JP2009252179A - レコメンド情報評価装置およびレコメンド情報評価方法 - Google Patents

Abstract

【課題】 本発明は、ユーザが潜在的に望んでいるコンテンツも漏れなく配信することができるようにコンテンツ評価装置およびコンテンツ評価方法を提供することを目的とする。
【解決手段】 履歴クラス分離部２０３は、閲覧履歴テーブル２０７ｃに記憶されている選択されたコンテンツの特性ベクトルと選択されなかったコンテンツの特性ベクトルとを、特徴空間内で分離するための分離平面を生成する。そして、ユーザ特性ベクトル計算部２０４は、生成された分離平面に直交する直交ベクトルに基づいてユーザ特性ベクトルを生成し、これをユーザ特性ベクトル管理テーブル２０７ａに記憶させる。その後、レコメンド要求をレコメンド要求受信部２０２が受信すると、コンテンツ評価部２０６は、記憶されているユーザ特性ベクトルに基づいて、コンテンツの評価を行う。
【選択図】 図２

Description

本発明は、コンテンツの評価を行うレコメンド情報評価装置およびレコメンド情報評価方法に関する。

ユーザの特性に合致したレコメンド情報を配信するために、そのレコメンド情報を抽出するための情報フィルタリング方式として、Ｃｏｎｔｅｎｔ−ｂａｓｅｄＦｉｌｔｅｒｉｎｇ方式が考えられている。この方式は、ユーザがＷｅｂページの閲覧などの行動を取ることにより、閲覧された対象文書を解析し、文書に含まれている単語（キーワード）を抽出する。そして、これらの単語を、ユーザごとに区別して、ユーザプロファイルといわれる興味・嗜好情報として記録する。ユーザプロファイルには、１つの興味の概念が表現され、この概念を利用してユーザに情報を提供することが考えられている。例えば、広告商品等に割り当てられたキーワードとユーザプロファイル（キーワードで表現された）とをマッチングすることにより適切な広告の推薦を可能とするシステムが一般的に知られている。

また、これに関連する技術として、特許文献１に記載されている技術が挙げられる。この特許文献１には、予め定められたレコメンド抽出ルールに従ってレコメンド情報を配信する配信先および配信すべきレコメンド情報を決定し、配信する技術が記載されている。
特開２００７−１４８８７８号公報

しかしながら、上述の背景技術においては、マッチング処理をすることによりレコメンド情報を抽出するものであったり、また、特許文献１に記載の技術では、予め定められたレコメンド抽出ルールに基づいてレコメンド情報が決定されていることから、レコメンド情報に漏れが生じるおそれがある。

すなわち、特許文献１の技術においては、レコメンド抽出ルールに、趣味・嗜好が登録されていれば、その趣味・嗜好にあったレコメンド情報が決定され配信されることになり、また、購買履歴等に基づいて、ある商品を購入するとその購入した商品に関連する情報が配信されることになるが、これら配信される情報は、趣味・嗜好、購買履歴、またはアクセス履歴などの直接的な情報に基づいて決定されているため、ユーザが潜在的に望んでいるコンテンツに漏れが生じる場合がある。

特にアクセス履歴に基づいてレコメンド情報を配信使用とする場合には、特に漏れが大きくなるものと考えられる。すなわち、ユーザがサイトなどを閲覧する場合、閲覧しているサイト自体は、一つのキーワードによって表されるものではなく、複数のキーワードをもって表されているものが通常である。例えば、ユーザが映画ａに関する情報を検索し、閲覧している場合において、その閲覧しているサイトは、映画ａの紹介であったり、原作本を紹介していたり、興行映画館を紹介していたり、出演者を紹介していたり、いろいろな情報（ベクトル情報）を含んでいる。この場合、ユーザは原作本を探している場合には、その原作本に特化したフィルタリング処理を行い、そのためのだけのレコメンド情報を配信することがユーザにとって望まれるものである。

しかしながら、上述特許文献１に記載の技術では、閲覧しているサイトの全体を見てその全体に近い情報をレコメンド情報として配信することになり、上述のとおりユーザにとって潜在的に望んでいる情報を配信することができなかった。

そこで、本発明は、ユーザが潜在的に望んでいるコンテンツなどのレコメンド情報を漏れなく配信することができるように、その評価を行うことができるレコメンド情報評価装置およびレコメンド情報評価方法を提供することを目的とする。

上述の課題を解決するために、本発明のレコメンド情報評価装置は、ユーザ操作により、複数の選択対象項目から一の選択対象項目を選択することを受け付ける受付手段と、前記受付手段により受け付けられた選択された選択対象項目のベクトルである満足特徴ベクトルおよび選択されなかった選択対象項目のベクトルである不満足特徴ベクトルを記憶する記憶手段と、前記記憶手段により記憶されている選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを特徴空間内で分離するための分離平面に直交する直交ベクトルをユーザ特性ベクトルとするユーザ特性ベクトル生成手段と、前記ユーザ特性ベクトル生成手段により生成されたユーザ特性ベクトルに基づいて、未知の選択対象項目の評価を行う評価手段とを備えている。

また、本発明のレコメンド情報評価方法は、ユーザ操作により、複数の選択対象項目から一の選択対象項目を選択することを受け付ける受付ステップと、前記受付ステップにより受け付けられた選択された選択対象項目のベクトルである満足特徴ベクトルおよび選択されなかった選択対象項目のベクトルである不満足特徴ベクトルを記憶する記憶ステップと、前記記憶ステップにより記憶されている選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを、特徴空間内で分離するための分離平面に直交する直交ベクトルに基づいてユーザ特性ベクトルを生成するユーザ特性ベクトル生成ステップと、前記ユーザ特性ベクトル生成ステップにより生成されたユーザ特性ベクトルに基づいて、レコメンド情報の評価を行う評価ステップとを備えている。

この発明によれば、ユーザ操作により、複数の選択対象項目から一の選択対象項目を選択することを受け付け、選択された選択対象項目のベクトルである満足特徴ベクトルおよび選択されなかった選択対象項目のベクトルである不満足特徴ベクトルを記憶する。ここで記憶されている選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを特徴空間内で分離するための分離平面に直交する直交ベクトルをユーザ特性ベクトルとして生成し、生成されたユーザ特性ベクトルに基づいて、未知の選択対象項目の評価を行う。

これにより、ユーザの特性を示すベクトルにしたがって未知の選択対象項目、例えばコンテンツまたは操作メニュー項目などのレコメンド情報の評価を行うことができ、ユーザの趣味・嗜好など、またアクセス履歴などの直接的な情報に基づいて推薦すべきレコメンド情報を評価することがなく、漏れなくレコメンド情報をユーザに提供することができる。

また、本発明のレコメンド情報評価装置は、前記記憶手段により記憶されている選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを特徴空間内で分離するための分離平面を生成する分離平面生成手段をさらに備え、前記ユーザ特性ベクトル生成手段は、前記分離平面生成手段により生成された分離平面に従ってユーザ特性ベクトルを生成することが好ましい。

この発明によれば、選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを特徴空間内で分離するための分離平面を生成し、これに基づいてユーザ特性ベクトルを生成することにより、ユーザ特性ベクトルを精度良く生成することができる。

また、本発明のレコメンド情報評価装置において、前記分離平面生成手段は、全ての不満足特徴ベクトルと満足特徴ベクトルとの相対的な位置関係を算出するとともに、一の不満足特徴ベクトル、または一の満足特徴ベクトルに、他の不満足特徴ベクトルまたは他の満足特徴ベクトルを一致させるように位置関係を計算し、当該位置関係に基づいて分離平面を生成することが好ましい。

この発明によれば、全ての不満足特徴ベクトルに対して相対的に満足特徴ベクトルとの位置関係を算出し、当該位置関係に基づいて分離平面を生成することが好ましい。これにより、相対的な位置関係を表す相対空間内で分離平面を生成し、これ基づいてユーザ特性ベクトルを生成することができるため、より精度の高いメレコメンド情報の評価を行うことができる。

また、本発明のレコメンド情報評価装置において、前記分離平面生成手段は、ＳＶＭ法に基づいて分離平面を生成することが好ましい。

また、本発明のレコメンド情報評価装置において、前記ユーザ特性ベクトル生成手段は、ＮＮ法に基づいてユーザ特性ベクトルを生成することが好ましい。

また、本発明のレコメンド情報評価装置において、前記記憶手段は、選択対象項目の選択頻度を、当該選択対象項目の満足特徴ベクトルとともに記憶し、選択対象項目の不選択頻度を、当該選択対象項目の不満足特徴ベクトルとともに記憶し、前記ユーザ特性ベクトル生成手段は、前記選択頻度の高い満足特徴ベクトルにその頻度に応じた重み付けを行うとともに、前記不選択頻度の高い不満足特徴ベクトルにその頻度に応じた重み付けを行い、その重み付けされた満足特徴ベクトルおよび不満足特徴ベクトルを含んだ満足特徴ベクトルおよび不満足特徴ベクトルに基づいてユーザ特性ベクトルを生成することが好ましい。

この発明によれば、選択対象項目の選択頻度を、当該選択対象項目の満足特徴ベクトルとともに記憶し、選択対象項目の不選択頻度を、当該選択対象項目の不満足特徴ベクトルとともに記憶し、選択頻度の高い満足特徴ベクトルにその頻度に応じた重み付けを行うとともに、不選択頻度の高い不満足特徴ベクトルにその頻度に応じた重み付けを行い、その重み付けされた満足特徴ベクトルおよび不満足特徴ベクトルを含んだ満足特徴ベクトルおよび不満足特徴ベクトルに基づいてユーザ特性ベクトルを生成することができる。これにより、頻度に応じてユーザ特性ベクトルを算出することができ、より精度のよいユーザ特性ベクトルを算出し、よってレコメンド情報の評価をより正確に行うことができる。

また、本発明のレコメンド情報評価装置において、前記記憶手段は、選択対象項目の選択時期を、当該選択対象項目の満足特徴ベクトルとともに記憶し、前記分離平面生成手段は、選択時期および不選択時期の新しさの度合いに応じて重み付けされた当該選択対象項目の満足特徴ベクトルに基づいてユーザ特性ベクトルを生成することが好ましい。

この発明によれば、選択対象項目の選択時期を、当該選択対象項目の満足特徴ベクトルとともに記憶し、選択時期および不選択時期の新しさの度合いに応じて重み付けされた当該選択対象項目の満足特徴ベクトルに基づいて分離平面を生成することができる。これにより時系列成分を考慮した重み付けを行うことができ、より精度のよいレコメンド情報の評価を行うことができる。

また、本発明のレコメンド情報評価装置は、前記評価手段による評価結果に従って生成されたレコメンド情報を送信するレコメンド情報送信手段をさらに備えることが好ましい。

この発明によれば、前記コンテンツ評価手段による評価結果にしたがって生成されたレコメンド情報を送信することにより、ユーザは役立つ情報を取得することができる。

また、本発明のレコメンド情報評価装置において、前記選択対象項目は、ウエブページを閲覧するためのメニュー画面上の項目であることが好ましい。

また、本発明のレコメンド情報評価装置において、前記選択対象項目は、装置の機能を実行するための操作メニュー上の項目であることが好ましい。

この発明によれば、ユーザの特性を示すベクトルにしたがって未知の選択対象項目、例えばコンテンツまたは操作メニュー項目などのレコメンド情報の評価を行うことができ、ユーザの趣味・嗜好など、またアクセス履歴などの直接的な情報に基づいて推薦すべきレコメンド情報を評価することがなく、漏れなくレコメンド情報をユーザに提供することができる。

添付図面を参照しながら本発明の実施形態を説明する。可能な場合には、同一の部分には同一の符号を付して、重複する説明を省略する。

図１は、本実施形態の携帯電話機１００および情報配信サーバ２００を備えたレコメンド情報配信システムのシステム構成を示すシステム構成図である。携帯電話機１００からの要求に応じて情報配信サーバ２００は、予め記憶されているレコメンド情報となるコンテンツを、携帯電話機１００に配信する。配信されるレコメンド情報は、携帯電話機１００のユーザのアクセス履歴に基づいて編集されたものであり、ユーザにとって必要と思われる情報である。なお、この情報配信サーバ２００は、携帯電話機１００からのアクセス要求に応じて、他のコンテンツプロバイダからコンテンツを取得し、取得したコンテンツを配信するものであり、アクセス履歴はこのときに収集される。また、携帯電話機１００がアクセス履歴を送信し、それを取得するように構成されてもよい。

このような情報配信サーバ２００の構成について、図２を用いて説明する。図２は、情報配信サーバ２００の機能構成を示すブロック図である。この情報配信サーバ２００は、コンテンツ要求受信部２０１（受付手段）、レコメンド要求受信部２０２、履歴クラス分離部２０３（分離平面生成手段）、ユーザ特性ベクトル計算部２０４（ユーザ特性ベクトル生成手段）、配信情報格納部２０５、コンテンツ評価部２０６（評価手段）、履歴格納部２０７（記憶手段）、およびコンテンツ送信部２０８を含んで構成されている。

図３は、情報配信サーバ２００のハードウェア構成図である。図２に示される情報配信サーバ２００は、物理的には、図３に示すように、ＣＰＵ１１、主記憶装置であるＲＡＭ１２及びＲＯＭ１３、入力デバイスであるキーボード及びマウス等の入力装置１４、ディスプレイ等の出力装置１５、ネットワークカード等のデータ送受信デバイスである通信モジュール１６、ハードディスク等の補助記憶装置１７などを含むコンピュータシステムとして構成されている。図２において説明した各機能は、図３に示すＣＰＵ１１、ＲＡＭ１２等のハードウェア上に所定のコンピュータソフトウェアを読み込ませることにより、ＣＰＵ１１の制御のもとで入力装置１４、出力装置１５、通信モジュール１６を動作させるとともに、ＲＡＭ１２や補助記憶装置１７におけるデータの読み出し及び書き込みを行うことで実現される。以下、図２に示す機能ブロックに基づいて、各機能ブロックを説明する。

コンテンツ要求受信部２０１は、携帯電話機１００からのコンテンツの要求に応じて、ネットワーク上のコンテンツプロバイダからコンテンツを取得する部分であり、携帯電話機１００からコンテンツの要求とそのＵＲＬを受信することでアクセス履歴を収集することができる。収集したアクセス履歴（ＵＲＬなど）は、履歴格納部２０７に出力される。なお、このコンテンツ要求受信部２０１は、アクセス履歴として、あるメニュー画面（事象）内において実際にアクセスされたコンテンツ（ＵＲＬ）と、メニュー画面には表示されているものの、実際にアクセスされなかったコンテンツとを区別して収集する。

また、コンテンツ要求受信部２０１は、アクセス要求だけでなく、携帯電話機１００において収集されたアクセス履歴情報を受信し、これを履歴格納部２０７に出力するようにしてもよい。この場合も同様に、携帯電話機１００は、あるメニュー画面において選択されたコンテンツ、選択されなかったコンテンツを区別してアクセス履歴情報として情報配信サーバ２００に送信するように構成される。

レコメンド要求受信部２０２は、携帯電話機１００からレコメンド情報の配信要求を、携帯電話機１００のユーザのユーザＩＤとともに受信する部分である。レコメンド要求受信部２０２は、その配信要求を受信すると、コンテンツ評価部２０６にその旨を通知し、予め計算されていたユーザ特性ベクトルに基づいて、配信情報格納部２０５に記憶されているコンテンツの評価を行うよう指示する。なお、変形例として、レコメンド要求のあった旨をユーザ特性ベクトル計算部２０４に出力し、現時点におけるユーザ特性ベクトルを計算させ、その結果をコンテンツ評価部２０６に通知し、コンテンツ送信部２０８にレコメンド情報の配信を行わせるようにしてもよい。

履歴クラス分離部２０３は、履歴格納部２０７（閲覧履歴テーブル２０７ｃ）に記憶されている閲覧履歴情報に含まれているコンテンツの特性ベクトルに基づいて、あるユーザが閲覧したコンテンツを満足クラスと不満足クラスとに分離するための分離平面を生成する部分である。ここで、満足クラスとは、あるコンテンツにアクセスするためのメニュー画面において選択可能に表示された複数のコンテンツのうち、実際に選択されたコンテンツのみを含んだクラスをいい、不満足クラスとは、そのメニュー画面において選択されなかったコンテンツのみを含んだクラスをいう。この履歴クラス分離部２０３は、ＳＶＭ法またはＮＮ法を用いて、各コンテンツの特性ベクトルを満足クラスと不満足クラスとに分離することができる分離平面を生成することで、これらクラスを分離することができる。ここでＳＶＭ（Support Vector Machine）法とは、それぞれのクラスのノード間（特性ベクトル間）の最小距離を最大化する平面を分離平面とする方法であり、ＮＮ法とは、それぞれのクラスの重心間、すなわち各コンテンツの特性ベクトルに基づいて算出された、満足クラスの重心と不満足クラスの重心とを結んだ直線を推薦する平面を分離平面とする方法である。なお、ＮＮ法においては、必ずしも分離平面を求める必要はなく、不満足クラスの重心から満足クラスへの重心へ結んだ直線をユーザ特性ベクトルとするようにしてもよい。

ここで分離平面を生成する具体的な方法について説明する。図４は、携帯電話機１００に表示されるメニュー画面の一例を示す説明図である。図４に示すようにNode１〜Node５が表示されている。このNodeは、選択対象項目を示すものであり、例えばウェブ上のメニュー画面におけるカテゴリごとに区別された項目であったり、ウエブページのタイトルである。例えば、Node１が、自動車に関するコンテンツ、Node２が、金融に関するコンテンツなどである。ユーザは、Node１〜Node５のいずれかを選択することにより、対応するコンテンツを閲覧することができる。

図５は、分離平面を生成するときの処理概念を示す概念図である。図５は、上述図４におけるメニュー画面のうちユーザが選択したコンテンツおよび選択されなかったコンテンツにおける、特徴空間内における各コンテンツの特性ベクトルの位置関係を示す。図５に示されている通り、円形で示されている部分が満足なコンテンツ（Node３、Node４）であり、三角形で示されている部分が不満足なコンテンツ（Node１、Node２、Node５）であり、四角形で示されている部分が未知の未評価コンテンツ（Node８、Node７）である。これら満足コンテンツと不満足コンテンツとを分離するように生成されたものが分離平面である。ここでは、未評価コンテンツは分離処理する際には考慮されない。なお、図においては、特徴空間を便宜上二次元平面で表現しているが、ベクトルを構成するパラメータ分だけベクトル軸が存在することになり、通常は２０次元以上のベクトルで特徴空間は構成されている。

ユーザ特性ベクトル計算部２０４は、履歴クラス分離部２０３により生成された分離平面に対して直交する直交ベクトルを算出し、これをユーザ特性ベクトルとする部分である。図６にその具体例を示す。図６は、分離平面に基づいてユーザ特性ベクトルを算出し、さらにユーザ特性ベクトルに基づいて評価を行うときの概念を示す概念図である。図６に示すように、分離平面に直交する直交ベクトルであるユーザ特性ベクトルｗが、ユーザ特性ベクトル計算部２０４により算出される。ユーザ特性ベクトル計算部２０４は、閲覧履歴が収集されるたびに計算され、ユーザ特性ベクトル管理テーブル２０７ａに記憶されているユーザ特性ベクトルを更新させる。

配信情報格納部２０５は、配信対象であるコンテンツ（レコメンド情報）およびその管理情報を記憶する部分であり、コンテンツ管理テーブル２０５ａを記憶している。図７は、コンテンツ管理テーブル２０５ａの記憶内容を示す説明図である。図７に示すように、このコンテンツ管理テーブル２０５ａは、コンテンツＩＤ、カテゴリ、タイトル、およびレコメンド本文を対応付けて記憶している。コンテンツＩＤは、コンテンツを一意に特定するための識別情報であり、カテゴリは情報種別を示し、例えばＣＤに関連するもの、ＤＶＤに関連するもの、書籍に関連するもの、テレビ番組に関連するものなどを示すための情報である。タイトルは、レコメンド情報として表示するための見出し情報である。レコメンド情報を配信する際には、このタイトル部分が表示されることになる。レコメンド文は、レコメンド情報の本体部分であり、ユーザに有用な情報である。このコンテンツ管理テーブル２０５ａに記憶される情報は、予めオペレータにより入力されたものでもよいし、自動的にコンテンツプロバイダから検索・抽出され所定のフィルターにより絞り込まれたものであってもよい。

コンテンツ評価部２０６は、レコメンド要求受信部２０２によりレコメンドの要求が受信されると、配信情報格納部２０５に記憶されているコンテンツに対して、ユーザ特性ベクトル計算部２０４により計算されたユーザ特性ベクトルに基づいて評価し、そして評価の高い順にコンテンツのタイトルを並べたレコメンド情報を生成する部分である。具体的には、このコンテンツ評価部２０６は、ユーザ特性ベクトルと各コンテンツの特性ベクトルとの内積を計算することにより評価値を算出し、その評価値の高い順にコンテンツのタイトルを並べたレコメンド情報を生成する。

概念的には、つぎの通りとなる。例えば、図６では、Node７およびNode８がコンテンツ管理テーブル２０５ａに記憶された情報であるとして、未知のコンテンツとして扱われている。ここで、Node７およびNode８からユーザ特性ベクトルｗに対して垂線をおろした点がユーザ特性ベクトルｗに対する評価点となる。この垂線とユーザ特性ベクトルとの交点の位置が上位にある順にコンテンツ（タイトル部分）を表示するようにレコメンド情報を生成する。なお、分離平面を基準に、表示または非表示とするようにしてもよい。例えば、Node８からの垂線との交点は、分離平面を基準にした場合、それよりも上位に位置しているため、ユーザにとって評価は高いと判断されレコメンド情報として選択される。一方、Node７は基準より下にあるため、評価は低く、レコメンド情報として選択されない、というようなレコメンド情報としてもよい。

履歴格納部２０７は、各履歴情報を記憶する部分であり、ユーザ特性ベクトル管理テーブル２０７ａ、コンテンツ特性ベクトル管理テーブル２０７ｂ、および閲覧履歴テーブル２０７ｃを記憶している。

ユーザ特性ベクトル管理テーブル２０７ａは、ユーザ特性ベクトル計算部２０４により計算されたユーザ特性ベクトルを、ユーザを特定するためのユーザＩＤと対応付けて記憶する部分である。

コンテンツ特性ベクトル管理テーブル２０７ｂは、コンテンツ管理テーブル２０５ａに記憶されているコンテンツの特性ベクトルを、そのコンテンツを特定するための情報（例えばコンテンツＩＤ、ＵＲＬなど）と対応付けて記憶する部分である。このコンテンツ特性ベクトルは、ユーザがアクセスしたときにそのコンテンツとともに、コンテンツ要求受信部２０１により取得されるもの、レコメンド情報を登録するときにそのオペレータにより設定されたものである。例えば、コンテンツ特性ベクトル管理テーブル２０７ｂは、図８に示される情報が記憶されている。図８に示すように、コンテンツＩＤと対応付けて、特性ベクトルを構成するパラメータが複数記憶されている。図８では、８個のパラメータを記載しているが、通常はさらに多くのパラメータから特性ベクトルは構成されている。なお、規定のパラメータ以外に、コンテンツごとに形態素解析にしたがって抽出されたキーワードをパラメータとして追加するようにしてもよい。特性ベクトルを構成するパラメータごとに、０から１の間で数値が記述されており、どの特性ベクトルに特徴を持たせているかを表している。

閲覧履歴テーブル２０７ｃは、コンテンツ要求受信部２０１により受信されたあて先または収集されたアクセス履歴情報を記憶する部分であり、例えば、コンテンツＩＤ（またはコンテンツのＵＲＬ）およびそのコンテンツ（閲覧されたもの、閲覧されていないものそれぞれ）の特性ベクトルを対応付けて記憶する部分である。このコンテンツの特性ベクトルは、コンテンツ要求受信部２０１により取得されるコンテンツとともに取得されるものである。

コンテンツ送信部２０８は、コンテンツ要求受信部２０１により受信されたコンテンツ要求またはレコメンド要求受信部２０２により受信されたレコメンド要求に応じて取得されたコンテンツを送信する部分である。例えば、コンテンツ送信部２０８は、コンテンツ要求受信部２０１により受信されたコンテンツ要求に応じて取得されたコンテンツを送信し、またレコメンド要求受信部２０２に応じて配信情報格納部２０５に記憶されているコンテンツに基づいてコンテンツ評価部２０６による評価結果にしたがって生成されたレコメンド情報を送信する。

このように構成された情報配信サーバ２００は、携帯電話機１００からの要求に応じて、ユーザ特性ベクトルに基づいて評価されたレコメンド情報を配信することができる。よって、嗜好・趣味などの情報を登録する必要はなく、またアクセスしたコンテンツに直接的に関連するコンテンツのみを抽出することがなく、漏れのないレコメンド情報を配信することを可能とする。

つぎに、携帯電話機１００について説明する。図９は、携帯電話機１００の機能構成を示すブロック図である。図９に示すとおり、携帯電話機１００は、ブラウザ１０１、履歴送信部１０２、レコメンド要求送信部１０３、および配信情報表示部１０４を含んで構成されている。この携帯電話機１００は、ＣＰＵ、ＲＡＭ、ＲＯＭなどのハードウェアにより構成されており、記憶されているプログラムにしたがってＣＰＵは動作するよう構成されている。具体的には、情報配信サーバ２００と同様の構成をとるものであって、図３に示されるハードウェア構成により実現される。以下、各構成について説明する。

ブラウザ１０１は、インターネットに接続するためのアプリケーション部分であり、インターネット上に配置されているサイトに対してアクセスし、サイトに保持されているコンテンツをユーザに閲覧可能にさせるものである。このブラウザ１０１は、アクセス履歴を保持するように構成される。

履歴送信部１０２は、ブラウザ１０１を用いてアクセスしたコンテンツのアクセス履歴（同一メニュー画面上において選択されたコンテンツおよび選択されなかったコンテンツを示す情報）を送信する部分である。なお、この履歴送信部１０２は、情報配信サーバ２００側でアクセスのたびに履歴情報を収集する機能を有している場合には、必須の構成ではない。

レコメンド要求送信部１０３は、図示しない操作部をユーザが操作することによりユーザＩＤとともにレコメンド情報の要求を情報配信サーバ２００に送信する部分である。

配信情報表示部１０４は、ブラウザ１０１により取得されたメニュー画面およびコンテンツ（ウエブページ）を表示する部分である。

このように構成された携帯電話機１００は、ブラウザ１０１を用いてインターネットにアクセス可能にするとともに、そのアクセス履歴を保持し、履歴送信部１０２は、情報配信サーバ２００からの要求または所定のタイミングでアクセス履歴を送信することができる。

つぎに、これら携帯電話機１００および情報配信サーバ２００の動作について説明する。図１０は、携帯電話機１００の要求に応じてコンテンツを配信するときの携帯電話機１００と情報配信サーバ２００との処理を示すシーケンス図である。

図１０に示すとおり、携帯電話機１００におけるブラウザ１０１からの要求に応じて、コンテンツ送信部２０８により情報配信サーバ２００からメニュー画面が配信される（Ｓ１０１）。携帯電話機１００のユーザは、そのメニュー画面から任意の一のコンテンツ（上述Nodeに相当）を選択し、携帯電話機１００におけるブラウザ１０１がこれを受け付けると（Ｓ１０２）、コンテンツの接続要求およびそのあて先でＵＲＬが情報配信サーバ２００に送信される（Ｓ１０３）。

情報配信サーバ２００では、ＵＲＬはコンテンツ要求受信部２０１により受信され、閲覧履歴テーブル２０７ｃにアクセス履歴として記憶される。そして、このアクセス履歴に基づいて、ユーザ特性ベクトルの計算がなされ、記憶される（Ｓ１０４）。そして、コンテンツ送信部２０８によりＳ１０３において要求のあったあて先に基づいたコンテンツがコンテンツプロバイダ（図示せず）から取得され、配信される（Ｓ１０５）。なお、ユーザ特性ベクトルの計算処理と、コンテンツの配信処理の順番は逆でもよい。

ここでＳ１０４におけるユーザ特性ベクトル計算の詳細に処理について説明する。図１１は、ユーザ特性ベクトルの計算処理を示すフローチャートである。図１１に示すように、まずコンテンツ要求受信部２０１により受信されたアクセス要求またはアクセス履歴により示されたアクセス履歴情報が、新たに追加されたアクセス履歴として閲覧履歴テーブル２０７ｃに記憶される（Ｓ２０１）。

そして、履歴クラス分離部２０３により、この閲覧履歴テーブル２０７ｃに記憶されているアクセス履歴情報に基づいて、各満足クラスまたは不満足クラスに属するコンテンツの特性ベクトルが抽出される（Ｓ２０２）。そして、履歴クラス分離部２０３により、これら特性ベクトルに基づいて満足クラスと不満足クラスとを分離するための分離平面が生成される（Ｓ２０２）。つぎに、ユーザ特性ベクトル計算部２０４により、生成された分離平面に直交する直交ベクトルが計算され、ユーザ特性ベクトルが求められる（Ｓ２０４）。ここで求められたユーザ特性ベクトルは、ユーザ特性ベクトル管理テーブル２０７ａに保持され、レコメンド情報の配信時において配信情報格納部２０５に記憶されているコンテンツを評価する際に利用される。

つぎに、本実施形態におけるレコメンド情報を配信するときのそのコンテンツの評価処理について説明する。図１２は、レコメンド情報を配信するときのシーケンス図である。図１２に示すように、携帯電話機１００におけるレコメンド要求送信部１０３によりユーザＩＤを含んだレコメンド要求が送信され、このレコメンド要求は情報配信サーバ２００におけるレコメンド要求受信部２０２により受信される（Ｓ３０１）。そして、情報配信サーバ２００では、配信情報格納部２０５に記憶されているコンテンツに対して、コンテンツの評価が行われる（Ｓ３０２）。ここでは、コンテンツ評価部２０６により、ユーザ特性ベクトルにしたがって評価され、高評価順にコンテンツのタイトルを並べたレコメンド情報が生成される。そして、コンテンツ送信部２０８により、このように生成されたレコメンド情報が配信される（Ｓ３０３）。

ここで、Ｓ３０２のコンテンツ評価についてさらに詳細な処理について説明する。図１３は、コンテンツの評価処理を示すフローチャートである。図１３に示すように、コンテンツ評価部２０６により、レコメンド要求とともに送信されたユーザＩＤに基づいて、ユーザ特性ベクトル管理テーブル２０７ａから、対応するユーザ特性ベクトルが取得される（Ｓ４０１）。つぎに、コンテンツ評価部２０６により、コンテンツ特性ベクトル管理テーブル２０７ｂから、各コンテンツの特性ベクトルが取得される（Ｓ４０２）。

そして、コンテンツ評価部２０６により、ユーザ特性ベクトルとコンテンツの特性ベクトルとの内積が計算される（Ｓ４０３）。コンテンツ評価部２０６により計算された内積の大きい順に、コンテンツ管理テーブル２０５ａに記憶されているコンテンツＩＤに対応するタイトルが抽出され、そのタイトルが評価の高い順に並べられることでレコメンド情報が生成される。そして、コンテンツ送信部２０８により、生成されたレコメンド情報が携帯電話機１００に送信される（Ｓ４０４）。

このように、ユーザ特性ベクトルにしたがって、レコメンド情報を提供することができ、漏れなくレコメンド情報をユーザに提供することができる。

＜相対空間における分離平面の生成＞
以上の分離平面の生成方法は、絶対空間におけるコンテンツの特性ベクトルにしたがって行われたものであるが、より精度高める方法として、相対的な位置関係を求めた相対空間を利用したものも考えられる。以下、相対空間を用いて分離平面を生成する方法について説明する。なお、このときの処理構成は上述と同様であり、履歴クラス分離部２０３における処理内容が異なるだけである。

図１４は、履歴事象ａと履歴事象ｂとにおけるメニュー画面の構成例を示し、図１４（ａ）が履歴事象ａにおけるメニュー画面を示す図であり、このメニュー画面はNode１からNode３で構成されている。また、図１４（ｂ）が履歴事象ｂにおけるメニュー画面を示す図であり、このメニュー画面はNode６からNode９で構成されている。図１４（ａ）では、Node３が選択されており、図１４（ｂ）では、Node９が選択されていることが示されている。

図１５は、図１４で示されたそれぞれのメニュー画面おいて選択されたコンテンツの特性ベクトルの特徴空間における位置関係を示す図である。図１５（ａ）は、履歴事象ａにおいて選択されたコンテンツの特徴空間（絶対空間）、図１５（ｂ）は、履歴事象ｂにおいて選択されたコンテンツの特徴空間（絶対空間）を示す図である。上述と同様に、選択されたコンテンツは満足なコンテンツ、選択されなかったコンテンツは不満足なコンテンツと定義され、それぞれ満足クラス、不満足クラスに分類することができる。

図１６は、それぞれの履歴事象ａおよびｂを同一特徴空間上に、コンテンツの特性ベクトルを表した図であって、不満足なコンテンツの特性ベクトルを原点に取った場合における満足なコンテンツの特性ベクトルの位置を示す相対空間を表した図である。例えば、Node２とNode３との相対比較、Node１とNode３との相対比較のため、それぞれNode１、Node２を原点とした場合のNode３の位置を表した特徴空間を相対空間としている。より具体的には、Node３の特性ベクトルからNode１の特性ベクトルを減算することにより、相対空間を形成することができる。他のNodeについても同様に、対象となるコンテンツの特性ベクトルを減算する処理を行うことで相対空間を形成することができる。

この相対空間において、図１６に示すようにこのように満足なコンテンツの特性ベクトル、不満足なコンテンツの特性ベクトルに基づいて、満足クラスと不満足クラスとに分離するための分離平面が、履歴クラス分離部２０３により生成される。そして、ユーザ特性ベクトル計算部２０４により、この分離平面に直交する直交ベクトルであるユーザ特性ベクトルｗが計算される。

このように、履歴事象が異なる場合においても、相対空間を利用してユーザ特性ベクトルを生成することができ、より識別性の高いユーザ特性ベクトルを生成することができる。

図１７は、絶対空間における各コンテンツの特性ベクトルに基づいて評価を行うときの概念を示した図であり、例えば、配信情報格納部２０５に記憶されている未知のコンテンツであるNode６〜Node８は、生成されたユーザ特性ベクトルに基づいて評価される。ここでは上述と同様に、コンテンツ評価部２０６はユーザ特性ベクトルと各コンテンツの特性ベクトルとの内積を計算することにより、その評価値を算出することができる。概念的には、上述と同様に、ユーザ特性ベクトルに射影した点、すなわち垂線を下ろした点が、そのベクトル方向における上位の順にコンテンツの優先順が決定される。

このように相対空間を用いて分離平面を生成し、それによってユーザ特性ベクトルを生成することができる。ところで、図１５から図１７については、絶対空間として扱っても分離平面を生成することができるが、分離平面を生成することができない特性ベクトルから構成される特徴空間も考えられる。その場合に、上述した相対空間を利用することにより分離平面を生成することができる。以下、その方法について説明する。

図１８（ａ）は、絶対空間におけるコンテンツの特性ベクトルを示した図である。この図１８（ａ）では、Node１とNode４とが同じ事象（メニュー画面）に存在するコンテンツであり、Node２とNode３とが同じ事象に存在するコンテンツであことを前提としている。なお、円形のものが選択されたコンテンツの特性ベクトル（満足クラス）、三角形のものが選択されなかったコンテンツの特性ベクトル（不満足クラス）である。

図１８（ａ）から明らかなように、絶対空間においては、このような位置関係をとる特性ベクトルのコンテンツに対しては、分離平面を生成することができない。分離平面は、満足クラスと不満足クラスとを分離するための平面であるためであり、図１８（ａ）の例では、可不足なく両者を分離することができないためである。よって、分離平面を生成することができるように相対的な位置関係を表す相対空間に変換することが必要である。

図１８（ｂ）では、相対空間内におけるコンテンツの特性ベクトルを表した図であり、Node１およびNode２が同じ位置になるように、図１８（ｂ）の例では、Node２を平行移動させるためそのNode２に対応するNode３を平行移動させている。このように相対空間に変換することで、不満足なコンテンツであるNode１（Node２）と、満足なコンテンツであるNode３およびNode４とを分離することができる分離平面ｖを生成することができる。

以上の通り絶対空間では、分離平面を生成することができない場合であっても、相対空間に変換することで分離平面を生成することができ、これによりユーザ特性ベクトルを計算することができる。

＜閲覧頻度を考慮した分離平面の生成方法＞
つぎに、コンテンツの閲覧頻度を用いた重み付け処理を行い、この重み付け処理された特性ベクトルを用いて分離平面を生成するときの履歴クラス分離部２０３の処理について説明する。なお、ここでは、ＮＮ法を用いた分離平面の生成について説明する。

図１９は、閲覧頻度を考慮して特性ベクトルの重心を求める処理を示す概念図でありNodeＡ〜Ｃに対応したコンテンツｃ_１〜ｃ_３の特性ベクトルの位置を表す特徴空間を示す概念図である。コンテンツｃ_１の閲覧頻度は３回、コンテンツｃ_２の閲覧頻度は１回、コンテンツｃ_３の閲覧頻度は１０回とする。なお、閲覧履歴テーブル２０７ｃは、閲覧されたコンテンツの閲覧履歴、閲覧されていないコンテンツの不閲覧履歴を記憶しておくことが好ましく、それぞれの頻度を保持または計算可能に記憶しておくことが必要である。

この場合、これらコンテンツｃ_１〜ｃ_３の重心は、以下の式（１）により計算される。

なお、ｃ_ｉは閲覧されたコンテンツの特性ベクトル、ｎ_ｉは閲覧頻度である。

この計算を行うことにより重心が定まる。また、図示していないが閲覧されていないコンテンツについても同様に式（１）を用いて、閲覧さていないコンテンツの特性ベクトルを用いてその重心を求める。そして、閲覧されていないコンテンツの重心から閲覧されたコンテンツの重心に対して結んだ直線をユーザ特性ベクトルとして求めることができる。なお、この直線は、分離平面に直交する直線と同じ向きを取るものであり、分離平面を算出し、この分離平面に直交する直交ベクトルを求めるようにしてもよいが、ＮＮ法においては必ずしも分離平面は必要とはならない。

これにより、コンテンツの閲覧頻度を利用してユーザ特性ベクトルを求めることができ、閲覧頻度を利用しない場合と比較して、ユーザの嗜好に近いユーザ特性ベクトルを求めることができる。よって、ユーザの嗜好にそったコンテンツの評価を行うことができる。

＜選択順位を考慮した分離平面の生成方法＞
つぎに、閲覧したコンテンツの順番を考慮して分離平面を生成するときの履歴クラス分離部２０３の処理について説明する。一般的に、直近にアクセスしたコンテンツの方が、その前にアクセスしたコンテンツより重要である、またはユーザの嗜好に近いものであると考えることができる。この時間差が大きくなればなるほど、ユーザの嗜好に変化が生じ、より直近にアクセスしたコンテンツを重要と考えることが顕著となる。ここでは、その時間差（時系列成分）を考慮して分離平面を生成するときの処理について説明する。

図２０は、履歴クラス分離部２０３が分離平面を生成する際において、そのアクセスされた時系列順にＮＮ法によりユーザ特性ベクトルを生成するときの処理を示す説明図であって、図２０（ａ）は、そのときのメニュー画面を示す説明図であり、図２０（ｂ）は、ユーザが選択したコンテンツの選択履歴を示す説明図であり、図２０（ｃ）は、特徴空間における各コンテンツの特性ベクトルを表した概念図であり、図２０（ｄ）は、選択順を考慮した分離平面を生成することを説明するための概念図である。なお、選択履歴は、閲覧履歴テーブル２０７ｃに記憶される。

図２０（ａ）に示されるように、NodeＡからNodeＦからメニュー画面が構成されている。ここでは図２０（ｂ）に示すようにNodeＡ、NodeＢ、NodeＣの順にコンテンツが選択されている。よって、NodeＡ、NodeＢ、NodeＣが満足クラスに分類されるコンテンツとなり、NodeＤ、NodeＥ、NodeＦが不満足クラスに分類されるコンテンツとなる。

つぎに、図２０（ｃ）および図２０（ｄ）を用いて、分離平面を生成するときの処理を示す概念について説明する。図２０（ｃ）に示されるように、NodeＡからNodeＦは、その特性ベクトルにしたがって特徴空間上に位置づけられている。そして、直近に選択したコンテンツの特性ベクトルの影響が大きくなるように計算される。図２０（ｄ）に示されるように、満足クラスにおける重心を求めるため、まず、NodeＡとNodeＢとの中点ｗ１が計算される。そして、この中点ｗ１とNodeＣとの中点ｗ２が計算される。

一方、不満足クラスにおいては、NodeＤ、NodeＥ、NodeＦに基づいて重心ｗ３が計算される。不満足クラスにおいては選択順という概念がないため、通常の処理と同じく、その３つのNodeに基づいた重心ｗ３が計算される。そして、中点ｗ２と重心ｗ３とを結んだ線が垂線となる分離平面ｖが生成される。なお、本実施形態においてはこの分離平面ｖに直交する直交ベクトルをユーザ特性ベクトルとするものであり、これは、重心ｗ３から中点ｗ２に向けて結んだ直線と同じである。実施形態での説明の便宜上、分離平面を求めているが、ＮＮ法を用いる場合においては分離平面を求めることは必須のものではない。

このように、特性ベクトルと特性ベクトルとの中点を算出し、またその中点と特性ベクトルとの中点を算出し、時系列的に順に中点を算出する（ＮＮ法を適用する）ことにより、前のアクセス履歴ほど重みが小さくなり、時系列順位を考慮した重心を算出することができる。

＜操作メニューへの適用＞
ところで、上述の各方法では、メニュー画面として、ウエブサイトである情報配信サーバ２００から送信されたメニュー画面を例に説明したが、これに限るものではなく、例えば、携帯電話機１００の操作メニューに対して、レコメンド情報としてレコメンド操作情報を表示するようにしてもよい。

例えば、操作メニューにおける各操作項目に対して、特性ベクトルが割り振られており、ユーザの操作履歴に従って、ユーザ操作に関するユーザ特性ベクトルが生成され、ユーザがレコメンド操作情報の要求を発すると、そのユーザ特性ベクトルに基づいてレコメンド操作情報を生成するようにしてもよい。なお、操作履歴情報は、所定のタイミングで携帯電話機１００から情報配信サーバ２００に送信され、記憶されるように構成されている。

図２１は、操作に関する特徴空間における特性ベクトルのパラメータを示す説明図である。図２１に示すように、携帯電話機１００の端末機能として、「着もじ」「テレビ電話」「ワンセグ」「画面メモ」「テキストメモ」が規定されている。また、特性ベクトルを構成するパラメータとして「電話」「インターネット」「テキスト」「メモ」「テレビ」が規定されている。このように、携帯電話機１００の機能に特性ベクトルが規定されている。例えば、「着もじ」には、「電話」「テキスト」のパラメータに１がふられており、電話、テキストに関連のある機能であることが示されている。配信情報格納部２０５には、全ての端末機能情報が記憶され、ユーザが操作メニューを表示する操作をするときには、その旨が通知され、コンテンツ評価部２０６は、操作情報の評価を行って適切なレコメンド操作情報を生成し、コンテンツ送信部２０８は、レコメンド操作情報を送信し、携帯電話機１００においてそれを表示させることができる。

このように操作メニューに対しても本実施形態の評価方法を適用し、レコメンド操作情報をユーザに提供することで、ユーザがよく使う操作に類似または関連した操作をユーザに通知することができる。

また、情報配信サーバ２００に接続することなく、携帯電話機内で処理を行うことも考えられる。図２２は、レコメンド操作情報を表示することができる携帯電話機１００ａの機能を示すブロック図である。このハードウェア構成は図３と同じである。

この携帯電話機１００ａは、操作部１０１ａ、レコメンド操作表示部１０４ａ、履歴クラス分離部１０５、ユーザ特性ベクトル計算部１０６、操作情報評価部１０７、操作情報格納部１０８、および履歴格納部１０９を含んで構成されている。

以下、各構成について説明する。操作部１０１ａは、携帯電話機１００ａに搭載されている各機能を実行するための部分であり、テンキー、タッチパネルなどで構成されている。

レコメンド操作表示部１０４ａは、レコメンド操作情報を表示する部分であり、後述するようにユーザの操作履歴に従って定められたユーザにとって未知の操作を示すレコメンド操作情報を表示する部分である。

履歴クラス分離部１０５、ユーザ特性ベクトル計算部１０６、操作情報評価部１０７、操作情報格納部１０８、および履歴格納部１０９は、それぞれ図２にて示されている情報配信サーバ２００の履歴クラス分離部２０３、ユーザ特性ベクトル計算部２０４、配信情報格納部２０５、コンテンツ評価部２０６および履歴格納部２０７に相当するものであり、履歴クラス分離部１０５において、同一操作メニュー内において操作された機能、操作されていない機能をそれぞれ満足機能、不満足機能に分離する分離平面を生成し、ユーザ特性ベクトル計算部１０６は、生成された分離平面に直交する直交ベクトルをユーザ特性ベクトルとする。操作情報評価部１０７は、計算されたユーザ特性ベクトルにしたがって、各機能特性ベクトルに基づいて評価をし、高評価の機能については、操作メニュー上に表示するようにそのメニュー画面を編集する。ユーザは、操作メニューを表示させるときには、その操作メニュー上でその高評価された機能を確認することができる。

つぎに、本実施形態の携帯電話機１００および情報配信サーバ２００の作用効果について説明する。携帯電話機１００において、ブラウザを操作することによりメニュー画面が表示されており、Node１〜Node５などのコンテンツを表す複数の選択対象項目が表示されている。そして、ユーザ操作により、これらコンテンツから任意の一のコンテンツを選択すると、携帯電話機１００は情報配信サーバ２００に選択されたコンテンツおよび選択されなかったコンテンツを送信し、情報配信サーバ２００（コンテンツ要求受信部２０１）はこれを受け付ける。コンテンツ要求受信部２０１は、選択されたコンテンツを、コンテンツプロバイダから取得し、コンテンツ送信部２０８はこれを携帯電話機１００に送信する。

一方、閲覧履歴テーブル２０７ｃは、選択されたコンテンツの特性ベクトルおよび選択されなかったコンテンツの特性ベクトルを記憶する。履歴クラス分離部２０３は、閲覧履歴テーブル２０７ｃに記憶されている選択されたコンテンツの特性ベクトルと選択されなかったコンテンツの特性ベクトルとを、特徴空間内で分離するための分離平面を生成する。そして、ユーザ特性ベクトル計算部２０４は、生成された分離平面に直交する直交ベクトルに基づいてユーザ特性ベクトルを生成し、これをユーザ特性ベクトル管理テーブル２０７ａに記憶させる。その後、レコメンド要求をレコメンド要求受信部２０２が受信すると、コンテンツ評価部２０６は、記憶されているユーザ特性ベクトルに基づいて、コンテンツの評価を行う。

これにより、ユーザの特性を示すベクトルにしたがってコンテンツの評価を行うことができ、ユーザの趣味・嗜好など、またアクセス履歴などの直接的な情報に基づいて推薦すべきコンテンツを評価することがなく、漏れのないコンテンツをユーザに提供することができる。

また、本実施形態の情報配信サーバ２００は、履歴クラス分離部２０３は、選択されなかった全てのコンテンツの特性ベクトルと選択されたコンテンツの特性ベクトルとの相対的な位置関係を算出し、当該位置関係に基づいて分離平面を生成することが好ましい。すなわち、選択されなかったまたは選択されたコンテンツの特性ベクトルに、他の特性ベクトルを重ねるようその位置関係を計算し、相対空間を形成し、その相対空間において分離平面を生成することが好ましい。これにより、相対的な位置関係を表す相対空間内で分離平面を生成し、これ基づいてユーザ特性ベクトルを生成することができるため、より精度の高いコンテンツの評価を行うことができる。

また、本実施形態の情報配信サーバ２００において、閲覧履歴テーブル２０７ｃは、コンテンツの閲覧頻度および閲覧されていない不閲覧頻度を記憶しておく。なお、このような閲覧頻度、不閲覧頻度を記憶することなく、閲覧履歴に基づいて閲覧頻度、不閲覧頻度を必要に応じて計算するようにしてもよい。そして、閲覧頻度の高いコンテンツの特性ベクトルにその頻度に応じた重み付けを行うとともに、不閲覧頻度の高いコンテンツの特性ベクトルにその頻度に応じた重み付けを行い、その重み付けされた特性ベクトルに基づいて、満足クラスと不満足クラスとに分離するための分離平面を生成することができる。これにより、頻度に応じてユーザ特性ベクトルを算出することができ、より精度のよいユーザ特性ベクトルを算出し、よってコンテンツの評価をより正確に行うことができる。

また、本実施形態の情報配信サーバ２００において、コンテンツ管理テーブル２０５ａは、メニュー画面における各コンテンツを選択した時期を、そのコンテンツの特性ベクトルとともに記憶し、選択時期の新しさの度合いに応じて重み付けされたコンテンツの特性ベクトルに基づいて分離平面を生成することができる。例えば、ＮＮ法においては、時間的に古いコンテンツの特性ベクトルから順にその重心を求めていくことにより、結果的に選択時期の新しさの度合いに応じた重み付け処理がなされることになる。これにより時系列成分を考慮した重み付けを行うことができ、より精度のよいコンテンツの評価を行うことができる。

また、本実施形態の情報配信サーバ２００において、コンテンツ送信部２０８は、コンテンツ評価部２０６による評価結果に従って生成されたレコメンド情報を送信することにより、ユーザは役立つ情報を取得することができる。

本実施形態の携帯電話機１００および情報配信サーバ２００を備えたレコメンド情報配信システムのシステム構成を示すシステム構成図である。 情報配信サーバ２００の機能構成を示すブロック図である。 情報配信サーバ２００のハードウェア構成図である。 携帯電話機１００に表示されるメニュー画面の一例を示す説明図である。 分離平面を生成するときの処理概念を示す概念図である。 分離平面に基づいてユーザ特性ベクトルを算出し、さらにユーザ特性ベクトルに基づいて評価を行うときの概念を示す概念図である。 コンテンツ管理テーブル２０５ａの記憶内容を示す説明図である。 コンテンツ特性ベクトル管理テーブル２０７ｂの記憶内容を示す説明図である。 携帯電話機１００の機能構成を示すブロック図である。 携帯電話機１００の要求に応じてコンテンツを配信するときの処理を示すシーケンス図である。 ユーザ特性ベクトルの計算処理を示すフローチャートである。 レコメンド情報を配信するときのシーケンス図である。 コンテンツの評価処理を示すフローチャートである。 履歴事象ａと履歴事象ｂとにおけるメニュー画面を示す説明図である。 メニュー画面おいて選択されたコンテンツの特性ベクトルの特徴空間における位置関係を示す図である。 履歴事象ａおよびｂを相対空間内において、コンテンツの特性ベクトルを表した図である。 絶対空間における各コンテンツの特性ベクトルに基づいて評価を行うときの概念を示した図である。 分離平面を生成することができない場合において相対空間を用いて処理を行うときの説明図である。 閲覧頻度を考慮して特性ベクトルの重心を求める処理を示す概念図である。 アクセスされた時系列順にＮＮ法によりユーザ特性ベクトルを求める過程を示す概念図である。 操作に関する特徴空間における特性ベクトルのパラメータを示す説明図である。 レコメンド操作情報を表示することができる携帯電話機１００ａの機能を示すブロック図である。

符号の説明

１００…携帯電話機、１００ａ…携帯電話機、１０１…ブラウザ、１０１ａ…操作部、１０２…履歴送信部、１０３…レコメンド要求送信部、１０４…配信情報表示部、１０４ａ…レコメンド操作表示部、１０５…履歴クラス分離部、１０６…ユーザ特性ベクトル計算部、１０７…操作情報評価部、１０８…操作情報格納部、１０９…履歴格納部、２００…情報配信サーバ、２０１…コンテンツ要求受信部、２０２…レコメンド要求受信部、２０３…履歴クラス分離部、２０４…ユーザ特性ベクトル計算部、２０５…配信情報格納部、２０５ａ…コンテンツ管理テーブル、２０６…コンテンツ評価部、２０７…履歴格納部、２０７ａ…ユーザ特性ベクトル管理テーブル、２０７ｂ…コンテンツ特性ベクトル管理テーブル、２０７ｃ…閲覧履歴テーブル、２０８…コンテンツ送信部。

Claims (11)

1. ユーザ操作により、複数の選択対象項目から一の選択対象項目を選択することを受け付ける受付手段と、
   前記受付手段により受け付けられた選択された選択対象項目のベクトルである満足特徴ベクトルおよび選択されなかった選択対象項目のベクトルである不満足特徴ベクトルを記憶する記憶手段と、
   前記記憶手段により記憶されている選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを特徴空間内で分離するための分離平面に直交する直交ベクトルをユーザ特性ベクトルとするユーザ特性ベクトル生成手段と、
   前記ユーザ特性ベクトル生成手段により生成されたユーザ特性ベクトルに基づいて、未知の選択対象項目の評価を行う評価手段と
   を備えるレコメンド情報評価装置。
2. 前記記憶手段により記憶されている選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを特徴空間内で分離するための分離平面を生成する分離平面生成手段をさらに備え、
   前記ユーザ特性ベクトル生成手段は、前記分離平面生成手段により生成された分離平面に従ってユーザ特性ベクトルを生成することを特徴とする
   請求項１に記載のレコメンド情報評価装置。
3. 前記分離平面生成手段は、
   全ての不満足特徴ベクトルと満足特徴ベクトルとの相対的な位置関係を算出するとともに、一の不満足特徴ベクトル、または一の満足特徴ベクトルに、他の不満足特徴ベクトルまたは他の満足特徴ベクトルを一致させるように位置関係を計算し、当該位置関係に基づいて分離平面を生成することを特徴とする請求項２に記載のレコメンド情報評価装置。
4. 前記分離平面生成手段は、ＳＶＭ法に基づいて分離平面を生成することを特徴とする請求項２または３に記載のレコメンド情報評価装置。
5. 前記ユーザ特性ベクトル生成手段は、ＮＮ法に基づいてユーザ特性ベクトルを生成することを特徴とする請求項１に記載のレコメンド情報評価装置。
6. 前記記憶手段は、選択対象項目の選択頻度を、当該選択対象項目の満足特徴ベクトルとともに記憶し、選択対象項目の不選択頻度を、当該選択対象項目の不満足特徴ベクトルとともに記憶し、
   前記ユーザ特性ベクトル生成手段は、前記選択頻度の高い満足特徴ベクトルにその頻度に応じた重み付けを行うとともに、前記不選択頻度の高い不満足特徴ベクトルにその頻度に応じた重み付けを行い、その重み付けされた満足特徴ベクトルおよび不満足特徴ベクトルを含んだ満足特徴ベクトルおよび不満足特徴ベクトルに基づいてユーザ特性ベクトルを生成することを特徴とする請求項１から５のいずれか一項に記載のレコメンド情報評価装置。
7. 前記記憶手段は、選択対象項目の選択時期を、当該選択対象項目の満足特徴ベクトルとともに記憶し、
   前記分離平面生成手段は、選択時期および不選択時期の新しさの度合いに応じて重み付けされた当該選択対象項目の満足特徴ベクトルに基づいてユーザ特性ベクトルを生成することを特徴とする請求項１から５のいずれか一項に記載のレコメンド情報評価装置。
8. 前記評価手段による評価結果に従って生成されたレコメンド情報を送信するレコメンド情報送信手段をさらに備えることを特徴とする請求項１から７のいずれか一項に記載のレコメンド情報評価装置。
9. 前記選択対象項目は、ウエブページを閲覧するためのメニュー画面上の項目であることを特徴とする請求項１から８のいずれか一項に記載のレコメンド情報評価装置。
10. 前記選択対象項目は、装置の機能を実行するための操作メニュー上の項目であることを特徴とする請求項１から８のいずれか一項に記載のレコメンド情報評価装置。
11. ユーザ操作により、複数の選択対象項目から一の選択対象項目を選択することを受け付ける受付ステップと、
    前記受付ステップにより受け付けられた選択された選択対象項目のベクトルである満足特徴ベクトルおよび選択されなかった選択対象項目のベクトルである不満足特徴ベクトルを記憶する記憶ステップと、
    前記記憶ステップにより記憶されている選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを、特徴空間内で分離するための分離平面に直交する直交ベクトルに基づいてユーザ特性ベクトルを生成するユーザ特性ベクトル生成ステップと、
    前記ユーザ特性ベクトル生成ステップにより生成されたユーザ特性ベクトルに基づいて、レコメンド情報の評価を行う評価ステップと
    を備えるレコメンド情報評価方法。

Images