JP7410214B2 - 情報処理装置、情報処理方法、および情報処理プログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法、および情報処理プログラムに関する。

従来、ニュース等のコンテンツを配信したユーザからコンテンツに対する評価（例えば、「いいね」等）の反応を受け付け、ユーザの反応を他のユーザが見ることができる技術がある。

特開２０１０－０６３００８号公報

しかしながら、従来技術では、上述したユーザの反応はコンテンツ全体を対象としたものであり、ユーザがコンテンツのうちどの部分に対して注目したかを把握することは難しかった。そこで、コンテンツの一部についてのユーザによる強調表示の指定を受け付け、指定されたコンテンツの一部を強調表示することが考えられるが、さらなる改善の余地がある。

本願は、上記に鑑みてなされたものであって、コンテンツの一部についての強調表示の指定に関して学習を行うことができる情報処理装置、情報処理方法、および情報処理プログラムを提供することを目的とする。

本願に係る情報処理装置は、取得部と、学習部とを備える。取得部は、画面に表示されたコンテンツの一部についてのユーザによる強調表示の指定履歴を含む学習用情報を取得する。学習部は、取得部によって取得された学習用情報に基づいて、強調表示の指定の傾向とユーザとの関係性を学習する。

実施形態の一態様によれば、コンテンツの一部についての強調表示の指定に関して学習を行うことができるという効果を奏する。

図１は、実施形態に係る情報処理を示す図である。 図２は、実施形態に係る情報処理システムの構成例を示す図である。 図３は、実施形態に係る情報処理装置の構成例を示す図である。 図４は、実施形態に係る情報処理装置の記憶部に記憶されるユーザ情報の一例を示す図である。 図５は、実施形態に係る情報処理装置の記憶部に記憶される強調表示情報の一例を示す図である。 図６は、実施形態に係る情報処理装置の配信部によって提供されるコンテンツの一例を示す図である。 図７は、実施形態に係る情報処理装置が実行する情報処理の処理手順を示すフローチャートである。 図８は、実施形態に係る情報処理装置のハードウェア構成の一例を示す図である。

以下に、本願に係る情報処理装置、情報処理方法、および情報処理プログラムを実施するための形態（以下、「実施形態」と記載する）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法、および情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

（実施形態）
まず、図１を用いて、実施形態に係る情報処理装置が実行する情報処理について説明する。図１は、実施形態に係る情報処理を示す図である。なお、図１では、実施形態に係る情報処理装置１を含む情報処理システムＳの動作例を示している。図１に示すように、実施形態に係る情報処理システムＳは、情報処理装置１と、複数のユーザ端末５０とを含む。

図１に示す説明では、説明の便宜上、複数のユーザ端末５０を、ユーザ端末５０ａとユーザ端末５０ｂとに分けて説明する。図１に示す例では、ユーザ端末５０ａおよびユーザ端末５０ｂの各々は１台のみ示されているが、情報処理システムＳには、ユーザ端末５０ａおよびユーザ端末５０ｂの各々が複数含まれる。ユーザ端末５０は、ユーザ端末５０ａおよびユーザ端末５０ｂのいずれにもなり得る。

図１に示すように、実施形態に係る情報処理システムＳでは、まず、情報処理装置１は、ユーザ端末５０ａに対してコンテンツを配信する（ステップＳ１）。図１では、コンテンツの一例として、ニュースを配信している例を示しているが、ニュースに限らず、投稿記事等のテキストや画像等が含まれるコンテンツであれば任意のものであってよい。

つづいて、ユーザ端末５０ａは、配信されたコンテンツを画面表示するとともに、ユーザから画面に表示されたコンテンツの一部について強調表示の指定を受け付ける（ステップＳ２）。図１では、コンテンツに含まれるテキストの一部、詳細には、「リモートワーク・・・可能性があります。」が指定された例を示している。なお、ユーザは、テキスト以外にも、コンテンツに含まれる画像（静止画や動画）を強調表示の対象として指定することも可能である。

また、図１では、文単位での指定が行われた例を示しているが、文字単位、単語単位、または文節単位等での指定が行われてもよく、１つのコンテンツにおいて複数の箇所に指定が行われてもよい。ユーザ端末５０ａは、コンテンツの一部について強調表示の指定を受け付けた場合、受け付けた強調表示の指定を示す指定情報を情報処理装置１に送信する。情報処理装置１は、ユーザ端末５０ａからの指定情報に基づいて、コンテンツの一部について強調表示の指定を受け付ける。

つづいて、情報処理装置１は、指定されたコンテンツの一部を強調表示する（ステップＳ３）。図１では、指定されたコンテンツの一部を、下線を付することで強調表示を行う例を示しているが、テキストの文字を太く表示したり、ハイライト表示したり、枠で囲ったりすることができる。また、情報処理装置１は、例えば、画面に表示されたカーソル（マウス等で移動可能）がコンテンツの一部に移動した際や、ユーザがコンテンツの一部を選択した際には、強調表示をさらに強める（下線かつ太字等）ようにすることができる。

つづいて、情報処理装置１は、ユーザ端末５０ｂからコンテンツの閲覧要求を受け付けた場合、強調表示されたコンテンツをユーザ端末５０ｂへ配信する（ステップＳ４）。強調表示されたコンテンツは、強調表示の指定を行ったユーザと属性情報が類似する他のユーザのみへ配信されてもよい。また、強調表示されたコンテンツは、かかるコンテンツに興味がある（行動情報等から興味があると推定された）他のユーザのみへ配信されてもよい。なお、ステップＳ３の処理は、ステップＳ４の処理の中で行われてもよい。

つづいて、情報処理装置１は、ユーザ端末５０ｂを介して強調表示されたコンテンツの一部に対するユーザの反応を受け付ける（ステップＳ５）。例えば、情報処理装置１は、ユーザの反応として、コンテンツの一部に賛同（評価）する反応（例えば、「いいね」）や、コンテンツの一部に対するコメント等を受け付ける。例えば、情報処理装置１は、強調表示されたコンテンツの一部の近傍に、評価する反応を行うための評価ボタン（賛同および反対のボタン）や、コメントを入力するためのボタンを表示することでユーザの反応を受け付ける。また、情報処理装置１は、入力されたコメントに対する評価（賛同および反対）を受け付けるための評価ボタンを表示してもよい。

また、情報処理装置１は、強調表示されたコンテンツとともに、強調表示の指定を行ったユーザに関する情報（属性情報や、強調表示の指定を行ったユーザ数等）を併せて表示してもよい。

つづいて、情報処理装置１は、強調表示の指定の傾向とユーザとの関係を学習する（ステップＳ６）。情報処理装置１は、例えば、強調表示の指定の傾向とユーザの属性との関係、強調表示の指定の傾向とユーザの行動との関係、ユーザの属性と強調表示の指定の傾向との関係、ユーザの行動と強調表示の指定の傾向との関係等を学習する。

情報処理装置１は、例えば、強調表示の指定部分の情報を含むコンテンツ情報と強調表示の指定を行ったユーザの情報を含むユーザ情報とをユーザ毎に含む情報を学習用情報として用いて、強調表示の指定部分の情報を含むコンテンツ情報からユーザの情報を推定する学習モデルを生成する。強調表示の指定部分の情報は、ユーザによる強調表示の指定履歴を示す情報である。

情報処理装置１によって生成される学習モデルは、例えば、機械学習によって生成されるモデルである。例えば、学習モデルは、ＧＢＤＴ（Gradient Boosting Decision Tree）によって生成される学習モデルまたはディープニューラルネットワーク（ＤＮＮ：Deep Neural Network）を利用した深層学習（Deep Learning）によって生成される学習モデル等であるが、かかる例に限定されず、その他の機械学習方法で生成される学習モデルであってもよい。

学習用情報に含まれるコンテンツ情報には、上述したように、強調表示の指定部分の情報が含まれる。強調表示の指定部分の情報は、例えば、強調表示の指定が行われた部分がテキストである場合、強調表示の指定が行われた文字列の情報であり、強調表示の指定が行われた部分が画像である場合、強調表示の指定が行われた画像の情報であるが、かかる例に限定されない。

学習用情報に含まれるユーザの情報は、例えば、ユーザの属性を示す情報およびユーザの行動を示す情報のうちの少なくとも１つを含む。ユーザの行動を示す情報は、例えば、検索サイトを用いた検索に用いた検索クエリの情報、ニュースサイトで閲覧したコンテンツの情報、購入した商品やサービスの情報、コンテンツでのユーザのアクションの情報等である。コンテンツでのユーザのアクションの情報は、例えば、強調表示の指定部分に対するユーザの反応（例えば、評価ボタンの押下やコメントの入力等）を示す情報を含む。

また、学習用情報には、強調表示の指定部分の情報に加え、コンテンツの内容を示す情報が含まれてもよい。コンテンツの内容を示す情報は、例えば、コンテンツの内容そのものの情報、コンテンツの内容で示される分野の情報、コンテンツのレイアウトを示す情報、コンテンツの作成日の情報、コンテンツの作成者の情報等が含まれる。

情報処理装置１によって生成される学習モデルは、例えば、強調表示の指定部分の情報を含むコンテンツ情報からユーザの情報を特定する特定モデルである。例えば、学習モデルは、コンテンツ情報からユーザの属性を推定するユーザ属性特定モデル、または、コンテンツ情報からユーザの行動を推定または予測するユーザ行動特定モデルである。

ユーザ属性推定モデルは、例えば、コンテンツ情報を入力とし、ユーザの属性毎のスコアである属性スコアを出力とするモデルである。ユーザの属性は、例えば、デモグラフィック属性やサイコグラフィック属性等である。デモグラフィック属性は、例えば、性別、年齢、居住地、および職業等であり、サイコグラフィック属性は、旅行、服、車、宗教等の興味関心対象、生活スタイル、思想や思想の傾向等である。

また、ユーザ行動特定モデルは、例えば、コンテンツ情報を入力とし、ユーザの行動毎のスコアである行動スコアを出力とするモデルである。ユーザの行動は、例えば、オンラインサービスでのユーザの行動、オフラインでのユーザの行動等である。

オンラインサービスでのユーザの行動は、例えば、検索サイトを用いた検索に用いる検索クエリ、ニュースサイトで閲覧するコンテンツ、ユーザが強調表示した後に閲覧するコンテンツ、ショッピングサイトで購入する商品やサービス、ユーザに提供されたコンテンツでのユーザのアクションの有無等である。ユーザのアクションの有無は、ユーザによるアクションボタンの操作の有無であり、アクションボタンは、例えば、コンテンツに含まれる評価ボタンである。ユーザ行動特定モデルは、ユーザの行動として、ユーザが検索に用いる検索クエリやユーザによるアクションボタンの操作の有無を推定する。

ユーザ行動特定モデルから出力されるスコアは、例えば、検索クエリ（検索キーワード）毎のスコア、コンテンツ毎のスコア、商品やサービス毎のスコア、アクション（賛同する評価ボタン、反対する評価ボタン）毎のスコア等である。

オフラインでのユーザの行動は、例えば、ユーザの店舗や施設への来店、ユーザの商品やサービスの購入等である。この場合、ユーザ行動特定モデルから出力されるスコアは、例えば、店舗や施設毎のスコア、商品やサービス毎のスコア等である。

また、情報処理装置１によって生成される学習モデルは、例えば、ユーザの情報から強調表示の指定部分を推定する強調部分推定モデルを含む。学習モデルは、ユーザの情報を入力とし、コンテンツの部分毎のスコアを出力するモデルである。コンテンツの部分は、文単位の部分であるが、文字単位の部分、単語単位の部分、または文節単位の部分であってもよい。

つづいて、情報処理装置１は、学習結果に応じた情報を提供する（ステップＳ７）。例えば、情報処理装置１は、コンテンツの閲覧要求を行う各ユーザ端末５０のユーザの情報を上述した学習モデルに入力し、かかる学習モデルから出力される毎のスコアに基づいて、各ユーザ端末５０のユーザの属性や行動を推定する。そして、情報処理装置１は、推定した各ユーザの属性や行動を示す情報を学習結果に応じた情報として提供する。学習結果に応じた情報の提供先は、例えば、上述したコンテンツの提供者であるが、かかる例に限定されない。

情報処理装置１は、例えば、強調表示の指定を行ったユーザによる強調表示の指定部分の情報を含むコンテンツ情報を上述したユーザ属性推定モデルに入力し、ユーザ属性推定モデルから出力される属性スコアが所定条件を満たす属性をユーザの属性として推定する。

また、情報処理装置１は、例えば、強調表示の指定を行ったユーザによる強調表示の指定部分の情報を含むコンテンツ情報を上述したユーザ行動特定モデルに入力し、ユーザ行動特定モデルから出力される行動スコアが所定条件を満たす行動をユーザの行動として推定または予測する。

また、情報処理装置１は、コンテンツの閲覧要求を行う各ユーザ端末５０のユーザの情報を強調部分推定モデルに入力し、強調部分推定モデルから出力されるスコアが所定条件を満たす部分をユーザが強調表示の指定を行う可能性が高い部分として推定する。

また、情報処理装置１は、例えば、評価ボタンを押下したユーザ数の情報を提供することもできる。また、情報処理装置１は、入力されたコメントのリストや、コメントの要約、コメントの分析結果（コメントの傾向等）等を提供することもできる。また、情報処理装置１は、反応したユーザに関する情報（属性情報等）を提供することもできる。

また、情報処理装置１は、賛同する評価ボタンを押下したユーザ数に応じたランキングを提供することもできる。かかるランキングは、例えば、コンテンツへのアクセス情報（例えば、ＵＲＬ）とともにタイムライン上に表示してもよい。

また、情報処理装置１は、入力されたコメントに対する評価が高い（賛同が閾値以上）コメントを強調表示して提供することもできる。また、情報処理装置１は、入力されたコメントを他のサービス（例えば、ＳＮＳ等）に提供することもできる。

このように、情報処理装置１は、画面に表示されたコンテンツの一部についてのユーザによる強調表示の指定履歴を含む学習用情報に基づいて、強調表示の指定の傾向とユーザとの関係性を学習するため、閲覧するコンテンツに必要以上の強調表示が行われることを回避できる。すなわち、実施形態に係る情報処理装置１によれば、良質なコンテンツを提供することができる。

次に、図２を用いて、実施形態に係る情報処理システムＳの構成例について説明する。図２は、実施形態に係る情報処理システムＳの構成例を示す図である。図２に示すように、実施形態に係る情報処理システムＳは、情報処理装置１と、複数のユーザ端末５０とがネットワークＮに対して有線または無線により接続される。ネットワークＮは、例えば、インターネット、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）等のネットワークである。

情報処理装置１は、情報処理方法を実行するサーバ装置である。情報処理装置１は、ユーザに配信したコンテンツの一部について強調表示の指定を受け付ける。また、情報処理装置１は、指定されたコンテンツの一部を強調表示するとともに、強調表示されたコンテンツの一部に対するユーザの反応を受け付ける。また、情報処理装置１は、受け付けたユーザの反応に基づいた情報提供を行う。

なお、コンテンツは、情報処理装置１によって配信されてもよく、外部の配信サーバによって配信されてもよい。

また、情報処理装置１は、各ユーザのユーザ端末５０と連携し、各ユーザのユーザ端末５０に対して、各種アプリケーション（以下、アプリ）等に対するＡＰＩ（Application Programming Interface）サービス等と、各種データを提供する情報処理装置であり、サーバ装置やクラウドシステム等により実現される。

また、情報処理装置１は、各ユーザのユーザ端末５０に対して、オンラインで何らかのＷｅｂサービスを提供する情報処理装置であってもよい。例えば、情報処理装置１は、Ｗｅｂサービスとして、インターネット接続、検索サービス、ＳＮＳ（Social Networking Service）、電子商取引（ＥＣ：Electronic Commerce）、電子決済、オンラインゲーム、オンラインバンキング、オンライントレーディング、宿泊・チケット予約、動画・音楽配信、ニュース、地図、ルート検索、経路案内、路線情報、運行情報、天気予報等のサービスを提供してもよい。実際には、情報処理装置１は、上記のようなＷｅｂサービスを提供する各種サーバと連携し、Ｗｅｂサービスを仲介してもよいし、Ｗｅｂサービスの処理を担当してもよい。

ユーザ端末５０は、ユーザが所持する端末装置である。ユーザ端末５０は、スマートフォン、デスクトップ型ＰＣ（Personal Computer）、ノート型ＰＣ、タブレット型ＰＣ等の任意のタイプの端末装置を用いることができる。ユーザ端末５０は、情報処理装置１へ各種情報を送信したり、情報処理装置１から提供される情報を受信したりする。

次に、図３を参照して、情報処理装置１の構成例について説明する。

図３は、実施形態に係る情報処理装置１の構成例を示す図である。図３に示されるように、情報処理装置１は、通信部２と、制御部３と、記憶部４とを有する。制御部３は、配信部３１と、受付部３２と、表示制御部３３と、取得部３４と、学習部３５と、提供部３６とを備える。記憶部４は、ユーザ情報４１と、強調表示情報４２とを記憶する。

通信部２は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。通信部２は、有線または無線によりネットワーク網と接続される。

制御部３は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等のプロセッサによって、情報処理装置１内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭ等を作業領域として実行されることにより実現される。また、制御部３は、コントローラ（controller）であり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、ＧＰＧＰＵ（General Purpose Graphic Processing Unit）等の集積回路により実現されてもよい。

記憶部４は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。

ユーザ情報４１は、ユーザに関する情報である。図４は、実施形態に係る情報処理装置１の記憶部４に記憶されるユーザ情報４１の一例を示す図である。図４に示すように、ユーザ情報４１は、「ユーザＩＤ」、「属性情報」、「行動履歴情報」、「強調部分情報」等の項目を含む。

「ユーザＩＤ」は、ユーザを識別する識別情報である。「属性情報」は、ユーザの属性に関する情報であり、サイコグラフィック属性の情報や、デモグラフィック属性の情報等を含む。デモグラフィック属性は、例えば、性別、年齢、居住地、および職業等であり、サイコグラフィック属性は、旅行、服、車、宗教等の興味関心対象、生活スタイル、思想や思想の傾向等である。「行動履歴情報」は、ユーザの行動に関する履歴情報であり、例えば、オンラインサービスでのユーザの行動、オフラインでのユーザの行動等の履歴情報である。

「強調部分情報」は、ユーザによって強強調表示の対象として指定されたコンテンツの部分（箇所）である強調部分を示す情報である。「強調部分情報」は、例えば、テキスト、静止画、動画等である。

強調表示情報４２は、強調表示されたコンテンツに関する情報である。図５は、実施形態に係る情報処理装置１の記憶部４に記憶される強調表示情報４２の一例を示す図である。図５に示すように、強調表示情報４２は、「指定ＩＤ」、「コンテンツ情報」、「強調部分情報」、「反応情報」等の項目を含む。

「指定ＩＤ」は、強調表示の対象として指定されたコンテンツの一部を識別する識別情報である。「コンテンツ情報」は、強調表示の対象として指定されたコンテンツ全体を示す情報である。「強調部分情報」は、強調表示の対象として指定されたコンテンツの部分（箇所）である強調部分を示す情報である。「反応情報」は、強調表示されたコンテンツの一部に対するユーザの反応を示す情報である。

次に、情報処理装置１の制御部３の各機能（配信部３１、受付部３２、表示制御部３３、取得部３４、学習部３５、および提供部３６）について説明する。

配信部３１は、コンテンツをユーザ端末５０へ配信する。例えば、配信部３１は、後述する表示制御部３３によって一部が強調表示されたコンテンツを配信する。強調表示されたコンテンツの配信先は、例えば、強調表示の指定を行ったユーザと属性情報が類似する他のユーザである。また、強調表示されたコンテンツの配信先は、強調表示したコンテンツに興味がある他のユーザである。

図６は、実施形態に係る情報処理装置１の配信部３１によって提供されるコンテンツの一例を示す図である。図６に示すコンテンツ６０は、ニュースコンテンツであり、画像６１と、テキスト６２とが含まれる。また、テキスト６２の一部は下線によって強調表示されている。図６に示す例では、強調表示されている箇所として強調部分６３ａ，６３ｂが示されている。

強調部分６３ａは、テキスト６２の一部「リモートワーク・・・可能性があります。」が強調表されている部分であり、強調部分６３ｂは、テキスト６２の一部「企業の中には・・・・います。」が強調表されている部分である。

これにより、ユーザは、他のユーザが強調表示した部分である強調部分６３ａ，６３ｂを容易に把握することができる。他のユーザが強調表示は、他のユーザが重要であると認識した部分であることから、情報処理装置１は、良質なコンテンツをユーザに提供することができる。

受付部３２は、配信部３１によって配信されたコンテンツ６０の一部について強調表示の指定を受け付ける。例えば、受付部３２は、コンテンツ６０に含まれるテキストや、画像（静止画や動画）を強調表示の指定として受け付ける。

なお、強調表示の指定は、文単位、文字単位、単語単位、文節単位等の任意の範囲での指定が可能である。また、１つのコンテンツ６０において複数の箇所に強調表示の指定が行われてもよい。

また、受付部３２は、文意が通らない範囲での指定を受け付けた場合には、ユーザに対して誤入力の有無を確認したり、文意が通るように指定範囲を補正したりしてもよい。

また、受付部３２は、ユーザ端末５０からコンテンツ６０の閲覧要求を受け付ける。また、受付部３２は、表示制御部３３によって強調表示されたコンテンツ６０の一部に対するユーザの反応を受け付ける。例えば、受付部３２は、ユーザの反応として、コンテンツ６０の一部に賛同（評価）する反応（例えば、「いいね」）や、コンテンツ６０の一部に対するコメント等を受け付ける。

例えば、受付部３２は、強調表示されたコンテンツ６０の一部の近傍に、評価する反応を行うための評価ボタン（賛同および反対のボタン）や、コメントを入力するためのボタンを表示することでユーザの反応を受け付ける。これらのボタンは、例えば、強調表示されたコンテンツ６０の一部をユーザが選択した場合や、かかるコンテンツ６０の一部にカーソルを移動させた場合に表示することとしてもよい。また、受付部３２は、入力されたコメントに対する評価（賛同および反対）を受け付けるための評価ボタンを表示してもよい。

また、受付部３２は、強調表示した部分の他サービスへの共有行為を他ユーザの反応として受け付ける。例えば、受付部３２は、強調表示した部分をコピーしてＳＮＳや、メール、チャット等の他サービスに貼り付ける等の共有行為を他ユーザの反応として受け付ける。

表示制御部３３は、受付部３２によって指定されたコンテンツ６０の一部を強調表示する。例えば、表示制御部３３は、指定されたコンテンツ６０の一部をハイライト表示したり、テキストの文字を太く表示したり、下線を付したり、枠で囲ったりしてもよい。また、表示制御部３３は、例えば、画面に表示されたカーソル（マウス等で移動可能）がコンテンツ６０の一部に移動した際や、ユーザがコンテンツ６０の一部を選択した際には、強調表示をさらに強める（ハイライト表示かつ太字等）ようにしてもよい。

また、表示制御部３３は、コンテンツ６０において受付部３２によって強調表示の指定が受け付けられた箇所のすべてを強調表示するが、かかる例に限定されない。例えば、表示制御部３３は、受付部３２によって強調表示の指定を受け付けられたコンテンツ６０の一部のうち、かかるコンテンツ６０を閲覧する閲覧ユーザと類似するユーザによって強調表示の指定が行われたコンテンツ６０の一部を強調表示することもできる。

例えば、表示制御部３３は、受付部３２によって強調表示の指定が受け付けられた箇所のうち閲覧ユーザの属性情報と類似する属性情報を有するユーザによって強調表示の指定が行われたコンテンツ６０の一部を強調表示することもできる。これにより、閲覧ユーザが興味を持つ確度が高い箇所に強調表示を行うことができる。

また、表示制御部３３は、強調表示の指定を行ったユーザとの類似性に限らず、強調表示に対して評価やコメント等の反応を行った他のユーザとの類似性により強調表示を行ってもよい。つまり、表示制御部３３は、受付部３２によって強調表示の指定が受け付けられた箇所のうち閲覧ユーザと類似する他のユーザの反応を受け付けたコンテンツ６０の一部を強調表示する。これにより、閲覧ユーザが興味を持つ確度が高い箇所に強調表示を行うことができる。

また、表示制御部３３は、受付部３２によって強調表示の指定が受け付けられた箇所に対して反応を行った他のユーザが複数である場合には、かかる複数の他のユーザの傾向と閲覧ユーザとが類似する場合に、コンテンツ６０の一部を強調表示することもできる。これにより、閲覧ユーザが興味を持つ確度が高い箇所に強調表示を行うことができる。

また、表示制御部３３は、受付部３２によって強調表示の指定が受け付けられた箇所のうち閲覧ユーザが過去に指定した強調表示の部分と類似する部分を過去に強調表示したユーザが指定したコンテンツ６０の一部を強調表示することもできる。これにより、閲覧ユーザが興味を持つ確度が高い箇所に強調表示を行うことができる。

また、表示制御部３３は、閲覧ユーザが過去に反応を行った強調表示に対して、類似する反応を行ったユーザが指定したコンテンツ６０の一部を強調表示することもできる。これにより、閲覧ユーザが興味を持つ確度が高い箇所に強調表示を行うことができる。

取得部３４は、強調表示の指定部分の情報を含むコンテンツ情報と強調表示の指定を行ったユーザの情報を含むユーザ情報とをユーザ毎に含む情報を学習用情報として記憶部４から取得する。

学習用情報に含まれる強調表示の指定部分の情報は、ユーザ情報４１に含まれる強調部分情報である。かかる強調部分情報は、例えば、強調表示の指定が行われた部分がテキストである場合、強調表示の指定が行われた文字列の情報であり、強調表示の指定が行われた部分が画像である場合、強調表示の指定が行われた画像の情報であるが、かかる例に限定されない。

また、学習用情報に含まれるコンテンツ情報には、強調表示の指定部分の情報に加え、コンテンツ６０の内容を示す情報が含まれる。コンテンツ６０の内容を示す情報は、例えば、コンテンツの内容そのものの情報、コンテンツ６０の内容で示される分野の情報、コンテンツ６０のレイアウトを示す情報、コンテンツ６０の作成日の情報、コンテンツ６０の作成者の情報等が含まれる。

学習用情報に含まれるユーザの情報は、例えば、ユーザ情報４１に含まれる属性情報や行動履歴情報である。属性情報は、ユーザの属性を示す情報であり、行動履歴情報は、ユーザの行動を示す情報である。

ユーザの行動を示す情報は、例えば、ユーザが検索サイトを用いた検索に用いた検索クエリの情報、ユーザがニュースサイトで閲覧したコンテンツの情報、ユーザが購入した商品やサービスの情報、コンテンツでのユーザのアクションの情報等である。コンテンツでのユーザのアクションの情報は、例えば、強調表示の指定部分に対するユーザの反応（例えば、評価ボタンの押下やコメントの入力等）を示す情報を含む。

なお、取得部３４は、記憶部４から学習用情報を取得することに代えてまたは加えて、例えば、ネットワークＮおよび通信部２を介して外部装置から学習用情報を取得することもできる。

学習部３５は、強調表示の指定の傾向とユーザとの関係を学習する。学習部３５は、例えば、強調表示の指定の傾向とユーザの属性との関係、強調表示の指定の傾向とユーザの行動との関係、ユーザの属性と強調表示の指定の傾向との関係、ユーザの行動と強調表示の指定の傾向との関係等を学習する。

学習部３５は、学習用情報を用いて、強調表示の指定部分の情報を含むコンテンツ情報からユーザの情報を推定する学習モデルを生成する。強調表示の指定部分の情報は、ユーザによる強調表示の指定履歴を示す情報である。学習部３５によって生成される学習モデルは、例えば、機械学習によって生成されるモデルである。例えば、学習モデルは、ＧＢＤＴによって生成される学習モデルまたはディープニューラルネットワークを利用した深層学習によって生成される学習モデル等であるが、かかる例に限定されず、その他の機械学習方法で生成される学習モデルであってもよい。

学習部３５によって生成される学習モデルは、例えば、強調表示の指定部分の情報を含むコンテンツ情報からユーザの情報を特定する特定モデルである。例えば、学習モデルは、コンテンツ情報からユーザの属性を推定するユーザ属性特定モデル、または、コンテンツ情報からユーザの行動を推定または予測するユーザ行動特定モデルである。

ユーザ属性推定モデルは、例えば、コンテンツ情報を入力とし、ユーザの属性毎のスコアである属性スコアを出力とするモデルである。ユーザの属性は、例えば、デモグラフィック属性やサイコグラフィック属性等である。デモグラフィック属性は、例えば、性別、年齢、居住地、および職業等であり、サイコグラフィック属性は、旅行、服、車、宗教等の興味関心対象、生活スタイル、思想や思想の傾向等である。

また、ユーザ行動特定モデルは、例えば、コンテンツ情報を入力とし、ユーザの行動毎のスコアである行動スコアを出力とするモデルである。ユーザの行動は、例えば、オンラインサービスでのユーザの行動、オフラインでのユーザの行動等である。

オンラインサービスでのユーザの行動は、例えば、検索サイトを用いた検索に用いる検索クエリ、ニュースサイトで閲覧するコンテンツ、ユーザが強調表示した後に閲覧するコンテンツ、ショッピングサイトで購入する商品やサービス、ユーザに提供されたコンテンツでのユーザのアクションの有無等である。ユーザのアクションの有無は、ユーザによるアクションボタンの操作の有無であり、アクションボタンは、例えば、コンテンツに含まれる評価ボタンである。ユーザ行動特定モデルは、ユーザの行動として、ユーザが検索に用いる検索クエリやユーザによるアクションボタンの操作の有無を推定する。

ユーザ行動特定モデルから出力されるスコアは、例えば、検索クエリ（検索キーワード）毎のスコア、コンテンツ毎のスコア、商品やサービス毎のスコア、アクション（賛同する評価ボタン、反対する評価ボタン）毎のスコア等である。

オフラインでのユーザの行動は、例えば、ユーザの店舗や施設への来店、ユーザの商品やサービスの購入等である。この場合、ユーザ行動特定モデルから出力されるスコアは、例えば、店舗や施設毎のスコア、商品やサービス毎のスコア等である。

また、学習部３５によって生成される学習モデルは、例えば、ユーザの情報から強調表示の指定部分を推定する強調部分推定モデルを含む。学習モデルは、ユーザの情報を入力とし、コンテンツ６０の部分毎のスコアを出力するモデルである。コンテンツ６０の部分は、文単位の部分であるが、文字単位の部分、単語単位の部分、または文節単位の部分であってもよい。

提供部３６は、学習結果に応じた情報を提供する。例えば、提供部３６は、コンテンツ６０の閲覧要求を行う各ユーザ端末５０のユーザの情報を上述した学習モデルに入力し、かかる学習モデルから出力される毎のスコアに基づいて、各ユーザ端末５０のユーザの属性や行動を推定する。そして、提供部３６は、推定した各ユーザの属性や行動を示す情報を学習結果に応じた情報として提供する。学習結果に応じた情報の提供先は、例えば、上述したコンテンツ６０の提供者であるが、かかる例に限定されない。

例えば、提供部３６は、強調表示の指定を行ったユーザによる強調表示の指定部分の情報を含むコンテンツ情報を上述したユーザ属性推定モデルに入力し、ユーザ属性推定モデルから出力される属性スコアが所定条件を満たす属性をユーザの属性として推定する。そして、提供部３６は、推定したユーザの属性を示す情報を提供する。

また、提供部３６は、例えば、強調表示の指定を行ったユーザによる強調表示の指定部分の情報を含むコンテンツ情報を上述したユーザ行動特定モデルに入力し、ユーザ行動特定モデルから出力される行動スコアが所定条件を満たす行動をユーザの行動として推定または予測する。そして、提供部３６は、推定または予測したユーザの行動を示す情報を提供する。

また、提供部３６は、コンテンツ６０の閲覧要求を行う各ユーザ端末５０のユーザの情報を強調部分推定モデルに入力し、強調部分推定モデルから出力されるスコアが所定条件を満たす部分をユーザが強調表示の指定を行う可能性が高い部分として推定する。そして、提供部３６は、推定結果（強調表示の指定を行う可能性が高い部分）を示す情報を提供する。

また、提供部３６は、強調表示の指定を行う可能性が高い部分として推定した部分が強調表示されていない場合、かかる部分は表示制御部３３によって強調表示されてもよい。かかる強調表示は、例えば、ユーザによる強調表示の指定箇所とは異なる態様の強調表示である。また、提供部３６は、強調表示の指定を行う可能性が高い部分へのリンクをコンテンツ６０に含めることもできる。かかるリンクは、例えば、コンテンツ６０のうちユーザ端末５０の表示部に表示される領域をスクロールさせてユーザ端末５０の表示部の表示領域における特定領域（例えば、中央領域）に特定部分を表示させるリンクである。

また、提供部３６は、学習結果に応じた情報として、上述したユーザ属性推定モデルの情報やユーザ行動特定モデルの情報を提供することもできる。

また、提供部３６は、受付部３２が受け付けたユーザの反応に基づいた情報提供を行う。例えば、提供部３６は、評価ボタンを押下したユーザ数の情報を提供する。これにより、強調表示されたコンテンツ６０の一部に対する他のユーザの賛同数または反対数を容易に把握することができる。

また、提供部３６は、入力されたコメントのリストや、コメントの要約、コメントの分析結果（コメントの傾向等）等を提供してもよい。このようなコメントに関する情報を提供することで、強調表示されたコンテンツ６０の一部に対する他のユーザの意見を容易に把握することができる。

また、提供部３６は、反応したユーザに関する情報（属性情報等）を提供してもよい。これにより、どのような属性のユーザが反応したかを容易に把握することができる。

また、提供部３６は、配信部３１の機能を含んでいてもよい。この場合、提供部３６は、表示制御部３３によって一部が強調表示されたコンテンツを配信する。

また、提供部３６は、強調表示されたコンテンツ６０とともに、強調表示の指定を行ったユーザに関する情報（属性情報や、強調表示の指定を行ったユーザ数等）を併せて提供してもよい。これにより、強調表示されたコンテンツ６０を配信されたユーザが強調表示の指定を行ったユーザに関する情報を容易に把握することができる。

なお、提供部３６は、上記した各種情報を、例えば、強調表示されたコンテンツ６０の一部をユーザが選択した場合や、かかるコンテンツ６０の一部にカーソルを移動させた場合に表示（提供）する。

また、提供部３６は、賛同する評価ボタンを押下したユーザ数に応じたランキングを提供してもよい。かかるランキングは、例えば、コンテンツ６０へのアクセス情報（例えば、ＵＲＬ）とともにニュース等のサービスにおけるタイムライン上に表示してもよい。これにより、他のユーザの賛同数または反対数が多い（または少ない）コンテンツ６０を容易に把握することができる。

また、提供部３６は、入力されたコメントに対する評価が高い（賛同が閾値以上）コメントを強調表示して提供してもよい。これにより、強調表示されたコンテンツ６０の一部に対する他のユーザの主な意見を容易に把握することができる。

また、提供部３６は、入力されたコメントを他のサービス（例えば、ＳＮＳ等）に提供してもよい。これにより、強調表示されたコンテンツ６０の一部に対するコメントを他のサービスにおいて共有することができる。

次に、図７を用いて、実施形態に係る情報処理装置１が実行する情報処理の処理手順について説明する。図７は、実施形態に係る情報処理装置１が実行する情報処理の処理手順を示すフローチャートである。

図７に示すように、制御部３は、コンテンツ６０をユーザ端末５０へ配信する（ステップＳ１０１）。つづいて、制御部３は、配信されたコンテンツ６０の一部について強調表示の指定を受け付ける（ステップＳ１０２）。

つづいて、制御部３は、閲覧ユーザと類似するユーザにより強調表示の指定が行われたコンテンツ６０の一部を強調表示し（ステップＳ１０３）、強調表示されたコンテンツ６０の一部に対するユーザの反応を受け付ける（ステップＳ１０４）。そして、制御部３は、受け付けたユーザの反応に基づいた情報提供を行う（ステップＳ１０５）。

つづいて、制御部３は、強調表示の指定の傾向とユーザとの関係を学習する（ステップＳ１０６）。そして、制御部３は、ステップＳ１０６の学習結果に応じた情報を提供し（ステップＳ１０７）、図７に示す処理を終了する。

〔その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の一部を手動的に行うこともできる。あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

例えば、図３に示した記憶部４の一部または全部は、各装置によって保持されるのではなく、ストレージサーバ等に保持されてもよい。この場合、各装置は、ストレージサーバにアクセスすることで、各種情報を取得する。

〔ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１は、例えば図８に示すような構成のコンピュータ１０００によって実現される。図８は、実施形態に係る情報処理装置１のハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力ＩＦ（Interface）１０６０、入力ＩＦ１０７０、ネットワークＩＦ１０８０がバス１０９０により接続された形態を有する。

演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。一次記憶装置１０４０は、ＲＡＭ等、演算装置１０３０が各種の演算に用いるデータを一時的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ等により実現される。

出力ＩＦ１０６０は、モニタやプリンタといった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインタフェースであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力ＩＦ１０７０は、マウス、キーボード、およびスキャナ等といった各種の入力装置１０２０から情報を受信するためのインタフェースであり、例えば、ＵＳＢ等により実現される。

なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等から情報を読み出す装置であってもよい。また、入力装置１０２０は、ＵＳＢメモリ等の外付け記憶媒体であってもよい。

ネットワークＩＦ１０８０は、ネットワークＮを介して他の機器からデータを受信して演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。

演算装置１０３０は、出力ＩＦ１０６０や入力ＩＦ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。

例えば、コンピュータ１０００が情報処理装置１として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０上にロードされたプログラムを実行することにより、制御部３の機能を実現する。

〔効果〕
上述してきたように、実施形態に係る情報処理装置１は、取得部３４と、学習部３５とを備える。取得部３４は、画面に表示されたコンテンツ６０の一部についてのユーザによる強調表示の指定履歴を含む学習用情報を取得する。学習部３５は、取得部３４によって取得された学習用情報に基づいて、強調表示の指定の傾向とユーザとの関係性を学習する。これにより、情報処理装置１は、コンテンツ６０の一部についての強調表示の指定に関して学習を行うことができる。

また、取得部３４は、強調表示の指定部分の情報を含むコンテンツ情報とユーザの情報を含むユーザ情報とをユーザ毎に含む情報を学習用情報として取得する。学習部３５は、取得部３４によって取得された学習用情報に基づいて、強調表示の指定部分の情報を含むコンテンツ情報からユーザの情報を推定する学習モデルを生成する。これにより、情報処理装置１は、強調表示の指定部分の情報を含むコンテンツ情報からユーザの情報を推定する学習モデルを生成することができ、コンテンツ６０の一部についての強調表示の指定に関して学習を行うことができる。

また、コンテンツ情報には、強調表示の指定部分の情報に加え、コンテンツ６０の内容を示す情報が含まれる。これにより、情報処理装置１は、強調表示の指定の傾向とユーザとの関係性を精度よく学習することができる。

また、学習モデルは、ユーザの情報として、ユーザの属性を推定するモデルである。これにより、情報処理装置１は、強調表示の指定の傾向とユーザの属性との関係性を精度よく学習することができる。

また、学習モデルは、ユーザの情報として、ユーザの行動を推定するモデルである。これにより、情報処理装置１は、強調表示の指定の傾向とユーザの行動との関係性を精度よく学習することができる。

また、学習モデルは、ユーザの行動として、ユーザによるアクションボタンの操作の有無を推定するモデルである。これにより、情報処理装置１は、強調表示の指定の傾向とユーザによるアクションボタンの操作との関係性を精度よく学習することができる。

また、学習モデルは、ユーザの行動として、ユーザが検索に用いる検索クエリを推定するモデルである。これにより、情報処理装置１は、強調表示の指定の傾向とユーザが検索に用いる検索クエリとの関係性を精度よく学習することができる。

また、取得部３４は、強調表示の指定部分の情報を含むコンテンツ情報とユーザの情報を含むユーザ情報とをユーザ毎に含む情報を学習用情報として取得する。学習部３５は、取得部３４によって取得された学習用情報に基づいて、ユーザの情報から強調表示の指定部分を推定する学習モデルを生成する。これにより、情報処理装置１は、ユーザの情報から強調表示の指定部分を推定する学習モデルを生成することができ、コンテンツ６０の一部についての強調表示の指定に関して学習を行うことができる。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上記してきた「部（section、module、unit）」は、「手段」や「回路」等に読み替えることができる。例えば、制御部３は、制御手段や制御回路に読み替えることができる。

１ 情報処理装置
２ 通信部
３ 制御部
４ 記憶部
３１ 配信部
３２ 受付部
３３ 表示制御部
３４ 取得部
３５ 学習部
３６ 提供部
４１ ユーザ情報
４２ 強調表示情報
５０，５０ａ，５０ｂ ユーザ端末
６０ コンテンツ
６１ 画像
６２ テキスト
６３ａ，６３ｂ 強調部分
Ｎ ネットワーク
Ｓ 情報処理システム

Claims (11)

1. 画面に表示されたコンテンツの一部についてのユーザによる強調表示の指定部分の情報を含むコンテンツ情報と前記ユーザの情報を含むユーザ情報とを前記ユーザ毎に含む学習用情報を取得する取得部と、
   前記取得部によって取得された前記学習用情報に基づいて、前記強調表示の指定部分の情報を含むコンテンツ情報から前記ユーザの情報を推定する学習モデルを生成する学習部と、を備える
   ことを特徴とする情報処理装置。
2. 前記コンテンツ情報には、
   前記強調表示の指定部分の情報に加え、前記コンテンツの内容を示す情報が含まれる
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記学習モデルは、
   前記ユーザの情報として、前記ユーザの属性を推定するモデルである
   ことを特徴とする請求項１に記載の情報処理装置。
4. 前記学習モデルは、
   前記ユーザの情報として、前記ユーザの行動を推定するモデルである
   ことを特徴とする請求項１に記載の情報処理装置。
5. 前記学習モデルは、
   前記ユーザの行動として、前記ユーザによるアクションボタンの操作の有無を推定するモデルである
   ことを特徴とする請求項４に記載の情報処理装置。
6. 前記学習モデルは、
   前記ユーザの行動として、前記ユーザが検索に用いる検索クエリを推定するモデルである
   ことを特徴とする請求項４に記載の情報処理装置。
7. 画面に表示されたコンテンツの一部についてのユーザによる強調表示の指定部分の情報を含むコンテンツ情報と前記ユーザの情報を含むユーザ情報とを前記ユーザ毎に含む学習用情報を取得する取得部と、
   前記取得部によって取得された前記学習用情報に基づいて、前記ユーザの情報から前記強調表示の指定部分を推定する学習モデルを生成する学習部と、を備える
   ことを特徴とする情報処理装置。
8. コンピュータが実行する情報処理方法であって、
   画面に表示されたコンテンツの一部についてのユーザによる強調表示の指定部分の情報を含むコンテンツ情報と前記ユーザの情報を含むユーザ情報とを前記ユーザ毎に含む学習用情報を取得する取得工程と、
   前記取得工程によって取得された前記学習用情報に基づいて、前記強調表示の指定部分の情報を含むコンテンツ情報から前記ユーザの情報を推定する学習モデルを生成する学習工程と、を含む
   ことを特徴とする情報処理方法。
9. コンピュータが実行する情報処理方法であって、
   画面に表示されたコンテンツの一部についてのユーザによる強調表示の指定部分の情報を含むコンテンツ情報と前記ユーザの情報を含むユーザ情報とを前記ユーザ毎に含む学習用情報を取得する取得工程と、
   前記取得工程によって取得された前記学習用情報に基づいて、前記ユーザの情報から前記強調表示の指定部分を推定する学習モデルを生成する学習工程と、を含む
   ことを特徴とする情報処理方法。
10. 画面に表示されたコンテンツの一部についてのユーザによる強調表示の指定部分の情報を含むコンテンツ情報と前記ユーザの情報を含むユーザ情報とを前記ユーザ毎に含む学習用情報を取得する取得手順と、
    前記取得手順によって取得された前記学習用情報に基づいて、前記強調表示の指定部分の情報を含むコンテンツ情報から前記ユーザの情報を推定する学習モデルを生成する学習手順と、をコンピュータに実行させる
    ことを特徴とする情報処理プログラム。
11. 画面に表示されたコンテンツの一部についてのユーザによる強調表示の指定部分の情報を含むコンテンツ情報と前記ユーザの情報を含むユーザ情報とを前記ユーザ毎に含む学習用情報を取得する取得手順と、
    前記取得手順によって取得された前記学習用情報に基づいて、前記ユーザの情報から前記強調表示の指定部分を推定する学習モデルを生成する学習手順と、をコンピュータに実行させる
    ことを特徴とする情報処理プログラム。

Images