JP5032183B2

JP5032183B2 - 情報推薦システムおよび情報推薦方法

Info

Publication number: JP5032183B2
Application number: JP2007104804A
Authority: JP
Inventors: 知子村上
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2007-04-12
Filing date: 2007-04-12
Publication date: 2012-09-26
Anticipated expiration: 2027-04-12
Also published as: US8010472B2; US20080256017A1; JP2008262398A; CN101286217A

Description

本発明は、食料品や雑貨や本などの日常生活用品、映画や音楽などの放送コンテンツなどの種々のアイテムの推薦に適用可能な情報推薦システムおよび情報推薦方法に関し、特に、推薦結果の意外性を評価できる情報推薦システムおよび情報推薦方法に関する。

非特許文献１に示されているように、情報推薦システムの性能を測る指標として、以下に示すようなprecisionやaveP、recallなどの指標が知られている。

precision ＝ count（Ｌ）／Ｌ --- （１）

recall ＝ count（Ｌ）／Ｒ --- （３）
ただし、Ｌは推薦件数、Ｒは全適合アイテム件数、ｓ_ｉは第ｉ位の推薦アイテム、isrel（ｓ_ｉ）は利用者の興味に対するｓ_ｉの適合度合い、count（ｉ）は上位ｉ件以上の適合アイテムを表している。

この場合、precisionは、推薦リストに占める利用者の嗜好に適合したアイテム（count（Ｌ））の割合を表す。また、avePは、利用者の嗜好に適合したアイテム（isrel（ｓ_ｉ））に対して、それらの順位を考慮したprecisionの平均値を表す。recallは、全適合対象アイテム（Ｒ）に対する利用者の嗜好に適合したアイテムの割合を表す。上記precisionやaveP、recallなどの指標を用いれば、推薦結果と利用者の嗜好との適合度合いを計測することが可能である。
C. Cleverdon and M. Kean "Factors Determining the Performance of Indexing Systems" Aslib Cranfield Research Project, Cranfield England (1968) R. J. Quinlan: C4.5: Programs for Machine Learning, Morgan Kaufmann, San Mateo, CA (1993) C. M. Bishop: Neural Networks for Pattern Recognition, Oxford University Press (1995) V. N. Vapnik: The Nature of Statistical Learning Theory, Springer (1995)

情報推薦システムにおいて、推薦結果が利用者に対して既知の情報である場合や利用者が推薦結果に驚きを感じない場合には、情報推薦システムの有用性が低くなり、利用が永続しないと言われている。利用者の興味に適合し、かつ、意外性のある推薦を実現することにより、利用者の信頼を損なわず、利用価値が持続する情報推薦システムが求められている。

本発明は、上記事情に鑑みてなされたものであって、利用者の興味に適合し、かつ、意外性のある推薦を可能とすることを目的とする。

上記目的を達成するために、本発明に係る情報推薦システムは、利用者に推薦候補についての情報を提供する情報推薦システムであって、利用者の行動記録に基づいてその利用者の嗜好モデルを学習して記憶する嗜好モデル作成手段と、複数の推薦候補について前記嗜好モデルに基づいて選択確率を計算して各推薦候補について当該利用者が選択する確率を表す評価リストを作成する評価リスト作成手段と、利用者の行動記録に関する情報に基づいてその利用者の習慣性を特定し、この習慣性に基づいて、前記複数の推薦候補についてのデフォルト予測値を求めるデフォルト予測手段と、前記選択確率から前記デフォルト予測値を引いた差が大きいほど意外性が高いとして前記評価リストの各推薦候補についてその差を意外性個別評価値として求めかつそれらの意外性個別評価値に基づいて前記評価リストの全体の意外性を表す意外性評価値を求める意外性評価値計算手段と、前記意外性評価値計算手段によって求められた意外性個別評価値が比較的高い推薦候補が、前記評価リスト作成手段によって作成された評価リストの中で利用者が選択する確率が比較的高い推薦候補と合致する場合に当該推薦候補の優先度をさらに高める手段と、を有することを特徴とする。

また、本発明に係る情報推薦方法は、利用者に推薦候補についての情報を提供する情報推薦方法であって、嗜好モデル作成手段が利用者の行動記録に基づいてその利用者の嗜好モデルを学習して記憶する嗜好モデル作成ステップと、評価リスト作成手段が複数の推薦候補について前記嗜好モデルに基づいて選択確率を計算して各推薦候補について当該利用者が選択する確率を表す評価リストを作成する評価リスト作成ステップと、デフォルト予測手段が利用者の行動記録に関する情報に基づいてその利用者の習慣性を特定し、この習慣性に基づいて、前記複数の推薦候補についてのデフォルト予測値を求めるデフォルト予測ステップと、意外性評価値計算手段が前記選択確率から前記デフォルト予測値を引いた差が大きいほど意外性が高いとして前記評価リストの各推薦候補についてその差を意外性個別評価値として求めかつそれらの意外性個別評価値に基づいて前記評価リストの全体の意外性を表す意外性評価値を求める意外性評価値計算ステップと、推薦アイテム決定手段が前記意外性評価値計算ステップで求められた意外性評価値が比較的高い推薦候補が、前記評価リスト作成手段によって作成された評価リストの中で利用者が選択する確率が比較的高い推薦候補と合致する場合に当該推薦候補の優先度をさらに高めるステップと、を有することを特徴とする。

本発明によれば、任意の情報推薦の結果の意外性を評価することが可能になる。これにより、利用者に対して意外性の高い情報を推薦することができ、利用者が情報推薦システムを永続的に利用する可能性が高まる。

以下、本発明に係る情報推薦システムの一実施形態を、図面を参照しながら説明する。

本実施形態では、放送番組の情報推薦システムに関してその構成と処理手順を述べているが、適用対象はこれに限らず、食料品や雑貨や本などの日常生活用品、映画や音楽などの放送コンテンツなどのあらゆる対象の推薦に適用することが可能である。本発明の効果は、本実施形態における放送番組の推薦のみならず、本発明に含まれる推薦結果の意外性を測る手段を用いて、任意の情報推薦の結果の評価に利用することが可能であることを明記しておく。

図１は本発明の実施形態の情報推薦システムの構成を示すものである。図２はこの実施形態における情報推薦システムの処理手順を表すフローチャート、図３ないし図５および図８はそれぞれ、図２のステップＡ，Ｂ、Ｃ、Ｅを詳細化したフォローチャートである。また、図６および図７はそれぞれ、図２のステップＤを詳細化した二種類のフォローチャートである。

本実施形態の情報推薦システムは、放送番組を受信、放映する図１に示すような放送端末１を例としている。放送端末１は、ネットワーク４０を介して放送用サーバー装置４１に、有線または無線で接続されている。放送コンテンツ受信部２において番組コンテンツを受信し、番組放映装置５で利用者に番組コンテンツを放映する。

放送端末１は、放送コンテンツ受信部２において番組データ（ＥＰＧ：Electronic Program Guide）を受信し、それらを番組データ管理部６が番組データベース３に格納し、定期的な更新などのデータの管理をする。操作履歴収集装置１４は、リモートコントロール装置や放送チャンネル切替器などによる利用者のテレビ操作履歴情報を収集し、それらを視聴履歴管理部７が視聴履歴データベース４に格納し、定期的な更新などのデータの管理をする。番組操作履歴情報は、例えば図９に示すようなデータとして収集される。

図９は、「視聴」という属性が「TRUE」という値である「今晩の料理」という番組を視聴者が視聴したことを示している。視聴履歴情報は図９に示す内容に限らず様々なフォーマットや定義をもつ情報であり、キーボード入力、リモートコントロール入力、ネットワークによるオンライン入力、情報伝達の媒体である磁気テープから読み取る等の形で入力されるものとする。

図２を参照して、情報推薦システムによる処理手順の全体概要を説明する。はじめに、視聴履歴データの読み込みを行ない（ステップＳ１）、つぎに番組データを読み込む（ステップＳ２）。つぎに、嗜好モデルの作成（ステップＡ）、評価リストの作成（ステップＢ）、デフォルト予測（ステップＣ）、意外性の評価値計算（ステップＤ）、推薦リストの作成（ステップＥ）を順次行なう。つぎに、推薦リストの配置（ステップＳ３）、興味データの収集（ステップＳ４）を行なう。

嗜好モデルをベイジアンネットワークで表現、作成する処理（ステップＡ）は、図１に示す放送端末１の嗜好モデル作成部４５を中心として行なわれる。嗜好モデル作成部４５には、嗜好モデル学習部８、嗜好モデル管理部９、嗜好モデルデータベース１０が含まれる。

嗜好モデル作成ステップＡでは図３に示す処理を行なう。嗜好モデル学習部８は、嗜好モデルの構造を定義した図１１に示すような構造定義データを読み込む（ステップＡ１）。嗜好モデル学習部８は、番組データ管理部６から図１０に示すような過去の一定期間の番組情報を読み込む（ステップＡ２）。さらに、嗜好モデル学習部８は、視聴履歴管理部７から図９に示すような過去の一定期間の視聴履歴情報を読み込む（ステップＡ３）。嗜好モデル学習部８は、図１２に示すように、ベイジアンネットワークにおける各確率変数の条件付確率値を計算する（ステップＡ４）。条件付確率値の計算方法は、図９に示すような視聴履歴情報から、条件に見合う番組の頻度として計算したり、システム設計者が任意の値を設定したりして求めることが考えられる。こうして得られたネットワーク構造を定義するデータと条件付確率値を嗜好モデルとして嗜好モデルデータベース１０に格納し管理する（ステップＡ５）。本実施形態では、嗜好モデルをベイジアンネットワークで表現、作成したが、決定木（非特許文献２）などの他手法を利用して嗜好モデルを学習してもかまわない。

評価リストの作成ステップＢは、評価リスト作成部４６を中心にして、図４に示す手順で処理される。評価リスト作成部４６には、視聴確率計算部１５、ソーティング部１６、番組選択部１７、評価リストデータベース１８、視聴確率値データベース１９が含まれる。

視聴確率計算部１５は、番組データ管理部６で管理される番組情報を読み込む（ステップＢ１）。視聴確率計算部１５は、嗜好モデル管理部９で管理される嗜好モデルを読み込む（ステップＢ２）。具体的には、例えば、図１１に示すような嗜好モデルの構造を定義したファイルや、図１２に示すような各確率変数の条件付確率値を定義したファイルを計算機が読み込む。嗜好モデルはこれに限らず様々なフォーマットや定義をもつ情報であり、キーボード入力、リモートコントロール入力、ネットワークによるオンライン入力、情報伝達の媒体である磁気テープから読み取る等の形で入力されるものとする。

つぎに、視聴確率計算部１５は、嗜好モデルと番組データを入力情報として、対象番組の視聴確率値を計算する（ステップＢ３）。これらの視聴の確率値は嗜好モデルを用いた確率推論によって求められる。例えば、将来的に放送されるあるテレビ番組の番組ジャンルが「バラエティ（Variety）」であることが明らかな場合、その番組に対するある視聴者の視聴の確率Ｐ（視聴＝TRUE│番組ジャンル＝Variety）は次の式により、図１２に示す条件付確率値などの確率分布を用いて計算される。

Ｐ（視聴＝TRUE│番組ジャンル＝Variety）
＝Ｐ（視聴＝TRUE）・Ｐ（番組ジャンル＝Variety│視聴＝TRUE）／Ｐ（番組ジャンル＝Variety）
ソーティング部１６は、視聴確率値が付与された番組データに対して、視聴確率値に従い降順にソーティングする（ステップＢ４）。番組選択部１７は、ソーティング部１６によってソートされた番組データのうち、上位Ｘ件の番組を評価番組として評価リストデータベース１８に格納し、ソーティングされた番組データを視聴確率値データベース１９に格納する（ステップＢ５）。

評価リストデータベース１８や視聴確率値データベース１９に格納される視聴確率値が付与された番組データは、例えば、図１３のような形式をとる。本実施形態では、嗜好モデルを学習し、それに基づいて評価番組を選択しているが、決定木（非特許文献２）などの他手法を利用して嗜好モデルを学習してもかまわないし、ニューラルネットワーク（非特許文献３）やＳＶＭ（非特許文献４）などの分類器を利用して番組データを利用者の好きな番組データとそれ以外の番組データに分類することにより、利用者の好きな番組で構成される評価番組リストを作成してもかまわない。

デフォルト予測ステップＣは、デフォルト予測部４７を中心にして、図５に示す手順で処理される。デフォルト予測部４７には、習慣性の特定部１１、視聴の予測部１２、デフォルト予測結果データベース１３が含まれる。

習慣性の特定部１１は、番組データ管理部６で管理される番組情報を読み込む（ステップＣ１）。習慣性の特定部１１は、視聴履歴管理部７で管理される視聴履歴情報を読み込む（ステップＣ２）。習慣性の特定部１１は、番組データと視聴履歴から、視聴者が習慣的に視聴している番組を特定する（ステップＣ３）。習慣的に視聴している番組の特定は、過去に視聴された番組と同一タイトルや同一時間帯の番組を習慣的に視聴している番組として特定する方法が考えられる。視聴の予測部１２は、習慣的に視聴していると判定された番組情報と番組データ管理部６で管理される番組情報をもとに、視聴を予測（デフォルト予測）する（ステップＣ４）。

視聴の予測部１２は、例えば図１４に示すように、番組の視聴予測結果を予測する。図１４では、デフォルト予測の結果、視聴と予測された番組には「１」、視聴と予測しなかった番組には「０」が付与されている。これらの値は１＝０に限らず［０；１］の小数値でもかまわない。視聴の予測部１２が予測した番組の視聴予測結果は、デフォルト予測結果データベース１３に格納される（ステップＣ４）。

意外性の評価値計算ステップＤは、意外性の評価値計算部４８で処理される。意外性の評価値計算部４８には、予測結果の比較部２０、件数カウント部２１、評価加算部２２、評価除算部２３、評価値出力部２４、評価データベース２５、興味データベース２６が含まれる。意外性の評価値計算ステップＤでは、図６に示す「unexpectedness」の計算と、図７に示す「unexpectedness_r」の計算が行なわれる。

予測結果の比較部２０は、評価リストデータベース１８から評価リストを、デフォルト予測結果データベース１３からデフォルト予測結果を、興味データベース２６から興味データを、視聴確率値データベース１９から視聴確率値データを読み込む（ステップＤ１、ステップＤ１’）。例えば、評価リストは図１３に、興味データは図１５に、デフォルト予測結果は図１４に示すようなデータであるとする。図１５に示すように、興味データは、各番組に対して、利用者が興味ある番組には「TRUE」、興味のない番組には「ＦＡＬＳＥ」が付与されている。このような興味データは、利用者がキーボードやマウスなどの入力機器を用いて直接入力することにより収集されたり、過去の視聴履歴情報などを利用して興味の有無を自動的に決定することも考えられる。

件数カウント部２１は、評価リストの中から１件の番組（番組Ａ）を選択し（ステップＤ２、ステップＤ２’）、興味データベース２６を参照して番組Ａが興味対象の番組であるかどうか判定する（ステップＤ３、ステップＤ３’）。番組Ａが興味対象の番組であると判定されたならば、番組Ａのデフォルト予測値と視聴確率値を比較する（ステップＤ４、ステップＤ４’）。

評価加算部２２は、番組Ａの視聴確率値がデフォルト予測値よりも大きければ、視聴確率値とデフォルト予測値との差分（意外性個別評価値：ｍａｘ（Ｐ（Ｓ _ｉ）−ｄ（ｓ _ｉ），０））を、意外性の評価値unexpectednessに加算する（ステップＤ５）。あるいは、評価加算部２２は、番組Ａの視聴確率値がデフォルト予測値よりも大きければ、評価リスト中の番組Ａの順位以上の番組に興味対象の番組が含まれる件数をカウントし（ステップＤ５’）、それらと視聴確率値とデフォルト予測値との差分（意外性個別評価値）の積を意外性の評価値unexpectedness_rに加算する（ステップＤ６’）。

件数カウント部２１にて番組Ａが興味対象の番組でないと判定された場合、評価加算部２２にて番組Ａの視聴確率値がデフォルト予測値よりも小さい場合には、件数カウント部２１に戻り、評価リスト中の別の１件の番組を選択し評価する。

上記の処理（ステップＤ２〜ステップＤ５、ステップＤ２’〜ステップＤ６’）を評価リスト中のすべての番組に対して実施したならば（ステップＤ６、ステップＤ７’）、評価除算部２３は評価リストの件数（Ｌ）で除算し（ステップＤ７、ステップＤ８’）、評価リスト中のすべての番組に対して実施していなければ（ステップＤ６、ステップＤ７’）、件数カウント部２１に戻り、評価リスト中の別の１件の番組を選択し評価する。評価値出力部２４は、計算された評価値を評価データベース２５に格納する。

図１６に評価値付き番組データの例を示す。上記のunexpectednessとunexpectedness_rの評価値の計算は、以下のような計算式で求められる。

--- （４）

--- （５）
ただし、Ｌは推薦件数、ｓ_ｉは第ｉ位の推薦アイテム、Ｐ（ｓ_ｉ）はｓ_ｉの予測確率値、ｄ（ｓ_ｉ）はデフォルト予測によるｓ_ｉの予測確率値、isrel（ｓ_ｉ）は利用者の興味に対するｓ_ｉの適合度合い、count（ｉ）は上位ｉ件以上の適合アイテム件数を表す。

推薦リストの作成（ステップＥ）は、推薦番組決定部２７を中心として、図８に示す手順で処理される。推薦番組決定部２７は、評価データベース２５から評価データを、視聴確率値データベース１９から視聴確率値データを読み込み（ステップＥ１）、興味データベース２６から興味データを読み込む（ステップＥ３）。

推薦番組決定部２７は、評価データのうち、視聴確率値がデフォルト予測値よりも大きい番組のみを選出し推薦リストに追加する（ステップＥ２）。推薦番組決定部２７は、視聴確率値順に番組データをソーティングし（ステップＥ４）、視聴確率値の上位からひとつの番組（番組Ｃ）を選択する（ステップＥ５）。興味データを参照して番組Ｃが興味対象の番組であるならば（ステップＥ６）、番組Ｃのデフォルト予測値と視聴確率値を比較して（ステップＥ７）、デフォルト予測値が視聴確率値よりも大きければ、推薦リストに追加する（ステップＥ８）。番組Ｃが興味対象の番組でない場合や、番組Ｃのデフォルト予測値が視聴確率値よりも小さい場合には、降順に並んだ視聴確率値データの次に小さい視聴確率値の番組を選定する。次に、推薦リストのサイズがＮ件に達したならば終了し、Ｎ件未満ならば、降順に並んだ視聴確率値データの次に小さい視聴確率値の番組を選定する。推薦番組決定部２７は、例えば図１７に示すような推薦リストを番組推薦装置２８に送信し、番組推薦装置２８を放送端末上に推薦リストを表示する。

本発明に係る情報推薦システムの一実施形態の全体構成を示すブロック図である。図１の情報推薦システムにおける処理手順全体を示すフロー図である。図２の処理手順の中の嗜好モデル作成手順（ステップＡ）の詳細を示すフロー図である。図２の処理手順の中の評価リスト作成手順（ステップＢ）の詳細を示すフロー図である。図２の処理手順の中のデフォルト予測（ステップＣ）の詳細を示すフロー図である。図２の処理手順の中の意外性の評価値unexpectednessを計算する手順（ステップＤ）の詳細を示すフロー図である。図２の処理手順の中の意外性の評価値unexpectedness_rを計算する手順（ステップＤ）の詳細を示すフロー図である。図２の処理手順の中の推薦リスト作成手順（ステップＥ）の詳細を示すフロー図である。図１の情報推薦システムの一実施形態で対象とするテレビ番組情報（図１０）に対するある視聴者の視聴履歴情報の例を示す表である。図１の情報推薦システムの一実施形態で対象とするテレビ番組情報の例を示す表である。図１の情報推薦システムの一実施形態で対象とする嗜好モデルの構造を定義する記述例を示す図である。図１の情報推薦システムの一実施形態で対象とする嗜好モデルの条件付確率値の例を示す表である。図１の情報推薦システムの一実施形態で作成する評価番組リストの例を示す表である。図１の情報推薦システムの一実施形態で利用するデフォルト予測結果の例を示す表である。図１の情報推薦システムの一実施形態で利用する興味データの例を示す表である。図１の情報推薦システムの一実施形態で作成する評価値付き番組データベースの例を示す表である。図１の情報推薦システムの一実施形態で作成する評価番組リストの例を示す表である。

符号の説明

１：放送端末
２：放送コンテンツ受信部
３：番組データベース
４：視聴履歴データベース
５：番組放映装置
６：番組データ管理部
７：視聴履歴管理部
８：嗜好モデル学習部
９：嗜好モデル管理部
１０：嗜好モデルデータベース
１１：習慣性の特定部
１２：視聴の予測部
１３：デフォルト予測結果データベース
１４：操作履歴収集装置
１５：視聴確率計算部
１６：ソーティング部
１７：番組選択部
１８：評価リストデータベース
１９：視聴確率値データベース
２０：予測結果の比較部
２１：件数カウント部
２２：評価加算部
２３：評価除算部
２４：評価値出力部
２５：評価データベース
２６：興味データベース
２７：推薦番組決定部
２８：番組推薦装置
４０：ネットワーク
４１：放送用サーバー装置
４５：嗜好モデル作成部
４６：評価リスト作成部
４７：デフォルト予測部
４８：意外性の評価値計算部

Claims

利用者に推薦候補についての情報を提供する情報推薦システムであって、
利用者の行動記録に基づいてその利用者の嗜好モデルを学習して記憶する嗜好モデル作成手段と、
複数の推薦候補について前記嗜好モデルに基づいて選択確率を計算して各推薦候補について当該利用者が選択する確率を表す評価リストを作成する評価リスト作成手段と、
利用者の行動記録に関する情報に基づいてその利用者の習慣性を特定し、この習慣性に基づいて、前記複数の推薦候補についてのデフォルト予測値を求めるデフォルト予測手段と、
前記選択確率から前記デフォルト予測値を引いた差が大きいほど意外性が高いとして前記評価リストの各推薦候補についてその差を意外性個別評価値として求めかつそれらの意外性個別評価値に基づいて前記評価リストの全体の意外性を表す意外性評価値を求める意外性評価値計算手段と、
前記意外性評価値計算手段によって求められた意外性個別評価値が比較的高い推薦候補が、前記評価リスト作成手段によって作成された評価リストの中で利用者が選択する確率が比較的高い推薦候補と合致する場合に当該推薦候補の優先度をさらに高める手段と、
を有することを特徴とする情報推薦システム。
推薦件数をＬとし、第ｉ位の推薦アイテムをｓ_ｉとし、ｓ_ｉの予測確率値をＰ（ｓ_ｉ）とし、デフォルト予測によるｓ_ｉの予測確率値をｄ（ｓ_ｉ）とし、利用者の興味に対するｓ_ｉの適合度合いをisrel（ｓ_ｉ）とするときに、
前記意外性評価値として、次の式

によって求められるunexpectednessを用いること、を特徴とする請求項１に記載の情報推薦システム。
推薦件数をＬとし、第ｉ位の推薦アイテムをｓ_ｉとし、ｓ_ｉの予測確率値をＰ（ｓ_ｉ）とし、デフォルト予測によるｓｉの予測確率値をｄ（ｓ_ｉ）とし、利用者の興味に対するｓ_ｉの適合度合いをisrel（ｓ_ｉ）とし、上位ｉ件以上の適合アイテム件数をcount（ｉ）とするときに、
前記意外性評価値計算手段によって求められた意外性評価値が比較的高い推薦候補が、前記評価リスト作成手段によって作成された評価リストの中で利用者が選択する確率が比較的高い推薦候補と合致する場合に当該推薦候補の優先度をさらに高めるために、意外性評価値として、次の式

によって求められるunexpectedness_rを用いること、を特徴とする請求項１に記載の情報推薦システム。
前記複数の推薦候補の中から前記意外性個別評価値が高い推薦候補を優先的に当該利用者に提示する提示手段をさらに有することを特徴とする請求項１ないし請求項３のいずれか一項に記載の情報推薦システム。
利用者に推薦候補についての情報を提供する情報推薦方法であって、
嗜好モデル作成手段が利用者の行動記録に基づいてその利用者の嗜好モデルを学習して記憶する嗜好モデル作成ステップと、
評価リスト作成手段が複数の推薦候補について前記嗜好モデルに基づいて選択確率を計算して各推薦候補について当該利用者が選択する確率を表す評価リストを作成する評価リスト作成ステップと、
デフォルト予測手段が利用者の行動記録に関する情報に基づいてその利用者の習慣性を特定し、この習慣性に基づいて、前記複数の推薦候補についてのデフォルト予測値を求めるデフォルト予測ステップと、
意外性評価値計算手段が前記選択確率から前記デフォルト予測値を引いた差が大きいほど意外性が高いとして前記評価リストの各推薦候補についてその差を意外性個別評価値として求めかつそれらの意外性個別評価値に基づいて前記評価リストの全体の意外性を表す意外性評価値を求める意外性評価値計算ステップと、
推薦アイテム決定手段が前記意外性評価値計算ステップで求められた意外性評価値が比較的高い推薦候補が、前記評価リスト作成手段によって作成された評価リストの中で利用者が選択する確率が比較的高い推薦候補と合致する場合に当該推薦候補の優先度をさらに高めるステップと、
を有することを特徴とする情報推薦方法。