JP2009536413A - 対象設定資産配信システムのためのファジイ論理ベースの閲覧者識別 - Google Patents

Abstract

対象設定広告システムは、機械学習ツールを用いて、ユーザ設備装置の現ユーザ用の資産を選択し、例えば、広告を選択し、ケーブルネットワークのデジタルセットトップボックス（１３０４）の現ユーザ（１３０２）に配信する。機械学習ツールは、最初、学習モードで動作して、ユーザ入力（１３１０）を受信し、ユーザ設備装置視聴者の内の多数のユーザを特徴付ける根拠を生成する。作業モードにおいて、機械学習ツールは、現ユーザ入力を処理して、そのユーザ設備装置視聴者の内の識別されたユーザの１人に現ユーザ（１３０２）を対応付ける。ファジイ論理は、ユーザ特徴表示の生成を改善するために、また、それら生成された特徴表示への現ユーザの対応付けを改善するために用いられる。このようにして、資産の対象設定化は、世帯の特徴に基づくばかりでなく、その世帯内の現ユーザにも基づき実現する。

Description

本発明は、一般的に、通信ネットワークにおける広告又は他のコンテンツ等の資産の対象設定配信に関する。特に、本発明は、現ネットワークユーザの識別及びユーザへの資産の対応付けに関する。

関連出願への参照
本出願は、２００６年５月２日に出願された米国仮出願第６０／７４６，２４５号、表題「（視聴者の属性及び振舞いと共に）テレビ視聴者の内の個々の閲覧者を発見するための及びこの情報を用いて、実際に視聴している閲覧者のための候補広告を正確に選択しリアルタイムに挿入するための方法及びシステム」に対して、並びに２００６年５月２日に出願された米国仮出願第６０／７４６，２４４号、表題「対象設定広告に適するリアルタイムの見積及び商品選択を実施するための方法及び装置」に対して、３５Ｕ．Ｓ．Ｃ．１１９に基づく優先権を主張するものである。これら双方の出願の内容は、全文が本明細書に組み込まれる。

ブロードキャストネットワークコンテンツ又は番組は、通常、関連する情報コンテンツ又は資産と共に提供される。これらの資産には、広告、関連する番組、公共広告、広告タグ、予告編、気象又は緊急連絡、及び有償及び無償コンテンツを含む様々な他のコンテンツが含まれる。この点に関しては、ブロードキャストネットワークのユーザにサービス及び／又は製品に関する情報（例えば、宣伝又は“広告”）を伝えたい資産プロバイダ（例えば、広告主）は、ブロードキャストネットワークの番組に彼らの情報を挿入する権利に対して代価を支払うことが多い。例えば、広告主は、１つ又は複数の番組中断の間に、ブロードキャストネットワーク番組に広告コンテンツを差し込むように、ネットワーク運営者に広告コンテンツを提供することがある。そのような有償資産の配信により、ブロードキャストネットワークによって提供される番組の費用が援助される又はまかなわれることが多い。これによって、ブロードキャストネットワーク番組のユーザが負担する費用を低減又は無くすことができる。

自らの投資に対してより良い見返りを実現するために、資産プロバイダは、資産プロバイダの商品又はサービスに関心を持っている可能性があるとみなされる選択された視聴者に自らの資産の対象を設定しようとすることが多い。ケーブルテレビネットワークの広告主の事例が、その実例である。例えば、広告主又はケーブルテレビネットワークは、例えば、地理的な場所、性別、年齢、所得等に基づき、その広告の対象を或る個人視聴率グループに設定し得る。従って、一旦、広告主が、所望のグループの閲覧者（例えば、対象設定グループ）に対象設定された広告を生成すると、広告主は、対象設定グループが、ネットワーク番組の視聴者の中にいると予想される場合、ネットワーク番組における挿入時間を獲得しようとする。

更に最近は、個々の世帯に資産の対象を設定することが提案されている。これによって、資産プロバイダは、より良く対象の視聴者層を設定することができ、また、異なる視聴者層へのメッセージを調整し得る。しかしながら、対象設定世帯は、問題である。再度、ケーブルテレビネットワークの事例が、その実例である。名前又は住所情報に基づき、世帯の視聴者分類情報を得られることが多い。例えば、クレジットカード取引又は他の金融取引に基づく情報は、第三者データベースから入手可能である。しかしながら、特定された世帯に基づく情報が、常に、適切な資産の対象設定を保証するとは限らない。家族世帯の場合、例えば、現ネットワークユーザは、母、父、子供、ベビーシッタ等であり得る。更に、ネットワークにおいて世帯への広告の対応付けが実施される場合、何らかのメカニズムが、選択された広告を適切な世帯に対象設定するのに必要である。このことは、ブロードキャストネットワークでは、困難である。従って、ブロードキャストネットワークにおける非対象設定資産配信又は従来の視聴率ベースの資産対象設定の改善の一方で、世帯ベースの対象設定は、依然として、深刻な障害及び／又は対象設定の不確定さを伴う。

資産対象設定の有効性は、現ネットワークユーザを特定することによって、例えば、想定される現ネットワークの１人又は複数のユーザの個人視聴率又は他の分類パラメータを決定することによって、強化し得ることが認識されている。これによって、理想的には、資産対象設定システムは、単一世帯の異なる潜在的なユーザを区別し、また、不明なユーザを特定して、資産の適切な対象設定を実行し得る。

本発明は、ケーブルテレビネットワークを含む通信ネットワークにおける資産配信の場面で、そのような機能を可能にする。更に、そのような機能は、例えば、遠隔制御のクリックストリームによって示すように、普通のネットワーク利用活動の監視に基づき、ネットワークユーザに存在を意識させないで実行される。更に、本発明によって、そのような機能は、設定された処理資源を用いて、実質的にリアルタイムに実現される。従って、例えば、ユーザ識別機能は、従来のデジタルセットトップボックス上で動作するアプリケーションによって実行される。本発明は、更に、ユーザ識別処理に関連して、ネットワークに信号送信し、例えば、ネットワークコンテンツストリームに挿入するための資産の選択を強化したり、実際に接触された視聴者の規模及び構成を評価するための情報を報告したりするためのメカニズムを提供する。

本発明の一態様に基づき、機械学習、例えば、ファジイ論理を用いて、現ユーザに資産を対応付ける方法及び装置（ユーティリティ）を提供する。具体的には、ユーティリティには、１つ又は複数の対象設定パラメータによって定義された対象視聴者を有する資産を特定する段階と、機械学習システムを用いて、識別された資産をユーザ設備装置の現ユーザに対応付ける段階とを伴う。対象設定パラメータは、テレビコマーシャルの対象視聴者の特定の個人視聴率値を定義する。機械学習システムは、好適には、学習モードで収集されたユーザ入力から集約された根拠に基づき、少なくとも１人のユーザの分類パラメータを特定する段階を伴う。これらの入力は、例えば、互いに関連のある番組情報に基づき、又は番組とは独立した特徴、例えば、音量設定値又はクリック処理の迅速さに基づき、分析される。

ファジイ論理は、現ユーザに資産を対応付けるために用いられる。現ユーザに資産を対応付けるために用いられるファジイ論理は、ファジイ集合及びファジイ規則のいずれか又は双方を伴う。例えば、上記対応付けは、ファジイ論理を用いて、視聴者中の多数の個別ユーザ（例えば、世帯の多数の構成者）を特定する段階及び／又は１人又は複数のユーザの１つ又は複数の分類パラメータを決定する段階を伴う。このことは、遠隔制御のクリックストリーム等のユーザ入力に基づく。従って、ユーザ入力は、監視され、分類パラメータ（１つ又は複数）に関連した値に関連付けられる。そして、これらの値は、ファジイ集合における点として処理される。一実施例において、対応付け機能は、多数のユーザ入力を監視して、ファジイ集合における点を集約する段階を伴う。この対応付けは、多数の分類パラメータ（例えば、年齢、性別、所得等）に関連した多数の次元を伴う可能性があり、また、集約された点は、多次元の特徴領域の１つ又は複数の特徴を定義するために用いられる。特徴領域を処理して、例えば、特徴を集団化することによって、ノイズを除去し、領域中の勾配の組を低減する。そして、処理された特徴領域の残りの特徴は、視聴者中の各ユーザを特定し、また、各ユーザの１つ又は複数の分類パラメータを決定するために用いられる。同様な処理を用いて、時間の関数として視聴パターン（周期性）を特定する。例えば、異なる時間期間、例えば、異なる時刻の間は、異なる領域を生成する。

追加的に又は他の選択肢として、ファジイ論理は、ネットワーク番組イベントの対象視聴者の特徴表示を用いて生成される。例えば、資産の対象視聴者は、多数の個人視聴率パラメータ値を含む個人視聴率プロフィールによって定義される。これらの値は、一連のファジイ数又はファジイ集合に関連付け得る。ファジイ論理の他の実施例を用いて、想定されるユーザの分類パラメータにファジイ数を関連付ける。例えば、合同相似関数を用いて、視聴者特徴表示又は対象設定パラメータを分類パラメータに対応付ける。同様な処理を用いて、特定されたユーザに周期性パターンを対応付ける。他の選択肢として、異なる領域が、上記したように、異なる時間に対して生成される場合、そのような周期性は、領域に反映される。即ち、時間は、領域集合の次元になる。対応付けは、ユーザ分類パラメータの広告対象設定パラメータに対する相関関係の度合いと、該当する閲覧者が広告配信の時間に視聴している可能性との組合せに基づき、決定される。結果的に生じる対応付けを用いて、ネットワークのコンテンツストリームに挿入される資産に“投票”して、広告を選択し配信するか及び／又は資産対象設定パラメータへの資産受信ユーザの“適合度”を報告する。上記ユーティリティは、更に、ユーザ設備装置が、“オン”かどうか判断し、また、ユーザ設備装置にいずれかのユーザがいるかどうか判断するように動作する。ユーザ入力又はクリックストリームデータは、ユーザ設備装置において又は他の場所で処理することができ、例えば、生の又は前処理されたクリックストリームデータは、ヘッドエンドに送信して処理し、分類パラメータ情報を求め得る。例えば、このことは、メッセージ伝達帯域幅が充分であり、また、ユーザ設備装置資源が制限されている場合、行い得る。

一実施例において、機械学習システムは、実質的に無人システムであってよい。即ち、システムは、根拠を蓄積し、これによって、使用（例えば、視聴）パターンに関する知識又はその例がシステムに与えられるような訓練プロセスを必要とすることなく、閲覧視聴者等のユーザ集合の構成を学習する。このようにして、システムは、例えば、世帯への付加又はそこからの離脱、加齢による個人視聴率の変化、所得の変化、閲覧者層に影響を及ぼす（例えば、子供部屋への）テレビ受像機の追加等による閲覧視聴者又は閲覧視聴者個人視聴率の変化などの変化に容易に適応する。更に、システムは、実質的に自律的に動作可能であり、これによって、何らかの有人設備又は再訓練プロセスの必要性を実質的に回避する。

本発明の他の態様に基づき、ユーザを特定するための機能は、ユーザ設備装置において実行される。現ユーザは、ユーザ設備装置におけるユーザ入力の分析に基づき、効果的に特定し得ることが認識されている。本発明に基づく関連するユーティリティは、ユーザ設備装置においてユーザ入力を受信する段階と、機械学習システムを用いて、入力を分析し、視聴者分類パラメータをユーザに関連付ける段階とを伴う。例えば、入力は、プログラム選択、音量制御入力等を反映する遠隔制御装置のクリックストリームに関係する。機械学習システムは、好適には、実質的に無人で学習することが可能である。ファジイ論理を用いて、これらの入力を個人ベースで分析して、ユーザの分類パラメータに関する根拠を得ることができる。そして、この根拠は、ファジイ論理を用いて、集約し、分析して、ユーザの分類パラメータを決定する。

本発明の更に他の態様に基づき、通信ネットワークの現ユーザは、ユーザプロフィールの永続的な記憶を必要とすることなく特定される。このことは、多くの点において有益である。第１に、永続的なプロフィールが不要であることから、あらゆるプライバシの懸念が低減される。更に、識別を行うために永続的なプロフィールが必要ではないことから、システムは、既知のユーザを特定するばかりでなく、未知のユーザも効果的に特定する。更に、システムは、ユーザ変更による間違いが低減されるように、同時期のユーザ入力に基づき、分類パラメータに迅速に収束するように構成される。関連するユーティリティは、ユーザのプロフィールの永続的な記憶に関係なく、ユーザ入力に基づき、ネットワークユーザのモデルを生成する段階と、ユーザへの資産対象設定の際、ネットワークユーザのモデルを用いる段階と、を伴う。この点に関して、例えば、ファジイ論理を伴う機械学習を用いて、最近のユーザ入力を分析して、現ユーザの分類パラメータを決定する。

本発明の他の態様に基づき、ユーザ設備装置は、装置のユーザに関して、ブロードキャストネットワークに信号送信するように動作する。関連するユーティリティは、ユーザ設備装置において、少なくとも部分的に装置へのユーザ入力に基づき、装置のユーザに関するユーザ情報を決定する段階と、ユーザ情報に基づき、ブロードキャストネットワークに信号送信する段階とを伴う。例えば、ユーザ情報には、ユーザの分類パラメータを含む。ブロードキャストネットワークに送信された信号は、対応付けプロセスの結果を反映し、これによって、ユーザ分類情報は、資産用の対象設定情報と比較する。この点に関して、ネットワーク上で送信された情報は、ユーザに関する分類情報を一切含む必要がない。そのような信号送信情報は、例えば、ネットワークコンテンツストリームに挿入される資産に投票するために、又はユーザ設備装置において、例えば、視聴者の規模及び／又は構成を測定するために実際に配信される資産に関する情報を報告するために用いられる。

本発明は、対象設定資産の配信、ネットワークユーザの分類、視聴者分類パラメータへの資産対象設定パラメータの対応付け、及び通信ネットワークにおいて用いるためのネットワーク監視のための様々な構造及び機能に関する。本発明は、コンテンツがネットワークユーザにブロードキャストされるネットワークに関する特別な用途を有する。この点に関して、コンテンツは、例えば、ケーブル及び衛星テレビネットワーク、衛星無線ネットワーク、コンテンツをマルチキャストするために用いられるＩＰネットワーク、及びポッドキャスト又は電話通信ブロードキャスト／マルチキャストに用いられるネットワークを含む、様々なネットワークにおいてブロードキャストされる。コンテンツは、更に、放送電波でブロードキャストされる。しかしながら、以下の説明から分かるように、本発明の或る態様は、例えば、従来の放送電波ベースのテレビ又はラジオについては、容易に利用可能ではない双方向の通信チャネルを利用する（即ち、そのような通信は、追加の通信システムを伴う）。様々な場面において、コンテンツは、リアルタイムで用いたり、記憶して後で用いたりする。従って、説明目的のために、ケーブルテレビネットワークの場面で具体的な例を以下に説明するが、本発明は、そのような場面に限定されず、むしろ様々なネットワーク及び送信モードに対する用途を有すると認識されたい。

対象設定資産には、ネットワークユーザへの対象設定が望まれる任意の種類の資産を含み得る。尚、そのような対象設定資産は、時として、（以下の説明から分かるように、対象設定は、二地点間の意味でアドレス指定することなく達成し得るが）“アドレス指定可能な”資産と称する。例えば、これらの対象設定資産には、広告、内部マーケティング（例えば、ネットワーク促進、スケジューリング又は来るべきイベントに関する情報）、公共広告、気象又は非常事態情報、又は番組を含む。対象設定資産は、独立であったり、非対象設定ネットワーク番組等の他の資産と共にコンテンツストリームに含んだりしてよい。後者の場合、対象設定資産は、非対象設定番組に割り込ませる（例えば、番組中断の間に提供する）か、又は映像番組の場合、画面部分に重ね合わせることによって、番組と組み合わせてよい。以下の説明において、テレビ番組中断の間に提供される対象設定資産の場面で、具体的な例を提示する。これは、本発明の重要なコマーシャルの実施例であるが、本発明の用途は、更に広いことを認識されたい。従って、“番組”と広告等の“資産”との間の以下の区別は、対象設定し得る種類のコンテンツ又はそのようなコンテンツを提供し得る場面を制限するものと理解すべきではない。

上記したように、本発明は、視聴者の構成員を特定すること、それらのユーザ用の分類情報を決定すること、どの１人の又は複数のユーザが、対象の時間に視聴しているか決定すること、そして、特定された視聴者に資産を対応付けることに関する。対応付け関連機能は、対象設定資産配信システムの様々な場面において有用である。従って、対象設定資産配信システムの概要について、最初に以下に記載する。その後、対応付け関連機能及び関連構造について詳細に記載する。

Ｉ．代表的な対象設定資産配信システム
Ａ．対象設定資産配信環境
本発明の対応付け関連の対象内容は、様々な対象設定資産配信システムに用い得るが、特に有益な対象設定資産配信システムについて以下に記載する。以下に記載する本実施形態において、本発明によるシステムは、従来のブロードキャストネットワークの或る欠陥又は非効率性に対処するように、広告等の対象設定資産の配信を可能にする。一般的に、そのような対象設定は、個人の所望のグループ又は所望の特徴を有する個人に資産を配信する段階を伴う。これらの特徴又は視聴者分類パラメータは、個人情報、個人視聴率情報、サイコグラフィック情報、地理的情報、又は対象視聴者を特定する際、資産プロバイダにとって適切である他のあらゆる情報に基づき定義される。好適には、そのような対象設定は、番組が、資産を対象設定するための極めて不完全なメカニズムであるという認識において、番組と独立している。例えば、特定の番組の視聴者が６０パーセントの女性で構成されており、また、女性が特定の資産に対する対象視聴者を構成していることをユーザ分析が示す場合であっても、その番組で放送すると、４０パーセントの不整合になる。即ち、接触される可能性のあるユーザの４０パーセントは、資産プロバイダにとって関心がないことがあり、価格設定は、総視聴者の６０パーセントだけに基づく。更に、理想的には、対象設定資産配信は、極めて細かい細分性を含む細分性の範囲での対象設定を可能にする。例えば、地理的なグループ分け、世帯特徴表示又は更に個々のユーザの特徴付けに基づき、対象をグループに設定することが望しい。本発明は、番組独立の対象設定、高い度合いの細分性による対象設定、及び様々な異なる視聴者分類に基づく対象設定に対応する。

図１及び２は、本発明に基づきサポートされた２つの異なる状況の対象設定資産配信を示す。具体的には、図１は、同じ番組チャネルを視聴している異なるユーザへの異なる資産、この場合、広告の配信を示し、これは、スポット最適化と称される。図示するように、３人の異なるユーザ５００〜５０２は、この場合、“今週の映画”と題した同じ番組を視聴しているように示す。所定の番組中断５０４において、ユーザ５００〜５０２は、各々、異なる資産パッケージを受信する。具体的には、ユーザ５００は、デジタル音楽プレーヤ広告及び映画宣伝を受信し、ユーザ５０１は、高級車広告及び健康保険広告を受信し、ユーザ５０２は、ミニバン広告及び百貨店広告を受信する。あるいは、単一の資産プロバイダ（例えば、自動車会社）は、スポットを購入して、スポットに異なる資産オプションを提供する（例えば、スポーツカー、ミニバン、ピックアップトラック等）。同様に、別の広告主が、スポットを一括して購入し、それらそれぞれの製品の広告を提供する（例えば、広告主の対象視聴者が補完的である場合）。これらの異なる資産パッケージは、異なる視聴者個人視聴率に対象を設定し得ることを認識されたい。このようにして、資産は、異なる個人視聴率グループに入り得る所定の番組の特定閲覧者に対してより良く調整される。従って、スポット最適化とは、所定のスポットにおける（１人又は多数の資産プロバイダによる）異なる資産の配信を意味する。

図２は、視聴者集約と呼称される本発明の異なる場面を示す。この場合、異なるチャネルに対応した異なる番組を視聴している３人の異なるユーザ６００〜６０２は、同じ資産又は資産パッケージを受信する。この場合、各ユーザ６００〜６０２は、それぞれのチャネルに対応した番組中断に関連して、デジタル音楽プレーヤ広告及び映画宣伝を含むパッケージを受信する。ユーザ６００〜６０２は、説明目的のために、同じ資産パッケージを受信するように示すが、異なるユーザは、分類パラメータの相違により、異なる組合せの資産を受信する可能性がある。このようにして、多数のチャネル間のユーザ（各チャネルの何人かの又は全てのユーザ）を（所定の資産及び時間窓を基準として）集約して、対象設定視聴者分類に対応するかなりのユーザ数を有する仮想チャネルを定義する。とりわけ、そのような視聴者集約によって、多数の低シェアチャネル間でユーザを集約して、恐らく高シェアネットワークの１つに対応する資産配信機会のオーダーで、かなりの資産配信機会を定めることが可能になる。このことは、本発明に基づき、既にユーザの敷地にある設備（即ち、既存のＣＰＥ）を用いて達成し得る。そのような仮想チャネルを図３にグラフで示すが、この図は、実際の数に基づいてはいない。従って、視聴者集約は、集約された視聴者を定める異なるスポットにおける同じ資産の配信を意味する。これらの異なるスポットは、異なるチャネルの重なり合う（対立する）番組に対応する時間窓内において起こり得る。このように、これらのスポットは、窓内の異なる時間での場合であっても、同じユーザによって受信されない可能性がある。

スポット最適化及び視聴者集約の双方を含むそのような対象設定は、本発明に基づく様々なアーキテクチャを用いて実現される。従って、例えば、図４に示すように、対象設定資産挿入は、ＣＰＥにおいて実現される。これには、転送・記憶機能を伴う。図４に示すように、ＣＰＥ８００は、ヘッドエンド８０８から番組ストリーム８０２及び資産配信ストリーム８０４を受信する。これらのストリーム８０２及び８０４は、同軸ケーブル等の通常の信号リンクを介して、又は別個の通信リンクを介して提供される。例えば、資産配信ストリーム８０４は、利用可能な帯域幅の指定された層、例えば、専用の周波数範囲を介して、又は資産配信用に日和見的に利用可能な番組チャネルを介して、例えば、それ以外では放送されない場合、ＣＰＥ８００に送信する。資産配信ストリーム８０４は、連続的に又は断続的に提供され、また、番組ストリーム８０２と同時に提供される。示した例では、番組ストリーム８０２は、ＤＳＴＢ等の番組復号ユニットによって処理され、番組は、テレビ受像機８１４に表示される。他の選択肢として、番組ストリーム８０２は、ＣＰＥ挿入のために番組記憶装置８１５に記憶される。

示した実施例において、資産は、例えば、対象設定視聴者の任意の視聴者分類パラメータを特定するメタデータと共に、ＣＰＥ８００の指定された記憶スペース８０６に記憶される。この点で、かなりの記憶容量が、ＣＰＥ８００において要求され得ることを認識されたい。例えば、そのような記憶装置は、或るデジタルビデオレコーダ（ＤＶＲ）ユニットに関連して利用可能である。セレクタ８１０は、プロセッサ実行論理回路としてＣＰＥ８００に実装される。セレクタ８１０は、上述したヘッドエンドセレクタと同様に機能して、番組中断８１６を特定し、該当する資産を挿入する。この場合、資産は、世帯の、更に好適には、世帯内のユーザの分類パラメータに基づき選択される。そのような情報は、ＣＰＥ８００に記憶するか、又は更に詳細に以下に記載するように、遠隔制御装置からのクリックストリーム等の視聴習慣の分析に基づき決定される。本発明の或る態様は、そのようなＣＰＥ挿入環境において実現される。

図５では、異なるアーキテクチャが用いられている。具体的には、図５において、資産オプションは、対象設定資産オプションがサポートされている所定のチャネル上で、所定の番組中断と同期してヘッドエンド９１０から送信される。ＣＰＥ９００には、チャネルセレクタ９０２が含まれ、これは、番組中断の始まりで、所望の資産に対応する資産チャネルに切り替わり、番組中断の終わりに番組チャネルに戻るように動作する。チャネルセレクタ９０２は、番組中断時、チャネル間（資産チャネル間又は資産チャネルと番組チャネルとの間）をホップして、最も適切な資産を選択する。この点に関して、ＣＰＥ９００に常駐する論理回路は、そのようなホッピングを制御して、資産は、既に進行中であるチャネルへの切り替えを回避する。以下に記載するように、各資産チャネル上の資産スケジュールが既知であるため、この論理は、容易に実現される。好適には、この全てが、セット９０４のユーザからは、気づかれないで実現される。異なるオプションは、少なくとも部分的に、資産チャネル９０６又はそのようなオプションを提供するのに専用に用いられる（番組チャネル９０８とは別の）他の帯域幅層に関連して提供される。更に、或る資産オプションは、現番組チャネル９０８に挿入される。関連する機能について以下に詳細に記載する。図５のアーキテクチャは、ＣＰＥ９００において、大幅な記憶資源を必要としないという利点を有し、このため、それは、既に現場にある設備を用いて、大々的に直に実現する。

更に他の選択肢として、どの資産を示すかの判断は、ヘッドエンドにおいて行われる。例えば、資産は、以下に記載する投票に基づき選択し、ヘッドエンドにおいて、他の資産チャネルのオプションなしで番組チャネルに挿入され。これによって、ある程度の対象設定を達成するが、上述したスポット最適化の機会はない。更にまた、オプションは、他の資産チャネル上で提供されるが、それらのチャネル間でのような選択は、ヘッドエンドによって決定し得る。例えば、世帯又はユーザに関するヘッドエンドに記憶された情報（例えば、所有する車のブランド、購読雑誌等）は、世帯又はユーザに資産を対応付けるために用い得られる。その情報は、“マーケティングラベル”と呼称されるが、ヘッドエンドによって用いられ、どの資産がＣＰＥによって選択されるかを制御する。例えば、ＣＰＥは、“ＡＣＭＥ指定”の顧客と対応するように指示される。資産がＡＣＭＥ指定のメタデータで配布される場合、ＣＰＥは、その資産を選択させられ、これによって、他の全ての視聴者分類項目を無効にする（又は大幅に取り除く）。しかしながら、そのような操作は、機密情報に関する或る懸念を伴うか、又は他の点において、視聴者分類ベースの対象設定を損なうかもしれないことを認識されたい。

従って、資産プロバイダが喜んで代価を支払って接触したいユーザに対象をより良く設定したり、接触が困難なユーザにより良く接触したりする重要な機会が、存在する。しかしながら、多数の課題が、これらの目的の達成に関して残っている。これらの課題には、次のものが含まれる。即ち、ネットワーク帯域幅制限内で、ユーザの敷地における大幅な記憶容量や新しい設備を必要とせずに、如何にして資産オプションを提供するか、プライバシの懸念に対処しつつ、如何にして、効果的な対象設定のための充分な情報を得るか、資産配信の価格設定等、資産オプションの利用可能性及び参加者依存配信に起因する様々な事業関連の問題に、如何にして対処するか、既存のネットワーク構造及びシステムの状況下で（例えば、ノードフィルタ間において、既存のトラフィック・課金システムを用いて、等）、如何にして効果的に運用するかが含まれる。

上記のことから、本発明の様々な態様は、ブロードキャストネットワークを含む様々なネットワークの場面で適用可能であることを認識されるであろう。以下の説明において、対象設定資産システムの具体的な実施例について、ケーブルテレビネットワークの場面で説明する。本システムは、アナログ及びデジタルユーザ双方のための視聴を強化するが、好都合なことに、或る機能は、既存のＤＳＴＢを用いて実現される。これらは、特に、有益で市場的に貴重な実施例を表すが、本発明は、これらの具体的な実施例又はネットワーク場面に設定されないことを認識されたい。

Ｂ．システムアーキテクチャ
一実施例において、本発明のシステムは、番組チャネルの他の資産と時間整合した又はそれらと同期した資産オプションの送信を伴い、この場合、資産オプションは、少なくとも部分的に、別個の帯域幅層、例えば、少なくとも一時的に対象設定資産配信専用のチャネルを介して提供される。そのようなオプションは、通常、番組中断と時間整合して送信されるが（例えば、指定された地域の加入者だけが、気象情報、緊急情報、選挙結果又は他のローカル情報を得て、他の加入者は、番組をとぎれなく得るように）、継続中の番組に向き合ってオプションを提供することが望ましい。利用可能なオプション間のような選択は、この実施例ではＤＳＴＢによるように、ユーザの敷地において実現される。このようにして、資産オプションは、ユーザの敷地における（例えば、転送・記憶アーキテクチャに要求し得るような）著しい記憶資源又は設備更新を要することなく、より良い対象設定に利用可能になる。実際、既存のＤＳＴＢは、該当する論理をダウンロード及び／又はプリインストールすることによって、以下に記載するシステムを実現するための論理を実行するように構成される。

本実施例では、資産オプションは同期して送信されることから、利用可能な帯域幅を特定する際、及びその帯域幅を用いる際、効率的であることが望ましい。改善された帯域幅識別のための、例えば、ノードフィルタに関して日和見的に利用可能な帯域幅を特定するための様々な機能については、この議論において後で記載する。利用可能な帯域幅の効率的な使用には、利用可能な帯域幅層のデューティサイクル又は資産密度（即ち、資産オプションの送信に用いるために帯域幅層を利用可能な時間の内、どれだけの時間が、オプションを送信するために実際に用いられる部分であるか）と、送信されるオプションの値との双方の最適化を伴う。前者の要因は、とりわけ、番組チャネルの計画的な番組中断に関連して、資産チャネル上での対象設定資産配信のスケジューリングを改善することによって対処される。

後者の要因は、部分的に、利用可能な帯域幅スポットを、現ネットワーク条件に基づき最も望まれる資産で埋めることによって対処される。これらの最も望まれる資産は、従来の視聴率に基づく等、様々な方法で決定される。以下に記載する具体的な実施例において、最も望まれる資産は、本明細書で投票と呼ぶプロセスを介して決定される。図６は、この点において、ＤＳＴＢ等のＣＰＥ１００２と、ヘッドエンド１００４等の資産挿入用のネットワークプラットホームと、資産配信注文又は資産配信に対する契約及び課金を得るための図示例に用いられるトラフィック・課金（Ｔ＆Ｂ）システム１００６と、の間における関連メッセージ伝達シーケンス１０００を示す。Ｔ＆Ｂシステム１００６の機能は、多数のプラットホーム上で動作する多数のシステム間で分割されること、また、Ｔ＆Ｂシステム１００６は、ネットワーク運営者によって運用するか又は別個に運用されることを認識されたい。

図示したシーケンスは、Ｔ＆Ｂシステム１００６からヘッドエンド１００４に契約情報１００８をロードすることによって始まる。システム１００６に関連するインターフェイスによって、資産プロバイダは、契約を実行して、（所定のネットワークにおける所定の番組又は所定の時間に対する）伝統的なタイムスロット購入に基づき、又は或る視聴者分類情報（例えば、所望の個人視聴率、サイコグラフィック、地理、及び／又は視聴者規模）に基づき、資産を頒布する。後者の場合、資産プロバイダ又はネットワークは、対象視聴者に関連付けられた視聴者分類情報を識別し得る。システム１００６は、この情報を用いて、契約情報１００８を編集するが、契約情報は、資産がいつ誰に配信されるかに関する配信パラメータと共に配信される資産を識別する。

図示したヘッドエンド１００４は、個々のネットワーク用の番組中断のスケジュールと共に契約情報を用いて、チャネル毎に及び番組中断毎に、資産オプションリスト１０１０を編集する。即ち、リスト１０１０は、例えば、視聴者分類情報に基づき資産の対象視聴者を特定する関連するメタデータと共に、所定の番組チャネル上の所定の番組中断に対する投票目的に利用可能な資産オプションの全体集合を一覧表示する。送信されたリスト１０１０は、全てのサポートされた番組チャネルを包含し、全ての参加ユーザに送信でき、あるいは、リストは、例えば、現チャネル又は、特定のユーザ又はグループのユーザによって用いられる可能性が最も高いもしくは頻度の多いチャネルを示す入力に基づき、１つの又は一部のサポートされたチャネルに設定される。リスト１０１０は、オプションがリスト化されている番組中断に先立って、ヘッドエンド１００４からＣＰＥ１００２に送信される。

リスト１０１０に基づき、ＣＰＥ１００２は、投票１０１２をヘッドエンド１００４に提出する。更に、具体的には、ＣＰＥ１００２は、現ユーザ（１人又は複数）及び恐らく、視聴されている現チャネルの分類パラメータを最初に特定し、（現チャネル又は多数のチャネル用の）来るべき番組中断に利用可能な資産、並びにこれらの資産用の対象視聴者を特定し、現分類に対するこれらの資産オプションの１つ又は複数の“適性”を決定する。一実施例において、各資産は、例えば、現ユーザ（１人又は複数）の想定される視聴者分類パラメータと資産の視聴者分類パラメータとの比較に基づき、ユーザ（１人又は複数）に対する適性スコアに帰する。これには、個々のユーザ分類パラメータが、対応する対象視聴者パラメータに如何に良好に整合するか及び／又は対象視聴者パラメータの内の幾つが、ユーザの分類パラメータによって対応付けられるかを含む。これらの適性スコアに基づき、ＣＰＥ１００２は、最も適切な資産（１つ又は複数）を示す投票１０１２を発行する。任意の適切な情報を用いて、この表示を提供する。例えば、（現チャネル又は多数のチャネルに対する）全ての利用可能な資産オプション用の全てのスコアは、投票１０１２に含み得る。他の選択肢として、投票１０１２は、スコア情報が対応付けの度合いを示しても示さなくても、ＣＰＥ１００２によって選択された又は選択解除された１つ又は複数のオプションの下位集合を識別でき、また更に、チャネル情報を含み得る。一実施例において、ヘッドエンド１００４は、ＣＰＥ（１００２）に対して指示し、所定のスポットの上位Ｎの資産オプション用の適性スコアを返させるが、この場合、Ｎは、ネットワークトラフィックレベル及び視聴者の規模等の任意の適切な要因に基づき、動的に構成可能である。好適には、この投票は、問題になっている番組中断の直前に起こるため、投票は、ネットワークユーザの現在の状態を更に正確に反映する。一実施例において、投票は、ＣＰＥが設定された番組チャネルだけに提出され、また、投票は、定期的に、例えば、１５分毎に提出される。

ヘッドエンド１００４は、ＣＰＥ１００２からの投票１０１２を編集して、サポートされた番組チャネル上の所定の番組中断に対する一組の選択された資産オプション１０１４を決定する。以下の説明から分かるように、そのような投票１０１２は、全ての該当する又参加しているＣＰＥ１００２（これは、同様なもしくは非参加ユーザを含むより大規模な視聴者を代表し得る）又はその統計的なサンプリングから得ることができる。更に、ヘッドエンド１００４は、所定の番組チャネル用の所定の番組中断をサポートするオプションの送信に利用可能な帯域幅の量、例えば、専用の資産オプションチャネルの数を決定する。

この全ての情報に基づき、ヘッドエンド１００４は、資産、例えば、最も高い投票値又は最も高い加重投票値を有する資産オプションの集団を組み立てるが、この場合、そのような重み付けは、ユーザ当りの値又は分類適性を超える他の情報を考慮する。そのような集団には、現番組チャネル上に並びに資産チャネル上に挿入された資産オプションを含むが、番組チャネル及び資産チャネル挿入のために、異なる挿入プロセス及び構成要素を含んでよい。幾つかの資産は、例えば、或る公共スポットに対する投票とは独立してもしくはほぼ独立して、又は或るプロバイダが配信保証のために割増金を支払った場合、組み立て得ることを認識されたい。更に、単一の資産プロバイダが、スポットを購入し、そして、そのスポットに多数の資産オプションを提供するスポット最適化の場面では、投票は、不必要である（しかし、投票は、依然として、オプションを選択するために用いられる）。

一実施例において、集団は、各専用の資産チャネル用の資産オプションの組に組み立てられ、この場合、各組の時間長は、番組中断の長さに合致し、このため、番組中断内におけるチャネルホッピングは、不必要である。他の選択肢として、ＣＰＥ１００２は、資産チャネル間を移動して、番組中断内における所望の資産にアクセスし得る（該当する資産チャネル上の資産開始の同期がとられていることを前提とする）。しかしながら、集団行列（この場合、列には、所定のスポット用のオプションが含まれ、行は、チャネルに対応する）は、矩形である必要がないことを認識されたい。言い換えると、幾つかのチャネルを用いて、番組中断の一部のみに資産オプションを提供し得る。即ち、幾つかのチャネルは、１つ又は複数のスポット用の番組中断の開始で用い得るが、番組中断全体には利用可能ではない。または、幾つかのチャネルは、番組中断の１つ又は複数のスポットが放送された後のみに用いてもよい。そして、選択された資産１０１４及び関連する資産チャネルのリストは、図示した実施例における対象視聴者を特定するメタデータと共に送信される。この段階でメタデータを含むことは、ＣＰＥ１００２が資産オプションリスト１０１０を保持しているならば、不必要であり得ることを認識されたい。このリスト１０１４は、好適には、資産１０１６（これには、少なくとも部分的に、問題になっている番組中断をサポートするために用いられる各専用の接触オプションチャネル用の数組の資産オプションが含まれる）の送信の直前に送信される。

ＣＰＥ１００２は、選択された資産オプション１０１４及び関連するメタデータのリストを受信し、どの利用可能なオプションをユーザ（１人又は複数）に配信するか選択する。例えば、このことは、現視聴者分類パラメータ値（これらは、投票の目的に用いられるものと同じ場合もそうでない場合もある）と、各資産オプションに対応付けられたメタデータとの比較を伴い得る。選択された資産オプションは、対応する専用の資産オプションチャネルにＣＰＥ１００２を選択的に切り替えて、問題になっている番組中断の開始時、選択された資産１０１６を表示するために用いられる。資産オプション組の内の１つ、例えば、最も高い投票値を受ける資産から成るものは、多くのユーザにとって切り替えが必要でないように、番組チャネルに挿入し得る。投票ＣＰＥが、少なくともある程度全ユーザの全体集合を表すと仮定すると、同様なもしくは非参加ユーザに対してさえも、これによって、かなりの程度の対象設定が達成される。この点に関して、投票者は、非投票ユーザの代理人として機能する。ＣＰＥ１００２は、番組中断の終了時、番組チャネルに戻る。

好適には、この全てのことは、ユーザ（１人又は複数）には透明である。即ち、好適には、ユーザ入力が不要である。システムは、任意のユーザ入力が対象設定システムを無効にするように構成される。例えば、ユーザが、番組中断中、チャネルを変えた場合、その変更は、あたかも対象設定システムの効力がなかったかのように実現される（例えば、次のチャネルに進めという命令を用いると、現在テレビ出力を供給している専用の資産チャネルにかかわらず、そのチャネルに現在利用可能なオプションのいずれにも関係なく、ＣＰＥは、現番組チャネルのすぐ上のチャネルに設定される）。

資産オプション間の選択が、ＣＰＥで実現される転送・記憶アーキテクチャ又はいずれか他のオプションのように、このシステムアーキテクチャにおいては、報告が無い状態では、どれだけの数のユーザ又は世帯が、いずれか特定の資産オプションを受信したかに関する何らかの不確定性が存在する。このことは、ビジネスの立場からは、許容できる。報告が無い状態では、視聴者規模は、投票データ、従来の視聴率分析及び他のツールに基づき推定し得る。実際、従来の資産配信パラダイムでは、資産プロバイダは、投資に対する見返りを測る市場分析と共にニールセン視聴率推定及び個人視聴率情報を受け取る。しかしながら、この不確定性は、あらゆる資産配信環境において、とても最適とは言いがたく、特に、潜在的に、従来の手段によって測ることが困難な番組ネットワークを含む多数の番組ネットワーク間での視聴者集約の場面では、問題になり得る。

本発明のシステムは、好適には、報告システムを実現し、これによって、個々のＣＰＥ１００２は、どのような資産又は複数の資産がＣＰＥ１００２に配信されたか、また、オプションとして（視聴者分類の観点で）誰に配信されたかについての報告をヘッドエンド１００４に返す。更に、報告は、どこで（どの番組チャネル上で）資産が配信されたか、及び資産の内どれだけが（もしあれば）消費されたか示し得る。そのような報告１０１８は、全ての参加ＣＰＥ１００２によって又はその統計的なサンプリングによって提供し得る。これらの報告１０１８は、番組中断毎に定期的に（例えば、１５分毎）生成するか、又はヘッドエンド１００４への送信に先立って集約し得る。報告は、問題になっている資産の配信直後に送信するか、又は蓄積して、例えば、メッセージ伝達帯域幅がもっと利用可能な時刻に送信し得る。更に、そのような報告は、報告によるメッセージ伝達負荷を分散するように、ＣＰＥ１００２などの間でのように調整し得る。

いずれにせよ、報告１０１８を用いて、課金情報１０２０をＴ＆Ｂシステム１００６に提供して、様々な資産オプションの配信を評価する。例えば、課金情報１０２０は、Ｔ＆Ｂシステム１００６によって用いて、どれだけの規模の視聴者が各オプションを受信したか及びどの程度良好にその視聴者が対象視聴者と合致したか判断し得る。例えば、上述したように、適性スコアは、対象設定視聴者と視聴者分類との比較に基づき、特定の資産オプション用に生成し得る。このスコアは、任意の尺度、例えば、１〜１００であってよい。適性の良さは、この生のスコアに基づき又は“すばらしい”“良好”など、このスコアの特徴表示に基づき決定し得る。また、これは、如何に良好にユーザの個々の視聴者分類パラメータが、対応する対象視聴者パラメータに整合するか及び／又は対象視聴者パラメータの内の幾つが、ユーザの視聴者分類パラメータによって対応付けられるかに依存し得る。この情報は、今度は、少なくとも集約された形態で、資産プロバイダに提供し得る。このようにして、ネットワーク運営者は、対象設定メッセージの保証された配信に基づき、課金するか、適合度並びに視聴者規模に基づき、課金レートを決める（又は配信を増やす）ことができる。報告（及び／又は投票）１０１８は、更に、視聴率、シェア、視聴者の個人視聴率等を正確に測るために用い得るネットワーク上のユーザ分布の迅速で詳細な測定値を提供し得る。更に、この情報を用いて、将来の視聴者推定情報１０２２を提供して、例えば、視聴者分類パラメータに基づき、総対象全体集合を推定する。

従って、本発明によって、ＭＳＯ等のネットワーク運営者は、従来の資産配信（タイムスロット）購入パラダイムの下で、又は新しいコマーシャル放映パラダイム又は両者の下で、資産配信を販売し得ることを認識されるであろう。例えば、特定のＭＳＯは、コマーシャル放映パラダイムを用いて、多数の低市場シェアネットワーク上のユーザを集約しつつ、旧来のタイムスロット購入パラダイムの下で、主要なネットワーク（又はゴールデンアワー時のこれらのネットワーク）用の資産配信スペースを販売するように選択される。他のＭＳＯは、異なる個人視聴率に対象設定された多数のオプションで所定のスロットを埋めたいと願う資産プロバイダに対応しつつ、基本的なタイムスロット購入パラダイムを保持するように選択される。他のＭＳＯは、対象設定放映パラダイムを用いて、他の時刻ではユーザを集約しつつ、全てのネットワーク間でゴールデンアワー中、基本的なタイムスロット購入パラダイムを保持するように選択される。対象設定放映パラダイムは、そのようなＭＳＯによって、この設定された目的だけのために用いられる。

図８は、関連するプロセス１２００を示すフローチャートである。資産プロバイダ（又はそのエージェント）は、以下に記載するように、契約プラットホームにアクセスする（１２０２）ことによって、図示したプロセス１２００を起動する。他の選択肢として、資産プロバイダは、システム運営者の販売部門もしくは他の職員と、又は、そのようなプラットホームにアクセスする他の当事者と協働する。更に他の選択肢として、自動化購入システムを用いて、システム対システムインターフェイスを介して、そのようなプラットホームとインターフェイス接続する。このプラットホームは、グラフィカルユーザーインターフェイスを提供するが、これによって、資産プロバイダは、頒布戦略を設計し、資産の頒布のために対応する契約を結ぶ。そして、資産プロバイダは、インターフェイスを用いて、タイムスロット購入戦略又は対象設定放映購入戦略のいずれかを実行するように選択（１２０４）する。タイムスロット購入戦略の場合、資産プロバイダは、次に、ユーザインターフェイスを用いて、ネットワーク及びタイムスロット又は所望の放送時間及び資産の配信の頻度を特定する他の番組パラメータを指定（１２０６）する。従って、例えば、資産プロバイダは、該当する視聴者を有すると確信された具体的な特定の番組に関連して、資産を放送するように選択される。更に、資産プロバイダは、その資産が、第１の番組中断時、又は番組中の複数の中断時、出現するように指定し得る。資産プロバイダは、更に、資産が、例えば、番組中断内の第１スポット中に、番組中断内の最後のスポット中に放送されるように、もしくは、特定の資産配信スロットを指定するように定める。

一旦、資産のタイムスロットがこのように指定されると、ＭＳＯによって、資産は、指定された番組チャネル資産ストリームに埋め込まれる（１２０８）。そして、資産は、番組チャネルの全てのユーザによる消費のために利用可能である。そして、ＭＳＯは、通常、関連する視聴率情報に基づき、資産プロバイダに課金する（１２１０）。例えば、課金レートは、対象とする番組の以前の視聴率情報に基づきあらかじめ確立するか、又は番組の特定の放送の最良の利用可能な視聴率情報を用いて、資産プロバイダに課金し得る。従って、従来のタイムスロット購入パラダイムは、特定のネットワーク上の特定のタイムスロットの間の全てのユーザへの配信に設定され、また、所定のネットワークの特定のユーザを対象に設定させず、あるいは、単一購入の多数のネットワーク間上に分散されたユーザを対象に設定させないことを認識されるであろう。

対象設定放映購入の場合、資産プロバイダは、更に詳細に以下に記載するように、ユーザインターフェイスを用いて、視聴者分類及び他の頒布パラメータを指定する（１２１２）。視聴者分類パラメータの場合、資産プロバイダは、性別、年齢範囲、所得範囲、地理的な場所、ライフスタイル趣味又は対象設定視聴者の他の情報を指定する。追加の頒布パラメータは、配信時間、頻度、視聴者規模、又は対象視聴者を定義するのに有用ないずれか他の情報に関連付ける。パラメータの組み合わせを指定してもよい。例えば、資産プロバイダは、特定の個人視聴率グループの１００，０００の視聴者規模を指定し、更に、資産が、資産を既に所定の回数受信したユーザに一切配信されないように指定する。

この情報に基づき、本発明の対象設定資産システムは、該当するユーザを対象に設定するように動作する。例えば、これには、主要なネットワークの選択されたユーザだけを対象設定する段階を伴う。追加的に又は他の選択肢として、このことは、視聴者仕様規定を満足するために、多数のネットワーク間でユーザを集約する段階（１２１４）を伴う。例えば、所望の規模の視聴者を提供するために、多数の番組チャネルから選択されたユーザは、指定された時間期間内において資産を受信するが、この場合、視聴者は、所望の視聴者分類に合致するユーザから構成される。ユーザインターフェイスは、好適には、可能な視聴者規模の表示を資産プロバイダが受信するように、視聴者分類及び頒布パラメータに基づき対象の全体集合を推定する。

集約システムは、時刻購入を行うためにも用いられる。例えば、資産プロバイダは、対象視聴者の視聴者分類パラメータを指定して、更に、資産の放送のための時間及びチャネルを指定する。そして、そのチャネルにチューニングされたＣＰＥは、本明細書に記載したように、投票プロセスに基づき資産を選択する。更に、資産プロバイダは、視聴者分類パラメータ及び実行時間又は時間範囲を指定するが、番組チャネルは指定しない。このようにして、頒布戦略の設計に対して、かなりの柔軟性が可能になる。ネットワーク運営者にとっては、これらの戦略オプションの幾つかを、例えば、事業上の理由により、使用不可能にすることもできる。

この入力情報に基づき、本発明の対象設定資産システムは、１つ又は複数の番組中断の１つ又は複数のタイムスロットの間、資産をオプションとして提供するように動作する。スポット最適化の場合、最も適切な資産が個々のＣＰＥに配信できるように、対象視聴者を特定する情報と共に多数の資産オプションを配布する。視聴者集約の場合、資産は、多数の番組チャネル上の多数の番組中断に関連して、オプションとして提供し得る。そして、システムは、ＣＰＥによる資産の実際の配信に関する報告及び如何に良好に実際の視聴者が対象視聴者の分類パラメータに適合しているかを示す情報を受信し処理する（１２１８）。そして、資産プロバイダは、保証された配信及び実際の報告情報に基づく適合度に基づき課金される（１２２０）。従って、新しい資産配信パラダイムが定義され、これによって、資産が、特定の番組に関連付けられるよりもむしろ、特定のユーザに対象が設定されることを認識されたい。これによって、所定の番組の個々のユーザのより良い対象設定及び低シェアネットワーク上の対象ユーザへの改善された接触の双方が、可能になる。

上記の内容から、メッセージ伝達シーケンスの様々なステップが、分類パラメータに基づく、ユーザへの資産の対応付けに意図され、これによって、そのような対応付けに基づく、もしくは、ネットワーク全体での視聴者分類情報の伝達に依存する適合度判断が可能であることを認識されるであろう。ユーザプライバシの懸念及び適切な法的な制度に配慮するような方法で、そのようなメッセージ伝達を実現することが好ましい。

図示したシステムにおいて、このことは、例えば、ユーザプロフィール又は個人を特定することのできる情報（ＰＩＩ）を含む他の機密情報の永続的な記憶が無いシステムを実現することによって対処される。具体的には、ＰＩＩの確立された定義を超えて拡張する対象内容を機密情報として保護することが望ましい。この点における１つの例として、そのようなアドレスは、現在、米国のＰＩＩの定義に含まれるとは見なされないが、ＭＡＣアドレスを保護することが望ましい。一般的に、プライバシの懸念を伴う又はネットワーク使用情報を特定するあらゆる情報は、機密情報と見なし得る。特に、本システムは、何らかの機密情報なしで資産を特定する投票を介して資産オプションの送信に先立って現ネットワーク条件を学習する。更に、報告は、配信された資産（この資産は、対象視聴者パラメータに関連付けられる）又は対象設定視聴者定義に対するユーザ（１人又は複数）の視聴者分類パラメータの適性の特徴表示の特定に設定し得る。例えば、以下に述べるように、広告をスキップすることへの根拠にするために、報告を特定のユーザに関連付けることが望ましい場合であっても、そのような関連付けは、識別コード又はＰＩＩを含まないアドレスに基づく。いずれの場合でも、識別コード又はいずれか他の機密とみなされる情報は、直ちに剥ぎ取り、廃棄又はハッシュし、また、視聴者分類情報は、匿名で集約された形態でのみ使用し、あらゆるプライバシの懸念に対処する。ハッシングに関しては、ＭＡＣ又はＩＰアドレス（これは、指定されたヘッダフィールドに含み得る）等の機密情報は、ハッシュ関数にかけられヘッダに再添付されて、例えば、希望に応じて同一出所からの匿名識別表示のメッセージにできる。更に、ユーザは、参加するユーザが積極的に同意して参加するように、対象設定資産システムについて通知され、加わるか又は加わらないか選択させられる。

上記議論の多くが、世帯ではなく個人に関係する視聴者分類パラメータを参照している。図７Ａは、多数のユーザ１１０３〜１１０６に関連付けられるテレビ受像機１１００及びＤＳＴＢ１１０２を含むＣＰＥの理論的な例を示す。矢印１１０７は、ある期間に渡る遠隔制御装置からのクリックストリーム等のユーザ入力ストリームを表す。第１ユーザ１１０５は、ここでは子供であるが、第１時間期間中、例えば、朝、テレビ１１００を用いる。第２及び第３ユーザ１１０３及び１１０４（“父”及び“母”と表記）は、時間期間１１０９及び１１１０の間、テレビを用いるが、これは、例えば、午後又は夕方であり得る。ベビーシッタ１１０６は、本例では、夜間にテレビを用いる。

これは、対象設定資産配信に関連した多数の課題を示す。まず、多数のユーザ１１０３〜１１０６がいることから、世帯個人視聴率に基づく対象設定は、限られた有効性しかない。例えば、子供１１０５及び父１１０３は、同じ資産プロバイダによってほとんど対象にされないと仮定し得る。更に、場合によっては、時間期間１１０９〜１１１０の重なり合いによって示すように、多数のユーザが、同じテレビを同時に観ることがある。更に、ベビーシッタ１１０６によって示すような幾つかの場合、（対象設定資産システムの観点から）予想外のユーザが、テレビ１１００を用いることもある。

これら言及した難しさは、本発明の対象設定資産システムによって好適に対処される多数の目的に関連付けられる。まず、本システムは、好適には、上述したシステムの場面で、単一のセットの多数のユーザ間を区別し、それに応じてネットワークに投票し、報告するように動作すべきである。第２に、本システムは、好適には、ある期間にわたって、父１１０３による使用から父及び母１１０３及び１１０４双方による使用並びに母１１０４だけによる使用への移行等の変化する状態に反応すべきである。本システムは、更に、好適には、ベビーシッタ１１０６等の予想外のユーザを特徴付ける何らかの能力を有すべきである。その場合、システムは、クリックストリーム１１０７以外に先へ進む他の情報を有し得ない。本システムは、更に、セット１１００が依然としてオンであるが、明らかにユーザが存在しない時間期間を識別し得る。好適には、本システムは、更に、第三者が、そのような情報を悪用したり、対象設定資産システムを介して、ユーザ１１０３〜１１０６の内のいずれかの専用ネットワーク使用パターンを発見したりする有効な機会を有しないように、任意のユーザプロフィール又は機密情報の永続的な記憶が無い状態で動作する。他の選択肢として、プライバシの心配は、ユーザから同意を得ることによって対処される。この問題では、ＰＩＩを含む機密情報は、ネットワーク間で送信し、永続的に記憶して、対象設定に用いることができる。これによって、詳細なユーザプロフィールの編集が、例えば、ヘッドエンドにおいて可能になる。そして、資産は、ユーザプロフィールに基づき、選択され、或る実施例では、特定のＣＰＥにアドレス指定される。

或る実施例において、本発明は、ある時間窓にわたってクリックストリームを監視し、数学的なモデルを適用して、個人視聴率又はサイコグラフィック範疇に関連し得る所定の視聴者分類パラメータにクリックストリームによって定義されたパターンを対応付ける。クリックストリームは、ユーザ、音量、及び少なくとも統計的な意味で分類パラメータに対する何らかの相関関係を有し得る他の情報、によって選択された番組を示すことを認識されたい。更に、チャネル変更の頻度及びユーザが特定の資産に長居する時間の長さ等の要因は、視聴者分類パラメータの値を決定するのに適切であり得る。本システムは、更に、明らかにユーザがいない場合を識別する。

詳細に以下に記載するように、第１実施例では、ＣＰＥ１１０１に関連する論理は、確率モデル、ファジイ論理回路及び／又は機械学習を用いて、クリックストリーム１１０７に基づき、１人又は複数の現ユーザの視聴者分類パラメータ値を連続的に推定する。このプロセスは、オプションとして、例えば、特定の入力に関連する確率に影響を及ぼす世帯に関する（好適には、機密情報がない）記憶された情報に基づき、補助であってよい。このようにして、各ユーザ入力イベント（これは、状態変化及び／又は持続時間情報の１つ又は複数の項目を伴う）を用いて、関連する確率値に基づき、視聴者分類パラメータの現推定値を更新し得る。ファジイ論理は、変動し設定される予測値の入力に基づき、推定に対応するファジイデータセット及び確率アルゴリズムを伴いう。

第２実施例において、クリックストリームは、視聴者分類パラメータ情報を得るために処理し得る不完全な又は雑音のある信号としてモデル化される。更に、具体的には、ある期間にわたる一連のクリック又は関連する情報は、時間ベースの信号と見なされる。この入力信号は、視聴者分類パラメータに関係付けられる所望の署名又はパターンを反映すると見なされる。しかしながら、信号は、信号処理の共通の問題であるが、不完全又は雑音があると見なされる。従って、フィルタ処理技法が、入力ストリームから“真の”信号を推定するために用いられ、関連するアルゴリズムが、その信号を所望の視聴者分類情報に関連付ける。例えば、非線形適応フィルタは、この点において用いられる。

これらの言及した例のいずれかにおいて、或る好適な特徴が該当する。まず、システムへの入力は、本来、クリックストリームであり、何らかの機密情報が実質的にない集約された又は統計的なデータとして記憶される。これによって、上記したように、プライバシの懸念に対処するが、更に、予想外のユーザ等の新しい環境を評価する著しい柔軟性を提供する。更に、システムは、好適には、最新の入力が古い入力より重要であるというように、忘却性である。言及した例のいずれかは、この目的に対応する。そのような忘却性によって、システムは、例えば、第１ユーザから多数のユーザへ更に第２ユーザへの変化に適応することを認識されたい。更に、そのような忘却性によって、システムにおいて随時利用可能な閲覧情報の量が設定され、これによって、更に、プライバシの懸念が対処され、また、そのような情報を発見できると考えられる時間期間が設定される。例えば、情報は、削除してよく、また、設定値は、既定値に定期的に、例えば、ＤＳＴＢの電源が切断された時、リセットされる。

そのようなユーザ分類システムを実現するシステムのブロック図を図７Ｂに示す。図示したシステムは、ユーザ入力モジュール１１２２及び分類モジュール１１２４を含むＣＰＥ１１２０において実現される。ユーザ入力モジュールは、ユーザ入力を、例えば、チャネル選択、音量設定値等を示し得る遠隔制御装置又はテレビ制御ボタンから受信する。これらの入力は、多数の機能用の番組情報１１３２（これによって、チャネル選択と番組及び／又は関連する視聴者プロフィールとの相関が可能になる）と共に用いられる。この点に関して、存在検出器１１２６は、配信された資産の全て又は一部に対して、ユーザが存在する可能性があるかどうか判断する。例えば、何らかのユーザ入力が長時間ないことは、ユーザが存在せず、注目していないことを示し、あるいは、音量設定値がゼロであることは、その資産が効果的に配信されなかったことを示す。分類器１１２８は、上記したように、世帯の１人又は複数のユーザ用の視聴者分類パラメータを生成する。ユーザ識別名は、分類されたユーザの内のどのユーザが、現在存在しているか推定するように動作する。これらのモジュール１１２６、１１２８及び１１３０は、共に、投票（又は投票しないように選択）する及び／又は報告を生成（又は報告を生成しないように選択）するために用い得る視聴者分類情報を提供する。

上記したように、対象設定に用い得る視聴者分類の内の１つは、場所である。具体的には、資産プロバイダは、規定された地理的な領域（例えば、系列店近辺）内のユーザだけを対象に設定したいと願ったり、あるいは、異なる資産の対象を異なる地理的な領域に設定（例えば、場所に基づき、異なる自動車広告の対象を異なる推定所得レベルを有するユーザに設定）したいと願ったりすることがある。或る実施例において、本発明は、特定のＣＰＥの場所を決定し、そして、その位置情報を用いて、資産の対象を特定のＣＰＥに設定する。ＣＰＥの場所の表示は、機密と見なし得る情報を含むことを認識されたい。更に、本発明は、これらのプライバシの懸念に対処するように、位置情報を生成し、抽出し、及び／又は受信する。また、このことは、ネットワーク間で送られる位置情報からの機密情報を一般化もしくはフィルタ処理して除去することによって達成される。このことは、ＣＰＥ又はヘッドエンドにおいて、フィルタ処理又は並び替え機能を提供することによって、達成される。例えば、報告プロセスにおいて（即ち、指定された場所領域内において成功した配信の数を求めるために）有用である情報は、機密情報をほとんど又は全く含まずに上流に送られる。更に、そのような位置情報は、個人を特定することができないように一般化される。例えば、所定のブロック上の又は（例えば、郵便番号プラス２領域に関連付けられた）他の地理的な領域内の全てのユーザは、同じ場所識別名（例えば、領域の中心）に関連付ける。

一実施例において、ＣＰＥに関連付けられた論理回路は、識別名を上流のヘッドエンドに送り、そこで、識別名は、課金アドレスのリストに突き合わせて相互参照される。そして、識別名に合致する課金アドレスは、例えば、ＧＩＳ情報を用いて、一組の座標（例えば、直交地理座標）に変換され、それらの座標又は関連する地理的な領域識別名は、ＣＰＥに送り返され、その位置情報の一部として記憶される。他の選択肢として、リストは、ブロードキャストしてよい。この場合、多数の又は全てのネットワークユーザ用の位置情報を含むリストが、ブロードキャストされ、各ＣＰＥは、それ自体の情報を選択する。資産プロバイダは、更に、対象位置情報を資産に関連付ける。例えば、以下に述べる契約インターフェイスに関連して、資産プロバイダは、対象資産配信領域を規定する。好適には、このことは、グラフィカルインターフェイスを介して（例えば、マップを表示して）行われ、そして、規定された領域は、細かいレベルの細分性にまで、ノード領域又は他のネットワークトポロジに制限されることなく、対象の対象設定領域に対応させる。更に、そのような領域は、隣接していない部分を含む複雑な形状を有する。そして、好適には、領域は、資産メタデータでの簡便な送信及びユーザ場所との比較を可能にする観点で、例えば、格子要素又は領域セルの観点で表現する。

他の実施例において、個々の地理的な領域は、固有の識別名に関連付けられ、新しい領域は、既存の領域の統合に基づき規定される。このことは、その最も細かいレベルでは、個々のＣＰＥを特定する細分性に拡張される。数多くのＣＰＥを含む高いレベルは、プライバシの懸念に対処する投票及び報告のために用いられる。

資産オプションリスト又は資産配信要求（ＡＤＲ）を受信すると、ＣＰＥは、ＡＤＲを分析して、ＣＰＥの場所が、ＡＤＲにおいて参照された資産によって対象設定された場所に含まれているかどうか判断する。例えば、このことは、多角形中の点又は領域アルゴリズム中の他の点、半径分析、又は規定された格子のネットワーク又は４分木データ構造等のセルとの比較を伴う。そして、ＣＰＥは、その特定のＣＰＥの場所が資産によって対象設定されているかどうかを含む判断基準に基づき、受信される資産に投票される。

資産オプションを表示した後、ＣＰＥは、更に、報告プロセスにおいて、その位置情報を用いて、上流に送られる配信データを強化する。ＣＰＥがその位置情報を用いるプロセスは、位置情報から実質的に全ての機密情報を除去する。例えば、ＣＰＥは、特定のグループの場所に対象設定された資産が、グループの場所の内の１つに配信されたことを報告する。本例のＣＰＥは、資産が実際に配信された場所を報告しない。

同様に、タグを資産選択に関連付けるのが望ましいことが多い。そのようなタグは、そのような資産に重ね合わせられる又は添付される追加情報である。例えば、タグは、広範に配信される資産の最後に地域の商店又は他の販売場所に関する情報を提供する。従来、そのようなタグは、ヘッドエンドにおける挿入に先立って、広告に添付されており、また、粗い対象設定に制限されている。本発明に基づき、タグは、近隣等の、特定の区域、場所又は領域のユーザに対象を設定する。タグは、更に、年齢、性別、所得レベル等の他の視聴者分類パラメータに基づき、対象設定される。例えば、百貨店広告の最後にあるタグは、特定の個人視聴率に対して、対象の品物の目玉品を広告する。具体的には、タグは、資産集団に含むことができ、ＣＰＥ内に含まれる論理に基づき、条件付きで挿入される。従って、タグは、他の資産と同様に対象を設定し得る別個の単位であるが、対応する資産に関連付けられるような条件付き論理を備える。

本発明は、特定のＣＰＥの場所に関する情報を用いて、タグの対象を特定のＣＰＥに設定する。例えば、ＣＰＥは、上記した直交座標の形態でその場所に関する情報を含む。資産が、タグをそれと共に又はその代わりに配信することを示す場合、ＣＰＥは、特定のＣＰＥに含まれる位置情報によって満たされる場所判断基準が、潜在的なタグのいずれかに関連付けられて、存在するかどうか判断する。例えば、タグには、特定の近隣を規定する場所判断基準を含む。ＣＰＥがその近隣に位置する場合、ＣＰＥ１１０１は、タグの配信のために必要な他の判断基準が満たされると仮定して、タグを配信するように選択される。他の判断基準には、所定の番組中断において利用可能な時間、他の個人視聴率情報、及び国の又は地域設定ではない資産に関する情報を含む。

簡単に上記したように、対象設定は、更に、マーケティングラベルに基づき、実現し得る。具体的には、ヘッドエンドは、様々な情報源からユーザ又は世帯に関する情報又はマーケティングラベルを取り込む。これらのマーケティングラベルは、ユーザが高価な車を購入すること、１８−２４才の男性であること、又は資産プロバイダにとって潜在的に関心のある他の情報を示す。場合によっては、この情報は、視聴者分類パラメータと同様であるが、オプションとして、静的（テレビユーザが変わる際、変動しない）であってよく、また、（視聴パターン等に基づき推測されることとは対照的に）ハードデータに基づくる。他の場合、マーケティングラベルは、もっと具体的であるか、もしくは視聴者分類と異なってよい。いずれの場合でも、ヘッドエンドは、マーケティングラベルの観点において、それが、どのような種類のユーザ／世帯であるかに関してＣＰＥに通知し得る。そして、資産プロバイダは、マーケティングラベルに基づき、資産の対象を設定することができ、また、資産は、ＣＰＥによって、対象設定が合致する所に配信される。このことは、視聴者集約及びスポット最適化場面に用いられる。

従って、本発明の対象設定資産システムによって、ブロードキャストネットワークにおいて、クリックストリーム等のユーザ入力に基づき決定されたかどうかにかかわらず、任意の該当する視聴者分類に基づき、マーケティングラベル又は顧客敷地設備に押し付けられた他の情報に基づき、個人視聴率又はヘッドエンドにおいて記憶又は処理された他の情報に基づき、又は上記又は他の情報の組合せに基づき、資産の対象設定が可能である。従って、この点で、ブロードキャストネットワークの場面において、以前は、ダイレクトメール等の他の状況に制限されていた対象設定概念を用いることが可能である。例えば、そのような対象設定は、金融情報、以前の購入情報、定期購読情報等を利用する。更に、他の場面において開発された分類システムを流用して、本発明に基づき達成される対象設定の価値を強化する。

システムの主要構成要素の導入議論を含み、システムの概要について記載したが、これは、対応付け関連機能及び関連構造の動作を理解するためのシステム場面を提供する。この対応付け関連の主題について、残りの説明で述べる。

ＩＩ．資産対応付け
Ａ．概要
上記説明から、ユーザの分類パラメータを決定して、ユーザの分類パラメータを資産の対象設定パラメーに対応付けることは、幾つかの場面で有用であることを認識されるであろう。まず、この対応付け関連機能は、投票プロセスにおいて有用である。即ち、上記したシステムにおける対象設定システムの機能の内の１つは、（来るべきスポットに利用可能な一組の広告を特定する）広告リストを受信し、様々な広告用の対象設定パラメータを決定し、如何に良好に対象設定パラメータが、現ユーザの分類パラメータに合致するかに基づき、１つ又は複数の広告に対して投票することである。従って、現ユーザ（１人又は複数）の分類パラメータを特定し、それらのパラメータを対象設定パラメータに対応付けることは、投票場面において重要である。

対応付け関連の機能は、広告選択場面においても重要である。具体的には、様々な参加セットトップボックスからの投票が処理された後、広告の集団が、コマーシャルのための番組中断のために組み立てられる。所定のＤＳＴＢは、ユーザ（１人又は複数）にとってどの広告が適切であるかに基づき、（コマーシャルのための番組中断時、セットトップボックスによって配信された一組の広告に対応する）集団を通る経路を選択する。従って、現ユーザ分類パラメータを特定し、それらのパラメータを対象設定パラメータに対応付けることは、広告選択場面において重要である。

対応付け関連機能は、報告場面にも用いられる。この点において、ＤＳＴＢにおける幾つか又は全てが、実際に配信された広告に関して、ネットワークに報告を提供する。これによって、対象設定システム及びトラフィック・課金システムは、広告主に適切に課金し得るように、広告の視聴者を測ることが可能になる。好適には、これらの報告によって提供された情報は、視聴者の規模ばかりでなく、如何に良好に視聴者が、広告の対象視聴者に適合するかも示す。従って、上記したシステムは、広告を受信したユーザ（１人又は複数）の分類パラメータが、如何に良好に対象設定パラメータに合致するかを特定する適合度情報を提供する。対応付け関連機能は、この場面でも有用である。

本発明の一実施例において、この対応付け関連機能は、ＤＳＴＢに常駐する分類器によって実施される。この分類器については、更に詳細に以下に記載する。一般的に、分類器は、クリックストリーム即ち一連の遠隔制御装置入力を分析して、現ユーザ（１人又は複数）の可能な分類パラメータを決定する。分類器は、更に、対応付け機能を実施して、想定される１人又は複数のユーザの推定分類パラメータに基づき、現ユーザ（１人又は複数）の（例えば、広告リストからの）多数の各候補広告の適性を決定する。そして、分類器は、上記したように、投票、広告選択及びを報告する場面に用いるために対応付け関連の情報を提供する。以下の説明において、この対応付け関連の情報について、投票場面に関連して主に説明する。しかしながら、対応する情報は、広告選択及び報告に用いられることを認識されたい。更に、本発明は、様々なネットワークにおける様々な種類の資産の対象設定に関連して用いられるが、以下の説明は、ケーブルテレビネットワークにおける対象設定広告の場面で記載されている。従って、用語“広告”及び“閲覧者”は、便宜的にまた分かりやすくするために用いられる。更に、便宜上、分類器は、複数のユーザを識別するが、以下の説明は、時として、単数のユーザ又は閲覧者を意味する。

分類器は、一般的に、２つのモードで、つまり、学習モード及び作業モードで動作する。しかしながら、これらのモードは、完全に別個のものではないことを認識されたい。例えば、分類器は、通常の動作中、学習及び適応を継続する。これらのモードは、全体的に、図９に示す。学習モードにおいて、図示した分類器１３００は、所定のＤＳＴＢ１３０４の視聴者の内の閲覧者１３０２の動作を監視して、閲覧者１３０２用の分類パラメータを推定する。この点に関しては、所定のＤＳＴＢ１３０４の視聴者には、父、母及び子供を含むが、それらの１人又は複数が、視聴セッション中、存在する。分類パラメータには、性別、年齢、所得、番組の好み等、上述した分類パラメータのいずれかを含む。

図９に示すように、学習モードでは、分類器は、ユーザからのクリックデータ１３１０、ネットワークからの番組データ１３１２（例えば、番組ガイドデータ）、及びニールセンシステムによって生成されたニールセンデータ１３１４を含む入力を受信する。この情報は、閲覧者番組選択振舞いを含む、閲覧者の或る振舞いを学習するために処理される。この点に関して、ニールセンデータ１３１４は、特定の番組に対する個人視聴率構成を反映する。番組データ１３１２には、ジャンル、視聴率、予定時間、チャネル及び番組に関する他の情報に関する情報を含む。クリックデータ１３１０は、ユーザによって選択されたチャネルと、滞留時間（どれだけ長くユーザが所定のチャネルに残っていたか）と、閲覧者の分類パラメータに関する根拠を得るためにニールセンデータ１３１４及び番組データ１３１２と相関する他の情報とを反映する。更に、クリックデータ１３１０は、チャネルホッピングの頻度と、クリック処理の迅速さと、音量制御選択と、番組関連の情報への何らかの相関関係から独立して、それから閲覧者分類パラメータの根拠を推定する他の情報とを反映する。更に詳細に以下に記載するように、学習モードでは、分類器１３００は、（例えば、従来のデータグループに関連付けられた）分類パラメータ値の層周辺のデータの集団を生成し始め、これによって、閲覧者１３１０を特定し、彼らの可能な性別、年齢、所得及び他の分類パラメータに関連して、閲覧者１３０２を分類するようになる。

状態遷移機能を図１０に示す。状態変化は、イベント、メッセージ及びトランザクションによってトリガがかけられる。重要な状態遷移の内の１つは、クリックイベント１４００のストリームである。各クリックイベント１４００は、状態遷移（例えば、１つの番組から他の番組への変更、音量設定値の変更等）を表す。図示するように、クリックイベント１４００が存在しないこと又は低頻度のクリックイベントは、閲覧者が存在しないこと、又は任意の視聴が単に受動的１４０４なだけであることを示し得る。遷移数１４０６が、（例えば、頻度の点で）しきい値を超過し、また、ＤＳＴＢがオン又は能動的１４０２である場合、分類器は、番組データ１４０８を対応付け、番組を学習又は記憶する１４１０ように動作し得る。番組は、この点において、最大積み重ね高さを超過しないように、又は、上述したように、望ましい忘却性の度合いを実現するように、削除し得る１４１２。

図９に戻ると、学習モードが進行するにつれて、閲覧者識別が、少なくとも２つの組の特徴情報に関して生成される。最初に、分類パラメータ組が、ＤＳＴＢ視聴者の内の各発見された閲覧者１３０２用に生成される。次に、各発見された閲覧者１３０２に対して、その閲覧者１３０２用のある期間にわたる視聴振舞いを規定する一組の規則が、生成される。このことは、以降、閲覧者の視聴習慣の周期性と呼ぶ。従って、各発見された閲覧者１３０２の分類組は、閲覧者の年齢、性別、学歴、所得及び他の分類パラメータを識別する。この情報は、特定の時間枠の間、分類器が広告を対象視聴者に対応付けるように、閲覧者の視聴習慣の周期性に結合される。即ち、誰が所定の時間に視聴しているかに関する分類器による判断は、視聴振舞いの実質的にリアルタイムの分析によって、並びに、閲覧者１３０２の履歴視聴パターンによって、通知される。他の選択肢として、発見されたユーザ用の分類パラメータ組を生成するこのプロセスは、多数の時間フレーム、例えば、異なる時刻を考慮し得る。これらの分類パラメータ組を、発見された閲覧者用に、時刻の関数として、例えば、一時間毎に、３０分毎に、又は他の時間依存ベースで生成することは、多くの世帯の閲覧者層が大幅に時刻に依存するため、有効であることが分かっている。

学習モード及び作業モードは、異質である必要がないことを認識されるであろう。例えば、分類器は、履歴周期性データが、その閲覧者１３０２用に生成されていない場合であっても、現閲覧者１３０２の分類パラメータを推定し得る。同様に、そのような情報が、学習モードで生成されている場合であっても、現閲覧視聴者は、絶えず定義され、また、作業モード中、再定義され得る。従って、分類器は、機能するために、閲覧者プロフィール情報の永続的な記憶を必要としない。例えば、そのような記憶された任意の情報は、ＤＳＴＢがオフになった時、削除される。そのような場合には、分類器は、セットトップボックスに電力が復旧すると、１人又は複数の閲覧者の分類パラメータを容易に生成される。更に、分類器は、ある程度の忘却性を組み込むように構成しされる。即ち、分類器は、オプションとして、視聴者構成員のその進化するモデルから陳腐化した情報の重みを低減するか、又はそれを削除し得る。このようにして、分類器は、視聴者構成の変化に適応し、また、以前未知の視聴者構成員を特定する。

充分な閲覧者振舞い情報が収集された場合（これは、少数のユーザ入力だけを必要とする）、図示した分類器は、学習モードから作業モードに移動する。作業モードにおいて、分類器１３０６は、多数の関連機能を実施する。まず、来るべきコマーシャル用の番組中断のための広告リスト１３０８を受信し、そのリスト１３０８の広告用の対象設定パラメータを現閲覧者１３０２の分類パラメータに対応付け、適切な広告に投票する。分類器１３０６は、更に、所定の広告集団における利用可能な広告を選択して、現ユーザ１３０２に配信する。更に、分類器１３０６は、１つ又は複数のコマーシャルのための番組中断中に配信された広告に関する適合度情報を報告する。また、作業モードにおいて、分類器１３０６は、確率的な補強の過程を通して学習を継続するが、分類器１３０６は、現閲覧者１３０２又は視聴者の分類パラメータを意味があるように推定するのに充分な情報を有するとみなされる。

上記したように、作業モードにおいて、分類器１３０６は、広告リスト１３０８からの広告を効果的に格付けすることによって、投票プロセスを制御する。この点に関して、図示した作業モード分類器１３０６は、広告保管場所１３１８からの利用可能な広告１３１６に関する情報を受信する。これらの広告１３１６は、対象設定パラメータに、例えば、視聴者層別及び閲覧者プロフィール分類規則１３２０の形態で関連付けられる。例えば、広告主は、広告インターフェイスを介して、Ｔ＆Ｂシステムに対象設定パラメータを直接入力する。通常、これらの対象設定パラメータは、従来の視聴者層別範疇に関連して規定する。しかしながら、上記したように、本発明の対象設定システムは、異なる又は細かい対象設定パラメータに対処する。作業モード分類器１３０６は、更に、上述したように、広告リスト１３０８又は候補広告の視聴リストを受信する。具体的には、ヘッドエンド対象設定システム構成要素１３２０は、利用可能な広告に関する入力及びそれらの対象設定パラメータを処理して、広告リスト１３０８を生成し、参加ＤＳＴＢに配信する。

相似及び近似分析器１３２２は、個々の広告に関連付けられた対象設定パラメータ及び現ユーザの分類パラメータを用いて、対応付け機能を実行する。即ち、分析器１３２２は、テレビ受像機１３２４の前に現在座っていると考えられる可能な閲覧者１３０２の内の少なくとも１つに広告を対応付ける。更に詳細に以下に記載するように、このことは、例えば、広告の対象年齢範囲（これは、若干曖昧な領域として表現し得る）を閲覧者の年齢を表す組（これもファジイ集合であり得る）と比較することによって行われる。これらの２つの組の重なり合いが大きければ大きいほど、適合性又は対応付けの程度は、大きくなる。そのような対応付けは、多数の対象設定／分類パラメータに関する多次元で実施される。この相似分析は、広告リスト１３０８の各候補広告全体に適用され、相似の度合いが、各広告に対して決定される。このプロセスが完了すると、各時間期間の広告は、例えば、相似ごとに降順に並び替えることができ、上位広告の１つ又は複数を投票のために選択される。

受動投票エージェント１３２６は、対応付け情報に基づき、広告を選択するように動作する。このプロセスは、一般的に、帯域外データストリームを用いて、バックグラウンドで動作する。更に、具体的には、図示した投票エージェント１３２６は、各候補広告の記録又はＡＤＲを選択し、各々に対して、いずれかの閲覧者が、広告時間に存在する可能性があるかどうか判断する。更に、投票エージェント１３２６は、そのようないずれかの閲覧者が、その広告の対象設定パラメータに合致して許容可能な分類パラメータを有するかどうか判断する。投票場面において、各対応付けのために、投票がその広告に対して行われる。この投票は、ヘッドエンド構成要素１３２０に返され、そこで、他の投票と組み合わせられる。これらの集約された投票は、次の生成の広告リスト１３０８を生成するために用いられる。

このように、分類器システムの概要について述べた。学習モード、作業モード及び対応付け機能については、以下の章で更に詳細に記載する。
Ｂ．学習モード動作
上記したように、学習モード分類器は、可能な閲覧者の分類パラメータ情報並びにそれらの閲覧者の周期性情報を生成する。このプロセスは、図１１に更に詳細に示す。学習モード中、分類器１５００は、視聴者の統計モデルを構築している。特に、特徴可分性（視聴者の中の特定された閲覧者間を高い信頼度で区別する能力）を可能にするモデルを生成することが望ましい。従って、各閲覧者の分類パラメータの良好な定義及び視聴者の中の特定された閲覧者から、誰がテレビを視聴しているか分類器が知る必要がある度に、現閲覧者１５０２を特定する能力を有することが望ましい。図１１において、このプロセスは、分類パラメータの２つの例、即ち、対象性別及び対象年齢に関して示されている。

上述したように、学習モード分類器１５００は、ニールセン、ＢＢＭ又は他の視聴率システムからの（又は、対象設定広告システムの以前報告された情報に基づく）番組視聴頻度（又は個人視聴率）データ１５０４、番組データ１５０６及びクリックデータ１５０８を含む入力を受信する。このデータに基づき、分類器１５００は、もしあれば、どの番組が、特定の時間に視聴されているか、及びそのことが閲覧者の可能な分類パラメータに関して、何を示すかを判断する。更に、クリックデータ１５０８は、イベントストリームであることから、いつでも閲覧者１５０２の注目又は集中のレベルを示し、特定の番組への関心のレベルの目安を提供する。クリックデータ１５０８によって、更に、分類器１５００は、ＤＳＴＢセットがいつオンされ、いつオフされるか判断される。

学習モード分類器１５００は、データの根底にあるパターンを見つけるように構成されている一組の集団化及び区画技法によって、着信データを融合する。この点におけるゴールは、可能な閲覧者の数を発見し、各閲覧者の分類パラメータ集合を構築し、ある期間にわたる各閲覧者の視聴習慣を決定する（又は、時間の関数として、可能性がある閲覧者の分類パラメータ組を生成する）ことである。この情報によって、分類器１５００は、どのような種類の視聴者が、特定の広告の配信時間に存在する可能性があるか判断し得る。図示した例において、この学習プロセスは、２つの分類器モジュール、即ち、年齢及び性別分類器モジュール１５１０及び視聴振舞い又は周期性分類器モジュール１５１２の生成を伴う。周期性分類器１５１２は、時間経過に伴う年齢及び性別分類モジュールの結果を蓄積し、補強する。一連の年齢間隔クラス１５１０は、その根拠が収集される時刻及び曜日を表す独立軸に記憶される。この時間軸は、年齢及び性別分類器モジュール１５１０において検出された各個人が、テレビを観る傾向がある時刻を決定するために用いられる。

性別及び年齢分類器モジュール１５１０は、ある期間にわたって、可能な閲覧者に関する根拠を収集する。一旦、充分な根拠が収集されると、根拠は、多数の別個の視聴者構成員を示すように群がることが予想される。このことは、同時に極めて単純で複雑なプロセスである。それは、視聴習慣を想定される年齢及び性別特徴に対応付けるために用いられるコアアルゴリズムは、良く理解され、実行が極めて簡単であることから、単純である。例えば、閲覧者が或る個人視聴率範疇に入る確率に番組選択を関連付けることは、困難ではない。他方、パラメータ間の相互作用を分析することや、着信信号の強さ又は弱さに関連する微妙な現象を取り扱うことは、ある程度複雑である。後者の点において、学習プロセスに影響を及ぼす２つのパラメータは、滞留時間及びニールセン母集団規模である。滞留時間は、閲覧者が所定の番組に留まる時間の長さに関係し、また、対象のレベルの表示を生成するために用いられる。従って、滞留時間は、訓練メカニズムに用いられるクリックストリームイベントにおいて、フィルタのように機能する。例えば、１つ又は複数のしきい値は、滞留時間を基準にして設定して、データを減衰又は除外する。この点に関して、分類器は、閲覧者が一分間にも満たない間又は恐らく１０秒程度の間しか番組を観なかった場合、閲覧者が番組を観たという学習から恩典を受けないと判断する。しきい値及び関連する減衰又は除外要因は、この点において、識別精度を強化するように、理論的に又は実験的に生成される。

更に、滞留時間に関係するのは、視聴者期待尺度と呼ばれる要因である。これは、いつでも、（ＤＳＴＢがオンになる場合）テレビは、能動的視聴者を有することが予想される「度合い」である。即ち、実際には、誰も視聴していない場合、どんな番組がチューニングされたかについて、分類器に学習させることは、必ずしも望ましいとは限らない。視聴者期待尺度は、様々な方法で決定される。この要因の１つの単純な尺度は、最後のチャネル変更又は他のクリックイベント後経過した連続的な表示の数である。即ち、クリックイベント間の時間の長さが長くなるにつれて、誰かが実際に視聴しているという信頼度は減少する。この視聴者期待尺度は、閲覧者識別モデルを生成する際の要因として、データを除外又は減衰するために用いられる。

ニールセンマーケティング調査データは、倍率及び学習速度パラメータとしても有用である。上記したように、このニールセンデータは、特定の番組に関連して、性別及び年齢統計値を提供する。更に詳細に以下に記載するように、充分な滞留時間を有するクリックイベントは、各分類パラメータ層、例えば、ファジイ年齢間隔に関して、根拠を蓄積するために用いられる。この点に関しては、各根拠は、分類パラメータ値が、ある期間にわたって統合されるように、発展中のモデルを効果的に増大させる。どれぐらい所定のファジイパラメータ集合が増大されるかは、そのような各ファジイ集合に関して根拠が有する構成員の度合いの関数である。

従って、特定の年齢グループの構成員の度合いは、その年齢の根拠として処理される。しかしながら、番組及び時間がニールセンデータと合致する場合、性別分布は、広範囲な幅の閲覧者母集団頻度を含む。各年齢グループ範疇に入る視聴者の滞留割合もその年齢グループに対する根拠である。従って、集合が増大される量は、その集合に関する構成員の度合いによって変倍される。従って、例えば、ある年齢範疇の閲覧者が、ほとんど番組を視聴していない場合、このことは、閲覧者がこの年齢グループにいるという微々たる根拠にしか反映されない。

図示した学習モード分類器１５００は、更に、周期性分類器モジュール１５１２を包含する。分類器１５００が、ＤＳＴＢの視聴者の内の閲覧者の数の決定、及び閲覧者間の区別を可能にする根拠を生成するにつれて、これらの閲覧者の各々に対して、時間に関して、視聴モデルを生成することが可能である。そして、この情報は、広告配信の時間に、誰が視聴している可能性があるかを直接予測するために用い得る。周期性モデルを構築する多数の方法があり、これは、学習モード動作及び／又は作業モード動作中、実行し得る。例えば、このモデルは、閲覧者をそれらのパターンにマッピングする段階を伴う。他の選択肢として、パターンは、発見され、そして、既知の閲覧者に対応付け得る。示した実施例において、後者の閲覧者対パターンの手法を利用する。以下の説明から分かるように、この手法は、周期性を規定する特徴が、ファジイな数であることから、良好に機能する。従って、対応付けは、閲覧者を広告の対象設定パラメータに対応付けるために用いられる同じ種類の相似関数を用い得る。

上記説明は、閲覧者が、或る（例えば、ファジイな）集合に関連して、根拠を統合又は集約することに基づき、識別されることを示した。このプロセスは、図１２を参照して、更に良く理解される。この場合、説明目的のために、年齢及び性別の発見に制限されるが、これには、２ｘＭファジイパターン発見行列を伴う。２つの行は、性別層ベクトルである。Ｍ個の列は、広告対象設定に用いられる従来の年齢間隔である。これらの年齢間隔は、ファジイ間隔尺度と重なる。図示した例において、分類器は、或る年齢間隔（１２〜１７、２５〜３５、３５〜４９）についてモデル化されるが、この理由は、これらが業界標準層別であるためである。しかしながら、特定の年齢グループが、分類器の要求される特徴ではないことを認識されたい。

ファジイ間隔は、隣り合った年齢間隔間の或る量の重なり合いを示す台形のファジイ集合括弧によって表される。この重なり合いは、異なる年齢範囲間のような区別を改善し得る。行列上に示した棒は、一連のクリックイベントに基づき、根拠の蓄積を反映する。図１２の行列において分かるように、ある期間にわたって、この根拠は、異なる分類パラメータに関連付けられた個別の特定可能な閲覧者を示すように群がる傾向がある。

このことは、更に、図１３に示す。図１３の例において、視聴者の内の個別の閲覧者を特定するために、根拠を蓄積するこのプロセスは、三次元のグラフ示す。従って、学習プロセスの結果は、学習行列又は多次元の（この場合、二次元の）特徴領域における勾配又は丘又は山の集合体である。この場合、それらの勾配仰角が大きくなるにつれて高くなる丘又は“山”は、学習行列におけるそれらのサイトが、閲覧者のサイトであるという最良の根拠を提供する。丘は、分類パラメータ層（例えば、年齢グループ）によって定義されたセルの各々における個数から構成される。個数が大きければ大きいほど、丘は高くなり、その結果、特徴が、視聴者の内の閲覧者に対応することが、更に確かになる。上から見ると、勾配及びそれらの仰角は、図１４に示すように、トポロジーマップを形成する。等高線の密度及び高さは、個別の及び特定可能な閲覧者を提案する群化を反映する。従って、図１４のマップは、学習プロセスから特定された３人の可能な閲覧者を反映する。尚、ファジイ領域マッピングは、周辺の年齢グループとの間の或る程度の重なり合いを可能にするが、閲覧者の実際の分類パラメータ値の更に洗練された推定値を提供する。即ち、隣接するファジイ集合における根拠の補間は、集合定義に制限されない実際のパラメータ値の推定を可能にする。この補間は、線形である必要がなく、例えば、重心補間として実行してよい。そのことは、各ファジイ集合における勾配高さ並びにその集合における高さの構成員の変倍度合いを考慮する。

根拠を領域に適用するためのプロセスは、従って、曖昧な領域に帰着し得る。即ち、決定された分類パラメータ値に基づき、単に“個数”を領域のセルに適用するよりもむしろ、個数は、セルの中心に（又はセル境界上又はその付近に）配置される領域特徴（例えば、丘）として、効果的に追加されるが、隣接するセルにあふれる余剰値を含む。余剰値は、多次元の隣接するセルにあふれる。一実施例において、この効果は、近似計算によって特定される。根拠を領域に曖昧に適用する結果は、潜在的に強化されたユーザ定義並びに多数のユーザ間等を区別する強化された能力である。

近似アルゴリズム及び領域分散ノイズ低減フィルタ処理は、３つの分類パラメータ次元、即ち、性別、年齢及び時刻を伴う例を参照することによって示される。特徴領域は、多数の下位立方体又は粒子から構成される立方体によって定義されると見なされる。例えば、領域立方体は、７６８０粒子（２ｘ８０ｘ４８粒子）から構成され、２つの性別、８０の年齢、及び４８の３０分間範疇に対応する。各粒子には、基準又はノイズ値を格納できる。例えば、ノイズ値は、ニールセン、ＢＢＭ又は他の視聴率システムが、観察者を有する全ての利用可能な番組チャネル上で（又は、対象設定広告システムの以前報告された情報に基づき）測られた各年齢、性別及び時間における予想閲覧者の統計的な分析から導出し得る。ノイズは、（例えば、実験的に又は理論的に生成された）適切な関数からのこれらの閲覧者の分布から引き出し、平均又は加重平均のように単純である場合もそうでない場合もある。いずれにせよ、根拠が、領域の（年齢、性別、時間）座標に合致する振舞いを有する実際の閲覧者に繰り返し関連付けられる場合にだけ、根拠の対応するランダム性を相殺し、根拠の痕跡又は残渣を残すのは、このノイズ偏りである。

基準値又はノイズを有する粒子の粒子定義及び母集団は、基準値の供給源の細分性、例えば、標準のニールセン範疇に制限されないことを認識されるであろう。むしろ、基準値は、補間又は推定され、領域立方体の定義された粒子規模に合致する。従って、例えば、ニールセン源データは、１６の年齢性別グループに関連して提供するが、これに対して、上記したように、領域立方体には、２ｘ８０の対応する粒子（又は、列軸が時間次元に対応する場合、粒子の列）を含み得る。様々な数学的な技法は、この点において用いられる。例えば、年齢分布は、曲線又は関数に適合することができ、そして、これは、各年齢値について解くことができる。そして、対応する値は、領域に分散するために適用される。

根拠は、（特定の時間に上演している）テレビ番組を視聴している特定の年齢及び性別の閲覧者の統計的な頻度である。ニールセン頻度と番組時間の組合せは、各時間期間に対して１６（それらの視聴頻度を備えた８つの男性及び８つの女性年齢グループ）の根拠を生成する。これらの１６の根拠のどれが、実際の閲覧者に対応するか求めることは、分類器の根底にある統計的な学習モデルの仕事である。この判断を行う上で基本的なことは、根拠を領域に付加するために用いられる方法である。このことは、次のように、まず、公知のノイズフィルタを適用する段階を伴う。

（１）ｄ＝ｆ（ａ，ｇ，ｔ）−ｒ（ａ，ｇ，ｔ）
上式において、（ｆ）は、観察された根拠であり、（ｒ）は、その年齢、性別及び時間のノイズを表す。この値（ｄ）は、正又は負のいずれかである。この結果は、粒子毎に領域（ｔ）に加算される。

（２）ｔ（ａ，ｇ，ｔ）＝ｔ（ａ，ｇ，ｔ）＋ｄ
上式において、根拠が、入力統計値からランダムに引き出されつつある場合、正の及び負の余剰（ｄ）の数は、ほぼ等しく、また、その点における領域値（ｔ）の総和もゼロである。しかしながら、根拠が、実際の閲覧者に関連付けられていると、頻度統計値の小さくても永続的な偏りが、その実際の閲覧者について蓄積されると予想される。ある期間にわたって、これは、余剰（ｄ）が、負であるより正であることが多いこと、及び領域立方体における等高線が、成長し始めることを意味する。更に根拠が追加されるにつれて、等高線は、領域において、小さい丘として成長する。この小さい丘は、実際の閲覧者である（実際に、時間軸のために、閲覧者は、結合された丘の稜線として出現し、曲がりくねった山脈にやや似ている）。

しかしながら、これは、統計的な学習モデルであることから、また、補強は、（一貫しない閲覧者振舞いにより）突発性であることから、根拠をあいまいに又は分散して、例えば、時間次元において、実際の閲覧者の振舞いの定義を支援するわずかな確率的根拠で出現する各等高線を取り囲むことは、有用である。このために、根拠（ｄ）をとり、それを用いて、隣接する粒子を並べる。このことは、対象領域粒子から外の一連の同心円で行われる。従って、（年齢、性別及び時間の全方向における）隣接する粒子の第１の集合の場合、乗数が或るしきい値以下になるまで、ｘｌ＝ｄ＊．１０、次に、ｘ２＝ｘｌ＊．０５、次に、ｘ３＝ｘ２＊．０２５、というように追加する。これらの乗数は、単に例であり、実験的に又は理論的に導出された他の値を用い得ることを認識されたい。一例として、ｄ＝１００の場合、近似値は、以下のようになる。

明らかに、各外向きの層における値は、（元の値ではなく）前の層の数分の１に基づく。もちろん、実際の領域では、元の値は、極めて小さいため、各外向きのセルにおける値は、極めて極めて迅速に極めて極めて小さくなる。更に、ある期間にわたって、これらは、有効な等高線サイトの成長をサポートするのに充分な追加の根拠を提供する。

領域を埋める近似アルゴリズムは、更に、ＤＳＴＢに関連付けられたテレビを誰が視聴しているかを発見する迅速で効果的なやり方を提供する。閲覧者に関連付けられた等高線又は丘の稜線は、三次元の領域立方体を迷走する。これらの丘は、領域の構築中に定められたわずかな部分的な根拠（前章におけるｘｌ、ｘ２、ｘ３等）の追加によって、領域全体において、平滑化される（言わば、“太る”）。閲覧者を求めるために、特定の時間における性別／年齢軸上の丘は、合計し平均化される。閲覧者は、最大平均高さの丘である。オプションとして、近似アルゴリズムは、これらの丘の統合に用い得る。例えば、所定の粒子に関連付けられた高さ値を決定する場合、隣接する粒子の数分の１の高さ及び粒子の小さい割合の次の外向きの層（等）を追加し得る。このことは、ある程度、本明細書において説明された山群化アルゴリズムに似ており、それに対する選択肢として用い得る。

上記したように、これらの領域は、時刻の関数として生成される。例えば、データは、一時間毎に、３０分毎に、又は他のベース（例えば、朝、昼、夕方のニュース、ゴールデンアワー、深夜等に対応する不規則な間隔）で異なる時刻からデータを収集する“ビン”に蓄積する。また、根拠をこれらのビンに適用するプロセスは、根拠が、時間及び空間において、隣接するビン又はセルにある程度溢れ出すように曖昧にする。根拠は、複数の日にわたって、これらのビンにおいて統合される。結果的に生じる領域は、別個の時間枠に対応する複数の領域として、又は時間次元の単一の領域として概念化される。この機能は、以下に述べる別の周期性分析に対する選択肢として実現される。

前の例は、個別の閲覧者及びそれらの関連する分類パラメータを特定するように解釈が簡単であった相対的にすっきりしたデータ集合を反映している。実際には、現実世界のデータは、解釈するのがもっと困難なことがある。この点に関して、図１５は、この点でもっと困難なデータ集合を示す。特に、図１５の特徴領域は、視聴者又はそれらの特定の分類パラメータにおける閲覧者の数に関する解釈を容易に生成しない。あらゆる数の要因が、そのような複雑さを生じ得る。例えば、遠隔制御装置は、異なる視聴者構成員間に渡される。クリックストリームは、他の視聴者構成員によって影響される。大幅な持続時間のクリックイベントは、関心よりもむしろ注意散漫を反映する。閲覧者は、彼らの分類パラメータを明確に反映しない或る範囲の番組の関心を有する。

例えば、図１５に示すような複雑なデータを解くために、分類器は、ノイズ除去及び勾配領域のくりこみのプロセスを実現する。そのゴールは、閲覧者及びそれらの分類パラメータの数を正確に識別するように、根拠の実際の中心を見つけることである。ノイズを除去又は減衰するために実現し得る１つの種類のプロセスは、基準値、例えば、その時間における視聴者全体についてとられた全てのイベントの平均値の考慮を伴う。例えば、領域には、基準値を供給でき、あるいは、基準値は、個々のイベントに対応するデータを認める又は拒否する際考慮される。一実施例において、データは、イベント毎に基準値と比較され、データが、認められ、ビンに蓄積され、領域生成に用いられる。このことは、ノイズを表す可能性があるとみなされたデータを拒否する効果がある。実際に、基準値は、根拠が領域に適用される際、根拠から減算され、従って、領域特徴を構築するプロセスが阻害され、このため、領域特徴は、実際のユーザを反映する可能性がある根拠の永続的な又は整合のとれた蓄積の結果としてのみ実質的に起こり、また、疑似ピークが回避される。平均値、加重平均値又は観察場面に関連した（しかしながら、実質的に、ユーザ識別及び定義問題を偏らせる可能性がある情報のない）他の幾つかの値として基準値を選択すると、意義のある領域構築を抑制することなく、適切にノイズに対処するフィルタ効果を変倍する効果がある。更に、データは、存在検出器に関連して資格が与えられる。上記したように、存在は、ＤＳＴＢのオン／オフ状態を参照することによって及び／又は或る期間にわたる入力がないことや頻度が低いことによって示される。ユーザが存在しないとみなされることを存在検出器が示す時に取り込まれたデータは、除外される。

ノイズ除去は、更に、実際の中心値を可能な限り乱すことなく、誤った中心値及び突発性根拠個数を解消する段階を伴う。この点に関して、図１６は、図１５のデータに関して、閲覧者サイトの可能な識別を示す。図１７は、潜在的に有効でもある図１５のデータの他の解釈を示す。分類器は、競合する潜在的に有効な解釈の内のどれが、最も正確な可能性が高いかを決定するように構成されたアルゴリズムを実現する。このアルゴリズムは、一般的に、勾配脱構築を伴う。この脱構築プロセスは、最初に、低レベルの干渉ノイズを除去する（従って、候補丘を明らかにする）ことによって、そして、サイト領域周辺の丘の分布のち密度を測ることによって、勾配中心を見つける反復プロセスである。この点に関して、山群化アルゴリズムは、繰り返しピークを特定し、ピークを除去し、領域を修正するために実装し得るこの効果は、クラスタ中心を特定し、また、クラスタ中心が益々明確になるように、クラスタ中心間の丘を平滑化することである。特徴領域が、この点において処理された後の残りのサイトは、想定される閲覧者のサイトである。

この山群化及びノイズ低減機能は、図１８−２１を参照することによって更に理解される。図１８は、一組の勾配が表面に分散された学習行列又は特徴領域を示す。アルゴリズムの最初の反復において、図１９に示すように、勾配Ｃ１は、最大山として識別される。Ｃ１の重心から表面の各勾配の中心（例えば、Ｃ２、Ｃ３等）までの距離を測定する。各勾配における山脱構築の度合いは、Ｃ１と他の各クラスタとの間の距離の２乗に反比例する。この逆２乗メカニズムは、ほぼ全ての山脱構築をＣ１の近隣に局所化する。従って、図２０は、この最初の反復の結果として、Ｃ１の近辺の特徴の大幅な脱構築を示す。これによって、Ｃ１の出現サイトにおける全体的外周部は、収縮する。この収縮は、更に、小さい勾配の同化を伴い、従って、Ｃ１の高さは、大きくなり、また、隣接する丘の程度は、減少する。同時に、Ｃ３の高さは、ほとんど変化せず、その衛星勾配の集合は、まだ同化が始まっていない。そして、このプロセスは、Ｃ３に関して繰り返される。多数の反復後、最後のサイトが、出現し始め、安定化する。図２１は、より小さい勾配のほとんどが同化された後の領域を示す。結果的に生じる処理された領域又は特徴スペースは、各想定される閲覧者サイトにおけるよく定義された勾配を有する。従って、山群化プロセスは、本質的にほとんどのあいまいさを除去する。

同様なプロセスが、周期性分析に関して実施される。具体的には、周期性学習行列が、閲覧者分類パラメータ行列の構築及び更新並びに特徴領域へのその変換と同様な方法で、生成され、更新される。この場合、周期性領域は、それらの高さ及び幅毎に、閲覧者がその時点でテレビを視聴しているという期待を定義する一組の勾配を生成する。そして、対応付けアルゴリズムは、周期性パターンを特定された閲覧者の内の１人に対応付けるために用いられる。

Ｃ．作業モード動作
分類器は、充分に訓練されると、学習モード動作から作業モード動作に移る。上述したように、これらのモードは、完全に異質ではない。例えば、分類器は、依然として学習モードにありながら、分類パラメータの推定を実施することができ、また、分類器は、作業モード中、学習を継続する。しかしながら、上記したように、学習モードは、根拠を収集し、また、学習行列において閲覧者サイトが識別可能な程度を測る段階的なプロセスである。従って、分類器は、既定値を用いて迅速に動作するが、作業モード動作は、視聴者の内の閲覧者が高い信頼度で識別され分類されるという判断を反映する。

作業モード分類器の基本的な動作を図２２に示す。作業モードにおいて、分類器２６００は、上述したように、生成された特徴領域にアクセスし、また、対象設定パラメータを閲覧者識別によって示すような分類パラメータに対応付けるように動作する相似関数にアクセスする。更に、具体的には、ニールセンデータ２６０２及び番組データ２６０４は、作業モードにおいて、継続して分類器２６００に供給され、本質的にバックグラウンドで動作するその継続される学習プロセスを支援する。そして、分類器２６００は、広告リスト２６０８からＡＤＲを受信する。ＡＤＲは、最初に、高レベルの適性のためにフィルタ処理され、そして、ＡＤＳが依然として対応付け分析に利用可能な場合、各閲覧者及び各閲覧者用の各分類パラメータを選択して比較する。従って、図２２は、閲覧者の分類行列２６０６にアクセスするプロセスを示す。この場合、行列２６０６は、性別及び年齢分類パラメータに制限された二次元の行列である。実際には、任意の数の分類パラメータ使用可能である。

次に、検索されたユーザの分類パラメータ値及び広告の対象設定パラメータは、相似及び近似分析器２６１２に提供され、そこで、比較される。この機能は、各属性に対する相似の度合いを返す。総整合性又は相対的な整合性ランク（ＲＣＲ）は、以下のように与えられる。

上式において、
Ｓ_ｉは、ｉ番目の特徴の相似測定値、
Ｗ_ｉは、ｉ番目の特徴の重み付け係数である。重み付け（優先順位又は格付け）が用いられない場合、既定値ｗ＝１は、加重値が格付けに影響を及ぼさないことを意味する。

このプロセスによって、広告は、視聴者の内の１人又は複数の閲覧者と整合することが分かる。例えば、そのような整合性は、ＲＣＲしきい値について判断し得る。従って、広告が、１人又は複数の閲覧者と整合することが分かると、周期性分析器２６１６が、呼び出され、閲覧者が、対象広告挿入時間に存在する可能性があるかどうか確認される。閲覧者が視聴している可能性がない場合、この時間制約条件の度合いが、ＲＣＲを調整するために用いられる。従って、ＲＣＲは、以下のように再計算される。

上式において、ｌ（）は、周期性分析からの可能性推定関数である。この関数は、ファジイな度合いの推定値（これは、実際、対象時間期間と閲覧者の能動的時間期間の各々との間の相似の度合いである）を区間［０、１］で返す。

ｐ^Ｔは、対象時間期間である。
従って、ＲＣＲは、ユーザの分類パラメータと広告の対象設定パラメータとの間に高い度合いの整合性がある場合、更に、ユーザが、広告配信時間に視聴している高い確率がある場合、高い値を有する。この式は、更に、閲覧者の分類パラメータが、所定の広告に対して極めて良好な対応付けである場合でも、閲覧者が視聴していない場合、低い整合性が提供されるという望ましい品質を有する。

投票エージェント２６１４は、作業モード分類器２６００の動作に密接に関係する。特に、投票の妥当性は、閲覧者の分類パラメータ及び視聴習慣を正確に特定する能力に大きく依存する。従って、投票エージェント２６１４は、本質的に、視聴リスト格付けと同様に機能する。具体的には、ＡＤＲは、投票エージェント２６１４に送られ、投票エージェント２６１４は、広告対象設定パラメータを抽出し、分類器２６００を呼び出し、これが、この広告用のＲＣＲを返す。このようにして、広告は、投票されるだけでなく、対応付けプロセスに基づき、配信される。

Ｄ．対応付け機能
上記した様々な対応付け機能を実行するために用いられる相似関数は、図２３〜２６を参照することによって理解される。従って、上記したように、ＡＤＲが、分類器において受信され格付けされる場合、対象設定パラメータ及び任意の広告制約条件が、ＡＤＲに埋め込まれる。ＡＤＲは、更に、広告の“重要性”を示す。例えば、そのような重要性は、広告価格設定（例えば、ＣＰＭ値）又は他の要因に基づいて得る（例えば、ネットワーク運営者は、内部マーケティング用に高い重要性を、少なくとも、競合ネットワークが利用可能な又は利用可能になりつつあるような指定された地域に対して、指定する）。また、分類器は、上記したように、視聴者の内の様々な閲覧者の分類パラメータにアクセスできる。対応付けプロセスの第１ステップは、相似関数、例えば、ファジイ相似関数を分類パラメータ及び対象設定パラメータの各々に適用することである。そして、相似関数は、対象設定パラメータが、分類パラメータと類似している又はそれと整合性がある度合いを決定する。各分類／対象設定パラメータ用の値の集約された相似の加重平均は、基礎整合性スコアである。

更に、具体的には、図示した分類器は、対象設定パラメータをあいまいにし、この曖昧な領域におけるユーザの対応する分類パラメータの構成員の度合いを求める。従って、図２３に示すように、広告用の対象設定パラメータは、年齢２４〜４２才の対象年齢範囲を指定する。図２３に示すように、この対象設定パラメータは、ファジイ集合として再定義される。固定された集合とは異なり、ファジイ集合は、分類パラメータ（この場合、年齢）の全ドメインにおいて、小さいが実際の構成員値を有する。構成員機能は、対応付けプロセスが、対象範囲付近にあるがその内側にはないランク分類パラメータ値を自動的に特定できないことを意味する。一例として、図２４は、推定年齢２６の想定される閲覧者を示す。この場合、閲覧者は、対象年齢範囲の充分内側に位置する。構成員の度合いは、従って、１．０であり、対象年齢との完全な整合性を示す。実際には、対象年齢範囲内にあるあらゆる年齢が、合致構成員の１．０を返す。しかしながら、対応付けプロセスは、更に、検索された分類パラメータが、対象設定パラメータ範囲に整合しない状況を取り扱うことができる。図２５は、閲覧者が２０才であると推定され、従って、固定の対象範囲境界外にある場合を示す。分類器が、ブール選択規則を有する場合、この閲覧者は、選択されない。しかしながら、ファジイ対象スペースの性質は、閲覧者２にゼロより大きい相似又は整合性値が割り当てられることを意味し、この場合、０．５３である。次に、分類器は、閲覧者２を含むというオプションを有し、この際、閲覧者は、対象範囲と適度に整合性があることが分かっている。

図２６は、若干異なる状況、即ち、要求された年齢間隔外にある推定年齢の閲覧者の状況を示す。構成員関数によって示されるように、特定された対象設定年齢間隔から閲覧者年齢が離れるにつれて、構成員関数は、急速に降下する。この場合、閲覧者３は、わずか０．１８の整合性を有し、それが、通常、２４〜４２年齢要件の広告にとって悪い候補であることを示す。しかしながら、分類器は、任意の閲覧者が存在すると、閲覧者を見つけてランク付けできることを、ファジイ整合性メカニズムは、意味することに留意されたい。

要約すると、対応付けアルゴリズムは、以下のステップを伴う。まず、ＡＤＲが、１人又は複数の特定された閲覧者への対応付けから受信される。相似関数は、各パラメータに関して適用され、結果は、対応付けの度合いを決定するために、上記したように集約される。一旦、分類器が、広告の基本的な対象設定パラメータに合致する１人又は複数の閲覧者を発見すると、分類器は、これらの閲覧者のいずれかが、現在、テレビ受像機を視聴しているかどうか判断する。このために、周期性分析機能が呼び出され、要求される時間に日毎の週・時刻毎の週領域表面を対応付ける。このプロセスは、各閲覧者の視聴時間振舞いと広告の時間枠との間の予想された度合いの整合性を反映する値を返す。この点における対応付けの度合いは、基礎整合性スコアを変倍して、時間整合性スコアを生成するために用いられる。一旦、分類器がこのように一組の整合性がある閲覧者を特定し、これらの閲覧者の誰が、現在、テレビを視聴しているかを決定する（即ち、時間整合性値が、何らかのしきい値より大きい）と、分類器は、何らかの頻度制限制約条件に基づき、また、広告の重要性を考慮して、この広告を受け取る（広告に投票する又は広告を選択して配信する）かどうか判断する。即ち、広告を個々の閲覧者に配信し得る頻度、又は広告を閲覧者に配信し得る総回数に関する広告に関連付けられた追加の制約条件があり得る。頻度分析器は、時間整合性ランクを変倍するために用いられるゼロから１の値及び範囲を返す。これによって、頻度整合性ランクが生成される。広告の重要性の場合、広告が、同様な度合いの“対応付け”を有する場合、又は、第２広告がより良い対応付けを有する場合でも、広告の重要性の相違のために（例えば、第１広告は、より高い重要性を有する場合）、第２広告よりもむしろ第１広告を選択（及び投票）する。

広告も制約条件を有する。例えば、広告は、対象年齢制限、ジャンル制約、ネットワーク制約、番組性質制約、視聴率制約等を有する。配置制約条件分析器は、上述した整合性要件を満たし、そして、何らかの要求された配置制約条件を検索する。配置分析は、１又はゼロのゲートウェイ値を返すが、この場合、１は、効力のある配置制約条件がないことを示し、ゼロは、違反される配置制約条件を示す。これによって、最終的な整合性指標スコアが生成される。

対応付けプロセスは、連続的で又は更に細かく等級分けされた値の範囲に基づく必要はないことを認識されたい。例えば、対応付けプロセスの結果は、２値の“整合”又は“非整合”判断であってよい。この点に関して、関連する判断論理と共に、しきい値又はしきい値の集合を用いて、広告に対する整合又はその欠如を現視聴者について定める。

図１０に示すように、分類器は、従って、停留遷移及びリンクマネージャ、特徴取り込みサブシステム、山群化サブシステム、周期性分析サブシステム、並びに広告対応付け及び格付けサブシステムを含む多数の機能構成要素を組み込んでいると見なされる。停留遷移及びリンクマネージャは、クリックストリームを監視して、ＤＳＴＢが、オンされているかどうか判断し、また、停留変化を追跡するように動作する。特徴取り込みサブシステムは、上記したように、初期の特徴領域を構築するように動作する。山群化サブシステムは、上記したように、特徴領域を処理して、ノイズを除去し、閲覧者サイトをより良く定義するように動作する。周期性分析サブシステムは、視聴パターンを認識し、処理された特徴領域スペースから特定された閲覧者にこれらのパターンを対応付ける。最後に、広告対応付け及び格付けサブシステムは、閲覧者分類パラメータを広告の対象設定パラメータと比較し、更に、配信時間に関連して、広告を閲覧者に対応付け、投票、広告選択、及び報告のためのランキングシステムを生成するように、閲覧者の視聴習慣を分析する。

本発明の上記の説明は、例示及び説明の目的のために提示された。更に、本説明は、本明細書に開示した形態に本発明を設定することを意図したものではない。従って、上記教示内容に相応する変更及び修正、該当する技術の能力や知識は、本発明の範囲内にある。例えば、上記の様々なプロセスに関連して、ファジイ集合及びファジイ規則について記載しているが、本発明の側面は、ファジイデータ集合又は規則なしで実現することができる。更に、本明細書に記載した上記実施形態は、本発明の実践に関して分かっている最良の態様を説明することを意図しており、また、そのような又は他の実施形態において、本発明の特定の用途（１つ又は複数）又は使用方法（１つ又は複数）によって要求される様々な修正を行って、当業者が本発明を利用できるようにすることを意図している。添付の請求項は、従来技術により許される範囲で、他の選択肢の実施形態を含むと解釈されることを意図している。

同じ番組チャネルを視聴している異なるユーザへの資産の配信を示す図。 複数の番組ネットワーク間の視聴者集団を示す図。 視聴者集団の場面における仮想チャネルを示す図。 顧客敷地内設備（ＣＰＥ）において実現される対象設定資産挿入を示す図。 別個の資産チャネル上でヘッドエンドから送信される資産オプションを示す図。 ＣＰＥ、ネットワークプラットホーム、トラフィック・課金（Ｔ＆Ｂ）システム間のメッセージ伝達シーケンスを示す図。 複数のユーザによって用いられるテレビ受像機及びデジタルセットトップボックス（ＤＳＴＢ）が含まれるＣＰＥの例を示す図。 ユーザ分類器を示す図 タイムスロット及び対象設定放映購入を実現するためのプロセスのフローチャートを示す図。 本発明に基づく分類器プロセスの概要を示す図。 本発明に基づくクリックストリームデータを取り扱うためのプロセスの停留遷移グラフを示す図。 本発明に基づく分類器の学習モード動作を示す図。 本発明に基づく分類器の学習モード動作を示す図。 本発明に基づく分類器の学習モード動作を示す図。 本発明に基づく分類器の学習モード動作を示す図。 本発明に基づく分類器の学習モード動作を示す図。 本発明に基づく分類器の学習モード動作を示す図。 本発明に基づく分類器の学習モード動作を示す図。 本発明に基づく分類器の学習モード動作を示す図。 本発明に基づく分類器の学習モード動作を示す図。 本発明に基づく分類器の学習モード動作を示す図。 本発明に基づく分類器の学習モード動作を示す図。 本発明に基づく分類器の作業モード動作を示す図。 本発明に基づく分類器の作業モード動作を示す図。 本発明に基づく分類器の作業モード動作を示す図。 本発明に基づく分類器の作業モード動作を示す図。 本発明に基づく分類器の作業モード動作を示す図。 本発明に基づく分類器の基本的な機能構成要素を示すブロック図。

Claims (43)

1. ブロードキャストネットワークにおいて、資産の対象設定に用いるための方法であって、
   １つ又は複数の対象限定パラメータによって規定された対象視聴者を有する資産を識別する段階と、
   ユーザ設備装置視聴者の内の１人又は複数のユーザ用の分類情報を生成するために機械学習ツールを用いる第１段階と、
   前記識別された資産に前記ユーザ設備装置の現ユーザを対応付けるために機械学習ツールを用いる第２段階と、
   を備える方法。
2. 請求項１に記載の方法であって、前記用いる第２段階には、前記現ユーザの分類パラメータを規定するために、ファジイ論理を用いる段階が含まれる、方法。
3. 請求項１に記載の方法であって、前記用いる第１段階は、ユーザ入力を識別する段階と、前記ユーザ入力を分類パラメータに関連した値に関連付ける段階と、前記値をファジイ集合における点として処理する段階とを伴う、方法。
4. 請求項３に記載の方法であって、前記用いる第１段階には、第１ファジイ集合における根拠を集約するために、多数のユーザ入力を監視する段階が含まれる、方法。
5. 請求項４に記載の方法であって、前記用いる第１段階は、多数の分類パラメータに関連した多数の次元を伴い、前記集約された根拠は、多次元特徴領域の１つ又は複数の特徴を規定するために用いられる、方法。
6. 請求項５に記載の方法であって、前記特徴領域は、時間的に分類パラメータの差異を反映するように生成される、方法。
7. 請求項６に記載の方法であって、前記根拠は、時間に依存して集約される方法。
8. 請求項６に記載の方法であって、第１時刻用の第１根拠は、時刻の差異の関数として、第２時刻用の第２根拠と異なる領域の位置において集約される、方法。
9. 請求項５に記載の方法であって、前記用いる第１段階は、更に、前記多次元特徴領域において、ノイズを低減する段階を備える、方法。
10. 請求項９に記載の方法であって、前記ノイズを低減する段階には、ノイズを低減するための基準値に関連する根拠を処理する段階が含まれる、方法。
11. 請求項１０に記載の方法であって、根拠の個々の項目が、前記基準値と比較され、前記多次元特徴領域の生成に用いるために前記項目に資格を与える、方法。
12. 請求項５に記載の方法であって、前記用いる第１段階には、更に、多次元特徴領域間の一組の勾配を低減する段階が含まれる、方法。
13. 請求項５に記載の方法であって、前記用いる第１段階には、前記多次元特徴領域の特徴を集団化するために、ファジイ論理を用いる段階が含まれる、方法。
14. 請求項５に記載の方法であって、更に、前記ユーザの１つ又は複数の分類パラメータを決定するために、前記１つ又は複数の特徴を用いる段階を備える、方法。
15. 請求項３に記載の方法であって、前記ユーザ入力は、遠隔制御入力である、方法。
16. 請求項１に記載の方法であって、前記用いる第２段階には、ネットワーク番組イベントの視聴者の特徴表示を生成するために、ファジイ論理を用いる段階が含まれる、方法。
17. 請求項１６に記載の方法であって、前記視聴者の個人視聴率プロフィールが、一連のファジイ数に関連付けられる、方法。
18. 請求項１６に記載の方法であって、前記特徴表示は、ユーザの分類パラメータを決定するように対応付けられる、方法。
19. 請求項１８に記載の方法であって、合同相似関数が、前記特徴表示を前記分類パラメータに対応付けるために用いられる、方法。
20. 請求項１に記載の方法であって、前記用いる第２段階には、前記ユーザのユーザ分類パラメータと前記資産の前記対象限定パラメータとの間の相関レベルを決定するために、ファジイ論理を用いる段階が含まれる、方法。
21. 請求項１に記載の方法であって、更に、前記ユーザ設備装置がオンであるかどうか決定する段階を備える、方法。
22. 請求項１に記載の方法であって、更に、前記ユーザ設備装置に誰かユーザがいるかどうか決定する段階を供える、方法。
23. 請求項１に記載の方法であって、更に、前記対応付け段階に基づき、前記ネットワークに信号送信する段階を備える、方法。
24. 請求項２３に記載の方法であって、前記信号送信段階には、前記ユーザに対する前記資産の適性に関して、ネットワークに表示を提供する段階が含まれる、方法。
25. 請求項２３に記載の方法であって、前記信号送信する段階には、前記ユーザ設備装置に配信された資産に関して、ネットワークに情報を提供する段階が含まれる、方法。
26. ブロードキャストネットワークにおいて、資産の対象設定に用いるための方法であって、
    ユーザ設備装置においてユーザ入力を受信する段階と、
    ファジイ論理を用いて、視聴者分類パラメータをユーザに関連付けるために入力を解析する段階であって、前記ファジイ論理には、ファジイ集合及びファジイ規則の内の１つを伴う解析する段階と、
    を備える方法。
27. 請求項２６に記載の方法であって、前記解析する段階には、ユーザ入力を識別する段階と、入力を現ユーザの分類パラメータに関連付ける段階と、前記値をファジイ集合における点として処理する段階と、が含まれる方法。
28. 請求項２６に記載の方法であって、前記解析する段階には、資産用の対象設定パラメータ情報を得る段階と、前記対象設定パラメータ情報を用いて、１つ又は複数のファジイ値を定義する段階と、が含まれる方法。
29. ブロードキャストネットワークにおいて資産の対象設定に用いるための装置であって、
    ユーザ設備装置においてユーザ入力を受信するためのインターフェイスと、
    機械学習ツールを用いて、入力を解析して、視聴者分類パラメータをユーザに関連付けるためのプロセッサであって、機械学習ツールは、ユーザ設備装置視聴者の内の複数のユーザ用の分類情報を生成し、前記ユーザ設備装置の現ユーザを識別するように、動作する前記プロセッサと
    を備える装置。
30. 請求項２９に記載の装置であって、前記機械学習ツールは、ユーザ入力情報を受信し、分類情報をユーザ入力に関連付けて根拠を生成し、多数の入力について根拠を集約し、入力を処理して前記複数のユーザを区別する、装置。
31. 請求項３０に記載の装置であって、前記根拠は、時間に依存して集約される、装置。
32. 請求項２９に記載の装置であって、前記機械ツールは、前記複数のユーザの内の１人のために生成された分類情報に現入力を対応付けることによって前記現ユーザを識別する、装置。
33. 請求項２９に記載の装置であって、前記ユーザ設備装置は、更に、前記現ユーザの識別に基づき、前記ネットワークの別個のプラットホームに信号送信するように動作する、装置。
34. ブロードキャストネットワークにおいて、資産の対象設定に用いるための方法であって、
    ネットワークユーザのモデルを、前記ユーザのプロフィールの永続的な記憶と関係なく、ユーザ入力に基づき生成する段階と、
    ユーザへの資産対象設定において、ネットワークユーザのモデルを用いる段階と
    を備える方法。
35. 請求項３４に記載の方法であって、前記生成する段階には、機械学習ツールを動作させて、ある期間にわたって複数のユーザから入力を受信し、前記入力をユーザ分類情報に関連付けて根拠を生成し、前記根拠を処理して前記ネットワークユーザの前記モードを提供する段階を含む、方法。
36. 請求項３４に記載の方法であって、前記用いる段階には、現ユーザに関する根拠を前記モデルに対応付ける段階が含まれる、方法。
37. 請求項３６に記載の方法であって、更に、前記対応付けに基づき、資産を選択して配信する段階を備える、方法。
38. ブロードキャストネットワークにおいて、資産の対象設定に用いるための方法であって、
    ユーザ設備装置において、少なくとも部分的に前記ユーザ設備装置へのユーザ入力に基づき、前記ユーザ設備装置のユーザに関するユーザ情報を決定する段階と、
    ユーザ情報に基づき、前記ブロードキャストネットワークに信号送信する段階と
    を備える方法。
39. 請求項３８に記載の方法であって、前記信号送信する段階には、前記ユーザに対する資産の適性に関して、ネットワークに表示を提供する段階が含まれる、方法。
40. 請求項３８に記載の方法であって、前記信号送信する段階には、前記ユーザ設備装置に配信された資産に関して、ネットワークに情報を提供する段階が含まれる、方法。
41. ブロードキャストネットワークにおいて資産の対象設定に用いるための装置であって、
    少なくとも部分的に前記ユーザ設備装置へのユーザ入力に基づき、前記ユーザ設備装置のユーザに関する情報を決定するように動作するユーザ設備装置に連結されたプロセッサと、
    プロセッサに連動して連結され、ユーザ情報に基づき、前記ブロードキャストネットワークへの信号送信に用いるためのインターフェイスと
    を備える装置。
42. 請求項４１に記載の装置であって、前記インターフェイスは、前記ユーザに対する資産の適性に関して、ネットワークに表示を提供するために用いられる、装置。
43. 請求項４１に記載の装置であって、前記インターフェイスは、前記ユーザ設備装置に配信された資産に関して、ネットワークに情報を提供するために用いられる、装置。

Images