JP2010262401A - 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】ユーザの閲覧履歴を考慮するとともに現在閲覧しているコンテンツを考慮したレコメンド情報を生成する。
【解決手段】履歴類似度計算部２１は、コンテンツＩＤで特定されるコンテンツと、ユーザ履歴管理ＤＢ４０に記憶されている各履歴コンテンツとの類似度を計算する。履歴評価値計算部２２は、履歴類似度と、履歴コンテンツの補正評価値ＥＶ値を計算する。そして、ユーザ特徴ベクトル計算部２４は、履歴評価値計算部２２により計算された補正評価値ＥＶ値に基づいてユーザの特徴ベクトルを計算する。コンテンツカテゴリ評価値計算部は、計算されたユーザのユーザ特徴ベクトルと推薦対象となる推薦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を計算し、コンテンツ送信部３２は、この予測値Ｐに従ってコンテンツの並び替えを行い、ユーザに対する推薦対象コンテンツとなるレコメンド情報を決定する。
【選択図】図２

Description

本発明は、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。

ユーザが現在見ているコンテンツと関連するコンテンツを推薦する方法として、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、ユーザが現在見ているコンテンツと広告商品等に割り当てられたキーワード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

しかしながら、Ｃｏｎｔｅｎｔ−ｂａｓｅｄ Ｆｉｌｔｅｒｉｎｇでは、ユーザが現在見ているコンテンツと関連するコンテンツを出力することは可能だが、全ユーザに対して同一のコンテンツしか提示することができない。したがって、ユーザに応じた適切なコンテンツを提供することができない。

そこで、本発明は、ユーザの閲覧履歴を考慮するとともに現在閲覧しているコンテンツを考慮したレコメンド情報を生成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、ユーザにより指定されたコンテンツを取得する閲覧コンテンツ取得手段と、前記閲覧コンテンツ取得手段により取得されたコンテンツである履歴コンテンツを示す閲覧履歴情報を、ユーザごとに区別して記憶する閲覧履歴情報記憶手段と、現在閲覧中のコンテンツを示すコンテンツＩＤを含んだレコメンド要求を受信するレコメンド要求受信手段と、前記レコメンド要求受信手段により受信されたレコメンド要求に含まれているコンテンツＩＤで特定されるコンテンツと、前記閲覧履歴情報記憶手段に記憶されている各履歴コンテンツとの類似度を計算する履歴類似度計算手段と、前記履歴類似度計算手段により計算された履歴類似度と、履歴コンテンツに対するユーザの評価値とを乗算することで履歴コンテンツの補正評価値を計算する履歴評価値計算手段と、履歴評価値計算手段により計算された補正評価値の高い順に履歴を並び替え、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推薦対象となる推薦対象コンテンツの特徴ベクトルとの類似度を計算することにより、ユーザに対する推薦対象コンテンツとなるレコメンド情報を決定する推薦コンテンツ決定手段と、を備えている。

また、本発明のレコメンド情報生成方法は、ユーザにより指定されたコンテンツを取得する閲覧コンテンツ取得ステップと、前記閲覧コンテンツ取得ステップにより取得されたコンテンツである履歴コンテンツを示す閲覧履歴情報を、ユーザごとに区別して閲覧履歴情報記憶手段に記憶する記憶ステップと、現在閲覧中のコンテンツを示すコンテンツＩＤを含んだレコメンド要求を受信するレコメンド要求受信ステップと、前記レコメンド要求受信ステップにより受信されたレコメンド要求に含まれているコンテンツＩＤで特定されるコンテンツと、前記閲覧履歴情報記憶手段に記憶されている各履歴コンテンツとの類似度を計算する履歴類似度計算ステップと、前記履歴類似度計算ステップにより計算された履歴類似度と、履歴コンテンツに対するユーザの評価値とを乗算することで履歴コンテンツの補正評価値を計算する履歴評価値計算ステップと、履歴評価値計算ステップにより計算された補正評価値の高い順に履歴を並び替え、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推薦対象となる推薦対象コンテンツの特徴ベクトルとの類似度を計算することにより、ユーザに対する推薦対象コンテンツとなるレコメンド情報を決定する推薦コンテンツ決定ステップと、を備えている。

この発明によれば、まずユーザにより指定されたコンテンツを取得し、取得されたコンテンツである履歴コンテンツを示す閲覧履歴情報を、ユーザごとに区別して記憶する。

そして、現在閲覧中のコンテンツを示すコンテンツＩＤを含んだレコメンド要求を受信すると、当該コンテンツＩＤで特定されるコンテンツと、すでに記憶されている各履歴コンテンツとの類似度を計算し、計算された履歴類似度と、履歴コンテンツに対するユーザの評価値とを乗算することで履歴コンテンツの補正評価値を計算する。そして、計算された補正評価値の高い順に履歴を並び替え、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し、計算されたユーザのユーザ特徴ベクトルと推薦対象となる推薦対象コンテンツの特徴ベクトルとの類似度を計算することにより、ユーザに対する推薦対象コンテンツとなるレコメンド情報を決定する。

これにより、閲覧中のコンテンツと履歴コンテンツとに基づいてユーザに適したコンテンツであるレコメンド情報を決定することができ、レコメンド情報の精度を向上させることができ、より適切なコンテンツをユーザに提供することができる。

また、本発明のレコメンド情報生成装置において、前記レコメンド要求受信手段は、コンテンツＩＤとともにユーザの状況ベクトルを含んだレコメンド要求を受信し、過去のユーザの状況を示すユーザ状況ベクトルを記憶する状況ベクトル記憶手段と、前記レコメンド要求受信手段により受信された現在の状況を示すユーザ状況ベクトルにより示される状況と前記状況ベクトル記憶手段に記憶されている過去のユーザ状況ベクトルにより示される状況との近さを示す状況類似度を計算する状況類似度計算手段と、を備え、前記履歴評価値計算手段は、さらに前記状況類似度計算手段により計算された状況類似度を、履歴コンテンツに対するユーザの評価値と乗算した乗算値を、前記履歴類似度計算手段により計算された履歴類似度と、履歴コンテンツに対するユーザの評価値とを乗算して得た前記補正評価値に加算することにより、ユーザ状況を考慮した補正評価値を計算することが好ましい。

この発明によれば、コンテンツＩＤとともにユーザの状況ベクトルを含んだレコメンド要求を受信し、受信された現在の状況を示すユーザ状況ベクトルにより示される状況と過去のユーザ状況ベクトルにより示される状況との近さを示す状況類似度を計算し、ここで計算された状況類似度を、履歴コンテンツに対するユーザの評価値と乗算した乗算値を、さきに計算された履歴類似度と、履歴コンテンツに対するユーザの評価値とを乗算して得た前述補正評価値に加算することにより、ユーザ状況を考慮した補正評価値を計算することができる。そして、この補正評価値に従って、ユーザ特徴ベクトルを生成し、このユーザ特徴ベクトルに基づいてレコメンド情報を生成することができる。よって、現在のユーザ状況に応じた適切なレコメンド情報を生成することができる。

本発明によれば、閲覧中のコンテンツと履歴コンテンツとに基づいてユーザに適したコンテンツであるレコメンド情報を決定することができ、レコメンド情報の精度を向上させることができ、より適切なコンテンツをユーザに提供することができる。

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。 情報配信サーバ２００のレコメンド情報を決定する際における処理を示すフローチャートである。 コンテンツ特徴ベクトルＸ_ｃと、コンテンツ特徴ベクトルＸ_ｉとのコサイン値を計算する過程を示す模式図である。 ユーザ状況ベクトルを示す模式図である。 コンテンツ特徴ベクトルＸ_ｃとコンテンツ特徴ベクトルＸ_ｉとのコサイン値を計算する処理を示す模式図である。 類似度ｓｉｍ（Ｃｓ、Ｓ_ｎ）と評価値Ｒとが乗算された処理過程を示す模式図である。 ＥＶ値を計算する処理過程を示す模式図である。 ＥＶ値に基づいて並び替え処理が行われた結果を示す模式図である。 状況反映モードを用いない場合のＥＶ値を計算する処理過程を示す模式図である。 状況反映モードを用いない場合のＥＶ値に従って並び替え処理した結果を示す模式図である。 状況反映モードありの場合のＥＶ値に基づいて並び替えられた履歴コンテンツを用いてユーザ特徴ベクトルを計算するときの過程を示す模式図である。 予測値Ｐを、各配信対象コンテンツごとに計算する処理過程を示す模式図である。 予測値Ｐに従って、各配信対象となるコンテンツは並び替えられた結果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）、履歴類似度計算部２１（履歴類似度計算手段）、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（推薦コンテンツ決定手段）、履歴収集部２８（閲覧コンテンツ取得手段）、レコメンド要求受信部３０（レコメンド要求受信手段）、コンテンツ送信部３２、ユーザ履歴管理ＤＢ４０（閲覧履歴情報記憶手段）、コンテンツ管理ＤＢ４２、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、現在閲覧しているコンテンツ等を示す閲覧情報、現在のユーザの状況情報（状況ベクトル）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。このフラグ情報は、ユーザにより指定可能なものである。また、閲覧情報は、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を含んだものである。

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。この状況推定部１４により推定されたユーザの状況を示す状況情報はレコメンド要求送信部１２に出力され、レコメンド要求時に用いられる。

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ユーザ状況ベクトル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。

履歴類似度計算部２１は、ユーザが現在閲覧中のコンテンツである指定コンテンツのコンテンツ特徴ベクトルＸ_ｃと、履歴コンテンツのコンテンツ特徴ベクトルＸ_ｉとのコサイン値を計算することにより、指定コンテンツと履歴コンテンツとの近さを判断するための類似度を計算する部分である。

ここで閲覧中のコンテンツのコンテンツ特徴ベクトルＸ_ｃは、以下の（３）の通り表現される。

そして、以下のとおりの式（４）を用いて、閲覧中の指定コンテンツのコンテンツ特徴ベクトルＸ_ｃと、履歴コンテンツのコンテンツ特徴ベクトルＸ_ｉとの類似度ｓｉｍ（Ｘ_ｃ、Ｘ_ｉ）が履歴類似度計算部２１により算出される。ここで、ｉは履歴コンテンツを示す識別符号（例えばコンテンツＩＤ）であり、Ｈは履歴コンテンツの集合を示す。

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との類似度を示す状況類似度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、所定の重み係数αとの乗算値、ならびに履歴コンテンツとの類似度を示す類似度ｓｉｍ（Ｘ_ｃ、Ｘ_ｉ）と、その評価を示す評価値Ｒと、所定の重み係数βとの乗算値の和を計算することで、補正評価値となる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評価されている場合を考慮して、次式（５）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、状況反映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（Ｘ_ｃ，Ｘ_ｉ）と評価値Ｒとの乗算値からＥＶ値を求める。

ユーザ特徴ベクトル計算部２４は、履歴評価値計算部２２により計算された補正評価値ＥＶ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と閲覧中の指定コンテンツと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（６）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（６）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６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 SearchEnginesUsing Clickthrough Data
”, Proc. ACM SIGKDD Int’l Conf. KnowledgeDiscoveryand 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（７）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。

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（ユーザ状況ベクトル、コンテンツＩＤ等を含む）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、履歴類似度計算部２１、およびコンテンツ送信部３２に通知し、コンテンツ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に対する評価の予測値Ｐ_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、上述の通り予測値Ｐ_u,iに従って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の動作について説明する。図７は、情報配信サーバ２００のレコメンド情報を決定する際における処理を示すフローチャートである。

情報配信サーバ２００において、履歴収集部２８は定期的に履歴情報を収集し、収集した履歴情報をユーザ履歴管理ＤＢ４０に記憶させている。一方で、移動機１００において一のコンテンツを取得して閲覧している場合にレコメンド要求が行われると、情報配信サーバ２００は、レコメンド要求を受信し、当該レコメンド要求に含まれているユーザ状況情報および閲覧情報を取得し、一時的に所定の記憶部に現在のユーザ状況情報および現在閲覧しているコンテンツに関する閲覧情報を記憶する（Ｓ１０１）。

そして、履歴類似度計算部２１により、現在閲覧中である指定コンテンツのコンテンツ特徴ベクトルＸ_ｃと、ユーザ履歴管理ＤＢ４０に記憶されている履歴コンテンツのコンテンツ特徴ベクトルＸ_ｉとのコサイン値が計算される（Ｓ１０２）。この計算例について図８を用いて説明する。図８は、閲覧中の指定コンテンツのコンテンツ特徴ベクトルＸ_ｃと、履歴コンテンツのコンテンツ特徴ベクトルＸ_ｉとのコサイン値を計算する過程を示す模式図である。この図８から明らかな通り、履歴類似度計算部２１により、コサイン値で表される類似度が各履歴コンテンツに対して計算される。

そして、レコメンド要求に状況ＩＤが含まれているか否かにより、状況反映モードであるかがレコメンド要求受信部３０において判断される（Ｓ１０３）。ここでレコメンド要求受信部３０において状況反映モードであると判断されると、状況類似度計算部２０により、現在のユーザのユーザ状況情報が取得され（Ｓ１０４）、過去のユーザの状況情報であるユーザ状況ベクトルＳ_ｎと、現在のユーザの状況情報であるユーザ状況ベクトルＣＳとの状況類似度ｓｉｍ（ＣＳ、Ｓ_ｎ）が計算される（Ｓ１０５）。

この計算例について、図９から図１１を用いて説明する。図９（ａ）は、現在のユーザの状況情報を示すユーザ状況ベクトルＣＳを示す模式図であり、図９（ｂ）は、過去の履歴コンテンツを閲覧したユーザの状況を示すユーザ状況ベクトルＳ_ｎを示す模式図である。図９から明らかな通り、ユーザ状況ベクトルは、家、会社などの場所を表す要素、一人または大勢などの周囲の状況を表す要素、朝、昼、夜などの時間帯を表す要素から構成されている。

そして、この計算例について図１０を用いて説明する。図１０は、現在のユーザ状況ベクトルＣＳと、履歴コンテンツにおけるユーザ状況ベクトルＳ_ｎとの状況類似度ｓｉｍ（ＣＳ、Ｓ_ｎ）を計算する処理を示す模式図である。図１０に示されるように、現在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状況ベクトルとの状況類似度が計算される。

図１１では、ここで計算した類似度と評価値とが乗算された処理過程を示す。図１１に示されるように、各コンテンツに計算された類似度に評価値が乗算されている。

そして、状況類似度ｓｉｍ（ＣＳ、Ｓ_ｎ）と評価値Ｒと重み係数αとの乗算値、ならびに履歴類似度ｓｉｍ（Ｘ_ｃ、Ｘ_ｉ）と評価値Ｒと重み係数βとの乗算値の和である補正評価値ＥＶ値が、履歴評価値計算部２２により計算される。そして、この補正評価値ＥＶ値に基づいて、ユーザ特徴ベクトル計算部２４により履歴コンテンツは並び替えられる（Ｓ１０６）。

その具体例について図１２および図１３を用いて説明する。図１２に示されるように、状況類似度ｓｉｍ（ＣＳ、Ｓ_ｎ）と評価値Ｒと重み係数α（＝０．５）との乗算値と、閲覧コンテンツの類似度ｓｉｍ（Ｘ_ｃ、Ｘ_ｉ）と評価値Ｒと重み係数β（＝０．５）との乗算値とを加算して、各コンテンツごとにＥＶ値を算出している。

また、図１３に示すように、このＥＶ値に基づいてコンテンツの並び替えが行われる。なお、図１２および図１３に示すとおり、コンテンツＩＤ“Ｉ０００６”をユーザは２回閲覧していることから、上述の式に従って、両者を加算して値がＥＶ値として計算される。よって、ＥＶ値に基づく順位もコンテンツＩＤ０００６“がそのＥＶ値の分だけ上位に並び替えられている。

そして、ユーザ特徴ベクトル計算部２４により、その並び順を満たすようにユーザ特徴ベクトルＷが計算される（Ｓ１０７）。

図１６にその具体例を示す。図１６は、状況反映モードありの場合のＥＶ値に基づいて並び替えられた履歴コンテンツを用いてユーザ特徴ベクトルを計算するときの過程を示す模式図である。図１６に示されるとおり、ＳＶＭ法を用いてその履歴コンテンツの並び順を満たすようにユーザ特徴ベクトルが計算される。

つぎに、ここで計算されたユーザ特徴ベクトルＷと、配信対象となるコンテンツのコンテンツ特徴ベクトルＸ_ｉとの類似度を示す予測値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（Ｓ１０８）、この予測値Ｐに従ってコンテンツは、コンテンツ送信部３２により並び替えられてレコメンド情報が生成される（Ｓ１０９）。そして、コンテンツ送信部３２によりレコメンド情報は配信される（Ｓ１０）。

ここでの処理について図１７および図１８を用いて説明する。図１７で示すとおり、ユーザ特徴ベクトルＷと配信対象となるコンテンツ特徴ベクトルとの類似度を示す予測値Ｐが、各配信対象コンテンツごとに計算されている。そして、図１８に示すように、ここで計算した予測値Ｐに従って、各配信対象となるコンテンツは並び替えられている。

一方、Ｓ１０３において、状況反映モードではないと判断されると、評価値Ｒとｓｉｍ（Ｘ_ｃ、Ｘ_ｉ）との乗算値の大きい順に履歴コンテンツが並び替えられ、ランキング処理が行われる（Ｓ１１１）。そして、上述したとおり、このように並び替え処理された履歴コンテンツを用いてユーザ特徴ベクトルが計算され、配信対象となるコンテンツのレコメンド情報が生成される。

ここで図１４を用いて、状況反映モードを採用しない場合のランキング処理について説明する。ここでは、履歴コンテンツに対応付けられている評価値Ｒと、閲覧中の指定コンテンツのコンテンツ特徴ベクトルＸ_ｃとの類似度ｓｉｍ（Ｘ_ｃ，Ｘ_ｉ）とを乗算する。

そして、図１５に示されるようにこの乗算値にしたがって、履歴コンテンツの並び替え処理が行われる。ここでは、その乗算値が高いコンテンツＩＤ“Ｉ０００６”が上位になるよう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。本実施形態の情報配信サーバ２００において、履歴収集部２８は、ユーザにより閲覧されたコンテンツを取得し、ユーザ履歴管理ＤＢ４０は、取得されたコンテンツである履歴コンテンツを示す閲覧履歴情報を、ユーザごとに区別して記憶する。

そして、レコメンド要求受信部３０が、現在閲覧中のコンテンツを示すコンテンツＩＤを含んだレコメンド要求を受信すると、履歴類似度計算部２１は、レコメンド要求に含まれているコンテンツＩＤで特定されるコンテンツ（コンテンツ特徴ベクトルＸ_ｃ）と、ユーザ履歴管理ＤＢ４０に記憶されている各履歴コンテンツ（コンテンツ特徴ベクトルＸ_ｉ）との類似度ｓｉｍ（Ｘ_ｃ、Ｘ_ｉ）を計算する。

履歴評価値計算部２２は、計算された履歴類似度と、履歴コンテンツに対するユーザの評価値とを乗算することで履歴コンテンツの補正評価値ＥＶ値を計算する。そして、ユーザ特徴ベクトル計算部２４は、履歴評価値計算部２２により計算された補正評価値ＥＶ値の高い順に履歴を並び替え、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。

そして、コンテンツカテゴリ評価値計算部は、履歴評価値計算部２２により計算されたユーザのユーザ特徴ベクトルと推薦対象となる推薦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を計算し、コンテンツ送信部３２は、この予測値Ｐに従ってコンテンツの並び替えを行い、ユーザに対する推薦対象コンテンツとなるレコメンド情報を決定する。

これにより、閲覧中のコンテンツと履歴コンテンツとに基づいたユーザに適したコンテンツであるレコメンド情報を決定することができ、より適切なコンテンツをユーザに提供することができ、レコメンド情報の精度を向上させることができる。

また、情報配信サーバ２００において、レコメンド要求受信部３０はコンテンツＩＤとともにユーザの状況ベクトルを含んだレコメンド要求を受信し、状況類似度計算部２０は、受信された現在の状況を示すユーザ状況ベクトルＣＳにより示される状況と過去のユーザ状況ベクトルＳ_ｎにより示される状況との近さを示す状況類似度ｓｉｍ（ＣＳ、Ｓ_ｎ）を計算し、ここで計算された状況類似度ｓｉｍ（ＣＳ、Ｓ_ｎ）を、履歴コンテンツに対するユーザの評価値Ｒに対して乗算した乗算値を、さきに計算された履歴類似度と、履歴コンテンツに対するユーザの評価値Ｒとを乗算して得た前述補正評価値ＥＶ値に加算することにより、ユーザ状況を考慮した補正評価値ＥＶ値を計算する。

すなわち、状況類似度ｓｉｍ（ＣＳ、Ｓ_ｎ）と評価値Ｒとの乗算値（所定の重み付け係数αをさらに乗算してもよい）、および履歴類似度ｓｉｍ（Ｘ_ｃ，Ｘ_ｉ）と評価値Ｒとの乗算値（所定の重み付け係数βをさらに乗算してもよい）の和を計算して、それを補正評価値ＥＶ値とする。

そして、ユーザ特徴ベクトル計算部２４は、この補正評価値ＥＶ値に従って、ユーザ特徴ベクトルを生成し、コンテンツカテゴリ評価値計算部２６およびコンテンツ送信部３２は、このユーザ特徴ベクトルに基づいてレコメンド情報を生成して、配信することができる。よって、現在のユーザ状況に応じた適切なレコメンド情報を生成することができる。

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、２１…履歴類似度計算部、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、２８…履歴収集部、２８…上述履歴収集部、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、１００…移動機、２００…情報配信サーバ、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、４６…コンテンツテーブル。

Claims (3)

1. ユーザにより指定されたコンテンツを取得する閲覧コンテンツ取得手段と、
   前記閲覧コンテンツ取得手段により取得されたコンテンツである履歴コンテンツを示す閲覧履歴情報を、ユーザごとに区別して記憶する閲覧履歴情報記憶手段と、
   現在閲覧中のコンテンツを示すコンテンツＩＤを含んだレコメンド要求を受信するレコメンド要求受信手段と、
   前記レコメンド要求受信手段により受信されたレコメンド要求に含まれているコンテンツＩＤで特定されるコンテンツと、前記閲覧履歴情報記憶手段に記憶されている各履歴コンテンツとの類似度を計算する履歴類似度計算手段と、
   前記履歴類似度計算手段により計算された履歴類似度と、履歴コンテンツに対するユーザの評価値とを乗算することで履歴コンテンツの補正評価値を計算する履歴評価値計算手段と、
   履歴評価値計算手段により計算された補正評価値の高い順に履歴を並び替え、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推薦対象となる推薦対象コンテンツの特徴ベクトルとの類似度を計算することにより、ユーザに対する推薦対象コンテンツとなるレコメンド情報を決定する推薦コンテンツ決定手段と、
   を備えるレコメンド情報生成装置。
2. 前記レコメンド要求受信手段は、コンテンツＩＤとともにユーザの状況ベクトルを含んだレコメンド要求を受信し、
   過去のユーザの状況を示すユーザ状況ベクトルを記憶する状況ベクトル記憶手段と、
   前記レコメンド要求受信手段により受信された現在の状況を示すユーザ状況ベクトルにより示される状況と前記状況ベクトル記憶手段に記憶されている過去のユーザ状況ベクトルにより示される状況との近さを示す状況類似度を計算する状況類似度計算手段と、
   を備え、
   前記履歴評価値計算手段は、さらに前記状況類似度計算手段により計算された状況類似度を、履歴コンテンツに対するユーザの評価値と乗算した乗算値を、前記履歴類似度計算手段により計算された履歴類似度と、履歴コンテンツに対するユーザの評価値とを乗算して得た前記補正評価値に加算することにより、ユーザ状況を考慮した補正評価値を計算することを特徴とするレコメンド情報生成装置。
3. ユーザにより指定されたコンテンツを取得する閲覧コンテンツ取得ステップと、
   前記閲覧コンテンツ取得ステップにより取得されたコンテンツである履歴コンテンツを示す閲覧履歴情報を、ユーザごとに区別して閲覧履歴情報記憶手段に記憶する記憶ステップと、
   現在閲覧中のコンテンツを示すコンテンツＩＤを含んだレコメンド要求を受信するレコメンド要求受信ステップと、
   前記レコメンド要求受信ステップにより受信されたレコメンド要求に含まれているコンテンツＩＤで特定されるコンテンツと、前記閲覧履歴情報記憶手段に記憶されている各履歴コンテンツとの類似度を計算する履歴類似度計算ステップと、
   前記履歴類似度計算ステップにより計算された履歴類似度と、履歴コンテンツに対するユーザの評価値とを乗算することで履歴コンテンツの補正評価値を計算する履歴評価値計算ステップと、
   履歴評価値計算ステップにより計算された補正評価値の高い順に履歴を並び替え、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推薦対象となる推薦対象コンテンツの特徴ベクトルとの類似度を計算することにより、ユーザに対する推薦対象コンテンツとなるレコメンド情報を決定する推薦コンテンツ決定ステップと、
   を備えるレコメンド情報生成方法。

Images