JP6405704B2 - 情報処理装置、情報処理方法、及び、プログラム - Google Patents

Description

本技術は、情報処理装置、情報処理方法、及び、プログラムに関し、例えば、情報や物等の推薦を行う場合に用いて好適な情報処理装置、情報処理方法、及び、プログラムに関する。

従来、ユーザの短期的興味、長期的嗜好、及び、知識との関連性に基づいて計画される複数の方略に基づいて、コンテンツの推薦を行うことが提案されている（例えば、特許文献１参照）。特許文献１に記載の発明は、例えば、ニュース等の記事の推薦に適用することができる。

特開２００９−１４００７５号公報

ところで、ユーザが記事を閲覧するスタイルは様々である。例えば、ユーザは、特定のトピックに限定せずに様々なトピックに関する記事を閲覧する場合もあれば、特定のトピックに関する記事を深掘りする場合もある。しかしながら、単にユーザの嗜好に基づいて記事を推薦するだけでは、そのような閲覧スタイルの違いに対応できず、その結果、ユーザが所望する記事をなかなか見つけられない場合がある。

本技術は、このような状況に鑑みてなされたものであり、ユーザが所望の情報等を入手しやすくするものである。

本技術の一側面の情報処理装置は、ユーザに提示した対象のうち前記ユーザが所定の反応を示した対象である反応対象の分布を異なる観点によりそれぞれ分析した複数の分析値をそれぞれ良くすることが可能な対象であって、前記ユーザに提示する対象である提示対象を前記観点毎に選択する選択部と、前記観点毎に前記提示対象を前記分析値とともに提示するように制御する提示制御部とを備える。

前記提示制御部には、前記ユーザにより指定された前記観点により選択された前記提示対象を提示するように制御させることができる。

前記観点には、前記反応対象が属するクラスタの範囲の広さに基づく第１の観点、前記反応対象の前記クラスタ毎の分布に基づく第２の観点、前記反応対象の新しさに基づく第３の観点、及び、前記反応対象の人気度に基づく第４の観点のうち少なくとも２以上を含ませることができる。

前記選択部には、前記第１の観点により前記提示対象を選択する場合、前記クラスタ内の前記反応対象の量が所定の閾値未満の前記クラスタから前記提示対象を選択させることができる。

前記選択部には、前記第２の観点により前記提示対象を選択する場合、前記ユーザが直前に反応した前記反応対象が属する前記クラスタから前記提示対象を選択させることができる。

前記選択部には、前記第２の観点により前記提示対象を選択する場合、前記クラスタ内の前記反応対象の量が所定の閾値以上の前記クラスタから前記提示対象を選択させることができる。

前記選択部には、前記第３の観点により前記提示対象を選択する場合、直前の所定の期間内に追加又は更新された前記対象の中から前記提示対象を選択させることができる。

前記選択部には、前記第４の観点により前記提示対象を選択する場合、前記人気度が所定の閾値以上の前記対象の中から前記提示対象を選択させることができる。

前記対象はテキスト情報を含み、前記テキスト情報の言語解析の結果に基づいて、前記対象のクラスタリングを行うクラスタリング部をさらに設けることができる。

前記クラスタリング部には、前記対象を前記テキスト情報の主観性に基づく２以上の主観タイプに分類させることができる。

前記提示制御部には、前記主観タイプ毎に個別に前記提示対象を提示するように制御させることができる。

前記提示制御部には、前記ユーザにより指定された前記主観タイプの前記提示対象を提示するように制御させることができる。

前記観点には、前記反応対象の前記主観タイプに基づく第５の観点を含ませることができる。
前記選択部には、前記第５の観点により前記提示対象を選択する場合、前記反応対象の前記主観タイプの偏りを是正することが可能な前記対象を前記提示対象に選択させることができる。

前記対象に対する前記ユーザの嗜好を前記観点毎に学習する学習部をさらに設け、前記選択部には、前記観点毎に異なる学習結果を用いて前記提示対象を選択させることができる。

各前記観点に対する前記ユーザの嗜好を学習する学習部をさらに設け、前記選択部には、前記ユーザの嗜好度が高い前記観点を優先して前記ユーザへの前記提示対象の選択に用いらせることができる。

前記反応対象は、前記ユーザがポジティブな反応を示した前記対象とすることができる。

本技術の一側面の情報処理方法は、ユーザに提示した対象のうち前記ユーザが所定の反応を示した対象である反応対象の分布を異なる観点によりそれぞれ分析した複数の分析値をそれぞれ良くすることが可能な対象であって、前記ユーザに提示する対象である提示対象を前記観点毎に選択する選択ステップと、前記観点毎に前記提示対象を前記分析値とともに提示するように制御する提示制御ステップとを含む。

本技術の一側面のプログラムは、ユーザに提示した対象のうち前記ユーザが所定の反応を示した対象である反応対象の分布を異なる観点によりそれぞれ分析した複数の分析値をそれぞれ良くすることが可能な対象であって、前記ユーザに提示する対象である提示対象を前記観点毎に選択する選択ステップと、前記観点毎に前記提示対象を前記分析値とともに提示するように制御する提示制御ステップとを含む処理をコンピュータに実行させる。

本技術の一側面においては、ユーザに提示した対象のうち前記ユーザが所定の反応を示した対象である反応対象の分布を異なる観点によりそれぞれ分析した複数の分析値をそれぞれ良くすることが可能な対象であって、前記ユーザに提示する対象である提示対象が前記観点毎に選択され、前記観点毎に前記提示対象が前記分析値とともに提示されるように制御される。

本技術の一側面によれば、ユーザが所望の情報等を入手しやすくなる。

なお、ここに記載された効果は必ずしも限定されるものではなく、本開示中に記載されたいずれかの効果であってもよい。

本技術を適用した情報処理システムの一実施の形態を示すブロック図である。 サーバの機能の構成例を示すブロック図である。 クライアントの機能の構成例を示すブロック図である。 情報取得処理を説明するためのフローチャートである。 情報解析処理を説明するためのフローチャートである。 情報提示処理を説明するためのフローチャートである。 クライアントにおいて提示される画面の第１の例を示す図である。 クライアントにおいて提示される画面の第２の例を示す図である。 クライアントにおいて提示される画面の第３の例を示す図である。 コンピュータの構成例を示すブロック図である。

以下、本技術を実施するための形態（以下、実施の形態という）について説明する。なお、説明は以下の順序で行う。
１．実施の形態
２．変形例

＜１．実施の形態＞
｛情報処理システム１の構成例｝
図１は、本技術を適用した情報処理システム１の一実施の形態を示している。

情報処理システム１は、サーバ１１及びクライアント１２−１乃至１２−ｎを含むように構成される。サーバ１１及びクライアント１２−１乃至１２−ｎは、ネットワーク１３を介して相互に接続されており、互いに通信を行う。サーバ１１及びクライアント１２−１乃至１２ｎの通信方式は、有線又は無線に関わらず、任意の通信方式を採用することが可能である。

サーバ１１は、クライアント１２−１乃至１２−ｎを使用するユーザに対して、各種の情報や物等の検索及び推薦を行う検索・推薦サービスを提供する。また、サーバ１１は、必要に応じて、検索・推薦サービスを利用するのに必要なアプリケーションプログラム（以下、検索・推薦サービスＡＰＰと称する）をクライアント１２−１乃至１２−ｎに提供する。

クライアント１２−１乃至１２−ｎは、例えば、サーバ１１が提供する検索・推薦サービスを各ユーザが利用する際に用いられる。なお、クライアント１２−１乃至１２−ｎは、検索・推薦サービスを利用可能な装置であれば、その実施形態は問わない。例えば、クライアント１２−１乃至１２−ｎは、スマートフォン、タブレット、携帯電話機、ノート型のパーソナルコンピュータ等の携帯情報端末、デスクトップ型のパーソナルコンピュータ、ゲーム機、動画再生装置、音楽再生装置等により構成される。

なお、以下、サーバ１１が、ニュース、ＳＮＳ（Social Networking Service）への投稿等のテキスト情報を含む記事の検索及び推薦を行う場合を例に挙げて説明する。なお、サーバ１１が検索及び推薦する記事には、テキスト情報以外の動画、画像、音声等の情報が含まれていてもよい。

また、以下、クライアント１２−１乃至１２−ｎを個々に区別する必要がない場合、単にクライアント１２と称する。

｛サーバ１１の機能の構成例｝
図２は、サーバ１１の機能の構成例を示している。サーバ１１は、情報収集モジュール１１１、情報編集モジュール１１２、言語解析モジュール１１３、トピック解析モジュール１１４、情報探索度計算モジュール１１５、情報検索・推薦モジュール１１６、及び、情報統合モジュール１１７を含むように構成される。

情報収集モジュール１１１は、入力部１２１、情報収集部１２２、表示部１２３、及び、記憶部１２４を含むように構成される。

入力部１２１は、例えば、キーボード、マウス、ボタン、スイッチ、マイクロフォン等の各種の入力デバイスにより構成される。入力部１２１は、例えば、情報収集モジュール１１１に対する指令やデータ等の入力に用いられ、入力された指令やデータ等を情報収集部１２２に供給する。

情報収集部１２２は、例えば、プロセッサ等により構成される。情報収集部１２２は、ネットワーク１３を介して、図示せぬサーバ等からユーザに提示する記事の収集を行い、収集した記事に関する情報を情報統合モジュール１１７の管理部１８１に供給する。

表示部１２３は、例えば、ディスプレイ等により構成され、情報収集モジュール１１１を使用するための画面等の表示を行う。

記憶部１２４は、例えば、記憶装置により構成され、情報収集部１２２の処理に必要なデータ等を記憶する。

情報編集モジュール１１２は、入力部１３１、情報編集部１３２、表示部１３３、及び、記憶部１３４を含むように構成される。

入力部１３１は、例えば、キーボード、マウス、ボタン、スイッチ、マイクロフォン等の各種の入力デバイスにより構成される。入力部１３１は、例えば、情報収集モジュール１１１に対する指令やデータ等の入力に用いられ、入力された指令やデータ等を情報編集部１３２に供給する。

情報編集部１３２は、例えば、プロセッサ等により構成される。情報編集部１３２は、情報収集モジュール１１１が収集した記事に関する情報を管理部１８１から取得し、情報編集を行う。ここで、情報編集とは、例えば、悪質な記事や、セキュリティ面に問題があるウエブサイト上の記事等を除外したり、優先的にユーザに推薦する記事の選択を行ったりすることである。情報編集部１３２は、情報編集の結果を示す情報を管理部１８１に供給する。

表示部１３３は、例えば、ディスプレイ等により構成され、情報編集モジュール１１２を使用するための画面等の表示を行う。

記憶部１３４は、例えば、記憶装置により構成され、情報編集部１３２の処理に必要なデータ等を記憶する。

なお、情報収集モジュール１１１及び情報編集モジュール１１２により、情報取得部１０１が構成される。

言語解析モジュール１１３は、言語解析部１４１及び記憶部１４２を含むように構成される。

言語解析部１４１は、例えば、プロセッサ等により構成される。言語解析部１４１は、各記事のメタデータを管理部１８１から取得し、各記事の言語解析を行う。言語解析部１４１は、言語解析の結果を管理部１８１に供給する。

記憶部１４２は、例えば、記憶装置により構成され、言語解析部１４１の処理に必要なデータ等を記憶する。

トピック解析モジュール１１４は、トピック解析部１５１及び記憶部１５２を含むように構成される。

トピック解析部１５１は、例えば、プロセッサ等により構成される。トピック解析部１５１は、各記事の言語解析の結果を管理部１８１から取得し、言語解析の結果に基づいて、各記事のトピック解析を行う。トピック解析部１５１は、各記事のトピック解析の結果を管理部１８１に供給する。

記憶部１５２は、例えば、記憶装置により構成され、トピック解析部１５１の処理に必要なデータ等を記憶する。

なお、言語解析モジュール１１３及びトピック解析モジュール１１４により、クラスタリング部１０２が構成される。

情報探索度計算モジュール１１５は、情報探索度計算部１６１及び記憶部１６２を含むように構成される。

情報探索度計算部１６１は、例えば、プロセッサ等により構成される。情報探索度計算部１６１は、各ユーザの各記事に対するフィードバックの内容を示すデータ（以下、ユーザ反応データと称する）を管理部１８１から取得し、各ユーザがフィードバックを行った記事が属するトピックの分布を示すトピック頻度の集計を行う。また、情報探索度計算部１６１は、トピック頻度の集計結果に基づいて、各ユーザの情報探索度を計算する。ここで、情報探索度とは、ユーザの情報探索の傾向（ユーザがフィードバックを行った記事の分布）を複数の観点により分析した値であり、詳細については後述する。情報探索度計算部１６１は、各ユーザのトピック頻度の集計結果及び情報探索度の計算結果を管理部１８１に供給する。

記憶部１６２は、例えば、記憶装置により構成され、情報探索度計算部１６１の処理に必要なデータ等を記憶する。

情報検索・推薦モジュール１１６は、情報検索部１７１、情報推薦部１７２、学習部１７３、及び、記憶部１７４を含むように構成される。

情報検索部１７１は、情報推薦部１７２、及び、学習部１７３は、例えば、プロセッサ等により構成される。

情報検索部１７１は、各ユーザに提示する記事の検索を行う。例えば、情報検索部１７１は、ユーザにより指定された検索条件、及び、ユーザに提示する対象となる記事に関する情報を管理部１８１から取得し、検索条件と合致する記事を検索する。情報検索部１７１は、検索結果を管理部１８１に供給する。

情報推薦部１７２は、各ユーザに推薦する記事の選択を行う。例えば、情報推薦部１７２は、各ユーザのユーザ反応データ及びトピック頻度の集計結果、並びに、ユーザに提示する対象となる記事に関する情報を管理部１８１から取得する。また、情報推薦部１７２は、各ユーザの嗜好の学習結果を学習部１７３から取得する。そして、情報推薦部１７２は、取得したデータ等に基づいて、各ユーザに推薦する記事を選択する。情報推薦部１７２は、各ユーザに推薦する記事を示す情報を管理部１８１に供給する。

このように、情報検索部１７１と情報推薦部１７２により、ユーザに提示する記事を選択する選択部が構成される。

学習部１７３は、各ユーザの嗜好の学習を行う。例えば、学習部１７３は、各ユーザのユーザ反応データ、並びに、各記事の言語解析及びトピック解析の結果を管理部１８１から取得する。学習部１７３は、取得したデータ等に基づいて、各ユーザの記事に対する嗜好を学習する。学習部１７３は、各ユーザの嗜好の学習結果を情報推薦部１７２及び管理部１８１に供給する。

記憶部１７４は、例えば、記憶装置により構成され、情報検索部１７１、情報推薦部１７２、及び、学習部１７３の処理に必要なデータ等を記憶する。

なお、情報探索度計算モジュール１１５及び情報検索・推薦モジュール１１６により、提示情報生成部１０３が構成される。

情報統合モジュール１１７は、管理部１８１、情報提示制御部１８２、ユーザ操作情報取得部１８３、及び、記憶部１８４を含むように構成される。

管理部１８１、情報提示制御部１８２、及び、ユーザ操作情報取得部１８３は、例えば、プロセッサ等により構成される。

管理部１８１は、例えば、各モジュールの処理を制御したり、各モジュール間のデータ等の授受を制御したりする。また、管理部１８１は、各モジュール、情報提示制御部１８２、及び、ユーザ操作情報取得部１８３から取得したデータ等を記憶部１８４に記憶させたり、記憶部１８４に記憶されているデータ等を各モジュール及び情報提示制御部１８２に供給したりする。

情報提示制御部１８２は、ネットワーク１３を介して、ユーザに記事を提示するためのデータ等を各クライアント１２に送信し、各クライアント１２における記事の提示の制御を行う。

ユーザ操作情報取得部１８３は、各ユーザの検索・推薦サービスに対する操作内容を示すユーザ操作情報を、ネットワーク１３を介して各クライアント１２から受信する。ユーザ操作情報取得部１８３は、受信したユーザ操作情報を管理部１８１に供給する。

記憶部１８４は、例えば、記憶装置により構成され、サーバ１１全体の処理に必要なデータ等を記憶する。

｛クライアント１２の機能の構成例｝
図３は、クライアント１２の機能の構成例を示している。クライアント１２は、情報閲覧モジュール２０１を含むように構成される。

情報閲覧モジュール２０１は、入力部２１１、制御部２１２、表示部２１３、及び、記憶部２１４を含むように構成される。

入力部２１１は、例えば、キーボード、マウス、ボタン、スイッチ、マイクロフォン等の各種の入力デバイスにより構成される。入力部２１１は、例えば、情報閲覧モジュール２０１に対する指令やデータ等の入力に用いられ、入力された指令やデータ等を制御部２１２に供給する。

制御部２１２は、例えば、プロセッサ等により構成される。制御部２１２は、クライアント１２における検索・推薦サービスの処理の制御を行う。例えば、制御部２１２は、ネットワーク１３を介してサーバ１１から送信されるデータ等を受信し、受信したデータ等に基づいて、表示部２１３におけるユーザへの記事の提示を制御する。また、制御部２１２は、入力部２１１を用いてユーザにより入力されたユーザ操作の内容を示すユーザ操作情報を、ネットワーク１３を介してサーバ１１に送信する。

表示部２１３は、例えば、ディスプレイ等により構成され、情報閲覧モジュール２０１を使用するための画面等の表示を行う。

記憶部２１４は、例えば、記憶装置により構成され、制御部２１２の処理に必要なデータ等を記憶する。

｛情報処理システム１の処理｝
次に、図４乃至図９を参照して、情報処理システム１の処理について説明する。

（情報取得処理）
まず、図４のフローチャートを参照して、サーバ１１により実行される情報取得処理について説明する。なお、この処理は、例えば、１日に１回、１時間に１回等、定期的に実行される。或いは、この処理は、例えば、検索・推薦サービスの管理者（以下、サービス管理者と称する）からの指令により実行される。

ステップＳ１において、サーバ１１は、情報収集を行う。例えば、情報収集モジュール１１１の情報収集部１２２は、ネットワーク１３を介して、ＲＳＳ情報を提供しているウエブサイト（以下、ＲＳＳサイトと称する）のスクロールを行う。情報収集部１２２は、スクロールの結果得られた各ＲＳＳサイトの新着記事及び更新記事に関する情報（以下、新着・更新記事情報と称する）を、情報統合モジュール１１７の管理部１８１に供給する。管理部１８１は、取得した新着・更新記事情報を記憶部１８４に記憶させる。

なお、新着・更新記事情報は、各記事のメタデータを含む。また、各記事のメタデータは、例えば、記事のタイトル、記事の本文、発行日時、更新日時、記事を掲載しているウエブページのURL、使用言語等を含む。

ステップＳ２において、サーバ１１は、情報編集を行う。具体的には、管理部１８１は、ステップＳ１の処理で取得した新着・更新記事情報を、情報編集モジュール１１２の情報編集部１３２に供給する。情報編集部１３２は、新着・更新記事情報に含まれる記事の中から問題のある記事を抽出し、ブラックリストに登録する。ここで、問題のある記事とは、例えば、悪質な記事や、セキュリティ面に問題のあるウエブサイト上の記事等である。

なお、このブラックリストへの登録処理は、人手によりマニュアルで行うようにしてもよいし、情報編集部１３２が自動的に実行するようにしてもよい。前者の場合、例えば、サービス管理者が、ブラックリストに登録する記事を選択する。後者の場合、例えば、情報編集部１３２が、学習モデル等を用いて、ブラックリストに登録する記事を自動的に選択する。

また、情報編集部１３２は、例えば、サービス管理者により入力部１３１を介して入力される指令に従って、新着・更新記事情報に含まれる記事の中から優先的にユーザに推薦する記事を選択して、ピックアップリストに登録する。

情報編集部１３２は、ブラックリスト及びピックアップリストを管理部１８１に供給する。管理部１８１は、ブラックリスト及びピックアップリストを記憶部１８４に記憶させる。

ステップＳ３において、情報統合モジュール１１７の管理部１８１は、解析対象記事の登録を行う。具体的には、管理部１８１は、新着・更新記事情報に含まれる記事のうち、ブラックリストに登録されている記事を除く記事を解析対象記事に登録する。

その後、情報取得処理は終了する。

（情報解析処理）
次に、図５のフローチャートを参照して、サーバ１１により実行される情報解析処理について説明する。なお、この処理は、例えば、１日に１回、１時間に１回等、定期的に実行される。或いは、この処理は、例えば、図４を参照して上述した情報取得処理の後に実行される。或いは、この処理は、例えば、サービス管理者からの指令により実行される。

ステップＳ５１において、サーバ１１は、解析対象記事の言語解析を行う。具体的には、言語解析モジュール１１３の言語解析部１４１は、管理部１８１を介して、解析対象記事のメタデータを記憶部１８４から取得する。言語解析部１４１は、例えば、記憶部１４２に予め記憶されている単語辞書を用いて、各解析対象記事のタイトル及び本文の形態素解析を行い、各記事のタイトル及び本文から単語を抽出する。

なお、以下、単語辞書に登録されている単語の総数をＭとし、各単語を単語ｗ_i（ｉ＝１，２，・・・，Ｍ）で表す。また、以下、解析対象記事の総数をＮとし、各記事を記事ｄ_j（ｊ＝１，２，・・・，Ｎ）で表す。また、以下、単語ｗ_iを個々に区別する必要がない場合、単に単語ｗ又は単語と称し、記事ｄ_jを個々に区別する必要がない場合、単に記事ｄ又は記事と称する。

言語解析部１４１は、予め保持している単語辞書に登録されている各単語ｗ_iについて、ｔｆ_i,j及びｄｆ_iを計算する。ここで、ｔｆ_i,jは、記事ｄ_jにおける単語ｗ_iの出現頻度（出現回数）である。また、ｄｆ_iは、単語ｗ_iを含む記事ｄの数を表す。

また、言語解析部１４１は、次式（１）に従って、各記事ｄ_jにおける各単語ｗ_iのｔｆｉｄｆ_i,jを計算する。

さらに、言語解析部１４１は、次式（２）に従って、各記事ｄ_jにおける各単語ｗ_iの重みからなる単語ベクトルＷ_jを生成する。

Ｗ_j＝｛ｔｆｉｄｆ_1,j，ｔｆｉｄｆ_2,j，・・・，ｔｆｉｄｆ_M,j｝ ・・・（２）

すなわち、単語ベクトルＷ_jは、各単語ｗ_iの重みに基づいて各記事ｄ_jの特徴を表す特徴ベクトルである。

言語解析部１４１は、解析対象記事の言語解析結果を管理部１８１に供給し、管理部１８１は、解析対象記事の言語解析結果を記憶部１８４に記憶させる。なお、各解析対象記事の言語解析結果は、各解析対象記事のｔｆ_i,j及びｔｆｉｄｆ_i,jの計算結果、並びに、単語ベクトルＷ_jを含む。

ステップＳ５２において、サーバ１１は、トピック解析を行う。具体的には、管理部１８１は、解析対象記事の言語解析結果をトピック解析モジュール１１４のトピック解析部１５１に供給する。トピック解析部１５１は、例えば、ＰＬＳＡ（Probabilistic Latent Semantic Analysis；確率的潜在意味解析）やＬＤＡ（Latent Dirichlet Allocation；潜在的ディリクレ配分法）等の確率的トピックモデルを用いて、解析対象記事のトピック解析を行う。

例えば、トピック解析部１５１は、解析対象記事の言語解析結果であるｔｆ_i,j及びｔｆｉｄｆ_i,j、並びに、分類したいトピック（クラスタ）の数Ｋを入力とし、次式（３）で表されるＰＬＳＡを用いて、各記事ｄ_jの各トピックｚ_k（ｋ＝１，２，・・・，Ｋ）への帰属確率ｐ（ｚ_k｜ｄ_j）、及び、各トピックｚ_kにおける各単語ｗ_iの生起確率ｐ（ｗ_i｜ｚ_k）を計算する。

なお、ｐ（ｗ_i｜ｄ_j）は、記事ｄ_jにおける単語ｗ_iの生起確率である。

さらに、トピック解析部１５１は、次式（４）に従って、各記事ｄ_jの各トピックｚ_kへのトピック帰属確率ｐ（ｚ_k｜ｄ_j）からなるトピックベクトルＴ_jを生成する。

Ｔ_j＝｛ｐ（ｚ₁｜ｄ_j），ｐ（ｚ₂｜ｄ_j），・・・，ｐ（ｚ_K｜ｄ_j）｝ ・・・（４）

すなわち、トピックベクトルＴ_jは、各トピックｚ_kに帰属する確率に基づいて各記事ｄ_jの特徴を表す特徴ベクトルである。

トピック解析部１５１は、解析対象記事のトピック解析結果を管理部１８１に供給し、管理部１８１は、解析対象記事のトピック解析結果を記憶部１８４に記憶させる。なお、各解析対象記事のトピック解析結果は、各解析対象記事の単語ベクトルＷ_jを含む。

なお、ＰＬＳＡの詳細については、"Thomas Hofmann, "Probabilistic latent semantic indexing", 1999, Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval"等に記載されている。また、ＬＤＡの詳細については、"David M. Blei, Andrew Y. Ng, Michael I. Jordan, "Latent Dirichlet Allocation", 2003, Journal of Machine Learning Research, Volume 3"等に記載されている。

また、以下、トピックｚ_kを個々に区別する必要がない場合、単にトピックｚ又はトピックと称する。さらに、以下、単語ベクトルＷ_j及びトピックベクトルＴ_jを個々に区別する必要がない場合、それぞれ単に単語ベクトルＷ及びトピックベクトルＴと称する。また、以下、トピック帰属確率ｐ（ｚ_k｜ｄ_j）を個々に区別する必要がない場合、単にトピック帰属確率ｐ（ｚ｜ｄ）と称する。

ステップＳ５３において、情報統合モジュール１１７の管理部１８１は、閲覧対象情報の登録を行う。具体的には、管理部１８１は、各解析対象記事を、各記事のメタデータ、単語ベクトルＷ_j、トピックベクトルＴ_j、及び、帰属確率最大トピックとともに、閲覧対象情報に登録する。

ここで、帰属確率最大トピックとは、記事ｄ_jのトピック帰属確率ｐ（ｚ_k｜ｄ_j）が最大となるトピックのことである。例えば、トピックの分類数（以下、総トピック数と称する）Ｋが１０であり、記事ｄ₁のトピックベクトルＴ₁の値が｛０．２，０．４，０．８，０．１,０．３，０．５,０．１,０．１，０．３，０．６｝である場合、記事ｄ₁の帰属確率最大トピックは、トピックｚ₃となる。すなわち、記事ｄ₁は、トピックｚ₃に属する確率が最も高く、トピックｚ₃に関する内容を最も多く含んでいると予測される。

なお、以下、閲覧対象情報に登録された記事を閲覧対象記事と称する。

その後、情報解析処理は終了する。

（情報提示処理）
次に、図６のフローチャートを参照して、情報処理システム１により実行される情報提示処理について説明する。なお、この処理は、例えば、ユーザがクライアント１２の入力部２１１を用いて、サーバ１１が提供する検索・推薦サービスを利用するための操作（例えば、検索・推薦サービスＡＰＰの起動操作等）を行ったとき開始される。

ステップＳ１０１において、クライアント１２の情報閲覧モジュール２０１の制御部２１２は、ユーザの操作を待つか否かを判定する。ユーザの操作を待つと判定された場合、処理はステップＳ１０２に進む。

ステップＳ１０２において、情報処理システム１は、ユーザ操作情報を取得する。具体的には、ユーザがクライアント１２の情報閲覧モジュール２０１の入力部２１１を用いて検索・推薦サービスに対する操作を行った場合、入力部２１１は、ユーザの操作内容を示す情報を制御部２１２に供給する。

ここで、検索・推薦サービスに対する操作として、例えば、以下のような操作が想定される。例えば、検索・推薦サービスの画面の表示を開始又は更新する操作、検索・推薦サービスを終了させる操作が想定される。また、例えば、検索クエリの入力、記事を検索する期間（日時）の設定、記事に用いられている言語の設定、記事を配信するＲＳＳサイトの選択等の記事の検索条件を設定する操作が想定される。さらに、例えば、提示された記事に対するフィードバック（例えば、提示された記事の選択や評価等）の入力が想定される。また、例えば、重視する情報探索度の選択、すなわち、後述する広さ、深さ、新しさ、人気のうちいずれの観点の情報探索度を優先して記事の推薦を受けるかを指定する操作が想定される。

制御部２１２は、ユーザの操作内容を示すユーザ操作情報を生成し、ネットワーク１３を介してサーバ１１に送信する。サーバ１１の情報統合モジュール１１７のユーザ操作情報取得部１８３は、クライアント１２から送信されたユーザ操作情報を受信し、管理部１８１に供給する。管理部１８１は、取得したユーザ操作情報を、必要に応じて各モジュールに供給する。また、管理部１８１は、提示した記事に対するユーザのフィードバックが、取得したユーザ操作情報に含まれる場合、提示した記事とフィードバックの内容を示すデータを、ユーザ反応データとしてユーザ毎に分けて記憶部１８４に記憶させる。

ステップＳ１０３において、クライアント１２の制御部２１２は、情報の提示を終了するか否かを判定する。例えば、制御部２１２は、ステップＳ１０２の処理で取得したユーザの操作内容が、検索・推薦サービスを終了させる操作でない場合、情報の提示を継続すると判定し、処理はステップＳ１０１に戻る。

その後、ステップＳ１０１において、ユーザの操作を待たないと判定されるか、ステップＳ１０３において、情報の提示を終了すると判定されるまで、ステップＳ１０１乃至Ｓ１０３の処理が繰り返し実行される。

一方、ステップＳ１０１において、クライアント１２の制御部２１２は、例えば、ステップＳ１０２の処理において取得したユーザの操作内容が、検索・推薦サービスの画面の表示を開始又は更新させる操作である場合、ユーザの操作を待たないと判定する。或いは、制御部２１２は、例えば、ユーザ操作なしに検索・推薦サービスの画面の表示の開始又は更新を行う場合、ユーザの操作を待たないと判定する。そして、制御部２１２がユーザの操作を待たないと判定した場合、処理はステップＳ１０４に進む。

ステップＳ１０４において、サーバ１１の情報探索度計算モジュール１１５の情報探索度計算部１６１は、ユーザの情報探索度の計算を行う。具体的には、情報探索度計算部１６１は、ユーザの過去のユーザ反応データを、管理部１８１を介して記憶部１８４から取得する。そして、情報探索度計算部１６１は、取得したユーザ反応データに基づいて、ユーザがポジティブなフィードバックを行った記事、換言すれば、ユーザがポジティブな反応を示した記事が属するトピックの分布を示すトピック頻度の集計を行う。例えば、情報探索度計算部１６１は、ユーザがポジティブなフィードバックを行った記事の帰属確率最大トピックを集計することにより、トピック頻度を集計する。従って、ユーザがポジティブなフィードバックを行う記事が多く属するトピックのトピック頻度の値が大きくなる。

ここで、ユーザがポジティブなフィードバックを行った記事とは、例えば、ユーザが良い評価を与えた記事や、ユーザが提示された記事に対して実際にアクセスした記事等である。

なお、以下、ユーザがポジティブなフィードバックを行った記事を、ポジティブ反応記事と称する。また、以下、ユーザがネガティブなフィードバックを行った記事を、ネガティブ反応記事と称する。なお、ユーザがネガティブなフィードバックを行った記事とは、例えば、ユーザが悪い評価を与えた記事等である。また、以下、ポジティブかネガティブかに関わらずユーザがフィードバックを行った記事を、ユーザ反応記事と称する。

なお、トピック頻度の集計期間は、任意の期間に設定することができる。例えば、トピック頻度の集計期間は、これまでユーザが検索・推薦サービスを利用した全期間、又は、直前の所定の期間（例えば、１日、１週間、１か月、１年等）に設定される。或いは、例えば、トピック頻度の集計期間は、今回の検索・推薦サービスの利用期間（例えば、今回の検索・推薦サービスへのログイン期間）に設定される。

また、例えば、ユーザがポジティブなフィードバックを行った記事のトピックベクトルを積算していくことにより、トピック頻度を集計するようにしてもよい。この場合、ユーザがポジティブなフィードバックを行う記事が属するトピックの分布が、より正確にトピック頻度に反映される。

また、情報探索度計算部１６１は、集計したトピック頻度に基づいて、複数の観点からユーザの情報探索の傾向を示す情報探索度を計算する。

なお、以下、トピック頻度の分布が、｛１，７，０，３，０，１，０，０，２，１｝である場合、すなわち、トピックｚ₁のトピック頻度が１、トピックｚ₂のトピック頻度が７、・・・、トピックｚ₁₀のトピック頻度が１である場合について説明する。また、以下、直前にユーザがポジティブな反応を行った記事の帰属確率最大トピック（以下、直前反応トピックと称する）がトピックｚ₂である場合について説明する。

例えば、情報探索度計算部１６１は、「広さ」、「深さ」、「新しさ」、及び、「人気」の４つの観点に基づいて、情報探索度を計算する。

情報探索度（広さ）は、ユーザがポジティブなフィードバックを行った記事が属するトピックの範囲の広さ、換言すれば、ユーザがポジティブなフィードバックを行った記事の種類の広さに基づく観点による情報探索度である。例えば、情報探索度（広さ）は、次式（５）により計算される。

情報探索度（広さ）
＝トピック頻度が閾値ＴＨ１以上のトピックの数÷トピックの総数×１００
・・・（５）

例えば、閾値ＴＨ１を１に設定した場合、先に示したトピック頻度の例において、トピック頻度が閾値ＴＨ１以上のトピック数は６となる。そして、総トピック数が１０なので、情報探索度（広さ）は６０％となる。

情報探索度（広さ）は、ユーザがポジティブなフィードバックを行った記事が属するトピックの範囲が広いほど大きくなり、ユーザがポジティブなフィードバックを行った記事が属するトピックの範囲が狭いほど小さくなる。従って、情報探索度（広さ）は、ユーザがどの程度の広さまで情報を探索しているかを示す指標となる。

情報探索度（深さ）は、ユーザがポジティブなフィードバックを行った記事のトピック毎の分布に基づく観点による情報探索度である。例えば、情報探索度（深さ）は、次式（６）により計算される。

情報探索度（深さ）＝直前反応トピックのトピック頻度÷上限値×１００ ・・・（６）

ここで、直前反応トピックのトピック頻度とは、ユーザが直前にポジティブなフィードバックを行った記事の帰属確率最大トピックのトピック頻度である。従って、現在の例では、ユーザの直前反応トピックであるトピックｚ₂のトピック頻度が７なので、上限値を１０に設定した場合、情報探索度（深さ）は７０％となる。

情報探索度（深さ）は、ユーザが直前反応トピックに属する記事に対してポジティブなフィードバックを行った回数が多いほど大きくなり、ユーザが直前反応トピックに属する記事に対してポジティブなフィードバックを行った回数が少ないほど小さくなる。従って、情報探索度（深さ）は、ユーザが、直前反応トピック（例えば、ユーザが現在注目している記事が属するトピック）に対して、どの程度の深さまで情報を探索しているかを示す指標となる。

なお、上限値の値は、ポジティブ反応記事の総数に従って変更するようにしてもよい。すなわち、ポジティブ反応記事の総数が多いほど、上限値を大きくし、ポジティブ反応記事の総数が少ないほど、上限値を小さくするようにしてもよい。

また、情報探索度（深さ）が、１００％を超えるようにしてもよい。

情報探索度（新しさ）は、ユーザがポジティブなフィードバックを行った記事の新しさを基準とする分布に基づく観点による情報探索度である。例えば、情報探索度（新しさ）は、次式（７）により計算される。

情報探索度（新しさ）
＝ポジティブ反応記事のうち新しい記事の数÷ポジティブ反応記事の総数 ・・・（７）

例えば、直前の所定の期間内（例えば、直前の６時間以内）に追加又は更新された記事を新しい記事と定義し、新しい記事のみを対象にしたトピック頻度の分布を｛０，４，０，１，０，０，０，０，１，０｝とした場合、ポジティブ反応記事のうち新しい記事の数は６となる。そして、ポジティブ反応記事の総数が１５なので、情報探索度（新しさ）は４０％となる。

情報探索度（新しさ）は、新しい記事に対してポジティブなフィードバックを行った回数が多いほど大きくなり、新しい記事に対してポジティブなフィードバックを行った回数が少ないほど小さくなる。従って、情報探索度（新しさ）は、ユーザが新しい情報をどの程度探索しているかを示す指標となる。

情報探索度（人気）は、ユーザがポジティブなフィードバックを行った記事の人気度を基準とする分布に基づく観点による情報探索度である。例えば、情報探索度（人気）は、次式（８）により計算される。

情報探索度（人気）
＝ポジティブ反応記事のうち人気記事の数÷ポジティブ反応記事の総数 ・・・（８）

例えば、人気度スコアが所定の閾値以上の記事を人気記事と定義し、人気記事のみを対象にしたトピック頻度の分布を｛０，２，０，０，０，０，０，０，１，０｝とした場合、ポジティブ反応記事のうち人気記事の数は３となる。そして、ポジティブ反応記事の総数が１５なので、情報探索度（人気）は２０％となる。

なお、記事の人気度スコアは、例えば、記事のアクセス数や、その記事に良い評価を与えたユーザ数等に基づいて計算される。例えば、ある記事Ａに対する全ユーザのアクセス回数をｐ回、全ての記事に対する全ユーザのアクセス回数をＰ回とした場合、記事Ａの人気度スコアは、ｐ／Ｐ×１００により計算することができる。

情報探索度（人気）は、人気記事に対してポジティブなフィードバックを行った回数が多いほど大きくなり、人気記事に対してポジティブなフィードバックを行った回数が少ないほど小さくなる。従って、情報探索度（人気）は、ユーザが人気のある情報（例えば、話題になったり、注目されている情報）をどの程度探索しているかを示す指標となる。

なお、例えば、人気記事を、地域、性別、年齢、職業等のユーザのデモグラフィック情報でフィルタリングするようにしてもよい。例えば、ユーザが横浜市在住の３０代の男性である場合、横浜市在住の３０代の男性の間において人気度スコアが閾値以上の記事のみを、人気記事に設定するようにしてもよい。

また、情報探索度計算部１６１は、各観点の情報探索度に基づいて、次式（９）により総合探索度を計算する。

総合探索度＝（情報探索度（広さ）＋情報探索度（深さ）＋情報探索度（新しさ）
＋情報探索度（人気））÷４ ・・・（９）

すなわち、総合探索度は、各観点の情報探索度の平均値である。

情報探索度計算部１６１は、ユーザのトピック頻度の集計結果、並びに、情報探索度及び総合探索度の計算結果を管理部１８１に供給する。管理部１８１は、ユーザのトピック頻度の集計結果、並びに、情報探索度及び総合探索度の計算結果を記憶部１８４に記憶させる。

ステップＳ１０５において、サーバ１１の情報検索・推薦モジュール１１６の情報検索部１７１は、記事を検索するか否かを判定する。記事を検索すると判定された場合、処理はステップＳ１０６に進む。

ステップＳ１０６において、情報検索部１７１は、記事の検索を行う。具体的には、情報検索部１７１は、管理部１８１を介して、閲覧対象情報を記憶部１８４から取得する。そして、情報検索部１７１は、例えば、ユーザにより指定された検索条件と合致する記事を、閲覧対象記事の中から検索する。情報検索部１７１は、検索結果を管理部１８１に供給する。

なお、以下、ステップＳ１０６の処理で検索された記事を検索記事と称する。

その後、処理はステップＳ１０７に進む。

一方、ステップＳ１０５において、記事を検索しないと判定された場合、ステップＳ１０６の処理はスキップされ、処理はステップＳ１０７に進む。

ステップＳ１０７において、サーバ１１の情報検索・推薦モジュール１１６の情報推薦部１７２は、記事を推薦するか否かを判定する。記事を推薦すると判定された場合、処理はステップＳ１０８に進む。

ステップＳ１０８において、サーバ１１の情報検索・推薦モジュール１１６は、ユーザの嗜好及び情報探索度に基づいて、推薦する記事を選択する。具体的には、情報検索・推薦モジュール１１６の学習部１７３は、管理部１８１を介して、閲覧対象情報及びユーザ反応データを記憶部１８４から取得する。

学習部１７３は、例えば、ユーザがフィードバックを行った記事（ユーザ反応記事）の単語ベクトル及びトピックベクトルに基づいて、ユーザの単語嗜好ベクトル及びトピック嗜好ベクトルを生成する。例えば、学習部１７３は、ユーザ反応記事の単語ベクトルを加算することにより、単語嗜好ベクトルを生成する。同様に、例えば、学習部１７３は、ユーザ反応記事のトピックベクトルを加算することにより、トピック嗜好ベクトルを生成する。学習部１７３は、ユーザの単語嗜好ベクトル及びトピック嗜好ベクトルを情報推薦部１７２に供給する。

ここで、学習部１７３は、ユーザの反応の種類によって、各ユーザ反応記事の単語ベクトル及びトピックベクトルを、重みをつけて加算するようにしてもよい。例えば、学習部１７３は、ユーザの反応がポジティブかネガティブか等により異なる重みをつけたり、ユーザが実際に記事にアクセスしたか、又は、ユーザが良い評価を与えたかにより異なる重みをつけたりする。

また、例えば、学習部１７３は、ユーザがポジティブなフィードバックを行った記事（ポジティブ反応記事）の単語ベクトル及びトピックベクトルのみに基づいて、単語嗜好ベクトル及びトピック嗜好ベクトルを生成するようにしてもよい。

さらに、単語嗜好ベクトル及びトピック嗜好ベクトルの生成に用いるユーザのフィードバックの対象期間は、任意の期間に設定することができる。例えば、学習部１７３は、これまでユーザが検索・推薦サービスを利用した全期間のユーザのフィードバックを用いたり、或いは、直前の所定の期間（例えば、１日、１週間、１か月、１年等）内のユーザのフィードバックを用いたりする。

また、情報推薦部１７２は、管理部１８１を介して、ユーザのトピック頻度の集計結果、ユーザ反応データ、並びに、閲覧対象情報を記憶部１８４から取得する。情報推薦部１７２は、例えば、ユーザの単語嗜好ベクトルと各閲覧対象記事の単語ベクトルとの間の類似度、及び、ユーザのトピック嗜好ベクトルと各閲覧対象記事のトピックベクトルとの間の類似度の少なくとも一方に基づいて、各閲覧対象記事に対する推薦スコアを算出する。なお、ベクトル間の類似度は、例えばコサイン距離等により算出される。また、推薦スコアは、ベクトル間の類似度が高くなるほど大きくなる。そして、情報推薦部１７２は、推薦スコアが上位の所定の件数の記事を、ユーザの嗜好に基づいて推薦する記事（以下、嗜好推薦記事と称する）として選択する。

また、情報推薦部１７２は、情報探索度（広さ）の観点に基づいて、嗜好推薦記事の中からユーザに推薦する記事（以下、広さ推薦記事と称する）を選択する。例えば、情報推薦部１７２は、嗜好推薦記事のうち、ユーザのトピック頻度が所定の閾値未満（例えば、トピック頻度が０）のトピックと帰属確率最大トピックが一致する記事を広さ推薦記事に選択する。これにより、例えば、ユーザがこれまでほとんどポジティブなフィードバックを行っていない記事が属するトピック（例えば、ユーザがあまりアクセスしていない記事が属するトピック）に属し、かつ、ユーザの嗜好に合う記事が、広さ推薦記事に選択される。

さらに、情報推薦部１７２は、情報探索度（深さ）の観点に基づいて、嗜好推薦記事の中からユーザに推薦する記事（以下、深さ推薦記事と称する）を選択する。例えば、情報推薦部１７２は、嗜好推薦記事のうち、直前にユーザがポジティブなフィードバックを行った記事と帰属確率最大トピックが一致する記事を深さ推薦記事に選択する。これにより、例えば、ユーザが直前にポジティブなフィードバックを行った記事と同じトピックに属し、かつ、ユーザの嗜好に合う記事が、深さ推薦記事に選択される。

なお、情報推薦部１７２は、直前にユーザがポジティブなフィードバックを行った所定のｑ個の記事に基づいて、深さ推薦記事を選択するようにしてもよい。例えば、情報推薦部１７２は、嗜好推薦記事のうち、ｑ個の記事のトピックベクトルを加算した後のベクトルにおいてトピック帰属確率ｐ（ｚ｜ｄ）が最大となるトピックと帰属確率最大トピックが一致する記事を、深さ推薦記事に選択するようにしてもよい。

また、情報推薦部１７２は、例えば、嗜好推薦記事のうち、ユーザのトピック頻度が所定の閾値以上のトピックと帰属確率最大トピックが一致する記事を深さ推薦記事に選択するようにすることも可能である。さらに、情報推薦部１７２は、例えば、嗜好推薦記事のうち、ユーザのトピック頻度が最大となるトピックと帰属確率最大トピックが一致する記事を深さ推薦記事に選択するようにすることも可能である。

また、情報推薦部１７２は、情報探索度（新しさ）の観点に基づいて、嗜好推薦記事の中からユーザに推薦する記事（以下、新しさ推薦記事と称する）を選択する。例えば、情報推薦部１７２は、嗜好推薦記事のうち新しい記事を新しさ推薦記事に選択する。これにより、例えば、ユーザの嗜好に合う新しい記事が、新しさ推薦記事に選択される。

さらに、情報推薦部１７２は、情報探索度（人気）の観点に基づいて、嗜好推薦記事の中からユーザに推薦する記事（以下、人気推薦記事と称する）を選択する。例えば、情報推薦部１７２は、嗜好推薦記事のうち人気記事を人気推薦記事に選択する。これにより、例えば、ユーザの嗜好に合う人気記事が、人気推薦記事に選択される。

情報推薦部１７２は、嗜好推薦記事、広さ推薦記事、深さ推薦記事、新しさ推薦記事、及び、人気推薦記事の選択結果を示す情報を管理部１８１に供給する。

なお、以下、ステップＳ１０８の処理でユーザに推薦する記事として選択された記事を推薦記事と総称する。すなわち、推薦記事は、嗜好推薦記事、広さ推薦記事、深さ推薦記事、新しさ推薦記事、及び、人気推薦記事を含む。

その後、処理はステップＳ１０９に進む。

一方、ステップＳ１０７において、記事を推薦しないと判定された場合、ステップＳ１０８の処理はスキップされ、処理はステップＳ１０９に進む。

ステップＳ１０９において、情報処理システム１は、情報探索度とともに記事を提示する。具体的には、管理部１８１は、ユーザに提示する記事のメタデータ、すなわち、検索記事及び推薦記事のメタデータを記憶部１８４から取得する。そして、管理部１８１は、検索記事及び推薦記事のメタデータ、検索記事の検索結果を示す情報、推薦記事の選択結果を示す情報、並びに、ユーザの情報探索度及び総合探索度の計算結果を示す情報を情報提示制御部１８２に供給する。

情報提示制御部１８２は、ユーザに検索記事及び推薦記事、並びに、情報探索度及び総合探索度を提示するための画面の表示に用いる情報提示制御データを生成する。そして、情報提示制御部１８２は、ネットワーク１３を介して、情報提示制御データをクライアント１２に送信する。

クライアント１２の情報閲覧モジュール２０１の制御部２１２は、サーバ１１から情報提示制御データを受信する。制御部２１２は、情報提示制御データに基づいて、検索記事及び推薦記事、並びに、情報探索度を提示するための画面を表示部２１３に表示させる。

図７の画面３０１及び図８の画面３３１は、このとき表示部２１３に表示される画面の例を示している。なお、画面３０１と画面３３１とは、１つの画面内に並べて或いは重ねて表示してもよいし、別画面にして、所定の操作により表示が切り替わるようにしてもよい。

図７の画面３０１は、検索記事及び嗜好推薦記事をユーザに提示するための画面の例である。例えば、検索記事のうち所定のＳＮＳ（Social Networking Service）から提供される記事が、サムネイル３１１ａ乃至３１１ｃにより提示されている。また、例えば、嗜好推薦記事が、サムネイル３１２ａ乃至３１２ｃにより提示されている。さらに、例えば、検索記事のうち所定の動画サイトから提供される記事（動画を含む）が、サムネイル３１３ａ乃至３１３ｃにより提示されている。また、検索記事のうち特定のトピック（この例の場合、経済）に属する記事が、サムネイル３１４ａ乃至３１４ｃにより提示されている。

なお、検索記事や嗜好推薦記事の中に、優先的にユーザに推薦するように設定されている記事があれば、その記事が優先的に提示される。また、例えば、ユーザにより重視する情報探索度が選択されている場合、その選択された情報探索度に基づいて検索された記事が優先的に提示される。例えば、ユーザに情報探索度（広さ）を重視するように設定されている場合、検索記事や嗜好推薦記事の中に広さ推薦記事が含まれる場合、その記事が優先的に提示される。

そして、例えば、ユーザは、入力部２１１を操作して、サムネイル３１１ａ乃至３１４ｃのいずれかのサムネイルをクリックすることにより、クリックしたサムネイルに対応する記事が掲載されているウエブページを表示部２１３に表示させることができる。

図８の画面３３１は、ユーザの情報探索度及び総合探索度、並びに、情報探索度に基づく推薦記事をユーザに提示するための画面の例である。具体的には、画面３３１内には、ガイダンス表示部３４１、探索度表示部３４２ａ乃至３４２ｅ、及び、推薦情報表示部３４３ａ乃至３４３ｄが配置されている。より具体的には、ガイダンス表示部３４１は、画面３３１の右上に配置されている。推薦情報表示部３４３ａ乃至３４３ｄは、ガイダンス表示部３４１の下に上下方向に並ぶように配置されている。探索度表示部３４２ａ乃至３４２ｄは、それぞれ推薦情報表示部３４３ａ乃至３４３ｄの左に並ぶように配置されている。また、探索度表示部３４２ｅは、探索度表示部３４２ｄの下に配置されている。

ガイダンス表示部３４１には、推薦情報表示部３４３ａ乃至３４３ｄ内の記事をクリックし、選択することにより、その記事の左に表示されている情報探索度を上げるよう促すメッセージが表示されている。

探索度表示部３４２ａ内の右側には、ユーザの情報探索度（広さ）を示すグラフが表示されている。この例では、ユーザの情報探索度（広さ）は６０％である。探索度表示部３４２ａ内の左側には、推薦情報表示部３４３ａ内の記事が、ユーザの情報探索の範囲を広げる記事であることを示すメッセージが表示されている。

推薦情報表示部３４３ａには、情報探索度（広さ）を上げることが可能な記事の一部又はヘッドラインが表示される。具体的には、推薦情報表示部３４３ａ内の記事は、上述した広さ推薦記事の中から選択される。例えば、広さ推薦記事のうち最も推薦スコアが高い記事が選択される。或いは、例えば、広さ推薦記事の中に優先的にユーザに推薦するように設定されている記事があれば、その記事が選択される。

探索度表示部３４２ｂ内の右側には、ユーザの情報探索度（深さ）を示すグラフが表示されている。この例では、ユーザの情報探索度（深さ）は７０％である。また、探索度表示部３４２ｂ内の左側には、推薦情報表示部３４３ｂ内の記事が、ユーザの情報探索を深める記事であることを示すメッセージが表示されている。

推薦情報表示部３４３ｂには、情報探索度（深さ）を上げることが可能な記事の一部又はヘッドラインが表示される。具体的には、推薦情報表示部３４３ｂに表示される記事は、上述した深さ推薦記事の中から選択される。例えば、深さ推薦記事のうち最も推薦スコアが高い記事が選択される。或いは、例えば、深さ推薦記事の中に優先的にユーザに推薦するように設定されている記事があれば、その記事が選択される。

探索度表示部３４２ｃ内の右側には、ユーザの情報探索度（新しさ）を示すグラフが表示されている。この例では、ユーザの情報探索度（新しさ）は４０％である。また、探索度表示部３４２ｃ内の左側には、推薦情報表示部３４３ｃ内の記事が新しい記事であることを示すメッセージが表示されている。

推薦情報表示部３４３ｃには、情報探索度（新しさ）を上げることが可能な記事の一部又はヘッドラインが表示される。具体的には、推薦情報表示部３４３ｃに表示される記事は、上述した新しさ推薦記事の中から選択される。例えば、新しさ推薦記事のうち最も推薦スコアが高い記事が選択される。或いは、例えば、新しさ推薦記事の中に優先的にユーザに推薦するように設定されている記事があれば、その記事が選択される。

探索度表示部３４２ｄ内の右側には、ユーザの情報探索度（人気）を示すグラフが表示されている。この例では、ユーザの情報探索度（人気）が３０％である。また、探索度表示部３４２ｄ内の左側には、推薦情報表示部３４３ｄ内の記事が現在人気の記事であることを示すメッセージが表示されている。

推薦情報表示部３４３ｄには、情報探索度（人気）を上げることが可能な記事の一部又はヘッドラインが表示される。具体的には、推薦情報表示部３４３ｄに表示される記事は、上述した人気推薦記事の中から選択される。例えば、人気推薦記事のうち最も推薦スコアが高い記事が選択される。或いは、例えば、人気推薦記事の中に優先的にユーザに推薦するように設定されている記事があれば、その記事が選択される。

探索度表示部３４２ｅには、ユーザの総合探索度の値を示すグラフが表示されている。この例では、ユーザの総合探索度は５０％である。

このように、画面３３１では、情報探索度の観点毎に個別に推薦記事が提示されるので、ユーザは、各観点に基づく推薦記事を容易に選択することができる。また、ユーザは、自分の情報探索の網羅性や多様性等を容易に把握することができる。例えば、ユーザは、情報探索度（広さ）に基づいて、どの程度まで広く情報を探索しているかを客観的な数値で知ることができる。また、ユーザは、情報探索度（深さ）に基づいて、どの程度まで深く情報を探索しているかを客観的な数値で知ることができる。さらに、ユーザは、情報探索度（新しさ）に基づいて、新しい情報をどの程度探索しているかを客観的な数値で知ることができる。また、ユーザは、情報探索度（人気）に基づいて、人気のある情報をどの程度探索しているかを客観的な数値で知ることができる。

その後、処理はステップＳ１０１に戻り、ステップＳ１０３において情報の提示を終了すると判定されるまで、ステップＳ１０１乃至Ｓ１０９の処理が繰り返し実行される。そして、例えば、ユーザ操作等に従って、検索記事や推薦記事を提示する画面が更新されたり、ユーザが選択した記事を掲載するウエブページが表示されたりする。

例えば、図９に示されるように、ユーザが、入力部２１１を用いて、画面３３１の推薦情報表示部３４３ｃをクリックすることにより、推薦情報表示部３４３ｃ内の記事が実際に掲載されているウエブページを提示するための画面３６１が表示される。画面３６１は、例えば、画面３３１の上にオーバーレイ表示してもよいし、画面３３１と並べて表示するようにしてもよい。

また、推薦情報表示部３４３ｃをクリックすることにより、画面３３１内の探索度表示部３４２ａ乃至３４２ｅ内の各情報探索度及び総合探索度の値が変化する。例えば、推薦情報表示部３４３ｃ内の記事の帰属確率最大トピックがｚ₉であり、新しい記事であり、人気記事でない場合、情報探索度（広さ）は６０％のままとなる。一方、情報探索度（深さ）は３０％に変化し、情報探索度（新しさ）は４３．７５％（ただし、図９内では４４％と表示）に変化し、情報探索度（人気）は２５％に変化する。また、総合探索度は、３９．９３７５％（ただし、図９内では４０％と表示）に変化する。

一方、ステップＳ１０３において、クライアント１２の制御部２１２は、ステップＳ１０２の処理で取得したユーザの操作内容が、検索・推薦サービスを終了させる操作である場合、情報の提示を終了すると判定し、処理はステップＳ１１０に進む。

ステップＳ１１０において、クライアント１２は、情報の提示を終了する。例えば、クライアント１２の制御部２１２は、検索・推薦サービスの画面の表示を終了させる。或いは、制御部２１２は、検索・推薦サービスＡＰＰの実行を終了する。

その後、情報提示処理は終了する。

以上のように、情報探索度に基づいて異なる観点で記事が推薦されるので、ユーザは、所望の記事を見つけやすくなる。また、ユーザは、例えば、興味のある記事の範囲を容易に広げたり、自分の興味のある記事を容易に深掘りしたり、未知の新しい記事や人気のある記事に容易にアクセスしたりすることができる。従って、ユーザは、効率的かつ容易に所望の情報や満足度の高い情報を入手することができる。また、検索クエリ等を用いて、明確な目的を持って記事の検索を行う場合だけでなく、目的が不明確なザッピング等を行う場合にも、ユーザは、所望の情報や満足度の高い情報を容易に入手することができる。また、情報探索度に基づいて記事の推薦を行うことにより、冗長な記事の推薦が回避される。

また、ユーザは、情報探索度に基づいて、自分の情報探索の網羅性や多様性等を客観的に認識することができる。これにより、例えば、ユーザは、自分の情報探索行動が十分であるか、満足できるか等を客観的に判断することができる。そして、例えば、ユーザが自分の情報探索行動に満足感を覚えることにより、ザッピング等で無為に時間を消費するインターネット依存症等の予防効果が生じる。

さらに、クラスタリング部１０２は、確率的トピックモデルを用いて各記事のトピックを分類することにより、事前知識を用いることなく、適切に記事の分類を行うことができる。これにより、例えば、シソーラス等の事前知識が必要ないため、インターネット上に溢れる最新の語彙やフレーズの特徴を簡単かつ迅速に反映した記事の分類が実現される。また、意味的つながりを反映した動的な記事の分類が可能になる。

＜２．変形例＞
以下、上述した本技術の実施の形態の変形例について説明する。

｛トピック解析に関する変形例｝
例えば、特開２０１０−２７２００４号公報（以下、特許文献２と称する）や、「N. Kobayashi他， "Opinion Mining from Web documents: Extraction and Structurization", 人工知能学会論文誌, Vol.22, No.2, March 2007, pp.227-238」（以下、非特許文献１と称する）等に開示されている主観判別の手法を用いて、各記事を主観性に基づいて２以上のタイプ（以下、主観タイプと称する）に分類することができる。例えば、各記事は、主観的な記事と客観的な（中立的な）記事の２種類に分類できる。また、例えば、主観的な記事は、ポジティブな記事とネガティブな記事に分類できる。

ここで、主観的な記事とは、例えば、主観的な表現（例えば、思考、意見、感情等）を含む記事のことであり、特許文献２の意見文に該当する。一方、客観的な記事とは、例えば、主観的な表現を含まず、客観的な事実のみを含む記事であり、特許文献２の非意見文に該当する。また、ポジティブな記事とは、例えば、ポジティブな表現を含む記事のことである。一方、ネガティブな記事とは、例えば、ネガティブな表現を含む記事のことである。

このように、各記事は、主観判別の手法を用いて、ポジティブな記事、ネガティブな記事、及び、客観的な記事の３種類の主観タイプに分類することができる。そして、例えば、各記事を主観判別により、ポジティブな記事、ネガティブな記事、及び、客観的な記事の３つの主観タイプに分類した後、主観タイプ毎にトピック解析を行うことにより、各記事を分類するトピックの数は、実質的に３倍になる。

例えば、トピック解析部１５１は、まず、各記事をポジティブな記事、ネガティブな記事、及び、客観的な記事の３種類の主観タイプに分類する。そして、トピック解析部１５１は、ポジティブな記事のグループに対して、上述した方法によりトピック解析を行う。これにより、ポジティブな記事のグループにおいて、Ｋ個のトピックが生成され、各記事の各トピックへの帰属確率ｐ（ｚ｜ｄ）が計算される。同様にして、ネガティブな記事のグループにおいて、Ｋ個のトピックが生成され、各記事の各トピックへの帰属確率ｐ（ｚ｜ｄ）が計算される。また、客観的な記事のグループにおいて、Ｋ個のトピックが生成され、各記事の各トピックへの帰属確率ｐ（ｚ｜ｄ）が計算される。

このように、各記事が、ポジティブな記事、ネガティブな記事、及び、客観的な記事の３つの主観タイプに分類され、さらに、主観タイプ毎に各記事のトピックの分類が行われる。これにより、サーバ１１は、主観タイプ毎に記事を分類して提示したり、推薦したりすることができる。

例えば、サーバ１１の情報提示制御部１８２は、同じトピックに属する記事（例えば、同じ話題に関する記事）について、ポジティブな記事、ネガティブな記事、及び、客観的な記事を個別に並べて提示することができる。これにより、例えば、ユーザは、ある話題について、好みの主観タイプの記事のみを選択して閲覧したり、異なる主観タイプの記事を比較したりすることが可能になる。

また、例えば、情報提示制御部１８２は、情報探索度の観点毎に、ポジティブな記事、ネガティブな記事、及び、客観的な記事の３種類の記事を個別に並べて提示させるようにすることが可能である。例えば、情報提示制御部１８２は、図８の推薦情報表示部３４３ａに、ポジティブな広さ推薦記事、ネガティブな広さ推薦記事、及び、客観的な広さ推薦記事の３種類を縦に並べて表示し、それぞれ個別に選択できるようにすることが可能である。

ここで、推薦情報表示部３４３ａに並べて表示する記事は、同じ話題に関する記事であってもよいし、異なる話題に関する記事であってもよい。例えば、前者の場合、同じ製品に関するポジティブな記事、ネガティブな記事、客観的な記事のように、同じ話題について、それぞれ異なる主観タイプの記事が同時に提示される。一方、後者の場合、例えば、野球に関するポジティブな記事、サッカーに関するネガティブな記事、科学に関する客観的な記事のように、異なる話題について、それぞれ異なる主観種別の記事が同時に提示される。

さらに、例えば、情報提示制御部１８２は、情報探索度の観点毎に、どの主観タイプの記事を提示させるかをユーザに指定させるようにすることができる。例えば、情報提示制御部１８２は、図８の推薦情報表示部３４３ａの近く又は内部に、ユーザが主観タイプを指定するためのボタン等を表示させ、ユーザが指定した主観タイプの広さ推薦記事を推薦情報表示部３４３ａ内に表示させるようにすることができる。

これにより、ユーザは、情報探索度の各観点に従って推薦された各記事の中から、好みの主観タイプの記事のみを選択して閲覧したり、異なる主観タイプの記事を閲覧し、比較したりすることが可能になる。

さらに、例えば、情報提示制御部１８２は、各記事を提示する場合に、各記事がどの主観タイプの記事であるかを明示させることもできる。これにより、ユーザは、記事の内容を読む前に、その記事がポジティブな記事、ネガティブな記事、又は、中立な記事のいずれであるかを知ることができる。

また、例えば、サーバ１１の情報推薦部１７２は、主観タイプが偏らないようにバランスを取りながら、記事の推薦を行うことができる。例えば、情報推薦部１７２は、ユーザがポジティブなフィードバックを行った記事に関連する記事群を推薦する場合に、推薦する記事の主観タイプを、順番に或いはランダムに切り替えることが可能である。

さらに、例えば、情報推薦部１７２は、ユーザが指定した主観タイプの記事を優先して推薦することができる。例えば、情報推薦部１７２は、ユーザがポジティブなフィードバックを行った記事に関連する記事群を推薦する場合に、ユーザが指定した主観タイプの記事（例えば、ポジティブな記事）を優先的に推薦することが可能である。また、例えば、情報推薦部１７２は、図８の推薦情報表示部３４３ａ乃至３４３ｄ内に表示する情報探索度の各観点に基づいて推薦する記事として、ユーザが指定した主観タイプの記事（例えば、ポジティブな記事）を優先的に推薦することが可能である。

また、例えば、ユーザがポジティブなフィードバックを行った記事の主観タイプを基準とする分布に基づく情報探索度（公平性）を追加することが可能である。すなわち、情報探索度（公平性）は、ユーザがポジティブなフィードバックを行った記事を主観タイプ毎に分類した場合、各主観タイプ間の記事の数の偏りが小さいほど大きくなり、各主観タイプ間の記事の数の偏りが大きいほど小さくなる。従って、ユーザが、ポジティブな記事、ネガティブな記事、及び、客観的な記事に対して万遍なくポジティブなフィードバックを行っている場合、情報探索度（公平性）は大きくなる。一方、ユーザがポジティブなフィードバックを行っている記事が、ポジティブな記事、ネガティブな記事、及び、客観的な記事のいずれか１つ又は２つに偏っている場合、情報探索度（公平性）は小さくなる。

さらに、例えば、情報推薦部１７２は、情報探索度（公平性）の観点に基づいて、推薦する記事を選択するようにしてもよい。例えば、情報推薦部１７２は、ユーザがポジティブなフィードバックを行う記事（ポジティブ反応記事）が、ポジティブな記事、ネガティブな記事、及び、客観的な記事のいずれか１つ又は２つに偏っている場合、フィードバックの数が少ない主観タイプの記事を優先して推薦するようにしてもよい。例えば、ユーザのポジティブ反応記事がネガティブな記事に偏っている場合、情報推薦部１７２は、ポジティブな記事又は客観的な記事を優先してユーザに推薦するようにしてもよい。

なお、各記事をポジティブな記事とネガティブな記事の２種類の主観タイプ、又は、主観的な記事と客観的な記事の２種類の主観タイプに分類して、上記の処理を行うようにしてもよい。或いは、ポジティブ度に基づいてポジティブな記事をさらに細分化したり、ネガティブ度に基づいてネガティブな記事をさらに細分化したりするようにしてもよい。また、例えば、ポジティブ、ネガティブ以外の主観表現に基づいて、記事を分類するようにしてもよい。

｛推薦方法に関する変形例｝
以上の説明では、情報探索度の各観点に基づく推薦記事を、ユーザが嗜好する記事（嗜好推薦記事）の中から選択する例を示したが、嗜好推薦記事以外の記事の中から選択するようにしてもよい。

また、図８の画面３３１では、情報探索度の観点毎に個別に並べて推薦記事を提示する例を示したが、例えば、ユーザが所望の観点を指定し、ユーザが指定した観点に基づく推薦記事を提示するようにしてもよい。

｛嗜好学習に関する変形例｝
また、例えば、図８の画面３３１のように、情報探索度の観点毎に記事の推薦を行うことにより、サーバ１１の学習部１７３は、情報探索度の観点毎にユーザの嗜好を学習することができる。

例えば、学習部１７３は、情報探索度（広さ）に基づいて推薦した記事に対してユーザがポジティブなフィードバックを行った記事のみに基づいて学習を行うことにより、情報探索度（広さ）に基づいて推薦した記事に対するユーザの嗜好を学習することができる。同様に、学習部１７３は、情報嗜好度（深さ）、情報嗜好度（新しさ）、及び、情報嗜好度（人気）に基づいて推薦した記事に対するユーザの嗜好をそれぞれ学習することができる。

これにより、例えば、情報推薦部１７２は、情報嗜好度の観点毎に異なる学習結果を用いて、異なる傾向で記事の推薦をすることができる。例えば、情報推薦部１７２は、情報嗜好度（広さ）に基づいて記事を推薦する場合と、情報嗜好度（深さ）に基づいて記事を推薦する場合とで、推薦する記事が属するトピックの傾向を変えることができる。これにより、例えば、ユーザが知識を広げる場合と、知識の深掘りをする場合とで、アクセスする記事の傾向が異なる場合でも、その傾向に応じて適切な記事が推薦される。

また、例えば、学習部１７３は、情報探索度の各観点に基づいて推薦した記事に対してポジティブなフィードバックを行った回数を個別に集計することにより、情報探索度の各観点に対するユーザの嗜好を学習することができる。これにより、例えば、学習部１７３は、情報を幅広く収集するタイプ、知識を深掘りするタイプ、最新の情報をチェックするタイプ、流行を追いかけるタイプ等にユーザを分類することができる。そして、例えば、情報推薦部１７２は、ユーザに記事を推薦する場合に、ユーザがより好む情報探索度の観点を優先的に用いて記事を推薦することにより、よりユーザの嗜好に合った記事を推薦することが可能になる。

また、例えば、学習部１７３は、情報探索度と時間や場所等のコンテクスト情報とを組み合わせることにより、ユーザの嗜好をより細分化して学習することが可能である。例えば、学習部１７３は、情報探索度（広さ）に基づいて推薦した記事に対するユーザの嗜好を場所や時間等により分類して学習することができる。そして、例えば、情報推薦部１７２は、学習結果に基づいて、ユーザが職場にいる場合と自宅にいる場合とで、情報探索度（広さ）に基づいて推薦する記事の傾向を変えることができる。

また、例えば、学習部１７３は、情報探索度の各観点に対する嗜好を場所や時間等で分けて学習することができる。そして、例えば、情報推薦部１７２は、学習結果に基づいて、ユーザが会社にいる職場と自宅にいる場合とで、優先して推薦に用いる情報探索度の観点を切り替えることができる。

｛トピック頻度の集計方法に関する変形例｝
また、以上の説明では、情報探索度計算部１６１は、ユーザがポジティブなフィードバックを行った記事のみを対象にしてトピック頻度の集計を行ったが、ユーザがネガティブなフィードバックを行った記事も対象に含めるようにしてもよい。すなわち、情報探索度計算部１６１は、ユーザがフィードバックを行った全ての記事、換言すれば、ユーザが反応を示した全ての記事を対象にしてトピック頻度の集計を行うようにしてもよい。或いは、例えば、情報探索度計算部１６１は、ユーザが所定の内容のフィードバックを行った記事のみを対象にしてトピック頻度の集計を行うようにしてもよい。

さらに、情報探索度計算部１６１は、例えば、トピック頻度の集計を行う場合に、フィードバックの内容に応じて重み付け加算するようにしてもよい。例えば、情報探索度計算部１６１は、ユーザが実際に記事にアクセスしたか、又は、ユーザが良い評価を与えたか等により異なる重みをつけるようにしてもよい。また、例えば、情報探索度計算部１６１は、ユーザがポジティブなフィードバックを行った場合には、トピック頻度を加算し、ユーザがネガティブなフィードバックを行った場合には、トピック頻度を減算するようにしてもよい。

｛提示方法に関する変形例｝
また、本技術において、記事等の情報の提示に用いるデバイスには、任意の種類のデバイスを採用することができる。例えば、ディスプレイ方式、投影方式等の各種の表示デバイスを採用することができる。また、例えば、眼鏡型、腕時計型、ブレスレット型、ネックレス型、ネックバンド型、イヤフォン型、ヘッドセット型、ヘッドマウント型等の各種のウエアラブルデバイスを採用することができる。

さらに、ユーザが所望の記事を選択する方法も、上述したクリックだけでなく、デバイスの種類に応じて、タッチ操作等の任意の方法を採用することができる。

また、記事等の情報の提示に用いるデバイスには、例えば、画像等の視覚情報を伝達するデバイスだけでなく、音声等の聴覚情報を伝達するデバイスを採用することができる。例えば、ネックバンド型やヘッドセット型等の聴覚情報を伝達するウエアラブルデバイスを採用した場合、情報探索度に基づいて推薦する記事のヘッドライン等を音声でユーザに伝えるようにすることが可能である。また、この場合、音声認識の技術を用いて、ユーザが所望の記事を選択できるようにすることが可能である。例えば、ユーザが、「もっと広く」、「深掘りして」、「最新ニュースは」、「流行の話題は」等の音声コマンドを入力することにより、情報探索度の各観点に基づいて推薦された記事を選択可能にすることができる。

また、例えば、クライアント１２において記事の提示を行うだけでなく、クライアント１２から他の装置（例えば、携帯情報端末やウエアラブルデバイス等）に記事を転送して、他の装置が、転送された記事を提示するようにすることも可能である。

｛提示対象に関する変形例｝
また、以上の説明では、ユーザに提示する提示対象を記事とする例を示したが、記事以外の各種の情報を提示対象とする場合にも、その提示対象が複数のクラスタに分類することが可能であれば、本技術を適用することが可能である。例えば、本技術では、記事のようなテキスト情報だけでなく、動画、画像、音声等のテキスト情報以外の情報（以下、非テキスト情報と称する）を提示対象とすることができる。

ここで、非テキスト情報を提示対象とする場合、例えば、クラスタリング部１０２は、非テキスト情報に関連するテキスト情報に基づいて、上述した潜在トピックモデル用いて、各非テキスト情報を複数のクラスタに分類することができる。この場合、例えば、非テキスト情報のメタデータ（例えば、タイトル、アーティスト、出演者、ジャンル、生成場所、生成日時等）、非テキスト情報に関する評論文、感想文、記事等に含まれるテキスト情報に基づいて、クラスタリングが行われる。

また、例えば、クラスタリング部１０２は、非テキスト情報の属性や、非テキスト情報自身の特徴量（例えば、動画、画像、音声等の特徴量）に基づいて、非テキスト情報を複数のクラスタに分類することができる。例えば、クラスタリング部１０２は、楽曲データの特徴量に基づいて、楽曲データを複数のクラスタ（例えば、ジャンル）に分類することが可能である。

また、本技術では、例えば、情報以外の商品、行動、場所、人等も、提示対象とすることができる。なお、情報以外の提示対象についても、上述したように、提示対象に関連するテキスト情報や、提示対象自身の特徴量に基づいて、クラスタリングが行われる。

さらに、本技術においては、上述した潜在トピックモデル以外の任意のクラスタリング手法を採用することも可能である。また、例えば、本技術に採用するクラスタリング手法は、階層的手法であってもよいし、非階層的手法であってもよい。さらに、例えば、本技術に採用するクラスタリング手法は、ソフトクラスタリングであってもよいし、ハードクラスタリングであってもよい。或いは、人がマニュアルで提示対象のクラスタリングを行うようにしてもよい。

｛機能分担等に関する変形例｝
上述したサーバ１１とクライアント１２の機能の分担は、その一例であり、任意に変更することが可能である。例えば、情報探索度計算モジュール１１５及び情報検索・推薦モジュール１１６を、クライアント１２に設けるようにしてもよい。

また、例えば、適宜各モジュールを統合したり、分離したりすることも可能である。例えば、複数のモジュールの入力部、表示部、記憶部を、適宜共用することが可能である。

｛コンピュータの構成例｝
上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、コンピュータにインストールされる。ここで、コンピュータには、専用のハードウエアに組み込まれているコンピュータや、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどが含まれる。

図１０は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。

コンピュータにおいて、CPU（Central Processing Unit）５０１，ROM（Read Only Memory）５０２，RAM（Random Access Memory）５０３は、バス５０４により相互に接続されている。

バス５０４には、さらに、入出力インタフェース５０５が接続されている。入出力インタフェース５０５には、入力部５０６、出力部５０７、記憶部５０８、通信部５０９、及びドライブ５１０が接続されている。

入力部５０６は、キーボード、マウス、マイクロフォンなどよりなる。出力部５０７は、ディスプレイ、スピーカなどよりなる。記憶部５０８は、ハードディスクや不揮発性のメモリなどよりなる。通信部５０９は、ネットワークインタフェースなどよりなる。ドライブ５１０は、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリなどのリムーバブルメディア５１１を駆動する。

以上のように構成されるコンピュータでは、CPU５０１が、例えば、記憶部５０８に記憶されているプログラムを、入出力インタフェース５０５及びバス５０４を介して、RAM５０３にロードして実行することにより、上述した一連の処理が行われる。

コンピュータ（CPU５０１）が実行するプログラムは、例えば、パッケージメディア等としてのリムーバブルメディア５１１に記録して提供することができる。また、プログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供することができる。

コンピュータでは、プログラムは、リムーバブルメディア５１１をドライブ５１０に装着することにより、入出力インタフェース５０５を介して、記憶部５０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部５０９で受信し、記憶部５０８にインストールすることができる。その他、プログラムは、ROM５０２や記憶部５０８に、あらかじめインストールしておくことができる。

なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。

また、本明細書において、システムとは、複数の構成要素（装置、モジュール（部品）等）の集合を意味し、すべての構成要素が同一筐体中にあるか否かは問わない。したがって、別個の筐体に収納され、ネットワークを介して接続されている複数の装置、及び、１つの筐体の中に複数のモジュールが収納されている１つの装置は、いずれも、システムである。

さらに、本技術の実施の形態は、上述した実施の形態に限定されるものではなく、本技術の要旨を逸脱しない範囲において種々の変更が可能である。

例えば、本技術は、１つの機能をネットワークを介して複数の装置で分担、共同して処理するクラウドコンピューティングの構成をとることができる。

また、上述のフローチャートで説明した各ステップは、１つの装置で実行する他、複数の装置で分担して実行することができる。

さらに、１つのステップに複数の処理が含まれる場合には、その１つのステップに含まれる複数の処理は、１つの装置で実行する他、複数の装置で分担して実行することができる。

また、本明細書に記載された効果はあくまで例示であって限定されるものではなく、他の効果があってもよい。

さらに、例えば、本技術は以下のような構成も取ることができる。

（１）
ユーザに対して所定の対象の提示を行う場合に、前記ユーザに提示した前記対象のうち前記ユーザが所定の反応を示した前記対象である反応対象の分布に基づく２以上の観点毎に、前記ユーザに提示する前記対象である提示対象を選択する選択部と、
前記提示対象の提示を制御する提示制御部と
を備える情報処理装置。
（２）
前記提示制御部は、前記観点毎に個別に前記提示対象を提示するように制御する
前記（１）に記載の情報処理装置。
（３）
前記提示制御部は、前記ユーザにより指定された前記観点により選択された前記提示対象を提示するように制御する
前記（１）又は（２）に記載の情報処理装置。
（４）
前記提示制御部は、さらに前記反応対象の分布を前記観点により分析した値を提示するように制御する
前記（１）乃至（３）のいずれかに記載の情報処理装置。
（５）
前記選択部は、前記反応対象が属するクラスタの範囲の広さに基づく第１の観点、前記反応対象の前記クラスタ毎の分布に基づく第２の観点、前記反応対象の新しさを基準とする分布に基づく第３の観点、及び、前記反応対象の人気度を基準とする分布に基づく第４の観点のうち少なくとも２以上の観点毎に、前記提示対象を選択する
前記（１）乃至（４）のいずれかに記載の情報処理装置。
（６）
前記選択部は、前記第１の観点により前記提示対象を選択する場合、前記クラスタ内の前記反応対象の量が所定の閾値未満の前記クラスタから前記提示対象を選択する
前記（５）に記載の情報処理装置。
（７）
前記選択部は、前記第２の観点により前記提示対象を選択する場合、前記ユーザが直前に反応した前記反応対象が属する前記クラスタから前記提示対象を選択する
前記（５）又は（６）に記載の情報処理装置。
（８）
前記選択部は、前記第２の観点により前記提示対象を選択する場合、前記クラスタ内の前記反応対象の量が所定の閾値以上の前記クラスタから前記提示対象を選択する
前記（５）又は（６）に記載の情報処理装置。
（９）
前記選択部は、前記第３の観点により前記提示対象を選択する場合、直前の所定の期間内に追加又は更新された前記対象の中から前記提示対象を選択する
前記（５）乃至（８）のいずれかに記載の情報処理装置。
（１０）
前記選択部は、前記第４の観点により前記提示対象を選択する場合、前記人気度が所定の閾値以上の前記対象の中から前記提示対象を選択する
前記（５）乃至（９）のいずれかに記載の情報処理装置。
（１１）
前記対象はテキスト情報を含み、
前記テキスト情報の言語解析の結果に基づいて、前記対象のクラスタリングを行うクラスタリング部を
さらに備える前記（１）乃至（１０）のいずれかに記載の情報処理装置。
（１２）
前記クラスタリング部は、前記対象を前記テキスト情報の主観性に基づく２以上の主観タイプに分類する
前記（１１）に記載の情報処理装置。
（１３）
前記提示制御部は、前記主観タイプ毎に個別に前記提示対象を提示するように制御する
前記（１２）に記載の情報処理装置。
（１４）
前記提示制御部は、前記ユーザにより指定された前記主観タイプの前記提示対象を提示するように制御する
前記（１２）又は（１３）に記載の情報処理装置。
（１５）
前記選択部は、前記反応対象の前記主観タイプを基準とする分布に基づく第５の観点により、前記提示対象を選択する
前記（１２）乃至（１４）のいずれかに記載の情報処理装置。
（１６）
前記対象に対する前記ユーザの嗜好を前記観点毎に学習する学習部を
さらに備え、
前記選択部は、前記観点毎に異なる学習結果を用いて前記提示対象を選択する
前記（１）乃至（１５）のいずれかに記載の情報処理装置。
（１７）
各前記観点に対する前記ユーザの嗜好を学習する学習部を
さらに備え、
前記選択部は、前記ユーザの嗜好度が高い前記観点を優先して前記ユーザへの前記提示情報の選択に用いる
前記（１）乃至（１５）のいずれかに記載の情報処理装置。
（１８）
前記反応対象は、前記ユーザがポジティブな反応を示した前記対象である
前記（１）乃至（１７）のいずれかに記載の情報処理装置。
（１９）
ユーザに対して所定の対象の提示を行う場合に、前記ユーザに提示した前記対象のうち前記ユーザが所定の反応を示した前記対象である反応対象の分布に基づく２以上の観点毎に、前記ユーザに提示する前記対象である提示対象を選択する選択ステップと、
前記提示対象の提示を制御する提示制御ステップと
を含む情報処理方法。
（２０）
ユーザに対して所定の対象の提示を行う場合に、前記ユーザに提示した前記対象のうち前記ユーザが所定の反応を示した前記対象である反応対象の分布に基づく２以上の観点毎に、前記ユーザに提示する前記対象である提示対象を選択する選択ステップと、
前記提示対象の提示を制御する提示制御ステップと
を含む処理をコンピュータに実行させるためのプログラム。

１ 情報処理ステム， １１ サーバ， １２ クライアント， １０１ 情報取得部， １０２ クラスタリング部, １０３ 提示情報生成部， １１１ 情報収集モジュール， １１２ 情報編集モジュール， １１３ 言語解析モジュール， １１４ トピック解析モジュール， １１５ 情報探索度計算モジュール， １１６ 情報検索・推薦モジュール， １１７ 情報統合モジュール， １２２ 情報収集部， １３２ 情報編集部， １４１ 言語解析部， １５１ トピック解析部， １６１ 情報探索度計算部， １７１ 情報検索部， １７２ 情報推薦部， １７３ 学習部， １８１ 管理部, １８２ 情報提示制御部， １８３ ユーザ操作情報取得部， ２０１ 情報閲覧モジュール， ２１２ 制御部， ３０１ 画面， ３１１ａ乃至３１４ｃ サムネイル， ３３１ 画面， ３４２ａ乃至３４２ｅ 探索度表示部， ３４３ａ乃至３４３ｄ 推薦情報表示部， ３６１ 画面

Claims (19)

1. ユーザに提示した対象のうち前記ユーザが所定の反応を示した対象である反応対象の分布を異なる観点によりそれぞれ分析した複数の分析値をそれぞれ良くすることが可能な対象であって、前記ユーザに提示する対象である提示対象を前記観点毎に選択する選択部と、
   前記観点毎に前記提示対象を前記分析値とともに提示するように制御する提示制御部と
   を備える情報処理装置。
2. 前記提示制御部は、前記ユーザにより指定された前記観点により選択された前記提示対象を提示するように制御する
   請求項１に記載の情報処理装置。
3. 前記観点は、前記反応対象が属するクラスタの範囲の広さに基づく第１の観点、前記反応対象の前記クラスタ毎の分布に基づく第２の観点、前記反応対象の新しさに基づく第３の観点、及び、前記反応対象の人気度に基づく第４の観点のうち少なくとも２以上を含む
   請求項１又は２に記載の情報処理装置。
4. 前記選択部は、前記第１の観点により前記提示対象を選択する場合、前記クラスタ内の前記反応対象の量が所定の閾値未満の前記クラスタから前記提示対象を選択する
   請求項３に記載の情報処理装置。
5. 前記選択部は、前記第２の観点により前記提示対象を選択する場合、前記ユーザが直前に反応した前記反応対象が属する前記クラスタから前記提示対象を選択する
   請求項３又は４に記載の情報処理装置。
6. 前記選択部は、前記第２の観点により前記提示対象を選択する場合、前記クラスタ内の前記反応対象の量が所定の閾値以上の前記クラスタから前記提示対象を選択する
   請求項３又は４に記載の情報処理装置。
7. 前記選択部は、前記第３の観点により前記提示対象を選択する場合、直前の所定の期間内に追加又は更新された前記対象の中から前記提示対象を選択する
   請求項３乃至６のいずれかに記載の情報処理装置。
8. 前記選択部は、前記第４の観点により前記提示対象を選択する場合、前記人気度が所定の閾値以上の前記対象の中から前記提示対象を選択する
   請求項３乃至７のいずれかに記載の情報処理装置。
9. 前記対象はテキスト情報を含み、
   前記テキスト情報の言語解析の結果に基づいて、前記対象のクラスタリングを行うクラスタリング部を
   さらに備える請求項１乃至８のいずれかに記載の情報処理装置。
10. 前記クラスタリング部は、前記対象を前記テキスト情報の主観性に基づく２以上の主観タイプに分類する
    請求項９に記載の情報処理装置。
11. 前記提示制御部は、前記主観タイプ毎に個別に前記提示対象を提示するように制御する
    請求項１０に記載の情報処理装置。
12. 前記提示制御部は、前記ユーザにより指定された前記主観タイプの前記提示対象を提示するように制御する
    請求項１０又は１１に記載の情報処理装置。
13. 前記観点は、前記反応対象の前記主観タイプに基づく第５の観点を含む
    請求項１０乃至１２のいずれかに記載の情報処理装置。
14. 前記選択部は、前記第５の観点により前記提示対象を選択する場合、前記反応対象の前記主観タイプの偏りを是正することが可能な前記対象を前記提示対象に選択する
    請求項１３に記載の情報処理装置。
15. 前記対象に対する前記ユーザの嗜好を前記観点毎に学習する学習部を
    さらに備え、
    前記選択部は、前記観点毎に異なる学習結果を用いて前記提示対象を選択する
    請求項１乃至１４のいずれかに記載の情報処理装置。
16. 各前記観点に対する前記ユーザの嗜好を学習する学習部を
    さらに備え、
    前記選択部は、前記ユーザの嗜好度が高い前記観点を優先して前記ユーザへの前記提示対象の選択に用いる
    請求項１乃至１４のいずれかに記載の情報処理装置。
17. 前記反応対象は、前記ユーザがポジティブな反応を示した前記対象である
    請求項１乃至１６のいずれかに記載の情報処理装置。
18. ユーザに提示した対象のうち前記ユーザが所定の反応を示した対象である反応対象の分布を異なる観点によりそれぞれ分析した複数の分析値をそれぞれ良くすることが可能な対象であって、前記ユーザに提示する対象である提示対象を前記観点毎に選択する選択ステップと、
    前記観点毎に前記提示対象を前記分析値とともに提示するように制御する提示制御ステップと
    を含む情報処理方法。
19. ユーザに提示した対象のうち前記ユーザが所定の反応を示した対象である反応対象の分布を異なる観点によりそれぞれ分析した複数の分析値をそれぞれ良くすることが可能な対象であって、前記ユーザに提示する対象である提示対象を前記観点毎に選択する選択ステップと、
    前記観点毎に前記提示対象を前記分析値とともに提示するように制御する提示制御ステップと
    を含む処理をコンピュータに実行させるためのプログラム。

Images