JP5075132B2 - モバイルメディアプレーヤファイルに優先度を付けるためのシステムおよび方法 - Google Patents

Description

図面は本発明のある好適な実施例だけを描き、したがって、その権利範囲を制限するものではなく、好適な実施例は、ここに添付の図面を用いてのさらなる特徴および詳細を伴って説明されることが理解されよう。

以下の説明において、プログラミング、ソフトウェアモジュール、ユーザ選択、ネットワークトランザクション、データベースクエリー、データベース構造などのある特定の詳細は、本発明の特定の好適な実施例についての完全な理解のために提供される。しかしながら、当業者は、実施例が特定の１以上の詳細部分を用いることなく、または他の方法、コンポーネント、材料などを用いて行なうことができることを理解するであろう。

場合によっては、既知の構造、材料または動作についは、好適な実施例の特徴が覆い隠されるのを避けるために、詳細な図示や記載はなされない。さらに、記載された機能、構造または特徴は、さまざまな代替例での如何なる適当な手法によっても結合することができる。いくつかの実施例では、ここに説明された手順およびシステムは、ＰＣ、ラップトップ、ＰＤＡおよびあらゆる他のデスクトップまたはモバイル用電子デバイスで一般的に見受けられるマイクロプロセッサのタイプのような１以上のデジタルプロセッサを用いて、実行することができる。

モバイルメディアプレーヤファイルに優先度を付けるための方法およびシステムの実施例が開示される。本発明のある実施例は、モバイルメディアプレーヤからメディアアイテムのようなファイルを自動的に削除するためのシステムおよび方法を提供する。ある実施例では、モバイルメディアプレーヤ内のいずれのメディアアイテムが例えばユーザ嗜好データに基づいて削除されるべきであるかを推定するために、統計的手法が与えられる。これらのファイルの削除は、メディアプレーヤに置かれるべき新たなメディアアイテムのために空きスペースを提供する。１以上のユーザ嗜好パラメータ、意図された再生シナリオおよび／または明示的に指定されたユーザ選択は、必要とされるスペース制約に対応するために、最も高いものから最も低い削除優先度へアイテムをランク付けするために、結合される。

本発明のある実施例は、また、あるいは代替的に、モバイルメディアプレーヤをメディアアイテムで満たすための方法またはシステムを提供する。ある実施例では、自動充填動作は、一日の初めまたは旅行の前など、指定された時間および／または有効なイベントの前に自動的に実行することができる。予期されているイベントによって影響を受けるような場合、前記プレーヤにロードされる新たなメディアアイテムは、ユーザ嗜好に応じて選ぶことができる。システムホストサーバへのユーザ履歴データおよびコミュニティ嗜好データの最後の充填以降に前記デバイスに蓄積されたユーザ嗜好データの併合に基づいて、部分的に、前記新たなメディアアイテムが選択され、また前記デバイス上の現アイテムが削除されるかもしれない。

本発明に係るシステムの１実施例では、１以上のモバイルメディアプレーヤが提供される。各モバイルメディアプレーヤは、メディアアイテムプレイリストのメディアアイテムを再生するように構成される。プレイリスト修正コンポーネントが設けられ、該コンポーネントは、所定のユーザモバイルメディアプレーヤからメディアアイテムプレイリストを受信し、該モバイルメディアプレーヤに関連付けられたユーザ嗜好データを分析し、該ユーザ嗜好データを用いて前記メディアアイテムプレイリストを修正するように、構成することができる。ネットワークトランスミッションコンポーネントは、また、メディアアイテムを前記モバイルメディアプレーヤに転送し、修正されたメディアアイテムプレイリストに従って前記モバイルメディアプレーヤからメディアアイテムを削除するように、設けることができる。所望であるならば、前記修正されたメディアアイテムプレイリストは、また前記モバイルメディアプレーヤにダウンロードすることができる。

前記プレイリスト修正コンポーネントは、ユーザ嗜好データの分析に従って、前記メディアアイテムプレイリスト中の前記メディアアイテムをランク付けるように、構成することができる。そのような実施例では、前記ネットワークトランスミッションコンポーネントは、同様なランク付けに従って、また、前記モバイルメディアプレーヤからメディアアイテムを削除するように構成することができる。前記プレイリスト修正コンポーネントは、また、ユーザ嗜好データから１以上のプレイリストを作るように構成されたプレイリストビルダを含むことができる。前記プレイリストビルダは、ユーザ嗜好データから少なくとも一つのプレイリスト中のメディアアイテムをランク付けするように、構成することができる。プレイリスト中の前記メディアアイテムがそのようにランク付けされると、前記ネットワークトランスミッションコンポーネントは、それらのランク付けに従って前記モバイルメディアプレーヤにメディアアイテムをダウンロードするように、構成することができる。したがって、前記システムは、メディアアイテムを削除および／またはモバイルメディアプレーヤへの追加のためにランク付けすることができる。

ある実施例では、前記プレイリスト修正コンポーネントは、さらに、変更されたユーザ嗜好データを識別すべく、該ユーザ嗜好データを前の期間のユーザ嗜好データと比較するように、構成することができる。前記プレイリスト修正コンポーネントは、変更されたユーザ嗜好データを用いて、次に前記メディアアイテムプレイリストを修正することができる。

本発明に係る方法の一実施例では、メディアアイテムプレイリストは、モバイルメディアプレーヤから受信される。また、前記モバイルメディアプレーヤのユーザに関連するユーザ嗜好データが受信され、分析される。また、前記ユーザ嗜好データの分析から、お勧めのプレイリストを生成することができる。前記お勧めのプレイリストは、次に、メディアアイテムプレイリストと比較され、該メディアアイテムプレイリストとの比較を用いて修正される。この比較および修正は、例えば、すでにメディアアイテムプレイリスト上にある前記お勧めのプレイリストからのメディアアイテムの削除を伴うことができる。前記お勧めのプレイリスト中の前記メディアアイテムまたは前記お勧めのプレイリスト中の前記メディアアイテムのサブセットが次ぎにランク付けされる。このランク付けは、前記モバイルメディアプレーヤに最終的に転送されることになっているメディアアイテムの順を含むことができる。もちろん、これは、必ずしも、ランク付けされたリスト中のすべてのアイテムが転送されなければならないことを意味しているのではない。実際に、スペース制約、特殊なユーザ要求、その他は、ランク付けされたメディアアイテムのすべてよりも少ないものが転送されるべきであることを命じる。前記メディアアイテムプレイリスト中のメディアアイテムは、また、モバイルメディアプレーヤから削除されることになっている順でランク付けされるかもしれない。しかしながら、再び、これはすべてのランク付けされたすべてのアイテムが削除されることを必要とはしていない。１以上のメディアアイテムがそれらのランキングに従って次ぎに順に前記モバイルメディアプレーヤから削除されるかもしれず、１以上のメディアアイテムがそれらのランク付けに従って順に前記モバイルメディアプレーヤに転送されるかもしれない。

前記メディアアイテムプレイリストは、また、前記モバイルメディアプレーヤから削除されたメディアアイテムおよび前記モバイルメディアプレーヤに転送されたメディアアイテムを反映するように、修正される。前記修正されたメディアアイテムプレイリストは、次に、また前記モバイルメディアプレーヤに転送することができる。

ここで使用されているように、「ユーザへのお勧め」はユーザのコミュニティで統合されたモジュールであり、その主要な機能は、そのコミュニティの他のユーザにユーザ推薦することである。情報交換するコミュニティのユーザのために、該コミュニティに一組のアイテムがあるかもしれない。また、他のアイテムをユーザに推薦するアイテム推薦があるかもしれない。ここに述べられる具体化と関連して使われるかもしれないお勧めシステムの例は、発明の名称「メディアアイテムの入力セットに応答した新たなメディアアイテムを識別するための推薦システムおよび認識ベースメトリックス（Recommender System for Identifying a New Set of Media Items Responsive to an Input Set of Media Items and Knowledge Base Metrics）」米国特許出願番号第１１／３４６，８１８号明細書および名称「入力メディアセットに応答した新たなメディアアイテムの動的同定（Dynamic Identification of a New Set of Media Items Responsive to an Input Mediaset）」米国特許出願番号第１１／０４８，９５０号明細書に開示されており、両者は参照により、ここに組み込まれる。

ここに使用されているように、用語「メディアアイテム」は、如何なるメディアアイテムまたはメディアアイテムを表現するものをも包含することを意図している。メディアアイテムは、歌、映画、ピクチャ、eブック、新聞、テレビ／ラジオ番組のセグメント、ゲーム等々のデジタルメディアフォーマットで表されることができるどのようなタイプのメディアファイルをも包含することを意図している。したがって、用語「メディアデータアイテム」は、再生可能なメディアアイテムファイルを識別するメタデータ（例えば、ＭＰ３ファイルを識別するメタデータ)と同様に、例えば再生可能なメディアアイテムファイル（例えばＭＰ３ファイル）を包含することを意図する。よって、メディアアイテムを使用したプロセス、ステップまたはシステムを提供する如何なる実施例でも、そのプロセス、ステップまたはシステムはその代わりにメディアアイテム（メタデータなどの）の表現が使用され、逆もまた同様である。

モバイルメディアプレーヤからメディアアイテムを自動的に除去するための処理およびシステムの例が、次により詳しく議論されよう。一般に、モバイルメディアプレーヤにメディアアイテムを記憶するために使用可能なメモリは、管理を必要とする限りある資源である。新たなメディアアイテムをロードするとき、ユーザは、新たなメディアアイテムにスペースを空けるために、前記デバイス上で現在記憶されているメディアアイテムに上書きするか、さもなければこれを削除するかを頻繁に決めなければならない。デバイス上の前記メディアアイテムまたはデバイス上の前記メディアアイテムのサブセットのそれぞれがそれらを保持することについてのユーザの現在の興味の順に従って自動的に配列することができれば、新たなメディアアイテムをロードするための処理は、ユーザのために、促進されまた簡素化できる。既存のアイテムにランク付けがなされると、必要とされるスペース量または望ましい閾値のどちらかに達するまで、既存のアイテムは最も望ましくないものから最も望ましいものまでを自動的に削除することが可能となる。解放されたスペースは、次に新たなディアアイテムのローディングのために使用可能となる。モバイルメディアプレーヤにメディアアイテムを自動的に追加するための処理およびシステムの例が、以下に議論される。

統計的な回帰に基づいて空きスペースを推定する方法の例が、ここに記載されている。デバイス中の各アイテムに削除の確率を添えるために回帰モデルの例が導入される。ユーザ嗜好に敏感なモデルのパラメータを評価するための方法の例がその次に概説される。最後に、統計的な回帰値を使用するアイテム削除のための決定論的無作為スキームの例が説明される。

統計的な回帰によるモバイルデバイス中の空きスペースの推定：

モバイルデバイス中にメディアアイテムを記憶するために使用可能な全スペースがＳ_Ｔバイトであり、前記デバイス中のメモリが、次のスペースを必要とするアイテムｍ_１、ｍ_２…ｍ_Ｎを含むと仮定する。

Ｓ_U ＝ ｓ（ｍ₁ ） + s(ｍ₂ ) + … + s(ｍ_N )

タスクは、どのアイテムｍi1、ｍi2 … ｍiLを捨てるかを決定し、残存するアイテムによって使用されるスペースは、

Ｓ_R ＝ ｓ(ｍ₁)+...+ s(ｍ_i1 - 1) + s(ｍ_i1 + 1) +...+ s(ｍ_i2 - 1) + s(ｍ_i2 + 1)
+ …

であり、結果として生じるフリースペース

S_F ＝ Ｓ_T − Ｓ_R

が新しいアイテムのために使用可能なフリースペースである。

一般化線形回帰モデル：

これを行う１つのアプローチは、一般化の線形モデルによって標準の統計的な回帰を使う。サンプル例ｙi ＝ １がアイテムｍｉを削除し、ｙi ＝ ０がアイテムｍｉを保持することを意味するように、アイテムを削除する決定は、２進の確率変数yとして表される。我々は、yの値が測定可能な共変量Ｘ＝［ｘ₁, ｘ₂, …, ｘ_K ］のベクトルによって予想できると考えており、該共変量は2進である必要がない。

共変量Ｘは、確率的にｙを予想する。すなわち、

ここで、我々は、表記の便宜上、ｘ₀ ＝ １であり、Ｆ（ｘ）がＦ(-∞)＝０からＦ(∞)＝１まで単調な増加関数であると仮定する。共変量Ｘは、アイテム削除の確率を増減するユーザ嗜好を反映したアイテムの如何なる測定可能な特性であっても良い。

ｙが2進の確率変数であることを想起すると、次のように示すことができる。

これは、確率変数ｙが次式によって記述されると言うことと数学的に等しい。

ここで、εは累積分布Ｆ（ｙ）を持つ確率変数である。

線形モデルの多項一般化：

基本の線形モデルは、前記共変量ベクトルXを次の新しい非線形の共変量ベクトルで単に置換することにより、前記共変量の非線形関数中の線形モデルにさらに拡張することができる。

Ｘ' = [g1(Ｘ), g2(Ｘ), … , gL(Ｘ)] = Ｇ(Ｘ)

モデルの一般的な公式化であり、その結果、次式が得られる。

この非線形モデルは、パラメータベクトルβではなく、最適多項関数Ｇ（Ｘ）を求めようとすれば、解くのが非常に難しいかもしれない。Ｒ計算環境は一般化の線形モデルを解く上で、この非線形拡張を支持する。ここで、Ｇ（Ｘ）はベクトル多項式関数である。

モデルパラメータの概算：

最も一般的な場合、我々は演繹的にモデルパラメータのベクトルβを知ることはできず、代わりに、一組の例（ｙ1，ｘ1)，（ｙ2，Ｘ2)，…，（ｙN，ＸＮ）、N≫Mを与えられた推定値β′を導出する必要がある。一般的に、これは最尤法を使って行われ、該最尤法は、実際の適用で生じる特定の詳細を扱うために特定の数学的技法を含んでいる。しかし、パラメータベクトルβ′＝［β′_１，β′_２，…β′_ｋ］の推定値を導き出すために我々が使うことのできる一組の例（ｙ1，ｘ1)，（ｙ2，Ｘ2)，…，（ｙＮ，ＸＮ）があるということは、実際の適用でありそうにないかもしれない。代わりに、βのために、その場しのぎの値を指定するか、これらの値を得るための代替の方法を使わなければならない。一つの実用的な方法は、アイテムを保持または削除するためのインフォーマルな論理的な規則を定量化することである。

論理的表現の算術化：

一つの単純なアプローチは、変数Xが各メディアアイテム毎に計算できる一組のメトリックスＸのための値であること、およびアイテムが保持されるか削除されるかを決定するための前記メトリックスの規則を略式で記述する論理関数Γ（Ｘ）を我々が有することを仮定することである。ブール代数の標準的方法を使って、我々はΓ（Ｘ）を「積和の論理式」に変えることができる。

Γ（Ｘ） ＝ｚ_１（Ｘ）∨ｚ_２（Ｘ）∨ … ∨ｚ_ｋ（Ｘ）

ここで、各ｚ_ｉ（Ｘ）は前記メトリックスＸのいくつかのサブセットの倫理積である。例えば、

ｚ_１（Ｘ）＝ｘ_２∧ｘ_５∧ｘ_７

我々は、ブール関数Γ（Ｘ）を前記メトリックスＸの値Ｘに重み付けがなされた多項関数に平行移動（translate）することができる。

βＧ（Ｘ）＝β_１ｚ_１+β_２ｚ_２ + … + β_ｋｚ_ｋ −１／２

ここで、各ｚ_iは対応する論理積ｚ_iの前記メトリックスの前記値の結果であり、例えば、次のとおりである。

ｚ_１（Ｘ）＝ｘ_２ｘ_５ｘ_７

ブール関数Γ(Ｘ)のこの平行移動のための値β_ｉを選ぶために様々な方法がある。一方法は、各ｘ_iが境界を有し、負でない量であると我々が仮定すると、各β_ｉを対応する結果の前記メトリックスの値の上限の結果の逆数にすることである。例えば、次のとおりである。

β_ｉ ＝ １／[sup(x₂) sup(x₅) sup(x₇)]

この単調モデルは、否定論理変数のメトリック値を次のように表現することにより、否定論理変数¬ｘ_ｉを含むように拡張することができる。

〜x_i ＝ sup(x_i) - x_i

いくつかの例示メトリック（Metrics）：

ここで明らかにされているように、モデルは、コンポーネントとして、アイテムが保持されるべきかまたは削除されるべきかについて、予想的な如何なるメトリックをも含むことができる。予想的な共変量の一クラスは以下を含む一般的なメトリックである。

１）予期される再生総数Ｐによっておそらく標準化されたいずれかの時点での再生総数ｐ(t)（すなわち、ｐ(t)／Ｐ）

２）最近の再生割合 r(t) ＝ [p(t)-p(t-Δt)]／Δt

３）最近のスキップ割合 s(t) = [q(t)-q(t-Δt)]／Δt ここで、q(t)は視聴者（listener）がアイテムの再生を時期尚早に終了した回数である。

予想的な共変量の他のクラスは、アイテムiといくつかの対象の新しいアイテムj₁、j₂…、j_mとの間の類似性に基づく。１タイプの類似メトリックは、メタデータに基づく。我々が各アイテムのために一組のlメタデータアイテム（例えばジャンル、年、ラベル)を有し、アイテムiのためにメタデータアイテムの値をm_1i、m_2i…、m_liとして示すと仮定する。我々は、アイテムiおよびj間のメタデータ類似性を次のように定義することができる。

η(i, j) = msim(m_1i, m_1j) + msim(m_2i, m_2j) + ... + msim(m_li, m_lj)

ここで、関数msim(m_li, m_lj)は、m_liおよびm_ljが類似であると判断すれば、「１」に評価し、他の場合は「０」に評価する。アイテムiと、ある対象の新しいアイテムj₁，j₂…，j_mとが与えられると、我々は、前記モデルの他のコンポーネントに使うことができる。

４）ｑ平均メタデータ類似性η(i) = {[η(i, j₁)^q + η(i, j₂)^q + … + η(i, j_l)^q]/l}^1/q

なお、q=1，q→0，q=-1およびq→∞毎で、q平均は、算術平均、幾何平均、調和平均および最大値(基準)にそれぞれ減少する。さらに、一つは、類似性メトリックとして、最低値η(i、jl)をとることができた。

メタデータの類似性に加えて、アイテムi およびj 間に独立した類似平均0 ≦ μ(i,j) ≦ 1がある場合、次のとおり定義できる。

５）q平均関係類似度 μ(i) = {[μ(i, j₁)^q + μ(i, j₂)^q + … + μ(i, j_l)^q]/l}^1/q

最後に、Ｕ(i,j)にアイテムiのための類似性ベクトルμ(i, l)、l≠i、アイテムiのためのｊを表すと、我々は、Ｕ(i,j) およびＵ(j,i)間のコサイン類似度を次ぎのとおり定義することができる。

場合によっては、ベクトルＵ(i，j)およびＵ(j,i)の類似度で、新たなアイテムj₁，j₂，…，j_mのためにコンポーネント類似度μ(i，l)だけを含みたいことがある。これらのコンポーネント類似度ρ(i，j)を使うと、次のとおり定義することができる。

６）q平均コサイン類似度 ρ(i) ={[ρ(i、j₁)^q + ρ(i、j₂)^q +…+ρ(i、 j_l)^q]/l}^1/q

他のメトリックスと、アイテムの上の測定できるメトリックスを確率に統合するための技術とは、アイテムが保持されるべきであるか削除されるべきかについて、略式に記述する論理的機能Γ(Ｘ)の算術化に関係しているそれらを含み、また、ここに説明されるように、アイテムが保持されるべきか削除されるべきであるという見込みを推定するための方法の趣旨の範囲内にある。

アイテム削除方法：

一旦、係数ベクトルβが得られると、２つの方法の一方で、どのアイテムを削除するかを決定することができる。

削除の決定：

決定論的アプローチで、アイテムｍ₁を削除するかどうかについての実際の決定ｄ_i は、予測されたＥ{ y_i | Ｘ_i, β} = Ｆ(βＸ_i)で、次によって決定される。

/1 ユーザが削除されるべきアイテムであると指定する。
|

d_i =< 0 ユーザが保持されるべきアイテムであると指定する。

＼１ その他Ｅ{ y_i | Ｘ_i, β}>Ｂの場合

ここで、Ｘ_iはアイテムｍ_ｉの測定されたファクタベクトルであり、しきい値０≦Ｂ≦１は、アイテムを保持するための望ましさのしきい値であり、あるいは結果として生じる空きスペースＳ_fが外部的に強要されるかもしれない他のスペース要件をも満たすに十分に大きくなるように、選ばれる。

無作為の削除

無作為のアプローチは、２進の確率変数y_iを直接使う。すなわち、アイテムｍ₁を削除する決定ｄ_iは確率変数である。

/ 1 ユーザは、アイテムが削除されるべきであると指定する。
|

ｄ_i =<０ ユーザは、アイテムが保持されているべきであると指定する。
|

＼yi その他

ここで、Pr{ y_i =1 | Ｘ_i} = F(βＸ_i)である。所定のＦ(βＸ_i)は、必要とされる２進分布Pr{ yi =1}およびPr{ yi =0}によって２進の確率変数ｙ_iのサンプル例を発生させるために標準の計算技法を使用することができる。

削除がランダム処理であるので、結果的に生じる空きスペースＳ_fの値は、またこのアプローチにおいて確率変数である。結果的に生じる空きスペースＳ_f≧Ｓ_fの量が所望された目標を満たすことは、決定のためのアプローチがより複雑になるかもしれない。これは、以下のサンプル例のベクトルを生成することによって処理することができ、

Y⁽ⁿ⁾ = [y₁, y₂, ... , y_N]

このサンプル例のベクトルは、指示された削除を行い、また結果として生じている空きスペースＳ_fを評価する。必要条件Ｓ_f≧Ｓ_f を満たすまで、前記プロセスは繰り返される。これに代えて、特定の例Y(m)によって指定された削除が、必要条件Ｓ_f≧Ｓ_f を満たすに十分な空きスペースを結果として生じるまで、削除せずに人が逐次サンプル例Y(1)、Y(2)…のベクトルを生成することができる。

上記したところは、新たなメディアアイテムのためのモバイルプレーヤデバイス上の空いている格納スペースのためにユーザ嗜好に基づいて前記モバイルプレーヤ上のメディアアイテムを理にかなって削除するための方法およびシステムを示す。前記デバイス上の各メディアアイテムｍ_iが削除されるべきであるかどうかについて確率的決定ｙ_iに達するために、いくつかの実施例は、ユーザ嗜好優先のためのメトリックスである予言的な共変量Xi =[x1、 x2、 ...、 xK]を使う。共変量Ｘ_iは、ユーザ共同体（community of user）から前記システムホストによって該システムホストに集められ、保持されたコミュニティ嗜好測定と同様に、前記モバイルプレーヤから前記システムホストにアップロードされたローカルな嗜好データのメトリックスを含むことができる。同様に、前記方法は、前記モバイルデバイスに組み入れられて、前記システムホストによって前記モバイルデバイスに供給されるメトリックスにより実行され、あるいは前記システムホストに存在することができ、また最終的な削除決定が前記モバイルデバイスに伝送される。

モバイルメディアプレーヤからメディアアイテムを自動消去する方法の例は、図1のフローチャートに示されている。当該図に示されているように、メディアアイテムプレイデータは、ステップ５０２でモバイルメディアプレーヤに記録される。次に、ユーザは、ステップ５０４で、新たなメディアアイテムのダウンロードおよび／または前記デバイスの空きスペース作成のための要求をする。ステップ５０６で示されているように、次に、前記デバイス上のメディアアイテムは、割り当てられた確率値に基づいて配列される。次に、アイテムを削除する処理がステップ５０８で始まり、リストにある最も高いランク（または、配列構造に応じて、最も低いランク）に配列されたメディアアイテムから開始される。一つのメディアアイテムが削除された時点で、前記システムは、ステップ５１２で閾値に達しているかどうかを確かめるためにチェックすることができる。閾値に達すると、このシーケンスは終了する。閾値に達していなければ、ステップ５１０で示されているように、前記デバイス上の要求されたスペースが使用可能であるかどうかについてチェックされる。要求されたスペースがまだ空いていなければ、前記リストにある次のアイテムが削除される。空いていれば、前記シーケンスは終了する。

確率計算処理の例が図２のフローチャートで示されている。該図に示されているように、ステップ５１４で確率モデルが選択される。次に、ステップ５１６で示されているように、共変量係数ベクトルを決定するために、ローカルメトリックスおよび／またはコミュニティメトリックスが適用される。次に、ステップ５１８で、モバイルメディアプレーヤの各メディアアイテムに削除値の確率が割り当てられる。次に、ステップ５２０で、前記削除値が先に記載した前記削除方法に適用される。

モバイルメディアプレーヤからメディアアイテムを自動消去するための方法の他の例が図３のフローチャートに示されている。該図に示されているように、メディアアイテムプレイデータは、ステップ６０２で、モバイルメディアプレーヤに記録される。ユーザは、ステップ６０４で、次に、新たなメディアアイテムをダウンロードしおよび／またはデバイスの空きスペースを作成する要求をする。モバイルメディアプレーヤへのメディアアイテムまたはメディアアイテムのサブセットのそれぞれの削除のための確率値は、次にステップ６０６でアクセスされる。次に、計算された確率に基づいてアイテムを任意に削除する処理は、ステップ６０８で始まる。前記システムは、メディアアイテムが削除される毎に、閾値に達しているかどうかを確かめるために、ステップ６１２でチェックする。閾値に達すると、このシーケンスは終了する。閾値に達していなければ、ステップ６１０で示されているように、前記デバイス上の要求されたスペースが使用可能であるかどうかについてチェックされる。要求されたスペースがまだ空いていなければ、前記リストにある次のアイテムが削除される。空いていれば、前記シーケンスは終了する。

モバイルメディアプレーヤの自動充填のための方法を次により詳しく説明する。
一実施例では、多数のモバイルメディアのそれぞれは、中央サーバまたはその他にアクセスできる。各ユーザは、先ず、ソフトウェアを得て、ローカルなコンピュータ上にインストールすることができる。各ユーザは、前記サーバにまた嗜好データを前もって提供することができる。

上記した初期設定の後、ユーザは、一般に、ホストサーバにアクセスするためにネットワーク化されたコンピュータにメディアプレーヤを接続することにより、前記ホストサーバと各自のメディアプレーヤとの間の交信を開始することができる。ユーザは、自動充填処理を開始するために、次に「開始」コマンドを出すことができる。これに代えて、前記システムは、メディアプレーヤとの接続で自動的に処理を起動するように構成することができる。いくつかのバージョンでは、このステップは、前記モバイルデバイスからの、再生回数、再生順序、メディアアイテムの人気度など、ローカルユーザの嗜好データの検索を含むこともできる。ユーザ嗜好データのさらに他の例は、本明細書の他の箇所に開示されている。

いくつかのバージョンでは、前記モバイルデバイス上の現メディアアイテムのリストが、また前記ホストサーバに転送されるかもしれない。前記ホストサーバは、次に、前記ユーザ嗜好データを独立したプレイリストビルダシステムに供給するかもしれず、該プレイリストビルダシステムは、前記ユーザ嗜好に応じたメディアアイテムのプレイリストを前記ホストサーバに提供するために、前記モバイルデバイスから検索されたユーザ嗜好データ、ユーザ嗜好履歴データおよび／またはメディアアイテムリストを使うことができる。これらのプレイリストは、ユーザが利用できかつプレイリストビルダシステムに知られている如何なるメディアライブラリ中のメディアアイテムをも含むことができる。一般に、これらのライブラリは、ユーザにライセンスされ、ユーザによるアクセスのためにサーバ上に記憶されたメディアアイテムを含むであろう。

前記ホストサーバが前記プレイリストの供給を受けると、（このリストが以前に検索されていなければ）前記ホストサーバは、前記モバイルデバイス上の現メディアアイテムのリストを検索する。前記デバイス上にロードされる新たなメディアアイテムのリストは、新たなメディアアイテムを適応させるために前記デバイス上にどれくらいスペースが解放されなければならないか、そしてどのメディアアイテムが削除されるべきであるかを決定するために、前記デバイス上で現メディアアイテムのリストと調整される。外すために選ばれたメディアアイテムが削除された後、新たなメディアアイテムが前記デバイス上にロードされる。

前述のステップは、さらなる明示的なユーザ介入なしで反復的に無限に実行することができるが、ユーザは、時々、自動充填動作を変更するためにユーザ嗜好を調整したいかもしれない。例えば、ユーザは、「削除しない」または「常に削除する」というような、前記デバイスに記憶されたあるメディアアイテムをマーク付けるための指示など、特殊なユーザ指示を提供することを望むかもしれない。あるいは、ユーザは、「ランニング」、「夕食」または「仕事」向けのメディアアイテムの選択やそのメディアアイテムのジャンルを要求する形式のような、特定の活動に関連した追加のユーザ嗜好データの提供を望むかもしれない。また、他の例として、ユーザは、来るべき期日やイベントに伴うメディアアイテムの選択やそのメディアアイテムのジャンルに関連した一時的な嗜好データの提供を望むかもしれない。

先に示したように、前記システムのいくつかの実施例では、前記ホストサーバは、該ホストサーバからの問合せ（query）に応答してユーザより与えられた嗜好に基づいたプレイリストを自動的に生成するプレイリストビルダシステムにアクセスできると仮定して構成されるかもしれない。当業者に知られているそのようなシステムのある例は、名称が「自動プレイリストジェネレータ（Auto Playlist Generator）」の米国特許第６，９９３，５３２号および名称が「動的プレイリストの作成システムおよび方法（System and Method for Creating Dynamic Playlists）」の米国特許第６，５２６，４１１号を含む。更なる例は、名称が「関連ディスカバリーエンジン（Relationship Discovery Engine）」の米国特許出願公開第2002/0082901号、名称が「複数の種歌を持つオートプレイリスト生成（Auto Playlist Generation with Multiple Seed Songs）」の米国特許出願公開第2003/0221541号および名称が「メディア内容の選択、特性記述および自動配列（Systems for and Methods of Selection, Characterization and Automated Sequencing of Media Content）」の米国特許出願公開第2005/0235811号に見ることができる。前述の各特許および特許出願公開は、参照によってここに含まれる。好適な実施例では、プレイリストビルダは、複数の形式、例えば以下の1つ以上の形式でユーザ嗜好データを受け入れるであろう。

１. タグ：タグは対象物とは別であるがこれに関連する情報の部分である。自由に選ばれたキーワードを使っての共同分類の実行で、タグは、個人がオブジェクトに割り当てる記述子である。

２. メディアアイテムまたはメディアアイテムリスト：モバイルデバイスに転送されるアイテムと同じタイプであるトラック、映画などのリストである。

３. 特殊なアイテムリスト：例えば、ユーザが明確に禁止するアイテム、ユーザフィードバックを用いた知的なシステムが暗黙裡に禁止するアイテム、前記デバイス上にあることをユーザが明確に要求するアイテムである。

４． メタデータ：アイテムを分類するために該アイテムに規則的に関連付けられるテキストベースのデータ（例えば、ジャンル、年、購入日）である。

５． 格付け（Ratings）：アイテムの品質を判断するユーザ定義の値である。

６． イベント：カレンダ（例えばYahoo（登録商標） カレンダ）から推定できる時間ベースの特徴である。

７． 掘り出し能力: ユーザのプレイの流れの非一般的な内容のユーザ嗜好を示すユーザ定義の値である。

８． プレイモデル：ユーザが飽きるまでメディアアイテムを再生する回数、アイテム毎の時間全体での予想されるユーザ再生回数プロフィールおよび／または別のものに切り換える前にユーザが再生するプレイリストまたはメディアアイテムのパーセンテージなど、ユーザのアイテム再生習性のモデルである。

９． プレイの流れ：終わりまで再生され、スキップされ、再始動されおよび／または削除されたアイテムなどの統計を含むメディアプレーヤインタラクションのタイムスタンプを押された記録である。

１０． 再生カウント：メディアアイテムが所定期間の間に再生された回数である。

１１． 時間データ：一日の時刻または週の曜日のような時間例またはイベントに暗黙裡にあるいは明確に関連した嗜好である。

１２． 登録された影響：所望の見聞（例えば友人の趣味、DJのような専門家によって明示されたメディアアイテム、その他）を定義するのに役立つユーザ定義の外部嗜好入力である。

１３． 環境騒音：前記デバイスにより感知されるユーザ環境騒音レベルである。

１４． 発見価値：ユーザによって再生されたことはないが、メディア消費経験を受けるかもしれないメディアアイテムを示すためのユーザ定義の値である。

１５． 再発見値：最近ではユーザが再生していないが、メディア消費経験を受けるかもしれないメディアアイテムを示すためのユーザ定義の値である。

問合せに呼応して、プレイリストビルダシステムによって生成された１つ以上のプレイリストを与えられると、前記ホストサーバは、次に、それらのプレイリストに含められるメディアアイテムのセットを決定し、自動充填処理を実行することができ、その例が図４に示されている。自動充填処理の開始７０２は、前記ホストサーバへの前記モバイルデバイスの接続やユーザからの明確な「開始」表示の受信のような、単一のユーザ行為に応じることができる。プレイリストビルダは、次に、ユーザ嗜好データ７２０を受け取り、ステップ７０４で示されているように、１つ以上のプレイリストを生成するために、前記データを使うことができる。

一旦、１または複数のプレイリストが提供されると、前記ホストサーバは、７０６で、それらのプレイリストのメディアアイテムのセット を列挙し、次に、７０８で、 前記デバイス上で現メディアアイテムのセットと前記メディアアイテムのセットとを調和させる。前記ホストは、新たなメディアアイテムのいずれが既に前記デバイス上にあるか、またそれらをロードされるアイテムのリストから削除するかを決定する。ある実施例では、これらのメディアアイテムは、また削除の考慮から外されるかもしれない。前記ホストサーバは、次に、それらがプレイリストビルダシステムに供給されたユーザ嗜好データとの適合性に基づいて削除されるべき確率に関して前記デバイス上にメディアアイテムを効果的に配列するための方法を使うかもしれない。このランク付けは、次に、前記デバイス上にロードされるメディアアイテムを選ぶために使われる。前記ホストサーバは、また、それらがプレーヤから削除されるべき確率について、類似の方法でメディアアイテムを配列するかもしれない。

新たなメディアアイテムのためにランク付け情報を使って、前記ホストサーバは、ステップ７１０で示されているように、それが新たなメディアアイテムのリストからロードされるべきであるという最も高い確率によってアイテムを選ぶことができる。次に、以下で説明する方法を使い、前記新たなアイテムに最適となる十分なスペースが利用できるようになるまで、アイテムはメディアプレーヤからステップ７１２で削除され、その後、メディアアイテムはステップ７１４で前記メデイアプレーヤにロードされる。この選択７１０、削除７１２およびロード７１４の処理は、例えば、ステップ７１６で示されているように、自動充填動作のための有効時間が期限切れになるまで、ステップ７１８で示されているように、前記デバイス上のすべてのアイテムが削除されまで、あるいはステップ７２２で示されているように、メディアアイテムの新しいセット全体がデバイスの上にロードされるまで、繰り返される。代わりに、ロード処理にタイムリミットがない状況下では、削除処理７１２は、前記デバイス容量に適合するであろう新たなアイテムだけ、あるいは予め選ばれたアイテム数が適合するに十分なスペースを解放するために、前記デバイスから十分なアイテムを削除するかもしれない。ユーザは、また、メモリの特定のサブセットが新たなアイテムのために使われ、そのスペース量を解放することを指示することができる。ロード処理７１４は、次に、ただ一つの操作で前記デバイス上の利用可能なスペースが許す限り多数の新たなメディアアイテムをロードすることができる。

最後に、また、プレイリストをダウンロードするメディアプレーヤのために、ステップ７２４および７２６でそれぞれ示されているように、一つまたは複数のプレイリストは、ロードされなかった新しいアイテムが前記プレイリストから削除されるように編集され、次に前記プレイリストが前記デバイス上にロードされる。

いくつかの実施例では、メディアアイテムは、前記新たなメディアアイテムを適応させるに十分な記憶スペースをメディアプレーヤから解放するために無作為に選ばれて、削除されるかもしれない。他の実施例では、プレーヤの現メディアアイテムは、それらが、前記デバイス上にロードされる新たなメディアアイテムのプレイリストを生成するために使われた基準を用いて、どれほど適合性があるかに関してランク付けされるかもしれない。これらのメディアアイテムは、その時、そのランク付けに基づいて、優先的に削除されるかもしれない。同じ処理は、また、最も望ましいアイテムが最初にロードされるように、新たなメディアアイテムの逆のランク付けを提供するためのプレイリストアイテムに適用することができる。例えば時間あるいはスペース制限のために、このように、新たなメディアアイテムのセット全体をロードすることができない場合に、新たなアイテムの最も望ましい部分集合（subset）がロードされるであろう。

先に説明したように、ユーザ嗜好のメトリックスに基づいてプレーヤのどのメディアアイテムが削除されるべきであるかを推定する統計的手法を適用することができる。前記方法は、アイテムがアイテムメトリックスＸのｎベクトルに見合う計算された値Ｘで削除（ｙ＝１）されるべきであるという二者択一ｙの条件つき確率をモデル化するかもしれない。

Ｐｒ{ｙ＝１ | Ｘ ＝ [ｘ₁, ｘ₂, ..., ｘ_K]} ＝ F(βＧ(Ｘ))

ここで、G（Ｘ）は前記メトリックスの非線形関数のｍベクトルであり、βはG（Ｘ）のコンポーネントをスカラ値に線形に統合するためのｍベクトルの加重値である。コンポーネント関数Ｇ（Ｘ）は、そのような決定変数yが次のような一般化された線形モデルの特定タイプを有する関数の特定のクラスによるものである。

ｙ ＝ Ｆ(βＧ(Ｘ)) ＋ ε

ここで、Ｆ（Ｘ）は、（−∞，∞）を間隔（０，１）にマッピングする単調、非減少「リンク」関数であり、εは、（自動削除処理はεの分布に関係なく動作するが、）適切な分布を持つと仮定される0平均確率変数である。

指定されたＦ（Ｘ）、βおよびＧ（Ｘ）が与えられると、前記ホストサーバは、削除候補のメデイアアイテムおよびロードされるべき新たなアイテムをアイテム毎の最初の計算Ｆ（βＧ（ＳＸ））により、両方のセットで、前記プレーヤ上でランク付する。Ｆ（Ｘ）の共通の選択子はロジスティック関数である。

Ｆ(ｘ) ＝ １／(１＋ ｅ-^x)

Ｆ（Ｘ）が単調非減少関数であるから、２つのアイテムのための値Ｆ（βＧ（Ｘ））が同一でありかつそれらのアイテムのためのβＧ（Ｘ）の値が異なるとき、最初のラウンドタイブレーカ（round tie-breakers）として値βＧ（Ｘ）を用いて、計算された値Ｆ（βＧ（Ｘ））によってアイテムをランク付けできることは高く評価されるべきである。Ｆ（βＧ（Ｘ））とβＧ（Ｘ）の値との両方が２つのアイテムで一致するとき、無作為の選択を含む如何なる好適な方法をも、他の前に一方をランク付けするために使うことができる。このように、Ｆ（βＧ（Ｘ））値によるセット中のメディアアイテムのランク付けは、値βＧ（Ｘ）によるそれらアイテムのランク付けと同一に見られ、後者は前記計算されたメトリクスに明示的にリンクされたランキングである。

前記メトリックスＸ＝[x_１，...， x_ｋ]を計算するための他の方法は、アイテムが、プレイリストビルダに関する議論で上述したような一組のアイテム属性a_１，a_２…，ａ_ｋ、および０（強い優先）と１（弱い優先）との間で変動する一組の優先値ｐ_１，ｐ_２，…，ｐ_ｋに基づいて、ランクを付けられると推測される。アイテムが満たす属性a_ｋの程度は、次のように計算することができる。

ｘ_k ＝ ｈ(ａ_ｋ)[１００ − ９０ｐ_ｋ] ＋ (１−ｈ(ａ_ｋ))ｕ(ｐ_ｋ)

ここで、前記アイテムが属性ａ_ｋを有していればｈ(ａ_ｋ) ＝ 1 であり、それ以外であればｈ(ａ_ｋ)＝ ０ であり、またｐ_ｋ＝０であれば、ｕ(ｐ_ｋ)＝０であり、それ以外であれば、ｕ(ｐ_ｋ)＝５である。前記デバイス上のメディアアイテムは、その時、削除可能性の次の値によって配列（ranked）される。

同様に、新たなアイテムは同じ値に従って逆にランク付けされるかもしれない。

調停処理７０８の間の前記デバイス上のメディアアイテムの配列は、アイテムが削除されるであろう相対的な確率を定める。削除処理７１２では、アイテムは、例えばここに説明された方法によって決定論的または確率論的方式で実際に削除される。削除のために使われた前記決定論的および確率論的な方法は、また、自動充填動作の繰り返しでのユーザ経験の多様性を増大させるために、新しいアイテムのセットからアイテムを連続的に選択するための処理７１２に適用することができる。

上記の説明は、その好適な実施例を含む本発明を十分に開示する。さらなる詳述なしに、当業者は前記した説明によって本発明をその最大限まで利用することができると信じる。したがって、ここに開示された例や実施例は、単に説明のためと解釈されるべきであり、如何なる点においても本発明の範囲を制限するものではない。

本発明の基本的な原理から逸脱することなく上記で説明された実施例の細部にまで多くの変更を加えることができることは当業者にとって明らかであろう。したがって、本発明は開示された特定の実施例に制限されず、変更や他の実施例が添付の請求項の範囲内に含まれることを意図していることが理解されるであろう。

本発明の範囲は、したがって、ここに添付の請求項によってのみ決められるべきである。

モバイル用メディアプレーヤからメディアアイテムを自動的に削除する方法の一実施例のフローチャートである。 確率計算処理の一実行例を示すフローチャートである。 モバイル用メディアプレーヤからメディアアイテムを自動的に削除する方法の他の実施例を示すフローチャートである。 モバイル用メディアプレーヤからメディアアイテムを自動的に削除し、また当該プレーヤに新たなメディアアイテムを選択し追加する方法の一実施例を示すフローチャートである。

Claims (10)

1. メディアアイテムを自動的に選択してコンピュータからモバイルメディアプレーヤデバイスへと書き込み、及び前記モバイルメディアプレーヤのプレイリストを修正するための方法であって、
   モバイルメディアプレーヤのユーザに関連するユーザ嗜好データを受信することと、
   前記ユーザ嗜好データからお勧めのプレイリストを生成することと、
   前記ユーザ嗜好データに応じて前記お勧めのプレイリスト内の前記メディアアイテムをランク付けすることと、
   新しいメディアアイテムを格納するために、前記モバイルメディアプレーヤの記憶装置において利用可能な記憶容量を判定することと、
   前記モバイルメディアプレーヤの前記記憶装置から、前記利用可能な記憶容量と合わせて、前記お勧めのプレイリスト内のメディアアイテムのうち最も高いランクが付けられた所望の数のメディアアイテムを格納するのに十分となる量の記憶容量を空けるために必要なだけのメディアアイテムを、ユーザ嗜好に従って削除することと、
   前記お勧めのプレイリスト内の最も高いランクが付けられた前記所望の数のメディアアイテムを、前記モバイルメディアプレーヤの前記記憶装置へとダウンロードすることと、
   を含む方法。
2. 前記お勧めのプレイリスト内の最も高いランクが付けられた前記所望の数のメディアアイテムを、前記モバイルメディアプレーヤの前記記憶装置へとダウンロードすることは、前記お勧めのプレイリスト内の前記メディアアイテムのうち最も高くランク付けされたものから開始する、請求項１に記載の方法。
3. 前記ユーザ嗜好データは、メディアアイテムのプレイリスト中の１以上のメディアアイテム毎の再生総回数を示すメトリックと、メディアアイテムのプレイリスト中の１以上のメディアアイテム毎の最近の再生率を示すメトリックと、メディアアイテムのプレイリスト中の１以上のメディアアイテム毎の最近のスキップ率を示すメトリックとの少なくとも１つを含む、請求項１又は２に記載の方法。
4. 前記モバイルメディアプレーヤからメディアアイテムのプレイリストを受信することをさらに含み、
   前記モバイルメディアプレーヤの前記記憶装置から、前記利用可能な記憶容量と合わせて、前記お勧めのプレイリスト内のメディアアイテムのうち最も高いランクが付けられた前記所望の数のメディアアイテムを格納するのに十分となる量の記憶容量を空けるために必要なだけのメディアアイテムを削除することは、
   ユーザの介入なしに、前記ユーザ嗜好データに基づいて、前記メディアアイテムのプレイリスト内の少なくとも１つのメディアアイテムを削除のために自動的に選択することと、
   前記モバイルメディアプレーヤの前記記憶装置から、削除のために選択された前記少なくとも１つのメディアアイテムを自動的に削除することと、
   を含む、請求項１乃至３の何れか１項に記載の方法。
5. 前記メディアアイテムのプレイリスト内の前記少なくとも１つのメディアアイテムを削除のために自動的に選択することは、
   前記ユーザ嗜好データに基づくユーザ嗜好に従って、前記メディアアイテムのプレイリスト内の前記メディアアイテムをランク付けすることと、
   前記メディアアイテムのプレイリスト内の最も低いランクが付けられた少なくとも１つのメディアアイテムを削除のために自動的に選択することと、
   を含む、請求項４に記載の方法。
6. 前記モバイルメディアプレーヤの前記記憶装置から、削除のために選択された前記少なくとも１つのメディアアイテムを自動的に削除することは、前記メディアアイテムのプレイリスト内の前記メディアアイテムのうち最も低いランクが付けられたものから開始して、前記モバイルメディアプレーヤの前記記憶装置から最も低いランクが付けられた前記少なくとも１つのメディアアイテムを削除することを含む、請求項５に記載の方法。
7. 前記メディアアイテムのプレイリスト内の前記メディアアイテムのうち前記最も低いランクが付けられたものから開始して、前記モバイルメディアプレーヤの前記記憶装置から最も低いランクが付けられた前記少なくとも１つのメディアアイテムを削除することは、前記ユーザによって保持するようにマークされたメディアアイテムが前記モバイルメディアプレーヤの前記記憶装置に記憶されたままとなるように、当該マークされたメディアアイテムをスキップすることを含むことを特徴とする、請求項６に記載の方法。
8. 前記お勧めのプレイリスト内の最も高いランクが付けられた前記所望の数のメディアアイテムを格納するのに必要な記憶容量を判定することをさらに含み、
   前記モバイルメディアプレーヤの前記記憶装置から、前記利用可能な記憶容量と合わせて、前記お勧めのプレイリスト内のメディアアイテムのうち最も高いランクが付けられた前記所望の数のメディアアイテムを格納するのに十分となる量の記憶容量を空けるために必要なだけのメディアアイテムを削除することは、
   前記お勧めのプレイリスト内の最も高いランクが付けられた前記所望の数のメディアアイテムを格納するのに必要な記憶容量と、前記モバイルメディアプレーヤの前記記憶装置の利用可能な記憶容量とを比較することと、
   前記お勧めのプレイリスト内の最も高いランクが付けられた前記所望の数のメディアアイテムを格納するのに必要な記憶容量が、前記利用可能な記憶容量を超える場合、最も高いランクが付けられた前記所望の数のメディアアイテムのためのスペースを空けるために、前記モバイルメディアプレーヤの前記記憶装置からメディアアイテムを削除することと、
   を含む、請求項１に記載の方法。
9. 複数のメディアファイルを有する中央コンピュータと、モバイルメディアプレーヤとを含むシステムであって、
   前記システムは、メディアアイテムを自動的に選択してコンピュータからモバイルメディアプレーヤデバイスへと書き込み、及び前記モバイルメディアプレーヤのプレイリストを修正するように構成され、
   前記システムは、
   モバイルメディアプレーヤのユーザに関連するユーザ嗜好データを受信することと、
   前記ユーザ嗜好データからお勧めのプレイリストを生成することと、
   前記ユーザ嗜好データに応じて前記お勧めのプレイリスト内の前記メディアアイテムをランク付けすることと、
   新しいメディアアイテムを格納するために、前記モバイルメディアプレーヤの記憶装置において利用可能な記憶容量を判定することと、
   前記モバイルメディアプレーヤの前記記憶装置から、前記利用可能な記憶容量と合わせて、前記お勧めのプレイリスト内のメディアアイテムのうち最も高いランクが付けられた所望の数のメディアアイテムを格納するのに十分となる量の記憶容量を空けるために必要なだけのメディアアイテムを、ユーザ嗜好に従って削除することと、
   前記お勧めのプレイリスト内の最も高いランクが付けられた前記所望の数のメディアアイテムを、前記モバイルメディアプレーヤの前記記憶装置へとダウンロードすることと、
   を実行するように構成されている、システム。
10. 請求項１乃至８の何れか１項に記載の方法の各工程を実行するためのコンピュータ読み取り可能な命令を格納する媒体。

Images