JP2013033376A - 情報処理装置、情報処理方法、および、プログラム - Google Patents

情報処理装置、情報処理方法、および、プログラム Download PDF

Info

Publication number
JP2013033376A
JP2013033376A JP2011168975A JP2011168975A JP2013033376A JP 2013033376 A JP2013033376 A JP 2013033376A JP 2011168975 A JP2011168975 A JP 2011168975A JP 2011168975 A JP2011168975 A JP 2011168975A JP 2013033376 A JP2013033376 A JP 2013033376A
Authority
JP
Japan
Prior art keywords
feedback
user
content
acceptance
tuple
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
JP2011168975A
Other languages
English (en)
Inventor
Hiroshi Tateno
啓 舘野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Original Assignee
Sony Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sony Corp filed Critical Sony Corp
Priority to JP2011168975A priority Critical patent/JP2013033376A/ja
Priority to CN201210262513.0A priority patent/CN103198082B/zh
Priority to US13/559,099 priority patent/US8943012B2/en
Publication of JP2013033376A publication Critical patent/JP2013033376A/ja
Priority to US14/593,209 priority patent/US20150120634A1/en
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】推薦するコンテンツ等がユーザに受け入れられる可能性を高める。
【解決手段】フィードバック収集部は、コンテンツ、ユーザ、および、当該コンテンツに対する当該ユーザのフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集する。予測部は、収集されたメタフィードバックに基づいて、コンテンツ、ユーザ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める。本技術は、例えば、コンテンツの推薦を行うシステムに適用できる。
【選択図】図１

Description

本技術は、情報処理装置、情報処理方法、および、プログラムに関し、特に、コンテンツ等の推薦を行う場合に用いて好適な情報処理装置、情報処理システム、情報処理方法、および、プログラムに関する。
従来、コンテンツ等を推薦する技術分野では、推薦するコンテンツ等がユーザに受け入れられるようにするための様々な工夫が行われている。
例えば、協調フィルタリング等を筆頭に、各ユーザのコンテンツに対する評価の予測精度を高め、ユーザの嗜好に合ったコンテンツを推薦する技術が用いられている。
また、例えば、推薦するコンテンツ群の特徴を示すキーワード等を抽出し、推薦理由として提示する技術が提案されている（例えば、特許文献１参照）。
特開２００７−５８８４２号公報
このように、コンテンツ等を推薦する技術分野では、推薦するコンテンツ等がより確実にユーザに受け入れられるようにすることが望まれている。
本技術は、推薦するコンテンツ等がユーザに受け入れられる可能性を高めるようにするものである。
本技術の第１の側面の情報処理装置は、コンテンツ、ユーザ、および、当該コンテンツに対する当該ユーザのフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集する収集部と、収集された前記メタフィードバックに基づいて、コンテンツ、ユーザ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める予測部とを含む。
前記予測受け入れ度に基づいて、前記アクティブユーザに提示するコンテンツと、当該コンテンツにフィードバックを付与したユーザおよび当該フィードバックの少なくとも一方とを含む組み合わせを選択する選択部と、選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるユーザまたはフィードバックの少なくとも一方を前記アクティブユーザに提示するように制御する提示制御部とをさらに設けることができる。
前記選択部には、前記予測受け入れ度がより高い組み合わせを優先して選択させることができる。
コンテンツとユーザの組み合わせに対する前記アクティブユーザの前記予測受け入れ度、または、ユーザに対する前記アクティブユーザの前記予測受け入れ度に基づいて、フィードバックの付与を促すコンテンツとユーザの組み合わせを選択する選択部と、選択された組み合わせに含まれるユーザに、前記選択された組み合わせに含まれるコンテンツに対するフィードバックの付与を促す誘導部と、前記選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるユーザ、または、当該ユーザにより付与されたフィードバックの少なくとも一方を前記アクティブユーザに提示するように制御する提示制御部とをさらに設けることができる。
前記選択部には、前記予測受け入れ度がより高いコンテンツとユーザの組み合わせ、または、前記予測受け入れ度がより高いユーザを含むコンテンツとユーザの組み合わせを優先して選択させることができる。
複数の前記アクティブユーザの前記予測受け入れ度を、ユーザ毎、フィードバック毎、または、ユーザとフィードバックの組み合わせ毎に集計する集計部と、前記予測受け入れ度の集計結果に基づいて、提示するコンテンツと、ユーザまたはフィードバックの少なくとも一方とを含む組み合わせを選択する選択部と、選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるユーザまたはフィードバックの少なくとも一方を提示するように制御する提示制御部とをさらに設けることができる。
前記選択部には、複数の前記アクティブユーザの前記予測受け入れ度がより高いユーザまたはフィードバックを含む組み合わせを優先して選択させることができる。
コンテンツとユーザの組み合わせに対する複数の前記アクティブユーザの前記予測受け入れ度、または、ユーザに対する複数の前記アクティブユーザの前記予測受け入れ度を、ユーザ毎に集計する集計部と、前記予測受け入れ度の集計結果に基づいて、フィードバックの付与を促すコンテンツとユーザの組み合わせを選択する選択部と、前記選択された組み合わせに含まれるユーザに、前記選択された組み合わせに含まれるコンテンツに対するフィードバックの付与を促す誘導部と、前記選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるユーザ、または、当該ユーザにより付与されたフィードバックの少なくとも一方を提示するように制御する提示制御部とをさらに設けることができる。
前記選択部には、複数の前記アクティブユーザの前記予測受け入れ度がより高いユーザを含む組み合わせを優先して選択させるようにすることができる。
ユーザを少なくとも含む組み合わせに対する前記アクティブユーザの前記予測受け入れ度を、ユーザ毎に集計する集計部と、前記アクティブユーザの前記予測受け入れ度がより高いユーザを優先して選択する選択部と、選択したユーザを前記アクティブユーザに提示するように制御する提示制御部とをさらに設けることができる。
前記予測部には、収集した前記メタフィードバックに基づいて、前記予測受け入れ度を求めるための受け入れモデルを生成する受け入れモデル生成部と、前記受け入れモデルに基づいて、前記予測受け入れ度を求める受け入れ予測部とを設けることができる。
本技術の第１の側面の情報処理方法は、情報処理装置が、コンテンツ、ユーザ、および、当該コンテンツに対する当該ユーザのフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集し、収集された前記メタフィードバックに基づいて、コンテンツ、ユーザ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求めるステップを含む。
本技術の第１の側面のプログラムは、コンテンツ、ユーザ、および、当該コンテンツに対する当該ユーザのフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集し、収集された前記メタフィードバックに基づいて、コンテンツ、ユーザ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求めるステップを含む処理をコンピュータに実行させる。
本技術の第２の側面の情報処理装置は、コンテンツ、および、当該コンテンツに対するフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集する収集部と、収集された前記メタフィードバックに基づいて、コンテンツ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める予測部とを含む。
前記予測受け入れ度に基づいて、前記アクティブユーザに提示するコンテンツと、当該コンテンツに付与されたフィードバックとを含む組み合わせを選択する選択部と、選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるフィードバックを前記アクティブユーザに提示するように制御する提示制御部とをさらに設けることができる。
複数の前記アクティブユーザの前記予測受け入れ度を、フィードバック毎に集計する集計部と、前記予測受け入れ度の集計結果に基づいて、提示するコンテンツとフィードバックを含む組み合わせを選択する選択部と、選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるフィードバックを提示するように制御する提示制御部とをさらに設けることができる。
前記予測部には、収集した前記メタフィードバックに基づいて、前記予測受け入れ度を求めるための受け入れモデルを生成する受け入れモデル生成部と、前記受け入れモデルに基づいて、前記予測受け入れ度を求める受け入れ予測部とを設けることができる。
本技術の第２の側面の情報処理方法は、情報処理装置が、コンテンツ、および、当該コンテンツに対するフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集し、収集された前記メタフィードバックに基づいて、コンテンツ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求めるステップを含む。
本技術の第２の側面のプログラムは、コンテンツ、および、当該コンテンツに対するフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集し、収集された前記メタフィードバックに基づいて、コンテンツ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求めるステップを含む処理をコンピュータに実行させる。
本技術の第１の側面においては、コンテンツ、ユーザ、および、当該コンテンツに対する当該ユーザのフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックが収集され、収集された前記メタフィードバックに基づいて、コンテンツ、ユーザ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度が求められる。
本技術の第２の側面においては、コンテンツ、および、当該コンテンツに対するフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックが収集され、収集された前記メタフィードバックに基づいて、コンテンツ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度が求められる。
本技術の第１の側面または第２の側面によれば、推薦するコンテンツ等がユーザに受け入れられる可能性が高くなる。
本技術を適用した情報処理システムの一実施の形態を示すブロック図である。 ユーザネットワークＤＢのデータ構成の例を示す図である。 受け入れモデル生成処理を説明するためのフローチャートである。 コンテンツ提示画面の第１の例を示す図である。 コンテンツ提示画面の第２の例を示す図である。 フィードバックＤＢのデータ構成の例を示す図である。 メタフィードバックＤＢのデータ構成の例を示す図である。 フィードバック解析後のフィードバックＤＢのデータ構成の例を示す図である。 フィードバック解析後のメタフィードバックＤＢのデータ構成の例を示す図である。 フィードバック判別後のメタフィードバックＤＢのデータ構成の例を示す図である。 協調フィルタリングによる受け入れモデルの生成に用いるメタフィードバックのデータの具体例を示す図である。 協調フィルタリングによる受け入れモデルの生成に用いるメタフィードバックのデータの具体例を示す図である。 協調フィルタリングによる受け入れモデルの生成に用いるメタフィードバックのデータの具体例を示す図である。 協調フィルタリングを用いた受け入れモデルを構成する、アクティブユーザに対する潜在ベクトルの例を示す図である。 協調フィルタリングを用いた受け入れモデルを構成する、コンテンツに対する潜在ベクトルの例を示す図である。 協調フィルタリングを用いた受け入れモデルを構成する、ユーザに対する潜在ベクトルの例を示す図である。 協調フィルタリングを用いた受け入れモデルを構成する重みベクトルの例を示す図である。 ＣＵＦタプルの特徴量の例を示す図である。 CBFによる受け入れモデルに用いる各特徴量に対する重みの例を示す図である。 コンテンツ推薦処理の第１の実施の形態を説明するためのフローチャートである。 受け入れ予測の結果の第１の例を示す図である。 コンテンツ推薦画面の第１の例を示す図である。 コンテンツ推薦画面の第２の例を示す図である。 コンテンツ推薦画面の第３の例を示す図である。 コンテンツ推薦画面の第４の例を示す図である。 コンテンツ推薦画面の第５の例を示す図である。 コンテンツ推薦画面の第６の例を示す図である。 コンテンツ推薦処理の第２の実施の形態を説明するためのフローチャートである。 コンテンツ推薦処理の第３の実施の形態を説明するためのフローチャートである。 受け入れ予測の結果の第２の例を示す図である。 図３０の受け入れ予測の結果をコンテンツＩＤとユーザＩＤによりソートしたものである。 コンテンツ推薦処理の第４の実施の形態を説明するためのフローチャートである。 ユーザ推薦処理を説明するためのフローチャートである。 コンピュータの構成例を示すブロック図である。
以下、本技術を実施するための形態（以下、実施の形態という）について説明する。なお、説明は以下の順序で行う。
１．実施の形態
１−１．情報処理システム１の構成例
１−２．情報処理システム１の処理
２．変形例
なお、以下、本明細書において使用する用語を以下のように定義する。
アクティブユーザとは、コンテンツの提示等の対象となるユーザのことである。
フィードバックとは、提示されたコンテンツ等に対するユーザの反応のことであり、明示的フィードバック（explicit feedback）と暗黙的フィードバック（implicit feedback）に大きく分かれる。明示的フィードバックの例として、例えば、好き／嫌い、５段階評価等の評価情報、単語レベルのタグや自然文によるコメント、アイコン等の付与が挙げられる。暗黙的フィードバックの例として、例えば、再生、停止、スキップ等のユーザ端末に対する操作や、コンテンツの購入等が挙げられる。
なお、以下、提示されたコンテンツ、ユーザ、および、当該コンテンツに対する当該ユーザのフィードバックの組み合わせに対するフィードバック、または、提示されたコンテンツ、および、当該コンテンツに対するフィードバックの組み合わせに対するフィードバックを、特にメタフィードバックと称する。
ＣＵＦタプルとは、コンテンツ、ユーザ、当該コンテンツに対する当該ユーザのフィードバックの組み合わせからなる３つ組のことである。コンテンツ、ユーザ、フィードバックの一部からなる組についても同様にタプルを使用する。例えば、コンテンツのみを含む組をＣタプルと称し、コンテンツとユーザを含む組をＣＵタプルと称する。すなわち、タプルには、含まれる項目の種類によって複数のタイプが存在する。
なお、以下、例えば、コンテンツＣｉ（ｉは自然数）、ユーザＵｊ（ｊは自然数）、フィードバックＦｋ（ｋは自然数）からなるタプルを、（Ｃｉ、Ｕｊ、Ｆｋ）タプルのように表す。
＜１．実施の形態＞
［１−１．情報処理システム１の構成例］
図１は、本技術を適用した情報処理システム１の一実施の形態を示すブロック図である。
情報処理システム１は、サーバ１１およびユーザ端末１２−１乃至１２−ｎを含むように構成される。サーバ１１とユーザ端末１２−１乃至１２−ｎは、ネットワーク１３を介して相互に接続されている。
なお、以下、ユーザ端末１２−１乃至１２−ｎを個々に区別する必要がない場合、単にユーザ端末１２と称する。
サーバ１１は、各ユーザ端末１２にコンテンツ等の提供や推薦を行う。
なお、コンテンツの種類は特に限定されるものではなく、例えば、映画やテレビジョン番組などの動画像、写真や絵画などの静止画像、音楽データ、電子書籍、ゲーム、文書ファイル等の各種のコンテンツを扱うことが可能である。
サーバ１１は、通信部２１、フィードバック収集部２２、フィードバックデータベース（ＤＢ）２３、メタフィードバックデータベース（ＤＢ）２４、フィードバック解析部２５、フィードバック判別部２６、ユーザデータベース（ＤＢ）２７、コンテンツメタデータベース（ＤＢ）２８、予測部２９、予測集計部３０、コンテンツプロモーションデータベース（ＤＢ）３１、ユーザネットワークデータベース（ＤＢ）３２、提示タプル選択部３３、提示制御部３４、および、フィードバック誘導部３５を含むように構成される。
通信部２１は、ネットワーク１３を介して、各ユーザ端末１２と通信を行い、データの送受信を行う。
フィードバック収集部２２は、アクティブユーザにより付与されたフィードバックまたはメタフィードバックに関するフィードバック情報を、ネットワーク１３および通信部２１を介して、各ユーザ端末１２から受信することにより、フィードバック情報を収集する。フィードバック収集部２２は、収集したフィードバック情報がフィードバックに関するものである場合、フィードバックＤＢ２３にフィードバック情報を格納する。一方、フィードバック収集部２２は、受信したフィードバック情報がＣＵＦタプルに対するメタフィードバックに関するものである場合、メタフィードバックＤＢ２４にフィードバック情報を格納する。
フィードバックＤＢ２３は、アクティブユーザにより各コンテンツに付与されたフィードバックに関する情報を格納する。なお、フィードバックＤＢ２３のデータ構成については、図６等を参照して後述する。
メタフィードバックＤＢ２４は、アクティブユーザにより各ＣＵＦタプルに付与されたメタフィードバックに関する情報を格納する。なお、メタフィードバックＤＢ２４のデータ構成については、図７等を参照して後述する。
フィードバック解析部２５は、フィードバックＤＢ２３に格納されているフィードバックの解析を行い、解析結果をフィードバックＤＢ２３に格納する。また、フィードバック解析部２５は、メタフィードバックＤＢ２４に格納されているメタフィードバックの解析を行い、解析結果をメタフィードバックＤＢ２４に格納する。
フィードバック判別部２６は、メタフィードバックＤＢ２４に格納されているメタフィードバックがポジティブなものかネガティブなものかを判別し、判別結果をメタフィードバックＤＢ２４に格納する。
ユーザＤＢ２７は、情報処理システム１を利用するユーザに関する情報（例えば、年齢・性別・職業・居住地などの特徴量等）を格納する。
コンテンツメタデータＤＢ２８は、サーバ１１が提供するコンテンツに関するメタデータ（例えば、コンテンツのジャンルやキーワードなどの特徴量、コンテンツ名、コンテンツを表す画像等）を格納する。
予測部２９は、各ユーザ端末１２から収集したメタフィードバックに基づいて、コンテンツ、ユーザまたはフィードバックの少なくとも１つを含むタプルを各アクティブユーザが受け入れる度合いを予測し、その予測値である予測受け入れ度を求める。
ここで、アクティブユーザがＣＵＦタプルを受け入れる行動には、例えば、提示されたＣＵＦタプルに対してポジティブな感情を持つ等の内面的なもの、および、提示されたＣＵＦタプルに対してポジティブな行動を取る等の外面的なものを含む。前者は、例えば、提示されたＣＵＦタプルに興味や良い印象を持ったりする等が挙げられる。後者は、例えば、提示されたＣＵＦタプルへのポジティブなフィードバックの付与、ＣＵＦタプルに含まれるコンテンツの購入、利用（再生、ダウンロード等）、他のユーザへの推薦、当該コンテンツに関する情報のチェック等が挙げられる。
なお、これは、ＣＵＦタプル以外のタイプのタプル、コンテンツ、ユーザ等の受け入れについても同様である。
予測部２９は、受け入れモデル生成部５１、受け入れモデルデータベース（ＤＢ）５２、および、受け入れ予測部５３を含むように構成される。
受け入れモデル生成部５１は、各ユーザ端末１２から収集したメタフィードバックに基づいて、各タイプのタプルに対する各アクティブユーザの予測受け入れ度を求めるための受け入れモデルを生成する。すなわち、後述するように、受け入れモデル生成部５１は、フィードバックＤＢ２３、メタフィードバックＤＢ２４、ユーザＤＢ２７、コンテンツメタデータＤＢ２８に格納されている情報を用いて、各タイプのタプルに対する受け入れモデルを生成する。受け入れモデル生成部５１は、生成した受け入れモデルを受け入れモデルＤＢ５２に格納する。
受け入れ予測部５３は、受け入れモデルＤＢ５２に格納されている受け入れモデルに基づいて、各タイプのタプルを各アクティブユーザが受け入れる度合いを予測し、予測受け入れ度を求める。すなわち、後述するように、受け入れ予測部５３は、フィードバックＤＢ２３、ユーザＤＢ２７、コンテンツメタデータＤＢ２８、受け入れモデルＤＢ５２に格納されている情報を用いて、各タイプのタプルに対する各アクティブユーザの予測受け入れ度を求める。受け入れ予測部５３は、予測結果を予測集計部３０および提示タプル選択部３３に通知する。
予測集計部３０は、予測集計部３０による予測結果について各種の集計を行い、集計結果を提示タプル選択部３３に通知する。
コンテンツプロモーションＤＢ３１は、情報処理システム１を用いてサービスを提供するサービス提供者が、販売促進等のプロモーションを行うコンテンツ（のＩＤ）が登録される。従って、例えば、コンテンツプロモーションＤＢ３１にコンテンツＩＤが登録されているコンテンツが、優先的にユーザに推薦される。
ユーザネットワークＤＢ３２は、情報処理システム１を利用するユーザ間のつながりを示す情報を格納するデータベースである。図２は、ユーザネットワークＤＢ３２のデータ構成の例を示している。ユーザネットワークＤＢ３２は、つながりＩＤ、ＦｒｏｍＩＤ、ＴｏＩＤの各項目を含む。
つながりＩＤは、各ユーザ間のつながりを識別するためのＩＤである。
ＦｒｏｍＩＤは、フォロー元のユーザのユーザＩＤである。
ＴｏＩＤは、フォロー先のユーザのユーザＩＤである。
従って、例えば、つながりＩＤが１のレコードでは、ユーザＵ１がユーザＵ２をフォローしていることが示されている。すなわち、ユーザＵ１が、ユーザＵ２を知っていたり、ユーザＵ２に関心を持っていることを示している。なお、フォローは必ずしも両方向である必要はなく、片方向のみでも構わない。
提示タプル選択部３３は、受け入れ予測部５３による予測結果、予測集計部３０による集計結果、並びに、コンテンツプロモーションＤＢ３１およびユーザネットワークＤＢ３２に格納されている情報に基づいて、アクティブユーザに提示するコンテンツ、ユーザ、フィードバックの少なくとも１つを含む組み合わせである提示タプルを選択する。提示タプル選択部３３は、選択した提示タプルを提示制御部３４およびフィードバック誘導部３５に通知する。
提示制御部３４は、提示タプル選択部３３により選択された提示タプル、並びに、フィードバックＤＢ２３、ユーザＤＢ２７、コンテンツメタデータＤＢ２８、および、ユーザネットワークＤＢ３２に格納されている情報に基づいて、コンテンツ等を提示する画面の表示用の表示データを生成する。提示制御部３４は、生成した表示データを、通信部２１およびネットワーク１３を介して、ユーザ端末１２に送信する。
フィードバック誘導部３５は、提示タプル選択部３３により選択された提示タプル、並びに、ユーザＤＢ２７、および、コンテンツメタデータＤＢ２８に格納されている情報に基づいて、ユーザに対して特定のコンテンツへのフィードバックを促すための画面の表示用の表示データを生成する。フィードバック誘導部３５は、生成した表示データを、通信部２１およびネットワーク１３を介して、ユーザ端末１２に送信する。
ユーザ端末１２は、例えば、サーバ１１から提供されるコンテンツを利用したり、各種の情報を表示したりするのに用いられる。また、アクティブユーザは、ユーザ端末１２の図示せぬ操作部を介して、コンテンツに対するフィードバックや、ＣＵＦタプルに対するメタフィードバックを付与することができる。
なお、ユーザ端末１２は、例えば、パーソナルコンピュータ、コンピュータゲームシステム、ホームサーバ等のコンピュータシステム、あるいは、携帯ゲーム機、携帯電話機、携帯情報端末、携帯音楽プレーヤ等の可搬型のコンピュータシステム等により構成される。
［１−２．情報処理システム１の処理］
次に、図３乃至図３３を参照して、情報処理システム１により実行される処理について説明する。
（フィードバック収集処理）
まず、図３のフローチャートを参照して、情報処理システム１により実行される受け入れモデル生成処理について説明する。
ステップＳ１において、サーバ１１は、コンテンツを提示する。具体的には、例えば、ユーザ端末１２は、アクティブユーザにより入力されたコンテンツの提示の指令を、ネットワーク１３を介してサーバ１１に送信する。
サーバ１１の通信部２１は、ユーザ端末１２からの指令を受信し、提示制御部３４に供給する。提示制御部３４は、アクティブユーザに提示するコンテンツに関する情報（メタデータ）をコンテンツメタデータＤＢ２８から取得する。また、提示制御部３４は、提示するコンテンツに対するフィードバックに関する情報をフィードバックＤＢ２３から取得する。さらに、提示制御部３４は、提示するコンテンツにフィードバックを付与したユーザに関する情報をユーザＤＢ２７から取得する。
提示制御部３４は、取得した情報に基づいて、アクティブユーザにコンテンツを提示するためのコンテンツ提示画面の表示用の表示データを生成する。そして、提示制御部３４は、生成した表示データを、通信部２１およびネットワーク１３を介して、アクティブユーザのユーザ端末１２に送信する。
ユーザ端末１２は、サーバ１１から受信した表示データに基づいて、コンテンツ提示画面を表示する。
図４および図５は、コンテンツ提示画面の例を示している。
図４は、コンテンツに関する情報を、ユーザが付与したコメント等のフィードバック情報とともに表示する例を示している。具体的には、左上隅にコンテンツ名（コンテンツＡ）が表示され、その下にコンテンツを表す画像１０１、および、当該コンテンツに対するユーザ評価１０２が表示されている。ユーザ評価１０２は、例えば、複数のユーザにより付与された５段階評価の平均値により表される。また、ユーザ評価１０２の下にボタン１０３が表示されている。ボタン１０３を押下するとコメント入力画面が表示され、アクティブユーザは、コンテンツＡに対するフィードバックとしてコメントを入力することができる。
また、上述した表示の右側に、コンテンツＡに対するフィードバックに関する情報が表示されている。すなわち、コンテンツＡにフィードバックを付与したユーザＡを表す画像１０４ａ、ユーザＡのユーザ名（ニックネーム等を含む）、並びに、ユーザＡによるフィードバックの内容（例えば、コメント等）を含む吹き出し１０５ａが表示されている。同様に、コンテンツＡにフィードバックを付与したユーザＢを表す画像１０４ｂ、ユーザＢのユーザ名、並びに、ユーザＢによるフィードバックの内容を含む吹き出し１０５ｂが表示されている。
さらに、吹き出し１０４ａの右にサムアップボタン１０６ａおよびサムダウンボタン１０７ａが表示されている。アクティブユーザは、ユーザＡによるコンテンツＡに対するフィードバックに対してポジティブな評価（例えば、賛成、共感等）を付与する場合、サムアップボタン１０６ａを押下する。逆に、アクティブユーザは、ユーザＡによるコンテンツＡに対するフィードバックに対してネガティブな評価（例えば、反対、不快等）を付与する場合、サムダウンボタン１０７ａを押下する。
同様に、吹き出し１０４ｂの右にも、ユーザＢによるコンテンツＡへのフィードバックに対する評価を付与するためのサムアップボタン１０６ｂおよびサムダウンボタン１０７ｂが表示されている。
従って、図４のコンテンツ提示画面では、アクティブユーザは、コメントを入力することにより、提示されたコンテンツに対して直接フィードバックを付与することができる。また、アクティブユーザは、サムアップボタン１０６ａ、１０６ｂ、サムダウンボタン１０７ａ、１０７ｂを押下することにより、提示されたコンテンツ、フィードバックを付与したユーザ、付与されたフィードバックの組（ＣＵＦタプル）に対して、明示的なメタフィードバックを付与することができる。
図５は、各ユーザのフィードバック情報をリスト形式により表示する例を示している。この例では、コンテンツＡに対するユーザＡのフィードバック情報が１行目に表示され、コンテンツＢに対するユーザＢのフィードバック情報が２行目に表示されている。
具体的には、１行目には、コンテンツＡを表す画像１２１ａ、コンテンツ名（コンテンツＡ）、コンテンツＡに対するユーザ評価１２２ａ、ユーザＡを表す画像１２３ａ、コンテンツＡに対するユーザＡのフィードバックを含む吹き出し１２４ａが表示されている。
また、吹き出し１２４ａの右には、視聴ボタン１２５ａおよび購入ボタン１２６ａが表示されている。アクティブユーザは、視聴ボタン１２５ａを押下することにより、コンテンツＡを視聴することができ、購入ボタン１２６ａを押下することにより、コンテンツＡの購入手続きを行うことができる。
同様に、２行目には、コンテンツＢを表す画像１２１ｂ、コンテンツ名（コンテンツＢ）、コンテンツＢに対するユーザ評価１２２ｂ、ユーザＢを表す画像１２３ｂ、コンテンツＢに対するユーザＢのフィードバックを含む吹き出し１２４ｂが表示されている。また、吹き出し１２４ｂの右には、視聴ボタン１２５ｂ、および、購入ボタン１２６ｂが表示されている。
従って、図５のコンテンツ提示画面では、アクティブユーザは、視聴ボタン１２５ａ、１２５ｂ、購入ボタン１２６ａ、１２６ｂを押下することにより、提示されたコンテンツ、コンテンツにフィードバックを付与したユーザ、付与されたフィードバックの組（ＣＵＦタプル）に対して、暗黙的なメタフィードバックを付与することができる。
なお、以下、サムアップボタン１０６ａ、１０６ｂを個々に区別する必要がない場合、単にサムアップボタン１０６と称し、サムダウンボタン１０７ａ、１０７ｂを個々に区別する必要がない場合、単にサムダウンボタン１０７と称する。さらに、以下、視聴ボタン１２５ａ、１２５ｂを個々に区別する必要がない場合、単に視聴ボタン１２５と称し、購入ボタン１２６ａ、１２６ｂを個々に区別する必要がない場合、単に購入ボタン１２６と称する。
ステップＳ２において、サーバ１１は、フィードバックを取得する。具体的には、アクティブユーザは、例えば、所定のインタフェースを介して、コンテンツ提示画面に提示されたコンテンツに対する５段階評価やコメントを入力することにより、提示されたコンテンツに対して直接フィードバックを付与する。あるいは、アクティブユーザは、例えば、図４のサムアップボタン１０６、サムダウンボタン１０７、または、図５の視聴ボタン１２５、購入ボタン１２６を押下することにより、提示されたＣＵＦタプルに対してメタフィードバックを付与する。
ユーザ端末１２は、アクティブユーザにより付与されたフィードバックまたはメタフィードバックに関するフィードバック情報を、ネットワーク１３を介して、サーバ１１に送信する。
サーバ１１の通信部２１は、ユーザ端末１２から送信されたフィードバック情報を受信し、フィードバック収集部２２に供給する。フィードバック収集部２２は、受信したフィードバック情報が、提示したコンテンツに対するフィードバックに関するものである場合、フィードバックＤＢ２３にフィードバック情報を格納する。一方、フィードバック収集部２２は、受信したフィードバック情報が、提示したＣＵＦタプルに対するメタフィードバックに関するものである場合、メタフィードバックＤＢ２４にフィードバック情報を格納する。
図６は、フィードバックＤＢ２３のデータ構成の例を示している。この例では、フィードバックＤＢ２３は、フィードバックＩＤ、ユーザＩＤ、コンテンツＩＤ、フィードバックのタイプ、フィードバックの各項目を含む。
フィードバックＩＤは、各フィードバックを識別するためのＩＤである。
ユーザＩＤは、フィードバックを付与したユーザのユーザＩＤである。
コンテンツＩＤは、フィードバックが付与されたコンテンツのコンテンツＩＤである。
フィードバックのタイプは、付与されたフィードバックのタイプを示し、例えば、”文字列”、”５段階”、”操作”等に分類される。例えば、コメントやタグなどの文字情報によるフィードバックは、”文字列”に分類される。５段階評価によるフィードバックは、”５段階”に分類される。再生、スキップ等のコンテンツに対するユーザ操作によるフィードバックは、”操作”に分類される。
フィードバックは、ユーザが実際に付与したフィードバックの内容を示す。
例えば、図６のフィードバックＩＤがＦ１のレコードには、ユーザＵ２が、コンテンツＣ１に対して、”これはかっこいい！”という文字列タイプのフィードバックを付与したことを示す情報が格納されている。フィードバックＩＤがＦ２のレコードには、ユーザＵ３が、コンテンツＣ３に対して、５段階評価の”５”の評価を付与したことを示す情報が格納されている。フィードバックＩＤがＦ３のレコードには、ユーザＵ３が、コンテンツＣ３に対して、”再生”操作を行ったことを示す情報が格納されている。フィードバックＩＤがＦ４のレコードには、ユーザＵ１が、コンテンツＣ２に対して、５段階評価の”２”の評価を付与したことを示す情報が格納されている。
図７は、メタフィードバックＤＢ２４のデータ構成の例を示している。この例では、メタフィードバックＤＢ２４は、メタフィードバックＩＤ、ユーザＩＤ、対象フィードバックＩＤ、メタフィードバックのタイプ、メタフィードバックの各項目を含む。
メタフィードバックＩＤは、各メタフィードバックを識別するためのＩＤである。
ユーザＩＤは、メタフィードバックを付与したユーザのユーザＩＤである。
対象フィードバックＩＤは、図６のフィードバックＤＢ２３のフィードバックＩＤと対応し、メタフィードバックの対象となるフィードバックＩＤを示している。すなわち、対象フィードバックＩＤは、メタフィードバックが付与されたＣＵＦタプルに対応するフィードバックＤＢ２３のフィードバックＩＤを示す。
メタフィードバックのタイプは、付与されたメタフィードバックのタイプを示し、例えば、”文字列”、”操作”、”サムアップ／ダウン”、”購入”等に分類される。例えば、コメント等の文字情報によるメタフィードバックは、”文字列”に分類される。視聴等のユーザ操作によるメタフィードバックは、”操作”に分類される。図４のサムアップボタン１０６及びサムダウンボタン１０７によるメタフィードバックは、”サムアップ／ダウン”に分類される。コンテンツを購入することによるメタフィードバックは、”購入”に分類される。
メタフィードバックは、ユーザが実際に付与したメタフィードバックの内容を示す。
例えば、図７のメタフィードバックＩＤがＭＦ１のレコードには、ユーザＵ１が、フィードバックＤＢ２３のフィードバックＩＤがＦ１のレコードに示されるＣＵＦタプルに対して、”その意見に同意！”という文字列タイプのメタフィードバックを付与したことを示す情報が格納されている。メタフィードバックＩＤがＭＦ２のレコードには、ユーザＵ１が、フィードバックＤＢ２３のフィードバックＩＤがＦ２のレコードに示されるＣＵＦタプルに対して、”再生”操作を行ったことを示す情報が格納されている。メタフィードバックＩＤがＭＦ３のレコードには、ユーザＵ２が、フィードバックＤＢ２３のフィードバックＩＤがＦ４のレコードに示されるＣＵＦタプルに対して、”サムダウン”の評価を付与したことを示す情報が格納されている。メタフィードバックＩＤがＭＦ４のレコードには、ユーザＵ２が、フィードバックＤＢ２３のフィードバックＩＤがＦ５のレコードに示されるＣＵＦタプルに対して、コンテンツの”購入”を行ったことを示す情報が格納されている。
ステップＳ３において、フィードバック解析部２５は、フィードバック解析を行う。具体的には、フィードバック解析部２５は、フィードバックＤＢ２３の各レコードに格納されているフィードバックから特徴的な要素を特徴量として抽出する。例えば、フィードバック解析部２５は、文字列タイプなどの自然言語によるフィードバックに対して、形態素解析や構文解析等を用いて、特徴的な単語を特徴量として抽出する。そして、フィードバック解析部２５は、抽出した特徴量を対応するフィードバックＤＢ２３のレコードに格納する。
図８は、図６のフィードバックＤＢ２３に対してフィードバック解析を行った後の状態の例を示している。例えば、フィードバックＩＤがＦ１のレコードの”これはかっこいい！”というフィードバックから、”かっこいい”、”！”の２つの特徴量が抽出されている。
フィードバック解析部２５は、メタフィードバックＤＢ２４についても同様の解析処理を行う。
図９は、図７のメタフィードバックＤＢ２４に対してフィードバック解析を行った後の状態の例を示している。例えば、メタフィードバックＩＤがＭＦ１のレコードの”その意見に同意！”というメタフィードバックから、”意見”、”同意”、”！”の３つの特徴量が抽出されている。
ステップＳ４において、フィードバック判別部２６は、フィードバック判別を行う。例えば、フィードバック判別部２６は、メタフィードバックＤＢ２４の各レコードのメタフィードバックが、対象となるＣＵＦタプルに対して同意を示すポジティブなものか、反対を示すネガティブなものかを判別する。換言すれば、フィードバック判別部２６は、対象となるＣＵＦタプルをユーザが受け入れたか否かを判別する。
例えば、フィードバック判別部２６は、５段階評価や好き／嫌いによるメタフィードバックについては、そのままメタフィードバックの値を利用して、ポジティブまたはネガティブの判別を行う。
また、例えば、フィードバック判別部２６は、自然言語によるメタフィードバックについては、当該メタフィードバックから抽出された特徴量に基づく主観表現のポジティブ／ネガティブ判別技術等を用いて、ポジティブまたはネガティブの判別を行う。なお、主観表現のポジティブ／ネガティブ判別技術の詳細については、例えば、「N. Kobayashi, “Opinion Mining from Web Documents: Extraction and Structurization”, 人工知能学会論文誌, Vol. 22, No. 2, 2007, pp.227-238」に記載されている。
さらに、例えば、フィードバック制御部２５は、暗黙的フィードバックによるメタフィードバックについては、他のメタフィードバックとの相関を考慮したり、事前に決めたルールに従ってポジティブまたはネガティブの判別を行う。後者の場合、例えば、メタフィードバックが”再生”や”サムアップ”のときにはポジティブに分類され、”停止”、”スキップ”、”サムダウン”のときにはネガティブに分類される。
そして、フィードバック判別部２６は、判別結果をメタフィードバックＤＢ２４の各レコードに格納する。
図１０は、図９のメタフィードバックＤＢ２４に対してフィードバック判別を行った後の状態の例を示している。例えば、”その意見に同意！”、”再生”、”購入”のメタフィードバックはポジティブに分類され、”サムダウン”のメタフィードバックはネガティブに分類されている。
なお、単にポジティブまたはネガティブの判別を行うだけでなく、例えば、ポジティブ度合い、ネガティブ度合いの判別を行い、それらの度合いを数値等で表すようにしてもよい。
なお、この判別結果が、次の受け入れモデルを生成する際の教師データとなる。
ステップＳ５において、受け入れモデル生成部５１は、受け入れモデルを生成する。すなわち、受け入れモデル生成部５１は、フィードバックＤＢ２３、メタフィードバックＤＢ２４、ユーザＤＢ２７、コンテンツメタデータＤＢ２８に格納されている情報を用いて、各タイプのタプルに対する受け入れモデルを生成する。
例えば、ＣＵＦタプルに対する受け入れモデルは、コンテンツ、ユーザ、フィードバックの各組み合わせを各アクティブユーザがどの程度受け入れるかを予測するためのモデルである。そして、ＣＵＦタプルの他に、ＣＵタプル、ＵＦタプル、ＣＦタプル、Ｃタプル、Ｕタプル、および、Ｆタプルに対する受け入れモデルが生成される。
受け入れモデルの生成方法には、大きく分けて協調フィルタリングによる方法と、コンテンツベースフィルタリング（CBF）による方法とがある。
まず、協調フィルタリングを用いた方法の例について説明する。
協調フィルタリングは、例えば、次の非特許文献１に記載されているように、ユーザとコンテンツを行と列とした非観測要素を含む行列の予測問題として定義され、ユーザやコンテンツに関する付加情報（メタデータ）は用いられない。
非特許文献１：Zheng, V. W., et al., "Collaborative Filtering Meets Mobile Recommendation: A User-centered Approach", AAAI, 2010
例えば、ＣＵＦタプルに対する受け入れモデルを生成するための協調フィルタリングは、コンテンツ、ユーザ、フィードバックに受け入れる側のユーザ（アクティブユーザ）を加えた４要素からなる４次元配列(テンソル)の予測問題となる。一方、Ｆタプルの受け入れモデルを生成するための協調フィルタリングは、フィードバックと受け入れる側のユーザ（アクティブユーザ）の２要素からなる２次元配列（行列）の予測問題となる。
テンソル内要素の予測には、例えば、次の非特許文献２、３、４などに記載された方法を用いることができる。
非特許文献２：Zheng, V. W., et al., "Collaborative Filtering Meets Mobile Recommendation: A User-centered Approach", AAAI, 2010
非特許文献３：Symeonidis, P., et al., "Tag Recommendations Based on Tensor Dimensionality Reduction", Proceedings of Recommender Systems, 2008
非特許文献４：Kolda, T. G., Bader, B. W., "Tensor Decompositions and Applications", SIAM Review, 2008
例えば、アクティブユーザＡ１乃至Ａ３（それぞれユーザＵ１乃至Ｕ３に対応）が、ＣＵタプル（Ｃ∈｛Ｃ１，Ｃ２，Ｃ３，Ｃ４｝、Ｕ∈｛Ｕ１，Ｕ２，Ｕ３，Ｕ４｝）に対して、それぞれ図１１乃至図１３に示すようにメタフィードバックを付与している場合について検討する。
なお、欄内の各値は、１がポジティブなメタフィードバックを付与していることを示し、−１がネガティブなメタフィードバックを付与していることを示し、０がメタフィードバックを付与していないことを示している。例えば、図１１から、アクティブユーザＡ１が、（Ｃ１、Ｕ１）タプルに対してメタフィードバックを付与しておらず、（Ｃ１、Ｕ２）タプルに対してポジティブなメタフィードバックを付与しており、（Ｃ１、Ｕ４）タプルに対してネガティブなメタフィードバックを付与していることが分かる。
これを、アクティブユーザの方向に束ねて、３×４×４の３次のテンソルＸとし、非特許文献４に記載のCANDECOMP/PARAFAC分解を適用すると、図１４乃至図１７に示されるような結果が得られる。
なお、図１４はアクティブユーザＡ１乃至Ａ３に対する２次元の潜在ベクトル（latent vector）を示している。図１５はコンテンツＣ１乃至Ｃ４に対する２次元の潜在ベクトルを示している。図１６はフィードバックを付与したユーザＵ１乃至Ｕ４に対する２次元の潜在ベクトルを示している。図１７は、後述する式（１）の２次元の重みベクトルλを示している。
ここで、各行列の要素を｛air｝，｛cjr｝，｛ukr｝，λ＝［λ1，λ2］とすると、元のテンソルの値xijkは、次式（１）のように近似される。
Figure 2013033376
この式（１）が受け入れモデルとなる。すなわち、式（１）の算出値が、元のテンソルにおいてメタフィードバックが付与されていないＣＵＦタプルに対するアクティブユーザの予測受け入れ度となる。そして、予測受け入れ度が高いほど、アクティブユーザが対象となるＣＵＦタプルを受け入れる可能性が高く、予測受け入れ度が低いほど、受け入れる可能性が低くなる。
次に、CBFを用いた方法の例について説明する。
CBFを用いた方法では、例えば、ユーザＤＢ２７に格納されているユーザの特徴量、コンテンツメタデータＤＢ２８に格納されているコンテンツの特徴量（メタデータ）、上述したフィードバックの特徴量に基づいて、受け入れモデルが生成される。
例えば、上記の全ての特徴量を１つのベクトルとし、ステップＳ４の処理によるポジティブまたはネガティブの判別結果をそれぞれ正例または負例として、サポートベクターマシンやロジスティック回帰などの判別手法（例えば、非特許文献５参照)を適用することにより、受け入れモデルが生成される。
非特許文献５：Bishop C. M., "Pattern Recognition and Machine Learning", Springer-Verlag, 2006
なお、フィードバック判別の結果が５段階など３値以上の場合には、線形回帰などが用いられる。また、協調フィルタリングの場合と同様に、例えばフィードバックの内容を無視する場合には、ＣＵＦタプルの特徴量のみによるベクトル空間上で判別が行われる。
例えば、ＣＵＦタプルの特徴量ベクトルは、図１８のように表現される。
なお、図１８の各欄の値は、１列目に示される評価対象タプルに含まれるコンテンツ、ユーザ、フィードバックの２列目以降に示される各項目に対する特徴量を示している。例えば、図１８の１番目のレコードは、評価対象タプルである（Ｃ１、Ｕ２、Ｆ２）タプルに含まれるコンテンツ、ユーザ、フィードバックの特徴量を示している。具体的には、コンテンツＣ１の”ジャンル ロック”、”ジャンル ポップス”、”ジャンル ジャズ”、”テンポ”、”音の大きさ”、”リズム楽器の比”の各項目に対する特徴量は、それぞれ1，0，0，40，55，40である。ユーザＵ１の”男”、”女”、”２０代以下”、”３０代”、”４０代以上”の各項目に対する特徴量は、1，0，0，1，0である。フィードバックＦ１の”かっこいい”、”！”、特徴量４、特徴量５の各項目に対する特徴量は、それぞれ1，1，0，0である。
そして、メタフィードバックの判別結果に基づいて、ロジスティック回帰等を用いて学習することにより、各アクティブユーザのＣＵＦタプルに対する予測受け入れ度を計算するための特徴毎の重みが、図１９に示されるように求まる。
なお、図１９の各欄の値は、１列目に示されるアクティブユーザの２列目以降に示される各項目に対する重みを示している。例えば、図１９の１番目のレコードは、アクティブユーザＡ１の各項目に対する重みを示している。具体的には、アクティブユーザＡ１のコンテンツに関する”ジャンル ロック”、”ジャンル ポップス”、”ジャンル ジャズ”、”テンポ”、”音の大きさ”、”リズム楽器の比”の各項目に対する重みは、0.85，0.20，-0.42，0.021，0.152，0.002である。アクティブユーザＡ１のユーザに関する”男”、”女”、”２０代以下”、”３０代”、”４０代以上”の各項目に対する重みは、0.51，0.22，0.11，0.53，0.33である。アクティブユーザＡ１のフィードバックに関する”かっこいい”、”！”、”特徴量４”、”特徴量５”の各特徴に対する重みは、0.79，0.35，1.24，0.80である。
そして、図１９の各重みを用いた加算式が受け入れモデルとなる。すなわち、ＣＵＦタプルに含まれるコンテンツ、ユーザ、フードバックの各特徴量にそれぞれ対応する図１９の重みを乗じて加算した値が、そのＣＵＦタプルに対するアクティブユーザの予測受け入れ度となる。
なお、上述した方法は、受け入れモデルの生成方法の一例であり、他の方法を用いるようにしてもよい。例えば、非特許文献６に示されるように、協調フィルタリングとCBFの両方の特徴を組み合わせた方法を用いることも可能である。
非特許文献６：Agarwal, D., Chen, B.-C., "Regression-based Latent Factor Models," KDD, 2009
また、ＣＵタプル、ＵＦタプル、ＣＦタプル、Ｃタプル、Ｕタプル、および、Ｆタプルに対する受け入れモデルも、ＣＵＦタプルの場合と同様にして生成される。
そして、受け入れモデル生成部５１は、生成した受け入れモデルを受け入れモデルＤＢ５２に格納する。
その後、処理は終了する。
なお、受け入れモデルの生成処理は、例えば、ステップＳ１乃至Ｓ４の処理が行われる度に実行するようにしてもよいし、フィードバックを一定量収集する毎、あるいは、一定期間が経過する毎に実行するようにしてもよい。
また、以上の説明では、自動的に受け入れモデルを生成する例を示したが、所定のルール等に従って人手により作成して、受け入れモデルＤＢ５２に格納するようにしてもよい。
（コンテンツ推薦処理１）
次に、図２０のフローチャートを参照して、サーバ１１により実行されるコンテンツ推薦処理の第１の実施の形態について説明する。
なお、この処理では、アクティブユーザ毎に受け入れる可能性が高いタプルを見つけ、提示する処理が行われる。
ステップＳ１０１において、受け入れ予測部５３は、受け入れ予測を行う。具体的には、まず、受け入れ予測部５３は、Ｃタプルを除くタイプの中から、受け入れ予測を行うタプルのタイプ、換言すれば、コンテンツの推薦に用いるタプルのタイプを選択する。これにより、ＣＵＦタプル、ＣＦタプル、ＣＵタプル、ＵＦタプル、Ｕタプル、Ｆタプルの中から１つのタイプが選択される。
次に、受け入れ予測部５３は、選択したタイプの各タプルについて、受け入れモデルＤＢ５２に格納されている受け入れモデルを用いて、コンテンツを推薦する対象となるアクティブユーザの受け入れ予測を行う。その結果、選択されたタイプの各タプルに対するアクティブユーザの予測受け入れ度が算出される。
なお、ここでは、フィードバックＤＢ２３にデータが存在するタプルのみが予測対象となる。従って、実際にフィードバックを付与していないユーザや、実際に付与されていないフィードバックを含むタプルは、予測対象から除外される。例えば、ユーザＵ１が、コンテンツＣ１にフィードバックを付与し、コンテンツＣ２にフィードバックを付与していない場合、（Ｃ１、Ｕ１）タプルは予測対象となり、（Ｃ２、Ｕ１）タプルは予測対象から除外される。
そして、受け入れ予測部５３は、予測結果を提示タプル選択部３３に通知する。
図２１は、アクティブユーザがユーザＵ１である場合の、ＣＵＦタプルに対する受け入れ予測の結果の例を示している。例えば、（Ｃ１、Ｕ２、Ｆ２）タプルに対するアクティブユーザＵ１の予測受け入れ度は０．３２であることが示されている。
なお、以下、ステップＳ１０１の処理で図２１の受け入れ予測の結果が得られた場合の処理を具体例として説明する。
ステップＳ１０２において、提示タプル選択部３３は、提示タプルを選択する。
例えば、提示タプル選択部３３は、予測受け入れ度が高い方から順に所定の個数のタプルを提示タプルに選択する。すなわち、提示タプル選択部３３は、予測受け入れ度がより高いタプルを優先して提示タプルに選択する。
例えば、図２１の受け入れ予測の結果を用いて提示タプルを２つ選択する場合、予測受け入れ度が0.88で最も高い（Ｃ１、Ｕ３、Ｆ３）タプル、予測受け入れ度が0.67で２番目に高い（Ｃ４、Ｕ４、Ｆ６）タプルが選択される。
あるいは、一般的に知り合いや関心のある人物から推薦されたコンテンツは、受け入れられやすい傾向にある。そこで、ユーザネットワークＤＢ３２を用いて、アクティブユーザと関係のあるユーザを検索し、検索されたユーザを含むタプルを優先して提示タプルに選択するようにしてもよい。
例えば、アクティブユーザと関係のあるユーザを含むタプルの予測受け入れ度に所定の重みを加算して、加算後の予測受け入れ度に基づいて、提示タプルを選択するようにしてもよい。
例えば、図２のユーザネットワークＤＢ３２において、アクティブユーザであるユーザＵ１は、ユーザＵ２とユーザＵ５をフォローしている。従って、例えば重みを0.5に設定した場合、図２１の予測受け入れ度のうち、ユーザＵ２を含む（Ｃ１、Ｕ２、Ｆ２）タプルおよび（Ｃ３、Ｕ２、Ｆ４）タプルに対する予測受け入れ度が、重みを加算することにより、それぞれ0.82、0.60となる。従って、提示タプルを２つ選択する場合、予測受け入れ度が0.88で最も高い（Ｃ１、Ｕ３、Ｆ３）タプル、予測受け入れ度が0.82で２番目に高い（Ｃ１、Ｕ２、Ｆ２）タプルが選択される。
ステップＳ１０３において、提示タプル選択部３３は、アクティブユーザに推薦するコンテンツを選択する。具体的には、ステップＳ１０２の処理で選択した提示タプルがＵＦタプルまたはＦタプルである場合、提示タプルに含まれるフィードバックには、必ず対象となるコンテンツが存在する。従って、提示タプル選択部３３は、提示タプルに含まれるフィードバックの対象となるコンテンツを、アクティブユーザに推薦するコンテンツとして選択する。そして、提示タプル選択部３３は、選択したコンテンツを提示タプル（ＵＦタプルまたはＦタプル）に追加する。その結果、提示タプルはＣＵＦタプルまたはＣＦタプルとなる。
また、ステップＳ１０２の処理で選択した提示タプルがＵタプルである場合、選択タプルに含まれるユーザ（以下、この処理において提示ユーザと称する）がフィードバックを付与しているコンテンツは必ずしも１つとは限らない。従って、提示タプル選択部３３は、提示ユーザがフィードバックを付与しているコンテンツの中から、アクティブユーザに推薦するコンテンツを選択する。
例えば、提示ユーザがフィードバックを付与しているコンテンツを全て選択するようにしてもよいし、その中から所定の数のコンテンツをランダムに選択するようにしてもよい。あるいは、提示ユーザがフィードバックを付与しているコンテンツの中から、コンテンツプロモーションＤＢ３１に登録されているコンテンツを優先的に選択するようにしてもよい。あるいは、コンテンツ提供者からサービス提供者に販売促進費が支払われている場合、提示ユーザがフィードバックを付与しているコンテンツの中から、販売促進費が高いコンテンツを優先的に選択するようにしてもよい。
なお、このとき、提示ユーザがポジティブなフィードバックを付与したコンテンツのみを対象にするようにしてもよい。
そして、提示タプル選択部３３は、選択したコンテンツを提示タプル（Ｕタプル）に追加する。その結果、提示タプルはＣＵタプルとなる。
なお、ステップＳ１０２の処理で選択した提示タプルがＣＵＦタプル、ＣＵタプル、または、ＣＦタプルのいずれかである場合、提示タプルにすでにコンテンツが含まれている。従って、提示タプルに含まれるコンテンツが、そのままアクティブユーザに推薦するコンテンツとなる。
そして、提示タプル選択部３３は、提示タプルを提示制御部３４に通知する。
ステップＳ１０４において、サーバ１１は、コンテンツを提示する。具体的には、提示制御部３４は、提示タプルに含まれるコンテンツに関する情報（メタデータ）をコンテンツメタデータＤＢ２８から取得する。また、提示制御部３４は、提示タプルにユーザが含まれる場合、そのユーザに関する情報をユーザＤＢ２７から取得する。さらに、提示制御部３４は、提示タプルにフィードバックが含まれる場合、そのフィードバックに関する情報をフィードバックＤＢ２３から取得する。
提示制御部３４は、取得した情報に基づいて、アクティブユーザにコンテンツを推薦するためのコンテンツ推薦画面の表示用の表示データを生成する。そして、提示制御部３４は、生成した表示データを、通信部２１およびネットワーク１３を介して、アクティブユーザのユーザ端末１２に送信する。
アクティブユーザのユーザ端末１２は、サーバ１１から受信した表示データに基づいて、コンテンツ推薦画面を表示する。
図２２乃至図２４は、コンテンツ推薦画面の一例を示している。
図２２は、提示タプルがＣＵＦタプルの場合のコンテンツ推薦画面の例を示している。具体的には、左上隅にコンテンツ名（コンテンツＡ）が表示され、その下にコンテンツを表す画像２０１が表示されている。
また、上述した表示の右側に、コンテンツＡに対するフィードバックに関する情報が表示されている。すなわち、コンテンツＡにフィードバックを付与したユーザＡを表す画像２０２ａ、ユーザＡのユーザ名、並びに、ユーザＡのフィードバックの内容（例えば、コメント等）を含む吹き出し２０３ａが表示されている。同様に、コンテンツＡにフィードバックを付与したユーザＢを表す画像２０２ｂ、ユーザＢのユーザ名、並びに、ユーザＢのフィードバックの内容（例えば、コメント等）を含む吹き出し２０３ｂが表示されている。
図２３は、提示タプルがＣＦタプルの場合のコンテンツ推薦画面の例を示している。このコンテンツ推薦画面では、図２２のコンテンツ推薦画面と比較して、画像２０２ａ，２０２ｂ、並びに、ユーザＡ及びユーザＢのユーザ名の表示が省略されている。すなわち、このコンテンツ推薦画面では、コンテンツＡにフィードバックを付与したユーザに関する情報は表示されずに、フィードバックの内容のみ表示される。
図２４は、提示タプルがＣＵタプルの場合のコンテンツ推薦画面の例を示している。このコンテンツ推薦画面では、図２２のコンテンツ推薦画面と比較して、吹き出し２０３ａ，２０３ｂの表示が省略されている。すなわち、このコンテンツ推薦画面では、コンテンツＡに付与されたフィードバックの内容は表示されずに、フィードバックを付与したユーザに関する情報のみ表示される。
図２５乃至図２７は、推薦するコンテンツをリスト形式で表示する場合のコンテンツ推薦画面の例を示している。
図２５は、提示タプルがＣＵＦタプルの場合のリスト形式のコンテンツ推薦画面の例を示している。この例では、コンテンツＡに関する情報が１行目に表示され、コンテンツＢに関する情報が２行目に表示されている。より具体的には、１行目には、コンテンツＡを表す画像２２１ａ、コンテンツＡのコンテンツ名、コンテンツＡにフィードバックを付与したユーザＡを表す画像２２２ａおよびユーザ名、コンテンツＡに対するユーザＡのフィードバックを含む吹き出し２２３ａが、左から順に表示されている。同様に、２行目には、コンテンツＢを表す画像２２１ｂ、コンテンツＢのコンテンツ名、コンテンツＢにフィードバックを付与したユーザＢを表す画像２２２ｂおよびユーザ名、コンテンツＢに対するユーザＢのフィードバックを含む吹き出し２２３ｂが、左から順に表示されている。
図２６は、提示タプルがＣＦタプルの場合のリスト形式のコンテンツ推薦画面の例を示している。このコンテンツ推薦画面では、図２５のコンテンツ推薦画面と比較して、画像２２２ａ，２２２ｂ、並びに、ユーザＡ及びユーザＢのユーザ名の表示が省略されている。代わりに、コンテンツＡに対するフィードバックを含む吹き出し２２３ｃ、および、コンテンツＢに対するフィードバックを含む吹き出し２２３ｄが追加されている。すなわち、このコンテンツ推薦画面では、各コンテンツにフィードバックを付与したユーザに関する情報は表示されずに、フィードバックの内容のみ表示される。
図２７は、提示タプルがＣＵタプルの場合のリスト形式のコンテンツ推薦画面の例を示している。このコンテンツ推薦画面では、図２５のコンテンツ推薦画面と比較して、吹き出し２２３ａ，２２３ｂの表示が省略されている。代わりに、コンテンツＡにフィードバックを付与したユーザＣを表す画像２２２ｃおよびユーザ名が追加されている。すなわち、このコンテンツ推薦画面では、各コンテンツに付与されたフィードバックの内容は表示されずに、フィードバックを付与したユーザに関する情報のみ表示される。
また、例えば、提示タプルにユーザＵおよびフィードバックＦが含まれる場合、「ユーザＵさんが「フィードバックＦ」と言っているコンテンツです。」といったような情報を表示するようにしてもよい。この場合、例えば、アクティブユーザと関連のあるユーザ、および、そのユーザのフィードバックを優先的に表示するようにしてもよい。
さらに、例えば、提示タプルにフィードバックＦのみが含まれ、ユーザＵが含まれない場合、「「フィードバックＦ」と言われているコンテンツです。」といったような情報を表示するようにしてもよい。
また、例えば、提示タプルにユーザＵのみが含まれ、フィードバックＦが含まれない場合、「ユーザＵさんが言及しているコンテンツです。」といったような情報を表示するようにしてもよい。この場合、例えば、アクティブユーザと関連のあるユーザを優先的に表示するようにしてもよい。
なお、図２２乃至図２７のコンテンツ推薦画面において、フィードバックの文言の内容等に合わせて、ユーザを表す画像や発言内容の表示の切り替えを行ってもよい。
その後、処理は終了する。
このようにして、予測受け入れ度が高いＣＵＦタプル、ＣＦタプル、または、ＣＵタプルが優先的にアクティブユーザに提示される。これにより、アクティブユーザが提示されたコンテンツを受け入れる可能性が高くなる。
また、コンテンツとともに、コンテンツにフィードバックを付与しているユーザ、または、コンテンツに付与されているフィードバックのうち少なくとも一方が提示されるため、ユーザはコンテンツの推薦理由を知ることができる。
さらに、フィードバックを提示する場合、他のユーザにより付与されているフィードバックの内容がそのまま提示されるため、アクティブユーザに推薦理由がより明確に伝わるようになる。
（コンテンツ推薦処理２）
次に、図２８のフローチャートを参照して、サーバ１１により実行されるコンテンツ推薦処理の第２の実施の形態について説明する。
なお、この処理では、アクティブユーザが発言等を受け入れやすい影響力のあるユーザを見つけ、見つけたユーザにコンテンツへのフィードバックを促し、当該コンテンツとともに当該ユーザや当該フィードバックをアクティブユーザに提示する処理が行われる。
ステップＳ１２１において、提示タプル選択部３３は、アクティブユーザに推薦するコンテンツを選択する。例えば、提示タプル選択部３３は、コンテンツプロモーションＤＢ３１に登録されているコンテンツの中から所定数のコンテンツを、アクティブユーザに推薦するコンテンツ（以下、推薦コンテンツと称する）に選択する。
ステップＳ１２２において、提示タプル選択部３３は、受け入れ予測を行う。具体的には、受け入れ予測部５３は、図２０のステップＳ１０１と同様の処理により、ＣＵタプルまたはＵタプルに対するアクティブユーザの受け入れ予測を行う。
なお、ＣＵタプルに対する受け入れ予測を行う場合には、推薦コンテンツを含むＣＵタプルが予測対象となる。
そして、受け入れ予測部５３は、予測結果を提示タプル選択部３３に通知する。
ステップＳ１２３において、図２１のステップＳ１０２の処理と同様に、提示タプルが選択される。ただし、Ｕタプルに対する受け入れ予測が行われた場合、提示タプル選択部３３は、選択した提示タプル（Ｕタプル）に、さらに推薦コンテンツを追加したＣＵタプルを提示タプルに設定する。
これにより、ＣＵタプルに対する受け入れ予測を行った場合、アクティブユーザの予測受け入れ度がより高いＣＵタプルが優先的に提示タプルに選択される。一方、Ｕタプルに対する受け入れ予測を行った場合、アクティブユーザの予測受け入れ度がより高いユーザ（Ｕタプル）を含むＣＵタプルが提示タプルに選択される。
そして、提示タプル選択部３３は、提示タプルを提示制御部３４およびフィードバック誘導部３５に通知する。
なお、以下、この処理において、提示タプルに含まれるユーザを推薦者と称する。
ステップＳ１２４において、フィードバック誘導部３５は、推薦者に推薦コンテンツへのフィードバックを促す。具体的には、フィードバック誘導部３５は、推薦コンテンツに関する情報（メタデータ）をコンテンツメタデータＤＢ２８から取得する。フィードバック誘導部３５は、取得した情報に基づいて、推薦者に推薦コンテンツへのフィードバックを促すためのフィードバック誘導画面の表示用の表示データを生成する。そして、フィードバック誘導部３５は、生成した表示データを、通信部２１およびネットワーク１３を介して、推薦者のユーザ端末１２に送信する。
推薦者のユーザ端末１２は、サーバから受信した表示データに基づいて、フィードバック誘導画面を表示する。例えば、ユーザ端末１２は、推薦コンテンツの情報とともに、「Ｘさん（アクティブユーザ）に、これを薦めてはいかがですか」というような、フィードバックの付与を促すメッセージ等を表示する。
推薦者のユーザ端末１２は、推薦者により推薦コンテンツに対してフィードバックが付与された場合、付与されたフィードバックに関するフィードバック情報を、ネットワーク１３を介してサーバ１１に送信する。サーバ１１のフィードバック収集部２２は、通信部２１を介して、フィードバック情報を受信し、フィードバックＤＢ２３に格納する。
ステップＳ１２５において、サーバ１１は、コンテンツを提示する。具体的には、提示制御部３４は、提示タプルに含まれる推薦コンテンツに関する情報をコンテンツメタデータＤＢ２８から取得する。また、提示制御部３４は、推薦者に関する情報をユーザＤＢ２７から取得する。さらに、提示制御部３４は、推薦コンテンツに対する推薦者のフィードバックに関する情報をフィードバックＤＢ２３から取得する。
提示制御部３４は、取得した情報に基づいて、アクティブユーザにコンテンツを推薦するためのコンテンツ推薦画面の表示用の表示データを生成する。そして、提示制御部３４は、生成した表示データを、通信部２１およびネットワーク１３を介して、アクティブユーザのユーザ端末１２に送信する。
アクティブユーザのユーザ端末１２は、サーバ１１から受信した表示データに基づいて、コンテンツ推薦画面を表示する。
このとき、アクティブユーザにとっては、推薦者がフィードバックを付与していることが重要と考えられる。従って、推薦者のフィードバックを表示せずに、例えば、「ユーザＢさん（推薦者）が言及しているコンテンツです」等の文言とともに、コンテンツに関する情報を提示するようにしてもよい。
逆に、推薦者を提示せずに、推薦者のフィードバックのみを、コンテンツに関する情報とともに提示するようにしてもよい。
その後、処理は終了する。
このようにして、アクティブユーザが受け入れやすい影響力のあるユーザが推薦者としてコンテンツとともに提示されるため、アクティブユーザが提示されたコンテンツを受け入れる可能性がより高くなる。
なお、推薦者がすでに推薦コンテンツに対してフィードバックを付与している場合には、ステップＳ１２４を省略することも可能である。
あるいは、例えば、推薦コンテンツに対してフィードバックを付与しているユーザを含むＣＵタプルを、受け入れ予測の対象や提示タプルの対象から除外するようにしてもよい。これにより、まだ推薦コンテンツにフィードバックを付与していないユーザを含むタプルが提示タプルに選ばれるようになる。
また、例えば、ステップＳ１２４において、明示的に推薦者へのフィードバックの誘導を行わずに、例えば、推薦者に推薦コンテンツを単に推薦して、フィードバックが付与されるのを待つようにしてもよい。
（コンテンツ推薦処理３）
次に、図２９のフローチャートを参照して、サーバ１１により実行されるコンテンツ推薦処理の第３の実施の形態について説明する。
なお、この処理では、多くのアクティブユーザに受け入れられやすいユーザやフィードバックを見つけ、見つけたユーザやフィードバックを優先してコンテンツとともに提示する処理が行われる。
ステップＳ１４１において、受け入れ予測部５３は、受け入れ予測を行う。具体的には、受け入れ予測部５３は、図２０のステップＳ１０１と同様の処理により、ＣＵＦタプル、ＣＦタプル、ＣＵタプル、ＵＦタプル、Ｕタプル、Ｆタプルのいずれかに対する複数のユーザ（アクティブユーザ）の受け入れ予測を行う。受け入れ予測部５３は、予測結果を予測集計部３０に通知する。
なお、受け入れ予測を行う対象となるアクティブユーザを、システム全体のユーザとしてもよいし、一部の特定のユーザ群としてもよい。
また、ここでは、フィードバックＤＢ２３にデータが存在するタプルのみが予測対象となる。従って、実際にフィードバックを付与していないユーザや、実際に付与されていないフィードバックを含むタプルは、予測対象から除外される。
ステップＳ１４２において、予測集計部３０は、予測結果を集計する。具体的には、予測集計部１３１は、ユーザＩＤ毎（Ｕタプル毎）、フィードバックＩＤ毎（Ｆタプル毎）、または、ユーザＩＤとフィードバックＩＤの組み合わせ毎（ＵＦタプル毎）に予測受け入れ度の集計を行い、平均値などの統計量を求める。
ここで、各アクティブユーザのＣＵＦタプルに対する受け入れ予測の結果が図３０に示されるようになっている場合について、集計方法の具体例を説明する。
なお、図３０は、各アクティブユーザの各ＣＵＦタプルに対する予測受け入れ度が示されている。例えば、アクティブユーザＵ１の（Ｃ１、Ｕ２、Ｆ１０２）タプルに対する予測受け入れ度が0.32であることが示されている。なお、図３１は、図３０をコンテンツＩＤとユーザＩＤによりソートしたものである。
例えば、図３０の受け入れ予測の結果をＵＦタプル（ユーザＩＤとフィードバックＩＤの組み合わせ）毎に集計する場合について説明する。
例えば、（Ｕ２、Ｆ１０２）タプルに対する各アクティブユーザの予測受け入れ度の平均値は、0.463（＝（0.32＋0.65＋0.42）／3）となる。また、（Ｕ３、Ｆ１０３）タプルに対する各アクティブユーザの予測受け入れ度の平均値は、0.643（＝（0.88＋0.41＋0.64）／3）となる。
なお、（Ｕ２、Ｆ１０２）タプルおよび（Ｕ３、Ｆ１０３）タプルの対象となるコンテンツは、ともにコンテンツＣ１である。
また、例えば、（Ｕ１、Ｆ１０７）タプルに対する各アクティブユーザの予測受け入れ度の平均値は0.493（＝（0.54＋0.60＋0.34）／3）となる。また、（Ｕ３、Ｆ１０５）タプルに対する各アクティブユーザの予測受け入れ度の平均値は、0.650（＝（0.54＋0.63＋0.78）／3）となる。
なお、（Ｕ１、Ｆ１０７）タプルおよび（Ｕ３、Ｆ１０５）タプルの対象となるコンテンツは、ともにコンテンツＣ４である。
このようにして、各ＵＦタプルについて予測受け入れ度の平均値が算出される。
そして、予測受け入れ度の平均値が大きいＵＦタプルほど、そのＵＦタプルに含まれるユーザとフィードバックの組み合わせがより多くのアクティブユーザに受け入れられやすい、換言すれば、各アクティブユーザに対する影響力がより大きい組み合わせであると言える。例えば、コンテンツＣ１については、（Ｕ２、Ｆ１０２）タプルより（Ｕ３、Ｆ１０３）タプルの方が、影響力が大きく、コンテンツＣ４については、（Ｕ１、Ｆ１０７）タプルより（Ｕ３、Ｆ１０５）タプルの方が、影響力が大きいと言える。
なお、ＵＦタプル毎ではなく、Ｕタプル毎（ユーザＩＤ毎）またはＦタプル毎（フィードバックＩＤ毎）に集計するようにしてもよい。
例えば、Ｕタプル毎に集計する場合、（Ｕ２）タプルに対する各アクティブユーザの予測受け入れ度の平均値は、0.455（＝（0.32＋0.65＋0.42＋0.21＋0.23＋0.9）／6）となる。
そして、予測受け入れ度の平均値が大きいＵタプルほど、そのＵタプルに含まれるユーザがより多くのアクティブユーザに受け入れられやすい、換言すれば、各アクティブユーザに対する影響力がより大きいユーザであると言える。
なお、Ｆタプル毎に集計した場合、フィードバックＩＤは必ず１つのユーザＩＤに対応するため、ＵＦタプル毎に集計した結果と等しくなる。
そして、予測集計部３０は、集計結果を提示タプル選択部３３に通知する。
ステップＳ１４３において、提示タプル選択部３３は、集計結果に基づいて、提示タプルを選択する。
例えば、ＵＦタプル毎に受け入れ予測の集計が行われた場合、提示タプル選択部３３は、コンテンツ毎に、各コンテンツに付与されているＵＦタプルの中から、予測受け入れ度の平均値が高い方から順に所定数のＵＦタプルを選択する。そして、提示タプル選択部３３は、選択したＵＦタプルに対象となるコンテンツを加えたＣＵＦタプルを提示タプルに設定する。従って、受け入れ予測の対象となる複数のアクティブユーザの予測受け入れ度がより高いＵＦタプルを含むＣＵＦタプルが、優先的に提示タプルに選択される。
例えば、上述した例の場合、コンテンツＣ１に付与されているＵＦタプルのうち、予測受け入れ度が高い（Ｕ３、Ｆ１０３）タプルが選択される。そして、選択した（Ｕ３、Ｆ１０３）タプルにコンテンツＣ１を加えた（Ｃ１、Ｕ３、Ｆ１０３）タプルが提示タプルとなる。
同様に、Ｆタプル毎に受け入れ予測の集計が行われた場合、提示タプル選択部３３は、コンテンツ毎に、各コンテンツに付与されているＦタプルの中から、予測受け入れ度の平均値が高い方から順に所定数のＦタプルを選択する。そして、提示タプル選択部３３は、選択したＦタプルに対象となるコンテンツを加えたＣＦタプルを提示タプルとする。従って、受け入れ予測の対象となる複数のアクティブユーザの予測受け入れ度がより高いＦタプルを含むＣＦタプルが、優先的に提示タプルに選択される。
なお、この場合、Ｆタプルに含まれるフィードバックを付与したユーザを加えたＣＵＦタプルを提示タプルとするようにしてもよい。
一方、Ｕタプル毎に受け入れ予測の集計が行われた場合、提示タプル選択部３３は、予測受け入れ度の平均値が高い方から順に所定数のＵタプルを提示タプルに選択する。従って、受け入れ予測の対象となる複数のアクティブユーザの予測受け入れ度がより高いＦタプル（ユーザ）が優先的に提示タプルに選択される。
そして、提示タプル選択部３３は、提示タプルを提示制御部３４に通知する。
ステップＳ１４４において、図２０のステップＳ１０４と同様の処理により、コンテンツが提示される。
例えば、提示タプル選択部３３により選択された提示タプルがＣＵＦタプルである場合、各提示タプルに含まれるコンテンツ、ユーザ、フィードバックの組み合わせが、アクティブユーザに提示される。従って、各コンテンツとともに、そのコンテンツに対してより影響力の大きいユーザとフィードバックの組み合わせが優先的に各アクティブユーザに提示される。
同様に、提示タプル選択部３３により選択された提示タプルがＣＦタプルである場合、各提示タプルに含まれるコンテンツ、フィードバックの組み合わせが、アクティブユーザに提示される。従って、各コンテンツとともに、そのコンテンツに対してより影響力の大きいフィードバックが優先的に各アクティブユーザに提示される。
一方、提示タプル選択部３３により選択された提示タプルがＵタプルである場合、各アクティブユーザに提示するコンテンツとともに、提示タプルに含まれるユーザが優先的に提示される。すなわち、各アクティブユーザに提示するコンテンツに対して、提示タプルに含まれるユーザによりフィードバックが付与されている場合、当該コンテンツと当該ユーザの組み合わせが優先的に各アクティブユーザに提示される。従って、各コンテンツとともに、当該コンテンツにフィードバックを付与しているユーザのうち、そのコンテンツに対してより影響力の大きいユーザが優先的に提示されるようになる。なお、このとき、当該ユーザにより付与されたフィードバックも合わせて提示するようにしてもよい。
その後、処理は終了する。
このようにして、各アクティブユーザにコンテンツを提示するときに、多くのアクティブユーザに受け入れられやすい影響力の大きいユーザ、フィードバック、または、ユーザとフィードバックの組み合わせが優先的に提示される。これにより、各アクティブユーザが提示されたコンテンツを受け入れる可能性が高くなる。
（コンテンツ推薦処理４）
次に、図３２のフローチャートを参照して、サーバ１１により実行されるコンテンツ推薦処理の第４の実施の形態について説明する。
なお、この処理では、多くのユーザが発言等を受け入れやすい影響力のあるユーザ（インフルエンサ）を見つけ、見つけたユーザにコンテンツへのフィードバックを促し、当該コンテンツとともに当該ユーザや当該フィードバックを提示する処理が行われる。
ステップＳ１６１において、受け入れ予測部５３は、受け入れ予測を行う。具体的には、受け入れ予測部５３は、図２０のステップＳ１０１と同様の処理により、ＣＵタプルまたはＵタプルに対する複数のユーザ（アクティブユーザ）の受け入れ予測を行う。受け入れ予測部５３は、予測結果を予測集計部３０に通知する。
なお、受け入れ予測を行う対象となるアクティブユーザを、システム全体のユーザとしてもよいし、一部の特定のユーザ群としてもよい。
ステップＳ１６２において、予測集計部３０は、予測結果を集計する。具体的には、予測集計部１３１は、ユーザＩＤ毎（Ｕタプル毎）に予測受け入れ度の集計を行い、平均値などの統計量を求める。
例えば、図３０の受け入れ予測の結果を用いた場合、Ｕ１タプル（ユーザＵ１）に対する各アクティブユーザの予測受け入れ度の平均値は、0.493（＝（0.54＋0.60＋0.34）／3）となる。Ｕ２タプル（ユーザＵ２）に対する各アクティブユーザの予測受け入れ度の平均値は、0.455（＝（0.32＋0.21＋0.65＋0.23＋0.42＋0.90）／6）となる。Ｕ３タプル（ユーザＵ３）に対する各アクティブユーザの予測受け入れ度の平均値は、0.643（＝（0.88＋0.41＋0.64）／3）となる。Ｕ４タプル（ユーザＵ４）に対する各アクティブユーザの予測受け入れ度の平均値は、0.562（＝（0.54＋0.73＋0.63＋0.15＋0.78＋0.54）／6）となる。
そして、予測受け入れ度の平均値が大きいＵタプルほど、そのＵタプルに含まれるユーザがより多くのアクティブユーザに受け入れられやすい、換言すれば、各アクティブユーザに対する影響力がより大きいユーザであると言える。
そして、予測集計部３０は、集計結果を提示タプル選択部３３に通知する。
ステップＳ１６３において、提示タプル選択部３３は、提示タプルを選択する。具体的には、提示タプル選択部３３は、予測受け入れ度の平均値が高い方から順に所定数のＵタプルを選択し、選択したＵタプルに含まれるユーザを推薦者とする。従って、受け入れ予測の対象となる複数のアクティブユーザの予測受け入れ度がより高いＵタプルに含まれるユーザが、優先的に推薦者に選択される。
また、提示タプル選択部３３は、各アクティブユーザに推薦するコンテンツを選択する。例えば、提示タプル選択部３３は、コンテンツプロモーションＤＢ３１に登録されているコンテンツの中から所定数のコンテンツを推薦コンテンツに選択する。
あるいは、例えば、提示タプル選択部３３は、推薦者を含む各ＣＵタプルについて、予測受け入れ度の平均値を求める。そして、提示タプル選択部３３は、予測受け入れ度の平均値が高い方から順に所定数のＣＵタプルを選択し、選択したＣＵタプルに含まれるコンテンツを推薦コンテンツに選択する。
提示タプル選択部３３は、選択した推薦者と推薦コンテンツの組み合わせからなるＣＵタプルを提示タプルに設定する。提示タプル選択部３３は、提示タプルをフィードバック誘導部３５および提示制御部３４に通知する。
ステップＳ１６４において、図２８のステップＳ１２４の処理と同様にして、推薦者に推薦コンテンツへのフィードバックが促される。
ステップＳ１６５において、図２９のステップＳ１２５の処理と同様にして、コンテンツの提示が行われる。これにより、各アクティブユーザのユーザ端末１２において推薦コンテンツを提示する場合に、推薦者、または、推薦者が推薦コンテンツに付与したフィードバックのうち少なくとも一方が、推薦コンテンツとともに提示される。
その後、処理は終了する。
このようにして、例えば、コンテンツのプロモーションを行う場合に、多くのアクティブユーザに受け入れられやすい影響力の大きいユーザや、当該ユーザが付与したフィードバックが、優先的にコンテンツとともに提示されるようになる。これにより、各アクティブユーザが提示されたコンテンツを受け入れる可能性が高くなる。
（ユーザ推薦処理）
次に、図３３のフローチャートを参照して、サーバ１１により実行されるユーザ推薦処理について説明する。
なお、この処理では、アクティブユーザが受け入れやすいユーザ、換言すれば、アクティブユーザに影響を与えやすいユーザを見つけ、アクティブユーザに提示する処理が行われる。
ステップＳ１８１において、受け入れ予測部５３は、受け入れ予測を行う。具体的には、受け入れ予測部５３は、図２０のステップＳ１０１と同様の処理により、ユーザを少なくとも含むタプル、すなわち、ＣＵＦタプル、ＣＵタプル、ＵＦタプルまたはＵタプルに対するアクティブユーザの受け入れ予測を行う。受け入れ予測部５３は、予測結果を予測集計部３０に通知する。
ステップＳ１８２において、予測集計部３０は、予測結果を集計する。具体的には、予測集計部３０は、図２９のステップＳ１４２と同様の処理により、ユーザＩＤ毎（Ｕタプル毎）に予測受け入れ度の平均値を求める。予測集計部３０は、集計結果を提示タプル選択部３３に通知する。
ステップＳ１８３において、提示タプル選択部３３は、アクティブユーザに推薦するユーザを選択する。具体的には、提示タプル選択部３３は、予測受け入れ度の高い方から順に所定数のＵタプルを提示タプルに選択する。そして、この提示タプルに含まれるユーザが、アクティブユーザに推薦するユーザ（以下、この処理において推薦ユーザと称する）となる。従って、より予測受け入れ度が高いＵタプルに含まれるユーザが、優先的に推薦ユーザに選択される。
そして、提示タプル選択部３３は、提示タプルを提示制御部３４に通知する。
ステップＳ１８４において、サーバ１１は、アクティブユーザにユーザを推薦する。具体的には、提示制御部３４は、提示タプルに含まれる推薦ユーザに関する情報をユーザＤＢ２７から取得する。また、提示制御部３４は、フィードバックＤＢ２３に格納されている情報の中から、推薦ユーザが付与したフィードバックに関する情報を１つ以上取得する。さらに、提示制御部３４は、取得したフィードバックの対象となるコンテンツに関する情報（メタデータ）をコンテンツメタデータＤＢ２８から取得する。
提示制御部３４は、取得した情報に基づいて、アクティブユーザに推薦ユーザを推薦するためのユーザ推薦画面の表示用の表示データを生成する。そして、提示制御部３４は、生成した表示データを、通信部２１およびネットワーク１３を介して、アクティブユーザのユーザ端末１２に送信する。
アクティブユーザのユーザ端末１２は、サーバ１１から受信した表示データに基づいて、ユーザ推薦画面を表示する。このとき、推薦ユーザがフィードバックを付与しているコンテンツの少なくとも一部、および、そのフィードバックの内容が、推薦ユーザに関する情報とともに提示される。
その後、処理は終了する。
このようにして、アクティブユーザが受け入れやすいユーザを推薦することができる。
以上のようにして、例えば、アクティブユーザは、未知のコンテンツに対して、適切な他のユーザのフィードバック情報をもとに、購入や利用等の判断を行うことができるようになる。
また、サービス提供者は、アクティブユーザがより多くのコンテンツやユーザを受け入れ、コンテンツやサービスの購入機会および利用機会の増大を期待することができる。
＜２．変形例＞
以下、本技術の実施の形態の変形例について説明する。
［変形例１］
以上の説明では、受け入れ予測の集計を行う際に、予測受け入れ度の平均値を算出し、その平均値に基づいて、提示タプル等を選択する例を示したが、平均値以外の統計値を用いるようにしてもよい。例えば、予測受け入れ度の合計値、最大値、分散値等を用いたり、複数の統計値を組み合わせて用いたりするようにしてもよい。
［変形例２］
また、以上の説明では、ＣＵＦタプルに対するメタフィードバックに基づいて、受け入れモデルを生成し、予測受け入れ度を求める例を示したが、本技術は、例えば、ＣＦタプルに対するメタフィードバックを用いるようにすることも可能である。
すなわち、コンテンツと当該コンテンツに対するフィードバックに対するメタフィードバックを収集し、収集したメタフィードバックに基づいて、受け入れモデルを生成し、予測受け入れ度を求めるようにしてもよい。この場合、上述したコンテンツ推薦処理のうち、ＣＦタプルまたはＦタプルに対する予測受け入れ度を用いる処理を行うことが可能である。
［変形例３］
さらに、以上の説明では、提示タプルを選択する際に、予測受け入れ度が高い方から順にタプルを選択する例を示したが、他の方法により、予測受け入れ度が高いタプルを優先して選択するようにしてもよい。例えば、予測受け入れ度が閾値以上のタプルを選択するようにしてもよい。
［コンピュータの構成例］
上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、コンピュータにインストールされる。ここで、コンピュータには、専用のハードウエアに組み込まれているコンピュータや、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどが含まれる。
図３４は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。
コンピュータにおいて、CPU（Central Processing Unit）４０１，ROM（Read Only Memory）４０２，RAM（Random Access Memory）４０３は、バス４０４により相互に接続されている。
バス４０４には、さらに、入出力インタフェース４０５が接続されている。入出力インタフェース４０５には、入力部４０６、出力部４０７、記憶部４０８、通信部４１９、及びドライブ４１０が接続されている。
入力部４０６は、キーボード、マウス、マイクロフォンなどよりなる。出力部４０７は、ディスプレイ、スピーカなどよりなる。記憶部４０８は、ハードディスクや不揮発性のメモリなどよりなる。通信部４１９は、ネットワークインタフェースなどよりなる。ドライブ４１０は、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリなどのリムーバブルメディア４１１を駆動する。
以上のように構成されるコンピュータでは、CPU４０１が、例えば、記憶部４０８に記憶されているプログラムを、入出力インタフェース４０５及びバス４０４を介して、RAM４０３にロードして実行することにより、上述した一連の処理が行われる。
コンピュータ（CPU４０１）が実行するプログラムは、例えば、パッケージメディア等としてのリムーバブルメディア４１１に記録して提供することができる。また、プログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供することができる。
コンピュータでは、プログラムは、リムーバブルメディア４１１をドライブ４１０に装着することにより、入出力インタフェース４０５を介して、記憶部４０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部４１９で受信し、記憶部４０８にインストールすることができる。その他、プログラムは、ROM４０２や記憶部４０８に、あらかじめインストールしておくことができる。
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、システムの用語は、複数の装置、手段などより構成される全体的な装置を意味するものとする。
さらに、本技術の実施の形態は、上述した実施の形態に限定されるものではなく、本技術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。
また、例えば、本技術は以下のような構成も取ることができる。
（１）
コンテンツ、ユーザ、および、当該コンテンツに対する当該ユーザのフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集する収集部と、
収集された前記メタフィードバックに基づいて、コンテンツ、ユーザ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める予測部と
を含む情報処理装置。
（２）
前記予測受け入れ度に基づいて、前記アクティブユーザに提示するコンテンツと、当該コンテンツにフィードバックを付与したユーザおよび当該フィードバックの少なくとも一方とを含む組み合わせを選択する選択部と、
選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるユーザまたはフィードバックの少なくとも一方を前記アクティブユーザに提示するように制御する提示制御部と
をさらに含む前記（１）に記載の情報処理装置。
（３）
前記選択部は、前記予測受け入れ度がより高い組み合わせを優先して選択する
前記（２）に記載の情報処理装置。
（４）
コンテンツとユーザの組み合わせに対する前記アクティブユーザの前記予測受け入れ度、または、ユーザに対する前記アクティブユーザの前記予測受け入れ度に基づいて、フィードバックの付与を促すコンテンツとユーザの組み合わせを選択する選択部と、
選択された組み合わせに含まれるユーザに、前記選択された組み合わせに含まれるコンテンツに対するフィードバックの付与を促す誘導部と、
前記選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるユーザ、または、当該ユーザにより付与されたフィードバックの少なくとも一方を前記アクティブユーザに提示するように制御する提示制御部と
をさらに含む前記（１）に記載の情報処理装置。
（５）
前記選択部は、前記予測受け入れ度がより高いコンテンツとユーザの組み合わせ、または、前記予測受け入れ度がより高いユーザを含むコンテンツとユーザの組み合わせを優先して選択する
前記（４）に記載の情報処理装置。
（６）
複数の前記アクティブユーザの前記予測受け入れ度を、ユーザ毎、フィードバック毎、または、ユーザとフィードバックの組み合わせ毎に集計する集計部と、
前記予測受け入れ度の集計結果に基づいて、提示するコンテンツと、ユーザまたはフィードバックの少なくとも一方とを含む組み合わせを選択する選択部と、
選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるユーザまたはフィードバックの少なくとも一方を提示するように制御する提示制御部と
をさらに含む前記（１）に記載の情報処理装置。
（７）
前記選択部は、複数の前記アクティブユーザの前記予測受け入れ度がより高いユーザまたはフィードバックを含む組み合わせを優先して選択する
前記（６）に記載の情報処理装置。
（８）
コンテンツとユーザの組み合わせに対する複数の前記アクティブユーザの前記予測受け入れ度、または、ユーザに対する複数の前記アクティブユーザの前記予測受け入れ度を、ユーザ毎に集計する集計部と、
前記予測受け入れ度の集計結果に基づいて、フィードバックの付与を促すコンテンツとユーザの組み合わせを選択する選択部と、
前記選択された組み合わせに含まれるユーザに、前記選択された組み合わせに含まれるコンテンツに対するフィードバックの付与を促す誘導部と、
前記選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるユーザ、または、当該ユーザにより付与されたフィードバックの少なくとも一方を提示するように制御する提示制御部と
をさらに含む前記（１）に記載の情報処理装置。
（９）
前記選択部は、複数の前記アクティブユーザの前記予測受け入れ度がより高いユーザを含む組み合わせを優先して選択する
前記（８）に記載の情報処理装置。
（１０）
ユーザを少なくとも含む組み合わせに対する前記アクティブユーザの前記予測受け入れ度を、ユーザ毎に集計する集計部と、
前記アクティブユーザの前記予測受け入れ度がより高いユーザを優先して選択する選択部と、
選択したユーザを前記アクティブユーザに提示するように制御する提示制御部と
をさらに含む前記（１）に記載の情報処理装置。
（１１）
前記予測部は、
収集した前記メタフィードバックに基づいて、前記予測受け入れ度を求めるための受け入れモデルを生成する受け入れモデル生成部と、
前記受け入れモデルに基づいて、前記予測受け入れ度を求める受け入れ予測部と
を含むことを特徴とする前記（１）乃至（１０）のいずれかに記載の情報処理装置。
（１２）
情報処理装置が、
コンテンツ、ユーザ、および、当該コンテンツに対する当該ユーザのフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集し、
収集された前記メタフィードバックに基づいて、コンテンツ、ユーザ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める
ステップを含む情報処理方法。
（１３）
コンテンツ、ユーザ、および、当該コンテンツに対する当該ユーザのフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集し、
収集された前記メタフィードバックに基づいて、コンテンツ、ユーザ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める
ステップを含む処理をコンピュータに実行させるためのプログラム。
（１４）
コンテンツ、および、当該コンテンツに対するフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集する収集部と、
収集された前記メタフィードバックに基づいて、コンテンツ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める予測部と
を含む情報処理装置。
（１５）
前記予測受け入れ度に基づいて、前記アクティブユーザに提示するコンテンツと、当該コンテンツに付与されたフィードバックとを含む組み合わせを選択する選択部と、
選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるフィードバックを前記アクティブユーザに提示するように制御する提示制御部と
をさらに含む前記（１４）に記載の情報処理装置。
（１６）
複数の前記アクティブユーザの前記予測受け入れ度を、フィードバック毎に集計する集計部と、
前記予測受け入れ度の集計結果に基づいて、提示するコンテンツとフィードバックを含む組み合わせを選択する選択部と、
選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるフィードバックを提示するように制御する提示制御部と
をさらに含む前記（１４）に記載の情報処理装置。
（１７）
前記予測部は、
収集した前記メタフィードバックに基づいて、前記予測受け入れ度を求めるための受け入れモデルを生成する受け入れモデル生成部と、
前記受け入れモデルに基づいて、前記予測受け入れ度を求める受け入れ予測部と
を含むことを特徴とする前記（１４）に記載の情報処理装置。
（１８）
情報処理装置が、
コンテンツ、および、当該コンテンツに対するフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集し、
収集された前記メタフィードバックに基づいて、コンテンツ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める
ステップを含む情報処理方法。
（１９）
コンテンツ、および、当該コンテンツに対するフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集し、
収集された前記メタフィードバックに基づいて、コンテンツ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める
ステップを含む処理をコンピュータに実行させるためのプログラム。
１ 情報処理システム， １１ サーバ， １２ ユーザ端末， ２２ フィードバック収集部， ２３ フィードバックＤＢ， ２４ メタフィードバックＤＢ， ２５ フィードバック解析部， ２６ フィードバック判別部， ２７ ユーザＤＢ， ２８ コンテンツメタデータＤＢ， ２９ 予測部， ３０ 予測集計部， ３１ コンテンツプロモーションＤＢ， ３２ ユーザネットワークＤＢ， ３３ 提示タプル選択部， ３４ 提示制御部， ３５ フィードバック誘導部， ５１ 受け入れモデル生成部， ５２ 受け入れモデルＤＢ， ５３ 受け入れ予測部

Claims (19)

  1. コンテンツ、ユーザ、および、当該コンテンツに対する当該ユーザのフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集する収集部と、
    収集された前記メタフィードバックに基づいて、コンテンツ、ユーザ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める予測部と
    を含む情報処理装置。
  2. 前記予測受け入れ度に基づいて、前記アクティブユーザに提示するコンテンツと、当該コンテンツにフィードバックを付与したユーザおよび当該フィードバックの少なくとも一方とを含む組み合わせを選択する選択部と、
    選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるユーザまたはフィードバックの少なくとも一方を前記アクティブユーザに提示するように制御する提示制御部と
    をさらに含む請求項１に記載の情報処理装置。
  3. 前記選択部は、前記予測受け入れ度がより高い組み合わせを優先して選択する
    請求項２に記載の情報処理装置。
  4. コンテンツとユーザの組み合わせに対する前記アクティブユーザの前記予測受け入れ度、または、ユーザに対する前記アクティブユーザの前記予測受け入れ度に基づいて、フィードバックの付与を促すコンテンツとユーザの組み合わせを選択する選択部と、
    選択された組み合わせに含まれるユーザに、前記選択された組み合わせに含まれるコンテンツに対するフィードバックの付与を促す誘導部と、
    前記選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるユーザ、または、当該ユーザにより付与されたフィードバックの少なくとも一方を前記アクティブユーザに提示するように制御する提示制御部と
    をさらに含む請求項１に記載の情報処理装置。
  5. 前記選択部は、前記予測受け入れ度がより高いコンテンツとユーザの組み合わせ、または、前記予測受け入れ度がより高いユーザを含むコンテンツとユーザの組み合わせを優先して選択する
    請求項４に記載の情報処理装置。
  6. 複数の前記アクティブユーザの前記予測受け入れ度を、ユーザ毎、フィードバック毎、または、ユーザとフィードバックの組み合わせ毎に集計する集計部と、
    前記予測受け入れ度の集計結果に基づいて、提示するコンテンツと、ユーザまたはフィードバックの少なくとも一方とを含む組み合わせを選択する選択部と、
    選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるユーザまたはフィードバックの少なくとも一方を提示するように制御する提示制御部と
    をさらに含む請求項１に記載の情報処理装置。
  7. 前記選択部は、複数の前記アクティブユーザの前記予測受け入れ度がより高いユーザまたはフィードバックを含む組み合わせを優先して選択する
    請求項６に記載の情報処理装置。
  8. コンテンツとユーザの組み合わせに対する複数の前記アクティブユーザの前記予測受け入れ度、または、ユーザに対する複数の前記アクティブユーザの前記予測受け入れ度を、ユーザ毎に集計する集計部と、
    前記予測受け入れ度の集計結果に基づいて、フィードバックの付与を促すコンテンツとユーザの組み合わせを選択する選択部と、
    前記選択された組み合わせに含まれるユーザに、前記選択された組み合わせに含まれるコンテンツに対するフィードバックの付与を促す誘導部と、
    前記選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるユーザ、または、当該ユーザにより付与されたフィードバックの少なくとも一方を提示するように制御する提示制御部と
    をさらに含む請求項１に記載の情報処理装置。
  9. 前記選択部は、複数の前記アクティブユーザの前記予測受け入れ度がより高いユーザを含む組み合わせを優先して選択する
    請求項８に記載の情報処理装置。
  10. ユーザを少なくとも含む組み合わせに対する前記アクティブユーザの前記予測受け入れ度を、ユーザ毎に集計する集計部と、
    前記アクティブユーザの前記予測受け入れ度がより高いユーザを優先して選択する選択部と、
    選択したユーザを前記アクティブユーザに提示するように制御する提示制御部と
    をさらに含む請求項１に記載の情報処理装置。
  11. 前記予測部は、
    収集した前記メタフィードバックに基づいて、前記予測受け入れ度を求めるための受け入れモデルを生成する受け入れモデル生成部と、
    前記受け入れモデルに基づいて、前記予測受け入れ度を求める受け入れ予測部と
    を含むことを特徴とする請求項１に記載の情報処理装置。
  12. 情報処理装置が、
    コンテンツ、ユーザ、および、当該コンテンツに対する当該ユーザのフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集し、
    収集された前記メタフィードバックに基づいて、コンテンツ、ユーザ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める
    ステップを含む情報処理方法。
  13. コンテンツ、ユーザ、および、当該コンテンツに対する当該ユーザのフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集し、
    収集された前記メタフィードバックに基づいて、コンテンツ、ユーザ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める
    ステップを含む処理をコンピュータに実行させるためのプログラム。
  14. コンテンツ、および、当該コンテンツに対するフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集する収集部と、
    収集された前記メタフィードバックに基づいて、コンテンツ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める予測部と
    を含む情報処理装置。
  15. 前記予測受け入れ度に基づいて、前記アクティブユーザに提示するコンテンツと、当該コンテンツに付与されたフィードバックとを含む組み合わせを選択する選択部と、
    選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるフィードバックを前記アクティブユーザに提示するように制御する提示制御部と
    をさらに含む請求項１４に記載の情報処理装置。
  16. 複数の前記アクティブユーザの前記予測受け入れ度を、フィードバック毎に集計する集計部と、
    前記予測受け入れ度の集計結果に基づいて、提示するコンテンツとフィードバックを含む組み合わせを選択する選択部と、
    選択された組み合わせに含まれるコンテンツとともに、前記選択された組み合わせに含まれるフィードバックを提示するように制御する提示制御部と
    をさらに含む請求項１４に記載の情報処理装置。
  17. 前記予測部は、
    収集した前記メタフィードバックに基づいて、前記予測受け入れ度を求めるための受け入れモデルを生成する受け入れモデル生成部と、
    前記受け入れモデルに基づいて、前記予測受け入れ度を求める受け入れ予測部と
    を含むことを特徴とする請求項１４に記載の情報処理装置。
  18. 情報処理装置が、
    コンテンツ、および、当該コンテンツに対するフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集し、
    収集された前記メタフィードバックに基づいて、コンテンツ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める
    ステップを含む情報処理方法。
  19. コンテンツ、および、当該コンテンツに対するフィードバックを含む組み合わせに対するフィードバックであるメタフィードバックを収集し、
    収集された前記メタフィードバックに基づいて、コンテンツ、および、フィードバックの少なくとも１つを含む組み合わせを対象となるユーザであるアクティブユーザが受け入れる度合いの予測値である予測受け入れ度を求める
    ステップを含む処理をコンピュータに実行させるためのプログラム。
JP2011168975A 2011-08-02 2011-08-02 情報処理装置、情報処理方法、および、プログラム Withdrawn JP2013033376A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2011168975A JP2013033376A (ja) 2011-08-02 2011-08-02 情報処理装置、情報処理方法、および、プログラム
CN201210262513.0A CN103198082B (zh) 2011-08-02 2012-07-26 信息处理装置和信息处理方法
US13/559,099 US8943012B2 (en) 2011-08-02 2012-07-26 Information processing device, information processing method, and program
US14/593,209 US20150120634A1 (en) 2011-08-02 2015-01-09 Information processing device, information processing method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2011168975A JP2013033376A (ja) 2011-08-02 2011-08-02 情報処理装置、情報処理方法、および、プログラム

Publications (1)

Publication Number Publication Date
JP2013033376A true JP2013033376A (ja) 2013-02-14

Family

ID=47627606

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2011168975A Withdrawn JP2013033376A (ja) 2011-08-02 2011-08-02 情報処理装置、情報処理方法、および、プログラム

Country Status (3)

Country Link
US (2) US8943012B2 (ja)
JP (1) JP2013033376A (ja)
CN (1) CN103198082B (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014219815A (ja) * 2013-05-07 2014-11-20 株式会社 ディー・エヌ・エー 電子コンテンツを推奨するシステム
US9137322B2 (en) 2013-11-05 2015-09-15 DeNA Co., Ltd. System and method for providing electronic content

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9460416B2 (en) * 2012-08-16 2016-10-04 Microsoft Technology Licensing, Llc Reading mode for interactive slide presentations with accompanying notes
US20140298364A1 (en) * 2013-03-26 2014-10-02 Rawllin International Inc. Recommendations for media content based on emotion
US9619470B2 (en) 2014-02-04 2017-04-11 Google Inc. Adaptive music and video recommendations
CN110647356A (zh) * 2018-06-27 2020-01-03 北京中科寒武纪科技有限公司 运算装置及相关产品
US11922328B1 (en) * 2023-04-10 2024-03-05 Snowflake Inc. Generating machine-learning model for document extraction

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995017711A1 (en) * 1993-12-23 1995-06-29 Diacom Technologies, Inc. Method and apparatus for implementing user feedback
JP4065516B2 (ja) * 2002-10-21 2008-03-26 キヤノン株式会社 情報処理装置及び情報処理方法
JP2007058842A (ja) 2005-07-26 2007-03-08 Sony Corp 情報処理装置、特徴抽出方法、記録媒体、および、プログラム
US8359276B2 (en) * 2006-09-20 2013-01-22 Microsoft Corporation Identifying influential persons in a social network
JP4240096B2 (ja) * 2006-09-21 2009-03-18 ソニー株式会社 情報処理装置および方法、プログラム並びに記録媒体
EP2073130A1 (en) * 2007-12-17 2009-06-24 Sony Corporation Method and device for content recommendation
US20100125507A1 (en) * 2008-11-17 2010-05-20 Escape Media Group, Inc. Method and system for presenting sponsored content
JP5359399B2 (ja) * 2009-03-11 2013-12-04 ソニー株式会社 テキスト分析装置および方法、並びにプログラム
US20110093520A1 (en) * 2009-10-20 2011-04-21 Cisco Technology, Inc.. Automatically identifying and summarizing content published by key influencers
JP5446800B2 (ja) * 2009-12-04 2014-03-19 ソニー株式会社 情報処理装置、情報処理方法、及びプログラム
CN102075352B (zh) * 2010-12-17 2013-10-16 北京邮电大学 一种网络用户行为预测的方法和装置
WO2012090697A1 (ja) * 2010-12-28 2012-07-05 日本電気株式会社 サーバ装置、行動促進抑制システム、行動促進抑制方法および記録媒体
US10390090B2 (en) * 2010-12-30 2019-08-20 Sony Corporation System and method for social interaction about content items such as movies

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014219815A (ja) * 2013-05-07 2014-11-20 株式会社 ディー・エヌ・エー 電子コンテンツを推奨するシステム
US9137322B2 (en) 2013-11-05 2015-09-15 DeNA Co., Ltd. System and method for providing electronic content

Also Published As

Publication number Publication date
US8943012B2 (en) 2015-01-27
CN103198082B (zh) 2017-06-09
US20150120634A1 (en) 2015-04-30
US20130036081A1 (en) 2013-02-07
CN103198082A (zh) 2013-07-10

Similar Documents

Publication Publication Date Title
US8234311B2 (en) Information processing device, importance calculation method, and program
Schedl et al. Music recommendation systems: Techniques, use cases, and challenges
US8156138B2 (en) System and method for providing targeted content
US20150120634A1 (en) Information processing device, information processing method, and program
US9639846B2 (en) System and method for providing targeted content
WO2018040069A1 (zh) 信息推荐系统及方法
EP2068276A1 (en) Information processing device and method, program, and recording medium
US9922110B2 (en) Information processing apparatus, information processing method, and program
JP2013088832A (ja) 情報処理装置、情報処理方法、および、プログラム
Rafeh et al. An adaptive approach to dealing with unstable behaviour of users in collaborative filtering systems
US20130318021A1 (en) Information processing apparatus, information processing method, and program
JP4538760B2 (ja) 情報処理装置および方法、プログラム、並びに記録媒体
US20220114624A1 (en) Digital Content Text Processing and Review Techniques
JP2011215679A (ja) 文書推薦システム、文書推薦装置、文書推薦方法、及びプログラム
JP2017182724A (ja) アイテム推薦プログラム、アイテム推薦方法およびアイテム推薦装置
JP2018073429A (ja) 検索装置、検索方法および検索プログラム
US20090198553A1 (en) System and process for generating a user model for use in providing personalized advertisements to retail customers
US20090198552A1 (en) System and process for identifying users for which cooperative electronic advertising is relevant
Tacchini Serendipitous mentorship in music recommender systems
US20090198556A1 (en) System and process for selecting personalized non-competitive electronic advertising
JP2010277462A (ja) 行動推薦装置及び方法及びプログラム
Raharjo et al. Machine learning system implementation of education podcast recommendations on spotify applications using content-based filtering and tf-idf
JP2018073250A (ja) 検索装置、検索方法および検索プログラム
US20090199233A1 (en) System and process for generating a selection model for use in personalized non-competitive advertising
Lee et al. The hierarchy-of-effects model and prelaunch forecasting

Legal Events

Date Code Title Description
A300 Application deemed to be withdrawn because no request for examination was validly filed

Free format text: JAPANESE INTERMEDIATE CODE: A300

Effective date: 20141007