JP5165200B2

JP5165200B2 - スコア導出システム

Info

Publication number: JP5165200B2
Application number: JP2006001682A
Authority: JP
Inventors: 浩之山田
Original assignee: Yahoo Japan Corp
Current assignee: Yahoo Japan Corp
Priority date: 2006-01-06
Filing date: 2006-01-06
Publication date: 2013-03-21
Anticipated expiration: 2026-01-06
Also published as: JP2007183825A

Description

本発明は、インターネットサイトの人気度等をランキングするためのスコア導出システムに関する。

昨今、インターネット上のブログ（Blog, Weblog：個人や数人のグループで運営され、日々更新される日記的なＷｅｂサイト）が注目されており、多数のブログが存在する。ブログは複数のＨＴＭＬ（Hyper Text Markup Language）ページから構成されている。

人気のあるブログをランキングして紹介するサービスも行われており、ランキングのためのスコア導出手法が提案されている（例えば、特許文献１、２を参照。）。

図１は特許文献１、２に開示されている「ページランク（Page Rank）」と呼ばれる従来のスコア導出の概要を示す図である。

図１において、ページＡからページＢとページＣに矢印付きの線で示すようにリンクが行われ、ページＢからページＣにリンクが行われ、ページＣからページＡにリンクが行われているとすると、ｉ＋１回目の計算における各ページのスコア（ランク）は、
ｒ_ｉ＋１（Ａ）＝ｒ_ｉ（Ｃ）
ｒ_ｉ＋１（Ｂ）＝ｒ_ｉ（Ａ）／２
ｒ_ｉ＋１（Ｃ）＝ｒ_ｉ（Ａ）／２＋ｒ_ｉ（Ｂ）
のようになる。これは、あるページのスコアは、そのページにリンクしてくるページのスコアに依存するという前提による。なお、一つのページから複数のリンクがある場合、リンク先のページに加算されるスコアはリンクの数で割ったものとなる。

例えば、１回目の各スコアを
ｒ_１（Ａ）＝１
ｒ_１（Ｂ）＝１
ｒ_１（Ｃ）＝１
とした場合、２回目の各スコアは、
ｒ_２（Ａ）＝１
ｒ_２（Ｂ）＝０．５
ｒ_２（Ｃ）＝１．５
となり、３回目の各スコアは、
ｒ_３（Ａ）＝１．５
ｒ_３（Ｂ）＝０．５
ｒ_３（Ｃ）＝１
となり、このような計算を所定の回数（この例では数十回）にわたって繰り返す（ループする）ことで、
ｒ_∞（Ａ）＝１．２
ｒ_∞（Ｂ）＝０．６
ｒ_∞（Ｃ）＝１．２
に収束することになる。
米国特許第６２８５９９９号明細書米国特許第６７９９１７６号明細書

図１に示した例はごく単純化した３つのページによるものであるが、収束値を得るまでには相当量の計算処理を行うことが必要となり、実際には膨大な数のページについて処理しなければならないことから、処理時間がかかるとともに、サーバへの負担が重いという問題があった。また、想定外のページへのランダムなリンクを考慮するため、各ページのスコアの一定割合（１０％程度）を均等に割り振った値を他のページのスコアに加算することも行われており、更に計算処理の負担は増大する。

一方、自分のブログのランキングを上昇させようとして、自分のブログのページ間で意図的なリンク（スパムリンク、スパムトラックバック等）を設けることも行われており、従来のスコア導出手法ではかかる不正なスコアアップを防止することができなかった。

更に、ブログの作者毎に人気度等のランキングを行いたいところであるが、従来のスコア導出はページ単位でしか行えないため、ページ単位で求めたスコアを更に作者毎に集計する必要があった。

本発明は上記の従来の問題点に鑑み提案されたものであり、その目的とするところは、処理時間を短縮しサーバへの負担を軽くすることができるとともに、スパムリンク等による精度低下を防止し、作者毎のスコア集計を行うことのできるスコア導出システムを提供することにある。

上記の課題を解決するため、本発明にあっては、請求項１に記載されるように、ネットワーク上のサイトから、少なくとも、ページの識別情報、当該ページからリンクするページの識別情報、および、当該ページの作成主体の識別情報を一組とする情報を抽出してデータ格納部に格納する手段と、上記データ格納部から上記の情報を取得し、取得した上記の情報からページの識別情報と当該ページがリンクするページの識別情報との第１の対応情報を抽出する手段と、上記データ格納部から上記の情報を取得し、取得した上記の情報からページの識別情報と当該ページの作成主体の識別情報との第２の対応情報を抽出する手段と、上記第１の対応情報のページの識別情報と当該ページがリンクするページの識別情報から、ページの識別情報が共通する上記第２の対応情報の作成主体の識別情報をそれぞれ取得することで、ページの作成主体の識別情報と当該ページがリンクするページの作成主体の識別情報との第３の対応情報を抽出する手段と、上記第３の対応情報の示す作成主体間のリンク関係に基づいて、各作成主体のスコアを初期値に設定し、リンク元の作成主体の現時点のスコアをリンク先の数で割った値をリンク先の作成主体のスコアに加算する処理を所定回数繰り返すことで、各作成主体のスコアを算出する手段とを備えるスコア導出システムを要旨としている。

また、請求項２に記載されるように、請求項１に記載のスコア導出システムにおいて、上記の作成主体の識別情報は、ＲＳＳに含まれるＩＤであるものとすることができる。

また、請求項３に記載されるように、請求項１に記載のスコア導出システムにおいて、上記の作成主体の識別情報は、ネットワークサービス上の作成者の会員ＩＤであるものとすることができる。

また、請求項４に記載されるように、スコア導出方法として構成することができる。

本発明のスコア導出システムにあっては、処理時間を短縮しサーバへの負担を軽くすることができるとともに、スパムリンク等による精度低下を防止し、作者毎のスコア集計を行うことができる。

以下、本発明の好適な実施形態につき説明する。

図２は本発明の一実施形態にかかるスコア導出システム１００の構成例を示す図である。図２において、スコア導出システム１００は、インターネット２００上の計測対象となるサイトのコンテンツから少なくともページの識別情報、当該ページからリンクするページの識別情報、および、当該ページの作成主体を識別する情報を抽出してデータ格納部１２０に格納するコンテンツ抽出部１１０と、データ格納部１２０から情報を取得して作成主体を識別する情報に基づいて作成主体毎のリンク関係にグループ化するグループ化処理部１３０と、グループ化された作成主体毎のリンク関係に基づいてスコアを算出するスコア算出処理部１４０とを備えている。なお、ページの識別情報としては、ＵＲＬ（Uniform Resource Locator）を用いることができる。また、作成主体を識別する情報としては、ブログの要約情報を提供するＲＳＳ（Rich Site Summary, Really Simple Syndication, RDF(Resource Description Framework) Site Summary）に含まれるＩＤ（ＲＳＳ−ＩＤ）を用いることができる。ＲＳＳ−ＩＤはソースの情報に埋め込まれているＲＳＳへのリンク情報から取得することができる。更に、作成主体を識別する情報としてネットワークサービス上の作成者の会員ＩＤを用いることもできる。

図３はデータ格納部１２０の格納情報の例を示す図であり、ページのＵＲＬと、そのページがリンクするページのＵＲＬと、ページ（リンク元）のＲＳＳ−ＩＤとが、ページの数だけ含まれている。なお、コンテンツ抽出部１１０は、ページの情報を抽出する際に、ブログでないページ（ソースにＲＳＳへのリンク情報を示すタグが含まれないページ）の情報を排除する。例えば、ページＡからページＣへのリンクがなされていても、ページＣがブログでない場合、ページＣについての情報は、ページ自体の情報としてもリンク先の情報としても抽出しない。こうすることで、後の処理を軽くすることができる。

図４はグループ化処理部１３０の詳細構成例を示す図であり、リンク抽出部１３１とＲＳＳ抽出部１３２とＲＳＳ間リンク抽出部１３３とを備えている。

図４において、リンク抽出部１３１は、データ格納部１２０の情報からページと当該ページがリンクするページの対応情報を抽出し、ページ／リンクページ対応テーブルＴ１を生成する。図示の例では、ページＡがページＢ、Ｄにリンクし、ページＢがページＥ、Ｆ、Ｇにリンクしていることを示している。ページＡからページＣへのリンクがなされているが、ページＣはブログでない場合を想定しているため、ページＣの情報は出てこない。

また、ＲＳＳ抽出部１３２は、データ格納部１２０の情報からページと当該ページが属するＲＳＳ−ＩＤとの対応情報を抽出し、ページ／ＲＳＳ対応テーブルＴ２もしくはＲＳＳ／ページ対応テーブルＴ３を生成する。図示の例では、ページＡ、ＤはＲＳＳ１に属し、ページＢ、Ｅ、ＦはＲＳＳ２に属していることを示している。ここでも、ページＡからリンクされるページＣはブログでない場合を想定しているため、ページＣの情報は出てこない。

次いで、ＲＳＳ間リンク抽出部１３３は、ページ／リンクページ対応テーブルＴ１とページ／ＲＳＳ対応テーブルＴ２もしくはＲＳＳ／ページ対応テーブルＴ３から、ＲＳＳ−ＩＤ毎のリンクの対応情報を抽出し、ＲＳＳ／リンクＲＳＳ対応テーブルＴ４を生成する。図示の例では、ＲＳＳ１からＲＳＳ２にリンクし、ＲＳＳ２からＲＳＳ１、ＲＳＳ３にリンクしていることを示している。

そして、スコア算出処理部１４０はＲＳＳ／リンクＲＳＳ対応テーブルＴ４に基づき、図１に示した従来のスコア導出手法におけるページをＲＳＳ−ＩＤ毎のグループに置き換えてスコアを算出する。

図５は本発明においてスコア算出の対象となるリンクの例を示す図であり、作者１のブログと作者２のブログと作者３のブログがあるとして、各ブログ内のページ間で複数のリンクが存在しても、雑多なページ群を作者毎のブログにグループ化することで、スコア算出の対象となるのはブログ間のリンクＬ１、Ｌ２、Ｌ３のみとなり、ブログ内のリンクは無視される。また、ブログ以外のページへのリンクも無視される。

従って、スコア算出の処理時間を短縮しサーバへの負担を軽くすることができるとともに、スパムリンク等による精度低下を防止することができる。また、作成者毎のスコアを直接に求めることができる。

図６は従来と本発明の処理時間の違いを示す図である。図６において、従来はページに対するループ処理の時間Ｔ_Ｎがかかっていたのに対し、本発明ではグループ化処理の時間Ｔ_ｍとグループに対するループ処理の時間Ｔ_Ｍとがかかる。以下、数式により、その大小関係について考察する。

各定数を次のように定める。
ｎ：ページ（ノード）数
ｍ：グループ数
Ｃ：１グループあたりのグループ化処理の時間（一定）
Ｎ：１ページもしくは１グループあたりの１回のループ処理の時間（一定）
β：ループ処理の繰り返し数
α：グループ化したことによる処理時間短縮率（０<α≦１）
これらを用いて従来におけるページに対するループ処理の時間Ｔ_Ｎを表すと、
Ｔ_Ｎ＝β・ｎ・Ｎ
となる。

また、本発明におけるグループ化処理の時間Ｔ_ｍは、
Ｔ_ｍ＝ｍ・Ｃ
となり、グループに対するループ処理の時間Ｔ_Ｍは、
Ｔ_Ｍ＝β・ｍ・α・Ｎ
となる。

ここで、従来の処理時間から本発明の処理時間を差し引くと、
Ｔ_Ｎ−（Ｔ_ｍ＋Ｔ_Ｍ）＝β・ｎ・Ｎ−ｍ・Ｃ−β・ｍ・α・Ｎ
＝β・Ｎ（ｎ−ｍ・α）−ｍ・Ｃ
となる。

経験上、１つのブログは１０個以上のページを持っていることから、
ｎ≧１０ｍ
と考えられ、最低値である
ｎ＝１０ｍ
とおくと、
Ｔ_Ｎ−（Ｔ_ｍ＋Ｔ_Ｍ）＝β・Ｎ（１０ｍ−ｍ・α）−ｍ・Ｃ
＝β・Ｎ・ｍ（１０−α）−ｍ・Ｃ
となる。

更に、αとして最悪の状態（処理時間短縮がない状態）を考え、
α＝１
とすると、
Ｔ_Ｎ−（Ｔ_ｍ＋Ｔ_Ｍ）＝β・Ｎ・ｍ・９−ｍ・Ｃ
＝ｍ（９・β・Ｎ−Ｃ）
となる。

ここで、ＮとＣは略同等のオーダーの値であることから、９・β・ＮはＣに比して非常に大きな値となり、
Ｔ_Ｎ−（Ｔ_ｍ＋Ｔ_Ｍ）≫０
であるといえ、大きな時間短縮の効果があることがわかる。

以上、本発明の好適な実施の形態により本発明を説明した。ここでは特定の具体例を示して本発明を説明したが、特許請求の範囲に定義された本発明の広範な趣旨および範囲から逸脱することなく、これら具体例に様々な修正および変更を加えることができることは明らかである。すなわち、具体例の詳細および添付の図面により本発明が限定されるものと解釈してはならない。

従来のスコア導出の概要を示す図である。本発明の一実施形態にかかるスコア導出システムの構成例を示す図である。データ格納部の格納情報の例を示す図である。グループ化処理部の詳細構成例を示す図である。本発明においてスコア算出の対象となるリンクの例を示す図である。従来と本発明の処理時間の違いを示す図である。

符号の説明

１００スコア導出システム
１１０コンテンツ抽出部
１２０データ格納部
１３０グループ化処理部
１３１リンク抽出部
１３２ＲＳＳ抽出部
１３３ＲＳＳ間リンク抽出部
１４０スコア算出処理部
２００インターネット
Ｔ１ページ／リンクページ対応テーブル
Ｔ２ページ／ＲＳＳ対応テーブル
Ｔ３ＲＳＳ／ページ対応テーブル
Ｔ４ＲＳＳ／リンクＲＳＳ対応テーブル

Claims

ネットワーク上のサイトから、少なくとも、ページの識別情報、当該ページからリンクするページの識別情報、および、当該ページの作成主体の識別情報を一組とする情報を抽出してデータ格納部に格納する手段と、
上記データ格納部から上記の情報を取得し、取得した上記の情報からページの識別情報と当該ページがリンクするページの識別情報との第１の対応情報を抽出する手段と、
上記データ格納部から上記の情報を取得し、取得した上記の情報からページの識別情報と当該ページの作成主体の識別情報との第２の対応情報を抽出する手段と、
上記第１の対応情報のページの識別情報と当該ページがリンクするページの識別情報から、ページの識別情報が共通する上記第２の対応情報の作成主体の識別情報をそれぞれ取得することで、ページの作成主体の識別情報と当該ページがリンクするページの作成主体の識別情報との第３の対応情報を抽出する手段と、
上記第３の対応情報の示す作成主体間のリンク関係に基づいて、各作成主体のスコアを初期値に設定し、リンク元の作成主体の現時点のスコアをリンク先の数で割った値をリンク先の作成主体のスコアに加算する処理を所定回数繰り返すことで、各作成主体のスコアを算出する手段とを備えたことを特徴とするスコア導出システム。
請求項１に記載のスコア導出システムにおいて、
上記の作成主体の識別情報は、ＲＳＳに含まれるＩＤであることを特徴とするスコア導出システム。
請求項１に記載のスコア導出システムにおいて、
上記の作成主体の識別情報は、ネットワークサービス上の作成者の会員ＩＤであることを特徴とするスコア導出システム。
コンテンツ導出システムのコンテンツ抽出部が、ネットワーク上のサイトから、少なくとも、ページの識別情報、当該ページからリンクするページの識別情報、および、当該ページの作成主体の識別情報を一組とする情報を抽出してデータ格納部に格納する工程と、
上記コンテンツ導出システムのグループ化処理部が、上記データ格納部から上記の情報を取得し、取得した上記の情報からページの識別情報と当該ページがリンクするページの識別情報との第１の対応情報を抽出する工程と、
上記グループ化処理部が、上記データ格納部から上記の情報を取得し、取得した上記の情報からページの識別情報と当該ページの作成主体の識別情報との第２の対応情報を抽出する工程と、
上記グループ化処理部が、上記第１の対応情報のページの識別情報と当該ページがリンクするページの識別情報から、ページの識別情報が共通する上記第２の対応情報の作成主体の識別情報をそれぞれ取得することで、ページの作成主体の識別情報と当該ページがリンクするページの作成主体の識別情報との第３の対応情報を抽出する工程と、
上記コンテンツ導出システムのスコア算出処理部が、上記第３の対応情報の示す作成主体間のリンク関係に基づいて、各作成主体のスコアを初期値に設定し、リンク元の作成主体の現時点のスコアをリンク先の数で割った値をリンク先の作成主体のスコアに加算する処理を所定回数繰り返すことで、各作成主体のスコアを算出する工程とを備えたことを特徴とするスコア導出方法。