JP6069246B2 - 情報処理装置、情報処理装置の制御方法、及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理装置の制御方法、及びプログラムに関する。

近年、地上デジタル放送サービスや、ＢＳ（Broadcasting Satellite）、ＣＳ（Communications Satellite）デジタル放送サービスの開始に伴い、テレビの多チャンネル化が目覚ましい。ユーザは、このような放送サービスによって放送される番組、放送された番組を録画した番組、又はインターネット上のサーバに不特定多数のユーザが投稿し、共有し、視聴できる動画サイト等（以下、これらを纏めて「コンテンツ」ともいう。）といった多数の選択肢の中から、自分の興味関心が高いカテゴリに属するコンテンツの視聴を行うことが可能である。そして、これらのコンテンツの視聴に対応することが可能な、テレビジョン受信機、録画再生機、及びパーソナルコンピュータに代表される情報処理装置も普及している。

一方、ユーザは、自分が興味関心を抱き、自分の嗜好に合致するコンテンツのみを選別し、視聴することが非常に困難であるという問題がある。また、受信されたコンテンツデータを一旦蓄積した後、視聴する仕組みを設けたとしても、大量のコンテンツデータが蓄積されている場合には、どのコンテンツが自分の嗜好に合致するものであるかを即時に判断することも困難である。

このような状況の下、近年、コンテンツのジャンル等の情報を含むコンテンツのメタデータに基づいて、ユーザにコンテンツを推薦するシステムやサービスが提案されている。これは、ユーザのコンテンツ視聴履歴を元にコンテンツに対するユーザの嗜好を学習し、その学習結果に基づいてユーザの嗜好に合ったコンテンツを推薦するものである。

例えば、週１回の放送で１３週を一区切りの単位とする１クールの連続番組や、複数クールに跨るシリーズ物の連続番組を視聴している間は、ユーザの視聴履歴を安定的に取得することができるので、視聴履歴に基づいてユーザの嗜好を学習し、ユーザの興味関心が高いと推測されるコンテンツを安定的に供給することができる。

特許文献１には、電子番組表から番組を検索する番組検索装置おいて、番組改変期に、番組表示情報の中に文字列「新」が含まれていることを検出することにより、当該番組表示情報において示される番組が新番組であることを検出できるため、これを、定期番組を示す定期番組表示情報とは異なる特別番組表示情報として表示し、定期番組表示情報と特別番組表示情報とのそれぞれに対応する付属情報から、ユーザの番組嗜好を表す嗜好キーワードに対応する嗜好値に基づいてお勧め値を算出し、当該お勧め値に基づいて定期番組表示情報及び特別番組表示情報の並び替えを行うことが記載されている。

非特許文献１には、番組表の番組名や詳細情報に出てくる言葉をキーワードにして番組を探すおまかせタフ録り機能によって自動的に予約録画される新番組と、毎週放送されるシリーズ番組を繰り返し録画するシリーズ録画とでは、シリーズ録画の優先度が高いことが記載されている。

特許第４７１９１５３号公報

１２１ｗａｒｅ ＮＥＣパーソナル商品総合情報サイト サービス＆サポート 電子マニュアルビューア、"ＶＡＬＵＥＳＴＡＲ ＶＮ９７０／ＲＳＢ テレビを楽しむ本 基本編"、［online］、平成２６年１月、ｐ．１２９−１３０［平成２６年１月１３日検索］、インターネット〈URL：http://121ware.com/e-manual/m/nx/ac/201401/etv/v1/mst/853_811064_355_a.pdf〉

しかしながら、国内のテレビ業界には、主として春と秋とに番組の入れ替えを行う改変期が存在し、基本的に３月、９月に入ると、それまで放送されていたドラマ・バラエティ番組等が終了し、４月、１０月になると新番組が始まる。そして、上記従来の技術では、新番組に対する視聴履歴は未だ取得されていないので、ユーザの嗜好を反映したコンテンツを安定的に推薦することができなくなるという問題がある。

また、上記特許文献１に記載された番組検索装置では、定期番組と新番組を含む特別番組とがユーザの嗜好キーワードに対応する嗜好値に基づいて表示されるが、新番組に付されている付属情報は、必ずしもユーザの嗜好を表しているとは限らないので、ユーザの嗜好に合致しない新番組が表示されるという課題がある。

さらに、上記非特許文献１に記載された情報処理装置では、シリーズ番組（連続番組）の録画の方が、おまかせタフ録り機能によって予約される新番組よりも優先度が高いので、ユーザの嗜好に合致する可能性のある新番組が録画され難いという問題があった。

そこで本発明は、上記従来の問題点に鑑みてなされたもので、シリーズコンテンツ及び新コンテンツを満遍なくお勧めすると共に、ユーザの嗜好を反映したコンテンツも併せてお勧めすることが可能な情報処理装置、情報処理装置の制御方法、及びプログラムを提供することを目的とする。

上記課題を解決するため、請求項１に記載の本発明における情報処理装置は、所定期間連続して放送されるシリーズコンテンツに対する興味度、又は新たに放送が開始される新コンテンツに対する興味度と、ユーザの視聴履歴を分析することにより得られた文字列情報から推定された前記ユーザの推定興味度を、コンテンツの内容に基づく分類であるジャンル毎に予め設定されたジャンル興味度により非線形変換して得られたお勧めコンテンツに対する興味度と、の各々に対し、異なるパラメータを乗じて加算することにより、前記ユーザに対して推薦するコンテンツのお勧め度を決定することを特徴とする。

また、請求項２に記載の本発明における情報処理装置は、請求項１に記載の情報処理装置において、前記ユーザの嗜好は、前記ユーザによるコンテンツの視聴に伴って学習され、前記学習が進行するに連れ、前記シリーズコンテンツに対する興味度、又は前記新コンテンツに対する興味度に乗ずるパラメータは漸減し、前記お勧めコンテンツに対する興味度に乗ずるパラメータは漸増することを特徴とする。

さらに、請求項３に記載の本発明における情報処理装置は、請求項２に記載の情報処理装置において、前記ユーザに対して推薦するコンテンツは、前記所定期間連続して放送されるシリーズコンテンツ、又は新たに放送が開始される新コンテンツ以外のコンテンツをも含み、前記学習が進行するに連れ、前記ユーザの嗜好を反映したお勧めコンテンツの数は増加することを特徴とする。

また、請求項４に記載の本発明における情報処理装置は、請求項３に記載の情報処理装置において、前記学習の進行が、前記ジャンル興味度が設定されたコンテンツがすべてのコンテンツに対して如何なる割合でお勧めされるかを決定するために設定される所定の閾値と前記パラメータの値とが一致する所定段階に到達すると、以後前記学習の進行が終了するまで、前記ユーザの嗜好を反映したお勧めコンテンツの数は等速で増加することを特徴とする。

そして、請求項５に記載の本発明における情報処理装置は、請求項４に記載の情報処理装置において、前記学習の進行が初期段階から前記所定段階に到達するまで、前記ユーザの嗜好を反映したお勧めコンテンツの興味度は線形的に増加し、前記所定段階から前記学習の進行が終了するまで、前記お勧めコンテンツの数は等速に増加することを特徴とする。

また、請求項６に記載の本発明における情報処理装置は、請求項１又は２に記載の情報処理装置において、前記推定興味度は、前記視聴されたコンテンツを機械学習することにより得られた前記コンテンツに含まれる情報に対する興味度と、該興味度の順位との関係を正規化することにより推定されることを特徴とする。

さらに、請求項７に記載の本発明における情報処理装置は、請求項６に記載の情報処理装置において、前記推定興味度は、前記コンテンツに含まれる情報に対する興味度と、該興味度の順位との関係のうち、少なくとも非線形領域を正規化することにより推定されることを特徴とする。

また、上記課題を解決するため、請求項８に記載の本発明における情報処理装置の制御方法は、所定期間連続して放送されるシリーズコンテンツに対する興味度、又は新たに放送が開始される新コンテンツに対する興味度と、ユーザの視聴履歴を分析することにより得られた文字列情報から推定された前記ユーザの推定興味度を、コンテンツの内容に基づく分類であるジャンル毎に予め設定されたジャンル興味度により非線形変換して得られた興味度と、の各々に対し、異なるパラメータを乗じて加算することにより、前記ユーザに対して推薦するコンテンツのお勧め度を決定する工程を含むことを特徴とする。

そして、上記課題を解決するため、請求項９に記載の本発明におけるプログラムは、情報処理装置のコンピュータに、所定期間連続して放送されるシリーズコンテンツに対する興味度、又は新たに放送が開始される新コンテンツに対する興味度と、ユーザの視聴履歴を分析することにより得られた文字列情報から推定された前記ユーザの推定興味度を、コンテンツの内容に基づく分類であるジャンル毎に予め設定されたジャンル興味度により非線形変換して得られた興味度と、の各々に対し、異なるパラメータを乗じて加算することにより、前記ユーザに対して推薦するコンテンツのお勧め度を決定する処理を実現させることを特徴とする。

本発明によれば、シリーズコンテンツ及び新コンテンツを満遍なくお勧めすると共に、ユーザの嗜好を反映したコンテンツも併せてお勧めすることが可能な情報処理装置、情報処理装置の制御方法、及びプログラムが得られる。

本発明の実施形態における情報処理装置を含む情報処理システム全体の構成を示す図である。 本発明の実施形態における情報処理装置の全体構成について説明する概略ブロック図である。 本発明の実施形態におけるＷｅｂサーバの全体構成について説明する概略ブロック図である。 本発明の実施形態における情報処理装置の機能ブロック図である。 本発明の実施形態における情報処理装置において同一興味度の新番組と通常番組とにおけるお勧め度の違いを概念的に説明する図である。 本発明の実施形態における情報処理装置のお勧め度計算アルゴリズムについて説明する機能ブロック図である。 本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の設定について説明する図である。 本発明の実施形態における情報処理装置の動作について説明するフローチャートである。 本発明の実施形態における情報処理装置において視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を示す図である。 図９で作成した機械学習により作成した文字列に対する興味度と順位との関係を正規化した図である。 本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の離散値と、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を正規化したものと、を演算したときの正規化済み文字列に対する興味度とお勧め度との関係を示す図である。 本発明の実施形態における情報処理装置においてある加重平均のパラメータにおいて閾値を設定したときの当該ジャンルが録画される割合について説明する図である。 本発明の実施形態における情報処理装置において学習が経過し、加重平均のパラメータが増加するに連れて録画番組数の増加量を一定にすることを説明する図である。 本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の離散値と、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を正規化したものと、を演算したときの正規化済み文字列に対する興味度とお勧め度との関係に対して閾値を設定したときの状態について説明する図である。

次に、本発明を実施するための形態について図面を参照して詳細に説明する。なお、各図中、同一又は相当する部分には同一の符号を付しており、その重複説明は適宜に簡略化乃至省略する。本発明の内容を簡潔に説明すると、所定期間連続して放送されるシリーズコンテンツに対する興味度、又は新たに放送が開始される新コンテンツに対する興味度と、ユーザの嗜好を反映したお勧めコンテンツに対する興味度との各々に対し、異なるパラメータを乗じて加算することにより、ユーザに対して推薦するコンテンツのお勧め度を決定することにより、シリーズコンテンツ及び新コンテンツを満遍なくお勧めすると共に、ユーザの嗜好を反映したコンテンツも併せてお勧めすることができるのである。

すなわち、番組改変期には、それまで放送されていた番組が終了し、新番組が始まるので、それまでの蓄積によって学習されたユーザの嗜好に基づくお勧め番組の精度が低下するので、番組改編後、視聴履歴等に基づくユーザの嗜好を反映した興味度の学習が進行する所定の時期までは、新番組及び改編後も継続する番組をお勧めする比重を高くし、学習が進行するに連れて、徐々にユーザの嗜好に合致する番組をお勧めする比重を高くしていくことにより、ユーザに対して推薦するコンテンツのお勧め度を決定しているのである。

まず、本発明の実施形態における情報処理装置を含む情報処理システム全体の構成について説明する。図１は、本発明の実施形態における情報処理装置を含む情報処理システム全体の構成を示す図である。図１を参照すると、本発明の実施形態における情報処理装置を含む情報処理システム１０は、例えば、パーソナルコンピュータ（以下、ＰＣともいう。）を代表とする情報処理装置２００が、インターネット等の広く公衆によって接続可能なネットワーク３００を介してＷｅｂサーバ４００に接続されている。また、ＰＣ２００は、放送局１００から送信される放送波や、Ｗｅｂサーバ４００から送出されるコンテンツを受信することができるようになっている。なお、情報処理装置２００には、ＰＣ以外に図示しないスマートフォン等の携帯情報端末も含まれることは勿論である。

また、Ｗｅｂサーバ４００は、ＰＣ２００、及び図示しないスマートフォン等と、インターネット等のネットワーク３００を介して接続されている。そして、ＰＣ２００、及び図示しないスマートフォン等から発せられた任意のＷｅｂページに接続したい旨のアクセス要求に対して、ＵＲＬ（Uniform Resource Locator）で特定されたＷｅｂサーバ４００から提供されるＷｅｂページの閲覧が可能となる。なお、図１中には、インターネット等のネットワーク３００に対してＰＣ２００のみ接続されているが、情報処理装置は１台に限定されず、複数台接続されていることはいうまでも無い。

次に、本発明の実施形態における情報処理装置の全体構成について説明する。図２は、本発明の実施形態における情報処理装置の全体構成について説明する概略ブロック図である。ＰＣ２００は、ＴＶチューナ部２０１と、ネットワーク接続部２０５と、ＣＰＵ（Central Processing Unit）２０６と、ＲＯＭ（Read Only Memory）２０２と、ＲＡＭ（Random Access Memory）２０３と、ＨＤＤ（Hard Disk Drive）２０４と、表示部２０７と、入力部２０８と、電源部２０９とから構成される。

ＴＶチューナ部２０１は、放送局１００（図１）から送信される地上デジタル、ＢＳ、及びＣＳ放送をアンテナから受信し復調するものである。ネットワーク接続部２０５は、インターネットに代表されるネットワーク３００に接続され、ネットワーク３００とのインタフェースを図るものである。ＣＰＵ２０６は、ＰＣ２００全体の動作を制御するものであり、ＲＯＭ２０２に格納された制御プログラムをロードし、ＰＣ２００の動作によって得られた様々なデータをＲＡＭ２０３に展開するものである。ＨＤＤ２０４は、ＰＣ２００のアプリケーションソフトウェアプログラムを格納したり、ＴＶチューナ部２０１によって受信されたテレビ番組や、Ｗｅｂサーバ４００から送出されるコンテンツ（以下、これ等をまとめてコンテンツともいう。）を録画したりするものである。

表示部２０７は、ＬＣＤ（Liquid Crystal Display）等で構成される表示画面であり、ＰＣ２００によって実行されたアプリケーションソフトウェアプログラムの結果やＴＶチューナ部２０１によって受信されたテレビ番組、及びＷｅｂサーバ４００から受信したコンテンツを表示するものである。入力部２０８は、キーボード、マウス、タッチパネル等、ユーザがＰＣ２００に対して指示を与えるものである。そして、電源部２０９は、ＰＣ２００に対してＡＣ（Alternative Current：交流）、又はＤＣ（Direct Current：直流）電源を与えるものである。

次に、本発明の実施形態におけるＷｅｂサーバの全体構成について説明する。図３は、本発明の実施形態におけるＷｅｂサーバの全体構成について説明する概略ブロック図である。Ｗｅｂサーバ４００は、ネットワーク接続部４０３と、ＣＰＵ４０４と、ＲＯＭ４０１と、データベース部４０２と、表示部４０５と、操作部４０６と、電源部４０７とから構成される。

ネットワーク接続部４０３は、インターネットに代表されるネットワーク３００（図１）に接続され、ネットワーク３００とのインタフェースを図るものである。ＣＰＵ４０４は、Ｗｅｂサーバ４００全体の動作を制御するものであり、ＲＯＭ４０１に格納された制御プログラムをロードし、ＣＰＵ４０４の動作によって得られた様々なデータをデータベース部４０２に展開したり、後述するように、ユーザの嗜好に合致するコンテンツを送出したりするものである。表示部４０５は、ＬＣＤ等で構成される表示画面であり、Ｗｅｂサーバ４００によってデータベース部４０２に格納されたデータの格納状況等を表示するものである。操作部４０６は、キーボード、マウス、タッチパネル等、Ｗｅｂサーバ４００の保守者が、Ｗｅｂサーバ４００に対して指示を与えるものである。そして、電源部４０７は、Ｗｅｂサーバ４００に対してＡＣ又はＤＣ電源を与えるものである。

次に、本発明の実施形態における情報処理装置の機能ブロックについて説明する。図４は、本発明の実施形態における情報処理装置の機能ブロック図である。

図４において、ＰＣ２００は、放送局１００（図１）から送信される放送波を受信する複数のチューナ部２１０、２１１、２１２、及び２１３と、チューナ部２１０、２１１、２１２、及び２１３により復調されたテレビ番組や、Ｗｅｂサーバ４００から送出されるコンテンツを記録し再生するするコンテンツ記録再生部２１４と、放送局１００から送信される電波の隙間を使って送信される電子番組ガイド（ＥＰＧ）を管理するＥＰＧ情報管理部２１７と、液晶（ＬＣＤ）等のディスプレイ２２１にテレビ番組やコンテンツを表示する動画表示処理部２１５と、を含んで構成されている。なお、チューナ部の数は、４個に限定されないことは勿論である。

また、ディスプレイ２２１には、ライブ放送されているテレビ番組の画面、録画されたテレビ番組の再生画面、録画されたテレビ番組の一覧表、Ｗｅｂサーバ４００から受信するコンテンツが表示されることは勿論であるが、後述するＥＰＧ情報管理部２１７により取得された、過去に放送された番組、現在放送されている番組、又は今後放送される予定の番組の番組表も表示される。また、テレビ番組とFacebook（登録商標）画面とを並べて表示したり、Facebook画面をテレビ画面のバックグラウンドで表示したりすることも可能である。

さらに、ＰＣ２００は、インターネット等の公衆に利用可能なネットワーク３００（図１）を介してＷｅｂサーバ４００に接続するためのネットワーク接続処理部２２０と、チューナ部２１０、２１１、２１２、及び２１３により受信されたテレビ番組や、Ｗｅｂサーバ４００から取得されたコンテンツに対するユーザの視聴履歴に基づいて、文字列（ワード、単語）を取得し記録する動画情報取得記録部２１９と、ＥＰＧ情報管理部２１７から送信される電子番組表、及び興味情報取得部２１８を介して設定されたコンテンツのジャンル毎の興味度と、受信されたユーザの視聴履歴に基づいて機械学習により作成した文字列（ワード、単語）に対する興味度と順位との関係を正規化したものとの間で所定の演算を実行し、お勧め度を解析する映像解析処理部２１６と、映像解析処理部２１６で解析されたお勧め度をディスプレイ２２１に表示する動画表示処理部２１５と、ＰＣ２００の動作を遠隔操作するリモコン２２２と、を含んで構成されている。

次に、本発明の実施形態における情報処理装置において同一興味度の新番組と通常番組とにおけるお勧め度の違いを概念的に説明する。図５は、本発明の実施形態における情報処理装置において同一興味度の新番組と通常番組とにおけるお勧め度の違いを概念的に説明する図である。なお、図５に示す正規化済み文字列に対する興味度とお勧め度との関係については後述する。

今、正規化済み文字列に対する興味度を横軸に、お勧め度を縦軸にとったとき、曲線Ｓは、所定のジャンルにおけるユーザの興味度が３である通常番組、すなわち、番組改変の影響を受けない通常番組（シリーズ番組、連続番組）の正規化済み文字列に対する興味度とお勧め度との関係を示している。これに対して、曲線Ｎは、所定のジャンルにおけるユーザの興味度が３である新番組の正規化済み文字列に対する興味度とお勧め度との関係を示している。すなわち、曲線Ｓに対して曲線Ｎのお勧め度を値Ｄだけ嵩上げしているのである。

すなわち、興味度３の新番組はユーザの視聴履歴を学習する上での未知の単語が多いため、それまで行われてきた学習の精度が著しく低下する。そうすると、新番組をお勧めする確率も低下してしまうので、図５に示すように、同一の興味度３を有するジャンルに属する番組であっても、新番組の正規化済み文字列に対する興味度に対するお勧め度を、通常番組よりも値Ｄだけ嵩上げしているのである。これにより、新番組が全くお勧めされないといった状況を改善することができる。

次に、本発明の実施形態における情報処理装置のお勧め度計算アルゴリズムについて説明する。図６は、本発明の実施形態における情報処理装置のお勧め度計算アルゴリズムについて説明する機能ブロック図である。

図６に示すように、本実施形態の対象となるお勧め度計算アルゴリズム６０５は、１週間分の電子番組ガイド（ＥＰＧ）６０１と、視聴中であるシリーズ番組（番組改変前後で変化がない番組）に関する情報６０２と、図７で説明する番組ジャンル７０１とそれに対する興味度７０２とに基づいて定められるジャンル興味度６０３と、閾値６０４とを入力とし、最終的に閾値以上のお勧め度付き番組リスト６０７を出力するものである。１週間分のＥＰＧ６０１は、ＥＰＧ情報管理部２１７（図４）によりテレビ放送の各番組の情報を格納したテーブルである。番組毎にタイトル、ジャンル、放送日時、放送局、その他のテキスト情報を保持する。

視聴中シリーズ番組６０２は、入力部２０８（図２）を用いてチャンネルを合わせ、当該シリーズ番組を視聴することにより、ＨＤＤ２０４に視聴したというフラグが立った状態で格納される。視聴中シリーズ番組６０２の情報を入力に持つことは、本実施形態の特徴の一つである。番組改編の有無に係わらず、シリーズ番組はできる限り連続して視聴したいという、ユーザの普遍的な要求の反映に利用する。

ジャンル興味度６０３は、図７において説明するように、明示的にユーザが各ジャンルに対して設定した興味度である。“ドラマ”、“ニュース／報道”、“バラエティ”等の各ジャンルに対して、興味度を段階的に設定可能なものとする。

ここで、本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の設定について説明する。図７は、本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の設定について説明する図である。

図７に示すように、ＰＣ２００のユーザは、チューナ部２１０、２１１、２１２、及び２１３を介して受信されるテレビ番組について、番組ジャンル７０１と各番組ジャンルに対する興味度７０２とを選択することができる。番組ジャンル７０１は、ニュース／報道、スポーツ、情報／ワイドショー、ドラマ、音楽、バラエティ、映画、アニメ／特撮、ドキュメンタリー／教養、劇場／公演、趣味／教育、福祉といった１２ジャンルに分類されている。このジャンル分けは、ＡＲＩＢ（Association of Radio Industries and Business：社団法人電波産業界）で定められたジャンル分類にしたがっているが、これ以外にも任意のジャンル分類を用いることができる。また、興味度７０２は、興味なし（０）から興味あり（４）の５段階で設定することができる。

図７の例では、ニュース／報道は興味度１、スポーツは興味なし（０）、情報／ワイドショーは興味度１、ドラマは興味度２、音楽は興味あり（４）、バラエティは興味度２、映画は興味度３、アニメ・特撮は興味度３、ドキュメンタリー／教養は興味度２、劇場／公演は興味度３、趣味／教育は興味度１、福祉は興味なし（０）、にそれぞれ設定されている。この各番組ジャンルに対する興味度の設定は、ユーザがＰＣ２００を購入した直後、又はユーザがＰＣ２００を購入後、ある一定期間コンテンツを視聴した後に設定するようにしても良い。そして、この各番組ジャンルに対する興味度の設定は、表示部２０７に図７に示す画面が表示された状態で、興味情報取得部２１８（図４）に対してユーザがＰＣ２００の入力部２０８を用いて行うようにする。

図６に戻り、閾値６０４は、ジャンルに対する興味度毎に生成されたお勧め度に対する切り捨て位置（足切り位置）を設定するものである。この閾値に関して、お勧め度計算アルゴリズム６０５と相関性を持たせることも本実施形態の特徴である。お勧め度計算アルゴリズム６０５は、本実施形態の主眼となる機能であり、お勧め度計算アルゴリズム６０５の計算過程において、後述する文字列による興味度推定アルゴリズム６０６を利用する。

なお、１週間分の電子番組ガイド（ＥＰＧ）６０１は、ＥＰＧ情報管理部２１７（図４）によって取得された後、ＲＡＭ２０３（図２）に格納され、ジャンル興味度６０３、及び閾値６０４は、入力部２０８を用いて入力された後、ＨＤＤ２０４に格納される。文字列による興味度推定アルゴリズム６０６、及びお勧め度計算アルゴリズム６０５は、ＣＰＵ２０６によって実行され、閾値以上のお勧め度付き番組リスト６０７は、ＨＤＤ２０４又はＲＡＭ２０３に格納される。

次に、本発明の実施形態における情報処理装置の動作について説明する。図８は、本発明の実施形態における情報処理装置の動作について説明するフローチャートである。

本実施形態のお勧め度計算アルゴリズムは、特に、シリーズ（連続）番組、又は新番組に対する興味度と、ユーザの嗜好を反映したお勧め番組に対する興味度とのそれぞれに対し所定の異なるパラメータを乗じ、それらの加重平均をとることを特徴としている。また、足切りに用いる閾値設定も、本実施形態の特徴である。以下、動作の流れについて説明する。

図８において、まず、ステップ（以下、Ｓという。）８０１の処理では、文字列による番組の興味度が計算される。この点について図９を用いて説明する。図９は、本発明の実施形態における情報処理装置において視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を示す図である。

図９に示すように、ユーザの嗜好を反映した視聴履歴に基づいて機械学習（マシンラーニング）により作成した文字列に対する興味度、換言すれば、視聴履歴に含まれる文字列（ワード、単語）を分析評価することにより得られた当該文字列（ワード、単語）に対する興味度を縦軸に、順位を横軸にとる。図９において、文字列に対する興味度が平均値にあるとき機械学習による順位は略網羅されるが、文字列に対する興味度が極端に大きくなるに連れて機械学習による順位は低下して飽和状態となり、文字列に対する興味度が極端に小さくなるに連れて機械学習による順位は増大して飽和状態となる。

ここで、機械学習（マシンラーニング）について若干説明する。本実施形態では、お勧め度を生成する計算過程において、文字列による興味度推定アルゴリズムを利用している。文字列による興味度推定アルゴリズムは、電子番組ガイド（ＥＰＧ）から取得される番組の概要や人名といった文字列情報から、ユーザの興味度を推定するものである。この推定は、例えば、ＴＦ／ＩＤＦ（Term Frequency Inverse Document Frequency）、ナイーブベイズ、ベクトル空間法、サポートベクタマシン等、公知の機械学習（マシンラーニング）を用いて行っている。本実施形態では、図９に示した文字列に対する興味度と順位との関係のうち、非線形領域（飽和状態となっている領域）だけでなく、線形領域（文字列に対する興味度が略平均値にある非飽和領域）をも用いてコンテンツの推薦を行うことにより、推薦数の自由度を高めている。

図８に戻り、Ｓ８０２の処理では、コンテンツの数分ループしたか否かが判断される。コンテンツの数分ループしていない（Ｓ８０２：ＮＯ）と判断されると、コンテンツの数分ループするまで待機する。コンテンツの数分ループした（Ｓ８０２：ＹＥＳ）と判断されると、Ｓ８０３の処理へ移行する。

Ｓ８０３の処理では、興味度の正規化が行われる。この点について図１０を用いて説明する。図１０は、図９で作成した機械学習により作成した文字列に対する興味度と順位との関係を正規化した図である。図１０において、図９の曲線を（０、１）の非線形の正規化を行うことにより、直線Ｌに近くなるように計算し変換している。

図８に戻り、Ｓ８０３の処理では、図１０で説明したような、図９で作成した機械学習により作成した文字列に対する興味度と順位との関係を正規化する処理である。興味度の正規化は、文字列による番組の興味度の推定値に対して、最大値を１、平均値を０．５、最小値を０とするような変換を行う。以後の計算の精度のためには、まず第１に、最大値、平均値、最小値は、直近のある期間の統計量を用いることである。例えば、ＴＦ／ＩＤＦやナイーブベイズを用いた演算の場合、理論的な最大／最小を規定することができないので、学習状況や番組表の状況に応じて、異なる統計量となる。状況に応じて最適に制御するためには、ある期間での統計量を用いることが望ましい。

第２に、非線形な変換を用いて、正規化後の興味度の分布を一様分布に近づけることである。一様分布から大きく離れる場合、ジャンル興味度を用いた非線形変換による分布の制御が困難となるからである。

図８に戻り、Ｓ８０４の処理では、コンテンツの数分ループしたか否かが判断される。コンテンツの数分ループしていない（Ｓ８０４：ＮＯ）と判断されると、コンテンツの数分ループするまで待機する。コンテンツの数分ループした（Ｓ８０４：ＹＥＳ）と判断されると、Ｓ８０５の処理へ移行する。

Ｓ８０５の処理では、ジャンル興味度による非線形変換が行われる。ジャンル興味度による非線形変換は、図１１に示すように正規化された文字列による興味度を非線形に変換する操作である。入力、出力共に、０−１の範囲を領域とするが、ジャンル興味度により、分布が制御される。変換式のイメージを図１１に示す。図１１は、本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の離散値と、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を正規化したものと、を演算したときの正規化済み文字列に対する興味度とお勧め度との関係を示す図である。

ジャンル興味度は１から３で、数値が大きいほど興味があるものとする。図１１では、興味度３の変換式で生成されるお勧め度は高い方向に、興味度１の変換式で生成されるお勧め度は低い方向に、分布が移動することが分かる。また、興味度３の変換式で生成されるお勧め度は、正規化済み文字列に対する興味度が少しでも高くなればお勧め度は高くなり、興味度１の変換式で生成されるお勧め度は、正規化済み文字列に対する興味度が高くならない限り、お勧め度は高くならない。興味度１の変換式で生成されるお勧め度は、視聴履歴中に非常に興味度が高い文字列（ワード、単語）が書かれている番組に対しては高くなる傾向にある。したがって、ジャンル興味度が低いジャンルに属するコンテンツであっても、当該コンテンツに関連する派生コンテンツに対する視聴履歴に基づいて機械学習により作成された正規化文字列に対する興味度が高ければ、お勧め度が高くなるため、録画対象に成り易くなる。

分布を制御するため、ジャンル興味度が１（興味度１の変換式）であっても、正規化済み文字列による興味度推定値が十分高い場合には、お勧め度として上位に入ることができる。このような変換式は、べき乗や、座標点（０、０）、（１、１）を通る円弧形状等、複数想定される。何れの場合であっても類似する効果を与えることが可能である。このように、ジャンルに対する興味度を、文字列による興味度推定値を用いて変換し、順位を振り直している。その際、文字列による興味度を正規化し、番組の属するジャンルに設定されている興味度に応じてさらにお勧め度を上下させているのである。

図８に戻り、Ｓ８０６の処理では、コンテンツの数分ループしたか否かが判断される。コンテンツの数分ループしていない（Ｓ８０６：ＮＯ）と判断されると、コンテンツの数分ループするまで待機する。コンテンツの数分ループした（Ｓ８０６：ＹＥＳ）と判断されると、Ｓ８０７の処理へ移行する。

Ｓ８０７の処理では、シリーズ（連続）番組、又は新番組に対する興味度と、ユーザの嗜好を反映したお勧め番組に対する興味度とのそれぞれに対し所定の異なるパラメータを乗じ、それらの加重平均をとることが行われる。ここで、連続番組補正との加重平均について説明する。本実施形態では、学習による動的な評価値を、図１１に示すコンテンツのジャンル毎の興味度の離散値と、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を正規化したものと、を演算したときの正規化済み文字列に対する興味度とお勧め度との関係に基づいて算出するものとする。

このとき、シリーズ（連続）番組を継続して視聴したい、又は新番組を視聴したいという補正（Ｓ）と、動的な評価（ｆ（ｘ））とは、以下に示す加重平均式で表すことができる。αは加重平均のパラメータで、０≦α≦１である。ｘは正規化された興味度であり、ｆ（ｘ）はジャンル興味度による非線形変換である。そうすると、お勧め度は、以下の式で表すことができる。
お勧め度＝（１−α）Ｓ＋αｆ（ｘ）

すなわち、ユーザの嗜好の学習が進行するに連れて、シリーズ（連続）番組、又は新番組に対する興味度に乗ずるパラメータαは次第に小さくなり、ユーザの嗜好を反映したお勧め番組に対する興味度に乗ずるパラメータαは次第に大きくなる。

本実施形態の目的として、学習の進行に合わせて加重平均のパラメータαが変化しても、平均的な視聴中のシリーズ番組、又は新番組が録画されるような閾値を設定する。このとき、お勧め度に対する閾値をＴとすると、以下に示す式が成り立つことになる。
Ｔ＝（１−α）Ｓ＋αｆ（０．５）
ここで、ｘの平均値は、図１０に示すように０．５となるように正規化されている。

また、α＝０の場合、すなわち、未学習でシリーズ番組、又は新番組だけが録画される場合、Ｔ＝Ｓとなる。また、α＝１の場合、すなわち、学習された番組だけが録画される場合、Ｔ＝ｆ（０．５）となることから、Ｓ＝ｆ（０．５）となる。

結局のところ、シリーズ番組、又は新番組を録画するという普遍的な評価と、学習による番組を録画するという動的な評価との何れを重視するかといった目的に応じて、αの最大値を決定すれば良いことになる。

上記説明した実施形態では、平均的に視聴中のシリーズ番組、又は新番組が録画対象となるようにパラメータαを設定している。ここでは、その他の番組の録画数を念頭にα（ｔ）を設定し、録画数の増加を線形に近づける方法について説明する。

一般的に、視聴可能な番組数は、ジャンル毎の番組数に比べて十分に小さくなる。このため、学習が進行することにより、学習による番組を録画する動的な評価が加算されると、録画数は大きくなっていく。すなわち、学習が進行するに連れ、ユーザの嗜好を反映したお勧めコンテンツの数は増加する。このイメージを図１２に示す。図１２は、本発明の実施形態における情報処理装置においてある加重平均のパラメータにおいて閾値を設定したときの当該ジャンルが録画される割合について説明する図である。

図１２では、あるα値において、特にジャンル興味度が高い（例えば、興味度３）ジャンルについて、閾値を設定したときの当該ジャンルが録画される割合を示している。図１２から、パラメータαを学習進度に応じて線形に制御すると、学習の進行の初期段階では録画数が急激に増加し、学習の進行が終了する段階では、ほとんど変化しないことが分かる。

次に、本発明の実施形態における情報処理装置において学習が経過し、加重平均のパラメータが増加するに連れて録画番組数の増加量を一定にすることについて説明する。図１３は、本発明の実施形態における情報処理装置において学習が経過し、加重平均のパラメータが増加するに連れて録画番組数の増加量を一定にすることを説明する図である。

図１３において、本来のαｍｉｎからαｍａｘへ向けて、学習進度に応じて制御すると、α値が小さいときは録画数が全く増加しないが、ある閾値（点Ｅ）を超えると一気に録画数が増加し、学習が進行しαｍａｘに近づくと、録画数がほとんど変化しないという現象が生じてしまう。この現象を回避するため、図１３において、正規化済み文字列に対する興味度１とあるα値との交点Ｅを新たなαｍｉｎとして設定し、ここから学習を開始させるようにする。これにより、αの時間に対する増分（時間変数の増え方）が一定となるため、αｍｉｎからαｍａｘに至るまで学習が進行することにより、点Ｅから、αｍａｘにおける閾値とが交差する点Ｆに到達するまでのお勧めコンテンツの数（録画番組数）の増え方が等速（線形）となる。以下、学習経過での録画番組数の増加量を等速（線形）にすることについて検討する。

α（ｔ）の最大値をＡとし、ｔは未学習時に０、学習完了時に１まで増加する変数とする。このとき、録画される割合を線形に増加させることを考える。まず、閾値とｆ（ｘ）とが交差するｘの値は以下の式で求められる。
α（ｔ）ｆ（ｘ）＝Ｔ
ｆ（ｘ）＝Ｔ／α（ｔ）
ｘ＝ｆ^-1（Ｔ／α（ｔ））

すなわち、α（ｔ）の最大値Ａのときのｘの値は次のようになる。
ｘ＝ｆ^-1（Ｔ／Ａ）
ｔが０から１に増加するにしたがって、交点はｘ＝１から上記値に線形移動する。

つまり、ｘの移動は以下の式で表される。
ｘ＝１−｛１−ｆ^-1（Ｔ／Ａ）｝ｔ＝ｆ^-1（Ｔ／α（ｔ））
この式をα（ｔ）について解くと、以下のようになる。
α（ｔ）＝Ｔ／ｆ（１−｛１−ｆ^-1（Ｔ／Ａ）｝ｔ）
このようにαを設定することにより、加重平均のパラメータα（ｔ）を、図１３に示すように学習進度に応じて線形に制御することができる。

図８に戻り、Ｓ８０８の処理では、お勧め度によるソートが行われる。具体的には、図１４に示すように、お勧め度の高い方から低い方へソートが行われ、お勧め度が生成される。Ｓ８０９の処理では、閾値による足切り処理が行われる。閾値設定方法のイメージを図１４に示す。図１４は、本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の離散値と、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を正規化したものと、を演算したときの正規化済み文字列に対する興味度とお勧め度との関係に対して閾値を設定したときの状態について説明する図である。

各興味度に対応するコンテンツが、全ジャンルのコンテンツに対して平均的な割合で録画されるように閾値を設定する場合、正規化済みの文字列に対する興味度が０．５の場合の、各興味度における変換式の値を閾値に設定すれば良い。この場合、閾値は、閾値１、閾値２、閾値３のように設定する。同様に、例えば、各興味度に対応するコンテンツが、全ジャンルのコンテンツに対して３０％の割合で録画されるように閾値を設定する場合には、正規化済みの文字列に対する興味度が０．７の場合の、各興味度における変換式の値を閾値に設定すれば良い。この場合、閾値は、閾値１´、閾値２´、閾値３´のように設定する。Ｓ８０９の処理における閾値による足切りが行われた後、処理を終了する。

このように、本実施形態では、学習初期の段階では、継続して視聴しているシリーズ（連続）番組や新番組を優先的にお勧めされるようパラメータαの値を小さくしておき、学習が進行すれば、ユーザの嗜好に合致する番組も徐々にお勧めされるようパラメータαの値を大きくしている。そして、継続して視聴しているシリーズ（連続）番組や新番組と、ユーザの嗜好を反映した番組とがバランス良くお勧めされるように両者の加重平均を取っている。これにより、シリーズコンテンツ及び新コンテンツを満遍なく視聴すると共に、ユーザの嗜好を反映したコンテンツも併せて視聴することができるのである。

なお、図１３において、新たに設定するαｍｉｎを閾値との交点（点Ｅ）により決定したが、この場合、学習が少しでも進行すると、機械学習結果による自動録画が開始される。そうすると、学習の進度において、本来のαｍｉｎから新たに設定するαｍｉｎまでの間、自動学習の開始に対して猶予を持たせることができる。このとき、自動録画が開始される猶予期間についても、お勧め度を段階的に増加させることにより、猶予期間の経過を暗黙かつ直感的に表現することができる。

すなわち、図１３において、本来のαｍｉｎを０、新たに設定するαｍｉｎをαｍｉｄとする。そして、学習進行の猶予期間であるお勧めコンテンツが実際に推薦されるまでの間は、０（αｍｉｎ）からαｍｉｄに向かってαの値を直接線形に制御する。これにより、お勧めコンテンツの興味度は線形的に増加する。学習進行の猶予期間を経過した後は、αｍｉｄからαｍａｘに向かって録画数を等速（線形）に制御する。これにより、お勧めコンテンツの数は、等速に増加する。このような制御を行うことで、猶予期間の間は全体的な順位（得点）の増加傾向によってユーザは学習進度を把握することができ、猶予期間を経過した後は録画数の確認によってユーザによる閾値制御が可能となるのである。

さらに、シリーズ（連続）番組や新番組と加重平均を取る対象として何を用いるかについては、最初のうちはあまり当てにならないが、学習が段々進むに連れて信憑性が高くなるものであれば、加重平均の対象となり得る。その際、加重平均の対象として、上記実施形態で説明した機械学習（マシンラーニング）に限定されることなく、学習によって所定の傾向を得ることができるものであれば何でも良い。要するに、番組改変期等は、従来行ってきた学習が役に立たないので、シリーズ（連続）番組や新番組がお勧めされる確度を高くしているのである。

また、上記実施形態では、学習初期段階では、シリーズ（連続）番組や新番組のお勧め度合いを高くしているが、Ｗｅｂサーバ４００（図１）からダウンロードされるＹｏｕＴｕｂｅ（登録商標）を一例とするＶＯＤ（Voice On Demand）やＷｅｂニュースといったコンテンツのうち、ページビューの高いもの（いいね！の数が多いもの）や、ユーザの思考に合致するもののお勧め度合いを高くするようにしても良い。

さらに、上記実施形態では、ジャンル興味度は、図７に示すようにユーザが明示的に設定するものとしていたが、異なる方式により学習するようにしても良い。例えば、自動的に学習するようにしても良い。さらに、ジャンル興味度は実数化することも可能であり、ジャンル興味度として自動学習の値を用いても良く、離散値に限定されることなく連続した実数値を用いても良い。特に、ユーザの意識と番組表の表現とがずれている場合に有効となる。さらに、お勧め度を録画目的以外の用途に用いることも可能である。

そして、上記実施形態では、文字列（ワード、単語）に対する興味度推定値を正規化済み興味度として採用しているが、適当な判断手段を搭載することが可能であれば、画像データや音声データに対する興味度を、正規化済み興味度として採用することも可能である。さらに、各ジャンルに対する興味度をＷｅｂサーバから取得したりすることも可能である。

また、本実施形態では、テレビ番組を一例として説明しているが、同様な情報量が存在する他の分野に応用することが可能である。例えば、ＹｏｕＴｕｂｅを一例とするＶＯＤ（Voice On Demand）やＷｅｂニュースといった、何らかのコンテンツがジャンル分けされており、ジャンル以外に興味度を取得することができ、ジャンル自体も別途興味度を評価できるものであれば、加重平均の対象として用いることが可能である。

以上説明したように、本発明によれば、シリーズ（連続）コンテンツ、または新コンテンツは継続してお勧めして欲しいという普遍的な要求と、学習効果によるお勧めという動的な要求との双方を満たすことができる。また、未学習の段階では、普遍的な要求だけをお勧めしてもらい、学習が進行する過程において、普遍的な要求によるお勧めと、学習に基づく動的な要求によるお勧めとを、線形的に変化させることができる。

なお、図８に示した本発明の実施形態における情報処理装置（ＰＣ）２００を構成する各機能ブロックの各動作は、コンピュータ上のプログラムに実行させることもできる。すなわち、情報処理装置２００のＣＰＵ２０６が、ＲＯＭ２０２、ＲＡＭ２０３等から構成される記憶部に格納されたプログラムをロードし、プログラムの各処理ステップが順次実行されることによって行われる。

以上説明してきたように、本発明によれば、所定期間連続して放送されるシリーズコンテンツに対する興味度、又は新たに放送が開始される新コンテンツに対する興味度と、ユーザの嗜好を反映したお勧めコンテンツに対する興味度との各々に対し、異なるパラメータを乗じて加算することにより、ユーザに対して推薦するコンテンツのお勧め度を決定することにより、シリーズコンテンツ及び新コンテンツを満遍なくお勧めすると共に、ユーザの嗜好を反映したコンテンツも併せてお勧めすることができるのである。

以上、本発明の好適な実施の形態により本発明を説明した。ここでは特定の具体例を示して本発明を説明したが、特許請求の範囲に定義された本発明の広範囲な趣旨及び範囲から逸脱することなく、これら具体例に様々な修正及び変更が可能である。

１０ 情報処理システム
１００ 放送局
２００ 情報処理装置（ＰＣ）
２０１ ＴＶチューナ部
２０２、４０１ ＲＯＭ
２０３ ＲＡＭ
２０４ ＨＤＤ
２０５、４０３ ネットワーク接続部
２０６、４０４ ＣＰＵ
２０７、４０５ 表示部
２０８ 入力部
２０９、４０７ 電源部
２１０、２１１、２１２、２１３ チューナ部
２１４ コンテンツ記録再生部
２１５ 動画表示処理部
２１６ 映像解析処理部
２１７ ＥＰＧ情報管理部
２１８ 興味情報取得部
２１９ 動画情報取得記録部
２２０ ネットワーク接続処理部
２２１ ディスプレイ
２２２ リモコン
３００ ネットワーク
４００ Ｗｅｂサーバ
４０２ データベース部
４０６ 操作部
６０１ １週間分のＥＰＧ
６０２ 視聴中シリーズ番組
６０３ ジャンル興味度
６０４ 閾値
６０５ お勧め度計算アルゴリズム
６０６ 文字列による興味度推定アルゴリズム
６０７ 閾値以上のお勧め度付き番組リスト
７０１ 番組ジャンル
７０２ 興味度

Claims (9)

1. 所定期間連続して放送されるシリーズコンテンツに対する興味度、又は新たに放送が開始される新コンテンツに対する興味度と、
   ユーザの視聴履歴を分析することにより得られた文字列情報から推定された前記ユーザの推定興味度を、コンテンツの内容に基づく分類であるジャンル毎に予め設定されたジャンル興味度により非線形変換して得られたお勧めコンテンツに対する興味度と、の各々に対し、異なるパラメータを乗じて加算することにより、前記ユーザに対して推薦するコンテンツのお勧め度を決定することを特徴とする情報処理装置。
2. 前記ユーザの嗜好は、前記ユーザによるコンテンツの視聴に伴って学習され、前記学習が進行するに連れ、前記シリーズコンテンツに対する興味度、又は前記新コンテンツに対する興味度に乗ずるパラメータは漸減し、前記お勧めコンテンツに対する興味度に乗ずるパラメータは漸増することを特徴とする請求項１に記載の情報処理装置。
3. 前記ユーザに対して推薦するコンテンツは、前記所定期間連続して放送されるシリーズコンテンツ、又は新たに放送が開始される新コンテンツ以外のコンテンツをも含み、前記学習が進行するに連れ、前記ユーザの嗜好を反映したお勧めコンテンツの数は増加することを特徴とする請求項２に記載の情報処理装置。
4. 前記学習の進行が、前記ジャンル興味度が設定されたコンテンツがすべてのコンテンツに対して如何なる割合でお勧めされるかを決定するために設定される所定の閾値と前記パラメータの値とが一致する所定段階に到達すると、以後前記学習の進行が終了するまで、前記ユーザの嗜好を反映したお勧めコンテンツの数は等速で増加することを特徴とする請求項３に記載の情報処理装置。
5. 前記学習の進行が初期段階から前記所定段階に到達するまで、前記ユーザの嗜好を反映したお勧めコンテンツの興味度は線形的に増加し、前記所定段階から前記学習の進行が終了するまで、前記お勧めコンテンツの数は等速に増加することを特徴とする請求項４に記載の情報処理装置。
6. 前記推定興味度は、視聴されたコンテンツを機械学習することにより得られた前記コンテンツに含まれる情報に対する興味度と、該興味度の順位との関係を正規化することにより推定されることを特徴とする請求項１又は２に記載の情報処理装置。
7. 前記推定興味度は、前記コンテンツに含まれる情報に対する興味度と、該興味度の順位との関係のうち、少なくとも非線形領域を正規化することにより推定されることを特徴とする請求項６に記載の情報処理装置。
8. 所定期間連続して放送されるシリーズコンテンツに対する興味度、又は新たに放送が開始される新コンテンツに対する興味度と、
   ユーザの視聴履歴を分析することにより得られた文字列情報から推定された前記ユーザの推定興味度を、コンテンツの内容に基づく分類であるジャンル毎に予め設定されたジャンル興味度により非線形変換して得られた興味度と、の各々に対し、異なるパラメータを乗じて加算することにより、前記ユーザに対して推薦するコンテンツのお勧め度を決定する工程を含むことを特徴とする情報処理装置の制御方法。
9. 情報処理装置のコンピュータに、所定期間連続して放送されるシリーズコンテンツに対する興味度、又は新たに放送が開始される新コンテンツに対する興味度と、
   ユーザの視聴履歴を分析することにより得られた文字列情報から推定された前記ユーザの推定興味度を、コンテンツの内容に基づく分類であるジャンル毎に予め設定されたジャンル興味度により非線形変換して得られた興味度と、の各々に対し、異なるパラメータを乗じて加算することにより、前記ユーザに対して推薦するコンテンツのお勧め度を決定する処理を実現させるためのプログラム。

Images