JP4755834B2 - 属性評価装置、属性評価方法および属性評価プログラム - Google Patents

Description

この発明は、コンテンツに係る情報を基にして当該コンテンツに係る属性を評価する属性評価装置、属性評価方法および属性評価プログラムに関し、特に、柔軟に、効率的に、正確に、また、動的にコンテンツに係る属性を評価することができる属性評価装置、属性評価方法および属性評価プログラムに関する。

従来、インターネットなどのインタラクティブなメディアにおいて、ユーザによりアクセスされるコンテンツの属性を評価することがおこなわれている。コンテンツの属性とは、コンテンツの内容により分類されたコンテンツのカテゴリーなどである。

コンテンツの属性の評価は、インターネットで公開されているコンテンツにインターネット広告を配信する場合などに特に重要となる。すなわち、コンテンツの属性が「スポーツ」である場合には、「スポーツ」に関連したインターネット広告を配信すると効果的であるため、精度よく客観的に属性を判定することが必要とされている。

コンテンツの属性の評価方法には、コンテンツの内容を人がひとつひとつ閲覧し、コンテンツの内容からコンテンツの属性を判定するものがある（たとえば、非特許文献１を参照）。そして、コンテンツが複数の属性を有すると考えられる場合には、複数の属性をコンテンツに割り当てる。

たとえば、コンテンツの内容が「スポーツニュース」に関するものである場合には、そのコンテンツは「スポーツ」という属性と「ニュース」という属性との両方を有すると判定され、当該コンテンツに両方の属性を割り当てる。

ただし、この方法では、人が主観的にコンテンツの属性を評価しているため、コンテンツの属性を正確、客観的かつ効率的に評価することが難しいという問題がある。

たとえば、コンテンツの内容が「スポーツニュース」である場合には、コンテンツの属性が「スポーツ」という属性と「ニュース」という属性との両方であると評価する例を挙げたが、人によっては「ニュース」という属性だけに限定したり、あるいは、「メディア」という属性をさらに付与したりすることもありうる。

このように、人が主観的にコンテンツの属性を評価する場合に、評価が一定しないため、評価された属性をインターネット広告の配信などに用いることが難しかった。

そのため、コンテンツに含まれるテキストからテキストマイニングにより抽出されたキーワードや、語句の出現頻度、フォントサイズ、ウェブサイトのリンク構造などの要因を考慮してコンテンツの属性を客観的に評価し、属性に関連するインターネット広告を当該コンテンツを掲載しているウェブサイトに配信する方法も開発されている（たとえば、非特許文献２を参照。）。

ヤフー株式会社、"カテゴリ検索"、［online］、［平成１７年１月５日検索］、インターネット＜ＵＲＬ： http://howto.yahoo.co.jp/chapters/8/1.html＞ グーグル株式会社、"AdSense"、［online］、[平成１７年１月１８日検索]、インターネット＜ＵＲＬ： https://www.google.com/adsense/premium-overview?hl=ja＞

しかしながら、上述した特許文献２に代表される従来技術では、コンテンツの属性を柔軟に決定することが難しいという問題があった。すなわち、コンテンツの属性の分類は、言語や文化の変遷とともに変化していくものであるが、コンテンツから抽出したキーワードなどにより属性を決定する方法では、その変化に対応することが難しいという問題があった。

たとえば、インターネット広告の配信を依頼する広告主には、「スポーツ」や「ニュース」などのように直接的に表現された属性だけでなく、「ぬくもりのある」や「シャープな」、「ほのぼのとした」、「あたたかみのある」など、生活シーンに応じた感覚的に表現された属性にコンテンツを分類し、それに関連する広告を配信したいというニーズが近年生まれてきている。

このような場合に、コンテンツに含まれるテキストからキーワードを抽出したりするだけでは、広告主が望む上述したような属性にコンテンツを分類することが容易ではなく、コンテンツの属性評価を柔軟かつ動的におこなうことが難しいという問題があった。

そのため、コンテンツの属性をいかに柔軟に、効率的に、正確に、また、動的に評価することができるかが、インターネット広告の広告効果を高めるために非常に重要な課題となってきている。

本発明は、上述した従来技術による問題点を解消するためになされたものであり、柔軟に、効率的に、正確に、また、動的にコンテンツに係る属性を評価することができる属性評価装置、属性評価方法および属性評価プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するため、本発明は、コンテンツに係る情報を基にして当該コンテンツに係る属性を評価する属性評価装置であって、コンテンツに係る情報毎にコンテンツに係る情報とコンテンツに係る属性の候補の情報とを対応付けたデータ群を複数種類記憶した記憶手段と、ウェブサーバにより提供され、かつインターネット広告の配信候補となる一のコンテンツに係る情報を取得する取得手段と、前記記憶手段に記憶された複数種類のデータ群のうちインターネット広告の広告主に応じたデータ群から、前記取得手段により取得した前記コンテンツに係る情報を検索キーとしてコンテンツに係る属性の候補の情報を検索する検索手段と、前記検索手段により検索した前記コンテンツに係る情報に対応する前記属性の各候補に対応付けられた互いに直交するベクトルを基底とし、前記基底としたベクトルを用いて表現されたベクトル空間内での前記コンテンツに係る情報の位置の情報を表すベクトルを生成する生成手段と、前記生成手段により生成された前記ベクトルに基づいて前記コンテンツに係る属性を示す属性ベクトルを生成することにより前記コンテンツに係る属性を評価する属性評価手段とを備えたことを特徴とする。

また、本発明は、上記発明において、前記取得手段は、ウェブサーバにより提供され、かつインターネット広告の配信候補となるコンテンツに係る情報として、前記属性を評価するコンテンツに対してハイパーリンクまたはトラックバックにより関連付けられている第２のコンテンツに係る情報を取得し、前記生成手段は、前記第２のコンテンツに係る属性の各候補に対応付けられた互いに直交するベクトルを基底とし、前記基底としたベクトルを用いて表現されたベクトル空間内での前記第２のコンテンツに係る情報の位置の情報を表すベクトルを生成し、前記属性評価手段は、前記生成手段により生成された前記ベクトルに基づいて前記第２のコンテンツに係る属性を示す属性ベクトルを生成することにより前記コンテンツに係る属性を評価することを特徴とする。

また、本発明は、上記発明において、前記取得手段により取得される前記コンテンツに係る情報は、ユーザによって入力され、検索エンジンによって当該コンテンツの検索に用いられた検索語であることを特徴とする。

また、本発明は、上記発明において、前記取得手段により取得される前記コンテンツに係る情報は、当該コンテンツに対してハイパーリンクが設定され、ユーザによりクリックされた語であることを特徴とする。

また、本発明は、上記発明において、前記コンテンツは、テキストと画像のメタデータとを含むことを特徴とする。

また、本発明は、上記発明において、前記記憶手段は、コンテンツに係る属性の各候補の重みに係る情報をさらに記憶し、前記生成手段は、前記コンテンツに係る属性の候補の情報および前記重みに係る情報を前記記憶手段から読み出し、読み出した情報に基づいて前記ベクトルを生成することを特徴とする。

また、本発明は、上記発明において、前記属性評価手段は、所定のコンテンツに対してコンテンツに係る複数の属性と、各属性の優先度とを評価することを特徴とする。

また、本発明は、上記発明において、前記属性評価手段は、前記コンテンツに係る情報の出現頻度に基づいて、前記ベクトルの重みを設定し、設定した重みに基づいて前記コンテンツに係る属性を評価することを特徴とする。

また、本発明は、上記発明において、前記生成手段は、コンテンツに係る属性の候補の数が増加した場合に、当該候補の数の増加に応じて次元が増加したベクトル空間における前記ベクトルを生成することを特徴とする。

また、本発明は、上記発明において、コンテンツに係る情報を基にして当該コンテンツに係る属性を評価する属性評価方法であって、コンピュータに、ウェブサーバにより提供され、かつインターネット広告の配信候補となる一のコンテンツに係る情報を取得する取得工程と、コンテンツに係る情報毎にコンテンツに係る情報とコンテンツに係る属性の候補の情報とを対応付けたデータ群として記憶手段に複数種類記憶されたデータ群のうちインターネット広告の広告主に応じたデータ群から、前記取得工程により取得した前記コンテンツに係る情報を検索キーとしてコンテンツに係る属性の候補の情報を検索する検索工程と、前記検索工程により検索した前記コンテンツに係る情報に対応する前記属性の各候補に対応付けられた互いに直交するベクトルを基底とし、前記基底としたベクトルを用いて表現されたベクトル空間内での前記コンテンツに係る情報の位置の情報を表すベクトルを生成する生成工程と、前記生成工程により生成された前記ベクトルに基づいて前記コンテンツに係る属性を示す属性ベクトルを生成することにより前記コンテンツに係る属性を評価する属性評価工程と、を実行させることを特徴とする。

また、本発明は、コンテンツに係る情報を基にして当該コンテンツに係る属性を評価する属性評価プログラムであって、ウェブサーバにより提供され、かつインターネット広告の配信候補となる一のコンテンツに係る情報を取得する取得手順と、コンテンツに係る情報毎にコンテンツに係る情報とコンテンツに係る属性の候補の情報とを対応付けたデータ群として記憶手段に複数種類記憶されたデータ群のうちインターネット広告の広告主に応じたデータ群から、前記取得手順により取得した前記コンテンツに係る情報を検索キーとしてコンテンツに係る属性の候補の情報を検索する検索手順と、前記検索手順により検索した前記コンテンツに係る情報に対応する前記属性の各候補に対応付けられた互いに直交するベクトルを基底とし、前記基底としたベクトルを用いて表現されたベクトル空間内での前記コンテンツに係る情報の位置の情報を表すベクトルを生成する生成手順と、前記生成手順により生成された前記ベクトルに基づいて前記コンテンツに係る属性を示す属性ベクトルを生成することにより前記コンテンツに係る属性を評価する属性評価手順とをコンピュータに実行させることを特徴とする。

本発明によれば、柔軟に、効率的に、正確に、また、動的にコンテンツに係る属性を評価することができるという効果を奏する。

以下に添付図面を参照して、本発明に係る属性評価装置、属性評価方法および属性評価プログラムの好適な実施例を詳細に説明する。

まず、本発明にかかる属性評価処理の概念について説明する。図１は、本発明にかかる属性評価処理の概念を説明する図である。図１は、「卒業を控えた僕は、シンセサイザーで作曲することが好きで、専攻は、自然言語処理学である。」というテキストからなるコンテンツに係る属性を評価する場合の例である。

ここで、コンテンツに係る属性とは、コンテンツの内容から判定されるコンテンツが属するカテゴリーや、当該コンテンツにアクセスするユーザの属性などのことである。たとえば、コンテンツが「スポーツ」という属性である場合には、当該コンテンツにアクセスするユーザは「スポーツ」に興味があるユーザであると評価され、「スポーツ」がユーザの興味に係る属性として設定される。

この属性評価処理においては、まず、上記テキストに対して形態素解析がまず実行される。図２は、形態素解析の実行結果の一例を示す図である。図２に示すように、形態素解析においては、テキストが各形態素に分解され、各形態素の品詞を解析する処理がおこなわれる。

続いて、品詞が一般名詞（図２では、「名詞-一般」に対応する。）である形態素が抽出される。図２の例では、「シンセサイザー」および「自然言語処理学」の２つの一般名詞が抽出される。

ここでは、一般名詞のみを抽出することとしたが、「卒業」、「作曲」、「専攻」などのサ変接続名詞（図２では、「名詞-サ変接続」に対応する。）をさらに加えることとしてもよい。

一方、一般名詞に対応する基本属性要素および基本属性要素間の比率の情報を記憶したデータベースをあらかじめ準備しておく。このデータベースを以下ではデジタルシソーラスと呼ぶこととする。図３は、基本属性要素および基本属性要素間の比率の情報を記憶したデジタルシソーラスの一例を示す図である。

図３に示すように、このデジタルシソーラスは、一般名詞、基本属性要素および要素比率の情報を記憶している。一般名詞は、品詞が一般名詞に分類される単語である。基本属性要素は、一般名詞が属するカテゴリーである。

たとえば、図３の例では、「シンセサイザー」は「音楽」および「コンピュータ」の２つの基本属性要素に属し、「自然言語処理学」は、「コンピュータ」および「言語学」の２つの基本属性要素に属している。

要素比率は、基本属性要素間に割り当てられた比率である。たとえば、図３の例では、「シンセサイザー」の２つの基本属性要素である「音楽」および「コンピュータ」の要素比率は１：１に設定され、「自然言語処理学」の２つの基本属性要素である「コンピュータ」および「音楽」の要素比率は３：２に設定されている。この要素比率は、基本属性要素に対する重みとして用いられるものである。

この属性評価処理では、一般名詞がコンテンツから抽出された場合に、その一般名詞に対応する基本属性要素および要素比率の情報をデジタルシソーラスから検索する。そして、それらの情報に基づいて、図１に示すように、各基本属性要素に対応し、互いに直交する基底ベクトルを用いて一般名詞のベクトル空間（ヒルベルト空間）内での位置を表現する。

具体的には、一般名詞は以下のように表現される。
ｎ_i ＝ Σａ_j |ｅ_j> ．．． （式１）
Σａ_j ² ＝ １ ．．． （式２）

ここで、ｎ_iは、一般名詞ｉを表す大きさが１の単位ベクトルであり、|ｅ_j>は、基本属性要素ｊに対応する大きさが１の正規直交基底ベクトルであり、ａ_jは、基本属性要素ｊに対応し、要素比率から算出される|ｅ_j>の重みであり、Σａ_j |ｅ_j>は、すべてのｊに対するａ_j |ｅ_j>の和であり、Σａ_j ²は、すべてのｊに対するａ_j ²の和である。

たとえば、「シンセサイザー」という一般名詞に対応する基本属性要素は「音楽」および「コンピュータ」であり、「音楽」および「コンピュータ」の要素比率は１：１であるため、「シンセサイザー」を表す単位ベクトルｎ₁は、
ｎ₁ ＝ １／√２ |ｅ₁> ＋ １／√２ |ｅ₂> ．．． （式３）
となる。

ここで、|ｅ₁>は、「音楽」に対応する基底ベクトルであり、|ｅ₂>は、「コンピュータ」に対応する基底ベクトルである。また、「音楽」および「コンピュータ」の要素比率が１：１であるため、|ｅ₁>および|ｅ₂>の重みも１：１に設定される。具体的には、式２と要素比率とから、|ｅ₁>および|ｅ₂>の重みがそれぞれ１／√２および１／√２となる。

また、「自然言語処理学」という一般名詞に対応する基本属性要素は「コンピュータ」および「言語学」であり、「コンピュータ」および「言語学」の要素比率は３：２であるため、「自然言語処理学」を表す単位ベクトルｎ₂は、
ｎ₂ ＝ ３／√１３ |ｅ₂> ＋ ２／√１３ |ｅ₃> ．．． （式４）
となる。

ここで、|ｅ₃>は、「言語学」に対応する基底ベクトルである。また、式２と要素比率３：２とから、|ｅ₂>および|ｅ₃>の重みがそれぞれ３／√１３および２／√１３となっている。

そして、コンテンツに係る属性は、各一般名詞に対応するベクトルの和、すなわち、
ｐ ＝ Σｎ_i ．．． （式５）
により評価される。ここで、ｐは、コンテンツに係る属性を表す属性ベクトルであり、Σｎ_iは、すべてのｉに対するｎ_iの和である。

たとえば、「シンセサイザー」および「自然言語処理学」という一般名詞が抽出されたコンテンツに係る属性を表す属性ベクトルｐは、
ｐ ＝ ｎ₁ ＋ ｎ₂
＝ １／√２ |ｅ₁> ＋ (１／√２ ＋ ３／√１３) |ｅ₂> ＋ ２／√１３ |ｅ₃>
．．． （式６）
となる。

これにより、コンテンツに係る属性が「音楽」、「コンピュータ」、「言語学」である割合はそれぞれ、
１／√２ ： (１／√２ ＋ ３／√１３) ： ２／√１３
≒ ２５％ ： ５５％ ： ２０％ ．．． （式７）
と評価される。

ここで、上記割合はコンテンツに係る属性を選択する場合の優先度と考えることができる。すなわち、コンテンツに係る属性を１つに決定する必要がある場合には「コンピュータ」を選択し、コンテンツに係る属性を２つ決定する場合には「コンピュータ」および「音楽」を選択すればよい。

なお、ここでは式７に示したように、各基底ベクトル |ｅ_j> に対応する係数の比率を単に比較することとしたが、式５の属性ベクトルを正規化し、正規化した属性ベクトルの各基底ベクトル |ｅ_j> に対応する係数の２乗の比率を比較することとしてもよい。

たとえば、式６により示される属性ベクトルｐを正規化すると、
ｐ ＝ ０．３９６７ |ｅ₁> ＋ ０．８６３６ |ｅ₂> ＋ ０．３１１２ |ｅ₃>
となる。

この場合には、コンテンツに係る属性が「音楽」、「コンピュータ」、「言語学」である割合はそれぞれ、
０．３９６７² ： ０．８６３６² ： ０．３１１２²
≒ １６％ ： ７４％ ： １０％
と評価される。

また、コンテンツに係る属性を評価する属性ベクトルの大きさを正規化しておくと、他のコンテンツの属性ベクトルとの間で基底ベクトルに対応する係数の比較ができるようになるという利点も生じる。

つぎに、一般名詞を表すベクトルを互いに直交する基底ベクトルを用いて表す理由を説明する。図４は、互いに直交しない基底ベクトルを用いた場合のコンテンツに係る属性評価方法を説明する図である。たとえば、「音楽を聴きながら量子化暗号について考える」というテキストからなるコンテンツに係る属性を評価する場合を考える。

そして、形態素解析により、「音楽」および「量子化暗号」という一般名詞が抽出され、「音楽」に対応する基本属性要素として「音楽」が、「量子化暗号」に対応する基本属性要素として「物理学」および「コンピュータ」がデジタルシソーラスから検索され、さらに、それぞれの基本属性要素に対応する要素比率が検索されたものとする。

図４には、「音楽」および「量子化暗号」という一般名詞に対応し、基本属性要素および要素比率に基づいて算出されたベクトルｎ₃，ｎ₄が示されている。ただし、このベクトルの基底 |ｅ₄> 〜 |ｅ₇> は互いに直交するものではない。

このような場合、単にベクトルｎ₃，ｎ₄の和を式５に基づいて算出すると、その結果得られる属性ベクトルｑは「音楽」という要素を持たなくなり、コンテンツが「音楽」とは無関係であるといった誤った判定となることがある。このようなことを防ぐために、ここでは、互いに直交するベクトルを一般名詞を現すベクトルの基底ベクトルとして用いることとしている。

このように、本発明にかかる属性評価処理では、基本属性要素に対応付けられた互いに直交するベクトルを基底とし、かつ、コンテンツから抽出した一般名詞のベクトル空間内での位置を表すベクトルに係る情報を生成し、生成した情報に基づいてコンテンツに係る属性を評価することとした。

ここで、基底となるベクトルには任意の基本属性要素を対応付けることができるため、インターネット広告の広告主が「ぬくもりのある」や「シャープな」、「ほのぼのとした」、「あたたかみのある」など、生活シーンに応じた感覚的に表現された属性などを新たに追加したい場合にも、デジタルシソーラスを更新することにより柔軟に対応することができる。

また、互いに直交するベクトルを用いてコンテンツに係る属性を評価するため、属性を正確に評価することができる。さらに、ベクトル演算によりコンテンツに係る属性を評価するため、効率的に属性を評価することができる。

また、上述したように、基本属性要素がＮ個ある場合には、一般名詞は、基本属性要素に対応する正規直交ベクトルを基底とするＮ次元のベクトルで表される。そのため、デジタルシソーラスに一般名詞に対する基本属性要素が追加された場合でも、単にベクトルの次元を増加させることにより、基本属性要素の追加に動的に対応することができる。

つぎに、本実施例に係る属性評価システムの機能構成について説明する。図５は、本実施例に係る属性評価システム２０の機能構成を示す図である。以下では、インターネット３０を介して公開されているウェブサイトのコンテンツに係る属性を評価する場合について説明する。

図５に示すように、この属性評価システム２０は、外部ウェブサーバ１０ａ〜１０ｃとインターネット３０を介して接続されている。外部ウェブサーバ１０ａ〜１０ｃは、属性評価システム２０の外部でウェブサイトの閲覧サービスを提供しているサーバである。この外部ウェブサーバ１０ａ〜１０ｃは、ウェブサイトを構築するＨＴＭＬ（Hyper Text Markup Language）データおよびウェブサイトに対するユーザのアクセス履歴であるアクセスログを記憶している。

属性評価システム２０は、ウェブサイトにおけるコンテンツの閲覧サービスを提供するとともに、閲覧サービスを提供するコンテンツおよび当該コンテンツにアクセスするユーザの属性を評価するシステムである。

この属性評価システム２０は、ウェブサーバ４０ａ〜４０ｃ、情報収集サーバ５０、属性評価サーバ６０および広告サーバ７０がＬＡＮ（Local Area Network）８０を介して接続された構成となっている。また、ウェブサーバ４０ａ〜４０ｃ、情報収集サーバ５０および広告サーバ７０は、外部ウェブサーバ１０ａ〜１０ｃとインターネット３０を介して接続されている。

ウェブサーバ４０ａ〜４０ｃは、ウェブサイト内のコンテンツの閲覧サービスを提供するサーバである。このウェブサーバ４０ａ〜４０ｃは、ウェブサイトを構築するＨＴＭＬデータおよびウェブサイトに対するユーザのアクセス履歴であるアクセスログを記憶している。

情報収集サーバ５０は、他のサーバにアクセスし、ウェブサイトのコンテンツ間に設定されたリンクの情報や、ウェブサイト内のコンテンツのメタデータの情報、ウェブサイト内のコンテンツの情報などを収集するサーバである。この情報収集サーバ５０は、データ送受信部５００、情報収集部５０１、記憶部５０２および制御部５０３を有する。

データ送受信部５００は、他のサーバとの間でインターネット３０またはＬＡＮ８０を介してさまざまなデータの授受をおこなうネットワークインターフェースである。情報収集部５０１は、インターネット３０に接続された外部ウェブサーバ１０ａ〜１０ｃやウェブサーバ４０ａ〜４０ｃにアクセスし、ウェブサイトのコンテンツ間に設定されたリンクの情報や、ウェブサイト内のコンテンツのメタデータの情報、ウェブサイト内のコンテンツの情報などを収集して、それらの情報を記憶部５０２に記憶する。

記憶部５０２は、ハードディスク装置などの記憶デバイスである。この記憶部５０２は、リンク情報５０２ａ、メタデータ情報５０２ｂ、コンテンツ情報５０２ｃを記憶している。

リンク情報５０２ａは、コンテンツ間に設定されたリンクの情報を記憶したものである。このリンクは、ハイパーリンクまたはトラックバックにより設定されたものである。メタデータ情報５０２ｂは、ウェブサイト内のコンテンツに係る情報を記述したメタデータの情報を記憶したものである。コンテンツ情報５０２ｃは、ウェブサイト内のテキストや画像データなどのコンテンツの情報を記憶したものである。

制御部５０３は、情報収集サーバ５０を全体制御する制御部であり、各機能部間のデータの授受などを司る。

属性評価サーバ６０は、情報収集サーバ５０により収集された情報を取得し、評価対象となるコンテンツの属性および当該コンテンツにアクセスするユーザの属性を評価する処理をおこなう。

この属性評価サーバ６０は、データ送受信部６００、記憶部６０１、ベクトル情報生成部６０２、属性評価部６０３および制御部６０４を有する。データ送受信部６００は、他のサーバとの間でＬＡＮ８０を介してさまざまなデータの授受をおこなうネットワークインターフェースである。

記憶部６０１は、ハードディスク装置などの記憶デバイスである。この記憶部６０１は、デジタルシソーラスデータ６０１ａおよび属性評価情報６０１ｂを記憶している。

デジタルシソーラスデータ６０１ａは、図３で説明したデジタルシソーラスに対応するものである。このデジタルシソーラスデータ６０１ａは、一般名詞、基本属性要素および要素比率の情報を記憶している。属性評価情報６０１ｂは、評価されたコンテンツの属性および当該コンテンツにアクセスするユーザの属性に係る情報を記憶したものである。

なお、ここでは、デジタルシソーラスデータ６０１ａに一般名詞、基本属性要素および要素比率の間の組み合わせを１つだけ記憶することとしたが、インターネット広告の広告主が希望する属性にコンテンツおよびコンテンツにアクセスするユーザを分類するために、一般名詞、基本属性要素および要素比率の間の異なる組み合わせをデジタルシソーラスデータ６０１ａに複数記憶しておき、使用する組み合わせを広告主に応じて切り替えることとしてもよい。

ここで、使用する組み合わせは、広告主ごとにあらかじめ設定しておくこととしてもよいし、インターネット３０に接続された端末装置（図示せず）を用いて広告主により指定された組み合わせをベクトル情報生成部６０２が受け付けることにより設定することとしてもよい。

これにより、ある広告主は、基本属性要素として「スポーツ」や「ニュース」などのように直接的に表現された要素を用い、別の広告主は、「ぬくもりのある」や「シャープな」、「ほのぼのとした」、「あたたかみのある」など、感覚的に表現された要素を用いたいという要望がある場合でも柔軟に対応することができる。

図５の説明に戻ると、ベクトル情報生成部６０２は、コンテンツに対して形態素解析を実行し、コンテンツから一般名詞を抽出する。そして、ベクトル情報生成部６０２は、抽出された一般名詞を互いに直交する基底ベクトルを用いて表現し、ベクトル空間内の位置を算出する処理をおこなう。具体的には、ベクトル情報生成部６０２は、図１において説明したように、デジタルシソーラスデータ６０１ａを参照し、一般名詞を式１および式２を用いて表現する。

属性評価部６０３は、コンテンツの属性および当該コンテンツにアクセスするユーザの属性を、互いに直交する基底ベクトルを用いて表現された一般名詞のベクトル空間内での位置の情報に基づいて評価する処理をおこなう。

具体的には、属性評価部６０３は、図１において説明したように、式５を用いて一般名詞を表すベクトルの和から属性ベクトルを生成し、属性ベクトルにおける各基底ベクトルの係数を、式７のようにして調べることにより属性を評価する処理をおこなう。

広告サーバ７０は、属性評価サーバ６０により評価されたコンテンツの属性および当該コンテンツにアクセスするユーザの属性に基づいて、各コンテンツおよびユーザに適した広告を配信するサーバである。この広告サーバ７０は、データ送受信部７００、記憶部７０１、広告配信処理部７０２および制御部７０３を有する。

データ送受信部７００は、他の装置との間でインターネット３０またはＬＡＮ８０を介してさまざまなデータの授受をおこなうネットワークインターフェースである。記憶部７０１は、ハードディスク装置などの記憶デバイスである。この記憶部７０１は、広告データ７０１ａおよび配信条件データ７０１ｂを記憶している。

広告データ７０１ａは、外部ウェブサーバ１０ａ〜１０ｃまたはウェブサーバ４０ａ〜４０ｃが閲覧サービスを提供しているコンテンツに配信するインターネット広告のデータを記憶したものである。配信条件データ７０１ｂは、インターネット広告を配信するコンテンツのＵＲＩ（Uniform Resource Identifier）や配信期間などのインターネット広告の配信条件を記憶したデータである。

広告配信処理部７０２は、記憶部７０１に記憶された配信条件データ７０１ｂに基づいて、コンテンツに広告データ７０１ａに記憶されたインターネット広告を配信する処理をおこなう。制御部７０３は、広告サーバ７０を全体制御する制御部であり、各機能部間のデータの授受などを司る。

つぎに、本実施例に係る属性評価処理の処理手順について説明する。図６は、本実施例に係る属性評価処理の処理手順を示すフローチャートである。

図６に示すように、まず、属性評価サーバ６０のベクトル情報生成部６０２は、属性を評価する対象であるコンテンツの情報を情報収集サーバ５０の記憶部５０２に記憶されたコンテンツ情報５０２ｃから取得する（ステップＳ１０１）。

そして、ベクトル情報生成部６０２は、図２を用いて説明したように、コンテンツの情報に対する形態素解析を実行し（ステップＳ１０２）、一般名詞を抽出する（ステップＳ１０３）。

続いて、ベクトル情報生成部６０２は、記憶部６０１に記憶されたデジタルシソーラスデータ６０１ａを参照することにより、抽出した一般名詞に対応する基本属性要素および要素比率を検索し（ステップＳ１０４）、式１および式２を用いて、一般名詞をベクトルに変換する（ステップＳ１０５）。

そして、属性評価部６０３は、式５を用いて、各一般名詞に対応するベクトルの和を算出し（ステップＳ１０６）、式７で説明したようにして、ベクトルの和における各基底ベクトルの係数からコンテンツに係る属性を評価し（ステップＳ１０７）、評価したコンテンツに係る属性を属性評価情報６０１ｂとして記憶部６０１に記憶し（ステップＳ１０８）、この属性評価処理を終了する。

なお、上記実施例では、コンテンツから一般名詞を抽出し、一般名詞を基本属性要素に基づいてベクトルに変換して、コンテンツに係る属性を評価することとしているが、コンテンツから一般名詞を抽出する代わりに、検索エンジンを用いて当該コンテンツを検索する場合にユーザにより入力された検索語や、当該コンテンツに対するハイパーリンクが設定され、ユーザによりマウス等でクリックされた語をベクトルに変換し、コンテンツに係る属性を評価することとしてもよい。

上述してきたように、本実施例では、属性評価サーバ６０のベクトル情報生成部６０２が、各基本属性要素に対応付けられた互いに直交するベクトルを基底とし、かつ、一般名詞のベクトル空間内での位置を表すベクトルに係る情報を生成し、属性評価部６０３が、ベクトル情報生成部６０２により生成された情報に基づいて、コンテンツに係る属性を評価することとしたので、柔軟に、効率的に、正確に、また、動的にコンテンツに係る属性を評価することができる。

また、本実施例では、ベクトル情報生成部６０２が、一般名詞とコンテンツに係る属性の候補の情報とを対応付けて記憶したデジタルシソーラスデータ６０１ａから、一般名詞を検索キーとして基本属性要素の情報を検索し、属性評価部６０３が、検索の結果得られた基本属性要素の情報を基にして、一般名詞のベクトル空間内での位置を表すベクトルに係る情報を生成することとしたので、デジタルシソーラスデータ６０１ａに記憶された基本属性要素の情報を読み出すことにより、効率的にベクトル情報を生成することができる。

また、本実施例では、ベクトル情報生成部６０２が、一般名詞と基本属性要素との間の異なる組み合わせを複数記憶したデジタルシソーラスデータ６０1ａから、指定された組み合わせにおける基本属性要素の情報を検索し、検索の結果得られた基本属性要素の情報を基にして、ベクトルに係る情報を生成することとしたので、コンテンツに係る属性を柔軟に評価することができる。

また、本実施例では、ベクトル情報生成部６０２が、基本属性要素の情報および基本属性要素の要素比率に係る情報を記憶したデジタルシソーラスデータ６０１ａから基本属性要素の情報および要素比率に係る情報を読み出し、属性評価部６０３が、読み出した情報に基づいて一般名詞のベクトル空間内での位置を表すベクトルに係る情報を生成することとしたので、基本属性要素の要素比率を考慮してコンテンツに係る情報の評価をおこなうことにより、より正確にコンテンツに係る属性を評価することができる。

また、本実施例では、属性評価部６０３が、所定のコンテンツに対してコンテンツに係る複数の属性と、各属性の優先度とを評価することとしたので、コンテンツに係る属性を任意の精度で評価することができる。

また、本実施例では、ベクトル情報生成部６０２が、コンテンツに係る属性の候補の数が増加した場合に、当該候補の数の増加に応じて次元が増加したベクトル空間における一般名詞の位置を表すベクトルに係る情報を生成することとしたので、コンテンツに係る属性の候補の数の増加に動的に対応することができる。

また、本実施例では、一般名詞は、コンテンツの内容に係る情報を含んだメタデータまたは当該コンテンツから抽出されたものであることとしたので、メタデータまたはコンテンツから抽出された一般名詞を基にして、柔軟に、効率的に、正確に、また、動的にコンテンツに係る属性を評価することができる。

また、本実施例では、ベクトル情報生成部６０２が、基本属性要素に対応付けられた互いに直交するベクトルを基底とし、かつ、コンテンツの検索に用いられた検索語、または、ハイパーリンクが設定された語のベクトル空間内での位置を表すベクトルに係る情報を生成することとしたので、コンテンツの検索に用いられた検索語、または、ハイパーリンクが設定された語を基にして、柔軟に、効率的に、正確に、また、動的にコンテンツに係る属性を評価することができる。

（実施例の変形例１）
ところで、上記実施例では、一般名詞に対応する基本属性要素および要素比率を基にしてコンテンツに係る属性を評価することとしているが、さらに一般名詞の出現頻度を考慮して、より精度よくコンテンツに係る属性を評価することとしてもよい。そこで、実施例の変形例１では、一般名詞の出現頻度をさらに考慮する場合について説明する。

ここでは、上記実施例で用いた「卒業を控えた僕は、シンセサイザーで作曲することが好きで、専攻は、自然言語処理学である。」という第１のテキストと、「自然言語処理学は楽しい。」という第２のテキストとからなるコンテンツに係る属性を評価する場合の例を示す。

図７は、変形例１における形態素解析の実行結果の一例を示す図である。図７には、第２のテキストに対して形態素解析を適用した結果が示されている。第１のテキストに対して形態素解析をおこなった結果は、図２に示したものと同様である。

図７に示すように、第２のテキストからは、「自然言語処理学」という一般名詞が１つ抽出される。これにより、第１のテキストおよび第２のテキストから抽出された一般名詞は、「シンセサイザー」および「自然言語処理学」であり、出現頻度はそれぞれ１回および２回となる。

本変形例１における属性評価処理では、コンテンツに係る属性を評価する場合に、一般名詞の出現頻度を当該一般名詞に対応するベクトルの重みとして設定し、ベクトルの和を算出する。

すなわち、本変形例１における属性評価処理では、式５の代わりに、
ｐ ＝ Σｗ_i ｎ_i ．．． （式８）
を用いてベクトルの和を算出する。ここで、ｗ_iは、ベクトルｎ_iに対応する一般名詞の出現頻度であり、Σｗ_i ｎ_iは、すべてのｉに対するｗ_i ｎ_iの和である。

たとえば、「シンセサイザー」および「自然言語処理学」という一般名詞が抽出され、「シンセサイザー」の出現頻度が１回であり、「自然言語処理学」の出現頻度が２回であるコンテンツの属性ベクトルｐは、
ｐ ＝ ｎ₁ ＋ ２ ｎ₂
＝ １／√２ |ｅ₁> ＋ １／√２ |ｅ₂> ＋ ２ (３／√１３ |ｅ₂> ＋ ２／√１３ |ｅ₃>)
＝ １／√２ |ｅ₁> ＋ (１／√２ ＋ ６／√１３) |ｅ₂> ＋ ４／√１３ |ｅ₃>
．．． （式９）
となる。

これにより、コンテンツに係る属性が「音楽」、「コンピュータ」、「言語学」である割合はそれぞれ、
１／√２ ： (１／√２ ＋ ６／√１３) ： ４／√１３
≒ １７％ ： ５７％ ： ２６％ ．．． （式１０）
となる。

したがって、コンテンツに係る属性を１つに決定する必要がある場合には「コンピュータ」を選択し、コンテンツに係る属性を２つ決定する場合には「コンピュータ」および「言語学」を選択すればよい。

なお、本変形例１に係る属性評価システムの機能構成については、図５に示した機能構成とほぼ同様である。ただし、本変形例１では、ベクトル情報生成部６０２が、コンテンツに対して形態素解析を実行し、コンテンツから一般名詞を抽出するとともに、抽出された一般名詞の出現頻度を記憶部６０１に記憶する。

そして、ベクトル情報生成部６０２は、図１において説明したように、抽出された一般名詞を互いに直交する基底ベクトルを用いて表現し、一般名詞のベクトル空間内における位置を算出する処理をおこなう。

また、属性評価部６０３は、一般名詞の出現頻度と、互いに直交する基底ベクトルを用いて表現された一般名詞のベクトル空間内での位置の情報とから、式８を用いて、コンテンツの属性および当該コンテンツにアクセスするユーザの属性を評価する。

また、本変形例１に係る属性評価処理の処理手順は、図６に示した処理手順とほぼ同様である。ただし、本変形例１では、ステップＳ１０３において、ベクトル情報生成部６０２が、コンテンツから一般名詞を抽出するとともに、抽出された一般名詞の出現頻度を記憶部６０１に記憶する。

そして、ステップＳ１０６では、属性評価部６０３が、式５の代わりに、式８を用いて各一般名詞に対応するベクトルの和を算出する。また、ステップＳ１０７では、属性評価部６０３が、式１０で説明したようにして、ベクトルの和における各基底ベクトルの係数からコンテンツに係る属性を評価する。

上述してきたように、本実施例の変形例１では、属性評価部６０３が、一般名詞の出現頻度に基づいて、ベクトル情報生成部６０２により生成されたベクトルに係る情報の重みを設定し、設定した重みに基づいてコンテンツに係る属性を評価することとしたので、一般名詞の出現頻度を考慮することにより、より正確にコンテンツに係る属性を評価することができる。

（実施例の変形例２）
ところで、上記実施例および実施例の変形例１では、コンテンツがテキストであることとしたが、コンテンツが画像である場合にも、その画像に対して設定されたメタデータを解析して、コンテンツに係る属性を評価することとしてもよい。そこで、実施例の変形例２では、テキストとともに画像を含むコンテンツに係る属性を評価する場合について説明する。

ここでは、上記変形例１で用いた「卒業を控えた僕は、シンセサイザーで作曲することが好きで、専攻は、自然言語処理学である。自然言語処理学は楽しい。」というテキストと、シンセサイザーおよび楽譜の画像とからなるコンテンツに係る属性を評価する場合の例を示す。

ここで、シンセサイザーの画像のメタデータには、「シンセサイザー」という一般名詞が含まれており、楽譜の画像のメタデータには、「音楽」という一般名詞が含まれているものとする。

この場合、上記テキストおよびメタデータから形態素解析により一般名詞を抽出すると、「シンセサイザー」、「自然言語処理学」および「音楽」という一般名詞が抽出され、それらの一般名詞の出現頻度はそれぞれ２回、２回、１回となる。

この場合、当該コンテンツに係る属性を表す属性ベクトルｐは、式８を用いることにより、
ｐ ＝ ２ ｎ₁ ＋ ２ ｎ₂ ＋ ｎ₃
＝ ２ （１／√２ |ｅ₁> ＋ １／√２ |ｅ₂>）
＋ ２ (３／√１３ |ｅ₂> ＋ ２／√１３ |ｅ₃>) ＋ |ｅ₁>
＝ （√２ ＋ １） |ｅ₁> ＋ (√２ ＋ ６／√１３) |ｅ₂> ＋ ４／√１３ |ｅ₃>
．．． （式１１）
となる。ここで、ｎ₃は、一般名詞「音楽」に対応する単位ベクトルであり、一般名詞「音楽」に対応する基本属性要素は「音楽」であるため、ｎ₃は|ｅ₁>に等しくなる。

これにより、コンテンツに係る属性が「音楽」、「コンピュータ」、「言語学」である割合はそれぞれ、
√２ ＋ １ ： (√２ ＋ ６／√１３) ： ４／√１３
≒ ３７％ ： ４７％ ： １６％ ．．． （式１２）
となる。

したがって、コンテンツに係る属性を１つに決定する必要がある場合には「コンピュータ」を選択し、コンテンツに係る属性を２つ決定する場合には「音楽」および「コンピュータ」を選択すればよい。

なお、本変形例２に係る属性評価システムの機能構成については、図５に示した機能構成とほぼ同様である。ただし、本変形例２では、ベクトル情報生成部６０２が、コンテンツに含まれるテキストおよび画像のメタデータに対して形態素解析を実行することにより一般名詞を抽出するとともに、抽出された一般名詞の出現頻度を記憶部６０１に記憶する。

そして、ベクトル情報生成部６０２は、図１において説明したように、抽出された一般名詞を互いに直交する基底ベクトルを用いて表現し、ベクトル空間内の位置を算出する処理をおこなう。

また、属性評価部６０３は、一般名詞の出現頻度と、互いに直交する基底ベクトルを用いて表現された一般名詞のベクトル空間内での位置の情報とから、式８を用いて、コンテンツの属性および当該コンテンツにアクセスするユーザの属性を評価する。

また、本変形例２に係る属性評価処理の処理手順は、図６に示した処理手順とほぼ同様である。ただし、本変形例２では、ステップＳ１０３において、ベクトル情報生成部６０２が、コンテンツに含まれるテキストおよび画像のメタデータから一般名詞を抽出するとともに、抽出された一般名詞の出現頻度を記憶部６０１に記憶する処理をおこなう。

そして、ステップＳ１０６では、属性評価部６０３が、式５の代わりに、式８を用いて各一般名詞に対応するベクトルの和を算出する。また、ステップＳ１０７では、属性評価部６０３が、式１０で説明したようにして、ベクトルの和における各基底ベクトルの係数から、テキストおよび画像を含んだコンテンツに係る属性を評価する。

上述してきたように、本変形例２では、属性評価部６０３が、コンテンツに含まれるテキストおよび画像のメタデータから抽出された一般名詞に基づいて、コンテンツに係る属性の評価をおこなうこととしたので、画像のメタデータをさらに用いることにより、より正確にコンテンツに係る属性を評価することができる。

（実施例の変形例３）
ところで、上記実施例および実施例の変形例では、属性を評価するコンテンツまたはコンテンツのメタデータから一般名詞を抽出し、抽出した一般名詞に基づいて属性を評価することとしたが、第１のコンテンツにハイパーリンクまたはトラックバックにより関連付けられた第２のコンテンツから一般名詞を抽出して、第１のコンテンツの属性を評価することとしてもよい。

具体的には、上記第２のコンテンツに対して図１で説明したような属性評価処理をおこなって、第２のコンテンツに係る属性を評価し、その評価結果に基づいて第１のコンテンツに係る属性を評価する。ここで、第２のコンテンツは、１つまたは複数のコンテンツである。

たとえば、第２の複数のコンテンツに係る属性が「音楽」、「コンピュータ」、「言語学」と評価され、そのうち「コンピュータ」と属性が評価されたコンテンツが最も多かった場合には、第１のコンテンツに係る属性を「コンピュータ」と評価すればよい。

なお、本変形例３に係る属性評価システムの機能構成については、図５に示した機能構成とほぼ同様である。ただし、本変形例３では、ベクトル情報生成部６０２が、第２のコンテンツに対して形態素解析を実行し、第２のコンテンツから一般名詞を抽出するとともに、抽出された一般名詞の出現頻度を記憶部６０１に記憶する。

そして、ベクトル情報生成部６０２は、図１において説明したように、抽出された一般名詞を互いに直交する基底ベクトルを用いて表現し、ベクトル空間内の位置を算出する処理をおこなう。

また、属性評価部６０３は、一般名詞の出現頻度と、互いに直交する基底ベクトルを用いて表現された一般名詞のベクトル空間内での位置の情報とから、式８を用いて第２のコンテンツに係る属性を評価し、その第２のコンテンツに係る属性に基づいて、第１のコンテンツに係る属性を評価する。

また、本変形例３に係る属性評価処理の処理手順は、図６に示した処理手順とほぼ同様である。ただし、本変形例３では、ステップＳ１０１からステップＳ１０８の処理を第２のコンテンツに対して実行し、その後、第２のコンテンツに対して評価された属性の情報に基づいて第１のコンテンツに係る属性を評価する。

上述してきたように、本実施例の変形例３では、ベクトル情報生成部６０２が、属性を評価する第１のコンテンツに対してハイパーリンクまたはトラックバックにより関連付けられている第２のコンテンツに係る属性の各候補に対応付けられた互いに直交するベクトルを基底とし、かつ、第２のコンテンツに係る一般名詞のベクトル空間内での位置を表すベクトルに係る情報を生成し、属性評価部６０３が、ベクトル情報生成部６０２により生成された情報に基づいて第１のコンテンツに係る属性を評価することとしたので、ハイパーリンクまたはトラックバックにより関連付けられた第２のコンテンツから第１のコンテンツの属性を柔軟に、効率的に、正確に、また、動的にコンテンツに係る属性を評価することができる。

以上、属性評価処理をコンピュータ上で実現する場合について説明してきたが、属性評価処理を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータに読み込ませ、実行することにより属性評価処理を実現してもよい。図８は、属性評価処理を実現するコンピュータ１００のハードウェア構成を示すブロック図である。

図８に示すように、このコンピュータ１００は、上記プログラムを実行するＣＰＵ１１０と、データを入力する入力装置１２０と、各種データを記憶するＲＯＭ１３０と、演算パラメータ等を記憶するＲＡＭ１４０と、属性評価処理を実現するためのプログラムを記録した記録媒体２００からプログラムを読み取る読取装置１５０と、ディスプレイ等の出力装置１６０と、ネットワーク３００を介して他のコンピュータとの間でデータの授受をおこなうネットワークインターフェース１７０とが、バス１８０で接続された構成となっている。

ＣＰＵ１１０は、読取装置１５０を経由して記録媒体２００に記録されているプログラムを読み込んだ後、プログラムを実行することにより、属性評価処理を実現する。なお、記録媒体２００としては、光ディスク、フレキシブルディスク、ＣＤ−ＲＯＭ、ハードディスク等が挙げられる。また、このプログラムは、ネットワーク３００を介してコンピュータ１００に導入することとしてもよい。

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、特許請求の範囲に記載した技術的思想の範囲内において種々の異なる実施例にて実施されてもよいものである。

また、本実施例において説明した各処理のうち、自動的におこなわれるものとして説明した処理の全部または一部を手動的におこなうこともでき、あるいは、手動的におこなわれるものとして説明した処理の全部または一部を公知の方法で自動的におこなうこともできる。

この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示のように構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

さらに、各装置にて行なわれる処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

以上のように、本発明に係る属性評価装置、属性評価方法および属性評価プログラムは、柔軟に、効率的に、正確に、また、動的にコンテンツに係る属性を評価することが必要な属性評価システムに有用である。

本発明にかかる属性評価処理の概念を説明する図である。 形態素解析の実行結果の一例を示す図である。 基本属性要素および基本属性要素間の比率の情報を記憶したデジタルシソーラスの一例を示す図である。 互いに直交しない基底ベクトルを用いた場合のコンテンツに係る属性評価方法を説明する図である。 本実施例に係る属性評価システム２０の機能構成を示す図である。 本実施例に係る属性評価処理の処理手順を示すフローチャートである。 変形例１における形態素解析の実行結果の一例を示す図である。 属性評価処理を実現するコンピュータ１００のハードウェア構成を示すブロック図である。

符号の説明

１０ａ〜１０ｃ 外部ウェブサーバ
２０ 属性評価システム
３０ インターネット
４０ａ〜４０ｃ ウェブサーバ
５０ 情報収集サーバ
５００ データ送受信部
５０１ 情報収集部
５０２ 記憶部
５０２ａ リンク情報
５０２ｂ メタデータ情報
５０２ｃ コンテンツ情報
５０３ 制御部
６０ 属性評価サーバ
６００ データ送受信部
６０１ 記憶部
６０１ａ デジタルシソーラスデータ
６０１ｂ 属性評価情報
６０２ ベクトル情報生成部
６０３ 属性評価部
６０４ 制御部
７０ 広告サーバ
７００ データ送受信部
７０１ 記憶部
７０１ａ 広告データ
７０１ｂ 広告配信データ
７０２ 広告配信処理部
７０３ 制御部
８０ ＬＡＮ

Claims (11)

1. コンテンツに係る情報を基にして当該コンテンツに係る属性を評価する属性評価装置であって、
   コンテンツに係る情報毎にコンテンツに係る情報とコンテンツに係る属性の候補の情報とを対応付けたデータ群を複数種類記憶した記憶手段と、
   ウェブサーバにより提供され、かつインターネット広告の配信候補となる一のコンテンツに係る情報を取得する取得手段と、
   前記記憶手段に記憶された複数種類のデータ群のうちインターネット広告の広告主に応じたデータ群から、前記取得手段により取得した前記コンテンツに係る情報を検索キーとしてコンテンツに係る属性の候補の情報を検索する検索手段と、
   前記検索手段により検索した前記コンテンツに係る情報に対応する前記属性の各候補に対応付けられた互いに直交するベクトルを基底とし、前記基底としたベクトルを用いて表現されたベクトル空間内での前記コンテンツに係る情報の位置の情報を表すベクトルを生成する生成手段と、
   前記生成手段により生成された前記ベクトルに基づいて前記コンテンツに係る属性を示す属性ベクトルを生成することにより前記コンテンツに係る属性を評価する属性評価手段と、
   を備えたことを特徴とする属性評価装置。
2. 前記取得手段は、ウェブサーバにより提供され、かつインターネット広告の配信候補となるコンテンツに係る情報として、前記属性を評価するコンテンツに対してハイパーリンクまたはトラックバックにより関連付けられている第２のコンテンツに係る情報を取得し、前記生成手段は、前記第２のコンテンツに係る属性の各候補に対応付けられた互いに直交するベクトルを基底とし、前記基底としたベクトルを用いて表現されたベクトル空間内での前記第２のコンテンツに係る情報の位置の情報を表すベクトルを生成し、前記属性評価手段は、前記生成手段により生成された前記ベクトルに基づいて前記第２のコンテンツに係る属性を示す属性ベクトルを生成することにより前記コンテンツに係る属性を評価することを特徴とする請求項１に記載の属性評価装置。
3. 前記取得手段により取得される前記コンテンツに係る情報は、ユーザによって入力され、検索エンジンによって当該コンテンツの検索に用いられた検索語であることを特徴とする請求項１又は２に記載の属性評価装置。
4. 前記取得手段により取得される前記コンテンツに係る情報は、当該コンテンツに対してハイパーリンクが設定され、ユーザによりクリックされた語であることを特徴とする請求項１〜３のいずれか１つに記載の属性評価装置。
5. 前記コンテンツは、テキストと画像のメタデータとを含むことを特徴とする請求項１〜４のいずれか１つに記載の属性評価装置。
6. 前記記憶手段は、コンテンツに係る属性の各候補の重みに係る情報をさらに記憶し、前記生成手段は、前記コンテンツに係る属性の候補の情報および前記重みに係る情報を前記記憶手段から読み出し、読み出した情報に基づいて前記ベクトルを生成することを特徴とする請求項１〜５のいずれか１つに記載の属性評価装置。
7. 前記属性評価手段は、所定のコンテンツに対してコンテンツに係る複数の属性と、各属性の優先度とを評価することを特徴とする請求項１〜６のいずれか１つに記載の属性評価装置。
8. 前記属性評価手段は、前記コンテンツに係る情報の出現頻度に基づいて、前記ベクトルの重みを設定し、設定した重みに基づいて前記コンテンツに係る属性を評価することを特徴とする請求項１〜７のいずれか１つに記載の属性評価装置。
9. 前記生成手段は、コンテンツに係る属性の候補の数が増加した場合に、当該候補の数の増加に応じて次元が増加したベクトル空間における前記ベクトルを生成することを特徴とする請求項１〜８のいずれか１つに記載の属性評価装置。
10. コンテンツに係る情報を基にして当該コンテンツに係る属性を評価する属性評価方法であって、
    コンピュータに、
    ウェブサーバにより提供され、かつインターネット広告の配信候補となる一のコンテンツに係る情報を取得する取得工程と、
    コンテンツに係る情報毎にコンテンツに係る情報とコンテンツに係る属性の候補の情報とを対応付けたデータ群として記憶手段に複数種類記憶されたデータ群のうちインターネット広告の広告主に応じたデータ群から、前記取得工程により取得した前記コンテンツに係る情報を検索キーとしてコンテンツに係る属性の候補の情報を検索する検索工程と、
    前記検索工程により検索した前記コンテンツに係る情報に対応する前記属性の各候補に対応付けられた互いに直交するベクトルを基底とし、前記基底としたベクトルを用いて表現されたベクトル空間内での前記コンテンツに係る情報の位置の情報を表すベクトルを生成する生成工程と、
    前記生成工程により生成された前記ベクトルに基づいて前記コンテンツに係る属性を示す属性ベクトルを生成することにより前記コンテンツに係る属性を評価する属性評価工程と、
    を実行させることを特徴とする属性評価方法。
11. コンテンツに係る情報を基にして当該コンテンツに係る属性を評価する属性評価プログラムであって、
    ウェブサーバにより提供され、かつインターネット広告の配信候補となる一のコンテンツに係る情報を取得する取得手順と、
    コンテンツに係る情報毎にコンテンツに係る情報とコンテンツに係る属性の候補の情報とを対応付けたデータ群として記憶手段に複数種類記憶されたデータ群のうちインターネット広告の広告主に応じたデータ群から、前記取得手順により取得した前記コンテンツに係る情報を検索キーとしてコンテンツに係る属性の候補の情報を検索する検索手順と、
    前記検索手順により検索した前記コンテンツに係る情報に対応する前記属性の各候補に対応付けられた互いに直交するベクトルを基底とし、前記基底としたベクトルを用いて表現されたベクトル空間内での前記コンテンツに係る情報の位置の情報を表すベクトルを生成する生成手順と、
    前記生成手順により生成された前記ベクトルに基づいて前記コンテンツに係る属性を示す属性ベクトルを生成することにより前記コンテンツに係る属性を評価する属性評価手順と、
    をコンピュータに実行させることを特徴とする属性評価プログラム。

Images