JP5357804B2 - 関心度処理装置、関心度処理方法、および、関心度処理プログラム - Google Patents

Description

本発明は、関心度処理装置、関心度処理方法、および、関心度処理プログラムに関する。

インターネットの普及に伴い、Ｗｅｂページが大量に増加したため、個人がそれらのＷｅｂページを全て読むことは極めて困難になりつつある。そのため、ユーザ個人に適した情報をシステム側で事前に選択してから、提供することが重要となりつつある。よって、各ユーザの関心・興味に関する情報を推薦する情報提供のパーソナライズが必要である。

情報提供のパーソナライズには、ユーザの対象（Ｗｅｂページのキーワードなど）に対する関心を表す関心度が多く用いられる。関心度は、個人に適した情報を提供するためのユーザの興味や目的、コンテキストなどの獲得に用いられる。ユーザの関心の対象（以下、関心対象）や、関心の度合い（以下、関心度）は時間経過によって変化するため、それに伴う関心度の更新が望まれる。

特許文献１には、ユーザのオントロジ辞書によって作成された関心度をユーザのページ閲覧方法に応じて更新することにより、関心度の高いコンテンツをユーザに推薦する旨が開示されている。
特許文献２には、関心度を単語のベクトルでなく概念のベクトルとして表し、興味を持ったページの概念ベクトルの方向に回転させることにより、関心度を更新する旨が開示されている。
非特許文献１には、関心度に活性度という概念を設け、活性度は興味を示したページによって刺激を受け、時間の経過と共にガンマ分布に従い減衰させることで、関心度を更新する旨が開示されている。

特開２００５−１４９３４０号公報 特開２０００−１１２９４６号公報

宮原一弘、岡本敏雄著、"Ｗｅｂブラウジングに基づいた興味の定量的同定法とその協調フィルタリングへの適用"、信学技報、ET97-115(1998-3)、pp.17-24(1998)

前記した従来の技術では、ユーザの特性を関心度という計算機パラメータへと充分に反映していないため、ユーザが現在関心をもっているコンテンツの提供が充分になされていなかった。

人間の記憶のモデルとして、短期記憶と長期記憶とを区別する記憶理論がある。人間の脳に入力された刺激は、まず、短期記憶に一時的に格納される。そして、短期記憶において記憶された事項のうち、想起や復唱（リハーサルとも呼ばれる）を繰り返した事項は、長期記憶に格納されるが、リハーサルされない事項は、短期記憶から忘却される。

よって、関心度は、一律に維持するだけでも、一律に忘却（減少）させるだけでも、前記の短期記憶と長期記憶とを併存させるような人間の記憶のモデルを実現させることはできない。

そこで、本発明は、前記した問題を解決し、ユーザごとの関心対象に対する関心度を高精度に更新することを、主な目的とする。

前記課題を解決するために、本発明は、ユーザごとに関心対象に対する関心度を更新する関心度処理装置であって、前記関心度処理装置が、関心度更新部と、記憶手段とを備えており、前記関心度更新部が、各ユーザの各関心対象に対する行動履歴データを示す更新前関心度を前記記憶手段から読み取り、過去から現在までの前記更新前関心度の積分値を含む積分制御項と、現在の前記更新前関心度と過去から現在までの前記更新前関心度の期待値との偏差を含む比例制御項と、現在の前記更新前関心度の微分値を含む微分制御項とを計算し、前記比例制御項と前記積分制御項と前記微分制御項との総和を、現在の更新後関心度として計算し、その計算結果を関心度データベースとして前記記憶手段に格納することを特徴とする。

これにより、Ｉ（Integral）制御を示す積分定数項を更新後関心度とすることで、関心度の蓄積を示す長期記憶と、短期的な関心度の急上昇を相殺する（つまり、衝動的な興味であるため、関心度の下方修正することで忘却させる）短期記憶とを、関心度に反映させることができる。
さらに、Ｐ（Proportional）制御項と、Ｄ（Differential）制御項とを関心度の計算結果としてＩ制御項に追加することにより、関心度の平均化を抑制できる。

本発明は、前記関心度処理装置が、さらに、コンテンツ推薦部を備えており、前記コンテンツ推薦部は、前記関心度データベースからユーザごとの関心対象に対する関心度を読み取り、読み取った関心度に応じて、その関心度の関心対象を含むコンテンツを出力することを特徴とする。

これにより、ユーザには、高精度に更新された関心度をもとに、関心の高いコンテンツが優先的に推薦されるので、コンテンツの選別にかかる手間を低減することができる。

本発明は、前記関心度処理装置が、さらに、関心度抽出部を備えており、前記関心度抽出部が、時系列の前記行動履歴データから時系列の前記更新前関心度を計算するときに、前記行動履歴データの行動頻度が多いほど前記更新前関心度を高くすることを特徴とする。

これにより、関心度の初期値を更新前関心度として計算することができる。

本発明によれば、ユーザごとの関心対象に対する関心度を高精度に更新することができる。

本発明の一実施形態に関する関心度処理装置を示す構成図である。 本発明の一実施形態に関する関心度処理装置の処理概要を示す説明図である。 本発明の一実施形態に関する関心度更新部の詳細を示す説明図である。 本発明の一実施形態に関する関心度処理装置の処理を示すフローチャートである。 本発明の一実施形態に関する関心が一時的に示されたケースを示すグラフである。 本発明の一実施形態に関する長期間継続的に関心が示されたケースを示すグラフである。 本発明の一実施形態に関する関心が一時的に示された後、長期間継続的に関心が示されたケースを示すグラフである。

以下、本発明の一実施形態を、図面を参照して詳細に説明する。

図１は、関心度処理装置１を示す構成図である。関心度処理装置１は、ＣＰＵとメモリとハードディスク（記憶手段）とネットワークインタフェースを有するコンピュータとして構成され、このコンピュータは、ＣＰＵが、メモリ上に読み込んだプログラムを実行することにより、各処理部を動作させる。ネットワークインタフェースは、インターネットなどのコンテンツにアクセスするためのネットワークに接続されている。

関心度処理装置１は、コンテンツ推薦部１１と、関心度抽出部１２と、関心度更新部１３と、行動履歴データ２１と、関心度データベース２２を有する。

コンテンツ推薦部１１は、関心度データベース２２から各ユーザの属性（関心対象ごとの関心度）に合ったコンテンツをユーザに推薦する。この推薦処理は、例えば、関心度の高い関心対象を示すキーワードを含むＷｅｂページほど、ユーザに見やすい位置（例えば画面上部などの先頭位置）に表示する処理として実現される。そして、コンテンツ推薦部１１は、ユーザに提示（推薦）したＷｅｂページから、ユーザが関心度に影響する行動（Ｗｅｂページの閲覧など）が入力されると、その行動を行動履歴データ２１として保存する。

行動履歴データ２１は、ユーザごとの履歴データである。ここで、行動履歴データ２１として格納される「行動」とは、関心度に影響する行動の総称であり、Ｗｅｂページの閲覧だけでなく、例えば、Ｗｅｂシステムへのログイン・ログアウトや、オンラインショッピングシステムにおける商品の購入（料理店への予約も含む）などが、挙げられる。なお、行動履歴データ２１は、コンテンツ推薦部１１が収集したデータでもよいし、他のシステムからインポートしたデータでもよい。

関心度抽出部１２は、行動履歴データ２１から関心対象ごとの関心度を、時系列で過去の時刻ごとに抽出する。以下、時刻を示すパラメータとして変数「ｔ」を用いて説明する。関心度抽出部１２は、例えば、以下の式により、関心対象ごとの更新前関心度ｗ（ｔ）を計算し、関心度データベース２２に書き出す。
更新前関心度ｗ（ｔ）＝（時刻ｔにおける関心対象のキーワードを含むＷｅｂページの閲覧回数）×（Ｗｅｂページの閲覧行動に対する比例定数）
さらに、関心度抽出部１２は、複数種類の行動種別（ページ閲覧行動、商品購入行動）が所定のユーザから入力されると、それらの行動種別ごとの頻度に、行動種別ごとの比例定数を乗じてから、その積の総和を、更新前関心度ｗ（ｔ）としてもよい。

関心度更新部１３は、関心度データベース２２から更新前関心度ｗ（ｔ）を取得し、フィードバック制御によって更新後関心度ｗ'（ｔ）を計算して、そのｗ'（ｔ）で関心度データベース２２を更新する（計算式などの詳細は、図３で後記する）。
関心度データベース２２は、関心対象ごとの関心度を示すデータベースであり、ユーザごとに作成される関心度のデータを格納する。なお、格納する関心度としては、関心度抽出部１２が計算した更新前関心度ｗ（ｔ）でもよいし、関心度更新部１３が計算した更新後関心度ｗ'（ｔ）でもよい。

図２は、関心度処理装置１の処理概要を示す説明図である。

まず、関心度データベース２２（上部）として、３つの関心対象（和食、洋食、中華）それぞれの更新前関心度ｗ（ｔ）が格納されている。
コンテンツ推薦部１１は、関心度データベース２２の内容を元に、ユーザにコンテンツを推薦する。具体的には、コンテンツ推薦部１１は、関心度データベース２２の中で関心度がもっとも高い「和食」のＷｅｂページ（和食料理店Ｘのページ）を、一番先頭のＷｅｂページとして表示する。しかし、ユーザは、推薦にもかかわらず、中華料理店のページを閲覧する。

次に、関心度抽出部１２は、ユーザの行動（中華料理店のページ閲覧）を検知すると、その結果（行動履歴データ２１）から更新前関心度ｗ（ｔ）を計算する。その結果、関心対象「中華」の関心度が増加する。
関心度更新部１３は、関心度データベース２２から更新前関心度ｗ（ｔ）を取得し、更新後関心度ｗ'（ｔ）を計算し、その結果を関心度データベース２２に書き出す。これにより、今回（時刻＝ｔ）において行動されなかった関心対象（和食、洋食）の更新後関心度ｗ'（ｔ）が、更新前関心度ｗ（ｔ）よりも少し（関心度「５」分）減少する。

そして、コンテンツ推薦部１１は、再び、関心度データベース２２の内容を元に、ユーザにコンテンツを推薦する。なお、関心度データベース２２の中で関心度がもっとも高い関心対象は「和食」から「中華」に更新されているので、中華料理店Ａのページを一番先頭のＷｅｂページとして表示する。

図３は、関心度更新部１３の詳細を示す説明図である。
図３（ａ）の関心度更新部１３が扱うパラメータのリストでは、現在の時刻ｔの２つの関数（関心度抽出部１２が計算する更新前関心度ｗ（ｔ）、関心度更新部１３が計算する更新後関心度ｗ'（ｔ））に加え、更新前関心度ｗ（ｔ）から計算される各パラメータ（期待値Ｅ（ｔ）、偏差ｅ（ｔ））と、更新後関心度ｗ'（ｔ）を計算するためにあらかじめ設定されている３つの比例定数とが示されている。

図３（ｂ）のパラメータの計算式では、更新前関心度ｗ（ｔ）の過去の履歴（時刻０〜ｔ）をもとに、期待値Ｅ（ｔ）を計算する式と、その計算した期待値Ｅ（ｔ）と更新前関心度ｗ（ｔ）との偏差ｅ（ｔ）を計算する式と、前記計算した各パラメータをもとに、更新後関心度ｗ'（ｔ）を計算する式とが示されている。

なお、更新後関心度ｗ'（ｔ）の計算式は、フィードバック制御であるＰＩＤ（Proportional Integral Differential）制御を構成する３つの項（比例定数項、積分定数項、微分定数項）の総和となっているが、これらの３つの項のうちの１つの項だけを更新後関心度ｗ'（ｔ）としてもよいし、２つの項の和を更新後関心度ｗ'（ｔ）としてもよい。
例えば、関心度更新部１３は、積分定数項だけを更新後関心度ｗ'（ｔ）とすることで、関心度の蓄積を示す長期記憶と、短期的な関心度の急上昇を相殺する（つまり、衝動的な興味であるため、関心度の下方修正することで忘却させる）短期記憶とを、関心度に反映させることができる。
さらに、関心度更新部１３は、図３（ｂ）に示すように、３つの項の総和を更新後関心度ｗ'（ｔ）とすることで、関心度の平均化を抑制できる。

図４は、関心度処理装置１の処理を示すフローチャートである。
Ｓ１１において、コンテンツ推薦部１１は、関心度データベースから関心度が高いコンテンツをユーザに提示する。
Ｓ１２において、関心度処理装置１は、提示されたコンテンツへの行動履歴データ２１を収集する。
Ｓ１３において、関心度抽出部１２は、行動履歴データ２１から更新前関心度ｗ（ｔ）を計算する。
Ｓ１４において、関心度更新部１３は、更新前関心度ｗ（ｔ）にフィードバック制御（図３（ｂ）参照）をかけて、更新後関心度ｗ’（ｔ）を計算する。
Ｓ１５において、関心度処理装置１は、更新後関心度ｗ’（ｔ）を関心度データベース２２に反映する。そして、処理をＳ１１へ戻す。

以下の図５〜図７において、更新前関心度にｗ（ｔ）および更新後関心度ｗ’（ｔ）を示す時系列のグラフについて、１図面で１つの例を示す。これらの各グラフでは、横軸が時間軸（日にち単位）で縦軸が関心度を示す。

図５は、関心が一時的に示されたケースを示すグラフである。更新前関心度ｗ（ｔ）では、２日目に一時的な関心（関心度＝５０）が示されているが、それ以降の関心度は０に戻っている。
そして、関心度更新部１３は、更新後関心度ｗ’（ｔ）として、３日目以降に関心度を急激に減少させる（７→６→５…）ように更新することで、一時的な（衝動的な）嗜好の変化が、短期記憶から徐々に忘れられていく事象を具現化する。

図６は、長期間継続的に関心が示されたケースを示すグラフである。このグラフでは、１日目〜６日目に継続的に更新前関心度ｗ（ｔ）が高くなっており（５０以上）、７日目以降は更新前関心度ｗ（ｔ）が０に戻っている。
そして、関心度更新部１３は、更新後関心度ｗ’（ｔ）として、７日目以降に関心度を徐々に減少させる（４５→３９→３５…）ように更新することで、６日目までの継続的な関心が、７日目以降にも定着した嗜好として長期記憶に留まる事象を具現化する。

図７は、前記した図５のケースと図６のケースとの組み合わせのケースを示すグラフである。
図７の前半部（５日目まで）では、図５のケースと同様に、１回目の一時的な関心（１日目）が、短期記憶から徐々に忘れられていくような更新後関心度ｗ’（ｔ）が、関心度更新部１３によって計算される。
図７の後半部（６日目から）では、図６のケースと同様に、２回目の長期間継続的な関心（６〜８日目）が、定着した嗜好として長期記憶に留まるような更新後関心度ｗ’（ｔ）が、関心度更新部１３によって計算される。

以上説明した本実施形態では、複数のユーザに情報（コンテンツ）を提供する関心度処理装置１において、各ユーザの興味などを表現した関心度データベース２２を適切なものに維持することを特徴とする。
関心度処理装置１は、各ユーザの行動が時刻と共に記録された行動履歴を格納した行動履歴データ２１を有する。そして、関心度更新部１３は、あるユーザの行動履歴データ２１を入力として、当該ユーザの関心対象ごとの関心度を計算する所定の関数（図３（ｂ）のｗ’（ｔ）関数など）を計算する。そして、関心度処理装置１は、計算した関心対象ごとの関心度で、関心度データベース２２を更新することによって、関心度データベース２２の最適化を実現する。
さらに、コンテンツ推薦部１１は、更新された最新の関心度データベース２２から、ユーザに適したコンテンツを推薦することで、適切にパーソナライズされた情報提供が実現できる。

１ 関心度処理装置
１１ コンテンツ推薦部
１２ 関心度抽出部
１３ 関心度更新部
２１ 行動履歴データ
２２ 関心度データベース

Claims (7)

1. ユーザごとに関心対象に対する関心度を更新する関心度処理装置であって、
   前記関心度処理装置は、関心度更新部と、記憶手段とを備えており、
   前記関心度更新部は、各ユーザの各関心対象に対する行動履歴データを示す更新前関心度を前記記憶手段から読み取り、過去から現在までの前記更新前関心度の積分値を含む積分制御項と、現在の前記更新前関心度と過去から現在までの前記更新前関心度の期待値との偏差を含む比例制御項と、現在の前記更新前関心度の微分値を含む微分制御項とを計算し、前記比例制御項と前記積分制御項と前記微分制御項との総和を、現在の更新後関心度として計算し、その計算結果を関心度データベースとして前記記憶手段に格納することを特徴とする
   関心度処理装置。
2. 前記関心度処理装置は、さらに、コンテンツ推薦部を備えており、
   前記コンテンツ推薦部は、前記関心度データベースからユーザごとの関心対象に対する関心度を読み取り、読み取った関心度に応じて、その関心度の関心対象を含むコンテンツを出力することを特徴とする
   請求項１に記載の関心度処理装置。
3. 前記関心度処理装置は、さらに、関心度抽出部を備えており、
   前記関心度抽出部は、時系列の前記行動履歴データから時系列の前記更新前関心度を計算するときに、前記行動履歴データの行動頻度が多いほど前記更新前関心度を高くすることを特徴とする
   請求項１または請求項２に記載の関心度処理装置。
4. ユーザごとに関心対象に対する関心度を更新する関心度処理装置による関心度処理方法であって、
   前記関心度処理装置は、関心度更新部と、記憶手段とを備えており、
   前記関心度更新部は、各ユーザの各関心対象に対する行動履歴データを示す更新前関心度を前記記憶手段から読み取り、過去から現在までの前記更新前関心度の積分値を含む積分制御項と、現在の前記更新前関心度と過去から現在までの前記更新前関心度の期待値との偏差を含む比例制御項と、現在の前記更新前関心度の微分値を含む微分制御項とを計算し、前記比例制御項と前記積分制御項と前記微分制御項との総和を、現在の更新後関心度として計算し、その計算結果を関心度データベースとして前記記憶手段に格納し、
   前記コンテンツ推薦部は、前記関心度データベースからユーザごとの関心対象に対する関心度を読み取り、読み取った関心度に応じて、その関心度の関心対象を含むコンテンツを出力することを特徴とする
   関心度処理方法。
5. 前記関心度処理装置は、さらに、コンテンツ推薦部を備えており、
   前記コンテンツ推薦部は、前記関心度データベースからユーザごとの関心対象に対する関心度を読み取り、読み取った関心度に応じて、その関心度の関心対象を含むコンテンツを出力することを特徴とする
   請求項４に記載の関心度処理方法。
6. 前記関心度処理装置は、さらに、関心度抽出部を備えており、
   前記関心度抽出部は、時系列の前記行動履歴データから時系列の前記更新前関心度を計算するときに、前記行動履歴データの行動頻度が多いほど前記更新前関心度を高くすることを特徴とする
   請求項４または請求項５に記載の関心度処理方法。
7. 請求項４ないし請求項６のいずれか１項に記載の関心度処理方法を、コンピュータである前記関心度処理装置に実行させるための関心度処理プログラム。

Images