JP6237378B2 - 候補キュレーションアイテムをランキングする方法及びシステム - Google Patents

Description

本明細書に記載した実施形態は、キュレーションラーニングにおけるアイテム選択(候補キュレーションアイテムをランキングする方法及びシステム)に関する。

キュレーションラーニング(Curation Learning)は、キュレータによって生成されたキュレーションから学ぶ学習である。キュレーションには、キュレータによって整理・組織化されたデジタルファイル等の複数のアイテムを含む付加価値を付けられたリストが含まれることもある。

各キュレーションは、既存のコンテンツを新たな視点と結びつける場合がある。例えば、関心のあるトピックについて学習するためのキュレーションには、当該トピックを説明するウェブページや、当該トピックのための導入トレーニングの１以上のビデオであって各々異なる講師によって教授されるビデオが含まれる場合がある。

このようなアイテムは各々のインターネット上又はその他のネットワーク上の出所位置にまとまって存在しているわけではないが、キュレータが複数のアイテムをキュレーション内に組織化及びグループ化して、関心のあるトピックを学習するうえでのキュレータの視点を提供する場合がある。

インターネット上で入手可能なデジタルファイルのボリュームが大きくなっておりしかも増大の一途をたどるなか、キュレータが生成するキュレーションに採用すべき関連性のあるアイテムをキュレータが検索及び選択することが難しい場合がある。

本明細書において主張する主題は、上述したような問題点を解決するための実施形態や、上述したような環境においてのみ動作する実施形態に限定されるものではない。むしろ、この背景技術の記載は、本明細書に記載した幾つかの実施形態が実用されうる例示的技術を説明するために提供されたものにとどまる。

実施形態の一態様によれば、候補キュレーションアイテムのランキング方法は、クエリを受信することを含む。本方法は、複数のキュレーションから複数のアイテムを抽出することも含む。本方法は、前記クエリに基づいて、前記抽出した複数のアイテムの各々についてコンテンツ類似度を算出することも含む。

また、本方法は、前記抽出した複数のアイテムの各々から、複数のキュレーション特有の特徴を抽出することを含む。本方法は、前記抽出した複数のキュレーション特有の特徴に基づいて、前記抽出した複数のアイテムの各々について、前記コンテンツ類似度とは異なる度合である１以上のキュレーション特有の度合を算出することも含む。

本方法は、前記コンテンツ類似度と前記１以上のキュレーション特有の度合との双方に基づいて、前記抽出した複数のアイテムの各々をランク付けして複数のキュレーションアイテム結果を生成することも含む。

実施形態に係る目的及び利点は、少なくとも請求項において具体的に摘示された構成要素、特徴及びこれらの組合せによって実現及び達成される。

前述の概要説明及び後述の詳細説明はいずれも例示的かつ説明的なものであって、特許請求に係る本発明を限定するものではないことが理解されるであろう。

開示の候補キュレーションアイテムをランキングする方法及びシステムは、キュレータが生成するキュレーションに採用すべき関連性のあるアイテムを、キュレータが、容易に検索及び選択することができるという効果を奏する。

図１Ａは、幾つかの実施形態が実装しうる動作環境の例を示したブロック図である。 図１Ｂは、図１Ａの動作環境に含まれるシステムを使用する方法の例を示したフロー図である。 図２は、図１Ａのシステムの実施形態の例を示したブロック図である。 図３は、図１Ａの動作環境１００において実装しうる方法の例を示したフロー図である。 図４は、候補キュレーションアイテムのランキング方法の例を示したフロー図である。 図５は、マルチレベル検索の結果を統合する方法の例を示したフロー図である。 図６は、ＯＥＲ結果、キュレーション結果、結合結果、ウェブ結果及び統合結果の様々な例を説明した図である。

キュレータがキュレーションを生成するのに用いる幾つかのキュレーションエンジンは、ユーザ(例えばキュレータ)がキュレーションに採用するためのアイテムを検索及び選択することができるように、標準のウェブ検索エンジン及びソーシャルメディア検索サービスを使用する。

例えば、これらの標準ウェブエンジン及びソーシャルメディア検索サービスは、ラーニングのために最適化されておらず、及び／又は、キュレーション特有の特徴で最適化されているわけではない。

オープンコースウェア(ＯＣＷ)検索は、巡回されたオープンエデュケーションリソース(以下、「ＯＥＲ」又は「ＯＥＲリソース」という。)に着目することで、ユーザがシンプルなテキストコンテンツの類似性に基づいてアイテムを検索及び選択することができるようにしている。ＯＣＷ検索は、学習特有の特徴で最適化されていない。

学習対象保存部(learning object repository：ＬＯＲ)は、手入力した構造化メタデータを必要とする、クローズドな及び手動で保守されるリポジトリである。ＬＯＲは、学習オブジェクト(learning object)に含まれるアイテムに対してではなく、学習オブジェクトに対して検索を行う。

本明細書に記載した実施形態は、１以上のキュレーション特有の測定結果に基づいて検索を行ってアイテムをランク付けすることを含む、キュレーション特有の特徴で最適化されることができる。

キュレーション特有の度合の例としては、本明細書において詳述するような「キュレーションアイテム人気信用度(curation item popularity credit measurement)」や「アイテムキュレータ信用度(item curator credit measurement)」が含まれてもよい。このようにして、本明細書に記載した実施形態は、キュレータによって生成されるキュレーションに採用するための関連性のあるアイテムの検索及び選択を支援してもよい。

代替的に又は付加的に、本明細書に記載した実施形態は、ウェブリソースのウェブ検索、学習特有の特徴を利用したＯＥＲリソースの検索、及び／又はキュレーション特有の機能を利用したキュレーションリソースの検索を含む、リソースに対するマルチレベル検索を含んでもよい。

これらの実施形態及び他の実施形態においては、マルチレベル検索の様々なレベルの結果、例えばウェブ結果、ＯＥＲ結果及びキュレーションアイテム結果は、本明細書においてより一層詳細に記載するとおり統合されてもよい。

本発明の実施形態を、添付の図面を参照して説明する。

図１Ａは、幾つかの実施形態が実装しうる動作環境１００の例を示したブロック図である。動作環境には、ネットワーク１０２と、リソース１０４と、キュレーションアイテム検索・ランク付けシステム(以下、「システム」という。)１０６と、１以上のエンドユーザ(以下、「ユーザ」又は「複数のユーザ」という。)１０８とが含まれてもよい。

概ね、ネットワーク１０２は、システム１０６及び／又はユーザ１０８がリソース１０４にアクセスし、及び／又は、互いに通信を行うことができるように１以上の広域ネットワーク(ＷＡＮ)及び／又はローカルエリアネットワーク(ＬＡＮ)を備えてもよい。

幾つかの実施形態においては、ネットワーク１０２には、多数のＷＡＮ及び／又はＬＡＮ間の論理的及び物理的接続により形成されたグローバル相互接続ネットワークを含め、インターネットが含まれる。代替的に又は付加的に、ネットワーク１０２には、８０２．ｘｘネットワーク、Ｂｌｕｅｔｏｏｔｈ（登録商標）アクセスポイント、ワイヤレスアクセスポイント、ＩＰベースのネットワーク等(但しこれらに限定されない)のような、１以上のセルラーＲＦネットワーク及び／又は１以上の有線及び／又は無線ネットワークが含まれてもよい。また、ネットワーク１０２は、特定のタイプのネットワークを別のタイプのネットワークとインタフェース接続することができるサーバを備えていてもよい。

リソース１０４は、一般的ウェブリソース、ＯＥＲリソース及び／又はキュレーションリソースといった多様なオンラインリソースのいずれを含んでもよい。一般的ウェブリソースには、様々なウェブサイト、ＯＥＲリソース及び／又はキュレーションリソース(但し潜在的には他のものも考えられる)を含め、ネットワーク１０２上で又はこれを経由してアクセス可能な任意のリソースが含まれる。

ＯＥＲリソースには、オープンコースウェア(ＯＣＷ)学習教材、大規模公開オンライン講座(massive open online courses：ＭＯＯＣ)学習教材、教授及び講師を含む個人により教育機関で教授されている講義のための講義ページ、かかる講義に関連する講義録及び／又は講義記録(例えばビデオ録画及び／又は録音)、論文雑誌及び／又は学会発表論文を含むオンライン出版物等、或いは、これらの任意の組合せが含まれてもよい。

キュレーションリソースには、キュレーションの任意のデータベース又はリポジトリが含まれてもよい。本明細書で用いる「キュレーション(curation)」には、デジタルファイル等、「キュレータ(curator)」と呼ばれるユーザ又はその他のエンティティによって整理・組織化された複数のアイテムのリストであって付加価値を付けたリストが含まれてもよい。

キュレーションに採用することができるアイテムの例としては、ウェブページ、音声ファイル、動画ファイル、電子文書及び実質的に任意の他のデジタルコンテンツが含まれてもよい(但しこれらに限定されない)。リソース１０４は、インターネットに通信可能に接続された対応する１以上のウェブサーバによってホストされるウェブサイト上でアクセス可能でもよい。

ユーザ１０８には、当該ユーザ１０８によって生成されるキュレーションに採用するために特定のクエリを満たす又はこれと適合する複数のリソース１０４からアイテムを発見したい人及び／又はその他の主体が含まれる。

代替的に又は付加的に、ユーザ１０８には、ユーザ１０８によって生成されるキュレーションに採用するために特定のクエリを満たす又はこれと適合する複数のキュレーション１０４から学習用キュレーションを発見したい人及び／又は他の主体が含まれてもよい。クエリの例としては、選択したアイテム又は選択したリソース１０４と類似又は関連するアイテム又はリソース１０４を特定するための１以上のキーワード又は検索用語及び／又は要求が含まれてもよい。

独立して説明しないけれども、各ユーザ１０８は典型的には対応する計算装置を用いてネットワーク１０２と通信する。各計算装置には、デスクトップコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、携帯電話、スマートフォン、携帯情報端末(ＰＤＡ)又はその他の適切な計算装置が含まれてもよい(但しこれらに限定されない)。

図１Ｂは、本明細書に記載した少なくとも１つの実施形態に従って構成された、図１Ａのシステム１０６の使用方法１１０を示した例示的フロー図である。本明細書に開示したこのプロセス及び方法並びにその他のプロセス及び方法については、このプロセス及び方法において実行される機能が異なる順序で実装されてもよいことが当業者に理解されると考えられる。

更に、概要を示した複数のステップ及び処理は例として提供されたものにとどまり、一部のステップ及び処理は任意に選択でき、本発明の本旨から逸脱しないかぎりにおいて、相互に組み合わせてより少ない数のステップ及び処理とすることもでき、又は、拡張して追加のステップ及び処理を設けることもできる。

図１Ｂの方法を図１Ａの動作環境１００と組み合わせて説明する。方法１１０は、ユーザ１０８の一人がキュレーションを生成するためのアイテムを問い合わせるブロック１１２をもって開始してもよい。特に、ユーザ１０８は、ユーザ１０８によって生成されるキュレーションに採用するためのアイテムを問い合わせてもよい。

システム１０６は、クエリ及びキュレーション特有の特徴に基づいてリソース１０４からアイテムを検索してもよい。オプションとして、検索は学習特有の特徴に基づいて行ってもよい。

幾つかの実施形態においては、システム１０６は、ウェブリソースに対するウェブ検索、キュレーションリソースに対するキュレーション特有の特徴に基づく検索、及び／又は学習特有の特徴に基づくＯＥＲリソースに対する検索を含むマルチレベル検索を行う。システム１０６は、以下に詳述するようにマルチレベル検索から得られたスコアに基づいてランク付け及び統合されてもよい「アイテム１」及び「アイテム２」等の１以上のアイテムを含む検索結果１１４を出力する。

ユーザ１０８は、検索結果１１４に含まれる「アイテム１」等の任意のアイテムを選択してもよく、キュレーション１１６に採用されている１以上の他のアイテムとあわせて、ユーザ１０８によって生成される「キュレーション１」に採用される。本明細書に記載した幾つかの実施形態は、概ね、ユーザ１０８が生成するキュレーションに採用するためのアイテムの検索及び選択に関するものである。

図１Ｂにおいて更に図示されているとおり、ユーザ１０８がキュレーション１１６へのアイテムの追加を完了すると、キュレーション１１６は１以上の他のキュレーションとともにキュレーションデータベース１１８に保存されてもよい。

ブロック１２０において、方法１１０は、読込及び／又は学習のためにキュレーションデータベース１１８に対してキュレーションを問い合わせる複数のユーザ１０８のうち同一のユーザ又は別の一人を追加で含めてもよい。

図２は、本明細書に記載した少なくとも１つの実施形態に従って構成された、図１Ａのシステム１０６の好ましい実施形態のブロック図である。図示されているとおり、システム１０６は、プロセッサ２０２と、通信インタフェース２０４と、メモリ２０６とを備えている。

プロセッサ２０２、通信インタフェース２０４及びメモリ２０６は通信バス２０８を介して通信可能に接続されてもよい。通信バス２０８には、メモリバス、ストレージインタフェースバス、バス／インタフェースコントローラ、インタフェースバス等又はそれらの任意の組合せが含まれてもよい(但しこれらに限定されない)。

概ね、通信インタフェース２０４は、図１Ａのネットワーク１０２等のネットワークによる通信を支援してもよい。通信インタフェース２０４には、ネットワークインタフェースカード、ネットワークアダプタ、ＬＡＮアダプタ又はその他の適切な通信インタフェースが含まれてもよい(但しこれらに限定されない)。

プロセッサ２０２は、システム１０６に本明細書に記載した機能及び処理を実行させるコンピュータ命令を実行するように構成されてもよく、かかる機能及び処理は、クエリの受信、キュレーションからのアイテムの抽出、クエリに基づく各抽出されたアイテムに対するコンテンツ類似度(content similarity measurement)の算出、抽出されたアイテムからのキュレーション特有の特徴の抽出、抽出されたキュレーション特有の特徴に基づく各抽出されたアイテムに対する１以上のキュレーション特有の度合の算出、及び、キュレーションアイテム結果生成のための、コンテンツ類似度と１以上のキュレーション特有の度合との双方に基づく各抽出されたアイテムのランク付け等の機能及び処理である。

プロセッサ２０２には、プロセッサ、マイクロプロセッサ(μＰ)、コントローラ、マイクロコントローラ(μＣ)、中央処理装置(ＣＰＵ)、デジタル信号処理プロセッサ(ＤＳＰ)、これらの任意の組合せ、又はその他の適切なプロセッサが含まれてもよい(但しこれらに限定されない)。

コンピュータ命令は、プロセッサ２０２による実行のためにメモリ２０６にロードされてもよい。例えば、コンピュータ命令は、１以上のモジュールの形態とすることができ、かかるモジュールとしては、コンテンツ類似度モジュール２１０、アイテム抽出モジュール２１２、特徴抽出モジュール２１４、キュレーションアイテム人気度モジュール２１６、キュレーション人気度モジュール２１８、キュレータ度合モジュール２２０、ランキングモジュール２２２、及び／又はユーザープロファイルモジュール２２４(以下、集合的に「モジュール群２２６」という。)が含まれる(但しこれらに限定されない)。

オプションとして、モジュール群２２６には更に、ウェブ検索モジュール２２８、ＯＥＲ検索モジュール２３０、及び／又は検索統合モジュール２３２が含まれてもよい。

幾つかの実施形態においては、本明細書に記載した機能及び処理の実行中に生成され、受信され及び／又は処理されるデータは、メモリ２０６に少なくとも一時的に格納されてもよい。更に、メモリ２０６にはＲＡＭ等の揮発性記憶装置が含まれてもよい。

更に概していえば、システム１０６は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ若しくはその他のメモリ技術、ＣＤ−ＲＯＭ、デジタル多用途ディスク(ＤＶＤ)若しくはその他の光学ストレージ、磁気カセット、磁気テープ磁気ディスクストレージ若しくはその他の磁気ストレージデバイス等の非一時的なコンピュータ読み取り可能媒体、又は任意のその他の非一時的なコンピュータ読み取り可能媒体が含まれてもよい(但しこれらに限定されない)。

アイテム抽出モジュール(item extraction module)２１２は、各キュレーションを形成する個別アイテムの少なくとも一部を識別することを含め、多数のキュレーションの各々からアイテムを抽出するように構成されてもよい。例えば、アイテム抽出モジュール２１２は、キュレーションデータベース中の各キュレーションからアイテムの一部又は全部を抽出するように構成されてもよい。

コンテンツ類似度モジュール(content similarity measurement module)２１０は、抽出されたアイテムの各々に対して、ユーザから受信されたクエリに基づいてコンテンツ類似度を算出するように構成されてもよい。コンテンツ類似度の算出は、追加的に、そこからクエリが受信された当該ユーザに関連するユーザープロファイルに基づいて行われてもよい。

これらの実施形態及び他の実施形態においては、クエリ及び各抽出されたアイテムは、ベクトル空間モデルにおける単語ベクトル(term vector)として表現されてもよい。各抽出されたアイテムについて、コンテンツ類似度ＣＳＭ_ｍ、は、下記式に従って算出されてもよい。
CSM_m = Similarity(q,d) = cos(θ), 0 < cos(θ) <1

前記式中、ｑはクエリの単語ベクトル(term vector)であり、dは対応する抽出されたアイテムｍの単語ベクトルであり、ｃｏｓ(θ)は単語ベクトルｑ及びｄ間の角θの余弦である。

コンテンツ類似度がユーザープロファイルにも基づいている場合には、ユーザープロファイル内の関心のあるトピック等のユーザープロファイル内のキーワードに適合する単語ベクトルｄ内の用語の重みは、対応する抽出されたアイテムについてコンテンツ類似度においてブーストされてもよい。

特徴抽出モジュール(feature extraction module)２１４は、キュレーション特有の特徴を抽出されたアイテムから抽出するように構成されてもよい。抽出されたアイテムの所与の１つについてのキュレーション特有の特徴には、アイテムが抽出された当該キュレーションのキュレータ、キュレーションの閲覧数、キュレーションへのブックマーク数、キュレーションに関連するコメント数といった各種点数等の、アイテムが抽出された当該キュレーションに関連するフィードバック、又は抽出されたアイテムのタイトル、抽出されたアイテムのコンテンツ等又はこれらの組合せといったキュレーションに関連するその他のフィードバックが含まれてもよい(但しこれらに限定されない)。

キュレーションアイテム人気度モジュール(curation item popularity measurement module)２１６は、キュレーションアイテム人気信用度を抽出されたキュレーション特有の特徴に基づいて算出するように構成されてもよい。キュレーションアイテム人気信用度は、対応する抽出されたアイテムの人気度に関連してもよい。

これらの実施形態及び他の実施形態においては、キュレーションアイテム人気信用度は、相対的により少ない数のキュレーションに含まれる抽出されたアイテムと比較して、相対的により多くの数のキュレーションに含まれる抽出されたアイテムに対しては相対的に大きくなってもよい。幾つかの実施形態においては、キュレーションアイテム人気信用度は、下記式に従って算出されてもよい。

前記式中、Item_Popularity_Credit_mは対応する抽出されたアイテムｍのキュレーションアイテム人気信用度であり、ＣＮは当該対応する抽出されたアイテムｍをそれぞれ含んでいるキュレーションの数であり、Curation_Popularity_iはキュレーションｉのキュレーション人気信用度であり、ＩＮｉはキュレーションｉに含まれるアイテム数である。

このようにして、所与の抽出されたアイテムのキュレーションアイテム人気信用度は、概ね抽出されたアイテムを含むキュレーションの数が大きくなるのに応じて大きくなり、概ね所与の抽出されたアイテムと同じキュレーションに含まれるアイテムの数が大きくなるのに応じて小さくなってもよい。

一例として、抽出されたアイテムが、Curation_Popularity_i値０．０７９，０．０６，０．０５と、ＩＮｉ値３，４，５とをそれぞれ有する３つの異なるキュレーションに含まれているとする。この例においては、前記式に従い算出したキュレーションアイテム人気信用度は、０．０７９／３＋０．０６／４＋０．０５／５＝０．０５１３となる。

キュレーションアイテム人気信用度を算出するための前記式は、一例として提供されたものにすぎず、本明細書に記載した実施形態を限定する趣旨のものと解釈すべきではない。

例えば、前記式は所与のキュレーションにおける全てのアイテムに対して信用度を均等に配分しているが、他の実施形態においては、信用はこれに代えてアイテム種別に応じてかつユーザの好みに応じて不均一な及び／又は荷重された仕方で配分されてもよい。

例えば、ユーザのユーザープロファイルが動画アイテムに対する選好を示唆している場合には、動画アイテムにはウェブページアイテム又はその他の非動画アイテムと比較してより大きな重みが与えられてもよい。

キュレーション人気度モジュール(curation popularity measurement module)２１８は、所与の抽出されたアイテムを含む各キュレーションのキュレーション人気信用度ないしCuration_Popularity_iを算出するように構成されてもよい。

キュレーション人気信用度は、所与の抽出されたアイテムを含む各キュレーションの人気度に関連してもよい。これらの実施形態及び他の実施形態においては、キュレーション人気信用度は、相対的により人気のあるキュレーションに対しては相対的に大きくなってもよい。

幾つかの実施形態においては、キュレーションｉのキュレーション人気信用度は下記式に従って算出されてもよい。
Curation_Popularity_i = V*View_Score_i + B*Bookmark_Score_i + C*Comment_Score_i

前記式中Ｖ、Ｂ、及びＣはＶ＋Ｂ＋Ｃ＝１となる定数であり、Ｖｉｅｗ_Ｓｃｏｒｅ_ｉはキュレーションｉの閲覧数に従って算出されたキュレーションｉの閲覧スコアであり、Ｂｏｏｋｍａｒｋ_Ｓｃｏｒｅ_ｉはキュレーションｉに対するブックマーク数に基づいて算出されたキュレーションｉのブックマークスコアであり、Ｃｏｍｍｅｎｔ_Ｓｃｏｒｅ_ｉはキュレーションｉに対するコメント数に基づいて算出されたキュレーションｉのコメントスコアである。

更に概して言えば、Curation_Popularity_iは、１以上のフィードバックスコアにそれぞれＶ、Ｂ、及びＣ等の対応するフィードバック定数をかけて得た値の和として算出されてもよい。

一例として、所与のキュレーションについてＶ＝０．３，Ｂ＝０．５，Ｃ＝０．２とする。更に、View_Score_i＝０．０５，Bookmark_Score_i＝０．１，Comment_Score_i＝０．０７とする。この例では、前記式に従い算出した所与のキュレーションに対するCuration_Popularity_iは、Curation_Popularity_i＝０．３＊０．０５＋０．５＊０．１＋０．２＊０．０７＝０．０７９となる。

Ｖ、Ｂ、及びＣに係る前記値は一例として提供したものにすぎず、限定する趣旨と解釈されるべきものではない。View_Score_i、Bookmark_Score_i及び／又はComment_Score_iに関する前記値もまた一例として提供したものにすぎず、限定する趣旨ではなく、そして、任意の式に従って算出されることができる。その若干の例を以下に提供する。

キュレーション人気度モジュール２１８及び／又はモジュール群２２６に属する別の１つのモジュールは、View_Score_i、Bookmark_Score_i、及び／又はComment_Score_iを算出するように構成されてもよい。

View_Score_iは、キュレーションに対する閲覧により所与のキュレーションｉの人気度を反映してもよく、下記式に従って算出されてもよい。

前記式中、λ１はView_Score_iに対する時間の影響を調整するための定数係数であり、Ｍ１はアイテムが抽出されたところのキュレーションの総数であり、Ｎｉ１はキュレーションｉの閲覧数であり、ｔは現在時間であり、ｔ_j1は日、時その他の所望の単位によるキュレーションｉに対するｊ番目の閲覧の時間である。幾つかの実施形態においては、キュレーションｉに対する閲覧の合計数Ｎｉ１が０であるならば、View_Score_iは０に等しくてもよい。

Bookmark_Score_iは、キュレーションに対するブックマークにより所与のキュレーションｉの人気度を反映してもよく、下記式に従って算出されてもよい。

前記式中λ２はBookmark_Score_iに対する時間の影響を調整するための定数係数であり、Ｍ２はアイテムが抽出されたところのブックマークが付されたキュレーションの総数であり、Ｎｉ２はキュレーションｉに対するブックマーク数であり、ｔは現在時間であり、ｔ_j2は日、時その他の所望の単位によるキュレーションｉに対するｊ番目のブックマークの時間である。幾つかの実施形態においては、キュレーションｉに対するコメントの合計数Ｎｉ２が０であるならば、Bookmark_Score_iは０に等しくてもよい。

Comment_Score_iは、キュレーションに対するコメントにより所与のキュレーションｉの人気度を反映してもよく、下記式に従って算出されてもよい。

式中λ３はComment_Score_iに対する時間の影響を調整するための定数係数であり、Ｍ３はアイテムが抽出されたところのコメントされたキュレーション−例えばコメントが付されたキュレーション−の総数であり、Ｎｉ３はキュレーションｉに対するコメント数であり、ｔは現在時間であり、及びｔ_j3は日、時その他の所望の単位によるキュレーションｉに対するｊ番目のコメントの時間である。幾つかの実施形態においては、キュレーションｉに対するコメントの合計数Ｎｉ３が０であるならば、Comment_Score_iは０に等しくてもよい。

幾つかの実施形態においては、λ１、λ２、及びλ３は同値であっても異なる値であってもよい。代替的に又は付加的に、View_Score_i、Bookmark_Score_i及びComment_Score_iについての上記式に基づいて、View_Score_i、Bookmark_Score_i及びComment_Score_iの各々は、任意の所与のキュレーションについて０及び１の間の正規化された値でもよい。

View_Score_i、Bookmark_Score_i及びComment_Score_iについての上記式は、閲覧、ブックマーク、及びコメントを含むキュレーションｉの特定の種別のフィードバックに関するものである。上記式は、閲覧、ブックマーク、コメント、「いいね！」(例えばフェイスブックで利用されるようなもの)、プラスボタン(例えばＧｏｏｇｌｅ＋（登録商標）で利用されるようなもの)又はその他のフィードバックを含む任意の種類のフィードバックのために一般化されてもよい。

例えば、フィードバックスコア算出のための一般式は、以下のものでもよい。

前記式中λはフィードバックスコアに対する時間の影響を調整するための定数係数であり、Ｍは特定の種別のフィードバックを有していてアイテムが抽出されたところキュレーションの総数であり、Ｎｉはキュレーションｉに関連する特定の種別のフィードバックの数であり、ｔは現在時間であり、ｔ_jは日、時その他の所望の単位によるキュレーションｉに対するｊ番目のフィードバックイベントの時間(例えば特定の種別のフィードバックが適用された時間)である。幾つかの実施形態においては、キュレーションｉに対する特定の種別のフィードバックの総数Ｎｉが０であるならば、フィードバックスコアは０に等くてもよい。

引き続き図２を参照すると、キュレータモジュール(curator measurement module)２２０は、キュレーションキュレータ信用度(curation curator credit measurement)を、抽出されたキュレーション特有の特徴に基づいて算出するように構成されてもよい。キュレーションキュレータ信用度は、一人のキュレータが生成した全てのキュレーションの人気度と、キュレータのソーシャルネットワーク影響度とに基づいていてもよい。

これらの実施形態及び他の実施形態においては、キュレーションキュレータ信用度は、相対的により人気の高いキュレーションを生成したキュレータ及び／又は相対的により大きなソーシャルネットワーク影響度を有するキュレータが生成したキュレーションに対しては相対的に大きくなってもよい。

幾つかの実施形態においては、キュレーションキュレータ信用度は、下記式に従って算出されてもよい。
Curation_Curator_Credit_i =CCP_i * SNI_i

前記式中Curation_Curator_Credit_iはキュレータ信用度であり、ＣＣＰ_iはキュレーションｉのキュレータのキュレーションコンテンツ人気度であり、ＳＮＩ_iはキュレーションｉのキュレータのソーシャルネットワーク影響度である。

幾つかの実施形態においては、キュレーションキュレータ信用度は、全てのキュレータについて正規化されてもよい。例えば、キュレーションｉのキュレータに対するＣＣＰ_i値及びＳＮＩ_i値をそれぞれ０．０３７８及び０．０１とすると、Curation_Curator_Credit_iについての前記式に従い、処理前キュレーションキュレータ信用度が０．００３７８となる。

処理前キュレーションキュレータ信用度が全てのキュレータにわたって正規化されてもよく、例えば処理前キュレーションキュレータ信用度が全てのキュレータについて算出されてもよく、そして、処理前キュレーションキュレータ信用度が合計されてもよい。

そうするとキュレーションキュレータ信用度０．００３７８は処理前キュレーションキュレータ信用度の和で除算されて、０及び１の間の正規化されたキュレーションキュレータ信用度が得られる。例えば、処理前キュレーションキュレータ信用度が０．２５２であるならば、処理前キュレーションキュレータ信用度０．００３７８に対応する正規化されたキュレーションキュレータ信用度を算出すると０．００３７８／０．２５２＝０．０１５となる。

これらの実施形態及び他の実施形態においては、各キュレータのキュレーションコンテンツ人気度ＣＣＰ_iは、キュレーションｉのキュレータが生成した全てのキュレーションに対応する全キュレーション人気信用度の平均値として算出されてもよい。

より具体的には、キュレーションコンテンツ人気度ＣＣＰ_iは、キュレーションｉのキュレータが生成した全てのキュレーションを抽出することによって、及び概ね上述したようにキュレータが生成した抽出されたキュレーションの各々についてキュレーション人気信用度を算出することによって、及びキュレータが生成した抽出されたキュレーションのキュレーション人気信用度を合計することで全キュレーション人気信用度を算出することによって、及び全キュレーション人気信用度をキュレータが生成した抽出されたキュレーションの数で割って平均キュレーション人気信用度を算出することによって、算出されてもよい。平均キュレーション人気信用度は、キュレーションｉのキュレータのキュレーションコンテンツ人気度ＣＣＰ_iとして用いられてもよい。

代替的に又は付加的に、キュレーションｉのキュレータのソーシャルネットワーク影響度ＳＮＩ_iは、ソーシャルフィード追従グラフ又はその他のソーシャルグラフアルゴリズム若しくはキュレータのメトリックに基づいて算出されてもよい。

ソーシャルグラフアルゴリズム又はメトリックの例としては、ツイッターランク(TwitterRank)、トピック特有のページランク(Topic-specific PageRank)、トピック特有のタンクランク(Topic-specific TunkRank)等又はこれらの任意の組合せが含まれてもよい(但しこれらに限定されない)。

上記に係る説明は、米国特許出願第１３／２４２，３５２号、Ｊ．Ｗｅｎｇ他 "TwitterRank: Finding Topic‐sensitive Influential Twitterers"(http://ink.library.smu.edu.sg/cgi/viewcontent.cgi?article=1503&context=sis_research、２０１３年７月２９日アクセス)、及び、Ｄ．Ｇａｙｏ−Ａｖｅｌｌｏ他 "Overcoming Spammers in Twitter-A Tale OF Five Algorithms"(http://di002.edv.uniovi.es/~dani/downloads/CERI2010-camera-ready.pdf、２０１３年７月２９日アクセス)に提供されているところ、これらの内容は参照により本明細書に編入される。

キュレーションｉのキュレータのキュレーションコンテンツ人気度ＣＣＰ_i及び／又はソーシャルネットワーク影響度ＳＮＩ_iは、キュレータモジュール２２０及び／又はモジュール群２２６の別の１つのモジュールによって算出されてもよい。

また、キュレータモジュール２２０及び／又はモジュール群２２６に属する別の１つのモジュールは、アイテムキュレータ信用度を、抽出されたキュレーション特有の特徴及び／又は本明細書に記載したその他のメトリックに基づいて算出するように構成されていてもよい。

アイテムキュレータ信用度は、所与の抽出されたアイテムを含む少なくとも１つのキュレーションを生成した各キュレータのキュレーションコンテンツ人気度ＣＣＰに基づき、及び所与の抽出されたアイテムを含む少なくとも１つのキュレーションを生成した各キュレータのソーシャルネットワーク影響度ＳＮＩに基づくものであってもよい。

幾つかの実施形態においては、アイテムキュレータ信用度は、下記式に従って算出されてもよい。

前記式中、Item_Curator_Credit_mはアイテムキュレータ信用度であり、ＣＮ，Curation_Curator_Credit_i，ＩＮｉについては上記定義済みである。

引き続き図２を参照すると、ランキングモジュール(ranking module)２２２は、コンテンツ類似度と、キュレーションアイテム人気信用度等の１以上のキュレーション特有の度合との双方に基づいて、及び／又はアイテムキュレータ信用度に基づいて、抽出されたアイテムの各々をランク付けして、キュレーションアイテム結果を生成するように構成されてもよい。

抽出されたアイテムをランク付けすることには、抽出されたアイテムの各々について、前記抽出されたアイテムの対応する１つのランクＲを下記式に従って算出することが含まれてもよい。
R = α*CSM_m + β*Item_Popularity_Credit_m + γ*Item_Curator_Credit_m

前記式中、α、β及びγは重み係数であり、及びCSM_m，Item_Popularity_Credit_m，Item_Curator_Credit_mは本明細書において定義済みの度合である。ＣＳＭ_ｍ及びキュレーション特有の度合の双方に基づいて算出されたランクＲは、本明細書に記載されたその他のランクと区別するため、本明細書中では「キュレーションアイテムスコア」と呼ぶことにする。

好ましい実施形態においては、α＋β＋γ＝１であり、及び／又は重み係数α、β及びγは、それぞれ０．５，０．３，０．２でもよい。代替的には、重み係数α、β及びγは、第１の値、例えば０．５，０．３，０．２でそれぞれ初期指定されたうえで、算出されたランクＲの最適化のための機械学習によって精密化されてもよい。

引き続き図２を参照すると、ユーザープロファイルモジュール(user profile module)２２４は、例えばシステム１０６と通信してキュレーションの生成中にアイテムを特定するためのクエリを送るユーザのユーザープロファイルを生成するように構成されてもよい。ユーザープロファイルには、明示的ユーザープロファイル、黙示的ユーザープロファイル又はこれらの任意の組合せが含まれてもよい。

明示的ユーザープロファイルは、ユーザープロファイルを構築するためにユーザから明示的に提供されたキーワード及びその他の入力を含んでもよい。かかるキーワード又は他の入力は、例えば、ユーザにとって関心のあるトピックを表し又はこれに対応してもよい。これらの実施形態及び他の実施形態において、ユーザープロファイルモジュール２２４は、明示的プロファイルが望まれる限度において、プロファイルを構築するプロセスを通るよう各ユーザを案内してもよい。

黙示的ユーザープロファイルは、検索動作、クリック動作、ブックマーク動作等又はこれらの任意の組合せといったユーザのアクティビティを追跡することにより自動生成されてもよい。異なるアクティビティに関わるコンテンツには異なる重みが割り当てられてもよい。例えば、ユーザがブックマークを付したウェブページに由来するコンテンツは、ユーザがクリックしたリンクによって参照されたコンテンツと比較してより大きい重みを割り当てられてもよい。

各ユーザに対する明示的及び／又は黙示的ユーザープロファイルは、ユーザープロファイルベクトルと呼ばれるテキスト単語ベクトルに統合化されてもよい。抽出されたアイテムに対応する単語ベクトルにおける少なくとも幾つかの用語がユーザープロファイルベクトルにおける少なくとも幾つかの用語と適合すると、適合している用語の重みは、コンテンツ類似度モジュール２１０によるコンテンツ類似度においてブーストされてもよい。

ウェブ検索モジュール(web search module)２２８は、ユーザから受信したクエリに基づいてウェブ検索を行うように構成されてもよい。例えば、ウェブ検索モジュール２２８は、クエリに基づいてウェブリソースに対する検索を行うように構成された、ウェブ検索エンジン、Ｇｏｏｇｌｅ（登録商標）検索プラグイン又はＹａｈｏｏ！（登録商標）検索プラグインといったプラグイン等又はこれらの任意の組合せでを含んでも良い。

ウェブ検索モジュール２２８は、概ね上述したＣＳＭ_ｍのようなコンテンツ類似度を算出することにより及びコンテンツ類似度に大幅に基づいて及び／又は専ら基づいてウェブ検索の結果(以下、「ウェブ結果」という。)のランク付けを行うことで、ウェブ検索を行ってもよい。

ＯＥＲ検索モジュール(OER search module)２３０は、クエリ及び学習特有の特徴に基づいてＯＥＲ検索を行うように構成されてもよい。例えば、ＯＥＲ検索モジュール２３０は、ＯＥＲ結果を生成するためにクエリ及び学習特有の特徴に基づいてＯＥＲリソースに対する検索を行うように構成されていてもよい。

幾つかの実施形態においては、ＯＥＲ検索モジュール２３０は単体で又はシステム１０６内の他のモジュールとの組合せにより、同時係属中の米国特許出願第１３／７３１，９９６号、発明の名称「オープンエデュケーション教材のランク付け及び推奨("RANKING AND RECOMMENDATION OF OPEN EDUCATION MATERIALS")」(２０１２年１２月３１日出願)に開示されたオープンエデュケーション教材を自動的にランク付けして推薦する方法と同一又は実質的に同一の態様で、クエリ及び学習特有の特徴に基づいてＯＥＲリソースに対する検索してもよい。前記出願は参照により本明細書に編入される。

クエリ及び学習特有の特徴に基づいてＯＥＲ検索を行うことの概要を図２の文脈において説明することにする。システム１０６は、既述のとおりクエリを受信してもよい。コンテンツ類似度モジュール２１０は、既述のＣＳＭ_ｍを算出してもよい。

ＯＥＲ検索モジュール２３０は、前述したＯＥＲリソースに含まれる学習教材から複数の学習特有の特徴を抽出してもよい。ＯＥＲ検索モジュール２３０は、学習教材の各々について１以上の追加の度合を、抽出された学習特有の特徴に基づいて算出してもよい。

１以上の追加の度合は、ＣＳＭ_ｍとは異なってもよく、及び／又は、新鮮度(freshness measurement：ＦＭ)、学問的信用度(academic credit measurement：ＡＣＭ)、ソーシャルメディア信用度(social media credit measurement：ＳＭＣＭ)、及び／又は包括度(comprehensiveness measurement：ＣＭ)といった１以上の学習特有の度合を含んでもよい。

ＯＥＲ検索モジュール２３０及び／又はランキングモジュール２２２は、ＣＳＭ_ｍ及び１以上の追加の度合の双方に基づいて学習教材の各々をランク付けしてもよい。学習教材をランク付けすることには、ＣＳＭ_ｍ及び１以上の追加の度合との双方に基づいてランクを算出することが含まれてもよい。ＣＳＭ_ｍ及び１以上の追加の度合の双方に基づいて算出されたランクは、本明細書に記載した他のランクと区別するために「ＯＥＲスコア」と呼ぶことにする。

引き続き図２を参照すると、検索統合モジュール(search unification module)２３２は、キュレーションアイテム結果、ウェブ結果、及びＯＥＲ結果を統合することを含め、マルチレベル検索の結果を統合するように構成されてもよい。

図３は、本明細書に記載した少なくとも１つの実施形態に従って構成された、図１Ａの動作環境１００において実装されることができる方法３００の例示的フロー図を示した図である。幾つかの実施形態における方法３００は、図１Ａ及び図２のシステム１０６によって実行される。独立の複数ブロックとして記載されているが、所望の実装態様に応じて、様々なブロックがさらなるブロックに分割されてもよく、より少ない数のブロックに結合されてもよく、或いは設けなくてもよい。

本方法３００は、キュレーションを生成するためのアイテムのクエリが受信されるブロック３０２をもって開始してもよい。クエリは、例えば図２の通信インタフェース２０４を介して受信されてもよく、リソース１０４に対する検索を行うのに用いられてもよい。

図３に示すとおり、リソースには、ウェブリソース３０４、ＯＥＲ３０６、及びキュレーション３０８が含まれてもよい。ブロック３１０に示すように、ＯＥＲ３０６は、ウェブリソース３０４に対する集中巡回(focused crawl)により特定されてもよく、及び／又は、キュレーション３０８の生成及び／又は分析から得られたフィードバック３１２に基づいて追加されてもよい。例えば、キュレーションは、ＯＥＲ３０６に含まれていないＯＥＲであってフィードバック３１２によりＯＥＲ３０６に追加することができるＯＥＲを特定してもよい。

また、方法３００は、リソース１０４に対するマルチレベル検索を行うことを含んでもよい。マルチレベル検索の実行には、概ね前述したように、ブロック３１４でウェブ検索を実行してウェブ結果３１６を生成すること、及びブロック３１８で学習特有の特徴に基づく検索を実行してＯＥＲ結果３２０を生成すること、及びブロック３２２でキュレーション特有の特徴に基づく検索を実行してキュレーションアイテム結果３２４を生成することが含まれてもよい。

幾つかの実施形態においては、ブロック３２２でキュレーション特有の特徴に基づいて検索を行うことには、ブロック３２６で各キュレーション３０８からアイテムを抽出して抽出されたアイテム３２８を生成することが含まれてもよい。

ブロック３３０において、ウェブ結果３１６、ＯＥＲ結果３２０及びキュレーションアイテム結果３２４を統合して統合結果３３２を生成してもよい。

ブロック３３４において、システム１０６は、アイテム選択内容を統合結果３３２から、及び／又は他で見つかった１以上のアイテム３３６から受信してもよい。ブロック３３８において、選択されたアイテムは、キュレータによって生成中のキュレーションに追加されてもよい。生成中キュレーションの生成が完了した後、キュレーションは、リソース１０４内のキュレーション３０８に追加されてもよい。

図４は、本明細書に記載した少なくとも１つの実施形態に従って構成された、候補キュレーションアイテムをランク付けするランキング方法４００の例示的フロー図を示した図である。幾つかの実施形態における方法４００は、図１Ａ及び図２のシステム１０６によって実行され、及び／又は図３の１以上のブロック３２２，３２６に対応している。独立した複数のブロックとして説明したが、様々なブロックは、所望の実装態様に応じて、追加的な複数のブロックに分割されてもよいし、より少ないブロックに結合されてもよく、或いは設けなくてもよい。

本方法４００は、図３に関連して既述のとおり抽出されたアイテム３２８を生成するために、ブロック３２６において、キュレーション３０８の各々からアイテムを抽出することを含んでもよい。追加的に、本方法４００はキュレーションを生成するユーザ１０８の一人からのクエリ４０２を受信することを含んでもよい。

ブロック４０４において、クエリ４０２に基づいて、抽出されたアイテム３２８の各々についてコンテンツ類似度を算出してもよい。オプションとして、コンテンツ類似度の算出は、更に、ユーザ１０８のユーザープロファイル４０６に基づいて、及び／又は、上述したとおりＣＳＭ_ｍについての式に従って行ってもよい。ブロック４０８において、抽出されたアイテム３２８からキュレーション特有の特徴を抽出してもよい。

ブロック４１０において、抽出されたキュレーション特有の特徴に基づいて、抽出されたアイテム３２８について１以上のキュレーション特有の度合４１２，４１４を算出してもよい。

記載した実施形態においては、１以上の追加の度合４１２，４１４はキュレーションアイテム人気信用度４１２及びアイテムキュレータ信用度４１４となっている。キュレーションアイテム人気信用度４１２及びアイテムキュレータ信用度４１４は、それぞれ、既述のItem_Popularity_Credit_m及びItem_Curator_Credit_mについての式に従って算出されてもよい。

ブロック４１６において、コンテンツ類似度と１以上の追加の度合とに基づいて、抽出されたアイテム３２８をランク付けして、抽出されたアイテム３２８の各々に対してキュレーションアイテムスコア４１８を生成する。抽出されたアイテム３２８は、既述のＲについての式に従ってランク付けされてもよい。

キュレーションアイテムスコア４１８は、ユーザ１０８に対して出力されてもよい。代替的に又は付加的に、抽出されたアイテム３２８へのリンク及び／又はその短い説明が、リンクの順序がキュレーションアイテムスコア４１８を反映するような仕方でユーザ１０８に対して出力されてもよく、或いは、クエリ４０２に対する抽出されたアイテム３２８の各々がもつ関連性がユーザ１０８に対して出力されてもよい。

代替的に又は付加的に、ランク付けした抽出されたアイテムが図３のキュレーションアイテム結果３２４を形成してもよく、及び、リンクに先立って図３のウェブ結果３１６及び／又はＯＥＲ結果３２０と結合されてもよく、及び／又は、アイテムの短い説明がユーザ１０８に対して出力されてもよい。

幾つかの実施形態においては、図４の方法４００は、図３の方法３００の一部としてこれに結合され又はこれに含まれてもよく、及び／又は図４の方法４００は、図３の方法３００の１以上の処理を更に含んでいてもよい。

例えば、図３及び図４を結合して参照すると、本方法４００は、クエリ４０２に基づいてウェブリソース３０４に対する検索を行ってウェブ結果３１６を生成することを含んでもよい。クエリ４０２及び学習特有の特徴に基づいてＯＥＲ３０６を検索してＯＥＲ結果３２０を生成してもよい。

ウェブ結果３１６、ＯＥＲ結果３２０及びキュレーションアイテム結果３２４を統合して統合結果３３２を生成してもよい(ブロック３３０)。アイテム選択内容を統合結果３３２から受信する(ブロック３３４)。そして、選択されたアイテムをキュレーションに対して追加してもよい(ブロック３３８)。

図５は、本明細書に記載した少なくとも１つの実施形態に従って構成された、マルチレベル検索の結果を統合する方法３３０Ａの例示的フロー図を示したものである。方法３３０Ａは、図３のブロック３３０の好ましい実施形態であり、幾つかの実施形態においては、図１Ａ及び図２のシステム１０６によって実行される。

独立の複数ブロックとして記載されているが、所望の実装態様に応じて、様々なブロックが追加的ブロックに分割されてもよく、より少ない数のブロックに結合されてもよく、或いは設けなくてもよい。

方法３３０Ａには、ブロック５０２においてＯＥＲ結果３２０からＮ個(但しＮは定数)の上位結果を抽出すること及びブロック５０４においてキュレーションアイテム結果３２４からＮ個の上位結果を抽出することが含まれてもよい。オプションとして、方法３３０Ａには、ブロック５０５においてウェブ結果３１６からＮ個の上位結果を抽出することが含まれてもよい。

幾つかの実施形態においては、キュレーションアイテム結果３２４は、ＯＥＲ結果３２０よりも重み付けされてもよい。ＯＥＲ結果３２０とは異なるようにキュレーションアイテム結果３２４を重み付けするために、ＯＥＲ結果から得たＮ個の上位結果３２０の各々に第１の重要性因子を適用しもよく、キュレーションアイテム結果３２４から得たＮ個の上位結果の各々に第２の重要性因子を適用してもよい。

特に、ブロック５０６において、ＯＥＲ結果３２０から得たＮ個の上位結果の各々のＯＥＲスコアをＯＥＲ結果３２０の重要性因子に基づいて調整し、ブロック５０８において、キュレーションアイテム結果３２４から得たＮ個の上位結果の各々のキュレーションアイテムスコアをキュレーションアイテム結果３２４の重要性因子に基づいて調整してもよい。

各ＯＥＲスコア及び各キュレーションアイテムスコアは、前記対応するスコアに前記対応する重要性因子を掛けて調節されてもよい。好ましい実施形態においては、ＯＥＲ結果３２０の重要性因子は０．３でもよく、及びキュレーションアイテム結果３２４の重要性因子は０．７でもよい。

ブロック５１０において、ＯＥＲ結果３２０から得たＮ個の上位結果とキュレーションアイテム結果３２４から得たＮ個の上位結果とを結合(merge)して結合結果(merged results)５１２を生成してもよい。結合結果５１２に含まれる各アイテムは、対応する調整済みＯＥＲスコアと対応する調整済みキュレーションアイテムスコアとに基づく結合スコアを有してもよい。

結合処理には、キュレーションアイテム結果３２４のＮ個の結果から得た対応するアイテムを、これと重複するＯＥＲ結果３２０のＮ個の上位結果から得た各アイテムと結合して対応する結合アイテムとすることが含まれてもよい。

２つのアイテムは、それらが同一又は実質的に同一である場合に、「重複する(overlap)」という。また、結合処理には、結合処理のために、キュレーションアイテム結果３２４から得たＮ個の上位結果からの前記対応するアイテムの調整済みキュレーションアイテムスコアと、ＯＥＲ結果３２０から得たＮ個の上位結果からの前記対応するアイテムの調整済みＯＥＲスコアとの和として、各結合アイテムについての結合スコアを生成することが含まれてもよい。結合処理をしない各非結合アイテムに係る結合スコアについては、対応する調整済みＯＥＲスコア又は対応する調整済みキュレーションアイテムスコアで形成してもよい。

従って、幾つかの実施形態においては、結合結果５１２に含まれる各アイテムについて結合スコアは以下のように決定されてもよい。

i) 結合スコアは、結合結果５１２に含まれる各アイテムのうち、ＯＥＲ結果３２０からのＮ個の上位結果には含まれているがキュレーションアイテム結果３２４からのＮ個の上位結果に属するいずれのアイテムとも重複しない当該各アイテム、については、対応する調整済みＯＥＲスコアで構成されてもよい。

ii) 結合スコアは、結合結果５１２に含まれる各アイテムのうち、キュレーションアイテム結果３２４からのＮ個の上位結果には含まれているがＯＥＲ結果３２０からのＮ個の上位結果に属するいずれのアイテムとも重複しない当該各アイテムについては、対応する調整済みキュレーションアイテムスコアで構成されてもよい。

iii) 結合スコアは、各結合アイテムについて、例えば、結合結果５１２内の各アイテムのうち、ＯＥＲ結果３２０からのＮ個の上位結果とキュレーションアイテム結果からのＮ個の上位結果との双方に含まれている当該各アイテムについては、対応する調整済みＯＥＲスコアと対する対応する調整済みキュレーションアイテムスコアとの和で構成されてもよい。

なお、この記載は、結合結果５１２に含まれる各アイテムについての結合スコアがどのようにして決定されるかに係る一例であって、限定する趣旨であると解釈すべきではない。

統合結果(unified results)３３２は、以下のように判定されるＮ個の結合結果５１２を含んでもよい。判定ブロック５１４において、ウェブ結果３１６のＮ個の上位結果と結合結果５１２との間で重複が存在しないと判定された場合(ブロック５１４で「Ｎｏ」)、又は、ウェブ結果３１６又はウェブ結果３１６のＮ個の上位結果が存在しないと判定された場合、ブロック５１６において結合結果５１２を結合スコアによってソートしたうえでブロック５１８においてＮ個の上位結果を抽出して統合結果３３２を生成する。

代替的に、ウェブ結果３１６のＮ個の上位結果と結合結果５１２との間で重複が存在すると判定された場合(ブロック５１４で「Ｙｅｓ」)、ブロック５２０において、結合結果５１２に含まれる各アイテムであってウェブ結果３１６のＮ個の上位結果に含まれるアイテムと重複するアイテムについての結合スコアをブーストしてもよく、これに続いて、ブロック５１６において、結合結果５１２を結合及び／又はブーストスコアによってソートしたうえで、ブロック５１８においてＮ個の上位結果を抽出して統合結果３３２を生成する。

好ましい実施形態においては、結合結果５１２に含まれる各アイテムであってウェブ結果３１６のＮ個の上位結果に含まれるアイテムと重複するアイテムに対する結合スコアに適用されるブーストは、１０％又はその前後の値でもよい。

例えば、ウェブ結果３１６のＮ個の上位結果に含まれるアイテムと重複する、結合結果５１２に含まれるアイテムの結合スコアが０．０２７０９である場合、結合スコアは、１０％だけブーストされて０．０２９８０となる。

図５の方法３３０Ａの具体的実施形態を、図６を参照して説明する。図６は、本明細書に記載した少なくとも１つの実施形態に従って構成された、様々なＯＥＲ結果、キュレーション結果、結合結果、ウェブ結果、及び統合結果の例を示している。

特に、図６は、上位５位までのＯＥＲ結果６０２、上位５位までのキュレーションアイテム結果６０４、上位５位までの結合結果６０６、上位５位までのウェブ結果６０８、及び上位５位までの統合結果６１０を示している。

図５及び図６を組み合わせて参照すると、方法３３０Ａは、ブロック５０２において、ＯＥＲ結果３２０のＯＥＲスコアに基づいて、ＯＥＲ結果３２０から上位５位までのＯＥＲ結果を抽出することを含んでもよい。ブロック６０４において、キュレーションアイテム結果３２４のキュレーションアイテムスコアに基づいて、キュレーションアイテム結果３２４から上位５位までのキュレーションアイテム結果６０４を抽出してもよい。

図６に示すように、上位５位までのＯＥＲ結果６０２及び上位５位までのキュレーションアイテム結果６０４は、ＯＥＲスコア又はキュレーションアイテムスコアに従ってソートされる。

ブロック５０６において、上位５位までのＯＥＲ結果６０２のＯＥＲスコアをＯＥＲ結果３２０の重要性因子に基づいて調整する。特に、図６に示すように、上位５位までのＯＥＲ結果６０２のＯＥＲスコアは、図６の調整済みＯＥＲスコアを生成するために、ＯＥＲスコアの各々に重要性因子０．３を乗じることにより、ＯＥＲ結果３２０の重要性因子に基づいて調整される。

ブロック５０８において、上位５位までのキュレーションアイテム結果６０４のキュレーションアイテムスコアを、キュレーションアイテム結果３２４の重要性因子に基づいて調整する。

特に、図６に示すように、図６の調整済みキュレーションアイテムスコアを生成するために、上位５位までのキュレーションアイテム結果６０４のキュレーションアイテムスコアは、キュレーションアイテムスコアの各々に重要性因子０．７で乗じることにより、キュレーションアイテム結果３２４の重要性因子に基づいて調整される。

ブロック５１０において、図５の結合結果５１２を生成するために、又は、図６の上位５位までの結合結果６０６を生成するために、上位５位までのＯＥＲ結果６０２と上位５位までのキュレーションアイテム結果６０４とを結合する。

図６の矢印６１２及び６１４で示すように、上位５位までのＯＥＲ結果６０２に含まれる幾つかのアイテムは、上位５位までのキュレーションアイテム結果６０４に含まれる幾つかのアイテムと重複してもよい。

より具体的には、上位５位までのＯＥＲ結果６０２のうちｉｔｅｍ_ｏ３及びｉｔｅｍ_ｏ５は、それぞれ、上位５位までのキュレーションアイテム結果６０４のうちｉｔｅｍ_ｃ１及びｉｔｅｍ_ｃ４と重複してもよい。

上位５位までのＯＥＲ結果６０２と上位５位までのキュレーションアイテム結果６０４との結合処理には、ｉｔｅｍ_ｏ３及びｉｔｅｍ_ｃ１を結合して上位５位までの結合結果６０６に属する単一の結合(例えばｉｔｅｍ_ｃ１)とすること、及び、ｉｔｅｍ_ｏ５及びｉｔｅｍ_ｃ４を結合して上位５位までの結合結果６０６に属する単一の結合アイテム(例えばｉｔｅｍ_ｃ４)とすることが含んでもよい。

上位５位までのＯＥＲ結果６０２と上位５位までのキュレーションアイテム結果６０４との結合処理には、追加的に、アイテム_ｏ３の調整済みＯＥＲスコアとｉｔｅｍ_ｃ１の調整済みキュレーションアイテムスコアとを足し合わせることにより、上位５位までの結合結果６０６におけるｉｔｅｍ_ｃ１についての結合スコアが０．０１２７５＋０．０３０５９＝０．０４３３４となるように、上位５位までの結合結果６０６のうちｉｔｅｍ_ｃ１について結合スコアを生成すること、及び、ｉｔｅｍ_ｏ５の調整済みＯＥＲスコアとｉｔｅｍ_ｃ４の調整済みキュレーションアイテムスコアとを足し合わせて、上位５位までの結合結果６０６のうちｉｔｅｍ_ｃ４についての結合スコアが０．００７２９＋０．０１４０７＝０．０２１３６となるように、上位５位までの結合結果６０６のうちｉｔｅｍ_ｃ４について結合スコアを生成することが含まれてもよい。

上位５位までの結合結果６０６のうちｉｔｅｍ_ｃ２及びｉｔｅｍ_ｃ３についての結合スコアは、対応する調整済みキュレーションアイテムスコアで形成してもよい。上位５位までのキュレーションアイテム結果６０４のうちこれらのアイテムは、上位５位までのＯＥＲ結果６０２に含まれるいずれのアイテムとも重複していないからである。

そして、ｉｔｅｍ_ｏ１についての結合スコアは、対応する調整済みＯＥＲスコアで形成してもよい。上位５位までのＯＥＲ結果６０２のうちこのアイテムは、上位５位までのキュレーションアイテム結果６０４に含まれるいずれのアイテムとも重複していないからである。

図６の矢印６１６で示したように、上位５位までの結合結果６０６のうちｉｔｅｍ_ｃ３は、上位５位までのウェブ結果６０８に含まれるｉｔｅｍ_ｗ５と重複している。従って、図５の方法３３０Ａのブロック５２０において、上位５位までの結合結果６０６に含まれるｉｔｅｍ_ｃ３の結合スコアがブーストされてもよい。

図６の例においては、ｉｔｅｍ_ｃ３の結合スコアは１０％だけブーストされて、上位５位までの結合結果６０６に含まれるｉｔｅｍ_ｃ３の結合スコア０．０２７０９は、上位５位までの統合結果６１０に含まれるｉｔｅｍ_ｃ３の結合・調整済みスコア０．０２９８０に変更される。

上位５位までの結合結果６０６のうちｉｔｅｍ_ｃ１，ｉｔｅｍ_ｃ２，ｉｔｅｍ_ｃ４，ｉｔｅｍ_ｏ１についてはウェブ結果６０８の上位５位までに含まれるいずれのアイテムとも重複しないので、統合結果６１０の上位５位までに含まれるｉｔｅｍ_ｃ１，ｉｔｅｍ_ｃ２，ｉｔｅｍ_ｃ４及びｉｔｅｍ_ｏ１の結合・ブースト済みスコアは、結合結果６０６の上位５位までに含まれるｉｔｅｍ_ｃ１，ｉｔｅｍ_ｃ２，ｉｔｅｍ_ｃ４及びアイテム_ｏ１の結合スコアと同一となる。

本明細書に記載した実施形態には、上記詳述したような様々なコンピュータハードウェア又はソフトウェアモジュールを備えた専用コンピュータ又は汎用コンピュータの使用が含まれうる。

本明細書に記載した実施形態は、コンピュータで実行可能な命令又はデータ構造を格納して担持又は保持するためのコンピュータ読み取り可能媒体を用いて実装することができる。かかるコンピュータ読み取り可能媒体は、汎用コンピュータ又は専用コンピュータによってアクセスすることができる任意の利用可能な媒体でもよい。

一例として、且つ非限定的に、かかるコンピュータ読み取り可能媒体には、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＣＤ−ＲＯＭ又はその他の光学ディスクストレージ、磁気ディスクストレージ若しくはその他の磁気ストレージデバイス、或いは、所望のプログラムコードをコンピュータで実行可能な命令又はデータ構造の形態にて担持又は格納するのに使用できる、及び、汎用若しくは専用コンピュータによってアクセスすることができる、任意のその他の記憶媒体を含む有形のコンピュータ読み取り可能な記憶媒体が含まれてもよい。上記の組合せもまたコンピュータ読み取り可能媒体の範囲内に含まれてもよい。

コンピュータで実行可能な命令には、例えば、汎用コンピュータ、専用コンピュータ、又は専用処理装置に何らかの機能又は機能群を実行させる命令及びデータが含まれる。発明主題は構造的特徴及び／又は方法論的動作に特有の表現で記載されているが、添付の請求項に定義された発明主題は、上述した特定の特徴又は動作に必ずしも限定されるものでないことが理解されるであろう。むしろ、上述した特定の特徴及び行為は、請求項に記載の発明を実施するための例示的な形態として開示されたものである。

本明細書における用語「モジュール」又は「コンポーネント」は、計算システム上で実行されるソフトウェアオブジェクト又はソフトウェアルーチンを指してもよい。本明細書に記載した異なるコンポーネント、モジュール、エンジン及びサービスは、計算システム上で実行されるオブジェクト又はプロセスとして実装されることができる(例えば別のスレッドとして)。

本明細書に記載したシステム及び方法は好ましくはソフトウェアにおいて実装されるが、ハードウェアでの実装又はソフトウェア及びハードウェアの組合せでの実装もまた可能であり想定しうるものである。本明細書においては、「計算エンティティ」は、既述のような任意の計算システム又は、計算システム上で動作する任意のモジュール若しくはモジュールの組合せでもよい。

本明細書中に言及した全ての例及び条件付きの文言は、読者が本発明及び技術水準を前進させるために発明者が呈示した概念を理解するのを助けるという教育的目的を意図したものであって、かかる具体的に言及した例及び条件に限定される趣旨と解されるべきものではない。本発明の実施形態を詳細に説明したが、本発明の趣旨及び範囲を逸脱しない限度で様々な改変、置換及び変更を行いうることが理解されるであろう。

１００ 動作環境
１０２ ネットワーク
１０４，１１６ キュレーション
１０６ キュレーションアイテム検索・ランク付けシステム (システム)
１０８ エンドユーザ(ユーザ，複数のユーザ)
１１０ 使用方法
１１４ 検索結果
１１８ キュレーションデータベース
１２０，３０２，３１０，３１４，３１８，３２２，３２６，４０４，４０８，４１０，４１６，５０２，５０４，５０５，５０６，５０８，５１０，５１６，５１８，５２０ ブロック
２０２ プロセッサ
２０４ 通信インタフェース
２０６ メモリ
２０８ 通信バス
２１０ バス／インタフェースコントコンテンツ類似度測定モジュール
２１２ アイテム抽出モジュール
２１４ 特徴抽出モジュール
２１６ キュレーション信用度測定モジュール
２１８ キュレーションアイテム信用度測定モジュール
２２０ キュレーションアイテム信用度測定モジュール
２２２ ランキングモジュール
２２４ ユーザープロファイルモジュール
２２６ モジュール群
２２８ ウェブ検索モジュール
２３０ ＯＥＲ検索モジュール
２３２ 検索統合モジュール
３００，４００，３３０Ａ 本方法
３０４ ウェブリソース
３０６ ＯＥＲ
３０８ キュレーション
３１２ フィードバック
３１６ ウェブ結果
３２０ ＯＥＲ結果
３２４ キュレーションアイテム結果
３２８ アイテム
４０２ クエリ
４０６ ユーザープロファイル
４１２ キュレーションアイテム人気信用度
４１４ アイテムキュレータ信用度
４１８ キュレーションアイテムスコア
５１２ 結合結果
５１４ 判定ブロック
６０２ 上位５位までのＯＥＲ結果
６０４ 上位５位までのキュレーションアイテム結果
６０６ 上位５位までの結合結果
６０８ 上位５位までのウェブ結果
６１０ 上位５位までの統合結果
６１２，６１４，６１６ 矢印

Claims (20)

1. 候補キュレーションアイテムをランキングする方法であって、
   クエリを受信し、
   複数のキュレーションから複数のアイテムを抽出し、
   前記クエリに基づいて、前記抽出した複数のアイテムの各々についてコンテンツ類似度を算出し、
   前記抽出した複数のアイテムの各々から、複数のキュレーション特有の特徴を抽出し、
   前記抽出した複数のキュレーション特有の特徴に基づいて、前記抽出した複数のアイテムの各々について、前記コンテンツ類似度とは異なる度合である１以上のキュレーション特有の度合を算出し、
   前記コンテンツ類似度と前記１以上のキュレーション特有の度合との双方に基づいて、前記抽出した複数のアイテムの各々をランク付けして複数のキュレーションアイテム結果を生成する、ことを有する、
   ことを特徴とする方法。
2. 更に、
   前記クエリに基づいて複数のウェブリソースを検索して複数のウェブ結果を生成し、
   前記クエリ及び学習特有の特徴に基づいて複数のオープンエデュケーションリソースを検索して、複数のオープンエデュケーションリソース結果を生成し、
   前記複数のウェブ結果、前記複数のオープンエデュケーションリソース結果及び前記複数のキュレーションアイテム結果を統合して、複数のアイテムを含む複数の統合結果を生成し、
   前記統合結果から選択したアイテムの選択内容を受信し、
   前記選択したアイテムをキュレーションに追加する、ことを有する、
   ことを特徴とする請求項１に記載の方法。
3. 前記複数のウェブ結果、前記複数のオープンエデュケーションリソース結果及び前記複数のキュレーションアイテム結果を統合して前記複数のアイテムを含む前記複数の統合結果を生成することは、
   前記複数のオープンエデュケーションリソース結果からＮ個(但しＮは定数)の上位結果を抽出するとともに前記複数のキュレーションアイテム結果からＮ個の上位結果を抽出し、
   前記オープンエデュケーションリソース結果の重要性因子に基づいて、前記オープンエデュケーションリソース結果からの前記Ｎ個の上位結果の各々についてオープンエデュケーションリソーススコアを調整し、
   前記複数のキュレーションアイテム結果の重要性因子に基づいて、前記複数のキュレーションアイテム結果からの前記Ｎ個の上位結果の各々について、キュレーションアイテムスコアを調整し、
   前記複数のオープンエデュケーション結果からの前記Ｎ個の上位結果と前記複数のキュレーションアイテム結果からの前記Ｎ個の上位結果とを結合して結合結果を生成する、ことを有し、
   前記結合結果に含まれる各アイテムは、結合スコアを有し、
   前記結合結果に含まれる前記アイテムの結合スコアは、対応する前記調整済みオープンエデュケーションリソーススコアと対応する前記調整済みキュレーションアイテムスコアとに基づいており、
   前記複数の統合結果は、前記結合結果からのＮ個の結果を含む、
   ことを特徴とする請求項２に記載の方法。
4. 前記複数のオープンエデュケーション結果から得たＮ個の上位結果と前記複数のキュレーションアイテム結果から得たＮ個の上位結果とを結合して前記結合結果を生成することは、
   前記複数のキュレーションアイテム結果のうちのＮ個の上位結果からのアイテムと、このアイテムと重複する、前記複数のオープンエデュケーションリソース結果のうちＮ個の上位結果からのアイテムと、を結合して結合アイテムとし、
   前記結合アイテムについて、結合スコアを、前記複数のキュレーションアイテム結果からのＮ個の上位結果からの前記対応するアイテムの前記調整済みキュレーションアイテムスコアと、前記複数のオープンエデュケーションリソース結果からのＮ個の上位結果からの前記対応するアイテムの前記調整済みオープンエデュケーションリソーススコアとの和として生成する、ことを有する、
   ことを特徴とする請求項３に記載の方法。
5. 更に、
   前記複数のウェブ結果からＮ個の上位結果を抽出し、
   前記複数のウェブ結果の前記Ｎ個の上位結果に含まれるアイテムと重複する、前記結合結果に含まれる各アイテムについて、前記結合スコアをブーストする、ことを有し、
   前記複数の統合結果は、前記結合結果のＮ個の上位結果を含み、
   前記Ｎ個の上位結果を、前記結合結果の前記結合及び／又はブーストスコアに基づいて決定する、
   ことを特徴とする請求項３に記載の方法。
6. 前記結合結果に含まれる各アイテムについて、前記結合スコアを、
   i) 前記結合結果に含まれる各アイテムのうち、前記複数のオープンエデュケーションリソース結果からの前記Ｎ個の上位結果に含まれているが前記複数のキュレーションアイテム結果からの前記Ｎ個の上位結果に属するいずれのアイテムとも重複しない各アイテムについては、対応する前記調整済みオープンエデュケーションリソーススコアで形成し、
   ii) 前記結合結果に含まれる各アイテムのうち、前記複数のキュレーションアイテム結果からの前記Ｎ個の上位結果には含まれているが前記複数のオープンエデュケーションリソース結果からの前記Ｎ個の上位結果に属するいずれのアイテムとも重複しない各アイテムについては、対応する前記調整済みキュレーションアイテムスコアで形成し、
   iii) 前記結合結果に含まれる各アイテムのうち、前記複数のオープンエデュケーションリソース結果からの前記Ｎ個の上位結果と前記複数のキュレーションアイテム結果からの前記Ｎ個の上位結果との双方に含まれる各アイテムについては、対応する前記調整済みオープンエデュケーションリソーススコアと対応する前記調整済みキュレーションアイテムスコアとの和で形成する、
   ことを特徴とする請求項３に記載の方法。
7. 前記１以上のキュレーション特有の度合は、前記抽出した複数のアイテムの各々について、
   対応する前記抽出したアイテムの人気度に関するキュレーションアイテム人気信用度、及び、
   対応する前記抽出したアイテムを自分のキュレーションに採用した各キュレータが生成した前記キュレーションの人気度と、前記各キュレータのソーシャルネットワーク影響度とに関するアイテムキュレータ信用度、
   の少なくともいずれかを含む、
   ことを特徴とする請求項１に記載の方法。
8. 前記キュレーションアイテム人気信用度を算出することは、対応する前記抽出したアイテムが含まれている各キュレーションのキュレーション人気信用度を算出する、ことを有する、
   ことを特徴とする請求項７に記載の方法。
9. キュレーションｉの前記キュレーション人気信用度を、下記式により算出する、
   Curation_Popularity_i = V*View_Score_i + B*Bookmark_Score_i + C*Comment_Score_i
   但し、Curation_Popularity_iはキュレーションｉのキュレーション人気信用度であり、
   Ｖ、Ｂ及びＣはＶ＋Ｂ＋Ｃ＝１を満たす定数であり、
   View_Score_iは前記キュレーションｉの閲覧数に基づいて算出され、
   Bookmark_Score_iは前記キュレーションｉのブックマーク数に基づいて算出され、
   Comment_Score_iは前記キュレーションｉに対するコメント数に基づいて算出される、
   ことを特徴とする請求項８に記載の方法。
10. 前記キュレーションアイテム人気信用度を、下記式により算出する、
    

    

    但し、ＣＮは対応する前記抽出したアイテムを各々含むキュレーション数であり、Curation_Popularity_iはキュレーションｉのキュレーション人気信用度であり、ＩＮｉは前記キュレーションｉに含まれるアイテム数である、
    ことを特徴とする請求項８に記載の方法。
11. 前記アイテムキュレータ信用度を、下記式により算出する、
    

    

    但し、ＣＮは対応する前記抽出したアイテムを各々含むキュレーション数であり、Curation_Curator_Credit_iは、対応する前記抽出したアイテムを含むキュレーションｉのキュレーションキュレータ信用度であり、ＩＮｉは前記キュレーションｉに含まれるアイテム数であり、Curation_Curator_Credit_iはＣＣＰ_i＊ＳＮＩ_iに従って算出され、
    ＣＣＰ_iは対応する前記抽出したアイテムを少なくとも１つの自分のキュレーションに採用した対応する前記キュレータのキュレーションコンテンツ人気度であり、ＳＮＩ_iは前記対応するキュレータのソーシャルネットワーク影響度である、
    ことを特徴とする請求項７に記載の方法。
12. 前記対応するキュレータの前記キュレーションコンテンツ人気度ＣＣＰを、
    前記対応するキュレータが生成した全てのキュレーションを抽出し、
    前記抽出した前記対応するキュレータが生成したキュレーションの各々のキュレーション人気信用度を算出し、
    前記抽出した前記対応するキュレータが生成したキュレーションの各々のキュレーション人気信用度を合計することにより総キュレーション人気信用度を算出し、
    前記総キュレーション人気信用度を前記抽出した前記対応するキュレータが生成したキュレーション数で割って平均キュレーション人気信用度を算出する、ことによって算出する、
    ことを特徴とする請求項１１に記載の方法。
13. プロセッサと、前記プロセッサに通信可能に接続された非一時的なコンピュータ読み取り可能媒体とを備えた、候補キュレーションアイテムをランキングするシステムであって、
    前記非一時的なコンピュータ読み取り可能媒体には、コンピュータで実行可能な命令が格納され、
    前記コンピュータで実行可能な命令が前記プロセッサにより実行可能とされ、
    前記プロセッサにより実行可能な前記命令により、
    クエリを受信し、
    複数のキュレーションから複数のアイテムを抽出し、
    前記クエリに基づいて、前記抽出した複数のアイテムの各々についてコンテンツ類似度を算出し、
    前記抽出した複数のアイテムの各々から、複数のキュレーション特有の特徴を抽出し、
    前記抽出した複数のキュレーション特有の特徴に基づいて、前記抽出した複数のアイテムの各々について、前記コンテンツ類似度とは異なる度合である１以上のキュレーション特有の度合を算出し、
    前記コンテンツ類似度と前記１以上のキュレーション特有の度合との双方に基づいて、前記抽出した複数のアイテムの各々をランク付けして複数のキュレーションアイテム結果を生成する、ことを有する処理が実行される、
    ことを特徴とするシステム。
14. 前記処理は、更に、
    前記クエリに基づいて複数のウェブリソースを検索して複数のウェブ結果を生成し、
    前記クエリ及び学習特有の特徴に基づいて複数のオープンエデュケーションリソースを検索して、複数のオープンエデュケーションリソース結果を生成することと、
    前記複数のウェブ結果、前記複数のオープンエデュケーションリソース結果及び前記複数のキュレーションアイテム結果を統合して、複数のアイテムを含む複数の統合結果を生成し、
    前記統合結果から選択したアイテムの選択内容を受信し、
    前記選択したアイテムをキュレーションに追加する、ことを有する、
    ことを特徴とする請求項１３に記載のシステム。
15. 前記複数のウェブ結果、前記複数のオープンエデュケーションリソース結果及び結果前記複数のキュレーションアイテム結果を統合して前記複数のアイテムを含む前記複数の統合結果を生成することは、
    前記複数のオープンエデュケーションリソース結果からＮ個(但しＮは定数)の上位結果を抽出するとともに前記複数のキュレーションアイテム結果からＮ個の上位結果を抽出し、
    前記オープンエデュケーションリソース結果の重要性因子に基づいて、前記オープンエデュケーションリソース結果からの前記Ｎ個の上位結果の各々についてオープンエデュケーションリソーススコアを調整し、
    前記複数のキュレーションアイテム結果の重要性因子に基づいて、前記複数のキュレーションアイテム結果からの前記Ｎ個の上位結果の各々について、キュレーションアイテムスコアを調整し、
    前記複数のオープンエデュケーション結果からの前記Ｎ個の上位結果と前記複数のキュレーションアイテム結果からの前記Ｎ個の上位結果とを結合して結合結果を生成する、ことを有し、
    前記結合結果に含まれる各アイテムは、結合スコアを有し、
    前記結合結果に含まれる前記アイテムの結合スコアは、対応する前記調整済みオープンエデュケーションリソーススコアと対応する前記調整済みキュレーションアイテムスコアとに基づいており、
    前記複数の統合結果が前記結合結果からのＮ個の結果を含む、
    ことを特徴とする請求項１４に記載のシステム。
16. 前記複数のオープンエデュケーション結果から得たＮ個の上位結果と前記複数のキュレーションアイテム結果から得たＮ個の上位結果とを結合して前記結合結果を生成することは、
    前記複数のキュレーションアイテム結果のうちのＮ個の上位結果からのアイテムと、このアイテムと重複する、前記複数のオープンエデュケーションリソース結果のうちＮ個の上位結果からのアイテムとを結合して結合アイテムとし、
    前記結合アイテムについて、結合スコアを、前記複数のキュレーションアイテム結果からのＮ個の上位結果からの前記対応するアイテムの前記調整済みキュレーションアイテムスコアと、前記複数のオープンエデュケーションリソース結果からのＮ個の上位結果からの前記対応するアイテムの前記調整済みオープンエデュケーションリソーススコアとの和として生成する、ことを有する、
    ことを特徴とする請求項１５に記載のシステム。
17. 更に、
    前記複数のウェブ結果からＮ個の上位結果を抽出し、
    前記複数のウェブ結果の前記Ｎ個の上位結果に含まれるアイテムと重複する、前記結合結果に含まれる各アイテムについて、前記結合スコアをブーストする、ことを有し、
    前記複数の統合結果は、前記結合結果のＮ個の上位結果を含み、
    前記Ｎ個の上位結果は、前記結合結果の前記結合及び／又はブーストスコアに基づいて決定される、
    ことを特徴とする請求項１５に記載のシステム。
18. 前記１以上のキュレーション特有の度合は、前記抽出した複数のアイテムの各々について、
    対応する前記抽出したアイテムの人気度に関するキュレーションアイテム人気信用度、及び、
    対応する前記抽出したアイテムを自分のキュレーションに採用した各キュレータが生成した前記キュレーションの人気度と、前記各キュレータのソーシャルネットワーク影響度とに関するアイテムキュレータ信用度、
    の少なくともいずれかを含む、
    ことを特徴とする請求項１３に記載のシステム。
19. 前記キュレーションアイテム人気信用度は、下記式により算出される、
    

    

    但し、ＣＮは対応する前記抽出したアイテムを各々含むキュレーション数であり、Curation_Popularity_iはキュレーションｉのキュレーション人気信用度であり、ＩＮｉは前記キュレーションｉに含まれるアイテム数である、
    ことを特徴とする請求項１３に記載のシステム。
20. 前記アイテムキュレータ信用度は、下記式により算出される、
    

    

    但し、ＣＮは対応する前記抽出したアイテムを各々含むキュレーション数であり、Curation_Curator_Credit_iは、対応する前記抽出したアイテムを含むキュレーションｉのキュレーションキュレータ信用度であり、ＩＮｉは前記キュレーションｉに含まれるアイテム数であり、Curation_Curator_Credit_iはＣＣＰ_i＊ＳＮＩ_iに従って算出され、ＣＣＰ_iは対応する前記抽出したアイテムを少なくとも１つの自分のキュレーションに採用した対応する前記キュレータのキュレーションコンテンツ人気度であり、ＳＮＩ_iは前記対応するキュレータのソーシャルネットワーク影響度である、
    ことを特徴とする請求項１３に記載のシステム。

Images