JP6668410B2 - 熟読率提供装置および方法 - Google Patents

Description

本発明は、熟読率に関するものである。

一般に、インターネットニュース、ブログ、広告などのコンテンツの生産者／提供者はクリック数またはクリック率（Ｃｌｉｃｋ ｔｈｒｏｕｇｈ Ｒａｔｅ、ＣＴＲ）のような反応情報を基に該当コンテンツを評価する。しかし、このような評価では実際使用者が本文をどれくらい精読したか測定しにくく、本文満足度がどれくらい高いか把握しにくい。よって、コンテンツがクリックされたことによってのみ使用者が内容を消費したと評価される問題点を補完するために、使用者が内容を熱心に読んだのか流し読みしたのか、読まなかったのかを評価する技術に関する要求が次第に生じている。

現在、コンテンツ本文に対する満足度を測定する方法として、ウェブページ中のどの部分で使用者が見ることを止めたかを把握して、使用者がウェブページ全体を見たか途中でウェブページを閉じたかを判断するか、ウェブページでの滞在時間で熱心に読んだかを計算する方法がある。しかし、二つのニュース記事の滞在時間が５０秒として同一であっても、本文が８００字の文字列と５個のイメージである記事１と、本文が１０００字である記事２から使用者が取得する情報量が異なることがある。したがって、滞在時間のみで本文を読む程度を計るのは難しい。

一方、本文の長さによって滞在時間を異にして算定しても、全般的に短い長さのニュース記事は完読にかかる時間自体が長くないためコンテンツ本文の質と関係なく熟読率が高く示されることがある。したがって、コンテンツ長さと所要時間を線形的に対比してコンテンツ消費質を測定することによっては多様な長さのコンテンツに対する熟読率を正確に評価しにくい。

また、最近生産されるコンテンツは文字列だけでなくイメージ、動画像などの多様な要素から構成されるが、単純にコンテンツ長さ（文字列長さ）のみでコンテンツ本文満足度を測定することでは、多様なコンテンツ特性を反映しにくい限界がある。

本発明が解決しようとする課題は、コンテンツ代表滞在時間と該当コンテンツ本文に含まれる文字列、イメージ、動画像のマルチメディア、カードニュース、広告、コメントなどの複数の本文構成要素を学習データとして収集し、学習データを基に学習された期待滞在時間関数を獲得し、期待滞在時間関数を基に特定コンテンツの熟読率を測定および提供することである。

一実施形態による少なくとも一つのプロセッサーによって動作する熟読率提供装置であって、閲覧された大量のコンテンツを収集し、各コンテンツの代表滞在時間、そして該当コンテンツの本文構成要素情報を抽出して学習データを生成する学習データ生成部と、複数の学習データで学習された期待滞在時間関数を生成する期待滞在時間学習部と、前記期待滞在時間関数を基に評価対象コンテンツの熟読率を評価する熟読率評価部とを含む。前記代表滞在時間は、複数の使用者が該当コンテンツの本文を閲覧する間に該当コンテンツで滞在した時間を代表する値である。

前記本文構成要素情報は、本文文字列情報、イメージ情報、マルチメディア情報、そしてカードニュース情報のうちの複数の情報を含んでもよい。

前記期待滞在時間学習部は、各学習データに含まれている情報の間の関係を回帰分析して前記期待滞在時間関数を生成してもよい。

前記学習データに含まれている本文文字列情報と期待滞在時間は、前記期待滞在時間関数で非線形関係であってもよい。

前記学習データ生成部は、カテゴリー別に閲覧された大量のコンテンツを収集してカテゴリー別に学習データを生成し、前記期待滞在時間学習部は、カテゴリー別に生成された学習データを基にカテゴリー別期待滞在時間関数を生成してもよい。

前記熟読率評価部は、前記評価対象コンテンツの本文構成要素情報と実際滞在時間を抽出し、前記期待滞在時間関数を基に前記評価対象コンテンツの本文構成要素情報から期待される期待滞在時間を獲得し、前記実際滞在時間と前記期待滞在時間を比較して前記熟読率を評価し、前記実際滞在時間は、複数の使用者が前記評価対象コンテンツの本文を閲覧するために滞在した時間を代表する値であってもよい。

前記熟読率提供装置は、複数の評価対象コンテンツを熟読率順に整列して使用者端末に提供する熟読率提供部をさらに含んでもよい。

前記熟読率提供部は、各評価対象コンテンツの熟読率と閲覧回数に関わる指標を総合して各評価対象コンテンツの推薦順位を計算し、推薦順位によるコンテンツを前記使用者端末に推薦してもよい。

他の実施形態による、熟読率提供装置による熟読率提供方法であって、閲覧された大量のコンテンツそれぞれで、複数の使用者が各コンテンツの本文を閲覧する間に該当コンテンツで滞在した時間を代表する各コンテンツの代表滞在時間を決定する段階と、前記閲覧された大量のコンテンツそれぞれで、滞在時間に影響を与える各コンテンツの本文構成要素情報を抽出する段階と、各コンテンツの代表滞在時間と本文構成要素情報を基に代表滞在時間と本文構成要素情報の間の関係を示す期待滞在時間関数を生成する段階とを含む。

前記本文構成要素情報は、本文文字列情報、イメージ情報、マルチメディア情報、そしてカードニュース情報のうちの複数の情報を含んでもよい。

前記期待滞在時間関数を生成する段階では、従属変数である滞在時間と独立変数である本文構成要素情報の間の関係を回帰分析して前記期待滞在時間関数を生成してもよい。

前記本文構成要素情報に含まれている本文文字列情報と期待滞在時間は、前記期待滞在時間関数で非線形関係であってもよい。

前記閲覧された大量のコンテンツは、カテゴリー別に分類されたコンテンツの集合であり、前記期待滞在時間関数は、カテゴリー別に生成されてもよい。

前記熟読率提供方法は、評価対象コンテンツの本文構成要素情報と実際滞在時間を抽出する段階と、前記期待滞在時間関数を基に前記評価対象コンテンツの本文構成要素情報から期待される期待滞在時間を獲得する段階と、前記実際滞在時間と前記期待滞在時間を比較して前記評価対象コンテンツの熟読率を評価する段階とをさらに含み、前記実際滞在時間は、複数の使用者が前記評価対象コンテンツの本文を閲覧する間に前記評価対象コンテンツで滞在した時間を代表する値であってもよい。

また他の実施形態による、熟読率提供装置による熟読率提供方法であって、閲覧された大量のコンテンツを基にコンテンツの期待滞在時間と本文構成要素情報の間の関係を示す期待滞在時間関数を生成する段階と、複数の使用者が閲覧した評価対象コンテンツを受信する段階と、前記評価対象コンテンツの本文構成要素情報と実際滞在時間を抽出する段階と、前記期待滞在時間関数を基に前記評価対象コンテンツの本文構成要素情報から期待される期待滞在時間を獲得する段階と、前記実際滞在時間と前記期待滞在時間を比較して前記評価対象コンテンツの熟読率を評価する段階とを含む。

前記本文構成要素情報は、本文文字列情報、イメージ情報、マルチメディア情報、そしてカードニュース情報のうちの複数の情報を含んでもよい。

前記期待滞在時間関数を生成する段階では、前記大量のコンテンツのカテゴリー別に前記期待滞在時間関数を生成してもよい。前記期待滞在時間を獲得する段階では、カテゴリー別に生成された期待滞在時間関数の中から、前記評価対象コンテンツに関わるカテゴリーの期待滞在時間関数を抽出して期待滞在時間を獲得してもよい。

前記期待滞在時間関数を生成する段階では、従属変数である滞在時間と独立変数である本文構成要素情報の間の関係を回帰分析して前記期待滞在時間関数を生成し、前記本文構成要素情報に含まれている文字列情報と期待滞在時間は、前記期待滞在時間関数で非線形関係であってもよい。

前記熟読率提供方法は、複数の評価対象コンテンツを熟読率順に整列して使用者端末に提供する段階をさらに含んでもよい。

前記使用者端末に提供する段階では、各評価対象コンテンツの熟読率と閲覧回数に関わる指標を総合して各評価対象コンテンツの推薦順位を計算し、推薦順位によるコンテンツを前記使用者端末に推薦してもよい。

本発明の実施形態によれば、使用者がコンテンツを熱心に読んだのか流し読みしたのか、読まなかったのかを評価することができ、本当の意味の読む（ｒｅａｄ）行為を測定することができる。

本発明の実施形態によれば、熟読率を基にコンテンツ質を測定することができ、本文満足度の高いコンテンツを提供することができる。したがって、本発明の実施形態によれば、熟読率を通じて本文が充実でないか題目と本文が一致しないコンテンツを選別することができる。

また、本発明の実施形態によれば、本文の質を示す熟読率とクリック率（ＣＴＲ）などの定量的反応情報を結合して題目および本文満足度の高いコンテンツを推薦することができる。

本発明の一実施形態による熟読率提供装置の概略的な構成図である。 本発明の一実施形態による期待滞在時間関数の例示である。 本発明の一実施形態による熟読率順位画面の例示である。 本発明の一実施形態による非線形期待滞在時間関数生成方法のフローチャートである。 本発明の一実施形態による熟読率評価方法のフローチャートである。

以下、添付した図面を参照して本発明の実施形態について本発明の属する技術分野における通常の知識を有する者が容易に実施できるように詳しく説明する。しかし、本発明は様々な形態に実現でき、ここで説明する実施形態に限定されない。そして、図面で本発明を明確に説明するために説明上不必要な部分は省略し、明細書全体にわたって類似の部分については類似の図面符号を付けた。

明細書全体で、ある部分がある構成要素を「含む」という時、これは特に反対になる記載がない限り、他の構成要素を除くのではなく他の構成要素をさらに含むことができるのを意味する。また、明細書に記載された「…部」、「…機」、「モジュール」などの用語は少なくとも一つの機能や動作を処理する単位を意味し、これはハードウェアやソフトウェアまたはハードウェアおよびソフトウェアの結合で実現できる。

本発明では学習データに含まれている情報の間の関係を回帰分析してコンテンツの期待滞在時間関数を生成すると説明するが、同一の学習データで人工神経網をはじめとする多様な機械学習（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）を用いて期待滞在時間を求めることができる。

図１は本発明の一実施形態による熟読率提供装置の概略的な構成図であり、図２は本発明の一実施形態による非線形期待滞在時間関数の例示であり、図３は本発明の一実施形態による熟読率順位画面の例示である。

図１を参照すれば分かるように、少なくとも一つのプロセッサーによって動作する熟読率提供装置１００は、学習データ生成部１１０、期待滞在時間学習部１３０、熟読率評価部１５０、そして熟読率提供部１７０を含む。

学習データ生成部１１０は、閲覧された（ｐａｇｅ ｖｉｅｗｅｄ）大量の（すなわち複数の）コンテンツを収集して、大量のコンテンツから期待滞在時間学習部１３０でコンテンツの期待滞在時間（ｅｘｐｅｃｔｅｄ ｄｕｒａｔｉｏｎ ｔｉｍｅ）を学習することに使用される学習データを生成する。コンテンツは使用者端末で閲覧できる多様な形態のデジタルコンテンツであって、インターネットニュース、ブログ、ソーシャルメディアなどのウェブページであり得る。学習データは、コンテンツの代表滞在時間、そしてコンテンツ本文の構成要素情報を含む。学習データ生成部１１０は、閲覧回数が基準値以上であるコンテンツを収集することができる。

学習データ生成部１１０は、コンテンツ別に複数の使用者が該当コンテンツ本文を閲覧する間に該当コンテンツで留まった滞在時間を獲得し、複数の使用者の滞在時間を基に該当コンテンツの代表滞在時間を決定する。例えば、代表滞在時間は複数の使用者の滞在時間の平均値であるか、中間値または最頻値であり得る。

学習データ生成部１１０は、コンテンツ別に本文に含まれている構成要素を抽出する。コンテンツ本文の構成要素は本文文字列情報、イメージ情報、マルチメディア情報、カードニュース情報、コメント情報または広告情報のように多様な形態の情報を含むことができる。

本文文字列情報は文字列長さ、単語数などを含むことができ、説明では文字列長さと仮定して説明する。

イメージ情報はイメージ数、イメージ大きさ、イメージ種類などを含むことができ、説明ではイメージ数を仮定して説明する。

マルチメディア情報は動画像やオーディオファイル有無、動画像やオーディオファイルの再生時間などを含むことができ、説明ではマルチメディア有無を仮定して説明する。

カードニュースはテキストを含むイメージであって、主にニュースを提供することに使用されるためカードニュースと称するが、必ずしもニュースに限定されるのではない。カードニュース情報はカードニュース有無、カードニュースを構成するイメージ数、カードニュースに含まれているテキストの文字列情報（文字列長さまたは単語数など）などを含むことができ、説明では簡単にカードニュース有無と仮定して説明する。この時、カードニュースに含まれているテキストの文字列情報は前で言及した本文文字列情報と認識され得る。学習データ生成部１１０は題目やタグに含まれているカードニュース識別情報を通じてカードニュースを含むか否かを確認することができ、またはコンテンツ本文のイメージ分析を通じてイメージに一定数以上の文字列が含まれている場合、カードニュースと判別することができる。

コメント情報は、コメントの数、コメントの長さ、コメントのイメージ情報、コメントのマルチメディア情報などを含むことができる。

広告情報は、広告有無、広告数などを含むことができる。

学習に使用されるコンテンツ本文の構成要素が文字列長さ、イメージ数、マルチメディア有無、カードニュース有無に決定された場合、学習データ生成部１１０は表１のように、各コンテンツの本文を分析して学習データを生成することができる。各コンテンツの代表滞在時間は該当コンテンツを使用した複数使用者の平均滞在時間（平均値）であるか、複数使用者のうちの中間使用者の滞在時間（中間値、複数の使用者数が偶数である場合、二中間使用者の平均値）または複数使用者のうちの最も多い使用者が滞在した時間（最頻値）であり得る。

コンテンツ本文の構成要素は、コンテンツの滞在時間を増やす構成要素と滞在時間を減らす構成要素を含むことができる。例えば、文字列情報、イメージ情報、マルチメディア情報、カードニュース情報、コメント情報はコンテンツに含まれるほどコンテンツの滞在時間を増やし、広告情報はコンテンツに含まれるほどコンテンツの滞在時間を減らすことができる。

一方、特定コンテンツに対する期待滞在時間は該当コンテンツ特性によって変わることがある。例えば、ニュースコンテンツは演芸コンテンツに比べて文字列は長く、イメージ数は少ないこともあり、ニュース記事を読む使用者と演芸記事を読む使用者のコンテンツ消費特性が異なることもある。また、性別や年齢によってコンテンツでの滞在時間が異なることもある。結局、コンテンツの期待滞在時間はコンテンツ特性と消費する使用者特性によって異なるため、熟読率の正確性を高めるためにコンテンツ特性と使用者特性によって期待滞在時間関数を生成することが必要であり、このために学習データを分類することができる。

具体的に、学習データ生成部１１０は、収集した大量のコンテンツをカテゴリー別に分類し、カテゴリー別に学習データを生成することができる。この時、学習データ生成部１１０は、収集した大量のコンテンツを階層構造のカテゴリーに詳細に分類するか、性別、年齢、地域などの使用者分類カテゴリーに分類することができる。階層構造のカテゴリーは例えば、上位カテゴリーはコンテンツ内容によってニュース、演芸、スポーツなどに分類し、上位カテゴリーから複数の下位カテゴリー（例えば、演芸の下位カテゴリーとして映画、ＴＶなど）に細分化することができる。

カテゴリーは、単発性イベント（例えば、大統領選挙、オリンピックなど）を含むことができる。

期待滞在時間学習部１３０は、学習データに含まれている変数の間の関係を回帰分析してコンテンツの期待滞在時間をモデリングする。学習データはコンテンツの代表滞在時間とコンテンツ本文の構成要素情報を含み、コンテンツ本文の構成要素情報は、文字列情報、イメージ情報、マルチメディア情報、カードニュース情報、コメント情報、広告情報のうちの複数の構成要素の組み合わせであり得る。期待滞在時間学習部１３０は、期待滞在時間（従属変数）が複数の構成要素（独立変数）の影響で変わる多重回帰モデルで期待滞在時間をモデリングすることができる。

期待滞在時間（従属変数）と複数の構成要素（独立変数）の関係を示す関係式は多様であり、例えば、数式１のように期待滞在時間と複数の構成要素の関係を関数化することができる。数式１で、ａ、ｂ、ｃ、ｄ、ｅ、ｆ、ｇは回帰係数であって、期待滞在時間学習部１３０が学習データから変数の関係を示す回帰係数を推定する。

数式１で、文字列情報は文字列長さであり得、非線形回帰モデル（ｎｏｎｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ）に生成される。図２を参照すれば分かるように、本文長さが長くなるほど滞在時間増加幅が非線形に減るので、文字列長さに対しては指数型非線形回帰モデルが適合する。

数式１で、イメージ情報はイメージ数であってもよいが、イメージ大きさやイメージ種類に関わる値であってもよい。

数式１で、マルチメディア情報およびカードニュース情報はマルチメディア有無およびカードニュース有無であってもよいが、動画像やオーディオファイルの再生時間、カードニュースのカード数であってもよい。コンテンツにマルチメディアまたはカードニュースが含まれている場合、マルチメディア情報またはカードニュース情報は「１」と設定され、コンテンツにマルチメディアまたはカードニュースが含まれていない場合、マルチメディア情報またはカードニュース情報は「０」と設定される。

数式１で、コメント情報はコメント数やコメント長さであってもよく、もし学習データにコメント情報がない場合、「０」と入力されるか、回帰分析変数として使用されなくてもよい。

数式１で、広告情報は広告数であってもよく、もし学習データに広告情報がない場合、「０」と入力されるか、回帰分析変数として使用されなくてもよい。

他の実施形態によれば、カードニュースは一種のイメージであるので、イメージとカードニュースが相互作用項として表現され得る。数式２のように、カードニュースがイメージの調節変数として使用され得る。

期待滞在時間学習部１３０は、学習データ生成部１１０で生成した学習データから回帰係数を推定して、期待滞在時間関数を生成する。この時、期待滞在時間学習部１３０は表２のように、カテゴリー別（例えば、ニュース、演芸、スポーツ）に分類された学習データ別に期待滞在時間関数を個別的に生成することができる。また、期待滞在時間学習部１３０は、学習データが使用者分類カテゴリー（性別、年齢など）に細分化された場合、表３のように使用者分類カテゴリー別に期待滞在時間関数を細分化して生成することができる。
表２の期待滞在時間関数で、文字列長さと期待滞在時間は図２のように非線形関係にモデリングされる。

表２を参照すれば分かるように、ニュースカテゴリーに属したコンテンツ（例えば、ニュース記事）では文字列長さによって滞在時間が非線形に増加し、カードニュースの場合、滞在時間を３０秒ほど増やし、マルチメディア（動画像）が含まれている場合、滞在時間を１５秒ほど増やし、イメージが追加される度に１秒ずつ滞在時間が増えるのに影響を与えることを意味する。したがって、文字列長さが相対的に短くてもマルチメディア（動画像）、イメージ、ニュースカードなどが含まれている場合、期待滞在時間が増えることがある。

演芸カテゴリーに属したコンテンツ（例えば、演芸記事）では文字列長さ以外にイメージ、マルチメディア、カードニュースが滞在時間に及ぼす影響がニュースに比べて小さいということが分かる。スポーツカテゴリーに属したコンテンツ（例えば、スポーツ記事）ではイメージ個数とマルチメディアが滞在時間に及ぼす影響がニュースカテゴリーと類似していることが分かる。このように、コンテンツ特性によって滞在時間に影響を与える本文構成要素が互いに異なるため、カテゴリー別に期待滞在時間関数を生成して熟読率の正確性を高めることができる。

熟読率評価部１５０は、熟読率評価のための大量のコンテンツを収集する。熟読率評価部１５０は、閲覧回数が基準値以上（例えば、５０回）であるコンテンツを評価対象コンテンツとして収集することができる。熟読率評価部１５０は評価対象コンテンツを多様なカテゴリーに分類して熟読率を評価することができる。

熟読率評価部１５０は、評価対象コンテンツの実際滞在時間と評価対象コンテンツ本文の構成要素情報を評価データとして抽出する。熟読率評価部１５０は、複数の使用者が評価対象コンテンツの本文を閲覧するために消費した滞在時間を獲得し、複数使用者の滞在時間を基に該当コンテンツを代表する実際滞在時間を決定する。例えば、実際滞在時間は複数使用者の滞在時間の平均値であるか、中間値または最頻値であり得る。熟読率評価部１５０は各評価対象コンテンツから、期待滞在時間関数を構成する変数（例えば、文字列長さ、イメージ個数、マルチメディア有無、カードニュース有無）に対応する本文構成要素情報を抽出する。

熟読率評価部１５０は、評価対象コンテンツ本文の構成要素情報を表２のような期待滞在時間関数の変数に入力して評価対象コンテンツの期待滞在時間を獲得する。カテゴリー別に期待滞在時間関数が生成された場合、熟読率評価部１５０は評価対象コンテンツに該当するカテゴリーの期待滞在時間関数を選択して期待滞在時間を獲得することができる。

熟読率評価部１５０は、評価対象コンテンツの期待滞在時間と実際滞在時間を比較して熟読率を評価する。熟読率評価式は多様であり得る。例えば、熟読率は、数式３のように実際滞在時間と期待滞在時間の差と期待滞在時間の比率で計算できる。例えば、評価対象コンテンツの期待滞在時間が５０秒であり、実滞在時間が１２０秒である場合、熟読率は１．４または１４０％と計算される。期待滞在時間に比べて実際滞在時間が短い場合、熟読率は負の値を有し得る。

数式３以外にも、実際滞在時間と期待滞在時間の比率（２．４＝１２０秒／５０秒）が熟読率評価式として使用され得る。

表４に示すのは、熟読率評価部１５０が実際ニュース記事を基に計算した熟読率である。コンテンツｂはコンテンツａに比べてページビューが多いが、熟読率は低く、コンテンツａはコンテンツｂに比べてページビューが少なく文字列も長いが、熟読率は高い。したがって、熟読率を通じてコンテンツｂはコンテンツａに比べてページビューを高める題目で露出されてクリックを誘導したが、実際に本文は期待に及ばないことが分かる。コンテンツｃは熟読率が負の値であるので、本文満足度が低いのを意味することになる。

熟読率提供部１７０は、評価対象コンテンツを熟読率順に整列して順位を付ける。図３を参照すれば分かるように、熟読率提供部１７０は、熟読率順位（念入りに見たニュース、熱心に見たニュース）を使用者端末に提供することができる。熟読率順位に含まれているコンテンツは期待滞在時間に比べてコンテンツを閲覧した使用者の実際滞在時間が長いコンテンツであるので、刺激的題目でクリックを誘導したコンテンツや本文内容が不十分なコンテンツが除外され得る。

熟読率提供部１７０は、熟読率が一定基準以下であるコンテンツの露出を制御することができる。

熟読率提供部１７０は、性別、年齢、地域などの使用者分類カテゴリー別に熟読率を評価した後、使用者の特性情報（性別、年齢、地域など）に合わせて熟読率の高いコンテンツを推薦することができる。

熟読率提供部１７０は、多様な本文構成要素から作成されたコンテンツを露出することができる。例えば、数式２のニュースカテゴリーの期待滞在時間関数で評価された熟読率順位では、文字列の長さが長いルポ／解説／インタビュー記事だけでなく、文字列長さが相対的に短くてもマルチメディア、イメージ、ニュースカードなどが含まれている記事も順位に露出され得る。数式２の演芸カテゴリーの期待滞在時間関数で評価された熟読率順位では、写真を多く活用する演芸記事の特性上文字列長さは短いが写真が多く添付された記事が順位に露出され得る。

熟読率提供部１７０は、閲覧回数に関わる指標と本文満足度を示す熟読率を結合して、題目関心度と本文満足度が全て高い高品質のコンテンツを抽出することができる。例えば、熟読率提供部１７０は閲覧回数に関わるＣＴＲと熟読率を結合したアンサンブル指数（Ｅｎｓｅｍｂｌｅ Ｓｃｏｒｅ）を計算し、アンサンブル指数を基に使用者にコンテンツを推薦することができる。閲覧回数に関わる指標はＣＴＲ以外にもページビュー数など多様な指標であり得る。アンサンブル指数によって推薦順位が計算できる。

アンサンブル指数は例えば、数式４と数式５で計算できる。コンテンツｉの正規化された熟読率はシグモイド関数（Ｓｉｇｍｏｉｄ ｆｕｎｃｔｉｏｎ）でコンテンツｉの熟読率を０と１の間の値に変換（ｐｒｏｊｅｃｔｉｏｎ）してアンサンブルを容易にする値である。

このように、熟読率評価部１５０は学習データを通じて学習された期待滞在時間関数から期待滞在時間を推定し、期待滞在時間に比べて実際滞在時間が長いほど熟読率を高く評価する。この時、熟読率評価部１５０は多様な本文構成要素を反映して期待滞在時間を推定するので、コンテンツの期待滞在時間の正確度を高めることができ、コンテンツ特性を反映した熟読率を評価することができる。特に、実際滞在時間が長ければ熟読率が高いと評価する従来技術や、文字列長さに比例して滞在時間を期待する従来技術は、多様なコンテンツ構成要素を反映しない短所があった。本発明は同一な文字列長さのコンテンツといっても、本文に追加されたイメージ、マルチメディア、カードニュース、コメント、広告などによって期待滞在時間を異にして推定し、このように推定した期待滞在時間と実際滞在時間を比較するので、多様なコンテンツ構成要素を反映して熟読率を計算することができる。また、性別や年齢層によっても期待滞在時間が変わるので、熟読率評価を高度化することができる。

図４は、本発明の一実施形態による期待滞在時間関数生成方法のフローチャートである。

図４を参照すれば分かるように、熟読率提供装置１００は閲覧された大量のコンテンツを収集する（Ｓ１１０）。

熟読率提供装置１００は、収集した大量のコンテンツから各コンテンツの代表滞在時間、そして該当コンテンツの本文構成要素情報を抽出する（Ｓ１２０）。代表滞在時間は複数の使用者が該当コンテンツ本文を閲覧するために該当コンテンツで滞在した時間を代表する値であって、複数の使用者の滞在時間の平均値または中間値であり得る。本文の構成要素情報は、文字列情報、イメージ情報、マルチメディア情報、カードニュース情報、コメント情報、広告情報のうちの少なくとも一部を含むことができる。

熟読率提供装置１００は、各コンテンツの代表滞在時間、そして該当コンテンツの本文構成要素情報を学習データとして生成する（Ｓ１３０）。熟読率提供装置１００は閲覧された大量のコンテンツを内容によるカテゴリー（ニュース、演芸、スポーツなど）および／または使用者によるカテゴリー（性別、年齢、地域など）に分類した後、分類されたコンテンツで学習データを生成することができる。

熟読率提供装置１００は、学習データに含まれている変数の間の関係を回帰分析してコンテンツの期待滞在時間関数を生成する（Ｓ１４０）。学習データに含まれている期待滞在時間が従属変数であり、複数の本文構成要素が独立変数として入力されて回帰分析される。複数の本文構成要素は、文字列情報、イメージ情報、マルチメディア情報、カードニュース情報、コメント情報、広告情報のうちの少なくとも一部である。期待滞在時間関数は数式１または数式２のような関数式で表現され、表２のように回帰係数が推定される。複数の変数のうちの文字列情報は非線形回帰モデルが適用され得る。

熟読率提供装置１００は図２のように、分類されたコンテンツで学習された複数の期待滞在時間関数を生成することができる。例えば、３個のカテゴリー（ニュース、演芸、スポーツ）それぞれに対して男／女性別（２種）と２０代／３０代／４０代／５０代以上年齢（４種）に区分して収集したコンテンツを区分する場合、計２４個（＝３＊２＊４）の互いに異なる期待滞在時間関数が生成され得る。

図５は、本発明の一実施形態による熟読率評価方法のフローチャートである。

図５を参照すれば分かるように、熟読率提供装置１００は、閲覧されたコンテンツの中で熟読率の評価対象コンテンツを収集する（Ｓ２１０）。熟読率提供装置１００は、閲覧回数が基準値以上（例えば、５０回）であるコンテンツを評価対象コンテンツとして収集することができる。

熟読率提供装置１００は、収集した評価対象コンテンツから各評価対象コンテンツを代表する実際滞在時間、そして該当評価対象コンテンツの本文構成要素情報を評価データとして抽出する（Ｓ２２０）。実際滞在時間は複数の使用者が該当評価対象コンテンツ本文を閲覧するために消費した滞在時間を代表する値であって、複数の使用者の滞在時間の平均値であるか、中間値または最頻値であり得る。熟読率提供装置１００は、期待滞在時間関数を構成する変数（例えば、文字列長さ、イメージ個数、マルチメディア有無、カードニュース有無）に対応する本文構成要素情報を抽出する。

熟読率提供装置１００は、評価対象コンテンツに関わる期待滞在時間関数を抽出する（Ｓ２３０）。複数の期待滞在時間関数が存在する場合、熟読率提供装置１００は評価対象コンテンツ（例えば、ニュース記事）に該当する期待滞在時間関数を選択する。

熟読率提供装置１００は、評価対象コンテンツの本文構成要素情報を期待滞在時間関数の変数に入力して評価対象コンテンツの期待滞在時間を獲得する（Ｓ２４０）。

熟読率提供装置１００は、評価対象コンテンツの期待滞在時間と実際滞在時間を比較して熟読率を評価する（Ｓ２５０）。熟読率は例えば、数式３のように実際滞在時間と期待滞在時間の差と期待滞在時間の比率で計算できる。

熟読率提供装置１００は、評価対象コンテンツを熟読率順に整列して使用者端末に提供する（Ｓ２６０）。評価対象コンテンツリストは、熟読率順位によって使用者端末に提供され得る。

熟読率提供装置１００は、熟読率の低いコンテンツをフィルタリングして本文満足度の低いコンテンツの露出を制御することができる。熟読率提供装置１００は、使用者の特性情報（性別、年齢、地域など）に合わせて熟読率の高いコンテンツを推薦することができる。熟読率提供部１７０は、ＣＴＲと本文満足度を示す熟読率を結合したアンサンブル指数を基に題目関心度と本文満足度が全て高い高品質のコンテンツを推薦することができる。

以上で説明した本発明の実施形態は装置および方法を通じてのみ実現されるのではなく、本発明の実施形態の構成に対応する機能を実現するプログラムまたはそのプログラムが記録された記録媒体を通じて実現されることも可能である。

以上で本発明の実施形態について詳細に説明したが、本発明の権利範囲はこれに限定されるのではなく、次の請求範囲で定義している本発明の基本概念を用いた当業者の様々な変形および改良形態も本発明の権利範囲に属するものである。

１００ 熟読率提供装置
１１０ 学習データ生成部
１３０ 期待滞在時間学習部
１５０ 熟読率評価部
１７０ 熟読率提供部

Claims (20)

1. 少なくとも一つのプロセッサーによって動作する熟読率提供装置であって、
   閲覧された複数のコンテンツを収集し、各コンテンツの代表滞在時間、そして該当コンテンツの本文構成要素情報を抽出して学習データを生成する学習データ生成部と、
   複数の学習データで学習された期待滞在時間関数を生成する期待滞在時間学習部と、
   評価対象コンテンツの本文構成要素情報と実際滞在時間を抽出し、前記期待滞在時間関数を基に前記評価対象コンテンツの本文構成要素情報から期待される期待滞在時間を獲得し、前記実際滞在時間と前記期待滞在時間とを比較して前記評価対象コンテンツの熟読率を評価する熟読率評価部とを含み、
   前記代表滞在時間は、複数の使用者が該当コンテンツの本文を閲覧する間に該当コンテンツで滞在した時間を代表する値である、熟読率提供装置。
2. 前記本文構成要素情報は、本文文字列情報、イメージ情報、およびマルチメディア情報のうちの複数の情報を含む、請求項１に記載の熟読率提供装置。
3. 前記期待滞在時間学習部は、
   各学習データに含まれている情報の間の関係を回帰分析して前記期待滞在時間関数を生成する、請求項１に記載の熟読率提供装置。
4. 前記学習データに含まれている本文文字列情報と期待滞在時間は、前記期待滞在時間関数で非線形関係である、請求項３に記載の熟読率提供装置。
5. 前記学習データ生成部は、カテゴリー別に閲覧された複数のコンテンツを収集してカテゴリー別に学習データを生成し、
   前記期待滞在時間学習部は、カテゴリー別に生成された学習データを基にカテゴリー別期待滞在時間関数を生成する、請求項１に記載の熟読率提供装置。
6. 前記実際滞在時間は、複数の使用者が前記評価対象コンテンツの本文を閲覧するために滞在した時間を代表する値である、請求項１に記載の熟読率提供装置。
7. 複数の評価対象コンテンツを熟読率順に整列して使用者端末に提供する熟読率提供部をさらに含む、請求項１に記載の熟読率提供装置。
8. 前記熟読率提供部は、
   各評価対象コンテンツの熟読率と閲覧回数に関わる指標を総合して各評価対象コンテンツの推薦順位を計算し、推薦順位によるコンテンツを前記使用者端末に推薦する、請求項７に記載の熟読率提供装置。
9. 熟読率提供装置による熟読率提供方法であって、
   閲覧された複数のコンテンツそれぞれで、複数の使用者が各コンテンツの本文を閲覧する間に該当コンテンツで滞在した時間を代表する各コンテンツの代表滞在時間を決定する段階と、
   前記閲覧された複数のコンテンツそれぞれで、滞在時間に影響を与える各コンテンツの本文構成要素情報を抽出する段階と、
   各コンテンツの代表滞在時間と本文構成要素情報を基に代表滞在時間と本文構成要素情報の間の関係を示す期待滞在時間関数を生成する段階と、
   評価対象コンテンツの本文構成要素情報と実際滞在時間を抽出する段階と、
   前記期待滞在時間関数を基に前記評価対象コンテンツの本文構成要素情報から期待される期待滞在時間を獲得する段階と、
   前記実際滞在時間と前記期待滞在時間とを比較して前記評価対象コンテンツの熟読率を評価する段階と
   を含む熟読率提供方法。
10. 前記本文構成要素情報は、本文文字列情報、イメージ情報、およびマルチメディア情報のうちの複数の情報を含む、請求項９に記載の熟読率提供方法。
11. 前記期待滞在時間関数を生成する段階では、
    従属変数である滞在時間と独立変数である本文構成要素情報の間の関係を回帰分析して前記期待滞在時間関数を生成する、請求項９に記載の熟読率提供方法。
12. 前記本文構成要素情報に含まれている本文文字列情報と期待滞在時間は、前記期待滞在時間関数で非線形関係である、請求項１１に記載の熟読率提供方法。
13. 前記閲覧された複数のコンテンツは、カテゴリー別に分類されたコンテンツの集合であり、
    前記期待滞在時間関数は、カテゴリー別に生成される、請求項９に記載の熟読率提供方法。
14. 前記実際滞在時間は、複数の使用者が前記評価対象コンテンツの本文を閲覧する間に前記評価対象コンテンツで滞在した時間を代表する値である、請求項９に記載の熟読率提供方法。
15. 熟読率提供装置による熟読率提供方法であって、
    閲覧された複数のコンテンツを基にコンテンツの期待滞在時間と本文構成要素情報の間の関係を示す期待滞在時間関数を生成する段階と、
    複数の使用者が閲覧した評価対象コンテンツを受信する段階と、
    前記評価対象コンテンツの本文構成要素情報と実際滞在時間を抽出する段階と、
    前記期待滞在時間関数を基に前記評価対象コンテンツの本文構成要素情報から期待される期待滞在時間を獲得する段階と、
    前記実際滞在時間と前記期待滞在時間を比較して前記評価対象コンテンツの熟読率を評価する段階と
    を含む熟読率提供方法。
16. 前記本文構成要素情報は、本文文字列情報、イメージ情報、およびマルチメディア情報のうちの複数の情報を含む、請求項１５に記載の熟読率提供方法。
17. 前記期待滞在時間関数を生成する段階では、前記複数のコンテンツのカテゴリー別に前記期待滞在時間関数を生成し、
    前記期待滞在時間を獲得する段階では、カテゴリー別に生成された期待滞在時間関数の中から、前記評価対象コンテンツに関わるカテゴリーの期待滞在時間関数を抽出して期待滞在時間を獲得する、請求項１５に記載の熟読率提供方法。
18. 前記期待滞在時間関数を生成する段階では、従属変数である滞在時間と独立変数である本文構成要素情報の間の関係を回帰分析して前記期待滞在時間関数を生成し、
    前記本文構成要素情報に含まれている文字列情報と期待滞在時間は、前記期待滞在時間関数で非線形関係である、請求項１５に記載の熟読率提供方法。
19. 複数の評価対象コンテンツを熟読率順に整列して使用者端末に提供する段階をさらに含む、請求項１５に記載の熟読率提供方法。
20. 前記使用者端末に提供する段階では、
    各評価対象コンテンツの熟読率と閲覧回数に関わる指標を総合して各評価対象コンテンツの推薦順位を計算し、推薦順位によるコンテンツを前記使用者端末に推薦する、請求項１９に記載の熟読率提供方法。

Images