JP5197491B2 - 行動推薦装置及び方法及びプログラム - Google Patents
行動推薦装置及び方法及びプログラム Download PDFInfo
- Publication number
- JP5197491B2 JP5197491B2 JP2009131279A JP2009131279A JP5197491B2 JP 5197491 B2 JP5197491 B2 JP 5197491B2 JP 2009131279 A JP2009131279 A JP 2009131279A JP 2009131279 A JP2009131279 A JP 2009131279A JP 5197491 B2 JP5197491 B2 JP 5197491B2
- Authority
- JP
- Japan
- Prior art keywords
- document
- action
- similarity
- word
- storage means
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、行動推薦装置及び方法及びプログラムに係り、特に、ユーザの嗜好をもとに自動的に行動の推薦を行う行動推薦装置及び方法及びプログラムに関する。
従来の第一の技術として、ユーザベースの協調フィルタリング技術がある。この技術は、ユーザと嗜好の似ている人や、その集団の好みをもとに商品やWebページなどのアイテムを自動推薦するシステムである。人と人との類似性は、検索エンジンに投入したクエリ、記述した文書、閲覧したウェブページ、購入した商品とそれに対する評価、デスクトップコンテンツなどをもとに測定する。あるユーザに商品を推薦したいときには、そのユーザと類似している人（または集団）が購入したアイテムのリストを作成し、ユーザがまだ購入していないアイテムを推薦する。
このための技術として、人々に電子メールやニュース記事を「面白い／面白くない」の、二値で評価させ、この評価情報を、文書をフィルタする際に利用する手法がある（例えば、非特許文献１参照）。この手法は、ユーザが同じ関心を持つユーザを指定する必要がある。
また、人々にニュース記事を５段階で評価させ、システムは記事と各ユーザの得点を収集し、収集した得点の集計結果をもとに、個々のユーザの得点を計算する技術がある（例えば、非特許文献２参照）。上記の非特許文献１の技術と異なる点は、事前に同じ関心を持つユーザを指定する必要がないことである。
また、従来の第二の技術として、アイテムベースの協調フィルタリングがある。前述の、第一の技術が、人と人との類似性をもとに情報を推薦するのに対して、第二の技術はアイテム間の類似性をもとに、推薦を行うという特徴がある。アイテム間の類似性は、そのアイテムを購入した人がどれくらい一致しているかによって決まる。あるユーザに商品を推薦したいときには、そのユーザが購入したアイテムリストを作成し、それらに対して類似している順に重みづけされたアイテムリストを作成し推薦する。
本発明は、ユーザの類似性に基づいてアイテムを推薦する第一の技術に関するものである。
D. Goldberg, D. Nichols, B.M. Oki, D. Terry: Using collaborative filtering to weave an information tapestry. Communications of the ACM, 35, 12, pp.61-70 (1992)..
P. Resnick, N.Lacovou, M.Suchak, P.Bergstorm, J.Riedl: GroupLens: an open architecture for collaborative filtering of netnews. Proc. of 1994 ACM conference on Computer supported cooperative work, pp. 175-186 (1994).
しかしながら、上記の従来技術は、ウェブの閲覧履歴やクエリログ、デスクトップコンテンツなどのインターネットやデスクトップ上の振る舞いをもとにユーザを特徴づけ、情報を推薦するものであり、実世界において、いつ、どこで、どのような行動を行い、その結果としてどのような感想を持ったかという一連の経験に基づいて人間を特徴づけるものではなかった。その結果、旅行のスケジューリングなど、実世界における行動決定において、ユーザに効果的に情報を推薦することができなかった。
また、ブログなどのユーザが日々の生活の記録、日記として利用するメディアには、人間の経験が記述されることもあるが、ある人はプログラミングや日常に役立つ情報のメモとして、ある人は料理のレシピのメモとして使うといったように、ブログの用途は人によって、あるいは日によって異なるため、人間の過去の経験のみに着目して人間を特徴付けることはできなかった。
本発明は、上記の点に鑑みなされたもので、実世界の行動決定に役立つ情報を効果的に推薦することが可能な行動推薦装置及び方法及びプログラムを提供することを目的とする。
図１は、本発明の原理構成図である。
本発明（請求項１）は、文書に記述された人間の経験の類似性をもとに行動を推薦する行動推薦装置であって、
誰が記述したか、または、経験したかを、一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段２０に格納する解析データ入力手段１０と、
文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または、該文書Ａの集合の中から選択することで、行動推薦を行う対照を指定する検索質問入力手段５０と、
解析データ記憶手段２０に格納されている各文書Ａと、検索質問入力手段５０で入力された文書Ｂから、人間の行動内容を示す行動語を抽出する行動語抽出手段３１と、
各文書Ａと文書Ｂを、行動語抽出手段３１で得られた行動語を次元とする文書ベクトルへと変換し、ベクトル記憶手段４５に格納することで、行動内容を、人間を特徴づける情報として用いる行動ベクトル生成手段３２と、
ベクトル記憶手段４５に格納されている行動ベクトル生成手段３２によって得られた文書ベクトル間の類似度を求め、該文書ベクトル間類似度をもとに、文書Ｂと、解析データ入力手段１０で入力された各文書Ａとの類似度を算出し、類似度記憶手段８０に格納する類似度算出手段７０と、
類似度記憶手段８０に格納されている文書間の類似度に基づいて、文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段１００に格納する行動語ランキング手段９０と、を備える。
誰が記述したか、または、経験したかを、一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段２０に格納する解析データ入力手段１０と、
文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または、該文書Ａの集合の中から選択することで、行動推薦を行う対照を指定する検索質問入力手段５０と、
解析データ記憶手段２０に格納されている各文書Ａと、検索質問入力手段５０で入力された文書Ｂから、人間の行動内容を示す行動語を抽出する行動語抽出手段３１と、
各文書Ａと文書Ｂを、行動語抽出手段３１で得られた行動語を次元とする文書ベクトルへと変換し、ベクトル記憶手段４５に格納することで、行動内容を、人間を特徴づける情報として用いる行動ベクトル生成手段３２と、
ベクトル記憶手段４５に格納されている行動ベクトル生成手段３２によって得られた文書ベクトル間の類似度を求め、該文書ベクトル間類似度をもとに、文書Ｂと、解析データ入力手段１０で入力された各文書Ａとの類似度を算出し、類似度記憶手段８０に格納する類似度算出手段７０と、
類似度記憶手段８０に格納されている文書間の類似度に基づいて、文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段１００に格納する行動語ランキング手段９０と、を備える。
本発明（請求項２）は、文書に記述された人間の経験の類似性をもとに行動を推薦する行動推薦装置であって、
誰が記述したか、または、経験したかを、一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力手段と、
文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または、該文書Ａの集合の中から選択することで、行動推薦を行う対照を指定する検索質問入力手段と、
解析データ記憶手段に格納されている各文書Ａと、検索質問入力手段で入力された文書Ｂから、人間の行動内容を示す行動語を抽出する行動語抽出手段と、
各文書Ａと文書Ｂから、行動に対する評価や感情を示す感性語を抽出する感性語抽出手段と、
感性語抽出手段で得られた感性語に対して、該感性語の持つ意味が、逆の意味を持つ二つの概念を極性とする軸上のどこに位置するかを示す感性スコアを付与する感性スコア導出手段と、
解析データ入力手段と検索質問入力手段で得られた文書Ａと文書Ｂのそれぞれを、行動語抽出手段で得られた行動語と、感性スコア導出手段で得られたその行動に対する感性スコアとから、該行動語を次元とし、それぞれの次元の要素を、該当する行動語に対する感性スコアとする文書ベクトルへと変換し、ベクトル記憶手段に格納することで、人間の行動内容と、その行動に対しての感性を、その人を特徴づける情報とする経験ベクトル生成手段と、
ベクトル記憶手段に格納されている経験ベクトル生成手段によって得られた文書ベクトル間の類似度を求め、該文書ベクトル間の類似度に基づいて文書Ｂと各文書Ａとの類似度を算出し、類似度記憶手段に格納する類似度算出手段と、
類似度記憶手段に格納されている文書間の類似度に基づいて、文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキング手段と、を備える。
誰が記述したか、または、経験したかを、一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力手段と、
文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または、該文書Ａの集合の中から選択することで、行動推薦を行う対照を指定する検索質問入力手段と、
解析データ記憶手段に格納されている各文書Ａと、検索質問入力手段で入力された文書Ｂから、人間の行動内容を示す行動語を抽出する行動語抽出手段と、
各文書Ａと文書Ｂから、行動に対する評価や感情を示す感性語を抽出する感性語抽出手段と、
感性語抽出手段で得られた感性語に対して、該感性語の持つ意味が、逆の意味を持つ二つの概念を極性とする軸上のどこに位置するかを示す感性スコアを付与する感性スコア導出手段と、
解析データ入力手段と検索質問入力手段で得られた文書Ａと文書Ｂのそれぞれを、行動語抽出手段で得られた行動語と、感性スコア導出手段で得られたその行動に対する感性スコアとから、該行動語を次元とし、それぞれの次元の要素を、該当する行動語に対する感性スコアとする文書ベクトルへと変換し、ベクトル記憶手段に格納することで、人間の行動内容と、その行動に対しての感性を、その人を特徴づける情報とする経験ベクトル生成手段と、
ベクトル記憶手段に格納されている経験ベクトル生成手段によって得られた文書ベクトル間の類似度を求め、該文書ベクトル間の類似度に基づいて文書Ｂと各文書Ａとの類似度を算出し、類似度記憶手段に格納する類似度算出手段と、
類似度記憶手段に格納されている文書間の類似度に基づいて、文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキング手段と、を備える。
本発明（請求項３）は、文書に記述された人間の経験の類似性をもとに行動を推薦する行動推薦装置であって、
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力手段と、
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された、文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または該文書Ａの集合の中から選択することで、行動推薦を行う対象を指定する検索質問入力手段と、
解析データ記憶手段に格納されている各文書Ａと、検索質問入力手段で入力された文書Ｂから、人間の行動内容を示す行動語を抽出する行動語抽出手段と、
各文書Ａと文書Ｂを、行動語抽出手段で得られた行動語を次元とし、それぞれの次元の要素を、該当する行動を行った時間、または、空間、または時空間が似通っているほど近い値を持つように付与した文書ベクトルへと変換し、ベクトル記憶手段に格納することで、人間の行動内容と、その行動を行った時間、または空間、または時空間を、人間を特徴づける情報として用いる実空間行動ベクトル生成手段と、
ベクトル記憶手段に格納されている経験ベクトル生成手段によって得られた文書ベクトル間の類似度を求め、該文書ベクトル間の類似度に基づいて文書Ｂと各文書Ａとの類似度を算出し、類似度記憶手段に格納する類似度算出手段と、
類似度記憶手段に格納されている文書間の類似度に基づいて、文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキング手段と、を備える。
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力手段と、
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された、文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または該文書Ａの集合の中から選択することで、行動推薦を行う対象を指定する検索質問入力手段と、
解析データ記憶手段に格納されている各文書Ａと、検索質問入力手段で入力された文書Ｂから、人間の行動内容を示す行動語を抽出する行動語抽出手段と、
各文書Ａと文書Ｂを、行動語抽出手段で得られた行動語を次元とし、それぞれの次元の要素を、該当する行動を行った時間、または、空間、または時空間が似通っているほど近い値を持つように付与した文書ベクトルへと変換し、ベクトル記憶手段に格納することで、人間の行動内容と、その行動を行った時間、または空間、または時空間を、人間を特徴づける情報として用いる実空間行動ベクトル生成手段と、
ベクトル記憶手段に格納されている経験ベクトル生成手段によって得られた文書ベクトル間の類似度を求め、該文書ベクトル間の類似度に基づいて文書Ｂと各文書Ａとの類似度を算出し、類似度記憶手段に格納する類似度算出手段と、
類似度記憶手段に格納されている文書間の類似度に基づいて、文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキング手段と、を備える。
図２は、本発明の原理を説明するための図である。
本発明（請求項４）は、文書に記述された人間の経験の類似性をもとに行動を推薦する装置における行動推薦方法であって、
誰が記述したか、または、経験したかを、一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力ステップ（ステップ１）と、
解析データ記憶手段に格納されている各文書Ａから人間の行動内容を示す行動語Ａを抽出する第１の行動語抽出ステップ（ステップ２）と、
各文書Ａを、行動語Ａを次元とする文書ベクトルＡに変換し、ベクトル記憶手段に格納する第１の行動ベクトル生成ステップ（ステップ３）と、
文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または、該文書Ａの集合の中から選択することで、行動推薦を行う対象を指定する検索質問入力ステップ（ステップ４）と、
検索質問入力ステップで入力された文書Ｂから行動語Ｂを抽出する第２の行動語抽出ステップ（ステップ５）と、
文書Ｂを、行動語Ｂを次元とする文書ベクトルＢへと変換し、ベクトル記憶手段に格納する第２の行動ベクトル生成ステップ（ステップ６）と、
ベクトル記憶手段に格納されている文書ベクトルＡと文書ベクトルＢ間の文書ベクトル間類似度を求め、該文書ベクトル間類似度をもとに、文書Ｂと、各文書Ａとの類似度を算出し、類似度記憶手段に格納するベクトル間類似度算出ステップ（ステップ７）と、
類似度記憶手段に格納されている文書間の類似度に基づいて、文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキングステップ（ステップ８）、を行う。
誰が記述したか、または、経験したかを、一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力ステップ（ステップ１）と、
解析データ記憶手段に格納されている各文書Ａから人間の行動内容を示す行動語Ａを抽出する第１の行動語抽出ステップ（ステップ２）と、
各文書Ａを、行動語Ａを次元とする文書ベクトルＡに変換し、ベクトル記憶手段に格納する第１の行動ベクトル生成ステップ（ステップ３）と、
文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または、該文書Ａの集合の中から選択することで、行動推薦を行う対象を指定する検索質問入力ステップ（ステップ４）と、
検索質問入力ステップで入力された文書Ｂから行動語Ｂを抽出する第２の行動語抽出ステップ（ステップ５）と、
文書Ｂを、行動語Ｂを次元とする文書ベクトルＢへと変換し、ベクトル記憶手段に格納する第２の行動ベクトル生成ステップ（ステップ６）と、
ベクトル記憶手段に格納されている文書ベクトルＡと文書ベクトルＢ間の文書ベクトル間類似度を求め、該文書ベクトル間類似度をもとに、文書Ｂと、各文書Ａとの類似度を算出し、類似度記憶手段に格納するベクトル間類似度算出ステップ（ステップ７）と、
類似度記憶手段に格納されている文書間の類似度に基づいて、文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキングステップ（ステップ８）、を行う。
本発明（請求項５）は、文書に記述された人間の経験の類似性をもとに行動を推薦する装置における行動推薦方法であって、
誰が記述したか、または、経験したかを、一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力ステップと、
解析データ記憶手段に格納されている文書Ａから人間の行動内容を示す行動語Ａを抽出する第１の行動語抽出ステップと、
各文書Ａから、行動に対する評価や感情を示す感性語Ａを抽出する第１の感性語抽出ステップと、
感性語Ａに対して、該感性語Ａの持つ意味が、逆の意味を持つ二つの概念を極性とする軸上のどこに位置するかを示す感性スコアを付与する第１の感性スコア導出ステップと、
各文書Ａを、行動語Ａと感性スコアＡとから、該第１の行動語を次元とし、それぞれの次元の要素を、該当する行動語Ａに対する該感性スコアＡとする文書ベクトルＡに変換し、ベクトル記憶手段に格納する第１の経験ベクトル生成ステップと、
文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または、該文書Ａの集合の中から選択することで、行動推薦を行う対照を指定する検索質問入力ステップと、
検索質問入力ステップで入力された文書Ｂから行動語Ｂを抽出する第２の行動語抽出ステップと、
文書Ｂから、行動に対する評価や感情を示す感性語Ｂを抽出する第２の感性語抽出ステップと、
感性語Ｂに対して、該感性語Ｂの持つ意味が、逆の意味を持つ二つの概念を極性とする軸上のどこに位置するかを示す感性スコアを付与する第２の感性スコア導出ステップと、
文書Ｂを、行動語Ｂと感性スコアＢとから、該行動語Ｂを次元とし、それぞれの次元の要素を該当する行動語Ｂに対する該感性スコアＢとする文書ベクトルＢに変換し、ベクトル記憶手段に格納する第２の経験ベクトル生成ステップと、
ベクトル記憶手段に格納されている文書ベクトル間の類似度を求め、該文書ベクトル間の類似度に基づいて文書Ｂと文書Ａとの類似度を算出し、類似度記憶手段に格納するベクトル間類似度算出ステップと、
類似度記憶手段に格納されている文書間の類似度に基づいて、文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキングステップと、を行う。
誰が記述したか、または、経験したかを、一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力ステップと、
解析データ記憶手段に格納されている文書Ａから人間の行動内容を示す行動語Ａを抽出する第１の行動語抽出ステップと、
各文書Ａから、行動に対する評価や感情を示す感性語Ａを抽出する第１の感性語抽出ステップと、
感性語Ａに対して、該感性語Ａの持つ意味が、逆の意味を持つ二つの概念を極性とする軸上のどこに位置するかを示す感性スコアを付与する第１の感性スコア導出ステップと、
各文書Ａを、行動語Ａと感性スコアＡとから、該第１の行動語を次元とし、それぞれの次元の要素を、該当する行動語Ａに対する該感性スコアＡとする文書ベクトルＡに変換し、ベクトル記憶手段に格納する第１の経験ベクトル生成ステップと、
文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または、該文書Ａの集合の中から選択することで、行動推薦を行う対照を指定する検索質問入力ステップと、
検索質問入力ステップで入力された文書Ｂから行動語Ｂを抽出する第２の行動語抽出ステップと、
文書Ｂから、行動に対する評価や感情を示す感性語Ｂを抽出する第２の感性語抽出ステップと、
感性語Ｂに対して、該感性語Ｂの持つ意味が、逆の意味を持つ二つの概念を極性とする軸上のどこに位置するかを示す感性スコアを付与する第２の感性スコア導出ステップと、
文書Ｂを、行動語Ｂと感性スコアＢとから、該行動語Ｂを次元とし、それぞれの次元の要素を該当する行動語Ｂに対する該感性スコアＢとする文書ベクトルＢに変換し、ベクトル記憶手段に格納する第２の経験ベクトル生成ステップと、
ベクトル記憶手段に格納されている文書ベクトル間の類似度を求め、該文書ベクトル間の類似度に基づいて文書Ｂと文書Ａとの類似度を算出し、類似度記憶手段に格納するベクトル間類似度算出ステップと、
類似度記憶手段に格納されている文書間の類似度に基づいて、文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキングステップと、を行う。
本発明（請求項６）は、文書に記述された人間の経験の類似性をもとに行動を推薦する装置における行動推薦方法であって、
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力ステップと、
解析データ記憶手段に格納されている各文書Ａから、人間の行動内容を示す行動語Ａを抽出する第１の行動語抽出ステップと、
各文書Ａを、行動語Ａを次元とし、それぞれの次元の要素を、該当する行動を行った時間、または、空間、または時空間が似通っているほど近い値を持つように付与した文書ベクトルへＡと変換し、ベクトル記憶手段に格納する第１の実空間行動ベクトル生成ステップと、
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力手段と、
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された、文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または該文書Ａの集合の中から選択することで、行動推薦を行う対象を指定する検索質問入力ステップと、
文書Ｂから、人間の行動内容を示す行動語Ｂを抽出する第２の行動語抽出ステップと、
文書Ｂを、行動語Ｂを次元とし、それぞれの次元の要素を、該当する行動を行った時間、または、空間、または時空間が似通っているほど近い値を持つように付与した文書ベクトルへと変換し、ベクトル記憶手段に格納する第２の実空間行動ベクトル生成ステップと、
ベクトル記憶手段に格納されている文書ベクトル間の類似度を求め、該文書ベクトル間の類似度に基づいて文書Ｂと各文書Ａとの類似度を算出し、類似度記憶手段に格納するベクトル間類似度算出ステップと、
類似度記憶手段に格納されている文書間の類似度に基づいて、文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキングステップと、を行う。
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力ステップと、
解析データ記憶手段に格納されている各文書Ａから、人間の行動内容を示す行動語Ａを抽出する第１の行動語抽出ステップと、
各文書Ａを、行動語Ａを次元とし、それぞれの次元の要素を、該当する行動を行った時間、または、空間、または時空間が似通っているほど近い値を持つように付与した文書ベクトルへＡと変換し、ベクトル記憶手段に格納する第１の実空間行動ベクトル生成ステップと、
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力手段と、
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された、文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または該文書Ａの集合の中から選択することで、行動推薦を行う対象を指定する検索質問入力ステップと、
文書Ｂから、人間の行動内容を示す行動語Ｂを抽出する第２の行動語抽出ステップと、
文書Ｂを、行動語Ｂを次元とし、それぞれの次元の要素を、該当する行動を行った時間、または、空間、または時空間が似通っているほど近い値を持つように付与した文書ベクトルへと変換し、ベクトル記憶手段に格納する第２の実空間行動ベクトル生成ステップと、
ベクトル記憶手段に格納されている文書ベクトル間の類似度を求め、該文書ベクトル間の類似度に基づいて文書Ｂと各文書Ａとの類似度を算出し、類似度記憶手段に格納するベクトル間類似度算出ステップと、
類似度記憶手段に格納されている文書間の類似度に基づいて、文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキングステップと、を行う。
本発明（請求項７）は、請求項１乃至３のいずれか１項に記載の行動推薦装置を構成する手段としてコンピュータを機能させるための行動推薦プログラムである。
上記のように、本発明は、ユーザと過去の経験が類似している人、または、集団の行動傾向を元にユーザに行動を推薦する発明に関するものであり、実空間上における行動や、その行動に対して抱く人間の感情や、行動を行う時間、または空間、または時空間をもとに人間の類似性を測る特徴があるため、実世界の行動決定に役立つ行動情報を効果的に推薦することができる。
[第１の実施の形態]
本発明の第１の実施形態について、図面を参照して説明する。
本発明の第１の実施形態について、図面を参照して説明する。
図３は、本発明の第１の実施の形態における行動推薦装置の構成を示す。
同図に示す行動推薦装置は、解析データ入力部１０、解析データ記憶部２０、行動特徴抽出部３０、ベクトル記憶部４０、検索質問入力部５０、検索質問記憶部６０、類似度算出部７０、類似度記憶部８０、行動ランキング部９０、ランキング結果記憶部１００、出力部１１０から構成される。
以下に各構成要素の動作を一連の流れに沿って説明する。
図４は、本発明の第１の実施の形態における行動推薦装置の動作のフローチャートである。
ステップ１０１） 解析データ入力部１０は、解析対象データをユーザから受け付け、解析データ記憶部２０に格納する。解析データ入力部１０は、例えば、キーボード、OCR、ペン入力、音声認識装置、GPSなどを搭載した端末等や、ネットワーク上に置かれたテキストファイルを読み込む手段等によって構成されている。また、解析データ入力部１０はマウス等の入力手段のデバイスドライバーや、メニュー画面の制御ソフトウェア等で実現され得る。入力される解析対象データは、個人の経験が自然言語で記述され、さらに、それを記述した、または、そこに記述されている経験を実際に行った人物を一意に識別可能なデータが付与された形式である。一つの文書に複数の人物が対応していても、一人の人物に複数の文書が対応していてもよい。この場合には、人物ごとに複数の文書をまとめ、n人の人物に関する入力に対して解析対象データＤ１，Ｄ２，…，Ｄｎを生成することとする。
解析データ記憶部２０は、解析データ入力部１０で入力されたデータを格納する。入力データ記憶部２０は、入力データの構造が保存されるものであれば何でも良い。例えば、データベースや予め備えられた汎用的な記憶装置（メモリやハードディスク装置）の特定領域に記憶される。
ステップ１０２） 行動特徴抽出部３０は、行動語抽出部３１と行動ベクトル生成部３２とを有し、行動語抽出部３１は、解析データ記憶部２０に格納された解析対象データから、行動語を抽出する。行動語とは、典型的には「見る」と「映画」のように、動作動詞とその対象格とからなり、行動の内容を述べた情報である。また、「桜」が「見る」の対象格であることを示す表層格「を」を、行動語に一部として考えてもよい。また、「結婚する」や「ドライブする」のような、自動詞を行動語としてもよい。行動語を抽出する方法は、シソーラス、形態素解析器、係り受け解析器、格解析器、機械学習器を使った方法など、何でもよい。
ステップ１０３） 行動特徴抽出部３０の行動ベクトル生成部３２は、人が実際に行った行動内容を、その人を特徴づける情報として用いる。行動ベクトル生成部３２は、解析データ記憶部２０に格納された解析対象データを、それぞれの行動語を次元とするベクトルで表現する。いま、解析対象データの文書をＤ１，Ｄ２，…，Ｄｎとし、これら文書全体を通して全部でm個の行動語ｗ１，ｗ２，…，ｗｍがあるとする。このとき、文書Ｄｉは次のような文書ベクトルで表現される。
ベクトル記憶部４０は、行動特徴抽出部３０で得られた文書ベクトルを記憶する。ベクトル記憶部４０は、入力データの構造が保存され、復元可能なものであれば、なんでも良い。例えば、データベースや、予め備えられた汎用的な記憶装置（メモリやハードディスク装置）の特定領域に記憶される。
ステップ１０４） 検索質問入力部５０は、ユーザから行動推薦を行う人の指定を受け付ける。このとき、ユーザは、解析データ記憶部２０に記憶されている解析対象データに関連付けられたｎ人の人物情報の中から、ある人物を端末上で指定する。次に、端末上で指定された人の文書ベクトルをベクトル記憶部４０から取得した後、検索質問記憶部60に格納する。また、解析対象入力部１０と同様の、個人の経験が自然言語で記述され、さらに、それを記述した、または、そこに記述されている経験を実際に行った人物を一意に識別可能なデータが付与された形式を受け付けることもできるが、この場合は、行動特徴抽出部３０によって、前述のステップ１０２，１０３と同様の処理によって文書ベクトル形式に変換し、検索質問記憶部６０に格納する。
検索質問記憶部６０は、検索質問入力部５０によって得られた文書ベクトルを記憶する。検索質問記憶部６０は、入力データの構造が保存され、復元可能なものであれば、何でもよい。例えば、データベースや、予め備えられた汎用的な記憶装置（メモリやハードディスク装置）の特定領域に記憶される。
ステップ１０５） 類似度算出部７０は、ベクトル記憶部４０に記憶された文書ベクトルの集合と、検索質問記憶部６０に記憶された文書ベクトルに基づいて、人と人との（文書ベクトル間の）類似性を測る手段である。いま、検索質問入力部５０によって、ベクトル記憶部４０に記憶された特定の人（文書ベクトル）が指定されたとする。文書類似度算出部７０は、特定の人（の文書ベクトル）と、他のすべての人（の文書ベクトル）との類似度をそれぞれ求めていく。文書ベクトル間の類似度の算出には、コサイン類似度、ユークリッド距離、ピアソン相関、Jaccard係数、マンハッタン距離などの方法が考えられるが、どれを用いてもよい。上記のように求められた類似度を類似度記憶部８０に格納する。
類似度記憶部８０は、類似度算出部７０で得られた、文書ベクトル同士の類似度スコアを記憶する。類似度記憶部８０は、入力データの構造が保存され、復元可能なものであれば、なんでも良い。例えば、データベースや、予め備えられた汎用的な記憶装置（メモリやハードディスク装置）の特定領域に記憶される。
ステップ１０６） 行動ランキング部９０は、類似度算出部７０によって得られた人と人の間の類似度をもとに、検索質問入力部５０で指定された人に関して、それぞれの行動の起こしやすさを示す値の予測値を算出し、ランキング結果記憶部１００に格納する。なお、この値は、クエリで指定された人と類似している人が行動しており、かつ、クエリで指定された人がまだ行っていない行動についてそれぞれ算出するものである。
いま、n個の解析対象データをＵ＝｛ｕ１，ｕ２，…，ｕｎ｝とし、これら文書全体を通して全部でm個の行動語ｗ１，ｗ２，…，ｗｍが出現するとする。ｄijは行動語ｗｊの文書ｕｉにおける重み（評価）、検索質問で指定された人(文書)をｕｉ，ｕｉとその他のユーザ（文書ｕｏとの類似度をｓ（ｕｉ，ｕｏ）とする。前述の通り、類似度ｓ（ｕｉ，ｕｏ）は、類似度算出部７０でどの尺度を選択するかで値が異なる。
例えば、コサイン類似度、Jaccard係数、マンハッタン距離は、人と人との類似性が高いほどベクトル間類似度は高い値を持つ。また、ユークリッド距離は、人と人との類似性が高いほどベクトル間類似度は小さい値を持つ（ユークリッド距離に1を加え（０で除算するのを防ぐため）逆数を取ることで前記、人と人との類似性が高いほど高い値を持つベクトル間類似度算出方法と同等に扱うこともできる）。また、ピアソン相関係数は、−１から１の間の実数値をとる。ここでは、類似度算出部７０で、ピアソン相関係数を選択した場合のランキング手段について説明する。ピアソン相関係数は、１に近いほど、二人に正の相関があり、−１に近いほど、二人に負の相関があり、０に近いほど、二人に相関が弱いことを示す尺度である。
類似度の高い人、上位Ｍ人がｕｉの近接メンバーになり、その集合をneighbor(ｕｉ)⊆Ｕと表す。ｕｉの近接メンバーｕｏ∈neighbor（ｕｉ）が行った行動で、かつ、ｕｉが行っていない行動語wｊすべてに対して、以下の式でｕｉの行動語ｗjに対する評価（重み）の予測値を算出する。
ランキング結果記憶部１００は、行動ランキング部９０で得られたランキング結果を記憶する。ランキング結果記憶部１００は、入力データの構造が保存され、復元可能なものであれば、なんでも良い。例えば、データベースや、予め備えられた汎用的な記憶装置（メモリやハードディスク装置）の特定領域に記憶される。
ステップ１０７） 出力部１１０は、ランキング結果記憶部１００に記憶されている結果をもとに、スコアの高い順から上位N件の行動情報を出力する。ここで、出力とはディスプレイへの表示、プリンタへの印字、音出力、外部の装置への送信、記録媒体への蓄積等を含む概念である。出力部１１０は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。出力部１１０は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。
なお、上記の図４のステップ１０４の処理をステップ１０２の後に実行し、ステップ１０３において、解析対象データの文書と行動推薦する人の検索条件または、解析対象データ記憶部２０に格納されている文書の文書ベクトルも求め、ベクトル記憶部４０に、解析データの文書のベクトルと共に格納するようにしてもよい。
［第２の実施の形態］
本発明の第２の実施形態について、図面を参照して説明する。
本発明の第２の実施形態について、図面を参照して説明する。
図５は、本発明の第２の実施の形態における行動推薦装置の構成を示す。
同図に示す行動推薦装置は、解析データ入力部１０、解析データ記憶部２０、ベクトル記憶部４０、検索質問入力部５０、検索質問記憶部６０、類似度算出部７０、類似度記憶部８０、行動ランキング部９０、ランキング結果記憶部１００、出力部１１０という構成要素については、第１の実施の形態の図３に示す構成と共通である。
本実施の形態では、第１の実施の形態における行動特徴抽出部３０の代わりに、行動語抽出部３１と、感性語抽出部１２１と感性スコア導出部１２２と経験ベクトル生成部１２３を有する経験特徴抽出部１２０を具備した構成である。以下、経験特徴抽出部１２０について説明する。
図６は、本発明の第２の実施の形態における行動推薦装置の動作のフローチャートである。
ステップ２０１、２０２は、第１の実施の形態における図４のステップ１０１，１０２と同様であるので、その説明を省略する。
ステップ２０３） 感性語抽出部１２１は、解析データ記憶部２０に格納された解析対象データから、シソーラス、形態素解析器、機械学習器を使った方法等を用いて感性語を抽出する。「感性語」とは、人間の主観的な言語表現であり、「良い」、「悪い」、「好き」、「嫌い」などの、行動語の対象に対する評価や、行動を行った結果として人間が抱いた、「嬉しい」、「悲しい」、「予期」、「驚き」、「怒り」、「恐れ」などを示す表現である。感性語を抽出する方法は、シソーラス、形態素解析器、機械学習器を使った方法など、何でもよい。
ステップ２０４） 感性スコア導出部１２２は、感性語抽出部１２１で得られた感性語に対して、感性スコアを付与する。「感性語スコア」とは、感性語のもつ意味が、＜ポジティブ，ネガティブ＞のような、逆の意味を持つ二つの概念からなる軸上のどこに位置するかを示すスコアである。いま、感性語の<ポジティブ，ネガティブ＞軸上における感性スコアを求めることを考え、感性語がポジティブな場合には"３"を、ネガティブな場合は"１"を、どちらでもない場合は"２"を割り当てるとする。
例えば、「悪い」という感性語の感性スコアは、ネガティブに該当するため"１"となる。割り当てる数値を、"３"、"２"、"１"としたが、これに限らず、近い意味を持つ語が、近い数値を持つような数値の割り当てであればよい。また、これ以外の軸としては、＜嬉しい，悲しい＞、＜驚き，予期＞、＜怒り，恐れ＞、＜受容，嫌悪＞などが考えられる。感性スコアの導出方法は、シソーラス、形態素解析器、機械学習器を使った方法など、何でもよい。
ステップ２０５） 経験ベクトル生成部１２３は、人が実際に行った行動内容と、その行動に対しての感性を、その人を特徴づける情報として用いる。経験ベクトル生成部１２３は、行動語抽出部３１、感性語抽出部１２１、及び、感性スコア導出部１２２で得られた結果をもとに、解析データ記憶部２０に格納された文書を、それぞれの行動語を次元とする文書ベクトルで表現する。経験ベクトル生成部１２３が生成する文書ベクトルは、同様の行動を行い、その結果として同じような感性を抱いた人（文書）ほど、似通うように生成する。いま、解析対象データをＤ１，Ｄ２，…，Ｄｎとし、これら文書全体を通して全部でm個の行動語ｗ１，ｗ２，…，ｗｍがあるとする。このとき、文書Ｄｉは次のような文書ベクトルで表現される。
次に、文書Ｄｊに存在する行動語に関して考える。文書Ｄｉから得られたx個の行動語集合
Ｗｉ=｛ｗｉ１，ｗｉ２，…，ｗｉｘ｝
と、ｙ個の感情語集合
Ｅｉ＝｛ｅｉ１，ｅｉ２，…，ｅｉｙ｝
から、行動語と感情語をマージし、かつ、文書中の出現順序が早い順にソートしたシーケンス
Ｓｉ＝｛ｓｉ１，ｓｉ２，…，ｓｉｚ｝
を得る。ｓij∈Ｗｉ∪Ｅｉでシーケンスの要素数zはｘ＋ｙである。
Ｗｉ=｛ｗｉ１，ｗｉ２，…，ｗｉｘ｝
と、ｙ個の感情語集合
Ｅｉ＝｛ｅｉ１，ｅｉ２，…，ｅｉｙ｝
から、行動語と感情語をマージし、かつ、文書中の出現順序が早い順にソートしたシーケンス
Ｓｉ＝｛ｓｉ１，ｓｉ２，…，ｓｉｚ｝
を得る。ｓij∈Ｗｉ∪Ｅｉでシーケンスの要素数zはｘ＋ｙである。
ステップ２０６） 経験ベクトル生成部１２３は、文書Ｄｉにおける行動語ｗijのベクトル要素ｄijを、シーケンスＳjに基づき、以下の方法のいずれかを用いて決定する。
（１） シーケンス中で行動語ｗijの最近傍の感性語ｅikの感性スコア：
（２） シーケンス中で最初、または、最後に出現する感性語ｅikの感性スコア：
（３） シーケンス中で行動語ｗijと出現位置の近いP個の感性語の感性スコアの平均：
また、感性語を選択する時に、以下のいずれかの制約、または、その組み合わせを用いてもよい。
（２） シーケンス中で最初、または、最後に出現する感性語ｅikの感性スコア：
（３） シーケンス中で行動語ｗijと出現位置の近いP個の感性語の感性スコアの平均：
また、感性語を選択する時に、以下のいずれかの制約、または、その組み合わせを用いてもよい。
Ａ） シーケンス中で行動語ｗijの後方（または、前方）に出現する感性語：
Ｂ） シーケンス中で行動語ｗijの後方（または、前方）に出現する最近傍の行動語との間に出現する感性語：
Ｃ） 文書Ｄｉ中で行動語ｗijと同文、または同段落、または、同文書中に出現する：
なお、対応する感性語が存在しなかった行動語ｗijに関しては、ｄij＝０とするか、中立の感性であることを示す値を付与するか（感性スコア導出部１２２の例においては"２"）、適宜、対応する感性語が存在しなかったことを示す値を付与する。経験ベクトル生成部１２３により得られた文書ベクトルは、ベクトル記憶部４０に記憶する。
Ｂ） シーケンス中で行動語ｗijの後方（または、前方）に出現する最近傍の行動語との間に出現する感性語：
Ｃ） 文書Ｄｉ中で行動語ｗijと同文、または同段落、または、同文書中に出現する：
なお、対応する感性語が存在しなかった行動語ｗijに関しては、ｄij＝０とするか、中立の感性であることを示す値を付与するか（感性スコア導出部１２２の例においては"２"）、適宜、対応する感性語が存在しなかったことを示す値を付与する。経験ベクトル生成部１２３により得られた文書ベクトルは、ベクトル記憶部４０に記憶する。
以下、例を用いて第２の実施形態における経験ベクトル生成部１２３の動作を説明する。
いま、
「映画を見にいきました・・・チケットを購入・・・ラストシーンを見る・・・感動・・・。コーヒーを飲む・・・不味かった・・・。ドライブする・・・海を眺める・・・綺麗・・・」という文書から、
行動語集合Ｗ＝｛映画を見る，チケットを購入，ラストシーンを見る，コーヒーを飲む，ドライブする，海を眺める}
と、
感性語集合Ｅ＝｛感動，不味い，綺麗}
が得られたとする。また、感性スコア導出部１２２によって、感性語がポジティブな場合には"３"を、ネガティブな場合には"１"を、どちらでもない場合には、"２"を割り当てるとして、感性語「感動」と「綺麗」にはポジティブなことを示す"３"が、感性語「不味い」には、ネガティブなことを示す"１"が割り当てられたとする。さらに、ベクトル要素ｄijを決定する方法としては、上記の（１）を、制約としては上記の（Ａ）の後方選択を採用したとする。
「映画を見にいきました・・・チケットを購入・・・ラストシーンを見る・・・感動・・・。コーヒーを飲む・・・不味かった・・・。ドライブする・・・海を眺める・・・綺麗・・・」という文書から、
行動語集合Ｗ＝｛映画を見る，チケットを購入，ラストシーンを見る，コーヒーを飲む，ドライブする，海を眺める}
と、
感性語集合Ｅ＝｛感動，不味い，綺麗}
が得られたとする。また、感性スコア導出部１２２によって、感性語がポジティブな場合には"３"を、ネガティブな場合には"１"を、どちらでもない場合には、"２"を割り当てるとして、感性語「感動」と「綺麗」にはポジティブなことを示す"３"が、感性語「不味い」には、ネガティブなことを示す"１"が割り当てられたとする。さらに、ベクトル要素ｄijを決定する方法としては、上記の（１）を、制約としては上記の（Ａ）の後方選択を採用したとする。
経験ベクトル生成部１２３は、文書内での出現位置が早い順で、行動語と感性語をマージした以下のようなシーケンスを生成する。
＜映画を見る、チケットを購入、ラストシーンを見る、感動、コーヒーを飲む、不味い、ドライブする、海を眺める、綺麗＞
次に、このシーケンスの要素を前方から辿っていき、要素が行動語の場合には、その行動語よりも後方に出現する最近傍の感情語を選択して、［行動語、感性語］のペアを生成する。
次に、このシーケンスの要素を前方から辿っていき、要素が行動語の場合には、その行動語よりも後方に出現する最近傍の感情語を選択して、［行動語、感性語］のペアを生成する。
［映画を見る、感動］
［チケットを購入、感動］
［ラストシーンを見る、感動］
［コーヒーを飲む、不味い］
［ドライブする、綺麗］
［海を眺める、綺麗］
６つの行動語を、出現位置の順にｗ１，ｗ２，…，ｗ６とし、対応する感性語の感性スコアをｄ１，ｄ２，…，ｄ６とする。感性語「感動」と「綺麗」にはポジティブなことを示す"３"が、感性語「不味い」には、ネガティブなことを示す"１"が割り当てられていることから、経験ベクトル生成部１２３は以下のような文書ベクトルを生成する。
［チケットを購入、感動］
［ラストシーンを見る、感動］
［コーヒーを飲む、不味い］
［ドライブする、綺麗］
［海を眺める、綺麗］
６つの行動語を、出現位置の順にｗ１，ｗ２，…，ｗ６とし、対応する感性語の感性スコアをｄ１，ｄ２，…，ｄ６とする。感性語「感動」と「綺麗」にはポジティブなことを示す"３"が、感性語「不味い」には、ネガティブなことを示す"１"が割り当てられていることから、経験ベクトル生成部１２３は以下のような文書ベクトルを生成する。
経験ベクトル生成部１２３は、行動語と感情語をマージし、かつ、文書中の出現順序が早い順にソートしたシーケンス＜ｓ１，…，ｓＭ＞を読み込む（ステップ３０１）。一次変数ｉを初期化（ｉ＝１）する（ステップ３０２）。ｉがＭ以下であれば（ステップ３０３、Ｙｅｓ）、ｓｉが行動語であるかを判定し、行動語である場合（ステップ３０４、Ｙｅｓ）、ｓｉをメモリ（図示せず）内のキューＱに追加し（ステップ３０５）、ｉを１増加させステップ３０３に移行する（ステップ３０６）。
一方、ｓｉが行動語でない場合は（ステップ３０４、Ｎｏ）、メモリ（図示せず）内のキューＱが空であるかを判定し、空でない場合は（ステップ３０７、Ｎｏ）、キューＱから行動語ｑを取り出して、［ｑ，ｓｉ］をメモリ（図示せず）内の配列Ｘの末尾に追加し、Ｑが空になるまで繰り返す（ステップ３０８）。Ｑが空になったら（ステップ３０７、Ｙｅｓ）、ｉを１増加させてステップ３０３に移行する。
また、ｉ＞Ｍとなった場合は（ステップ３０３，Ｎｏ）、メモリ（図示せず）内の配列Ｘを出力する（ステップ３１１）。
ステップ２０７） 検索質問入力部５０は、ユーザから行動推薦を行う人の指定を受け付け、上記のステップ２０２〜２０６と同様の処理を行い、文書ベクトルＢを生成し、検索質問記憶部６０に格納する。
ステップ２０８〜２１０の処理は、第１の実施の形態における図４のステップ１０５〜１０７と同様の処理であるため、その説明を省略する。
［第３の実施の形態］
本発明の第３の実施形態について、図面を参照して説明する。
本発明の第３の実施形態について、図面を参照して説明する。
図８は、本発明の第３の実施の形態における行動推薦装置の構成を示す。
本実施の形態は、前述の第１・第２の実施の形態における解析データ入力部１０で入力として受け付けた解析データが、経験を行った場所と時間を一意に識別する情報が付与されていた場合にのみ動作する実施の形態である。
図８に示す本実施の形態における行動推薦装置の構成要素のうち、解析データ記憶部２０、行動語抽出部３１、ベクトル記憶部４０、検索質問入力部５０、検索質問記憶部６０、類似度算出部７０、類似度記憶部８０、行動ランキング部９０、ランキング結果記憶部１００、出力部１１０は、第１の実施の形態と共通である。
本実施の形態では、図３に示す第１の実施の形態の構成に、新たに、解析データ入力部１３０と、実空間行動ベクトル生成部１４０が追加されている。以下、この要素について説明する。
図９は、本発明の第３の実施の形態における行動推薦装置の動作のフローチャートである。
ステップ４０１） 解析データ入力部１３０は、解析対象データを受け付け、解析データ記憶部２０に格納する。解析データ入力部１３０は、例えば、キーボード、OCR、ペン入力、音声認識装置、GPSなどを搭載した端末等や、ネットワーク上に置かれたテキストファイルを読み込む手段等によって構成されている。また、当該解析データ入力部１３０は、マウス等の入力手段のデバイスドライバーや、メニュー画面の制御ソフトウェア等で実現され得る。解析対象データは、個人の経験が自然言語で記述され、さらに、それを記述した、または、そこに記述されている経験を実際に行った人物、時間、空間を一意に識別可能なデータが付与された形式である。例えば、時間情報としては日付が、空間情報としては緯度、経度等が付与される。
ステップ４０２） 行動語抽出部３１は、解析データ記憶部２０に格納された解析対象データから、行動語を抽出する。
ステップ４０３） 実空間行動ベクトル生成部１４０は、行動語抽出部３１と解析データ入力部１３０で入力された時間、空間情報をもとに、解析データ記憶部２０に格納された文書を、それぞれの行動語を次元とする文書ベクトルで表現する。実空間行動ベクトル生成部１４０が生成する文書ベクトルは、行動を起こした時間、もしくは空間、もしくは時空間が近い人（文書）ほど、似通うように生成する。いま、解析対象データをＤ１，Ｄ２，…，Ｄｎとし、これら文書全体を通して全部でm個の行動語ｗ１，ｗ２，…，ｗｍがあるとする。また、文書Ｄｉに付与された時間情報をｔ１、場所情報をＬｉとする。このとき、文書Ｄｉは次のような文書ベクトルで表現される。
ｄｉ１ｄｉ２＝…ｄｉｍとなるが、文書Ｄｉに行動語ｗｊが存在しない場合は、ｄｉｊ＝０とする。実空間行動ベクトル生成部１４０により得られた文書ベクトルは、ベクトル記憶部４０に格納する。
ステップ４０４） 検索質問入力部５０は、ユーザから行動推薦を行う人の指定を受け付け、上記のステップ４０２，４０３と同様の処理を行い、検索質問記憶部６０に格納する。
ステップ４０５〜４０７は、第１の実施の形態におけるステップ１０５〜１０７の処理と同様であるため、その説明を省略する。
なお、図３、図５、図８に示す行動推薦装置の構成要素の動作をプログラムとして構築し、行動推薦装置として利用されるコンピュータにインストールし、実行させる、または、ネットワークを介して流通させることが可能である。
また、構築されたプログラムをハードディスクや、フレキシブルディスク・ＣＤ−ＲＯＭ等の可搬記憶媒体に格納し、コンピュータにインストールする、または、配布することが可能である。
なお、本発明は、上記の実施の形態に限定されることなく、特許請求の範囲内において種々変更・応用が可能である。
１０ 解析データ入力手段、解析データ入力部
２０ 解析データ記憶手段、解析データ記憶部
３０ 行動特徴抽出部
３１ 行動語抽出手段、行動語抽出部
３２ 行動ベクトル生成手段、行動ベクトル生成部
４５ ベクトル記憶部
５０ 検索質問入力手段、検索質問入力部
６０ 検索質問記憶部
７０ 類似度算出手段、類似度算出部
８０ 類似度記憶手段、類似度記憶部
９０ 行動ランキング手段、行動ランキング部
１００ ランキング結果記憶手段、ランキング結果記憶部
１１０ 出力部
１２０ 経験特徴抽出部
１２１ 感性語抽出部
１２２ 感性スコア算出部
１２３ 経験ベクトル生成部
１３０ 解析データ記憶部
１４０ 実空間行動ベクトル生成部
２０ 解析データ記憶手段、解析データ記憶部
３０ 行動特徴抽出部
３１ 行動語抽出手段、行動語抽出部
３２ 行動ベクトル生成手段、行動ベクトル生成部
４５ ベクトル記憶部
５０ 検索質問入力手段、検索質問入力部
６０ 検索質問記憶部
７０ 類似度算出手段、類似度算出部
８０ 類似度記憶手段、類似度記憶部
９０ 行動ランキング手段、行動ランキング部
１００ ランキング結果記憶手段、ランキング結果記憶部
１１０ 出力部
１２０ 経験特徴抽出部
１２１ 感性語抽出部
１２２ 感性スコア算出部
１２３ 経験ベクトル生成部
１３０ 解析データ記憶部
１４０ 実空間行動ベクトル生成部
Claims (7)
- 文書に記述された人間の経験の類似性をもとに行動を推薦する行動推薦装置であって、
誰が記述したか、または、経験したかを、一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力手段と、
前記文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または、該文書Ａの集合の中から選択することで、行動推薦を行う対象を指定する検索質問入力手段と、
前記解析データ記憶手段に格納されている前記各文書Ａと、前記検索質問入力手段で入力された前記文書Ｂから、人間の行動内容を示す行動語を抽出する行動語抽出手段と、
前記各文書Ａと前記文書Ｂを、前記行動語抽出手段で得られた前記行動語を次元とする文書ベクトルへと変換し、ベクトル記憶手段に格納することで、行動内容を、人間を特徴づける情報として用いる行動ベクトル生成手段と、
前記ベクトル記憶手段に格納されている前記行動ベクトル生成手段によって得られた文書ベクトル間の類似度を求め、該文書ベクトル間類似度をもとに、前記文書Ｂと、前記解析データ入力手段で入力された前記各文書Ａとの類似度を算出し、類似度記憶手段に格納する類似度算出手段と、
前記類似度記憶手段に格納されている前記文書間の類似度に基づいて、前記文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキング手段と、
を備えることを特徴とする行動推薦装置。 - 文書に記述された人間の経験の類似性をもとに行動を推薦する行動推薦装置であって、
誰が記述したか、または、経験したかを、一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力手段と、
前記文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または、該文書Ａの集合の中から選択することで、行動推薦を行う対象を指定する検索質問入力手段と、
前記解析データ記憶手段に格納されている前記各文書Ａと、検索質問入力手段で入力された前記文書Ｂから、人間の行動内容を示す行動語を抽出する行動語抽出手段と、
前記各文書Ａと前記文書Ｂから、行動に対する評価や感情を示す感性語を抽出する感性語抽出手段と、
前記感性語抽出手段で得られた前記感性語に対して、該感性語の持つ意味が、逆の意味を持つ二つの概念を極性とする軸上のどこに位置するかを示す感性スコアを付与する感性スコア導出手段と、
前記解析データ入力手段と前記検索質問入力手段で得られた文書Ａと文書Ｂのそれぞれを、前記行動語抽出手段で得られた前記行動語と、前記感性スコア導出手段で得られたその行動に対する前記感性スコアとから、該行動語を次元とし、それぞれの次元の要素を、該当する行動語に対する感性スコアとする文書ベクトルへと変換し、ベクトル記憶手段に格納することで、人間の行動内容と、その行動に対しての感性を、その人を特徴づける情報とする経験ベクトル生成手段と、
前記ベクトル記憶手段に格納されている前記経験ベクトル生成手段によって得られた文書ベクトル間の類似度を求め、該文書ベクトル間の類似度に基づいて前記文書Ｂと前記各文書Ａとの類似度を算出し、類似度記憶手段に格納する類似度算出手段と、
前記類似度記憶手段に格納されている前記文書間の類似度に基づいて、前記文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキング手段と、
を備えることを特徴とする行動推薦装置。 - 文書に記述された人間の経験の類似性をもとに行動を推薦する行動推薦装置であって、
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力手段と、
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された、前記文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または該文書Ａの集合の中から選択することで、行動推薦を行う対象を指定する検索質問入力手段と、
前記解析データ記憶手段に格納されている前記各文書Ａと、検索質問入力手段で入力された前記文書Ｂから、人間の行動内容を示す行動語を抽出する行動語抽出手段と、
前記各文書Ａと前記文書Ｂを、前記行動語抽出手段で得られた行動語を次元とし、それぞれの次元の要素を、該当する行動を行った時間、または、空間、または時空間が似通っているほど近い値を持つように付与した文書ベクトルへと変換し、ベクトル記憶手段に格納することで、人間の行動内容と、その行動を行った時間、または空間、または時空間を、人間を特徴づける情報として用いる実空間行動ベクトル生成手段と、
前記ベクトル記憶手段に格納されている前記経験ベクトル生成手段によって得られた文書ベクトル間の類似度を求め、該文書ベクトル間の類似度に基づいて前記文書Ｂと前記各文書Ａとの類似度を算出し、類似度記憶手段に格納する類似度算出手段と、
前記類似度記憶手段に格納されている前記文書間の類似度に基づいて、前記文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキング手段と、
を備えることを特徴とした行動推薦装置。 - 文書に記述された人間の経験の類似性をもとに行動を推薦する装置における行動推薦方法であって、
誰が記述したか、または、経験したかを、一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力ステップと、
前記解析データ記憶手段に格納されている前記各文書Ａから人間の行動内容を示す行動語Ａを抽出する第１の行動語抽出ステップと、
前記各文書Ａを、前記行動語Ａを次元とする文書ベクトルＡに変換し、ベクトル記憶手段に格納する第１の行動ベクトル生成ステップと、
前記文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または、該文書Ａの集合の中から選択することで、行動推薦を行う対象を指定する検索質問入力ステップと、
前記検索質問入力ステップで入力された前記文書Ｂから行動語Ｂを抽出する第２の行動語抽出ステップと、
前記文書Ｂを、前記行動語Ｂを次元とする文書ベクトルＢへと変換し、前記ベクトル記憶手段に格納する第２の行動ベクトル生成ステップと、
前記ベクトル記憶手段に格納されている前記文書ベクトルＡと前記文書ベクトルＢ間の文書ベクトル間類似度を求め、該文書ベクトル間類似度をもとに、前記文書Ｂと、前記各文書Ａとの類似度を算出し、類似度記憶手段に格納するベクトル間類似度算出ステップと、
前記類似度記憶手段に格納されている前記文書間の類似度に基づいて、前記文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキングステップと、
を行うことを特徴とする行動推薦方法。 - 文書に記述された人間の経験の類似性をもとに行動を推薦する装置における行動推薦方法であって、
誰が記述したか、または、経験したかを、一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力ステップと、
前記解析データ記憶手段に格納されている前記各文書Ａから人間の行動内容を示す行動語Ａを抽出する第１の行動語抽出ステップと、
前記各文書Ａから、行動に対する評価や感情を示す感性語Ａを抽出する第１の感性語抽出ステップと、
前記感性語Ａに対して、該感性語Ａの持つ意味が、逆の意味を持つ二つの概念を極性とする軸上のどこに位置するかを示す感性スコアを付与する第１の感性スコア導出ステップと、
前記各文書Ａを、前記行動語Ａと前記感性スコアＡとから、該第１の行動語を次元とし、それぞれの次元の要素を、該当する行動語Ａに対する該感性スコアＡとする文書ベクトルＡに変換し、ベクトル記憶手段に格納する第１の経験ベクトル生成ステップと、
前記文書Ａと同じ形式の、特定の文書Ｂ、または、特定の人に関する文書Ｂ、または、特定の集団に関する文書Ｂを入力するか、または、該文書Ａの集合の中から選択することで、行動推薦を行う対象を指定する検索質問入力ステップと、
前記検索質問入力ステップで入力された前記文書Ｂから行動語Ｂを抽出する第２の行動語抽出ステップと、
前記文書Ｂから、評価表現や感情表現を示す感性語Ｂを抽出する第２の感性語抽出ステップと、
前記感性語Ｂに対して、該感性語Ｂの持つ意味が、逆の意味を持つ二つの概念を極性とする軸上のどこに位置するかを示す感性スコアを付与する第２の感性スコア導出ステップと、
前記文書Ｂを、前記行動語Ｂと前記感性スコアＢとから、該行動語Ｂを次元とし、それぞれの次元の要素を該当する行動語Ｂに対する該感性スコアＢとする文書ベクトルＢに変換し、ベクトル記憶手段に格納する第２の経験ベクトル生成ステップと、
前記ベクトル記憶手段に格納されている文書ベクトル間の類似度を求め、該文書ベクトル間の類似度に基づいて前記文書Ｂと前記文書Ａとの類似度を算出し、類似度記憶手段に格納するベクトル間類似度算出ステップと、
前記類似度記憶手段に格納されている前記文書間の類似度に基づいて、前記文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキングステップと、
を行うことを特徴とする行動推薦方法。 - 文書に記述された人間の経験の類似性をもとに行動を推薦する装置における行動推薦方法であって、
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された文書Ａの集合を入力し、解析データ記憶手段に格納する解析データ入力ステップと、
前記解析データ記憶手段に格納されている前記各文書Ａから、人間の行動内容を示す行動語Ａを抽出する第１の行動語抽出ステップと、
前記各文書Ａを、前記行動語Ａを次元とし、それぞれの次元の要素を、該当する行動を行った時間、または、空間、または時空間が似通っているほど近い値を持つように付与した文書ベクトルへＡと変換し、ベクトル記憶手段に格納する第１の実空間行動ベクトル生成ステップと、
誰が、いつ、どこで、記述したか、または、経験したかを一意に識別可能な情報が付与された、前記文書Ａと同じ形式の、特定の文書Ｂ、または特定の人に関する文書Ｂ、または特定の集団に関する文書Ｂを入力するか、または該文書Ａの集合の中から選択することで、行動推薦を行う対象を指定する検索質問入力ステップと、
前記文書Ｂから、人間の行動内容を示す行動語Ｂを抽出する第２の行動語抽出ステップと、
前記文書Ｂを、前記行動語Ｂを次元とし、それぞれの次元の要素を、該当する行動を行った時間、または、空間、または時空間が似通っているほど近い値を持つように付与した文書ベクトルへと変換し、前記ベクトル記憶手段に格納する第２の実空間行動ベクトル生成ステップと、
前記ベクトル記憶手段に格納されている文書ベクトル間の類似度を求め、該文書ベクトル間の類似度に基づいて前記文書Ｂと前記各文書Ａとの類似度を算出し、類似度記憶手段に格納するベクトル間類似度算出ステップと、
前記類似度記憶手段に格納されている前記文書間の類似度に基づいて、前記文書Ｂと類似する文書、またはその集合を抽出し、該類似する文書、またはその集合で特徴的に出現することを示すスコアを行動語に対して付与し、ランキング結果記憶手段に格納する行動語ランキングステップと、
を行うことを特徴とした行動推薦方法。 - 請求項１乃至３のいずれか１項に記載の行動推薦装置を構成する手段としてコンピュータを機能させるための行動推薦プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2009131279A JP5197491B2 (ja) | 2009-05-29 | 2009-05-29 | 行動推薦装置及び方法及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2009131279A JP5197491B2 (ja) | 2009-05-29 | 2009-05-29 | 行動推薦装置及び方法及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2010277462A JP2010277462A (ja) | 2010-12-09 |
| JP5197491B2 true JP5197491B2 (ja) | 2013-05-15 |
Family
ID=43424342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2009131279A Expired - Fee Related JP5197491B2 (ja) | 2009-05-29 | 2009-05-29 | 行動推薦装置及び方法及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5197491B2 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5557338B2 (ja) * | 2011-01-21 | 2014-07-23 | Ｋｄｄｉ株式会社 | ユーザの行動文から結果イベントを予測する予測プログラム、予測装置及び方法 |
| JP5221751B2 (ja) * | 2011-05-23 | 2013-06-26 | 日本電信電話株式会社 | 著者行動推定装置、著者行動推定モデル学習装置、著者行動推定方法、著者行動推定モデル学習方法、及びプログラム |
| JP6383605B2 (ja) * | 2014-08-20 | 2018-08-29 | Kddi株式会社 | 習慣評価方法、装置およびプログラム |
| CN110309427B (zh) * | 2018-05-31 | 2023-03-10 | 腾讯科技（深圳）有限公司 | 一种对象推荐方法、装置及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002328945A (ja) * | 2001-04-27 | 2002-11-15 | Sharp Corp | 情報検索システム |
| JP2002334257A (ja) * | 2001-05-10 | 2002-11-22 | Nec Corp | レコメンドエンジン、レコメンド方法、レコメンドプログラム |
| JP2008198173A (ja) * | 2007-01-16 | 2008-08-28 | C2Cube Inc | 情報処理装置、情報処理方法、およびプログラム |
-
2009
- 2009-05-29 JP JP2009131279A patent/JP5197491B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2010277462A (ja) | 2010-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Reviewer credibility and sentiment analysis based user profile modelling for online product recommendation | |
| CN110674410B (zh) | 用户画像构建、内容推荐方法、装置及设备 | |
| Teso et al. | Application of text mining techniques to the analysis of discourse in eWOM communications from a gender perspective | |
| Hassan et al. | Beyond DCG: user behavior as a predictor of a successful search | |
| Hariri et al. | Context-Aware Recommendation Based On Review Mining. | |
| US9208441B2 (en) | Information processing apparatus, information processing method, and program | |
| CN106104512A (zh) | 用于主动获取社交数据的系统和方法 | |
| Banik | Hands-on recommendation systems with Python: start building powerful and personalized, recommendation engines with Python | |
| JP5730741B2 (ja) | 話題推薦装置及び方法及びプログラム | |
| Tondji | Web recommender system for job seeking and recruiting | |
| JP5197491B2 (ja) | 行動推薦装置及び方法及びプログラム | |
| KR101652433B1 (ko) | Sns 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법 | |
| Talha et al. | Deep learning in news recommender systems: A comprehensive survey, challenges and future trends | |
| Chou et al. | Rating prediction based on merge-CNN and concise attention review mining | |
| JP6639040B2 (ja) | 情報検索装置及びプログラム | |
| JP4539616B2 (ja) | 意見収集分析装置及びそれに用いる意見収集分析方法並びにそのプログラム | |
| Sardar et al. | Recommender system for journal articles using opinion mining and semantics | |
| JP5513929B2 (ja) | 経験情報の再利用性評価装置及び方法及びプログラム | |
| KR20090126862A (ko) | 자연어 처리를 이용한 감성 정보 분석 시스템 및 방법,자연어 처리를 이용한 감성 정보 분석 방법을 컴퓨터에서실행하기 위한 프로그램을 저장한 기록매체 | |
| Sharma et al. | Personalized Fashion Recommendation Using Nearest Neighbor PageRank Algorithm | |
| Dahale | A natural language processing approach for musical instruments recommendation system | |
| Abirami et al. | Sentiment analysis | |
| US20240211498A1 (en) | Evaluation system and evaluation method | |
| Shchepina et al. | Modeling the trajectories of interests and preferences of users in digital social systems | |
| Habal et al. | Classifying User Experience (UX) Of The M-Commerce Application Using Multinomial Naive Bayes Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110825 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130118 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130129 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130205 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160215 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5197491 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| LAPS | Cancellation because of no payment of annual fees |