JP5625792B2 - 情報処理装置、潜在特徴量算出方法、及びプログラム - Google Patents
情報処理装置、潜在特徴量算出方法、及びプログラム Download PDFInfo
- Publication number
- JP5625792B2 JP5625792B2 JP2010257241A JP2010257241A JP5625792B2 JP 5625792 B2 JP5625792 B2 JP 5625792B2 JP 2010257241 A JP2010257241 A JP 2010257241A JP 2010257241 A JP2010257241 A JP 2010257241A JP 5625792 B2 JP5625792 B2 JP 5625792B2
- Authority
- JP
- Japan
- Prior art keywords
- expression
- content
- user
- cluster
- calculation unit
- 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
Description
本発明は、情報処理装置、潜在特徴量算出方法、及びプログラムに関する。
近年、広帯域化したネットワークを通じて膨大な量の情報がユーザに提供されるようになってきた。そのため、ユーザの側からすれば、提供される膨大な情報の中から、自身が求める情報を探すのが難しくなってしまった。一方、情報を提供する側からすれば、ユーザに提供したい情報が膨大な情報の中に埋もれてしまい、そうした情報がユーザに閲覧され難くなってしまった。こうした状況を改善するため、膨大な情報の中からユーザが好む情報を的確に抽出し、その情報をユーザに提供するための仕組み作りが進められている。
膨大な情報の中からユーザが好む情報を抽出する仕組みとしては、例えば、協調フィルタリング（例えば、下記の非特許文献１を参照）などの手法が知られている。協調フィルタリングは、あるユーザＡと似た評価傾向を持つユーザＢを検出し、あるコンテンツ群に対してユーザＢが行った評価に基づいて、ユーザＡが好むコンテンツを抽出するといった手法である。例えば、ユーザＢがコンテンツＸに対して好意的な評価を行っている場合、ユーザＡもコンテンツＸを好むものと予想される。この予想に基づくと、ユーザＡが好む情報としてコンテンツＸを抽出することができる。
P.Resnick, N.Iacovou, M.Suchak, P.Bergstrom and J.Riedl., "GroupLens: Open Architecture for Collaborative Filtering ofNetnews.", Conference on Computer Supported Cooperative Work, pp.175-186,1994.
協調フィルタリングの場合、好き／嫌いという１つの評価軸でユーザ間の類似度が判断されている。つまり、ユーザがコンテンツに対して好きという評価を付与した理由までは考慮されない。そのため、好意的な評価を付与した理由が異なっていても、同じコンテンツに対して好意的な評価を付与したユーザ同士は類似していると判断されてしまう。しかし、コンテンツの内容が好きで好意的な評価を付与したユーザと、アーティストが好きで好意的な評価を付与したユーザとは、必ずしも評価傾向が類似しているとは言えない。
例えば、同じ音楽コンテンツＸに対して共に好意的な評価を付与していても、その音楽性が好きなユーザＡと、その演奏者が好きなユーザＢとは、好みが類似しているとは言えない。ユーザＡは、音楽コンテンツＸの音楽性に対して好意的な評価を付与しているのであるから、音楽コンテンツＸと同じ音楽性を有する音楽コンテンツを好むであろう。そのため、ユーザＡが好意的な評価を付与した他の音楽コンテンツＹを抽出すると、抽出された音楽コンテンツＹの演奏者は音楽コンテンツＸと異なる可能性がある。
一方、ユーザＢは、その音楽コンテンツの演奏者に対して好意的な評価を付与しているのであるから、演奏者が同じ音楽コンテンツを好むであろう。そのため、ユーザＢが好意的な評価を付与した他の音楽コンテンツＺを抽出すると、抽出された音楽コンテンツＺの音楽性は音楽コンテンツＸと異なる可能性がある。仮に、ユーザＡとユーザＢとを類似とみなし、ユーザＢが好意的な評価を付与した音楽コンテンツＺをユーザＡに対して推薦した場合、その音楽コンテンツＺは、ユーザＡの好みに合致しない可能性がある。このように、協調フィルタリングを用いてもユーザが好む情報が的確に抽出されないことがある。
そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、ユーザの多様な表出を用いて、ユーザの多面的な評価傾向を考慮したユーザ間、コンテンツ間及び表出間の潜在的関係性を見いだすために利用されるユーザ及び表出の潜在的特徴を抽出することが可能な、新規かつ改良された情報処理装置、潜在特徴量算出方法、及びプログラムを提供することにある。
上記課題を解決するために、本発明のある観点によれば、ユーザクラスタを表す変数ｃをユーザ毎に異なる確率分布に従う確率変数で表現し、コンテンツの内容に関するトピックを表す変数ｙをコンテンツ毎に異なる確率分布に従う確率変数で表現し、表出クラスタを表す変数ｘを前記ユーザクラスタと前記トピックとの組み合わせ毎に異なる確率分布に従う確率変数で表現し、ユーザの表出を表す変数ａを前記表出クラスタ毎に異なる確率分布に従う確率変数で表現した確率モデルに基づき、学習データとして与えられるコンテンツの特徴量と表出との組み合わせを用いて、当該確率モデルに含まれるパラメータを算出するパラメータ算出部と、前記パラメータ算出部により算出されたパラメータを用いて、前記ユーザクラスタへのユーザの帰属度及び前記表出クラスタへの表出の帰属度を算出する帰属度算出部と、を備える、情報処理装置が提供される。
また、上記の情報処理装置は、前記帰属度算出部により算出されたユーザの帰属度をユーザの潜在特徴量とみなしてユーザ間の類似度を算出するユーザ類似度算出部と、前記ユーザ類似度算出部により算出されたユーザ間の類似度に基づいて、類似するユーザを抽出する類似ユーザ抽出部と、をさらに備えていてもよい。
また、上記の情報処理装置は、前記帰属度算出部により算出された表出の帰属度を表出の潜在特徴量とみなして表出間の類似度を算出する表出類似度算出部と、前記表出類似度算出部により算出された表出間の類似度に基づいて、類似する表出を抽出する類似表出抽出部と、をさらに備えていてもよい。
また、前記帰属度算出部は、前記パラメータ算出部により算出されたパラメータを用いて、コンテンツクラスタへのコンテンツの帰属度を算出してもよく、前記情報処理装置は、前記帰属度算出部により算出されたコンテンツの帰属度をコンテンツの潜在特徴量とみなしてコンテンツ間の類似度を算出するコンテンツ類似度算出部と、前記コンテンツ類似度算出部により算出されたコンテンツ間の類似度に基づいて、類似するコンテンツを抽出する類似コンテンツ抽出部と、をさらに備えていてもよい。
また、検索キーとして表出が与えられた場合に、前記類似表出抽出部は、与えられた表出に類似する類似表出を抽出してもよく、前記情報処理装置は、前記与えられた表出又は前記類似表出抽出部により抽出された類似表出が付与されたコンテンツを抽出するコンテンツ抽出部をさらに備えていてもよい。
また、前記帰属度算出部は、前記パラメータ算出部により算出されたパラメータを用いて、コンテンツクラスタへのコンテンツの帰属度を算出してもよく、前記情報処理装置は、前記パラメータ算出部により算出されたパラメータを用いて、前記ユーザクラスタと前記トピックとの間の関連度を算出する関連度算出部と、検索キーとしてユーザと表出との組み合わせが与えられた場合に、前記関連度算出部により算出された前記ユーザクラスタと前記トピックとの間の関連度と、前記帰属度算出部により算出されたユーザの帰属度、表出の帰属度及びコンテンツの帰属度と、に基づき、与えられたユーザと表出との組み合わせに適合するコンテンツを抽出するコンテンツ抽出部と、をさらに備えていてもよい。
また、前記帰属度算出部は、前記パラメータ算出部により算出されたパラメータを用いて、コンテンツクラスタへのコンテンツの帰属度を算出してもよく、前記情報処理装置は、前記パラメータ算出部により算出されたパラメータを用いて、前記ユーザクラスタと前記トピックとの間の関連度を算出する関連度算出部と、検索キーとしてユーザとコンテンツとの組み合わせが与えられた場合に、前記関連度算出部により算出された前記ユーザクラスタと前記トピックとの間の関連度と、前記帰属度算出部により算出されたユーザの帰属度、表出の帰属度及びコンテンツの帰属度と、に基づき、与えられたユーザが与えられたコンテンツに付与する表出を予測する表出予測部と、をさらに備えていてもよい。
また、コンテンツに対する評価以外の表出が与えられた場合に、前記類似表出抽出部は、与えられた表出に類似し、かつ、コンテンツに対する評価を表す表出を抽出するように構成されていてもよい。
また、上記の情報処理装置は、与えられたテキストコンテンツの中からユーザの主観を表す表現を抽出する主観表現抽出部をさらに備えていてもよい。そして、前記主観表現抽出部により主観を表す表現が抽出された場合に、前記類似表出抽出部は、当該主観を表す表現を表出とみなし、当該表出に類似し、かつ、コンテンツに対する評価を表す表出を抽出するように構成されていてもよい。
また、前記パラメータ算出部は、Ｇｉｂｂｓ Ｓａｍｐｌｉｎｇ又は変分ベイズ法を用いて前記確率モデルに含まれるパラメータを算出するように構成されていてもよい。
また、上記課題を解決するために、本発明の別の観点によれば、ユーザクラスタを表す変数ｃをユーザ毎に異なる確率分布に従う確率変数で表現し、コンテンツの内容に関するトピックを表す変数ｙをコンテンツ毎に異なる確率分布に従う確率変数で表現し、ユーザの表出を表す変数ａを前記ユーザクラスタと前記トピックとの組み合わせ毎に異なる確率分布に従う確率変数で表現した確率モデルに基づき、学習データとして与えられるコンテンツの特徴量と表出との組み合わせを用いて、当該確率モデルに含まれるパラメータを算出するパラメータ算出部と、前記パラメータ算出部により算出されたパラメータを用いて、前記ユーザクラスタへのユーザの帰属度及び前記表出クラスタへの表出の帰属度を算出する帰属度算出部と、を備える、情報処理装置が提供される。
また、上記課題を解決するために、本発明の別の観点によれば、ユーザクラスタを表す変数ｃをユーザ毎に異なる確率分布に従う確率変数で表現し、コンテンツの内容に関するトピックを表す変数ｙをコンテンツ毎に異なる確率分布に従う確率変数で表現し、表出クラスタを表す変数ｘを前記ユーザクラスタと前記トピックとの組み合わせ毎に異なる確率分布に従う確率変数で表現し、ユーザの表出を表す変数ａを前記表出クラスタ毎に異なる確率分布に従う確率変数で表現した確率モデルに基づき、学習データとして与えられるコンテンツの特徴量と表出との組み合わせを用いて、当該確率モデルに含まれるパラメータを算出するパラメータ算出ステップと、前記パラメータ算出ステップで算出されたパラメータを用いて、前記ユーザクラスタへのユーザの帰属度及び前記表出クラスタへの表出の帰属度を算出する帰属度算出ステップと、を含む、潜在特徴量算出方法が提供される。
また、上記課題を解決するために、本発明の別の観点によれば、ユーザクラスタを表す変数ｃをユーザ毎に異なる確率分布に従う確率変数で表現し、コンテンツの内容に関するトピックを表す変数ｙをコンテンツ毎に異なる確率分布に従う確率変数で表現し、表出クラスタを表す変数ｘを前記ユーザクラスタと前記トピックとの組み合わせ毎に異なる確率分布に従う確率変数で表現し、ユーザの表出を表す変数ａを前記表出クラスタ毎に異なる確率分布に従う確率変数で表現した確率モデルに基づき、学習データとして与えられるコンテンツの特徴量と表出との組み合わせを用いて、当該確率モデルに含まれるパラメータを算出するパラメータ算出機能と、前記パラメータ算出機能により算出されたパラメータを用いて、前記ユーザクラスタへのユーザの帰属度及び前記表出クラスタへの表出の帰属度を算出する帰属度算出機能と、をコンピュータに実現させるためのプログラムが提供される。
また、上記課題を解決するために、本発明の別の観点によれば、ユーザクラスタを表す変数ｃをユーザ毎に異なる確率分布に従う確率変数で表現し、コンテンツの内容に関するトピックを表す変数ｙをコンテンツ毎に異なる確率分布に従う確率変数で表現し、ユーザの表出を表す変数ａを前記ユーザクラスタと前記トピックとの組み合わせ毎に異なる確率分布に従う確率変数で表現した確率モデルに基づき、学習データとして与えられるコンテンツの特徴量と表出との組み合わせを用いて、当該確率モデルに含まれるパラメータを算出するパラメータ算出ステップと、前記パラメータ算出ステップで算出されたパラメータを用いて、前記ユーザクラスタへのユーザの帰属度及び前記表出クラスタへの表出の帰属度を算出する帰属度算出ステップと、を含む、潜在特徴量計算方法が提供される。
また、上記課題を解決するために、本発明の別の観点によれば、ユーザクラスタを表す変数ｃをユーザ毎に異なる確率分布に従う確率変数で表現し、コンテンツの内容に関するトピックを表す変数ｙをコンテンツ毎に異なる確率分布に従う確率変数で表現し、ユーザの表出を表す変数ａを前記ユーザクラスタと前記トピックとの組み合わせ毎に異なる確率分布に従う確率変数で表現した確率モデルに基づき、学習データとして与えられるコンテンツの特徴量と表出との組み合わせを用いて、当該確率モデルに含まれるパラメータを算出するパラメータ算出機能と、前記パラメータ算出機能により算出されたパラメータを用いて、前記ユーザクラスタへのユーザの帰属度及び前記表出クラスタへの表出の帰属度を算出する帰属度算出機能と、をコンピュータに実現させるためのプログラムが提供される。
また、上記課題を解決するために、本発明の別の観点によれば、上記のプログラムが記録された、コンピュータにより読み取り可能な記録媒体が提供される。
以上説明したように本発明によれば、ユーザの多様な表出を用いて、ユーザの多面的な評価傾向を考慮したユーザ間、コンテンツ間及び表出間の潜在的関係性を見いだすために利用されるユーザ及び表出の潜在的特徴を抽出することが可能になる。
以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
［説明の流れについて］
ここで、以下に記載する本発明の実施形態に関する説明の流れについて簡単に述べる。まず、図１を参照しながら、本実施形態に係る情報提示システムのシステム構成、当該情報提示システムに含まれる端末装置１００及びサーバ装置２００の機能構成について説明する。この中で、図２〜図６を参照しながら、本実施形態に係る潜在特徴の取得方法について説明する。また、図７〜図１５を参照しながら、本実施形態に係る類似ユーザの提示方法、類似コンテンツの提示方法、類似表出の提示方法、表出によるコンテンツの検索方法、及び表出の予測方法について説明する。次いで、図１６〜図１８を参照しながら、本実施形態に適用可能なグラフィカルモデルの変形例について説明する。
ここで、以下に記載する本発明の実施形態に関する説明の流れについて簡単に述べる。まず、図１を参照しながら、本実施形態に係る情報提示システムのシステム構成、当該情報提示システムに含まれる端末装置１００及びサーバ装置２００の機能構成について説明する。この中で、図２〜図６を参照しながら、本実施形態に係る潜在特徴の取得方法について説明する。また、図７〜図１５を参照しながら、本実施形態に係る類似ユーザの提示方法、類似コンテンツの提示方法、類似表出の提示方法、表出によるコンテンツの検索方法、及び表出の予測方法について説明する。次いで、図１６〜図１８を参照しながら、本実施形態に適用可能なグラフィカルモデルの変形例について説明する。
次いで、図１９を参照しながら、本実施形態の一変形例に係る情報提示システムのシステム構成、当該情報提示システムに含まれる端末装置１３０及びサーバ装置２３０の機能構成について説明する。この中で、図２０〜図２５を参照しながら、本変形例に係る評価値の予測方法について説明する。次いで、図２６を参照しながら、本実施形態に係る端末装置１００、１３０及びサーバ装置２００、２３０の機能を実現することが可能なハードウェア構成について説明する。最後に、本実施形態の技術的思想について纏め、当該技術的思想から得られる作用効果について簡単に説明する。
（説明項目）
１：実施形態
１−１：システム構成
１−２：端末装置１００の機能構成
１−３：サーバ装置２００の機能構成
１−３−１：潜在特徴の取得方法
１−３−２：類似ユーザの提示方法
１−３−３：類似コンテンツの提示方法
１−３−４：類似表出の提示方法
１−３−５：表出の予測方法
１−３−６：表出によるコンテンツの検索方法
１−４：グラフィカルモデルの変形例
２：変形例
２−１：システム構成
２−２：端末装置１３０の機能構成
２−３：サーバ装置２３０の機能構成
３：ハードウェア構成
４：まとめ
１：実施形態
１−１：システム構成
１−２：端末装置１００の機能構成
１−３：サーバ装置２００の機能構成
１−３−１：潜在特徴の取得方法
１−３−２：類似ユーザの提示方法
１−３−３：類似コンテンツの提示方法
１−３−４：類似表出の提示方法
１−３−５：表出の予測方法
１−３−６：表出によるコンテンツの検索方法
１−４：グラフィカルモデルの変形例
２：変形例
２−１：システム構成
２−２：端末装置１３０の機能構成
２−３：サーバ装置２３０の機能構成
３：ハードウェア構成
４：まとめ
＜１：実施形態＞
本発明の一実施形態について説明する。本実施形態は、コンテンツに対してユーザが与えた表出とコンテンツの特徴とを用いてコンテンツ、ユーザ、及び表出が潜在的に持つ特徴を定量化する技術に関する。特に、本実施形態は、ユーザ毎に異なる表出の与え方の傾向を考慮してコンテンツの潜在特徴、ユーザの潜在特徴、及び表出の潜在特徴を算出する技術に関する。この技術を適用して得られる潜在特徴を利用することにより、表出を検索キーとするコンテンツの検索、コンテンツに付与される表出の予測、表出の与え方の傾向が似たユーザの発見、表出のクラスタリングなどを実現することが可能になる。
本発明の一実施形態について説明する。本実施形態は、コンテンツに対してユーザが与えた表出とコンテンツの特徴とを用いてコンテンツ、ユーザ、及び表出が潜在的に持つ特徴を定量化する技術に関する。特に、本実施形態は、ユーザ毎に異なる表出の与え方の傾向を考慮してコンテンツの潜在特徴、ユーザの潜在特徴、及び表出の潜在特徴を算出する技術に関する。この技術を適用して得られる潜在特徴を利用することにより、表出を検索キーとするコンテンツの検索、コンテンツに付与される表出の予測、表出の与え方の傾向が似たユーザの発見、表出のクラスタリングなどを実現することが可能になる。
［１−１：システム構成］
まず、図１を参照しながら、本実施形態に係る潜在特徴の算出、類似ユーザの提示、類似コンテンツの提示、類似表出の提示、表出によるコンテンツの検索、及び表出の予測が可能な情報提示システムのシステム構成について説明する。なお、以下の説明において、表出は、離散的なシンボル情報（例えば、単語や記号など）として与えられるものとする。図１に示すように、本実施形態に係る情報提示システムは、端末装置１００及びサーバ装置２００により構成される。
まず、図１を参照しながら、本実施形態に係る潜在特徴の算出、類似ユーザの提示、類似コンテンツの提示、類似表出の提示、表出によるコンテンツの検索、及び表出の予測が可能な情報提示システムのシステム構成について説明する。なお、以下の説明において、表出は、離散的なシンボル情報（例えば、単語や記号など）として与えられるものとする。図１に示すように、本実施形態に係る情報提示システムは、端末装置１００及びサーバ装置２００により構成される。
端末装置１００は、ネットワーク５０を介してサーバ装置２００と接続されている。そのため、端末装置１００に入力された情報をサーバ装置２００に送信したり、サーバ装置２００により提示された情報を端末装置１００で受信したりすることが可能である。なお、図１には１台の端末装置１００しか記載されていないが、ネットワーク５０を介して複数の端末装置１００が接続されていてもよい。また、サーバ装置２００の機能は、複数の情報処理装置を利用して実現されるように構成されていてもよい。
以下、端末装置１００、サーバ装置２００の機能構成について、より詳細に説明する。
［１−２：端末装置１００の機能構成］
まず、端末装置１００の機能構成について説明する。図１に示すように、端末装置１００は、主に、表出入力部１０１と、通信部１０２と、表示部１０３とを有する。
まず、端末装置１００の機能構成について説明する。図１に示すように、端末装置１００は、主に、表出入力部１０１と、通信部１０２と、表示部１０３とを有する。
表出入力部１０１は、ユーザがコンテンツに表出を与えるための入力手段である。表出入力部１０１を介して表出が入力されると、入力された表出は、表出入力部１０１により通信部１０２に入力される。表出入力部１０１により表出が入力されると、通信部１０２は、ネットワーク５０を介して、入力された表出をサーバ装置２００に送信する。また、通信部１０２は、サーバ装置２００から提示された情報を受信する。サーバ装置２００から受信した情報は、表示部１０３を介してユーザに提示される。なお、表示部１０３は、情報を表示するための表示手段である。
このように、端末装置１００は、表出を入力するための入力手段、及び情報を表示するための表示手段として機能する。以上、端末装置１００の機能構成について説明した。
［１−３：サーバ装置２００の機能構成］
次に、サーバ装置２００の機能構成について説明する。以下では、サーバ装置２００の全体構成について説明した後、潜在特徴の取得、類似ユーザの提示、類似コンテンツの提示、類似表出の提示、表出の予測、及び表出によるコンテンツの検索に係る構成要素について順次説明する。
次に、サーバ装置２００の機能構成について説明する。以下では、サーバ装置２００の全体構成について説明した後、潜在特徴の取得、類似ユーザの提示、類似コンテンツの提示、類似表出の提示、表出の予測、及び表出によるコンテンツの検索に係る構成要素について順次説明する。
（全体構成）
まず、サーバ装置２００の全体構成について説明する。図１に示すように、サーバ装置２００は、通信部２０１と、表出保持部２０２と、潜在特徴計算部２０３と、コンテンツ特徴量保持部２０４と、潜在特徴保持部２０５とを有する。さらに、サーバ装置２００は、ユーザ類似度計算部２０６と、コンテンツ類似度計算部２０７と、表出類似度計算部２０８と、関連表出計算部２０９と、関連コンテンツ抽出部２１０と、提示部２１４とを有する。また、関連コンテンツ抽出部２１０は、表出類似度計算部２１１と、関連コンテンツ取得部２１２と、関連コンテンツ計算部２１３とを含む。
まず、サーバ装置２００の全体構成について説明する。図１に示すように、サーバ装置２００は、通信部２０１と、表出保持部２０２と、潜在特徴計算部２０３と、コンテンツ特徴量保持部２０４と、潜在特徴保持部２０５とを有する。さらに、サーバ装置２００は、ユーザ類似度計算部２０６と、コンテンツ類似度計算部２０７と、表出類似度計算部２０８と、関連表出計算部２０９と、関連コンテンツ抽出部２１０と、提示部２１４とを有する。また、関連コンテンツ抽出部２１０は、表出類似度計算部２１１と、関連コンテンツ取得部２１２と、関連コンテンツ計算部２１３とを含む。
なお、表出保持部２０２、コンテンツ特徴量保持部２０４、潜在特徴保持部２０５の機能は、後述するハードウェア構成のうち、ＲＯＭ９０４、ＲＡＭ９０６、記憶部９２０、リムーバブル記憶媒体９２８などの機能により実現される。また、通信部２０１の機能は、後述するハードウェア構成のうち、通信部９２６の機能により実現される。さらに、潜在特徴計算部２０３、ユーザ類似度計算部２０６、コンテンツ類似度計算部２０７、表出類似度計算部２０８、関連表出計算部２０９、関連コンテンツ抽出部２１０の機能は、後述するハードウェア構成のうち、ＣＰＵ９０２などの機能により実現される。
以上、サーバ装置２００の全体構成について説明した。
（１−３−１：潜在特徴の取得方法）
次に、図２〜図６を参照しながら、サーバ装置２００による潜在特徴の取得方法について説明する。なお、この潜在特徴の取得方法に係るサーバ装置２００の主な構成要素は、表出保持部２０２、潜在特徴計算部２０３、コンテンツ特徴量保持部２０４、及び潜在特徴保持部２０５である。以下、潜在特徴の取得に関する処理の流れについて簡単に説明した後、潜在特徴計算部２０３の機能について詳細に説明する。
次に、図２〜図６を参照しながら、サーバ装置２００による潜在特徴の取得方法について説明する。なお、この潜在特徴の取得方法に係るサーバ装置２００の主な構成要素は、表出保持部２０２、潜在特徴計算部２０３、コンテンツ特徴量保持部２０４、及び潜在特徴保持部２０５である。以下、潜在特徴の取得に関する処理の流れについて簡単に説明した後、潜在特徴計算部２０３の機能について詳細に説明する。
（潜在特徴の取得に関する処理の流れ）
図２を参照しながら、潜在特徴の取得に関する処理の流れについて説明する。図２に示すように、まず、ユーザにより端末装置１００の表出入力部１０１に表出が入力される（Ｓ１０１）。例えば、表出として、キーワード（タグ）や、ユーザの記述した文章に出現する主観性を表すような単語／文節、○／×、アイコンなどが入力される。なお、表出は、コンテンツに対して与えられる。
図２を参照しながら、潜在特徴の取得に関する処理の流れについて説明する。図２に示すように、まず、ユーザにより端末装置１００の表出入力部１０１に表出が入力される（Ｓ１０１）。例えば、表出として、キーワード（タグ）や、ユーザの記述した文章に出現する主観性を表すような単語／文節、○／×、アイコンなどが入力される。なお、表出は、コンテンツに対して与えられる。
このようにして表出が入力されると、入力された表出は、ネットワーク５０を介して端末装置１００からサーバ装置２００へと送信される。サーバ装置２００に送信された表出は、通信部２０１により受信され、表出保持部２０２に保存される（Ｓ１０２）。このとき、通信部２０１は、ユーザの識別情報、表出の識別情報、及び表出が与えられたコンテンツの識別情報を表出保持部２０２に保存する。例えば、表出保持部２０２には、図３に示すように、コンテンツの識別情報、そのコンテンツに表出を与えたユーザの識別情報、及びそのコンテンツに与えられた表出の識別情報が対応付けて保存される。
また、表出保持部２０２に所定量の表出が蓄積されるまで、ステップＳ１０１、Ｓ１０２の処理は繰り返し実行される。表出保持部２０２に蓄積された表出は、潜在特徴計算部２０３により読み出される。表出を読み出した潜在特徴計算部２０３は、読み出した表出及びコンテンツ特徴量保持部２０４に予め保存されているコンテンツ特徴量を用いてコンテンツの潜在特徴、ユーザの潜在特徴、及び表出の潜在特徴などを計算する（Ｓ１０３）。これらの潜在特徴を算出すると、潜在特徴計算部２０３は、算出した各潜在特徴を潜在特徴保持部２０５に保存する（Ｓ１０４）。潜在特徴が潜在特徴保持部２０５に保存されると、潜在特徴の取得に関する一連の処理が終了する。
以上、潜在特徴の取得に関する処理の流れについて説明した。なお、上記のコンテンツ特徴量は、例えば、コンテンツに関するキーワードやジャンルなどである。但し、コンテンツが画像・動画・音楽などの場合、上記のコンテンツ特徴量は、コンテンツの信号情報である。また、コンテンツがＷｅｂページなどのテキストの場合、上記のコンテンツ特徴量は、コンテンツに含まれる単語などである。
（潜在特徴計算部２０３の機能：潜在特徴の計算方法）
ここで、図４〜図６を参照しながら、潜在特徴計算部２０３による潜在特徴の計算方法について詳細に説明する。潜在特徴計算部２０３により算出される潜在特徴は、クラスタリングの結果として得られるクラスタへの帰属度により表現される。例えば、あるコンテンツの潜在特徴は、各コンテンツクラスタへの帰属度により表現される。なお、クラスタへの帰属度は、確率モデルの分布パラメータである。以下では、本実施形態に係る潜在特徴の計算に用いる確率モデルについて説明した後、当該確率モデルを用いて潜在特徴を導出する方法について詳細に説明する。
ここで、図４〜図６を参照しながら、潜在特徴計算部２０３による潜在特徴の計算方法について詳細に説明する。潜在特徴計算部２０３により算出される潜在特徴は、クラスタリングの結果として得られるクラスタへの帰属度により表現される。例えば、あるコンテンツの潜在特徴は、各コンテンツクラスタへの帰属度により表現される。なお、クラスタへの帰属度は、確率モデルの分布パラメータである。以下では、本実施形態に係る潜在特徴の計算に用いる確率モデルについて説明した後、当該確率モデルを用いて潜在特徴を導出する方法について詳細に説明する。
（確率モデル）
本実施形態に係る潜在特徴の計算に用いる確率モデルは、図４に示すグラフィカルモデルで表現される。この確率モデルは、トピックモデルと呼ばれる確率モデルを拡張したものである。なお、トピックモデルについては、例えば、Blei,D.M., Jordan,M.I., "Modeling Annotated Data",
Proceedings of SIGIR, 2003.などを参照されたい。
本実施形態に係る潜在特徴の計算に用いる確率モデルは、図４に示すグラフィカルモデルで表現される。この確率モデルは、トピックモデルと呼ばれる確率モデルを拡張したものである。なお、トピックモデルについては、例えば、Blei,D.M., Jordan,M.I., "Modeling Annotated Data",
Proceedings of SIGIR, 2003.などを参照されたい。
図４に示したグラフィカルモデルの中で、細線の円は確率変数を表現し、太線の円は観測変数を表現し、矩形の枠は繰り返し処理を表現している。例えば、図４の変数φに注目すると、変数φは、細線の円で囲まれ、さらに、矩形の枠で囲まれている。また、矩形の枠にはＺと表記され、細線の円にはβから伸びる矢印が接続されている。細線の円は、変数φが確率変数であることを示している。また、βから伸びる矢印は、確率変数φがパラメータβに基づく確率分布に従って生成されることを示している。さらに、矩形の枠は、繰り返し処理により｜Ｚ｜個の確率変数φ（｜Ｚ｜はトピック数）が生成されることを示している。例えば、パラメータβに基づく確率分布に従う｜Ｚ｜個の確率変数φｚ（ｚ＝１，…，｜Ｚ｜）が生成される。なお、他の変数についても同様である。
いま、具体的に、コンテンツが文書であり、コンテンツ特徴量が単語の出現頻度である場合について考えてみることにする。また、文書集合を下記の式（１）で定義されるＤ、表出集合を下記の式（２）で定義されるＡ、文書集合Ｄと表出集合Ａとを決めるトピック集合を下記の式（３）で定義されるＺ、表出クラスタ集合を下記の式（４）で定義されるＸ、ユーザクラスタ集合を下記の式（５）で定義されるＣと表現する。また、確率モデルに含まれるパラメータΦ、Ψ、Θをそれぞれ下記の式（６）〜式（８）で定義する。さらに、表出を生成するためのトピック集合を下記の式（１０）で定義されるＹと表現する。
なお、文書集合Ｗ及び表出集合Ａは観測されるものとする。また、トピック集合Ｙ、Ｚ及び表出クラスタ集合Ｘは、潜在変数である。そして、各確率変数の出現回数に関する表記は図５の通りである。
ここで、図４に示したグラフィカルモデルを構成する各パラメータ及び確率変数が従う確率分布について説明する。
まず、パラメータφｚ（ｚ＝１，…，｜Ｚ｜）は、ディリクレ分布Ｄｉｒ（β）に従う確率変数として表現される。つまり、φｚ〜Ｄｉｒ（β）である。なお、このパラメータφｚは、単語の出現確率を表している。同様に、パラメータρｕ（ｕ＝１，…，｜Ｕ｜）は、ディリクレ分布Ｄｉｒ（κ）に従う確率変数として表現される。つまり、ρｕ〜Ｄｉｒ（κ）である。なお、このパラメータρｕは、ユーザクラスタの出現確率を表している。また、パラメータξｕｚ（ｕ＝１，…，｜Ｕ｜、ｚ＝１，…，｜Ｚ｜）は、ディリクレ分布Ｄｉｒ（γ）に従う確率変数として表現される。つまり、ξｕｚ〜Ｄｉｒ（γ）である。なお、このパラメータξｕｚは、表出クラスタの出現確率を表している。
また、パラメータψｘ（ｘ＝１，…，｜Ｘ｜）は、ディリクレ分布Ｄｉｒ（η）に従う確率変数として表現される。つまり、ψｘ〜Ｄｉｒ（η）である。なお、このパラメータψｘは、表出の出現確率を表している。また、文書ｄに関し、パラメータθは、ディリクレ分布Ｄｉｒ（α）に従う確率変数として表現される。つまり、θ〜Ｄｉｒ（α）である。なお、このパラメータθは、文書トピック比を表している。また、文書ｄ中の単語ｗに関し、トピックｚは、多項分布Ｍｕｌｔ（θ）に従う確率変数として表現される。つまり、ｚ〜Ｍｕｌｔ（θ）である。また、文書ｄ中の単語ｗに関し、単語ｗは、多項分布Ｍｕｌｔ（φｚ）に従う確率変数として表現される。つまり、ｗ〜Ｍｕｌｔ（φｚ）である。
また、文書ｄ、ユーザｕ、表出ａに関し、トピックｙは、多項分布Ｍｕｌｔ（Ｎｄｚ／Ｎｄ）に従う確率変数として表現される。つまり、ｙ〜Ｍｕｌｔ（Ｎｄｚ／Ｎｄ）である。但し、一様分布Ｕｎｉｆ（Ｎｄ）に従う確率変数ｉを導入し、ｉ〜Ｕｎｉｆ（Ｎｄ）、ｙ＝ｚｄｉ（上記の式（３）を参照）としてもよい。つまり、表出クラスタを決めるためのトピックｙは、対象とする文書中の実トピック比に応じて決められる。
また、文書ｄ、ユーザｕ、表出ａに関し、ユーザクラスタｃは、多項分布Ｍｕｌｔ（ρｕ）に従う確率変数として表現される。つまり、ｃ〜Ｍｕｌｔ（ρｕ）である。同様に、文書ｄ、ユーザｕ、表出ａに関し、表出クラスタｘは、多項分布Ｍｕｌｔ（ξｃｙ）に従う確率変数として表現される。つまり、ｘ〜Ｍｕｌｔ（ξｃｙ）である。また、文書ｄ、ユーザｕ、表出ａに関し、表出ａは、多項分布Ｍｕｌｔ（ψｘ）に従う確率変数として表現される。つまり、ａ〜Ｍｕｌｔ（ψｘ）である。このように、グラフィカルモデルを構成するパラメータ、確率変数、及び観測変数は、上記の確率分布を用いて表現される。
このような確率モデルが与えられた場合、文書集合Ｄ、表出集合Ａ、トピック集合Ｚ、Ｙ、ユーザクラスタ集合Ｃ、表出クラスタ集合Ｘの同時分布Ｐ（Ｄ，Ａ，Ｚ，Ｙ，Ｃ，Ｘ｜α，β，γ，κ，η）は、下記の式（１１）のようになる。
また、上記の式（１１）の右辺第１項Ｐ（Ｄ｜Ｚ，β）は、下記の式（１２）のように展開される。但し、この展開の過程でＰ（φｚ｜β）がディリクレ分布であることと、Ｐ（ｗｄｎ｜ｚｄｎ）が多項分布であることを利用している。さらに、この展開の過程で、下記の式（１３）に示すディリクレ分布における正規化項の計算が利用されている。
また、簡単のために下記の式（１４）及び式（１５）の表現を用いると、上記の式（１１）の右辺第１項Ｐ（Ｄ｜Ｚ，β）は、下記の式（１６）のように表現される。
同様に、上記の式（１１）の右辺第２項Ｐ（Ｚ｜α）は、下記の式（１７）のように展開される。さらに、上記の式（１１）の右辺第３項Ｐ（Ａ｜Ｘ，η）は、下記の式（１８）のように展開される。そして、上記の式（１１）の右辺第４項Ｐ（Ｙ｜Ｚ）は、下記の式（１９）のように展開される。
また、上記の式（１１）の右辺第５項Ｐ（Ｘ｜Ｙ，Ｃ，γ）は、下記の式（２０）のように展開される。さらに、上記の式（１１）の右辺第６項Ｐ（Ｃ｜κ）は、下記の式（２１）のように展開される。
以上、本実施形態に係る確率モデルについて説明した。上記の式（１１）〜式（２１）で表現される確率モデルの振る舞いを決めるパラメータは、変分ベイズ法やＧｉｂｂｓ Ｓａｍｐｌｉｎｇなどの手法を用いて計算することができる。つまり、観測変数を学習データとして与え、その学習データに適合するように各パラメータを最適化すればよい。
（Ｇｉｂｂｓ Ｓａｍｐｌｉｎｇによるパラメータの導出）
ここでは、一例として、Ｇｉｂｂｓ Ｓａｍｐｌｉｎｇによるパラメータの導出方法について説明する。まず、Ｇｉｂｂｓ Ｓａｍｐｌｉｎｇによる事後確率の計算方法について述べた後、パラメータの導出方法について説明する。
ここでは、一例として、Ｇｉｂｂｓ Ｓａｍｐｌｉｎｇによるパラメータの導出方法について説明する。まず、Ｇｉｂｂｓ Ｓａｍｐｌｉｎｇによる事後確率の計算方法について述べた後、パラメータの導出方法について説明する。
いま、ｊ＝（ｄ，ｎ）を定義すると、ｊ番目（ｄ番目の文書に含まれるｎ番目の単語に対応）のトピックｚｊがｚとなる確率Ｐ（ｚｊ＝ｚ｜Ｄ，Ａ，Ｚ＼ｊ，Ｙ，Ｘ）は、下記の式（２２）のように展開される。但し、Ｚ＼ｊは、トピック集合Ｚからｊ番目のデータを除外した集合を表す。また、δ（ａ，ｂ）は、ａ＝ｂの場合に１、ａ≠ｂの場合に０となる関数である。なお、この展開の過程で、下記の式（２３）に示す関係を利用し、Ｎｗｚ’＼ｊ＝Ｎｗｚ’＼ｊ＋δ（ｚ’，ｚ）δ（ｗ，ｗｊ）という置き換えを行っている。
上記の式（２２）において分母分子に現れるｚ’やｄ’に関する積ではｚ’＝ｚ、ｄ’＝ｄの項だけが残る。また、上記の式（２２）をΔについて更に展開すると、下記の式（２４）が得られる。同様に、下記の式（２４）においてｗやｚ’に関する積ではｗ＝ｗｊ、ｚ’＝ｚの項だけが残るため、最終的には下記の式（２５）が得られる。但し、下記の式（２５）における展開の過程で、Σｗβ＋Ｎｗｚ＼ｊ＋δ（ｗ，ｗｊ）＝（Σｗβ＋Ｎｗｚ＼ｊ）＋１、Γ（ｎ）＝（ｎ−１）Γ（ｎ−１）などの関係を利用している。
次に、ｉ＝（ｄ，ｕ，ｍ）を定義すると、ｉ番目の表出を生成する際に利用されたトピックｙｉの分布Ｐ（ｙｉ＝ｙ｜Ｄ，Ａ，Ｚ＼ｊ，Ｙ，Ｘ）は、下記の式（２６）のように展開される。同様に、表出クラスタｘｉの分布Ｐ（ｘｉ＝ｘ｜Ｄ，Ａ，Ｚ＼ｊ，Ｙ，Ｘ）は、下記の式（２７）のように展開される。
また、ユーザクラスタｃｉに関連して下記の式（２８）が成り立つことから、ユーザクラスタｃｉの分布Ｐ（ｃｉ＝ｃ｜Ｄ，Ａ，Ｚ＼ｊ，Ｙ，Ｘ）についても、下記の式（２９）のように展開することができる。
以上のようにして、トピックｚｊの事後確率、トピックｙｉの事後確率、表出クラスタｘｉの事後確率、及びユーザクラスタｃｉの事後確率が求められる。Ｇｉｂｂｓ Ｓａｍｐｌｉｎｇにおいては、これらの事後確率を用いて次のような処理（Ｓｔｅｐ．１〜Ｓｔｅｐ．４）を実行し、確率モデルに含まれるパラメータを算出する。
Ｓｔｅｐ．１：
Ｚ、Ｙ、Ｃ、Ｘをランダムに割り当てる。
Ｓｔｅｐ．２：
上記の式（２５）、式（２６）、式（２７）、式（２９）に基づき、１変数ずつ
ｒｅｓａｍｐｌｉｎｇする。このｒｅｓａｍｐｌｉｎｇを所定回繰り返し実行する。
Ｓｔｅｐ．３：
次の処理Ａ、Ｂを所定回繰り返し実行する。
（処理Ａ）ｒｅｓａｍｐｌｉｎｇを所定回繰り返し実行する。
（処理Ｂ）（処理Ａ）で得られた統計量を用いて、下記の式（３０）〜式（３２）
で定義されるパラメータθｄｚ、ρｕｃ、ψｘａを計算する。
Ｓｔｅｐ．４：
Ｓｔｅｐ．３の繰り返し処理の中で得られたパラメータを平均し、その平均値を
最終的なパラメータとする。
Ｚ、Ｙ、Ｃ、Ｘをランダムに割り当てる。
Ｓｔｅｐ．２：
上記の式（２５）、式（２６）、式（２７）、式（２９）に基づき、１変数ずつ
ｒｅｓａｍｐｌｉｎｇする。このｒｅｓａｍｐｌｉｎｇを所定回繰り返し実行する。
Ｓｔｅｐ．３：
次の処理Ａ、Ｂを所定回繰り返し実行する。
（処理Ａ）ｒｅｓａｍｐｌｉｎｇを所定回繰り返し実行する。
（処理Ｂ）（処理Ａ）で得られた統計量を用いて、下記の式（３０）〜式（３２）
で定義されるパラメータθｄｚ、ρｕｃ、ψｘａを計算する。
Ｓｔｅｐ．４：
Ｓｔｅｐ．３の繰り返し処理の中で得られたパラメータを平均し、その平均値を
最終的なパラメータとする。
上記の式（３０）で表現されるパラメータθｄｚは、文書の潜在的な特徴を表す文書潜在特徴である。なお、文書潜在特徴は、コンテンツ潜在特徴の一例である。また、上記の式（３１）で表現されるパラメータρｕｃは、ユーザの潜在的な特徴を表すユーザ潜在特徴である。そして、上記の式（３２）で表現されるパラメータψｘａは、表出の潜在的な特徴を表す表出潜在特徴である。なお、上記の式（３３）で表現されるパラメータξｃｙｘも得られる。このパラメータξｃｙｘは、クラスタとトピックとの対応関係を表すトピック・クラスタ対応である。なお、コンテンツ潜在特徴は、コンテンツクラスタに対するコンテンツの帰属度に対応する。また、ユーザ潜在特徴は、ユーザクラスタに対するユーザの帰属度に対応する。さらに、表出潜在特徴は、表出クラスタに対する表出の帰属度に対応する。
以上説明した方法により、潜在特徴計算部２０３は、上記の式（３０）〜式（３３）で表現されるコンテンツ潜在特徴、ユーザ潜在特徴、表出潜在特徴、及びトピック・クラスタ対応を計算する。例えば、潜在特徴計算部２０３により、図７に示すようなコンテンツ潜在特徴が算出される。また、潜在特徴計算部２０３により、図８に示すようなユーザ潜在特徴が算出される。さらに、潜在特徴計算部２０３により、図９に示すような表出潜在特徴が算出される。潜在特徴計算部２０３により計算されたコンテンツ潜在特徴、ユーザ潜在特徴、表出潜在特徴、及びトピック・クラスタ対応は、潜在特徴保持部２０５に保存される。
（１−３−２：類似ユーザの提示方法）
次に、図１０を参照しながら、サーバ装置２００による類似ユーザの提示方法について説明する。本実施形態に係る類似ユーザの提示方法は、ユーザ潜在特徴に基づく類似ユーザの抽出結果を用いて実現される。そのため、この方法を用いると、コンテンツに対する表出の付け方が似たユーザを見つけることができる。なお、この類似ユーザの提示方法に係るサーバ装置２００（図１を参照）の主な構成要素は、潜在特徴保持部２０５、ユーザ類似度計算部２０６、及び提示部２１４である。また、潜在特徴保持部２０５には、図７〜図９に示す潜在特徴が保存されているものとする。
次に、図１０を参照しながら、サーバ装置２００による類似ユーザの提示方法について説明する。本実施形態に係る類似ユーザの提示方法は、ユーザ潜在特徴に基づく類似ユーザの抽出結果を用いて実現される。そのため、この方法を用いると、コンテンツに対する表出の付け方が似たユーザを見つけることができる。なお、この類似ユーザの提示方法に係るサーバ装置２００（図１を参照）の主な構成要素は、潜在特徴保持部２０５、ユーザ類似度計算部２０６、及び提示部２１４である。また、潜在特徴保持部２０５には、図７〜図９に示す潜在特徴が保存されているものとする。
図１０に示すように、まず、ユーザ類似度計算部２０６は、潜在特徴保持部２０５から、現在注目しているユーザｕのユーザ潜在特徴ρｕを取得する（Ｓ１１１）。次いで、ユーザ類似度計算部２０６は、注目しているユーザのユーザ潜在特徴と、他のユーザのユーザ潜在特徴を用いてユーザ同士の類似度を計算する（Ｓ１１２）。例えば、ユーザ類似度計算部２０６は、ユーザ同士の類似度として、ユーザ潜在特徴間のユークリッド距離、コサイン距離などを計算する。また、ユーザ潜在特徴が分布として与えられている場合にはＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ距離を用いることもできる。
図８に示すようなユーザ潜在特徴が得られている場合、ユーザ１に対するユーザ２の類似度をユークリッド距離に基づいて算出すると、０．３５３という値が得られる。同様に、ユーザ１に対するユーザ３の類似度は、０．４２４となる。そして、ユーザ１に対するユーザ４の類似度は、０．２１２となる。このようにしてユーザ類似度計算部２０６により算出されたユーザｕに対する他のユーザの類似度は、提示部２１４に入力される。類似度が入力されると、提示部２１４は、入力された類似度が大きい順に所定数の他のユーザを抽出し、抽出されたユーザを類似ユーザとしてユーザｕに提示する（Ｓ１１３）。このとき、類似ユーザとユーザｕとが同一又は類似の表出を付けているコンテンツをユーザｕに提示してもよい。
以上、本実施形態に係る類似ユーザの提示方法について説明した。
（１−３−３：類似コンテンツの提示方法）
次に、図１１を参照しながら、サーバ装置２００による類似コンテンツの提示方法について説明する。本実施形態に係る類似コンテンツの提示方法は、コンテンツ潜在特徴に基づく類似コンテンツの抽出結果を用いて実現される。そのため、この方法を用いると、コンテンツの内容が似ていて、かつ、表出の付けられ方が似たコンテンツを見つけることができる。なお、この類似コンテンツの提示方法に係るサーバ装置２００（図１を参照）の主な構成要素は、潜在特徴保持部２０５、コンテンツ類似度計算部２０７、及び提示部２１４である。また、潜在特徴保持部２０５には、図７〜図９に示す潜在特徴が保存されているものとする。
次に、図１１を参照しながら、サーバ装置２００による類似コンテンツの提示方法について説明する。本実施形態に係る類似コンテンツの提示方法は、コンテンツ潜在特徴に基づく類似コンテンツの抽出結果を用いて実現される。そのため、この方法を用いると、コンテンツの内容が似ていて、かつ、表出の付けられ方が似たコンテンツを見つけることができる。なお、この類似コンテンツの提示方法に係るサーバ装置２００（図１を参照）の主な構成要素は、潜在特徴保持部２０５、コンテンツ類似度計算部２０７、及び提示部２１４である。また、潜在特徴保持部２０５には、図７〜図９に示す潜在特徴が保存されているものとする。
図１１に示すように、まず、コンテンツ類似度計算部２０７は、潜在特徴保持部２０５から、現在注目しているコンテンツｄのコンテンツ潜在特徴θｄを取得する（Ｓ１２１）。次いで、コンテンツ類似度計算部２０７は、注目しているコンテンツのコンテンツ潜在特徴と、他のコンテンツのコンテンツ潜在特徴を用いてコンテンツ同士の類似度を計算する（Ｓ１２２）。例えば、コンテンツ類似度計算部２０７は、コンテンツ同士の類似度として、コンテンツ潜在特徴間のユークリッド距離、コサイン距離などを計算する。また、コンテンツ潜在特徴が分布として与えられている場合にはＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ距離を用いることもできる。
このようにしてコンテンツ類似度計算部２０７により算出されたコンテンツｄに対する他のコンテンツの類似度は、提示部２１４に入力される。類似度が入力されると、提示部２１４は、入力された類似度が大きい順に所定数の他のコンテンツを抽出し、抽出されたコンテンツを類似コンテンツとしてユーザに提示する（Ｓ１２３）。このとき、コンテンツｄと類似コンテンツとに共通して付けられている表出を一緒に提示してもよい。
以上、本実施形態に係る類似コンテンツの提示方法について説明した。
（１−３−４：類似表出の提示方法）
次に、図１２を参照しながら、サーバ装置２００による類似表出の提示方法について説明する。本実施形態に係る類似表出の提示方法は、表出潜在特徴に基づく類似表出の抽出結果を用いて実現される。そのため、この方法を用いると、表出の揺れを知ることや、表出の入力をアシストすることが可能になる。なお、この類似表出の提示方法に係るサーバ装置２００（図１を参照）の主な構成要素は、潜在特徴保持部２０５、表出類似度計算部２０８、及び提示部２１４である。また、潜在特徴保持部２０５には、図７〜図９に示す潜在特徴が保存されているものとする。
次に、図１２を参照しながら、サーバ装置２００による類似表出の提示方法について説明する。本実施形態に係る類似表出の提示方法は、表出潜在特徴に基づく類似表出の抽出結果を用いて実現される。そのため、この方法を用いると、表出の揺れを知ることや、表出の入力をアシストすることが可能になる。なお、この類似表出の提示方法に係るサーバ装置２００（図１を参照）の主な構成要素は、潜在特徴保持部２０５、表出類似度計算部２０８、及び提示部２１４である。また、潜在特徴保持部２０５には、図７〜図９に示す潜在特徴が保存されているものとする。
図１２に示すように、まず、表出類似度計算部２０８は、潜在特徴保持部２０５から、現在注目している表出ａの表出潜在特徴ψａを取得する（Ｓ１３１）。次いで、表出類似度計算部２０８は、注目している表出の表出潜在特徴と、他の表出の表出潜在特徴を用いて表出同士の類似度を計算する（Ｓ１３２）。例えば、表出類似度計算部２０８は、表出同士の類似度として、表出潜在特徴間のユークリッド距離、コサイン距離などを計算する。また、表出潜在特徴が分布として与えられている場合にはＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ距離を用いることもできる。
このようにして表出類似度計算部２０８により算出された表出ａに対する他の表出の類似度は、提示部２１４に入力される。類似度が入力されると、提示部２１４は、入力された類似度が大きい順に所定数の他の表出を抽出し、抽出された表出を類似表出としてユーザに提示する（Ｓ１３３）。
ここで、注目しているユーザやコンテンツに応じて類似の表出を変える方法について説明する。表出ａ１と表出ａ２との間の類似度は、表出ａ１による表出ａ２の条件付き確率Ｐ（ａ２｜ａ１，ｕ，ｄ）により表現される。また、この確率Ｐ（ａ２｜ａ１，ｕ，ｄ）は、下記の式（３４）のように展開される。但し、Ｐ（ａ１）は一様分布とする。
ユーザやコンテンツに依らない類似表出を算出する場合には、下記の式（３４）に含まれるＰ（ｃ｜ｕ）、Ｐ（ｙ｜ｄ）が一様分布で与えられるものとして、これらの項を無視すればよい。また、Ｐ（ｘ｜ｃ，ｙ）としては、これらの分布に基づくパラメータξを用いればよい。一方、コンテンツに依存させる場合にはＰ（ｙ｜ｄ）としてθｄを用い、ユーザに依存させる場合にはＰ（ｃ｜ｕ）としてρｕを用いればよい。また、コンテンツやユーザに依存させる場合にはＰ（ｘ｜ｃ，ｙ）としてはξを用いればよい。
例えば、θが一様で（０．３３，０．３３，０．３３）と与えられ、ρが図８、ξが図１３のように与えられている場合、ユーザ１にとっての「経済」「政治」のコンテンツに依存しない表出類似度は、下記の式（３５）のように表現される。同様に、「経済」「マクロ経済」の表出類似度は１．０となり、「経済」「税制」の表出類似度は０．７１となる。つまり、この例では、「経済」に対しては「マクロ経済」が最も類似しているという結果が得られる。このような構成にすることで、注目しているユーザやコンテンツに応じて類似の表出を変えることが可能になる。
以上、本実施形態に係る類似コンテンツの提示方法について説明した。
（１−３−５：表出の予測方法）
次に、表出の予測方法について説明する。この方法は、ユーザｕがコンテンツｄに注目している場合に、そのコンテンツｄにユーザｕが付与する確率の高い表出を予測する方法である。この方法を用いると、予測した表出をユーザｕに提示することができるため、表出の入力をアシストしたり、コンテンツの概要を把握させたりすることが可能になる。なお、この検索方法に係るサーバ装置２００（図１を参照）の主な構成要素は、潜在特徴保持部２０５、関連表出計算部２０９、及び提示部２１４である。また、潜在特徴保持部２０５には、図７〜図９に示す潜在特徴が保存されているものとする。
次に、表出の予測方法について説明する。この方法は、ユーザｕがコンテンツｄに注目している場合に、そのコンテンツｄにユーザｕが付与する確率の高い表出を予測する方法である。この方法を用いると、予測した表出をユーザｕに提示することができるため、表出の入力をアシストしたり、コンテンツの概要を把握させたりすることが可能になる。なお、この検索方法に係るサーバ装置２００（図１を参照）の主な構成要素は、潜在特徴保持部２０５、関連表出計算部２０９、及び提示部２１４である。また、潜在特徴保持部２０５には、図７〜図９に示す潜在特徴が保存されているものとする。
ユーザｕがコンテンツｄに注目している場合に表出ａが与えられる確率Ｐ（ａ｜ｕ，ｄ）は、下記の式（３６）のように表現される。そこで、関連表出計算部２０９は、潜在特徴保持部２０５から各潜在特徴を取得し、取得した潜在特徴を用いて確率Ｐ（ａ｜ｕ，ｄ）を計算する。例えば、ユーザ１がコンテンツＣに表出を付与しようとしている場合、潜在特徴が図７〜図９により与えられているとすると、「経済」に関する確率Ｐ（ａ＝経済｜ｕ＝１，ｄ＝Ｃ）は、下記の式（３７）のようになる。同様に、「政治」「マクロ経済」「税制」に関する確率は、下記の式（３８）のようになる。この例では、「政治」「税制」「経済」「マクロ経済」の順に、ユーザ１が付与しそうな表出が得られる。
このようにして関連表出計算部２０９により算出された確率は、提示部２１４に入力される。この確率が入力されると、提示部２１４は、ユーザｕがコンテンツｄに付与する確率の高い表出をユーザｕに提示する。
以上、本実施形態に係る表出の予測方法について説明した。
（１−３−６：表出によるコンテンツの検索方法）
次に、図１４、図１５を参照しながら、表出によるコンテンツの検索方法について説明する。本実施形態に係るコンテンツの検索方法は、表出潜在特徴を用いて実現される。そのため、この方法を用いると、クエリとして入力された表出が付与されていないコンテンツであっても、その表出と類似の表出が付与されているコンテンツであれば検出することができるようになる。なお、この検索方法に係るサーバ装置２００（図１を参照）の主な構成要素は、潜在特徴保持部２０５、関連コンテンツ抽出部２１０、及び提示部２１４である。また、潜在特徴保持部２０５には、図７〜図９に示す潜在特徴が保存されているものとする。
次に、図１４、図１５を参照しながら、表出によるコンテンツの検索方法について説明する。本実施形態に係るコンテンツの検索方法は、表出潜在特徴を用いて実現される。そのため、この方法を用いると、クエリとして入力された表出が付与されていないコンテンツであっても、その表出と類似の表出が付与されているコンテンツであれば検出することができるようになる。なお、この検索方法に係るサーバ装置２００（図１を参照）の主な構成要素は、潜在特徴保持部２０５、関連コンテンツ抽出部２１０、及び提示部２１４である。また、潜在特徴保持部２０５には、図７〜図９に示す潜在特徴が保存されているものとする。
（方法１：表出の拡張）
まず、図１４を参照しながら、コンテンツを検索するためのクエリとなる表出（以下、クエリ表出ａｕ）の類似表出を抽出し、類似表出をクエリ表出と一緒に利用してコンテンツを検索する方法について説明する。
まず、図１４を参照しながら、コンテンツを検索するためのクエリとなる表出（以下、クエリ表出ａｕ）の類似表出を抽出し、類似表出をクエリ表出と一緒に利用してコンテンツを検索する方法について説明する。
図１４に示すように、まず、クエリ表出が関連コンテンツ抽出部２１０に入力される（Ｓ１５１）。クエリ表出が入力されると、関連コンテンツ抽出部２１０のうち、表出類似度計算部２１１が、潜在特徴保持部２０５からクエリ表出の表出潜在特徴を取得する（Ｓ１５２）。次いで、表出類似度計算部２１１は、取得した表出潜在特徴を用いてクエリ表出と類似する類似表出を取得する（Ｓ１５３）。なお、類似表出は、上記１−３−４の中で説明した方法と同じ方法を用いて取得することができる。また、ステップＳ１５３で取得された類似表出とクエリ表出とを含む表出の集合をＡ（ａｕ）と表記する。例えば、ａｕ＝経済で、類似度が上位１個の類似表出を取得した場合、Ａ（ａｕ）＝｛経済、マクロ経済｝となる。
このようにして表出類似度計算部２１１により取得された類似表出は、クエリ表出と共に関連コンテンツ取得部２１２に入力される。つまり、関連コンテンツ取得部２１２には、表出の集合Ａ（ａｕ）が入力される。表出の集合Ａ（ａｕ）が入力されると、関連コンテンツ取得部２１２は、入力された表出の集合Ａ（ａｕ）に含まれる各表出が付与されたコンテンツ（以下、関連コンテンツ）を表出保持部２０２から取得する（Ｓ１５４）。例えば、Ａ（ａｕ）＝｛経済、マクロ経済｝の場合、コンテンツＡとコンテンツＣとが関連コンテンツとして取得される（図３を参照）。このようにして関連コンテンツ取得部２１２により取得された関連コンテンツは、提示部２１４に入力される。関連コンテンツが入力されると、提示部２１４は、入力された関連コンテンツをユーザに提示する（Ｓ１５５）。
以上、クエリ表出の類似表出を抽出し、類似表出をクエリ表出と一緒に利用して関連コンテンツを抽出する方法について説明した。
（方法２：直接取得）
次に、図１５を参照しながら、表出の潜在特徴とコンテンツの潜在特徴との間の関連性を用いてコンテンツを検索する方法について説明する。
次に、図１５を参照しながら、表出の潜在特徴とコンテンツの潜在特徴との間の関連性を用いてコンテンツを検索する方法について説明する。
図１５に示すように、まず、クエリ表出が関連コンテンツ抽出部２１０に入力される（Ｓ１６１）。クエリ表出が入力されると、関連コンテンツ抽出部２１０のうち、関連コンテンツ計算部２１３が、潜在特徴保持部２０５からクエリ表出に関する潜在特徴を取得する（Ｓ１６２）。次いで、関連コンテンツ計算部２１３は、取得した潜在特徴を用いて、クエリ表出に関連する関連コンテンツを抽出する（Ｓ１６３）。
ユーザｕ、表出ａが与えられた場合、コンテンツｄの確率Ｐ（ｄ｜ｕ，ａ）は、下記の式（３９）のようになる。但し、Ｐ（ｄ）は一様分布と仮定した。下記の式（３９）に潜在特徴を代入することにより、確率Ｐ（ｄ｜ｕ，ａ）を得ることができる。例えば、ユーザ１が「経済」で検索する場合の確率Ｐ（ｄ＝Ａ｜ｕ＝１，ａ＝経済）は、下記の式（４０）のようになる。同様に、確率Ｐ（ｄ＝Ｂ｜ｕ＝１，ａ＝経済）、確率Ｐ（ｄ＝Ｃ｜ｕ＝１，ａ＝経済）、確率Ｐ（ｄ＝Ｄ｜ｕ＝１，ａ＝経済）は、下記の式（４１）のようになる。この例では、コンテンツＢがクエリ表出「経済」に最も関連する関連コンテンツということになる。
このようにして関連コンテンツ計算部２１３により抽出された関連コンテンツは、提示部２１４に入力される。関連コンテンツが入力されると、提示部２１４は、入力された関連コンテンツをユーザに提示する（Ｓ１６４）。
以上、表出の潜在特徴とコンテンツの潜在特徴との間の関連性を用いて関連コンテンツを検索する方法について説明した。
＜１−４：グラフィカルモデルの変形例＞
これまで、図４に示したグラフィカルモデルを例に挙げて説明を進めてきた。ここでは、図１６〜図１８を参照しながら、本実施形態に適用可能なグラフィカルモデルの変形例について説明する。但し、図４に示したグラフィカルモデルと実質的に同じ構成を有する要素については説明を省略する。
これまで、図４に示したグラフィカルモデルを例に挙げて説明を進めてきた。ここでは、図１６〜図１８を参照しながら、本実施形態に適用可能なグラフィカルモデルの変形例について説明する。但し、図４に示したグラフィカルモデルと実質的に同じ構成を有する要素については説明を省略する。
（変形例Ａ：表出クラスタなし）
まず、図１６を参照する。図１６のグラフィカルモデルは、表出クラスタｘを介さずに表出ａが決まるように、図４のグラフィカルモデルを変形したものである。特に、図１６のグラフィカルモデルは、表出ａがユーザクラスタｃ及びトピックｙから決めるように構成されている。このような構成にすると、表出の種類（喜怒哀楽のアイコンなど）が少ない場合にも、ユーザやコンテンツの潜在特徴を精度良く導出することが可能になる。
まず、図１６を参照する。図１６のグラフィカルモデルは、表出クラスタｘを介さずに表出ａが決まるように、図４のグラフィカルモデルを変形したものである。特に、図１６のグラフィカルモデルは、表出ａがユーザクラスタｃ及びトピックｙから決めるように構成されている。このような構成にすると、表出の種類（喜怒哀楽のアイコンなど）が少ない場合にも、ユーザやコンテンツの潜在特徴を精度良く導出することが可能になる。
図１６のグラフィカルモデルにおいて、表出の出現確率を表すパラメータψは、各ユーザクラスタｃ及び各トピックｚに関して決まる確率変数ψｃｚで表現される。但し、この確率変数ψｃｚは、ディリクレ分布Ｄｉｒ（η）に従う。さらに、文書ｄ、ユーザｕ、表出ａに関し、トピックｙは、多項分布Ｍｕｌｔ（Ｎｄｚ／Ｎｄ）に従う確率変数として表現される。つまり、ｙ〜Ｍｕｌｔ（Ｎｄｚ／Ｎｄ）である。また、文書ｄ、ユーザｕ、表出ａに関し、ユーザクラスタｃは、多項分布Ｍｕｌｔ（ρｕ）に従う確率変数として表現される。つまり、ｃ〜Ｍｕｌｔ（ρｕ）である。そして、文書ｄ、ユーザｕ、表出ａに関し、表出ａは、多項分布Ｍｕｌｔ（ψｃｙ）に従う確率変数として表現される。つまり、ａ〜Ｍｕｌｔ（ψｃｙ）である。
図１６のグラフィカルモデルを構成するパラメータ、確率変数、及び観測変数は、上記の確率分布を用いて表現される。これまで図４のグラフィカルモデルに基づいて説明してきた潜在特徴の計算方法と同様に、図１６のグラフィカルモデルに基づいて潜在特徴を計算することができる。また、この潜在特徴を利用して類似ユーザの提示、類似コンテンツの提示、類似表出の提示、表出の予測、及び表出によるコンテンツの検索など、様々なアプリケーションを実現させることができる。
（変形例Ｂ：コンテンツ単位でのユーザクラスタ）
次に、図１７を参照する。図１７のグラフィカルモデルは、ユーザクラスタｃが表出集合Ａのプレートに含まれないように、図４のグラフィカルモデルを変形したものである。この場合、ユーザクラスタｃは、文書ｄ、ユーザｕに関して、多項分布Ｍｕｌｔ（ρｕ）に従う確率変数として表現される。つまり、ｃ〜Ｍｕｌｔ（ρｕ）である。また、表出クラスタｘは、文書ｄ、ユーザｕ、表出ａに関して、多項分布Ｍｕｌｔ（ξｃｙ）に従う確率変数として表現される。つまり、ｘ〜Ｍｕｌｔ（ξｃｙ）である。さらに、表出ａは、文書ｄ、ユーザｕ、表出ａに関して、多項分布Ｍｕｌｔ（ψｘ）に従う確率変数として表現される。つまり、ａ〜Ｍｕｌｔ（ψｘ）である。
次に、図１７を参照する。図１７のグラフィカルモデルは、ユーザクラスタｃが表出集合Ａのプレートに含まれないように、図４のグラフィカルモデルを変形したものである。この場合、ユーザクラスタｃは、文書ｄ、ユーザｕに関して、多項分布Ｍｕｌｔ（ρｕ）に従う確率変数として表現される。つまり、ｃ〜Ｍｕｌｔ（ρｕ）である。また、表出クラスタｘは、文書ｄ、ユーザｕ、表出ａに関して、多項分布Ｍｕｌｔ（ξｃｙ）に従う確率変数として表現される。つまり、ｘ〜Ｍｕｌｔ（ξｃｙ）である。さらに、表出ａは、文書ｄ、ユーザｕ、表出ａに関して、多項分布Ｍｕｌｔ（ψｘ）に従う確率変数として表現される。つまり、ａ〜Ｍｕｌｔ（ψｘ）である。
図１７のグラフィカルモデルを構成するパラメータ、確率変数、及び観測変数は、上記の確率分布を用いて表現される。これまで図４のグラフィカルモデルに基づいて説明してきた潜在特徴の計算方法と同様に、図１７のグラフィカルモデルに基づいて潜在特徴を計算することができる。また、この潜在特徴を利用して類似ユーザの提示、類似コンテンツの提示、類似表出の提示、表出の予測、及び表出によるコンテンツの検索など、様々なアプリケーションを実現させることができる。
（変形例Ｃ：表出クラスタなし＋コンテンツ単位でのユーザクラスタ）
次に、図１８を参照する。図１８のグラフィカルモデルは、表出クラスタｘを介さずに表出ａが決まるようにすると共に、ユーザクラスタｃが表出集合Ａのプレートに含まれないように、図４のグラフィカルモデルを変形したものである。変形例Ａと同様に、図１８のグラフィカルモデルは、表出ａがユーザクラスタｃ及びトピックｙから決めるように構成されている。そのため、表出の種類（喜怒哀楽のアイコンなど）が少ない場合にも、ユーザやコンテンツの潜在特徴を精度良く導出することが可能になる。
次に、図１８を参照する。図１８のグラフィカルモデルは、表出クラスタｘを介さずに表出ａが決まるようにすると共に、ユーザクラスタｃが表出集合Ａのプレートに含まれないように、図４のグラフィカルモデルを変形したものである。変形例Ａと同様に、図１８のグラフィカルモデルは、表出ａがユーザクラスタｃ及びトピックｙから決めるように構成されている。そのため、表出の種類（喜怒哀楽のアイコンなど）が少ない場合にも、ユーザやコンテンツの潜在特徴を精度良く導出することが可能になる。
図１８のグラフィカルモデルにおいて、表出の出現確率を表すパラメータψは、各ユーザクラスタｃ及び各トピックｚに関して決まる確率変数ψｃｚで表現される。但し、この確率変数ψｃｚは、ディリクレ分布Ｄｉｒ（η）に従う。さらに、文書ｄ、ユーザｕ、表出ａに関し、トピックｙは、多項分布Ｍｕｌｔ（Ｎｄｚ／Ｎｄ）に従う確率変数として表現される。つまり、ｙ〜Ｍｕｌｔ（Ｎｄｚ／Ｎｄ）である。また、ユーザクラスタｃは、文書ｄ、ユーザｕに関して、多項分布Ｍｕｌｔ（ρｕ）に従う確率変数として表現される。そして、表出に関するトピックｙは、文書ｄ、ユーザｕ、表出ａに関して、多項分布Ｍｕｌｔ（Ｎｄｚ／Ｎｄ）に従う確率変数として表現される。つまり、ｙ〜Ｍｕｌｔ（Ｎｄｚ／Ｎｄ）である。さらに、表出ａは、文書ｄ、ユーザｕ、表出ａに関して、多項分布Ｍｕｌｔ（ψｃｙ）に従う確率変数として表現される。つまり、ａ〜Ｍｕｌｔ（ψｃｙ）である。
図１８のグラフィカルモデルを構成するパラメータ、確率変数、及び観測変数は、上記の確率分布を用いて表現される。これまで図４のグラフィカルモデルに基づいて説明してきた潜在特徴の計算方法と同様に、図１８のグラフィカルモデルに基づいて潜在特徴を計算することができる。また、この潜在特徴を利用して類似ユーザの提示、類似コンテンツの提示、類似表出の提示、表出の予測、及び表出によるコンテンツの検索など、様々なアプリケーションを実現させることができる。
＜２：変形例＞
次に、本実施形態の一変形例について説明する。本変形例は、ユーザの操作履歴をユーザの表出として利用する方法に関する。
次に、本実施形態の一変形例について説明する。本変形例は、ユーザの操作履歴をユーザの表出として利用する方法に関する。
操作としては、例えば、購入行動に関する操作やコンテンツプレーヤの操作などがある。購入行動に関する操作としては、例えば、「カートに入れる」「数量変更」「カートから削除」「購入決定」などの操作がある。また、コンテンツプレーヤの操作としては、例えば、「再生」「停止」「次の曲へ移動」「前の曲へ移動」などの操作がある。このような操作履歴は、コンテンツに対する明示的な評価を表すものではない。そのため、ユーザが入力した操作履歴のことをｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋと呼ぶ場合がある。一方、コンテンツには、「好き」「嫌い」などの明示的な評価が付されることがある。このような評価のことをｅｘｐｌｉｃｉｔ ｆｅｅｄｂａｃｋと呼ぶ場合がある。
［２−１：システム構成］
本変形例に係る情報提示システムのシステム構成を図１９に示した。但し、図１に示した情報提示システムの構成要素と実質的に同じ機能を有する構成要素に対しては同一の符号を付した。図１９に示した情報提示システムは、端末装置１３０及びサーバ装置２３０により構成される。
本変形例に係る情報提示システムのシステム構成を図１９に示した。但し、図１に示した情報提示システムの構成要素と実質的に同じ機能を有する構成要素に対しては同一の符号を付した。図１９に示した情報提示システムは、端末装置１３０及びサーバ装置２３０により構成される。
端末装置１３０は、ネットワーク５０を介してサーバ装置２３０と接続されている。そのため、端末装置１３０に入力された情報をサーバ装置２３０に送信したり、サーバ装置２３０により提示された情報を端末装置１３０で受信したりすることが可能である。なお、図１９には１台の端末装置１３０しか記載されていないが、ネットワーク５０を介して複数の端末装置１３０が接続されていてもよい。また、サーバ装置２３０の機能は、複数の情報処理装置を利用して実現されるように構成されていてもよい。
以下、端末装置１３０、サーバ装置２３０の機能構成について、より詳細に説明する。但し、図１に示した端末装置１００及びサーバ装置２００が有する構成要素の機能と実質的に同一の機能を有する構成要素については詳細な説明を省略する。
［２−２：端末装置１３０の機能構成］
まず、端末装置１３０の機能構成について説明する。図１９に示すように、端末装置１３０は、主に、表出入力部１０１と、通信部１０２と、表示部１０３と、評価値入力部１３１とを有する。図１に示した端末装置１００と端末装置１３０との違いは、評価値入力部１３１の有無にある。評価値入力部１３１は、評価値を入力するための入力手段である。なお、表出入力部１０１と評価値入力部１３１とは同一の入力手段により構成されていてもよい。評価値入力部１３１を介して評価値が入力されると、入力された評価値は、通信部１０２によりサーバ装置２３０に送信される。
まず、端末装置１３０の機能構成について説明する。図１９に示すように、端末装置１３０は、主に、表出入力部１０１と、通信部１０２と、表示部１０３と、評価値入力部１３１とを有する。図１に示した端末装置１００と端末装置１３０との違いは、評価値入力部１３１の有無にある。評価値入力部１３１は、評価値を入力するための入力手段である。なお、表出入力部１０１と評価値入力部１３１とは同一の入力手段により構成されていてもよい。評価値入力部１３１を介して評価値が入力されると、入力された評価値は、通信部１０２によりサーバ装置２３０に送信される。
このように、端末装置１３０は、評価値を入力するための入力手段として機能する。以上、端末装置１３０の機能構成について説明した。
［２−３：サーバ装置２３０の機能構成］
次に、サーバ装置２３０の機能構成について説明する。
次に、サーバ装置２３０の機能構成について説明する。
図１９に示すように、サーバ装置２３０は、通信部２０１と、表出保持部２０２と、潜在特徴計算部２０３と、コンテンツ特徴量保持部２０４と、潜在特徴保持部２０５と、表出類似度計算部２１１と、提示部２１４とを有する。さらに、サーバ装置２３０は、評価値保持部２３１と、評価値・表出変換部２３２と、好き／嫌い集計部２３３と、評価予測部２３４とを有する。
なお、評価値保持部２３１の機能は、後述するハードウェア構成のうち、ＲＯＭ９０４、ＲＡＭ９０６、記憶部９２０、リムーバブル記憶媒体９２８などの機能により実現される。また、評価値・表出変換部２３２、好き／嫌い集計部２３３、評価予測部２３４の機能は、後述するハードウェア構成のうち、ＣＰＵ９０２などの機能により実現される。
以下、図２０を参照しながら、評価値の予測方法に関する処理の流れに沿ってサーバ装置２３０の機能及び動作について説明する。
図２０に示すように、まず、ユーザにより評価値が入力される（Ｓ１７１）。ユーザにより入力された評価値は、端末装置１３０からサーバ装置２３０に送信される。サーバ装置２３０に送信された評価値は、通信部２０１により受信され、評価値保持部２３１に保存される。評価値保持部２３１に保存された評価値は、評価値・表出変換部２３２により読み出されて表出に変換される（Ｓ１７２）。例えば、評価値・表出変換部２３２は、読み出した評価値を「好き」又は「嫌い」という表出に変換する。
例えば、５段階評価の評価値（嫌い：１←→好き：５）が入力された場合、評価値・表出変換部２３２は、評価値｛１，２｝を「嫌い」に変換し、評価値｛４，５｝を「好き」に変換する。なお、ここでは５段階の評価値を２段階の表出に変換する例を挙げたが、５段階の評価値を５段階の表出に変換してもよい。このようにして評価値から変換された表出は、表出保持部２０２に保存される。表出保持部２０２には、例えば、図２１に示すような表出が保存される。
次いで、サーバ装置２３０は、潜在特徴計算部２０３の機能により、メイン処理を実行する（Ｓ１７３）。ステップＳ１７３で実行されるメイン処理は、潜在特徴の計算処理である。但し、表出保持部２０２には評価値・表出変換部２３２により評価値から変換された表出も保存されているため、ここで計算される潜在特徴は、評価値を考慮したものとなる。ステップＳ１７３のメイン処理にて算出された潜在特徴は、潜在特徴計算部２０３により潜在特徴保持部２０５に保存される。潜在特徴保持部２０５に保存された潜在特徴は、表出類似度計算部２１１により読み出される。潜在特徴を読み出すと、表出類似度計算部２１１は、読み出した潜在特徴を用いて表出間の類似度を算出する。
上記の通り、表出保持部２０２には評価値から変換された表出が保存されている。また、図２１に示すように、表出保持部２０２には、表出として操作履歴も保存されている。そのため、表出類似度計算部２１１は、評価値に対応する表出と、操作履歴に対応する表出との間の類似度を算出することができる。つまり、表出類似度計算部２１１は、ｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋとｅｘｐｌｉｃｉｔ ｆｅｅｄｂａｃｋとの相関度合いを算出することができるのである。このようにして表出類似度計算部２１１により算出された表出間の類似度は、好き／嫌い集計部２３３に入力される。
表出間の類似度が入力されると、好き／嫌い集計部２３３は、コンテンツに関してユーザが行ったｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋに基づき、そのコンテンツの好き／嫌いを予測する（Ｓ１７４）。
（予測方法１：ｉｍｐｌｉｃｔ ｆｅｅｄｂａｃｋのみから予測する方法）
例えば、好き／嫌い集計部２３３は、「好き」の確率値、「嫌い」の確率値がそれぞれ所定の閾値を越えているか否かを判定し、所定の閾値を越えているものを採用する。但し、両方の確率値が所定の閾値を越えている場合、好き／嫌い集計部２３３は、確率値の高いものを採用するか、いずれも採用しない。また、ｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋが複数あった場合、好き／嫌い集計部２３３は、次の（Ａ）〜（Ｃ）の方法で「好き」「嫌い」を決める。
例えば、好き／嫌い集計部２３３は、「好き」の確率値、「嫌い」の確率値がそれぞれ所定の閾値を越えているか否かを判定し、所定の閾値を越えているものを採用する。但し、両方の確率値が所定の閾値を越えている場合、好き／嫌い集計部２３３は、確率値の高いものを採用するか、いずれも採用しない。また、ｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋが複数あった場合、好き／嫌い集計部２３３は、次の（Ａ）〜（Ｃ）の方法で「好き」「嫌い」を決める。
（Ａ）一番最後に入力されたｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋで「好き」「嫌い」を決める。（Ｂ）各ｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋで「好き」「嫌い」を決め、最終的に多数決で決める。（Ｃ）「好き」「嫌い」それぞれに対する類似度を全て足し合わせ、最終的に大きい方、かつ（又は）、所定の閾値を越えている方を採用する。
（予測方法２：注目しているコンテンツも考慮して予測する方法）
また、本実施形態の場合、図４のような確率モデルを採用しているため、注目しているコンテンツに依存して「好き」「嫌い」の確率を求めることもできる。例えば、ａ＋を「好き」という表出、ａ’＝｛ａ１，ａ２，…｝をｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋとすると、確率Ｐ（ａ＋｜ｕ，ｄ，ａ’）は、下記の式（４２）のようになる。この確率Ｐ（ａ＋｜ｕ，ｄ，ａ’）を用いると、「好き」「嫌い」の確率が求められるため、確率値の大きい方、かつ（又は）、確率値が所定の閾値を越えた方を採用すればよい。
また、本実施形態の場合、図４のような確率モデルを採用しているため、注目しているコンテンツに依存して「好き」「嫌い」の確率を求めることもできる。例えば、ａ＋を「好き」という表出、ａ’＝｛ａ１，ａ２，…｝をｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋとすると、確率Ｐ（ａ＋｜ｕ，ｄ，ａ’）は、下記の式（４２）のようになる。この確率Ｐ（ａ＋｜ｕ，ｄ，ａ’）を用いると、「好き」「嫌い」の確率が求められるため、確率値の大きい方、かつ（又は）、確率値が所定の閾値を越えた方を採用すればよい。
例えば、ユーザ１がコンテンツＣを再生した場合、潜在特徴が図２２、図２３、図２４のように与えられ、トピック・クラスタ対応が図２５のように与えられている場合、確率Ｐ（ａ＝好き｜ｕ＝１，ｄ＝Ｃ，ａ’＝｛再生｝）は、下記の式（４３）のようになる。一方、確率Ｐ（ａ＝嫌い｜ｕ＝１，ｄ＝Ｃ，ａ’＝｛再生｝）は、下記の式（４４）のようになる。これらの結果から、この例においてユーザ１はコンテンツＣが好きであると予測できる。
再び図２０を参照する。このようにして「好き」「嫌い」が予測できると、好き／嫌い集計部２３３は、ユーザ識別情報、コンテンツ識別情報、ｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋに基づく評価情報を評価値保持部２３１に保存する（Ｓ１７５）。このようにして評価値保持部２３１に評価情報が保存されると、評価予測部２３４は、評価値保持部２３１に保存された評価情報を用いてコンテンツに対する評価値を予測する（Ｓ１７６）。例えば、評価予測部２３４は、協調フィルタリングなど、種々の評価値予測の手法を用いてコンテンツに対する評価値を予測する。
評価予測部２３４により予測された評価値は、提示部２１４に入力される。予測された評価値が入力されると、提示部２１４は、入力された評価値を参照し、評価値の高いコンテンツをユーザに提示する（Ｓ１７７）。
以上、ｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋに基づく評価値の予測方法、及び当該評価値の予測方法に関するサーバ装置２３０の機能について説明した。
（応用例１：主観表現を表出として利用する構成）
１つの応用例として、主観表現を表出として利用する構成について簡単に説明する。ユーザの主観に関わる表現（単語や文節）をテキストから抽出する言語処理技術が知られている。そこで、テキストに出現する主観表現を抽出し、抽出した主観表現を表出として、明示的な評価値とともに処理することにより、上記と同様にして主観表現が好き／嫌いのどちらに近いかを判別することができる。このような構成にする場合、図１９に示したサーバ装置２３０には、テキストから主観表現を抽出する主観表現抽出部が追加される。
１つの応用例として、主観表現を表出として利用する構成について簡単に説明する。ユーザの主観に関わる表現（単語や文節）をテキストから抽出する言語処理技術が知られている。そこで、テキストに出現する主観表現を抽出し、抽出した主観表現を表出として、明示的な評価値とともに処理することにより、上記と同様にして主観表現が好き／嫌いのどちらに近いかを判別することができる。このような構成にする場合、図１９に示したサーバ装置２３０には、テキストから主観表現を抽出する主観表現抽出部が追加される。
（応用例２：状況に応じたコンテンツ推薦・状況の推薦）
ユーザの表出の代わりに、コンテンツを視聴した状況（時間、場所、機構、朝、昼、晩、うるさい、静か、雨、晴れなど）を用いることにより、状況に応じたコンテンツの推薦を行うことが可能になる。このようなコンテンツの推薦を実現するには、次のＳｔｅｐ．１、Ｓｔｅｐ．２を実行すればよい。
ユーザの表出の代わりに、コンテンツを視聴した状況（時間、場所、機構、朝、昼、晩、うるさい、静か、雨、晴れなど）を用いることにより、状況に応じたコンテンツの推薦を行うことが可能になる。このようなコンテンツの推薦を実現するには、次のＳｔｅｐ．１、Ｓｔｅｐ．２を実行すればよい。
Ｓｔｅｐ．１：評価入力・状況保存
ユーザがコンテンツを視聴した際に、その状況と好き／嫌いの表出を保存する。
Ｓｔｅｐ．２：ある状況における「好き」「嫌い」の予測
ユーザがある状況に置かれているとき、その状況の下でどのコンテンツを好むか
を予測する。また、上記のｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋによる評価予測
と同様にして各コンテンツに対する「好き」の確率を求め、最も確率値の大きい
コンテンツを推薦する。
ユーザがコンテンツを視聴した際に、その状況と好き／嫌いの表出を保存する。
Ｓｔｅｐ．２：ある状況における「好き」「嫌い」の予測
ユーザがある状況に置かれているとき、その状況の下でどのコンテンツを好むか
を予測する。また、上記のｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋによる評価予測
と同様にして各コンテンツに対する「好き」の確率を求め、最も確率値の大きい
コンテンツを推薦する。
逆に、ユーザがコンテンツを指定した際に、状況を推薦することもできる。このような状況の推薦を実現するには、次のＳｔｅｐ．１、Ｓｔｅｐ．２を実行すればよい。
Ｓｔｅｐ．１：評価入力・状況保存
ユーザがコンテンツを視聴した際に、その状況と好き／嫌いの表出を保存する。
Ｓｔｅｐ．２：あるコンテンツに対する状況の推薦
ユーザがコンテンツを指定したら、上記のｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋ
による評価予測と同様にして各状況の確率を求め、最も確率値の大きい状況を推
薦する。
ユーザがコンテンツを視聴した際に、その状況と好き／嫌いの表出を保存する。
Ｓｔｅｐ．２：あるコンテンツに対する状況の推薦
ユーザがコンテンツを指定したら、上記のｉｍｐｌｉｃｉｔ ｆｅｅｄｂａｃｋ
による評価予測と同様にして各状況の確率を求め、最も確率値の大きい状況を推
薦する。
上記のような方法を適用することにより、状況に応じたコンテンツの推薦、及び指定されたコンテンツに応じた状況の推薦が可能になる。
（応用例３：複数のカテゴリにまたがるコンテンツについて）
本実施形態の技術を応用すると、映画・ＴＶ・音楽・ゲームなどのように、複数のカテゴリにまたがるコンテンツを対象に、適切な情報の提示を行うことが可能になる。例えば、ユーザの表出（感じ方）によるカテゴリをまたいだ検索などを行うことが可能になる。
本実施形態の技術を応用すると、映画・ＴＶ・音楽・ゲームなどのように、複数のカテゴリにまたがるコンテンツを対象に、適切な情報の提示を行うことが可能になる。例えば、ユーザの表出（感じ方）によるカテゴリをまたいだ検索などを行うことが可能になる。
コンテンツのカテゴリが異なると、キーワードのようなメタデータの意味づけが異なることが多い。例えば、「アクション」映画が好きなユーザが必ずしも「アクション」ゲームも好きとは限らない。そこで、カテゴリ毎にメタデータを別物として扱うことにする。なお、カテゴリ毎にメタデータを別物として扱う場合、コンテンツの特徴量だけを利用する従来のフィルタリング手法では、カテゴリをまたいだコンテンツの類似度計算などはできない。しかし、本実施形態の場合、ユーザの表出を用いて潜在特徴を求めているため、カテゴリをまたいだコンテンツの類似度計算を行うことができる。
ところで、図４に示した確率モデルに含まれるパラメータφは、トピックが与えられたときの各コンテンツ特徴量の出現確率を表す潜在特徴となっている。そのため、この潜在特徴を利用することにより、カテゴリをまたいだキーワードの類似度計算を行うこともできる。
以上、本発明の一実施形態及びその変形例／応用例について説明した。
＜３：ハードウェア構成＞
上記の端末装置１００、１３０及びサーバ装置２００、２３０が有する各構成要素の機能は、例えば、図２６に示す情報処理装置のハードウェア構成を用いて実現することが可能である。つまり、当該各構成要素の機能は、コンピュータプログラムを用いて図２６に示すハードウェアを制御することにより実現される。なお、このハードウェアの形態は任意であり、例えば、パーソナルコンピュータ、携帯電話、ＰＨＳ、ＰＤＡ等の携帯情報端末、ゲーム機、又は種々の情報家電がこれに含まれる。但し、上記のＰＨＳは、Ｐｅｒｓｏｎａｌ Ｈａｎｄｙ−ｐｈｏｎｅ Ｓｙｓｔｅｍの略である。また、上記のＰＤＡは、Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔの略である。
上記の端末装置１００、１３０及びサーバ装置２００、２３０が有する各構成要素の機能は、例えば、図２６に示す情報処理装置のハードウェア構成を用いて実現することが可能である。つまり、当該各構成要素の機能は、コンピュータプログラムを用いて図２６に示すハードウェアを制御することにより実現される。なお、このハードウェアの形態は任意であり、例えば、パーソナルコンピュータ、携帯電話、ＰＨＳ、ＰＤＡ等の携帯情報端末、ゲーム機、又は種々の情報家電がこれに含まれる。但し、上記のＰＨＳは、Ｐｅｒｓｏｎａｌ Ｈａｎｄｙ−ｐｈｏｎｅ Ｓｙｓｔｅｍの略である。また、上記のＰＤＡは、Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔの略である。
図２６に示すように、このハードウェアは、主に、ＣＰＵ９０２と、ＲＯＭ９０４と、ＲＡＭ９０６と、ホストバス９０８と、ブリッジ９１０と、を有する。さらに、このハードウェアは、外部バス９１２と、インターフェース９１４と、入力部９１６と、出力部９１８と、記憶部９２０と、ドライブ９２２と、接続ポート９２４と、通信部９２６と、を有する。但し、上記のＣＰＵは、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔの略である。また、上記のＲＯＭは、Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙの略である。そして、上記のＲＡＭは、Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙの略である。
ＣＰＵ９０２は、例えば、演算処理装置又は制御装置として機能し、ＲＯＭ９０４、ＲＡＭ９０６、記憶部９２０、又はリムーバブル記録媒体９２８に記録された各種プログラムに基づいて各構成要素の動作全般又はその一部を制御する。ＲＯＭ９０４は、ＣＰＵ９０２に読み込まれるプログラムや演算に用いるデータ等を格納する手段である。ＲＡＭ９０６には、例えば、ＣＰＵ９０２に読み込まれるプログラムや、そのプログラムを実行する際に適宜変化する各種パラメータ等が一時的又は永続的に格納される。
これらの構成要素は、例えば、高速なデータ伝送が可能なホストバス９０８を介して相互に接続される。一方、ホストバス９０８は、例えば、ブリッジ９１０を介して比較的データ伝送速度が低速な外部バス９１２に接続される。また、入力部９１６としては、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチ、及びレバー等が用いられる。さらに、入力部９１６としては、赤外線やその他の電波を利用して制御信号を送信することが可能なリモートコントローラ（以下、リモコン）が用いられることもある。
出力部９１８としては、例えば、ＣＲＴ、ＬＣＤ、ＰＤＰ、又はＥＬＤ等のディスプレイ装置、スピーカ、ヘッドホン等のオーディオ出力装置、プリンタ、携帯電話、又はファクシミリ等、取得した情報を利用者に対して視覚的又は聴覚的に通知することが可能な装置である。但し、上記のＣＲＴは、Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅの略である。また、上記のＬＣＤは、Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙの略である。そして、上記のＰＤＰは、Ｐｌａｓｍａ ＤｉｓｐｌａｙＰａｎｅｌの略である。さらに、上記のＥＬＤは、Ｅｌｅｃｔｒｏ−Ｌｕｍｉｎｅｓｃｅｎｃｅ Ｄｉｓｐｌａｙの略である。
記憶部９２０は、各種のデータを格納するための装置である。記憶部９２０としては、例えば、ハードディスクドライブ（ＨＤＤ）等の磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス、又は光磁気記憶デバイス等が用いられる。但し、上記のＨＤＤは、Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅの略である。
ドライブ９２２は、例えば、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリ等のリムーバブル記録媒体９２８に記録された情報を読み出し、又はリムーバブル記録媒体９２８に情報を書き込む装置である。リムーバブル記録媒体９２８は、例えば、ＤＶＤメディア、Ｂｌｕ−ｒａｙメディア、ＨＤ ＤＶＤメディア、各種の半導体記憶メディア等である。もちろん、リムーバブル記録媒体９２８は、例えば、非接触型ＩＣチップを搭載したＩＣカード、又は電子機器等であってもよい。但し、上記のＩＣは、Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔの略である。
接続ポート９２４は、例えば、ＵＳＢポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ、ＲＳ−２３２Ｃポート、又は光オーディオ端子等のような外部接続機器９３０を接続するためのポートである。外部接続機器９３０は、例えば、プリンタ、携帯音楽プレーヤ、デジタルカメラ、デジタルビデオカメラ、又はＩＣレコーダ等である。但し、上記のＵＳＢは、Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓの略である。また、上記のＳＣＳＩは、Ｓｍａｌｌ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍ Ｉｎｔｅｒｆａｃｅの略である。
通信部９２６は、ネットワーク９３２に接続するための通信デバイスであり、例えば、有線又は無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又はＷＵＳＢ用の通信カード、光通信用のルータ、ＡＤＳＬ用のルータ、又は各種通信用のモデム等である。また、通信部９２６に接続されるネットワーク９３２は、有線又は無線により接続されたネットワークにより構成され、例えば、インターネット、家庭内ＬＡＮ、赤外線通信、可視光通信、放送、又は衛星通信等である。但し、上記のＬＡＮは、Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋの略である。また、上記のＷＵＳＢは、Ｗｉｒｅｌｅｓｓ ＵＳＢの略である。そして、上記のＡＤＳＬは、Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅの略である。
＜４：まとめ＞
最後に、本発明の実施形態に係る技術内容について簡単に纏める。ここで述べる技術内容は、例えば、ＰＣ、携帯電話、携帯ゲーム機、携帯情報端末、情報家電、カーナビゲーションシステム等、種々の情報処理装置に対して適用することができる。
最後に、本発明の実施形態に係る技術内容について簡単に纏める。ここで述べる技術内容は、例えば、ＰＣ、携帯電話、携帯ゲーム機、携帯情報端末、情報家電、カーナビゲーションシステム等、種々の情報処理装置に対して適用することができる。
上記の情報処理装置の機能構成は次のように表現することができる。当該情報処理装置は、次のようなパラメータ算出部と、帰属度算出部とにより構成される。当該パラメータ算出部は、ユーザクラスタを表す変数ｃをユーザ毎に異なる確率分布に従う確率変数で表現し、コンテンツの内容に関するトピックを表す変数ｙをコンテンツ毎に異なる確率分布に従う確率変数で表現し、表出クラスタを表す変数ｘを前記ユーザクラスタと前記トピックとの組み合わせ毎に異なる確率分布に従う確率変数で表現し、ユーザの表出を表す変数ａを前記表出クラスタ毎に異なる確率分布に従う確率変数で表現した確率モデルに基づき、学習データとして与えられるコンテンツの特徴量と表出との組み合わせを用いて、当該確率モデルに含まれるパラメータを算出するものである。また、上記の帰属度算出部は、前記パラメータ算出部により算出されたパラメータを用いて、前記ユーザクラスタへのユーザの帰属度及び前記表出クラスタへの表出の帰属度を算出するものである。
上記のユーザの帰属度は、ユーザの潜在的な特徴に対応する。また、表出の帰属度は、表出の潜在的な特徴に対応する。上記のように、表出を導くための表出クラスタをユーザ毎に異なる確率分布に従う変数で表現することにより、ユーザ毎に異なる表出の付け方を考慮したユーザ及び表出の潜在的な特徴を得ることができる。そのため、これらユーザ及び表出の潜在的な特徴を利用することにより、ユーザの多様な表出を用いて、ユーザの多面的な評価傾向を考慮したユーザ間、コンテンツ間及び表出間の潜在的関係性を見いだすことが可能になる。
（備考）
上記の潜在特徴計算部２０３は、パラメータ算出部、帰属度算出部、関連度算出部の一例である。上記のユーザ類似度計算部２０６は、ユーザ類似度算出部、類似ユーザ抽出部の一例である。上記の表出類似度計算部２０８は、表出類似度算出部、類似表出抽出部の一例である。上記のコンテンツ類似度計算部２０７は、コンテンツ類似度算出部、類似コンテンツ抽出部の一例である。上記の関連コンテンツ抽出部２１０は、コンテンツ抽出部の一例である。上記の関連表出計算部２０９は、表出予測部の一例である。上記の評価予測部２３４は、類似表出抽出部の一例である。
上記の潜在特徴計算部２０３は、パラメータ算出部、帰属度算出部、関連度算出部の一例である。上記のユーザ類似度計算部２０６は、ユーザ類似度算出部、類似ユーザ抽出部の一例である。上記の表出類似度計算部２０８は、表出類似度算出部、類似表出抽出部の一例である。上記のコンテンツ類似度計算部２０７は、コンテンツ類似度算出部、類似コンテンツ抽出部の一例である。上記の関連コンテンツ抽出部２１０は、コンテンツ抽出部の一例である。上記の関連表出計算部２０９は、表出予測部の一例である。上記の評価予測部２３４は、類似表出抽出部の一例である。
以上、添付図面を参照しながら本発明の好適な実施形態について説明したが、本発明は係る例に限定されないことは言うまでもない。当業者であれば、特許請求の範囲に記載された範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。
５０ ネットワーク
１００、１３０ 端末装置
１０１ 表出入力部
１０２ 通信部
１０３ 表示部
１３１ 評価値入力部
２００、２３０ サーバ装置
２０１ 通信部
２０２ 表出保持部
２０３ 潜在特徴計算部
２０４ コンテンツ特徴量保持部
２０５ 潜在特徴保持部
２０６ ユーザ類似度計算部
２０７ コンテンツ類似度計算部
２０８、２１１ 表出類似度計算部
２０９ 関連表出計算部
２１０ 関連コンテンツ抽出部
２１２ 関連コンテンツ取得部
２１３ 関連コンテンツ計算部
２１４ 提示部
２３１ 評価値保持部
２３２ 評価値・表出変換部
２３３ 好き／嫌い集計部
２３４ 評価予測部
１００、１３０ 端末装置
１０１ 表出入力部
１０２ 通信部
１０３ 表示部
１３１ 評価値入力部
２００、２３０ サーバ装置
２０１ 通信部
２０２ 表出保持部
２０３ 潜在特徴計算部
２０４ コンテンツ特徴量保持部
２０５ 潜在特徴保持部
２０６ ユーザ類似度計算部
２０７ コンテンツ類似度計算部
２０８、２１１ 表出類似度計算部
２０９ 関連表出計算部
２１０ 関連コンテンツ抽出部
２１２ 関連コンテンツ取得部
２１３ 関連コンテンツ計算部
２１４ 提示部
２３１ 評価値保持部
２３２ 評価値・表出変換部
２３３ 好き／嫌い集計部
２３４ 評価予測部
Claims (15)
- ユーザクラスタを表す変数ｃをユーザ毎に異なる確率分布に従う確率変数で表現し、コンテンツの内容に関するトピックを表す変数ｙをコンテンツ毎に異なる確率分布に従う確率変数で表現し、表出クラスタを表す変数ｘを前記ユーザクラスタと前記トピックとの組み合わせ毎に異なる確率分布に従う確率変数で表現し、ユーザの表出を表す変数ａを前記表出クラスタ毎に異なる確率分布に従う確率変数で表現した確率モデルに基づき、学習データとして与えられるコンテンツの特徴量と表出との組み合わせを用いて、当該確率モデルに含まれるパラメータを算出するパラメータ算出部と、
前記パラメータ算出部により算出されたパラメータを用いて、前記ユーザクラスタへのユーザの帰属度及び前記表出クラスタへの表出の帰属度を算出する帰属度算出部と、
を備える、
情報処理装置。 - 前記帰属度算出部により算出されたユーザの帰属度をユーザの潜在特徴量とみなしてユーザ間の類似度を算出するユーザ類似度算出部と、
前記ユーザ類似度算出部により算出されたユーザ間の類似度に基づいて、類似するユーザを抽出する類似ユーザ抽出部と、
をさらに備える、
請求項１に記載の情報処理装置。 - 前記帰属度算出部により算出された表出の帰属度を表出の潜在特徴量とみなして表出間の類似度を算出する表出類似度算出部と、
前記表出類似度算出部により算出された表出間の類似度に基づいて、類似する表出を抽出する類似表出抽出部と、
をさらに備える、
請求項１に記載の情報処理装置。 - 前記帰属度算出部は、前記パラメータ算出部により算出されたパラメータを用いて、コンテンツクラスタへのコンテンツの帰属度を算出し、
前記情報処理装置は、
前記帰属度算出部により算出されたコンテンツの帰属度をコンテンツの潜在特徴量とみなしてコンテンツ間の類似度を算出するコンテンツ類似度算出部と、
前記コンテンツ類似度算出部により算出されたコンテンツ間の類似度に基づいて、類似するコンテンツを抽出する類似コンテンツ抽出部と、
をさらに備える、
請求項１に記載の情報処理装置。 - 検索キーとして表出が与えられた場合に、前記類似表出抽出部は、与えられた表出に類似する類似表出を抽出し、
前記情報処理装置は、
前記与えられた表出又は前記類似表出抽出部により抽出された類似表出が付与されたコンテンツを抽出するコンテンツ抽出部をさらに備える、
請求項３に記載の情報処理装置。 - 前記帰属度算出部は、前記パラメータ算出部により算出されたパラメータを用いて、コンテンツクラスタへのコンテンツの帰属度を算出し、
前記情報処理装置は、
前記パラメータ算出部により算出されたパラメータを用いて、前記ユーザクラスタと前記トピックとの間の関連度を算出する関連度算出部と、
検索キーとしてユーザと表出との組み合わせが与えられた場合に、前記関連度算出部により算出された前記ユーザクラスタと前記トピックとの間の関連度と、前記帰属度算出部により算出されたユーザの帰属度、表出の帰属度及びコンテンツの帰属度と、に基づき、与えられたユーザと表出との組み合わせに適合するコンテンツを抽出するコンテンツ抽出部と、
をさらに備える、
請求項１に記載の情報処理装置。 - 前記帰属度算出部は、前記パラメータ算出部により算出されたパラメータを用いて、コンテンツクラスタへのコンテンツの帰属度を算出し、
前記情報処理装置は、
前記パラメータ算出部により算出されたパラメータを用いて、前記ユーザクラスタと前記トピックとの間の関連度を算出する関連度算出部と、
検索キーとしてユーザとコンテンツとの組み合わせが与えられた場合に、前記関連度算出部により算出された前記ユーザクラスタと前記トピックとの間の関連度と、前記帰属度算出部により算出されたユーザの帰属度、表出の帰属度及びコンテンツの帰属度と、に基づき、与えられたユーザが与えられたコンテンツに付与する表出を予測する表出予測部と、
をさらに備える、
請求項１に記載の情報処理装置。 - コンテンツに対する評価以外の表出が与えられた場合に、前記類似表出抽出部は、与えられた表出に類似し、かつ、コンテンツに対する評価を表す表出を抽出する、
請求項３に記載の情報処理装置。 - 与えられたテキストコンテンツの中からユーザの主観を表す表現を抽出する主観表現抽出部をさらに備え、
前記主観表現抽出部により主観を表す表現が抽出された場合に、前記類似表出抽出部は、当該主観を表す表現を表出とみなし、当該表出に類似し、かつ、コンテンツに対する評価を表す表出を抽出する、
請求項３に記載の情報処理装置。 - 前記パラメータ算出部は、Ｇｉｂｂｓ Ｓａｍｐｌｉｎｇ又は変分ベイズ法を用いて前記確率モデルに含まれるパラメータを算出する、
請求項１に記載の情報処理装置。 - ユーザクラスタを表す変数ｃをユーザ毎に異なる確率分布に従う確率変数で表現し、コンテンツの内容に関するトピックを表す変数ｙをコンテンツ毎に異なる確率分布に従う確率変数で表現し、ユーザの表出を表す変数ａを前記ユーザクラスタと前記トピックとの組み合わせ毎に異なる確率分布に従う確率変数で表現した確率モデルに基づき、学習データとして与えられるコンテンツの特徴量と表出との組み合わせを用いて、当該確率モデルに含まれるパラメータを算出するパラメータ算出部と、
前記パラメータ算出部により算出されたパラメータを用いて、前記ユーザクラスタへのユーザの帰属度を算出する帰属度算出部と、
を備える、
情報処理装置。 - コンピュータのプロセッサが、ユーザクラスタを表す変数ｃをユーザ毎に異なる確率分布に従う確率変数で表現し、コンテンツの内容に関するトピックを表す変数ｙをコンテンツ毎に異なる確率分布に従う確率変数で表現し、表出クラスタを表す変数ｘを前記ユーザクラスタと前記トピックとの組み合わせ毎に異なる確率分布に従う確率変数で表現し、ユーザの表出を表す変数ａを前記表出クラスタ毎に異なる確率分布に従う確率変数で表現した確率モデルに基づき、学習データとして与えられるコンテンツの特徴量と表出との組み合わせを用いて、当該確率モデルに含まれるパラメータを算出するパラメータ算出ステップと、
コンピュータのプロセッサが、前記パラメータ算出ステップで算出されたパラメータを用いて、前記ユーザクラスタへのユーザの帰属度及び前記表出クラスタへの表出の帰属度を算出する帰属度算出ステップと、
を含む、
潜在特徴量算出方法。 - コンピュータのプロセッサに、
ユーザクラスタを表す変数ｃをユーザ毎に異なる確率分布に従う確率変数で表現し、コンテンツの内容に関するトピックを表す変数ｙをコンテンツ毎に異なる確率分布に従う確率変数で表現し、表出クラスタを表す変数ｘを前記ユーザクラスタと前記トピックとの組み合わせ毎に異なる確率分布に従う確率変数で表現し、ユーザの表出を表す変数ａを前記表出クラスタ毎に異なる確率分布に従う確率変数で表現した確率モデルに基づき、学習データとして与えられるコンテンツの特徴量と表出との組み合わせを用いて、当該確率モデルに含まれるパラメータを算出するパラメータ算出機能と、
前記パラメータ算出機能により算出されたパラメータを用いて、前記ユーザクラスタへのユーザの帰属度及び前記表出クラスタへの表出の帰属度を算出する帰属度算出機能と、
を実行させるプログラム。 - コンピュータのプロセッサが、ユーザクラスタを表す変数ｃをユーザ毎に異なる確率分布に従う確率変数で表現し、コンテンツの内容に関するトピックを表す変数ｙをコンテンツ毎に異なる確率分布に従う確率変数で表現し、ユーザの表出を表す変数ａを前記ユーザクラスタと前記トピックとの組み合わせ毎に異なる確率分布に従う確率変数で表現した確率モデルに基づき、学習データとして与えられるコンテンツの特徴量と表出との組み合わせを用いて、当該確率モデルに含まれるパラメータを算出するパラメータ算出ステップと、
コンピュータのプロセッサが、前記パラメータ算出ステップで算出されたパラメータを用いて、前記ユーザクラスタへのユーザの帰属度を算出する帰属度算出ステップと、
を含む、
潜在特徴量計算方法。 - コンピュータのプロセッサに、
ユーザクラスタを表す変数ｃをユーザ毎に異なる確率分布に従う確率変数で表現し、コンテンツの内容に関するトピックを表す変数ｙをコンテンツ毎に異なる確率分布に従う確率変数で表現し、ユーザの表出を表す変数ａを前記ユーザクラスタと前記トピックとの組み合わせ毎に異なる確率分布に従う確率変数で表現した確率モデルに基づき、学習データとして与えられるコンテンツの特徴量と表出との組み合わせを用いて、当該確率モデルに含まれるパラメータを算出するパラメータ算出機能と、
前記パラメータ算出機能により算出されたパラメータを用いて、前記ユーザクラスタへのユーザの帰属度を算出する帰属度算出機能と、
を実行させるプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010257241A JP5625792B2 (ja) | 2010-11-17 | 2010-11-17 | 情報処理装置、潜在特徴量算出方法、及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010257241A JP5625792B2 (ja) | 2010-11-17 | 2010-11-17 | 情報処理装置、潜在特徴量算出方法、及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2012108738A JP2012108738A (ja) | 2012-06-07 |
| JP5625792B2 true JP5625792B2 (ja) | 2014-11-19 |
Family
ID=46494289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2010257241A Expired - Fee Related JP5625792B2 (ja) | 2010-11-17 | 2010-11-17 | 情報処理装置、潜在特徴量算出方法、及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5625792B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7009791B2 (ja) * | 2017-06-21 | 2022-01-26 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置およびプログラム |
| CN110503353B (zh) * | 2018-05-16 | 2022-04-01 | 北京三快在线科技有限公司 | 一种配送区域表达方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101116073A (zh) * | 2005-12-05 | 2008-01-30 | 索尼株式会社 | 信息处理设备、信息处理方法及程序 |
| US20090144226A1 (en) * | 2007-12-03 | 2009-06-04 | Kei Tateno | Information processing device and method, and program |
| JP4524709B2 (ja) * | 2007-12-03 | 2010-08-18 | ソニー株式会社 | 情報処理装置および方法、並びに、プログラム |
| JP5415055B2 (ja) * | 2008-10-30 | 2014-02-12 | Ｋｄｄｉ株式会社 | コンテンツ分類装置およびプログラム |
| JP5210224B2 (ja) * | 2009-03-30 | 2013-06-12 | 日本電信電話株式会社 | アノテーションデータ解析装置、アノテーションデータ解析プログラムおよびそのプログラムを記録した記録媒体 |
-
2010
- 2010-11-17 JP JP2010257241A patent/JP5625792B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2012108738A (ja) | 2012-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Social temporal collaborative ranking for context aware movie recommendation | |
| US8200667B2 (en) | Method and apparatus for constructing user profile using content tag, and method for content recommendation using the constructed user profile | |
| Lee et al. | A smart TV system with body-gesture control, tag-based rating and context-aware recommendation | |
| US9208441B2 (en) | Information processing apparatus, information processing method, and program | |
| US11488028B2 (en) | Collaborative personalization via simultaneous embedding of users and their preferences | |
| Shi et al. | Learning-to-rank for real-time high-precision hashtag recommendation for streaming news | |
| Chang et al. | Music recommender using deep embedding-based features and behavior-based reinforcement learning | |
| WO2007013390A1 (ja) | 情報処理装置、特徴抽出方法、記録媒体、および、プログラム | |
| CN110069713B (zh) | 一种基于用户上下文感知的个性化推荐方法 | |
| Inan et al. | Moreopt: A goal programming based movie recommender system | |
| Lee et al. | Dynamic item recommendation by topic modeling for social networks | |
| Wang et al. | Research on product recommendation based on matrix factorization models fusing user reviews | |
| Xu et al. | Do adjective features from user reviews address sparsity and transparency in recommender systems? | |
| Duan et al. | A hybrid intelligent service recommendation by latent semantics and explicit ratings | |
| Feng et al. | Recommendations based on comprehensively exploiting the latent factors hidden in items’ ratings and content | |
| JP5625792B2 (ja) | 情報処理装置、潜在特徴量算出方法、及びプログラム | |
| CN113032589A (zh) | 多媒体文件推荐方法、装置、电子设备及可读存储介质 | |
| CN110727853B (zh) | 向用户呈现控制的异构数字内容 | |
| Huang et al. | A time-aware hybrid approach for intelligent recommendation systems for individual and group users | |
| Gou et al. | Personalized search by a multi-type and multi-level user profile in folksonomy | |
| Hölbling et al. | Content-based tag generation to enable a tag-based collaborative tv-recommendation system. | |
| Permana et al. | Movie Recommendation System Based on Synopsis Using Content-Based Filtering with TF-IDF and Cosine Similarity | |
| CN110147488B (zh) | 页面内容的处理方法、处理装置、计算设备及存储介质 | |
| US20170038769A1 (en) | Method and system of dimensional clustering | |
| Hansel et al. | Optimized LightGCN for Music Recommendation Satisfaction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20131029 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140516 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140624 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140814 |
|
| 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: 20140902 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140915 |
|
| LAPS | Cancellation because of no payment of annual fees |