JP2008542870A - コンテンツに対するユーザの群の全体の関心を推定するため方法及び装置 - Google Patents

Abstract

本発明は、コンテンツに対するユーザの群の全体の関心を推定する方法であって、前記ユーザの群は少なくとも２人のメンバを含み、前記方法は、前記コンテンツの利用可能な時間スライス及び含まれる特徴に関連する情報を取得するステップと、異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値を取得するステップと、前記利用可能な時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値に基づき、前記全体の関心を決定するステップと、を有する方法に関する。

Description

本発明は情報処理技術に関し、特にコンテンツに対するユーザの群の全体の関心を推定するための方法及び装置に関する。

社会発展及び技術進歩に伴って、人々が取得してきた知識は指数関数的に増大している。膨大な量の利用可能な情報のため、日々の骨折り仕事から人々を解放し、人々がより効果的に創造的な労働を追及し、より良く生活を楽しむことを可能とする、情報の自動初期処理が可能な方法及び装置が至急必要とされている。

コンテンツ推薦は情報処理の分野において非常にホットな技術であり、基本原理は、予め設定された決定条件に基づいてコンテンツを解析し、特定のユーザ又はユーザの群の関心の度合い（以下関心と呼ぶ）を見出し、次いで該コンテンツを前記ユーザ又はユーザの群に推薦するか否かを決定するというものである。該技術は、テレビジョン番組の推薦において幅広い用途を持つことが予期される。このため、この背景に対して多くの研究が現在実行されている。

コンテンツの推薦を受けるのは個々のユーザであっても良いし、又は少なくとも２人のユーザ又はメンバで構成されるユーザの群であっても良い。例えば、ユーザの群は家族のメンバで構成されても良いし、又は同じ寮に住むルームメイトで構成されても良い。個人のユーザに比べて、ユーザの群は該群のメンバの相互効果に関連する。それ故、ユーザの群の関心の解析及び評価は、個人のユーザの場合に比べて複雑となる。

2001年3月28日出願の「Method and Apparatus for Generating Recommendations for a Plurality of Users」と題された米国特許出願US09/819440において、ユーザに対する推薦の結果を決定する方法が開示されている。該特許出願の発明者は、Lalitha Agnihotri及びSrinivas Guttaであり、ライセンシーはPhilips Electronics North America Corp.社である。該特許出願に開示された実施例においては、推薦結果が、情報又はコンテンツに含まれる特徴に対するユーザの群中のそれぞれのユーザの好み（preference）の計算から導出された、推薦ポイント又は混成推薦ポイントを用いて表現される。米国特許出願US09/819440の開示内容は、参照によりここで挿入されたものとする。

米国特許出願US09/819440の特定の実施例においては、推薦ポイントを決定するための方法は最初に、電子番組ガイド（ＥＰＧ）、即ち電子的な形態で存在するテレビジョン番組予測情報を取得する。次いで、各特徴に対する各視聴者の好みを含む、ユーザの群のメンバのプロファイル３００を取得する。その後、必要であれば、各特徴に対する各ユーザの好みを、同一の数値的な格付けへと変換する。続く処理ステップは、上述した視聴者プロファイルに基づき、番組が推薦に値する度合い、即ち各視聴者に番組が推薦されるポイントを決定することである。該群の全ての視聴者の推薦ポイントが得られた後、全ての視聴者の推薦ポイントを組み合わせ、全ての視聴者の推薦ポイントから加重平均値または算術平均値をとるといった方法で、ユーザの群の全体の推薦ポイントを導出する。最後に、該ユーザの群の計算された推薦ポイントを出力する。

コンテンツに対するユーザの群の全体としての関心、即ち全体の関心（total interest）をより適切に決定するため、より多くの要因が考慮に入れられても良い。

本発明の１つの目的は、ユーザの群に対してコンテンツをより個々に適した態様で推薦するために、コンテンツに対するユーザの群の全体の関心を正確に決定することにある。

一態様については、本発明は、コンテンツに対するユーザの群の全体の関心を推定する方法であって、前記ユーザの群は少なくとも２人のメンバを含み、前記方法は、前記コンテンツの利用可能な時間スライス及び前記コンテンツに含まれる特徴に関連する情報を取得するステップと、異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値を取得するステップと、前記利用可能な時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値に基づき、前記全体の関心を決定するステップと、を有する方法を提供する。

実施例の１つにおいては、各前記メンバの優先度の値は、前記メンバの１人の前記優先度の値が少なくとも２つの時間スライスにおいて異なり、前記２つの時間スライスは１日を分割した複数の時間スライスからのものであるように構成され、又は、各前記メンバの優先度の値は、前記メンバの１人の前記優先度の値が、少なくとも２つの異なる日の同一の時間スライスにおいて異なるように構成される。

他の実施例においては、前記決定するステップは、異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する好みの値に基づき、異なる時間スライスに含まれる前記特徴に対する前記ユーザの群の関心の値を決定するステップと、前記利用可能な時間スライスに基づいて、前記群の関心の値を決定するステップと、前記群の関心の値を組み合わせて、前記全体の関心を導出するステップと、を有する。

他の態様については、本発明は、ユーザの群に対してコンテンツを推薦するための方法であって、前記ユーザの群は少なくとも２人のメンバを含み、前記方法は、前記コンテンツの利用可能な時間スライス及び前記コンテンツに含まれる特徴に関連する情報を取得するステップと、異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値を受信するステップと、前記利用可能な時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値に基づき、前記全体の関心を決定するステップと、前記全体の関心に基づき、前記ユーザの群に対して推薦するステップと、を有する方法を提供する。

本発明の更に他の態様は、コンテンツに対するユーザの群の全体の関心を推定するための装置であって、前記ユーザの群は少なくとも２人のメンバを含み、前記装置は、前記コンテンツの利用可能な時間スライス及び前記コンテンツに含まれる特徴に関連する情報を取得するための手段と、異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値を受信するための手段と、前記利用可能な時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値に基づき、前記全体の関心を決定するための手段と、を有する装置を提供する。

実施例の１つにおいては、各前記メンバの優先度の値は、前記メンバの１人の前記優先度の値が少なくとも２つの時間スライスにおいて異なり、前記２つの時間スライスは１日を分割した複数の時間スライスからのものであるように構成され、又は、各前記メンバの優先度の値は、前記メンバの１人の前記優先度の値が、少なくとも２つの異なる日の同一の時間スライスにおいて異なるように構成される。

他の実施例においては、前記決定する手段は、異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する好みの値に基づき、異なる時間スライスに含まれる前記特徴に対する前記ユーザの群の関心の値を決定するための生成手段と、前記利用可能な時間スライスに基づいて、前記群の関心の値を決定するための検索手段と、前記群の関心の値を組み合わせて、前記全体の関心を導出するための計算手段と、を有する。

本発明の更に他の態様は、ユーザの群に対してコンテンツを推薦するための装置であって、前記ユーザの群は少なくとも２人のメンバを含み、前記装置は、前記コンテンツの利用可能な時間スライス及び前記コンテンツに含まれる特徴に関連する情報を取得するための取得手段と、異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値を受信するための受信手段と、前記利用可能な時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値に基づき、前記全体の関心を決定するための決定手段と、前記全体の関心に基づき、前記ユーザの群に対して推薦するための推薦手段と、を有する装置を提供する。

本発明の更に他の態様は、コンテンツに対するユーザの群の全体の関心を推定するためのコンピュータプログラムであって、前記ユーザの群は少なくとも２人のメンバを含み、前記コンピュータプログラムは、前記コンテンツの利用可能な時間スライス及び前記コンテンツに含まれる特徴に関連する情報を取得するためのコードと、異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値を取得するためのコードと、前記利用可能な時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値に基づき、前記全体の関心を決定するためのコードと、を有するコンピュータプログラムを提供する。

本発明はまた、コンピュータプログラムを含むメモリ担体に関する。

本発明においては、各群のメンバのコンテンツ選択に対する影響力が動的である多くの状態に適合するように、群の各メンバの優先度が時間により変化し、それによりユーザの群に対してより正確にコンテンツを推薦する方法が利用され得る。

一実施例においては、メンバの優先度は、時間スライス毎に変化するように設定され得る。本実装は、単純さ及び柔軟さという利点を持ち、テレビジョン番組の関心推定及び推薦に適する。その上、各時間スライスにおける各特徴に対するユーザの群の関心がこれに基づいて予め計算されることができ、該関心が全体の関心の後続する計算において利用され、計算費用を低減させ、かくしてハードウェア構造を単純化する。

添付図面と併せて以下の説明及び請求項から、本発明のこれらの及び他の目的及び利点は明らかであり、本発明は更に十分に理解されるであろう。

全ての図面において、同一の参照番号は同様の又は同一の特徴又は機能を示す。

以下は、図面に基づく、本発明の好適な実施例の詳細な説明である。

図１は、コンテンツに対するユーザの群の全体の関心を推定するための、本発明の方法による好適な実施例を示すフロー図である。例えば、該コンテンツはテレビジョン番組である。

図１に示されるように、ステップＳ１１０において、各特徴に対する群の全てのメンバの好み及びテレビジョン番組の選択におけるメンバの優先度を含む、ユーザデータが取得される。該ユーザデータ及び他のユーザに関連するデータが、将来の利用のため、ユーザプロファイルに保存されても良い。好ましくは、該ユーザプロファイルは、所定のフォーマットのデータファイルである。該プロファイルは、番組プロバイダにより定期的に更新されるか、又は群のメンバの要求により群のメンバによる修正によって修正されても良い。以下の表１及び２はそれぞれ、ユーザデータの２つのカテゴリのデータ構造を示す。

ユーザデータは、種々の方法で取得される。例えば、全体の関心の計算の機能を実行するためにセットトップボックスが利用される場合、該セットトップボックスが、例えばケーブルテレビジョンネットワーク又はＬＡＮを通して、番組プロバイダのリモートのサーバからユーザデータをダウンロードすることによりユーザデータを取得しても良い。このとき、リモートのサーバにおいて供給されるユーザデータは、多くの家庭のサンプルから得られる静的なデータであっても良いし、又は家族のメンバが入力装置によって個人的にユーザデータを設定し、全体の関心の計算のためにセットトップボックスのような装置にこれらユーザデータを保存しても良い。また、家族のメンバのテレビジョン視聴の情報が、テレビジョンセットの近くに設置された監視装置（例えばビデオカメラ及びリモートコントローラ）によって自動的に収集され、該情報がセットトップボックスに送信され、又はネットワークを通してリモートのサーバへと送信され、統計及び解析を介してユーザデータを形成しても良い。

表１は、各特徴に対する群の各メンバの好みのデータを含む。ユーザの群は、父親、母親、子供１及び子供２から構成されている。視聴されるテレビジョン番組はＡ乃至Ｋの計１１個の特徴を含み、ここでＡは番組が英語による番組又は主に英語による番組であることを示し、Ｂ、Ｃ及びＤはそれぞれ番組がコンピュータ、数学及び化学に関するものであることを示し、Ｅはロマンチックな映画の番組を表し、Ｆ及びＧはそれぞれ番組が漫画又は連続番組であることを示し、Ｈはニュース番組を表し、Ｉはコマーシャルであり、Ｊはコメディー番組であり、Ｋはスポーツ番組である。表中の数値は、それぞれの特徴に対するメンバの好みを示す。即ち、本実施例においては、数値は、コンテンツに含まれる特徴に対する群の各メンバの好みを記述する又は示すために利用される。例えば、子供１は漫画の映画を観ることを好み、それ故漫画の映画に対する子供１の好みは０．８である。子供１は連続番組及びニュースには関心がないため、対応する値は０である。加えて、子供１はコマーシャルを観ることを嫌っているため、該特徴に対する子供１の好みの値は−０．６である。他の家族のメンバも、それぞれの好みによって、対応する値を付与されている。

表２は、群の各メンバの優先度データを含む。関心計算方法の説明が示すであろうように、ここでの優先度は、ユーザの群の全体の関心に対するメンバの影響を表す。高い優先度は、全体の関心に対するメンバの比較的顕著な影響を意味し、又はその逆が成り立つ。

表２が示すように、本例においては、テレビジョン番組視聴時間が４つの時間スライスに分割され、異なる時間スライスにおける各メンバの優先度は一定のままではない。例えば１８：３０〜１９：３０の時間スライスをみると、まだ早い時間であるため、親は一般に子供達にテレビジョンを観ることを許可しており、それ故子供１及び子供２についての優先度値は共に１である。深夜が近づくと、子供達がテレビジョンセットの前にいる確率は減少し、子供達の優先度が徐々に減少する。それ故、或る程度、時間により変化する優先度が、テレビジョン番組の視聴者の変化を反映している。他の例では、母親の優先度は毎日１８：３０〜１９：３０では他のメンバより低く（０．１の値をとる）、２０：３０〜２１：３０の時間スライスでは他のメンバより高い（０．７の値をとる）。前者の低い優先度は、家庭の雑用のため忙しくＴＶを観られないからである。後者の時間スライスは、母親の空き時間である。母親のＴＶを観る急な要求に対処するため、母親がテレビジョン番組の選択に発言権を持つことを確実にするために、優先度が非常に高い値に設定され得る。

本実施例においては、一日の異なる時間スライスにおいては、優先度が異なる値をとる。この方法は、テレビジョン番組の関心の推定及び推薦に比較的適している。その上、家族のメンバの視聴習慣に対する休日という要因の影響を反映させるため、就業日と休日とで、時間スライスにおける優先度の変化のために異なる値がとられる。しかしながら、時間により優先度を変化させる他の方法が利用されても良いことは、指摘しておく価値がある。例えば、休日及び季節の要因を反映するために年、月又は日により異なる優先度値がとられ、又は優先度が時間と共に変化する数学的な関数の形で示される。

結論として、異なる時間において好みと優先度値との組み合わせを適切に設定することにより、全体の関心を決定する際に、受信されるコンテンツのオブジェクトの時間変化する要因が考慮され、それにより包括的で正確な推薦結果を促進する。

再び図１を参照すると、ユーザデータを取得するステップＳ１１０を実行した後、ステップＳ１２０に入り、各時間スライスにおける各特徴に対するユーザの群の関心（本発明においては特徴関心とも呼ぶ）を計算する。以下の節では、特徴関心の計算の具体的な方法が詳細に議論される。

次いでステップＳ１３０に入り、ステップＳ１２０において計算された各時間スライスにおける各特徴に対するユーザの群の関心を保存するユーザプロファイルを生成する。表３は、該プロファイルの構造形式の例を示す。図３において、特徴Ａ乃至Ｋは、各時間スライスにおける特徴の１つに関するユーザの群の関心を表す、４つの時間スライスにおけるそれぞれの計算値を持つ。単にプロファイル構造を表現するという目的のため、幾つかの空白には特定の値が示されていない。示されているものは、時間スライス２０：３０〜２１：３０におけるＡ、Ｅ及びＧの計算値である。

かくして、ユーザの群のプロファイルが形成された。番組に対するユーザの群の全体の関心は、該番組に含まれる各特徴に対する群のユーザの関心に依存し、それ故、後続する全体の関心の計算のステップにおいて、前記ステップＳ１１０乃至１３０を繰り返す必要なく、ユーザの群のプロファイルから該番組に含まれる特徴に対する関心の対応する値をとることで十分であることは、指摘しておく価値がある。

ユーザの群のプロファイルは、或る期間（例えば１週間）の間は不変のままであっても良い。該期間の間、番組推薦を実行するときはいつでも、ユーザの群のプロファイルは、ステップＳ１１０乃至１３０を繰り返す必要なく、直接に取得され利用される。取得及び利用の簡便さのため、ユーザの群のプロファイルは、全体の関心の計算のステップにおける後の利用のため、データファイルに書き込まれても良い。全体の関心がセットトップボックスにおいて計算される場合、ユーザの群のプロファイルは、ネットワークを通してリモートのサーバからダウンロードされて取得されても良いし、又は該セットトップボックスに含まれるメモリから取得されても良い。ユーザデータにおける変更を反映するためにユーザデータが定期的に又はランダム的に更新された後、ユーザの群のプロファイルはステップＳ１１０乃至１３０を利用して再計算されるべきであることは、指摘しておく必要がある。

図１を参照すると、次いでステップＳ１４０に入り、テレビジョン番組に含まれる特徴及び放送時間に関連するデータを取得する。該データは、プロバイダのデータベースにおいて所定のデータ構造で保存されても良いし、全体の関心を取得する機能を実行するための手段により利用されるためにユーザの群に送信されるＥＰＧに含められても良い。これらデータを供給する手段が、全体の関心を取得するための手段と物理的に独立している場合には、一度に、全体の関心を取得するための手段にこれらデータの全てを入力することが好ましい。全体の関心が計算されるべきテレビジョン番組が、感傷的な恋物語を描く元の英語の連続番組であり、それ故該番組が含む特徴はＡ、Ｅ及びＧであると仮定する。その上更に、該番組の放送時間が２０：４０〜２１：２０（時間スライス２０：３０〜２１：３０に含まれる）と仮定する。

次いでステップＳ１５０に入り、ステップＳ１３０において生成されたユーザの群のプロファイルから前記連続番組の各特徴に対する好みを検索する。ここで、放送時間がちょうど時間スライス２０：３０〜２１：３０に含まれるため、対応する好みデータは図３に示された表から直接見出され得る。該テレビジョン番組に含まれる特徴Ａ、Ｅ及びＧに対する関心データがそれぞれ０．３７、０．１４５及び−０．０１５であると仮定する。生じる見込みが高い状況は、番組の放送時間が２つの時間スライスに跨る場合である。例えば２０：２５〜２１：１５という放送時間は、表２に示された１９：３０〜２０：３０及び２０：３０〜２１：３０という２つの時間スライスに亘る。この問題は、以下のような方法で対処され得る。

第１の方法は以下のように進む。番組が含まれる時間スライスが、該番組が放送を開始される時間によって決定される。上述の仮定状況の下では、前記番組は１９：３０〜２０：３０の時間スライスにあるとみなされる。第２の方法は正反対であり、番組が終了する時間によって時間スライスが決定される。このとき、前記番組は２０：３０〜２１：３０の時間スライスにあるとみなされる。２つの異なる時間スライスにおける番組の継続時間によって、別個の時間スライスに基づいて各特徴に対する関心が計算される、更に他の方法もある。即ち、放送の継続時間を重みとして用いて、特徴に対する関心の加重平均値を、該特徴に対するユーザの群の関心の最終値として計算する。

次いでステップＳ１６０に入り、ステップＳ１５０において得られた対応する放送時間スライスにおける各特徴に対するユーザの群の関心を組み合わせて、該番組に対する全体の関心を得る。例えば、以下の式によって計算された、該番組に含まれる各特徴に対するユーザの群の関心の算術平均値又は加重平均値が、全体の関心Ｐとして利用されても良い：

ここでＳ^ｉ _ｊは時間スライスｉにおける特徴ｊに対するユーザの群の関心であり、ＷＳ_ｊは特徴ｊの重みであり、ｍはテレビジョン番組の特徴の数である。Ｓ１４０に関連して説明された例については、算術平均値がとられる場合には、全体の関心は、特徴Ａ、Ｅ及びＧに対する３つの関心の算術平均値に等しく、即ち（０．３７＋０．１４５−０．０１５）／３≒０．０４３となる。

他の例として、例えば１０個のような多くの特徴がある場合、最大及び最小の関心値を持つ特徴を考慮せずに平均値が計算される、あらゆる種類の競争又は競技においてしばしば利用されるスコアリング方法が利用されても良い。いずれにしても、各特徴が全体の関心にどれだけ寄与するかを反映することが出来る限り、種々の組み合わせが利用されることができる。

次いでステップＳ１７０に入り、他に全体の関心の計算を必要とするテレビジョン番組があるか否かを決定する。もしあればステップＳ１４０に戻り、そうでなければ全体の処理を終了する。

以下は、ステップＳ１２０における特徴関心の計算の方法の詳細な議論である。明らかに、或る特徴に対するユーザの群の関心は、異なる時間スライスにおける各メンバの優先度の値、及び含まれる特徴に対するメンバの好みに依存する。それ故、好みを計算する、又は斯かる関心データを得るために好みを優先度と組み合わせる、多くの方法がある。以下、順に２つの例を示す。

第１の例は、加重平均の概念に基づく。具体的には、ここでは各時間スライスにおける各メンバの優先度が一様に処理される。かくして、各時間スライスにおいて、優先度がメンバの加重値へと変換される。表４は、異なる時間スライスにおける、群の各メンバの一様に処理された加重値を示す。表４が示すように、ユーザの群が３人のメンバ、即ち父親、母親及び子供から構成されている。各時間スライスにおいて、各メンバの加重値の合計は常に１に等しい。表５は、特徴Ａ、Ｂ及びＣに対する群の各メンバの好みを示す。本表における各項目は表２におけるものと同一のものを意味し、それ故ここでは更に詳述されない。

テレビジョン番組が特徴Ａを含み、該番組の放送時間が１８：３０〜１９：３０であるとすると、該特徴に対するユーザの群の関心は、以下の式によって計算される：

ここでＳ^ｉ _ｊは時間スライスｉにおける特徴ｊに対するユーザの群の関心であり、Ｄ^ｊ _ｋは特徴ｊに対するユーザｋの好みであり、Ｗ^ｉ _ｋは時間スライスｉにおけるユーザｋの重みであり、ｎは群のメンバの数であり、Ｄ^ｊ _ｋとＷ^ｉ _ｋとの積は時間スライスｉにおける特徴ｊに対するユーザｋの関心を表す。

本例に関する限り、表４及び５をみると、時間スライス１８：３０〜１９：３０における父親、母親及び子供の重みはそれぞれ０．２、０及び０．８であり、特徴Ａに対する好みはそれぞれ０．３、０．５及び１である。それ故、特徴Ａに対するそれぞれの関心は０．０６、０及び０．８であり、ユーザの群の関心の値は０．８６である。

他の例においては、前記ステップＳ１２０の機能がファジィ論理処理に基づいて実行される。

図２は、ファジィ論理処理モードに基づく、特徴に対するユーザの群の関心を計算する実施例を示すフロー図である。表１及び２に示された状況がここでも例として考慮される。

図３が示すように、特徴（例えばＡ）に対する時間スライス（例えば１８：３０〜１９：３０）におけるユーザの群の関心を計算するため、ステップＳ２１０において、特徴Ａに対するメンバ（例えば父親）の関心、及び対応する時間スライスにおける該メンバの優先度を入力する。表２及び３によれば、これら値はそれぞれ０．７及び０．６である。

次いでステップＳ２２０に入り、ステップＳ２１０において入力された好み及び優先度の２つのクリスプ値を、選択されたメンバシップ関数を利用して、ファジィ値のメンバシップに投影する。メンバシップ関数の形式は、利用の特定の環境に依存する。例えば、ここでの実施例に関しては、図３ａ及び３ｂに示されたメンバシップ関数が利用されても良い。ここで図３ａは好みのメンバシップ関数を示し、ｘ座標ｅ_１は好みを表し、縦座標はメンバシップμを表し、メンバシップ関数を用いて好みを３つのファジィ値「嫌い」、「普通」及び「好き」のメンバシップへと投影することが可能である。図３ｂは、優先度のメンバシップ関数を示し、ｘ座標ｅ_２は優先度を表し、縦座標はメンバシップμを表す。メンバシップ関数は、優先度を３つのファジィ値「重要でない」、「普通」及び「重要」に投影するために利用されることができる。

次いでステップＳ２３０に入り、所定のファジィ論理規則を利用することにより、ファジィ出力を導出する。ファジィ出力は、特徴Ａに対するメンバの（ここでは父親の）関心を反映する、種々のファジィ値のメンバシップの群である。図３ｃは、ファジィ出力のメンバシップ関数を示す。ｘ座標αは特徴属性に対する関心を表し、縦座標はメンバシップμを表す。図２が示すように、特徴属性Ａに対するメンバの関心は、幾つかのファジィ値「とても嫌い」、「嫌い」、「普通」、「好き」及び「とても好き」というメンバシップとして示される。導出の具体的な規則は、利用環境の特性に主に依存する。例えば、本実施例においては、以下の規則が適用されても良い
Ｉ．ｅ_１が「嫌い」且つｅ_２が「重要でない」であれば、αは「普通」
II．ｅ_１が「嫌い」且つｅ_２が「普通」であれば、αは「嫌い」
III．ｅ_１が「嫌い」且つｅ_２が「重要」であれば、αは「とても嫌い」
IV．ｅ_１が「普通」且つｅ_２が「重要でない」であれば、αは「普通」
Ｖ．ｅ_１が「普通」且つｅ_２が「普通」であれば、αは「普通」
VI．ｅ_１が「普通」且つｅ_２が「重要」であれば、αは「普通」
VII．ｅ_１が「好き」且つｅ_２が「重要でない」であれば、αは「普通」
VII．ｅ_１が「好き」且つｅ_２が「普通」であれば、αは「好き」
IX．ｅ_１が「好き」且つｅ_２が「重要」であれば、αは「とても好き」

次いでステップ２４０に入り、ステップＳ２３０において得られた特徴属性Ａに対するメンバの関心をクリスプ値Ｓ_ｉに変換する（即ち非ファジィ化処理）。ここでｉはメンバの番号である。通常利用される非ファジィ化処理方法は、「重心法（center-of-gravity）」、「最大値中心法（center-of-maximum）」及び「最大値平均法（mean-of-maximum）」を含む。該処理に「重心法」が適用される場合、以下の式が計算のために利用されても良い。

ここでμ［ｌ］は導出規則番号ｌを満足する出力エリアの高さであり、Ｙ_ｉは導出規則番号ｌを満足する出力エリアの重心の水平座標であり、ｍは該規則を満足する出力エリアの数である。

次いでステップＳ２５０に入り、全てのメンバのＳ_ｉが計算されたか否かを決定する。該条件が満足されない場合にはステップＳ２１０に戻り、そうでなければステップＳ２６０に入る。

ステップＳ２６０において、群の全てのメンバ（例えば本実施例においては父親、母親及び子供）のＳ_ｉを合計し、所与の時間スライスにおける特徴に対する群の関心を取得するか、又は所与の時間スライスにおける特徴に対するユーザの群の関心として群の全てのメンバのＳ_ｉの平均を利用する。

図４のフロー図は、コンテンツに対するユーザの群の全体の関心を推定するための、本発明の方法による他の実施例を示す。

図４に示されるように、ステップＳ４１０において、ユーザデータは種々の方法で取得され得る。該データの構造は表１及び２又は表４及び５に示されたようなものであっても良いが、他の形態であっても良い。

次いでステップＳ４２０に入り、テレビジョン番組の特徴及び放送時間に関するデータを取得する。番組源データベースから取得された番組情報が、テレビジョン番組が特徴Ｂ及びＣを含み、２０：３０〜２１：００に放送されるというものであるとする。

次いでステップＳ４３０に入り、取得された放送時間に基づいて、対応する優先度を決定する。例えば、時間スライスによる優先度の変化は、表をチェックすることにより得られる。

次いでステップＳ４４０に入り、ステップＳ４１０において得られた全てのメンバの好み及びステップ４３０において決定された優先度に基づいて、放送時間スライスにおける各特徴に対するユーザの群の関心を計算する。特徴に対するユーザの群の関心の計算の方法は以上において詳細に議論されているので、ここでは詳述しない。

次いでステップＳ４５０に入り、ステップＳ４４０において得られた放送時間スライスにおける各特徴に対するユーザの群の関心を組み合わせて、該番組に対する全体の関心を導出する。計算の具体的な方法については、関連する上述した記載を参照されたい。

次いでステップＳ４６０に入り、全体の関心を計算する必要のある他の番組があるか否かを判定する。もしあればステップＳ４２０に戻り、そうでなければ全体の処理を終了する。

テレビジョン番組の放送時間が表２又は４における複数の時間スライスに跨る場合には、上述した方法が利用されても良い。例えば、上述した第１又は第２の方法を利用することを仮定すると、ステップＳ４３０において番組が開始又は終了する時間スライスを見出し、それに従って、ステップＳ４４０において、前記時間スライスにおける各特徴に対するユーザの群の関心を計算する。第３の方法を利用することを仮定すると、ステップＳ４３０において、番組の放送継続時間が跨る全ての時間スライスを見出し、ステップＳ４４０において、ステップＳ４３０において決定された各時間スライスにおける放送時間を重みとして用いて、異なる時間スライスにおける特徴に対する関心の加重平均値を計算し、該値を該特徴に対するユーザの群の関心の値として利用する。

代替の手法として、前記ステップＳ４４０において、各特徴に対するユーザの群の関心ではなく、番組に対する群の各メンバの関心を計算しても良いことは、指摘しておく価値がある。対応して、ステップＳ４５０において、番組に対する群の各メンバの関心を組み合わせ、該番組に対する全体の関心を導出する。図１及び４により説明された２つの実施例の比較が示すように、これら２つの実施例は主に、前者が最初に、各特徴に対するユーザの群の関心が時間スライスごとに変化する態様を実際に定義するユーザの群のプロファイルを形成し（ステップＳ１２０及びＳ１３０）、次いで各特定の番組について、放送時間スライスにおいて該番組に含まれる特徴に対するユーザの群の関心を決定するためにユーザの群のプロファイルを利用することのみが必要であるのに対して、後者はユーザの群のプロファイルを形成するステップを欠き、その代わり各特定の番組について、放送時間スライスにおける該番組の群のメンバの優先度が最初にそれぞれ決定され（ステップＳ４３０）、次いで該放送時間スライスにおける該番組に含まれる特徴に対するユーザの群の関心の値が計算される（ステップＳ４５０）点において異なる。

全体の関心を取得するための前記方法は、ユーザの群に対してコンテンツをより完全に且つ正確に推薦することを可能とする。以下、テレビジョン番組を例にとり、図５を用いて、ユーザの群に対してコンテンツを推薦するための方法の好適な実施例が説明される。

図５が示すように、ステップＳ５１０において、図１及び４における全体の関心を取得する方法を利用することにより、１以上のテレビジョン番組に対するユーザの群の全体の関心を取得する。

次いでステップＳ５２０に入り、ステップＳ５３０において取得された全体の関心に基づいて、ユーザの群に対して推薦すべきテレビジョン番組を決定する。該決定は、以下のような方法で為されても良い：各番組に対する全体の関心を、所定の閾値と比較する。該関心が該閾値よりも大きければ、ユーザの群のために提供される推薦リストに該番組を書き込み、そうでなければ次の番組に対する全体の関心を比較し処理する。加えて、全ての番組に対する全体の関心が最初に順序付けられ、次いで該順序付けられたシーケンスにおける最初のｎ個の番組が前記推薦リストに書き込まれる。ここでｎは所定の正の整数である。

最後に、ステップＳ３５０において、取得された推薦リストがユーザの群に提案される。コンテンツ推薦が番組プロバイダ側で完了される場合は、ＥＰＧと共にネットワークを通して番組プロバイダにより、セットトップボックス又はＰＣのようなユーザの群の装置に推薦リストが供給されても良い。コンテンツ推薦がユーザの群側で完了される場合は、該推薦は、番組プロバイダにより提供される番組情報（例えば番組に含まれる特徴及び番組の放送時間）に対するユーザ装置の処理により得られても良い。

以下の議論は、全体の関心を得るための前記方法及びコンテンツ推薦の方法を実行するための装置の説明に焦点を当てる。

図６は、全体の関心を取得するための前記方法を実行するための装置の実施例を示すブロック図である。装置６００は、取得ユニット６１０、受信ユニット６２０及び決定ユニット６３０を有する。

取得ユニット６１０は、表１及び２並びに表４及び５において示された、各特徴に対する群の各メンバの優先度及び好みの時間変化するモードを含む、ユーザデータを取得する。

ユーザデータを取得する種々の方法に対して、取得ユニット６１０は異なる実装を持つ。例えば、ユーザデータが測定により取得される場合、取得ユニット又は装置は自身に装備された自動監視ユニットを含む。ユーザデータがユーザ自身により生成される場合、キーボード、マウス、リモートコントローラ又は音声入力装置のような装置が、該ユーザデータ取得ユニットとして利用されても良い。全体の関心データの計算がユーザの群の装置（例えばテレビジョンセット、セットトップボックス又はＰＣ）において為され、ユーザデータがネットワークを介してリモートの端末コンピュータにより供給される場合、ユーザの群の装置における通信機能を実行するためのモジュールが、該データ取得ユニットとみなされ得る。

受信ユニット６２０は、番組に関連した情報（番組に含まれる特徴及び番組の放送時間を含む）を受信するために利用される。勿論、特定の実施例においては、受信ユニット６２０は、ハードウェア的に取得ユニット６１０と一体化されていても良い。

決定ユニット６３０は、コンテンツに対するユーザの群の全体の関心を取得するために利用され、ユーザの群プロファイル生成ユニット６３１、検索ユニット６３２及び計算ユニット６３３を有する。

装置６００はまた、第１のメモリユニット６４０、第２のメモリユニット６５０及び第３のメモリユニット６６０を有する。ここで第１のメモリユニット６４０は、ユーザデータを保存するため、取得ユニット６１０及びユーザの群プロファイル生成ユニット６３１に接続され、第２のメモリユニット６５０は、検索ユニット６３２により利用されるべきユーザの群のプロファイルデータを保存するため、ユーザの群プロファイル生成ユニット６３１に接続される。ユーザデータが定期的に又はランダム的に更新された後、ユーザの群プロファイル生成ユニット６３１は、ユーザの群のプロファイルを再計算し、新たな計算結果により第２のメモリユニット６５０を更新すべきであることは、指摘される必要がある。第３のメモリユニット６６０は、計算ユニット６３３の保存結果を保存するため、計算ユニット６３３に接続される。

第１、第２及び第３のメモリユニット６４０、６５０及び６６０は、揮発性メモリであっても良いし又は不揮発性メモリであっても良く、これらが実際にはメモリの異なる記憶エリアである場合には、１つのメモリにより実現されても良い。

生成ユニット６３１は、各時間スライスにおける群の各メンバの優先度及び各特徴に対する好みに基づいて、第１のメモリユニット６４０からのユーザデータを用いて、各時間スライスにおける各特徴に対するユーザの群の関心を決定する。これら関心データは、所定のフォーマットで、ユーザプロファイルデータとして第２のメモリユニット６５０に保存される。関連する関心データの計算の具体的な方法は、上述した詳細な説明を参照されたい。

検索ユニット６３２は受信ユニット６２０に接続され、受信ユニット６２０により供給された番組に含まれる特徴及び該番組の放送時間の情報に基づき、第２のメモリユニット６５０における対応する関心データを検索して、該番組の放送時間に対応する時間スライスにおいて該番組に含まれる各特徴に対するユーザの群の関心を取得する。テレビジョン番組の放送期間が複数の時間スライスに跨る状況については、検索ユニット６３２は種々の処理方法に依存して検索動作を実行する。

計算ユニット６３３は、検索により得られたテレビジョン番組に含まれる特徴に対するユーザの群の関心の算術平均値又は加重平均値を評価するため、検索ユニット６３２に接続される。前記算術平均値又は加重平均値は、該番組に対するユーザの群の全体の関心として、第３のメモリユニット６６０に保存される。

図７ａは、ユーザの群に対してコンテンツを推薦するための、本発明による実施例の装置７００ａを示すブロック図である。装置７００ａは、上述した装置６００及び推薦ユニット７１０ａを有する。

推薦ユニット７１０ａは、閾値比較ユニット７１１及び推薦リストメモリユニット７１２を含む。

閾値比較ユニット７１１は、ユニット６００における第３のメモリユニット６６０に接続され、保存された全体の関心を１つずつ、所定の閾値と比較する。前者が後者よりも大きい場合には、対応する番組の識別子（ＩＤ）が、推薦リストメモリユニット７１２に出力される。該推薦リストは、更にユーザに対して表示されても良い。

図７ｂは、ユーザの群に対してコンテンツを推薦するための、本発明による他の実施例の装置７００ｂを示すブロック図である。本図７ｂに示される装置７００ｂは、推薦ユニット７１０ｂにおいて、順序付けユニット７１３が閾値比較ユニット７１１に置き換わる点において、図７ａにおける装置と異なる。

順序付けユニット７１３は、装置６００における第３のメモリユニット６６０に接続される。該順序付けユニット７１３は、保存された全体の関心を順序付けて並べ、全体の関心の大きさの順に最初の１つ又は幾つかの番組のＩＤを、推薦リストメモリユニット７１２に出力する。

前記ユニットの全て及びこれらユニットに含まれる幾つかの又は全ての部分が、ソフトウェアによって実現されても良いことは、理解されるべきである。

本発明はまた、適用可能なプログラムを用いて、コンピュータにより実現されても良い。該コンピュータのために備えられるプログラムに含まれるコードは、マシンを形成するプロセッサに供給されても良く、これによりプロセッサにおいて実行されるコードが、以下の機能を実行しても良い。即ち、異なる時間スライスにおける群の各メンバの優先度及び特徴に対する各メンバの好みの値の取得；コンテンツの提供時間及びコンテンツに含まれる特徴を含む、コンテンツに関連する情報の取得；及び、前記提供時間の時間スライスにおける群の各メンバの優先度及び該コンテンツに含まれる特徴に対する各メンバの好みに基づく、全体の関心の決定、である。コンピュータプログラムはメモリ担体に保存されても良い。

本発明においては、特徴とは、ユーザの関心に影響を与える、コンテンツに含まれる特徴を指す。それ故、異なるユーザの群とコンテンツとについて、一意的な特徴の組み合わせが存在する見込みが高い。テレビジョン番組を例にとると、テレビジョン番組は、放送チャネル、タイトル、該番組の配役、及び該番組のジャンル（例えばドラマ、喜劇、恋愛物語、アクション映画又はスポーツイベント）のような、視聴者の視聴意欲に影響を与える属性により表現され得る。ユーザの群及びコンテンツによって特徴の組み合わせをどのようにカスタマイズするかは本発明が解決しようとするものではなく、本発明により達成される技術的効果との因果関係を持たないことは、指摘しておく価値がある。それ故、上述の側面についての知識は、本発明の請求の範囲に対するいずれの制約をも構成しない。

以上の説明はテレビジョン番組を例にとったが、本発明において言及されたコンテンツなる語は、広い意味で理解されるべきである。実際には、コンテンツなる語は、視覚、聴覚、触覚及び味覚情報のような、人間の器官により知覚可能な全ての情報を含む。コンテンツの物理的な形態は、種々の形態の光学的、電気的及び音響的信号を含むが、これらに限定されるものではない。コンテンツの他の例としては、ユーザの群に郵送された旅行者向けのプロモーションマテリアルがある。斯かるマテリアルは、そのコンテンツの特徴として、受取側の関心に影響を与える、旅行先の地域、価格及び優遇条件のような属性を持つ。その上、群のメンバの優先度は、時間によって変化する見込みが高い。例えば６月の子供の日（Children's Day）が近づいているときには、通常の日よりも、家族の中の子供が旅行に行く場所についての発言権を持つ。同様に、母の日（Mother's Day）には母親の優先度が高く、他のメンバの優先度は低い。

以上に説明された事項に基づき、当業者はあらゆる種類の代替、変形及び変更を為し得ることは、理解されるべきである。斯かる代替、変形及び変更が添付される請求項の精神及び範囲内である場合には、これら代替、変形及び変更は本発明によりカバーされる。

コンテンツに対するユーザの群の全体の関心を推定するための、本発明の方法による好適な実施例を示すフロー図である。 ファジィ論理処理モードに基づく特徴に対するユーザの群の関心を計算する実施例を示すフロー図である。 特徴に対するユーザの群の好みに対応する、図２に示されたファジィ論理処理モードにおいて利用されるメンバシップ関数を示す。 特徴に対するユーザの群の優先度に対応する、図２に示されたファジィ論理処理モードにおいて利用されるメンバシップ関数を示す。 特徴に対するユーザの群の関心に対応する、図２に示されたファジィ論理処理モードにおいて利用されるメンバシップ関数を示す。 コンテンツに対するユーザの群の全体の関心を推定するための、本発明の方法による他の好適な実施例を示すフロー図である。 ユーザの群に対してコンテンツを推薦するための、本発明の方法による好適な実施例を示すフロー図である。 コンテンツに対するユーザの群の全体の関心を推定するための、本発明の装置による実施例を示すブロック図である。 ユーザの群に対してコンテンツを推薦するための、本発明の装置による実施例を示すブロック図である。 ユーザの群に対してコンテンツを推薦するための、本発明の装置による他の実施例を示すブロック図である。

Claims (15)

1. コンテンツに対するユーザの群の全体の関心を推定する方法であって、前記ユーザの群は少なくとも２人のメンバを含み、前記方法は、
   ａ．前記コンテンツの利用可能な時間スライス及び前記コンテンツに含まれる特徴に関連する情報を取得するステップと、
   ｂ．異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値を取得するステップと、
   ｃ．前記利用可能な時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値に基づき、前記全体の関心を決定するステップと、
   を有する方法。
2. 前記コンテンツはテレビジョン番組である、請求項１に記載の方法。
3. 各前記メンバの優先度の値は、前記メンバの１人の前記優先度の値が少なくとも２つの時間スライスにおいて異なり、前記２つの時間スライスは１日を分割した複数の時間スライスからのものであるように構成された、請求項１に記載の方法。
4. 各前記メンバの優先度の値は、前記メンバの１人の前記優先度の値が、少なくとも２つの異なる日の同一の時間スライスにおいて異なるように構成された、請求項１に記載の方法。
5. 前記ステップｃは、
   ｃ１．異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する好みの値に基づき、異なる時間スライスに含まれる前記特徴に対する前記ユーザの群の関心の値を決定するステップと、
   ｃ２．前記利用可能な時間スライスに基づいて、前記群の関心の値を決定するステップと、
   ｃ３．前記群の関心の値を組み合わせて、前記全体の関心を導出するステップと、
   を有する、請求項１に記載の方法。
6. １つの前記時間スライスにおける含まれる特徴に対する前記ユーザの群の関心の値は、前記含まれる特徴に対する各前記メンバの好みと、前記時間スライスにおける各前記メンバの優先度の値との積の和に等しい、請求項５に記載の方法。
7. 前記ステップｃ１は、異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する好みの値に基づき、ファジィ論理法により、前記ユーザの群の関心の値を決定するステップを有する、請求項５に記載の方法。
8. ユーザの群に対してコンテンツを推薦するための方法であって、前記ユーザの群は少なくとも２人のメンバを含み、前記方法は、
   ａ．前記コンテンツの利用可能な時間スライス及び前記コンテンツに含まれる特徴に関連する情報を取得するステップと、
   ｂ．異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値を受信するステップと、
   ｃ．前記利用可能な時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値に基づき、前記全体の関心を決定するステップと、
   ｄ．前記全体の関心に基づき、前記ユーザの群に対して推薦するステップと、
   を有する方法。
9. コンテンツに対するユーザの群の全体の関心を推定するための装置であって、前記ユーザの群は少なくとも２人のメンバを含み、前記装置は、
   前記コンテンツの利用可能な時間スライス及び前記コンテンツに含まれる特徴に関連する情報を取得するための手段と、
   異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値を受信するための手段と、
   前記利用可能な時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値に基づき、前記全体の関心を決定するための手段と、
   を有する装置。
10. 各前記メンバの優先度の値は、前記メンバの１人の前記優先度の値が少なくとも２つの時間スライスにおいて異なり、前記２つの時間スライスは１日を分割した複数の時間スライスからのものであるように構成された、請求項９に記載の装置。
11. 各前記メンバの優先度の値は、前記メンバの１人の前記優先度の値が、少なくとも２つの異なる日の同一の時間スライスにおいて異なるように構成された、請求項９に記載の装置。
12. 前記決定する手段は、
    異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する好みの値に基づき、異なる時間スライスに含まれる前記特徴に対する前記ユーザの群の関心の値を決定するための生成手段と、
    前記利用可能な時間スライスに基づいて、前記群の関心の値を決定するための検索手段と、
    前記群の関心の値を組み合わせて、前記全体の関心を導出するための計算手段と、
    を有する請求項９に記載の装置。
13. ユーザの群に対してコンテンツを推薦するための装置であって、前記ユーザの群は少なくとも２人のメンバを含み、前記装置は、
    前記コンテンツの利用可能な時間スライス及び前記コンテンツに含まれる特徴に関連する情報を取得するための取得手段と、
    異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値を受信するための受信手段と、
    前記利用可能な時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値に基づき、前記全体の関心を決定するための決定手段と、
    前記全体の関心に基づき、前記ユーザの群に対して推薦するための推薦手段と、
    を有する装置。
14. コンテンツに対するユーザの群の全体の関心を推定するためのコンピュータプログラムであって、前記ユーザの群は少なくとも２人のメンバを含み、前記コンピュータプログラムは、
    前記コンテンツの利用可能な時間スライス及び前記コンテンツに含まれる特徴に関連する情報を取得するためのコードと、
    異なる時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値を取得するためのコードと、
    前記利用可能な時間スライスにおける各前記メンバの優先度及び前記含まれる特徴に対する前記メンバの好みの値に基づき、前記全体の関心を決定するためのコードと、
    を有するコンピュータプログラム。
15. 請求項１４に記載のコンピュータプログラムを含むメモリ担体。