JP5166949B2 - レコメンド情報生成装置およびレコメンド情報生成方法 - Google Patents

Description

本発明は、レコメンド情報を生成するレコメンド情報生成装置およびレコメンド情報生成方法に関する。

ユーザの履歴と他ユーザの履歴との比較に基づいて類似ユーザを求め、類似ユーザがよく見るコンテンツを推薦する強調フィルタ方式が考えられている。例えば、下記特許文献１（特開２００２−２１５６６５号公報）には、対象とするユーザに最もよく似た嗜好を持つ協調ユーザを選定し、この協調ユーザのプロファイルに基づいて推薦するコンテンツを選択することが記載されている。
特開２００２−２１５６６５号公報

しかしながら、上述特許文献１に記載の技術ではアクセス履歴が増えないとレコメンド情報を決定することができないという問題がある。すなわち、嗜好が類似するユーザを選択する場合には、1以上同じコンテンツを選択することが必要であるため、同じコンテンツを選択していないと類似ユーザと認められない。そのため、ある程度のアクセス履歴の蓄積が必要とされる。したがって、各ユーザにおけるアクセル履歴が少ない状態で、類似ユーザに基づいたレコメンド情報を生成することが困難であった。

そこで、本発明は、履歴情報が少なくても類似する類似ユーザを的確に選択することができるレコメンド情報生成装置およびレコメンド情報生成方法を提供することを目的とする。

上述の課題を解決するために、本発明のレコメンド情報生成装置は、各ユーザのユーザ特性ベクトルを取得するベクトル取得手段と、前記ベクトル取得手段により取得された各ユーザのユーザ特性ベクトルに基づいてユーザ間の類似度を算出する類似度算出手段と、前記類似度算出手段により算出された類似度に基づいて一のユーザと類似する類似ユーザを選択する選択手段と、前記選択手段により選択された類似ユーザの特徴ベクトルに基づいて、前記一のユーザに対するレコメンド情報を生成する生成手段と、を備え、前記ベクトル取得手段は、ユーザ操作により、複数の選択対象項目から一の選択対象項目を選択することを受け付ける受付手段と、前記受付手段により受け付けられた選択対象項目の満足特徴ベクトルおよび前記受付手段により受け付けられなかった選択対象項目の不満足特徴ベクトルを記憶する記憶手段と、前記記憶手段により記憶されている選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを分離するための分離平面に直交する直交ベクトルをユーザ特性ベクトルとするユーザ特性ベクトル生成手段と、から構成される。

また、本発明のレコメンド情報生成方法は、各ユーザのユーザ特性ベクトルをレコメンド情報生成装置が取得するベクトル取得ステップと、前記ベクトル取得ステップにより取得された各ユーザのユーザ特性ベクトルに基づいてユーザ間の類似度を前記レコメンド情報生成装置が算出する類似度算出ステップと、前記類似度算出ステップにより算出された類似度に基づいて一のユーザと類似する類似ユーザを前記レコメンド情報生成装置が選択する選択ステップと、前記選択ステップにより選択された類似ユーザの特徴ベクトルに基づいて、前記一のユーザに対するレコメンド情報を前記レコメンド情報生成装置が生成する生成ステップと、を備え、前記ベクトル取得ステップは、ユーザ操作により、複数の選択対象項目から一の選択対象項目を選択することを前記レコメンド情報生成装置が受け付ける受付ステップと、前記受付ステップにより受け付けられた選択対象項目の満足特徴ベクトルおよび前記受付ステップにより受け付けられなかった選択対象項目の不満足特徴ベクトルを前記レコメンド情報生成装置が記憶する記憶ステップと、前記記憶ステップにより記憶されている選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを分離するための分離平面に直交する直交ベクトルを前記レコメンド情報生成装置がユーザ特性ベクトルとするユーザ特性ベクトル生成ステップと、を含む。

この発明によれば、各ユーザのユーザ特性ベクトルを取得し、取得された各ユーザのユーザ特性ベクトルに基づいてユーザ間の類似度を算出する。そして、算出された類似度に基づいて一のユーザと類似する類似ユーザを選択し、選択された類似ユーザの特徴ベクトルに基づいて、一のユーザに対するレコメンド情報を生成することができる。これにより、ユーザ特性ベクトルを用いてユーザの類似度を判断することで、従前の方法を比較して、履歴情報を多数取得することなく、精度のいい類似ユーザを判断することができ、その類似ユーザに基づいたレコメンド情報を生成することができる。例えば、従前の方法においては、１万件の閲覧履歴情報に基づいて類似ユーザを判断することが必要であったのに対して、本発明によれば、１０件程度の閲覧履歴情報を用いることで類似ユーザを精度良く判断することができる。
また、ユーザ操作により、複数の選択対象項目から一の選択対象項目を選択することを受け付け、受け付けられた選択対象項目の満足特徴ベクトルおよび前記受付手段により受け付けられなかった選択対象項目の不満足特徴ベクトルを記憶する。そして、記憶されている選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを分離するための分離平面に直交する直交ベクトルをユーザ特性ベクトルとして生成することができる。これにより、精度のよいユーザ特性ベクトルを生成することができる。

また、本発明のレコメンド情報生成装置において、前記ベクトル取得手段は、ユーザ操作により、複数の選択対象項目から一の選択対象項目を選択することを受け付ける受付手段と、前記受付手段により受け付けられた選択対象項目の満足特徴ベクトルおよび前記受付手段により受け付けられなかった選択対象項目の不満足特徴ベクトルを記憶する記憶手段と、前記記憶手段により記憶されている選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを分離するための分離平面に直交する直交ベクトルをユーザ特性ベクトルとするユーザ特性ベクトル生成手段と、から構成されることが好ましい。

本発明の他の観点によるレコメンド情報生成装置は、各ユーザのユーザ特性ベクトルを取得するベクトル取得手段と、前記ベクトル取得手段により取得された各ユーザのユーザ特性ベクトルに基づいてユーザ間の類似度を算出する類似度算出手段と、前記類似度算出手段により算出された類似度に基づいて一のユーザと類似する類似ユーザを選択する選択手段と、前記選択手段により選択された類似ユーザの特徴ベクトルに基づいて、前記一のユーザに対するレコメンド情報を生成する生成手段と、を備え、前記ベクトル取得手段は、ユーザ操作により、複数の選択対象項目から一の選択対象項目が選択されたこと、および選択されなかった選択対象項目を受け付ける受付手段と、前記受付手段により受け付けられ、選択されなかった選択対象項目の不満足特徴ベクトルに基づいてユーザ特性ベクトルを生成するユーザ特性ベクトル生成手段と、から構成される。
また、本発明の他の観点によるレコメンド情報生成方法は、各ユーザのユーザ特性ベクトルをレコメンド情報生成装置が取得するベクトル取得ステップと、前記ベクトル取得ステップにより取得された各ユーザのユーザ特性ベクトルに基づいてユーザ間の類似度を前記レコメンド情報生成装置が算出する類似度算出ステップと、前記類似度算出ステップにより算出された類似度に基づいて一のユーザと類似する類似ユーザを前記レコメンド情報生成装置が選択する選択ステップと、前記選択ステップにより選択された類似ユーザの特徴ベクトルに基づいて、前記一のユーザに対するレコメンド情報を前記レコメンド情報生成装置が生成する生成ステップと、を備え、前記ベクトル取得ステップは、ユーザ操作により、複数の選択対象項目から一の選択対象項目が選択されたこと、および選択されなかった選択対象項目を前記レコメンド情報生成装置が受け付ける受付ステップと、前記受付ステップにより受け付けられた、選択されなかった選択対象項目の不満足特徴ベクトルに基づいて前記レコメンド情報生成装置がユーザ特性ベクトルを生成するユーザ特性ベクトル生成ステップと、を含む。

この発明によれば、ユーザ操作により、複数の選択対象項目から一の選択対象項目が選択されたこと、および選択されなかった選択対象項目を受け付け、受け付けられなかった選択対象項目の不満足特徴ベクトルに基づいてユーザ特性ベクトルを生成することで、選択されなかったコンテンツ・操作などの選択対象項目の傾向に基づいてユーザ特性ベクトルを生成することができる。

また、本発明のレコメンド情報生成装置において、前記生成手段は、前記類似度算出手段により算出された類似度と類似ユーザのユーザ特性ベクトルおよび前記類似ユーザにより閲覧された閲覧コンテンツの特徴ベクトルの内積値とに基づいて、前記閲覧コンテンツを評価し、当該評価に基づいて前記閲覧コンテンツからレコメンド情報を生成することが好ましい。

この発明によれば、算出された類似度と類似ユーザのユーザ特性ベクトルおよび類似ユーザにより閲覧された閲覧コンテンツの特徴ベクトルの内積値とに基づいて、閲覧コンテンツを評価し、当該評価に基づいて閲覧コンテンツからレコメンド情報を生成することにより、類似度に応じた重み付け処理を行い、その重み付け処理された結果にしたがったレコメンド情報を生成することができる。よって、類似度に応じて適切なレコメンド情報を生成することができる。

本発明によれば、ユーザ特性ベクトルを用いてユーザの類似度を判断することで、従前の方法を比較して、履歴情報を多数取得することなく、精度のいい類似ユーザを判断することができ、その類似ユーザに基づいたレコメンド情報を生成することができる。

添付図面を参照しながら本発明の実施形態を説明する。可能な場合には、同一の部分には同一の符号を付して、重複する説明を省略する。

図１は、本実施形態の携帯電話機１００および情報配信サーバ２００を備えたレコメンド情報配信システムのシステム構成を示すシステム構成図である。携帯電話機１００からの要求に応じて情報配信サーバ２００は、この携帯電話機１００のユーザとその特性が類似するユーザが保持する携帯電話機１００ａがアクセスしたコンテンツを、携帯電話機１００に配信する。なお、この情報配信サーバ２００は、各ユーザが保持する携帯電話機１００からのアクセス要求に応じて、他のコンテンツプロバイダからコンテンツを取得し、取得したコンテンツを配信するものであり、アクセス履歴はこのときに収集される。また、携帯電話機１００がアクセス履歴を送信し、それを取得するように構成されてもよい。

このような情報配信サーバ２００の構成について、図２を用いて説明する。図２は、情報配信サーバ２００の機能構成を示すブロック図である。この情報配信サーバ２００は、コンテンツ要求受信部２０１、レコメンド要求受信部２０２、履歴クラス分離部２０３、ユーザ特性ベクトル計算部２０４、配信情報格納部２０５、履歴格納部２０７、コンテンツ送信部２０８、および類似ユーザ計算部２０９および関連度評価部２１０を含んで構成されている。

図３は、情報配信サーバ２００のハードウェア構成図である。図２に示される情報配信サーバ２００は、物理的には、図３に示すように、ＣＰＵ１１、主記憶装置であるＲＡＭ１２及びＲＯＭ１３、入力デバイスであるキーボード及びマウス等の入力装置１４、ディスプレイ等の出力装置１５、ネットワークカード等のデータ送受信デバイスである通信モジュール１６、ハードディスク等の補助記憶装置１７などを含むコンピュータシステムとして構成されている。図２において説明した各機能は、図３に示すＣＰＵ１１、ＲＡＭ１２等のハードウェア上に所定のコンピュータソフトウェアを読み込ませることにより、ＣＰＵ１１の制御のもとで入力装置１４、出力装置１５、通信モジュール１６を動作させるとともに、ＲＡＭ１２や補助記憶装置１７におけるデータの読み出し及び書き込みを行うことで実現される。以下、図２に示す機能ブロックに基づいて、各機能ブロックを説明する。

コンテンツ要求受信部２０１は、携帯電話機１００からのコンテンツの要求に応じて、ネットワーク上のコンテンツプロバイダからコンテンツを取得する部分であり、携帯電話機１００からコンテンツの要求とそのＵＲＬを受信することでアクセス履歴を収集することができる。収集したアクセス履歴（ＵＲＬなど）は、履歴格納部２０７に出力される。なお、このコンテンツ要求受信部２０１は、アクセス履歴として、あるメニュー画面（事象）内において実際にアクセスされたコンテンツ（ＵＲＬ）と、メニュー画面には表示されているものの、実際にアクセスされなかったコンテンツとを区別して収集する。

また、コンテンツ要求受信部２０１は、アクセス要求だけでなく、携帯電話機１００において収集されたアクセス履歴情報を受信し、これを履歴格納部２０７に出力するようにしてもよい。この場合も同様に、携帯電話機１００は、あるメニュー画面において選択されたコンテンツ、選択されなかったコンテンツを区別してアクセス履歴情報として情報配信サーバ２００に送信するように構成される。

レコメンド要求受信部２０２は、携帯電話機１００からレコメンド情報の配信要求を、携帯電話機１００のユーザのユーザＩＤとともに受信する部分である。レコメンド要求受信部２０２は、その配信要求を受信すると、類似ユーザ計算部２０９にその旨を通知し、類似ユーザを抽出するよう指示をする。なお、変形例として、レコメンド要求のあった旨をユーザ特性ベクトル計算部２０４に出力し、現時点におけるユーザ特性ベクトルを計算させ、その結果を類似ユーザ計算部２０９に通知し、類似ユーザを抽出させ、この類似ユーザが閲覧したコンテンツをコンテンツ送信部２０８にレコメンド情報として配信させるようにしてもよい。

履歴クラス分離部２０３は、履歴格納部２０７（閲覧履歴テーブル２０７ｃ）に記憶されている閲覧履歴情報に含まれているコンテンツの特性ベクトルに基づいて、コンテンツを満足クラスと不満足クラスとに分離するための分離平面を生成する部分である。ここで、満足クラスとは、あるコンテンツにアクセスするためのメニュー画面において選択可能に表示された複数のコンテンツのうち、実際に選択されたコンテンツのみを含んだクラスをいい、不満足クラスとは、そのメニュー画面において選択されなかったコンテンツのみを含んだクラスをいう。この履歴クラス分離部２０３は、ＳＶＭ法またはＮＮ法を用いて、各コンテンツの特性ベクトルを満足クラスと不満足クラスとに分離することができる分離平面を生成することで、これらクラスを分離することができる。ここでＳＶＭ（Support Vector Machine）法とは、それぞれのクラスのノード間（特性ベクトル間）の最小距離を最大化する平面を分離平面とする方法であり、ＮＮ法とは、それぞれのクラスの重心間、すなわち各コンテンツの特性ベクトルに基づいて算出された、満足クラスの重心と不満足クラスの重心とを結んだ直線を推薦する平面を分離平面とする方法である。なお、ＮＮ法においては、必ずしも分離平面を求める必要はなく、不満足クラスの重心から満足クラスへの重心へ向けて結んだ直線をユーザ特性ベクトルとするようにしてもよい。

ここで分離平面を生成する具体的な方法について説明する。図４は、携帯電話機１００に表示されるメニュー画面の一例を示す説明図である。図４に示すようにNode１〜Node５が表示されている。このNodeは、選択対象項目を示すものであり、例えばウェブ上のメニュー画面におけるカテゴリごとに区別された項目であったり、ウエブページのタイトルである。例えば、Node１が、自動車に関するコンテンツ、Node２が、金融に関するコンテンツなどである。ユーザは、Node１〜Node５のいずれかを選択することにより、対応するコンテンツを閲覧することができる。

図５は、分離平面を生成するときの処理概念を示す概念図である。図５は、上述図４におけるメニュー画面のうちユーザが選択したコンテンツおよび選択されなかったコンテンツにおける、特徴空間内における各コンテンツの特性ベクトルの位置関係を示す。図５に示されている通り、円形で示されている部分が満足なコンテンツ（Node３、Node４）であり、三角形で示されている部分が不満足なコンテンツ（Node１、Node２、Node５）であり、四角形で示されている部分が未知の未評価コンテンツ（Node８、Node７）である。これら満足コンテンツと不満足コンテンツとを分離するように生成されたものが分離平面である。ここでは、未評価コンテンツは分離処理する際には考慮されない。なお、図においては、特徴空間を便宜上二次元平面で表現しているが、ベクトルを構成するパラメータ分だけベクトル軸が存在することになり、通常は２０次元以上のベクトルで特徴空間は構成されている。

ユーザ特性ベクトル計算部２０４は、履歴クラス分離部２０３により生成された分離平面に対して直交する直交ベクトルを算出し、これをユーザ特性ベクトルとする部分である。図６にその具体例を示す。図６は、分離平面に基づいてユーザ特性ベクトルを算出するときの概念を示す概念図である。図６に示すように、分離平面に直交する直交ベクトルであるユーザ特性ベクトルｗが、ユーザ特性ベクトル計算部２０４により算出される。ユーザ特性ベクトル計算部２０４は、閲覧履歴が収集されるたびに計算し、ユーザ特性ベクトル管理テーブル２０７ａに記憶されているユーザ特性ベクトルを更新させる。

配信情報格納部２０５は、オペレータにより予め登録されたコンテンツ、または各ユーザである携帯電話機１００および１００ａからコンテンツ要求受信部２０１により受信された配信要求のあったコンテンツを記憶する部分であり、コンテンツ管理テーブル２０５ａを記憶している。図７は、コンテンツ管理テーブル２０５ａの記憶内容を示す説明図である。図７に示すように、このコンテンツ管理テーブル２０５ａは、ユーザＩＤ、コンテンツＩＤ、カテゴリ、タイトル、およびレコメンド本文を対応付けて記憶している。ユーザＩＤは、ユーザを特定するための識別情報であり、携帯電話機１００または１００ａの固有情報などである。コンテンツＩＤは、コンテンツを一意に特定するための識別情報であり、カテゴリは情報種別を示し、例えばＣＤに関連するもの、ＤＶＤに関連するもの、書籍に関連するもの、テレビ番組に関連するものなどを示すための情報である。タイトルは、レコメンド情報として表示するための見出し情報である。レコメンド情報を配信する際には、このタイトル部分が表示されることになる。レコメンド文は、レコメンド情報の本体部分であり、ユーザに有用な情報である。このコンテンツ管理テーブル２０５ａに記憶される情報は、予めオペレータにより入力されたものでもよいし、自動的にコンテンツプロバイダから検索・抽出され所定のフィルタにより絞り込まれたものであってもよい。

類似ユーザ計算部２０９は、レコメンド要求受信部２０２により受信されたレコメンド要求にしたがって、当該レコメンド要求を発したユーザと類似する類似ユーザを抽出するために、一のユーザ特性ベクトルと他のユーザのユーザ特性ベクトルとの類似度を計算する部分である。具体的には、類似ユーザ計算部２０９は、ユーザ特性ベクトル管理テーブル２０７ａに記憶されている一のユーザ特性ベクトルと、他のユーザのユーザ特性ベクトルとの内積を計算することにより類似度を算出する。この他のユーザは、多数存在しており、類似ユーザ計算部２０９は、類似度が一番大きい他のユーザを類似ユーザとする。なお、一のユーザ、他のユーザのそれぞれユーザ特性ベクトルは、正規化処理されている。また、ここでは、一のユーザを携帯電話機１００のユーザとし、類似ユーザを携帯電話機１００ａのユーザとする。

関連度評価部２１０は、配信情報格納部２０５に記憶されているコンテンツのうち、類似ユーザ計算部２０９により抽出された類似ユーザにより閲覧されたコンテンツを評価し、そして評価の高い順にコンテンツのタイトルを並べたレコメンド情報を生成する部分である。具体的には、以下の式（１）に示すとおり、この関連度評価部２１０は、類似ユーザである携帯電話機１００ａのユーザ特性ベクトルｗと、この類似ユーザが閲覧した閲覧済みコンテンツの特性ベクトルＣ_１とをユーザ特性ベクトル管理テーブル２０７ａ、閲覧履歴テーブル２０７ｃからそれぞれ抽出し、その内積値を計算する。そして、その内積値に、さらに携帯電話機１００のユーザのユーザ特性ベクトルと携帯電話機１００ａのユーザのユーザ特性ベクトルとの類似度θを掛け合わして乗算値を算出する。その乗算値で示される関連度の大きい順にコンテンツのタイトルを表示するようレコメンド情報を生成する。
関連度＝ユーザ特性ベクトルｗ・特性ベクトルｃ_１×類似度θ ・・・（１）

履歴格納部２０７は、各履歴情報を記憶する部分であり、ユーザ特性ベクトル管理テーブル２０７ａ、コンテンツ特性ベクトル管理テーブル２０７ｂ、および閲覧履歴テーブル２０７ｃを記憶している。

ユーザ特性ベクトル管理テーブル２０７ａは、ユーザ特性ベクトル計算部２０４により計算されたユーザ特性ベクトルを、ユーザを特定するためのユーザＩＤと対応付けて記憶する部分である。

コンテンツ特性ベクトル管理テーブル２０７ｂは、コンテンツ管理テーブル２０５ａに記憶されている、予めオペレータにより登録されたコンテンツの特性ベクトルを、そのコンテンツを特定するための情報（例えばコンテンツＩＤ、ＵＲＬなど）と対応付けて記憶する部分である。例えば、コンテンツ特性ベクトル管理テーブル２０７ｂは、図８に示される情報が記憶されている。図８に示すように、コンテンツＩＤと対応付けて、特性ベクトルを構成するパラメータが複数記憶されている。図８では、８個のパラメータを記載しているが、通常はさらに多くのパラメータから特性ベクトルは構成されている。なお、規定のパラメータ以外に、コンテンツごとに形態素解析にしたがって抽出されたキーワードをパラメータとして追加するようにしてもよい。特性ベクトルを構成するパラメータごとに、０から１の間で数値が記述されており、どの特性ベクトルに特徴を持たせているかを表している。

閲覧履歴テーブル２０７ｃは、コンテンツ要求受信部２０１により受信されたあて先または収集されたアクセス履歴情報を記憶する部分であり、例えば、ユーザＩＤ、コンテンツＩＤ（またはコンテンツのＵＲＬ）およびそのコンテンツ（閲覧されたもの、閲覧されていないものそれぞれ）の特性ベクトルを対応付けて記憶する部分である。

コンテンツ送信部２０８は、コンテンツ要求受信部２０１により受信されたコンテンツ要求に応じて取得されたコンテンツを送信する部分である。例えば、コンテンツ送信部２０８は、コンテンツ要求受信部２０１により受信されたコンテンツ要求に応じて取得されたコンテンツを送信し、またレコメンド要求受信部２０２に応じて、配信情報格納部２０５に記憶されているコンテンツまたは閲覧履歴テーブル２０７ｃに記憶されている閲覧履歴に記述されたコンテンツに基づいて関連度評価部２１０による評価結果にしたがって生成されたレコメンド情報を送信する。

このように構成された情報配信サーバ２００は、携帯電話機１００からの要求に応じて、類似ユーザである携帯電話機１００ａのユーザにより閲覧されたコンテンツを含んだレコメンド情報を配信することができる。よって、ユーザ特性ベクトルに基づいてユーザの類似度を判断し、類似ユーザが閲覧したコンテンツをレコメンド情報として配信することで、閲覧履歴が少ないユーザ同士であっても、その類似度を判断することができる。

なお、本実施形態では、履歴クラス分離部２０３およびユーザ特性ベクトル計算部２０４を用いて、ユーザ特性ベクトルを計算し、これをユーザ特性ベクトル管理テーブル２０７ａに記憶させているが、これに限定するものではなく、固定値としてユーザ特性ベクトル管理テーブル２０７ａにユーザ特性ベクトルを記憶させるようにしてもよい。例えば、この固定値として、アンケート調査などを行った結果に基づいて、人手により生成されたものが考えられる。

また、不満足コンテンツの特性ベクトルのみに基づいてユーザ特性ベクトルを逐次計算し、ユーザ特性ベクトル管理テーブル２０７ａに記憶させるようにしてもよい。例えば、履歴クラス分離部２０３を用いることなく、ユーザ特性ベクトル計算部２０４は、選択されなかった不満足コンテンツのみに基づいてユーザ特性ベクトルを生成し、ユーザ特性ベクトル管理テーブル２０７ａに記憶させるようにしてもよい。この場合、ユーザ特性ベクトル計算部２０４は、不満足コンテンツのみに基づいて重心を計算し、これをユーザ特性ベクトルとし、ユーザ特性ベクトル管理テーブル２０７ａに記憶させ、類似ユーザ計算部２０９は、これに基づいて、類似ユーザを判断することになる。

つぎに、携帯電話機１００について説明する。図９は、携帯電話機１００の機能構成を示すブロック図である。図９に示すとおり、携帯電話機１００は、ブラウザ１０１、履歴送信部１０２、レコメンド要求送信部１０３、および配信情報表示部１０４を含んで構成されている。この携帯電話機１００は、ＣＰＵ、ＲＡＭ、ＲＯＭなどのハードウェアにより構成されており、記憶されているプログラムにしたがってＣＰＵは動作するよう構成されている。具体的には、情報配信サーバ２００と同様の構成をとるものであって、図３に示されるハードウェア構成により実現される。以下、各構成について説明する。

ブラウザ１０１は、インターネットに接続するためのアプリケーション部分であり、インターネット上に配置されているサイトに対してアクセスし、サイトに保持されているコンテンツをユーザに閲覧可能にさせるものである。このブラウザ１０１は、アクセス履歴を保持するように構成される。

履歴送信部１０２は、ブラウザ１０１を用いてアクセスしたコンテンツのアクセス履歴（同一メニュー画面上において選択されたコンテンツおよび選択されなかったコンテンツを示す情報）を送信する部分である。なお、この履歴送信部１０２は、情報配信サーバ２００側でアクセスのたびに履歴情報を収集する機能を有している場合には、必須の構成ではない。

レコメンド要求送信部１０３は、図示しない操作部をユーザが操作することによりユーザＩＤとともにレコメンド情報の要求を情報配信サーバ２００に送信する部分である。

配信情報表示部１０４は、ブラウザ１０１により取得されたメニュー画面およびコンテンツ（ウエブページ）を表示する部分である。

このように構成された携帯電話機１００は、ブラウザ１０１を用いてインターネットにアクセス可能にするとともに、そのアクセス履歴を保持し、履歴送信部１０２は、情報配信サーバ２００からの要求または所定のタイミングでアクセス履歴を送信することができる。

つぎに、これら携帯電話機１００および情報配信サーバ２００の動作について説明する。図１０は、携帯電話機１００の要求に応じてコンテンツを配信するときの携帯電話機１００と情報配信サーバ２００との処理を示すシーケンス図である。

図１０に示すとおり、携帯電話機１００におけるブラウザ１０１からの要求に応じて、コンテンツ送信部２０８により情報配信サーバ２００からメニュー画面が配信される（Ｓ１０１）。携帯電話機１００のユーザは、そのメニュー画面から任意の一のコンテンツ（上述Nodeに相当）を選択し、携帯電話機１００におけるブラウザ１０１がこれを受け付けると（Ｓ１０２）、コンテンツの接続要求およびそのあて先でＵＲＬが情報配信サーバ２００に送信される（Ｓ１０３）。

情報配信サーバ２００では、ＵＲＬはコンテンツ要求受信部２０１により受信され、閲覧履歴テーブル２０７ｃにアクセス履歴として記憶される。そして、このアクセス履歴に基づいて、ユーザ特性ベクトルの計算がなされ、記憶される（Ｓ１０４）。そして、コンテンツ送信部２０８によりＳ１０３において要求のあったあて先に基づいたコンテンツがコンテンツプロバイダ（図示せず）から取得され、配信される（Ｓ１０５）。なお、ユーザ特性ベクトルの計算処理と、コンテンツの配信処理の順番は逆でもよい。

ここでＳ１０４におけるユーザ特性ベクトル計算の詳細に処理について説明する。図１１は、ユーザ特性ベクトルの計算処理を示すフローチャートである。図１１に示すように、まずコンテンツ要求受信部２０１により受信されたアクセス要求またはアクセス履歴により示されたアクセス履歴情報が、新たに追加されたアクセス履歴として閲覧履歴テーブル２０７ｃに記憶される（Ｓ２０１）。

そして、履歴クラス分離部２０３により、この閲覧履歴テーブル２０７ｃに記憶されているアクセス履歴情報に基づいて、各満足クラスまたは不満足クラスに属するコンテンツの特性ベクトルが抽出される（Ｓ２０２）。そして、履歴クラス分離部２０３により、これら特性ベクトルに基づいて満足クラスと不満足クラスとを分離するための分離平面が生成される（Ｓ２０２）。つぎに、ユーザ特性ベクトル計算部２０４により、生成された分離平面に直交する直交ベクトルが計算され、ユーザ特性ベクトルが求められる（Ｓ２０４）。ここで求められたユーザ特性ベクトルは、ユーザ特性ベクトル管理テーブル２０７ａに保持され、レコメンド情報の配信時において配信情報格納部２０５に記憶されているコンテンツを評価する際に利用される。

つぎに、本実施形態における類似ユーザが閲覧したコンテンツをレコメンド情報として配信するときのその関連度の算出処理について説明する。図１２は、レコメンド情報を配信するときのシーケンス図である。図１２に示すように、携帯電話機１００におけるレコメンド要求送信部１０３によりユーザＩＤを含んだレコメンド要求が送信され、このレコメンド要求は情報配信サーバ２００におけるレコメンド要求受信部２０２により受信される（Ｓ３０１）。そして、情報配信サーバ２００では、配信情報格納部２０５に記憶されている類似ユーザが閲覧した閲覧済みコンテンツに対して、関連度の計算処理が行われる（Ｓ３０２）。ここでは、関連度評価部２１０により、関連度が計算され、高い関連度の順にコンテンツのタイトルを並べたレコメンド情報が生成される。そして、コンテンツ送信部２０８により、このように生成されたレコメンド情報が配信される（Ｓ３０３）。

ここで、Ｓ３０２の関連度計算についてさらに詳細な処理について説明する。図１３は、関連度計算処理を示すフローチャートである。図１３に示すように、関連度評価部２１０により、レコメンド要求とともに送信されたユーザＩＤに基づいて、ユーザ特性ベクトル管理テーブル２０７ａから、対応するユーザ特性ベクトルが取得される（Ｓ４０１）。つぎに、類似ユーザ計算部２０９により、レコメンド要求を発したユーザと他のユーザとの類似度の計算が行われる。すなわち、ユーザのユーザ特性ベクトルと他のユーザのユーザ特性ベクトルとがそれぞれユーザ特性ベクトル管理テーブル２０７ａから抽出され、その内積が計算される。全ての他のユーザとの内積が計算され、一番類似度の高い（内積値が大きい）ユーザが類似ユーザとして決定される（Ｓ４０２）。

そして、関連度評価部２１０により、閲覧履歴テーブル２０７ｃから類似ユーザがすでに閲覧したコンテンツの特性ベクトルが取得される（Ｓ４０３）。上述式（１）にて示したとおり、取得されたコンテンツの特性ベクトルと類似ユーザの特性ベクトルとの内積が計算され、その内積値にさらにＳ４０２において算出された類似度（内積値）が乗算され、関連度が算出される（Ｓ４０４）。関連度評価部２１０により、この関連度が大きい順にコンテンツのタイトルが配列されたレコメンド情報が生成され、生成されたレコメンド情報は、コンテンツ送信部２０８によりユーザ（携帯電話機１００）に配信される（Ｓ４０５）。

このように、ユーザ特性ベクトルにしたがって、類似ユーザを特定し、その類似ユーザが閲覧したコンテンツをレコメンド情報として提供することができる。

＜相対空間における分離平面の生成＞
以上の分離平面の生成方法は、絶対空間におけるコンテンツの特性ベクトルにしたがって行われたものであるが、より精度高める方法として、相対的な位置関係を求めた相対空間を利用したものも考えられる。以下、相対空間を用いて分離平面を生成する方法について説明する。なお、このときの処理構成は上述と同様であり、履歴クラス分離部２０３における処理内容が異なるだけである。

図１４は、履歴事象ａと履歴事象ｂとにおけるメニュー画面の構成例を示し、図１４（ａ）が履歴事象ａにおけるメニュー画面を示す図であり、このメニュー画面はNode１からNode３で構成されている。また、図１４（ｂ）が履歴事象ｂにおけるメニュー画面を示す図であり、このメニュー画面はNode６からNode９で構成されている。図１４（ａ）では、Node３が選択されており、図１４（ｂ）では、Node９が選択されていることが示されている。

図１５は、図１４で示されたそれぞれのメニュー画面おいて選択されたコンテンツの特性ベクトルの特徴空間における位置関係を示す図である。図１５（ａ）は、履歴事象ａにおいて選択されたコンテンツの特徴空間（絶対空間）、図１５（ｂ）は、履歴事象ｂにおいて選択されたコンテンツの特徴空間（絶対空間）を示す図である。上述と同様に、選択されたコンテンツは満足なコンテンツ、選択されなかったコンテンツは不満足なコンテンツと定義され、それぞれ満足クラス、不満足クラスに分類することができる。

図１６は、それぞれの履歴事象ａおよびｂを同一特徴空間上に、コンテンツの特性ベクトルを表した図であって、不満足なコンテンツの特性ベクトルを原点に取った場合における満足なコンテンツの特性ベクトルの位置を示す相対空間を表した図である。例えば、Node２とNode３との相対比較、Node１とNode３との相対比較のため、それぞれNode１、Node２を原点とした場合のNode３の位置を表した特徴空間を相対空間としている。より具体的には、Node３の特性ベクトルからNode１の特性ベクトルを減算することにより、相対空間を形成することができる。他のNodeについても同様に、対象となるコンテンツの特性ベクトルを減算する処理を行うことで相対空間を形成することができる。

この相対空間において、図１６に示すようにこのように満足なコンテンツの特性ベクトル、不満足なコンテンツの特性ベクトルに基づいて、満足クラスと不満足クラスとに分離するための分離平面が、履歴クラス分離部２０３により生成される。そして、ユーザ特性ベクトル計算部２０４により、この分離平面に直交する直交ベクトルであるユーザ特性ベクトルｗが計算される。

このように、履歴事象が異なる場合においても、相対空間を利用してユーザ特性ベクトルを生成することができ、より識別性の高いユーザ特性ベクトルを生成することができる。

このように相対空間を用いて分離平面を生成し、それによってユーザ特性ベクトルを生成することができる。ところで、図１５から図１７については、絶対空間として扱っても分離平面を生成することができるが、分離平面を生成することができない特性ベクトルから構成される特徴空間も考えられる。その場合に、上述した相対空間を利用することにより分離平面を生成することができる。以下、その方法について説明する。

図１７（ａ）は、絶対空間におけるコンテンツの特性ベクトルを示した図である。この図１７（ａ）では、Node１とNode４とが同じ事象（メニュー画面）に存在するコンテンツであり、Node２とNode３とが同じ事象に存在するコンテンツであことを前提としている。なお、円形のものが選択されたコンテンツの特性ベクトル（満足クラス）、三角形のものが選択されなかったコンテンツの特性ベクトル（不満足クラス）である。

図１７（ａ）から明らかなように、絶対空間においては、このような位置関係をとる特性ベクトルのコンテンツに対しては、分離平面を生成することができない。分離平面は、満足クラスと不満足クラスとを分離するための平面であるためであり、図１７（ａ）の例では、可不足なく両者を分離することができないためである。よって、分離平面を生成することができるように相対的な位置関係を表す相対空間に変換することが必要である。

図１７（ｂ）では、相対空間内におけるコンテンツの特性ベクトルを表した図であり、Node１およびNode２が同じ位置になるように、図１７（ｂ）の例では、Node２を平行移動させるためそのNode２に対応するNode３を平行移動させている。このように相対空間に変換することで、不満足なコンテンツであるNode１（Node２）と、満足なコンテンツであるNode３およびNode４とを分離することができる分離平面ｖを生成することができる。

以上の通り絶対空間では、分離平面を生成することができない場合であっても、相対空間に変換することで分離平面を生成することができ、これによりユーザ特性ベクトルを計算することができる。

＜閲覧頻度を考慮した分離平面の生成方法＞
つぎに、コンテンツの閲覧頻度を用いた重み付け処理を行い、この重み付け処理された特性ベクトルを用いて分離平面を生成するときの履歴クラス分離部２０３の処理について説明する。なお、ここでは、ＮＮ法を用いた分離平面の生成について説明する。

図１８は、閲覧頻度を考慮して特性ベクトルの重心を求める処理を示す概念図であり、NodeＡ〜Ｃに対応したコンテンツｃ_１〜ｃ_３の特性ベクトルの位置を表す特徴空間を示す概念図である。コンテンツｃ_１の閲覧頻度は３回、コンテンツｃ_２の閲覧頻度は１回、コンテンツｃ_３の閲覧頻度は１０回とする。なお、閲覧履歴テーブル２０７ｃは、閲覧されたコンテンツの閲覧履歴、閲覧されていないコンテンツの不閲覧履歴を記憶しておくことが好ましく、それぞれの頻度を保持または計算可能に記憶しておくことが必要である。

この場合、これらコンテンツｃ_１〜ｃ_３の重心は、以下の式（２）により計算される。

なお、ｃ_ｉは閲覧されたコンテンツの特性ベクトル、ｎ_ｉは閲覧頻度である。

この計算を行うことにより重心が定まる。また、図示していないが閲覧されていないコンテンツについても同様に式（２）を用いて、閲覧さていないコンテンツの特性ベクトルを用いてその重心を求める。そして、閲覧されていないコンテンツの重心から閲覧されたコンテンツの重心に対して結んだ直線をユーザ特性ベクトルとして求めることができる。なお、この直線は、分離平面に直交する直線と同じ向きを取るものであり、分離平面を算出し、この分離平面に直交する直交ベクトルを求めるようにしてもよいが、ＮＮ法においては必ずしも分離平面は必要とはならない。

これにより、コンテンツの閲覧頻度を利用してユーザ特性ベクトルを求めることができ、閲覧頻度を利用しない場合と比較して、ユーザの嗜好に近いユーザ特性ベクトルを求めることができる。よって、ユーザの嗜好にそったコンテンツの評価を行うことができる。

＜選択順位を考慮した分離平面の生成方法＞
つぎに、閲覧したコンテンツの順番を考慮して分離平面を生成するときの履歴クラス分離部２０３の処理について説明する。一般的に、直近にアクセスしたコンテンツの方が、その前にアクセスしたコンテンツより重要である、またはユーザの嗜好に近いものであると考えることができる。この時間差が大きくなればなるほど、ユーザの嗜好に変化が生じ、より直近にアクセスしたコンテンツを重要と考えることが顕著となる。ここでは、その時間差（時系列成分）を考慮して分離平面を生成するときの処理について説明する。

図１９は、履歴クラス分離部２０３が分離平面を生成する際において、そのアクセスされた時系列順にＮＮ法によりユーザ特性ベクトルを生成するときの処理を示す説明図であって、図１９（ａ）は、そのときのメニュー画面を示す説明図であり、図１９（ｂ）は、ユーザが選択したコンテンツの選択履歴を示す説明図であり、図１９（ｃ）は、特徴空間における各コンテンツの特性ベクトルを表した概念図であり、図１９（ｄ）は、選択順を考慮した分離平面を生成することを説明するための概念図である。なお、選択履歴は、閲覧履歴テーブル２０７ｃに記憶される。

図１９（ａ）に示されるように、NodeＡからNodeＦからメニュー画面が構成されている。ここでは図１９（ｂ）に示すようにNodeＡ、NodeＢ、NodeＣの順にコンテンツが選択されている。よって、NodeＡ、NodeＢ、NodeＣが満足クラスに分類されるコンテンツとなり、NodeＤ、NodeＥ、NodeＦが不満足クラスに分類されるコンテンツとなる。

つぎに、図１９（ｃ）および図１９（ｄ）を用いて、分離平面を生成するときの処理を示す概念について説明する。図１９（ｃ）に示されるように、NodeＡからNodeＦは、その特性ベクトルにしたがって特徴空間上に位置づけられている。そして、直近に選択したコンテンツの特性ベクトルの影響が大きくなるように計算される。図１９（ｄ）に示されるように、満足クラスにおける重心を求めるため、まず、NodeＡとNodeＢとの中点ｗ１が計算される。そして、この中点ｗ１とNodeＣとの中点ｗ２が計算される。

一方、不満足クラスにおいては、NodeＤ、NodeＥ、NodeＦに基づいて重心ｗ３が計算される。不満足クラスにおいては選択順という概念がないため、通常の処理と同じく、その３つのNodeに基づいた重心ｗ３が計算される。そして、中点ｗ２と重心ｗ３とを結んだ線が垂線となる分離平面ｖが生成される。なお、本実施形態においてはこの分離平面ｖに直交する直交ベクトルをユーザ特性ベクトルとするものであり、これは、重心ｗ３から中点ｗ２に向けて結んだ直線と同じである。実施形態での説明の便宜上、分離平面を求めているが、ＮＮ法を用いる場合においては分離平面を求めることは必須のものではない。

このように、特性ベクトルと特性ベクトルとの中点を算出し、またその中点と特性ベクトルとの中点を算出し、時系列的に順に中点を算出する（ＮＮ法を適用する）ことにより、前のアクセス履歴ほど重みが小さくなり、時系列順位を考慮した重心を算出することができる。

＜操作メニューへの適用＞
ところで、上述の各方法では、メニュー画面として、ウエブサイトである情報配信サーバ２００から送信されたメニュー画面を例に説明したが、これに限るものではなく、例えば、携帯電話機１００の操作メニューに対して、レコメンド情報としてレコメンド操作情報を表示するようにしてもよい。

例えば、操作メニューにおける各操作項目に対して、特性ベクトルが割り振られており、ユーザの操作履歴に従って、ユーザ操作に関するユーザ特性ベクトルが生成され、そのユーザ特性ベクトルに基づいて類似ユーザを抽出し、その類似ユーザの操作履歴に基づいたレコメンド操作情報を生成するようにしてもよい。この場合、操作履歴は情報配信サーバ２００に所定のタイミングで送信され、記憶されるよう構成されている。また、ユーザは類似ユーザの操作履歴を見たい場合にはその旨のレコメンド操作情報要求を行うよう操作することができるよう構成されている。

図２０は、操作に関する特徴空間における特性ベクトルのパラメータを示す説明図である。図２０に示すように、携帯電話機１００の端末機能として、「着もじ」「テレビ電話」「ワンセグ」「画面メモ」「テキストメモ」が規定されている。また、特性ベクトルを構成するパラメータとして「電話」「インターネット」「テキスト」「メモ」「テレビ」が規定されている。このように、携帯電話機１００の機能に特性ベクトルが規定されている。例えば、「着もじ」には、「電話」「テキスト」のパラメータに１がふられており、電話、テキストに関連のある機能であることが示されている。配信情報格納部２０５には、類似ユーザが捜査した操作履歴情報が記憶され、ユーザが操作メニューを表示するための操作をするときには、その旨が通知され、関連度評価部２１０は、類似ユーザの操作履歴に基づいたレコメンド操作情報を生成し、コンテンツ送信部２０８はそのレコメンド操作情報を送信し、携帯電話機１００においてそれを表示させることができる。

このように操作メニューに対しても本実施形態の評価方法を適用し、レコメンド操作情報をユーザに提供することで、ユーザがよく使う操作に類似または関連した操作をユーザに通知することができる。

つぎに、本実施形態の情報配信サーバ２００の作用効果について説明する。この情報配信サーバ２００において、ユーザ特性ベクトル計算部２０４が各ユーザのユーザ特性ベクトルを算出し、類似ユーザ計算部２０９は、上述算出された各ユーザのユーザ特性ベクトルに基づいてユーザ間の類似度を算出する。そして、類似ユーザ計算部２０９は、算出された類似度に基づいて一のユーザと類似する類似ユーザを選択し、関連度評価部２１０は、選択された類似ユーザの特性ベクトルに基づいて、一のユーザに対するレコメンド情報を生成することができる。これにより、ユーザ特性ベクトルを用いてユーザの類似度を判断することで、従前の方法を比較して、履歴情報を多数取得することなく、精度よく類似ユーザを判断することができる。例えば、従前の方法においては、１万件の閲覧履歴情報に基づいて類似ユーザを判断することが必要であったとしても、本発明によれば、１０件程度の閲覧履歴情報を用いることで類似ユーザを精度良く判断することができる。

また、コンテンツ要求受信部２０１が、ユーザ操作により、複数の選択対象項目であるメニュー画面から一の選択対象項目であるコンテンツを選択することを受信し、コンテンツ特性ベクトル管理テーブル２０７ｂは、選択されたコンテンツの特性ベクトルおよび選択されなかったコンテンツの特性ベクトルを記憶する。そして、履歴クラス分離部２０３は、記憶されている、選択されたコンテンツの特性ベクトルと選択されなかったコンテンツの特性ベクトルとを分離するための平坦に形成されている分離平面を生成し、ユーザ特性ベクトル計算部２０４は、生成された分離平面に直交する直交ベクトルに基づいてユーザ特性ベクトルを生成することができる。これにより、精度のよいユーザ特性ベクトルを生成することができる。

また、この情報配信サーバ２００において、関連度評価部２１０は、類似ユーザ計算部２０９により算出された類似度と類似ユーザのユーザ特性ベクトルおよび類似ユーザにより閲覧された閲覧コンテンツの特性ベクトルの内積値とを掛け合わせ、この掛け合わせて得られた乗算値に基づいて、閲覧コンテンツを評価し、当該評価に基づいて閲覧コンテンツからレコメンド情報を生成することにより、類似度に応じた重み付け処理を行い、その重み付け処理された結果にしたがったレコメンド情報を生成することができる。よって、類似度に応じて適切なレコメンド情報を生成することができる。

レコメンド情報配信システムのシステム構成を示すシステム構成図である。 情報配信サーバ２００の機能構成を示すブロック図である。 情報配信サーバ２００のハードウェア構成図である。 携帯電話機１００に表示されるメニュー画面の一例を示す説明図である。 分離平面を生成するときの処理概念を示す概念図である。 分離平面に基づいてユーザ特性ベクトルを算出するときの概念を示す概念図である。 コンテンツ管理テーブル２０５ａの記憶内容を示す説明図である。 コンテンツ特性ベクトル管理テーブル２０７ｂの記憶内容を示す説明図である。 携帯電話機１００の機能構成を示すブロック図である。 携帯電話機１００の要求に応じてコンテンツを配信するときの携帯電話機１００と情報配信サーバ２００との処理を示すシーケンス図である。 ユーザ特性ベクトルの計算処理を示すフローチャートである。 レコメンド情報を配信するときのシーケンス図である。 関連度計算処理を示すフローチャートである。 履歴事象ａと履歴事象ｂとにおけるメニュー画面の構成例を示す説明図である。 メニュー画面おいて選択されたコンテンツの特性ベクトルの特徴空間における位置関係を示す図である。 履歴事象ａおよびｂを相対空間内において、コンテンツの特性ベクトルを表した図である。 分離平面を生成することができない場合において相対空間を用いて処理を行うときの説明図である。 閲覧頻度を考慮して特性ベクトルの重心を求める処理を示す概念図である。 アクセスされた時系列順にＮＮ法によりユーザ特性ベクトルを求める過程を示す概念図である。 操作に関する特徴空間における特性ベクトルのパラメータを示す説明図である。

符号の説明

１００…携帯電話機、１００ａ…携帯電話機、１０１…ブラウザ、１０２…履歴送信部、１０３…レコメンド要求送信部、１０４…配信情報表示部、２００…情報配信サーバ、２０１…コンテンツ要求受信部、２０２…レコメンド要求受信部、２０３…履歴クラス分離部、２０４…ユーザ特性ベクトル計算部、２０５…配信情報格納部、２０５ａ…コンテンツ管理テーブル、２０７…履歴格納部、２０７ａ…ユーザ特性ベクトル管理テーブル、２０７ｂ…コンテンツ特性ベクトル管理テーブル、２０７ｃ…閲覧履歴テーブル、２０８…コンテンツ送信部、２０９…類似ユーザ計算部、２１０…関連度評価部。

Claims (5)

1. 各ユーザのユーザ特性ベクトルを取得するベクトル取得手段と、
   前記ベクトル取得手段により取得された各ユーザのユーザ特性ベクトルに基づいてユーザ間の類似度を算出する類似度算出手段と、
   前記類似度算出手段により算出された類似度に基づいて一のユーザと類似する類似ユーザを選択する選択手段と、
   前記選択手段により選択された類似ユーザの特徴ベクトルに基づいて、前記一のユーザに対するレコメンド情報を生成する生成手段と、
   を備え、
   前記ベクトル取得手段は、
   ユーザ操作により、複数の選択対象項目から一の選択対象項目を選択することを受け付ける受付手段と、
   前記受付手段により受け付けられた選択対象項目の満足特徴ベクトルおよび前記受付手段により受け付けられなかった選択対象項目の不満足特徴ベクトルを記憶する記憶手段と、
   前記記憶手段により記憶されている選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを分離するための分離平面に直交する直交ベクトルをユーザ特性ベクトルとするユーザ特性ベクトル生成手段と、
   から構成されることを特徴とするレコメンド情報生成装置。
2. 各ユーザのユーザ特性ベクトルを取得するベクトル取得手段と、
   前記ベクトル取得手段により取得された各ユーザのユーザ特性ベクトルに基づいてユーザ間の類似度を算出する類似度算出手段と、
   前記類似度算出手段により算出された類似度に基づいて一のユーザと類似する類似ユーザを選択する選択手段と、
   前記選択手段により選択された類似ユーザの特徴ベクトルに基づいて、前記一のユーザに対するレコメンド情報を生成する生成手段と、
   を備え、
   前記ベクトル取得手段は、
   ユーザ操作により、複数の選択対象項目から一の選択対象項目が選択されたこと、および選択されなかった選択対象項目を受け付ける受付手段と、
   前記受付手段により受け付けられた、選択されなかった選択対象項目の不満足特徴ベクトルに基づいてユーザ特性ベクトルを生成するユーザ特性ベクトル生成手段と、
   から構成されることを特徴とするレコメンド情報生成装置。
3. 前記生成手段は、前記類似度算出手段により算出された類似度と類似ユーザのユーザ特性ベクトルおよび前記類似ユーザにより閲覧された閲覧コンテンツの特徴ベクトルの内積値とに基づいて、前記閲覧コンテンツを評価し、当該評価に基づいて前記閲覧コンテンツからレコメンド情報を生成することを特徴とする請求項１又は２に記載のレコメンド情報生成装置。
4. 各ユーザのユーザ特性ベクトルをレコメンド情報生成装置が取得するベクトル取得ステップと、
   前記ベクトル取得ステップにより取得された各ユーザのユーザ特性ベクトルに基づいてユーザ間の類似度を前記レコメンド情報生成装置が算出する類似度算出ステップと、
   前記類似度算出ステップにより算出された類似度に基づいて一のユーザと類似する類似ユーザを前記レコメンド情報生成装置が選択する選択ステップと、
   前記選択ステップにより選択された類似ユーザの特徴ベクトルに基づいて、前記一のユーザに対するレコメンド情報を前記レコメンド情報生成装置が生成する生成ステップと、
   を備え、
   前記ベクトル取得ステップは、
   ユーザ操作により、複数の選択対象項目から一の選択対象項目を選択することを前記レコメンド情報生成装置が受け付ける受付ステップと、
   前記受付ステップにより受け付けられた選択対象項目の満足特徴ベクトルおよび前記受付ステップにより受け付けられなかった選択対象項目の不満足特徴ベクトルを前記レコメンド情報生成装置が記憶する記憶ステップと、
   前記記憶ステップにより記憶されている選択された選択対象項目の満足特徴ベクトルと選択されなかった選択対象項目の不満足特徴ベクトルとを分離するための分離平面に直交する直交ベクトルを前記レコメンド情報生成装置がユーザ特性ベクトルとするユーザ特性ベクトル生成ステップと、
   を含むことを特徴とするレコメンド情報生成方法。
5. 各ユーザのユーザ特性ベクトルをレコメンド情報生成装置が取得するベクトル取得ステップと、
   前記ベクトル取得ステップにより取得された各ユーザのユーザ特性ベクトルに基づいてユーザ間の類似度を前記レコメンド情報生成装置が算出する類似度算出ステップと、
   前記類似度算出ステップにより算出された類似度に基づいて一のユーザと類似する類似ユーザを前記レコメンド情報生成装置が選択する選択ステップと、
   前記選択ステップにより選択された類似ユーザの特徴ベクトルに基づいて、前記一のユーザに対するレコメンド情報を前記レコメンド情報生成装置が生成する生成ステップと、
   を備え、
   前記ベクトル取得ステップは、
   ユーザ操作により、複数の選択対象項目から一の選択対象項目が選択されたこと、および選択されなかった選択対象項目を前記レコメンド情報生成装置が受け付ける受付ステップと、
   前記受付ステップにより受け付けられた、選択されなかった選択対象項目の不満足特徴ベクトルに基づいて前記レコメンド情報生成装置がユーザ特性ベクトルを生成するユーザ特性ベクトル生成ステップと、
   を含むことを特徴とするレコメンド情報生成方法。