JP4118580B2 - 配置情報推薦装置、その方法、プログラム - Google Patents
配置情報推薦装置、その方法、プログラム Download PDFInfo
- Publication number
- JP4118580B2 JP4118580B2 JP2002078830A JP2002078830A JP4118580B2 JP 4118580 B2 JP4118580 B2 JP 4118580B2 JP 2002078830 A JP2002078830 A JP 2002078830A JP 2002078830 A JP2002078830 A JP 2002078830A JP 4118580 B2 JP4118580 B2 JP 4118580B2
- Authority
- JP
- Japan
- Prior art keywords
- category
- arrangement information
- recommendation
- categories
- information
- 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
- 238000000034 method Methods 0.000 title claims description 104
- 238000000605 extraction Methods 0.000 claims description 69
- 239000000284 extract Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 76
- 230000006870 function Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 15
- 230000010365 information processing Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06F16/954—Navigation, e.g. using categorised browsing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/99931—Database or file accessing
- Y10S707/99933—Query processing, i.e. searching
- Y10S707/99935—Query augmenting and refining, e.g. inexact access
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/99941—Database schema or data structure
- Y10S707/99943—Generating database or data structure, e.g. via user interface
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (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)
- Information Transfer Between Computers (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、ＵＲＬ等の配置情報の管理を支援する装置、方法等に関する。
【０００２】
【従来の技術】
従来より、インターネット・ユーザの多くは、自分が気に入ったサイトや頻繁にアクセスする特定のウェブ・ページのＵＲＬ（Uniform Resource Locator）を登録し、次回アクセスを容易にさせる機能を利用している。このような機能は、“ブックマーク”あるいは“お気に入り”等と呼ばれている。以下、“ブックマーク”を例にする。
【０００３】
ところで、ＵＲＬは変化が激しく、すぐに陳腐化するという問題がある。例えば、ＵＲＬの指すＷｅｂページが無くなる/移動する（所謂、リンク切れ）が、その代表である。また、ＵＲＬの指すＷｅｂページの内容が古くなり、役に立たなくなるということもある。
【０００４】
そして、自分が登録しているＷｅｂページの他にも有益なＷｅｂページがあるにも係わらず、それを知らない為に登録されていない、ということもブックマークの陳腐化と言える。
【０００５】
このような問題に対して、従来、例えば「ブリンク（http://ｗｗｗ.blink.co.jp/）では、協調フィルタリングを用いた以下に述べるサービスを提供している。尚、協調フィルタリングとは、ユーザの嗜好情報を記録し、そのユーザと似たようなし嗜好を持つユーザの嗜好情報をもとに、ユーザの嗜好を推測するという既知手法であり、ユーザ毎の嗜好情報が多い方が、またユーザの数が多い方が、正確な推測が可能となることが知られている。
【０００６】
上記「ブリンク」では、まず、各ユーザが自己のブックマークをサーバに登録しておく。サーバは、例えば、定期的に、各登録ブックマークを他人の登録ブックマークと比較して、同じＵＲＬを持つブックマークの組を捜し出して、この各組毎に差分（一方に登録されているが、他方には登録されていないＵＲＬ）を抽出することで、個人のブックマークを新鮮に保つことができるサービスを提供している。
【０００７】
【発明が解決しようとする課題】
しかしながら、上記ブリンクのサービスでは、十分に多くのユーザ（数万人以上）のブックマークを登録/利用できる場合には有効であるが、ユーザ数が少人数（数十人〜数百人程度）である場合には、適用しても、うまく機能しないという問題があった。これは、実験的/経験的に確認されていることである。
【０００８】
更に、他のユーザのブックマークとの差分が、役に立つ内容のＵＲＬである確率は、必ずしも高いとは言えないという問題があった。
また、ここで、従来より、インターネットやイントラネット上に配置された有用な情報を、階層化されたカテゴリに分類・整理して提供する（以下、文書ディレクトリと呼ぶ）というサービスが実現されている（例えば、Yahoo！、goo，ＯＤＰ（Open Directory Project）等）。
【０００９】
このような文書ディレクトリ・サービス業者においては、文書ディレクトリに登録すべきＵＲＬを、インターネット又はイントラネット上から見つけ出し、これを適切なカテゴリに登録する作業を、人手によって行なっているが、ＵＲＬの数は現在膨大な量となっており、また増えつづけており、ある業者においては数百人もの人数を掛けて上記登録作業を行っているが、作業負担が大きい状態となっている。
【００１０】
また、イントラネット等においても、近年、企業などの組織内において多くのＷｅｂサーバが運用されるようになり、インターネットにおけるYahoo！等と同様に、組織内向けの文書ディレクトリを構築したいという要求が増えてきている。このような組織内向けの文書ディレクトリの維持/管理は、通常、少人数で行っている場合が多いので、規模は比較的小さくても、やはり作業負担が大きい。
【００１１】
この為、上記文書ディレクトリの維持/管理作業を、部分的にでも自動化できるようにすることで、作業負担を軽減し、以って維持/管理コストを低減することが望まれている。
【００１２】
文書ディレクトリの自動構造化の技術としては、従来、クラスタリングによる方法が知られている。これは、内容が似た文書は同じ集合に含まれるように集合を作成する手法である。それぞれの集合の代表的なキーワードをカテゴリ名とする。集合の階層構造の作成は、集合間の類似性によって“集合の集合”を上位階層とする方法や、集合に含まれるキーワードの関係を用いる方法が提案されているが、品質の点で人手に及ばない。商用ディレクトリでは、これらの技術は補助的に使うに留まっている。
【００１３】
また、本発明の発明者は、既に、“「文書ディレクトリ管理のための自動収集、自動分類の利用-ＵＲＬ自動推薦システム-」、鵜飼孝典、片山佳則、津田宏；５Ｃ-０１ 人工知能学会全国大会（２００１年）”を提案している。
【００１４】
この既提案手法では、大まかには、インターネットやイントラネットから、ディレクトリに載せるべき優良なＵＲＬを自動的に収集する処理と、この優良なＵＲＬが指す文書（ホームページ）を、適当なカテゴリに割り当てる処理とより成る。優良なＵＲＬを自動的に収集する処理には、コンテンツベース、リンクベース、ログベースのアプローチがあるが、コンテンツベース/リンクベースは、計算コストが掛かる/優良と判断されるＵＲＬが特定の内容を指すＵＲＬに偏る、などの問題がある為、ログベースのアプローチを採用する。このアプローチにおいて、検索ログから高い頻度で使われるキーワードを取り出して、このキーワードを用いて検索を行い、このキーワードに関連するＵＲＬを選び出す手法を提案している。
【００１５】
しかしながら、この手法では、未だ十分な正解率が得られず、より高い正解率が得られるようにすることが望まれている（尚、正解率の正解とは、各ＵＲＬを適切なカテゴリに登録できたことを言う。逆に言えば、不正解とは、ある１つのカテゴリを例にすると、このカテゴリには不適切なＵＲＬが推薦された（例えば“車”のカテゴリに“飛行機”に関するコンテンツのＵＲＬが推薦された）場合や、本来このカテゴリに推薦されるべきＵＲＬが推薦されなかった場合等である）。
【００１６】
本発明の課題は、ブックマークだけでなく文書ディレクトリも用いることで、登録ユーザが比較的少数であっても有効な推薦が受けられ、更に推薦されたＵＲＬが役立つ可能性を高めることができ、また文書ディレクトリにおける登録作業を軽減させ以って維持/管理コストを低減できる配置情報推薦装置、その方法、プログラム等を提供することである。
【００１７】
【課題を解決するための手段】
本発明による請求項１記載の配置情報推薦装置は、ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較手段と、該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する配置情報推薦候補抽出手段と、前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第１の推薦手段とを有するように構成する。
【００１８】
上記請求項１記載の配置情報推薦装置によれば、各ユーザの個人登録配置情報（例えばブックマーク等）を利用して、各カテゴリ毎に関連性が高いカテゴリから配置情報を推薦するので、前記配置情報格納装置の管理者等（例えばＹａｈｏｏ！等のような大規模な文書ディレクトリや、イントラネット上の小規模な文書ディレクトリの管理者）にとっては、配置情報の管理作業（例えば、ＵＲＬ等の追加等）が軽減される。
【００１９】
本発明による請求項２記載の配置情報推薦装置は、ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較手段と、該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する配置情報推薦候補抽出手段と、前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出された推薦すべき配置情報の候補に基づいて、前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第２の推薦手段とを有するように構成する。
【００２０】
上記請求項２記載の配置情報推薦装置によれば、他のユーザの個人登録配置情報（例えばブックマーク等）だけでなく、配置情報格納装置のデータも利用することにより、たとえユーザ数が少なくても有効な配置情報の推薦が受けられるようになる。
【００２１】
また、上記請求項１又は請求項２の配置情報推薦装置において、例えば、前記各配置情報毎に該配置情報が指すコンテンツに対する全アクセス数または各ユーザ毎のアクセス数を格納するアクセス数格納手段を更に有し、配置情報推薦候補抽出手段は、前記アクセス数が第２の閾値以下である配置情報は前記推薦すべき配置情報の候補から除外するようにしてもよい。
【００２２】
一般に、アクセス数が多い配置情報（ＵＲＬ等）のコンテンツは、優良（役に立つ）なコンテンツである可能性が高い。これより、アクセス数があまり多くない配置情報を、推薦候補から外すようにすることで、役に立つ可能性が低い配置情報が推薦されないようにできる。
【００２３】
また、例えば、更に、前記配置情報推薦候補抽出手段は、前記抽出した推薦すべき配置情報の候補に優先順位を付け、前記推薦手段は、優先順位が高い配置情報から順に前記配置情報格納装置または前記個人登録配置情報格納装置に対して推薦するように構成してもよい。
【００２４】
このようにすることで、より優良な配置情報が優先的に推薦されるようになる。これは、特に、推薦候補が多くて、推薦する数を制限する場合には非常に有効となる。
【００２５】
また、例えば、前記配置情報格納装置に格納されているカテゴリに対する重みを設定させ格納する重み調整手段を更に備え、前記配置情報推薦候補抽出手段は、該重みを用いて前記優先順位を決定するようにしてもよい。
【００２６】
例えば、配置情報の優先順位の決定方法として、その配置情報が登録されているカテゴリの数を用いる方法がある。これは、例えば、多くのユーザがブックマーク等に登録している配置情報は、優良である可能性が高いという考えに基づくものである。一方で、当該配置情報を登録しているユーザ数がたとえ少なくても、当該配置情報が配置情報格納装置に格納されているカテゴリに登録されているものであるならば、優先的に推薦を受けたいと考えるユーザも存在するかもしれない。この場合、上記重みの設定値を大きくすればよい。このように、上記重みを調整することで、各ユーザは自己にとって都合が良い推薦を受けることができる。尚、重みの調整は、上記配置情報格納装置の管理者等が行うこともできる。
【００２７】
また、例えば、前記第１の推薦手段又は前記第２の推薦手段は、前記配置情報格納装置または前記個人登録配置情報格納装置に対して推薦する配置情報の数を、各カテゴリ毎に第３の閾値までとするようにしてもよい。
【００２８】
また、本発明は、上記装置としての形態に限らず、方法、またはこれら装置、方法をコンピュータにおいて実現させるプログラムとして構成することもできる。
【００２９】
例えば、請求項７記載の配置情報推薦方法は、ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置とから、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出し、該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出し、前記選別された各カテゴリの組毎に、該抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置または前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する。
【００３０】
また、請求項８記載のプログラムは、コンピュータに、ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出して、関連性が高いカテゴリ同士で互いに配置情報を推薦し合えるようにする機能を実現させる。
【００３１】
また、請求項９記載のプログラムは、コンピュータに、ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して作成された各カテゴリの組とその類似度とに基づいて、該類似度が第１の閾値以上であるカテゴリの組を選別する機能と、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する機能とを実現させる。
【００３２】
また、請求項１０記載のプログラムは、コンピュータに、ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から取得された前記各カテゴリと該カテゴリに含まれる配置情報に基づいて抽出された配置情報の推薦候補に基づいて、前記配置情報格納装置または前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する機能を実現させる。
【００３３】
【発明の実施の形態】
以下、図面を参照して、本発明の実施の形態について説明する。
図１は、本発明の実施の形態による配置情報推薦装置の基本構成ブロック図である。図示の配置情報推薦装置は、配置情報格納部１、個人登録配置情報格納部２、カテゴリ比較部３、配置情報推薦候補抽出部４、第１の推薦部５、第２の推薦部６、アクセス回数記録部７、及び重み調整部８を有する。
【００３４】
配置情報格納部１は、ネットワーク９上の配置情報を各カテゴリに分類して格納する（例えば、Ｙａｈｏｏ！等である）。
ネットワーク９上の配置情報とは、ネットワーク９上の何処にそのコンテンツが存在するかを示すアドレス情報（例えばＵＲＬ等）である。
【００３５】
個人登録配置情報格納部２は、複数のユーザの各個人登録配置情報を格納する。
個人登録配置情報とは、複数ユーザ各々が上記ネットワーク上の配置情報の一部を独自の（または文書ディレクトリに準じた）カテゴリに分類して登録しているものである（例えば“ブックマーク”、“お気に入り”等；あるいは、例えば“Ｍｙ Ｙａｈｏｏ！”のような文書ディレクトリのパーソナライズ版）。
カテゴリ比較部３は、上記配置情報格納部１、個人登録配置情報格納部２から、上記各カテゴリとこのカテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に、各カテゴリの組毎に類似度を算出する。
【００３６】
類似度の算出方法は、様々であってよく、詳しくは後述するが、例えば、各カテゴリの組毎に、その２つのカテゴリ同士で共通する配置情報を求め、この共通の配置情報の数を類似度とする。あるいは、２つのカテゴリ各々に含まれる各配置情報が指す実際のコンテンツを取得して、このコンテンツを単語分解し、共通単語の数、または予め設定されるキーワードと一致する単語数を、類似度とする。または、上記アクセス回数記録部７に記録されているアクセス回数を用いて類似度を算出してもよい。詳しくは、後述する。
【００３７】
配置情報推薦候補抽出部４は、上記カテゴリ比較部３による処理結果を受けて、まず、上記類似度が第１の閾値以上であるカテゴリの組を選別する。そして、選別した各カテゴリの組毎に、互いに推薦すべき配置情報の候補を抽出する。
【００３８】
この配置情報の推薦候補の抽出方法も、様々な方法があるが、例えば、各カテゴリの組毎に、その２つのカテゴリ同士で配置情報の差分を求め、この差分の配置情報を推薦候補とする。更に、上記アクセス回数記録部７に記録されているアクセス回数を用いて、アクセス数が少ない配置情報は、推薦候補とはしないようにしてもよい。その他、様々な抽出方法があり、詳しくは後述する。
【００３９】
第１の推薦部５は、上記選別された各カテゴリの組毎に、上記配置情報推薦候補抽出部４により抽出された配置情報の推薦候補に基づいて、上記配置情報格納部１に対して配置情報を推薦する。
【００４０】
また、第２の推薦部６は、上記選別された各カテゴリの組毎に、配置情報推薦候補抽出部４により抽出された配置情報の推薦候補に基づいて、個人登録配置情報格納部２に配置情報を推薦する。
【００４１】
アクセス数格納部７は、上記各配置情報毎に、その配置情報が指すコンテンツに対する全アクセス数または各ユーザ毎のアクセス数を格納/更新する。このアクセス数は、上記の通り、カテゴリ比較部３や配置情報推薦候補抽出部４の処理で用いられる場合がある。
【００４２】
重み調整部８は、配置情報格納部１に格納されているカテゴリに対する重みを、ユーザまたはディレクトリ管理者などに設定させ、設定値を保持する。この重みを調整することで、例えばあるユーザに対して、配置情報推薦候補抽出部４が、他のユーザのブックマーク等に登録されていたＵＲＬ１と、配置情報格納部１に登録されていたＵＲＬ２とを推薦候補とした場合、例えばＵＲＬ２のほうが優先的に推薦されるようにできる。詳しくは、後述する。
【００４３】
尚、以下の説明では、上記ネットワーク上の配置情報の一例として、ＵＲＬを用いるが、これに限るわけではない。また、以下の説明では、上記個人登録配置情報の一例としてブックマークを例にするが、これに限るわけではない。
【００４４】
図２は、本例によるＵＲＬ推薦システムの基本構成を示すシステム構成図である。
また、本例によるＵＲＬ推薦システムは、例えば図３に示すように、図２に示す基本構成において更にアクセス回数記録装置を加えた構成としてもよい。
【００４５】
また、本例によるＵＲＬ推薦システムは、例えば図４に示すように、図２に示す基本構成において更に重み調整装置を加えた構成としてもよい。
なお、図２〜図４に示す各構成中、ユーザ端末２０を除く全ての装置の実装形態は、様々であってもよい。例えば、全て１つのサーバ（コンピュータ）に実装されてもよいし、各々独立したコンピュータ装置として相互に専用線等により接続された形態であってもよいし、その他どのような形態であってもよい。
【００４６】
まず、図２に示す基本構成について説明する。
図２において、文書ディレクトリ格納装置１１は、既存の構成である。また、各ユーザ端末２０は、各ユーザが使用する情報処理装置（パーソナルコンピュータ等）である。
【００４７】
当該ＵＲＬ推薦システムは、インターネット環境におけるシステムであってもよいし、社内システム等のイントラネット環境におけるシステムであってもよい。
【００４８】
インターネット環境におけるシステムである場合には、文書ディレクトリ格納装置１１は、例えばＹａｈｏｏ！等のような大規模な文書ディレクトリを用意して検索サービス等を提供するサイトにおける上記文書ディレクトリのデータベース装置であり、上記のように大人数のディレクトリ管理者が、文書ディレクトリの階層構造の管理（追加/削除等）、各カテゴリに登録するＵＲＬの管理（追加/削除/移動等）を行っている。また、ネットワーク３０は公衆回線網/インターネット等である。
【００４９】
イントラネット環境におけるシステムである場合には、文書ディレクトリ格納装置１１は、例えば社内における小規模な文書ディレクトリ管理を行う装置であり、上記のように比較的少人数で文書ディレクトリの階層構造の管理（追加/削除等）、各カテゴリに登録するＵＲＬの管理（追加/削除/移動等）を行っている。また、ネットワーク３０は社内ＬＡＮ等である
ブックマーク格納装置１２は、例えば上記「ブリンク」等のように、登録を希望したユーザ（以下、登録ユーザと呼ぶ）のユーザ端末２０におけるブックマーク情報を登録させて何らかのサービスを提供するサイトにおける当該ブックマーク情報を格納するデータベース装置である。
【００５０】
このような構成において、本例によるＵＲＬ推薦システムでは、カテゴリ比較装置１３、ＵＲＬ推薦候補抽出装置１４、ＵＲＬ推薦装置（ディレクトリへのＵＲＬ推薦装置１５、ブックマークへのＵＲＬ推薦装置１６）を設けている。
【００５１】
カテゴリ比較装置１３は、文書ディレクトリ格納装置１１で管理している文書ディレクトリの各カテゴリと、ブックマーク格納装置１２で管理している各登録ユーザのブックマークの各カテゴリに関する情報を取得して、これら全てのカテゴリについて総当りでカテゴリの組を作成し、各カテゴリの組毎に類似度を算出する。
【００５２】
ＵＲＬ推薦候補抽出装置１４は、カテゴリ比較装置１３による処理結果を用いて、まず、全てのカテゴリの組の中で、互いの関連性が高いと思われるカテゴリの組を選別する。つまり、上記類似度が所定の閾値以上であるカテゴリの組を選別する。次に、選別したカテゴリの組について、各カテゴリの組毎に、互いに推薦すべきＵＲＬの候補を抽出する。
【００５３】
ディレクトリへのＵＲＬ推薦装置１５/ブックマークへのＵＲＬ推薦装置１６は、ＵＲＬ推薦候補抽出装置１４の処理結果を受けて、各々、文書ディレクトリ格納装置１１/ブックマーク格納装置１２に格納されている各カテゴリに、ＵＲＬ推薦候補抽出装置１４により抽出されたＵＲＬ推薦候補に基づいて、各カテゴリに追加すべきＵＲＬを推薦する。その際、ＵＲＬ推薦候補抽出装置１４により抽出された全てのＵＲＬ推薦候補を推薦してもよいし、その一部を推薦するようにしてもよい。更に、詳しくは後述するように、ＵＲＬ推薦候補抽出装置１４が、上記ＵＲＬ推薦候補に優先順位を付けることで、より優良なＵＲＬ（“優良ＵＲＬ”とは、有効な/役立つ可能性が高いコンテンツを指すＵＲＬ）が優先的に推薦されるように構成してもよい。
【００５４】
次に、図３を参照して説明する。
図３に示すＵＲＬ推薦システムは、上述してあるように、図２に示す基本構成において更にアクセス回数記録装置４５を加えた構成となっている。カテゴリ比較装置、ＵＲＬ推薦候補抽出装置は、後述するように様々な処理例が存在し、何れの処理例を採用してもよいが、その中にアクセス回数（利用回数）を用いる処理例が存在する。図３は、このような処理例に対応する構成を示すものである。
【００５５】
アクセス回数記録装置４５は、文書ディレクトリ格納装置１１、ブックマーク格納装置１２から、随時、各々で格納/管理している各カテゴリに登録されている各ＵＲＬのアクセス回数を取得して、これを格納（更新）する。
【００５６】
ここで、文書ディレクトリ格納装置１１で格納/管理している各カテゴリに登録されている各ＵＲＬのアクセス回数とは、そのＵＲＬが指すホームページへのアクセス数であり、通常、数千〜数百万回程度のオーダーとなっている。
【００５７】
一方、ブックマーク格納装置１２で格納/管理している各カテゴリに登録されている各ＵＲＬのアクセス回数とは、各ユーザがそのＵＲＬが指すホームページを利用した回数であり、通常、数回〜数百回程度のオーダーとなっている。
【００５８】
このように、ある１つのＵＲＬに対しても、それぞれ違ったアクセス数が格納されることになり、また時間が経過すれば各アクセス数は変化するので、随時、最新のアクセス数を取得して、更新する必要がある。
【００５９】
カテゴリ比較装置４１、ＵＲＬ推薦候補抽出装置４２は、各々、アクセス回数記録装置４５から、各カテゴリ毎の各ＵＲＬのアクセス回数データを取得して、このアクセス回数を用いた処理を行う。詳しい処理例は、後に説明するが、特にＵＲＬ推薦候補抽出装置４２においては、アクセス数が比較的小さいＵＲＬは推薦候補とはしないようにすることで、より優良なＵＲＬのみを推薦候補とすることが可能となる。
【００６０】
尚、図３は、カテゴリ比較装置４１、ＵＲＬ推薦候補抽出装置４２の両方が、必ず、アクセス回数を利用した処理を行うということを意味しているのではない。両方とも行ってもよいが、何れか一方のみが行うようにしてもよい。
【００６１】
次に、図４を参照して説明する。
図４に示すＵＲＬ推薦システムは、上述してあるように、図２に示す基本構成において更に重み調整装置５６を加えた構成となっている。尚、図４には、アクセス回数記録装置５５が示してあるが、これはあっても無くてもよい。すなわち、アクセス回数記録装置５５は、重み調整装置５６の機能に直接関係するわけではなく、単にカテゴリ比較装置５１またはＵＲＬ推薦候補抽出装置５２が、アクセス回数を利用した処理を行う場合に対応した構成を示しているだけである。
【００６２】
重み調整装置５６は、ディレクトリ管理者またはユーザにディレクトリの重みを設定させて、これを記録する。ユーザは、自己のユーザ端末２０から、ネットワーク３０を介して、重み調整装置５６にアクセスして、所望の重みを設定する。
【００６３】
このディレクトリの重みは、詳しくは後述するが、ＵＲＬ推薦候補抽出装置５２が、抽出したＵＲＬ推薦候補に優先順位を与える場合の重み付けに用いられ、重みが大きいほど、文書ディレクトリからのＵＲＬが優先的に推薦されるようになる。つまり、例えば、あるユーザのブックマークに対して推薦するＵＲＬとして、他の複数のユーザのブックマークに存在するＵＲＬ１と、文書ディレクトリに存在するＵＲＬ２とがあった場合、ディレクトリの重みが大きいと、ＵＲＬ２のほうが優先的に当該ユーザのブックマークに追加されることになる。例えば、ユーザが、「他のユーザのブックマークからの推薦よりも、文書ディレクトリからの推薦のほうが信頼性が高い（役に立つＵＲＬが多い）」等と考えた場合には、ディレクトリの重みを大きくすればよい。このように、ユーザは、重みを設定することで、自己に都合が良い推薦を受けることが可能となる。
【００６４】
以下、カテゴリ比較装置、ＵＲＬ推薦候補抽出装置、ブックマークへのＵＲＬ推薦装置、ディレクトリへのＵＲＬ推薦装置について、各々、詳細に説明していく。尚、上述してあるように、例えば、図３において、カテゴリ比較装置４１、ＵＲＬ推薦候補抽出装置４２は、必ずしもアクセス回数を用いた処理を行うとは限らない。図４においても同様である。よって、例えば、カテゴリ比較装置は、図２〜図４において、各々、カテゴリ比較装置１３、４１、５１と区別しているが、以下の説明ではこれらを区別することなく、代表してカテゴリ比較装置５１と記すものとする。他の装置についても同様に、代表して、ＵＲＬ推薦候補抽出装置５２、ディレクトリへのＵＲＬ推薦装置５３、ブックマークへのＵＲＬ推薦装置５４と記すものとする。
【００６５】
以下、まず、カテゴリ比較装置５１における処理例について説明する。
図５、図９〜図１１は、カテゴリ比較装置５１により実行される処理例（その１〜その４）を説明する為のフローチャート図である。
【００６６】
まず、図５を参照して、カテゴリ比較装置５１により実行される処理例（その１）について説明する。
図５に示す処理は、各登録ユーザのブックマークのカテゴリ、文書ディレクトリのカテゴリの全ての組み合わせについて総当りで実行する。
【００６７】
まず、ブックマークまたは文書ディレクトリの任意のカテゴリを１つ選び（ステップＳ１１）、このカテゴリ内に存在する全てのＵＲＬ（ＵＲＬ（Ａ）と表現する）を得る（ステップＳ１２）。次に、ブックマークまたは文書ディレクトリの任意のカテゴリ（但し、ステップＳ１１で選択したものは除く）を１つ選び（ステップＳ１３）、このカテゴリ内に存在する全てのＵＲＬ（ＵＲＬ（Ｂ）と表現する）を得る（ステップＳ１４）。
【００６８】
そして、ＵＲＬ（Ａ）とＵＲＬ（Ｂ）を比較し、両方に存在する（共通する）ＵＲＬの数を求め、これをこのカテゴリの組の類似度として記憶しておくステップＳ１５）。
【００６９】
上述した処理を、一例を用いて説明する。尚、以下の説明では、説明を簡単にする為に、単純な例を用いている。
まず、例えば、文書ディレクトリの構造が、図６のようなラティス構造になっているものとする。図６において、Ａ〜Ｈは、各カテゴリを表すものとする。また、特に図示しないが、各ブックマークのカテゴリも、何らかの階層構造を有しているものとする。
【００７０】
但し、本例による処理では、構造がどの様になっていても関係なく、更にカテゴリ名が似ている/似ていない等ということも関係なく、各カテゴリに登録されているＵＲＬの共通/差分等を以って処理を行う。
【００７１】
各カテゴリ内に登録されているＵＲＬは、カテゴリ名とＵＲＬの対で表現する。
例えば、上記文書ディレクトリにおけるカテゴリに関しては、図７（ａ）に示すように表現する。図示の例では、例えばカテゴリＣには、ＵＲＬ１、ＵＲＬ２、ＵＲＬ３が含まれている。
【００７２】
また、各登録ユーザのブックマークにおけるカテゴリに関しては、図７（ｂ）に示すように表現する。ここでは、例えばユーザａのブックマークにおける各カテゴリは、ａ１、ａ２、・・・、ユーザｂはｂ１、ｂ２、・・・等と表現するものとする。図示の例では、例えばユーザａのブックマークにおけるカテゴリａ１には、ＵＲＬ１、ＵＲＬ３、ＵＲＬ１０が含まれている。
【００７３】
上記ステップＳ１１〜Ｓ１５の処理では、これら各カテゴリを総当りで比較していき、例えば図７（ｃ）に示すテーブル６０を作成する。テーブル６０には、カテゴリ名６１とカテゴリ名６２で示すカテゴリの組に対応付けて、類似度６３が格納される。
【００７４】
この例では、例えばカテゴリＣとカテゴリａ１の組み合わせに関しては、両者に共通するＵＲＬは、ＵＲＬ１とＵＲＬ３であるので、類似度は‘２’となる。上記各カテゴリの組毎に類似度を求める処理について、具体的な手法の一例を図８に示す。
【００７５】
カテゴリ比較装置５１は、文書ディレクトリ格納装置１１、ブックマーク格納装置１２から取得した各カテゴリに関するデータに基づいて、まず、図８に示すテーブル７０を作成する。
【００７６】
これは、まず、文書ディレクトリ格納装置１１、ブックマーク格納装置１２から取得した各カテゴリに関するデータに基づいて、テーブル７０の図上横方向に、これらカテゴリに含まれる全ＵＲＬ（ＵＲＬ１，ＵＲＬ２，ＵＲＬ３、・・・ＵＲＬｎ）を並べる。つまり、ＵＲＬ１〜ＵＲＬｎは、各々、テーブル７０に示すカテゴリのどれかには含まれていたものである（少なくとも１つ以上のカテゴリに含まれていたものである）。また、テーブル７０の図上縦方向には、上記取得した全カテゴリ（ａ１、ａ２、・・・Ｅ、Ｆ、・・・）を並べる。これは、文書ディレクトリのカテゴリとブックマークのカテゴリとを特に区別することなく並べる。
【００７７】
また、テーブル７０では、各カテゴリ毎に、各ＵＲＬがそのカテゴリに含まれているか否かを、１ビット（フラグ）で示す。含まれている場合にはフラグ＝１、含まれていない場合にはフラグ＝０とする（尚、初期状態では全てフラグ＝０としている）。これより、次に、上記取得した各カテゴリに関するデータを参照して、各カテゴリ毎に、そのカテゴリに含まれているＵＲＬに対してはフラグをセットする（１にする）。図７に示す例では、カテゴリａ１にはＵＲＬ１，ＵＲＬ３、ＵＲＬ１０が含まれているので、図８に示す通りフラグをセットする。これを、全てのカテゴリについて行う。
【００７８】
そして、全てのカテゴリについて総当りのカテゴリの組を作り、全てのカテゴリの組について、各々、上記フラグ・データを比較して、両方ともフラグ＝１であるＵＲＬの数をカウントする。
【００７９】
尚、ＵＲＬｎのｎの値は、数千〜数十万のオーダーになるかもしれないが、本手法によれば１ビットで表わされるデータ群を比較するだけなので、たとえ数十万のオーダーであっても、処理時間はそれほど掛からないで済む。
【００８０】
次に、図９を参照して、カテゴリ比較装置５１により処理例（その２）について説明する。
図９に示す処理は、各登録ユーザのブックマークのカテゴリ、文書ディレクトリのカテゴリの全ての組み合わせについて総当りで実行する。
【００８１】
図９において、ステップＳ２１、Ｓ２２、Ｓ２３、Ｓ２４の処理は、図５のステップＳ１１、Ｓ１２、Ｓ１３、Ｓ１４の処理と同じであるので、説明は省略する。
【００８２】
当該処理例（その２）では、ステップＳ２１、Ｓ２２、Ｓ２３、Ｓ２４の処理により得た、各カテゴリに含まれるＵＲＬ群（処理例（その１）と同様、ＵＲＬ（Ａ）、ＵＲＬ（Ｂ）で表現する）について、ステップＳ２５の処理を実行することで求めた共通単語の数を、類似度とする。
【００８３】
ステップＳ２５の処理は、まず、ＵＲＬ（Ａ）の各ＵＲＬが指すホームページ等のコンテンツを取得し、各コンテンツを、例えば既存の形態素解析・構文解析ソフトウェア（例えば「Breakfast」；富士通研究所等）を用いて、単語レベル（但し、助詞、助動詞は除く）に分解する。ＵＲＬ（Ｂ）についても、同様に、各コンテンツを単語に分解する（同じ単語が複数ある場合は、１つにまとめておく）。
【００８４】
次に、ＵＲＬ（Ａ）に関して得た上記単語群と、ＵＲＬ（Ｂ）に関して得た上記単語群とを比較して、両者に共通する単語を抽出し、この共通単語の数を記録する。当該処理例（その２）では、この共通単語の数を、類似度とする。
【００８５】
次に、図１０を参照して、カテゴリ比較装置５１により処理例（その３）について説明する。
図１０に示す処理は、各登録ユーザのブックマークのカテゴリ、文書ディレクトリのカテゴリの全ての組み合わせについて総当りで実行する。
【００８６】
図１０に示す処理例（その３）では、まず、ブックマークまたは文書ディレクトリの任意のカテゴリを１つ選び（ステップＳ３１）、このカテゴリ内に存在する全てのＵＲＬ（ＵＲＬ（Ａ）と表現する）を得る（ステップＳ３２）。次に、ブックマークまたは文書ディレクトリの任意のカテゴリ（但し、ステップＳ３１で選択したものは除く）を１つ選び（ステップＳ３３）、このカテゴリ内に関して予め登録されているキーワード（キーワード（Ｂ）と表現する）を得る（ステップＳ３４）。
【００８７】
すなわち、本処理では、予め各登録ユーザに、自己のブックマークの各カテゴリ毎に、そのカテゴリに関係する任意のキーワードを登録させておく。また、文書ディレクトリの各カテゴリに関しても、ディレクトリ管理者等にキーワードを登録させておく（キーワードは１又は複数）。上記ステップＳ３４の処理では、このキーワードを取り出す。
【００８８】
また、ステップＳ３２で得たＵＲＬ（Ａ）に関しては、上記ステップＳ２５と同様、そのコンテンツを単語に分解する（同じ単語が複数ある場合は１つにまとめる）。そして、これら単語の中で、上記キーワードと一致する単語の数をカウントし、この単語数を記録する。当該処理例（その３）では、このように、キーワードと一致する単語の数を、類似度とする。
【００８９】
次に、図１１を参照して、カテゴリ比較装置５１により処理例（その４）について説明する。
図１１に示す処理は、各登録ユーザのブックマークのカテゴリ、文書ディレクトリのカテゴリの全ての組み合わせについて総当りで実行する。
【００９０】
図１１において、ステップＳ４１、Ｓ４２、Ｓ４３、Ｓ４４の処理は、図５のステップＳ１１、Ｓ１２、Ｓ１３、Ｓ１４の処理と同じであるので、説明は省略する。
【００９１】
当該処理例（その４）では、ステップＳ４１、Ｓ４２、Ｓ４３、Ｓ４４の処理により得た、各カテゴリに含まれるＵＲＬ群（ＵＲＬ（Ａ）、ＵＲＬ（Ｂ））について、ステップＳ４５の処理を実行することで求めた「ベクトルの内積/距離」を、類似度とする。
【００９２】
ステップＳ４５の処理は、ＵＲＬ（Ａ）の各ＵＲＬの利用回数、ＵＲＬ（Ｂ）の各ＵＲＬの利用回数を取得して、それぞれをベクトルとして内積/距離を計算し、この計算結果を類似度として記録しておくものである。
【００９３】
例えば、ＵＲＬ（Ａ）は文書ディレクトリ、ＵＲＬ（Ｂ）はブックマークのカテゴリに含まれるＵＲＬであるものとする。また、ここでは、ＵＲＬをｕ１、ｕ２、・・・等と記すものとし、ＵＲＬ（Ａ）＝（ｕ１，ｕ２，ｕ３）、ＵＲＬ（Ｂ）＝（ｕ１，ｕ２，ｕ４）であったものとする。そして、ＵＲＬ（Ａ）の各ＵＲＬの利用回数を（ｄｕ１，ｄｕ２，ｄｕ３）とし、ＵＲＬ（Ｂ）の各ＵＲＬの利用回数を（ｕｕ１，ｕｕ２，ｕｕ４）とすると、それぞれをベクトルとして内積/距離を計算すると、
【００９４】
【数１】
【００９５】
となる。
尚、ｄｕ１，ｄｕ２，ｄｕ３、すなわち、文書ディレクトリの場合の利用回数とは、各ＵＲＬへのアクセス回数を意味しており、通常、数千〜数十万のオーダーであるので、ユーザの利用回数とは桁が違うが、上記のようにベクトルとして内積/距離を計算するので（つまり２つのベクトル同士の成す角度のcosθを求める）、何ら問題はない。
【００９６】
次に、ＵＲＬ推薦候補抽出装置５２における処理例について説明する。
図１２、図１４、図１５、図１７は、各々、ＵＲＬ推薦候補抽出装置５２により実行される処理例（その１〜その４）を説明する為のフローチャート図である。
【００９７】
まず、図１２を参照して、ＵＲＬ推薦候補抽出装置５２により実行される処理例（その１）について説明する。
ＵＲＬ推薦候補抽出装置５２は、まず、予め設定/登録されている“類似度の閾値ｒ”を取得する（ステップＳ５１）。この“類似度の閾値ｒ”は、カテゴリ比較装置５１が何を類似度としているかによって、それに応じた値が用いられる。例えば、カテゴリ比較装置５１が、上記処理例（その１）のように、両方のカテゴリに共通するＵＲＬの数を類似度としている場合には、これに応じた値の閾値ｒが設定されている。
【００９８】
次に、カテゴリ比較装置５１からデータを得る（ステップＳ５２）。すなわち、上記図５、図９〜図１１の何れかの処理結果として蓄積されている、各カテゴリの組の類似度のデータを得る。
【００９９】
そして、全てのカテゴリの組について、類似度と閾値ｒとを比較して、「類似度＞閾値」である（ステップＳ５４、ＹＥＳ）カテゴリの組を選別して蓄積しておく。その際、このカテゴリの組におけるＵＲＬの差分を抽出して、推薦すべきＵＲＬの候補として記録しておく（ステップＳ５５）。
【０１００】
上記処理を、図１３（ａ）〜（ｄ）に示す具体例を参照して説明する。
図１３（ａ）の図上左側には、文書ディレクトリの各カテゴリに含まれるＵＲＬを示す。尚、同図右側には、各ＵＲＬの利用回数（アクセス数）を示すが、これは図１２の処理では関係なく、図１４の処理で用いるので、ここでは説明しない。
【０１０１】
図１３（ｂ）の図上左側には、任意のユーザａのブックマークの各カテゴリに含まれるＵＲＬを示す。尚、同図右側には、各ＵＲＬの利用回数を示すが、上記と同様、ここでは説明しない。
【０１０２】
図１３（ｃ）は、上記図１３（ａ），（ｂ）に示す例において、カテゴリ比較装置５１により実行された処理（ここでは、処理（その１）を例にする）の結果をテーブル形式で示す図である。このテーブル８０は、上記テーブル６０と同様、カテゴリ８１、カテゴリ８２、類似度８３の各データ項目より成り、図示の通り、各カテゴリの組毎に、共通するＵＲＬの数が、類似度８３に格納されている。
【０１０３】
そして、上記ステップＳ５２の処理により、カテゴリ比較装置５１から図１３（ｃ）に示すテーブルが読み出される。そして、各カテゴリの組毎に、ステップＳ５３〜Ｓ５５の処理により、類似度を閾値ｒ（ここではｒ＝１とする）と比較し、類似度＞閾値ｒである各カテゴリの組を求め、更に求めたカテゴリの組毎に、ＵＲＬの差分を抽出した結果を、図１３（ｄ）に示すテーブル９０に蓄積していく。
【０１０４】
図１３（ｄ）に示すテーブル９０は、各カテゴリの組を示すカテゴリ名９１、９２と、このカテゴリの組における差分のＵＲＬ９３より成る。
この例では、類似度＞閾値ｒ（ｒ＝１）であるカテゴリの組は、カテゴリＣとａ１の組、カテゴリＨとａ３の組であるので、これらが図１３（ｄ）に示すテーブル９０に格納される。また、カテゴリＣとａ１の組における差分のＵＲＬはＵＲＬ９、カテゴリＨとａ３の組における差分のＵＲＬはＵＲＬ８とＵＲＬ１０となるので、各々、テーブル９０の差分のＵＲＬ９３に格納される。これらが、各カテゴリの組毎に、互いに推薦すべきＵＲＬの候補となる。なお、図では、差分のＵＲＬ９３を混在して示しているが、実際には、ブックマークのカテゴリに存在していた差分のＵＲＬと、文書ディレクトリのカテゴリに存在していた差分のＵＲＬとに区別して格納したほうがよい。
【０１０５】
図１２に示すＵＲＬ推薦候補抽出装置５２により実行される処理例（その１）では、類似度＞閾値ｒの判定により、互いに関連性が高いと推測されるカテゴリの組を抽出しているが、差分のＵＲＬを推薦候補するだけでなく、より優良なＵＲＬを推薦できるようにすることが要望される。
【０１０６】
以下に説明するＵＲＬ推薦候補抽出装置５２により実行される処理例（その２）〜（その４）は、優良なＵＲＬを推薦できる可能性を、より高めることができる手法を提案するものである。
【０１０７】
以下、図１４を参照して、ＵＲＬ推薦候補抽出装置５２により実行される処理例（その２）について説明する。
図１４に示す処理の中で、ステップＳ６１、ステップＳ６３〜Ｓ６６の処理は、図１２に示すステップＳ５１〜Ｓ５５の処理と同様であるので、説明は省略する。
【０１０８】
本処理では、ステップＳ６２の処理において、予め設定/登録されている“利用回数の閾値ｓ，ｔ”を得る。ここで、２つの閾値を用いるのは、例えばあるＵＲＬのホームページに関する利用回数は、通常、ユーザ側と文書ディレクトリ側とでは桁が違うからである。つまり、ユーザが上記ＵＲＬを利用する回数という意味での利用回数は、数回〜数百回程度のオーダーであるのに対して、上記ＵＲＬのホームページに対するアクセス数という意味での利用回数は、数千〜数百万というオーダーであり、桁が違うので、閾値も別々に設定する。ここでは、ユーザの利用回数に対する閾値を閾値ｓとする（当然、文書ディレクトリ側に関しては、閾値ｔとなる）。
【０１０９】
そして、ステップＳ６６の処理により抽出した差分のＵＲＬのうち、閾値ｓ又はｔを越えるＵＲＬのみを、推薦するＵＲＬの候補として残すようにする（ステップＳ６７）ことが、本処理の特徴である。
【０１１０】
上記図１４に示す処理について、再び、図１３を参照して説明する。
上記の通り、図１３（ａ），（ｂ）の図上右側には、各ＵＲＬの利用回数が示してある。また、閾値ｓ＝３、閾値ｔ＝3,000とする。また、ステップＳ６６の処理の段階では、図１３（ｄ）に示すＵＲＬが得られていると見なせる。
【０１１１】
この例において、ステップＳ６７の処理を実行すると、まず、カテゴリＣとａ１の組に関して、ＵＲＬ９は文書ディレクトリ側にあるＵＲＬであるので、その利用回数は7,000であり、これを閾値ｔと比較すると、利用回数＞閾値ｔとなるので、ＵＲＬ９はブックマークに推薦するＵＲＬの候補として残る。
【０１１２】
一方、カテゴリＨとａ３の組に関しては、まず、ＵＲＬ８は、文書ディレクトリ側にあるＵＲＬであるので、その利用回数は2,000であり、これを閾値ｔと比較すると、利用回数は閾値ｔを越えないので、ＵＲＬ８はブックマークに推薦するＵＲＬの候補から除外される。また、ＵＲＬ１０は、ユーザ側（ブックマークに登録されている）ＵＲＬであるので、その利用回数は２であり、これを閾値ｓと比較すると、利用回数は閾値ｓを越えないので、ＵＲＬ１０はブックマークに推薦するＵＲＬの候補から除外される。このように、この簡単な例では、カテゴリＨとａ３の組に関しては、推薦候補となるＵＲＬが無くなってしまうが、実際には差分のＵＲＬはもっと多くなると考えられるので（特に文書ディレクトリ側からユーザ側に推薦すべきＵＲＬの数は非常に多くなると考えられる）、むしろ推薦するＵＲＬの数を絞ることに役立つ。しかも、単に数を減らすだけでなく、優良なＵＲＬは残るようにすることが可能となる。
【０１１３】
以下、図１５を参照して、ＵＲＬ推薦候補抽出装置５２により実行される処理例（その３）について説明する。
図１５に示す処理の中で、ステップＳ７１〜Ｓ７６の処理は、図１２に示すステップＳ５１〜Ｓ５５の処理と同様であるので（ステップＳ７５、Ｓ７６の処理は、ステップＳ５５の処理を単に２つに分けて示しているだけである）、説明は省略する。
【０１１４】
そして、各カテゴリの組毎に、ステップＳ７６の処理により抽出した差分のＵＲＬの各々について、全てのカテゴリの中でこの差分のＵＲＬを含むカテゴリが幾つあるのかをカウントして、このカウント値を記憶しておく（ステップＳ７７）。
【０１１５】
ステップＳ７２〜Ｓ７７の処理を繰り返し実行していき、全てのカテゴリの組について処理を実行したら（ステップＳ７８，ＹＥＳ）、ステップＳ７５〜Ｓ７７の処理により蓄積してあるデータ、すなわち類似度＞閾値の条件を満たすカテゴリの組と、その差分のＵＲＬ及びカウント値のデータを用いて、ステップＳ７９の処理を実行する。
【０１１６】
ステップＳ７９の処理は、上記各カテゴリの組毎に、差分のＵＲＬを、そのカウント値が大きい順にソートする処理である。これにより、後に説明するブックマークへのＵＲＬ推薦装置５４または文書ディレクトリへのＵＲＬ推薦装置５３の処理において、推薦するＵＲＬの数を制限する場合において、カウント値が大きいＵＲＬほど優先的に推薦されることになる。ここで、カウント値がより大きいＵＲＬとは、上記の通り、より多くのカテゴリで利用されているＵＲＬであるので、より優良なＵＲＬである可能性が高いことになる。
【０１１７】
ここで、上記ステップＳ７７の処理の具体的な手法について、図１６を参照して説明する。まず、前提として、当該処理例（その３）及び後述する処理例（その４）では、カテゴリ比較装置５１から、例えば図８で説明したテーブル７０も取得している。
【０１１８】
図１６には、このように取得したテーブルを示す。尚、図示のテーブル１００は、本説明を分かり易くする為に図８のテーブル７０のデータの内容を変えて示しているだけである。
【０１１９】
まず、上記ステップＳ７４の処理で類似度＞閾値ｒを満たすカテゴリの組として、カテゴリａ１とＣの組が得られた場合、ステップＳ７６の処理で得られる差分のＵＲＬは、図１６に示す例ではＵＲＬ２とＵＲＬ４となる。上記ステップＳ７７の処理は、このＵＲＬ２、ＵＲＬ４各々について、全てのカテゴリの中でこれらＵＲＬが存在するカテゴリが各々幾つ存在するかを求める（図上、点線の囲みで示すイメージ）。この数が多いほうが、より多くのユーザに利用されていることになるので、優良なＵＲＬである可能性が高いと推測できる。これより、後の処理において、ＵＲＬ４が優先的にカテゴリａ１に追加されることになる。
【０１２０】
次に、以下、図１７を参照して、ＵＲＬ推薦候補抽出装置５２により実行される処理例（その４）について説明する。
この処理例（その４）は、基本的な処理の流れは上記処理例（その３）と略同様であるが、単純にカウント値を求めるのではなく、重み付けを行う点で異なる。
【０１２１】
すなわち、図１７に示す処理では、まず、類似度の閾値ｒを取得すると共に、文書ディレクトリの重みｇを取得する（ステップＳ８１）。その後、ステップＳ８２〜Ｓ８６の処理は、上記ステップＳ７２〜Ｓ７６の処理と同じである。
【０１２２】
本処理では、ステップＳ７７の処理に代えて、ステップＳ８７〜Ｓ８９の処理を実行する。まず、ステップＳ７７の処理では、他の全てのカテゴリの中で各差分のＵＲＬを含むカテゴリが幾つあるのかをカウントしていたが、本処理ではこれをブックマークのカテゴリと文書ディレクトリのカテゴリとで分けて行う。
【０１２３】
すなわち、ステップＳ８６の処理により得られた各差分のＵＲＬ毎に、他の全てのブックマークのカテゴリの中で、この差分のＵＲＬを含むカテゴリが幾つあるのかをカウントし、このカウント値（ｃ１）を記録する（ステップＳ８７）。
【０１２４】
また、ステップＳ８６の処理により得られた各差分のＵＲＬ毎に、他の全ての文書ディレクトリのカテゴリの中で、この差分のＵＲＬを含むカテゴリが幾つあるのかをカウントし、このカウント値（ｃ２）を記録する（ステップＳ８８）。
【０１２５】
そして、カウント値（ｃ２）に対して重み付けを行ったうえで、トータルのカウント値を求める。すなわち、「ｃ１＋（ｃ２×ｇ）」を算出し、これを記憶する（ステップＳ８９）。
【０１２６】
文書ディレクトリの重みｇは、例えば予め設定されている任意の整数であり、各ユーザが設定してもよいし、文書ディレクトリ側の管理者などが設定してもよい。文書ディレクトリの重みｇをユーザが設定することによって、他のユーザからの推薦を受けるようにするか、文書ディレクトリからの推薦を優先的に受けるようにするかを、加減することができるようになる。例えばあるカテゴリの組についてステップＳ８６で得られた差分のＵＲＬがＵＲＬ１とＵＲＬ２であったとし、ＵＲＬ１についてはｃ１＝２、ｃ２＝１であり、ＵＲＬ２についてはｃ１＝５、ｃ２＝０であったとする。この例では、上記処理例（その３）の場合、カウント値がそれぞれ３、５であり、ＵＲＬ２の優先度が高くなるが（ステップＳ７９でソートされると、より上位になる）、本処理において例えばあるユーザが文書ディレクトリの重みｇ＝１０に設定していた場合には、「ｃ１＋（ｃ２×ｇ）」はそれぞれ１２、５となり、ＵＲＬ１のほうが優先度が高くなる。つまり、文書ディレクトリのカテゴリに含まれているＵＲＬ（この例ではＵＲＬ１）のほうを、優先的に推薦することができる。換言すれば、この場合、上記ユーザは、他のユーザのブックマークよりも文書ディレクトリのほうを信頼する、と考えている。
【０１２７】
また、文書ディレクトリ側の管理者等が、文書ディレクトリの重みｇを設定するようにした場合、例えば重みｇの設定値を大きくすると、上記の通り文書ディレクトリ側から推薦されるＵＲＬが優先されるので、積極的に、文書ディレクトリに登録したＵＲＬを各ユーザに知ってもらいたい（ブックマークに登録させたい）等と思う場合には、重みｇの設定値を大きくすればよい。
【０１２８】
また、ユーザが設定する場合でも、文書ディレクトリ側の管理者等が設定する場合でも、重みｇの設定値を非常に大きくすれば、文書ディレクトリのパーソナライズ版を容易に提供できる（または提供を受けることができる）。文書ディレクトリのパーソナライズ版とは、例えば「Ｍｙ Ｙａｈｏｏ！」等が知られている。
【０１２９】
つまり、本発明は、例えば「Ｍｙ Ｙａｈｏｏ！」等の文書ディレクトリのパーソナライズ版の内容を自動更新することにも利用できる。
尚、この場合、各ユーザのブックマークのカテゴリだけでなく、例えば各ユーザの「Ｍｙ Ｙａｈｏｏ！」等のカテゴリも用いて、上述したカテゴリ比較、ＵＲＬ推薦等の処理を行うようにしてもよい。
【０１３０】
上記ステップＳ８２〜Ｓ８９の処理を、各カテゴリの組に関して繰り返し実行していき、全てのカテゴリの組について処理を実行し終えたら（ステップＳ９０，ＹＥＳ）、ステップＳ８５〜Ｓ８９の処理により蓄積してあるデータ、すなわち類似度＞閾値の条件を満たすカテゴリの組と、その差分のＵＲＬとその「ｃ１＋（ｃ２×ｇ）」のデータを用いて、ステップＳ９１の処理を実行する。
【０１３１】
ステップＳ９１の処理は、上記各カテゴリの組毎に、差分のＵＲＬを、その「ｃ１＋（ｃ２×ｇ）」の値が大きい順にソートする処理である。
次に、以下、ブックマークへのＵＲＬ推薦装置５４、ディレクトリへのＵＲＬ推薦装置５３における処理例について説明する。
【０１３２】
ブックマークへのＵＲＬ推薦装置５４、ディレクトリへのＵＲＬ推薦装置５３は、各々、ＵＲＬ推薦候補抽出装置５２により抽出されたＵＲＬ推薦候補に基づいて、各ブックマークまたは文書ディレクトリの各カテゴリに新たに追加すべきＵＲＬを推薦する装置である。
【０１３３】
ブックマークへのＵＲＬ推薦装置５４、ディレクトリへのＵＲＬ推薦装置５３は、例えば、各々、ＵＲＬ推薦候補抽出装置５２により抽出されたＵＲＬ推薦候補を、そのまま、各ブックマークまたは文書ディレクトリの各カテゴリへ推薦してもよい（特に、ＵＲＬ推薦候補抽出装置５２が上記処理例（その１）、（その２）を実行するものである場合）。
【０１３４】
一方、特に、文書ディレクトリのカテゴリにあるＵＲＬを、ブックマーク側に推薦する場合、その数が非常に多数になる場合もあり、これをそのまま推薦すると、かえってユーザに余計な負担を掛けることに成りかねない。また、ブックマークのカテゴリにあるＵＲＬを、文書ディレクトリ側に推薦する場合や、ブックマーク同士で推薦し合う場合にも、推薦するＵＲＬが無駄に数が多い（あまり優良ではないＵＲＬも含まれる）場合が考えられる。
【０１３５】
このような状況を考慮して、ブックマークへのＵＲＬ推薦装置５４、ディレクトリへのＵＲＬ推薦装置５３は、各々、図１８、図１９に示す処理を実行することにより、推薦するＵＲＬの数を制限するようにしてもよい。図１８、図１９に示す処理は、ＵＲＬ推薦候補抽出装置５２が上記処理例（その１）〜（その４）の何れを実行する場合でも有効であるが、特にＵＲＬ推薦候補抽出装置５２が上記処理例（その３）または（その４）を実行する場合には、図１８、図１９のステップＳ１０２又はＳ１１２において、上記ステップＳ７９又はＳ９１の処理によりソートされた推薦候補のＵＲＬを、上位から順番に推薦していくことで、より優良と思われるＵＲＬを優先的に推薦することができる。また、これは、ＵＲＬ推薦候補抽出装置５２の上記処理例（その２）の変形例にも適用できる。この変形例は、上記ステップＳ６７の処理後、更に、抽出した推薦候補のＵＲＬを、利用回数が多い順にソートする処理を加えるものである。
【０１３６】
以下、図１８、図１９を参照して、ブックマークへのＵＲＬ推薦装置５４、ディレクトリへのＵＲＬ推薦装置５３各々の処理例について説明する。
図１８は、ディレクトリへのＵＲＬ推薦装置５３により実行される処理を説明する為のフローチャート図である。
【０１３７】
同図において、まず、予め設定/登録されている「ディレクトリに登録するＵＲＬの最大数（Ｍａｘ）」を取得する（ステップＳ１０１）。次に、ＵＲＬ推薦候補抽出装置５２により抽出された推薦候補のＵＲＬ群の中から、文書ディレクトリ格納装置１１側にＵＲＬを１つ推薦する毎に（ステップＳ１０２）、推薦したＵＲＬの数（ｃ）を更新（+１インクリメント）する（ステップＳ１０３）。そして、更新後の“推薦したＵＲＬの数（ｃ）”が最大数（Ｍａｘ）を越えるまで（ステップＳ１０４、ＮＯ）、ステップＳ１０２、Ｓ１０３の処理を繰り返し実行する。
【０１３８】
文書ディレクトリ格納装置１１側では、例えば、ディレクトリ管理者等が、上記推薦されたＵＲＬが、本当にそのカテゴリに登録するのに相応しいか否かを判断するなどしてから、各カテゴリに、推薦されたＵＲＬの全部又は一部を登録する。尚、これに限らず、ディレクトリへのＵＲＬ推薦装置５３が、上記ＵＲＬを、推薦するのではなく、文書ディレクトリ格納装置１１の各カテゴリに自動的に登録するようにしてもよい。
【０１３９】
図１９は、ブックマークへのＵＲＬ推薦装置５４により実行される処理を説明する為のフローチャート図である。
同図において、まず、予め設定/登録されている「ブックマークに登録するＵＲＬの最大数（Ｍａｘ）」を取得する（ステップＳ１１１）。次に、ＵＲＬ推薦候補抽出装置５２により抽出された推薦候補のＵＲＬ群の中から、ブックマーク格納装置１２側にＵＲＬを１つ推薦する毎に（ステップＳ１１２）、推薦したＵＲＬの数（ｃ）を更新（+１インクリメント）する（ステップＳ１１３）。そして、更新後の“推薦したＵＲＬの数（ｃ）”が最大数（Ｍａｘ）を越えるまで（ステップＳ１１４、ＮＯ）、ステップＳ１１２、Ｓ１１３の処理を繰り返し実行する。
【０１４０】
ブックマークへのＵＲＬ推薦装置５４またはディレクトリへのＵＲＬ推薦装置５３により推薦を受けたユーザ又はディレクトリ管理者は、推薦されたＵＲＬを本当に登録すべきかを判断したうえで、各カテゴリに登録する。あるいは、これに限らず、ブックマークへのＵＲＬ推薦装置５４またはディレクトリへのＵＲＬ推薦装置５３が、各々が推薦するＵＲＬを自動的に各カテゴリに登録する構成としてもよい。
【０１４１】
以上説明したように、本例のＵＲＬ推薦システムによれば、文書ディレクトリ側、ユーザ側双方にとって、それぞれ、以下に記す効果が得られる。
・文書ディレクトリ側にとっての効果
（１）ディレクトリ管理者にとって、新たに登録すべきＵＲＬを探し、探し出した各ＵＲＬを登録すべき適切なカテゴリを判断するという作業が、軽減される。（２）ディレクトリの重みｇを大きくすることで、ディレクトリのパーソナライズ版の提供を容易に行うことができる。
・各ユーザ側にとっての効果
（１）有効なＵＲＬの推薦が受けられ、ブックマークが陳腐化しない。特に、ユーザが少人数の場合でも、十分に機能する。
（２）カテゴリの階層構造やカテゴリ名（フォルダ名等）は関係なく、処理を行うので、ブックマークのようにユーザ独自の階層構造、カテゴリ名であっても何ら問題なく、有効なＵＲＬの推薦が受けられる。
（３）ディレクトリの重みｇを大きくすることで、ディレクトリのパーソナライズ版の自動更新に利用できる。
（４）ディレクトリの重みｇの設定の仕方によって、自由に、自己に都合が良い推薦が受けられる可能性を高めることができる。
【０１４２】
図２０は、上記各種処理を実行する情報処理装置（コンピュータ）のハードウェア構成の一例を示す図である。
同図に示す情報処理装置（コンピュータ）１１０は、ＣＰＵ１１１、メモリ１１２、入力装置１１３、出力装置１１４、外部記憶装置１１５、媒体駆動装置１１６、ネットワーク接続装置１１７等を有し、これらがバス１１８に接続された構成となっている。同図に示す構成は一例であり、これに限るものではない。
【０１４３】
ＣＰＵ１１１は、当該情報処理装置１１０全体を制御する中央処理装置である。
メモリ１１２は、プログラム実行、データ更新等の際に、外部記憶装置１１５（あるいは可搬記録媒体１１９）に記憶されているプログラムあるいはデータを一時的に格納するＲＡＭ等のメモリである。ＣＰＵ１１１は、メモリ１１２に読み出したプログラム／データを用いて、上述してある各種処理を実行する。
【０１４４】
入力装置１１３は、例えばキーボード、マウス、タッチパネル等である。
出力装置１１４は、例えばディスプレイ、プリンタ等である。
尚、入力装置１１３、出力装置１１４は、無くてもよい。
【０１４５】
外部記憶装置１１５は、例えばハードディスク装置等であり、上記各種機能を実現させる為のプログラム／データ等（例えば図５、図６、図９〜図１２、図１４、図１５、図１７〜図１９に示す各処理をコンピュータに実行させるプログラム/データ等）が格納されている。
【０１４６】
媒体駆動装置１１６は、可搬記録媒体１１９に記憶されているプログラム／データ等を読み出す（または書込む）。可搬記録媒体１１９は、例えば、ＦＤ（フレキシブルディスク）、ＣＤ−ＲＯＭ、その他、ＤＶＤ、光磁気ディスク等である。
【０１４７】
ネットワーク接続装置１１７は、ネットワーク（インターネット等）に接続して、外部の情報処理装置とプログラム／データ等の送受信を可能にする構成である。
【０１４８】
図２１は、上記プログラムを記録した記録媒体又はプログラムのダウンロードの一例を示す図である。
図示のように、上記本発明の機能を実現するプログラム／データが記憶されている可搬記録媒体１１９を情報処理装置１１０の本体に挿入する等して、当該プログラム／データを読み出してメモリ１１２に格納し実行するものであってもよいし、また、上記プログラム／データは、ネットワーク接続装置１１７により接続しているネットワーク１３０（インターネット等）を介して、外部のプログラム／データ提供者側のサーバ１２０に記憶されているプログラム／データ１２１をダウンロードするものであってもよい。
【０１４９】
また、本発明は、装置／方法に限らず、上記プログラム／データを格納した記録媒体（可搬記録媒体１１９等）自体として構成することもできるし、これらプログラム自体として構成することもできる。
【０１５０】
（付記１） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較手段と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する配置情報推薦候補抽出手段と、
前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第１の推薦手段と、
を有することを特徴とする配置情報推薦装置。
【０１５１】
（付記２） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較手段と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する配置情報推薦候補抽出手段と、
前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出された推薦すべき配置情報の候補に基づいて、前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第２の推薦手段と、
を有することを特徴とする配置情報推薦装置。
【０１５２】
（付記３） 前記配置情報推薦候補抽出手段は、前記選別した各カテゴリの組毎に、相互に比較して差分となる配置情報を抽出し、該差分の配置情報を前記推薦すべき配置情報の候補とすることを特徴とする付記１または２に記載の配置情報推薦装置。
【０１５３】
（付記４） 前記各配置情報毎に該配置情報が指すコンテンツに対する全アクセス数または各ユーザ毎のアクセス数を格納するアクセス数格納手段を更に有し、
配置情報推薦候補抽出手段は、前記アクセス数が第２の閾値以下である配置情報は前記推薦すべき配置情報の候補から除外することを特徴とする付記１〜３の何れかに記載の配置情報推薦装置。
【０１５４】
（付記５） 前記配置情報推薦候補抽出手段は、前記抽出した推薦すべき配置情報の候補に優先順位を付け、
前記推薦手段は、優先順位が高い配置情報から順に前記配置情報格納装置または前記個人登録配置情報格納装置に対して推薦することを特徴とする付記１〜４の何れかに記載の配置情報推薦装置。
【０１５５】
（付記６） 前記配置情報推薦候補抽出手段は、前記各推薦すべき配置情報の候補が含まれているカテゴリの数に基づいて前記優先順位を決定することを特徴とする付記５の何れかに記載の配置情報推薦装置。
【０１５６】
（付記７） 前記配置情報格納装置に格納されているカテゴリに対する重みを設定させ格納する重み調整手段を更に備え、
前記配置情報推薦候補抽出手段は、該重みを用いて前記優先順位を決定することを特徴とする付記５または６記載の配置情報推薦装置。
【０１５７】
（付記８） 前記第１の推薦手段又は前記第２の推薦手段は、前記配置情報格納装置または前記個人登録配置情報格納装置に対して推薦する配置情報の数を、各カテゴリ毎に第３の閾値までとすることを特徴とする付記１〜７の何れかに記載の配置情報推薦装置。
【０１５８】
（付記９） 前記カテゴリ比較手段は、各カテゴリの組毎に、共通する配置情報の数を前記類似度とすることを特徴とする付記１〜８の何れかに記載の配置情報推薦装置。
【０１５９】
（付記１０） 前記カテゴリ比較手段は、各カテゴリの組毎に、各々に含まれる配置情報が指すコンテンツを取得して該コンテンツを単語に分解し、共通する単語の数を求め、該共通単語の数を前記類似度とすることを特徴とする付記１〜８の何れかに記載の配置情報推薦装置。
【０１６０】
（付記１１） 前記カテゴリ比較手段は、各カテゴリの組毎に、一方のカテゴリに対して予め登録されているキーワードを取得すると共に、他方のカテゴリに含まれる配置情報が指すコンテンツを取得して該コンテンツを単語に分解し、前記キーワードと一致する単語の数を求め、該求めた単語の数を前記類似度とすることを特徴とする付記１〜８の何れかに記載の配置情報推薦装置。
【０１６１】
（付記１２） 前記各配置情報毎に該配置情報が指すコンテンツに対する全アクセス数または各ユーザ毎のアクセス数を格納するアクセス数格納手段を更に有し、
前記カテゴリ比較手段は、各カテゴリの組毎に、各々に含まれる配置情報に関するアクセス数を前記アクセス数格納手段から取得し、該取得したアクセス数をベクトルとして内積/距離を算出し、該算出した内積/距離を前記類似度とすることを特徴とする付記１〜３、５〜８の何れかに記載の配置情報推薦装置。
【０１６２】
（付記１３） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較手段と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する配置情報推薦候補抽出手段と、
前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置または前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する推薦手段と、
を有することを特徴とする配置情報推薦装置。
【０１６３】
（付記１４） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出する手段を有し、
関連性が高いカテゴリ同士で互いに配置情報を推薦し合えるようにすることを特徴とするカテゴリ比較装置。
【０１６４】
（付記１５） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して作成された各カテゴリの組とその類似度とに基づいて、該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する手段を有することを特徴とする配置情報推薦候補抽出装置。
【０１６５】
（付記１６） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から取得された前記各カテゴリと該カテゴリに含まれる配置情報に基づいて抽出された配置情報の推薦候補に基づいて、前記配置情報格納装置または前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する手段を有することを特徴とする推薦装置。
【０１６６】
（付記１７） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置とから、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出し、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出し、
前記選別された各カテゴリの組毎に、該抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置または前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦することを特徴とする配置情報推薦方法。
【０１６７】
（付記１８） 前記各配置情報が指すコンテンツに対する全アクセス数または各ユーザ毎のアクセス数を格納する装置からアクセス数を取得し、
該アクセス数が第２の閾値以下である配置情報は前記推薦すべき配置情報の候補から除外することを特徴とする付記１７記載の配置情報推薦方法。
【０１６８】
（付記１９） 前記抽出した推薦すべき配置情報の候補に優先順位を付け、該優先順位が高い推薦候補から順に前記配置情報格納装置または前記個人登録配置情報格納装置に配置情報を推薦することを特徴とする付記１７または１８記載の配置情報推薦方法。
【０１６９】
（付記２０） 前記配置情報格納装置に格納されているカテゴリに対する重みを設定させ、
該重みを用いて前記優先順位を決定することを特徴とする付記１９記載の配置情報推薦方法。
【０１７０】
（付記２１） 前記推薦する配置情報の数を制限することを特徴とする付記１７〜２０の何れかに記載の配置情報推薦方法。
（付記２２） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置とから、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出する機能と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する機能と、
前記選別された各カテゴリの組毎に、該抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する機能と、
を実現させる為のプログラム。
【０１７１】
（付記２３） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置とから、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出する機能と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する機能と、
前記選別された各カテゴリの組毎に、該抽出された推薦すべき配置情報の候補に基づいて、前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する機能と、
を実現させる為のプログラム。
【０１７２】
（付記２４） 前記各配置情報が指すコンテンツに対する全アクセス数または各ユーザ毎のアクセス数を格納する装置からアクセス数を取得する機能と、
該アクセス数が第２の閾値以下である配置情報は前記推薦すべき配置情報の候補から除外する機能と、
を更に有することを特徴とする付記２２または２３記載のプログラム。
【０１７３】
（付記２５） 前記抽出した推薦すべき配置情報の候補に優先順位を付ける機能と、
該優先順位が高い推薦候補から順に前記配置情報格納装置または前記個人登録配置情報格納装置に対して配置情報を推薦する機能と、
を更に有することを特徴とする付記２２〜２４の何れかに記載のプログラム。
【０１７４】
（付記２６） 前記配置情報格納装置に格納されているカテゴリに対する重みを設定させる機能と、
該重みを用いて前記優先順位を決定する機能と、
を更に有することを特徴とする付記２２〜２５の何れかに記載のプログラム。
【０１７５】
（付記２７） 前記推薦する配置情報の数を制限する機能を更に有することを特徴とする付記２２〜２６の何れかに記載のプログラム。
（付記２８） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出して、関連性が高いカテゴリ同士で互いに配置情報を推薦し合えるようにする機能を実現させる為のプログラム。
【０１７６】
（付記２９） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して作成された各カテゴリの組とその類似度とに基づいて、該類似度が第１の閾値以上であるカテゴリの組を選別する機能と、
該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する機能と、
を実現させる為のプログラム。
【０１７７】
（付記３０） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から取得された前記各カテゴリと該カテゴリに含まれる配置情報に基づいて抽出された配置情報の推薦候補に基づいて、前記配置情報格納装置または前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する機能と実現させる為のプログラム。
【０１７８】
（付記３１） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置とから、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出する機能と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する機能と、
前記選別された各カテゴリの組毎に、該抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する機能と、
を実現させるプログラムを記録した前記コンピュータ読取り可能な記録媒体。
【０１７９】
（付記３２） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置とから、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出する機能と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する機能と、
前記選別された各カテゴリの組毎に、該抽出された推薦すべき配置情報の候補に基づいて、前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する機能と、
を実現させるプログラムを記録した前記コンピュータ読取り可能な記録媒体。
【０１８０】
【発明の効果】
以上詳細に説明したように、本発明の配置情報推薦装置、その方法、プログラム等によれば、ブックマークだけでなく文書ディレクトリも用いることで、登録ユーザが比較的少数であっても有効な推薦が受けられ、更に推薦されたＵＲＬが役立つ可能性を高めることができ、また文書ディレクトリにおける登録作業を軽減させ以って維持/管理コストを低減できる。また、ユーザが重み調整可能とすることで、ユーザが望む形でのＵＲＬの推薦が行なわれ易くなる。また、文書ディレクトリのパーソナライズ版が自動的に更新されるようにできる。
【図面の簡単な説明】
【図１】配置情報推薦装置の基本構成ブロック図である。
【図２】本例によるＵＲＬ推薦システムの基本構成を示すシステム構成図である。
【図３】図２に示す基本構成において更にアクセス回数記録装置を加えた構成を示す図である
【図４】図２に示す基本構成において更に重み調整装置を加えた構成を示す図である。
【図５】カテゴリ比較装置により実行される処理例（その１）を説明する為のフローチャート図である。
【図６】文書ディレクトリの階層構造の一例を示す図である。
【図７】（ａ）〜（ｃ）は、各カテゴリの組とその類似度を算出する処理の具体例を説明する為の図である。
【図８】各カテゴリの組とその類似度を算出する処理の具体的手法の一例を説明する為の図である。
【図９】カテゴリ比較装置により実行される処理例（その２）を説明する為のフローチャート図である。
【図１０】カテゴリ比較装置により実行される処理例（その３）を説明する為のフローチャート図である。
【図１１】カテゴリ比較装置により実行される処理例（その４）を説明する為のフローチャート図である。
【図１２】ＵＲＬ推薦候補抽出装置により実行される処理例（その１）を説明する為のフローチャート図である。
【図１３】（ａ）〜（ｄ）は、類似度の高いカテゴリの組を選別して、このカテゴリの組におけるＵＲＬの差分を抽出する処理の具体例を示す図である。
【図１４】ＵＲＬ推薦候補抽出装置により実行される処理例（その２）を説明する為のフローチャート図である。
【図１５】ＵＲＬ推薦候補抽出装置により実行される処理例（その３）を説明する為のフローチャート図である。
【図１６】差分のＵＲＬを含むカテゴリが幾つあるかを求める処理を具体的に説明する為の図である。
【図１７】ＵＲＬ推薦候補抽出装置により実行される処理例（その４）を説明する為のフローチャート図である。
【図１８】ディレクトリへのＵＲＬ推薦装置により実行される処理を説明する為のフローチャート図である。
【図１９】ブックマークへのＵＲＬ推薦装置により実行される処理を説明する為のフローチャート図である。
【図２０】情報処理装置（コンピュータ）のハードウェア構成の一例を示す図である。
【図２１】プログラムを記録した記録媒体又はプログラムのダウンロードの一例を示す図である。
【符号の説明】
１ 配置情報格納部
２ 個人登録配置情報格納部
３ カテゴリ比較部
４ 配置情報推薦候補抽出部
５ 第１の推薦部
６ 第２の推薦部
７ アクセス回数記録部
８ 重み調整部
１１ 文書ディレクトリ格納装置
１２ ブックマーク格納装置
１３ カテゴリ比較装置
１４ ＵＲＬ推薦候補抽出装置
１５ ディレクトリへのＵＲＬ推薦装置
１６ ブックマークへのＵＲＬ推薦装置
２０ ユーザ端末
３０ ネットワーク
４１ カテゴリ比較装置
４２ ＵＲＬ推薦候補抽出装置
４３ ディレクトリへのＵＲＬ推薦装置
４４ ブックマークへのＵＲＬ推薦装置
４５ アクセス回数記録装置
５１ カテゴリ比較装置
５２ ＵＲＬ推薦候補抽出装置
５３ ディレクトリへのＵＲＬ推薦装置
５４ ブックマークへのＵＲＬ推薦装置
５５ アクセス回数記録装置
５６ 重み調整装置
６０ テーブル
６１ カテゴリ名
６２ カテゴリ名
６３ 類似度
７０ テーブル
８０ テーブル
８１ カテゴリ名
８２ カテゴリ名
８３ 類似度
９０ テーブル
９１ カテゴリ名
９２ カテゴリ名
９３ 差分のＵＲＬ
１００ テーブル
１１０ 情報処理装置（コンピュータ）
１１１ ＣＰＵ
１１２ メモリ
１１３ 入力装置
１１４ 出力装置
１１５ 外部記憶装置
１１６ 媒体駆動装置
１１７ ネットワーク接続装置
１１８ バス
１１９ 可搬記録媒体
１２０ サーバ
１２１ プログラム/データ
１３０ ネットワーク
【発明の属する技術分野】
本発明は、ＵＲＬ等の配置情報の管理を支援する装置、方法等に関する。
【０００２】
【従来の技術】
従来より、インターネット・ユーザの多くは、自分が気に入ったサイトや頻繁にアクセスする特定のウェブ・ページのＵＲＬ（Uniform Resource Locator）を登録し、次回アクセスを容易にさせる機能を利用している。このような機能は、“ブックマーク”あるいは“お気に入り”等と呼ばれている。以下、“ブックマーク”を例にする。
【０００３】
ところで、ＵＲＬは変化が激しく、すぐに陳腐化するという問題がある。例えば、ＵＲＬの指すＷｅｂページが無くなる/移動する（所謂、リンク切れ）が、その代表である。また、ＵＲＬの指すＷｅｂページの内容が古くなり、役に立たなくなるということもある。
【０００４】
そして、自分が登録しているＷｅｂページの他にも有益なＷｅｂページがあるにも係わらず、それを知らない為に登録されていない、ということもブックマークの陳腐化と言える。
【０００５】
このような問題に対して、従来、例えば「ブリンク（http://ｗｗｗ.blink.co.jp/）では、協調フィルタリングを用いた以下に述べるサービスを提供している。尚、協調フィルタリングとは、ユーザの嗜好情報を記録し、そのユーザと似たようなし嗜好を持つユーザの嗜好情報をもとに、ユーザの嗜好を推測するという既知手法であり、ユーザ毎の嗜好情報が多い方が、またユーザの数が多い方が、正確な推測が可能となることが知られている。
【０００６】
上記「ブリンク」では、まず、各ユーザが自己のブックマークをサーバに登録しておく。サーバは、例えば、定期的に、各登録ブックマークを他人の登録ブックマークと比較して、同じＵＲＬを持つブックマークの組を捜し出して、この各組毎に差分（一方に登録されているが、他方には登録されていないＵＲＬ）を抽出することで、個人のブックマークを新鮮に保つことができるサービスを提供している。
【０００７】
【発明が解決しようとする課題】
しかしながら、上記ブリンクのサービスでは、十分に多くのユーザ（数万人以上）のブックマークを登録/利用できる場合には有効であるが、ユーザ数が少人数（数十人〜数百人程度）である場合には、適用しても、うまく機能しないという問題があった。これは、実験的/経験的に確認されていることである。
【０００８】
更に、他のユーザのブックマークとの差分が、役に立つ内容のＵＲＬである確率は、必ずしも高いとは言えないという問題があった。
また、ここで、従来より、インターネットやイントラネット上に配置された有用な情報を、階層化されたカテゴリに分類・整理して提供する（以下、文書ディレクトリと呼ぶ）というサービスが実現されている（例えば、Yahoo！、goo，ＯＤＰ（Open Directory Project）等）。
【０００９】
このような文書ディレクトリ・サービス業者においては、文書ディレクトリに登録すべきＵＲＬを、インターネット又はイントラネット上から見つけ出し、これを適切なカテゴリに登録する作業を、人手によって行なっているが、ＵＲＬの数は現在膨大な量となっており、また増えつづけており、ある業者においては数百人もの人数を掛けて上記登録作業を行っているが、作業負担が大きい状態となっている。
【００１０】
また、イントラネット等においても、近年、企業などの組織内において多くのＷｅｂサーバが運用されるようになり、インターネットにおけるYahoo！等と同様に、組織内向けの文書ディレクトリを構築したいという要求が増えてきている。このような組織内向けの文書ディレクトリの維持/管理は、通常、少人数で行っている場合が多いので、規模は比較的小さくても、やはり作業負担が大きい。
【００１１】
この為、上記文書ディレクトリの維持/管理作業を、部分的にでも自動化できるようにすることで、作業負担を軽減し、以って維持/管理コストを低減することが望まれている。
【００１２】
文書ディレクトリの自動構造化の技術としては、従来、クラスタリングによる方法が知られている。これは、内容が似た文書は同じ集合に含まれるように集合を作成する手法である。それぞれの集合の代表的なキーワードをカテゴリ名とする。集合の階層構造の作成は、集合間の類似性によって“集合の集合”を上位階層とする方法や、集合に含まれるキーワードの関係を用いる方法が提案されているが、品質の点で人手に及ばない。商用ディレクトリでは、これらの技術は補助的に使うに留まっている。
【００１３】
また、本発明の発明者は、既に、“「文書ディレクトリ管理のための自動収集、自動分類の利用-ＵＲＬ自動推薦システム-」、鵜飼孝典、片山佳則、津田宏；５Ｃ-０１ 人工知能学会全国大会（２００１年）”を提案している。
【００１４】
この既提案手法では、大まかには、インターネットやイントラネットから、ディレクトリに載せるべき優良なＵＲＬを自動的に収集する処理と、この優良なＵＲＬが指す文書（ホームページ）を、適当なカテゴリに割り当てる処理とより成る。優良なＵＲＬを自動的に収集する処理には、コンテンツベース、リンクベース、ログベースのアプローチがあるが、コンテンツベース/リンクベースは、計算コストが掛かる/優良と判断されるＵＲＬが特定の内容を指すＵＲＬに偏る、などの問題がある為、ログベースのアプローチを採用する。このアプローチにおいて、検索ログから高い頻度で使われるキーワードを取り出して、このキーワードを用いて検索を行い、このキーワードに関連するＵＲＬを選び出す手法を提案している。
【００１５】
しかしながら、この手法では、未だ十分な正解率が得られず、より高い正解率が得られるようにすることが望まれている（尚、正解率の正解とは、各ＵＲＬを適切なカテゴリに登録できたことを言う。逆に言えば、不正解とは、ある１つのカテゴリを例にすると、このカテゴリには不適切なＵＲＬが推薦された（例えば“車”のカテゴリに“飛行機”に関するコンテンツのＵＲＬが推薦された）場合や、本来このカテゴリに推薦されるべきＵＲＬが推薦されなかった場合等である）。
【００１６】
本発明の課題は、ブックマークだけでなく文書ディレクトリも用いることで、登録ユーザが比較的少数であっても有効な推薦が受けられ、更に推薦されたＵＲＬが役立つ可能性を高めることができ、また文書ディレクトリにおける登録作業を軽減させ以って維持/管理コストを低減できる配置情報推薦装置、その方法、プログラム等を提供することである。
【００１７】
【課題を解決するための手段】
本発明による請求項１記載の配置情報推薦装置は、ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較手段と、該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する配置情報推薦候補抽出手段と、前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第１の推薦手段とを有するように構成する。
【００１８】
上記請求項１記載の配置情報推薦装置によれば、各ユーザの個人登録配置情報（例えばブックマーク等）を利用して、各カテゴリ毎に関連性が高いカテゴリから配置情報を推薦するので、前記配置情報格納装置の管理者等（例えばＹａｈｏｏ！等のような大規模な文書ディレクトリや、イントラネット上の小規模な文書ディレクトリの管理者）にとっては、配置情報の管理作業（例えば、ＵＲＬ等の追加等）が軽減される。
【００１９】
本発明による請求項２記載の配置情報推薦装置は、ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較手段と、該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する配置情報推薦候補抽出手段と、前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出された推薦すべき配置情報の候補に基づいて、前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第２の推薦手段とを有するように構成する。
【００２０】
上記請求項２記載の配置情報推薦装置によれば、他のユーザの個人登録配置情報（例えばブックマーク等）だけでなく、配置情報格納装置のデータも利用することにより、たとえユーザ数が少なくても有効な配置情報の推薦が受けられるようになる。
【００２１】
また、上記請求項１又は請求項２の配置情報推薦装置において、例えば、前記各配置情報毎に該配置情報が指すコンテンツに対する全アクセス数または各ユーザ毎のアクセス数を格納するアクセス数格納手段を更に有し、配置情報推薦候補抽出手段は、前記アクセス数が第２の閾値以下である配置情報は前記推薦すべき配置情報の候補から除外するようにしてもよい。
【００２２】
一般に、アクセス数が多い配置情報（ＵＲＬ等）のコンテンツは、優良（役に立つ）なコンテンツである可能性が高い。これより、アクセス数があまり多くない配置情報を、推薦候補から外すようにすることで、役に立つ可能性が低い配置情報が推薦されないようにできる。
【００２３】
また、例えば、更に、前記配置情報推薦候補抽出手段は、前記抽出した推薦すべき配置情報の候補に優先順位を付け、前記推薦手段は、優先順位が高い配置情報から順に前記配置情報格納装置または前記個人登録配置情報格納装置に対して推薦するように構成してもよい。
【００２４】
このようにすることで、より優良な配置情報が優先的に推薦されるようになる。これは、特に、推薦候補が多くて、推薦する数を制限する場合には非常に有効となる。
【００２５】
また、例えば、前記配置情報格納装置に格納されているカテゴリに対する重みを設定させ格納する重み調整手段を更に備え、前記配置情報推薦候補抽出手段は、該重みを用いて前記優先順位を決定するようにしてもよい。
【００２６】
例えば、配置情報の優先順位の決定方法として、その配置情報が登録されているカテゴリの数を用いる方法がある。これは、例えば、多くのユーザがブックマーク等に登録している配置情報は、優良である可能性が高いという考えに基づくものである。一方で、当該配置情報を登録しているユーザ数がたとえ少なくても、当該配置情報が配置情報格納装置に格納されているカテゴリに登録されているものであるならば、優先的に推薦を受けたいと考えるユーザも存在するかもしれない。この場合、上記重みの設定値を大きくすればよい。このように、上記重みを調整することで、各ユーザは自己にとって都合が良い推薦を受けることができる。尚、重みの調整は、上記配置情報格納装置の管理者等が行うこともできる。
【００２７】
また、例えば、前記第１の推薦手段又は前記第２の推薦手段は、前記配置情報格納装置または前記個人登録配置情報格納装置に対して推薦する配置情報の数を、各カテゴリ毎に第３の閾値までとするようにしてもよい。
【００２８】
また、本発明は、上記装置としての形態に限らず、方法、またはこれら装置、方法をコンピュータにおいて実現させるプログラムとして構成することもできる。
【００２９】
例えば、請求項７記載の配置情報推薦方法は、ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置とから、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出し、該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出し、前記選別された各カテゴリの組毎に、該抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置または前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する。
【００３０】
また、請求項８記載のプログラムは、コンピュータに、ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出して、関連性が高いカテゴリ同士で互いに配置情報を推薦し合えるようにする機能を実現させる。
【００３１】
また、請求項９記載のプログラムは、コンピュータに、ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して作成された各カテゴリの組とその類似度とに基づいて、該類似度が第１の閾値以上であるカテゴリの組を選別する機能と、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する機能とを実現させる。
【００３２】
また、請求項１０記載のプログラムは、コンピュータに、ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から取得された前記各カテゴリと該カテゴリに含まれる配置情報に基づいて抽出された配置情報の推薦候補に基づいて、前記配置情報格納装置または前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する機能を実現させる。
【００３３】
【発明の実施の形態】
以下、図面を参照して、本発明の実施の形態について説明する。
図１は、本発明の実施の形態による配置情報推薦装置の基本構成ブロック図である。図示の配置情報推薦装置は、配置情報格納部１、個人登録配置情報格納部２、カテゴリ比較部３、配置情報推薦候補抽出部４、第１の推薦部５、第２の推薦部６、アクセス回数記録部７、及び重み調整部８を有する。
【００３４】
配置情報格納部１は、ネットワーク９上の配置情報を各カテゴリに分類して格納する（例えば、Ｙａｈｏｏ！等である）。
ネットワーク９上の配置情報とは、ネットワーク９上の何処にそのコンテンツが存在するかを示すアドレス情報（例えばＵＲＬ等）である。
【００３５】
個人登録配置情報格納部２は、複数のユーザの各個人登録配置情報を格納する。
個人登録配置情報とは、複数ユーザ各々が上記ネットワーク上の配置情報の一部を独自の（または文書ディレクトリに準じた）カテゴリに分類して登録しているものである（例えば“ブックマーク”、“お気に入り”等；あるいは、例えば“Ｍｙ Ｙａｈｏｏ！”のような文書ディレクトリのパーソナライズ版）。
カテゴリ比較部３は、上記配置情報格納部１、個人登録配置情報格納部２から、上記各カテゴリとこのカテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に、各カテゴリの組毎に類似度を算出する。
【００３６】
類似度の算出方法は、様々であってよく、詳しくは後述するが、例えば、各カテゴリの組毎に、その２つのカテゴリ同士で共通する配置情報を求め、この共通の配置情報の数を類似度とする。あるいは、２つのカテゴリ各々に含まれる各配置情報が指す実際のコンテンツを取得して、このコンテンツを単語分解し、共通単語の数、または予め設定されるキーワードと一致する単語数を、類似度とする。または、上記アクセス回数記録部７に記録されているアクセス回数を用いて類似度を算出してもよい。詳しくは、後述する。
【００３７】
配置情報推薦候補抽出部４は、上記カテゴリ比較部３による処理結果を受けて、まず、上記類似度が第１の閾値以上であるカテゴリの組を選別する。そして、選別した各カテゴリの組毎に、互いに推薦すべき配置情報の候補を抽出する。
【００３８】
この配置情報の推薦候補の抽出方法も、様々な方法があるが、例えば、各カテゴリの組毎に、その２つのカテゴリ同士で配置情報の差分を求め、この差分の配置情報を推薦候補とする。更に、上記アクセス回数記録部７に記録されているアクセス回数を用いて、アクセス数が少ない配置情報は、推薦候補とはしないようにしてもよい。その他、様々な抽出方法があり、詳しくは後述する。
【００３９】
第１の推薦部５は、上記選別された各カテゴリの組毎に、上記配置情報推薦候補抽出部４により抽出された配置情報の推薦候補に基づいて、上記配置情報格納部１に対して配置情報を推薦する。
【００４０】
また、第２の推薦部６は、上記選別された各カテゴリの組毎に、配置情報推薦候補抽出部４により抽出された配置情報の推薦候補に基づいて、個人登録配置情報格納部２に配置情報を推薦する。
【００４１】
アクセス数格納部７は、上記各配置情報毎に、その配置情報が指すコンテンツに対する全アクセス数または各ユーザ毎のアクセス数を格納/更新する。このアクセス数は、上記の通り、カテゴリ比較部３や配置情報推薦候補抽出部４の処理で用いられる場合がある。
【００４２】
重み調整部８は、配置情報格納部１に格納されているカテゴリに対する重みを、ユーザまたはディレクトリ管理者などに設定させ、設定値を保持する。この重みを調整することで、例えばあるユーザに対して、配置情報推薦候補抽出部４が、他のユーザのブックマーク等に登録されていたＵＲＬ１と、配置情報格納部１に登録されていたＵＲＬ２とを推薦候補とした場合、例えばＵＲＬ２のほうが優先的に推薦されるようにできる。詳しくは、後述する。
【００４３】
尚、以下の説明では、上記ネットワーク上の配置情報の一例として、ＵＲＬを用いるが、これに限るわけではない。また、以下の説明では、上記個人登録配置情報の一例としてブックマークを例にするが、これに限るわけではない。
【００４４】
図２は、本例によるＵＲＬ推薦システムの基本構成を示すシステム構成図である。
また、本例によるＵＲＬ推薦システムは、例えば図３に示すように、図２に示す基本構成において更にアクセス回数記録装置を加えた構成としてもよい。
【００４５】
また、本例によるＵＲＬ推薦システムは、例えば図４に示すように、図２に示す基本構成において更に重み調整装置を加えた構成としてもよい。
なお、図２〜図４に示す各構成中、ユーザ端末２０を除く全ての装置の実装形態は、様々であってもよい。例えば、全て１つのサーバ（コンピュータ）に実装されてもよいし、各々独立したコンピュータ装置として相互に専用線等により接続された形態であってもよいし、その他どのような形態であってもよい。
【００４６】
まず、図２に示す基本構成について説明する。
図２において、文書ディレクトリ格納装置１１は、既存の構成である。また、各ユーザ端末２０は、各ユーザが使用する情報処理装置（パーソナルコンピュータ等）である。
【００４７】
当該ＵＲＬ推薦システムは、インターネット環境におけるシステムであってもよいし、社内システム等のイントラネット環境におけるシステムであってもよい。
【００４８】
インターネット環境におけるシステムである場合には、文書ディレクトリ格納装置１１は、例えばＹａｈｏｏ！等のような大規模な文書ディレクトリを用意して検索サービス等を提供するサイトにおける上記文書ディレクトリのデータベース装置であり、上記のように大人数のディレクトリ管理者が、文書ディレクトリの階層構造の管理（追加/削除等）、各カテゴリに登録するＵＲＬの管理（追加/削除/移動等）を行っている。また、ネットワーク３０は公衆回線網/インターネット等である。
【００４９】
イントラネット環境におけるシステムである場合には、文書ディレクトリ格納装置１１は、例えば社内における小規模な文書ディレクトリ管理を行う装置であり、上記のように比較的少人数で文書ディレクトリの階層構造の管理（追加/削除等）、各カテゴリに登録するＵＲＬの管理（追加/削除/移動等）を行っている。また、ネットワーク３０は社内ＬＡＮ等である
ブックマーク格納装置１２は、例えば上記「ブリンク」等のように、登録を希望したユーザ（以下、登録ユーザと呼ぶ）のユーザ端末２０におけるブックマーク情報を登録させて何らかのサービスを提供するサイトにおける当該ブックマーク情報を格納するデータベース装置である。
【００５０】
このような構成において、本例によるＵＲＬ推薦システムでは、カテゴリ比較装置１３、ＵＲＬ推薦候補抽出装置１４、ＵＲＬ推薦装置（ディレクトリへのＵＲＬ推薦装置１５、ブックマークへのＵＲＬ推薦装置１６）を設けている。
【００５１】
カテゴリ比較装置１３は、文書ディレクトリ格納装置１１で管理している文書ディレクトリの各カテゴリと、ブックマーク格納装置１２で管理している各登録ユーザのブックマークの各カテゴリに関する情報を取得して、これら全てのカテゴリについて総当りでカテゴリの組を作成し、各カテゴリの組毎に類似度を算出する。
【００５２】
ＵＲＬ推薦候補抽出装置１４は、カテゴリ比較装置１３による処理結果を用いて、まず、全てのカテゴリの組の中で、互いの関連性が高いと思われるカテゴリの組を選別する。つまり、上記類似度が所定の閾値以上であるカテゴリの組を選別する。次に、選別したカテゴリの組について、各カテゴリの組毎に、互いに推薦すべきＵＲＬの候補を抽出する。
【００５３】
ディレクトリへのＵＲＬ推薦装置１５/ブックマークへのＵＲＬ推薦装置１６は、ＵＲＬ推薦候補抽出装置１４の処理結果を受けて、各々、文書ディレクトリ格納装置１１/ブックマーク格納装置１２に格納されている各カテゴリに、ＵＲＬ推薦候補抽出装置１４により抽出されたＵＲＬ推薦候補に基づいて、各カテゴリに追加すべきＵＲＬを推薦する。その際、ＵＲＬ推薦候補抽出装置１４により抽出された全てのＵＲＬ推薦候補を推薦してもよいし、その一部を推薦するようにしてもよい。更に、詳しくは後述するように、ＵＲＬ推薦候補抽出装置１４が、上記ＵＲＬ推薦候補に優先順位を付けることで、より優良なＵＲＬ（“優良ＵＲＬ”とは、有効な/役立つ可能性が高いコンテンツを指すＵＲＬ）が優先的に推薦されるように構成してもよい。
【００５４】
次に、図３を参照して説明する。
図３に示すＵＲＬ推薦システムは、上述してあるように、図２に示す基本構成において更にアクセス回数記録装置４５を加えた構成となっている。カテゴリ比較装置、ＵＲＬ推薦候補抽出装置は、後述するように様々な処理例が存在し、何れの処理例を採用してもよいが、その中にアクセス回数（利用回数）を用いる処理例が存在する。図３は、このような処理例に対応する構成を示すものである。
【００５５】
アクセス回数記録装置４５は、文書ディレクトリ格納装置１１、ブックマーク格納装置１２から、随時、各々で格納/管理している各カテゴリに登録されている各ＵＲＬのアクセス回数を取得して、これを格納（更新）する。
【００５６】
ここで、文書ディレクトリ格納装置１１で格納/管理している各カテゴリに登録されている各ＵＲＬのアクセス回数とは、そのＵＲＬが指すホームページへのアクセス数であり、通常、数千〜数百万回程度のオーダーとなっている。
【００５７】
一方、ブックマーク格納装置１２で格納/管理している各カテゴリに登録されている各ＵＲＬのアクセス回数とは、各ユーザがそのＵＲＬが指すホームページを利用した回数であり、通常、数回〜数百回程度のオーダーとなっている。
【００５８】
このように、ある１つのＵＲＬに対しても、それぞれ違ったアクセス数が格納されることになり、また時間が経過すれば各アクセス数は変化するので、随時、最新のアクセス数を取得して、更新する必要がある。
【００５９】
カテゴリ比較装置４１、ＵＲＬ推薦候補抽出装置４２は、各々、アクセス回数記録装置４５から、各カテゴリ毎の各ＵＲＬのアクセス回数データを取得して、このアクセス回数を用いた処理を行う。詳しい処理例は、後に説明するが、特にＵＲＬ推薦候補抽出装置４２においては、アクセス数が比較的小さいＵＲＬは推薦候補とはしないようにすることで、より優良なＵＲＬのみを推薦候補とすることが可能となる。
【００６０】
尚、図３は、カテゴリ比較装置４１、ＵＲＬ推薦候補抽出装置４２の両方が、必ず、アクセス回数を利用した処理を行うということを意味しているのではない。両方とも行ってもよいが、何れか一方のみが行うようにしてもよい。
【００６１】
次に、図４を参照して説明する。
図４に示すＵＲＬ推薦システムは、上述してあるように、図２に示す基本構成において更に重み調整装置５６を加えた構成となっている。尚、図４には、アクセス回数記録装置５５が示してあるが、これはあっても無くてもよい。すなわち、アクセス回数記録装置５５は、重み調整装置５６の機能に直接関係するわけではなく、単にカテゴリ比較装置５１またはＵＲＬ推薦候補抽出装置５２が、アクセス回数を利用した処理を行う場合に対応した構成を示しているだけである。
【００６２】
重み調整装置５６は、ディレクトリ管理者またはユーザにディレクトリの重みを設定させて、これを記録する。ユーザは、自己のユーザ端末２０から、ネットワーク３０を介して、重み調整装置５６にアクセスして、所望の重みを設定する。
【００６３】
このディレクトリの重みは、詳しくは後述するが、ＵＲＬ推薦候補抽出装置５２が、抽出したＵＲＬ推薦候補に優先順位を与える場合の重み付けに用いられ、重みが大きいほど、文書ディレクトリからのＵＲＬが優先的に推薦されるようになる。つまり、例えば、あるユーザのブックマークに対して推薦するＵＲＬとして、他の複数のユーザのブックマークに存在するＵＲＬ１と、文書ディレクトリに存在するＵＲＬ２とがあった場合、ディレクトリの重みが大きいと、ＵＲＬ２のほうが優先的に当該ユーザのブックマークに追加されることになる。例えば、ユーザが、「他のユーザのブックマークからの推薦よりも、文書ディレクトリからの推薦のほうが信頼性が高い（役に立つＵＲＬが多い）」等と考えた場合には、ディレクトリの重みを大きくすればよい。このように、ユーザは、重みを設定することで、自己に都合が良い推薦を受けることが可能となる。
【００６４】
以下、カテゴリ比較装置、ＵＲＬ推薦候補抽出装置、ブックマークへのＵＲＬ推薦装置、ディレクトリへのＵＲＬ推薦装置について、各々、詳細に説明していく。尚、上述してあるように、例えば、図３において、カテゴリ比較装置４１、ＵＲＬ推薦候補抽出装置４２は、必ずしもアクセス回数を用いた処理を行うとは限らない。図４においても同様である。よって、例えば、カテゴリ比較装置は、図２〜図４において、各々、カテゴリ比較装置１３、４１、５１と区別しているが、以下の説明ではこれらを区別することなく、代表してカテゴリ比較装置５１と記すものとする。他の装置についても同様に、代表して、ＵＲＬ推薦候補抽出装置５２、ディレクトリへのＵＲＬ推薦装置５３、ブックマークへのＵＲＬ推薦装置５４と記すものとする。
【００６５】
以下、まず、カテゴリ比較装置５１における処理例について説明する。
図５、図９〜図１１は、カテゴリ比較装置５１により実行される処理例（その１〜その４）を説明する為のフローチャート図である。
【００６６】
まず、図５を参照して、カテゴリ比較装置５１により実行される処理例（その１）について説明する。
図５に示す処理は、各登録ユーザのブックマークのカテゴリ、文書ディレクトリのカテゴリの全ての組み合わせについて総当りで実行する。
【００６７】
まず、ブックマークまたは文書ディレクトリの任意のカテゴリを１つ選び（ステップＳ１１）、このカテゴリ内に存在する全てのＵＲＬ（ＵＲＬ（Ａ）と表現する）を得る（ステップＳ１２）。次に、ブックマークまたは文書ディレクトリの任意のカテゴリ（但し、ステップＳ１１で選択したものは除く）を１つ選び（ステップＳ１３）、このカテゴリ内に存在する全てのＵＲＬ（ＵＲＬ（Ｂ）と表現する）を得る（ステップＳ１４）。
【００６８】
そして、ＵＲＬ（Ａ）とＵＲＬ（Ｂ）を比較し、両方に存在する（共通する）ＵＲＬの数を求め、これをこのカテゴリの組の類似度として記憶しておくステップＳ１５）。
【００６９】
上述した処理を、一例を用いて説明する。尚、以下の説明では、説明を簡単にする為に、単純な例を用いている。
まず、例えば、文書ディレクトリの構造が、図６のようなラティス構造になっているものとする。図６において、Ａ〜Ｈは、各カテゴリを表すものとする。また、特に図示しないが、各ブックマークのカテゴリも、何らかの階層構造を有しているものとする。
【００７０】
但し、本例による処理では、構造がどの様になっていても関係なく、更にカテゴリ名が似ている/似ていない等ということも関係なく、各カテゴリに登録されているＵＲＬの共通/差分等を以って処理を行う。
【００７１】
各カテゴリ内に登録されているＵＲＬは、カテゴリ名とＵＲＬの対で表現する。
例えば、上記文書ディレクトリにおけるカテゴリに関しては、図７（ａ）に示すように表現する。図示の例では、例えばカテゴリＣには、ＵＲＬ１、ＵＲＬ２、ＵＲＬ３が含まれている。
【００７２】
また、各登録ユーザのブックマークにおけるカテゴリに関しては、図７（ｂ）に示すように表現する。ここでは、例えばユーザａのブックマークにおける各カテゴリは、ａ１、ａ２、・・・、ユーザｂはｂ１、ｂ２、・・・等と表現するものとする。図示の例では、例えばユーザａのブックマークにおけるカテゴリａ１には、ＵＲＬ１、ＵＲＬ３、ＵＲＬ１０が含まれている。
【００７３】
上記ステップＳ１１〜Ｓ１５の処理では、これら各カテゴリを総当りで比較していき、例えば図７（ｃ）に示すテーブル６０を作成する。テーブル６０には、カテゴリ名６１とカテゴリ名６２で示すカテゴリの組に対応付けて、類似度６３が格納される。
【００７４】
この例では、例えばカテゴリＣとカテゴリａ１の組み合わせに関しては、両者に共通するＵＲＬは、ＵＲＬ１とＵＲＬ３であるので、類似度は‘２’となる。上記各カテゴリの組毎に類似度を求める処理について、具体的な手法の一例を図８に示す。
【００７５】
カテゴリ比較装置５１は、文書ディレクトリ格納装置１１、ブックマーク格納装置１２から取得した各カテゴリに関するデータに基づいて、まず、図８に示すテーブル７０を作成する。
【００７６】
これは、まず、文書ディレクトリ格納装置１１、ブックマーク格納装置１２から取得した各カテゴリに関するデータに基づいて、テーブル７０の図上横方向に、これらカテゴリに含まれる全ＵＲＬ（ＵＲＬ１，ＵＲＬ２，ＵＲＬ３、・・・ＵＲＬｎ）を並べる。つまり、ＵＲＬ１〜ＵＲＬｎは、各々、テーブル７０に示すカテゴリのどれかには含まれていたものである（少なくとも１つ以上のカテゴリに含まれていたものである）。また、テーブル７０の図上縦方向には、上記取得した全カテゴリ（ａ１、ａ２、・・・Ｅ、Ｆ、・・・）を並べる。これは、文書ディレクトリのカテゴリとブックマークのカテゴリとを特に区別することなく並べる。
【００７７】
また、テーブル７０では、各カテゴリ毎に、各ＵＲＬがそのカテゴリに含まれているか否かを、１ビット（フラグ）で示す。含まれている場合にはフラグ＝１、含まれていない場合にはフラグ＝０とする（尚、初期状態では全てフラグ＝０としている）。これより、次に、上記取得した各カテゴリに関するデータを参照して、各カテゴリ毎に、そのカテゴリに含まれているＵＲＬに対してはフラグをセットする（１にする）。図７に示す例では、カテゴリａ１にはＵＲＬ１，ＵＲＬ３、ＵＲＬ１０が含まれているので、図８に示す通りフラグをセットする。これを、全てのカテゴリについて行う。
【００７８】
そして、全てのカテゴリについて総当りのカテゴリの組を作り、全てのカテゴリの組について、各々、上記フラグ・データを比較して、両方ともフラグ＝１であるＵＲＬの数をカウントする。
【００７９】
尚、ＵＲＬｎのｎの値は、数千〜数十万のオーダーになるかもしれないが、本手法によれば１ビットで表わされるデータ群を比較するだけなので、たとえ数十万のオーダーであっても、処理時間はそれほど掛からないで済む。
【００８０】
次に、図９を参照して、カテゴリ比較装置５１により処理例（その２）について説明する。
図９に示す処理は、各登録ユーザのブックマークのカテゴリ、文書ディレクトリのカテゴリの全ての組み合わせについて総当りで実行する。
【００８１】
図９において、ステップＳ２１、Ｓ２２、Ｓ２３、Ｓ２４の処理は、図５のステップＳ１１、Ｓ１２、Ｓ１３、Ｓ１４の処理と同じであるので、説明は省略する。
【００８２】
当該処理例（その２）では、ステップＳ２１、Ｓ２２、Ｓ２３、Ｓ２４の処理により得た、各カテゴリに含まれるＵＲＬ群（処理例（その１）と同様、ＵＲＬ（Ａ）、ＵＲＬ（Ｂ）で表現する）について、ステップＳ２５の処理を実行することで求めた共通単語の数を、類似度とする。
【００８３】
ステップＳ２５の処理は、まず、ＵＲＬ（Ａ）の各ＵＲＬが指すホームページ等のコンテンツを取得し、各コンテンツを、例えば既存の形態素解析・構文解析ソフトウェア（例えば「Breakfast」；富士通研究所等）を用いて、単語レベル（但し、助詞、助動詞は除く）に分解する。ＵＲＬ（Ｂ）についても、同様に、各コンテンツを単語に分解する（同じ単語が複数ある場合は、１つにまとめておく）。
【００８４】
次に、ＵＲＬ（Ａ）に関して得た上記単語群と、ＵＲＬ（Ｂ）に関して得た上記単語群とを比較して、両者に共通する単語を抽出し、この共通単語の数を記録する。当該処理例（その２）では、この共通単語の数を、類似度とする。
【００８５】
次に、図１０を参照して、カテゴリ比較装置５１により処理例（その３）について説明する。
図１０に示す処理は、各登録ユーザのブックマークのカテゴリ、文書ディレクトリのカテゴリの全ての組み合わせについて総当りで実行する。
【００８６】
図１０に示す処理例（その３）では、まず、ブックマークまたは文書ディレクトリの任意のカテゴリを１つ選び（ステップＳ３１）、このカテゴリ内に存在する全てのＵＲＬ（ＵＲＬ（Ａ）と表現する）を得る（ステップＳ３２）。次に、ブックマークまたは文書ディレクトリの任意のカテゴリ（但し、ステップＳ３１で選択したものは除く）を１つ選び（ステップＳ３３）、このカテゴリ内に関して予め登録されているキーワード（キーワード（Ｂ）と表現する）を得る（ステップＳ３４）。
【００８７】
すなわち、本処理では、予め各登録ユーザに、自己のブックマークの各カテゴリ毎に、そのカテゴリに関係する任意のキーワードを登録させておく。また、文書ディレクトリの各カテゴリに関しても、ディレクトリ管理者等にキーワードを登録させておく（キーワードは１又は複数）。上記ステップＳ３４の処理では、このキーワードを取り出す。
【００８８】
また、ステップＳ３２で得たＵＲＬ（Ａ）に関しては、上記ステップＳ２５と同様、そのコンテンツを単語に分解する（同じ単語が複数ある場合は１つにまとめる）。そして、これら単語の中で、上記キーワードと一致する単語の数をカウントし、この単語数を記録する。当該処理例（その３）では、このように、キーワードと一致する単語の数を、類似度とする。
【００８９】
次に、図１１を参照して、カテゴリ比較装置５１により処理例（その４）について説明する。
図１１に示す処理は、各登録ユーザのブックマークのカテゴリ、文書ディレクトリのカテゴリの全ての組み合わせについて総当りで実行する。
【００９０】
図１１において、ステップＳ４１、Ｓ４２、Ｓ４３、Ｓ４４の処理は、図５のステップＳ１１、Ｓ１２、Ｓ１３、Ｓ１４の処理と同じであるので、説明は省略する。
【００９１】
当該処理例（その４）では、ステップＳ４１、Ｓ４２、Ｓ４３、Ｓ４４の処理により得た、各カテゴリに含まれるＵＲＬ群（ＵＲＬ（Ａ）、ＵＲＬ（Ｂ））について、ステップＳ４５の処理を実行することで求めた「ベクトルの内積/距離」を、類似度とする。
【００９２】
ステップＳ４５の処理は、ＵＲＬ（Ａ）の各ＵＲＬの利用回数、ＵＲＬ（Ｂ）の各ＵＲＬの利用回数を取得して、それぞれをベクトルとして内積/距離を計算し、この計算結果を類似度として記録しておくものである。
【００９３】
例えば、ＵＲＬ（Ａ）は文書ディレクトリ、ＵＲＬ（Ｂ）はブックマークのカテゴリに含まれるＵＲＬであるものとする。また、ここでは、ＵＲＬをｕ１、ｕ２、・・・等と記すものとし、ＵＲＬ（Ａ）＝（ｕ１，ｕ２，ｕ３）、ＵＲＬ（Ｂ）＝（ｕ１，ｕ２，ｕ４）であったものとする。そして、ＵＲＬ（Ａ）の各ＵＲＬの利用回数を（ｄｕ１，ｄｕ２，ｄｕ３）とし、ＵＲＬ（Ｂ）の各ＵＲＬの利用回数を（ｕｕ１，ｕｕ２，ｕｕ４）とすると、それぞれをベクトルとして内積/距離を計算すると、
【００９４】
【数１】
となる。
尚、ｄｕ１，ｄｕ２，ｄｕ３、すなわち、文書ディレクトリの場合の利用回数とは、各ＵＲＬへのアクセス回数を意味しており、通常、数千〜数十万のオーダーであるので、ユーザの利用回数とは桁が違うが、上記のようにベクトルとして内積/距離を計算するので（つまり２つのベクトル同士の成す角度のcosθを求める）、何ら問題はない。
【００９６】
次に、ＵＲＬ推薦候補抽出装置５２における処理例について説明する。
図１２、図１４、図１５、図１７は、各々、ＵＲＬ推薦候補抽出装置５２により実行される処理例（その１〜その４）を説明する為のフローチャート図である。
【００９７】
まず、図１２を参照して、ＵＲＬ推薦候補抽出装置５２により実行される処理例（その１）について説明する。
ＵＲＬ推薦候補抽出装置５２は、まず、予め設定/登録されている“類似度の閾値ｒ”を取得する（ステップＳ５１）。この“類似度の閾値ｒ”は、カテゴリ比較装置５１が何を類似度としているかによって、それに応じた値が用いられる。例えば、カテゴリ比較装置５１が、上記処理例（その１）のように、両方のカテゴリに共通するＵＲＬの数を類似度としている場合には、これに応じた値の閾値ｒが設定されている。
【００９８】
次に、カテゴリ比較装置５１からデータを得る（ステップＳ５２）。すなわち、上記図５、図９〜図１１の何れかの処理結果として蓄積されている、各カテゴリの組の類似度のデータを得る。
【００９９】
そして、全てのカテゴリの組について、類似度と閾値ｒとを比較して、「類似度＞閾値」である（ステップＳ５４、ＹＥＳ）カテゴリの組を選別して蓄積しておく。その際、このカテゴリの組におけるＵＲＬの差分を抽出して、推薦すべきＵＲＬの候補として記録しておく（ステップＳ５５）。
【０１００】
上記処理を、図１３（ａ）〜（ｄ）に示す具体例を参照して説明する。
図１３（ａ）の図上左側には、文書ディレクトリの各カテゴリに含まれるＵＲＬを示す。尚、同図右側には、各ＵＲＬの利用回数（アクセス数）を示すが、これは図１２の処理では関係なく、図１４の処理で用いるので、ここでは説明しない。
【０１０１】
図１３（ｂ）の図上左側には、任意のユーザａのブックマークの各カテゴリに含まれるＵＲＬを示す。尚、同図右側には、各ＵＲＬの利用回数を示すが、上記と同様、ここでは説明しない。
【０１０２】
図１３（ｃ）は、上記図１３（ａ），（ｂ）に示す例において、カテゴリ比較装置５１により実行された処理（ここでは、処理（その１）を例にする）の結果をテーブル形式で示す図である。このテーブル８０は、上記テーブル６０と同様、カテゴリ８１、カテゴリ８２、類似度８３の各データ項目より成り、図示の通り、各カテゴリの組毎に、共通するＵＲＬの数が、類似度８３に格納されている。
【０１０３】
そして、上記ステップＳ５２の処理により、カテゴリ比較装置５１から図１３（ｃ）に示すテーブルが読み出される。そして、各カテゴリの組毎に、ステップＳ５３〜Ｓ５５の処理により、類似度を閾値ｒ（ここではｒ＝１とする）と比較し、類似度＞閾値ｒである各カテゴリの組を求め、更に求めたカテゴリの組毎に、ＵＲＬの差分を抽出した結果を、図１３（ｄ）に示すテーブル９０に蓄積していく。
【０１０４】
図１３（ｄ）に示すテーブル９０は、各カテゴリの組を示すカテゴリ名９１、９２と、このカテゴリの組における差分のＵＲＬ９３より成る。
この例では、類似度＞閾値ｒ（ｒ＝１）であるカテゴリの組は、カテゴリＣとａ１の組、カテゴリＨとａ３の組であるので、これらが図１３（ｄ）に示すテーブル９０に格納される。また、カテゴリＣとａ１の組における差分のＵＲＬはＵＲＬ９、カテゴリＨとａ３の組における差分のＵＲＬはＵＲＬ８とＵＲＬ１０となるので、各々、テーブル９０の差分のＵＲＬ９３に格納される。これらが、各カテゴリの組毎に、互いに推薦すべきＵＲＬの候補となる。なお、図では、差分のＵＲＬ９３を混在して示しているが、実際には、ブックマークのカテゴリに存在していた差分のＵＲＬと、文書ディレクトリのカテゴリに存在していた差分のＵＲＬとに区別して格納したほうがよい。
【０１０５】
図１２に示すＵＲＬ推薦候補抽出装置５２により実行される処理例（その１）では、類似度＞閾値ｒの判定により、互いに関連性が高いと推測されるカテゴリの組を抽出しているが、差分のＵＲＬを推薦候補するだけでなく、より優良なＵＲＬを推薦できるようにすることが要望される。
【０１０６】
以下に説明するＵＲＬ推薦候補抽出装置５２により実行される処理例（その２）〜（その４）は、優良なＵＲＬを推薦できる可能性を、より高めることができる手法を提案するものである。
【０１０７】
以下、図１４を参照して、ＵＲＬ推薦候補抽出装置５２により実行される処理例（その２）について説明する。
図１４に示す処理の中で、ステップＳ６１、ステップＳ６３〜Ｓ６６の処理は、図１２に示すステップＳ５１〜Ｓ５５の処理と同様であるので、説明は省略する。
【０１０８】
本処理では、ステップＳ６２の処理において、予め設定/登録されている“利用回数の閾値ｓ，ｔ”を得る。ここで、２つの閾値を用いるのは、例えばあるＵＲＬのホームページに関する利用回数は、通常、ユーザ側と文書ディレクトリ側とでは桁が違うからである。つまり、ユーザが上記ＵＲＬを利用する回数という意味での利用回数は、数回〜数百回程度のオーダーであるのに対して、上記ＵＲＬのホームページに対するアクセス数という意味での利用回数は、数千〜数百万というオーダーであり、桁が違うので、閾値も別々に設定する。ここでは、ユーザの利用回数に対する閾値を閾値ｓとする（当然、文書ディレクトリ側に関しては、閾値ｔとなる）。
【０１０９】
そして、ステップＳ６６の処理により抽出した差分のＵＲＬのうち、閾値ｓ又はｔを越えるＵＲＬのみを、推薦するＵＲＬの候補として残すようにする（ステップＳ６７）ことが、本処理の特徴である。
【０１１０】
上記図１４に示す処理について、再び、図１３を参照して説明する。
上記の通り、図１３（ａ），（ｂ）の図上右側には、各ＵＲＬの利用回数が示してある。また、閾値ｓ＝３、閾値ｔ＝3,000とする。また、ステップＳ６６の処理の段階では、図１３（ｄ）に示すＵＲＬが得られていると見なせる。
【０１１１】
この例において、ステップＳ６７の処理を実行すると、まず、カテゴリＣとａ１の組に関して、ＵＲＬ９は文書ディレクトリ側にあるＵＲＬであるので、その利用回数は7,000であり、これを閾値ｔと比較すると、利用回数＞閾値ｔとなるので、ＵＲＬ９はブックマークに推薦するＵＲＬの候補として残る。
【０１１２】
一方、カテゴリＨとａ３の組に関しては、まず、ＵＲＬ８は、文書ディレクトリ側にあるＵＲＬであるので、その利用回数は2,000であり、これを閾値ｔと比較すると、利用回数は閾値ｔを越えないので、ＵＲＬ８はブックマークに推薦するＵＲＬの候補から除外される。また、ＵＲＬ１０は、ユーザ側（ブックマークに登録されている）ＵＲＬであるので、その利用回数は２であり、これを閾値ｓと比較すると、利用回数は閾値ｓを越えないので、ＵＲＬ１０はブックマークに推薦するＵＲＬの候補から除外される。このように、この簡単な例では、カテゴリＨとａ３の組に関しては、推薦候補となるＵＲＬが無くなってしまうが、実際には差分のＵＲＬはもっと多くなると考えられるので（特に文書ディレクトリ側からユーザ側に推薦すべきＵＲＬの数は非常に多くなると考えられる）、むしろ推薦するＵＲＬの数を絞ることに役立つ。しかも、単に数を減らすだけでなく、優良なＵＲＬは残るようにすることが可能となる。
【０１１３】
以下、図１５を参照して、ＵＲＬ推薦候補抽出装置５２により実行される処理例（その３）について説明する。
図１５に示す処理の中で、ステップＳ７１〜Ｓ７６の処理は、図１２に示すステップＳ５１〜Ｓ５５の処理と同様であるので（ステップＳ７５、Ｓ７６の処理は、ステップＳ５５の処理を単に２つに分けて示しているだけである）、説明は省略する。
【０１１４】
そして、各カテゴリの組毎に、ステップＳ７６の処理により抽出した差分のＵＲＬの各々について、全てのカテゴリの中でこの差分のＵＲＬを含むカテゴリが幾つあるのかをカウントして、このカウント値を記憶しておく（ステップＳ７７）。
【０１１５】
ステップＳ７２〜Ｓ７７の処理を繰り返し実行していき、全てのカテゴリの組について処理を実行したら（ステップＳ７８，ＹＥＳ）、ステップＳ７５〜Ｓ７７の処理により蓄積してあるデータ、すなわち類似度＞閾値の条件を満たすカテゴリの組と、その差分のＵＲＬ及びカウント値のデータを用いて、ステップＳ７９の処理を実行する。
【０１１６】
ステップＳ７９の処理は、上記各カテゴリの組毎に、差分のＵＲＬを、そのカウント値が大きい順にソートする処理である。これにより、後に説明するブックマークへのＵＲＬ推薦装置５４または文書ディレクトリへのＵＲＬ推薦装置５３の処理において、推薦するＵＲＬの数を制限する場合において、カウント値が大きいＵＲＬほど優先的に推薦されることになる。ここで、カウント値がより大きいＵＲＬとは、上記の通り、より多くのカテゴリで利用されているＵＲＬであるので、より優良なＵＲＬである可能性が高いことになる。
【０１１７】
ここで、上記ステップＳ７７の処理の具体的な手法について、図１６を参照して説明する。まず、前提として、当該処理例（その３）及び後述する処理例（その４）では、カテゴリ比較装置５１から、例えば図８で説明したテーブル７０も取得している。
【０１１８】
図１６には、このように取得したテーブルを示す。尚、図示のテーブル１００は、本説明を分かり易くする為に図８のテーブル７０のデータの内容を変えて示しているだけである。
【０１１９】
まず、上記ステップＳ７４の処理で類似度＞閾値ｒを満たすカテゴリの組として、カテゴリａ１とＣの組が得られた場合、ステップＳ７６の処理で得られる差分のＵＲＬは、図１６に示す例ではＵＲＬ２とＵＲＬ４となる。上記ステップＳ７７の処理は、このＵＲＬ２、ＵＲＬ４各々について、全てのカテゴリの中でこれらＵＲＬが存在するカテゴリが各々幾つ存在するかを求める（図上、点線の囲みで示すイメージ）。この数が多いほうが、より多くのユーザに利用されていることになるので、優良なＵＲＬである可能性が高いと推測できる。これより、後の処理において、ＵＲＬ４が優先的にカテゴリａ１に追加されることになる。
【０１２０】
次に、以下、図１７を参照して、ＵＲＬ推薦候補抽出装置５２により実行される処理例（その４）について説明する。
この処理例（その４）は、基本的な処理の流れは上記処理例（その３）と略同様であるが、単純にカウント値を求めるのではなく、重み付けを行う点で異なる。
【０１２１】
すなわち、図１７に示す処理では、まず、類似度の閾値ｒを取得すると共に、文書ディレクトリの重みｇを取得する（ステップＳ８１）。その後、ステップＳ８２〜Ｓ８６の処理は、上記ステップＳ７２〜Ｓ７６の処理と同じである。
【０１２２】
本処理では、ステップＳ７７の処理に代えて、ステップＳ８７〜Ｓ８９の処理を実行する。まず、ステップＳ７７の処理では、他の全てのカテゴリの中で各差分のＵＲＬを含むカテゴリが幾つあるのかをカウントしていたが、本処理ではこれをブックマークのカテゴリと文書ディレクトリのカテゴリとで分けて行う。
【０１２３】
すなわち、ステップＳ８６の処理により得られた各差分のＵＲＬ毎に、他の全てのブックマークのカテゴリの中で、この差分のＵＲＬを含むカテゴリが幾つあるのかをカウントし、このカウント値（ｃ１）を記録する（ステップＳ８７）。
【０１２４】
また、ステップＳ８６の処理により得られた各差分のＵＲＬ毎に、他の全ての文書ディレクトリのカテゴリの中で、この差分のＵＲＬを含むカテゴリが幾つあるのかをカウントし、このカウント値（ｃ２）を記録する（ステップＳ８８）。
【０１２５】
そして、カウント値（ｃ２）に対して重み付けを行ったうえで、トータルのカウント値を求める。すなわち、「ｃ１＋（ｃ２×ｇ）」を算出し、これを記憶する（ステップＳ８９）。
【０１２６】
文書ディレクトリの重みｇは、例えば予め設定されている任意の整数であり、各ユーザが設定してもよいし、文書ディレクトリ側の管理者などが設定してもよい。文書ディレクトリの重みｇをユーザが設定することによって、他のユーザからの推薦を受けるようにするか、文書ディレクトリからの推薦を優先的に受けるようにするかを、加減することができるようになる。例えばあるカテゴリの組についてステップＳ８６で得られた差分のＵＲＬがＵＲＬ１とＵＲＬ２であったとし、ＵＲＬ１についてはｃ１＝２、ｃ２＝１であり、ＵＲＬ２についてはｃ１＝５、ｃ２＝０であったとする。この例では、上記処理例（その３）の場合、カウント値がそれぞれ３、５であり、ＵＲＬ２の優先度が高くなるが（ステップＳ７９でソートされると、より上位になる）、本処理において例えばあるユーザが文書ディレクトリの重みｇ＝１０に設定していた場合には、「ｃ１＋（ｃ２×ｇ）」はそれぞれ１２、５となり、ＵＲＬ１のほうが優先度が高くなる。つまり、文書ディレクトリのカテゴリに含まれているＵＲＬ（この例ではＵＲＬ１）のほうを、優先的に推薦することができる。換言すれば、この場合、上記ユーザは、他のユーザのブックマークよりも文書ディレクトリのほうを信頼する、と考えている。
【０１２７】
また、文書ディレクトリ側の管理者等が、文書ディレクトリの重みｇを設定するようにした場合、例えば重みｇの設定値を大きくすると、上記の通り文書ディレクトリ側から推薦されるＵＲＬが優先されるので、積極的に、文書ディレクトリに登録したＵＲＬを各ユーザに知ってもらいたい（ブックマークに登録させたい）等と思う場合には、重みｇの設定値を大きくすればよい。
【０１２８】
また、ユーザが設定する場合でも、文書ディレクトリ側の管理者等が設定する場合でも、重みｇの設定値を非常に大きくすれば、文書ディレクトリのパーソナライズ版を容易に提供できる（または提供を受けることができる）。文書ディレクトリのパーソナライズ版とは、例えば「Ｍｙ Ｙａｈｏｏ！」等が知られている。
【０１２９】
つまり、本発明は、例えば「Ｍｙ Ｙａｈｏｏ！」等の文書ディレクトリのパーソナライズ版の内容を自動更新することにも利用できる。
尚、この場合、各ユーザのブックマークのカテゴリだけでなく、例えば各ユーザの「Ｍｙ Ｙａｈｏｏ！」等のカテゴリも用いて、上述したカテゴリ比較、ＵＲＬ推薦等の処理を行うようにしてもよい。
【０１３０】
上記ステップＳ８２〜Ｓ８９の処理を、各カテゴリの組に関して繰り返し実行していき、全てのカテゴリの組について処理を実行し終えたら（ステップＳ９０，ＹＥＳ）、ステップＳ８５〜Ｓ８９の処理により蓄積してあるデータ、すなわち類似度＞閾値の条件を満たすカテゴリの組と、その差分のＵＲＬとその「ｃ１＋（ｃ２×ｇ）」のデータを用いて、ステップＳ９１の処理を実行する。
【０１３１】
ステップＳ９１の処理は、上記各カテゴリの組毎に、差分のＵＲＬを、その「ｃ１＋（ｃ２×ｇ）」の値が大きい順にソートする処理である。
次に、以下、ブックマークへのＵＲＬ推薦装置５４、ディレクトリへのＵＲＬ推薦装置５３における処理例について説明する。
【０１３２】
ブックマークへのＵＲＬ推薦装置５４、ディレクトリへのＵＲＬ推薦装置５３は、各々、ＵＲＬ推薦候補抽出装置５２により抽出されたＵＲＬ推薦候補に基づいて、各ブックマークまたは文書ディレクトリの各カテゴリに新たに追加すべきＵＲＬを推薦する装置である。
【０１３３】
ブックマークへのＵＲＬ推薦装置５４、ディレクトリへのＵＲＬ推薦装置５３は、例えば、各々、ＵＲＬ推薦候補抽出装置５２により抽出されたＵＲＬ推薦候補を、そのまま、各ブックマークまたは文書ディレクトリの各カテゴリへ推薦してもよい（特に、ＵＲＬ推薦候補抽出装置５２が上記処理例（その１）、（その２）を実行するものである場合）。
【０１３４】
一方、特に、文書ディレクトリのカテゴリにあるＵＲＬを、ブックマーク側に推薦する場合、その数が非常に多数になる場合もあり、これをそのまま推薦すると、かえってユーザに余計な負担を掛けることに成りかねない。また、ブックマークのカテゴリにあるＵＲＬを、文書ディレクトリ側に推薦する場合や、ブックマーク同士で推薦し合う場合にも、推薦するＵＲＬが無駄に数が多い（あまり優良ではないＵＲＬも含まれる）場合が考えられる。
【０１３５】
このような状況を考慮して、ブックマークへのＵＲＬ推薦装置５４、ディレクトリへのＵＲＬ推薦装置５３は、各々、図１８、図１９に示す処理を実行することにより、推薦するＵＲＬの数を制限するようにしてもよい。図１８、図１９に示す処理は、ＵＲＬ推薦候補抽出装置５２が上記処理例（その１）〜（その４）の何れを実行する場合でも有効であるが、特にＵＲＬ推薦候補抽出装置５２が上記処理例（その３）または（その４）を実行する場合には、図１８、図１９のステップＳ１０２又はＳ１１２において、上記ステップＳ７９又はＳ９１の処理によりソートされた推薦候補のＵＲＬを、上位から順番に推薦していくことで、より優良と思われるＵＲＬを優先的に推薦することができる。また、これは、ＵＲＬ推薦候補抽出装置５２の上記処理例（その２）の変形例にも適用できる。この変形例は、上記ステップＳ６７の処理後、更に、抽出した推薦候補のＵＲＬを、利用回数が多い順にソートする処理を加えるものである。
【０１３６】
以下、図１８、図１９を参照して、ブックマークへのＵＲＬ推薦装置５４、ディレクトリへのＵＲＬ推薦装置５３各々の処理例について説明する。
図１８は、ディレクトリへのＵＲＬ推薦装置５３により実行される処理を説明する為のフローチャート図である。
【０１３７】
同図において、まず、予め設定/登録されている「ディレクトリに登録するＵＲＬの最大数（Ｍａｘ）」を取得する（ステップＳ１０１）。次に、ＵＲＬ推薦候補抽出装置５２により抽出された推薦候補のＵＲＬ群の中から、文書ディレクトリ格納装置１１側にＵＲＬを１つ推薦する毎に（ステップＳ１０２）、推薦したＵＲＬの数（ｃ）を更新（+１インクリメント）する（ステップＳ１０３）。そして、更新後の“推薦したＵＲＬの数（ｃ）”が最大数（Ｍａｘ）を越えるまで（ステップＳ１０４、ＮＯ）、ステップＳ１０２、Ｓ１０３の処理を繰り返し実行する。
【０１３８】
文書ディレクトリ格納装置１１側では、例えば、ディレクトリ管理者等が、上記推薦されたＵＲＬが、本当にそのカテゴリに登録するのに相応しいか否かを判断するなどしてから、各カテゴリに、推薦されたＵＲＬの全部又は一部を登録する。尚、これに限らず、ディレクトリへのＵＲＬ推薦装置５３が、上記ＵＲＬを、推薦するのではなく、文書ディレクトリ格納装置１１の各カテゴリに自動的に登録するようにしてもよい。
【０１３９】
図１９は、ブックマークへのＵＲＬ推薦装置５４により実行される処理を説明する為のフローチャート図である。
同図において、まず、予め設定/登録されている「ブックマークに登録するＵＲＬの最大数（Ｍａｘ）」を取得する（ステップＳ１１１）。次に、ＵＲＬ推薦候補抽出装置５２により抽出された推薦候補のＵＲＬ群の中から、ブックマーク格納装置１２側にＵＲＬを１つ推薦する毎に（ステップＳ１１２）、推薦したＵＲＬの数（ｃ）を更新（+１インクリメント）する（ステップＳ１１３）。そして、更新後の“推薦したＵＲＬの数（ｃ）”が最大数（Ｍａｘ）を越えるまで（ステップＳ１１４、ＮＯ）、ステップＳ１１２、Ｓ１１３の処理を繰り返し実行する。
【０１４０】
ブックマークへのＵＲＬ推薦装置５４またはディレクトリへのＵＲＬ推薦装置５３により推薦を受けたユーザ又はディレクトリ管理者は、推薦されたＵＲＬを本当に登録すべきかを判断したうえで、各カテゴリに登録する。あるいは、これに限らず、ブックマークへのＵＲＬ推薦装置５４またはディレクトリへのＵＲＬ推薦装置５３が、各々が推薦するＵＲＬを自動的に各カテゴリに登録する構成としてもよい。
【０１４１】
以上説明したように、本例のＵＲＬ推薦システムによれば、文書ディレクトリ側、ユーザ側双方にとって、それぞれ、以下に記す効果が得られる。
・文書ディレクトリ側にとっての効果
（１）ディレクトリ管理者にとって、新たに登録すべきＵＲＬを探し、探し出した各ＵＲＬを登録すべき適切なカテゴリを判断するという作業が、軽減される。（２）ディレクトリの重みｇを大きくすることで、ディレクトリのパーソナライズ版の提供を容易に行うことができる。
・各ユーザ側にとっての効果
（１）有効なＵＲＬの推薦が受けられ、ブックマークが陳腐化しない。特に、ユーザが少人数の場合でも、十分に機能する。
（２）カテゴリの階層構造やカテゴリ名（フォルダ名等）は関係なく、処理を行うので、ブックマークのようにユーザ独自の階層構造、カテゴリ名であっても何ら問題なく、有効なＵＲＬの推薦が受けられる。
（３）ディレクトリの重みｇを大きくすることで、ディレクトリのパーソナライズ版の自動更新に利用できる。
（４）ディレクトリの重みｇの設定の仕方によって、自由に、自己に都合が良い推薦が受けられる可能性を高めることができる。
【０１４２】
図２０は、上記各種処理を実行する情報処理装置（コンピュータ）のハードウェア構成の一例を示す図である。
同図に示す情報処理装置（コンピュータ）１１０は、ＣＰＵ１１１、メモリ１１２、入力装置１１３、出力装置１１４、外部記憶装置１１５、媒体駆動装置１１６、ネットワーク接続装置１１７等を有し、これらがバス１１８に接続された構成となっている。同図に示す構成は一例であり、これに限るものではない。
【０１４３】
ＣＰＵ１１１は、当該情報処理装置１１０全体を制御する中央処理装置である。
メモリ１１２は、プログラム実行、データ更新等の際に、外部記憶装置１１５（あるいは可搬記録媒体１１９）に記憶されているプログラムあるいはデータを一時的に格納するＲＡＭ等のメモリである。ＣＰＵ１１１は、メモリ１１２に読み出したプログラム／データを用いて、上述してある各種処理を実行する。
【０１４４】
入力装置１１３は、例えばキーボード、マウス、タッチパネル等である。
出力装置１１４は、例えばディスプレイ、プリンタ等である。
尚、入力装置１１３、出力装置１１４は、無くてもよい。
【０１４５】
外部記憶装置１１５は、例えばハードディスク装置等であり、上記各種機能を実現させる為のプログラム／データ等（例えば図５、図６、図９〜図１２、図１４、図１５、図１７〜図１９に示す各処理をコンピュータに実行させるプログラム/データ等）が格納されている。
【０１４６】
媒体駆動装置１１６は、可搬記録媒体１１９に記憶されているプログラム／データ等を読み出す（または書込む）。可搬記録媒体１１９は、例えば、ＦＤ（フレキシブルディスク）、ＣＤ−ＲＯＭ、その他、ＤＶＤ、光磁気ディスク等である。
【０１４７】
ネットワーク接続装置１１７は、ネットワーク（インターネット等）に接続して、外部の情報処理装置とプログラム／データ等の送受信を可能にする構成である。
【０１４８】
図２１は、上記プログラムを記録した記録媒体又はプログラムのダウンロードの一例を示す図である。
図示のように、上記本発明の機能を実現するプログラム／データが記憶されている可搬記録媒体１１９を情報処理装置１１０の本体に挿入する等して、当該プログラム／データを読み出してメモリ１１２に格納し実行するものであってもよいし、また、上記プログラム／データは、ネットワーク接続装置１１７により接続しているネットワーク１３０（インターネット等）を介して、外部のプログラム／データ提供者側のサーバ１２０に記憶されているプログラム／データ１２１をダウンロードするものであってもよい。
【０１４９】
また、本発明は、装置／方法に限らず、上記プログラム／データを格納した記録媒体（可搬記録媒体１１９等）自体として構成することもできるし、これらプログラム自体として構成することもできる。
【０１５０】
（付記１） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較手段と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する配置情報推薦候補抽出手段と、
前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第１の推薦手段と、
を有することを特徴とする配置情報推薦装置。
【０１５１】
（付記２） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較手段と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する配置情報推薦候補抽出手段と、
前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出された推薦すべき配置情報の候補に基づいて、前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第２の推薦手段と、
を有することを特徴とする配置情報推薦装置。
【０１５２】
（付記３） 前記配置情報推薦候補抽出手段は、前記選別した各カテゴリの組毎に、相互に比較して差分となる配置情報を抽出し、該差分の配置情報を前記推薦すべき配置情報の候補とすることを特徴とする付記１または２に記載の配置情報推薦装置。
【０１５３】
（付記４） 前記各配置情報毎に該配置情報が指すコンテンツに対する全アクセス数または各ユーザ毎のアクセス数を格納するアクセス数格納手段を更に有し、
配置情報推薦候補抽出手段は、前記アクセス数が第２の閾値以下である配置情報は前記推薦すべき配置情報の候補から除外することを特徴とする付記１〜３の何れかに記載の配置情報推薦装置。
【０１５４】
（付記５） 前記配置情報推薦候補抽出手段は、前記抽出した推薦すべき配置情報の候補に優先順位を付け、
前記推薦手段は、優先順位が高い配置情報から順に前記配置情報格納装置または前記個人登録配置情報格納装置に対して推薦することを特徴とする付記１〜４の何れかに記載の配置情報推薦装置。
【０１５５】
（付記６） 前記配置情報推薦候補抽出手段は、前記各推薦すべき配置情報の候補が含まれているカテゴリの数に基づいて前記優先順位を決定することを特徴とする付記５の何れかに記載の配置情報推薦装置。
【０１５６】
（付記７） 前記配置情報格納装置に格納されているカテゴリに対する重みを設定させ格納する重み調整手段を更に備え、
前記配置情報推薦候補抽出手段は、該重みを用いて前記優先順位を決定することを特徴とする付記５または６記載の配置情報推薦装置。
【０１５７】
（付記８） 前記第１の推薦手段又は前記第２の推薦手段は、前記配置情報格納装置または前記個人登録配置情報格納装置に対して推薦する配置情報の数を、各カテゴリ毎に第３の閾値までとすることを特徴とする付記１〜７の何れかに記載の配置情報推薦装置。
【０１５８】
（付記９） 前記カテゴリ比較手段は、各カテゴリの組毎に、共通する配置情報の数を前記類似度とすることを特徴とする付記１〜８の何れかに記載の配置情報推薦装置。
【０１５９】
（付記１０） 前記カテゴリ比較手段は、各カテゴリの組毎に、各々に含まれる配置情報が指すコンテンツを取得して該コンテンツを単語に分解し、共通する単語の数を求め、該共通単語の数を前記類似度とすることを特徴とする付記１〜８の何れかに記載の配置情報推薦装置。
【０１６０】
（付記１１） 前記カテゴリ比較手段は、各カテゴリの組毎に、一方のカテゴリに対して予め登録されているキーワードを取得すると共に、他方のカテゴリに含まれる配置情報が指すコンテンツを取得して該コンテンツを単語に分解し、前記キーワードと一致する単語の数を求め、該求めた単語の数を前記類似度とすることを特徴とする付記１〜８の何れかに記載の配置情報推薦装置。
【０１６１】
（付記１２） 前記各配置情報毎に該配置情報が指すコンテンツに対する全アクセス数または各ユーザ毎のアクセス数を格納するアクセス数格納手段を更に有し、
前記カテゴリ比較手段は、各カテゴリの組毎に、各々に含まれる配置情報に関するアクセス数を前記アクセス数格納手段から取得し、該取得したアクセス数をベクトルとして内積/距離を算出し、該算出した内積/距離を前記類似度とすることを特徴とする付記１〜３、５〜８の何れかに記載の配置情報推薦装置。
【０１６２】
（付記１３） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較手段と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する配置情報推薦候補抽出手段と、
前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置または前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する推薦手段と、
を有することを特徴とする配置情報推薦装置。
【０１６３】
（付記１４） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出する手段を有し、
関連性が高いカテゴリ同士で互いに配置情報を推薦し合えるようにすることを特徴とするカテゴリ比較装置。
【０１６４】
（付記１５） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して作成された各カテゴリの組とその類似度とに基づいて、該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する手段を有することを特徴とする配置情報推薦候補抽出装置。
【０１６５】
（付記１６） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から取得された前記各カテゴリと該カテゴリに含まれる配置情報に基づいて抽出された配置情報の推薦候補に基づいて、前記配置情報格納装置または前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する手段を有することを特徴とする推薦装置。
【０１６６】
（付記１７） ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置とから、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出し、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出し、
前記選別された各カテゴリの組毎に、該抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置または前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦することを特徴とする配置情報推薦方法。
【０１６７】
（付記１８） 前記各配置情報が指すコンテンツに対する全アクセス数または各ユーザ毎のアクセス数を格納する装置からアクセス数を取得し、
該アクセス数が第２の閾値以下である配置情報は前記推薦すべき配置情報の候補から除外することを特徴とする付記１７記載の配置情報推薦方法。
【０１６８】
（付記１９） 前記抽出した推薦すべき配置情報の候補に優先順位を付け、該優先順位が高い推薦候補から順に前記配置情報格納装置または前記個人登録配置情報格納装置に配置情報を推薦することを特徴とする付記１７または１８記載の配置情報推薦方法。
【０１６９】
（付記２０） 前記配置情報格納装置に格納されているカテゴリに対する重みを設定させ、
該重みを用いて前記優先順位を決定することを特徴とする付記１９記載の配置情報推薦方法。
【０１７０】
（付記２１） 前記推薦する配置情報の数を制限することを特徴とする付記１７〜２０の何れかに記載の配置情報推薦方法。
（付記２２） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置とから、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出する機能と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する機能と、
前記選別された各カテゴリの組毎に、該抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する機能と、
を実現させる為のプログラム。
【０１７１】
（付記２３） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置とから、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出する機能と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する機能と、
前記選別された各カテゴリの組毎に、該抽出された推薦すべき配置情報の候補に基づいて、前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する機能と、
を実現させる為のプログラム。
【０１７２】
（付記２４） 前記各配置情報が指すコンテンツに対する全アクセス数または各ユーザ毎のアクセス数を格納する装置からアクセス数を取得する機能と、
該アクセス数が第２の閾値以下である配置情報は前記推薦すべき配置情報の候補から除外する機能と、
を更に有することを特徴とする付記２２または２３記載のプログラム。
【０１７３】
（付記２５） 前記抽出した推薦すべき配置情報の候補に優先順位を付ける機能と、
該優先順位が高い推薦候補から順に前記配置情報格納装置または前記個人登録配置情報格納装置に対して配置情報を推薦する機能と、
を更に有することを特徴とする付記２２〜２４の何れかに記載のプログラム。
【０１７４】
（付記２６） 前記配置情報格納装置に格納されているカテゴリに対する重みを設定させる機能と、
該重みを用いて前記優先順位を決定する機能と、
を更に有することを特徴とする付記２２〜２５の何れかに記載のプログラム。
【０１７５】
（付記２７） 前記推薦する配置情報の数を制限する機能を更に有することを特徴とする付記２２〜２６の何れかに記載のプログラム。
（付記２８） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出して、関連性が高いカテゴリ同士で互いに配置情報を推薦し合えるようにする機能を実現させる為のプログラム。
【０１７６】
（付記２９） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して作成された各カテゴリの組とその類似度とに基づいて、該類似度が第１の閾値以上であるカテゴリの組を選別する機能と、
該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する機能と、
を実現させる為のプログラム。
【０１７７】
（付記３０） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から取得された前記各カテゴリと該カテゴリに含まれる配置情報に基づいて抽出された配置情報の推薦候補に基づいて、前記配置情報格納装置または前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する機能と実現させる為のプログラム。
【０１７８】
（付記３１） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置とから、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出する機能と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する機能と、
前記選別された各カテゴリの組毎に、該抽出された推薦すべき配置情報の候補に基づいて、前記配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する機能と、
を実現させるプログラムを記録した前記コンピュータ読取り可能な記録媒体。
【０１７９】
（付記３２） コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置とから、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出する機能と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出する機能と、
前記選別された各カテゴリの組毎に、該抽出された推薦すべき配置情報の候補に基づいて、前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する機能と、
を実現させるプログラムを記録した前記コンピュータ読取り可能な記録媒体。
【０１８０】
【発明の効果】
以上詳細に説明したように、本発明の配置情報推薦装置、その方法、プログラム等によれば、ブックマークだけでなく文書ディレクトリも用いることで、登録ユーザが比較的少数であっても有効な推薦が受けられ、更に推薦されたＵＲＬが役立つ可能性を高めることができ、また文書ディレクトリにおける登録作業を軽減させ以って維持/管理コストを低減できる。また、ユーザが重み調整可能とすることで、ユーザが望む形でのＵＲＬの推薦が行なわれ易くなる。また、文書ディレクトリのパーソナライズ版が自動的に更新されるようにできる。
【図面の簡単な説明】
【図１】配置情報推薦装置の基本構成ブロック図である。
【図２】本例によるＵＲＬ推薦システムの基本構成を示すシステム構成図である。
【図３】図２に示す基本構成において更にアクセス回数記録装置を加えた構成を示す図である
【図４】図２に示す基本構成において更に重み調整装置を加えた構成を示す図である。
【図５】カテゴリ比較装置により実行される処理例（その１）を説明する為のフローチャート図である。
【図６】文書ディレクトリの階層構造の一例を示す図である。
【図７】（ａ）〜（ｃ）は、各カテゴリの組とその類似度を算出する処理の具体例を説明する為の図である。
【図８】各カテゴリの組とその類似度を算出する処理の具体的手法の一例を説明する為の図である。
【図９】カテゴリ比較装置により実行される処理例（その２）を説明する為のフローチャート図である。
【図１０】カテゴリ比較装置により実行される処理例（その３）を説明する為のフローチャート図である。
【図１１】カテゴリ比較装置により実行される処理例（その４）を説明する為のフローチャート図である。
【図１２】ＵＲＬ推薦候補抽出装置により実行される処理例（その１）を説明する為のフローチャート図である。
【図１３】（ａ）〜（ｄ）は、類似度の高いカテゴリの組を選別して、このカテゴリの組におけるＵＲＬの差分を抽出する処理の具体例を示す図である。
【図１４】ＵＲＬ推薦候補抽出装置により実行される処理例（その２）を説明する為のフローチャート図である。
【図１５】ＵＲＬ推薦候補抽出装置により実行される処理例（その３）を説明する為のフローチャート図である。
【図１６】差分のＵＲＬを含むカテゴリが幾つあるかを求める処理を具体的に説明する為の図である。
【図１７】ＵＲＬ推薦候補抽出装置により実行される処理例（その４）を説明する為のフローチャート図である。
【図１８】ディレクトリへのＵＲＬ推薦装置により実行される処理を説明する為のフローチャート図である。
【図１９】ブックマークへのＵＲＬ推薦装置により実行される処理を説明する為のフローチャート図である。
【図２０】情報処理装置（コンピュータ）のハードウェア構成の一例を示す図である。
【図２１】プログラムを記録した記録媒体又はプログラムのダウンロードの一例を示す図である。
【符号の説明】
１ 配置情報格納部
２ 個人登録配置情報格納部
３ カテゴリ比較部
４ 配置情報推薦候補抽出部
５ 第１の推薦部
６ 第２の推薦部
７ アクセス回数記録部
８ 重み調整部
１１ 文書ディレクトリ格納装置
１２ ブックマーク格納装置
１３ カテゴリ比較装置
１４ ＵＲＬ推薦候補抽出装置
１５ ディレクトリへのＵＲＬ推薦装置
１６ ブックマークへのＵＲＬ推薦装置
２０ ユーザ端末
３０ ネットワーク
４１ カテゴリ比較装置
４２ ＵＲＬ推薦候補抽出装置
４３ ディレクトリへのＵＲＬ推薦装置
４４ ブックマークへのＵＲＬ推薦装置
４５ アクセス回数記録装置
５１ カテゴリ比較装置
５２ ＵＲＬ推薦候補抽出装置
５３ ディレクトリへのＵＲＬ推薦装置
５４ ブックマークへのＵＲＬ推薦装置
５５ アクセス回数記録装置
５６ 重み調整装置
６０ テーブル
６１ カテゴリ名
６２ カテゴリ名
６３ 類似度
７０ テーブル
８０ テーブル
８１ カテゴリ名
８２ カテゴリ名
８３ 類似度
９０ テーブル
９１ カテゴリ名
９２ カテゴリ名
９３ 差分のＵＲＬ
１００ テーブル
１１０ 情報処理装置（コンピュータ）
１１１ ＣＰＵ
１１２ メモリ
１１３ 入力装置
１１４ 出力装置
１１５ 外部記憶装置
１１６ 媒体駆動装置
１１７ ネットワーク接続装置
１１８ バス
１１９ 可搬記録媒体
１２０ サーバ
１２１ プログラム/データ
１３０ ネットワーク
Claims (8)
- ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、
複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置 の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較手段と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出し、前記抽出した推薦すべき配置情報の候補に対して配置情報が登録されているカテゴリの数を用いて優先順位をつける配置情報推薦候 補抽出手段と、
前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出され、優先順位がつけられた配置情報について、優先順位が高い配置情報から順に前記配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第１の推薦手段と、
前記配置情報格納装置に格納されているカテゴリに対する重みを設定させ格納する重み調整手段と、
を有し、
前記配置情報推薦候補手段は、該重みを用いて前記優先順位を決定することを特徴とする配置情報推薦装置。 - ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、
複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置 の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較手段と、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出し、前記抽出した推薦すべき配置情報の候補に対して配置情報が登録されているカテゴリの数を用いて優先順位をつける配置情報推薦候補抽出手段と、
前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出され、優先順位がつけられた配置情報について、優先順位が高い配置情報から順に前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第２の推薦手段と、
前記配置情報格納装置に格納されているカテゴリに対する重みを設定させ格納する重み調整手段と、
を有し、
前記配置情報推薦候補手段は、該重みを用いて前記優先順位を決定することを特徴とする配置情報推薦装置。 - 前記各配置情報毎に該配置情報が指すコンテンツに対する全アクセス数または各ユーザ毎のアクセス数を格納するアクセス数格納手段を更に有し、配置情報推薦候補抽出手段は、前記アクセス数が第２の閾値以下である配置情報は前記推薦すべき配置情報の候補から除外することを特徴とする請求項１又は２記載の配置情報推薦装置。
- 前記第１の推薦手段又は前記第２の推薦手段は、前記配置情報格納装置または前記個人登録配置情報格納装置に対して推薦する配置情報の数を、各カテゴリ毎に第３の閾値までとすることを特徴とする請求項１〜３の何れかに記載の配置情報推薦装置。
- ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、
複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、コンピュータが実行する配置情報推薦方法において、
カテゴリ比較部が、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較ステップと、
配置情報推薦候補抽出部が、該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出し、前記抽出した推薦すべき配置情報の候補に対して配置情報が登録されているカテゴリの数を用いて優先順位をつける配置情報推薦候補抽出ステップと、
第１の推薦部が、前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出され、優先順位がつけられた配置情報について、優先順位が高い配置情報から順に前記配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第１の推薦ステップと、
重み調整部が、前記配置情報格納装置に格納されているカテゴリに対する重みを設定させ格納する重み調整ステップと、
を有し、
前記配置情報推薦候補ステップは、該重みを用いて前記優先順位を決定することを特徴とする配置情報推薦方法。 - ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、
複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置 の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、コンピュータが実行する配置情報推薦方法において、
カテゴリ比較部が、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較ステップと、
配置情報推薦候補抽出部が、該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出し、前記抽出した推薦すべき配置情報の候補に対して配置情報が登録されているカテゴリの数を用いて優先順位をつける配置情報推薦候補抽出ステップと、
第２の推薦部が、前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出され、優先順位がつけられた配置情報について、優先順位が高い配置情報から順に前記個人登録情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第２の推薦ステップと、
重み調整部が、前記配置情報格納装置に格納されているカテゴリに対する重みを設定させ格納する重み調整ステップと、
を有し、
前記配置情報推薦候補ステップは、該重みを用いて前記優先順位を決定することを特徴とする配置情報推薦方法。 - コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較ステップと、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出し、前記抽出した推薦すべき配置情報の候補に対して配置情報が登録されているカテゴリの数を用いて優先順位をつける配置情報推薦候補抽出ステップと、
前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出され、優先順位がつけられた配置情報について、優先順位が高い配置情報から順に前記配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第１の推薦ステップと、
前記配置情報格納装置に格納されているカテゴリに対する重みを設定させ格納する重み調整ステップと、
を実現させ、
前記配置情報推薦候補ステップは、該重みを用いて前記優先順位を決定することを特徴とするプログラム。 - コンピュータに、
ネットワーク上の配置情報を各カテゴリに格納する配置情報格納装置と、複数のユーザの各個人登録配置情報を各カテゴリに格納する個人登録配置情報格納装置の各々から、前記各カテゴリと該カテゴリに含まれる配置情報とを取得して、各カテゴリの組を作成すると共に各カテゴリの組毎に類似度を算出するカテゴリ比較ステップと、
該類似度が第１の閾値以上であるカテゴリの組を選別し、該選別した各カテゴリの組毎に互いに推薦すべき配置情報の候補を抽出し、前記抽出した推薦すべき配置情報の候補に対して配置情報が登録されているカテゴリの数を用いて優先順位をつける配置情報推薦候補抽出ステップと、
前記選別された各カテゴリの組毎に、該配置情報推薦候補抽出手段により抽出され、優先順位がつけられた配置情報について、優先順位が高い配置情報から順に前記個人登録配置情報格納装置に対して各カテゴリに登録すべき配置情報を推薦する第２の推薦ステップと、
前記配置情報格納装置に格納されているカテゴリに対する重みを設定させ格納する重み調整ステップと、
を実現させ、
前記配置情報推薦候補ステップは、該重みを用いて前記優先順位を決定することを特徴とするプログラム。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002078830A JP4118580B2 (ja) | 2002-03-20 | 2002-03-20 | 配置情報推薦装置、その方法、プログラム |
| US10/277,819 US7424483B2 (en) | 2002-03-20 | 2002-10-23 | Location information recommending apparatus, method, and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002078830A JP4118580B2 (ja) | 2002-03-20 | 2002-03-20 | 配置情報推薦装置、その方法、プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003281184A JP2003281184A (ja) | 2003-10-03 |
| JP4118580B2 true JP4118580B2 (ja) | 2008-07-16 |
Family
ID=28035610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002078830A Expired - Fee Related JP4118580B2 (ja) | 2002-03-20 | 2002-03-20 | 配置情報推薦装置、その方法、プログラム |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US7424483B2 (ja) |
| JP (1) | JP4118580B2 (ja) |
Families Citing this family (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7689601B2 (en) * | 2004-05-06 | 2010-03-30 | Oracle International Corporation | Achieving web documents using unique document locators |
| US8290962B1 (en) * | 2005-09-28 | 2012-10-16 | Google Inc. | Determining the relationship between source code bases |
| JP4718291B2 (ja) * | 2005-10-03 | 2011-07-06 | 株式会社オービック | 情報共有システム |
| JP2007272390A (ja) * | 2006-03-30 | 2007-10-18 | Sony Corp | リソース管理装置、タグ候補選定方法及びタグ候補選定プログラム |
| JP2009532751A (ja) * | 2006-03-30 | 2009-09-10 | テレフオンアクチーボラゲット エル エム エリクソン（パブル） | ウェブサイトの更新についての情報を提供する方法および装置 |
| JP4938781B2 (ja) * | 2006-08-30 | 2012-05-23 | パナソニック株式会社 | 情報提示装置、情報提示方法、情報提示プログラム及び集積回路 |
| JP4498342B2 (ja) * | 2006-11-30 | 2010-07-07 | 株式会社東芝 | 情報推薦システム及び情報推薦プログラム |
| US8010532B2 (en) * | 2007-01-17 | 2011-08-30 | Yahoo! Inc. | System and method for automatically organizing bookmarks through the use of tag data |
| JP5327784B2 (ja) * | 2008-07-30 | 2013-10-30 | 株式会社日立製作所 | 計算機システム、情報収集支援装置及び情報収集支援方法 |
| US8346754B2 (en) * | 2008-08-19 | 2013-01-01 | Yahoo! Inc. | Generating succinct titles for web URLs |
| JP4978621B2 (ja) * | 2008-12-05 | 2012-07-18 | 富士ゼロックス株式会社 | 情報処理システム、情報処理装置及びプログラム |
| JP5147790B2 (ja) * | 2009-07-24 | 2013-02-20 | ヤフー株式会社 | クローラ調整装置及びクローラ調整方法 |
| JP4974090B2 (ja) * | 2009-08-21 | 2012-07-11 | Ｎｅｃビッグローブ株式会社 | アイテム管理サーバ、及びアイテム管理システム |
| CN103020845B (zh) * | 2012-12-14 | 2018-08-10 | 百度在线网络技术（北京）有限公司 | 一种移动应用的推送方法及系统 |
| WO2016051446A1 (ja) * | 2014-09-29 | 2016-04-07 | 楽天株式会社 | 情報処理装置、情報処理方法及びプログラム |
| CN104951523B (zh) * | 2015-06-10 | 2019-03-26 | 苏州奖多多科技有限公司 | 一种信息推荐方法、装置及服务器 |
| CN105677767B (zh) * | 2015-12-30 | 2020-02-21 | 联想(北京)有限公司 | 一种设备配置推荐方法和装置 |
| US10601953B2 (en) * | 2016-09-22 | 2020-03-24 | Adobe Inc. | Decomposing media content accounts for persona-based experience individualization |
| CN106649888B (zh) * | 2017-01-16 | 2020-06-02 | 北京恒华伟业科技股份有限公司 | 一种浏览器 |
| CN107292441B (zh) * | 2017-06-26 | 2020-06-19 | 北京容联光辉科技有限公司 | 一种运维协作系统 |
| CN107679943A (zh) * | 2017-09-27 | 2018-02-09 | 广州市万表科技股份有限公司 | 智能推荐方法和系统 |
| CN109710861B (zh) * | 2018-12-26 | 2023-04-11 | 贵阳朗玛信息技术股份有限公司 | 一种生成url的系统及方法 |
| CN110688576B (zh) * | 2019-09-25 | 2020-11-06 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、电子设备及存储介质 |
| KR102425770B1 (ko) * | 2020-04-13 | 2022-07-28 | 네이버 주식회사 | 급상승 검색어 제공 방법 및 시스템 |
| US11269969B1 (en) * | 2021-02-08 | 2022-03-08 | Capital One Services, Llc | Systems and methods for automatic and adaptive browser bookmarks |
Family Cites Families (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0822502A1 (en) * | 1996-07-31 | 1998-02-04 | BRITISH TELECOMMUNICATIONS public limited company | Data access system |
| US5890172A (en) * | 1996-10-08 | 1999-03-30 | Tenretni Dynamics, Inc. | Method and apparatus for retrieving data from a network using location identifiers |
| JP2842415B2 (ja) | 1996-11-06 | 1999-01-06 | 日本電気株式会社 | Ｕｒｌ順序付け方法およびその装置 |
| US6393462B1 (en) * | 1997-11-13 | 2002-05-21 | International Business Machines Corporation | Method and apparatus for automatic downloading of URLs and internet addresses |
| US6208995B1 (en) * | 1997-11-24 | 2001-03-27 | International Business Machines Corporation | Web browser download of bookmark set |
| US6032162A (en) * | 1998-01-08 | 2000-02-29 | Burke; Alexander James | System for processing and storing internet bookmark address links |
| US6212522B1 (en) * | 1998-05-15 | 2001-04-03 | International Business Machines Corporation | Searching and conditionally serving bookmark sets based on keywords |
| US6216134B1 (en) * | 1998-06-25 | 2001-04-10 | Microsoft Corporation | Method and system for visualization of clusters and classifications |
| JP2000099436A (ja) * | 1998-09-24 | 2000-04-07 | Fujitsu Ltd | 表示装置 |
| US6832350B1 (en) * | 1998-09-30 | 2004-12-14 | International Business Machines Corporation | Organizing and categorizing hypertext document bookmarks by mutual affinity based on predetermined affinity criteria |
| US6725227B1 (en) * | 1998-10-02 | 2004-04-20 | Nec Corporation | Advanced web bookmark database system |
| JP3628528B2 (ja) * | 1998-10-26 | 2005-03-16 | 富士通株式会社 | 検索支援装置及び方法並びにその装置での処理をコンピュータにて行なわせるためのプログラムを格納した記録媒体 |
| US6408316B1 (en) * | 1998-12-17 | 2002-06-18 | International Business Machines Corporation | Bookmark set creation according to user selection of selected pages satisfying a search condition |
| US6275862B1 (en) * | 1999-01-06 | 2001-08-14 | International Business Machines Corporation | Automatic categorization of bookmarks in a web browser |
| JP2000207410A (ja) | 1999-01-14 | 2000-07-28 | Matsushita Electric Ind Co Ltd | Ｕｒｌデ―タベ―ス更新装置及びｕｒｌデ―タベ―ス更新方法 |
| US6493702B1 (en) * | 1999-05-05 | 2002-12-10 | Xerox Corporation | System and method for searching and recommending documents in a collection using share bookmarks |
| US6546393B1 (en) * | 1999-10-07 | 2003-04-08 | Clickmarks, Inc. | System method and article of manufacture for dynamically user-generated internet search directory based on prioritized server-sided user bookmarks |
| US6415368B1 (en) * | 1999-12-22 | 2002-07-02 | Xerox Corporation | System and method for caching |
| US7007008B2 (en) * | 2000-08-08 | 2006-02-28 | America Online, Inc. | Category searching |
| US6684218B1 (en) * | 2000-11-21 | 2004-01-27 | Hewlett-Packard Development Company L.P. | Standard specific |
| US7194454B2 (en) * | 2001-03-12 | 2007-03-20 | Lucent Technologies | Method for organizing records of database search activity by topical relevance |
| US20020198882A1 (en) * | 2001-03-29 | 2002-12-26 | Linden Gregory D. | Content personalization based on actions performed during a current browsing session |
| US20020184095A1 (en) * | 2001-06-05 | 2002-12-05 | Certra, Inc. | Automatic building and categorization of favorites in an internet browser |
| US20030046357A1 (en) * | 2001-08-30 | 2003-03-06 | International Business Machines Corporation | Intelligent content placement in a distributed computing network |
| US6928616B2 (en) * | 2001-09-20 | 2005-08-09 | International Business Machines Corporation | Method and apparatus for allowing one bookmark to replace another |
| US20030080986A1 (en) * | 2001-11-01 | 2003-05-01 | Baird Roger T. | System and method for accessing and utilizing remote bookmark lists |
-
2002
- 2002-03-20 JP JP2002078830A patent/JP4118580B2/ja not_active Expired - Fee Related
- 2002-10-23 US US10/277,819 patent/US7424483B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| US7424483B2 (en) | 2008-09-09 |
| US20030182295A1 (en) | 2003-09-25 |
| JP2003281184A (ja) | 2003-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4118580B2 (ja) | 配置情報推薦装置、その方法、プログラム | |
| JP4756953B2 (ja) | 情報検索装置および情報検索方法 | |
| US7194454B2 (en) | Method for organizing records of database search activity by topical relevance | |
| CA2647864C (en) | Propagating useful information among related web pages, such as web pages of a website | |
| US8326818B2 (en) | Method of managing websites registered in search engine and a system thereof | |
| JP4638439B2 (ja) | ウェブ検索の個人化 | |
| US6493702B1 (en) | System and method for searching and recommending documents in a collection using share bookmarks | |
| US8150846B2 (en) | Content searching and configuration of search results | |
| US8166028B1 (en) | Method, system, and graphical user interface for improved searching via user-specified annotations | |
| US9529861B2 (en) | Method, system, and graphical user interface for improved search result displays via user-specified annotations | |
| JP5329540B2 (ja) | ユーザ中心の情報探索方法、コンピュータ読み取り可能な記録媒体およびユーザ中心の情報探索システム | |
| JP2011227922A (ja) | 検索結果内におけるプレーストコンテンツの順序付けのパーソナライズ | |
| JP3803961B2 (ja) | データベース生成装置、データベース生成処理方法及びデータベース生成プログラム | |
| JP4430598B2 (ja) | 情報共有システムおよび情報共有方法 | |
| JPH10143519A (ja) | Ｕｒｌ順序付け方法およびその装置 | |
| US6711569B1 (en) | Method for automatic selection of databases for searching | |
| KR20030051577A (ko) | 검색사이트의 검색결과 표시방법 | |
| JP2006235875A (ja) | 情報ナビゲーション方法及び装置及びプログラム | |
| JP5396845B2 (ja) | 文書群検出方法及び文書群検出装置 | |
| JP2007122504A (ja) | 情報処理装置閲覧支援装置 | |
| JP2004178070A (ja) | 情報検索方法及び情報検索装置並びにプログラム | |
| JPH10222534A (ja) | 情報検索装置 | |
| JPH11265402A (ja) | データ処理システム及びデータ処理システムを制御するプログラムを記録した記録媒体 | |
| JP2002063170A (ja) | Ｗｅｂ検索の規制方法 | |
| Almuhareb | Arabic poetry focused crawling using SVM and keywords |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20041224 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080129 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080321 |
|
| 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: 20080422 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080423 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110502 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120502 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130502 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140502 Year of fee payment: 6 |
|
| LAPS | Cancellation because of no payment of annual fees |