JP2016136355A - 情報処理装置、情報処理方法、及び、プログラム - Google Patents

Abstract

【課題】適切にユーザに情報を提示する。
【解決手段】サーバは、ユーザのコンテクストに関する情報を取得する。また、サーバは、取得したユーザのコンテクストに基づいて、ユーザに提示する情報である提示情報を選択する。さらに、サーバは、ユーザのコンテクストに基づいて、提示情報の提示方法を制御する。本技術は、例えば、ニュース等の記事を推薦するサービスを提供するサーバ等に適用できる。
【選択図】図２

Description

本技術は、情報処理装置、情報処理方法、及び、プログラムに関し、例えば、適切にユーザに情報を提示できるようにした情報処理装置、情報処理方法、及び、プログラムに関する。

従来、ユーザの状況に関する情報とコンテンツのメタデータの一致度に基づいてユーザに推薦するコンテンツを決定し、コンテンツの推薦を行う技術が提案されている（例えば、特許文献１参照）。

特開２０１０−２６２４３６号公報

しかしながら、特許文献１に記載の技術では、ユーザの行動によって時々刻々と変わる状況に対応して、推薦するコンテンツの内容や提示方法を最適化することはできない。

本技術は、このような状況に鑑みてなされたものであり、適切にユーザに情報を提示できるようにするものである。

本技術の第１の側面の情報処理装置は、ユーザのコンテクストに関する情報を取得するコンテクスト取得部と、前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報を選択する選択部と、前記ユーザのコンテクストに基づいて、前記提示情報の提示方法を制御する提示制御部とを含む。

前記選択部には、前記ユーザのコンテクスト毎の嗜好に基づいて前記提示情報を選択させることができる。

前記ユーザのコンテクスト毎の嗜好を学習する学習部をさらに設けることができる。

前記学習部には、ユーザ毎にコンテクストの分類方法を変更して各ユーザの嗜好を学習させることができる。

前記ユーザのコンテクスト毎に前記提示方法に対する前記ユーザの嗜好を学習する学習部をさらに設け、前記提示制御部には、前記学習部の学習結果に基づいて前記提示方法を制御させることができる。

前記提示制御部には、前記ユーザのコンテクストに基づいて、前記提示情報の伝達手段を選択させることができる。

前記伝達手段を、テキスト、静止画、若しくは、動画、若しくは、音声、又は、それらの組み合わせのいずれかとすることができる。

前記ユーザのコンテクストに、時間に関するコンテクスト、場所に関するコンテクスト、及び、前記ユーザの行動に関するコンテクストのうち少なくとも１つを含ませることができる。

前記ユーザのコンテクストに、前記ユーザと一緒にいる人を含ませ、前記選択部には、少なくとも前記ユーザと一緒にいる人に基づいて、前記提示情報を選択させることができる。

前記ユーザのコンテクストに、前記ユーザが前記提示情報の提示に用いる装置の種類を含ませ、前記提示制御部には、少なくとも前記装置の種類に基づいて、前記提示方法を制御させることができる。

前記選択部には、前記ユーザに提示した情報のうち前記ユーザが所定の反応を示した情報である反応情報の分布に基づく２以上の観点毎に、前記ユーザのコンテクストに基づいて前記提示情報を選択させることができる。

前記選択部には、前記反応情報が属するクラスタの範囲の広さに基づく第１の観点、前記反応情報の前記クラスタ毎の分布に基づく第２の観点、前記反応情報の新しさを基準とする分布に基づく第３の観点、及び、前記反応情報の人気度を基準とする分布に基づく第４の観点のうち少なくとも２以上の観点毎に、前記提示情報を選択させることができる。

前記ユーザのコンテクストを検出するコンテクスト検出部をさらに設けることができる。

本技術の第１の側面の情報処理方法は、ユーザのコンテクストに関する情報を取得するコンテクスト取得ステップと、前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報を選択する選択ステップと、前記ユーザのコンテクストに基づいて、前記提示情報の提示方法を制御する提示制御ステップとを含む。

本技術の第１の側面のプログラムは、ユーザのコンテクストに関する情報を取得するコンテクスト取得ステップと、前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報を選択する選択ステップと、前記ユーザのコンテクストに基づいて、前記提示情報の提示方法を制御する提示制御ステップとを含む処理をコンピュータに実行させる。

本技術の第２の側面の情報処理装置は、ユーザのコンテクストに関する情報を取得するコンテクスト取得部と、前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報の提示方法を制御する提示制御部とを含む。

本技術の第３の側面の情報処理装置は、ユーザのコンテクストに関する情報を取得するコンテクスト取得部と、前記ユーザのコンテクスト毎の嗜好に基づいて、前記ユーザに提示する情報である提示情報を選択する選択部とを含む。

本技術の第１の側面においては、ユーザのコンテクストに関する情報が取得され、前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報が選択され、前記ユーザのコンテクストに基づいて、前記提示情報の提示方法が制御される。

本技術の第２の側面においては、ユーザのコンテクストに関する情報が取得され、前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報の提示方法が制御される。

本技術の第３の側面においては、ユーザのコンテクストに関する情報が取得され、前記ユーザのコンテクスト毎の嗜好に基づいて、前記ユーザに提示する情報である提示情報が選択される。

本技術の第１の側面乃至第３の側面によれば、適切にユーザに情報を提示することができる。

なお、ここに記載された効果は必ずしも限定されるものではなく、本開示中に記載されたいずれかの効果であってもよい。

本技術を適用した情報処理システムの一実施の形態を示すブロック図である。 サーバの機能の構成例を示すブロック図である。 クライアントの機能の構成例を示すブロック図である。 情報取得処理を説明するためのフローチャートである。 情報解析処理を説明するためのフローチャートである。 情報提示処理を説明するためのフローチャートである。 クライアントにおいて提示される画面の第１の例を示す図である。 クライアントにおいて提示される画面の第２の例を示す図である。 クライアントにおいて提示される画面の第３の例を示す図である。 クライアントにおいて提示される画面の第４の例を示す図である。 クライアントにおいて提示される画面の第５の例を示す図である。 コンピュータの構成例を示すブロック図である。

以下、本技術を実施するための形態（以下、実施の形態という）について説明する。なお、説明は以下の順序で行う。
１．実施の形態
２．変形例

＜１．実施の形態＞
｛情報処理システム１の構成例｝
図１は、本技術を適用した情報処理システム１の一実施の形態を示している。

情報処理システム１は、サーバ１１及びクライアント１２−１乃至１２−ｎを含むように構成される。サーバ１１及びクライアント１２−１乃至１２−ｎは、ネットワーク１３を介して相互に接続されており、互いに通信を行う。サーバ１１及びクライアント１２−１乃至１２ｎの通信方式は、有線又は無線に関わらず、任意の通信方式を採用することが可能である。

サーバ１１は、クライアント１２−１乃至１２−ｎを使用するユーザに対して、各種の情報や物等の検索及び推薦を行う検索・推薦サービスを提供する。また、サーバ１１は、必要に応じて、検索・推薦サービスを利用するのに必要なアプリケーションプログラム（以下、検索・推薦サービスＡＰＰと称する）をクライアント１２−１乃至１２−ｎに提供する。

クライアント１２−１乃至１２−ｎは、例えば、サーバ１１が提供する検索・推薦サービスを各ユーザが利用する際に用いられる。なお、クライアント１２−１乃至１２−ｎは、検索・推薦サービスを利用可能な装置であれば、その実施形態は問わない。例えば、クライアント１２−１乃至１２−ｎは、スマートフォン、タブレット、携帯電話機、ノート型のパーソナルコンピュータ等の携帯情報端末、ウェアラブルデバイス、デスクトップ型のパーソナルコンピュータ、ゲーム機、動画再生装置、音楽再生装置等により構成される。また、ウェアラブルデバイスには、例えば、眼鏡型、腕時計型、ブレスレット型、ネックレス型、ネックバンド型、イヤフォン型、ヘッドセット型、ヘッドマウント型等の各種の方式を採用することができる。

なお、以下、サーバ１１が、ニュース等の記事の検索及び推薦を行う場合を例に挙げて説明する。

また、以下、クライアント１２−１乃至１２−ｎを個々に区別する必要がない場合、単にクライアント１２と称する。

｛サーバ１１の機能の構成例｝
図２は、サーバ１１の機能の構成例を示している。サーバ１１は、情報収集モジュール１１１、情報編集モジュール１１２、言語解析モジュール１１３、トピック解析モジュール１１４、情報個人化モジュール１１５、及び、情報統合モジュール１１６を含むように構成される。

情報収集モジュール１１１は、入力部１２１、情報収集部１２２、表示部１２３、及び、記憶部１２４を含むように構成される。

入力部１２１は、例えば、キーボード、マウス、ボタン、スイッチ、ポインティングデバイス、マイクロフォン等の各種の入力デバイスにより構成される。入力部１２１は、例えば、情報収集モジュール１１１に対する指令やデータ等の入力に用いられ、入力された指令やデータ等を情報収集部１２２に供給する。

情報収集部１２２は、例えば、プロセッサ等により構成される。情報収集部１２２は、ネットワーク１３を介して、図示せぬ他のサーバ等からユーザに提示する記事の収集を行い、収集した記事に関する情報を情報統合モジュール１１６の管理部１８１に供給する。

表示部１２３は、例えば、ディスプレイ等により構成され、情報収集モジュール１１１を使用するための画面等の表示を行う。

記憶部１２４は、例えば、記憶装置により構成され、情報収集部１２２の処理に必要なデータ等を記憶する。

情報編集モジュール１１２は、入力部１３１、情報編集部１３２、表示部１３３、及び、記憶部１３４を含むように構成される。

入力部１３１は、例えば、キーボード、マウス、ボタン、スイッチ、ポインティングデバイス、マイクロフォン等の各種の入力デバイスにより構成される。入力部１３１は、例えば、情報収集モジュール１１１に対する指令やデータ等の入力に用いられ、入力された指令やデータ等を情報編集部１３２に供給する。

情報編集部１３２は、例えば、プロセッサ等により構成される。情報編集部１３２は、情報収集モジュール１１１が収集した記事に関する情報を管理部１８１から取得し、情報編集を行う。ここで、情報編集とは、例えば、悪質な記事や、セキュリティ面に問題があるウエブサイト上の記事等を除外したり、優先的にユーザに推薦する記事の選択を行ったりすることである。情報編集部１３２は、情報編集の結果を示す情報を管理部１８１に供給する。

表示部１３３は、例えば、ディスプレイ等により構成され、情報編集モジュール１１２を使用するための画面等の表示を行う。

記憶部１３４は、例えば、記憶装置により構成され、情報編集部１３２の処理に必要なデータ等を記憶する。

なお、情報収集モジュール１１１及び情報編集モジュール１１２により、情報取得部１０１が構成される。

言語解析モジュール１１３は、言語解析部１４１及び記憶部１４２を含むように構成される。

言語解析部１４１は、例えば、プロセッサ等により構成される。言語解析部１４１は、各記事のメタデータを管理部１８１から取得し、各記事の言語解析を行う。言語解析部１４１は、言語解析の結果を管理部１８１に供給する。

記憶部１４２は、例えば、記憶装置により構成され、言語解析部１４１の処理に必要なデータ等を記憶する。

トピック解析モジュール１１４は、トピック解析部１５１及び記憶部１５２を含むように構成される。

トピック解析部１５１は、例えば、プロセッサ等により構成される。トピック解析部１５１は、各記事の言語解析の結果を管理部１８１から取得し、言語解析の結果に基づいて、各記事のトピック解析を行う。トピック解析部１５１は、各記事のトピック解析の結果を管理部１８１に供給する。

記憶部１５２は、例えば、記憶装置により構成され、トピック解析部１５１の処理に必要なデータ等を記憶する。

なお、言語解析モジュール１１３及びトピック解析モジュール１１４により、クラスタリング部１０２が構成される。

情報個人化モジュール１１５は、選択部１６１、学習部１６２、及び、記憶部１６３を含むように構成される。

選択部１６１、及び、学習部１６２は、例えば、プロセッサ等により構成される。

選択部１６１は、各ユーザに提示する記事を選択する。選択部１６１は、検索部１７１及び推薦部１７２を含むように構成される。

検索部１７１は、各ユーザに提示する記事の検索を行う。例えば、検索部１７１は、ユーザにより指定された検索条件、及び、ユーザに提示する対象となる記事に関する情報を管理部１８１から取得し、検索条件と合致する記事を検索する。検索部１７１は、検索結果を管理部１８１に供給する。

推薦部１７２は、各ユーザに推薦する記事の選択を行う。例えば、推薦部１７２は、ユーザ反応履歴、及び、トピック頻度の集計結果、並びに、ユーザに提示する対象となる記事に関する情報を管理部１８１から取得する。なお、ユーザ反応履歴とは、過去に提示した記事に対する各ユーザの反応を記録したものである。トピック頻度とは、各ユーザが反応を示した記事が属するトピックの分布を示すものである。また、推薦部１７２は、各ユーザの嗜好の学習結果を管理部１８１から取得する。そして、推薦部１７２は、取得したデータ等に基づいて、各ユーザに推薦する記事を選択する。推薦部１７２は、各ユーザに推薦する記事を示す情報を管理部１８１に供給する。

学習部１６２は、各ユーザの嗜好の学習を行う。例えば、学習部１６２は、各ユーザのユーザ反応履歴、並びに、各記事の言語解析及びトピック解析の結果を管理部１８１から取得する。学習部１６２は、取得したデータ等に基づいて、各ユーザの記事に対する嗜好を学習する。学習部１６２は、各ユーザの嗜好の学習結果を管理部１８１に供給する。

また、学習部１６２は、各ユーザのユーザ反応履歴に基づいて、ユーザ毎にトピック頻度の集計を行う。さらに、学習部１６２は、トピック頻度の集計結果に基づいて、各ユーザの情報探索度を計算する。ここで、情報探索度とは、ユーザの情報探索の傾向（ユーザが反応を示した記事の分布）を複数の観点により分析した値であり、詳細については後述する。学習部１６２は、各ユーザのトピック頻度の集計結果及び情報探索度の計算結果を管理部１８１に供給する。

また、学習部１６２は、各ユーザのユーザ反応履歴に基づいて、各ユーザの記事の提示方法に対する嗜好を学習する。より具体的には、学習部１６２は、各ユーザが反応を示した記事の提示方法の分布を示す提示方法頻度を集計する。学習部１６２は、各ユーザの提示方法頻度の集計結果を管理部１８１に供給する。

記憶部１６３は、例えば、記憶装置により構成され、検索部１７１、推薦部１７２、及び、学習部１６２の処理に必要なデータ等を記憶する。

なお、情報個人化モジュール１１５により提示情報選択部１０３が構成される。

情報統合モジュール１１６は、管理部１８１、提示制御部１８２、ユーザ情報取得部１８３、通信部１８４、及び、記憶部１８５を含むように構成される。

管理部１８１、提示制御部１８２、及び、ユーザ情報取得部１８３は、例えば、プロセッサ等により構成される。

管理部１８１は、例えば、各モジュールの処理を制御したり、各モジュール間のデータ等の授受を制御したりする。また、管理部１８１は、各モジュール、提示制御部１８２、及び、ユーザ情報取得部１８３から取得したデータ等を記憶部１８５に記憶させたり、記憶部１８５に記憶されているデータ等を各モジュール及び提示制御部１８２に供給したりする。

提示制御部１８２は、通信部１８４及びネットワーク１３を介して、ユーザに記事を提示するためのデータ等を各クライアント１２に送信し、各クライアント１２における記事の提示方法等の制御を行う。

ユーザ情報取得部１８３は、各ユーザに関するユーザ情報を、ネットワーク１３及び通信部１８４を介して各クライアント１２から受信する。ユーザ情報は、例えば、ユーザの検索・推薦サービスに対する操作内容を示すユーザ操作情報、提示した記事に対するユーザの反応の内容を示すユーザ反応情報、及び、ユーザのコンテクストに関するユーザコンテクスト情報等を含む。ユーザ情報取得部１８３は、受信したユーザ情報を管理部１８１に供給する。

通信部１８４は、例えば、通信装置により構成され、ネットワーク１３を介して、各クライアント１２と通信を行う。

記憶部１８５は、例えば、記憶装置により構成され、サーバ１１全体の処理に必要なデータ等を記憶する。

｛クライアント１２の機能の構成例｝
図３は、クライアント１２の機能の構成例を示している。クライアント１２は、情報提示モジュール２０１、反応検出モジュール２０２、コンテクスト検出モジュール２０３、及び、情報統合モジュール２０４を含むように構成される。

情報提示モジュール２０１は、検索・推薦サービスにおける情報の提示を制御するモジュールである。情報提示モジュール２０１は、入力部２１１、制御部２１２、提示部２１３、及び、記憶部２１４を含むように構成される。

入力部２１１は、例えば、キーボード、マウス、ボタン、スイッチ、ポインティングデバイス、マイクロフォン等の各種の入力デバイスにより構成される。入力部２１１は、例えば、情報提示モジュール２０１に対する指令やデータ等の入力に用いられ、入力された指令やデータ等を制御部２１２に供給する。

制御部２１２は、例えば、プロセッサ等により構成される。制御部２１２は、クライアント１２における検索・推薦サービスの処理の制御を行う。例えば、制御部２１２は、ネットワーク１３等を介してサーバ１１から送信されるデータ等を受信し、受信したデータ等に基づいて、提示部２１３におけるユーザへの記事の提示を制御する。また、制御部２１２は、入力部２１１を用いてユーザにより入力されたユーザ操作の内容を示すユーザ操作情報を情報統合モジュール２０４の管理部２４１に供給する。

提示部２１３は、例えば、表示装置や音声出力装置等により構成される。提示部２１３は、制御部２１２の制御の下に、情報提示モジュール２０１を使用するための画面の表示や音声の出力等を行う。

記憶部２１４は、例えば、記憶装置により構成され、制御部２１２の処理に必要なデータ等を記憶する。

反応検出モジュール２０２は、検索・推薦サービスにおいて提示された記事に対するユーザの反応を検出するモジュールである。反応検出モジュール２０２は、入力部２２１、検出部２２２、反応解析部２２３、及び、記憶部２２４を含むように構成される。

入力部２２１は、例えば、キーボード、マウス、ボタン、スイッチ、ポインティングデバイス、マイクロフォン等の各種の入力デバイスにより構成される。入力部２１１は、例えば、反応検出モジュール２０２に対する指令やデータ等の入力、及び、情報提示モジュール２０１において提示された記事に対するユーザのフィードバックの入力に用いられる。入力部２１１は、入力された指令やデータ等を反応解析部２２３に供給する。

検出部２２２は、例えば、音声認識装置、画像認識装置、生体情報センサ等により構成される。検出部２２２は、情報提示モジュール２０１において提示された記事に対するユーザの反応を示す情報を検出し、検出した情報を反応解析部２２３に供給する。

反応解析部２２３は、入力部２２１により入力されたユーザのフィードバック、及び、検出部２２２により検出されたユーザの反応を示す情報に基づいて、情報提示モジュール２０１において提示された記事に対するユーザの反応を解析する。反応解析部２２３は、ユーザの反応の解析結果を示すユーザ反応情報を生成し、情報統合モジュール２０４の管理部２４１に供給する。

記憶部２２４は、例えば、記憶装置により構成され、反応解析部２２３の処理に必要なデータ等を記憶する。

コンテクスト検出モジュール２０３は、ユーザのコンテクストを検出するモジュールである。ここで、ユーザのコンテクストには、例えば、ユーザ自身の状態や状況、及び、ユーザの周囲の状態や状況が含まれる。ユーザの状態や状況には、例えば、ユーザの属性、行動、姿勢、感情、体調、ユーザが使用しているクライアント１２の種類等が含まれる。ユーザの属性には、例えば、ユーザの氏名、性別、年齢、国籍、住所、職業、趣味、特技、性格、身体的特徴等が含まれる。ユーザの周囲の状態や状況には、例えば、日時、場所、天候、気温、周囲の明るさ、周囲の音、周囲の匂い、ユーザの周囲の人や物等が含まれる。

コンテクスト検出モジュール２０３は、例えば、入力部２３１、検出部２３２、コンテクスト解析部２３３、及び、記憶部２１４を含むように構成される。

入力部２３１は、例えば、キーボード、マウス、ボタン、スイッチ、ポインティングデバイス、マイクロフォン等の各種の入力デバイスにより構成される。入力部２３１は、例えば、コンテクスト検出モジュール２０３に対する指令やデータ等の入力に用いられ、入力された指令やデータ等をコンテクスト解析部２３３に供給する。

検出部２３２は、例えば、ユーザのコンテクストに関するデータを検出する各種のデバイスを含む。例えば、検出部２３２は、電波時計、ＧＰＳ（Global Positioning System）レシーバ、音声認識装置、画像認識装置、各種センサ等を含む。各種センサは、例えば、光センサ、画像センサ、速度センサ、加速度センサ、角速度センサ、磁気センサ、温度センサ、湿度センサ、生体情報センサ等を含む。

また、検出部２３２は、例えば、通信装置等を含み、外部の機器やセンサ等からユーザのコンテクストに関するデータを取得する。さらに、検出部２３２は、例えば、クライアント１２で実行中の検索・推薦サービスＡＰＰ以外のサービスやアプリケーションプログラムからユーザのコンテクストに関するデータを取得する。なお、このサービスやアプリケーションプログラムには、例えば、ＳＮＳ（Social Networking Service）、スケジューラ等が含まれる。また、検出部２３２が取得するユーザのコンテクストに関するデータには、例えば、ユーザの周辺の場所に関するデータ（例えば、ＰＯＩ（Point Of Interest）データ等）、ユーザの行動に関するデータ、ユーザが一緒にいる人に関するデータ、ユーザの予定に関するデータ等が含まれる。

そして、検出部２３２は、検出又は取得したユーザのコンテクストに関するデータをコンテクスト解析部２３３に供給する。

コンテクスト解析部２３３は、検出部２３２からのデータに基づいて、ユーザのコンテクストを解析する。コンテクスト解析部２３３は、ユーザのコンテクストの解析結果を示すユーザコンテクスト情報を、情報統合モジュール２０４の管理部２４１に供給する。

記憶部２３４は、例えば、記憶装置により構成され、コンテクスト解析部２３３の処理に必要なデータ等を記憶する。

情報統合モジュール２０４は、管理部２４１、通信部２４２、及び、記憶部２４３を含むように構成される。

管理部２４１は、例えば、プロセッサ等により構成される。管理部２４１は、例えば、各モジュールの処理を制御したり、各モジュール間のデータ等の授受を制御したりする。また、管理部２４１は、各モジュールから取得したデータ等を通信部２４２に供給したり、記憶部２４３に記憶させたりする。さらに、管理部２４１は、通信部２４２から取得したデータ等を各モジュールに供給したり、記憶部２４３に記憶させたりする。また、管理部２４１は、記憶部２４３に記憶されているデータ等を各モジュール及び通信部２４２に供給する。

通信部２４２は、例えば、通信装置により構成され、ネットワーク１３を介して、サーバ１１と通信を行う。

記憶部２４３は、例えば、記憶装置により構成され、クライアント１２全体の処理に必要なデータ等を記憶する。

｛情報処理システム１の処理｝
次に、図４乃至図１１を参照して、情報処理システム１の処理について説明する。

（情報取得処理）
まず、図４のフローチャートを参照して、サーバ１１により実行される情報取得処理について説明する。なお、この処理は、例えば、１日に１回、１時間に１回等、定期的に実行される。或いは、この処理は、例えば、検索・推薦サービスの管理者（以下、サービス管理者と称する）からの指令により実行される。

ステップＳ１において、サーバ１１は、情報収集を行う。例えば、情報収集モジュール１１１の情報収集部１２２は、ネットワーク１３を介して、ＲＳＳ情報を提供しているウエブサイト（以下、ＲＳＳサイトと称する）のクロールを行う。情報収集部１２２は、クロールの結果得られた各ＲＳＳサイトの新着記事及び更新記事に関する情報（以下、新着・更新記事情報と称する）を、情報統合モジュール１１６の管理部１８１に供給する。管理部１８１は、取得した新着・更新記事情報を記憶部１８５に記憶させる。

なお、新着・更新記事情報は、各記事のメタデータを含む。また、各記事のメタデータは、例えば、記事のタイトル、記事の本文、発行日時、更新日時、記事を掲載しているウエブページのＵＲＬ、使用言語等を含む。

ステップＳ２において、サーバ１１は、情報編集を行う。具体的には、管理部１８１は、ステップＳ１の処理で取得した新着・更新記事情報を、情報編集モジュール１１２の情報編集部１３２に供給する。情報編集部１３２は、新着・更新記事情報に含まれる記事の中から問題のある記事を抽出し、ブラックリストに登録する。ここで、問題のある記事とは、例えば、悪質な記事や、セキュリティ面に問題のあるウエブサイト上の記事等である。

なお、このブラックリストへの登録処理は、人手によりマニュアルで行うようにしてもよいし、情報編集部１３２が自動的に実行するようにしてもよい。前者の場合、例えば、サービス管理者が、ブラックリストに登録する記事を選択する。後者の場合、例えば、情報編集部１３２が、学習モデル等を用いて、ブラックリストに登録する記事を自動的に選択する。

また、情報編集部１３２は、例えば、サービス管理者により入力部１３１を介して入力される指令に従って、新着・更新記事情報に含まれる記事の中から優先的にユーザに推薦する記事を選択して、ピックアップリストに登録する。

情報編集部１３２は、ブラックリスト及びピックアップリストを管理部１８１に供給する。管理部１８１は、ブラックリスト及びピックアップリストを記憶部１８５に記憶させる。

ステップＳ３において、情報統合モジュール１１６の管理部１８１は、解析対象記事の登録を行う。具体的には、管理部１８１は、新着・更新記事情報に含まれる記事のうち、ブラックリストに登録されている記事を除く記事を解析対象記事に登録する。

その後、情報取得処理は終了する。

（情報解析処理）
次に、図５のフローチャートを参照して、サーバ１１により実行される情報解析処理について説明する。なお、この処理は、例えば、１日に１回、１時間に１回等、定期的に実行される。或いは、この処理は、例えば、図４を参照して上述した情報取得処理の後に実行される。或いは、この処理は、例えば、サービス管理者からの指令により実行される。

ステップＳ５１において、サーバ１１は、解析対象記事の言語解析を行う。具体的には、言語解析モジュール１１３の言語解析部１４１は、管理部１８１を介して、解析対象記事のメタデータを記憶部１８５から取得する。言語解析部１４１は、例えば、記憶部１４２に予め記憶されている単語辞書を用いて、各解析対象記事のタイトル及び本文の形態素解析を行い、各記事のタイトル及び本文から単語を抽出する。

なお、以下、単語辞書に登録されている単語の総数をＭとし、各単語を単語ｗ_i（ｉ＝１，２，・・・，Ｍ）で表す。また、以下、解析対象記事の総数をＮとし、各記事を記事ｄ_j（ｊ＝１，２，・・・，Ｎ）で表す。また、以下、単語ｗ_iを個々に区別する必要がない場合、単に単語ｗ又は単語と称し、記事ｄ_jを個々に区別する必要がない場合、単に記事ｄ又は記事と称する。

言語解析部１４１は、予め保持している単語辞書に登録されている各単語ｗ_iについて、ｔｆ_i,j及びｄｆ_iを計算する。ここで、ｔｆ_i,jは、記事ｄ_jにおける単語ｗ_iの出現頻度（出現回数）である。また、ｄｆ_iは、単語ｗ_iを含む記事ｄの数を表す。

また、言語解析部１４１は、次式（１）に従って、各記事ｄ_jにおける各単語ｗ_iのｔｆｉｄｆ_i,jを計算する。

さらに、言語解析部１４１は、次式（２）に従って、各記事ｄ_jにおける各単語ｗ_iの重みからなる単語ベクトルＷ_jを生成する。

Ｗ_j＝｛ｔｆｉｄｆ_1,j，ｔｆｉｄｆ_2,j，・・・，ｔｆｉｄｆ_M,j｝ ・・・（２）

すなわち、単語ベクトルＷ_jは、各単語ｗ_iの重みに基づいて各記事ｄ_jの特徴を表す特徴ベクトルである。

言語解析部１４１は、解析対象記事の言語解析結果を管理部１８１に供給し、管理部１８１は、解析対象記事の言語解析結果を記憶部１８５に記憶させる。なお、各解析対象記事の言語解析結果は、各解析対象記事のｔｆ_i,j及びｔｆｉｄｆ_i,jの計算結果、並びに、単語ベクトルＷ_jを含む。

ステップＳ５２において、サーバ１１は、トピック解析を行う。具体的には、管理部１８１は、解析対象記事の言語解析結果をトピック解析モジュール１１４のトピック解析部１５１に供給する。トピック解析部１５１は、例えば、ＰＬＳＡ（Probabilistic Latent Semantic Analysis；確率的潜在意味解析）やＬＤＡ（Latent Dirichlet Allocation；潜在的ディリクレ配分法）等の確率的トピックモデルを用いて、解析対象記事のトピック解析を行う。

例えば、トピック解析部１５１は、解析対象記事の言語解析結果であるｔｆ_i,j及びｔｆｉｄｆ_i,j、並びに、分類したいトピック（クラスタ）の数Ｋを入力とし、次式（３）で表されるＰＬＳＡを用いて、各記事ｄ_jの各トピックｚ_k（ｋ＝１，２，・・・，Ｋ）への帰属確率ｐ（ｚ_k｜ｄ_j）、及び、各トピックｚ_kにおける各単語ｗ_iの生起確率ｐ（ｗ_i｜ｚ_k）を計算する。

なお、ｐ（ｗ_i｜ｄ_j）は、記事ｄ_jにおける単語ｗ_iの生起確率である。

さらに、トピック解析部１５１は、次式（４）に従って、各記事ｄ_jの各トピックｚ_kへのトピック帰属確率ｐ（ｚ_k｜ｄ_j）からなるトピックベクトルＴ_jを生成する。

Ｔ_j＝｛ｐ（ｚ₁｜ｄ_j），ｐ（ｚ₂｜ｄ_j），・・・，ｐ（ｚ_K｜ｄ_j）｝ ・・・（４）

すなわち、トピックベクトルＴ_jは、各トピックｚ_kに帰属する確率に基づいて各記事ｄ_jの特徴を表す特徴ベクトルである。

トピック解析部１５１は、解析対象記事のトピック解析結果を管理部１８１に供給し、管理部１８１は、解析対象記事のトピック解析結果を記憶部１８５に記憶させる。なお、各解析対象記事のトピック解析結果は、各解析対象記事の単語ベクトルＷ_jを含む。

なお、分類するトピックの数Ｋを増やすことにより、例えば、同じジャンルのトピックをさらに詳細に分類することができる。例えば、経済系のトピックを、株価系のトピック、専門的なトピック、入門的なトピック等に細かく分類することができる。

なお、ＰＬＳＡの詳細については、"Thomas Hofmann, "Probabilistic latent semantic indexing", 1999, Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval"等に記載されている。また、ＬＤＡの詳細については、"David M. Blei, Andrew Y. Ng, Michael I. Jordan, "Latent Dirichlet Allocation", 2003, Journal of Machine Learning Research, Volume 3"等に記載されている。

また、以下、トピックｚ_kを個々に区別する必要がない場合、単にトピックｚ又はトピックと称する。さらに、以下、単語ベクトルＷ_j及びトピックベクトルＴ_jを個々に区別する必要がない場合、それぞれ単に単語ベクトルＷ及びトピックベクトルＴと称する。また、以下、トピック帰属確率ｐ（ｚ_k｜ｄ_j）を個々に区別する必要がない場合、単にトピック帰属確率ｐ（ｚ｜ｄ）と称する。

ステップＳ５３において、情報統合モジュール１１６の管理部１８１は、閲覧対象情報の登録を行う。具体的には、管理部１８１は、各解析対象記事を、各記事のメタデータ、単語ベクトルＷ_j、トピックベクトルＴ_j、及び、帰属確率最大トピックとともに、閲覧対象情報に登録する。

ここで、帰属確率最大トピックとは、記事ｄ_jのトピック帰属確率ｐ（ｚ_k｜ｄ_j）が最大となるトピックのことである。例えば、トピックの分類数（以下、総トピック数と称する）Ｋが１０であり、記事ｄ₁のトピックベクトルＴ₁の値が｛０．２，０．４，０．８，０．１,０．３，０．５,０．１,０．１，０．３，０．６｝である場合、記事ｄ₁の帰属確率最大トピックは、トピックｚ₃となる。すなわち、記事ｄ₁は、トピックｚ₃に属する確率が最も高く、トピックｚ₃に関する内容を最も多く含んでいると予測される。

なお、以下、閲覧対象情報に登録された記事を閲覧対象記事と称する。

その後、情報解析処理は終了する。

（情報提示処理）
次に、図６のフローチャートを参照して、情報処理システム１により実行される情報提示処理について説明する。なお、この処理は、例えば、ユーザがクライアント１２の情報提示モジュール２０１の入力部２１１を用いて、サーバ１１が提供する検索・推薦サービスを利用するための操作（例えば、検索・推薦サービスＡＰＰの起動操作等）を行ったとき開始される。

なお、以下、説明を分かりやすくするために、１人のユーザに注目し、そのユーザ（以下、注目ユーザと称する）に対する処理の説明を行う。ただし、実際には、以下に説明する処理が、複数のユーザに対して並行に実行される。

ステップＳ１０１において、クライアント１２の情報提示モジュール２０１の制御部２１２は、ユーザの操作を待つか否かを判定する。ユーザの操作を待つと判定された場合、処理はステップＳ１０２に進む。

ステップＳ１０２において、情報処理システム１は、ユーザ操作情報を取得する。具体的には、注目ユーザがクライアント１２の情報提示モジュール２０１の入力部２１１を用いて検索・推薦サービスに対する所定の操作を行った場合、入力部２１１は、その操作内容を示す情報を制御部２１２に供給する。

この検索・推薦サービスに対する所定の操作には、例えば、検索・推薦サービスによる記事の提示を開始又は更新する操作や、検索・推薦サービスを終了させる操作が想定される。また、例えば、検索クエリの入力、記事を検索する期間（日時）の設定、記事に用いられている言語の設定、記事を配信するＲＳＳサイトの選択等の記事の検索条件を設定する操作が想定される。なお、提示された記事に対する反応を示す操作については、後述するステップＳ１１２において行われる。

制御部２１２は、注目ユーザの操作内容を示すユーザ操作情報を生成する。制御部２１２は、生成したユーザ操作情報を、管理部２４１、通信部２４２及びネットワーク１３を介してサーバ１１に送信する。サーバ１１の情報統合モジュール１１６のユーザ情報取得部１８３は、クライアント１２から送信されたユーザ操作情報を通信部１８４を介して受信し、管理部１８１に供給する。管理部１８１は、取得したユーザ操作情報を、必要に応じて各モジュールに供給する。

その後、処理はステップＳ１０３に進む。

一方、ステップＳ１０１において、ユーザの操作を待たないと判定された場合、ステップＳ１０２の処理はスキップされ、処理はステップＳ１０３に進む。これは、例えば、ユーザ操作なしに検索・推薦サービスによる記事の提示の開始又は更新を行う場合等である。

ステップＳ１０３において、クライアント１２のコンテクスト検出モジュール２０３のコンテクスト解析部２３３は、ユーザのコンテクストを検出するか否かを判定する。ユーザのコンテクストを検出すると判定された場合、処理はステップＳ１０４に進む。

ステップＳ１０４において、コンテクスト検出モジュール２０３は、ユーザのコンテクストを検出する。具体的には、コンテクスト検出モジュール２０３の検出部２３２は、注目ユーザのコンテクストに関するデータを検出する。また、検出部２３２は、必要に応じて、外部の機器やセンサ等、又は、クライアント１２で実行中の検索・推薦サービスＡＰＰ以外のサービスやアプリケーションプログラムから、注目ユーザのコンテクストに関するデータを取得する。検出部２３２は、検出及び取得したデータをコンテクスト解析部２３３に供給する。

次に、コンテクスト解析部２３３は、取得したデータに基づいて、現在の注目ユーザのコンテクストを解析する。そして、コンテクスト解析部２３３は、必要に応じて現在の注目ユーザのコンテクストを所定の分類方法に従って分類する。

なお、以下、注目ユーザのコンテクストが以下のように分類される場合について説明する。例えば、注目ユーザが使用しているクライアント１２の種類が、ウェアラブルデバイス、スマートフォン、タブレット、又は、パーソナルコンピュータに分類される。現在の曜日が平日又は休日に分類される。現在の時間帯が、朝、昼又は夜に分類される。注目ユーザのいる場所が、自宅、会社、乗り物（例えば、電車等）の中、又は、外出先に分類される。現在の注目ユーザの行動が、立っている、座っている、又は、歩いているに分類される。

また、注目ユーザが一緒にいる人が、１人もいない場合、妻である場合、子供である場合、又は、妻及び子供である場合に分類される。なお、コンテクスト解析部２３３は、例えば、注目ユーザの周囲を撮影した画像に基づいて、注目ユーザが１人でいるのか、或いは、他の人と一緒にいるのかを検出する。また、コンテクスト解析部２３３は、注目ユーザが他の人と一緒にいる場合、例えば、顔認識等の技術を用いて、一緒にいる人を特定する。或いは、コンテクスト解析部２３３は、例えば、ＳＮＳ等のアプリケーションプログラムからの情報に基づいて、注目ユーザと一緒にいる人を検出する。

さらに、コンテクスト解析部２３３は、注目ユーザの周囲の状況（例えば、混雑具合、騒音のレベル等）の解析を行う。

なお、コンテクストの解析方法及び分類方法には、任意の方法を採用することが可能である。また、コンテクストの分類方法は、必ずしも固定する必要はなく、例えば、ユーザ毎に変更したり、状況に応じて変更したりすることが可能である。

コンテクスト解析部２３３は、注目ユーザの現在のコンテクストを示すユーザコンテクスト情報を生成し、管理部２４１、通信部２４２及びネットワーク１３を介して、サーバ１１に送信する。サーバ１１の情報統合モジュール１１６のユーザ情報取得部１８３は、クライアント１２から送信されたユーザコンテクスト情報を通信部１８４を介して受信し、管理部１８１に供給する。管理部１８１は、取得したユーザコンテクスト情報を、必要に応じて各モジュールに供給したり、記憶部１８５に記憶させたりする。

その後、処理はステップＳ１０５に進む。

一方、ステップＳ１０３において、ユーザのコンテクストを検出しないと判定された場合、ステップＳ１０４の処理はスキップされ、処理はステップＳ１０５に進む。

ステップＳ１０５において、サーバ１１の情報個人化モジュール１１５の検索部１７１は、ユーザに提示する情報を検索するか否かを判定する。ユーザに提示する情報を検索すると判定された場合、処理はステップＳ１０６に進む。

ステップＳ１０６において、検索部１７１は、ユーザに提示する情報の検索を行う。具体的には、検索部１７１は、管理部１８１を介して、閲覧対象情報を記憶部１８５から取得する。そして、検索部１７１は、例えば、注目ユーザにより指定された検索条件と合致する記事を、閲覧対象記事の中から検索する。検索部１７１は、検索結果を示す情報を管理部１８１に供給し、管理部１８１は、検索結果を示す情報を記憶部１８５に記憶させる。

なお、以下、ステップＳ１０６の処理で検索された記事を検索記事と称する。

その後、処理はステップＳ１０７に進む。

一方、ステップＳ１０５において、ユーザに提示する情報を検索しないと判定された場合、ステップＳ１０６の処理はスキップされ、処理はステップＳ１０７に進む。

ステップＳ１０７において、サーバ１１の情報個人化モジュール１１５の推薦部１７２は、ユーザに情報を推薦するか否かを判定する。ユーザに情報を推薦すると判定された場合、処理はステップＳ１０８に進む。

ステップＳ１０８において、推薦部１７２は、ユーザに推薦する情報を選択する。具体的には、推薦部１７２は、管理部１８１を介して、閲覧対象情報、並びに、注目ユーザの単語嗜好ベクトル（以下、ＷＰＶと称する）及びトピック嗜好ベクトル（以下、ＴＰＶと称する）を記憶部１８５から取得する。

ここで、ＷＰＶとは、注目ユーザの単語に対する嗜好を示すベクトルであり、ＴＰＶとは、注目ユーザのトピックに対する嗜好を示すベクトルである。ＷＰＶ及びＴＰＶは、後述するステップＳ１１４において、注目ユーザのコンテクストを分類する単位毎に生成される。

例えば、注目ユーザの平日のＷＰＶ及びＴＰＶ、並びに、休日のＷＰＶ及びＴＰＶが生成される。また、注目ユーザの朝のＷＰＶ及びＴＰＶ、昼のＷＰＶ及びＴＰＶ、並びに、夜のＷＰＶ及びＴＰＶが生成される。さらに、注目ユーザの自宅におけるＷＰＶ及びＴＰＶ、会社におけるＷＰＶ及びＴＰＶ、乗り物内におけるＷＰＶ及びＴＰＶ、並びに、外出先におけるＷＰＶ及びＴＰＶが生成される。また、注目ユーザが立っている場合のＷＰＶ及びＴＰＶ、座っている場合のＷＰＶ及びＴＰＶ、並びに、歩いている場合のＷＰＶ及びＴＰＶが生成される。さらに、注目ユーザと一緒にいる人が、１人もいない場合のＷＰＶ及びＴＰＶ、妻である場合のＷＰＶ及びＴＰＶ、子供である場合のＷＰＶ及びＴＰＶ、並びに、妻及び子供である場合のＷＰＶ及びＴＰＶが生成される。

推薦部１７２は、これらのコンテクストの分類単位毎のＷＰＶ及びＴＰＶのうち注目ユーザの現在のコンテクストに対応するＷＰＶ及びＴＰＶを用いて、注目ユーザの現在のコンテクストに応じたＷＰＶ（以下、統合ＷＰＶと称する）及びＴＰＶ（以下、統合ＴＰＶと称する）を生成する。例えば、注目ユーザが平日の朝に電車内で立っている場合、推薦部１７２は、注目ユーザの平日のＷＰＶ、朝のＷＰＶ、乗り物内におけるＷＰＶ、及び、立っている場合のＷＰＶを加算することにより、統合ＷＰＶを生成する。同様に、推薦部１７２は、注目ユーザの平日のＴＰＶ、朝のＴＰＶ、乗り物内におけるＴＰＶ、及び、立っている場合のＴＰＶを加算することにより、統合ＴＰＶを生成する。

また、例えば、注目ユーザが自宅で子供といる場合、推薦部１７２は、注目ユーザの自宅におけるＷＰＶ、及び、一緒にいる人が子供である場合のＷＰＶを加算することにより、統合ＷＰＶを生成する。同様に、推薦部１７２は、注目ユーザの自宅におけるＴＰＶ、及び、一緒にいる人が子供である場合のＴＰＶを加算することにより、統合ＴＰＶを生成する。

そして、推薦部１７２は、例えば、注目ユーザの統合ＷＰＶと各閲覧対象記事の単語ベクトルとの間の類似度、及び、注目ユーザの統合ＴＰＶと各閲覧対象記事のトピックベクトルとの間の類似度の少なくとも一方に基づいて、各閲覧対象記事に対する推薦スコアを算出する。

なお、ベクトル間の類似度は、例えばコサイン距離等により算出され、推薦スコアは、ベクトル間の類似度が高くなるほど大きくなる。そして、推薦部１７２は、推薦スコアが上位の所定の件数の記事を、注目ユーザの嗜好に基づいて推薦する記事（以下、嗜好推薦記事と称する）として選択する。

これにより、注目ユーザの嗜好に加えて、注目ユーザの現在のコンテクストに応じた記事が、嗜好推薦記事に選択される。換言すれば、現在のコンテクストにおいて注目ユーザの嗜好度の高い記事が、嗜好推薦記事に選択される。

また、推薦部１７２は、情報探索度（広さ）の観点に基づいて、嗜好推薦記事の中からユーザに推薦する記事（以下、広さ推薦記事と称する）を選択する。ここで、情報探索度（広さ）は、注目ユーザがポジティブな反応を示した記事が属するトピックの範囲の広さ、換言すれば、注目ユーザがポジティブな反応を示した記事の種類の広さに基づく情報探索度である。

例えば、推薦部１７２は、嗜好推薦記事のうち、注目ユーザのトピック頻度が所定の閾値未満（例えば、トピック頻度が０）のトピックと帰属確率最大トピックが一致する記事を広さ推薦記事に選択する。なお、トピック頻度は、上述したように、注目ユーザがポジティブな反応を示した記事が属するトピックの分布を示すものであり、後述するステップＳ１１４において計算される。これにより、例えば、注目ユーザがこれまでほとんどポジティブな反応を示していない記事が属するトピック（例えば、ユーザがあまりアクセスしていない記事が属するトピック）に属し、かつ、注目ユーザの嗜好に合う記事が、広さ推薦記事に選択される。

さらに、推薦部１７２は、情報探索度（深さ）の観点に基づいて、嗜好推薦記事の中からユーザに推薦する記事（以下、深さ推薦記事と称する）を選択する。ここで、情報探索度（深さ）は、注目ユーザがポジティブな反応を示した記事のトピック毎の分布に基づく情報探索度である。

例えば、推薦部１７２は、嗜好推薦記事のうち、直前に注目ユーザがポジティブな反応を示した記事と帰属確率最大トピックが一致する記事を深さ推薦記事に選択する。これにより、例えば、注目ユーザが直前にポジティブな反応を示した記事と同じトピックに属し、かつ、注目ユーザの嗜好に合う記事が、深さ推薦記事に選択される。

なお、推薦部１７２は、直前に注目ユーザがポジティブな反応を示した所定のｑ個の記事に基づいて、深さ推薦記事を選択するようにしてもよい。例えば、推薦部１７２は、嗜好推薦記事のうち、ｑ個の記事のトピックベクトルを加算した後のベクトルにおいてトピック帰属確率ｐ（ｚ｜ｄ）が最大となるトピックと帰属確率最大トピックが一致する記事を、深さ推薦記事に選択するようにしてもよい。

また、推薦部１７２は、例えば、嗜好推薦記事のうち、注目ユーザのトピック頻度が所定の閾値以上のトピックと帰属確率最大トピックが一致する記事を深さ推薦記事に選択することも可能である。さらに、推薦部１７２は、例えば、嗜好推薦記事のうち、注目ユーザのトピック頻度が最大となるトピックと帰属確率最大トピックが一致する記事を深さ推薦記事に選択することも可能である。

さらに、推薦部１７２は、情報探索度（新しさ）の観点に基づいて、嗜好推薦記事の中から注目ユーザに推薦する記事（以下、新しさ推薦記事と称する）を選択する。ここで、情報探索度（新しさ）は、注目ユーザがポジティブな反応を示した記事の新しさを基準とする分布に基づく情報探索度である。

例えば、推薦部１７２は、嗜好推薦記事のうち新着記事を新しさ推薦記事に選択する。新着記事とは、例えば、直前の所定の期間内（例えば、直前の６時間以内）に追加又は更新された記事のことである。これにより、例えば、注目ユーザの嗜好に合う新着記事が、新しさ推薦記事に選択される。

また、推薦部１７２は、情報探索度（人気）の観点に基づいて、嗜好推薦記事の中からユーザに推薦する記事（以下、人気推薦記事と称する）を選択する。ここで、情報探索度（人気）は、注目ユーザがポジティブな反応を示した記事の人気度を基準とする分布に基づく情報探索度である。

例えば、推薦部１７２は、嗜好推薦記事のうち人気記事を人気推薦記事に選択する。人気記事とは、例えば、人気度スコアが所定の閾値以上の記事のことである。人気度スコアは、例えば、記事のアクセス数や、その記事に良い評価を与えたユーザ数等に基づいて計算される。例えば、ある記事Ａに対する全ユーザのアクセス回数をｐ回、全ての記事に対する全ユーザのアクセス回数をＰ回とした場合、記事Ａの人気度スコアは、ｐ／Ｐ×１００により計算される。これにより、例えば、ユーザの嗜好に合う人気記事が、人気推薦記事に選択される。

推薦部１７２は、嗜好推薦記事、広さ推薦記事、深さ推薦記事、新しさ推薦記事、及び、人気推薦記事の選択結果を示す情報を管理部１８１に供給し、管理部１８１は、選択結果を示す情報を記憶部１８５に記憶させる。

なお、以下、ステップＳ１０８の処理でユーザに推薦する記事として選択された記事を推薦記事と総称する。すなわち、推薦記事は、嗜好推薦記事、広さ推薦記事、深さ推薦記事、新しさ推薦記事、及び、人気推薦記事を含む。

その後、処理はステップＳ１０９に進む。

一方、ステップＳ１０７において、ユーザに情報を推薦しないと判定された場合、ステップＳ１０８の処理はスキップされ、処理はステップＳ１０９に進む。

ステップＳ１０９において、サーバ１１の情報統合モジュール１１６の提示制御部１８２は、ユーザに情報を提示するか否かを判定する。ユーザに情報を提示すると判定された場合、処理はステップＳ１１０に進む。

ステップＳ１１０において、情報処理システム１は、ユーザに情報を提示する。具体的には、サーバ１１の情報統合モジュール１１６の管理部１８１は、注目ユーザに対する検索記事及び推薦記事の選択結果を示す情報、並びに、検索記事及び推薦記事のメタデータを記憶部１８５から取得する。また、管理部１８１は、注目ユーザのコンテクスト情報、注目ユーザの情報探索度及び総合探索度の計算結果を示す情報、並びに、注目ユーザの提示方法頻度の集計結果を示す情報を記憶部１８５から取得する。管理部１８１は、取得した情報及びデータを提示制御部１８２に供給する。

提示制御部１８２は、注目ユーザの現在のコンテクスト及び提示方法頻度に基づいて、予め設定されている複数の提示方法の中から、注目ユーザへの記事の提示方法を選択する。

例えば、記事の提示方法は、記事の伝達手段（例えば、テキスト、音声、静止画、動画等）の組み合わせにより分類される。なお、以下、記事の提示方法が、音声のみを用いた提示方法、テキストのみを用いた提示方法、静止画を用いた提示方法、及び、動画を用いた提示方法の４種類に分類される場合について説明する。なお、静止画を用いた提示方法には、静止画のみを用いた提示方法だけでなく、静止画の他にテキストを用いた提示方法も含まれる。動画を用いた提示方法には、動画のみを用いた提示方法だけでなく、動画の他にテキスト又は静止画のうち少なくとも一方を用いた提示方法も含まれる。

なお、記事の提示方法を分類する基準は、伝達手段に限定されるものではなく、任意の基準を採用することが可能である。例えば、提示制御部１８２は、記事の提示に用いる伝達手段の比率、記事の提示時間、記事を表示するレイアウト、表示サイズ、特殊効果等に基づいて、記事の提示方法を分類することが可能である。また、提示制御部１８２は、複数の基準の組み合わせに基づいて、記事の提示方法を分類することが可能である。

また、後述するように、注目ユーザの提示方法頻度は、注目ユーザのコンテクストを分類する単位毎に集計されている。例えば、注目ユーザが使用するクライアント１２の種類毎に提示方法頻度が集計されている。例えば、注目ユーザが使用しているクライアント１２がウェアラブルデバイスである場合、スマートフォンである場合、タブレットである場合、及び、パーソナルコンピュータである場合のそれぞれにおいて、注目ユーザがポジティブな反応を示した提示方法の割合が集計されている。

なお、提示方法頻度の集計を行うコンテクストには、任意の種類のものを用いることができる。また、複数の種類のコンテクストの組み合わせ毎に提示方法頻度の集計を行うことも可能である。例えば、クライアント１２の種類、曜日、時間帯、場所、及び、注目ユーザの行動の組み合わせ毎に提示方法頻度を集計することができる。

そして、提示制御部１８２は、現在の注目ユーザのコンテクストにおける提示方法頻度に基づいて、より頻度の高い提示方法を優先して注目ユーザへの記事の提示方法に設定する。例えば、現在の注目ユーザのコンテクストと一致するコンテクストにおける提示方法頻度の分布が、音声のみによる提示方法：テキストのみによる提示方法：静止画を含む提示方法：動画を含む提示方法＝０．１：０．５：０．３：０．２である場合について説明する。

この場合、例えば、提示制御部１８２は、検索記事及び推薦記事の中から、各記事の提示方法の割合が提示方法頻度とほぼ同じになるように注目ユーザに提示する記事を選択する。すなわち、提示制御部１８２は、音声のみの記事：テキストのみの記事：静止画を含む記事：動画を含む記事＝０．１：０．５：０．３：０．２に近い値になるように記事を選択する。そして、提示制御部１８２は、選択した記事を注目ユーザのクライアント１２において提示させるための情報提示制御データを生成する。

また、例えば、提示制御部１８２は、提示方法頻度に基づく確率で提示方法を選択する。すなわち、提示制御部１８２は、音声のみによる提示方法を１０％、テキストのみによる提示方法を５０％、静止画を含む提示方法を３０％、動画を含む提示方法を２０％の確率で選択する。そして、提示制御部１８２は、注目ユーザのクライアント１２において、選択した提示方法で検索記事及び推薦記事を提示させるための情報提示制御データを生成する。

なお、注目ユーザの検索・推薦サービスの利用回数が少なく、注目ユーザのユーザ反応履歴のデータ量が十分でない場合、例えば、提示制御部１８２は、他のユーザの提示方法頻度を用いるようにしてもよい。例えば、提示制御部１８２は、全ユーザの提示方法頻度の集計結果、又は、注目ユーザと類似するユーザの提示方法頻度の集計結果を用いることが可能である。なお、注目ユーザと類似するユーザとは、例えば、注目ユーザと嗜好が類似するユーザや、注目ユーザと属性が類似するユーザ等である。

提示制御部１８２は、通信部１８４及びネットワーク１３を介して、情報提示制御データをクライアント１２に送信する。

クライアント１２の情報提示モジュール２０１の制御部２１２は、通信部２４２及び管理部２４１を介して、サーバ１１から情報提示制御データを受信する。制御部２１２は、情報提示制御データに基づいて、サーバ１１により選択された記事を提示部２１３に提示させる。

これにより、注目ユーザの嗜好及びコンテクストに応じて、適切な記事が適切な方法で提示される。

例えば、注目ユーザが使用しているクライアント１２の種類に応じて適切な提示方法で記事が提示される。例えば、注目ユーザのクライアント１２がウェアラブル端末である場合、音声のみにより記事が提示される。

一方、注目ユーザのクライアント１２がスマートフォンである場合、例えば、テキストのみを用いた提示方法、又は、静止画を含む提示方法で記事が提示される。

図７は、静止画を含む提示方法でスマートフォンに記事を提示した場合の画面３０１の例を示している。画面３０１には、記事のタイトルと記事の配信元のみがテキストにより一覧表示され、記事の本文は表示されていない。そして、例えば、記事のタイトルがクリックされると、記事の本文が表示される。また、必要に応じて、記事に関連する静止画（例えば、静止画３１１ａ及び静止画３１１ｂ）が小さいサイズで表示される。そして、静止画がクリックされると、静止画が拡大表示される。

なお、必要に応じて、記事に関連する動画の存在を示すサムネイル（例えば、サムネイル３１２）を表示し、サムネイルがクリックされると、動画の再生を開始するようにしてもよい。

また、注目ユーザのクライアント１２がタブレットである場合、例えば、静止画を含む提示方法で記事が提示される。

図８は、静止画を含む提示方法でタブレットに記事を提示した場合の画面３５１の例を示している。画面３５１には、記事のタイトル、本文、及び配信元等がテキストにより表示されている。また、必要に応じて、記事に関連する静止画（例えば、静止画３６１ａ乃至３６１ｈ）が、図７の画面３０１より大きいサイズ表示される。さらに、必要に応じて、記事に関連する動画の存在を示すサムネイル（例えば、サムネイル３６２ａ乃至３６２ｃ）が表示される。そして、サムネイルがクリックされると、クリックされたサムネイルに対応する動画の再生が開始される。

また、注目ユーザのクライアント１２がパーソナルコンピュータである場合、例えば、静止画を含む提示方法、又は、動画を含む提示方法で記事が提示される。

図９は、静止画を含む提示方法で記事をパーソナルコンピュータに提示した場合の画面４０１の例を示している。画面４０１には、記事のタイトル、本文、及び配信元等がテキストにより表示されている。また、必要に応じて、記事に関連する静止画（例えば、静止画４１１）が、図８の画面３５１より大きいサイズ表示される。さらに、必要に応じて、記事に関連する動画の存在を示すサムネイル（例えば、サムネイル４１２ａ乃至４１２ｄ）が表示される。そして、サムネイルがクリックされると、クリックされたサムネイルに対応する動画の再生が開始される。

なお、画面４０１の表示開始時にいずれかの動画を自動的に再生するようにしてもよい。この場合、再生される動画のサイズを、図９に示されているサイズより大きくするようにしてもよい。

また、例えば、提示制御部１８２は、注目ユーザが使用しているクライアント１２の種類が同じでも、注目ユーザの他のコンテクストに応じて提示方法を切り替えることが可能である。例えば、注目ユーザが平日の朝の電車内で立った状態でテキストのみの記事をよく閲覧する場合、提示制御部１８２は、注目ユーザが平日の朝の電車内で立ってスマートフォンを使用しているとき、テキストのみの記事を優先的に提示するようにすることが可能である。一方、注目ユーザが平日の朝の電車内で座っている状態で動画を含む記事をよく閲覧する場合、提示制御部１８２は、注目ユーザが平日の朝の電車内で座ってスマートフォンを使用しているとき、動画を含む記事を優先的に提示するようにすることが可能である。

さらに、例えば、提示制御部１８２は、注目ユーザと一緒にいる人に応じて適切な記事を適切な方法で提示することができる。例えば、注目ユーザが自宅でクライアント１２の１つである壁掛け用ディスプレイでニュース等を閲覧している場合について説明する。

図１０は壁掛け用ディスプレイに表示される画面４５１の例を示している。画面４５１内には、縦長の表示エリア４６１Ｌ及び表示エリア４６１Ｒが左右に並べられている。表示エリア４６１Ｌには、様々な種類の情報（例えば、動画、写真、記事、メモ等）を自由なレイアウトで表示することができる。一方、表示エリア４６１Ｒには、カレンダーとともにユーザのスケジュールが表示される。また、画面４５１は、ユーザが直接触れて操作することができ、例えば、ユーザは、表示エリア４６１Ｌ内のレイアウトを自由に変更したり、画面４５１内の任意の情報を選択して、詳細に表示させたりすることができる。

そして、例えば、注目ユーザが一緒にいる人に応じて、表示エリア４６１Ｌに表示される記事が切り替えられる。例えば、注目ユーザが１人でいる場合、注目ユーザが好む経済系の記事が優先的に表示エリア４６１Ｌに表示される。このとき、表示エリア４６１Ｌ内全体に経済系の記事が表示される。

一方、注目ユーザが子供といる場合、注目ユーザと子供の両方が好むエンターテイメント系の記事が優先的に表示エリア４６１Ｌに表示される。このとき、表示エリア４６１Ｌ内の子供の手が届く高さの範囲内に、エンターテイメント系の記事が表示される。

また、上述したように、トピック解析において分類するトピックの数Ｋを増やすことにより、例えば、同じジャンルのトピックがさらに詳細に分類される。これにより、例えば、同じニュースについて、注目ユーザの興味や知識レベルの度合い等に応じた質及び量の記事が提示されるようになる。

例えば、企業Ｓの企業買収に関する記事を提示する場合、会社員Ａには企業Ｓの株価のグラフを含む記事を提示し、実業家Ｂには、企業買収に関する詳細な記事を提示し、主婦Ｃには、企業買収に関する経済の入門者向けの記事を提示することが可能になる。

また、提示制御部１８２は、情報探索度及び総合探索度を用いて、検索記事及び推薦記事を提示するようにしてもよい。具体的には、提示制御部１８２は、注目ユーザのクライアント１２において情報探索度及び総合探索度を用いて検索記事及び推薦記事を提示させるための情報提示制御データを生成する。提示制御部１８２は、通信部１８４及びネットワーク１３を介して、情報提示制御データをクライアント１２に送信する。

クライアント１２の情報提示モジュール２０１の制御部２１２は、通信部２４２及び管理部２４１を介して、サーバ１１から情報提示制御データを受信する。制御部２１２は、情報提示制御データに基づいて、検索記事及び推薦記事、並びに、情報探索度及び総合探索度を提示するための画面を提示部２１３に表示させる。

図１１の画面５０１は、このとき提示部２１３に表示される画面の例を示している。

画面５０１は、注目ユーザの情報探索度及び総合探索度、並びに、情報探索度に基づく推薦記事を注目ユーザに提示するための画面の例である。具体的には、画面５０１内には、ガイダンス表示部５１１、探索度表示部５１２ａ乃至５１２ｅ、及び、推薦情報表示部５１３ａ乃至５１３ｄが配置されている。より具体的には、ガイダンス表示部５１１は、画面５０１の右上に配置されている。推薦情報表示部５１３ａ乃至５１３ｄは、ガイダンス表示部５１１の下に上下方向に並ぶように配置されている。探索度表示部５１２ａ乃至５１２ｄは、それぞれ推薦情報表示部５１３ａ乃至５１３ｄの左に並ぶように配置されている。また、探索度表示部５１２ｅは、探索度表示部５１２ｄの下に配置されている。

ガイダンス表示部５１１には、推薦情報表示部５１３ａ乃至５１３ｄ内の記事をクリックし、選択することにより、その記事の左に表示されている情報探索度を上げるよう促すメッセージが表示されている。

探索度表示部５１２ａ内の右側には、注目ユーザの情報探索度（広さ）を示すグラフが表示されている。この例では、注目ユーザの情報探索度（広さ）は６０％である。なお、情報探索度（広さ）の計算方法は後述する。探索度表示部５１２ａ内の左側には、推薦情報表示部５１３ａ内の記事が、注目ユーザの情報探索の範囲を広げる記事であることを示すメッセージが表示されている。

推薦情報表示部５１３ａには、情報探索度（広さ）を上げることが可能な記事の一部又はヘッドラインが表示される。具体的には、推薦情報表示部５１３ａ内の記事は、上述した広さ推薦記事の中から選択される。例えば、広さ推薦記事のうち最も推薦スコアが高い記事が選択される。或いは、例えば、広さ推薦記事の中に優先的に注目ユーザに推薦するように設定されている記事があれば、その記事が選択される。

探索度表示部５１２ｂ内の右側には、注目ユーザの情報探索度（深さ）を示すグラフが表示されている。この例では、注目ユーザの情報探索度（深さ）は７０％である。なお、情報探索度（深さ）の計算方法は後述する。また、探索度表示部５１２ｂ内の左側には、推薦情報表示部５１３ｂ内の記事が、注目ユーザの情報探索を深める記事であることを示すメッセージが表示されている。

推薦情報表示部５１３ｂには、情報探索度（深さ）を上げることが可能な記事の一部又はヘッドラインが表示される。具体的には、推薦情報表示部５１３ｂに表示される記事は、上述した深さ推薦記事の中から選択される。例えば、深さ推薦記事のうち最も推薦スコアが高い記事が選択される。或いは、例えば、深さ推薦記事の中に優先的に注目ユーザに推薦するように設定されている記事があれば、その記事が選択される。

探索度表示部５１２ｃ内の右側には、注目ユーザの情報探索度（新しさ）を示すグラフが表示されている。この例では、注目ユーザの情報探索度（新しさ）は４０％である。なお、情報探索度（新しさ）の計算方法は後述する。また、探索度表示部５１２ｃ内の左側には、推薦情報表示部５１３ｃ内の記事が新着記事であることを示すメッセージが表示されている。

推薦情報表示部５１３ｃには、情報探索度（新しさ）を上げることが可能な記事の一部又はヘッドラインが表示される。具体的には、推薦情報表示部５１３ｃに表示される記事は、上述した新しさ推薦記事の中から選択される。例えば、新しさ推薦記事のうち最も推薦スコアが高い記事が選択される。或いは、例えば、新しさ推薦記事の中に優先的に注目ユーザに推薦するように設定されている記事があれば、その記事が選択される。

探索度表示部５１２ｄ内の右側には、注目ユーザの情報探索度（人気）を示すグラフが表示されている。この例では、注目ユーザの情報探索度（人気）が３０％である。なお、情報探索度（人気）の計算方法は後述する。また、探索度表示部５１２ｄ内の左側には、推薦情報表示部５１３ｄ内の記事が現在人気の記事であることを示すメッセージが表示されている。

推薦情報表示部５１３ｄには、情報探索度（人気）を上げることが可能な記事の一部又はヘッドラインが表示される。具体的には、推薦情報表示部５１３ｄに表示される記事は、上述した人気推薦記事の中から選択される。例えば、人気推薦記事のうち最も推薦スコアが高い記事が選択される。或いは、例えば、人気推薦記事の中に優先的に注目ユーザに推薦するように設定されている記事があれば、その記事が選択される。

探索度表示部５１２ｅには、注目ユーザの総合探索度の値を示すグラフが表示されている。この例では、注目ユーザの総合探索度は５０％である。なお、総合探索度の計算方法は後述する。

このように、画面５０１では、情報探索度の観点毎に個別に推薦記事が提示されるので、注目ユーザは、各観点に基づく推薦記事を容易に選択することができる。また、注目ユーザは、自分の情報探索の網羅性や多様性等を容易に把握することができる。例えば、注目ユーザは、情報探索度（広さ）に基づいて、どの程度まで広く情報を探索しているかを客観的な数値で知ることができる。また、注目ユーザは、情報探索度（深さ）に基づいて、どの程度まで深く情報を探索しているかを客観的な数値で知ることができる。さらに、注目ユーザは、情報探索度（新しさ）に基づいて、新しい情報をどの程度探索しているかを客観的な数値で知ることができる。また、注目ユーザは、情報探索度（人気）に基づいて、人気のある情報をどの程度探索しているかを客観的な数値で知ることができる。

その後、処理はステップＳ１１１に進む。

一方、ステップＳ１０９において、ユーザに情報を提示しないと判定された場合、ステップＳ１１０の処理はスキップされ、処理はステップＳ１１１に進む。

ステップＳ１１１において、クライアント１２の反応検出モジュール２０２の反応解析部２２３は、ユーザの反応を検出するか否かを判定する。ユーザの反応を検出すると判定された場合、処理はステップＳ１１２に進む。

ステップＳ１１２において、クライアント１２の反応検出モジュール２０２は、ユーザの反応を検出する。例えば、注目ユーザが、提示された記事に対するフィードバック（例えば、提示された記事の選択や評価等）を、入力部２２１を介して入力した場合、入力部２２１は、入力されたフィードバックの内容を示す情報を反応解析部２２３に供給する。ここで、注目ユーザのフィードバックは、明示的なものであっても暗黙的なものであってもよい。

また、検出部２２２は、提示された記事に対する注目ユーザの反応を示す情報を検出し、検出した情報を反応解析部２２３に供給する。ここで、注目ユーザの反応を示す情報とは、注目ユーザの表情の検出結果や、注目ユーザの生体情報（例えば、脈拍、発汗量等）等である。

反応解析部２２３は、注目ユーザのフィードバックを示す情報、及び、注目ユーザの反応を示す情報に基づいて、提示された情報に対するユーザの反応を解析する。例えば、反応解析部２２３は、提示された記事に対して、注目ユーザがポジティブな反応、ネガティブな反応、又は、中立の反応のいずれを示したかを解析する。なお、反応解析部２２３は、注目ユーザのポジティブ又はネガティブな反応の度合いまで解析するようにしてもよい。例えば、反応解析部２２３は、注目ユーザが実際に記事にアクセスしたか、又は、注目ユーザが良い評価を与えたか等によりポジティブな反応の度合いを解析する。

なお、以下、注目ユーザがポジティブな反応を示した記事を、ポジティブ反応記事と称する。注目ユーザがポジティブな反応を示した記事とは、例えば、注目ユーザが良い評価を与えた記事、提示された記事に対して実際にアクセスした記事、ポジティブな生体反応を示した記事等である。また、以下、注目ユーザがネガティブな反応を示した記事を、ネガティブ反応記事と称する。なお、注目ユーザがネガティブな反応を示した記事とは、例えば、注目ユーザが悪い評価を与えた記事、アクセスしなかった記事、ネガティブな生体反応を示した記事等である。また、以下、注目ユーザがポジティブ又はネガティブな反応を示した記事を、ユーザ反応記事と称する。

反応解析部２２３は、注目ユーザの反応の解析結果を示すユーザ反応情報を生成し、生成したユーザ反応情報を、管理部２４１、通信部２４２及びネットワーク１３を介してサーバ１１に送信する。

サーバ１１の情報統合モジュール１１６のユーザ情報取得部１８３は、通信部１８４を介して、クライアント１２から送信されたユーザ反応情報を受信し、管理部１８１に供給する。管理部１８１は、取得したユーザ反応情報と、対象となった記事のメタデータ及び提示方法、並びに、記事を提示したときの注目ユーザのコンテクストを示す情報とを含むユーザ反応履歴を生成する。管理部１８１は、生成したユーザ反応履歴を記憶部１８５に記憶させる。

その後、処理はステップＳ１１３に進む。

一方、ステップＳ１１１において、ユーザの反応を検出しないと判定された場合、ステップＳ１１２の処理はスキップされ、処理はステップＳ１１３に進む。

ステップＳ１１３において、サーバ１１の情報個人化モジュール１１５の学習部１６２は、ユーザの嗜好を学習するか否かを判定する。ユーザの嗜好を学習すると判定された場合、処理はステップＳ１１４に進む。

ステップＳ１１４において、学習部１６２は、ユーザの嗜好を学習する。具体的には、学習部１６２は、管理部１８１を介して、注目ユーザのユーザ反応履歴を記憶部１８５から取得する。そして、学習部１６２は、注目ユーザが反応を示した記事（ユーザ反応記事）の単語ベクトル及びトピックベクトルに基づいて、注目ユーザのＷＰＶ及びＴＰＶを生成する。例えば、学習部１６２は、ユーザ反応記事の単語ベクトルを加算することによりＷＰＶを生成する。同様に、例えば、学習部１６２は、ユーザ反応記事のトピックベクトルを加算することによりＴＰＶを生成する。

ここで、学習部１６２は、注目ユーザの全般的なＷＰＶ及びＴＰＶだけでなく、注目ユーザに記事を提示したときのコンテクスト毎のＷＰＶ及びＴＰＶを生成する。

例えば、学習部１６２は、注目ユーザに平日に提示した記事、及び、注目ユーザに休日に提示した記事にユーザ反応記事を分類する。そして、学習部１６２は、分類したグループ毎に各ユーザ反応記事の単語ベクトル及びトピックベクトルをそれぞれ加算することによりＷＰＶ及びＴＰＶを生成する。これにより、注目ユーザの平日のＷＰＶ及びＴＰＶ、並びに、休日のＷＰＶ及びＴＰＶが生成される。

また、例えば、学習部１６２は、注目ユーザに朝に提示した記事、注目ユーザに昼に提示した記事、及び、注目ユーザに夜に提示した記事にユーザ反応記事を分類する。そして、学習部１６２は、分類したグループ毎に各ユーザ反応記事の単語ベクトル及びトピックベクトルをそれぞれ加算することによりＷＰＶ及びＴＰＶを生成する。これにより、注目ユーザの朝のＷＰＶ及びＴＰＶ、昼のＷＰＶ及びＴＰＶ、並びに、夜のＷＰＶ及びＴＰＶが生成される。

さらに、例えば、学習部１６２は、注目ユーザに自宅で提示した記事、注目ユーザに会社で提示した記事、注目ユーザに乗り物内で提示した記事、及び、注目ユーザに外出先で提示した記事にユーザ反応記事を分類する。そして、学習部１６２は、分類したグループ毎に各ユーザ反応記事の単語ベクトル及びトピックベクトルをそれぞれ加算することによりＷＰＶ及びＴＰＶを生成する。これにより、注目ユーザの自宅におけるＷＰＶ及びＴＰＶ、会社におけるＷＰＶ及びＴＰＶ、乗り物内におけるＷＰＶ及びＴＰＶ、並びに、外出先におけるＷＰＶ及びＴＰＶが生成される。

また、例えば、学習部１６２は、注目ユーザが立っている場合に提示した記事、注目ユーザが座っている場合に提示した記事、又は、注目ユーザが歩いている場合に提示した記事にユーザ反応記事を分類する。そして、学習部１６２は、分類したグループ毎に各ユーザ反応記事の単語ベクトル及びトピックベクトルをそれぞれ加算することによりＷＰＶ及びＴＰＶを生成する。これにより、注目ユーザが立っている場合のＷＰＶ及びＴＰＶ、座っている場合のＷＰＶ及びＴＰＶ、並びに、歩いている場合のＷＰＶ及びＴＰＶが生成される。

さらに、例えば、学習部１６２は、注目ユーザが一人でいる場合に提示した記事、注目ユーザが妻といる場合に提示した記事、注目ユーザが子供といる場合に提示した記事、又は、注目ユーザが妻及び子供といる場合に提示した記事にユーザ反応記事を分類する。そして、学習部１６２は、分類したグループ毎に各ユーザ反応記事の単語ベクトル及びトピックベクトルをそれぞれ加算することによりＷＰＶ及びＴＰＶを生成する。これにより、注目ユーザと一緒にいる人が、１人もいない場合のＷＰＶ及びＴＰＶ、妻である場合のＷＰＶ及びＴＰＶ、子供である場合のＷＰＶ及びＴＰＶ、並びに、妻及び子供である場合のＷＰＶ及びＴＰＶが生成される。

このようにして、注目ユーザのコンテクスト毎の嗜好が学習される。

なお、学習部１６２は、例えば、注目ユーザの反応の種類や度合いによって、各ユーザ反応記事の単語ベクトル及びトピックベクトルを、重みをつけて加算するようにしてもよい。例えば、学習部１６２は、注目ユーザの反応がポジティブかネガティブか等により異なる重みをつけたり、注目ユーザの反応の度合いより異なる重みをつけたりするようにしてもよい。

また、例えば、学習部１６２は、注目ユーザがポジティブな反応を示した記事（ポジティブ反応記事）の単語ベクトル及びトピックベクトルのみに基づいて、ＷＰＶ及びＴＰＶを生成するようにしてもよい。

さらに、ＷＰＶ及びＴＰＶの生成に用いるユーザ反応履歴の対象期間は、任意の期間に設定することができる。例えば、学習部１６２は、これまで注目ユーザが検索・推薦サービスを利用した全期間のユーザ反応履歴を用いたり、或いは、直前の所定の期間（例えば、１日、１週間、１か月、１年等）内のユーザ反応履歴を用いたりする。

また、学習部１６２は、注目ユーザの情報探索度の計算を行う。具体的には、学習部１６２は、注目ユーザがポジティブな反応を示した記事（ポジティブ反応記事）が属するトピックの分布を示すトピック頻度の集計を行う。例えば、学習部１６２は、注目ユーザのポジティブ反応記事の帰属確率最大トピックを集計することにより、トピック頻度を集計する。従って、注目ユーザのポジティブ反応記事が多く属するトピックのトピック頻度の値が大きくなる。

なお、トピック頻度の集計期間は、任意の期間に設定することができる。例えば、トピック頻度の集計期間は、これまで注目ユーザが検索・推薦サービスを利用した全期間、又は、直前の所定の期間（例えば、１日、１週間、１か月、１年等）に設定される。或いは、例えば、トピック頻度の集計期間は、今回の検索・推薦サービスの利用期間（例えば、今回の検索・推薦サービスへのログイン期間）に設定される。

また、例えば、注目ユーザがポジティブな反応を示した記事のトピックベクトルを積算していくことにより、トピック頻度を集計するようにしてもよい。この場合、ユーザがポジティブな反応を示した記事が属するトピックの分布が、より正確にトピック頻度に反映される。

また、学習部１６２は、集計したトピック頻度に基づいて、「広さ」、「深さ」、「新しさ」、及び、「人気」の４つの観点に基づく情報探索度を計算する。

なお、以下、トピック頻度の分布が、｛１，７，０，３，０，１，０，０，２，１｝である場合、すなわち、トピックｚ₁のトピック頻度が１、トピックｚ₂のトピック頻度が７、・・・、トピックｚ₁₀のトピック頻度が１である場合について説明する。また、以下、直前に注目ユーザがポジティブな反応を行った記事の帰属確率最大トピック（以下、直前反応トピックと称する）がトピックｚ₂である場合について説明する。

例えば、学習部１６２は、次式（５）により情報探索度（広さ）を計算する。

情報探索度（広さ）
＝トピック頻度が閾値ＴＨ１以上のトピックの数÷トピックの総数×１００
・・・（５）

例えば、閾値ＴＨ１を１に設定した場合、先に示したトピック頻度の例において、トピック頻度が閾値ＴＨ１以上のトピック数は６となる。そして、総トピック数が１０なので、情報探索度（広さ）は６０％となる。

情報探索度（広さ）は、注目ユーザがポジティブな反応を示した記事が属するトピックの範囲が広いほど大きくなり、注目ユーザがポジティブな反応を示した記事が属するトピックの範囲が狭いほど小さくなる。従って、情報探索度（広さ）は、注目ユーザがどの程度の広さまで情報を探索しているかを示す指標となる。

また、学習部１６２は、次式（６）により情報探索度（深さ）を計算する。

情報探索度（深さ）＝直前反応トピックのトピック頻度÷上限値×１００ ・・・（６）

ここで、直前反応トピックのトピック頻度とは、注目ユーザが直前にポジティブな反応を示した記事の帰属確率最大トピックのトピック頻度である。従って、現在の例では、注目ユーザの直前反応トピックであるトピックｚ₂のトピック頻度が７なので、上限値を１０に設定した場合、情報探索度（深さ）は７０％となる。

情報探索度（深さ）は、注目ユーザが直前反応トピックに属する記事に対してポジティブな反応を示した回数が多いほど大きくなり、注目ユーザが直前反応トピックに属する記事に対してポジティブな反応を示した回数が少ないほど小さくなる。従って、情報探索度（深さ）は、注目ユーザが、直前反応トピック（例えば、ユーザが現在注目している記事が属するトピック）に対して、どの程度の深さまで情報を探索しているかを示す指標となる。

なお、上限値の値は、ポジティブ反応記事の総数に従って変更するようにしてもよい。すなわち、ポジティブ反応記事の総数が多いほど、上限値を大きくし、ポジティブ反応記事の総数が少ないほど、上限値を小さくするようにしてもよい。

また、情報探索度（深さ）が、１００％を超えるようにしてもよい。

さらに、学習部１６２は、次式（７）により情報探索度（新しさ）を計算する。

情報探索度（新しさ）
＝ポジティブ反応記事のうち新着記事の数÷ポジティブ反応記事の総数 ・・・（７）

例えば、直前の所定の期間内（例えば、直前の６時間以内）に追加又は更新された新着記事のみを対象にしたトピック頻度の分布を｛０，４，０，１，０，０，０，０，１，０｝とした場合、ポジティブ反応記事のうち新着記事の数は６となる。そして、ポジティブ反応記事の総数が１５なので、情報探索度（新しさ）は４０％となる。

情報探索度（新しさ）は、新着記事に対してポジティブな反応を示した回数が多いほど大きくなり、新着記事に対してポジティブな反応を示した回数が少ないほど小さくなる。従って、情報探索度（新しさ）は、注目ユーザが新しい情報をどの程度探索しているかを示す指標となる。

また、学習部１６２は、次式（８）により情報探索度（人気）を計算する。

情報探索度（人気）
＝ポジティブ反応記事のうち人気記事の数÷ポジティブ反応記事の総数 ・・・（８）

例えば、人気度スコアが所定の閾値以上の人気記事のみを対象にしたトピック頻度の分布を｛０，２，０，０，０，０，０，０，１，０｝とした場合、ポジティブ反応記事のうち人気記事の数は３となる。そして、ポジティブ反応記事の総数が１５なので、情報探索度（人気）は２０％となる。

情報探索度（人気）は、人気記事に対してポジティブな反応を示した回数が多いほど大きくなり、人気記事に対してポジティブな反応を示した回数が少ないほど小さくなる。従って、情報探索度（人気）は、注目ユーザが人気のある情報（例えば、話題になったり、注目されている情報）をどの程度探索しているかを示す指標となる。

また、学習部１６２は、各観点の情報探索度に基づいて、次式（９）により総合探索度を計算する。

総合探索度＝（情報探索度（広さ）＋情報探索度（深さ）＋情報探索度（新しさ）
＋情報探索度（人気））÷４ ・・・（９）

すなわち、総合探索度は、各観点の情報探索度の平均値である。

さらに、学習部１６２は、注目ユーザの提示方法に対する嗜好を学習する。具体的には、例えば、学習部１６２は、注目ユーザがポジティブな反応を示した記事（ポジティブ反応記事）の提示方法の分布を示す提示方法頻度をコンテクスト毎に集計する。例えば、学習部１６２は、注目ユーザのクライアント１２の種類毎に提示方法頻度の集計を行う。これにより、例えば、注目ユーザが使用しているクライアント１２がウェアラブルデバイスである場合の提示方法頻度、スマートフォンである場合の提示方法頻度、タブレットである場合の提示方法頻度、及び、パーソナルコンピュータである場合の提示方法頻度が求められる。

この提示方法頻度により、使用しているクライアント１２の種類により、注目ユーザが好む記事の提示方法の傾向が把握される。例えば、注目ユーザが、スマートフォンを使用している場合に、音声のみによる提示方法、テキストのみによる提示方法、静止画を含む提示方法、又は、動画を含む提示方法をそれぞれどの程度の割合で利用するかが把握される。

なお、学習部１６２が提示方法頻度の集計を行うコンテクストは、クライアント１２の種類に限定されるものではなく、任意の種類のコンテクストを用いることが可能である。例えば、学習部１６２は、曜日、時間帯、場所、又は、注目ユーザの行動等毎に提示方法頻度の集計を行うことが可能である。このとき、学習部１６２は、２種類以上のコンテクストについて、それぞれ提示方法頻度を集計することも可能である。

また、学習部１６２は、２種類以上のコンテクストの組み合わせ毎に提示方法頻度を集計することも可能である。例えば、学習部１６２は、クライアント１２の種類、曜日、時間帯、場所、及び、注目ユーザの行動の組み合わせ毎に提示方法頻度を集計することができる。これにより、例えば、注目ユーザが平日の朝に電車内で立ってスマートフォンを使用している場合に、音声のみによる提示方法、テキストのみによる提示方法、静止画を含む提示方法、及び、動画を含む提示方法をそれぞれどの程度の割合で利用するかが把握される。

なお、提示方法頻度の集計期間は、任意の期間に設定することができる。例えば、提示方法頻度の集計期間は、これまで注目ユーザが検索・推薦サービスを利用した全期間、又は、直前の所定の期間（例えば、１週間、１か月、１年等）に設定される。

学習部１６２は、注目ユーザのＷＰＶ及びＴＰＶ、トピック頻度の集計結果、情報探索度及び総合探索度の計算結果、並びに、提示方法頻度の集計結果を、管理部１８１を介して記憶部１８５に記憶させる。

その後、処理はステップＳ１１５に進む。

一方、ステップＳ１１３において、ユーザの嗜好を学習しないと判定された場合、ステップＳ１１４の処理はスキップされ、処理はステップＳ１１５に進む。

ステップＳ１１５において、クライアント１２の情報提示モジュール２０１の制御部２１２は、情報の提示を終了するか否かを判定する。例えば、制御部２１２は、ステップＳ１０２の処理で取得したユーザの操作内容が、検索・推薦サービスを終了させる操作でない場合、情報の提示を継続すると判定し、処理はステップＳ１０１に戻る。

その後、ステップＳ１１５において、情報の提示を終了すると判定されるまで、ステップＳ１０１乃至Ｓ１１５の処理が繰り返し実行される。

一方、ステップＳ１１５において、クライアント１２の情報提示モジュール２０１の制御部２１２は、例えば、ステップＳ１０２の処理で取得したユーザの操作内容が、検索・推薦サービスを終了させる操作である場合、情報の提示を終了すると判定する。その後、処理はステップＳ１１６に進む。

ステップＳ１１６において、クライアント１２は、情報の提示を終了する。例えば、クライアント１２の情報提示モジュール２０１の制御部２１２は、検索・推薦サービスＡＰＰの実行を終了する。

その後、情報提示処理は終了する。

以上のようにして、ユーザの嗜好及びコンテクストに応じて、適切な記事が適切な方法で提示される。これにより、例えば、ユーザは、自分の姿勢や周囲の状況に適した方法で、周囲に迷惑をかけることなく、自分の興味のある情報を迅速に得ることができる。

また、ユーザの嗜好や知識に応じた質及び量の記事が提示されるので、記事に対する理解度や納得感が高まり、ユーザの満足度が向上する。

さらに、一緒にいる人に応じて提示される記事が選別されるので、パーソナルな嗜好とパブリックな嗜好とに分けて記事を提示することができる。これにより他人に知られたくない情報が漏れるのを防止したり、ユーザと一緒にいる人の満足度を高めたりすることができる。

また、ＲＳＳ、ＳＮＳ、ネットコンテンツなどの情報サービスにアクセスする際に、ユーザの嗜好との合致度や習慣だけでなく、情報の広さ、深さ、新しさ、及び、人気度の多視点に基づいて記事が推薦される。これにより、ユーザが短時間で効率的に情報収集することが可能になる。

さらに、クライアント１２の表示サイズや機能に応じた伝達手段が選択されるとともに、提示される記事の情報量や表示サイズ等が適切に調整される。従って、例えば、クライアント１２の表示サイズに対して不適切なサイズやクライアント１２が対応していない方式で情報が提示されたり、情報量が多すぎて表示速度が低下したりして、ユーザが不自由を感じることが防止される。また、ユーザが所持する複数の種類のクライアント１２を連携させて、情報をシームレスに提示することが可能になる。例えば、ユーザが所持する複数の種類のクライアント１２に、同じ話題に関する記事を異なる提示方法で同時に提示することができる。また、例えば、ユーザが使用するクライアント１２を変更するのに合わせて、同じ話題の記事を異なる提示方法でシームレスに提示することができる。

また、ユーザの行動等によって時々刻々と変わるコンテクストに対応して、提示する記事の内容や提示方法を最適化することによって、ウェアラブル端末、携帯端末等を利用したインタラクティブ性の高い情報配信サービスが実現される。

ここで、注目ユーザであるＡさんが検索・推薦サービスを利用する場合をシミュレーションした例について説明する。

例えば、Ａさんの自宅の壁掛けディスプレイに図１０の画面４５１が表示され、画面４５１内にニュースが表示されている。このとき、Ａさんが子供と一緒にいる間は、エンターテイメント系の記事が提示される。その後、子供が学校に行き、Ａさんが１人になると、経済系の記事に切り替わる。

次に、Ａさんは、通勤中の電車内で関心のある経済系の記事の続きをチェックしている。このとき、電車が混んでいてＡさんが立っている間は、Ａさんが装着しているウェアラブルデバイスから音声により経済系の記事が読み上げられる。その後、Ａさんが座席に座ると、Ａさんが持っているスマートフォンにテキストと静止画を用いて経済系の記事が表示される。さらに、電車が空いてくると、周囲の迷惑にならないので、スマートフォンにおいて、経済系の動画ニュースの再生が開始される。

次に、Ａさんは、会社の昼休みに通勤中に気になったＩＴ業界のＳ社の買収関連のニュースの続きをパーソナルコンピュータでチェックしている。このとき、Ａさんは保有するＳ社の株価をよくチェックしているので、Ｓ社の株価情報を示す記事が自動的に表示される。また、Ａさんは、業務的に関連があるので、Ｓ社の買収関連の記事のＵＲＬをメールで知財部のＢさんに送付する。Ｂさんは、ＩＴ業界の動向に関心があり、日常的にＩＴ業界に関する記事をチェックしているので、Ａさんから教えられたＵＲＬのウエブサイトにアクセスしたとき、買収の背景や業界への影響に関する詳細記事が推薦される。これにより、Ｂさんは、その詳細記事にすぐにアクセスすることが可能になる。

次に、Ａさんは、帰宅後にタブレットの利用を開始する。Ａさんは、普段夜にスポーツニュースをチェックしているので、Ｓ社がスポンサーになっているサッカー大会の記事が表示される。タブレットには、例えば上述した図９のように、記事の全文、サムネイル画像、及び、試合のダイジェストの動画プレイヤーが表示される。さらに、時間が十分にあるので、上述した図１１のように、Ａさんに各情報探索度に基づく記事が推薦される。そして、Ａさんは、例えば、最初の記事から始まって、サッカーの話題をより深くチェックしたり、その日のニュース全体を広くチェックしたり、新しさや人気度を確認しながら各記事をチェックしたりすることができる。

＜２．変形例＞
以下、上述した本技術の実施の形態の変形例について説明する。

｛コンテクストの分類方法に関する変形例｝
例えば、ユーザ毎にコンテクストの分類方法を変えるようにしてもよい。

例えば、以下のように、コンテクストの１つである時間帯の区分をユーザ毎に調整することが可能である。例えば、学習部１６２は、区分Ａと区分Ｂの２種類の区分で１日の時間帯を分割する。区分Ａでは、１日が時間帯Ａ１（０時〜６時）、時間帯Ａ２（６時〜１２時）、時間帯Ａ３（１２時〜１８時）、及び、時間帯Ａ４（１８時〜２４時）に分割される。区分Ｂでは、１日が時間帯Ｂ１（０時〜４時）、時間帯Ｂ２（４時〜８時）、時間帯Ｂ３（８時〜１２時）、時間帯Ｂ４（１２時〜１６時）、時間帯Ｂ５（１６時〜２０時）、及び、時間帯Ｂ６（２０時〜２４時）に分割される。

そして、学習部１６２は、注目ユーザに提示した時間帯毎に各ユーザ反応記事のトピックベクトルを加算することにより、注目ユーザの各時間帯におけるＴＰＶを生成する。以下、時間帯Ａ１乃至Ａ４における注目ユーザのＴＰＶをＴＰＶａ１乃至ＴＰＶａ４と称し、時間帯Ｂ１乃至Ｂ６における注目ユーザのＴＰＶをＴＰＶｂ１乃至ＴＰＶｂ６と称する。

次に、学習部１６２は、ＴＰＶａ１乃至ＴＰＶａ４の各ＴＰＶ間の距離（６通り）の平均値ＡＶＧａを算出し、ＴＰＶｂ１乃至ＴＰＶｂ６の各ＴＰＶ間の距離（１５通り）の平均値ＡＶＧｂを算出する。そして、学習部１６２は、平均値ＡＶＧａと平均値ＡＶＧｂを比較して、平均値が大きい方の区分を、注目ユーザに対する時間帯の区分に採用する。すなわち、平均値が大きい方の時間帯の区分の方が、注目ユーザの嗜好をより詳細に分離できているため、平均値の大きい方の時間帯の区分が採用される。

同様の方法により、例えば、ユーザのいる場所、ユーザの行動等の分類方法もユーザ毎に調整することが可能である。また、例えば、ＴＰＶの代わりにＷＰＶを用いたり、ＴＰＶとＷＰＶの両方を用いたりしてもよい。

また、コンテクストの種類は、容易に追加したり、減らしたりすることができる。例えば、曜日、時間帯、ユーザがいる場所、ユーザの行動の組み合わせによりユーザのコンテクストを分類している場合に、さらにユーザの感情（例えば、喜、怒、哀、楽）を追加するときについて説明する。

例えば、学習部１６２は、注目ユーザが喜んでいる場合に提示した記事、怒っている場合に提示した記事、悲しんでいる場合に提示した記事、又は、楽しんでいる場合に提示した記事にユーザ反応記事を分類する。そして、学習部１６２は、分類したグループ毎に各ユーザ反応記事の単語ベクトル及びトピックベクトルをそれぞれ加算することによりＷＰＶ及びＴＰＶを生成する。これにより、注目ユーザが喜んでいる場合のＷＰＶ及びＴＰＶ、怒っている場合のＷＰＶ及びＴＰＶ、悲しんでいる場合のＷＰＶ及びＴＰＶ、並びに、楽しんでいる場合のＷＰＶ及びＴＰＶが生成される。そして、学習部１６２は、統合ＷＰＶ及び統合ＴＰＶの生成時に、新たに生成したＷＰＶ及びＴＰＶを追加して加算する。その結果、注目ユーザの感情がコンテクストに追加される。

逆に、コンテクストの種類を削減する場合、例えば、学習部１６２は、統合ＷＰＶ及び統合ＴＰＶの生成時に、削減する種類のコンテクストのＷＰＶ及びＴＰＶを加算しないようにすればよい。

さらに、コンテクスト解析部２３３は、例えば、同じ種類のコンテクストを、異なる方法で分類したり、階層構造を用いて分類したりすることが可能である。

例えば、コンテクスト解析部２３３は、解析に用いるデータや情報の種類により、場所に関するコンテクストを異なる方法で分類することが可能である。例えば、コンテクスト解析部２３３は、各種のセンサからのデータ等に基づいて、注目ユーザのいる場所を、自宅、通勤中、職場、帰宅中、外出中等に分類することができる。また、コンテクスト解析部２３３は、例えば、ＰＯＩデータに基づいて、注目ユーザのいる場所を、オフィス、繁華街、公園、スタジアム等に分類することができる。

また、例えば、コンテクスト解析部２３３は、各種のセンサからのデータ等に基づいて、注目ユーザの行動を低次の行動と高次の行動に分類することが可能である。低次の行動には、例えば、静止、歩行中、ランニング中、エレベータに搭乗中、電車に乗車中、バスに乗車中、車に乗車中、自転車を運転中等が含まれる。高次の行動には、例えば、食事中、睡眠中、会話中、スポーツのプレイ中等が含まれる。なお、スポーツのプレイ中は、スポーツの種別によりさらに詳細に分類される。

｛推薦方法に関する変形例｝
例えば、推薦部１７２は、閲覧対象記事ではなく、検索部１７１により検索された検索記事の中から推薦記事を選択するようにしてもよい。

また、例えば、推薦部１７２は、情報探索度の各観点に基づく推薦記事を、ユーザが嗜好する記事（嗜好推薦記事）以外の記事の中から選択するようにしてもよい。

さらに、注目ユーザの検索・推薦サービスの利用回数が少なく、ユーザ反応履歴のデータ量が十分でない場合、例えば、推薦部１７２は、他のユーザの嗜好に基づいて、注目ユーザに推薦する記事を選択するようにしてもよい。例えば、推薦部１７２は、全ユーザのＷＰＶ及びＴＰＶの平均値、又は、注目ユーザと類似するユーザのＷＰＶ及びＴＰＶの平均値を用いて、注目ユーザに推薦する記事を選択するようにしてもよい。

また、ある種類のコンテクストにおける注目ユーザのユーザ反応履歴のデータ量が十分でなく、当該コンテクストにおけるＷＰＶ及びＴＰＶの信頼性が低い場合、例えば、推薦部１７２は、別の種類のコンテクストにおけるＷＰＶ及びＴＰＶを代わりに用いるようにしてもよい。例えば、注目ユーザの休日のユーザ反応履歴のデータ量が十分でなく、休日のＷＰＶ及びＴＰＶの信頼性が低い場合、推薦部１７２は、注目ユーザの朝、昼及び夜におけるＷＰＶ及びＴＰＶを代わりに用いるようにしてもよい。

或いは、学習部１６２は、コンテクストを分類する粒度を変更するようにしてもよい。例えば、市町村を基準に場所が分類され、現在注目ユーザがいる市町村ベースの場所におけるユーザ反応履歴のデータ量が十分でない場合、例えば、学習部１６２は、都道府県により場所を再分類し、現在注目ユーザがいる都道府県ベースの場所におけるユーザ反応履歴に基づいて、ＷＰＶ及びＴＰＶを計算するようにしてもよい。

｛嗜好学習に関する変形例｝
例えば、サーバ１１は、ユーザに推薦記事を提示する場合に推薦理由を提示するとともに、ユーザによる推薦理由の選択結果を、ユーザの嗜好学習に反映するようにしてもよい。

例えば、提示制御部１８２は、注目ユーザのコンテクストに基づく推薦理由である「平日」「朝」「乗り物内」及び「立っている」を注目ユーザが選択できるように提示する。一方、推薦部１７２は、最初は、注目ユーザの平日のＷＰＶ、朝のＷＰＶ、乗り物内におけるＷＰＶ、及び、立っている場合のＷＰＶを同じ比率で加算することにより、統合ＷＰＶを生成する。その後、推薦部１７２は、注目ユーザの各推薦理由の選択回数に応じた重みをつけてＷＰＶを加算することにより、統合ＷＰＶを生成する。例えば、注目ユーザが「乗り物内」を選択する回数が最も多い場合、推薦部１７２は、統合ＷＰＶの生成時に、乗り物内におけるＷＰＶに対する重みを最も大きくして加算する。以上は統合ＴＰＶについても同様である。

また、例えば、提示制御部１８２は、注目ユーザのコンテクストに基づく推薦理由である「自宅」及び「子供」を注目ユーザが選択できるように提示する。一方、推薦部１７２は、最初は、注目ユーザの自宅におけるＷＰＶ、及び、子供といる場合のＷＰＶを同じ比率で加算することにより、統合ＷＰＶを生成する。その後、推薦部１７２は、注目ユーザの各推薦理由の選択回数に応じた重みをつけてＷＰＶを加算することにより、統合ＷＰＶを生成する。例えば、注目ユーザが「子供」を選択する回数が最も多い場合、推薦部１７２は、統合ＷＰＶの生成時に、子供といる場合のＷＰＶに対する重みを最も大きくして加算する。以上は統合ＴＰＶについても同様である。

さらに、例えば、提示制御部１８２は、推薦理由として「買収」「投資」「市場」等の各トピックの代表的なキーワードを、注目ユーザが選択できるように提示する。各トピックの代表的なキーワードとは、例えば、上述した式（３）における生起確率ｐ（ｗ_i｜ｚ_k）が高い単語ｗ_iのことである。一方、学習部１６２は、注目ユーザがキーワードを選択した場合、選択したキーワードに対応するトピックのトピック頻度を加算する。これにより、注目ユーザが選択したキーワードに対応するトピックの記事がより注目ユーザに提示されやすくなる。

また、例えば、提示制御部１８２は、最初は、広さ推薦記事、深さ推薦記事、新しさ推薦記事、及び、人気推薦記事を同じ比率で注目ユーザに提示する。そして、学習部１６２は、情報探索度の各観点に基づいて推薦した記事に対してポジティブな反応を示した回数を個別に集計する。そして、提示制御部１８２は、注目ユーザがポジティブな反応を示した回数が多い観点に基づく記事をより多く注目ユーザに提示するように制御するようにしてもよい。

さらに、以上の説明では、ユーザと一緒にいる人に応じて、提示する記事や提示方法を制御する例を示したが、一緒にいる人のユーザとの関係（例えば、ユーザの妻、子供等）は、必ずしも必要な情報ではない。例えば、顔認識技術では、各個人を識別することは可能であるが、各個人間の関係まで検出することはできない。しかし、一緒にいる人のユーザとの関係が分からなくても、ユーザがその人と一緒にいる場合の嗜好を学習することは可能である。

また、ユーザと一緒にいる人を属性等（例えば、性別、年齢等）に基づいて複数のグループに分類し、ユーザが一緒にいる人が属するグループに応じて、提示する記事や提示方法を変更するようにしてもよい。例えば、ユーザが一緒にいる人を男性と女性に分け、ユーザが一人でいる場合、ユーザが男性といる場合、又は、ユーザが女性といる場合で、提示する記事や提示方法を変更するようにしてもよい。

さらに、例えば、ユーザが一緒にいる人の人数に応じて、提示する記事や提示方法を変更するようにしてもよい。

また、推薦部１７２は、注目ユーザの嗜好を考慮せずに、注目ユーザのコンテクストのみに基づいて推薦する記事を選択するようにすることも可能である。

｛トピック頻度の集計方法に関する変形例｝
以上の説明では、学習部１６２は、ユーザがポジティブな反応を示した記事のみを対象にしてトピック頻度の集計を行ったが、ユーザがネガティブな反応を示した記事も対象に含めるようにしてもよい。すなわち、学習部１６２は、ユーザが反応を示した全ての記事を対象にしてトピック頻度の集計を行うようにしてもよい。或いは、例えば、学習部１６２は、ユーザが所定の反応を示した記事のみを対象にしてトピック頻度の集計を行うようにしてもよい。

また、学習部１６２は、例えば、トピック頻度の集計を行う場合に、反応の種類に応じて重み付け加算するようにしてもよい。例えば、学習部１６２は、ユーザが実際に記事にアクセスしたか、又は、ユーザが良い評価を与えたか等により異なる重みをつけるようにしてもよい。さらに、例えば、学習部１６２は、ユーザがポジティブな反応を示した場合には、トピック頻度を加算し、ユーザがネガティブな反応を示した場合には、トピック頻度を減算するようにしてもよい。

｛提示方法に関する変形例｝
記事の提示方法は、上述した例に限定されるものではなく、視覚的又は聴覚的に様々な方法で提示することが可能である。

また、例えば、クライアント１２において記事の提示を行うだけでなく、クライアント１２から他の装置（例えば、携帯情報端末やウェアラブルデバイス等）に記事を転送して、他の装置が、転送された記事を提示するようにすることも可能である。

｛提示対象に関する変形例｝
以上の説明では、ユーザに提示する提示対象を記事とする例を示したが、記事以外の情報を提示対象とする場合にも、本技術を適用することが可能である。

なお、動画、画像、音声等のテキスト情報以外の情報（以下、非テキスト情報と称する）を提示対象とする場合、例えば、クラスタリング部１０２は、非テキスト情報に関連するテキスト情報に基づいて、上述した潜在トピックモデル用いて、各非テキスト情報を複数のクラスタに分類することができる。この場合、例えば、非テキスト情報のメタデータ（例えば、タイトル、アーティスト、出演者、ジャンル、生成場所、生成日時等）、非テキスト情報に関する評論文、感想文、記事等に含まれるテキスト情報に基づいて、クラスタリングが行われる。

また、例えば、クラスタリング部１０２は、非テキスト情報の属性や、非テキスト情報自身の特徴量（例えば、動画、画像、音声等の特徴量）に基づいて、非テキスト情報を複数のクラスタに分類することができる。例えば、クラスタリング部１０２は、楽曲データの特徴量に基づいて、楽曲データを複数のクラスタ（例えば、ジャンル）に分類することが可能である。

さらに、本技術は、例えば、商品、行動、場所、人等に関する情報を提示する場合にも適用することができる。なお、商品等についても、上述したように、関連するテキスト情報や、商品等自身の特徴量に基づいて、クラスタリングが行われる。

また、本技術においては、上述した潜在トピックモデル以外の任意のクラスタリング手法を採用することも可能である。さらに、例えば、本技術に採用するクラスタリング手法は、階層的手法であってもよいし、非階層的手法であってもよい。また、例えば、本技術に採用するクラスタリング手法は、ソフトクラスタリングであってもよいし、ハードクラスタリングであってもよい。或いは、人がマニュアルで提示対象のクラスタリングを行うようにしてもよい。

｛機能分担等に関する変形例｝
上述したサーバ１１とクライアント１２の機能の分担は、その一例であり、任意に変更することが可能である。

例えば、情報個人化モジュール１１５の全部又は一部の機能をクライアント１２に設けてもよい。

また、例えば、反応検出モジュール２０２の全部又は一部の機能をサーバ１１に設けてもよい。例えば、反応解析部２２３の機能をサーバ１１に設け、サーバ１１が、クライアント１２で収集された情報及びデータに基づいて、各ユーザの反応を解析するようにしてもよい。

さらに、例えば、コンテクスト解析モジュール２０３の全部又は一部の機能をサーバ１１に設けてもよい。例えば、コンテクスト解析部２３３の機能をサーバ１１に設け、サーバ１１が、クライアント１２で収集された情報及びデータに基づいて、各ユーザのコンテクストを解析するようにしてもよい。また、サーバ１１が、各ユーザのコンテクストに関するデータの一部を検出するようにしてもよい。

また、例えば、情報個人化モジュール１１５の機能の全部又は一部を、クライアント１２に設け、クライアント１２が、ユーザの嗜好の学習等を行うようにしてもよい。

さらに、例えば、学習部１６２をサーバ１１の外部に設け、サーバ１１が、ユーザの嗜好の学習結果を外部から取得するようにしてもよい。

また、例えば、提示制御部１８２の機能の全部又は一部をクライアント１２に設け、クライアント１２が、提示方法の選択や制御を行うようにしてもよい。

さらに、例えば、反応検出モジュール２０２の検出部２２２の機能の全部又は一部をクライアント１２の外部に設けて、ユーザの反応を示す情報の全部又は一部をクライアント１２の外部で検出するようにしてもよい。

また、例えば、コンテクスト検出モジュール２０３の検出部２３２の機能の全部又は一部をクライアント１２の外部に設けて、ユーザのコンテクストに関するデータの全部又は一部をクライアント１２の外部で検出するようにしてもよい。

さらに、例えば、適宜各モジュールを統合したり、分離したりすることも可能である。例えば、複数のモジュールの入力部、表示部、記憶部を、適宜共用することが可能である。

また、例えば、サーバ１１の機能を複数のサーバで分担するようにしてもよい。

さらに、本技術は、例えば、クライアント１２が自ら情報を収集し、クラスタリングする場合にも適用することができる。

｛コンピュータの構成例｝
上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、コンピュータにインストールされる。ここで、コンピュータには、専用のハードウエアに組み込まれているコンピュータや、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどが含まれる。

図１２は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。

コンピュータにおいて、CPU（Central Processing Unit）７０１，ROM（Read Only Memory）７０２，RAM（Random Access Memory）７０３は、バス７０４により相互に接続されている。

バス７０４には、さらに、入出力インタフェース７０５が接続されている。入出力インタフェース７０５には、入力部７０６、出力部７０７、記憶部７０８、通信部７０９、及びドライブ７１０が接続されている。

入力部７０６は、キーボード、マウス、マイクロフォンなどよりなる。出力部７０７は、ディスプレイ、スピーカなどよりなる。記憶部７０８は、ハードディスクや不揮発性のメモリなどよりなる。通信部７０９は、ネットワークインタフェースなどよりなる。ドライブ７１０は、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリなどのリムーバブルメディア７１１を駆動する。

以上のように構成されるコンピュータでは、CPU７０１が、例えば、記憶部７０８に記憶されているプログラムを、入出力インタフェース７０５及びバス７０４を介して、RAM７０３にロードして実行することにより、上述した一連の処理が行われる。

コンピュータ（CPU７０１）が実行するプログラムは、例えば、パッケージメディア等としてのリムーバブルメディア７１１に記録して提供することができる。また、プログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供することができる。

コンピュータでは、プログラムは、リムーバブルメディア７１１をドライブ７１０に装着することにより、入出力インタフェース７０５を介して、記憶部７０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部７０９で受信し、記憶部７０８にインストールすることができる。その他、プログラムは、ROM７０２や記憶部７０８に、あらかじめインストールしておくことができる。

なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。

また、本明細書において、システムとは、複数の構成要素（装置、モジュール（部品）等）の集合を意味し、すべての構成要素が同一筐体中にあるか否かは問わない。したがって、別個の筐体に収納され、ネットワークを介して接続されている複数の装置、及び、１つの筐体の中に複数のモジュールが収納されている１つの装置は、いずれも、システムである。

さらに、本技術の実施の形態は、上述した実施の形態に限定されるものではなく、本技術の要旨を逸脱しない範囲において種々の変更が可能である。

例えば、本技術は、１つの機能をネットワークを介して複数の装置で分担、共同して処理するクラウドコンピューティングの構成をとることができる。

また、上述のフローチャートで説明した各ステップは、１つの装置で実行する他、複数の装置で分担して実行することができる。

さらに、１つのステップに複数の処理が含まれる場合には、その１つのステップに含まれる複数の処理は、１つの装置で実行する他、複数の装置で分担して実行することができる。

また、本明細書に記載された効果はあくまで例示であって限定されるものではなく、他の効果があってもよい。

さらに、例えば、本技術は以下のような構成も取ることができる。

（１）
ユーザのコンテクストを示す情報を取得するコンテクスト取得部と、
前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報を選択する選択部と、
前記ユーザのコンテクストに基づいて、前記提示情報の提示方法を制御する提示制御部と
を含む情報処理装置。
（２）
前記選択部は、前記ユーザのコンテクスト毎の嗜好に基づいて前記提示情報を選択する
前記（１）に記載の情報処理装置。
（３）
前記ユーザのコンテクスト毎の嗜好を学習する学習部を
さらに含む前記（２）に記載の情報処理装置。
（４）
前記学習部は、ユーザ毎にコンテクストの分類方法を変更して各ユーザの嗜好を学習する
前記（３）に記載の情報処理装置。
（５）
前記ユーザのコンテクスト毎に前記提示方法に対する前記ユーザの嗜好を学習する学習部を
さらに含み、
前記提示制御部は、前記学習部の学習結果に基づいて前記提示方法を制御する
前記（１）又は（２）に記載の情報処理装置。
（６）
前記提示制御部は、前記ユーザのコンテクストに基づいて、前記提示情報の伝達手段を選択する
前記（１）乃至（５）のいずれかに記載の情報処理装置。
（７）
前記伝達手段は、テキスト、静止画、若しくは、動画、若しくは、音声、又は、それらの組み合わせのいずれかである
前記（６）に記載の情報処理装置。
（８）
前記ユーザのコンテクストは、時間に関するコンテクスト、場所に関するコンテクスト、及び、前記ユーザの行動に関するコンテクストのうち少なくとも１つを含む
前記（１）乃至（７）のいずれかに記載の情報処理装置。
（９）
前記ユーザのコンテクストは、前記ユーザと一緒にいる人を含み、
前記選択部は、少なくとも前記ユーザと一緒にいる人に基づいて、前記提示情報を選択する
前記（１）乃至（８）のいずれかに記載の情報処理装置。
（１０）
前記ユーザのコンテクストは、前記ユーザが前記提示情報の提示に用いる装置の種類を含み、
前記提示制御部は、少なくとも前記装置の種類に基づいて、前記提示方法を制御する
前記（１）乃至（９）のいずれかに記載の情報処理装置。
（１１）
前記選択部は、前記ユーザに提示した情報のうち前記ユーザが所定の反応を示した情報である反応情報の分布に基づく２以上の観点毎に、前記ユーザのコンテクストに基づいて前記提示情報を選択する
前記（１）乃至（１０）のいずれかに記載の情報処理装置。
（１２）
前記選択部は、前記反応情報が属するクラスタの範囲の広さに基づく第１の観点、前記反応情報の前記クラスタ毎の分布に基づく第２の観点、前記反応情報の新しさを基準とする分布に基づく第３の観点、及び、前記反応情報の人気度を基準とする分布に基づく第４の観点のうち少なくとも２以上の観点毎に、前記提示情報を選択する
前記（１１）に記載の情報処理装置。
（１３）
前記ユーザのコンテクストを検出するコンテクスト検出部を
さらに含む前記（１）乃至（１２）のいずれかに記載の情報処理装置。
（１４）
ユーザのコンテクストを示す情報を取得するコンテクスト取得ステップと、
前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報を選択する選択ステップと、
前記ユーザのコンテクストに基づいて、前記提示情報の提示方法を制御する提示制御ステップと
を含む情報処理方法。
（１５）
ユーザのコンテクストを示す情報を取得するコンテクスト取得ステップと、
前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報を選択する選択ステップと、
前記ユーザのコンテクストに基づいて、前記提示情報の提示方法を制御する提示制御ステップと
を含む処理をコンピュータに実行させるためのプログラム。
（１６）
ユーザのコンテクストを示す情報を取得するコンテクスト取得部と、
前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報の提示方法を制御する提示制御部と
を含む情報処理装置。
（１７）
ユーザのコンテクストに関する情報を取得するコンテクスト取得部と、
前記ユーザのコンテクスト毎の嗜好に基づいて、前記ユーザに提示する情報である提示情報を選択する選択部と
を含む情報処理装置。

１ 情報処理ステム， １１ サーバ， １２ クライアント， １０１ 情報取得部， １０２ クラスタリング部, １０３ 提示情報選択部， １１１ 情報収集モジュール， １１２ 情報編集モジュール， １１３ 言語解析モジュール， １１４ トピック解析モジュール， １１５ 情報個人化モジュール， １１６ 情報統合モジュール， １２２ 情報収集部， １３２ 情報編集部， １４１ 言語解析部， １５１ トピック解析部， １６１ 選択部， １６２ 学習部， １７１ 検索部， １７２ 推薦部， １８１ 管理部， １８２ 提示制御部， １８３ ユーザ情報取得部， １８４ 通信部， ２０１ 情報提示モジュール， ２０２ 反応検出モジュール， ２０３ コンテクスト検出モジュール， ２０４ 情報統合モジュール， ２１２ 制御部， ２１３ 提示部， ２２１ 入力部， ２２２ 検出部， ２２３ 反応解析部， ２３２ 検出部， ２３３ コンテクスト解析部， ２４１ 管理部， ２４２ 通信部

Claims (17)

1. ユーザのコンテクストに関する情報を取得するコンテクスト取得部と、
   前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報を選択する選択部と、
   前記ユーザのコンテクストに基づいて、前記提示情報の提示方法を制御する提示制御部と
   を含む情報処理装置。
2. 前記選択部は、前記ユーザのコンテクスト毎の嗜好に基づいて前記提示情報を選択する
   請求項１に記載の情報処理装置。
3. 前記ユーザのコンテクスト毎の嗜好を学習する学習部を
   さらに含む請求項２に記載の情報処理装置。
4. 前記学習部は、ユーザ毎にコンテクストの分類方法を変更して各ユーザの嗜好を学習する
   請求項３に記載の情報処理装置。
5. 前記ユーザのコンテクスト毎に前記提示方法に対する前記ユーザの嗜好を学習する学習部を
   さらに含み、
   前記提示制御部は、前記学習部の学習結果に基づいて前記提示方法を制御する
   請求項１に記載の情報処理装置。
6. 前記提示制御部は、前記ユーザのコンテクストに基づいて、前記提示情報の伝達手段を選択する
   請求項１に記載の情報処理装置。
7. 前記伝達手段は、テキスト、静止画、若しくは、動画、若しくは、音声、又は、それらの組み合わせのいずれかである
   請求項６に記載の情報処理装置。
8. 前記ユーザのコンテクストは、時間に関するコンテクスト、場所に関するコンテクスト、及び、前記ユーザの行動に関するコンテクストのうち少なくとも１つを含む
   請求項１に記載の情報処理装置。
9. 前記ユーザのコンテクストは、前記ユーザと一緒にいる人を含み、
   前記選択部は、少なくとも前記ユーザと一緒にいる人に基づいて、前記提示情報を選択する
   請求項１に記載の情報処理装置。
10. 前記ユーザのコンテクストは、前記ユーザが前記提示情報の提示に用いる装置の種類を含み、
    前記提示制御部は、少なくとも前記装置の種類に基づいて、前記提示方法を制御する
    請求項１に記載の情報処理装置。
11. 前記選択部は、前記ユーザに提示した情報のうち前記ユーザが所定の反応を示した情報である反応情報の分布に基づく２以上の観点毎に、前記ユーザのコンテクストに基づいて前記提示情報を選択する
    請求項１に記載の情報処理装置。
12. 前記選択部は、前記反応情報が属するクラスタの範囲の広さに基づく第１の観点、前記反応情報の前記クラスタ毎の分布に基づく第２の観点、前記反応情報の新しさを基準とする分布に基づく第３の観点、及び、前記反応情報の人気度を基準とする分布に基づく第４の観点のうち少なくとも２以上の観点毎に、前記提示情報を選択する
    請求項１１に記載の情報処理装置。
13. 前記ユーザのコンテクストを検出するコンテクスト検出部を
    さらに含む請求項１に記載の情報処理装置。
14. ユーザのコンテクストに関する情報を取得するコンテクスト取得ステップと、
    前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報を選択する選択ステップと、
    前記ユーザのコンテクストに基づいて、前記提示情報の提示方法を制御する提示制御ステップと
    を含む情報処理方法。
15. ユーザのコンテクストに関する情報を取得するコンテクスト取得ステップと、
    前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報を選択する選択ステップと、
    前記ユーザのコンテクストに基づいて、前記提示情報の提示方法を制御する提示制御ステップと
    を含む処理をコンピュータに実行させるためのプログラム。
16. ユーザのコンテクストに関する情報を取得するコンテクスト取得部と、
    前記ユーザのコンテクストに基づいて、前記ユーザに提示する情報である提示情報の提示方法を制御する提示制御部と
    を含む情報処理装置。
17. ユーザのコンテクストに関する情報を取得するコンテクスト取得部と、
    前記ユーザのコンテクスト毎の嗜好に基づいて、前記ユーザに提示する情報である提示情報を選択する選択部と
    を含む情報処理装置。

Images