JP2009211697A - 情報配信システムおよび情報配信方法 - Google Patents

Abstract

【課題】ネットワークユーザが情報を創造および編集し、情報をＷＥＢサイトに配信する個人用情報配信のためのシステムおよび方法を提供する。
【解決手段】本システムおよび方法では、ユーザ入力と、ユーザの特徴を決定するのに適したユーザモデルと、に基づき問い合わせ条件を構築し、問い合わせ条件に基づき問い合わせを行い、得られた問い合わせ結果を処理して、処理された情報をユーザに提供し、ユーザが編集した配信される情報を配信する。
【選択図】図１

Description

本願は、主に個人用情報サービスの分野に関し、特にユーザに対して個人用情報配信を提供するシステムおよび方法に関するものである。

ネットワークアプリケーションが日々発展するなか、ネットユーザが要求するものは絶えず新しくなっている。ユーザ自身を軸として、コンテンツ、エンターテイメント、ビジネス、コミュニケーション、および、他の様々な個人用アプリケーションを再統合することで、個人用のニーズを最大限に満たすことが求められている。ＷＥＢ２．０時代の到来によって、個々のユーザの価値観は今まで以上に反映されるようになった。つまり、大多数のネットユーザは情報のクリエーターであり伝達チャンネルであると同時に、情報の受け手でもある。ネットユーザは能動的に情報を選択し、他方で、情報は能動的に適切なユーザを探し出す。昔はオンラインへアクセスすると情報を単方向的に取得するようになっていたかもしれないが、次のＷＥＢ２．０の時代ではオンラインのネットユーザを通した双方向的である相互通信をする機会が飛躍的に増える。しかし、現在利用可能である個人用サービスとしてユーザに提供されているものは、たいてい以下のものに留まる。Ｇｏｏｇｌｅ（登録商標）が提供する個人用ＷＥＢページランキング技術などの個人用情報検索サービス、ＹａｈｏｏＷＥＢ２．０、Ｒｏｌｌｙｏ、ＭＳＮ（登録商標）が提供するコミュニティ検索サービス、ＹａｈｏｏＡｎｓｗｅｒｓ、ｉＡｓｋ、ＢａｉｄｕＫｎｏｗｓが提供するコミュニティＱ＆Ａサービス、ｖｉｖｉｓｉｍｏ、ｌｏｏｋｓｍａｒｔ、ｋｏｏｘｏｏが提供する情報のクラスタリングおよび分類技術サービスである。

個人用情報検索に関しては多くの文献があり、例えば特許文献１〜１８がある。また、他に、個人用サービスに関する文献として、例えば特許文献１９〜２６がある。これらの文献は、ここで参照することにより援用される。

米国特許第５７６１６６２号明細書 米国特許第６１９９０６７号明細書 米国特許第６３８１５９４号明細書 米国特許第５６９４４５９号明細書 米国特許第６５３９３７７号明細書 米国特許第９１５７５５号明細書 中国特許出願公開第１６６４８１９号明細書 中国特許出願公開第１６６７６０７号明細書 中国特許出願公開第１６４７５２７号明細書 中国特許出願公開第１５０３１６３号明細書 中国特許出願公開第１３１９８１７号明細書 中国特許出願公開第１８１１７８０号明細書 中国特許出願公開第１５２９８６３号明細書 中国特許出願公開第１７１０５６０号明細書 中国特許出願公開第１４９９４０１号明細書 中国特許出願公開第１８７００２６号明細書 中国特許出願公開第１９３２８７１号明細書 中国特許出願公開第１６０２０２９号明細書 米国特許第６０４４３９５号明細書 米国特許第７１１０９９４号明細書 米国特許第６６７１７１５号明細書 米国特許第７１５９０２９号明細書 中国特許出願公開第１３０２５０３号明細書 中国特許出願公開第１６３０８５９号明細書 中国特許出願公開第１６５６４８２号明細書 中国特許出願公開第１５３７２８２号明細書

しかしながら、これまでに、個人用情報配信をユーザに提供するアプリケーションはなかった。

ネットワークユーザからの情報配信への急増する要求を満たすために、開示の技術は、ネットワークユーザが情報を創造および編集し、情報をＷＥＢサイトに配信する個人用情報配信のためのシステムおよび方法を提供する。

前述の目的を満たすために、本願は以下の技術を提供する。

本願が開示する情報配信システムは、ユーザ入力と、ユーザの特徴を決定するのに適したユーザモデルと、に基づき問い合わせ条件を構築する問い合わせ条件決定部と、問い合わせ条件に基づき問い合わせを行う検索部と、検索部によって得られた問い合わせ結果を処理して、処理された情報をユーザに提供する問い合わせ結果処理部と、ユーザが編集した配信される情報を配信する情報配信部と、を備える。

また、本願が開示する情報配信方法は、ユーザ入力と、ユーザの特徴を決定するのに適したユーザモデルと、に基づき問い合わせ条件を構築する問い合わせ条件決定ステップと、問い合わせ条件に基づき問い合わせを行う検索ステップと、検索部によって得られた問い合わせ結果を処理して、処理された情報をユーザに提供する問い合わせ結果処理ステップと、ユーザが編集した配信される情報を配信する情報配信ステップと、を含む。

本願を適用することで、ユーザが情報を構築し、情報を編集し、情報を検索するのに要する時間を大幅に短縮するという利点が得られる。また、ユーザは迅速かつ時間効率良くフィードバック情報を得ることができ、ユーザは情報を配信後の各ＷＥＢサイトの返信を閲覧するのに時間を費やす必要は無くなるため、ユーザがフィードバックを待つ時間を節約することができる。

本願の実施例に係る情報配信システムの概要を示すブロック図である。 本願の実施例に係るユーザモデルの処理を示すフローチャートである。 本願の実施例に係るサンプルとテンプレート検索の処理を示すフローチャートである。 本願の実施例に係るＷＥＢサイト問い合わせの処理を示すフローチャートである。 本願の実施例に係る情報配信の処理を示すフローチャートである。 本願の実施例に係る情報追跡の処理を示すフローチャートである。

以下、図面を参照して、本願の具体的な実施例を詳細に説明する。これらの実施例は最良の形態にすぎず、本願を限定するものと解釈されるべきではない。

図１は、本願の実施例に係る情報配信システムを示す構成図である。図１に示すように、本願に係る情報配信システム１２０は、ユーザモデル部１２２、問い合わせ部１２１、情報配信部１２３、情報追跡部１２４から構成される。

ユーザモデル部１２２は、ユーザの個人情報に基づいてユーザモデルを生成する。上手く生成されたユーザモデルは、ユーザの特徴と関心を反映し、かつ、ユーザの興味の変化に応じて変化することができるモデルである。図２は、本願の実施例に係るユーザモデル部１２２がユーザモデルを生成する際の処理を示すフローチャートである。以下、図２を参照して、ユーザモデル部１２２を更に詳細に説明する。

問い合わせ部１２１は、ユーザから入力された問い合わせ条件とユーザモデル部１２２が生成したユーザモデルとに基づいて、最終的な問い合わせ条件を決定し、検索を行い、ユーザが編集および変更を行うために、ユーザに情報配信のできるＷＥＢサイト、または、配信可能なサンプルおよびテンプレートの少なくとも１つを提供する。問い合わせ部１２１は、問い合わせ条件決定部１２５、検索部１２６、問い合わせ結果処理部１２７を含んで構成されてもよい。

問い合わせ条件決定部１２５は、ユーザ１１０によって入力された問い合わせ条件を受け取り、ユーザモデルに基づいて当該問い合わせ条件を拡張または変更し、最終的な問い合わせ条件を決定する。

検索部１２６は、例えば、単数または複数の検索エンジンによって実現される。さらに、検索部はＧｏｏｇｌｅ（登録商標）やＹａｈｏｏ！（登録商標）が提供しているものなどの外部検索ツールを利用することが出来るので、検索部はこれらの外部検索ツールを起動し利用してホスト機またはネットワーク１３０から問い合わせ結果を得るものであってもよい。問い合わせ部１２１は、サンプル（情報）とＷＥＢサイトの問い合わせを行う。サンプルの問い合わせとは、既に配信されているサンプルの問い合わせを行うことを意味する。例えば、アパート賃貸に関する情報を配信しようとするとき、サンプルは既に他者によって配信されているアパート賃貸情報を意味する。ＷＥＢサイトの問い合わせとは、情報配信が可能なＷＥＢサイトの問い合わせを行うことを意味する。

問い合わせ結果処理部１２７は、検索部１２６によって問い合わせのあった結果を処理して、ユーザに情報を提供する。当該処理とは、ランク付け（図３のステップ３５０および図４のステップ４７０参照）、ＷＥＢページ種類識別（図４のステップ４５０参照）、クラスタリング（図３のステップ３７０参照）などである。図３は、本願の実施例に係るサンプル問い合わせ部の処理、テンプレート生成の処理を示すフローチャートである。図４は、本願の実施例に係るＷＥＢサイト問い合わせ処理を示す図である。以下、図３および図４を参照して、問い合わせ部１２１および問い合わせ結果処理部１２７を詳細に説明する。

情報は複数のＷＥＢサイトに配信されることが多く、情報が配信された後に応答情報を得るため、ユーザは情報または文書を送信したＷＥＢサイトに絶えずアクセスして最新の応答情報を得るのが一般的である。これにより、多大な時間と労力がユーザにかかってしまう。この問題を解決するため、本願は情報追跡部１２４を提供する。情報追跡部１２４は自動的にユーザへの応答を追跡する。図６は本願の実施例に係る情報追跡部１２４の処理を示すフローチャートである。以下、図６を参照して、情報追跡部１２４を更に詳細に説明する。

ここで図２を参照して、本願に係るユーザモデル部１２２によって実行される処理を詳細に説明する。

図２に示すように、ユーザモデル部はまずステップ２１０でユーザアカウントを作成して、各ユーザを区別する。ユーザアカウントはユーザのテンプレートの識別子であり、各ユーザアカウントは登録されたアカウントに関してある一人のユーザに対応する。ユーザアカウントと対応するユーザモデルはユーザに個人用情報サービスを提供する。匿名ユーザの場合は、ユーザアカウントはある１つの種類のユーザに対応する。例えば、ユーザの地域に基づいて異なるユーザアカウントを作成してもよい。ユーザの性別や年齢がすべてある１つのユーザアカウントに対応してもよい。ユーザアカウントは様々な方法で作成してよい。例えば、ユーザアカウントについて単にデータベースを構成してもよい。

続いてステップ２２０で、ユーザモデルを作成するための情報である、ユーザのユーザ情報２６０を収集する。ユーザモデル部１２２は、識別モード（明示モード）および非識別モード（非明示モード）の少なくとも１つで、ユーザモデルを作成するための情報を得ることができる。識別モードで取得する情報はユーザの登録情報およびシステムの処理中にユーザが入力するよう求められた情報である。他方、非識別モードで取得する情報は、ノン・インタラクティブモードで収集される、ユーザが頻繁に利用する問い合わせ語、ユーザが頻繁に閲覧するＷＥＢページ、接続時間、接続場所、およびユーザの閲覧傾向などの情報である。限定するものではないが、ユーザ情報２６０は以下を含む。

個人情報２６１：住所、電話番号、年齢、性別、職業、学歴、収入、および趣味など。

ユーザ記述２６２：問い合わせ結果の最適化と、検索対象の表示とを容易にするための、ユーザによって提供される更に詳細な情報。ユーザ記述には、ユーザが一般的な関心を詳細に記述することができるように、多くの形式を取ることができる。また、ユーザ記述には、ユーザの関心に沿ったＷＥＢページやＷＥＢサイトを提供することもできる。ユーザによるある検索処理を通して、キーワードよりも詳細な記述を提供することもできるので、これもユーザ記述の一形式である。例えば、ユーザが「ａｐｐｌｅ」というキーワードを入力した後に、「ＡｐｐｌｅＰＣコンピュータの、モデル、価格、スペック、評価、最新製品の写真に関する情報、また、ＡｐｐｌｅＰＣコンピュータのニュース、市場、評価、販売業者に関する情報について知りたい。」という文章を付け足すことができる。あるいは、ユーザは例えば「http://www.apple.com.cn/getamac/whichmac/html」のように、ＷＥＢサイトまたはＷＥＢサイトに関したサンプル文書を入力することで、衣類ブランドや果物ではなく「Ａｐｐｌｅコンピュータ」にユーザが関心を持っていることを示すことができる。

ユーザ検索履歴ログ２６３：使用キーワード、問い合わせ結果のアクセス記録等を含む。

ユーザ相互情報２６４：ユーザの直接的なフィードバックと、ユーザによる情報配信処理の詳細な記述などを含む。ユーザ相互情報２６４は、ユーザモデルを修正するための、および、より適切な個人用サービスを提供するための主要情報である。ユーザ相互情報は識別モードと非識別モードに分けることができる。識別モードのユーザ相互作用は、ある情報サービス処理における検索または配信の結果に対するユーザからの直接的なフィードバックである。どの結果がユーザの需要により適合するのかをシステムに教えることになる。このようなフィードバックは、ユーザモデルの最適化システムを修正するのに直接的に利用することができる。非識別モードのユーザ相互作用は、例えば、サンプルやテンプレートをユーザが選択する処理において、サンプルのクリックや読み込み時間である。

ユーザグループ情報２６５：ユーザグループとは、所定の分類システム上で類似したユーザから構成される集まりのことである。ユーザグループ情報は、ユーザグループの情報を合成して得られる情報であり、ユーザグループ内のユーザによって共有されている共通情報を反映する。ユーザグループ情報２６５はユーザモデルを補足し変更するのに用いることができる。

類似したユーザは、ユーザグループを作成することができる。ここで明確にすべき概念として、「ユーザの関心」という概念はトピックのことである。他の言葉でいうと、所定の時間またはフェーズを通してユーザが興味を持っているトピックのことであり、関心と趣味のような意味で捉えられる「関心」を意味しない。例えば、ユーザが「２００８年度オリンピック」に注目している場合、ユーザがシステムを利用して問い合わせ処理をする間に、システムは「２００８年度オリンピック」に関するトピックを構築し、そのトピックによってユーザが現在注目している関心の的が示される。オリンピックの終了後、ユーザは「２００８年度オリンピック」に関するコンテンツの問い合わせを二度としないかもしれないが、この時には既に「関心」または「トピック」は消滅しているためである。ユーザが「２００８年度オリンピック」について「関心」または「トピック」の問い合わせをした場合、システムは現在有効なユーザを検索して、このトピックに関する問い合わせをした人がいるかどうかを調べて、このトピックに関する問い合わせをした現在有効なユーザのデータに基づいて、現在のユーザの問い合わせを最適化することができる。ここで、ユーザグループの情報、および、ユーザ個別の情報を活用することができる。すなわち、この関心に注目しているユーザ数が十分にある場合、この関心に係るユーザグループを形成することができる。

なお、上述のユーザ情報は実際の適例に過ぎない。当業者は特定の適用法での必要に応じて、特定の情報を集めることができる。

次に、ステップ２３０で、収集したユーザ情報２６０に基づいてユーザモデルが構築される。上手に構築されたユーザモデルは、ユーザの特徴と関心を反映し、ユーザの関心についての変更の記録をつけるものである。

ユーザモデルを構築するためには、推論エンジンの方法、空間ベクトルモデルの方法、言語モデル化の方法、オントロジーの技術、直接抽出の方法などを利用することができる。推論エンジンの方法については、次の文献を参照するとよい。「Data & Knowledge Engineering, Studer R Fensel D Fensel D 1998 / 25 / 1-2」、「RACER System Description, University of Hamburg, Computer Science Department, Volker Haarslev」、「Jena2.2 (beta).released, http://jena.sourceforge.net/」。空間ベクトルモデルの方法については、次の文献を参照するとよい。「Salton, G, the SMART Retrieval System - Experiments in Automatic Document Processing. Prentice-Hall, Englewood. Cliffs, New Jersey, 1971」、「Salton, G., Dynamic Information and Library processing. Prentice-Hall, Englewood Cliffs, New Jersey, 1983」。言語モデル化の方法については、次の文献を参照するとよい。「Jay M. Ponte and W. Bruce Croft. A language modeling approach to information retrieval. In Proceedings of SIGIR, pages 275-281, 1998」、「Hugo Zaragoza, Djoerd Hiemstra, and Michael Tipping, Bayesian extension to the language model for ad hoc information retrieval. In Proceedings of SIGIR, pages 4-9, 2003」。

本願の実施例では、ユーザモデルは２段階に分割される。まずはユーザ一般モデルＵＭｇであり、このＵＭｇに基づいて、ユーザ関心モデルＵＭｓがユーザの異なる関心に応じて構築される。言い換えると、一般モデル型と関心モデル型という、二種類のモデルが構築される

ユーザ一般モデルは、ユーザの一般的な情報を含むモデルである。例えばユーザ個人情報２６１（住所、電話番号、年齢、性別、職業、学歴、収入、趣味など）からの情報を抽出することによって、または、推論エンジン分析またはベクトル分析をユーザ記述に対して実行することによって得ることができる。

ユーザ一般モデルは通常ＲＤＦ三元式（リソース、属性、宣言または属性値）で実現される。例えば、住所、電話番号、年齢、性別、職業、学歴、収入、趣味などの属性それぞれに、属性値が与えられる。次の具体例は簡易化したユーザモデル記述である。ユーザ一般モデルは属性リストで記述することができる。属性リストはユーザモデルの形式的記述であり、属性と属性値は個人用検索における推論の基礎として用いられる。
<UMg ID= “000001”>
<USER_NAME>user1</USER_NAME>
<USER_AGE>26</USER_AGE>
<USER_SEX>female</USER_SEX>
<USER_OCCUPATION>Business manager</USER_OCCUPATION>
<USER_EMAIL>user1@gmail.com</USER_EMAIL>
<USER_CATEGORY>individual</USER_CATEGORY>
<USER_QUERY_WORDS>toyota;car</USER_QUERY_WORDS>
<USER_HOBBY>sport</USER_HOBBY>
... ...
</UMg>

上述のユーザモデルはユーザ１を表している。上述の内容から分かるように、ユーザ１は営業管理職をしている２６歳の女性であり、スポーツが好きでよくトヨタ製の自動車について検索する。

このような一般モデルでは、趣味は特定のトピックに向けられるものではなくユーザの一般的な趣味のことでる。例えば、「スポーツ」への好みと「２００８年度オリンピック」への注目は２種類の異なる関心である。

ユーザ関心モデルＵＭｓはユーザが要求する特定の情報に関して構築されるものである。要求とは、例えば、家を借りたり、車を購入したりするための要求である。情報への要求は比較的大きく異なるものなので、これらを表すのに統合モデルを用いることは出来ない。さらに、ある情報への要求に関して、ユーザの関心の的は通常時間が経つにつれて変わる。したがって、情報への要求それぞれに対して特定のユーザ関心モデルを構築し、ユーザの関心の変化に応じてモデルを絶えず修正し続けることが望まれている。ユーザが情報への要求を送信した場合（問い合わせ要求のこと。例えば、ユーザが「ａｐｐｌｅ」について要求を送信した場合）、システムは特定の情報への要求に基づいて関心モデルを構築する（ここでは、「ａｐｐｌｅ」に対するユーザの問い合わせ要求に基づいてユーザ関心モデルを構築する）。既にこのような関心モデルが存在する場合、ユーザからの情報に対する要求の送信に基づいて関心モデルを修正することができる。ユーザ関心モデルＵＭｓの構築は、ユーザ一般モデルＵＭｇ、ユーザの検索語および記述、また、ユーザに提供されたサンプル文書に基づいて行われる。つまり、関心モデルの構築に利用するものは、個人情報２６１、ユーザ記述２６２、ユーザ検索履歴ログ２６３、ユーザ相互情報２６４、ユーザグループ情報２６５だけでなく、ユーザ一般モデルも利用する。ユーザ関心モデルの構築処理中に、ユーザの一般モデルに基づいて調整が行われる。例えば、「ａｐｐｌｅ」のユーザ関心モデルに関して、ユーザ一般モデルにあるコンピュータへのユーザの関心と、問い合わせ履歴にあるＡｐｐｌｅ製コンピュータの問い合わせ結果とに基いて、ユーザ関心モデルに「ノートパソコン」および「コンピュータ」に関する情報が追加される。

あるユーザ関心モデルは例として次のように表される（それぞれの語の後に記される数値は、関心モデルにおけるその語の重みを表す）。
ａｐｐｌｅ ０．９２
ノートパソコン ０．９
コンピュータ ０．９
情報／メッセージ ０．８９
マーケット ０．８８
評価 ０．８８
販売業者 ０．８６
デスクトップ ０．７８
設定 ０．７６
メモリ ０．７５
ハードディスク ０．７５
基本周波数 ０．７３
グラフィックカード ０．７２
価格 ０．６８
新製品 ０．６６
モデル ０．６５
マウス ０．５６
ディスプレイ ０．５５
ソフトウェア ０．５２
オペレーションシステム ０．５２
情報 ０．５

上述のモデルは表の形式で保存することができるし、または次の形式で保存することもできる。
<USER_QUERY_WORDS>apple</USER_QUERY_WORDS>
<WEIGHT>0.92</ WEIGHT >
・・・ ・・・
<USER_QUERY_WORDS>information</USER_QUERY_WORDS>
<WEIGHT>0.5</ WEIGHT >

モデル構築の特定処理中に、モデル構築のための情報は、例えば、キーワード抽出法を用いて個人情報２６１から抽出することができる。例えば、「性別」というキーワードに基づいて上述のモデル中の女性という情報が得られる。

ユーザ記述２６２も、ユーザモデルを構築するために重要な情報である。例えば、ユーザに提供されたサンプル文書（上述したように、ユーザに提供されたサンプル文書はユーザ記述の一種である。ユーザは文章入力の形式、または、サンプルの文書またはＷＥＢサイトの形式で当該ユーザの記述を送信することができる）を用いて、ユーザの関心（ベクトル空間モデルでの各用語の重み）を示すキーワードを抽出することができる（例えば、ベクトル空間モデルを用いて抽出を行うことができる）。

ベクトル空間モデルは、ユーザ関心モデルＵＭｓの一種の記述モードである。ベクトル空間モデルは、文書のベクトルから得られる。例えば、ベクトル空間モデルにおいて、文書のベクトルＷ（ｔｉ）は次のように定義される。

Ｗ（ｔｉ）＝ｌｏｇ（ＴＦ（ｔｉ，ｄ）＋１）×ｌｏｇ（（Ｎ／ＤＦ（ｔｉ，ｄ））＋１）

式中で、用語頻度ＴＦ（ｔｉ，ｄ）は文書ｄ内での用語ｔｉの出現頻度を表し、文書頻度ＤＦ（ｔｉ，ｄ）は文書中でｔｉが少なくとも１回は出てくる文書の数を表し、Ｎは文書の総数を表し、ｌｏｇはブリッグスの対数やネイピアの対数などにおける対数演算子を表す。

検索履歴ログ２６３の利用に関しては、特定の例中において、検索履歴中のキーワードを用語頻度に基づいてランク付けして、特定の検索処理における推論エンジンの始動条件として機能させることができる。例えば、ユーザの検索履歴中にコンピュータやパソコンの分野に関する情報が大量にある場合、ユーザの関心がコンピュータの分野にあると決定することができる。そのため、あいまいなクエリ用語がユーザから入力された場合、システムは前述の情報に基づいて調整を行うことができる。例えば、ユーザが「ａｐｐｌｅ」というキーワードを入力した場合、システムは推論によってユーザの検索傾向はコンピュータ分野のブランド名である「Ａｐｐｌｅ」に向けられているのだと知ることになる。

検索履歴中のキーワードを分類して、クラスごとにベクトルを構築することも可能である。ベクトルにおける各用語の重みは、用語頻度を用いて算出できるようにする。特定の実施例では、次の計算式を用いる。

Ｔｉ＝ｌｏｇ（１＋ｔｆｉ）

式中で、Ｔｉは用語の重み、つまり、ベクトル空間モデルの重みを表し、ｔｆｉは用語の出現頻度を表す。

ユーザ相互情報２６４を用いてユーザモデルの構築と修正を行うことで、より適切な個人用サービスを提供することができる。ユーザのフィードバックから得られた評価的文書と否定的文書を用いて、ユーザのベクトル空間モデルの構築と修正を行うことができる。また、ユーザのフィードバックから得られるキーワードを当該ユーザのユーザモデルに追加することができる（例えば、情報リストの形式）。

ユーザグループ情報２６５を用いてユーザモデルの捕捉と訂正を行うことができる。ユーザグループは所定の分類システム上において類似ユーザから構成される集団である。ユーザグループ情報を用いることで、現在のユーザモデルを訂正することができる。ユーザモデルの構築処理中に、協調フィルタリング法を使ってユーザグループの中から、指定ユーザの関心と同一または類似の関心を持つユーザを見つけることができる。これらの同一または類似のユーザによる情報に対する評価を統合して、特定の情報に対する当該指定ユーザの好感度の予測をシステム上で行うことができる。

モデル構築の前後で、オントロジー技術を用いて、手動、または、機械学習法によって自動で、各属性の各属性値向けに分類用語リストを構築することができる。職業属性について分類用語リスト構築する例をあげると、特定の職業に関連してよく出てくる用語が用語リストに組み込まれる。実用上、ＩＴ分野でよく使われる用語と、金融分野でよく使われる用語とは非常に異なる。このような用語リストは、問い合わせの拡張に用いたり、ベクトルの形式で問い合わせ結果の再ランク付けやフィルタリングに用いたりすることができる。例えば、「コンピュータ」を、「電子計算機」、「ノートパソコン」、「デスクトップ」、「サーバ」等へと拡張することができる。

概念の説明をすると、工学技術分野で、「オントロジー」は客観的に存在する概念と関係の記述のことである。一般的な意味では、「概念の明示的集合」のことであり、「クラスと種類」や「関係」に関連する語彙リストである。

システムは、現在のオントロジー、または、多数のユーザの統計から得られるオントロジーを通して、年齢、性別、職業、学歴などのユーザから提供される情報を拡張することができる。例えば、異なる職業を持つユーザの共通用語、関心の的などの情報についてオントロジーを構築することができ、また、このオントロジーはオントロジーに基づいて特定のユーザに関して拡張することができる。

さらに、記述されるべき内容として、上述のステップ２２０は繰り返し実行される。言い換えると、システムの処理実行中にユーザ情報２６０が絶えず収集されて、ユーザモデルを更新するために（ステップ２４０）、学習処理が実行される（ステップ２５０）。

以下、図３を参照して、本願の実施例に係る問い合わせ部１２１のサンプル問い合わせ処理を説明する。問い合わせ部１２１は、ユーザの問い合わせ用語とユーザモデル部が構築するユーザモデルとに基づいて、個人用情報検索を提供する。問い合わせには、サンプルの問い合わせと、ＷＥＢサイトの問い合わせが含まれる。本願に係る問い合わせ部はさらにテンプレート生成機能を持つ。

図３に示すように、まずステップ３２０で、ユーザは問い合わせ語（問い合わせ条件）を入力する。続いて、システムは問い合わせ条件を修正する（ステップ３３０）。システムは、まずユーザモデル３１０に基づいて問い合わせ条件を拡張する。例えば、ユーザが「ａｐｐｌｅ」という問い合わせ語を入力する場合、システムはユーザテンプレートに基づいて問い合わせ語を拡張する。テンプレート中で<USER_QUERY_WORDS>欄はユーザが以前に用いた問い合わせ語を表す。システムはこの欄にある用語を用いて拡張を行う。ユーザモデルの<USER_QUERY_WORDS>欄に「コンピュータ」という問い合わせ語がある場合（例えば、<USER_QUERY_WORDS>computer</USER_QUERY_WORDS>）、ユーザによって頻繁に用いられる問い合わせ語はコンピュータ分野のものだと分かるので、この問い合わせ語に「電子計算機」、「ノートパソコン」などの拡張語が追加される。なお、問い合わせの拡張処理は増減可能であり、システムは問い合わせ結果の数を調べて、十分な数の文書が検索されるように自動的に問い合わせ語を増減することができる。

続いて、修正された問い合わせ条件に基づいて検索が行われる（ステップ３４０）。修正後の問い合わせ条件に基づいて、システムは、ローカルデータベース３９１とネットワーク３９２上に、予備的な検索結果を取得する。

上述のステップ３２０、３３０、３４０は、問い合わせ部（サンプル問い合わせ部）によって実現することができる。

検索結果（問い合わせ結果）に基づいて、システムはユーザモデルに従って検索結果のフィルタリングと再ランク付けを行う（ステップ３５０）。この処理は、様々な方法で行うことができる。例えば、特定の実施例では、ユーザモデルをベクトル空間モデルの形式に変換し、検索結果とユーザモデル（ベクトル空間モデルの形式）との間の文書類似度を用いて、問い合わせ結果の文書をランク付けすることができる。具体的には、２つの文書の類似度はベクトル空間モデル間の角度によって表される。

式中で、Sｉｍ（Ｄ_１，Ｄ_２）は２つの文書間の類似度を表し、w_１ｋは文書１中の各用語の重みを表し、w_２ｋは文書２中の各用語の重みを表し、Ｎは文書１および文書２の用語の総数を表す。

上記に基づいて、ＷＥＢページの信頼度、規模と影響度とともに、ＷＥＢページのレビュー数、ＷＥＢページへの返信数、返信中における不要な情報の割合、参照数などの要素によって、ＷＥＢページのランク付けを行う。ユーザの検索要求に最も適したＷＥＢページが一番にランク付けされる。フィルタリングと再ランク付けとが行われた問い合わせ結果をサンプルとして用いて、ユーザはこのサンプルの中から選択することができる。ユーザは問い合わせ結果を閲覧して、その中から１つを選択することによって編集することができる。

簡潔にいうと、文書類似度は上述の方法で用いられ、重みが閾値よりも低いものはフィルタリングにより除外されて、重みが閾値よりも高いものは類似度の大きさに基づいて再ランク付けされる。

システムは同時に別のサービスを提供する。例えば、検索によって得られたサンプルに基づいて、いくつかのサンプルをクラスタリングと要約化によって文書テンプレートへと統合する（ステップ３７０）。ユーザはこのテンプレートに基づいて編集するよう選択することができる。テンプレートは多数のサンプルを統合して形成されるため、ここでのフォーマットと用語は、多数のサンプルの中でも最も使用頻度が高く、最もユーザの好みにあったものである。ユーザがテンプレートに基づいて修正を行うことで、時間の大幅な節約になり、オンラインに置かれる文書の品質が保証されることになる。

ユーザが編集を行うのと同時に、システムはユーザが選択することのできる頻出語と頻出文を提供することができる。この頻出語と頻出文もまたクラスタリング技術を用いて実現される。

上述のステップ３５０とステップ３７０は、問い合わせ結果処理部１２７によって実現することができる。本願に係る実施例では、問い合わせ結果処理部１２７は、例えば、問い合わせ部によって得られた問い合わせ結果をフィルタリングするフィルタリング部、フィルタリングした問い合わせ結果をランク付けするランク付け部、ランク付けされた問い合わせ結果３６０をクラスタリングして、テンプレートリスト３８２、頻出候補語３８３、頻出候補文３８１を生成するクラスタリング部を含む。

さらに、検索処理中に、システムは明示モードあるいは非明示モードで、ユーザからのフィードバックを得て、このフィードバックを用いてユーザモデルを修正することができる。特定の実施例では、擬似相関フィードバックアルゴリズムを用いて、モデルを訂正する。擬似相関フィードバックアルゴリズムは、１９７１年にＲｏｃｃｈｉｏによって提案されたフィードバック法に基づいた次の機械学習アルゴリズムである。

多くの結果が戻ってくるかもしれないので、実際の応用では、ユーザが結果に対して１つずつフィードバックを行うことは不可能である。そのような状況では、結果の評価的なサンプルをユーザから実際に得ることは偶発的になる。この問題を解決するため、ユーザからフィードバックが得られなかった文書に対してモデル上での類似度は相対的に低く、この結果は無関係なものだと想定する。このような「無関係」は、ユーザから「無関係」と実際に記された結果と同一に扱うことはできないことがある。このため、Ｒｏｃｃｈｉｏの公式を次のように調整する。

式中で、Ｔ_ｒｅｌ、Ｔ_{ｐａｒｔ＿ｒｅｌ}、Ｔ_{ｉｒｒｅｌ}、Ｔ_{ｐａｒｔ＿ｉｒｒｅｌ}、Ｔ_{ｕｎｄｅｔ}は、それぞれ、関係文書の集合、部分的関係文書の集合、無関係文書の集合、部分的無関係文書の集合、未決定文書の集合を表す。また、α、α’、β、β’、β”はそれぞれの重みを表し、Ｐｏは調整前の係数を表し、Ｐ’は調整後の係数を表す。関係文書の集合はユーザの問い合わせに関係した文書の集合を表す。ユーザとのインタラクティブ処理中に、問い合わせ結果をリスト化して、ユーザに「関係」、「部分的関係」、「無関係」、「部分的無関係」についての決定を行わせる。「関係」とはその問い合わせ要求に合っている文書だとユーザが見なしていることを意味し、「部分的関係」はその問い合わせ要求に完全に合っている訳ではないがある程度は関係している文書だとユーザが見なしていることを意味する。言い換えると、「関係」、「部分的無関係」、「無関係」、「部分的無関係」は文書の関連性の程度に関してのユーザの判断である。ユーザからフィードバックを得たり、フィードバックのあった文書を得たりする可能性は非常に低いので、ほとんどの文書はユーザからのフィードバックがなく、「未決定」に分類される。Ｒｏｃｃｈｉｏの式と比較して、部分的関係文書の集合、部分的無関係文書の集合、未決定文書の集合を式に組み込み、α’、β’、β”をそれぞれの重みを表す係数として用いる。式中のパラメータは、例えば、α＝１．０、α’＝０．５、β＝１．８、β’＝０．５、β”＝１．８のように設定することができる。

個人用検索処理には、さらにＷＥＢサイトの検索も含まれる。図４は、実施例に係るＷＥＢサイト検索処理を示す図である。この処理はテンプレート検索と類似している。この処理では、ユーザモデルは問い合わせ拡張に適用されて、問い合わせを決定するのに利用される。上述の例のように、ユーザが「ａｐｐｌｅ」などの問い合わせを入力した場合、ユーザモデルに基づいて「ａｐｐｌｅ、コンピュータ、ノートパソコン」へと拡張される。したがって、ＷＥＢサイト検索処理において、コンピュータに関係したＷＥＢページだけを検索することが可能になる。ＷＥＢサイト検索において異なる点は、ＷＥＢページ種類識別（ステップ４５０）を実行する必要性にある。ＷＥＢページ種類識別により、あるＷＥＢページがＷＥＢサイトのホームページか索引ＷＥＢページかを区別する。ＷＥＢ種類識別によって、ホームページ、索引ＷＥＢページ、副索引ＷＥＢページが保持されて、ＷＥＢサイト中の他のＷＥＢページは除外される。

必要なＷＥＢページの取得後、システムはＷＥＢサイトの評価ランク付けを行う必要がある（ステップ４７０）。例えば、評価処理では、信頼度、規模、影響力、ユーザ数、アクセス数、ユーザの参照数など、最初にＷＥＢサイトの様々な情報を収集する。次に、各情報の重み平均を式「ｗ＝Σｗ_ｉｐ_ｉ」の通りに算出する。式中で、ｐ_ｉはＷＥＢサイトへの評価する際のそれぞれの基準を表し、ｗ_ｉは対応する重みを表す。最終的に得られるｗはＷＥＢサイトの評価結果である。ランク付け後のｗは、情報配信の優先度として用いられ、推奨ＷＥＢサイトのリストとしてユーザに勧められる（ステップ４８０）。なお、ＷＥＢサイトの評価処理を予め行うこともできるし、時間に合わせて更新することもできる。したがって、本願の実施例では、ステップ４７０においては、単に関係ＷＥＢサイトのランク付けを行うようにすることができる。

上述のステップ４５０およびステップ４７０は、問い合わせ結果処理部１２７によって実現することができる。本願の実施例では、問い合わせ結果処理部１２７は、例えば、問い合わせ部１２１によって得られた問い合わせ結果にＷＥＢページ種類識別を行い、ＷＥＢサイトを代表するＷＥＢページだけを保持するＷＥＢページ種類識別部、識別されたＷＥＢサイトを評価するＷＥＢサイト評価部、校訂結果に基づいてＷＥＢサイトのランク付けを行うＷＥＢサイトランク付け部を含む。上述のように、ＷＥＢサイト評価部を省略することもできる。評価結果は予め記憶部に保存することができ、ＷＥＢサイトランク付け部はＷＥＢサイトのランク付けを行う際に記憶部に保存された評価結果を参照することができる。

以下、図５を参照して、本願に係る情報配信部１２３を説明する。情報配信部１２３は、検索に基づいてユーザが情報配信できるように支援する。図５は、特定の実施例におけるシステムの処理を示すフローチャートである。この処理中に、システムは複数のモードでユーザが情報配信処理を行うことができるように支援する。図５に示すように、特定の実施例において、ランク付けされた問い合わせ結果（すなわち、サンプルリスト）（ステップ５６１）をユーザに提供することで、ユーザは問い合わせ結果に基づいてリスト化されたサンプルに判断を加えることができ、この中からモデルの文書としてテンプレート化して（ステップ５１０）、このモデル文書に基づいて修正を行うことができる（ステップ５２０）。ユーザが修正処理を終えた後、システムはＷＥＢサイトを推奨する（ステップ５５０）。情報配信に利用可能なＷＥＢサイトであり、ユーザの検索に基づいて、ユーザはこの中から選択することができる。ユーザが情報配信のためのＷＥＢサイトを選択した後（ステップ５３０）、システムはユーザに指定されたＷＥＢサイトに自動的に情報を配信することで（ステップ５４０）、情報配信処理が完了する。配信処理は多くの方法で実現することができる。例えば、配信処理は掲示板の表と欄を分析して、プログラムのシミュレーションを通して情報を提供することで実現することができる。

他の特定の実施例では、問い合わせ結果に基づいたクラスタリングと自動要約化技術によりシステムは異なる文書を統合することで、異なるスタイルの複数の文書テンプレート（テンプレートリスト）を作成する。

なお、本願の上述の記述は例示的なものであって、限定的なものではない。例えば、ユーザは必ずしも情報が配信されるＷＥＢサイトを選択する必要は無く、配信部は情報配信可能な全てのＷＥＢサイトに情報を配信することができる。この場合、ユーザに配信状況を知らせるようにすることができる（配信するＷＥＢサイト、配信結果など）。他方、いくつかの最上位のＷＥＢサイトだけに配信することも可能であり、例えば、最上位の１０個のＷＥＢサイトだけに配信することができる。

以下、ＢＢＳの投稿を例として、クラスタリング法の特定の例を説明する。都合上、次のような名詞を定義する。
メッセージ：特定の主題に関して、著者が公開した特定の文書を表す。文書、メッセージ、投稿はすべてこの同義語である。メッセージは開始メッセージと返信メッセージとの二種類に分けられる。前者はクルー（下記参照）内の最初のメッセージであり、後者はクルー内の特定のメッセージに対する返信である。
クルー：１つの開始メッセージと、複数の返信メッセージから構成される議論の集合。トピック、議論、主題などはすべてこの同意語である。
ライター：メッセージの配信をする人を表す著者、投稿者はこの同意語である。
レビュアー：メッセージを見直す人。読み手、閲覧者はこの同意語である。

クラスタリングの最初に、まずメッセージ中の特徴語の選択が行われて、高頻度の特徴語（すなわち、実際の処理で２回以上の頻度を持つもの）をベクトル空間モデル（ＶＳＭ）の用語とする。開始メッセージの題と、開始メッセージの内容とに現れる特徴語にはより高い重みをつける。重み付けアルゴリズムはｔｆ×ｉｄｆ式を用い、用語ｔ_ｋの重みはｔｆ_ｋ×ｉｄｆ_ｋである。式中で、ｔｆ_ｋは特定のメッセージ集合中での用語ｔ_ｋの頻度数を表し、ｉｄｆ_ｋは用語ｔ_ｋの文書頻度数の逆数を表す。すなわち、ｉｄｆ_ｋ＝ｌｏｇ（Ｎ／ｎ_ｋ）であり、式中で、Ｎは特定の種類のメッセージの総数を表し、ｎ_ｋは用語ｔ_ｋが現われるメッセージ数を表す。

特徴語が選択された後、ベクトル行列を構築する。ここで、行はｉ番目のツリー（Ｔｒｅｅｉ）を表し、列はｊ番目の用語（Ｔｅｒｍｊ）を表す。行列の要素はｖａｌｕｅ（ｉ，ｊ）であり、次の式で算出される。

式中でｆ_ｉｊは、ＴｅｒｍｊがＴｒｅｅｉ中に現われる頻度数を表す。開始メッセージ中に現われる用語により大きい重みが付けられるのは、これらの用語がより重要性があると見なされるためである。

ｎはベクトルの次元を表し、ｍはクルーツリーの数を表し、ｋはクラスタ数を表し、Ｘ＝｛ｘ_ｉ、ｉ＝１、２、・・・ｍ｝はクルーツリーの集合を表し、Ｎは繰り返しの最大数を表すとすると、Ｋ−ｍｅａｎｓ法によるクラスタリングアルゴリズムは次の通りである。
出力：
・Ｙ_ｊ，ｊ＝１，２，．．．，ｋ − ベクトルによって表される、最後のクラスタリング中心。
・Ｋ_ｊ、ｊ＝１，２，．．．，ｋ − 最後のクラスタリング集合（複数のクルーツリーから構成される密な集合）
ステップ：
・ステップ１：Ｋ個のクラスタリング中心をランダムに選択する。Ｙ_１，．．．，Ｙ_ｊ．．．，Ｙ_ｋ； Ｋ_ｊ＝φ，ｊ＝１，２，．．．，ｋ
・ステップ２：ｘ_ｉ（ｉ＝１，２，．．．，ｍ）と各クラスタリング中心との間の類似度を算出し、最も類似したクラスＫ_ｊにｘ_ｉを代入する。すなわち、

であり、類似度は次の余弦公式で算出される。

・ステップ３：クラスタリング中心を再び算出する。

（ｍ_ｊはクラスタのサイズ）
・ステップ４：クラスタに変更がない、微妙に変更されている、または、繰り返し回数がすでにＮになっている場合は、中断する。それ以外の場合は、ステップ２に戻る。

Ｋ−Ｍｅａｎｓ法アルゴリズムの重要な問題は、クラスタリングされた候補トピックの数に直接的に関係するＫの選択である。ＴｈｒｅａｄＮｕｍはクルーの数を表し、次式を用いてｋの数を決定する。

このようなクラスタリングの結果、システムはｋ個のクラスタリング集合を得る。クラスタリング集合のそれぞれは、類似した内容の文書を表している。次の操作は、それぞれのクラスタに基づいて、自動抽出化法を用いての文書テンプレートの取得である。この実施例では、それぞれの文書は、クラスタリングに基づいて、複数文書要約化法を用いることでパラグラフに分けられている。クラスタリングはパラグラフ化の結果に基づいて行われる。クラスタリングの中心に最も近いパラグラフを、それぞれのクラスタのカーネルパラグラフとして選択して、全てのカーネルパラグラフを統合して最終的なテンプレートとする。

ユーザはテンプレートに基づいて編集を行うことができる。大多数のサンプルに基づいた統合によってテンプレートが形成されているため、多数のサンプルの中でも、その形式と語彙は最も頻度が高く、最もユーザの好みに合ったものである。ユーザはテンプレートに基づいて修正を行うことで、多大な時間を節約し、オンラインに表示される文書の品質を保証することができる。編集処理の間、システムはユーザ選択可能な頻出の語彙（５６４）と文（５６３）を提供する。

情報追跡部１２４は、情報が配信された後の追跡サービスを提供する。情報は通常いくつかのＷＥＢサイトに配信されるので、情報に対応して見直しを加えるためには、ユーザは最新の返信情報を得るために、情報が配信されたＷＥＢサイトに絶えずアクセスしなくてはならない。結果、ユーザに多大な時間と負担を強いることになる。特定の状況下、例えば、ユーザがアパート賃貸を取り扱う住宅賃貸サイトに住宅賃貸情報を配信する場合、ユーザに返信された情報を見落としてしまい重要な情報を逃してしまうことがある。ユーザの時間を節約するために、システムは自動的にユーザへの返信を追跡する機能を提供する。詳細については、図６の処理を示すフローチャートを参照するとよい。ユーザの文書と文書が送信されたＷＥＢサイトの状況などの重要な情報を知ることで、システムは時間に応じてこれらのＷＥＢサイトを確認し（ステップ６１０）、ユーザの文書に対する返信を追跡し、時間に応じて新しい返信を収集し（ステップ６２０）、ユーザに選択されたモードで収集した返信をユーザへと送る（これに限定するわけではないが、送信モードにはシステムから提供されるＥメール、ＲＳＳ、短文メッセージ、ＷＥＢサイトなどを含む）。

ユーザへの返信の問題として、通常、返信には無意味な返信やスパムなどの多くの不要情報が含まれる。このような情報をユーザに送信すると、ユーザに多大な時間を使わせてしまうことになる。この問題を解決するために、システムは内容フィルタリング機能を提供することで（ステップ６３０）、返信から不要情報を取り除き、有用な情報だけをユーザに送信する。不要情報をフィルタリングするには多くの方法があり、現在利用可能な分類法はいずれも不要情報をフィルタリングするのに用いることができる。特定の実施例では、この処理を実行するのに単純ベイズ分類法を用いる。次の具体的なステップで、説明する。

・学習段階
まず学習段階でクラス数を決めることが必要であり、例えば、有用な情報、普通の情報、不要な情報という３つのクラスに分けることができる。もちろん、特殊化がどれほど必要かに応じて、より多くのクラスに分類することもできるし、２つのクラス（不要情報と、不要でない情報）に分類することもできる。
ｉ．メッセージを事前処理する。禁止語を削除する、語幹を抽出する、文章を分割する等を含む。
ｉｉ．全ての用語を集中的に処理して、訂正、学習することで、語彙リストを得る。
ｉｉｉ．各クラスｖ_ｊの演繹的確率を算出する。

ｉｖ．条件確率を算出する。

注意：ｗ_ｉは語彙リストのｉ番目の単語を表し、ｖ_ｊは分類上のクラスを表し、ｎ_ｉはクラスｖ_ｊ中にｗ_ｉが出現する回数を表し、ｎはクラスｖ_ｊ中にある全ての単語数を表し、Ｎは語彙リスト中の語彙数を表す。発生しない事例の確率の推測には、Ｐｌｕｓ−Ｏｎｅアプローチを用いる。
・分類段階
ｉ．メッセージを事前処理する。このような事前処理を通して、禁止語を取り除いたり、語幹を抽出したりする。
ｉｉ．次式を用いてメッセージの目標値を算出して、各メッセージのクラスを得る。

本願に開示の技術は、ユーザモデルを利用して、対応するユーザの特徴に関連のある情報に基づいた個人用情報配信サービスを提供するシステムとその方法に関するものである。

なお、上記の記述はもちろん例示的なものに過ぎない。例えば、上記ではサンプル問い合わせ部がサンプルテンプレート、頻出候補文、および頻出候補語を生成するように実現されたが、情報配信モジュールが生成するように実現することも可能である。

本願に開示の技術に適用する場合、「部」、「サービス」、「モデル」、および「システム」はコンピュータに関連した実体、すなわち、ハードウェア、ソフトウェアとハードウェアの組み合わせ、実行ソフトウェアなどを意味する。限定するものではないが、例えば、「部」は、プロセッサ上で実行するプロセス、プロセッサ、オブジェクト、実行可能部、実行スレッド、プログラム、およびコンピュータの少なくとも１つとして実現することができる。例示目的のため、サーバ上で実行されるアプリケーションおよびサーバはすべて「部」である。実行処理またはスレッド、または両方に一以上の「部」が存在することができる。これらの（一以上の）「部」は、単数のコンピュータ上に、あるいは二以上のコンピュータ間に配置することができる。

本願に開示の技術は、コンピュータまたは論理部により実行されることで、コンピュータまたは論理部に前述の方法を実行させることができる、または、コンピュータまたは論理部が前述の部として使用されるようにすることができるコンピュータプログラムを含む。

本願に開示の技術は、コンピュータプログラムを記憶するための、コンピュータによって読み取り可能な記憶媒体を更に含む。コンピュータによって読み取り可能な記憶媒体は、例えば、ＤＶＤ、フレキシブルディスク、ＣＤ、磁気テープ、フラッシュメモリ、ハードディスク等でもよい。

１１０ ユーザ
１２１ 問い合わせ部
１２２ ユーザモデル部
１２３ 情報配信部
１２４ 情報追跡部
１２５ 問い合わせ条件決定部
１２６ 検索部
１２７ 問い合わせ結果処理部
１３０ ネットワーク
２１０ ユーザアカウントの構築
２２０ ユーザ情報の収集
２３０ ユーザモデルの構築
２４０ ユーザモデルの更新
２６１ 個人情報
２６２ ユーザ記述
２６３ ユーザ検索履歴ログ
２６４ ユーザ相互情報
２６５ ユーザグループ情報
２５０ 機械学習、相関フィードバック
３１０ ユーザモデル
３８１ 頻出候補文
３２０ ユーザ問い合わせ入力
３３０ 問い合わせ修正
３４０ 検索
３５０ フィルタリング、再ランク付け
３６０ サンプル検索結果
３７０ クラスタリング、要約生成
３８２ テンプレートリスト
３９１ ローカルデータベース
３９２ ネットワーク
３８３ 頻出候補語
４１０ ユーザモデル
４２０ ユーザ問い合わせ入力
４３０ 問い合わせ修正
４４０ 検索
４５０ ＷＥＢページ種類識別
４６０ ＷＥＢサイト検索結果
４７０ ＷＥＢサイト評価
４８０ 推奨ＷＥＢサイトリスト
４９１ ローカルデータベース
４９２ ネットワーク
５６１ サンプルリスト
５６２ テンプレートリスト
５６３ 頻出候補文
５６４ 頻出候補語
５１０ ユーザによるテンプレートまたはサンプルの選択
５２０ テンプレートまたはサンプルの編集
５３０ ユーザによるＷＥＢサイトの選択
５４０ 情報配信
５５０ 推奨ＷＥＢサイトリスト
６１０ 定期的に確認
６２０ 返信を収集
６３０ 内容をフィルタリング
６４０ 情報を送信
６５０ ユーザ
６６１ 文書が送信されるＷＥＢサイト
６６２ 文書情報

Claims (10)

1. ユーザ入力と、ユーザの特徴を決定するのに適したユーザモデルと、に基づき問い合わせ条件を構築する問い合わせ条件決定部と、
   前記問い合わせ条件に基づき問い合わせを行う検索部と、
   前記検索部によって得られた問い合わせ結果を処理して、処理された情報をユーザに提供する問い合わせ結果処理部と、
   前記ユーザが編集した配信される情報を配信する情報配信部と、
   を備えたことを特徴とする情報配信システム。
2. 前記ユーザモデルを構築するのに使用される情報を識別モードおよび非識別モードで取得し、当該取得した情報に基づき前記ユーザモデルを構築または更新するユーザモデル部を更に備え、
   前記識別モードで取得する情報は前記ユーザの登録情報、または、システムの処理実行中に前記ユーザが入力するよう要求された情報であり、前記非識別モードで取得する情報は、ノン・インタラクティブモードで収集した、前記ユーザが頻繁に使用する問い合わせ語、前記ユーザが頻繁に閲覧するＷＥＢページ、接続時間、接続場所、および、前記ユーザの閲覧傾向の少なくとも１つを表すことを特徴とする請求項１に記載の情報配信システム。
3. 前記ユーザモデル部は、ユーザフィードバック、前記問い合わせ結果、前記ユーザの編集結果、配信のために選択されたＷＥＢサイト、および情報配信追跡結果の少なくとも１つに基づき前記ユーザモデルを調整および更新することを特徴とする請求項２に記載の情報配信システム。
4. 前記検索部はサンプルの問い合わせを行い、前記問い合わせ結果処理部は問い合わせによって得られた前記サンプルを、ユーザが選択的に編集を行うために、関連度または時間に基づいて、または、返信文書数、問い合わせした前記サンプルの参照数、および前記文書のあるＷＥＢサイトの信頼度に基づいて、または、前記ユーザモデルに基づいてランク付けし、ランク付けされたサンプルの検索結果を前記ユーザに提供することを特徴とする請求項１に記載の情報配信システム。
5. 前記検索部は前記サンプルの問い合わせを行い、前記問い合わせ結果処理部は前記サンプルの問い合わせ結果をクラスタリングし、クラスタリングに基づき配信テンプレート、候補文、および候補語を生成し、前記ユーザが選択的に編集を行えるように当該配信テンプレート、当該候補文、および当該候補語を前記ユーザに提供することを特徴とする請求項１から４のいずれか１つに記載の情報配信システム。
6. 前記検索部は情報配信を行うことができるＷＥＢサイトの問い合わせを行い、前記問い合わせ結果処理部は前記ユーザモデルまたは信頼度、需要度、ユーザ数、および前記ＷＥＢサイトの地理特性の少なくとも１つに基づき、問い合わせした前記ＷＥＢサイトをランク付けすることを特徴とする請求項１に記載の情報配信システム。
7. 前記問い合わせ結果処理部は、ランク付けの前に前記ＷＥＢページの種類を識別し、前記ＷＥＢサイトの代表的なＷＥＢページのみを保持することを特徴とする請求項６に記載の情報配信システム。
8. 前記ユーザによって各ＷＥＢサイトに配信された情報に対する応答とコメントを前記ユーザにフィードバックを行うことで前記ユーザが情報を配信した後の効果を追跡する情報追跡部を更に備え、当該情報追跡部は、ＲＳＳ、Ｅメール、およびオンライン表示の少なくとも１つのモードを通して追跡情報をユーザに送信することを特徴とする請求項６に記載の情報配信システム。
9. 前記ユーザモデルは、ユーザ一般モデルとユーザ関心モデルとを備えることを特徴とする請求項８に記載の情報配信システム。
10. ユーザ入力と、ユーザの特徴を決定するのに適したユーザモデルと、に基づき問い合わせ条件を構築する問い合わせ条件決定ステップと、
    前記問い合わせ条件に基づき問い合わせを行う検索ステップと、
    前記検索部によって得られた問い合わせ結果を処理して、処理された情報を前記ユーザに提供する問い合わせ結果処理ステップと、
    前記ユーザが編集した配信される情報を配信する情報配信ステップと、
    を含んだことを特徴とする情報配信方法。

Images