JP2005536814A - ユーザプロファイルの作成方法、及び、ユーザの次の選択に対する提案を特定する方法 - Google Patents

Abstract

ユーザプロファイル及び／又はそれに基づいて計算される提案は、特定のユーザ特徴セットを考慮して得られる。ユーザ特徴は、ユーザプロファイルが使用されるアプリケーションに関して、個々のユーザの典型的な一般的行動を表すものとして定義される。つまり、ユーザプロファイルが使用されるアプリケーション毎に、個々のユーザの典型的な一般的行動を表すことができる特定のユーザ特徴セットが定められる。これらのユーザ特徴に基づいて、ユーザプロファイルの作成時に、ユーザプロファイルを表す単語と重みの対又は重み付きキーワードのリストにおける重みが計算され、あるいは、影響を受け、及び／又は、マルチユーザプロファイルから個々のユーザプロファイルを作成する際に、マルチユーザプロファイルが分割され、及び／又は、提案の特定時に、ユーザプロファイル作成に使用されるユーザ履歴、及び／又は、ユーザプロファイル、及び／又は、提案結果がフィルタリングされる。

Description

本発明は、ユーザプロファイルの作成方法、及び、ユーザの次の選択に対する提案（suggestion）を特定する方法に関し、特に、単語と重みの対（word-weight pair）のリストからなるユーザプロファイルの作成方法、単語と重みの対のリストからなるマルチユーザプロファイルから個々のユーザプロファイルを作成する方法、及び、今後の番組（future program）の説明及びユーザプロファイルについて計算された提案結果に基づいて決定される提案であって、ユーザの次の選択に対する提案を特定する方法に関する。

あらゆる種類のコンテンツ選択アプリケーションにおいて、これらのアプリケーションのユーザに対して「理にかなった提案（reasonable suggestion）」を行おうとする幾つかの技術が知られている。このような提案エンジンの場合、通常、ユーザとユーザの好みがモデル化され、最も可能性がありそうな次のコンテンツ選択の推奨（recommendation）が提示される。ユーザとユーザの好みをモデル化する一般的な方法は、あるアプリケーション及び／又はトピックに関するユーザの関心を特徴付けるユーザグループの所定の定型化されたユーザプロファイルを用いることである。また、ユーザの行動の記録を用い、そのユーザの行動からある特徴を推測している。このような推奨システムは、多くの場合サーバベースのシステムであり、多数のユーザから多くの明示的評価を収集して、プロファイルを構築する。そして、各ユーザのプロファイルは、これらの学習されたプロファイルうちの１つとされ、各ユーザが、プロファイルを構築するのに用いられた他のユーザが好むものをおそらく好むであろうという前提のもとに、選択される可能性があるコンテンツの新たな提案が行われる。

ユーザとそれに対応する好みのモデルは、通常、単語と重みの対のリスト、すなわち重み付けされたキーワードのリストであり、これに従って、選択される可能性がある新たな選択対象が検索され、最も適合する選択対象が見つかる。インゴ・シュワブ（Ingo Schwab）、アルフレード・コプサ（Alfred Kopsa）著の文献「アンオブストラクティブラーニングによる適応性（Adaptivity through Unobstructive Learning）」、Kunstliche Intelligenz, Volume 3-02, pages 5-9, ISSN 0933-1875, Arendt Tapp Verlag, Bremenには、積極的なユーザ観察だけから暗に、このような重み付けされたキーワードのリストからなるユーザプロファイルを学習するアプローチが記載されている。この文献には、ユーザプロファイルとともに、幾つかの方法が記載されている。また、ロス・ウィルキンソン（Ross Wilkinson）、ジャスティン・ゾベル（Justin Zobel）、ロン・サックス−ディビス（Ron Sacks-Davis）著の文献「短い問合せに関する類似性測定（similarity measures for short queries）」、Department of Computer Science, RMIT, GPO Box 2476V, Melbourne 3001, Australia, October 1995, Fourth Text Retrieval Conference (1995), 277-285）には、特に、通常は２語〜１０語程度の短い任意の問合せに対し、あるキーワードに基づいて記事（article）やデータベースを見つける情報検索技術が記載されている。

上述のように、周知のシステムは、既存のユーザプロファイル及び／又はユーザ履歴に基づいて提案を算定するが、ユーザがユーザプロファイルを直接編集することもでき、自動的に算定することもできる。また、上述のように、よく用いられる他のメカニズムは、ユーザの行動及び／又は選択対象に応じてユーザグループをクラスタ化することであるが、この場合、これらのユーザからのコンテンツに関する明示的評価が必要である。そして、グループにおけるユーザが好むものが、現在のユーザに対して適切な提案である可能性が高いとみなされる。しかしながら、これらの方法はいずれも、ユーザ又はユーザが属するグループの全般的な履歴から、一般的な提案を行うという点で共通している。コナー・ヘイズ（Conor Hayes）、パドレイグ・カニンガム（Padraig Cunningham）、パトリック・クラーキン（Patrick Clerkin）、マルコ・グリマルディ（Marco Grimaldi）著の文献「番組駆動型の音楽ラジオ（Program driven music radio）」、Department of Computer Science, Trinity College Dublin, Proceedings of the ECAI 2002 (5^th conference on artificial intelligence on 21 to 26 July, 2002)）には、ストリーミングオーディオ技術及び推奨技術において、聴取者の現在の好みに関係し、得られる提案が現在の状況に応じてフィルタリングされる、より良好な推奨を見つけることが記載されている。ここで言う現在の状況とは、最終的に変化したユーザの好みに対する提案の適合性を確実にするために、ある（最近の）時間帯におけるユーザの行動である。しかしながら、このシステムにおいても、提案は、現在の状況に適合させるために、必要以上に一般的なものとなることがある。

このような必要以上に一般的な提案は、ある期間に亘って観察されるユーザ／ユーザグループに対しては有効であるが、ある状況では不適合となることもある。

したがって、本発明の目的は、ユーザプロファイルを作成し、ユーザの次の選択に対する提案を特定する、改善された技術を提供することである。

この本発明の目的は、独立請求項１に記載の、単語と重みの対のリストからなるユーザプロファイルを作成する方法、独立請求項２９に記載の、単語と重みの対のリストからなるマルチユーザプロファイルから個々のユーザプロファイルを作成する方法、及び、独立請求項３３に記載の、今後の番組の説明及びそれらのユーザプロファイルについて計算された提案結果に基づいて決定される提案であって、ユーザの次の選択に対する提案を特定する方法により達成される。これらの好ましい実施形態は、続く従属請求項において定義される。さらに、本発明は、請求項３８に記載のコンピュータプログラム製品、請求項３９に記載のコンピュータにより読み取り可能な記録媒体、請求項４０に記載の、単語と重みの対のリストからなるユーザプロファイルを作成するプロファイラ、及び、請求項４１に記載の、今後の番組の説明及びユーザプロファイルについて計算された提案結果に基づいて決定される提案であって、ユーザの次の選択に対する提案を特定する提案エンジンを提供する。提案エンジンの好ましい実施形態は、請求項４２において定義される。

なお、単語と重みの対、すなわち、上述の重み付けされたキーワードのリストではなく、ｎグラム（ストップワードを除く、前のｎ個の単語のコンテキストに応じた単語）等、より一般的な構造を使用することもできる。また、２つ以上の単語を含む句も可能である。これらの構造は「キー構造」と呼ばれる。

（その単語が出現した選択対象が、どのくらい前に選択されたかによって異なるが、）動的に低い重み付けが行われる「古い」キーワード（過去のユーザ選択対象から得られたもの）に重み付けを行うフォーゲット（忘れ）係数を用いることもできる。このようにして、最近の選択対象は高い重みを得るので、ユーザの関心の変化に対する適応が可能となる。さらに、「今後の番組」という用語は、「今後の番組又は記録された個人用コンテンツ」として理解されるべきである。また、「番組の説明」という用語は、「選択対象、例えば、テレビ番組のダイジェストの説明」も含むことを意味する。

本発明に係る、単語と重みの対のリストからなるユーザプロファイルを作成する方法は、ユーザプロファイルが使用されるアプリケーションに関して、個々のユーザの典型的な一般的行動を表すユーザ特徴に基づいて重みを計算するステップを有する。

本発明に係る、単語と重みの対のリストからなるマルチユーザプロファイルから個々のユーザプロファイルを作成する方法は、ユーザプロファイルが使用されるアプリケーションに関して、個々のユーザの典型的な一般的行動を表すユーザ特徴に従ってマルチユーザプロファイルを少なくとも１回分割するステップを有する。

本発明に係る、今後の番組の説明及びユーザプロファイルについて計算された提案結果に基づいて決定される提案であって、ユーザの次の選択に対する提案を特定する方法は、ユーザプロファイルが使用されるアプリケーションに関して、個々のユーザの典型的な一般的行動を表すユーザ特徴に基づいて表されるユーザの実際の状況に基づいて、ユーザプロファイルを作成するのに使用されるユーザ履歴、及び／又は、提案結果をフィルタリングするステップを有する。

これにより、本発明によれば、特定のユーザ特徴セットを考慮して、ユーザプロファイルとそれに基づいて計算される提案とが得られる。ユーザ特徴は、ユーザプロファイルが使用されるアプリケーションに関して、個々のユーザの典型的な一般的行動を表すものとして定義される。つまり、ユーザプロファイルが使用されるアプリケーション毎に、個々のユーザの典型的な一般的行動を表すことが可能な特定のユーザ特徴セットが定義される。これらのユーザ特徴に基づいて、ユーザプロファイルの作成時に、単語と重みの対のリストにおける重み、又は、重み付けされたキーワードが計算され、あるいは、影響を受け、また、マルチユーザプロファイルから個々のユーザプロファイルを作成する際に、マルチユーザプロファイルが分割され、また、提案の特定時に、ユーザプロファイルの作成に使用されるユーザ履歴、及び／又は、ユーザプロファイル、及び／又は、提案結果がフィルタリングされる。

ユーザ特徴は、特定のアプリケーションに関して個々のユーザの典型的な一般的行動を表すことが可能なユーザ特徴、すなわちユーザが自分の選択対象を通常作成するときに従う所定の方式や規則を特徴付けることが可能なユーザ特徴が選択される。始めに従来技術におけるような選択履歴を考慮することにより、本発明に係る方法は、主としてユーザの選択対象における特徴の探索に基づくだけでなく、ユーザの関心のシミュレーションを改良することによっても、個々のユーザの行動によりよく適応する。

アプリケーションによっては、ユーザが実際に好むものをユーザの行動から推測するため、種々の特徴が有用あるいは必要となる。これらの特徴は、最近の「最新技術」とは異なる。これらの特定の特徴を選択することにより、より深いレベルでユーザの好みを計算するのに役立つ複雑な推理を行うことができる。

さらに、履歴における特徴を用いて、実際のユーザの要求に基づいて特定のプロファイルを動的に計算する。例えば、ユーザが、平日に種々の映画（比較的短時間で、それほどエキサイティングではないもの）を見ると仮定する。さらに、週末には、ユーザの午後の視聴行動は夜とは異なる。このため、ある土曜の夜にユーザが映画を要求する場合、履歴から全ての適切なエントリが選択され、これらのうち、現在の提案の基礎となる極めて特別なプロファイルが計算される。

あるいは、一般的な履歴から計算されたプロファイルを使用して、多数のアイテム（例えば、テレビ番組）からなる最初の提案を行うこともできる。そして、履歴における特徴に基づいて、これをさらにフィルタリングする。

本発明に係るユーザプロファイルの作成方法は、好ましくは、ユーザ履歴からユーザ特徴の影響を評価するステップを有する。

代替的に又は追加的に、本発明に係るユーザプロファイルの作成方法は、好ましくは、定型化されたユーザプロファイルの特徴に従って、ユーザプロファイルをサブユーザプロファイルに分割して、より特殊化されたプロファイルを得るステップを有する。

さらに、代替的に又は追加的に、本発明に係るユーザプロファイルの作成方法は、好ましくは、ユーザによる前の選択対象である番組の説明に含まれる単語に基づいて、単語と重みの対のリストに含まれるべき単語を決定するステップを有する。

この場合、本発明に係るユーザプロファイルの作成方法は、好ましくは、単語と重みの対のリストに既に含まれる単語の共起についてのデータベース評価に基づいて、そのリストに含まれるべき更なる単語を決定するステップを有する。

この場合、代替的に又は追加的に、本発明に係るユーザプロファイルの作成方法は、好ましくは、使用可能な全ての番組の説明に対する、単語と重みの対のリストに含まれるべき単語の逆文書頻度と、ユーザによる前の選択対象である番組の説明に対する、上記単語の逆文書頻度との比較に基づいて、上記単語の重みを計算するステップを有する。

さらに、この場合、代替的に又は追加的に、本発明に係るユーザプロファイルの作成方法は、好ましくは、
・ユーザによる前の選択対象である全ての番組の説明に対する単語の重要度と、
・定数、特に１
・単語が含まれる番組の説明に対する単語の重要度
・使用可能な全ての番組の説明に対する単語の重要度
・単語が含まれる番組の説明の長さとこの番組の説明における単語の頻度とによって変化する相対係数
のうちの少なくとも１つとの積として、単語と重みの対のリストに含まれるべき単語の重みを計算するステップを有する。

本発明に係るユーザプロファイルの作成方法において、ユーザによる前の選択対象である全ての番組の説明に対する単語の重要度は、好ましくは、ユーザによる前の選択対象である番組の説明における全ての単語からなるセットに占める単語の割合に基づいて決定される。

本発明に係るユーザプロファイルの作成方法において、ユーザによる前の選択対象である全ての番組の説明に対する単語の重要度は、さらに、好ましくは、単語が含まれる番組の説明を考慮して決定される。

本発明に係るユーザプロファイルの作成方法において、単語が含まれる番組の説明に対する単語の重要度は、好ましくは、より広いデータベースにおける単語の出現に対する、上記番組の説明における単語の出現に基づいて決定される。

本発明に係るユーザプロファイルの作成方法において、使用可能な全ての番組の説明に対する単語の重要度は、好ましくは、使用可能な全ての番組の説明に対する逆文書頻度の基づいて決定される。

本発明に係るユーザプロファイルの作成方法において、使用可能な全ての番組の説明に対する単語の重要度は、さらに、好ましくは、単語が含まれる番組の説明を考慮して決定される。

本発明に係るユーザプロファイルの作成方法において、単語と重みの対のリストに含まれるべき単語の重みを計算するステップは、以下の数式によって行われる。

ここで、ｗ_ｉ（ｔ）は番組の説明ｉにおける単語ｔの重みであり、ａはユーザによる前の選択対象である全ての番組の説明における単語ｔの重要度、ｔは単語、ｆ_ｉ，ｔは、番組の説明ｉの文書の長さ、ｆ_ｔは単語ｔを含んでいる番組の説明の数、Ｎはデータベースにおける番組の説明の数である。

本発明に係るユーザプロファイルの作成方法において、重みを計算するステップは、好ましくは、ある選択対象を残すとともに選択対象をオフに切り換えるというユーザの行動、すなわちザッピング行動により、単語と重みの対のリストに含まれる単語について計算された重みを正規化するステップを有する。また、この選択対象についてのみオンにし、終了と同時にオフに切り換えることが、重要な役割を果たす。

本発明に係るユーザプロファイルの作成方法において、重みを計算するステップは、代替的に又は追加的に、好ましくは、記録された選択対象を実際に使用するときのユーザの行動により、単語と重みの対のリストに含まれる単語の重みを正規化するステップを有する。

本発明に係るユーザプロファイルの作成方法において、重みを計算するステップは、代替的に又は追加的に、好ましくは、単語が出現している、ユーザによる前の選択対象である全ての番組の説明に亘って、単語の重みを平均化するステップを有する。これらは、各重みｗ_ｉ（ｔ）の平均として計算される重みｗ（ｔ）である。

本発明に係るユーザプロファイルの作成方法において、重みを計算するステップは、さらに、代替的に又は追加的に、好ましくは、所定のしきい値未満の重み又は所定の低重み範囲内の重みを示す単語を、単語と重みの対のリストから除外するステップを有する。

本発明に係るユーザプロファイル作成方法において、重みを計算するステップは、さらに、代替的に又は追加的に、好ましくは、ユーザの否定的選択対象を考慮することにより、単語と重みの対のリストに含まれるべき単語の重みを計算するステップを有する。

本発明に係るユーザプロファイルの作成方法において、重みを計算するステップは、さらに、代替的に又は追加的に、好ましくは、あるユーザ特徴に対する可能なユーザ選択対象の最大頻度を考慮することにより、単語と重みの対のリストに含まれるべき単語の重みを計算するステップを有する。

本発明に係るユーザプロファイルの作成方法において、作成されたユーザプロファイルは、好ましくは、少なくとも１つの可能な今後の選択対象をユーザに提案するための、可能な今後の番組の説明における問合せとして使用される。

この場合、本発明に係るユーザプロファイルの作成方法において、好ましくは、可能な今後の番組の説明毎にモディファイドＯＫＡＰＩ重みが計算され、適合する各単語は、検索結果がユーザプロファイルに応じて影響されるように、余因子としての重みを有する。

この場合、本発明に係るユーザプロファイルの作成方法において、さらに好ましくは、以下の数式に従って上記モディファイドＯＫＡＰＩ重みが計算される。

ここで、ｗ（ｔ）はユーザによる前の選択対象である全ての番組の説明における単語ｔの重みであり、ｑはユーザプロファイルに応じて作成された問合せ、ｉは可能な今後の選択対象である全ての番組の説明、ｗ（ｔ）は単語ｔの重み、すなわち、ｗ_ｉ（ｔ）の平均、ｆ_ｉ，ｔは番組の説明ｉにおける単語ｔの出現回数、ｆ_ｉは番組の説明の文書の長さ、ｆ_ｔは単語ｔを含んでいる番組の説明の数、Ｎはデータベースにおける番組の説明数である。

この場合、本発明に係るユーザプロファイルの作成方法において、代替的に、さらに好ましくは、以下の数式に従って上記モディファイドＯＫＡＰＩ重みが計算される。

ここで、ｗ（ｔ）はユーザによる前の選択対象である全ての番組の説明における単語ｔの重みであり、ｑはユーザプロファイルに応じて作成された問合せ、ｉは可能な今後の選択対象である全ての番組の説明、ｗ（ｔ）は単語ｔの重み、ｆ_ｉ，ｔは番組の説明ｉにおける単語ｔの出現回数、ｆ_ｉは番組の説明の文書の長さである。

この場合、本発明に係るユーザプロファイルの作成方法において、代替的に又は追加的に、さらに好ましくは、定型化されたユーザプロファイルと作成されたユーザプロファイルとを組み合わせることにより問合せが作成され、まず、初めて提案を与えるときに、定型化されたユーザプロファイルが単独で使用され、作成されたユーザプロファイルを計算するためのデータ収集中の第１の所定期間に、両ユーザプロファイルの線形結合が使用され、作成されたユーザプロファイルを計算するためのデータ収集中の上記第１の所定期間後に、作成されたユーザプロファイルが使用される。

本発明に係るユーザプロファイルの作成方法において、定型化されたユーザプロファイルは、全ての番組に平均的関心を示す汎用ステレオプロファイルと、特定のトピックに集中しているユーザの関心をそれぞれ定める少なくとも１つの特定の定型化されたユーザプロファイルとにより構成されてもよい。

本発明に係るユーザプロファイルの作成方法において、好ましくは、ユーザの選択対象を各特定の定型化されたユーザプロファイルにおけるデータと一致させ、一致があった場合にその定型化されたユーザプロファイルの重みを大きくすることにより、上記提案を与えるための線形結合において考慮される特定の定型化されたユーザプロファイルの重みが計算される。

また、最初に、異なるユーザグループについての幾つかの定型化されたユーザプロファイルが使用される。特定のユーザの行動を幾つか観察した後に、より具体的な定型化されたユーザプロファイルが、最初の定型化されたユーザプロファイルの線形結合として計算される。

本発明に係るユーザプロファイルの作成方法において、好ましくは、第２の所定期間後に、以下に定義及び説明するように作成される個々のユーザプロファイルにより、問合せが作成される。

本発明に係るユーザプロファイルの作成方法において、好ましくは、以下に定義及び説明するようにフィルタリングされたユーザプロファイルを考慮して、問合せが作成される。

本発明に係るマルチユーザプロファイルから個々のユーザプロファイルを作成する方法において、好ましくは、マルチユーザプロファイルの分割の際に、
ａ）ユーザ特徴に従って仮分割を行い、第１及び第２のサブユーザプロファイルを作成するステップと、
ｂ）２つのサブユーザプロファイル間の相対差を計算するステップと、
ｃ）所定数の仮分割が行われるまでステップａ）及びｂ）を行うステップと、
ｄ）上記相対差が所定のしきい値より大きい場合、最大相対差を生じる仮分割に従ってマルチユーザプロファイルを分割するステップとを行う。

本発明に係るマルチユーザプロファイルから個々のユーザプロファイルを作成する方法において、上記分割の際に、好ましくは、第１のサブユーザプロファイルに含まれているユーザ特徴に対する、第１のサブユーザプロファイルの第１の離散確率分布と、第２のサブユーザプロファイルに含まれているユーザ特徴に対する、第２のサブユーザプロファイルの第２の離散確率分布との差を計算することにより、上記相対差が計算される。

本発明に係るマルチユーザプロファイルから個々のユーザプロファイルを作成する方法において、上記分割の際に、好ましくは、上記２つの離散確率分布の差は、ゼロ回出現するイベントが仮想出現１回に置き換えられる対称化クルバック−ライブラー距離の和（symmetrized Kullback-Leibler-distance sum）を用いて計算される。

本発明に係る上述の各方法は、好ましくは、オーディオ／ビデオ番組提案エンジンにおいて使用される。

本発明に係る上述の各方法において、さらに好ましくは、上記オーディオ／ビデオ番組提案エンジンはインターネットベースである。

本発明に係る上述の各方法は、好ましくは、クライアントベースである。すなわち、インターネットサーバや同様のパブリックサーバではなく、テレビ、セットトップボックス、ビデオテープレコーダ、ホームサーバ等の民生機器において実現される。

本発明に係る上述の各方法において、さらに好ましくは、上記ユーザ特徴は、
・ユーザにより視聴される所望のオーディオ／ビデオ番組のチャンネル
・ユーザによるオーディオ／ビデオ番組の典型的視聴時刻
・オーディオ／ビデオ番組の合計時間に対する、ユーザによるオーディオ／ビデオ番組の視聴時間
・オーディオ／ビデオ番組の開始時刻に対する、ユーザによるオーディオ／ビデオ番組の視聴開始時刻
・視聴時刻に対する、ユーザによるオーディオ／ビデオ番組の典型的視聴時間
・特定のオーディオ／ビデオ番組がどのくらい頻繁に視聴可能であるかと、その番組がユーザによりどのくらい頻繁に視聴されるかとの関係
・特に使用されるオーディオ／ビデオ機器のスイッチオン時刻及び時間に対する、ユーザの一般的なオーディオ／ビデオ番組視聴行動
・ユーザにより記録されたオーディオ／ビデオ番組
・ユーザによる特定のオーディオ／ビデオ番組の記録と、ユーザによる当該オーディオ／ビデオ番組の視聴との時間間隔
・ユーザの実際の気分
・ユーザにより入力された実際の希望オーディオ／ビデオ番組
・ユーザにより視聴されたオーディオ／ビデオ番組の製作年
・ユーザにより視聴されたオーディオ／ビデオ番組のディレクター及び／又は俳優及び／又は俳優グループ
・ユーザにより視聴されたオーディオ／ビデオ番組の種類
・ユーザにより視聴されたオーディオ／ビデオ番組のタイトル
という特徴のうちの１つ以上からなる。

本発明に係るコンピュータプログラム製品は、コンピュータ、デジタル信号処理装置等において実行された場合に、上述のような方法ステップを行うように構成されたコンピュータプログラム手段からなる。

本発明に係る、コンピュータにより読み取り可能な記録媒体は、上述のようなコンピュータプログラム製品を記録している。

本発明に係る単語と重みの対のリストからなるユーザプロファイルを作成するプロファイラは、上述のような方法ステップを行うように構成される。

本発明に係る、今後の番組の説明とユーザプロファイルとについて計算された提案結果に基づいて決定される提案であって、ユーザの次の選択に対する提案を特定する提案エンジンは、上述のような、ユーザの次の選択に対する提案を特定する方法ステップを行うように構成される。

本発明に係る提案エンジンは、好ましくは、本発明に係るプロファイラを有する。

以下、図面を参照し、例示的な実施形態を用いて、本発明を説明する。

以下、家庭環境における一連のユーザにテレビ番組を推奨するシステムという状況で、本発明を具体的に説明する。今日のテレビ番組のユーザには、多種多様のチャンネルやテレビ番組が用意されており、ユーザは、これらの番組の中から視聴又は録画したい番組を選択しなければならないので、本発明は、特にこのようなシステムに適している。インターネット、テレビ放送に付随した情報ストリーム、例えば文字放送又は一般的にはＤＶＢ、セットトップボックスにおいて利用可能な電子番組ガイド（electronic program guide：以下、ＥＰＧと略す。）は、ユーザがどの番組を視聴するか決定するのに役に立つが、それでもチャンネルやテレビ番組の数が多すぎる。このため、本発明に基づく、ユーザの好みや習慣に合った明示的な提案をユーザに対して行うエンジンは、特定の状況における特定のユーザにあった提案を決定するのに特に適している。勿論、本発明は、実際はこのようなテレビ番組推奨システムに特に適用可能であるが、それに限定されず、他のオーディオ／ビデオ画像、すなわちマルチメディアコンテンツを推奨するのにも使用でき、また、休日の目的地、ホテル、旅行ルート、本等を見つけるのにも役立つ。すなわち、決定をしなければならない、いかなる状況でもユーザの役に立つものである。

図１は、ホームサーバユーザインタフェース内の提案エンジン１の構成を示すブロック図である。提案エンジン１は、提案する電子番組ガイドの項目（article）を提供し、これらは、電子番組ガイド項目データベース４から検索されたものである。提案エンジン１は、検索部３を備え、検索部３は、電子番組ガイド項目データベース４に接続されており、グラフィックス、音声、触覚（haptics）、接触覚（touch sense）、生きているようなアニメーション化キャラクタ（animatel life-like character）、これらを組み合わせたサブセットからなるマルチモードユーザインタフェース５に、提案する電子番組ガイドの項目を提示する。提案エンジン１は、さらに、検索部３に接続されたプロファイラ２を備えている。プロファイラ２は、ユーザプロファイルを作成して、これを問合せ（query）として検索部３に供給する。検索部３は、問合せに最も適合する項目をＥＰＧ項目データベース４から検索する。そして、これらの最も適合する項目は、グラフィカルユーザインタフェース（graphical user interface（以下、ＧＵＩと略す））５を介して、提案するＥＰＧ項目としてユーザに提示される。

また、図１は、ＥＰＧ項目データベース４において、２００２年７月１８日放送、開始時刻２２：００、終了時刻２２：４５、放送局「チャンネル５」、タイトル「究極のスポーツ（extreme sports）」というテレビ番組を示している例示的なＥＰＧ項目４ａを示す。さらに、ＥＰＧ項目４ａは、当該テレビ番組について、「イタリアの火山島ヴルカーノは、丘陵ランニング、カヤック、マウンテンバイク等、過酷なスポーツの厳しい競技場所となっている」という説明を提示している。また、図１は、プロファイラ２によってユーザプロファイルとして作成された例示的な問合せ２ａを示す。この問合せ２ａは、重み付けされた単語のセット、すなわち単語と重みの対のセットであり、スポーツ：２．１２、アウトドア：２．０４、カヤック：１．９０、テニス：１．３９、アドベンチャー：１．２１、西部劇：０．８３、ニュース：０．７８、拳銃：０．５０となっている。問合せ２ａには、図示は省略するが、更なる単語と重みの対が含まれてもよい。

図２は、単語と重みの対のリストのようなユーザプロファイル又は問合せを作成するのに使用される構成を示す。プロファイラ２は、ユーザが視聴した番組のＥＰＧ項目を有するユーザ行動データベース６と、例えば以下に詳細に説明するように付加情報を検索するためのデータベース７とにアクセスする。これら２つの情報源に基づいて、プロファイラ２は、ユーザプロファイル８を作成し、ユーザプロファイル８は、例えば、図１に示すような問合せ２ａに似たような問合せを作成する。

本発明に基づくキーワードの対する重みとそれにより得られる提案を計算する改良した方法は、提案をも改善するものである。これについて図３ａ乃至図３ｃを参照して説明する。この計算では、本発明に基づく提案の計算にも使用されるユーザ特徴の特別なセットが考慮される。ここで説明する例示的な実施形態において、本発明の目的は、テレビを見たいユーザに対して具体的な提案特定の提案を行うことを可能にすることである。そのメカニズムは、ＥＰＧ項目、すなわち番組の説明、ここではテレビ番組の適切なデータ及び概要の説明から適切なキーワードを決定し、決定された適切なキーワードに対する重み付けを行い、検索を行うことで、今後のテレビ番組の適切なＥＰＧ項目を提案として識別する。

この実施形態において、個々のユーザの典型的な一般的行動（typical general behaviour）を表すユーザ特徴は、以下のようになる。
・ユーザが好むチャンネル
・テレビを見る典型的な時間（曜日、時間、週末、法定休日（bank holiday）等）
ザッピング行動（zapping behaviour）、例えば、番組が短い時間しか視聴されなかった場合、それは、おそらく、ユーザがその番組を好きでなかったことを意味し、一方、ユーザが、番組の開始時に明示的にチャンネルを切り換えて、その番組を全て視聴した後、スイッチをオフにし、又は他のチャンネルに切り換えた場合、それは、おそらく、ユーザがその番組が好きであることを意味し、ザッピング行動に関する重みｚ（ｉ）は、ユーザが特定の番組をどのくらい好んでいるかを反映している。
・番組の長さ、例えば、２時間の映画を、ユーザが早朝に見たいか、あるいは深夜に見たいかによって違いが出る。
・あるシリーズがどのくらい頻繁に放送されるかと、それがどのくらい頻繁に視聴されるかとの関係
・テレビのスイッチがオンにされる時間、例えば、一日中つけっぱなしなのか、特定のテレビ番組のときにオンにされるか。前者の場合、選択された番組の重みはより低くなる。
・何が録画されたか
・録画されたものが視聴されるまで、どのくらいの時間がかかったか
・録画された番組がどのくらい頻繁に視聴されたか、例えば、少しでも視聴されたのか。対応する重みｒ（ｉ）は、これらの質問に関して、ユーザが特定の番組をどの程度好きかを反映している。
・ユーザの気分も考慮に入れることができる。
・映画が製作された年
・ディレクター、俳優、俳優のペア又はグループ
・タイトル
・種類
・ユーザにより入力された実際の希望番組

例えば幾つかの特定のチャンネルに対するザッピング等、テレビのスイッチをオンにした後のユーザの典型的な行動は、過去から学習することができ、テレビのスイッチをオンにした後、直ちに提案を行うことができる。ユーザの典型的な一般的行動を表すユーザ特徴は、履歴の影響を受け、本発明では、提案を生成するのに履歴の特定の項目のみを使用するのではないため、新たな提案を行うことができる。

さらに、明らかにプロファイルに合わない思いがけない提案を意図的に行うことができる。これらの思いがけない提案は、ランダムに選択されたもの、ユーザ又はプロファイルに略適合するもの、ユーザプロファイルに故意に反するもの、定型化されたユーザプロファイルに基づいてインターネットサーバから得られたもの、あるいはＥＰＧに直接含まれるものである。

この場合、プロファイル内でのクラスタ化も可能である。すなわち、プロファイルを作成するための特定のキーワードを維持するのではなく、重み付けされた非常に特別なプロファイル、例えば、クラシック音楽についてのプロファイル、極限的スポーツについてのプロファイル等から、プロファイルを構成することができる。このようにして、確実に、提案エンジンは特定のプロファイルの情報を用いてデータを一般化することができる。例えば、ユーザがベートーベンを聴くのが好きな場合、ユーザはモーツァルトも好きかもしれない。モーツァルトについて何も選択されていない場合、これは履歴からはわからないが、クラシック音楽の特定のプロファイルにおいて、モーツァルトとベートーベンの相関をモデル化し、本発明に基づく提案において、ベートーベンに加えてモーツァルトも出てくるようにすることができる。このようなモデル化は、ＥＰＧデータ又は他のテキストリソースにおける単語の共起に基づくことができる。例えば、ニュースグループ、あるいは、音楽、映画又はテレビ番組について記述している他の項目を用いて、プロファイルにおいて用いられるキーワードのセットを拡張することができる。また、同音異義語や類義語も用いることができる。特にユーザプロファイルのキーワードを拡張するためのこれら語及び他の可能な語は、図２に示すプロファイラ２がアクセスするデータベース７に含まれる。更なる具体例として、このようなテキストにおいてジェームズ・ボンドとミッシェル・ファイファーが共に出てくるとすると、ユーザが最近、ジェームズ・ボンドを数回見た場合、ジェームズ・ボンドとミッシェル・ファイファーの両者がユーザのプロファイルに追加される。インターネットサーバから、このような共起リストを定期的にダウンロードすることができる。これらは、最近のテレビ番組のコンテキストにおける幾つかのより大きなユーザグループの行動に基づいて計算することができる。

上述の本発明の好ましい実施形態では、上述の特徴と選択されたＥＰＧに含まれるキーワードの重要度とを用いたユーザプロファイルの計算は、以下のように行うことができる。

ユーザ履歴は、選択されたＥＰＧ項目、すなわちユーザが視聴した番組と上述のようなユーザ特徴とに対応するＥＰＧ項目からなる。図３ａに示すように、第１のステップＳ１において、１セットの項目からなる履歴が読み出される。具体的には、第１の項目は、ポップ、音楽、ロック、マドンナ、音楽というキーワードを有し、第２の項目は、ベートーベン、交響曲、モーツァルト、クラシックというキーワードを有し、第３の項目は、パンク、ロック、音楽というキーワードを有し、第４の項目は、クラシック、交響楽団、音楽をいうキーワードを有している。

以下にさらに説明するが、例えば「週末の映画」という特定のユーザの要求に基づき、まず、この要求を満たすＥＰＧ項目のみが残るように、ユーザ履歴をフィルタリングすることができる。ユーザの要求が、例えば「週末の映画」である場合、フィルタリングが行われる前に、まず、週末と平日の視聴行動に大きな違いがあるか否かが判定される。例えば、映画の長さ、アクションスリラーとラブストーリー等といった映画の種類、チャンネル、他のユーザ特徴に対して、大きな違いを判定することができる。勿論、以下にさらに説明するように、ユーザ履歴全体を判定して、その後、特定のユーザの要求に応じたフィルタリングを行うこともできる。さらに、代替的に、履歴全体ではなく、フィルタリングされた項目に対応する履歴のみを用いて、ユーザ履歴を判定することもできる。

続くステップＳ２（図３ａ乃至図３ｃでは図示せず）において、ユーザ履歴全体又はフィルタリングされたユーザ履歴に含まれる項目のうちの少なくとも１つに存在する単語（用語ともいう。）毎に、各項目に対して重みが計算される。本発明では、この重みは、ユーザがその単語に特に関心のあるか、関心がないかを反映している。重みは、「通常の」出現頻度に対するユーザプロファイルの関係を反映している。重みが計算される単語は、項目において、あるいは、例えば項目又は他の重要でない単語を含まないようにするためのストップワードリストでフィルタリングすることによって得られる削減された単語のセットにおいて存在する全ての単語とすることができる。

ある項目に対する単語の重みは、好ましくは、この項目に対する単語の重要度と、選択された全ての項目に対する、すなわち履歴に対する単語の重要度と、データベース全体に対する単語の重要度と、項目の長さ及び単語の頻度に依存した補正係数との積である。一具体例を以下に示す。

ここで、ｔは単語、ｉは項目、Ｓは選択対象、すなわちユーザ履歴の全ての項目、Ｄはデータベースである。上述の単語／項目、単語／選択対象、単語／データベースの重要度関数は、通常はそれぞれ異なる。例えば、項目に対する単語の重要度は、項目における単語の出現回数とすることができ、選択対象、すなわち履歴に対する単語の重要度は、選択対象における全ての単語からなるセットに対するその単語の割合とすることができ、データベースに対する単語の重要度は、逆文書頻度（inverse document frequency）とすることができる。上述のように、これら３つの関数は単なる例である。別の関数を用いることもできる。

この関数の重要度（Ｓ，ｔ）及び重要度（Ｄ，ｔ）も、項目、すなわちｉによって変わることもある。重要度（Ｓ，ｔ）については、一定の係数のみを選択することも可能性である。選択対象に対する重要度は別として、他の全ての因子（factor）はあると好ましいが、任意である。換言すると、重みｗ（ｉ，ｔ）の計算に、重要度（ｉ，ｔ）、重要度（Ｄ，ｔ）、補正係数（ｉ，ｔ）を用いることは任意である。データベース全体に対する重要度も項目に依存し、すなわち重要度（Ｄ，ｉ，ｔ）は、単語ｔがデータベースの殆どの文書において出現し、非常に特別ではないときは、多くの場合、重要度は０となり、その単語が、ある項目についてのみ非常に特別である場合は、１となる。重要度としては、単語ｔがより特別であるか否かを反映した０〜１の連続した値を用いることができる。上述の関数の具体例を示す。

ここで、ａはこの選択対象における用語ｔの重要度、ｔは用語、すなわち単語、ｆ_ｉ，ｔは項目ｉにおける単語ｔの出現回数、ｆ_ｉは項目ｉの文書の長さ、ｆ_ｔは単語ｔを含んでいる項目の数、Ｎはデータベースにおける項目の数である。

重みｔ（ｉ，ｔ）は、重みｒ（ｉ）とｚ（ｉ）によって正規化され、すなわち、録画された番組が視聴されたか否か、どのくらい頻繁に視聴されたか、録画されたものが視聴されるまでのどのくらいの時間がかかったかという質問に関して、ユーザが特定の番組をどの程度好きであるかを反映した重みと、ザッピング行動に関して、ユーザが特定の番組をどの程度好きであるかを反映した重みとにより正規化される。

単語ｔが特定の項目ｉにおいて出現しない場合、重みｗ_ｉ（ｔ）＝０となる。

図３ａにおいて、第１乃至第４の項目の音楽、クラシック、ロック、ポップという単語の重みが、例として計算されている。音楽という単語は、第１の項目では重みが１．２×１×１×０．９＝１．０８であり、第２の項目では０であり、第３の項目では１×１×１×０．８＝０．８であり、第４の項目では１×１×１×０．８＝０．８である。クラシックという単語は、第１の項目では重みが０であり、第２の項目では１×１×１×０．４＝０．４であり、第３の項目では０であり、第４の項目では１×１×１×０．７＝０．７である。ロックという単語は、第１の項目では重みが１×１×１×０．７＝０．７であり、第２の項目では０であり、第３の項目では１×１×１×０．８＝０．８であり、第４の項目では０である。ポップという単語は、第１の項目では重みが１×１×１×０．５＝０．５であり、第２の項目では０であり、第３の項目では０であり、第４の項目では０である。

続く第３のステップＳ３において、選択対象の全ての項目ｉについて、１つの項目に対する１つの単語ｔの重みｗ_ｉ（ｔ）が平均化され、この単語の最終的な重みｗ（ｔ）が得られる。図３ａに示す具体例において、音楽という単語については、最終的な重み（１．０８＋０．０＋０．８＋０．８）／４＝０．６７が得られる。すなわち、ｗ（音楽）＝０．６７である。クラシックという単語については、最終的な重み（０．０＋０．４＋０．０＋０．７）／４＝０．２７５が得られる。すなわち、ｗ（クラシック）＝０．２７５である。ロックという単語については、最終的な重みｗ（ｔ）が（０．７＋０．０＋０．８＋０．０）／４＝０．３７５＝ｗ（ロック）として計算される。ポップという単語については、最終的な重みが（０．５＋０．０＋０．０＋０．０）／４＝０．１２５＝ｗ（ポップ）として計算される。

各データベース、例えばテキストデータベースにおける共起に基づいて、ユーザプロファイルに追加することができる単語は、発見的重み（heuristic weight）を受け取ることができる。例えば、ユーザがジェームズ・ボンドの映画を見て、このキーワードがミッシェル・ファイファーと頻繁に共起する場合、ショーン・コネリーが存在しないときにミッシェル・ファイファーが全く又は殆ど出現しないならば、ｗ（ミッシェル・ファイファー）は、ｗ（ショーン・コネリー）の一部をなすことになる。

図３ｂに示す続く第４のステップＳ４において、ユーザプロファイルは、履歴において対応する重みを有する全ての用語のセットとして判定され、そして、ユーザプロファイルは、単語と重みの対のセットによって構成される。ユーザプロファイルは、全ての単語とその重みを含むことができ、あるいは計算上のオーバヘッドを小さく維持するために、最も大きい重みを有する単語のサブセットを含むようにすることもできる。

図３ｂにおいて、ユーザプロファイルは、ステップＳ３で計算されたように、音楽：０．６７、ロック：０．３７５、クラシック：０．２７５、ポップ：０．１２５というエントリを示している。

説明を簡単にするために、項目ｉにおける単語ｔの重みを決定する以下の関数ｗ_ｉ（ｔ）を、図３ａ及び図３ｂに示す具体例のユーザ履歴の判定に使用した。

上述の説明に従って作成されたユーザプロファイルは、ユーザの可能な今後の選択対象に対応する、すなわち本発明により行われる可能な提案に対応するＥＰＧ項目を見つけるためのデータベース検索に使用される問合せｑであるとみなされる。一般的に、ユーザプロファイル内の単語の重みを検索結果に影響を与える余因子とみなすことができるかぎり、使用可能なあらゆる情報検索アルゴリズムも使用することができる。以下、モディファイドＯＫＡＰＩ重み（modified OKAPI weight）の具体的な実施形態について説明する。このＯＫＡＰＩ重みは、例えば「週末の映画」というユーザの要求を満たす適切なＥＰＧ項目毎に計算される。重み計算の際、適合する各単語は、検索結果がユーザプロファイルの情報に応じて、すなわちユーザの好みに応じて影響を受けるような余因子としての重みを有するので、以下のようになる。

ここで、項目ｉは、この段階では、完全な今後のＥＰＧ項目データベースと全ての録画されたテレビ番組から得られたものである。ＯＫＡＰＩ重みを決定するための数式の変更は（例えば、ウィルキンソン他著の上述の文献に記載されているように）、本発明では、全てのｗ_ｉ（ｔ）の平均である重みｗ（ｔ）の挿入にある。この数式では、重みが大きい、すなわち重要度が高いユーザプロファイルの単語を含んでいるＥＰＧは、重みが大きくなる。

他の可能な解決方法のうち、モディファイドＯＫＡＰＩ重みを公式化するためのもう１つの可能性を以下に示す。

したがって、図３ｃに示す続くステップＳ５において、現在、今後又は録画済みの番組、すなわちユーザが利用可能な番組、特にユーザが、例えばプリセットとして「今」又は「週末」に指定した時間範囲内の番組に対応するデータベースの項目毎に、モディファイドＯＫＡＰＩ重みをユーザプロファイルによって計算する。例えば、「クラシック音楽」という単語を含むｉ項目は、モディファイドＯＫＡＰＩ重みが０．９４５となり、「ロック音楽」という単語を含むｊ項目は、モディファイドＯＫＡＰＩ重みが１．０４５となり、「英国音楽」という単語を含むｋ項目は、モディファイドＯＫＡＰＩ重みが０．６７となる。説明を簡単にするために、これらの値を計算するのに以下の数式を使用した。

ここで、ｑはプロファイルであり、ｉはデータベースの項目である。

また、代替的に又は追加的に、適切なキーワードとその重み付けを判定する以下の方法を適用することができる。これにより、適切なキーワードと不適切なキーワードとが判定される。この判定は、逆文書頻度ｉｄｆ（の関数）を用いて、用語（又はキーワード）の重要度を判定する周知の判定方法に基づくものである。ｉｄｆは、データベース全体の文書数を、該当する用語を含んでいる文書の数で除算したものとして定義される。通常、この値の対数ｌｏｇ（）が取られ、ｉｄｆと称される。ある用語が高いｉｄｆを有している場合、基本的には、この用語が文書集合において稀であり、この用語を含む少数の文書について意味が非常に暗示的であることを意味する。

本発明では、ユーザがこれまでに見た番組のＥＰＧデータの集合は、別個の文書集合としてみなすことができ、このユーザデータベースに含まれる全ての用語についてｉｄｆ統計値を計算することができる。そして、２つのｉｄｆ統計値、すなわち周知の技術により計算されたｉｄｆ統計値と、ユーザがこれまでに見た番組のＥＰＧデータに基づくｉｄｆ統計値とが比較される。ある単語が両方の文書集合において同様の関連性を示す場合、この単語は、ＥＰＧデータベース全体によって特徴付けられる「平均的な」テレビ視聴者と特定のユーザとを余り正確に区別しないことになり、この単語に余り重みを与えてはならない。一具体例として、ユーザが偶然、平均的なユーザと同じくらい頻繁に、例えばニュースを見るとすると、これは、ユーザプロファイルにとって特に適切ではない。したがって、このような用語は稀であって、普通ならば大きい重みを与えられるはずだが、小さい重みが与えられる。一方、ある単語が、全体的なＥＰＧデータベースと比較してユーザ固有のデータベースにおいて、小さいｉｄｆ重みで、すなわち、高い文書頻度で出現する場合、このユーザはこのキーワードに関して平均的なユーザから確実に外れており、おそらく今後、このキーワードに対応するより多くの番組を見たがるだろうと結論付けることができる。したがって、このような場合、単語の重みは大きくなる。ある単語が、ユーザの予想よりもかなり少なく選択された場合、ユーザが見たい頻度が平均より低い番組に対応する「アンチキーワード」特性を割り当てることができる。これらの番組は、推奨では避けなければならない。このように決定された単語の重みは、メインデータ−ベースから計算された標準的なｉｄｆ重みとともに使用することができ、そのように使用するべきである。この組合せにより、メインデータベースにおいては稀であるがユーザＥＰＧデータにおいては頻繁である単語に、最大の重みが与えられる。

上述のように、ＤＶＤ、データベース、インターネット等からの記述を用いて、ユーザ履歴の情報を向上させることができる。また、否定例を用いて、選択されるべきではない特殊な単語のセットを含む番組を示す否定プロファイルを作成することもできる。さらに、ユーザによる「この番組の提案はもうするな」という指示を可能にする機能を与えることもできる。ユーザプロファイルに適合する番組について提案を受けるのことが迷惑な場合もあるが、実際は他の理由で嫌がられている。また、ＥＰＧ項目自体がキーワードの前に「ではない（ｎｏｔ）」等、何らか否定語を含んでいるか否かについて、ＥＰＧ項目自体を調査することもできる。

また、ユーザが、例えば、あるディレクターによるシリーズ又は映画、あるいは、ある俳優（俳優グループ）が出演しているシリーズ又は映画等、特定のテレビ番組を定期的に又は殆どいつも視聴しているか否かを考慮して、ＯＫＡＰＩ重みの実際の値とは無関係に提案の対象とすることも可能である。

さらに、このユーザに対するより適切な提案が得られる、さらにユーザ固有度が高いプロファイルを提供するため、以下に詳細に説明するように、以下のカテゴリーに従ってユーザ履歴を分割することが可能である。

家族の各構成員について、それぞれ異なる履歴を維持する。例えば、子供は母親や父親とは異なる種類のテレビ番組を好む可能性が高い。誰が視聴しかたとは無関係に、１つのテレビで視聴された全ての番組から１つのプロファイルを計算すると、例えば、父親にとって適切ではない非常に「散漫な」提案になってしまう。種々のプロファイルを使用すれば、提案を求めている人に応じて適切な提案を確実に行うことができる。実際に誰がテレビを視聴しているかは、ログイン手続やユーザリストからの単純な選択により判定することができ、これが好ましくない場合は、装置に音声インタフェースを搭載してあるならば、音声識別技術により判定することができる。また、カメラ、指紋センサ、他のバイオメトリック情報を用いて、ユーザを識別することもできる。

時刻、曜日、あるいは本発明に基づく他のユーザ特徴に応じて、種々の履歴及び／又はプロファイルを維持することができる。例えば、曜日又は時刻に応じて、種々の番組が視聴される。これをプロファイルに格納し、特定時刻についてユーザが適切な提案を要求する場合に、その適切な提案を行えばよい。このようにすれば、上述のユーザ識別方法のいずれも存在しない場合でも、家族の個々の構成員が異なる「典型的なテレビ視聴時間」を有するという前提により、識別の問題を軽減することができる。なお、これは、上述の及び以下にさらに説明するユーザ履歴のフィルタリングの代替利用とすることができる。

ユーザが今後のテレビ番組に関して、例えば「映画、明日、夕方」という要求を行った場合、この時点から明日の夕方まで放送される全ての映画が考慮され、必要に応じて録画される。

本発明の上述の形態によれば、ユーザプロファイルにおける特徴、キーワード、時刻、特定のプロファイルの重みが、相対重要度の概念を与えるので、ユーザ履歴の幾つかのサンプルのみに基づいて、また、大きいユーザ履歴に基づいて、妥当なユーザプロファイルを作成することが可能である。これにより、システムは、ユーザの長期間に亘る関心、一時的な関心、これらの関心の段階的及び急激な変化を捉えることができる。

以下、図４ａ及び図４ｂを参照し、テレビ番組提案システム用にユーザプロファイルを適応させる例を用いて、本発明の第２の形態を説明する。例えば、テレビ番組を、例えば家庭環境における一連のユーザに推奨するシステムの場合、好ましくは、各ユーザプロファイルの漸進的変化が行われる。これが行われるのは、システムが最初に使用されるときにユーザの習慣が未知のものであるため、多くのユーザ参照データが利用可能であれば、初期の無知状態からきめ細かいユーザプロファイルに変化するからである。さらに、何人のユーザが推奨システムを使用するかを識別する明示的方法がない場合、自動作成されたユーザプロファイルは、全てのユーザの個々のプロファイルを合成したものとなる。したがって、本発明によれば、十分なデータが利用可能ならば、合成したプロファイルを元の個々のサブプロファイルに分離する。

このようなシステムでは、通常、システムを初めて使用するときの初期ユーザプロファイルは汎用「定型化された」プロファイル（generic "stereotype" profile）である。これを単に定型化プロファイルとも呼ぶ。定型化プロファイルは典型的なユーザのプロファイルであり、通常、例えばスポーツ、音楽、映画等、ユーザの主な関心に基づいている。しかし、汎用定型化プロファイルは、より特別な複数の定型化プロファイルを合成したものであり、全ての番組に平均的な関心を示し、例えば、ヒッチコックの映画、ＢＢＣドキュメンタリー、ウィンブルドン決勝等の「好評番組（blue chips）」にある程度の強調を置いている。汎用定型化プロファイルのほかに、特定の定型化プロファイルのセットもある。これを単に特定定型化プロファイルと呼ぶが、スポーツ、文化、ハリウッド映画等に注目しているユーザの関心を示すものである。最終的なユーザプロファイルは、汎用定型化プロファイルと、特定定型化プロファイルと、ユーザ固有のプロファイルとの線形結合となる。ユーザ固有のプロファイルは、開始時には通常は空であり、線形結合において初期重み０（ゼロ）を有する。

更なるユーザデータが入ってくると、このデータを用いてユーザプロファイルを作成する。しかしながら、詳細なユーザプロファイルは、相当量の使用データを必要とする場合がある。数日又は数週間の使用だけでは、多くの場合に使用可能な十分なデータが得られないためである。したがって、ユーザプロファイルの重みはデータ量の増加に伴って増加するように設定されるが、各プロファイルの線形結合の重み合計の殆どは、特定定型化プロファイルからくるものであり、汎用定型化プロファイルの重みは減少するように設定される。各特定定型化プロファイルの重みは、ユーザデータを各定型化プロファイルのデータに一致させ、一致があった場合に、その定型化プロファイルに重みを加算することにより計算される。多くのデータを受け取った後、汎用定型化プロファイルの重みは殆どゼロになり、特定定型化プロファイルの重みは小さくなり、ユーザプロファイルの重みは１に近くなる。この段階のユーザプロファイルは、ユーザの視聴行動が表すような、ユーザの好みについてのきめ細かい情報を含んでいる。さらにデータが入ってくると、ユーザプロファイルは更新を続ける。

このように、ユーザに提案を行うために最初に使用される汎用定型化プロファイルから、本発明に基づく最終的なユーザプロファイルへ円滑に遷移する様子を図４ａに示す。図４ａは、ある時間の経過後の、幾つかのプロファイルとその重みを例示的に示す。使用可能なプロファイルは、ニュースプロファイル、スポーツプロファイル、スリラープロファイル、クラシック音楽プロファイル、汎用／平均的ユーザプロファイル、すなわち、汎用定型化プロファイル、そして、ユーザ固有のプロファイル、すなわち、本発明に基づくユーザプロファイルである。ニュースプロファイルは、開始時ｔ＝０において初期関連重みが０であり、ｔ＝数時間後には第１の重みが０であり、ｔ＝１日後には第２の重みが０．０３である。この重みは、ｔ＝１週間後には第３の重み０．０５に徐々に増加し、ｔ＝数ヵ月後には第４の重み０に徐々に減少する。スポーツプロファイルは、開始時ｔ＝０において初期関連重みが０であり、ｔ＝数時間後には第１の重みが０．０３であり、ｔ＝１日後には第２の重みが０．０９である。この重みは、ｔ＝１週間後には第３の重み０．１に徐々に増加し、ｔ＝数ヵ月後には第４の重み０に徐々に減少する。スリラープロファイルは、開始時ｔ＝０において初期関連重みが０であり、ｔ＝数時間後には第１の重みが０．０１であり、ｔ＝１日後には第２の重みが０．０１である。この重みは、ｔ＝１週間後には第３の重み０．０５に徐々に増加し、ｔ＝数ヵ月後には第４の重み０に徐々に減少する。クラシック音楽プロファイルは、開始時ｔ＝０において初期関連重みが０であり、ｔ＝数時間後には第１の重みが０．０６であり、ｔ＝１日後には第２の重みが０．０７である。この重みは、ｔ＝１週間後には第３の重み０．２に徐々に増加し、ｔ＝数ヵ月後には第４の重み０に徐々に減少する。汎用定型化プロファイルは、開始時ｔ＝０において初期関連重みが１．０であり、ｔ＝数時間後には第１の重みが０．９であり、ｔ＝１日後には第２の重みが０．７である。この重みは、ｔ＝１週間後には第３の重み０．１に徐々に減少し、ｔ＝数ヵ月後にはさらに第４の重み０に徐々に減少する。ユーザプロファイルは、開始時ｔ＝０において初期関連重みが０であり、ｔ＝数時間後には第１の重みが０であり、ｔ＝１日後には第２の重みが０．１である。この重みは、ｔ＝１週間後には第３の重み０．５に徐々に増加し、ｔ＝数ヵ月後にはさらに第４の重み１に徐々に増加する。

概略的かつ単純に言えば、すべて同じ小さい重みＸを有する単語と重みの対を含む汎用定型化プロファイルから開始する。ユーザがシステムを使用すれば使用するほど、Ｘより大きい重みを有する単語と重みの対がプロファイルに多数含まれるようになる。したがって、重みＸを有する初期の汎用の単語と重みの対についての全体的な適性は、時間とともに減少してゆく。

推奨システムが、ユーザ識別タグが添付されたユーザデータを受け取らない場合、すなわち、適応的ユーザプロファイルを特徴付けるユーザ識別手段が装置に内蔵されていないか利用不可能な場合、通常、ユーザプロファイルは実際には多数のサブユーザプロファイル、すなわち、システムを使用する全てのユーザの線形結合を含む。本発明によれば、好ましくは、これらのサブユーザプロファイルは、マルチユーザプロファイルから、すなわち、多数のサブユーザプロファイルの線形結合から分離される。本発明によれば、この分離、及び、適切なユーザプロファイルの選択は、例えば、１日のうちのある時間又は１週間のうちのある時間等の副情報等、ユーザ特徴に基づいて行われる。２つのサブプロファイルへのユーザプロファイルの分離は、好ましくは、以下に説明するように行われる。

上述のように、ユーザプロファイルは、それ自体、ユーザが積極的に視聴した番組のＥＰＧデータから得られる重み付きキーワードのセットにより画定される。ユーザ特徴に従って、例えば、１日のうちのある時間等の副情報特徴を用いて適切な分割を見出すため、１日のうちの任意の時間に沿って仮分割を行い、２つのサブユーザプロファイルを仮に作成する。これらの相対差を調べ、この差を記憶する。そして、別の時間に沿った次の仮分割を行い、ここでも差を評価して記憶する、という具合に行う。全ての可能な分割（あるいは妥当数の分割）を試みた後、２つのサブユーザプロファイルの差が最大となる分割を選択して、２つのサブユーザプロファイルの差を分析する。これが所定のしきい値を超える場合、マルチユーザプロファイルの分割が行われるが、そうでない場合、このユーザ特徴については１人のユーザのみに関することと考えられるので、マルチユーザプロファイルは変更されない。

２つのサブユーザプロファイルの差は、含まれるキーワードについての離散確率分布としてユーザプロファイルをみなすことにより、計算することができる。仮分割後、このような２つの離散確率分布が得られる。これら２つの離散確率分布の差は、数的問題を避けるため、かつ、単集合イベントの重要度の誇張を避けるために、ゼロ回出現するイベントが仮想出現１回に置き換えられる対称化クルバック−ライブラー距離の和（symmetrized Kullback-Leibler-distance sum）を用いて計算される。

図４ｂは、このような分割の例を示す。ここでは、ｔ＞６ヵ月後に、例えば図４ａに従って作成されたマルチユーザ固有のプロファイルをＮ個のサブプロファイルに分割する。すなわち、ユーザプロファイル９から、第１のサブユーザプロファイル１０_１、第２のサブユーザプロファイル１０_２等という具合に、第Ｎ番目のサブユーザプロファイル１０_Ｎが作成されるまで行う。３つ以上のサブユーザプロファイルの作成は、１つのユーザプロファイルを２つのサブユーザプロファイルに分割するという上述の手順を、作成された各サブユーザプロファイルに基づいて繰り返すことにより、すなわち、１つのサブユーザプロファイルを新たな２つのサブユーザプロファイルに分割する等により行われる。

以下、本発明の第３の形態を説明するが、本形態によれば、現在の状況に合わない一般的過ぎる提案を避けるためのユーザ特徴に基づいて、ここのユーザに対して、より適切な提案を行うことができる。一例として、あるユーザはスポーツ、スリラー、ニュースを好むが、友人と一緒にいるときはゲームショーも見る、という場合がある。ユーザは、平日は通常、ニュースや特定のスポーツイベントのみを見て、スリラーやゲームショーは見ない。これらについては週末に見る。したがって、ユーザプロファイル及び／又は履歴には４つのトピック全てが含まれている。ユーザはゲームショーやスリラーを平日には見ないので、平日にシステムからこれらを提案されるのは少し迷惑である。しかし、週末であれば非常に役に立つ。

このため、本発明は、例えば、何らかの週末用提案を要求する、あるいは、今すぐ何らかのゲームショーを要求する等、具体的に要求を行うように、システムが行った提案に対してインタラクティブに影響を与える手段を提供する。本発明によれば、ユーザ特徴に基づいて表されるユーザの実際の状況に従って、例えば、１日のうちのある時間、曜日（今夜、明日夜、週末）、ジャンル、特定の番組、ユーザの気分、休日、来客、家族用提案、自分用提案、明日夜までの全ての番組等により、特定化が行われる。ユーザの気分は、音声、すなわち話し声により、あるいは、映像、すなわち体に直接取り付けられたミミックカメラ、情報又は他のバイオメトリックセンサにより、自動的に検出してもよい。

一般的には、上述のように、ユーザ履歴には、ユーザが視聴したテレビ番組についての全情報が含まれている。すなわち、ＥＰＧ項目、タイトル、ジャンル、時間、日付、ディレクター、アーティスト等である。ユーザプロファイルには、ユーザの視聴の関心を記述し、特定の提案を行うためにＥＰＧにおける実際の検索の基礎情報となる重み付きキーワードが含まれている。本発明に基づく提案に対してインタラクティブに影響を与える手段、以下、インタラクティブ提案エンジンと呼ぶ手段を実施する１つの方法として、まず、特定の実際の状況に基づいて、あるいは、ユーザからの、例えば週末の映画という要求に基づいて、ユーザ履歴に対してフィルタリングを行い、図５ａに示すように、フィルタリングされた履歴に基づいて特定のユーザプロファイルにて計算を行う。第１のステップＳ１０は図３ａに示す第１のステップＳ１に対応しているが、この第１のステップＳ１０において、ユーザデータを収集する。そして、図３ａに示すように、（図３では図示しない）第２のステップＳ２に対応する第２のステップＳ１１において、ユーザ履歴全体を計算する。その後、第１のフィルタリングステップＳ１４ａにおいて、ユーザ履歴のフィルタリングを行うべきフィルタ設定を生成し、続く第２のフィルタリングステップＳ１４ｂにおいて、これらのフィルタ設定を適用し、その後、ステップＳ１１ｂにおいて特殊化されたユーザ履歴を得る。この特殊化されたユーザ履歴に基づき、続くステップＳ１２ｂにおいて特殊化されたユーザプロファイルを取り出し、それに基づいて、最終ステップＳ１３ｂにおいて、最終的に特殊化された提案を得る。

勿論、作成された特定ユーザプロファイルも、履歴全体により計算された汎用ユーザプロファイル、汎用定型化プロファイル、あるいは、何らかの重み付けメカニズムによる特定定型化プロファイルと組み合わせることができる。

あるいは、異なる状況における視聴行動に関して、同じユーザについて異なるユーザプロファイルを作成してもよい。すなわち、フィルタリングにより、特殊化されたユーザプロファイルを得ることができる。この状況を図５ｂに示す。図５ｂでは、図３ａに示す第１のステップＳ１に対応する第１のステップＳ１０において、ユーザデータを収集し、図３ａに示す第２のステップＳ２に対応する第２のステップＳ１１において、ユーザ履歴を計算する。その後、図３ａ及び図３ｂに示す第３及び第４のステップＳ３、Ｓ４に対応するステップＳ１２において、ユーザプロファイル全体を検索する。その後、ユーザプロファイルをフィルタリングすべきフィルタ設定を行う第１のフィルタリングステップＳ１４ａと、フィルタ設定を適用する第２のフィルタリングステップＳ１４ｂとを行い、ステップＳ１２ｂにおいて特殊化されたユーザプロファイルを得る。これに基づいて、最終ステップＳ１３ｂにおいて、特殊化された提案を得る。この手法は、図５ａで図示及び説明したのと同様、異なる家族構成員の種々のプロファイルを区別するのにも用いることができる。ユーザのアイデンティティは、上述のように音声識別又は他のバイオメトリック技術により判定することもできる。

他の可能な方法は、全てを含む、すなわち、スリラー、ニュース、スポーツ、ゲームショーを含むユーザプロファイルを用いて、図３ａ乃至図３ｃで図示及び説明したように、全ての提案を通常どおりに計算することである。得られた提案のセットは、ユーザの現在の要求に基づいてフィルタリングされる。この場合を図５ｃに示す。図５ｃでは、まず、図３ａに示す第１のステップＳ１に対応する第１のステップＳ１０において、ユーザデータを収集する。その後、図３ａに示す第２のステップＳ２に対応する第２のステップＳ１１において、ユーザ履歴を計算する。これに基づいて、図３ａ及び図３ｂに示す第３及び第４のステップＳ３、Ｓ４に対応するステップＳ１２において、ユーザプロファイルを検索する。これに基づいて、図３ｃに示す第５のステップＳ５に対応するステップＳ１３において、提案を得る。フィルタ設定を行う第１のフィルタリングステップＳ１４ａは、提案が得られた後で行い、得られた提案に関してフィルタ設定を行う。続く第２のフィルタリングステップＳ１４においてフィルタ設定を適用し、最終ステップＳ１３ｂにおいて特殊化された提案を得る。

後者の２つの場合、ユーザプロファイルは、ユーザがスリラーを土日のみ視聴し、平日はニュースとスポーツを視聴する等の情報を維持し、図５ｂで図示及び説明したように、適切な要素のみが考慮されるような問合せが作成されるか、図５ｃで図示及び説明したように、プロファイル全体を使用する前に全ての問合せを行い、その結果を後でフィルタリングする。

上述のように、図５ａで図示及び説明した第１の方法では、履歴から適切な部分のみを使用し、そこから新たなユーザプロファイルを計算する。

勿論、例えば「今夜のスリラーを全て見せてくれ」といったユーザの現在の要求を、ユーザが明示的に入力することができ、また、自動的に知ることもできる。

本発明によれば、提案エンジンは、例えば、「自分が以前見ていた全てのシリーズ」ではなく「全てのシリーズ」といったユーザの要求に対して、適切に対応することができる。

さらに、システムは、ユーザが稀（例えば、２ヵ月毎）にしか放送されない特定の番組を殆ど毎回視聴するかどうかわかる。その場合、この番組がプロファイルに基づいて提案されるものであっても、上述の特定規則に基づいてユーザに提案される。

ホームサーバユーザインタフェース用の提案エンジンの構成を示す図である。 図１に示すプロファイラの構成を示す図である。 本発明の第１の形態に係るユーザプロファイルの作成と提案を行うためのアプリケーションを示す図である。 本発明の第１の形態に係るユーザプロファイル生成と、提案を行うためのアプリケーションを示す図である。 本発明の第１の形態に係るユーザプロファイル生成と、提案を行うためのアプリケーションを示す図である。 本発明の第２の形態に係るユーザプロファイルの適応及び分割を示す図である。 本発明の第２の形態に係るユーザプロファイルの適応及び分割を示す図である。 本発明の第３の形態に係る提案エンジンに対してインタラクティブに影響を与える可能性の例を示す図である。 本発明の第３の形態に係る提案エンジンに対してインタラクティブに影響を与える可能性の例を示す図である。 本発明の第３の形態に係る提案エンジンに対してインタラクティブに影響を与える可能性の例を示す図である。

Claims (44)

1. 単語と重みの対、又は、より一般的なキー構造のリストからなるユーザプロファイルを作成するユーザプロファイルの作成方法において、
   上記ユーザプロファイルが使用されるアプリケーションに関して、個々のユーザの典型的な一般的行動を表すユーザ特徴に基づいて重みを計算するステップを有するユーザプロファイルの作成方法。
2. ユーザ履歴から上記ユーザ特徴の影響を評価するステップを有することを特徴とする請求項１に記載のユーザプロファイルの作成方法。
3. 定型化されたユーザプロファイルの特徴に従って、上記ユーザプロファイルをサブユーザプロファイルに分割するステップを有することを特徴とする請求項１又は２に記載のユーザプロファイルの作成方法。
4. 上記ユーザによる前の選択対象である番組の説明に含まれる単語に基づいて、上記単語と重みの対のリストに含まれるべき単語を決定するステップを有することを特徴とする請求項１乃至３のいずれか１項に記載のユーザプロファイルの作成方法。
5. 上記単語と重みの対のリストに既に含まれる単語の共起についてのデータベース評価に基づいて、上記リストに含まれるべき更なる単語を決定するステップを有することを特徴とする請求項４に記載のユーザプロファイルの作成方法。
6. 使用可能な全ての番組の説明に対する、上記単語と重みの対のリストに含まれるべき単語の逆文書頻度と、上記ユーザによる前の選択対象である番組の説明に対する、上記単語の逆文書頻度との比較に基づいて、上記単語の重みを計算するステップを有することを特徴とする請求項４又は５に記載のユーザプロファイルの作成方法。
7. ・上記ユーザによる前の選択対象である全ての番組の説明に対する単語の重要度と、
   ・定数、特に１
   ・単語が含まれる番組の説明に対する単語の重要度
   ・使用可能な全ての番組の説明に対する単語の重要度
   ・単語が含まれる番組の説明の長さとこの番組の説明における単語の頻度とによって変化する相対係数
   のうちの少なくとも１つとの積として、上記単語と重みの対のリストに含まれるべき単語の重みを計算するステップを有することを特徴とする請求項４、５又は６に記載のユーザプロファイルの作成方法。
8. 上記ユーザによる前の選択対象である全ての番組の説明に対する単語の重要度は、上記ユーザによる前の選択対象である番組の説明における全ての単語からなるセットに占める単語の割合に基づいて決定されることを特徴とする請求項７に記載のユーザプロファイルの作成方法。
9. 上記ユーザによる前の選択対象である全ての番組の説明に対する単語の重要度は、その単語が含まれる番組の説明を考慮して決定されることを特徴とする請求項８に記載のユーザプロファイルの作成方法。
10. 上記単語が含まれる番組の説明に対する単語の重要度は、上記番組の説明における上記単語の出現に基づいて決定されることを特徴とする請求項７、８又は９に記載のユーザプロファイルの作成方法。
11. 使用可能な全ての番組の説明に対する単語の重要度は、使用可能な全ての番組の説明に対する逆文書頻度の基づいて決定されることを特徴とする請求項７乃至１０のいずれか１項に記載のユーザプロファイルの作成方法。
12. 使用可能な全ての番組の説明に対する単語の重要度は、その単語が含まれる番組の説明を考慮して決定されることを特徴とする請求項１１に記載のユーザプロファイルの作成方法。
13. 以下の数式
    

    

    により、上記単語と重みの対のリストに含まれるべき単語の重みを計算するステップを備え、
    上記数式において、ｗ_ｉ（ｔ）は番組の説明ｉにおける単語ｔの重みであり、ａはユーザによる前の選択対象である全ての番組の説明における単語ｔの重要度、ｔは単語、ｆ_ｉ，ｔは、番組の説明ｉの文書の長さ、ｆ_ｔは単語ｔを含んでいる番組の説明の数、Ｎはデータベースにおける番組の説明の数であることを特徴とする請求項７乃至１２のいずれか１項に記載のユーザプロファイルの作成方法。
14. ある選択対象を残すとともに、選択対象をオフに切り換える又はこの選択対象についてのみオンオフ切り換えを行うというユーザの行動により、上記単語と重みの対のリストに含まれる単語の重みを正規化するステップを有することを特徴とする請求項７乃至１３のいずれか１項に記載のユーザプロファイルの作成方法。
15. 記録された選択対象を実際に使用するときのユーザの行動により、上記単語と重みの対のリストに含まれる単語の重みを正規化するステップを有することを特徴とする請求項７乃至１４のいずれか１項に記載のユーザプロファイルの作成方法。
16. 単語が出現している、上記ユーザによる前の選択対象である全ての番組の説明に亘って、単語の重みｗ_ｉ（ｔ）を平均化して、新たなプロファイルの重みｗ（ｔ）とするステップを有することを特徴とする請求項７乃至１５のいずれか１項に記載のユーザプロファイルの作成方法。
17. 所定のしきい値未満の重み又は所定の低重み範囲内の重みを示す単語を、上記単語と重みの対のリストから除外するステップを有することを特徴とする請求項７乃至１６のいずれか１項に記載のユーザプロファイルの作成方法。
18. 上記ユーザの否定的選択対象を考慮することにより、上記単語と重みの対のリストに含まれるべき単語の重みを計算するステップを有することを特徴とする請求項６乃至１７のいずれか１項に記載のユーザプロファイルの作成方法。
19. あるユーザ特徴に対する可能なユーザ選択対象の最大頻度を考慮することにより、上記単語と重みの対のリストに含まれるべき単語の重みを計算するステップを有することを特徴とする請求項６乃至１８のいずれか１項に記載のユーザプロファイルの作成方法。
20. 上記作成されたユーザプロファイルは、少なくとも１つの可能な今後の選択対象を上記ユーザに提案するための、可能な今後の番組の説明における問合せとして使用されることを特徴とする請求項４乃至１９のいずれか１項に記載のユーザプロファイルの作成方法。
21. 可能な今後の番組の説明毎にモディファイドＯＫＡＰＩ重みが計算され、適合する各単語は、検索結果がユーザプロファイルに応じて影響されるように、余因子としての重みを有することを特徴とする請求項２０に記載のユーザプロファイルの作成方法。
22. 上記モディファイドＯＫＡＰＩ重みは、以下の数式
    

    

    に従って計算され、
    上記数式において、ｗ（ｔ）はユーザによる前の選択対象である全ての番組の説明における単語ｔの重みであり、ｑはユーザプロファイルに応じて作成された問合せ、ｉは可能な今後の選択対象である全ての番組の説明、ｗ（ｔ）は単語ｔの重み、すなわち、ｗ_ｉ（ｔ）の平均、ｆ_ｉ，ｔは番組の説明ｉにおける単語ｔの出現回数、ｆ_ｉは番組の説明の文書の長さ、ｆ_ｔは単語ｔを含んでいる番組の説明の数、Ｎはデータベースにおける番組の説明数であることを特徴とする請求項２１に記載のユーザプロファイルの作成方法。
23. 上記モディファイドＯＫＡＰＩ重みは、以下の数式
    

    

    に従って計算され、
    上記数式において、ｗ（ｔ）はユーザによる前の選択対象である全ての番組の説明における単語ｔの重みであり、ｑはユーザプロファイルに応じて作成された問合せ、ｉは可能な今後の選択対象である全ての番組の説明、ｗ（ｔ）は単語ｔの重み、ｆ_ｉ，ｔは番組の説明ｉにおける単語ｔの出現回数、ｆ_ｉは番組の説明の文書の長さであることを特徴とする請求項２１に記載のユーザプロファイルの作成方法。
24. 上記問合せは、定型化されたユーザプロファイルと作成されたユーザプロファイルとを組み合わせることにより作成され、まず、初めて提案を与えるときに、上記定型化されたユーザプロファイルが単独で使用され、上記作成されたユーザプロファイルを計算するためのデータ収集中の第１の所定期間に、両ユーザプロファイルの線形結合が使用され、上記作成されたユーザプロファイルを計算するためのデータ収集中の上記第１の所定期間後に、上記作成されたユーザプロファイルが使用されることを特徴とする請求項２０乃至２３のいずれか１項に記載のユーザプロファイルの作成方法。
25. 上記定型化されたユーザプロファイルは、全ての番組に平均的関心を示す汎用ステレオプロファイルと、特定のトピックに集中しているユーザの関心をそれぞれ定める少なくとも１つの特定の定型化されたユーザプロファイルとにより構成されることを特徴とする請求項２４に記載のユーザプロファイルの作成方法。
26. 上記ユーザの選択対象を各特定の定型化されたユーザプロファイルにおけるデータと一致させ、一致があった場合にその定型化されたユーザプロファイルの重みを大きくすることにより、上記提案を与えるための線形結合において考慮される特定の定型化されたユーザプロファイルの重みが計算されることを特徴とする請求項２５に記載のユーザプロファイルの作成方法。
27. 第２の所定期間後に、請求項２９乃至３２のいずれか１項に記載の個々のユーザプロファイルにより、上記問合せが作成されることを特徴とする請求項２４、２５又は２６に記載のユーザプロファイルの作成方法。
28. 上記問合せは、請求項３３に記載のフィルタリングされたユーザプロファイルを考慮して作成されることを特徴とする請求項２０乃至２７のいずれか１項に記載のユーザプロファイルの作成方法。
29. 単語と重みの対のリストからなるマルチユーザプロファイルから個々のユーザプロファイルを作成するユーザプロファイルの作成方法において、
    上記ユーザプロファイルが使用されるアプリケーションに関して、個々のユーザの典型的な一般的行動を表すユーザ特徴に従って、上記マルチユーザプロファイルを少なくとも１回分割するステップを有するユーザプロファイルの作成方法。
30. 上記マルチユーザプロファイルの分割の際に、
    ｅ）ユーザ特徴に従って仮分割を行い、第１及び第２のサブユーザプロファイルを作成するステップと、
    ｆ）２つのサブユーザプロファイル間の相対差を計算するステップと、
    ｇ）所定数の仮分割が行われるまでステップａ）及びｂ）を行うステップと、
    ｈ）上記相対差が所定のしきい値より大きい場合、最大相対差を生じる仮分割に従って上記マルチユーザプロファイルを分割するステップとを行うことを特徴とする請求項２９に記載のユーザプロファイルの作成方法。
31. 上記相対差は、上記第１のサブユーザプロファイルに含まれているユーザ特徴に対する、上記第１のサブユーザプロファイルの第１の離散確率分布と、上記第２のサブユーザプロファイルに含まれているユーザ特徴に対する、上記第２のサブユーザプロファイルの第２の離散確率分布との差を計算することにより計算されることを特徴とする請求項３０に記載のユーザプロファイルの作成方法。
32. 上記２つの離散確率分布の上記差は、ゼロ回出現するイベントが仮想出現１回に置き換えられる対称化クルバック−ライブラー距離の和（symmetrized Kullback-Leibler-distance sum）を用いて計算されることを特徴とする請求項３１に記載のユーザプロファイルの作成方法。
33. 今後の番組の説明及びユーザプロファイルについて計算された提案結果に基づいて決定される提案であって、ユーザの次の選択に対する提案を特定するユーザプロファイルの作成方法において、
    上記ユーザプロファイルが使用されるアプリケーションに関して、個々のユーザの典型的な一般的行動を表すユーザ特徴に基づいて表されるユーザの実際の状況に基づいて、
    ・上記ユーザプロファイルを作成するのに使用されるユーザ履歴、及び／又は、
    ・上記ユーザプロファイル、及び／又は、
    ・上記提案結果
    をフィルタリングするステップを有することを特徴とするユーザプロファイルの作成方法。
34. 上記一般的なキー構造はフォーゲット（忘れ）係数を含むことを特徴とする請求項１乃至３３のいずれか１項に記載のユーザプロファイルの作成方法。
35. 今後の番組は記録された個人用コンテンツからなることを特徴とする請求項１乃至３４のいずれか１項に記載のユーザプロファイルの作成方法。
36. オーディオ／ビデオ番組提案エンジンにおいて使用されることを特徴とする請求項１乃至３５のいずれか１項に記載のユーザプロファイルの作成方法。
37. 上記オーディオ／ビデオ番組提案エンジンはインターネットベースであることを特徴とする請求項３６に記載のユーザプロファイルの作成方法。
38. クライアントベースであることを特徴とする請求項１乃至３７のいずれか１項に記載のユーザプロファイルの作成方法。
39. 上記ユーザ特徴は、
    ・ユーザにより視聴される所望のオーディオ／ビデオ番組のチャンネル
    ・ユーザによるオーディオ／ビデオ番組の典型的視聴時刻
    ・オーディオ／ビデオ番組の合計時間に対する、ユーザによるオーディオ／ビデオ番組の視聴時間
    ・オーディオ／ビデオ番組の開始時刻に対する、ユーザによるオーディオ／ビデオ番組の視聴開始時刻
    ・視聴時刻に対する、ユーザによるオーディオ／ビデオ番組の典型的視聴時間
    ・特定のオーディオ／ビデオ番組がどのくらい頻繁に視聴可能であるかと、その番組がユーザによりどのくらい頻繁に視聴されるかとの関係
    ・特に使用されるオーディオ／ビデオ機器のスイッチオン時刻及び時間に対する、ユーザの一般的なオーディオ／ビデオ番組視聴行動
    ・ユーザにより記録されたオーディオ／ビデオ番組
    ・ユーザによる特定のオーディオ／ビデオ番組の記録と、ユーザによる当該オーディオ／ビデオ番組の視聴との時間間隔
    ・ユーザの実際の気分
    ・ユーザにより入力された実際の希望オーディオ／ビデオ番組
    ・ユーザにより視聴されたオーディオ／ビデオ番組の製作年
    ・ユーザにより視聴されたオーディオ／ビデオ番組のディレクター及び／又は俳優及び／又は俳優グループ
    ・ユーザにより視聴されたオーディオ／ビデオ番組の種類
    ・ユーザにより視聴されたオーディオ／ビデオ番組のタイトル
    という特徴のうちの１つ以上からなることを特徴とする請求項１乃至３８のいずれか１項に記載のユーザプロファイルの作成方法。
40. コンピュータ、マイクロプロセッサ、デジタル信号処理装置、ホームサーバ、セットトップボックス、テレビ、ビデオテープレコーダ、携帯情報端末等において実行された場合に、請求項１乃至３９のいずれか１項に記載のユーザプロファイルの作成方法のステップを実行するように構成されたコンピュータプログラム手段からなるコンピュータプログラム製品。
41. 請求項４０に記載のコンピュータプログラム製品を記録している、コンピュータにより読み取り可能な記録媒体。
42. 単語と重みの対のリストからなるユーザプロファイルを作成するプロファイラにおいて、請求項１乃至３９のいずれか１項に記載のユーザプロファイルの作成方法のステップを実行するように構成されることを特徴とするプロファイラ。
43. 今後の番組の説明とユーザプロファイルとについて計算された提案結果に基づいて決定される提案であって、ユーザの次の選択に対する提案を特定する提案エンジンにおいて、請求項３３乃至３７のいずれか１項に記載のユーザプロファイルの作成方法のステップを実行するように構成されることを特徴とする提案エンジン。
44. 請求項４３に記載のプロファイラを有することを特徴とする請求項４３に記載の提案エンジン。

Images