JP2010237919A - 嗜好推定装置 - Google Patents

Abstract

【課題】複数のユーザで構成されるグループにおいて、これら複数のユーザの全てが納得できるコンテンツ嗜好を推定できる嗜好推定装置を提供すること。
【解決手段】ユーザや、ユーザの属するグループのコンテンツ嗜好を推定する嗜好推定システム１は、ユーザが操作可能に設けられたクライアントＣと、クライアントＣと通信可能に設けられたサーバＳと、を備える。クライアントＣは、グループに属するユーザごとに、ユーザ固有の情報と、コンテンツ嗜好を推定するための全てのユーザの情報と、に基づいてユーザ固有の個人嗜好推定モデルを生成する個人嗜好推定モデル生成部Ｃ５と、個人嗜好推定モデル生成部Ｃ５により生成されたグループに属する各ユーザ固有の個人嗜好推定モデルと、グループに固有の情報と、に基づいて、グループのコンテンツ嗜好を推定するコンテンツ嗜好推定部Ｃ８と、を備える。
【選択図】図１

Description

本発明は、複数のユーザで構成されるグループに対し、曜日や時間帯などの状況を考慮したコンテンツ嗜好を推定する嗜好推定装置に関する。

従来より、ユーザのプロフィール（以下、「ユーザ属性」と呼ぶ。）と、曜日や時間帯などの状況と、に基づいて、ユーザのコンテンツ嗜好を推定する嗜好推定装置が提案されている（例えば、特許文献１参照）。このような嗜好推定装置は、ユーザによりコンテンツの評価が行われると、この結果を「ユーザ属性、コンテンツ属性、状況属性、理由属性、評価属性」の組で学習データとして収集する。そして、収集した学習データから、ユーザ属性と、コンテンツ属性と、状況属性と、理由属性と、評価属性と、の関係性をベイジアンネットで表現し（これを嗜好モデルと呼ぶ）、この嗜好モデルを用いて、ユーザのコンテンツ嗜好を推定する。

ここで、ユーザ属性とは、「年齢」、「性別」などのことである。コンテンツ属性とは、コンテンツがテレビ番組の場合には、ドラマやバラエティといった「ジャンル」、「チャネル」などのことである。状況属性とは、「気分」、「時間帯」などのことである。理由属性とは、「優越感をもてるから」などのことである。評価属性とは、「好き／嫌い」、「見た目が好き／嫌い」などのことである。

特開２００６−１２７４５２号公報

ところで、コンテンツ嗜好の推定は、１人のユーザに対して行われる場合や、複数のユーザで構成されるグループに対して行われる場合が考えられる。上述の嗜好推定装置では、コンテンツ嗜好の推定を１つの対象に対して行うことができる。このため、上述の嗜好推定装置では、１人のユーザのコンテンツ嗜好を推定する場合には、ゆっくり鑑賞できるコンテンツが好ましいと推定し、複数のユーザで構成されるグループのコンテンツ嗜好を推定する場合には、盛り上がるコンテンツが好ましいと判定することはできる。

ここで、例えば、上述の評価属性が「とても好き」、「好き」、「ふつう」、「嫌い」、「とても嫌い」の５段階で表され、２人のユーザでグループが構成される場合について検討する。第１コンテンツは、一方のユーザが「とても好き」であると評価し、他方のユーザが「とても嫌い」であると評価したコンテンツであり、第２コンテンツは、２人のユーザの両人が「ふつう」であると評価したコンテンツであるものとする。

すると、上述の嗜好推定装置では、第１コンテンツと第２コンテンツとのうち、どちらがグループにとって好ましいと判定すべきかという問題があった。また、上述の嗜好推定装置では、２人のユーザの間に優先順位がある場合、すなわち一方のユーザの意見が他方のユーザの意見よりグループにとって影響力が大きい場合に、これら２人のユーザの関係性をコンテンツ嗜好の推定に反映できなかった。

以上のように、上述の嗜好推定装置では、複数のユーザで構成されるグループにおいて、これら複数のユーザの全てが納得できるコンテンツ嗜好を推定するのが困難な場合があった。

そこで、本発明は、上述の課題に鑑みてなされたものであり、複数のユーザで構成されるグループにおいて、これら複数のユーザの全てが納得できるコンテンツ嗜好を推定できる嗜好推定装置を提供することを目的とする。

本発明は、上記の課題を解決するために、以下の事項を提案している。
（１）本発明は、グループのコンテンツ嗜好を推定する嗜好推定装置であって、前記グループに属するユーザごとに、ユーザ固有の情報（例えば、後述のユーザＸ固有の利用履歴、評価履歴、およびアンケート情報に相当）と、コンテンツ嗜好を推定するための全てのユーザの情報（例えば、後述の個人学習初期データおよび個人嗜好推定初期モデルに相当）と、に基づいてユーザ固有の個人嗜好推定モデル（例えば、後述の個人嗜好推定モデルに相当）を生成する個人嗜好推定モデル生成手段（例えば、図１の個人嗜好推定モデル生成部Ｃ５に相当）と、前記個人嗜好推定モデル生成手段により生成された前記グループに属する各ユーザ固有の個人嗜好推定モデルと、前記グループに固有の情報と、に基づいて、前記グループのコンテンツ嗜好を推定するコンテンツ嗜好推定手段（例えば、図１のコンテンツ嗜好推定部Ｃ８に相当）と、を備えることを特徴とする嗜好推定装置を提案している。

この発明によれば、グループのコンテンツ嗜好を推定する嗜好推定装置に、グループに属するユーザごとにユーザ固有の情報とコンテンツ嗜好を推定するための全てのユーザの情報とに基づいてユーザ固有の個人嗜好推定モデルを生成する個人嗜好推定モデル生成手段と、個人嗜好推定モデル生成手段により生成されたグループに属する各ユーザ固有の個人嗜好推定モデルとグループに固有の情報とに基づいてグループのコンテンツ嗜好を推定するコンテンツ嗜好推定手段と、を設けた。

このため、嗜好推定装置は、コンテンツ嗜好を推定するための全てのユーザの情報に、グループを構成する各ユーザに固有の情報と、グループに固有の情報と、を組み合わせて、グループのコンテンツ嗜好を推定する。したがって、コンテンツ嗜好の推定に、グループを構成する各ユーザの好みといった特性と、グループの特性と、を反映できるので、グループを構成する全てのユーザが納得できるコンテンツ嗜好を推定できる。

（２）本発明は、（１）の嗜好推定装置について、前記個人嗜好推定モデル生成手段は、前記グループに属するユーザごとに、前記ユーザ固有の情報に基づいて個人学習データ（例えば、後述の個人学習データに相当）を生成し、生成した個人学習データを予め定めた値（例えば、後述のＮに相当）で重み付けし、重み付けした個人学習データと、前記コンテンツ嗜好を推定するための全てのユーザの情報と、に基づいて前記ユーザ固有の個人嗜好推定モデルを生成することを特徴とする嗜好推定装置を提案している。

この発明によれば、個人嗜好推定モデル生成手段により、まず、グループに属するユーザごとに、ユーザ固有の情報に基づいて個人学習データを生成し、生成した個人学習データを予め定めた値で重み付けすることとした。次に、グループに属するユーザごとに、重み付けした個人学習データと、コンテンツ嗜好を推定するための全てのユーザの情報と、に基づいてユーザ固有の個人嗜好推定モデルを生成することとした。これによれば、重み付けした個人学習データを用いてユーザ固有の個人嗜好推定モデルを生成できるので、ユーザ固有の個人嗜好推定モデルの生成に、各自の好みといった特性をより強く反映できる。

（３）本発明は、（１）または（２）の嗜好推定装置について、前記コンテンツ嗜好推定手段は、前記個人嗜好推定モデル生成手段により生成された前記グループに属する各ユーザ固有の個人嗜好推定モデルに基づいて、コンテンツに対する各ユーザの評価値（例えば、後述のｘ_ｉに相当）を算出し、前記算出したコンテンツに対する各ユーザの評価値を積算し、積算結果が大きいコンテンツから順に、前記グループのコンテンツ嗜好とすることを特徴とする嗜好推定装置を提案している。

この発明によれば、コンテンツ嗜好推定手段により、個人嗜好推定モデル生成手段により生成されたグループに属する各ユーザ固有の個人嗜好推定モデルに基づいて、コンテンツに対する各ユーザの評価値を算出し、算出したコンテンツに対する各ユーザの評価値を積算し、積算結果が大きいコンテンツから順に、グループのコンテンツ嗜好とすることとした。このため、各ユーザに固有の個人嗜好推定モデルを用いて、グループを構成する各ユーザのコンテンツに対する評価値を算出し、算出結果をコンテンツ嗜好の推定に反映できる。

（４）本発明は、（１）または（２）の嗜好推定装置について、前記グループに固有の情報は、各ユーザの優先順位に応じた数値（例えば、後述のβ_ｉに相当）であり、前記優先順位に応じた数値は、前記グループ内でのユーザの優先順位が高くなるに従って大きく設定され、前記コンテンツ嗜好推定手段は、前記個人嗜好推定モデル生成手段により生成された前記グループに属する各ユーザ固有の個人嗜好推定モデルに基づいて、コンテンツに対する各ユーザの評価値（例えば、後述のｘ_ｉに相当）を算出し、前記グループに属するユーザごとに、前記算出したコンテンツに対する評価値と、前記優先順位に応じた数値と、を乗算し、乗算結果を積算し、積算結果が大きいコンテンツから順に、前記グループのコンテンツ嗜好とすることを特徴とする嗜好推定装置を提案している。

この発明によれば、グループに固有の情報として、グループを構成する各ユーザの優先順位に応じた数値を用いた。そして、この優先順位に応じた数値を、グループ内でのユーザの優先順位が高くなるに従って大きく設定した。また、コンテンツ嗜好推定手段により、個人嗜好推定モデル生成手段により生成されたグループに属する各ユーザ固有の個人嗜好推定モデルに基づいて、コンテンツに対する各ユーザの評価値を算出し、グループに属するユーザごとに、算出したコンテンツに対する評価値と、優先順位に応じた数値と、を乗算し、乗算結果を積算し、積算結果が大きいコンテンツから順に、グループのコンテンツ嗜好とすることとした。このため、グループを構成する各ユーザのコンテンツに対する評価値だけでなく、グループ内での各ユーザの優先順位も、コンテンツ嗜好の推定に反映できる。

（５）本発明は、（１）または（２）の嗜好推定装置について、前記グループに固有の情報は、所定の閾値（例えば、後述のδ_ｉに相当）であり、前記コンテンツ嗜好推定手段は、前記個人嗜好推定モデル生成手段により生成された前記グループに属する各ユーザ固有の個人嗜好推定モデルに基づいて、コンテンツに対する各ユーザの評価値（例えば、後述のｘ_ｉに相当）を算出し、前記グループに属するユーザごとに前記評価値と前記所定の閾値とを比較して、前記評価値が前記所定の閾値未満の場合には第１の値（例えば、後述の「０」に相当）を設定し、前記評価値が前記所定の閾値以上の場合には前記第１の値より大きい第２の値（例えば、後述の「１」に相当）を設定し、前記グループに属するユーザごとに設定した値を積算し、積算結果が大きいコンテンツから順に、前記グループのコンテンツ嗜好とすることを特徴とする嗜好推定装置を提案している。

この発明によれば、グループに固有の情報として、所定の閾値を用いた。そして、コンテンツ嗜好推定手段により、個人嗜好推定モデル生成手段により生成されたグループに属する各ユーザ固有の個人嗜好推定モデルに基づいて、コンテンツに対する各ユーザの評価値を算出し、グループに属するユーザごとに評価値と所定の閾値とを比較して、評価値が所定の閾値未満の場合には第１の値を設定し、評価値が所定の閾値以上の場合には第１の値より大きい第２の値を設定し、グループに属するユーザごとに設定した値を積算し、積算結果が大きいコンテンツから順に、グループのコンテンツ嗜好とすることとした。このため、グループを構成するユーザのうち、コンテンツに対する評価値が所定の閾値以上であるユーザの人数を計数し、計数した人数をコンテンツ嗜好の推定に反映できる。

（６）本発明は、（１）または（２）の嗜好推定装置について、前記グループに固有の情報は、前記グループに固有のルール（例えば、後述のグループＹにおける固有のルールに相当）であり、前記コンテンツ嗜好推定手段は、前記ルールに適合するコンテンツを、前記グループのコンテンツ嗜好とすることを特徴とする嗜好推定装置を提案している。

この発明によれば、グループに固有の情報として、グループに固有のルールを用いた。そして、コンテンツ嗜好推定手段により、ルールに適合するコンテンツを、グループのコンテンツ嗜好とすることとした。このため、成人向けのコンテンツが推定されるのを禁止するといった、グループに固有のルールをコンテンツ嗜好の推定に反映できる。

（７）本発明は、（１）または（２）の嗜好推定装置について、前記グループに固有の情報は、各ユーザの優先順位に応じた数値（例えば、後述のβ_ｉに相当）と、所定の閾値（例えば、後述のδ_ｉに相当）と、であり、前記優先順位に応じた数値は、前記グループ内でのユーザの優先順位が高くなるに従って大きく設定され、前記コンテンツ嗜好推定手段は、前記個人嗜好推定モデル生成手段により生成された前記グループに属する各ユーザ固有の個人嗜好推定モデルに基づいて、コンテンツに対する各ユーザの評価値（例えば、後述のｘ_ｉに相当）を算出し、前記グループに属するユーザごとに前記評価値と前記所定の閾値とを比較して、前記評価値が前記所定の閾値未満の場合には第１の値（例えば、後述の「０」に相当）を設定し、前記評価値が前記所定の閾値以上の場合には前記第１の値より大きい第２の値（例えば、後述の「１」に相当）を設定し、前記グループに属するユーザごとに、前記設定した値と、前記優先順位に応じた数値と、を乗算し、乗算結果を積算し、積算結果が大きいコンテンツから順に、前記グループのコンテンツ嗜好とすることを特徴とする嗜好推定装置を提案している。

この発明によれば、グループに固有の情報として、グループを構成する各ユーザの優先順位に応じた数値と、所定の閾値と、を用いた。そして、優先順位に応じた数値を、グループ内でのユーザの優先順位が高くなるに従って大きく設定した。また、コンテンツ嗜好推定手段により、個人嗜好推定モデル生成手段により生成されたグループに属する各ユーザ固有の個人嗜好推定モデルに基づいて、コンテンツに対する各ユーザの評価値を算出し、グループに属するユーザごとに評価値と所定の閾値とを比較して、評価値が所定の閾値未満の場合には第１の値を設定し、評価値が所定の閾値以上の場合には第１の値より大きい第２の値を設定し、グループに属するユーザごとに、設定した値と、優先順位に応じた数値と、を乗算し、乗算結果を積算し、積算結果が大きいコンテンツから順に、グループのコンテンツ嗜好とすることとした。このため、グループを構成する各ユーザのコンテンツに対する評価値だけでなく、グループ内での各ユーザの優先順位と、コンテンツに対する評価値が所定の閾値以上であるユーザの人数も、コンテンツ嗜好の推定に反映できる。

（８）本発明は、（１）または（２）の嗜好推定装置について、前記コンテンツ嗜好推定手段による前記グループのコンテンツ嗜好の推定は、（３）〜（７）のコンテンツ嗜好推定手段による前記グループのコンテンツ嗜好の推定のいずれかに切り替え可能であることを特徴とする嗜好推定装置を提案している。

この発明によれば、コンテンツ嗜好推定手段を、（３）〜（７）のコンテンツ嗜好推定手段のいずれかに切り替え可能とした。このため、状況に応じて最適なコンテンツ嗜好推定手段を用いることで、グループを構成する全てのユーザがさらに納得できるコンテンツ嗜好を推定できる。

（９）本発明は、グループのコンテンツ嗜好を推定する嗜好推定装置であって、前記グループに固有の情報（例えば、後述のグループＹ固有の利用履歴、評価履歴、およびアンケート情報に相当）と、コンテンツ嗜好を推定するための全てのグループの情報（例えば、後述のグループ学習初期データおよびグループ嗜好推定初期モデルに相当）と、に基づいて、前記グループに固有のグループ嗜好推定モデル（例えば、後述のグループ嗜好推定モデルに相当）を生成するグループ嗜好推定モデル生成手段（例えば、図１のグループ嗜好推定モデル生成部Ｃ６に相当）と、前記グループ嗜好推定モデル生成手段により生成された前記グループのグループ嗜好推定モデルに基づいて、前記グループのコンテンツ嗜好を推定するコンテンツ嗜好推定手段（例えば、図１のコンテンツ嗜好推定部Ｃ８に相当）と、を備えることを特徴とする嗜好推定装置を提案している。

この発明によれば、グループのコンテンツ嗜好を推定する嗜好推定装置に、グループに固有の情報とコンテンツ嗜好を推定するための全てのグループの情報とに基づいてグループに固有のグループ嗜好推定モデルを生成するグループ嗜好推定モデル生成手段と、グループ嗜好推定モデル生成手段により生成されたグループのグループ嗜好推定モデルに基づいてグループのコンテンツ嗜好を推定するコンテンツ嗜好推定手段と、を設けた。

このため、嗜好推定装置は、コンテンツ嗜好を推定するための全てのグループの情報に、グループに固有の情報を組み合わせて、グループのコンテンツ嗜好を推定する。したがって、コンテンツ嗜好の推定に、グループに固有の情報を反映できる。そして、グループに固有の情報には、このグループを構成する各ユーザの特性が反映されているため、グループを構成する全てのユーザが納得できるコンテンツ嗜好を推定できる。

（１０）本発明は、（９）の嗜好推定装置について、前記グループ嗜好推定モデル生成手段は、前記グループの情報に基づいてグループ学習データ（例えば、後述の個人学習データに相当）を生成し、生成したグループ学習データを予め定めた値（例えば、後述のＭに相当）で重み付けし、重み付けしたグループ学習データと、前記コンテンツ嗜好を推定するための全てのグループの情報と、に基づいて、前記グループに固有のグループ嗜好推定モデルを生成することを特徴とする嗜好推定装置を提案している。

この発明によれば、グループ嗜好推定モデル生成手段により、まず、グループの情報に基づいてグループ学習データを生成し、生成したグループ学習データを予め定めた値で重み付けすることとした。次に、重み付けしたグループ学習データと、コンテンツ嗜好を推定するための全てのグループの情報と、に基づいて、グループに固有のグループ嗜好推定モデルを生成することとした。これによれば、重み付けしたグループ学習データを用いてグループ嗜好推定モデルを生成できるので、グループ嗜好推定モデルの生成に、グループの特性をより強く反映できる。

（１１）本発明は、グループのコンテンツ嗜好を推定する嗜好推定装置であって、（１）または（２）の個人嗜好推定モデル生成手段と、（３）〜（７）のコンテンツ嗜好推定手段と、（９）または（１０）のグループ嗜好推定モデル生成部およびコンテンツ嗜好推定手段と、を備え、前記グループのコンテンツ嗜好の推定結果に対する前記グループの反応に応じた反応量が特定の閾値未満の場合、（１）または（２）の個人嗜好推定モデル生成手段と、（３）〜（７）のいずれかに記載のコンテンツ嗜好推定手段と、により、前記グループのコンテンツ嗜好を推定し、前記グループのコンテンツ嗜好の推定結果に対する前記グループの反応に応じた反応量が特定の閾値未満の場合、（９）または（１０）のグループ嗜好推定モデル生成部およびコンテンツ嗜好推定手段により、前記グループのコンテンツ嗜好を推定することを特徴とする嗜好推定装置を提案している。

ここで、コンテンツ嗜好の推定結果に対するグループの反応に応じた反応量とは、例えば、コンテンツ嗜好の推定結果に対するグループのフィードバック回数のことである。コンテンツ嗜好の推定結果に対するグループのフィードバック回数とは、例えば、コンテンツ嗜好の推定結果に対してグループが評価を行った回数といった、コンテンツ嗜好を推定したことに基づいてグループが嗜好推定装置に何らかの入力を行った回数のことである。

この発明によれば、グループのコンテンツ嗜好を推定する嗜好推定装置に、（１）または（２）の個人嗜好推定モデル生成手段と、（３）〜（７）のコンテンツ嗜好推定手段と、（９）または（１０）のグループ嗜好推定モデル生成部およびコンテンツ嗜好推定手段と、を設けた。そして、グループのコンテンツ嗜好の推定結果に対する前記グループの反応に応じた反応量が特定の閾値未満の場合、（１）または（２）の個人嗜好推定モデル生成手段と、（３）〜（７）のいずれかに記載のコンテンツ嗜好推定手段と、により、グループのコンテンツ嗜好を推定することとした。一方、グループのコンテンツ嗜好の推定結果に対する前記グループの反応に応じた反応量が特定の閾値未満の場合、（９）または（１０）のグループ嗜好推定モデル生成部およびコンテンツ嗜好推定手段により、グループのコンテンツ嗜好を推定することとした。このため、状況に応じて、個人嗜好推定モデル生成手段と、コンテンツ嗜好推定手段と、グループ嗜好推定モデル生成部と、コンテンツ嗜好推定手段と、を使い分けることで、グループを構成する全てのユーザがさらに納得できるコンテンツ嗜好を推定できる。

（１２）本発明は、（１）〜（８）のいずれかの嗜好推定装置について、前記グループのコンテンツ嗜好が推定されると、推定結果に基づいて、前記コンテンツ嗜好を推定するための全てのユーザの情報を更新するユーザ情報更新手段を備えることを特徴とする嗜好推定装置を提案している。

この発明によれば、グループのコンテンツ嗜好が推定されると、推定結果に基づいて、コンテンツ嗜好を推定するための全てのユーザの情報を更新するユーザ情報更新手段を設けた。このため、グループのコンテンツ嗜好が推定されると、その結果を蓄積して、コンテンツ嗜好の推定に用いることができる。このため、グループのコンテンツ嗜好が推定されるに従って、推定したコンテンツ嗜好に対して、グループを構成する全てのユーザの納得度を向上させることができる。

（１３）本発明は、（１２）の嗜好推定装置について、前記ユーザ情報更新手段は、前記コンテンツ嗜好を推定するための全てのユーザの情報を初期化できることを特徴とする嗜好推定装置を提案している。

この発明によれば、ユーザ情報更新手段により、コンテンツ嗜好を推定するための全てのユーザの情報を初期化できることとした。このため、状況に応じて、コンテンツ嗜好を推定するための全てのユーザの情報を初期化できる。

（１４）本発明は、（９）または（１０）の嗜好推定装置について、前記グループのコンテンツ嗜好が推定されると、推定結果に基づいて、コンテンツ嗜好を推定するための全てのグループの情報を更新するグループ情報更新手段を備えることを特徴とする嗜好推定装置を提案している。

この発明によれば、グループのコンテンツ嗜好が推定されると、推定結果に基づいて、コンテンツ嗜好を推定するための全てのグループの情報を更新するグループ情報更新手段を設けた。このため、グループのコンテンツ嗜好が推定されると、その結果を蓄積して、コンテンツ嗜好の推定に用いることができる。このため、グループのコンテンツ嗜好が推定されるに従って、推定したコンテンツ嗜好に対して、グループを構成する全てのユーザの納得度を向上させることができる。

（１５）本発明は、（１４）の嗜好推定装置について、前記グループ情報更新手段は、前記コンテンツ嗜好を推定するための全てのグループの情報を初期化できることを特徴とする嗜好推定装置を提案している。

この発明によれば、グループ情報更新手段は、コンテンツ嗜好を推定するための全てのグループの情報を初期化できることとした。このため、状況に応じて、コンテンツ嗜好を推定するための全てのグループの情報を初期化できる。

本発明によれば、複数のユーザで構成されるグループにおいて、これら複数のユーザの全てが納得できるコンテンツ嗜好を推定でき、その結果、グループ全体の満足度を向上できる。

本発明の一実施形態に係るサーバおよびクライアントを備える嗜好推定システムの構成を示すブロック図である。 前記サーバが備える個人嗜好初期モデル生成部を説明するための図である。 前記サーバが備えるグループ嗜好初期モデル生成部を説明するための図である。 前記クライアントが備える個人嗜好推定モデル生成部を説明するための図である。 前記クライアントが備えるグループ嗜好推定モデル生成部を説明するための図である。 前記クライアントが備えるグループ意志決定モデル生成部を説明するための図である。

以下、本発明の実施の形態について図面を参照しながら説明する。なお、以下の実施形態における構成要素は適宜、既存の構成要素などとの置き換えが可能であり、また、他の既存の構成要素との組合せを含む様々なバリエーションが可能である。したがって、以下の実施形態の記載をもって、特許請求の範囲に記載された発明の内容を限定するものではない。

＜嗜好推定システム１の構成＞
図１は、本発明の一実施形態に係る嗜好推定システム１の構成を示すブロック図である。嗜好推定システム１は、ユーザが操作可能に設けられたクライアントＣと、クライアントＣと通信可能に設けられたサーバＳと、を備える。この嗜好推定システム１は、ユーザや、ユーザの属するグループのコンテンツ嗜好を推定する。

＜サーバＳの構成＞
サーバＳは、個人情報記憶部Ｓ１、個人情報更新部Ｓ２、個人嗜好初期モデル生成部Ｓ３、グループ情報記憶部Ｓ４、グループ情報更新部Ｓ５、およびグループ嗜好初期モデル生成部Ｓ６を備える。

個人情報記憶部Ｓ１は、嗜好推定システム１を用いてコンテンツ嗜好を推定するための全てのユーザの利用履歴、評価履歴、およびアンケート情報を記憶する。

個人情報更新部Ｓ２は、クライアントＣから送信される情報に基づいて、個人情報記憶部Ｓ１に記憶されている情報を更新する。この個人情報更新部Ｓ２による更新により、嗜好推定システム１を用いてコンテンツ嗜好を推定したユーザの情報が個人情報記憶部Ｓ１に記憶されている情報に反映され、ユーザの利用履歴、評価履歴、およびアンケート情報が個人情報記憶部Ｓ１に蓄積されることとなる。

図２を用いて、個人嗜好初期モデル生成部Ｓ３について説明する。個人嗜好初期モデル生成部Ｓ３は、嗜好推定システム１を用いてコンテンツ嗜好を推定する一般的なユーザのコンテンツ嗜好を推定するためのモデルである個人嗜好推定初期モデルを生成する。具体的には、まず、個人情報記憶部Ｓ１に記憶されているユーザの利用履歴、評価履歴、およびアンケート情報から、個人学習初期データを生成する。

次に、生成した個人学習初期データに基づいて、ベイジアンネットワークやニューラルネットワーク、サポートベクターマシーンなどの識別器による個人嗜好推定初期モデルを生成する。より詳細には、まず、個人学習初期データに含まれる肯定評価データを利用して、ユーザ属性および状況属性から好まれそうなコンテンツ属性を予測するポジティブモデルを生成するとともに、個人学習初期データに含まれる否定評価データを利用して、ユーザ属性および状況属性から嫌われそうなコンテンツ属性を予測するネガティブモデルを生成する。次に、これらポジティブモデルおよびネガティブモデルを用いて、個人嗜好推定初期モデルを生成する。

グループ情報記憶部Ｓ４は、グループの対象パターンごとに、嗜好推定システム１を用いてコンテンツ嗜好を推定するための全てのグループの利用履歴、評価履歴、およびアンケート情報を記憶する。なお、グループの対象パターンとは、グループの種類のことであり、例えば、夫婦で構成されるグループや、夫婦および１人の子供で構成されるグループなどのことである。

グループ情報更新部Ｓ５は、クライアントＣから送信される情報に基づいて、グループ情報記憶部Ｓ４に記憶されている情報を更新する。このグループ情報更新部Ｓ５による更新により、嗜好推定システム１を用いてコンテンツ嗜好を推定したグループの情報がグループ情報記憶部Ｓ４に記憶されている情報に反映され、グループの対象パターンごとに、グループの利用履歴、評価履歴、およびアンケート情報がグループ情報記憶部Ｓ４に蓄積されることとなる。

例えば、ユーザＰおよびユーザＱの夫婦で構成されるグループの場合、対象グループが夫婦であるグループの利用履歴は、ユーザＰおよびユーザＱが一緒に利用した履歴によって更新され、ユーザＰまたはユーザＱが一人で利用した履歴によっては更新されない。また、対象グループが夫婦であるグループの評価履歴は、ユーザＰおよびユーザＱが一緒に評価した履歴によって更新され、ユーザＰまたはユーザＱが一人で評価した履歴によっては更新されない。また、対象グループが夫婦であるグループのアンケート情報は、ユーザＰおよびユーザＱが一緒に回答したアンケートの情報によって更新され、ユーザＰまたはユーザＱが一人で回答したアンケートの情報によっては更新されない。このため、グループの利用履歴、評価履歴、およびアンケート情報の蓄積には、時間がかかる場合が多い。

図３を用いて、グループ嗜好初期モデル生成部Ｓ６について説明する。グループ嗜好初期モデル生成部Ｓ６は、嗜好推定システム１を用いてコンテンツ嗜好を推定する一般的なグループのコンテンツ嗜好を推定するためのモデルであるグループ嗜好推定初期モデルを生成する。具体的には、まず、グループ情報記憶部Ｓ４に記憶されているグループの対象パターンごとの利用履歴、評価履歴、およびアンケート情報から、グループの対象パターンごとにグループ学習初期データを生成する。

次に、グループの対象パターンごとに、生成したグループ学習初期モデルに基づいて、ベイジアンネットワークやニューラルネットワーク、サポートベクターマシーンなどの識別器によるグループ嗜好推定初期モデルを生成する。より詳細には、まず、グループ学習初期データに含まれる肯定評価データを利用して、グループ属性（人数や、小学生以下の子供の有無など）および状況属性から好まれそうなコンテンツ属性を予測するポジティブモデルを生成するとともに、グループ学習初期データに含まれる否定評価データを利用して、グループ属性および状況属性から嫌われそうなコンテンツ属性を予測するネガティブモデルを生成する。次に、これらポジティブモデルおよびネガティブモデルを用いて、グループの対象パターンごとに、グループ嗜好推定初期モデルを生成する。

＜クライアントＣの構成＞
クライアントＣは、ユーザ固有情報記憶部Ｃ１、ユーザ固有情報更新部Ｃ２、グループ固有情報記憶部Ｃ３、グループ固有情報更新部Ｃ４、個人嗜好推定モデル生成部Ｃ５、グループ嗜好推定モデル生成部Ｃ６、グループ意志決定モデル生成部Ｃ７、およびコンテンツ嗜好推定部Ｃ８を備える。

ユーザ固有情報記憶部Ｃ１は、クライアントＣを利用した全てのユーザの利用履歴、評価履歴、およびアンケート情報を記憶する。ここで、クライアントＣを利用した全てのユーザとは、クライアントＣを操作したユーザだけでなく、このユーザがクライアントＣを操作した際に一緒にいたユーザも含まれる。

ユーザ固有情報更新部Ｃ２は、クライアントＣが利用されると、クライアントＣを利用したユーザごとに、ユーザ固有情報記憶部Ｃ１に記憶されている情報を更新する。このユーザ固有情報更新部Ｃ２による更新により、クライアントＣを利用した各ユーザの情報がユーザ固有情報記憶部Ｃ１に蓄積されることとなる。また、ユーザ固有情報更新部Ｃ２は、クライアントＣが利用されると、クライアントＣを利用した各ユーザの利用履歴、評価履歴、およびアンケート情報を、サーバＳの個人情報更新部Ｓ２に送信する。

グループ固有情報記憶部Ｃ３は、クライアントＣをユーザが操作した際に構成していたグループ、すなわちクライアントＣを利用したグループの利用履歴、評価履歴、およびアンケート情報を記憶する。ここで、例えば、ユーザＰと、ユーザＰの妻であるユーザＱと、ユーザＰおよびユーザＱの子供であるユーザＲと、の３人がいる家庭では、ユーザＰは、ユーザＰとユーザＱとで構成される夫婦のグループと、ユーザＰとユーザＲとで構成される父子のグループと、ユーザＰとユーザＱとユーザＲとで構成される家族のグループと、の３つのグループに属することになる。ユーザＰがクライアントＣを操作した際に、ユーザＱおよびユーザＲが一緒にいれば、グループ固有情報記憶部Ｃ３は、上述の家族のグループ利用履歴、評価履歴、およびアンケート情報として、ユーザＰが操作した際の利用履歴、評価履歴、およびアンケート情報を記憶する。

グループ固有情報更新部Ｃ４は、クライアントＣを利用したグループごとに、グループ固有情報記憶部Ｃ３に記憶されている情報を更新する。このグループ固有情報更新部Ｃ４による更新により、クライアントＣを利用した各グループの情報がグループ固有情報記憶部Ｃ３に蓄積されることとなる。また、グループ固有情報更新部Ｃ４は、クライアントＣが利用されると、クライアントＣを利用したグループの利用履歴、評価履歴、およびアンケート情報を、サーバＳのグループ情報更新部Ｓ５に送信する。

図４を用いて、個人嗜好推定モデル生成部Ｃ５について説明する。個人嗜好推定モデル生成部Ｃ５は、クライアントＣを操作するユーザごとに、固有のコンテンツ嗜好を推定するためのモデルである個人嗜好推定モデルを生成する。具体的には、クライアントＣを操作するユーザのうちユーザＸ固有の個人嗜好推定モデルを生成する場合、まず、サーバＳから、個人嗜好初期モデル生成部Ｓ３により生成された個人学習初期データおよび個人嗜好推定初期モデルを受信する。次に、ユーザ固有情報記憶部Ｃ１に記憶されているユーザＸ固有の利用履歴、評価履歴、およびアンケート情報から、ユーザＸ固有の個人学習データを生成する。次に、ユーザＸ固有の個人学習データをＮ倍（ただし、Ｎは実数）し、Ｎ倍した個人学習データと個人学習初期データとを合成する。次に、Ｎ倍した個人学習データと個人学習初期データとを合成したものに基づいて、個人嗜好推定初期モデルの各パラメータを更新して、個人嗜好推定モデルとする。以上により、ユーザＸ固有の個人嗜好推定モデルが生成される。

図５を用いて、グループ嗜好推定モデル生成部Ｃ６について説明する。グループ嗜好推定モデル生成部Ｃ６は、クライアントＣを操作するユーザと、このユーザと一緒にいる１人以上のユーザと、で構成されるグループごとに、固有のコンテンツ嗜好を推定するための第１のモデルであるグループ嗜好推定モデルを生成する。具体的には、クライアントＣを操作するユーザが属する複数のグループのうちグループＹ固有のグループ嗜好推定モデルを生成する場合、まず、サーバＳから、グループ嗜好初期モデル生成部Ｓ６により生成されたグループ学習初期データおよびグループ嗜好推定初期モデルを受信する。次に、グループ固有情報記憶部Ｃ３に記憶されているグループＹ固有の利用履歴、評価履歴、およびアンケート情報から、グループ学習データを生成する。次に、グループ学習データをＭ倍（ただし、Ｍは実数）し、Ｍ倍したグループ学習データとグループ学習初期データとを合成する。次に、Ｍ倍したグループ学習データとグループ学習初期データとを合成したものに基づいて、グループ嗜好推定初期モデルの各パラメータを更新して、グループ嗜好推定初期モデルとする。以上により、グループＹ固有のグループ嗜好推定モデルが生成される。

図６を用いて、グループ意志決定モデル生成部Ｃ７について説明する。グループ意志決定モデル生成部Ｃ７は、クライアントＣを操作するユーザと、このユーザと一緒にいる１人以上のユーザと、で構成されるグループごとに、固有のコンテンツ嗜好を推定するための第２のモデルであるグループ意志決定モデルを生成する。具体的には、グループＹ固有のグループ意志決定モデルを生成する場合、まず、後述の個人合算決定モデル、優先順位決定モデル、ＬＯＡモデル、ルールベースモデル、および混合モデルの５つのモデルの中から１つを選択する。次に、個人嗜好推定モデル生成部Ｃ５により生成されたグループＹに属するユーザごとに固有の個人嗜好推定モデルと、グループＹ固有の情報と、に基づいて、選択したモデルの各パラメータを更新して、グループ意志決定モデルとする。以上により、グループＹ固有のグループ意志決定モデルが生成される。

なお、グループＹ固有の情報とは、優先順位決定モデルが選択された場合には、後述のユーザｉの優先順位に応じた数値β_ｉのことである。また、ＬＯＡモデルが選択された場合には、後述のユーザｉの評価値ｘ_ｉに対する閾値δ_ｉのことである。また、ルールベースモデルが選択された場合には、後述のグループＹにおける固有のルールのことである。また、混合モデルが選択された場合には、後述のユーザｉの優先順位に応じた数値β_ｉと、後述のユーザｉの評価値ｘ_ｉに対する閾値δ_ｉのことである。

コンテンツ嗜好推定部Ｃ８は、個人嗜好推定モデル生成部Ｃ５により生成されたユーザＸの個人嗜好推定モデルを用いて、ユーザＸ固有のコンテンツ嗜好を推定する。

また、コンテンツ嗜好推定部Ｃ８は、グループ嗜好推定モデル生成部Ｃ６により生成されたグループＹ固有のグループ嗜好推定モデルと、グループ意志決定モデル生成部Ｃ７により生成されたグループＹ固有のグループ意志決定モデルと、のいずれかを用いて、グループＹ固有のコンテンツ嗜好を推定する。

グループ嗜好推定モデルとグループ意志決定モデルとのいずれを用いるかは、コンテンツ嗜好の推定結果に対するグループＹのフィードバック回数に応じて決定される。具体的には、コンテンツ嗜好の推定結果に対してグループＹが評価した回数が所定回数未満の場合には、グループ意志決定モデルを用い、コンテンツ嗜好の推定結果に対してグループＹが評価した回数が所定回数以上の場合には、グループ嗜好推定モデルを用いる。

グループ嗜好推定モデルを用いる場合には、コンテンツ嗜好推定部Ｃ８は、グループ嗜好推定モデル生成部Ｃ６により生成されたグループＹ固有のグループ嗜好推定モデルに基づいて、グループＹ固有のコンテンツ嗜好を推定する。

一方、グループ意志決定モデルを用いる場合には、コンテンツ嗜好推定部Ｃ８は、まず、個人嗜好推定モデル生成部Ｃ５により生成されたグループＹに属する各ユーザの個人嗜好推定モデルに基づいて、グループＹに属するユーザごとに、コンテンツｘに対するユーザｉの評価値ｘ_ｉを算出する。次に、算出したコンテンツｘに対するユーザｉの評価値ｘ_ｉと、グループ意志決定モデル生成部Ｃ７により生成されたグループＹ固有のグループ意志決定モデルと、に基づいて、グループＹ固有のコンテンツ嗜好を推定する。

＜個人合算決定モデル＞
個人合算決定モデルは、グループＹに属する各ユーザの評価値の合計が高いコンテンツを選別するためのモデルである。このモデルは、グループＹに対するコンテンツｘのグループＹの推薦度をＦ（ｘ_ｉ）とすると、式（１）のように表すことができる。

＜優先順位決定モデル＞
優先順位決定モデルは、グループＹに属するユーザの間に優先順位がある場合に、この優先順位をコンテンツの選別に反映できるモデルであり、グループＹに属する各ユーザの評価値と、優先順位に応じた数値と、を乗算したものの合計が高いコンテンツを選別するためのモデルである。このモデルは、グループＹに対するコンテンツｘの推薦度をＦ（β_ｉ、ｘ_ｉ）とすると、式（２）のように表すことができる。

式（２）において、β_ｉは、ユーザｉの優先順位に応じた数値を示し、優先順位が高いほど数値が大きくなる。

＜ＬＯＡモデル＞
ＬＯＡモデルは、グループＹに属するユーザのうち、評価値が所定の閾値以上であるユーザの数を算出し、算出した数が多いコンテンツを選別するためのモデルである。このモデルは、グループＹに対するコンテンツｘの推薦度をＦ（ｘ_ｉ、δ_ｉ）とすると、式（３）のように表すことができる。

式（３）において、δ_ｉは、ユーザｉの評価値ｘ_ｉに対する閾値を示す。ｆ_ｉ（ｘ_ｉ、δ_ｉ）は、コンテンツｘに対するユーザｉの予測評価を示し、コンテンツｘに対するユーザｉの評価値ｘ_ｉが閾値δ_ｉ以上であれば「１」となり、コンテンツｘに対するユーザｉの評価値ｘ_ｉが閾値δ_ｉ未満であれば「０」となる。

＜ルールベースモデル＞
ルールベースモデルは、グループＹにおける固有のルールに基づいてコンテンツを選別するためのモデルである。グループＹにおける固有のルールとは、例えば、グループＹのコンテンツ嗜好として、成人向けのコンテンツが推定されるのを禁止するルールや、バラエティのコンテンツが推定されるのを禁止ルールなどのことである。

＜混合モデル＞
混合モデルは、個人合算決定モデルまたは優先順位決定モデルと、ＬＯＡモデルと、を組み合わせたモデルである。個人合算決定モデルとＬＯＡモデルとを組み合わせたモデルは、グループＹに対するコンテンツｘの推薦度をＦ（ｘ_ｉ、δ_ｉ）とすると、式（４）のように表すことができる。一方、優先順位決定モデルとＬＯＡモデルとを組み合わせたモデルは、グループＹに対するコンテンツｘの推薦度をＦ（β_ｉ、ｘ_ｉ、δ_ｉ）とすると、式（５）のように表すことができる。

なお、式（４）および式（５）において、ｆ_ｉ（ｘ_ｉ、δ_ｉ）は、コンテンツｘに対するユーザｉの予測評価を示し、コンテンツｘに対するユーザｉの評価値ｘ_ｉが閾値δ_ｉ以上であれば「１」となり、コンテンツｘに対するユーザｉの評価値ｘ_ｉが閾値δ_ｉ未満であれば「０」となる。また、式（５）において、β_ｉは、ユーザｉの優先順位に応じた数値を示し、優先順位が高いほど数値が大きくなる。

以上の嗜好推定システム１によれば、以下の効果を奏することができる。

個人合算決定モデルに基づいて生成したグループ意志決定モデルを用いて、グループのコンテンツ嗜好を推定する場合、グループを構成する各ユーザのコンテンツに対する評価値を算出し、算出結果をコンテンツ嗜好の推定に反映できる。このため、コンテンツ嗜好の推定に、グループを構成する各ユーザの特性を反映できるので、グループを構成する全てのユーザが納得できるコンテンツ嗜好を推定できる。

優先順位決定モデルに基づいて生成したグループ意志決定モデルを用いて、グループのコンテンツ嗜好を推定する場合、グループを構成する各ユーザのコンテンツに対する評価値だけでなく、グループ内での各ユーザの優先順位も、コンテンツ嗜好の推定に反映できる。このため、個人合算決定モデルに基づいて生成したグループ意志決定モデルを用いてグループのコンテンツ嗜好を推定する場合と比べて、コンテンツ嗜好の推定に、グループを構成する各ユーザの特性をさらに反映できる。

ＬＯＡモデルに基づいて生成したグループ意志決定モデルを用いて、グループのコンテンツ嗜好を推定する場合、グループを構成するユーザのうち、コンテンツに対する評価値が所定の閾値以上であるユーザの人数を計数し、計数した人数をコンテンツ嗜好の推定に反映できる。

ルールベースモデルに基づいて生成したグループ意志決定モデルを用いて、グループのコンテンツ嗜好を推定する場合、成人向けのコンテンツが推定されるのを禁止するといった、グループに固有のルールをコンテンツ嗜好の推定に反映できる。

混合モデルに基づいて生成したグループ意志決定モデルを用いて、グループのコンテンツ嗜好を推定する場合、グループを構成する各ユーザのコンテンツに対する評価値だけでなく、グループ内での各ユーザの優先順位と、コンテンツに対する評価値が所定の閾値以上であるユーザの人数も、コンテンツ嗜好の推定に反映できる。

また、グループ意志決定モデルの生成に用いるモデルとして、個人合算決定モデル、優先順位決定モデル、ＬＯＡモデル、ルールベースモデル、および混合モデルの５つのモデルの中から１つを選択する。このため、状況に応じて選択することで、グループを構成する全てのユーザがより納得できるコンテンツ嗜好を推定できる。

また、グループ嗜好推定モデルを用いてグループのコンテンツ嗜好を推定する場合、コンテンツ嗜好の推定に、グループＹ固有の利用履歴、評価履歴、およびアンケート情報を、反映できる。このため、グループを構成する全てのユーザが納得できるコンテンツ嗜好を推定できる。

また、グループ嗜好推定モデルとグループ意志決定モデルとのいずれを用いるかを、コンテンツ嗜好の推定結果に対するグループＹのフィードバック回数に応じて決定する。このため、フィードバック回数が所定回数未満の場合には、グループＹ固有の利用履歴、評価履歴、およびアンケート情報が十分には蓄積できていないとして、グループ意志決定モデルを用いる。一方、フィードバック回数が所定回数以上の場合には、グループＹ固有の利用履歴、評価履歴、およびアンケート情報が十分に蓄積できているとして、グループ嗜好推定モデルを用いる。以上によれば、状況に応じて、グループ嗜好推定モデルとグループ意志決定モデルとを使い分けることができるので、グループを構成する全てのユーザがさらに納得できるコンテンツ嗜好を推定できる。

また、クライアントＣが利用されると、ユーザ固有情報更新部Ｃ２により、クライアントＣを利用した各ユーザの利用履歴、評価履歴、およびアンケート情報を個人情報更新部Ｓ２に送信し、個人情報更新部Ｓ２により、ユーザ固有情報更新部Ｃ２により送信された情報に基づいて、個人情報記憶部Ｓ１に記憶されている情報を更新する。また、クライアントＣが利用されると、グループ固有情報更新部Ｃ４により、クライアントＣを利用したグループの利用履歴、評価履歴、およびアンケート情報をグループ情報更新部Ｓ５に送信し、グループ情報更新部Ｓ５により、グループ固有情報更新部Ｃ４により送信された情報に基づいて、グループ情報記憶部Ｓ４に記憶されている情報を更新する。以上によれば、クライアントＣが利用されるたびに、個人情報記憶部Ｓ１およびグループ情報記憶部Ｓ４に記憶されている情報を更新できる。そして、これら個人情報記憶部Ｓ１およびグループ情報記憶部Ｓ４に記憶されている情報を用いて、グループのコンテンツ嗜好を推定するため、コンテンツ嗜好の推定に、グループを構成するユーザやグループに固有の情報をより強く反映させることができる。このため、グループを構成する全てのユーザの納得度を向上させることができる。

なお、本発明のサーバＳおよびクライアントＣの処理をコンピュータ読み取り可能な記録媒体に記憶し、記録媒体に記録されたプログラムをサーバＳおよびクライアントＣに読み込ませ、実行することによって、本発明を実現できる。

また、上述のプログラムは、このプログラムを記憶装置などに格納したサーバＳおよびクライアントＣから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネットなどのネットワーク（通信網）や電話回線などの通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。

また、上述のプログラムは、上述の機能の一部を実現するためのものであってもよい。さらに、上述の機能をサーバＳやクライアントＣにすでに記録されているプログラムとの組合せで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。

以上、この発明の実施形態につき、図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計なども含まれる。

１・・・嗜好推定システム
Ｃ１・・・ユーザ固有情報記憶部
Ｃ２・・・ユーザ固有情報更新部
Ｃ３・・・グループ固有情報記憶部
Ｃ４・・・グループ固有情報更新部
Ｃ５・・・個人嗜好推定モデル生成部
Ｃ６・・・グループ嗜好推定モデル生成部
Ｃ７・・・グループ意志決定モデル生成部
Ｃ８・・・コンテンツ嗜好推定部
Ｓ１・・・個人情報記憶部
Ｓ２・・・個人情報更新部
Ｓ３・・・個人嗜好初期モデル生成部
Ｓ４・・・グループ情報記憶部
Ｓ５・・・グループ情報更新部
Ｓ６・・・グループ嗜好初期モデル生成部

Claims (15)

1. グループのコンテンツ嗜好を推定する嗜好推定装置であって、
   前記グループに属するユーザごとに、ユーザ固有の情報と、コンテンツ嗜好を推定するための全てのユーザの情報と、に基づいてユーザ固有の個人嗜好推定モデルを生成する個人嗜好推定モデル生成手段と、
   前記個人嗜好推定モデル生成手段により生成された前記グループに属する各ユーザ固有の個人嗜好推定モデルと、前記グループに固有の情報と、に基づいて、前記グループのコンテンツ嗜好を推定するコンテンツ嗜好推定手段と、
   を備えることを特徴とする嗜好推定装置。
2. 請求項１に記載の嗜好推定装置において、
   前記個人嗜好推定モデル生成手段は、前記グループに属するユーザごとに、前記ユーザ固有の情報に基づいて個人学習データを生成し、生成した個人学習データを予め定めた値で重み付けし、重み付けした個人学習データと、前記コンテンツ嗜好を推定するための全てのユーザの情報と、に基づいて前記ユーザ固有の個人嗜好推定モデルを生成することを特徴とする嗜好推定装置。
3. 請求項１または２に記載の嗜好推定装置において、
   前記コンテンツ嗜好推定手段は、
   前記個人嗜好推定モデル生成手段により生成された前記グループに属する各ユーザ固有の個人嗜好推定モデルに基づいて、コンテンツに対する各ユーザの評価値を算出し、
   前記算出したコンテンツに対する各ユーザの評価値を積算し、
   積算結果が大きいコンテンツから順に、前記グループのコンテンツ嗜好とすることを特徴とする嗜好推定装置。
4. 請求項１または２に記載の嗜好推定装置において、
   前記グループに固有の情報は、各ユーザの優先順位に応じた数値であり、
   前記優先順位に応じた数値は、前記グループ内でのユーザの優先順位が高くなるに従って大きく設定され、
   前記コンテンツ嗜好推定手段は、
   前記個人嗜好推定モデル生成手段により生成された前記グループに属する各ユーザ固有の個人嗜好推定モデルに基づいて、コンテンツに対する各ユーザの評価値を算出し、
   前記グループに属するユーザごとに、前記算出したコンテンツに対する評価値と、前記優先順位に応じた数値と、を乗算し、乗算結果を積算し、
   積算結果が大きいコンテンツから順に、前記グループのコンテンツ嗜好とすることを特徴とする嗜好推定装置。
5. 請求項１または２に記載の嗜好推定装置において、
   前記グループに固有の情報は、所定の閾値であり、
   前記コンテンツ嗜好推定手段は、
   前記個人嗜好推定モデル生成手段により生成された前記グループに属する各ユーザ固有の個人嗜好推定モデルに基づいて、コンテンツに対する各ユーザの評価値を算出し、
   前記グループに属するユーザごとに前記評価値と前記所定の閾値とを比較して、前記評価値が前記所定の閾値未満の場合には第１の値を設定し、前記評価値が前記所定の閾値以上の場合には前記第１の値より大きい第２の値を設定し、前記グループに属するユーザごとに設定した値を積算し、
   積算結果が大きいコンテンツから順に、前記グループのコンテンツ嗜好とすることを特徴とする嗜好推定装置。
6. 請求項１または２に記載の嗜好推定装置において、
   前記グループに固有の情報は、前記グループに固有のルールであり、
   前記コンテンツ嗜好推定手段は、
   前記ルールに適合するコンテンツを、前記グループのコンテンツ嗜好とすることを特徴とする嗜好推定装置。
7. 請求項１または２に記載の嗜好推定装置において、
   前記グループに固有の情報は、各ユーザの優先順位に応じた数値と、所定の閾値と、であり、
   前記優先順位に応じた数値は、前記グループ内でのユーザの優先順位が高くなるに従って大きく設定され、
   前記コンテンツ嗜好推定手段は、
   前記個人嗜好推定モデル生成手段により生成された前記グループに属する各ユーザ固有の個人嗜好推定モデルに基づいて、コンテンツに対する各ユーザの評価値を算出し、
   前記グループに属するユーザごとに前記評価値と前記所定の閾値とを比較して、前記評価値が前記所定の閾値未満の場合には第１の値を設定し、前記評価値が前記所定の閾値以上の場合には前記第１の値より大きい第２の値を設定し、
   前記グループに属するユーザごとに、前記設定した値と、前記優先順位に応じた数値と、を乗算し、乗算結果を積算し、
   積算結果が大きいコンテンツから順に、前記グループのコンテンツ嗜好とすることを特徴とする嗜好推定装置。
8. 請求項１または２に記載の嗜好推定装置において、
   前記コンテンツ嗜好推定手段による前記グループのコンテンツ嗜好の推定は、請求項３乃至７に記載のコンテンツ嗜好推定手段による前記グループのコンテンツ嗜好の推定のいずれかに切り替え可能であることを特徴とする嗜好推定装置。
9. グループのコンテンツ嗜好を推定する嗜好推定装置であって、
   前記グループに固有の情報と、コンテンツ嗜好を推定するための全てのグループの情報と、に基づいて、前記グループに固有のグループ嗜好推定モデルを生成するグループ嗜好推定モデル生成手段と、
   前記グループ嗜好推定モデル生成手段により生成された前記グループのグループ嗜好推定モデルに基づいて、前記グループのコンテンツ嗜好を推定するコンテンツ嗜好推定手段と、
   を備えることを特徴とする嗜好推定装置。
10. 請求項９に記載の嗜好推定装置において、
    前記グループ嗜好推定モデル生成手段は、前記グループの情報に基づいてグループ学習データを生成し、生成したグループ学習データを予め定めた値で重み付けし、重み付けしたグループ学習データと、前記コンテンツ嗜好を推定するための全てのグループの情報と、に基づいて、前記グループに固有のグループ嗜好推定モデルを生成することを特徴とする嗜好推定装置。
11. グループのコンテンツ嗜好を推定する嗜好推定装置であって、
    請求項１または２に記載の個人嗜好推定モデル生成手段と、
    請求項３乃至７に記載のコンテンツ嗜好推定手段と、
    請求項９または１０に記載のグループ嗜好推定モデル生成部およびコンテンツ嗜好推定手段と、を備え、
    前記グループのコンテンツ嗜好の推定結果に対する前記グループの反応に応じた反応量が特定の閾値未満の場合、請求項１または２に記載の個人嗜好推定モデル生成手段と、請求項３乃至７のいずれかに記載のコンテンツ嗜好推定手段と、により、前記グループのコンテンツ嗜好を推定し、
    前記グループのコンテンツ嗜好の推定結果に対する前記グループの反応に応じた反応量が特定の閾値未満の場合、請求項９または１０に記載のグループ嗜好推定モデル生成部およびコンテンツ嗜好推定手段により、前記グループのコンテンツ嗜好を推定することを特徴とする嗜好推定装置。
12. 請求項１乃至８のいずれかに記載の嗜好推定装置において、
    前記グループのコンテンツ嗜好が推定されると、推定結果に基づいて、前記コンテンツ嗜好を推定するための全てのユーザの情報を更新するユーザ情報更新手段を備えることを特徴とする嗜好推定装置。
13. 請求項１２に記載の嗜好推定装置において、
    前記ユーザ情報更新手段は、前記コンテンツ嗜好を推定するための全てのユーザの情報を初期化できることを特徴とする嗜好推定装置。
14. 請求項９または１０に記載の嗜好推定装置において、
    前記グループのコンテンツ嗜好が推定されると、推定結果に基づいて、コンテンツ嗜好を推定するための全てのグループの情報を更新するグループ情報更新手段を備えることを特徴とする嗜好推定装置。
15. 請求項１４に記載の嗜好推定装置において、
    前記グループ情報更新手段は、前記コンテンツ嗜好を推定するための全てのグループの情報を初期化できることを特徴とする嗜好推定装置。

Images