JP2011135183A - 情報処理装置および方法 - Google Patents

Abstract

【課題】よりユーザに適したコンテンツを、より容易に推薦することができるようにする。
【解決手段】推薦エンジン１０７は、コンテンツ特徴量データベース１０３から推薦対象コンテンツのコンテンツ特徴量を取得する。また、推薦エンジン１０７は、ユーザ嗜好データベース１０６から推薦対象ユーザのユーザ嗜好を取得する。推薦エンジン１０７は、推薦対象コンテンツのコンテンツ特徴量を、ユーザ嗜好を用いて補正し、シードベクトルを生成する。推薦エンジン１０７は、他のコンテンツのコンテンツ特徴量を取得し、シードベクトルと比較して、シードベクトルとの類似度を算出する。推薦エンジン１０７は、シードベクトルと類似度の高い他のコンテンツを関連コンテンツとして推薦する。本発明は、例えば、推薦装置、テレビジョン受像機、または推薦サーバに適用することができる。
【選択図】図１

Description

本発明は、情報処理装置および方法に関し、特に、よりユーザに適したコンテンツを、より容易に推薦することができるようにした情報処理装置および方法に関する。

近年、ユーザが現在視聴しているコンテンツや、既に持っているコンテンツに関連するコンテンツを検索・推薦する技術が、盛んに研究開発されている。

このような技術を実現する際、コンテンツの特徴量をメタデータなどから算出し、コンテンツのベクトル間の類似度を計算することにより、関連するコンテンツを検索・推薦するのが一般的である。

また、コンテンツ推薦方法の１つとして、当該コンテンツに関連するパラメータをシステム側からユーザに提供し、ユーザがそのパラメータ群の中から検索に使用するパラメータを選択することによって、関連コンテンツの検索を実現する方法が考えられている（例えば、特許文献１参照）。

特表２００２−５３２０２３号公報

しかしながら、特許文献１に記載の方法では、当該コンテンツと特徴の近いコンテンツを関連コンテンツとして検索・推薦することはできても、個々のユーザの嗜好に応じて、ユーザの重視する特徴を強調した関連コンテンツを検索・推薦することは出来なかった。

本発明は、このような状況に鑑みて提案されたものであり、コンテンツの特徴量とユーザの嗜好との両方を加味して、関連コンテンツを検索・推薦を行うことを目的とする。

本発明の一側面は、特徴が類似するアイテムを推薦する推薦処理の対象となる推薦対象アイテムの、アイテムとしての特徴を示すアイテム特徴量を、アイテムを推薦する相手となる推薦対象ユーザの、アイテムに対する嗜好を示すユーザ嗜好を用いて補正する補正手段と、前記補正手段により補正された前記アイテム特徴量と、他のアイテムの前記アイテム特徴量とで比較するマッチングを行い、前記推薦対象アイテムに前記アイテム特徴量が類似する他のアイテムを検索するマッチング手段と、前記マッチング手段によるマッチングの結果に基づいて、前記推薦対象アイテムに特徴が類似する関連アイテムを前記推薦対象ユーザに推薦する推薦手段とを備える情報処理装置である。

前記補正手段は、前記アイテム特徴量に含まれる各属性値を、前記推薦対象ユーザの前記ユーザ嗜好に含まれる各属性値と比較する比較手段と、前記比較手段による比較の結果に基づいて、前記アイテム特徴量および前記ユーザ嗜好の両方に含まれる属性値の重要度を増幅する増幅手段とを備えることができる。

前記比較手段による比較の結果に基づいて、前記アイテム特徴量に含まれ、かつ、前記ユーザ嗜好に含まれない属性値の重要度を減衰する減衰手段をさらに備えることができる。

前記マッチング手段は、前記推薦対象アイテムの前記アイテム特徴量と、他のアイテムの前記アイテム特徴量との類似度を算出する類似度算出手段と、前記類似度算出手段により算出された前記類似度を保持する類似度保持手段とを備えることができる。

前記類似度算出手段は、前記アイテム特徴量を属性毎にベクトル化した属性ベクトル同士の内積の絶対値に、前記属性毎に予め定められた所定の重み係数を乗算した乗算結果の総和を、前記類似度として算出することができる。

前記マッチング手段は、前記類似度保持手段により保持される類似度の値が大きい順に所定数の前記他のアイテムを、前記推薦対象アイテムの関連アイテムとして選択する関連アイテム選択手段を備えることができる。

前記アイテム特徴量を記憶するアイテム特徴量記憶手段をさらに備え、前記補正手段は、前記アイテム特徴量記憶手段から前記推薦対象アイテムの前記アイテム特徴量を取得し、取得した前記アイテム特徴量を、前記ユーザ嗜好を用いて補正し、前記マッチング手段は、前記アイテム特徴量記憶手段から前記他のアイテムの前記アイテム特徴量を取得し、取得した前記アイテム特徴量と、前記補正手段により補正された前記アイテム特徴量とでマッチングを行うことができる。

前記アイテムに関する情報を含むメタデータを取得するメタデータ取得手段と、前記メタデータ取得手段により取得された前記メタデータから、前記アイテム特徴量を抽出するアイテム特徴量抽出手段と、前記アイテム特徴量抽出手段により抽出された前記アイテム特徴量を、前記アイテム特徴量記憶手段に登録するアイテム特徴量登録手段とをさらに備えることができる。

前記ユーザ嗜好を記憶するユーザ嗜好記憶手段をさらに備え、前記補正手段は、前記推薦対象ユーザの前記ユーザ嗜好を前記ユーザ嗜好記憶手段から取得し、取得した前記ユーザ嗜好を用いて、前記推薦対象アイテムの前記アイテム特徴量を補正することができる。

ユーザの操作ログを取得する操作ログ取得手段と、前記操作ログ取得手段により取得された前記操作ログから、前記ユーザ嗜好を抽出するユーザ嗜好抽出手段と、前記ユーザ嗜好抽出手段により抽出された前記ユーザ嗜好を、前記ユーザ嗜好記憶手段に登録するユーザ嗜好登録手段とをさらに備えることができる。

予め定められた所定の嗜好を記憶する嗜好記憶手段をさらに備え、前記補正手段は、前記所定の嗜好を前記嗜好記憶手段から取得し、取得した前記所定の嗜好を用いて、前記推薦対象アイテムの前記アイテム特徴量を補正することができる。

前記ユーザ嗜好、並びに、前記ユーザ嗜好の情報量若しくは更新回数を示す成熟度を記憶するユーザ嗜好記憶手段をさらに備え、前記補正手段は、前記ユーザ嗜好記憶手段から前記推薦対象ユーザの前記ユーザ嗜好を取得するユーザ嗜好取得手段と、前記ユーザ嗜好記憶手段から前記ユーザ嗜好の成熟度を取得する成熟度取得手段と、前記嗜好記憶手段から前記所定の嗜好を取得する嗜好取得手段と、前記成熟度取得手段により取得された前記成熟度に応じた比率で、前記嗜好取得手段により取得された前記所定の嗜好と、前記ユーザ嗜好取得手段により取得された前記ユーザ嗜好とを混合する混合手段と、前記アイテム特徴量に含まれる各属性値を、前記混合手段による前記所定の嗜好と前記ユーザ嗜好との混合結果に含まれる各属性値と比較する比較手段と、前記比較手段による比較の結果に基づいて、前記アイテム特徴量および前記混合結果の両方に含まれる属性値の重要度を増幅する増幅手段とを備えることができる。

本発明の一側面は、また、情報処理装置の情報処理方法であって、前記情報処理装置の補正手段が、特徴が類似するアイテムを推薦する推薦処理の対象となる推薦対象アイテムの、アイテムとしての特徴を示すアイテム特徴量を、アイテムを推薦する相手となる推薦対象ユーザの、アイテムに対する嗜好を示すユーザ嗜好を用いて補正し、前記情報処理装置のマッチング手段が、補正された前記アイテム特徴量と、他のアイテムの前記アイテム特徴量とで比較するマッチングを行い、前記推薦対象アイテムに前記アイテム特徴量が類似する他のアイテムを検索し、前記情報処理装置の推薦手段が、前記マッチングの結果に基づいて、前記推薦対象アイテムに特徴が類似する関連アイテムを前記推薦対象ユーザに推薦する情報処理方法である。

本発明の一側面においては、特徴が類似するアイテムを推薦する推薦処理の対象となる推薦対象アイテムの、アイテムとしての特徴を示すアイテム特徴量が、アイテムを推薦する相手となる推薦対象ユーザの、アイテムに対する嗜好を示すユーザ嗜好を用いて補正され、補正されたアイテム特徴量と、他のアイテムのアイテム特徴量とで比較するマッチングが行われ、推薦対象アイテムにアイテム特徴量が類似する他のアイテムが検索され、マッチングの結果に基づいて、推薦対象アイテムに特徴が類似する関連アイテムが推薦対象ユーザに推薦される。

本発明によれば、コンテンツの推薦を行うことができる。特に、ユーザの嗜好を反映することにより、よりユーザに適したコンテンツの推薦を行うことができる。

本発明を適用した推薦装置の主な構成例を示すブロック図である。 各部の詳細な構成例を示すブロック図である。 コンテンツ特徴量データベースの構成例を示す図である。 ユーザ嗜好データベースの構成例を示す図である。 シードベクトルの生成の様子の例を説明する図である。 シードベクトルの生成の様子の例を説明する図である。 マッチングの様子の例を説明する図である。 コンテンツ特徴量処理の流れの例を説明するフローチャートである。 ユーザ嗜好処理の流れの例を説明するフローチャートである。 推薦処理の流れの例を説明するフローチャートである。 補正処理の流れの例を説明するフローチャートである。 マッチング処理の流れの例を説明するフローチャートである。 本発明を適用した推薦装置の他の構成例を示すブロック図である。 シードベクトルの生成の様子の例を説明する図である。 推薦処理の流れの、他の例を説明するフローチャートである。 図１３の各部の詳細な構成例を示すブロック図である。 ユーザ嗜好処理の流れの、他の例を説明するフローチャートである。 推薦処理の流れの、さらに他の例を説明するフローチャートである。 マージドユーザ嗜好生成処理の流れの例を説明するフローチャートである。 本発明を適用したテレビジョン受像機の構成例を示すブロック図である。 本発明を適用した推薦システムの構成例を示すブロック図である。 推薦システム処理の流れの例を説明するフローチャートである。 本発明を適用した推薦システムの他の構成例を示すブロック図である。 本発明を適用した推薦システムの、さらに他の構成例を示すブロック図である。 本発明を適用した推薦システムの、さらに他の構成例を示すブロック図である。 本発明を適用したコンテンツ配信システムの構成例を示すブロック図である。 本発明を適用した推薦システムの、さらに他の構成例を示すブロック図である。 本発明を適用したパーソナルコンピュータの主な構成例を示すブロック図である。

以下、発明を実施するための形態（以下実施の形態とする）について説明する。なお、説明は以下の順序で行う。
１．第１の実施の形態（推薦装置）
２．第２の実施の形態（初期嗜好を用意する推薦装置）
３．第３の実施の形態（初期嗜好とユーザ嗜好を混合する推薦装置）
４．第４の実施の形態（テレビジョン受像機）
５．第５の実施の形態（推薦システム）
６．第６の実施の形態（コンテンツ配信システム）
７．第７の実施の形態（推薦システム）
８．第８の実施の形態（パーソナルコンピュータ）

＜１．第１の実施の形態＞
［推薦装置の構成］
図１は、本発明を適用した推薦装置の主な構成例を示すブロック図である。図１に示される推薦装置１００は、例えば動画等のコンテンツを推薦する装置である。推薦装置１００は、推薦対象コンテンツを指定されると、コンテンツとしての特徴がその推薦対象コンテンツに類似するコンテンツを関連コンテンツとして検索し、その関連コンテンツを推薦コンテンツとしてユーザに推薦する。このとき、推薦装置１００は、コンテンツを推薦する相手（ユーザ）である推薦対象ユーザの嗜好を、関連コンテンツの検索に反映させる。

つまり、推薦装置１００は、推薦対象コンテンツのコンテンツ特徴量を、推薦対象ユーザの嗜好を加味することにより補正し、その補正後の特徴に類似する特徴を有する関連コンテンツを検索する。このようにすることにより、推薦装置１００は、よりユーザの嗜好を反映させた、よりユーザに適したコンテンツを推薦することができる。

また、推薦装置１００は、このようなコンテンツ特徴量に対するユーザの嗜好の反映を、コンテンツ特徴量のパラメータを増大させないように行うので、よりユーザの嗜好を反映させた、よりユーザに適したコンテンツをより容易に推薦することができる。

図１に示されるように、推薦装置１００は、メタデータ取得部１０１、マイニングエンジン１０２、コンテンツ特徴量データベース１０３、操作ログ取得部１０４、嗜好抽出エンジン１０５、ユーザ嗜好データベース１０６、推薦エンジン１０７、および推薦情報提供部１０８を有する。

メタデータ取得部１０１は、関連コンテンツの候補となるコンテンツのメタデータを取得する（矢印１２１）。このメタデータは、そのメタデータが対応するコンテンツに関する情報のことを示す。例えば、コンテンツのタイトル、データ量（再生時間）、出演者、制作者、制作日時、場所等が含まれる。もちろん、コンテンツに関する情報であれば、これら以外のどのような情報が含まれていてもよい。

また、メタデータは、コンテンツに関する情報が含まれていればよく、そのコンテンツデータに付加されている情報でなくても良い。例えば、EPG（Electronic Program Guide）のように、放送されるコンテンツとは独立したデータであってもよい。

メタデータ取得部１０１は、例えばコンテンツデータが記録されている記録装置等、外部の任意の装置から、このようなメタデータを取得する。メタデータ取得部１０１は、取得したメタデータをマイニングエンジン１０２に供給する（矢印１２２）。

マイニングエンジン１０２は、メタデータ取得部１０１から供給されたメタデータ（矢印１２２）を取得すると、そのメタデータから、そのメタデータに対応するコンテンツの特徴となる情報を抽出する。マイニングエンジン１０２は、抽出した情報をレコードとしてコンテンツ特徴量データベース１０３に供給し、登録させる（矢印１２３）。つまりマイニングエンジン１０２は、コンテンツ特徴量データベース１０３を更新する。

コンテンツ特徴量データベース１０３は、関連コンテンツの候補となるコンテンツについて、そのコンテンツとしての特徴を示す情報（コンテンツ特徴量）のデータベースである。コンテンツ特徴量データベース１０３は、マイニングエンジン１０２から供給された情報をレコードとして登録し、蓄積する。コンテンツ特徴量データベース１０３は、そのように蓄積している情報を、推薦エンジン１０７の要求に基づいて、コンテンツ特徴量として提供する（矢印１２８）。

操作ログ取得部１０４は、ユーザによる機器操作の履歴情報である操作ログを外部より取得し（矢印１２４）、それを嗜好抽出エンジン１０５に供給する（矢印１２５）。この操作ログは、コンテンツに関する操作の履歴情報である。コンテンツに対するユーザの操作に関するものであればどのような操作であっても良いが、例えば、ユーザが再生対象等として選択したコンテンツのメタデータのリストであってもよい。

コンテンツに対するユーザの操作は、ユーザのコンテンツに対する嗜好を反映する。例えば、ユーザがあるコンテンツを選択し、再生した場合、そのユーザがそのコンテンツに対して興味を持っている（ユーザの嗜好に合っている）といえる。つまり、ユーザが選択（視聴）したコンテンツのリスト（若しくはメタデータのリスト）は、そのユーザが興味を示す（ユーザの嗜好に合った）コンテンツの情報である。すなわち、操作ログには、ユーザのコンテンツに対する嗜好を示す情報が含まれる。

嗜好抽出エンジン１０５は、操作ログ取得部１０４から供給された（矢印１２５）操作ログからユーザのコンテンツに対する嗜好を示す情報を抽出する。つまり、例えば、嗜好抽出エンジン１０５は、ユーザが興味を示すコンテンツの特徴、および、その興味の度合いを示す情報を、操作ログから抽出する。

嗜好抽出エンジン１０５は、操作ログから抽出した、ユーザが興味を示した項目と、その項目に対するユーザの興味の度合いを示す値を、ユーザ嗜好として、ユーザ嗜好データベース１０６に供給し（矢印１２６）、登録させる。

なお、嗜好抽出エンジン１０５は、ユーザの興味の度合いを示す値を、その項目に対して予め定められた所定の重み係数を用いて補正するようにしてもよい。

例えば、嗜好抽出エンジン１０５は、ユーザの嗜好が重要な項目については、ユーザの興味の度合いを増大させるような値の重み係数を乗算する。また、例えば、嗜好抽出エンジン１０５は、コンテンツが有する特徴が重要な項目については、ユーザの興味の度合いを低減させるような値の重み係数を乗算する。

このようにすることにより、コンテンツの特徴量にユーザの嗜好を反映させる際のユーザ嗜好の度合いを項目ごとに制御することができるので、推薦エンジン１０７は、コンテンツの推薦において、より適切にユーザの嗜好を反映させることができる。

ユーザ嗜好データベース１０６は、ユーザ嗜好のデータベースである。ユーザ嗜好データベース１０６は、嗜好抽出エンジン１０５から供給された（矢印１２６）情報をレコードとして登録し、蓄積する。ユーザ嗜好データベース１０６は、そのように蓄積している情報を、推薦エンジン１０７の要求に基づいて、ユーザ嗜好として提供する（矢印１２９）。

推薦エンジン１０７は、外部から推薦の基準となるコンテンツである推薦対象コンテンツの特徴量を示す情報を受け付けると、コンテンツ特徴量データベース１０３の情報を用いて、その推薦対象コンテンツの関連コンテンツを検索する。つまり、推薦エンジン１０７は、推薦対象コンテンツの特徴量と類似する特徴量を有するコンテンツを検索する。

また、推薦エンジン１０７は、ユーザ嗜好データベース１０６から、推薦対象ユーザのユーザ嗜好を取得する（矢印１２９）。推薦エンジン１０７は、推薦対象コンテンツの特徴量を、推薦対象ユーザのユーザ嗜好によって補正する。つまり、推薦エンジン１０７は、推薦対象コンテンツの補正後の特徴量に類似する特徴量を有するコンテンツを検索する。

推薦エンジン１０７は、以上のように検索された関連コンテンツに関する情報を推薦コンテンツとして推薦情報提供部１０８に供給する（矢印１３０）。

推薦情報提供部１０８は、推薦エンジン１０７より供給される推薦コンテンツの情報を整理し、推薦情報としてユーザに提供する（矢印１３１）。

図２は、図１に示される推薦装置１００の各部の詳細な構成例を示すブロック図である。

図２Ａに示されるように、マイニングエンジン１０２は、抽出部１４１および登録部１４２を有する。抽出部１４１は、メタデータからコンテンツの特徴を示す情報を抽出する。登録部１４２は、抽出部１４１により抽出されたコンテンツの特徴を示す情報をコンテンツ特徴量として、コンテンツ特徴量データベース１０３に供給し、登録する。

図３は、コンテンツ特徴量データベースの構成例を示す図である。

図３に示されるように、コンテンツ特徴量データベースに登録されるコンテンツ特徴量１９１は、アイテムID（ItemID）、属性ID（AttributeID）、属性値ID（ValueID）、更新回数（NofTimes）、および重要度（Score）の各項目よりなる。

アイテムIDは、推薦物（アイテム）を識別する識別情報である。推薦物とは、推薦される物であり、例えばコンテンツを示す。その場合、アイテムIDは、各コンテンツを識別するための識別情報である。

なお、推薦物（アイテム）は、どのようなものであってもよい。例えば、番組（シリーズ全体または各回）、シーン、フレーム画像等、データ単位は任意である。また、例えば、動画、音声、静止画等、データの種類も任意である。さらに、例えば、映画、音楽、写真、ニュース、WEB（サイト）、広告等、コンテンツとしての種類も任意である。

推薦対象アイテムは、推薦の基準となるアイテムであり、ユーザ若しくは、ユーザが操作する装置等により指定されるアイテムである。例えば、ユーザにより選択、再生、録画、または編集等の処理が行われているアイテムが推薦対象アイテムとされる。推薦処理は、この推薦対象アイテムの指定を受け取ることにより実行され、この推薦対象アイテムに関連する関連アイテムの推薦を行う。推薦アイテムは、推薦処理により推薦された、推薦対象アイテムの関連アイテムのことを示す。

なお、アイテムがコンテンツの場合、推薦対象アイテムのことを推薦対象コンテンツと称し、関連アイテムのことを関連コンテンツと称し、推薦アイテムのことを推薦コンテンツと称している。以下においては、基本的にコンテンツがアイテムと等価であるものとして説明している。

属性IDは、推薦物の特徴の属性を識別する識別情報である。属性とは、推薦物の特徴をその性質毎に分類するものである。この属性は、予め定められている。つまり、推薦物の特徴を示す指標は、一般的には複数存在するが、その性質に応じて、予め用意された複数の属性のいずれかに分類される。

属性としては、例えば、ジャンル、放送局、放送日や曜日、放送時間帯や時間枠（何曜日の何時等）、配給・配信元、配給・配信日、出演者、スタッフ（監督等）、原作者、協力、提供、料金、主な対象者（性別や年齢等）、または、キーワード等の項目が挙げられる。もちろん、推薦物の特徴を示す指標を分類するものであれば、どのような項目であってもよい。

属性値IDは、推薦物の特徴を示す指標である属性値を識別する識別情報である。属性値は、いずれかの属性に分類される。例えば、ジャンルの属性値としては、アクション、コメディ、メロドラマ、スポーツ、ニュース、バラエティ、ノンフィクション、または歌番組等が考えられる。また、例えば、属性「放送日」であれば放送される日時が属性値となる。さらに、例えば、属性「出演者」であれば人物名が属性値となる。

属性値は、メタデータの予め定められた位置に格納される情報である。つまり、メタデータにおける、属性値の抽出場所が、属性ごとに予め定められている。したがって、抽出部１４１は、ある属性の属性値を得る場合、メタデータの、その属性に対応付けられた場所の情報を抽出する。その抽出された値が属性値とされる。

例えば、抽出部１４１は、メタデータの、コンテンツのジャンルについて記載された欄から、属性「ジャンル」の属性値を抽出する。この値が例えば「アクション」であった場合、この「アクション」が属性「ジャンル」の属性値の１つとしてコンテンツ特徴量データベース１０３に登録される。実際には、図３に示されるように、レコードにおいては属性値IDで管理される。

なお、この属性値は、メタデータから抽出した情報そのものであってもよいが、抽出した情報から導き出される情報であっても良い。例えば、メタデータより抽出された人物名を属性値としてもよいし、その人物が所属する事務所を属性値としてもよい。また、メタデータ全体または一部を形態素解析する等して抽出した語句を属性値とすることもできる。例えば、属性「キーワード」の場合、形態素解析等を行うことにより、メタデータに含まれるコンテンツ紹介文等から抽出した語句を属性値とするようにしてもよい。

更新回数は、レコードが更新された回数を示す。重要度は、各属性値の重要度を示す。値が大きいほど、その属性値が重要であることを示す。つまり、各属性値および各属性値の重要度の組み合わせが、コンテンツの特徴を示す特徴量となる。

なお、厳密には、アイテムとしての特徴を示す情報はアイテム特徴量であるが、ここではアイテムがコンテンツと等価であるものとし、コンテンツ特徴量と称している。

図２に戻り、図２Ｂに示されるように、嗜好抽出エンジン１０５は、抽出部１５１および登録部１５２を有する。抽出部１５１は、ユーザのコンテンツ（アイテム）に対する嗜好を示す情報であるユーザ嗜好を、ユーザの操作ログから抽出する。登録部１５２は、抽出部１５１により抽出されたユーザ嗜好を、ユーザ嗜好データベース１０６に供給し、登録する。

図４は、ユーザ嗜好データベースの構成例を示す図である。

図４に示されるように、ユーザ嗜好データベースに登録されるユーザ嗜好１９２は、ユーザID（memberID）、属性ID（AttributeID）、属性値ID（ValueID）、および嗜好度（Score）の各項目よりなる。

ユーザIDは、推薦対象ユーザを識別するための識別情報である。属性IDおよび属性値は、コンテンツ特徴量１９１（図３）の場合と同様である。

嗜好度は、属性値に対するユーザの嗜好度を示す。値が大きいほど、ユーザがその属性値に対して持つ興味の大きさを表す。つまり、各属性値および各属性値に対する嗜好度の組み合わせが、ユーザの嗜好を示す情報（ユーザ嗜好）となる。

図２に戻り、図２Ｃに示されるように、推薦エンジン１０７は、コンテンツ特徴量取得部１６１、ユーザ嗜好取得部１６２、補正部１６３、マッチング部１６４、および関連コンテンツ選択部１６５を有する。

コンテンツ特徴量取得部１６１は、指定された推薦対象コンテンツのコンテンツ特徴量を、コンテンツ特徴量データベース１０３から取得する。コンテンツ特徴量データベース１０３は、コンテンツ特徴量取得部１６１の要求に応じて、推薦対象コンテンツのレコードを検索し、検索結果（検索されたレコード）をコンテンツ特徴量としてコンテンツ特徴量取得部１６１に供給する。

つまり、コンテンツ特徴量取得部１６１は、推薦対象コンテンツが有する属性値およびその重要度を取得する。

ユーザ嗜好取得部１６２は、推薦情報の提供先となる推薦対象ユーザのユーザ嗜好を、ユーザ嗜好データベース１０６から取得する。ユーザ嗜好データベース１０６は、ユーザ嗜好取得部１６２の要求に応じて、推薦対象ユーザのレコードを検索し、検索結果（検索されたレコード）をユーザ嗜好としてユーザ嗜好取得部１６２に供給する。

つまり、ユーザ嗜好取得部１６２は、推薦対象ユーザに対応する属性値およびその嗜好度を取得する。

補正部１６３は、ユーザ嗜好取得部１６２により取得された推薦対象ユーザのユーザ嗜好を用いて、コンテンツ特徴量取得部１６１により取得された推薦対象コンテンツのコンテンツ特徴量を補正する。

コンテンツ特徴量をベクトル表現したものをコンテンツベクトルと称する。コンテンツベクトルは、属性毎のベクトル（属性ベクトル）の合成ベクトルである。属性値は、属性ベクトルを構成する成分（座標軸）であり、各属性値の重要度は、各属性値成分の大きさを表す。つまり、各属性値成分を合成したものが属性ベクトルとなる。

同様に、ユーザ嗜好をベクトル表現したものをユーザ嗜好ベクトルと称する。ユーザ嗜好ベクトルは、属性ベクトルの合成ベクトルである。各属性値の嗜好度は、各属性値成分の大きさを表す。

図５は、シードベクトルの生成の様子の例を説明する図である。

図５に示されるように、補正部１６３は、コンテンツベクトル２０２（Ｖ１）の各属性ベクトルと、ユーザ嗜好ベクトル２０１（ＵＰ）の各属性ベクトルとで、その属性値を比較し、その比較結果に応じて重要度を増幅または減衰させることにより、コンテンツベクトル２０２を補正したシードベクトル２０３（Ｖ１’）を生成する。

図２Ｃに戻り、マッチング部１６４は、補正部１６３により行われた補正の結果と、他のコンテンツのコンテンツ特徴量とのマッチングを行う。つまり、マッチング部１６４は、補正部１６３において生成されたシードベクトルを、コンテンツ特徴量データベース１０３に蓄積されている、各コンテンツのコンテンツベクトルと比較し、その類似度を算出する。この類似度の算出方法は任意である。

関連コンテンツ選択部１６５は、マッチング部１６４により算出された類似度に基づいて、推薦対象コンテンツと関連性があり、かつ、ユーザ嗜好に合ったコンテンツを、推薦対象コンテンツの関連コンテンツとして選択する。

図２Ｄに示されるように、補正部１６３は、比較部１７１、増幅部１７２、および減衰部１７３を有する。

比較部１７１は、コンテン特徴量とユーザ嗜好とで、属性毎に属性値を比較する。増幅部１７２は、その比較結果に基づいて、コンテンツ特徴量とユーザ嗜好の両方に含まれる属性値の重要度（コンテンツ特徴量に含まれる重要度）を増幅する。減衰部１７３は、その比較結果に基づいて、コンテンツ特徴量にのみ含まれている属性値（ユーザ嗜好には含まれていない属性値）の重要度を減衰する。

図６は、シードベクトルの生成の様子の例を説明する図である。

棒グラフ２１１乃至棒グラフ２２４は、ユーザ嗜好ベクトル（UP）の各属性値およびその嗜好度を表している。また、棒グラフ２３１乃至棒グラフ２３８は、コンテンツベクトル（Ｖ１）の各属性値およびその重要度を表している。

各属性値は、比較部１７１により、そのジャンル毎に比較され、ユーザ嗜好ベクトルとコンテンツベクトルの両方に含まれる属性値については、増幅部１７２によりその重要度が増幅され、コンテンツベクトルのみに存在する属性値については、減衰部１７３によりその重要度が減衰される。

図６において、丸（○）で示される棒グラフが、コンテンツベクトルとユーザ嗜好ベクトルの両方に存在する属性値であり、バツ（×）で示される棒グラフが、コンテンツベクトルのみに存在する属性値である。

つまり、図６の例の場合、棒グラフ２３１、棒グラフ２３４、棒グラフ２３５、棒グラフ２３７、および棒グラフ２３８で示される属性値の重要度が増幅され、棒グラフ２３２、棒グラフ２３３、および棒グラフ２３６で示される属性値の重要度が減衰される。

このようにして、図６の右側に示されるように、補正後のシードベクトル（Ｖ１’）が生成される。

なお、増幅と減衰の具体的な手法は任意である。例えば、増幅は、重要度をＮ倍（Ｎ＞１）することとし、減衰は、重要度を１／Ｎ倍することとしてもよい。また、ユーザ嗜好の嗜好度の値に応じた増幅や減衰の幅（率）を決定するようにしてもよい。さらに、増幅のみ行い、減衰は行わないようにしても良い。増幅と減衰の幅（率）は互いに独立に設定することができる。

図２に戻り、図２Ｅに示されるように、マッチング部１６４は、処理対象選択部１８１、コンテンツ特徴量取得部１８２、類似度算出部１８３、および類似度保持部１８４を有する。

処理対象選択部１８１は、マッチングを行う他のコンテンツを、コンテンツ特徴量データベース１０３に登録されているコンテンツの中から選択する。コンテンツ特徴量取得部１８２は、処理対象選択部１８１が選択したコンテンツのコンテンツ特徴量を、コンテンツ特徴量データベース１０３から取得する。

類似度算出部１８３は、補正部１６３により補正された、推薦対象コンテンツのコンテンツ特徴量（シードベクトル）と、コンテンツ特徴量取得部１８２により取得されたコンテンツ特徴量（コンテンツベクトル）との類似度を算出する。

図７は、マッチングの様子の例を説明する図である。

図７に示されるように、類似度算出部１８３は、シードベクトル２０３（Ｖ１’）と他のコンテンツのコンテンツベクトル２４１（Ｖ２）との間で、互いに同じ属性の属性ベクトル同士の内積、若しくは、コサインを算出する。さらに、類似度算出部１８３は、各属性の算出結果の絶対値に、各属性に予め割り当てられた重みを乗算する。そして、類似度算出部１８３は、それらの乗算結果の総和を、シードベクトル２０３と他のコンテンツのコンテンツベクトル２４１の類似度として、関連アイテムのリスト２５１に追加する。

類似度演算についてより具体的な例について説明する。例えば、推薦対象アイテムが持つ属性の集合Ａに含まれる属性をaとし、属性aの重みをWaとする。また、推薦対象アイテムの属性aの属性ベクトルをXaとし、類似度を算出する他のアイテムの属性aの属性ベクトルをYaとする。類似度算出部１８３は、推薦対象アイテムと他のアイテムとの間の類似度sim（X,Y）を、例えば、以下の式（１）のように算出する。

なお、この類似度は、任意であり、各属性ベクトル間の内積、コサイン尺度、またはユークリッド距離などとしてもよい。もちろん、これ以外の演算結果を用いるようにしてもよい。

図２Ｅに戻り、類似度保持部１８４は、類似度算出部により算出された類似度を保持する。もちろん、この類似度は、類似度演算対象となる他のコンテンツと関連付けられている。

このように算出された類似度は、上述したように、関連コンテンツ選択部１６５による関連コンテンツの選択に利用される。つまり、例えば、関連コンテンツ選択部１６５は、他のコンテンツのリストを類似度が高い順に並べ替え、上位の所定数の他のコンテンツを関連コンテンツとして選択し、そのリストを推薦情報提供部１０８に供給する。なお、関連コンテンツ選択部１６５は、他のコンテンツのリストの類似度に基づいてソートのみを行い、全ての他のコンテンツのリストを推薦情報提供部１０８に供給するようにしてもよい。

［処理の流れ］
次に、以上のようなコンテンツの推薦を行うために推薦装置１００により実行される各種処理の流れについて説明する。

最初に、図８のフローチャートを参照して、コンテンツ特徴量処理の流れの例を説明する。コンテンツのメタデータが供給されると、コンテンツ特徴量をコンテンツ特徴量データベース１０３に登録するコンテンツ特徴量処理が開始される。

コンテンツ特徴量処理が開始されると、メタデータ取得部１０１は、ステップＳ１０１において、メタデータを取得する。

ステップＳ１０２において、マイニングエンジン１０２の抽出部１４１は、メタデータを参照し、各属性について、そのメタデータに対応するコンテンツが有する属性値およびその属性値の重要度を求める。

ステップＳ１０３において、マイニングエンジン１０２の登録部１４２は、ステップＳ１０２においてメタデータから抽出された情報（属性値およびその属性値の重要度）を、コンテンツ特徴量として、コンテンツ特徴量データベース１０３に登録する。

ステップＳ１０３の処理が終了すると、コンテンツ特徴量処理が終了される。

次に、図９のフローチャートを参照して、ユーザ嗜好処理の流れの例を説明する。ユーザの操作ログが供給されるとユーザ嗜好をユーザ嗜好データベース１０６に登録するユーザ嗜好処理が開始される。

ユーザ嗜好処理が開始されると、操作ログ取得部１０４は、ステップＳ１２１において、操作ログを取得する。

ステップＳ１２２において、嗜好抽出エンジン１０５の抽出部１５１は、操作ログに含まれる、各属性の属性値およびその属性値に対するユーザの嗜好度を抽出する。

ステップＳ１２３において、嗜好抽出エンジン１０５の登録部１５２は、ステップＳ１２２において操作ログから抽出された情報（属性値およびその属性値に対するユーザの嗜好度）を、ユーザ嗜好として、ユーザ嗜好データベース１０６に登録する。

ステップＳ１２３の処理が終了すると、ユーザ嗜好処理が終了される。

次に、図１０のフローチャートを参照して、推薦処理の流れの例を説明する。推薦対象コンテンツが指定されると、その推薦対象コンテンツの関連コンテンツを推薦する推薦処理が開始される。

推薦処理が開始されると、ステップＳ１４１において、推薦エンジン１０７のコンテンツ特徴量取得部１６１は、コンテンツ特徴量データベース１０３から、推薦対象アイテム（コンテンツ）のコンテンツ特徴量を取得する。

ステップＳ１４２において、推薦エンジン１０７のユーザ嗜好取得部１６２は、ユーザ嗜好データベース１０６から、推薦対象ユーザのユーザ嗜好を取得する。

ステップＳ１４３において、推薦エンジン１０７の補正部１６３は、ユーザ嗜好に基づいてコンテンツ特徴量を補正する補正処理を行う。この補正処理の詳細については後述する。

ステップＳ１４４において、推薦エンジン１０７のマッチング部１６４は、補正結果と他のコンテンツのコンテンツ特徴量とのマッチングを行い、推薦対象コンテンツと他のコンテンツとの類似度を算出する。このマッチング処理の詳細については後述する。

ステップＳ１４５において、推薦エンジン１０７の関連コンテンツ選択部１６５は、ステップＳ１４４のマッチング結果に基づいて、特徴量がコンテンツ特徴量データベース１０３に登録されている他のコンテンツの中から推薦対象コンテンツの関連コンテンツを選択する。

ステップＳ１４６において、推薦情報提供部１０８は、関連コンテンツの情報を推薦情報としてユーザに提供する。

ステップＳ１４６の処理が終了すると、推薦処理が終了される。

次に、図１０のステップＳ１４３において実行される補正処理の流れの例を、図１１のフローチャートを参照して説明する。

補正処理が開始されると、比較部１７１は、ステップＳ１６１において、推薦対象コンテンツのコンテンツ特徴量と、推薦対象ユーザのユーザ嗜好の各属性値を比較する。

ステップＳ１６２において、増幅部１７２は、コンテンツ特徴量が有する属性値のうち、ユーザ嗜好も有する属性値の重要度を増幅する。ステップＳ１６３において、減衰部１７３は、コンテンツ特徴量が有する属性値のうち、ユーザ嗜好が有していない属性値の重要度を減衰する。

以上のような補正が終了すると、補正処理が終了され、図１０のステップＳ１４３に戻り、ステップＳ１４４以降の処理が実行される。

次に、図１０のステップＳ１４４において実行されるマッチング処理の流れの例を、図１２のフローチャートを参照して説明する。

マッチング処理が開始されると、ステップＳ１８１において、処理対象選択部１８１は、コンテンツ特徴量データベース１０３に特徴量が登録されているコンテンツ（他のコンテンツ）の中から１つをマッチングの処理対象として選択する。

ステップＳ１８２において、コンテンツ特徴量取得部１８２は、コンテンツ特徴量データベース１０３から、処理対象の他のコンテンツのコンテンツ特徴量を取得する。

ステップＳ１８３において、類似度算出部１８３は、補正処理により得られた補正結果をシードベクトルとし、処理対象の他のコンテンツのコンテンツ特徴量をコンテンツベクトルとし、属性毎にシードベクトルの属性ベクトルとコンテンツベクトルの属性ベクトルとの内積を算出する。

ステップＳ１８４において、類似度算出部１８３は、各内積の絶対値に各属性値の重みを乗算する。ステップＳ１８５において、類似度算出部１８３は、各属性の演算結果の総和を類似度として算出する。

ステップＳ１８６において、類似度保持部１８４は、算出された処理対象の他のコンテンツの類似度を保持する。

ステップＳ１８７において、処理対象選択部１８１は、コンテンツ特徴量データベース１０３に特徴量が登録されている全ての他のコンテンツを処理したか否かを判定する。未処理の他のコンテンツが存在すると判定された場合、ステップＳ１８１に戻り、それ以降の処理が繰り返される。

ステップＳ１８７において、全ての他のコンテンツの類似度が算出されたと判定された場合、マッチング処理が終了され、図１０のステップＳ１４４に戻り、ステップＳ１４５以降の処理が実行される。

以上のように、推薦装置１００は、推薦対象コンテンツのコンテンツ特徴量にユーザ嗜好を反映させることができ、その反映結果を用いて、推薦対象コンテンツの関連コンテンツを検索し、推薦するようにすることができる。これにより、推薦装置１００は、推薦対象コンテンツの関連コンテンツを推薦する際に、コンテンツとしての特徴が類似するだけでなく、ユーザの嗜好に合ったコンテンツを推薦することができる。

また、上述したように、推薦エンジン１０７の補正部１６３が、推薦対象コンテンツのコンテンツ特徴量をユーザ嗜好により補正する際に、コンテンツ特徴量に含まれる属性値の数を増大させずにユーザ嗜好を反映させるので、推薦エンジン１０７のマッチング部１６４が、演算量を不要に増大させずに、容易に類似度を算出することができる。

したがって、推薦装置１００は、よりユーザに適したコンテンツを、より容易に推薦することができる。

以上のような方法と異なる方法として、例えば上述した属性のように、全てのコンテンツに共通の予め定められたパラメータの値を比較することにより関連コンテンツを算出する方法が考えられる。この方法の場合、単に予め定められた各パラメータの値を比較するだけでよいので、類似度の算出は容易である。また、ユーザ嗜好を反映させる場合も、予め定められた各パラメータの値を変更するだけであるので、類似度算出の負荷への影響は小さい。

しかしながら、この方法の場合、全コンテンツに共通のパラメータを予め用意する必要がある。上述した本願発明の場合、属性値はコンテンツ毎に任意に設定可能であるが、その場合と同様の自由度を得ようとすると、膨大な数のパラメータを用意する必要があり負荷が増大する恐れがある。また、新たなパラメータについての対応は不可能である。したがって、現実問題として、この方法では、本願発明の方法の場合よりも、コンテンツの特徴量の表現の自由度が低減してしまい、十分にコンテンツの特徴を表現することができない恐れがある。つまり、推薦コンテンツの推薦対象コンテンツとの関連度も、ユーザ嗜好の反映度も低減してしまう恐れがある。

これに対して、上述した本願発明の方法の場合、コンテンツ特徴量やユーザ嗜好の属性値や重要度（嗜好度）をコンテンツ毎に任意に設定することができるので、より正確にコンテンツの特徴やユーザ嗜好を表現することができ、推薦対象コンテンツとの関連度も、ユーザ嗜好の反映度もより高いコンテンツを推薦することができる。

なお、本願発明のように、コンテンツ特徴量およびユーザ嗜好の属性値や重要度（嗜好度）を任意に設定することができる場合において、ユーザ嗜好をコンテンツ特徴量に反映させる際に、単に、ユーザ嗜好の属性値を、コンテンツ特徴量の属性値群に追加するようにすると、補正後のコンテンツ特徴量の属性値の数が増大してしまい、類似度演算の負荷が増大する恐れがある。

これに対して、上述した本願発明の方法の場合、補正前のコンテンツ特徴量に存在する属性値の重要度のみを補正し、ユーザ嗜好にしか含まれていない属性値をコンテンツ重要度に追加することはしないので、類似度演算の負荷の増大を抑制することができる。

つまり、推薦装置１００は、よりユーザに適したコンテンツを、より容易に推薦することができる。

以上においては、ユーザの嗜好がある場合の動作を示したが、システム使用開始当初など、推薦対象ユーザの嗜好がまだ存在しない場合にも関連コンテンツを検索・推薦出来るようにする方法として、予め作成した特定の嗜好を表現したベクトルを用いるようにしてもよい。

＜２．第２の実施の形態＞
［推薦装置の構成］
図１３は、本発明を適用した推薦装置の他の構成例を示すブロック図である。

図１３に示される推薦装置３００は、基本的に図１に示される推薦装置１００と同様の装置であり、推薦対象ユーザに指定された推薦対象コンテンツに関連する関連コンテンツを推薦する装置である。つまり、推薦装置３００は、基本的に推薦装置１００と同様の構成を有し、同様の処理を行う。

ただし、推薦装置３００は、システム初期化時やユーザ登録直後等の、ユーザ嗜好データベース１０６に推薦対象ユーザのユーザ嗜好が登録されていない初期状態、若しくは、情報量が十分でない初期状態に近い状態であるときに、予め用意された嗜好情報である初期嗜好を用いてコンテンツ特徴量の補正を行う。

図１３に示されるように、推薦装置３００は、推薦装置１００の構成に加え、初期嗜好データベース３０６を有する。また、推薦装置３００は、推薦エンジン１０７の代わりに推薦エンジン３０７を有する。

初期嗜好データベース３０６は、ユーザ嗜好データベース１０６と同様に嗜好に関する情報を登録するデータベースであるが、ユーザ毎の嗜好ではなく、全ユーザ共通の初期状態の嗜好（以下、初期嗜好と称する）を登録する。したがって、登録情報の構成は、図４を参照して説明したユーザ嗜好データベース１０６の構成と同様であり、属性値や嗜好度等により構成される。

この初期嗜好を構成する属性値および嗜好度等は任意である。例えば、視聴率上位の番組が推薦されるような初期嗜好としてもよい。また、大量のコンテンツのメタデータを統計処理し、統計的に重要な属性値のみにより構成される初期嗜好を用意するようにしてもよい。

さらに、コンテンツ特徴量の補正の際に、コンテンツ特徴量の特定の属性のみを強調するように、所定の属性についてのみ属性値および嗜好度を設定するようにしてもよい。また、コンテンツ特徴量データベース１０３に登録されているコンテンツ特徴量（コンテンツベクトル）の一部または全部を合成することにより得られるベクトルを初期嗜好とするようにしてもよい。

推薦エンジン３０７は、ユーザ嗜好データベース１０６が初期状態（若しくは初期状態に近い状態）であるか否かを判定し、そのような初期状態の場合、初期嗜好データベース３０６から初期嗜好を取得し、その初期嗜好を用いて推薦対象コンテンツのコンテンツ特徴量を補正し、シードベクトルを生成する。

推薦エンジン３０７の構成は、図２を参照して説明した推薦エンジン１０７の場合と同様である。

図１４は、シードベクトルの生成の様子の例を説明する図である。

図５を参照して説明したユーザ嗜好の場合と同様に、初期嗜好をベクトル表現したものを初期嗜好ベクトルと称する。つまり初期嗜好ベクトルも、属性ベクトルの合成ベクトルである。各属性値の嗜好度は、各属性値成分の大きさを表す。

図１４に示されるように、推薦エンジン３０７の補正部１６３は、コンテンツベクトル２０２（Ｖ１）の各属性ベクトルと、初期嗜好ベクトル３４１（Default ＵＰ）の各属性ベクトルとで、属性値を比較し、その比較結果に応じて、重要度を増幅したり減衰したりすることにより、コンテンツベクトル２０２を補正したシードベクトル２０３（Ｖ１’）を生成する。

これら以外の処理は、推薦装置１００の場合と同様であるので説明は省略する。

［処理の流れ］
この推薦装置３００の場合も、コンテンツ特徴量処理やユーザ嗜好処理は推薦装置１００の場合と同様に行われる。

この推薦装置３００の場合の、推薦処理の流れの例を、図１５のフローチャートを参照して説明する。

推薦処理が開始されると、推薦エンジン３０７のコンテンツ特徴量取得部１６１は、ステップＳ２０１において、ステップＳ１４１の場合と同様に、推薦対象アイテムのコンテンツ特徴量をコンテンツ特徴量データベース１０３から取得する。

ステップＳ２０２において、推薦エンジン３０７のユーザ嗜好取得部１６２は、推薦対象ユーザのユーザ嗜好が存在するか否かを判定する。存在しないと判定された場合、ステップＳ２０３に進む。

ステップＳ２０３において、推薦エンジン３０７のユーザ嗜好取得部１６２は、推薦対象ユーザのユーザ嗜好の代わりに、初期嗜好を初期嗜好データベース３０６から取得する。

ステップＳ２０４において、推薦エンジン３０７の補正部１６３は、初期嗜好に基づいて、推薦対象コンテンツのコンテンツ特徴量を補正する。この補正処理は、初期嗜好を用いること以外、図１１を参照して説明した推薦装置１００の場合の補正処理と同様であるのでその説明は省略する。

ステップＳ２０４の処理が終了するとステップＳ２０７に進む。

また、ステップＳ２０２において、ユーザ嗜好が存在する（十分な情報量がある）と判定された場合、ステップＳ２０５に進む。ステップＳ２０５およびステップＳ２０６の各処理は、図１０のステップＳ１４２およびステップＳ１４３の各処理と同様に実行される。

ステップＳ２０６の処理が終了するとステップＳ２０７に進む。

ステップＳ２０７乃至ステップＳ２０９の各処理は、図１０のステップＳ１４４乃至ステップＳ１４６の各処理と同様に実行される。

ステップＳ２０９の処理が終了すると、推薦処理が終了される。

以上のように初期嗜好を利用することにより、推薦装置３００は、ユーザ嗜好が十分でない状態においても、何らかの指標の下においてより推薦すべきとされるコンテンツを、ユーザ嗜好を用いる場合と同様の方法によって容易に推薦することができる。

なお、初期嗜好は、ユーザ嗜好取得部１６２により取得される際に算出するようにしてもよい。

＜３．第３の実施の形態＞
［推薦装置の構成］
以上においては初期嗜好を設けるように説明したが、さらに、登録されるユーザ嗜好の情報量（成熟度）に応じて、その登録されたユーザ嗜好と初期嗜好とを混合し、その混合結果（マージドユーザ嗜好）をコンテンツ特徴量の補正に使用するようにしてもよい。

この場合、推薦装置の構成は、図１３に示される推薦装置３００と基本的に同様である。したがって、以下においては推薦装置３００を用いて説明する。

図１６は、この場合の推薦装置３００の各部の詳細な構成例を示すブロック図である。推薦装置１００の場合（図２）と同様の部分については、その説明を省略する。

この場合の推薦装置３００は、図１３の嗜好抽出エンジン１０５の代わりに、嗜好抽出エンジン３５５を有する。嗜好抽出エンジン３５５は、図１６Ａに示されるように、抽出部１５１および登録部１５２の他に、さらに、算出部３６１および登録部３６２を有する。

算出部３６１は、ユーザ嗜好データベース１０６に登録したユーザ嗜好について、その情報量若しくは更新回数を示す成熟度を算出する。つまり、この成熟度は、ユーザ嗜好の情報としての確かさ（信頼性の高さ）を示す。

あるユーザについてより多くの情報量が登録される、若しくは、より多くの回数情報が更新されると、そのユーザのユーザ嗜好の成熟度が向上する（算出部３６１によって、そのように成熟度が算出される）。

成熟度は、例えば、以下の式（２）や式（３）のように算出される。

成熟度＝1.0−（直近アクセスにおけるユーザ嗜好ベクトルの値の更新数/ユーザ嗜好ベクトルの値の合計数） ・・・（２）
成熟度＝1.0−（直近アクセスにおけるユーザ嗜好ベクトルの値の更新数の平均/ユーザ嗜好ベクトルの値の合計数） ・・・（３）

もちろん、成熟度の算出方法は任意である。算出部３６１が、これら以外の方法により成熟度を算出するようにしてもよい。

登録部３６２は、算出部３６１により算出された成熟度を、ユーザ嗜好データベース１０６に登録する。もちろん、この成熟度は、ユーザに対応付けられて管理される。

また、推薦エンジン３０７は、図１６Ｂに示されるように、コンテンツ特徴量取得部１６１乃至関連コンテンツ選択部１６５の他に、さらに、初期嗜好取得部３７１およびマージドユーザ嗜好算出部３７２を有する。

初期嗜好取得部３７１は、初期嗜好データベース３０６から初期嗜好を取得する。マージドユーザ嗜好算出部３７２は、ユーザ嗜好取得部１６２がユーザ嗜好データベース１０６から取得した推薦対象ユーザのユーザ嗜好と、初期嗜好取得部３７１が初期嗜好データベース３０６から取得した初期嗜好とを、ユーザ嗜好の成熟度に応じた比率で混合し、マージドユーザ嗜好を算出する。

図１６Ｃに示されるように、マージドユーザ嗜好算出部３７２は、成熟度取得部３８１および混合部３８２を有する。

成熟度取得部３８１は、ユーザ嗜好取得部１６２が取得した推薦対象ユーザのユーザ嗜好の成熟度をユーザ嗜好データベース１０６から取得する。混合部３８２は、その取得された成熟度に応じた比率で、ユーザ嗜好と初期嗜好とを混合し、マージドユーザ嗜好を生成する。

例えば、ユーザ嗜好が登録されていない場合（成熟度が０若しくは存在しない場合）、混合部３８２は、初期嗜好のみを使用する。

また、混合部３８２は、0＜成熟度＜0.2の場合、初期嗜好とユーザ嗜好とを0.8対0.2の比率で混合し、0.2＜成熟度＜0.4の場合、初期嗜好とユーザ嗜好とを0.6対0.4の比率で混合し、0.4＜成熟度＜0.6の場合、初期嗜好とユーザ嗜好とを0.4対0.6の比率で混合し、0.6＜成熟度＜0.8の場合、初期嗜好とユーザ嗜好とを0.2対0.8の比率で混合する。

さらに、0.8＜成熟度の場合、混合部３８２は、ユーザ嗜好のみを使用する。

なお、この混合の方法は任意である。たとえば、初期嗜好ベクトルとユーザ嗜好ベクトルとを合成するようにしてもよい。このとき、上述した比率の係数を互いのベクトルに乗算してから合成する。このようにすることにより、混合部３８２は、初期嗜好とユーザ嗜好とを成熟度に応じた比率で混合することができる。

［処理の流れ］
次に、この場合の処理の流れについて説明する。最初に、図１７のフローチャートを参照して、成熟度を登録する場合のユーザ嗜好処理の流れの例を説明する。

ユーザ嗜好処理が開始されると、ステップＳ３０１乃至ステップＳ３０３の各処理が、図９のステップＳ１２１乃至ステップＳ１２３の各処理と同様に行われ、ユーザ嗜好がユーザ嗜好データベース１０６に登録される。

ステップＳ３０４において、嗜好抽出エンジン３５５の算出部３６１は、登録したユーザ嗜好に対応するユーザについて成熟度を算出する。ステップＳ３０５において、嗜好抽出エンジン３５５の登録部３６２は、ステップＳ３０４において算出された成熟度をユーザ嗜好データベース１０６に登録する。

ステップＳ３０５の処理が終了すると、ユーザ嗜好処理が終了される。

次に、図１８のフローチャートを参照して、この場合の推薦処理の流れの例を説明する。

推薦対象処理が開始されると、ステップＳ３２１およびステップＳ３２２の各処理が、図１０のステップＳ１４１およびステップＳ１４２の各処理と同様に実行される。

ステップＳ３２３において、初期嗜好取得部３７１は、初期嗜好を初期嗜好データベース３０６から取得する。

ステップＳ３２４において、マージドユーザ嗜好算出部３７２は、マージドユーザ嗜好を生成する。このマージドユーザ嗜好生成処理の詳細については後述する。

ステップＳ３２５において、補正部１６３は、ステップＳ３２４において生成されたマージドユーザ嗜好に基づいて、コンテンツ特徴量を補正する。この補正処理は、ユーザ嗜好の代わりにマージドユーザ嗜好を用いること以外、図１１のフローチャートを参照して説明した補正処理と同様に行われるので、この補正処理の詳細についての説明は省略する。

ステップＳ３２５の処理が終了すると、ステップＳ３２６乃至ステップＳ３２８の各処理が、図１０のステップＳ１４４乃至ステップＳ１４６の各処理と同様に実行される。

ステップＳ３２８の処理が終了すると推薦処理が終了される。

次に、図１８のステップＳ３２４において実行されるマージドユーザ嗜好生成処理の流れの例を図１９のフローチャートを参照して説明する。

マージドユーザ嗜好生成処理が開始されると、ステップＳ３４１において、成熟度取得部３８１は、推薦処理において取得されたユーザ嗜好の成熟度をユーザ嗜好データベース１０６から取得する。

ステップＳ３４２において、混合部３８２は、ユーザ嗜好の成熟度に応じた比率で、ユーザ嗜好と初期嗜好とを混ぜ合わせ、マージドユーザ嗜好を生成する。

ステップＳ３４２の処理が終了すると、マージドユーザ嗜好生成処理が終了され、図１８のステップＳ３２４に戻り、ステップＳ３２５以降の処理が実行される。

このように、ユーザ嗜好の成熟度に応じて初期嗜好とユーザ嗜好を混合することにより、ユーザ嗜好の成熟度に応じて、推薦コンテンツを徐々に変化させるようにすることができる。これにより、成熟度が未熟な初期状態から、成熟度が十分に高くなった通常状態へ移行することによって、推薦コンテンツが急激に変化することを抑制することができる。つまり、推薦装置３００は、成熟度が未熟な状態においても、登録された少量のユーザ嗜好を完全に無視することなく、よりユーザに適したコンテンツの推薦を行うことができる。

なお、上述したように、推薦対象（アイテム）は任意であり、推薦対象コンテンツと、推薦コンテンツとが互いに異なる種類のコンテンツであってもよい。例えば、BGMに基づいて映画の推薦を行うようにしてもよい。また、そのBGMが用いられるシーンを推薦するようにしてもよい。

また、メタデータは、アイテムに関する情報が含まれていればどのような情報であってもよく、コンテンツデータとは独立に存在する情報であってもよい。

コンテンツ特徴量となる属性値は、メタデータから抽出しても良いし、アイテム（コンテンツデータ）から抽出するようにしてもよい。例えば、画像解析等を行うことにより抽出される、フレーム画像の画像としての特徴（例えば輝度や色度等）を属性値としてもよい。

＜４．第４の実施の形態＞
［テレビジョン受像機の構成］
上述した推薦装置は、他の機能を有するようにしてもよい。例えば、推薦装置がテレビジョン受像機としてもよい。換言すれば、推薦装置が、何らかの装置の一部の構成（処理部）として構成されるようにしてもよい。

図２０は、本発明を適用したテレビジョン受像機の構成例を示すブロック図である。

図２０に示されるテレビジョン受像機４００は、放送局より放送されるテレビジョン信号を受信し、その映像を表示したり音声を出力したりする装置である。

テレビジョン受像機４００は、アンテナ４０１、チューナ４０２、デコーダ４０３、音声処理部４０４、スピーカ４０５、画像処理部４０６、および表示部４０７を有する。

アンテナ４０１を介して受信されたテレビジョン信号は、チューナ４０２において選局されたチャンネルの信号が復調され、コンテンツデータ（画像データや音声データ等）が取得される。デコーダ４０３は、そのコンテンツデータを復号し、音声データを音声処理部４０４に供給し、画像データを画像処理部４０６に供給する。

音声データは、音声処理部４０４により信号処理が施され、その音声がスピーカ４０５より出力される。

画像データは、画像処理部４０６により画像処理が施され、その画像が表示部４０７により表示される。

また、テレビジョン受像機４００は、EPG取得部４０８およびEPG記憶部４０９を有する。EPG取得部４０８は、チューナ４０２により受信されたEPGデータを取得し、それをEPG記憶部４０９に格納させる。EPG記憶部４０９は、最新のEPGデータを所定量記憶する。

テレビジョン受像機４００は、さらに、制御部４１０を有する。制御部４１０は、チューナ４０２乃至EPG記憶部４０９の各部を制御する。

また、制御部４１０は、必要に応じて、EPG記憶部４０９に記憶されているEPGデータを読み出し、番組表の画像を生成し、それを表示部４０７に表示させる。

テレビジョン受像機４００は、さらに、入力部４１１、出力部４１２、記憶部４１３、および通信部４１４を有する。

入力部４１１は、例えば、制御スイッチ、キーボード、若しくはリモートコントローラ等の任意の入力デバイスよりなり、ユーザ操作等を受け付ける。また、入力部４１１は、入力端子を有し、他の装置等から供給されるデータやプログラム等を受け付ける。入力部４１１は、受け付けた各種情報を制御部４１０に供給する。制御部４１０は、入力部４１１を介して受け付けた各種情報に基づいて制御処理等を行う。

出力部４１２は、例えば、モニタ、スピーカ、ランプ、または外部出力端子等の任意の出力デバイスにより構成される。出力部４１２は、制御部４１０から供給される各種情報を適切な出力デバイスから出力する。

記憶部４１３は、例えばハードディスクやフラッシュメモリ等よりなり、制御部４１０から供給される情報（プログラムやデータ等）を記憶する。また、記憶部４１３は、記憶している情報を適宜制御部４１０に供給する。

通信部４１４は、他の装置やデバイスとの通信を行う通信デバイスである。例えば、イーサネットインタフェース、IEEE802.11xインタフェース、USBインタフェース、またはBluetoothインタフェース等よりなる。通信方式等は任意であり、任意の通信デバイスを適用することができる。通信部４１４は、制御部４１０に制御され、制御部４１０から供給される情報を通信相手に送信したり、通信相手から供給される情報を制御部４１０に供給したりする。

また、テレビジョン受像機４００は、推薦処理部４２１を有する。推薦処理部４２１は、上述した推薦装置１００や推薦装置３００と同様の構成を有し、同様の処理を行う。

例えば、推薦処理部４２１は、制御部４１０に制御されて、ユーザが番組検索時に、番組表において選択したコンテンツを推薦対象コンテンツとし、その関連コンテンツを推薦するようにしてもよい。この推薦処理部４２１が出力した推薦情報は、制御部４１０によって表示部４０７に供給され、モニタ等に表示されることにより、推薦対象ユーザ（番組表においてコンテンツを選択したユーザ）に提案される。

また、推薦処理部４２１が、制御部４１０に制御されて、ユーザが視聴中の番組の関連コンテンツを検索し、推薦するようにしてもよい。

さらに、このテレビジョン受像機４００が録画機能を有する場合（例えば、受信したコンテンツデータを記憶部４１３に記憶させることができる場合）、推薦処理部４２１は、ユーザが録画したコンテンツ、または、録画予約したコンテンツを推薦対象コンテンツとし、その関連コンテンツを推薦するようにしてもよい。

このように、上述した推薦装置を推薦処理部として、ユーザがコンテンツを処理する装置に搭載することにより、処理が行われるコンテンツについて、その推薦処理部が関連コンテンツを推薦することができる。つまり、装置が、よりユーザに適したコンテンツを、より容易に推薦することができるので、ユーザの操作の利便性を向上させることができる。

なお、このような推薦処理部は、テレビジョン受像機４００以外の任意の装置に適用することができる。例えば、携帯電話機、スマートフォン、ノート型パーソナルコンピュータ、カメラ、レコーダ等であってもよい。

＜５．第５の実施の形態＞
［システム構成］
また、推薦対象コンテンツを処理する装置や、関連コンテンツが検索される他のコンテンツを提供する装置が、推薦装置と異なる装置であっても良い。

図２１は、本発明を適用した推薦システムの構成例を示すブロック図である。

図２１に示されるように、推薦システム５００は、推薦対象コンテンツの関連コンテンツを推薦するシステムである。推薦システム５００は、端末装置５０１、推薦サーバ５０２、およびコンテンツサーバ５０３を有する。つまり、推薦システム５００は、複数の装置により構成される。

端末装置５０１は、ユーザが操作する装置であり、コンテンツを処理する装置である。図２１に示されるように、端末装置５０１は、操作ログや推薦対象コンテンツの指定を推薦サーバ５０２に供給し、その推薦対象コンテンツに対応する推薦情報を推薦サーバ５０２から取得する。つまり、端末装置５０１は、推薦サーバ５０２から関連コンテンツの推薦を受ける装置である。

端末装置５０１は、さらに、コンテンツサーバ５０３が提供するコンテンツを処理する（例えば視聴等）装置である。端末装置５０１は、コンテンツサーバ５０３に対してコンテンツを要求し、コンテンツサーバ５０３からその要求したコンテンツを取得する。

なお、端末装置５０１は、取得したコンテンツを推薦対象コンテンツとし、その指定を推薦サーバ５０２に供給するか、若しくは、取得したコンテンツに関する情報を操作ログとして推薦サーバ５０２に通知する。もちろん、その両方を行ってもよい。

推薦サーバ５０２は、上述した推薦装置１００や推薦装置３００と同様の装置であり、端末装置５０１（端末装置５０１のユーザ）に対してコンテンツの推薦を行う。推薦サーバ５０２は、コンテンツサーバ５０３から、コンテンツサーバ５０３が提供するコンテンツのメタデータを取得する。推薦サーバ５０２は、そのメタデータからコンテンツ特徴量を生成する。

コンテンツサーバ５０３は、端末装置５０１に対してコンテンツを提供する装置である。

各装置は、例えばインターネットに代表されるネットワーク等、任意の通信媒体を介して、互いに情報の授受を行う。

［処理の流れ］
このような構成の推薦システム５００において行われる推薦システム処理の流れの例を、図２２のフローチャートを参照して説明する。

コンテンツサーバ５０３は、ステップＳ５４１において、自身が管理するコンテンツのメタデータを推薦サーバ５０２に供給する。推薦サーバ５０２は、ステップＳ５２１において、そのメタデータを取得すると、ステップＳ５２２において、そのメタデータからコンテンツ特徴量を生成し、コンテンツ特徴量データベースに登録する。

端末装置５０１は、ステップＳ５０１において、自身のユーザの操作ログを推薦サーバ５０２に供給する。推薦サーバ５０２は、ステップＳ５２３において、その操作ログを取得すると、ステップＳ５２４において、その操作ログを用いてユーザ嗜好を生成し、ユーザ嗜好データベースに登録する。

端末装置５０１において、ユーザがアイテムを操作すると、端末装置５０１は、そのユーザを推薦対象ユーザとして指定し、さらに、ユーザが操作したアイテムを推薦対象アイテムとして指定し、それらの指定情報を推薦サーバ５０２に供給する。推薦サーバ５０２は、ステップＳ５２５において、その指定情報を取得する。

推薦サーバ５０２は、ステップＳ５２６において、シードベクトルを生成し、ステップＳ５２７において、シードベクトルに基づいて関連コンテンツを検索し、ステップＳ５２８において、検索された関連コンテンツを指定する推薦情報を端末装置５０１に提供する。

端末装置５０１は、ステップＳ５０３において、その推薦情報を取得し、ユーザに関連コンテンツを提示する。

このように、複数の装置からなる推薦システム５００の場合においても、上述した推薦装置１００や推薦装置３００の場合と同様に、よりユーザに適したコンテンツを、より容易に推薦することができる。

［システム構成］
なお、推薦システム５００において、推薦サーバ５０２の内部の構成（推薦装置１００や推薦装置３００の構成）の一部が、端末装置５０１やコンテンツサーバ５０３等の他の装置に含まれるようにしてもよい。

例えば、図２３に示されるように、操作ログ取得部１０４および嗜好抽出エンジン１０５が端末装置５０１に含まれるようにしてもよい。

また、例えば、図２４に示されるように、ユーザ嗜好データベース１０３も端末装置５０１に含まれるようにしてもよい。

さらに、例えば、図２５に示されるように、メタデータ取得部１０１、マイニングエンジン１０２、およびコンテンツ特徴量データベース１０３が、コンテンツサーバ５０３に含まれるようにしてもよい。

なお、このとき、ユーザ嗜好データベース１０６が、図２３の場合のように、推薦サーバ５０２に含まれるようにしてもよいし、操作ログ取得部１０４および嗜好抽出エンジン１０５も推薦サーバ５０２に含まれるようにしてもよい。

また、メタデータ取得部１０１およびマイニングエンジン１０２がコンテンツサーバ５０３に含まれ、コンテンツ特徴量データベース１０３は推薦サーバ５０２に含まれるようにしてもよい。

もちろん、これら以外の構成であってもよい。

＜６．第６の実施の形態＞
［システム構成］
例えば、図２６に示されるように、推薦サーバ５０２の全ての構成を、端末装置とコンテンツサーバのいずれかに割り当てるようにしてもよい。図２６は、本発明を適用したコンテンツ配信システムの構成例を示すブロック図である。

図２６に示されるコンテンツ配信システム６００は、端末装置６０１からの要求に基づいてコンテンツサーバ６０２から端末装置６０１にコンテンツを配信するシステムである。

このコンテンツ配信システム６００は、図２１に示される推薦システム５００における推薦サーバ５０２の機能（構成）を端末装置とコンテンツサーバに割り当てたものであり、システム全体としては、同様の処理が行われる。つまり、端末装置６０１においては、ユーザにより再生や選択等の処理が指示されたコンテンツの関連コンテンツの推薦が行われる。

図２６に示されるように、端末装置６０１は、端末装置５０１の構成の他に、さらに、操作ログ取得部１０４、嗜好抽出エンジン１０５、ユーザ嗜好データベース１０６、推薦エンジン１０７、および推薦情報提供部１０８を有する。この操作ログ取得部１０４乃至推薦情報提供部１０８は、推薦サーバ５０２の機能である。

また、コンテンツサーバ６０２は、コンテンツサーバ５０３の構成の他に、さらに、メタデータ取得部１０１、マイニングエンジン１０２、およびコンテンツ特徴量データベース１０３を有する。このメタデータ取得部１０１乃至コンテンツ特徴量データベース１０３は、推薦サーバ５０２の機能である。

つまり、コンテンツサーバ６０２は、自身が管理するコンテンツのコンテンツ特徴量を、コンテンツ特徴量データベース１０３に登録する。端末装置６０１は、自身のユーザの操作ログからユーザ嗜好を抽出し、ユーザ嗜好データベース１０６に登録する。また、端末装置６０１は、ユーザ嗜好データベース１０６に登録されているユーザ嗜好と、コンテンツサーバ６０２のコンテンツ特徴量データベース１０３とを用いて、自身のユーザが指定した推薦対象コンテンツの関連コンテンツを検索し、ユーザに推薦する。

このようにすることにより、端末装置６０１は、よりユーザに適したコンテンツを、より容易に推薦することができる。

なお、推薦サーバ５０２の構成の割り当て方は任意であり、上述した以外であってもよい。例えば、操作ログ取得部１０４乃至推薦情報提供部１０８の一部または全部を、コンテンツサーバ６０２に設けるようにしてもよいし、メタデータ取得部１０１乃至コンテンツ特徴量データベース１０３の一部または全部を、端末装置６０１に設けるようにしてもよい。

＜７．第７の実施の形態＞
［システム構成］
さらに、推薦サーバ５０２の構成を、端末装置やコンテンツサーバとは異なる他の複数の装置として構成するようにしてもよい。

図２７は、本発明を適用した推薦システムの、さらに他の構成例を示すブロック図である。

図２７に示される推薦システム７００は、図２１に示される推薦システム５００と同様のシステムである。推薦システム７００が有する端末装置７０１は、端末装置５０１に対応し、実質的に端末装置５０１と同様の構成を有し、端末装置５０１と同様の処理を行う。また、推薦システム７００が有するコンテンツサーバ７０２は、コンテンツサーバ５０３に対応し、コンテンツサーバ５０３と同様の構成を有し、コンテンツサーバ５０３と同様の処理を行う。

推薦システム７００は、推薦システム５００が有する推薦サーバ５０２の代わりに、コンテンツ特徴量抽出装置７０３、嗜好抽出装置７０５、推薦情報提供サーバ７０７、コンテンツ特徴量データベース１０３、およびユーザ嗜好データベース１０６を有する。

コンテンツ特徴量抽出装置７０３は、メタデータ取得部１０１およびマイニングエンジン１０２を有し、コンテンツサーバ７０２から供給されるメタデータ等に基づいて、コンテンツ特徴量をコンテンツ特徴量データベース１０３に登録する。

嗜好抽出装置７０５は、操作ログ取得部１０４および嗜好抽出エンジン１０５を有し、端末装置７０１から取得した操作ログからユーザ嗜好を生成し、それをユーザ嗜好データベース１０６に登録する。

推薦情報提供サーバ７０７は、推薦エンジン１０７および推薦情報提供部１０８を有し、端末装置７０１（のユーザ（推薦対象ユーザ））から指定された推薦対象コンテンツの関連コンテンツを、ユーザ嗜好データベース１０６から取得した推薦対象ユーザのユーザ嗜好と、コンテンツ特徴量データベース１０３から取得したコンテンツ特徴量を用いて検索し、端末装置７０１（のユーザ）に推薦する。

つまり、コンテンツ特徴量抽出装置７０３、嗜好抽出装置７０５、推薦情報提供サーバ７０７、コンテンツ特徴量データベース１０３、およびユーザ嗜好データベース１０６は、推薦サーバ５０２の構成を複数の装置に分割したものであり、全体として、推薦サーバ５０２と同様の処理を行う。

したがって、推薦システム７００は、推薦システム５００の場合と同様に、よりユーザに適したコンテンツを、より容易に推薦することができる。

なお、推薦サーバ５０２の構成の分割方法は任意であり、図２７に示されるパターン以外のパターンで分割するようにしてもよい。例えば、コンテンツ特徴量データベース１０３とユーザ嗜好データベース１０６を１つの装置にまとめても良いし、それぞれ、コンテンツ特徴量抽出装置７０３、嗜好抽出装置７０５、若しくは推薦情報提供サーバ７０７のいずれかに設けるようにしても良い。

また、メタデータ取得部１０１とマイニングエンジン１０２を互いに異なる装置として構成するようにしてもよいし、それぞれ、嗜好抽出装置７０５若しくは推薦情報提供サーバ７０７のいずれかに設けるようにしてもよい。

同様に、操作ログ取得部１０４および嗜好抽出エンジン１０５を互いに異なる装置として構成するようにしてもよいし、それぞれ、コンテンツ特徴量抽出装置７０３若しくは推薦情報提供サーバ７０７のいずれかに設けるようにしてもよい。

同様に、推薦エンジン１０７および推薦情報提供部１０８を互いに異なる装置として構成するようにしてもよいし、それぞれ、コンテンツ特徴量抽出装置７０３若しくは嗜好抽出装置７０５のいずれかに設けるようにしてもよい。

もちろん、これら以外のパターンであっても良い。

＜８．第８の実施の形態＞
［パーソナルコンピュータ］
上述した一連の処理は、ハードウェアにより実行させることもできるし、ソフトウェアにより実行させることもできる。この場合、例えば、図２８に示されるようなパーソナルコンピュータとして構成されるようにしてもよい。

図２８において、パーソナルコンピュータ８００のCPU（Central Processing Unit）８０１は、ROM（Read Only Memory）８０２に記憶されているプログラム、または記憶部８１３からRAM（Random Access Memory）８０３にロードされたプログラムに従って各種の処理を実行する。RAM８０３にはまた、CPU８０１が各種の処理を実行する上において必要なデータなども適宜記憶される。

CPU８０１、ROM８０２、およびRAM８０３は、バス８０４を介して相互に接続されている。このバス８０４にはまた、入出力インタフェース８１０も接続されている。

入出力インタフェース８１０には、キーボード、マウスなどよりなる入力部８１１、CRT（Cathode Ray Tube）やLCD（Liquid Crystal Display）などよりなるディスプレイ、並びにスピーカなどよりなる出力部８１２、ハードディスクなどより構成される記憶部８１３、モデムなどより構成される通信部８１４が接続されている。通信部８１４は、インターネットを含むネットワークを介しての通信処理を行う。

入出力インタフェース８１０にはまた、必要に応じてドライブ８１５が接続され、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリなどのリムーバブルメディア８２１が適宜装着され、それらから読み出されたコンピュータプログラムが、必要に応じて記憶部８１３にインストールされる。

上述した一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、ネットワークや記録媒体からインストールされる。

この記録媒体は、例えば、図２８に示されるように、装置本体とは別に、ユーザにプログラムを配信するために配布される、プログラムが記録されている磁気ディスク（フレキシブルディスクを含む）、光ディスク（CD-ROM（Compact Disc - Read Only Memory）,DVD（Digital Versatile Disc）を含む）、光磁気ディスク（MD（Mini Disc）を含む）、もしくは半導体メモリなどよりなるリムーバブルメディア８２１により構成されるだけでなく、装置本体に予め組み込まれた状態でユーザに配信される、プログラムが記録されているROM８０２や、記憶部８１３に含まれるハードディスクなどで構成される。

なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。

また、本明細書において、記録媒体に記録されるプログラムを記述するステップは、記載された順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。

また、本明細書において、システムとは、複数のデバイス（装置）により構成される装置全体を表すものである。

また、以上において、１つの装置（または処理部）として説明した構成を分割し、複数の装置（または処理部）として構成するようにしてもよい。逆に、以上において複数の装置（または処理部）として説明した構成をまとめて１つの装置（または処理部）として構成されるようにしてもよい。また、各装置（または各処理部）の構成に上述した以外の構成を付加するようにしてももちろんよい。さらに、システム全体としての構成や動作が実質的に同じであれば、ある装置（または処理部）の構成の一部を他の装置（または他の処理部）の構成に含めるようにしてもよい。つまり、本発明の実施の形態は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。

１００ 推薦装置， １０１ メタデータ取得部， １０２ マイニングエンジン， １０３ コンテンツ特徴量データベース， １０４ 操作ログ取得部， １０５ 嗜好抽出エンジン， １０６ ユーザ嗜好データベース， １０７ 推薦エンジン， １０８ 推薦情報提供部， １４１ 抽出部， １４２ 登録部， １５１ 抽出部， １５２ 登録部， １６１ コンテンツ特徴量取得部， １６２ ユーザ嗜好取得部， １６３ 補正部， １６４ マッチング部， １６５ 関連コンテンツ選択部， １７１ 比較部， １７２ 増幅部， １７３ 減衰部， １８１ 処理対象選択部， １８２ コンテンツ特徴量取得部， １８３ 類似度算出部， １８４ 類似度保持部， ３００ 推薦装置， ３０６ 初期嗜好データベース， ３０７ 推薦エンジン， ３５５ 嗜好抽出エンジン， ３６１ 算出部， ３６２ 登録部， ３７１ 初期嗜好取得部， ３７２ マージドユーザ嗜好算出部， ３８１ 成熟度取得部， ３８２ 混合部， ４００ テレビジョン受像機， ４２１ 推薦処理部， ５００ 推薦システム， ５０１ 端末装置， ５０２ 推薦サーバ， ５０３ コンテンツサーバ， ６００ コンテンツ配信システム， ６０１ 端末装置， ６０２ コンテンツサーバ， ７００ 推薦システム， ７０１ 端末装置， ７０２ コンテンツサーバ， ７０３ コンテンツ特徴量抽出装置， ７０５ 嗜好抽出装置， ７０７ 推薦情報提供サーバ， ８００ パーソナルコンピュータ

Claims (13)

1. 特徴が類似するアイテムを推薦する推薦処理の対象となる推薦対象アイテムの、アイテムとしての特徴を示すアイテム特徴量を、アイテムを推薦する相手となる推薦対象ユーザの、アイテムに対する嗜好を示すユーザ嗜好を用いて補正する補正手段と、
   前記補正手段により補正された前記アイテム特徴量と、他のアイテムの前記アイテム特徴量とで比較するマッチングを行い、前記推薦対象アイテムに前記アイテム特徴量が類似する他のアイテムを検索するマッチング手段と、
   前記マッチング手段によるマッチングの結果に基づいて、前記推薦対象アイテムに特徴が類似する関連アイテムを前記推薦対象ユーザに推薦する推薦手段と
   を備える情報処理装置。
2. 前記補正手段は、
   前記アイテム特徴量に含まれる各属性値を、前記推薦対象ユーザの前記ユーザ嗜好に含まれる各属性値と比較する比較手段と、
   前記比較手段による比較の結果に基づいて、前記アイテム特徴量および前記ユーザ嗜好の両方に含まれる属性値の重要度を増幅する増幅手段と
   を備える請求項１に記載の情報処理装置。
3. 前記比較手段による比較の結果に基づいて、前記アイテム特徴量に含まれ、かつ、前記ユーザ嗜好に含まれない属性値の重要度を減衰する減衰手段をさらに備える
   請求項２に記載の情報処理装置。
4. 前記マッチング手段は、
   前記推薦対象アイテムの前記アイテム特徴量と、他のアイテムの前記アイテム特徴量との類似度を算出する類似度算出手段と、
   前記類似度算出手段により算出された前記類似度を保持する類似度保持手段と
   を備える請求項１に記載の情報処理装置。
5. 前記類似度算出手段は、前記アイテム特徴量を属性毎にベクトル化した属性ベクトル同士の内積の絶対値に、前記属性毎に予め定められた所定の重み係数を乗算した乗算結果の総和を、前記類似度として算出する
   請求項４に記載の情報処理装置。
6. 前記マッチング手段は、
   前記類似度保持手段により保持される類似度の値が大きい順に所定数の前記他のアイテムを、前記推薦対象アイテムの関連アイテムとして選択する関連アイテム選択手段
   をさらに備える請求項４に記載の情報処理装置。
7. 前記アイテム特徴量を記憶するアイテム特徴量記憶手段をさらに備え、
   前記補正手段は、前記アイテム特徴量記憶手段から前記推薦対象アイテムの前記アイテム特徴量を取得し、取得した前記アイテム特徴量を、前記ユーザ嗜好を用いて補正し、
   前記マッチング手段は、前記アイテム特徴量記憶手段から前記他のアイテムの前記アイテム特徴量を取得し、取得した前記アイテム特徴量と、前記補正手段により補正された前記アイテム特徴量とでマッチングを行う
   請求項１に記載の情報処理装置。
8. 前記アイテムに関する情報を含むメタデータを取得するメタデータ取得手段と、
   前記メタデータ取得手段により取得された前記メタデータから、前記アイテム特徴量を抽出するアイテム特徴量抽出手段と、
   前記アイテム特徴量抽出手段により抽出された前記アイテム特徴量を、前記アイテム特徴量記憶手段に登録するアイテム特徴量登録手段と
   をさらに備える請求項７に記載の情報処理装置。
9. 前記ユーザ嗜好を記憶するユーザ嗜好記憶手段をさらに備え、
   前記補正手段は、前記推薦対象ユーザの前記ユーザ嗜好を前記ユーザ嗜好記憶手段から取得し、取得した前記ユーザ嗜好を用いて、前記推薦対象アイテムの前記アイテム特徴量を補正する
   請求項１に記載の情報処理装置。
10. ユーザの操作ログを取得する操作ログ取得手段と、
    前記操作ログ取得手段により取得された前記操作ログから、前記ユーザ嗜好を抽出するユーザ嗜好抽出手段と、
    前記ユーザ嗜好抽出手段により抽出された前記ユーザ嗜好を、前記ユーザ嗜好記憶手段に登録するユーザ嗜好登録手段と
    をさらに備える請求項９に記載の情報処理装置。
11. 予め定められた所定の嗜好を記憶する嗜好記憶手段をさらに備え、
    前記補正手段は、前記所定の嗜好を前記嗜好記憶手段から取得し、取得した前記所定の嗜好を用いて、前記推薦対象アイテムの前記アイテム特徴量を補正する
    請求項１に記載の情報処理装置。
12. 前記ユーザ嗜好、並びに、前記ユーザ嗜好の情報量若しくは更新回数を示す成熟度を記憶するユーザ嗜好記憶手段をさらに備え、
    前記補正手段は、
    前記ユーザ嗜好記憶手段から前記推薦対象ユーザの前記ユーザ嗜好を取得するユーザ嗜好取得手段と、
    前記ユーザ嗜好記憶手段から前記ユーザ嗜好の成熟度を取得する成熟度取得手段と、
    前記嗜好記憶手段から前記所定の嗜好を取得する嗜好取得手段と、
    前記成熟度取得手段により取得された前記成熟度に応じた比率で、前記嗜好取得手段により取得された前記所定の嗜好と、前記ユーザ嗜好取得手段により取得された前記ユーザ嗜好とを混合する混合手段と、
    前記アイテム特徴量に含まれる各属性値を、前記混合手段による前記所定の嗜好と前記ユーザ嗜好との混合結果に含まれる各属性値と比較する比較手段と、
    前記比較手段による比較の結果に基づいて、前記アイテム特徴量および前記混合結果の両方に含まれる属性値の重要度を増幅する増幅手段と
    を備える請求項１１に記載の情報処理装置。
13. 情報処理装置の情報処理方法であって、
    前記情報処理装置の補正手段が、特徴が類似するアイテムを推薦する推薦処理の対象となる推薦対象アイテムの、アイテムとしての特徴を示すアイテム特徴量を、アイテムを推薦する相手となる推薦対象ユーザの、アイテムに対する嗜好を示すユーザ嗜好を用いて補正し、
    前記情報処理装置のマッチング手段が、補正された前記アイテム特徴量と、他のアイテムの前記アイテム特徴量とで比較するマッチングを行い、前記推薦対象アイテムに前記アイテム特徴量が類似する他のアイテムを検索し、
    前記情報処理装置の推薦手段が、前記マッチングの結果に基づいて、前記推薦対象アイテムに特徴が類似する関連アイテムを前記推薦対象ユーザに推薦する
    情報処理方法。

Images