JP2013206407A - 情報推薦方法、装置及びプログラム - Google Patents

Abstract

【課題】他の推定対象の学習機会を確保し、誤学習を減らすことと、幅広い興味を学習すること。
【解決手段】信頼度分析装置６００においてユーザの選択行動の特徴の推定結果に対する信頼度係数を算出し、コンテンツスコアリング装置３００により上記算出された信頼度係数をユーザ興味スコアに乗じることでコンテンツスコアを算出して、このコンテンツスコアをもとにコンテンツの表示順序をソートし、このソート済コンテンツリストを該当ユーザのクライアント端末４００へ送信して表示させる。また、上記ソート済コンテンツリストを生成する際に、興味が学習されていないリストの表示枠をソート済コンテンツリストに追加する。
【選択図】図２

Description

この発明は、コンテンツ等の情報に対するユーザの選択履歴を利用して逐次的にユーザの興味や情報発信者からの影響度を学習し、その学習結果に基づいてユーザに推薦すべき情報を選択し提示する情報推薦方法、装置及びプログラムに関する。

ユーザの行動や状況に合わせて適切なサービス・コンテンツをレコメンドする技術が望まれている。そこで、情報利用者毎に適する情報を選択し、あるいは情報利用者毎に適する順番に並び替えて情報を表示する、情報推薦サービスが提案されている。例えば、情報が広告である場合は、情報利用者毎に適する広告を選択し、あるいは情報利用者毎に適する順番に並び替えて広告を表示する広告推薦サービスであり、情報がニュースである場合は、情報利用者毎に適するニュースを選択し、あるいは情報利用者毎に適する順番に並び替えてニュースを表示するニュース推薦サービスであり、情報が飲食店情報である場合は、情報利用者毎に適する飲食店情報を選択し、あるいは情報利用者毎に適する順番に並び替えて飲食店情報を表示する飲食店情報推薦サービスである。

上記情報推薦サービスを実現するための方法として、各コンテンツに内容をサマライズする概念タグ（メタデータ）が付与されていることを前提としてユーザ履歴において出現する概念等の頻度からユーザの興味を推定する方法があり、この方法は内容ベースフィルタリング手法（Content Based Filtering：CBF）で、特にメモリベース手法として研究が進められている。

具体的に、内容ベースフィルタリング技術とは、例えば特定ブランド（ブランドを示す情報を概念タグとして保持）の商品を閲覧した場合に、同じブランドの商品（同じ概念タグを保持）を提示する。この場合の、メモリベース手法は、過去に閲覧した履歴から、特定ブランドを頻繁に閲覧していれば、特定ブランドの商品を提示することとなる。単純な方法では、閲覧履歴により多く出現した概念タグに関連する商品を提示することとなる。このような手法においてタクソノミ（オントロジ）を利用した方法としては、例えば、非特許文献１に記載された「操作履歴を用いた多面的嗜好把握方法の提案」がある。

また、ユーザのコンテンツに対する選択履歴を利用してユーザの興味や情報発信者からの影響度を学習し、その学習結果に基づいてコンテンツを推薦する方法として、以下のような方法が考えられている。図２２はその一例を示す図である。
すなわち、先ずユーザのサービス利用開始時には、ユーザの興味とは関係なく、例えばランダムに選択されたコンテンツのリストが表示される。そして、ユーザがこの表示された１回目のリストの中から自身が興味を持つコンテンツを選択して、例えばその詳細なＷｅｂページを閲覧したりブックマーク登録を行うと、この選択行動の履歴をもとにユーザの興味が学習され、その学習結果をもとにコンテンツが選択し直されそのリストが表示される。

図２２に示す例では、１回目の表示リストにおいてユーザが興味を持った「うなぎ」、「牛丼」、「ラーメン」を選択しその詳細を閲覧したとすると、その選択履歴をもとにユーザは「うなぎ」、「牛丼」、「ラーメン」が好きという推定結果が得られる。そして、この状態でユーザがリストの表示を要求すると、上記推定結果をもとに「うなぎ」、「牛丼」、「ラーメン」が上位になるようにソートし直された２回目のリストが表示される。また、この２回目の表示リストに対し、ユーザが再度コンテンツを選択してその詳細を閲覧すると、この選択操作を反映した選択履歴をもとに推定結果が更新され、この更新された推定結果によりソートされた３回目のリストが表示される。以下同様に、表示されたリストの範囲内でユーザの選択に応じて学習が進み、その結果をもとにソートし直されたリストが表示される。

「操作履歴を用いた多面的嗜好把握方法の提案」、信学技報、vol. 110， no. 450， LOIS2010-76， pp. 67-72， 2011年3月

ところが、上記した従来の推薦方法には以下のような解決すべき課題があった。
(1) 初回に表示されたリストがベースとなって学習が進む。このため、ユーザが“好き”と学習されたグルメジャンルは、その後のリスト表示にてリストの上位に表示されていくが、リストに最初に表示されなかったもの（例えば「寿司」や「沖縄料理」）については、たとえユーザがこれらを“好き”だったとしても上位に表示されることはない。このため、ユーザの利用回数が増えるにつれ、ユーザの興味がそもそも学習されないことによる興味が“不明”のグルメジャンルが上位に表示されにくくなる。したがって、様々な興味の評価の網羅性が十分に確保されないうちに既出概念のみの学習が進み、情報が絞り込まれるという課題がある。

(2) 図２２に示した例では、４回目の表示リストが表示されるまでの間、「牛丼」を含むリストが表示された回数は３度、「牛丼」の選択回数、つまりユーザが「牛丼」を好きと見なせる選択履歴数では５回である。一方、「うなぎ」を含むリストの表示回数は１度、「うなぎ」の選択回数も１回である。ところが、４回目の表示リストを表示する際に行われた興味の推定結果は、「牛丼」“好き”、「うなぎ」“好き”、「ラーメン」“好き”であり、それぞれの学習回数は考慮されていない。このため、ユーザがたまたま詳細を見ただけかもしれない「うなぎ」と、複数の選択履歴から“好き”と推定された「牛丼」との間に区別がない。すなわち、十分に学習されていない段階の興味推定結果を、リストの表示のためのソートに利用している可能性、つまり誤評価をしている可能性がある。

この発明は上記事情に着目してなされたもので、その主たる目的は推定対象の学習機会を必要十分に確保して誤評価を減らすことが可能な情報推薦方法、装置及びプログラムを提供することにある。

上記目的を達成するためにこの発明の１つの観点は、提示対象の情報に対するユーザの興味の度合いを表す情報、又はユーザが前記提示対象の情報をもとに行動を起こす際の情報発信者からの影響度の度合いを表す情報をもとに、前記ユーザの行動の特徴を推定し、その推定結果に基づいて前記ユーザに推薦すべき情報を選択し提示する情報推薦方法又は装置にあって、先ず前記提示対象となる情報又はその集合毎に、ユーザに対する当該提示対象となる情報の提示履歴又は当該提示対象となる情報に基づくユーザの行動履歴をもとに、当該ユーザの行動の特徴の推定結果に対する信頼度を表す情報を算出する。そして、前記提示対象情報に対するユーザの興味の度合いを表す情報及び前記影響度の度合いを表す情報の少なくとも一方と、前記算出された信頼度を表す情報とをもとに、前記提示対象の情報又はその集合に対する評価点を算出し、この算出された評価点に基づいて前記ユーザに推薦すべき情報のリストを生成するようにしたものである。なお、提示対象の情報としては、例えば概念タグ、オススメタグがある。

またこの発明の１つの観点は、以下のような態様を備えることも特徴とする。
第１の態様は、前記信頼度を表す情報を算出する際に、信頼度の算出対象に該当する情報の総数Ｎと、前記信頼度の算出対象に該当する情報のうち前記ユーザに提示した情報の累計値ｎと、前記信頼度の算出対象に該当する情報に対する前記ユーザの行動の累計値ｍを取得し、この取得された情報の総数Ｎ、提示情報の累計値ｎ及び行動の累計値ｍのうちの少なくとも一つに基づいて信頼度係数を算出するものである。

第２の態様は、前記リストを生成する際に、前記算出された評価点に基づいて選択された推薦情報を提示する第１の領域と、任意に選択された推薦情報を提示する第２の領域とを有するようにリストを生成するものである。

従ってこの発明の１つの観点によれば、提示対象の情報又はその集合に対する評価点を算出する際に、ユーザの興味の度合いを表す情報又は前記影響度の度合いを表す情報に、前記算出された信頼度を表す情報が加味されるので、推定結果の信頼性が担保されるまでの間、他の推定対象の学習機会を確保することができ、誤学習を減らすことができる。また、コンテンツの誤評価によるリスト表示の誤りを減らすことができる。

さらに、リストに、評価点に基づいて選択された推薦情報を提示する第１の領域に加え、任意に選択された推薦情報を提示する第２の領域が付加されているので、ある程度学習が進んだ段階であっても、未学習の評価項目対象を継続的にユーザに提示でき、幅広い興味を学習することが可能になる。

すなわちこの発明の１つの観点によれば、推定対象の学習機会を必要十分に確保して誤評価を減らすことが可能な情報推薦方法、装置及びプログラムを提供することができる。

この発明の一実施形態に係る情報推薦システムの全体構成を示す図。 図１に示した情報推薦システムの各装置の機能構成を示すブロック図。 図２に示した興味分析装置による興味分析処理の概要を示す図。 興味の特徴スコア算出部の動作を説明するための模式図。 興味の特徴スコア算出処理の詳細を示す図。 概念体系更新処理の詳細を示す図。 コンテンツに付与されるオススメタグの一例を示す図。 一覧閲覧コンテンツリストと詳細閲覧コンテンツリストの一例を示す図。 図２に示した影響度分析装置による影響度分析処理の第１の実施例を示す図。 図２に示した影響度分析装置による影響度分析処理の第２の実施例を示す図。 図２に示した影響度分析装置による影響度分析処理の第３の実施例を示す図。 図２に示した影響度分析装置による影響度分析処理の第４の実施例を示す図。 図２に示した信頼度係数算出装置による信頼度係数算出処理とその算出結果を用いたコンテンツスコアリング処理の手順の概要を示すフローチャート。 信頼度係数算出処理の第１の実施例を説明するためのコンテンツ表示数の累計値と信頼度係数との関係を示す図。 信頼度係数算出処理の第２の実施例を説明するための概念図。 信頼度係数算出処理の第２の実施例を説明するためのコンテンツ表示数の累計値と信頼度係数との関係を示す図。 信頼度係数算出処理の第３の実施例を説明するためのコンテンツ表示数の累計値と信頼度係数との関係を示す図。 興味スコアと影響度スコアをもとにコンテンツ評価を行う場合の処理の概要を示す図。 図２に示した信頼度分析装置に設けられた信頼度算出元データベース及び信頼度係数データベースの記憶情報の一例を示す図。 ソートされたグルメジャンルのリスト情報の表示例を示す図。 ソートされた店舗のリスト情報と当該店舗のグルメジャンルとを対応付けて示す図。 従来考えられている情報推薦方法の一例を説明するための図。

以下、図面を参照しながらこの発明に係る実施形態を説明する。
図１は、この発明に係る情報推薦システムの全体構成図である。このシステムは、クライアント端末４００と、コンテンツサーバ５００と、興味分析装置１００と、影響度分析装置２００と、コンテンツスコアリング装置３００と、信頼度分析装置６００とを備える。

クライアント端末４００とコンテンツサーバ５００との間は通信ネットワークを介して接続される。また、コンテンツサーバ５００と、興味分析装置１００、影響度分析装置２００、コンテンツスコアリング装置３００及び信頼度分析装置６００との間も通信ネットワークで接続される。さらに、興味分析装置１００、影響度分析装置２００、コンテンツスコアリング装置３００及び信頼度分析装置６００相互間も、通信ネットワークを介して接続される。
ユーザは、クライアント端末４００において閲覧操作を行うことにより、所望のコンテンツをコンテンツサーバ５００から所得し、取得したコンテンツをクライアント端末４００の画面に提示して閲覧する。

クライアント端末４００は、ユーザ操作によるコンテンツ閲覧履歴を収集し、複数のコンテンツを一覧として閲覧した一覧閲覧コンテンツリスト（第１のコンテンツリスト）と、コンテンツ一覧からコンテンツの本体を閲覧した詳細閲覧コンテンツリスト（第２のコンテンツリスト）をコンテンツサーバ５００に送信する機能を有する。

コンテンツサーバ５００は、この一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを、通信ネットワークを介して興味分析装置１００、影響度分析装置２００及び信頼度分析装置６００に転送する機能を有する。

興味分析装置１００は、上記一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストをもとに、コンテンツに出現する各概念に対する興味の特徴スコア及びユーザ興味スコアを算出し、ユーザの興味を推定する機能を有する。
ただし、興味分析装置１００は、下記で説明するユーザ興味スコア算出方法以外、たとえばその他の内容ベースフィルタリング手法（Content Based Filtering：CBF）を用いて概念体系/ユーザ興味スコアデータベースを更新するものでもよい。すなわち、一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストをもとにした興味の推定方法以外でも良い。

影響度分析装置２００は、上記一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストをもとに、コンテンツに“オススメタグ”を付与した他ユーザ（個人或いは集合）に対する影響度の特徴スコア及び影響度スコアを算出し、当該ユーザへの他ユーザ（個人或いは集合）からの影響度を推定する機能を有する。

信頼度分析装置６００は、上記一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを収集して、信頼度係数算出対象に該当する情報の総数（例えば該当店舗総数、該当ニュース総数、該当オススメタグ総数等）Ｎ、対象ユーザの信頼度係数算出対象に該当する情報の表示数の累計値ｎ、各信頼度係数算出対象に該当する情報に関し、対象ユーザの選択行動の特徴に関する行動履歴（例えば詳細ページ閲覧履歴、ブックマーク登録履歴等）の累計値ｍを求め、これらの情報を信頼度算出元データとして記憶する。そして、この記憶された信頼度算出元データＮ、ｎ、ｍの値をもとに、上記信頼度係数算出対象に該当する情報の信頼度係数Ｔを算出し、この算出された信頼度係数Ｔを保存する機能を有する。

コンテンツスコアリング装置３００は、上記興味分析装置１００又は影響度分析装置２００に対しそれぞれユーザ興味スコア又は影響度スコアを問い合わせると共に、上記信頼度分析装置６００に対し信頼度係数算出対象に該当する情報の信頼度係数Ｔを問い合わせる。そして、上記問い合わせに対し興味分析装置１００又は影響度分析装置２００からそれぞれ取得したユーザ興味スコア又は影響度スコアと、上記信頼度係数分析装置６００から取得した信頼度係数Ｔとをもとにコンテンツ評価スコアを算出し、この算出された評価スコアに基づいてソートを行ったコンテンツのリスト、つまりソート済みコンテンツリストを生成して、コンテンツサーバ５００に送信する機能を有する。

上記クライアント端末４００、コンテンツサーバ５００、興味分析装置１００、影響度分析装置２００、コンテンツスコアリング装置３００及び信頼度分析装置６００の構成を、以下に詳しく説明する。図２はその機能構成を示すブロック図である。
なお、図２における各装置はＣＰＵ（Central Processing Unit）を備え、プログラムメモリに予め格納されたプログラムを上記ＣＰＵに実行させることにより、上記した各機能を実現する。

（１）興味分析装置
興味分析装置１００は、履歴情報受信部１１０と、興味の特徴スコア算出部１２０と、興味概念体系更新処理部１３０と、概念体系／ユーザ興味スコアデータベース１４０と
を備える。概念体系／ユーザ興味スコアデータベース１４０は、ルート概念ノードＩＤと、概念体系テーブルと、ユーザ興味スコアテーブルを記憶する。ルート概念ノードＩＤは、概念体系構造において最上位にある概念ノードＩＤであり、システム内に１つだけ存在する。

概念体系テーブルは、自概念ＩＤ、親概念ＩＤリスト、及び子概念ＩＤリストを格納する。概念体系内の全ての自概念ＩＤは、親概念ＩＤ及び子概念ＩＤ（ただし、自概念が最下位の場合には子概念ＩＤはなし）と紐付けて保存されており、これにより概念構造が定義される。

ユーザ興味スコアテーブルは、概念ＩＤとユーザＩＤ（クライアント端末ＩＤ）に関連付けて、ユーザ興味スコア（TotalZ）の値を格納する。TotalZの定義及び算出方法は後述する。

図３は、興味分析装置１００の処理の概要を示すものである。
履歴情報受信部１１０は、クライアント端末４００において生成された一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを、コンテンツサーバ５００を介して受信する。一覧閲覧コンテンツリストとは、例えばユーザがコンテンツのタイトルのみを一覧で閲覧したコンテンツのリストである。詳細閲覧コンテンツリストとは、ユーザがコンテンツ本体の内容（詳細）を閲覧したコンテンツのリストである。図３では、一覧閲覧コンテンツリストにはコンテンツ１〜８が含まれ、詳細閲覧コンテンツリストにはコンテンツ１、３、４が含まれる場合を例示している。また図３において、斜線パターンで示すコンテンツは、概念Ｂがコンテンツ１、６、７、８に出現することを示す。

興味の特徴スコア算出部１２０は、一覧閲覧されたコンテンツリスト及び詳細閲覧コンテンツリストを利用して、概念選択の統計モデルにより各概念の興味の特徴スコアを算出する。
図４（ａ）に分析パラメータ抽出処理の模式図を示す。例えば、５０個（＝Ｓ）のコンテンツが一覧表示されている中から、ユーザが１０個（＝ａ）のコンテンツの詳細を閲覧した場合を示す。ここで、一覧表示されている５０個のコンテンツのうち「野球」という概念が含まれている記事が１５個（＝Ｕ）あり、ユーザが閲覧した１０個のコンテンツのうち、「野球」という概念が含まれているコンテンツが５個（＝ｂ）あったことを示す。

興味の特徴スコア算出部１２０は、上記分析パラメータＳ，ａ，Ｕ，ｂを利用して概念ＩＤ毎に特徴スコアＺを算出する。図５に興味の特徴スコア算出処理の詳細を示す。図５において、ｉは概念の識別子、ｊはクラスタＩＤを示す。

ここで、クラスタとは、一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストに一意に付与される識別子である。別の時刻（時間帯）に表示した一覧閲覧コンテンツをユーザが閲覧した場合は、別のクラスタＩＤが付与される。なお、時刻以外の条件でクラスタＩＤを新たに付与する条件としては、一覧閲覧コンテンツリスト表示中に一定時間操作が無かった場合や、閲覧するユーザ（ユーザＩＤ）を切り替えた場合、一覧閲覧コンテンツリストに対して、コンテンツジャンル等を観点に絞り込み検索を掛けた場合、その他閲覧アプリケーションにおいて閲覧モードを切り替えた場合がある。

Ｈ１（第１の確率）は、一覧閲覧コンテンツリストに含まれる一覧閲覧コンテンツの総数Ｓ、一覧閲覧コンテンツのうち概念ｉが出現するコンテンツ数Ｕのとき、詳細閲覧コンテンツをａ個ランダム選択して閲覧した場合に、概念ｉが出現するコンテンツの数がｂ以上となる累積確率である。Ｈ２（第２の確率）は、一覧閲覧コンテンツのうち概念ｉが出現するコンテンツ数Ｕのとき、詳細閲覧コンテンツをａ個ランダム選択して閲覧した場合に、概念ｉが出現するコンテンツの数がｂ以下となる累積確率である。なお、本実施形態では、累積確率Ｈ１及びＨ２は超幾何分布により求めるが、この手法に限定するものではない。他の分布の例としては、二項分布や正規分布が存在する。

図４（ｂ）に示すように、例えば上記の分析パラメータＳ，ａ，Ｕ，ｂを用いて、ユーザが閲覧した１０個のコンテンツのうち、「野球」という概念が含まれるコンテンツが５以上である確率が、「０．１２」であることを示す。ここで、「０．１２」は累積確率Ｈ１の値に相当する。

なお、Ｈ２の値を使う例として、上記の分析パラメータでｂが０である場合を考える。この場合は、出現数が０以下の場合の確率を算出する。具体的には、図４（ｂ）において横軸が０の項目の値となるため「０．０２」となる。

そして、興味の特徴スコア算出部１２０は、図５に示すように、上記算出した累積確率Ｈ１及びＨ２を用いて、標準正規分布の累積分布関数の逆関数により興味の特徴スコアＺを算出する。図４（ｃ）に示すように、上記Ｈ１を累積確率とする標準正規分布の累積分布関数の逆関数により特徴スコアＺを求める。なお、累積確率としてＨ２を利用する場合には、標準正規分布の累積分布関数の逆関数の辺値の符号を負にして特徴スコアを求める。この特徴スコアＺを用いて、後述する興味概念体系更新処理部１３０は、「野球」という概念に対するユーザ興味スコア（TotalZ）を求める。

興味の特徴スコア算出部１２０は、更新対象概念リストを生成し、興味概念体系更新処理部１３０に出力する。「更新対象概念リスト」とは、概念ＩＤ、前記特徴スコア算出部１２０で算出した特徴スコアＺ、及び重みｗのセットである。なお、この更新対象概念リストに出現する概念ＩＤが、次の概念体系更新処理で更新対象のノード（概念）となる。上位概念を追加した出現概念リスト内の概念ＩＤすべてについて、特徴スコアＺと重みｗを算出する。重みｗは、各クラスタＩＤにおいて概念毎に設定される値である。

なお、重みｗは、初期値ｗ＝１とし、ユーザの特徴的な操作等があった場合に、以下のように値を変化させることができる。例えば、ユーザは、クライアント端末４００に提示されたコンテンツに対し、お気に入りコンテンツとしての登録や、コンテンツへの評価入力等ができる。クライアント端末４００が、このような操作履歴を興味分析装置１００に送信できる場合には以下の処理を行う。

興味の特徴スコア算出部１２０は、例えばコンテンツがお気に入りに登録されたとき、当該コンテンツを含む全ての概念ＩＤについて重みｗ＝１．５のように増加させる。その他にも、コンテンツ閲覧時刻や閲覧時の天気、気温、湿度、季節、曜日、休日、余暇かどうか、閲覧時のユーザ位置情報、スケジューラ、日記等から収集したイベント情報に応じて重みｗの値を変えることもできる。

興味概念体系更新処理部１３０は、上記特徴スコアを用いて概念体系における概念間の関係情報（上位概念及び下位概念）に基づいて各概念に対するユーザ興味スコアを更新する。概念体系のグラフに含まれるノードは概念を表し、リンクは概念間の関係を表す。ユーザ興味スコアは、概念体系における各概念に対応するノードの値として保持する。概念体系において、上位に位置するノードほど抽象的な概念を表し、下位に位置するノードほど具体的な概念を表す。概念体系及び概念ＩＤ（ノード毎に付与される識別子）は、サービス運用者等が事前に設計し定義するものとする。

図６に興味概念体系更新処理部１３０の処理の詳細を示す。興味概念体系更新処理部１３０は、コンテンツに出現した概念（出現概念）、及びこの出現概念の上位概念の概念ＩＤについて、図６に示す各概念ｉに対するユーザ興味スコア更新式を用いて、ユーザ興味スコアTotalZ_ｉｎ、及びX_ｉｎ、Y_ｉｎの値を求め、概念体系／ユーザ興味スコアデータベース１４０の、クラスタＩＤに対応するユーザＩＤ（クライアント端末ＩＤ）のカラムに対応するユーザ興味スコアテーブルに格納されている各値を更新する。

ここで、Ｘi_(n-1)は、各概念ＩＤ（ここでは識別子ｉで表現）に対する、過去の（前回までの）前記更新対象概念リストの重みｗの二乗の合計である。Ｙi_(n-1)は、同様に各概念ＩＤ（ここでは識別子ｉで表現）に対する、過去の前記更新対象概念リストの重みｗと特徴スコアＺの乗算の合計である。

図６において、ｎは、概念体系更新処理が何度目かを示す識別子である。ユーザ興味スコアTotalZ_ｉｎを求める一連の処理は、クラスタＩＤ単位で行われ、この一連の処理が行われる単位を１度と数えるとき、ｎはこの一連の処理が何度目に行われたものであるかを示す識別子である。ｉは、概念ＩＤの識別子である。Ｚ_inは、概念ｉの各更新コンテンツリスト毎のＺ値である。なお、上記Ｚ_ijは一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリスト毎のＺ値であり、Ｚ_ij∈Ｚ_inの関係である。重みｗ_inは、概念ｉの各更新処理に利用する重みである。上記重みｗと同じであり、上記興味の特徴スコア算出部１２０で設定したものと同様である。

例えば、ｗ_inは、お気に入り登録、他ユーザとの共有等の閲覧以外の特殊な操作をユーザが行った場合、及びコンテンツ閲覧時間（閲覧開始から終了までの間隔）、コンテンツと概念の関連度合い、コンテンツ閲覧時刻、閲覧時の天気・気温・湿度・季節・曜日・休日・余暇かどうか、閲覧時のユーザ位置情報、スケジューラ・日記等から収集したイベント情報に応じて値を変化させる、その他、サービス利用者、サービス運用者が特に指定した場合にも変化させる。

さらに、興味概念体系更新処理部１３０は、「更新対象概念リスト」の各概念ＩＤ（出現概念及び上位概念）の下位概念を抽出し、下位概念のノードを更新する。下位概念の抽出では、「更新対象概念リスト」の各概念ＩＤについて、概念体系／ユーザ興味スコアデータベース１４０の概念体系テーブルを参照し、子概念ＩＤリストから概念ＩＤのリストを抽出し、さらに各子概念ＩＤリストの概念ＩＤについて概念体系テーブルを参照して子概念リストを抽出する処理を繰り返す。

下位概念の興味度の更新に利用する特徴スコアＺは、例えば、隣接した親ノードのうち特徴スコアの絶対値が最も大きい値を利用、最も近い上位ノードの値を利用、親ノードの値を平均、または確率結合した値とする。なお、「更新対象概念リスト」のうち、上記で更新済みの概念（コンテンツに出現した概念、及び上位概念）のユーザ興味スコアは更新しない。

（２）クライアント端末
図２において、クライアント端末４００−１、４００−２は、履歴収集部４１０と、履歴情報送信部４２０と、コンテンツ提示部４３０と、コンテンツ要求送信部４４０と、オススメタグ付与部４５０を備える。

コンテンツ要求送信部４４０は、ユーザの指示（入力）に応じ、コンテンツサーバ５００に対してコンテンツの提示要求を行う。具体的には、例えばクライアント端末ＩＤ（もしくはユーザＩＤ）及び要求時刻を含むコンテンツ要求データをコンテンツサーバ５００に送信する。なお、要求時刻はコンテンツサーバ５００において追加するようにしてもよい。クライアント端末ＩＤ（もしくはユーザＩＤ）は、端末（もしくはユーザ）毎に一意に付与される数字であって、後述する概念体系／ユーザ興味スコアデータベース１４０のユーザ興味スコアテーブルのユーザＩＤと一致するＩＤである。

履歴収集部４１０は、ユーザの操作履歴を収集して一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを作成する。履歴情報送信部４２０は、履歴収集部４１０により作成された一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストをコンテンツサーバ５００へ送信する。

興味分析装置１００の代わりに影響度分析装置２００を用いる場合、“オススメタグ”が用いられる。オススメタグ付与部４５０は、クライアント端末４００−１、４００−２のコンテンツ提示部４３０上に表示されている一覧表示コンテンツリスト及び詳細閲覧コンテンツについて、ユーザが他者にコンテンツを推薦したい場合に、ユーザの操作入力によりコンテンツにオススメタグを付与する。コンテンツにオススメタグが付与された旨の情報（お薦め情報）は、オススメタグ入力部５７０に送信される。

他ユーザ、すなわち情報発信者からの影響度の推定のための準備として、ユーザが他ユーザ（個人あるいは集団）からのオススメタグが見られるようにしておく。すなわち、他ユーザは、閲覧した情報を誰かに薦めたい場合に“オススメタグ”を付与できるようにし、この“オススメタグ”が付与されたかどうかは他のユーザから閲覧できるようにしておく。

図７に、コンテンツに付与される“オススメタグ”の一例を示す。例えば、Ａさんが他ユーザへのオススメ対象として、「情報２」「情報５」にオススメタグを付与すると、ＡＡさんの一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリスト中の「情報２」、「情報５」にそれぞれ“オススメタグ”（Ａさんオススメ）が表示される。

（３）コンテンツサーバ
図２において、コンテンツサーバ５００は、コンテンツ送信処理部５１０と、ソート済みコンテンツリスト受信部５２０と、コンテンツリスト送信部５３０と、コンテンツリスト入力部５４０と、履歴情報転送部５５０と、コンテンツ要求転送部５６０と、オススメタグ入力部５７０と、オススメタグ送信部５８０を備える。

履歴情報転送部５５０は、クライアント端末４００−１、４００−２から受信した一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを、通信ネットワークを介して興味分析装置１００、影響度分析装置２００及び信頼度分析装置６００へ転送する。

コンテンツリスト入力部５４０には、サービス運用者により、ユーザの利用するクライアント端末４００−１、４００−２に提示するコンテンツを一覧表示したコンテンツリストが入力される。コンテンツリスト送信部５３０は、上記入力されたコンテンツリストをコンテンツスコアリング装置３００へ通信ネットワークを介して送信する。

コンテンツリストは、コンテンツＩＤ、概念ＩＤ／関連度リスト、コンテンツ本体、コンテンツ登録時刻、及びオススメタグ情報を有する。コンテンツＩＤは、各コンテンツに対してコンテンツサーバ５００にて付与される一意のＩＤである。概念ＩＤ／関連度リストは、コンテンツに出現する概念の概念ＩＤ及び当該概念とコンテンツと関連性の程度を示す値のセットが格納される。概念ＩＤ／関連度リストは、コンテンツ毎に予め設定されており、具体例としては、コンテンツ１（スポーツ記事）には、｛“野球”の概念ＩＤ＝１、関連度＝０．５｝、｛“サッカー”の概念ＩＤ＝２、関連度＝０．８｝、｛“ゴルフ”の概念ＩＤ＝３、関連度＝０．６｝のように、概念ＩＤと関連度のセットが格納される。オススメタグ情報は、コンテンツＩＤに紐づいて格納される。
なお、本実施形態では、他ユーザがオススメタグを付与することではじめて格納される例を述べているが、事前に格納されていてもよい。例えば、ブログのような、情報提示時に情報発信者が決定している場合に、情報が提示されることでオススメタグが付与されているとみなす、といった場合が想定される。

なお、概念ＩＤは、概念体系／ユーザ興味スコアデータベース１４０に格納される値と一致する。関連度は、例えば、０から１までの値とし、大きいほど関連性が強いものとする。関連度は、サービス運用者がコンテンツ登録時に設定する値、若しくは別システムにより算出される値を利用する。

ソート済みコンテンツリスト受信部５２０は、ソート済みコンテンツリスト送信部３１０からコンテンツリストの一部又は全部をソートしたソート済みコンテンツリストとクライアント端末ＩＤ（もしくはユーザＩＤ）を受信する。コンテンツ送信処理部５１０は、ソート済みコンテンツリストをクライアント端末ＩＤ（もしくはユーザＩＤ）に該当するクライアント端末４００−１、４００−２に送信する。

コンテンツ要求転送部５６０は、クライアント端末４００−１、４００−２のコンテンツ要求送信部４４０から送信されたコンテンツ提示要求であるコンテンツ要求データを、コンテンツ評価処理部３２０に転送する。

（４）影響度分析装置
影響度分析装置２００は、履歴情報受信部２１０と、人間体系データベース２２０と、影響度の特徴スコア算出部２３０と、各人・グループに対する影響度の概念体系更新処理部２４０と、各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０を備える。

履歴情報受信部２１０は、履歴情報転送部５５０から一覧閲覧コンテンツリストと詳細閲覧コンテンツリストと、各リストに付与されたオススメタグ情報を取得する。オススメタグの付与された一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストの例を図８に示す。

図８において、例えばＡＡさんは、クライアント端末４００−１において、５０個（＝Ｓ）のコンテンツが一覧表示されている中から、１０個（＝ａ）のコンテンツの詳細を閲覧した場合を考える。ここで、一覧表示されている５０個のコンテンツのうち、「野球」という概念が含まれているコンテンツが１５個（＝Ｕ）、また、「Ａさんオススメ」がついたコンテンツが１０個（＝Ｍ）あり、そのうち「Ａさんオススメ」かつ「野球」が含まれるコンテンツが６個（＝ｄ）である。そして、ユーザが閲覧した１０個のコンテンツのうち、「Ａさんオススメ」のついたコンテンツが４個（＝ｍ）、「野球」という概念が含まれているコンテンツが５個（＝ｂ）、そのうち、「Ａさんオススメ」かつ「野球」がついたコンテンツが４個（＝ｄ）であるものとする。

ユーザが情報を閲覧する際、オススメタグが付与されたコンテンツについて閲覧率が上昇した場合には、ユーザのオススメタグを付与した他ユーザからの影響度は正（＋）であるものとみなす。また、オススメタグが付与された情報についての閲覧率が下降した場合には、ユーザのオススメタグを付与した他ユーザからの影響度は負（−）であるものとみなす。また、オススメタグが付与された情報についての閲覧率が変化しなかった場合には、ユーザへのオススメタグを付与した他ユーザからの影響度はないものとみなすことができる。

以下、図８の例における影響度分析処理のいくつかの実施例を説明する。
（４−１）第１の実施例
図９は、第１の実施例に係る影響度分析処理を示す図である。影響度の特徴スコア算出部２３０は、上記Ｓ，ａ，Ｍ，ｍを分析パラメータとして利用して、ＡＡさんへのＡさんからの影響度の特徴スコアＺ′を算出する。影響度の特徴スコアＺ′は、上記図５に示した算出式において、Ｕ，ｂをＭ，ｍに置き換えることで算出することができる。

影響度の特徴スコアＺ′を求めるために、まず累積確率Ｈ１、Ｈ２を求める。Ｈ１は、Ｓ個の一覧コンテンツのうち「Ａさんオススメ」が出現する数がＭのとき、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」が出現する詳細閲覧コンテンツがｍ個以上となる累積確率である。また、Ｈ２は、Ｓ個の一覧閲覧コンテンツのうち「Ａさんオススメ」が出現する数がＭのとき、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」が出現する詳細閲覧コンテンツがｍ個以下となる累積確率である。そして、Ｈ１、Ｈ２のうち０．５未満の方を採用し、標準正規分布の累積分布関数の逆関数により特徴スコアＺ′を求める。なお、累積確率としてＨ２を利用する場合には、標準正規分布の累積分布関数の逆関数の返値の符号を負にして特徴スコアとする。Ｈ１、Ｈ２のいずれも０．５以上だった場合には、特徴スコアは０とする。

上記の場合（Ｓ＝５０、ａ＝１０、Ｍ=１０、ｍ＝４）、Ｈ１＝０．０９６６、Ｈ２＝０．９８１であり、特徴スコアはＺ′=１．３となる。
かくして「Ａさんオススメ」に対する影響度の特徴スコアが算出される。算出された特徴スコアを、各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０に渡す。各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０には、興味推定と同様の概念体系を構成する各概念に影響度スコアを持たせておく。

そして、第１の実施例の場合、影響度について各概念について同等と見なすため、Ａさんの影響度を示す概念体系のルート概念に影響度の特徴スコアを記憶させる。また、一覧コンテンツリストが更新され、ユーザの閲覧履歴も更新された場合には再度、影響度の特徴スコアを算出し、影響度スコアを更新させる。更新には、下記式(1) の影響度スコア更新式を用いる。第１の実施例の場合、概念iはルート概念である。

なお、式(1) において、重みｗは初期値ｗ＝１とし、コンテンツに関するユーザの操作履歴（お気に入りコンテンツとしての登録や、コンテンツへの評価入力等）、コンテンツの閲覧時間及び閲覧状況、並びにコンテンツとオススメタグとの関連度の少なくとも１つに応じて変化させることができる。ユーザ影響度スコアの算出に際し、閲覧時のユーザの状況や閲覧操作の特徴（お気に入り登録、長時間閲覧等）などを反映することで、ユーザの行動や状況に基づいてユーザ影響度スコアをさらに的確に求めることが可能となる。

また、ルート概念のスコアを子孫にあたる下位概念についても同値で与える。「Ａさんオススメ」に関する影響度のスコア更新が終了した後に、同一の一覧閲覧コンテンツに含まれる、Ａさん以外の「オススメタグ」を付与した人についても、上記と同様の方法で影響度に関する特徴スコアを算出し、上記式(1) を用いて影響度スコアの更新を行う。

すなわち、第１の実施例によれば、ユーザの選択候補となる一覧閲覧コンテンツリストにおける各「オススメタグ」が出現するコンテンツ数（Ｍ）と、一覧閲覧コンテンツリストからユーザが選択した詳細閲覧コンテンツリストにおける各「オススメタグ」が出現するコンテンツ数（ｍ）とを算出し、このＭおよびｍを比較分析することで、各“「オススメタグ」の出現の希少性を考慮し、且つ選択候補のコンテンツに付与されている「オススメタグ」が、比較的に「選ばれる」という事象だけでなく、比較的に「選ばれない」という事象の出現数の特徴を活用することができるため、ユーザの他者からの影響度を高精度に推定することが可能となる。

（４−２）第２の実施例
第２の実施例では、ＡＡさんへのＡさんからの特定の概念（又は特定のジャンル）毎の影響度を推定する手法を説明する。図１０は、この第２の実施例に係る影響度分析処理を示す図である。影響度の特徴スコア算出部２３０は、分析パラメータＳ，ａ，Ｄ，ｄを利用してＡさんに対する影響度の特徴スコアＺ′を算出する。この場合の影響度の特徴スコアＺ′は、上記図５に示した算出式において、Ｕ，ｂをＤ，ｄに置き換えることで算出することができる。

第２の実施例の場合、Ｈ１は一覧閲覧コンテンツＳ個のうち「Ａさんオススメ」かつ「野球」が同時についたコンテンツが出現する数がＤのとき、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」かつ「野球」が同時に出現する詳細閲覧コンテンツがｄ個以上となる累積確率である。また、Ｈ２は、一覧閲覧コンテンツのうち「Ａさんオススメ」かつ「野球」が同時についたコンテンツが出現する数がＤのとき、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」かつ「野球」が同時に出現する詳細閲覧コンテンツがｄ個以下となる累積確率である。そして、Ｈ１、Ｈ２のうち０．５未満の方を採用し、標準正規分布の累積分布関数の逆関数により特徴スコアＺ′を求める。なお、累積確率としてＨ２を利用する場合には、標準正規分布の累積分布関数の逆関数の返値の符号を負にして特徴スコアとする。Ｈ１、Ｈ２のいずれも０．５以上だった場合には、特徴スコアは０とする。
以上より、「Ａさんの野球に関するオススメ」に対する影響度の特徴スコアが算出される。

加えて、「野球」の上位概念にあたる、例えば「スポーツ」のような特定のジャンルについて、「Ａさんオススメ」と「スポーツ」が同時に出現する数（＝ｑ）を用いて、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」かつ「スポーツ」が同時に出現する詳細閲覧コンテンツがｑ個以上となる累積確率（Ｈ１）と、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」かつ「スポーツ」が同時に出現する詳細閲覧コンテンツがｑ個以下となる累積確率（Ｈ２）を求める。そして、上記と同様に、「Ａさんのスポーツに関するオススメ」に対する影響度の特徴スコアを求める。

同様に、「スポーツ」の下位概念にあたる、例えば「サッカー」についても、「Ａさんオススメ」と「スポーツ」が同時に出現する数（＝ｑ）を用いて、「Ａさんのサッカーに関するオススメ」に対する影響度の特徴スコアも求める。

「Ａさんオススメ」に関する影響度のスコア更新が終了した後に、同一の一覧閲覧コンテンツに含まれる、Ａさん以外の「オススメタグ」を付与した人についても、上記と同様の方法で影響度に関する特徴スコアを算出し、上記式(1) を用いて影響度スコアの更新を行う。

第２の実施例によれば、「オススメタグ」が付与されたコンテンツについて「オススメタグ」が付与されていると同時に概念が付与されていることを利用し、影響度について「オススメタグ」を付与した他ユーザに対しての各概念についての影響度の推定が可能である。すなわち、人に対する影響について１つのスコアで表現するだけでなく、ジャンルによる影響度の違い（例えば、ＡＡさんはＡさんに対してジャンルＸについて影響を受けるが、ジャンルＹについて影響を受けない。）などを把握することも可能である。

（４−３）第３の実施例
図１１は、第３の実施例に係る影響度分析処理を示す図である。第３の実施例では、ＡＡさんへのグループＦからの影響度を推定する手法を説明する。つまり、お薦め情報を付与した他ユーザらがグループ属性や組織体系を有し、これらの関係について階層的な体系を作成できる場合（以後、前述の人から成る体系を人間体系という）に、一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストのコンテンツに出現するオススメタグを付与した他ユーザの上位のグループ属性を人間体系から抽出し、上位のグループ属性が当該コンテンツに出現するものとみなして、上位のグループ属性に対するユーザの影響度スコアを更新することをさらに特徴とするものである。なお、上記人間体系の関係情報は、多数の前記他ユーザあるいはグループ属性が相互に関連を持つことでグラフ構造を持つことができる。グラフ構造を持つ場合には、各前記他者あるいはグループ属性の直接あるいは間接の上位属性を「親グループ」、直接あるいは間接の下位属性を「子グループ」と呼ぶ（個人の場合も所属するメンバーが一人のグループとみなす）。

人間体系データベース２２０は、一覧閲覧コンテンツリストに含まれるオススメタグ付
与者の一覧（本例の場合、「Ａさん」、「Ｃさん」、「Ｄさん」及び「Ｅさん」）を、履歴情報受信部２１０から受け取って格納する。履歴情報受信部２１０は、人間体系データベース２２０から、オススメタグ付与者の上位の人間体系（集団あるいは属性など）を読み出す（本例の場合、「グループＦ」、「グループＧ」及び「グループＨ」）。履歴情報受信部２１０は、人間体系データベース２２０から読み出した親グループを加えて、影響度の特徴スコア算出部２３０にオススメタグ情報を渡す。

影響度の特徴スコア算出部２３０は、履歴情報受信部２１０からグループの情報が加えられたオススメタグ情報を受け取る。影響度の特徴スコア算出部２３０は、上記第１の実施例と同様の方法で、「Ａさんオススメ」、「Ｃさんオススメ」、「Ｄさんオススメ」及び「Ｅさんオススメ」に関する影響度の特徴スコアを更新する。

さらに、親グループについての影響度スコアを求める。具体例として、「グループＦ」の影響度スコアを求める方法を示す。まず、「グループＦ」に所属する個人「Ａさん」、「Ｂさん」及び「Ｃさん」のオススメタグを含むコンテンツ（本例の場合、「Ａさんオススメ」「Ｃさんオススメ」の２個）を「グループＦオススメ」とみなし、「グループＦ」に所属する個人のオススメタグを含むコンテンツの合計数を用いて、前述の方法と同様に影響度の特徴スコアを求め、上記式(1) を用いて影響度スコアの更新を行う。

一覧閲覧コンテンツ（Ｓ個）のうち「グループＦオススメ」が出現する数がＲ個の場合に、詳細閲覧コンテンツ（ａ個）を選択したときの「グループＦオススメ」が出現する詳細閲覧コンテンツがｒ個であるものとする。このとき、影響度の特徴スコア算出部２３０は、分析パラメータＳ，ａ，Ｒ，ｒを利用して「グループＦ」に対する影響度の特徴スコアＺ′を算出する。この場合の影響度の特徴スコアＺ′は、上記図５に示す算出式において、Ｎ，ｎをＲ，ｒに置き換えることで算出することができる。

さらに、学習対象となった親グループの下位に属する子グループ（「グループＦ」では、「Ａさん」、「Ｂさん」、「Ｃさん」）について、一覧閲覧コンテンツリストに含まれない子グループについて（本例の「グループＦ」では「Ｂさん」）については、「グループＦ」の特徴スコアを用いて、影響度スコアの更新を行う。

更新された影響度スコアは各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０内の各人、グループの影響度概念体系のルート概念に記憶させる。そして、ルート概念のスコアを子孫にあたる下位概念についても同値で与える。

（４−４）第４の実施例
図１２は、第４の実施例に係る影響度分析処理を示す図である。人間体系データベース２２０は、上記第３の実施例と同様のものとする。影響度の特徴スコア算出部２３０は人間体系データベース２２０から受け取ったオススメタグについて、上記第２の実施例と同様の方法を用いて、オススメタグを付与した人（またはグループ）ついての、ジャンル毎の影響度スコアを更新する。

（５）信頼度分析装置
信頼度分析装置６００は、履歴情報受信部６１０と、信頼度算出元データベース６２０と、信頼度係数算出部６３０と、信頼度係数データベース６４０を有する。
履歴情報受信部６１０は、信頼度係数算出対象に該当する情報の総数Ｎをコンテンツサーバ５００から受信すると共に、クライアント端末４００−１、４００−２により生成された一覧閲覧コンテンツリストと詳細閲覧コンテンツリストをコンテンツサーバ５００の履歴情報転送部５５０から受信する。そして、この受信した信頼度係数算出対象に該当する情報の総数Ｎと、上記一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストより求められる信頼度係数算出対象に該当する対象ユーザへの情報の表示数の累計値ｎと、信頼度係数の算出対象に該当するユーザの選択行動の特徴に関係する行動履歴（例えば、詳細ページ閲覧履歴、ブックマーク登録履歴）の累計値ｍを、信頼度算出元データとして信頼度算出元データベース６２０に記憶させる。

信頼度係数算出部６３０は、上記信頼度算出元データベース６２０からユーザ毎及び信頼度検出対象（例えばカレー、牛丼といったグルメジャンル）毎に上記信頼度算出元データＮ，ｎ，ｍを読み出す。そして、この読み出した信頼度算出元データＮ，ｎ，ｍの一部又は全てを使用して、上記ユーザ毎に各信頼度検出対象（例えばカレー、牛丼といったグルメジャンル）についての信頼度係数Ｔを算出する。その算出方法については後に詳しく述べる。

信頼度係数データベース６４０は、上記信頼度係数算出部６３０によりユーザ毎に各信頼度検出対象（例えばカレー、牛丼といったグルメジャンル）について算出された信頼度係数Ｔを記憶するために使用される。

次に、信頼度分析装置６００の動作を説明する。
先ず履歴情報受信部６１０では、履歴情報転送部５５０から通信ネットワークを介して信頼度係数算出対象に該当する情報の総数Ｎが取得される。ここで、信頼度係数算出対象に該当する情報とは、例えばカレー、牛丼といったグルメジャンル、経済、円高、野球といったニュースのカテゴリや概念用語、Ａさん、Ｂさん、Ｘグループといったオススメタグ又はトピック等であり、またその総数Ｎとは例えば当該情報に関する該当店舗総数、該当ニュース総数、該当オススメタグ総数等からなる。そして、上記取得された総数Ｎは信頼度算出元データベース６２０に格納される。

また履歴情報受信部６１０では、クライアント端末４００−１、４００−２により生成された一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストが、コンテンツサーバ５００の履歴情報転送部５５０から取得される。そして、これらの履歴をもとに信頼度係数算出対象に該当する対象ユーザへの情報の表示数の累計値ｎと、信頼度係数の算出対象に該当するユーザの選択行動の特徴に関係する行動履歴（例えば詳細ページ閲覧履歴、ブックマーク登録履歴）の累計値ｍが算出され、この算出された表示数の累計値ｎ及び行動履歴の累計値ｍが、ユーザＩＤに関連付けて信頼度算出元データベース６２０に格納される。

信頼度係数算出部６３０は、図１３に示すように先ずステップＳ１１において信頼度算出元データベース６２０から上記Ｎ，ｎ，ｍを読み出し、この読み出されたＮ，ｎ，ｍを用いて信頼度係数Ｔを算出する（ステップＳ１２）。なお、信頼度係数Ｔとは、端的に言えば、サンプルから回答率ｐを得た場合に、この回答率ｐが、母集団Ｎから回答率ｐ_１を得た場合とどの程度ずれているかを表す指標（標本誤差と言う）の逆数であり、誤差が小さくなるほど値が大きくなるという特性を持つ。

信頼度係数を算出する方法には以下の３つの実施例が考えられる。
（５−１）第１の実施例
予め定めたしきい値ｋにより定義されるステップ関数を用意しておく。このステップ関数の式を以下に示す。

そして、ｎを上記しきい値ｋと比較し、ｎがしきい値ｋになるまでは信頼度係数をＴ＝０とし、ｎが上記しきい値ｋ以上のときには信頼度係数Ｔ＝１とする。図１４は上記ステップ関数をグラフとして示したものである。

（５−２）第２の実施例
図１５は、信頼度係数算出方法の第２の実施例を説明するための図である。例えば、いまカレー屋登録総数をＮとし、ユーザにカレー屋の情報を表示した数の累計をｎとし、ユーザがカレー屋に関する詳細ページを閲覧した累計をｍとし、ユーザがカレー屋に関する詳細ページを閲覧した割合をｐとしたとする。この場合、信頼度係数算出部６３０は、以下の式(3-1) ，(3-2) により信頼度係数Ｔを算出する。

ただし、ｐ＝０のとき、ｐ＝１／（ｎ＋１）とし、ｐ＝１のとき、ｐ＝ｎ／（ｎ＋１）とする。これにより、ｎが０の場合はｐ=０．５とし、誤差最大となり、ｎが大きくなるに従い、ｐ＝０あるいはｐ＝１に近づくため、妥当な結果を得る。

なお、この式(3-1) ，(3-2) は、標本調査等で用いられるランダムサンプリングにおいて、回答率ｐが既知の時に標本数ｎを抽出の際の母集団Ｎを推定する場合の標本誤差を求める統計手法に基づくものである。Ｅは標本誤差といい、サンプルから回答率ｐを得た場合に、この回答率ｐが、母集団Ｎから回答率ｐ_１を得た場合とどの程度ずれているかを表すものである。

式(3-1)を用いると、母集団Ｎの大きさを考慮した信頼性を求めることができる。また、このとき回答率ｐについては、式(3-2)に示すようにｐ＝ｍ／ｎとして算出しても、また標本誤差が最大になる０．５を用いてもよく、さらにその他任意の値を用いてもよい。なお、式(3-1) の係数１．９６は信頼区間９５％、すなわち母集団Ｎにおいて９５％の確率で標準正規分布を仮定した場合の係数であり、この係数は信頼区間に基づいて変更が可能である。

横軸を標本数ｎ、縦軸を標本誤差Ｅ又は１−Ｅにとり、Ｎ＝１００、ｐ＝０．５のときのグラフを図１６に示す。図１６に示すように、信頼度係数１−Ｅは標本数ｎの値が大きいほど回答率ｐ_１が母集団Ｎから回答率ｐ_２を得る場合に近似した傾向となり、回答率ｐ_１が信頼できる値であることがわかる。

（５−３）第３の実施例
この第３の実施例は、上記第１及び第２の実施例で述べた信頼度係数算出方法を併用するものである。
すなわち、１−Ｅがしきい値ｋになるまでの信頼度係数をＴ＝０、しきい値ｋ以上の時には信頼度係数Ｔ＝１−Ｅとする。これは以下の式(4)で表される。

また、図１７にこの式(4)で表されるグラフを示す。但し、このグラフは母集団Ｎ＝１００、回答率ｐ＝０．５の場合を例示したものである。このグラフに示すように、ある一定の基準以下の標本誤差Ｅが確保されるまで信頼度係数Ｔは０になる。

第２の実施例を用いた場合、信頼度が低い興味スコアを低く抑えた場合であっても、初回に表示されたリストがベースとなって学習が進むため、リストに最初に表示されなかったものについては、たとえユーザがこれらを“好き”だったとしても上位に表示されることはないとう課題が残存するが、第３の実施例を用いた場合、学習初期時に多様な学習が進み、かつ第１の実施例に示した信頼度係数算出方法と比較し、学習回数が少ない学習結果がレコメンドに反映されにくくなるため、第１及び第２の実施例に示した方法よりも精度の高い信頼度係数Ｔを算出することができる。

上記信頼度係数Ｔの計算は、ユーザ別に、かつ信頼度係数算出対象（例えばグルメジャンル、ニュースのカテゴリや概念用語、オススメタグ又はトピック）毎に行われる。そして、算出された信頼度係数Ｔは、ユーザＩＤ及び信頼度係数算出対象に関連付けられて信頼度係数データベース６４０に格納される。

（６）コンテンツスコアリング装置
コンテンツスコアリング装置３００は、ソート済みコンテンツリスト送信部３１０と、コンテンツ評価処理部３２０と、コンテンツデータベース３３０と、コンテンツ・オススメタグ受信部３４０を備える。

コンテンツスコアリング装置３００は、コンテンツリスト送信部５３０から、提示対象のコンテンツを受信し、コンテンツをスコアリングし、スコアを元にコンテンツをソートし、ソート済みコンテンツリスト受信部５２０にソート済みコンテンツリストを渡す。

具体的には、以下のような処理が行われる。
（６−１）興味スコアと影響度スコアをもとにコンテンツ評価を行う場合
図１８は、この興味スコアと影響度スコアをもとにコンテンツ評価を行う場合の処理の概要を示す図である。
コンテンツ・オススメタグ受信部３４０は、コンテンツリスト送信部５３０から、提示対象コンテンツと、提示対象コンテンツの内容を示す概念と、提示対象コンテンツにユーザから付与された「オススメタグ」を受信し、コンテンツデータベース３３０に格納する。

次に、コンテンツ評価処理部３２０は、各提示対象コンテンツ（例えば、評価コンテンツ（評価コンテンツ１には「概念Ｈ」、「概念Ｅ」、「Ａさんオススメ」、「Ｂさんオススメ」のタグが付いている。）について、コンテンツのオススメタグを付与した人からの影響度概念体系（「Ａさん」、「Ｂさん」の影響度概念体系）のうち、「概念Ｈ」スコアを用いて、下記式(5) により評価用影響度スコアを求める。「概念Ｅ」についても同様に行う。

その後、興味スコアを持つ概念体系のうちの「概念Ｈ」、「概念Ｅ」の持つスコアを用いて、下記式(6) により評価用興味スコアを求める。

そして、前述した評価用影響度スコアと評価用興味スコアを用いて、下記式(7) により評価用影響度スコアと評価用興味スコアを重ね合わせ、評価コンテンツ１の評価スコアを求める。

同様に、すべての提示対象コンテンツについて評価スコアを求め、この算出された評価スコアをもとにコンテンツをソートする。そして、このソート済のコンテンツをソート済コンテンツリスト送信部３１０に渡す。ソート済コンテンツリスト送信部３１０は、ソート済みコンテンツリスト受信部５２０にソート済コンテンツリストを送信する。

ソート済みコンテンツリスト受信部５２０は、ソート済みコンテンツリストをもとに、コンテンツ送信処理部５１０にソートされたコンテンツを送り、クライアント端末４００−１のコンテンツ提示部４３０に送信する。

以上述べたように、ユーザ自身の興味と当該ユーザへの他ユーザからの影響を考慮することで、コンテンツを閲覧する際のユーザの他者からの影響度を高精度に推定することができる。これにより、ユーザに対して実際の社会生活や選択行動に近しい情報推薦サービスが実現可能となる。

（６−２）興味スコア又は影響度スコアに信頼度係数を加味してコンテンツ評価する場合
コンテンツスコアリング装置３００は、図１３のステップＳ１３において、先ず評価対象とするユーザのＩＤをもとに興味分析装置１００又は影響度分析装置２００から興味スコア又は影響度スコアを取得する。また、コンテンツデータベース３３０からユーザに対する表示対象リストを取得し、この表示対象リストの中に含まれるグルメジャンルや概念用語といった評価対象項目に該当する信頼度係数を、信頼度係数データベース６４０から取得する。そして、取得した興味スコア又は影響度スコアと、表示対象リストと、評価対象項目の信頼度係数をコンテンツ評価処理部３２０に送る。

コンテンツ評価処理部３２０は、上記表示対象リストに含まれる全てのコンテンツについて、ユーザ興味スコア又は影響度スコアに信頼度係数を掛け合わせてコンテンツを点数化する。式(8) は、ユーザ興味スコアに信頼度係数を掛け合わせる場合のコンテンツ評価スコアの計算式を示すものである。

式(8) において、Ｔi は信頼度係数を、totalZiはユーザ毎に算出される各ジャンルのユーザ興味スコアをそれぞれ示し、またｗi は各コンテンツを示すジャンルの重みを示している。この重みｗi は、例えばコンテンツが複数のジャンル（或いはトピックや概念）で表される場合には、各ジャンルｉ（或いはトピックや概念）とコンテンツの関連性の強さ等により定められる。なお、重みｗi はサービス提供者等が任意に設定するようにしてもよい。

なお、式(8) はユーザ興味スコアを用いた場合の計算式を示したが、ユーザ興味スコアの代わりに影響度スコアを用いてもよい。この場合は、先に述べた数(5) の右辺で示される影響度スコアと信頼度係数Ｔiとを用いて、上記式(8) によりコンテンツを点数化するようにしてもよい。

（７）コンテンツのソートとその結果の出力
ソート済みコンテンツリスト送信部３１０は、以下の２通りのいずれかの方法で、コンテンツのソートとソート済コンテンツリストの出力処理を行う。

（７−１）第１の実施例
ソート済みコンテンツリスト送信部３１０は、コンテンツ評価処理部３２０から受け取ったコンテンツスコアを基に、コンテンツ情報をソートし、コンテンツスコア順に並べ替えたソート結果をソート済みコンテンツリストとしてコンテンツサーバ５００へ送信する。

コンテンツサーバ５００は、ソート済みコンテンツリスト受信部５２０により上記コンテンツスコアリング装置３００から送信されたソート済みコンテンツリストを受信し、この受信したソート済みコンテンツリストをコンテンツ送信処理部５１０から該当するユーザのクライアント端末４００−１、４００−２へ転送する。この結果、クライアント端末４００−１、４００−２のコンテンツ提示部４３０には上記ソート済みコンテンツリストが表示される。

（７−２）第２の実施例
ソート済みコンテンツリスト送信部３１０は、図２０に示すように表示リスト或いはユーザのクライアント端末４００−１、４００−２の表示画面領域のうち、サービス利用者が定める任意の割合Ｓの部分をソート済みコンテンツの表示領域として割り当て、また残りの１−Ｓの部分を興味推定がなされていないコンテンツの表示領域として割り当てる。そして、上記Ｓの部分に、コンテンツ評価処理部３２０から受け取ったコンテンツスコアをもとにソートした結果を表示させるように配置する。また、１−Ｓの部分に、興味推定がされていない評価項目対象が含まれるコンテンツをランダムに表示させるように配置する。

（８）信頼度係数の算出処理とコンテンツ評価処理の具体例
ここでは、信頼度係数算出対象としてグルメジャンルを取り扱い、先に（５−３）に述べた信頼度係数算出方法の第３の実施例を用いて信頼度係数Ｔを算出する場合を例にとって説明する。

いま例えば、信頼度算出元データベース６２０に図１９（ａ），（ｂ），（ｃ）に示すように、グルメジャンル毎の登録店舗総数Ｎ、任意のユーザに表示したグルメジャンル毎の表示店舗数の累計ｎ、当該ユーザによるグルメジャンル毎の店舗詳細情報の閲覧数の累計ｍが記憶されているものとする。また、概念体系／ユーザ興味スコアデータベース１４０には図１９（ｅ）に示すユーザ興味スコアが記憶され、またコンテンツデータベース３３０には図１９（ｆ）に示す店舗名とそのグルメジャンルとの対応関係を表すデータが記憶されているものとする。

信頼度分析装置６００の信頼度係数算出部６３０は、信頼度算出元データベース６２０から、図１９（ａ）に示される各グルメジャンルに該当する店舗総数Ｎと、図１９（ｂ）に示される各グルメジャンルに該当する店舗の、着目するユーザに対する表示店舗数の累計ｎと、図１９（ｃ）に示される各グルメジャンルに該当する店舗の詳細閲覧履歴の累計に関するデータｍをそれぞれ読み出す。そして、上記（５−３）に述べた信頼度係数の計算式(4) を用いて信頼度係数Ｔを算出する。

いまｋ＝５とすると信頼度係数Ｔは以下の式により算出される。

例えば、いまユーザＡについてグルメジャンル別の信頼度係数を計算する場合、グルメジャンル（「カレー」、「牛丼」、「沖縄料理」、「寿司」、「ラーメン」）別に、該当する店舗総数Ｎ、取得した各グルメジャンルに該当する店舗の表示店舗数の累計ｎ、各グルメジャンルに該当する店舗の詳細閲覧履歴の累計に関するデータｍを式(9) に代入することにより、以下のような計算が行われる。

そして、算出されたユーザＡに関するグルメジャンル別の信頼度係数Ｔは、信頼度係数データベース６４０に記憶される。なお、このとき過去に算出した値が既に記憶されている場合には、この過去の値が上記新たに算出された値に更新される。

コンテンツスコアリング装置３００のコンテンツ評価処理部３２０は、コンテンツデータベース３３０から図１９（ｆ）に示すように各店舗のグルメジャンル「カレー」、「牛丼」、「牛丼」、「沖縄料理」、「寿司」、「カレー」、「ラーメン」、「ラーメン」を読み出す。そして、コンテンツ評価処理部３２０は、上記読み出したグルメジャンルに該当する信頼度係数を信頼度係数データベース６４０に問い合わせ、上記式（10）で算出されたＴ(カレー、Ａさん)＝０．６３、Ｔ(牛丼、Ａさん)＝０.７３、Ｔ(沖縄料理、Ａさん)＝０、Ｔ(寿司、Ａさん)＝０、Ｔ(ラーメン、Ａさん)＝０.７０を読み出す。

そして、各コンテンツについて評価スコアを計算する。この実施形態では先に述べた式(8) を用いて以下のような計算が行われる。

なお、この実施形態では各コンテンツは１つのジャンルからなるため、i=1であり、また各重みは１とする。

ソート済コンテンツリスト送信部３１０では、上記算出されたコンテンツスコアをもとにコンテンツのソートが行われ、このソート済のコンテンツリストはコンテンツサーバ５００を介してユーザＡのクライアント端末に送られ、そのコンテンツ提示部４３０に表示される。図２１にその表示結果の一例を示す。同図に示すように、スコアの高いコンテンツほどリストの上側に表示され、スコアの低いコンテンツほどリストの下側に表示される。なお、図２１ではコンテンツに対応付けてそのグルメジャンルを併記している。

以上詳述したようにこの実施形態では、ユーザの選択行動の特徴の推定結果に対する信頼度係数を算出し、この信頼度係数をユーザ興味スコアに乗じることでコンテンツスコアを算出して、このコンテンツスコアをもとにコンテンツの表示順序をソートしている。このため、推定結果の信頼性が担保されるまでの間、他の推定対象の学習機会を確保することができ、誤学習を減らすことができる。また、コンテンツの誤評価によるリスト表示の誤りを減らすことができる。

さらにこの実施形態では、算出されたコンテンツスコアを利用せずにランダムに選択したリストを表示させるための表示領域がソート済コンテンツリストに付加される。このため、ある程度学習が進んだ段階であっても、未学習の評価項目対象を継続的にユーザに提示でき、幅広い興味を学習することが可能になる。

なお、この発明は上記実施形態に限定されるものではない。例えば、前記実施形態では信頼度係数を算出する際に、信頼度係数算出対象に該当する対象ユーザへの情報の表示数の累計値ｎに対ししきい値ｋを設定し、このしきい値ｋにより定義されるステップ関数を用いて信頼度係数を算出するようにした。しかし、これに限定されるものではなく、図１６の縦軸に示した信頼度（１−Ｅ）に対ししきい値を設定し、このしきい値により定義されるステップ関数を用いて信頼度係数を算出するようにしてもよい。例えば、信頼度（１−Ｅ）が０．５未満の場合には０とし、０．５以上の場合には図１７に示した曲線を用いて信頼度を算出する。すなわち、信頼度が担保されていない推定結果はゼロと見なし、一定以上の信頼度が得られた場合にその値に応じて信頼度を考慮する。

また、図２では興味分析装置１００内に概念体系／ユーザ興味スコアデータベース１４０を、影響度分析装置２００内に人間体系データベース２００及び影響度概念体系データベース２５０を、コンテンツスコアリング装置３００内にコンテンツデータベース３３０を、信頼度分析装置６００内に信頼度算出元データベース６２０及び信頼度係数データベース６４０をそれぞれ設けた場合を例にとって説明したが、これらのデータベースは各分析装置及びコンテンツスコアリング装置３００の外に設けるようにしてもよい。

また、情報発信者について、同一システムのユーザに限るものでなく、例えば、ブログの著者などでもよい。

要するにこの発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

１００…興味分析装置、１１０…履歴情報受信部、１２０…興味の特徴スコア算出部、１３０…興味概念体系更新処理部、１４０…概念体系／ユーザ興味スコアデータベース、２００…影響度分析装置、２１０…履歴情報受信部、２２０…人間体系データベース、２３０…影響度の特徴スコア算出部、２４０…各人・グループに対する影響度の概念体系更新処理部、２５０…各人・グループに対する影響度スコアを持つ影響度概念体系データベース、３００…コンテンツスコアリング装置、３１０…ソート済みコンテンツリスト送信部、３２０…コンテンツ評価処理部、３３０…コンテンツデータベース、３４０…コンテンツ・オススメタグ受信部、４００…クライアント端末、４１０…履歴収集部、４２０…履歴情報送信部、４３０…コンテンツ提示部、４４０…コンテンツ要求送信部、５００…コンテンツサーバ、５１０…コンテンツ送信処理部、５２０…ソート済みコンテンツリスト受信部、５３０…コンテンツリスト送信部、５４０…コンテンツリスト入力部、５５０…履歴情報転送部、５６０…コンテンツ要求転送部、６００…信頼度分析装置、６１０…履歴情報受信部、６２０…信頼度算出元データベース、６３０…信頼度係数算出部、６４０…信頼度係数データベース、７００…表示対象データベース

Claims (7)

1. コンピュータにより、提示対象の情報に対するユーザの興味の度合いを表す情報、又はユーザが前記提示対象の情報をもとに行動を起こす際の他ユーザからの影響度の度合いを表す情報をもとに、前記ユーザの行動の特徴を推定し、その推定結果に基づいて前記ユーザに推薦すべき情報を選択し提示する情報推薦方法であって、
   前記提示対象となる情報又はその集合毎に、ユーザに対する当該提示対象となる情報の提示履歴又は当該提示対象となる情報に基づくユーザの行動履歴をもとに、当該ユーザの行動の特徴の推定結果に対する信頼度を表す情報を算出する過程と、
   前記提示対象情報に対するユーザの興味の度合いを表す情報及び前記影響度の度合いを表す情報の少なくとも一方と、前記算出された信頼度を表す情報とをもとに、前記提示対象の情報又はその集合に対する評価点を算出する過程と、
   前記算出された評価点に基づいて、前記ユーザに推薦すべき情報のリストを生成する過程と
   を具備することを特徴とする情報推薦方法。
2. 前記信頼度を表す情報を算出する過程は、
   信頼度の算出対象に該当する情報の総数Ｎと、前記信頼度の算出対象に該当する情報のうち前記ユーザに提示した情報の累計値ｎと、前記信頼度の算出対象に該当する情報に対する前記ユーザの行動の累計値ｍを取得する過程と、
   前記取得された情報の総数Ｎ、提示情報の累計値ｎ及び行動の累計値ｍのうちの少なくとも一つに基づいて信頼度係数を算出する過程と
   を備えることを特徴とする請求項１記載の情報推薦方法。
3. 前記リストを生成する過程は、前記算出された評価点に基づいて選択された推薦情報を提示する第１の領域と、任意に選択された推薦情報を提示する第２の領域とを有するリストを生成することを特徴とする請求項１又は２記載の情報推薦方法。
4. 提示対象の情報に対するユーザの興味の度合いを表す情報、又はユーザが前記提示対象の情報をもとに行動を起こす際の他ユーザからの影響度の度合いを表す情報をもとに、前記ユーザの行動の特徴を推定し、その推定結果に基づいて前記ユーザに推薦すべき情報を選択し提示する情報推薦装置であって、
   前記提示対象となる情報又はその集合毎に、ユーザに対する当該提示対象となる情報の提示履歴又は当該提示対象となる情報に基づくユーザの行動履歴をもとに、当該ユーザの行動の特徴の推定結果に対する信頼度を表す情報を算出する手段と、
   前記提示対象情報に対するユーザの興味の度合いを表す情報及び前記影響度の度合いを表す情報の少なくとも一方と、前記算出された信頼度を表す情報とをもとに、前記提示対象の情報又はその集合に対する評価点を算出する手段と、
   前記算出された評価点に基づいて、前記ユーザに推薦すべき情報のリストを生成する手段と
   を具備することを特徴とする情報推薦装置。
5. 前記信頼度を表す情報を算出する手段は、
   信頼度の算出対象に該当する情報の総数Ｎと、前記信頼度の算出対象に該当する情報のうち前記ユーザに提示した情報の累計値ｎと、前記信頼度の算出対象に該当する情報に対する前記ユーザの行動の累計値ｍを取得する手段と、
   前記取得された情報の総数Ｎ、提示情報の累計値ｎ及び行動の累計値ｍのうちの少なくとも一つに基づいて信頼度係数を算出する手段と
   を備えることを特徴とする請求項４記載の情報推薦装置。
6. 前記リストを生成する手段は、前記算出された評価点に基づいて選択された推薦情報を提示する第１の領域と、任意に選択された推薦情報を提示する第２の領域とを有するリストを生成することを特徴とする請求項４又は５記載の情報推薦装置。
7. 請求項１乃至３のいずれかに記載の情報推薦方法が備える各過程における処理を前記コンピュータに実行させるプログラム。

Images