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
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。
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
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。
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、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。
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。
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。
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。
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。
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。
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。
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。
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、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、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。
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。
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。
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。
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。
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、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。
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。
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。
次に、サーバ装置230の機能構成について説明する。
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。
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。
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。
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。
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。
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。
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。
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 |