JP5318034B2

JP5318034B2 - 情報提供装置、情報提供方法、及び情報提供プログラム

Info

Publication number: JP5318034B2
Application number: JP2010125053A
Authority: JP
Inventors: 真中辻; 明通田中; 匡内山
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2010-05-31
Filing date: 2010-05-31
Publication date: 2013-10-16
Anticipated expiration: 2030-05-31
Also published as: JP2011253243A

Description

本発明は、協調フィルタリングに基づいてユーザにアイテムを推薦するための情報提供装置、情報提供方法、及び情報提供プログラムに関する。

アイテム推薦システムは、ユーザにおすすめのアイテムを提示することができるので、アイテム推薦システムを利用することでアイテムの売上を増やせる可能性がある。そのため、アイテム推薦システムは、アイテム（商品又はコンテンツ）を販売する様々なコンテンツプロバイダで採用されている。
多くのコンテンツプロバイダは、推薦するアイテムを選択する推薦技術として、協調フィルタリングを採用している。協調フィルタリングは、「同じアイテムを評価するユーザは類似した興味をもつ」という仮定に基づき、ユーザへのおすすめアイテムを計算により求める技術である。

たとえば、特許文献１には、複数のユーザのブログ情報からユーザの興味オントロジを抽出し、各ユーザの興味オントロジを比較することで、ユーザが興味をもつ可能性が高く、ユーザが既知の概念以外の異なる概念に属する情報を推薦できるようにしたものが記載されている。

また、ユーザの興味の分析は、ウェブ上のブログ情報のみならず、ユーザによるアイテムに対するレビューの記述を用いて行うことができる。たとえば、非特許文献１や非特許文献２などのサイトでは、こうしたユーザによるレビューが非常に多く投稿されている。

また、非特許文献３や非特許文献４のサイトでは、音楽、映画、ゲームなどのアイテムのタクソノミによるユーザ興味のモデルが構築されている。また、非特許文献５や非特許文献６のサイトにおいては、ユーザの興味に基づいたタクソノミに基づくアイテム検索手段をユーザに提供している。

更に、協調フィルタリングに関する技術としては、非特許文献７から非特許文献１１に記載されている技術がある。

一般的な協調フィルタリングでは、そのユーザが過去に高く評価したアイテムのみを用いてユーザの興味を決定し、同じアイテムを高く評価したかどうかを基にユーザ間の類似度を計測し、計測した類似度に基づいてアイテムの推薦を行っている。そのため、現状の推薦エンジンは、結果としてユーザが過去に評価したアイテムと同種のアイテムを推薦しがちである。
たとえば、あるユーザがホラー映画のある作品を過去に購買していたとすると、そのユーザに同じ監督、同じ出演者、又は、同じホラージャンルのアイテムが多く推薦される。結果として、ユーザにとっては、既知のアイテムであったり、未知のアイテムであったりしたとしても自分自身で簡単に発見し得るアイテムが推薦されることが多い。

こうした問題に対し、ZieglerとMcNeeとは、ユーザに提示する推薦リスト内のアイテムの多様性を増やすアルゴリズムを提案している（非特許文献７）。多様性はアイテムのタクソノミを用いて計算され、リスト内のアイテムが所属するタクソノミ上のクラスがばらつくように設定されている。こうしたアイテムのタクソノミは、アイテムを提供するサービスプロバイダにより、彼らの顧客が興味あるアイテムにアクセスしやすいように工夫して構築されているものである。彼らの非特許文献７に記載されている技術を適用したオンライン検証によると、この方法では、推薦の予測精度は落ちるものの、ユーザの満足度は向上することがアンケート結果から確認されている。

しかしながら、非特許文献７に記載されている技術は、「ユーザが過去にアクセスしたことのないコンセプト（クラス）に所属しているアイテムであり、且つ、興味をもつ可能性の高いアイテム」として定義される新規性（Novelty）の高いアイテムを推薦する試みではない。

ユーザにとって新規性の高いアイテムを推薦する技術として、Nakatsujiらは、タクソノミに基づきユーザ興味を構築し、ユーザ間の類似度を計算することで、新規性の高いアイテムを推薦する手法を提案している（非特許文献８）。非特許文献８では、提案した手法によるオンライン検証において、ユーザのクリックが新規性の高いアイテムに集中したことが報告されている。

しかしながら、非特許文献８に記載されている技術は、新規性の高いアイテムの推薦とそれを通じたユーザ間でのコミュニケーションの活性化の検証に焦点をしぼっており、他の協調フィルタリングの手法と予測精度や推薦されるアイテムの新規性の分布は比較されていない。

文章のポジティブ・ネガティブの判定に関する技術として、非特許文献９に記載されている技術がある。非特許文献９に記載されている技術は、記事集合に対し、人手により分類した複数のポジティブ語やネガティブ語との共起性を基に、文章中に現れるフレーズのポジティブ・ネガティブの傾向を計算する。そして、記事内に登場する複数のフレーズをチェックし平均的にポジティブであればポジティブな記事と分類し、それ以外はネガティブと判定し、比較的高精度な分類結果を得ている。

非特許文献９に記載されている技術を、映画記事に対して適用し検証を行ったところ、映画記事内における”more evil”などのフレーズは、ホラーなどのジャンルによってはポジティブなフレーズであることも多いにも関わらず、映画全体ではネガティブなフレーズとなる結果が得られた。このように、記事内での話題対象の背景クラスまで考慮したポジティブ・ネガティブの判定を実施できているとはいえない。ましてや、ポジティブ又はネガティブなフレーズと、ユーザと、商品との関係を把握して、ユーザへのおすすめの商品を推薦することはできていない。

特開２００８−１１７１１２号公報

食べログ、[online]、株式会社カカクコム、[平成２２年５月２１日検索]、インターネット＜URL http://tabelog.com/＞ amazon.com（登録商標)、[online]、Amazon.com Inc.、[平成２２年５月２１日検索]、インターネット＜URL http://www.amazon.com/＞ Digital Entertainment Technology Leader、[online]、Rovi Corporation、[平成２２年５月２１日検索]、インターネット＜http//www.rovicorp.com＞ ListenJapan、[online]、株式会社リッスンジャパン、[平成２２年５月２１日検索]、インターネット＜http://listen.jp＞ all music、[online]、Rovi Corporation、[平成２２年５月２１日検索]、インターネット＜URL http://www.allmusic.com/＞ぐにゅナビ、[online]、エヌ・ティ・ティレゾナント株式会社、[平成２２年５月２１日検索]、インターネット＜URL http://gnv.bb.goo.ne.jp/＞ Ziegler, C. N. and McNee, S. M.: Improving recommendation lists through topic diversification, In proc. WWW ’05 , pp. 22-32 (2005). Nakatsuji, M., Yoshida, M. and Ishida, T.: Detecting innovative topics based on user interest ontology, J. Web Sem., Vol. 7, No. 2, pp. 107-120 (2009). Turney, P. D.: Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews, Proceedings of the 40th Annual Meeting of the Association of Computational Linguistics, Philadelphia, Pennsylvania, pp. 417 - 424 (2002). Breese, J. S., Heckerman, D. and Kadie, C.: Empirical Analysis of Predictive Algorithms for Collaborative Filtering, In Proc. UAI ’98 , pp. 43-52 (1998). Shardanand, U. and Maes, P.: Social Information Filtering: Algorithms for Automating"Word of Mouth", In proc. CHI’95, pp. 210-217 (1995).

ところで、従来の協調フィルタリングにおいてユーザ間の類似度を計測する際には、Cosineベースアプローチ（非特許文献１０）とPearson correlationアプローチ（非特許文献１１）を用いることが多い。

Cosineベースアプローチにおいては、アクティブユーザａとあるユーザｕとの間の類似度Ｓ（ａ，ｕ）は、ユーザａとユーザｕの評価ベクトルのCosine角度を計算することで求められる。形式的には、両方のユーザが評価を与えているアイテム数をＭとし、ユーザｕのアイテムＩｉに対する評価値をｒ_ｕ，Ｉｉとすると、類似度Ｓ（ａ，ｕ）は、次式（１）により表される。

一方、Pearson correlationアプローチでは、ユーザ間の類似度の計測において、ユーザの評価スキームはユーザごとに異なるという考え方を採用しており、次式（２）により表される。

CosineベースアプローチもPearson correlationアプローチも、両方のユーザａとユーザｕとが評価を与えたアイテムのみに焦点をしぼり計算を行っている点に注意が必要である。最終的にＮをアクティブユーザａと類似度の高いユーザの数とすると、ユーザａのアイテムＩｉに対する予測値ｐ_ａ，Ｉｉは、次式（３）により与えられる。

ここで述べた従来の協調フィルタリングでは、ユーザへのおすすめアイテムが、過去のユーザの評価アイテムと同種のコンセプトに属するものとなりやすいという問題がある。すなわち、ユーザにとっては、既知のアイテムであったり、未知のアイテムであったりしたとしても自分自身で簡単に発見し得るアイテムが推薦されてしまい、適切なおすすめアイテムが選択されないことが多いという問題がある。

上述の課題を鑑み、本発明は、ユーザに対するおすすめアイテムを適切に選択する情報提供装置、情報提供方法、及び情報提供プログラム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、本発明に係る情報提供装置は、複複数のアイテムそれぞれに対するレビューに用いられている形容表現をレビューから抽出し、抽出した形容表現の集合である形容表現セットを生成するとともに、前記複数のアイテムごとに、アイテムと、アイテムに対するレビューを記載したユーザと、抽出した形容表現との対応を示す対応情報を生成する形容表現分析部と、前記形容表現分析部が生成した形容表現セット及び対応情報に基づいて、形容表現を分類した感性クラスによりアイテムを分類したタクソノミである感性タクソノミを生成し、前記複数のアイテムを提供しているプロバイダにより生成された前記複数のアイテムのタクソノミであるプロバイダ提供タクソノミと、生成した感性タクソノミとから、各ユーザのアイテムに対する興味を前記感性タクソノミ及び前記プロバイダ提供タクソノミに沿って階層的に示すユーザ興味プロファイルを生成するユーザ興味構築部と、前記ユーザ興味構築部が生成したユーザ興味プロファイルに基づいて、各ユーザのアイテムに対する興味の類似度を算出し、算出した類似度に基づいて前記複数のアイテムからユーザに推薦するアイテムを選択するアイテム選択部とを備えたことを特徴とする。

また、本発明は、上記に記載の情報提供装置において、前記ユーザ興味構築部は、前記ユーザ興味プロファイルを生成する際に、更に、前記複数のアイテムそれぞれに対するユーザの評価値を用いて、前記ユーザ興味プロファイルを生成することを特徴とする。
また、本発明は、上記に記載の情報提供装置において、前記ユーザ興味構築部は、前記ユーザ興味プロファイルを生成する際に、前記感性タクソノミに含まれる感性クラスに対するユーザの評価値を、感性クラスに属するアイテムに対するユーザの評価値に基づいて算出し、前記アイテム選択部は、前記ユーザ興味構築部が算出した各感性クラスに対するユーザの評価値を用いて、各ユーザのアイテムに対する興味の類似度を算出することを特徴とする。

また、本発明は、上記に記載の情報提供装置において、前記ユーザ興味構築部は、前記感性タクソノミと、前記プロバイダ提供タクソノミとを結合して前記ユーザ興味プロファイルを生成することを特徴とする。
また、本発明は、上記に記載の情報提供装置において、前記ユーザ興味構築部は、前記感性タクソノミと、前記プロバイダ提供タクソノミとを結合する際に、前記感性タクソノミにおける感性クラスのルートクラスと、前記プロバイダ提供タクソノミにおけるクラスのルートクラスとを１つのルートクラスとして結合し、前記感性タクソノミ及び前記プロバイダ提供タクソノミそれぞれにおける同一のユーザを示すノードを結合して得られる一つのタクソノミから前記ユーザ興味プロファイルを生成することを特徴とする。

また、本発明に係る情報提供方法は、情報提供装置が行う情報提供方法であって、前記情報提供装置が、複数のアイテムそれぞれに対するレビューに用いられている形容表現をレビューから抽出し、抽出した形容表現の集合である形容表現セットを生成するとともに、前記複数のアイテムごとに、アイテムと、アイテムに対するレビューを記載したユーザと、抽出した形容表現との対応を示す対応情報を生成する形容表現分析ステップと、前記情報提供装置が、前記形容表現分析ステップにおいて生成した形容表現セット及び対応情報に基づいて、形容表現を分類した感性クラスによりアイテムを分類したタクソノミである感性タクソノミを生成し、前記複数のアイテムを提供しているプロバイダにより生成された前記複数のアイテムのタクソノミであるプロバイダ提供タクソノミと、生成した感性タクソノミとから、各ユーザのアイテムに対する興味を前記感性タクソノミ及び前記プロバイダ提供タクソノミに沿って階層的に示すユーザ興味プロファイルを生成するユーザ興味構築ステップと、前記情報提供装置が、前記ユーザ興味構築ステップにおいて生成したユーザ興味プロファイルに基づいて、各ユーザのアイテムに対する興味の類似度を算出し、算出した類似度に基づいて前記複数のアイテムからユーザに推薦するアイテムを選択するアイテム選択ステップとを有することを特徴とする。

また、本発明に係る情報提供プログラムは、情報提供装置が有しているコンピュータを複数のアイテムそれぞれに対するレビューに用いられている形容表現をレビューから抽出し、抽出した形容表現の集合である形容表現セットを生成するとともに、前記複数のアイテムごとに、アイテムと、アイテムに対するレビューを記載したユーザと、抽出した形容表現との対応を示す対応情報を生成する形容表現分析手段、前記形容表現分析手段により生成した形容表現セット及び対応情報に基づいて、形容表現を分類した感性クラスによりアイテムを分類したタクソノミである感性タクソノミを生成し、前記複数のアイテムを提供しているプロバイダにより生成された前記複数のアイテムのタクソノミであるプロバイダ提供タクソノミと、生成した感性タクソノミとから、各ユーザのアイテムに対する興味を前記感性タクソノミ及び前記プロバイダ提供タクソノミに沿って階層的に示すユーザ興味プロファイルを生成するユーザ興味構築手段、前記ユーザ興味構築手段により生成したユーザ興味プロファイルに基づいて、各ユーザのアイテムに対する興味の類似度を算出し、算出した類似度に基づいて前記複数のアイテムからユーザに推薦するアイテムを選択するアイテム選択手段として機能させることを特徴とする。

本発明によれば、ユーザのアイテムに対するレビューに含まれる形容表現に基づいて、ユーザのアイテムに対する興味の類似度を算出するようにしたので、一般的に行われているアイテムの分類と異なる観点によりアイテムを選択でき、ユーザに対するおすすめアイテムを適切に選択することができる。

本発明の実施形態の情報提供装置の機能に基づくブロック図である。ユーザ興味モデルの説明図である。同実施形態の情報提供装置の具体構成を示す概略ブロック図である。同実施形態の情報提供装置における形容表現分析部での処理を示すフローチャートである。同実施形態の情報提供装置におけるユーザ興味構築部での処理を示すフローチャートである。同実施形態の情報提供装置におけるユーザ興味類似度計測部での処理を示すフローチャートである。同実施形態の情報提供装置における類似度計算の説明図である。

まず、本発明の概要について説明する。
本発明によれば、ユーザに新規性の高いアイテムを推薦可能とするために、ウェブ上のユーザのレビューを分析した結果により得られた２つの知見を基にして、ユーザ興味を、ユーザが評価したアイテムのみならず、ユーザがそのアイテムに対し与えた形容表現を用いてモデリングする。ここで、２つの知見のうち一つは、同じアイテムを高く評価するユーザであってもアイテムを評価する際に用いる形容表現は多様であり、多様な感性をもってアイテムに接していることである。もう一つは、アイテムの所属するクラスが異なっていても同じ形容表現が与えられることが多いということである。

上述のように、ユーザがそのアイテムに対し与えた形容表現を用いてモデリングすることにより、ユーザが評価したアイテムのみからユーザ間の類似度を計算するのではなく、ユーザが評価したアイテムに対し与えた形容表現を用いユーザ間の類似度を計算できるようになり、結果として、同じ感性をもつユーザが高く評価するアイテムが、推薦を享受するユーザに推薦されるようになる。その結果、推薦の精度を上げることができとともに、アクティブユーザに対して推薦されることのなかったアイテムであり、ユーザにとって新規性の高いアイテムを推薦することができる。
更に、推薦の際に、他のユーザがそのアイテムをどのような形容表現を用いて評価していたか、という情報も併せて提示でき、ユーザへの納得感の向上にも役立たせることができる。

以下、本発明の実施の形態について図面を参照しながら説明する。図１は、本発明の第１の実施形態の情報提供装置の機能構成に基づくブロック図である。図１に示すように、本発明の第１の実施形態の情報提供装置は、形容表現分析部１と、ユーザ興味構築部２と、ユーザ興味類似度計測部（アイテム選択部）３とから構成される。

形容表現分析部１には、複数のアイテムそれぞれに対するレビュー（Ｒｅｖｉｅｗ）１１が入力される。このレビュー１１は、ネットワーク上で公開されているものでもよいし、予め収集したものであってもよい。そして、形容表現分析部１は、入力されたレビューを用いて、ユーザがアイテムに対してどのような形容表現を用い評価をしているかを分析する。ここで、アイテムは、流通機構により提供される商品や、ネットワーク上で電子データとして提供されている画像、音楽などのコンテンツである。

また、本実施形態では、形容表現分析部１は、アイテムの内容をアイテムに与えられているメタデータを基に表現し、ユーザの記述したレビュー１１を用い、アイテムのメタデータの属性値に対する感性分析（sentimental analysis）を行う。これにより、ユーザがアイテムに対しどのような感覚・感性をもって評価を下しているかを分析している。
たとえば、映画をドメインとした場合、メタデータには、タイトル、役者、監督、脚本、制作国、制作年などが設定される。また、グルメをドメインとした場合、メタデータには、店舗名、メニュー、住所などが設定される。また、各サービスプロバイダは、自身の提供するサービスに対するレビューをユーザに記述してもらっている。

形容表現分析部１は、ドメインを利用している全ユーザを対象にしてレビューの分析を行う。形容表現分析部１が行う分析における形容表現の抽出は、あるサービスを提供するドメインに属する全ユーザ／全アイテムのレビュー記事を用い実施することとし、結果として、そのドメインで使用される形容表現を網羅的に抽出した形容表現の集合である形容表現セットをドメインごとに一つ生成する。

換言すると、形容表現分析部１は、ドメインに属する各アイテムに対するユーザによるレビューにおいて用いられている形容表現をレビューから抽出し、抽出した形容表現の集合である形容表現セットを生成する。
また、形容表現分析部１は、抽出した形容表現と、当該形容表現を用いたレビューが記載されたアイテムと、当該アイテムに対する当該レビューを記載したユーザとの対応を示す対応情報を生成して、ユーザ興味構築部２に出力する。
本実施形態では、形容表現（「かわいい」や「怖い」等）をクラス（以下、感性クラスという）とし、アイテム集合を各クラスに分類する。そして、感性の表れである形容表現を軸としたアイテムのタクソノミ(以下、感性タクソノミという)を設定する。

ユーザ興味構築部２は、形容表現分析部１が生成した形容表現セット及び対応情報に基づいて感性タクソノミを生成する。そして、ユーザ興味構築部２は、生成した感性タクソノミを用いてユーザ興味のモデリングを行い、感性によるユーザ興味プロファイルを構築（生成）する。ここで、感性タクソノミは、形容表現セットに含まれる各形容表現を分類した感性クラスによりアイテムを分類したタクソノミである。

また、ユーザ興味構築部２は、ユーザ興味プロファイルを生成する際に、ドメインにおけるサービスを提供するプロバイダが構築した、予め定めたクラスによりアイテムを分類したタクソノミであるタクソノミ１２（以下、プロバイダ提供タクソノミという）も用いて、ユーザ興味プロファイルを生成する。具体的には、ユーザ興味構築部２は、感性タクソノミと、プロバイダ提供タクソノミとを結合して得られた一つのタクソノミと、対応情報とから、各ユーザのアイテムに対する興味を感性タクソノミ及びプロバイダ提供タクソノミに沿って階層的に示すユーザ興味プロファイルを生成する。

本実施形態では、ユーザ興味構築部２は、ユーザのもつ感性・感覚のスコアを計算するために、ユーザがアイテムに与えた評価値をアイテムの所属する感性クラスの評価値として反映させている。こうすることで、ユーザ間で共通して評価したアイテムのみでなく、共通して評価された感性クラスまで考慮して、ユーザ間の類似度を計測することができる。なお、感性タクソノミ上において、アイテムは複数の感性クラスに所属する場合があるが、本実施形態では、ユーザが用いた形容表現に対応するクラス配下のアイテムのみに、ユーザの評価値を反映させることにする。

ユーザ興味類似度計測部３は、ユーザ興味構築部２により構築されたユーザ興味プロファイルを入力として、ユーザの類似度を計測し、ユーザに推薦するアイテムを選択する。
また、ユーザ興味類似度計測部３は、アイテムに対する評価のみでなく、アイテムに対し与えた形容表現も共通するユーザを類似ユーザとして取り扱うので、結果として、多様なクラスに所属するアイテムを精度よくユーザに推薦でき、新規性のあるアイテム（Novelアイテム）を推薦することができる。

図２は、プロバイダ提供タクソノミと、感性タクソノミとを結合したタクソノミを示している。図２において、左側のクラスＣ_１、Ｃ_２、Ｃ_３は、プロバイダ提供タクソノミから構築されたクラスであり、右側のクラスＣ_４、Ｃ_５は、感性タクソノミから構築された感性クラスである。

たとえば、図２において、左側のプロバイダ提供タクソノミにおいては、ユーザｕの興味はアイテムＩ_１とアイテムＩ_２にあり、ユーザｖの興味はアイテムＩ_３とアイテムＩ_４にある。アイテムＩ_１とアイテムＩ_２とはクラスＣ_２に所属し、アイテムＩ_３とアイテムＩ_４とはクラスＣ_３に所属している。
このように、ユーザｕが興味を有するアイテムと、ユーザｖが興味を有するアイテムとが異なるクラスに所属するので、ユーザｕとユーザｖとでは、興味が類似していないと判定されることになる。

これに対して、右側の感性タクソノミにおいては、アイテムＩ_１とアイテムＩ_３とは同じ感性クラスＣ_４に所属し、アイテムＩ_２とアイテムＩ_４とは同じ感性クラスＣに所属している。このため、プロバイダ提供タクソノミを用いた類似度計算手法では類似すると考えることができなかったユーザｕとユーザｖとを、アイテムを評価する際に用いた形容表現が同じであることに基づいて、興味が類似すると判定することができる。結果として、新規性の高いアイテムをユーザへ推薦することができる。また、アイテムの評価値のみでなく、評価する際に利用する形容表現まで考慮しており、感性と興味の両面から類似度を計算できるため、推薦の精度も向上させることができる。

次に、上述の形容表現分析部１、ユーザ興味構築部２、ユーザ興味類似度計測部３それぞれについて詳述する。図３は、本実施形態における情報提供装置の具体構成を示す概略ブロック図である。
図３に示すように、本実施形態の情報提供装置は、制御部１０１と、記憶部１０２と、入力部１０３と、表示部１０４と、通信部１０５とからなるコンピュータ上に、形容表現分析部１、ユーザ興味構築部２、及びユーザ興味類似度計測部３の機能を有するソフトウェアを動作させることで実現できる。レビュー等のウェブ上の情報は、通信部１０５を介して収集される。また、形容表現分析部１が生成する形容表現セット及び対応情報、ユーザ興味構築部２が生成する感性タクソノミ及びユーザ興味プロファイルは、記憶部１０２上に展開される。

まず、形容表現分析部１について説明する。形容表現分析部１は、レビューの記述から感性分析を行う。つまり、本実施形態においては、形容表現分析部１は、形容表現を含む出力を抽出して、形容表現セットＳ_Ｄ＝（Ｓ_１，…，Ｓ_ｎ）を生成する。形容表現の抽出は、たとえば、単語の品詞により行い、たとえば、形容詞、形容動詞などを含む表現を選択する。

あるドメインＤにおける形容表現ｓのセットである形容表現セットＳ_Ｄは、Ｓ_Ｄ＝（Ｓ_１，…，Ｓ_ｎ）として表すことができる。ここでｎは、ドメインＤにおける形容表現の数である。ユーザがドメインＤ内に存在するアイテムに対し持ち得る感覚・感性を過不足なくもつことが、そのドメインＤにおけるユーザ興味を詳細に表現することにつながるため、ドメインＤにおいて利用されうる形容表現は網羅的に準備されている必要がある。各サービスプロバイダは、自身の提供するサービスに対するレビューをユーザに記述してもらうことで、記述されたレビューを見たユーザのアイテムに対する関心を引きつけることを狙い、積極的にユーザにレビューを記述してもらうように取り組んでいる。非特許文献１や非特許文献２などのサイトでは、こうしたレビューが非常に多く記述されるようになっている。レビューが大量に存在する場合、レビューからアイテムに対する形容表現を抜き出せば、網羅性を担保することができる。

形容表現分析部１は、感性分析を行う際、サービスプロバイダがアイテムに与えているメタデータを用いて、アイテムのみでなくても、そのメタデータに対し形容表現が関連付けられたかどうかを分析する。すなわち、形容表現分析部１は、ユーザが記載したレビューにおいて、アイテムに予め与えられているメタデータに対する形容表現を抽出する。
たとえば、映画に対しては、メタデータとして、タイトル、役者、監督、脚本、制作国、制作年などがプロバイダから与えられている情報としてある。また、グルメに関しては、メタデータとして、店舗名、メニュー、住所などがある。このうち、たとえばタイトルや役者、監督及び、店舗名やメニューは、レビューにおいて話題となりうる対象であるため、それらに対する形容表現の分析を実施する。これに対して、制作国，制作年及び住所は、それ自身が話題になることは少ないことから、形容表現の分析の対象から除外する。

図４は、形容表現分析部１における分析処理を示すものである。図４において、形容表現分析部１は、まず、処理の繰り返し回数の計数値を０にしておき（ステップＳ１０１）、次いで、処理の繰り返し回数の計数値をインクリメントし（ステップＳ１０２）、レビューの記述Ｅｉについて、インスタンスＩｉに関係する関係フレーズｆ（Ｉｉ）を、関係の近さを表すスコアＳ（Ｉｉ）を伴なって抽出し、該抽出された関係フレーズｆ（Ｉｉ）による関係フレーズ集合Ｆ（Ｉｉ）を得る（ステップＳ１０３）。
ここで、インスタンスＩｉは、アイテムを示している。

インスタンス集合（アイテムセット）Ｉに含まれている全インスタンス（ここでは全数をｍとする）に対し、ステップＳ１０１の処理を繰り返し実行する（ステップＳ１０２〜ステップＳ１０４）。ステップＳ１０２〜ステップＳ１０４によって、インスタンスに関係する各フレーズｆ（Ｉｉ）がその関係の近さを表す各スコアＳ（Ｉｉ）を伴なって抽出される。

次いで、形容表現分析部１は、ステップＳ１０２〜ステップＳ１０４によって抽出された各関係フレーズｆ（Ｉｉ）によるフレーズ集合Ｆの各フレーズｆ付随するスコアＳ（Ｉｉ）の値を相互に比較して、スコア値が最大であるフレーズｆｉを探索する（ステップＳ１０５）。ステップＳ１０５の処理において、（ユーザによって特定された）或るインスタンスＩｉ、フレーズｆｉ、インスタンス集合Ｉ、上記インスタンスＩｉに関係する関係フレーズｆ（Ｉｉ）の関係の近さを表すスコアをスコアＳ（Ｉｉ）と表記する。

そして、形容表現分析部１は、インスタンス集合Ｉ内のインスタンスＩｉ内でＩｉに関係する関係フレーズｆ（Ｉｉ）と関係をもつインスタンス集合Ｉ（ｆ（Ｉｉ））、及び、インスタンス集合Ｉ（ｆ（Ｉｉ））内の各インスタンスとｆ（Ｉｉ）との関係の近さを表すスコアＳ（Ｉ（ｆ（Ｉｉ）））が供給されると、上記スコアＳ（Ｉｉ）と比較し、スコアＳ（Ｉｉ）とスコアＳ（Ｉ（ｆ（Ｉｉ）））との比較判定の結果、スコアＳ（Ｉｉ）が最も大きいときのインスタンスＩｉとフレーズｆｉとを対応付ける（ステップＳ１０６）、対応付けられたインスタンスＩｉとフレーズｆｉとの組を出力する。ここで、形容表現分析部１は、たとえば、形態素分析等により形容詞、形容動詞などを含むフレーズを形容表現として選択し、インスタンスとの対応付けを行う。

次に、ユーザ興味構築部２について詳述する。図５は、ユーザ興味構築部２での処理を示すフローチャートである。図５に示すように、ユーザ興味構築部２は、形容表現分析部１が生成する形容表現セットＳ_Ｄから感性タクソノミの構築を行う（ステップＳ２０１）。アイテムの感性タクソノミとしては、形容表現セットＳ_Ｄ＝（Ｓ_１，…，Ｓ_ｎ）内の形容表現を感性クラスと捉え、その配下に対応する形容表現に関係付けられたアイテムを分類していくことで、感性タクソノミを構築する。また、形容表現セットＳ_Ｄ＝（Ｓ_１，…，Ｓ_ｎ）を更に階層化することで、ユーザの持ち得る感性の傾向をより詳細に分析することもできる。

次に、ユーザ興味構築部２は、ユーザの興味を感性タクソノミに沿ってモデリングを行い、感性に基づくユーザ興味プロファイルの構築を行う（ステップＳ２０２）。具体的には、ユーザ興味構築部２は、アイテムに対するユーザの評価値をそのアイテムを含む感性クラスに対する評価値に反映させる。その際、ユーザがそのアイテムに対して用いた形容表現に対応する感性クラス配下のそのアイテムにのみに評価値を反映させる。

すなわち、Ｉを感性クラスＣ_ｉに対応する形容表現を用いて、ユーザｕが評価を行ったアイテムセットとすると、クラスに対する評価値ｒ_ｕ，Ｃｉは、次式（４）を用いて算出される。

たとえば、図２において、ユーザｕがアイテムＩ_１を感性クラスＣ_４に対応する形容表現を用いてレビューを記述しつつ評点４．０をつけ、同様にしてアイテムＩ_２に評点４．５をつけているとすると、クラスＣ_４に対するユーザｕの評点は４．０、クラスＣ_５に対するユーザｕの評点は４．５となる。
感性タクソノミの階層が（Ｒｏｏｔを１階層目として）３階層以上の場合、感性クラスの親クラスに対する評価値は、各アイテムに対する評価値の代わりに各クラスに対する評価値を用いることで同様にして計算される。図２に示した例では、階層が２階層しかないため、各クラスに対する評価値を親クラスのＲｏｏｔクラスに反映させなくともよい。

次に、ユーザ興味構築部２は、プロバイダが構築しているタクソノミをユーザ興味のモデリングに用いて、更に、ユーザ興味プロファイルの構築を行う（ステップＳ２０３）。
様々なコンテンツプロバイダが、自身の提供するアイテムのタクソノミを構築し始めている。たとえば、音楽、映画、ゲームなどのアイテムのタクソノミは、非特許文献３や非特許文献４において構築済みである。こうしたタクソノミは、ユーザがアイテムを自身の興味に沿って検索しやすいように、クラスの粒度や分岐数を適切に研究して設定されている。そのため、このタクソノミを用いてユーザ興味をモデリングすることは、合理的なアプローチであると考えられる。そこで、ユーザ興味構築部２は、感性タクソノミによるモデリングに加えて、プロバイダが提供するタクソノミを用いてユーザ興味のモデリングを行う。

プロバイダが提供するタクソノミによるユーザ興味のモデリングのアプローチとしては、「あるアイテムに興味をもつユーザは、そのアイテムを含むクラスにも興味をもちうる」という考えに基づき、アイテムに対するユーザの評価値をそのアイテムを含むクラスに対する評価値に反映させる。アイテムに対する評価値は、アイテムへのユーザのアクセス頻度に沿って潜在的な評価値として割り当てられる場合と、ユーザ自身によって明示的に与えられる場合がある。
ここで、アイテムへのユーザのアクセス頻度は、たとえば、当該アイテムについての情報を表示するウェブページなどを閲覧した回数や、当該アイテムを検索した回数などである。

プロバイダが提供するタクソノミにおいて、ＩをクラスＣ_ｉにおけるアイテムセットとすると、クラスに対する評価値ｒ_ｕ，Ｃｉは、次式（５）により算出される。

たとえば、図２において、ユーザｕがアイテムＩ_１に評点４．０をつけ、アイテムＩ_２に評点４．５をつけているとすると、クラスＣ_２に対するユーザｕの評点は８．５となる。親クラスに対する評価値は、各アイテムに対する評価値の変わりに各クラスに対する評価値を用いることで同様にして計算される。

本実施形態において、ユーザ興味構築部２は、感性タクソノミと、プロバイダ提供タクソノミとの双方の親クラス（図２の例では、Ｒｏｏｔクラス）をマージ（結合）することにより、感性タクソノミに基づくユーザ興味と、プロバイダ提供タクソノミに基づくユーザ興味とを組み合わせて、ユーザごとの感性を考慮したユーザ興味のモデリングをすることができる。なお、双方の親クラスをマージする際に、同一のユーザを示すノード同士もマージ（結合）される。

これにより、ユーザごとの感性を考慮したユーザ興味モデルを表すことができる。また、感性タクソノミと、プロバイダ提供タクソノミとに基づくユーザ興味を組み合わせることで、「ある感性の傾向をもつユーザは、あるジャンルを好む傾向がある」、という情報を取ることができる。また、感性クラスを用いることで、プロバイダ提供タクソノミにおけるクラスを跨った興味の関連を見付けることができ、ユーザにとって新規性のあるアイテム（Novelアイテム）の推薦をすることができる。

次に、ユーザ興味類似度計測部３について詳述する。図６は、ユーザ興味類似度計測部３での処理を示すフローチャートである。図６において、ユーザ興味類似度計測部３は、まず、ユーザａとユーザｕとのクラスＣ_ｉに対する興味の一致度を示すスコアＳ（ａ，ｕ，Ｃ_ｉ）を算出する（ステップＳ３０１）。このスコアＳ（ａ，ｕ，Ｃ_ｉ）は、ユーザａの評価値ｒ_ａ，Ｃｉと、ユーザｕの評価値ｒ_ｕ，Ｃｉとの内、小さい方の値を基に計算する。これにより、興味の一致度の計算の際に、クラスＣ_ｉに対する興味がユーザａより低いユーザのスコアＳ（ａ，ｕ，Ｃ_ｉ）を下げることができる。

次に、ユーザ興味類似度計測部３は、ユーザａとユーザｕとの間での、クラスに対する評価行為の類似度Ｓ_Ｃ（ａ，ｕ）を興味の一致度のスコアＳ（ａ，ｕ，Ｃ_ｉ）を用い計算する（ステップＳ３０２）。その際Jaccard coefficientの考え方を用いる。このJaccard coefficientアプローチは、ユーザａとユーザｕのどちらかのみが評価を与えているクラス集合の内、両方が評価を与えているクラス集合が、クラス集合の全体においてどれだけの割合を占めているかを計算できる。これは、言い換えると、タクソノミのクラス階層の中（例では，Ｃ_ｉの子クラスの中）での、ユーザの興味の幅の類似度を考慮しているといえる。
これにより、アクティブなユーザａがそれほど多くのクラスに評価を割り当てていない場合、多くのクラスに評価を割り当てているユーザｕを、ユーザａから分離することができる。Pearson correlationアプローチとCosineベースアプローチとは式（２）に示したように、ユーザａとユーザｕとの両方が評価を与えたクラスのみしか考慮しないため、ユーザの興味の幅の差を考慮していない。

次に、ユーザａとユーザｕとの間でのアイテムに対する評価行為の類似度Ｓ_Ｉ（ａ，ｕ）を計算する（ステップＳ３０３）。この場合は、式（２）で説明したアイテムに対する各ユーザの評価スキームの違いを考慮し計算を行うPearson correlation アプローチを用いてもよいし、Jaccard coefficient アプローチを用いてもよい。

次に、ユーザ興味類似度計測部３は、上述した類似度Ｓ_Ｃ（ａ，ｕ）（クラスに対するユーザ間の類似度）と、類似度Ｓ_Ｉ（ａ，ｕ）（アイテムに対するユーザ間の類似度）との２つの類似度を組み合わせ、ユーザ間のクラス、アイテムに対する評価行為の類似度を計算する（ステップＳ３０４）。

ユーザ興味類似度計測部３は、上述したユーザ間のクラス、アイテムに対する評価行為の類似度に基づいて、新規性のあるアイテム（Novelアイテム）の推薦を行う（ステップＳ３０５）。

以下に、類似度の計算アルゴリズムについて説明する。本アルゴリズムにおいては、Ｃ_ｉ（ａ）をユーザａが評価したクラスＣ_ｉの子クラス集合として定義する。

まず、ステップＳ３０１で計測されたユーザａとユーザｕとのクラスＣ_ｉに対する興味の一致度Ｓ（ａ，ｕ，Ｃ_ｉ）を、ｍｉｎ（ｒ_ａ，Ｃｉ，ｒ_ｕ，Ｃｉ）とする。

次に，ステップＳ３０２では、クラスに対するユーザ間の評価行為の類似度Ｓ_Ｃ（ａ，ｕ）を次式（６）により算出する。

次に、ステップＳ３０３では、アイテムに対するユーザ間の評価行為の類似度Ｓ_Ｉ（ａ，ｉ）を，Pearson correlation アプローチに基づき式（２）に沿って計算する。

次に、ステップＳ３０４では、クラスの一致度Ｓ_Ｃ（ａ，ｕ）とアイテムの一致度Ｓ_Ｉ（ａ，ｕ）とを全ユーザ集合を母集合としガウス分布に正規化をした上で、ユーザ間の類似度Ｓ（ａ，ｕ）を次式により算出する。

Ｓ（ａ，ｕ）＝Ｓ_Ｃ（ａ，ｕ）＋Ｓ_Ｉ（ａ，ｕ）

例として、図７に示すようにモデル化されたユーザａの興味と、ユーザｕの興味との類似度を計算する。

まず、ステップＳ３０１で、ユーザａとユーザｕとのクラスＣ_ｉに対する興味の一致度Ｓ（ａ，ｕ，Ｃ_ｉ）を、ｍｉｎ（ｒ_ａ，Ｃｉ，ｒ_ｕ，Ｃｉ）とすると、クラスＣ_２に対する一致度Ｓ（ａ，ｕ，Ｃ_２）は、次式により算出される。

Ｓ（ａ，ｕ，Ｃ_２）＝ｍｉｎ（６．０，２．０）＝２．０

また、クラスＣ３に対する一致度Ｓ（ａ，ｕ，Ｃ_３）は、次式により算出される。

Ｓ（ａ，ｕ，Ｃ_３）＝ｍｉｎ（０．０，８．５）＝０．０

ステップＳ３０２で、クラスに対するユーザ間の評価行為の類似度Ｓ_Ｃ（ａ，ｕ）を、式（４）に基づいて計算すると、次式により算出される。

Ｓ_Ｃ（ａ，ｕ）＝（２．０／２）＋０．０＝１．０

また、ステップＳ３０３で、アイテムに対するユーザ間の評価行為の類似度Ｓ_Ｉ（ａ，ｕ）を式（２）に基づいて計算すると、次式（７）により算出される。

そして、ユーザ間の類似度Ｓ（ａ，ｕ）は、算出されたＳ_Ｃ（ａ，ｕ）と、算出されたＳ_Ｉ（ａ，ｕ）との和として計算される。こうして得られたユーザの類似度を式（３）に適用すれば、ユーザａのアイテムＩｉに対する評価値の予測値ｐ_ａ，Ｉｉを算出する。そして、ユーザ興味類似度計測部３は、予測値ｐ_ａ，Ｉｉが最も大きいアイテムＩｉを、ユーザａに対するおすすめ商品に選択する。また、ユーザ興味類似度計測部３は、予め定められた閾値を越える予測値ｐ_ａ，Ｉｉを有するアイテムＩｉをユーザａに対するおすすめ商品に選択するようにしてもよい。

上述のように、感性タクソノミとプロバイダ提供のタクソノミとに基づくユーザ興味を組み合わせることで、「ある感性の傾向をもつユーザは、あるジャンルを好む傾向がある」という情報を検出することができる。また、感性クラスを用いることで，プロバイダ提供タクソノミにおけるクラスを跨った興味の関連を見付けることができ、ユーザにとって新規性のあるアイテム（Novelアイテム）の推薦に繋げることができる。
たとえば、図２に示したタクソノミにおいて、アイテムＩ_１、Ｉ_２に興味をもつユーザｕは、プロバイダ提供のタクソノミで、同一のクラスＣ_２にしか興味をもっていないことになる。このため、ユーザ間の類似度の計算の際に、クラスＣ_２に興味をもつユーザが多く結果として出力され、推薦結果としてもクラスＣ_２配下のアイテムが多く推薦されがちになってしまう。これに対し、本実施形態のように、感性タクソノミを加えることにより、ユーザｕは、たとえば、感性クラスＣ_４やＣ_５を介して（アイテムＩ_１、Ｉ_２がそれぞれ感性クラスＣ_４、Ｃ_５に所属しているため）、ユーザｖと興味が類似することになる。その結果、ユーザｖが興味をもつクラスＣ_３に属するアイテムＩ_３、Ｉ_４が、ユーザｕへの推薦対象に加えることができ、ユーザｕにとって新規性のあるアイテムを推薦することができる。

すなわち、これまでのユーザの興味を再生産するというものから、ユーザの興味を喚起するという新たな役割を担うようことができるようになる。本発明の実施形態による技術は、ユーザがこれまでアクセスしていなかったコンセプトに属し、ユーザにとって新規性のあるアイテム（Novelアイテム）を、高い精度で提示することができる。アイテムの推薦に際して、これまでの「この商品を購入したユーザは、こんな商品も購入しています」という説明だけでなく、「あなたと似たような感性でこの商品に接したユーザは，こんな商品にはこんな感性で接しています」といった説明を伴ないユーザにおすすめを提示でき、ユーザにとって新規性のあるアイテムに興味をもつきっかけを与えることができる。これに基づき、サービスプロバイダは、ユーザにすすめる商品の範囲を広げることができる。更に、ユーザは、自分の興味をもちうる新たな分野を発掘することができる。

本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

１…形容表現分析部
２…ユーザ興味構築部
３…ユーザ興味類似度計測部
１１…レビュー
１２…アイテムのタクソノミ

Claims

複数のアイテムそれぞれに対するレビューに用いられている形容表現をレビューから抽出し、抽出した形容表現の集合である形容表現セットを生成するとともに、前記複数のアイテムごとに、アイテムと、アイテムに対するレビューを記載したユーザと、抽出した形容表現との対応を示す対応情報を生成する形容表現分析部と、
前記形容表現分析部が生成した形容表現セット及び対応情報に基づいて、形容表現を分類した感性クラスによりアイテムを分類したタクソノミである感性タクソノミを生成し、前記複数のアイテムを提供しているプロバイダにより生成された前記複数のアイテムのタクソノミであるプロバイダ提供タクソノミと、生成した感性タクソノミとから、各ユーザのアイテムに対する興味を前記感性タクソノミ及び前記プロバイダ提供タクソノミに沿って階層的に示すユーザ興味プロファイルを生成するユーザ興味構築部と、
前記ユーザ興味構築部が生成したユーザ興味プロファイルに基づいて、各ユーザのアイテムに対する興味の類似度を算出し、算出した類似度に基づいて前記複数のアイテムからユーザに推薦するアイテムを選択するアイテム選択部と
を備えたことを特徴とする情報提供装置。
前記ユーザ興味構築部は、前記ユーザ興味プロファイルを生成する際に、
更に、前記複数のアイテムそれぞれに対するユーザの評価値を用いて、前記ユーザ興味プロファイルを生成する
ことを特徴とする請求項１に記載の情報提供装置。
前記ユーザ興味構築部は、前記ユーザ興味プロファイルを生成する際に、
前記感性タクソノミに含まれる感性クラスに対するユーザの評価値を、感性クラスに属するアイテムに対するユーザの評価値に基づいて算出し、
前記アイテム選択部は、
前記ユーザ興味構築部が算出した各感性クラスに対するユーザの評価値を用いて、各ユーザのアイテムに対する興味の類似度を算出する
ことを特徴とする請求項２に記載の情報提供装置。
前記ユーザ興味構築部は、
前記感性タクソノミと、前記プロバイダ提供タクソノミとを結合して前記ユーザ興味プロファイルを生成する
ことを特徴とする請求項１から請求項３のいずれか一項に記載の情報提供装置。
前記ユーザ興味構築部は、前記感性タクソノミと、前記プロバイダ提供タクソノミとを結合する際に、前記感性タクソノミにおける感性クラスのルートクラスと、前記プロバイダ提供タクソノミにおけるクラスのルートクラスとを１つのルートクラスとして結合し、前記感性タクソノミ及び前記プロバイダ提供タクソノミそれぞれにおける同一のユーザを示すノードを結合して得られる一つのタクソノミから前記ユーザ興味プロファイルを生成する
ことを特徴とする請求項１から請求項４のいずれか一項に記載の情報提供装置。
情報提供装置が行う情報提供方法であって、
前記情報提供装置が、複数のアイテムそれぞれに対するレビューに用いられている形容表現をレビューから抽出し、抽出した形容表現の集合である形容表現セットを生成するとともに、前記複数のアイテムごとに、アイテムと、アイテムに対するレビューを記載したユーザと、抽出した形容表現との対応を示す対応情報を生成する形容表現分析ステップと、
前記情報提供装置が、前記形容表現分析ステップにおいて生成した形容表現セット及び対応情報に基づいて、形容表現を分類した感性クラスによりアイテムを分類したタクソノミである感性タクソノミを生成し、前記複数のアイテムを提供しているプロバイダにより生成された前記複数のアイテムのタクソノミであるプロバイダ提供タクソノミと、生成した感性タクソノミとから、各ユーザのアイテムに対する興味を前記感性タクソノミ及び前記プロバイダ提供タクソノミに沿って階層的に示すユーザ興味プロファイルを生成するユーザ興味構築ステップと、
前記情報提供装置が、前記ユーザ興味構築ステップにおいて生成したユーザ興味プロファイルに基づいて、各ユーザのアイテムに対する興味の類似度を算出し、算出した類似度に基づいて前記複数のアイテムからユーザに推薦するアイテムを選択するアイテム選択ステップと
を有することを特徴とする情報提供方法。
情報提供装置が有しているコンピュータを
複数のアイテムそれぞれに対するレビューに用いられている形容表現をレビューから抽出し、抽出した形容表現の集合である形容表現セットを生成するとともに、前記複数のアイテムごとに、アイテムと、アイテムに対するレビューを記載したユーザと、抽出した形容表現との対応を示す対応情報を生成する形容表現分析手段、
前記形容表現分析手段により生成した形容表現セット及び対応情報に基づいて、形容表現を分類した感性クラスによりアイテムを分類したタクソノミである感性タクソノミを生成し、前記複数のアイテムを提供しているプロバイダにより生成された前記複数のアイテムのタクソノミであるプロバイダ提供タクソノミと、生成した感性タクソノミとから、各ユーザのアイテムに対する興味を前記感性タクソノミ及び前記プロバイダ提供タクソノミに沿って階層的に示すユーザ興味プロファイルを生成するユーザ興味構築手段、
前記ユーザ興味構築手段により生成したユーザ興味プロファイルに基づいて、各ユーザのアイテムに対する興味の類似度を算出し、算出した類似度に基づいて前記複数のアイテムからユーザに推薦するアイテムを選択するアイテム選択手段
として機能させるための情報提供プログラム。