JP2010061332A - ブランド分析方法及び装置 - Google Patents

Abstract

【課題】ブランドを適切に比較できるようにする。
【解決手段】本ブランド分析方法は、ユーザ指定のブランド名について、複数の記事において特定の評判又は消費行動状態に該当するとみなされる記事の記事数を、記事分析装置に要求して、当該記事分析装置から取得する工程と、業界毎に、当該業界に属する各ブランドのうち特定の評判又は消費行動状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を最大記事数として含む業界モデルデータを格納する業界モデル格納部から、ユーザ指定の業界名等に対応する業界モデルデータを取得する工程と、取得されたブログ記事の記事数の対数の値を、取得された業界モデルデータに含まれる最大記事数の対数の値で除することにより、ユーザ指定のブランド名に対する特定の評判又は消費行動状態についてのスコアを計算する工程とを含む。
【選択図】図１

Description

本発明は、例えばインターネット等のネットワーク上に存在する記事に基づきブランドを分析するための技術に関する。

例えば特開２００８−１４６２９３号公報には、ネットワーク上の閲覧対象情報を定量的に評価し、影響力の大きい有効なウェブ情報を利用するための技術が開示されている。具体的には、ネットワークに接続されたコンピュータに格納され、記事識別情報によって識別される１以上の記事情報と、記事情報に対してネットワークに接続される他のコンピュータから書き込まれるコメント情報と、ネットワーク上の他のコンピュータへのリンク情報と、ネットワーク上の他のコンピュータとの相互リンク情報とを含む閲覧対象情報を評価するシステムは、閲覧対象情報から記事識別情報と記事情報とを抽出する手段と、閲覧対象情報の数量特性を評価する数量特性評価手段とを備える。ここで、数量特性は、閲覧対象情報中の１件の記事情報あたりの、平均コメント数、平均被リンク数、平均相互リンク数、および閲覧対象情報の更新頻度の少なくとも１つを含むものである。しかしながら、業界内又は業界間におけるブランド力の比較をするには適切な数値特性を得られていない。

また、特開２００８−７１００２号公報には、ブログ等から評判を正確に分析するための技術が開示されている。具体的には、文から、区切りであることを示す後接続記号に対する第一文字列を取り出し、当該第一文字列をキーにして、文を２以上の文字列である２以上の第二文字列に区切り、当該第二文字列の最後尾の第一文字列に対応する機能語情報または後接続記号から、第二文字列の種類を特定し、第二文字列の種類から評価の対象を含む第二文字列を特定し、当該第二文字列から評価対象を取得し、評価対象を含む第二文字列を有する文中の他の第二文字列の種類を用いて評価語を含み得る第二文字列を特定し、当該第二文字列が有する評価語を検索し、当該検索した評価語と対になるスコアを取得し、取得した同一の評価対象についての１以上のスコアを用いて、評価を算出し、出力する評価出力装置が開示されている。この公報でも、業界内又は業界間におけるブランド力の比較をするのに適切なスコアは得られていない。
特開２００８−１４６２９３号公報 特開２００８−７１００２号公報

例えばインターネットにおけるブログ記事では様々な商品やサービスについて論じられているので、膨大なブログ記事を適切に分析できれば、商品やサービスが消費者、すなわち市場からどのように評価されているのかが分かる。しかしながら、例えば特定の商品に対して好意的なブログ記事の記事数だけでは、多い少ないは分かるにしても、業界内又は業界間における比較を適切に行うことができるとは言えない。すなわち、全体の傾向を踏まえた指標が存在しないため、商品やサービス間において評価にどのような相対的な差があるのかといった判断をしにくいという問題がある。また、ブログ記事には、話題となっているブランド（商品やサービスを識別するものであるので商品やサービスそのものとほぼ同義）に記事が集中する傾向があり、そのために工夫無しでは正しく指標化できない。

従って、本発明の目的は、業界内又は業界間におけるブランドの比較を適切に行うことができるようにするための技術を提供することである。

本発明の第１の態様に係るブランド分析方法は、（Ａ）ユーザ指定のブランド名について、所定期間内の複数の記事において特定の評判又は消費行動状態に該当するとみなされる記事の記事数を、記事分析装置に要求して、当該記事分析装置から取得する記事数取得ステップと、（Ｂ）業界毎に、当該業界に属する各ブランドのうち特定の評判又は消費行動状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を最大記事数として含む業界モデルデータを格納する業界モデル格納部から、ユーザ指定のブランド名に係る業界名又はユーザ指定の業界名に対応する業界モデルデータを取得する業界モデル取得ステップと、（Ｃ）取得されたブログ記事の記事数の対数の値を、取得された業界モデルデータに含まれる最大記事数の対数の値で除することにより、ユーザ指定のブランド名に対する特定の評判又は消費行動状態についてのスコアを計算する第１スコア計算ステップとを含む。

このように最大記事数を基準に用いてほとんど話題にならないブランドからの影響を排除すると共に、対数値を用いて分布を均質化することによって、業界内又は業界間におけるブランドの比較が適切に行われるようになる。なお、評判又は消費行動状態の各々についてスコアを得ることができるため、ブランドの、消費者への浸透度合いをも判断することができる。

また、上で述べた業界モデルデータが、（ａ）評判及び消費行動状態の各々について当該評判又は消費行動状態に該当するとみなされる記事の記事数をブランド名毎に行列要素として含む記事数行列の重み付き相関行列から得られ且つ評判及び消費行動状態の各々について要素を含む第一固有ベクトルｖと、（ｂ）第一主成分得点に対する平行移動パラメータｍと、（ｃ）第一主成分得点に対するリスケーリングパラメータβ^*と、（ｄ）評判及び消費行動状態の各々について当該評判又は消費行動状態についての重み付き標本平均μ^*及び重み付き標本標準偏差σ^*と、（ｅ）総合スコアについての基準化前スコアの最大値ｙ_maxとをさらに含むようにしても良い。その場合、上で述べた記事数取得ステップにおいて、評判及び消費行動状態の各々について記事の記事数ｘを取得するようにしてもよい。さらに、（ｄ１）評判及び消費行動状態の各々について、記事の記事数ｘと重み付き標本平均μ^*との差を重み付き標本標準偏差σ^*で除した値に第一固有ベクトルｖの該当要素の値を掛けて、全ての評判及び消費行動状態について合計することによって、第一主成分得点を算出するステップと、（ｄ２）第一主成分得点と平行移動パラメータｍとの差にリスケーリングパラメータβ^*を掛けて、総合スコアについての基準化前スコアを算出するステップと、（ｄ３）総合スコアについての基準化前スコアの対数の値を、総合スコアについての基準化前スコアの最大値ｙ_maxの対数の値で除することにより、ユーザ指定のブランド名についての総合スコアを算出するステップとを含む第２スコア算出ステップをさらに含むようにしても良い。

第一固有ベクトルを用いて評判及び消費行動状態の各々についての記事の記事数を該当業界の状況に応じて重み付け且つ重み付き標本平均μ^*及び重み付き標本標準偏差σ^*による分布調整を行うことにより第一主成分得点を取得し、当該第一主成分得点をリスケーリングパラメータβ^*及び平行移動パラメータｍで擬似的に元の分布に戻して、基準化前スコアを得ている。基準化前スコアについての処理は、上で述べた評判又は消費行動状態についてのスコアと同様に、業界内又は業界間におけるブランドの比較のための演算である。以上のような処理を行うことによって、評判又は消費行動状態の各々の傾向を加味した総合的なブランド比較を行うことができるようになる。

なお、上で述べた記評判及び消費行動状態が、ブランドに対する好感を表す評判状態と、ブランドに対する関心に相当する消費行動状態と、ブランドに対する経験に相当する消費行動状態と、ブランドに対する感動及び共有に相当する消費行動状態とを含むようにしてもよい。そして、上で述べた業界モデルデータが、（ａ）特定の業界に属する各ブランドのうち上記好感を表す評判状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を、上記好感を表す評判状態についての最大記事数として、（ｂ）特定の業界に属する各ブランドのうち上記関心に相当する消費行動状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を、上記関心に相当する消費行動状態についての最大記事数として、（ｃ）特定の業界に属する各ブランドのうち上記経験に相当する消費行動状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を、上記経験に相当する消費行動状態についての最大記事数として、（ｄ）特定の業界に属する各ブランドのうち上記感動及び共有に相当する消費行動状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を、上記感動及び共有に相当する消費行動状態についての最大記事数として含むようにしてもよい。

その場合には、上で述べた記事数取得ステップにおいて、上記好感を表す評判状態に該当するとみなされる記事の記事数と、上記関心に相当する消費行動状態に該当するとみなされる記事の記事数と、上記経験に相当する消費行動状態に該当するとみなされる記事の記事数と、上記感動及び共有に相当する消費行動状態に該当するとみなされる記事の記事数とを、記事分析装置から取得するようにしてもよい。そして、上で述べた第１スコア算出ステップが、上記好感を表す評判状態についてのスコアを、上記好感を表す評判状態に該当するとみなされる記事の記事数の対数の値を上記好感を表す評判状態についての最大記事数の対数の値で除することにより算出するステップと、上記関心に相当する消費行動状態についてのスコアを、上記関心に相当する消費行動状態に該当するとみなされる記事の記事数の対数の値を前記関心に相当する消費行動状態についての最大記事数の対数の値で除することにより算出するステップと、上記経験に相当する消費行動状態についてのスコアを、前記経験に相当する消費行動状態に該当するとみなされる記事の記事数の対数の値を上記経験に相当する消費行動状態についての最大記事数の対数の値で除することにより算出するステップと、上記感動及び共有に相当する消費行動状態についてのスコアを、上記感動及び共有に相当する消費行動状態に該当するとみなされる記事の記事数の対数の値を前記感動及び共有に相当する消費行動状態についての最大記事数の対数の値で除することにより算出するステップとを含むようにしてもよい。

このように、記事がブランドに対して好意的か否かだけではなく、消費行動モデルにおいて消費者の商品などへの関わり合いの程度によって段階的に遷移してゆく「好感」「関心」「経験」「感動及び共有」といった状態について取り扱うことができるようになる。

また、上で述べた業界モデルデータが、ユーザ指定のブランド名に係る業界又はユーザ指定の業界における、特定の評判又は消費行動状態についてのスコアの業界平均値を含むようにしてもよい。そして、本発明の第１の態様において、ユーザ指定のブランド名に対する特定の評判又は消費行動状態についてのスコアとスコアの業界平均値とを対比可能な態様で出力するステップをさらに含むようにしてもよい。

さらに、上で述べた業界モデルデータが、ユーザ指定のブランド名に係る業界又はユーザ指定の業界における、総合スコアの業界平均値を含むようにしてもよい。そして、本発明の第１の態様において、ユーザ指定のブランド名についての総合スコアと総合スコアの業界平均値とを対比可能な態様で出力するステップをさらに含むようにしてもよい。

また、上で述べた業界モデルデータが、ユーザ指定のブランド名に係る業界又はユーザ指定の業界に属する他のブランド名に対する、特定の評判又は消費行動状態についてのスコアを含むようにしてもよい。そして、本発明の第１の態様において、ユーザ指定のブランド名に対する特定の評判又は消費行動状態についてのスコアと他のブランド名に対する、特定の評判又は消費行動状態についてのスコアとを対比可能な態様で出力するステップをさらに含むようにしてもよい。

さらに、上で述べた業界モデルデータが、ユーザ指定のブランド名に係る業界又はユーザ指定の業界に属する他のブランド名に対する総合スコアを含むようにしてもよい。そして、本発明の第１の態様において、ユーザ指定のブランド名についての総合スコアと他のブランド名に対する総合スコアとを対比可能な態様で出力するステップをさらに含むようにしてもよい。

このような各種比較が可能になるような態様で出力することによって、ユーザ指定のブランド名のスコアについて判断できるようになる。

本発明の第２の態様に係るブランド分析方法は、（ａ）ユーザ指定のブランド名について、所定期間内の複数の記事において評判及び消費行動状態の各々に該当するとみなされる記事の記事数ｘを、記事分析装置に要求して、当該記事分析装置から取得する記事数取得ステップと、（ｂ）業界毎に、評判及び消費行動状態の各々について当該評判又は消費行動状態に該当するとみなされる記事の記事数をブランド名毎に行列要素として含む記事数行列の重み付き相関行列から得られ且つ評判及び消費行動状態の各々について要素を含む第一固有ベクトルｖと、第一主成分得点に対する平行移動パラメータｍと、第一主成分得点に対するリスケーリングパラメータβ^*と、評判及び消費行動状態の各々について当該評判又は消費行動状態についての重み付き標本平均μ^*及び重み付き標本標準偏差σ^*と、総合スコアについての基準化前スコアの最大値ｙ_maxとを含む業界モデルデータを格納する業界モデル格納部から、ユーザ指定のブランド名に係る業界名又はユーザ指定の業界名に対応する業界モデルデータを取得する業界モデル取得ステップと、（ｃ）評判及び消費行動状態の各々について、記事の記事数ｘと重み付き標本平均μ^*との差を重み付き標本標準偏差σ^*で除した値に第一固有ベクトルｖの該当要素の値を掛けて、全ての評判及び消費行動状態について合計することによって、第一主成分得点を算出するステップと、（ｄ）第一主成分得点と平行移動パラメータｍとの差にリスケーリングパラメータβ^*を掛けて、総合スコアについての基準化前スコアを算出するステップと、（ｅ）総合スコアについての基準化前スコアの対数の値を、総合スコアについての基準化前スコアの最大値ｙ_maxの対数の値で除することにより、ユーザ指定のブランド名についての総合スコアを算出するステップとを含む。

本発明の第３の態様に係るコンピュータ・システムは、ユーザ端末と、ブランド分析サーバとを有する。そして、上記ブランド分析サーバは、ユーザ端末から受信した、ユーザ指定のブランド名について、所定期間内の複数の記事において特定の評判又は消費行動状態に該当するとみなされる記事の記事数を、記事分析装置に要求して、当該記事分析装置から取得する記事数取得手段と、業界毎に、当該業界に属する各ブランドのうち特定の評判又は消費行動状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を最大記事数として含む業界モデルデータを格納する業界モデル格納部から、ユーザ指定のブランド名に係る業界名又はユーザ指定の業界名に対応する業界モデルデータを取得する業界モデル取得手段と、取得されたブログ記事の記事数と、取得された業界モデルデータと、ブログ記事の記事数の対数の値を業界モデルデータに含まれる最大記事数の対数の値で除することによりユーザ指定のブランド名に対する特定の評判又は消費行動状態についてのスコアを計算する出力プログラムとを、ユーザ端末に送信する手段とを有する。ユーザ端末は、出力プログラムを受信した後に実行して、スコアを出力するものである。このように出力プログラムを用いてユーザ端末でスコアを算出するようにしても良い。

さらに、本発明の第４の態様に係るコンピュータ・システムは、ユーザ端末と、ブランド分析サーバとを有する。そして、上で述べたブランド分析サーバは、ユーザ端末から受信した、ユーザ指定のブランド名について、所定期間内の複数の記事において評判及び消費行動状態の各々に該当するとみなされる記事の記事数ｘを、記事分析装置に要求して、当該記事分析装置から取得する記事数取得手段と、業界毎に、評判及び消費行動状態の各々について当該評判又は消費行動状態に該当するとみなされる記事の記事数をブランド名毎に行列要素として含む記事数行列の重み付き相関行列から得られ且つ評判及び消費行動状態の各々について要素を含む第一固有ベクトルｖと、第一主成分得点に対する平行移動パラメータｍと、第一主成分得点に対するリスケーリングパラメータβ^*と、評判及び消費行動状態の各々について当該評判又は消費行動状態についての重み付き標本平均μ^*及び重み付き標本標準偏差σ^*と、総合スコアについての基準化前スコアの最大値ｙ_maxとを含む業界モデルデータを格納する業界モデル格納部から、ユーザ指定のブランド名に係る業界名又はユーザ指定の業界名に対応する業界モデルデータを取得する業界モデル取得手段と、（ａ）評判及び消費構造の各々に該当するとみなされる記事の記事数ｘと、（ｂ）業界モデルデータと、（ｃ）評判及び消費行動状態の各々について、記事の記事数ｘと重み付き標本平均μ^*との差を重み付き標本標準偏差σ^*で除した値に第一固有ベクトルｖの該当要素の値を掛けて、全ての評判及び消費行動状態について合計することによって、第一主成分得点を算出する処理と、第一主成分得点と平行移動パラメータｍとの差にリスケーリングパラメータβ^*を掛けて、総合スコアについての基準化前スコアを算出する処理と、総合スコアについての基準化前スコアの対数の値を、総合スコアについての基準化前スコアの最大値ｙ_maxの対数の値で除することにより、ユーザ指定のブランド名についての総合スコアを算出する処理とをユーザ端末に実行させる出力プログラムを、ユーザ端末に送信する手段とを有する。そして、ユーザ端末は、出力プログラムを受信した後に実行して、スコアを出力するものである。

本発明に係る方法は、コンピュータ・ハードウエアとプログラムとの組み合わせにより実施される場合があり、本発明に係るプログラムは、例えばフレキシブルディスク、ＣＤ−ＲＯＭ、光磁気ディスク、半導体メモリ、ハードディスク等のコンピュータ読み取り可能な記憶媒体又は記憶装置に格納される。また、ネットワークなどを介してデジタル信号として配信される場合もある。尚、中間的な処理結果はメインメモリ等の記憶装置に一時保管される。

本発明によれば、業界内又は業界間におけるブランドの比較を適切に行うことができるようになる。

図１を用いて本発明の一実施の形態に係るシステム概要を説明する。例えばインターネットなどのネットワーク１には、ブログ記事を配信する多数のブログ配信サーバ１５と、ブログ配信サーバ１５からブログ記事の収集及び収集されたブログ記事の分析処理を行うブログ分析サーバ７と、例えばパーソナルコンピュータ（ＰＣ）であってＷｅｂ（ウェブ）ブラウザ３０を実行する１又は複数のユーザ端末３と、ユーザ端末３からのブログ分析依頼に応じて以下で述べるような処理を実施する分析依頼受付サーバ５とが接続されている。ブログ分析サーバ７及び分析依頼受付サーバ５のバックグランド側のネットワーク１３には、ブログ分析サーバ７及び分析依頼受付サーバ５と、分析依頼受付サーバ５又はユーザ端末３で生成する指標値計算のために用いられる業界モデルデータを生成する処理を実施する業界モデル生成サーバ９と、分析依頼受付サーバ５とブログ分析サーバ７と業界モデル生成サーバ９とで用いられる業界リストの更新のための処理を実施する業界リスト更新サーバ１１とが接続されている。

ブログ分析サーバ７は、ブログ配信サーバ１５からブログ記事データを収集するブログ記事データ収集部７１と、ブログ記事データ収集部７１によって収集されたブログ記事などを蓄積するブログ記事ＤＢ７７と、業界毎に該当するブランドのリストを格納する業界リスト格納部７５と、業界リスト格納部７５を用いてブログ記事ＤＢ７７に格納されているデータに対して以下の説明する分析処理を実施するブログ分析処理部７３とを有する。

分析依頼受付サーバ５は、ユーザ端末３に対するインタフェースとなるインタフェース部５５と、ブログ分析サーバ７から評判・消費行動状態データを取得する処理を実施する評判・消費行動状態データ取得部５７と、業界モデル生成サーバ９から業界モデルデータを取得する処理を実施する業界モデル取得部５９と、インタフェース部５５によってブランド名に対応する業界名を特定するために用いられる業界リスト格納部５１とを有する。なお、分析依頼受付サーバ５は、自ら以下で述べる指標値を計算する場合には指標計算部５３を有し、例えばアプレットなどによってユーザ端末３側で指標値を計算する場合にはユーザ端末３に送出されるプログラムのデータを格納する送出プログラム格納部６１を有する。

業界モデル生成サーバ９は、業界リスト格納部９５と、当該業界リスト格納部９５を用いて業界データを生成する処理を実施する業界データ生成部９１と、業界データ生成部９１に生成された業界データを格納する業界データ格納部９７と、業界データ格納部９７に格納されたデータを用いて業界モデルデータを生成する処理を実施する業界モデル生成部９３と、業界モデル生成部９３によって生成された業界モデルデータを格納する業界モデルデータ格納部９９とを有する。

業界リスト更新サーバ１１は、ブランド名及び業界名のペアが指定された場合に分析依頼受付サーバ５のインタフェース部５５によって当該ブランド名及び業界名のペアが格納されるブランド名業界指定履歴格納部１１３と、ブランド名業界指定履歴格納部１１３に格納されているデータを用いて処理を行う業界リスト更新処理部１１１と、業界リスト更新処理部１１１の処理途中のデータを格納する業界推定データ格納部１１５とを有する。

ユーザ端末３のＷｅｂブラウザ３０は、例えば分析依頼受付サーバ５などからアプレットなどの分析結果出力用のプログラムを受信すると、Ｗｅｂブラウザ３０上で実行して、分析結果出力処理部３００を構成する。分析結果処理部３００は、指標計算部３０１と、可視化処理部３０３とを有する。

業界リスト格納部５１、７５及び９５には同じデータが登録されており、例えば図２に示すようなデータを保持している。すなわち、業界ＩＤと、業界ＩＤに対応する業界名と、当該業界に属するブランドリストとが対応して登録されている。図２の例では、ブランドリストには、当該業界に属する複数のブランドが含まれる。業界については、本実施の形態では管理者が任意に設定する。また、ブランドリストについてはある程度管理者が設定するが、以下で述べるような業界リスト更新サーバ１１の処理によって更新される。

次に、ユーザ指定のブランド名のスコア（指標値とも呼ぶ）を算出する処理の前に必要な処理について説明しておく。

まず、ブログ分析サーバ７のブログ記事データ収集部７１の処理について説明する。ブログ記事データ収集部７１は、定期的に又は任意のタイミングで、所定のブログ配信サーバ１５から新規に登録され配信されているブログ記事データをダウンロードしてブログ記事ＤＢ７７に登録しておく。

ブログ記事ＤＢ７７には、例えば図３に示すようなデータが登録されている。図３の例では、取得元ＵＲＬ（Uniform Resource Locator）と、取得又は登録日付と、本文（テキスト）とが登録される。

次に、前処理として業界モデル生成サーバ９の処理について図４乃至図１７Ｂを用いて説明する。

まず、業界モデル生成サーバ９の業界データ生成部９１は、業界データ生成処理を実施する（図４：ステップＳ１）。この業界データ生成処理の詳細については、図５乃至図８を用いて説明する。

まず、業界データ生成部９１は、ブログ分析結果データ要求をブログ分析サーバ７に送信して、ブログ分析サーバ７からブログ分析結果データを受信し、例えばメインメモリなどの記憶装置に格納する（図５：ステップＳ１１）。

ブログ分析サーバ７は、業界モデル生成サーバ９からブログ分析結果データ要求を受信すると、例えば図６に示すような処理を実施して、その処理結果としてブログ分析結果データを返信する。

ブログ分析サーバ７のブログ分析処理部７３は、業界リスト格納部７５に格納されている業界リストにおける未処理の業界を１つ特定する（図６：ステップＳ３１）。さらに、ブログ分析処理部７３は、業界リストにおいて、特定された業界に属する未処理のブランドを１つ特定する（ステップＳ３５）。そして、ブログ分析処理部７３は、ブログ記事ＤＢ７７から、特定された業界及びブランドについてのブログ記事を抽出すると共に、抽出されたブログ記事について評判・消費行動を特定し、例えばメインメモリなどの記憶装置に格納する（ステップＳ３７）。ブログ記事を抽出処理は基本的にキーワード検索であり、抽出されたブログ記事から評判・消費行動を特定する処理については、基本的には特開２００７−２１９８８０号公報記載の技術を用いる。

但し、本実施の形態においては、評判・消費行動については、ブランドに対して好意的（Ｐ：Positive）という評判状態に加え、消費者の購買プロセスに基づいてブランドに対して「注目（Ａ：Attention）」している消費行動段階と「関心（Ｉ：Interest）」があるという消費行動段階と「欲求（Ｄ：Desire）」があるという消費行動段階と「経験（Ｅ１：Experience）」があるという消費行動段階と「感動（Ｅ２：Enthusiasm）」したという消費行動段階と「共有（Ｓ：Share）」するという消費行動段階とが含まれる。消費行動については、Ａ、Ｉ、Ｄ、Ｅ１、Ｅ２、Ｓという順番に段階的に遷移する。

なお、評判状態と消費行動段階とは独立に発生するので、好意的という評判状態に該当する場合に、併せてＡ乃至Ｓのいずれかの消費行動段階に該当する場合もある。さらに、ＳであればＥ２以前の段階（Ａ、Ｉ、Ｄ、Ｅ１、Ｅ２）にも併せて該当し、Ｅ２であればＥ１以前の段階（Ａ、Ｉ、Ｄ、Ｅ１）にも併せて該当し、Ｅ１であればＤ以前の段階（Ａ、Ｉ、Ｄ）にも併せて該当し、ＤであればＩ以前の段階（Ａ、Ｉ）にも併せて該当し、ＩであればＡにも併せて該当する。すなわち、該当する記事の記事数をカウントする場合には、Ｓに該当するブログ記事であれば、Ａ、Ｉ、Ｄ、Ｅ１、Ｅ２及びＳのカウント値が併せて１インクリメントされ、Ｅ２に該当するブログ記事であれば、Ａ、Ｉ、Ｄ、Ｅ１及びＥ２のカウント値が併せて１インクリメントされ、Ｅ１に該当するブログ記事であれば、Ａ、Ｉ、Ｄ及びＥ１のカウント値が併せて１インクリメントされ、Ｄに該当するブログ記事であれば、Ａ、Ｉ及びＤのカウント値が併せて１インクリメントされ、Ｉに該当するブログ記事であれば、Ａ及びＩのカウント値が併せて１インクリメントされる。従って、該当ブログ記事の記事数は、Ａ、Ｉ、Ｄ、Ｅ１、Ｅ２、Ｓの順番で必ず少なくなる。

このような特性があるので、他の段階とは独立して特定の段階（以下、他の段階とは独立して特定の段階にのみ着目する場合には状態と呼ぶ）に該当するブログ記事の記事数を使用する場合には、段階のカウント数の差を求めなければならない。すなわち、Ａに独立して該当するブログ記事の記事数は、Ａのカウント値−Ｉのカウント値で算出され、Ｉに独立して該当するブログ記事の記事数は、Ｉのカウント値−Ｄのカウント値で算出され、Ｄに独立して該当するブログ記事の記事数は、Ｄのカウント値−Ｅ１のカウント値で算出され、Ｅ１に独立して該当するブログ記事の記事数は、Ｅ１のカウント値−Ｅ２のカウント値で算出され、Ｅ２に独立して該当するブログ記事の記事数は、Ｅ２のカウント値−Ｓのカウント値で算出される。

ステップＳ３７を実施すれば、図７のようなデータが生成され、記憶装置に格納される。図７の例では、ブログ記事のＵＲＬと、ブログ記事の取得又は登録日付と、業界と、分析対象（ブランド名）と、評判・消費行動フラグ（Ｐ、Ａ、Ｉ、Ｄ、Ｅ１、Ｅ２、Ｓ）と、評判・消費行動フラグを設定した根拠となる評判・消費行動表現とが含まれる。評判・消費行動表現については、含まないようにしても良い。

そして、ブログ分析処理部７３は、特定された業界に属する全てのブランドについて処理したか判断する（ステップＳ３９）。未処理のブランドが存在する場合にはステップＳ３５に戻る。一方、全てのブランドについて処理した場合には、業界リストにおいて全ての業界について処理したか判断する（ステップＳ４１）。未処理の業界が存在する場合にはステップＳ３１に戻る。一方、全ての業界について処理した場合には処理を終了する。

そしてブログ分析サーバ７は、記憶装置に格納されているブログ分析結果データを、要求元の業界モデル生成サーバ９に送信する。

図５の処理の説明に戻って、業界モデル生成サーバ９の業界データ生成部９１は、業界リスト格納部９５に格納されている業界リストにおける未処理の業界を１つ特定する（ステップＳ１３）。さらに、特定された業界のブランドリストにおいて未処理のブランドを１つ特定する（ステップＳ１５）。

そして、業界データ生成部９１は、記憶装置に格納されているブログ分析結果データから、特定された業界及びブランドのレコードを抽出し、評判・消費行動毎に集計処理を実施し、当該集計結果をメインメモリなどの記憶装置に格納する（ステップＳ１７）。例えば、飲料という業界とＺというブランドとの組み合わせに係るレコード（記事）を抽出し、当該レコードに含まれる評判・消費行動フラグ毎に、記事数をカウントする。この際、上で述べたように、評判・消費行動フラグより上位の段階のカウント値も併せて１インクリメントするようなカウント方式を採用するものとする。また、記事総数も必要となるので、特定された業界及びブランドについて抽出されたレコード数もカウントする。

さらに、業界データ生成部９１は、「好意的（Ｐ）」「関心（ＩＤ）」「経験（Ｅ１）」及び「感動及び共有（Ｅ２Ｓ）」という評判・消費行動状態の各々に独立して属する記事数を算出することによって、評判・消費行動状態データを生成し、業界データ格納部９７に格納する（ステップＳ１９）。上でも述べたように、「好意的（Ｐ）」という評判状態については、他の消費行動状態とは独立であり計算の必要はない。また、「感動及び共有（Ｅ２Ｓ）」という消費行動状態については、上記のようなカウント方式ではＥ２についてのカウント値が当該状態の記事数を表しているので、計算の必要はない。「関心（ＩＤ）」という消費行動状態については、Ｉのカウント値−Ｅ１のカウント値で記事数を計算し、「経験（Ｅ１）」という消費行動状態については、Ｅ１のカウント値−Ｅ２のカウント値で記事数を計算する。さらに、本実施の形態では、評判・消費行動状態の各々について例えば３０日平均の記事数を算出する。例えばブログ分析結果データが９０日分のデータであるとすると、「好意的（Ｐ）」という評判状態の記事数、「関心（ＩＤ）」という消費行動状態の記事数、「経験（Ｅ１）」という消費行動状態の記事数、「感動及び共有（Ｅ２Ｓ）」という消費行動状態の記事数、及び記事総数を、それぞれ１／３にする。

以上のような処理を実施すれば、例えば業界データ格納部９７には、図８に示すようなデータが格納される。図８の例は、１つの業界についてのテーブルであって、分析対象（ブランド）と、Ｐという評判状態の記事数と、Ａという消費行動段階の記事数と、Ｉという消費行動段階の記事数と、Ｄという消費行動段階の記事数と、Ｅ１という消費行動段階の記事数と、Ｅ２という消費行動段階の記事数と、Ｓという消費行動段階の記事数と、「関心（ＩＤ）」という消費行動状態の記事数と、Ｅ１という消費行動状態の記事数と、記事総数ｘ_allとが格納される。

そして、業界データ生成部９１は、特定された業界に属する全てのブランドについて処理したか判断する（ステップＳ２１）。未処理のブランドが存在する場合にはステップＳ１５に戻る。一方、全てのブランドについて処理した場合には、業界リストにおいて全ての業界について処理したか判断する（ステップＳ２３）。未処理の業界が存在する場合にはステップＳ１３に戻る。一方、全ての業界について処理した場合には元の処理に戻る。このような処理を実施することによって、以下で算出される業界モデルデータの元データが生成されたことになる。

図４の説明に戻って、次に業界モデル生成部９３が、業界モデルデータ生成処理を実施する（ステップＳ３）。業界モデルデータ生成処理については図９乃至図１７Ｂを用いて説明する。

まず、業界モデル生成部９３は、業界リスト格納部９５に格納されている業界リストにおいて、未処理の業界を１つ特定する（ステップＳ４３）。そして、特定された業界について、主成分分析処理を実施する（ステップＳ４４）。この主成分分析処理については、図１０及び図１１を用いて説明する。

業界モデル生成部９３は、業界データ格納部９７に格納されているデータから、記事数行列Ｘを生成し、例えばメインメモリなどの記憶装置に格納する（図１０：ステップＳ５１）。記事数行列Ｘは、以下に示すように、列方向に「Ｐ」状態の記事数、「ＩＤ」状態の記事数、「Ｅ１」状態の記事数、「Ｅ２Ｓ」状態の記事数が並べられ、行方向にブランドが並べられているものである。記事数行列Ｘの１つの要素はｘ_i,jと表し、ｉはブランド、ｊは状態を表す。ブランド数はｎとする。

次に、業界モデル生成部９３は、業界データ格納部９７に格納されているデータから、非負の重みベクトルｗ（ｎ次元ベクトル）を生成し、例えばメインメモリなどの記憶装置に格納する（ステップＳ５３）。ｘ_i,allをブランドｉの記事総数であるとすると、ｘ_i,j＞１であれば、ｗ_i＝ｌｏｇｘ_i,allとし、ｘ_i,j≦１であれば、ｗ_i＝０とする。

そして、業界モデル生成部９３は、業界データ格納部９７に格納されているデータから、各評判・消費行動状態の重み付き標本平均μ^* _j及び重み付き標本標準偏差σ^* _jを算出し、業界モデルデータ格納部９９に格納する（ステップＳ５５）。これらは以下のように算出される。

さらに、業界モデル生成部９３は、記事数行列Ｘの重みベクトルｗによる重み付き相関行列Ｒを算出し、例えばメインメモリなどの記憶装置に格納する（ステップＳ５７）。重み付き相関行列Ｒは、４×４行列であり、例えば以下に示すような形となる。

さらに、重み付き相関行列Ｒの各要素ｒ_ijは、以下のように計算される。

なお、上記式において、ｘ_k,iは、ｋというブランドについてのｉという状態を表し、ｘ_k,jも、ｋというブランドについてのｊという状態を表す。σ^* _i及びσ^* _jもμ^* _i及びμ^* _jについても、ｉという状態及びｊという状態におけるそれぞれの値ということを表している。

その後、業界モデル生成部９３は、重み付き相関行列Ｒについて周知の固有値分解を行って第一固有ベクトルｖ（４次元ベクトル）を生成し、例えばメインメモリなどの記憶装置に格納する（ステップＳ５９）。第一固有ベクトルｖは、評判・消費行動状態の各々についての重要性を表すベクトルであり、例えば以下のような形になる。

さらに、業界モデル生成部９３は、重み付き標本平均μ^* _j及び重み付き標本標準偏差σ^* _jと第一固有ベクトルｖと記事数行列Ｘとを用いて、第一主成分得点ベクトルｆ（ｎ次元）を算出し、メインメモリなどの記憶装置に格納する（ステップＳ６１）。第一主成分得点ベクトルｆの各要素ｆ_iは、以下の式で算出される。

なお、ｖ_jは、Ｐという状態についての第一固有ベクトルｖの要素ｖ_p、ＩＤという状態についての第一固有ベクトルｖの要素ｖ_id、Ｅ１という状態についての第一固有ベクトルｖの要素ｖ_e1、Ｅ２Ｓという状態についての第一固有ベクトルｖの要素ｖ_e2sのいずれかを表す。処理は、端子Ａを介して図１１の処理に移行する。

そして、業界モデル生成部９３は、第一主成分ベクトルｆと全体記事数ベクトルＸ_allとの重み付き相関係数ｒ_f,allを算出し、例えばメインメモリなどの記憶装置に格納する（ステップＳ６７）。全体記事数ベクトルＸ_allは、ｎ次元ベクトルであって各ブランドの記事総数ｘ_allを要素として含むベクトルである。重み付き相関係数ｒ_f,allは、以下のように計算される。

但し、μ^* _f及びσ^* _fと、μ^* _xall及びσ^* _xallについては、以下のように算出される。

そして、業界モデル生成部９３は、重み付き相関係数ｒ_f,all＜０であるか判断する（ステップＳ６９）。ｒ_f,allが負の値を有するということは第一固有ベクトルｖについてもその要素に負の値のものが含まれるということになるので、分析に問題が生ずる。従って、重み付き相関係数ｒ_f,all＜０であれば、ｖ＝−ｖと符号を反転させる（ステップＳ７３）。さらに、業界モデル生成部９３は、重み付き標本平均μ^* _j及び重み付き標本標準偏差σ^* _jと符号反転した後の第一固有ベクトルｖと記事数行列Ｘとを用いて、第一主成分得点ベクトルｆ（ｎ次元）を算出し、メインメモリなどの記憶装置に格納する（ステップＳ７５）。計算方法自体は、上で述べたとおりである。そして元の処理に戻る。

一方、重み付き相関係数ｒ_f,all＜０でない場合には、業界モデル生成部９３は、第一固有ベクトルｖを業界モデルデータ格納部９９に格納する（ステップＳ７１）。

以上のような処理を実施すれば、各ブランドの記事総数ｘ_all,jを加味した上で、評判・消費行動状態の各々について記事数の分布を標準化して、評判・消費行動状態の各々の重要度を表す第一固有ベクトルｖで記事数を重み付けして各ブランドについての得点が算出される。口コミの良さを引き出すために定義されている４つの評判・消費行動状態の記事数との相関が最も高くなるように得点が算出されるように、重要度を表す第一固有ベクトルｖが得点算出に用いられている。このような目的のため第一固有ベクトルｖは、記事数行列Ｘの重み付き相関係数行列Ｒの固有値分解によって得られる。

図９の説明に戻って、業界モデル生成部９３は、リスケーリングパラメータ推定処理を実施する（ステップＳ４５）。リスケーリングパラメータ推定処理については図１２を用いて説明する。

まず、業界モデル生成部９３は、業界モデルデータ格納部９９に格納されている重み付き標本平均μ^* _j及び重み付き標本標準偏差σ^* _jと第一固有ベクトルｖとを用いて、第一主成分得点ベクトルｆの理論上の最小値であり且つｎ次元ベクトルである平行移動パラメータｍを算出し、業界モデルデータ格納部９９に格納する（図１２：ステップＳ８１）。具体的には、以下のような式で算出される。

そして、業界モデル生成部９３は、各ブランドについての｛ｘ_all−β（ｆ−ｍ）｝の和を最も小さくするようなリスケーリングパラメータβ^*を回帰計算によって算出し、業界モデルデータ格納部９９に格納する（ステップＳ８３）。例えば、重みｗによる重み付き最小二乗法を用いてリスケーリングパラメータβ^*を算出する。この算出方法自体については周知であるから、これ以上述べない。

平行移動パラメータｍ及びリスケーリングパラメータβ^*は、以下の処理にて第一主成分得点ベクトルｆを生成する上で標準化した分布を元の分布に擬似的に戻すためのパラメータである。

図９の処理の説明に戻って、業界モデル生成部９３は、主成分得点変換処理を実施する（ステップＳ４６）。この主成分得点変換処理については図１３を用いて説明する。

業界モデル生成部９３は、メインメモリなどの記憶装置に格納されている第一主成分得点ベクトルｆと業界モデルデータ格納部９９に格納されている平行移動パラメータｍ及びスケーリングパラメータβ^*とから、基準化前スコアｙ（ｎ次元ベクトル）を算出し、メインメモリなどの記憶装置に格納する（ステップＳ８７）。

基準化前スコアｙは、以下のように算出される。
ｙ＝β^*×（ｆ−ｍ）

図９の処理の説明に戻って、業界モデル生成部９３は、スコア基準化処理を実施する（ステップＳ４７）。スコア基準化処理については、図１４乃至図１６を用いて説明する。

まず、業界モデル生成部９３は、記憶装置に格納されている基準化前スコアｙの要素のうち最大値ｙ_maxを特定し、業界モデルデータ格納部９９に格納する（図１４：ステップＳ９１）。総合スコアを算出するために最大値ｙ_maxを特定する。

また、業界モデル生成部９３は、記事数行列Ｘにおいて、各列を探索して、Ｐという評判状態であるとみなされたブログ記事の記事数（ポジティブ記事数）ｘ_pの最大値ｘ_pmaxと、ＩＤという消費行動状態であるとみなされたブログ記事の記事数（ＩＤ記事数）ｘ_idの最大値ｘ_idmaxと、Ｅ１という消費行動状態であるとみなされたブログ記事の記事数（ＩＤ記事数）ｘ_e1の最大値ｘ_e1maxと、Ｅ２Ｓという消費行動状態であるとみなされたブログ記事の記事数（Ｅ２Ｓ記事数）ｘ_e2smaxとを特定して、業界モデルデータ格納部９９に格納する（ステップＳ９３）。これらも、各評判・消費行動状態についてのスコアを算出するために用いられる。

その後、業界モデル生成部９３は、業界リストのブランドリストにおける未処理のブランドｉを特定する（ステップＳ９５）。そして、特定されたブランドｉの基準化前スコアｙ_iと、ポジティブ記事数ｘ_piと、ＩＤ記事数ｘ_idiと、Ｅ１記事数ｘ_e1iと、Ｅ２Ｓ記事数ｘ_e2siとを、メインメモリなどの記憶装置に格納されている基準化前スコアｙ及び記事数行列Ｘから読み出す（ステップＳ９７）。

この後、業界モデル生成部９３は、ブランドｉについての全体スコア（総合スコアとも呼ぶ）、ポジティブ記事のスコア、ＩＤ記事のスコア、Ｅ１記事のスコア、Ｅ２Ｓ記事のスコアを算出し、業界モデルデータ格納部９９に格納する（ステップＳ９９）。

具体的に以下の式で算出される。
（１）全体スコア
Ｙi＝ｌｏｇ（ｙ_i）／ｌｏｇ（ｙ_max）
但し、ｙ_i≦１の時には、Ｙi＝０である。
（２）ポジティブ記事のスコア
Ｐi＝ｌｏｇ（ｘ_pi）／ｌｏｇ（ｘ_pmax）
但し、ｘ_pi≦１の時には、Ｐi＝０である。
（３）ＩＤ記事のスコア
ＩＤi＝ｌｏｇ（ｘ_idi）／ｌｏｇ（ｘ_idmax）
但し、ｘ_idi≦１の時には、ＩＤi＝０である。
（４）Ｅ１記事のスコア
Ｅ１i＝ｌｏｇ（ｘ_e1i）／ｌｏｇ（ｘ_e1max）
但し、ｘ_e1i≦１の時には、Ｅ１i＝０である。
（５）Ｅ２Ｓ記事のスコア
Ｅ２Ｓi＝ｌｏｇ（ｘ_e2si）／ｌｏｇ（ｘ_e2smax）
但し、ｘ_e2si≦１の時には、Ｅ２Ｓi＝０である。

その後、業界モデル生成部９３は、ブランドリストの全てのブランドについて処理したか判断する（ステップＳ１０１）。未処理のブランドが存在する場合にはステップＳ９５に戻る。一方、全てのブランドについて処理した場合には、上で述べた５つのスコアについてそれぞれ平均値を算出し、業界モデルデータ格納部９９に格納する（ステップＳ１０３）。そして元の処理に戻る。

以上のような処理を実施することによって、図１５及び図１６に示すようなデータが業界モデルデータ格納部９９に格納される。図１５の例では、１つの業界についてのデータであって、各ブランドについて、５つのスコア（Ｐ，ＩＤ，Ｅ１，Ｅ２Ｓ，Ｙ）が登録されると共に、全ブランドについての平均値も登録される。各ブランドについてのスコアは、ユーザ指定のブランドのスコアとの対比に用いるために登録され、業界の平均値についてもユーザ指定のブランドのスコアと対比するために登録される。

また、図１６の例では、ユーザからのリクエストに応じて、ユーザ指定のブランドについてスコアを算出するために用いられるパラメータが登録されている。業界毎に、第一固有ベクトルｖ（Ｐ，ＩＤ，Ｅ１，Ｅ２Ｓのそれぞれに対応する値を含む）と、基準化前スコアｙの最大値及び評判・消費行動状態の記事数の最大値と、μ^* _jと、σ^* _jと、平行移動パラメータｍと、リスケーリングパラメータβ^*とを含む。

図９の処理の説明に戻って、業界モデル生成部９３は、業界リストにおいて全ての業界について処理したか判断する（ステップＳ４８）。未処理の業界が存在している場合にはステップＳ４３に戻る。一方、全ての業界について処理した場合には、業界モデルデータ生成処理を終了する。以上のような処理を実施することによって、前処理は完了する。

なお、ステップＳ９９のような計算にてスコアを算出する理由について説明する。ここでは、総合スコアについて説明するが、他のスコアでも同様である。ブログ記事を分析対象とする場合には、ほとんど語られることのないブランドが多数存在しており、その影響から単純に記事数を総合スコアに直すと図１７Ａに示すように、記事数と総合スコアがリニアな関係にはならず、裾の重い偏ったスコア分布を示すようになってしまう。これでは、ブランド間の相対的な位置関係を比較しにくいスコアとなってしまう。

そこで、本実施の形態では、基準化前スコアｙの要素のうち最大値ｙ_max（又は評判・消費行動状態の記事数の最大値）を基準として、対数値を用いてスコアを算出することによって分布をリスケーリングして、図１７Ｂに示すように総合スコアと記事数との関係がほぼリニアになるようにして、ブランド間の相対的な位置関係を比較しやすくしている。

また、上で述べた前処理は、業界リスト格納部に格納されている業界リストをベースに実施される。従って、業界リストで代表的なブランドをできるだけ網羅する必要がある。そうしないと、上で述べたような業界モデルとして用いるデータの値が、業界を代表するような数値にならないからである。以下では、業界リストに登録されているブランドだけではなく、登録されていないブランドについても、業界リストをベースに算出した業界モデルデータを用いてスコアを算出する。

次に、図１８乃至図２５を用いて、ユーザがブランドの分析を行う場合の処理について説明する。

まず、ユーザが、ユーザ端末３を操作して、分析対象のブランド名と、当該ブランドが属する業界の業界名とを入力して、ユーザ端末３のＷｅｂブラウザ３０に分析依頼受付サーバ５への送信を指示する。但し、本実施の形態では、業界名の入力は任意とする。ユーザ端末３のＷｅｂブラウザ３０は、ブランド名及び業界名の入力を受け付け（ステップＳ２０１）、当該ブランド名及び業界名を分析依頼受付サーバ５に送信する（ステップＳ２０３）。なお、分析依頼受付サーバ５では、これより前にユーザ認証を行って、ユーザＩＤを特定しているものとする。

分析依頼受付サーバ５のインタフェース部５５は、ユーザ端末３からブランド名及び業界名を受信し、例えばメインメモリなどの記憶装置に格納する（ステップＳ２０５）。なお、業界名についてはユーザ入力が任意であるが、業界名が指定されている場合には、受信日時、ブランド名、業界名などを業界リスト更新サーバ１１のブランド名業界指定履歴格納部１１３に格納する。ブランド名業界指定履歴格納部１１３に格納されるデータの一例を図１９に示す。図１９の例では、受信日時と、ブランド名及び業界名を指定したユーザのユーザＩＤと、ブランド名と、例えば業界リスト格納部５１を用いて業界名から特定された業界ＩＤと、業界名とが登録されるようになっている。このようなデータを用いて、以下で説明する業界リスト更新処理を実施すれば、業界リストがより多くのブランド名を含むように更新される。

その後、分析依頼受付サーバ５のインタフェース部５５は、ブランド名に対応する業界名を特定する処理を実施する（ステップＳ２０７）。ユーザ指定の業界名が存在する場合には本ステップは不要であるが、ユーザ指定の業界名がない場合には、業界リスト格納部５１をユーザ指定のブランド名で検索して該当する業界名を探す。業界リスト格納部５１から業界名が特定できればその業界名を用いるが、特定できない場合には例えば形態素解析などでユーザ指定のブランド名を単語に分割した後に再度業界リスト格納部５１を検索するようにして業界名を特定する。これでも特定できない場合には、ユーザ端末３に業界が特定できない旨のメッセージを送信してユーザに指定してもらうようにしても良い。さらに、業界名を特定するための辞書などを用意しておき、当該辞書を用いて業界を特定するようにしても良い。

そして、評判・消費行動状態データ取得部５７は、特定された業界名及び特定されたブランド名についてのデータ要求をブログ分析サーバ７に送信する（ステップＳ２０９）。ブログ分析サーバ７のブログ分析処理部７３は、分析依頼受付サーバ５から特定の業界名及び特定のブランド名についてのデータ要求を受信すると（ステップＳ２１１）、ブログ分析処理を実施する（ステップＳ２１３）。ブログ分析処理については、図２０及び図２１を用いて説明する。

まず、ブログ分析処理部７３は、ブログ記事ＤＢ７７から指定業界名及び指定ブランド名に該当するブログ記事を抽出すると共に、各ブログ記事について評判・消費行動を特定し、例えばメインメモリなどの記憶装置に格納する（ステップＳ２２１）。これは業界データ生成処理におけるステップＳ３７と同様の処理である。具体的には、基本的にキーワード検索にて該当するブログ記事を抽出して、抽出されたブログ記事について評判・消費行動段階のいずれに該当するかを従来技術を用いて判別する。

なお、本ステップにおいては、ブランドだけでブログ記事を抽出し、ブログ記事中のテキストを解析して、どの業界に該当するブログ記事かを判別して（例えば「ブランドＡを飲んだ」という文言があれば飲料業界であり、「ブランドＡを運転した」という文言があれば自動車業界といったようにある程度の精度で特定可能である）、業界毎に記事数をカウントすることによって、最も多い業界をユーザ指定のブランドに対応する業界として特定するようにしても良い。この場合、特定された業界名を分析依頼受付サーバ５に返信する。

さらに、ブログ分析処理部７３は、ステップＳ２２１の処理結果から、評判・消費行動についての集計処理を実施する（ステップＳ２２３）。具体的には、Ｐに該当するブログ記事の記事数、Ａに該当するブログ記事の記事数、Ｉに該当するブログ記事の記事数、Ｄに該当するブログ記事の記事数、Ｅ１に該当するブログ記事の記事数、Ｅ２に該当するブログ記事数、Ｓに該当するブログ記事の記事数をカウントする。

そして、ブログ分析処理部７３は、ステップＳ２２３における集計結果から評判・消費行動状態のデータを生成し、例えばメインメモリなどの記憶装置に格納する（ステップＳ２２５）。ここでは、ＩＤ状態にあることを表すブログ記事の記事数（＝Ｉに該当するブログ記事の記事数−Ｅ１に該当するブログ記事の記事数）と、Ｅ１状態にあることを表すブログ記事の記事数（＝Ｅ１に該当するブログ記事の記事数−Ｅ２に該当するブログ記事の記事数）とを算出する。さらに、業界データ生成処理と同じで例えば３０日平均の記事数が必要なので、３０日分の数値になるように調整する。ここまで処理すると、例えば図２１に示すようなデータが得られる。従って、Ｐ状態の記事数、ＩＤ状態の記事数、Ｅ１状態の記事数、Ｅ２Ｓ状態の記事数を評判・消費行動状態データとしてまとめる。

図１８の処理の説明に戻って、ブログ分析処理部７３は、Ｐ状態の記事数、ＩＤ状態の記事数、Ｅ１状態の記事数及びＥ２Ｓ状態の記事数を含む評判・消費行動状態データを分析依頼受付サーバ５に送信する（ステップＳ２１５）。分析依頼受付サーバ５のインタフェース部５５は、ブログ分析サーバ７から評判・消費行動状態データを受信し、例えばメインメモリなどの記憶装置に格納する（ステップＳ２１７）。処理は端子Ｂを介して図２２の処理に移行する。

図２２の処理の説明に移行して、分析依頼受付サーバ５の業界モデル取得部５９は、特定された業界名を含む業界モデルデータ要求を業界モデル生成サーバ９に送信する（ステップＳ２３１）。業界モデル生成サーバ９は、業界名を含む業界モデルデータ要求を受信すると（ステップＳ２３３）、業界モデルデータ格納部９９から指定業界についての業界モデルデータを読み出し、分析依頼受付サーバ５に返信する（ステップＳ２３５）。業界モデルデータは、図１６で示したデータ（第一固有ベクトルｖ、平行移動パラメータｍ、リスケーリングパラメータβ^*、基準化前スコアの最大値ｙ_max及び評判・消費行動状態の各々についての記事数の最大値、μ^* _j及びσ^* _j）に加え、総合スコアの平均値及び評判・消費行動状態の各々についてのスコア平均値も含まれる。

なお、この際、指定業界の代表的な他のブランド（例えば記事数が多いブランドなど）についての総合スコア及び評判・消費行動状態の各々についてのスコアを併せて読み出し、付加データとして分析依頼受付サーバ５に送信するようにしても良い。

分析依頼受付サーバ５の業界モデル取得部５９は、業界モデル生成サーバ９から業界モデルデータを受信し、例えばメインメモリなどの記憶装置に格納する（ステップＳ２３７）。そして、インタフェース部５５は、評判・消費行動状態データ及び業界モデルデータ等を、予め送出プログラム格納部６１に用意されている可視化プログラムと共に、要求元のユーザ端末３に送信する（ステップＳ２３９）。上でも述べたが、可視化プログラムは、例えばアプレットなどのＷｅｂブラウザ３０上で実行されるようなプログラムである。

ユーザ端末３は、分析依頼受付サーバ５から、評判・消費行動状態データ及び業界モデルデータ等を、可視化プログラムと共に受信し、評判・消費行動状態データ及び業界モデルデータ等を入力として可視化プログラムをＷｅｂブラウザ３０上で実行する（ステップＳ２４１）。これによってＷｅｂブラウザ３０上に、指標計算部３０１及び可視化処理部３０３を含む分析結果出力処理部３００が構成される。

そして、ユーザ端末３における分析結果出力処理部３００の指標計算部３０１は、指標計算処理を実施する（ステップＳ２４３）。指標計算処理については、図２３を用いて説明する。

指標計算部３０１は、業界モデルデータに含まれる重み付き標本平均μ^* _j及び重み付き標本標準偏差σ^* _jと第一固有ベクトルｖと評判・消費行動状態ベクトルχ（評判・消費行動状態のデータそのもの）とから、第一主成分得点ｆ_iを算出し、例えばメインメモリなどの記憶装置に格納する（ステップＳ２５１）。ｊは、評判・消費行動状態のいずれかを表し、ｉは、ユーザ指定のブランドを示している。具体的には、以下の式で算出される。なお、χ_jは、評判・消費行動状態のいずれかについての記事数である。

１つのブランドについての計算なので、第一主成分得点ベクトルｆではなく、第一主成分得点ｆ_iとなる。

そして、業界モデルデータに含まれるリスケーリングパラメータβ^*と、平行移動パラメータｍと、上で算出した第一主成分得点ｆ_iとから、基準化前スコアを算出し、例えばメインメモリなどの記憶装置に格納する（ステップＳ２５３）。具体的には、以下の式で算出される。
ｙ_i＝β^*×（ｆ_i−ｍ）で算出される。

その後、基準化前スコアｙ_i及び業界モデルデータに含まれる基準化前スコアの最大値ｙ_maxから、指定ブランドの総合スコアＹを算出し、例えばメインメモリなどの記憶装置に格納する（ステップＳ２５５）。すなわち、以下の式で算出される。
Ｙ＝ｌｏｇ（ｙ_i）／ｌｏｇ（ｙ_max）
但し、ｙ_i≦１の時には、Ｙ＝０である。

さらに、評判・消費行動状態データの評判・消費行動状態ベクトルχの各要素の値χ_i及び業界モデルデータに含まれる、評判・消費行動状態の各々の記事最大数とから、各評判・消費行動状態についてのスコアを算出し、例えばメインメモリなどの記憶装置に格納する（ステップＳ２５７）。具体的には以下のとおりである。
（１）Ｐのスコア（好感度）
Ｐ＝ｌｏｇ（χ_p）／ｌｏｇ（ｘ_pmax）
但し、χ_p≦１の時には、Ｐ＝０である。
（２）ＩＤのスコア（関心度）
ＩＤ＝ｌｏｇ（χ_id）／ｌｏｇ（ｘ_idmax）
但し、χ_id≦１の時には、ＩＤ＝０である。
（３）Ｅ１のスコア（体験度）
Ｅ１＝ｌｏｇ（χ_e1）／ｌｏｇ（ｘ_e1max）
但し、ｘ_e1i≦１の時には、Ｅ１＝０である。
（４）Ｅ２Ｓ記事のスコア（共感度）
Ｅ２Ｓ＝ｌｏｇ（χ_e2s）／ｌｏｇ（ｘ_e2smax）
但し、ｘ_e2s≦１の時には、Ｅ２Ｓ＝０である。

そして元の処理に戻る。

図２２の処理の説明に戻って、分析結果出力処理部３００の可視化処理部３０３は、指標計算処理の処理結果を用いて、算出したスコアがユーザにとって分かりやすくなるように表示データを生成して、表示する（ステップＳ２４５）。

例えば図２４に示すような表示を行う。本実施の形態では、総合スコアを左上に表示すると共に、評判・消費行動状態の各々についてのスコアをレーダーチャートで示すようになっている。すなわち、共感度を上方の軸で示し、関心度を右方向の軸で示し、体験度を下向きの軸で示し、共感度を左方向の軸で表しており、ユーザ指定のブランドＡについてのスコアを結ぶエリアをＲで、業界平均スコアを結ぶエリアをＰで、業界モデルデータの付加データとして得られている同業界の他のブランドＢのスコアを結ぶエリアをＱで示している。このようにして評判・消費行動状態の各々についてスコアを、業界平均及び他ブランドと対比可能となっている。その他にも、ブランドＢの総合スコアｂｂｂを提示して、ユーザ指定のブランドＡと対比可能となっている。図２４では、スコアの値については見やすいように１００倍してあるが、１００倍する前の値であっても良い。

表示の仕方はどのような形であってもよい。例えば、棒グラフや、折れ線グラフで対比するような形にしても良い。単に数値を列挙するだけでも良い。さらに、同業界の他のブランドについてのデータをより多く表示するようにしても良い。

以上のような処理を行うことによって、ユーザは、分析対象ブランドについて、業界内及び業界間で対比可能なスコアを、総合スコア、評判・消費行動状態の各々についてのスコアとして得ることができるようになる。特に、１００点満点の中でのスコアとなるので、他ブランドや業界平均と対比できなくとも、おおよそのブランド力を把握しやすくなる。

なお、上ではユーザ端末３側で指標計算処理を実施する例を示したが、必ずしもユーザ端末３側で実施しなければならないわけではない。例えば、図２５に示すように、ステップＳ２３７の後に、分析依頼受付サーバ５の指標計算部５３によって、指標計算処理を実施し（ステップＳ２５１）、さらに、例えばインタフェース部５５が、指標計算処理結果等及び業界モデルデータ等で、図２４のような表示を行うための可視化ページデータを生成し、ユーザ端末３に送信するようにしても良い（ステップＳ２５３）。この場合、ユーザ端末３のＷｅｂブラウザ３０は、可視化ページデータを受信し、表示装置に表示する（ステップＳ２５５）。

このようにすれば分析依頼受付サーバ５の処理負荷は多少多くなるが、図２２の処理結果と同様の内容をユーザは得ることができる。

次に、上で述べた処理とは非同期に実施される業界リスト更新処理について図２６及び図２７を用いて説明する。例えば、ある程度の量のデータがブランド名業界指定履歴格納部１１３に蓄積された場合に、又は定期的に以下の処理を実施する。

まず、業界リスト更新サーバ１１の業界リスト更新処理部１１１は、ブランド名業界指定履歴格納部１１３（図１９）における未処理のレコードを１つ特定し（図２６：ステップＳ３０１）、読み出す。そして、特定したレコードにおけるブランド名及び業界名の対で業界推定データ格納部１１５に格納されている業界推定テーブルを更新する（ステップＳ３０３）。すなわち、特定されたレコードにおけるブランド名及び業界名の対が既に業界推定テーブルに登録されている場合には、当該ブランド名及び業界名の対についてのカウント値（頻度）を１インクリメントする。一方、特定されたレコードにおけるブランド名及び業界名の対が業界推定テーブルに登録されていない場合には、業界名に対応する業界ＩＤを例えば業界リスト格納部９５、７５又は５１から特定し、業界ＩＤ、ブランド名、業界名、カウント値（頻度）＝「１」を含むレコードを業界推定テーブルに登録する。

業界推定テーブルの一例を図２７に示す。図２７の例では、業界ＩＤと、業界名と、ブランド名と、頻度（カウント値）と、確率とが登録されるようになっている。なお、ステップＳ３０３ではまだ確率については計算しない。確率は、異なる業界で同じブランド名が出現した場合、いずれの業界の方にブランド名を登録するかを判断するために用いられる。

そして、業界リスト更新処理部１１１は、ブランド名業界指定履歴格納部１１３における全てのレコードについて処理したか判断する（ステップＳ３０５）。未処理のレコードが存在する場合にはステップＳ３０１に戻る。一方、全てのレコードについて処理した場合には、業界推定データ格納部１１５に格納されている各レコードについて、異なる業界について同一のブランド名が使用されていないかを当該レコードのブランド名で検索して確認し、（ａ）複数のレコードに同一のブランド名が登録されている場合には、全てのレコードの頻度の値を加算して全頻度を求め、当該レコードの頻度／全頻度で確率を算出し、業界推定テーブルに登録する。一方、（ｂ）１レコードにしか当該レコードのブランド名が登録されていない場合には、確率値として１を業界推定テーブルに登録する（ステップＳ３０６）。図２７の例では、確率については分かりやすく分数で示しているが、実際には上で述べたような方法で計算する。例えば、自動車業界における「ブランドＣ」とパソコン業界における「ブランドＣ」とは同一であるから、確率＝３／（３＋１）＝３／４が自動車業界の方に登録され、確率＝１／（３＋１）＝１／４がパソコン業界の方に登録される。

その後、業界リスト更新処理部１１１は、業界推定テーブルにおいて、所定の条件に合致する、業界推定テーブルのレコードを抽出して、当該抽出されたレコードに含まれるブランド名及び業界名（業界ＩＤ）で業界リストを更新する（ステップＳ３０７）。例えば、頻度が５以上で、確率７５％以上という条件であれば、業界ＩＤ（０００６）でお菓子業界のブランド名Ｄが該当するので、このデータで、業界リスト格納部９５、７５及び５１の業界リストを更新する。なお、既に登録済みの場合には登録しない。また、業界リスト更新サーバ１１にも業界リスト格納部を設けて、この業界リスト格納部を更新した後に、一括して他のサーバにおける業界リスト格納部を更新するようにしても良い。

以上のようにすれば、人手では大きな手間となる業界リストの更新を、ユーザからの入力データを基にして業界リストを豊富化することができるようになる。なお、業界リストを更新した後には、業界モデル生成サーバ９は、上で述べた前処理としての業界モデルデータ生成処理を再度実施すべきである。

以上本発明の一実施の形態を説明したが、本発明はこれに限定されるものではない。図１で示したシステム構成例は一例であって、サーバ構成を異なるように変形したり、１台のサーバで全ての処理を実施するようにしたり、さらには分析依頼受付サーバ５については複数台構成で分散処理させたりすることも可能である。

さらに、図１における機能ブロックについても必ずしも実際のプログラムモジュール構成とは一致しない。さらに、処理フローについても処理結果が同じであれば、順番を入れ替えたり、並列に実施するようにしても良い。

また、上で述べた例では、業界リストに登録済みのブランド名及び業界名のペアがユーザによって指定された場合についても、スコアを指標計算処理で計算していた。しかし、業界リストに登録されているということは、前処理として業界モデルデータを生成する際に一度スコアを計算しているので、スコアの値は業界モデルデータ格納部９９に登録されている。従って、業界リストに登録済みのブランド名及び業界名のペアがユーザ端末３から指定される場合又はブランド名しか指定されなかったが業界リストにより一意に業界名が特定される場合には、業界モデルデータ格納部９９から該当するスコアの値を読み出すようにして、再計算を省略するようにしても良い。指標計算処理の分だけ処理負荷を下げることができる。

なお、図１に示したようなユーザ端末３、ブログ配信サーバ１５、ブログ分析サーバ７、分析依頼受付サーバ５、業界モデル生成サーバ９、及び業界リスト更新サーバ１１などは、図２８のようなコンピュータ装置であって、メモリ２５０１（記憶装置）とＣＰＵ２５０３（処理装置）とハードディスク・ドライブ（ＨＤＤ）２５０５と表示装置２５０９に接続される表示制御部２５０７とリムーバブル・ディスク２５１１用のドライブ装置２５１３と入力装置２５１５とネットワークに接続するための通信制御部２５１７とがバス２５１９で接続されている。オペレーティング・システム（ＯＳ：Operating System）及び本実施の形態における処理を実施するためのアプリケーション・プログラムは、ＨＤＤ２５０５に格納されており、ＣＰＵ２５０３により実行される際にはＨＤＤ２５０５からメモリ２５０１に読み出される。必要に応じてＣＰＵ２５０３は、表示制御部２５０７、通信制御部２５１７、ドライブ装置２５１３を制御して、必要な動作を行わせる。また、処理途中のデータについては、メモリ２５０１に格納され、必要があればＨＤＤ２５０５に格納される。本発明の実施の形態では、上で述べた処理を実施するためのアプリケーション・プログラムはリムーバブル・ディスク２５１１に格納されて頒布され、ドライブ装置２５１３からＨＤＤ２５０５にインストールされる。インターネットなどのネットワーク及び通信制御部２５１７を経由して、ＨＤＤ２５０５にインストールされる場合もある。このようなコンピュータ装置は、上で述べたＣＰＵ２５０３、メモリ２５０１などのハードウエアとＯＳ及び必要なアプリケーション・プログラムとが有機的に協働することにより、上で述べたような各種機能を実現する。

本発明の実施の形態に係るシステム概要を説明するための図である。 業界リストの一例を示す図である。 ブログ記事ＤＢに格納されるデータの一例を示す図である。 前処理の処理フローを示す図である。 業界データ生成処理の処理フローを示す図である。 ブログ分析結果データ要求を受信した際に行われる処理の処理フローを示す図である。 ブログ分析結果データ要求を受信した際に行われる処理の途中で生成されるデータの一例を示す図である。 業界データ格納部に格納されるデータの一例を示す図である。 業界モデルデータ生成処理の処理フローを示す図である。 主成分分析処理の処理フローを示す図である。 主成分分析処理の処理フローを示す図である。 リスケーリングパラメータ推定処理の処理フローを示す図である。 主成分得点変換処理の処理フローを示す図である。 スコア基準化処理の処理フローを示す図である。 業界モデルデータ格納部に格納されるデータの一例を示す図である。 業界モデルデータ格納部に格納されるデータの一例を示す図である。 従来のスコアの問題を説明するための図である。 本実施の形態におけるスコアの出現傾向を説明するための図である。 ユーザがブランドの分析を行う場合の処理の処理フローを示す図である。 ブランド名業界指定履歴格納部に格納されるデータの一例を示す図である。 ブログ分析処理の処理フローを示す図である。 ブログ分析処理の処理結果として出力されるデータの一例を示す図である。 ユーザがブランドの分析を行う場合の処理の処理フローを示す図である。 指標計算処理の処理フローを示す図である。 ユーザ端末における分析結果の表示画面例を示す図である。 ユーザがブランドの分析を行う場合の処理の他の処理フローを示す図である。 業界リスト更新処理の処理フローを示す図である。 業界推定テーブルの一例を示す図である。 コンピュータの機能ブロック図である。

符号の説明

１，１３ ネットワーク ３ ユーザ端末
５ 分析依頼受付サーバ ７ ブログ分析サーバ
９ 業界モデル生成サーバ １１ 業界リスト更新サーバ
１５ ブログ配信サーバ
３０ Ｗｅｂブラウザ
３００ 分析結果出力処理部 ３０１ 指標計算部
３０３ 可視化処理部
５１，９５，７５ 業界リスト格納部 ５３ 指標計算部
５５ インタフェース部 ５７ 評判・消費行動状態データ取得部
５９ 業界モデル取得部 ６１ 送出プログラム格納部
７１ ブログ記事データ収集部 ７３ ブログ分析処理部
７７ ブログ記事ＤＢ
９１ 業界データ生成部 ９３ 業界モデル生成部
９７ 業界データ格納部 ９９ 業界モデルデータ格納部
１１１ 業界リスト更新処理部 １１３ ブランド名業界指定履歴処理部
１１５ 業界推定データ格納部

Claims (13)

1. ユーザ指定のブランド名について、所定期間内の複数の記事において特定の評判又は消費行動状態に該当するとみなされる記事の記事数を、記事分析装置に要求して、当該記事分析装置から取得する記事数取得ステップと、
   業界毎に、当該業界に属する各ブランドのうち前記特定の評判又は消費行動状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を最大記事数として含む業界モデルデータを格納する業界モデル格納部から、前記ユーザ指定のブランド名に係る業界名又はユーザ指定の業界名に対応する業界モデルデータを取得する業界モデル取得ステップと、
   取得された前記ブログ記事の記事数の対数の値を、取得された前記業界モデルデータに含まれる前記最大記事数の対数の値で除することにより、前記ユーザ指定のブランド名に対する前記特定の評判又は消費行動状態についてのスコアを計算する第１スコア計算ステップと、
   を含み、コンピュータにより実行されるブランド分析方法。
2. 前記業界モデルデータが、
   評判及び消費行動状態の各々について当該評判又は消費行動状態に該当するとみなされる記事の記事数を前記ブランド名毎に行列要素として含む記事数行列の重み付き相関行列から得られ且つ前記評判及び消費行動状態の各々について要素を含む第一固有ベクトルｖと、第一主成分得点に対する平行移動パラメータｍと、前記第一主成分得点に対するリスケーリングパラメータβ^*と、前記評判及び消費行動状態の各々について当該評判又は消費行動状態についての重み付き標本平均μ^*及び重み付き標本標準偏差σ^*と、総合スコアについての基準化前スコアの最大値ｙ_maxとをさらに含み、
   前記記事数取得ステップにおいて、
   前記評判及び消費行動状態の各々について記事の記事数ｘを取得し、
   前記評判及び消費行動状態の各々について、前記記事の記事数ｘと前記重み付き標本平均μ^*との差を前記重み付き標本標準偏差σ^*で除した値に前記第一固有ベクトルｖの該当要素の値を掛けて、全ての前記評判及び消費行動状態について合計することによって、前記第一主成分得点を算出するステップと、
   前記第一主成分得点と前記平行移動パラメータｍとの差に前記リスケーリングパラメータβ^*を掛けて、前記総合スコアについての前記基準化前スコアを算出するステップと、
   前記総合スコアについての前記基準化前スコアの対数の値を、前記総合スコアについての前記基準化前スコアの最大値ｙ_maxの対数の値で除することにより、前記ユーザ指定のブランド名についての前記総合スコアを算出するステップと
   を含む第２スコア算出ステップ
   をさらに含む請求項１記載のブランド分析方法。
3. 前記評判及び消費行動状態が、
   ブランドに対する好感を表す評判状態と、
   前記ブランドに対する関心に相当する消費行動状態と、
   前記ブランドに対する経験に相当する消費行動状態と、
   前記ブランドに対する感動及び共有に相当する消費行動状態と、
   を含み、
   前記業界モデルデータが、
   特定の業界に属する各ブランドのうち前記好感を表す評判状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を、前記好感を表す評判状態についての最大記事数として、
   前記特定の業界に属する各ブランドのうち前記関心に相当する消費行動状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を、前記関心に相当する消費行動状態についての最大記事数として、
   前記特定の業界に属する各ブランドのうち前記経験に相当する消費行動状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を、前記経験に相当する消費行動状態についての最大記事数として、
   前記特定の業界に属する各ブランドのうち前記感動及び共有に相当する消費行動状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を、前記感動及び共有に相当する消費行動状態についての最大記事数として、
   含み、
   前記記事数取得ステップにおいて、
   前記好感を表す評判状態に該当するとみなされる記事の記事数と、前記関心に相当する消費行動状態に該当するとみなされる記事の記事数と、前記経験に相当する消費行動状態に該当するとみなされる記事の記事数と、前記感動及び共有に相当する消費行動状態に該当するとみなされる記事の記事数とを、前記記事分析装置から取得し、
   前記第１スコア算出ステップが、
   前記好感を表す評判状態についてのスコアを、前記好感を表す評判状態に該当するとみなされる記事の記事数の対数の値を前記好感を表す評判状態についての最大記事数の対数の値で除することにより算出するステップと、
   前記関心に相当する消費行動状態についてのスコアを、前記関心に相当する消費行動状態に該当するとみなされる記事の記事数の対数の値を前記関心に相当する消費行動状態についての最大記事数の対数の値で除することにより算出するステップと、
   前記経験に相当する消費行動状態についてのスコアを、前記経験に相当する消費行動状態に該当するとみなされる記事の記事数の対数の値を前記経験に相当する消費行動状態についての最大記事数の対数の値で除することにより算出するステップと、
   前記感動及び共有に相当する消費行動状態についてのスコアを、前記感動及び共有に相当する消費行動状態に該当するとみなされる記事の記事数の対数の値を前記感動及び共有に相当する消費行動状態についての最大記事数の対数の値で除することにより算出するステップと、
   を含む請求項１記載のブランド分析方法。
4. 前記業界モデルデータが、
   前記ユーザ指定のブランド名に係る業界又はユーザ指定の業界における、前記特定の評判又は消費行動状態についてのスコアの業界平均値を含み、
   前記ユーザ指定のブランド名に対する前記特定の評判又は消費行動状態についてのスコアと前記スコアの業界平均値とを対比可能な態様で出力するステップ
   をさらに含む請求項１記載のブランド分析方法。
5. 前記業界モデルデータが、
   前記ユーザ指定のブランド名に係る業界又はユーザ指定の業界における、前記総合スコアの業界平均値を含み、
   前記ユーザ指定のブランド名についての前記総合スコアと前記総合スコアの業界平均値とを対比可能な態様で出力するステップ
   をさらに含む請求項２記載のブランド分析方法。
6. 前記業界モデルデータが、
   前記ユーザ指定のブランド名に係る業界又はユーザ指定の業界に属する他のブランド名に対する、前記特定の評判又は消費行動状態についてのスコアを含み、
   前記ユーザ指定のブランド名に対する前記特定の評判又は消費行動状態についてのスコアと前記他のブランド名に対する、前記特定の評判又は消費行動状態についてのスコアとを対比可能な態様で出力するステップ
   をさらに含む請求項１記載のブランド分析方法。
7. 前記業界モデルデータが、
   前記ユーザ指定のブランド名に係る業界又はユーザ指定の業界に属する他のブランド名に対する総合スコアを含み、
   前記ユーザ指定のブランド名についての前記総合スコアと前記他のブランド名に対する総合スコアとを対比可能な態様で出力するステップ
   をさらに含む請求項２記載のブランド分析方法。
8. ユーザ指定のブランド名について、所定期間内の複数の記事において評判及び消費行動状態の各々に該当するとみなされる記事の記事数ｘを、記事分析装置に要求して、当該記事分析装置から取得する記事数取得ステップと、
   業界毎に、前記評判及び消費行動状態の各々について当該評判又は消費行動状態に該当するとみなされる記事の記事数を前記ブランド名毎に行列要素として含む記事数行列の重み付き相関行列から得られ且つ前記評判及び消費行動状態の各々について要素を含む第一固有ベクトルｖと、第一主成分得点に対する平行移動パラメータｍと、前記第一主成分得点に対するリスケーリングパラメータβ^*と、前記評判及び消費行動状態の各々について当該評判又は消費行動状態についての重み付き標本平均μ^*及び重み付き標本標準偏差σ^*と、総合スコアについての基準化前スコアの最大値ｙ_maxとを含む業界モデルデータを格納する業界モデル格納部から、前記ユーザ指定のブランド名に係る業界名又はユーザ指定の業界名に対応する業界モデルデータを取得する業界モデル取得ステップと、
   前記評判及び消費行動状態の各々について、前記記事の記事数ｘと前記重み付き標本平均μ^*との差を前記重み付き標本標準偏差σ^*で除した値に前記第一固有ベクトルｖの該当要素の値を掛けて、全ての前記評判及び消費行動状態について合計することによって、前記第一主成分得点を算出するステップと、
   前記第一主成分得点と前記平行移動パラメータｍとの差に前記リスケーリングパラメータβ^*を掛けて、前記総合スコアについての前記基準化前スコアを算出するステップと、
   前記総合スコアについての前記基準化前スコアの対数の値を、前記総合スコアについての前記基準化前スコアの最大値ｙ_maxの対数の値で除することにより、前記ユーザ指定のブランド名についての前記総合スコアを算出するステップと、
   を含み、コンピュータにより実行されるブランド分析方法。
9. ユーザ端末と、
   ブランド分析サーバと、
   を有するコンピュータ・システムであって、
   前記ブランド分析サーバは、
   前記ユーザ端末から受信した、ユーザ指定のブランド名について、所定期間内の複数の記事において特定の評判又は消費行動状態に該当するとみなされる記事の記事数を、記事分析装置に要求して、当該記事分析装置から取得する記事数取得手段と、
   業界毎に、当該業界に属する各ブランドのうち前記特定の評判又は消費行動状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を最大記事数として含む業界モデルデータを格納する業界モデル格納部から、前記ユーザ指定のブランド名に係る業界名又はユーザ指定の業界名に対応する業界モデルデータを取得する業界モデル取得手段と、
   取得された前記ブログ記事の記事数と、取得された前記業界モデルデータと、前記ブログ記事の記事数の対数の値を前記業界モデルデータに含まれる前記最大記事数の対数の値で除することにより前記ユーザ指定のブランド名に対する前記特定の評判又は消費行動状態についてのスコアを前記ユーザ端末に計算させる出力プログラムとを、前記ユーザ端末に送信する手段と、
   を有し、
   前記ユーザ端末は、前記出力プログラムを受信した後に実行して、前記スコアを出力する
   コンピュータ・システム。
10. ユーザ端末と、
    ブランド分析サーバと、
    を有するコンピュータ・システムであって、
    前記ブランド分析サーバは、
    前記ユーザ端末から受信した、ユーザ指定のブランド名について、所定期間内の複数の記事において評判及び消費行動状態の各々に該当するとみなされる記事の記事数ｘを、記事分析装置に要求して、当該記事分析装置から取得する記事数取得手段と、
    業界毎に、前記評判及び消費行動状態の各々について当該評判又は消費行動状態に該当するとみなされる記事の記事数を前記ブランド名毎に行列要素として含む記事数行列の重み付き相関行列から得られ且つ前記評判及び消費行動状態の各々について要素を含む第一固有ベクトルｖと、第一主成分得点に対する平行移動パラメータｍと、前記第一主成分得点に対するリスケーリングパラメータβ^*と、前記評判及び消費行動状態の各々について当該評判又は消費行動状態についての重み付き標本平均μ^*及び重み付き標本標準偏差σ^*と、総合スコアについての基準化前スコアの最大値ｙ_maxとを含む業界モデルデータを格納する業界モデル格納部から、前記ユーザ指定のブランド名に係る業界名又はユーザ指定の業界名に対応する業界モデルデータを取得する業界モデル取得手段と、
    （ａ）前記評判及び消費構造の各々に該当するとみなされる記事の記事数ｘと、（ｂ）前記業界モデルデータと、（ｃ）前記評判及び消費行動状態の各々について、前記記事の記事数ｘと前記重み付き標本平均μ^*との差を前記重み付き標本標準偏差σ^*で除した値に前記第一固有ベクトルｖの該当要素の値を掛けて、全ての前記評判及び消費行動状態について合計することによって、前記第一主成分得点を算出する処理と、前記第一主成分得点と前記平行移動パラメータｍとの差に前記リスケーリングパラメータβ^*を掛けて、前記総合スコアについての前記基準化前スコアを算出する処理と、前記総合スコアについての前記基準化前スコアの対数の値を、前記総合スコアについての前記基準化前スコアの最大値ｙ_maxの対数の値で除することにより、前記ユーザ指定のブランド名についての前記総合スコアを算出する処理とを前記ユーザ端末に実行させる出力プログラムとを、前記ユーザ端末に送信する手段と
    を有し、
    前記ユーザ端末は、前記出力プログラムを受信した後に実行して、前記スコアを出力する
    コンピュータ・システム。
11. ユーザ指定のブランド名について、所定期間内の複数の記事において特定の評判又は消費行動状態に該当するとみなされる記事の記事数を、記事分析装置に要求して、当該記事分析装置から取得する記事数取得手段と、
    業界毎に、当該業界に属する各ブランドのうち前記特定の評判又は消費行動状態に該当するとみなされる記事の記事数が最大となるブランドの当該記事数を最大記事数として含む業界モデルデータを格納する業界モデル格納部から、前記ユーザ指定のブランド名に係る業界名又はユーザ指定の業界名に対応する業界モデルデータを取得する業界モデル取得手段と、
    取得された前記ブログ記事の記事数の対数の値を、取得された前記業界モデルデータに含まれる前記最大記事数の対数の値で除することにより、前記ユーザ指定のブランド名に対する前記特定の評判又は消費行動状態についてのスコアを計算する第１スコア計算手段と、
    を有するブランド分析装置。
12. ユーザ指定のブランド名について、所定期間内の複数の記事において評判及び消費行動状態の各々に該当するとみなされる記事の記事数ｘを、記事分析装置に要求して、当該記事分析装置から取得する記事数取得手段と、
    業界毎に、前記評判及び消費行動状態の各々について当該評判又は消費行動状態に該当するとみなされる記事の記事数を前記ブランド名毎に行列要素として含む記事数行列の重み付き相関行列から得られ且つ前記評判及び消費行動状態の各々について要素を含む第一固有ベクトルｖと、第一主成分得点に対する平行移動パラメータｍと、前記第一主成分得点に対するリスケーリングパラメータβ^*と、前記評判及び消費行動状態の各々について当該評判又は消費行動状態についての重み付き標本平均μ^*及び重み付き標本標準偏差σ^*と、総合スコアについての基準化前スコアの最大値ｙ_maxとを含む業界モデルデータを格納する業界モデル格納部から、前記ユーザ指定のブランド名に係る業界名又はユーザ指定の業界名に対応する業界モデルデータを取得する業界モデル取得手段と、
    前記評判及び消費行動状態の各々について、前記記事の記事数ｘと前記重み付き標本平均μ^*との差を前記重み付き標本標準偏差σ^*で除した値に前記第一固有ベクトルｖの該当要素の値を掛けて、全ての前記評判及び消費行動状態について合計することによって、前記第一主成分得点を算出する手段と、
    前記第一主成分得点と前記平行移動パラメータｍとの差に前記リスケーリングパラメータβ^*を掛けて、前記総合スコアについての前記基準化前スコアを算出する手段と、
    前記総合スコアについての前記基準化前スコアの対数の値を、前記総合スコアについての前記基準化前スコアの最大値ｙ_maxの対数の値で除することにより、前記ユーザ指定のブランド名についての前記総合スコアを算出する手段と、
    を有するブランド分析装置。
13. 請求項１乃至８のいずれか１つ記載のブランド分析方法を実行させるためのプログラム。

Images