JP2016186768A - 候補キーワード評価装置及び候補キーワード評価プログラム - Google Patents

Abstract

【課題】興味候補キーワードを適切に評価できる候補キーワード評価装置及び候補キーワード評価プログラムを提供すること。【解決手段】候補キーワード評価装置１は、番組に関するテキストデータを取得する取得部１１と、テキストデータからキーワードを抽出する抽出部１２と、キーワードをカテゴリに分類する複数の辞書それぞれと照合し、分類されたカテゴリそれぞれに応じた複数のスコアを算出する第１算出部１３と、複数のスコアを統合した係数に基づいて、キーワードの重要度を算出する第２算出部１４と、を備える。【選択図】図１

Description

本発明は、番組内で視聴者が興味を示した内容を表すキーワードとなり得る候補キーワードを評価する装置、及び評価するためのプログラムに関する。

従来、テレビ番組視聴中の視聴者の様子を撮影し、撮影した映像から視聴者が番組への興味を示す時間帯を推定する技術が提案されている（例えば、非特許文献１参照）。この技術により、視聴者が番組を注視している時間帯に表示された字幕テキストから、視聴者の興味内容を示すキーワードが抽出される。
また、文書の中核的な意味を表すキーワードを抽出するために、キーワードの文書内での出現頻度、及びコーパス内でキーワードが出現する文書の頻度を用いたＴＦ−ＩＤＦ（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ − Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ）と呼ばれる指標が用いられる（例えば、非特許文献２参照）。

山内 結子，奥田 誠，高橋 正樹，サイモン クリピングデル，苗村 昌秀，"視聴状況に基づいた興味内容推定システムの試作"，映像情報メディア学会講演予稿集，７−６，２０１４年８月１０日発行 Ｇ． Ｓａｌｔｏｎ， Ｃ． Ｂｕｃｋｌｅｙ， "Ｔｅｒｍ−Ｗｅｉｇｈｔｉｎｇ Ａｐｐｒｏａｃｈｅｓ ｉｎ Ａｕｔｏｍａｔｉｃ Ｔｅｘｔ Ｒｅｔｒｉｅｖａｌ"， Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｍａｎａｇｅｍｅｎｔ Ｖｏｌ． ２４， Ｎｏ． ５， ｐｐ． ５１３−５２３， １９８８

ところで、字幕テキストの中には、視聴者の興味内容と関係がない単語も含まれており、興味内容を表現する可能性のある単語（興味候補キーワード）は、字幕テキストの一部に過ぎない。したがって、視聴者が番組への興味を示す時間帯を推定する前処理として、興味候補キーワードが特定されていることが望まれる。
しかしながら、上記の単語の出現頻度に基づく指標のみでは、他の番組と差別化される中核的な意味を表現したキーワードを抽出できたとしても、これが視聴者の興味内容と合致するとは限らない。したがって、この指標のみで視聴者の興味候補キーワードを適切に抽出することは難しかった。

本発明は、興味候補キーワードを適切に評価できる候補キーワード評価装置及び候補キーワード評価プログラムを提供することを目的とする。

本発明に係る候補キーワード評価装置は、番組に関するテキストデータを取得する取得部と、前記テキストデータからキーワードを抽出する抽出部と、前記キーワードをカテゴリに分類する複数の辞書それぞれと照合し、分類されたカテゴリそれぞれに応じた複数のスコアを算出する第１算出部と、前記複数のスコアを統合した係数に基づいて、前記キーワードの重要度を算出する第２算出部と、を備える。

前記第２算出部は、前記キーワードの出現頻度に応じた評価指標を、前記係数により増減して前記重要度を算出してもよい。

前記辞書は、所定のコミュニティサイトにおける、前記カテゴリが付与された見出し語の解説ページデータを含んでもよい。

前記第１算出部は、前記キーワードが名詞に分類された場合に前記スコアを上昇させると共に、固有名詞に分類された場合には前記スコアを一層上昇させてもよい。

前記候補キーワード評価装置は、前記スコアを統合する計算式を、ユーザから受け付けた教師データに基づいて学習する学習部を備えてもよい。

本発明に係る候補キーワード評価プログラムは、コンピュータに、番組に関するテキストデータを取得する取得ステップ、前記テキストデータからキーワードを抽出する抽出ステップ、前記キーワードをカテゴリに分類する複数の辞書それぞれと照合し、分類されたカテゴリそれぞれに応じた複数のスコアを算出する第１算出ステップ、及び前記複数のスコアを統合した係数に基づいて、前記キーワードの重要度を算出する第２算出ステップを実行させる。

本発明によれば、視聴者の興味内容を表現するための興味候補キーワードを適切に評価できる。

実施形態に係る候補キーワード評価装置の機能構成を示す図である。 実施形態に係るキーワードに対して重要度が付与される手順を模式的に示す図である。

以下、本発明の実施形態の一例について説明する。
本実施形態に係る候補キーワード評価装置１は、複数の番組に関する情報に含まれている文字列に対して、興味候補キーワードとして、どの程度相応しいかを示す定量的な重要度を付与し、コーパスとして蓄積する。

図１は、本実施形態に係る候補キーワード評価装置１の機能構成を示す図である。
候補キーワード評価装置１は、取得部１１と、抽出部１２と、第１算出部１３と、第２算出部１４と、学習部１５と、を備える。

取得部１１は、放送番組に関するテキストデータを、番組情報コーパス２１及び字幕コーパス２２から取得する。
番組情報コーパス２１には、過去に放送又は配信された番組に関する電子番組ガイド（ＥＰＧ： Ｅｌｅｃｔｒｏｎｉｃ Ｐｒｏｇｒａｍ Ｇｕｉｄｅ）等のテキスト情報が番組単位で蓄積されている。
字幕コーパス２２には、番組と共に放送される字幕テキスト（クローズド・キャプション）が番組単位で蓄積されている。

字幕テキスト（クローズド・キャプション）は、番組制作時に映像に合成されるテロップ（オープン・キャプション）に比べて、番組内容に関する意味的な単語が希薄になる傾向がある。例えば、インタビュー対象者名、撮影地名等の多くの番組関連情報がオープン・キャプションによって提示されることが多く、これらの情報がクローズド・キャプションに含まれない場合がある。

そこで、候補キーワード評価装置１は、テキストデータとして容易にアクセス可能なクローズド・キャプションに加えて、電子番組ガイドのテキストデータを利用する。
番組情報のテキストには、番組のテーマに関わる単語が含まれていることが期待でき、さらに、クローズド・キャプションに比べてノイズが少ないため、重要度の事前推定に有用である。

抽出部１２は、取得部１１により取得されたテキストデータから、キーワードを抽出する。例えば、抽出部１２は、テキストデータを句読点等の区切り文字で分割し、部分文字列（サブストリング）を抽出する。さらに、抽出部１２は、サブストリングから１文字ずつ削りながら順次、第１算出部１３へ入力する。
また、例えば、抽出部１２は、形態素解析によって、所定の品詞（例えば、名詞）の単語を抽出して第１算出部１３へ入力してもよい。

第１算出部１３は、抽出部１２により抽出されたキーワードを、カテゴリに分類する複数の辞書それぞれと照合し、分類されたカテゴリそれぞれに応じた複数のスコアを算出する。
照合される辞書は、例えば、以下のものが採用可能である。

（Ａ）Ｗｉｋｉｐｅｄｉａ（登録商標）等の所定のコミュニティサイトにおける、カテゴリが付与された見出し語の解説ページデータ。
これらのＷｅｂページは、それぞれの作成者によって選ばれた情報が公開されているため、ある人（作成者）の興味内容である。したがって、見出し語として存在するキーワードは、興味候補キーワードとしての重要度が高いと推定される。
また、カテゴリとして「○○○○年生まれ」又は「存命人物」等が付与されていることにより、見出し語が人名であることが判別される。
第１算出部１３は、例えば、キーワードｉが見出し語に無い場合は「０」、見出し語に有る場合は「１」、特定のカテゴリ（例えば人名又は地名）の場合は「２」のように、スコアｍ_ｉ ^Ａを算出する。

（Ｂ）ＭｅＣａｂ等の形態素解析用の辞書データ。
形態素解析の結果として出力される詳細な品詞の区分によって、キーワードは、例えば名詞、又はより詳細な区分である固有名詞、あるいは更に詳細な人名、地域等のカテゴリに分類される。
第１算出部１３は、例えば、キーワードｉが名詞でない場合は「０」、名詞の場合は「１」、固有名詞の場合は「２」のように、スコアｍ_ｉ ^Ｂを算出する。

（Ｃ）ＥＤＩＣＴ等の和英辞典データ。
見出し語が品詞で分類されており、キーワードの品詞（例えば、名詞）が判別される。
第１算出部１３は、例えば、キーワードｉが見出し語に無い場合は「０」、見出し語に有る場合は「１」、特定の品詞（例えば名詞）の場合は「２」のように、スコアｍ_ｉ ^Ｃを算出する。

（Ｄ）ＥＮＡＭＤＩＣＴ等の特定種類の単語リストデータ。
固有名詞の区分によって、キーワードは、人名、地名、製品名、社名、駅名等のカテゴリに分類される。
第１算出部１３は、例えば、キーワードｉが見出し語に無い場合は「０」、見出し語に有る場合は「１」、特定のカテゴリ（例えば人名）の場合は「２」のように、スコアｍ_ｉ ^Ｄを算出する。

第２算出部１４は、第１算出部１３により算出された辞書毎の複数のスコアを統合した係数に基づいて、キーワードの重要度を算出する。算出された重要度は、キーワードに付与されて興味候補キーワードコーパス３０に記憶される。
例えば、キーワードｉの重要度θ_ｉは、正規化されたＴＦ−ＩＤＦの値ＮＴＦＩＤＦ_ｉに対して、辞書毎に重み付けしたスコアの合計を乗じることにより増減して、「θ_ｉ＝ｍａｘ_ｄＮＴＦＩＤＦ_ｉ ^ｄ（ｗ^Ａｍ_ｉ ^Ａ＋ｗ^Ｂｍ_ｉ ^Ｂ＋ｗ^Ｃｍ_ｉ ^Ｃ＋ｗ^Ｄｍ_ｉ ^Ｄ）」と算出される。

ここで、正規化されたＴＦ−ＩＤＦ（ＮＴＦＩＤＦ）は、各番組に関するテキストデータ（ドキュメントｄ）内のキーワード（単語ｉ）について、以下のように定義される。

このように、いずれかの辞書によって特定のカテゴリに分類されるキーワードのスコアが高く算出され、この結果、視聴者の興味を表現するキーワードとしての相応しさを定量的に表す重要度が高く算出される。

学習部１５は、前述の辞書毎のスコアを統合する計算式を、ユーザから受け付けた教師データに基づいて学習する。
例えば、学習部１５は、各スコアｍに対する重みｗを、単語ｊについてユーザから申告された興味度（ｋ_ｊ）を加算した値（ｗ＋ｋ_ｊ）に変更する。具体的には、前述の辞書Ａ〜Ｄにおいて、例えばｍ_ｊ ^Ａ＞０が算出された場合、学習部１５は、対象キーワードｊについてのユーザによる申告興味度ｋ_ｊを受け付け、重みｗ^Ａをｗ^Ａ＋ｋ_ｊに更新する。ｍ_ｊ ^Ｂ、ｍ_ｊ ^Ｃ、ｍ_ｊ ^Ｄについても同様に更新され、学習部１５は、スコアの初期値「ｗ＝０」に対して正解データ（学習データ）によって各辞書に対応した重み付けを調整することによって、重要度の算出方法を学習する。

このように、視聴者の実際の興味内容が学習されることにより、興味内容になり得る興味候補キーワードの重要度が大きくなり、他のキーワードの重要度が相対的に小さくなる。この結果、将来の番組に関する未知の入力に対しても重要度の計算が一般化され、評価精度が向上する。

図２は、本実施形態に係るキーワードに対して重要度が付与される手順を模式的に示す図である。

候補キーワード評価装置１は、番組情報コーパス２１及び字幕コーパス２２から、テキストデータを取得すると、これらのテキストデータからサブストリングを抽出する。
このサブストリングは、複数の辞書（Ａ〜Ｄ）に基づくカテゴリ分類結果に応じてスコア（ｍ_ｉ ^Ａ，ｍ_ｉ ^Ｂ，ｍ_ｉ ^Ｃ，ｍ_ｉ ^Ｄ）が算出される。

候補キーワード評価装置１は、これらのスコアを統合して重要度θ_ｉを算出すると、抽出されたサブストリングにこの重要度θ_ｉを付与して、興味候補キーワードコーパス３０に記憶する。

興味候補キーワードコーパス３０は、番組内における視聴者の興味内容を推定するシステムによって参照される。例えば、視聴者が番組を注視している時間帯に表示された字幕テキストから、キーワードが抽出されると、これらのキーワードの重要度が興味候補キーワードコーパス３０から取得され、この重要度をキーワード毎の重みとして提示優先順位を決定するために用いられる。
なお、興味候補キーワードコーパス３０に予め記憶されていないキーワードの重要度は、所定の初期値に設定されてよい。あるいは、上記システムによってキーワードが抽出された際に、候補キーワード評価装置１によって重要度が算出されてもよい。

本実施形態によれば、候補キーワード評価装置１は、複数の辞書それぞれにより分類されたカテゴリに応じて複数のスコアを算出し、これら複数のスコアを統合することによりキーワードの重要度を算出する。したがって、候補キーワード評価装置１は、複数の辞書の見出し語として登場する特定の種類の単語の重要度をより高く設定することで、番組に関するテキストデータから抽出される視聴者の興味内容を表現するための興味候補キーワードを適切に評価できる。

さらに、候補キーワード評価装置１は、ＴＦ−ＩＤＦ等のキーワードの出現頻度に応じた評価指標を、統合したスコアにより増減して重要度を算出する。したがって、候補キーワード評価装置１は、出現頻度に基づくキーワードの番組内での客観的な重要度に対して、視聴者の興味内容という特定の用途に適したスコアを加味することにより、番組の内容に沿った興味内容を表現し得る興味候補キーワードを適切に抽出できる。

候補キーワード評価装置１は、スコアを算出するための辞書として、コミュニティサイトのＷｅｂページデータを利用できる。これらのＷｅｂページからは、作成者の興味内容を表現する見出し語が取得できるので、候補キーワード評価装置１は、これらの見出し語と照合することにより、番組視聴者の興味候補キーワードとしての重要度を適切に算出できる。

また、候補キーワード評価装置１は、辞書によって特定の品詞（例えば、名詞）又はより詳細な区分（例えば、固有名詞、あるいは更に詳細な地名、人名等の区分）に分類されるキーワードの重要度を高く算出できる。視聴者の興味内容は、名詞、特に人名（例えば、好きなタレント、俳優）及び地名（例えば、旅行したい場所、故郷）等の固有名詞であることが多い。したがって、候補キーワード評価装置１は、これらの品詞に応じてスコアを決定することで、視聴者の興味候補キーワードとしての重要度を適切に算出できる。

候補キーワード評価装置１は、スコアの算出方法又は、スコアに基づく重要度の算出方法を、正解データ（実際の視聴者からのフィードバック等）に基づいて学習できる。したがって、候補キーワード評価装置１は、視聴者毎に又は視聴者の属性（性別、年齢、地域等）毎に候補キーワードを適切に評価した重要度を算出できる。

以上、本発明の実施形態について説明したが、本発明は前述した実施形態に限るものではない。また、本実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本実施形態に記載されたものに限定されるものではない。

候補キーワード評価装置１が備える各機能部は、複数の情報処理装置に分散されてもよい。また、番組情報コーパス２１、字幕コーパス２２、興味候補キーワードコーパス３０及び各種の辞書は、候補キーワード評価装置１が備えていてもよい。

本実施形態では、候補キーワード評価装置の構成と動作について説明したが、本発明はこれに限られず、各構成要素を備え、興味候補キーワードの重要度を評価するための方法、又はプログラムとして構成されてもよい。

さらに、候補キーワード評価装置の機能を実現するためのプログラムをコンピュータで読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。

ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータで読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。

さらに「コンピュータで読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時刻の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時刻プログラムを保持しているものも含んでもよい。また、上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。

１ 候補キーワード評価装置
１１ 取得部
１２ 抽出部
１３ 第１算出部
１４ 第２算出部
１５ 学習部

Claims (6)

1. 番組に関するテキストデータを取得する取得部と、
   前記テキストデータからキーワードを抽出する抽出部と、
   前記キーワードをカテゴリに分類する複数の辞書それぞれと照合し、分類されたカテゴリそれぞれに応じた複数のスコアを算出する第１算出部と、
   前記複数のスコアを統合した係数に基づいて、前記キーワードの重要度を算出する第２算出部と、を備える候補キーワード評価装置。
2. 前記第２算出部は、前記キーワードの出現頻度に応じた評価指標を、前記係数により増減して前記重要度を算出する請求項１に記載の候補キーワード評価装置。
3. 前記辞書は、所定のコミュニティサイトにおける、前記カテゴリが付与された見出し語の解説ページデータを含む請求項１又は請求項２に記載の候補キーワード評価装置。
4. 前記第１算出部は、前記キーワードが名詞に分類された場合に前記スコアを上昇させると共に、固有名詞に分類された場合には前記スコアを一層上昇させる請求項１から請求項３のいずれかに記載の候補キーワード評価装置。
5. 前記スコアを統合する計算式を、ユーザから受け付けた教師データに基づいて学習する学習部を備える請求項１から請求項４のいずれかに記載の候補キーワード評価装置。
6. コンピュータに、
   番組に関するテキストデータを取得する取得ステップ、
   前記テキストデータからキーワードを抽出する抽出ステップ、
   前記キーワードをカテゴリに分類する複数の辞書それぞれと照合し、分類されたカテゴリそれぞれに応じた複数のスコアを算出する第１算出ステップ、
   及び前記複数のスコアを統合した係数に基づいて、前記キーワードの重要度を算出する第２算出ステップを実行させるための候補キーワード評価プログラム。

Images