JP2013105215A - レコメンド情報生成装置、レコメンド情報生成方法及びレコメンド情報生成プログラム - Google Patents

Abstract

【課題】特徴辞書を更新した後のユーザ特徴ベクトルの計算にかかる負荷を軽減することを目的とする。
【解決手段】特徴辞書に含まれる特徴要素に基づいて作成される、コンテンツに対するユーザの嗜好を表すユーザ特徴ベクトルに基づいてレコメンド情報を生成するレコメンド情報生成装置であって、更新された特徴辞書に基づいて更新されるユーザ特徴ベクトルを有するユーザである更新対象ユーザを決定する更新対象ユーザ決定手段と、更新された更新対象ユーザのユーザ特徴ベクトルに基づいて前記更新対象ユーザ以外のユーザのユーザ特徴ベクトルを推定するユーザ特徴ベクトル推定手段と、を有する、レコメンド情報生成装置を提供する。
【選択図】図３

Description

本発明は、レコメンド情報生成装置、レコメンド情報生成方法及びレコメンド情報生成プログラムに関する。

レコメンデーション技術においては、ユーザが過去に利用したコンテンツをもとに、個人の嗜好性を学習し、当該ユーザに特徴が類似するコンテンツを推薦する。これを実現するための技術としては、非特許文献１にあるようにコンテンツフィルタリングという技術が用いられる。

以下にコンテンツフィルタリングの方法について述べる。

例として１日１回レコメンドを更新するような動画視聴サービスを想定する。また、ユーザが利用する端末（ユーザ端末）とレコメンド情報生成装置が互いに通信接続している形態で実現されているとする。このとき、ユーザ端末上でユーザが１つ以上の動画コンテンツを利用すると、ユーザ端末はそれらのコンテンツ利用履歴をレコメンド情報生成装置にアップロードする。その後、レコメンド情報生成装置は、非特許文献１にあるように次の３ステップで処理を行うことによりコンテンツフィルタリングを実現する。
（１）コンテンツを特徴付けるキーワード（特徴要素）を規定した特徴辞書を用いてコンテンツの特徴をコンテンツ特徴ベクトルとして表現する
（２）ユーザのコンテンツ利用履歴に基づき、各ユーザの嗜好性を示す、ユーザ特徴ベクトルを計算する
（３）コンテンツ特徴ベクトルとユーザ特徴ベクトルの類似度を計算し、類似度の高いコンテンツをレコメンド対象とする

（１）においては、当該サービスで提供しているコンテンツそれぞれについてコンテンツ特徴ベクトルを計算することになる。コンテンツ特徴ベクトルにおけるベクトルの各要素は特徴要素で表される。特徴要素は、コンテンツを特徴付けると考えられるキーワードであり、どのようなキーワードを特徴要素とするかを規定したものが特徴辞書である。具体的には｛野球、感動、空、・・・｝などのキーワードの羅列がもっとも単純な特徴辞書の例である。

ここで各コンテンツに付随するメタデータに対して、特徴辞書内のキーワードがどれだけ含まれているか、についてそれぞれ計算を行う。例えば、あるコンテンツのメタデータには「野球」という言葉が１つ入っており、「空」という言葉が１つ入っていれば、コンテンツ特徴ベクトルのそれぞれの特徴要素は｛１,０,１,・・・｝のように表すことができる。このように、コンテンツ特徴ベクトルの成分は、コンテンツ及び特徴要素に応じた値を有する。該ユーザが好むコンテンツ及び前記特徴要素に応じた値を有することとなる。この例では、どのキーワードについても１つ入っていたら、特徴要素の値を１としたが、これはもっとも単純な例であり、キーワードによってその値は可変であってもかまわない。この計算を当該サービスで提供しているコンテンツそれぞれについて実施すると次の（２）に処理が移る。

次に（２）ではユーザ特徴ベクトルを計算する。

全ユーザのうち、この処理で対象となるユーザは、通常、最後にレコメンド情報を生成した日時以降に、新たにコンテンツ利用履歴を送ってきたユーザとなる。なぜなら、新たにコンテンツ利用履歴を送ってきていないユーザは利用履歴に変化がないため、前回計算時からユーザ特徴ベクトルを更新する必要がないからである。

ユーザのこれまでのコンテンツ利用履歴（新たに送ってきた分のみならず、過去の分も含む）に含まれるコンテンツのメタデータを先ほどの特徴辞書内のキーワードを以ってマッチングをかける。利用したコンテンツが複数あればその分マッチング対象となるメタデータも複数となる。例えばこれまでに１０個のコンテンツのコンテンツ利用履歴をアップロードしたユーザの場合は、当該１０個のコンテンツに付随するメタデータ全体に対して、キーワードをマッチングさせることになる。計算方法は（１）と同様に実現できる。この結果、ユーザのユーザ特徴ベクトルの成分は、該ユーザが好むコンテンツ及び特徴要素に応じた値を有することとなる。

最後に（３）で全てのユーザ特徴ベクトルと、全てのコンテンツ特徴ベクトルの類似度を計算し、各ユーザについて類似度の近いコンテンツ特徴ベクトルを持つコンテンツのＩＤを記載したレコメンドリストを作成する。

以上が、通常のレコメンド計算の概要である。

ユーザの関心を推定するための特徴ベクトルの類似度を計算する例は、特許文献１又は特許文献２に開示されている。

特開２００９−７４６６４号公報 特開２００４−３４８６０７号公報

深澤，宮川，原，太田著「Ranking SVMを用いたコンテンツフィルタリングレコメンドシステムの開発」、人工知能学会論文誌12巻1号a，1997年

ところが、例えば、新たな固有名詞を取り込むための特徴辞書の更新がなされた場合、全ユーザを対象にユーザ特徴ベクトルの更新を行う必要がある。特徴辞書の更新に伴う全ユーザのユーザ特徴ベクトルの更新には、通常時のユーザ特徴ベクトルの計算に比べて、一般に数倍の計算量が必要となる。ユーザレコメンド情報を随時提供するためには、一定の時間内にユーザ特徴ベクトル計算処理を完了しなければならないが、特徴辞書の更新時の計算量に合わせて計算リソースを準備するのは経済的に非効率である。

本発明は、上記問題に鑑みてなされたものであり、特徴辞書を更新した後のユーザ特徴ベクトルの計算にかかる負荷を軽減することを目的とする。

上述した課題を解決し目的を達成するため、本発明にかかるレコメンド情報生成装置は、特徴辞書に含まれる特徴要素に基づいて作成される、コンテンツに対するユーザの嗜好を表すユーザ特徴ベクトルに基づいてレコメンド情報を生成するレコメンド情報生成装置であって、更新された特徴辞書に基づいて更新されるユーザ特徴ベクトルを有するユーザである更新対象ユーザを決定する更新対象ユーザ決定手段と、更新された更新対象ユーザのユーザ特徴ベクトルに基づいて前記更新対象ユーザ以外のユーザのユーザ特徴ベクトルを推定するユーザ特徴ベクトル推定手段と、を有する。

本発明によれば、特徴辞書を更新した後のユーザ特徴ベクトルの計算にかかる負荷を軽減することができる。

本発明の一実施形態におけるレコメンド情報生成装置の概要を表す図。 本発明の一実施形態におけるレコメンド情報生成装置のハードウェア構成例を表す図。 本発明の一実施形態によるレコメンド情報生成装置の機能ブロック図。 本発明の一実施形態によるレコメンド情報生成装置の処理のフローチャート。 既存の特徴辞書の例を表す図。 新たな特徴辞書の例を表す図。 特徴要素インデックス表の例を表す図。 特徴辞書が更新される前のユーザ特徴ベクトルの例を表す図。 ユーザのクラスタリングの例を表す図。 更新対象ユーザについてユーザ特徴ベクトルを計算した例を表す図。 更新待ちユーザ表の例を表す図。 更新待ちユーザの重複要素についてユーザ特徴ベクトルを推定した例を表す図。 更新待ちユーザの非重複要素についてユーザ特徴ベクトルを推定した例を表す図。 更新待ちユーザのクラスタリングの例を表す図。 更新対象ユーザについてユーザ特徴ベクトルを計算した例を表す図。 更新待ちユーザ表の更新の例を表す図。 更新待ちユーザについてユーザ特徴ベクトルを推定した例を表す図。

以下、本発明の実施形態を図面に基づいて説明する。

１．概要
２．ハードウェア構成
３．機能
４．処理フロー
４．１ 特徴辞書更新直後の処理
４．２ ２回目以降の処理

（１．概要）
図１は、本発明の一実施形態におけるレコメンド情報生成装置１００を含むシステム１の概要を表す。システム１は、レコメンド情報生成装置１００と複数のユーザ端末１０１とを有する。

レコメンド情報生成装置１００は、特徴辞書を用いて、コンテンツ利用履歴を送信したユーザ端末１０１のユーザのユーザ特徴ベクトルを更新する。レコメンド情報生成装置１００は、特徴辞書が更新された場合には、一部のユーザのユーザ特徴ベクトルのみを再計算する。一部のユーザとは、ユーザをクラスタリングして得られるクラスタの代表ユーザである。代表ユーザには、特徴辞書が更新された後、コンテンツ利用履歴を送信したユーザが含まれる。一方で、レコメンド情報生成装置１００は、代表ユーザでない他のユーザのユーザ特徴ベクトルを、再計算された代表ユーザのユーザ特徴ベクトルに基づいて推定する。そして、得られた全ユーザのユーザ特徴ベクトルを用いてレコメンド情報を生成する。

ユーザ端末１０１は、ユーザがコンテンツの利用に用いる端末であり、コンテンツを利用するたびに、又は一定の間隔ごとに、コンテンツ利用履歴をレコメンド情報生成装置１００に対して送信する。コンテンツ利用履歴は、一般的にはインターネット等のネットワークを用いて送信される。

このように、システム１に含まれるレコメンド情報生成装置１００は、特徴辞書が更新された後に、一部のユーザのユーザ特徴ベクトルを推定してレコメンド情報を生成することで、処理負荷の急増を抑制することが可能となる。

（２．ハードウェア構成）
図２は、本発明の一実施形態におけるレコメンド情報生成装置１００のハードウェア構成例を表す。レコメンド情報生成装置１００は、ＣＰＵ２００、ＲＯＭ２０１、ＲＡＭ２０２、ＨＤＤ２０３、ネットワークコントーラ２０４、通信装置２０５、グラフィックスコントローラ２０６、表示装置２０７、入力コントローラ２０８、入力装置２０９、バス２１０を有する。

ＣＰＵ２００は、本発明の一実施形態におけるレコメンド情報生成装置１００で実行可能なレコメンド情報生成プログラムの動作制御を行う。ＲＯＭ２０１は、ＣＰＵ２００が実行するレコメンド情報生成プログラムの動作に必要なＯＳやデータ等を記憶する。ＲＡＭ２０２は、ＣＰＵ２００のワークエリア等を構成する。ＨＤＤ２０３は、レコメンド情報生成プログラム本体や特徴辞書、ユーザ特徴ベクトル、コンテンツ特徴ベクトル、ユーザ情報、コンテンツのメタデータ等を記憶する。ネットワークコントローラ２０４は、通信装置２０５を介して、ネットワークに接続されるユーザ端末１０１と通信を行うための通信制御を行う。グラフィックスコントローラ２０６は、ＣＲＴ又は液晶ディスプレイ等の表示装置２０７を介して、当該レコメンド情報生成装置１００のオペレータに操作画面や情報を提供するための制御を行う。入力コントローラ２０８は、キーボード又はマウス等の入力装置２０９を介してオペレータから入力される信号を制御する。バス２１０は、当該レコメンド情報生成装置１００を構成する上記装置を相互に接続し、データのやり取りを行うためのものである。

上記構成により、本発明の一実施形態に係る当該レコメンド情報生成装置１００は、特徴辞書が更新された後に、一部のユーザのユーザ特徴ベクトルを推定し、これを用いてレコメンド情報を生成することができる。

なお、当該レコメンド情報生成装置１００は、ユーザ端末１０１からアクセス可能なサーバ装置に統合されて提供されてもよい。このような場合には、レコメンド情報生成装置１００は、ネットワーク上の他の通信端末から操作され得るため、表示装置２０７、入力装置２０９は備えなくてもよい。

また、ＨＤＤ２０３は、テーブドライブであってもよい。または、ＨＤＤ２０３の有する機能が、ネットワーク上の、通信装置２０５を通じてアクセス可能な記憶装置に含まれていてもよい。

（３．機能）
図３は、本発明の一実施形態によるレコメンド情報生成装置１００の機能ブロック図を表す。レコメンド情報生成装置１００は、オペレータＩＦ３０１、特徴辞書管理手段３０２、クラスタリング手段３０３、ユーザ情報管理手段３０４、ユーザ特徴ベクトル推定手段３０５、メタデータ管理手段３０６、ユーザ特徴ベクトル計算管理手段３０７、コンテンツ特徴ベクトル計算管理手段３０８、レコメンド情報生成手段３０９、コンテンツ利用履歴管理手段３１０、受信機側ＩＦ３１１を有する。

オペレータＩＦ３０１は、オペレータが入力した更新された特徴辞書を受け取り、特徴辞書管理手段３０２に渡す。

特徴辞書管理手段３０２は、重複要素特定手段３１２を有し、オペレータＩＦ３０１から受け取った新たな特徴辞書と既存の特徴辞書とを管理する。また、特徴辞書管理手段３０２は、新たな特徴辞書に含まれるキーワードと、既存の特徴辞書に含まれるキーワードとを比較し、両方に含まれるキーワードを関連付けた特徴要素インデックス表を作成する。特徴要素インデックス表の具体例を図７に示す。以下、図７の例に基づいて情報要素インデックス表について説明する。

例えば、図５に示されるような既存の特徴辞書と、図６に示されるような新たな特徴辞書とが管理されているとする（図６において新たに追加された特徴要素を下線で示す）。図５と図６の表は、それぞれ特徴要素インデックスと特徴要素の項目を有する。特徴要素インデックスとは、特徴辞書内の特徴要素を一意に特定するインデックス番号であり、特徴要素はコンテンツの特徴を表すためのキーワードである。特徴辞書管理手段３０２は、この二つの特徴辞書の特徴要素を比較し、重複要素特定手段３１２によって重複する特徴要素（以下、「重複要素」とする）を特定する。そして、図７に示すように、重複する特徴要素について、新しい特徴辞書の特徴要素インデックス（新特徴要素インデックス）と、既存の特徴辞書の特徴要素インデックス（旧特徴要素インデックス）とを関連付ける（新たに追加された特徴要素を下線で示す）。

特徴辞書管理手段３０２は、ユーザ特徴ベクトルの推定を行うために、特徴辞書と特徴要素インデックス表とをユーザ特徴ベクトル推定手段３０５に渡す。また、特徴辞書管理手段３０２は、ユーザ特徴ベクトルとコンテンツ特徴ベクトルの計算のために、特徴辞書をユーザ特徴ベクトル計算管理手段３０７及びコンテンツ特徴ベクトル計算管理手段３０８に渡す。

クラスタリング手段３０３は、計算済又は更新済のユーザ特徴ベクトルに基づいてユーザのクラスタリングを行う。クラスタリングは、ユーザ特徴ベクトルの間の類似度が近いもの同士でクラスタを形成するようにする。類似度が近いものを特定するために、例えば以下で表されるコサイン距離を用いられるが、その他の適切な方法で算出してもよい。
<x・y>/(|x||y|)
<x・y>：ベクトルxとベクトルyとの内積
|x|：ベクトルxのノルム
クラスタリング手法は、k-means法など如何なる適切な方法でよい。クラスタ数は、全ユーザ数以下の他の適切な数でもよい。計算結果となるクラスタ情報は、更新対象ユーザ決定手段３１３に渡される。

ユーザ情報管理手段３０４は、更新対象ユーザ決定手段３１３を有し、更新された特徴辞書に関して、ユーザ特徴ベクトルを計算するユーザ（以下、「更新対象ユーザ」とする）と、推定により求めるユーザ（以下、「更新待ちユーザ」とする）とを管理する。

更新対象ユーザ決定手段３１３は、受け取ったクラスタ情報に基づいて、更新対象ユーザを決定する。更新対象ユーザは、少なくとも１つのクラスタから１人の更新対象ユーザが決定されるように定められる。まず、前回レコメンド情報を生成した時以降にコンテンツ利用履歴の更新があったユーザを、更新対象ユーザとして決定する。次に、コンテンツ利用履歴を送信したユーザが存在しないクラスタ内から、例えばコンテンツの利用率の高い一人以上のユーザを更新対象ユーザに決定する。なお、更新対象ユーザの総数は、例えば当該レコメンド情報生成装置１００に関連するユーザの数とその利用率との乗算によって定めることができる。利用率とは、例えば全ユーザにおけるアクティブユーザの割合などがある。この例において、ユーザの数が１０人であり、アクティブユーザの割合が３０％であるとすれば、更新対象ユーザの数は３人とすることができる。

ここで、更新された特徴辞書に対し、一度も更新対象ユーザに選ばれていないユーザは、更新待ちユーザとして管理される。例えば、更新待ちユーザは、図１１に例示されるように、更新待ちユーザ表を用いて管理される。更新待ちユーザ表に記載されるユーザが、一度更新対象ユーザとして選定されると、当該表からは削除される。

ユーザ情報管理手段３０４は、更新対象ユーザ決定手段３１３が決定した更新対象ユーザの情報を、ユーザ特徴ベクトル計算管理手段３０７に渡す。また、ユーザ情報管理手段３０４は、更新待ちユーザ表に基づいて更新待ちユーザの情報をユーザ特徴ベクトル推定手段３０５に渡す。

ユーザ情報管理手段３０４は、更新待ちユーザのユーザ特徴ベクトルの推定のために必要な、参照すべきユーザ（以下、「参照先ユーザ」とする）の情報も、ユーザ特徴ベクトル推定手段３０５に渡す。参照先ユーザは、同一クラスタ内の更新対象ユーザである。同一クラスタ内の更新対象ユーザの、計算されたユーザ特徴ベクトルが、更新待ちユーザのユーザ特徴ベクトルの推定のために用いられる。ここで、同一クラスタ内に複数の更新対象ユーザが存在する場合には、ユーザ特徴ベクトルの類似度が高い方を参照先ユーザとすることができる。

ユーザ特徴ベクトル推定手段３０５は、更新された特徴辞書に基づいて、更新待ちユーザのユーザ特徴ベクトルを推定する。この時、ユーザ情報管理手段３０４から受け取った、参照先ユーザの情報を用いて、ユーザ特徴ベクトルを推定する。具体的な推定の処理は、後に実施例に基づき説明する。ユーザ特徴ベクトル推定手段３０５は、推定された更新待ちユーザのユーザ特徴ベクトルをユーザ特徴ベクトル計算管理手段３０７へと渡す。

メタデータ管理手段３０６は、ユーザに提供されるコンテンツのメタデータを管理し、ユーザ特徴ベクトル計算管理手段３０７及びコンテンツ特徴ベクトル計算管理手段３０８へ渡す。メタデータには、特徴辞書内で指定されるようなキーワードが含まれ、ユーザ特徴ベクトル又はコンテンツ特徴ベクトルを計算するために用いられる。

ユーザ特徴ベクトル計算管理手段３０７は全ユーザのユーザ特徴ベクトルを保持し、当該情報をクラスタリング手段３０３へと提供する。また、特徴辞書、コンテンツのメタデータ、コンテンツ利用履歴管理手段３１０から受け取ったコンテンツ利用履歴に基づいて、更新対象ユーザについてのユーザ特徴ベクトルを計算する。また、計算された更新対象ユーザのユーザ特徴ベクトルを、ユーザ特徴ベクトル推定手段３０５へと渡す。そして、更新された特徴辞書について計算された更新対象ユーザのユーザ特徴ベクトルと、更新待ちユーザの推定されたユーザ特徴ベクトルとからなる全ユーザのユーザ特徴ベクトルを管理する。ユーザ特徴ベクトル計算管理手段３０７は、レコメンド情報を生成するために、全ユーザのユーザ特徴ベクトルをレコメンド情報生成手段３０９へと渡す。

コンテンツ特徴ベクトル計算管理３０８は、特徴辞書とコンテンツのメタデータに基づいて、各コンテンツのコンテンツ特徴ベクトルを計算して管理する。また、コンテンツ特徴ベクトル計算管理３０８は、計算されたコンテンツ特徴ベクトルをレコメンド情報生成手段３０９へ渡す。

レコメンド情報生成手段３０９は、全ユーザのユーザ特徴ベクトルとコンテンツ特徴ベクトルとの類似度を計算し、各ユーザのためのレコメンド情報を作成する。レコメンド情報生成手段３０９は、レコメンド情報を受信機側ＩＦ１１１に渡す。

コンテンツ利用履歴管理手段３１０は、受信機側ＩＦ３１１から受け取ったユーザのコンテンツ利用履歴情報を管理する。また、コンテンツ利用履歴管理手段３１０は、コンテンツ利用履歴をユーザ特徴ベクトル計算手段３０７に渡す。また、コンテンツ利用履歴管理手段３１０は、コンテンツ利用履歴の更新のあったユーザ情報をユーザ情報管理手段３０４に渡す。

受信機側ＩＦ３１１は、レコメンド情報生成手段３０９から受け取ったレコメンド情報を受信機へ送り、ユーザ端末１０１へと送信させる。また、ユーザ端末１０１から送信され、受信機で受信されたコンテンツ利用履歴を受け取り、コンテンツ利用履歴管理手段３１０に渡す。

以上の構成により、本発明の一実施形態に係る当該レコメンド情報生成装置１００は、特徴辞書が更新された後、更新対象ユーザのユーザ特徴ベクトルを計算し、その結果を参照して更新待ちユーザのユーザ特徴ベクトルを推定することができる。また、計算された更新対象ユーザのユーザ特徴ベクトルと推定された更新待ちユーザのユーザ特徴ベクトルとを用いて、全ユーザのユーザ特徴ベクトルを更新することなく、レコメンド情報を生成することができる。

（４．処理フロー）
以下に、本発明の一実施形態によるレコメンド情報生成装置１００の処理フローについて、実施例に沿って説明する。

（４．１ 特徴辞書更新直後の処理）
まず、図４乃至１３を用いて、特徴辞書が更新された直後のレコメンド情報の生成に係る処理フローについて説明する。図４は、本発明の一実施形態によるレコメンド情報生成装置１００がレコメンド情報の生成する処理のフローを表している。

図４において、ステップＳ４００から本発明の一実施形態によるレコメンド情報生成装置１００の処理が開始される。

ステップＳ４０１において、特徴辞書管理手段３０２がオペレータＩＦ３０１を通じて新たな特徴辞書を受け取った場合、すなわち特徴辞書が更新された場合にステップＳ４０２へと進む。そうでない場合にはステップＳ４０９へと進む（ステップＳ４０９の処理は次節で説明する）。本実施例では、図５に示した既存の特徴辞書を、図６に示した新たな特徴辞書で更新する例において説明を進める。

ステップＳ４０２において、特徴辞書管理手段３０２は、新たな特徴辞書と既存の特徴辞書とを用いて、特徴要素インデックス表を作成する。本実施例においては、先述の通り、図７に示される特徴要素インデックス表が得られる。

ステップＳ４０３において、クラスタリング手段３０３は、ユーザ特徴ベクトルを用いてユーザのクラスタリングを行う。本実施例においては、既存の特徴辞書についての全ユーザのユーザ特徴ベクトルが図８に示される通りであったとする。図８の表は、ユーザの識別子を表すユーザＩＤと、図５に対応する特徴要素インデックスとを有し、各ユーザの特徴要素ごとに、嗜好の強さを示す値を格納している。ここで、嗜好の強さを表す値は、０又は１以外の値で表され得る。図８のユーザ特徴ベクトルに基づいてクラスタリングを行った結果を図９に示す。図９の表は、クラスタの識別子を表すクラスタＩＤと、そのクラスタに属するユーザのユーザＩＤの項目を有し、図８で示されるユーザが３つのクラスタにクラスタリングされている。

ステップＳ４０４において、更新対象ユーザ決定手段３１３は、クラスタごとに１人以上の更新対象ユーザを決定する。本実施例においては、前回レコメンド情報を生成された時以降に、新たにコンテンツ利用履歴をアップロードしたユーザのユーザＩＤが１、３、５のものであったとする。この時、更新対象ユーザ決定手段３１３は、ユーザＩＤが１、３、５のユーザを更新対象ユーザとして決定する。ここで、クラスタＩＤが３のクラスタについては、どのユーザもコンテンツ利用履歴をアップロードしていない。したがって、更新対象ユーザ決定手段３１３は、当該クラスタの中から、代表となるユーザ1名を更新対象ユーザとして決定する。ここでは、ユーザＩＤが２のユーザを更新対象ユーザとして決定する。以上の処理により、本実施例において、ユーザＩＤが１、３、５、２であるユーザが更新対象ユーザとして決定される（図９において更新対象ユーザを下線で示す）。

ステップＳ４０５において、ユーザ特徴ベクトル計算管理手段３０７は、更新対象ユーザのユーザ特徴ベクトルを、コンテンツ利用履歴、メタデータ、新たな特徴辞書に基づいて計算する。本実施例においては、ユーザＩＤが１、３、５、２のユーザに対してユーザ特徴ベクトルが計算され、それ以外のユーザについては計算されない。その結果の例を図１０に示す（図１０において計算された値を下線で示す）。

ステップＳ４０６において、ユーザ情報管理手段３０４は、ステップＳ４０５で更新対象ユーザとされなかったユーザを、更新待ちユーザとして管理する。本実施例においては、ユーザＩＤが４、６、９、１０、７、８のユーザが更新待ちユーザとなる。ユーザ情報管理手段３０４は、例えば、図１１に示される更新待ちユーザ表を用いて、更新待ちユーザを管理する。

ステップＳ４０７において、ユーザ特徴ベクトル推定手段３０５は、更新待ちユーザのユーザ特徴ベクトルを推定する。ここで、更新待ちユーザのユーザ特徴ベクトルの推定方法を、図１２、１３を用いて実施例とともに説明する。

まず、更新待ちユーザのユーザ特徴ベクトルのうち、重複要素特定手段３１２によって特定された新たな特徴辞書と既存の特徴辞書との重複要素について、既存の特徴辞書に対応するユーザ特徴ベクトルの値を、新たなユーザ特徴ベクトルへコピーする。ここで、コピーは図７の要素インデックス比較表をもとに、以下のように行われる。
a(n,i)=b(n,p(i))
ただし、b(n,null)=null
a:更新後の特徴辞書に則ったユーザ特徴ベクトル
b:更新前の特徴辞書に則ったユーザ特徴ベクトル
n:ユーザＩＤ
i:更新後の特徴辞書内の各特長要素（キーワード）の識別子
p(i):更新前の旧特徴要素インデックス（対応する特徴要素がない場合にはnullを示す）
この処理により、更新待ちユーザのユーザ特徴ベクトルのうち、重複要素に対応する成分については該ユーザの更新前のユーザ特徴ベクトルと同じ値に設定される。この結果、図１０の各ユーザ特徴ベクトルは図１２のように更新される（図１２においてコピーされた値を太字で示す）。

図１２の状態では、特徴ベクトル内に、値が入っていない（nullの）要素が存在する。これは新たな特徴辞書には存在するが、更新前の古い特徴辞書には規定されていなかったキーワードに対応する要素である。ここで、以下の処理を行う。
a(n,j)=a(m,j)
j：図７の旧特徴要素インデックスがnullとなるものに対応する新特徴要素のインデックス
m:ユーザnと同じクラスタに属するユーザであり、かつ、今回のユーザ特徴ベクトルで更新対象となったユーザの識別子（参照先ユーザ）
この処理により、更新待ちユーザのユーザ特徴ベクトルのうち、重複要素ではない非重複要素に対応する成分について、更新対象ユーザのユーザ特徴ベクトルと同じ値が設定される。これにより、更新待ちユーザのユーザ特徴ベクトルを、類似度の高い、すなわち嗜好性の近いユーザのユーザ特徴ベクトルから推定することによって得ることができる。なお、更新対象となったユーザがクラスタ内に複数存在する場合は、同一クラスタ内の任意のユーザ特徴ベクトルを参照してもよいし、最も類似度の高いユーザ特徴ベクトルを参照してもよい。また、更新対象となったユーザのユーザ特徴ベクトルの平均値を用いてもよい。

本実施例では、ユーザＩＤが４、６のユーザについては、同一クラスタ内のユーザＩＤが１のユーザを参照先ユーザとする。また、ユーザＩＤが９、１０のユーザについては、同一クラスタ内のユーザＩＤが５のユーザを参照先ユーザとする。また、ユーザＩＤが７、８のユーザについては、同一クラスタ内のユーザＩＤが２のユーザを参照先ユーザとする。これにより、ユーザ特徴ベクトルは図１３のようになる（図１３において入力された値を太字で示す）。これによって全ユーザのユーザ特徴ベクトルが新たな特徴辞書に対応したことになる。

図４のステップＳ４０８において、レコメンド情報生成手段３０９は、ユーザ特徴ベクトルに対する、各コンテンツ特徴ベクトルについて類似度を算出する。これによって、各ユーザ特徴ベクトルにおいて、類似度が大きいコンテンツ特徴ベクトルを割り出し、各ユーザに対して、レコメンド情報を生成する。

以上の処理により、特徴辞書が更新された直後に、更新対象ユーザについてのみユーザ特徴ベクトルの再計算を行い、他のユーザについては、嗜好性の近い更新対象ユーザのユーザ特徴ベクトルに基づいて推定を行うことができる。これにより、特徴辞書が更新された直後のユーザ特徴ベクトルの更新にかかる負荷を軽減して、レコメンド情報を生成することができる。

なお、ステップＳ４０６の更新待ちユーザの更新処理は、ステップＳ４０７において更新待ちユーザのユーザ特徴ベクトルの更新がなされるまでに完了していればよく、必ずしもステップＳ４０５の後に実行されなくてもよい。例えば、ステップ４０４において、更新対象ユーザが決定される際に同時に行われてもよい。

（４．２ ２回目以降の処理）
次に、図４、図１４乃至１６を用いて、前節における最初のユーザ特徴ベクトルの計算と推定が完了した後のレコメンド情報の生成に係る処理フローについて説明する。ここでは、上述の実施例における、図４のステップＳ４００乃至Ｓ４０８が完了した後の、ステップＳ４０１からの処理について説明する。

ステップＳ４０１において、前回のレコメンド情報生成Ｓ４０８以降に特徴辞書は更新されていないため、ステップＳ４０９へと進む。もしここで特徴辞書が更新されている場合には、上で説明した、特徴辞書が更新された直後の処理が、再度実行されることになる。

ステップＳ４０９において、更新待ちユーザが存在する場合にはステップＳ４０３へと進む。更新待ちユーザが存在しない場合には、ステップＳ４０１へと進み、特徴辞書の更新を待つ。本実施例においては、図１１の更新待ちユーザ表で管理される通り、更新待ちユーザが存在するため、ステップＳ４０３へと進む。

ステップＳ４０３において、ユーザのクラスタリングを行う。本実施例においては、図１１に示される、更新待ちユーザについてクラスタリングを行う。この時、先述のステップＳ４０５乃至Ｓ４０８で得たユーザ特徴ベクトルを用いる。クラスタリングの計算方法は、先に述べた方法と同様である。その結果は図１４のようになる。ここでは、更新待ちユーザについてのみクラスタリングの対象とすることにより、特徴辞書の更新直後のクラスタリングと比較してユーザ数が減っているため、作成するクラスタの数を減らすことができ、クラスタリングの処理にかかる処理負荷を軽減することができる。なお、当該クラスタリングは、更新直後の処理と同様に、全ユーザを対象にクラスタリングしてもよい。

ステップＳ４０４において、先に述べた方法と同様に、更新対象ユーザを決定する。本実施例では、前回のレコメンド情報生成時から本処理までの間に、コンテンツ利用履歴の更新があったユーザは、ユーザＩＤが１、２、６のユーザであったとする。この場合、更新対象ユーザは１、２、６となる。ここで、ユーザ１、２はクラスタリングの対象となっていないが、コンテンツ利用履歴が更新されているため、ユーザ特徴ベクトルが再計算される点に留意する。また、クラスタＩＤが２のクラスタは、どのユーザもコンテンツ利用履歴をアップロードしていないため、ここではユーザＩＤが７のユーザを更新対象ユーザに決定する。

ステップＳ４０５において、更新対象ユーザのユーザ特徴ベクトルを計算する。本実施例においては、ユーザＩＤが１、２、６、７のユーザ特徴ベクトルを計算する。その結果、図１５のようにユーザ特徴ベクトルは更新される（更新対象ユーザの更新されたユーザ特徴ベクトルは下線で示される。また、更新対象ユーザであるが、既に一度更新対象ユーザとして決定されていたため、今回クラスタリングの対象とされていないユーザ１、２については斜線で示される）。

ステップＳ４０６において、ユーザ情報管理手段３０４は、新たに更新対象ユーザとして決定されたユーザを更新待ちユーザから外す。本実施例においては、ユーザＩＤが６、７のユーザを更新待ちユーザから外し、その結果、更新待ちユーザ表は図１６のようになる。

ステップＳ４０７において、更新待ちユーザである、ユーザＩＤが４，９、１０，８であるユーザについて、ユーザ特徴ベクトルの推定を行う。上で述べた方法と同様に、図７の旧特徴要素インデックスがnullであるものについて、同一クラスタ内の更新対象ユーザのユーザ特徴ベクトルに基づいて値を推定する。

ここで、推定方法は、上と同様に、参照先ユーザの値をそのままコピーしてもよいが、今回は、既に推定された値と今回参照する値とに基づいて算出してもよい。例えば、本実施例では以下のような方法を用いる。

ユーザＩＤが４のユーザの特徴インデックス３について、同一クラスタ内の更新対象ユーザであるユーザＩＤが６のユーザのユーザ特徴ベクトルを元に推定する。現時点でのユーザＩＤが４のユーザの値は０．０６であり、ユーザＩＤが６のユーザの値は０．１２であるので、
（０．０６＋０．１２）／２＝０．０９
とする。あるいは、重み付けの値として例えば０．７と０．３を用いて、
０．７×０．０６＋０．３×０．１２＝０．０７８
としてもよい。上記計算を残りのユーザに適用して、図１７に示される全ユーザのユーザ特徴ベクトルが更新される（図１７において、更新された値を太字で示す）。

ステップＳ４０８において、先に述べたように、各ユーザ特徴ベクトルについてコンテンツ特徴ベクトルの類似度を計算することにより、各ユーザの嗜好性に基づいたレコメンド情報が生成される。

以降、更新された特徴辞書に対して更新待ちユーザが存在しなくなるまで上記処理が繰り返され、最終的に全てのユーザ特徴ベクトルの更新が完了する。

以上の処理により、特徴辞書が更新された後の、２回目以降のレコメンド情報生成においても、ユーザ特徴ベクトルの計算の負荷を軽減することができる。また、この時に、更新待ちユーザに嗜好性の近い複数のユーザのユーザ特徴ベクトルに基づきユーザ特徴ベクトルを推定することにより、精度を維持してレコメンド情報を生成することができる。

１００ レコメンド情報生成装置
３０１ オペレータＩＦ
３０２ 特徴辞書管理手段
３０３ クラスタリング手段
３０４ ユーザ情報管理手段
３０５ ユーザ特徴ベクトル推定手段
３０６ メタデータ管理手段
３０７ ユーザ特徴ベクトル計算管理手段
３０８ コンテンツ特徴ベクトル計算管理手段
３０９ レコメンド情報生成手段
３１０ コンテンツ利用履歴管理手段
３１１ 受信機側ＩＦ
３１２ 重複要素特定手段
３１３ 更新対象ユーザ決定手段

Claims (11)

1. 特徴辞書に含まれる特徴要素に基づいて作成される、コンテンツに対するユーザの嗜好を表すユーザ特徴ベクトルに基づいてレコメンド情報を生成するレコメンド情報生成装置であって、
   更新された特徴辞書に基づいて更新されるユーザ特徴ベクトルを有するユーザである更新対象ユーザを決定する更新対象ユーザ決定手段と、
   更新された更新対象ユーザのユーザ特徴ベクトルに基づいて前記更新対象ユーザ以外のユーザのユーザ特徴ベクトルを推定するユーザ特徴ベクトル推定手段と、
   を有する、レコメンド情報生成装置。
2. ユーザ特徴ベクトルを用いて複数のユーザを複数のクラスタにクラスタリングするクラスタリング手段と、
   を有し、
   前記更新対象ユーザ決定手段は、
   前記複数のクラスタのうち、該クラスタに属するユーザであって、コンテンツの利用履歴をアップロードしたユーザが存在するクラスタ（第1のクラスタ）について、前記ユーザを前記第１のクラスタにおける更新対象ユーザとして決定し、
   前記第1のクラスタ以外のクラスタ（第２のクラスタ）について、所定の選択基準に基づいて前記第２のクラスタに属するユーザのうち何れかのユーザを更新対象ユーザとして決定する、
   請求項１に記載のレコメンド情報生成装置。
3. 前記更新された特徴辞書に対して、前記ユーザ特徴ベクトル推定手段によるユーザ特徴ベクトルの推定が１回以上なされている場合に、
   前記クラスタリング手段は、前記更新対象ユーザと決定されたことのあるユーザ以外の複数のユーザをクラスタにクラスタリングし、
   前記更新対象ユーザ決定手段は、該クラスタにおいて少なくとも１人以上のユーザを更新対象ユーザとして決定する、
   請求項２に記載のレコメンド情報生成装置。
4. 前記ユーザ特徴ベクトル推定手段は、更新された該更新対象ユーザのユーザ特徴ベクトルと、前回の推定によって得られたユーザ特徴ベクトルとに基づいて、該更新対象ユーザ以外のユーザのユーザ特徴ベクトルを推定する、
   請求項３に記載のレコメンド情報生成装置。
5. 前記更新された特徴辞書と更新前の特徴辞書とに重複して含まれる特徴要素である重複要素及びそれ以外の特徴要素である非重複要素を特定する重複要素特定手段と、
   を有し、
   前記ユーザ特徴ベクトル推定手段は、前記更新対象ユーザ以外のユーザの更新後のユーザ特徴ベクトルの成分うち、
   前記重複要素に対応する成分については該ユーザの更新前のユーザ特徴ベクトルと同じ値に設定し、
   前記非重複要素に対応する成分については前記更新対象ユーザのユーザ特徴ベクトルと同じ値に設定する、
   請求項１乃至３何れか一項記載のレコメンド情報生成装置。
6. 前記更新された特徴辞書と更新前の特徴辞書とに重複して含まれる特徴要素である重複要素及びそれ以外の特徴要素である非重複要素を特定する重複要素特定手段と、
   を有し、
   前記ユーザ特徴ベクトル推定手段は、前記更新対象ユーザ以外のユーザの更新後のユーザ特徴ベクトルの成分うち、前記重複要素に対応する成分については該ユーザの更新前のユーザ特徴ベクトルと同じ値に設定し、
   前記非重複要素に対応する成分については前記更新対象ユーザのユーザ特徴ベクトルと前回の推定によって得られたユーザ特徴ベクトルとに基づいて値を設定する、
   請求項４に記載のレコメンド情報生成装置。
7. 前記ユーザ特徴ベクトル推定手段は、前記更新対象ユーザが複数存在する場合、前記更新対象ユーザ以外のユーザのユーザ特徴ベクトルを、前記更新対象ユーザのユーザ特徴ベクトルのうち最も類似度の高い更新対象ユーザのユーザ特徴ベクトルを用いて推定する
   請求項１乃至６何れか一項に記載のレコメンド情報生成装置。
8. 前記ユーザ特徴ベクトル推定手段は、前記更新対象ユーザが複数存在する場合、前記更新対象ユーザ以外のユーザのユーザ特徴ベクトルを、前記複数の更新対象ユーザのユーザ特徴ベクトルの平均値を用いて推定する
   請求項１乃至６何れか一項に記載のレコメンド情報生成装置。
9. 前記更新対象ユーザ決定手段は、更新対象ユーザの数が所定の閾値を超えないように該更新対象ユーザを決定し、
   前記閾値は、全ユーザ数及びコンテンツの利用率との乗算によって決定する、
   請求項１乃至８に記載のレコメンド情報生成装置。
10. 特徴辞書に含まれる特徴要素に基づいて作成される、コンテンツに対するユーザの嗜好を表すユーザ特徴ベクトルに基づいてレコメンド情報を生成するレコメンド情報生成方法であって、
    更新された特徴辞書に基づいて更新されるユーザ特徴ベクトルを有するユーザである更新対象ユーザを決定する更新対象ユーザ決定段階と、
    更新された更新対象ユーザのユーザ特徴ベクトルに基づいて前記更新対象ユーザ以外のユーザのユーザ特徴ベクトルを推定するユーザ特徴ベクトル推定段階と、
    を有する、レコメンド情報生成方法。
11. 特徴辞書に含まれる特徴要素に基づいて作成される、コンテンツに対するユーザの嗜好を表すユーザ特徴ベクトルに基づいてレコメンド情報を生成するレコメンド情報生成プログラムであって、コンピュータに、
    更新された特徴辞書に基づいて更新されるユーザ特徴ベクトルを有するユーザである更新対象ユーザを決定する更新対象ユーザ決定段階と、
    更新された更新対象ユーザのユーザ特徴ベクトルに基づいて前記更新対象ユーザ以外のユーザのユーザ特徴ベクトルを推定するユーザ特徴ベクトル推定段階と、
    を実行させる、レコメンド情報生成プログラム。

Images