JP4098539B2 - プロファイル情報の推薦方法、プログラム及び装置 - Google Patents
プロファイル情報の推薦方法、プログラム及び装置 Download PDFInfo
- Publication number
- JP4098539B2 JP4098539B2 JP2002071823A JP2002071823A JP4098539B2 JP 4098539 B2 JP4098539 B2 JP 4098539B2 JP 2002071823 A JP2002071823 A JP 2002071823A JP 2002071823 A JP2002071823 A JP 2002071823A JP 4098539 B2 JP4098539 B2 JP 4098539B2
- Authority
- JP
- Japan
- Prior art keywords
- attribute
- case
- profile data
- recommendation
- profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
【０００１】
【産業上の利用分野】
本発明は、コンテンツやサービス、ユーザなどを属性と属性値のペアとして特徴づけたプロファイルデータを推薦するプロファイル推薦方法、プログラム及び装置に関し、特に、利用者に適したプロファイルデータを利用者が理解しやすい形式で推薦するプロファイル推薦方法、プログラム及び装置に関する。
【０００２】
【従来の技術】
従来、プロファイルデータの推薦方法としては、例えば特開2000-148864号で開示されているように、ユーザや商品の特徴づけを行うことでプロファイルデータを作成し、作成したプロファイルデータに基づいて類似したユーザを予めクラスタ化しておき、利用者が属するクラスタからの情報に基づいて、当該利用者に商品やクラスタ情報などの推薦を行う方法がとられている。
【０００３】
このプロファイル推薦方法によれば、利用者のプロファイルデータに最も近いクラスタを、利用者が属するクラスタとして分類することで、分類されたクラスタからの情報に基づいて、利用者に適した商品を推薦したり、分類されたクラスタの情報を推薦することが可能になる。
【０００４】
【発明が解決しようとする課題】
しかしながら、このような従来のプロファイル推薦方法によると、少なくとも次の４つの問題が生じる。
【０００５】
まず、従来のプロファイル推薦方法によると、利用者が属するクラスタの分類に基づいて推薦を行うため、分類されたクラスタ内に利用者とは類似していないユーザが含まれていたり、分類されたクラスタ以外のクラスタに利用者と類似したユーザが含まれる場合に、利用者に対する推薦の精度が低下するという問題が生じている。特に、利用者のプロファイルデータが、分類されたクラスタの中心から離れている場合に、利用者に対する推薦の精度が低下するという問題が顕著に発生しうる。
【０００６】
また従来のプロファイル推薦方法によると、推薦を行うためには、予めクラスタを作成する必要があるため、プロファイルデータ群の変化に対応させるためには、新たにクラスタを作成し直さなければならない。このためクラスタ生成に関する運用のコストがかかり、プロファイルデータ群の変化が激しい場合は、変化への対応が困難になるという問題を生じる。
【０００７】
更に従来のプロファイル推薦方法によると、利用者が属するクラスタからの情報に含まれていない商品は、どんなに利用者に適した商品でも推薦されないという問題が生じる。特に、新規の商品の推薦に関しては、この問題が顕著に発生しうる。
【０００８】
最後に、従来のプロファイル推薦方法によると、利用者にとってわかりやすい形式で推薦結果を提示する手段が提供されていないため、推薦の結果が利用者にとって有用か否かを、利用者が判断することが難しいという問題が生じる。
【０００９】
本発明は、低い運用コストで、プロファイルデータ群の変化に柔軟に適応し、利用者に適した推薦を行い、推薦された結果が有用であるか否かの判断を利用者が容易に行えるプロファイル情報の推薦方法、プログラム及び装置を提供することを目的とする。
【００１０】
【課題を解決するための部】
図１は、本発明の原理説明図である。本発明は、図１（Ａ）のようにプロファイル情報の推薦方法を提供する。
【００１１】
本発明は、コンテンツ、サービス、ユーザなどを、属性と属性値のペアの集合として特徴づけたプロファイルデータとして格納したプロファイルデータベースと、複数のプロファイルデータの間に発生した関係を、プロファイルデータの組として表現した事例として格納した事例データベースを生成するステップとを使用するプロファイル情報の推薦方法であって、
入力となるプロファイルの情報と出力の対象となるプロファイル属性の情報を少なくとも指定して入力する入力ステップと、
入力として与えられたプロファイルデータに類似した事例を事例データベースから検索する事例検索ステップと、
出力指定された属性の各属性値に対する重要度を、事例検索ステップで検索された事例集合に対し特徴的な属性値に高い重要度を与えるように算出する動的学習ステップと、
動的学習ステップで算出した出力指定された属性の各属性値に対する重要度に基づいて、プロファイルデータベース中の各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定ステップと、
を備えたことを特徴とする。
【００１２】
このため本発明によれば、入力として与えられたプロファイルデータに類似した事例を検索し、検索された事例を用いて、プロファイル属性の重要度の動的な学習することに基づいた推薦を行うため、低い運用コストで、プロファイルデータや事例情報の変化に柔軟に適応し、ユーザに適した推薦を行うことができる。また、プロファイルデータベースに属するプロファイルデータを対象にしたスコア算出を行うため、ユーザにとって有用であれば、新規のプロファイルデータを推薦することも可能になる。
【００１３】
動的学習ステップは、出力指定された属性の各属性値の重要度を、事例検索ステップで検索した類似事例集合における属性値の出現確率として算出する。
【００１４】
また動的学習ステップは、出力指定された属性の各属性値の重要度を、事例データベース中の出力指定された属性の事例集合における属性値の出現確率と、事例検索ステップで検索された類似事例集合における属性値の出現確率との残差として算出しても良い。
【００１５】
更に動的学習ステップは、出力指定された属性の各属性値の重要度を、事例検索ステップで検索された類似事例集合における出力指定された各属性の属性値の分布に関する事例データベース中の事例集合における出力指定された属性の属性値の分布の負のエントロピーにおける各属性値に対応する値として算出しても良い。
【００１６】
本発明のプロファイル情報の推薦方法は、更に、推薦データ決定ステップで推薦する各プロファイルデータに出現する属性値の中から、動的学習ステップで算出した重要度の高い属性値を、プロファイルデータを推薦する理由となる属性値として選択し、選択した属性値の情報をプロファイルデータに付与して推薦する推薦理由付与ステップを設けたことを特徴とする。このように推薦の理由が提示されることで、利用者は、推薦されたプロファイルデータが有用であるか否かの判断を容易に行うことができる。
【００１７】
本発明のプロファイル推薦方法は、更に、出力指定された各属性に対して、事例検索ステップで検索した事例集合における最も自由度が高い属性を選択し、推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した属性の属性値毎に分けて推薦する観点別推薦ステップを設けたことを特徴とする。このように観点毎に推薦結果を分けて提示することで、利用者は推薦されたプロファイルデータが有用であるか否かの判断が容易にできる。
【００１８】
ここで観点別推薦ステップは、出力指定された各属性に対して事例検索ステップで検索した事例集合における属性の属性値の出現確率の分散を算出し、この分散が最小となる属性を、推薦において最も自由度が高い属性として選択し、推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した属性の属性値毎に分けて推薦する。
【００１９】
また観点別推薦ステップは、事例データベース中の事例集合における出力指定された各属性の属性値の出現確率と事例検索ステップで検索した類似事例集合における前記属性の属性値の出現確率との残差の二乗和を算出し、この残差の二乗和が最小となる属性を、推薦において最も自由度が高い属性として選択し、推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した属性の属性値毎に分けて推薦しても良い。
【００２０】
更に観点別推薦ステップは、出力指定された各属性に対して事例検索ステップで検索した類似事例集合における属性の属性値の分布に関する事例データベース中の出力指定された属性の事例集合における属性の属性値の分布のKullback-Leibler情報量を算出し、Kullback-Leibler情報量が最小となる属性を推薦において最も自由度が高い属性として選択し、推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した属性の属性値毎に分けて推薦しても良い。
【００２１】
本発明のプロファイル情報の推薦方法における事例検索ステップは、更に、入力として与えられたプロファイルデータに類似した事例を検索すると共に、類似事例中に出現する基底属性として指定された属性の属性値のリストを作成し、このリストに含まれる基底属性の属性値が出現する類似した事例を再検索する。このため類似したプロファイルデータからの情報では推薦できないようなプロファイルデータも推薦可能となる。
【００２２】
本発明のプロファイル情報の推薦方法は、更に、入力情報の変換を行うルールを格納する入力変換ルールベースの中のルールを適用して入力情報を変換する入力変換ステップを設けたことを特徴とする。
【００２３】
本発明のプロファイル情報の推薦方法は、更に、出力結果の変換を行うルールを格納する出力変換ルールベースの中のルールを適用して出力結果を変換する出力変換ステップを設けたことを特徴とする。
【００２４】
本発明は、プロファイル情報の推薦方法を実行するプログラムを提供する。このプログラムは、コンピュータに、
入力としての属性と属性値のペアの集合として特徴づけられたプロファイルデータと、出力の対象となるプロファイル属性を少なくとも指定して入力する入力ステップと、
入力として与えられたプロファイルデータに類似した事例を、複数のプロファイルデータの間に発生した関係をプロファイルデータの組として表現した事例として格納した事例データベースから検索する事例検索ステップと、
出力の対象として指定された属性の各属性値に対する重要度を、事例検索ステップで検索された事例集合に対し特徴的な属性値に高い重要度を与えるように算出する動的学習ステップと、
動的学習ステップで算出した出力指定された属性の各属性値に対する重要度に基づいて、前記プロファイルデータベース中の属性と属性値のペアの集合として特徴づけた各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定ステップと、
を実行させることを特徴とする。このプログラムの詳細は、プロファイル情報の推薦方法と基本的に同じになる。
【００２５】
本発明は、プロファイル情報の推薦装置を提供する。この推薦装置は、図１（Ｂ）のように、コンテンツ、サービス、ユーザなどを属性と属性値のペアの集合として特徴づけたプロファイルデータとして格納するプロファイルデータベース１８と、複数のプロファイルデータの間に発生した関係を、プロファイルデータの組として表現した事例として格納する事例データベース２０と、入力として与えられたプロファイルデータに類似した事例を事例データベース２０から検索する事例検索部３２と、出力指定された属性の各属性値に対する重要度を、事例検索部３２で検索された事例集合に対し特徴的な属性値に高い重要度を与えるように算出する動的学習部３４と、動的学習部３４で算出した出力指定された属性の各属性値に対する重要度に基づいて、プロファイルデータベース１８中の各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定部３６とを備えたことを特徴とする。この推薦装置の詳細も、プロファイル情報の推薦方法と基本的に同じになる。
【００２６】
【発明の実施の形態】
図２は、本発明によるプロファイル情報の推薦処理が適用される動作環境の説明図である。
【００２７】
図２において、本発明のプロファイル情報の推薦処理はプロファイル情報処理サーバ１０で実行される。プロファイル情報処理サーバ１０に対しては、インターネット１２を介してユーザ装置１４−１，１４−２が接続される。
【００２８】
ユーザ装置１４−１，１４−２はＷＷＷブラウザを備えており、インターネット１２を経由して、プロファイル情報処理サーバ１０に対するアクセスにより、ユーザ、コンテンツ、サービスなどに関するプロファイル情報を利用した推薦処理の要求を行う。
【００２９】
プロファイル情報処理サーバ１０に対しては、入力変換ルールデータベース１６、プロファイルデータベース１８、事例データベース２０が接続されている。なお、これらのデータベースはＸＭＬファイルなどのデータファイルであってもよい。
【００３０】
プロファイル情報処理サーバ１０は、ハードウェア構成としてＣＰＵ２２、メモリ２４及びキャッシュ２６を備えている。メモリ２４には本発明のプロファイル情報の推薦処理を実行するプログラムがロードされ、これをＣＰＵ２２で実行することによりプロファイル情報の推薦を実行する。
【００３１】
図３は、プロファイル情報の推薦を行う本発明の推薦装置の機能構成のブロック図である。
【００３２】
図３において、プロファイル情報処理サーバ１０には、入力変換ルールデータベース１６、プロファイルデータベース１８及び事例データベース２０及び出力変換ルールデータベース２１が接続されている。またプロファイル情報処理サーバ１０には、入力変換部３０、事例検索部３２、動的学習部３４、推薦データ決定部３６、観点別推薦部３８、推薦理由付与部４０及び出力変換部４１が設けられる。
【００３３】
このようなプロファイル情報処理サーバ１０に対し推薦要求入力２８が行われると、この入力に対応した推薦処理により推薦結果出力４２が得られる。
【００３４】
プロファイルデータベース１８には、属性と属性値のペアの集合で表現される任意のデータがプロファイルデータとして格納される。このプロファイルデータとしては、望ましくはユーザやコンテンツ、更にはサービスなどの特徴付けをプロファイルデータとする。
【００３５】
図４は、本発明で使用されるプロファイルデータ４４の具体例である。このプロファイルデータ４４は、あるユーザを特徴付けたプロファイルデータを表わしており、（年齢、３２）や（性別、女性）などの集合の各要素は、属性と属性値のペアを表わしている。また図５は、あるテニスサークルを特徴付けたプロファイルデータ４６を表わしている。
【００３６】
次に本発明の推薦処理で使用する事例データを説明する。図３の事例データベース２０には、プロファイルデータ間に発生した関係をプロファイルデータの組で表現した事例データを格納する。
【００３７】
図６は具体的な事例データの例を示す。図６の事例データ４８は、例えば図４の（ＩＤ、００１０２６）のユーザが、図５のプロファイルデータ４６の（ＩＤ、０１０６２７）のテニスサークルに加入したという関係を表わす事例である。
【００３８】
この事例データ４８は、図７の事例データ５０のように、２つのプロファイルデータのＩＤの組で表わすことで表現データ量を圧縮することができる。この圧縮された事例データ５０について、ＩＤ以外の属性と属性値のペアの内容を知りたい場合は、ＩＤを使用してプロファイルデータベース１８の検索を行えばよい。
【００３９】
更に本発明で使用する事例データには、プロファイルデータ間の関係に関する属性と属性値のペアの情報を付与することができる。例えば図４のプロファイルデータ４４のユーザが、図５のプロファイルデータ４６のテニスサークルに加入した日が「２００２年２月２８日」であった場合、この事例データは図８の事例データ５２のように、プロファイルデータ群の関係に関する（Ｄａｔｅ、２００２０２２８）を付与した形で表わすことができる。
【００４０】
また、このユーザの加入しているテニスサークルに関する満足度が例えば８０点である場合、図９の事例データ５６のように、プロファイル情報データ間の満足度に関する属性と属性値のペア情報として（Ｗｅｉｇｈｔ、０．８）を付与した形で表わすことができる。
【００４１】
次に図３のプロファイル情報処理サーバ１０に設けた各部の機能による推薦処理を、図１０及び図１１のフローチャートを参照して説明する。
【００４２】
図１０において、まずステップＳ１にあってはユーザによる推薦要求入力が行われる。この推薦要求入力は、
（１）入力となるプロファイルデータの情報
（２）出力の対象となるプロファイル属性の情報
（３）属性値に関する条件指定
の３つが与えられる。なお、最後の属性値に関する条件指定が与えられなくとも推薦処理は可能である。
【００４３】
ここで属性値に関する条件指定には「Ａｂｓｏｌｕｔｅ」と「Ｐｒｏｈｉｂｉｔ」の２種類がある。「Ａｂｓｏｌｕｔｅ」は絶対満足すべき属性値を指定する。これに対し「Ｐｒｏｈｉｂｉｔ」は禁止される属性値を指定する。
【００４４】
例えば図１２のような推薦要求入力５８があったとする。この推薦要求入力５８は、年齢が３５歳で性別が女性のユーザに、年会費が１万円以上２万円以下で、年齢分布が中高年中心でないテニスサークルを推薦する推薦要求入力であることを意味している。
【００４５】
ステップＳ１で推薦要求入力を受けると、次のステップＳ２で図３の入力変換ルールデータベース１６の中に推薦要求入力にマッチするルールが存在するか否かを調べ、存在する場合には、ステップＳ３で入力変換ルールを推薦要求入力に適用して入力の変換を行う。
【００４６】
例えば図１３（Ａ）のような入力変換ルール６０が入力変換ルールデータベース１６に存在したとする。この入力変換ルール６０は、性別が女性のユーザには、性別分布が男性のみのテニスサークルを推薦しないという意味である。この入力変換ルール６０の条件部６２は、図１３（Ｂ）のように「ユーザＰ｛（性別、女性）｝」である。
【００４７】
そして、入力変換ルール６０における条件部６２にマッチするプロファイルデータが入力された場合、入力変換ルール６０の図１３（Ｃ）に示す結論部６４を、図１３（Ｄ）のように推薦要求入力６６の条件指定に「Ｐｒｏｈｉｂｉｔ：テニスＰ｛（性別分布、男性のみ）｝」として追加する。
【００４８】
ここで入力変換ルールの条件部にプロファイルデータがマッチした場合に、入力変換ルールの結論部を推薦要求入力に追加する以外に、削除や置き換えといった処理も可能である。
【００４９】
このような入力変換ルールを作成して入力変換ルールデータベース１６に格納することにより、推薦要求入力を行ったユーザにとって相応しくないプロファイルデータを推薦できないように制御したり、推薦要求入力を行ったユーザに適したプロファイルデータを推薦するように制御することが可能となる。
【００５０】
再び図１０を参照するに、ステップＳ４では、推薦要求入力として与えられたプロファイルデータと事例データベース２０の中の事例データとの類似度を算出し、類似事例データの決定を行う。この類似事例データの決定は、類似度の高い事例データから利用者指定の件数分を類似事例データとしてもよいし、利用者が指定した類似度の閾値で区切ってもよい。
【００５１】
入力として与えられたプロファイルデータと事例データとの類似度の算出は、公知の手法を使用することができる。例えば入力されたプロファイルデータｘに対する事例データｙの類似度は、次の関数を用いて算出することができる。
【００５２】
【数１】
【００５３】
ここで、ｍはプロファイルデータｘ中で指定された属性数を示しており、ｘｉはプロファイルデータｘにおける属性ｉの値、ｙｉは事例データｙにおける属性ｉの値を示している。またｗｉは属性ｉの重みであり、利用者が指定したり事例データベース２０の事例情報を用いて装置側で自動的に決定することができる。δは距離測度であり、属性ｉが離散値をとる場合、属性値ｘｉとｙｉのハミング距離などで定義でき、属性ｉが連続値をとる場合は正規化ユークリッド距離などで定義できる。
【００５４】
また図９に示したように、プロファイルデータ間の関係に関する属性と属性値のペア情報（Ｗｅｉｇｈｔ、０．８）が事例データに付与されている場合、この情報を類似度に加味することが可能となる。例えば（１）式の関数を用いて算出した類似度にユーザの満足度を示す属性値に、Ｗｅｉｇｈｔの値（０．８）を乗じたものを、最終的な類似度とすることができる。
【００５５】
このようにステップＳ４では個々の入力プロファイルに類似した事例データを検索することによって入力プロファイルデータに類似した事例データを決定しているため、プロファイルデータや事例データの追加、削除、更新に伴う環境の変化に柔軟に適応し、入力プロファイルデータに類似した事例データだけを求めることができる。
【００５６】
次のステップＳ５にあっては、ステップＳ１の推薦要求入力において基底属性値が指定されているか否かを調べ、指定されている場合にはステップＳ６の処理が実行される。
【００５７】
図１４は、図１０のステップＳ６における基底属性事例検索の詳細を示したフローチャートである。まずステップＳ１で、図１０のステップＳ４で検索した各類似事例データの中に出現する基底属性の属性値リストを作成する。次にステップＳ２で、作成したリスト中の属性値を含む事例を事例データベース２０から再検索する。
【００５８】
ここで基底属性は、入力として与えられるプロファイルデータと出力されるプロファイルデータの基底属性を通した関連性に基づく推薦を行う場合に指定される。例えば、あるテニスサークルに加入しているユーザが、加入している合唱サークルを推薦する場合に用いられる。この場合、基底属性はユーザプロファイルデータのＩＤとなる。
【００５９】
即ち図１５（Ａ）のように入力としてのプロファイルデータ６８が与えられ、更に図１５（Ｂ）のように基底属性と出力指定の属性が与えられたとする。この場合、まず図１０のステップＳ５により、入力として与えられたプロファイルデータ６８におけるＩＤが「０１０６２７」である事例データが検索される。
【００６０】
次に図１３のステップＳ１により、ＩＤ＝０１０６２７の事例データに出現する基底特性で与えられるユーザプロファイルＩＤのリストを作成する。そして次のステップＳ２で、作成したリスト中のユーザプロファイルＩＤを含む事例データを事例データベース２０から再検索する。この再検索された事例データ中に含まれる合唱サークルのプロファイルデータを用い、以後の処理を通じて合唱サークルが推薦される。
【００６１】
次に図１１のステップＳ７にあっては、出力指定された属性に対する各属性値の重要度を算出する。この重要度は、入力として与えられる個々のプロファイルデータに対し適切な推薦を実現するために、ステップＳ４またはステップＳ６で検索された類似事例データの集合に特徴的な属性に、大きな重要度を与えるように算出する。この出力指定された属性に対する各属性値の重要度は、例えば以下のようにして算出される。
【００６２】
まず図１０のステップＳ４またはステップＳ６で検索された類似事例集合における出力指定された属性ｉに対する属性値ｖの出現確率をＰｓ（ｉ，ｖ）と表記し、また事例データベース２０の中の事例集合における属性ｉに対する属性値ｖの出現確率をＰｃ（ｉ，ｖ）と表記する。
【００６３】
図１６は、この出現確率Ｐｓ（ｉ，ｖ）を持つ類似事例集合７６、出現確率Ｐｃ（ｉ，ｖ）を持つ事例集合７４の関係を示している。即ち、属性ｉに対する属性値ｖの事例集合７４の中に、入力としてのプロファイルデータ７２を中心とした類似事例集合７６が存在することになる。
【００６４】
また出現確率Ｐｓ（ｉ，ｖ）及びＰｃ（ｉ，ｖ）は、属性値ｖが連続値の場合、離散化して出現確率を求める。この属性値の離散化による出現確率の求め方には、図１７のような２通りの方法がある。
【００６５】
図１７（Ａ）は、属性値ｖとして例えばテニスサークルの年会費を例に取っており、０〜１０万円の連続値を持っている。このような属性値の連続における離散化に対する第１の方法は、０〜１０万円の連続属性値を例えば２万円間隔で均等に離散化して出現確率を求める。例えば属性値ｖがｖ＝３．９万円であったとすると、この場合の出現確率は２〜４万円の範囲についての出現確率、例えば（３０／１００）を求める。
【００６６】
もう１つの離散化の方法は、図１７（Ｂ）のように属性値ｖ＝３．９万円に対し前後に１万円の幅を設定し、２．９〜４．９万円の範囲について出現確率を例えば（４０／１００）として求める方法である。連続値の離散化については図１７（Ａ）または（Ｂ）のいずれの方法でもよいが、図１７（Ｂ）の離散化の方が離散化誤差が少ないと云える。
【００６７】
本発明の出力指定した属性に対する各属性値の重要度の第１の算出方法は、検索された事例集合の中で出現確率の高い属性値が検索された事例集合に特徴的な属性値であると仮定し、属性ｉに対する属性値ｖの重要度ＩＶ（ｉ，ｖ）を次式で求める。
【００６８】
【数２】
【００６９】
また、本発明による重要度の第２の算出方法は、検索された事例集合における出現確率Ｐｓ（ｉ，ｖ）と、事例データベース２０の中の事例集合における出現確率Ｐｃ（ｉ，ｖ）の残差として、次式で重要度を算出する。
【００７０】
【数３】
【００７１】
更に本発明による重要度の第３の算出方法は、検索された事例集合における属性値ｉの出現分布に関する事例データベース２０の中の事例集合における属性値ｉの出現分布の負のエントロピーの属性値の対応値として、次式で属性値の重要度を算出する。
【００７２】
【数４】
【００７３】
ここで負のエントロピーは、次の多項式で表わされる。
【００７４】
【数５】
【００７５】
この負のエントロピーの右辺の多項式において、出力指定された属性とその属性値に対応する項を抽出したものが、（４）式の負のエントロピーの属性値の対応値を与えている。なお負のエントロピーについては、「情報量統計学、坂元慶行、石黒真木夫、北川源四郎（共立出版）」を参照されたい。
【００７６】
次のステップＳ８にあっては、ステップＳ７において算出された出力指定された属性に対する各属性値の重要度を用いて、プロファイルデータベース１８の中の各プロファイルデータのスコアを算出する。ここでスコアは、各プロファイルデータに出現する属性値に対応する重要度の総和を求めることで算出される。
【００７７】
スコア算出の対象がプロファイルデータベース１８の中のプロファイルデータにあるため、事例データベース２０の事例データには出現しないプロファイルデータも推薦される可能性がある。もちろん処理を効率化するため、ステップＳ４またはＳ６で検索された事例データに出現するプロファイルデータだけを対象にスコアを算出することも可能である。
【００７８】
更にステップＳ８のスコアの算出にあっては、ステップＳ７で算出された重要度が負の値をとる属性値に対してはスコア計算から除外する。また入力として与えられた条件指定を満足しないプロファイルデータの値は０とする。更に、入力として与えられたプロファイルデータのＩＤ値を含む事例データに出現するプロファイルデータのスコアを０とし、入力としてのプロファイルデータが推薦結果として出されてしまうことを回避する。
【００７９】
続いて次のステップＳ９で、出力指定された属性の属性値ごとに、推薦するプロファイルデータを分けて出力する観点別の出力指定が行われているか否かを調べ、観点別の出力指定が行われていない場合にはステップＳ１０に進み、行われている場合にはステップＳ１１に進む。
【００８０】
ステップＳ１０では、ステップＳ８で算出したスコアの高い各プロファイルデータを推薦するプロファイルデータとして決定する。ここで、スコアが高いプロファイルデータから利用者指定の個数分を推薦してもよいし、利用者指定のスコアの閾値で区切ってもよい。
【００８１】
ステップＳ９で観点別の出力指定があった場合のステップＳ１１の処理にあっては、推薦するプロファイルデータを分けて出力するための観点属性を、出力指定された属性の中から選択する。選択する観点属性としては、個々の入力プロファイルデータに対して、その属性の属性値のどれが重要であるか分からないような属性、例えばステップＳ８で算出されたスコアが同程度の属性を観点属性として選択するのが、利用者にとって最も有益であると考えられる。
【００８２】
ここでは属性ｉに対する非自由度ＮＦ（ｉ）が最小となる属性、換言すると自由度が最大となる属性を観点属性として選択する。また観点属性の候補集合が指定されている場合は、その候補集合中で非自由度ＮＦ（ｉ）の値が最小となる属性を観点属性として選択する。
【００８３】
この非自由度ＮＦ（ｉ）を算出するため、ステップＳ４やステップＳ６で検索された事例集合における出力指定された属性ｉに対する属性値ｖの出現確率をＰｓ（ｉ，ｖ）と表記し、事例データベース２０の事例集合における属性ｉに対する属性値ｖの出現確率をＰｃ（ｉ，ｖ）と表記する。また属性値が連続値をとる場合は、離散化して出現確率を算出する。また属性ｉに対する属性値ｖの出現確率の平均をＥ（ｉ）と表記する。
【００８４】
このときの属性ｉに対する非自由度ＮＦ（ｉ）は、次式により属性ｉの属性値の分散として算出される。
【００８５】
【数６】
【００８６】
ここで、ｎは属性ｉに対する属性値の数である。
【００８７】
また属性ｉに対する非自由度ＮＦ（ｉ）は、次式により出現確率Ｐｓ（ｉ，ｖ）とＰｃ（ｉ，ｖ）の残差の二乗和として算出することもできる。
【００８８】
【数７】
【００８９】
更に非自由度ＮＦ（ｉ）は、検索した事例中の属性ｉに対する属性値の分布に関する事例データベース２０の中の事例集合における属性値ｉに対する属性値の分布のＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ情報量として、次式により算出することもできる。
【００９０】
【数８】
【００９１】
次にステップＳ１２では、ステップＳ１１で選択した観点属性に対する属性値ごとに分けて、ステップＳ８で算出した各プロファイルデータのスコアが高いものを、推薦するプロファイルデータとして決定する。ここで、スコアが高いプロファイルデータから利用者指定の個数分を推薦してもよいし、利用者指定のスコアの閾値で区切ってもよい。
【００９２】
続いてステップＳ１３では、推薦理由の出力が指定されているか否かを調べ、指定されていればステップＳ１４に進み、指定されていなければ、ステップＳ１５で推薦するプロファイルデータを出力する。
ステップＳ１５では、図３の出力変換ルールデータベース２５の中に、推薦出力結果にマッチするルールが存在するか否かを調べ、存在する場合には、ステップＳ１６で出力変換ルールを推薦出力結果に適用して、出力の変換を行う。
【００９３】
例えば図１８（Ａ）のような出力変換ルール９８が出力ルールデータベース２５に存在したとする。この出力変換ルール９８は、ＩＤが００１２２５のテニスサークルは、推薦の結果から削除するという意味である。
この出力変換ルール９８の条件部１００は、図１８（Ｂ）のように「テニスP｛（ID，００１２２５）｝」である。そして、図１８（Ｃ）のように、出力変換ルール９８の条件部１００にマッチする推薦結果１０２が与えられた場合、図１８（Ｄ）の推薦結果１０４のように、ＩＤが００１２２５となるテニスサークルを削除して出力する。
【００９４】
ここで、出力変換ルールの結論部には、削除以外に、追加や置き換えといった処理を記述することも可能である。
【００９５】
このような出力変換ルールを作成して、出力変換ルールデータベース２５に格納することにより、すでに存在しない推薦結果を削除したり、新しく発行されたＩＤに置き換えたり、ＵＲＬなどの情報を推薦結果に付与したりするなど、推薦結果の出力を制御することが可能となる。
【００９６】
ステップＳ１７では、ステップＳ７で算出した出力属性の各属性値に対する重要度の高い属性値を推薦の理由となった属性値として選定し、対応する属性とその属性値のペアとして推薦するプロファイルデータに付与する。
【００９７】
図１９は本発明による推薦結果出力画面の具体例である。図１９の推薦結果出力画面７８にあっては、引越し前の情報８０を使用したテニスサークルの推薦結果８２を表示している。また推薦結果８２にあっては、観点別の出力をスコアの高い順に３つ出している。また引越し前の情報８０や推薦結果８２中に表示されている各テニスサークルは、出力変換ルールを用いてハイパーリンクの情報が付与されている。更に、入力変換ルールを用いてキャンペーン情報８４の出力も行われている。
【００９８】
図２０は、本発明による推薦結果出力画面の他の具体例であり、幼稚園の推薦結果が出力された場合である。図２０の推薦結果出力画面８６にあっては、引越し前の情報８８を使用して推薦結果９０を出しており、この推薦結果９０には「ポイント」として推薦理由が付与されている。
【００９９】
更に、この推薦結果出力画面８６に設けている「これも！」と表記されたボタン９２を操作すると、図２１の「ｅｅｅ幼稚園」に基づく関連推薦の推薦結果出力画面９４を表示することができる。この関連推薦により、利用者が出力対象として指定していないような関連する推薦結果９６を得ることができ、利用者に有効な推薦結果を適切に提供することができる。
【０１００】
なお、本発明における推薦データを決定するまでの過程で得られる検索された事例、属性値の重要度、属性の自由度は、利用者の指定により必要に応じて出力することができる。
また本発明は対応する図面に関連して説明されているが、本発明はこれらの実施形態に限定されるものではなく、本発明の範囲または趣旨から逸脱することのない様々な他の変形及び変更が可能である。また本発明は上記の実施形態に示した数値による限定は受けない。
【０１０１】
（付記）
（付記１）
コンテンツ、サービス、ユーザなどを、属性と属性値のペアの集合として特徴づけたプロファイルデータとして格納したプロファイルデータベースと、複数のプロファイルデータの間に発生した関係を、プロファイルデータの組として表現した事例として格納した事例データベースを用いたプロファイル情報の推薦方法に於いて、
入力としてのプロファイルデータと、出力の対象となるプロファイル属性を少なくとも指定して入力する入力ステップと、
入力として与えられたプロファイルデータに類似した事例を、前記事例データベースから検索する事例検索ステップと、
出力の対象として指定された属性の各属性値に対する重要度を、前記事例検索ステップで検索された事例集合に対し特徴的な属性値に高い重要度を与えるように算出する動的学習ステップと、
前記動的学習ステップで算出した出力指定された属性の各属性値に対する重要度に基づいて、前記プロファイルデータベース中の各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定ステップと、
を備えたことを特徴とするプロファイル情報の推薦方法。（１）
【０１０２】
（付記２）
付記１記載のプロファイル情報の推薦方法に於いて、前記動的学習ステップは、出力指定された属性の各属性値の重要度を、前記事例検索ステップで検索した類似事例集合における属性値の出現確率として算出することを特徴とするプロファイル情報の推薦方法。（２）
【０１０３】
（付記３）
付記１記載のプロファイル情報の推薦方法に於いて、前記動的学習ステップは、出力指定された属性の各属性値の重要度を、前記事例データベース中の出力指定された属性の事例集合における属性値の出現確率と、前記事例検索ステップで検索された類似事例集合における属性値の出現確率との残差として算出することを特徴とするプロファイル情報の推薦方法。
【０１０４】
（付記４）
付記１記載のプロファイル情報の推薦方法に於いて、前記動的学習ステップは、出力指定された属性の各属性値の重要度を、前記事例検索ステップで検索された類似事例集合における出力指定された各属性の属性値の分布に関する前記事例データベース中の事例集合における出力指定された属性の属性値の分布の負のエントロピーにおける各属性値に対応する値として算出することを特徴とするプロファイル情報の推薦方法。
【０１０５】
（付記５）
付記１記載のプロファイル情報の推薦方法に於いて、更に、前記推薦データ決定ステップで推薦する各プロファイルデータに出現する属性値の中から、前記動的学習ステップで算出した重要度の高い属性値を、前記プロファイルデータを推薦する理由となる属性値として選択し、選択した前記属性値の情報を前記プロファイルデータに付与して推薦する推薦理由付与ステップを設けたことを特徴とするプロファイル情報の推薦方法。（３）
【０１０６】
（付記６）
付記１記載のプロファイル情報の推薦方法に於いて、更に、出力指定された各属性に対して、前記事例検索ステップで検索した事例集合における最も自由度が高い属性を選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した当該属性の属性値毎に分けて推薦する観点別推薦ステップを設けたことを特徴とするプロファイル情報の推薦方法。（４）
【０１０７】
（付記７）
付記６記載のプロファイル情報の推薦方法に於いて、前記観点別推薦ステップは、出力指定された各属性に対して前記事例検索ステップで検索した事例集合における前記属性の属性値の出現確率の分散を算出し、前記分散が最小となる属性を、推薦において最も自由度が高い属性として選択し、前記推薦データ決定ステップで算出した前記スコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプロファイル情報の推薦方法。（５）
【０１０８】
（付記８）
付記６記載のプロファイル情報の推薦方法に於いて、前記観点別推薦ステップは、前記事例データベース中の事例集合における出力指定された各属性の属性値の出現確率と前記事例検索ステップで検索した類似事例集合における前記属性の属性値の出現確率との残差の二乗和を算出し、前記残差の二乗和が最小となる属性を、推薦において最も自由度が高い属性として選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプロファイル情報の推薦方法。
【０１０９】
（付記９）
付記６記載のプロファイル情報の推薦方法に於いて、前記観点別推薦ステップは、出力指定された各属性に対して前記事例検索ステップで検索した類似事例集合における前記属性の属性値の分布に関する事例データベース中の出力指定された属性の事例集合における前記属性の属性値の分布のKullback-Leibler情報量を算出し、前記Kullback-Leibler情報量が最小となる属性を推薦において最も自由度が高い属性として選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプロファイル情報の推薦方法。
【０１１０】
（付記１０）
付記１記載のプロファイル情報の推薦方法に於いて、前記事例検索ステップは、入力として与えられたプロファイルデータに類似した事例を検索すると共に、前記類似事例中に出現する基底属性として指定された属性の属性値のリストを作成し、前記リストに含まれる基底属性の属性値が出現する類似した事例を前記事例データベースから再検索することを特徴とするプロファイル情報の推薦方法。（６）
【０１１１】
（付記１１）
付記１記載のプロファイル情報の推薦方法に於いて、更に、入力情報の変換を行うルールを格納する入力変換ルールベースの中のルールを適用して入力情報を変換する入力変換ステップを設けたことを特徴とするプロファイル情報の推薦方法。（７）
【０１１２】
（付記１２）
付記１記載のプロファイル情報の推薦方法に於いて、更に、出力結果の変換を行うルールを格納する出力変換ルールベースの中のルールを適用して出力結果を変換する出力変換ステップを設けたことを特徴とするプロファイル情報の推薦方法。（８）
【０１１３】
（付記１３）
コンピュータに、
入力としての属性と属性値のペアの集合として特徴づけられたプロファイルデータと、出力の対象となるプロファイル属性を少なくとも指定して入力する入力ステップと、
入力として与えられたプロファイルデータに類似した事例を、複数のプロファイルデータの間に発生した関係をプロファイルデータの組として表現した事例として格納した事例データベースから検索する事例検索ステップと、
出力の対象として指定された属性の各属性値に対する重要度を、前記事例検索ステップで検索された事例集合に対し特徴的な属性値に高い重要度を与えるように算出する動的学習ステップと、
前記動的学習ステップで算出した出力指定された属性の各属性値に対する重要度に基づいて、前記プロファイルデータベース中の属性と属性値のペアの集合として特徴づけた各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定ステップと、
を実行させることを特徴とするプログラム。（９）
【０１１４】
（付記１４）
付記１３記載のプログラムに於いて、前記動的学習ステップは、出力指定された属性の各属性値の重要度を、前記事例検索ステップで検索した類似事例集合における属性値の出現確率として算出することを特徴とするプログラム。
【０１１５】
（付記１５）
付記１３記載のプログラムに於いて、前記動的学習ステップは、出力指定された属性の各属性値の重要度を、前記事例データベース中の出力指定された属性の事例集合における属性値の出現確率と、前記事例検索ステップで検索された類似事例集合における属性値の出現確率との残差として算出することを特徴とするプログラム。
【０１１６】
（付記１６）
付記１３記載のプログラムに於いて、前記動的学習ステップは、出力指定された属性の各属性値の重要度を、前記事例検索ステップで検索された類似事例集合における出力指定された各属性の属性値の分布に関する前記事例データベース中の事例集合における出力指定された属性の属性値の分布の負のエントロピーにおける各属性値に対応する値として算出することを特徴とするプログラム。
【０１１７】
（付記１７）
付記１３記載のプログラムに於いて、更に、
前記推薦データ決定ステップで推薦する各プロファイルデータに出現する属性値の中から、前記動的学習ステップで算出した重要度の高い属性値を、前記プロファイルデータを推薦する理由となる属性値として選択し、選択した前記属性値の情報を前記プロファイルデータに付与して推薦する推薦理由付与ステップを設けたことを特徴とするプログラム。
【０１１８】
（付記１８）
付記１３記載のプログラムに於いて、更に、
出力指定された各属性に対して、前記事例検索ステップで検索した事例集合における最も自由度が高い属性を選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した当該属性の属性値毎に分けて推薦する観点別推薦ステップを設けたことを特徴とするプログラム。
【０１１９】
（付記１９）
付記１８記載のプログラムに於いて、前記観点別推薦ステップは、出力指定された各属性に対して前記事例検索ステップで検索した事例集合における前記属性の属性値の出現確率の分散を算出し、前記分散が最小となる属性を、推薦において最も自由度が高い属性として選択し、前記推薦データ決定ステップで算出した前記スコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプログラム。
【０１２０】
（付記２０）
付記１８記載のプログラムに於いて、前記観点別推薦ステップは、前記事例データベース中の事例集合における出力指定された各属性の属性値の出現確率と前記事例検索ステップで検索した類似事例集合における前記属性の属性値の出現確率との残差の二乗和を算出し、前記残差の二乗和が最小となる属性を、推薦において最も自由度が高い属性として選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプログラム。
【０１２１】
（付記２１）
付記１８記載のプログラムに於いて、前記観点別推薦ステップは、出力指定された各属性に対して前記事例検索ステップで検索した類似事例集合における前記属性の属性値の分布に関する事例データベース中の出力指定された属性の事例集合における前記属性の属性値の分布のKullback-Leibler情報量を算出し、前記Kullback-Leibler情報量が最小となる属性を推薦において最も自由度が高い属性として選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプログラム。
【０１２２】
（付記２２）
付記１３記載のプログラムに於いて、前記事例検索ステップは、入力として与えられたプロファイルデータに類似した事例を検索すると共に、前記類似事例中に出現する基底属性として指定された属性の属性値のリストを作成し、前記リストに含まれる基底属性の属性値が出現する類似した事例を前記事例データベースから再検索することを特徴とするプログラム。
【０１２３】
（付記２３）
付記１３記載のプログラムに於いて、更に、入力情報の変換を行うルールを格納する入力変換ルールベースの中のルールを適用して入力情報を変換する入力変換ステップを設けたことを特徴とするプログラム。
【０１２４】
（付記２４）
付記１３記載のプログラムに於いて、更に、出力結果の変換を行うルールを格納する出力変換ルールベースの中のルールを適用して出力結果を変換する出力変換ステップを設けたことを特徴とするプログラム。
【０１２５】
（付記２５）
コンテンツ、サービス、ユーザなどを、属性と属性値のペアの集合として特徴づけたプロファイルデータとして格納するプロファイルデータベースと、
複数のプロファイルデータの間に発生した関係を、プロファイルデータの組として表現した事例として格納する事例データベースと、
入力として与えられたプロファイルデータに類似した事例を、前記事例データベースから検索する事例検索部と、
出力の対象として指定された属性の各属性値に対する重要度を、前記事例検索部で検索された事例集合に対し特徴的な属性値に高い重要度を与えるように算出する動的学習部と、
前記動的学習部で算出した出力指定された属性の各属性値に対する重要度に基づいて、前記プロファイルデータベース中の各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定部と、
を備えたことを特徴とするプロファイル情報の推薦装置。（１０）
【０１２６】
（付記２６）
付記２５記載のプロファイル情報の推薦装置に於いて、前記動的学習部は、出力指定された属性の各属性値の重要度を、前記事例検索部で検索した類似事例集合における属性値の出現確率として算出することを特徴とするプロファイル情報の推薦装置。
【０１２７】
（付記２７）
付記２５記載のプロファイル情報の推薦装置に於いて、前記動的学習部は、出力指定された属性の各属性値の重要度を、前記事例データベース中の出力指定された属性の事例集合における属性値の出現確率と、前記事例検索部で検索された類似事例集合における属性値の出現確率との残差として算出することを特徴とするプロファイル情報の推薦装置。
【０１２８】
（付記２８）
付記２５記載のプロファイル情報の推薦装置に於いて、前記動的学習部は、出力指定された属性の各属性値の重要度を、前記事例検索部で検索された類似事例集合における出力指定された各属性の属性値の分布に関する前記事例データベース中の事例集合における出力指定された属性の属性値の分布の負のエントロピーにおける各属性値に対応する値として算出することを特徴とするプロファイル情報の推薦装置。
【０１２９】
（付記２９）
付記２５記載のプロファイル情報の推薦装置に於いて、更に、前記推薦データ決定部で推薦する各プロファイルデータに出現する属性値の中から、前記動的学習部で算出した重要度の高い属性値を、前記プロファイルデータを推薦する理由となる属性値として選択し、選択した前記属性値の情報を前記プロファイルデータに付与して推薦する推薦理由付与部を設けたことを特徴とするプロファイル情報の推薦装置。
【０１３０】
（付記３０）
付記２５記載のプロファイル情報の推薦装置に於いて、更に、出力指定された各属性に対して、前記事例検索部で検索した事例集合における最も自由度が高い属性を選択し、前記推薦データ決定部で算出したスコアが高いプロファイルデータを、選択した当該属性の属性値毎に分けて推薦する観点別推薦部を設けたことを特徴とするプロファイル情報の推薦装置。
【０１３１】
（付記３１）
付記３０記載のプロファイル情報の推薦装置に於いて、前記観点別推薦部は、出力指定された各属性に対して前記事例検索部で検索した事例集合における前記属性の属性値の出現確率の分散を算出し、前記分散が最小となる属性を、推薦において最も自由度が高い属性として選択し、前記推薦データ決定部で算出した前記スコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプロファイル情報の推薦装置。
【０１３２】
（付記３２）
付記３０記載のプロファイル情報の推薦装置に於いて、前記観点別推薦部は、前記事例データベース中の事例集合における出力指定された各属性の属性値の出現確率と前記事例検索部で検索した類似事例集合における前記属性の属性値の出現確率との残差の二乗和を算出し、前記残差の二乗和が最小となる属性を、推薦において最も自由度が高い属性として選択し、前記推薦データ決定部で算出したスコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプロファイル情報の推薦装置。
【０１３３】
（付記３３）
付記３０記載のプロファイル情報の推薦装置に於いて、前記観点別推薦部は、出力指定された各属性に対して前記事例検索部で検索した類似事例集合における前記属性の属性値の分布に関する事例データベース中の出力指定された属性の事例集合における前記属性の属性値の分布のKullback-Leibler情報量を算出し、前記Kullback-Leibler情報量が最小となる属性を推薦において最も自由度が高い属性として選択し、前記推薦データ決定部で算出したスコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプロファイル情報の推薦装置。
【０１３４】
（付記３４）
付記２５記載のプロファイル情報の推薦装置に於いて、前記事例検索部は、入力として与えられたプロファイルデータに類似した事例を検索すると共に、前記類似事例中に出現する基底属性として指定された属性の属性値のリストを作成し、前記リストに含まれる基底属性の属性値が出現する類似した事例を前記事例データベースから再検索することを特徴とするプロファイル情報の推薦装置。
【０１３５】
（付記３５）
付記２５記載のプロファイル情報の推薦装置に於いて、更に、
入力情報の変換を行うルールを格納する入力変換ルールベースと、
前記入力変換ルールベース中のルールを適用して入力情報を変換する入力変換部と、
を設けたことを特徴とするプロファイル情報の推薦装置。
【０１３６】
（付記３６）
付記２５記載のプロファイル情報の推薦装置に於いて、更に、出力結果の変換を行うルールを格納する出力変換ルールベースの中のルールを適用して出力結果を変換する出力変換ステップを設けたことを特徴とするプロファイル情報の推薦装置。
【０１３７】
【発明の効果】
以上説明してきたように本発明によれば、入力プロファイルデータに類似した事例を検索し、検索された事例を用いてプロファイル属性の重要度の動的な学習に基づいた推薦を行うため、低い運用コストでプロファイルデータや事例データの変化に適応してユーザに最適な推薦を行うことができる。
【０１３８】
また、プロファイルデータベースに属するプロファイルデータを対象に重要度を用いてスコアを算出しているため、ユーザにとって有用であれば、新規のプロファイルデータであってもこれを推薦することが可能となる。
【０１３９】
更に、推薦理由を提示したり、観点ごとに推薦結果を分けて提示することで、推薦されたプロファイルデータが有用であるか否かの判断を利用者が容易に行うことができる。
【図面の簡単な説明】
【図１】本発明の原理構成の説明図
【図２】本発明が適用される動作環境の説明図
【図３】本発明によるプロファイル推薦装置の機能構成のブロック図
【図４】プロファイルデータベースに格納されるユーザを特徴づけたプロファイルデータの説明図
【図５】プロファイルデータベースに格納されるテニスサークルを特徴づけたプロファイルデータの説明図
【図６】事例データベースに格納される事例データの説明図
【図７】事例データベースに格納される圧縮された事例データの説明図
【図８】プロファイルデータ間の関係を示す属性と属性値を付与した事例データの説明図
【図９】ユーザの満足度を付与した事例データの説明図
【図１０】図３の機能構成による本発明の推薦処理のフローチャート
【図１１】図１０に続く本発明の推薦処理のフローチャート
【図１２】本発明の推薦処理を開始するための入力指定の説明図
【図１３】図１０における入力変換ルールによる入力変換の説明図
【図１４】図１０のステップＳ６における指定された基底属性に基づく事例検索の詳細のフローチャート
【図１５】図１０の重要度算出に用いる出力指定された事例集合と検索された類似事例集合の説明図
【図１６】図１５で使用する入力プロファイルデータと指定された基底属性及び出力指定属性の説明図
【図１７】出現確率を算出する際の連続する属性値の離散化方法の説明図
【図１８】図１１における出力変換ルールによる出力変換の説明図
【図１９】本発明によるテニスサークルの推薦結果が出力された出力画面の説明図
【図２０】本発明による幼稚園の推薦結果が出力された出力画面の説明図
【図２１】図２０の出力画面の釦操作で表示された関連推薦結果の出力画面の説明図
【符号の説明】
１０：プロファイル情報処理サーバ
１２：インターネット
１４−１，１４−２：ユーザ装置
１６：入力変換ルールデータベース
１８：プロファイルデータベース
２０：事例データベース
２２：ＣＰＵ
２４：メモリ
２６：キャッシュ
２８：入力部
３０：入力変換部
３２：事例検索部
３４：動的学習部
３６：推薦データ決定部
３８：観点別推薦部
４０：推薦理由付与部
４２：出力部
４４，４６，６８：プロファイルデータ
４８，５０，５２，５６：事例データ
７２：入力プロファイルデータ
７４：事例集合
７６：類似事例集合
７８，８６，９４：推薦結果出力画面
【産業上の利用分野】
本発明は、コンテンツやサービス、ユーザなどを属性と属性値のペアとして特徴づけたプロファイルデータを推薦するプロファイル推薦方法、プログラム及び装置に関し、特に、利用者に適したプロファイルデータを利用者が理解しやすい形式で推薦するプロファイル推薦方法、プログラム及び装置に関する。
【０００２】
【従来の技術】
従来、プロファイルデータの推薦方法としては、例えば特開2000-148864号で開示されているように、ユーザや商品の特徴づけを行うことでプロファイルデータを作成し、作成したプロファイルデータに基づいて類似したユーザを予めクラスタ化しておき、利用者が属するクラスタからの情報に基づいて、当該利用者に商品やクラスタ情報などの推薦を行う方法がとられている。
【０００３】
このプロファイル推薦方法によれば、利用者のプロファイルデータに最も近いクラスタを、利用者が属するクラスタとして分類することで、分類されたクラスタからの情報に基づいて、利用者に適した商品を推薦したり、分類されたクラスタの情報を推薦することが可能になる。
【０００４】
【発明が解決しようとする課題】
しかしながら、このような従来のプロファイル推薦方法によると、少なくとも次の４つの問題が生じる。
【０００５】
まず、従来のプロファイル推薦方法によると、利用者が属するクラスタの分類に基づいて推薦を行うため、分類されたクラスタ内に利用者とは類似していないユーザが含まれていたり、分類されたクラスタ以外のクラスタに利用者と類似したユーザが含まれる場合に、利用者に対する推薦の精度が低下するという問題が生じている。特に、利用者のプロファイルデータが、分類されたクラスタの中心から離れている場合に、利用者に対する推薦の精度が低下するという問題が顕著に発生しうる。
【０００６】
また従来のプロファイル推薦方法によると、推薦を行うためには、予めクラスタを作成する必要があるため、プロファイルデータ群の変化に対応させるためには、新たにクラスタを作成し直さなければならない。このためクラスタ生成に関する運用のコストがかかり、プロファイルデータ群の変化が激しい場合は、変化への対応が困難になるという問題を生じる。
【０００７】
更に従来のプロファイル推薦方法によると、利用者が属するクラスタからの情報に含まれていない商品は、どんなに利用者に適した商品でも推薦されないという問題が生じる。特に、新規の商品の推薦に関しては、この問題が顕著に発生しうる。
【０００８】
最後に、従来のプロファイル推薦方法によると、利用者にとってわかりやすい形式で推薦結果を提示する手段が提供されていないため、推薦の結果が利用者にとって有用か否かを、利用者が判断することが難しいという問題が生じる。
【０００９】
本発明は、低い運用コストで、プロファイルデータ群の変化に柔軟に適応し、利用者に適した推薦を行い、推薦された結果が有用であるか否かの判断を利用者が容易に行えるプロファイル情報の推薦方法、プログラム及び装置を提供することを目的とする。
【００１０】
【課題を解決するための部】
図１は、本発明の原理説明図である。本発明は、図１（Ａ）のようにプロファイル情報の推薦方法を提供する。
【００１１】
本発明は、コンテンツ、サービス、ユーザなどを、属性と属性値のペアの集合として特徴づけたプロファイルデータとして格納したプロファイルデータベースと、複数のプロファイルデータの間に発生した関係を、プロファイルデータの組として表現した事例として格納した事例データベースを生成するステップとを使用するプロファイル情報の推薦方法であって、
入力となるプロファイルの情報と出力の対象となるプロファイル属性の情報を少なくとも指定して入力する入力ステップと、
入力として与えられたプロファイルデータに類似した事例を事例データベースから検索する事例検索ステップと、
出力指定された属性の各属性値に対する重要度を、事例検索ステップで検索された事例集合に対し特徴的な属性値に高い重要度を与えるように算出する動的学習ステップと、
動的学習ステップで算出した出力指定された属性の各属性値に対する重要度に基づいて、プロファイルデータベース中の各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定ステップと、
を備えたことを特徴とする。
【００１２】
このため本発明によれば、入力として与えられたプロファイルデータに類似した事例を検索し、検索された事例を用いて、プロファイル属性の重要度の動的な学習することに基づいた推薦を行うため、低い運用コストで、プロファイルデータや事例情報の変化に柔軟に適応し、ユーザに適した推薦を行うことができる。また、プロファイルデータベースに属するプロファイルデータを対象にしたスコア算出を行うため、ユーザにとって有用であれば、新規のプロファイルデータを推薦することも可能になる。
【００１３】
動的学習ステップは、出力指定された属性の各属性値の重要度を、事例検索ステップで検索した類似事例集合における属性値の出現確率として算出する。
【００１４】
また動的学習ステップは、出力指定された属性の各属性値の重要度を、事例データベース中の出力指定された属性の事例集合における属性値の出現確率と、事例検索ステップで検索された類似事例集合における属性値の出現確率との残差として算出しても良い。
【００１５】
更に動的学習ステップは、出力指定された属性の各属性値の重要度を、事例検索ステップで検索された類似事例集合における出力指定された各属性の属性値の分布に関する事例データベース中の事例集合における出力指定された属性の属性値の分布の負のエントロピーにおける各属性値に対応する値として算出しても良い。
【００１６】
本発明のプロファイル情報の推薦方法は、更に、推薦データ決定ステップで推薦する各プロファイルデータに出現する属性値の中から、動的学習ステップで算出した重要度の高い属性値を、プロファイルデータを推薦する理由となる属性値として選択し、選択した属性値の情報をプロファイルデータに付与して推薦する推薦理由付与ステップを設けたことを特徴とする。このように推薦の理由が提示されることで、利用者は、推薦されたプロファイルデータが有用であるか否かの判断を容易に行うことができる。
【００１７】
本発明のプロファイル推薦方法は、更に、出力指定された各属性に対して、事例検索ステップで検索した事例集合における最も自由度が高い属性を選択し、推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した属性の属性値毎に分けて推薦する観点別推薦ステップを設けたことを特徴とする。このように観点毎に推薦結果を分けて提示することで、利用者は推薦されたプロファイルデータが有用であるか否かの判断が容易にできる。
【００１８】
ここで観点別推薦ステップは、出力指定された各属性に対して事例検索ステップで検索した事例集合における属性の属性値の出現確率の分散を算出し、この分散が最小となる属性を、推薦において最も自由度が高い属性として選択し、推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した属性の属性値毎に分けて推薦する。
【００１９】
また観点別推薦ステップは、事例データベース中の事例集合における出力指定された各属性の属性値の出現確率と事例検索ステップで検索した類似事例集合における前記属性の属性値の出現確率との残差の二乗和を算出し、この残差の二乗和が最小となる属性を、推薦において最も自由度が高い属性として選択し、推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した属性の属性値毎に分けて推薦しても良い。
【００２０】
更に観点別推薦ステップは、出力指定された各属性に対して事例検索ステップで検索した類似事例集合における属性の属性値の分布に関する事例データベース中の出力指定された属性の事例集合における属性の属性値の分布のKullback-Leibler情報量を算出し、Kullback-Leibler情報量が最小となる属性を推薦において最も自由度が高い属性として選択し、推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した属性の属性値毎に分けて推薦しても良い。
【００２１】
本発明のプロファイル情報の推薦方法における事例検索ステップは、更に、入力として与えられたプロファイルデータに類似した事例を検索すると共に、類似事例中に出現する基底属性として指定された属性の属性値のリストを作成し、このリストに含まれる基底属性の属性値が出現する類似した事例を再検索する。このため類似したプロファイルデータからの情報では推薦できないようなプロファイルデータも推薦可能となる。
【００２２】
本発明のプロファイル情報の推薦方法は、更に、入力情報の変換を行うルールを格納する入力変換ルールベースの中のルールを適用して入力情報を変換する入力変換ステップを設けたことを特徴とする。
【００２３】
本発明のプロファイル情報の推薦方法は、更に、出力結果の変換を行うルールを格納する出力変換ルールベースの中のルールを適用して出力結果を変換する出力変換ステップを設けたことを特徴とする。
【００２４】
本発明は、プロファイル情報の推薦方法を実行するプログラムを提供する。このプログラムは、コンピュータに、
入力としての属性と属性値のペアの集合として特徴づけられたプロファイルデータと、出力の対象となるプロファイル属性を少なくとも指定して入力する入力ステップと、
入力として与えられたプロファイルデータに類似した事例を、複数のプロファイルデータの間に発生した関係をプロファイルデータの組として表現した事例として格納した事例データベースから検索する事例検索ステップと、
出力の対象として指定された属性の各属性値に対する重要度を、事例検索ステップで検索された事例集合に対し特徴的な属性値に高い重要度を与えるように算出する動的学習ステップと、
動的学習ステップで算出した出力指定された属性の各属性値に対する重要度に基づいて、前記プロファイルデータベース中の属性と属性値のペアの集合として特徴づけた各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定ステップと、
を実行させることを特徴とする。このプログラムの詳細は、プロファイル情報の推薦方法と基本的に同じになる。
【００２５】
本発明は、プロファイル情報の推薦装置を提供する。この推薦装置は、図１（Ｂ）のように、コンテンツ、サービス、ユーザなどを属性と属性値のペアの集合として特徴づけたプロファイルデータとして格納するプロファイルデータベース１８と、複数のプロファイルデータの間に発生した関係を、プロファイルデータの組として表現した事例として格納する事例データベース２０と、入力として与えられたプロファイルデータに類似した事例を事例データベース２０から検索する事例検索部３２と、出力指定された属性の各属性値に対する重要度を、事例検索部３２で検索された事例集合に対し特徴的な属性値に高い重要度を与えるように算出する動的学習部３４と、動的学習部３４で算出した出力指定された属性の各属性値に対する重要度に基づいて、プロファイルデータベース１８中の各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定部３６とを備えたことを特徴とする。この推薦装置の詳細も、プロファイル情報の推薦方法と基本的に同じになる。
【００２６】
【発明の実施の形態】
図２は、本発明によるプロファイル情報の推薦処理が適用される動作環境の説明図である。
【００２７】
図２において、本発明のプロファイル情報の推薦処理はプロファイル情報処理サーバ１０で実行される。プロファイル情報処理サーバ１０に対しては、インターネット１２を介してユーザ装置１４−１，１４−２が接続される。
【００２８】
ユーザ装置１４−１，１４−２はＷＷＷブラウザを備えており、インターネット１２を経由して、プロファイル情報処理サーバ１０に対するアクセスにより、ユーザ、コンテンツ、サービスなどに関するプロファイル情報を利用した推薦処理の要求を行う。
【００２９】
プロファイル情報処理サーバ１０に対しては、入力変換ルールデータベース１６、プロファイルデータベース１８、事例データベース２０が接続されている。なお、これらのデータベースはＸＭＬファイルなどのデータファイルであってもよい。
【００３０】
プロファイル情報処理サーバ１０は、ハードウェア構成としてＣＰＵ２２、メモリ２４及びキャッシュ２６を備えている。メモリ２４には本発明のプロファイル情報の推薦処理を実行するプログラムがロードされ、これをＣＰＵ２２で実行することによりプロファイル情報の推薦を実行する。
【００３１】
図３は、プロファイル情報の推薦を行う本発明の推薦装置の機能構成のブロック図である。
【００３２】
図３において、プロファイル情報処理サーバ１０には、入力変換ルールデータベース１６、プロファイルデータベース１８及び事例データベース２０及び出力変換ルールデータベース２１が接続されている。またプロファイル情報処理サーバ１０には、入力変換部３０、事例検索部３２、動的学習部３４、推薦データ決定部３６、観点別推薦部３８、推薦理由付与部４０及び出力変換部４１が設けられる。
【００３３】
このようなプロファイル情報処理サーバ１０に対し推薦要求入力２８が行われると、この入力に対応した推薦処理により推薦結果出力４２が得られる。
【００３４】
プロファイルデータベース１８には、属性と属性値のペアの集合で表現される任意のデータがプロファイルデータとして格納される。このプロファイルデータとしては、望ましくはユーザやコンテンツ、更にはサービスなどの特徴付けをプロファイルデータとする。
【００３５】
図４は、本発明で使用されるプロファイルデータ４４の具体例である。このプロファイルデータ４４は、あるユーザを特徴付けたプロファイルデータを表わしており、（年齢、３２）や（性別、女性）などの集合の各要素は、属性と属性値のペアを表わしている。また図５は、あるテニスサークルを特徴付けたプロファイルデータ４６を表わしている。
【００３６】
次に本発明の推薦処理で使用する事例データを説明する。図３の事例データベース２０には、プロファイルデータ間に発生した関係をプロファイルデータの組で表現した事例データを格納する。
【００３７】
図６は具体的な事例データの例を示す。図６の事例データ４８は、例えば図４の（ＩＤ、００１０２６）のユーザが、図５のプロファイルデータ４６の（ＩＤ、０１０６２７）のテニスサークルに加入したという関係を表わす事例である。
【００３８】
この事例データ４８は、図７の事例データ５０のように、２つのプロファイルデータのＩＤの組で表わすことで表現データ量を圧縮することができる。この圧縮された事例データ５０について、ＩＤ以外の属性と属性値のペアの内容を知りたい場合は、ＩＤを使用してプロファイルデータベース１８の検索を行えばよい。
【００３９】
更に本発明で使用する事例データには、プロファイルデータ間の関係に関する属性と属性値のペアの情報を付与することができる。例えば図４のプロファイルデータ４４のユーザが、図５のプロファイルデータ４６のテニスサークルに加入した日が「２００２年２月２８日」であった場合、この事例データは図８の事例データ５２のように、プロファイルデータ群の関係に関する（Ｄａｔｅ、２００２０２２８）を付与した形で表わすことができる。
【００４０】
また、このユーザの加入しているテニスサークルに関する満足度が例えば８０点である場合、図９の事例データ５６のように、プロファイル情報データ間の満足度に関する属性と属性値のペア情報として（Ｗｅｉｇｈｔ、０．８）を付与した形で表わすことができる。
【００４１】
次に図３のプロファイル情報処理サーバ１０に設けた各部の機能による推薦処理を、図１０及び図１１のフローチャートを参照して説明する。
【００４２】
図１０において、まずステップＳ１にあってはユーザによる推薦要求入力が行われる。この推薦要求入力は、
（１）入力となるプロファイルデータの情報
（２）出力の対象となるプロファイル属性の情報
（３）属性値に関する条件指定
の３つが与えられる。なお、最後の属性値に関する条件指定が与えられなくとも推薦処理は可能である。
【００４３】
ここで属性値に関する条件指定には「Ａｂｓｏｌｕｔｅ」と「Ｐｒｏｈｉｂｉｔ」の２種類がある。「Ａｂｓｏｌｕｔｅ」は絶対満足すべき属性値を指定する。これに対し「Ｐｒｏｈｉｂｉｔ」は禁止される属性値を指定する。
【００４４】
例えば図１２のような推薦要求入力５８があったとする。この推薦要求入力５８は、年齢が３５歳で性別が女性のユーザに、年会費が１万円以上２万円以下で、年齢分布が中高年中心でないテニスサークルを推薦する推薦要求入力であることを意味している。
【００４５】
ステップＳ１で推薦要求入力を受けると、次のステップＳ２で図３の入力変換ルールデータベース１６の中に推薦要求入力にマッチするルールが存在するか否かを調べ、存在する場合には、ステップＳ３で入力変換ルールを推薦要求入力に適用して入力の変換を行う。
【００４６】
例えば図１３（Ａ）のような入力変換ルール６０が入力変換ルールデータベース１６に存在したとする。この入力変換ルール６０は、性別が女性のユーザには、性別分布が男性のみのテニスサークルを推薦しないという意味である。この入力変換ルール６０の条件部６２は、図１３（Ｂ）のように「ユーザＰ｛（性別、女性）｝」である。
【００４７】
そして、入力変換ルール６０における条件部６２にマッチするプロファイルデータが入力された場合、入力変換ルール６０の図１３（Ｃ）に示す結論部６４を、図１３（Ｄ）のように推薦要求入力６６の条件指定に「Ｐｒｏｈｉｂｉｔ：テニスＰ｛（性別分布、男性のみ）｝」として追加する。
【００４８】
ここで入力変換ルールの条件部にプロファイルデータがマッチした場合に、入力変換ルールの結論部を推薦要求入力に追加する以外に、削除や置き換えといった処理も可能である。
【００４９】
このような入力変換ルールを作成して入力変換ルールデータベース１６に格納することにより、推薦要求入力を行ったユーザにとって相応しくないプロファイルデータを推薦できないように制御したり、推薦要求入力を行ったユーザに適したプロファイルデータを推薦するように制御することが可能となる。
【００５０】
再び図１０を参照するに、ステップＳ４では、推薦要求入力として与えられたプロファイルデータと事例データベース２０の中の事例データとの類似度を算出し、類似事例データの決定を行う。この類似事例データの決定は、類似度の高い事例データから利用者指定の件数分を類似事例データとしてもよいし、利用者が指定した類似度の閾値で区切ってもよい。
【００５１】
入力として与えられたプロファイルデータと事例データとの類似度の算出は、公知の手法を使用することができる。例えば入力されたプロファイルデータｘに対する事例データｙの類似度は、次の関数を用いて算出することができる。
【００５２】
【数１】
ここで、ｍはプロファイルデータｘ中で指定された属性数を示しており、ｘｉはプロファイルデータｘにおける属性ｉの値、ｙｉは事例データｙにおける属性ｉの値を示している。またｗｉは属性ｉの重みであり、利用者が指定したり事例データベース２０の事例情報を用いて装置側で自動的に決定することができる。δは距離測度であり、属性ｉが離散値をとる場合、属性値ｘｉとｙｉのハミング距離などで定義でき、属性ｉが連続値をとる場合は正規化ユークリッド距離などで定義できる。
【００５４】
また図９に示したように、プロファイルデータ間の関係に関する属性と属性値のペア情報（Ｗｅｉｇｈｔ、０．８）が事例データに付与されている場合、この情報を類似度に加味することが可能となる。例えば（１）式の関数を用いて算出した類似度にユーザの満足度を示す属性値に、Ｗｅｉｇｈｔの値（０．８）を乗じたものを、最終的な類似度とすることができる。
【００５５】
このようにステップＳ４では個々の入力プロファイルに類似した事例データを検索することによって入力プロファイルデータに類似した事例データを決定しているため、プロファイルデータや事例データの追加、削除、更新に伴う環境の変化に柔軟に適応し、入力プロファイルデータに類似した事例データだけを求めることができる。
【００５６】
次のステップＳ５にあっては、ステップＳ１の推薦要求入力において基底属性値が指定されているか否かを調べ、指定されている場合にはステップＳ６の処理が実行される。
【００５７】
図１４は、図１０のステップＳ６における基底属性事例検索の詳細を示したフローチャートである。まずステップＳ１で、図１０のステップＳ４で検索した各類似事例データの中に出現する基底属性の属性値リストを作成する。次にステップＳ２で、作成したリスト中の属性値を含む事例を事例データベース２０から再検索する。
【００５８】
ここで基底属性は、入力として与えられるプロファイルデータと出力されるプロファイルデータの基底属性を通した関連性に基づく推薦を行う場合に指定される。例えば、あるテニスサークルに加入しているユーザが、加入している合唱サークルを推薦する場合に用いられる。この場合、基底属性はユーザプロファイルデータのＩＤとなる。
【００５９】
即ち図１５（Ａ）のように入力としてのプロファイルデータ６８が与えられ、更に図１５（Ｂ）のように基底属性と出力指定の属性が与えられたとする。この場合、まず図１０のステップＳ５により、入力として与えられたプロファイルデータ６８におけるＩＤが「０１０６２７」である事例データが検索される。
【００６０】
次に図１３のステップＳ１により、ＩＤ＝０１０６２７の事例データに出現する基底特性で与えられるユーザプロファイルＩＤのリストを作成する。そして次のステップＳ２で、作成したリスト中のユーザプロファイルＩＤを含む事例データを事例データベース２０から再検索する。この再検索された事例データ中に含まれる合唱サークルのプロファイルデータを用い、以後の処理を通じて合唱サークルが推薦される。
【００６１】
次に図１１のステップＳ７にあっては、出力指定された属性に対する各属性値の重要度を算出する。この重要度は、入力として与えられる個々のプロファイルデータに対し適切な推薦を実現するために、ステップＳ４またはステップＳ６で検索された類似事例データの集合に特徴的な属性に、大きな重要度を与えるように算出する。この出力指定された属性に対する各属性値の重要度は、例えば以下のようにして算出される。
【００６２】
まず図１０のステップＳ４またはステップＳ６で検索された類似事例集合における出力指定された属性ｉに対する属性値ｖの出現確率をＰｓ（ｉ，ｖ）と表記し、また事例データベース２０の中の事例集合における属性ｉに対する属性値ｖの出現確率をＰｃ（ｉ，ｖ）と表記する。
【００６３】
図１６は、この出現確率Ｐｓ（ｉ，ｖ）を持つ類似事例集合７６、出現確率Ｐｃ（ｉ，ｖ）を持つ事例集合７４の関係を示している。即ち、属性ｉに対する属性値ｖの事例集合７４の中に、入力としてのプロファイルデータ７２を中心とした類似事例集合７６が存在することになる。
【００６４】
また出現確率Ｐｓ（ｉ，ｖ）及びＰｃ（ｉ，ｖ）は、属性値ｖが連続値の場合、離散化して出現確率を求める。この属性値の離散化による出現確率の求め方には、図１７のような２通りの方法がある。
【００６５】
図１７（Ａ）は、属性値ｖとして例えばテニスサークルの年会費を例に取っており、０〜１０万円の連続値を持っている。このような属性値の連続における離散化に対する第１の方法は、０〜１０万円の連続属性値を例えば２万円間隔で均等に離散化して出現確率を求める。例えば属性値ｖがｖ＝３．９万円であったとすると、この場合の出現確率は２〜４万円の範囲についての出現確率、例えば（３０／１００）を求める。
【００６６】
もう１つの離散化の方法は、図１７（Ｂ）のように属性値ｖ＝３．９万円に対し前後に１万円の幅を設定し、２．９〜４．９万円の範囲について出現確率を例えば（４０／１００）として求める方法である。連続値の離散化については図１７（Ａ）または（Ｂ）のいずれの方法でもよいが、図１７（Ｂ）の離散化の方が離散化誤差が少ないと云える。
【００６７】
本発明の出力指定した属性に対する各属性値の重要度の第１の算出方法は、検索された事例集合の中で出現確率の高い属性値が検索された事例集合に特徴的な属性値であると仮定し、属性ｉに対する属性値ｖの重要度ＩＶ（ｉ，ｖ）を次式で求める。
【００６８】
【数２】
また、本発明による重要度の第２の算出方法は、検索された事例集合における出現確率Ｐｓ（ｉ，ｖ）と、事例データベース２０の中の事例集合における出現確率Ｐｃ（ｉ，ｖ）の残差として、次式で重要度を算出する。
【００７０】
【数３】
更に本発明による重要度の第３の算出方法は、検索された事例集合における属性値ｉの出現分布に関する事例データベース２０の中の事例集合における属性値ｉの出現分布の負のエントロピーの属性値の対応値として、次式で属性値の重要度を算出する。
【００７２】
【数４】
ここで負のエントロピーは、次の多項式で表わされる。
【００７４】
【数５】
この負のエントロピーの右辺の多項式において、出力指定された属性とその属性値に対応する項を抽出したものが、（４）式の負のエントロピーの属性値の対応値を与えている。なお負のエントロピーについては、「情報量統計学、坂元慶行、石黒真木夫、北川源四郎（共立出版）」を参照されたい。
【００７６】
次のステップＳ８にあっては、ステップＳ７において算出された出力指定された属性に対する各属性値の重要度を用いて、プロファイルデータベース１８の中の各プロファイルデータのスコアを算出する。ここでスコアは、各プロファイルデータに出現する属性値に対応する重要度の総和を求めることで算出される。
【００７７】
スコア算出の対象がプロファイルデータベース１８の中のプロファイルデータにあるため、事例データベース２０の事例データには出現しないプロファイルデータも推薦される可能性がある。もちろん処理を効率化するため、ステップＳ４またはＳ６で検索された事例データに出現するプロファイルデータだけを対象にスコアを算出することも可能である。
【００７８】
更にステップＳ８のスコアの算出にあっては、ステップＳ７で算出された重要度が負の値をとる属性値に対してはスコア計算から除外する。また入力として与えられた条件指定を満足しないプロファイルデータの値は０とする。更に、入力として与えられたプロファイルデータのＩＤ値を含む事例データに出現するプロファイルデータのスコアを０とし、入力としてのプロファイルデータが推薦結果として出されてしまうことを回避する。
【００７９】
続いて次のステップＳ９で、出力指定された属性の属性値ごとに、推薦するプロファイルデータを分けて出力する観点別の出力指定が行われているか否かを調べ、観点別の出力指定が行われていない場合にはステップＳ１０に進み、行われている場合にはステップＳ１１に進む。
【００８０】
ステップＳ１０では、ステップＳ８で算出したスコアの高い各プロファイルデータを推薦するプロファイルデータとして決定する。ここで、スコアが高いプロファイルデータから利用者指定の個数分を推薦してもよいし、利用者指定のスコアの閾値で区切ってもよい。
【００８１】
ステップＳ９で観点別の出力指定があった場合のステップＳ１１の処理にあっては、推薦するプロファイルデータを分けて出力するための観点属性を、出力指定された属性の中から選択する。選択する観点属性としては、個々の入力プロファイルデータに対して、その属性の属性値のどれが重要であるか分からないような属性、例えばステップＳ８で算出されたスコアが同程度の属性を観点属性として選択するのが、利用者にとって最も有益であると考えられる。
【００８２】
ここでは属性ｉに対する非自由度ＮＦ（ｉ）が最小となる属性、換言すると自由度が最大となる属性を観点属性として選択する。また観点属性の候補集合が指定されている場合は、その候補集合中で非自由度ＮＦ（ｉ）の値が最小となる属性を観点属性として選択する。
【００８３】
この非自由度ＮＦ（ｉ）を算出するため、ステップＳ４やステップＳ６で検索された事例集合における出力指定された属性ｉに対する属性値ｖの出現確率をＰｓ（ｉ，ｖ）と表記し、事例データベース２０の事例集合における属性ｉに対する属性値ｖの出現確率をＰｃ（ｉ，ｖ）と表記する。また属性値が連続値をとる場合は、離散化して出現確率を算出する。また属性ｉに対する属性値ｖの出現確率の平均をＥ（ｉ）と表記する。
【００８４】
このときの属性ｉに対する非自由度ＮＦ（ｉ）は、次式により属性ｉの属性値の分散として算出される。
【００８５】
【数６】
ここで、ｎは属性ｉに対する属性値の数である。
【００８７】
また属性ｉに対する非自由度ＮＦ（ｉ）は、次式により出現確率Ｐｓ（ｉ，ｖ）とＰｃ（ｉ，ｖ）の残差の二乗和として算出することもできる。
【００８８】
【数７】
更に非自由度ＮＦ（ｉ）は、検索した事例中の属性ｉに対する属性値の分布に関する事例データベース２０の中の事例集合における属性値ｉに対する属性値の分布のＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ情報量として、次式により算出することもできる。
【００９０】
【数８】
次にステップＳ１２では、ステップＳ１１で選択した観点属性に対する属性値ごとに分けて、ステップＳ８で算出した各プロファイルデータのスコアが高いものを、推薦するプロファイルデータとして決定する。ここで、スコアが高いプロファイルデータから利用者指定の個数分を推薦してもよいし、利用者指定のスコアの閾値で区切ってもよい。
【００９２】
続いてステップＳ１３では、推薦理由の出力が指定されているか否かを調べ、指定されていればステップＳ１４に進み、指定されていなければ、ステップＳ１５で推薦するプロファイルデータを出力する。
ステップＳ１５では、図３の出力変換ルールデータベース２５の中に、推薦出力結果にマッチするルールが存在するか否かを調べ、存在する場合には、ステップＳ１６で出力変換ルールを推薦出力結果に適用して、出力の変換を行う。
【００９３】
例えば図１８（Ａ）のような出力変換ルール９８が出力ルールデータベース２５に存在したとする。この出力変換ルール９８は、ＩＤが００１２２５のテニスサークルは、推薦の結果から削除するという意味である。
この出力変換ルール９８の条件部１００は、図１８（Ｂ）のように「テニスP｛（ID，００１２２５）｝」である。そして、図１８（Ｃ）のように、出力変換ルール９８の条件部１００にマッチする推薦結果１０２が与えられた場合、図１８（Ｄ）の推薦結果１０４のように、ＩＤが００１２２５となるテニスサークルを削除して出力する。
【００９４】
ここで、出力変換ルールの結論部には、削除以外に、追加や置き換えといった処理を記述することも可能である。
【００９５】
このような出力変換ルールを作成して、出力変換ルールデータベース２５に格納することにより、すでに存在しない推薦結果を削除したり、新しく発行されたＩＤに置き換えたり、ＵＲＬなどの情報を推薦結果に付与したりするなど、推薦結果の出力を制御することが可能となる。
【００９６】
ステップＳ１７では、ステップＳ７で算出した出力属性の各属性値に対する重要度の高い属性値を推薦の理由となった属性値として選定し、対応する属性とその属性値のペアとして推薦するプロファイルデータに付与する。
【００９７】
図１９は本発明による推薦結果出力画面の具体例である。図１９の推薦結果出力画面７８にあっては、引越し前の情報８０を使用したテニスサークルの推薦結果８２を表示している。また推薦結果８２にあっては、観点別の出力をスコアの高い順に３つ出している。また引越し前の情報８０や推薦結果８２中に表示されている各テニスサークルは、出力変換ルールを用いてハイパーリンクの情報が付与されている。更に、入力変換ルールを用いてキャンペーン情報８４の出力も行われている。
【００９８】
図２０は、本発明による推薦結果出力画面の他の具体例であり、幼稚園の推薦結果が出力された場合である。図２０の推薦結果出力画面８６にあっては、引越し前の情報８８を使用して推薦結果９０を出しており、この推薦結果９０には「ポイント」として推薦理由が付与されている。
【００９９】
更に、この推薦結果出力画面８６に設けている「これも！」と表記されたボタン９２を操作すると、図２１の「ｅｅｅ幼稚園」に基づく関連推薦の推薦結果出力画面９４を表示することができる。この関連推薦により、利用者が出力対象として指定していないような関連する推薦結果９６を得ることができ、利用者に有効な推薦結果を適切に提供することができる。
【０１００】
なお、本発明における推薦データを決定するまでの過程で得られる検索された事例、属性値の重要度、属性の自由度は、利用者の指定により必要に応じて出力することができる。
また本発明は対応する図面に関連して説明されているが、本発明はこれらの実施形態に限定されるものではなく、本発明の範囲または趣旨から逸脱することのない様々な他の変形及び変更が可能である。また本発明は上記の実施形態に示した数値による限定は受けない。
【０１０１】
（付記）
（付記１）
コンテンツ、サービス、ユーザなどを、属性と属性値のペアの集合として特徴づけたプロファイルデータとして格納したプロファイルデータベースと、複数のプロファイルデータの間に発生した関係を、プロファイルデータの組として表現した事例として格納した事例データベースを用いたプロファイル情報の推薦方法に於いて、
入力としてのプロファイルデータと、出力の対象となるプロファイル属性を少なくとも指定して入力する入力ステップと、
入力として与えられたプロファイルデータに類似した事例を、前記事例データベースから検索する事例検索ステップと、
出力の対象として指定された属性の各属性値に対する重要度を、前記事例検索ステップで検索された事例集合に対し特徴的な属性値に高い重要度を与えるように算出する動的学習ステップと、
前記動的学習ステップで算出した出力指定された属性の各属性値に対する重要度に基づいて、前記プロファイルデータベース中の各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定ステップと、
を備えたことを特徴とするプロファイル情報の推薦方法。（１）
【０１０２】
（付記２）
付記１記載のプロファイル情報の推薦方法に於いて、前記動的学習ステップは、出力指定された属性の各属性値の重要度を、前記事例検索ステップで検索した類似事例集合における属性値の出現確率として算出することを特徴とするプロファイル情報の推薦方法。（２）
【０１０３】
（付記３）
付記１記載のプロファイル情報の推薦方法に於いて、前記動的学習ステップは、出力指定された属性の各属性値の重要度を、前記事例データベース中の出力指定された属性の事例集合における属性値の出現確率と、前記事例検索ステップで検索された類似事例集合における属性値の出現確率との残差として算出することを特徴とするプロファイル情報の推薦方法。
【０１０４】
（付記４）
付記１記載のプロファイル情報の推薦方法に於いて、前記動的学習ステップは、出力指定された属性の各属性値の重要度を、前記事例検索ステップで検索された類似事例集合における出力指定された各属性の属性値の分布に関する前記事例データベース中の事例集合における出力指定された属性の属性値の分布の負のエントロピーにおける各属性値に対応する値として算出することを特徴とするプロファイル情報の推薦方法。
【０１０５】
（付記５）
付記１記載のプロファイル情報の推薦方法に於いて、更に、前記推薦データ決定ステップで推薦する各プロファイルデータに出現する属性値の中から、前記動的学習ステップで算出した重要度の高い属性値を、前記プロファイルデータを推薦する理由となる属性値として選択し、選択した前記属性値の情報を前記プロファイルデータに付与して推薦する推薦理由付与ステップを設けたことを特徴とするプロファイル情報の推薦方法。（３）
【０１０６】
（付記６）
付記１記載のプロファイル情報の推薦方法に於いて、更に、出力指定された各属性に対して、前記事例検索ステップで検索した事例集合における最も自由度が高い属性を選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した当該属性の属性値毎に分けて推薦する観点別推薦ステップを設けたことを特徴とするプロファイル情報の推薦方法。（４）
【０１０７】
（付記７）
付記６記載のプロファイル情報の推薦方法に於いて、前記観点別推薦ステップは、出力指定された各属性に対して前記事例検索ステップで検索した事例集合における前記属性の属性値の出現確率の分散を算出し、前記分散が最小となる属性を、推薦において最も自由度が高い属性として選択し、前記推薦データ決定ステップで算出した前記スコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプロファイル情報の推薦方法。（５）
【０１０８】
（付記８）
付記６記載のプロファイル情報の推薦方法に於いて、前記観点別推薦ステップは、前記事例データベース中の事例集合における出力指定された各属性の属性値の出現確率と前記事例検索ステップで検索した類似事例集合における前記属性の属性値の出現確率との残差の二乗和を算出し、前記残差の二乗和が最小となる属性を、推薦において最も自由度が高い属性として選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプロファイル情報の推薦方法。
【０１０９】
（付記９）
付記６記載のプロファイル情報の推薦方法に於いて、前記観点別推薦ステップは、出力指定された各属性に対して前記事例検索ステップで検索した類似事例集合における前記属性の属性値の分布に関する事例データベース中の出力指定された属性の事例集合における前記属性の属性値の分布のKullback-Leibler情報量を算出し、前記Kullback-Leibler情報量が最小となる属性を推薦において最も自由度が高い属性として選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプロファイル情報の推薦方法。
【０１１０】
（付記１０）
付記１記載のプロファイル情報の推薦方法に於いて、前記事例検索ステップは、入力として与えられたプロファイルデータに類似した事例を検索すると共に、前記類似事例中に出現する基底属性として指定された属性の属性値のリストを作成し、前記リストに含まれる基底属性の属性値が出現する類似した事例を前記事例データベースから再検索することを特徴とするプロファイル情報の推薦方法。（６）
【０１１１】
（付記１１）
付記１記載のプロファイル情報の推薦方法に於いて、更に、入力情報の変換を行うルールを格納する入力変換ルールベースの中のルールを適用して入力情報を変換する入力変換ステップを設けたことを特徴とするプロファイル情報の推薦方法。（７）
【０１１２】
（付記１２）
付記１記載のプロファイル情報の推薦方法に於いて、更に、出力結果の変換を行うルールを格納する出力変換ルールベースの中のルールを適用して出力結果を変換する出力変換ステップを設けたことを特徴とするプロファイル情報の推薦方法。（８）
【０１１３】
（付記１３）
コンピュータに、
入力としての属性と属性値のペアの集合として特徴づけられたプロファイルデータと、出力の対象となるプロファイル属性を少なくとも指定して入力する入力ステップと、
入力として与えられたプロファイルデータに類似した事例を、複数のプロファイルデータの間に発生した関係をプロファイルデータの組として表現した事例として格納した事例データベースから検索する事例検索ステップと、
出力の対象として指定された属性の各属性値に対する重要度を、前記事例検索ステップで検索された事例集合に対し特徴的な属性値に高い重要度を与えるように算出する動的学習ステップと、
前記動的学習ステップで算出した出力指定された属性の各属性値に対する重要度に基づいて、前記プロファイルデータベース中の属性と属性値のペアの集合として特徴づけた各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定ステップと、
を実行させることを特徴とするプログラム。（９）
【０１１４】
（付記１４）
付記１３記載のプログラムに於いて、前記動的学習ステップは、出力指定された属性の各属性値の重要度を、前記事例検索ステップで検索した類似事例集合における属性値の出現確率として算出することを特徴とするプログラム。
【０１１５】
（付記１５）
付記１３記載のプログラムに於いて、前記動的学習ステップは、出力指定された属性の各属性値の重要度を、前記事例データベース中の出力指定された属性の事例集合における属性値の出現確率と、前記事例検索ステップで検索された類似事例集合における属性値の出現確率との残差として算出することを特徴とするプログラム。
【０１１６】
（付記１６）
付記１３記載のプログラムに於いて、前記動的学習ステップは、出力指定された属性の各属性値の重要度を、前記事例検索ステップで検索された類似事例集合における出力指定された各属性の属性値の分布に関する前記事例データベース中の事例集合における出力指定された属性の属性値の分布の負のエントロピーにおける各属性値に対応する値として算出することを特徴とするプログラム。
【０１１７】
（付記１７）
付記１３記載のプログラムに於いて、更に、
前記推薦データ決定ステップで推薦する各プロファイルデータに出現する属性値の中から、前記動的学習ステップで算出した重要度の高い属性値を、前記プロファイルデータを推薦する理由となる属性値として選択し、選択した前記属性値の情報を前記プロファイルデータに付与して推薦する推薦理由付与ステップを設けたことを特徴とするプログラム。
【０１１８】
（付記１８）
付記１３記載のプログラムに於いて、更に、
出力指定された各属性に対して、前記事例検索ステップで検索した事例集合における最も自由度が高い属性を選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した当該属性の属性値毎に分けて推薦する観点別推薦ステップを設けたことを特徴とするプログラム。
【０１１９】
（付記１９）
付記１８記載のプログラムに於いて、前記観点別推薦ステップは、出力指定された各属性に対して前記事例検索ステップで検索した事例集合における前記属性の属性値の出現確率の分散を算出し、前記分散が最小となる属性を、推薦において最も自由度が高い属性として選択し、前記推薦データ決定ステップで算出した前記スコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプログラム。
【０１２０】
（付記２０）
付記１８記載のプログラムに於いて、前記観点別推薦ステップは、前記事例データベース中の事例集合における出力指定された各属性の属性値の出現確率と前記事例検索ステップで検索した類似事例集合における前記属性の属性値の出現確率との残差の二乗和を算出し、前記残差の二乗和が最小となる属性を、推薦において最も自由度が高い属性として選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプログラム。
【０１２１】
（付記２１）
付記１８記載のプログラムに於いて、前記観点別推薦ステップは、出力指定された各属性に対して前記事例検索ステップで検索した類似事例集合における前記属性の属性値の分布に関する事例データベース中の出力指定された属性の事例集合における前記属性の属性値の分布のKullback-Leibler情報量を算出し、前記Kullback-Leibler情報量が最小となる属性を推薦において最も自由度が高い属性として選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプログラム。
【０１２２】
（付記２２）
付記１３記載のプログラムに於いて、前記事例検索ステップは、入力として与えられたプロファイルデータに類似した事例を検索すると共に、前記類似事例中に出現する基底属性として指定された属性の属性値のリストを作成し、前記リストに含まれる基底属性の属性値が出現する類似した事例を前記事例データベースから再検索することを特徴とするプログラム。
【０１２３】
（付記２３）
付記１３記載のプログラムに於いて、更に、入力情報の変換を行うルールを格納する入力変換ルールベースの中のルールを適用して入力情報を変換する入力変換ステップを設けたことを特徴とするプログラム。
【０１２４】
（付記２４）
付記１３記載のプログラムに於いて、更に、出力結果の変換を行うルールを格納する出力変換ルールベースの中のルールを適用して出力結果を変換する出力変換ステップを設けたことを特徴とするプログラム。
【０１２５】
（付記２５）
コンテンツ、サービス、ユーザなどを、属性と属性値のペアの集合として特徴づけたプロファイルデータとして格納するプロファイルデータベースと、
複数のプロファイルデータの間に発生した関係を、プロファイルデータの組として表現した事例として格納する事例データベースと、
入力として与えられたプロファイルデータに類似した事例を、前記事例データベースから検索する事例検索部と、
出力の対象として指定された属性の各属性値に対する重要度を、前記事例検索部で検索された事例集合に対し特徴的な属性値に高い重要度を与えるように算出する動的学習部と、
前記動的学習部で算出した出力指定された属性の各属性値に対する重要度に基づいて、前記プロファイルデータベース中の各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定部と、
を備えたことを特徴とするプロファイル情報の推薦装置。（１０）
【０１２６】
（付記２６）
付記２５記載のプロファイル情報の推薦装置に於いて、前記動的学習部は、出力指定された属性の各属性値の重要度を、前記事例検索部で検索した類似事例集合における属性値の出現確率として算出することを特徴とするプロファイル情報の推薦装置。
【０１２７】
（付記２７）
付記２５記載のプロファイル情報の推薦装置に於いて、前記動的学習部は、出力指定された属性の各属性値の重要度を、前記事例データベース中の出力指定された属性の事例集合における属性値の出現確率と、前記事例検索部で検索された類似事例集合における属性値の出現確率との残差として算出することを特徴とするプロファイル情報の推薦装置。
【０１２８】
（付記２８）
付記２５記載のプロファイル情報の推薦装置に於いて、前記動的学習部は、出力指定された属性の各属性値の重要度を、前記事例検索部で検索された類似事例集合における出力指定された各属性の属性値の分布に関する前記事例データベース中の事例集合における出力指定された属性の属性値の分布の負のエントロピーにおける各属性値に対応する値として算出することを特徴とするプロファイル情報の推薦装置。
【０１２９】
（付記２９）
付記２５記載のプロファイル情報の推薦装置に於いて、更に、前記推薦データ決定部で推薦する各プロファイルデータに出現する属性値の中から、前記動的学習部で算出した重要度の高い属性値を、前記プロファイルデータを推薦する理由となる属性値として選択し、選択した前記属性値の情報を前記プロファイルデータに付与して推薦する推薦理由付与部を設けたことを特徴とするプロファイル情報の推薦装置。
【０１３０】
（付記３０）
付記２５記載のプロファイル情報の推薦装置に於いて、更に、出力指定された各属性に対して、前記事例検索部で検索した事例集合における最も自由度が高い属性を選択し、前記推薦データ決定部で算出したスコアが高いプロファイルデータを、選択した当該属性の属性値毎に分けて推薦する観点別推薦部を設けたことを特徴とするプロファイル情報の推薦装置。
【０１３１】
（付記３１）
付記３０記載のプロファイル情報の推薦装置に於いて、前記観点別推薦部は、出力指定された各属性に対して前記事例検索部で検索した事例集合における前記属性の属性値の出現確率の分散を算出し、前記分散が最小となる属性を、推薦において最も自由度が高い属性として選択し、前記推薦データ決定部で算出した前記スコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプロファイル情報の推薦装置。
【０１３２】
（付記３２）
付記３０記載のプロファイル情報の推薦装置に於いて、前記観点別推薦部は、前記事例データベース中の事例集合における出力指定された各属性の属性値の出現確率と前記事例検索部で検索した類似事例集合における前記属性の属性値の出現確率との残差の二乗和を算出し、前記残差の二乗和が最小となる属性を、推薦において最も自由度が高い属性として選択し、前記推薦データ決定部で算出したスコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプロファイル情報の推薦装置。
【０１３３】
（付記３３）
付記３０記載のプロファイル情報の推薦装置に於いて、前記観点別推薦部は、出力指定された各属性に対して前記事例検索部で検索した類似事例集合における前記属性の属性値の分布に関する事例データベース中の出力指定された属性の事例集合における前記属性の属性値の分布のKullback-Leibler情報量を算出し、前記Kullback-Leibler情報量が最小となる属性を推薦において最も自由度が高い属性として選択し、前記推薦データ決定部で算出したスコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦することを特徴とするプロファイル情報の推薦装置。
【０１３４】
（付記３４）
付記２５記載のプロファイル情報の推薦装置に於いて、前記事例検索部は、入力として与えられたプロファイルデータに類似した事例を検索すると共に、前記類似事例中に出現する基底属性として指定された属性の属性値のリストを作成し、前記リストに含まれる基底属性の属性値が出現する類似した事例を前記事例データベースから再検索することを特徴とするプロファイル情報の推薦装置。
【０１３５】
（付記３５）
付記２５記載のプロファイル情報の推薦装置に於いて、更に、
入力情報の変換を行うルールを格納する入力変換ルールベースと、
前記入力変換ルールベース中のルールを適用して入力情報を変換する入力変換部と、
を設けたことを特徴とするプロファイル情報の推薦装置。
【０１３６】
（付記３６）
付記２５記載のプロファイル情報の推薦装置に於いて、更に、出力結果の変換を行うルールを格納する出力変換ルールベースの中のルールを適用して出力結果を変換する出力変換ステップを設けたことを特徴とするプロファイル情報の推薦装置。
【０１３７】
【発明の効果】
以上説明してきたように本発明によれば、入力プロファイルデータに類似した事例を検索し、検索された事例を用いてプロファイル属性の重要度の動的な学習に基づいた推薦を行うため、低い運用コストでプロファイルデータや事例データの変化に適応してユーザに最適な推薦を行うことができる。
【０１３８】
また、プロファイルデータベースに属するプロファイルデータを対象に重要度を用いてスコアを算出しているため、ユーザにとって有用であれば、新規のプロファイルデータであってもこれを推薦することが可能となる。
【０１３９】
更に、推薦理由を提示したり、観点ごとに推薦結果を分けて提示することで、推薦されたプロファイルデータが有用であるか否かの判断を利用者が容易に行うことができる。
【図面の簡単な説明】
【図１】本発明の原理構成の説明図
【図２】本発明が適用される動作環境の説明図
【図３】本発明によるプロファイル推薦装置の機能構成のブロック図
【図４】プロファイルデータベースに格納されるユーザを特徴づけたプロファイルデータの説明図
【図５】プロファイルデータベースに格納されるテニスサークルを特徴づけたプロファイルデータの説明図
【図６】事例データベースに格納される事例データの説明図
【図７】事例データベースに格納される圧縮された事例データの説明図
【図８】プロファイルデータ間の関係を示す属性と属性値を付与した事例データの説明図
【図９】ユーザの満足度を付与した事例データの説明図
【図１０】図３の機能構成による本発明の推薦処理のフローチャート
【図１１】図１０に続く本発明の推薦処理のフローチャート
【図１２】本発明の推薦処理を開始するための入力指定の説明図
【図１３】図１０における入力変換ルールによる入力変換の説明図
【図１４】図１０のステップＳ６における指定された基底属性に基づく事例検索の詳細のフローチャート
【図１５】図１０の重要度算出に用いる出力指定された事例集合と検索された類似事例集合の説明図
【図１６】図１５で使用する入力プロファイルデータと指定された基底属性及び出力指定属性の説明図
【図１７】出現確率を算出する際の連続する属性値の離散化方法の説明図
【図１８】図１１における出力変換ルールによる出力変換の説明図
【図１９】本発明によるテニスサークルの推薦結果が出力された出力画面の説明図
【図２０】本発明による幼稚園の推薦結果が出力された出力画面の説明図
【図２１】図２０の出力画面の釦操作で表示された関連推薦結果の出力画面の説明図
【符号の説明】
１０：プロファイル情報処理サーバ
１２：インターネット
１４−１，１４−２：ユーザ装置
１６：入力変換ルールデータベース
１８：プロファイルデータベース
２０：事例データベース
２２：ＣＰＵ
２４：メモリ
２６：キャッシュ
２８：入力部
３０：入力変換部
３２：事例検索部
３４：動的学習部
３６：推薦データ決定部
３８：観点別推薦部
４０：推薦理由付与部
４２：出力部
４４，４６，６８：プロファイルデータ
４８，５０，５２，５６：事例データ
７２：入力プロファイルデータ
７４：事例集合
７６：類似事例集合
７８，８６，９４：推薦結果出力画面
Claims (8)
- コンピュータが、コンテンツ、サービス、ユーザなどを、属性と属性値をペアとする複数の集合で特徴づけたプロファイルデータとして格納したプロファイルデータベースと、複数のプロファイルデータの問に発生した関係を、プロファイルデータの組として表現した事例として格納した事例データベースを用いてプロファイル情報の推薦を行う情報推薦方法に於いて、
前記コンピュータが、
入力としてのプロファイルデータと、出力の対象となる属性を少なくとも指定して入力する入力ステップと、
入力として与えられたプロファイルデータに類似したプロファイルデータである類似事例を、前記事例データベースから検索する事例検索ステップと、
出力の対象として指定された属性の各属性値に対する重要度を、前記事例検索ステップで検索した類似事例集合における属性値の出現確率に基づき重要度を与えるように算出する動的学習ステップと、
前記動的学習ステップで算出した出力指定された属性の各属性値に対する重要度に基づいて、前記プロファイルデータベース中の各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定ステップと、
前記出力指定された各々の属性に対して前記事例検索ステップで検索した類似事例集合における該属性の属性値における出現確率の分散を算出し、前記分散が最小となる属性を選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した当該属性の属性値毎に分けて推薦する観点別推薦ステップと
から構成されることを特徴とする情報推薦方法。 - コンピュータが、コンテンツ、サービス、ユーザなどを、属性と属性値をペアとする複数の集合で特徴づけたプロファイルデータとして格納したプロファイルデータベースと、複数のプロファイルデータの間に発生した関係を、プロファイルデータの組として表現した事例として格納した事例データベースを用いてプロファイル情報の推薦を行う情報推薦方法に於いて、
前記コンピュータが、
入力としてのプロファイルデータと、出力の対象となる属性を少なくとも指定して入力する入力ステップと、
入力として与えられたプロファイルデータに類似したプロファイルデータである類似事例を、前記事例データベースから検索する事例検索ステップと、
出力の対象として指定された属性の各属性値に対する重要度を、前記事例検索ステップで検索した類似事例集合における属性値の出現確率に基づき重要度を与えるように算出する動的学習ステップと、
前記動的学習ステップで算出した出力指定された属性の各属性値に対する重要度に基づいて、前記プロファイルデータベース中の各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定ステップと、
前記事例データベースの事例集合における前記出力指定された各属性の属性値の出現確率と、前記事例検索ステップで検索した前記類似事例集合における出力指定された該属性の属性値の出現確率との残差の二乗和を算出し、該残差の二乗和が最小となる属性を選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した当該属性の属性値毎に分けて推薦する観点別推薦ステップ
から構成されることを特徴とする情報推薦方法。 - コンピュータが、コンテンツ、サービス、ユーザなどを、属性と属性値をペアとする複数の集合で特徴づけたプロファイルデータとして格納したプロファイルデータベースと、複数のプロファイルデータの間に発生した関係を、プロファイルデータの組として表現し た事例として格納した事例データベースを用いてプロファイル情報の推薦を行う情報推薦方法に於いて、
前記コンピュータが、
入力としてのプロファイルデータと、出力の対象となる属性を少なくとも指定して入力する入力ステップと、
入力として与えられたプロファイルデータに類似したプロファイルデータである類似事例を、前記事例データベースから検索する事例検索ステップと、
出力の対象として指定された属性の各属性値に対する重要度を、前記事例検索ステップで検索した類似事例集合における属性値の出現確率に基づき重要度を与えるように算出する動的学習ステップと、
前記動的学習ステップで算出した出力指定された属性の各属性値に対する重要度に基づいて、前記プロファイルデータベース中の各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定ステップと、
前記出力指定された各々の属性に対して、前記事例検索ステップで検索した類似事例集合における該属性の属性値の分布に関する前記事例データベースの事例集合における該属性の属性値分布のＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ情報量を算出し出し、Ｋｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ情報量が最小となる属性を選択し、前記推薦データ決定ステップで算出した前記スコアが高いプロファイルデータを、選択した前記属性の属性値毎に分けて推薦する観点別推薦ステップ
から構成されることを特徴とする情報推薦方法。 - 請求項１乃至３のいずれかに記載の情報推薦方法に於いて、
更に、
前記コンピュータが、
前記推薦データ決定ステップで推薦するプロファイルデータに出現する属性値の中から、前記動的学習ステップで算出した重要度の高い属性値を、前記プロフイルデータを推薦する理由となる属性値として選択し、選択した前記属性値の情報を前記プロファイルデータに付与して推薦する推薦理由付与ステップを設けた
ことを特徴とする情報推薦方法。 - 請求項１乃至３のいずれかに記載の情報推薦方法に於いて、
前記コンピュータは、
前記事例検索ステップにおいて前記類似事例を検索すると共に、該類似事例中に出現する基底属性として指定された属性の属性値のリストを作成し、該リストに含まれる基底属性の属性値が出現する類似した事例を前記事例データベースから再検索する
ことを特徴とする情報推薦方法。 - 請求項１乃至３のいずれかに記載のプロファイル情報の推薦方法に於いて、更に、
前記コンピュータが、
入力情報の変換を行うルールを格納する入力変換ルールベースの中のルールを適用して入力情報を変換する入力変換ステップを設けたことを特徴とする情報推薦方法。 - 請求項１乃至３のいずれかに記載のプロファイル情報の推薦方法に於いて、更に
前記コンピュータが、
出力結果の変換を行うルールを格納する出力変換ルールベースの中のルールを適用して出力結果を変換する出力変換ステップ
を設けたことを特徴とする情報推薦方法。 - コンピュータに、
入力としての属性と属性値をペアとする複数の集合で特徴づけられプロファイルデータ と、出力の対象となる属性を少なくとも指定して入力する入力ステップと、
入力として与えられたプロファイルデータに類似したプロファイルデータである類似事例を、複数のプロファイルデータの間に発生した関係をプロファイルデータの組として表現した事例として格納した事例データベースから検索する事例検索ステップと、
出力の対象として指定された属性の各属性値に対する重要度を、前記事例検索ステップで検索した類似事例集合における属性値の出現確率に基づき重要度を与えるように算出する動的学習ステップと、
前記動的学習ステップで算出した出力指定された属性の各属性直に対する重要度に基づいて、前記プロファイルデータベース中の属性と属性値のペアの集合として特徴づけた各プロファイルデータのスコアを算出し、スコアの高いプロファイルデータを推薦する推薦データ決定ステップと、
前記出力指定された各々の属性に対して、前記事例索ステップで検索した類似事例集合における該属性の属性値の出現確率の分散を算出し、前記分散が最小となる属性を選択し、前記推薦データ決定ステップで算出したスコアが高いプロファイルデータを、選択した当該属性の属性値毎に分けて推薦する観点別推薦ステップ
を実行させることを特徴とするプログラム。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002071823A JP4098539B2 (ja) | 2002-03-15 | 2002-03-15 | プロファイル情報の推薦方法、プログラム及び装置 |
| US10/265,327 US20030177110A1 (en) | 2002-03-15 | 2002-10-07 | Profile information recommendation method, program and apparatus |
| EP02257219A EP1345131A3 (en) | 2002-03-15 | 2002-10-17 | Profile information recommendation method, program and apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002071823A JP4098539B2 (ja) | 2002-03-15 | 2002-03-15 | プロファイル情報の推薦方法、プログラム及び装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003271640A JP2003271640A (ja) | 2003-09-26 |
| JP4098539B2 true JP4098539B2 (ja) | 2008-06-11 |
Family
ID=27764552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002071823A Expired - Fee Related JP4098539B2 (ja) | 2002-03-15 | 2002-03-15 | プロファイル情報の推薦方法、プログラム及び装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20030177110A1 (ja) |
| EP (1) | EP1345131A3 (ja) |
| JP (1) | JP4098539B2 (ja) |
Families Citing this family (47)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004194108A (ja) * | 2002-12-12 | 2004-07-08 | Sony Corp | 情報処理装置および情報処理方法、記録媒体、並びにプログラム |
| JP5008250B2 (ja) * | 2003-08-07 | 2012-08-22 | ソニー株式会社 | 情報処理装置および方法、プログラム、並びに記録媒体 |
| JP2005196469A (ja) * | 2004-01-07 | 2005-07-21 | Sony Corp | データ表示サーバ，データ表示方法，およびそのプログラム |
| JP2006134236A (ja) * | 2004-11-09 | 2006-05-25 | Canon Inc | プロファイル取得方法、装置、プログラム、および、記憶媒体 |
| US8244689B2 (en) * | 2006-02-17 | 2012-08-14 | Google Inc. | Attribute entropy as a signal in object normalization |
| US7769579B2 (en) | 2005-05-31 | 2010-08-03 | Google Inc. | Learning facts from semi-structured text |
| JP4543930B2 (ja) | 2005-01-07 | 2010-09-15 | ソニー株式会社 | 情報処理装置および方法、並びにプログラム |
| US9208229B2 (en) | 2005-03-31 | 2015-12-08 | Google Inc. | Anchor text summarization for corroboration |
| US7587387B2 (en) | 2005-03-31 | 2009-09-08 | Google Inc. | User interface for facts query engine with snippets from information sources that include query terms and answer terms |
| US8682913B1 (en) | 2005-03-31 | 2014-03-25 | Google Inc. | Corroborating facts extracted from multiple sources |
| US7739284B2 (en) * | 2005-04-20 | 2010-06-15 | International Business Machines Corporation | Method and apparatus for processing data streams |
| US8996470B1 (en) | 2005-05-31 | 2015-03-31 | Google Inc. | System for ensuring the internal consistency of a fact repository |
| US7831545B1 (en) | 2005-05-31 | 2010-11-09 | Google Inc. | Identifying the unifying subject of a set of facts |
| US7567976B1 (en) * | 2005-05-31 | 2009-07-28 | Google Inc. | Merging objects in a facts database |
| US8260785B2 (en) | 2006-02-17 | 2012-09-04 | Google Inc. | Automatic object reference identification and linking in a browseable fact repository |
| US7991797B2 (en) | 2006-02-17 | 2011-08-02 | Google Inc. | ID persistence through normalization |
| US8700568B2 (en) | 2006-02-17 | 2014-04-15 | Google Inc. | Entity normalization via name normalization |
| JP4179341B2 (ja) * | 2006-06-01 | 2008-11-12 | ソニー株式会社 | 情報処理装置および方法、プログラム、並びに記録媒体 |
| US8122026B1 (en) | 2006-10-20 | 2012-02-21 | Google Inc. | Finding and disambiguating references to entities on web pages |
| US7590615B2 (en) * | 2006-12-11 | 2009-09-15 | Yahoo! Inc. | Systems and methods for providing cross-vertical profiling and searching |
| US8347202B1 (en) | 2007-03-14 | 2013-01-01 | Google Inc. | Determining geographic locations for place names in a fact repository |
| US8239350B1 (en) | 2007-05-08 | 2012-08-07 | Google Inc. | Date ambiguity resolution |
| US7966291B1 (en) | 2007-06-26 | 2011-06-21 | Google Inc. | Fact-based object merging |
| US7970766B1 (en) | 2007-07-23 | 2011-06-28 | Google Inc. | Entity type assignment |
| US8738643B1 (en) | 2007-08-02 | 2014-05-27 | Google Inc. | Learning synonymous object names from anchor texts |
| US8812435B1 (en) | 2007-11-16 | 2014-08-19 | Google Inc. | Learning objects and facts from documents |
| US8650094B2 (en) * | 2008-05-07 | 2014-02-11 | Microsoft Corporation | Music recommendation using emotional allocation modeling |
| US8344233B2 (en) | 2008-05-07 | 2013-01-01 | Microsoft Corporation | Scalable music recommendation by search |
| US8786922B2 (en) * | 2008-11-20 | 2014-07-22 | Hewlett-Packard Development Company, L.P. | Print color management |
| JP2010134733A (ja) * | 2008-12-05 | 2010-06-17 | Dainippon Printing Co Ltd | 情報推薦装置、情報推薦方法、及びプログラム |
| US9600581B2 (en) * | 2009-02-19 | 2017-03-21 | Yahoo! Inc. | Personalized recommendations on dynamic content |
| JP5572966B2 (ja) * | 2009-03-06 | 2014-08-20 | 日本電気株式会社 | データ類似度計算方法、システム、およびプログラム |
| CN102033886B (zh) * | 2009-09-25 | 2012-07-04 | 香港纺织及成衣研发中心 | 一种织物检索方法及系统 |
| JP5131565B2 (ja) * | 2010-03-04 | 2013-01-30 | ソニー株式会社 | 情報処理装置および方法、プログラム、並びに記録媒体 |
| US9710555B2 (en) * | 2010-05-28 | 2017-07-18 | Adobe Systems Incorporated | User profile stitching |
| US8655938B1 (en) | 2010-05-19 | 2014-02-18 | Adobe Systems Incorporated | Social media contributor weight |
| US10540660B1 (en) | 2010-05-19 | 2020-01-21 | Adobe Inc. | Keyword analysis using social media data |
| US8996549B2 (en) | 2011-10-11 | 2015-03-31 | Microsoft Technology Licensing, Llc | Recommending data based on user and data attributes |
| US8789109B2 (en) * | 2011-10-17 | 2014-07-22 | Electronics And Telecommunications Research Institute | System for recommending favorite channel/program based on TV watching pattern and method thereof |
| JP5124680B1 (ja) * | 2011-11-30 | 2013-01-23 | 楽天株式会社 | 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体 |
| JP5926823B2 (ja) * | 2012-02-21 | 2016-05-25 | ウーヤラ インコーポレイテッド | コンテンツの自動推奨 |
| EP2680209A1 (en) * | 2012-06-29 | 2014-01-01 | Axel Springer Digital TV Guide GmbH | Device and method for automatic generation of a recommendation |
| WO2014158204A1 (en) * | 2013-03-13 | 2014-10-02 | Thomson Licensing | Method and apparatus for recommendations with evolving user interests |
| US9870465B1 (en) | 2013-12-04 | 2018-01-16 | Plentyoffish Media Ulc | Apparatus, method and article to facilitate automatic detection and removal of fraudulent user information in a network environment |
| IN2014CH00917A (ja) * | 2014-02-24 | 2015-08-28 | Samsung R & D Inst India Bangalore Private Ltd | |
| CN107492000A (zh) * | 2016-06-13 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 一种数据处理的方法及系统 |
| CN112488863B (zh) * | 2020-12-01 | 2024-05-28 | 中国人寿保险股份有限公司 | 一种在用户冷启动场景下的险种推荐方法及相关设备 |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5404514A (en) * | 1989-12-26 | 1995-04-04 | Kageneck; Karl-Erbo G. | Method of indexing and retrieval of electronically-stored documents |
| US5579471A (en) * | 1992-11-09 | 1996-11-26 | International Business Machines Corporation | Image query system and method |
| US6112186A (en) * | 1995-06-30 | 2000-08-29 | Microsoft Corporation | Distributed system for facilitating exchange of user information and opinion using automated collaborative filtering |
| US5799301A (en) * | 1995-08-10 | 1998-08-25 | International Business Machines Corporation | Apparatus and method for performing adaptive similarity searching in a sequence database |
| US5893095A (en) * | 1996-03-29 | 1999-04-06 | Virage, Inc. | Similarity engine for content-based retrieval of images |
| US5867799A (en) * | 1996-04-04 | 1999-02-02 | Lang; Andrew K. | Information system and method for filtering a massive flow of information entities to meet user information classification needs |
| US5790426A (en) * | 1996-04-30 | 1998-08-04 | Athenium L.L.C. | Automated collaborative filtering system |
| US5852823A (en) * | 1996-10-16 | 1998-12-22 | Microsoft | Image classification and retrieval system using a query-by-example paradigm |
| US6012051A (en) * | 1997-02-06 | 2000-01-04 | America Online, Inc. | Consumer profiling system with analytic decision processor |
| US6356922B1 (en) * | 1997-09-15 | 2002-03-12 | Fuji Xerox Co., Ltd. | Method and system for suggesting related documents |
| US6256633B1 (en) * | 1998-06-25 | 2001-07-03 | U.S. Philips Corporation | Context-based and user-profile driven information retrieval |
| US6345274B1 (en) * | 1998-06-29 | 2002-02-05 | Eastman Kodak Company | Method and computer program product for subjective image content similarity-based retrieval |
| AUPP764398A0 (en) * | 1998-12-11 | 1999-01-14 | Canon Kabushiki Kaisha | Method and apparatus for computing the similarity between images |
| US6246982B1 (en) * | 1999-01-26 | 2001-06-12 | International Business Machines Corporation | Method for measuring distance between collections of distributions |
| WO2001006398A2 (en) * | 1999-07-16 | 2001-01-25 | Agentarts, Inc. | Methods and system for generating automated alternative content recommendations |
| US6542889B1 (en) * | 2000-01-28 | 2003-04-01 | International Business Machines Corporation | Methods and apparatus for similarity text search based on conceptual indexing |
| US6587848B1 (en) * | 2000-03-08 | 2003-07-01 | International Business Machines Corporation | Methods and apparatus for performing an affinity based similarity search |
| JP3342864B2 (ja) * | 2000-09-13 | 2002-11-11 | 株式会社エントロピーソフトウェア研究所 | 音声の類似度検出方法及びその検出値を用いた音声認識方法、並びに、振動波の類似度検出方法及びその検出値を用いた機械の異常判定方法、並びに、画像の類似度検出方法及びその検出値を用いた画像認識方法、並びに、立体の類似度検出方法及びその検出値を用いた立体認識方法、並びに、動画像の類似度検出方法及びその検出値を用いた動画像認識方法 |
| US7113943B2 (en) * | 2000-12-06 | 2006-09-26 | Content Analyst Company, Llc | Method for document comparison and selection |
| US6738764B2 (en) * | 2001-05-08 | 2004-05-18 | Verity, Inc. | Apparatus and method for adaptively ranking search results |
-
2002
- 2002-03-15 JP JP2002071823A patent/JP4098539B2/ja not_active Expired - Fee Related
- 2002-10-07 US US10/265,327 patent/US20030177110A1/en not_active Abandoned
- 2002-10-17 EP EP02257219A patent/EP1345131A3/en not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| US20030177110A1 (en) | 2003-09-18 |
| JP2003271640A (ja) | 2003-09-26 |
| EP1345131A2 (en) | 2003-09-17 |
| EP1345131A3 (en) | 2006-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4098539B2 (ja) | プロファイル情報の推薦方法、プログラム及び装置 | |
| US8046363B2 (en) | System and method for clustering documents | |
| JP5630275B2 (ja) | 検索装置、検索方法、及びプログラム | |
| CN108664509B (zh) | 一种即席查询的方法、装置及服务器 | |
| JP2017500664A (ja) | 多ディメンション・データー構造に対する実行のためのクエリー構築 | |
| KR20010105241A (ko) | 정보검색 시스템 | |
| CN113836393A (zh) | 基于偏好自适应元学习的冷启动推荐方法 | |
| US20070106767A1 (en) | Database device database search device, and method thereof | |
| CN112131341A (zh) | 文本相似度计算方法、装置、电子设备和存储介质 | |
| WO2020255307A1 (ja) | 情報処理装置、情報処理方法、および記録媒体 | |
| JP5281104B2 (ja) | 広告管理装置、広告選択装置、広告管理方法、広告管理プログラム及び広告管理プログラムを記録した記録媒体 | |
| US12254009B2 (en) | Search apparatus, search method, and storage medium | |
| JP2012181565A (ja) | 広告管理装置、広告選択装置、広告管理方法、広告管理プログラム及び広告管理プログラムを記録した記録媒体 | |
| JP3645431B2 (ja) | 情報検索支援装置および情報検索支援プログラム記憶媒体 | |
| CN120086356A (zh) | 公路标准关系构建、查询方法、设备、介质及程序产品 | |
| JP4128033B2 (ja) | プロファイルデータ検索装置及びプログラム | |
| JP2010015394A (ja) | リンク先提示装置およびコンピュータプログラム | |
| JP2003256472A (ja) | 文書検索システム | |
| JP7428250B2 (ja) | 文書検索の性能を評価する方法、システム、および装置 | |
| KR102913550B1 (ko) | 딥러닝 유사 이미지 검색기 및 사례기반추론을 활용한 패션상품 속성 자동분석 방법 | |
| JP6641456B2 (ja) | 計算機システム及びデータの分類方法 | |
| CN114118078B (zh) | 制作辅助装置、制作辅助方法及记录介质 | |
| CN116680418A (zh) | 一种基于知识图谱的大数据检索方法和系统 | |
| US20040086203A1 (en) | Database registration system and database registration method | |
| JP2008234482A (ja) | 文書分類装置、文書分類方法、プログラムおよび記録媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20041006 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070809 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070828 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071018 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071120 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071227 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20080219 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080313 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 4098539 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110321 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110321 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120321 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130321 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140321 Year of fee payment: 6 |
|
| LAPS | Cancellation because of no payment of annual fees |