JP2009076027A - ネットワーク基盤のロボットのためのサービス推薦方法およびサービス推薦装置 - Google Patents
ネットワーク基盤のロボットのためのサービス推薦方法およびサービス推薦装置 Download PDFInfo
- Publication number
- JP2009076027A JP2009076027A JP2007329368A JP2007329368A JP2009076027A JP 2009076027 A JP2009076027 A JP 2009076027A JP 2007329368 A JP2007329368 A JP 2007329368A JP 2007329368 A JP2007329368 A JP 2007329368A JP 2009076027 A JP2009076027 A JP 2009076027A
- Authority
- JP
- Japan
- Prior art keywords
- service
- user
- information
- learning
- service recommendation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000009471 action Effects 0.000 claims abstract description 42
- 230000006399 behavior Effects 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 239000000463 material Substances 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Robotics (AREA)
- Marketing (AREA)
- Mechanical Engineering (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Manipulator (AREA)
Abstract
【課題】ユーザーに関する事前情報と提供サービスに関する具体的な細部情報を有していなくても、ユーザーとの相互作用を通して学習可能な強化学習をすることによって、ユーザーのサービス使用パターンを学習し、多様なサービスを能動的に適切に提供できる、ネットワーク基盤のロボットのためのサービス推薦方法を提供する。
【解決手段】ユーザー30からのサービス要請がある場合、ネットワーク基盤のロボット10が、状況情報およびユーザー30が要請したサービスの行動に基づいてテーブルを学習し、サービス推薦要請のある場合に、テーブルの内容に基づいてユーザー30にサービスを推薦し、推薦されたサービスに対するユーザー30の反応により、状況情報および推薦されたサービスの行動に基づいて前記テーブルを更新する。
【選択図】図1
【解決手段】ユーザー30からのサービス要請がある場合、ネットワーク基盤のロボット10が、状況情報およびユーザー30が要請したサービスの行動に基づいてテーブルを学習し、サービス推薦要請のある場合に、テーブルの内容に基づいてユーザー30にサービスを推薦し、推薦されたサービスに対するユーザー30の反応により、状況情報および推薦されたサービスの行動に基づいて前記テーブルを更新する。
【選択図】図1
Description
本発明は、ネットワーク基盤のロボットのためのサービス推薦方法およびサービス推薦装置に関し、より詳しくは、ネットワーク基盤のロボットが強化学習を通してユーザーのサービス使用パターンを学習し、多様なサービスを能動的に、ユーザーごとに適切に提供するサービス推薦方法およびサービス推薦装置に関するものである。
本発明は、情報通信部のIT新成長動力核心技術開発事業の一環として行った研究から導き出されたものである[課題管理番号:2006−S−026−02、課題名:能動型サービスのためのURCサーバーフレームワーク開発]。
近来、産業用ロボット市場が飽和してしまって、新しい市場の創出のためにネットワーク基盤のロボットに関する研究が活発に行われている。ネットワーク基盤のロボットは、既存のロボットにネットワークおよび情報技術を加えた知能型サービスロボットの新しい概念であって、いつでもどこでもユーザーと一緒にいて、ユーザーに必要な適切なサービスを提供する。
ロボットは、一般的に外部環境を検知し、この検知した環境に基づいて状況を判断し、この判断により適切に行動するという3種類の機能性要素を有する。ネットワーク基盤のロボットが窮極的に追求しようとすることは、ロボットそのもので処理していた、この3種類の機能をネットワークにて分散して処理することで、さらに外部の検知機能とプロセシング機能を、ネットワークを介して十分に活用しようとすることである。
すなわち、ネットワーク基盤のロボットは、ロボットにハードウェアを追加して検知機能を強化することよりは、外部に設けられたセンサの検知機能を活用することができる。また、ネットワーク基盤のロボットは、自体のプロセシング性能を高めることよりは、ネットワークに接続された遠隔地の高機能サーバーのプロセシング性能を活用することができ、遠隔地のコンテンツサーバーを介して多様なコンテンツサービスを提供することができるため、ユーザーに一層多様な機能とサービスを提供することができる。
ユビキタスコンピュータ環境が到来するにつれて、ネットワーク基盤のロボットにおいて、ユーザーの明らかな要求により提供されるサービスは勿論、多様な状況情報を活用して能動的にサービスを提供できる個人化された推薦関連の技術が必要になった。既存のロボットにネットワーク機能が結合されたネットワーク基盤のロボットにおいて、ユーザーに多様なサービスを提供できるようになって、ユーザーの要求に単純に答えるサービスより、ユーザーの状況を認知してユーザーの関心度によりサービスを推薦できる技術が必要になったのである。
現在、多く用いられている推薦技法には、内容基盤推薦(Content−based Recommendation)と協調推薦(Collaborative Recommendation)がある。内容基盤推薦は、情報検索(Information Retrieval)分野をベースにして、ユーザーのプロファイルと推薦の対象になるアイテムの構成要素とを比較し、類似度の高いものなどを推薦する技法であって、例えば特許文献1がある。そして、協調推薦は、推薦の対象になる目標ユーザーに類似したプロファイルを有する他のユーザーを探し、この他のユーザーが高い評価を付与したアイテムを目標ユーザーに推薦する技法であって、例えば特許文献2がある。以外にも、ユーザーの性別、年齢、職業などの人口統計学的な情報を活用して推薦する人口統計学的な推薦技法と、上記内容基盤推薦と協調推薦とを結合したハイブリッド推薦技法などがある。
しかし、既に研究された大部分の推薦技法では、ユーザーに関する事前情報または推薦アイテムに関する具体的な細部情報が必要である。ところで、ネットワーク基盤のロボットが提供するサービスに関する具体的な構成要素という定義が不充分で、保安やプライバシー保護などのためにユーザーに関する事前情報収集が難しいため、多くの情報を予め保有していなければならない既存の推薦技法を適用し難い場合が多く、このような情報を体系的に収集して適用するということも容易ではない。
本発明は、上記の問題点を解決するためのものであって、ユーザーに関する事前情報と提供サービスに関する具体的な細部情報を有していなくても、ユーザーとの相互作用を通して学習可能な強化学習をすることによって、ネットワーク基盤のロボットがユーザーのサービス使用パターンを学習し、多様なサービスを能動的に適切に提供することができる、ネットワーク基盤のロボットのためのサービス推薦方法およびサービス推薦装置を提供することを目的とする。
ここで、強化学習ということは、与えられた環境に関して予め設定されたモデルなしで補償値(reward)と行動(action)との相互作用を通して学習が行われる機械学習法である。他の機械学習法と比較して、強化学習は、学習過程の学習者が予め如何なる行動を決めておらず、外部環境との交流による学習の試行錯誤過程を通した探索(Trial and Error Search)過程を有する。
したがって、本発明に係るサービス推薦方法およびサービス推薦装置は、ユーザーに関する事前情報がなくても、ユーザーとの相互作用過程を通してユーザーのサービス使用パターンを学習することによって、ユーザーに適する個人化された推薦サービスを提供することができる。また、時間および場所に伴うユーザーのサービス使用回数を記録して推薦に反映することによって、状況情報に一層適合したサービスを推薦することができる。
上記の目的を達成するため、本発明によるネットワーク基盤のロボットのためのサービス推薦方法は、ネットワーク基盤のロボットのユーザーからサービス要請のある場合に、状況情報およびユーザーが要請したサービスの行動に基づいてテーブルを学習させるテーブル学習ステップ;サービス推薦要請のある場合に、テーブルの内容に基づいてユーザーにサービスを推薦するサービス推薦ステップ;およびサービス推薦ステップで推薦されたサービスに対するユーザーの反応により、状況情報および推薦されたサービスの行動に基づいてテーブルを更新するテーブル更新ステップを含み、テーブルはテーブル学習ステップおよび前記テーブル更新ステップでユーザーのサービス使用パターンを学習し、サービス推薦ステップではテーブル学習ステップおよびテーブル更新ステップで学習させたテーブルの内容に基づいてユーザーにサービスを推薦する。
テーブルは、因子として状態および行動を含むQ−学習情報テーブルを備え、状況情報は状態情報を含み、好ましくは、テーブルは、因子として曜日、時間帯、および行動を含む時間別サービス使用頻度テーブルをさらに備え、状況情報は曜日および時間帯情報をさらに含む。
また、テーブルは、因子として場所および行動を含む場所別サービス使用頻度テーブルをさらに備え、状況情報は場所情報をさらに含む。
また、テーブルは、ネットワーク基盤のロボットの複数のユーザーに対してユーザーとテーブルとを関連付けるユーザー情報テーブルをさらに含むことができる。
また、テーブル学習ステップでは、補償値RSによってテーブルを学習させ、テーブル更新ステップでは、推薦されたサービスに対するユーザーの反応が肯定的な場合には補償値RPによってテーブルを更新し、推薦されたサービスに対するユーザーの反応が否定的な場合には補償値RNによってテーブルを更新することが好ましい。
また、サービス推薦ステップでは、各行動に関し、複数のテーブルの値を正規化して合算することによって推薦するサービスを選定することが好ましい。
本発明は、次のような効果を得ることができる。
ネットワーク基盤のロボットは、ネットワークを介して多様なサービスを提供することができ、ユーザーのサービス使用パターンを学習して、多様なサービスの中でユーザーに適するサービスを推薦することで、サービス選択のオーバーヘッドを低減させられる。
ネットワーク基盤のロボットは、ネットワークを介して多様なサービスを提供することができ、ユーザーのサービス使用パターンを学習して、多様なサービスの中でユーザーに適するサービスを推薦することで、サービス選択のオーバーヘッドを低減させられる。
特に、提供するサービスに関する具体的な細部情報およびユーザーに関する事前情報の収集が行われていなかったとしても、ユーザーとの相互作用による学習によってユーザーのサービス使用パターンを学習し、多様なサービスを能動的に適切に提供することができる。
そして、多様なユーザーのサービス使用パターンをユーザーごとに個別的に学習することができるため、家族のように数人が1つのネットワーク基盤のロボットを用いる場合にも個人化された連携型のサービスを提供することができる。
また、状況認識サーバーから提供される状況情報を活用して、多くの情報に基づいてユーザーのサービス使用パターンを学習することができ、適切なサービスの推薦可能性が向上する。
そして、ネットワーク認識のロボットが場所を認識することができる場合や、状況認識サーバーが場所に関する情報を提供することができる場合には、特定場所に適するサービスの推薦が可能である。
また、曜日および時間帯別にユーザーのサービス使用パターンを学習し、これをサービス推薦に適用することによって効率的なサービスの推薦が可能である。
以下、本発明の理解を助けるために、添付する図面を参照して好ましい実施例を提供する。下記の実施例は、本発明をより容易に理解するために提供することであり、本実施例によって本発明が限定されることはない。
図1は、本発明に係る全体システムの構成図である。本発明に係る全体システムは、ネットワーク基盤のロボット10、状況認識サーバー20、およびコンテンツサーバー40から構成されており、ネットワーク基盤のロボット10にサービスを要請してネットワーク基盤のロボット10からサービスを提供されるユーザー30がある。
ネットワーク基盤のロボット10は、状況認識サーバー20およびコンテンツサーバー40とネットワークを介して接続されており、具体的に図示しなかったが、ユーザー30に映画、ニュース、天気ガイドなどのサービスを提供するためのディスプレイ、音楽・音声などのサービスを提供するためのスピーカ、音声認識のためのマイク、移動するための駆動モータ、状況認識サーバー20およびコンテンツサーバー40と通信するための通信装置、ユーザーからの入力を受けるための入力インターフェースなどの多様な機器が取り付けられている。
状況認識サーバー20は、ネットワーク基盤のロボット10にネットワークを介して接続されており、具体的に図示しなかったが、照度センサ、音声センサ、温度センサを含む多様なセンサからの情報およびその他の入力情報を通して、現在の状況情報を認識してこれを格納している。
コンテンツサーバー40は、ネットワーク基盤のロボット10がユーザー30に提供するための、映画、ニュース、天気ガイド、音楽、音声などのコンテンツを格納している。コンテンツサーバー40は、図示したように、遠隔地に設けられ、ネットワーク基盤のロボット10にネットワークを介して接続することもでき、状況認識サーバー20に統合されて提供することもできる。また、コンテンツの一部がネットワーク基盤のロボット10の内部に格納されていて、ユーザー30に直接提供することもできる。
図1を参照として本発明に係る全体システムの動作の流れを説明すれば、次の通りである。
先ず、ユーザー30がネットワーク基盤のロボット10の入力インターフェースまたは音声認識を用いてサービスを要請すれば(30−1)、ネットワーク基盤のロボット10はコンテンツサーバー40に対してユーザー30が要請したサービスに対応するコンテンツを要請する(10−1)。ユーザー30が要請するサービスの種類は、例えば、映画、ニュース、天気ガイド、音楽、音声、教育、料理、ゲームである。コンテンツサーバー40は、ネットワーク基盤のロボット10に要請されたコンテンツを提供し(40−1)、ネットワーク基盤のロボット10は、ユーザー30にサービス(コンテンツ)を提供する(10−2)。これはユーザー30が明らかに特定サービスを要請した場合に行われるサービス提供プロセスである。
先ず、ユーザー30がネットワーク基盤のロボット10の入力インターフェースまたは音声認識を用いてサービスを要請すれば(30−1)、ネットワーク基盤のロボット10はコンテンツサーバー40に対してユーザー30が要請したサービスに対応するコンテンツを要請する(10−1)。ユーザー30が要請するサービスの種類は、例えば、映画、ニュース、天気ガイド、音楽、音声、教育、料理、ゲームである。コンテンツサーバー40は、ネットワーク基盤のロボット10に要請されたコンテンツを提供し(40−1)、ネットワーク基盤のロボット10は、ユーザー30にサービス(コンテンツ)を提供する(10−2)。これはユーザー30が明らかに特定サービスを要請した場合に行われるサービス提供プロセスである。
一方、現在の状況情報を認識する状況認識サーバー20は、ユーザーが朝起床する場合のように認識される状況情報に変更がある場合、またはネットワーク基盤のロボット10が一定時間以上サービスを提供せずにいる場合のように、状況の認識が必要だと判断される場合に、ネットワーク基盤のロボット10に対してユーザー30にサービスを推薦することを要請するサービス推薦要請(20−2)を行うことができる。または、ユーザー30がネットワーク基盤のロボット10に対して現在状況に適するサービスを推薦することを直接要請することもできる。
ここで、状況認識サーバー20は、多様なセンサからの情報およびその他の入力情報を介して現在の状況情報を認識して格納するため、上記のサービス推薦要請(20−2)と同時に、またはサービス推薦要請(20−2)と関係なく、ネットワーク基盤のロボット10に対して状況情報を提供する(20−1)。この状況情報は、例えば現在の曜日および時間情報、ユーザー30の識別子および位置、現在の温度、照度などの多様な情報を含むことができる。
ネットワーク基盤のロボット10は、サービス推薦要請のある場合、状況認識サーバー20から提供された状況情報(20−1)および自ら格納している状態情報に基づいて、ユーザーに適するサービスを推薦する(10−3)。ユーザー30が推薦されたサービスに対して肯定的な反応のフィードバック(30−2)を与えた場合には、推薦されたサービスに対応するコンテンツをコンテンツサーバー40に要請して提供された後、ユーザー30にサービスを提供する(10−2)。
本発明の一特徴は、上記のように、ユーザーがサービスを要請する(30−1)場合にテーブル学習を行い、またサービス推薦(10−3)に対してユーザーがフィードバックした(30−2)場合にテーブルを更新することによって、収集された学習情報に応じてユーザーに現在の状態に適するサービスを推薦することである。テーブル学習、テーブル更新、サービス推薦に関しては、図2〜図4を参照して以下で詳細に説明する。
図2は、本発明に係るサービス推薦のための資料構造を図示したものである。左側のコラムは資料構造の内容50であり、右側のコラムは各内容に対応する具体的な資料構造60である。この資料構造のデータは、ネットワーク基盤のロボット10に格納されているのが好ましいが、状況認識サーバー20にだけ格納されていたり、または状況認識サーバー20とネットワーク基盤のロボット10が同期化によって共有していたり、分散格納したりしてもかまわない。
本発明のサービス推薦方法による資料構造は、Q−学習情報テーブル(Q−TBL[s][a])、時間別サービス使用頻度テーブル(F−TBL[d][t][a])、場所別サービス使用頻度テーブル(P−TBL[p][a])、ユーザー情報テーブル(U−TBL[u])、および補償値(RS、RP、RN)を含む。ネットワーク基盤のロボット10は、Q−学習情報テーブル、時間別サービス使用頻度テーブル、および場所別サービス使用頻度テーブルのデータを参照して、サービスをユーザー30に推薦する。各資料構造に対して詳細に説明すれば、次の通りである。
先ず、Q−学習情報テーブル(Q−TBL[s][a])は、学習を用いてユーザーが用いたサービスを記録するためのものであって、少なくとも状態(s)と行動(a)の2次元因子を有する。
ここで、状態(s)は、ユーザー30および/またはネットワーク基盤のロボット10の状態情報を意味し、例えば、ユーザーが朝起きたとすれば「起床状態」、ユーザーが家に帰ったとすれば「帰宅状態」、ネットワーク基盤のロボット10がニュースサービスを提供しているところであれば「ニュース状態」となる。このような状態情報は、状況認識サーバー20から提供された状況情報および自ら格納している状態情報に基づいて決定される。そして、状態(s)は、ネットワーク基盤のロボットが提供するサービス提供状態(例えば、ニュース状態)とユーザーの状態(例えば、起床状態)を含み、これらが単独でまたは組み合わせて構成される。
また、行動(a)は、ネットワーク基盤のロボット10が提供するサービスを意味する。これはサービス推薦の対象になり、映画、ニュース、天気ガイド、音楽、音声、教育、料理、ゲームなどを例に挙げることができる。
Q−学習情報テーブルのQ−TBL[s][a]に格納された値は、該当状態(s)において行動(a)の選好度を示し、該当状態(s)において行動(a)の選好度のQ−TBL[s][a]の値が大きいほど、ユーザー30がよく用いた行動(サービス)であるか、推薦時に肯定的な反応を見せた行動であるということを意味する。
次に、時間別サービス使用頻度テーブル(F−TBL[d][t][a])は、曜日/時間帯別に該当サービスを用いた回数を格納している頻度テーブルであって、少なくとも曜日(d)と時間帯(t)と行動(a)の3次元因子を有する。ここで、曜日(d)は、月、火、水、木、金、土、日で区分することができ、または平日、週末で区分することもできる。また、時間帯(t)は、毎時間別に区分することができ、または午前、午後、夕方、夜で区分することもできる。一方、行動(a)は、前記Q−学習情報テーブルと同様である。
ネットワーク基盤のロボット10のユーザー30ごとに曜日別、時間帯別に用いるサービスの選好度が相異することもあり、特に週末に用いるサービスが大きく相異する傾向がある。したがって、時間別サービス使用頻度テーブルは、これを反映して学習することによって、特定ユーザーの曜日別、時間帯別にサービス使用選好度を記録するためのものである。ユーザーが用いた行動(サービス)および推薦時に肯定的な反応を見せた行動を曜日別、時間帯別に学習して記録することによって、サービス推薦時の曜日/時間帯により該当ユーザーの選好度の高い適切なサービスをユーザーに推薦することができる。
次に、場所別サービス使用頻度テーブル(P−TBL[p][a])は、場所別に該当サービスを用いた回数を格納している頻度テーブルであって、少なくとも場所(p)と行動(a)の2次元因子を有する。ここで、場所(p)は、例えば、寝室、厨房、子供部屋、居間で区分することができる。場所(p)は、ネットワーク基盤のロボット10が場所を認識可能な場合に区分することができ、または状況認識サーバー20がユーザー30および/またはネットワーク基盤のロボット10の場所を認識して区分することもできる。一方、行動(a)は、前記Q−学習情報テーブルと同様である。
場所別に該当ユーザー30が用いるサービスの選好度が相異することもあるため、場所別サービス使用頻度テーブルは、これを反映して学習することによって、特定ユーザーの場所別サービス使用選好度を記録するためのものである。ユーザーが用いた行動(サービス)および推薦時に肯定的な反応を見せた行動を場所別に学習して記録することによって、サービス推薦時の場所により該当ユーザーの選好度の高い適切なサービスをユーザーに推薦することができる。
次に、ユーザー情報テーブル(U−TBL[u])は、ユーザー別に該当するQ−学習情報テーブル、時間別サービス使用頻度テーブル、場所別サービス使用頻度テーブルをマッチさせる情報を有する。ネットワーク基盤のロボットを複数のユーザーが用いる場合、各ユーザー別にテーブルを区分して管理することができるようにすることで、各ユーザーの特性を反映したサービスを推薦することができる。
次に、補償値は、上述した各テーブルの値を更新する時に用いる値であって、ネットワーク基盤のロボット10が現在の状態で如何なる行動を取るようになった時、ユーザー30から受ける補償または罰の値を意味する。本実施例における補償値は、RS、RP、RNの三つの値を定義し、各補償値は設計により適切な値を有する。
第1に、RSはユーザーが明らかに該当行動(サービス)を選択した時の補償値である。第2に、RPはネットワーク基盤のロボットによって推薦されたサービス(行動)に対してユーザーが肯定的な反応を見せた場合の補償値であり、第3に、RNはネットワーク基盤のロボットによって推薦されたサービス(行動)に対してユーザーが否定的な反応を見せた場合の補償値であり、罰の値に該当する。ここで、RS、RPは、選好度を増加しなければならないため正の値を有し、RNは選好度を減少しなければならないため負の値を有する。一方、RSとRPは、設計によりその大小が決定される。ユーザーが明らかに選択した場合を重要視すればRSがRPより大きい値になるように定義し、推薦されたサービスに対してユーザーが肯定的な反応を見せた場合を重要視すればRSがRPより小さい値になるように定義し、2つの値を同一値に設定することもできる。
本発明により、図1の全体システムの構成図および図2の資料構造を用いて実施するサービス推薦方法の細部的な手続を図3および図4を参照して説明する。
図3は、本発明に係るネットワーク基盤のロボットのためのサービス推薦方法の概略的なフローチャートである。このサービス推薦方法は、大きく分けて、学習情報初期化ステップS20、テーブル学習ステップS40、サービス推薦ステップS60、テーブル更新ステップS70から構成される。概略的に説明すれば、ネットワーク基盤のロボットは、ステップS20で学習情報を初期化し、ステップS30でユーザーからサービス要請のある場合にステップS40でテーブルを学習させ、ステップS50でサービス推薦要請のある場合にステップS60でサービスを推薦し、ユーザーの反応によりステップS70でテーブルを更新する。このような過程を繰り返して学習させたテーブルによって、該当ユーザーに適するサービスを推薦することができる。
先ず、ネットワーク基盤のロボットは、最初に駆動されてシステムが開始(S10)すれば、学習情報初期化ステップS20で各テーブルの学習情報を初期化する。学習情報初期化ステップS20は、ネットワーク基盤のロボットの新しいユーザーが追加された場合に、該当ユーザーに対応するテーブルの学習情報を初期化する時も行われる。
そして、ネットワーク基盤のロボットは、ユーザーからサービス要請があるかを判断する(S30)。ユーザーから明らかなサービス要請のある場合(S30のY)には、テーブル学習ステップS40に進行して、ユーザーが要請したサービスに該当するテーブル値を更新することによって各テーブルに対する学習を行う。テーブル学習ステップS40が完了すればステップS30に戻る。
一方、ステップS30でユーザーからサービス要請がないと判断された場合(S30のN)には、ステップS50に進行して、状況認識サーバーからサービス推薦要請があるかを判断する。勿論、ユーザーから直接サービス推薦要請があることもあり、この時はユーザーからサービス推薦要請があるかを判断する。
ステップS50でサービス推薦要請があると判断した場合(S50のY)には、サービス推薦ステップS60に進行して、現在までのテーブルの学習内容に基づいてユーザーにサービスを推薦する。推薦されたサービスに対してユーザーが肯定または不正の反応を見せた場合にテーブル更新ステップS70に進行して、推薦されたサービスに該当するテーブル値を更新し、次のサービス推薦時に活用することができるようにする。テーブル更新ステップS70が完了すればステップS30に戻る。一方、ステップS50でサービス推薦要請がないと判断された場合(S50のN)にもステップS30に戻る。
本発明に係るネットワーク基盤のロボットのためのサービス推薦方法は、図3に示したような流れによりユーザーのサービス選好度を学習し、この学習の結果をサービス推薦時に反映することによって、ユーザーに適するサービスを推薦することができるようになる。図3に概略的に示したサービス推薦方法の具体的な内容を、図4を参照して説明する。
図4は、本発明に係るネットワーク基盤のロボットのためのサービス推薦方法の具体的なフローチャートである。図3のサービス推薦方法と同一のステップには同一の図面符号を付した。
先ず、学習情報初期化ステップS20では、Q−学習情報テーブル(Q−TBL)、時間別サービス使用頻度テーブル(F−TBL)、場所別サービス使用頻度テーブル(P−TBL)の学習情報を「0」に初期化する。そして、補償値RS、RP、RNに対しても特定値に初期化し、現在の状態(s)を状況認識サーバー20から提供された状況情報に基づいて初期化する。例えば、現在の状態(s)を「起床状態」に初期化する。
そして、ネットワーク基盤のロボットは、ユーザーからサービス要請があるかを判断する(S30)。ユーザーから明らかなサービス要請のある場合(S30のY)には、テーブル学習ステップS40に進行する。テーブル学習ステップS40は、ユーザーのサービス要請内容によりQ−TBL、F−TBL、P−TBLを学習するステップである。
テーブル学習ステップS40では、先ず、ユーザーが選択したサービスの行動(a)を識別する(ステップS41)。そして、ユーザーが明らかにサービスを要請した場合であるため、テーブルを更新するための補償値としてRSを選定する(ステップS42)。そして、ステップS43でユーザーが要請したサービスの行動(a)と補償値(RS)とを用いてテーブル学習を行う。
ステップS43において、週末午前にユーザーが居間でニュースを聴取している中で「天気ガイド」サービスを要請した場合を例にして、テーブル学習について具体的に説明する。先ず、現在の状態(s)とユーザーが要請した行動(a)とを用いてQ−TBL学習を行う。ここで、現在の状態(s)は「ニュース」であり、ユーザーが要請した行動(a)は「天気ガイド」である。したがって、Q−TBL[s][a]において、Q−TBL[ニュース][天気ガイド]に該当する値が補償値(RS)によって更新される。更新に用いられる式は、例えばQ−TBL[s][a]=Q−TBL[s][a]+λqRSであり、ここでλqは補償値RSの反映比率を調整するための調整値であり、設計により決められ、1の値を有することもできる。Q−TBL[ニュース][天気ガイド]は、補償値RSによる学習によってその値が増加し、該当ユーザーがニュースを聴取している中で天気ガイドサービスを要請する選好度が増加する結果となる。
そして、現在の曜日(d)と時間帯(t)と行動(a)を用いてF−TBL学習を行う。ここで、現在の曜日(d)は「週末」であり、現在の時間帯は「午前」であり、ユーザーが要請した行動(a)は「天気ガイド」である。したがって、F−TBL[d][t][a]において、F−TBL[週末][午前][天気ガイド]に該当する値が補償値(RS)によって更新される。更新に用いられる式は、例えばF−TBL[d][t][a]=F−TBL[d][t][a]+λfRSであり、ここでλfは補償値RSの反映比率を調整するための調整値であり、設計により決められ、Q−TBLでのλq値と同一であり得る。F−TBL[週末][午前][天気ガイド]は、補償値RSによる学習によってその値が増加し、該当ユーザーが週末午前に天気ガイドサービスを要請する選好度が増加する結果となる。
そして、現在の場所(p)と行動(a)を用いてP−TBL学習を行う。ここで、現在の場所(p)は「居間」であり、ユーザーが要請した行動(a)は「天気ガイド」である。したがって、P−TBL[p][a]において、P−TBL[居間][天気ガイド]に該当する値が補償値(RS)によって更新される。更新に用いられる式は、例えばP−TBL[p][a]=P−TBL[p][a]+λpRSであり、ここでλpは補償値RSの反映比率を調整するための調整値であり、設計により決められ、Q−TBLでのλq値と同一であり得る。P−TBL[居間][天気ガイド]は、補償値RSによる学習によってその値が増加し、該当ユーザーが居間で天気ガイドサービスを要請する選好度が増加する結果となる。
このように、ユーザーが要請したサービスに該当するテーブル値を更新することによって、各テーブルに対する学習を行い、テーブル学習ステップS40が完了すればステップS30に戻る。
一方、ステップS30でユーザーからサービス要請がないと判断された場合(S30のN)には、ステップS50に進行し、状況認識サーバーからサービス推薦要請があるかを判断する。
ステップS50でサービス推薦要請があると判断した場合(S50のY)には、サービス推薦ステップS60に進行して、現在までのQ−TBL、F−TBL、P−TBLの学習内容に基づいてユーザーの選好度を把握してユーザーにサービスを推薦する。サービス推薦ステップS60では、選好度計算ステップS61と行動推薦ステップS62との2つのステップを有する。
選好度計算ステップS61では、学習内容に基づいて該当ユーザーの選好度を把握する。選好度計算に関する実施例を説明するために、ユーザーが週中の夕方に寝室で音楽を聴取している場合を仮定する。
本実施例においては、Q−TBL、F−TBL、P−TBLを用いた場合を例に挙げたが、実施によってはQ−TBLだけ、またはQ−TBLとF−TBLだけある場合もあり、他のテーブルを有する場合もある。この時は、以下の実施例を参照して十分に変形して適用可能である。
先ず、Q−TBL、F−TBL、P−TBLの比重を調節するために正規化を行う。以下に説明する正規化は、Q−TBL、F−TBL、P−TBLが0と1との間の値を有するように正規化した。式(1)のWqはQ−TBLを正規化したもので、式(2)のWfはF−TBLを正規化したもので、式(3)のWpはP−TBLを正規化したものである。この例で、状態(s)は「音楽」で、曜日(d)は「週中」で、時間帯(t)は「夕方」で、場所(p)は「寝室」である。
例えば、Wqは現在の状態(s)に対して推薦の対象になるサービスの各行動(a)の選好度をQ−TBLを用いて正規化して計算した結果である。Wq、Wf、Wpは、該当ユーザーに関して現在の状態(s)に対して学習された行動(a)の種類の数だけ得られる。式(1)〜式(3)によって得られた正規化されたWq、Wf、Wpの値を用いて推薦の対象になるサービスの各行動(a)に対して選好度を計算する。
以下の式(4)は、各行動(a)に対する該当ユーザー(u)の選好度である
を計算するためのものである。ここで、
は、該当ユーザー(u)に関するテーブルの正規化値である。そして、α、β、γは、各テーブルの正規化値の反映比率を規定するための常数であって、1/3の同一値を有することもでき、各テーブルの重要度によって他の値を有することもできる。
式(4)によって計算された各行動(a)に対する選好度を参照して、現在の状況、すなわちユーザーが週中の夕方に寝室で音楽を聴取している状況で、該当ユーザーの選好度が最も高い行動(a)を選択することによって、サービス推薦の対象が決定される。ステップS62では、決定されたサービスの行動(a)をネットワーク基盤のロボットがユーザー(u)に推薦する。ここでは、ステップS62で「映画」サービスをネットワーク基盤のロボットがユーザーに推薦したと仮定する。
次に、テーブル更新ステップでは、ステップS62で推薦されたサービスの行動(a)に対してユーザーが見せた反応により補償値を決定し、テーブルを更新する。具体的には、ステップS71でユーザーの反応が肯定的な場合にはステップS72に進行して補償値RとしてRPを選定し、ステップS71でユーザーの反応が否定的な場合、またはユーザーが一定時間内に反応を見せていない場合にはステップS73に進行して補償値RとしてRNを選定する。ここで、RPは正の値であり、RNは負の値である。そして、ステップS74では、推薦されたサービスに関するユーザーの反応によりQ−TBL、F−TBL、P−TBLを更新するステップである。
先ず、現在の状態(s)と推薦されたサービスの行動(a)とを用いてQ−TBL更新を行う。ここで、現在の状態(s)は「音楽」であり、推薦されたサービスの行動(a)は「映画」である。したがって、Q−TBL[s][a]において、Q−TBL[音楽][映画]に該当する値が補償値R(RPまたはRN)によって更新される。更新に用いられる式は、例えばQ−TBL[s][a]=Q−TBL[s][a]+λqRであり、ここでλqは補償値Rの反映比率を調整するための調整値であり、設計により決められ、1の値を有することもできる。また、ステップS74でのλqは、ステップS43でのλqと同じこともあり、相異することもある。Q−TBL[音楽][映画]は、補償値Rによる学習によってその値が増加または減少し、該当ユーザーが音楽を聴取して映画を見たがる選好度が増加または減少する結果となる。
同様に、F−TBL[週中][夕方][映画]およびP−TBL[寝室][映画]に対してもQ−TBLのようにテーブル更新を行う。詳細な内容は、ステップS43に対する説明と、Q−TBLのテーブル更新を参照して容易に把握することができるので、省略するようにする。
このようにステップS70で、推薦されたサービスに対するユーザーの反応によりテーブル値を更新することによって、次のサービス推薦時に活用することができる。テーブル更新ステップS70が完了すればステップS30に戻る。一方、ステップS50でサービス推薦要請がないと判断された場合(S50のN)にもステップS30に戻る。
本発明に係るネットワーク基盤のロボットのためのサービス推薦方法およびサービス推薦装置は、強化学習を通してユーザーごとに個人化されたサービスを推薦することができるため、ユーザーフレンドリーかつ能動的なロボットを開発するのに大きい利用可能性があるといえる。
10:ネットワーク基盤のロボット
20:状況認識サーバー
30:ユーザー
40:コンテンツサーバー
20:状況認識サーバー
30:ユーザー
40:コンテンツサーバー
Claims (14)
- ネットワーク基盤のロボットのためのサービス推薦方法であって、
ネットワーク基盤のロボットのユーザーからサービス要請のある場合、状況情報およびユーザーが要請したサービスの行動に基づいてテーブルを学習させるテーブル学習ステップ;
サービス推薦要請のある場合、前記テーブルの内容に基づいてユーザーにサービスを推薦するサービス推薦ステップ;および
前記サービス推薦ステップで推薦されたサービスに対するユーザーの反応により、状況情報および推薦されたサービスの行動に基づいて前記テーブルを更新するテーブル更新ステップを含み、
前記テーブルは、前記テーブル学習ステップおよび前記テーブル更新ステップでユーザーのサービス使用パターンを学習し、
前記サービス推薦ステップでは、前記テーブル学習ステップおよび前記テーブル更新ステップで学習させたテーブルの内容に基づいてユーザーにサービスを推薦する、サービス推薦方法。 - 前記テーブルは、因子として状態および行動を含むQ−学習情報テーブルを備え、
前記状況情報は、状態情報を含むことを特徴とする請求項1に記載のサービス推薦方法。 - 前記テーブルは、因子として曜日、時間帯、および行動を含む時間別サービス使用頻度テーブルをさらに備え、
前記状況情報は、曜日および時間帯情報をさらに含むことを特徴とする請求項2に記載のサービス推薦方法。 - 前記テーブルは、因子として場所および行動を含む場所別サービス使用頻度テーブルをさらに備え、
前記状況情報は、場所情報をさらに含むことを特徴とする請求項2に記載のサービス推薦方法。 - 前記テーブルは、ネットワーク基盤のロボットの複数のユーザーに対してユーザーとテーブルとを関連付けるユーザー情報テーブルをさらに含むことを特徴とする請求項1に記載のサービス推薦方法。
- 前記テーブル学習ステップでは、補償値RSによってテーブルを学習させ、
前記テーブル更新ステップでは、推薦されたサービスに対するユーザーの反応が肯定的な場合には補償値RPによってテーブルを更新し、推薦されたサービスに対するユーザーの反応が否定的な場合には補償値RNによってテーブルを更新することを特徴とする請求項1に記載のサービス推薦方法。 - 前記サービス推薦ステップでは、各行動に関し、複数のテーブルの値を正規化して合算することによって推薦するサービスを選定することを特徴とする請求項1に記載のサービス推薦方法。
- 状況認識サーバーとネットワークを介して接続されたサービス推薦装置であって、
ユーザーからサービス要請のある場合、前記状況認識サーバーから提供されていた状況情報およびユーザーが要請したサービスの行動に基づいてテーブルを学習させるテーブル学習手段;
サービス推薦要請が入力された場合、前記テーブルの内容に基づいてユーザーにサービスを推薦するサービス推薦手段;および
前記サービス推薦手段が推薦したサービスに対するユーザーの反応により、前記状況認識サーバーから提供されていた状況情報および推薦されたサービスの行動に基づいて前記テーブルを更新するテーブル更新手段を含み、
前記テーブルは、前記テーブル学習手段および前記テーブル更新手段によってユーザーのサービス使用パターンを学習し、
前記サービス推薦手段では、前記テーブル学習手段および前記テーブル更新手段が学習させたテーブルの内容に基づいてユーザーにサービスを推薦する、サービス推薦装置。 - 前記テーブルは、因子として状態および行動を含むQ−学習情報テーブルを備え、
前記状況情報は、状態情報を含むことを特徴とする請求項8に記載のサービス推薦装置。 - 前記テーブルは、因子として曜日、時間帯、および行動を含む時間別サービス使用頻度テーブルをさらに備え、
前記状況情報は、曜日および時間帯情報をさらに含むことを特徴とする請求項9に記載のサービス推薦装置。 - 前記テーブルは、因子として場所および行動を含む場所別サービス使用頻度テーブルをさらに備え、
前記状況情報は、場所情報をさらに含むことを特徴とする請求項9に記載のサービス推薦装置。 - 前記テーブルは、複数のユーザーに対してユーザーとテーブルとを関連付けるユーザー情報テーブルをさらに含むことを特徴とする請求項8に記載のサービス推薦装置。
- 前記テーブル学習手段は、補償値RSによってテーブルを学習させ、
前記テーブル更新手段は、推薦されたサービスに対するユーザーの反応が肯定的な場合には補償値RPによってテーブルを更新し、推薦されたサービスに対するユーザーの反応が否定的な場合には補償値RNによってテーブルを更新することを特徴とする請求項8に記載のサービス推薦装置。 - 前記サービス推薦手段は、各行動に関し、複数のテーブルの値を正規化して合算することによって推薦するサービスを選定することを特徴とする請求項8に記載のサービス推薦装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020070095495A KR100979516B1 (ko) | 2007-09-19 | 2007-09-19 | 네트워크 기반 로봇을 위한 서비스 추천 방법 및 서비스추천 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2009076027A true JP2009076027A (ja) | 2009-04-09 |
Family
ID=40610901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007329368A Pending JP2009076027A (ja) | 2007-09-19 | 2007-12-20 | ネットワーク基盤のロボットのためのサービス推薦方法およびサービス推薦装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2009076027A (ja) |
KR (1) | KR100979516B1 (ja) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013059517A1 (en) * | 2011-10-18 | 2013-04-25 | Causata Inc. | Online temporal difference learning from incomplete customer interaction histories |
US8909590B2 (en) | 2011-09-28 | 2014-12-09 | Nice Systems Technologies Uk Limited | Online asynchronous reinforcement learning from concurrent customer histories |
US8909644B2 (en) | 2011-05-26 | 2014-12-09 | Nice Systems Technologies Uk Limited | Real-time adaptive binning |
US8914314B2 (en) | 2011-09-28 | 2014-12-16 | Nice Systems Technologies Uk Limited | Online temporal difference learning from incomplete customer interaction histories |
JP2016048417A (ja) * | 2014-08-27 | 2016-04-07 | 石井 美恵子 | サービス提供システムおよびプログラム |
JP2016219007A (ja) * | 2015-05-14 | 2016-12-22 | 株式会社アドダイス | 管理システム及び管理方法 |
JP2018097474A (ja) * | 2016-12-09 | 2018-06-21 | トヨタ自動車株式会社 | 情報提供システム |
CN108701265A (zh) * | 2016-03-14 | 2018-10-23 | 欧姆龙株式会社 | 学习服务提供装置 |
JP2019032857A (ja) * | 2018-09-20 | 2019-02-28 | 株式会社フューチャーアイ | サービス提供システムおよびプログラム |
JP2019175482A (ja) * | 2019-05-24 | 2019-10-10 | 株式会社フューチャーアイ | 学習支援システム |
CN110941774A (zh) * | 2019-12-05 | 2020-03-31 | 深圳前海达闼云端智能科技有限公司 | 一种服务推荐方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101055567B1 (ko) | 2009-09-18 | 2011-08-08 | 성균관대학교산학협력단 | 서비스 로봇을 위한 지능형 사용자 인터페이스 장치 및 제어 방법 |
KR102016678B1 (ko) | 2017-12-29 | 2019-08-30 | 주식회사 카카오 | 챗봇과 사용자 단말 간의 컨텍스트 정보를 저장하는 서버 및 방법 |
US10885905B2 (en) | 2018-07-13 | 2021-01-05 | Samsung Electronics Co., Ltd. | Predicting user actions on ubiquitous devices |
CN110270093B (zh) * | 2019-07-04 | 2023-05-09 | 珠海西山居数字科技有限公司 | 一种智能导购方法、装置、计算设备及存储介质 |
KR102156757B1 (ko) * | 2019-09-27 | 2020-09-16 | (주)데이터리퍼블릭 | 기계 학습을 이용한 신용 평가를 위한 시스템, 방법, 및 컴퓨터 프로그램 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006055931A (ja) * | 2004-08-18 | 2006-03-02 | Inst Of Systems Information Technologies Kyushu | ロボット装置 |
JP2007034664A (ja) * | 2005-07-27 | 2007-02-08 | Sony Corp | 感情推定装置および方法、記録媒体、および、プログラム |
JP2007136665A (ja) * | 2005-11-17 | 2007-06-07 | Korea Electronics Telecommun | ロボット制御のためのロボットサーバ、これを含むコンテンツ提供システム及びその方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4483351B2 (ja) | 2004-03-10 | 2010-06-16 | ソニー株式会社 | 情報提供システム、及び情報提供装置 |
KR100578357B1 (ko) * | 2004-10-27 | 2006-05-11 | 주식회사 케이티프리텔 | 통신망을 이용한 컨텐츠 추천 서비스 방법 및 시스템 |
KR20060087132A (ko) * | 2005-01-28 | 2006-08-02 | 에스케이 텔레콤주식회사 | 모바일 로봇을 이용한 선호 서비스 추천 방법 및 시스템 |
-
2007
- 2007-09-19 KR KR1020070095495A patent/KR100979516B1/ko not_active IP Right Cessation
- 2007-12-20 JP JP2007329368A patent/JP2009076027A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006055931A (ja) * | 2004-08-18 | 2006-03-02 | Inst Of Systems Information Technologies Kyushu | ロボット装置 |
JP2007034664A (ja) * | 2005-07-27 | 2007-02-08 | Sony Corp | 感情推定装置および方法、記録媒体、および、プログラム |
JP2007136665A (ja) * | 2005-11-17 | 2007-06-07 | Korea Electronics Telecommun | ロボット制御のためのロボットサーバ、これを含むコンテンツ提供システム及びその方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8909644B2 (en) | 2011-05-26 | 2014-12-09 | Nice Systems Technologies Uk Limited | Real-time adaptive binning |
US9076156B2 (en) | 2011-05-26 | 2015-07-07 | Nice Systems Technologies Uk Limited | Real-time adaptive binning through partition modification |
US8909590B2 (en) | 2011-09-28 | 2014-12-09 | Nice Systems Technologies Uk Limited | Online asynchronous reinforcement learning from concurrent customer histories |
US8914314B2 (en) | 2011-09-28 | 2014-12-16 | Nice Systems Technologies Uk Limited | Online temporal difference learning from incomplete customer interaction histories |
US8924318B2 (en) | 2011-09-28 | 2014-12-30 | Nice Systems Technologies Uk Limited | Online asynchronous reinforcement learning from concurrent customer histories |
WO2013059517A1 (en) * | 2011-10-18 | 2013-04-25 | Causata Inc. | Online temporal difference learning from incomplete customer interaction histories |
JP2016048417A (ja) * | 2014-08-27 | 2016-04-07 | 石井 美恵子 | サービス提供システムおよびプログラム |
JP2016219007A (ja) * | 2015-05-14 | 2016-12-22 | 株式会社アドダイス | 管理システム及び管理方法 |
CN108701265A (zh) * | 2016-03-14 | 2018-10-23 | 欧姆龙株式会社 | 学习服务提供装置 |
JPWO2017159614A1 (ja) * | 2016-03-14 | 2019-01-10 | オムロン株式会社 | 学習サービス提供装置 |
JP2018097474A (ja) * | 2016-12-09 | 2018-06-21 | トヨタ自動車株式会社 | 情報提供システム |
JP2019032857A (ja) * | 2018-09-20 | 2019-02-28 | 株式会社フューチャーアイ | サービス提供システムおよびプログラム |
JP2019175482A (ja) * | 2019-05-24 | 2019-10-10 | 株式会社フューチャーアイ | 学習支援システム |
CN110941774A (zh) * | 2019-12-05 | 2020-03-31 | 深圳前海达闼云端智能科技有限公司 | 一种服务推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
KR100979516B1 (ko) | 2010-09-01 |
KR20090030144A (ko) | 2009-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2009076027A (ja) | ネットワーク基盤のロボットのためのサービス推薦方法およびサービス推薦装置 | |
US11699448B2 (en) | Intelligent assistant for home automation | |
US9189551B2 (en) | Method and apparatus for category based navigation | |
US7605714B2 (en) | System and method for command and control of wireless devices using a wearable device | |
US10798214B2 (en) | Methods and systems for personalizing user experience based on personality traits | |
US20060031288A1 (en) | Method of and system for presenting media content to a user or group of users | |
EP2040209A1 (en) | Method and system to predict and recommend future goal-orientated activity | |
CN106663241A (zh) | 列表累积和提醒触发 | |
US7433836B1 (en) | Enterprise information and communication system having a transaction management engine for managing bills vouchers purchases and email notifications | |
Xu et al. | Context-aware content filtering and presentation for pervasive and mobile information systems | |
WO2004019225A1 (ja) | 状況付情報を処理する装置および方法 | |
US20100114803A1 (en) | Apparatus and method for modeling user's service use pattern | |
Thyagaraju | Design and implementation of user context aware recommendation engine for mobile using Bayesian network, fuzzy logic and rule base | |
CN113424215A (zh) | 用于在电子装置中管理日程的设备和方法 | |
US11665244B2 (en) | Selecting user profiles on platforms based on optimal persona of a user in a given context | |
Christopoulou | Context as a necessity in mobile applications | |
CN107667383B (zh) | 推断用于与数字助理一起使用的提示 | |
CN113495487A (zh) | 一种调节目标设备运行参数的终端和方法 | |
Magerkurth et al. | An intelligent user service architecture for networiked home environments | |
CA2842213C (en) | Method and apparatus for category based navigation | |
Hossain et al. | Gain-based selection of ambient media services in pervasive environments | |
US20220278892A1 (en) | Device and method for controlling communication of information | |
Villar et al. | The pendle: A personal mediator for mixed initiative environments | |
Bisicchia et al. | Sustainable goal-oriented smart environments: a declarative programming approach | |
Coutand et al. | An Approach Using Memory-Based Reasoning for Determining the Behavior of Mobile, Location-Aware Services |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100907 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20101206 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20110415 |