JP2014067442A - コンテンツ配信装置 - Google Patents

Abstract

【課題】配信するコンテンツのレコメンド精度を向上させる配信装置を提供する。
【解決手段】ユーザのコンテンツ毎の当該コンテンツに対する行動データをユーザ識別子とコンテンツ識別子に対応付けた実績行動指標データを取得する手段と、コンテンツ間の関連度を２軸のコンテンツ識別子に対応付けたコンテンツ×コンテンツ行列データを取得する手段と、ユーザ間の関連度を２軸のユーザ識別子に対応付けたユーザ×ユーザ行列データを取得する手段と、前記実績行動指標データに相当するユーザ×コンテンツ行列データと、前記コンテンツ×コンテンツ行列データと、前記ユーザ×ユーザ行列データとに基づき、これらの実績値の行列に対応する予測値の行列に対して所定の演算を行って、生成した予測行動指標データに基づき、サービス提供装置からユーザ識別子を特定した要求があった場合、所定条件に合致するコンテンツを前記サービス提供装置に応答する手段を備える。
【選択図】図１

Description

本発明は、インターネット等のネットワークを介して広告等のコンテンツを配信する技術に関する。

インターネット上の情報提供等のサービスでは、ユーザのリクエストに応じたＷｅｂページを表示する際に広告コンテンツを併せて表示することで、広告ビジネスを成立させているものが多い。

広告効果を高めるためには、ユーザが表示された広告をクリックして詳細ページにジャンプするような、そのユーザが興味を引くものであることが望ましく、そのために、配信する広告コンテンツをユーザの特性等に合わせて決定する仕組が設けられている。

従来、ユーザに提示（レコメンド：推薦）するコンテンツの決定手法として、ユーザの過去のコンテンツ毎のクリック実績に基づいてＣＴＲ（Click Through Rate）が最も高いコンテンツを決定するもの（例えば、特許文献１を参照。）や、ユーザ間の関係を示すデータ（例えば、ソーシャルグラフデータ等）に従い、関係の強いユーザに関連性の高いコンテンツを決定するもの（例えば、特許文献２を参照。）等が存在する。

特開２０１２−１８５７１号公報 特開２０１１−２３２８３６号公報

上述したように、従来はクリック実績やユーザ間の関係といった単一の指標に基づいて配信するコンテンツを決定していたため（精度向上のために他の情報を補助的に利用することはあるが、基本は単一の指標に基づく）、コンテンツのレコメンド精度の向上には限界があった。

本発明は上記の従来の問題点に鑑み提案されたものであり、その目的とするところは、配信するコンテンツのレコメンド精度を向上させることにある。

上記の課題を解決するため、本発明にあっては、ユーザのコンテンツ毎の当該コンテンツに対する行動データをユーザ識別子とコンテンツ識別子に対応付けた実績行動指標データを取得する手段と、コンテンツ間の関連度を２軸のコンテンツ識別子に対応付けたコンテンツ×コンテンツ行列データを取得する手段と、ユーザ間の関連度を２軸のユーザ識別子に対応付けたユーザ×ユーザ行列データを取得する手段と、前記実績行動指標データに相当するユーザ×コンテンツ行列データと、前記コンテンツ×コンテンツ行列データと、前記ユーザ×ユーザ行列データとに基づき、これらの実績値の行列に対応する予測値の行列に対して所定の演算を行って、予測値のユーザ×コンテンツ行列データである予測行動指標データを生成する手段と、生成した予測行動指標データに基づき、サービス提供装置からユーザ識別子を特定した要求があった場合に、当該ユーザ識別子のユーザによる行動データが所定の条件に合致するコンテンツのコンテンツ識別子を選択し、対応するコンテンツを前記サービス提供装置に応答する手段とを備えるようにしている。

本発明のコンテンツ配信装置にあっては、複数の指標を同時に考慮することで、配信するコンテンツのレコメンド精度を向上させることができる。

本発明の一実施形態にかかるシステムの構成例を示す図である。 閲覧ログのデータ構造例を示す図である。 実績ＣＴＲデータのデータ構造例を示す図である。 アフィニティデータのデータ構造例を示す図である。 コンテンツリストのデータ構造例を示す図である。 シミラリティデータのデータ構造例を示す図である。 インタレストグラフデータのデータ構造例を示す図である。 ソーシャルグラフデータのデータ構造例を示す図である。 予測ＣＴＲデータのデータ構造例を示す図である。 コンテンツデータベースのデータ構造例を示す図である。 実施形態の処理例を示すフローチャート（予測ＣＴＲデータの生成）である。 対数オッズによるアフィニティデータの計算例を示す図である。 予測ＣＴＲデータの生成の説明図である。 ロス関数の例を示す図である。 実施形態の処理例を示すフローチャート（コンテンツ配信時）である。

以下、本発明の好適な実施形態につき説明する。

＜構成＞
図１は本発明の一実施形態にかかるシステムの構成例を示す図である。

図１において、システムは、ユーザが操作する複数の端末装置１と、端末装置１を使用するユーザに対して情報提供サービス等を提供する複数のサービスサーバ装置３と、端末装置１を使用するユーザに対してソーシャルネットワークサービスを提供する複数のＳＮＳ（Social Networking Service）サーバ装置４と、サービスサーバ装置３のサービス提供に際して広告等のコンテンツを配信するコンテンツ配信サーバ装置５とが、インターネット等のネットワーク２に接続されている。なお、コンテンツ配信サーバ装置５は、サービスサーバ装置３やＳＮＳサーバ装置４と直接もしくは間接（オフラインによるデータ授受を含む）に接続される経路を有してもよい。

端末装置１、サービスサーバ装置３、ＳＮＳサーバ装置４、コンテンツ配信サーバ装置５は、一般的なコンピュータ装置のハードウェア構成を有している。

コンテンツ配信サーバ装置５は、主にソフトウェア（コンピュータプログラム）により実現される機能部として、閲覧ログ取得部５０１、実績ＣＴＲデータ計算部５０３、アフィニティデータ計算部５０５、シミラリティデータ計算部５０８、インタレストグラフデータ計算部５１０、ソーシャルグラフデータ取得部５１２、予測ＣＴＲ計算部５１４、コンテンツ決定部５１６、コンテンツ配信部５１７を備えている。

閲覧ログ取得部５０１は、サービスサーバ装置３からユーザの閲覧行動の履歴である閲覧ログをオンラインもしくはオフラインにより取得し、閲覧ログ５０２としてコンテンツ配信サーバ装置５内部の記憶領域に保持する機能を有している。

図２は閲覧ログ５０２のデータ構造例を示す図であり、「タイムスタンプ」「ユーザＩＤ」「閲覧したコンテンツのコンテンツＩＤ」「閲覧したコンテンツに対応するカテゴリ」「レコメンドしたコンテンツのコンテンツＩＤ」等の項目を有している。なお、ユーザＩＤは、会員登録されたユーザＩＤ（その取得のためには事前のログインが必要）のほか、アクセスしてきた端末装置１を識別するＩＤ（bcookie、webcookieとも呼ばれる）等のユーザをある程度特定できるものであれば用いることができる。

図１に戻り、実績ＣＴＲデータ計算部５０３は、閲覧ログ５０２からユーザのコンテンツ毎のクリック率をユーザＩＤとコンテンツＩＤに対応付けた実績ＣＴＲデータを算出し、実績ＣＴＲデータ５０４としてコンテンツ配信サーバ装置５内部の記憶領域に保持する機能を有している。なお、実績ＣＴＲデータ５０４をサービスサーバ装置３からオンラインもしくはオフラインにより取得できる場合には、実績ＣＴＲデータ計算部５０３を省略することができる。

図３は実績ＣＴＲデータ５０４のデータ構造例を示す図であり、ユーザＩＤ毎に当該ユーザＩＤのユーザが閲覧したコンテンツのコンテンツＩＤ毎の実績ＣＴＲ値が記録されている。実績ＣＴＲデータ５０４の算出の詳細については後述する。

図１に戻り、アフィニティデータ計算部５０５は、閲覧ログ５０２から２つのコンテンツが同時期に閲覧される可能性を示すアフィニティデータを算出し、アフィニティデータ５０６としてコンテンツ配信サーバ装置５内部の記憶領域に保持する機能を有している。なお、アフィニティデータ５０６をサービスサーバ装置３からオンラインもしくはオフラインにより取得できる場合には、アフィニティデータ計算部５０５を省略することができる。

図４はアフィニティデータ５０６のデータ構造例を示す図であり、コンテンツＩＤ毎に当該コンテンツＩＤのコンテンツと他のコンテンツ（同じコンテンツを含む）との関連度（連続して閲覧された程度を示す共起度等）が記録されている。アフィニティデータ５０６の算出の詳細については後述する。

図１に戻り、シミラリティデータ計算部５０８は、コンテンツ配信サーバ装置５内部の記憶領域に保持されたコンテンツの種々の属性を示すコンテンツリスト５０７から、２つのコンテンツの類似性を示すシミラリティデータを算出し、シミラリティデータ５０９としてコンテンツ配信サーバ装置５内部の記憶領域に保持する機能を有している。なお、シミラリティデータ５０９をサービスサーバ装置３からオンラインもしくはオフラインにより取得できる場合には、コンテンツリスト５０７およびシミラリティデータ計算部５０８を省略することができる。

図５はコンテンツリスト５０７のデータ構造例を示す図であり、コンテンツＩＤ毎に当該コンテンツＩＤのコンテンツのコンテンツ名、カテゴリ、画像等が記録されている。

図６はシミラリティデータ５０９のデータ構造例を示す図であり、コンテンツＩＤ毎に当該コンテンツＩＤのコンテンツと他のコンテンツ（同じコンテンツを含む）との関連度（名称、カテゴリ、画像等の属性の類似度等）が記録されている。シミラリティデータ５０９の算出の詳細については後述する。

図１に戻り、インタレストグラフデータ計算部５１０は、閲覧ログ５０２から２人のユーザが閲覧するコンテンツの共通性を示すインタレストグラフデータを算出し、インタレストグラフデータ５１１としてコンテンツ配信サーバ装置５内部の記憶領域に保持する機能を有している。なお、インタレストグラフデータ５１１をサービスサーバ装置３やＳＮＳサーバ装置４からオンラインもしくはオフラインにより取得できる場合には、インタレストグラフデータ計算部５１０を省略することができる。

図７はインタレストグラフデータ５１１のデータ構造例を示す図であり、ユーザＩＤ毎に当該ユーザＩＤのユーザと他のユーザ（同じユーザを含む）との関連度（閲覧するコンテンツのカテゴリの共通度等）が記録されている。インタレストグラフデータ５１１の算出の詳細については後述する。

図１に戻り、ソーシャルグラフデータ取得部５１２は、ＳＮＳサーバ装置４から２人のユーザの交流性を示すインタレストグラフデータをオンラインもしくはオフラインにより取得し、ソーシャルグラフデータ５１３としてコンテンツ配信サーバ装置５内部の記憶領域に保持する機能を有している。

図８はソーシャルグラフデータ５１３のデータ構造例を示す図であり、ユーザＩＤ毎に当該ユーザＩＤのユーザと他のユーザ（同じユーザを含む）との関連度が記録されている。

図１に戻り、予測ＣＴＲ計算部５１４は、実績ＣＴＲデータ５０４とアフィニティデータ５０６とシミラリティデータ５０９とインタレストグラフデータ５１１とソーシャルグラフデータ５１３とから、予測ＣＴＲデータを算出し、予測ＣＴＲデータ５１５としてコンテンツ配信サーバ装置５内部の記憶領域に保持する機能を有している。算出の詳細については後述する。

図９は予測ＣＴＲデータ５１５のデータ構造例を示す図であり、ユーザＩＤ毎に当該ユーザＩＤのユーザが閲覧したコンテンツのコンテンツＩＤ毎の予測ＣＴＲ値が記録されている。

図１に戻り、コンテンツ決定部５１６は、サービスサーバ装置３からユーザＩＤを特定したコンテンツ配信要求があった場合に、予測ＣＴＲデータ５１５に基づいて、指定されたユーザＩＤのユーザによるクリック率が最も高いと予想されるコンテンツ（コンテンツＩＤ）を決定する機能を有している。処理の詳細については後述する。

コンテンツ配信部５１７は、コンテンツ決定部５１６により決定されたコンテンツの取得用のＵＲＬもしくはコンテンツデータ自体をコンテンツデータベース５１８から取得し、要求元のサービスサーバ装置３に配信する機能を有している。サービスサーバ装置３がＷｅｂページにコンテンツの取得用のＵＲＬを埋め込む場合、当該Ｗｅｂページを端末装置１において表示する際に、ブラウザがコンテンツの取得用のＵＲＬにコンテンツデータの取得を要求する。

図１０はコンテンツデータベース５１８のデータ構造例を示す図であり、コンテンツＩＤ毎に当該コンテンツＩＤのコンテンツのＵＲＬ、コンテンツデータ等が記録されている。

＜動作＞
図１１は上記の実施形態における予測ＣＴＲデータの生成に関する処理例を示すフローチャートである。

図１１において、処理を開始すると（ステップＳ１０１）、閲覧ログ取得部５０１は、サービスサーバ装置３から閲覧ログを取得し（ステップＳ１０２）、閲覧ログ５０２として保持する（ステップＳ１０３）。

次いで、実績ＣＴＲデータ計算部５０３は、閲覧ログ５０２からＣＴＲを集計して実績ＣＴＲデータを生成し（ステップＳ１０４）、実績ＣＴＲデータ５０４として保持する（ステップＳ１０５）。図２の閲覧ログ５０２から図３の実績ＣＴＲデータ５０４を算出する場合、ユーザＩＤと閲覧したコンテンツのコンテンツＩＤ毎に集計し、レコメンドした回数に対する閲覧した回数の比率を実績ＣＴＲとする。

次いで、図１１に戻り、アフィニティデータ計算部５０５は、閲覧ログ５０２から対数オッズ等によりアフィニティデータを生成し（ステップＳ１０６）、アフィニティデータ５０６として保持する（ステップＳ１０７）。

図１２は対数オッズによるアフィニティデータ５０６の計算例を示す図である。

図１２（ａ）のベン図で示すＸは全コンテンツの閲覧数、ＡはコンテンツＡの閲覧数、ＢはコンテンツＢの閲覧数、Ａ∩ＢはコンテンツＡに続いて同時期にコンテンツＢが閲覧された場合の閲覧数である。ここで、次式
score =[log((A∩B)+α)+log(X+(A∩B)-A-B+β)-log(A-A∩B+β)-log(B-A∩B+α)]/log(10)
によりスコアscoreを計算し、それをコンテンツＡに対するコンテンツＢの関連度とすることで、アフィニティデータ５０６を生成することができる。なお、α、βは運用により決定する定数である。

この場合、図１２（ｂ）に示すように、コンテンツＡの閲覧数とＡ∩Ｂの値がほぼ同じであっても、パターン＃１のようにコンテンツＢの閲覧数が多い場合よりも、パターン＃２のようにコンテンツＢの閲覧数が小さい場合の方がスコアscoreが大きくなり、関連度が高いものと評価される。

一方、図１１に戻り、シミラリティデータ計算部５０８は、内部的に保持あるいは外部から取得したコンテンツリスト５０７からコサイン類似度等によりシミラリティデータを生成し（ステップＳ１０８）、シミラリティデータ５０９として保持する（ステップＳ１０９）。図５のコンテンツリスト５０７から図６のシミラリティデータ５０９を算出する場合、２つのコンテンツＩＤのコンテンツのコンテンツ名、カテゴリ、画像等の相互間の類似度（コンテンツ名やカテゴリであれば文字列の一致度、カテゴリであれば親子関係・兄弟関係、画像であれば画像内容の一致度等）をコサイン類似度等により計算する。

一方、図１１に戻り、インタレストグラフデータ計算部５１０は、閲覧ログ５０２からユーザ間で共通のカテゴリを閲覧した数等からインタレストグラフデータを生成し（ステップＳ１１０）、インタレストグラフデータ５１１として保持する（ステップＳ１１１）。図２の閲覧ログ５０２から図７のインタレストグラフデータ５１１を算出する場合、例えば、所定数（例えば、８個）以上の共通するカテゴリの閲覧履歴を持つ２人のユーザにつき、関連度を「１」とする（デフォルトは「０」）。また、「１」「０」だけの値とせずに、共通するカテゴリの閲覧履歴の数に応じた数値としてもよい。

一方、図１１に戻り、ソーシャルグラフデータ取得部５１２は、ＳＮＳサーバ装置４からソーシャルグラフデータを取得し（ステップＳ１１２）、ソーシャルグラフデータ５１３として保持する（ステップＳ１１３）。

次いで、予測ＣＴＲ計算部５１４は、実績ＣＴＲデータ５０４とアフィニティデータ５０６とシミラリティデータ５０９とインタレストグラフデータ５１１とソーシャルグラフデータ５１３とを入力し、実績ＣＴＲデータ５０４についてはそのままユーザ×コンテンツ行列データとして扱う。

アフィニティデータ５０６とシミラリティデータ５０９については、両者から一方を選択するか両者を平均化する等によりコンテンツ×コンテンツ行列データ（コンテンツ間の関連度を２軸のコンテンツＩＤに対応付けた行列データ）を生成する（ステップＳ１１４）。インタレストグラフデータ５１１とソーシャルグラフデータ５１３については、両者から一方を選択するか両者を平均化する等によりユーザ×ユーザ行列データ（ユーザ間の関連度を２軸のユーザＩＤに対応付けた行列データ）を生成する（ステップＳ１１５）。

次いで、予測ＣＴＲ計算部５１４は、実績ＣＴＲデータのユーザ×コンテンツ行列データと、コンテンツ×コンテンツ行列データと、ユーザ×ユーザ行列データとについて、予測値の行列をそれぞれの行列を分解した行列の積で表わし、実績値と予測値の差異を示すロス関数の値（正則化項も加算）が最小になるよう収束演算を行ない、収束した結果から予測ＣＴＲデータ（ユーザ×コンテンツ行列データ）を生成し（ステップＳ１１６）、予測ＣＴＲデータ５１５として保持し（ステップＳ１１７）、処理を終了する（ステップＳ１１８）。

図１３は予測ＣＴＲデータ５１５の生成の説明図である。

図１３において、実績ＣＴＲデータ５０４に対応するユーザ×コンテンツ行列データの要素をｙ_ｉｊ、アフィニティデータ５０６とシミラリティデータ５０９に対応するコンテンツ×コンテンツ行列データの要素をｓ_ｉｉ'、インタレストグラフデータ５１１とソーシャルグラフデータ５１３に対応するユーザ×ユーザ行列データの要素をａ_ｊｊ'で示している。

また、予測ＣＴＲデータ５１５に対応するユーザ×コンテンツ行列データの要素をｆ_ｉｊ、予測値のコンテンツ×コンテンツ行列データの要素をｈ_ｉｉ'、予測値のユーザ×ユーザ行列データの要素をｇ_ｊｊ'で示しており、それぞれを２つの行列の積として表わしている。

これらより、図１３の下に示す式の値を計算し、式の値が最小値となるよう、予測値側の行列データに収束演算（行列要素の値を少しずつ変化させ、式の値に変化がなくなった場合に収束したと判断）を行ない、ユーザ×コンテンツ行列データに対応する予測ＣＴＲデータ５１５を取得する。

なお、λは運用において決定する定数である。また、ｌ（エル）はロス関数であり、図１４（ａ）〜（ｅ）に示すような関数を採用することができる。また、正則化項は、分解した行列のノルム（長さ）に依存する値となる。

次に、図１５は上記の実施形態におけるコンテンツ配信時の処理例を示すフローチャートである。

図１５において、コンテンツ配信サーバ装置５がサービスサーバ装置３からユーザＩＤを伴ったコンテンツ配信要求を受信することで処理を開始する（ステップＳ２０１）。

コンテンツ配信サーバ装置５のコンテンツ決定部５１６は、予測ＣＴＲデータ５１５から該当するユーザＩＤのレコードを参照し、ＣＴＲ実績値の最も高いコンテンツＩＤを取得する（ステップＳ２０２）。

次いで、コンテンツ配信部５１７は、コンテンツ決定部５１６が決定したコンテンツＩＤに基づき、コンテンツデータベース５１８から該当するコンテンツＩＤのＵＲＬもしくはコンテンツデータを取得し、要求元のサービスサーバ装置３に応答し（ステップＳ２０３）、処理を終了する（ステップＳ２０４）。

ＵＲＬもしくはコンテンツデータを受け取ったサービスサーバ装置３は、サービス提供のＷｅｂ画面の所定位置にＵＲＬもしくはコンテンツデータを埋め込み、端末装置１にページデータを提供する。

Ｗｅｂ画面に埋め込まれた広告等のコンテンツは、端末装置１のユーザが興味を示してクリックし易いと予測されるものであるため、高い確率での閲覧（クリック）が期待される。

＜総括＞
以上説明したように、本実施形態によれば、ユーザのコンテンツ毎のクリック実績とともに、コンテンツ同士の関連度とユーザ同士の関連度といった、複数の指標を同時に考慮することで、配信するコンテンツのレコメンド精度を向上させることができる。

以上、本発明の好適な実施の形態により本発明を説明した。ここでは特定の具体例を示して本発明を説明したが、特許請求の範囲に定義された本発明の広範な趣旨および範囲から逸脱することなく、これら具体例に様々な修正および変更を加えることができることは明らかである。すなわち、具体例の詳細および添付の図面により本発明が限定されるものと解釈してはならない。

１ 端末装置
２ ネットワーク
３ サービスサーバ装置
４ ＳＮＳサーバ装置
５ コンテンツ配信サーバ装置
５０１ 閲覧ログ取得部
５０２ 閲覧ログ
５０３ 実績ＣＴＲデータ計算部
５０４ 実績ＣＴＲデータ
５０５ アフィニティデータ計算部
５０６ アフィニティデータ
５０７ コンテンツリスト
５０８ シミラリティデータ計算部
５０９ シミラリティデータ
５１０ インタレストグラフデータ計算部
５１１ インタレストグラフデータ
５１２ ソーシャルグラフデータ取得部
５１３ ソーシャルグラフデータ
５１４ 予測ＣＴＲ計算部
５１５ 予測ＣＴＲデータ
５１６ コンテンツ決定部
５１７ コンテンツ配信部
５１８ コンテンツデータベース

Claims (6)

1. ユーザのコンテンツ毎の当該コンテンツに対する行動データをユーザ識別子とコンテンツ識別子に対応付けた実績行動指標データを取得する手段と、
   コンテンツ間の関連度を２軸のコンテンツ識別子に対応付けたコンテンツ×コンテンツ行列データを取得する手段と、
   ユーザ間の関連度を２軸のユーザ識別子に対応付けたユーザ×ユーザ行列データを取得する手段と、
   前記実績行動指標データに相当するユーザ×コンテンツ行列データと、前記コンテンツ×コンテンツ行列データと、前記ユーザ×ユーザ行列データとに基づき、これらの実績値の行列に対応する予測値の行列に対して所定の演算を行って、予測値のユーザ×コンテンツ行列データである予測行動指標データを生成する手段と、
   生成した予測行動指標データに基づき、サービス提供装置からユーザ識別子を特定した要求があった場合に、当該ユーザ識別子のユーザによる行動データが所定の条件に合致するコンテンツのコンテンツ識別子を選択し、対応するコンテンツを前記サービス提供装置に応答する手段と
   を備えたことを特徴とするコンテンツ配信装置。
2. 請求項１に記載のコンテンツ配信装置において、
   前記予測行動指標データを生成する手段は、前記実績行動指標データに相当するユーザ×コンテンツ行列データと、前記コンテンツ×コンテンツ行列データと、前記ユーザ×ユーザ行列データとに基づき、これらの実績値の行列に対応する予測値の行列を、分解した２つの行列の積で表わし、実績値と予測値の差異を示す関数の値が最小になるように収束演算を行ない、収束した結果から前記予測行動指標データを生成する
   ことを特徴とするコンテンツ配信装置。
3. 請求項１または２のいずれか一項に記載のコンテンツ配信装置において、
   前記コンテンツ×コンテンツ行列データは、２つのコンテンツが同時期に閲覧される可能性を示すアフィニティデータもしくは２つのコンテンツの類似性を示すシミラリティデータのいずれか、またはこれらを合成したデータである
   ことを特徴とするコンテンツ配信装置。
4. 請求項３に記載のコンテンツ配信装置において、
   前記アフィニティデータは、第１のコンテンツが閲覧された回数をA、第２のコンテンツが閲覧された回数をB、第１のコンテンツに続いて第２のコンテンツが同時期に閲覧された回数をA∩B、定数をα、βとし、次式で表される対数オッズのスコアscore
   score =[log((A∩B)+α)+log(X+(A∩B)-A-B+β)-log(A-A∩B+β)-log(B-A∩B+α)]/log(10)
   を第１のコンテンツに対する第２のコンテンツの関連度とする
   ことを特徴とするコンテンツ配信装置。
5. 請求項１乃至４のいずれか一項に記載のコンテンツ配信装置において、
   前記ユーザ×ユーザ行列データは、２人のユーザが閲覧するコンテンツの共通性を示すインタレストグラフデータもしくは２人のユーザの交流性を示すソーシャルグラフデータのいずれか、またはこれらを合成したデータである
   ことを特徴とするコンテンツ配信装置。
6. コンテンツ配信装置が実行する方法であって、
   ユーザのコンテンツ毎の当該コンテンツに対する行動データをユーザ識別子とコンテンツ識別子に対応付けた実績行動指標データを取得する工程と、
   コンテンツ間の関連度を２軸のコンテンツ識別子に対応付けたコンテンツ×コンテンツ行列データを取得する工程と、
   ユーザ間の関連度を２軸のユーザ識別子に対応付けたユーザ×ユーザ行列データを取得する工程と、
   前記実績行動指標データに相当するユーザ×コンテンツ行列データと、前記コンテンツ×コンテンツ行列データと、前記ユーザ×ユーザ行列データとに基づき、これらの実績値の行列に対応する予測値の行列に対して所定の演算を行って、予測値のユーザ×コンテンツ行列データである予測行動指標データを生成する工程と、
   生成した予測行動指標データに基づき、サービス提供装置からユーザ識別子を特定した要求があった場合に、当該ユーザ識別子のユーザによる行動データが所定の条件に合致するコンテンツのコンテンツ識別子を選択し、対応するコンテンツを前記サービス提供装置に応答する工程と
   を備えたことを特徴とするコンテンツ配信方法。

Images