JP2015032186A - 推薦理由提示装置及び推薦理由提示プログラム - Google Patents

Abstract

【課題】ユーザへの推薦情報に対する適切な推薦理由を提示する。【解決手段】入力された検索キーワードから得られた推薦情報に対する推薦理由を提示する推薦理由提示装置において、前記検索キーワードに含まれる単語に対して予め設定された行列情報を用いて得られた関連度と、前記推薦情報に含まれる単語に対して前記行列情報を用いて得られた関連度とに基づいて、単語関連度を計算する単語関連度計算手段と、前記単語関連度計算手段により得られた単語関連度に基づいて、単語の順位付けを行う単語関連度順位取得手段と、前記単語関連度順位取得手段により得られた順位に基づいて、所定数の単語を前記推薦理由として出力する出力手段とを有することにより、上記課題を解決する。【選択図】図１

Description

本発明は、推薦理由提示装置及び推薦理由提示プログラムに係り、特にユーザへの推薦情報に対する適切な推薦理由を提示するための推薦理由提示装置及び推薦理由提示プログラムに関する。

ユーザに対する推薦情報（推薦アイテム）の提示は、従来から様々な場面で活用されている。例えば、Ｖｉｄｅｏ Ｏｎ Ｄｅｍａｎｄ（ＶＯＤ）サービスでは、視聴中の番組に予め設定されたキーワードと他の番組のキーワードとの類似度により、視聴中の番組に関連する番組を抽出している。また、従来では、ユーザがキーワードを入力したり、ユーザの過去の購入履歴やレーティング（Ｒａｔｉｎｇ）、そのときのトレンド等を利用して、様々な情報から推薦情報を抽出する。

ここで、ユーザが明示的にキーワードを入力し、ユーザの好きなタイミングで推薦情報を提示する場合にはユーザに受け入れられ易いが、ユーザの嗜好情報等から取得した推薦情報をユーザの意思しないタイミングで提示する場合には、「ただの宣伝」等と思われ、無視されてしまうことも多い。

ユーザが推薦情報にもっと親しみを持ってもらうためには、例えば推薦情報と共に、何故その情報を推薦するのかの理由を提示することが好ましく、そのための手法が存在する（例えば、特許文献１及び２参照）。

特開２０１３−１０９６９８号公報 特開２００８−２２５６５９号公報

しかしながら、上述したような従来手法では、推薦理由をそのユーザや関連するユーザの直近の操作履歴を用いて作成しており、推薦情報そのものの中身についての推薦理由ではない。また、従来手法では、人物やジャンル等の事前にメタデータとして設定された情報を用いた推薦理由しか提示できなかった。

１つの側面では、本発明は、ユーザへの推薦情報に対する適切な推薦理由を提示するための推薦理由提示装置及び推薦理由提示プログラムを提供することを目的とする。

上記課題を解決するために、本件発明は、以下の特徴を有する課題を解決するための手段を採用している。

一態様における推薦理由提示装置は、入力された検索キーワードから得られた推薦情報に対する推薦理由を提示する推薦理由提示装置において、前記検索キーワードに含まれる単語に対して予め設定された行列情報を用いて得られた関連度と、前記推薦情報に含まれる単語に対して前記行列情報を用いて得られた関連度とに基づいて、単語関連度を計算する単語関連度計算手段と、前記単語関連度計算手段により得られた単語関連度に基づいて、単語の順位付けを行う単語関連度順位取得手段と、前記単語関連度順位取得手段により得られた順位に基づいて、所定数の単語を前記推薦理由として出力する出力手段とを有する。

また、一態様における推薦理由提示プログラムは、入力された検索キーワードから得られた推薦情報に対する推薦理由を提示するための推薦理由提示プログラムにおいて、コンピュータを、前記検索キーワードに含まれる単語に対して予め設定された行列情報を用いて得られた関連度と、前記推薦情報に含まれる単語に対して前記行列情報を用いて得られた関連度とに基づいて、単語関連度を計算する単語関連度計算手段、前記単語関連度計算手段により得られた単語関連度に基づいて、単語の順位付けを行う単語関連度順位取得手段、及び、前記単語関連度順位取得手段により得られた順位に基づいて、所定数の単語を前記推薦理由として出力する出力手段として機能させる。

本発明によれば、ユーザへの推薦情報に対する適切な推薦理由を提示することができる。

推薦理由提示装置の機能構成の一例を示す図である。 推薦理由提示処理の一例を示すフローチャートである。 推薦理由を提示するための単語抽出例を説明するための図である。 ＩＣＡ基底生成処理の一例を示すフローチャートである。 他の実施形態における推薦理由提示装置の機能構成の一例を示す図である。 推薦理由提示処理の具体例を説明するための図（その１）である。 推薦理由提示処理の具体例を説明するための図（その２）である。 本実施形態における出力例を示す図である。

＜本実施形態について＞
本実施形態では、例えば推薦情報を取得するための検索情報（例えば、検索キーワード、ユーザプロファイル、推薦情報の概要文等）の特徴量に基づく単語関連度と、検索結果から得られた推薦情報（例えば、番組情報、商品、音楽等の各種コンテンツやアイテム）の特徴量に基づく単語関連度とを用いて、各単語間の関連度を計算し、計算した関連度に基づく順位に応じて所定数の単語を出力する。また、本実施形態では、出力した単語、又はその単語を用いて生成した文章等を推薦理由に関する情報として出力する。なお、本実施形態では、上述した各単語の特徴量の計算に、例えば事前の用意されたＩＣＡ（Ｉｎｄｅｐｅｎｄｅｎｔ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ；独立成分分析）基底等の行列情報等を用いることができるが、これに限定されるものではない。

以下に、推薦理由提示装置及び推薦理由提示プログラムを好適に実施した形態について、図面等を用いて詳細に説明する。

＜推薦理由提示装置の機能構成例＞
図１は、推薦理由提示装置の機能構成の一例を示す図である。図１における推薦理由提示装置１０は、検索キーワード入力手段１１と、キーワード解析手段（検索情報解析手段）１２と、単語情報格納手段１３と、特徴量計算手段１４と、ＩＣＡ基底格納手段１５と、関連度計算手段１６と、単語関連度格納手段１７と、推薦アイテム入力手段１８と、アイテム解析手段（推薦情報解析手段）１９と、キーワード・アイテム単語関連度計算手段２０と、単語関連度順位取得手段２１と、出力手段２２とを有する。なお、図１の例では、特徴量計算手段１４−１，１４−２、関連度計算手段１６−１，１６−２、及び単語関連度格納手段１７−１，１７−２のように、それぞれ２つの構成を用いているが、これに限定されるものではなく、それぞれが１つの構成であってもよい。

検索キーワード入力手段１１は、推薦されたアイテム（例えば、番組、商品、音楽等のコンテンツ）等の推薦を受けるために、ユーザ等によりキーボードやタッチパネル上の操作ボタン等からの入力された検索キーワードを受け付ける。

なお、検索キーワード入力手段１１は、上述した検索情報の一例であり、例えばユーザプロファイルやユーザが現在視聴している番組情報等を入力してもよい。ユーザプロファイルとは、例えばあるユーザ（例えば、ユーザＡ）は、「サッカーが好きで、特にバルセロナが好き」といった嗜好情報であるが、これに限定されるものではなく、例えばそのユーザの嗜好や興味を関連のある単語で表現したものであればよい。上述したようなユーザプロファイルは、例えばユーザＡにより事前に複数の番組を見たいか見たくないかでレーティングした結果に基づいて、レーティングが高い番組に共通して現れる単語には、高い興味がある等とし、各単語への興味の度合いを計算することで生成することができるが、これに限定されるものではない。

キーワード解析手段１２は、検索キーワード入力手段１１により入力されたキーワードと、予め記憶された単語情報格納手段１３に含まれる単語との間で、ＴＦとＤＦとを求め、ＴＦ−ＩＤＦ（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ−Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ）を計算する。

ＴＦ−ＩＤＦは、例えば文章中に含まれる単語の重みを設定するのに一般に使われる手法である。ＴＦ−ＩＤＦは、例えば検索対象文章群のうち、文章中の単語の出現頻度を表すＴＦ（文章中での単語の重要度）と、その単語が現れる文章数（ＤＦ）の逆数を表すＩＤＦとを用いて、ＴＦとＩＤＦとの積で表される。なお、ＩＤＦは、検索対象文章群全体での重要度であり、多くの文章に出てくる単語はそれほど重要ではないという考え方である。

単語情報格納手段１３は、例えば予め設定された文章等の情報に含まれる単語と、その出現頻度（例えば、ＤＦ）の情報等が格納される。予め設定された文章とは、例えば推薦アイテム入力手段１８で入力される推薦情報等であるが、これに限定されるものではない。

単語情報格納手段１３に格納される単語は、名詞であるが、これに限定されるものではなく、動詞や形容詞等を含めてもよい。例えば、本実施形態により、人手による検索に対する推薦理由を取得したい場合には、ユーザが検索キーワードとして名詞を入力する可能性が高いため、名詞だけを格納してもよい。また、本実施形態により、番組から番組への推薦に対する推薦理由を取得したい場合には、名詞だけ動詞等も含めたほうがよい。

また、単語情報格納手段１３は、出現頻度が少ない単語については、検索時にノイズになってしまう場合があるため、所定の出現頻度（例えば、３）以上の単語のみ格納するようにしてもよい。

また、単語情報格納手段１３に格納される単語は、例えば先頭からの格納順序に応じて識別情報（ＩＤ）を付与して管理してもよい。これにより、後述の処理では、このＩＤを用いてベクトルや行列等による計算を行うことができる。

特徴量計算手段１４−１は、キーワード解析手段１２により得られたＴＦ−ＩＤＦの値をＩＣＡ基底に射影し、ＩＣＡ基底の次元数と同じ数のパラメータを持つ特徴量に変換する。ＩＣＡ基底については、後述する。

関連度計算手段１６−１は、特徴量計算手段１４−１で得られた特徴量を、予め記憶されたＩＣＡ基底格納手段１５に記憶されたＩＣＡの基底の列（縦）ベクトルとの類似度計算により、検索キーワード入力手段１１で入力されたキーワード（各単語）と単語情報格納手段１３に含まれる各単語との間の関連度を計算する。

なお、類似度とは、検索キーワードがどれだけＩＣＡ基底のベクトルに近いかの計算により得られることができる。類似度計算には、例えばコサイン類似度を使用することができるが、これに限定されるものではなく、他のベクトルの類似度計算を利用してもよい。関連度計算手段１６−１は、計算されたキーワードに対する単語関連度を単語関連度格納手段１７−１に格納する。

推薦アイテム入力手段１８は、検索キーワード入力手段１１により入力された検索キーワードを用いて、予め設定された多数の推薦情報が含まれる検索対象文章群を検索し、検索により抽出された推薦情報（推薦アイテム）を入力情報として受け付ける。つまり、推薦アイテム入力手段１８には、検索キーワードにより検索された結果として得られる推薦情報が入力される。

なお、検索対象文章群から推薦情報を抽出する手法については、例えば検索対象文章群に含まれる各推薦情報中のキーワードと検索キーワードとのマッチングにより同一又は類似するキーワードを有する推薦情報を抽出する手法等があるが、これに限定されるものではない。例えば、ジャンル等の情報種別や重要度等を組み合わせて推薦情報を抽出してもよく、その他の一般的な検索手法を用いて推薦情報を抽出してもよい。

また、推薦情報（推薦アイテム）としては、例えば番組情報や映画情報、音楽情報、各種商品情報、サービス情報等のコンテンツの概要文（文字情報）等であるが、これに限定されるものではない。

アイテム解析手段１９は、推薦アイテム入力手段１８により入力された推薦アイテムと、予め記憶された単語情報格納手段１３に含まれる単語との間で、ＴＦとＤＦとを求め、ＴＦ−ＩＤＦを計算する。なお、アイテム解析手段１９で使用された単語情報格納手段１３は、上述したキーワード解析手段１２で使用された単語情報格納手段１３と同一のものであることが好ましい。

特徴量計算手段１４−２は、アイテム解析手段１９により得られたＴＦ−ＩＤＦの値をＩＣＡ基底に射影し、ＩＣＡ基底の次元数と同じ数のパラメータを持つ特徴量に変換する。

関連度計算手段１６−２は、特徴量計算手段１４−２で得られた特徴量を、予め記憶されたＩＣＡ基底格納手段１５に記憶されたＩＣＡの基底の列（縦）ベクトルとの類似度計算（例えば、コサイン類似度計算）により、推薦アイテム入力手段１８に入力された推薦情報に含まれる単語と単語情報格納手段１３に含まれる各単語との間の関連度を計算する。関連度計算手段１６−２は、計算された単語に対する単語関連度を単語関連度格納手段１７−２に格納する。

キーワード・アイテム単語関連度計算手段２０は、例えば単語関連度格納手段１７−１，１７−２にそれぞれ記憶された単語関連度を用いて、単語毎の積を計算する。キーワード・アイテム単語関連度計算手段２０は、例えば各単語に対応する重み付け値を付与して積を計算してもよい。

単語関連度順位取得手段２１は、キーワード・アイテム単語関連度計算手段２０により計算されたそれぞれの積を基準として、積の大きい単語順に並べ替える。

出力手段２２は、単語関連度に対する予め設定された条件に基づいて、所定数の単語を、推薦情報に対する推薦理由として出力する。

出力手段２２は、例えば「順位の高い上位５個を出力する」、「順位が高く、推薦アイテム入力手段１８に入力された概要文に含まれる単語を出力する」等の条件に基づいて対象の情報を出力することができるが、これに限定されるものではない。

また、出力手段２２は、単語のみを出力してもよく、単語から文章を生成して出力してもよい。例えば、推薦理由として「サッカー」、「スポーツ」が得られた場合に、その単語そのものを関連キーワードや推薦理由等として出力してもよく、また「この推薦情報が抽出された理由は、"サッカー"、"スポーツ"という単語が概要文に含まれているためです。」といった所定の文章等を生成して出力してもよい。出力手段２２における出力手法は、画面に表示してもよく、音声出力してもよく、これらを組み合わせてもよい。また、推薦理由は、上述した検索キーワードにより検索された推薦情報と共に出力してもよい。これにより、ユーザへの推薦情報に対する適切な推薦理由を提示することができる。

なお、上述した出力手段２２では、推薦理由提示装置１０におけるそれまでの計算処理等において、例えばベクトルや行列等による演算を行っているため、単語関連度順位取得手段２１から得られる情報としては、予め設定された単語の識別情報（ＩＤ）しか出力できない場合がある。したがって、出力手段２２は、図１に示すように、単語情報格納手段１３に記憶された単語情報を用いることで、単語関連度順位取得手段２１から取得した単語ＩＤに相当する単語を抽出することができる。出力手段２２から出力される情報は、例えば検索キーワードを入力したユーザやこのサービスの管理者等に、推薦理由情報として提示される。

ここで、本実施形態における推薦理由提示装置１０は、例えばインタネットやＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等に代表される通信ネットワークを介して接続された外部装置で事前処理された単語関連度格納手段１７−１，１７−２の情報を取得して、後続の処理を行う構成であってもよい。

また、推薦理由提示装置１０は、上述した単語情報格納手段１３やＩＣＡ基底格納手段１５についても通信ネットワークを介して接続された外部装置から取得してもよい。

更に、推薦理由提示装置１０は、検索キーワード入力手段１１で入力された検索キーワードを用いて予め設定された複数の推薦情報が含まれる検索対象文章群を検索し、検索キーワードに対応する推薦情報を抽出する検索手段を有していてもよい。これにより、推薦理由提示装置１０が、検索キーワードに対する推薦情報と、その推薦理由情報とを提示することができる。

＜推薦理由提示処理例＞
次に、本実施形態における推薦理由提示処理の一例について、フローチャートを用いて説明する。図２は、推薦理由提示処理の一例を示すフローチャートである。

図２の例において、検索キーワード入力手段１１は、ユーザ等による検索キーワードの入力を受け付ける（Ｓ０１）。次に、キーワード解析手段１２は、単語情報格納手段１３に含まれる情報を用いてＳ０１の処理で得られたキーワードの解析を行う（Ｓ０２）。

次に、特徴量計算手段１４−２は、Ｓ０２の処理で得られた解析結果と、ＩＣＡ基底格納手段１５に記憶された情報とを用いて特徴量を計算する（Ｓ０３）。次に、関連度計算手段１６−１は、Ｓ０３で得られた特徴量と、ＩＣＡ基底格納手段１５に記憶された情報とを用いて、推薦アイテムの各単語の関連度を計算し（Ｓ０４）、Ｓ０４の処理で得られた計算結果を単語関連度格納手段１７−１に記憶する（Ｓ０５）。

次に、推薦アイテム入力手段１８は、上述した検索キーワードにより検索された推薦アイテム（例えば、番組等）に関連する情報（例えば、概要文や説明文、紹介文等）の入力を受け付ける（Ｓ０６）。次に、アイテム解析手段１９は、単語情報格納手段１３に含まれる情報を用いて、Ｓ０６の処理で得られた推薦アイテム（例えば、推薦アイテムの概要文に含まれる単語）を解析する（Ｓ０７）。

次に、特徴量計算手段１４−２は、Ｓ０７の処理で得られた解析結果と、ＩＣＡ基底格納手段１５に記憶された情報とを用いて特徴量を計算する（Ｓ０８）。次に、関連度計算手段１６−２は、Ｓ０８で得られた特徴量と、ＩＣＡ基底格納手段１５に記憶された情報とを用いて、推薦アイテムの各単語の関連度を計算し（Ｓ０９）、Ｓ０９の処理で得られた計算結果を単語関連度格納手段１７−２に記憶する（Ｓ１０）。

次に、キーワード・アイテム単語関連度計算手段２０は、単語関連度格納手段１７−１に記憶された検索キーワードの単語関連度と、単語関連度格納手段１７−２に記憶された推薦アイテムの単語関連度とを用いて、各単語の関連度を計算する（Ｓ１１）。

次に、単語関連度順位取得手段２１は、Ｓ１１の結果に基づき、単語関連度の順位を取得する（Ｓ１２）。また、出力手段２２は、Ｓ１２の処理により取得した順位に対して予め設定された条件に基づく所定数の単語等を推薦理由情報として出力する（Ｓ１３）。

＜検索キーワード以外の入力について＞
上述したように、本実施形態ではユーザの操作により入力された検索キーワードを用いて、ユーザの嗜好に合わせた推薦情報と、その推薦理由とを提示することができるが、これに限定されるものではなく、例えばユーザプロファイルを用いてユーザの嗜好に合わせた推薦情報と、その推薦理由とを提示することができる。

ユーザの興味や関心は、ユーザプロファイルとして表現することができる。ユーザプロファイルは、上述したように、本実施形態のために特別に生成したユーザプロファイルを用いてもよく、また例えば多段グラフマイニング手法（例えば、松井淳，宮▲崎▼太郎，山田一郎，藤井真人，苗村昌秀，"多段グラフマイニングによる新規アイテム推薦，"映情学技報，３７（２０），ＭＥ２０１３−６１，ＡＩＴ２０１３−１２０，ｐｐ１−４，２０１３．）等、他の手法により生成されたユーザプロファイルを用いることもできるが、これに限定されるものではない。

多段グラフマイニングでは、例えばユーザと番組、そして番組に関連する名詞群をノードとしたグラフ構造を生成する。また、ユーザの番組に対する興味の度合いをユーザ番組間のノードを結ぶエッジの重みとして与え、既存のグラフ構造解析処理により、ユーザノードから各名詞ノードへの到達可能性（遷移確率）を計算する。この値をユーザの名詞に対する興味の度合いと解釈することで、ユーザプロファイルとすることができる。

＜推薦理由を提示するための単語抽出例＞
ここで、推薦理由を提示するための単語抽出例について説明する。図３は、推薦理由を提示するための単語抽出例を説明するための図である。図３（Ａ）は、ＩＣＡ基底の生成例を示し、図３（Ｂ）は、単語毎の関連度の計算例を示している。

本実施形態として、例えば番組（推薦情報）の推薦理由情報として提示する単語は、その単語が番組の内容を表す単語あり、かつユーザの興味と合致する単語であることが好ましい。

したがって、本実施形態では、番組の内容を表す単語を抽出するために、ＩＣＡ（独立成分分析）を用いて推薦情報である番組の概要文や説明文等（以下、「番組概要文」という）から意味毎のまとまりを表す基底を生成する。例えば、図３（Ａ）のように、横（行）に各番組、縦（列）に各番組に含まれる各単語を有する特徴量行列からＩＣＡの基底行列を生成する。この場合、行は次元数を示し、列は単語数（各単語）を示す。

このＩＣＡ基底を用いて、例えば図３（Ｂ）に示すように、番組概要文から各単語への関連度を計算する。図３（Ｂ）では、まず番組概要文に現れる単語数をカウントし、ＴＦ−ＩＤＦで重み付けしたＴＦ−ＩＤＦベクトルを生成する。このＴＦ−ＩＤＦベクトルと基底行列（図３（Ｂ）中のＴは、転置行列を示す）から、圧縮した次元内で単語毎の関連度を計算する。

なお、ユーザプロファイルを用いた各単語への関連度は、図３（Ｂ）に示す番組概要文の代わりにユーザプロファイルを用いることで計算することができる。この場合、例えばユーザプロファイルから求めた単語への関連度ｐ_Ｕｓｅｒと、番組概要文から求めた単語への関連度ｐ_ｐｒｏｇとを用いて、キーワード・アイテム単語関連度計算手段２０により、単語間の関連度Ｐを取得することができる。

また、キーワード・アイテム単語関連度計算手段２０では、２つの単語関連度の重み付け和を計算する。このときの計算は、重み付け値をαとすると、例えば「関連度Ｐ＝α・ｐ_ｐｒｏｇ＋（１−α）・ｐ_Ｕｓｅｒ（０≦α≦１）」等を用いることができるが、これに限定されるものではない。また、本実施形態では、計算した結果に対し、単語関連度順位取得手段２１により降順に並べ、出力手段２２により上位から所定数の単語を出力することで推薦理由の単語を提示することができる。

＜ＩＣＡ基底格納手段１５について＞
次に、上述したＩＣＡ基底格納手段１５について具体的に説明する。図３（Ａ）に示すようなＩＣＡ基底の生成は、推薦理由提示処理の事前処理として行っておく必要がある。なお、ＩＣＡ基底格納手段１５は、例えば推薦理由提示装置１０内で生成してもよく、上述した通信ネットワーク等に接続された外部装置から取得してもよい。なお、推薦理由提示装置１０で生成する場合には、ＩＣＡ基底生成部等を設けてもよい。

ここで、ＩＣＡ基底生成処理の一例についてフローチャートを用いて説明する。図４は、ＩＣＡ基底生成処理の一例を示すフローチャートである。図４の例において、推薦理由提示装置１０は、予め設定された複数の推薦アイテムの元となる検索対象文章群等の入力を受け付け（Ｓ２１）、受け付けた検索対象文章群から文章中にどの単語が使用されているかを抽出する（Ｓ２２）。

次に、推薦理由提示装置１０は、Ｓ２２の処理で得られた使用単語を用いて、それぞれの単語が「幾つの文章で使用されたか（＝ＤＦ）」、言い換えれば「単語の出現した文章数」を計算する(Ｓ２３)。なお、Ｓ２３の処理で得られた結果は、例えばＤＦ格納手段等に格納しておいてもよい。

次に、推薦理由提示装置１０は、各単語が「各文中で何回使われたか（＝ＴＦ）」、言い換えれば「ある文章に対する単語の出現頻度（単語の重要度）」を計算する（Ｓ２４）。

次に、推薦理由提示装置１０は、Ｓ２３の処理で得られたＤＦの値と、Ｓ２４の処理で得られたＴＦの値とからＴＦ−ＩＤＦを計算し（Ｓ２５）、その結果を用いてＩＣＡの基底を計算する(Ｓ２６)。なお、ＴＦ−ＩＤＦの計算において、ＩＤＦは、ＤＦの逆数のｌｏｇを計算したものである。ＩＤＦは、その単語が一般的によく使用される場合には値が小さくなり、特定の場面で使用される場合には値が大きくなる。また、ＴＦ−ＩＤＦは、例えばＴＦとＩＤＦとの積で求められる。

＜本実施形態における関連度計算手法について＞
次に、上述した本実施形態における関連度計算手法について具体的に説明する。例えば、単語情報格納手段１３に「単語群」として３つの単語があったとする。キーワード解析手段１２やアイテム解析手段１９は、入力データ（検索キーワードや推薦アイテム等）から、「単語群」に含まれる全単語の出現頻度を計算し、ＴＦ−ＩＤＦを求めたベクトルｗを以下に示す（１）式で表す。

なお、上述した（１）式におけるｗ_１，ｗ_２，ｗ_３は、それぞれ「単語群」に含まれる単語のＴＦ−ＩＤＦである。

また、ＩＣＡの基底は、以下に示す（２）式で表される。

ここで、ＩＣＡの基底の次元数を２とする。ここで、ベクトルｗを射影した特徴ベクトルｐは、以下に示す（３）式で表される。

なお、特徴ベクトルｐは、基底の次元数分の要素を持つ。つまり、出現頻度ベクトルｗとＩＣＡ基底Ｉから、特徴ベクトルｐと基底の各次元との関連度が得られる。

これらから、例えば単語１の関連度ｒ_１は、基底Ｉの１列目の列（縦）ベクトルと、特徴ベクトルｐとのコサイン類似度で表すことができ、例えば以下に示す（４）式で表される。

なお、ｃｏｓ（Ａ，Ｂ）は、ベクトルＡとベクトルＢとのコサイン類似度を表す。また、上述した（４）式を用いて、基底Ｉの２列目以降についても同様に関連度ｒを計算することができる。

ここで、検索キーワードＤ_{ｑｕｅｒｙ}とｉ番目の単語の関連度をｒ_{ｑｕｅｒｙ（ｉ）}とし、推薦アイテムＤ_{ｒｅｃｏｍｍｅｎｄ}とｉ番目の単語の関連度をｒ_{ｒｅｃｏｍｍｅｎｄ（ｉ）}とすると、ｉ番目の単語の検索キーワードと推薦するアイテムの間を結び付けている度合いは、例えば「ｒ（ｉ）＝ｒ_{ｑｕｅｒｙ（ｉ）}・ｒ_{ｒｅｃｏｍｍｅｎｄ（ｉ）}」等と表すことができるが、これに限定されるものではない。例えば、重み付け値αを用いて、「ｒ（ｉ）＝α・ｒ_{ｑｕｅｒｙ（ｉ）}＋（１−α）・ｒ_{ｒｅｃｏｍｍｅｎｄ（ｉ）}」等のように重み付け和の形でも表すことができる。

上述した手法により得られるＲ（ｉ）を大きい順に並べることで、「なぜその検索キーワードからその番組が得られたのか」の理由となる単語が順位付けて得られることになる。なお、ｒ_{ｑｕｅｒｙ（ｉ）}、ｒ_{ｒｅｃｏｍｍｅｎｄ（ｉ）}が共に負の場合は、ｒ（ｉ）が大きくなるが、欲しい単語ではないのでペナルティを付与する。

＜ＩＣＡ以外の基底生成方法について＞
なお、本実施形態では、上述したようにＩＣＡに基づく基底を生成したが、本実施形態においては、これに限定されるものではなく、例えばＰＣＡ（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ；主成分分析）やＮＭＦ（Ｎｏｎ−ｎｅｇａｔｉｖｅ Ｍａｔｒｉｘ Ｆａｃｔｏｒｉｚａｔｉｏｎ；非負値行列因子分解）等を用いることができる。

なお、ＰＣＡ（主成分分析）には、「基底の直交条件」というものがあり、分布を最も圧縮する方向には基底を生成できるが、単語に最も適応した基底ができるというわけではなく、ＩＣＡの方が、分布に即した基底が生成できるため、本実施形態のような用途であればＰＣＡよりＩＣＡの方が高い性能が期待できる。

また、ＮＭＦ（非負値行列因子分解）は、例えばトピック分類等でよく使用されている手法である。ＮＭＦでは、得られる基底が全て正の値になるため、「この単語が現れた場合はこの話題ではないだろう」というような方向への推定はできない。ただし、元々単語の出現頻度等は正の値しか取らず、その方が自然と考える場合もある。

本実施形態では、上述したＩＣＡ（独立成分分析）、ＰＣＡ（主成分分析）、及びＮＭＦ（非負値行列因子分解）のうち、少なくとも１つを用いて基底を生成し、抽象化を行うことができる。なお、基底の生成方法については、これらの手法に限定されるものではない。

＜他の実施形態＞
次に、上述した実施形態の他の実施形態について説明する。図５は、他の実施形態における推薦理由提示装置の機能構成の一例を示す図である。なお、上述した推薦理由提示装置１０と同様の処理を行う機能構成については同一の符号を付するものとし、共通の内容に対するここでの具体的な説明は省略する。

図５に示す推薦理由提示装置３０は、検索キーワード入力手段１１と、キーワード解析手段１２と、単語情報格納手段１３と、特徴量計算手段１４と、ＩＣＡ基底格納手段１５と、関連度計算手段１６と、単語関連度格納手段１７と、推薦アイテム入力手段１８と、アイテム解析手段１９と、キーワード・アイテム単語関連度計算手段２０'と、単語関連度順位取得手段２１と、出力手段２２とを有する。

図５に示す推薦理由提示装置３０は、上述した推薦理由提示装置１０と比較すると、アイテム解析手段１９により得られたＴＦ−ＩＤＦの値をキーワード・単語関連度計算部２０'に入力している。

つまり、図５の例では、キーワード・アイテム単語関連度計算手段２０'にＴＦ−ＩＤＦを計算した結果を入れることで、単語関連度格納手段１７−１，１７−２から得られる単語の関連度と、ＴＦ−ＩＤＦ値による単語の重要度（重み付け値）に基づいて、より適切な単語関連度の計算を行うことができる。したがって、出力手段２２からは、キーワード・アイテム単語関連度計算手段２０'により得られた関連度と重要度とに基づいて計算された結果から適切な推薦理由情報を出力することができる。

なお、図５の例では、アイテム解析手段１９から得られたＴＦ−ＩＤＦの値をキーワード・アイテム単語関連度計算手段２０'に入力しているが、これに限定されるものではなく、例えばキーワード解析手段１２から得られたＴＦ−ＩＤＦの値を用いてもよく、また両方のＴＦ−ＩＤＦの値を用いてもよい。

＜具体例＞
次に、本実施形態を用いた推薦理由提示処理の具体例について説明する。図６，図７は、推薦理由提示処理の具体例を説明するための図（その１，その２）である。なお、以下の説明では、単語情報格納手段１３に含まれる単語のうち、「サッカー」、「代表」、「自然」の３単語を用いて説明する。この３単語に関わる部分のＩＣＡ基底を取り出したものが、図６の（ａ）に示す２次元の基底Ｉの行列で表されるものとする。この場合、行列の各列は、それぞれサッカー（１列），代表（２列），自然（３列）に相当する。

図６の例において、ユーザが検索キーワードとして「サッカー」を入力する。キーワード解析手段１２は、単語情報格納手段１３に含まれる単語（サッカー，代表，自然）に対して、ｗ＝（１，０，０）となる。このベクトル出現頻度ベクトルｗは、実際には単語情報格納手段１３に格納された単語数分の要素を持つ。

また、キーワード解析手段１２は、ＩＤＦを乗算してＴＦ−ＩＤＦを計算し、単語（サッカー，代表，自然）に対して出現頻度ベクトルｗ'＝（０．２５，０，０）とした解析結果を取得する。

次に、特徴量計算手段１４−１は、ＩＣＡの基底に射影して特徴量を求める。特徴量計算手段１４−１は、図６に示すような計算を行い、「サッカー」と基底の各次元の関連度０．２，０．０２５を取得する。

次に、関連度計算手段１６−１は、ＩＣＡの基底の列ベクトルとのコサイン類似度より、図６に示すような計算を行い、行列１列目の関連度ｒ_１＝０．９９，ｒ_２＝０．８４，ｒ_３＝０．４３の値が得られる。この各関連度ｒ_１，ｒ_２，ｒ_３が、それぞれ入力単語の「サッカー」と、単語情報格納手段１３にある「サッカー」、「代表」、「自然」との間の関連度になる。図６の例では、「サッカー」が高い値となっている。

また、図７の例において、推薦アイテム入力手段１８は、ある番組の概要文を入力し、アイテム解析手段１９により推薦アイテムの解析を行う。図７の例では、推薦アイテムの概要文に含まれる単語（サッカー，代表，自然）に対して、ｗ＝（１，３，０）となる。なお、「代表」に対するｗ＝３とは、入力した概要文中に「代表」という単語が３個あることを示している。

次に、アイテム解析手段１９は、ＴＦ−ＩＤＦを計算して単語（サッカー，代表，自然）に対して出現頻度ベクトルｗ'＝（０．２５，１．１０，０）とした解析結果を取得する。

次に、特徴量計算手段１４−２は、ＩＣＡの基底に射影して特徴量を求める。
特徴量計算手段１４−２は、図７に示すような計算を行い、ＩＣＡの基底に射影して番組概要文と基底の各次元の関連度０．８６，０．２４５を取得する。

次に、関連度計算手段１６−２は、ＩＣＡの基底の列ベクトルとコサイン類似度により、図７に示すような計算を行い、ｒ_１＝０．８９，ｒ_２＝０．９６，ｒ_３＝０．６６を取得する。各関連度ｒ_１，ｒ_２，ｒ_３が、番組概要文と単語情報格納手段１３にある「サッカー」、「代表」、「自然」との間の関連度になる。図７の例では、「代表」が高い値となっている。

次に、キーワード・アイテム単語関連度計算手段２０は、上述した処理結果を用いてそれぞれから求めた単語の関連度を計算する。例えば、キーワード・アイテム単語関連度計算手段２０は、各単語の関連度の積で計算した場合、「ｒ_１＝０．９９・０．８９＝０．８８」、「ｒ_２＝０．８４・０．９６＝０．８１」、「ｒ_３＝０．４３・０．６６＝０．２８」となる。

なお、キーワード・アイテム単語関連度計算手段２０は、単純な積の計算だけでなく、例えば上述したようにアイテム解析手段１９で得られたＴＦ−ＩＤＦの値（重み付け値）を用いて、それぞれから求めた単語の関連度に対して、上述した重み付け和の計算をすることで単語関連度を計算してもよい。

次に、単語関連度順位取得手段２１は、キーワード・アイテム単語関連度計算手段２０により得られた関連度を大きい順に並べることで、検索結果に出てきた番組と入力した単語を結び付けている単語が何かを得ることができる。

なお、本実施形態では、ＩＣＡの基底を介することで、検索キーワードや推薦アイテムに現れない単語の関連度も計算できる。上述の例では、「代表」は、検索キーワードに含まれていないが高い値が得られる。また、「自然」は、検索キーワードにも概要文にも含まれていないが計算が可能となるが、結果的に関連が薄い単語であるため、低い値になる。

＜出力例＞
次に、出力例について説明する。図８は、本実施形態における出力例を示す図である。例えば、図８（Ａ）に示すように、画面上のキーワード入力領域４１に検索キーワード（図８の例では、「サッカー」）を入力して検索ボタン４２を入力すると、上述した処理が行われ、例えば図８（Ｂ−１）〜（Ｂ−３）に示すような検索結果（推薦情報）が得られたとする。

この場合、本実施形態では、得られた各推薦情報について上述した推薦理由提示処理を行う。そして、出力手段２２は、推薦情報と共に本実施形態により得られる推薦理由を表示する。例えば、本実施形態では、図８（Ｂ−１）〜（Ｂ−３）に示すように、推薦情報の一例としての番組タイトル４３（「サッカータイム」、「テレビ中継「日本対ブラジル」、「スポーツニュース」）を表示し、その下に推薦理由情報４４として関連度の高い上位３個の単語が表示する。

図８（Ｂ−１）における推薦理由情報４４として、「サッカー」、「スポーツ」、「Ｊ１」が提示され、図８（Ｂ−２）における推薦理由情報４４として、「サッカー」、「日本代表」、「○○○カップ」が提示され、図８（Ｂ−３）における推薦理由情報４４として、「スポーツ」、「日本代表」、「ブラジル」が提示される。

なお、推薦理由情報４４の表示内容やレイアウト、推薦理由として出力される単語数等については、これに限定されるものではない。本実施形態では、例えば図８に示すように番組のオープニング画面（タイトル画面）を提示してもよく、推薦理由情報をその単語関連度と共に表示してもよく、推薦理由の単語を用いて所定の文章を生成して表示してもよい。

これにより、本実施形態では、検索結果の推薦情報と共に推薦理由情報４４を表示することで、ユーザはその推薦情報（推薦アイテム）を選んだ理由を把握することができるため、より推薦情報に関心を持つことになる。

なお、本実施形態において提示される推薦理由情報は、ユーザに関心を持たせる用途以外にも、例えば何故この推薦情報が出力されたのかの裏付け情報として利用することができる。また、本実施形態では、取得した推薦理由情報の各単語を用いて、検索対象文章群を検索（２次検索）し、追加の推薦情報を提示することもできる。

＜実行プログラム＞
ここで、上述した推薦理由提示装置１０，３０は、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の揮発性の記憶装置、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の不揮発性の記憶装置、マウスやキーボード、ポインティングデバイス等の入力装置、画像やデータ等を表示する表示装置、並びに外部と通信するためのインタフェース装置を備えたコンピュータによって構成することができる。

したがって、推薦理由提示装置１０，３０が有する上述した各機能は、これらの機能を記述したプログラムをＣＰＵに実行させることによりそれぞれ実現可能となる。また、これらのプログラムは、磁気ディスク（フロッピー（登録商標）ディスク、ハードディスク等）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤ等）、半導体メモリ等の記録媒体に格納して頒布することもできる。

つまり、上述した各構成における処理をコンピュータに実行させるための実行プログラム（推薦理由提示プログラム）を生成し、例えば汎用のパーソナルコンピュータやサーバ等にそのプログラムをインストールすることにより、推薦理由提示処理を実現することができる。なお、本実施形態における実行プログラムによる処理については、例えば上述した各処理を実現することができる。

上述したように本実施形態によれば、ユーザの嗜好に合わせた適切な推薦理由を提示することができる。例えば、ユーザの嗜好に合わせた推薦理由の提示が行えることで、ユーザにより親しみやすいコンテンツ（番組、音楽等）の推薦を行うことができる。

以上、本発明の好ましい実施形態について詳述したが、本発明は係る特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形、変更が可能である。

１０，３０ 推薦理由提示装置
１１ 検索キーワード入力手段
１２ キーワード解析手段（検索情報解析手段）
１３ 単語情報格納手段
１４ 特徴量計算手段
１５ ＩＣＡ基底格納手段
１６ 関連度計算手段
１７ 単語関連度格納手段
１８ 推薦アイテム入力手段
１９ アイテム解析手段（推薦情報解析手段）
２０ キーワード・アイテム単語関連度計算手段
２１ 単語関連度順位取得手段
２２ 出力手段
４１ キーワード入力領域
４２ 検索ボタン
４３ 番組タイトル
４４ 推薦理由情報

Claims (7)

1. 入力された検索キーワードから得られた推薦情報に対する推薦理由を提示する推薦理由提示装置において、
   前記検索キーワードに含まれる単語に対して予め設定された行列情報を用いて得られた関連度と、前記推薦情報に含まれる単語に対して前記行列情報を用いて得られた関連度とに基づいて、単語関連度を計算する単語関連度計算手段と、
   前記単語関連度計算手段により得られた単語関連度に基づいて、単語の順位付けを行う単語関連度順位取得手段と、
   前記単語関連度順位取得手段により得られた順位に基づいて、所定数の単語を前記推薦理由として出力する出力手段とを有することを特徴とする推薦理由提示装置。
2. 前記検索キーワードに含まれる単語に対するＴＦ−ＩＤＦの値を取得する検索情報解析手段と、
   前記推薦情報に含まれる単語に対するＴＦ−ＩＤＦの値を取得する推薦情報解析手段と、
   前記検索情報解析手段及び前記推薦情報解析手段とから得られるそれぞれの値と前記行列情報とを用いて、前記検索キーワードに含まれる単語毎及び前記推薦情報に含まれる単語毎の特徴量を計算する特徴量計算手段とを有し、
   前記単語関連度計算手段は、前記特徴量計算手段により得られる前記単語毎の特徴量に基づいて前記単語関連度を計算することを特徴とする請求項１に記載の推薦理由提示装置。
3. 前記単語関連度計算手段は、
   独立成分分析、主成分分析、及び非負値行列因子分解のうち、少なくとも１つの手法を用いて得られる基底行列を前記行列情報とすることを特徴とする請求項１又は２に記載の推薦理由提示装置。
4. 前記単語関連度計算手段は、
   前記検索キーワードから得られる単語の関連度及び前記推薦情報から得られる単語の関連度に対してそれぞれ対応する重み付け値を付加して前記単語関連度を計算することを特徴とする請求項１乃至３のうち何れか１項に記載の推薦理由提示装置。
5. 前記検索キーワードは、
   ユーザから入力された検索キーワード又は前記ユーザのプロファイルであることを特徴とする請求項１乃至４のうち何れか１項に記載の推薦理由提示装置。
6. 前記出力手段は、
   前記推薦理由として得られた単語、又は該単語を含む所定の文章を生成して、前記推薦情報と共に出力することを特徴とする請求項１乃至５のうち何れか１項に記載の推薦理由提示装置。
7. 入力された検索キーワードから得られた推薦情報に対する推薦理由を提示するための推薦理由提示プログラムにおいて、
   コンピュータを、
   前記検索キーワードに含まれる単語に対して予め設定された行列情報を用いて得られた関連度と、前記推薦情報に含まれる単語に対して前記行列情報を用いて得られた関連度とに基づいて、単語関連度を計算する単語関連度計算手段、
   前記単語関連度計算手段により得られた単語関連度に基づいて、単語の順位付けを行う単語関連度順位取得手段、及び、
   前記単語関連度順位取得手段により得られた順位に基づいて、所定数の単語を前記推薦理由として出力する出力手段として機能させるための推薦理由提示プログラム。

Images