JP2006524009A - 視聴者分析結果の生成 - Google Patents

Abstract

本発明は、端末装置のユーザーのグループを表す複数のユーザー入力パターン・プロフィールを含み、グループの各ユーザーが、複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられているデータベースを提供するステップを含む視聴者分析結果生成に向けられたものである。クリックストリーム・アルゴリズム、トラッキング・アルゴリズム、ニューラルネットワーク、ベイズ分類アルゴリズム、または嗜好−日時区分アルゴリズムを用いて、ユーザー入力パターン・プロフィールを生成することができる。

Description

関連出願の相互参照

本出願は、「視聴者分析結果の生成（Generating Audience Analytics）」と名称が付けられた、２００３年３月２５日付けで出願された共有に係る米国特許仮出願第６０／４５７２２３号に関連し、それに基づく優先権を主張するものである。本発明は、「ｉＴＶユーザープロファイリング、コンテンツ推薦および選択的コンテンツ配信のための方法およびシステム（Method and System for iTV User Profiling,Content Recommendations, and Selective Content Delivery）」と名称が付けられた、２０００年４月２１日付けで出願された共有に係る米国特許出願第０９／５５８７５５号に基づく優先権を主張するものであり、この米国特許出願第０９／５５８７５５号はまた、「予測的マーケティング方法および装置（Method and Apparatus for PredictiveMarketing）」と名称が付けられた、１９９９年９月１７日付けで出願された米国特許仮出願第６０／１５４６４０号に基づく優先権を主張するものである。

参照による援用

「ｉＴＶユーザープロファイリング、コンテンツ推薦および選択的コンテンツ配信のための方法およびシステム（Method and System for iTV User Profiling,Content Recommendations, and Selective Content Delivery）」と名称が付けられた、２０００年４月２１日付けで出願された米国特許出願第０９／５５８７５５号を、その全体が示されたかのように、参照により本明細書に援用する。

「データ・クラスター化の方法および装置（Method and Apparatus for Data Clustering）」と名称が付けられた、２００１年１月１９日付けで出願された米国特許出願第０９／７６６３７７号を、その全体が示されたかのように、参照により本明細書に援用する。

「情報収集のためのプライバシー保護方法および装置（Privacy-Maintaining Methods and Systems forCollecting Information）」と名称が付けられた、２００２年２月２５日付けで出願された米国特許仮出願第６０／３６００６８号を、その全体が示されたかのように、参照により本明細書に援用する。

「ユーザー行動データに基づいて独特のクライアントユーザーを識別する方法および装置（Method and Apparatus for Identifying UniqueClient Users from User Behavior Data）」と名称が付けられた、２００２年４月５日付けで出願された米国特許出願第１０／１１７６５４号を、その全体が示されたかのように、参照により本明細書に援用する。

発明の分野

本発明は、一般に、インタラクティブ・テレビジョン（ｉＴＶ）、インターネット、および他のコンテンツ配信システムに関し、特には、ユーザーの入力およびクリックストリーム・データを分析して視聴者分析結果を生成するための方法およびシステムに関する。

発明の背景

現在、視聴者分析は、いくつかの異なるメディアにわたって少数の大企業によって行われており、最も有名なところでは、ニールセンメディアリサーチによって行われるテレビジョン（ＴＶ）視聴者測定である。このデータは、特定の視聴者が番組を見る毎に、世帯（および訪問者）の各員が彼らに対応するコードを入力することを要求する、テレビジョンに取り付けられた電子装置（ピープルメーター）等の、いくつかの異なる方法で収集される。加えて、この従来の方法は、視聴者がすべての視聴される番組を列挙し続ける紙の日記を必要とすることがある。すべての場合において、参加する人々は、サンプリング法によって、ＴＶを視聴する人々を全体として表そうとする制御された方法で選ばれる。

この手法のおもな欠点は、統計的に有効な結果を与えるのに十分大きなサンプルサイズを選択および維持することに関連する費用である。例えば、ケーブルおよび衛星という選択肢が、視聴者にとっての利用可能な選択肢を広げるにしたがって、各局の視聴者は、視聴者分析に利用される既存のサンプルサイズが、それらの局について統計的に有効な結果を生じるのには小さすぎるようになる程度まで、一層断片化されてきている。視聴者のサンプルサイズが減少することにより、広告主が、どのような種類の視聴者を各局が保有しているかを正確に判断することも困難になっている。同様に、ケーブルテレビ事業者、衛星システムのプロバイダー、および複数ケーブルテレビシステム運用会社（ＭＳＯ（multiple system operators））は、どの局を彼らのラインナップに加えるまたは落とすかを知る、また、各局をサービス階層にまとめるのに最適な方法を知る精密な方法を有していない。

サンプルサイズの制限は、もっと大きなサンプルを選ぶことにより克服しうる。しかし、非常に大きな代表的サンプルを生み出すコストを避けるためには、サンプリング業務では、費用効果高くランダムに人々を選ばなければならず、人々をサンプリングの委員会に加えるための低コストのインセンティブを含む、安価なデータ収集メカニズムが必要とされる。１つの会社、コムスコア（ComScore）は、１００万のユーザーを超える大きな委員会を構築することにより、インターネット上でこれを試みてきた。コムスコアは、コムスコアが人々のインターネット・ウェブサーフィン活動をモニターするのに用いるトラッキング・ソフトウエアをダウンロードするように人々にインセンティブを与えることで委員会を生み出している。しかし、お金やフリーソフトと引き替えに彼らのプライバシーを放棄するのは特定のタイプの人々だけであろうということから、コムスコアのもののような方法を用いて構築された委員会は統計的に役に立たないものであると、批評家らは指摘している。また、コムスコア等のサービスにより提供されたデータの信頼性は疑わしく、なぜなら、彼らは、ユーザーが参加する際に正確な情報を提供するということを信用しなければならないからである。例えば、それぞれの新しいユーザーは、人口統計情報を、アンケートを済ませることで提供するが、ユーザーが本当のことを言っていることを確認するどのような厳密な方法も存在しないからである。

現在まで、法的な問題や技術的な問題が、テレビジョン視聴者の人口統計情報の正確な測定を妨げてきた。例えば、規制によって、どのようにＭＳＯが個人識別可能情報を利用できるかについて厳格な制限が課されており、これにより、ＭＳＯは、有用なサンプルグループを作るのに必要とされる何百万の人々から、必要とされる同意を容易にすなわち費用効果高く得ることを妨げられている。ユーザー識別可能情報を分析することで、視聴者分析結果を生成する受動的な方法およびシステムを創出することが望ましいであろう。また、分析結果を他者に売ったり、方向付けされたコンテンツまたは広告を配信するのに利用したり、または他の付加的な目的に利用したりできる、分析結果を匿名で作成するシステムを提供することも望ましいであろう。

発明の概要

本発明は、視聴者分析結果を生成するための受動的な方法およびシステムを提供するものである。一実施形態においては、クリックストリーム・アルゴリズム、ニューラルネットワーク、トラッキング・アルゴリズム、ベイズ分類アルゴリズム、または嗜好−日時区分アルゴリズムによって、視聴イベントまたはウェブサイト利用等の、世帯のコンテンツのユーザー入力パターン・データに基づいて、ユーザー入力パターン・プロフィールが生成および更新される。他の実施形態においては、クリックストリーム・アルゴリズム、ニューラルネットワーク、トラッキング・アルゴリズム、ベイズ分類アルゴリズム、または嗜好−日時区分アルゴリズムが、ユーザーのイベントを処理し、所与の世帯の全構成を判断する。さらなる一態様においては、本発明は、世帯のクリックストリームを人口統計データと組み合わせて、世帯の全構成を判断する。他の実施形態においては、本発明は、コンテンツ視聴のクリックストリームを、ユーザープロフィール・データおよび既知の生物統計学的行動モデルと比較して、どのユーザープロフィールがアクティブであるかを判断する。全てのこれらの視聴判断は、視聴者分析結果を生成するのに利用することができる。さらなる実施形態においては、視聴者分析結果は、ユーザーに方向付けされたコンテンツ配信および広告を提供するための基礎を形成しうる。

本発明のこれらおよび他の特徴および利点は、本発明の実施形態を示して説明する以下の詳細な説明から容易に明らかとなるであろう。理解されようが、本発明は、本発明から逸脱することなく、他の異なる実施形態が可能であり、そのいくつかの細部は、様々な箇所で改変することができうるものである。したがって、図面および明細書は、本質的に、実例として見なされるべきものであり、制限的にも限定的にも見られるべきではない。

本発明の本質および目的をより完全に理解するために、以下の詳細な説明を添付の図面と共に参照すべきである。

詳細な説明

概略
本発明は、視聴者分析結果を生成するための方法およびシステムに向けられたものである。本発明は、統計的推定、クリックストリーム・アルゴリズム、トラッキング・アルゴリズム、ニューラルネットワーク、ベイズ分類アルゴリズム、嗜好−日時区分アルゴリズムおよび生物統計学を、世帯のコンテンツ配信およびクリックストリームに対して用いて、その世帯の全構成を判断し、その時々でどの世帯構成員が見ているかを判断して、視聴者分析結果を生成する多層システムを含むものである。視聴者分析結果を生成するために、本発明は、例えばユーザーの視聴嗜癖、ＴＶ対話、ウェブサイトの利用、テレビまたはウェブサーフィン嗜癖に基づいて、ユーザーおよび世帯のプロファイリングを行う。

視聴者分析結果を生成するのに加えて、どのユーザーが所与のテレビジョン番組を見ているかを見分ける機能を用いて、コンテンツ配信の方向付けを行い、広告を提供し、またはそのユーザーに対する番組視聴の推薦を生成することができる。カレントユーザーを識別する代表的な方法は、「ユーザー行動データに基づいて独特のクライアントユーザーを識別するための方法および装置（Method and Apparatus For Identifying UniqueClient Users From User Behavioral Data）」と名称が付けられた、２００２年１１月２８日付けで公開された共有に係る米国特許公開第２００２／０１７８２５７号に見出すことができ、これを本明細書に参照により明示的に援用する。カレントユーザーを識別して方向付けされたコンテンツの配信を行う方法は、「ウェブユーザープロファイリングおよび選択的コンテンツ配信のための方法およびシステム（Method And System For Web User ProfilingAnd Selective Content Delivery）」と名称が付けられた、２０００年４月２１日付けで出願された共有に係る米国特許出願第０９／５５８７５５号に記載されており、これも本明細書に参照により明示的に援用する。

図１は、本発明の一実施形態の方法全体を描いたフローチャートである。これに示すように、システムにおいて視聴者分析結果を生成する方法の全体には、コンピュータ、テレビジョン、ビデオ・モニター、またはｉＴＶインタラクティブ装置等の端末装置のユーザーグループを表す複数のユーザー入力パターン・プロフィールのデータベースを提供するステップが含まれうる（１０２）。グループ内で、それぞれのユーザーは、複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられている（１０２）。ユーザー入力パターン・プロフィールは、カレントユーザーが使用しているテレビジョン、コンピュータ、または他のインタラクティブ装置等の端末装置の使用に基づいて検出される（１０４）。

この方法はまた、クリックストリーム・アルゴリズム、トラッキング・アルゴリズム、ニューラルネットワーク、ベイズ分類アルゴリズム、または嗜好−日時区分アルゴリズムを用いて複数のユーザー入力パターン・プロフィールを生成するステップをも含みうる（１０６）。この方法では、カレントユーザーのユーザー入力パターン・プロフィールを、データベースに含まれるユーザー入力パターン・プロフィールのうちの１つとマッチングする（１０８）。この方法では、カレントユーザーにより生成されたユーザー入力パターンの、ユーザー入力パターン・プロフィールのうちの１つとの動的なマッチングに基づいて、カレントユーザーを識別することができる（１１０）。

本発明のさらなる実施には、それぞれのユーザー入力パターン・プロフィールを処理して人口統計上のタイプを特定するステップが含まれる（１１２）。例えば、複数の生物統計学的行動モデルを用いて人口統計上のタイプを特定することができる（１１４）。それぞれのユーザー入力プロフィールを１つの生物統計学的行動モデルとマッチングするために、ユーザー入力パターン・プロフィールを複数の生物統計学的行動モデルと比較し、これにより、それぞれのユーザー入力パターン・プロフィールを人口統計上のタイプと相関させる（１１６）。視聴者分析結果は、識別されたユーザー入力パターン・プロフィールおよび人口統計上のタイプに基づいて生成される（１１８）。

図２は、独特のユーザーを識別するためのシステムを実現することができる代表的なネットワークを概略的に示している。概して、システム２００は、ネットワーク２１６を通して複数のユーザー端末すなわちクライアント装置２１４にコンテンツを配信するためのサーバーシステム２１２を備えている。それぞれのユーザー端末２１４は、配信されたコンテンツを表示するための付属の表示装置２１８を有している。それぞれの端末２１４はまた、ユーザーが端末装置２１４上のユーザーインターフェースを用いて対話できるようにする、ユーザー入力すなわちインターフェース対話装置２２０をも有している。入力装置２２０は、赤外線リモートコントロール、キーボード、マウスまたは他のポインティングデバイスを含みうるが、これらには限られない。実施形態によっては、ネットワーク２１６は、テレビジョン放送ネットワーク（例えば、デジタル・ケーブルテレビジョン、直接放送衛星、および地上放送ネットワーク等）を含みうるものであり、クライアント端末装置２１４は、例えば需要者のテレビジョン・セットトップボックスを含みうるものである。表示装置２１８は、例えば、テレビジョン・モニターとすることができる。

実施形態によっては、ネットワーク２１６は、例えばインターネット（特にワールドワイドウェブ）、イントラネットまたは他のネットワーク等のコンピュータ・ネットワークを含みうるものである。サーバーシステム２１２は、例えばウェブサーバーを含みうるものであり、端末装置２１４は、例えばパーソナル・コンピュータ（または他のウェブ・クライアント装置）を含みうるものであり、また、表示装置２１８は、例えばコンピュータ・モニターとすることができる。

図３には、本発明と共に用いるのに適したｉＴＶシステムが描かれている。図３に示すように、ネットワーク３３６は、例えばデジタル・ケーブルテレビジョン、直接放送衛星、および地上放送ネットワーク等の）テレビジョン放送ネットワークを含みうるものであり、クライアント端末装置３３４は、例えば需要者のテレビジョン・セットトップボックス（ＳＴＢ）を含みうるものである。表示装置３３８は、例えばテレビジョン・モニターとすることができる。

実施形態によっては、ネットワーク３３６は、例えばインターネット（特にワールドワイドウェブ）、イントラネットまたは他のネットワーク等のコンピュータ・ネットワークを含みうるものである。サーバーシステム３３２は、例えばウェブサーバーを含みうるものであり、端末装置３３４は、例えばパーソナル・コンピュータ（または他のウェブ・クライアント装置）を含みうるものであり、また、表示装置３３８は、例えばコンピュータ・モニターとすることができる。なお、本発明は、テレビジョン・システムとの利用に限られるものでななく、インターネット、ケーブルテレビジョン・システム、衛星テレビジョン配信システム、地上テレビジョン放送システム等を含む、どのようなコンテンツすなわち情報配信システムとも共に用いることができる。

図３に示すように、サーバーシステム３３２は、例えばビデオサーバーを含みうるものであり、このビデオサーバーは、テレビジョンＳＴＢまたはデジタルＳＴＢ等の端末装置３３４へデータを送り、またそれからデータを受け取る。

ネットワーク３３６は、サーバー３３２と様々な端末装置３３４との間の双方向通信を提供するｉＴＶネットワークを含みうるものである。ネットワーク３３６は、例えば分岐した光ファイバーおよび／または同軸ケーブルラインのノード・テレビジョン配信システムを含む、ケーブルテレビジョン・ネットワーク等のノード・テレビジョン配信システムを例えば含みうるものである。例えば直接放送衛星システム、直接放送（off-air）地上無線システム等を含む、他のタイプのネットワーク化された配信システムもまた可能である。端末装置３３４は、ユーザーインターフェース対話装置３４０、例えば、キーパッドを有する赤外線リモートコントロール等のリモートコントロール装置を用いてユーザーが操作することができる。
テレビジョン・システムの実施形態

ふたたび図２を参照すると、テレビジョン・システムの実施形態においては、サーバーシステム２１２は例えばビデオサーバーを含みうるものであり、該ビデオサーバーは、テレビジョン・セットトップボックスまたはデジタル・セットトップボックス等の端末装置２１４へデータを送り、またそれからデータを受け取る。

ネットワーク２１６は、端末装置２１４を個々にアドレスで呼び出せることで、サーバー２１２と様々な端末装置２１４との間の双方向通信を提供するインタラクティブ・テレビジョン・ネットワークを含みうるものである。

ネットワーク２１６は、例えば分岐した光ファイバーおよび／または同軸ケーブルラインのノード・テレビジョン配信システムを含む、ケーブルテレビジョン・ネットワーク等のテレビジョン配信システムを例えば含みうるものである。例えば直接放送衛星システム、直接放送地上無線システム等を含む、他のタイプのネットワーク化された配信システムもまた可能である。

端末装置２１４（例えばセットトップボックス）は、ユーザーインターフェース対話装置２２０、例えば、キーパッドを有する赤外線リモートコントロール等のリモートコントロール装置を用いてユーザーが操作することができる。

インターネット実施形態
インターネット（または他のコンピュータ・ネットワーク）の実施形態においては、クライアント端末２１４は、ネットワーク２１６を介して複数のサーバー２１２に接続しており、このネットワークは好ましくはインターネットであるが、イントラネットまたは他の既知の接続とすることもできる。インターネットの場合には、サーバー２１２は、クライアント装置が選択的にアクセス可能なウェブサーバーである。
ウェブサーバー２１２は、いわゆる「ウェブサイト」を運営し、文書やページの形のファイルをサポートしている。サーバーによって生成されるウェブサイトへのネットワーク・パスは、ＵＲＬ（Uniform Resource Locator）によって特定される。

クライアント端末装置２１４の一例は、例えば、ウィンドウズ・オペレーティングシステムを走らせるペンティアム搭載デスクトップまたはノート型コンピュータ等のパーソナル・コンピュータである。典型的なコンピュータは、コンピュータの処理装置、メモリー、キーボード、マウス等のポインティングデバイス、および表示装置を備えている。表示装置のスクリーンは、ユーザーに対してグラフィカル・ユーザーインターフェース（ＧＵＩ）を示すのに用いられる。このＧＵＩは、上記オペレーティング・システムでサポートされており、例えば、表示画面上のマウスポインターを画面上の特定の位置のデータ・オブジェクトを表すアイコンへと移動させ、マウスボタンを押してユーザーの命令または選択を行うことにより、ユーザーがポイント・アンド・クリックの方法の入力を利用することができるようにする。また、１つ以上の「窓（windows）」を、必要に応じて独立してすなわち同時に画面上に開くことができる。システムがユーザーに配信するコンテンツは、画面上に表示される。

クライアント端末２１４には、通常、ブラウザが含まれており、これは、ネットワークのサーバー２１２にアクセスするのに用いられる既知のソフトウェアツールである。パーソナル・コンピュータ用の代表的なブラウザには、特に、ネットスケープ・ナビゲーターおよびマイクロソフト・インターネット・エクスプローラが含まれる。クライアント端末２１４は、通常、例えばアメリカ・オンライン等の何らかのインターネット・サービスプロバイダー（ＩＳＰ）を通してサーバー２１２にアクセスする。通常、ＩＳＰの複数の「ＰＯＰ（point-of-presence）」システムがネットワークに設けられており、そのそれぞれが、インターネットへのアクセスを提供するために、一群のクライアント装置２１４に接続されたＩＳＰ・ＰＯＰサーバーを備えている。各ＰＯＰサーバーは、ユーザー−インターネット・トラフィックを含むＩＳＰ・ＰＯＰローカルエリアネットワーク（ＬＡＮ）の一部に接続されている。ＩＳＰ・ＰＯＰサーバーは、個々のクライアント装置２１４からＵＲＬページの要求、および他のデータを取り込んで、以下で説明するように独特のユーザーを識別するのに用いることができ、また、ユーザーに方向付けのなされたコンテンツを配信することもできる。

周知のように、ワールドワイドウェブは、インターネットのマルチメディア情報取得システムである。詳細には、これはインターネット上のＨＴＴＰ（Hypertext Transfer Protocol）を利用するサーバーの集まりであり、ＨＴＴＰは、例えばＨＴＭＬ（Hypertext Markup Language）として知られる標準ページ記述言語を用いたファイル（これはテキスト、図形、画像、音声、ビデオ等の異なるフォーマットでありうる）へのユーザーのアクセスを提供する。ＨＴＭＬは、基本的な文書フォーマットを提供し、開発者が他のサーバーやファイルへのリンクを指定できるようにするものである。これらのリンクには、「ハイパーリンク」が含まれ、これはウェブ上のサイトのアドレスを隠したテキスト・フレーズまたは図形オブジェクトである。

ＨＴＭＬ対応ブラウザ（例えばネットスケープ・ナビゲーター）を有する装置マシンのユーザーは、ＵＲＬ（例えばwww.yahoo.com/photography）によってリンクを指定することにより、ウェブサイトのウェブページ（すなわちＨＴＭＬフォーマットの文書）を検索することができる。そのような指定と同時に、クライアント装置は、リンクで特定されたサーバーへ伝送制御プロトコル／インターネットプロトコル（ＴＣＰ／ＩＰ）の要求を行い、返信としてウェブページを受け取る。

「ウェブユーザープロファイリングおよび選択的コンテンツ配信のための方法およびシステム（Method And System For Web User ProfilingAnd Selective Content Delivery）」と名称が付けられた、２０００年４月２１日付けで出願された米国特許出願第０９／５５８７５５号を、本明細書に参照により明示的に援用する。この出願には、ネットワーク上のユーザーを、彼らの観察されたサーフィン嗜癖に基づいてプロファイリングするための、またユーザーに対し、彼らのそれぞれのプロフィールに基づいて、コンテンツ、例えば広告を選択的に配信するための、方法およびシステムが開示されている。

行動データに基づくユーザー識別
本発明の様々な実施形態は、考えうるユーザーグループから、クライアント装置の一人のカレントユーザーを識別することに向けられたものである。そのような識別は、ユーザーの行動データに基づいて、特には、入力装置（キーボード、マウスおよびリモートコントロール装置等）の使用において検出される入力パターンに基づいて、行うことができる。以下にさらに詳述するように、カレントユーザーから検出された入力パターンは、一組の入力パターン・プロフィールと比較されるが、この入力パターン・プロフィールは、時間をかけて発展させ、考えうるユーザーグループについてのデータベース内に記憶することができる。カレントユーザーは、考えうるユーザーのうちの一人とそれぞれが関連付けられているところの記憶されたパターン・プロフィールのうちの１つと、カレント入力パターンを、実質的にマッチングすることで識別される。

入力パターン・プロフィールのデータベースおよびカレント入力パターンを検出およびマッチングするためのソフトウエアは、クライアント端末２１４に存在しても、または、サーバー２１２もしくはＩＳＰ・ＰＯＰサーバー等のネットワーク内のどこか他に存在しても、または、ある組み合わせの位置に分散して存在してもよい。

異なる種類の入力データパターンを別々に、または組み合わせて用いて、カレントユーザーを識別することができる。様々な種類の入力データパターンには、例えば、（１）クリックストリーム・データ、（２）キーストローク・データ、（３）マウス使用データ、および（４）リモートコントロール装置使用データが含まれうる。

インターネット実施形態においては、クリックストリーム・データは、一般に、ユーザーがアクセスする特定のウェブサイトに関係するものである。この情報には、訪れたＵＲＬおよびそれぞれの訪問の継続時間が含まれうる。テレビジョン実施形態においては、クリックストリーム・データは、一般に、テレビジョン・サーフィンのストリームデータに関係するものであり、このデータには、ユーザーが選択する特定のテレビジョン・チャンネルまたは番組に関するデータが含まれる。キーストローク・データは、ユーザーによるキーボード使用行動と関係するものである。マウスデータは、ユーザーによるマウス（または他のポインティングデバイス）使用行動に関係するものである。リモートコントロール装置データは、リモートコントロール装置の使用行動に、特にはテレビジョン受像機を操作するための行動に関係するものである。これらの種類のユーザーデータのそれぞれに対して、１つのサブアルゴリズムを、ユーザーの行動の繰り返しパターンを検出およびトラッキングするために提供することができる。

ユーザーの識別は、これらの種類のユーザー行動データのうちのいずれか１つを用いて、または、２つ以上の種類のデータを組み合わせることで、行うことができる。それに応じて、いわゆる「融合」アルゴリズムを、２つ以上のサブアルゴリズムからの出力を組み合わせて独特のユーザーを検出するために提供する。簡単に言うと、融合アルゴリズムは、例えば３種類のデータ（例えば｛クリック・パターン「Ａ」，キーストローク・パターン「Ｃ」，マウス・パターン「Ｆ」｝）からの特定のパターンのどの組み合わせが最も一貫して繰り返されるかを常時監視し、これらの非常に頻発する組み合わせを特定のユーザーに関連付ける。

クリックストリーム行動トラッキング
異なるウェブまたはテレビジョンユーザーは、異なるウェブ／テレビジョンチャンネル・サーフィンのスタイルおよび関心を持っている。図６に描かれた以下に説明するクリックストリーム・アルゴリズム４５５は、ウェブ／オンライン・サーフィンまたはテレビジョン視聴セッションの間にユーザーが生成する生のクリックストリームから独特の特徴を抽出する。一般に、様々な観察される異なるクリックストリームにおいて繰り返される行動パターンが検出され、記憶される。ユーザーのクライアント装置から入ってくるクリックストリームは、これらの記憶されたパターンと比較され、入ってくるクリックストリーム・パターンに最もよく似たパターンの組が、それらの対応する類似性スコアと共に出力される。

オンライン・セッションの間、ユーザーが生成するクリックストリームは、異なるクリックストリームが容易に比較できるように、かつそれらの類似度が測定できるように、一組の統計データに抽出することができる。この類似度は、おそらく同じ人物によって生成されたものとして異なるクリックストリームを関連付けるための基礎となりうる。以下のものは、例であるクリックストリーム統計データの組である。

１）上位Ｎ個のＵＲＬを訪れた、または上位Ｎ個のテレビジョン番組またはチャンネルの視聴の、合計継続時間
一組のクリックストリーム統計データは、カレント・クリックストリームに現れる上位Ｎ個（Ｎは不定としうるが、通常は８〜１０である）の独特のＵＲＬまたはチャンネル／番組とすることができ、これらのＵＲＬを訪れた、またはチャンネル／番組の視聴の、合計継続時間に応じて選択される。この合計継続時間は、算出されて記憶される。上位Ｎ個の独特のＵＲＬまたはチャンネル／番組に加えて、「その他（Other）」と名付けられた包括的なカテゴリーを保持することもできる。

２）上位Ｎ個のＵＲＬまたはチャンネル／番組の間での遷移頻度
クリックストリーム統計データの他の組は、１つのＵＲＬまたはチャンネル／番組から次のクリックストリームへのすべての遷移の総数をとらえる、「元（From）」ＵＲＬから「先（To）」ＵＲＬへの、または、「元」チャンネル／番組から「先」チャンネル／番組への行列写像とすることができる。上位Ｎ個のＵＲＬまたはチャンネル／番組の間の、ならびに「その他カテゴリー」内での遷移をトラッキングすることができる。加えて、「開始」および「終了」ＵＲＬまたはチャンネル／番組を、それぞれ「元」および「先」の次元と共に用いることができる。

これらの統計データを用いて、ユーザーのサーフィン行動パターンを形成することができる。これらは、（上位Ｎ個のＵＲＬまたはチャンネル／番組のコンテンツによって表されるような）クリックストリームのコンテンツと、（例えば遷移行動および「その他」であるサイトまたはチャンネル／番組の比率に現れるような）ユーザーの特有なサーフィン行動のいくつかとの両方を取り込むことができる。

ユーザープロファイリングは、ユーザー入力パターンが時間に依存するという可能性を考慮に入れることができる。例えば、テレビジョン実施形態においては、ユーザーの視聴行動は、例えば日時または一週間の所定の時間帯に基づいて、変化しうる。

類似性の計量
クリックストリームの類似性は、２つの異なるクリックストリーム間の、例えば上述のような統計データの類似性を計算することによって計ることができる。異なるクリックストリームを区別するすなわち比較するのに用いることができる、いくつかの異なる考えうる類似性の計量が存在する。そのような計量の例には以下のものが含まれる。

１）「継続時間」単位ベクトルの内積
２つの「継続時間」ベクトルは、それらがＵＲＬまたはチャンネル／番組空間内で同じ方向を指している場合、すなわち、各クリックストリームが、クリックストリームの実際の長さすなわち継続時間に関係なく、同様の比率で同じ上位Ｎ個のＵＲＬまたはチャンネル／番組の多くを訪れるものである場合に、相似していると見なされる。この類似性は、「継続時間」単位ベクトルの間の内積を計算することで計られる。完全な類似性は単位元の値を返し、類似性なしはゼロを返す。「その他」の値の類似性は、この計算には含まれないのが好ましく、これは、同じ「その他」の値を有する２つのクリックストリームが、実際には全く類似性を持たないかも知れないからである。

２）単位ベクトル化された「遷移」行列の内積
同様の理由から、各遷移行列は、内積の計量を用いて比較することができる。行列は、まずベクトル化しなければならない（すなわち、要素をベクトル内に配置する）。「その他」への遷移および「その他」からの遷移は概ね重要と見なし、算入することができる。

３）「その他」継続時間の類似性
合計ユーザーセッション時間に対する、「その他」のＵＲＬまたはチャンネル／番組で費やした時間の比率を比較することができる。類似性は、「その他」のＵＲＬまたはチャンネル／番組で費やした時間の比率を、比較すべき２つのクリックストリームのそれぞれについて計算し、その２つの内の小さい方を大きい方で割ることにより計られる。

４）合計継続時間の類似性
これは、クリックストリームの合計継続時間における類似性の度合いである。

５）異なるＵＲＬまたはチャンネル／番組の総数の類似性
これは、これらのクリックストリームに現れる異なるＵＲＬまたはチャンネル／番組の総数における類似性の度合いである。

これらの類似性の計量のそれぞれは、個々に計算することができる。複数の計量を用いる場合は、それらを、様々な手法を用いて組み合わせることができる。例えば、これらの計量の選ばれた部分集合を互いに乗ずることにより、合成類似性計量を計算することができる。実際のデータに対する試行錯誤により、どの部分集合が最も適しているかを判断することができる。しかし、継続時間ベクトルおよび遷移行列の間の類似性がより有用である可能性が高い。

良い類似性計量によれば、結果として、適度に異なるサーフィン嗜癖を有するユーザーの間をよく分離できるようになろうし、また、同一人物によって生成されたクリックストリームが、その人物が適度に一貫したサーフィン行動を示している場合、過度に分離されないであろう。

類似性に基づくクリックストリームのマッチング
高い類似性値を有するクリックストリームは、おそらく同一人物によって生成されたものと考えることができる。類似性を計算するための多くの考えうる方法が存在する。例えば、クリックストリームを一組の候補のうちの１つとマッチングするための１つの方法は、最も高い類似性値を有する候補を選択することである。この手法を「ハードマッチング(hard match)」と呼ぶ。

代わりに、多少より堅実なアプローチは、単一のマッチングよりも、非常に似た候補の小さなグループを選択することであることもある。この候補のグループは、その後、いくつかの他の基準を用いてしぼることができる。この手法は、「ソフトマッチング(soft match)」を見つけることと呼ぶことができる。ある類似性閾値をソフトマッチングのために指定することができる。ソフトマッチングは、クリックストリーム行動に加えて、キーストロークおよびマウスのダイナミクス等の複数の入力パターンのタイプに基づいてユーザーのマッチングを行いたい場合に好ましい。

トラッキング・アルゴリズム
時間をかけて観察されてきた繰り返されるクリックストリーム・パターンを表す、記憶されたクリックストリーム・プロフィールと、入ってくるクリックストリームをマッチングすることが望ましい。各ユーザーは、単一のクリックストリーム・パターン・プロフィールと関連付けられるのが好ましい。しかし、ある個人が多面的な関心を有することがあるため、彼または彼女は、代わりに、複数のクリックストリーム・パターン・プロフィールに関連付けられることがありうる。入ってくるクリックストリームを既存のパターン・プロフィールとマッチングするプロセスは、図４に示すように、以下のようにすることができる。

ステップ３５０に示すように、一組の繰り返されるクリックストリーム・プロフィールを生成してデータベースに記憶させる。１つのクライアント端末に対して、通常個々のユーザーの小さな集合によって生成される、複数の異なる観察されるクリックストリームがあり、そのユーザーのそれぞれは、彼らのサーフィン行動に現れる、いくつかの異なる強い関心領域を有しうるということが考えられる。これらは、観察されるほとんどまたはすべてのクリックストリームの内容およびサーフィン行動の概要を示す一組のクリックストリーム・パターン・プロフィールとして表すことができる。

例えばクラスター化アルゴリズムを用いて、観測されるクリックストリームの空間を被覆する、クリックストリーム・パターン・プロフィールの小さな集合を生成することができる。新しい（すなわち既存のプロフィールと異なる）クリックストリームが観察されたときはいつでも、新しいクリックストリーム・プロフィールを加えることができる。類似の入来クリックストリームが所定の期間にわたって観察されなかった場合には、古いプロフィールを削除してもよい。このアルゴリズムの成長／刈り込みの挙動は、プロフィールがどれだけ正確に入来クリックストリームと一致していることが望まれるのか、したがって、どれだけ多くのプロフィールが生成される傾向があるのかを決定する類似性閾値によって、加減することができる。

マッチングプロセスの次のステップは、ステップ３５２に示すように、入来（すなわちカレントの）クリックストリームを、既存のクリックストリーム・プロフィールと動的に（すなわち実行中に）マッチングすることである。クリックストリームがユーザーによって生成されているときに、一部のクリックストリームを、一般にいつでも、既存の記憶されたクリックストリーム・プロフィールの組と実行中に比較することができる。カレントユーザーのアイデンティティーを特定するために、ハードマッチングまたはソフトマッチングを行うことができる。

次に、ステップ３５４に示すように、記憶されたクリックストリーム・プロフィールは、完了したクリックストリームからのデータを用いて再訓練するのが好ましい。カレント・クリックストリームが終了したら、クリックストリーム・プロフィールの組を、最新のクリックストリームの観察を反映するように再訓練することが好ましい。クリックストリーム・プロフィールは、それらの、カレント・クリックストリームとの類似性に基づいて調節することができる。

キーストローク挙動トラッキング
他の種類のユーザー入力パターン識別は、異なるユーザーのタイピングスタイル、すなわちキーストロークのダイナミクスに関係するものである。異なるユーザーは異なるタイピングスタイルを持っている。したがって、タイピングスタイルを独特のユーザーに関連付けられるように、キーストローク・ダイナミクスのアルゴリズムを提供してこれらの異なるスタイルを捕捉するようする。

キーストローク・アルゴリズムは、上述のクリックストリーム・アルゴリズムと同様とすることができる。このプロセスは、一般に、以下のステップを含みうる。
１）カレント・クリックストリームと同時に現れているカレント・キーボード動作に関する統計データをまとめる。
２）所与の端末装置に対するキーボード動作の過去の観察に基づく一組のキーストローク・プロフィールを生成し、データベース内に記憶する。
３）カレント・キーボード動作を、このキーストローク・プロフィールの組と比較し、ユーザーのアイデンティティーを予測する。
４）キーストローク・プロフィールは、カレント・キーボード動作が終了したと同時に、それを用いて更新するのが好ましい。

キーストロークの統計データは平均挙動のベクトルから構成されうるもので、このベクトルは、他のそのようなベクトルとの類似性について吟味することができるものである。ユーザーのキーストローク・プロフィールは、クリックストリーム・プロフィールと同様の方法で生成し、訓練することができる。加えて、キーストローク・プロフィールのカレント・キーボード入力に対する実行中マッチング（ハードまたはソフト）は、クリックストリームのマッチングと同様にして行うことができる。

タイピング挙動を特徴付けるのに特に効率的で有用なキーストロークの統計データの種類の１つは、「連字」の間隔である。これは、ユーザーが特定の並びの２つのキーをタイプするのにかかる時間である。選ばれた連字の小さな集合について平均の連字の間隔をトラッキングすることで、タイピング挙動のプロフィールを構築することができる。

以下は、英語で用いられる頻出連字のリストである（数字は２００字当たりの連字の通常の頻度を表している）。
TH 50 AT 25 ST 20
ER 40 EN 25 I0 18
ON 39 ES 25 LE 18
AN 38 OF 25 IS 17
RE 36 OR 25 OU 17
HE 33 NT 24 AR 16
IN 31 EA 22 AS 16
ED 30 TI 22 DE 16
ND 30 TO 22 RT 16
HA 26 IT 20 VE 16

最も頻出する連字のいくつかを、それぞれのキーストローク・プロフィールで用いるのに選択することができる。連字は、実質的にキーボード全体をカバーするようにして選ぶのが好ましい。

マウスダイナミクス・トラッキング
一般に、１つの通常のウェブブラウジング・セッションの間に、大量のマウス（または他のポインティングデバイス）動作があり、これにより、マウスのダイナミクスのみに基づいて、または他のユーザー入力行動と組み合わせてユーザーの行動を特徴付けるのが有効となる。

キーストロークと同様に、マウスのダイナミクスについて収集された統計データはベクトルを形成しうるものであり、このベクトルは、類似性に関して他のそのようなベクトルと比較することができ、また、繰り返されるパターンを特定するために、クラスター化アルゴリズムのようなアルゴリズムに入力することができるものである。

マウスの挙動には、ポインターの動きおよびクリック動作が含まれうる。以下は、集めることができる、考えうるマウス使用統計データのいくつかの例である

クリック動作に関しては、平均ダブルクリック間隔を測定することができる。これは、ユーザーがダブルクリックを完了するのにかかる平均時間とすることができ、この時間は、キーストロークの連字間隔と同程度に個人的になりうる。

さらに、ユーザーのクリック動作に関して、シングルクリックに対するダブルクリックの比を測定することができる。多くのウェブナビゲーションには、シングルクリックのみが必要とされるが、まだ多くのウェブユーザーには、非常に高い頻度で、ダブルクリックの癖があり、これを識別要素とすることができる。

ユーザーのポインターの動きの挙動に関しては、平均マウス速度および平均マウス加速度の統計データが、ユーザーの固有の特徴となりうる。動きは、可能な限り人の手に近づけて測定するのが好ましく、なぜなら、マウスボールの動きが、一般に、ピクセルの動きよりもより有用な統計データであるからである。

さらに、キーストローク動作に対するマウス動作の比もまた、ユーザーの有用な固有の特徴となりうる。マウスを使ってナビゲートすることを好む人もいれば、キーボードの使用を好む人もいる。

カレント・マウス・ダイナミクスの統計データを、記憶されたマウス使用プロフィールとマッチングするためのアルゴリズムは、クリックストリームのアルゴリズムについて上で説明したものと同様とすることができる。
他の入力装置使用トラッキング

様々な他のユーザー入力行動を、独特のユーザーを特定するのに用いることができる。例えば、テレビジョン実施形態においては、ユーザー入力パターンは、赤外線リモートコントロール装置等の装置の使用から特定することができる。以下は、そのような装置についての、様々な、パターンを特徴付ける使用の例である。これらには、（１）ボタンコントロールを作動させるのにリモートコントロール装置のボタンを押す時間の長さ、（２）視聴のために選択された特定のチャンネル、（３）複数桁のチャンネルを選択するための連字、（４）ミュートボタン等の特定のコントロールボタンの使用頻度、および（５）音量調節等の調節を行う頻度が含まれる。

これらのような統計データを、記憶された入力プロフィールとマッチングするためのアルゴリズムは、前に説明したものと同様とすることができる。

融合アルゴリズム
複数の独立したソースのユーザー情報（クリックストリーム、キーストローク、マウスおよびその他の入力データ）を利用することができ、それぞれに、入力データの中で繰り返されるパターンをトラッキングする対応するアルゴリズムがある。一組の独特のユーザーの存在を、これらの繰り返される入力パターンの間の有意な連関から推測することができる。例えば、ある個人は、特定のキーストローク・パターン、特定のマウス・パターン、および、１つまたはもしかするといくつかのクリックストリーム・パターンを生成する傾向にあるであろう。これらのパターンが同時に現れる傾向にあることを検出し、関連付けることによって、独特のユーザーの存在を推測することができる。

繰り返されるパターンの間の連関をトラッキングし、どのパターンが有意であるかを判断し、最も有意なものに独特のユーザーステータスを割り当てるために、図５に大まかに示す「融合」アルゴリズムを提供する。加えて、融合アルゴリズムは、システムからの独特のユーザーの追加および削除を管理する。

前に説明したように、それぞれの個々のアルゴリズム（例えばクリックストリーム、キーストローク、およびマウス使用データのためのもの）が、カレント入力データとそのトラッキングされたパターンの組との間のソフトマッチングを行うことができ、ステップ３８０に示すように、最も類似したパターンのリストを、それらのそれぞれの類似性スコアと共に返す。例えば、クリックストリーム・アルゴリズムは、クリックストリーム・データについて、マッチングされたパターン・データの以下の組を返すかも知れず、{ (パターン「２」,０．９), (パターン「４」,０．７), (パターン「４」,０．６５)}、ここで、それぞれのマッチングされたパターン・データの最初の入力は、特定のマッチングされたパターンを示し、２番目の入力は、そのマッチングの類似性スコアを示している。

複数のそれぞれのアルゴリズムの中でも、この融合アルゴリズムは、パターンのそれぞれの考えうる組み合わせの繰り返しの頻度をトラッキングする。例えば、考えうる組み合わせは、{クリック・パターン「ｃ」, キー・パターン「ｋ」, マウス・パターン「ｍ」}との形をとりうる。トラッキングされている合計Ｃ個のクリック・パターンと、合計Ｋ個のキーストローク・パターンと、合計Ｍ個のマウス・パターンとがあるとすると、トラッキングされている組み合わせの合計はＣ×Ｋ×Ｍであり、これは、キーストロークおよびマウスのパターンの数が約５であり、かつクリックストリーム・パターンの数が約１０であるとすると、数百に達しうるが、これには限られない。

それぞれのトラッキング・アルゴリズムから１つのソフトマッチングが与えられると、その後完全な一組の連関がステップ３８２で列挙され、ステップ３８４でスコア付けされる。列挙により、すべての考えうる組み合わせが生成される。それぞれの組み合わせに関してスコアが計算されるが、これは、その組み合わせの各要素の類似性の積とすることができる。スコアがすべての類似性の積であることは必要なく、スコアは、様々な他の考えうる組み合わせに基づくものとすることもできる。

実行中での独特のユーザーの識別を、ステップ３８６に示すように行うことができる。それぞれのマッチング・アルゴリズムが、実行中ソフトマッチングをカレント入力データに対して生成し、それからこれを融合アルゴリズムが利用して、カレントユーザーを識別するために、既存の組の独特のユーザーに対してハードマッチングを行う。

一度カレントユーザーが識別されると、そのユーザーに対して、例えば方向付けされた広告または番組視聴の推薦等の方向付けされたコンテンツを効果的に配信することができる。その後、融合アルゴリズムは、列挙された組み合わせに関して繰り返しの頻度を更新することができる。これを行う１つの考えうる方法は、ステップ３８８に示すように、それぞれの特定の組み合わせのカレント・スコアを、それ自体の前の累積スコアに加えることであろう。更新を適用する前にすべての既存のスコアを減衰させることが好ましく、これにより、まれな、すなわち不活性なパターンがより軽く重み付けされる。

独特のユーザーは、スコアが他よりも有意に突出しているパターンに関連付けることができる。組み合わせのスコアのすべての更新の後に、ステップ３９０に示すように、融合アルゴリズムは、推測された独特のユーザーのカレントの組からのなんらかの追加または削除が必要かどうかを判断することができる。いくつかの組み合わせのスコアが所定の閾値を上回った場合に、新しいユーザーを追加することができる。既存のユーザーは、対応する組み合わせのスコアが所定の閾値を下回った場合に削除することができる。これらの閾値は、スコアの組全体の大きさに関係するものであり、すべての組み合わせの中の「突出」の度合いを表している。

追加が行われる前に（新しいプロフィールの作成を必要とする）、想定される新しいユーザーが実際には既存のユーザーと一致するか否かを判断するのが好ましい。一人のユーザーが２種類以上のクリックストリーム行動を示しうる可能性があるため、既存のユーザーと同じキーストロークおよびマウス挙動を持つ新しいユーザーを既存のユーザーに関連付ける場合があるが、これは、キーストロークおよびマウスの挙動は、クリックストリーム行動と比べて個々のユーザーと強く相関する可能性がより高いからである。

ほぼ同時に追加および削除が行われる場合、特定のユーザーが単に「漂流」した可能性があり、この場合、そのプロフィールは、削除して新しい人物のプロフィールを作成するのではなく、再割り当てするのが望ましい。

上述の実施形態は、一般に、クライアント端末のそれぞれのユーザーを識別またはトラッキングすることに関するが、それらは、そのようなユーザーの繰り返されるグループの特定にも適用することができる。例えば、様々な時間のテレビの視聴は、例えば夫および妻によって、または子供の一グループによって等、個人のグループによって行われる。これらの組み合わせの各個人は、異なる行動を示しうる。

システムが十分な確度で一ユーザー（またはユーザーのグループ）を識別できない場合には、ユーザーを「不明」と示し、その端末装置の平均的なユーザープロフィールを仮定してもよい。

プロフィール生成
本発明においては、ユーザープロフィール情報は、人口統計データ（例えば、ユーザーの年齢、性別、収入および最高学歴レベル等）、そのユーザーの関心や、コンテンツ嗜好（例えば、スポーツ、映画、音楽、コメディ等）を反映しうる心理学的データ、地理的データ、およびトランザクションデータを含みうるが、これらには限られない。図２および図６を参照すると、まず、ユーザーがクライアント装置と対話した結果として、プロフィール・エンジン４５２が端末装置２１４のデータを受け取る。通常のユーザーの対話は、前にテレビジョン実施形態およびインターネット実施形態で説明した対話からなり、数ある中でも例えば、チャンネルの変更、クライアント装置の電源オン・オフ、番組ガイドを通しての番組情報の視聴、インタラクティブなアンケート調査への回答、ウェブサーフィンまたは電子メール送信である。

プロフィールシステムは、いくつかの段階からなる。図９に示すように、第１段階は、世帯構成またはユーザーの人口統計データを特定する視聴情報を処理するニューラルネットワーク４５４からなりうるものである。ニューラルネットワークの代わりのアプローチは、図６に示すように、クリックストリーム・アルゴリズム４５５、トラッキング・アルゴリズム４５６、融合アルゴリズム４５７、ベイズ分類アルゴリズム４５８、または嗜好−日時区分アルゴリズムを用いることであろう。領域によっては、ベイズ分類アルゴリズムのパフォーマンスが、ニューラルネットワークまたは決定木のものと同等であることが分かっている。ベイズ分類アルゴリズムは、事後確率で重み付けされたすべての人口統計的仮説の予測を組み合わせることによって、新しいインスタンスを分類するものである。ベイズ分類アルゴリズムの場合、所与のインスタンスは世帯Ｘで、１つの考えうる仮説は、世帯Ｘが２５才から３４才までの間の人を含むというものであろう。他の仮説は、他の年齢グループに対応するものであろう。それぞれの年齢グループについて、ニールセンのデータまたは自分たちのサンプル視聴者に基づいて、条件付き確率の推定値が得られる。関心のある人口統計的データには、性別、年齢、収入、学歴および職業が含まれうるが、これらには限られない。本発明の他の態様においては、ベイズ分類アルゴリズムを用いて、ある世帯の異なる構成員の年齢を判断することができる。

ふたたび図６を参照すると、関心のある人口統計的データには、性別、年齢、収入、学歴および職業が含まれうるが、これらには限られない。本発明の他の態様においては、ニューラルネットワーク４５４を用いて、ある世帯の異なる構成員の年齢および性別を判断することができる。あるいは、本発明のニューラルネットワーク４５４は、世帯の中の各個人の人口統計的データだけでなく、世帯の人口統計的データを判断することができる。

図６に示すように、プロフィール・エンジン４５２は、番組データが端末装置２１４に入ってきたときにこれを抽出することにより、ユーザーの視聴パターンを分析する。次に、プロフィール・エンジン４５２は、この番組データと、テレビジョン番組の選択されたリストからの既知の人口統計的情報を含む、ローカルの分類された番組データベース４６０内のデータとを相互参照する。予め分類された人口統計的情報は、人口統計的特徴が分かっているユーザーの委員会を利用してテレビジョン番組の分析結果をまとめるＡ．Ｃ．ニールセン等の企業主体から得ることができる。他の実施形態においては、予め特定された人口統計的情報は、クライアントの展開の一部をサンプリングすることによって生成することができる。このリストのために選択された番組は、性別または年齢等の特定の人口統計的なグループに属するユーザーを表している。本発明のさらなる実施形態においては、例えばＡ．Ｃ．ニールセンまたはニールセン・ネットレーティングスから入手可能な、テレビジョンまたはウェブサイトのプロフィールは、分類データベース４６０内に記憶される。これらのプロフィールは、複数の心理学的カテゴリーおよび人口統計的カテゴリーに従って分類される。一例として、以下の８４の心理学的カテゴリーおよび３７の人口統計的カテゴリーを用いることができる。
人口統計的カテゴリー
性別
男性
女性
年齢
０〜１１
１２〜１７
１８〜２０
２１〜２４
２５〜３４
３５〜４９
５０〜５４
５５〜６４
６５〜９９
収入
０〜２４，９９９
２５，０００〜４９，９９９
５０，０００〜７４，９９９
７５，０００〜９９，９９９
１００，０００〜１４９，０００
１５０，０００以上
学歴
高校中退
高校卒業
大学中退
準学士
学士
博士
職業
行政
職人
教育者
役職者
労働者
主婦
軍人
専門職
販売
サービス
学生
技術者
自営業
退職者
人種
ヒスパニック
非ヒスパニック
アフリカ系アメリカ人
白人
アジア人
ネイティブアメリカン
心理学的カテゴリー
旅行
飛行機
レンタカー
宿泊
予約
地図
金融・投資
銀行
ブローカー
相場
保険
住宅ローン
スポーツ
自動車レース
野球
バスケットボール
空想的スポーツ
フットボール
ホッケー
サッカー
ゴルフ
テニス
休養・趣味
サイクリング
ゴルフ
ハイキング
セイリング
スノースポーツ
サーフィン
テニス
家と庭
ペット
家系研究
写真
ゲーム
おもちゃ
娯楽
映画
音楽
演劇
テレビ／ビデオ
ＳＦ
ユーモア
ゲーム
おもちゃ
自動車
トラック
ＳＵＶ
スポーツカー
ニュース・情報
雑誌
天気
政治
民主党
共和党
電子ショッピング
食品
家具
オークション
カード・ギフト
衣服
本
音楽
テレビ・ビデオ
ソフトウエア
電子購入
コンピュータ
ソフトウエア
科学
雇用
教育
健康
医療
薬局
デート／シングル
アドバイス
美容
結婚
出産
霊性／宗教
占星術
ディスカウント
贅沢品
子供
十代
大学年齢
１８才以上
スペイン語

次に図２を参照すると、例えば、記憶されたプロフィールを有する、ｉＴＶの対話中またはウェブサイト訪問中のインターフェース対話装置２２０を用いた各操作について、プロフィールが平均され、またはユーザーのプロフィールへと組み合わされる。プロフィールには、ウェブサイトにアクセスする人、またはｉＴＶ操作を行う人のカテゴリーに関心を反映する、各カテゴリー内での評点が含まれる。

それぞれの評点には信頼度が付随し、これは、評点の精度の評価である。信頼度数は、ウェブサイトまたはｉＴＶの操作を分析し、それをコンテンツの種類や特異性で評価することにより決定されるもので、より限られ、かつより特異なコンテンツが高い信頼度数を与える。特定のカテゴリーの信頼度が所定の閾値を下回っている場合、他のユーザーのプロフィールからの情報を用いて、「プロフィール完成」と呼ばれるプロセスでより正確な評点を与えるのが好ましい。

ユーザープロフィールの一例を以下に示す。それぞれのカテゴリー内の最初の数は、そのカテゴリーに対する評点を示している。評点数は、最高の評点のパーセント値であり、そのカテゴリーに対するユーザーの嗜好の程度を表している。以下の例においては、評点数は、０〜１００に広がり、より大きな数がより高い嗜好性を示している。それぞれのカテゴリー内の２番目の数（括弧内）は、そのカテゴリーに対する評点の信頼レベルを表している。

０．５０未満の信頼度を有するどのような評点においても信頼度が不十分となるように、信頼度の閾値を０．５０に定めるとする。上で示した例の表におけるユーザープロフィールについては、金融および音楽のカテゴリーに対する評点において不十分な信頼度がある。この状態では、システムは、類似のプロフィールを有するユーザーのプロフィールを調査し、低い信頼度を有するこれらのカテゴリーにおける評点の精度を改善するようにする。

クラスター化アルゴリズムを用いて、カレントユーザーのプロフィールと類似のプロフィールを見出すことができる。プロフィール間の類似性を判断する際には、信頼度を無視し、プロフィールをｎ次元評価ベクトルとして扱う。ベクトル間の距離に基づいて、簡単なクラスター化アルゴリズムを用いるが、ここで、問題のユーザープロフィールから一定の距離内にプロフィールがあるすべてのユーザーが集められる。そして、集められたものの中のすべてのプロフィールの重み付けされた平均を計算し、問題のユーザープロフィールと似た理想的プロフィールを得る。理想的プロフィールが、許容しうる信頼度を有する問題のカテゴリーに対する評点を有している場合に、この評点（および付随する信頼度）が、問題のユーザープロフィールにおける対応する評点に取って代わる。

こうして、低い信頼度の評点を有するユーザープロフィールの部分が、「完成される」、すなわち「埋められる」。一例を以下に表２に示す。

上の例では、理想的プロフィールを以下の方法で計算する。理想的プロフィール内のそれぞれのカテゴリーに対する評点を、それぞれのユーザーについて評点を信頼度に乗じることにより計算する。そして、これらの積を、それぞれのカテゴリー内で、ユーザー間で加算する。そして、この和を、カテゴリー内で、ユーザー間で加えられた信頼度の和で割る。数学的には、Ｒ_ideal,j＝ΣＲ_ijＣ_ij／ΣＣ_ijであり、Ｒ_ideal,jは、カテゴリーｊにおける理想的プロフィールに対する評点、Ｒ_ijは、ユーザーｉについてのカテゴリーｊにおける評点、Ｃ_ijは、ユーザーｉについてのカテゴリーｊにおける信頼度、そして、この和は、ｉが１〜ｎまで動くに従って取られ、ｎはこの例では５である。この理想的プロフィール内のそれぞれのカテゴリーについての信頼度は、同じカテゴリー内でユーザー間での信頼度の平均を取ることで計算され、Ｃ_ideal,j＝ΣＣ_ij／ｎであり、Ｃ_ideal,jは、理想的プロフィールにおけるカテゴリーｊについての信頼度であり、Ｃ_ijはユーザーｉについてのカテゴリーｊにおける信頼度であり、この和は、ｉが１〜ｎまで動くに従って取られ、ｎはこの例では５である。

理想的プロフィールを用いて、問題のユーザープロフィールを完成する。上で説明した例においては、金融および音楽のカテゴリーにおいて、このユーザーについての評点に不十分な信頼度があった。このユーザーと類似のプロフィール評点を有するユーザーは、信頼度０．６２で、２１．１の金融カテゴリー評点を有することが分かった。信頼度の閾値は０．５０と定めたため、この理想的プロフィールの金融評点２１．１（０．６２）を用いて、ユーザーの金融カテゴリーの評点２５（０．１５）を取り替えることができる。同様に、類似のユーザープロフィールに対する音楽カテゴリーの評点が、信頼度０．８４で、９．４の評点を有することが分かった。これは、上記閾値よりも大きく、これを用いて問題のユーザープロフィールを完成する。音楽カテゴリーの計算結果によって示されていることは、ユーザーは、彼または彼女がそのカテゴリーに関係するどのようなウェブサイトも訪れたことがないということにも関わらず、そのカテゴリーに関心を持っているかも知れないということを、システムがいかに有利に推定できているかということである。完成された問題のユーザープロフィールは、今や以下のようになる。

嗜好−日時区分アルゴリズム
図７および図８に示す本発明の他の実施形態においては、ユーザー入力パターン・プロフィールが、ユーザーの嗜好の種類および日時の入力データを検出することで生成される。本実施形態においては、プロフィールはデータ構造体であり、これは、嗜好が時間をかけて総計されるところのＳＴＢ等の端末装置挙動のモデルとしうるものである。一実施形態においては、複数の下位プロフィールが２通りに分類され、すなわち、嗜好の種類と日時である。嗜好の種類は、テレビ局、番組ジャンル、言語、有料テレビジョン、または映画に該当しうる。

図７に示すように、嗜好−日時区分アルゴリズム５００は、嗜好下位プロフィールおよび日時区分を含むものである。嗜好下位プロフィールには、例えば、ｉＴＶソース、テレビ局、番組ジャンル、言語、有料コンテンツ、または映画コンテンツが含まれ、ステップ５０２に示すように、ユーザー入力パターン・データに基づいて検出される。ステップ（５０４）に示すように、ユーザー入力パターン・データが入力される日時も検出される。嗜好の下位プロフィールの種類および日時のユーザー入力パターン・データに基づいて、ステップ５０６に示すように、入力パターン・プロフィールが生成される。さらなる実施形態においては、ステップ５０６ａに示すように、減衰係数が既存のユーザー入力パターン・プロフィールに適用され、より大きな重みを新しいユーザー入力パターン・プロフィールに割り当てるようにする。システムは、ステップ５０８に示すように、ユーザー入力パターン・データがどれだけ厳密に既存のユーザー入力パターン・プロフィールに一致しているか評価し、また、ステップ５１０に示すように、カレントユーザー入力パターン・データを既存のユーザー入力パターン・プロフィールとマッチングする。

映画の嗜好は、番組ジャンルと独立している。番組ジャンルの中に映画ジャンルは存在しない。プロフィールの日時区分部分は、異なる日時区分に対応する。それぞれの日時区分について、ユーザーは、いくつかの（ゼロでない）ジャンル嗜好、局の嗜好および言語嗜好を有しうる。ユーザーは、たった１つの映画嗜好および１つの有料テレビジョン嗜好を有するかもしれない。これらの数は、その日時区分の間、その種類の番組をユーザーが見る時間の割合を表しうる。ジャンル嗜好と共に用いる日時区分は、以下のように範囲を定めることができる。
１． 平日 午前６時〜午前９時
２． 平日 午前９時〜午後３時
３． 平日 午後３時〜午後６時
４． 平日 午後６時〜午後８時
５． 平日 午後８時〜午後１１時
６． 平日 午後１１時〜午前２時
７． 平日 午前２時〜午前６時
８． 金曜日 午後８時〜午後１１時
９． 金曜日と土曜日 午後１１時〜午前２時
１０． 土曜日と日曜日 午前２時〜午前６時
１１． 土曜日 午前６時〜正午
１２． 土曜日 正午〜午後８時
１３． 土曜日 午後８時〜午後１１時
１４． 日曜日 午前６時〜正午
１５． 日曜日 正午〜午後８時
１６． 日曜日 午後８時〜午後１１時

局の嗜好と共に用いる日時区分は、日時区分５（平日のプライムタイム）が、推薦においてより高い精度を達成するために個々の曜日に細分された以外は、ジャンルに対して用いられる日時区分と同一とすることができる。
１７． 月曜日 午後８時−午後１１時
１８． 火曜日 午後８時−午後１１時
１９． 水曜日 午後８時−午後１１時
２０． 木曜日 午後８時−午後１１時

番号付与の方式は、データベース内でどのように日時区分に番号付与ができるかを表している。日時区分１〜１６は、ジャンル嗜好と共に用いることができ、日時区分１〜４、６〜２０は、局の嗜好と共に用いることができる。両方の組の嗜好について、すべての時間にわたってのＳＴＢの平均の挙動を表すすべてのイベントがそこに加えられる、さらなる下位プロフィールがあってもよい。これは、平均のプロフィールまたは平均の日時区分であり、データベース内で数０で表される。この平均の下位プロフィールは、特定の日時区分内で、十分な情報が提供されていないときに、項目を評価するのに用いられる。

あるチャンネルの視聴イベントによって、継続時間が、その日時区分内の特定のチャンネルの和と、その日時区分内の総和とに加えられる。それから、同じことが平均日時区分において繰り返される。視聴イベントがプロフィールを更新させるための最短の継続時間が存在する。一実施形態においては、１０秒を上回る視聴イベントが考慮に入れられる。これにより、チャンネルサーフィンによる変更イベントが濾して取り除かれる。視聴イベントは、所定のチャンネルについて、和に影響を与えるだけでもよい。ジャンルに対する情報は、ある項目が複数のジャンルを有するという可能性が存在するということ以外は、同様に扱われる。複合ジャンルの、すなわち実際にあった冒険ドラマ（RealityAdventureDrama）の番組は、単独の各ジャンルに分割される。ＴＭＳ（Tribune Media Service）（テレビ番組ガイドデータの供給業者）によって供給されるデータは、列挙された最初のジャンルがその番組に最も関連性があるもので、列挙された２番目のジャンルが、２番目に関連性がある等となるように、ある番組に対して列挙されるジャンルを順序づけることができる。この情報を用いて、視聴時間は、ジャンルが列挙されているところの順番に比例する重み付けがされていると考えることができる。第１のジャンルが、第２のジャンルと比べてどれだけより大きく重み付けされるべきか等が不明確であるため、カテゴリーの規格化を容易に維持するために、かなり堅実な方法を採用する。ある番組の視聴時間をその番組の様々なジャンルの間に分配するための式は、次のようなものであり、（番組のジャンル数−カレント・ジャンルの指標＋１）／(番組のすべてのジャンルについての指標の和）、ここで各ジャンルの指標は、それが列挙された順番を反映している。したがって、実際にあった冒険ドラマ」番組を３０分間見たとすると、１つのジャンルに３０分がクレジットされるのでも、それぞれのジャンルに３０分がクレジットされるのでも、さらに、それぞれのジャンルに１０分がクレジットされるのでもなく、その世帯は、個々のカテゴリーのそれぞれについて比例してクレジットされる。

この例では、番組に対して３つのジャンルが存在し、それぞれのジャンルの指標は、ジャンルが列挙された順番を反映するものであり（実際にあった−指標１、冒険−指標２、ドラマ−指標３）、それらの指標の和は６である。したがって、３０分の視聴時間は、以下のように３つのジャンルの間で分配される。実際にあった−重み付け＝（３−１ ＋ １） ／６ ＝０．５、０．５×３０＝１５分、冒険−重み付け＝０．３３、０．３３×３０＝１０分、ドラマ−重み付け＝０．１６、０．１６×３０＝５分

図８、すなわち嗜好の下位プロフィールの更新を描いたフローチャートを参照すると、ステップ６０２に示すような、特定のジャンルの番組を見るのに費やした時間の継続時間は、
継続時間（ジャンルｉ，ユーザーｊ，日時区分ｋ）＝継続時間（ジャンルｉ，ユーザーｊ，日時区分ｋ）＋（ （カレントの番組のジャンル数−カレント・ジャンルの指標＋１）／ （カレントの番組のすべてのジャンルについての指標の和））×カレントの番組の視聴継続時間、からなる。

ある局を見るのに費やした時間の継続時間の更新は、ステップ６０４に示すように、より直接的に計算することができ、これは、ユーザーは、一度に１つの局のみを見ることができるからである。例えば、ステップ６０４に示す、ある局を見るのに費やした時間の継続時間は、
継続時間（局ｉ，ユーザーｊ，日時区分ｋ）＝継続時間（局ｉ，ユーザーｊ，日時区分ｋ）＋カレントの番組の視聴継続時間からなりうるもので、カレントの番組とは、日時区分ｋの間で、局ｉで見られたものである。

ジャンルの和は、一方の種類の情報の項目が、他方のものについての情報を薄めてしまわないように、チャンネルの和から独立したものとしておくことができる（すなわち、ジャンルのない番組は、すべてのジャンルの評点を薄めてしまうであろう）。チャンネルと同様に、ジャンルの平均日時区分下位プロフィールは、特定の日時区分下位プロフィールと同じ方法で更新する。

ユーザーの言語プロフィールは、ユーザーが慣れ親しんでいる言語の番組だけを推薦するのを可能とするフィルターとして機能するように用いられる。番組の言語は、番組表の「番組言語」フィールドを調べることで判断することができる。図８をふたたび参照すると、ステップ６０６に示すような、特定の言語の番組を見るのに費やした時間の継続時間の更新は、上で説明した局に関しての継続時間更新と同様であり、
継続時間（言語ｉ，ユーザーｊ，日時区分ｋ）＝継続時間（言語ｉ，ユーザーｊ，日時区分ｋ）＋カレントの番組の視聴継続時間、からなりうるもので、カレントの番組とは、日時区分ｋの間で、言語ｉで見られたものである。

この例においては、ジャンル、局および言語と独立したものがあり、通常は下位カテゴリーを持たない３つの他の嗜好であり、すなわち、ファーストラン、有料、および映画である。「ファーストラン」嗜好は、再放送のものを見たくないユーザーに、再放送のものを推薦させないフィルターとして機能するように生成される。見られるそれぞれの番組について、スケジュール表内の「再放送」フィールドを調べることで、それが再放送かどうかを判断することができる。かわりに、番組表内の「最初の放送日時」フィールドを調べて、カレントの放送日時よりも早いかどうかを判断することもできる。

図８のステップ６０８は、上で説明した局についての継続時間更新と同様な、ファーストランの番組を見るのに費やした時間の継続時間の更新を描いており、次のように記述でき、
継続時間（ファーストラン，ユーザーｊ，日時区分ｋ）＝継続時間（ファーストラン，ユーザーｊ，日時区分ｋ）＋カレントの番組の視聴継続時間、ここで、カレントの番組とは再放送でないものである。

「有料」嗜好は、ＰＰＶまたはＶＯＤ等の有料コンテンツの推薦を受け取ることに関心があるかもしれないユーザーを判断するのを助けるフィルターとして機能するように生成される。時間をかけて、このカテゴリーは、ＰＰＶ映画およびＶＯＤを反映するようになっていく。チャンネルがＰＰＶであるということを判断するために、チャンネル表の中で、「サービス階層」フィールドを選択することができる。値４がＰＰＶを示してもよい。

図８に示すように、有料コンテンツを見るのに費やした時間の継続時間の更新は、上で説明した局に関しての継続時間更新と同様であり、
継続時間（有料，ユーザーｊ，日時区分ｋ）＝継続時間（有料，ユーザーｊ，日時区分ｋ）＋カレントの番組の視聴継続時間、からなりうるもので、ここで、カレントの番組は有料コンテンツである。

映画に関する独立したユーザープロフィールを作成するために、「映画」嗜好は、ジャンル嗜好とは異なるものである。さらに、映画嗜好は、映画プロフィールと異なるものであり、これは、以下に詳しく取り上げる。映画嗜好は、所定の日時区分の間に映画を見ることに対するユーザーの関心を計るものである。映画プロフィールは、ユーザーが見たい映画の種類についての詳しい情報を含むものである。映画プロフィールは、映画の推薦、特にＶＯＤおよびＰＰＶに対する推薦を行う質を向上させるために、他のプロフィールと区別した。ユーザーの映画嗜好スコアが、所与の日時区分について閾値を上回った場合には、ユーザーの映画プロフィールを用いて映画を推薦する。番組が映画であるかどうかを判断するために、番組表の「番組タイプ」フィールドを利用することができる。通常、番組タイプが「ＭＶ」のすべての番組が映画である。ＴＶ映画用に作られたものではなく、長編映画をトラッキングするために、番組タイプ「ＭＶ」を用いることができ、この場合、番組表の「ＴＶ用作品」フィールドが「Ｎ」に等しい。

図８を参照すると、映画を見るのに費やした時間の継続時間の更新は、上で説明した局に関しての継続時間更新と同様であり、
継続時間（映画，ユーザーｊ，日時区分ｋ）＝継続時間（映画，ユーザーｊ，日時区分ｋ）＋カレントの番組の視聴継続時間、からなりうるもので、ここで、カレントの番組は映画であり、「ＴＶ用作品」ではないものである。

次に図７のステップ５０６ａを参照すると、一実施形態においては、プロフィールは、一定期間後に既存のプロフィールが減衰し始め、新しいデータがより大きな重みを有するようになるように、経時変化させることができる。結果として、ジャンルおよび局のスコアを生成する２つの方法を採用することができる。プロファイリングの最初の部分（減衰開始前）では、スコアが前の実施におけるのとほとんど同じ方法で生成される。スコアは、全継続時間で割った、あるカテゴリーに費やした継続時間に基づくものである。ジャンルおよび局について、この例は、以下の、
スコア（局ｉ，ユーザーｊ，日時区分ｋ）＝継続時間（局ｉ，ユーザーｊ，日時区分ｋ）／日時区分ｋの合計視聴継続時間
スコア（ジャンルｉ，ユーザーｊ，日時区分ｋ）＝継続時間（ジャンルｉ，ユーザーｊ，日時区分ｋ）／すべてのジャンルの間での継続時間（ジャンルｉ，ユーザーｊ，日時区分ｋ）の和、からなり、ここで、継続時間（ジャンルｉ，ユーザーｊ，日時区分ｋ）は、前述のように定義される。
スコア（言語ｉ，ユーザーｊ，日時区分ｋ）＝継続時間（言語ｉ，ユーザーｊ，日時区分ｋ）／日時区分ｋの合計視聴継続時間
スコア（ファーストラン，ユーザーｊ，日時区分ｋ）＝継続時間（ファーストラン，ユーザーｊ，日時区分ｋ）／日時区分ｋの合計視聴継続時間
スコア（有料，ユーザーｊ，日時区分ｋ）＝継続時間（有料，ユーザーｊ，日時区分ｋ）／日時区分ｋの合計視聴継続時間
スコア（映画，ユーザーｊ，日時区分ｋ）＝継続時間（映画，ユーザーｊ，日時区分ｋ）／日時区分ｋの合計視聴継続時間

スコアは、それぞれの日時区分内におけるテレビジョン視聴の最初の２０時間については、このようにして計算することができる（日時区分０すなわち平均プロフィールを除く（これは、テレビジョン視聴の最初の１２０時間についてこのようにして計算される)）。その後、日時区分プロフィールが減衰し始める。減衰しうるプロフィールは、ジャンル・プロフィールおよび局プロフィールである。言語、ファーストラン、有料、および映画の各嗜好は減衰しない。２０および１２０との値は、選択的に変更しうるパラメータである。減衰期間（２０時間のリミットに達した後）中のスコアは、
スコア（ジャンルｉ，ユーザーｊ，日時区分ｋ）＝（１−ｄｆ×Ｗｇ）×スコア（ジャンルｉ，ユーザーｊ，日時区分ｋ）＋ｄｆ×Ｗｇで、ｉに等しくないすべてのｎに対して、
スコア（ジャンルｎ，ユーザーｊ，日時区分ｋ）＝（１−ｄｆ×Ｗｇ）×スコア（ジャンルｎ，ユーザーｊ，日時区分ｋ）である。

これらの２つのステップから、結果として、規格化されたジャンル・スコアが得られ、すなわち、すべてのジャンルのスコアの合計が、各日時区分について常に１となる。パラメータｄｆは、今は値０．４が与えられている減衰係数であり、試験の後、修正してもよい。一般に、平均日時区分（日時区分０）に対するｄｆの値は、他の日時区分に対するｄｆの値とおそらく異なるものである。重み付け係数Ｗｇ＝（ジャンルｋに属すると考えられるカレントの番組の視聴継続時間／番組の継続時間）で、ジャンルｋに属すると考えられる視聴継続時間は、前の部分で説明したようにして算出される。同様に、局については、
スコア（局ｉ，ユーザーｊ，日時区分ｋ）＝（１−ｄｆ×Ｗｓ）×スコア（局ｉ，ユーザーｊ，日時区分ｋ）＋ｄｆ×Ｗｓで、ｉに等しくないすべてのｎに対して、
スコア（局ｎ，ユーザーｊ，日時区分ｋ）＝（１−ｄｆ×Ｗｓ）×スコア（局ｎ，ユーザーｊ，日時区分ｋ）であり、Ｗｓ＝（カレントの番組の視聴継続時間／番組継続時間）である。ｄｆの値は、ジャンルの式におけるものと同じである。

嗜好−日時区分アルゴリズム５００を実行する際、２０時間のリミットに達した後に、視聴の合計時間を更新する必要はない。しかし、視聴の実際の合計時間に関する情報は保持することができる。重み付け係数（ＷｇおよびＷｓ）を計算する際に必要とされる番組継続時間情報を得るのが難しい場合、視聴比率は、１０分未満、２０分未満、３０分未満等の各イベントに対して異なる値で置き換えてもよく、この値は一定分数後に値が１となる。

上述のプロファイリング方法は、下記の評価システムと組み合わせた場合に、ユーザーが以前見た各局の番組の正確な推薦を生成する。ユーザーの嗜癖は、（１）ユーザーが見たことのない局の番組、（２）ユーザーに対して有料チャンネル（ＰＰＶまたはＶＯＤ）で存在する番組、特に映画、または（３）ユーザーが現在契約していない契約チャンネル、を勧めることによって、拡張することができる。これは、ユーザーが視聴したことはないが、ユーザーの好みの局のものと同様の局の番組を推薦するために、以下の評価の部分で説明するクラスター化の方法を用いて実現することができる。加えて、ＶＯＤおよびＰＰＶの出現によって、どのような特定の局にも関連付けられていないユーザーが利用可能な、幅広い数多くの映画が存在するであろう。

図７に示すように、局に関係しない映画を評価するために生成しなければならない、例えば映画コンテンツに関係するユーザー入力パターン・プロフィールは、映画プロフィール作成物である。映画プロフィールは、同じ日時区分が用いられている限り、上で生成された局およびジャンルのプロフィールと同様である。映画プロフィールは、以下のカテゴリー、すなわち、時代、配給業者、性別、および星の格付けからなりうるものである。

例えば、８つの映画の時代が存在し、無声映画時代（それ以前〜１９２７）、第２次世界大戦前の時代（１９２７〜１９４０）、黄金時代（１９４１〜１９５４）、移行期（１９５５〜１９６６）、白銀時代（１９６７〜１９７９）、モダン期（１９８０〜１９９５）、ポストモダン期（１９９６〜現在）である。映画の時代は、番組表から「公開年」フィールドを選択することで判断することができる。公開年フィールドが「ヌル」の場合、その映画は、公開されておらず、映画としてではなく通常番組として扱うべきである。

多くの映画配給業者が存在するが、約十数社がメジャーなものであるにすぎない。配給業者は、番組表から「配給会社」フィールドを選択することにより判断することができる。ＴＭＳデータベース内の映画のいくつかは、配給業者がリストに示されていない。しかし、配給業者がリストに示されていれば、それは、利用可能となった時に用いることができる有用なデータである。例えば、ＰＰＶおよびＶＯＤで利用可能なほとんどの映画には配給業者があり、したがって、このデータをトラッキングすることは、ＰＰＶおよびＶＯＤコンテンツを勧める際に、より重要性を持つようになるであろう。

ジャンルカテゴリーは、通常のプロフィールで用いるジャンルと同じものである。前のジャンル・プロフィールと同様に、このジャンルは番組ジャンル表から取り出すことができる。星の格付けは、映画の質を評価するものであり、番組表の「星の格付け」フィールドから取り出すことができる。星の格付けは、varcharとして記憶され、floatに変換される。

映画プロフィール内のジャンル・スコアは、スコアを更新するために視聴イベントが５分より長くなければならないのではなく、映画プロフィールの場合には５分より長くなければならないということを除いて、上で説明したジャンル・スコアと同じようにして生成される。これは、映画プロフィールを構成するカテゴリーのすべてに対して当てはまる。これらは、視聴イベントが２０分より長くなければ更新されない。映画プロフィールにおけるジャンル・スコアの更新は、
スコア（ジャンルｉ，ユーザーｊ，日時区分ｋ）＝継続時間（ジャンルｉ，ユーザーｊ，日時区分ｋ）／すべてのジャンルの間での継続時間（ジャンルｉ，ユーザーｊ，日時区分ｋ）の和、からなり、ここで、継続時間（ジャンルｉ，ユーザーｊ，日時区分ｋ）は、前述のように定義される。

それぞれのジャンルのスコアを伴う星の格付けスコアは、そのジャンルのすべての映画についての平均の星の格付けであり、次のように記述できる。
スコア（星の格付けジャンルｉ，ユーザーｊ，日時区分ｋ）＝和（星の格付けジャンルｉ，ユーザーｊ，日時区分ｋ）／和（ジャンルｉの映画の数，ユーザーｊ，日時区分ｋ）

配給業者スコアは、所与の日時区分について、映画を視聴するのに費やした合計時間で、所与の配給業者の映画を視聴するのに費やした時間を割ったものである。各時代のスコアも同様に計算され、
スコア（配給業者ｉ，ユーザーｊ，日時区分ｋ）＝継続時間（配給業者ｉ，ユーザーｊ，日時区分ｋ）／日時区分ｋについての合計映画視聴継続時間、
スコア（時代ｉ，ユーザーｊ，日時区分ｋ）＝継続時間（時代ｉ，ユーザーｊ，日時区分ｋ）／日時区分ｋについての合計映画視聴継続時間、からなる。

さらなる実施形態においては、イベントがプロフィールに加えられるための最短の視聴時間は１秒に設定され（すなわちカットオフなし）、コードで設定可能である。加えて、チャンネルのラインナップに変更がなければユーザーが引き続き適切な推薦を受け取るように、局ＩＤをチャンネル嗜好にリンクさせる。システムがセットトップボックスの局ＩＤに直接アクセスしない場合には、チャンネル情報を独特のキーと組み合わせる。加えて、ジャンル継続時間は、それらがデータリストに現れる順序でプロフィールに記録する際に、重み付けすることができる。

図７に示すように、項目の評価によって、その項目がどれだけ厳密にプロフィールと一致しているかが判断され、その厳密度を表す数値が割り当てられる。通常、その値は、単位を持たず、他の項目での値との関係で意味を持つものである。より高い値が、より厳密な（すなわち「より良い」）一致を意味する。ある項目の合計評価は、そのチャンネルおよびジャンルに対する算出されたマッチング・スコアに基づいて計算される。

評価が生成される前に、推薦するのに不適切であるか、またはユーザーにとって関心がない番組を濾して取り除くいくつかの因子が存在する。一実施形態においては、ジャンル「成人向」の番組は、評価０を与えることができ、推薦されない。番組が、Ｒ指定映画であり、午後８時より前に放送される場合には、評価０を与えてもよい。映画の評価は、番組表のＭＰＡＡ評価フィールドを用いて見出すことができる。番組が「有料番組」である場合は、評価０を与えてもよい。これは、番組表の「番組種別」フィールドから判断することができる。番組の言語が、閾値（０．０５）を上回る言語嗜好をユーザーが有する言語のうちの１つに一致しない場合、その番組に評価０を与えてもよい。所与の日時区分についてのユーザーの「ファーストラン」嗜好がファーストラン閾値（０．６）を上回る場合、この所与の日時区分でのすべての再放送に評価０を与える。所与の日時区分についてのユーザーの「有料」嗜好が有料閾値（０．４）を下回る場合、この所与の日時区分でのすべての有料イベントに評価０を与える。番組がプレミアムチャンネルに存在するものであり、その局に対するユーザーのスコアがゼロである場合には、その番組に評価０を与える。

一般に、特定のユーザーまたは世帯についての番組の評価は、適当な日時区分の番組のジャンルと局とに対応するユーザープロフィールのジャンル・スコアと局スコアとを乗ずることによって算出することができる。この評価は、５段階のプロセスで計算される。映画段階中に、ユーザーが通常見ている局では上映されていないかもしれない映画に対して、評価が生成される。お気に入りの番組段階中には、番組は、カレントの日時区分について、ユーザーの局の嗜好およびジャンル嗜好の両方が一致しなければならない。お気に入りの局段階では、カレントの日時区分からの局スコアを用いて、評価を生成することができる。行動拡張段階では、クラスター化アルゴリズムを用いて、ユーザーが通常は見ない局で存在する、映画でない番組を推薦することができる。穴埋め段階では、平均プロフィールからの局スコアを用いて、評価を生成することができる。評価が確実に番組の関連性を反映するように、いくつかの段階で定数を加える。各段階で、押し上げ係数を、初回または最終回の（映画でない）番組に対して導入する。これは、番組表の「初回最終回」フィールドを調べることで判断することができる。初回または最終回の番組は、それらが既にゼロでない評価を有している場合に、それらの評価に０．２を加えることによって、それらの評価を押し上げる。ユーザーの関心と一致しない番組の初回または最終回は、押し上げがなされない。

番組が複数のジャンルを有する場合には、これらのジャンルは、一連の個々のジャンル（「アクション」、「冒険」、「コメディ」）として扱ってもよく、または、それらは、複合ジャンル（「アクション冒険コメディ」）として、またはその両方の組み合わせ（「アクション」、「冒険」、「コメディ」、「アクション冒険コメディ」）として扱ってもよい。簡単のため、またスペースを節約するためには、これらのジャンルのそれぞれを別々に扱う。そこで、挙げられた最初のジャンルは、概して、その番組を最もよく表現するものであり、挙げられた２番目のジャンルが２番目によいものである等である。これを明らかにするために、リストにおける位置に対応するジャンルの指標を生成することができる。この指標を用いて、そのジャンルが番組の評価にどれだけ寄与するかの重み付けをすることができる。そして、ジャンル・スコアは、番組評価に対して以下のように寄与する。
すべてのｋについて、番組評価のジャンル部分＝（番組ジャンル・スコアｋ）×（ユーザージャンル・スコアｋ）で、ここで、番組ジャンル・スコアｋ＝（カレントの番組についてのジャンル数−カレント・ジャンルの指標＋１）／（カレントの番組のすべてのジャンルについての指標の和）であり、ユーザースコアｋ＞閾値であり、ジャンルｋは、カレントの番組のジャンルである。
すべてのｋについて、番組評価の局部分＝（ユーザーの局スコアｋ）で、ここで、ユーザーの局スコアｋ＞閾値であり、局ｋは、カレントの番組の局である。局スコアおよびジャンル・スコアの両方について、カレント閾値は０．０５である。

次に、お気に入り番組段階については、評価は、
番組評価＝２＋（ジャンル部分×１／４）＋（局部分×３／４）であり、ここで、各部分は、カレントの番組が放送されている日時区分に対応する、ユーザーの日時区分プロフィールを用いて計算される。この第１段階は、最も頻繁にユーザーが見る番組を推薦するようになっている。この段階は、すべての非映画番組にあてはまる。番組が映画であり、ユーザーが閾値を上回る映画嗜好を有している場合には、次の段階で評価される。

カレントの日時区分において閾値を上回る映画嗜好をユーザーが有している場合に、映画段階が行われうる。この段階は、ユーザーが通常は見ない局での映画に対する推薦を行うのを可能とするものである。この場合、ユーザーの映画プロフィールを、問題の日時区分に対して用いることができる。この評価は、配給業者、時代およびジャンルのスコアから生成され、また星のスコアをフィルターとして用いる。通常のプロフィールからの局スコアを、押し上げメカニズムとして利用する。

星のフィルターは、以下のようにして作用する。映画は、その映画のジャンルに対するユーザーの評価スコアを、星の半分を超える分だけ下回る星の格付けを含む場合、推薦されない。
番組評価＝１＋（（（ジャンル部分）＋（時代スコア）＋配給業者スコア））／３）であり、ここで、ジャンル部分は、上述の非映画番組に対するジャンル部分と同様の方法で計算される。

ユーザーがカレントの日時区分について閾値を上回るスコアを有している局で映画が行われている場合、１を加えることで、その番組評価が押し上げられる。これにより、この番組評価が、お気に入り番組段階で生成された番組評価と同じ水準に置かれる。

このプロセスのお気に入り局段階では、第１段階中に評価を受けなかった番組は、ユーザーが彼らの日時区分プロフィールにおいて閾値を上回るスコアを有する局とその番組の局が一致する場合に、評価が与えられる。
番組評価＝１＋局部分であり、ここで、局部分は、番組が評価されている日時区分に対応する、ユーザーの日時区分プロフィールを用いて計算される。値１は、この段階で生成される評価が、最後の段階で生成される評価よりも常に確実に高くなるように、この式の中に入れられている。この段階は、所与の日時区分について、ユーザーのお気に入りの局の番組を推薦するようになっている。この番組は、そのユーザーが以前に見たかもしれないし、見ていないかもしれない。

行動拡張段階では、クラスター化を利用して、ユーザーが見たことのない局での非映画番組を推薦する。すべての局は、ひと月分のＴＭＳデータにわたってのそれらの局で利用可能なコンテンツの種類に基づいて、クラスター化される。各クラスターは、クラスターの質を確保するために、テレビのエキスパートのグループを利用してさらに洗練される。評価は、カレントの日時区分について、ユーザーの局スコアに基づいて生成される。０．１のクラスター閾値を上回るすべての非ネットワーク局のスコアを用いて、同じクラスター内の新しい局に対する評価を生成する。０．１を上回るスコアを有する局は、式の中で「理想的な局」と称する。多くの場合、それぞれのクラスター内に多くの局が存在するため、それらから選択するところの多くの番組が存在しうる。新しい番組と古い番組との間の慎重なバランスを維持するために、１つの番組を、推薦するのに所与のクラスターから選ぶことができる。この番組は、その日時区分について、閾値（０．０５）を下回るユーザースコアを有する局の中から選択され、すなわち、その局は、この日時区分の間にそのユーザーがめったに視聴してこなかった局である。プロセスのこの部分はフィードバックを利用している。この行動拡張評価プロセスが最初に行われるとき、ユーザーがそれまで見たことがなかった、またはめったに見なかった局が、その番組のジャンル・スコアに基づいて選択される。新しい局が推薦されるたびに、それが選択されたという記録が保存される。次にシステムが評価のこの段階にきたときには、視聴されたことがなかった局（局スコアが閾値を下回っている）、そして、以前にリミット（現在５に設定されている）よりも多く推薦されていない局だけが選択される。これらの利用可能な局のうち、最も高いジャンル・スコアを有する番組が選択される。同点があれば、番組はランダムに選択される。ゼロより大きく、また１より大きなある程度の推薦回数である局スコア閾値を用いることによって、見られたことがない局にではなく、むしろ定期的に見られている番組であることに基づいて推薦が生成されるというところまで、新しい局についての評価がこれにより高められる。このようにして、行動に影響を与え、局を「見られたことがない」から「定期的に視聴される」へと移すことができる。番組に対する評価は、番組のジャンル・スコアおよび理想的な局の局スコアを用いて生成する。
番組評価＝１＋（ジャンル部分×１／４）＋（理想的な局部分×３／４）であり、これらの部分は、カレントの番組が放送されている日時区分に対応するユーザーの日時区分プロフィールと、理想的な局部分＞０．２とを用いて計算され、選択される番組の局は、閾値を下回る局スコアを有しており、リミットよりも多くは推薦されていないものである。

プロセスの穴埋め段階では、最初の２段階の間に評価を受けなかった番組が、ユーザーが彼らの平均プロフィール（日時区分０）において閾値を上回るスコアを有する局にその番組の局が一致する場合に、評価を与えられる。
番組評価＝局部分であり、ここで、局部分は、ユーザーの日時区分０のプロフィールを用いて計算される。

この最後の段階では、すべての日時区分にわたって、ユーザーのお気に入りの局の番組が推薦される。番組は、ユーザーが以前に視聴したものの場合も、視聴したことのないもの場合もある。このすべての後に、まだ十分な評価がなければ、格付けをするものは、この問題についても、番号順に列挙された残りのチャンネルで、残りの溝を埋めることで対処する。

ニューラルネットワーク
図１および図９を参照すると、ニューラルネットワークは、複数のユーザー入力パターン・プロフィールを生成し、マッチングに基づいてカレントユーザーを識別することができ、例えば、番組「大きな青い家の熊（Bear in the Big Blue House）」の視聴は、世帯内に幼児がいることを示しうるものである。「大きな青い家の熊」の平均的な視聴者が以下の人口統計的値を有するとする。すなわち、男＝０．３７４、女＝０．６２６、０〜１２才＝０．６２４、１３〜１７才＝０．０１４、１８〜２０才＝０．０３６、２１〜２４才＝０．０４１、２５〜３４才＝０．１２６、３５〜４９才＝０．０８１、５０〜５４才＝０．０２２、５５〜６４才＝０．０３９、６５才以上＝０．０１９である。「大きな青い家の熊の視聴は、その世帯には少なくとも１人の女性と、１２才未満の子供とが含まれることの証拠を提供するものであろう。唯一他に考えられる人口統計的指標は、２５〜３４才＝０．１２である。この人口統計的値がそのサンプルに対する平均よりも大きい場合に、この番組の視聴は、その世帯に１人の大人がいることをも示しうると結論付けられるかもしれない。親のいない世帯に子供が住んでいることはめったにないという事実と組み合わせると、この１つの視聴情報から、その世帯には１２才未満の子供１人と、２５〜３４才の間の大人１人とが含まれていると結論しうる。加えてその親は、その番組についての高い女性評価を考えると、母親である可能性が最も高い。

図９を参照すると、プロフィール・データを処理するためのニューラルネットワーク７００が描かれている。ニューラルネットワーク７０は３つの層を含みうる。第１層７８０は、代表的な人口統計的カテゴリーに対応するノード７８０．１〜７８０．ｎを有する入力層である。図９により示される実施形態においては、「ｎ」は１桁または２桁の整数を表しうるものである。しかし、他の状況では、「ｎ」は限定のない数のノードをも表しうるものである。

第１層７８０のノード７８０．１〜７８０．ｎは、それぞれの人口統計的カテゴリー内において完全に循環的である（各ノードがすべての他のノードに接続されている）。これは、カテゴリー内で、ノードが互いに匹敵することを意味している。興奮性入力を受け取ったノードは、最も大きな興奮を受け取ったノードだけがアクティブのままでいて、それらの活性をニューラルネットワーク７００の第２層７９０に広げることができるように、隣接するノードの活性を抑える。

一例として、ネットワークの第２層７９０は、年齢およびジャンルの組み合わせに対応するノード７９０．１〜７９０．８を含み、すなわち、男の子、女の子、若い男性、若い女性、男性、女性、高齢の男性、高齢の女性等である。第２層７９０は、レベル１で利用可能なデータの細分性によって、より多くのノードまたはより少ないノードを含んでいてもよい。したがって、より細かい細分性をもつより多くの年齢グループが第１層７８０に存在する場合には、第２層７９０により多くの分類ノードが存在しうる。第２層のノード７９０．１〜７９０．８もまたカテゴリー内で完全に循環的である。

第２層７９０のノードは、すべての他のノードへの抑制的な接続を備えている。しかし、第１層７８０の抑制的な接続とは異なり、第２層７９０での接続は、ネットワークの訓練を通して刈り込みがなされる。ニューラルネットワーク７００が訓練を受けるにしたがって、ネットワークは、第２層７９０の分類の多くが互いに競合しないことを学習する。例えば、世帯内に１人の男の子がいることの証拠は、女の子がいることの否定的な証拠にはならず、なぜなら、同じ世帯内に男の子と女の子の両方を同時に存在させることは可能だからである。したがって、訓練中に、男の子と女の子との間の抑制的な接続は刈り込まれる。しかし、他の分類との抑制的な接続は存在し続けうる。

図９に示すように、第３層７５０が、第２層７９０から入力を受け取る関係層として存在し、世帯の構成員の間で生じる関係の証拠を記憶している。第３層７５０は、結果として得られる関係、すなわち、「親」とラベル付けされたノード７５２で表される親−子供（子供を持つことなしに親にはなり得ないため）といったものを描くものである。第２層７９０の代表的なノード７９０．１〜７９０．８が、男性または女性ノードおよび男の子または女の子ノードに対して強い興奮を有するものである場合、第３層７５０の親関係ノードがアクティブとなる。かわりに、第２層７９０だけが存在する場合には、すべての構成員をデータベースにプリントアウトし、その構成員のデータベースに基づいて何人の親が存在するかを判断することもできる。

ニューラルネットワーク７００内の横の接続およびフィードフォワード接続に加えて、フィードバック接続も存在する。例えば、親−子供ノードが一度アクティブとなったら、このノードは、第２層７８０における対応する分類にフィードバックを送り、接続を強化する。さらに、第２層のノード７９０．１〜７９０．８は、「大人の男性」という一般的な分類よりもより精密に年齢計算を行うことを可能とする、第１層７８０への接続を有している。

ニューラルネットワークを利用した実施例
図６および図９を参照して、訓練されたバージョンのニューラルネットワーク７００が新しい世帯のプロファイリング・エンジンに組み込まれているとする。この新しい家庭において、視聴イベントは番組「大きな青い家の熊」を見ることである。前と同じデータを用いると、「女性」、「０〜１２」、および「２５〜３４」に対応する第１層７８０のノードが興奮状態になる。「０〜１２」および「２５〜３４」のノードの間での抑制のレベルに応じて、ノードは両方ともアクティブのままでいるかもしれないし、または「０〜１２」のノードだけがアクティブのままでいるかもしれない。本実施例のために、両方のノードがアクティブのままでいるとする。第２層９０で、「女の子」および「女性」のノードがアクティブとなり、今度はそれらのノードが、「親」ノード７５２と一致する第３レベル１００の関係ノードをアクティブにする。

次の視聴イベントは「経済ニュース」で、人口統計的値は、男＝０．８２、女＝０．１８、０〜１２＝０、１３〜１７＝０、１８〜２０＝０．０１、２１〜２４＝０、２５〜３４＝０．８８、３５〜４９＝０．０２、５０〜５４＝０、５５〜６４＝０、６５以上＝０．０８であるとする。本実施例では、第１層７８０で「男」および「２５〜３４」のノードがアクティブとなり、第２層７９０で「男性」ノードを刺激し、これが今度は、前の子供の証拠に基づいて、第３層７５０で「親」ノード７５２を刺激するであろう。こうして、２つの視聴イベントの後、この家庭は、母親、父親および幼女を有していることが今や明らかとなる。

ニューラルネットワーク７００は、常に走っているもので、絶えず、視聴データが入って来るとそれを調べ、世帯プロフィールを更新する。世帯が加齢してゆき、構成員の人口統計データが変化するにつれて、世帯プロフィールを更新してそれらの変化を反映する。

ニューラルネットワークに対する他のアプローチにおいては、ベイズ分類アルゴリズムを用いることができ、これは、ベイズ分類アルゴリズムのパフォーマンスが、ニューラルネットワークまたは決定木のものと同等であることが明らかとなってきたからである。本実施形態においては、新しいユーザー入力パターン・プロフィールのインスタンスは、ベイズ分類アルゴリズムによって、事後確率で重み付けされたすべてのユーザー入力パターン・データの仮説の予測を組み合わせることによって分類される。本実施形態においては、所与のインスタンスは世帯Ｘであり、１つの考えうる仮説は、世帯Ｘが２５才から３４才までの間の人を含むというものであろう。他の仮説は、他の年齢グループに対応するものであろう。それぞれの年齢グループについて、ベイズ分類アルゴリズムは、Ａ．Ｃ．ニールセンのデータまたは他のサンプル視聴者に基づく条件付き確率の推定を含むものである。

図９を参照して、上で説明した前のニューラルネットワークの例には、「経済ニュース」を見た世帯が２５才から３４才までの間の人を持つ条件付き確率は０．８８である（数学的にはＰ（２５_３４／経済ニュース）＝０．８８と表される）ということが含まれていた。

そして、ニューラルネットワークが通常の世帯構成における関係を捉えるための層を有するのとほとんど同じように、ベイズ分類アルゴリズムを用いて、上記の条件付き確率は、国勢調査データから得られた世帯構成の既知の確率に基づいて情報を追加することによって精度を高めることができる。したがって、ユーザー入力パターン・データまたはユーザー視聴パターンに基づいて、その世帯に０才から５才までの間の人がいる確率が高い場合には、この情報を国勢調査データからの条件付き確率と組み合わせて（Ｐ（２４_３５／０_５）＝０．５８）とし、その世帯に２４才から３５才までの間の大人がいる確率を算出することができる。

誰がコンテンツを見ているかの判断
図１および図６を参照すると、ニューラルネットワーク４５４、クリックストリーム・アルゴリズム４５５、トラッキング・アルゴリズム４５６、融合アルゴリズム４５７、ベイズ分類アルゴリズム４５８、または嗜好−日時区分アルゴリズム４６０により、世帯の信頼できる表示が生成される（例えば、これは約４０時間の視聴の後に現れうる）。ニューラルネットワーク４５４、クリックストリーム・アルゴリズム４５５、トラッキング・アルゴリズム４５６、ベイズ分類アルゴリズム４５８、または嗜好−日時区分アルゴリズム４６０によって算出される世帯情報は、融合アルゴリズム４５７を用いてクリックストリーム・データおよび生物統計学的データと組み合わせて、どの世帯構成員がそれぞれの番組を見たかを判断することができる。図６に示すように、プロファイリング・エンジン４５２は、視聴イベントまたはウェブサイトの使用等のユーザー入力データを受け取り、このユーザー入力データを、ニューラルネットワーク４５４、クリックストリーム・データ４５５、トラッキング・アルゴリズム４５６、ベイズ分類器４５８、または嗜好−日時区分アルゴリズム４６０に送り、同時に、プロフィール・データベース４６２に世帯のプロフィールを構築する。融合アルゴリズム４５７は、前に詳しく取り上げたように、視聴イベントおよびウェブサイトの使用の両方を処理して、ユーザー入力パターン・プロフィールを生成することができる。

本発明は、視聴の週を日時区分に分割し、それぞれの区分について、複数のプロフィールを生成するプロファイリング手法を用いることができる。日時区分の一例は、日曜日〜木曜日の午後８時〜午後１１時と範囲が定められる平日プライムタイムであろう。特定の日時区分は、すべてのパターンを見るのではなくこれらの日時区分での視聴を分析することによって世帯構成を決定するより良い確率を与える様々な年齢グループ（子供および大人）が見る番組に、明確な相違を有している。例えば、朝の日時区分は、２つの異なるグループが見る２つの異なる種類の番組、すなわち、子供が見るアニメーションおよび子供ショーと、大人が見るニュース番組とで占められている。

図１、図４および図６を参照すると、ユーザーによりなされた番組の要求に対する人口統計的値が既存のユーザープロフィールと一致した場合に、一致した番組要求とユーザープロフィールとを組み合わせて、平均化アルゴリズムを用いて、更新された推測ユーザープロフィールが生成される。しかし、番組要求についての人口統計データが、同じ日時区分について、既存のプロフィールのいずれにも一致しなかった場合、カレントの日時区分について、新しいプロフィールが生成される。例えば、その世帯が視聴する最初の番組が、番組の人口統計的値が上で与えられた、月曜日午前８時に２３分間の「大きな青い家の熊」であるとする。その番組と同じプロフィールを含む以下の新しいプロフィールが作成される。

本実施例を続けて、次の視聴される番組が、番組の人口統計的値が上で与えられた、火曜日午前７時に２０分間の「経済ニュース」であるとする。この場合、カレントの情報は、その日時区分について、既存のプロフィールと一致せず、以下の表５に示すように、以下の新しいプロフィールが生成されるであろう。

カレントの情報が既存の番組と一致した場合、既存のユーザープロフィール・データとカレントの視聴セッションにおいて集められたデータとの重み付けされた平均を与える、図６に示すニューラルネットワーク４５４、クリックストリーム・アルゴリズム４５５、トラッキング・アルゴリズム４５６、ベイズ分類アルゴリズム４５８、または嗜好−日時区分アルゴリズム４６０を用いて、プロフィールが更新される。例えば、新しいユーザープロフィール・データは、視聴継続時間を乗じた既存のユーザープロフィール・データと、カレントの視聴継続時間を乗じた新しいデータとの和を、合計視聴継続時間で割ったものに等しい。結果として得られる新しいユーザープロフィールは、以下で表すことができる。

新しいユーザープロフィール＝（既存のユーザープロフィール×視聴継続時間＋カレントの人口統計データ×カレントの視聴継続時間）／（合計視聴継続時間）

ふたたび図６を参照すると、例えばＡ．Ｃ．ニールセンから入手可能なテレビジョン番組プロフィールが、ローカルの分類された番組データベース４６４内に記憶される。本発明の一実施形態においては、データベースは、その番組のニールセン・データが特定の年齢グループや性別グループをよく示しているところの番組の、選択的に選ばれたリストを含むものである。このリストは、それがどのような特定の年齢または性別のグループにも偏らないようにバランスが取られている（すなわち、１００の番組のリストが、「男性的」を指示するものである７０の番組を有している場合には、過度の割合の生成プロフィールが男性となるであろう）。

他の実施形態においては、本発明は、それぞれの人口統計的カテゴリーについて視聴継続時間をトラッキングしてもよく、なぜなら、分類された番組データベース４６４が、特定の人口統計的カテゴリーを示すにすぎない番組を含むからであり、例えば、世帯が、性別を示すのみで年齢ははっきりしないデータベース内の番組を見る場合がある。この場合には、プロフィールの年齢部分だけが更新され、他の部分は不変のままである。

記憶されたプロフィールを有する番組のそれぞれの視聴について、番組プロフィールが平均され、ユーザーのプロフィールへと組み合わされる。プロフィールは、テレビジョン番組にアクセスした世帯にその人口統計的カテゴリーの構成員がいる確率を反映する、それぞれのカテゴリーにおける評価を含んでいる。所与の情報が既存のプロフィールと一致したときの更新の例を以下の表６に与える。本実施例では、世帯のプロフィールが、今のところ前の表のものと同じであり、また、世帯が、１７分間の「ウィニーザプーの冒険（Adventures of Winnie the Pooh）」を視聴しかつ以下の人口統計データを有しているとする。すなわち、男＝０．４０、女＝０．６０、０〜１２才＝０．６４、……、２５〜３４才＝０．０８……である。本実施例に関しては、カレント・データがユーザー１のプロフィールと一致し、そのプロフィールは、以下の表６のように更新されるであろう。

本発明を継続的に使用することで、図６のプロフィール・エンジン４５２は、複数のプロフィールを生成する。同時に、ニューラルネットワーク４５４、クリックストリーム・アルゴリズム４５５、トラッキング・アルゴリズム４５６、ベイズ分類アルゴリズム４５８、または嗜好−日時区分アルゴリズム４６０が、世帯構成の判断を続け、これにより、プロフィール・エンジンが、世帯構成と一致しないすべてのプロフィールを刈り込むことが可能とされる。本発明の次のステップは、クリックストリーム行動および生物統計学的データ等のユーザー入力パターン・データを用いてこれらの個々のプロフィールを組み合わせ、その時々でどのプロフィールがアクティブであるかを判断することである。

生物統計学的な手法に基づいて、人口統計上の境界に沿って位置する、例えばリモートコントロールの使用法における明確な相違が存在することが知られている。生物統計学は、ボタンを押すイベントが発生する頻度を用いて男性と女性を区別することができることを実証している。例えば、男性のユーザーは、女性よりも非常に高い頻度でリモートコントロールのボタンを押す。また、リモートコントロールのボタンを押す速さによっても、世帯内の各構成員の相対的な年齢が見分けられる。加えて、ボタンを押すときと放すときとの間の経過時間は、子供および十代については非常に短く、それから、中年および老年の大人についてである。

これらの相違を以下の表７および表８に表す。

我々の今の例を続けて、平日午前６時〜９時の日時区分について２つだけ異なるプロフィールが存在し、一方が２５才から３４才までの間の男性で、一方が０才から１２才までの間の女性であるとする。視聴イベントが、平日の間の午前６時〜９時の時間に発生する場合、その視聴イベントは、この時間について存在することが知られている２つのプロフィールのうちの一方に属すると仮定することができる。したがって、一つの日時区分について２つの異なるプロフィールが知られており、一方のプロフィールが大人の男性で、他方のプロフィールが女の子である場合、対応する視聴セッション中に、ボタンを押す速さの相違が存在するであろう。

図６を参照するが、所与の番組の視聴中に、視聴者を判断するために十分なクリックストリーム・イベントが存在しない場合がある。この場合、プロフィール・エンジン４５２は、番組毎にではなく、１つの視聴セッションの最初から最後までクリックストリーム・イベントを処理してもよい。いくつかの番組の視聴セッションを処理することで、生物統計学を有効に利用するのに十分な量のクリックストリーム・イベントが生ずるであろう。

生物統計学的データの適用に加えて、他のデータが、プロフィール・エンジン４５２により処理され、図６に描かれた分類された番組データベース４６４内に存在してもよく、これにより、本発明のシステムおよび方法がユーザー間を区別できるようになる。例えば、ニュース番組が視聴されているとすると、大人の男性がその視聴を行っており、女の子ではない。世帯の異なる構成員が見ている時間の割合を正確に反映する日時区分プロフィールを用いることにより、本発明のシステムおよび方法は、その時々で世帯のどの構成員が見ているかを予測することができる。

さらなる実施例においては、本発明は、日時区分プロフィールにおける確率を用い、番組の視聴者の割合を割り当てることによって、全視聴者の測定の精度向上を達成する。例えば、番組が放送される日時区分のプロフィールが、男性＝０．７５、女性０．２５であったとする。番組の性別視聴者の計数処理は、男性のカウントに対する視聴継続時間×０．７５と、女性のカウントに対する視聴継続時間×０．２５とでインクリメントされる。

重み付け係数
本発明のシステムの他の態様では、同じタイプの２人のユーザー間を区別するために、重み付け係数を視聴者の分析に適用する。例えば、ある世帯がそれぞれ５才と７才の２人の男の子を含んでいる場合に、プロフィール・エンジンは、その世帯において１人の男の子だけを認識したかもしれない。この実際より少なく数えることは、既知の人口統計的値を有するユーザーのサンプルから導き出される重み付け係数を用いることにより回避される。このサンプルに基づいて、実際より少なく数える量を計算し、概してその母集団について正確な視聴者分析結果を生成するために、重み付け係数として用いることができる。そのような重み付け方式の実施は、視聴者測定の技術分野における当業者には容易に理解されるであろう。

本発明は、上述の実施例によって限定されるものではなく、説明した実施形態の改変形態を用いることができる。先に言及したように、ニューラルネットワークおよびプロフィール・エンジンが用いるカテゴリーの細分性は、必要に応じて調節することができる。加えて、Ａ．Ｃ．ニールセン／ニールセンメディアリサーチから得られる、またはＭＳＯからユーザーの副次標本によって生成される人口統計データは、年齢および性別の判断を助けるための、ジャンルデータやＭＰＡＡの評価等の他の番組データで置き換えてもよい。

加えて、本システムは、全体としてでも、一部においても実施することができる。ニューラルネットワークのみを用いて、全体としてのシステムによって生成される個人レベルのデータではなく、世帯レベルで視聴者分析結果を生成することができる。加えて、あらゆるこれらの組み合わせを用いて、視聴者分析結果を生成することもできる。

本発明による方法のフローチャートである。 コンテンツ配信システムが描かれている。 本発明によるテレビジョン・コンテンツ配信システムを示している。 本発明による、カレント・クリックストリームを記憶されたクリックストリームとマッチングするためのアルゴリズムを示すフローチャートである。 本発明による融合アルゴリズムを示すフローチャートである。 本発明による、プロフィール・エンジンを備えたコンテンツ配信システムを示している。 本発明による嗜好−日時区分アルゴリズムを示すフローチャートである。 本発明による、嗜好−日時区分アルゴリズムの更新を描いたフローチャートである。 本発明によるニューラルネットワークの機能構造が描かれている。

Claims (42)

1. 端末装置のユーザーの一グループを表す複数のユーザー入力パターン・プロフィールを含み、前記グループの各ユーザーが、前記複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられているデータベースを提供する、ステップと、
   カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出するステップと、
   前記カレントユーザーの前記ユーザー入力パターンを、前記データベースに含まれる前記ユーザー入力パターン・プロフィールのうちの１つと動的にマッチングするステップと、
   前記カレントユーザーにより生成される前記ユーザー入力パターンの、前記ユーザー入力パターン・プロフィールのうちの１つとの動的なマッチングに基づいて、前記カレントユーザーを識別するステップと、
   各ユーザー入力パターン・プロフィールを処理して人口統計上のタイプを特定するステップと、
   独特の人口統計上のタイプが各生物統計学的行動モデルにより特定される、複数の生物統計学的行動モデルを提供するステップと、
   各ユーザー入力パターン・プロフィールが１つの人口統計上のタイプと相関させられるように、各ユーザー入力パターン・プロフィールを前記生物統計学的行動モデルのうちの１つとマッチングするために、各ユーザー入力パターン・プロフィールを前記複数の生物統計学的行動モデルと比較するステップと、
   前記特定された人口統計上のタイプに基づいて視聴者分析結果を生成するステップと
   を含む視聴者分析結果生成方法。
2. 端末装置のユーザーの一グループを表す複数のユーザー入力パターン・プロフィールを含み、前記グループの各ユーザーが、前記複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられているデータベースを提供するステップと、
   クリックストリーム・アルゴリズムを用いて前記複数のユーザー入力パターン・プロフィールを生成するステップと、
   カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出するステップと、
   前記カレントユーザーの前記ユーザー入力パターンを、前記データベースに含まれる前記ユーザー入力パターン・プロフィールのうちの１つと動的にマッチングするステップと、
   前記カレントユーザーにより生成される前記ユーザー入力パターンの、前記ユーザー入力パターン・プロフィールのうちの１つとの動的なマッチングに基づいて、前記カレントユーザーを識別するステップと、
   各ユーザー入力パターン・プロフィールを処理して人口統計上のタイプを特定するステップと、
   独特の人口統計上のタイプが各生物統計学的行動モデルにより特定される、複数の生物統計学的行動モデルを提供するステップと、
   各ユーザー入力パターン・プロフィールが１つの人口統計上のタイプと相関させられるように、各ユーザー入力パターン・プロフィールを前記生物統計学的行動モデルのうちの１つとマッチングするために、各ユーザー入力パターン・プロフィールを前記複数の生物統計学的行動モデルと比較するステップと、
   前記特定された人口統計上のタイプに基づいて視聴者分析結果を生成するステップと
   を含む視聴者分析結果生成方法。
3. 端末装置のユーザーの一グループを表す複数のユーザー入力パターン・プロフィールを含み、前記グループの各ユーザーが、前記複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられているデータベースを提供するステップと、
   トラッキング・アルゴリズムを用いて前記複数のユーザー入力パターン・プロフィールを生成するステップと、
   カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出するステップと、
   前記カレントユーザーの前記ユーザー入力パターンを、前記データベースに含まれる前記ユーザー入力パターン・プロフィールのうちの１つと動的にマッチングするステップと、
   前記カレントユーザーにより生成される前記ユーザー入力パターンの、前記ユーザー入力パターン・プロフィールのうちの１つとの動的なマッチングに基づいて、前記カレントユーザーを識別するステップと、
   各ユーザー入力パターン・プロフィールを処理して人口統計上のタイプを特定するステップと、
   独特の人口統計上のタイプが各生物統計学的行動モデルにより特定される、複数の生物統計学的行動モデルを提供するステップと、
   各ユーザー入力パターン・プロフィールが１つの人口統計上のタイプと相関させられるように、各ユーザー入力パターン・プロフィールを前記生物統計学的行動モデルのうちの１つとマッチングするために、各ユーザー入力パターン・プロフィールを前記複数の生物統計学的行動モデルと比較するステップと、
   前記特定された人口統計上のタイプに基づいて視聴者分析結果を生成するステップと
   を含む視聴者分析結果生成方法。
4. 端末装置のユーザーの一グループを表す複数のユーザー入力パターン・プロフィールを含み、前記グループの各ユーザーが、前記複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられているデータベースを提供するステップと、
   ニューラルネットワークを用いて前記複数のユーザー入力パターン・プロフィールを生成するステップと、
   カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出するステップと、
   前記カレントユーザーの前記ユーザー入力パターンを、前記データベースに含まれる前記ユーザー入力パターン・プロフィールのうちの１つと動的にマッチングするステップと、
   前記カレントユーザーにより生成される前記ユーザー入力パターンの、前記ユーザー入力パターン・プロフィールのうちの１つとの動的なマッチングに基づいて、前記カレントユーザーを識別するステップと、
   各ユーザー入力パターン・プロフィールを処理して人口統計上のタイプを特定するステップと、
   独特の人口統計上のタイプが各生物統計学的行動モデルにより特定される、複数の生物統計学的行動モデルを提供するステップと、
   各ユーザー入力パターン・プロフィールが１つの人口統計上のタイプと相関させられるように、各ユーザー入力パターン・プロフィールを前記生物統計学的行動モデルのうちの１つとマッチングするために、各ユーザー入力パターン・プロフィールを前記複数の生物統計学的行動モデルと比較するステップと、
   前記特定された人口統計上のタイプに基づいて視聴者分析結果を生成するステップとを含む視聴者分析結果生成方法。
5. 端末装置のユーザーの一グループを表す複数のユーザー入力パターン・プロフィールを含み、前記グループの各ユーザーが、前記複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられているデータベースを提供するステップと、
   ベイズ分類アルゴリズムを用いて前記複数のユーザー入力パターン・プロフィールを生成するステップと、
   カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出するステップと、
   前記カレントユーザーの前記ユーザー入力パターンを、前記データベースに含まれる前記ユーザー入力パターン・プロフィールのうちの１つと動的にマッチングするステップと、
   前記カレントユーザーにより生成される前記ユーザー入力パターンの、前記ユーザー入力パターン・プロフィールのうちの１つとの動的なマッチングに基づいて、前記カレントユーザーを識別するステップと、
   各ユーザー入力パターン・プロフィールを処理して人口統計上のタイプを特定するステップと、
   独特の人口統計上のタイプが各生物統計学的行動モデルにより特定される、複数の生物統計学的行動モデルを提供するステップと、
   各ユーザー入力パターン・プロフィールが１つの人口統計上のタイプと相関させられるように、各ユーザー入力パターン・プロフィールを前記生物統計学的行動モデルのうちの１つとマッチングするために、各ユーザー入力パターン・プロフィールを前記複数の生物統計学的行動モデルと比較するステップと、
   前記特定された人口統計上のタイプに基づいて視聴者分析結果を生成するステップと
   を含む視聴者分析結果生成方法。
6. 端末装置のユーザーの一グループを表す複数のユーザー入力パターン・プロフィールを含み、前記グループの各ユーザーが、前記複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられているデータベースを提供するステップと、
   嗜好−日時区分アルゴリズムを用いて前記複数のユーザー入力パターン・プロフィールを生成するステップと、
   カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出するステップと、
   前記カレントユーザーの前記ユーザー入力パターンを、前記データベースに含まれる前記ユーザー入力パターン・プロフィールのうちの１つと動的にマッチングするステップと、
   前記カレントユーザーにより生成される前記ユーザー入力パターンの、前記ユーザー入力パターン・プロフィールのうちの１つとの動的なマッチングに基づいて、前記カレントユーザーを識別するステップと、
   各ユーザー入力パターン・プロフィールを処理して人口統計上のタイプを特定するステップと、
   独特の人口統計上のタイプが各生物統計学的行動モデルにより特定される、複数の生物統計学的行動モデルを提供するステップと、
   各ユーザー入力パターン・プロフィールが１つの人口統計上のタイプと相関させられるように、各ユーザー入力パターン・プロフィールを前記生物統計学的行動モデルのうちの１つとマッチングするために、各ユーザー入力パターン・プロフィールを前記複数の生物統計学的行動モデルと比較するステップと、
   前記特定された人口統計上のタイプに基づいて視聴者分析結果を生成するステップと
   を含む視聴者分析結果生成方法。
7. 前記カレントユーザーの前記ユーザー入力パターンがクリックストリーム・データを含む、請求項１〜６のいずれか１項に記載の方法。
8. 前記クリックストリーム・データが、前記ユーザーが訪れた特定のウェブサイト、または前記ウェブサイトへの訪問継続時間に関係する、請求項７に記載の方法。
9. 前記データベース提供ステップが、各ユーザーについて１つのユーザー入力パターン・プロフィールを、前記端末装置が使用されたときに前記ユーザーが生成するクリックストリーム・データに基づいて生成するステップを含む、請求項１〜６のいずれか１項に記載の方法。
10. 前記ユーザー入力パターンがユーザーのキーストローク・データを含む、請求項１〜６のいずれか１項に記載の方法。
11. 前記キーストローク・データが連字間隔データを含む、請求項１０に記載の方法。
12. 前記ユーザー入力パターンがユーザーのマウス使用データを含む、請求項１〜６のいずれか１項に記載の方法。
13. 前記ユーザー入力パターンがユーザーのリモートコントロール使用データを含む、請求項１〜６のいずれか１項に記載の方法。
14. 前記端末装置がコンピュータを備える、請求項１〜６のいずれか１項に記載の方法。
15. 前記端末装置がテレビジョン・セットトップボックスを備える、請求項１〜６のいずれか１項に記載の方法。
16. 前記各ステップがコンピュータで実行され、該コンピュータがネットワークを通して前記端末装置と通信する、請求項１〜６のいずれか１項に記載の方法。
17. 前記ネットワークがインターネットを備える、請求項１６に記載の方法。
18. 前記ネットワークがノード・テレビジョン配信ネットワークを備える、請求項１６に記載の方法。
19. カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出するステップが、融合アルゴリズムを用いるステップをさらに含む、請求項１〜６のいずれか１項に記載の方法。
20. 前記動的にマッチングされたユーザー入力パターン・プロフィールに従って、前記カレントユーザーに方向付けされたコンテンツを送信するステップをさらに含む、請求項１〜６のいずれか１項に記載の方法。
21. 前記動的にマッチングされたユーザー入力パターン・プロフィールに従って、前記カレントユーザーに方向付けされた広告を送信するステップをさらに含む、請求項１〜６のいずれか１項に記載の方法。
22. 端末装置のユーザーの一グループを表す複数のユーザー入力パターン・プロフィールを含み、前記グループの各ユーザーが、前記複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられているデータベースを提供する手段と、
    カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出する手段と、
    前記ユーザー入力パターンを検出する手段に反応して、前記カレントユーザーの前記ユーザー入力パターンを、前記データベースに含まれる前記ユーザー入力パターン・プロフィールのうちの１つと動的にマッチングする手段と、
    前記カレントユーザーにより生成される前記ユーザー入力パターンの、前記ユーザー入力パターン・プロフィールのうちの１つとの動的なマッチングに基づいて、前記カレントユーザーを識別する手段と、
    人口統計上のタイプを特定するように各ユーザー入力パターン・プロフィールを処理する手段と、
    独特の人口統計上のタイプが各生物統計学的行動モデルにより特定される、複数の生物統計学的行動モデルを提供する手段と、
    各ユーザー入力パターン・プロフィールが１つの人口統計上のタイプと相関させられるように、各ユーザー入力パターン・プロフィールを前記生物統計学的行動モデルのうちの１つとマッチングするために、各ユーザー入力パターン・プロフィールを前記複数の生物統計学的行動モデルと比較する手段と、
    前記特定された人口統計上のタイプに基づいて視聴者分析結果を生成する手段と
    を備える視聴者分析結果生成システム。
23. 端末装置のユーザーの一グループを表す複数のユーザー入力パターン・プロフィールを含み、前記グループの各ユーザーが、前記複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられているデータベースを提供する手段と、
    クリックストリーム・アルゴリズムを用いて前記複数のユーザー入力パターン・プロフィールを生成する手段と、
    カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出する手段と、
    前記ユーザー入力パターンを検出する手段に反応して、前記カレントユーザーの前記ユーザー入力パターンを、前記データベースに含まれる前記ユーザー入力パターン・プロフィールのうちの１つと動的にマッチングする手段と、
    前記カレントユーザーにより生成される前記ユーザー入力パターンの、前記ユーザー入力パターン・プロフィールのうちの１つとの動的なマッチングに基づいて、前記カレントユーザーを識別する手段と、
    人口統計上のタイプを特定するように各ユーザー入力パターン・プロフィールを処理する手段と、
    独特の人口統計上のタイプが各生物統計学的行動モデルにより特定される、複数の生物統計学的行動モデルを提供する手段と、
    各ユーザー入力パターン・プロフィールが１つの人口統計上のタイプと相関させられるように、各ユーザー入力パターン・プロフィールを前記生物統計学的行動モデルのうちの１つとマッチングするために、各ユーザー入力パターン・プロフィールを前記複数の生物統計学的行動モデルと比較する手段と、
    前記特定された人口統計上のタイプに基づいて視聴者分析結果を生成する手段と
    を備える視聴者分析結果生成システム。
24. 端末装置のユーザーの一グループを表す複数のユーザー入力パターン・プロフィールを含み、前記グループの各ユーザーが、前記複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられているデータベースを提供する手段と、
    トラッキング・アルゴリズムを用いて前記複数のユーザー入力パターン・プロフィールを生成する手段と、
    カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出する手段と、
    前記ユーザー入力パターンを検出する手段に反応して、前記カレントユーザーの前記ユーザー入力パターンを、前記データベースに含まれる前記ユーザー入力パターン・プロフィールのうちの１つと動的にマッチングする手段と、
    前記カレントユーザーにより生成される前記ユーザー入力パターンの、前記ユーザー入力パターン・プロフィールのうちの１つとの動的なマッチングに基づいて、前記カレントユーザーを識別する手段と、
    人口統計上のタイプを特定するように各ユーザー入力パターン・プロフィールを処理する手段と、
    独特の人口統計上のタイプが各生物統計学的行動モデルにより特定される、複数の生物統計学的行動モデルを提供する手段と、
    各ユーザー入力パターン・プロフィールが１つの人口統計上のタイプと相関させられるように、各ユーザー入力パターン・プロフィールを前記生物統計学的行動モデルのうちの１つとマッチングするために、各ユーザー入力パターン・プロフィールを前記複数の生物統計学的行動モデルと比較する手段と、
    前記特定された人口統計上のタイプに基づいて視聴者分析結果を生成する手段と
    を備える視聴者分析結果生成システム。
25. 端末装置のユーザーの一グループを表す複数のユーザー入力パターン・プロフィールを含み、前記グループの各ユーザーが、前記複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられているデータベースを提供する手段と、
    ニューラルネットワークを用いて前記複数のユーザー入力パターン・プロフィールを生成する手段と、
    カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出する手段と、
    前記ユーザー入力パターンを検出する手段に反応して、前記カレントユーザーの前記ユーザー入力パターンを、前記データベースに含まれる前記ユーザー入力パターン・プロフィールのうちの１つと動的にマッチングする手段と、
    前記カレントユーザーにより生成される前記ユーザー入力パターンの、前記ユーザー入力パターン・プロフィールのうちの１つとの動的なマッチングに基づいて、前記カレントユーザーを識別する手段と、
    人口統計上のタイプを特定するように各ユーザー入力パターン・プロフィールを処理する手段と、
    独特の人口統計上のタイプが各生物統計学的行動モデルにより特定される、複数の生物統計学的行動モデルを提供する手段と、
    各ユーザー入力パターン・プロフィールが１つの人口統計上のタイプと相関させられるように、各ユーザー入力パターン・プロフィールを前記生物統計学的行動モデルのうちの１つとマッチングするために、各ユーザー入力パターン・プロフィールを前記複数の生物統計学的行動モデルと比較する手段と、
    前記特定された人口統計上のタイプに基づいて視聴者分析結果を生成する手段と
    を備える視聴者分析結果生成システム。
26. 端末装置のユーザーの一グループを表す複数のユーザー入力パターン・プロフィールを含み、前記グループの各ユーザーが、前記複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられているデータベースを提供する手段と、
    ベイズ分類アルゴリズムを用いて前記複数のユーザー入力パターン・プロフィールを生成する手段と、
    カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出する手段と、
    前記ユーザー入力パターンを検出する手段に反応して、前記カレントユーザーの前記ユーザー入力パターンを、前記データベースに含まれる前記ユーザー入力パターン・プロフィールのうちの１つと動的にマッチングする手段と、
    前記カレントユーザーにより生成される前記ユーザー入力パターンの、前記ユーザー入力パターン・プロフィールのうちの１つとの動的なマッチングに基づいて、前記カレントユーザーを識別する手段と、
    人口統計上のタイプを特定するように各ユーザー入力パターン・プロフィールを処理する手段と、
    独特の人口統計上のタイプが各生物統計学的行動モデルにより特定される、複数の生物統計学的行動モデルを提供する手段と、
    各ユーザー入力パターン・プロフィールが１つの人口統計上のタイプと相関させられるように、各ユーザー入力パターン・プロフィールを前記生物統計学的行動モデルのうちの１つとマッチングするために、各ユーザー入力パターン・プロフィールを前記複数の生物統計学的行動モデルと比較する手段と、
    前記特定された人口統計上のタイプに基づいて視聴者分析結果を生成する手段と
    を備える視聴者分析結果生成システム。
27. 端末装置のユーザーの一グループを表す複数のユーザー入力パターン・プロフィールを含み、前記グループの各ユーザーが、前記複数のユーザー入力パターン・プロフィールのうちの１つと関連付けられているデータベースを提供する手段と、
    嗜好−日時区分アルゴリズムを用いて前記複数のユーザー入力パターン・プロフィールを生成する手段と、
    カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出する手段と、
    前記ユーザー入力パターンを検出する手段に反応して、前記カレントユーザーの前記ユーザー入力パターンを、前記データベースに含まれる前記ユーザー入力パターン・プロフィールのうちの１つと動的にマッチングする手段と、
    前記カレントユーザーにより生成される前記ユーザー入力パターンの、前記ユーザー入力パターン・プロフィールのうちの１つとの動的なマッチングに基づいて、前記カレントユーザーを識別する手段と、
    人口統計上のタイプを特定するように各ユーザー入力パターン・プロフィールを処理する手段と、
    独特の人口統計上のタイプが各生物統計学的行動モデルにより特定される、複数の生物統計学的行動モデルを提供する手段と、
    各ユーザー入力パターン・プロフィールが１つの人口統計上のタイプと相関させられるように、各ユーザー入力パターン・プロフィールを前記生物統計学的行動モデルのうちの１つとマッチングするために、各ユーザー入力パターン・プロフィールを前記複数の生物統計学的行動モデルと比較する手段と、
    前記特定された人口統計上のタイプに基づいて視聴者分析結果を生成する手段と
    を備える視聴者分析結果生成システム。
28. 前記カレントユーザーの前記ユーザー入力パターンがクリックストリーム・データを含む、請求項２２〜２７のいずれか１項に記載のシステム。
29. 前記クリックストリーム・データが、前記ユーザーが訪れた特定のウェブサイト、または前記ウェブサイトへの訪問継続時間に関係する、請求項２８に記載のシステム。
30. 前記データベース提供ステップが、各ユーザーについて１つのユーザー入力パターン・プロフィールを、前記端末装置が使用されたときに前記ユーザーが生成するクリックストリーム・データに基づいて生成するステップを含む、請求項２２〜２７のいずれか１項に記載のシステム。
31. 前記ユーザー入力パターンがユーザーのキーストローク・データを含む、請求項２２〜２７のいずれか１項に記載のシステム。
32. 前記キーストローク・データが連字間隔データを含む、請求項３１に記載のシステム。
33. 前記ユーザー入力パターンがユーザーのマウス使用データを含む、請求項２２〜２７のいずれか１項に記載のシステム。
34. 前記ユーザー入力パターンがユーザーのリモートコントロール使用データを含む、請求項２２〜２７のいずれか１項に記載のシステム。
35. 前記端末装置がコンピュータを備える、請求項２２〜２７のいずれか１項に記載のシステム。
36. 前記端末装置がテレビジョン・セットトップボックスを含む、請求項２２〜２７のいずれか１項に記載のシステム。
37. 前記各ステップがコンピュータで実行され、該コンピュータがネットワークを通して前記端末装置と通信する、請求項２２〜２７のいずれか１項に記載のシステム。
38. 前記ネットワークがインターネットを含む、請求項３７に記載のシステム。
39. 前記ネットワークがノード・テレビジョン配信ネットワークを含む、請求項３７に記載のシステム。
40. カレントユーザーによる前記端末装置の使用に基づいてユーザー入力パターンを検出するステップが、融合アルゴリズムを用いるステップをさらに含む、請求項２２〜２７のいずれか１項に記載のシステム。
41. 前記動的にマッチングされたユーザー入力パターン・プロフィールに従って、前記カレントユーザーに方向付けされたコンテンツを送信するステップをさらに含む、請求項２２〜２７のいずれか１項に記載のシステム。
42. 前記動的にマッチングされたユーザー入力パターン・プロフィールに従って、前記カレントユーザーに方向付けされた広告を送信するステップをさらに含む、請求項２２〜２７のいずれか１項に記載のシステム。
    
    

Images