JP2005292904A - Information presenting device, information presenting method and program - Google Patents
Information presenting device, information presenting method and program Download PDFInfo
- Publication number
- JP2005292904A JP2005292904A JP2004102928A JP2004102928A JP2005292904A JP 2005292904 A JP2005292904 A JP 2005292904A JP 2004102928 A JP2004102928 A JP 2004102928A JP 2004102928 A JP2004102928 A JP 2004102928A JP 2005292904 A JP2005292904 A JP 2005292904A
- Authority
- JP
- Japan
- Prior art keywords
- narrowing
- presentation
- inference
- attribute
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 21
- 238000009826 distribution Methods 0.000 claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims description 48
- 230000004044 response Effects 0.000 claims description 25
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000002788 crimping Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
ベイジアンネットのモデルを用いて確率的に適した提示対象を被提示者に提示する情報提示装置に関する。 The present invention relates to an information presentation apparatus that presents a presentation target that is probabilistically suitable using a Bayesian network model.
情報技術の適用範囲が飛躍的に拡大している現在、これまでコンピュータにとっては扱いにくかった不確実で非明示的な情報を取り扱うことが必要になってきている。例えば、インターネットショッピングにおいて、顧客のニーズを以前の取引履歴や顧客管理情報から読み取り、目の前の顧客に最適な情報を推奨するリコメンデーションシステムの場合を考えてみる。顧客リストの中から目の前の顧客に最も近い購買パターンを見つけるとしても年齢や性別が同じだからといって同じ嗜好性を持っているとは限らない。また顧客が、登録時に申請したアンケートと同じ嗜好性をいつまでも持ち続けているとも限らない。そこで、顧客のアクション(WWWブラウジング履歴など)や属性、アンケート情報から総合的に判断して嗜好性を予測することが必要となるわけだが、必ずしも一つの答えとして決定できるとは限らない。対象となる候補は同時に複数存在することもあり得る。そして、それぞれの候補についても「これまで見ていたWWWページから、ユーザはおそらくサッカー関連の情報に興味がある可能性が高い」といった漠然とした不確実性を伴ったものとして扱うことが自然である。 Now that the application range of information technology has expanded dramatically, it has become necessary to handle uncertain and implicit information that has been difficult for computers to handle. For example, consider the case of a recommendation system that reads customer needs from previous transaction histories and customer management information and recommends optimal information for the customer at hand in Internet shopping. Finding the purchase pattern closest to the customer at hand from the customer list does not necessarily mean that they have the same preference just because they have the same age and gender. Moreover, the customer does not always have the same preference as the questionnaire applied at the time of registration. Therefore, it is necessary to predict the preference by comprehensively judging from customer actions (such as WWW browsing history), attributes, and questionnaire information, but it is not always possible to determine as one answer. There may be a plurality of candidate candidates at the same time. And it is natural to treat each candidate as having vague uncertainty such as "From the WWW page you have seen so far, users are likely to be interested in soccer-related information" .
こうした問題においては、確率的な枠組みが有効である。サッカー関連の商品に興味のある可能性が60%、旅行に興味のある可能性が30%などというように複数の候補に確信度をつけ、不確実性を含んだ状態で取り扱うことができる。そして、直前に見ていたページが例えば韓国に関するものであった場合に、ワールドカップサッカー関連の情報、旅行関連情報、料理関連情報のそれぞれに興味のある確率を計算して、目の前の顧客が最も高い確率で関心を持つと思われる対象を提供することが考えられる。またこの確率を計算するには様々な多くの要因(例えばアンケートで答えた趣味など)を考慮に入れて、その間の依存関係(スポーツが趣味ならサッカーに興味がある可能性が高いなど)を利用することでより精度の高い予測が可能になる。 A probabilistic framework is effective in such problems. A plurality of candidates can be given certainty, such as 60% likely to be interested in soccer-related products and 30% likely to be interested in travel, and can be handled with uncertainty included. Then, if the page you were looking at was about Korea, for example, calculate the probability of being interested in World Cup soccer-related information, travel-related information, and cooking-related information. Can provide the objects that are most likely to be interested. To calculate this probability, take into account many different factors (for example, hobbies answered in a questionnaire) and use dependencies between them (if sports is a hobby, there is a high possibility of being interested in soccer, etc.) By doing so, prediction with higher accuracy becomes possible.
このような複数の要因の依存関係に基づいて確率計算を行う情報処理モデルとしてベイジアンネットが最近、様々な分野で注目を集めている。ベイジアンネットとは(1)確率変数と(2)確率変数間の条件付依存関係、(3)その条件付確率の3つによって定義されるネットワーク状の確率モデルである。(1)はノード、(2)はノード間に張った有向リンクで表され、リンクの先に来るノードを子ノード、リンクの元にあるノードを親ノードと呼ぶ。(3)は親ノードがある値をとった時に、子ノードがある値をとる条件付確率で、離散変数の場合にはP(子ノード=y|親ノード=x1,x2,...)=pのような、子ノードと親ノードがとる全ての状態のそれぞれにおける確率値を列挙した表(条件付き確率表)の形で表現する(非特許文献1)。 As an information processing model for performing probability calculation based on such dependency relationships of a plurality of factors, Bayesian networks have recently attracted attention in various fields. A Bayesian network is a network-like probability model defined by (1) a random variable and (2) a conditional dependency between random variables and (3) the conditional probability. (1) is represented by a node, and (2) is represented by a directed link extending between the nodes. A node that comes before the link is called a child node, and a node that is at the link origin is called a parent node. (3) is a conditional probability that a child node takes a certain value when the parent node takes a certain value. In the case of a discrete variable, P (child node = y | parent node = x1, x2,...) = P is expressed in the form of a table (conditional probability table) in which probability values in all states of the child node and the parent node are listed (Non-patent Document 1).
前述のリコメンデーションシステムは、ベイジアンネットを用いて実現することができる。具体的には、リコメンデーションシステムは、例えば、顧客の属性やリコメンデーションを受ける状況等と、顧客の関心の高さとの関係を表現したベイジアンネットのモデルをあらかじめ記憶しておく。そして、リコメンデーションシステムは、リコメンデーションの対象となる顧客の属性やそのときの状況などと共に、リコメンデーションの候補となる対象の属性をベイジアンネットのモデルに設定し、確率伝搬と呼ばれる計算を行って顧客の関心の高さを推論し、その推論結果に基づいて顧客に関心の高い対象を推奨する。
上記したリコメンデーションシステムにおいて、リコメンデーションの候補となるすべての対象について確率推論を行って顧客の関心の高さを求めると、リコメンデーションの候補の数に応じて計算量が増加する。従って、多数のリコメンデーションの候補がある場合には、提示対象を求めるための計算処理の負担が大きくなる。 In the above-described recommendation system, when the probability of customer's interest is obtained by probabilistic inference for all targets that are candidates for recommendation, the amount of calculation increases according to the number of recommendation candidates. Therefore, when there are a large number of recommendation candidates, the burden of calculation processing for obtaining a presentation target increases.
本発明は、上記背景に鑑み、提示対象を求めるための計算処理の負担を軽減した情報提示装置を提供することを目的とする。 In view of the above background, an object of the present invention is to provide an information presentation apparatus that reduces the burden of calculation processing for obtaining a presentation target.
本発明の情報提示装置は、ベイジアンネットのモデルを用いて確率的に適した提示対象を被提示者に提示する情報提示装置であって、提示対象の複数の属性のノードを含むベイジアンネットのモデルを提示対象の候補を絞り込む絞込み基準を求めるための基準決定用モデルとして記憶した基準決定用モデル記憶手段と、前記基準決定用モデル記憶手段から読み出した基準決定用モデルを用いた確率推論を行って、前記絞込み基準として前記属性のノードの確率分布を求める絞込み基準推論手段と、前記絞込み基準推論手段にて求められた前記属性のノードの確率分布に基づいて提示対象を絞り込む候補絞込み手段と、前記候補絞込み手段によって絞り込まれた候補の中から、提示対象を求める提示対象選択手段と、前記提示対象選択手段によって選択された提示対象を提示する提示手段とを備える。 An information presentation apparatus according to the present invention is an information presentation apparatus that presents a presentation target that is stochastically suitable using a Bayesian network model, and includes a Bayesian network model including nodes having a plurality of attributes to be presented. A standard determination model storage means stored as a reference determination model for obtaining a narrow-down criterion for narrowing down candidates for presentation, and a probability inference using the reference determination model read from the reference determination model storage means A narrowing-down criterion inference means for obtaining a probability distribution of the attribute node as the narrowing-down criterion, a candidate narrowing-down means for narrowing down the presentation target based on the probability distribution of the attribute node obtained by the narrowing-down criterion inference means, Among the candidates narrowed down by the candidate narrowing means, a presentation target selecting means for obtaining a presentation target and the presentation target selecting means And a presenting means for presenting the selected presentation object Te.
このように確率推論で求めた提示対象の属性のノードの確率分布を絞り込み基準として用いることにより、適切な絞込み基準を求めることができる。そして、この絞込み基準を用いて提示対象の候補を絞り込んだ後に、絞り込まれた候補の中から提示対象を求めるので、提示対象を求めるための計算処理の負担を低減できる。 Thus, by using the probability distribution of the node of the attribute of the presentation target obtained by probability inference as the narrowing criterion, an appropriate narrowing criterion can be obtained. Then, after narrowing down the candidates for presentation using the narrowing criteria, the presentation target is obtained from the narrowed candidates, so the burden of calculation processing for obtaining the presentation target can be reduced.
また、本発明の情報提示装置において、前記基準決定用モデル記憶手段は、それぞれの前記属性の優先度を示すノードをさらに含むベイジアンネットのモデルを記憶し、前記絞込み基準推論手段は、前記属性のノードの確率分布と前記優先度を示すノードの確率分布を求め、前記優先度を示すノードの確率分布を用いて前記属性のノードの確率分布に重み付けをして前記絞込み基準を求めてもよい。 In the information presentation apparatus of the present invention, the reference determination model storage means stores a model of a Bayesian network further including a node indicating the priority of each attribute, and the narrowed-down reference inference means includes the attribute It is also possible to obtain a probability distribution of nodes and a probability distribution of nodes indicating the priority, weight the probability distribution of nodes of the attribute using the probability distribution of nodes indicating the priority, and obtain the narrowing criteria.
このように優先度を示すノードを用いることにより、複数の属性に重みを付け、提示対象の候補を適切に絞り込むことができる。優先度を示すノードには、例えば、各属性に乗じる重み係数が設定される。 In this way, by using the nodes indicating the priorities, it is possible to weight the plurality of attributes and appropriately narrow down the candidates for presentation. For example, a weighting factor by which each attribute is multiplied is set in the node indicating the priority.
また、本発明の情報提示装置において、前記基準決定用モデル記憶手段は、それぞれの前記属性の優先度を示すノードがそれぞれの前記属性のノードに付随して設定されたベイジアンネットのモデルを記憶し、前記絞込み基準推論手段は、前記属性のノードの確率分布と前記優先度を示すノードの確率分布を求め、前記優先度を示すノードの確率分布を用いて前記属性のノードの確率分布に重み付けをして前記絞込み基準を求めてもよい。 In the information presentation device of the present invention, the reference determination model storage means stores a Bayesian network model in which nodes indicating the priority of the attributes are set in association with the nodes of the attributes. The narrowed-down criterion inference means obtains the probability distribution of the node of the attribute and the probability distribution of the node indicating the priority, and weights the probability distribution of the node of the attribute using the probability distribution of the node indicating the priority. Then, the narrowing criteria may be obtained.
このように優先度を示すノードを用いることにより、複数の属性に重みを付け、提示対象の候補を適切に絞り込むことができる。また、優先度を示すノードをそれぞれの属性ノードに付随して設定することにより、各属性のノードの絶対的な優先度を評価できる。 In this way, by using the nodes indicating the priorities, it is possible to weight the plurality of attributes and appropriately narrow down the candidates for presentation. Further, by setting a node indicating a priority in association with each attribute node, the absolute priority of each attribute node can be evaluated.
また、本発明の情報提示装置において、前記基準決定用モデル記憶手段は、被提示者の属性を示すノードをさらに含むベイジアンネットのモデルを記憶し、前記絞込み基準推論手段は、前記被提示者の属性を示すノードに被提示者の属性を設定して確率推論を行ってもよい。 Further, in the information presentation device of the present invention, the reference determination model storage means stores a model of a Bayesian network further including a node indicating the attribute of the presentee, and the narrowed reference reasoning means Probability inference may be performed by setting the attribute of the person to be presented to the node indicating the attribute.
このように被提示者の属性を示すノードを含むモデルを用いて絞込み基準を求める構成により、被提示者の属性に応じた絞込み基準を求めることができる。 In this way, with the configuration for obtaining the narrowing criteria using the model including the node indicating the attributes of the presentee, the narrowing criteria according to the attributes of the presentee can be obtained.
また、本発明の情報提示装置において、前記基準決定用モデル記憶手段は、前記提示対象の提示を受ける状況を示すノードをさらに含むベイジアンネットのモデルを記憶し、前記絞込み基準推論手段は、前記提示対象の提示を受ける状況を示すノードに状況を設定して確率推論を行ってもよい。 In the information presentation device of the present invention, the reference determination model storage unit stores a model of a Bayesian network further including a node indicating a situation of receiving the presentation target, and the narrowed reference reasoning unit includes the presentation Probability inference may be performed by setting a situation in a node indicating a situation of receiving the presentation of the target.
このように提示対象の提示を受ける状況を示すノードを含むモデルを用いて絞込み基準を求める構成により、提示対象の提示を受ける状況に応じた絞込み基準を求めることができる。 In this way, with the configuration for obtaining the narrowing criteria using the model including the node indicating the situation of receiving the presentation target, the narrowing criteria according to the situation of receiving the presentation target can be obtained.
また、本発明の情報提示装置において、前記絞込み基準推論手段は、前記属性のノードの確率分布と前記優先度を示すノードの確率分布から、それぞれの前記属性のノードの値の組合せについてスコアを求め、求められたスコアに基づいて前記絞込み基準を求めてもよい。 In the information presentation device of the present invention, the narrow-down criterion inference means obtains a score for each combination of the attribute node values from the attribute node probability distribution and the priority node probability distribution. The narrowing criteria may be obtained based on the obtained score.
このように属性のノードの確率分布と優先度を示すノードの確率分布からスコアを求めることによって、各属性のノードの値の組合せをスコアによって評価し、絞込み基準を求めることができる。 Thus, by obtaining a score from the probability distribution of the attribute node and the probability distribution of the node indicating the priority, the combination of the values of the nodes of each attribute can be evaluated by the score, and the narrowing criteria can be obtained.
また、本発明の情報提示装置において、前記絞込み基準推論手段は、前記各属性のノードがスコアの計算対象となる組合せに係る値をとるときの確率に加えて、前記組合せに係る値以外の値をとるときの確率を用いて前記スコアを求めてもよい。 Further, in the information presentation device of the present invention, the narrow-down criterion inference means includes a value other than the value related to the combination in addition to the probability when the node of each attribute takes a value related to the combination for which the score is calculated. The score may be obtained using the probability of taking
このように、スコアの計算対象となる組合せに係る値以外の値をとる確率を用いてスコアを計算することにより、適切なスコアを求めることができる。 Thus, an appropriate score can be obtained by calculating the score using the probability of taking a value other than the value related to the combination for which the score is to be calculated.
また、本発明の情報提示装置において、前記候補絞込み手段は、前記絞込み基準推論手段にて求められた絞込み基準をスコアの高い順に適用して絞込み候補を求めてもよい。 In the information presentation device of the present invention, the candidate narrowing-down means may obtain narrowing candidates by applying the narrowing-down criteria obtained by the narrowing-down criterion inference means in descending order of scores.
このようにスコアの高い絞込み基準から順に適用することにより、被提示者に適した提示対象の候補を選択できる。 Thus, by applying in order from the narrowing-down criterion with a high score, it is possible to select a candidate for a presentation target suitable for the person to be presented.
また、本発明の情報提示装置において、前記候補絞込み手段は、前記絞込み基準推論手段にて求められた絞込み基準をスコアの低い順に適用して提示対象の候補から除外することにより絞込み候補を求めてもよい。 Further, in the information presentation device of the present invention, the candidate narrowing-down means obtains narrowing-down candidates by applying the narrowing-down criteria obtained by the narrowing-down criterion inference means in descending order of scores and excluding them from the candidates for presentation. Also good.
このようにスコアの低い絞込み基準に適合する提示対象を候補から除外することにより、被提示者に適した提示対象の候補を選択できる。 Thus, by excluding the presentation target that matches the narrowing-down criterion with a low score from the candidates, it is possible to select a presentation target candidate suitable for the person to be presented.
また、本発明の情報提示装置において、前記候補絞込み手段は、前記絞込み基準推論手段にて求められたスコアに応じて絞込み候補を求めてもよい。 In the information presentation device of the present invention, the candidate narrowing-down means may obtain narrowing-down candidates according to the score obtained by the narrowing-down reference reasoning means.
このように各属性の組合せについて求めたスコアに応じて絞込み候補を求めることにより、適切に絞込み候補を選択できる。例えば、100個の絞込み候補を求める場合に、最もスコアの高い絞込み基準によって50個を選択し、2番目にスコアの高い絞込み基準によって30個を選択し、3番目にスコアの高い絞込み基準によって20個を選択するというように、スコアに応じて選択する割合を変えて、絞込み候補を求めることができる。 In this way, by obtaining a narrowing candidate according to the score obtained for each combination of attributes, it is possible to appropriately select the narrowing candidate. For example, in the case of obtaining 100 narrowing candidates, 50 are selected according to the narrowing criterion with the highest score, 30 are selected according to the narrowing criterion with the second highest score, and 20 according to the narrowing criterion with the third highest score. Narrowing candidates can be obtained by changing the selection ratio according to the score, such as selecting individual.
また、本発明の情報提示装置は、前記提示手段によって提示された提示対象に対する被提示者のレスポンスを用いて前記基準決定用モデル記憶手段に記憶されたモデルの学習を行うモデル学習手段を備えてもよい。 The information presentation apparatus of the present invention further includes model learning means for learning a model stored in the reference determination model storage means using a response of the person to be presented to the presentation target presented by the presentation means. Also good.
このように被提示者のレスポンスを用いてモデルの学習を行うことにより、基準決定用モデル記憶手段に記憶されたモデルは、被提示者に適した提示対象の候補を絞り込める絞込み基準を求めることができるモデルへと更新される。 By learning the model using the response of the person to be presented in this way, the model stored in the reference determining model storage means obtains a narrowing reference that can narrow down candidates for the presentation target suitable for the person to be presented. It is updated to a model that can.
本発明の情報提示装置は、自動車に備えられる。 The information presentation device of the present invention is provided in an automobile.
この構成により、計算処理の負担を軽減して円滑に情報を提示できるので、運転手が提示を受けるまで待つ時間を軽減できる。従って、走行している場所に応じて提示対象をタイミング良く提示できる。 With this configuration, information can be presented smoothly while reducing the burden of calculation processing, and therefore, the time that a driver waits for presentation can be reduced. Therefore, it is possible to present the presentation target with good timing according to the traveling place.
本発明の別の態様の情報提示装置は、推論アルゴリズムを用いて被提示者に適した提示対象を提示する情報提示装置であって、提示対象の候補を絞り込む絞込み基準を求めるために推論アルゴリズムで用いられる計算用リソースを基準決定用の計算用リソースとして記憶した計算用リソース記憶手段と、前記計算用リソース記憶手段から読み出した計算用リソースを用いた推論を行って、提示対象の絞込み基準を求める絞込み基準推論手段と、前記絞込み基準推論手段にて求められた絞込み基準を用いて提示対象の候補を絞り込む候補絞込み手段と、前記候補絞込み手段によって絞り込まれた候補の中から、提示対象を求める提示対象選択手段と、前記提示対象選択手段によって選択された提示対象を提示する提示手段とを備える。 An information presentation apparatus according to another aspect of the present invention is an information presentation apparatus that presents a presentation target suitable for a person to be presented using an inference algorithm, and uses an inference algorithm to obtain a narrowing criterion for narrowing down candidates for the presentation target. The calculation resource storage means that stores the calculation resource to be used as the reference determination calculation resource, and the calculation resource read from the calculation resource storage means are used for inference to obtain a narrowing reference for the presentation target Narrowing reference reasoning means, candidate narrowing means for narrowing down candidates for presentation using the narrowing criteria obtained by the narrowing reference reasoning means, and presentation for obtaining a presentation target from candidates narrowed down by the candidate narrowing means An object selecting means; and a presenting means for presenting a presentation object selected by the presenting object selecting means.
このように基準決定用の計算用リソースを用いた推論によって絞り込み基準を求めることにより、適切な絞込み基準を求めることができる。そして、この絞込み基準を用いて提示対象の候補を絞り込んだ後に、絞り込まれた候補の中から提示対象を求めるので、提示対象を求めるための計算処理の負担を低減できる。 As described above, by obtaining the narrowing-down criterion by inference using the calculation resource for determining the standard, an appropriate narrowing-down criterion can be obtained. Then, after narrowing down the candidates for presentation using the narrowing criteria, the presentation target is obtained from the narrowed candidates, so the burden of calculation processing for obtaining the presentation target can be reduced.
本発明の情報提示方法は、ベイジアンネットのモデルを用いて確率的に適した提示対象を被提示者に提示する情報提示方法であって、提示対象の複数の属性のノードを含むベイジアンネットのモデルを提示対象の候補を絞り込む絞込み基準を求めるための基準決定用モデルを基準決定用モデル記憶手段から読み出す基準決定用モデル読出しステップと、前記基準決定用モデル読出しステップにて読み出した基準決定用モデルを用いた確率推論を行って、前記絞込み基準として前記属性のノードの確率分布を求める絞込み基準推論ステップと、前記絞込み基準推論ステップにて求められた前記属性のノードの確率分布に基づいて提示対象を絞り込む候補絞込みステップと、前記候補絞込みステップにて絞り込まれた候補の中から、提示対象を求める提示対象選択ステップと、前記提示対象選択ステップにて選択された提示対象を提示する提示ステップとを備える。 An information presentation method according to the present invention is an information presentation method for presenting a presentation target that is stochastically suitable using a Bayesian network model, and includes a Bayesian network model including nodes having a plurality of attributes to be presented. A reference determination model reading step for reading a reference determination model for obtaining a narrowing reference for narrowing down candidates for presentation from the reference determination model storage means, and a reference determination model read in the reference determination model read step Performing the probabilistic reasoning used, a refinement criterion inference step for obtaining a probability distribution of the attribute node as the refinement criterion, and a presentation target based on the probability distribution of the attribute node obtained in the refinement criterion inference step From the candidate narrowing down step and the candidates narrowed down in the candidate narrowing down step, the presentation target is obtained. That includes a presentation target selection step, and a presentation step of presenting the presentation object which is selected by the presented objects selection step.
本発明の情報提示方法によれば、上記した情報提示装置と同様に、確率推論で求めた絞込み基準で提示候補を適切に絞り込むので、提示対象を求めるための計算処理の負担を低減できる。また、上記した情報提示装置の各種の構成を本発明の情報提示方法に適用することが可能である。 According to the information presentation method of the present invention, similarly to the information presentation apparatus described above, the presentation candidates are appropriately narrowed down based on the narrowing criteria obtained by the probability reasoning, so that it is possible to reduce the burden of calculation processing for obtaining the presentation target. Various configurations of the information presentation apparatus described above can be applied to the information presentation method of the present invention.
本発明のプログラムは、ベイジアンネットのモデルを用いて確率的に適した提示対象を被提示者に提示するためのプログラムであって、提示対象の複数の属性のノードを含むベイジアンネットのモデルを提示対象の候補を絞り込む絞込み基準を求めるための基準決定用モデルを基準決定用モデル記憶手段から読み出す基準決定用モデル読出しステップと、前記基準決定用モデル読出しステップにて読み出した基準決定用モデルを用いた確率推論を行って、前記絞込み基準として前記属性のノードの確率分布を求める絞込み基準推論ステップと、前記絞込み基準推論ステップにて求められた前記属性のノードの確率分布に基づいて提示対象を絞り込む候補絞込みステップと、前記候補絞込みステップにて絞り込まれた候補の中から、提示対象を求める提示対象選択ステップと、前記提示対象選択ステップにて選択された提示対象を提示する提示ステップとを実行させる。 The program of the present invention is a program for presenting a presenter with a presentation object that is stochastically suitable using a Bayesian network model, and presents a Bayesian network model that includes nodes having a plurality of attributes to be presented. A reference determination model reading step for reading out a reference determination model for obtaining a narrowing criterion for narrowing down candidate candidates from the reference determination model storage means, and a reference determination model read out in the reference determination model reading step were used. Candidates for narrowing down the presentation target based on the probability distribution of the attribute nodes obtained in the refinement criterion inference step by performing probability inference and obtaining a probability distribution of the nodes of the attribute as the refinement criteria From the narrowing step and the candidates narrowed down in the candidate narrowing step, the presentation target is selected. And Mel presented objects selecting step to execute the presentation step of presenting the presentation object which is selected by the presented objects selection step.
本発明のプログラムによれば、上記した情報提示装置と同様に、確率推論で求めた絞込み基準で提示候補を適切に絞り込むので、提示対象を求めるための計算処理の負担を低減できる。また、上記した情報提示装置の各種の構成を本発明のプログラムに適用することが可能である。 According to the program of the present invention, similarly to the information presentation apparatus described above, the presentation candidates are appropriately narrowed down by the narrowing criteria obtained by the probability reasoning, so that it is possible to reduce the burden of calculation processing for obtaining the presentation target. In addition, various configurations of the information presentation device described above can be applied to the program of the present invention.
本発明は、確率推論を用いて求めた絞込み基準で適切に提示対象の候補を絞り込んだ後に、絞り込まれた候補の中から提示対象を求めるので、提示対象を求めるための計算処理の負担を低減できるという効果を有する。 Since the present invention obtains the presentation target from the narrowed candidates after appropriately narrowing down the presentation target candidates with the narrowing criteria obtained using the probabilistic reasoning, the calculation processing load for obtaining the presentation target is reduced. It has the effect of being able to.
以下、本発明の実施の形態の情報提示装置について図面を用いて説明する。以下の説明では、自動車に搭載され、ユーザに適した楽曲を提供するコンテンツ提供装置10を取り上げるが、本発明の情報提示装置の提示対象は楽曲に限定されるものではない。本発明の情報提示装置は、例えば、ユーザに適したレストランやイベント等を推薦するリコメンデーション装置にも適用できる。また、本発明の情報提示装置は、自動車に搭載されるものに限定されず、例えば、家庭のパソコンやユーザが携帯する携帯端末にて、ユーザに適した提示対象を提示する構成も採用できる。
Hereinafter, an information presentation apparatus according to an embodiment of the present invention will be described with reference to the drawings. In the following description, the
図1は、第1の実施の形態のコンテンツ提供装置10の構成を示す図である。コンテンツ提供装置10は、ユーザにコンテンツを提示するための提示部12と、ユーザからの操作を受け付ける操作部14と、コンテンツ提供装置10の全体を制御する制御部16とを備える。また、コンテンツ提供装置10は、コンテンツ情報を記憶したコンテンツ情報記憶部30と、コンテンツの絞込み基準を求めるためのベイジアンネットのモデルを記憶した基準決定用モデル記憶部32と、提示対象を求めるためのベイジアンネットのモデルを記憶した提示対象推論モデル記憶部34とを備えている。
FIG. 1 is a diagram illustrating a configuration of a
提示部12は、ユーザにコンテンツを提示する機能を有する。提示部12のハードウェアは、楽曲の演奏を出力するスピーカー、楽曲名やアーティスト名などを表示するディスプレイ等によって構成される。
The
操作部14は、ユーザからの操作を受け付ける機能を有する。操作部14は、提示対象の推論に用いるユーザの属性の入力、および提示されたコンテンツに対するレスポンスを受け付ける。操作部14のハードウェアは、演奏の再生、停止、早送りなどを指示するボタンやボリューム調整つまみによって構成される。ユーザの属性を入力する場合には、ユーザ属性の選択肢を提示部12に表示し、早送り、巻き戻しボタンによりユーザの属性の選択を受け付ける。レスポンスを受け付ける場合には、ボタンやボリューム調整つまみの操作の情報を取得し、レスポンスを判断する。
The
コンテンツ情報記憶部30には、ユーザに提示するコンテンツの候補となる複数のコンテンツ情報が記憶されている。コンテンツ提供装置10は、コンテンツ情報記憶部30に記憶されたコンテンツからユーザに適したコンテンツを選択し、ユーザに提供する。
The content
図2は、コンテンツ情報記憶部30に記憶されたコンテンツ情報の例を示す図である。図2に示すように、コンテンツ情報記憶部30には、楽曲名、ジャンル、ランキング、発売日および楽曲データが記憶されている。本実施の形態では、コンテンツ情報記憶部30に楽曲データを記憶する構成を例として説明しているが、コンテンツ提供装置10は楽曲データを有しなくてもよい。例えば、ユーザに提示する楽曲が選択された時点で、選択された楽曲データをネットワーク経由で取得する構成、あるいは外付けのディスクから取得する構成とすることも可能である。
FIG. 2 is a diagram illustrating an example of content information stored in the content
図3は、基準決定用モデル記憶部32に記憶された基準決定用モデルの例を示す図である。図3に示すように、基準決定用モデルは、ユーザの年齢に関するノードN1、性別に関するノードN2、現在時刻に関するノードN3、ジャンルに関するノードN4、ランキングに関するノードN5、発売日に関するノードN6が条件付確率の依存関係を示すリンクで接続されている。このうち、コンテンツの属性に関するノードN4〜N6は、提示対象の候補を絞り込む絞込み基準を求めるためのノードである。
FIG. 3 is a diagram illustrating an example of the reference determination model stored in the reference determination
図4は、提示対象推論モデル記憶部34に記憶された提示対象推論モデルの例を示す図である。図4に示すように、提示対象推論モデルは、ユーザに関するノードN11、状況に関するノードN12、コンテンツに関するノードN13、レスポンスに関するノードN14が、他のノードを介して条件付確率の依存関係を示すリンクで接続されている。なお、レスポンスに関するノードN14は、ユーザのレスポンスを予測するためのノードである。
FIG. 4 is a diagram illustrating an example of the presentation target inference model stored in the presentation target inference
次に、コンテンツ提供装置10の制御部16について説明する。図1に示す制御部16において、絞込み基準推論処理部18は、基準決定用モデル記憶部32に記憶されたモデルを用いて提示対象のコンテンツを絞り込む基準を求める機能を有する。絞込み基準は、コンテンツ情報記憶部30に記憶された複数のコンテンツから、提示対象の候補となるコンテンツを絞り込むフィルタとしての役割を有する。絞込み基準推論処理部18は、基準決定用モデル記憶部32から基準決定用モデルを読み出し、読み出した基準決定用モデルを用いて確率推論を行う。具体的には、操作部14より入力されたユーザの年齢および性別をノードN1、N2にそれぞれ設定し、現在時刻をノードN3に設定する。そして、ノードN1〜N3からの確率伝搬によってコンテンツの属性のノードN4〜N6を求める。
Next, the
図5は、ノードN4〜N6の確率分布の算出例を示す図である。図5では、ノードN4〜N6がとる値のそれぞれの確率が確率値として算出されている。このように求められた各属性のノードの確率分布に基づいて、それぞれの属性において最も高い確率値を持つ値の組合せを絞込み基準として決定する。図5に示す例では、ジャンルが「J−POP」、ランキングが「1〜10位」、発売日が「1週間以内」が絞込み基準となる。 FIG. 5 is a diagram illustrating a calculation example of the probability distribution of the nodes N4 to N6. In FIG. 5, the probabilities of the values taken by the nodes N4 to N6 are calculated as probability values. Based on the probability distribution of the nodes of each attribute thus obtained, a combination of values having the highest probability value in each attribute is determined as a narrowing criterion. In the example shown in FIG. 5, the genre is “J-POP”, the ranking is “1-10th place”, and the release date is “within one week”.
次に、制御部16の候補絞込み処理部20について説明する。候補絞込み処理部20は、絞込み基準推論処理部18にて求められた絞込み基準を用いて、コンテンツ情報記憶部30に記憶されたコンテンツから提示対象の候補となるコンテンツを絞り込む機能を有する。
Next, the candidate narrowing
制御部16において、提示対象推論処理部22は、絞り込まれた提示対象の候補の中から提示対象のコンテンツを求める機能を有する。ここで、提示対象推論処理部22による推論方法を、図4に示すモデルを用いて説明する。まず、提示対象推論処理部22は、ノードN11〜N13に値を設定する。ユーザに関するノードN11には、例えば、ユーザの年齢、性別、音楽の好みなどの情報を設定する。状況に関するノードN12には、例えば、時刻の情報や走行場所の情報を設定する。コンテンツに関するノードN13には、絞込み基準によって絞り込まれたコンテンツ情報のうちの一つを読み出して設定する。そして、提示対象推論処理部22は、ノードN11〜ノードN13からの確率伝搬によってレスポンスに関するノードN14の確率分布を求める。提示対象推論処理部22は、候補絞込み処理部20にて絞り込まれたコンテンツ情報から順次コンテンツ情報を読み出し、上記した動作を繰り返して各コンテンツについてレスポンスノードN14の確率分布を求める。そして、提示対象推論処理部22は、求めた確率分布に基づいてユーザに適するコンテンツを選択する。例えば、提示対象推論処理部22は、レスポンスノードN14が、コンテンツの受入れを示す肯定レスポンスをとる確率が最大となるコンテンツを選択する。
In the
制御部16において、提示対象出力処理部24は、提示対象推論処理部22にて選択されたコンテンツを提示部12から出力させる機能を有する。
In the
制御部16において、モデル学習処理部26はユーザのレスポンスを用いて基準決定用モデルおよび提示対象推論モデルの学習を行う機能を有する。ユーザのレスポンスとは、ユーザによって操作部14から入力されるコンテンツを受け入れるか否かについての情報であり、観測された情報である。モデル学習処理部26は、レスポンスによってモデルの条件付確率の依存関係を修正し、ユーザの嗜好に合ったコンテンツをより精度良く求めることができるモデルへと更新する。
In the
次に、第1の実施の形態の情報提示装置の動作について説明する。 Next, the operation of the information presentation apparatus according to the first embodiment will be described.
図6は、第1の実施の形態のコンテンツ提供装置10の動作を示す図である。コンテンツ提供装置10の絞込み基準推論処理部18は、基準決定用モデル記憶部32から基準決定用モデルを読み出す(S10)。続いて、絞込み基準推論処理部18は読み出した基準決定用モデルを用いて確率推論を行い、絞込み基準を決定する(S12)。具体的には、絞込み基準推論処理部18は、操作部14より受け付けたユーザの年齢および性別を基準決定用モデルのノードN1、N2のそれぞれに設定し、現在時刻の情報をノードN3に設定する。そして、絞込み基準推論処理部18は、ノードN1〜N3からの確率伝搬を行い、ノードN4〜N6の確率分布を求める。このとき求められたノードN4〜N6に基づいて絞込み基準を決定する。例えば、図5に示す確率分布が得られた場合には、ジャンルが「J−POP」、ランキングが「1〜10位」、発売日が「1週間以内」が絞込み基準となる。
FIG. 6 is a diagram illustrating an operation of the
次に、コンテンツ提供装置10の候補絞込み処理部20は、絞込み基準推論処理部18にて決定された絞込み基準を用いて、コンテンツ情報記憶部30に記憶されたコンテンツ情報から提示対象の候補となるコンテンツを絞り込む(S14)。
Next, the candidate narrowing
続いて、コンテンツ提供装置10の提示対象推論処理部22は、絞り込まれたコンテンツから提示対象のコンテンツを確率推論により求める(S16)。具体的には、提示対象推論処理部22は、提示対象推論モデル記憶部34から提示対象推論モデルを読み出し、読み出した提示対象推論モデルのノードN11、N12にユーザの属性、状況の属性を設定する。続いて、絞り込まれたコンテンツのうちの一つのコンテンツを読み出して、そのコンテンツの属性をノードN13に設定し、ノードN11〜N13からの確率伝搬により、レスポンスノードN14の確率分布を求める処理を順次行う。そして、提示対象推論処理部22は、各コンテンツについて求められたレスポンスノードN14の確率分布に基づいて、提示対象のコンテンツを決定する。なお、提示対象推論処理部22は、提示すべきコンテンツとして、ユーザに最適の楽曲を一曲だけ求めてもよいし、ユーザに適する楽曲を複数求めてもよい。自動演奏すべき時間が長い場合には、自動演奏の時間に合わせて数曲を求めることが望ましい。
Subsequently, the presentation target
そして、コンテンツ提供装置10の提示対象出力処理部24は、提示対象推論処理部22にて求められた提示対象を提示部12から出力する(S18)。具体的には、求められた提示対象の楽曲を提示部12によって演奏する。また、提示対象出力処理部24は、絞込み基準を提示対象の選択理由として表示してもよい。例えば、ジャンルが「J−POP」、ランキングが「1〜10位」、発売日が「1週間以内」が絞込み基準である場合、この絞込み基準の属性値を選択理由として表示することができる。また、例えば、図5に示すようにJ−POPの確率値が最も高い場合には、「J−POPだから」というように属性値の一つを選択理由として表示してもよい。
And the presentation target
次に、コンテンツ提供装置10のモデル学習処理部26は、ユーザからのレスポンスを受け付ける(S20)。モデル学習処理部26は、操作部14からユーザのレスポンスを受け付け、操作の内容からレスポンスを判断する。例えば、演奏中の楽曲を停止した場合には、提示したコンテンツを受け入れないというレスポンスであり、演奏中の楽曲を最後まで聴いた場合、あるいはボリュームを大きくした場合には、提示したコンテンツを受け入れたレスポンスである。
Next, the model
続いて、コンテンツ提供装置10のモデル学習処理部26は、受け付けたレスポンスを用いて、基準決定用モデルおよび提示対象推論モデルの学習を行う(S22)。これにより、基準決定用モデルはユーザの嗜好に合ったコンテンツを絞り込むことができるモデルへと更新され、提示対象推論モデルはユーザの嗜好に合った提示対象を求めることができるモデルへと更新される。
Subsequently, the model
以上、第1の実施の形態のコンテンツ提供装置10について説明した。
The
第1の実施の形態のコンテンツ提供装置10は、基準決定用モデルを用いた確率推論によってユーザに適した絞込み基準を求めるので、提示対象を適切に絞り込める絞込み基準を求めることができる。
Since the
また、コンテンツ提供装置10は、ジャンル、ランキング、発売日といったコンテンツの属性によって提示候補を絞り込み、絞り込んだ候補からユーザ属性、状況を用いた確率推論によって提示対象を求めている。このように、コンテンツの属性という静的な要因を用いて提示対象の候補を絞り込み、その後でユーザの属性や提示時の状況といった動的に変化する要因を用いて提示対象のコンテンツを決定するので、効率良く提示対象のコンテンツを決定できる。
Further, the
また、第1の実施の形態のコンテンツ提供装置10は、絞込み基準を用いて提示対象の候補を絞り込んだ後に、絞り込まれた候補の中から提示対象を求めるので、提示対象を求めるための計算処理の負担を低減できる。
In addition, since the
次に、第2の実施の形態のコンテンツ提供装置10について説明する。第2の実施の形態のコンテンツ提供装置10は、第1の実施の形態のコンテンツ提供装置10と基本的な構成は同じであるが(図1参照)、絞込み基準推論処理部18による絞込み基準の求め方が異なる。
Next, the
図7は、第2の実施の形態のコンテンツ提供装置10において、基準決定用モデル記憶部32に記憶された基準決定用モデルの例を示す図である。第2の実施の形態の基準決定用モデルは、第1の実施の形態における基準決定用モデルのノードN1〜N6に加えて、優先度を示すノードN7をさらに含んでいる。優先度のノードN7は、提示対象の各属性ノードN4〜N6の優先度を示すノードである。優先度のノードN7には、最初、無情報事前確率分布が設定され、ユーザからのレスポンスを用いた学習によって更新される。これにより、優先度のノードN7には、各属性に対するユーザごとに異なる優先度が反映される。
FIG. 7 is a diagram illustrating an example of the reference determination model stored in the reference determination
次に、制御部16の絞込み基準推論処理部18によって、絞込み基準を決定する推論処理について説明する。まず、操作部14より入力されたユーザの年齢および性別をノードN1、ノードN2にそれぞれ設定し、現在時刻をノードN3に設定して確率推論を行って、コンテンツの属性ノードN4〜N6と優先度を示すノードN7を求める。
Next, inference processing for determining a narrowing criterion by the narrowing criterion
図8は、ノードN4〜N7の確率分布の算出例を示す図である。このように求められたノードN4〜N6の確率分布と優先度のノードN7の確率分布とを用いて、各属性値がとり得る値の組合せのそれぞれについてスコアを求める。具体的には、各属性ノードN4〜N6がとり得る値の確率値に優先度のノードN7が示す各属性の優先度を乗じ、その結果の総和をスコアとする。例えば、ジャンル「J−POP」、ランキング「1〜10位」、発売日「今日」という組合せからなる絞込み基準のスコアは、ジャンル「J−POP」の確率値0.7とジャンルの優先度0.6とを乗じた計算結果0.42と、ランキング「1〜10位」の確率値0.5とランキングの優先度0.3とを乗じた計算結果0.15と、発売日「今日」の確率値0.3と発売日の優先度0.1を乗じた計算結果0.03との総和によって求められ、スコアは0.6となる。 FIG. 8 is a diagram illustrating a calculation example of the probability distribution of the nodes N4 to N7. Using the probability distribution of the nodes N4 to N6 and the probability distribution of the priority node N7 thus obtained, a score is obtained for each combination of values that each attribute value can take. Specifically, the probability value of each attribute node N4 to N6 can be multiplied by the priority of each attribute indicated by the priority node N7, and the sum of the results is used as a score. For example, the narrowing-down score composed of a combination of the genre “J-POP”, the ranking “1-10th”, and the release date “Today” has a probability value 0.7 of the genre “J-POP” and a genre priority of 0. .6 multiplied by .6, the calculation result 0.15 obtained by multiplying the ranking value “1-10th place” by the probability value 0.5 and the ranking priority 0.3, and the release date “Today” Is calculated by the sum of the calculation result 0.03 multiplied by the probability value of 0.3 and the priority 0.1 of the release date, and the score is 0.6.
図9は、図8に示す確率分布に基づいてスコアを求めた例を示す図である。図9に示すように求められた各属性値の組合せのうち、スコアの高い組合せを絞込み基準とする。例えば、あらかじめ定められた閾値以上のスコアを有する各属性値の組合せを絞込み基準として選択する、あるいはスコアの高いほうから絞込み基準を選択することができる。 FIG. 9 is a diagram showing an example in which scores are obtained based on the probability distribution shown in FIG. Among the combinations of attribute values obtained as shown in FIG. 9, a combination with a high score is used as a narrowing criterion. For example, a combination of attribute values having a score equal to or higher than a predetermined threshold value can be selected as a narrowing criterion, or a narrowing criterion can be selected from a higher score.
制御部16において、候補絞込み処理部20は、絞込み基準推論処理部18によって求められた絞込み基準を用いて、提示対象の候補となるコンテンツを絞り込む。候補絞込み処理部20は、あらかじめ絞り込むべき候補数を決めておき、その候補数に達するまでスコアの高い絞込み基準から順に適用して候補を選択する。例えば、100曲のコンテンツを絞り込むとしたときに、まず、スコアの最も高い絞込み基準に合致するコンテンツをコンテンツ情報記憶部30に記憶されたコンテンツから選択する。ここで、60曲が選択されたとすると、コンテンツ情報記憶部30に記憶されたコンテンツから、2番目にスコアの高い絞込み基準に合致するコンテンツを選択する。ここで、例えば40曲が選択されれば、候補絞込み処理部20は候補の絞込みを完了する。
In the
第2の実施の形態のコンテンツ提供装置10の動作は、第1の実施の形態のコンテンツ提供装置10の動作と同じである(図6参照)。ただし、絞込み基準の決定のステップS12においては、上記に説明した絞込み基準推論処理部18の推論処理によって絞込み基準を求める。
The operation of the
第2の実施の形態のコンテンツ提供装置10は、優先度を示すノードN7を含む基準決定用モデルを用いて絞込み基準を求めるので、各属性の優先度を考慮した絞込み基準を決定することができる。
Since the
また、第2の実施の形態のコンテンツ提供装置10は、第1のコンテンツ提供装置10と同様に、絞込み基準を用いて絞り込まれたコンテンツの中から提示対象のコンテンツを求めるので、提示対象を求めるための計算処理の負担を低減できる。
Also, the
次に、本発明の第3の実施の形態のコンテンツ提供装置10について説明する。第3の実施の形態のコンテンツ提供装置10は、第1の実施の形態のコンテンツ提供装置10と基本的な構成は同じであるが(図1参照)、絞込み基準推論処理部18による絞込み基準の求め方が異なる。
Next, the
図10は、第3の実施の形態のコンテンツ提供装置10において、基準決定用モデル記憶部32に記憶された基準決定用モデルの例を示す図である。第3の実施の形態の基準決定用モデルは、第1の実施の形態における基準決定用モデルのノードN1〜N6に加えて、各コンテンツの属性のノードN4〜N6の優先度を示すノードN8〜N10がノードN4〜N6に付随して設定されている。優先度を示すノードN8〜N10は、提示対象の各属性ノードN4〜N6の優先度の程度を示すノードである。
FIG. 10 is a diagram illustrating an example of the reference determination model stored in the reference determination
次に、制御部16の絞込み基準推論処理部18によって、絞込み基準を決定する推論処理について説明する。まず、操作部14より入力されたユーザの年齢をノードN1に、性別をノードN2に設定し、現在時刻をノードN3に設定して確率推論を行って、コンテンツの属性のノードN4〜N6と優先度を示すノードN8〜N10を求める。
Next, inference processing for determining a narrowing criterion by the narrowing criterion
図11は、ノードN4〜N6およびノードN8〜N10の確率分布の算出例を示す図である。このように求められたノードN4〜N6の確率分布と優先度のノードN8〜N10の確率分布とを用いて、各属性値がとり得る値の組合せのそれぞれについてスコアを求める。具体的には、各属性ノードN4〜N6がとり得る値の確率値に優先度のノードN8〜N10が示す各属性の優先度を乗じ、その結果の総和をスコアとする。例えば、ジャンル「J−POP」、ランキング「1〜10位」、発売日「今日」という組合せからなる絞込み基準のスコアは、ジャンル「J−POP」の確率値0.7とジャンルの優先度「高」の確率値0.7とを乗じた計算結果0.49と、ランキング「1〜10位」の確率値0.5とランキングの優先度「高」の確率値の0.6とを乗じた計算結果0.30と、発売日「今日」の確率値「0.3」と発売日の優先度「高」の確率値0.5を乗じた計算結果0.15との総和によって求められ、スコアは1.14となる。このようして求めたスコアに基づいて、各属性値の組合せのうちスコアの高いものを絞込み基準として選択する。 FIG. 11 is a diagram illustrating a calculation example of probability distributions of the nodes N4 to N6 and the nodes N8 to N10. Using the probability distribution of the nodes N4 to N6 and the probability distribution of the priority nodes N8 to N10 thus obtained, a score is obtained for each value combination that each attribute value can take. Specifically, the probability value of each attribute node N4 to N6 can be multiplied by the priority of each attribute indicated by the priority nodes N8 to N10, and the sum of the results is used as a score. For example, the score of the narrowing criteria composed of the combination of the genre “J-POP”, the ranking “1-10th place”, and the release date “today” has a probability value 0.7 of the genre “J-POP” and the priority of the genre “ Multiply the calculation result 0.49 by multiplying the probability value 0.7 of “high”, the probability value 0.5 of the ranking “1-10th place” and the probability value 0.6 of the ranking priority “high”. The total of the calculation result 0.30 and the calculation result 0.15 obtained by multiplying the probability value “0.3” of the release date “today” by the probability value 0.5 of the priority “high” of the release date. The score is 1.14. Based on the score thus obtained, a combination of attribute values having a high score is selected as a narrowing criterion.
候補絞込み処理部20は、第2の実施の形態と同様に、スコアが高い方から順に絞込み基準を適用して、提示対象の候補を選択する。
Similar to the second embodiment, the candidate narrowing
第3の実施の形態のコンテンツ提供装置10の動作は、第1の実施の形態のコンテンツ提供装置10の動作と同じである(図6参照)。ただし、絞込み基準の決定のステップS12においては、上記に説明した絞込み基準推論処理部18の推論処理によって絞込み基準を求める。
The operation of the
第3の実施の形態のコンテンツ提供装置10は、コンテンツの属性を示すノードN4〜N6の優先度を示すノードN8〜N10を含む基準決定用モデルを用いて絞込み基準を求めるので、各属性の優先度を考慮した絞込み基準を決定することができる。
Since the
また、第3の実施の形態のコンテンツ提供装置10は、第1のコンテンツ提供装置10と同様に、絞込み基準を用いて絞り込んだコンテンツの中から提示対象のコンテンツを求めるので、提示対象を求めるための計算処理の負担を低減できる。
In addition, the
以上、本発明の情報提示装置について、実施の形態を挙げて説明したが、本発明は上記した実施の形態に限定されるものではない。 As mentioned above, although the information presentation apparatus of the present invention has been described with reference to the embodiment, the present invention is not limited to the above-described embodiment.
上記した実施の形態では、絞り込んだ候補の中から提示対象の候補を求める際に、ベイジアンネットのモデルを用いた確率推論を行ったが、本発明は提示対象を求めるときに必ずしも確率推論を行う必要はない。例えば、提示対象の楽曲の人気度ランキングに基づいて提示対象を求めても良い。この場合も、提示対象の候補が絞られているので、提示対象を求める計算処理の負担を軽減できる。 In the above-described embodiment, probability inference using a Bayesian network model is performed when obtaining candidate candidates for presentation from among narrowed candidates. However, the present invention does not necessarily perform probability inference when obtaining a subject to be presented. There is no need. For example, the presentation target may be obtained based on the popularity ranking of the music to be presented. Also in this case, since the candidates for the presentation target are narrowed down, it is possible to reduce the burden of calculation processing for obtaining the presentation target.
上記した第2の実施の形態および第3の実施の形態においては、各属性のそれぞれの値がとる確率値にその属性の優先度を乗じ、その計算結果の総和によって絞込み基準のスコアを求めたが、スコアを求める方法は上記実施の形態の方法に限られない。例えば、各属性のそれぞれの値がとる確率値にその属性の優先度を乗じ、その計算結果をすべて掛け合わせてスコアを求めてもよい。 In the second embodiment and the third embodiment described above, the probability value taken by each value of each attribute is multiplied by the priority of that attribute, and the score of the refinement criterion is obtained by the sum of the calculation results. However, the method for obtaining the score is not limited to the method of the above embodiment. For example, the score may be obtained by multiplying the probability value of each value of each attribute by the priority of the attribute and multiplying all the calculation results.
また、上記した第2の実施の形態および第3の実施の形態においては、属性のノードの値の組合せについてスコアを求める場合に、各ノードが組合せに係る値をとる確率値を用いてスコアを計算する方法について説明したが、スコアを求める方法は上記した方法に限られない。例えば、各ノードが計算対象の組合せに係る値以外の値をとる確率値を用いてスコアを計算してもよい。例えば、図8において、ジャンルが「J−POP」、ランキングが「1〜10位」のスコアを次のようにして求める。ここでの説明では、簡単のため発売日は考慮しないで説明する。 In the second embodiment and the third embodiment described above, when a score is obtained for a combination of attribute node values, the score is calculated using a probability value at which each node takes a value related to the combination. Although the calculation method has been described, the method for obtaining the score is not limited to the method described above. For example, the score may be calculated using a probability value in which each node takes a value other than the value related to the combination to be calculated. For example, in FIG. 8, the score of “J-POP” for the genre and “1-10th” for the ranking is obtained as follows. In this description, for the sake of simplicity, the release date is not considered.
ジャンルが「J−POP」をとる確率値0.7にジャンルの優先度0.6を乗じた結果と、ランキングが「1〜10位」をとる確率値0.5にランキングの優先度0.3を乗じた結果とを乗じて、この計算結果を計算結果Yとする。次に、ジャンルが「J−POP」以外の値をとるときの確率値に(1−優先度)の値を乗じ、求めた結果をすべて掛け合わせる。ここでは、ジャンルが「ROCK」をとる確率値0.2に(1−ジャンルの優先度0.6)=0.4を乗じ、次に、ジャンルが「CLASSIC」をとる確率値0.1に(1−ジャンルの優先度0.6)=0.4を乗じ、求めた結果をそれぞれ掛け合わせて計算結果N1を得る。次に、ランキングについても同様の計算を行って計算結果N2を得る。そして、計算結果N1と計算結果N2を乗じて、計算結果Nを得る。その後、ジャンルが「J−POP」、ランキングが「1〜10位」のスコアをY/(Y+N)によって求める。このように計算対象となった値「J−POP」「1〜10位」以外の確率値を用いてスコアを計算してもよい。
The result of multiplying the probability value 0.7 for the genre “J-POP” by the priority 0.6 for the genre, the probability value 0.5 for the ranking “1-10”, and the
また、上記した第2の実施の形態では、候補絞込み処理部20は、スコアの高い方から順に絞込み基準を適用して絞込みの候補を求めたが、提示対象の絞込みの方法はこの方法に限定されない。例えば、コンテンツの各属性値の組合せのうちスコアの低い方から順に絞込み基準として適用し、絞込み基準に合致するコンテンツを除外することにより、残ったコンテンツを絞込みの候補として求めてもよい。
Further, in the second embodiment described above, the candidate narrowing
また、スコアを用いて複数の絞込み基準を求める方法を第1の実施の形態に適用することも可能である。例えば、第1の実施の形態において、各属性値がとる確率値の総和によって各属性値の組合せのスコアを求め、そのスコアに基づいて複数の絞込み基準を決定してもよい。 In addition, a method for obtaining a plurality of narrowing criteria using a score can be applied to the first embodiment. For example, in the first embodiment, a score of a combination of attribute values may be obtained from the sum of probability values taken by the attribute values, and a plurality of narrowing criteria may be determined based on the scores.
以上説明したように、本発明は、確率推論を用いて求めた絞込み基準で適切に提示対象の候補を絞り込んだ後に、絞り込まれた候補の中から提示対象を求めるので、提示対象を求めるための計算処理の負担を低減できるという効果を有し、ベイジアンネットのモデルを用いて確率的に適した提示対象を被提示者に提示する情報提示装置等に有用である。 As described above, the present invention obtains the presentation target from the narrowed candidates after appropriately narrowing down the presentation target candidates based on the narrowing criteria obtained using the probabilistic reasoning. The present invention has an effect of reducing the burden of calculation processing, and is useful for an information presentation apparatus that presents a presenter with a presentation object that is stochastically suitable using a Bayesian network model.
10 コンテンツ提供装置
12 提示部
14 操作部
16 制御部
18 絞込み基準推論処理部
20 候補絞込み処理部
22 提示対象推論処理部
24 提示対象出力処理部
26 モデル学習処理部
30 コンテンツ情報記憶部
32 基準決定用モデル記憶部
34 提示対象推論モデル記憶部
DESCRIPTION OF
Claims (15)
提示対象の複数の属性のノードを含むベイジアンネットのモデルを提示対象の候補を絞り込む絞込み基準を求めるための基準決定用モデルとして記憶した基準決定用モデル記憶手段と、
前記基準決定用モデル記憶手段から読み出した基準決定用モデルを用いた確率推論を行って、前記絞込み基準として前記属性のノードの確率分布を求める絞込み基準推論手段と、
前記絞込み基準推論手段にて求められた前記属性のノードの確率分布に基づいて提示対象を絞り込む候補絞込み手段と、
前記候補絞込み手段によって絞り込まれた候補の中から、提示対象を求める提示対象選択手段と、
前記提示対象選択手段によって選択された提示対象を提示する提示手段と、
を備えることを特徴とする情報提示装置。 An information presentation device for presenting a presentation target that is stochastically suitable using a Bayesian network model,
A reference determination model storage means for storing a Bayesian network model including nodes of a plurality of attributes to be presented as a reference determination model for obtaining a narrowing reference for narrowing down candidates for presentation;
Probability inference using the reference determination model read from the reference determination model storage means, and a narrowed reference inference means for obtaining a probability distribution of nodes of the attribute as the narrowing reference;
Candidate narrowing means for narrowing down the presentation target based on the probability distribution of the nodes of the attribute obtained by the narrowing-down criterion inference means;
A presentation target selection means for obtaining a presentation target from the candidates narrowed down by the candidate narrowing means;
Presenting means for presenting the presenting object selected by the presenting object selecting means;
An information presentation device comprising:
前記絞込み基準推論手段は、前記属性のノードの確率分布と前記優先度を示すノードの確率分布を求め、前記優先度を示すノードの確率分布を用いて前記属性のノードの確率分布に重み付けをして前記絞込み基準を求めることを特徴とする請求項1に記載の情報提示装置。 The reference determination model storage means stores a model of a Bayesian network further including a node indicating the priority of each attribute.
The narrowed-down criterion inference means obtains a probability distribution of the node of the attribute and a probability distribution of the node indicating the priority, and weights the probability distribution of the node of the attribute using the probability distribution of the node indicating the priority. The information presentation device according to claim 1, wherein the narrowing-down criterion is obtained.
前記絞込み基準推論手段は、前記属性のノードの確率分布と前記優先度を示すノードの確率分布を求め、前記優先度を示すノードの確率分布を用いて前記属性のノードの確率分布に重み付けをして前記絞込み基準を求めることを特徴とする請求項1に記載の情報提示装置。 The reference determination model storage means stores a Bayesian network model in which nodes indicating the priority of each attribute are set in association with each attribute node;
The narrowed-down criterion inference means obtains a probability distribution of the node of the attribute and a probability distribution of the node indicating the priority, and weights the probability distribution of the node of the attribute using the probability distribution of the node indicating the priority. The information presentation device according to claim 1, wherein the narrowing-down criterion is obtained.
前記絞込み基準推論手段は、前記被提示者の属性を示すノードに被提示者の属性を設定して確率推論を行うことを特徴とする請求項1〜3のいずれかに記載の情報提示装置。 The reference determining model storage means stores a model of a Bayesian network further including a node indicating an attribute of the presentee,
The information presentation apparatus according to claim 1, wherein the narrowed-down criterion inference unit performs probability inference by setting an attribute of the person to be presented in a node indicating the attribute of the person to be presented.
前記絞込み基準推論手段は、前記提示対象の提示を受ける状況を示すノードに状況を設定して確率推論を行うことを特徴とする請求項1〜3のいずれかに記載の情報提示装置。 The reference determination model storage means stores a model of a Bayesian network further including a node indicating a situation of receiving the presentation target.
The information presentation apparatus according to claim 1, wherein the narrowed-down criterion inference unit performs probability inference by setting a situation in a node indicating a situation of receiving the presentation target.
提示対象の候補を絞り込む絞込み基準を求めるために推論アルゴリズムで用いられる計算用リソースを基準決定用の計算用リソースとして記憶した計算用リソース記憶手段と、
前記計算用リソース記憶手段から読み出した計算用リソースを用いた推論を行って、提示対象の絞込み基準を求める絞込み基準推論手段と、
前記絞込み基準推論手段にて求められた絞込み基準を用いて提示対象の候補を絞り込む候補絞込み手段と、
前記候補絞込み手段によって絞り込まれた候補の中から、提示対象を求める提示対象選択手段と、
前記提示対象選択手段によって選択された提示対象を提示する提示手段と、
を備えることを特徴とする情報提示装置。 An information presentation device for presenting a presentation target suitable for a person to be presented using an inference algorithm,
A calculation resource storage means for storing a calculation resource used in an inference algorithm for obtaining a narrowing criterion for narrowing down candidates for presentation, as a calculation resource for determining a criterion;
A refinement criterion inference means for performing a reasoning using a computation resource read from the computation resource storage means, and obtaining a refinement criterion of a presentation target;
Candidate narrowing means for narrowing down candidates for presentation using the narrowing criteria obtained by the narrowing criteria inference means;
A presentation target selection means for obtaining a presentation target from the candidates narrowed down by the candidate narrowing means;
Presenting means for presenting the presenting object selected by the presenting object selecting means;
An information presentation device comprising:
提示対象の複数の属性のノードを含むベイジアンネットのモデルを提示対象の候補を絞り込む絞込み基準を求めるための基準決定用モデルを基準決定用モデル記憶手段から読み出す基準決定用モデル読出しステップと、
前記基準決定用モデル読出しステップにて読み出した基準決定用モデルを用いた確率推論を行って、前記絞込み基準として前記属性のノードの確率分布を求める絞込み基準推論ステップと、
前記絞込み基準推論ステップにて求められた前記属性のノードの確率分布に基づいて提示対象を絞り込む候補絞込みステップと、
前記候補絞込みステップにて絞り込まれた候補の中から、提示対象を求める提示対象選択ステップと、
前記提示対象選択ステップにて選択された提示対象を提示する提示ステップと、
を備えることを特徴とする情報提示方法。 An information presentation method for presenting to a presentee a presentation object that is stochastically suitable using a Bayesian network model,
A reference determination model reading step for reading a reference determination model for obtaining a narrowing criterion for narrowing down candidates for presentation targets from a Bayesian network model including nodes of a plurality of attributes to be presented;
Probability inference using the reference decision model read out in the reference decision model read-out step, and a narrowed-down reference inference step for obtaining a probability distribution of nodes of the attribute as the refinement reference;
Candidate narrowing step for narrowing down the presentation target based on the probability distribution of nodes of the attribute obtained in the narrowing-down criterion inference step;
From the candidates narrowed down in the candidate narrowing step, a presentation target selection step for obtaining a presentation target;
A presentation step of presenting the presentation target selected in the presentation target selection step;
An information presentation method comprising:
提示対象の複数の属性のノードを含むベイジアンネットのモデルを提示対象の候補を絞り込む絞込み基準を求めるための基準決定用モデルを基準決定用モデル記憶手段から読み出す基準決定用モデル読出しステップと、
前記基準決定用モデル読出しステップにて読み出した基準決定用モデルを用いた確率推論を行って、前記絞込み基準として前記属性のノードの確率分布を求める絞込み基準推論ステップと、
前記絞込み基準推論ステップにて求められた前記属性のノードの確率分布に基づいて提示対象を絞り込む候補絞込みステップと、
前記候補絞込みステップにて絞り込まれた候補の中から、提示対象を求める提示対象選択ステップと、
前記提示対象選択ステップにて選択された提示対象を提示する提示ステップと、
を実行させることを特徴とするプログラム。
A program for presenting to the presentee a presentation object that is stochastically suitable using a Bayesian network model,
A reference determination model reading step for reading a reference determination model for obtaining a narrowing criterion for narrowing down candidates for presentation targets from a Bayesian network model including nodes of a plurality of attributes to be presented;
Probability inference using the reference decision model read out in the reference decision model read-out step, and a narrowed-down reference inference step for obtaining a probability distribution of nodes of the attribute as the refinement reference;
Candidate narrowing step for narrowing down the presentation target based on the probability distribution of nodes of the attribute obtained in the narrowing-down criterion inference step;
From the candidates narrowed down in the candidate narrowing step, a presentation target selection step for obtaining a presentation target;
A presentation step of presenting the presentation target selected in the presentation target selection step;
A program characterized by having executed.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004102928A JP4494841B2 (en) | 2004-03-31 | 2004-03-31 | Information presenting apparatus, information presenting method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004102928A JP4494841B2 (en) | 2004-03-31 | 2004-03-31 | Information presenting apparatus, information presenting method, and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2005292904A true JP2005292904A (en) | 2005-10-20 |
JP4494841B2 JP4494841B2 (en) | 2010-06-30 |
Family
ID=35325808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004102928A Expired - Lifetime JP4494841B2 (en) | 2004-03-31 | 2004-03-31 | Information presenting apparatus, information presenting method, and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4494841B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102056701B1 (en) | 2012-10-31 | 2019-12-17 | 삼성에스디에스 주식회사 | System and method for diagnosing status |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001075808A (en) * | 1999-07-14 | 2001-03-23 | Hewlett Packard Co <Hp> | Bayesian network |
JP2001331477A (en) * | 2000-05-19 | 2001-11-30 | Matsushita Electric Ind Co Ltd | Probability inference and decision device, probability inference and decision method, medium and information assembly |
-
2004
- 2004-03-31 JP JP2004102928A patent/JP4494841B2/en not_active Expired - Lifetime
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001075808A (en) * | 1999-07-14 | 2001-03-23 | Hewlett Packard Co <Hp> | Bayesian network |
JP2001331477A (en) * | 2000-05-19 | 2001-11-30 | Matsushita Electric Ind Co Ltd | Probability inference and decision device, probability inference and decision method, medium and information assembly |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102056701B1 (en) | 2012-10-31 | 2019-12-17 | 삼성에스디에스 주식회사 | System and method for diagnosing status |
Also Published As
Publication number | Publication date |
---|---|
JP4494841B2 (en) | 2010-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4639296B2 (en) | VEHICLE INFORMATION PROCESSING SYSTEM, VEHICLE INFORMATION PROCESSING METHOD, AND PROGRAM | |
Kluver et al. | Rating-based collaborative filtering: algorithms and evaluation | |
Aghdam | Context-aware recommender systems using hierarchical hidden Markov model | |
US20170177585A1 (en) | Systems, methods, and computer readable medium for generating playlists | |
US20180342004A1 (en) | Cumulative success-based recommendations for repeat users | |
US8781915B2 (en) | Recommending items to users utilizing a bi-linear collaborative filtering model | |
RU2725659C2 (en) | Method and system for evaluating data on user-element interactions | |
US9864951B1 (en) | Randomized latent feature learning | |
CN107463701B (en) | Method and device for pushing information stream based on artificial intelligence | |
JP5700906B2 (en) | Recommendation system with special dynamic model synthesis | |
CN111242310B (en) | Feature validity evaluation method and device, electronic equipment and storage medium | |
CN109063104B (en) | Recommendation information refreshing method and device, storage medium and terminal equipment | |
CN110402445B (en) | Method and system for browsing sequence data using recurrent neural network | |
JP2006127452A (en) | Information presentation device and information presentation method | |
KR20220031569A (en) | Recommend content items | |
JP2011203991A (en) | Information processing apparatus, information processing method, and program | |
CN114329200B (en) | Personalized self-adaptive binding recommendation model and recommendation method | |
US20140188901A1 (en) | Efficiently identifying images, videos, songs or documents most relevant to the user using binary search trees on attributes for guiding relevance feedback | |
CN110766513A (en) | Information sorting method and device, electronic equipment and readable storage medium | |
CN117391824B (en) | Method and device for recommending articles based on large language model and search engine | |
KR102061331B1 (en) | Method and system for item recommendation | |
JP6971181B2 (en) | Predictors, predictors, and programs | |
JP4494841B2 (en) | Information presenting apparatus, information presenting method, and program | |
JP5588938B2 (en) | Item recommendation apparatus, method and program | |
CN111159558B (en) | Recommendation list generation method and device and electronic equipment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060710 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090217 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20090326 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090410 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20090410 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20091110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100108 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20100112 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20100330 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100408 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4494841 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130416 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130416 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140416 Year of fee payment: 4 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
EXPY | Cancellation because of completion of term |