JP5277307B2 - 情報推薦方法、そのシステム、及びサーバ - Google Patents

Description

本発明は、コンテンツなどの情報を推薦する方法、特にユーザにとって関心はあるが、容易に想定できない意外性のある項目を推薦する技術に関する。

コンテンツなどの情報を配信する際に配信する情報を推薦するシステムとして、従来、「協調フィルタリング」方式が知られている（非特許文献１参照）。この協調フィルタリングとは、過去のユーザ履歴の類似性からユーザプロファイル（ユーザがどういったタイプに属するか、等）を推定し、次の推薦アイテムを決定する方式である。

また、特許文献１において、ユーザが視聴したコンテンツと視聴しなかったコンテンツによってそれぞれ嗜好クラスタと非嗜好クラスタをつくり、嗜好クラスタに類似していて、非嗜好クラスタに類似していないものから順に推薦する方式が述べられている。

特開２００８−２１００１０号公報 増井俊之, "インタフェースの街角(93) - 本棚演算, " Unix Magazine, Vol.20, No.12, 2005

協調フィルタリング方式では、部分的に履歴が類似した別ユーザの全履歴中、未推薦の部分を参照して推薦アイテムを決定する方式が主体であり、一般に、意外性のある推薦、即ちユーザにとって関心はあるが、容易に想定できない項目を推薦することは難しい。

また、特許文献１に記載の推薦方法では、類似度が最も近いコンテンツのクラスタのみを参照して推薦度を決定しており、他にも近い類似度のクラスタがある場合に、それを反映できない。例えば、１番類似性が高いコンテンツと２番目のコンテンツが、それぞれ嗜好、非嗜好が異なっている場合でも、逆に共に嗜好で同じ場合でも、推薦度は同じ結果となる。また、最も嗜好していると思われるものから推薦する方式であるため、嗜好コンテンツから離れたコンテンツの推薦順位を高くできない。そのため、意外性のある推薦は難しい。更に、ユーザ行動に関連して起こる背景状況（生理現象や人間関係等）を推薦内容に反映させることは考慮されていない。

本発明の課題は、ユーザにとって意外性のある推薦を行うことの出来る情報推薦方法、及びそのシステム等を提供することにある。

また、本発明に他の課題は、ユーザ行動に関連して起こる背景状況を推薦内容に反映できる情報推薦方法、及びそのシステム等を提供することにある。

上記の課題を解決するため、本発明においては、処理部と記憶部とを備えたサーバを用い、アイテムに関する情報を受け取ったユーザの反応を、次に推薦するアイテムの選択基準に反映し、別途推薦を行う情報推薦方法、並びに情報推薦システムであって、処理部は、ユーザが反応した情報と、無反応であったという情報を収集し、未推薦アイテムに対して、ユーザが反応した関心アイテムと、無反応であった無関心アイテム双方とのどちらのアイテムとの類似性が高いかを比較し、その比較結果を用いてユーザへの次の推薦アイテムを決定する情報推薦方法、並びに情報推薦システムを提供する。

また、処理部は、未推薦アイテムについて、最近関心距離および最近無関心距離を算出し、最近関心距離および最近無関心距離の差から、未推薦アイテムの境界乖離度を算出し、境界乖離度が最小の未推薦アイテムを次の推薦アイテムに決定する情報推薦方法等を提供する。

更に、処理部は、関心アイテムと無関心アイテムそれぞれに類似した未推薦アイテムを、関心アイテムと無関心アイテムとして拡張することにより、推薦対象である全てのアイテム中に、関心アイテムと無関心アイテムの境界である無関心・関心境界を推定し、無関心・関心境界上、またはその近傍、または、無関心・関心境界で決められる関心アイテム側の未推薦アイテムを次の推薦アイテムに決定する情報推薦方法等を提供する。

更にまた、本発明においては、上記の課題を解決するため、処理部は、ユーザの生理現象、および、同伴行動している人との人間関係等についての属性情報（場のコンテキストと呼ぶ）を推定し、この場のコンテキストをアイテムの推薦に反映させる情報推薦方法等を提供する。

本発明の好適な態様として、行動履歴、固定のユーザプロファイルによって情報推薦を行う一次推薦を行い、反応のあった項目だけでなく、無反応であった項目の情報を併せて用いて、二次推薦する項目の絞り込みを行う。この絞り込みにおいては、一次推薦の結果を用いて、類似度によって、全アイテム中で、ユーザの関心・無関心の境界がどこにあるかを特定し、その結果、未推薦アイテムが、ユーザの関心・無関心領域上のどの位置にあるかを特定する。そして、特に無関心でなく、且つ意外性を最大化するアイテムとして、関心・無関心の境界付近のアイテムを推薦アイテムとして決定する。

更に、本発明のより好適な態様として、二次推薦アイテムの決定にあたって、人間の行動履歴や固定のユーザプロファイル以外に、現在の行動によって引き起こされた生理要因や、共同行動者の人間関係などの背景状況についての属性情報である場のコンテキストを推定する機能を用い、場のコンテキストを反映させた二次推薦を行う。

本発明によれば、ユーザにとって意外性のある推薦を行うことの出来、更にユーザ行動に関連して起こる背景状況を推薦内容に反映することができる。

第１の実施例に係わる、推薦システムが実行される全体システム構成の一例を示す図である。 図１の推薦システム中の端末のハードウェア構成の一例を示す図である。 図１の推薦システム中のサーバのハードウェア構成の一例を示す図である。 第１の実施例に係わる推薦システムの全体フローチャートを示す図である。 第１の実施例に係わる推薦システムにおけるデータの境界乖離度を決定するフローチャートを示す図である。 第１の実施例に係わる、二次推薦アイテムを決定するフローチャートを示す図である。 第１の実施例に係わる、アイテムベクトルと関心・無関心境界を説明するための図である。 第１の実施例に係わる、アイテム・属性データテーブルの一例を示す図である。 第１の実施例に係わる、推薦履歴データテーブルの一例を示す図である。 第２の実施例に係わる推薦システムの全体フローチャートを示す図である。 第２の実施例に係わる、アイテムグラフ作成の流れを説明するフローチャートを示す図である。 第２の実施例に係わる、アイテムグラフ作成の流れを説明する模式図である。 第２の実施例に係わる、アイテムグラフ作成の流れを説明する模式図である。 第２の実施例に係わる、アイテムグラフ作成の流れを説明する模式図である。 第２の実施例に係わる、関心・無関心境界アイテムと境界乖離度を決定するフローチャートを示す図である。 第２の実施例に係わる、関心・無関心境界アイテムと境界乖離度を決定を説明する模式図である。 第２の実施例に係わる、関心・無関心境界アイテムと境界乖離度を決定を説明する模式図である。 第２の実施例に係わる、関心・無関心境界アイテムと境界乖離度を決定を説明する模式図である。 第２の実施例に係わる、関心・無関心境界アイテムと境界乖離度を決定を説明する模式図である。 第２の実施例に係わる、二次推薦アイテムを決定するフローチャートを示す図である。 第３の実施例に係わる、推薦システムが実行される全体システム構成の一例を示す図である。 第３の実施例に係わる、場のコンテキストの決定順序を説明するためのフローチャート図である。 第３の実施例に係わる、二次推薦アイテムを決定するフローチャートを示す図である。 第３の実施例に係わる、パラメータ数値化情報テーブルの一例を示す図である。 第３の実施例に係わる、コンテキスト・パラメータテーブルの一例を示す図である。 第３の実施例に係わる、コンテキスト・属性重みテーブルの一例を示す図である。

以下、本発明を実施するための形態を図面に従い説明する。まず、推薦方法及び推薦システムが実行される全体システム構成の一例を説明する。

図１は、推薦方法及び推薦システムが実行される全体システム構成を示す図である。同図において、ユーザ１００が、携帯電話等の端末１０１を所持し、この端末１０１を使って無線通信機器等のネットワーク接続装置１０２を介してネットワーク１０３経由でサーバ１０４にアクセスする。このサーバ１０４内には後で詳述する推薦プログラムなどが内蔵され、ユーザ１００に対しコンテンツなどの推薦・配信処理を行う。サーバ１０４には、アイテム・属性情報１０５、ユーザプロファイル１０６、ユーザ行動履歴１０７等のデータベースが外付け或いは内蔵される構成を有する。

図２は図１の端末１０１の内部構成の一例を示す図である。同図において、ディスプレイ２００、入力デバイス２０２、アンテナ２０４は、それぞれ映像表示部２０１、インターフェイス（ＩＦ）２０３、及び無線通信部２０５を介してデータバス等の内部バス２０６に接続される。また、内部バス２０６には通常のコンピュータと同様に、中央処理部（Central Processing Unit、ＣＰＵ）からなる演算装置２０７、及び記憶部であるメモリ２０８が接続されている。このメモリ２０８にはディスプレイ２００に表示するデータを生成する表示プログラムなどが記憶されている。

図３は、同様に図１のサーバ１０４の内部構成の一例を示す図である。同図において、３００、３０１、３０２、３０３、３０４、３０５、３０６，３０７、３０８は、それぞれ表示デバイス、映像表示部、入力デバイス、インターフェイス（ＩＦ）、入力デバイス、インターフェイス（ＩＦ）、データバス等の内部バス、ＣＰＵからなる演算装置、メモリを示しており、サーバ１０４とは通常のコンピュータである。メモリ内の推薦プログラム等は後で詳述する。インターフェイス（ＩＦ）３０９を介して、内部バス３０６に接続される記憶装置３１０には、データベースとして図１に示したアイテム・属性情報１０５、ユーザプロファイル１０６、及びユーザ行動履歴１０７が記憶されている。また、サーバは通信部３１１を介して、ネットワーク１０３に接続される。

第１の実施例は、ベクトル空間タイプのアイテム分類による推薦方法及び推薦システムの例である。本実施例においては、アイテムの類似関係表現を空間配置（ベクトル）型として、関心・無関心境界領域を算出してアイテムを推薦する。すなわち、全てのアイテムをその属性によってベクトル表現してベクトル空間を生成し、一次推薦結果を用いて、ベクトル空間中に関心・無関心境界を決定し、この境界上、あるいは境界の付近に存在するアイテムを二次推薦する。

実施例１においては、図１、図３のシステム構成のサーバ１０４はユーザ１００が所持する端末１０１に対して、ネットワークを介してコンテンツなどの各種のアイテムを推薦し、更には配信を行う。本実施例においては、推薦・配信対象である全アイテムはアイテムベクトルとみなされ、各種アイテムはベクトル空間に配置される。アイテムベクトルは、アイテムの属性を成分として作成される。

例えば、アイテムの属性として、ジャンル、価格帯、購買層の三つがあり、それぞれジャンルを１〜１０の数字に、価格帯を１〜５の数字に、購買層も１〜５の数字で表現する。すると、一つのアイテムに対して、３つの数字の組が与えられる。ジャンルが７、価格帯が３、購買層が５などである。このとき、アイテムのベクトルは（７、３、５）の３成分（３次元）で与えられる。３成分以上の場合も同様であることは言うまでのない。また、ベクトル（７、３、５）を３次元空間の対応する位置に配置されていると見なして表現することもある。なお、このように数値の列をベクトルと見なしてデータ処理を行う手法は、多変量解析やパターン認識などにおいて広く用いられている（例えば、石井健一郎、前田英作、上田修功、村瀬洋著、「わかりやすいパターン認識」、オーム社、１９９８年参照）。なお、成分をさらに正規化して用いたり、主成分分析等の公知の変換を施しても良い。

図４は、実施例１の推薦システムのサーバ１０４における全体フローチャートを示す図である。このフローは、サーバ１０４の処理部である演算装置３０７での処理フローである。まず、スタート（ステップ４００、以下「ステップ」を全て省略する）に続き、上述したように全推薦アイテムの属性によってアイテムベクトルを作成する（４０１）。そして各アイテムに対して類似度を算出し、類似度を用いた一次推薦を行う（４０２）。そして、一次推薦結果（一回以上の推薦）を記憶部であるメモリ３０８や記憶装置３１０に記憶しておき、この蓄積データを用いて、未推薦データの境界乖離度を決定する（４０３）。最後に、この境界乖離度を用いて二次推薦アイテムを決定し（４０４）、終了する（４０５）。なお、類似度を用いた一次推薦は、例えば従来の協調フィルタリングを用いても良い。

次に、図５を用いて、図４における境界乖離度の決定（４０３）の詳細フローを説明する。境界乖離度の決定フローが開始される（５００）と、一次推薦（４０２）された各アイテムについての、反応データをチェックし（５０１）、一定時間内での関心反応の有無を見（５０２）、一定時間内に関心反応があったとき、当該アイテムを関心アイテムに分類し（５０３）、関心反応がなかったとき、無関心アイテムに分類して（５０４）蓄積し、全てのデータを終了したら（５０５、５０６）、アイテム空間中の関心アイテムと無関心アイテムのベクトルそれぞれを関心、無関心エリア（領域）の初期位置とする（５０７）。

なお、この反応の有無は、一次推薦アイテムに対応するアクセス先へのアクセスの有無、一次推薦アイテムと関連する商品の電子決済の有無、一次推薦アイテムに該当する商品の割引券などのダウンロード等、一次推薦アイテムに対するユーザの反応と見なせるログ情報を、処理部が参照することにより検出できる。

続いて、各未推薦アイテムについて最近関心距離（最近傍の関心初期位置、すなわち最近傍の関心アイテムのベクトルとの距離）を算出し（５０８）、同様に各未推薦アイテムについて最近無関心距離（最近傍の無関心初期位置、すなわち最近傍の無関心アイテムのベクトルとの距離）を算出し（５０９）、各未推薦アイテムについて、符号付きの境界乖離度（最近関心距離と最近無関心距離との差）を算出し（５１０）、境界乖離度の決定ステップを終了する（５１１）。

なお、アイテムベクトル間の距離は、例えばユークリッド距離を用いる。ユークリッド距離の定義は、次のとおりである。ベクトルｘ=(x1,x2, . . . xd)、ベクトルｙ=(y1,y2 . . . yd)のユークリッド距離Ｄ(x,y)は、
Ｄ(x,y)=√｛(y1−x1)^∧2+(y2-x2) ^∧2+ . . . (yd-xd) ^∧2｝
ここで、√｛ ｝は、｛ ｝の中の値の平方根を、^∧2は、２乗を示す。

これで算出されたユークリッド距離Ｄを用い、未推薦アイテムごとに、関心データの初期位置の中で最も距離が近いものを選択し、上述したように最近関心距離とする。また、各未推薦アイテムで、無関心データの初期位置の中で最も距離が近いものを選択し、最近無関心距離とする。そして、これら両者の差を取ることで、符号付きの境界乖離度とする。符号は便宜上（最近無関心距離−最近関心距離）の符号とする。なお、関心、無関心の距離の差を取る際、それぞれに異なった重みをつけても良い。関心側の距離に大きく重みをつけることは、より無関心に近いところに境界を設定することになる。

続いて、図４のフロー中の二次推薦アイテムの決定（４０４）の詳細を説明する。図６は、二次推薦アイテムの決定ステップの詳細を示すフローである。フローがスタートすると（６００）、まず未推薦アイテム中で符号付き境界乖離度の絶対値が最小のデータを選択する（６０１）。アイテムが一つのみか否かを判断し（６０２）、複数ある場合は、アイテムが一つとなるまで、次の順序で選択を行う（６０３）。すなわち、符号付き境界乖離度の符号が正であるものだけ選択する。
（最近無関心距離）−（最近関心距離）＞０
アイテムが一つとならない場合、乱数選択を行い、選択結果を推薦アイテムに決定する（６０５）。

また、ステップ６０２でアイテムが一つの場合、二次推薦アイテムに決定し（６０４）、終了する（６０６）。

図７は本実施例におけるアイテムベクトルと関心・無関心境界の関係の一例を模式的に示す図である。同図において、７００（●印）、７０１（×印），７０２（○印）は、それぞれベクトル空間上の関心アイテム、無関心アイテム、未推薦アイテムを示している。７０３、７０４はそれぞれ関心アイテム７００と未推薦アイテム７０２との最近関心距離と、最近無関心距離を示す。また、７０５、７０６はそれぞれ関心・無関心境界、符号付き境界乖離度を示している。なおここでは、関心・無関心境界は明示的な算出の例示をしないが、算出自体は、「最近関心距離」と「最近無関心距離」の差が零のところで定義される。符号付き境界乖離度７０６は、図７では模式的に例示したが、先の説明の通りに算出できる。

図８は、本実施例において用いられるアイテム・属性データの一例を示す図である。このデータは図１におけるアイテム・属性情報１０５として記憶部に記憶される。テーブル８００は、各行が各アイテムを、各列が属性を示している。属性としては、先に説明したジャンル、価格帯、購買層や、季節などが例示されている。また、最右列に示すように、特徴的なキーワードに関係するか否か等も属性として利用できる。

図９は、本実施例におけるアイテム推薦履歴のデータの一例を示す図である。テーブル９００の各行が各推薦アイテムを示し、各列は推薦されたアイテムの推薦時刻や、内容等を示している。時間、場所、ユーザ情報は、背景情報としてレコメンドの際に参考として用いることもできる。最右列は推薦を受けたレコメンドアイテムに対するユーザの反応を示しており、１は反応有、０は反応無を示しており、一次推薦の結果として用いる。なお、このテーブル９００は、図１のユーザ行動履歴１０７として記憶部に記憶される。

以上説明した実施例１によれば、アイテムの類似関係表現をベクトルによる空間配置型とし、ベクトル空間で関心・無関心境界領域を算出し、この境界上、又はその付近に存在するアイテムを選定することにより、ユーザにとって関心はあるが、容易に想定できない意外性のある項目を推薦することが可能となる。特に、無関心・関心境界が、関心アイテムから十分遠い場合には、意外性ある情報アイテムが選択される可能性が高くなる。

また、関心アイテムの最近傍のデータのみ用いると、関心・無関心境界付近で評価値の大きな変動が起きるが、本実施例によれば境界乖離度を用いることにより、境界付近では連続した評価で順に境界付近からアイテムの推薦が可能となる。

続いて第２の実施例を図面に従い説明する。第２の実施例は、実施例１のベクトル空間配置型に代えて、グラフ構成タイプ、すなわち一次推薦結果を用い、アイテムグラフ中で関心・無関心境界と各アイテムの境界乖離度を算出する実施例である。本実施例においては、一次推薦の結果である反応アイテム、無反応アイテムを起点に、アイテムグラフ上のリンクをそれぞれ辿って拡張を行い、双方の領域が重なる部分のアイテム（一般には複数）を境界とする。

図１０は実施例２の全体フローチャートを示す図である。本フローも実施例１と同様、図１、図３に示したシステム構成のサーバ１０４において実行されることは言うまでもない。図１０において、処理フローが開始（１０００）されると、全推薦アイテムの属性によってアイテムグラフが作成される（１００１）。そして、類似度を用いた一次推薦が実行される（１００２）。そして、一次推薦結果を用いてアイテムグラフ中で関心・無関心境界と各アイテムの境界乖離度を算出し（１００３）、その結果に基づき二次推薦アイテムを決定（１００４）して、終了する（１００５）。

図１１Ａは図１０のアイテムグラフの作成（１００１）の詳細を示すフローである。アイテムグラフ作成がスタートすると（１１００）、各アイテムi(i=0,1,2,…N)、について、ペア(i,j)（ここで、j>i）の類似度算出を行い（１１０１）、類似度＞閾値か否かを判定し（１１０２）、ＹＥＳの場合、i,j間にリンクあり（１１０３）、ＮＯの場合、i,j間にリンクなし(１１０４)として、終了する（１１０５）。

ここで、各アイテム間の類似度は、例えば、属性ベクトル間の正規化相関を用いる。その定義は、アイテムi,jの属性ベクトルをｘ=(x1,x2, . . . xd)、ベクトルｙ=(y1,y2 . . . yd)、正規化相関をCor(x,y)とすると、
Cor(x,y)=(y1・x1 + y2・x2 + . . . + yd・xd)/
[√｛(x1)^∧2+(x2) ^∧2+ . . . (xd) ^∧2｝・√｛(y1)^∧2+(y2) ^∧2+ . . . (yd) ^∧2｝]
となる。ここで、先と同様、√｛ ｝は、｛ ｝の中の値の平方根を、^∧2は２乗、・は掛け算、／は割り算を示す。そして、ステップ１１０３において、例えば、類似度があらかじめ設定した閾値（例えば０．５）以上の部分のみリンクありとする。

図１１Ｂ−図１１Ｄに本実施例の上述の処理を模式化して示した。図１１Ｂの１〜５はアイテムiを示す。図１１Ｃは、各アイテム１−５間の類似度である正規化相関の値０．１〜０．９を示している。図１１Ｄは上述した閾値（０．５）以上の部分のみリンクしたものを示している。

続いて、図１２により、図１０の境界乖離度算出ステップ１００３の詳細説明を行う。図１２において、境界乖離度の算出・決定フローが開始されると（１２００）、一次推薦の結果、ユーザから反応があったデータについて各反応データに付いてチェックを行う（１２０１）。まず、各データに対し一定時間内に関心反応があったか否かを調べ（１２０２）、ＹＥＳの場合、当該アイテムを関心アイテムに分類し（１２０３）、ＮＯの場合、当該アイテムを無関心アイテムに分類する（１２０４）。そして、全データが終了したか否かを確認し（１２０５）、否の場合、次の反応データに対してチェックを実行する（１２０６）。

全データが終了した場合、アイテムグラフ中の関心アイテムのノードと無関心アイテムのノードをそれぞれ関心、無関心エリアの初期値とする（１２０７）。そして、関心・無関心エリアを隣接関係によってグラフ上で各々隣接ノードに拡張していく（１２０８）。以下、隣り合うノードへの一回の拡張作業を（一回の）拡張ステップと呼ぶ。この拡張ステップを繰り返した時、一回前の拡張ステップで初めて拡張されたか、もしくは一回前までは未拡張であったノードであって、今回の拡張ステップで関心・無関心両側からの拡張が重なったノードを関心・無関心境界アイテム、即ち、関心・無関心境界乖離度ゼロとする（１２０９）。

最後に、上記で決定された関心・無関心境界アイテムを初期ノードとした拡張を行い、iステップ拡張して、初めて含まれたノードの関心・無関心境界乖離度をiとする。以上の操作をi=1からNまで繰り返して（１２１０）、終了する（１２１１）。

図１３Ａ−１３Ｄに、ステップ１２０７−ステップ１２１０の具体例を模式的に示した。まず、図１３Ａに示すように、関心アイテムと無関心アイテムのノードをそれぞれ関心、無関心エリアの初期値とする。アイテム中の●印、×印、○印は、図７同様、それぞれ一次推薦済の関心アイテム１３００、無関心アイテム１３０１、未推薦アイテム１３０２を示している。

続いて、図１３Ｂに示すように、関心、無関心エリアを隣接関係によってグラフ上で各々隣接ノードに拡張する。図１３Ｂの上段、中段、下段はそれぞれ３回拡張後、４回拡張後、５回拡張後の状態を示している。図１３Ｂ中段において、各ノードで＊印、□印を示すものが、それぞれ無関心アイテム、関心アイテムの拡張された後のアイテム１３０３、１３０４を表している。そして、図１３Ｃに示すように、１回前に初めて拡張されたか、未拡張であったノードで、関心、無関心両拡張が重なったノードを関心・無関心境界アイテムとする。すなわち、関心・無関心境界乖離度０とし、同図の点線で囲った三つのアイテムが該当する。

図１３Ｄ中、乖離度０以外の数値は、関心・無関心境界アイテムからiステップ拡張して、初めて含まれたノードの関心・無関心境界乖離度iを示したものである。

なお、乖離度をどこまで求めるかの数値Ｎはあらかじめ与えるパラメータである。拡張ステップの数を、関心、無関心エリアで違えて、一方を多くしても良い。また、別の方法として、実施例１の場合と同様に、各未推薦アイテムからノードをたどって拡張して、関心アイテム及び無関心アイテム各々に初めてたどり着くまでのステップ数を「最近関心距離」、「最近無関心距離」として、それらの差を見て、乖離度を定義しても良い。

図１４は、本実施例における図１０の二次推薦アイテムの決定ステップ１００５の変形例を説明するための図である。なお、アイテムグラフは、図１３Ｃと同様であるとする。

図１４の変形例においては、グラフ表現上にて境界近傍を優先した推薦を行う。フローが開始されると（１４００）、まず関心・無関心境界上にあるアイテム（例えば、３アイテム）を全て選択する（１４０１)。そして、未推薦アイテムが一つ以上あるか否かを検討する（１４０２）。無い場合には、i＝１として（１４０３）、関心・無関心境界乖離度iのアイテムを全て選択し（１４０４）、未推薦アイテムが一つ以上あるか否かをチェックする（１４０５）。無ければ、iをカウントアップし（１４０８）、iがＮになるまで繰り返し（１４０９）、推薦アイテムが無い場合（１４１０）、二次推薦アイテム決定処理を終了する（１４１１）。

一方、ステップ１４０２、ステップ１４０５において、未推薦アイテムが１つ以上ある場合、アイテムが１つとなるまで次の処理を繰り返す（１４０６）。
（１）関心・無関心境界乖離度が小さいものを選択。
（２）全ての推薦済みアイテムとの隔たり数の平均値が最大のものを選択。
（３）全ての反応アイテムの隔たり数の平均値が最小のものを選択。
（４）乱数選択を行い選択。
そして、選択結果を推薦アイテムに決定し（１４０７）、終了する（１４１１）。

なお、本変形例においても、先の実施例２のバリエーション同様、各未推薦アイテムからノードをたどって拡張して、関心アイテム及び無関心アイテム各々に初めてたどり着くまでのステップ数を、「最近関心距離」、「最近無関心距離」として、それらの差を見て乖離度を定義しても良い。

以上、最近傍データのみを用いた場合、関心・無関心境界付近で評価値の大きな変動が起きるが、本実施例においても、境界付近は連続した評価で順次境界付近から推薦可能となる。

続いて、第三の実施例として、「場のコンテキスト」データを用いて推薦を行う推薦システムを説明する。ここで、場のコンテキストデータとは、基情報が生理現象パラメータ、人間関係パラメータ、及びユーザプロファイルであるデータである。すなわち、「生理現象パラメータ」とは、人間の感覚（食べたい、休みたいという要求、寒い、暑い、痛い、暗い等の苦痛）、及び感情（喜怒快楽）に関連したパラメータであり、例えば、前の食事の時間と推定摂取カロリー、歩行距離、最近利用したサービスの種類（例、映画のジャンルや種類など）を意味する。また、「人間関係パラメータ」とは、ユーザの同伴者の人間関係に関するパラメータであり、例えば、恋人、妻、夫、家族、友人等である。このパラメータは、例えばコミュニケーション状況（通話頻度、メール頻度、共通コミュニティ参加頻度）から推定する。また、ユーザが同伴者を同伴しているかどうかは、ユーザが保持する情報端末に搭載したＧＰＳ等で得られた位置情報が一定時間近くにいるかどうかで判定する。また、「ユーザプロファイル」は、性別、年齢等、情報端末を加入登録する際などにあらかじめ登録しておいた情報を用いることができる。

さて、図１５は、本実施例に係わる、推薦システムが実行される全体システム構成の一例を示しており、図１のシステムと同一番号のものは同一物を示す。本システムにおいては、サーバ１５０は、その内部に場のコンテキスト適用プログラムを記憶しており、各種テーブルが記憶されるデータベースに、後でその内容を詳述する場のコンテキストデータベース１５１が追加されているほか、図１〜図３で説明したシステムと同様の構成である。

本実施例のシステムによって新たに追加された、場のコンテキストを決定する手順を、図１６に従い説明する。

まず決定フローが開始されると（１６００）、サーバ１５０は、上述したユーザプロファイル、整理現象パラメータ、及び人間関係パラメータの推定を行う（１６０１）。この推定にあたっては、上述したようにプロファイルはユーザ登録などの際の情報を用いる。生理現象パラメータは、携帯端末の移動距離や、各種センサの状況、施設での滞留状況等から推定する。各種センサの状況とは、血統値、体温、心拍、呼吸数などの生理測定値などをいう。人間関係パラメータは、コミュニケーション状況（通信頻度、メール頻度、共通コミュニティ参加頻度）から推定する。例えば、「プライベートな時間帯に度々通話する相手とは交友関係がある。」のような常識ルールを適用して推定する。

そして、推定して得た各パラメータをあらかじめ定めておいた対応関係で数値化して、コンテキスト特徴ベクトルを生成する（１６０２）。この数値化にあたっては、例えば、図１８Ａに示すパラメータ数値化情報テーブル１８００を用いる。これにより、ユーザプロファイルで、３０代は「（０，０，１，０，０，０）」、男は「（１，０）」、生理現象パラメータで、歩行距離１０ｋｍは「１０」、人間関係パラメータで、妻は「（１，０，０）」など項目ごとに定めることができる。ベクトルの生成手法は先にその定義を用いて説明した場合と同様であり、あらかじめ決めておいた順に連結して並べると、一つのベクトルとなり、これをコンテキスト特徴ベクトルと呼ぶ。図１８ＢにコンテキストＡ−Ｚのパラメータテーブル１８０１を示した。なお、パラメータテーブル１８０１中には、理解を容易にするため、パラメータを数値化する前の値を示したが、実際は該当数値が記憶されることは言うまでもない。

最後に、生成したコンテキスト特徴ベクトルを、場のコンテキストデータベース１５１のコンテキスト・パラメータテーブル中の各コンテキストの類似度を比較して、類似度が最も高いものを選択して現在の場のコンテキストと推定し（１６０３）、フローを終了する（１６０４）。なお、類似度はアイテムベクトルの場合と同様、正規化相関などを用いる。

次に、場のコンテキストを用いた、本実施例における二次推薦アイテムの決定処理を図１７に従い説明する。決定フローが開始されると（１７００）、実施例１と同様、未推薦アイテム中で符号付き境界乖離度の絶対値が一定の値以下のデータを選択する（１７０１）。そして、アイテムが一つのみか否かを判定し（１７０２）、アイテムが一つの場合、推薦アイテムとして決定する。

アイテムが一つで無い場合、先に決定した場のコンテキストに対応する重み（属性重要度）を用いて各アイテム重要度を算出する（１７０４）。この場のコンテキストに対応する重み（属性重要度）は、コンテキスト・属性テーブルにあらかじめ記憶されている。図１８Ｃにコンテキスト・属性重みを記憶する属性重みテーブルの一例を１８０２として示した。ステップ１７０４における各アイテムの重要度の算出は以下の通りとなる。先に推定された場のコンテキストに対応する重みは、図１８ｃのいずれかの行の重みに相当する。

コンテキスト・属性重みテーブルによって、現在のコンテキスト重みが、
１番目の属性の重み … (w11,w12,…,w1{n1})
２番目の属性の重み … (w21,w22,…,w2{n2})
……
d番目の属性の重み … (wd1,wd2,…,wd{nd})
であるとする。ここで、wは２つの添え字を持ち、左側が属性の番号、右側が属性が取りうる値ごとにつけられた番号を示す。そのため例えば、添え字{n1}は、１番目の属性が取りうる値の総数を示す。{n2}以降も同様である。
あるアイテムxのｄ個の属性の値の番号が、（x1,x2,…,xd）の時の重要度は、
（アイテムの重要度）
＝Σ_j∈{n1}δ(x1,j)w1j＋Σ_j∈{n2}δ(x2,j)w2j＋…
＋Σ_j∈{nd}δ(xd,j)wdj
＝Σ_i Σ_j∈{ni}δ(xi,j)wij
と算出される。
ここで、δ(x1,j)＝“x1 = jの時１、そうでない時０”である。また、Σ_iでは、iが属性の番号1〜d全てに渡るように和を取る。また、Σ_j∈{ni}は、jがi番目の属性がとりうる値の番号1〜{ni}に渡るように和を取ることを示す。

以上の式は、「アイテムの各属性が持つ属性重要度を足したもの」となり、これにより各アイテム重要度が算出され（１７０４）、アイテム重要度が最も大きいものを推薦することができ（１７０５）、本フローを終了する（１７０６）。

本実施例によれば、境界付近の全ての推薦アイテムから、場のコンテキストによる優先度重みを反映して推薦を行うことが可能となり、ユーザ行動に関連して起こる背景状況を推薦内容に反映することができる。

ユーザにとって関心はあるが、容易に想定できない意外性のある項目を推薦することが可能な情報推薦方法及びシステムを提供することができ、ネットワークを使った情報配信に有効である。

符号の説明

１００…ユーザ
１０１…端末
１０２…ネットワーク接続装置
１０３…ネットワーク
１０４…サーバ
１０５…アイテム・属性情報
１０６…ユーザプロファイル
１０７…ユーザ行動履歴
２０６…内部バス
２０７…演算装置
３０６…内部バス
３０８…メモリ
３０９…インターフェイス
３１０…記憶装置
３１１…通信部
７００…関心アイテム
７０１…無関心アイテム
７０２…未推薦アイテム
７０３…最近関心距離
７０４…最近無関心距離
７０５…関心・無関心距離
７０６…境界乖離度。

Claims (15)

1. 処理部と記憶部とを備えたサーバを用い、アイテムに関する情報を受け取ったユーザの反応を次に推薦するアイテムの選択基準に反映し、別途推薦を行う情報推薦方法であって、
   前記処理部は、
   ユーザが反応した情報と、無反応であったという情報を収集し、未推薦アイテムに対して、前記ユーザが反応した関心アイテムと無反応であった無関心アイテム双方と、どちらのアイテムとの類似性が高いかを比較し、その比較結果を用いて前記ユーザへの次の推薦アイテムを決定する、
   ことを特徴とする情報推薦方法。
2. 請求項１に記載の情報推薦方法であって、
   前記処理部は、
   前記未推薦アイテムについて、最近関心距離および最近無関心距離を算出し、前記最近関心距離および前記最近無関心距離の差から、前記未推薦アイテムの境界乖離度を算出し、前記境界乖離度が最小の前記未推薦アイテムを次の推薦アイテムに決定する、
   ことを特徴とする情報推薦方法。
3. 請求項１に記載の情報推薦方法であって、
   前記処理部は、
   前記関心アイテムと前記無関心アイテムそれぞれに類似した未推薦アイテムを、前記関心アイテムと前記無関心アイテムに拡張することにより、推薦対象である全てのアイテム中に、前記関心アイテムと前記無関心アイテムの境界である無関心・関心境界を推定する、
   ことを特徴とする情報推薦方法。
4. 請求項３に記載の情報推薦方法であって、
   前記処理部は、
   前記無関心・関心境界上あるいはその近傍の前記未推薦アイテム、または、前記無関心・関心境界で決められる前記関心アイテムを次の推薦アイテムに決定する、
   ことを特徴とする情報推薦方法。
5. 請求項１に記載の情報推薦方法であって、
   前記処理部は、
   前記ユーザの生理現象、および、同伴行動している人との人間関係である場のコンテキストを推定し、前記場のコンテキストを前記アイテムの推薦に反映させる、
   ことを特徴とする情報推薦方法。
6. ネットワークを介して端末に接続され、一次推薦アイテムに関する情報を受け取ったユーザの反応を、二次推薦アイテムの選択基準に反映し、別途推薦を行うサーバを用いた情報推薦システムであって、
   前記サーバは処理部と記憶部とを有し、
   前記処理部は、
   前記一次推薦アイテムに対し、ユーザが反応した情報と、無反応であったという情報を収集して前記記憶部に蓄積し、未推薦アイテムに対して、前記ユーザが反応した関心アイテムと、無反応であった無関心アイテム双方とのどちらのアイテムとの類似性が高いかを比較し、その比較結果を用いて前記ユーザへの二次推薦アイテムを決定する、
   ことを特徴とする情報推薦システム。
7. 請求項６に記載の情報推薦システムであって、
   前記処理部は、
   前記未推薦アイテムについて、最近傍の前記関心アイテムとの距離である最近関心距離、および最近傍の前記無関心アイテムとの距離である最近無関心距離を算出し、前記最近関心距離および前記最近無関心距離の差から、前記未推薦アイテムの境界乖離度を算出し、前記境界乖離度が最小の前記未推薦アイテムを前記二次推薦アイテムに決定する、
   ことを特徴とする情報推薦システム。
8. 請求項６に記載の情報推薦システムであって、
   前記処理部は、
   前記関心アイテムと前記無関心アイテムそれぞれに類似した未推薦アイテムを、前記関心アイテムと前記無関心アイテムに拡張することにより、推薦対象である全てのアイテム中に、前記関心アイテムと前記無関心アイテムの境界である無関心・関心境界を決定する、
   ことを特徴とする情報推薦システム。
9. 請求項８に記載の情報推薦システムであって、
   前記処理部は、
   前記無関心・関心境界上、またはその近傍の前記未推薦アイテム、または、前記無関心・関心境界で決められる関心エリア側の前記未推薦アイテムを前記二次推薦アイテムに決定する、
   ことを特徴とする情報推薦システム。
10. 請求項６に記載の情報推薦システムであって、
    前記処理部は、
    前記ユーザの生理現象、および、同伴行動している人との人間関係である場のコンテキストを推定し、前記場のコンテキストを前記未推薦アイテムの推薦に反映させる、
    ことを特徴とする情報推薦システム。
11. 一次推薦アイテムに関する情報を受け取ったユーザの反応を、二次推薦アイテムの選択基準に反映して二次推薦を行うサーバであって、
    前記サーバは処理部と記憶部とを有し、
    前記処理部は、
    ユーザが反応した関心アイテムと、無反応であった無関心アイテムとに関する情報を前記記憶部に蓄積し、未推薦アイテムに対して、前記ユーザが反応した関心アイテムと、無反応であった無関心アイテム双方とのどちらのアイテムとの類似性が高いかを比較し、その比較結果を用いて前記ユーザへの前記二次推薦アイテムを決定する、
    ことを特徴とするサーバ。
12. 請求項１１に記載のサーバであって、
    前記処理部は、
    前記未推薦アイテムについて、最近傍の前記関心アイテムとの距離である最近関心距離、および最近傍の前記無関心アイテムとの距離である最近無関心距離を算出し、前記最近関心距離および前記最近無関心距離の差から、前記未推薦アイテムの境界乖離度を算出し、前記境界乖離度が最小の前記未推薦アイテムを前記二次推薦アイテムに決定する、
    ことを特徴とするサーバ。
13. 請求項１１に記載のサーバであって、
    前記処理部は、
    前記関心アイテムと前記無関心アイテムそれぞれに類似した未推薦アイテムを、前記関心アイテムと前記無関心アイテムに拡張することにより、推薦対象である全てのアイテム中に、前記関心アイテムと前記無関心アイテムの境界である無関心・関心境界を推定する、
    ことを特徴とするサーバ。
14. 請求項１３に記載のサーバであって、
    前記処理部は、
    前記無関心・関心境界上、あるいはその近傍の前記未推薦アイテム、または、前記無関心・関心境界で決められる前記関心エリアの前記未推薦アイテムを前記二次推薦アイテムに決定する、
    ことを特徴とするサーバ。
15. 請求項１１に記載のサーバであって、
    前記記憶部は、
    前記ユーザの生理現象パラメータ、および、同伴行動している人との人間関係パラメータを数値化するためのパラメータ数値化テーブルを記憶し、
    前記処理部は、
    前記パラメータ数値化テーブルを用いて、前記ユーザの生理現象、および同伴行動している人との人間関係である場のコンテキストを示すコンテキスト特徴ベクトルを算出し、前記コンテキスト特徴ベクトルに基づき、前記場のコンテキストを決定し、
    前記場のコンテキストを前記二次推薦アイテムの選定に反映させる、
    ことを特徴とするサーバ。

Images