JP2009140042A - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Abstract

【課題】ユーザの評価に基づいてアイテム間の関連性を求め、領域を横断した形でアイテムを推薦することができるようにする。
【解決手段】サーバ１は領域を横断した形でアイテムの推薦を行う装置である。サーバ１においては、アイテムに対するユーザの評価に基づいて、それぞれ異なる領域に属するアイテム同士の関連性が求められ、求められた関連性を表す情報が、それぞれのアイテムにメタデータとして設定される。設定されたメタデータは、ユーザに推薦するアイテムを特定するのに用いられ、例えば、ユーザにより選択された基準となるアイテムの領域と異なる領域のアイテムが推薦アイテムとして特定される。推薦アイテムの情報は、アイテムの推薦を受けるユーザが利用するクライアントに対して送信される。本発明は、パーソナルコンピュータに適用することができる。
【選択図】図１

Description

本発明は、情報処理装置、情報処理方法、およびプログラムに関し、特に、ユーザの評価に基づいてアイテム間の関連性を求め、領域を横断した形でアイテムを推薦することができるようにした情報処理装置、情報処理方法、およびプログラムに関する。

近年、料理の本が選択されたことに応じて新製品の鍋をユーザに薦めるといったような、基準となるアイテムと異なる領域に属するアイテムを推薦するWebサービスが出てきている。

特開２００７−１１５２２２号公報

通常、領域を横断した形でアイテムを推薦するこのようなサービスは、推薦のルールがあらかじめ決められていてルールベースで実現されるか、購買履歴などの多くのユーザの履歴に基づいて協調フィルタリングによって実現される。

後者の問題点としては、かなり多くのユーザの履歴がないと、サービスがうまく働かないことが挙げられる。つまり、複数の領域を横断するアイテム間の関連性自体を多くのユーザの履歴によって明らかにしておく必要がある。

一方、テレビジョン番組などのあるコンテンツが選択されたときに、そのコンテンツに設定されているキーワードと同じキーワードがメタデータとして設定されているアイテムを関連コンテンツとして推薦する技術がある。この技術によれば、ユーザがあるテレビジョン番組を選択した場合、そのテレビジョン番組の出演者と同じ人が出演する映画を収録したDVD(Digital Versatile Disc)が推薦されたりすることになる。

この技術の問題点としては、キーワードが一致するコンテンツがない場合、関連コンテンツを推薦することできないことが挙げられる。

本発明はこのような状況に鑑みてなされたものであり、ユーザの評価に基づいてアイテム間の関連性を求め、領域を横断した形でアイテムを推薦することができるようにするものである。

本発明の一側面の情報処理装置は、それぞれ異なる領域に属するアイテム同士の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいて求める分析手段と、前記分析手段による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定手段と、基準となる所定のアイテムに前記設定手段により設定された前記関連情報に基づいて、前記所定のアイテムと関連性のある、前記所定のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦手段とを備える。

前記関連情報以外のメタデータの一致度に基づいて、他のアイテムとの関連性が求められていない新規のアイテムと類似する、他のアイテムとの関連性が求められているアイテムを特定するアイテム特定手段をさらに設けることができる。この場合、前記設定手段には、さらに、前記新規のアイテムに対して、前記新規のアイテムと類似するとして前記アイテム特定手段により特定されたアイテムと関連性のある他のアイテムと関連性のあることを表す前記関連情報をメタデータとして設定させることができる。

同じアイテムに対する評価が類似する複数のユーザからなるユーザのグループを特定するグループ特定手段をさらに設けることができる。この場合、前記分析手段には、前記グループ特定手段により特定されたグループ毎に、それぞれのグループに属するユーザによるそれぞれのアイテムに対する評価に基づいてアイテム同士の関連性を求めさせ、前記設定手段には、前記分析手段による分析によってグループ毎に求められた関連性を表す前記関連情報をそれぞれのアイテムにメタデータとして設定させることができる。

前記推薦手段には、前記グループ特定手段により特定された、アイテムの推薦を受けようとするユーザが属するグループの情報として求められた前記関連情報に基づいて、前記推薦アイテムを特定させることができる。

本発明の一側面の情報処理方法またはプログラムは、それぞれ異なる領域に属するアイテム同士の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいて求め、求めた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定し、基準となる所定のアイテムに設定した前記関連情報に基づいて、前記所定のアイテムと関連性のある、前記所定のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定するステップを含む。

本発明の一側面においては、それぞれ異なる領域に属するアイテム同士の関連性が、ユーザによるそれぞれのアイテムに対する評価に基づいて求められ、求められた関連性を表す情報である関連情報がそれぞれのアイテムにメタデータとして設定される。また、基準となる所定のアイテムに設定された前記関連情報に基づいて、前記所定のアイテムと関連性のある、前記所定のアイテムが属する領域とは異なる領域に属するアイテムが推薦アイテムとして特定される。

本発明の一側面によれば、ユーザの評価に基づいてアイテム間の関連性を求め、領域を横断した形でアイテムを推薦することができる。

図１は、本発明の一実施形態に係る推薦システムの構成例を示すブロック図である。

図１に示されるように、この推薦システムはサーバ１によって実現される。

サーバ１は、嗜好情報取得部１１、嗜好情報DB１２、関連性分析部１３、メタデータ設定部１４、アイテムDB１５、新規アイテム処理部１６、推薦アイテム特定部１７、および送信部１８から構成される。

後に詳述するように、サーバ１においては、アイテムに対するユーザの評価に基づいて、それぞれ異なる領域に属するアイテム同士の関連性が求められ、求められた関連性を表す情報が、それぞれのアイテムにメタデータとして設定される。

ここで、領域には、テレビジョン番組、本、音楽、ゲームなどが含まれる。アイテムは、各テレビジョン番組、週刊誌、文庫本などの各本、ダウンロード用の音楽コンテンツ、音楽コンテンツを収録したCDなどの各音楽、ダウンロード用のゲームコンテンツ、ゲームコンテンツを収録した記録媒体などの各ゲームとなる。

設定されたメタデータは、ユーザに推薦するアイテムを特定するのに用いられる。例えば、ユーザにより選択されたあるテレビジョン番組を基準として、基準となるテレビジョン番組と関連性のある、本や音楽などの他の領域のアイテムが推薦アイテムとして特定される。推薦アイテムの情報は、アイテムの推薦を受けるユーザが利用するクライアントに対して送信される。

すなわち、サーバ１は、領域を横断した形でアイテムの推薦を行う装置である。サーバ１には、パーソナルコンピュータなどの複数の端末がクライアントとしてネットワークを介して接続される。

サーバ１の嗜好情報取得部１１は、アイテムに対するユーザの評価を表す嗜好情報を取得する。例えば、クライアントのユーザは、テレビジョン番組の視聴を終えた後や本を読み終えた後などに、アイテムの評価をクライアントに対して入力する。クライアントにおいては、ユーザの評価と、どのアイテムに対する評価であるのかを表す嗜好情報が生成され、サーバ１に対して送信される。評価の対象となるアイテムについては、領域、ジャンル、キーワード、販売元などの各種のメタデータが、サンプリングされることによってサーバ１により取得されている。

サーバ１に対する入力デバイスとして設けられるマウスやリモートコントローラなどがサーバ１の管理者により操作されることによって嗜好情報が入力されるようにしてもよい。

嗜好情報取得部１１は、クライアントから送信されてきた嗜好情報や、入力された嗜好情報を取得し、取得した嗜好情報を嗜好情報DB１２に記憶させる。

複数のクライアントから嗜好情報が送信されてくることにより、サーバ１においては、複数の領域のアイテムに対する評価を表す嗜好情報が収集され、嗜好情報DB１２に記憶されることになる。

関連性分析部１３は、嗜好情報を嗜好情報DB１２から読み出して分析し、それぞれのユーザの評価に基づいて、アイテム間、アイテムのジャンル間などの、あるアイテムを基準として他のアイテムを特定するのに参照される、アイテムに関する関連性を求める。

例えば、関連性分析部１３は、図２に示されるように、異なる領域に属するそれぞれのジャンルをユーザの評価に基づいて１つの空間にマッピングし、それぞれのジャンル間の関連性を求める。評価が似ているために関連性のあるジャンル間の空間上の距離は近いものになり、評価が似ていないために関連性のないジャンル間の空間上の距離は遠いものになる。

ジャンルに対する評価は、それぞれのジャンルに属するアイテムに対するユーザの評価に基づいてサーバ１により求められるようにしてもよいし、ジャンルに対する評価がユーザにより直接入力されるようにしてもよい。

図２の例において、点ｔ₁，ｔ₂はテレビジョン番組（TV）のジャンルの空間上の位置を表す。点ｂ₁乃至ｂ₅は本のジャンルの空間上の位置を表し、点ｍ₁乃至ｍ₄は音楽のジャンルの空間上の位置を表す。

例えば、点ｔ₁と点ｂ₃の距離が近いことは、点ｔ₁によって位置が表されるテレビジョン番組のジャンル１と、点ｂ₃によって位置が表される本のジャンル２が、それぞれのジャンルに対する評価、または、それぞれのジャンルに属するアイテムに対する評価が似ていることを表す。

図３に示されるように、関連性分析部１３は、ある領域のそれぞれのジャンルを基準として、他の領域のそれぞれのジャンルとの関連性を求める。図３の例においては、テレビジョン番組のジャンル１と本のジャンル２は関連性があり、テレビジョン番組のジャンル３と本のジャンル１は関連性があるものとされている。

テレビジョン番組と本の間だけでなく、他の領域間についても、関連性分析部１３により関連性が求められる。

図４は、ジャンル間の関連性の例を示す図である。

図４の例においては、テレビジョン番組のジャンル１と関連性のあるジャンルは、本のジャンル２，１０，２７、音楽のジャンル７，１４，３０、ゲームの所定のジャンルとされている。テレビジョン番組のジャンル２についても同様に、他の領域のジャンルとの関連性が求められている。

以上のような関連性は、例えば、主成分分析、正準相関分析、カテゴリカル主成分分析がユーザの評価を対象として行われ、得られたアイテムの得点、ジャンルの得点から求められる。

図５は、ユーザの評価の例を示す図である。

図５の例においては、ある領域のアイテム１に対するユーザＡの評価は５段階評価のうちの５の評価とされ、ユーザＢの評価は１の評価とされている。ユーザＣの評価は４の評価とされている。同様に、アイテム２に対するユーザＡ乃至Ｃの評価はいずれも２の評価とされている。アイテム３に対するユーザＡとユーザＢの評価は４の評価とされ、ユーザＣの評価は５の評価とされている。

このような評価を対象として例えば主成分分析が行われることによって、似ている評価のパターンがまとめられ、次元圧縮が行われる。図５の例において、アイテム１乃至３に対するユーザＡの評価とユーザＣの評価はそのパターンが似ている。

図６は、図５の評価を対象として次元圧縮を行うことによって得られた各次元の値の例を示す図である。

図６の例においては、アイテム１の次元１，２，３の値は、それぞれ、０．１２，０．３４，０．６２とされている。このような各次元の値が主成分分析によって求められ、各次元を軸とする空間上に各アイテムや各ジャンルがマッピングされることによって、図２を参照して説明したように、それぞれのアイテム間、ジャンル間の距離が求められる。

分析する次元の数は、任意の数、１以上の固有値に相当する数、寄与率が大きく下がる直前の数、累積寄与率が一定以上となる数とすることが可能である。

固有値は主成分の分散に対応し、その主成分がどの程度、元の情報（変量）を保持しているかを表す。元の変量の分散が１に標準化されていれば、固有値は、主成分が元の変量何個分の情報を持つのかを表す。固有値が１以下のとき、元の変量以下の情報しかないということになり、主成分としての意味がなくなる。

寄与率は、ある主成分によって表される情報が、全ての情報の中で、どの位の割合の量を占めるのかを表す。累積寄与率は、各主成分の寄与率を大きい順に加算したものであり、寄与率を加算した主成分までで、元の情報のうちのどのくらいの量の情報が表されるのかを表す（通常、７０〜８０％程度を表す次元までが採用される）。

ユーザの評価を分析するのに用いられる正準相関分析は、各変数群において、変数に重み（重み係数）をつけて足し合わせた変量（正準変量）を考え、正準変量同士の相関関係（正準相関係数）を最大にするような重み係数を求める分析手法である。この場合、主成分得点ではなく、空間上の距離を求めるのに重み変数が用いられる。

カテゴリカル主成分分析も、主成分分析と同様に、似たような評価のパターンをまとめて分析を行う手法である。

対象とするＫ個全ての領域のアイテムの評価をまとめて分析するようにしてもよいし、Ｋ個のうちの２個の領域のアイテムの評価だけを取り出し、２領域間の関係を求め、それを組み合わせの数だけ実行することによってＫ個全ての領域のアイテム間の関連性を分析するようにしてもよい。

前者の場合、例えば、対象となる領域としてテレビジョン番組、本、音楽の３領域があったとき、それぞれの領域のアイテム全ての評価をひとまとめにして分析が行われ、それぞれのアイテムが図２に示されるような、１つの空間上にマッピングされる。求められた各アイテムの主成分得点が、ひとまとめにした空間上の位置を表す座標として用いられる。この場合、全ての領域のアイテムを１つの空間にマッピングすることができるので、アイテム間の関連性は１つの空間上で求めることが可能となる。

後者の場合、例えば、対象となる領域としてテレビジョン番組、本、音楽、映画の４領域があったとき、テレビジョン番組と本、テレビジョン番組と音楽、テレビジョン番組と映画、本と音楽、本と映画、音楽と映画のそれぞれの組み合わせでアイテムの評価が取り出され、取り出されたそれぞれの評価を対象として分析が行われる。

テレビジョン番組の各アイテムに対する評価と本の各アイテムに対する評価を分析し、各アイテムをマッピングして得られたテレビジョン番組−本関連性空間からは、テレビジョン番組のアイテムと本のアイテムの関連性が求められ、テレビジョン番組の各アイテムに対する評価と音楽の各アイテムに対する評価を分析し、各アイテムをマッピングして得られたテレビジョン番組−音楽関連性空間からは、テレビジョン番組のアイテムと音楽のアイテムの関連性が求められる。

同様にして、テレビジョン番組のアイテムと映画のアイテムの関連性、本のアイテムと音楽のアイテムの関連性、本のアイテムと映画のアイテムの関連性、音楽のアイテムと映画のアイテムの関連性がそれぞれ求められる。

なお、図３に示されるようにジャンル間の関連性を求める場合、それぞれの領域のジャンルを所定の数のグループに分類し、グループ間の関連性を求めるようにしてもよい。

図７は、グループ間の関連性を求める場合の例を示す図である。

図７の例においては、テレビジョン番組のジャンル１とジャンル２がジャンルグループ１として分類されている。テレビジョン番組の他のジャンルも同様に、所定のジャンルグループに分類されている。

一方、本のジャンル１とジャンル２がジャンルグループ３として分類されている。本の他のジャンルも同様に、所定のジャンルグループに分類されている。ジャンルグループの分類（クラスタリング）は、例えば、各ジャンルに対する評価の相関値に基づいて特定される。

このようにして分類されたジャンルグループ同士の関連性が上述したような主成分分析や正準相関分析により求められ、図７に示されるように、テレビジョン番組のジャンルグループ１と関連性のあるジャンルグループとして本のジャンルグループ２が特定される。また、テレビジョン番組のジャンルグループ２と関連性のあるジャンルグループとして本のジャンルグループ１０が特定され、テレビジョン番組のジャンルグループ３と関連性のあるジャンルグループとして本のジャンルグループ２が特定される。

以上のようにして求められた関連性を表す情報は、関連性分析部１３からメタデータ設定部１４に供給される。

メタデータ設定部１４は、関連性分析部１３により求められた関連性を表す情報である関連情報を、それぞれのアイテムのメタデータとして設定し、アイテムDB１５に記憶させる。ジャンル間の関連性を表す情報がメタデータとしてアイテムに設定される場合、そのアイテムのジャンルと関連性のある他の領域のジャンルを表す図４に示されるような情報が設定される。

また、メタデータ設定部１４は、新規アイテム処理部１６により求められた関連性を表す関連情報を新規のアイテムのメタデータとして設定し、アイテムDB１５に記憶させる。

新規アイテム処理部１６は、ユーザによる評価が得られていない新規のアイテムの情報が入力されたとき、新規のアイテムと類似する、関連性を既に求めているアイテムを関連情報以外のメタデータに基づいて特定する。例えば、新規アイテム処理部１６は、新規のアイテムのメタデータと、アイテムDB１５に記憶されている、関連性を既に求めているそれぞれのアイテムのメタデータとの一致度を求め、関連性を既に求めているアイテムのうち、一致度の最も大きいアイテムを新規のアイテムと類似するアイテムとして特定する。

ジャンルなどのように、一致度を求めるメタデータが密なメタデータである場合、コサイン距離や内積が求められ、求められた値が一致度として用いられる。メタデータとしてのジャンルは、その種類が限られ、十分に多いアイテムをジャンル毎に分けた場合には同じジャンルのアイテムが比較的多く見つかるため、密なメタデータといえる。

一方、キーワードや文章などのように、一致度を求めるメタデータが疎なメタデータである場合、PLSA(Probabilistic Latent Semantic Analysis)やLDA(Linear Discriminant Analysis)などで次元圧縮後、距離が求められ、求められた距離が一致度として用いられる。キーワードや文章は、その種類が多く、十分に多いアイテムを、同じキーワードや文章がメタデータとして設定されているもの毎に分けた場合には同じキーワードや文章がメタデータとして設定されているアイテムがあまり見つからないため、疎なメタデータといえる。

また、新規アイテム処理部１６は、ユーザによる評価が行われたアイテム同士の関連性が求められている場合、新規のアイテムと類似するものとして特定したアイテムと同じ空間上の位置に新規のアイテムをマッピングし、新規のアイテムと関連性のある他の領域のアイテムを求める。新規アイテム処理部１６は、求めたアイテムの情報をメタデータ設定部１４に出力する。

すなわち、新規のアイテムに対しては、その新規のアイテムと類似する、関連性を既に求めているアイテムに設定されている関連情報と同じ関連情報がメタデータとして設定されることになる。

図８は、新規のアイテムの関連性を求める場合の例を示す図である。

図８は、テレビジョン番組の新規アイテムである新規アイテム１乃至３００００の情報と、本の新規アイテムである新規アイテム１乃至４０００の情報が入力された場合の例を示している。

図８の例においては、テレビジョン番組の新規アイテム１、新規アイテム２と類似する、他の領域のアイテムとの関連性を既に求めているテレビジョン番組のアイテムはアイテム２とされている。この場合、テレビジョン番組の新規アイテム１、新規アイテム２には、テレビジョン番組のアイテム２と関連性のある本のアイテムと関連性のあることを表す関連情報がメタデータとして設定される。

一方、本の新規アイテム１、新規アイテム４０００と類似する、他の領域のアイテムとの関連性を既に求めているアイテムはアイテム３とされている。この場合、本の新規アイテム１、新規アイテム４０００には、本のアイテム３と関連性のあるテレビジョン番組のアイテムと関連性のあることを表す関連情報がメタデータとして設定される。

図１の説明に戻り、推薦アイテム特定部１７は、アイテムDB１５に記憶されている各アイテムのメタデータに基づいて、基準となるアイテムと関連性のある他の領域のアイテムを推薦アイテムとして特定する。例えば、推薦を受けようとするユーザにより選択されている１つのアイテムを基準として、推薦アイテムが特定される。

なお、ジャンル間の関連性を表す情報がメタデータとして設定されている場合、基準となるアイテムのジャンルと関連性のある他の領域のジャンルのアイテムが推薦アイテムとして特定される。

推薦アイテム特定部１７は、推薦アイテムのタイトル、販売元などの情報をアイテムDB１５から読み出し、読み出したそれらの情報を送信部１８に出力する。

送信部１８は、推薦アイテム特定部１７から供給された情報を、推薦を受けようとするユーザが使うクライアントに対してインターネットなどのネットワークを介して送信する。送信部１８から送信された情報を受信したクライアントにおいては、推薦アイテムの情報をユーザに提示することが行われる。

ここで、以上のような構成を有するサーバ１の処理について説明する。

はじめに、図９のフローチャートを参照して、メタデータを設定するサーバ１の処理について説明する。ここでは、関連情報を設定する対象となるアイテムは、新規のアイテムではない、ユーザにより評価が行われたアイテムであるものとする。

ステップＳ１において、嗜好情報取得部１１は、アイテムに対するユーザの評価を表す嗜好情報を取得し、取得した嗜好情報を嗜好情報DB１２に記憶させる。

ステップＳ２において、関連性分析部１３は、嗜好情報を嗜好情報DB１２から読み出して分析し、それぞれのユーザの評価に基づいてアイテム間の関連性を求める。ジャンル間の関連性を求める場合も同様に、ユーザの評価から求められたそれぞれのジャンルの評価や、ユーザにより入力されたそれぞれのジャンルの評価に基づいて分析が行われる。

ステップＳ３において、メタデータ設定部１４は、関連性分析部１３により求められた関連性を表す関連情報をメタデータとして設定し、アイテムDB１５に記憶させる。その後、処理は終了される。

嗜好情報が取得される毎に、アイテムの推薦を行う前の事前処理として以上の処理が行われることにより、複数の領域のそれぞれのアイテムに対して関連情報が設定されることになる。

次に、図１０のフローチャートを参照して、メタデータを設定するサーバ１の他の処理について説明する。ここでは、関連情報を設定する対象となるアイテムは新規のアイテムであるものとする。

ステップＳ１１において、新規アイテム処理部１６は、ユーザによる評価が得られていない新規のアイテムの情報を取得する。取得される情報には、新規のアイテムのメタデータも含まれる。

ステップＳ１２において、新規アイテム処理部１６は、メタデータの一致度に基づいて、新規のアイテムと類似する、関連性の分析済みのアイテムを特定する。また、新規アイテム処理部１６は、特定したアイテムと同じ空間上の位置に新規のアイテムをマッピングし、新規のアイテムと関連性のある他の領域のアイテムを求める。

ステップＳ１３において、メタデータ設定部１４は、新規のアイテムのメタデータとして、新規アイテム処理部１６により求められた、新規のアイテムと類似する関連性の分析済みのアイテムに設定されている関連情報と同じ関連情報を設定し、アイテムDB１５に記憶させる。その後、処理は終了される。

次に、図１１のフローチャートを参照して、アイテムの推薦を行うサーバ１の処理について説明する。この処理は、例えば、基準となるアイテムがクライアントのユーザにより選択されたときに開始される。

ステップＳ２１において、推薦アイテム特定部１７は、アイテムDB１５に記憶されている各アイテムのメタデータに基づいて、基準となるアイテムと関連性のある他の領域のアイテムを推薦アイテムとして特定する。推薦アイテム特定部１７は、推薦アイテムの情報を送信部１８に出力する。

ステップＳ２２において、送信部１８は、推薦アイテム特定部１７から供給された情報をクライアントに送信し、処理を終了させる。その後、処理は終了される。

基準となるアイテムが選択される毎に以上の処理が行われることにより、ユーザに対して推薦アイテムが順次提示される。ユーザは、次々と表示される推薦アイテムを基準のアイテムとして選択していくことによって、選択した推薦アイテムと関連性のある他の領域のアイテムの情報を次々と確認することができる。

以上の処理により、サーバ１は、アイテムに対するユーザの評価に基づいてアイテム間の関連性を求めることができる。

また、サーバ１は、求めた関連性に基づいて、領域を横断した形でアイテムの推薦を行うことができる。

ある領域のアイテムに対するユーザの選択履歴をプロファイルとして蓄積しておき、他の領域のアイテムに対するプロファイルを予測することに関連情報が用いられるようにしてもよい。

この場合、例えば、テレビジョン番組の領域においてアイテムが選択される毎に、選択されたそれぞれのアイテムと関連性のある本やゲームなどの他の領域のアイテムの情報が領域毎に蓄積され、蓄積された他の領域のアイテムの情報が、その領域におけるユーザのプロファイルとして用いられる。

具体的には、テレビジョン番組１と本１、テレビジョン番組２と本２、テレビジョン番組３と本３、・・・がそれぞれ関連性のあるアイテムである場合、テレビジョン番組の領域においてテレビジョン番組１，２，３の順に選択されたときには、本１，２，３の情報が順次蓄積され、本の領域におけるユーザのプロファイルとして用いられる。

情報が蓄積された本の領域のアイテムはテレビジョン番組の領域においてユーザが実際に選択したアイテムと関連性のあるものであるから、このように、テレビジョン番組の領域におけるプロファイルから、他の領域である本の領域におけるプロファイルを予測することが可能となる。

このようにして予測されたプロファイルは、ユーザにそのまま提示することに用いられるようにしてもよいし、推薦アイテムの特定に用いられるようにしてもよい。

例えば、ユーザが本の領域において本１を選択した場合、テレビジョン番組の領域において２番目に選択されたテレビジョン番組２と関連性のある本２が推薦アイテムとして特定される。

これにより、特定の領域でしかユーザの選択履歴が得られていない場合であっても、他の領域におけるユーザの嗜好（プロファイル）を予測し、アイテムの推薦を行うことができる。このことは、大量のユーザデータがなくてもアイテムの推薦を行うことが可能であることを表す。

図１２は、推薦システムの他の構成例を示すブロック図である。図１２に示される構成のうち、図１に示される構成と同じ構成には同じ符号を付してある。重複する説明については適宜省略する。

図１２に示されるサーバ１の構成は、ユーザタイプ特定部３１がさらに設けられている点で図１のサーバ１の構成と異なる。

ユーザタイプ特定部３１は、嗜好情報DB１２に記憶されている嗜好情報に基づいて、アイテムに対する評価を行ったユーザのグループ分けを行い、それぞれのユーザが属するグループ（タイプ）を特定する。

ユーザタイプ特定部３１は、例えば、それぞれのアイテムやジャンルに対するユーザの評価を対象として主成分分析を行い、その結果に基づいてクラスタリングすることによってそれぞれのユーザのタイプを特定する。

図１３は、ユーザのタイプの例を示す図である。

図１３には、ユーザ１乃至６のそれぞれのユーザによる、テレビジョン番組の各ジャンルに対する評価と本の各ジャンルに対する評価が示されている。白抜きの丸印は評価が高いことを表し、バツ印は評価が高くないことを表す。

図１３に示されるような評価がユーザ１乃至６から得られており、この評価を対象として主成分分析などが行われた場合、ユーザ１乃至３の評価は相互に類似するからユーザ１乃至３のタイプは同じタイプＡとして特定される。

同様に、ユーザ４および５の評価は相互に類似するからユーザ４および５のタイプは同じタイプＢとして特定され、ユーザ６のタイプは、評価が類似する他のユーザとともに同じタイプＣとして特定される。

ユーザタイプ特定部３１は、このようにして特定したユーザのタイプを表す情報を関連性分析部１３に出力する。

関連性分析部１３は、ユーザのタイプ毎に、同じタイプに属するユーザの評価に基づいて、アイテム間、ジャンル間の関連性を上述したようにして求め、求めた関連性を表す情報をメタデータ設定部１４に出力する。

メタデータ設定部１４は、関連性分析部１３から供給されたタイプ毎の関連性を表す関連情報をそれぞれのアイテムにメタデータとして設定し、アイテムDB１５に記憶させる。

図１４は、関連情報の例を示す図である。

図１４の例においては、テレビジョン番組のジャンル１と関連性のある本のジャンルは、タイプＡのユーザにとってはジャンル２，１０，２７とされ、タイプＢのユーザにとってはジャンル２，３，１５とされ、タイプＣのユーザにとってはジャンル１０，１１，２０とされている。また、テレビジョン番組のジャンル１と関連性のある音楽のジャンルは、タイプＡのユーザにとってはジャンル７，１４，３０とされ、タイプＢのユーザにとってはジャンル４，１４，３５とされ、タイプＣのユーザにとってはジャンル３，２５，２６とされている。

テレビジョン番組のジャンル１のアイテムに対しては、このような、それぞれのタイプのユーザを対象とした複数の関連情報がメタデータとして設定される。

このような関連情報を用いてアイテムの推薦を行う場合、まず、推薦を受けようとするユーザのタイプが特定され、その後、特定されたタイプのユーザを対象とする関連情報を用いて、推薦アイテムの特定などが行われる。

これにより、サーバ１は、ユーザの嗜好の違いを考慮してアイテム間の関連性を求めることができる。また、サーバ１は、そのようにして求めた関連性に基づいて、ユーザの嗜好に対応してアイテムの推薦を行うことができる。

タイプ毎の関連情報が、CBF(Content Based Filtering)の重み学習に用いられるようにすることも可能である。

この場合、基準となるアイテムと関連性のある他の領域のアイテムを推薦アイテムとしてユーザに提示する際に、例えば、タイプＡのユーザにとっての推薦アイテムと、タイプＢのユーザにとっての推薦アイテムと、タイプＣのユーザにとっての推薦アイテムといったように、タイプ別の推薦アイテムが提示される。

サーバ１においては、提示したものの中から所定の推薦アイテムが選択される毎に、ユーザによるアイテムの選択の履歴が蓄積され、蓄積された履歴に基づいて、ユーザが、どのタイプの関連性に従っているのかが学習される。ユーザが例えばタイプＡの関連性に従ってアイテムの選択を行っていることが特定された場合、タイプＡのユーザにとって関連性のあるアイテムが推薦アイテムとして選択されやすくなるように、タイプＡのユーザにとって関連性のあるアイテムのメタデータに対して大きな重みが設定される。

重み付けは、履歴が１回更新される毎に行われるようにしてもよいし、履歴が一定期間分だけ蓄積された後に行われるようにしてもよい。重みの上げ方に対しては、履歴の比率が反映されるようにしてもよい。例えば、タイプＡのユーザにとっての関連性に従ってアイテムの選択を行っていることの方が、タイプＢのユーザにとっての関連性に従ってアイテムの選択を行っていることより多いと特定された場合、タイプＡのユーザにとって関連性のあるアイテムに対して、上げ幅のより大きい重みが設定される。

複数のタイプのアイテムを提示する場合、大きな重みが設定されているタイプのアイテムの順に提示されるようにしてもよいし、タイプＡとタイプＢとで設定された重みに一定以上の差があるときにはタイプＢのアイテムは提示されないといったように、一定以上差がついた、重みの低いタイプのアイテムは提示されないようにしてもよい。

以上においては、アイテム間の関連性を求めるための情報として、ユーザにより入力された５段階の評価が用いられるものとしたが、アイテムの視聴中にユーザが示す表出の時系列データのパターンに基づいて同様の処理が行われるようにしてもよい。

ここで、表出とは、笑顔や顔をしかめるなどの表情、独り言や対話などの発話、拍手や貧乏ゆすりやタッピングなどの動作、ひじを付くことや上体が傾くことなどの姿勢、などの、画像や音によって外部から認識可能なユーザの反応である。

すなわち、サーバ１によるアイテムの推薦を受けるユーザが利用するクライアントにおいては、アイテムの再生中、アイテムを視聴しているユーザを撮影して得られた画像や、集音して得られたユーザの音声に基づいて、ユーザが示す複数種類の表出を所定の間隔で検出することが行われる。

図１５は、アイテムとしてのテレビジョン番組の再生中の様子を示す図である。

図１５の例においては、クライアント４１に対して、テレビジョン受像機４２、マイクロフォン４３、およびカメラ４４が接続されている。マイクロフォン４３の指向性とカメラ４４の撮影範囲はテレビジョン受像機４２の前方にある椅子に座ってアイテムを視聴しているクライアント４１のユーザに向けられている。

アイテムの再生中にマイクロフォン４３により集音されたユーザの音声と、カメラ４４により撮影されたユーザの画像はクライアント４１に供給される。

例えば、上述した笑顔は、カメラ４４により撮影された画像からユーザの顔の範囲が検出され、検出された顔から抽出された特徴と、あらかじめ用意されている笑顔の特徴とのマッチングが行われることによって検出される。クライアント４１においては、ユーザが笑顔になったタイミングと、笑顔の度合い（爆笑している、ほほえんでいるなど）を表す時系列データが取得される。

同様に、顔をしかめるは、カメラ４４により撮影された画像からユーザの顔の範囲が検出され、検出された顔から抽出された特徴と、あらかじめ用意されている、しかめっ面の特徴とのマッチングが行われることによって検出される。クライアント４１においては、ユーザが顔をしかめたタイミングと、しかめた度合いを表す時系列データが取得される。

独り言や対話などの発話は、マイクロフォン４３により集音された音声を対象として話者認識が行われることによって話者が特定され、集音された音声が、クライアントのユーザの独り言であるのか、一緒にアイテムを視聴している他のユーザとの対話であるのかが認識されることによって検出される。クライアント４１においては、ユーザの発話のタイミングと、発話の度合いである音量を表す時系列データが取得される。

拍手は、マイクロフォン４３により集音された音に基づいて検出される。クライアント４１においては、ユーザの拍手のタイミングと、拍手の強弱などの度合いを表す時系列データが取得される。

他の表出についても同様に、マイクロフォン４３とカメラ４４により得られたデータに基づいて検出される。表出の検出は、マイクロフォン４３とカメラ４４により得られたデータがハードディスクなどの記録媒体に一度記録され、記録されたデータを対象として行われるようにしてもよいし、マイクロフォン４３とカメラ４４からデータが供給される毎にリアルタイムで行われるようにしてもよい。

図１６は、表出の時系列データの例を示す図である。

図１６には、上から順に、笑顔、顔をしかめる、拍手、独り言の時系列データが示されている。横軸は時刻を表し、縦軸は度合いを表す。

クライアント４１においては複数のアイテムが再生され、再生されたアイテム毎に、図１６に示されるような時系列データが取得される。それぞれのアイテムに対する評価がユーザにより入力され、クライアント４１においては、再生が行われた複数のアイテムのそれぞれについての、ユーザの評価と、アイテムの再生中に取得された表出の時系列データである表出情報が取得される。

図１７は、クライアント４１により取得される情報の例を示す図である。

図１７の例においては、アイテムに対する評価は５段階評価とされ、それぞれのアイテムに対して評価を表す数字が設定されている。ここでは、５は最も高い評価となり、１は最も低い評価となる。

アイテムＡに対する評価は５とされ、その評価と、アイテムＡの再生中に検出された笑顔、顔をしかめる、拍手、独り言の時系列データが対応づけて記憶されている。

また、アイテムＢに対する評価は２とされ、その評価と、アイテムＢの再生中に検出された笑顔、顔をしかめる、拍手、独り言の時系列データが対応づけて記憶されている。アイテムＣ、アイテムＤ、アイテムＥについても同様に、それぞれの評価と、再生中に検出された表出の時系列データが対応づけて記憶されている。

クライアント４１においては、図１７に示されるような情報に基づいて、高評価のアイテムに特徴的な表出が特定され、特定された表出が高評価指標の表出とされる。例えば、５段階評価で５の評価がなされたアイテムの表出情報に注目され、５以外の評価がなされたアイテムの表出情報と比べて、注目する表出情報に顕著に多く含まれる表出が特定される。

あるユーザはおもしろい（評価の高い）と感じるアイテムを視聴しているときに多く笑い、違うユーザはおもしろいと感じるアイテムを視聴しているときに多く拍手するといったように、おもしろいと感じるアイテムを視聴しているときの表出がユーザ毎に異なると考えられる。ここで、クライアント４１のユーザと、おもしろいと感じるアイテムを視聴しているときにクライアント４１のユーザが多く示す表出が結び付けられることになる。

具体的には、全てのアイテムの分のＮ種類の表出の時系列データがそれぞれ正規化（z変換）され、それぞれの表出の代表値が求められる。代表値としては、例えば、正規化して得られたそれぞれの表出の時系列データから、度合いの最大値、閾値となる一定値以上の値が検出された頻度を表す値、閾値となる一定値以上の値が継続して検出された時間を表す値などが求められる。

また、高評価のアイテムの表出情報から求められたそれぞれの表出の代表値と、高評価がされていないアイテムの表出情報から求められたそれぞれの表出の代表値が比較され、明確な差がある代表値が高評価のアイテムの表出情報から求められた表出が特定される。明確な差の判断は、統計的有意差、２０％以上値が大きいなどの特定の比率以上の差があることなどの基準を用いることができる。

図１７の例の場合、アイテムＡ乃至Ｅのそれぞれのアイテムについて、笑顔の時系列データの代表値、顔をしかめるの時系列データの代表値、拍手の時系列データの代表値、独り言の時系列データの代表値が求められる。

また、高評価のアイテムであるアイテムＡとアイテムＤの表出の時系列データから求められた代表値のうち、アイテムＢ，Ｃ，Ｅの表出の時系列データから求められた代表値と比べて明確な差のある代表値が求められ、その代表値を有する表出が高評価指標の表出として特定される。

高評価指標として特定される表出は１種類であってもよいし、複数種類であってもよい。また、時系列データから求められた代表値を比較することによって特定されるのではなく、時系列パターンを変化パターンとして扱い、時系列パターンのマイニングを行うことによって高評価指標の表出が特定されるようにしてもよい。時系列パターンのマイニングについては、例えば、“E. Keogh and S. Kasetty, “On the Need for Time Series Data Mining Benchmarks: A Survey and Empirical Demonstration”, Data Mining and Knowledge Discovery, vol.7, pp.349-371 (2003)”に記載されている。

以上のようにして特定された高評価指標の表出情報はクライアント４１からサーバ１に送信され、それぞれのアイテムに対するユーザの評価に替えて、アイテム間の関連性を求めるのに用いられる。すなわち、サーバ１においては、表出情報を対象として上述したような主成分分析などが行われることになる。

このような高評価指標の表出を特定することがサーバ１において行われるようにしてもよい。

上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、専用のハードウエアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な汎用のパーソナルコンピュータなどに、プログラム記録媒体からインストールされ

図１８は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。

CPU(Central Processing Unit)５１、ROM(Read Only Memory)５２、RAM(Random Access Memory)５３は、バス５４により相互に接続されている。

バス５４には、さらに、入出力インタフェース５５が接続されている。入出力インタフェース５５には、キーボード、マウス、マイクロフォンなどよりなる入力部５６、ディスプレイ、スピーカなどよりなる出力部５７、ハードディスクや不揮発性のメモリなどよりなる記憶部５８、ネットワークインタフェースなどよりなる通信部５９、光ディスクや半導体メモリなどのリムーバブルメディア６１を駆動するドライブ６０が接続されている。

以上のように構成されるコンピュータでは、CPU５１が、例えば、記憶部５８に記憶されているプログラムを入出力インタフェース５５及びバス５４を介してRAM５３にロードして実行することにより、上述した一連の処理が行われる。

CPU５１が実行するプログラムは、例えばリムーバブルメディア６１に記録して、あるいは、ローカルエリアネットワーク、インターネット、デジタル放送といった、有線または無線の伝送媒体を介して提供され、記憶部５８にインストールされる。

なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。

本発明の実施の形態は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。

本発明の一実施形態に係る推薦システムの構成例を示すブロック図である。 ジャンルのマッピングの例を示す図である。 ジャンル間の関連性の例を示す図である。 ジャンル間の関連性の例を示す図である。 ユーザの評価の例を示す図である。 次元圧縮を行うことによって得られた各次元の値の例を示す図である。 グループ間の関連性の例を示す図である。 新規のアイテムの関連性の例を示す図である。 サーバのメタデータ設定処理について説明するフローチャートである。 サーバの他のメタデータ設定処理について説明するフローチャートである。 サーバの推薦処理について説明するフローチャートである。 推薦システムの他の構成例を示すブロック図である。 ユーザのタイプの例を示す図である。 関連情報の例を示す図である。 テレビジョン番組の再生中の様子を示す図である。 表出の時系列データの例を示す図である。 クライアントにより取得される情報の例を示す図である。 コンピュータのハードウエアの構成例を示すブロック図である。

符号の説明

１ サーバ， １１ 嗜好情報取得部， １２ 嗜好情報DB， １３ 関連性分析部， １４ メタデータ設定部， １５ アイテムDB， １６ 新規アイテム処理部， １７ 推薦アイテム特定部， １８ 送信部， ３１ ユーザタイプ特定部

Claims (6)

1. それぞれ異なる領域に属するアイテム同士の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいて求める分析手段と、
   前記分析手段による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定手段と、
   基準となる所定のアイテムに前記設定手段により設定された前記関連情報に基づいて、前記所定のアイテムと関連性のある、前記所定のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦手段と
   を備える情報処理装置。
2. 前記関連情報以外のメタデータの一致度に基づいて、他のアイテムとの関連性が求められていない新規のアイテムと類似する、他のアイテムとの関連性が求められているアイテムを特定するアイテム特定手段をさらに備え、
   前記設定手段は、さらに、前記新規のアイテムに対して、前記新規のアイテムと類似するとして前記アイテム特定手段により特定されたアイテムと関連性のある他のアイテムと関連性のあることを表す前記関連情報をメタデータとして設定する
   請求項１に記載の情報処理装置。
3. 同じアイテムに対する評価が類似する複数のユーザからなるユーザのグループを特定するグループ特定手段をさらに備え、
   前記分析手段は、前記グループ特定手段により特定されたグループ毎に、それぞれのグループに属するユーザによるそれぞれのアイテムに対する評価に基づいてアイテム同士の関連性を求め、
   前記設定手段は、前記分析手段による分析によってグループ毎に求められた関連性を表す前記関連情報をそれぞれのアイテムにメタデータとして設定する
   請求項１に記載の情報処理装置。
4. 前記推薦手段は、前記グループ特定手段により特定された、アイテムの推薦を受けようとするユーザが属するグループの情報として求められた前記関連情報に基づいて、前記推薦アイテムを特定する
   請求項３に記載の情報処理装置。
5. それぞれ異なる領域に属するアイテム同士の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいて求め、
   求めた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定し、
   基準となる所定のアイテムに設定した前記関連情報に基づいて、前記所定のアイテムと関連性のある、前記所定のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する
   ステップを含む情報処理方法。
6. それぞれ異なる領域に属するアイテム同士の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいて求め、
   求めた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定し、
   基準となる所定のアイテムに設定した前記関連情報に基づいて、前記所定のアイテムと関連性のある、前記所定のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する
   ステップを含む処理をコンピュータに実行させるプログラム。

Images