JP5836210B2

JP5836210B2 - 影響力推定方法、装置及びプログラム

Info

Publication number: JP5836210B2
Application number: JP2012142451A
Authority: JP
Inventors: 妙佐藤; 伊藤　浩二; 浩二伊藤
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2012-06-25
Filing date: 2012-06-25
Publication date: 2015-12-24
Anticipated expiration: 2032-06-25
Also published as: JP2014006742A

Description

この発明は、例えば企業のマーケティング分野に係り、特にターゲット（客層）に与えるプロモーション（宣伝）のための人または集団の影響力を推定する影響力推定方法、装置及びプログラムに関する。

企業は、より少ない投資でプロモーションを実施して情報受信者のアクション（例えば、購入する、情報を開封する）を誘導し、企業利益に繋がる情報受信者アクションの発生率を上げることが重要である。または、顧客の新規開拓を行う際に、ターゲットを選び（ターゲティング）、そのターゲットに多大な影響を与えてアクションを起こさせるようなプロモーションを実施することが重要である。

このように、プロモーションの効率化を図るためには、アクションを起こしそうなターゲットを選定し、そのターゲットに対して効率的なプロモーション方法を決定する、という方法が取られる。
従来のプロモーションでは、経験則によって行われていることが多く（非特許文献１）、例えば若い女性に人気のあると言われている女優を起用する、といった方法が採られている。また、ターゲティングを行う際に、従来、性別、年代といったデモグラフィック属性を用いた分類がよく用いられている（非特許文献２）。

田中幸一ら，現代マーケティングの基礎理論，同文館出版，1983，pp.320-321 佐藤義典，実戦マーケティング戦略，日本マネジメントセンター，2011，pp.46-49

ところが、上記したマーケティングにおけるプロモーションやターゲティングにおいて、以下のような解決すべき課題があった。
まず、ターゲットへの効率的なプロモーションを実施する上で、ターゲットに対して影響のある人または集団を特定することが重要であるが、近年、ソーシャルメディアが普及するなど、情報の流通方法が多様化していることや、情報受信者の嗜好などが多様化していることから、単に経験則では、影響のある人または集団を特定することは極めて困難になってきている。
また、プロモーションを行う対象であるターゲットを選定するにあたり、近年、消費者の嗜好やライフスタイルが多様化しているため、従来の、性別、年代といったデモグラフィック属性を用いた分類では、十分に効果があるターゲットを限定できているとは限らない。したがって、細分化したターゲットの選定を行うことも同時に重要であると考える。

一方、消費者のアクションは、企業が当初想定してターゲットにした集団以外の消費者についても生じる。したがって、例えば、化粧品や洋服といった、同じ消費者によるリピート、あるいは、同様の他消費者によるリピートが起こりえる商品については、逐次的にターゲットを見直し、再構成されたターゲットに対して影響のある人または集団を見直す必要がある。すなわち、実際にアクションが生じた消費者群を考慮してプロモーション方法を逐次見直す必要がある。

この発明は上記事情に着目してなされたもので、その主たる目的はプロモーションを効果的に行うために、ターゲットを絞り込み、そのターゲットに大きな影響を与える人または集団を選定することのできる影響力推定方法、装置及びプログラムを提供することにある。

上記目的を達成するためにこの発明の観点は、以下の態様とすることに特徴がある。
（１）影響力推定方法において、コンピュータにより、情報受信者が情報発信者から受ける影響の度合い（影響度スコア）を人間体系の最下層に位置する個人について算出し、情報受信者それぞれの情報発信者（個人）に関する影響度スコアを統合することにより、任意の情報発信者（個人）が情報受信者群に対して与える影響力を推定する。

（２）影響力推定方法において、コンピュータにより、情報受信者が情報発信者から受ける影響の度合い（影響度スコア）を人間体系の最下層以外に位置する集団について算出し、前記情報受信者それぞれの前記情報発信者（集団）に関する影響度スコアを統合し、その統合結果から前記情報発信者（集団）が情報受信者群に対して与える影響力を推定する。

（３）（１）または（２）において、前記情報受信者群について、前記情報受信者の属性に関する任意のターゲット条件の指定入力に従って、前記ターゲット条件に合う情報受信者群を前記情報受信者群なるターゲット集団として抽出する。
（３）（１）または（２）において、前記情報受信者の情報選択履歴を利用して興味スコアを算出し、前記情報受信者の興味に関する任意のターゲット条件の指定入力に従って、前記ターゲット条件に合う興味スコアを持つ情報受信者群を前記情報受信者群なるターゲット集団として抽出する。

（４）（１）または（２）において、前記情報受信者の情報選択履歴を利用して興味スコアを算出し、前記情報受信者の興味に関する任意のターゲット条件の指定入力に従って、前記ターゲット条件に合う興味スコアを持つ情報受信者を前記情報受信者群なるターゲット集団として抽出する。

（５）（３）または（４）において、前記影響力の推定結果に基づいて特定された情報発信者によるプロモーションを実行するとき、前記プロモーション実行後の前記情報受信者の行動ログを参照し、実際に特定の行動があった情報受信者を抽出して前記ターゲット集団を更新する。

（６）（５）において、前記影響力の推定結果に基づいて特定の情報発信者によるプロモーションを実行するとき、前記プロモーション実行後の前記情報受信者の行動ログを用いて、実際に特定の行動があった情報受信者の属性、興味を示す特徴について、その特徴に合致する情報受信者群の、行動を起こした人がどの程度多かったかを示す行動傾向を算出し、さらに、前記特徴に合致する情報受信者群を特徴毎に取得し、算出した行動傾向を踏まえて、影響力を推定する。

（７）影響力推定装置において、（１）〜（６）のいずれか記載の影響力推定方法をコンピュータに実行させて、前記ターゲット集団を選定し、前記影響力を推定する。
（８）影響力推定プログラムにおいて、（１）〜（６）のいずれか記載の影響力推定方法が備える各過程における処理を前記コンピュータに実行させる。

本発明によれば、プロモーションを効果的に行うために、ターゲットを絞り込み、そのターゲットに大きな影響を与える人または集団を選定することのできる影響力推定方法、装置及びプログラムを提供することができる。

本発明が適用される企業のマーケティングについて説明するための概念図。本発明に係る影響力推定方法１−１について説明するための概念図。本発明に係る影響力推定方法１−２について説明するための概念図。本発明に係るターゲット集団選定方法２−１について説明するための概念図。本発明に係るターゲット集団選定方法２−２について説明するための概念図。本発明に係るターゲット集団選定方法２−３について説明するための概念図。本発明に係る影響力の高い情報発信者を通知する方法３−１について説明するための概念図。本発明に係る影響力の高い情報発信者を通知する方法３−２について説明するための概念図。本発明に係るフィードバックによる見直し方法４−１について説明するための概念図。本発明に係るフィードバックによる見直し方法４−２について説明するための概念図。本発明に係る実施例の情報処理システムの全体構成を示すブロック図。本発明に係る実施例の情報処理システムにおいて、クライアント端末、コンテンツサーバ、興味分析装置、影響度分析装置、コンテンツスコアリング装置の機能構成を示すブロック図。本発明に係る実施例の情報処理システムにおいて、興味分析装置１００の処理の概要を示す図。本発明に係る実施例の情報処理システムにおいて、興味の特徴スコア算出部の分析パラメータ抽出処理、概念出現コンテンツ数の確率分布と累積確率算出作成内容、ユーザ興味度の更新用指標化モデルを示す図。本発明に係る実施例の情報処理システムにおいて、興味の特徴スコア算出処理の詳細を示す図。本発明に係る実施例の情報処理システムにおいて、興味概念体系更新処理部の処理の詳細を示す図。本発明に係る実施例の情報処理システムにおいて、コンテンツに付与される“オススメタグ”の一例を示す図。本発明に係る実施例の情報処理システムにおいて、オススメタグの付与された一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストの例を示す図。図１８の例における第１の実施例に係る影響度分析処理を示す図。図１８の例における第２の実施例に係る影響度分析処理を示す図。図１８の例における第３の実施例に係る影響度分析処理を示す図。図１８の例における第４の実施例に係る影響度分析処理を示す図。本発明に係る実施例の情報処理システムにおいて、（方法１）〜（方法３）を実現するための構成を示す図。図２３のシステムにおいて用いられる人間体系１データベース、興味スコアデータベース、影響度スコアデータベースの具体例を示す図。図２３のシステムにおいて用いられる影響力推定装置で処理される影響度スコアと影響度の特徴スコアの具体例を示す図。本発明に係る実施例の情報処理システムにおいて、（方法４−１）を実現するための構成を示す図。本発明に係る実施例の情報処理システムにおいて、（方法４−２）を実現するための構成を示す図。図２６のシステムにおいて用いられる情報受信者行動ログの例を示す図。図２７のシステムにおいて用いられる情報受信者行動ログの例を示す図。図２７のシステムにおいて、ターゲット傾向スコアの算出を説明するための図。図２７のシステムにおいて、５つのターゲット集団それぞれにおける影響力スコア算出結果の一例を示す図。

以下、図面を参照しながらこの発明に係る実施形態を説明する。
図１は、本発明が適用される企業のマーケティングについて説明する概念図である。
企業では、より少ない投資でプロモーションを実施して情報受信者のアクション（例えば、購入する、情報を開封する）を誘導する、すなわち、企業利益に繋がる情報受信者アクションの発生率を上げることが重要である。また、顧客の新規開拓を行う際に、ターゲットを選んだ場合に、そのターゲットに効果のある（アクションに繋がる）プロモーションを実施することが重要である。そして、プロモーションに際して、アクションが起こりそうなターゲットを選定し（ターゲティング）、ターゲットに対して、効率的なプロモーション方法を決定する、という方法が取られる。

例えば、化粧品会社では、利益を上げるため、効率的な（消費者に対して効果のある）プロモーションを実施し、多くのユーザに商品を購入してもらいたい。そこで、ターゲティングとして、例えば、消費者の中から、自社ブランドに興味があり、化粧品を売る対象として適していると推定される、３０代女性を選びターゲットとする。そして、お笑い芸人、タレント、カリスマモデル、ブロガー（ブログ掲示）など、多種の人や集団の中から、ターゲットに効果のある（アクションに繋がる）と想定される人や集団を選択してプロモーションを実施し、ターゲットのアクション（例えば、購入する、情報を開封する）を促す、といった手法がとられる。

ここで、上記のような従来の手法には、以下のような課題がある。
（１）プロモーションにおいて、近年、ソーシャルメディアが普及するなど、情報の流通方法が多様化していることや、情報受信者の嗜好が多様化していることから、単に経験則では、影響のある人または集団を特定することは極めて困難になってきている。

（２）また、プロモーションを行う対象であるターゲットを選定するにあたり、近年、消費者（情報受信者）の嗜好やライフスタイルは多様化しているため、従来の、性別、年代といったデモグラフィック属性を用いた分類では、十分に効果があるターゲットを限定できているとは限らない。したがって、細分化したターゲットの選定を行うことも同時に重要であると考える。

（３）一方、消費者（情報受信者）のアクションは、企業が当初想定してターゲットにした集団以外の消費者（情報受信者）についても生じる。したがって、例えば、化粧品や洋服といった、同じ消費者によるリピート、あるいは、同様の他消費者によるリピートが起こりえる商品については、逐次的にターゲットを見直し、再構成されたターゲットに対して影響のある人または集団を見直す必要がある。すなわち、実際にアクションが生じた消費者群を考慮してプロモーション方法を逐次見直す必要がある。

そこで、本発明では、人間体系１（情報受信者を階層構造でまとめたもの）、情報受信者の興味に関するスコア（興味スコア）、情報受信者の影響度に関するスコア（影響度スコア）を利用して、上記の課題を解決する。
なお、影響度スコアは、情報受信者毎に、人間体系２の構造を持ち、各ノードについてスコアを持っている、または、情報受信者毎に、人間体系２の構造を持ち、かつその下に概念構造が紐づいており、各ノードについてスコアを持っている。ここでの人間体系２は情報発信者を階層構造でまとめたものである。ただし、例えば同一のコミュニティ内で、ユーザが情報発信者にも情報受信者にも成りえる場合には、人間体系２と、人間体系１（情報受信者を階層構造でまとめたもの）は、同一の場合もある。一方で、マスメディアなどにより有名人からの影響度を推定する際にもつ人間体系２（情報発信者を階層構造でまとめたもの）は、人間体系１（情報受信者を階層構造でまとめたもの）と異なる場合もある。

課題（１）を解決する手段
（方法１）影響力推定方法
［個人の影響力推定］
まず、情報受信者が個人の情報発信者（すなわち、人間体系２の最下層に位置するノード名）から受ける影響の度合い（影響度）を算出し、影響度スコアとしてノードに値を持たせる。この影響度スコアを使用して、ある個人の情報発信者が集団（情報受信者群）に対して与える影響の度合い（以後、影響力スコアとする）を推定する。

（方法１−１）
図２を参照して、影響力推定方法１−１について説明する。図２（ａ）は、各情報受信者の、ある一人の情報発信者（例えばＡさん）に関する影響度スコアを示し、図２（ｂ）は各情報受信者の影響度スコアを確率的に統合し、ある一人の情報発信者（例えばＡさん）の影響力スコアを算出した一例を示している。図２（ａ）は、人に関する影響度スコアを示しているが、各人のある概念・ジャンルに対する影響度スコアを用いても良い。

例として、サービス利用者（＝情報受信者）全てをターゲットとした場合の、情報発信者（Ａさん）の影響力スコアを算出する場合を説明する。
各情報受信者の、Ａさんに関する影響度スコアを用いて、（１）式を用いて影響力スコアを算出する。（１）式により、全情報受信者の影響度スコアを統合し、影響力スコアが算出される。

（方法１−１’）
各情報受信者の、Ａさんに関する影響度スコアを用いて、（１）’式を用いて影響力スコアを算出する。（１）’式により、各情報受信者の情報閲覧回数を考慮した全情報受信者の影響力スコアが算出される。
ただし、影響度スコアについて、「Ａさんに関する影響度スコア」といった人に対する影響度以外に、「Ａさんの特定ジャンル（化粧品）に関する影響度スコア」といったような特定の概念に関わる影響度スコアを用いてもよい。以下の方法でも同様である。

［集団の影響力推定］
まず、情報受信者が集団の情報発信者（すなわち、人間体系２の最下層以外に位置するノード名）から受ける影響の度合い（影響度）を算出し、影響度スコアとしてノードに値を持たせる。この影響度スコアを使用して、ある集団の情報発信者が情報受信者群に対して与える影響の度合い（影響力スコア）を推定する。

（方法１−２）
図３を参照して、影響力推定方法１−２について説明する。ここでは、集団の情報発信者が情報受信者群に与える影響の度合い、すなわち影響力スコアの算出の具体的な方法を述べる。図３（ａ）は人間体系２、図３（ｂ）は各情報受信者の影響度スコア、図３（ｃ）は各情報受信者の影響度スコアを確率的に統合し、ある集団の情報発信者（例えば部長群）の影響力スコアを算出した一例を示している。

例として、サービス利用者（情報受信者）全てをターゲットとした場合の、集団の情報発信者（本例では、部長群）の影響力スコアを算出する場合について説明する。
各情報受信者の部長群に関する影響度スコアを用いて、（１）式を用いて影響力スコアを算出する。（１）式により、全情報受信者の影響度スコアを統合することで、影響力スコアが算出される。

（方法１−２’）
各情報受信者の部長群に関する影響度スコアを用いて、（１）’式を用いて影響力スコアを算出する。（１）’式により、各情報受信者の情報閲覧回数を考慮した、全情報受信者の影響力スコアが、算出される。

課題（２）を解決する手段
（方法２）ターゲット集団選定方法
情報受信者の属性（性別、年代、居住地域、職業など）は既知とし、例えば、人間体系１で表わす。人間体系を用いない方法としては、例えば、属性を検索条件としてターゲット集団を選定する方法がある。
（方法２−１）
図４を参照して、ターゲット集団選定方法２−１について説明する。図４（ａ）は処理の流れを示し、図４（ｂ）はこの方法で利用する人間体系１を示している。ここでは、サービス提供者が情報受信者属性に関する任意のターゲット条件（例えば、図４（ａ）の“東京都に在住の営業職女性”）を入力することにより、システムは、図４（ｂ）に示す人間体系１に基づき、所有している情報受信者の属性を使用し、入力された条件に合う情報受信者を抽出し、ターゲット集団とする。

（方法２−２）
図５を参照して、ターゲット集団選定方法２−２について説明する。図５（ａ）は処理の流れを示し、図５（ｂ）はこの方法で利用する情報受信者の興味スコアを示している。ここでは、情報受信者の情報選択履歴を利用して興味スコアを算出しておく。そして、この興味スコアを使用してターゲット集団を抽出する。方法としては、サービス提供者が情報受信者の興味情報に関する任意のターゲット条件（例えば“化粧品情報に興味がある”）を入力することにより、システムは、所有している図５（ｂ）に示す情報受信者の興味スコアを使用し、入力された条件に合う情報受信者を抽出し、ターゲット集団とする。

（方法２−３）
図６を参照して、ターゲット集団選定方法２−３について説明する。図６（ａ）は処理の流れを示し、図６（ｂ），（ｃ）はそれぞれこの方法で利用する人間体系１と情報受信者の興味スコアを示している。
サービス提供者が任意のターゲット条件（例えば、“東京都在住の営業職の女性で、化粧品情報に興味のある人”）を入力することにより、システムは、所有している情報受信者属性、情報受信者の興味スコアを使用し、入力された条件に合う情報受信者を抽出し、ターゲット集団とする。

（方法３−１）
図７、図８を参照して、課題（１），（２）を解決するための方法１と方法２の両方を合わせ持つ方法３−１、方法３−２について説明する。
図７、図８は、それぞれ検索機能を有し、情報発信者（影響元）のスコアを推定し、スコアの高い情報発信者（影響元）を通知するシステムを示している。

図７において、（ａ）はサービス提供者が任意のターゲティング集団を決定（例えば20〜40代の女性）した様子、（ｂ）は影響力スコアを推定した様子、（ｃ）は影響力スコアを比較して影響力のある人を返答する様子を示している。
図８において、（ａ）はサービス提供者がターゲティング集団を情報受信者の興味に基づいて決定（例えば化粧品への興味が高い情報受信者、鉄道好きな情報受信者等）した様子、（ｂ）は条件の受け取りにおいて興味推定結果を利用してターゲット集団を選定（例えば概念「化粧品」に対する興味スコアが1.0以上のユーザ）した様子、（ｃ）は影響度スコアを統合・比較して影響力のある人を返答する様子を示している。

このような検索機能付き影響力推定では、まず、方法２によってターゲット集団を抽出する。そして、抽出されたターゲット集団について、上記の方法１−１、１−１’、１−２、１−２’のいずれかの影響力推定の方法を用いて、影響力スコアを算出する。求められた複数の影響力スコアを比較し、比較結果をサービス提供者へ返却する。

課題（３）を解決する手段
（方法４）フィードバック
（方法３）によって選定されたターゲット集団と算出された影響力スコアが高い人または集団について、逐次見直しを行う。
（方法４−１）
図９を参照して、課題（３）を解決する方法４−１について説明する。

選定されたターゲット集団と算出された影響力スコアが高い人または集団の見直しにあたり、サービス提供者がプロモーションを行った後の、情報受信者の対象情報の選択履歴、対象商品購入履歴、または、対象メールマガジンなどの開封履歴などの行動ログを用いて、実際に行動が生じた情報受信者を抽出する。抽出した集団を新ターゲット集団とする。そして、新ターゲット集団に対して再度（方法３）を適用し、影響力のある人または集団を求める。この流れを繰り返す。

具体的には、図９に示すように、例えば化粧品に興味のあるターゲット集団を抽出した後（ターゲティング）、影響力を計算した結果、例えばアイドル“あっちゃん”がブログでの影響力が大という結果が得られたとき、化粧品プロモーションでアイドル“あっちゃん”を起用する。このときの対象化粧品の購買ログを収集し、購買行動があったユーザを新ターゲット集団として再ターゲティングを実行し、プロモーションによるアイドル“あっちゃん”の影響力を方法１によって計算し直す。

（方法４−２）
図１０を参照して、課題（３）を解決する方法４−２について説明する。
選定されたターゲット集団と算出された影響力スコアが高い人または集団の見直しにあたり、サービス提供者がプロモーションを行った後の、情報受信者の対象情報の選択履歴、対象商品購入履歴、または、対象メールマガジンなどの開封履歴などの行動ログを取得する。取得するログは、情報受信者の、例えば商品情報が提示されたといった受動的な行動（サブアクションと呼ぶ）のログと、情報受信者の、例えば商品を購入したといった能動的な行動（アクションと呼ぶ）のログである。この２つのログについて、興味に関する特徴スコア算出の方法を応用する。すなわち、一覧閲覧コンテンツリストを、サブアクションが生じた情報受信者群とし、情報受信者の属性や興味を各コンテンツに紐づくタグ情報とする。そして、詳細閲覧コンテンツリストを、アクションが生じた情報受信者群とし、一覧閲覧コンテンツリストと同様に、情報受信者の属性や興味を各コンテンツに紐づくタグ情報とする。そしてタグ情報について、興味スコアの概念ｉの特徴スコア算出方法を用いて、スコアを算出する（“ターゲット傾向スコア”とする）。また、一方で、タグ情報として出現した情報（属性や興味など）に該当する情報受信者群を抽出し、情報受信者群ごとに影響力スコアを算出する。そして、計算済のターゲット傾向スコアを、確率の統合時の重みとして利用し、計算済の影響力スコアを統合して影響力スコア（Unified I）を（２）式により算出する。

（実施例）
以上述べた（方法１）〜（方法４）を包含する情報処理システムの構成について説明する。
図１１は本発明に係る実施例の情報処理システムの全体構成を示すブロック図である。このシステムは、クライアント端末４００と、コンテンツサーバ５００と、興味分析装置１００と、影響度分析装置２００と、コンテンツスコアリング装置３００と、影響力分析装置７００と、ターゲット集団選定装置８００と、ターゲット集団更新装置９００と、サービス提供者からの解析依頼を受け付ける解析依頼装置１１００と、人間体系１データベース１２００と、情報受信者行動ログデータベース１３００を備える。

クライアント端末４００とコンテンツサーバ５００との間は通信ネットワークを介して接続される。また、コンテンツサーバ５００と、興味分析装置１００と、影響度分析装置２００と、コンテンツスコアリング装置３００と、影響力推定装置７００と、ターゲット集団選定装置８００と、ターゲット集団更新装置９００、解析依頼装置１１００、人間体系１データベース１２００、情報受信者行動ログデータベース１３００の相互間も、通信ネットワークを介して接続される。

ユーザは、クライアント端末４００において閲覧操作を行うことにより、所望のコンテンツをコンテンツサーバ５００から所得し、取得したコンテンツをクライアント端末４００の画面に提示して閲覧する。
クライアント端末４００は、ユーザ操作によるコンテンツ閲覧履歴を収集し、複数のコンテンツを一覧として閲覧した一覧閲覧コンテンツリスト（第１のコンテンツリスト）と、コンテンツ一覧からコンテンツの本体を閲覧した詳細閲覧コンテンツリスト（第２のコンテンツリスト）をコンテンツサーバ５００に送信する機能を有する。

コンテンツサーバ５００は、この一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを、通信ネットワークを介して興味分析装置１００及び影響度分析装置２００に転送する機能を有する。
興味分析装置１００は、上記一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストをもとに、コンテンツに出現する各概念に対する興味の特徴スコア及び興味スコアを算出し、ユーザの興味を推定する機能を有する。
ただし、興味分析装置１００は、下記で説明する興味スコア算出方法以外、例えばその他の内容ベースフィルタリング手法（Content Based Filtering：CBF）を用いて概念体系/興味スコアデータベースを更新するものでもよい。すなわち、一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストをもとにした興味の推定方法以外でもよい。

影響度分析装置２００は、上記一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストをもとに、他ユーザ（個人或いは集団）に対する影響度の特徴スコア及び影響度スコアを算出し、当該ユーザへの他ユーザ（個人或いは集団）からの影響度を推定する機能を有する。

ただし、影響度分析装置２００は、下記で説明する影響度スコア算出方法以外、例えばその他の内容ベースフィルタリング手法（Content Based Filtering：CBF）を用いて影響度スコアデータベースを更新するものでもよい。すなわち、一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストをもとにした影響度の推定方法以外でもよい。

上記クライアント端末４００、コンテンツサーバ５００、興味分析装置１００、影響度分析装置２００、コンテンツスコアリング装置３００、影響力推定装置７００、ターゲット集団選定装置８００、ターゲット集団更新装置９００、解析依頼装置１１００、人間体系１データベース１２００、情報受信者行動ログデータベース１３００の構成を、以下に詳しく説明する。

図１２は上記クライアント端末４００、コンテンツサーバ５００、興味分析装置１００、影響度分析装置２００、コンテンツスコアリング装置３００の機能構成を示すブロック図である。
なお、図１２における各装置はＣＰＵ（Central Processing Unit）を備え、プログラムメモリに予め格納されたプログラムを上記ＣＰＵに実行させることにより、上記した各機能を実現する。

興味分析装置１００は、履歴情報受信部１１０と、興味の特徴スコア算出部１２０と、興味概念体系更新処理部１３０と、概念体系／興味スコアデータベース１４０とを備える。概念体系／興味スコアデータベース１４０は、ルート概念ノードＩＤと、概念体系テーブルと、興味スコアテーブルを記憶する。ルート概念ノードＩＤは、概念体系構造において最上位にある概念ノードＩＤであり、システム内に１つだけ存在する。

概念体系テーブルは、自概念ＩＤ、親概念ＩＤリスト、及び子概念ＩＤリストを格納する。概念体系内の全ての自概念ＩＤは、親概念ＩＤ及び子概念ＩＤ（ただし、自概念が最下位の場合には子概念ＩＤはなし）と紐付けて保存されており、これにより概念構造が定義される。

興味スコアテーブルは、概念ＩＤとユーザＩＤ（クライアント端末ＩＤ）に関連付けて、興味スコア（TotalZ）の値、興味スコア更新時に用いるＸ、Ｙの値を格納する。興味スコア更新時に用いるＸ、Ｙ、興味スコア（TotalZ）の定義及び算出方法は後述する。

図１３は、興味分析装置１００の処理の概要を示すものである。
履歴情報受信部１１０は、クライアント端末４００において生成された一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを、コンテンツサーバ５００を介して受信する。一覧閲覧コンテンツリストとは、例えばユーザがコンテンツのタイトルのみを一覧で閲覧したコンテンツのリストである。詳細閲覧コンテンツリストとは、ユーザがコンテンツ本体の内容（詳細）を閲覧したコンテンツのリストである。図１３では、一覧閲覧コンテンツリストにはコンテンツ１〜８が含まれ、詳細閲覧コンテンツリストにはコンテンツ１、３、４が含まれる場合を例示している。また図１３において、斜線パターンで示すコンテンツは、概念Ｂがコンテンツ１、６、７、８に出現することを示す。

興味の特徴スコア算出部１２０は、一覧閲覧されたコンテンツリスト及び詳細閲覧コンテンツリストを利用して、概念選択の統計モデルにより各概念の興味の特徴スコアを算出する。
図１４（ａ）に分析パラメータ抽出処理の模式図を示す。例えば、５０個（＝Ｓ）のコンテンツが一覧表示されている中から、ユーザが１０個（＝ａ）のコンテンツの詳細を閲覧した場合を示す。ここで、一覧表示されている５０個のコンテンツのうち「野球」という概念が含まれている記事が１５個（＝Ｕ）あり、ユーザが閲覧した１０個のコンテンツのうち、「野球」という概念が含まれているコンテンツが５個（＝ｂ）あったことを示す。

興味の特徴スコア算出部１２０は、上記分析パラメータＳ，ａ，Ｕ，ｂを利用して概念ＩＤ毎に興味の特徴スコアＺを算出する。図１５に興味の特徴スコア算出処理の詳細を示す。図１５において、ｉは概念の識別子、ｊはクラスタＩＤを示す。
ここで、クラスタとは、一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストに一意に付与される識別子である。別の時刻（時間帯）に表示した一覧閲覧コンテンツをユーザが閲覧した場合は、別のクラスタＩＤが付与される。なお、時刻以外の条件でクラスタＩＤを新たに付与する条件としては、一覧閲覧コンテンツリスト表示中に一定時間操作が無かった場合や、閲覧するユーザ（ユーザＩＤ）を切り替えた場合、一覧閲覧コンテンツリストに対して、コンテンツジャンル等を観点に絞り込み検索を掛けた場合、その他閲覧アプリケーションにおいて閲覧モードを切り替えた場合がある。

Ｈ１（第１の確率）は、一覧閲覧コンテンツリストに含まれる一覧閲覧コンテンツの総数Ｓ、一覧閲覧コンテンツのうち概念ｉが出現するコンテンツ数Ｕのとき、詳細閲覧コンテンツをａ個ランダム選択して閲覧した場合に、概念ｉが出現するコンテンツの数がｂ以上となる累積確率である。Ｈ２（第２の確率）は、一覧閲覧コンテンツのうち概念ｉが出現するコンテンツ数Ｕのとき、詳細閲覧コンテンツをａ個ランダム選択して閲覧した場合に、概念ｉが出現するコンテンツの数がｂ以下となる累積確率である。なお、本実施形態では、累積確率Ｈ１及びＨ２は超幾何分布により求めるが、この手法に限定するものではない。他の分布の例としては、二項分布や正規分布が存在する。

図１４（ｂ）に、例えば上記の分析パラメータＳ，ａ，Ｕ，ｂを用いて、ユーザが閲覧した１０個のコンテンツのうち、「野球」という概念が含まれるコンテンツが５以上である確率が、「０．１２」であることを示す。ここで、「０．１２」は累積確率Ｈ１の値に相当する。

なお、Ｈ２の値を使う例として、上記の分析パラメータでｂが０である場合を考える。この場合は、出現数が０以下の場合の確率を算出する。具体的には、図１４（ｂ）において横軸が０の項目の値となるため「０．０２」となる。
そして、興味の特徴スコア算出部１２０は、図１５に示すように、上記算出した累積確率Ｈ１及びＨ２を用いて、標準正規分布の累積分布関数の逆関数により興味の特徴スコアＺを算出する。図１４（ｃ）に示すように、上記Ｈ１を累積確率とする標準正規分布の累積分布関数の逆関数により特徴スコアＺを求める。なお、累積確率としてＨ２を利用する場合には、標準正規分布の累積分布関数の逆関数の返値の符号を負にして特徴スコアを求める。この特徴スコアＺを用いて、後述する興味概念体系更新処理部１３０は、「野球」という概念に対する興味スコア（TotalZ）を求める。

興味の特徴スコア算出部１２０は、更新対象概念リストを生成し、興味概念体系更新処理部１３０に出力する。「更新対象概念リスト」とは、概念ＩＤ、前記特徴スコア算出部１２０で算出した興味の特徴スコアＺ、及び重みｗのセットである。なお、この更新対象概念リストに出現する概念ＩＤが、次の概念体系更新処理で更新対象のノード（概念）となる。上位概念を追加した出現概念リスト内の概念ＩＤすべてについて、特徴スコアＺと重みｗを算出する。重みｗは、各クラスタＩＤにおいて概念毎に設定される値である。

なお、重みｗは、初期値ｗ＝１とし、ユーザの特徴的な操作等があった場合に、以下のように値を変化させることができる。例えば、ユーザは、クライアント端末４００に提示されたコンテンツに対し、お気に入りコンテンツとしての登録や、コンテンツへの評価入力等ができる。クライアント端末４００が、このような操作履歴を興味分析装置１００に送信できる場合には以下の処理を行う。

興味の特徴スコア算出部１２０は、例えばコンテンツがお気に入りに登録されたとき、当該コンテンツが持つ全ての概念ＩＤについて重みｗ＝１．５のように増加させる。その他にも、コンテンツ閲覧時刻や閲覧時の天気、気温、湿度、季節、曜日、休日、余暇かどうか、閲覧時のユーザ位置情報、スケジューラ、日記等から収集したイベント情報に応じて重みｗの値を変えることもできる。

興味概念体系更新処理部１３０は、上記特徴スコアを用いて概念体系における概念間の関係情報（上位概念及び下位概念）に基づいて各概念に対する興味スコアを更新する。概念体系のグラフに含まれるノードは概念を表し、リンクは概念間の関係を表す。興味スコアは、概念体系における各概念に対応するノードの値として保持する。概念体系において、上位に位置するノードほど抽象的な概念を表し、下位に位置するノードほど具体的な概念を表す。概念体系及び概念ＩＤ（ノード毎に付与される識別子）は、サービス運用者等が事前に設計し定義するものとする。

図１６に興味概念体系更新処理部１３０の処理の詳細を示す。興味概念体系更新処理部１３０は、コンテンツに出現した概念（出現概念）、及びこの出現概念の上位概念の概念ＩＤについて、図１６に示す各概念ｉに対する興味スコア更新式を用いて、興味スコアTotalZ_ｉｎ、及びX_ｉｎ、Y_ｉｎの値を求め、概念体系／興味スコアデータベース１４０の、対応するユーザＩＤ（クライアント端末ＩＤ）のカラムに対応する興味スコアテーブルに格納されている各値を更新する。

ここで、Ｘ_i(n-1)は、各概念ＩＤ（ここでは識別子ｉで表現）に対する、過去の（前回までの）前記更新対象概念リストの重みｗの二乗の合計である。Ｙ_i(n-1)は、同様に各概念ＩＤ（ここでは識別子ｉで表現）に対する、過去の前記更新対象概念リストの重みｗと特徴スコアＺの乗算の合計である。

図１６において、ｎは、概念体系更新処理が何度目かを示す識別子である。興味スコアTotalZ_ｉｎを求める一連の処理は、クラスタＩＤ単位で行われ、この一連の処理が行われる単位を１度と数えるとき、ｎはこの一連の処理が何度目に行われたものであるかを示す識別子である。ｉは、概念ＩＤの識別子である。Ｚ_inは、概念ｉの各更新コンテンツリスト毎のＺ値である。なお、上記Ｚ_ijは一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリスト毎のＺ値であり、Ｚ_ij∈Ｚ_inの関係である。重みｗ_inは、概念ｉの各更新処理に利用する重みである。上記重みｗと同じであり、上記興味の特徴スコア算出部１２０で設定したものと同様である。

例えば、ｗ_inは、お気に入り登録、他ユーザとの共有等の閲覧以外の特殊な操作をユーザが行った場合、及びコンテンツ閲覧時間（閲覧開始から終了までの間隔）、コンテンツと概念の関連度合い、コンテンツ閲覧時刻、閲覧時の天気・気温・湿度・季節・曜日・休日・余暇かどうか、閲覧時のユーザ位置情報、スケジューラ・日記等から収集したイベント情報に応じて値を変化させる、その他、サービス利用者、サービス運用者が特に指定した場合にも変化させる。

さらに、興味概念体系更新処理部１３０は、「更新対象概念リスト」の各概念ＩＤ（出現概念及び上位概念）の下位概念を抽出し、下位概念のノードを更新する。下位概念の抽出では、「更新対象概念リスト」の各概念ＩＤについて、概念体系／興味スコアデータベース１４０の概念体系テーブルを参照し、子概念ＩＤリストから概念ＩＤのリストを抽出し、さらに各子概念ＩＤリストの概念ＩＤについて概念体系テーブルを参照して子概念リストを抽出する処理を繰り返す。

下位概念の興味度の更新に利用する特徴スコアＺは、例えば、隣接した親ノードのうち特徴スコアの絶対値が最も大きい値を利用、最も近い上位ノードの値を利用、親ノードの値を平均、または確率結合した値とする。なお、「更新対象概念リスト」のうち、上記で更新済みの概念（コンテンツに出現した概念、及び上位概念）の興味スコアは更新しない。

図１２に戻り、説明を続ける。図１２において、クライアント端末４００−１、４００−２は、履歴収集部４１０と、履歴情報送信部４２０と、コンテンツ提示部４３０と、コンテンツ要求送信部４４０と、オススメタグ付与部４５０を備える。
コンテンツ要求送信部４４０は、ユーザの指示（入力）に応じ、コンテンツサーバ５００に対してコンテンツの提示要求を行う。具体的には、例えばクライアント端末ＩＤ（もしくはユーザＩＤ）及び要求時刻を含むコンテンツ要求データをコンテンツサーバ５００に送信する。なお、要求時刻はコンテンツサーバ５００において追加するようにしてもよい。クライアント端末ＩＤ（もしくはユーザＩＤ）は、端末（もしくはユーザ）毎に一意に付与される数字であって、後述する概念体系／興味スコアデータベース１４０の興味スコアテーブルのユーザＩＤと一致するＩＤである。

履歴収集部４１０は、ユーザの操作履歴を収集して一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを作成する。履歴情報送信部４２０は、履歴収集部４１０により作成された一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストをコンテンツサーバ５００へ送信する。
興味分析装置１００の代わりに影響度分析装置２００を用いる場合、“オススメタグ”が用いられる。オススメタグ付与部４５０は、クライアント端末４００−１、４００−２のコンテンツ提示部４３０上に表示されている一覧表示コンテンツリスト及び詳細閲覧コンテンツについて、ユーザが他者にコンテンツを推薦したい場合に、ユーザの操作入力によりコンテンツにオススメタグを付与する。コンテンツにオススメタグが付与された旨の情報（お薦め情報）は、オススメタグ入力部５７０に送信される。

他ユーザ、すなわち情報発信者からの影響度の推定のための準備として、ユーザが他ユーザ（個人あるいは集団）からのオススメタグが見られるようにしておく。すなわち、他ユーザは、閲覧した情報を誰かに薦めたい場合に“オススメタグ”を付与できるようにし、この“オススメタグ”が付与されたかどうかは他のユーザから閲覧できるようにしておく。

図１７に、コンテンツに付与される“オススメタグ”の一例を示す。例えば、Ａさんが他ユーザへのオススメ対象として、「情報２」「情報５」にオススメタグを付与すると、ＡＡさんの一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリスト中の「情報２」、「情報５」にそれぞれ“オススメタグ”（Ａさんオススメ）が表示される。

図１２において、コンテンツサーバ５００は、コンテンツ送信処理部５１０と、ソート済みコンテンツリスト受信部５２０と、コンテンツリスト送信部５３０と、コンテンツリスト入力部５４０と、履歴情報転送部５５０と、コンテンツ要求転送部５６０を備える。

履歴情報転送部５５０は、クライアント端末４００−１、４００−２から受信した一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを、通信ネットワークを介して興味分析装置１００及び影響度分析装置２００へ転送する。
コンテンツリスト入力部５４０には、サービス運用者により、ユーザの利用するクライアント端末４００−１、４００−２に提示するコンテンツの一覧であるコンテンツリストが入力される。コンテンツリスト送信部５３０は、上記入力されたコンテンツリストをコンテンツスコアリング装置３００へ通信ネットワークを介して送信する。

コンテンツリストは、コンテンツＩＤ、概念ＩＤ／関連度リスト、コンテンツ本体、コンテンツ登録時刻を有する。コンテンツＩＤは、各コンテンツに対してコンテンツサーバ５００にて付与される一意のＩＤである。概念ＩＤ／関連度リストは、コンテンツに出現する概念の概念ＩＤ及び当該概念とコンテンツと関連性の程度を示す値のセットが格納される。概念ＩＤ／関連度リストは、コンテンツ毎に予め設定されており、具体例としては、コンテンツ１（スポーツ記事）には、｛“野球”の概念ＩＤ＝１、関連度＝０．５｝、｛“サッカー”の概念ＩＤ＝２、関連度＝０．８｝、｛“ゴルフ”の概念ＩＤ＝３、関連度＝０．６｝のように、概念ＩＤと関連度のセットが格納される。オススメタグ情報は、コンテンツＩＤに紐づいて格納される。

なお、本実施形態では、他ユーザがオススメタグを付与することではじめて格納される例を述べているが、事前に格納されていてもよい。例えば、ブログのような、情報提示時に情報発信者が決定している場合や、企業がプロモーションのために芸能人を起用して、芸能人が情報発信する場合、情報が提示されることでオススメタグが付与されているとみなす、といった場合が想定される。

なお、概念ＩＤは、概念体系／興味スコアデータベース１４０に格納される値と一致する。関連度は、例えば、０から１までの値とし、大きいほど関連性が強いものとする。関連度は、サービス運用者がコンテンツ登録時に設定する値、若しくは別システムにより算出される値を利用する。

ソート済みコンテンツリスト受信部５２０は、ソート済みコンテンツリスト送信部３１０からコンテンツリストの一部又は全部をソートしたソート済みコンテンツリストとクライアント端末ＩＤ（もしくはユーザＩＤ）を受信する。コンテンツ送信処理部５１０は、ソート済みコンテンツリストをクライアント端末ＩＤ（もしくはユーザＩＤ）に該当するクライアント端末４００−１、４００−２に送信する。

コンテンツ要求転送部５６０は、クライアント端末４００−１、４００−２のコンテンツ要求送信部４４０から送信されたコンテンツ提示要求であるコンテンツ要求データを、コンテンツ評価処理部３２０に転送する。
影響度分析装置２００は、履歴情報受信部２１０と、人間体系２データベース２２０と、影響度の特徴スコア算出部２３０と、各人・グループに対する影響度の概念体系更新処理部２４０と、各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０を備える。
履歴情報受信部２１０は、履歴情報転送部５５０から一覧閲覧コンテンツリストと詳細閲覧コンテンツリストと、各リストに付与されたオススメタグ情報を取得する。オススメタグの付与された一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストの例を図１８に示す。なお、図１８（ａ）は詳細閲覧コンテンツリスト、（ｂ）は一覧閲覧コンテンツリストを示している。

図１８において、例えばＡＡさんは、クライアント端末４００−１において、５０個（＝Ｓ）のコンテンツが一覧表示されている中から、１０個（＝ａ）のコンテンツの詳細を閲覧した場合を考える。ここで、一覧表示されている５０個のコンテンツのうち、「野球」という概念が含まれているコンテンツが１５個（＝Ｕ）、また、「Ａさんオススメ」がついたコンテンツが１０個（＝Ｍ）あり、そのうち「Ａさんオススメ」かつ「野球」が含まれるコンテンツが６個（＝Ｄ）である。そして、ユーザが閲覧した１０個のコンテンツのうち、「Ａさんオススメ」のついたコンテンツが４個（＝ｍ）、「野球」という概念が含まれているコンテンツが５個（＝ｂ）、そのうち、「Ａさんオススメ」かつ「野球」がついたコンテンツが４個（＝ｄ）であるものとする。

ユーザが情報を閲覧する際、オススメタグが付与されたコンテンツについて閲覧率が上昇した場合には、ユーザのオススメタグを付与した他ユーザからの影響度は正（＋）であるものとみなす。また、オススメタグが付与された情報についての閲覧率が下降した場合には、ユーザのオススメタグを付与した他ユーザからの影響度は負（−）であるものとみなす。また、オススメタグが付与された情報についての閲覧率が変化しなかった場合には、ユーザへのオススメタグを付与した他ユーザからの影響度はないものとみなすことができる。

以下、図１８の例における影響度分析処理のいくつかの実施例を説明する。
図１９は、第１の実施例に係る影響度分析処理を示す図である。影響度の特徴スコア算出部２３０は、上記Ｓ，ａ，Ｍ，ｍを分析パラメータとして利用して、ＡＡさんへのＡさんからの影響度の特徴スコアＺ′を算出する。影響度の特徴スコアＺ′は、上記図１５に示した算出式において、Ｕ，ｂをＭ，ｍに置き換えることで算出することができる。

影響度の特徴スコアＺ′を求めるために、まず累積確率Ｈ１、Ｈ２を求める。Ｈ１は、Ｓ個の一覧コンテンツのうち「Ａさんオススメ」が出現する数がＭのとき、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」が出現する詳細閲覧コンテンツがｍ個以上となる累積確率である。また、Ｈ２は、Ｓ個の一覧閲覧コンテンツのうち「Ａさんオススメ」が出現する数がＭのとき、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」が出現する詳細閲覧コンテンツがｍ個以下となる累積確率である。そして、Ｈ１、Ｈ２のうち０．５未満の方を採用し、標準正規分布の累積分布関数の逆関数により特徴スコアＺ′を求める。なお、累積確率としてＨ２を利用する場合には、標準正規分布の累積分布関数の逆関数の返値の符号を負にして特徴スコアとする。Ｈ１、Ｈ２のいずれも０．５以上だった場合には、特徴スコアは０とする。

上記の場合（Ｓ＝５０、ａ＝１０、Ｍ=１０、ｍ＝４）、Ｈ１＝０．０９６６、Ｈ２＝０．９８１であり、影響度の特徴スコアはＺ′=１．３となる。
かくして「Ａさんオススメ」に対する影響度の特徴スコアが算出される。
ここで、各人・グループに対する影響度の概念体系更新処理部２４０の処理は、興味概念体系更新処理部１３０において、概念体系の代わりに人間体系を用い、概念の代わりにオススメタグを付与したユーザを用いることで、行われる。計算の結果求められる影響度スコアは、各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０に格納される。
各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０には、興味推定と同様の概念体系を構成する各概念に影響度スコアを持たせておく。

そして、第１の実施例の場合、影響度について各概念について同等と見なすため、Ａさんの影響度を示す概念体系のルート概念に影響度の特徴スコアを記憶させる。また、一覧コンテンツリストが更新され、ユーザの閲覧履歴も更新された場合には再度、影響度の特徴スコアを算出し、影響度スコアを更新させる。更新には、下記式(3) の影響度スコア更新式を用いる。第１の実施例の場合、概念iはルート概念である。

なお、式(3) において、重みｗは初期値ｗ＝１とし、コンテンツに関するユーザの操作履歴（お気に入りコンテンツとしての登録や、コンテンツへの評価入力等）、コンテンツの閲覧時間及び閲覧状況、並びにコンテンツとオススメタグとの関連度の少なくとも１つに応じて変化させることができる。影響度スコアの算出に際し、閲覧時のユーザの状況や閲覧操作の特徴（お気に入り登録、長時間閲覧等）などを反映することで、ユーザの行動や状況に基づいて影響度スコアをさらに的確に求めることが可能となる。

また、ルート概念のスコアを子孫にあたる下位概念についても同値で与える。「Ａさんオススメ」に関する影響度のスコア更新が終了した後に、同一の一覧閲覧コンテンツに含まれる、Ａさん以外の「オススメタグ」を付与した人についても、上記と同様の方法で影響度に関する特徴スコアを算出し、上記式(1) を用いて影響度スコアの更新を行う。

すなわち、第１の実施例によれば、ユーザの選択候補となる一覧閲覧コンテンツリストにおける各「オススメタグ」が出現するコンテンツ数（Ｍ）と、一覧閲覧コンテンツリストからユーザが選択した詳細閲覧コンテンツリストにおける各「オススメタグ」が出現するコンテンツ数（ｍ）とを算出し、このＭおよびｍを比較分析することで、各“「オススメタグ」の出現の希少性を考慮し、且つ選択候補のコンテンツに付与されている「オススメタグ」が、比較的に「選ばれる」という事象だけでなく、比較的に「選ばれない」という事象の出現数の特徴を活用することができるため、ユーザの他者からの影響度を高精度に推定することが可能となる。

第２の実施例では、ＡＡさんへのＡさんからの特定の概念（又は特定のジャンル）毎の影響度を推定する手法を説明する。図２０は、この第２の実施例に係る影響度分析処理を示す図である。影響度の特徴スコア算出部２３０は、分析パラメータＳ，ａ，Ｄ，ｄを利用してＡさんに対する影響度の特徴スコアＺ′を算出する。この場合の影響度の特徴スコアＺ′は、上記図１５に示した算出式において、Ｕ，ｂをＤ，ｄに置き換えることで算出することができる。

第２の実施例の場合、Ｈ１は一覧閲覧コンテンツＳ個のうち「Ａさんオススメ」かつ「野球」が同時についたコンテンツが出現する数がＤのとき、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」かつ「野球」が同時に出現する詳細閲覧コンテンツがｄ個以上となる累積確率である。また、Ｈ２は、一覧閲覧コンテンツのうち「Ａさんオススメ」かつ「野球」が同時についたコンテンツが出現する数がＤのとき、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」かつ「野球」が同時に出現する詳細閲覧コンテンツがｄ個以下となる累積確率である。そして、Ｈ１、Ｈ２のうち０．５未満の方を採用し、標準正規分布の累積分布関数の逆関数により特徴スコアＺ′を求める。なお、累積確率としてＨ２を利用する場合には、標準正規分布の累積分布関数の逆関数の返値の符号を負にして特徴スコアとする。Ｈ１、Ｈ２のいずれも０．５以上だった場合には、特徴スコアは０とする。
以上より、「Ａさんの野球に関するオススメ」に対する影響度の特徴スコアが算出される。

加えて、「野球」の上位概念にあたる、例えば「スポーツ」のような特定のジャンルについて、「Ａさんオススメ」と「スポーツ」が同時に出現する数（＝ｑ）を用いて、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」かつ「スポーツ」が同時に出現する詳細閲覧コンテンツがｑ個以上となる累積確率（Ｈ１）と、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」かつ「スポーツ」が同時に出現する詳細閲覧コンテンツがｑ個以下となる累積確率（Ｈ２）を求める。そして、上記と同様に、「Ａさんのスポーツに関するオススメ」に対する影響度の特徴スコアを求める。

同様に、「スポーツ」の下位概念にあたる、例えば「サッカー」についても、「Ａさんオススメ」と「スポーツ」が同時に出現する数（＝ｑ）を用いて、「Ａさんのサッカーに関するオススメ」に対する影響度の特徴スコアも求める。
「Ａさんオススメ」に関する影響度のスコア更新が終了した後に、同一の一覧閲覧コンテンツに含まれる、Ａさん以外の「オススメタグ」を付与した人についても、上記と同様の方法で影響度に関する特徴スコアを算出し、上記式(1) を用いて影響度スコアの更新を行う。

第２の実施例によれば、「オススメタグ」が付与されたコンテンツについて「オススメタグ」が付与されていると同時に概念が付与されていることを利用し、影響度について「オススメタグ」を付与した他ユーザに対しての各概念についての影響度の推定が可能である。すなわち、人に対する影響について１つのスコアで表現するだけでなく、ジャンルによる影響度の違い（例えば、ＡＡさんはＡさんに対してジャンルＸについて影響を受けるが、ジャンルＹについて影響を受けない。）などを把握することも可能である。

図２１は、第３の実施例に係る影響度分析処理を示す図である。第３の実施例では、ＡＡさんへのグループＦからの影響度を推定する手法を説明する。つまり、お薦め情報を付与した他ユーザらがグループ属性や組織体系を有し、これらの関係について階層的な体系を作成できる場合（以後、前述の人から成る体系を人間体系という）に、一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストのコンテンツに出現するオススメタグを付与した他ユーザの上位のグループ属性を人間体系から抽出し、上位のグループ属性が当該コンテンツに出現するものとみなして、上位のグループ属性に対するユーザの影響度スコアを更新することをさらに特徴とするものである。なお、上記人間体系の関係情報は、多数の前記他ユーザあるいはグループ属性が相互に関連を持つことでグラフ構造を持つことができる。グラフ構造を持つ場合には、各前記他者あるいはグループ属性の直接あるいは間接の上位属性を「親グループ」、直接あるいは間接の下位属性を「子グループ」と呼ぶ（個人の場合も所属するメンバーが一人のグループとみなす）。

人間体系２データベース２２０は、一覧閲覧コンテンツリストに含まれるオススメタグ付与者の一覧（本例の場合、「Ａさん」、「Ｃさん」、「Ｄさん」及び「Ｅさん」）を、履歴情報受信部２１０から受け取って格納する。履歴情報受信部２１０は、人間体系２データベース２２０から、オススメタグ付与者の上位の人間体系（集団あるいは属性など）を読み出す（本例の場合、「グループＦ」、「グループＧ」及び「グループＨ」）。履歴情報受信部２１０は、人間体系２データベース２２０から読み出した親グループを加えて、影響度の特徴スコア算出部２３０にオススメタグ情報を渡す。

影響度の特徴スコア算出部２３０は、履歴情報受信部２１０からグループの情報が加えられたオススメタグ情報を受け取る。影響度の特徴スコア算出部２３０は、上記第１の実施例と同様の方法で、「Ａさんオススメ」、「Ｃさんオススメ」、「Ｄさんオススメ」及び「Ｅさんオススメ」に関する影響度の特徴スコアを更新する。

さらに、親グループについての影響度スコアを求める。具体例として、「グループＦ」の影響度スコアを求める方法を示す。まず、「グループＦ」に所属する個人「Ａさん」、「Ｂさん」及び「Ｃさん」のオススメタグを含むコンテンツ（本例の場合、「Ａさんオススメ」「Ｃさんオススメ」の２個）を「グループＦオススメ」とみなし、「グループＦ」に所属する個人のオススメタグを含むコンテンツの合計数を用いて、前述の方法と同様に影響度の特徴スコアを求め、上記式(3) を用いて影響度スコアの更新を行う。

一覧閲覧コンテンツ（Ｓ個）のうち「グループＦオススメ」が出現する数がＲ個の場合に、詳細閲覧コンテンツ（ａ個）を選択したときの「グループＦオススメ」が出現する詳細閲覧コンテンツがｒ個であるものとする。このとき、影響度の特徴スコア算出部２３０は、分析パラメータＳ，ａ，Ｒ，ｒを利用して「グループＦ」に対する影響度の特徴スコアＺ′を算出する。この場合の影響度の特徴スコアＺ′は、上記図１５に示す算出式において、Ｎ，ｎをＲ，ｒに置き換えることで算出することができる。

さらに、学習対象となった親グループの下位に属する子グループ（「グループＦ」では、「Ａさん」、「Ｂさん」、「Ｃさん」）について、一覧閲覧コンテンツリストに含まれない子グループについて（本例の「グループＦ」では「Ｂさん」）については、「グループＦ」の特徴スコアを用いて、影響度スコアの更新を行う。

更新された影響度スコアは各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０内の各人、グループの影響度概念体系のルート概念に記憶させる。そして、ルート概念のスコアを子孫にあたる下位概念についても同値で与える。
図２２は、第４の実施例に係る影響度分析処理を示す図である。人間体系２データベース２２０は、上記第３の実施例と同様のものとする。影響度の特徴スコア算出部２３０は人間体系２データベース２２０から受け取ったオススメタグ（オススメタグ付与者の上位の人間体系（本例の場合、「グループＦ」、「グループＧ」及び「グループＨ」）について、上記第２の実施例と同様の方法を用いて、オススメタグを付与したグループついての、ジャンル毎の影響度スコアを更新する。

図１２において、コンテンツスコアリング装置３００は、ソート済みコンテンツリスト送信部３１０と、コンテンツ評価処理部３２０と、コンテンツデータベース３３０と、コンテンツ・オススメタグ受信部３４０を備える。
コンテンツスコアリング装置３００は、コンテンツリスト送信部５３０から、提示対象のコンテンツを受信し、コンテンツをスコアリングし、スコアを元にコンテンツをソートし、ソート済みコンテンツリスト受信部５２０にソート済みコンテンツリストを渡す。

コンテンツ・オススメタグ受信部３４０は、コンテンツリスト送信部５３０から、提示対象コンテンツと、提示対象コンテンツの内容を示す概念と、提示対象コンテンツにユーザから付与された「オススメタグ」を受信し、コンテンツデータベース３３０に格納する。

図２３、図２６、図２７はそれぞれ上記影響力推定装置７００、ターゲット集団選定装置８００、ターゲット集団更新装置９００、解析依頼装置１１００、人間体系１データベース１２００、情報受信者行動ログデータベース１３００の機能構成を示すブロック図である。
なお、図２３、図２６、図２７における各装置はＣＰＵ（Central Processing Unit）を備え、プログラムメモリに予め格納されたプログラムを上記ＣＰＵに実行させることにより、上記した各機能を実現する。

図２３は、（方法１）〜（方法３）を実現するシステムとして、影響力推定装置７００、ターゲット集団選定装置８００、の機能構成、解析依頼装置１１００、人間体系１データベース１２００、影響度分析装置２００内の各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０及び興味分析装置１００内の概念体系／興味スコアデータベース１４０間の連携を示すブロック図である。

図２３において、ターゲット集団選定装置８００は、（方法２）を実現する装置である。サービス提供者が、解析依頼装置１１００にターゲット集団選定の依頼とターゲット条件の入力を行うと、解析依頼装置１１００は、ターゲット集団選定装置８００のターゲット条件受取部８１０にターゲット条件を入力する。本例では、ターゲット条件を「“東京都在住の営業職の女性で、化粧品情報に興味のある人”」とする。ターゲット条件受取部８１０は、ターゲット条件「東京都在住、営業職、女性、化粧品情報に興味のある人」を受信する。そして、ターゲット条件受取部８１０は、「東京都在住、営業職、女性、化粧品情報に興味のある人」を属性照会部８２０に送信する。なお、属性に関する条件が無かった場合には、興味照会部８３０にターゲット条件を送信する。

属性照会部８２０は、ターゲット条件のうち、属性に該当する「東京都在住」「営業職」「女性」に合致する情報受信者情報を、図２４（ａ）に示す人間体系１データベース１２００から取得する。本例では、「ＢＢさん」「ＣＣさん」「ＤＤさん」を取得する。そして、属性照会部８２０は、取得した情報受信者情報とターゲット条件のうち、興味に該当する条件、すなわち、本例では「化粧品」を興味照会部８３０に送信する。

興味照会部８３０は、基準値を保持している。基準値は、サービス提供者によって設定されるか、事前にシステム内で設定される。興味照会部８３０は、情報受信者情報（「ＢＢさん」「ＣＣさん」「ＤＤさん」）と、ターゲット条件のうち、興味に該当する条件（すなわち、本例では「化粧品」）を受信する。興味照会部８３０は、情報受信者情報（「ＢＢさん」「ＣＣさん」「ＤＤさん」）、興味に該当する条件（すなわち、本例では「化粧品」）、基準値（本例では1.0）を概念体系／興味スコアデータベース１４０に入力する。そして、図２４（ｂ）に示す概念体系／興味スコアデータベース１４０から、情報受信者の興味に該当する条件（「化粧品」）のうち、基準値を満たす情報受信者情報を取得する。本例の場合は、「ＣＣさん」「ＤＤさん」を受信する。受け取った情報受信者情報は、すなわち、ターゲット条件（属性、興味）に合致する情報受信者の情報である（以下、略して、ターゲット条件（属性、興味）合致情報受信者情報とする）。興味照会部８３０は、ターゲット条件（属性、興味）合致情報受信者情報（「ＣＣさん」「ＤＤさん」）をターゲット集団情報送信部８４０に送信する。

ターゲット集団情報送信部８４０は、ターゲット条件（属性、興味）合致情報受信者情報（「ＣＣさん」「ＤＤさん」）を、サービス提供者に返却、または、影響力推定装置７００に送信する。
影響力推定装置７００は、（方法１）を実現する装置である。サービス提供者が、解析依頼装置１１００に影響力推定の依頼とターゲット条件（属性、興味）の入力を行うと、解析依頼装置１１００は、影響力推定装置７００の影響力推定集団受信部７１０にターゲット条件を入力する。また、サービス提供者が予めターゲット集団選定の依頼（ターゲット条件の入力を含む）と同時に、影響力推定の依頼を行った場合には、影響力推定集団受信部７１０は、ターゲット集団情報送信部８４０からターゲット条件（属性、興味）合致情報受信者情報（「ＣＣさん」「ＤＤさん」）を受信する。影響力推定集団受信部７１０は、ターゲット条件（属性、興味）合致情報受信者情報（「ＣＣさん」「ＤＤさん」）を影響度スコア取得部７２０に送信する。

影響度スコア取得部７２０は、図２４（ｃ）に示す各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０から、ターゲット条件（属性、興味）合致情報受信者（「ＣＣさん」「ＤＤさん」）の影響度スコアを取得する。なお、図２４（ｃ）に示す影響度スコアデータベースの内容は、図２０、図２１の影響度スコアをまとめた場合の例である。取得する影響度スコアは、各情報発信者の最上位層に位置するノード（ルート概念）の影響度スコア、すなわち、情報発信者に対する影響度を示すものを用いる場合と、各情報発信者にかかわる影響度について、下位にある特定の概念に対する影響度スコアを用いる場合とがあるが、どちらでもよい。本例の場合、各情報発信者の最上位層に位置するノードの影響度スコアを用いる場合を例に説明する。各情報発信者の最上位層に位置するノード（ルート概念）の影響度スコアが図２５（ａ）のように保存されている（図２５（ａ）は、図２４（ｃ）の構造をテーブルで表記したものである）。なお、各情報発信者にかかわる影響度について、下位にある特定の概念に対する影響度スコアを用いる場合には、図２５（ｂ）のように保存されているものを利用する。影響度スコア取得部７２０は、図２５（ａ）より（４）式に示す影響度スコアを取得し、取得した影響度スコアを影響力スコア算出部７３０に送信する。

影響力スコア算出部７３０は、影響度スコアを取得し、（１）式、または、（１）’式、または、その他の集約式を用いて影響力スコアを算出する。本例では、（１）’式を用いて算出し、図２５（ｃ）を得る。例えば、大学教授の場合の影響力スコア算出計算は（５）式によって得られる。

影響力スコア算出部７３０は、影響力スコアを高スコアの順に並べ替え、並べ替えた影響力スコア（図２５（ｄ））を影響力推定結果送信部７４０へ送信する。
影響力推定結果送信部７４０は影響力スコア（図２５（ｄ））を受信する。そして、サービス提供者が設定した、あるいは、システムに事前に設定された任意の件数分をサービス提供者に送信する。

以下、方法４について、（方法４−１）、（方法４−２）、（方法４−３）に分けて説明する。
（方法４−１の場合）
方法４−１は、実際にアクションが起こった情報受信者に注目し、実際にアクションが起こった情報受信者群の影響力を推定するものである。方法４−１は、例えば、メールマガジン（情報）を配信し、情報受信者が開封する（アクション）といった、同じ情報受信者が再びアクションを起こしやすい事例においてプロモーションを実施したい場合などに有用である。

図２６は、（方法４−１）を実現するシステムとして、影響力推定装置７００、ターゲット集団選定装置８００、ターゲット集団更新装置９００の機能構成、解析依頼装置１１００、人間体系１データベース１２００、影響度分析装置２００内の各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０及び興味分析装置１００内の概念体系／興味スコアデータベース１４０、情報受信者行動ログデータベース１３００間の連携を示すブロック図である。

図２６において、（方法１）〜（方法３）の範囲については、図２３を用いて述べた上記の内容と同一である。ここでは、影響力推定結果送信部７４０が、サービス提供者が設定した、あるいは、システムに事前に設定された任意の件数分をサービス提供者に送信を完了した後の任意のタイミングで（例えば、サービス提供者が影響力スコアの高い情報発信者を一人受信し、その情報発信者を使った商品のプロモーションを実施した１週間後、など）、サービス提供者が、評価対象情報、更新依頼（ターゲット集団のみ、または、ターゲット集団と影響力の両方）をターゲット集団更新装置９００の行動ログ取得部９１０に送信する。

ターゲット集団更新装置９００において、行動ログ取得部９１０は、評価対象情報、更新依頼（ターゲット集団、または、ターゲット集団と影響力の両方）を取得する。行動ログ取得部９１０は、情報受信者行動ログデータベース１３００から評価対象情報に関わる情報受信者の行動ログ（例えば、詳細ページ閲覧ログ、購入ログなど）を取得する。本例では、図２８のような情報受信者行動ログがあるとする。

この場合の手順は以下の通りである。
行動ログ取得部９１０は、評価対象情報（本例では、メールマガジンα）に関わる情報受信者の行動ログのうち、開封というアクションのあった情報受信者の情報を取得する。本例では、「ＡＡさん」「ＣＣさん」「ＤＤさん」を取得し、「ＡＡさん」「ＣＣさん」「ＤＤさん」を新ターゲット集団とする。そして、行動ログ取得部９１０は、評価対象情報（本例では、メールマガジンα）、該当情報受信者情報（「ＡＡさん」「ＣＣさん」「ＤＤさん」）を、ターゲット集団更新部９２０に送信する。そして、ターゲット集団更新部９２０は、評価対象情報（本例では、メールマガジンα）、該当情報受信者情報（「ＡＡさん」「ＣＣさん」「ＤＤさん」）を、新ターゲット集団送信部９３０に送信する。新ターゲット集団送信部９３０は、解析依頼装置１１００からの更新依頼がターゲット集団のみだった場合には、解析依頼装置１１００を介して、サービス提供者に該当情報受信者情報（「ＡＡさん」「ＣＣさん」「ＤＤさん」）を返却する。解析依頼装置１１００からの更新依頼がターゲット集団と影響力の両方だった場合には、評価対象情報（本例では、メールマガジンα）、該当情報受信者情報（「ＡＡさん」「ＣＣさん」「ＤＤさん」）を、影響力推定集団受信部７１０に送信する。以後の手順は、上記で述べた、影響力推定装置７００の手順と同様である。

（方法４−２の場合）
（方法４−２）の場合、例えば、企業が、webサイトやブログなどの情報発信者を通じて家具、車などの商品（高額なものや、消耗しにくいものは、再び購入されるまで時間が開く。）情報を提示した際に、情報受信者が購入する（アクション）といった、比較的、同一情報受信者が再び同じアクションを起こしにくい事象において有用である。

図２７は、（方法４−２）を実現するシステムとして、影響力推定装置７００、ターゲット集団選定装置８００、ターゲット集団更新装置９００の機能構成、解析依頼装置１１００、人間体系１データベース１２００、影響度分析装置２００内の各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０及び興味分析装置１００内の概念体系／興味スコアデータベース１４０、情報受信者行動ログデータベース１３００間の連携を示すブロック図である。本例では、図２９（ａ）のような情報受信者行動ログがあるとする。

図２７において、（方法１）〜（方法３）の範囲については、図２３を用いて述べた上記の内容と同一である。
ここでは、影響力推定結果送信部７４０が、サービス提供者が設定した、あるいは、システムに事前に設定された任意の件数分をサービス提供者に送信を完了した後の任意のタイミングで（例えば、サービス提供者が影響力スコアの高い情報発信者を一人受信し、その情報発信者を使った商品のプロモーションを実施した１週間後、など）、サービス提供者が、評価対象情報、更新依頼（ターゲット集団のみ、または、ターゲット集団と影響力の両方）を解析依頼装置１１００に入力すると、解析依頼装置１１００はターゲット集団更新装置９００の行動ログ取得部９１０に送信する。行動ログ取得部９１０は、情報受信者行動ログデータベース１３００から、評価対象情報（本例では、化粧品β）に関わる情報受信者の行動ログのうち、購入というアクションのあった情報受信者の情報、アクションが生じる前のページ閲覧という行動（サブアクションと呼ぶ）が生じた情報受信者の情報を取得する。本例の場合、アクションが生じた情報受信者として「ＡＡさん」「ＣＣさん」「ＤＤさん」を取得し、サブアクションが生じた情報受信者として「ＡＡさん」「ＣＣさん」「ＤＤさん」「ＦＦさん」を取得する。

そして、行動ログ取得部９１０は、評価対象情報（本例では、化粧品β）、アクションが生じた情報受信者情報（「ＡＡさん」「ＣＣさん」「ＤＤさん」）、サブアクションが生じた情報受信者情報（「ＡＡさん」「ＣＣさん」「ＤＤさん」「ＦＦさん」）を、ターゲット集団特性抽出部９５０に送信する。

そして、ターゲット集団特性抽出部９５０は、アクションが生じた情報受信者情報（「ＡＡさん」「ＣＣさん」「ＤＤさん」）、サブアクションが生じた情報受信者情報（「ＡＡさん」「ＣＣさん」「ＤＤさん」「ＦＦさん」）の持つ属性を人間体系１データベース１２００から取得する。また、「ＡＡさん」「ＣＣさん」「ＤＤさん」「ＦＦさん」の興味スコアについて、興味スコアが一定基準以上の概念を取得する。基準は事前にサービス提供者が定めるか、事前にシステム内で定められるものとする（本例では、興味スコア2.0以上とする）。本例で取得したリストは、図２９（ｂ）とする。図２９（ｂ）について、図１５に記載の式の、「コンテンツ」を「情報受信者」に置き換え、また、「概念」を各「項目」（属性、興味を示す概念）に置き換え、各「項目」（属性、興味を示す概念）の特徴スコア（以後、ターゲット傾向スコアと呼ぶ）を算出する。この様子を図３０に示す。すなわち、図３０（ａ）に示すように、「項目」（男性、女性、テニス、鉄道、ゴルフ）について、一覧閲覧ユーザリストとして「ＡＡさん」「ＣＣさん」「ＤＤさん」「ＥＥさん」「ＦＦさん」が抽出され、さらに詳細閲覧ユーザリストとして「ＡＡさん」「ＣＣさん」「ＤＤさん」が抽出されるとき、図３０（ｂ）に示す情報受信者のターゲット傾向スコアが得られる。なお、例えば、「テニス」についてのターゲット傾向スコアは（６）式で表わされる。

ターゲット集団特性抽出部９４０は、得られた評価対象情報（本例では、化粧品β）と項目情報（男性、女性、テニス、鉄道、ゴルフ）と各項目のターゲット傾向スコアを、ターゲット集団更新部９５０に送信する。
ターゲット集団更新部９５０は、受信した評価対象情報（本例では、化粧品β）と項目情報（男性、女性、テニス、鉄道、ゴルフ）と各項目のターゲット傾向スコアを、ターゲット集団選定装置８００のターゲット条件受取部８１０に送信する。（方法２）と同様に、ターゲット集団選定装置８００は（方法２）と同様の方法で、ターゲット集団に該当する情報受信者情報を取得する。ただし、本説明の（方法４）の例の場合には、ターゲット条件として項目情報（男性、女性、テニス、鉄道、ゴルフ）それぞれに該当するターゲット集団を別々に抽出することとする。すなわち、本例の場合では、「女性」「男性」「テニス（例えば、興味スコア2.0以上：興味照会部８３０が所有する事前に定められた基準値）」「鉄道（興味スコア2.0以上）」「ゴルフ（興味スコア2.0以上）」に該当する情報受信者を取得し、計５つのターゲット集団を得る。ここで、ターゲット集団情報送信部８４０は、サービス提供者からの更新依頼がターゲット集団のみだった場合には、サービス提供者に解析依頼装置１１００を介して、ターゲット傾向スコアと５つのターゲット集団を返却する。

そして、評価対象情報、項目情報、各項目のターゲット傾向スコア、ターゲット条件合致情報受信者情報を、影響力推定装置７００の影響力推定集団受信部７１０に送信する。そして、「女性」「男性」「テニス（興味スコア2.0以上）」「鉄道（興味スコア2.0以上）」「ゴルフ（興味スコア2.0以上）」に該当する、計５つのターゲット集団それぞれにおける影響力スコアを、（方法３）と同様に算出する（算出結果一例を、図３１（ａ）〜（ｅ）に示す）。そして、さらに、影響力スコア算出部７３０で、影響力スコアが算出された後、（２）式を用いて影響力を集約する。以下の（７）式は、Ａさんの影響力スコアの集約を行ったものである。

影響力の集約は、情報発信者毎（本例の場合は、Ａさん、Ｂさん）に計算を行う。以後は、(方法３)と同様である。
上記実施例のシステム構成によれば、ターゲット集団における影響元（情報発信者）に注目し、情報発信者の影響力スコアを算出することにより、影響力を推定し把握することができる。また、興味スコアを基準として、ターゲティングを行うことで、ターゲット集団を細分化して捉えることができる。さらに、実際の購買などの選択履歴を用いて、逐次再ターゲティングを行い、また、影響力のある人または集団を求めることで、実態に即したプロモーションを実施することができる。

なお、興味スコアＤＢ１４０、各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０、コンテンツデータベース３３０は、興味分析装置１００内、影響度分析装置２００内、コンテンツスコアリング装置３００内に必ずしも含まれている必要はなく、独立していてもよい。

また、コンテンツサーバ５００がクライアント端末４００から取得する一覧閲覧コンテンツリスト、詳細閲覧コンテンツリストは、情報受信者に対して表示されたリスト、情報受信者が詳細を閲覧したリストに限定されるものではなく、例えば、一覧閲覧コンテンツリストをユーザが商品情報の詳細を閲覧したリストとし、詳細閲覧コンテンツリストをユーザが実際に商品を購入したリストとしてもよい。
また、情報受信者行動ログＤＢ７００は、コンテンツデータベース３３０と内容が重複する場合には、どちらか一方を併用してもよい。
また、（２）式における重みｗを適宜変更する事により、例えば閲覧のログに比べ、購買のログを重視して影響度スコアを計算する事ができる。ｗはサービス提供者が適宜定める。

要するにこの発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

１００…興味分析装置、１１０…履歴情報受信部、１２０…興味の特徴スコア算出部、１３０…興味概念体系更新処理部、１４０…概念体系／興味スコアデータベース、２００…影響度分析装置、２１０…履歴情報受信部、２２０…人間体系２データベース、２３０…影響度の特徴スコア算出部、２４０…各人・グループに対する影響度の概念体系更新処理部、２５０…各人・グループに対する影響度スコアを持つ影響度概念体系データベース、３００…コンテンツスコアリング装置、３１０…ソート済みコンテンツリスト送信部、３２０…コンテンツ評価処理部、３３０…コンテンツデータベース、３４０…コンテンツ・オススメタグ受信部、４００…クライアント端末、４１０…履歴収集部、４２０…履歴情報送信部、４３０…コンテンツ提示部、４４０…コンテンツ要求送信部、４５０…オススメタグ付与部、５００…コンテンツサーバ、５１０…コンテンツ送信処理部、５２０…ソート済みコンテンツリスト受信部、５３０…コンテンツリスト送信部、５４０…コンテンツリスト入力部、５５０…履歴情報転送部、５６０…コンテンツ要求転送部、５７０…オススメタグ入力部、５８０…オススメタグ送信部、７００…影響力推定装置、７１０…影響力推定集団受信部、７２０…影響度スコア取得部、７３０…影響力スコア算出部、７４０…影響力推定結果送信部、８００…ターゲット集団選定装置、８１０…ターゲット条件受取部、８２０…属性照会部、８３０…興味照会部、８４０…ターゲット集団情報送信部、９００…ターゲット集団更新装置、９１０…行動ログ取得部、９２０…ターゲット集団更新部、９３０…新ターゲット集団送信部、９４０…ターゲット集団特性抽出部、９５０…ターゲット集団更新部、１０００…情報受信者スコア更新装置、１０１０…行動ログ取得部、１０２０…興味スコア・影響度スコア更新依頼部、１１００…解析依頼装置、１２００…人間体系１データベース、１３００…情報受信者行動ログデータベース。

Claims

コンピュータにより、情報受信者が情報発信者から受ける影響の度合いを示す影響度スコア、及び前記情報受信者に対する影響度の特徴スコアを人間体系の最下層に位置する個人について算出し、前記影響度の特徴スコアを用いて前記影響度スコアを更新し、前記情報受信者それぞれの前記情報発信者に関する影響度スコアを統合し、その統合結果から前記情報発信者が情報受信者群に対して与える影響力を推定する影響力推定方法。
コンピュータにより、情報受信者が情報発信者から受ける影響の度合いを示す影響度スコア、及び前記情報受信者に対する影響度の特徴スコアを人間体系の最下層以外に位置する集団について算出し、前記影響度の特徴スコアを用いて前記影響度スコアを更新し、前記情報受信者それぞれの前記情報発信者に関する影響度スコアを統合し、その統合結果から前記情報発信者が情報受信者群に対して与える影響力を推定する影響力推定方法。
前記情報受信者の属性に関する任意のターゲット条件の指定入力に従って、前記ターゲット条件に合う情報受信者を前記情報受信者群なるターゲット集団として抽出する請求項１または２記載の影響力推定方法。
前記情報受信者の情報選択履歴を利用して興味スコアを算出し、
前記情報受信者の興味に関する任意のターゲット条件の指定入力に従って、前記ターゲット条件に合う興味スコアを持つ情報受信者を前記情報受信者群なるターゲット集団として抽出する請求項１または２記載の影響力推定方法。
前記影響力の推定結果に基づいて特定された前記情報発信者によるプロモーションを実行するとき、
前記プロモーション実行後の前記情報受信者の行動ログを参照し、実際に特定の行動があった情報受信者を抽出して前記ターゲット集団を更新する請求項３または４記載の影響力推定方法。
前記影響力の推定結果に基づいて特定の情報発信者によるプロモーションを実行するとき、前記プロモーション実行後の前記情報受信者の行動ログを用いて、実際に特定の行動があった情報受信者の属性、興味を示す特徴について、その特徴に合致する情報受信者群の、行動を起こした人がどの程度多かったかを示す行動傾向を算出し、さらに、前記特徴に合致する情報受信者群を特徴毎に取得し、算出した行動傾向を踏まえて、影響力を推定する請求項５記載の影響力推定方法。
請求項３または４に記載の影響力推定方法をコンピュータに実行させて、前記ターゲット集団を選定し、前記影響力を推定する影響力推定装置。
請求項１乃至６のいずれか記載の影響力推定方法が備える各過程における処理を前記コンピュータに実行させる影響力推定プログラム。