JP5078674B2 - 分析システム、情報処理装置、アクティビティ分析方法、およびプログラム - Google Patents

Description

本発明は、ネットワークを使用するユーザの特徴付けに関し、より詳細には、情報を相互に伝搬するネットワーク・ノードの情報伝播における特性を使用して、ユーザの分析を行う、分析システム、情報処理装置、アクティビティ分析方法、およびプログラムに関する。

近年、コンピュータ、通信装置などの処理能力の向上に伴い、インターネットやＷＡＮ(Wide Area Network)などのネットワークを介して情報通信が行われている。ネットワークは、クライアント・コンピュータ（以下単に、クライアントとして参照する。）と、サーバ・コンピュータ（以下単にサーバとして参照する。）を含んで構成されており、クライアントおよびサーバがネットワーク・ノードを構成している。

クライアントは、ユーザを固有に識別するためのユーザＩＤにより特定されるユーザにより操作される。ユーザは、ネットワークを介してサーバに対して各種の要求を送付し、サーバによる処理結果を受領して、テキスト、イメージ、動画データ、音声データ、マルティメディア・データなど、種々のコンテンツを含む情報を、サーバに登録し、またサーバから取得して、各種の処理、例えば、検索、商品購買、投稿、チャット、ブログ(Weblog)のアップデートなどを含む行動をサーバから提供されるＳＮＳ(Social Network Service)を介して行っている。

サーバがユーザに対してＳＮＳ機能を提供している場合、ユーザはクライアントを介してブログに日記を書く、他人のブログを読むなどのアクションを通じて、情報の受発信を行っている。以下、「情報の発信」とは、サーバに対して情報をアップロードすることを意味し、「情報の受信」とは、サーバからの情報の取得を意味する。

一般的には、ユーザがネットワークに対して行うアクティビティは、ユーザのネットワークに対する嗜好性、目的、アクセス態様に応じて異なるものということができる。例えば、特定のクライアントは、ブログ・システムに対して毎日のように日記をアップロードする。また、他のクライアントは、日記をアップロードするのではなく、すでに登録された情報に対してコメントや投稿などを行うアクティビティを有している。また、さらに他のクライアントは、専ら情報検索のみを行い、情報をダウンロードするアクティビティを有する。これら、ネットワークに対してアクティビティの異なるクライアントは、ネットワークに対する要求も異なることが考えられる。

これまで、ネットワークを伝搬する情報を検出するシステムについて検討されており、例えば、特開２００６−２５９８０１号公報（特許文献１）では、自発的な参加に伴う組織、コミュニティ、電子掲示板、メーリングリストなど、クライアントが任意参加でき、あらかじめクライアントが規定されていない「インフォーマル」なネットワーク要素で伝搬される情報を管理する、情報利用状況分析表示装置を開示している。

特許文献１に開示された情報利用状況分析表示装置は、クライアントが任意的に参加することができるネットワーク要素内で伝搬される情報と、当該ネットワーク要素外で伝搬される情報の利用状況を検出し、ネットワークの構成要素による情報の利用状況を表示することで、インフォーマルなネットワーク要素を経営資源として利用可能とするものである。

また、特開２００７−２６４７１８号公報（特許文献２）では、ユーザの回覧したファイル間で伝搬している語から、ユーザの興味の対象をリアルタイムに推定する技術を開示している。特許文献２では、ユーザが回覧したファイルの履歴からファイルに含まれる複数の語を取得し、伝搬する語のファイル内における出現の程度を示すＩＤＦ値を求め、ユーザの興味の変化をリアルタイムに推定するものである。

さらに、特開平５−２３３７１９号公報（特許文献３）では、情報間の関連性を、特徴表現文と、各情報の発生時刻データとを使用して関連度を計算することにより関連付ける技術を開示する。
特開２００６−２５９８０１号公報 特開２００７−２６４７１８号公報 特開平５−２３３７１９号公報

特許文献１では、ネットワーク要素を介して伝搬される情報を利用する構成要素による情報の利用状況を取得することにより、インフォーマルなネットワーク構成要素に含まれるユーザなどについての情報を取得するものである。ユーザ間での情報の伝搬を分析すれば、情報の伝搬経路をトレースすることは可能となる。しかしながら、ユーザのネットワークでの情報伝播を使用して当該ユーザがネットワーク上でどのような役割を有しているか、すなわちユーザのネットワーク上でのアクティビティは、単に情報伝播を使用した有向グラフを生成するだけでは、解析することはできなかった。

また、上述したユーザのネットワーク上でのアクティビティを解析することは、ネットワークを介してユーザが取得を希望する情報の違いを反映するものと考えられる。この点で、特許文献１は、情報伝播経路を取得することを可能とするものの、クライアントがどのような目的で当該情報伝播経路を構成したかを検出するものではない。

特許文献２に記載されたユーザの興味の変化は、ユーザが特定のコンテンツを閲覧する場合に適用されるものであり、ユーザのネットワークを介したアクティビティの特徴付けを行うものではない。

さらに、特許文献３に開示された技術は、情報間の関連づけを行うことを解決課題とするものであり、ユーザのネットワーク上でのアクティビティを特徴付けることを課題とするものではない。

すなわち、ネットワーク上での情報伝播について、その伝播経路のみではなく、伝播経路上でのユーザのアクティビティを検出して、ユーザを特徴付け、当該特徴付けによってサーバなどの情報処理装置によるネットワークを介した情報配信に反映させることで、ネットワークに対してアクセスするユーザに対してより効率的な情報配信を行うことができるものと期待できる。

すなわち、これまで、クライアントを介してネットワークに接続されたユーザがどのような目的をもって情報を伝搬したのかを検出して登録し、ユーザのネットワーク上でのアクティビティを、サーバの処理に反映させる技術が必要とされていた。

また、これまで、ユーザのネットワーク上でのアクティビティを検出してユーザを特徴付けることを可能とする技術が必要とされていた。

本発明は、上記従来技術に鑑みてなされたものであり、ネットワークを介した情報の伝搬からネットワーク・ノードを構成するユーザのアクティビティを検出する、分析システム、情報処理装置、アクティビティ分析方法、およびプログラムを提供することを目的とする。

さらに本発明は、ネットワークを介した情報の伝搬を検出することにより、ネットワークに対するユーザのアクティビティでユーザを特徴付けすることを可能とする、分析システム、情報処理装置、アクティビティ分析方法、およびプログラムを提供することを目的とする。

さらに本発明は、ユーザのネットワークに対するアクティビティを、サーバといった情報処理装置の情報配信処理に反映させる、分析システム、情報処理装置、アクティビティ分析方法、およびプログラムを提供することを目的とする。

本発明では、ＳＮＳなどを使用して、ネットワーク・ユーザによる情報の流れを、「情報を書く→別のユーザがその情報を読む」、または「情報を読む→別の情報を書く」というユーザのアクションを含めて検出し、ユーザを特徴付けるものである。

本発明では、情報伝播の経路の他、情報伝播の方向を情報への行動タイプを使用して検出し、情報伝播グラフとして参照される有向グラフとして登録する。情報伝播グラフは、ユーザのネットワークに対する情報発信源としてのアクティビティを数値化するために利用される。情報は、ネットワーク上に登録されるか修正された段階で、当該アクションが終了した時刻を示すタイムスタンプとともに情報伝播グラフのノードとして登録される。各ノードは、時系列的に検査され、時間的により遅く登録されたノードを作成したユーザが、時間的により早くに登録されたノードを読んだか否かの判断によりリンクが生成される。

このため、本発明の情報伝播グラフは、ユーザによるネットワークを介した、一定の情報属性に関連する行動ログを反映する。各ノードについて、情報伝播グラフを使用してノード属性およびリンク属性を参照してノードが情報発信源として機能したことを示すノード特徴量をタイムスタンプの新しい側から古い側にリンクを経由して累積計算させることで、ルート側のノードの情報発信源としてのアクティビティが数値化される。

数値化されたノードのアクティビティは、ユーザを固有に識別するためのユーザＩＤについて統計的に処理され、ユーザのネットワーク上での情報発信源としての尺度を与えるユーザ特徴量の数値化に利用される。

以上の処理によって生成された情報伝播グラフを使用したユーザ特徴量は、情報処理装置が当該クライアントへと配信する情報の属性を変更するために利用される。また、ユーザ特徴量は、特定のキーワードにより指定される属性を有する情報に関連し、クライアントを介してネットワークにアクセスするユーザのネットワーク・アクティビティを反映した情報配信、効果分析、ＳＮＳなどの特定のネットワーク・サービスの内部での情報発信源となるユーザをトレースするために利用することができる。

＜セクション１：ハードウェア基盤＞
以下、本発明を実施の形態をもって説明するが、本発明は、後述する実施形態に限定されるものではない。図１は、本実施形態の分析システム１００の実施形態を示す。分析システム１００は、ネットワーク１０６と、ネットワーク１０６に接続され、ユーザにより操作されて、ネットワーク１０６を介してサーバ１０４にアクセスする複数のクライアント１０８、１１２、１１４を含んで構成されている。

また、ネットワーク１０６には、サーバ１０４に蓄積されたコンテンツおよびブラウザ・ログなどを含む行動ログを使用してユーザを特徴付ける分析サーバ１０２が接続されている。サーバ１０４は、特に限定されるものではないが、ウェブ・サーバ、ＳＮＳサーバ、メール・サーバなどとして構成することができる。本実施形態では、ネットワーク１０６は、インターネットなどのネットワークを含むことが好ましいが、インターネット以外にもＷＡＮ(Wide Area Network)、ＬＡＮ(Local Area Network)などを含んで構成されていてもよい。

また、分析サーバ１０２は、図１に示すように、サーバ１０４とは分離して構成されたウェブ・サーバなどとして構成することができる。また、他の実施形態では、分析サーバ１０２およびサーバ１０４の機能を統合して単一サーバまたはラックマウントタイプの機能統合サーバ１２０として実装することができる。この実施形態の場合、分析サーバ１０２、サーバ１０４は、それぞれサーバ１２０の分離された機能モジュールまたは分離されたシンサーバ、アプライアンス・サーバとして実装することができる。なお、分析サーバ１０２およびサーバ１０４の機能モジュールおよびハードウェアの詳細構成については、特定の用途または目的に応じて適宜設定することができる。

上述した分析サーバ１０２、サーバ１０４は、情報処理装置として実装されており、ＰＥＮＴＩＵＭ（登録商標）、ＰＥＮＴＩＵＭ（登録商標）互換チップ、などのＣＩＳＣアーキテクチャのマイクロプロセッサ（ＭＰＵ）、または、ＰＯＷＥＲ ＰＣ（登録商標）などのＲＩＳＣアーキテクチャのマイクロプロセッサを実装することができる。また、各サーバ１０２、１０４は、ＷＩＮＤＯＷＳ（登録商標）２００Ｘ、ＵＮＩＸ（登録商標）、ＬＩＮＵＸ（登録商標）などのオペレーティング・システムにより制御されている。また、分析サーバ１０２、サーバ１０４は、Ｃ＋＋、ＪＡＶＡ（登録商標）、ＪＡＶＡ（登録商標）ＢＥＡＮＳ、ＰＥＲＬ、ＲＵＢＹなどのプログラミング言語を使用して実装される、ＣＧＩ、サーブレット、ＡＰＡＣＨＥなどのサーバ・プログラムを実行し、クライアント１０８、１１２、１１４からの要求を処理する。

クライアント１０８、１１２、１１４と、サーバ１０４との間は、ＴＣＰ／ＩＰなどのトランザクション・プロトコルに基づき、ＨＴＴＰプロトコルなどのファイル転送プロトコルを使用するトランザクションを使用したネットワークで接続されている。クライアント１０８、１１２、１１４は、サーバ１０４にアクセスし、ファイルのアップロード、ダウンロード、ブログ書込み、ブログ読出し、感想・意見の記述、チャット、フォーム送信、フォーム・ダウンロード、コンテンツ・アップロード、コンテンツ・ダウンロードなどを行っている。以下、ユーザがクライアントを使用してサーバ１０４に対してネットワークを介して行うファイル操作を行動タイプとして参照する。また、ユーザがネットワーク１０６に対して情報を発信する、情報発信源となる傾向を、ユーザのアクティビティとして参照する。

なお、用語「情報」とは、テキスト、イメージ、動画データ、音声データ、マルティメディア・データなど、コンピュータがアクセス可能な形式で作成されたデータ構造体を意味し、以下、特定の実施形態において、コンテンツとして参照する。

クライアント１０８、１１２、１１４は、パーソナル・コンピュータまたはワークステーションなどを使用して実装でき、また、そのマイクロプロセッサは、これまで知られたいかなるシングルコア・プロセッサまたはデュアルコア・プロセッサを含んでいてもよい。また、クライアント１０８、１１２、１１４は、ＷＩＮＤＯＷＳ（登録商標）、ＵＮＩＸ（登録商標）、ＬＩＮＵＸ（登録商標）、ＭＡＣ ＯＳなど、いかなるオペレーティング・システムにより制御されてもよい。また、クライアント１０８、１１２、１１４は、Internet Explorer（商標）、Mozilla、Opera、Netscape Navigator（商標）などのブラウザ・ソフトウェアを使用して、サーバ１０４にアクセスし、情報取得、情報生成などの処理を行う。

クライアント１０８、１１２、１１４、後述する管理者端末１１０、各サーバは、それぞれＲＡＭ、ハードディスク装置、ＣＤ−ＲＷ、ＤＶＤ−ＲＷ、ＵＳＢポートなどを含んで構成されており、プログラムの実行空間を確保し、かつデータの書込み・読出しが可能とされている。

また、ネットワーク１０６には、分析サーバ１０２の設定を行うための管理端末１１０が接続されている。管理端末１１０は、上述したクライアント１０８、１１２、１１４と概ね同様の機能構成とすることができる。管理者端末１１０は、管理者用パスワード、ログイン・ネームなどを使用して条件設定を行うためのウェブ・ページなどにアクセスし、設定条件を、例えばフォームなどの形式で送信することにより、分析サーバ１０２に対して取得させ、特徴付けするユーザに関連するコンテンツ属性を指定する。分析サーバ１０２は、分析処理を行うサーバ・プログラムを起動すると、取得した設定条件を使用して、当該コンテンツ属性に関連するユーザのアクティビティを分析し、ユーザのアクティビティに関連した特徴付けを実行している。

コンテンツ属性は、コンテンツ特性値により指定される。コンテンツ特性値は、種々の設定条件を使用して決定することができるが、本実施形態では、コンテンツ種類に関わらず、コンテンツが含む付されたキーワードを使用してコンテンツ属性とすることができる。キーワードは、コンテンツが含むテキストまたは音声データなどから取得することができる。コンテンツ属性を提供するための対象領域は、コンテンツのタイトル、メタデータ、または要約などを用いることができる。

また、コンテンツ特性値は、コンテンツが音声を含むマルティメディア・データである場合、音声データ部分を、音声変換プログラムを使用してテキスト・データに変換し、コンテンツ属性を取得するために利用することができる。この他、特定のファイル・タイプを、例えば拡張子を指定することなどにより指定することもできるし、コンテンツ内のヘッダ部分に記述される特定の制御データなどを指定することができる。

なお、図１では、管理者端末１１０は、ネットワーク１０６を介して分析サーバ１０２に条件設定を行うものとして説明する。しかしながら、他の実施形態では、管理者端末１１０は、分析サーバ１０２に対してローカル・エリア・ネットワーク（ＬＡＮ）で接続された端末として構成することもできる。さらに他の実施形態では、管理者端末１１０を特に設けることなく、分析サーバ１０２に対してＶＧＡ、ＸＧＡケーブル、ＵＳＢなどで接続されたディスプレイ装置、キーボード、マウスなどを使用して直接条件設定を行う実施形態とすることができる。

図１に説明する実施形態では、分析サーバ１０２は、コンテンツ属性を決定するための条件が設定された後、適切なタイミングで、サーバ１０４から、条件設定により指定されるコンテンツ自体、またはコンテンツ識別値（以下、コンテンツＩＤとして参照する。）を取得する。そして、サーバ１０４から、行動ログ・データを取得して、取得したコンテンツ属性に関連する行動履歴データを使用してユーザの特徴付けを実行する。なお、以下、本実施形態では、行動履歴データについて、ユーザのネットワーク１０６を介したサーバ１０４などへの行動ログを示すものとして、行動ログ・データとして参照するが、以下の処理に適切な形式である限り、ログ・データとして管理されるデータでなくともよい。

図２は、図１に示した分析サーバ１０２の機能ブロック２００である。分析サーバ１０２には、プログラムおよびハードウェアが協働して複数の機能ブロックとして示された各機能手段が提供されている。分析サーバ１０２は、通信制御部２１８と、情報伝播グラフ取得部２１２と、キーワード情報記憶部２１４と、キーワード抽出部２１６とを含んでいる。通信制御部２１８は、ＮＩＣ（ネットワーク・インタフェース・カード）およびソフトウェアによりネットワーク・アダプタとして構成されている。また、分析サーバ１０２がディスプレイ装置、キーボードなどを実装している場合、通信制御部２１８は、ＵＳＢホスト・インタフェースとして実装することができる。

通信制御部２１８は、ネットワーク１０６を介して管理者端末１１０から条件設定を受領して、情報伝播グラフ取得部２１２によるコンテンツ属性に関連してクライアント間の情報伝播グラフを生成する。本実施形態では、設定条件としては、キーワードを使用するものとして説明するが、設定条件は特に限定されるものではない。以下、設定条件として機能するキーワード（セット）を、属性指定キーワードとして参照する。

キーワード抽出部２１６は、本実施形態の属性抽出部として機能し、情報記憶部として機能するコンテンツ記憶部２３２に格納されたコンテンツの情報特性値として機能するキーワードを抽出し、コンテンツが含むキーワードを、コンテンツＩＤに対応付けて索引リストを作成し、索引リスト保管している。キーワード情報記憶部２１４は、説明する実施形態では、設定条件として取得した属性指定キーワードを保管している。

キーワード情報記憶部２１４は、本実施形態では、設定条件情報記憶部として機能する。キーワード情報記憶部２１４は、キーワード抽出部２１６が管理する索引リストに対して属性指定キーワードＷを使用して検索を実行し、検索条件にヒットしたコンテンツＩＤの集合としてユーザ分析の対象となるコンテンツ集合を生成する。生成したコンテンツ集合は、分析サーバ２１４の適切な記憶領域に送られて、情報伝播グラフ取得部２１２による処理のために提供される。行動ログ記憶部２３０は、サーバ１０４のブラウザ・ログとして保存するデータ自体、またはサーバ１０４に対するアクセスログ・データを蓄積する記憶装置内に構成されている。

情報伝播グラフ取得部２１２は、行動ログ取得部２３０に格納されたデータを取得して、クライアント−サーバ−他クライアント間の情報伝播をトレースし、特定のクライアントに関連するユーザの特徴付けを実行する。情報伝播グラフ取得部２１２が作成した情報伝播グラフを、ハードディスク装置またはＲＡＭなどの適切な記憶領域に構成した情報伝播グラフ記憶部２２０に格納する。なお、行動ログ記憶部２３０およびコンテンツ記憶部２３２は、分離したサーバ１０４に実装されていてもよく、また同一のサーバ１２０として構成される場合には、サーバ１２０のハードディスク装置内の適切な領域にグローバル・データとして格納することができる。

一方、通信制御部２１８は、受領した条件設定を、特徴ユーザ計算部２２２に送付して、特徴ユーザ計算部２２２でのユーザ特徴付けのために利用させている。特徴ユーザ計算部２２２は、より詳細には、ノード特徴量計算部と、ユーザ特徴量計算部とを含んで実装されて、ノード特徴量から、ノード間に割り当てた有向リンクの時系列的な関連性を使用して積算することで数値化して生成されたユーザ特徴量を、ユーザ特徴量記憶部２２４に格納させている。

なお、本実施形態では、ノードとは、サーバ１０４に格納されたコンテンツから抽出されるデータ構造を意味する。ノードは、特定のコンテンツ属性を有し、当該コンテンツが生成または編集され、当該生成・編集の行動タイプが完了した段階で、コンテンツを識別するコンテンツＩＤ、生成・編集終了時のタイムスタンプ、ユーザＩＤ、読み出し回数など、特定の目的に応じてノードを特徴付けるための他のデータなどにより記述される。また、ノード特徴量計算部およびユーザ特徴量計算部の処理については、その処理とともにより詳細に後述する。

情報伝播グラフ記憶部２２０から情報伝播グラフを読出して、情報伝播に関連するノードを取得する。特徴ユーザ計算部２２２は、取得した各データを使用して有向グラフからユーザごとの特徴量を計算し、コンテンツ属性に関連した特徴量に基づいてネットワーク１０６に対するアクティビティの観点からユーザの特徴付けを行い、その結果をユーザ特徴量記憶部２２４に登録し、ユーザ分析の結果として格納する。

ユーザ特徴量は、その後、サーバ１０４などにおいて、ユーザＩＤ／コンテンツ属性／特徴量などを対応させたテーブルとして作成され、サーバ１０４が、バナー広告を表示させ、またバナー広告の効果を確認するなどの処理のために利用される。また、特定のコンテンツ属性を有するコンテンツの情報発信源として機能するユーザをトレースするためにも利用することができる。サーバ１０４が、ユーザ特徴量を使用する場合、本実施形態のサーバ１０４は、ユーザがキーワードを入力する前に、ユーザのコンテンツ属性に関連付けられたユーザ特徴量を利用して高い効率でのバナー広告を提供することが可能となる。

また、他の実施形態では、サーバ１０４または分析サーバ１０２は、特定コンテンツに関連して情報発信の高いユーザや情報受信の高いユーザを識別させることで、当該ユーザのネットワーク１０６上でのアクティビティを利用した情報伝播解析のための情報を提供することが可能となる。

＜セクション２：ネットワーク上でのユーザ・アクティビティ＞
図３は、行動ログ記憶部２３０に格納される行動ログ・データおよびコンテンツ記憶部２３２に格納されるコンテンツの実施形態を示す。行動ログ・データ３００は、ユーザＩＤで固有に識別されるユーザが特定のコンテンツに対して、ネットワーク１０６を介してどのようなアクションを行ったかを記録する。図３に示すように、行動ログ・データ３００は、ユーザＩＤを登録するフィールド３０２と、当該ユーザＩＤで識別されるユーザが、ネットワーク１０６を介して行ったアクションを登録するフィールド３０４と、ユーザがアクションの対象としたコンテンツのコンテンツＩＤと、ユーザが特定のコンテンツに対してアクションを行い、当該アクションが終了した時刻をその日付とともに登録するフィールド３０８とを含んでいる。なお、図３のフィールド３０８には、簡略化して日付のみを示している。

行動ログ・データ３００についてさらに説明すると、例えば、ユーザＩＤがＡで指定されるユーザは、タイムスタンプ＝２００８／２／１０ ２１：１０：３６（２００８年２月１０日、２１時１０分３６秒）にコンテンツＩＤ＝１００で指定されるコンテンツを書込み、その書込みを終了させている。また、ユーザＩＤ＝Ｂで指定されるユーザは、コンテンツＩＤ＝１００を読取り、タイムスタンプ＝２００８年２月１１日１０時３８分１５秒に読取りトランザクションを終了させている。

以下同様に、行動ログ・データ３００は、ユーザＩＤ＝Ｃのユーザが読取りを行い、次いで、ユーザＩＤ＝ＢのユーザがコンテンツＩＤ＝２００のコンテンツの書込みを行い、ユーザＩＤ＝ＣのユーザがコンテンツＩＤ＝２００のコンテンツの読取りを行ったことを記録している。したがって、行動ログ・データ３００を使用することにより、ユーザＩＤで指定される特定のユーザのネットワーク１０６を介したコンテンツに対するアクティビティをトレースすることができる。

また、コンテンツ・リスト３５０は、コンテンツを固有に識別するためのコンテンツＩＤを登録するフィールド３５２と、コンテンツの作成が終了した時刻に対応するタイムスタンプを登録するフィールド３５４と、コンテンツの内容を登録するフィールド３５６とを含んで構成されている。コンテンツが作成されると、作成されたコンテンツに対して固有のコンテンツＩＤが割当てられ、次いでタイムスタンプが割当てられる。これらの割当てが終了した段階で、サーバ１０４など行動ログ・データを管理する情報処理装置は、行動ログ・データ３００に、ユーザＩＤ、アクティビティである行動タイプを登録し、コンテンツＩＤ、タイムスタンプをフィールド３０６、フィールド３０８に登録することにより、図３に示した各データ構造が、ユーザがサーバ１０４などにアクセスするごとに蓄積されて行く。

図４は、本実施形態でユーザの行動タイプ４００の概略図である。ユーザの行動タイプ４００は、大きく情報発信タイプ４１０と、情報受信タイプ４２０とに分類される。情報発信タイプ４１０の行動内容としては、「書く」、「送る」、「アップロードする」、「メール送信」、「フォーム送信」などが考えられる。また、情報受信タイプ４２０の行動内容としては、「読む」、「見る／視る」、「聴く」、「ダウンロードする」、「メール受信」、「フォーム受信」などが考えられる。なお、これらの行動タイプは、例示的なものであり、さらに他の行動内容についても行動ログ・データ３００の行動タイプとして登録することができる。

また、ユーザのアクションの対象となる情報種類４３０は、サーバ１０４などが取り扱うことができる情報全体となるが、例示的には、日記（ブログ）、コメント、メッセージ、動画、フォトアルバム、音楽、レビュー、ニュース、コミュニティ記事、商品記事などを挙げることができる。ただし、これらの情報種類は、例示的なものであり、情報種類４３０に限定されるものではない。

以上のように、行動ログ・データ３００を使用すれば、ユーザＩＤで指定されるユーザがコンテンツに対して、どのような行動タイプのアクションを行ったかについてはトレースすることが可能である。しかしながら、行動ログ・データ３００だけでは、当該ユーザＩＤで指定されるユーザがネットワーク１０６にアクセスする場合の行動パターンを判断することができない。ユーザがネットワーク１０６にアクセスする場合について以下に検討する。ユーザは、ネットワーク１０６にアクセスしてそのアクティビティを発生させる場合、特定の内容を有するコンテンツに対しては、書込みやアップロードが多く行われると考えられる。

また、同一のユーザであっても、特定の内容を有しないコンテンツに対しては何らのアクションも発生させないか、または情報受信タイプ４２０の行動タイプのみしか発生させないことが想定できる。すなわち、従来技術であっても行動ログを利用すれば、サーバ１０４などの処理に基づいて、情報伝播経路をトレースすることは可能となる。しかしながら、ユーザを、コンテンツ属性に関連付け、ユーザのネットワーク上での嗜好性に関連して情報伝播上でのアクティビティにより特徴付けを行うことはできない。

本実施形態の分析サーバ１０２は、コンテンツ属性に関連してユーザのネットワーク１０６上でのアクティビティを特徴付けする。分析サーバ１０２の処理は、行動ログ記憶部２３０から行動ログ・データ３００を読出すとともに、コンテンツ記憶部２３２に記憶されているコンテンツを取得して、コンテンツが含むキーワードにより、コンテンツを索引付けする。本実施形態の分析サーバ１０２は、当該キーワードによる索引付けと行動ログ・データとを使用して、ユーザのコンテンツ属性に関連するアクティビティの特徴付けを行う。以下、分析サーバ１０２が実行するアクティビティ分析方法について詳細に説明する。

＜セクション３：ユーザ特徴付け処理＞
３−１．前処理
図５は、分析サーバ１０２が実行するユーザ特徴付け処理のためのプリプロセッシング（前処理）に対応するキーワード抽出およびキーワードによるコンテンツの索引付け処理のフローチャートである。図５の処理は、ステップＳ５００から開始し、ステップＳ５０１で、コンテンツ記憶部２３２内にキーワード抽出が終了していないコンテンツがあるか否かを判断する。なお、ステップＳ５０１の処理は、分析サーバ１０２が、定期的にコンテンツ記憶部２３２を検索し、前回登録されているコンテンツ以後に追加された追加コンテンツについてのみ適用することができる。また、未処理か否かの判断については、コンテンツに対して処理済みか否かのフラグを設定して処理済みを索引付けすることもできる。また、より好ましい実施形態では、分析サーバ１０２が保有しているコンテンツＩＤと、コンテンツ記録部２３２内に格納されたコンテンツＩＤとを比較し、分析サーバ１０２が保有しているコンテンツＩＤよりも最近のタイムスタンプを有するコンテンツを処理対象として登録し、処理済みに対応してキューから処理したコンテンツのコンテンツＩＤを削除することで未処理／処理の判断を行うこともできる。

未処理のコンテンツがまだ存在する場合（ｙｅｓ）ステップＳ５０２で、未処理のコンテンツＣを取得して、ステップＳ５０３で言語処理により、コンテンツＣからキーワードを抽出する。キーワードの抽出は、これまで知られたいかなる方法によって行うことができ、例えば形態素解析の技術を適用することができる。また、実施形態としては、抽出されるキーワードの質を高めるために、抽出されたキーワード群から、そのコンテンツを良く特徴付けるようなキーワードを選択するための方法として、ＴＦ(Term Frequency)法、ＩＤＦ(Inverted Document Frequency)法、これらの値を乗算して得られるＴＦ−ＩＤＦ法などを適用することもできる。

また、他の実施形態では、ユーザの行動マトリクスを基準としたキーワード抽出方法であって、アトーニードケット番号ＪＰ９０７０１９６（出願番号：特願２００７−３３６９１９）として参照される方法も使用することができる。行動マトリクスとは、ユーザの行動と、その行動とともに用いられたテキスト中から抽出されたキーワードより構成される行列であり、各要素にはある時刻までに蓄積されたキーワードの出現頻度に基づいて生成された値が記入される。行動マトリクスの構成について概略的に説明すると、行動マトリクスは、ユーザが行った行動aに伴うテキストdから抽出されるキーワードW={w₁，w₂，w₃，．．．}を、行動aに対応させる形で蓄積したものである。

ある行動a_jにおいて伴われるテキストd中にキーワードw_iが1回出現すると、行動マトリクスのi行j列要素に１（あるいはこれに重みを乗算した値）が記入される。また、行動マトリクスは、ある時刻Ｔ_ｉにおける行動マトリクスは、次の時刻Ｔ_ｉ＋１においてΔＴ＝Ｔ_ｉ＋１−Ｔ_ｉの間の行動マトリクス（一時行動マトリクスと呼ぶ）を重み付けして混合する形で更新することにより生成され、特徴的なキーワードを、行動マトリクスの特異値として生成させることで、膨大なキーワードの中から、特徴的なキーワードを抽出することができる。

ステップＳ５０４では、抽出したキーワードをコンテンツＩＤに対応付けて登録し、索引リストを生成させ、再度、ステップＳ５０１に処理を分岐させ、ステップＳ５０１の処理で、未処理のコンテンツが存在しなくなるまでステップＳ５０２〜ステップＳ５０４の処理を繰り返して実行させる。ステップＳ５０１で、未処理のコンテンツがなくなった場合（ｎｏ）、処理をステップＳ５０５に分岐させて、処理を終了させる。

なお、図５に説明した処理は、専用モジュールを使用して行うこともできる。しかしながら、分析サーバ１０２が、検索エンジンのために作成されたキーワード抽出モジュールを併用できる場合には、分析サーバ１０２の専用機能モジュールとして実装する必要はない。

図６は、図５に説明したプリプロセッシングにより生成された索引リスト６００の実施形態である。図６に示す索引リスト６００は、コンテンツＩＤを登録するフィールド６１０と、抽出されたキーワードリストを登録するフィールド６２０とで形成されていて、コンテンツＩＤと、コンテンツＩＤで指定されるコンテンツが含むキーワードとを対応付けることが可能とされている。分析サーバ１０２は、図６に示した索引リストに対して管理者端末１１０が設定した属性指定キーワードを使用して、指定されたコンテンツ属性を有するコンテンツを抽出し、抽出したコンテンツに関連してユーザのアクティビティを決定する。

なお、キーワードは、コンテンツのいかなる部分からでも生成することができ、コンテンツ本文、コンテンツの要約、コンテンツのタイトル、その他のメタデータ、またはコンテンツがマルチメディア・コンテンツや音響データである場合、テキストに変換できるデータ部分を、例えば、音声−テキスト変換ソフトウェア（例示的には、ＶＩＡＶＯＩＣＥ（登録商標）など）を使用してテキスト変換された部分から、キーワードを抽出することができる。

３−２．分析対象のコンテンツ集合生成
図７は、属性指定キーワードを使用した、指定された属性を有するコンテンツを検索する処理の実施形態のフローチャートを示す。図７の処理は、ステップＳ７００から開始し、ステップＳ７０１で、属性指定キーワードを取得する。属性指定キーワードは、分析サーバ１０２のユーザまたはクライアントが分析したいユーザを特徴付けることが可能なキーワード、または通常ではキーワードセットである。属性指定キーワードの取得は、通信制御部２１８からネットワーク１０６を介して都度取得することもできるし、予め分析サーバ１０２に登録しておき、図７の処理が開始される段階で、メモリ、ハードディスク装置などから読出して取得してもよい。

ステップＳ７０２では、検索対象とするコンテンツＣを６００で指定し、ステップＳ７０３では、コンテンツＣが、キーワードＷとして設定されたキーワードの内の少なくとも１つを含むか否かを判断する。この判定は、索引リスト６００のコンテンツＩＤを指定して、属性指定キーワードが含むキーワードを個別に検索することにより実行される。なお、キーワードが複数ある場合、キーワード間の論理的な関係は、ＯＲ、ＡＮＤなどをいかなるように組み合わせて検索式を生成することができる。

なお、ステップＳ７０３の検索は、データベース・ソフトウェアまたはＪＡＶＡ（登録商標）などのオブジェクト指向プログラミングを使用して、キーワード検索専用のプログラムを実装することにより行われる。ステップＳ７０３の検索につき、複数キーワードが存在し、キーワード間がそれぞれＯＲで結合されている場合、ステップＳ７０３では、コンテンツＣが属性指定キーワードを少なくとも１つ含む場合（ｙｅｓ）、ステップＳ７０４でコンテンツＣをコンテンツ集合に加え、ステップＳ７０６に処理を分岐させる。

一方、ステップＳ７０３で、コンテンツＣが属性指定キーワードをまったく含まない場合（ｎｏ）、ステップＳ７０６で、未処理のコンテンツが残されているか否かを判断する。未処理のコンテンツが存在する場合（ｙｅｓ）、処理をステップＳ７０２に分岐させ、さらに属性指定キーワードによるコンテンツの抽出を実行する。一方、ステップＳ７０６で、未処理のコンテンツが無くなった場合（ｎｏ）、索引リスト６００に登録されたコンテンツ全部について抽出が終了したので、ステップＳ７０７でコンテンツ集合を決定し、メモリまたはハードディスク装置に出力させ、以後の処理のために格納する。

図８は、図７のステップＳ７０３およびステップＳ７０４のコンテンツ抽出処理を、作成されるデータ構造を用いて説明する概略図である。図８に示すように、分析サーバ１０２は、索引リスト６００のフィールド６１０からコンテンツＩＤを指定し、当該コンテンツＩＤに対応付けられ、フィールド６２０として登録されたキーワードリストに対して属性指定キーワードの集合であるＷを使用してその存在を照会する。図８に示した実施形態では、属性指定キーワード集合＝Ｗには、海外旅行、万里の長城、中国の３キーワードが含まれている。

分析サーバ１０２は、索引リスト６００を検索し、属性指定キーワードＷが含むキーワードを含むコンテンツＩＤを抽出し、テーブルに登録して行く。図８では、コンテンツＩＤ＝１００は、キーワード＝海外旅行を含み、コンテンツＩＤ＝３００は、キーワード＝海外旅行を含み、またコンテンツＩＤ＝４００は、キーワード＝万里の長城を含むためテーブルに抽出され、コンテンツ集合８００が生成されている。

３−３．情報伝播グラフ：データ構成
図９は、分析サーバ１０２が、行動ログ・データ９００から、コンテンツ間の情報伝播の関係を生成する処理の概略図を示す。便宜上、図９に示した行動ログ・データ９００は、図８で説明した処理により生成されたコンテンツ集合に関連して行動ログ・データ３００を検索して生成されたデータ構造体として構成される行動ログ・データであるものとして説明を行う。なお、さらに他の実施形態では、行動ログ・データ９００は、行動ログ・データをオンザフライに検索し、ヒットするごとに順次情報伝播グラフ取得部に通知されてもよい。

分析サーバ１０２は、行動ログ・データ９００に含まれるコンテンツを情報伝播の関係を示すため情報伝播グラフ９１０として登録する。情報伝播グラフ９１０は、有向グラフとして作成され、情報伝播グラフ９１０のノードは、ユーザがネットワーク１０６を介してコンテンツを作成し、当該コンテンツの作成または編集が終了したことに対応して登録される。

この判断は、行動ログ・データ９００のユーザＩＤに対応するコンテンツＩＤ、行動タイプおよびタイムスタンプを参照して行われる。すなわち、情報伝播グラフ９１０のノードとしてコンテンツを登録する処理は、行動タイプ＝ｗｒｉｔｅ（ブログ書込み、感想書込み、アップロードなど、サーバ１０４に対してコンテンツを追加する処理全般を意味する。）であり、タイムスタンプが登録されているコンテンツＩＤを参照して実行される。

より具体的には、情報伝播グラフ９１０の生成は、図９に示した行動ログ・データ９００から、行動タイプ＝ｗｒｉｔｅであるコンテンツＩＤを取得し、説明する実施形態では、そのタイムスタンプが最も古い値を有するコンテンツＩＤを、情報伝播グラフ９１０を指定してノードとして登録する。そして、順次タイムスタンプの古い順に行動タイプ＝ｗｒｉｔｅであるコンテンツＩＤを抽出してノードを登録する。ノードには、ノードを固有に識別させるためのノード識別値である、ノードＩＤが登録されている。

また、ノード、例えば、ノードＩＤ＿２には、情報伝播グラフ９１０上のノードを特徴付けるノード属性９６０が登録されている。ノード属性９６０は、図示した実施形態では、コンテンツＩＤ、タイムスタンプ、コンテンツを生成したユーザのユーザＩＤ、当該ノードの読出し回数、その他、ユーザを特徴付けるための特定の用途に適合するいかなるパラメータでも、以後の特徴付処理のために登録しておくことができる。

また、異なるノード間には、ノード間を連結する有向リンクが提供されていて、異なるノード９２０、９３０、９４０、９５０の間の時系列的な関係を規定している。図９に示すように、有向リンクには、図９に示すように出発リンクと、入来リンクとが存在する。出発リンクは、例えば、リンクＩＤ＿Ｌで示すように、タイムスタンプが古いノードからタイムスタンプが新しいノードに向かって、タイムスタンプの古いノードから発生するリンクとして参照される。また、入来リンクとは、リンクＩＤ＿Ｍで示すように、ノードＩＤ＿４から見た場合に、タイムスタンプの古いノードから、ノードＩＤ＿４のノードに入来する有向リンクとして参照される。

さらに、有向リンクには、リンクの属性を特定する、リンク属性９７０が登録されている。リンク属性９７０としては、ノード属性９６０と同様に、分析の目的に応じていかなるパラメータでも含ませることができる。例示的な目的で、図９に示した実施形態では、リンクＩＤ、リンク元コンテンツＩＤ、リンク先コンテンツＩＤ、リンク元へのアクセスがいつ行われたかを示すリンク元アクセスタイムスタンプなどが登録されている。

なお、本実施形態では、コンテンツは、時系列的に見て累積的に作成され、有向リンクは、リンク元のコンテンツの影響を受け、一定の条件を満たして時系列的に新しく作成されたコンテンツに向かって生成される。このため、過去に作成されたコンテンツは、以後に作成されたコンテンツの影響を受けて編集された場合でも、時系列的にはより新しいコンテンツとして行動ログ・データに登録されるので、情報伝播グラフは、ループを構成しない、ＤＡＧ(Directed Acyclic Graph)として生成することができる。このため、本実施形態では、有向グラフの内、ＤＡＧとして参照される有向グラフを生成させ、ＤＡＧについて適用される各種論理処理の適用が保証される。なお、リンク生成処理についてはより詳細に後述する。

図１０は、情報伝播グラフ９１０を情報処理装置上で定義するためのデータ構造の概略図を示す。図１０に示すデータ構造は、ノード・リスト１００およびリンク・リスト１０５０を含む構成として例示的に示されている。ノード・リスト１００は、生成されたノードの有向グラフ上での特性およびノード属性を登録する。ノード・リスト１０００には、ノードＩＤを登録するフィールド１０１０と、ノード属性を登録するフィールド１０２０とを含んでいる。分析サーバ１０２は、ノードの情報を取得したい場合、ノード・リスト１０００を参照して、そのノードＩＤおよびノード属性１０２０を取得し、ユーザ分析のために利用する。

また、ノード・リスト１０００は、出発リンクを登録するフィールド１０３０と、入来リンクを登録するフィールド１０４０とを含んで構成される。フィールド１０３０は、特定のノードがユーザによって作成されるノードを発生させたかを示す尺度も与え、例えば、ノードＩＤ＿３のノードは、他のノードに対して１リンク分の影響を与え、ノードＩＤ＿１およびノードＩＤ＿２のノードは、それぞれ他のノードの生成に対して２リンク分の影響を与えていることが、フィールド１０３０に登録されたリンク数をカウントすることによっても判断することができる。また、入来リンクは、当該ノードが他のノードにより複合的な影響を受けていることを示す尺度ということができ、例えば、特定のノードＩＤについて入来ノードがまったく生成されていないことは、当該コンテンツ集合において最初に生成されたコンテンツを与える可能性があるものということができる。

また、説明する実施形態では、リンク・リスト１０５０は、ノード・リスト１０００とは分離したリストとして構成されている。リンク・リスト１０５０は、リンクを固有に識別するためのリンクＩＤを登録するフィールド１０６０と、リンク属性を登録するフィールド１０７０とを含んで構成されている。分析サーバ１０２は、ノード・リスト１０００から情報伝播グラフ９１０をメモリ上に登録する場合、ノード・リスト１０００に登録されたリンクＩＤを参照して、紐付けされたリンク先や、リンク元を参照することが可能となる。なお、図１０に示した情報伝播グラフ９１０の定式化は、あくまでも例示的なものであり、特定のプログラム構成やハードウェアの条件に応じて、単一のリストに統合することもできるし、また、それぞれのフィールドごとに別々にリストを構成することもできるし、また可能な場合、ベクトル形式で登録することもできる。

３−４．情報伝播グラフ生成
情報伝播グラフの作成は、ユーザ分析サーバ１０２の情報伝播グラフ取得部２１２が実行する処理である。図１１は、分析サーバ１０２が実行する情報伝播グラフ９１０および図１０の各データ構造を作成する処理のフローチャートの実施形態である。本実施形態の情報伝播グラフの作成処理は、ステップＳ１１００から開始し、定義済み処理であるステップＳ１１０１でノード生成処理をコンテンツ集合に対して実行して、ノードおよびノード属性を生成させる。その後、定義済み処理であるステップＳ１１０２で、生成したノード間にリンクを生成する処理を実行して、情報伝播グラフを有向グラフとして分析サーバ１０２に登録し、ステップＳ１１０３で処理を終了させる。以下、ステップＳ１１０１およびステップＳ１１０２の定義済み処理について詳細に説明する。

３−４−１．ノード生成処理（Ｓ１１０１）
図１２は、ノード生成処理の実施形態についてのフローチャートである。ノード生成処理は、ステップＳ１２００から開始し、ステップＳ１２０１で、例えばコンテンツ集合８００のコンテンツＩＤをキューに登録し、コンテンツ集合の要素として登録された未処理のコンテンツがまだ存在するか否かを判断する。ステップＳ１２０１で未処置のコンテンツが残されていなければ（ｎｏ）、処理をステップＳ１２０３に分岐させ、処理を終了させる。一方、ステップＳ１２０１の処理で、未処理のコンテンツがまだ存在する場合（ｙｅｓ）、ステップＳ１２０２でコンテンツＩＤ（Ｘ）と、当該コンテンツＩＤ（Ｘ）に付された時刻ｔ（Ｘ）とを取得し、ノード（Ｘ、ｔ（Ｘ））を生成させる。その後処理をステップＳ１２０１に分岐させ、再度、未だ未処理のコンテンツが存在するか否かを判断し、未処理のコンテンツが無くなるまで処理を繰り返し実行する。なお、ステップＳ１２０２の処理では、当該ノードのノード識別値を割当て、ノード属性を、図１０のノード・リスト１０００のそれぞれ対応するフィールドに登録してゆく。

３−４−２．リンク生成処理
リンク生成処理では、生成したノード間にリンクを定義する処理を実行する。図１３は、リンク生成処理の実施形態のフローチャートを示す。図１３の処理は、ステップＳ１３００から開始し、ステップＳ１３０１で、ノードをｔ（Ｘ）の値で昇順にソートし、ソート結果をキューＱに登録する。ステップＳ１３０２では、Ｑが空か否かに基づき、リンク生成処理が終了したか否かを判断する。なお、他の実施形態では、キューを使用することなく、処理済みフラグなどを順次設定してゆくことで、リンク生成終了を判断することもできる。

ステップＳ１３０２でＱが空ではない場合（ｎｏ）、ステップＳ１３０３でノード（Ｘ、ｔ（Ｘ））をキューから取得する。ステップＳ１３０４では、ノード属性に登録されたユーザＩＤを参照してノード（Ｘ、ｔ（Ｘ））を作成したユーザのユーザＩＤを、Person(X)に設定し、Person(X)で指定されたユーザＩＤを有するユーザが、タイムスタンプｔ（Ｘ）より前に生成したコンテンツのうち、最後に生成したコンテンツのタイムスタンプをｔに設定する。また、該当するタイムスタンプがない場合には、ｔ＝−∞（負の大数）に設定する。

ステップＳ１３０５では、ｔ＜ｔ（Ｙ）＜ｔ（Ｘ）であり、Person(X)として登録されたユーザＩＤを有するユーザが、コンテンツＹを読んだ記録が行動ログ・データ９００内に存在するような、コンテンツＹが存在するか否かを判断する。この判断は、ノード（Ｘ、ｔ（Ｘ））が、影響を受けたノードを識別するための処理であり、ノードの時系列上最後尾から処理を進めてゆくことにより有向グラフを効率的に探索することができるためである。なお、行動ログ・データ９００内に当該データが存在すれば、図１２の処理で、ノード（Ｙ、ｔ（Ｙ））は、既に登録されていることになる。

ステップＳ１３０５の処理が肯定的な結果を返す場合（ｙｅｓ）、ステップＳ１３０６で、ステップＳ１３０５の条件を満たす各ノード（Ｙ、ｔ（Ｙ））について、ノード（Ｘ、ｔ（Ｘ））をリンク先ノードとし、ノード（Ｙ、ｔ（Ｙ））をリンク元ノードとするリンクを生成し、当該リンクに、例えばリンクＩＤ＿Ｋを割当てることにより、リンクを生成する。生成したリンクの情報は、ノード・リスト１０００のノード（Ｙ、ｔ（Ｙ））に対応するノード識別値のノード属性に当該ノードのノード属性を記述し、出発リンクにリンクＩＤ＿Ｋの値を記述することにより行われる。

一方、ノード（Ｘ，ｔ（Ｘ））に対応するノード識別値の入来リンクのフィールドには、生成したリンクのリンクＩＤであるリンクＩＤ＿Ｋが記入される。さらに、リンク・リスト１０５０には、生成したリンクのリンクＩＤである、リンクＩＤ＿Ｋをフィールド１０６０に記入し、フィールド１０７０に、リンク元コンテンツＩＤ、リンク先コンテンツＩＤ、リンク元アクセスタイムスタンプなどを記入して、直隣接するノード間にリンクを生成させる。

その後、処理は、ステップＳ１３０４に分岐して、ノード（Ｘ，ｔ（Ｘ））についてリンクを生成するべきノードが存在しなくなるまでリンク生成を繰り返して実行させる。また、ステップＳ１３０５の判断が否定的な結果を返す場合（ｎｏ）、処理をステップＳ１３０２に分岐させ、ステップＳ１３０２〜ステップＳ１３０６の処理を反復させる。以上の処理により、コンテンツ集合内に存在するノードに関して、情報伝播グラフ９１０および対応するデータ構造であるノード・リスト１０００、リンク・リスト１０５０が構築される。

さらに他の実施形態では、ステップＳ１３０５の判断において、Ｙを選択する条件として、ｔ（Ｙ）＜ｔ（Ｙ′）＜ｔ（Ｘ）で、Person(Y)＝Person(Y′）を満たすコンテンツが見出されないことを制約条件として追加することが好ましい。この理由は、ノード（Ｘ、ｔ（Ｘ））に対して１階層ごとに関連付けるリンクを確実に生成させるためである。また、これに関連してさらに他の実施形態では、Δｔ＝｜ｔ（Ｘ）−ｔ（Ｙ）｜の値を使用して統計処理を導入し、Δｔが大きくなるにつれ、関連性を低下させる重み付け関数を生成させて、同一ユーザの生成した複数のコンテンツＹ′について、リンク生成を選択することも可能である。

生成された情報伝播グラフは、情報伝播グラフ記憶部２２０に格納され、以後のユーザ特徴量計算処理のために利用される。

３−４−３．ユーザ特徴量計算
ユーザ特徴量の計算は分析サーバ１０２の特徴ユーザ計算部２２２により実行される処理である。図１４を参照して、処理を概説する。図１４に示されたノード１４１０〜１４７０のうち、ユーザ特徴量の計算に先立ち、タイムスタンプが最新のノードから処理を開始して、順次上流側に向かってノード特徴量を累積計算させて行く処理を実行する。具体的には、直接情報を伝播させたノード１４５０にリンクされた直下流側のノード１４４０、１４６０のノード特徴量を計算した後、直接情報を伝播させたノード１４５０のノード特徴量に累積計算して生成する。例えば、ノード１４５０のノード特徴量Ｂ１は、Ｂ１＝（Ａ２＋Ｃ２）として計算することができる。最終的なユーザ特徴量の計算は、当該ユーザが生成させたコンテンツ、すなわちノードについて計算されたノード特徴量を使用して生成させる。ユーザ特徴量は、特定の用途および目的に応じて種々の設定方法を採用することができる。

ユーザ特徴量は、当該ユーザが生成させたノードのうち最もタイムスタンプの古いノードのノード特徴量を、ユーザ特徴量として設定することができる。また、ユーザ特徴量を、ノード特徴量のうち、最も大きな値を有するノードの値と設定することができる。さらに、ユーザ特徴量として、各ノード特徴量の平均値またはトップＮ（Ｎは、正の整数である。）のノード特徴量の平均値を採用することもできる。上述したユーザ特徴量は、特定の目的に応じて適宜選択することができ、また他のいかなるスコア付け、ランク付け手法を用いてユーザ特徴量とすることができる。

図１５を参照して、ユーザ特徴量計算処理を説明する、ユーザ特徴量計算処理は、ステップＳ１５００から開始し、ステップＳ１５０１で、定義済み処理であるノード特徴量を計算し、定義済み処理であるステップＳ１５０２で計算したノード特徴量からユーザ特徴量を計算する。計算結果は、ステップＳ１５０３で、ユーザ特徴量記憶部２２４に、ユーザＩＤなどとともに出力・記録される。図１５に示した実施形態では、登録するべきユーザについて、ユーザ特徴量の大きなユーザのうち、設定した閾値以上の値を有するユーザを抽出して出力対象としている。

３−４−３−１．ノード特徴量計算処理
図１６は、ノード特徴量計算部が実行する処理の実施形態のフローチャートである。図１６の処理は、ステップＳ１６００から開始し、ステップＳ１６０１で、特徴量が付与されていないノードがまだ存在するか否かを判断する。ステップＳ１６０１で特徴量が付与されていないノードが存在しない場合（ｎｏ）、処理をステップＳ１６０６に分岐させて処理を終了する。ステップＳ１６０１で、特徴量を計算するべきノードが存在する場合（ｙｅｓ）、ステップＳ１６０２で、生成されたタイムスタンプが最新のノードＣを取得する。

ステップＳ１６０３では、ノードＣから直接情報が伝搬したノード集合Ｌを取得する。その後、ステップＳ１６０４では、ノードＣに直接情報を伝搬させたノード集合Ｕを取得し、ステップＳ１６０５で、ノードＣのノード特徴量を計算する。ノード特徴量の計算には、ノード集合Ｌ内のノードに付与されたノード特徴量、ノード集合Ｕ、Ｌ内のノードとノードＣとの間にある、時間的情報、例えば、コンテンツを読んだタイムスタンプおよびコンテンツを書いたタイムスタンプの間隔などを使用することができる。

その後、処理をステップＳ１６０１に分岐させ、ステップＳ１６０１の判断が否定的な結果を返すまで、処理を繰り返す。上述の処理によって、情報伝播グラフ内の全ノードについてのノード特徴量を計算することが可能となる。

３−４−３−２．ノード特徴量の数値化（ステップＳ１６０５）
ノード特徴量の計算を、図１７に示す変数定義および情報伝播グラフ１７００を使用して説明する。情報伝播グラフ１７００は、合計４ノード（４コンテンツ）を含んで構成されるものとして説明する。各ノード１７１０〜１７４０は、図１０で説明したデータ構造を参照して、ノード識別値ＩＤ_ｉ、ノードＩＤ_ｉの作成ユーザＩＤをＵ_ｉ、ＴＧ_ｉを、ノードＩＤ_ｉが作成されたタイムスタンプ、ＴＲ_ｉｊを、ノードＩＤ_ｊの作成ユーザがノードＩＤ_ｉを読んだ、すなわち、ノードＩＤ_ｉに行動モード「read」でアクセスしたタイムスタンプ、Ｒ_ｉを、ノードＩＤ_ｉが読まれた回数とする。

本実施形態では、ノードを特徴付ける値の求め方の具体例を2つ示す。一つ目の実施形態では、ノードを特徴付ける値として、当該ノードが、早い時期に作成されたこと、多く閲覧され、多くのコンテンツに影響を与えた度合いを、ノード特徴量として定義する。以下上述した特徴を有するユーザを、本実施形態では、アーリー・アダプタ(Early Adopter)として参照する。アーリー・アダプタを見出すためのノード特徴量の計算は、以下の条件を仮定することにより行われる。

（１）最初のコンテンツが生成されてからの時間間隔：ΔＴ_ｉ＝Ｔ_ｉ−Ｔ_ｍｉｎＧが短いこと：（Ｇは、情報伝播グラフ上での値を意味し、Ｔ_ｉは、ノードＩＤ＝ｉのタイムスタンプであり、Ｔ_ｍｉｎＧは、Ｇ内の最も古いノードのタイムスタンプである。）
（２）読まれた回数Ｒ_ｉが多いこと：
（３）子孫数Ｎ_ｉが大きいこと：

なお、上記変数中、Ｎ_ｉは、情報伝播グラフＧの下流に位置するノード数であり、例えば下記式（１）で計算することができる。

として定義することができる

以上の仮定に基づき、アーリー・アダプタ度を下記式（２）で定義することができる。

上記式（１）中、ｆ（ΔＴ_ｉ）は、ΔＴＧ_ｉの単調非増加関数であり、ｆ（ΔＴＧ_ｍｉｎＧ）＝１、ｆ（ΔＴＧ_ｍａｘＧ）≒０を満たす関数である。また、ｇ（Ｒ_ｉ）、ｈ（Ｎ_ｉ）は、それぞれＲ_ｉ、Ｎ_ｉの単調非減少関数で、最小値＝０、最大値＝１である。また、ｗ_ｔ、ｗ_ｐ、ｗ_ａは、ｆ、
ｇ、ｈに対するそれぞれの重みである。

より具体的には、上記式（２）は、下記式（３）として具体的に記述することができる。

上記式（３）中、Ｒ_ｍａｘは、最も読まれたノードの読まれた回数であり、＃Ｖは、情報伝播グラフＧの全ノード数である。なお、上記式は、本実施形態の説明の目的で説明したものであり、本発明は、特定の実施形態に限定されるものではない。

３−４−４．ユーザ特徴量の定量化（ステップＳ１５０２）
以上に説明した数値化方法を使用して、計算されたノード特徴量を使用して、ユーザ特徴量を計算する。計算されたユーザ特徴量は、ユーザがどの程度アーリー・アダプタとして機能するかを特徴付ける値となる。図１８は、ユーザ特徴量の計算処理の実施形態のフローチャートを示す。図１８の処理は、ステップＳ１８００から開始し、ステップＳ１８０１で、特徴量が付与されていないノードがまだ存在するか否かを判断する。ステップＳ１８０１で特徴量が付与されていないノードが存在しない場合（ｎｏ）、処理をステップＳ１８０５に分岐させて処理を終了する。ステップＳ１８０１で、特徴量を計算するべきノードが存在する場合（ｙｅｓ）、ステップＳ１８０２で、ユーザ特徴量が付与されていないユーザｕを取得する。ステップＳ１８０３では、ユーザｕが生成したコンテンツ集合Ｕを取得する。

ステップＳ１０８４では、ノード集合Ｕ内のノードに付与されたノード特徴量を使用して、ユーザｕのユーザ特徴量を計算する。ステップＳ１８０４の後、処理をステップＳ１８０１に分岐させ、ユーザ特徴量が付与されていないユーザＩＤのユーザがいなくなるまで、処理を反復させる。なお、ユーザ特徴量の計算では、ユーザ特徴量を、ノード特徴量のうち、最も大きな値を有するノードの値と設定することができる。さらに、各ノード特徴量の平均値またはトップＮ（Ｎは、正の整数である。）のノード特徴量の平均値を採用することもできる。

さらに、ノードが作成された際の時間差を使用してユーザ特徴量を生成する処理は、ＳＮＳなどのサービス内で、特定の話題が盛り上がり、また下火になり、再度盛り上がるなどの複雑な挙動を示す。この様な場合、最初のピークから正確にアーリー・アダプタの特徴量を与えるため、ΔＴ_ｉ＝Ｔ_ｉ−Ｔ_ｍｉｎＧを使用して重み付き平均を使用し、下記式（４）で与えられるユーザ特徴量を用いることができる。

なお、上記式（４）中、Kは、ユーザｕが生成した情報に対応する添え字の集合である。

上記式（４）中、ＥＡ（ｕ）は、各ユーザの作成したノードに付与されたノード特徴量ＤＥＡ（i）の、f(ΔＴ_ｉ)による重み付き平均であり、ｋは、ユーザｕが生成したノード数であり、ｆ（ΔＴ_ｉ）は、単調非増加関数であり、ｆ（ΔＴ_ｍｉｎ）＝１、ｆ（ΔＴ_ｍａｘ）≒０を満たす関数である。より具体的に、時間差が大きくなるにしたがって、指数関数的に参照が少なくなるという経験的な場合、上記式（４）は、下記式（５）で良好に再現することができる。

もう一つの実施形態では、ノードを特徴付ける値として、当該ノードが他のコンテンツを読んでから作成されるまでの時刻の和が短いこと、閲覧された中でコンテンツを作成した数が多いこと、多くのコンテンツに影響を与えたこと、の度合いをノード特徴量として定義する。以下上述した情報発信源として機能する特徴を有したユーザを、本実施形態では情報伝播ユーザ（インフルエンサ）として参照する。インフルエンサを見出すための特徴量は、条件を仮定することにより行われる。

（１）他のコンテンツを読んでから作成されるまでの時間差ΔＴＲ_ｊｉ＝（ＴＲ_ｊｉ−ＴＧ_ｉ）の積算値が短いこと：
（２）読取りアクションが行われたノードのうちで、子ノードがより多数作成される、すなわちn_i/R_iが大きいこと：（ただしn_iは子ノード数）
（３）子孫数Ｎ_ｉが大きいこと：

以上の仮定に基づき、各ノードiのインフルエンサ度ＤＩＦ（ｉ）を、下記式（６）で定義することができる。

上記式（６）中、各式は、以下の通り定義される。

上述した定義を使用して、好適な実施形態でのインフルエンサ度ＤＩＦ（ｉ）は、下記式（８）で定義することができる。

上述したインフルエンサ度ＤＩＦ（ｉ）の定式化を使用して、特定のユーザｕに対するインフルエンサ度ＩＦ（ｕ）は、下記式（９）で与えられ、各ユーザの作成したノードについて計算されたノード特徴量ＤＩＦ（ｉ）の平均値として与えることができる。

なお、上記式（９）中、Ｋは、ユーザｕが生成した情報に対応する添え字の集合である。

これまで本発明を、実施形態をもって説明してきたが、本発明によれば、ネットワークに接続されたクライアントがどのような目的をもって情報を伝搬したのかを検出して登録し、クライアントのネットワーク上でのアクティビティを、サーバの処理に反映させることが可能となり、ネットワークに対する情報発信源となっているユーザを特定のコンテンツ属性に関連させて抽出することが可能となる。また、本発明によれば、情報伝播グラフの作成に基づいて特定のコンテンツ属性に関連するユーザを効率的に特定することが可能となる。なお、本発明の各機能処理部は、上述した実施形態の構成に限定されるものではなく、特定の実装形態に応じて、複数の機能を統合した機能処理部として実装するこができる。またこれとは逆に、特定の機能処理部は、さらに複数の機能処理部に分割して実装されてもよい。

本実施形態の上記機能は、Ｃ＋＋、Ｊａｖａ（登録商標）、Ｊａｖａ（登録商標）Ｂｅａｎｓ、Ｊａｖａ（登録商標）Ａｐｐｌｅｔ、Ｊａｖａ（登録商標）Ｓｃｒｉｐｔ、Ｐｅｒｌ、Ｒｕｂｙなどのオブジェクト指向プログラミング言語などで記述された装置実行可能なプログラムにより実現でき、当該プログラムは、ハードディスク装置、ＣＤ−ＲＯＭ、ＭＯ、フレキシブルディスク、ＥＥＰＲＯＭ、ＥＰＲＯＭなどの装置可読な記録媒体に格納して頒布することができ、また他装置が可能な形式でネットワークを介して伝送することができる。

これまで本実施形態につき説明してきたが、本発明は、上述した実施形態に限定されるものではなく、他の実施形態、追加、変更、削除など、当業者が想到することができる範囲内で変更することができ、いずれの態様においても本発明の作用・効果を奏する限り、本発明の範囲に含まれるものである。

本実施形態の分析システム１００の実施形態を示した図。 図１に示した分析サーバ１０２の機能ブロックを示した図。 行動ログ記憶部２３０に格納される行動ログ・データおよびコンテンツ記憶部２３２に格納されるコンテンツの実施形態を示した図。 本実施形態でユーザの行動タイプ４００の概略図。 分析サーバ１０２が実行するユーザ特徴付け処理のためのプリプロセッシング（前処理）に対応するキーワード抽出およびキーワードによるコンテンツの索引付け処理のフローチャート。 図５に説明したプリプロセッシングにより生成された索引リスト６００の実施形態を示した図。 属性指定キーワードを使用した、指定された属性を有するコンテンツを検索する処理の実施形態のフローチャート 図７のステップＳ７０３およびステップＳ７０４のコンテンツ抽出処理を、作成されるデータ構造を用いて説明する概略図。 分析サーバ１０２が、行動ログ・データ９００から、コンテンツ間の情報伝播の関係を生成する処理の概略図。 情報伝播グラフ９１０を情報処理上で定義するためのデータ構造の概略図。 分析サーバ１０２が実行する情報伝播グラフ９１０および図１０の各データ構造を作成する処理のフローチャート。 ノード生成処理の実施形態に付いてのフローチャート。 リンク生成処理の実施形態のフローチャート。 ユーザ特徴量の計算は分析サーバが実行するユーザ特徴量の計算処理の概略図。 ユーザ特徴量計算処理の実施形態のフローチャート。 ノード特徴量計算部が実行する処理の実施形態のフローチャート。 ノード特徴量の計算のために使用する変数定義および情報伝播グラフの説明図。 ユーザ特徴量を得るための計算処理の実施形態のフローチャート。

符号の説明

１００…分析システム、１０２…分析サーバ、１０４…サーバ、１０６…ネットワーク、１０８、１１２、１１４…クライアント、１１０…管理者端末、１２０…機能統合サーバ、２００…機能ブロック（分析サーバ）、２１２…情報伝播グラフ取得部、２１４…キーワード情報記憶部、２１６…キーワード抽出部、２１８…通信制御部、２２０…情報伝播グラフ記憶部、２２２…特徴ユーザ計算部、２２４…ユーザ特徴量記憶部、２３０…行動ログ記憶部、２３２…コンテンツ記憶部、３００、９００…行動ログ・データ、３５０…コンテンツ・リスト、６００…索引リスト、８００…コンテンツ集合、９１０…情報伝播グラフ、１０００…ノード・リスト、１０５０…リンク・リスト

Claims (17)

1. ネットワーク上での情報発生源のアクティビティを分析する分析システムであって、前記分析システムは、
   前記ネットワーク上で伝送される情報から情報特性値を抽出し、情報識別値に対応付けて前記情報特性値を登録する索引リストを生成する属性抽出部と、
   前記情報に関連した前記ネットワーク上での行動タイプ、ユーザを固有に識別するユーザＩＤ、および前記情報を対応付けて記録する行動履歴データから、設定条件により抽出された属性を有する前記情報に関連して前記行動履歴データを検索し、前記ネットワーク上での、前記情報の生成または編集に対応して前記情報をノードとして登録し、前記行動タイプを使用して、前記ノードの時系列的な生成を示すリンクで連結したグラフを生成する情報伝播グラフ取得部と、
   前記グラフの前記ノードの前記ネットワーク上でのアクティビティを示す尺度であるノード特徴量を計算し、前記ノード特徴量を前記グラフのリンクの上流側に向かって積算し前記ユーザの前記情報発生源としてのアクティビティを数値化する特徴ユーザ計算部と
   を含む、分析システム。
2. 前記分析システムは、前記情報を蓄積する情報記憶部および前記行動履歴データを収集する行動履歴記憶部を含むサーバを含み、前記情報伝播グラフ取得部は、前記サーバが蓄積した前記情報および前記行動履歴データを取得して、前記サーバを経由して伝播した前記情報について前記グラフを生成する、請求項１に記載の分析システム。
3. 前記分析システムは、通信制御部を含み、前記設定条件を前記通信制御部を介して取得し、前記情報の前記属性を設定する、請求項２に記載の分析システム。
4. 前記サーバは、ＳＮＳサーバ、またはウェブ・サーバである、請求項３に記載の分析システム。
5. ネットワーク上での情報発生源のアクティビティを分析する情報処理装置であって、前記情報処理装置は、
   前記ネットワーク上で伝送される情報から情報特性値を抽出し、情報識別値に対応付けて前記情報特性値を登録する索引リストを生成する属性抽出部と、
   前記情報に関連した前記ネットワーク上での行動タイプ、ユーザを固有に識別するユーザＩＤ、および前記情報を対応付けて登録する行動履歴データから、情報属性を指定するための設定条件により抽出された属性を有する前記情報に関連して行動履歴データを検索し、前記情報の前記ネットワーク上での生成または編集に対応して前記情報をノードとして登録し、前記行動タイプを使用して、前記ノードの時系列的な生成を示すリンクで連結したグラフを生成する情報伝播グラフ取得部と、
   前記グラフの前記ノードの前記ネットワーク上でのアクティビティを示す尺度であるノード特徴量を計算し、前記ノード特徴量を前記グラフのリンクの上流側に向かって積算し前記ユーザの前記情報発生源としてのアクティビティを数値化する特徴ユーザ計算部と
   を含む、情報処理装置。
6. 前記ネットワークに接続され、前記情報を蓄積する情報記憶部および前記行動履歴データを収集する行動履歴記憶部を含むサーバを含み、前記情報処理装置は、情報伝播グラフ取得部は、前記サーバが蓄積した前記情報および前記行動履歴データを取得して、前記サーバを経由して伝播した前記情報について前記グラフを生成する、請求項５に記載の情報処理装置。
7. 前記情報処理装置は、通信制御部を含み、前記設定条件を前記通信制御部を介して取得し、前記情報の前記属性を設定する、請求項６に記載の情報処理装置。
8. 前記サーバは、ＳＮＳサーバまたはウェブ・サーバである、請求項７に記載の情報処理装置。
9. 前記情報処理装置は、前記サーバの機能モジュールとされる、請求項６に記載の情報処理装置。
10. ネットワーク上での情報発生源のアクティビティを分析するコンピュータが実行するアクティビティ分析方法であって、前記方法は、前記コンピュータが、
    前記ネットワーク上で伝送される情報から情報特性値を抽出し、情報識別値に対応付けて前記情報特性値を登録する索引リストを生成するステップと、
    前記情報に関連した前記ネットワーク上での行動タイプ、ユーザを固有に識別するユーザＩＤ、および前記情報を対応付けて登録する行動履歴データから、情報属性を指定するための設定条件により抽出された属性を有する前記情報に関連して行動履歴データを検索するステップと、
    前記情報の前記ネットワーク上での生成または編集に対応して前記情報をノードとして登録し、前記行動タイプを使用して、前記ノードの時系列的な生成を示すリンクで連結したグラフを生成するステップと、
    前記グラフの前記ノードの前記ネットワーク上でのアクティビティを示す尺度であるノード特徴量を計算するステップと、
    前記ノード特徴量を前記グラフのリンクの上流側に向かって積算し前記ユーザの前記情報発生源としてのアクティビティを数値化するステップと
    を実行する、アクティビティ分析方法。
11. 前記グラフを生成するステップは、前記情報および前記行動履歴データを取得して、前記サーバを経由して伝播され、前記設定条件により属性が指定された前記情報について前記グラフを生成するステップを含む、請求項１０に記載のアクティビティ分析方法。
12. 前記設定条件は、キーワードであり、前記設定条件を前記通信制御部を介して取得し、前記情報の前記属性を設定するために設定条件情報記憶部に格納するステップを含む、請求項１１に記載のアクティビティ分析方法。
13. 前記アクティビティを数値化し、格納するステップは、ＳＮＳサーバ、またはウェブ・サーバにアクセスする前記ユーザの情報発信源として機能する前記アクティビティを数値化する、請求項１２に記載のアクティビティ分析方法。
14. ネットワーク上での情報発生源のアクティビティを分析するコンピュータが実行するアクティビティ分析プログラムであって、前記コンピュータが、
    前記ネットワーク上で伝送される情報から情報特性値を抽出し、情報識別値に対応付けて前記情報特性値を登録する索引リストを生成するステップと、
    前記情報に関連した前記ネットワーク上での行動タイプ、ユーザを固有に識別するユーザＩＤ、および前記情報を対応付けて登録する行動履歴データから、情報属性を指定するための設定条件により抽出された属性を有する前記情報に関連して行動履歴データを検索するステップと、
    前記情報の前記ネットワーク上での生成または編集に対応して前記情報をノードとして登録し、前記行動タイプを使用して、前記ノードの時系列的な生成を示すリンクで連結したグラフを生成するステップと、
    前記グラフの前記ノードが情報発生源として機能する尺度であるノード特徴量を計算するステップと、
    前記ノード特徴量を前記グラフのリンクの上流側に向かって積算し前記ユーザの前記情報発生源としてのアクティビティを数値化するステップと
    を実行する、アクティビティ分析プログラム。
15. 前記グラフを生成するステップは、前記情報および前記行動履歴データを取得して、前記サーバを経由して伝播され、前記設定条件により属性が指定された前記情報について前記グラフを生成するステップを含む、請求項１４に記載のアクティビティ分析プログラム。
16. 前記設定条件は、キーワードであり、前記設定条件を前記通信制御部を介して取得し、前記情報の前記属性を設定するために設定条件情報記憶部に格納するステップを含む、請求項１４に記載のアクティビティ分析プログラム。
17. 前記アクティビティを数値化し、格納するステップは、ＳＮＳサーバ、またはウェブ・サーバにアクセスする前記ユーザの情報発信源として機能する前記アクティビティを数値化する、請求項１４に記載のアクティビティ分析プログラム。

Images