JP4524709B2

JP4524709B2 - 情報処理装置および方法、並びに、プログラム

Info

Publication number: JP4524709B2
Application number: JP2008173489A
Authority: JP
Inventors: 啓舘野
Original assignee: Sony Corp
Current assignee: Sony Corp
Priority date: 2007-12-03
Filing date: 2008-07-02
Publication date: 2010-08-18
Anticipated expiration: 2028-07-02
Also published as: CN101452472A; JP2009157907A

Description

本発明は、情報処理装置および方法、並びに、プログラムに関し、特に、アイテムに対して与えられたユーザの評価をより有効に活用できるようにした情報処理装置および方法、並びに、プログラムに関する。

従来、ユーザの嗜好に基づいて、テレビジョン番組、楽曲、商品などの各種のアイテムを検索して推薦する、いわゆる、コンテンツパーソナライゼーションのための発明が提案されている（例えば、特許文献１または非特許文献１参照）。コンテンツパーソナライゼーションには、ユーザの評価に基づく協調フィルタリング(CF)や、情報の内容に基づくコンテントベーストフィルタリング(CBF)といった手法が広く使われている。

特開２００４−１９４１０７号公報 P. Resnick, N. Iacovou, M. Suchak, P. Bergstrom, and J. RIedl. "GroupLens: Open Architecture for Collaborative FilterIng of Netnews." Conference on Computer Supported Cooperative Work, pp. 175-186, 1994.

ところで、従来、協調フィルタリングなどで、ユーザの評価に基づいてアイテムの推薦を行う場合に、より適切なアイテムを推薦できるようにするために、アイテムに対して与えられたユーザの評価をより有効に活用できるようにすることが望まれている。

本発明は、このような状況を鑑みてなされたものであり、アイテムに対して与えられたユーザの評価をより有効に活用できるようにするものである。

本発明の一側面の情報処理装置は、各アイテムに対して各ユーザが与えた評価値を取得するアイテム評価取得手段と、注目するユーザが評価したアイテム数、前記注目するユーザが各アイテムに与えた評価値、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価数、および、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価値のうち少なくとも１つを用いて、前記注目するユーザの評価の傾向を示すユーザ統計量を計算するユーザ統計量計算手段と、各ユーザから各アイテムに与えられた評価値の平均値である評価平均値、前記評価値の分散である評価分散値、および、評価数を含むアイテム統計量を計算するアイテム統計量計算手段と、前記評価平均値、前記評価分散値、および評価数の組み合わせに基づいて、与えられた評価の傾向による各アイテムの性質を示すアイテムタイプを判定するアイテムタイプ判定手段と、前記ユーザ統計量、前記アイテム統計量、および前記アイテムタイプのうち少なくとも１つに基づいて、前記注目するユーザに対するアイテムに関する情報の提示を制御する提示制御手段とを備える。

所定の手法を用いてアイテムのクラスタリングを行うアイテムクラスタリング手段をさらに設け、前記ユーザ統計量計算手段には、前記注目するユーザが評価したアイテム数のクラスタ別の分布に基づいて、前記ユーザ統計量を計算させることができる。

前記ユーザ統計量は、前記注目するユーザが評価したアイテム数の前記クラスタ別の分布と前記注目するユーザが属するコミュニティ全体の評価数の前記クラスタ別の分布との類似度を示すコミュニティ代表度を含むことができる。

前記ユーザ統計量は、前記コミュニティ代表度の時系列の平均に基づくトレンディ度をさらに含むことができる。

前記提示制御手段には、前記ユーザ統計量により表される前記注目するユーザの性質に応じた情報を選択して提示するように制御させることができる。
前記アイテム統計量は、評価数の時系列の変化を表す統計量をさらに含み、前記アイテムタイプ判定手段は、さらに前記評価数の時系列の変化を表す統計量に基づいて、前記アイテムタイプを判定するようにすることができる。

前記評価数の時系列の変化を表す統計量は、入手可能になった時期からの評価数の減衰速度の平均に対する各アイテムの評価数の減衰速度の相対値に基づく瞬発度、各アイテムの評価数が増加する期間の長さと増加数の度合いを示す口コミ度、および、各アイテムの評価数の時系列の安定度を示す定番度のうち少なくとも１つを含み、前記ユーザ統計量は、前記注目するユーザが評価したアイテムのうち、入手可能になってから所定の期間内に評価した、前記瞬発度が所定の閾値以上であるアイテムが占める割合に基づくミーハー度、前記注目するユーザが評価したアイテムのうち、入手可能になってから所定の期間内に評価した、前記口コミ度が所定の閾値以上であるアイテムが占める割合に基づく目利き度、および、前記注目するユーザが評価したアイテムのうち前記定番度が所定の閾値以上であるアイテムが占める割合に基づく保守度のうち少なくとも１つを含むことができる。

前記アイテム統計量は、各アイテムの評価数に基づくメジャー度をさらに含み、前記ユーザ統計量は、前記注目するユーザが評価したアイテムの前記メジャー度の平均に基づくミーハー度、前記注目するユーザがアイテムに与えた評価値とそのアイテムの前記メジャー度との相関関係に基づくメジャー志向度、前記注目するユーザがアイテムに与えた評価値とそのアイテムの前記評価平均値との相関関係に基づく普通度、および、前記注目するユーザが評価したアイテムの前記評価平均値の平均に基づく評判志向度を含むことができる。

前記提示制御手段には、前記ユーザ統計量により表される前記注目するユーザの性質に関連する、前記アイテム統計量により表されるアイテムの性質を強調して提示させることができる。

前記ユーザ統計量により表される前記注目するユーザの性質に関連する、前記アイテム統計量により表される性質を持つアイテムを抽出する抽出手段をさらに設け、前記提示制御手段には、前記注目するユーザに対して前記抽出されたアイテムを提示するように制御させることができる。

本発明の一側面の情報処理方法は、情報処理装置が、各アイテムに対して各ユーザが与えた評価値を取得し、注目するユーザが評価したアイテム数、前記注目するユーザが各アイテムに与えた評価値、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価数、および、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価値のうち少なくとも１つを用いて、前記注目するユーザの評価の傾向を示すユーザ統計量を計算し、各ユーザから各アイテムに与えられた評価値の平均値である評価平均値、前記評価値の分散である評価分散値、および、評価数を含むアイテム統計量を計算し、前記評価平均値、前記評価分散値、および評価数の組み合わせに基づいて、与えられた評価の傾向による各アイテムの性質を示すアイテムタイプを判定し、前記ユーザ統計量、前記アイテム統計量、および前記アイテムタイプのうち少なくとも１つに基づいて、前記注目するユーザに対するアイテムに関する情報の提示を制御するステップを含む。

本発明の一側面のプログラムは、各アイテムに対して各ユーザが与えた評価値を取得し、注目するユーザが評価したアイテム数、前記注目するユーザが各アイテムに与えた評価値、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価数、および、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価値のうち少なくとも１つを用いて、前記注目するユーザの評価の傾向を示すユーザ統計量を計算し、各ユーザから各アイテムに与えられた評価値の平均値である評価平均値、前記評価値の分散である評価分散値、および、評価数を含むアイテム統計量を計算し、前記評価平均値、前記評価分散値、および評価数の組み合わせに基づいて、与えられた評価の傾向による各アイテムの性質を示すアイテムタイプを判定し、前記ユーザ統計量、前記アイテム統計量、および前記アイテムタイプのうち少なくとも１つに基づいて、前記注目するユーザに対するアイテムに関する情報の提示を制御するステップを含む処理をコンピュータに実行させる。

本発明の一側面においては、各アイテムに対して各ユーザが与えた評価値が取得され、注目するユーザが評価したアイテム数、前記注目するユーザが各アイテムに与えた評価値、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価数、および、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価値のうち少なくとも１つを用いて、前記注目するユーザの評価の傾向を示すユーザ統計量が計算され、各ユーザから各アイテムに与えられた評価値の平均値である評価平均値、前記評価値の分散である評価分散値、および、評価数を含むアイテム統計量が計算され、前記評価平均値、前記評価分散値、および評価数の組み合わせに基づいて、与えられた評価の傾向による各アイテムの性質を示すアイテムタイプが判定され、前記ユーザ統計量、前記アイテム統計量、および前記アイテムタイプのうち少なくとも１つに基づいて、前記注目するユーザに対するアイテムに関する情報の提示が制御される。

本発明の一側面によれば、アイテムに対して与えられたユーザの評価をより有効に活用することができる。特に、本発明の一側面によれば、アイテムに関する情報を適切にユーザに提示することができる。

以下、図面を参照して本発明を適用した実施の形態について説明する。

図１は、本発明を適用した情報処理システムの一実施の形態を示すブロック図である。図１の情報処理システム１は、アイテム、アイテムに関する情報、および、情報処理システム１のユーザに関する情報などをユーザに提供するシステムである。ここで、アイテムとは、テレビジョン番組、動画、静止画、文書、楽曲、ソフトウエア、情報などの各種のコンテンツ、および、各種の商品などである。情報処理システム１は、ユーザインタフェース部１１および情報処理部１２を含むように構成される。

ユーザインタフェース部１１は、ユーザが、情報処理部１２に対して情報や指令を入力したり、情報処理部１２から提供されるアイテムや情報をユーザに提示する場合に用いられる。ユーザインタフェース部１１は、キーボード、マウスなどからなる入力部２１、および、専用のモニタ、または、CE（Consumer Electronics）機器に備えられているディスプレイなどからなる表示部２２を含むように構成される。

情報処理部１２は、アイテム評価取得部３１、履歴保持部３２、アイテム統計量計算部３３、アイテムタイプ決定部３４、アイテム類似度計算部３５、類似アイテム抽出部３６、ユーザ統計量計算部３７、ユーザ類似度計算部３８、類似ユーザ抽出部３９、予測評価値計算部４０、推薦アイテム抽出部４１、情報提示部４２、アイテム情報保持部４３、および、ユーザ情報保持部４４を含むように構成される。

アイテム評価取得部３１は、入力部２１を介して各ユーザにより入力された各アイテムに対する評価を示す情報の取得、および、取得した情報の履歴保持部３２に保持されているアイテム評価履歴への記録の制御を行う。

アイテム統計量計算部３３は、図４などを参照して後述するように、履歴保持部３２に保持されているアイテム履歴情報に基づいて、各アイテムに対する評価の傾向を示すアイテム統計量を計算する。アイテム統計量計算部３３は、計算したアイテム統計量を示す情報を、必要に応じて、アイテムタイプ決定部３４、アイテム類似度計算部３５、および、ユーザ統計量計算部３７に供給する。

アイテムタイプ決定部３４は、図４などを参照して後述するように、アイテム統計量に基づいて、与えられた評価の傾向による各アイテムの性質を表すアイテムタイプを決定する。アイテムタイプ決定部３４は、各アイテムのアイテムタイプを示す情報を情報提示部４２に供給する。

アイテム類似度計算部３５は、図８などを参照して後述するように、アイテム統計量に基づいて、アイテム間の評価の傾向の類似度を示すアイテム類似度を計算する。アイテム類似度計算部３５は、計算したアイテム類似度を示す情報を類似アイテム抽出部３６に供給する。

類似アイテム抽出部３６は、図８などを参照して後述するように、アイテム類似度に基づいて、各アイテムについて、そのアイテムに類似するアイテムである類似アイテムを抽出する。類似アイテム抽出部３６は、各アイテムの類似アイテムを示す情報を情報提示部４２に供給する。

ユーザ統計量計算部３７は、図１０などを参照して後述するように、アイテム評価履歴およびアイテム統計量に基づいて、各アイテムに対して与えた評価の傾向による各ユーザの性質を表すユーザ統計量を計算する。ユーザ統計量計算部３７は、計算したユーザ統計量を示す情報を、必要に応じて、ユーザ類似度計算部３８および情報提示部４２に供給する。

ユーザ類似度計算部３８は、図１３などを参照して後述するように、ユーザ統計量に基づいて、ユーザ間の類似度を示すユーザ類似度を計算する。ユーザ類似度計算部３８は、計算したユーザ類似度を示す情報を、必要に応じて、類似ユーザ抽出部３９および予測評価値計算部４０に供給する。

類似ユーザ抽出部３９は、図１３などを参照して後述するように、ユーザ類似度に基づいて、各ユーザに類似するユーザである類似ユーザを抽出する。類似ユーザ抽出部３９は、各ユーザの類似ユーザを示す情報を、必要に応じて、推薦アイテム抽出部４１および情報提示部４２に供給する。

予測評価値計算部４０は、図１５などを参照して後述するように、アイテム評価履歴およびユーザ類似度に基づいて、ユーザが未評価のアイテムに対する評価値の予測値である評価予測値を計算する。予測評価値計算部４０は、計算した予測評価値を示す情報を推薦アイテム抽出部４１に供給する。

推薦アイテム抽出部４１は、図１５および図１６などを参照して後述するように、予測評価値、アイテム評価履歴、および、類似ユーザに関する情報に基づいて、各ユーザに推薦する推薦アイテムを抽出する。推薦アイテム抽出部４１は、抽出した推薦アイテムを示す情報を情報提示部４２に供給する。

情報提示部４２は、各アイテムに関する情報のアイテム情報保持部４３への記録、および、各ユーザに関する情報のユーザ情報保持部４４への記録の制御を行う。また、情報提示部４２は、ユーザインタフェース部１１の入力部２１を介して入力される、アイテムや各種の情報の提示の指令に対して、要求されたアイテムや情報をアイテム情報保持部４３およびユーザ情報保持部４４から取得し、表示部２２に送信することにより、ユーザへのアイテムおよび各種の情報の提示の制御を行う。

なお、ユーザインタフェース部１１と情報処理部１２を、１つの装置により構成するようにしてもよいし、個別の装置として構成するようにしてもよい。ユーザインタフェース部１１と情報処理部１２が個別の装置により構成される場合、ユーザインタフェース部１１は、例えば、パーソナルコンピュータ、携帯電話機、CE機器などのユーザ端末により構成され、情報処理部１２は、例えば、Webサーバやアプリケーションサーバなどの各種のサーバにより構成される。この場合、情報処理システム１においては、複数のユーザインタフェース部１１が、例えば、インターネットなどのネットワークを介して情報処理部１２に接続される。また、情報処理部１２を複数の装置により構成するようにすることも可能である。

なお、以下、ユーザインタフェース部１１がユーザ端末により構成され、情報処理部１２がサーバにより構成される場合の例について説明する。

次に、図２乃至図１６を参照して、情報処理システム１の処理について説明する。

まず、図２のフローチャートを参照して、情報処理システム１により実行されるアイテム評価取得処理について説明する。この処理は、例えば、ユーザが、ユーザインタフェース部１１の入力部２１を介して、所望するアイテムの提示の指令を入力し、その指令が情報処理部１２の情報提示部４２に送信されたとき、開始される。

ステップＳ１において、表示部２２は、アイテムを提示する。具体的には、情報提示部４２は、ユーザにより要求されたアイテムに関する情報をアイテム情報保持部４３から取得し、ユーザインタフェース部１１の表示部２２に送信する。表示部２２は、受信した情報に基づいて、ユーザにより要求されたアイテムに関する情報を表示する。例えば、ユーザにより要求されたアイテムが音楽のアルバムである場合、アーティスト名、アルバム名、楽曲名、試聴サンプル、そのアルバムに対するレビュー文などが表示される。

ステップＳ２において、アイテム評価取得部３１は、提示したアイテムに対してユーザが与えた評価を取得する。具体的には、例えば、ユーザは、提示されたアイテムを試聴したり、購入したり、試用したり、使用したりした後、入力部２１を介して、そのアイテムに対する評価を入力する。このとき入力されるアイテムの評価には、例えば、そのアイテムに対する評価を数値化した評価値、レビュー文などが含まれる。また、アイテムに対する評価値は、例えば、ユーザが直接値を入力したり、「満足」「やや満足」「普通」「やや不満」「不満」などの選択肢の中からユーザが選択することにより入力される。

なお、ユーザが直接評価値を入力するのではなく、ユーザのアイテムの利用履歴などに基づいて、情報処理システム１側で評価値を決定するようにしてもよい。例えば、ユーザが特定のアイテムを繰り返し利用したり、TV番組情報ページであれば録画予約をしたりするなど、そのアイテムに対して高い評価を持っていると考えられる行動を行った場合、そのアイテムに対するユーザの評価値を自動的に高い値に設定するようにすることが考えられる。

入力部２１は、入力されたアイテムに対する評価を示す情報をアイテム評価取得部３１に送信し、アイテム評価取得部３１は、その情報を取得する。

ステップＳ３において、アイテム評価取得部３１は、取得したアイテムの評価を記録する。すなわち、アイテム評価取得部３１は、取得したアイテムの評価を、履歴保持部３２に保持されているアイテム評価履歴に記録する。その後、アイテム評価取得処理は終了する。そして、このアイテム評価取得処理が繰り返されることにより、アイテム評価履歴には、各アイテムに対して各ユーザが与えた評価の履歴が蓄積される。

図３は、情報処理システム１のユーザをユーザｕ１乃至ｕ５の５人、情報処理システム１で扱うアイテムをアイテムｉ１乃至ｉ５の５種類とし、各アイテムの評価値が、最低の１点から最高の５点までの５段階評価で表される場合の、評価値に関するアイテム評価履歴の例を示している。図３のアイテム評価履歴の各欄の値は、その欄に対応するユーザが、その欄に対応するアイテムに与えた評価値を示している。例えば、図３において、ユーザｕ１のアイテムｉ２に対する評価値は５点であり、ユーザｕ５のアイテムｉ５に対する評価値は３点である。なお、アイテム評価履歴の空欄は、その欄に対応するユーザが、その欄に対応するアイテムを未評価であることを示している。

なお、以下、履歴保持部３２に図３のアイテム評価履歴が保持されている場合の処理を具体例として挙げながら説明を行う。

次に、図４のフローチャートを参照して、情報処理システム１により実行されるアイテム性質計算処理について説明する。

ステップＳ２１において、アイテム統計量計算部３３は、履歴保持部３２に保持されているアイテム評価履歴を取得する。

ステップＳ２２において、アイテム統計量計算部３３は、アイテム評価履歴に基づいて、アイテム統計量を計算する。アイテム統計量は、与えられた評価の数を示す評価数Ni、評価値の平均を示す評価平均値avg(Ri)、および、評価値の分散を示す評価分散値var(Ri)の３種類の統計量を少なくとも含む。

なお、評価数Niは、そのアイテムに対するユーザ群の関心の度合いを示す。一般に、各アイテムに与えられる評価の数は、ごく少数の人気アイテムに集中し、それ以外は少数の評価が幅広いアイテムに与えられる、いわゆるロングテール的な傾向を示す。従って、評価数Niの代わりに、評価数Niの対数log Niなどを利用するようにしてもよい。なお、以下、評価数Niの対数log Niを、メジャー度Miとも称する。

評価平均値avg(Ri)は、そのアイテムの一般的な良し悪しの尺度となる。

評価分散値var(Ri)は、そのアイテムに対するユーザ間の評価のブレを示す。

図５は、図３のアイテム評価履歴に基づいて計算されたアイテム統計量を示している。図５の２行目は、各アイテムの評価数Ni、および、メジャー度Mi（括弧内の数字）を示し、３行目は、各アイテムの評価平均値avg(Ri)を示し、４行目は、各アイテムの評価分散値var(Ri)を示している。例えば、図５において、アイテムｉ１の評価数N1は２点、メジャー度M1は0.69、評価平均値avg(R1)は4.5点、評価分散値var(R1)は0.25である。

アイテム統計量計算部３３は、注目するアイテム（以下、注目アイテムと称する）を１つ選択し、注目アイテムのアイテム統計量を計算する処理を、全てのアイテムが注目アイテムとなるまで繰り返し、各アイテムのアイテム統計量を計算する。アイテム統計量計算部３３は、計算した各アイテムのアイテム統計量を示す情報をアイテムタイプ決定部３４に供給する。

ステップＳ２３において、アイテムタイプ決定部３４は、アイテム統計量に基づいて、各アイテムの順位または集合を求める。具体的には、アイテムタイプ決定部３４は、例えば、アイテム統計量に含まれる統計量（評価数Ni、評価平均値avg(Ri)、評価分散値var(Ri)）ごとにアイテムの順位付けを行う。

図６は、図５のアイテム統計量に基づいて順位付けした場合のアイテムの順位を示している。図６の２行目は、評価数Niの昇順にアイテムを並べた順位Pniを示し、３行目は、評価平均値avg(Ri)の昇順にアイテムを並べた順位Paiを示し、４行目は、評価分散値var(Ri)の昇順にアイテムを並べた順位Pviを示している。例えば、図６において、アイテムｉ１の評価数の順位Pn1は１位、評価平均値の順位Pa1は５位、評価分散値の順位Pv1は３位である。

あるいは、アイテムタイプ決定部３４は、例えば、アイテム統計量に含まれる統計量（評価数Ni、評価平均値avg(Ri)、評価分散値var(Ri)）ごとに、任意の閾値を用いて、アイテムをグループ分けする。例えば、アイテムタイプ決定部３４は、評価数Niを用いて、評価数Niが閾値以上であるメジャーなアイテムの集合Smjと、評価数Niが閾値未満であるマイナーなアイテムの集合Smnにグループ分けしたり、評価平均値avg(Ri)を用いて、評価平均値avg(Ri)が閾値以上である評価の高いアイテムの集合Sahと、評価平均値avg(Ri)が閾値未満である評価の低いアイテムの集合Salにグループ分けしたり、評価分散値var(Ri)を用いて、評価分散値var(Ri)が閾値以上である評価のバラツキの大きいアイテムの集合Svhと、評価分散値var(Ri)が閾値未満である評価のバラツキの小さいアイテムの集合Svlにグループ分けしたりする。

ステップＳ２４において、アイテムタイプ決定部３４は、アイテムタイプを決定する。例えば、アイテムタイプ決定部３４は、ステップＳ２３においてアイテムの順位付けを行った場合、その順位を適切に組み合わせることにより、各アイテムのアイテムタイプを決定する。例えば、アイテムタイプ決定部３４は、以下の式（１）により、各アイテムの名作度MPiを求める。

名作度MPi＝評価数の順位Pni＋評価平均値の順位Pai−評価分散値の順位Pvi
・・・（１）

すなわち、名作度MPiは、評価数が多く、評価平均値が高く、評価分散値が小さいほど大きくなる。従って、名作度MPiが高いアイテムは、多くの人から平均して高い評価を受けていることになる。アイテムタイプ決定部３４は、名作度MPiが所定の閾値以上のアイテムのアイテムタイプを「名作」に決定する。

また、例えば、アイテムタイプ決定部３４は、以下の式（２）により、各アイテムの隠れた名作度SMPiを求める。

隠れた名作度SMPi＝−評価数の順位Pni＋評価平均値の順位Pai ・・・（２）

すなわち、隠れた名作度SMPiは、評価数が少なく、評価平均値が高いほど大きくなる。従って、隠れた名作度SMPiが高いアイテムは、少数の人から平均して高い評価を受けていることになる。アイテムタイプ決定部３４は、隠れた名作度SMPiが所定の閾値以上のアイテムのアイテムタイプを「隠れた名作」に決定する。

図７は、図６のアイテムの順位に基づく各アイテムの名作度MPiおよび隠れた名作度SMPiを示している。図７の２行目は、各アイテムの名作度MPiを示し、３行目は、各アイテムの隠れた名作度SMPiを示している。例えば、図７において、アイテムｉ１の名作度MP1は３であり、隠れた名作度SMP1は４である。

また、例えば、アイテムタイプ決定部３４は、ステップＳ２３においてアイテムのグループ分けを行った場合、各アイテムが属する集合の組み合わせにより、各アイテムのアイテムタイプを決定する。例えば、アイテムタイプ決定部３４は、積集合Smj∩Sah∩Svlに含まれるアイテムは、評価数Niが多く、評価平均値avg(Ri)が高く、評価分散値var(Ri)が小さいので、そのアイテムのアイテムタイプを「名作」に決定する。また、アイテムタイプ決定部３４は、積集合Smn∩Sahに含まれるアイテムは、評価数Niが少なく、評価平均値avg(Ri)が高いので、そのアイテムのアイテムタイプを「隠れた名作」に決定する。

アイテムタイプ決定部３４は、注目アイテムを１つ選択し、注目アイテムのアイテムタイプを決定する処理を、全てのアイテムが注目アイテムとなるまで繰り返し、各アイテムのアイテムタイプを決定する。アイテムタイプ決定部３４は、決定した各アイテムのアイテムタイプを示す情報を情報提示部４２に供給する。情報提示部４２は、アイテム情報保持部４３に保持されている各アイテムの情報に、決定された各アイテムのアイテムタイプを追加する。

ステップＳ２５において、情報提示部４２は、アイテムタイプをユーザに提示する。例えば、情報提示部４２は、図２のステップＳ１と同様の処理により、ユーザにアイテムの情報を提示する場合、そのアイテムのアイテムタイプを示す情報も表示部２２に送信する。表示部２２は、ユーザにより要求されたアイテムに関する情報とともに、そのアイテムのアイテムタイプ（例えば、「名作」、「隠れた名作」など）も合わせて表示する。

このようにして、各アイテムに対して与えられたユーザの評価を有効に活用して、各アイテムのアイテムタイプを適切に決定し、決定したアイテムタイプをユーザに提示することができる。これにより、ユーザは、各アイテムに与えられた評価の傾向を正確に知ることができる。

次に、図８のフローチャートを参照して、情報処理システム１により実行される類似アイテム抽出処理について説明する。

アイテム統計量計算部３３は、ステップＳ４１において、図４のステップＳ２１の処理と同様に、アイテム評価履歴を取得し、ステップＳ４２において、図４のステップＳ２２の処理と同様に、アイテム統計量を計算し、計算したアイテム統計量を示す情報をアイテム類似度計算部３５に供給する。

ステップＳ４３において、アイテム類似度計算部３５は、アイテム類似度を計算する。例えば、アイテム類似度計算部３５は、アイテムｉとアイテムｊの間のアイテム類似度Sim(i,j)を、式（３）のようなアイテムｉのメジャー度Miとアイテムｊのメジャー度Mjの差に対して単調減少する関数を用いて計算する。

Sim(i,j)＝1／(|Mi−Mj|＋ε)（εは正の定数）・・・（３）

すなわち、式（３）により求められるアイテム類似度Sim(i,j)は、アイテム間のメジャー度の差|Mi−Mj|が小さいほど大きくなり、両者が類似していることを示す。

図９は、図５のメジャー度Miに基づいて、ε＝0.01とし、式（３）を用いて計算した場合の、アイテムｉ１と他のアイテムとのアイテム類似度Sim(1,j)を示している。例えば、図９において、アイテムｉ１とアイテムｉ２のアイテム類似度Sim(1,2)は2.41であり、アイテムｉ１とアイテムｉ３のアイテム類似度Sim(1,3)は1.08であり、アイテムｉ１とアイテムｉ４のアイテム類似度Sim(1,4)は1.42であり、アイテムｉ１とアイテムｉ５のアイテム類似度Sim(1,5)は2.41である。

なお、アイテムｉのベクトルをvi＝(Mi，avg(Ri)，var(Ri))、アイテムｊのベクトルをvj＝(Mj，avg(Rj)，var(Rj))と定義し、ベクトルviとベクトルvjとの間のユークリッド距離に対して単調減少する関数（例えば、ユークリッド距離の逆数）を用いて、アイテム類似度Sim(i,j)を計算したり、ベクトルviとベクトルvjのコサイン類似度をアイテム類似度Sim(i,j)として計算するようにしてもよい。この場合、ベクトルviおよびvjを構成する各要素（メジャー度、評価平均値、評価分散値）の値の分布の傾向が互いに異なるため、各要素について、平均値が０、分散が１となるように正規化した値を、ベクトルviおよびvjの各要素の値とするようにしてもよい。

アイテム類似度計算部３５は、注目アイテムを１つ選択し、注目アイテムと他のアイテムとの間のアイテム類似度Sim(i,j)を計算する処理を、注目アイテムを変更しながら、全アイテム間のアイテム類似度Sim(i,j)を計算するまで繰り返す。アイテム類似度計算部３５は、計算したアイテム類似度Sim(i,j)を示す情報を類似アイテム抽出部３６に供給する。

なお、アイテム統計量だけでなく、各アイテムに関する情報を利用して、新たなアイテム類似度Sim'(i,j)を求めるようにしてもよい。例えば、アイテムが文書である場合、各アイテムの各単語の出現頻度を要素とする単語ベクトルを作成し、単語ベクトル同士のコサイン距離Cos(i,j)と、上述したアイテム統計量に基づくアイテム類似度Sim(i,j)を用いて、以下の式（４）により、新たなアイテム類似度Sim'(i,j)を計算することが考えられる。

Sim'(i,j)＝Cos(i,j)＋Sim(i,j) ・・・(４)

ステップＳ４４において、類似アイテム抽出部３６は、類似アイテムを抽出する。例えば、類似アイテム抽出部３６は、注目アイテムを１つ選択し、注目アイテムとの間のアイテム類似度Sim(i,j)が所定の閾値以上となるアイテムを、注目アイテムの類似アイテムとして抽出する処理を、全てのアイテムが注目アイテムとなるまで繰り返し、各アイテムの類似アイテムを抽出する。

あるいは、類似アイテム抽出部３６は、注目アイテムとの間のアイテム類似度Sim(i,j)が高い順にアイテムをソートした場合に上位のN個に含まれるアイテムを、注目アイテムの類似アイテムとして抽出する処理を、全てのアイテムが注目アイテムとなるまで繰り返し、各アイテムの類似アイテムを抽出する。例えば、図９のアイテム類似度において、N＝2とした場合、アイテムｉ１との間のアイテム類似度Sim(1,j)が上位２つのアイテムｉ２およびアイテムｉ５が、アイテムｉ１の類似アイテムとして抽出される。

類似アイテム抽出部３６は、抽出した各アイテムの類似アイテムを示す情報を情報提示部４２に供給する。情報提示部４２は、アイテム情報保持部４３に保持されている各アイテムの情報に、抽出された各アイテムの類似アイテムの情報を追加する。

ステップＳ４５において、情報提示部４２は、類似アイテムをユーザに提示する。例えば、情報提示部４２は、上述した図２のステップＳ１と同様の処理により、ユーザにアイテムの情報を提示する場合、そのアイテムの類似アイテムを示す情報も表示部２２に送信する。表示部２２は、ユーザにより要求されたアイテムに関する情報とともに、そのアイテムの類似アイテムに関する情報も合わせて表示する。

このようにして、各アイテムに対して与えられたユーザの評価を有効に活用して、評価の傾向が類似するアイテムを適切に抽出し、ユーザに提示することができる。

なお、以上の説明では、全てのアイテムについて、他のアイテムとの間のアイテム類似度を計算し、類似アイテムを抽出する例を示したが、必要なアイテムについてのみ、例えば、要求されたアイテムについてのみ処理を行うようにしてもよい。また、各種の条件（例えば、ジャンル、発売日など）を用いて、類似アイテムを抽出する範囲を制限するようにしてもよい。

次に、図１０のフローチャートを参照して、情報処理システム１により実行されるユーザ性質計算処理について説明する。

アイテム統計量計算部３３は、ステップＳ６１において、図４のステップＳ２１の処理と同様に、アイテム評価履歴を取得し、ステップＳ６２において、図４のステップＳ２２の処理と同様に、アイテム統計量を計算し、計算したアイテム統計量を示す情報をユーザ統計量計算部３７に供給する。

ステップＳ６３において、ユーザ統計量計算部３７は、ユーザ統計量を計算する。ここで、ユーザ統計量に含まれる統計量の例について説明する。

例えば、注目するユーザｕが評価済みのアイテムの集合Cuに含まれるアイテムのメジャー度Miの平均avg_u(Mi)および分散var_u(Mi)は、ユーザｕがどのようなアイテムに対して評価をつけているかの傾向を表す指標になる。特に、メジャー度Miの平均avg_u(Mi)は、ユーザｕが評価済みのアイテムに対する評価数Niの平均（より厳密には、評価数Niの対数の平均）を示しており、この値が大きければ人気のあるアイテムに関心を持つ傾向があり、小さければ人気の無いアイテムに関心を持つ傾向があると言える。すなわち、メジャー度Miの平均avg_u(Mi)は、ユーザのミーハーの度合いを示すものであると言える。従って、以下、メジャー度Miの平均avg_u(Mi)を、ミーハー度MHuとも称する。また、以下、メジャー度Miの分散var_u(Mi)を、メジャー度分散値var_u(Mi)と称する。

図１１は、図３のアイテム評価履歴および図５のアイテム統計量に基づいて計算した場合の各ユーザのミーハー度MHuおよびメジャー度分散値var_u(Mi)を示している。図１１の２行目は、アイテムｉ１乃至ｉ５のメジャー度Miを示し、３行目乃至７行目の２乃至６列目は、ユーザｕ１乃至ｕ５が評価済みのアイテムのメジャー度Miを示し、３行目乃至７行目の７列目は、ユーザｕ１乃至ｕ５のミーハー度MHuを示し、３行目乃至７行目の８列目は、ユーザｕ１乃至ｕ５のメジャー度分散値var_u(Mi)を示している。例えば、図１１では、ユーザｕ１のミーハー度MH1は1.27、メジャー度分散値var_1(Mi)は0.058である。

また、集合Cuに含まれるアイテムに対するユーザｕの評価値Ruiとメジャー度Miの相関係数Cor(Rui,Mi)は、ユーザｕが評価済みのアイテムに対するユーザｕの評価値Ruiと評価数Niの平均（より厳密には、評価数Niの対数の平均）との相関を示し、ユーザｕがどのようなタイプのアイテムに高い評価をつける傾向にあるかを示す指標になる。例えば、相関係数Cor(Rui,Mi)が大きければ、ユーザｕは、多くの人の関心を集めるアイテムに高い評価を与えやすい傾向にあり、メジャー志向をもつ、あるいは、フォロワー的な性質であると言える。

さらに、集合Cuに含まれるアイテムに対するユーザuによる評価値Ruiと評価平均値avg(Ri)との相関係数Cor(Rui,avg(Ri))は、ユーザｕが評価済みのアイテムに対するユーザｕの評価値Ruiと評価平均値avg(Ri)との相関を示し、ユーザｕが平均的なユーザであるか否かを示す指標になる。例えば、相関係数Cor(Rui,avg(Ri))が大きければ、ユーザuは、普通度が高い、すなわち、平均的な価値観を有すると言える。

ユーザ統計量計算部３７は、注目するユーザ（以下、注目ユーザと称する）を１人選択し、注目ユーザのユーザ統計量を計算する処理を、全てのユーザが注目ユーザとなるまで繰り返し、各ユーザのユーザ統計量を計算する。

なお、ユーザ統計量として、上述したミーハー度MHu、メジャー度分散値var_u(Mi)、相関係数Cor(Rui,Mi)、および、相関係数Cor(Rui,avg(Ri))を全て計算するようにしてもよいし、必要なものだけ計算するようにしてもよい。

ステップＳ６４において、ユーザ統計量計算部３７は、ユーザ相対統計量を計算する。ここで、ユーザ相対統計量に含まれる相対統計量の例について説明する。

例えば、全ユーザのミーハー度MHuの平均値avg(MHu)からの注目ユーザのミーハー度MHuのズレである相対ミーハー度MHu-avg(MHu)は、全ユーザに対する注目ユーザのミーハーの度合いを示す。例えば、相対ミーハー度MHu-avg(MHu)が大きいユーザは、全ユーザの中でもミーハーである度合いが強いと言える。

図１２は、図１１のミーハー度MHuに基づいて計算した各ユーザの相対ミーハー度MHu-avg(MHu)を示している。例えば、図１２では、ユーザｕ１の相対ミーハー度MH1-avg(MHu)は、−0.004である。

ユーザ統計量計算部３７は、注目ユーザを１人選択し、注目ユーザのユーザ相対統計量を計算する処理を、全てのユーザが注目ユーザとなるまで繰り返し、各ユーザのユーザ相対統計量を計算する。そして、ユーザ統計量計算部３７は、各ユーザのユーザ統計量およびユーザ相対統計量を示す情報を情報提示部４２に供給する。情報提示部４２は、ユーザ情報保持部４４に保持されている各ユーザの情報に、取得したユーザ統計量およびユーザ相対統計量を追加する。

ステップＳ６５において、情報提示部４２は、ユーザ統計量およびユーザ相対統計量に基づいて、ユーザの性質をユーザに提示する。例えば、情報提示部４２は、入力部２１を介して、ユーザＡに関する情報の提示の指令が入力された場合、ユーザ統計量およびユーザ相対統計量に基づいてユーザＡの性質を求め、ユーザＡの情報に含めて表示部２２に送信する。表示部２２は、要求されたユーザＡの情報とともに、ユーザＡの性質を表示する。例えば、SNS（ソーシャルネットワーキングサービス）などのユーザＡのプロフィール等を示すマイページに、ミーハー度MHuまたは相対ミーハー度MHu-avg(MHu)に基づいて、「ユーザＡのミーハー度：★★★★☆」などの表示が行われる。

このようにして、各アイテムに対して与えられたユーザの評価を有効に活用して、各ユーザの性質を正確に求め、ユーザに提示することができる。

次に、図１３のフローチャートを参照して、情報処理システム１により実行される類似ユーザ抽出処理について説明する。

アイテム統計量計算部３３は、ステップＳ８１において、図４のステップＳ２１の処理と同様に、アイテム評価履歴を取得し、ステップＳ８２において、図４のステップＳ２２の処理と同様に、アイテム統計量を計算し、計算したアイテム統計量を示す情報をユーザ統計量計算部３７に供給する。

ステップＳ８３において、ユーザ統計量計算部３７は、図１０のステップＳ６３の処理と同様に、ユーザ統計量を計算し、計算したユーザ統計量を示す情報をユーザ類似度計算部３８に供給する。

ステップＳ８４において、ユーザ類似度計算部３８は、ユーザ統計量に基づいて、ユーザ類似度を計算する。例えば、ユーザ類似度計算部３８は、各ユーザが評価済みのアイテムの集合に含まれるアイテムのメジャー度Miが、それぞれ正規分布していると仮定し、以下の式（５）により、ユーザｕが評価済みのアイテムの集合Cuに含まれるアイテムのメジャー度Miの分布と、ユーザｖが評価済みのアイテムの集合Cvに含まれるアイテムのメジャー度Miの分布との間のKL距離（カルバック・ライブラー情報量）を、ユーザｕとユーザｖとの間のユーザ間距離D(u,v)として計算する。

なお、式（５）において、μ_uは、ユーザｕが評価済みのアイテムの集合Cuにおけるアイテムのメジャー度Miの平均avg_u(Mi)（すなわち、ミーハー度MHu）を示し、σ_u ²は、集合Cuにおけるアイテムのメジャー度分散値var_u(Mi)を示し、μ_vは、ユーザｖが評価済みのアイテムの集合Cvにおけるアイテムのメジャー度Miの平均avg_v(Mi)（すなわち、ミーハー度MHv）を示し、σ_v ²は、集合Cvにおけるアイテムのメジャー度分散値var_v(Mi)を示している。

なお、KL距離は、ｕとｖに関して対称にならないため、(D(u,v)＋D(v,u))／2をユーザuとユーザvの間のユーザ間距離として求めるようにしてもよい。

そして、ユーザ類似度計算部３８は、例えば、以下の式（６）のように、ユーザ間距離D(u,v)に対して単調減少する関数を用いて、ユーザｕとユーザｖとの間のユーザ類似度SimU(u,v)を計算する。

SimU(u,v)＝1−D(u,v) ・・・（６）

図１４は、図１１のユーザ統計量に基づいて、上述した式（５）および式（６）を用いて計算した場合の、ユーザｕ３と他のユーザとの間のユーザ間距離D(u,v)およびユーザ類似度SimU(u,v)を示している。例えば、図１４では、ユーザｕ３とユーザｕ１との間のユーザ間距離D(3,1)は0.25であり、ユーザ類似度SimU(3,1)は0.75である。

ユーザ類似度計算部３８は、注目ユーザを１人選択し、注目ユーザと他のユーザとの間のユーザ間距離D(u,v)およびユーザ類似度SimU(u,v)を計算する処理を、注目ユーザを変更しながら、全ユーザ間のユーザ間距離D(u,v)およびユーザ類似度SimU(u,v)を計算するまで繰り返す。ユーザ類似度計算部３８は、計算したユーザ類似度SimU(u,v)を示す情報を類似ユーザ抽出部３９に供給する。

ステップＳ８５において、類似ユーザ抽出部３９は、類似ユーザを抽出する。例えば、類似ユーザ抽出部３９は、注目ユーザを１人選択し、注目ユーザとの間のユーザ類似度SimU(u,v)が所定の閾値以上となるユーザを、注目ユーザの類似ユーザとして抽出する処理を、全てのユーザが注目ユーザとなるまて繰り返し、各ユーザの類似ユーザを抽出する。あるいは、類似ユーザ抽出部３９は、注目ユーザとの間のユーザ類似度SimU(u,v)が高い順にソートした場合に上位のN人に含まれるユーザを、注目ユーザの類似ユーザとして抽出する処理を、全てのユーザが注目ユーザとなるまて繰り返し、各ユーザの類似ユーザを抽出する。

類似ユーザ抽出部３９は、抽出した各ユーザの類似ユーザを示す情報を情報提示部４２に供給する。情報提示部４２は、ユーザ情報保持部４４に保持されている各ユーザの情報に、抽出された各ユーザの類似ユーザの情報を追加する。

ステップＳ８６において、情報提示部４２は、類似ユーザをユーザに提示する。例えば、情報提示部４２は、入力部２１を介して、ユーザＡに関する情報の提示の指令が入力された場合、ユーザＡの情報とともに、ユーザＡの類似ユーザを示す情報を表示部２２に送信する。表示部２２は、要求されたユーザＡの情報とともに、ユーザＡの類似ユーザを表示する。例えば、SNS（ソーシャルネットワーキングサービス）などのユーザＡのプロフィール等を示すマイページに、「ユーザＡに似ているユーザ」として、類似ユーザのリストが表示される。

このようにして各アイテムに対して与えられたユーザの評価を有効に活用して、アイテムに対する評価の傾向が類似するユーザ、換言すれば、価値観や嗜好が類似するユーザを適切に抽出し、ユーザに提示することができる。

なお、以上の説明では、全てのユーザについて、他のユーザとのユーザ類似度を計算し、類似ユーザを抽出する例を示したが、必要なユーザについてのみ、例えば、要求されたユーザについてのみ処理を行うようにしてもよい。また、各種の条件（例えば、性別、年齢、住所など）を用いて、類似ユーザを抽出する範囲を制限するようにしてもよい。

次に、図１５のフローチャートを参照して、情報処理システム１により実行されるアイテム推薦処理について説明する。

アイテム統計量計算部３３は、ステップＳ１０１において、図４のステップＳ２１の処理と同様に、アイテム評価履歴を取得し、ステップＳ１０２において、図４のステップＳ２２の処理と同様に、アイテム統計量を計算し、計算したアイテム統計量を示す情報をユーザ統計量計算部３７に供給する。

ステップＳ１０３において、ユーザ統計量計算部３７は、図１０のステップＳ６３の処理と同様に、ユーザ統計量を計算し、計算したユーザ統計量を示す情報をユーザ類似度計算部３８に供給する。

ステップＳ１０４において、ユーザ類似度計算部３８は、図１３のステップＳ８４の処理と同様に、ユーザ類似度を計算し、計算したユーザ類似度を示す情報を予測評価値計算部４０に供給する。

ステップＳ１０５において、予測評価値計算部４０は、予測評価値を計算する。例えば、ユーザｕが未評価のアイテムｉに対するユーザuの予測評価値Rui'は、ユーザ類似度SimU(u,v)を用いて、以下の式（７）に基づいて計算される。

なお、式（７）において、avg_Ruは、ユーザｕが評価済みのアイテムの集合Cuに含まれるアイテムに対するユーザｕの評価値の平均値を示し、avg_Rvは、ユーザｖが評価済みのアイテムの集合Cvに含まれるアイテムに対するユーザｖの評価値の平均値を示し、Rviは、ユーザｖのアイテムｉに対する評価値を示している。なお、式（７）において、アイテムｉの評価を行っていないユーザのデータは使用されない。

式（７）によれば、ユーザｕとの間のユーザ類似度SimU(u,v)が大きいユーザの評価値Rviに対する重みが大きくなり、ユーザｕとの間にユーザ類似度SimU(u,v)が小さいユーザの評価値Rviに対する重みが小さくなり、ユーザｕとの間のユーザ類似度SimU(u,v)が大きいユーザのアイテムｉに対する評価値Rviが、予測評価値Rui'により大きく反映される。

なお、上述した非特許文献１には、式（７）のSimU(u,v)の代わりに、ユーザｕとユーザｖの間の評価値についてのピアソンの相関計数を用いる例が示されている。

予測評価値計算部４０は、注目ユーザを１人選択し、注目ユーザが未評価のアイテムの中から注目アイテムを１つ選択し、注目ユーザの注目アイテムに対する予測評価値Rui'を計算する処理を、注目ユーザが未評価の全てのアイテムが注目アイテムとなるまで繰り返すとともに、全てのユーザが注目ユーザとなるまで繰り返し、各ユーザの未評価の各アイテムに対する予測評価値を計算する。予測評価値計算部４０は、計算した予測評価値Rui'を示す情報を推薦アイテム抽出部４１に供給する。

ステップＳ１０６において、推薦アイテム抽出部４１は、推薦アイテムを抽出する。例えば、推薦アイテム抽出部４１は、注目ユーザを１人選択し、注目ユーザの予測評価値Rui'が所定の閾値以上となるアイテムを推薦アイテムとして抽出する処理を、全てのユーザが注目ユーザとなるまで繰り返し、各ユーザに対する推薦アイテムを抽出する。また、例えば、推薦アイテム抽出部４１は、注目ユーザを１人選択し、注目ユーザの予測評価値Rui'が高い順にアイテムをソートした場合に、上位のN個に含まれるアイテムを推薦アイテムとして抽出する処理を、全てのユーザが注目ユーザとなるまで繰り返し、各ユーザに対する推薦アイテムを抽出する。

推薦アイテム抽出部４１は、各ユーザに対する推薦アイテムを示す情報を情報提示部４２に供給する。情報提示部４２は、ユーザ情報保持部４４に保持されている各ユーザの情報に、抽出された推薦アイテムの情報を追加する。

ステップＳ１０７において、情報提示部４２は、推薦アイテムをユーザに提示する。例えば、情報提示部４２は、必要に応じて、ユーザインタフェース部１１の所有者であるユーザに対する推薦アイテムを示す情報を表示部２２に送信し、表示部２２は、その推薦アイテムのリストを表示する。

このようにして、各アイテムに対して与えられたユーザの評価を有効に活用して、適切なアイテムを各ユーザに推薦することができる。

次に、図１６のフローチャートを参照して、アイテム推薦処理の第２の実施の形態について説明する。

アイテム統計量計算部３３は、ステップＳ１２１において、図４のステップＳ２１の処理と同様に、アイテム評価履歴を取得し、ステップＳ１２２において、図４のステップＳ２２の処理と同様に、アイテム統計量を計算し、計算したアイテム統計量を示す情報をユーザ統計量計算部３７に供給する。

ステップＳ１２３において、ユーザ統計量計算部３７は、図１０のステップＳ６３の処理と同様に、ユーザ統計量を計算し、計算したユーザ統計量を示す情報をユーザ類似度計算部３８に供給する。

ステップＳ１２４において、ユーザ類似度計算部３８は、図１３のステップＳ８４の処理と同様に、ユーザ類似度を計算し、計算したユーザ類似度を示す情報を類似ユーザ抽出部３９に供給する。

ステップＳ１２５において、類似ユーザ抽出部３９は、図１３のステップＳ８５の処理と同様に、類似ユーザを抽出し、抽出した類似ユーザを示す情報を推薦アイテム抽出部４１に供給する。

ステップＳ１２６において、推薦アイテム抽出部４１は、推薦アイテムを抽出する。具体的には、推薦アイテム抽出部４１は、履歴保持部３２に保持されているアイテム評価履歴を取得する。推薦アイテム抽出部４１は、注目ユーザを１人選択し、注目ユーザが未評価のアイテムのうち、注目ユーザの類似ユーザが高い評価値を与えているアイテムを推薦アイテムとして抽出する処理を、全てのユーザが注目ユーザとなるまで繰り返し、各ユーザに対する推薦アイテムを抽出する。例えば、類似ユーザの評価値の平均値または最高値が所定の閾値以上となるアイテム、所定の閾値以上の評価値を与えている類似ユーザの数または割合が所定の閾値以上となるアイテムなどが、注目ユーザに対する推薦アイテムとして抽出される。

例えば、図１４のユーザ類似度SimU(u,v)に基づいて、ユーザｕ３の類似ユーザとしてユーザｕ５が抽出された場合、推薦アイテムを抽出する評価値の閾値を３点とすると、図３のアイテム評価履歴に基づいて、ユーザｕ３が未評価のアイテムのうち、ユーザｕ５の評価値が３点以上であるアイテムｉ５が、ユーザｕ３に対する推薦アイテムとして抽出される。

ステップＳ１２７において、図１５のステップＳ１０７の処理と同様に、推薦アイテムがユーザに提示される。

以上のようにして、各アイテムに対して与えられたユーザの評価を有効に活用して、アイテムに関する記述（メタデータ）からは分からない各アイテムの社会的位置づけや、各ユーザの社会的位置づけを求めることができる。また、似たタイプの他のユーザの嗜好が反映され、よりユーザの嗜好にあったアイテムを推薦することが可能になる。

なお、以上の説明では、情報処理部１２が各ユーザの各アイテムに対する評価を収集する例を示したが、例えば、他の装置で収集したアイテムの評価を情報処理部１２が取得して、上述した処理を行うような実施の形態も考えられる。

ここで、図１７および図１８を参照して、アイテムタイプの他の例について説明する。図１７は、アイテムタイプを決定するための各指標の計算式を表にまとめたものであり、図１８は、アイテムの評価平均値、評価分散値、評価数の大小と、各アイテムタイプとの関係を表にまとめたものである。

名作度は、上述したように、「評価数の順位Pni＋評価平均値の順位Pai−評価分散値の順位Pvi」により求められ、評価数が多く、評価平均値が高く、評価分散値が小さいほど大きくなる。すなわち、名作度が高いアイテムは、大多数のユーザから高い評価を受けているアイテムである。

隠れた名作度は、上述した「−評価数の順位Pni＋評価平均値の順位Pai」以外にも、「−評価数の順位Pni＋評価平均値の順位Pai−評価分散値の順位Pvi」により求めるようにしてもよい。後者の場合、評価数が少なく、評価平均値が高く、評価分散値が小さいほど大きくなる。すなわち、隠れた名作度が高いアイテムは、少数ながらも高い評価を受けているアイテムである。

問題作度は、「評価数の順位Pni＋評価平均値の順位Pai＋評価分散値の順位Pvi」により求められ、評価数が多く、評価平均値が高く、評価分散値が大きいほど大きくなる。すなわち、問題作度が高いアイテムは、多くの人から高い評価を受けている反面、ユーザによって評価のバラツキが大きく、話題になったが評価が分かれているアイテムであると言える。アイテムタイプ決定部３４は、例えば、問題作度が所定の閾値以上のアイテムのアイテムタイプを「問題作」に決定する。

マニア好み度は、「−評価数の順位Pni＋評価平均値の順位Pai＋評価分散値の順位Pvi」により求められ、評価数が少なく、評価平均値が高く、評価分散値が大きいほど大きくなる。すなわち、マニア好み度が高いアイテムは、少数の人から高い評価を受けている反面、ユーザによって評価のバラツキが大きく、中には好きな人もいるといったアイテムであると言える。アイテムタイプ決定部３４は、例えば、マニア好み度が所定の閾値以上のアイテムのアイテムタイプを「マニア好み」に決定する。

駄作度は、「評価数の順位Pni−評価平均値の順位Pai−評価分散値の順位Pvi」により求められ、評価数が多く、評価平均値が低く、評価分散値が小さいほど大きくなる。すなわち、駄作度が高いアイテムは、多くの人から平均して低い評価を受けており、話題になったが出来が酷いアイテムであると言える。アイテムタイプ決定部３４は、例えば、駄作度が所定の閾値以上のアイテムのアイテムタイプを「駄作」に決定する。

問題外度は、「−評価数の順位Pni−評価平均値の順位Pai−評価分散値の順位Pvi」により求められ、評価数が少なく、評価平均値が低く、評価分散値が小さいほど大きくなる。すなわち、問題外度が高いアイテムは、少数の人から平均して低い評価を受けており、ほとんど誰も見向きもしないアイテムであると言える。アイテムタイプ決定部３４は、例えば、問題外度が所定の閾値以上のアイテムのアイテムタイプを「問題外」に決定する。

量産作度は、「＋評価数の順位Pni−評価平均値の順位Pai＋評価分散値の順位Pvi」により求められ、評価数が多く、評価平均値が低く、評価分散値が大きいほど大きくなる。従って、量産作度が高いアイテムは、多くの人から平均して低い評価を受けている反面、ユーザによって評価のバラツキが大きく、話題になったが出来がいまいちなアイテムであると言える。アイテムタイプ決定部３４は、量産作度が所定の閾値以上のアイテムのアイテムタイプを「量産作」に決定する。

下手物度は、「−評価数の順位Pni−評価平均値の順位Pai＋評価分散値の順位Pvi」により求められ、評価数が少なく、評価平均値が低く、評価分散値が大きいほど大きくなる。従って、下手物度が高いアイテムは、少数の人から平均して低い評価を受けている反面、ユーザによって評価のバラツキが大きく、マイナーだが中には好きな人もいるアイテムであると言える。アイテムタイプ決定部３４は、例えば、下手物度が所定の閾値以上のアイテムのアイテムタイプを「下手物」に決定する。

また、アイテムタイプ決定部３４は、例えば、メジャー度が所定の閾値Ａ以上のアイテムのアイテムタイプを「メジャー」に決定し、メジャー度が閾値Ａより低い所定の閾値Ｂ以下のアイテムのアイテムタイプを「マイナー」に決定する。

なお、以下、ユーザｕの評価値Ruiとメジャー度Miの相関係数Cor(Rui,Mi)をメジャー志向度と称し、ユーザuによる評価値Ruiと評価平均値avg(Ri)との相関係数Cor(Rui,avg(Ri))を普通度と称する。

次に、図１９乃至図５４を参照して、本発明の第２の実施の形態について説明する。

図１９は、本発明を適用した情報処理システムの第２の形態を示すブロック図である。図１９の情報処理システム１０１は、ユーザインタフェース部１１１および情報処理部１１２を含むように構成される。ユーザインタフェース部１１１は、入力部１２１および表示部１２２を含むように構成される。情報処理部１１２は、アイテム評価取得部１３１、履歴保持部１３２、アイテム統計量計算部１３３、アイテムタイプ決定部１３４、アイテム類似度計算部１３５、類似アイテム抽出部１３６、ユーザ統計量計算部１３７、ユーザ類似度計算部１３８、類似ユーザ抽出部１３９、予測評価値計算部１４０、推薦アイテム抽出部１４１、情報提示部１４２、アイテム情報保持部１４３、ユーザ情報保持部１４４、ユーザクラスタ生成部１４５、アイテムクラスタ生成部１４６、および、提示ルール保持部１４７を含むように構成される。

なお、図中、図１と対応する部分については、下２桁が同じ符号を付してあり、処理が同じ部分に関しては、その説明は繰り返しになるので省略する。

アイテム統計量計算部１３３は、図３４などを参照して後述するように、履歴保持部１３２に保持されているアイテム履歴情報に基づいて、各アイテムに対する評価の傾向を示すアイテム統計量を計算する。アイテム統計量計算部１３３は、計算したアイテム統計量を示す情報を、必要に応じて、アイテムタイプ決定部１３４、アイテム類似度計算部１３５、ユーザ統計量計算部１３７、および、情報提示部１４２に供給する。

ユーザ統計量計算部１３７は、図２０などを参照して後述するように、履歴保持部１３２に保持されているアイテム評価履歴、情報提示部１４２を介してアイテム情報保持部１４３から取得するアイテム情報、アイテム統計量計算部１３３から供給されるアイテム統計量、ユーザクラスタ生成部１４５から供給されるユーザクラスタ情報、および、アイテムクラスタ生成部１４６から供給されるアイテムクラスタ情報に基づいて、各アイテムに対して与えた評価の傾向による各ユーザの性質を表すユーザ統計量を計算する。ユーザ統計量計算部１３７は、計算したユーザ統計量を示す情報を、必要に応じて、ユーザ類似度計算部１３８および情報提示部１４２に供給する。

推薦アイテム抽出部１４１は、図１の推薦アイテム抽出部４１の処理に加えて、図４８などを参照して後述するように、情報提示部１４２を介してアイテム情報保持部１４３から取得したアイテム情報、および、情報提示部１４２を介してユーザ情報保持部１４４から取得したユーザ情報に基づいて、各ユーザに提示するアイテムを抽出する。推薦アイテム抽出部１４１は、抽出したアイテムを示す情報を情報提示部１４２に供給する。

情報提示部１４２は、図１の情報提示部４２の処理に加えて、図４５などを参照して後述するように、提示ルール保持部１４７に保持されている提示ルール、アイテム情報保持部１４３に保持されているアイテム情報、および、ユーザ情報保持部１４４に保持されているユーザ情報に基づいて、表示部１２２を介してアイテムに関する情報の提示の制御を行う。

ユーザクラスタ生成部１４５は、図２１などを参照して後述するように、履歴保持部１３２に保持されているアイテム評価履歴に基づいて、所定の手法を用いてユーザのクラスタリングを行う。ユーザクラスタ生成部１４５は、クラスタリングの結果生成されたユーザクラスタに関するユーザクラスタ情報をユーザ統計量計算部１３７に供給する。

アイテムクラスタ生成部１４６は、図２３などを参照して後述するように、履歴保持部１３２に保持されているアイテム評価履歴に基づいて、所定の手法を用いてアイテムのクラスタリングを行う。アイテムクラスタ生成部１４６は、クラスタリングの結果生成されたアイテムクラスタに関するアイテムクラスタ情報をユーザ統計量計算部１３７に供給する。

提示ルール保持部１４７は、外部から、あるいは、ユーザインタフェース部１１１の入力部１２１を介して入力される、アイテムに関する情報をユーザに提示する場合のルールを定めた提示ルールを取得し、保持する。

次に、図２０乃至図５４を参照して、情報処理システム１０１の処理について説明する。

なお、情報処理システム１０１は、情報処理システム１と同様に、図２のアイテム評価取得処理、図４のアイテム性質計算処理、図８の類似アイテム抽出処理、図１０のユーザ性質計算処理、図１３の類似ユーザ抽出処理、図１５のアイテム推薦処理、および、図１６のアイテム推薦処理を実行可能である。なお、その説明は繰り返しになるので省略する。

まず、図２０乃至図４２を参照して、情報処理システム１０１がユーザおよびアイテムの性質を求める処理について説明する。

最初に、図２０のフローチャートを参照して、ユーザ統計量の一種である評判志向度を計算するユーザ性質（評判志向度）計算処理について説明する。

ステップＳ２０１において、アイテム統計量計算部１３３は、図４のステップＳ２１と同様の処理により、アイテム評価履歴を取得する。なお、以下、図３のアイテム評価履歴を取得した場合の処理を具体例として挙げながら説明を行う。

ステップＳ２０２において、アイテム統計量計算部１３３は、アイテム評価履歴に基づいて、各アイテムの評価平均値を計算する。これにより、図５の３行目に示される各アイテムの評価平均値が計算される。アイテム統計量計算部１３３は、計算した各アイテムの評価平均値を示す情報をユーザ統計量計算部１３７に供給する。

ステップＳ２０３において、ユーザ統計量計算部１３７は、ユーザが評価したアイテムの評価平均値の平均を計算する。具体的には、ユーザ統計量計算部１３７は、注目するユーザを１人選択し、注目ユーザが評価したアイテムの評価平均値の平均を計算する。例えば、ユーザｕ１が注目ユーザである場合、ユーザｕ1が評価したアイテムｉ２，ｉ３，ｉ５の評価平均値avg(Ri)は、それぞれ4.33、4.4、2.67となっている。従って、ユーザｕ1が評価したアイテムｉ２，ｉ３，ｉ５の評価平均値avg(Ri)の平均は3.8（＝（4.33＋4.4＋2.67）÷3）となる。ユーザ統計量計算部１３７は、計算した評価平均値の平均を、注目ユーザの評判志向度とする。ユーザ統計量計算部１３７は、この計算処理を、全てのユーザが注目ユーザとなるまで繰り返す。

ユーザ統計量計算部１３７は、各ユーザの評判志向度を示す情報を情報提示部１４２に供給する。情報提示部１４２は、ユーザ情報保持部１４４に保持されている各ユーザの情報に、取得した評判志向度を追加する。

ステップＳ２０４において、情報提示部１４２は、評判志向度をユーザに提示する。例えば、情報提示部１４２は、入力部１２１を介して、ユーザＡに関する情報の提示の指令が入力された場合、ユーザＡの評判志向度を他の情報とともに表示部１２２に送信する。表示部１２２は、要求されたユーザＡの情報とともに、ユーザＡの評判志向度を表示する。

このとき、ユーザＡの評判志向度の値をそのまま表示するようにしてもよいし、全ユーザの評判志向度の平均と分散を用いてユーザＡの評判志向度を正規化した値を表示するようにしてもよい。また、例えば、ユーザＡの評判志向度が所定の閾値を超える場合、「あなたは評判志向度が高いです」といったメッセージを表示するようにしてもよい。

このようにして、各アイテムに対して与えられたユーザの評価を有効に活用して、各ユーザの評判志向度を求め、提示することができる。

なお、図１３を参照して上述した類似ユーザ抽出処理においてユーザ間の類似度を求める際に、この評判志向度を用いるようにしてもよい。

次に、図２１のフローチャートを参照して、ユーザ統計量の一種である多数派度を計算するユーザ性質（多数派度）計算処理について説明する。

ステップＳ２２１において、ユーザクラスタ生成部１４５は、ユーザクラスタを生成する。具体的には、まず、ユーザクラスタ生成部１４５は、履歴保持部１３２に保持されているアイテム評価履歴を取得する。ユーザクラスタ生成部１４５は、取得したアイテム評価履歴に基づいて、例えば、各アイテムに与えた評価値を成分とする行列（以下、ユーザ・アイテム評価行列と称する）をユーザ毎に生成する。ユーザクラスタ生成部１４５は、生成したユーザ・アイテム評価行列を用いて、各ユーザがアイテム空間に配置されているものとして扱い、そのアイテム空間において、例えば、k-means法などの所定の方法を用いてユーザのクラスタリングを行う。

なお、ユーザのクラスタリングに用いるデータは、特定のデータに限定されるものではなく、例えば、ユーザの嗜好情報など他のデータを用いるようにしてもよい。ここで言うユーザの嗜好情報とは、例えば、ユーザが好きと評価した（例えば、5段階中4または5の評価値を与えた）アイテムのメタデータを要素とするベクトルにより表現される。この場合、ユーザのクラスタリングはこのコンテンツメタデータ空間上で行われる。

また、各ユーザを１つのユーザクラスタに分類してしまわずに、例えば、ソフトクラスタリングの手法を用いて、各ユーザが各ユーザクラスタに帰属する度合いを示す帰属重みを求めるようにしてもよい。

なお、以下、5600人のユーザが、図２２に示されるようにユーザクラスタ１乃至４の４つのユーザクラスタに分類された場合について説明する。なお、図２２の例においては、ユーザクラスタ１に100人のユーザが属し、ユーザクラスタ２に4000人のユーザが属し、ユーザクラスタ３に1000人のユーザが属し、ユーザクラスタ４に500人のユーザが属している。

ユーザクラスタ生成部１４５は、各ユーザクラスタに属するユーザおよび人数等を示すユーザクラスタ情報をユーザ統計量計算部１３７に供給する。

ステップＳ２２２において、ユーザ統計量計算部１３７は、相対ユーザ数を計算する。具体的には、ユーザ統計量計算部１３７は、各ユーザクラスタに属するユーザ数を全ユーザ数で割ることにより、各ユーザクラスタの相対ユーザ数を計算する。例えば、図２２の例では、ユーザクラスタ１の相対ユーザ数は0.0179（≒100÷5600）となる。

ステップＳ２２３において、ユーザ統計量計算部１３７は、各ユーザが属するユーザクラスタの相対ユーザ数を各ユーザの多数派度に設定する。そして、ユーザ統計量計算部１３７は、各ユーザの多数派度を示す情報を情報提示部１４２に供給する。情報提示部１４２は、ユーザ情報保持部１４４に保持されている各ユーザの情報に、取得した多数派度を追加する。

ステップＳ２２４において、情報提示部１４２は、多数派度をユーザに提示する。例えば、情報提示部１４２は、入力部１２１を介して、ユーザＡに関する情報の提示の指令が入力された場合、ユーザＡの多数派度を他の情報とともに表示部１２２に送信する。表示部１２２は、要求されたユーザＡの情報とともに、ユーザＡの多数派度を表示する。

このとき、例えば、ユーザＡの多数派度の値をそのまま表示してもよいし、ユーザＡの多数派度が所定の閾値Ｂ以上である場合、「あなたは多数派です」といったメッセージを表示し、多数派度が閾値Ｂより低い所定の閾値Ｃ以下である場合、「あなたは少数派です」といったメッセージを表示するようにしてもよい。

このようにして、各アイテムに対して与えられたユーザの評価を有効に活用して、各ユーザの多数派度を求め、提示することができる。

なお、図１３を参照して上述した類似ユーザ抽出処理においてユーザ間の類似度を求める際に、この多数派度を用いるようにしてもよい。

次に、図２３のフローチャートを参照して、ユーザ統計量の一種である偏り度を計算するユーザ性質（偏り度）計算処理について説明する。

ステップＳ２４１において、アイテムクラスタ生成部１４６は、アイテムクラスタを生成する。具体的には、アイテムクラスタ生成部１４６は、履歴保持部１３２に保持されているアイテム評価履歴を取得する。アイテムクラスタ生成部１４６は、取得したアイテム評価履歴に基づいて、例えば、各ユーザから付与された評価値を成分とする行列（以下、アイテム・ユーザ評価行列と称する）をアイテム毎に生成する。アイテムクラスタ生成部１４６は、生成したアイテム・ユーザ評価行列を用いて、各アイテムがユーザ空間に配置されているものとして扱い、そのユーザ空間において、例えば、k-means法などの所定の方法を用いてアイテムのクラスタリングを行う。アイテムクラスタ生成部１４６は、各アイテムクラスタに属するアイテムおよびアイテム数等を示すアイテムクラスタ情報をユーザ統計量計算部１３７に供給する。

なお、アイテムのクラスタリングに用いるデータは、特定のデータに限定されるものではなく、例えば、アイテムのメタデータを用いるようにしてもよい。アイテムのメタデータを用いる場合、各アイテムはメタデータを要素とするベクトルで表され、メタデータ空間上でアイテムのクラスタリングが行われる。

また、各アイテムを１つのアイテムクラスタに分類してしまわずに、例えば、ソフトクラスタリングの手法を用いて、各アイテムが各アイテムクラスタに帰属する度合いを示す帰属重みを求めるようにしてもよい。

なお、以下、1200個のアイテムが、図２４に示されるようにアイテムクラスタ１乃至４の４つのアイテムクラスタに分類された場合について説明する。なお、図２４の例においては、アイテムクラスタ１に200個のアイテムが属し、アイテムクラスタ２に450個のアイテムが属し、アイテムクラスタ３に250個のアイテムが属し、アイテムクラスタ４に300個のアイテムが属している。

ステップＳ２４２において、ユーザ統計量計算部１３７は、ユーザのアイテムクラスタ別の相対評価数を計算する。具体的には、まず、ユーザ統計量計算部１３７は、履歴保持部１３２に保持されているアイテム評価履歴を取得する。ユーザ統計量計算部１３７は、注目ユーザを１人選択し、取得したアイテム評価履歴に基づいて、注目ユーザが評価したアイテム数を、アイテムクラスタ別に集計する。そして、ユーザ統計量計算部１３７は、集計結果に基づいて、注目ユーザが評価したアイテムが、各アイテムクラスタに属する割合を示す相対評価数を計算する。

例えば、ユーザｕ１０が評価したアイテム数を、図２４に示される４つのアイテムクラスタ別に集計した結果が、図２５に示されるようになった場合について考える。すなわち、ユーザｕ１０が評価したアイテムのうち、１５個がアイテムクラスタ１に属し、４０個がアイテムクラスタ２に属し、１０個がアイテムクラスタ３に属し、２０個がアイテムクラスタ４に属しているものとする。

まず、ユーザ統計量計算部１３７は、各アイテムクラスタに属するアイテムのうちユーザｕ１０が評価したアイテムが占める割合をアイテムクラスタ毎に求める。例えば、アイテムクラスタ１に属するアイテムのうちユーザｕ１０が評価したアイテムが占める割合は0.075（＝15÷200）、アイテムクラスタ２に属するアイテムのうちユーザｕ１０が評価したアイテムが占める割合は0.0889（≒40÷450）、アイテムクラスタ３に属するアイテムのうちユーザｕ１０が評価したアイテムが占める割合は0.04（＝10÷250）、アイテムクラスタ４に属するアイテムのうちユーザｕ１０が評価したアイテムが占める割合は0.0667（≒20÷300）となる。

次に、ユーザ統計量計算部１３７は、アイテムクラスタ毎に求めた割合の和が１になるように正規化することにより、各アイテムクラスタに対する相対評価数を求める。例えば、ユーザｕ１０のアイテムクラスタ１に対する相対評価数は0.277（≒0.075／（0.075＋0.0889＋0.04＋0.0667））となる。同様に、アイテムクラスタ２に対する相対評価数は0.329（≒0.0889／（0.075＋0.0889＋0.04＋0.0667））、アイテムクラスタ３に対する相対評価数は0.148（≒0.04／（0.075＋0.0889＋0.04＋0.0667））、アイテムクラスタ４に対する相対評価数は0.246（≒0.0667／（0.075＋0.0889＋0.04＋0.0667））となる。

すなわち、この相対評価数は、各アイテムクラスタに属するアイテム数の偏りの影響を除去して、ユーザｕ１０が評価したアイテムが各アイテムクラスタに属する割合を示したものである。

また、図２６は、ユーザｕ１１が評価したアイテム数および相対評価数の分布の例を示している。例えば、図２６において、ユーザｕ１１が評価したイテムのうち、９０個がアイテムクラスタ１に属し、アイテムクラスタ１に対する相対評価数は0.842となっている。

ステップＳ２４３において、ユーザ統計量計算部１３７は、ユーザが評価したアイテムのクラスタ偏り（偏り度）を計算する。例えば、ユーザ統計量計算部１３７は、注目ユーザの相対評価数の分散を偏り度として計算する。例えば、図２５に示されるユーザｕ１０の相対評価数の分散、すなわち偏り度は0.00434となり、図２６に示されるユーザｕ１１の相対評価数の分散、すなわち偏り度は0.117となる。

この偏り度は、ユーザが評価したアイテム数のアイテムクラスタ別の分布の偏りの度合いを示している。例えば、アイテムが映像コンテンツである場合、偏り度が大きいユーザは、特定の特徴を持つアイテムに対してこだわりを持って視聴していることが分かる。一方、偏り度が小さいユーザは、満遍なくアイテムを視聴しており、好悪の少ないユーザであることが分かる。

なお、他にも、例えば、相対評価数のエントロピーに対して単調減少する関数を用いて、偏り度を計算するようにしてもよい。

ユーザ統計量計算部１３７は、ステップＳ２４２およびＳ２４３の処理を、全てのユーザが注目ユーザとなるまで繰り返し、各ユーザの偏り度を計算する。そして、ユーザ統計量計算部１３７は、各ユーザの偏り度を示す情報を情報提示部１４２に供給する。情報提示部１４２は、ユーザ情報保持部１４４に保持されている各ユーザの情報に、取得した偏り度を追加する。

ステップＳ２４４において、情報提示部１４２は、偏り度をユーザに提示する。例えば、情報提示部１４２は、入力部１２１を介して、ユーザＡに関する情報の提示の指令が入力された場合、ユーザＡの偏り度を他の情報とともに表示部１２２に送信する。表示部１２２は、要求されたユーザＡの情報とともに、ユーザＡの偏り度を表示する。

このとき、例えば、ユーザＡの偏り度の値をそのまま表示してもよいし、ユーザＡの偏り度が所定の閾値Ｂ以上である場合、「あなたはこだわり派です」といったメッセージを表示し、閾値Ｂより低い所定の閾値Ｃ未満である場合、「あなたは幅広い趣味をお持ちです」といったメッセージを表示するようにしてもよい。

このようにして、各アイテムに対して与えられたユーザの評価を有効に活用して、各ユーザの偏り度を求め、提示することができる。

なお、図１３を参照して上述した類似ユーザ抽出処理においてユーザ間の類似度を求める際に、この偏り度を用いるようにしてもよい。

次に、図２７のフローチャートを参照して、ユーザ統計量の一種であるコミュニティ代表度を計算するユーザ性質（コミュニティ代表度）計算処理について説明する。

ステップＳ２６１において、アイテムクラスタ生成部１４６は、上述した図２３のステップＳ２４１と同様の処理により、アイテムクラスタを生成する。アイテムクラスタ生成部１４６は、生成したアイテムクラスタに関するアイテムクラスタ情報をユーザ統計量計算部１３７に供給する。なお、以下、上述した図２４に示されるように、1200個のアイテムがアイテムクラスタ１乃至４の４つのアイテムクラスタに分類された場合について説明する。

ステップＳ２６２において、ユーザ統計量計算部１３７は、全ユーザの延べ評価数をアイテムクラスタ別に集計する。具体的には、まず、ユーザ統計量計算部１３７は、履歴保持部１３２に保持されているアイテム評価履歴を取得する。ユーザ統計量計算部１３７は、取得したアイテム評価履歴に基づいて、全ユーザの全アイテムに対する延べ評価数を、アイテムクラスタ別に集計する。この集計結果により、どのアイテムクラスタがユーザに関心を持たれているかが分かる。

なお、以下、図２８に示されるように、アイテムクラスタ１の延べ評価数が1100、アイテムクラスタ２の延べ評価数が5500、アイテムクラスタ３の延べ評価数が2500、アイテムクラスタ４の延べ評価数が2800になった場合の例について説明する。

ステップＳ２６３において、ユーザ統計量計算部１３７は、ユーザの評価アイテム数の分布と全ユーザの延べ評価数の分布との類似度を計算する。例えば、ユーザ統計量計算部１３７は、注目ユーザを１人選択し、注目ユーザが評価したアイテム数を、アイテムクラスタ別に集計する。そして、ユーザ統計量計算部１３７は、注目ユーザのアイテムクラスタ別の評価アイテム数を要素とするベクトルと、全ユーザのアイテムクラスタ別の延べ評価数を要素とするベクトルとの間の距離（例えば、コサイン類似度、ユークリッド距離など）を、アイテムクラスタ上におけるユーザが評価したアイテム数の分布と全ユーザの延べ評価数の分布との類似度として計算する。すなわち、ユーザ統計量計算部１３７は、注目ユーザの評価アイテム数のアイテムクラスタ別の分布と、注目ユーザが属するコミュニティ全体の評価数のアイテムクラスタ別の分布との類似度を計算する。

例えば、類似度としてコサイン類似度を用いた場合、上述したユーザｕ１０の評価アイテム数の分布（図２５）と全ユーザの延べ評価数の分布（図２８）との類似度は0.976となり、上述したユーザｕ１１の評価アイテム数の分布（図２６）と全ユーザの延べ評価数の分布（図２８）との類似度は0.291となる。

この類似度が高い場合、注目ユーザが属するコミュニティ全体の評価傾向と注目ユーザの評価傾向とが似ているということであり、注目ユーザがコミュニティを代表するユーザであると言える。逆に、この類似度が低い場合、注目ユーザが、コミュニティ全体の傾向とは異なる評価傾向を持ったユーザであると言える。従って、ユーザｕ１０の方が、ユーザｕ１１より、ユーザｕ１０およびユーザｕ１１が属するコミュニティを代表していると言える。なお、以下、この類似度をコミュニティ代表度と称する。

なお、コミュニティ全体の評価数のアイテムクラスタ別の分布を求める際に、必ずしも全ユーザの延べ評価数を用いる必要はなく、例えば、コミュニティから所定の人数のユーザを無作為に抽出して、抽出したユーザの延べ評価数を用いるようにしてもよい。

ユーザ統計量計算部１３７は、注目ユーザのコミュニティ代表度を計算する処理を、全てのユーザが注目ユーザとなるまで繰り返し、各ユーザのコミュニティ代表度を計算する。そして、ユーザ統計量計算部１３７は、各ユーザのコミュニティ代表度を示す情報を情報提示部１４２に供給する。情報提示部１４２は、ユーザ情報保持部１４４に保持されている各ユーザの情報に、取得したコミュニティ代表度を追加する。

ステップＳ２６４において、情報提示部１４２は、コミュニティ代表度をユーザに提示する。例えば、情報提示部１４２は、入力部１２１を介して、ユーザＡに関する情報の提示の指令が入力された場合、ユーザＡのコミュニティ代表度を他の情報とともに表示部１２２に送信する。表示部１２２は、要求されたユーザＡの情報とともに、ユーザＡのコミュニティ代表度を表示する。

このとき、例えば、ユーザＡのコミュニティ代表度の値をそのまま表示してもよいし、ユーザＡのコミュニティ代表度が所定の閾値Ｂ以上である場合、「あなたはこのコミュニティの代表的なユーザです」といったメッセージを表示し、コミュニティ代表度が閾値Ｂより低い所定の閾値Ｃ未満である場合、「あなたはコミュニティの中でも特異な存在です」といったメッセージを表示するようにしてもよい。

このようにして、各アイテムに対して与えられたユーザの評価を有効に活用して、各ユーザのコミュニティ代表度を求め、提示することができる。

なお、図１３を参照して上述した類似ユーザ抽出処理においてユーザ間の類似度を求める際に、このコミュニティ代表度を用いるようにしてもよい。

次に、図２９のフローチャートを参照して、ユーザ統計量の一種である一貫度、トレンディ度およびマイブーム度を計算するユーザ性質（一貫度・トレンディ度・マイブーム度）計算処理について説明する。

ステップＳ２８１において、アイテムクラスタ生成部１４６は、上述した図２３のステップＳ２４１と同様の処理により、アイテムクラスタを生成する。アイテムクラスタ生成部１４６は、生成したアイテムクラスタに関するアイテムクラスタ情報をユーザ統計量計算部１３７に供給する。なお、以下、上述した図２４に示されるように、1200個のアイテムがアイテムクラスタ１乃至４の４つのアイテムクラスタに分類された場合について説明する。

ステップＳ２８２において、ユーザ統計量計算部１３７は、ユーザのアイテムクラスタ別の評価アイテム数を期間毎に集計する。具体的には、まず、ユーザ統計量計算部１３７は、履歴保持部１３２に保持されているアイテム評価履歴を取得する。ユーザ統計量計算部１３７は、注目ユーザを１人選択し、取得したアイテム評価履歴に基づいて、注目ユーザが評価したアイテム数を、所定の期間毎にアイテムクラスタ別に集計する。

なお、ここでいう期間は、アイテムの発売時期やユーザのサービス利用開始時期とは関係なく、１月、２月、３月などのように絶対的な基準で決まる期間（以下、絶対期間と称する）である。また、絶対期間の長さは、例えば、全ユーザ共通で同じ長さ（例えば、１ヶ月）に設定しても良いし、ユーザ毎に所定の数のアイテムを評価するまでの期間に設定してもよい。なお、後者の場合、期間ごとにその長さが変動する場合がある。

図３０乃至図３２は、絶対期間１乃至３におけるユーザｕ２０乃至ｕ２２のアイテムクラスタ別の評価アイテム数の分布を示している。例えば、図３０において、ユーザｕ２０が評価したアイテムのうちアイテムクラスタ１に属するアイテムの数は、絶対期間１において5、絶対期間２において5、絶対期間３において0となっている。また、例えば、図３１において、ユーザｕ２１が評価したアイテムのうちアイテムクラスタ２に属するアイテムの数は、絶対期間１において40、絶対期間２において5、絶対期間３において0となっている。さらに、例えば、図３２において、ユーザｕ２２が評価したアイテムのうちアイテムクラスタ３に属するアイテムの数は、絶対期間１において30、絶対期間２において20、絶対期間３において10となっている。

ステップＳ２８３において、ユーザ統計量計算部１３７は、評価アイテム数の分布の変化度を計算する。すなわち、ユーザ統計量計算部１３７は、注目ユーザのアイテムクラスタ別の評価アイテム数の分布が時系列に変化している度合いを計算する。例えば、ユーザ統計量計算部１３７は、期間毎の評価アイテム数の分布をアイテムクラスタ空間上のベクトルにより表し、各ベクトル間のコサイン類似度を、評価アイテム数の分布の変化度として計算する。

例えば、ユーザｕ２０の場合、絶対期間１と絶対期間２との間、絶対期間２と絶対期間３との間、絶対期間１と絶対期間３との間のコサイン類似度は、それぞれ、0.981、0.975、0.994となる。また、ユーザｕ２１の場合、絶対期間１と絶対期間２との間、絶対期間２と絶対期間３との間、絶対期間１と絶対期間３との間のコサイン類似度は、それぞれ、0.288、0.638、0.0111となる。さらに、ユーザｕ２２の場合、絶対期間１と絶対期間２との間、絶対期間２と絶対期間３との間、絶対期間１と絶対期間３との間のコサイン類似度は、それぞれ、0.464、0.359、0.0820となる。

このコサイン類似度が高いほど、注目ユーザの評価アイテム数のアイテムクラスタ別の分布の時系列の変化が小さく、注目ユーザが、各期間において一貫して同じ傾向でアイテムを評価していることを示している。なお、以下、このコサイン類似度を一貫度と称する。すなわち、一貫度は、注目ユーザが評価したアイテム数のアイテムクラスタ別の分布の時系列の安定度を示す。なお、コサイン類似度以外の類似尺度を、一貫度として用いるようにしてもよい。

ステップＳ２８４において、ユーザ統計量計算部１３７は、評価アイテム数の分布が変化しているか否かを判定する。例えば、ユーザ統計量計算部１３７は、注目ユーザの一貫度が、全ての期間において所定の閾値（例えば、0.5）以下である場合、評価アイテム数の分布が変化していると判定し、それ以外の場合、評価アイテム数の分布が安定していると判定する。あるいは、例えば、ユーザ統計量計算部１３７は、注目ユーザの一貫度が、全ての期間において所定の閾値（例えば、0.9）以上である場合、評価アイテム数の分布が安定していると判定し、それ以外の場合、評価アイテム数の分布が変化していると判定する。例えば、ユーザｕ２０乃至ｕ２２の場合、ユーザｕ２０は、評価アイテム数の分布が安定していると判定され、ユーザｕ２１およびｕ２２は、評価アイテム数の分布が変化していると判定される。

なお、判定に用いる閾値は、事前に適当な値に設定するようにしてもよいし、例えば、全ユーザの延べ評価数の分布に基づいて、期間毎に変動させるようにしてもよい。

ユーザ統計量計算部１３７が、注目ユーザの評価アイテム数の分布が変化していると判定した場合、処理はステップＳ２８５に進む。

ステップＳ２８５において、ユーザ統計量計算部１３７は、全ユーザのアイテムクラスタ別の延べ評価数を期間毎に集計する。具体的には、ユーザ統計量計算部１３７は、アイテム評価履歴に基づいて、全ユーザの延べ評価数を、所定の期間毎にアイテムクラスタ別に集計する。この集計結果により、期間毎にどのアイテムクラスタがユーザに関心を持たれているかが分かる。

図３３は、絶対期間１乃至３における全ユーザのアイテムクラスタ別の延べ評価数の分布を示している。例えば、図３３において、アイテムクラスタ１に属するアイテムに対する延べ評価数は、絶対期間１において500、絶対期間２において4000、絶対期間３において500となっている。

ステップＳ２８６において、ユーザ統計量計算部１３７は、ユーザの評価アイテム数の分布と全ユーザの延べ評価数の分布との期間毎の類似度を計算する。すなわち、ユーザ統計量計算部１３７は、注目ユーザの期間毎のコミュニティ代表度を計算する。

例えば、コサイン類似度を用いてコミュニティ代表度を計算した場合、ユーザｕ２１のコミュニティ代表度は、絶対期間１で0.999、絶対期間２で0.987、絶対期間３で1.000となる。一方、ユーザｕ２２の評価数のコミュニティ代表度は、絶対期間１で0.269、絶対期間２で0.326、絶対期間３で0.325となる。

このコミュニティ代表度が平均して高い場合、注目ユーザは、世の中（注目ユーザが属するコミュニティ）の動向にあわせて行動（例えば、アイテムの視聴など）を変えるトレンディ傾向を持つユーザであると言える。逆に、このコミュニティ代表度が平均して低い場合、注目ユーザは、自分以外のユーザの行動は気にせず、興味を持つアイテムがその時々で変わっていくマイブーム型の傾向を持つユーザであると言える。

ここで、例えば、コミュニティ代表度の平均値が0.9以上であればトレンディ型、0.4以下であればマイブーム型と決めておけば、ユーザｕ２１はトレンディ型のユーザに分類され、ユーザｕ２２は、マイブーム型のユーザに分類される。なお、以下、このコミュニティ代表度の時系列の平均をトレンディ度と称し、トレンディ度の逆数をマイブーム度と称する。

その後、処理はステップＳ２８７に進む。

一方、ステップＳ２８４において、注目ユーザの評価アイテム数の分布が安定していると判定された場合、ステップＳ２８５およびＳ２８６の処理はスキップされ、処理はステップＳ２８７に進む。

ユーザ統計量計算部１３７は、ステップＳ２８２乃至Ｓ２８６の処理を、全てのユーザが注目ユーザとなるまで繰り返し、各ユーザの一貫度およびトレンディ度を計算する。ただし、ステップＳ２８５の処理は、ユーザ間で集計期間が変化しなければ、毎回行う必要はない。そして、ユーザ統計量計算部１３７は、各ユーザの一貫度およびトレンディ度を示す情報を情報提示部１４２に供給する。情報提示部１４２は、ユーザ情報保持部１４４に保持されている各ユーザの情報に、取得した一貫度およびトレンディ度を追加する。

ステップＳ２８７において、情報提示部１４２は、一貫度およびトレンディ度をユーザに提示する。例えば、情報提示部１４２は、入力部１２１を介して、ユーザＡに関する情報の提示の指令が入力された場合、ユーザＡの一貫度およびトレンディ度を他の情報とともに表示部１２２に送信する。表示部１２２は、要求されたユーザＡの情報とともに、ユーザＡの一貫度およびトレンディ度（あるいは、マイブーム度）を表示する。

このとき、例えば、ユーザＡの一貫度およびトレンディ度の値をそのまま表示してもよいし、一貫度およびトレンディ度により判別されるユーザＡの性質（一貫型、トレンディ型またはマイブーム型）を表示するようにしてもよい。

このようにして、各アイテムに対して与えられたユーザの評価を有効に活用して、各ユーザの一貫度およびトレンディ度（あるいは、マイブーム度）を求め、提示することができる。

なお、図１３を参照して上述した類似ユーザ抽出処理においてユーザ間の類似度を求める際に、これらの一貫度およびトレンディ度を用いるようにしてもよい。

次に、図３４のフローチャートを参照して、アイテム統計量の一種である瞬発度、口コミ度、定番度および固定ファン度を計算するアイテム性質（瞬発度・口コミ度・定番度・固定ファン度）計算処理について説明する。

ステップＳ３０１において、アイテム統計量計算部１３３は、全アイテムの評価数の時系列の変化を集計する。具体的には、アイテム統計量計算部１３３は、履歴保持部１３２に保持されているアイテム評価履歴を取得する。アイテム統計量計算部１３３は、アイテム評価履歴に基づいて、各アイテムについて各ユーザから付与された評価数を期間毎に集計する。

なお、ここでいう期間は、例えば、アイテムが入手可能になってから第１週目、第２週目、第３週目などのように、各アイテムが入手可能になった時点を基準とする相対的な期間（以下、相対期間と称する）である。また、相対期間の長さは、アイテムの種類に合わせて適切な値に設定される。例えば、アイテムが音楽コンテンツである場合、音楽コンテンツはある程度の時間をかけて売れていくものなので、１期間の長さは、例えば１ヵ月に設定される。一方、アイテムがウェブサイトのニュース記事である場合、ウェブサイトのニュース記事は即時性が強いので、１期間の長さは、例えば１日に設定される。

また、アイテム統計量計算部１３３は、全ユーザの全アイテムに対する延べ評価数を相対期間毎に集計する。

図３５は、相対期間１乃至４におけるアイテムの評価数の集計結果の例を示している。例えば、図３５において、全アイテムの延べ評価数は、相対期間１において53000、相対期間２において30000、相対期間３において4000、相対期間４において3000となっている。また、アイテム１の評価数は、相対期間１において500、相対期間２において100、相対期間３において15、相対期間４において10となっている。

ステップＳ３０２において、アイテム統計量計算部１３３は、各期間の直前の期間に対する相対評価数を計算する。具体的には、アイテム統計量計算部１３３は、２番目以降の各相対期間について、その相対期間の評価数の直前の相対期間の評価数に対する割合を、前期相対評価数として計算する。

例えば、図３６は、図３５の集計結果について、前期相対評価数を計算した結果を示している。例えば、図３６において、全アイテムの相対期間１に対する相対期間２の前期相対評価数（以下、単に相対期間２の前期相対評価数と称する）は0.57（＝30000÷53000）、相対期間２に対する相対期間３の前期相対評価数（以下、単に相対期間３の前期相対評価数と称する）は0.13（＝4000÷30000）、相対期間３に対する相対期間４の前期相対評価数（以下、単に相対期間４の前期相対評価数と称する）は0.75（＝3000÷4000）となっている。また、アイテム１の相対期間２の前期相対評価数は0.2（＝100÷500）、相対期間３の前期相対評価数は0.15（＝15÷100）、相対期間４の前期相対評価数は0.67（＝10÷15）となっている。

ステップＳ３０３において、アイテム統計量計算部１３３は、瞬発度、口コミ度、定番度、固定ファン度を計算する。具体的には、例えば、図３７に示されるように、アイテムが入手可能になった時期にいちばん評価され、すぐに評価数が減衰するようなアイテムは、瞬発度が高いと言える。例えば、アイテムが映像コンテンツである場合、ポッと出て、最初にいちばん多く視聴され、すぐに視聴されなくなるアイテムが、瞬発度が高いアイテムである。

アイテム統計量計算部１３３は、この各アイテムの瞬発度を、全アイテムの平均的な傾向よりも、どれぐらい速く評価数が減衰するかにより決定する。例えば、図３６の例において、全アイテムの相対期間２と相対期間３の前期相対評価数の平均が0.35であるのに対し、アイテム１の相対期間２と相対期間３の前期相対評価数の平均は0.18である。従って、アイテム１は、全アイテムの平均と比較して２倍程度の速さで評価数が減衰していると言える。

ここでは、アイテム１の相対期間２と相対期間３の前期相対評価数の平均を全アイテムの相対期間２と相対期間３の前期相対評価数の平均で割った値である1.9（＝0.35÷0.18）をアイテム１の瞬発度とする。すなわち、瞬発度は、入手可能になった時期からの評価数の減衰速度の平均に対する各アイテムの評価数の相対減衰速度の相対値を示す。

また、例えば、図３８に示されるように、最初はそれほど評価されなかったが、次第に評価されるようになったアイテムは、口コミで広まるタイプのものであり、口コミ度が高いといえる。例えば、アイテムが映像コンテンツである場合、じわじわと視聴数や売り上げ数が伸びていくアイテムが、口コミ度が高いアイテムである。例えば、図３６の例において、アイテム２の前期相対評価数は、相対期間２乃至４で全て１以上、かつ、相対期間３において3.3と大きな値となっている。従って、アイテム２は、発表後じわじわと人気が出て、相対期間３においてブレイクしたと考えられる。

例えば、相対期間２から相対期間４までの前期相対評価数を全て掛け合わせた値を、口コミ度とする。この場合、アイテム２の口コミ度は5.35（＝1.2×3.3×1.35）となる。あるいは、例えば、集計期間の最後の相対期間における評価数が最初の相対期間における評価数より多い場合のみ、前期相対評価数が最後に１以下だった次の相対期間から最後に１以上だった相対期間までの前期相対評価数を掛け合わせた値を、口コミ度として求めるようにしてもよい。このように、口コミ度は、各アイテムの評価数が増加する期間の長さと増加数の度合いを示す。

さらに、例えば、図３９に示されるように、時期によらずに安定して評価されるアイテムは、定番度の高いアイテムであると言える。例えば、アイテムが映像コンテンツである場合、長期間に渡って安定して視聴されたり売れたりするアイテムが、定番度の高いアイテムである。すなわち、前期相対評価数の平均ｍが１に近く、分散σ²が小さく、それらを満たす期間ｐが長いほど、定番度が高いと言える。従って、例えば、定番度は、p×N(m;1,σ²)などにより定義することができる。なお、関数N()は、以下の式（８）により表される正規分布の確率密度関数である。

また、期間ｐは、前期相対評価数が、所定の範囲内（例えば、0.8〜1.2）に連続して入り、かつ、その各相対期間において、評価数が、定番として認知される程度の所定の閾値を超えている期間とする。

図３６のアイテム３の場合、相対期間２乃至４における前期相対評価数の平均m＝0.98、分散σ²＝0.012なので、定番度は10.7（＝3×{1÷(2π×0.012)^0.5×exp(−(0.98−1)²÷(2×0.012))})となる。このように、定番度は、各アイテムの評価数の時系列の安定度を示す。

また、定番度の高いアイテムのうち、特に狭い範囲のユーザに固定して評価されているアイテムは、固定ファンが付いているアイテムであると考えられる。

図４０は、相対期間１乃至４におけるアイテム３の評価数の遷移を示し、図４１は、相対期間１乃至４におけるアイテム４の評価数の遷移を示している。アイテム３およびアイテム４は、各相対期間における評価数の合計は同じである。ただし、相対期間１乃至４において、アイテム３は、ユーザ１００１乃至１１００の合計100人のユーザにより評価されているのに対し、アイテム４は、ユーザ２００１乃至２０２０の合計20人のユーザにより評価されている。ここで、固定ファン度を所定の期間におけるユーザ１人当たりの評価数の平均と定義する。従って、相対期間１におけるアイテム３の固定ファン度は1.2（＝120÷100）、アイテム４の固定ファン度は6＝（120÷20）となる。例えば、アイテムが映像コンテンツである場合、特定の人に長期的に視聴されたり売れたりするアイテムが、固定ファン度の高いアイテムである。

アイテム統計量計算部１３３は、注目アイテムを１つ選択し、注目アイテムの瞬発度、口コミ度、定番度および固定ファン度を求める処理を、全てのアイテムが注目アイテムとなるまで繰り返し、各アイテムの瞬発度、口コミ度、定番度および固定ファン度を求める。アイテム統計量計算部１３３は、求めた各アイテムの瞬発度、口コミ度、定番度および固定ファン度を示す情報を情報提示部１４２に供給する。情報提示部１４２は、アイテム情報保持部１４３に保持されている各アイテムの情報に、求めた各アイテムの瞬発度、口コミ度、定番度および固定ファン度を追加する。

なお、このとき、求めた各アイテムの瞬発度、口コミ度、定番度および固定ファン度を示す情報を、アイテム統計量計算部１３３からアイテムタイプ決定部１３４に供給して、各アイテムのアイテムタイプを決定するようにしてもよい。例えば、瞬発度、口コミ度、定番度、固定ファン度が、それぞれ所定の閾値を上回ったアイテムのアイテムタイプが、それぞれ瞬発系、口コミ系、定番系、固定ファン系に決定される。

ステップＳ３０４において、情報提示部１４２は、瞬発度、口コミ度、定番度、固定ファン度をユーザに提示する。例えば、情報提示部１４２は、図４のステップＳ１と同様の処理により、ユーザにアイテムの情報を提示する場合、そのアイテムの瞬発度、口コミ度、定番度、固定ファン度を示す情報も表示部１２２に送信する。表示部１２２は、ユーザにより要求されたアイテムに関する情報とともに、そのアイテムの瞬発度、口コミ度、定番度、固定ファン度も合わせて表示する。

このとき、アイテムの瞬発度、口コミ度、定番度、固定ファン度の値をそのまま表示するようにしてもよいし、瞬発度、口コミ度、定番度、固定ファン度により決定されるアイテムのアイテムタイプ、すなわち、瞬発系、口コミ系、定番系、固定ファン系を表示するようにしてもよい。

このようにして、各アイテムに対して与えられたユーザの評価を有効に活用して、各アイテムの瞬発度、口コミ度、定番度、固定ファン度を求め、ユーザに提示することができる。これにより、ユーザは、各アイテムに与えられた評価の傾向を正確に知ることができる。

次に、図４２のフローチャートを参照して、ユーザ統計量の一種であるミーハーＢ度、目利き度、保守度および固定ファン度を計算するユーザ性質（ミーハーＢ度・目利き度・保守度・固定ファン度）計算処理について説明する。

ステップＳ３２１において、ユーザ統計量計算部１３７は、ユーザが評価したアイテムの性質を取得する。具体的には、ユーザ統計量計算部１３７は、注目ユーザを１人選択し、注目ユーザに関するアイテム評価履歴を履歴保持部１３２から取得する。また、ユーザ統計量計算部１３７は、情報提示部１４２を介して、注目ユーザが評価したアイテムの性質（瞬発度、口コミ度、定番度、固定ファン度）を示す情報をアイテム情報保持部１４３から取得する。

ステップＳ３２２において、ユーザ統計量計算部１３７は、ユーザのミーハーＢ度、目利き度、保守度、固定ファン度を計算する。例えば、注目ユーザが特定の性質のアイテムを多く評価している場合、これにより注目ユーザの新たな性質を定義することができる。ここで、多く評価しているか否かの判定は、注目ユーザが評価した全アイテム数に占めるその特定の性質を有するアイテムの割合、または、注目ユーザの延べ評価数に占めるその特定の性質を有するアイテムに対する延べ評価数の割合などにより判定される。ここで、延べ評価数とは、注目ユーザが同じアイテムを複数回評価した場合に、それぞれ１回としてカウントしたものである。

例えば、瞬発度が高いアイテムは、一般に事前の広告などで認知度が高められている場合が多い。従って、注目ユーザが、瞬発度の高いアイテムを入手可能になってすぐに評価している場合、その注目ユーザは、ミーハーであると言える。なお、以下、図１０などを参照して上述した、アイテムのメジャー度に基づくミーハー度と、これから述べるアイテムの瞬発度に基づくミーハー度を区別するために、前者をミーハーＡ度と称し、後者をミーハーＢ度と称する。

例えば、注目ユーザが評価したアイテムのうちの40%が、瞬発度が所定の閾値以上の瞬発系のアイテムだったとして、そのうち80%のアイテムを相対期間1のうちに評価している場合、0.4×0.8＝0.32を注目ユーザのミーハーＢ度と定義する。すなわち、ミーハーＢ度は、注目ユーザが評価したアイテムのうち、入手可能になってから所定の期間内に評価した瞬発系のアイテムが占める割合に基づく。このとき、ミーハーＢを評価する期間は、アイテムの瞬発度を評価する場合の相対期間と必ずしも一致する必要はなく、例えば、より短い期間に区切って評価するようにしてもよい。また、例えば、注目ユーザが評価したアイテムにおける瞬発系のアイテムの比率の影響を弱めて、(0.4)^0.5×0.8＝0.51を、ミーハーＢ度として定義するようにしてもよい。

逆に、ミーハーＢ度の低いユーザは、瞬発系のアイテムを時間が経ってから評価していることになり、ヒットを後追いするヒットフォロワ型のユーザであるといえる。

また、例えば、注目ユーザが、口コミ度の高いアイテムを、アイテムが入手可能になってすぐに評価している場合、その注目ユーザは、流行を予知する目利きのユーザであると言える。

例えば、注目ユーザが評価したアイテムのうちの40%が、口コミ度が所定の閾値以上の口コミ系のアイテムだったとして、そのうち80%のアイテムを相対期間1のうちに評価している場合、0.4×0.8=0.32を注目ユーザの目利き度と定義することができる。すなわち、目利き度は、注目ユーザが評価したアイテムのうち、入手可能になってから所定の期間内に評価した口コミ系のアイテムが占める割合に基づく。このとき、注目ユーザがあるアイテムを評価したのが、そのアイテムの全体の評価数が最も多くなった相対期間より前であればあるほど目利きである度合いが高いと考えることもできる。また、目利き度を評価する期間は、アイテムの口コミ度を評価する場合の相対期間と必ずしも一致する必要はなく、例えば、より短い期間に区切って評価するようにしてもよい。また、注目ユーザが評価したアイテムにおける口コミ度の高いアイテムの比率の影響を弱めて、(0.4)^0.5×0.8＝0.51を、目利き度として定義するようにしてもよい。

逆に、目利き度の低いユーザは、口コミ系のアイテムを時間が経ってから評価していることになり、ヒットを後追いする口コミフォロワ型のユーザであると言える。

さらに、例えば、注目ユーザが、定番度が高いアイテムばかり評価している場合、その注目ユーザは保守的であると言える。例えば、注目ユーザが評価したアイテムのうち定番度が所定の閾値以上の定番系のアイテムが占める割合を、そのまま保守度と定義することができる。

また、例えば、注目ユーザが、固定ファン度が高いアイテムばかり評価している場合、その注目ユーザは、特定のアイテムの固定ファンであると言える。例えば、注目ユーザが評価したアイテムのうち固定ファン度が所定の閾値以上の固定ファン系のアイテムが占める割合を、そのまま固定ファン度と定義することができる。

ユーザ統計量計算部１３７は、注目ユーザを１人選択し、注目ユーザのミーハーＢ度、目利き度、保守度および固定ファン度を計算する処理を、全てのユーザが注目ユーザとなるまで繰り返し、各ユーザのミーハーＢ度、目利き度、保守度および固定ファン度を計算する。そして、ユーザ統計量計算部１３７は、求めた各ユーザのミーハーＢ度、目利き度、保守度および固定ファン度を示す情報を情報提示部１４２に供給する。情報提示部１４２は、ユーザ情報保持部１４４に保持されている各ユーザの情報に、取得したユーザのミーハーＢ度、目利き度、保守度および固定ファン度を追加する。

ステップＳ３２３において、情報提示部１４２は、ミーハーＢ度、目利き度、保守度、固定ファン度をユーザに提示する。例えば、情報提示部１４２は、入力部１２１を介して、ユーザＡに関する情報の提示の指令が入力された場合、ユーザＡのミーハーＢ度、目利き度、保守度、固定ファン度をユーザＡの情報に含めて表示部１２２に送信する。表示部１２２は、要求されたユーザＡの情報とともに、ユーザＡのミーハーＢ度、目利き度、保守度、固定ファン度を表示する。

このようにして、アイテム統計量（瞬発度、口コミ度、定番度、固定ファン度）により表されるアイテムの性質のうち注目ユーザが評価したアイテムの多くが有する性質に基づいて、注目ユーザのユーザ統計量（ミーハーＢ度、目利き度、保守度、固定ファン度）を求め、ユーザに提示することができる。

ここで、図４３および図４４を参照して、以上で説明したユーザの性質およびアイテムの性質についてまとめる。

図４３は、アイテムの性質をまとめた表である。アイテムの性質は、アイテムの性質を求めるために用いられる元データにより、大きく３つのグループに分類される。

１つ目のグループは、図４などを参照して上述したように、アイテム評価履歴に基づいて求められる性質である。このグループは、メジャー度、評価平均値、評価分散値を含む。

２つ目のグループは、図４および図１７などを参照して上述したように、メジャー度、評価平均値および評価分散値を含むアイテム統計量に基づいて求められる性質である。このグループは、名作、隠れた名作、問題作、マニア好み、駄作、問題外、量産物、下手物を含む。

３つ目のグループは、図３４などを参照して上述したように、評価数の時系列の推移に基づいて求められる性質である。このグループは、瞬発系、口コミ系、定番系、固定ファン系を含む。

なお、各性質の概要については上述しているので、その説明は繰り返しになるので省略する。

図４４は、ユーザの性質をまとめた表である。ユーザの性質は、ユーザの社会的位置付けに関わる性質、ユーザのアイテムの内容を志向する傾向に関わる性質、ユーザの新しい情報をキャッチするアンテナに関わる性質、その他の性質の４つに分類される。

社会的位置づけに関わる性質のグループは、ミーハーＡ度（その逆のマニア度）、メジャー志向度（その逆の天の邪鬼度）、多数派度（その逆の少数派度）、コミュニティ代表度、トレンディ度（その逆のマイブーム度）を含む。

ミーハーＡ度が高いユーザは、メジャー度が高いメジャーアイテムに対する評価数が多い傾向にあるユーザ、すなわち、メジャーアイテムに対して多くの評価を付与する傾向にあるユーザである。一方、マニア度が高い（ミーハーＡ度が低い）ユーザは、メジャー度が低いマイナーアイテムに対する評価数が多い傾向にあるユーザ、すなわち、マイナーアイテムに対して多くの評価を付与する傾向にあるユーザである。このように、ミーハーＡ度とマニア度は、アイテムのメジャー度と関連する。

メジャー志向度が高いユーザは、メジャーアイテムに高い評価を与える傾向にあるユーザである。一方、天の邪鬼度度が高い（メジャー志向度が低い）ユーザは、マイナーアイテムに高い評価を与える傾向にあるユーザである。このように、メジャー志向度と天の邪鬼度は、アイテムのメジャー度と関連する。

多数派度が高いユーザは、ユーザ数の多いユーザクラスタに所属する傾向にあるユーザである。一方、少数派度が高い（多数派度が低い）ユーザは、ユーザ数の少ないユーザクラスタに所属する傾向にあるユーザである。

コミュニティ代表度が高いユーザは、アイテムクラスタ別の評価数の分布が、ユーザ全体による分布と類似する傾向にあるユーザである。

トレンディ度が高いユーザは、アイテムクラスタ別の評価数の分布の時系列の推移が、ユーザ全体による分布に同期して変化する傾向にあるユーザである。逆に、マイブーム度が高い（トレンディ度が低い）ユーザは、アイテムクラスタ別の評価数の分布の時系列の推移が、ユーザ全体による分布にほとんど同期せずに変化する傾向にあるユーザである。

ユーザのアイテムの内容を志向する傾向に関わる性質のグループは、普通度および評判志向度を含む。

普通度が高いユーザは、各アイテムに対する評価値が、評価平均値と相関が高くなる傾向にあるユーザである。このように、普通度は、アイテムの評価平均値と関連する。

評判志向度が高いユーザは、評価平均値が高いアイテムに評価を付与する傾向にあるユーザである。このように、評判志向度は、アイテムの評価平均値と関連する。

ユーザの新しい情報をキャッチするアンテナに関わる性質のグループは、ミーハーＢ度（その逆のヒットフォロワ度）、および、目利き度（その逆の口コミフォロワ度）を含む。

ミーハーＢ度が高いユーザは、瞬発度が高い瞬発系のアイテムに対して早くから評価を付与する傾向にあるユーザである。一方、ヒットフォロワ度の高い（ミーハーＢ度が低い）ユーザは、瞬発系のアイテムに対して早くから評価を付与する傾向にないユーザである。このように、ミーハーＢ度およびヒットフォロワ度は、アイテムの瞬発度と関連する。

目利き度が高いユーザは、口コミ度が高い口コミ系のアイテムに対して、そのアイテムが注目され盛り上がる前から評価を付与する傾向にあるユーザである。一方、口コミフォロワ度が高い（目利き度が低い）ユーザは、口コミ系のアイテムに対して、そのアイテムが注目され盛り上がる前から評価を付与する傾向にないユーザである。このように、目利き度および口コミフォロワ度は、アイテムの口コミ度と関連する。

その他の性質のグループは、偏り度、一貫度、保守度および固定ファン度を含む。

偏り度が高いユーザは、評価を付与したアイテムが特定のアイテムクラスタに大きく偏る傾向にあるユーザである。

一貫度が高いユーザは、アイテムクラスタ別の評価アイテム数の分布の時系列の変化が小さい傾向にあるユーザ、すなわち、アイテムクラスタ別の評価アイテム数の分布が時間とともにあまり変化しない傾向にあるユーザである。

保守度が高いユーザは、定番度が高い定番系アイテムに対する評価数が多い傾向にあるユーザ、すなわち、定番系アイテムに対して多くの評価を付与する傾向にあるユーザである。このように、保守度は、アイテムの定番度と関連する。

固定ファン度が高いユーザは、固定ファン度が高い固定ファン系のアイテムに対する評価数が多い傾向にあるユーザ、すなわち、固定ファン系アイテムに対して多くの評価を付与する傾向にあるユーザである。このように、固定ファン度は、アイテムの固定ファン度と関連する。

次に、図４５乃至図５４を参照して、情報処理システム１０１が、ユーザに対してアイテムに関する情報を提示する処理について説明する。

まず、図４５のフローチャートを参照して、情報ブロックのパーソナライズ処理について説明する。なお、情報ブロックとは、ユーザに情報を提示する際の１つの単位である。また、以下、この処理において情報を提示する対象となるユーザを注目ユーザと称する。

ステップＳ４０１において、情報提示部１４２は、提示ルール保持部１４７に保持されている提示ルールを取得する。ここで、提示ルールとは、ステップＳ４０２以降の処理の分岐条件、および、情報ブロックの表示ルールを定義するものである。なお、この提示ルールは、システム提供者が自由に変更することが可能である。

ステップＳ４０２において、情報提示部１４２は、注目ユーザが、グループ１の性質を持つか否かを判定する。具体的には、情報提示部１４２は、注目ユーザに関する情報をユーザ情報保持部１４４から取得する。情報提示部１４２は、注目ユーザのミーハーＡ度が所定の閾値以上、注目ユーザのミーハーＢ度が所定の閾値以上、注目ユーザのメジャー志向度が所定の閾値以上、注目ユーザのトレンディ度が所定の閾値以上、注目ユーザの偏り度が所定の閾値以下のうちいずれかの条件を満たす場合、注目ユーザが、グループ１の性質を持つと判定し、処理はステップＳ４０３に進む。

ステップＳ４０３において、情報提示部１４２は、広告を提示する。具体的には、情報提示部１４２は、注目ユーザに対する広告に関する情報を生成し、表示部１２２に送信する。表示部１２２は、取得した情報に基づいて広告を表示する。その後、処理はステップＳ４０４に進む。

一方、ステップＳ４０２において、注目ユーザが、グループ１の性質を持たないと判定された場合、ステップＳ４０３の処理はスキップされ、処理はステップＳ４０４に進む。

ステップＳ４０４において、情報提示部１４２は、注目ユーザが、グループ２の性質を持つか否かを判定する。具体的には、情報提示部１４２は、注目ユーザのミーハーＡ度が所定の閾値以上、注目ユーザのミーハーＢ度が所定の閾値以上、注目ユーザのメジャー志向度が所定の閾値以上、注目ユーザの多数派度が所定の閾値以上、注目ユーザのトレンディ度が所定の閾値以上、注目ユーザのヒットフォロワ度が所定の閾値以上、注目ユーザの口コミフォロワ度が所定の閾値以上のうちいずれかの条件を満たす場合、注目ユーザが、グループ２の性質を持つと判定し、処理はステップＳ４０５に進む。

ステップＳ４０５において、情報提示部１４２は、ランキングを提示する。具体的には、情報提示部１４２は、各アイテムの評価数に基づくランキングに関する情報を生成し、表示部１２２に送信する。表示部１２２は、取得した情報に基づいてアイテムのランキングを表示する。その後、処理はステップＳ４０６に進む。

一方、ステップＳ４０４において、注目ユーザが、グループ２の性質を持たないと判定された場合、ステップＳ４０５の処理はスキップされ、処理はステップＳ４０６に進む。

ステップＳ４０６において、情報提示部１４２は、注目ユーザが、グループ３の性質を持つか否かを判定する。具体的には、情報提示部１４２は、注目ユーザのミーハーＡ度が所定の閾値未満、注目ユーザのトレンディ度が所定の閾値未満（マイブーム度が所定の閾値以上）、注目ユーザの偏り度が所定の閾値以上のうちいずれかの条件を満たす場合、注目ユーザが、グループ３の性質を持つと判定し、処理はステップＳ４０７に進む。

ステップＳ４０７において、情報提示部１４２は、注目ユーザに対して推薦リストを提示する。具体的には、情報提示部１４２は、例えば、上述した図１５または図１６のアイテム推薦処理により抽出される注目ユーザに対する推薦アイテムのリストを生成し、表示部１２２に送信する。表示部１２２は、取得したリストに基づいて、注目ユーザに対する推薦リストを表示する。その後、処理はステップＳ４０８に進む。

一方、ステップＳ４０６において、注目ユーザが、グループ３の性質を持たないと判定された場合、ステップＳ４０７の処理はスキップされ、処理はステップＳ４０８に進む。

ステップＳ４０８において、情報提示部１４２は、注目ユーザが、グループ４の性質を持つか否かを判定する。具体的には、情報提示部１４２は、注目ユーザの評判志向度が所定の閾値以上である場合、注目ユーザが、グループ４の性質を持つと判定し、処理はステップＳ４０９に進む。

ステップＳ４０９において、情報提示部１４２は、アイテムの評価情報を表示する。具体的には、情報提示部１４２は、あるアイテムの名前や詳細情報を提示する場合、そのアイテムに付与された評価の統計量（例えば、評価平均値など）を、そのアイテムに関する情報とともに表示部１２２に送信する。表示部１２２は、取得したアイテムの名前や詳細情報を表示する場合に、取得した評価統計量も表示する。その後、処理はステップＳ４１０に進む。

一方、ステップＳ４０８において、注目ユーザが、グループ４の性質を持たないと判定された場合、ステップＳ４０９の処理はスキップされ、処理はステップＳ４１０に進む。

ステップＳ４１０において、情報提示部１４２は、注目ユーザが、グループ５の性質を持つか否かを判定する。具体的には、情報提示部１４２は、注目ユーザの目利き度が所定の閾値以上である場合、注目ユーザが、グループ５の性質を持つと判定し、処理はステップＳ４１１に進む。

ステップＳ４１１において、情報提示部１４２は、new comerを提示する。具体的には、情報提示部１４２は、まだ評価の定まっていないアイテムに関する情報を生成し、表示部１２２に送信する。表示部１２２は、取得した情報を、new comerに関する情報として表示する。例えば、音楽配信サービスの場合、まだ評価の定まっていない新人アーティストの情報が表示される。その後、情報ブロックのパーソナライズ処理は終了する。

一方、ステップＳ４１０において、注目ユーザが、グループ５の性質を持たない判定された場合、ステップＳ４１１の処理はスキップされ、情報ブロックのパーソナライズ処理は終了する。

このようにして、ユーザ統計量により表される注目ユーザの性質に応じた情報を選択して提示することができる。

なお、以上のように、注目ユーザの性質により表示する情報ブロックを選択する以外にも、例えば、情報ブロックの表示の優先順位や大きさなどを変更するようにしてもよい。

図４６は、この情報ブロックのパーソナライズ処理により、音楽配信サービスにおいて、ミーハーＡ度と評判志向度の高いユーザに対して表示される画面の例を示している。ミーハーＡ度と評判志向度の高いユーザは、図４５の処理により、グループ１、グループ２、グループ４の性質を持つと判定される。従って、図４６の画面において、音楽コンテンツの新着情報ウインドウ２０３とともに、アイテムのランキングを表示するランキングウインドウ２０１、および、広告ウインドウ２０２が表示される。

また、図４７は、この情報ブロックのパーソナライズ処理により、音楽配信サービスにおいて、マイブーム度と目利き度の高いユーザに対して表示される画面の例を示している。マイブーム度と目利き度の高いユーザは、図４５の処理により、グループ３、グループ５の性質を持つと判定される。従って、図４７の画面において、音楽コンテンツの新着情報ウインドウ２１３とともに、推薦アイテムのリストを表示する推薦リストウインドウ２１２、および、ブレイク前のnew comerに関する情報を表示するnew comerウインドウ２１２が表示される。

次に、図４８のフローチャートを参照して、フィルタリング処理について説明する。なお、以下、この処理において情報を提示する対象となるユーザを注目ユーザと称する。

ステップＳ４３１において、推薦アイテム抽出部１４１は、ベースリストを作成する。推薦アイテム抽出部１４１は、クエリ検索などにより、所定の条件に合致するアイテムを抽出し、抽出したアイテムのリスト、すなわち、ベースリストを作成する。例えば、アイテムが音楽コンテンツの場合、所定のジャンル（例えば、ポップス、ジャズ、クラッシックなど）の音楽を演奏するアーティストのリストがベースリストとして作成される。

ステップＳ４３２において、推薦アイテム抽出部１４１は、ベースリストからアイテムを１つ選択する。以下、選択されたアイテムを注目アイテムと称する。

ステップＳ４３３において、推薦アイテム抽出部１４１は、ユーザに合う性質を持つアイテムであるか否かを判定する。具体的には、推薦アイテム抽出部１４１は、情報提示部１４２を介して注目ユーザのユーザ情報をユーザ情報保持部１４３から取得する。推薦アイテム抽出部１４１は、図４４のテーブルに従って、注目ユーザが有する性質と関連するアイテムの性質を抽出する。

また、推薦アイテム抽出部１４１は、情報提示部１４２を介して注目アイテムのアイテム情報をアイテム情報保持部１４３から取得する。推薦アイテム抽出部１４１は、取得したアイテム情報に基づいて、注目アイテムにおける、注目ユーザが有する性質と関連するアイテムの性質の度合いを求める。推薦アイテム抽出部１４１は、求めたアイテム性質の度合いが所定の閾値以上である場合、注目アイテムが注目ユーザに合う性質を持つアイテムであると判定し、処理はステップＳ４３４に進む。例えば、注目ユーザが、ミーハーＡの性質を持っている（ミーハーＡ度が所定の閾値以上である)場合、注目アイテムのメジャー度が所定の閾値以上であれば、この条件に適合する。

ステップＳ４３４において、推薦アイテム抽出部１４１は、注目アイテムを新規リストに追加する。その後、処理はステップＳ４３５に進む。

一方、ステップＳ４３３において、推薦アイテム抽出部１４１は、求めたアイテム性質の度合いが所定の閾値未満である場合、注目アイテムが注目ユーザに合う性質を持つアイテムでないと判定し、ステップＳ４３４の処理はスキップされ、処理はステップＳ４３５に進む。

ステップＳ４３５において、推薦アイテム抽出部１４１は、ベースリストが終了したか否かを判定する。推薦アイテム抽出部１４１は、まだベースリストの中に注目アイテムとして処理していないアイテムが残っている場合、ベースリストが終了していないと判定し、処理はステップＳ４３２に戻る。その後、ステップＳ４３５において、ベースリストが終了したと判定されるまで、ステップＳ４３２乃至Ｓ４３５の処理が繰り返され、ベースリストの中から、注目ユーザに合う性質を持つアイテムが抽出され、新規リストに追加される。

一方、ステップＳ４３５において、ベースリストが終了したと判定された場合、処理はステップＳ４３６に進む。

ステップＳ４３６において、情報提示部１４２は、新規リストをユーザに提示する。具体的には、推薦アイテム抽出部１４１は、生成した新規リストを情報提示部１４２に供給する。情報提示部１４２は、新規リストに含まれるアイテムに関する情報をアイテム情報保持部１４３から取得し、取得した情報を表示部１２２に送信する。表示部１２２は、取得した情報に基づいて、新規リストに含まれるアイテムに関する情報を表示する。その後、フィルタリング処理は終了する。

例えば、注目ユーザのミーハーＡ度および評判志向度が高く、図４９に示されるようなアイテム性質を持つアイテム１乃至５によりベースリストが構成されている場合について考える。なお、図中、丸がついている欄は、対応するアイテムの性質の度合いが高いことを示している。例えば、アイテム１は、メジャー度が高く、評価平均値が低く、口コミ度が高い。

この場合、図４４のテーブルから、ミーハーＡ度に関連するアイテム性質としてメジャー度が抽出され、評判志向度に関連するアイテム性質として評価平均値が抽出される。従って、図４９のベースリストから、メジャー度または評価平均値が高いアイテム１、２、４、５が抽出され、新規リストとして注目ユーザに提示される。

このようにして、ユーザ統計量により表される注目ユーザの性質に関連する、アイテム統計量により表される性質を持つアイテムを抽出して、注目ユーザに提示することができる。

なお、アイテムの抽出処理を行った結果、新規リストにアイテムが１つも含まれない場合、ベースリストに含まれる全てのアイテムに関する情報を提示するようにしてもよい。

次に、図５０のフローチャートを参照して、アイテム性質強調表示処理について説明する。なお、以下、この処理において情報を提示する対象となるユーザを注目ユーザと称し、情報が提示される対象となるアイテムを注目アイテムと称する。

ステップＳ４５１において、情報提示部１４２は、アイテム情報を取得する。すなわち、情報提示部１４２は、注目アイテムのアイテム情報をアイテム情報保持部１４３から取得する。情報提示部１４２は、取得したアイテム情報を表示部１２２に送信する。

ステップＳ４５２において、情報提示部１４２は、上述した図４８のステップＳ４３３の推薦アイテム抽出部１４１による処理と同様の処理により、注目アイテムが注目ユーザに合う性質を持つアイテムであるか否かを判定する。注目アイテムが注目ユーザに合う性質を持っていると判定された場合、処理はステップＳ４５３に進む。

ステップＳ４５３において、情報提示部１４２は、ユーザに合う性質の強調表示を表示部１２２に指示する。具体的には、情報提示部１４２は、ステップＳ４５２において、注目アイテムが持っていると判定した、注目ユーザに合うアイテム性質を示す情報を表示部１２２に送信し、そのアイテム性質を強調して表示するように指示する。その後、処理はステップＳ４５４に進む。

一方、ステップＳ４５２において、注目アイテムが注目ユーザに合う性質を持っていないと判定された場合、ステップＳ４５３の処理はスキップされ、処理はステップＳ４５４に進む。

ステップＳ４５４において、表示部１２２は、アイテム情報をユーザに提示する。すなわち、表示部１２２は、注目アイテムに関する情報を表示する。

図５１は、このアイテム性質強調表示処理により、音楽配信サービスにおいて、ミーハーＡ度と評判志向度の高い注目ユーザに対して表示される画面の例を示している。領域２２１には、音楽コンテンツである注目アイテムのアルバムジャケットが表示され、領域２２２には、注目アイテムのアルバム名、アーティスト名、ジャンル、発売年月日、アイテム性質が表示され、領域２２３には注目アイテムに対するレビュー文が表示されている。領域２２２の表示により、注目アイテムは、メジャー度および口コミ度が高いメジャー系かつ口コミ系のアイテムであることが分かる。

ここで、図４４のテーブルにより、ミーハーＡ度と評判志向度の高いユーザに関連するアイテム性質は、メジャー度と評価平均値である。従って、領域２２２に表示されているアイテム性質のうち、メジャーの文字が太く大きく強調して表示されている。これにより、注目ユーザに対して、より注目アイテムに関心を持たせるようにすることが可能である。

このようにして、ユーザ統計量により表される注目ユーザの性質に関連する、アイテム統計量により表されるアイテムの性質を強調して提示することができる。

なお、図５１がウェブサイトで表示される画面である場合、例えば、アイテム性質「メジャー」を含むタグにclass属性を追加し、スタイルシートを用いることにより、強調表示を実現することができる。

次に、図５２のフローチャートを参照して、ヒット予測処理について説明する。なお、以下、この処理の対象となるアイテムを注目アイテムと称する。

ステップＳ４７１において、アイテム統計量計算部１３３は、アイテムに対して評価を付与しているユーザの性質を取得する。具体的には、アイテム統計量計算部１３３は、注目アイテムに関するアイテム評価履歴を履歴保持部１３２から取得する。アイテム統計量計算部１３３は、取得したアイテム評価履歴に基づいて、注目アイテムに対して評価を付与したユーザを抽出する。なお、このとき、注目アイテムに対して評価を付与したユーザを全員抽出せずに、例えば、所定の数のユーザを抽出したり、注目アイテムの発売直後から一定の期間内に評価を付与したユーザを抽出したりするようにしてもよい。アイテム統計量計算部１３３は、情報提示部１４２を介して、抽出したユーザのユーザ情報をユーザ情報保持部１４４から取得する。アイテム統計量計算部１３３は、抽出したユーザが各ユーザ性質を所有する割合（以下、所有率と称する）を集計する。

図５３および図５４は、アイテム１およびアイテム２を評価したユーザのユーザ性質の所有率の例を示している。例えば、図５３は、アイテム１を評価したユーザのうち、ミーハーＡ度が所定の閾値以上のミーハーＡの性質を有するユーザの割合が0.3、ミーハーＢ度が所定の閾値以上のミーハーＢの性質を有するユーザの割合が0.2、メジャー志向度が所定の閾値以上のメジャー志向の性質を有するユーザの割合が0.1、目利き度が所定の閾値以上の目利きの性質を有するユーザの割合が0.02、多数派度が所定の閾値以上の多数派の性質を有するユーザの割合が0.1であることを示している。

また、図５４は、アイテム２を評価したユーザのうち、ミーハーＡ度が所定の閾値以上のミーハーＡの性質を有するユーザの割合が0、ミーハーＢ度が所定の閾値以上のミーハーＢの性質を有するユーザの割合が0.03、メジャー志向度が所定の閾値以上のメジャー志向の性質を有するユーザの割合が0.1、目利き度が所定の閾値以上の目利きの性質を有するユーザの割合が0.4、多数派度が所定の閾値以上の多数派の性質を有するユーザの割合が0.02であることを示している。

アイテム統計量計算部１３３は、注目アイテムを評価したユーザの各ユーザ性質の所有率を示す情報をアイテムタイプ決定部１３４に供給する。

ステップＳ４７２において、アイテムタイプ決定部１３４は、グループ１の性質を持つユーザが評価を付与する割合が高いか否かを判定する。具体的には、アイテムタイプ決定部１３４は、注目アイテムを評価したユーザのミーハーＡ、ミーハーＢ、および、メジャー志向の所有率の和を求める。アイテムタイプ決定部１３４は、求めた所有率の和が所定の閾値を超える場合、グループ１の性質を持つユーザが評価を付与する割合が高いと判定し、処理はステップＳ４７３に進む。

例えば、図５３および図５４より、アイテム１を評価したユーザのミーハーＡ、ミーハーＢ、および、メジャー志向の所有率の和は0.6となり、アイテム２を評価したユーザのミーハーＡ、ミーハーＢ、および、メジャー志向の所有率の和は0.13となる。例えば、閾値を0.4とした場合、アイテム１は、グループ１の性質を持つユーザが評価を付与する割合が高いと判定され、アイテム２は、グループ１の性質を持つユーザが評価を付与する割合が高くないと判定される。

ステップＳ４７３において、アイテムタイプ決定部１３４は、注目アイテムの短期的なヒットを予測する。すなわち、アイテムタイプ決定部１３４は、注目アイテムが近い将来に多くの評価が付くと予測する。アイテムタイプ決定部１３４は、注目アイテムが短期的なヒットをすると予測したことを示す情報を情報提示部１４２に供給する。情報提示部１４２は、アイテム情報保持部１４３に保持されている注目アイテムの情報に、短期的なヒットをすると予測されたことを記録する。その後、処理はステップＳ４７４に進む。

一方、ステップＳ４７２において、アイテムタイプ決定部１３４は、求めた所有率の和が所定の閾値以下である場合、グループ１の性質を持つユーザが評価を付与する割合が高くないと判定し、ステップＳ４７３の処理はスキップされ、処理はステップＳ４７４に進む。

ステップＳ４７４において、アイテムタイプ決定部１３４は、グループ２の性質を持つユーザが評価を付与する割合が高いか否かを判定する。具体的には、アイテムタイプ決定部１３４は、注目アイテムを評価したユーザの目利きの所有率が所定の閾値を超える場合、グループ２の性質を持つユーザが評価を付与する割合が高いと判定し、処理はステップＳ４７５に進む。

例えば、図５３および図５４より、アイテム１を評価したユーザの目利きの所有率は0.02であり、アイテム２を評価したユーザの目利きの所有率は0.4となる。例えば、閾値を0.3とした場合、アイテム１は、グループ２の性質を持つユーザが評価を付与する割合が高くないと判定され、アイテム２は、グループ２の性質を持つユーザが評価を付与する割合が高いと判定される。

ステップＳ４７５において、アイテムタイプ決定部１３４は、注目アイテムの長期的なヒットを予測する。すなわち、アイテムタイプ決定部１３４は、注目アイテムが長期にわたって評価が付与されると予測する。アイテムタイプ決定部１３４は、注目アイテムが長期的なヒットをすると予測したことを示す情報を情報提示部１４２に供給する。情報提示部１４２は、アイテム情報保持部１４３に保持されている注目アイテムの情報に、長期的なヒットをすると予測されたことを記録する。その後、処理はステップＳ４７６に進む。

一方、ステップＳ４７４において、アイテムタイプ決定部１３４は、求めた所有率の和が所定の閾値以下である場合、グループ２の性質を持つユーザが評価を付与する割合が高くないと判定し、ステップＳ４７５の処理はスキップされ、処理はステップＳ４７６に進む。

ステップＳ４７６において、情報提示部１４２は、ヒット予測をユーザに提示する。例えば、情報提示部１４２は、ユーザに注目アイテムの情報を提示する場合、そのアイテムのヒット予測を示す情報も表示部１２２に送信する。表示部１２２は、注目アイテムに関する情報とともに、そのアイテムのヒット予測も合わせて表示する。例えば、注目アイテムが音楽コンテンツである場合、短期的なヒット予測がされているとき、「赤丸急上昇！」といったメッセージを表示し、長期的なヒットが予測されているとき、「注目のアーティスト」といったメッセージを表示したりする。

このようにして、ユーザの評価に基づいて、アイテムのヒットを的確に予測することができる。

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

図５５は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。

コンピュータにおいて、CPU（Central Processing Unit）３０１，ROM（Read Only Memory）３０２，RAM（Random Access Memory）３０３は、バス３０４により相互に接続されている。

バス３０４には、さらに、入出力インタフェース３０５が接続されている。入出力インタフェース３０５には、キーボード、マウス、マイクロホンなどよりなる入力部３０６、ディスプレイ、スピーカなどよりなる出力部３０７、ハードディスクや不揮発性のメモリなどよりなる記憶部３０８、ネットワークインタフェースなどよりなる通信部３０９、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリなどのリムーバブルメディア３１１を駆動するドライブ３１０が接続されている。

以上のように構成されるコンピュータでは、CPU３０１が、例えば、記憶部３０８に記憶されているプログラムを、入出力インタフェース３０５及びバス３０４を介して、RAM３０３にロードして実行することにより、上述した一連の処理が行われる。

コンピュータ（CPU３０１）が実行するプログラムは、例えば、磁気ディスク（フレキシブルディスクを含む）、光ディスク（CD-ROM(Compact Disc-Read Only Memory),DVD(Digital Versatile Disc)等）、光磁気ディスク、もしくは半導体メモリなどよりなるパッケージメディアであるリムーバブルメディア３１１に記録して、あるいは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供される。

そして、プログラムは、リムーバブルメディア３１１をドライブ３１０に装着することにより、入出力インタフェース３０５を介して、記憶部３０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部３０９で受信し、記憶部３０８にインストールすることができる。その他、プログラムは、ROM３０２や記憶部３０８に、あらかじめインストールしておくことができる。

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

また、本明細書において、システムの用語は、複数の装置、手段などより構成される全体的な装置を意味するものとする。

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

本発明を適用した情報処理システムの一実施の形態を示すブロック図である。アイテム評価取得処理を説明するためのフローチャートである。アイテム評価履歴の例を示す図である。アイテム性質計算処理を説明するためのフローチャートである。アイテム統計量の例を示す図である。アイテム統計量の順位の例を示す図である。アイテムタイプの指標の例を示す図である。類似アイテム抽出処理を説明するためのフローチャートである。アイテム類似度の例を示す図である。ユーザ性質計算処理を説明するためのフローチャートである。ユーザ統計量の例を示す図である。相対ミーハー度の例を示す図である。類似ユーザ抽出処理を説明するためのフローチャートである。ユーザ間距離およびユーザ類似度の例を示す図である。アイテム推薦処理を説明するためのフローチャートである。アイテム推薦処理の第２の実施の形態を説明するためのフローチャートである。アイテムタイプを決定するための各指標の計算式をまとめた表である。アイテムの評価平均値、評価分散値、評価数の大小と、各アイテムタイプとの関係をまとめた表である。本発明を適用した情報処理システムの第２の実施の形態を示すブロック図である。ユーザ性質（評判志向度）計算処理を説明するためのフローチャートである。ユーザ性質（多数派度）計算処理を説明するためのフローチャートである。ユーザをユーザクラスタに分類した例を示す図である。ユーザ性質（偏り度）計算処理を説明するためのフローチャートである。アイテムをアイテムクラスタに分類した例を示す図である。ユーザの評価アイテム数をアイテムクラスタ別に集計した結果の例を示す図である。ユーザの評価アイテム数をアイテムクラスタ別に集計した結果の他の例を示す図である。ユーザ性質（コミュニティ代表度）計算処理を説明するためのフローチャートである。全ユーザのアイテムの延べ評価数をアイテムクラスタ別に集計した結果の例を示す図である。ユーザ性質（一貫度・トレンディ度・マイブーム度）計算処理を説明するためのフローチャートである。ユーザのアイテムクラスタ別の評価数の分布の時間推移の例を示している。ユーザのアイテムクラスタ別の評価数の分布の時間推移の他の例を示している。ユーザのアイテムクラスタ別の評価数の分布の時時間推移のさらに他の例を示している。全ユーザのアイテムクラスタ別の延べ評価数の分布の時間推移の例を示している。アイテム性質（瞬発度・口コミ度・定番度・固定ファン度）計算処理を説明するためのフローチャートである。相対期間毎のアイテムの評価数の集計結果の例を示す図である。図３５のアイテムの集計結果について、前期相対評価数を計算した結果を示す図である。瞬発系のアイテムの評価数の時間推移の例を示す図である。口コミ系のアイテムの評価数の時間推移の例を示す図である。定番系のアイテムの評価数の時間推移の例を示す図である。アイテムに対するユーザ毎の評価数の時間推移の例を示す図である。アイテムに対するユーザ毎の評価数の時間推移の他の例を示す図である。ユーザ性質（ミーハーＢ度・目利き度・保守度・固定ファン度）計算処理を説明するためのフローチャートである。アイテムの性質をまとめた表である。ユーザの性質をまとめた表である。情報ブロックのパーソナライズ処理を説明するためのフローチャートである。音楽配信サービスにおいて、情報ブロックのパーソナライズ処理によりユーザに対して表示される画面の例を示す図である。音楽配信サービスにおいて、情報ブロックのパーソナライズ処理によりユーザに対して表示される画面の他の例を示す図である。フィルタリング処理を説明するためのフローチャートである。フィルタリング処理の具体例を説明するための図である。アイテム性質強調表示処理を説明するためのフローチャートである。音楽配信サービスにおいて、アイテム性質強調表示処理によりユーザに対して表示される画面の例を示す図である。ヒット予測処理を説明するためのフローチャートである。ユーザ性質の所有率の例を示す図である。ユーザ性質の所有率の他の例を示す図である。コンピュータの構成例を示す図である。

符号の説明

１情報処理システム，１１ユーザインタフェース部，１２情報処理部，２１入力部，２２表示部，３１アイテム評価取得部，３２履歴保持部，３３アイテム統計量計算部，３４アイテムタイプ決定部，３５アイテム類似度計算部，３６類似アイテム抽出部，３７ユーザ統計量計算部，３８ユーザ類似度計算部，３９類似ユーザ抽出部，４０予測評価値計算部，４１推薦アイテム抽出部，４２情報提示部，４３アイテム情報保持部，４４ユーザ情報保持部，１０１情報処理システム，１１１ユーザインタフェース部，１１２情報処理部，１２１入力部，１２２表示部，１３１アイテム評価取得部，１３２履歴保持部，１３３アイテム統計量計算部，１３４アイテムタイプ決定部，１３５アイテム類似度計算部，１３６類似アイテム抽出部，１３７ユーザ統計量計算部，１３８ユーザ類似度計算部，１３９類似ユーザ抽出部，１４０予測評価値計算部，１４１推薦アイテム抽出部，１４２情報提示部，１４３アイテム情報保持部，１４４ユーザ情報保持部，１４５ユーザクラスタ生成部，１４６コンテンツクラスタ生成部，１４７提示ルール保持部

Claims

各アイテムに対して各ユーザが与えた評価値を取得するアイテム評価取得手段と、
注目するユーザが評価したアイテム数、前記注目するユーザが各アイテムに与えた評価値、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価数、および、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価値のうち少なくとも１つを用いて、前記注目するユーザの評価の傾向を示すユーザ統計量を計算するユーザ統計量計算手段と、
各ユーザから各アイテムに与えられた評価値の平均値である評価平均値、前記評価値の分散である評価分散値、および、評価数を含むアイテム統計量を計算するアイテム統計量計算手段と、
前記評価平均値、前記評価分散値、および評価数の組み合わせに基づいて、与えられた評価の傾向による各アイテムの性質を示すアイテムタイプを判定するアイテムタイプ判定手段と、
前記ユーザ統計量、前記アイテム統計量、および前記アイテムタイプのうち少なくとも１つに基づいて、前記注目するユーザに対するアイテムに関する情報の提示を制御する提示制御手段と
を含む情報処理装置。
所定の手法を用いてアイテムのクラスタリングを行うアイテムクラスタリング手段を
さらに含み、
前記ユーザ統計量計算手段は、前記注目するユーザが評価したアイテム数のクラスタ別の分布に基づいて、前記ユーザ統計量を計算する
請求項１に記載の情報処理装置。
前記ユーザ統計量は、前記注目するユーザが評価したアイテム数の前記クラスタ別の分布と前記注目するユーザが属するコミュニティ全体の評価数の前記クラスタ別の分布との類似度を示すコミュニティ代表度を含む
請求項２に記載の情報処理装置。
前記ユーザ統計量は、前記コミュニティ代表度の時系列の平均に基づくトレンディ度をさらに含む
請求項３に記載の情報処理装置。
前記提示制御手段は、前記ユーザ統計量により表される前記注目するユーザの性質に応じた情報を選択して提示するように制御する
請求項１乃至４のいずれかに記載の情報処理装置。
前記アイテム統計量は、評価数の時系列の変化を表す統計量をさらに含み、
前記アイテムタイプ判定手段は、さらに前記評価数の時系列の変化を表す統計量に基づいて、前記アイテムタイプを判定する
請求項１に記載の情報処理装置。
前記評価数の時系列の変化を表す統計量は、入手可能になった時期からの評価数の減衰速度の平均に対する各アイテムの評価数の減衰速度の相対値に基づく瞬発度、各アイテムの評価数が増加する期間の長さと増加数の度合いを示す口コミ度、および、各アイテムの評価数の時系列の安定度を示す定番度のうち少なくとも１つを含み、
前記ユーザ統計量は、前記注目するユーザが評価したアイテムのうち、入手可能になってから所定の期間内に評価した、前記瞬発度が所定の閾値以上であるアイテムが占める割合に基づくミーハー度、前記注目するユーザが評価したアイテムのうち、入手可能になってから所定の期間内に評価した、前記口コミ度が所定の閾値以上であるアイテムが占める割合に基づく目利き度、および、前記注目するユーザが評価したアイテムのうち前記定番度が所定の閾値以上であるアイテムが占める割合に基づく保守度のうち少なくとも１つを含む
請求項６に記載の情報処理装置。
前記アイテム統計量は、各アイテムの評価数に基づくメジャー度をさらに含み、
前記ユーザ統計量は、前記注目するユーザが評価したアイテムの前記メジャー度の平均に基づくミーハー度、前記注目するユーザがアイテムに与えた評価値とそのアイテムの前記メジャー度との相関関係に基づくメジャー志向度、前記注目するユーザがアイテムに与えた評価値とそのアイテムの前記評価平均値との相関関係に基づく普通度、および、前記注目するユーザが評価したアイテムの前記評価平均値の平均に基づく評判志向度を含む
請求項１に記載の情報処理装置。
前記提示制御手段は、前記ユーザ統計量により表される前記注目するユーザの性質に関連する、前記アイテム統計量により表されるアイテムの性質を強調して提示する
請求項１に記載の情報処理装置。
前記ユーザ統計量により表される前記注目するユーザの性質に関連する、前記アイテム統計量により表される性質を持つアイテムを抽出する抽出手段を
さらに含み、
前記提示制御手段は、前記注目するユーザに対して前記抽出されたアイテムを提示するように制御する
請求項１に記載の情報処理装置。
情報処理装置が、
各アイテムに対して各ユーザが与えた評価値を取得し、
注目するユーザが評価したアイテム数、前記注目するユーザが各アイテムに与えた評価値、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価数、および、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価値のうち少なくとも１つを用いて、前記注目するユーザの評価の傾向を示すユーザ統計量を計算し、
各ユーザから各アイテムに与えられた評価値の平均値である評価平均値、前記評価値の分散である評価分散値、および、評価数を含むアイテム統計量を計算し、
前記評価平均値、前記評価分散値、および評価数の組み合わせに基づいて、与えられた評価の傾向による各アイテムの性質を示すアイテムタイプを判定し、
前記ユーザ統計量、前記アイテム統計量、および前記アイテムタイプのうち少なくとも１つに基づいて、前記注目するユーザに対するアイテムに関する情報の提示を制御する
ステップを含む情報処理方法。
各アイテムに対して各ユーザが与えた評価値を取得し、
注目するユーザが評価したアイテム数、前記注目するユーザが各アイテムに与えた評価値、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価数、および、前記注目するユーザが評価したアイテムに対して各ユーザから与えられた評価値のうち少なくとも１つを用いて、前記注目するユーザの評価の傾向を示すユーザ統計量を計算し、
各ユーザから各アイテムに与えられた評価値の平均値である評価平均値、前記評価値の分散である評価分散値、および、評価数を含むアイテム統計量を計算し、
前記評価平均値、前記評価分散値、および評価数の組み合わせに基づいて、与えられた評価の傾向による各アイテムの性質を示すアイテムタイプを判定し、
前記ユーザ統計量、前記アイテム統計量、および前記アイテムタイプのうち少なくとも１つに基づいて、前記注目するユーザに対するアイテムに関する情報の提示を制御する
ステップを含む処理をコンピュータに実行させるプログラム。