JP5546632B2 - マルチメディアコンテンツを分析するための方法および機構 - Google Patents

Description

本発明は、配信されるマルチメディアコンテンツが家庭において消費されているときに、該家庭のユーザ群を推定するための方法および機構に関する。

今日において、例えばＴＶ配信ネットワークなどのマルチメディア配信ネットワークを介して視聴者へと配信されるコンテンツの或る程度の個人化が、視聴者側の専用のハードウェアを使用して実現されている。そのような手法の大きな欠点は、視聴者の体感品質（ＱｏＥ：Ｑｕａｌｉｔｙ ｏｆ Ｅｘｐｅｒｉｅｎｃｅ）を乱すことが多い点にある。

ユーザの視聴者側にいかなる専用の器材も必要としない個人化は、少なくとも以下の問題ゆえに、未だ実質的には提示されていない。

現在の視聴者の身元のリアルタイムでの推定が、現時点において公知の技術に鑑みて、不可能ではないかもしれないがきわめて困難かつ高価につく。

個人の嗜好は推定が難しく、典型的には人口統計学的、経済的、および／または社会的因子にもとづく大まかな推定だけしか得ることができない。

家庭には、異なる個人的嗜好を有する２人以上のＴＶ視聴者が存在しうる。上述の筋書きのうちのＴＶ広告およびＴＶ番組の配置は、コンテンツ提供業者にとって個人視聴者のそれぞれのニーズを満たすことができないため、最善ではない。個人のニーズが満たされ、個人的嗜好が満足されるように保証する機構が、最適であると考えられる。種々の視聴者へと示すべき広告またはＴＶ番組を選択するために今日において使用されている技法は、視聴者とコンテンツ提供業者または広告会社との間の情報の非対称ゆえに、最適でない。

既存の技術では、主としてコンテンツ提供業者または広告主が、家庭ごとの視聴者の数も、１日のうちのＴＶの前で過ごす時間に関する視聴者の日々の習慣も、視聴者の嗜好も承知していないため、視聴者による選択に応答して視聴者の嗜好と視聴者へと届けられるべきコンテンツとの間の完璧な写像を実現することが、不可能である。上述のパラメータのいくつかは、現時点において利用可能な技術では、限定的な確率でしか推定することができない。

上述の問題の少なくとも一部を解決すべく試みるために使用される１つの手法は、家庭のユーザ群のユーザ挙動を記録するために、典型的には特定の時間期間にわたって選択された視聴者群または消費者群によって編集されるユーザログファイルまたは日誌を適用することである。この手法は、関係する視聴者の日々の習慣の正確な代表例を得るために、視聴者の高度の参加および行動に依存する他、典型的には１５分間隔として定められる固有の時間しきい値が常に存在し、このしきい値未満では視聴者の行動が記録されないため、精度に関して大きな欠陥を抱えている。

ユーザの挙動を記録するための別の公知の方法は、家庭の受像機の選局を受動的に記録し、それら記録を中央のユニットへと送信するように構成されたセットメータ（ｓｅｔ−ｍｅｔｅｒ）を使用することである。

ユーザの挙動を記録するさらに別の公知の方法は、いわゆる視聴率計（ｐｅｏｐｌｅ−ｍｅｔｅｒ）に頼り、記録の目的のために特別に構成された小型のセットトゥボックス（ｓｅｔ−ｔｏ−ｂｏｘ）を選択された家庭に備え付けることである。視聴者は、視聴率計が備え付けられたＴＶ受像機で番組を視聴し始めるとき、自身の身元を示すことができるよう、視聴率計または対応するリモコンのボタンを積極的に押さなければならない。携帯視聴率計（ＰＰＭ）と呼ばれる視聴率計の代案が、個人による着用が可能であり、家庭のＴＶ受像機によって受信されるオーディオストリームに埋め込まれた聞き取り不能の信号を捕捉する装置によって、携帯型の代案を提供している。

この文脈においてユーザの挙動の描写を試みるという課題に関する他の問題は、上述の課題に対する押し付けがましくない解決策では、代表的な視聴者群を人口統計学的、経済的、および／または社会的因子にもとづいて選択することによる困難に直面する可能性がある一方で、押し付けがましい技法では、電話および／または尋問者を使用する可能性がある点にある。

提案済みの解決策を使用することによる多数のさらなる課題が存在し、そのいくつかを下記に示す。

記録装置の家庭への設置は、個人のプライバシを侵害する。他の問題は、例えば或る種の書式への記入、押しボタンの操作、または電話への応答などといった視聴者に求められる或る種の行動が、視聴者のユーザ体感を乱す点にある。さらに、実質的にすべての公知の方法は、設備および／または必要とされる仕事量に鑑み、設定および維持が比較的高価につく。

ユーザの挙動の調査に参加するように選択された視聴者は、常にすべての視聴者のうちの限られた群を代表するにすぎないため、この群が、多かれ少なかれ見本でしかない。選択された群が実際にどのような見本であるか否か、推定がきわめて困難になりうる。さらに、対象の範囲が不完全になり、重要な視聴者群のユーザ挙動を記録できないという危険も大きい。

本発明の目的は、上述した問題のうちの少なくともいくつかに対処することにある。より具体的には、本発明の目的は、家庭のユーザの挙動についての統計学的モデルの学習のための機構を提供するとともに、学習したモデルにもとづく後の家庭のユーザ群の推定を可能にすることにある。推定されたユーザ群にもとづき、推定されたユーザの挙動を、家庭へのユーザコンテンツの選択的配信のための選択基準として使用することができる。

一態様によれば、マルチメディア配信ネットワークにおいて実行される方法であって、マルチメディアコンテンツが配信される家庭の現在のユーザ群の推定を可能にする方法が提供される。

一典型的な実施形態によれば、そのような方法が、家庭へと配信されているマルチメディアシーケンス（例えば、オーディオおよび／またはビデオコンテンツを含んでいる）に関連付けられたテクスチュアル記述子（ｔｅｘｔｕａｌ ｄｅｓｃｒｉｐｔｏｒ）のシーケンスを監視することによって達成される。以前に家庭へともたらされたテクスチュアル記述子にもとづいている統計学的モデルの確率的パラメータの組を典型的には記憶ユニットから取得することによって、現在のユーザ群を、監視されたテクスチュアル記述子のシーケンスを前記統計学的モデルのパラメータと相関させることによって推定することができる。

推定の工程を、前記テクスチュアル記述子のストリームおよび前記パラメータの組についてビタビデコーディングをオンザフライで実行することによって実行することができる。

現在のユーザ群についての情報（例えば、前記推定したユーザ群のユーザ嗜好情報）を取得し、この情報をコンテンツ提供業者へと提供することによって、コンテンツ提供業者は、提供されたユーザ嗜好情報にもとづいて、家庭へともたらされるマルチメディアコンテンツ（例えば、ビデオ、オーディオ、ＴＶ番組、および／または広告など）を選択的にカスタマイズすることができる。

統計学的モデルは、初期の学習段階を実行することによって決定することができる。一典型的な実施形態によれば、そのような初期の段階が、それぞれが以前に家庭へと提供されたマルチメディアシーケンスに関連付けられていたテクスチュアル記述子のシーケンスであって、前もって監視および保存されたテクスチュアル記述子の複数のシーケンスを取得することによって実行される。

次いで、取得したテクスチュアル記述子のシーケンスについての統計的分析が、有限の数Ｎの最も可能性が高いユーザ群と該最も可能性が高いユーザ群の状態遷移に関する確率的パラメータの組とによって定められる前記統計学的モデルが生成されるように実行される。次いで、前記統計学的モデルを定める前記確率的パラメータを保存することによって、初期の段階は完了する。

統計的分析は、監視される情報に加えて、例えば家庭において考えられるユーザの数、家庭に関する社会経済的情報および／またはユーザの嗜好のうちの１つ以上など、さらなるユーザ特有の情報にもとづくことができる。

１つの選択肢となる態様によれば、前記実行する段階が、前記取得したテクスチュアル記述子のシーケンスについてバウム−ウェルチアルゴリズムを使用することによって実行される。

前記統計学的モデルを、動的ベイジアンネットワーク（ＤＢＮ）によって生成することができる。そのようなＤＢＮは、隠れマルコフモデル、多重解像度隠れマルコフモデル、または隠れセミマルコフモデルのいずれかであってもよく、監視されたテクスチュアル記述子の各々のシーケンスが、観測のシーケンスを表わすことができ、Ｎ個のユーザ群が、隠れ状態のシーケンスを表わすことができる。

前記テクスチュアル記述子のシーケンスを、該当のマルチメディアシーケンスに並行して配信され、あるいは同時に配信されているメタデータ、副題情報、またはタグ情報から監視することができる。

別の態様によれば、ユーザ群の推定に適した機構も提供される。そのような機構は、家庭へと配信されているマルチメディアシーケンスに関連付けられているテクスチュアル記述子のシーケンスを監視するように構成された監視ユニットを備えている。

さらに、この機構は、以前に家庭へともたらされたテクスチュアル記述子の複数のシーケンスにもとづいている統計学的モデルの確率的パラメータの組を取得し、前記テクスチュアル記述子のシーケンスを前記統計学的モデルのパラメータと相関することによって、現在のユーザ群を推定するように構成された相関ユニットを備えている。

前記相関ユニットは、典型的には前記パラメータの組を記憶ユニットから取得するように構成され、前記テクスチュアル記述子のシーケンスおよび前記取得したパラメータの組についてビタビデコーディングをオンザフライで実行することによって、最も可能性が高い現在のユーザ群を推定するようにさらに構成されることができる。

さらに、この機構は、前記現在のユーザ群についてのユーザ嗜好情報を取得し、このユーザ嗜好情報をコンテンツ提供業者へと提供することで、コンテンツ提供業者が提供されたユーザ嗜好情報にもとづいて家庭へともたらされるマルチメディアコンテンツをカスタマイズできるようにするように構成された通信ユニットを備えることができる。

典型的な筋書きにおいては、上述の機構が、マルチメディア配信ネットワークの一部である。

別の態様によれば、初期の学習段階の実行に適した別の機構も提供される。より具体的には、家庭のユーザ群についての統計学的モデルを決定するための機構であって、推定ユニットに相互接続された監視ユニットと、記憶ユニットとを備える機構が提供される。監視ユニットが、長期の時間期間にわたって、同時に家庭へと提供されるマルチメディアシーケンスにそれぞれ関連付けられた複数のテクスチュアル記述子のシーケンスを監視し、監視したシーケンスを第１の記憶ユニットまたはデータベースに保存するように構成されている。推定ユニットが、前記監視したテクスチュアル記述子のシーケンスについて統計的分析を、有限の数Ｎの最も可能性が高いユーザ群と該最も可能性が高いユーザ群の状態遷移に関する確率的パラメータの組とによって定められる統計学的モデルが生成されるように実行するように構成されている一方で、記憶ユニット（４０９）が、前記統計学的モデルを定める前記確率的パラメータを保存するように構成されている。

前記推定ユニットを、前記統計的分析を実行するときに、例えば家庭での考えられるユーザの数、社会経済的情報および／またはユーザの嗜好のうちの１つ以上など、さらなるユーザ特有の情報を考慮するようにさらに構成することもできる。

本発明のさらに考えられる特徴および利益が、以下の詳細な説明から明らかになるであろう。

次に、本発明を、典型的な実施形態によって、添付の図面を参照しつつ、さらに詳しく説明する。

一典型的な実施形態によればどのようにテクスチュアル記述子がユーザ群に関係できるのかを概略的に示している。 一典型的な実施形態に従っていくつかの最も可能性が高いユーザ群についての統計学的モデルをどのように導出できるのかを説明しているフロー図である。 一典型的な実施形態に従って図２に関して説明した方法に従って得られた統計学的モデルをどのように最も可能性が高い現在のユーザ群を推定するために使用できるのかを説明している別のフロー図である。 監視されたテクスチュアル記述子にもとづいて統計学的モデルを決定するための一典型的な実施形態による装置を説明しているブロック図である。 最も可能性が高いユーザ群を推定するための一典型的な実施形態による別の装置を説明しているブロック図である。 一典型的な実施形態による３つのユーザ群および４つの観測が存在する筋書きにおける統計学的モデルを示している。 筋書きを１年の各週および１週間の各日の両方へと分割された２レベルの構造を示すことによって例示する図である。 ＨＳＭＭを典型的に適用することができる筋書きを示す図である。

本発明は、どのようにして家庭のユーザ群について信頼できる推定を得るかという課題に取り組む。さらに、本発明は、推定されたユーザ群にもとづいて家庭へのマルチメディアのより効率的な個人化された選択および配信を可能にするための機構を開示する。そのような個人化されたマルチメディア配信は、種々の家庭への種々のＴＶ番組、広告、および／または他の種類の情報の選択的な配信を含むことができる。

上述の課題を解決するための１つのやり方は、押し付けがましくない技法を確立し、完全に自動化された手順を適用すべく、マルチメディア消費者の群のサイズを、理想的には視聴者集団全体を含むように大きくすることである。実際に、これは、現実には不可能である。

以下から、提案される推定は、具体的には、家庭へと配信されるＴＶ番組に関連付けられる監視されるテクスチュアル記述子にもとづくことができる。しかしながら、提案される方法および装置が、聴覚および／または視覚情報を含む他の種類の配信コンテンツにも適用可能であることを、理解すべきである。

本明細書では、家庭の現在のユーザ群を確実に推定し、すなわち家庭へと配信されているＴＶ番組を現時点において視聴している可能性が最も高い家庭の者または群を推定するための方法を提案する。家庭とは、ＩＰＴＶ、モバイルＴＶ、ケーブルＴＶ、または家庭へのマルチメディアコンテンツの配信に適した任意の他の種類の配信ネットワークへとそれぞれがつながることができる１つ以上のＴＶ受像機を備えているであろう場所を指す。

家庭の現在のユーザ群を推定するために提案される方法は、所定の時間期間において家庭へと配信されたＴＶ番組の種類についての多少なりとも詳細な知らせを与え、所定の時間期間について監視されたときに統計学的モデルをもたらす収集された情報について行われる統計学的分析に依存する。本明細書の全体を通して、この種類の情報を、テクスチュアル記述子と称する。

後にオンザフライで家庭へと配信されるコンテンツに関連付けられた追加のテクスチュアル記述子を監視し、この情報を以前に導出した統計学的モデルとマッチングまたは相関付けすることによって、家庭の最も存在の可能性が高いユーザ群について確実な推定を得ることができる。そのような推定されたユーザ群にもとづいて、関連のユーザの嗜好情報を、テクスチュアル記述子の形態で統計学的モデルから取得し、コンテンツ提供業者へと提供することができ、コンテンツ提供業者が、ユーザの嗜好情報にもとづいて、個人化されたＴＶ番組、広告、あるいは任意の他の種類の個人化された情報およびサービスを家庭へと提供することができる。

提案される方法を、２つの別々の段階へと分割することができ、すなわち学習段階と称される初期の準備またはモデル化段階と、後の推定段階または使用段階とに分割することができる。

初期段階によれば、家庭の種々の潜在ユーザ群のユーザ挙動についてのいくつかの統計学的モデルが、長期基準で家庭へと配信されたＴＶ番組に関連付けられたテクスチュアル記述子のシーケンスについて統計学的分析を実行することによって導出される。最後に、特定の数のユーザについても最も可能性の高い統計学的モデルおよびこの数のユーザによって形成できる考えられるユーザ群が、選択されて保存される。

ひとたび初期段階が成功裏に完了すると、選択された統計学的モデルを、第２の使用段階において、最も可能性が高いユーザ群を推定するために使用することができる。

次に、２人の潜在的なユーザまたは視聴者を有する家庭における配信ＴＶ番組の消費の典型的な概要を、図１を参照して説明する。図１において、ＴＶ視聴パターン１００が、月曜日から日曜日までの７日間の期間について、ＴＶ番組が家庭の任意の視聴者によって視聴されている各々の場合を示している。図において、例えば時間期間１０１などの各々の活動期間が、四角形で示されている。時間分布ベクトル（ＴＤＶ）と称することもできるＴＶ視聴パターン１００の各々の四角形が、何らかのＴＶ番組が家庭において消費されており、家庭へとＴＶ番組セグメントとも称することができる視聴可能なコンテンツを運んでいる１日の時間期間に相当する。

シーケンス１０１、すなわち火曜日の２１：３０から水曜日の０１：４５の間に視聴されているＴＶ番組セグメントのシーケンスをさらに詳しく眺めると、ネットワークオペレータ（ＮＯ）は、通常は、家庭へと供給されるコンテンツが低レベルの特徴、すなわち音声および画像によってエンコードされているため、無用な情報しか認識しない。

しかしながら、従来からのＴＶ番組コンテンツに加えて、ＴＶ番組セグメントは、この文脈において典型的には情報ソースによってＮＯによって認識可能な情報へとエンコードされるテクスチュアル記述子と称される追加の情報を伴うことができる。例えば或る種のメタデータ、副題ストリーム、または手作業で負荷されるＴＶ番組に関係したタグから由来することができるそのような追加の情報を、現在のユーザ群のユーザの嗜好の目安をもたらすキーワードのストリームとして定義することができる。

図１に見て取ることができるとおり、テクスチュアル記述子のストリーム１０２は、「ゴール」および「スコア」、すなわちスポーツに関する表現を含むテクスチュアル記述子１０３のシーケンスを含む一方で、テクスチュアル記述子１０４の別の後続のシーケンスは、「予算」、「失業」、および「コスト」という表現、すなわち経済関連の用語を含んでいる。テクスチュアル記述子は、例えばフットボールの試合または金利などといった種々のコンセプトへと集められた場合によりコヒーレントなユーザの嗜好のコーディングの仕組みを提供することができる低レベル情報の形態を呈している。例えば、スポーツ、経済、環境保護、および技術の話題など、複数の話題を適用することができる。ＮＯの観点からは、家庭へと配信されるＴＶ番組が、テキストのストリーム、すなわち使用される意味および話題に依存して多少なりとも区別の目安となりうるテクスチュアル記述子として見られる。

使用されるテクスチュアル記述子に依存して、単に家庭へと配信されるＴＶ番組に関連付けられたテクスチュアル記述子を監視することによって、多少なりとも詳細なユーザプロファイルまたはユーザの嗜好を得ることができる。テクスチュアル記述子の異なる組み合わせを異なるユーザ群または視聴者群に関連付けることができる場合、最も可能性の高いユーザ群、すなわち特定の時刻においてＴＶを視聴しているユーザまたは視聴者の最も可能性の高い組み合わせを、推定することができる。典型的には時々変化する考えられるユーザ群ｖ１、ｖ２、およびｖ３を含む以下では家庭のユーザ群シーケンスと称されるそのようなユーザ群のシーケンスが、シーケンス１０５によって示されている。

テクスチュアル記述子１０３、１０４の種々のシーケンスを、観察されるシーケンスと称することができ、すなわち適切な監視設備を使用することによって認識することができる情報のシーケンスと称することができる一方で、上述のユーザ群シーケンス１０５を、その代り隠れシーケンスのストリームと称することができ、すなわち関連のＴＶ番組が家庭へと配信されているときにテクスチュアル記述子を監視しているＮＯから隠され、最初はＮＯにとって完全に未知であるユーザ群のストリームと称することができる。本明細書の目的は、そのような隠れシーケンスをＮＯにとって可視にする一連の工程を説明することにある。可視にされた場合、そのような隠れシーケンスのストリームを、任意の時点において現在のユーザ群を推定できるように分析および処理することができる。

代表的なユーザ群を高い精度で推定できる場合、そのような情報を、関連のユーザの嗜好を得るために使用することができ、それにもとづいてＴＶ番組および／または広告を家庭へと選択的に配信することができる。これにより、推定されたユーザ群の視聴者の個人プロファイルによりよく一致するコンテンツを、監視対象の家庭へと提供することができる。

この例では、種々のユーザ群ｖ１、ｖ２、およびｖ３が、２名の者ＡおよびＢを含む家庭を表わすことができ、ｖ１が視聴者Ａだけを表わし、ｖ２が視聴者Ｂだけを表わし、ｖ３が視聴者Ａおよび視聴者Ｂの両方を含むユーザ群を表わす。

次に、個人化されたサービスの配信に使用する基本データを得るための種々の段階を、図２および３をそれぞれ参照してさらに詳しく説明する。

図２は、長期基準で監視され、すなわち典型的には数日間、数週間、または数ヵ月間の期間で満了する所定の時間期間にわたって監視されたテクスチュアル記述子のストリームにもとづいて有限数のユーザ群を推定するための第１の段階による方法を示している。ステップ２００〜２０３によれば、テクスチュアル記述子のストリームが、所定の時間期間の間家庭について監視および保存される。

ひとたび代表量の情報、すなわち多数のテクスチュアル記述子のシーケンスが、収集および保存されると、この情報を、種々のユーザ群についてユーザ挙動の推定パターンをモデル化するために処理することができる。したがって、ステップ２０４において、保存されたテクスチュアル記述子が取得され、続くステップ２０５において、取得されたテクスチュアル記述子について統計的分析が実行される。統計的分析は、例えば動的ベイジアンネットワーク（ＤＢＮ）であってもよい統計学的モデルの導出または学習を含む。そのような推定に使用することができる別のＤＢＮは、隠れマルコフモデル（ＨＭＭ）、多重解像度隠れマルコフモデル（ＭＨＭＭ）、または隠れセミマルコフモデル（ＨＳＭＭ）であってもよい。学習された統計学的モデルの結果は、いくつかの別々のユーザ群のユーザ挙動に対応するいくつかのパラメータであろう。

最後のステップ２０６において、統計学的モデル、すなわち推定されたいくつかのユーザ群の最も可能性の高いユーザ挙動をモデル化するパラメータが、例えばマルチメディアサービスの個人化の目的のための後の読み出しのために保存される。

図３が、家庭について最も可能性が高いユーザ群を推定するための第１の段階において得られた統計学的モデルを、第２の段階として参照した内容を実行することによって使用し、すなわち第１の段階において前もって導出および学習された統計学的モデルをオンザフライで監視されるユーザ群のシーケンスに相関付けることによって使用する方法を示している。

現在のユーザ群を推定するための典型的な筋書きにおいては、そのような推定が、現時点において家庭へと提供されているテクスチュアル記述子にもとづくべきである。なぜならば、ユーザ群が、典型的にはかなり短期基準で変化し、したがって推定をオンザフライで実行すべきであるからである。

第１のステップ３００において、典型的には図２のステップ２０６に記載のように前もって学習および保存した統計学的モデルが、記憶手段から取得される。次いで、家庭へと配信されるコンテンツのストリームとともに供給されるテクスチュアル記述子のストリームが、次のステップ３０１に示されるとおりに監視され、続くステップ３０２において、最も可能性の高いユーザ群が、家庭について推定される。提案される推定機構によれば、そのような推定が、ステップ３０１において監視されるテクスチュアル記述子のストリームを統計学的モデルとマッチングするまたは相関することによって達成される。

典型的な筋書きにおいて、１人以上の視聴者が、スポーツ関連のＴＶ番組を視聴している可能性がある。ユーザ群ｖ１が現時点においてＴＶを視聴していることが推定によって導出された後で、ｖ１に関連付けられたテクスチュアル記述子が、自然および環境関連の番組における特定の興味を示すことができる。コマーシャルの時間に自動車の広告を示すための自動車メーカによるキャンペーンを有している広告代理店が、ユーザ群ｖ１の家庭へとハイブリッド型の自動車の広告を配信するように選択することによって、広告の配信を個人化することができる。このような区分けは、広告の選択的な配信の際に有用なだけでなく、例えばＴＶ番組について複数の選択肢となるバージョンが異なる家庭への選択的配信に使用することができる場合にも、きわめて有用となりうる。

一実施形態によれば、統計学的モデル化が、隠れマルコフモデル（ＨＭＭ）にもとづくことができる。ＨＭＭの文脈において、ユーザ群が、未観測（ｕｎｓｅｅｎ）または隠れ状態に相当する。

ＨＭＭは、一連の観測ｏ_１、ｏ_２、・・・、ｏ_Ｍを有し、ここでＭは、観測の総数である。これらの観測を、検討対象の問題についてのアルファベットまたは符号表と見ることができ、今回の文脈においては、各々の観測が、上述のとおりのテクスチュアル記述子のシーケンスに相当する。この一連の観測だけから、最終的にＮ個の隠れ状態またはユーザ群ｖ_１、ｖ_２、・・・、ｖ_Ｎを有する統計学的モデルを推定することが可能である。最初にＮＯは、例えばシーケンス１０２などのテクスチュアル記述子のシーケンスの知識だけしか有していないが、統計学的モデルを処理した後で、最も可能性の高いユーザ群が推定されているであろう。

図６が、ＨＭＭについて実行された統計的分析の結果である統計学的モデルを大まかに示している。家庭６００を、Ｎ個の隠れ状態に関連付けることができる。この例では、家庭６００に２名の視聴者が存在すると仮定され、３つの隠れ状態（すなわち、各々の視聴者に１つずつ、および両方の視聴者について１つ）をそれぞれｖ_１、ｖ_２、およびｖ_３によって定めることができる。ＨＭＭを適用するとき、家庭の視聴者がＴＶの前での位置を変化させ、固定の時間間隔で異なるＴＶ番組を選択すると仮定される。視聴者が、１つの時間間隔よりも長くＴＶの前に滞在する可能性がある。

最初に、推定される各々のユーザ群の間に未知の遷移確率が存在し、例えばｖ_１とｖ_２との間の遷移確率が、図においてａ_１２として特定されている一方で、ｖ_２とｖ_１との間の遷移確率が、図６においてａ_２１として示されている。したがって、ユーザ群ｖ_１を維持するための遷移確率は、ａ_１１として示される。例えば、ユーザ群ｖ_１がＴＶを視聴している場合、ｖ_１がｖ_２によって置き換えられる可能性がａ_１２である一方で、ｖ_１がＴＶの前にとどまり、ｖ_２がｖ_１に加わる可能性は、ｖ_３が両方の視聴者を含むユーザ群を表わしているため、ａ_１３である。

この例によれば、各々のユーザ群が、４つの観測またはテクスチュアル記述子ｏ_１、ｏ_２、ｏ_３、またはｏ_４のシーケンスのうちの１つを選択することができる。この例は、４つの異なる観測に言及しているが、観測の数が、ＮＯがシステムへの投入のために選択する抽象化（ａｂｓｔｒａｃｔｉｏｎ）のレベルに応じてさまざまであってもよいことを、理解すべきである。したがって、１つの観測が、１つ以上のテクスチュアル記述子に対応することができる。さらには、やはり最初は未知である確率ｂ_ｉｋ（ｉは、１〜４に等しい）が、それぞれのユーザ群ｖ_１、ｖ_２、ｖ_３、ｖ_４が特定の観測を選択するそれぞれの可能性を表わす（ｋは、１〜４に等しい）。

時間が経つにつれ、視聴者がＴＶの前の位置を入れ替え、すなわち異なるユーザ群の間の遷移が生じ、異なるユーザがそれぞれの個人的嗜好に従って異なる番組を選択する。これが、テクスチュアル記述子によって表わされる異なる観測ｏ_１、ｏ_２、ｏ_３、ｏ_４を生成する機構である。

最も可能性の高い統計学的モデル（すなわち、Ｎ）および選択された統計学的モデルに関する未知の確率（すなわち、ａ_ｉｊおよびｂ_ｉｋ）を推定する課題が、ＨＭＭにおいて明確にされ、バウム−ウェルチ（Ｂａｕｍ−Ｗｅｌｓｈ）アルゴリズムおよびこのアルゴリズムの変種など、ＨＭＭの種々の変種における使用に適した多数のアルゴリズムが存在することが、一般的に知られている。

第１のステップへと向かう作業において、或る時間期間にわたって収集されたテクスチュアル記述子が、ＨＭＭモデルの学習に使用され、例えば１、２、３などといったＮについて考えられる種々の値が選択され、各々のＮについて、パラメータａ_ｉｊおよびｂ_ｉｋのそれぞれの組が推定される。そのような学習の手順を、例えばバウム−ウェルチアルゴリズムを使用することによって達成することができる。最後に、ＨＭＭモデル、すなわち観測に最もよくフィットするＮ、ａ_ｉｊ、およびｂ_ｉｋ、あるいは学習誤差が最小であるモデルが、選択される。

第２のステップにおいて、選択された統計学的モデル、すなわち選択されたパラメータが、最も存在する可能性が高いユーザ群ｖ_ｉを推定するために使用される。

第２の段階において、テクスチュアル記述子の新たなストリームが監視され、学習済みのＨＭＭモデルと相関させられ、現時点において最も可能性が高いユーザ群が推定される。この段階を、ＨＭＭ理論におけるいわゆる「第２規範問題（ｓｅｃｏｎｄ ｃａｎｏｎｉｃａｌ ｐｒｏｂｌｅｍ）」と称することもでき、例えば周知のビタビ（Ｖｉｔｅｒｂｉ）アルゴリズムを使用することによって解くことができる。

第１の段階が、オフラインで実行され、１年のうちの無作為な期間において繰り返すことができる一方で、第２の段階は、オンザフライで実行され、すなわちＴＶ番組が消費されているときに実行される。学習段階とも称することができる第１の段階が、システムが視聴者の嗜好を知ることを保証する一方で、第２の段階の目的は、所与の時間期間においてどのユーザ群がＴＶ受像機を使用しているかを推定することにある。

上述の筋書きは、視聴者が固定の嗜好を呈し、すなわち時間が経ってもユーザの挙動が不変であることを仮定している。より現実的な代案は、ユーザの挙動に或る程度の周期性を仮定することである。これは、１週間、１月、および１年のうちの異なる日において、視聴者が異なる嗜好を呈し、種々の視聴者がいつＴＶを視聴するか、および何を視聴するかが左右されることを意味する。そのような場合、ＨＭＭの分析を、複数のレベルまたは多重解像度に拡張する必要がある。そのような状況には、多重解像度隠れマルコフモデル（ＭＨＭＭ）を代わりに使用することによって対応できる。

図７が、そのような筋書きを１年の各週および１週間の各日の両方へと分割された２レベルの構造を示すことによって例示する図である。もっとありそうな筋書きは、異なる週において、ＴＶ視聴のパターンがいくつかの状況に従って変化するというものである。したがって、例えば週１４（ｗ１４）７００などの各週が、時間分布ベクトル（ＴＤＶ）とも称することができる異なる視聴時間の分布７０１を呈し、例えばシーケンス７０２などのユーザ群の各々のシーケンスが、ユーザ群のシーケンス７０３によって表わされる。

ＴＤＶが、個別の各々の週についてシステムが家庭について監視するテクスチュアル記述子または観測の実際のシーケンスである。

無限の数のＴＤＶを分析しなければならないという次元の問題に対処するために、ベクトル量子化（ＶＱ）を使用することができる。ＶＱによれば、潜在的に無限の数のＴＤＶが、限られた数の観測へと集団化される。

各々のユーザ群が１つの観測を発するという仮定を行う代わりに、各々ユーザ群が、さまざまな数の観測／テクスチュアル記述子のシーケンスを発することができると仮定することができる。

その理由で、さらに別の代案のモデルが、セミマルコフＨＭＭ（ＨＳＭＭ）の形態で生じる。この代案の手法は、先の手法と同じ出発点を有し、すなわち何人かの視聴者が異なるＴＶ番組を選択するという出発点を有する。

図８が、ＨＳＭＭを典型的に適用することができる筋書きを示しており、考えられるユーザ群８００（この場合には、ｖ_１、ｖ_２、およびｖ_３）の各々のユーザ群が、新たなユーザ群によって置き換えられる前に観測／テクスチュアル記述子のシーケンスの一連の選択８０１を行うことができるように、ユーザの挙動を説明することができる。ユーザ群が割り出されたとき、ユーザ群ｖ_１についてはｏ_２によって定められるテクスチュアル記述子に関係するユーザの嗜好の情報が関係する一方で、ユーザ群ｖ_２については観測ｏ_４、ｏ_１、ｏ_２に関係するユーザの嗜好の情報が異なる確率で利用可能であるように、種々の確率を有するユーザの嗜好の情報を特定することができる。典型的な筋書きにおいては、最も高い確率を有する１つ以上の観測が、推定されたユーザ群に関するユーザの嗜好として選択される。この手順は、最も関係があるテクスチュアル記述子が選択されるフィルタ処理プロセスに関し、データマイニング（ｄａｔａ ｍｉｎｉｎｇ）または知識発見（ｋｎｏｗｌｅｄｇｅ ｄｉｓｃｏｖｅｒｙ）とも称することができる。データマイニングそのものをどのように実行するのかは、この技術分野においてすでに一般的に知られており、その理由で、このステップを本明細書においてはこれ以上詳しくは説明しない。

上述のモデルの他のいずれかを使用してユーザの嗜好の情報を導出する手順を、対応するやり方で選択することができる。

次に、家庭へと配信されるＴＶ番組に関連付けられた情報を収集および処理するための典型的な構成を、図４を参照してさらに詳しく説明する。

マルチメディア配信ネットワーク４００において、この文脈においてはコンテンツ提供業者４０６から家庭４０５へと配信される選択されたＴＶ番組のコンテンツに関するテクスチュアル情報（すなわち、マルチメディアシーケンス４０４に関連付けられたテクスチュアル記述子４０３）を監視するように構成された監視ユニット４０２を備える機構４０１が提供される。そのようなテクスチュアル情報として、例えばインターネット・ムービー・データ・ベース（ＩＭＤＢ）からのメタデータや、例えばコンテンツにもとづく分析を使用することによって映画から自動的に抽出することができ、あるいはＴＶ番組コンテンツと並行してテクスチュアル情報を配布している別の供給元から取得される副題情報またはタグを挙げることができる。マルチメディアコンテンツにテクスチュアル情報を提供することは、すでに知られており、任意の従来からの方法に従って行うことができる。したがって、このプロセスについて、本明細書においてこれ以上は説明しない。

この監視手順は、テクスチュアル記述子のストリームの監視を、この情報がユーザ群の推定のために必要であるときはいつでも含み、典型的には、多少なりとも持続的な基準で実行することができる。

監視されたテクスチュアル記述子のストリームが、第１のデータベース４０７に保存され、この蓄積された情報を、後に第１のデータベース４０７から取得して、保存されたコンテンツの統計的分析の実行のための入力データとして使用することができる。この例では、そのような統計的分析のプロセスが、推定ユニット４０８によって実行され、得られた統計学的モデルまたはユーザ群のプロファイルが、推定ユニット４０８に接続された第２の記憶ユニットまたはデータベース４０９に保存される。

テクスチュアル記述子のストリームに加えて、推定ユニット４０８は、第１のデータベースまたは任意の他のデータベース（図示されていない）から入手することができるさらなるデータを、統計的分析のための入力としてさらに使用することができる。そのようなデータとして、例えばそれぞれの家庭において考えられるユーザの数に関する情報を挙げることができ、これは統計学的モデルの学習を簡単にすることができる。さらなるデータとして、社会経済的情報および人口統計学的データも挙げることができる。

第２の段階、すなわち上述の第１の段階において得られたユーザ群にもとづいてユーザ群のシーケンスが推定される段階を適用するとき、図５を参照して以下で説明されるものによる機構を適用することができる。

図５が、上述のものと同じマルチメディア配信ネットワーク４００を示している。この段階においても、家庭４０５が、コンテンツ提供業者４０６からもたらされるマルチメディアサービス（典型的には、ＴＶ番組）を受信している。

第１の段階に関係し、すなわち統計学的モデルの学習段階に関係する上述の機構４０１の構成が、監視時間期間における家庭４０５のユーザ挙動について重要な統計学的モデルを得るために、長期基準でテクスチュアル記述子データを収集するように構成されている一方で、段階２の機構５０１は、オンザフライにて短期基準でテクスチュアル記述子のシーケンスを監視するために使用される。したがって、監視ユニット５１０が、家庭４０５へと配信されるＴＶ番組コンテンツを運んでいる新たなマルチメディアシーケンス５０４に関連付けられた新たなテクスチュアル記述子のストリーム５０３を監視するように構成される。

機構５０１は、あらかじめ設定された統計学的情報、すなわち統計学的モデルを構成するパラメータをデータベース（この場合には、機構４０１の第２のデータベース４０９）から取得し、監視されたテクスチュアル記述子のストリーム５０３を統計学的モデルと相関またはマッチングすることによってユーザ群を推定するように構成された相関ユニット５１１をさらに備えている。

相関／マッチングを、例えばビタビアルゴリズムを使用して得られたデータを処理することによって得ることができる。そのようなマッチングにより、最も可能性が高いユーザ群がもたらされ、これを例えばＴＶコンテンツ提供業者または広告代理店などのコンテンツ提供業者４０６が、家庭４０５へと提供される来るべきサービスを個人化するための基礎として使用することができる。この目的のため、機構５０１は、推定されたユーザ群に関連付けられたユーザ嗜好情報（典型的には、それぞれのユーザ群の嗜好を示す観測のデータベースまたはテクスチュアル記述子のシーケンスとして保存されている）を取得し、コンテンツ提供業者４０６が家庭４０５へと配信されるときコンテンツの個人化を行うことができるよう、この情報のコンテンツ提供業者４０６への提供５１５を行うように構成された通信ユニット５１４をさらに備えている。

上述した第１の段階または学習段階が、長期的な統計学的基準を与えるデータをもたらす一方で、第２の段階が、現在のユーザ挙動および現在のユーザ群の推定をもたらすことを、理解すべきである。したがって、得られるユーザ群のシーケンスは、多少なりともオンザフライに相当する。

推定されたユーザ群を使用するための典型的な筋書きは、広告代理店が、得られたユーザ嗜好情報５１３にもとづいて、家庭４０５のマルチメディア消費者に合わせて広告をカスタマイズできるようにすることであってもよい。他の代案の筋書きにおいては、代わりにコンテンツ提供業者４０６が、得られたユーザ嗜好情報５１３にもとづいて要求されたサービスをカスタマイズすることができる。

機構４０１および５０１は、１つの家庭へと配信されるマルチメディアコンテンツがどのように監視されてコンテンツの個人化に使用されるのかだけを説明しているが、典型的なオペレータネットワークに、多数の家庭へと配信されるマルチメディアコンテンツを監視するように構成された対応する機能が、すべての家庭または一部の家庭からなるグループについて広告または提供サービスの個人化を家庭ごとのやり方で達成できるようにもたらされることを、理解すべきである。

また、図２および３に関して上述した機構が、論理的な意味で提示された機能ユニットの１つの典型的な設定を説明しているにすぎず、当業者であれば、上述の機能を、別々の実体４０１、５０１および単一の一体化された実体の両方として、多数の代案のやり方で実現することを選択できることを、理解すべきである。

本発明を特定の典型的な実施形態を参照して説明したが、この説明は、一般に、本発明の考え方を説明することを目的としているにすぎず、この説明を、添付の特許請求の範囲によって定められる本発明の技術的範囲を限定するものとして解釈してはならない。

ＤＢＮ 動的ベイジアンネットワーク
ＨＭＭ 隠れマルコフモデル
ＩＭＤＢ インターネット・ムービー・データ・ベース
ＭＨＭＭ 多重解像度隠れマルコフモデル
ＨＳＭＭ 隠れセミマルコフモデル
ＴＤＶ 時間分布ベクトル
ＶＱ ベクトル量子化

Claims (17)

1. マルチメディア配信ネットワーク（４００）において家庭（４０５）の現在のユーザ群を推定する方法であって、
   家庭（４０５）へと配信されているマルチメディアシーケンスに関連付けられたテクスチュアル記述子のシーケンス（５０３）を監視するステップ（３００）であって、テクスチュアル記述子のシーケンス（５０３）は、副題情報から決定され、関連付けられたマルチメディアコンテンツのストリームと一緒のストリームで家庭（４０５）に配信されるステップ（３００）と、
   記憶ユニットから、以前に家庭（４０５）へと提供されたテクスチュアル記述子（４０３）に基づく統計学的モデルの確率的パラメータの組を取得するステップ（３０１）と、
   前記テクスチュアル記述子のシーケンス（５０３）を前記統計学的モデルのパラメータと相関させることによって、現在のユーザ群（５１３）を推定するステップ（３０２）と
   を含み、
   前記統計学的モデルが、
   以前に監視（２００）および保存（２０１）されたテクスチュアル記述子の複数のシーケンス（４０３）を取得するステップ（２０３）であって、テクスチュアル記述子の各々のシーケンスは以前に家庭（４０５）へと提供されたマルチメディアシーケンスに関連付けられている、取得するステップと、
   取得したテクスチュアル記述子のシーケンスについて統計的分析を、有限の数Ｎの最も可能性が高いユーザ群と該最も可能性が高いユーザ群の状態遷移に関する確率的パラメータの組とによって定められる（２０４）前記統計学的モデルが生成されるように、実行（２０４）するステップと、
   前記統計学的モデルを定める前記確率的パラメータを保存するステップ（２０５）と
   を実行することによって決定される、
   方法。
2. 前記推定するステップ（３０２）が、
   前記テクスチュアル記述子のストリーム（５０３）および前記パラメータの組についてビタビデコーディングをオンザフライで実行することによってユーザ群を推定するステップ
   を含む請求項１に記載の方法。
3. 前記推定したユーザ群（５１３）について、ユーザ嗜好情報を取得するステップと、
   前記ユーザ嗜好情報をコンテンツ提供業者（４０６）へと提供するステップ（５１５）であって、コンテンツ提供業者が提供されたユーザ嗜好情報にもとづいて家庭（４０５）へと提供されるマルチメディアコンテンツを選択的にカスタマイズできるようにするステップと
   をさらに含む請求項１又は２に記載の方法。
4. 前記カスタマイズされたマルチメディアコンテンツが、ビデオ、オーディオ、ＴＶ番組、および／または広告のうちのいずれかを含む請求項３に記載の方法。
5. 前記統計的分析が、家庭（４０５）において考えられるユーザの数と家庭（４０５）に関する社会経済的情報および／またはユーザの嗜好のうちの少なくとも１つを含むさらなるユーザ特有の情報にさらにもとづく請求項４に記載の方法。
6. 前記実行するステップ（２０４）が、前記取得したテクスチュアル記述子（４０３）のシーケンスについてバウム−ウェルチアルゴリズムを使用することによって実行される請求項４または５に記載の方法。
7. 前記統計学的モデルが、動的ベイジアンネットワークによって生成される請求項１乃至６のいずれか１項に記載の方法。
8. 監視されたテクスチュアル記述子の各々のシーケンスが、観測のシーケンスを表わし、Ｎ個のユーザ群が、隠れ状態のシーケンスを表わす請求項７に記載の方法。
9. 前記動的ベイジアンネットワークが、隠れマルコフモデルである請求項８に記載の方法。
10. 前記動的ベイジアンネットワークが、多重解像度隠れマルコフモデルである請求項８に記載の方法。
11. 前記動的ベイジアンネットワークが、隠れセミマルコフモデルである請求項８に記載の方法。
12. 前記監視するステップ（２００、３０１）が、関連のマルチメディアシーケンスに並行して配信されているメタデータ、副題情報、またはタグ情報からのテクスチュアル記述子のシーケンス（４０３、５０３）を監視するステップを含む請求項１乃至１１のいずれか一項に記載の方法。
13. 前記配信されるマルチメディアシーケンスが、オーディオおよび／またはビデオストリームを含む請求項１乃至１２のいずれか一項に記載の方法。
14. 家庭（４０５）の現在のユーザ群（５１３）を推定するためのマルチメディア配信ネットワーク（４００）の機構（５０１）であって、
    家庭（４０５）へと配信されているマルチメディアシーケンス（５０４）に関連付けられているテクスチュアル記述子のシーケンス（５０３）を監視するように構成された監視ユニット（５１０）であって、テクスチュアル記述子のシーケンス（５０３）は、副題情報から決定され、関連付けられたマルチメディアコンテンツのストリームと一緒のストリームで家庭（４０５）に配信される監視ユニット（５１０）と、
    記憶ユニット（４０９）から、以前に家庭（４０５）へと提供されたテクスチュアル記述子の複数のシーケンスにもとづく統計学的モデルのパラメータの組を取得し、前記テクスチュアル記述子のシーケンス（５０３）を前記統計学的モデルのパラメータと相関させることによって、現在のユーザ群（５１３）を推定するように構成された相関ユニット（５１１）と
    を備え、
    前記統計学的モデルが、
    以前に監視（２００）および保存（２０１）されたテクスチュアル記述子の複数のシーケンス（４０３）であって、以前に家庭（４０５）へと提供されたマルチメディアシーケンスに関連付けられている、テクスチュアル記述子の各々のシーケンスを取得し、
    取得したテクスチュアル記述子のシーケンスについて統計的分析を、有限の数Ｎの最も可能性が高いユーザ群と該最も可能性が高いユーザ群の状態遷移に関する確率的パラメータの組とによって定められる（２０４）前記統計学的モデルが生成されるように、実行（２０４）し、
    前記統計学的モデルを定める前記確率的パラメータを保存することによって決定される、
    マルチメディア配信ネットワーク（４００）の機構（５０１）。
15. 前記相関ユニット（５１１）が、前記テクスチュアル記述子のシーケンス（５０３）および前記取得したパラメータの組についてビタビデコーディングをオンザフライで実行することによって、最も可能性が高い現在のユーザ群（５０３）を推定するようにさらに構成されている請求項１４に記載のマルチメディア配信ネットワーク（４００）の機構（５０１）。
16. 前記現在のユーザ群（５１３）についてのユーザ嗜好情報を取得し、該ユーザ嗜好情報をコンテンツ提供業者（４０６）へと提供することで、コンテンツ提供業者が提供されたユーザ嗜好情報にもとづいて家庭（４０５）へと提供されるマルチメディアコンテンツをカスタマイズできるようにするように構成された通信ユニット（５１４）
    をさらに備える請求項１４または１５に記載のマルチメディア配信ネットワーク（４００）の機構（５０１）。
17. 請求項１４乃至１６のいずれか一項に記載の機構を備えるマルチメディア配信ネットワーク（４００）。

Images