにより取得する。このアンケートにより取得されたユーザ嗜好値を、比較対照のデータ

とおく。
（５）

と

を、式（２４）（すなわち図３３）に示すような方法で、ベクトルの類似度を算出し、学習結果が理想値にどれくらい類似しているかを評価する。この評価値は１が最も類似していることを表し、−１が全く逆を示すことを意味する。従って、類似度が１に近いほど学習結果が良いことを示す。

実験結果は、図４７のように、従来の学習方法（すなわちスキップした場合は必ずマイナスフィードバックを行い、最後まで鑑賞したときのみプラスフィードバックする学習方法）による学習結果では、図に示した一例の被験者（典型的な被験者）に対して学習結果

と理想値

との類似度は約０.６８である（丸３０１の箇所）。また、図４７において示した"フィードバック調整値"と"学習結果の理想値との類似度"の関係を示すグラフ（破線グラフ）より、従来の学習方法（特にスキップ時のフィードバック内容）では、プラスフィードバックを強く（マイナスフィードバックを弱く）するほど学習結果が良くなる。（ただし、このグラフは、μ_Positive＋μ_Negative＝１．０の関係を持たせて調整値を変化させ、そのときの類似度をグラフ化したものである）。これは、スキップに対するマイナス評価フィードバックが妥当ではないことを裏付けており、図４０に示したアンケート結果と一致する。そこで、本発明の学習方式では、図４６に示したようにスキップした場合でもスキップまでに一定時間鑑賞した際にはプラスフィードバックも行うこととする。また、プラスフィードバック値およびマイナスフィードバック値の調整値は式（１９）および式（２０）で示した算出式から求める。この結果、学習結果

と理想値

との類似度は約０.８９になる（丸３０２の箇所）。また、"フィードバック調整値"と"学習結果の理想値との類似度"の関係を示すグラフは、フィードバック調整値μ_Positiveおよびμ_Negativeが多少変動しても、類似度の値が０.８以上をとる値域が広く、安定した学習結果を出力すると考えられる。

このような実験を６４人に対して行った。図４８は、前期実験において、スキップまでのコンテンツ鑑賞時間と当該コンテンツのユーザ嗜好との合致度（各コンテンツには図２０に示したようなコンテンツキーワードが付与されていることが前提であり、このコンテンツキーワードと、ユーザ嗜好理想値

との類似度を、ここでは合致度と呼ぶ）の関係を示すグラフである。この図より、好みに合わないコンテンツ１分以上鑑賞するユーザはほとんどいないことが分かる。従って、スキップまでに１分以上鑑賞した場合のみプラスフィードバックを行うことにしている。図４９は、実験後のユーザのログより計算したユーザ嗜好学習結果が最も良くなるときのフィードバック調整値と当該ユーザのスキップ操作率を示すグラフである。ユーザの挙動は、「クリップの最後まで見る」と「スキップ」がほとんどであり、「スキップ」に関しては、スキップまでに１分以上鑑賞した場合にプラス評価値もフィードバックする。これらのユーザの操作に対するスキップ操作率Ｐ_Negativeと、学習結果

と理想値

の類似度を最大にするμ_Positiveおよびμ_Negativeの値を求め、図４９のようにグラフ化した。ただし、グラフ化のため、μ_Positive＋μ_Negative＝１．０の関係で、それぞれの調整値を正規化した。このグラフより、

とすると、類似度を最大値近傍にできる。この結果が、上記の式（１９）および式（２０）の根拠である。

式（１９）において、τ_Playは、スキップまでに一定時間以上鑑賞した場合のフィードバック調整値μ_Playのさらなる調整値である。下記のような関数で調整する。

ここで、フィードバック調整値τ_Playの関数として式（２７ａ）を用いる方式を調整方式（ａ）とし、フィードバック調整値τ_Playの関数として式（２７ｂ）を用いる方式を調整方式（ｂ）とし、フィードバック調整値τ_Playの関数として式（２７ｃ）を用いる方式を調整方式（ｃ）とする。

この、調整方式（ａ）、調整方式（ｂ）、調整方式（ｃ）におけるフィードバック調整値τ_Playの関数を図５０に示す。また、学習結果の妥当性（ｃｏｓθ）を、従来の学習方式、本発明の学習方式（調整方式(ａ)、調整方式(ｂ)、調整方式(ｃ)）の４通りでの、６４人の被験者に対する結果を下記の表１に示す。

この結果より、本発明の第２の実施形態における学習方式は、第１の実施形態における学習方式よりも、多くのユーザに適応したユーザ嗜好学習が可能である。また、τ_Playの調整方式は(ａ)、(ｂ)、(ｃ)のどれもほとんど変わらないが、調整方式(ｂ)が、最も良好である。

以上説明した本発明の第１および第２の実施形態では、ＳＩＯＮｅｔを用いて本発明のシステムを実現する方法を説明してきたが、ＷＷＷ検索サービスでもＳＩＯＮｅｔに代替可能である。ＷＷＷ検索サービスを用いて実現する場合、図１１、図１２におけるコンテンツ探索イベント受信フィルタ登録部７１、コンテンツ探索イベント発信部９１をそれぞれ、ディレクトリサービス（ＷＷＷ検索サービス）へのコンテンツ登録メッセージ発信部、コンテンツ検索メッセージ発信部に置き換え、俳優名やシーンタイプ等を表すキーワードを検索キーワードとして用い、コンテンツ登録および検索メッセージをＨＴＴＰで発信することで実現可能である。

また、図には示されていないが、本発明の第１および第２の実施形態のコンテンツ提供システムでは、エンドユーザの端末６０およびコンテンツプロバイダ１、２の端末６１₁、６１₂は、上記で説明したコンテンツ提供方法を実行するためのプログラムを記録した記録媒体を備えている。この記録媒体は磁気ディスク、半導体メモリまたはその他の記録媒体であってもよい。このプログラムは、記録媒体からエンドユーザの端末６０に読み込まれ、コンテンツプロバイダ１、２の端末６１₁、６１₂に読み込まれ、エンドユーザの端末６０およびコンテンツプロバイダ１、２の端末６１₁、６１₂の動作を制御する。具体的には、エンドユーザの端末６０、コンテンツプロバイダ１、２の端末６１₁、６１₂内のＣＰＵがこのプログラムの制御によりエンドユーザの端末６０およびコンテンツプロバイダ１、２の端末６１₁、６１₂のハードウェア資源に特定の処理を行うように指示することにより上記の処理が実現される。

意味情報ネットワークのモデルを示す図である。 イベントの構成を示す説明図である。 意味情報の定義を示す説明図である。 イベントタイプの定義例を示す説明図である。 イベントの一例を示す説明図である。 フィルタの定義例を示す説明図である。 意味情報ネットワークの構成を示す図である。 本明細書のユーザエージェントおよびコンテンツエージェントをベースとしたコンテンツ提案サービスシステムにおける全エンティティである。 本提案書のコンテンツ提案サービスシステムにおけるアプリケーションとエージェントの動作イメージの一例を示す図である。 コンテンツ提案サービスシステムにおけるアプリケーションとエージェントの情報通信シーケンスの一例を示す図である。 ＣＡの構成の一例を示す図である。 ＵＡの構成の一例を示す図である。 ＣＡへのコンテンツの登録およびコンテンツ属性設定画面の一例を示す図である。 コンテンツキーワード（ＣＫ）からコンテンツ探索イベント受信フィルタへのマッピング方法の一例を示す図である。 コンテンツを検索するイベントを受信するためのフィルタの一例を示す図である。 ＵＡへのエンドユーザのプロファイルおよび興味登録画面の一例を示す図である。 エンドユーザがＵＡに対してコンテンツ探索を指示する画面の一例を示す図である。 ユーザ嗜好キーワード（ＵＰＫ）からコンテンツ探索イベントへのマッピング方法の一例を示す図である。 コンテンツを探索するイベントの一例を示す図である。 コンテンツ検索イベントを受信したＣＡが、イベント発信元のＵＡへ返信するメッセージの一例を示す図である。 コンテンツキーワード（ＣＫ）とユーザ嗜好キーワード（ＵＰＫ）の一例を示す図である。 ＵＰＫから照合得点を計算する計算式への変換方法の一例を示す図である。 ＵＰＫの一例と照合得点計算式の一例を示す図である。 照合得点計算式を用いてＣＫとＵＰＫとの照合得点を求め、どのコンテンツが最もユーザ嗜好に合致するか選出する方法の一例を示す図である。 ＵＡが提供するコンテンツ表示画面と操作ボタンの例を示す図である。 ＵＡおよびＣＡが学習する際に用いるフィードバック情報の例を示す図である。 ＵＡが管理するＵＰＫの大項目（属性）および小項目（詳細情報）の構成の一例を示す図である。 ユーザのコンテンツ鑑賞中に振舞うアクションの各種別の頻度をもとに、各アクションに対応するフィードバック値を計算して決定し、このフィードバック値によりユーザ嗜好を学習する方法の一例を示す図である。 ユーザ嗜好属性およびコンテンツ属性と、ＵＡ−ＣＡ間インタラクションを示す一例を示す図である。 ユーザのコンテンツ利用により学習・更新されたユーザ嗜好属性およびコンテンツ属性の例を示す図である。 ユーザのコンテンツ利用により学習・更新されたユーザ嗜好属性およびコンテンツ属性の例を示す図である。 ある実験における被験者ユーザのコンテンツ利用により学習されたユーザ嗜好属性の妥当性と、コンテンツ基本評価値調整方法の効果を示すグラフである。 ユーザのコンテンツ利用により学習されたユーザ嗜好属性の妥当性を評価する方法の一例を示す図である。 ある実験における、十数人の被験者ユーザのコンテンツ利用における各アクションの操作回数と、ユーザ嗜好属性学習における最も効果的なコンテンツ評価値調整方法を示す一覧表である。 ある実験における、十数人の被験者ユーザのコンテンツ利用における各アクションの操作回数と、ユーザ嗜好属性学習における最も効果的なコンテンツ評価値調整方法との関係を示すグラフである。 本発明を用いて、ある実験における、被験者ユーザのコンテンツ利用における各アクションの操作情報からユーザ嗜好属性学習を行った結果と、従来の学習結果との比較を示す一例を示す図である。 本発明を用いて、ある実験における、被験者ユーザのコンテンツ利用における各アクションの操作情報からユーザ嗜好属性学習を行った結果と、従来の学習結果との比較を示す一例を示す図である。 本発明を用いて、ある実験における、被験者ユーザのコンテンツ利用における各アクションの操作情報からユーザ嗜好属性学習を行った結果と、従来の学習結果との比較を示す一例を示す図である。 ＣＡによるメタ情報学習効果を示す図である。 実験から求めたスキップする理由とその分布を示す図である。 ある実験における、数十人のコンテンツ鑑賞中に操作したスキップに関するスキップ要因と、スキップ操作率との関係を示す図である。 ＵＡおよびＣＡが学習する際に用いるフィードバック情報の例を示す図である。 ユーザ嗜好属性およびコンテンツ属性と、ＵＡ−ＣＡ間インタラクションを示す一例を示す図である。 ユーザのコンテンツ利用により学習・更新されたユーザ嗜好属性およびコンテンツ属性の例を示す図である。 ユーザのコンテンツ利用により学習・更新されたユーザ嗜好属性およびコンテンツ属性の例を示す図である。 本発明のユーザ嗜好学習方式における、スキップ操作に対するフィードバック方式を示す図である。 ある実験における被験者ユーザのコンテンツ利用により学習されたユーザ嗜好属性の妥当性と、フィードバック値調整による妥当性の変動を示すグラフである。 ある実験における、数十人の被験者ユーザのスキップまでのコンテンツ鑑賞時間と、コンテンツキーワードとユーザ嗜好との合致度の関係を示すグラフである。 ある実験における、数十人の被験者ユーザのコンテンツ利用におけるスキップ操作率と、ユーザ嗜好学習における最も効果的なフィードバック値調整方法との関係を示すグラフである。 調整方式（ａ）、調整方式（ｂ）、調整方式（ｃ）におけるフィードバック調整値τ_Playの関数を示す図である。

符号の説明

１ 意味情報ネットワーク（ＳＩＯＮ）
２ 端末
２１ 送信端末
２２ 受信端末
３２ ユーザエージェント（ＵＡ）
３５ コンテンツプロバイダエージェント（ＣＡ）
３６ ＳＩＯＮｅｔ
６０ エンドユーザの端末
６１₁、６１₂ コンテンツプロバイダの端末
７１ コンテンツ探索イベント受信フィルタ登録部
７２ コンテンツ探索イベント受信フィルタ作成部
７３ コンテンツ登録部
７４ コンテンツ探索イベント受信部
７５ コンテンツ探索応答送信部
７６ コンテンツキーワード作成部
７７ コンテンツ属性管理部
７８ コンテンツ属性学習部
７９ コンテンツ配信指示受信部
８０ コンテンツ配信部
８１ フィードバック受信部
９１ コンテンツ探索イベント発信部
９２ コンテンツ探索イベント作成部
９３ コンテンツキーワード受信部
９４ コンテンツ選出部
９５ コンテンツ要求入力部
９６ ユーザ嗜好キーワード作成部
９７ ユーザ情報登録部
９８ コンテンツ配信要求部
９９ ユーザ嗜好属性管理部
１００ ユーザ嗜好属性学習部
１０１ コンテンツ表示部
１０２ コンテンツ操作入力部
１０３ コンテンツ受信部
１０４ コンテンツ評価情報通知部
１０５ コンテンツ評価情報作成部
１０６ 操作回数管理部
１０７ 鑑賞コンテンツ履歴管理部
１０８ 評価値調整部
２０１、２０２ 丸
３０１、３０２ 丸

Claims (16)

1. データをイベントとして送信する送信端末と、イベントとして送信された前記データを選択的に受信するために、イベントのタイプと取得条件とからなるフィルタが設定される受信端末とから構成される意味情報ネットワークを用いて、コンテンツの提供を受けるコンテンツ利用者の端末が、当該コンテンツ利用者が視聴を希望するコンテンツの条件であるユーザ嗜好属性に基づいてユーザ嗜好キーワードを作成し、該ユーザ嗜好キーワードに基づいたコンテンツ検索イベントを前記意味情報ネットワークに送信することによりコンテンツプロバイダにより提供されているコンテンツの中からコンテンツ利用者の希望する条件に合致するコンテンツを入手して前記コンテンツ提供者に提供するコンテンツ提供方法において、
   当該コンテンツ利用者のコンテンツ鑑賞に対する操作情報を、各操作に対応して設けられていて当該コンテンツのユーザ嗜好属性を更新するための基本値である基本評価値に変換するステップと、
   当該コンテンツ利用者のコンテンツ鑑賞に対する肯定的操作および否定的操作の一定期間における操作回数の情報に基づいて、前記基本評価値を各ユーザ毎に調整するための値である評価調整値を算出するステップと、
   前記基本評価値と前記評価調整値とに基づいて、当該コンテンツのユーザ嗜好属性を実際に更新するための値であるコンテンツ評価最終値を算出するステップと、
   前記コンテンツ評価最終値と当該コンテンツのコンテンツキーワードから当該コンテンツのユーザ嗜好属性を学習して更新するステップとを備えたことを特徴とするコンテンツ提供方法。
2. 当該コンテンツが過去一定期間内に視聴済みの場合には、スキップのアクションに対する評価調整値を低減するステップをさらに有する請求項１記載のコンテンツ提供方法。
3. コンテンツの鑑賞中にスキップのアクションが行われた際、当該スキップのアクションが行われるまでの鑑賞時間が規定値以上の場合には、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する前記基本評価値をプラスの要素の値に設定するステップをさらに有する請求項１または２記載のコンテンツ提供方法。
4. ユーザに対して一定期間内に提案された全コンテンツのうち、ユーザが鑑賞中にスキップのアクションを行ったコンテンツの割合であるスキップ操作率に基づいて、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する評価調整値およびスキップのアクションに対する評価調整値を算出するステップをさらに有する請求項３記載のコンテンツ提供方法。
5. データをイベントとして送信する送信端末と、イベントとして送信された前記データを選択的に受信するために、イベントのタイプと取得条件とからなるフィルタが設定される受信端末とから構成される意味情報ネットワークを用いて、コンテンツの提供を受けるコンテンツ利用者の端末が、当該コンテンツ利用者が視聴を希望するコンテンツの条件であるユーザ嗜好属性に基づいてユーザ嗜好キーワードを作成し、該ユーザ嗜好キーワードに基づいたコンテンツ検索イベントを前記意味情報ネットワークに送信することによりコンテンツプロバイダにより提供されているコンテンツの中からコンテンツ利用者の希望する条件に合致するコンテンツを入手して前記コンテンツ提供者に提供するコンテンツ提供方法をコンピュータに実行させるためのプログラムにおいて、
   当該コンテンツ利用者のコンテンツ鑑賞に対する操作情報を、各操作に対応して設けられていて当該コンテンツのユーザ嗜好属性を更新するための基本値である基本評価値に変換する処理と、
   当該コンテンツ利用者のコンテンツ鑑賞に対する肯定的操作および否定的操作の一定期間における操作回数の情報に基づいて、前記基本評価値を各ユーザ毎に調整するための値である評価調整値を算出する処理と、
   前記基本評価値と前記評価調整値とに基づいて、当該コンテンツのユーザ嗜好属性を実際に更新するための値であるコンテンツ評価最終値を算出する処理と、
   前記コンテンツ評価最終値と当該コンテンツのコンテンツキーワードから当該コンテンツのユーザ嗜好属性を学習して更新する処理とをコンピュータに実行させることを特徴とするプログラム。
6. 当該コンテンツが過去一定期間内に視聴済みの場合には、スキップのアクションに対する評価調整値を低減する処理をさらにコンピュータに実行させる請求項５記載のプログラム。
7. コンテンツの鑑賞中にスキップのアクションが行われた際、当該スキップのアクションが行われるまでの鑑賞時間が規定値以上の場合には、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する前記基本評価値をプラスの要素の値に設定する処理をさらにコンピュータに実行させる請求項５または６記載のプログラム。
8. ユーザに対して一定期間内に提案された全コンテンツのうち、ユーザが鑑賞中にスキップのアクションを行ったコンテンツの割合であるスキップ操作率に基づいて、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する評価調整値およびスキップのアクションに対する評価調整値を算出する処理をさらにコンピュータに実行させる請求項７記載のプログラム。
9. データをイベントとして送信する送信端末と、イベントとして送信された前記データを選択的に受信するために、イベントのタイプと取得条件とからなるフィルタが設定される受信端末とから構成される意味情報ネットワークを用いて、コンテンツの提供を受けるコンテンツ利用者の端末が、当該コンテンツ利用者が視聴を希望するコンテンツの条件であるユーザ嗜好属性に基づいてユーザ嗜好キーワードを作成し、該ユーザ嗜好キーワードに基づいたコンテンツ検索イベントを前記意味情報ネットワークに送信することによりコンテンツプロバイダにより提供されているコンテンツの中からコンテンツ利用者の希望する条件に合致するコンテンツを入手して前記コンテンツ提供者に提供するコンテンツ提供方法をコンピュータに実行させるためのプログラムが記録された記録媒体において、
   当該コンテンツ利用者のコンテンツ鑑賞に対する操作情報を、各操作に対応して設けられていて当該コンテンツのユーザ嗜好属性を更新するための基本値である基本評価値に変換する処理と、
   当該コンテンツ利用者のコンテンツ鑑賞に対する肯定的操作および否定的操作の一定期間における操作回数の情報に基づいて、前記基本評価値を各ユーザ毎に調整するための値である評価調整値を算出する処理と、
   前記基本評価値と前記評価調整値とに基づいて、当該コンテンツのユーザ嗜好属性を実際に更新するための値であるコンテンツ評価最終値を算出する処理と、
   前記コンテンツ評価最終値と当該コンテンツのコンテンツキーワードから当該コンテンツのユーザ嗜好属性を学習して更新する処理とをコンピュータに実行させることを特徴とするプログラムが記録された記録媒体。
10. 当該コンテンツが過去一定期間内に視聴済みの場合には、スキップのアクションに対する評価調整値を低減する処理をさらにコンピュータに実行させるプログラムが記録された請求項９記載の記録媒体。
11. コンテンツの鑑賞中にスキップのアクションが行われた際、当該スキップのアクションが行われるまでの鑑賞時間が規定値以上の場合には、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する前記基本評価値をプラスの要素の値に設定する処理をさらにコンピュータに実行させるプログラムが記録された請求項９または１０記載の記録媒体。
12. ユーザに対して一定期間内に提案された全コンテンツのうち、ユーザが鑑賞中にスキップのアクションを行ったコンテンツの割合であるスキップ操作率に基づいて、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する評価調整値およびスキップのアクションに対する評価調整値を算出する処理をさらにコンピュータに実行させるプログラムが記録された請求項１１記載の記録媒体。
13. データをイベントとして送信する送信端末と、イベントとして送信された前記データを選択的に受信するために、イベントのタイプと取得条件とからなるフィルタが設定される受信端末とから構成される意味情報ネットワークを用いて、コンテンツの提供を受けるコンテンツ利用者の端末が、当該コンテンツ利用者が視聴を希望するコンテンツの条件であるユーザ嗜好属性に基づいてユーザ嗜好キーワードを作成し、該ユーザ嗜好キーワードに基づいたコンテンツ検索イベントを前記意味情報ネットワークに送信することによりコンテンツプロバイダにより提供されているコンテンツの中からコンテンツ利用者の希望する条件に合致するコンテンツを入手して前記コンテンツ提供者に提供するコンテンツ利用者の端末において、
    当該コンテンツ利用者のコンテンツ鑑賞に対する操作情報を、各操作に対応して設けられていて当該コンテンツのユーザ嗜好属性を更新するための基本値である基本評価値に変換するコンテンツ評価情報作成手段と、
    当該コンテンツ利用者のコンテンツ鑑賞に対する肯定的操作および否定的操作の一定期間における操作回数の情報に基づいて、前記基本評価値を各ユーザ毎に調整するための値である評価調整値を算出し、前記基本評価値と前記評価調整値とに基づいて、当該コンテンツのユーザ嗜好属性を実際に更新するための値であるコンテンツ評価最終値を算出する評価値調整手段と、
    前記コンテンツ評価最終値と当該コンテンツのコンテンツキーワードから当該コンテンツのユーザ嗜好属性を学習して更新するユーザ嗜好属性学習手段とを備えたことを特徴とするコンテンツ利用者の端末。
14. 前記評価値調整手段は、当該コンテンツが過去一定期間内に視聴済みの場合には、スキップのアクションに対する評価調整値を低減する請求項１３記載のコンテンツ利用者の端末。
15. 前記コンテンツ評価情報作成手段は、コンテンツの鑑賞中にスキップのアクションが行われた際、当該スキップのアクションが行われるまでの鑑賞時間が規定値以上の場合には、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する前記基本評価値をプラスの要素の値に設定する請求項１３または１４記載のコンテンツ利用者の端末。
16. 前記評価値調整手段は、ユーザに対して一定期間内に提案された全コンテンツのうち、ユーザが鑑賞中にスキップのアクションを行ったコンテンツの割合であるスキップ操作率に基づいて、スキップのアクションが行われるまでに規定値以上コンテンツを鑑賞したというアクションに対する評価調整値およびスキップのアクションに対する評価調整値を算出する請求項１５記載のコンテンツ利用者の端末。

Images