JP2013218440A

JP2013218440A - 推定興味度スコアデータベース生成装置及び方法及びプログラム

Info

Publication number: JP2013218440A
Application number: JP2012086893A
Authority: JP
Inventors: Yoshihiko Kazuhara; 良彦数原; Naoki Fujita; 尚樹藤田; Ryoji Kataoka; 良治片岡
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2012-04-05
Filing date: 2012-04-05
Publication date: 2013-10-24
Anticipated expiration: 2032-04-05
Also published as: JP5801242B2

Abstract

【課題】ユーザの閲覧範囲に応じてクリックログの影響を考慮して、推定興味度スコアデータベースを生成する。
【解決手段】本発明は、キーワード毎に、メッシュＩＤと、該メッシュＩＤに対するクリック頻度を格納したクリック頻度ヒストグラム記憶手段からキーワードのメッシュＩＤとクリック頻度を取得して、二次元正規分布の推定を行うことにより、キーワードに対する二次元正規分布パラメータと、該キーワードにおける該二次元正規分布の混合比を推定し、興味分布記憶手段に格納し、興味分布記憶手段から取得した二次元正規分布パラメータに基づいて、それぞれのメッシュＩＤに対応する確率密度の積分値を算出して、興味度スコアデータベースの該メッシュＩＤに対応するキーワードのレコードに加算することにより、興味分布を求める。
【選択図】図５

Description

本発明は、情報検索の分野における推定興味度スコアデータベース生成装置及び方法及びプログラムに係り、特に、検索者が地理的範囲を地図の表示範囲や緯度経度情報を入力して検索を行うことができる文書検索サービスにおいて、その条件下で特徴的なキーワードを検索前に表示させることで検索者の検索を支援する機能を備えた推定興味度スコアデータベース生成装置及び方法及びプログラムに関する。

従来、文書内のテキストを解析して地名情報を特定する方法がある（例えば、非特許文献1参照）。当該方法の結果を用いることで各文書がどの地域に関係しているかを解析することが可能である。これを用いることで、予め用意しておいたキーワード集合がどの地域に関係付けられた文書で出現しているか解析でき、特定の地域で推薦するキーワードを抽出することが可能と考えられる。具体的な手法としては、地域を東西・南北それぞれ200mや緯度経度で8秒毎などの固定の値で区切り（以下、「メッシュ」と記す）、メッシュ毎に関連する文書集合中の各キーワードの頻度を分析する。複数のメッシュを含むある地域において、あるキーワードの頻度が全体の頻度分布中で特徴的に高い場合、そのキーワードは当該地域での推薦すべきキーワードであると判定できる。特徴的であるかは前記と同様に全メッシュにおける平均出現頻度に対して、当該メッシュでの出現頻度が3σ（σは標準偏差）以上高い場合に特徴的と判断する方法がある。または、ポアソン確率を用いることもできる。

前述の文書解析に基づく方法では、ユーザがエリアに表示されたキーワードにどの程度興味を持つかという情報を考慮していない。ユーザがある地域において提示されたキーワードを選択したという履歴が利用可能な場合、これを用いてユーザの興味度を反映したキーワード推薦を行うことを考える。例えば、図１に示すように、キーワードに対するクリックログを、当該キーワードの閲覧範囲に対しての興味カウントと見做すことで、大量のキーワード選択ログを二次元座標のヒストグラムとして用いることができる。このヒストグラム情報を用いることで、ユーザの現在の閲覧範囲に対してユーザ履歴を用いて過去のユーザの興味を反映したキーワード推薦を実現することができる。

平野徹、松尾義博、菊井玄一郎、"地理的距離を用いた地名の曖昧性解消"，第70回情報処理学会全国大会，2008.

しかしながら、ユーザは、図２、図３に示すように、システムを利用する際に様々なスケールで閲覧し、キーワードを選択するため、そのままスケールの異なる閲覧範囲を統一的に扱うため、キーワードに対するユーザの興味範囲を履歴から適切に抽出することができない（課題１）。

また、ある地域において、ユーザのキーワード選択履歴が少ない場合、図４に示すように、ヒストグラム頻度情報が不連続となる部分が発生し、適切にユーザが興味を持つ地域を推定することができない（課題２）。

これに加えて、当該キーワードに対してユーザが興味を持つ地域は複数存在することが考えられるが、キーワードによってこの数は異なるため、適切な興味分布の数を求めることができない（課題３）。

上記の３つの課題により、キーワードに対するユーザの選択履歴を用いる際に、適切にユーザに興味度合いを反映し、キーワード推薦ができないとう課題がある。

本発明は、上記の点に鑑みなされたもので、ユーザの閲覧範囲に応じてクリックログの影響を考慮して、推定興味度スコアデータベースを生成することが可能な推定興味度スコアデータベース生成装置及び方法及びプログラムを提供することを目的とする。

上記の課題を解決するために、本発明（請求項１）は、地図の表示範囲や緯度経度情報に基づいて地理的範囲を検索する文書検索サービスにおいて、ユーザの興味度合いを推定する推定興味度スコアデータベース生成装置であって、
キーワード毎に、地図を分割した矩形に対するメッシュＩＤと、該メッシュＩＤに対するクリック頻度を格納したクリック頻度ヒストグラム記憶手段と、
前記クリック頻度ヒストグラム記憶手段からキーワードのメッシュＩＤとクリック頻度を取得して、二次元正規分布の推定を行うことにより、キーワードに対する二次元正規分布パラメータと、該キーワードにおける該二次元正規分布の混合比を推定し、興味分布記憶手段に格納する興味分布計算手段と、
前記興味分布記憶手段から取得した前記二次元正規分布パラメータに基づいて、それぞれのメッシュＩＤに対応する確率密度の積分値を算出して、興味度スコアデータベースの該メッシュＩＤに対応するキーワードのレコードに加算することにより、興味分布を求める興味度スコアデータベース生成手段と、を有する。

また、本発明（請求項２）は、キーワードと該キーワードがクリックされた地理範囲を格納したキーワードクリックログ記憶手段と、
前記キーワードクリックログ記憶手段から前記キーワードと前記地理範囲を取得し、該地理範囲の大きさに応じてスコアを計算し、該キーワードに対応するメッシュＩＤが、前記クリック頻度ヒストグラム記憶手段の分布各メッシュの一辺の大きさに該当するレコードのクリック頻度のカラムに該スコアを加えるクリック頻度ヒストグラム生成手段と、
を更に有する。

また、本発明（請求項３）は、前記興味分布計算手段において、前記クリック頻度ヒストグラム記憶手段から読み出した前記メッシュＩＤを二次元座標上の点情報に変換し、該点情報をデータ点集合に追加し、該データ点集合から構成される二次元座標上の点集合に基づいて、二次元空間における二次元正規分布パラメータを求め、該二次元正規分布の混合数と各分布の混合比を求め、該混合数に応じた二次元正規分布パラメータと該混合比を、前記興味分布記憶手段に格納する手段を含む。

上記のように、本発明によれば、ユーザの閲覧範囲に応じてクリックログの影響を考慮することが可能となり、広い範囲におけるユーザのクリックの悪影響を逓減することが可能となる。また、データから二次元正規分布の推定を行うことにより、キーワードに対するクリックログが少数の場合において発生する不連続な点を解消することが可能となる。また、キーワードに対してデータからユーザの興味分布の数を適切に推定することが可能となる。これにより、キーワードに対するユーザの選択履歴を用いて高精度にユーザの興味度合いを推定することが可能となる。

閲覧範囲におけるキーワードのクリック頻度である。スケールの異なる閲覧範囲におけるキーワード選択の例（その１）である。スケールの異なる閲覧範囲におけるキーワード選択の例（その２）である。キーワード選択履歴が少ない場合の例（非連続）である。本発明の一実施の形態における推定興味度スコアＤＢ生成装置の構成例である。本発明の一実施の形態におけるキーワードクリックログＤＢのデータ例である。本発明の一実施の形態におけるクリック頻度ヒストグラムＤＢのデータ例である。本発明の一実施の形態におけるクリックによるメッシュＩＤへの加算の例である。本発明の一実施の形態におけるクリック頻度ヒストグラム生成部の処理のフローチャートである。本発明の一実施の形態における興味分布推定部の処理のフローチャートである。本発明の一実施の形態における興味分布ＤＢのデータ例である。本発明の一実施の形態における興味度スコアＤＢの例である。本発明の一実施の形態における興味度スコア生成部の処理のフローチャートである。

以下、図面と共に本発明の実施の形態を説明する。

図５は、本発明の一実施の形態における推定興味度スコアDB生成装置の構成例を示す。

同図に示す、推定興味度スコアDB生成装置は、キーワードクリックログDB１０、クリック頻度ヒストグラム生成部２０、クリック頻度ヒストグラムDB３０、興味度スコアD正生成処理部１００、興味度スコアDB７０から構成される。

キーワードクリックログDB１０は、図６に示すように、キーワードがどのような地理範囲でクリックされたかという情報を保持しており、キーワードカラムと地理範囲カラムから構成される。ここで、地理範囲は、例えば、ユーザが当該キーワードを閲覧していた画面の矩形範囲などを用いることができ、矩形範囲の場合は左下、右上の2点の座標を表現できる。

クリック頻度ヒストグラム生成部２０は、キーワードクリックログDB１０を読み込み、クリック頻度ヒストグラムDB３０を出力する。

クリック頻度ヒストグラムDB３０は、地理情報をメッシュ単位で扱う。ここでメッシュは、例えば、地図を200ｍ四方の矩形に分割したものとする。与えられた地理範囲情報に対応するメッシュID（の集合）に変換する方法は所与のものとする。クリック頻度ヒストグラムDB３０のデータ例を図７に示す。ここで、一つのレコードがあるキーワードが、あるメッシュＩＤにおいてどの程度のクリック頻度を獲得したかということを表す。具体的には、図８に示すように、あるメッシュ上のキーワードをクリックした場合に、当該メッシュのメッシュＩＤ毎にクリック回数がカウントされる。

図９に、本発明の一実施の形態におけるクリック頻度ヒストグラム生成部の処理フローを示す。

ステップ１０１）クリック頻度ヒストグラム生成部２０は、キーワードクリックログＤＢ１０から未処理のレコードを取得し、キーワードをｗ、地理範囲をｂとする。

ステップ１０２）地理範囲ｂの大きさに応じて加算スコアｓを計算する。ｓの計算には、例えば、地理範囲ｂが持つ面積の逆数などを用いる。ｂ＝（lon₁，lat₁，lon₂，lat₂）という2組の緯度経度座標（単位は秒）から構成されるとき、例えば、東京測地系では、1秒が25mに換算されるため、面積を元にしたスコアは、

で計算することができる。ここで、mesh_sideはメッシュの一辺の大きさ（m単位）を表し、最小範囲が1になる正規化項の役目をしている。

ステップ１０３）地理範囲ｂに該当するメッシュＩＤの集合を獲得し、Mとする。

ステップ１０４） Mに含まれる各ｍについて、クリック頻度ヒストグラムDB３０のキーワードｗ、メッシュＩＤがmに該当するレコードのクリック頻度カラムにステップ１０２で算出したスコアｓを加える。

ステップ１０５）キーワードクリックログＤＢ１０に未処理のレコードがある場合は、ステップ１０１に戻り、ない場合には処理を終了する。

興味度スコアＤＢ生成処理部１００は、クリック頻度ヒストグラムＤＢ３０を読み込み、興味度スコアＤＢ７０に興味度スコアを出力する。興味度スコアＤＢ生成処理部１００は、興味分布計算部４０、興味分布ＤＢ５０、興味度スコアＤＢ生成部６０から構成される。

興味分布計算部４０は、クリック頻度ヒストグラムＤＢ３０を読み込み、興味分布ＤＢ５０に興味分布を出力する。あるキーワードに足しうる興味分布は、複数の正規分布とその混合比で構成される。興味分布ＤＢ５０は、各キーワードに対する、分布ＩＤ、各分布の情報（パラメータ）と混合比を格納している。分布ＩＤは混合分布の番号を表し、混合比は当該キーワードにおける当該分布の混合比、パラメータは当該正規分布のパラメータ（平均、分散共分散）を表す。

図１０は、本発明の位置実施の形態における興味分布計算部の処理のフローチャートである。

ステップ２０１）興味分布計算部４０は、クリック頻度ヒストグラムＤＢ３０から未処理のレコードを取得し、ｗとする。

ステップ２０２）クリック頻度ヒストグラムＤＢ３０からキーワードｗに該当するレコードのうち、未処理のメッシュＩＤとクリック頻度を取得し、キーワードｗに該当するレコードのうち未処理のメッシュＩＤとクリック頻度を取得し、それぞれをｍ，ｃとする。

ステップ２０３）ｍを2次元座標上の点情報に変換し、座標値を（ｘ₁，ｘ₂）とする。

ステップ２０４）算出した座標値（ｘ₁，ｘ₂）をデータ集合Ｘに追加する。

ステップ２０５）未処理のメッシュがある場合には、ステップ２０２に戻る。そうでない場合はステップ２０６に進む。

ステップ２０６）データ点集合から構成される2次元座標上の点集合の情報を元に、二次元空間においてデータにあわせた数の二次元正規分布のパラメータとその混合比率の推定を行う。この推定には例えば、文献「C. E. Rasmussen:, "The Infinite Gaussian Mixture Model". In Proceedings of Advances in Neural Information Processing Systems 12 (NIPS 1999), pp. 554-560, 1999.」の方法を用いることができる。この方法を用いれば、データ集合Ｘにあわせた数の二元正規分布の混合数ｋと、各分布の混合比πiと、それぞれの二次元正規分布パラメータ（平均μ₁,μ₂、分散共分散σ₁₁，σ₁₂，σ₁₁）（σ₂₁は正規分布の場合、共分散は対称であるため不要）を推定できる。

ステップ２０７）ステップ２０６で求めた各分布に関する情報を興味分布ＤＢ５０に出力する。ここで混合数はキーワードによって異なるため、ステップ２０６で求めた混合数ｋの数だけ分布情報を興味分布ＤＢ５０に出力することになる。興味分布ＤＢ５０への出力の例を図１１に示す。

ステップ２０８）クリック頻度ヒストグラム３０に未処理のキーワードがある場合にはステップ２０１に戻る。そうでない場合には処理を終了する。

興味度スコアＤＢ生成部６０は、興味分布ＤＢ５０を読み出し、興味度スコアを興味度スコアＤＢ７０に出力する。

興味度スコアＤＢ７０は、図１２に示すように、クリック頻度ヒストグラムＤＢ３０と同様に、あるキーワードが、あるメッシュにおいてどの程度の興味度スコアを持つかという情報を格納している。

図１３は、本発明の一実施の形態における興味度スコア生成部の処理のフローチャートである。

ステップ３０１）興味分布計算部４０は、興味分布ＤＢ５０から未処理のキーワードを取得し、ｗとする。

ステップ３０２）キーワードに対応する未処理の分布情報を取得し、混合比π、正規分布のパラメータをμ₁，μ₂，σ₁₁，σ₁₂，σ₁₂とする。例えば、図１１の例では、分布ＩＤ１の場合は、パラメータμ₁＝1112773,μ₂＝112353,σ₁₁＝1233,σ₁₂=12453,σ₂₂=10224を取得する。

ステップ３０３）当該パラメータで表現される正規分布において、両側ｑパーセント点の内側に含まれるメッシュＩＤ集合を取得し、それぞれのメッシュＩＤに対応する確率密度の積分値を算出する。ここで、両側ｑパーセントとは、確率密度の積分値が全体のｑパーセントになる点のことを表し、ｑは予め設定された値とする。

ステップ３０４）取得したメッシュＩＤ集合に含まれるそれぞれのメッシュＩＤに対して、興味度スコアＤＢ７０のキーワードがｗに該当するレコードに対して、ステップ３０３で算出した積分値を加算する。

ステップ３０５）興味分布ＤＢ５０のキーワードがｗのレコードにおいて未処理の分布が存在する場合にはステップ３０２に戻る。そうでない場合はステップ３０６に移行する。

ステップ３０６）興味分布ＤＢ５０に未処理のキーワードがある場合には、ステップ３０１に戻る。そうでない場合は処理を終了する。

上記のように、エリアタグ（キーワード）のクリック情報を閲覧範囲に基づいて2次元ヒストグラムに変換し、二次元座標上の無限混合正規分布推定方法（実際には、無限ではなくデータに見合った適切な数に収束）を用いることで、データの分布に合った興味度の分布推定が可能となり、キーワードに対する興味度スコアＤＢ生成が可能となる。

なお、上記の図５に示す推定興味度スコアＤＢ生成装置の各構成要素の動作をプログラムとして構築し、推定興味度スコアＤＢ生成装置として利用されるコンピュータにインストールして実行させる、または、ネットワークを介して流通させることが可能となる。

本発明は上記の実施の形態に限定されることなく、特許請求の範囲内において種々変更・応用が可能である。

１０キーワードクリックログＤＢ（データベース）
２０クリック頻度ヒストグラム生成部
３０クリック頻度ヒストグラムＤＢ（データベース）
４０興味分布計算部
５０興味分布ＤＢ（データベース）
６０興味度スコアＤＢ生成部
７０興味度スコアＤＢ（データベース）
１００興味度スコアＤＢ生成処理部

Claims

地図の表示範囲や緯度経度情報に基づいて地理的範囲を検索する文書検索サービスにおいて、ユーザの興味度合いを推定する推定興味度スコアデータベース生成装置であって、
キーワード毎に、地図を分割した矩形に対するメッシュＩＤと、該メッシュＩＤに対するクリック頻度を格納したクリック頻度ヒストグラム記憶手段と、
前記クリック頻度ヒストグラム記憶手段からキーワードのメッシュＩＤとクリック頻度を取得して、二次元正規分布の推定を行うことにより、キーワードに対する二次元正規分布パラメータと、該キーワードにおける該二次元正規分布の混合比を推定し、興味分布記憶手段に格納する興味分布計算手段と、
前記興味分布記憶手段から取得した前記二次元正規分布パラメータに基づいて、それぞれのメッシュＩＤに対応する確率密度の積分値を算出して、興味度スコアデータベースの該メッシュＩＤに対応するキーワードのレコードに加算することにより、興味分布を求める興味度スコアデータベース生成手段と、
を有することを特徴とする推定興味度スコアデータベース生成装置。
キーワードと該キーワードがクリックされた地理範囲を格納したキーワードクリックログ記憶手段と、
前記キーワードクリックログ記憶手段から前記キーワードと前記地理範囲を取得し、該地理範囲の大きさに応じてスコアを計算し、該キーワードに対応するメッシュＩＤが、前記クリック頻度ヒストグラム記憶手段の分布各メッシュの一辺の大きさに該当するレコードのクリック頻度のカラムに該スコアを加えるクリック頻度ヒストグラム生成手段と、
を更に有する
請求項1記載の推定興味度スコアデータベース生成装置。
前記興味分布計算手段は、
前記クリック頻度ヒストグラム記憶手段から読み出した前記メッシュＩＤを二次元座標上の点情報に変換し、該点情報をデータ点集合に追加し、該データ点集合から構成される二次元座標上の点集合に基づいて、二次元空間における二次元正規分布パラメータを求め、該二次元正規分布の混合数と各分布の混合比を求め、該混合数に応じた二次元正規分布パラメータと該混合比を、前記興味分布記憶手段に格納する手段を含む
請求項1記載の推定興味度スコアデータベース生成装置。
地図の表示範囲や緯度経度情報に基づいて地理的範囲を検索する文書検索サービスにおいて、ユーザの興味度合いを推定する推定興味度スコアデータベース生成方法であって、
興味分布計算手段が、キーワード毎に、地図を分割した矩形に対するメッシュＩＤと、該メッシュＩＤに対するクリック頻度を格納したクリック頻度ヒストグラム記憶手段からキーワードのメッシュＩＤとクリック頻度を取得して、二次元正規分布の推定を行うことにより、キーワードに対する二次元正規分布パラメータと、該キーワードにおける該二次元正規分布の混合比を推定し、興味分布記憶手段に格納する興味分布計算ステップと、
興味度スコアデータベース生成手段が、前記興味分布記憶手段から取得した前記二次元正規分布パラメータに基づいて、それぞれのメッシュＩＤに対応する確率密度の積分値を算出して、興味度スコアデータベースの該メッシュＩＤに対応するキーワードのレコードに加算することにより、興味分布を求める興味度スコアデータベース生成ステップと、
を行うことを特徴とする推定興味度スコアデータベース生成方法。
クリック頻度ヒストグラム生成手段が、
キーワードと該キーワードがクリックされた地理範囲を格納したキーワードクリックログ記憶手段から前記キーワードと前記地理範囲を取得し、該地理範囲の大きさに応じてスコアを計算し、該キーワードに対応するメッシュＩＤが、前記クリック頻度ヒストグラム記憶手段の分布各メッシュの一辺の大きさに該当するレコードのクリック頻度のカラムに該スコアを加えるクリック頻度ヒストグラム生成ステップを、
を更に行う請求項４記載の推定興味度スコアデータベース生成方法。
前記興味分布計算ステップにおいて、
前記クリック頻度ヒストグラム記憶手段から読み出した前記メッシュＩＤを二次元座標上の点情報に変換し、該点情報をデータ点集合に追加し、該データ点集合から構成される二次元座標上の点集合に基づいて、二次元空間における二次元正規分布パラメータを求め、該二次元正規分布の混合数と各分布の混合比を求め、該混合数に応じた二次元正規分布パラメータと該混合比を、前記興味分布記憶手段に格納する
請求項４記載の推定興味度スコアデータベース生成方法。
コンピュータを、
請求項1乃至３のいずれか1項に記載の推定興味度スコアデータベース生成装置の各手段として機能させるための推定興味度スコアデータベース生成プログラム。