JP2010262383A - レコメンド情報生成装置およびレコメンド情報生成方法 - Google Patents

Abstract

【課題】カテゴリレベルの嗜好とキーワードレベルの嗜好の両方を考慮したレコメンデーションを可能とする。
【解決手段】ユーザ特徴ベクトル計算部２４は、ユーザが閲覧したコンテンツを示す履歴コンテンツに基づいてユーザ特徴ベクトルを計算する。そして、コンテンツカテゴリ評価値計算部２６は、ユーザ特徴ベクトルと配信対象コンテンツの特徴ベクトルとの類似度を示す予測値Ｐを計算する。一方、固有名詞抽出部２７は、履歴コンテンツから固有名詞の集合を抽出し、固有名詞評価値計算部２７ａは、抽出された固有名詞に基づいて生成された固有名詞型ユーザ特徴ベクトルと、配信対象コンテンツのコンテンツ特徴ベクトルとの類似度を計算する。そして、コンテンツ予測計算部２７ｃは、予測値および類似度に基づいて更新予測値を計算し、計算された更新予測値に基づいて定められたコンテンツをレコメンド情報として生成して配信する。
【選択図】図２

Description

本発明は、ユーザの嗜好にあったレコメンド情報を配信することができるレコメンド情報生成装置およびレコメンド情報生成方法に関する。

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

このような技術に関連する文献として、特許文献１（特開２００７−１４８８７８号公報）のものが挙げられる。この特許文献１には、予め定められたレコメンド抽出ルールに従って、レコメンド情報を配信する配信先および配信すべきレコメンド情報を決定し、配信することが記載されている。

特開２００７−１４８８７８号公報

上述特許文献１に記載の技術では、マッチング処理を行うものであることからレコメンド情報に漏れが生じる虞がある。そのため、ユーザのコンテンツ閲覧履歴に基づき、ユーザの興味のあるコンテンツカテゴリを推定し、当該コンテンツカテゴリに該当するコンテンツをレコメンドする方法が考えられている。

しかしながら、Ｃｏｎｔｅｎｔ−ｂａｓｅｄ Ｆｉｌｔｅｒｉｎｇ方式では、コンテンツの特徴をキーワードを用いて表現した場合はキーワードレベルの嗜好を推定可能であるが、カテゴリレベル（スポーツ好き、音楽好き等）の嗜好は推定できない。上述の通り、コンテンツの特徴をカテゴリを用いて表現した場合はカテゴリレベルの嗜好を推定可能であるが、キーワードレベルの嗜好は推定できない。このように、Ｃｏｎｔｅｎｔ−ｂａｓｅｄＦｉｌｔｅｒｉｎｇ方式等を服務上述の方法では、コンテンツの特徴表現に応じてキーワードレベルの嗜好もしくはカテゴリレベルの嗜好のいずれかに応じたレコメンデーションしかできない。現実的には、ユーザの嗜好には様々な粒度があり、粒度に応じたレコメンデーションが必要となる。

そこで、本発明は、カテゴリレベルの嗜好とキーワードレベルの嗜好の両方を考慮したレコメンデーションを行うことができるレコメンド情報生成装置およびレコメンド情報生成方法を提供することを目的とする。

上述の課題を解決するために、本発明のレコメンド情報生成装置は、ユーザが閲覧したコンテンツを示す履歴コンテンツを取得する履歴コンテンツ取得手段と、前記履歴コンテンツ取得手段で取得した履歴コンテンツに対するユーザの評価値に基づいて当該履歴コンテンツを並び替え、当該並び順を満たすようにユーザの特徴を示すユーザ特徴ベクトルを計算するユーザ特徴ベクトル計算手段と、前記ユーザ特徴ベクトル計算手段により計算されたユーザのユーザ特徴ベクトルと配信対象コンテンツの特徴ベクトルとの類似度を示す予測値を計算する予測値計算手段と、前記履歴コンテンツ取得手段で取得した履歴コンテンツから固有名詞の集合を抽出する固有名詞抽出手段と、前記固有名詞抽出手段により抽出された固有名詞に基づいて生成された固有名詞型ユーザ特徴ベクトルと、配信対象コンテンツのコンテンツ特徴ベクトルとの類似度を計算する類似度計算手段と、前記予測値計算手段により計算された予測値と、前記類似度計算手段により計算された類似度とに基づいて更新予測値を計算する更新予測値計算手段と、前記更新予測値計算手段により計算された更新予測値に基づいて定められたコンテンツをレコメンド情報として生成するレコメンド情報生成手段と、を備えている。

また、本発明のレコメンド情報生成方法は、ユーザが閲覧したコンテンツを示す履歴コンテンツを取得する履歴コンテンツ取得ステップと、前記履歴コンテンツ取得ステップで取得した履歴コンテンツに対するユーザの評価値に基づいて並び替え、当該並び順を満たすようにユーザの特徴を示すユーザ特徴ベクトルを計算するユーザ特徴ベクトル計算ステップと、前記ユーザ特徴ベクトル計算ステップにより計算されたユーザのユーザ特徴ベクトルと配信対象コンテンツの特徴ベクトルとの類似度を示す予測値を計算する予測値計算ステップと、前記履歴コンテンツ取得ステップで取得した履歴コンテンツから固有名詞の集合を抽出する固有名詞抽出ステップと、前記固有名詞抽出ステップにより抽出された固有名詞に基づいて生成された固有名詞型ユーザ特徴ベクトルと、配信対象コンテンツのコンテンツ特徴ベクトルとの類似度を計算する類似度計算ステップと、前記予測値計算ステップにより計算された予測値と、前記類似度計算ステップにより計算された類似度とに基づいて更新予測値を計算する更新予測値計算ステップと、前記更新予測値計算ステップにより計算された更新予測値に基づいて定められたコンテンツをレコメンド情報として生成するレコメンド情報生成ステップと、を備えている。

この発明によれば、ユーザが閲覧したコンテンツを示す履歴コンテンツに対するユーザの評価値に基づいて当該履歴コンテンツを並び替え、当該並び順を満たすようにユーザの特徴を示すユーザ特徴ベクトルを計算し、計算されたユーザ特徴ベクトルと配信対象コンテンツの特徴ベクトルとの類似度を示す予測値を計算する。

一方、履歴コンテンツから固有名詞の集合を抽出し、抽出された固有名詞に基づいて生成された固有名詞型ユーザ特徴ベクトルと、配信対象コンテンツのコンテンツ特徴ベクトルとの類似度を計算する。そして、予測値および類似度に基づいて更新予測値を計算し、計算された更新予測値に基づいて定められたコンテンツをレコメンド情報として生成して配信する。

これにより、興味キーワードなどの固有名詞をベクトル要素とするコンテンツ特徴ベクトルを用いたコンテンツ評価を行うことができ、ユーザのカテゴリに対する嗜好を考慮するとともに、人物・地名などのキーワードキーワードレベルのコンテンツ評価を行うことができる。よって、レコメンド情報の精度を向上させることができる。

また、本発明のレコメンド情報生成装置は、現在のユーザの状況と過去のユーザの状況との類似度を計算する状況類似度計算手段と、前記状況類似度計算手段で計算されたユーザの状況の類似度と、前記履歴コンテンツ取得手段で取得した履歴コンテンツに対するユーザの評価値との乗算により、履歴コンテンツの評価値を計算する履歴評価値計算手段と、を備え、前記ユーザ特徴ベクトル演算手段は、前記履歴評価値計算手段で計算された評価値の高い順に並び替えられた履歴コンテンツにおける当該並び順を満たすようにユーザの特徴ベクトルを計算することが好ましい。

この発明によれば、現在のユーザの状況と過去のユーザの状況との類似度を計算し、計算されたユーザの状況の類似度と、取得した履歴コンテンツに対するユーザの評価値との乗算により、履歴コンテンツの評価値を計算し、計算された評価値の高い順に並び替えられた履歴コンテンツに対して当該並び順を満たすようにユーザの特徴ベクトルを計算することができる。これにより、過去のユーザ状況を考慮して配信するコンテンツを生成することができる。例えば、過去における、ある状況下で閲覧したコンテンツがあった場合、現在の状況と当時の状況とが類似していた場合には、そのコンテンツはレコメンド情報として提供することが好ましい場合がある。よって、このように過去のユーザ状況で閲覧したコンテンツを考慮することでより適切なレコメンド情報の配信を行うことができる。

また、本発明のレコメンド情報生成装置は、前記固有名詞抽出手段により抽出された固有名詞に基づいて固有名詞型コンテンツ特徴ベクトルを計算する固有名詞型コンテンツ特徴ベクトル計算手段と、前記固有名詞型コンテンツ特徴ベクトル計算手段により計算された固有名詞型コンテンツ特徴ベクトルにおいて、要素ごとに全ベクトル要素の総和を算出して固有名詞型ユーザ特徴ベクトルを計算する固有名詞型ユーザ特徴ベクトル計算手段と、を備え、前記類似度計算手段は、前記固有名詞型ユーザ特徴ベクトル計算手段により計算された固有名詞型ユーザ特徴ベクトルを用いて、配信対象コンテンツのコンテンツ特徴ベクトルとの類似度を計算することが好ましい。

本発明のレコメンド情報生成装置は、抽出された固有名詞に基づいて固有名詞型コンテンツ特徴ベクトルを計算し、計算された固有名詞型コンテンツ特徴ベクトルにおいて、要素ごとに全ベクトル要素の総和を算出して固有名詞型ユーザ特徴ベクトルを計算し、計算された固有名詞型ユーザ特徴ベクトルを用いて、配信対象コンテンツのコンテンツ特徴ベクトルとの類似度を計算することができる。これにより、適切な固有名詞型ユーザ特徴ベクトルを生成することができ、より適切なレコメンド情報の配信を行うことができる。

また、本発明のレコメンド情報生成装置は、前記ユーザ特徴ベクトル計算手段は、前記状況類似度計算手段により計算された状況類似度と、ユーザによる評価値とが乗算された補正評価値に基づいて並べ替えられた履歴コンテンツに従ってユーザ特徴ベクトルを計算し、前記固有名詞型コンテンツ特徴ベクトル計算手段は、前記補正評価値に基づいて、対応する履歴コンテンツの固有名詞型コンテンツ特徴ベクトルのベクトル要素を更新し、前記固有名詞型ユーザ特徴ベクトル計算手段は、当該更新した固有名詞型コンテンツ特徴ベクトルを用いて固有名詞型ユーザ特徴ベクトルを計算することが好ましい。

本発明は、計算された状況類似度と、ユーザによる評価値とが乗算された乗算値に基づいて並べ替えられた履歴コンテンツに従ってユーザ特徴ベクトルを計算し、乗算値に基づいて、対応する履歴コンテンツの固有名詞型コンテンツ特徴ベクトルのベクトル要素を更新し、当該更新した固有名詞型コンテンツ特徴ベクトルを用いて固有名詞型ユーザ特徴ベクトルを計算することができる。これにより、適切なユーザ特徴ベクトルおよび固有名詞型ユーザ特徴ベクトルを生成することができ、より適切なレコメンド情報の配信を行うことができる。

本発明によれば、興味キーワードなどの固有名詞をベクトル要素とするコンテンツ特徴ベクトルを用いたコンテンツ評価を行うことができ、ユーザのカテゴリに対する嗜好を考慮するとともに、人物・地名などのキーワードキーワードレベルのコンテンツ評価を行うことができる。よって、レコメンド情報の精度を向上させることができる。

本実施形態の移動機および情報配信サーバのシステム全体を示すシステム構成図である。 移動機１００および情報配信サーバ２００の機能を示すブロック図である。 情報配信サーバ２００のハードウェア構成図である。 ユーザ履歴情報を示す説明図である。 コンテンツの管理情報を示す説明図である。 コンテンツテーブルの記憶内容を示す説明図である。 レコメンドコンテンツを生成するときの処理を示すフローチャートである。 （ａ）は現在のユーザの状況を示すユーザ状況ベクトルを示す模式図であり、（ｂ）は履歴コンテンツに対応付けられているユーザ状況ベクトルの模式図を示す。 現在のユーザのユーザ状況ベクトルと、履歴コンテンツにおけるユーザのユーザ状況ベクトルとを用いた演算処理の過程を示す模式図である。 現在のユーザの状況に応じた履歴コンテンツの評価値であるＥＶ値を算出する過程を示す模式図を示す。 そのランキング処理した結果を示す模式図を示す。 履歴コンテンツのコンテンツ特徴ベクトルおよび当該コンテンツ特徴ベクトルを用いてユーザ特徴ベクトルを算出するときに模式図を示す。 コンテンツのコンテンツ特徴ベクトルと、ユーザ特徴ベクトルとの間で予測値Ｐを計算する過程を示す模式図である。 固有名詞型コンテンツ特徴ベクトルを示す模式図である。 固有名詞型コンテンツ特徴ベクトルｙ_ｉを、ＥＶ値を用いて更新するときの模式図である。 固有名詞型ユーザ特徴ベクトルＹを計算するときの模式図である。 類似度ｓｉｍ（Ｙ、ｙ_ｉ）を計算するときの模式図である。 更新予測値Ｑを計算するときの模式図である。 更新予測値Ｑにしたがって並べ替え処理されたレコメンドコンテンツを示す模式図である。

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

図１は、本実施形態の移動機および情報配信サーバのシステム全体を示すシステム構成図である。図１に示されているように、このシステムにおいては、移動機１００と情報配信サーバ２００とから構成されており、移動機１００が情報配信サーバ２００などからコンテンツの配信を受け、配信されたコンテンツを移動機１００において閲覧可能にさせることができる。

つぎに、移動機１００および情報配信サーバ２００の構成について説明する。図２は、移動機１００および情報配信サーバ２００の機能を示すブロック図である。図２に示すように、移動機１００は、履歴送信部１０、レコメンド要求送信部１２、状況推定部１４、およびレコメンド情報表示部１６を含んで構成されている。また、情報配信サーバ２００は、状況類似度計算部２０（状況類似度計算手段）、履歴評価値計算部２２（履歴評価値計算手段）、ユーザ特徴ベクトル計算部２４（ユーザ特徴ベクトル計算手段）、コンテンツカテゴリ評価値計算部２６（予測値計算手段）、固有名詞抽出部２７（固有名詞抽出手段）、固有名詞評価値計算部２７ａ（固有名詞型コンテンツ特徴ベクトル計算手段、固有名詞型ユーザ特徴ベクトル計算手段）、固有名詞類似度計算部２７ｂ（類似度計算手段）、コンテンツ予測計算部２７ｃ（更新予測値計算手段）、履歴収集部２８（履歴コンテンツ取得手段）、レコメンド要求受信部３０、コンテンツ送信部３２（レコメンド情報生成手段）、ユーザ履歴管理ＤＢ４０、コンテンツ管理ＤＢ４２、およびユーザ特徴ベクトル管理ＤＢ４４を含んで構成されている。

これら移動機１００または情報配信サーバ２００は、図３に示されているハードウェア構成により実現される。図３は、情報配信サーバ２００のハードウェア構成図である。図２に示される情報配信サーバ２００は、物理的には、図３に示すように、ＣＰＵ２０１、主記憶装置であるＲＡＭ２０２及びＲＯＭ２０３、ディスプレイ等の出力装置２０５、ネットワークカード等のデータ送受信デバイスである通信モジュール２０６、ハードディスク等の補助記憶装置２０７などを含むコンピュータシステムとして構成されている。図２において説明した各機能は、図３に示すＣＰＵ２０１、ＲＡＭ２０２等のハードウェア上に所定のコンピュータソフトウェアを読み込ませることにより、ＣＰＵ２０１の制御のもとで入力装置２０４、出力装置２０５、通信モジュール２０６を動作させるとともに、ＲＡＭ２０２や補助記憶装置２０７におけるデータの読み出し及び書き込みを行うことで実現される。移動機１００についても同様なハードウェア構成をとるため、ここではその説明は省略する。以下、図２に示す機能ブロックに基づいて、各機能ブロックを説明する。

履歴送信部１０は、移動機１００における閲覧履歴、アクセス履歴などの履歴情報を情報配信サーバ２００に送信する部分である。履歴情報には、端末を特定する端末ＩＤ、コンテンツを特定するコンテンツＩＤ、ユーザにより評価されたコンテンツの評価値、および状況情報（ユーザ状況ベクトル）が含まれている。これら処理はユーザの操作により、または所定周期によって、送信しても良いし、そのほか、所定のルールに従って送信するようにしてもよい。

レコメンド要求送信部１２は、ユーザの操作に従って、レコメンド情報の配信要求を情報配信サーバ２００に送信する部分である。レコメント要求には、端末ＩＤ、状況ＩＤおよびコンテンツ種別情報などが含まれている。この状況ＩＤは、ユーザ状況を考慮したレコメンド情報の配信要求を示すフラグ情報である。なお、このフラグ情報はユーザにより指定可能なものである。

状況推定部１４は、移動機１００、すなわちユーザの置かれている状況を推定する部分である。例えば、ユーザがどこにいるのかを示す位置情報、現在の時刻、ユーザの周囲の状況（誰もいないのか、または何人かいるのかなど）を推定する部分である。位置情報は、ＧＰＳ技術などの周知の位置測位技術を用いて取得することができ、現時刻は内蔵するタイマによって取得することができる。また、ユーザの周囲の状況は、予め登録されているユーザ（携帯端末）のＧＰＳによる位置情報に基づいて、あるユーザの周囲にどのユーザがいるか判断することができる。また、温度センサ、振動センサなどによって、周囲の人の有無を判断したり、またはユーザが手入力により、周囲の状況を入力することができるようにしても良い。

レコメンド情報表示部１６は、情報配信サーバ２００から配信されたレコメンド情報を表示する部分である。

つぎに、情報配信サーバ２００について説明する。状況類似度計算部２０は、レコメンド要求受信部３０により受信されたレコメンド要求に含まれているユーザの状況情報（状況ベクトル）と、過去において収集したユーザの履歴情報に含まれ、ユーザ履歴管理ＤＢ４０に記憶されているユーザの状況情報（状況ベクトル）とを比較して、その状況の近さを示す類似度を計算する部分である。

この状況類似度計算部２０は、レコメンド要求受信部３０により受信されたレコメンド要求時（すなわち現在）のユーザの状況を示す状況ベクトルＣＳと、ユーザ履歴管理ＤＢ４０に記憶されている履歴情報に含まれている状況ベクトルＳ_ｕ,ｎとの類似度ｓｉｍ（ＣＳ、Ｓ_ｎ）を計算する部分である。

ここで、現在のユーザの状況を示すユーザ状況ベクトルＣＳは、以下の式により表される。Ｓ_０、Ｓ_１・・・Ｓ_Ｓは、各状況パラメータにおけるベクトル要素を示す。例えば、Ｓ_０は“家にいる”、Ｓ_１は“会社にいる”などの状況を示すパラメータである。

そして、以下のとおりの式（２）を用いて、ユーザ状況ベクトルＣＳと、ユーザ状況ベクトルＳ_u,nとの状況類似度ｓｉｍ（ＣＳ、Ｓ_ｎ）が状況類似度計算部２０により算出される。

履歴評価値計算部２２は、上述ユーザ状況ベクトルＣＳとユーザ状況ベクトルＳ_u,nとの類似度を示す類似度ｓｉｍ（ＣＳ、Ｓ_ｎ）と、過去にユーザが閲覧したコンテンツである履歴コンテンツに対応付けられている評価値Ｒとを乗算することにより履歴コンテンツの補正評価値を示すＥＶ値を計算する部分である。なお、同一コンテンツが複数回（閲覧回数ｊ）評価されている場合を考慮して、次式（３）のように同一コンテンツに対する複数のＥＶ値を加算する。ここでＮはコンテンツiの評価総数である。次式の計算を履歴に含まれるすべてのコンテンツに対して求め、ＥＶ値の高い順に並び替えを行う。

なお、ＥＶ値が同値の場合は、履歴登録時間が現在時間に近い方の履歴を優先して並び替える。また、状況指定モードでない行動ターゲティング機能の場合においては、ｓｉｍ（ＣＳ、Ｓ_ｎ）はすべて１として計算する。

ユーザ特徴ベクトル計算部２４は、履歴評価値計算部２２により計算された評価値の高い順に履歴コンテンツを並び替え、当該並び順を満たすようにユーザの特徴ベクトルを計算する。具体的には、ユーザ特徴ベクトル計算部２４は、現在のユーザの状況に基づいたユーザ特徴ベクトルを計算する部分であり、履歴評価値計算部２２により算出された優先度にしたがって並び替えられた履歴コンテンツを満たすように、ユーザ特徴ベクトルを計算する部分である。

本実施形態では、Joachimsらが提唱するRankingSVMという手法を用いてユーザ特徴ベクトルを計算することができる。このRankingSVMは、特徴空間上において優先順位が付けられた特徴点間の順序関係を満たすように、ユーザの特徴ベクトルを求めることができる手法であり、RankingSVMでは、次式（４）に示すような条件のもとで、Ｖ（ｗ，ξ）を最小化するユーザ特徴ベクトルｗを計算することにより、ユーザ特徴ベクトルｗを求めることができる。次式（４）において、ｗはユーザ特徴ベクトル、ｘはコンテンツ特徴ベクトルを示す。なお、ここでは、ユーザ特徴ベクトル、コンテンツ特徴ベクトルはともに、カテゴリ種別を示すベクトル要素から構成されているものであり、例えば図５に示すカテゴリ種別のベクトル要素から構成されている。

［参考文献］ T. Joachims, Optimizing SearchEngines Using Clickthrough Data
”, Proc. ACM SIGKDD Int’l Conf. Knowledge Discoveryand Data Mining(KDD02), AC
M Press,pp.132-142, 2002.

コンテンツカテゴリ評価値計算部２６は、ユーザ特徴ベクトル計算部２４により計算されたユーザ特徴ベクトルと、履歴コンテンツにおける各コンテンツの特徴ベクトルとの内積を求め、当該求めた内積値により、コンテンツカテゴリに対する評価値に相当する予測値Ｐを計算する部分である。コンテンツカテゴリ評価値計算部２６は、ユーザｕのコンテンツｉに対する評価の予測値（Prediction）P_u,iを次式（５）のとおりに計算する。なお、Ｗ_ｕは、ユーザｕのユーザ特徴ベクトル、Ｘ_ｉはコンテンツｉのコンテンツ特徴ベクトルを示す。

固有名詞抽出部２７は、ユーザの履歴コンテンツから固有名詞の集合を抽出する部分である。具体的には、固有名詞抽出部２７は、履歴コンテンツから固有名詞を抽出する処理として、レコメンドエンジンの共通機能である形態素解析機能を用いる。これにより、履歴コンテンツに含まれている特徴的な語、例えば固有名詞などを抽出することができる。

固有名詞評価値計算部２７aは、固有名詞抽出部２７により抽出された固有名詞を用いて固有名詞型コンテンツ特徴ベクトルを生成し、そのコンテンツに応じて定められたＥＶ値を用いて固有名詞型コンテンツ特徴ベクトルの各ベクトル要素を補正して、固有名詞型コンテンツ特徴ベクトルｙ_ｉを生成する部分である。そして、この生成した固有名詞型コンテンツ特徴ベクトルｙ_ｉから固有名詞型ユーザ特徴ベクトルを生成する。具体的には以下の処理を行う。

上述の通り固有名詞抽出部２７は、ユーザの履歴コンテンツから現在のユーザの状況においてユーザの興味・関心のある特徴語を抽出する。そして、固有名詞評価値計算部２７ａにより、ユーザの履歴コンテンツＨに含まれるコンテンツの固有名詞型コンテンツ特徴ベクトルｙ_ｉは以下の通り表現される。

次に、この固有名詞型コンテンツ特徴ベクトルｙ_ｉの各ベクトル要素にＥＶ値を式（７）の通りに乗算する。

そして、履歴コンテンツＨに含まれる全てのコンテンツのコンテンツ特徴ベクトルｙ_ｉを構成する要素ごとにそのベクトル要素の和を式（８）の通り求める。この和は、固有名詞型ユーザ特徴ベクトルＹとして扱われる。

固有名詞類似度計算部２７ｂは、固有名詞評価値計算部２７ａで計算した固有名詞型ユーザ特徴ベクトルＹと各履歴コンテンツのコンテンツ特徴ベクトルｙ_ｉとの類似度を計算する部分である。具体的には以下の計算が行われる。

コンテンツ予測計算部２７ｃは、固有名詞類似度計算部２７ｂで計算された類似度ｓｉｍ（Ｙ、ｙ_ｉ）およびコンテンツカテゴリ評価値計算部２６で計算された予測値Ｐ_u,iを用いてコンテンツの評価に対する更新予測値Ｑを求める部分である。具体的には、行動ターゲティング機能によって求められたユーザｕのコンテンツｉに対する評価の更新予測値（Prediction）Ｑ_u,iを次式のとおりに算出する。すなわちα、β（α＋β＝１を条件とする）を用いて、それぞれ予測値Ｐ_u,iおよび類似度ｓｉｍ（Ｙ、Ｙ_ｉ）に対して重み付け、その重み付けされた予測値Ｐ_u,iおよび類似度ｓｉｍ（Ｙ、Ｙ_ｉ）を加算することにより更新予測値Ｑ_u,iを算出する。

履歴収集部２８は、移動機１００から送信される閲覧履歴またはアクセス履歴などの履歴情報（履歴コンテンツなど）を状況情報（ユーザ状況ベクトル）とともに収集して、ユーザ履歴管理ＤＢ４０に記憶させる部分である。

レコメンド要求受信部３０は、移動機１００（レコメンド要求送信部１２）から送信されたレコメンド要求を受信する部分である。このレコメンド要求受信部３０が、移動機１００からのレコメンド要求を受信すると、その旨を状況類似度計算部２０、およびコンテンツ送信部３２に通知し、上述固有名詞型ユーザ特徴ベクトルなどを用いて算出されたユーザｕのコンテンツｉに対する評価の更新予測値Ｑ_u,iに従ってコンテンツｉを並び替え、これをレコメンド情報として送信するように処理を実行する。

コンテンツ送信部３２は、レコメンド要求受信部３０から並び替え・レコメンド情報の送信指示を受けると、上述の通りコンテンツを更新予測値Ｑ_u,iに従って並び替え、並び替えられたコンテンツリストをレコメンド情報として送信する部分である。

ユーザ履歴管理ＤＢ４０は、ユーザの閲覧履歴またはアクセス履歴を示すユーザ履歴情報を記憶するデータベースである。図４は、ユーザ履歴情報を示す説明図である。図４に示されるようにユーザ履歴情報は、閲覧またはアクセス日時を示す日時情報、閲覧またはアクセスされたコンテンツを特定する識別情報、コンテンツの評価値Ｒ、その閲覧またはアクセスしたときのユーザの置かれている状況を示す状況情報（ユーザ状況ベクトル）を対応付けて記述している。なお、評価値Ｒは、ユーザにより入力された数値でもよいし、所定のルール、例えばコンテンツの閲覧時間が長いと評価値を高くするようなルールに基づいて算出された数値でもよい。

また、状況情報（ユーザ状況ベクトル）は、上述履歴収集部２８にて収集された履歴情報に基づいて取得される。なお、図４に示すように、状況情報は、場所、時間、一緒に居る人の３つの項目により構成されており、場所は、自宅か、または会社か、を１または０で示している。また時間は、朝か夜かを同様に１または０にて示している。一緒にいる人は、一人であるか、同僚といっしょか、家族と一緒かをそれぞれ１または０で示している。

なお、ここでは、予め定めた基準に基づいて状況情報が規定されているが、これに限るものではなく、例えば、移動機１００の位置を定期的に収集しておき、これをクラスタリングすることにより、ｋ個のグループに分割し、この分割されたグループに基づいて状況情報を規定するようにしても良い。具体的には、クラスタリングすることにより位置ａ、位置ｂなどのグループに分けられたとすると、どのグループにいるときに、どのようなコンテンツの閲覧がなされたか、を示す履歴情報を生成するようにしても良い。
また、このユーザ履歴管理ＤＢ４０は、履歴コンテンツおよびそのコンテンツ特徴ベクトルを記憶するようにしてもよく、具体的には、閲覧日時、コンテンツを特定するコンテンツＩＤ、ユーザの評価、コンテンツ特徴ベクトルを対応付けて記憶するようにしてもよいし、後述するとおりコンテンツ管理ＤＢ４２にコンテンツ特徴ベクトルを記憶させておき、これらＤＢに記憶されているコンテンツ特徴ベクトルを利用して履歴コンテンツに関する演算処理を行うようにしてもよい。

コンテンツ管理ＤＢ４２は、各コンテンツの管理情報を記憶するデータベースである。図５は、コンテンツの管理情報を示す説明図である。図５に示すように、コンテンツを特定するための識別情報であるコンテンツＩＤと、各特徴ベクトルとが対応付けて記憶されている。特徴ベクトルの項目としては、ここでは、スポーツ、ニュース、バラエティ、音楽などの項目が割り振られており、“１”が関連するもの、“０”が関連しないものとして特徴ベクトルが構成されている。

ユーザ特徴ベクトル管理ＤＢ４４は、計算されたユーザ特徴ベクトルを記憶する部分である。

コンテンツテーブル４６は、コンテンツの具体的な情報を記憶するデータベースである。図６は、コンテンツテーブルの記憶内容を示す説明図である。図６に示すように、コンテンツＩＤ、コンテンツのカテゴリ、コンテンツのタイトル、レコメンド配信情報として配信対象となるレコメンド本文が対応付けて記憶されている。なお、このコンテンツテーブル４６は必須の構成ではなく、必要なコンテンツを外部サーバから取得するようにしてもよい。

つぎに、このように構成された情報配信サーバ２００の処理について説明する。図７は、本実施形態の情報配信サーバ２００においてレコメンドコンテンツを並び替えるときの処理を示すフローチャートである。

レコメンド要求受信部３０によりレコメンド要求が受信されると、ユーザの状況を反映してレコメンド情報を配信することを示す状況反映モードであるか否かが、当該レコメンド要求受信部３０にて判断される（Ｓ１０１）。ここでレコメンド要求においてユーザ状況を考慮した処理を指示するユーザ状況ＩＤが指定されていた場合には、状況反映モードと判断され、指定されていなかった場合には、状況反映モードではないと判断される。

つぎに、状況反映モードであると判断されると、レコメンド要求受信部３０にて、ユーザの現在の状況を示すユーザ状況ベクトルが移動機１００から取得される（Ｓ１０２）。図８（ａ）にその具体例を示す。図８（ａ）は、移動機１００から送信された現在のユーザの状況を示すユーザ状況ベクトルを示す模式図である。図８（ａ）に示すように、現在の状況を表す要素として、家または会社のいずれにいるか、ユーザの場所を示す要素、一人または大勢のいずれの状態であるか、ユーザのおかれている環境を示す要素、および朝、昼、または夜のいずれの時間帯であるかを示す要素が示されている。

そして、履歴コンテンツに対応付けられているユーザ状況ベクトルと、先に取得した現在のユーザ状況ベクトルとの状況類似度が状況類似度計算部２０により計算される（Ｓ１０３）。図８（ｂ）に履歴コンテンツに対応付けられているユーザ状況ベクトルの模式図を示す。このユーザ状況ベクトルは、図８（ａ）で示されているユーザ状況ベクトルと同様の要素から構成されており、履歴コンテンツに対応付けユーザ履歴管理ＤＢ４０に記憶されている。図８（ｂ）に示されているように、履歴コンテンツは、複数のコンテンツを含んでおり、閲覧した日付、閲覧したコンテンツを特定するコンテンツＩＤ、そのコンテンツの評価値Ｒ、およびその閲覧時のユーザ状況を示すユーザ状況ベクトルが対応付けられている。

そして、図９にて示されている処理過程を経て、状況類似度計算部２０により状況類似度が演算される。図９は、現在のユーザのユーザ状況ベクトルと、履歴コンテンツにおけるユーザのユーザ状況ベクトルとを用いた演算処理の過程を示す模式図である。図９に示されるとおり、現在のユーザ状況ベクトルと、履歴コンテンツにおける各ユーザ状況ベクトルとの間で類似度計算が行われ、そして、各履歴コンテンツにおける、現在のユーザ状況に対する状況類似度が算出される。

ここで計算されたユーザ状況における状況類似度と、評価値Ｒとの積であるＥＶ値が、履歴評価値計算部２２により算出され、そしてそのＥＶ値の大きい順に履歴コンテンツに対するランキング処理（並び替え処理）が行われる（Ｓ１０４）。この具体例について図１０を用いて説明する。図１０に示されるように、各履歴コンテンツの評価値Ｒと、Ｓ１０３にて算出された各履歴コンテンツごとの状況類似度ｓｉｍ（ＳＣ、Ｓ_ｎ）とをそれぞれ乗算することで、現在のユーザの状況に応じた履歴コンテンツの評価値であるＥＶ値が算出される。そして、このＥＶ値に基づいたランキング処理、すなわち並び替え処理が行われる。図１１は、そのランキング処理した結果を示す模式図を示す。このように、ＥＶ値が１．００を有するコンテンツＩＤを先頭に、順に０．６７、０．５６・・・などのＥＶ値を有するコンテンツＩＤが、そのＥＶ値の順に並べられている。

そして、ランキング処理された履歴コンテンツを満足するようにユーザ特徴ベクトルが、ユーザ特徴ベクトル計算部２４により計算される（Ｓ１０５）。図１２に、その処理の模式図を示す。図１２は、履歴コンテンツのコンテンツ特徴ベクトルおよび当該コンテンツ特徴ベクトルを用いてユーザ特徴ベクトルを算出するときに模式図を示す。図１２に示されているように、この履歴コンテンツにおけるコンテンツ特徴ベクトルは、その要素としてスポーツ、ニュース、バラエティ、音楽などのカテゴリが用いられて表されている。そして、これらコンテンツＩＤのコンテンツ特徴ベクトルおよびその並び順を満たすようにＳＶＭ法を用いてユーザ特徴ベクトルが算出される。

つぎに、このユーザ特徴ベクトルと、レコメンド情報である配信対象となるコンテンツのコンテンツ特徴ベクトルとの予測値Ｐがコンテンツカテゴリ評価値計算部２６により計算される（Ｓ１０６）。図１３にその具体的処理を示す。配信対象となるコンテンツには、コンテンツ特徴ベクトルが対応付けられている。これは、コンテンツ管理ＤＢ４２に記憶されている情報である。そして、これら配信対象となるコンテンツのコンテンツ特徴ベクトルと、ユーザ特徴ベクトルとの間で類似度である予測値Ｐが計算される。類似度の具体的な計算方法の一手法としては、上述の通り内積値を求める方法がある。

つぎに、固有名詞型ユーザ特徴ベクトルを用いた処理に移行する。固有名詞抽出部２７により、履歴コンテンツに含まれている特徴語である固有名詞が形態素解析により抽出される。ここで抽出された固有名詞に基づいて固有名詞型ユーザ特徴ベクトルが生成される（Ｓ１０７）。ここでは例えば図１４に示される固有名詞型コンテンツ特徴ベクトルが生成される。図１４に示されるように、履歴コンテンツそれぞれ、または一部のコンテンツには、固有名詞として、“麻生太郎”“クリントン”“富士通”“中田英寿”などの著名人、または著名企業含まれていたとする。ここではそのような特徴的な特徴語を抽出し、コンテンツ特徴ベクトルの要素とし、あるコンテンツ（例えばコンテンツＩＤ：Ｉ００００１）に“麻生太郎”を含んでいるのであれば、そのベクトル要素には“１”を記述し、また、別のコンテンツ（コンテンツＩＤ：Ｉ００００２）に“富士通”を含んでいるのであれば、そのベクトル要素に“１”を記述する。含んでいない場合には、“０”を記述することになる。

そして、固有名詞評価値計算部２７ａにより、生成された固有名詞型コンテンツ特徴ベクトルｙ_ｉを構成する各ベクトル要素と、ＥＶ値とが乗算されることで、ＥＶ値を考慮した固有名詞型コンテンツ特徴ベクトルｙ_ｉに置き換えられ更新される（Ｓ１０８）。なお、ここでＥＶ値とは、現在のユーザ状況ベクトルと各履歴コンテンツにおけるユーザ状況ベクトルとの類似度ｓｉｍ（ＣＳ、Ｓ_ｎ）に、各履歴コンテンツに対応付けられている評価値Ｒを乗算して得られた数値である。ここでは、図１５に示される処理により、ＥＶ値を考慮した固有名詞型ユーザ特徴ベクトルＹが算出され、更新される。例えば、図１５の例では、コンテンツＩＤ：Ｉ００００２のＥＶ値＝０．５と、固有名詞型コンテンツ特徴ベクトルを構成するベクトル要素“中田英寿：１”とを乗算することにより、固有名詞型コンテンツ特徴ベクトルにおける一ベクトル要素を更新することができる。これを各コンテンツの各ベクトル要素について行うことにより、ＥＶ値を考慮した固有名詞型コンテンツ特徴ベクトルｙ_ｉを生成することができる。

そして、固有名詞類似度計算部２７ｂにより、このように更新された固有名詞型コンテンツ特徴ベクトルｙ_ｉを構成する各要素単位に、全てのコンテンツの固有名詞型コンテンツ特徴ベクトルのベクトル要素が集計されることにより、履歴コンテンツにおける各コンテンツのベクトル要素の総和Ｙ１が計算され、当該総和Ｙ１は、固有名詞型ユーザ特徴ベクトルＹとされる（Ｓ１０９）。図１６に、その具体的な処理についての模式図を示す。図１６に示されるように、履歴コンテンツにおける固有名詞型コンテンツ特徴ベクトルｙ_ｉは、“麻生太郎”“クリントン”“富士通”“中田英寿”の要素から構成される。そして、この各要素ごとに、全ての履歴コンテンツにおける固有名詞型コンテンツ特徴ベクトルｙ_ｉを集計（加算）することにより固有名詞型ユーザ特徴ベクトルＹが算出される。

そして、レコメンド配信対象となるコンテンツのコンテンツ特徴ベクトルと、上述の総和である固有名詞型ユーザ特徴ベクトルＹとの類似度ｓｉｍ（Ｙ、ｙ_ｉ）が固有名詞類似度計算部２７ｂにより計算される（Ｓ１１０）。図１７に、その具体的な処理について模式図を示す。図１７に示されるように配信対象となる各コンテンツに対して固有名詞型コンテンツ特徴ベクトルｙ_ｉが生成されており、それぞれ、Ｓ１０９にて生成された固有名詞型ユーザ特徴ベクトルＹとの類似度ｓｉｍ（Ｙ、ｙ_ｉ）が計算される。

そして、Ｓ１０６にて算出した予測値Ｐと、Ｓ１１０にて算出した類似度ｓｉｍ（Ｙ、ｙ_ｉ）とに対して、それぞれ所定係数α、β（α＋β＝１を条件）を乗算することにより重み付けして、そして加算した値が、コンテンツ予測計算部２７ｃにより計算されることにより、更新予測値Ｑが算出される（Ｓ１１１）。図１８にその具体的な処理についての模式図を示す。図１８に示されるように、カテゴリ種別をそのベクトル要素とするコンテンツ特徴ベクトルに対するユーザ特徴ベクトルとの類似度を示す予測値Ｐ、および固有名詞型コンテンツ特徴ベクトルに対する固有名詞型ユーザ特徴ベクトルＹとの類似度ｓｉｍ（Ｙ、ｙ_ｉ）とが乗算され、更新予測値Ｑが算出されている。この更新予測値Ｑの算出処理は、各コンテンツごとに行われ、算出される。

このように算出された更新予測値Ｑを用いて、その更新予測値Ｑの大きい順にコンテンツを並び替え、その並び替えた状態でレコメンド情報の配信処理が行われる（Ｓ１１２）。図１９にその具体的な処理についての模式図を示す。図１９に示されるとおり、更新予測値Ｑにしたがって並べ替え処理が行われる。ここでは、コンテンツＩＤ：Ｉｒ００００３のコンテンツが先頭に並び替えられている。

つぎに、本実施形態の情報配信サーバ２００の作用効果について説明する。この情報配信サーバ２００によれば、ユーザ特徴ベクトル計算部２４は、ユーザが閲覧したコンテンツを示す履歴コンテンツに対するユーザの評価値に基づいて当該履歴コンテンツを並び替え、当該並び順を満たすようにユーザの特徴を示すユーザ特徴ベクトルを計算する。そして、コンテンツカテゴリ評価値計算部２６は、ユーザ特徴ベクトルと配信対象コンテンツの特徴ベクトルとの類似度を示す予測値Ｐを計算する。

一方、固有名詞抽出部２７は、履歴コンテンツから固有名詞の集合を抽出し、固有名詞評価値計算部２７ａは、抽出された固有名詞に基づいて生成された固有名詞型ユーザ特徴ベクトルＹと、配信対象コンテンツのコンテンツ特徴ベクトルｙ_ｉとの類似度ｓｉｍ（Ｙ、ｙ_ｉ）を計算する。そして、コンテンツ予測計算部２７ｃは、予測値Ｐおよび類似度ｓｉｍ（Ｙ、ｙ_ｉ）に基づいて更新予測値Ｑを計算し、計算された更新予測値Ｑに基づいて定められたコンテンツをレコメンド情報として生成して配信する。

これにより、興味キーワードなどの固有名詞をベクトル要素とするコンテンツ特徴ベクトルを用いたコンテンツ評価を行うことができ、ユーザのカテゴリに対する嗜好を考慮するとともに、人物・地名などのキーワードキーワードレベルのコンテンツ評価を行うことができる。よって、レコメンド情報の精度を向上させることができる。

また、本実施形態の情報配信サーバ２００において、状況類似度計算部２０は、現在のユーザの状況ベクトルと過去のユーザの状況ベクトルとの類似度を計算し、履歴評価値計算部２２は、状況類似度計算部２０により計算されたユーザの状況の類似度と、履歴収集部２８により取得した履歴コンテンツに対するユーザの評価値との乗算により、履歴コンテンツの補正評価値であるＥＶ値を計算する。そして、ユーザ特徴ベクトル計算部２４は、計算された評価値の高い順に並び替えられた履歴コンテンツに対して当該並び順を満たすようにユーザの特徴ベクトルを計算することができる。これにより、過去のユーザ状況を考慮して配信するコンテンツを生成することができる。例えば、過去における、ある状況下で閲覧したコンテンツがあった場合、現在の状況と当時の状況とが類似していた場合には、そのコンテンツはレコメンド情報として提供することが好ましい場合がある。よって、このように過去のユーザ状況で閲覧したコンテンツを考慮することでより適切なレコメンド情報の配信を行うことができる。

また、本実施形態の情報配信サーバ２００において、固有名詞抽出部２７は、固有名詞を抽出し、固有名詞評価値計算部２７ａは、抽出した固有名詞に基づいて固有名詞型コンテンツ特徴ベクトルを生成し、計算された固有名詞型コンテンツ特徴ベクトルにおいて、要素ごとに全ベクトル要素の総和を算出して固有名詞型ユーザ特徴ベクトルを計算する。そして、固有名詞類似度計算部２７ｂは、計算された固有名詞型ユーザ特徴ベクトルを用いて、配信対象コンテンツのコンテンツ特徴ベクトルとの類似度ｓｉｍ（Ｙ、ｙ_ｉ）を計算することができる。これにより、適切な固有名詞型ユーザ特徴ベクトルを生成することができ、より適切なレコメンド情報の配信を行うことができる。

また、本実施形態の情報配信サーバ２００において、ユーザ特徴ベクトル計算部２４は、計算された状況類似度ｓｉｍ（Ｙ、ｙ_ｉ）と、ユーザによる評価値Ｒとが乗算された乗算値であるＥＶ値に基づいて並べ替えられた履歴コンテンツに従ってユーザ特徴ベクトルを計算し、一方で、固有名詞型評価値計算部２７ａは、前述ＥＶ値に基づいて、対応する履歴コンテンツの固有名詞型コンテンツ特徴ベクトルのベクトル要素を更新し、当該更新した固有名詞型コンテンツ特徴ベクトルｙ_ｉの総和を算出して固有名詞型ユーザ特徴ベクトルＹを計算することができる。これにより、適切なユーザ特徴ベクトルおよび固有名詞型ユーザ特徴ベクトルを生成することができ、より適切なレコメンド情報の配信を行うことができる。

１０…履歴送信部、１２…レコメンド要求送信部、１４…状況推定部、１６…レコメンド情報表示部、２０…状況類似度計算部、２２…履歴評価値計算部、２４…ユーザ特徴ベクトル計算部、２６…コンテンツカテゴリ評価値計算部、２７…固有名詞抽出部、２７ａ…固有名詞評価値計算部、２７ｂ…固有名詞類似度計算部、２７ｃ…コンテンツ予測計算部、２８…履歴収集部、３０…レコメンド要求受信部、３２…コンテンツ送信部、４６…コンテンツテーブル、４０…ユーザ履歴管理ＤＢ、４２…コンテンツ管理ＤＢ、４４…ユーザ特徴ベクトル管理ＤＢ。

Claims (5)

1. ユーザが閲覧したコンテンツを示す履歴コンテンツを取得する履歴コンテンツ取得手段と、
   前記履歴コンテンツ取得手段で取得した履歴コンテンツに対するユーザの評価値に基づいて当該履歴コンテンツを並び替え、当該並び順を満たすようにユーザの特徴を示すユーザ特徴ベクトルを計算するユーザ特徴ベクトル計算手段と、
   前記ユーザ特徴ベクトル計算手段により計算されたユーザのユーザ特徴ベクトルと配信対象コンテンツの特徴ベクトルとの類似度を示す予測値を計算する予測値計算手段と、
   前記履歴コンテンツ取得手段で取得した履歴コンテンツから固有名詞の集合を抽出する固有名詞抽出手段と、
   前記固有名詞抽出手段により抽出された固有名詞に基づいて生成された固有名詞型ユーザ特徴ベクトルと、配信対象コンテンツのコンテンツ特徴ベクトルとの類似度を計算する類似度計算手段と、
   前記予測値計算手段により計算された予測値と、前記類似度計算手段により計算された類似度とに基づいて更新予測値を計算する更新予測値計算手段と、
   前記更新予測値計算手段により計算された更新予測値に基づいて定められたコンテンツをレコメンド情報として生成するレコメンド情報生成手段と、
   を備えるレコメンド情報生成装置。
2. 現在のユーザの状況と過去のユーザの状況との類似度を計算する状況類似度計算手段と、
   前記状況類似度計算手段で計算されたユーザの状況の類似度と、前記履歴コンテンツ取得手段で取得した履歴コンテンツに対するユーザの評価値との乗算により、履歴コンテンツの評価値を計算する履歴評価値計算手段と、
   を備え、
   前記ユーザ特徴ベクトル演算手段は、前記履歴評価値計算手段で計算された評価値の高い順に並び替えられた履歴コンテンツにおける当該並び順を満たすようにユーザの特徴ベクトルを計算することを特徴とする請求項１に記載のレコメンド情報生成装置。
3. 前記固有名詞抽出手段により抽出された固有名詞に基づいて固有名詞型コンテンツ特徴ベクトルを計算する固有名詞型コンテンツ特徴ベクトル計算手段と、
   前記固有名詞型コンテンツ特徴ベクトル計算手段により計算された固有名詞型コンテンツ特徴ベクトルにおいて、要素ごとに全ベクトル要素の総和を算出して固有名詞型ユーザ特徴ベクトルを計算する固有名詞型ユーザ特徴ベクトル計算手段と、
   を備え、
   前記類似度計算手段は、前記固有名詞型ユーザ特徴ベクトル計算手段により計算された固有名詞型ユーザ特徴ベクトルを用いて、配信対象コンテンツのコンテンツ特徴ベクトルとの類似度を計算することを特徴とする請求項１または２に記載のレコメンド情報生成装置。
4. 前記ユーザ特徴ベクトル計算手段は、前記状況類似度計算手段により計算された状況類似度と、ユーザによる評価値とが乗算された補正評価値に基づいて並べ替えられた履歴コンテンツに従ってユーザ特徴ベクトルを計算し、
   前記固有名詞型コンテンツ特徴ベクトル計算手段は、前記補正評価値に基づいて、対応する履歴コンテンツの固有名詞型コンテンツ特徴ベクトルのベクトル要素を更新し、
   前記固有名詞型ユーザ特徴ベクトル計算手段は、当該更新した固有名詞型コンテンツ特徴ベクトルを用いて固有名詞型ユーザ特徴ベクトルを計算することを特徴とする
   請求項３に記載のレコメンド情報生成装置。
5. ユーザが閲覧したコンテンツを示す履歴コンテンツを取得する履歴コンテンツ取得ステップと、
   前記履歴コンテンツ取得ステップで取得した履歴コンテンツに対するユーザの評価値に基づいて並び替え、当該並び順を満たすようにユーザの特徴を示すユーザ特徴ベクトルを計算するユーザ特徴ベクトル計算ステップと、
   前記ユーザ特徴ベクトル計算ステップにより計算されたユーザのユーザ特徴ベクトルと配信対象コンテンツの特徴ベクトルとの類似度を示す予測値を計算する予測値計算ステップと、
   前記履歴コンテンツ取得ステップで取得した履歴コンテンツから固有名詞の集合を抽出する固有名詞抽出ステップと、
   前記固有名詞抽出ステップにより抽出された固有名詞に基づいて生成された固有名詞型ユーザ特徴ベクトルと、配信対象コンテンツのコンテンツ特徴ベクトルとの類似度を計算する類似度計算ステップと、
   前記予測値計算ステップにより計算された予測値と、前記類似度計算ステップにより計算された類似度とに基づいて更新予測値を計算する更新予測値計算ステップと、
   前記更新予測値計算ステップにより計算された更新予測値に基づいて定められたコンテンツをレコメンド情報として生成するレコメンド情報生成ステップと、
   を備えるレコメンド情報生成装置。

Images