JP2012098950A

JP2012098950A - 類似ユーザ抽出方法、類似ユーザ抽出装置、類似ユーザ抽出プログラム

Info

Publication number: JP2012098950A
Application number: JP2010246630A
Authority: JP
Inventors: Makoto Nakatsuji; 真中辻; Toshiro Uchiyama; 俊郎内山; Takashi Fujimura; 考藤村
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2010-11-02
Filing date: 2010-11-02
Publication date: 2012-05-24
Anticipated expiration: 2030-11-02
Also published as: JP5373743B2

Abstract

【課題】協調フィルタリングにあたってコンテクストを考慮した類似ユーザを抽出する。
【解決手段】各ユーザが、コンテクストのタクソノミ中、クラス配下のサブクラスを経由してアイテムにアクセスしているかどうかを表現するベクトルの各要素を求める（Ｓ０１）。この要素を各クラスに対して求め、各クラスのコサイン類似度を計算し、その合計をユーザ間のコンテクストの類似度を算出する（Ｓ０２）。この類似度を各ユーザがアイテムに与えた評点に反映させる（Ｓ０３）。この評点に基づきユーザ間類似度を算出する（Ｓ０４）。被推薦ユーザとのユーザ間類似度の高いユーザ群から、被推薦ユーザの入力したコンテクストを持つユーザ集合を類似ユーザ集合として抽出する（Ｓ０５）。
【選択図】図１０

Description

本発明は、ユーザの評点に基づき類似ユーザの持つアイテムを推薦する強調フィルタリングの類似ユーザを抽出する技術に関する。

現在、ユーザの評点に基づき評点行為の類似する類似ユーザの持つアイテムを被推薦ユーザへ推薦する強調フィルタリングや、アイテムに紐付けられたメタデータなどの属性の類似性に基づき類似するアイテムを推薦するコンテンツフィルタリングが多くのコンテンツプロバイダに利用されている。

例えば特許文献１では、タクソノミ（分類体系）に基づくユーザ類似度と該類似度に基づく推薦方法が提案されている。ここではブログサイトから取得した複数ユーザのブログ情報の記述単語を分類したタクソノミを用いて、該タクソノミの各クラスやアイテムに与えられた評価値による評価ベクトル同士の相関係数をユーザ間の類似度としている。この相関係数は、２つの評価値ベクトルの共分散を各ベクトルの標準偏差の積で割って計算する。例えばユーザＡとユーザＢの評価値からそれぞれのユーザの評価値ベクトルを定める。そして、これらの相関係数γ_ABを式（１）のように計算する。式（１）中、σ_A．σ_Bは標準偏差を示し、Ａ’．Ｂ’はそれぞれユーザＡ．Ｂがタクソノミの各クラスやアイテムへ与えた評価値の平均を示し、Ｃｏｖ（Ａ，Ｂ）は共分散を示している。

また、非特許文献１では、トピックモデルを用いた推薦技術において、購買の順番（時系列）を考慮し、同じような時系列で商品を購入したユーザの消費したアイテムを基に被推薦ユーザへの推薦を決定している。

特開２００８−１１７１２２

ＴｏｍｏｈａｒｕＩｗａｔａ，ＳｈｉｎｊｉＷａｔａｎａｂｅ，ＴａｋｅｓｈｉＹａｍａｄａ，ＮａｏｎｏｒｉＵｅｄａ，"ＴｏｐｉｃＴｒａｃｋｉｎｇＭｏｄｅｌｆｏｒＡｎａｌｙｚｉｎｇＣｏｎｓｕｍｅｒＰｕｒｃｈａｓｅＢｅｈａｖｉｏｒ"，Ｐｒｏｃ．ｏｆ２１ｓｔＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ（ＩＪＣＡＩ−０９），１４２７−１４３２，２００９

しかしながら、従来は、ユーザがアイテムにアクセスする際のコンテクスト（動機・感性・制約など）を考慮し、評点行為のみではなく、コンテクストまで類似するユーザを抽出する試みはなされていない。

すなわち、特許文献１の手法におけるタクソノミは、１軸しか取り扱えないため、例えばジャンルに付け加えて、時間・場所・感性といった別軸に基づくユーザのコンテクストを考慮してユーザ類似度計算を行おうとすれば、図１に示すように、両者を混ぜ込んだ一つのタクソノミを構築する必要がある。

この場合には、ユーザｕは、ジャンルＣ₂配下のアイテムＩ₁と感性Ｃ₄配下のＩ₁の両方に興味を持つことになるため、ユーザｕのＩ₁に対する興味が必要以上に大きく計算されてしまう。これではユーザ間の類似度を正確に計算できず、コンテクストを考慮した類似ユーザの抽出に無理がある。

また、非特許文献１のトピックモデルを用いた推薦技術は、時系列のみにしか適用できず、さらにタクソノミを入力として受け付けないため、感性や場所など体系的に整理されることで価値を持つデータ（コンテクスト）は処理できない。

本発明は、上述のような問題を解決するためになされたものであり、協調フィルタリングにあたってコンテクストを考慮した類似ユーザを抽出することを解決課題としている。

通常、ユーザは、図２に示すように、何らかのコンテクスト（動機、感性、制約）に沿ってアイテムにアクセスする。ここではユーザｕはコンテクスト（Ｃｏｎｔｅｘｔ）１を通じてアイテムＩ₁にアクセスし、ユーザｖはコンテクスト（Ｃｏｎｔｅｘｔ）２を通じてアイテム１にアクセスしている。

また、図３では、ユーザｕはアイテムＩ₁をクール（ｃｏｏｌ）と感じてアクセスしている一方、ユーザｖはアイテムＩ₁に驚き（ａｍａｚｉｎｇ）を感じてアクセスしている。ここでは同じアイテムに接していても、それぞれのユーザのアイテムに対する感じ方が異なっている。また、図４では、ユーザｕはアイテムＩ₁を渋谷においてアクセスしている一方、ユーザｖはアイテムＩ₁を京都においてアクセスし、アイテムに対するロケーションが異なっている。

本発明は、このようなコンテクストに着目し、（１）アイテムにアクセスする際のユーザ間におけるコンテクストの類似度、（２）ユーザ間におけるアイテムの評価度合の類似度という２次元の類似度を用いてユーザ類似度を算出する。このコンテクストの類似度算出にあたっては、ユーザ間のコンテクストは類似していても、正確には同じでない場合があることを考慮しなければならない。例えば、図５に示すように、”表参道”と”代官山”という地理的に類似しているコンテクストを通じてアイテムにアクセスする場合がある。

そこで、本発明では、ユーザ間のコンテクストの微妙な相違を考慮して前記類似度を算出すべく、コンテクストの分類体系、即ちコンテクストのタクソノミを用いることにした。図６および図７は、コンテクストのタクソノミの一例を示し、図６は分類体系「ｌｏｃａｔｉｏｎ」のコンテクストのタクソノミを示し、図７は分類体系「ｍｏｏｄ」のコンテクストのタクソノミを示している。このタクソノミに基づき算出されたコンテクストの類似度をユーザのアイテムに与えた評点に反映させ、ユーザ間の評点評価の類似度、即ちユーザ間類似度を求める。

具体的には、本発明の推薦情報検出提供方法は、アイテムへのアクセスの根拠となるコンテクストを分類体系化したコンテクストのタクソノミと、アイテムを分類体系化したアイテムのタクソノミとに基づきアイテムに対するユーザ間のコンテクストの類似度を算出するコンテクスト類似度計算ステップと、コンテクスト類似度計算ステップで算出したコンテクストの類似度を各ユーザがアイテムに与えた評点に反映させて、新たに更新された評点を求める評点反映ステップと、評点反映ステップで更新された各評点に基づくユーザ間類似度に応じて被推薦ユーザの類似ユーザを抽出する類似ユーザ抽出ステップと、を有する。

また、本発明の推薦情報検出提供装置は、アイテムへのアクセスの根拠となるコンテクストを分類体系化したコンテクストのタクソノミと、アイテムを分類体系化したアイテムのタクソノミとに基づきアイテムに対するユーザ間のコンテクストの類似度を算出するコンテクスト類似度計算手段と、コンテクスト類似度計算手段で算出したコンテクストの類似度を各ユーザがアイテムに与えた評点に反映させて、新たに更新された評点を求める評点反映手段と、評点反映手段で更新された各評点に基づくユーザ間類似度に応じて被推薦ユーザの類似ユーザを抽出する類似ユーザ抽出手段と、を備える。

なお、本発明は、前記装置としてコンピュータを機能させるプログラムの態様としてもよい。このプログラムは、ネットワークや記録媒体などを通じて提供することができる。

本発明によれば、協調フィルタリングにあたってコンテクストを考慮した類似ユーザを抽出することができる。したがって、コンテクストの類似するユーザのアイテムを被推薦ユーザに推薦することができる。

特許文献１でジャンルと感性のタクソノミを構築したイメージ図。ユーザのアイテムアクセスのイメージ図。同アイテムに対するコンテクスト（ｍｏｄｅ）が相違するイメージ図。同アイテムに対するコンテクスト（場所）が相違するイメージ図。同地理的に類似しているが同じではない状態を示すイメージ図。分類体系（ｌｏｃａｔｉｏｎ）を利用したイメージ図。分類体系（ｍｏｄｅ）を利用したイメージ図。一般的なユーザとアイテムとコンテクストとの関係を示すイメージ図。本発明の実施形態に係る類似ユーザ抽出装置の装置構成例を示すブロック図。同ユーザ抽出装置の基本的処理ステップを示すフローチャート。同ユーザ同士が同じアイテムにアクセスする状態のイメージ図。図１１のコンテクスの展開図。コンテクスト類似度を評点の類似度に反映させるイメージ図。コンテクストに基づく類似ユーザ抽出部の処理例を示すイメージ図。ユーザ間で同じアイテムではなく、同じアイテムのクラスにアクセスしている状態を示すイメージ図。図１５のコンテクストの展開図。ユーザ間でアイテムクラスの異なるアイテムに同じコンテクストクラスでアクセスしているイメージ図。図１７のコンテクストの展開図。

本発明の実施形態に係る類似ユーザ抽出装置は、被推薦ユーザに類似するユーザの持つアイテムを推薦するにあたって評点行為のみではなく、アイテムへのアクセスの根拠となるコンテクストまで類似するユーザを抽出する。

すなわち、ユーザはアイテムにアクセスする際に、図８に示すように、何らかのコンテクストに沿ってアクセスすると考えられる。ここではユーザｕはコンテクストＣ₃ ^Cを通じてアイテムＩ₁にアクセスし、ユーザｖはコンテクストＣ₄ ^Cを通じてアイテムＩ₂にアクセスしている。そこで、前記装置は、ユーザの興味をコンテクストのタクソノミとアイテムのタクソノミとアイテムに与えたユーザの評点をもって表現したユーザ興味情報とし、該興味情報の近似性をユーザ間類似度とする。

≪装置構成例≫
図９に基づき前記装置の構成例を説明する。この装置１は、例えば特許文献１の推薦情報検出装置などの強調フィリタリングシステムに組み込まれ、通常のコンピュータのハードウェア資源、例えばＣＰＵ．メモリ（ＲＡＭ）．ハードディスクドライブ装置などを備える。このハードウェア資源とソフトウェア資源との協働の結果、前記装置１は、コンテクストに基づく類似度計算部２，コンテクストに基づく類似度の評点反映部３，タクソノミに基づく類似度計算部４．コンテクストに基づく類似ユーザ抽出部５を実装する。

前記類似度計算部２には、感性・時間・場所などのコンテクストのタクソノミ（分類体系）と、アイテムのタクソノミ（分類体系）と、ユーザＩＤ・消費アイテム・コンテクスト・評点をペアにした各ユーザのアクセス情報とが入力される。このアクセス情報中の評点は、ユーザが図示省略のユーザ端末をもってアイテムにアクセス（アイテム購入など）した際に該アイテムに付与した値（例えば５段階の評価値など）を示している。

コンテクストのタクソノミは、図８に示すように、コンテクストを何らかの分類体系（感性・時間・場所など）で定義した階層構造からなり、アイテムのタクソノミは、アイテムの概念を分類体系化した階層構造からなり、それぞれ図示省略のデータベースに格納され、該各データベースを参照して前記両タクソノミが前記類似度計算部２に入力される。このデータベースは、前記装置１に内蔵されたメモリ・ハードディスクドライブ装置などに構築してもよく、外部入力の装置に構築してもよく、前記各タクソノミはコンテンツプロバイダで用意したものを利用する。なお、前記各タクソノミは特許文献１のブログ情報から作成したものも利用できる。

具体的には前記類似度計算部２は、前記入力データに基づきユーザＩＤを持つ各ユーザ間でアイテムにアクセスした際のコンテクストの類似度を計算する。この類似度計算のケースとしては、（１）同一アイテムを消費する際におけるユーザ間のコンテクストの類似度を計算するシンプルケース、（２）アイテムのタクソノミにおける階層構造上のクラス位置（ノード位置）に応じて同一クラスを消費する際におけるユーザ間のコンテクストの類似度を計算する拡張ケース１、（３）コンテクストの階層構造における親子関係を活用し、同一コンテクストでなくても、親ノードが同じコンテクストであればユーザ間のコンテクストの類似度を計算する拡張ケース２が挙げられる。なお、算出された類似度・アクセス情報は、前記評点反映部３に送られる。

前記評点反映部３には、前記類似度計算部２で計算した類似度とアクセス情報とが入力される。ここではユーザ間のアイテムの評価度合を計算するために各ユーザの評点にコンテクストの類似度を反映させ、該評点を更新する。更新された評点を含むアクセス情報は前記類似度計算部４に送られる。

前記類似度計算部４には、前記評点反映部３で更新された評点を含むアクセス情報が入力されるとともに、アイテムのタクソノミが再入力される。ここでは更新された評点を特許文献１の各クラスやアイテムに与えられた評価値とし、評価値ベクトル同士の相関係数をユーザ興味情報の近似性、即ちユーザ間の類似度として算出する。算出されたユーザ間の類似度とアクセス情報は前記類似ユーザ抽出部５に送られる。

前記類似ユーザ抽出部５には、前記類似度計算部４で計算されたユーザ間の類似度とアクセス情報とが入力されるとともに、被推薦ユーザが与えたコンテクト情報が入力される。このコンテクスト情報は、被推薦ユーザが前記ユーザ端末を通じて指定したコンテクストする。例えば被推薦ユーザの前記ユーザ端末にコンテクト情報の入力欄を表示させ、被推薦ユーザが入力欄に入力して前記装置１に送信したコンテクトを用いることができる。

ここでは被推薦ユーザとユーザ間の類似度が高い推薦候補ユーザ群を選択し、コンテクト情報で指示するコンテクトをアクセス情報に持つ推薦候補ユーザを類似ユーザの集合として抽出する。抽出された類似ユーザ集合は、特許文献１の推薦処理部などに送られるため、最近のコンテクストを反映させた類似ユーザのアイテムを被推薦ユーザに推薦することが可能となる。

≪処理ステップ≫
図１０に基づき前記シンプルケースに応じた前記装置１の処理ステップを説明する。ここではユーザ同士がアイテムのタクソノミ中で同じアイテムにアクセスしている場合に限り、コンテクスト類似度を算出する。すなわち、ユーザ同士が同じアイテムをアクセスする場合でもコンテクストが異なれば、その相違を考慮したユーザ類似度を算出する。

なお、ユーザとアイテムとの間に介在するコンテクストの分類体系は、必ずしも一種類ではなく、複数のコンテクストの分類体系（例えば感性と時間の組合せなど）が介在することが一般的であるが、ここでは一種類の分類体系として説明する。

Ｓ０１．Ｓ０２：前記類似度計算部４は、Ｓ０１．Ｓ０２を通じてユーザ間のコンテクストの類似度を計算する。この計算例を図１１および図１２に基づき説明する。ここではアイテムＩ₁に対するコンテクストの類似度と、アイテムＩ₂に対するコンテクストの類似度とは、それぞれ別々に計算するものとする。この処理例では、アイテムＩ₁に対するコンテクストの類似度の計算を述べる。

まず、前記類似度計算部４は、ユーザｕがコンテクストのタクソノミにおけるクラスＣ_i ^C配下のサブクラスを経由してアイテムにアクセスしているかどうかを表現するベクトルを式（２）とし、ユーザｖの同ベクトルを式（３）として、それぞれの各要素の値を抽出する（Ｓ０１）。

このとき式（２）（３）のベクトルの各要素の値は、配下の対応するサブクラスを経由して、アイテムにアクセスしていれば「１」とし、アクセスしていなければ「０」とする。この式（２）（３）のベクトルにおける要素の値を、コンテクストのタクソノミ内のすべてのクラス「Ｃ_i∈Ｃ」に対して求める。

図１１ではユーザｕ．ｖは、コンテクトＣ₃ ^C．Ｃ₄ ^CでアイテムＩ₁にアクセスしている。ここでは図１２に示すように、コンテクトＣ₃ ^C．Ｃ₄ ^CはクラスＣ₁ ^Cのサブクラスに属している。この場合のアイテムＩ₁に対する式（４）のベクトルの値は（１，０）と求められ、アイテムＩ₁に対する式（５）のベクトルの要素の値は（０，１）と求められる。コンテクストの他のクラスについても同様に求める。

つぎに前記類似度計算部４は、ユーザｕ．ｖ間のアイテムＩ₁に対するコンテクストの類似度を、コサイン類似度を用いて計算する（Ｓ０２）。すなわち、Ｓ０１で求めた式（２）（３）の各クラスの要素値に対してコサイン類似度を計算する。

この計算結果を合算して最終的なアイテムＩ₁に対するユーザｕ．ｖ間のコンテクストの類似度を求める。例えば、図１２では、アイテムＩ₁に対するユーザｕ．ｖ間のコンテクストの類似度Ｓ（Ｉ₁）_u,vは、式（６）の通りに算出される。

Ｓ０３：前記評点反映部３は、ユーザ間のアイテムの評価度合の類似度、即ち評点の類似度を計算するにあたって、アイテムにアクセスした際のコンテクストの類似度を反映させる。例えばユーザｕ．ｖ間における評点の類似度を計算するためには、図１３に示すように、ユーザｕのアイテムＩ₁に対する評点（２．０）にＳ０２で算出されたコンテクストの類似度Ｓ（Ｉ₁）_u,vを乗算し、同様にユーザｖのアイテムＩ₁に対する評点（４．０）にＳ０２で算出されたコンテクストの類似度Ｓ（Ｉ₁）_u,vを乗算する。これによりユーザｕ．ｖのアイテムＩ₁に対する評点の値が更新される。

Ｓ０４：前記類似度計算部４は、Ｓ０３で更新された評点の値に基づきユーザｕ．ｖ間の類似度を算出する。算出にあたっては更新された評点の値を特許文献１の評価値とし、該評価値による評価値ベクトル同士の相関係数をユーザｕ．ｖ間の類似度として算出する。ここでは特許文献１の式（１）に更新された評点の値を代入してユーザｕ．ｖの類似度を計算すればよい。

Ｓ０５：前記類似ユーザ抽出部は、コンテクト情報を入力した被推薦ユーザとＳ０４で算出されたユーザ間類似度が閾値以上の推薦候補ユーザ群を選択する。選択された推薦候補ユーザ群を、さらにコンテクスト情報の指示するコンテクストをアクセス情報中に持つ推薦候補ユーザに絞り込む。絞り込まれた推薦候補ユーザ群を最終的な類似ユーザ集合として抽出する。

図１４に基づき一例を説明すれば、ＣＴ１は被推薦ユーザｕのコンテクト情報を示し、ＣＴ２は推薦候補ユーザｖのアクセス情報を示している。ここではユーザｕのアクセス情報にはコンテクトＣ₄ ^Cは存在するものの、コンテクト情報ＣＴ２にはコンテクトＣ₄ ^Cが含まれていなかったものとする。

そして、アクセス情報ＣＴ２には、コンテクストＣ₄ ^Cに基づくアイテムへのアクセスしか存在しなく、コンテクト情報ＣＴ１のコンテクトＣ₃ ^C．Ｃ₅ ^Cを持たないため、ユーザｖはユーザｕの類似ユーザ集合には含まれない。

したがって、前記装置１によれば、被推薦ユーザの入力したコンテクスト情報に応じた類似ユーザが抽出される。これにより時間とともに刻々と変化する被推薦ユーザのコンテクストに沿った推薦情報を特許文献１の推薦処理部などを通じて優先的に提示することができる。例えば、最近Ｃ₃ ^cという役者の好きなユーザに対して、役者Ｃ₃ ^cのコンテクストを持つユーザで、アイテムの評価の近いユーザの持っているアイテムを推薦することができる。

すなわち、コンテクストのタクソノミとアイテムのタクソノミとを分け、コンテクストの利用範囲を時間に沿って制約を与えることで、最近のコンテクストに沿ったアイテム推薦が可能となる。このとき役者というコンテクスト軸のみでなく、ジャンルや感性といったコンテクスト軸を併用すれば、多種態様なコンテクスト軸に基づく推薦の関連性も導き出せる。

≪拡張ケース１の処理≫
以下、前記拡張ケース１に応じたコンテクストの類似度算出を説明する。ここではユーザ間で同じアイテムではなく、同じクラスに属するアイテムにアクセスしていれば、Ｓ０１．Ｓ０２を通じて、該クラスに対するコンテクストの類似度を計算する。なぜならば、ユーザ同士が同じクラスのアイテムにアクセスしている場合のコンテクストの異同をユーザ類似度に反映させ、推薦精度を向上させるためである。

図１５に基づき説明すれば、アイテムＩ₁．Ｉ₂は同一のクラスＣ₁ ^Tの配下に分類されている。このケースでは、ユーザｕはアイテムＩ₂にコンテクストＣ₃ ^Cでアクセスしている一方、ユーザｖはアイテムＩ₁にコンテクストＣ₄ ^Cでアクセスしている。ここでは両ユーザｕ．ｖの各アイテムＩ₁．Ｉ₂へのアクセスをクラスＣ₁ ^Tへのアクセスと置き換えて、式（４）（５）のベクトルを求める（Ｓ０１）。

この場合には、図１６に示すように、アイテムＩ₁．Ｉ₂に対する式（４）のベクトルは（１，０）と求められ、式（５）のベクトルは（０，１）と求められる。その他の処理内容はＳ０１．Ｓ０２と同様とする。

≪拡張ケース２の処理≫
以下、前記拡張ケース２に応じたコンテクストの類似度算出を説明する。ここではユーザ間でコンテクストのタクソノミ上で同じクラスを用いていれば、アイテムのタクソノミ上でのクラス（またはアイテム）が異なっていてもコンテクストの類似度をアイテムの評価行為の類似度に反映させる。

これは異なるクラス配下のアイテムであっても、同じコンテクストのクラスであれば、ユーザの興味に相関がうまれると考えられるからである。例えば、アイテムを映画、アイテムのタクソノミをジャンルで分類体系化し、コンテクストのタクソノミを役者で分類体系化した場合にジャンルが異なっていても役者が同じであれば、ユーザ興味に相関がある場合が考えられる。

図１７に基づき説明すれば、ユーザｕはアイテムＩ₃にコンテクストＣ₃ ^Cを用いてアクセスしている一方、ユーザｖはアイテムＩ₁にコンテクストＣ₃ ^Cを用いてアクセスしている。ここではユーザｕ．ｖは、同じコンテクストＣ₃ ^Cを用いているため、図１８に示すように、アイテムＩ₁．Ｉ₃に対する式（４）（５）のベクトルは共に（１，０）と求められる。その他の処理内容はＳ０１．Ｓ０２と同様とする。

なお、本発明は、上記実施形態に限定されるものではなく、各請求項に記載された範囲内で変形することができる。例えば前記類似ユーザ抽出部５は、必ずしも被推薦ユーザの入力したコンテクスト情報に応じて推薦候補ユーザを絞り込む必要は無く、該推薦候補ユーザを最終的な類似ユーザ集合として抽出することもできる。この場合には被推薦ユーザの与えたコンテクスト情報は反映されないものの、コンテクストのタクソノミに基づく類似度を反映させた類似ユーザ集合が抽出されるため、該類似ユーザのアイテムを被推薦ユーザに推薦することができる。

≪プログラムなど≫
本発明は、前記装置１の各部２〜５の一部もしくは全部として、コンピュータを機能させる文書検索プログラムとして構成することもできる。このプログラムによれば、Ｓ０１〜Ｓ０５の一部あるいは全部をコンピュータに実行させることが可能となる。

前記プログラムは、Ｗｅｂサイトや電子メールなどネットワークを通じて提供することができる。また、前記プログラムは、ＣＤ−ＲＯＭ，ＤＶＤ−ＲＯＭ，ＣＤ−Ｒ，ＣＤ−ＲＷ，ＤＶＤ−Ｒ，ＤＶＤ−ＲＷ，ＭＯ，ＨＤＤ，ＢＤ−ＲＯＭ，ＢＤ−Ｒ，ＢＤ−ＲＥなどの記録媒体に記録して、保存・配布することも可能である。この記録媒体は、記録媒体駆動装置を利用して読み出され、そのプログラムコード自体が前記実施形態の処理を実現するので、該記録媒体も本発明を構成する。

１…類似ユーザ抽出装置
２…コンテクストに基づく類似度計算部（コンテクスト類似度計算手段）
３…コンテクストに基づく類似度の評点反映部（評点反映手段）
４…タクソノミに基づく類似度計算部
５…コンテクストに基づく類似ユーザ抽出部（類似ユーザ抽出手段）

Claims

ユーザの評点に基づき評点行為の類似する類似ユーザの持つアイテムを被推薦ユーザへ推薦するにあたって該類似ユーザを抽出する装置の実行する方法であって、
アイテムへのアクセスの根拠となるコンテクストを分類体系化したコンテクストのタクソノミと、アイテムを分類体系化したアイテムのタクソノミとに基づきアイテムに対するユーザ間のコンテクストの類似度を算出するコンテクスト類似度計算ステップと、
コンテクスト類似度計算ステップで算出したコンテクストの類似度を各ユーザがアイテムに与えた評点に反映させて、新たに更新された評点を求める評点反映ステップと、
評点反映ステップで更新された各評点に基づくユーザ間類似度に応じて被推薦ユーザの類似ユーザを抽出する類似ユーザ抽出ステップと、
を有することを特徴とする類似ユーザ抽出方法。
コンテクスト類似度計算ステップは、アイテムのタクソノミ中の同一アイテムあるいは同一クラスのアイテムにアクセスするユーザ間のコンテクストの類似度を算出する
ことを特徴とする請求項１記載の類似ユーザ抽出方法。
コンテクスト類似度計算ステップは、コンテクストのタクソノミ中における同一クラスのコンテクストでアイテムにアクセスするユーザ間のコンテクストの類似度を算出する
ことを特徴とする請求項１記載の類似ユーザ抽出方法。
類似ユーザ抽出ステップは、前記類似ユーザを被推薦ユーザの指定するコンテンツを持つユーザに限定して抽出する
ことを特徴とする請求項１〜３のいずれか１項に記載の類似ユーザ抽出方法。
ユーザの評点に基づき評点行為の類似する類似ユーザの持つアイテムを被推薦ユーザへ推薦するにあたって該類似ユーザを抽出する装置であって、
アイテムへのアクセスの根拠となるコンテクストを分類体系化したコンテクストのタクソノミと、アイテムを分類体系化したアイテムのタクソノミとに基づきアイテムに対するユーザ間のコンテクストの類似度を算出するコンテクスト類似度計算手段と、
コンテクスト類似度計算手段で算出したコンテクストの類似度を各ユーザがアイテムに与えた評点に反映させて、新たに更新された評点を求める評点反映手段と、
評点反映手段で更新された各評点に基づくユーザ間類似度に応じて被推薦ユーザの類似ユーザを抽出する類似ユーザ抽出手段と、
を備えることを特徴とする類似ユーザ抽出装置。
コンテクスト類似度計算手段は、アイテムのタクソノミ中の同一アイテムあるいは同一クラスのアイテムにアクセスするユーザ間のコンテクストの類似度を算出する
ことを特徴とする請求項５記載の類似ユーザ抽出装置。
コンテクスト類似度計算手段は、コンテクストのタクソノミ中における同一クラスのコンテクストでアイテムにアクセスするユーザ間のコンテクストの類似度を算出する
ことを特徴とする請求項５記載の類似ユーザ抽出装置。
類似ユーザ抽出手段は、前記類似ユーザを被推薦ユーザの指定するコンテンツを持つユーザに限定して抽出する
ことを特徴とする請求項５〜７のいずれか１項に記載の類似ユーザ抽出装置。
請求項５〜８のいずれか１項に記載の類似ユーザ抽出装置の各手段としてコンピュータを機能させるための類似ユーザ抽出プログラム。