JP2008210335A - 意識体系構築装置、意識体系構築方法および意識体系構築プログラム - Google Patents

Abstract

【課題】網羅的かつ専門的な知識を利用したコンテンツ体系を維持しつつ、ユーザの意識が反映された直観的なコンテンツ体系を構築する。
【解決手段】嗜好解析エンジン５は、サービスオントロジ１２ａを雛形オントロジとして用いることで、ユーザ１４の興味オントロジを構築し、ユーザ１４の興味オントロジ間の近似度に基づいてユーザネットワークを生成し、そのユーザネットワークを分割してユーザ１４の意識を階層化することで、ユーザ１４の意識体系１３を構築し、その結果としてユーザ１４の意識１３ａ〜１３ｃとサービスオントロジを構成するクラス１２ａ〜１２ｃとの間のマッピングを得る。
【選択図】 図１

Description

本発明は意識体系構築装置、意識体系構築方法および意識体系構築プログラムに関し、特に、サービスプロバイダが販売するコンテンツの販売体系（棚割り）に対して、ユーザ嗜好マイニング結果をフィードバックすることで、ユーザ嗜好に沿いつつユーザに分かり易いコンテンツ体系を構築する方法に適用して好適なものである。
なお、棚割りとは、買い物客が見やすく、取りやすく、選びやすいように、用途や機能やデザインや価格帯などのテーマによって多種多様な商品を分類・整理し、互いに関連する商品を効果的に組み合わせて陳列位置を決めることを言う。

近年、ユーザの興味などのユーザコンテクストを用い、その場その時の状況に沿った適切なコンテンツをネットワークを介してユーザに提供するサービスが注目されている。
また、ユーザの興味対象をインターネット上で発信し、ユーザ間での議論を促進するブログサービスや、互いに友人として承認し合ったユーザ間で興味対象を議論するソーシャル・ネットワークサービスなどが注目されており、このようなサービスを利用するユーザの数や、このようなサービスを利用するサービスが今後ますます拡大すると考えられている。

その他にも、ＡｍａｚｏｎやＬａｓｔ．ｆｍなどユーザによる商品の購買や再生履歴に基づいてユーザの興味対象をユーザプロファイルとして自動構築し、そのユーザプロファイルに基づいて商品の推薦を行うサービスも登場し、ユーザの発信する多様な興味情報に基づく極め細やかな情報提供を行うサービスへの関心も高まっている。
そして、この種の情報流通サービスは、ユーザが自分自身の興味対象を発信し、興味の近いユーザの発信する記事や楽曲情報およびコミュニティにおける議論内容を閲覧することを通じて、各ユーザの興味対象を拡大する基盤となる可能性を持っている。

また、非特許文献１には、ユーザの興味対象としてユーザが興味を持つキーワードだけでなく、そのキーワードの背景となる情報をも保持するユーザプロファイルを自動構築し、そのユーザプロファイルに基づいてブログ検索機能を提供する方法が開示されている。
すなわち、非特許文献１には、ユーザが蓄積した記事を音楽や映画などのサービスプロバイダが与えるサービスオントロジへ分類することで、その記事に対してその話題対象であるインスタンスとインスタンスの背景知識を自動的にタグ付けするオートタギング手法と、ユーザの興味がクラス階層化された興味オントロジをユーザプロファイルとして自動抽出する興味オントロジ生成手法が開示されている。

そして、興味オントロジ間の近似度を計測し、近似度が高い興味オントロジ間で一部クラス階層が異なるクラスを検出し、そのクラスに属する記事を意外な興味記事としてユーザに推薦することで、ユーザの興味幅を拡大し、他のユーザ間とのコミュニケーションを促進するための検証実験を実際のブログサイト上で実施している。
この方法では、サービスプロバイダが作成する専門的なコンテンツの分類体系（タクソノミと言う）に基づいた網羅的かつ専門的な知識を利用したコンテンツの検索や推薦に有効である。

一方、ネットワーク上のコンテンツに対してユーザが与えるタグからコンテンツ間の関係を構築するフォークソノミがユーザドリブンなサービスオントロジの構築法として期待されている。フォークソノミは、ユーザの直観に基づいて膨大なコンテンツを体系化できる可能性を持つため、ユーザの意識に沿ったコンテンツの発見に役立つと期待されている。

なお、フォークソノミとは、写真や映像や文書などのコンテンツの投稿者が、インターネットのウェブサイト上で投稿されているコンテンツなどにタグを自由に追加したり分類したりして検索などのシステムに役立てることを言う。このフォークソノミでは、サイトの作者や管理者自身が閲覧者に関わらせることなくコンテンツの分類作業を行う従来の分類・検索手法と異なり、分類作業が万人に開かれ終わりのないオープンなもので共同作業によることが特徴である。また、タグ（ｔａｇ）とは、「猫の写真」、「漁業」、「人工知能」などのコンテンツの内容や属性を一言で記述する索引語やキーワードやラベルのようなもので、コンテンツのタグを付けることをタグ付けと言う。
中辻真、三好優、大塚祥広："ユーザ興味オントロジ抽出によるブログコミュニティ形成手法"，日本データベース学会 Ｌｅｔｔｅｒｓ，Ｖｏｌ．５，Ｎｏ．１（２００６）

しかしながら、現状のブログサービスにおける情報検索では、ＧｏｏｇｌｅなどのＷｅｂページ検索エンジンやＲＤＦ Ｓｉｔｅ Ｓｕｍｍａｒｙ（ＲＳＳ）という簡単なメタデータを記述を利用したキーワードベースの検索でしかないため、大量に発信されるブログ記事から自分自身の興味に沿った情報を掲載する記事を適切に選択するのが困難であるという問題があった。

すなわち、ユーザはブログ検索を行うたびに、自分自身の興味に即した検索目的語を適切に構成する必要があり、検索キーワードの選択に手間がかかっていた。また、事前に検索対象をある程度把握してないと、キーワード自体を構成することができないため、興味を持つ可能性があるにもかかわらずキーワードを特定できない場合には、情報検索自体ができなくなっていた。

また、非特許文献１に開示された方法では、サービスプロバイダが作成する専門的なコンテンツの分類体系が採用され、サービスプロバイダにとっては管理し易いが、その分類体系がユーザ自身のイメージする体系と異なっていることから、コンテンツへの直観的なアクセスができないという問題があった。また、このようなコンテンツの分類体系ではユーザからのアクセスの増大があまり見込めないため、コンテンツの売り上げの増大にあまり寄与しないという問題があった。

また、従来のフォークソノミで得られるタグ間の関係は、同値・背反関係を構築する方法には有効であるが、クラス間の継承関係などの専門的な知識表現のためのオントロジを構築する方法には適してないという問題があった。また、ユーザがタギングしたコンテンツのみが対象とされ、ユーザが把握していないコンテンツについては考慮されないという問題があった。
そこで、本発明の目的は、網羅的かつ専門的な知識を利用したコンテンツ体系を維持しつつ、ユーザの意識が反映された直観的なコンテンツ体系を構築することが可能な意識体系構築装置、意識体系構築方法および意識体系構築プログラムを提供することである。

上述した課題を解決するために、請求項１記載の意識体系構築装置によれば、個人の興味情報が概念階層化された興味オントロジ間の近似度を計測することにより、ユーザ間の興味の近似度を計測する近似度計測手段と、興味の近似度が所定の範囲内にあるユーザ間にリンクを張ることで、ユーザネットワークを生成するユーザネットワーク生成手段と、前記ユーザネットワークを分割することにより、前記ユーザの意識を階層化するネットワーク分割手段とを備えることを特徴とする。
また、請求項２記載の意識体系構築装置によれば、興味情報が概念階層化された雛形オントロジに含まれるクラスまたはインスタンスおよびそれらの上位のクラスを抽出することにより、前記興味オントロジを生成することを特徴とする。

また、請求項３記載の意識体系構築装置によれば、前記近似度計測手段は、前記雛形オントロジから割り振られたクラスＩＤが前記興味オントロジにて保有されているかどうかの判定結果に基づいて、前記興味オントロジ間のトポロジの近似度を計測するとともに、前記雛形オントロジから割り振られたインスタンスＩＤが前記興味オントロジにて保有されているかどうかの判定結果に基づいて、前記興味オントロジ間のクラスの近似度を計測し、前記トポロジの近似度と前記クラスの近似度に基づいて、前記興味オントロジ間の近似度を計測することを特徴とする。

また、請求項４記載の意識体系構築装置によれば、前記ネットワーク分割手段は、２番目以降に分割されるクラスタに所属するユーザの数がある閾値を越える場合にのみ分割を許可し、２番目以降に分割されるクラスタに所属するユーザの数が前記閾値以下の場合に最初に結合するエッジの組み合わせを変更することを特徴とする。

また、請求項５記載の意識体系構築装置によれば、ブログエントリに対して形態素解析を適用することにより、前記ブログエントリに含まれる単語を抽出するステップと、興味情報が概念階層化された雛形オントロジを選択するステップと、前記ブログエントリから抽出された単語を含むクラスまたはインスタンスを前記雛形オントロジから抽出するステップと、前記抽出されたクラスまたはインスタンスおよびそれらの上位のクラスを興味オントロジとして前記雛形オントロジから抽出するステップと、前記興味オントロジ間の近似度を計測することにより、ユーザ間の興味の近似度を計測するステップと、前記興味の近似度が所定の範囲内にあるユーザ間にリンクを張ることで、ユーザネットワークを生成するステップと、集団間のリンクに対する集団内部のリンクの密度の濃さに基づいて前記ユーザネットワークを分割することにより、ユーザの意識を階層化するステップとを備えることを特徴とする。

また、請求項６記載の意識体系構築装置によれば、ブログエントリに対して形態素解析を適用することにより、前記ブログエントリに含まれる単語を抽出するステップと、興味情報が概念階層化された雛形オントロジを選択するステップと、前記ブログエントリから抽出された単語を含むクラスまたはインスタンスを前記雛形オントロジから抽出するステップと、前記抽出されたクラスまたはインスタンスおよびそれらの上位のクラスを興味オントロジとして前記雛形オントロジから抽出するステップと、前記興味オントロジ間の近似度を計測することにより、ユーザ間の興味の近似度を計測するステップと、前記興味の近似度が所定の範囲内にあるユーザ間にリンクを張ることで、ユーザネットワークを生成するステップと、集団間のリンクに対する集団内部のリンクの密度の濃さに基づいて前記ユーザネットワークを分割することにより、ユーザの意識を階層化するステップとをコンピュータに実行させることを特徴とする。

以上説明したように、本発明によれば、雛形オントロジが保有するトポロジを継承させつつ、個人の興味が反映された興味オントロジを生成することが可能となるとともに、興味オントロジ間の近似度が反映されたユーザネットワークを分割することで、サービスプロバイダが作成する雛形オントロジとユーザの意識とをマッピングすることができ、網羅的かつ専門的な知識を利用したコンテンツ体系を維持しつつ、ユーザの意識が反映された直観的なコンテンツ体系を構築することができる。

以下、本発明の実施形態に係る意識体系構築装置およびその方法について図面を参照しながら説明する。
図１は、本発明の一実施形態に係る意識体系構築装置が適用されるシステムの概略構成を示すブロック図である。
図１において、サービスプロバイダ１には、ユーザのコンテンツや商品などの購買履歴１ｂが保持されるとともに、その購買履歴１ｂに対応したユーザＩＤ１ａが保持されている。また、ブログ事業者２には、日付入りの記事ページを中心としたブログ２ｂが保持されるとともに、ブログ２ｂに対応したユーザＩＤ２ａが保持されている。なお、ブログ２ｂはブログエントリごとに保持することができる。ここで、ブログエントリはブログにおける記事の最小単位を表し、日にちごとに設けることができる。

また、サービスプロバイダ３には、ユーザが蓄積した記事をサービスオントロジへ分類することで、その記事に対してその話題対象であるインスタンスとインスタンスの背景知識がタグ付けされたコンテンツ体系３ａが保持されている。
また、ユーザ嗜好抽出手段４には、購買履歴やブログマイニングにて得られた個人の嗜好に関する情報が格納された嗜好知識ベース４ａが設けられている。

また、嗜好解析エンジン５には、個人の興味情報が概念階層化された興味オントロジ間の近似度を計測することにより、ユーザ間の興味の近似度を計測する近似度計測手段５ａ、興味の近似度が所定の範囲内にあるユーザ間にリンクを張ることで、ユーザネットワークを生成するネットワーク生成手段５ｂ、ネットワーク生成手段５ｂにて生成されたユーザネットワークを分割することにより、ユーザの意識を階層化するネットワーク分割手段５ｃが設けられている。

そして、サービスプロバイダ１、３、ブログ事業者２、ユーザ嗜好抽出手段４および嗜好解析エンジン５はインターネットなどのネットワークを介して接続することができる。
そして、嗜好解析エンジン５は、サービスオントロジに基づいてユーザの興味オントロジを構築し、その興味オントロジ間の近似度に基づいて生成されたユーザネットワークを分割することにより、ユーザの意識体系を構築し、その結果としてユーザの意識とサービスオントロジとの間のマッピングを得ることができる。

図２は、本発明の一実施形態に係るユーザの意識とサービスオントロジとの間の関係を示す図である。
図２において、サービスプロバイダ３が音楽に関するサービスをユーザに提供するものとすると、音楽サービスデータベース１１ａには、コンテンツ体系３ａとして音楽に関するサービスオントロジ１２を保持することができる。
そして、嗜好解析エンジン５は、サービスオントロジ１２ａを雛形オントロジとして用いることで、ユーザ１４の興味オントロジを構築する。そして、ユーザ１４の興味オントロジ間の近似度に基づいてユーザネットワークを生成し、そのユーザネットワークを分割してユーザ１４の意識を階層化することで、ユーザ１４の意識体系１３を構築し、その結果としてユーザ１４の意識１３ａ〜１３ｃとサービスオントロジを構成するクラス１２ａ〜１２ｃとの間のマッピングを得ることができる。

なお、雛形オントロジとは、個人の興味情報が概念階層化された興味オントロジの雛形である。そして、雛形オントロジは、サービスプロバイダ３側で恣意的に作成することができる。例えば、サービスプロバイダ３が音楽に関するコンテンツ体系３ａを保持している場合、音楽に関する雛形オントロジを構築することができる。ここで、ユーザの興味を細やかに表現するために、可能な限り細分化された網羅性の高い雛形オントロジを構築することが好ましい。また、雛形オントロジの実体は、オントロジ記述言語ＯＷＬなどのＸＭＬ言語で記述されたテキストファイル等、クラス・インスタンスツリーをＤＢ上で表現したものである。また、情報の整理の簡単化のため、インスタンスは最下位クラスにのみ分類してもよい。

これにより、雛形オントロジが保有するトポロジを継承させつつ、個人の興味が反映された興味オントロジを生成することが可能となるとともに、興味オントロジ間の近似度が反映されたユーザネットワークを分割することで、サービスプロバイダ３が作成するサービスオントロジ１２ａとユーザ１４の意識１３ａ〜１３ｃとをマッピングすることができ、網羅的かつ専門的な知識を利用したコンテンツ体系３ａを維持しつつ、ユーザ１４の意識が反映された直観的なコンテンツ体系３ａを構築することができる。

以下、図１の嗜好解析エンジン５の動作についてより詳細に説明する。
図１の嗜好解析エンジン５は、ユーザ嗜好抽出手段４にて抽出された嗜好知識ベース４ａと、サービスプロバイダ３が持つコンテンツ体系３ａが入力されると、コンテンツ体系３ａを構成するサービスオントロジに基づいて記事に対するオートタギングを実施することで、ユーザの興味オントロジを生成することができる。
ここで、嗜好解析エンジン５は、雛形オントロジとしてのサービスオントロジに含まれるクラスまたはインスタンスおよびそれらの上位のクラスを抽出することで、個人の興味情報が概念階層化された興味オントロジを生成することができる。

すなわち、嗜好解析エンジン５は、嗜好知識ベース４ａとして入力されたブログエントリに対して形態素解析をそれぞれ適用することで、同一ユーザの持つ複数のブログエントリで頻出する形態素を抽出する。そして、ブログエントリで頻出する各形態素を雛形オントロジに適用し、雛形オントロジ内のクラスまたはインスタンスに一致する文字列があるかどうかを調べる。そして、雛形オントロジ内のクラスまたはインスタンスに一致する文字列がある場合、雛形オントロジのルートクラスから、そのクラスまたはインスタンスまでの直接的な子孫クラスおよびインスタンスを興味オントロジとして抽出することができる。

そして、近似度計測手段５ａは、ユーザ１４の興味オントロジが生成されると、その興味オントロジ間の近似度を計測することにより、ユーザ１４間の興味の近似度を計測する。
ここで、近似度計測手段５ａは、ユーザ１４の興味オントロジのトポロジを形成するクラス集合間の共起度に基づいて、興味オントロジ間のトポロジの近似度を計測することができる。例えば、近似度計測手段５ａは、興味オントロジのクラス集合間の積集合のメンバ数を、雛形オントロジ６のクラス集合のメンバ数で割った値に基づいて、興味オントロジ間のトポロジの近似度を計測することができる。

また、近似度計測手段５ａは、ユーザ１４の興味オントロジに含まれるインスタンス集合間の共起度に基づいて、興味オントロジ間のクラスの近似度を計測することができる。例えば、近似度計測手段５ａは、興味オントロジのインスタンス集合間の積集合のメンバ数を、雛形オントロジのインスタンス集合のメンバ数で割った値に基づいて、興味オントロジ間のクラスの近似度を計測することができる。そして、近似度計測手段５ａは、興味オントロジ間のトポロジの近似度および興味オントロジ間のクラスの近似度を総合的に判断することにより、興味オントロジ間の近似度を計測することができる。

図３は、本発明の一実施形態に係る興味オントロジ間の近似度計測方法を示す図である。なお、以下の説明では、あるオントロジに対する別のオントロジとの間の近似度を計測する場合、前者をソースオントロジ、後者をターゲットオントロジと呼ぶ。
図３において、雛形オントロジＯＨの“ａ１”というクラスの直下には、“ｂ１”、“ｂ２”および“ｂ３”というクラスが存在し、“ｂ１”というクラスの直下には、“ｃ１”および“ｃ２”というクラスが存在し、“ｃ１”というクラスの直下には、“ｄ１”および“ｄ２”というクラスが存在しているものとする。また、“ｂ２”というクラスの直下には、“ｃ３”および“ｃ４”というクラスが存在し、“ｂ３”というクラスの直下には、“ｃ５”というクラスが存在しているものとする。

また、“ｄ１”というクラスには、“ｊ”および“ｋ”というインスタンスが存在し、“ｄ２”というクラスには、“ｌ”というインスタンスが存在し、“ｃ２”というクラスには、“ｍ”というインスタンスが存在し、“ｂ２”というクラスには、“ｎ”というインスタンスが存在し、“ｃ３”というクラスには、“ａ”、“ｅ”、“ｃ”、“ｆ”、“ｂ”、“ｄ”および“ｇ”というインスタンスが存在し、“ｃ４”というクラスには、“ｐ”、“ｇ”、“ｊ”および“ｈ”というインスタンスが存在しているものとする。

そして、各ユーザのブログエントリに頻出する単語をそれぞれ抽出し、その単語を含むクラスまたはインスタンスおよびそれらの上位の全てのクラスを雛形オントロジＯＨからそれぞれ抽出することにより、興味オントロジＯＡ、ＯＢが作成されたものとする。
ここで、興味オントロジＯＡの“ａ１というクラスの直下には、“ｂ１”および“ｂ２”というクラスが存在し、“ｂ１”というクラスの直下には、“ｃ１”および“ｃ２”というクラスが存在し、“ｃ１”というクラスの直下には、“ｄ１”というクラスが存在し、“ｂ２”というクラスの直下には、“ｃ３”および“ｃ４”というクラスが存在しているものとする。また、“ｄ１”というクラスには、“ｊ”および“ｋ”というインスタンスが存在し、“ｃ２”というクラスには、“ｍ”というインスタンスが存在し、“ｃ３”というクラスには、“ａ”、“ｃ”、“ｂ”および“ｄ”というインスタンスが存在し、“ｃ４”というクラスには、“ｑ”および“ｈ”というインスタンスが存在しているものとする。

また、興味オントロジＯＢの“ａ１”というクラスの直下には、“ｂ１”、“ｂ２”および“ｂ３”というクラスが存在し、“ｂ１”というクラスの直下には、“ｃ１”というクラスが存在し、“ｃ１”というクラスの直下には、“ｄ１”というクラスが存在し、“ｂ２”というクラスの直下には、“ｃ３”および“ｃ４”というクラスが存在しているものとする。また、“ｄ２”というクラスには、“ｌ”というインスタンスが存在し、“ｂ２”というクラスには、“ｎ”というインスタンスが存在し、“ｃ３”というクラスには、“ａ”、“ｃ”、“ｅ”および“ｆ”というインスタンスが存在し、“ｃ４”というクラスには、“ｐ”および“ｊ”というインスタンスが存在しているものとする。

そして、雛形オントロジＯＨおよび興味オントロジＯＡ、ＯＢ間で末端クラスを除く共通クラスを分析し、共通クラスを親クラスとした親子クラスからなるトポロジを抽出する。なお、図３の例では、末端クラスは、“ｄ１”、“ｄ２”、“ｃ３”および“ｃ４”とする。この結果、雛形オントロジＯＨおよび興味オントロジＯＡ、ＯＢ間において、クラス“ａ１”を親クラスとした子クラス集合Ｇ１、クラス“ｂ１”を親クラスとした子クラス集合Ｇ２、クラス“ｃ１”を親クラスとした子クラス集合Ｇ３、クラス“ｂ２”を親クラスとした子クラス集合Ｇ４、クラス“ｂ３”を親クラスとした子クラス集合Ｇ５を抽出することができる。

なお、この共通クラスの分析は、同じクラスＩＤが雛形オントロジＯＨおよび興味オントロジＯＡ、ＯＢ間に存在するかということだけを確認すればよい。このため、クラスの名前属性やインスタンス集合プロパティなどの近似度を計測する必要がなくなり、クラス間の対応関係を正確に維持しつつ、計算量を減らすことができる。
次に、興味オントロジＯＡ、ＯＢ間で各トポロジを形成する子クラス集合Ｘ、Ｙ間の近似度を深さ優先で計算する。ここで、雛形オントロジＯＨを構成するクラスの子クラスの集合をＺとすると、子クラス集合Ｘ、Ｙ間の近似度は、｜Ｘ∩Ｙ｜／｜Ｚ｜にて求めることができる。そして、各トポロジの子クラス集合間の近似度を足し合わせることにより、興味オントロジＯＡ、ＯＢ間でのトポロジの近似度Ｓ_Ｔを計測することができる。

例えば、子クラス集合Ｇ１において、雛形オントロジＯＨには“ｂ１”、“ｂ２”および“ｂ３”という子クラスが含まれているので、子クラス集合Ｇ１における雛形オントロジＯＨの子クラス集合のメンバ数は３となる。また、子クラス集合Ｇ１において、興味オントロジＯＡには“ｂ１”および“ｂ２”という子クラスが含まれ、興味オントロジＯＢには“ｂ１”、“ｂ２”および“ｂ３”という子クラスが含まれているので、興味オントロジＯＡ、ＯＢに共通に含まれている子クラスは“ｂ１”およびｂ２”だけとなり、子クラス集合Ｇ１における興味オントロジＯＡ、ＯＢの子クラス集合の積集合のメンバ数は２となる。この結果、興味オントロジＯＡ、ＯＢの子クラス集合Ｇ１間における近似度は２／３となる。

同様に、興味オントロジＯＡ、ＯＢの子クラス集合Ｇ２間における近似度は１／２、子クラス集合Ｇ３間における近似度は０／２、子クラス集合Ｇ４間における近似度は２／２となる。この結果、興味オントロジＯＡ、ＯＢ間でのトポロジの近似度Ｓ_Ｔは２／３＋１／２＋０／２＋２／２となる。
なお、興味オントロジＯＡ、ＯＢ間でのトポロジの近似度の計算でも、雛形オントロジＯＨから割り振られたクラスＩＤを参照し、雛形オントロジＯＨの接続形態に沿ったものが興味オントロジＯＡ、ＯＢ間に存在するかということだけを確認すればよい。例えば、興味オントロジＯＡ、ＯＢにおけるａ１−ｂ１−ｃ１という接続形態は雛形オントロジＯＨの接続形態と同じであるかどうかは、“ａ１”、“ｂ１”および“ｃ１”というクラスが興味オントロジＯＡ、ＯＢにて保持されているかどうかということを確認するだけで判断することができる。

このため、興味オントロジＯＡ、ＯＢ間のトポロジの一致度を確認するために、興味オントロジＯＡ、ＯＢが持つクラスＩＤを調べるだけでよく、対応クラスを起点として、上下クラスにさらに対応クラスがあるかを調べる必要がなくなり、興味オントロジＯＡ、ＯＢ間でのトポロジの近似度の計算量を減らすことができる。
次に、興味オントロジＯＡ、ＯＢの共通クラス間の近似度を計算する。ここで、興味オントロジＯＡ、ＯＢの共通クラス間の近似度を計算する場合、クラスに所属するインスタンス集合を用いることができる。すなわち、あるクラスＣ１において、ソースオントロジのインスタンス集合をｘ、ターゲットオントロジのインスタンス集合をｙ、雛形オントロジＯＨのインスタンス集合をｚとすると、興味オントロジＯＡ、ＯＢの共通クラス間の近似度は、｜ｘ∩ｙ｜／｜ｚ｜にて求めることができる。そして、共通クラス間の近似度を足し合わせることにより、興味オントロジＯＡ、ＯＢのクラス間の近似度Ｓ_Ｃを計測することができる。

例えば、興味オントロジＯＡ、ＯＢ間の共通クラス“ｂ２”において、興味オントロジＯＡの共通クラス“ｂ２”におけるインスタンス集合Ｇ６には、インスタンス“ｎ”が存在し、興味オントロジＯＢの共通クラス“ｂ２”におけるインスタンス集合Ｇ６には、インスタンス“ｎ”が存在し、雛形オントロジＯＨの共通クラス“ｂ２”にはインスタンス“ｎ”が存在している。この結果、雛形オントロジＯＨの共通クラス“ｂ２”のインスタンスのメンバ数は１、興味オントロジＯＡ、ＯＢのインスタンス集合Ｇ６の積集合のメンバ数は１となり、“ｂ２”という共通クラス間の近似度は１／１となる。

また、興味オントロジＯＡ、ＯＢ間の共通クラス“ｃ２”において、興味オントロジＯＡの共通クラス“ｃ２”におけるインスタンス集合Ｇ７には、インスタンス“ａ”、“ｃ”、“ｂ”および“ｄ”が存在し、興味オントロジＯＢの共通クラス“ｃ３”におけるインスタンス集合Ｇ７には、インスタンス“ａ”、“ｃ”、“ｅ”および“ｆ”が存在し、雛形オントロジＯＨの共通クラス“ｃ３”にはインスタンス“ａ”、“ｅ”、“ｃ”、“ｆ”、“ｂ”、“ｄ”および“ｇ”が存在している。

この結果、雛形オントロジＯＨの共通クラス“ｃ３”のインスタンスのメンバ数は７、興味オントロジＯＡ、ＯＢのインスタンス集合Ｇ７の積集合のメンバ数は２となり、“ｃ３”という共通クラス間の近似度は２／７となる。
従って、興味オントロジＯＡ、ＯＢのクラス間の近似度Ｓ_Ｃは１／１＋２／７となる。
なお、興味オントロジＯＡ、ＯＢの共通クラス間の近似度の計算でも、雛形オントロジＯＨから割り振られたインスタンスＩＤが興味オントロジＯＡ、ＯＢ間に存在するかということだけを確認すればよい。このため、興味オントロジＯＡ、ＯＢのクラス間の近似度を計算するために、インスタンスの名前の一致性などによるインスタンスの対応関係を予め確認する必要がなくなり、計算量を減らすことができる。

そして、興味オントロジＯＡ、ＯＢにおけるトポロジの近似度Ｓ_Ｔおよびクラス間の近似度Ｓ_Ｃが求まると、トポロジとクラスに対する重要度に応じた評価関数ｆ（Ｘ）を用いることにより、以下の（１）式にて興味オントロジＯＡ、ＯＢ間の近似度Ｓ_Ｏ（ＡＢ）を与えることができる。
Ｓ_Ｏ（ＡＢ）＝Ｓ_Ｔ＋ｆ（Ｓ_Ｃ） ・・・（１）
これにより、雛形オントロジＯＨの持つクラス特性を継承させつつ興味オントロジＯＡ、ＯＢを構築することが可能となるとともに、インスタンス集合間の共起度を興味オントロジＯＡ、ＯＢ間の近似度の計測に直接用いることができ、計算量を抑制しつつ、個人の嗜好に適合した興味オントロジＯＡ、ＯＢを適正に抽出することが可能となるとともに、興味オントロジＯＡ、ＯＢが雛形オントロジＯＨの持つドメインの知識を保有しているかの相対的な尺度として利用することができ、そのドメインに対する知識を多く持つユーザを有効的に絞り込むことができる。

また、興味オントロジＯＡ、ＯＢにおけるトポロジの近似度Ｓ_Ｔを計測する場合、雛形オントロジのクラス集合のメンバ数を基準として、興味オントロジＯＡ、ＯＢ間のトポロジの近似度を計測することにより、興味オントロジＯＡ、ＯＢのクラス集合のメンバ数が増大した場合においても、興味オントロジＯＡ、ＯＢ間のトポロジの近似度が小さくなることを防止することができ、クラスが豊富にあるという意味で知識量の多い興味オントロジＯＡ、ＯＢとの近似度を大きくすることができる。

図４は本発明の一実施形態に係る興味オントロジ間の近似度計測方法の優位性を示す図である。
図４において、オントロジＯＣでは、図３のオントロジＯＢの“ｂ３”というクラスがないものとする。この場合、オントロジＯＢでは、“ｂ１”、“ｂ２”および“ｂ３”という子クラスが子クラス集合Ｇ１に含まれ、オントロジＯＣでは、“ｂ１”および“ｂ２”という子クラスが子クラス集合Ｇ１に含まれるにもかかわらず、興味オントロジＯＡ、ＯＣの子クラス集合Ｇ１間における近似度は、興味オントロジＯＡ、ＯＢの子クラス集合Ｇ１間における近似度と同様に２／３となる。

この結果、オントロジＯＣでは、図３のオントロジＯＢの“ｂ３”というクラスがないにもかかわらず、興味オントロジＯＡ、ＯＣ間の近似度が興味オントロジＯＡ、ＯＢ間の近似度よりも大きくなることを防止することができ、クラスが豊富にあるという意味で知識量の多い興味オントロジとの近似度が相対的に小さくなることを防止することができる。

次に、図１において、近似度計測手段５ａにてユーザ１４の興味オントロジ間の近似度が計測されると、ネットワーク生成手段５ｂは、興味の近似度が所定の範囲内にあるユーザ１４間にリンクを張ることで、ユーザネットワークを生成する。
すなわち、ネットワーク生成手段５ｂは、興味オントロジ間の近似度が近いユーザ集合が共有するインスタンス集合は、ユーザ集合の意識を反映しているとみなし、そのようなインスタンス集合を抽出する。そのため、（１）式を適用することで、ユーザｉから見たユーザｊの近似度Ｓ（ｉｊ）を求め、Ｘ＞Ｓ（ｉｊ）＞Ｙという条件を満たす場合、ユーザｉ、ｊ間の興味が近いとして、ユーザｉ、ｊ間で関係を構築する。そして、図５に示すように、ユーザｉ、ｊをノードに対応させ、興味が近いユーザｉ、ｊ間にリンクを張ることで、ユーザネットワークを生成する。

ここで、Ｓ（ｉｊ）が非常に大きなユーザは、興味の幅が広過ぎるユーザである。このため、興味が近いユーザｉ、ｊ間にリンクを張る場合、Ｘ＞Ｓ（ｉｊ）という条件を設定することで、興味の幅が広過ぎるユーザを除去することができ、ネットワーク分割が阻害されるのを防止することができる。
なお、ユーザｉ、ｊ間で関係を構築する場合、ユーザｉから見て上位Ｚ（Ｚは正の整数）人のユーザ間にのみリンクを張るようにしてもよい。
次に、図１において、ネットワーク生成手段５ｂにてユーザネットワークが生成されると、ネットワーク分割手段５ｃは、ネットワーク生成手段５ｂにて生成されたユーザネットワークを分割することにより、ユーザの意識を階層化する。

図６は、本発明の一実施形態に係るユーザネットワークを分割化する方法を示す図である。
図６において、図１のネットワーク生成手段５ｂにてユーザＡ〜Ｊについてのユーザネットワークが生成されたものとすると、ネットワーク分割手段５ｃは、そのユーザネットワークを分割することにより、ユーザＡ〜Ｊの意識が階層化されたユーザ集合Ｑ１〜Ｑ３を生成する。
ここで、ユーザネットワークを分割する方法として、“Ｎｅｗｍａｎ，Ｍ．Ｅ．Ｊ．：Ｆａｓｔ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｄｅｔｅｃｔｉｎｇ ｃｏｍｍｕｎｉｔｙ ｓｔｒｕｃｔｕｒｅ ｉｎ ｎｅｔｗｏｒｋｓ（２００３）”に記載されているように、集団間のリンクに対する集団内部のリンクの密度の濃さに基づいて評価することができる。そして、この度合いをモジュール性Ｑという値で定義している。

ここで、上記の文献に記載されている手法で分割された後に生成されるユーザ集合に所属するユーザの数のばらつきが大きかったり、各ユーザ集合に所属するユーザの数が少な過ぎる場合、適正なユーザ集合の階層を得ることができない。すなわち、上記の文献に記載されている手法では、最初に結合させるエッジを決める時に、結合後にモジュール性Ｑが大きくなる指標を示すスコアΔＱが同じ値のエッジの組み合わせが複数ある場合、エッジの組み合わせがランダムに決められる。このため、上記の文献に記載されている手法で分割された後に生成されるユーザ集合に所属するユーザの数のばらつきが大きくなり、ジャンル体系が深すぎる部分と浅すぎる部分とに分かれることになることから、ユーザ集合の階層が扱い難くなる。

そこで、ネットワーク生成手段５ｂは、最初に結合するエッジの組み合わせはランダムに決定する。そして、それにより最終的に分割されるクラスタ（集合）において、２番目以降に分割されるクラスタに所属するユーザの数がある閾値θを越える場合にのみ分割を許可し、２番目以降に分割されるクラスタに所属するユーザの数が閾値θ以下の場合に最初に結合するエッジの組み合わせを変更することができる。

そして、１番目に分割されたクラスタは、そこに所属するユーザの数が非常に大きい場合が多く、細やかなユーザ集合とならないと考えられるため、閾値θ以下になるまで分割を繰り返すことができる。そして、このように分割されたクラスタを一意識に沿ったアーチスト集合とすることができる。これにより、分割されたクラスタに所属するユーザの数のばらつきを抑え、階層化された意識の粒度を均等化することができる。

なお、分割を複数回繰り返しても、閾値θを超えるクラスタが生成されない場合、パラメータＸ、Ｚを小さくすることで、ユーザネットワーク内のリンクの数を抑え、分割可能なようにユーザネットワークを整えることができる。
そして、ネットワーク生成手段５ｂは、ユーザの数が閾値θを超える分割されたクラスタを、閾値θを変更して再分割し、ユーザ１４の意識１３ａ〜１３ｃの階層化を図ることができる。
そして、嗜好解析エンジン５は、階層化されたユーザ１４の意識１３ａ〜１３ｃをユーザ嗜好マイニング結果としてサービスプロバイダ３が保持するコンテンツ体系３ａにフィードバックすることができる。

これにより、ユーザ１４の嗜好に沿ったユーザ１４にとって分かり易いコンテンツ体系３ａを再構築することが可能となるとともに、サービスプロバイダ３が望む網羅的かつ専門的なコンテンツ体系３ａとの間のマッピングを得ることができる。このため、ユーザ１４は、直観的にコンテンツを発見することができ、自分の興味に沿った商品を効率よく発見することが可能となる。また、サービスプロバイダ３は、自分が管理しやすいコンテンツ体系３ａを維持したまま商品を管理することができ、ユーザ１４の興味の動向をマーケティングし易くなるとともに、コンテンツ体系３ａへのユーザ１４からのアクセスを促進させることを可能として、商品の販売を促進することが可能となる。

図７は、本発明の一実施形態に係る興味オントロジの近似性を利用したコミュニティ形成方法を示す図である。
図７において、各ユーザＡ、ＢのブログエントリＰＡ、ＰＢを雛形オントロジに対してそれぞれ分類することにより、各ユーザＡ、Ｂの興味オントロジＫＡ、ＫＢがそれぞれ生成されたものとする（ステップＳ１）。そして、各ユーザＡ、Ｂの興味オントロジＫＡ、ＫＢ間の近似度を計測し（ステップＳ２）、近似度の高い興味オントロジＫＡ、ＫＢ間で共起するクラスやインスタンスを分析することで、トポロジが異なるにも関わらず興味を持つ可能性が高い情報を他のユーザのエントリを介して意外な情報としてユーザに推奨することができる（ステップＳ３）。

例えば、各ユーザＡ、Ｂの興味オントロジＫＡ、ＫＢ間の近似度を計測することにより、“Ｍａｄｃｈｅｓｔｅｒ”などのクラスや“Ｈａｐｐｙ Ｍｏｎｄａｙｓ”などのインスタンスに興味を持つユーザは、“Ｇｌａｓｇｏｗ”というクラスや“Ｔｅｅｎａｇｅ Ｆａｎｃｌｕｂ”というインスタンスにも興味を持つ可能性が高いことが判る。
また、このような興味オントロジＫＡ、ＫＢをブログに適用することで、単純なキーワード検索ではなく、興味オントロジＫＡ、ＫＢ間の近似度に基づく意外なエントリ推薦によるコミュニティの形成を支援することができ、ユーザの興味を自然に広げることができる（ステップＳ４）。

なお、近似度計測手段５ａ、ネットワーク生成手段５ｂおよびネットワーク分割手段５ｃは、これらの手段で行われる処理を遂行させる命令が記述されたプログラムをコンピュータに実行させることにより実現することができる。
そして、このプログラムをＣＤ−ＲＯＭなどの記憶媒体に記憶しておけば、嗜好解析エンジン５のコンピュータに記憶媒体を装着し、そのプログラムをコンピュータにインストールすることにより、近似度計測手段５ａ、ネットワーク生成手段５ｂおよびネットワーク分割手段５ｃで行われる処理を実現することができる。また、このプログラムをネットワークを介してダウンロードすることにより、このプログラムを容易に普及させることができる。

また、近似度計測手段５ａ、ネットワーク生成手段５ｂおよびネットワーク分割手段５ｃで行われる処理を遂行させる命令が記述されたプログラムをコンピュータに実行させる場合、スタンドアロン型コンピュータで実行させるようにしてもよく、ネットワークに接続された複数のコンピュータに分散処理させるようにしてもよい。

本発明は、網羅的かつ専門的な知識を利用したコンテンツ体系を維持しつつ、ユーザの意識が反映された直観的なコンテンツ体系を構築することができ、サービスプロバイダによる商品管理の効率性を損なうことなく、サービスプロバイダが保持するコンテンツ体系へのユーザからのアクセスを促進することができ、商品の販売を増大させることができる。

本発明の一実施形態に係る意識体系構築装置が適用されるシステムの概略構成を示すブロック図である。 本発明の一実施形態に係るユーザの意識とサービスオントロジとの間の関係を示す図である。 本発明の一実施形態に係る興味オントロジ間の近似度計測方法を示す図である。 本発明の一実施形態に係る興味オントロジ間の近似度計測方法の優位性を示す図である。 本発明の一実施形態に係るユーザ間の興味関係をネットワーク化する方法を示す図である。 本発明の一実施形態に係るユーザネットワークを分割化する方法を示す図である。 本発明の一実施形態に係る興味オントロジの近似性を利用したコミュニティ形成方法を示す図である。

符号の説明

１、３ サービスプロバイダ
１ａ、２ａ ユーザＩＤ
１ｂ 購買履歴
２ ブログ事業者
２ｂ ブログ
３ａ コンテンツ体系
４ ユーザ嗜好抽出手段
４ａ 嗜好知識ベース
５ 嗜好解析エンジン
５ａ 近似度計測手段
５ｂ ネットワーク生成手段
５ｃ ネットワーク分割手段

Claims (6)

1. 個人の興味情報が概念階層化された興味オントロジ間の近似度を計測することにより、ユーザ間の興味の近似度を計測する近似度計測手段と、
   興味の近似度が所定の範囲内にあるユーザ間にリンクを張ることで、ユーザネットワークを生成するユーザネットワーク生成手段と、
   前記ユーザネットワークを分割することにより、前記ユーザの意識を階層化するネットワーク分割手段とを備えることを特徴とする意識体系構築装置。
2. 興味情報が概念階層化された雛形オントロジに含まれるクラスまたはインスタンスおよびそれらの上位のクラスを抽出することにより、前記興味オントロジを生成することを特徴とする請求項１記載の意識体系構築装置。
3. 前記近似度計測手段は、前記雛形オントロジから割り振られたクラスＩＤが前記興味オントロジにて保有されているかどうかの判定結果に基づいて、前記興味オントロジ間のトポロジの近似度を計測するとともに、前記雛形オントロジから割り振られたインスタンスＩＤが前記興味オントロジにて保有されているかどうかの判定結果に基づいて、前記興味オントロジ間のクラスの近似度を計測し、前記トポロジの近似度と前記クラスの近似度に基づいて、前記興味オントロジ間の近似度を計測することを特徴とする請求項１または２記載の意識体系構築装置。
4. 前記ネットワーク分割手段は、２番目以降に分割されるクラスタに所属するユーザの数がある閾値を越える場合にのみ分割を許可し、２番目以降に分割されるクラスタに所属するユーザの数が前記閾値以下の場合に最初に結合するエッジの組み合わせを変更することを特徴とする請求項１から３のいずれか１項記載の意識体系構築装置。
5. ブログエントリに対して形態素解析を適用することにより、前記ブログエントリに含まれる単語を抽出するステップと、
   興味情報が概念階層化された雛形オントロジを選択するステップと、
   前記ブログエントリから抽出された単語を含むクラスまたはインスタンスを前記雛形オントロジから抽出するステップと、
   前記抽出されたクラスまたはインスタンスおよびそれらの上位のクラスを興味オントロジとして前記雛形オントロジから抽出するステップと、
   前記興味オントロジ間の近似度を計測することにより、ユーザ間の興味の近似度を計測するステップと、
   前記興味の近似度が所定の範囲内にあるユーザ間にリンクを張ることで、ユーザネットワークを生成するステップと、
   集団間のリンクに対する集団内部のリンクの密度の濃さに基づいて前記ユーザネットワークを分割することにより、ユーザの意識を階層化するステップとを備えることを特徴とする意識体系構築方法。
6. ブログエントリに対して形態素解析を適用することにより、前記ブログエントリに含まれる単語を抽出するステップと、
   興味情報が概念階層化された雛形オントロジを選択するステップと、
   前記ブログエントリから抽出された単語を含むクラスまたはインスタンスを前記雛形オントロジから抽出するステップと、
   前記抽出されたクラスまたはインスタンスおよびそれらの上位のクラスを興味オントロジとして前記雛形オントロジから抽出するステップと、
   前記興味オントロジ間の近似度を計測することにより、ユーザ間の興味の近似度を計測するステップと、
   前記興味の近似度が所定の範囲内にあるユーザ間にリンクを張ることで、ユーザネットワークを生成するステップと、
   集団間のリンクに対する集団内部のリンクの密度の濃さに基づいて前記ユーザネットワークを分割することにより、ユーザの意識を階層化するステップとをコンピュータに実行させることを特徴とする意識体系構築プログラム。

Images