JP2007004411A

JP2007004411A - 複数の信頼ネットワークグラフの統合装置・方法

Info

Publication number: JP2007004411A
Application number: JP2005182762A
Authority: JP
Inventors: Koji Miyauchi; 興治宮内; Shinya Nakagawa; 真也中川
Original assignee: Hewlett Packard Development Co LP
Current assignee: Hewlett Packard Development Co LP
Priority date: 2005-06-23
Filing date: 2005-06-23
Publication date: 2007-01-11

Abstract

【課題】
本願発明の課題は、日常生活における消費活動において関与している様々な要素の信頼値及び要素間の信頼値を定義しその信頼値に基づき消費者等が最良の選択が出来るような信頼ネットワークグラフにおいて、同一の対象に対応する二つ以上の信頼ネットワークグラフを統合して意味のある信頼値を求めることである。
【解決手段】
層別された各信頼ネットワークについて多変量解析を行い、各ノードの信頼値の主成分に基づいて層別後の信頼値の代表値を求めること、及び、層別後の各ノードの代表信頼値について多変量解析を行い、各ノードの代表信頼値の主成分に基づいて統合後の信頼値を求めることによって課題を解決している。
【選択図】図６

Description

本発明は、日常生活における消費活動において関与している様々な要素の信頼値及び要素間の信頼値を定義し、その信頼値に基づき消費者等が最良の選択が出来るような信頼ネットワークグラフに関し、特に、二つ以上の信頼ネットワークグラフからの信頼値を結合する方法に関するものである。

われわれの日常の消費活動においては、生産者、広告媒体、専門家(評論家)、販売店、消費者などの様々な要素が関係している。これらの要素を本願出願では消費活動での「主体」と呼ぶ。これらの主体は主体同士間で様々な関係を有しており、これらの主体間の関係を示す様々な情報を消費者は入手できる。例えば、商品Ａが製造者Ｂによって製造され様々な流通経路を経て商店Ｃで販売される。ここで、製造者Ｂはインターネットを使用し商品Ａの宣伝活動を行い、また、商店Ｃは独自に地域新聞の折り込み広告を利用して商品Ａ及び商店Ｃの宣伝活動を行う。

さらに、評論家Ｄが商品Ａについて評価を行いその内容を雑誌Ｅに掲載する場合もある。他の商品に対しても、同様の生産・販売・消費活動が行われ、これに伴って様々の情報が消費者に伝達される。消費者の立場からすると、このような様々な情報が入手できる環境の中で、信頼できる専門家が推奨する、信頼できる生産者の製品を、サービスの面から信頼できる販売店から購入したい。

このような問題を解決するために、信頼出来る製造者、信頼できる販売店、信頼できる評論家などについての指標あるいは情報の提供が切望されている。さらに、消費活動での「主体」に関する信頼値の情報だけでなく、これらの情報に個人の嗜好情報を考慮した情報が得られると益々有益となる。個人の有する嗜好情報を利用した自己の嗜好に合致し、かつ、最も信頼の置ける消費活動における主体の情報の提供が望まれている。
前述のように、日常生活における消費活動においては、インターネットサイト、消費者、広告媒体、商店、製造者、専門家(評論家)など（「主体」）が関与している。これらの主体間にはある種の信頼関係があると考えられる。図１は本願発明の基本的な概念を説明する信頼ネットワーク図である。

消費活動に参加しているインターネットサイト、評論家、製品、製造者等の「主体」をノードとし、それらの間の信頼関係を「矢」で表現する。ここで、矢は信頼しているノードから信頼されているノードへの向かいその方向を矢で示す。これにより消費活動の場での信頼関係の図ができる。これを本願明細書では信頼ネットワーク図と呼ぶ。
本発明は、日常生活における消費活動において関与している様々な要素の信頼値及び要素間の信頼値を定義し、その信頼値に基づき消費者等が最良の選択が出来るような信頼ネットワークグラフを提供すること、さらに、同一のノード集合に対する様々のデータの基づいた複数の信頼ネットワークグラフがある場合に、それらの信頼ネットワークグラフを結合し、結合された信頼値で総合的に判断できるようにする方法・装置に関するものである。

内山幸樹. 情報ランキング計算方法. 公開広報 (P2003-187176) 2003. 宮内興治. 商品購入における信頼値の算出方法及び装置. 特許出願(特願2003-368802) 2003. Lawrence Page; Sergey Brin; Rajeev Motwani; Terry Winograd. The PageRank Citation Ranking: Bringing Order to the Web. Technical Report Stanford University, 1998. 奥野忠一; 久米均; 芳賀敏郎; 吉澤正. 多変量解析法. 日科技連出版社, 1992. Soumen Chakrabarti; Byron E. Dom; David Gibson; Jon Kleinberg; Ravi Kumar; Prabhakar Raghavan; Sridhar Rajagopalan; Andrew Tomkins. Mining the Link Structure of the World Wide Web. Computer 32 8IEEE, 1999. 乾孝司; 乾健太郎; 松本裕治. 出来事の望ましさ判定を目的とした語彙知識獲得. 自然言語処理学会第10回年次大会 2004. 川谷隆彦. 文ベクトル集合モデルによるテキスト処理. 自然言語処理研究報告 No. 140 pp.31--38 2000 107情報処理学会, 2000. 川谷隆彦. 文ベクトル集合モデルによるテキスト処理(II). 自然言語処理研究報告 No. 143 pp.1--8 2001 54情報処理学会, 2001.

同一のノード集合に対する信頼関係を表した信頼ネットワークグラフは、使用するデータによって複数個作成することが出来る。図２では、ｎ個の同一ノードに対して、ｐ個のネットワークグラフが作成されている例を示している。これらの信頼ネットワークグラフを単純に合成しただけでは、個々の信頼ネットワークグラフが有するデータを正確に表現できない場合がある。たとえば、「製品が雑誌から賞を受けた」あるいは「あるユーザが製品を推薦する」といった「正の」信頼関係と、「ユーザが製造業者にクレームをつける」あるいは「製造業者が製品をリコールする」という「負の」信頼関係を一つのグラフの中で表現すると、このグラフで計算される信頼値の意味がはっきりしなくなる。このような２種類の関係を単純に合成することは適切ではない。

すなわち、同一のノード群に対する関係を複数の信頼ネットワークグラフで表現した場合、それぞれのグラフで計算した信頼値を全体としてどう扱えば適切な情報が得られるかという点が問題となる。本発明では、このような場合において、信頼値を結合し新たな信頼値を計算する方法・装置について開示する。
ネットワークグラフの結合状況に基づいてランキングする方法の一つにPageRank (非特許文献1)があり、これを拡張した特許に特許文献1がある。また、webページが構成するリンク構造を解析しHubやAuthorityと呼ばれるWeb siteを探すHITS(非特許文献３)と呼ばれる方法がある。しかしこれらは矢をすべて同等に扱っており、固定されたグラフを一つの観点から見たランキング値しか計算できないので、前述の問題点を解決できない。

本願発明によれば、以下の装置及びそれらに対応する方法・プログラムによって、本願発明の課題を解決している。

（１）各々の信頼値を有する複数のノードが、他のノードへの信頼度を示す重み値を有する複数の矢で結ばれている信頼ネットワークにおいて、以下の（ａ）から（ｃ）を含む手段で、同一のノード群に対してそれぞれの信頼値を有する第一の信頼ネットワークと第二の信頼ネットワークとを統合し第三の信頼ネットワークを構築する装置、
（ａ）前記第一の信頼ネットワークデータと前記第二の信頼ネットワークデータを受け入れる手段、
（ｂ）前記第一の信頼ネットワークの各ノードの信頼値から第一の平均値及び第一の標準偏差、並びに、前記第二の信頼ネットワークの各ノードの信頼値から第二の平均値及び第二の標準偏差を求める手段、
（ｃ）前記第一及び第二の信頼ネットワークの各ノードの信頼値、前記第一及び第二の平均値、並びに、前記第一及び第二の標準偏差に基づいて、第三の信頼ネットワークの各ノードの信頼値を求める手段。

（２）各々の信頼値を有する複数のノードが、他のノードへの信頼度を示す重み値を有する複数の矢で結ばれている信頼ネットワークにおいて、以下の（ａ）から（ｄ）を含む手段で、同一のノード群に対してそれぞれの信頼値を有する三つ以上の信頼ネットワークを一つの信頼ネットワークに統合する装置、
（ａ）三つ以上の信頼ネットワークデータを受け入れる手段、
（ｂ）前記三つ以上の信頼ネットワークを第一及び第二の信頼ネットワーク群に分類する手段、
（ｃ）前記第一の信頼ネットワーク群の各ノードから第一の代表信頼値を、及び、前記第二の信頼ネットワーク群の各ノードから第二の代表信頼値を求める手段、
（ｄ）前記第一及び第二の代表信頼値に基づいて、前記統合された一つのネットワークの信頼値を求める手段。

（３）前記第一の代表信頼値を求める手段は、
（ａ）第一の信頼ネットワーク群に置ける各ノードの信頼値を基に第一の共分散行列を求める手段、
（ｂ）前記第一の共分散行列の固有値を求め、前記固有値に対応する第一の固有ベクトルを求める手段、
（ｃ）前記第一の信頼ネットワーク群に置ける各ノードの第一の信頼値、及び、前記第一の固有ベクトルに基づいて前記第一の信頼ネットワークの代表信頼値を求める手段、
を含み、

さらに、前記第二の代表信頼値を求める手段は、
（ｄ）第二の信頼ネットワーク群に置ける各ノードの信頼値を基に第二の共分散行列を求める手段、
（ｅ）前記第二の共分散行列の固有値を求め、前記固有値に対応する第二の固有ベクトルを求める手段、
（ｆ）前記第二の信頼ネットワーク群に置ける各ノードの第二の信頼値、及び、前記第二の固有ベクトルに基づいて前記第二の信頼ネットワークの代表信頼値を求める手段、
によって解決している。

（４）前記第一代表信頼値を求める手段は、前記第一の信頼ネットワーク群の各ノードの主成分分析により、
（ａ）第一主成分に基づいて第一の代表信頼値を求める手段、
（ｂ）所定の次元までの各主成分値の二乗和に基づいて第一の代表信頼値を求める手段、
（ｃ）所定の次元までの各主成分値の二乗値に重み付けしたうえで加算した値に基づいて第一の代表信頼値を求める手段、
の何れかの手段を用い、
さらに、前記第二の代表信頼値を求める手段は、前記第二の信頼ネットワーク群の各ノードの主成分分析により、
（ａ）第一主成分に基づいて第二の代表信頼値を求める手段、
（ｂ）所定の次元までの各主成分値の二乗和に基づいて第二の代表信頼値を求める手段、
（ｃ）所定の次元までの各主成分値の二乗値に重み付けしたうえで加算した値に基づいて第二の代表信頼値を求める手段、
の何れか手段を用いる請求項３から５に記載の装置。

１．従来技術では、「重要である」「信頼できる」など一つの視点の一方向から見たランキングしかできなかった。本願発明により、複数の信頼ネットワークグラフからの信頼値を計算し結合することによって、「重要である」と「重要でない」や、「信頼できる」と「信頼できない」など複数の方向からのランキングが可能になる。
２．同じノード集合に対する複数の信頼ネットワークグラフが与えられている場合、これらを単純に結合し一つにすると矢やノードの数が膨大になり、信頼値の再計算コストが高くなる。本願発明で開示する方法を用いればそれぞれの信頼ネットワークグラフから計算された信頼値を少ない計算コストで統合することが可能になる。
３．二つだけでなく、３個以上のグラフを結合する拡張が可能である。これによって、与えられているノードに対して、様々な視点、方向からの信頼値を組み合わせたランキングが可能になる。また、同じノード集合に対する信頼ネットワークグラフ群からの信頼値から適切なものを取り出し、組み合わせ方を工夫することによって、新たな分析が可能になる。

以下に最良の形態を説明する。

実施例１では、図３に示すように一組の「正」及び「負」のネットワークグラフを統合して一つのネットワークグラフを作成する例について説明する。
図４は、本願発明を実施する装置を示している。筐体２００の中には、記憶装置２１０、メインメモリ２２０、出力装置２３０、処理装置（ＣＰＵ）２４０、操作部２５０、入力装置２６０が含まれている。処理装置（ＣＰＵ）２４０は、メインメモリ２２０から制御するプログラムを読み込み、操作部２５０から入力された命令に従い、記憶装置２１０に格納されている複数の信頼ネットワークグラフ情報等を使用して情報処理を行い、結合された信頼値を計算しそれらの情報を出力装置２３０に出力する。

１．一組の「正」及び「負」の信頼ネットワークを結合する方法
図５に示すように、同一ノードに対する一組の「正」及び「負」の信頼ネットワークグラフの信頼値を結合する方法について説明する。
（１）一組の「正」及び「負」の信頼ネットワークを入力する。
（２）一組の「正」及び「負」の信頼ネットワークにおいて、各ノードの信頼値の平均値を求める。
（３）一組の「正」及び「負」の信頼ネットワークにおいて、各ノードの信頼値の偏差平方和を求める。
（４）一組の「正」及び「負」の信頼ネットワークにおいて、各ノードの信頼値の標準偏差を求める。
（５）一組の「正」及び「負」の信頼ネットワークの各ノードの信頼値に基づき多変量解析の第一主成分に基づく値を統合されたネットワークの新たな信頼値とする。

以下、これらについて詳細に説明する。先ず、信頼ネットワークについて説明する。ここで、ノードの集合を｛ｎ_ｉ｜ｉ＝1,...,ｎ｝とする。ｉ番目のノードｎ_ｉがｊ番目のノードｎ_ｊを信頼する時、ｎ_ｉからｎ_ｊに矢が描かれる。この矢の重み値をａ_ｉｊとする。ｎ_ｉからｎ_ｊへ向かう矢が複数存在する時にはそれらの矢の総和を表す。ａ_ｉｊを各成分とするｎ行ｎ列の行列をＰとする。一方、ノードに対する信頼値、又はパーソナライズされた信頼値を表現する行列をＥとする。

２つの行列ＰとＥとをある定数ｃ（０＜＝ｃ＜＝１）で結合したものをＰ´とすると式（１）が得られる、
（１）Ｐ´＝ｃＰ＋（１−ｃ）Ｅ
によって、二つのノード間の信頼値とその重みは表現できる。
各ノードの信頼値を要素とするベクトルをＸとすると、このベクトルは式（２）を満たすベクトルとして定義される。
（２）Ｘ＝Ｐ´^ｔＸ
但し、Ｐ´^ｔは行列Ｐ´の転置行列を表し、Ｘ^ｔ＝（ｘ_１，...，ｘ_ｎ）である。ノードｎ_ｉの信頼値はｘ_ｉ，ノードｎ_ｉからノードｎ_ｊの矢の重み値はａ_ｉｊである

ノードの集合に対して、「正の」信頼関係に基づく信頼ネットワークグラフをG1、「負の」信頼関係に基づく信頼ネットワークグラフをG2とする。ノードの集合に属する各ノードに対して、G1おける信頼値X1^ｔ＝（x1_１，x1_２，...，x1_ｎ）、G2における信頼値X2^ｔ＝(x2_１，x2_２，...，x2_ｎ)を計算する。この二つの信頼値を多変量解析により統合し新たな信頼値を求める。多変量解析による二変量の統合にはいろいろな方法が考えられるが、本願発明では主成分分析による方法を開示する。G1及びG2に属する各ノードの信頼値x1_ｉ及びx2_ｉ（ｉ＝１〜ｎ）の平均値をそれぞれa1及びa2とすると、これらは式（３）及び（４）で表すことが出来る。
（３） a1＝（Σx1_ｉ）／ｎ（ｉ＝1〜ｎ）
（４） a2＝（Σx2_ｉ）／ｎ（ｉ＝1〜ｎ）
また、それぞれの平方和をＳ₁₁、及び、Ｓ₂₂とすると、これらは式（５）及び（６）で表すことが出来る。
（５）Ｓ₁₁＝Σ(x1_ｉ−a1)^２（ｉ＝1〜ｎ）
（６）Ｓ₂₂＝Σ(x2_ｉ−a2)^２（ｉ＝1〜ｎ）

標準偏差をそれぞれs1, 及び、s2とすると、これらは式（７）及び（８）で表すことが出来る。
（７） s1＝√(Ｓ₁₁／(ｎ−１))
（８） s2＝√(Ｓ₂₂／(ｎ−１))
G1及びG2における信頼値x1_ｉ及びx2_ｉ（ｉ＝１〜ｎ）を式（９）及び（10）に従って基準化する。
（９） x´1_ｉ＝（x1_ｉ−a1）／s1 （ｉ＝1〜ｎ）
（１０） x´2_ｉ＝（x2_ｉ−a2）／s2 （ｉ＝1〜ｎ）
ここで、新しい変数x´1_ｉ及びx´2_ｉは平均値０、分散１の分布をすることが知られている。ここで多変量解析により主成分分析を行うとx´1_ｉ及び、x´2_ｉの第一主成分ｚ_ｉは式（11）によって求めることが出来る。
（１１）ｚ_ｉ＝(x´1_ｉ−x´2_ｉ)／√(２) （ｉ＝１〜ｎ）
これによって二つの信頼値を結合し新たな信頼値を求めることが出来る。
以下に、具体例で説明する。

７個のノード（A〜G）があって、「正の」信頼値を有する信頼ネットワークグラフG1、及び、「負の」信頼値を有するG2が与えられた時の値、及び、それらを結合した信頼値を示す。

ここで、ノードB, GのG1の信頼値を見ると、それらの値は「８」であり同一であるが、G2の信頼値はノードBにおいて「４」であり、ノードGにおいて「９」であるので、ノードBの方が小さい。これらを結合した信頼値は、ノードBにおいて「1.22」、ノードGにおいては「-0.71」という信頼値が得られている。「負の」信頼値が高い（すなわち、「信頼しにくい」）ノードGは低い信頼値しか得られていない。これは二つの信頼値を結合することによって得られた結果であり、G1信頼値だけではわからない。また、ノードE, F, Gにおいては、結合後のノードGの信頼値は「-0.7147」、ノードEのそれは「-0.6708」、ノードFのそれは「-1.5053」であり、ノードGの信頼値はノードE及びノードFと比較すると中間の信頼値を持つものと計算される。ノードGはG1での「正の」信頼値は高いが、同時にG2での「負の」信頼値も高く、結合後の信頼値からする検討すると全体としては、ノードE及びノードFの中間的な信頼度ということになる。これは、G1信頼値、G2信頼値のみからは得られない。

実施例２では、３個以上の信頼ネットワークを統合する場合について説明する。複数のネットワークグラフを「正」及び「負」のネットワークグラフに層別し、「正」及び「負」のネットワークグラフそれぞれの代表値を求める。このとき多変量解析を行いその主成分をもとに代表値を求める。求められた代表値に基づいて、実施例１と同様に一組の「正」及び「負」のネットワークグラフを統合して一つのネットワークグラフを作成する例について説明する。
図６に示す実施例２のアルゴリズムについて以下に説明する。
（１）同一ノードに対する３個以上の信頼ネットワークの信頼ネットワークデータの入力
（２）入力された信頼ネットワークの「正」及び「負」の信頼ネットワーク集合への層別
（３）「正」及び「負」の信頼ネットワーク集合毎の、各ノードの代表信頼値の算出
（４）「正」及び「負」の信頼ネットワークの各ノードの代表信頼値を用いた統合した新たな信頼値の算出

以下これらについて詳細に説明する。
ステップ１：
同一ノードに対する３個以上の信頼ネットワークの信頼ネットワークデータを入力する。
これらの信頼ネットワークの中で、明らかに「正の」信頼関係を表すもの（「正の層」と呼ぶ）、明らかに「負の」信頼関係を表すもの（「負の層」と呼ぶ）を予めそれぞれ指定する。
図７（ａ）で示されるサークルは信頼ネットワークの信頼ネットワークを表す。ここで、文字「Ｐ」を含むサークルは正の層として、文字「Ｎ」を含むサークルは負の層として指定された信頼ネットワークを示す。

ステップ２：
入力された信頼ネットワークを「正」及び「負」の信頼ネットワーク集合へ層別する。
「正の層」と正の相関関係にあるものをまとめ一つの群を作り、「正の層群」とする。また、「負の層」と正の相関関係にあるものをまとめて一つの群をつくり、「負の層群」とする。「正の層」の信頼値とその他の層の信頼値との相関係数を式（１６）によって求めこれが所定の範囲内にあれば、その層は正の層に分類し、同様に「負の層」の信頼値とその他の層の信頼値との相関係数を式（１６）によって求めこれが所定の範囲内にあれば、その層は負の層に分類する。図７（ｂ）に分類後の状態を示す。サークルの外側にある信頼ネットワークは「正の層」または「負の層」いずれにも属さない信頼ネットワークを示す。
あるいは、自然言語処理的な方法（非特許文献４)を用いて、ある矢の型がポジティブであるかネガティブであるかを判定し、それを含む信頼ネットワークをそれぞれ「正の層群」、「負の層群」に分類する方法も適用出来る。

ステップ３
「正」及び「負」の信頼ネットワーク集合から、各ノードの代表信頼値を算出する。「正の層群」及び「負の層群」において、各層群での信頼値を変量とする多変量解析を行いその主成分分析に基づいて、それぞれの信頼値を統合する、「正の代表信頼値」及び「負の代表信頼値」を計算する。ここでは、以下に（ａ）から（ｃ）に示す３つの方法について開示する。（非特許文献２, 非特許文献５, 非特許文献６）

（ａ）第一主成分を統合した値とする方法
主成分分析において、第一主成分はすべての信頼値サンプルの持つ情報量の損失量を最小にしながら統合した値と見なせるので、これを代表値とすることは意味がある。
ここでｎ個のノードからなる信頼ネットワークを考える。これらのノード集合に対して、ｐ個の信頼ネットワークがあると仮定する。
ｉ層（ｉ＝1〜ｐ）におけるノードの信頼値を
（１２）Ｘi^t =（x₁i，...，xαi，...，xｎi）（α＝1〜ｎ）
（１３） Ti＝Σxαi （α＝1〜ｎ）
（１４） xai＝Ti／ｎ
とおくと偏差積和は式（１５）で表すことが出来る。

（１５）

さらに、分散・共分散は式（１６）で表すことが出来る。

（１５）

なお、層ｉと層ｊとの相関係数Ｒijは式（１６）で表すことが出来る。
（１６）Ｒij＝Sij/√（Sii・Sjj）
１つのノードに対してｐ個の層からの信頼値を要素とした信頼値ベクトルXα^ｔ＝（ｘα1，...，ｘαp）が定義できる。（α＝1〜ｎ）
それの主成分分析の結果をｚα^ｔ＝（ｚα１，...，ｚαm）（ｍ＜＝ｐ）とする。ここで^ｔは転置を表す。分散共分散行列V

（１７）

の固有値をλ_１，...，λ_pとすると、λ_１＞＝...＞＝λ_p＞＝０と出来ることが知られている。また、λ_αに対する固有ベクトルをｌ_α ^ｔ＝（l_α1,...,l_αp）とおく。但しΣ(l_αi)^２＝１。
これらの固有ベクトルを列ベクトルとする行列をL＝（l₁，...，l_p）とすると、元のベクトルと主成分分析したベクトルの間には次の関係がある。「L'」等の「'」（プライム）付きの文字は転置行列、又は、転置ベクトルを表す。

（１９）

これは、主成分分析の結果の各成分は、元のベクトルを各固有ベクトル方向に射影して得られることを示している。
主成分分析において、ｎ個のノードの信頼値ベクトルの集合からなる信頼値空間で上述のように求めた固有ベクトルl₁は、これらの信頼値ベクトルをただ一つのベクトルで近似した時、２乗誤差を最小にする軸であるので、その方向は各信頼値ベクトルに最も共通する成分の方向、これらのベクトルを代表する方向を表すといえる。
従って、以上より第一主成分であるｌ₁ ^ｔ＝（l₁₁，...，l_1p）を用いて、
（１８） itv₀(ｘ)＝l_１ ^ｔｘ＝（l₁₁，...，l_1p)ｘ
とすることは有効であると言える。なお、同様にして、l_αはl₁，...，l_α−１と直行するという条件下でα番目に代表する成分の方向を表している。
（ｂ）ある次元までの主成分の値を二乗して加えたものを、統合した値とする方法。
次のような総合された値を考える。（ｍ＜＝ｐ）
（１９） itv₁(ｘ)＝Σ(ｚ_α)^２＝Σ(l_α ^ｔｘ)^２（α＝１〜ｍ）
これは、与えられたノードの信頼値ベクトルｘの、ｍ次まで主成分を二乗したものの総和であるが、同時にｍ次までの固有ベクトルに対する射影値の二乗の総和である。信頼値空間の主要方向に対しどのくらいの成分を持つかを示しており、統合された信頼の度合いを表現していると考えられる。

（ｃ）ある次元までの主成分の値を二乗した上で重み付けして加えたものを統合した値とする方法。
信頼値空間では低次の固有ベクトル成分ほど、より代表的な方向を示していることを考えると、低次の成分を固有値で強調するのも統合された信頼値を求める上で意味のあることである。ｍ次までの主成分を二乗して各成分の固有値を掛け合わせたものの総和を求めた次の値も、総合された信頼の度合いを表現していると言える。（ｍ＜＝ｐ）
（２０） itv₂(ｘ)＝Σλ_α(ｚ_α)^２＝Σλ_α(l_α ^ｔｘ)^２（α＝１〜ｍ）
ステップ３
「負の層群」でも同様に各ノードの各層からの複数の信頼値を統合する値を計算することが出来る。
以上（ａ）から（ｃ）の方法によって、「正の代表信頼値」及び「負の代表信頼値」を計算することが出来る。
ここで、もとのアルゴリズムの説明に戻る。

ステップ４
各ノードに対して「正の代表信頼値」、「負の代表信頼値」が得られたので、実施例１で説明した一組の「正」及び「負」のネットワークグラフを統合して一つのネットワークグラフを作成する方法に従って統合できる。これによって、入力された信頼ネットワークについて、統合された信頼ネットワークが構築できる。

本発明の信頼ネットワークグラフを示す図である。同一のノード群に対して存在する複数の信頼ネットワークグラフを示す図である。本願発明の実施例１を概念的に示す図である。本願発明を実施する装置を示す図である。本願発明の実施例１の流れ図である。本願発明の実施例２の流れ図である。「正」及び「負」のネットワークを概念的に示す図である。

符号の説明

２００：筐体
２１０：記憶装置
２２０：メインメモリ
２３０：出力装置
２４０：処理装置（ＣＰＵ）
２５０：操作部
２６０：入力装置

Claims

各々の信頼値を有する複数のノードが、他のノードへの信頼度を示す重み値を有する複数の矢で結ばれている信頼ネットワークにおいて、以下の（ａ）から（ｃ）を含む手段で、同一のノード群に対してそれぞれの信頼値を有する第一の信頼ネットワークと第二の信頼ネットワークとを統合し第三の信頼ネットワークを構築する装置、
（ａ）前記第一の信頼ネットワークデータと前記第二の信頼ネットワークデータを受け入れる手段、
（ｂ）前記第一の信頼ネットワークの各ノードの信頼値から第一の平均値及び第一の標準偏差、並びに、前記第二の信頼ネットワークの各ノードの信頼値から第二の平均値及び第二の標準偏差を求める手段、
（ｃ）前記第一及び第二の信頼ネットワークの各ノードの信頼値、前記第一及び第二の平均値、並びに、前記第一及び第二の標準偏差に基づいて、第三の信頼ネットワークの各ノードの信頼値を求める手段。
前記第三の信頼ネットワークの各ノードの信頼値を求める手段は、前記第一及び第二の信頼ネットワークの各ノードの信頼値の主成分分析を行い、その第一主成分に基づいて各ノードの信頼値を求める請求項１に記載の装置。
各々の信頼値を有する複数のノードが、他のノードへの信頼度を示す重み値を有する複数の矢で結ばれている信頼ネットワークにおいて、以下の（ａ）から（ｄ）を含む手段で、同一のノード群に対してそれぞれの信頼値を有する三つ以上の信頼ネットワークを一つの信頼ネットワークに統合する装置、
（ａ）三つ以上の信頼ネットワークデータを受け入れる手段、
（ｂ）前記三つ以上の信頼ネットワークを第一及び第二の信頼ネットワーク群に分類する手段、
（ｃ）前記第一の信頼ネットワーク群の各ノードから第一の代表信頼値を、及び、前記第二の信頼ネットワーク群の各ノードから第二の代表信頼値を求める手段、
（ｄ）前記第一及び第二の代表信頼値に基づいて、前記統合された一つの信頼ネットワークの信頼値を求める手段。
前記三つ以上の信頼ネットワークを第一及び第二の信頼ネットワーク群に分類する手段は、所与の信頼ネットワークの信頼値と、他の各信頼ネットワークの信頼値との相関係数に従って分類する請求項３に記載の装置。
前記第一の代表信頼値を求める手段は、
（ａ）第一の信頼ネットワーク群に置ける各ノードの信頼値を基に第一の共分散行列を求める手段、
（ｂ）前記第一の共分散行列の固有値を求め、前記固有値に対応する第一の固有ベクトルを求める手段、
（ｃ）前記第一の信頼ネットワーク群に置ける各ノードの第一の信頼値、及び、前記第一の固有ベクトルに基づいて前記第一の信頼ネットワークの代表信頼値を求める手段、
を含み、
さらに、前記第二の代表信頼値を求める手段は、
（ｄ）第二の信頼ネットワーク群に置ける各ノードの信頼値を基に第二の共分散行列を求める手段、
（ｅ）前記第二の共分散行列の固有値を求め、前記固有値に対応する第二の固有ベクトルを求める手段、
（ｆ）前記第二の信頼ネットワーク群に置ける各ノードの第二の信頼値、及び、前記第二の固有ベクトルに基づいて前記第二の信頼ネットワークの代表信頼値を求める手段、
を含む請求項３及び４に記載の装置、
前記第一の代表信頼値を求める手段は、前記第一の信頼ネットワーク群の各ノードの主成分分析により、
（ａ）第一主成分に基づいて第一の代表信頼値を求める手段、
（ｂ）所定の次元までの各主成分値の二乗和に基づいて第一の代表信頼値を求める手段、
（ｃ）所定の次元までの各主成分値の二乗値に重み付けしたうえで加算した値に基づいて第一の代表信頼値を求める手段、
の何れかの手段を用い、さらに、前記第二の代表信頼値を求める手段は、前記第二の信頼ネットワーク群の各ノードの主成分分析により、
（ａ）第一主成分に基づいて第二の代表信頼値を求める手段、
（ｂ）所定の次元までの各主成分値の二乗和に基づいて第二の代表信頼値を求める手段、
（ｃ）所定の次元までの各主成分値の二乗値に重み付けしたうえで加算した値に基づいて第二の代表信頼値を求める手段、
の何れか手段を用いる請求項３から５に記載の装置。
各々の信頼値を有する複数のノードが、他のノードへの信頼度を示す重み値を有する複数の矢で結ばれている信頼ネットワークにおいて、コンピュータを制御して、以下の（ａ）から（ｃ）を含む手段を動作させ、同一のノード群に対してそれぞれの信頼値を有する第一の信頼ネットワークと第二の信頼ネットワークとを統合し第三の信頼ネットワークを構築するプログラム、
（ａ）前記第一の信頼ネットワークデータと前記第二の信頼ネットワークデータを受け入れる手段、
（ｂ）前記第一の信頼ネットワークの各ノードの信頼値から第一の平均値及び第一の標準偏差、並びに、前記第二の信頼ネットワークの各ノードの信頼値から第二の平均値及び第二の標準偏差を求める手段、
（ｃ）前記第一及び第二の信頼ネットワークの各ノードの信頼値、前記第一及び第二の平均値、並びに、前記第一及び第二の標準偏差に基づいて、第三の信頼ネットワークの各ノードの信頼値を求める手段。
各々の信頼値を有する複数のノードが、他のノードへの信頼度を示す重み値を有する複数の矢で結ばれている信頼ネットワークにおいて、
コンピュータを制御して、以下の（ａ）から（ｄ）を含む手段を動作させ、同一のノード群に対してそれぞれの信頼値を有する三つ以上の信頼ネットワークを一つの信頼ネットワークに統合するプログラム、
（ａ）三つ以上の信頼ネットワークデータを受け入れる手段、
（ｂ）前記三つ以上の信頼ネットワークを第一及び第二の信頼ネットワーク群に分類する手段、
（ｃ）前記第一の信頼ネットワーク群の各ノードから第一の代表信頼値を、及び、前記第二の信頼ネットワーク群の各ノードから第二の代表信頼値を求める手段、
（ｄ）前記第一及び第二の代表信頼値に基づいて、前記統合された一つの信頼ネットワークの信頼値を求める手段。
前記第一の代表信頼値を求める手段は、
（ａ）第一の信頼ネットワーク群に置ける各ノードの信頼値を基に第一の共分散行列を求める手段、
（ｂ）前記第一の共分散行列の固有値を求め、前記固有値に対応する第一の固有ベクトルを求める手段、
（ｃ）前記第一の信頼ネットワーク群に置ける各ノードの第一の信頼値、及び、前記第一の固有ベクトルに基づいて前記第一の信頼ネットワークの代表信頼値を求める手段、
を含み、
さらに、前記第二の代表信頼値を求める手段は、
（ｄ）第二の信頼ネットワーク群に置ける各ノードの信頼値を基に第二の共分散行列を求める手段、
（ｅ）前記第二の共分散行列の固有値を求め、前記固有値に対応する第二の固有ベクトルを求める手段、
（ｆ）前記第二の信頼ネットワーク群に置ける各ノードの第二の信頼値、及び、前記第二の固有ベクトルに基づいて前記第二の信頼ネットワークの代表信頼値を求める手段、
を含む請求項３及び４に記載のプログラム、
前記第一の代表信頼値を求める手段は、前記第一の信頼ネットワーク群の各ノードの主成分分析により、
（ａ）第一主成分に基づいて第一の代表信頼値を求める手段、
（ｂ）所定の次元までの各主成分値の二乗和に基づいて第一の代表信頼値を求める手段、
（ｃ）所定の次元までの各主成分値の二乗値に重み付けしたうえで加算した値に基づいて第一の代表信頼値を求める手段、
の何れかの手段を用い、
さらに、前記第二の代表信頼値を求める手段は、前記第二の信頼ネットワーク群の各ノードの主成分分析により、
（ｄ）第一主成分に基づいて第二の代表信頼値を求める手段、
（ｅ）所定の次元までの各主成分値の二乗和に基づいて第二の代表信頼値を求める手段、
（ｆ）所定の次元までの各主成分値の二乗値に重み付けしたうえで加算した値に基づいて第二の代表信頼値を求める手段、
の何れか手段を用いる請求項３から５に記載のプログラム。
各々の信頼値を有する複数のノードが、他のノードへの信頼度を示す重み値を有する複数の矢で結ばれている信頼ネットワークにおいて、以下の（ａ）から（ｃ）を含むステップで、同一のノード群に対してそれぞれの信頼値を有する第一の信頼ネットワークと第二の信頼ネットワークとを統合し第三の信頼ネットワークを構築する方法、
（ａ）前記第一の信頼ネットワークデータと前記第二の信頼ネットワークデータを受け入れるステップ、
（ｂ）前記第一の信頼ネットワークの各ノードの信頼値から第一の平均値及び第一の標準偏差、並びに、前記第二の信頼ネットワークの各ノードの信頼値から第二の平均値及び第二の標準偏差を求める手段、
（ｃ）前記第一及び第二の信頼ネットワークの各ノードの信頼値、前記第一及び第二の平均値、並びに、前記第一及び第二の標準偏差に基づいて、第三の信頼ネットワークの各ノードの信頼値を求めるステップ。
各々の信頼値を有する複数のノードが、他のノードへの信頼度を示す重み値を有する複数の矢で結ばれている信頼ネットワークにおいて、以下の（ａ）から（ｄ）を含むステップで、同一のノード群に対してそれぞれの信頼値を有する三つ以上の信頼ネットワークを一つの信頼ネットワークに統合する方法、
（ａ）三つ以上の信頼ネットワークデータを受け入れるステップ、
（ｂ）前記三つ以上の信頼ネットワークを第一及び第二の信頼ネットワーク群に分類するステップ、
（ｃ）前記第一の信頼ネットワーク群の各ノードから第一の代表信頼値を、及び、前記第二の信頼ネットワーク群の各ノードから第二の代表信頼値を求めるステップ、
（ｄ）前記第一及び第二の代表信頼値に基づいて、前記統合された一つの信頼ネットワークの信頼値を求めるステップ。