JPWO2011074113A1 - 協調フィルタリングシステム及び協調フィルタリング方法 - Google Patents

Abstract

コンテンツＸ，Ｚの両方に対して評価を行ったユーザの評価値が存在しないときに、情報処理センター１０ａの演算処理部３０の間接類似度算出部３２は、コンテンツＸ，Ｙの両方に対して評価を行ったユーザの評価値が存在し、且つコンテンツＹ，Ｚの両方に対して評価を行ったユーザの評価値が存在するコンテンツＹの評価値を用いて、コンテンツＸ，Ｚの類似度を間接的に算出する。予測評価値算出部３３は、間接類似度算出部３２コンテンツＸ，Ｚの類似度と、コンテンツＸ，Ｚに対する評価値とを用いて、コンテンツＸ，Ｚのいずれかに対して評価を行わなかったユーザの予測評価値を算出する。これにより、直接的には算出不可能なコンテンツＸ，Ｚの予測評価値を算出することができる。よって、協調フィルタリングによる評価値の予測が可能なコンテンツの範囲を拡大することが可能となる。

Description

本発明は協調フィルタリングシステム及び協調フィルタリング方法に関し、特に、複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリングシステム及び協調フィルタリング方法に関するものである。

多くのユーザについてその嗜好に関する情報を蓄積しておき、あるユーザと嗜好の類似した他のユーザの情報を用いて、当該ユーザの嗜好を予測する協調フィルタリングの手法が提案されている。協調フィルタリングは、リコメンデーションやパーソナライゼーションに用いられている。例えば、特許文献１には、任意のアイテムに対して任意のユーザが現に投票したとき、アイテム−ユーザマトリクスの対応するセルに、このアイテムの評価値を代入するとともに、このアイテムと類似する他のアイテムのセルに対しても擬似的に評価値を代入する情報推薦方法が開示されている。特許文献１の情報推薦方法は、評価値が存在しないために推薦することができなかったアイテムも推薦可能とする。

特開２００５−２０２５４０号公報

カーナビゲーションシステムが、ユーザの嗜好に配慮して店舗や施設等のコンテンツの推薦を上記のような協調フィルタリングを活用して行う場合がある。例えば、カーナビゲーションシステムが、ユーザが自動車により過去に訪れたレストランの履歴と、そのレストランを訪れた他のユーザのレストランの訪問の履歴とから、当該ユーザの嗜好に合いそうな当該ユーザがまだ訪問していないレストランを勧めるサービスを行なう場合がある。このような場合、カーナビゲーションシステムは、ユーザの行動範囲周辺のコンテンツしか推薦しない可能性がある。

すなわち、カーナビゲーションシステムが推薦するコンテンツとしては、レストラン、ホテル及び小売店等が想定されるが、これらはいずれも場所に関連したコンテンツである。協調フィルタリングは、コンテンツ間の類似度を算出する場合、コンテンツ両方に評価をしているユーザが複数人必要である。ところが、場所に関連したコンテンツでは、コンテンツ同士が距離的に離れている場合、両方に評価しているユーザが少なくなるため、類似度の計算が困難となる。その結果、類似度が計算可能なコンテンツは距離が近いもの同士となるため、カーナビゲーションシステムが推薦することができるコンテンツも、ユーザの行動範囲周辺のもののみになる可能性がある。

また、コンテンツに評価点をつけるユーザが少なく、協調フィルタが動作しない可能性もある。すなわち、コンテンツに対する評価値をつける方法としては、ユーザがＷｅｂサイトを介して評価点を書き込む方法か、ユーザがコンテンツである店舗や施設等の訪問後に評価点をカーナビゲーションシステムを介して入力する方法等が考えられる。しかし、いずれの方法も、ユーザの手間がかかるため、ユーザの評価値が集まり難いことが予想される。

本発明は、このような事情を考慮してなされたものであり、その目的は、協調フィルタリングによる評価値の予測が可能なコンテンツの範囲をより拡大することが可能な協調フィルタリングシステム及び協調フィルタリング方法を提供することにある。また、本発明の目的は、より少ない個数のユーザの評価値によって協調フィルタリングによる予測を行うことが可能な協調フィルタリングシステム及び協調フィルタリング方法を提供することにある。

本発明は、複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリングシステムであって、第１のコンテンツ及び第２のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在しないときに、第１のコンテンツ及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在し、且つ第２のコンテンツ及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在する第３のコンテンツの評価値を用いて、第１のコンテンツ及び第２のコンテンツの類似度を算出する類似度算出ユニットと、類似度算出ユニットが算出した第１のコンテンツ及び第２のコンテンツの類似度と、第１のコンテンツ及び第２のコンテンツに対する評価値とを用いて、第１のコンテンツ及び第２のコンテンツのいずれかに対して評価を行わなかったユーザの予測評価値を算出する予測評価値算出ユニットと、を備えた協調フィルタリングシステムである。

第１及び第２のコンテンツの両方に対して評価を行ったユーザの評価値が存在しないときに、すなわち、第１及び第２のコンテンツの間の距離が大きい等のため、直接に第１のコンテンツと第２のコンテンツとの類似度を直接に算出できないときがある。このとき、類似度算出ユニットは、第１及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在し、且つ第２及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在する第３のコンテンツの評価値を用いて、第１及び第２のコンテンツの類似度を算出する。すなわち、類似度算出ユニットは、第１及び第２のコンテンツそれぞれと直接的に類似度を算出可能な第３のコンテンツを用いて、第１及び第２のコンテンツの類似度を間接的に算出する。これにより、直接的には算出不可能な第１及び第２のコンテンツの類似度を算出することができる。

また、予測評価値算出ユニットは、類似度算出ユニットが算出した第１のコンテンツ及び第２のコンテンツの類似度と、第１のコンテンツ及び第２のコンテンツに対する評価値とを用いて、第１のコンテンツ及び第２のコンテンツのいずれかに対して評価を行わなかったユーザの予測評価値を算出する。これにより、直接的には算出不可能な第１及び第２のコンテンツの予測評価値を算出することができる。したがって、協調フィルタリングによる評価値の予測が可能なコンテンツの範囲をより拡大することが可能となる。

この場合、類似度算出ユニットは、第３のコンテンツの個数がＮ個であり、１≦ｉ≦Ｎであるｉ番目の第３のコンテンツについて、ピアソンの積率相関係数である第１のコンテンツ及び第３のコンテンツの類似度がｓ（Ｃ１，Ｃ３ｉ）で表され、ピアソンの積率相関係数である第２のコンテンツ及び第３のコンテンツの類似度がｓ（Ｃ２，Ｃ３ｉ）で表されるときに、下式（１）により第１のコンテンツ及び第２のコンテンツの類似度であるｓ（Ｃ１，Ｃ２）を算出することが好適である。

この構成によれば、ピアソンの積率相関係数で表された第１及び第３のコンテンツの類似度と、第２及び第３のコンテンツの類似度とに基づいて、定量的に第１及び第２のコンテンツの類似度を算出することが可能となる。

また、本発明は、複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリングシステムであって、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行わなかった一のユーザについて、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出する予測評価値算出ユニットを備えた協調フィルタリングシステムである。

あるいは、上記協調フィルタリングシステムにおいて、予測評価値算出ユニットは、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行わなかった一のユーザについて、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。

特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行わなかった一のユーザがいる場合がある。この場合、予測評価値算出ユニットは、当該一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いる。ユーザそれぞれによるコンテンツの利用頻度と当該コンテンツに対する評価値とは相関するものと考えられる。そのため、予測評価値算出ユニットは、当該一のユーザ自身の評価値がなくとも、当該一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが可能となる。したがって、より少ない個数のユーザの評価値によって協調フィルタリングによる予測を行うことが可能となる。

この場合、予測評価値算出ユニットは、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツの利用頻度が一のユーザの特定のコンテンツの利用頻度から所定の閾値以内の差異である他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。

コンテンツの利用頻度が所定の閾値以内の差異である場合は、評価値も近いと推定することができる。このため、予測評価値算出ユニットは、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツの利用頻度が一のユーザの特定のコンテンツの利用頻度から所定の閾値以内の差異である他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することにより、精度良く予測評価値を算出することができる。

また、予測評価値算出ユニットは、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツが属するカテゴリー内の不特定多数のコンテンツの利用頻度が一のユーザの不特定多数のコンテンツの利用頻度から所定の閾値内の差異である他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。

特定のコンテンツが属するカテゴリー内の不特定多数のコンテンツの利用頻度が所定の閾値内の差異である場合は、特定のコンテンツに対する評価値も近いと推定することができる。そのため、予測評価値算出ユニットは、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツが属するカテゴリー内の不特定多数のコンテンツの利用頻度が一のユーザの不特定多数のコンテンツの利用頻度から所定の閾値内の差異である他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することにより、さらに精度良く予測評価値を算出することができる。

また、予測評価値算出ユニットは、一のユーザの特定のコンテンツの利用頻度と、複数の他のユーザそれぞれの特定のコンテンツの利用頻度ごとの特定のコンテンツに対する評価値の中央値及び平均値のいずれかを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。

複数の他のユーザそれぞれの特定のコンテンツの利用頻度ごとの特定のコンテンツに対する評価値の中央値又は平均値は、利用頻度と評価値との相関を精度良く表していると推定できる。そのため、予測評価値算出ユニットは、一のユーザの特定のコンテンツの利用頻度と、複数の他のユーザそれぞれの特定のコンテンツの利用頻度ごとの特定のコンテンツに対する評価値の中央値及び平均値のいずれかを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することにより、さらに精度良く予測評価値を算出することができる。

また、予測評価値算出ユニットは、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とに基づいて、特定のコンテンツの利用頻度に対する特定のコンテンツに対する評価値の関数を導出し、一のユーザの特定のコンテンツの利用頻度と関数とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。

特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とに基づいて導出された特定のコンテンツの利用頻度に対する特定のコンテンツに対する評価値の関数は、利用頻度と評価値との相関を精度良く表していると推定できる。さらに、得られた利用頻度と評価値とが離散的な値であっても、当該関数により補間を行うことができる。そのため、予測評価値算出ユニットは、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とに基づいて、特定のコンテンツの利用頻度に対する特定のコンテンツに対する評価値の関数を導出し、一のユーザの特定のコンテンツの利用頻度と関数とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することにより、さらに精度良く予測評価値を算出することができる。また、他のユーザの利用頻度と、一のユーザの利用頻度とが離れた値であっても、関数による補間により、予測評価値を算出することができる。

一方、本発明は、複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリング方法であって、第１のコンテンツ及び第２のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在しないときに、第１のコンテンツ及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在し、且つ第２のコンテンツ及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在する第３のコンテンツの評価値を用いて、第１のコンテンツ及び第２のコンテンツの類似度を算出する類似度算出工程と、類似度算出工程で算出した第１のコンテンツ及び第２のコンテンツの類似度と、第１のコンテンツ及び第２のコンテンツに対する評価値とを用いて、第１のコンテンツ及び第２のコンテンツのいずれかに対して評価を行わなかったユーザの予測評価値を算出する予測評価値算出工程とを含む協調フィルタリング方法である。

この場合、類似度算出工程は、第３のコンテンツの個数がＮ個であり、１≦ｉ≦Ｎであるｉ番目の第３のコンテンツについて、ピアソンの積率相関係数である第１のコンテンツ及び第３のコンテンツの類似度がｓ（Ｃ１，Ｃ３ｉ）で表され、ピアソンの積率相関係数である第２のコンテンツ及び第３のコンテンツの類似度がｓ（Ｃ２，Ｃ３ｉ）で表されるときに、下式（２）により第１のコンテンツ及び第２のコンテンツの類似度であるｓ（Ｃ１，Ｃ２）を算出することが好適である。

また、本発明は、複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリング方法であって、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行わなかった一のユーザについて、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出する予測評価値算出工程を含む協調フィルタリング方法である。

あるいは、上記協調フィルタリング方法において、予測評価値算出工程は、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行わなかった一のユーザについて、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。

この場合、予測評価値算出工程は、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツの利用頻度が一のユーザの特定のコンテンツの利用頻度から所定の閾値以内の差異である他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。

また、予測評価値算出工程は、一のユーザの特定のコンテンツの利用頻度と、特定のコンテンツが属するカテゴリー内の不特定多数のコンテンツの利用頻度が一のユーザの不特定多数のコンテンツの利用頻度から所定の閾値内の差異である他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。

また、予測評価値算出工程は、一のユーザの特定のコンテンツの利用頻度と、複数の他のユーザそれぞれの特定のコンテンツの利用頻度ごとの特定のコンテンツに対する評価値の中央値及び平均値のいずれかを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。

また、予測評価値算出工程は、特定のコンテンツを利用したことがあり且つ特定のコンテンツに対して評価を行った他のユーザの特定のコンテンツの利用頻度と特定のコンテンツに対する評価値とに基づいて、特定のコンテンツの利用頻度に対する特定のコンテンツに対する評価値の関数を導出し、一のユーザの特定のコンテンツの利用頻度と関数とを用いて、一のユーザの特定のコンテンツに対する予測評価値を算出することが好適である。

本発明の協調フィルタリングシステム及び協調フィルタリング方法によれば、協調フィルタリングによる評価値の予測が可能なコンテンツの範囲をより拡大することが可能となる。また、本発明の協調フィルタリングシステム及び協調フィルタリング方法によれば、より少ない個数のユーザの評価値によって協調フィルタリングによる予測を行うことが可能となる。

第１実施形態に係る協調フィルタリングシステムの構成を示すブロック図である。 第１実施形態に係る協調フィルタリングシステムの動作を示すフローチャートである。 直接的に類似度を算出不可能なコンテンツ同士を示す図である。 間接的に類似度を算出する手法を示す図である。 間接的に算出されたコンテンツの評価を示す図である。 第２実施形態に係る協調フィルタリングシステムの構成を示すブロック図である。 第２実施形態に係る協調フィルタリングシステムの動作を示すフローチャートである。 該当カテゴリーの訪問頻度が対象ユーザと等しく且つ該当コンテンツの訪問頻度が対象ユーザと等しいユーザの評価値を参照して対象ユーザの評価値を予測する手法を示す図である。

以下、図面を参照して本発明の実施形態に係る協調フィルタリングシステムを説明する。

図１に示すように、本発明の第１実施形態の協調フィルタリングシステムは、複数の車両に搭載された車両用ナビゲーション装置４０それぞれに情報を提供する情報処理センター１０ａから構成される。情報処理センター１０ａは、ユーザが好む飲食関係の店舗や施設に関する情報を提供するグルメ検索サイト５１を含むインターネット５０に接続可能である。情報処理センター１０ａは、協調フィルタリングによりユーザそれぞれの嗜好を予測して、車両用ナビゲーション装置４０を介してユーザに対し、当該ユーザが未訪問のレストラン、ホテル及び小売店等のコンテンツのリコメンデーションを行うための施設である。

情報処理センター１０ａは、ユーザ評価値記憶装置２１ａ、位置情報データベース２２及び演算処理装置３０を備えている。ユーザ評価値記憶装置２１ａは、複数のユーザそれぞれのコンテンツに対する評価値をコンテンツごとに記憶及び管理したデータベースである。ユーザ評価値記憶装置２１ａに記憶されたユーザそれぞれの評価値は、車両用ナビゲーション装置４０にユーザが入力した情報を車両用ナビゲーション装置４０から情報処理センター１０ａに送信することにより取得される。また、ユーザ評価値記憶装置２１ａに記憶されたユーザそれぞれの評価値は、インターネット５０上の種々のサイトから、登録されたユーザに関する情報を収集することにより取得される。

位置情報データベース２２は、車両を運転するユーザが訪問する可能性があるレストラン、ホテル及び小売店等のコンテンツに関する情報をコンテンツのＰＯＩ（位置情報Position Of Information）と関連付けて記憶及び管理したデータベースである。

演算処理装置３０は、ユーザ評価値記憶装置２１ａ及び位置情報データベース２２に記憶された情報に基づいて、協調フィルタリングにより、対象となるユーザの未訪問のコンテンツに対する評価値を予測する装置である。演算処理装置３０は、直接類似度算出部３１、間接類似度算出部３２及び予測評価値算出部３３を有している。

直接類似度算出部３１は、ピアソン（pearson）の積率相関係数等を用いて、２つのコンテンツそれぞれに対するユーザの評価値に基づき、２つのコンテンツの間の類似度を算出する部位である。間接類似度算出部３２は、２つのコンテンツの間の類似度を直接に算出することができない場合に、それぞれのコンテンツとの類似度を直接に算出することが可能な他のコンテンツを用いて間接的に２つのコンテンツの間の類似度を算出する部位である。予測評価値算出部３３は、直接類似度算出部３１及び間接類似度算出部３２が算出した２つのコンテンツの間の類似度に基づいて、対象となるユーザが未訪問のコンテンツに対してどのような評価値をつけるかを予測する部位である。

以下、本実施形態の協調フィルタリングシステムの動作について説明する。図２に示すように、情報処理センター１０ａのユーザ評価値記憶装置２１ａは、車両用ナビゲーション装置４０から情報処理センター１０ａに送信された情報や、インターネット５０上のＷｅｂサイトからの情報から、各ユーザのコンテンツそれぞれに対する評価値を取得する（Ｓ１１）。Ｗｅｂサイト上からユーザの評価値を取得するには、例えば、インターネット５０上のレストラン等を評価するＷｅｂサイトのログを取得することにより、ユーザの評価値を取得することができる。

ここで、ユーザ評価値記憶装置２１ａの記憶領域において、評価値が付いているコンテンツ数が協調フィルタリングを行うのに必要な閾値以下のユーザがいる場合には（Ｓ１２）、再度、当該ユーザの評価値を取得する（Ｓ１１）。ユーザ評価値記憶装置２１ａの記憶領域において、評価値が付いているコンテンツ数が協調フィルタリングを行うのに必要な閾値以下のユーザがいない場合には（Ｓ１２）、演算処理装置３０の直接類似度算出部３１は、収集したコンテンツに対するユーザそれぞれの評価値を基にコンテンツ間の類似度を算出する（Ｓ１３）。

２つのコンテンツの両方に対して評価値を付けているユーザがいる場合には、２つのコンテンツの類似度をピアソンの積率相関係数により直接に算出可能である。この場合、２つのコンテンツＸ及びコンテンツＹの両方に対して評価値を付けているユーザがｎ人いるとする。ｉ番目のユーザのコンテンツＸ，Ｙに対する評価値をそれぞれｒＸ（ｉ），ｒＹ（ｉ）とする。この場合、直接類似度算出部３１は下式（３）より、コンテンツＸ，Ｙの類似度ｓ（Ｘ，Ｙ）を算出する。

直接類似度算出部３１が算出した類似度は予測評価値算出部３３の記憶領域に保存される（Ｓ１４）。類似度が計算できた割合が所定の閾値以下である場合には（Ｓ１５）、間接類似度算出部３２は、直接に計算できなかった類似度の内、間接的に求めることが可能な類似度を算出する（Ｓ１６）。図３に示すように、コンテンツＸ及びコンテンツＺについては、コンテンツＸ，Ｚの両方に対して評価を行ったユーザの評価値が存在しないため、類似度を直接算出することが不可能である。

図４に示すコンテンツＹのように、コンテンツＸ，Ｙの両方に対して評価を行ったユーザの評価値が存在し、且つコンテンツＹ，Ｚの両方に対して評価を行ったユーザの評価値が存在するコンテンツがあるときは、コンテンツＸ，Ｙの間の類似度及びコンテンツＹ，Ｚの間の類似度はそれぞれ算出可能である。そこで、間接類似度算出部３２は、コンテンツＹの評価値を利用して、間接的にコンテンツＸ，Ｚの間の類似度を算出する。ここで、コンテンツＹの個数は単数に限定されず、複数のコンテンツＹを利用することにより、類似度の算出の精度は向上する。

上式（３）によって求められたコンテンツＸ，Ｙの間の類似度をｓ（Ｘ，Ｙ）、コンテンツＹ，Ｚの間の類似度をｓ（Ｙ，Ｚ）とする。コンテンツＸ，Ｙの両方に対して評価を行ったユーザの評価値が存在し、且つコンテンツＹ，Ｚの両方に対して評価を行ったユーザの評価値が存在するコンテンツＹの個数がＮ個であるときは、間接類似度算出部３２は下式（４）より、コンテンツＸ，Ｚの類似度ｓ（Ｘ，Ｚ）を算出する。

類似度が計算できた割合が所定の閾値を超えた場合には（Ｓ１５）、予測評価値算出部３３は、上記の工程Ｓ１１〜Ｓ１６により算出された類似度と評価値とに基づいて、既存の協調フィルタリングの手法によりユーザが評価を行っていないコンテンツに対する評価値を予測する（Ｓ１７）。例えば、図５に示すように、コンテンツＺに対して評価を行っていないユーザＡの評価値を予測することが可能となる。

上記のように、コンテンツＸ，Ｚの両方に対して評価を行ったユーザの評価値が存在しないときに、すなわち、コンテンツＸ，Ｚ間の距離が大きい等のため、直接にコンテンツＸ，Ｚの類似度を直接に算出できないときがある。本実施形態では、このような場合、情報処理センター１０ａの演算処理部３０の間接類似度算出部３２は、コンテンツＸ，Ｙの両方に対して評価を行ったユーザの評価値が存在し、且つコンテンツＹ，Ｚの両方に対して評価を行ったユーザの評価値が存在するコンテンツＹの評価値を用いて、コンテンツＸ，Ｚの類似度を算出する。すなわち、間接類似度算出部３２は、コンテンツＸ，Ｚそれぞれと直接的に類似度を算出可能なコンテンツＹを用いて、コンテンツＸ，Ｚの類似度を間接的に算出する。これにより、直接的には算出不可能なコンテンツＸ，Ｚの類似度を算出することができる。

また、予測評価値算出部３３は、間接類似度算出部３２コンテンツＸ，Ｚの類似度と、コンテンツＸ，Ｚに対する評価値とを用いて、コンテンツＸ，Ｚのいずれかに対して評価を行わなかったユーザの予測評価値を算出する。これにより、直接的には算出不可能なコンテンツＸ，Ｚの予測評価値を算出することができる。したがって、協調フィルタリングによる評価値の予測が可能なコンテンツの範囲をより拡大することが可能となる。さらに、リコメンデーションが可能なコンテンツの範囲が拡大する。

また、本実施形態では、ピアソンの積率相関係数で表されたコンテンツＸ，Ｙの類似度と、コンテンツＹ，Ｚの類似度とに基づいて、定量的にコンテンツＸ，Ｚの類似度を算出することが可能となる。

以下、本発明の第２実施形態について説明する。図６に示すように、本実施形態の情報処理センター１０ｂは、ユーザ評価値記憶装置２１ｂを備えている。ユーザ評価値記憶装置２１ｂには、上記第１実施形態と同様にユーザごとのコンテンツに対する評価値の他、ユーザごとのコンテンツへの訪問履歴（日時、場所）が記憶及び管理されている。訪問履歴に関する情報は、各ユーザの車両用ナビゲーション装置４０あるいは携帯端末等から情報処理センター１０ｂに送信される。

本実施形態の情報処理センター１０ｂの演算処理装置３０は、未入力評価値予測部３４、類似度算出部３５及び予測評価値算出部３６を備えている。未入力評価値予測部３４は、ユーザが評価値を未入力であって訪問履歴があるコンテンツに対する評価値の予測を行う部位である。類似度算出部３５は、上記第１実施形態の直接類似度算出部３１及び間接類似度算出部３２と同様に、直接または間接にコンテンツ間の類似度を求める部位である。予測評価値算出部３６は、上記第１実施形態の予測評価値算出部３３と同様に、直接類似度算出部３１及び間接類似度算出部３２が算出した２つのコンテンツの間の類似度に基づいて、対象となるユーザが未訪問のコンテンツに対してどのような評価値をつけるかを予測する部位である。

以下、本実施形態の協調フィルタリングシステムの動作について説明する。情報処理センター１０ｂのユーザ評価値記憶装置２１ｂは、上記第１実施形態と同様にして対象となるユーザのコンテンツへの訪問履歴と評価値とを収集する（Ｓ２１）。

ユーザの訪問履歴があり、且つ評価値が未入力のコンテンツがある場合は（Ｓ２２）、演算処理装置３０の未入力評価値予測部３４は、当該コンテンツが含まれるカテゴリーの訪問頻度を、ユーザ評価値記憶装置２１ｂに記憶された情報を参照しつつ、ｃａｔ＝“Ｃ”として算出する（Ｓ２３）。例えば、ユーザＡが訪問したことはあるが、評価値が未入力のコンテンツがレストランＸであるとすると、レストランＸの属するカテゴリーは、「外食施設」、「遊戯施設」及び「購買施設」等が該当カテゴリーとなる。未入力評価値予測部３４は、例えば、「外食施設」等に対するユーザＡの訪問頻度を算出する。

また、未入力評価値予測部３４は、当該コンテンツの訪問頻度を、ユーザ評価値記憶装置２１ｂに記憶された情報を参照しつつ、ｒｅｐ＝“Ｒ”として算出する（Ｓ２４）。例えば、ユーザＡが訪問したことはあるが、評価値が未入力のコンテンツがレストランＸの場合は、ユーザＡのレストランに対する訪問頻度が算出される。

未入力評価値予測部３４は、カテゴリーの訪問頻度別にコンテンツの訪問頻度に対する評価値の相関を特定する（Ｓ２５）。レストランＸが属するカテゴリー「外食施設」へのユーザＡの訪問頻度が週２回であるとすると、未入力評価値予測部３４は、図８に示すように、週２回「外食施設」を利用している他のユーザそれぞれのレストランＸの利用頻度と評価値とについて統計を取る。この場合、未入力評価値予測部３４は、レストランＸの利用頻度ごとに統計処理を行い、評価値の中央値あるいは平均値等をとることにより、コンテンツの訪問頻度に対する評価値の相関を特定することができる。また、未入力評価値予測部３４は、レストランＸの利用頻度に対する評価値の関数の近似式を求めることにより、コンテンツの訪問頻度に対する評価値の相関を特定することができる。

なお、本実施形態では、カテゴリーやコンテンツの訪問頻度に対する評価値の相関を特定する例を説明したが、他にも、カテゴリーやコンテンツを訪問した季節や時間帯の共通性等の多くの情報に対する評価値の相関を特定することで、評価値の予測精度は向上する。例えば、カテゴリーやコンテンツがユーザの車両用ナビゲーション装置４０や携帯端末のブックマークに入っているか否かや、Ｗｅｂサイト上の閲覧状況に対する評価値の相関等を求めても良い。

未入力評価値予測部３４は、工程Ｓ２５で特定したカテゴリーやコンテンツの訪問頻度に対する評価値の相関を利用して、カテゴリーの訪問頻度が対象ユーザと等しく（ｃａｔ＝“Ｃ”）、且つコンテンツの訪問頻度が対象ユーザと等しい（ｒｅｐ＝“Ｒ”）ユーザの評価値を参照する（Ｓ２６）。例えば、カテゴリー「外食施設」への訪問頻度がユーザＡと同じ週２回であり、レストランＸへの訪問頻度がユーザＡと同じ一ヶ月に１回のユーザの評価値は、“２．５”である。そこで、未入力評価値予測部３４は、ユーザＡのレストランＸに対する評価値を２．５と予測することができる。なお、カテゴリーの訪問頻度やコンテンツの訪問頻度は、完全に一致する必要は無く、その差異が所定の閾値の範囲内であれば、等しいとみなすことができる。

未入力評価値予測部３４は、記憶領域にＳ２６で予測した予測評価値を代入する（Ｓ２７）。未入力評価値予測部３４は、予測評価値に基づき、通常の協調フィルタリング処理を行う（Ｓ２８）。なお、工程Ｓ２２で、ユーザの訪問履歴があり、且つ評価値が未入力のコンテンツが無い場合は、未入力評価値予測部３４は、記憶領域に、ユーザ評価値記憶装置２１ｂに記憶されている評価値を代入する（Ｓ２９）。

上記のようにレストランＸを利用したことがあり且つレストランＸに対して評価を行わなかったユーザＡがいる場合がある。本実施形態では、このような場合、情報処理センター１０ｂの演算処理部３０の未入力評価値予測部３４は、当該ユーザＡのレストランＸの利用頻度と、レストランＸを利用したことがあり且つレストランＸに対して評価を行った他のユーザのレストランＸの利用頻度とレストランＸに対する評価値とを用いる。ユーザそれぞれによるレストランＸの利用頻度と当該レストランＸに対する評価値とは相関するものと考えられる。そのため、未入力評価値予測部３４は、ユーザＡ自身の評価値がなくとも、ユーザＡのレストランＸの利用頻度と、レストランＸを利用したことがあり且つレストランＸに対して評価を行った他のユーザのレストランＸの利用頻度と評価値とを用いて、ユーザＡのレストランＸに対する予測評価値を算出することが可能となる。したがって、より少ない個数のユーザの評価値によって協調フィルタリングによる予測を行うことが可能となる。

特に、レストランＸの利用頻度が所定の閾値以内の差異である場合は、評価値も近いと推定することができる。このため、未入力評価値予測部３４は、ユーザＡのレストランＸの利用頻度と、レストランＸの利用頻度がユーザＡのレストランの利用頻度から所定の閾値以内の差異である他のユーザのレストランＸの利用頻度とレストランＸに対する評価値とを用いて、ユーザＡのレストランＸに対する予測評価値を算出することにより、精度良く予測評価値を算出することができる。

レストランＸが属するカテゴリー「外食施設」内の不特定多数のコンテンツの利用頻度が所定の閾値内の差異である場合は、レストランＸに対する評価値も近いと推定することができる。そのため、未入力評価値予測部３４は、ユーザＡのレストランＸの利用頻度と、レストランＸが属するカテゴリー「外食施設」内の不特定多数のコンテンツの利用頻度がユーザＡの不特定多数のコンテンツの利用頻度から所定の閾値内の差異である他のユーザのレストランＸの利用頻度とレストランＸに対する評価値とを用いて、ユーザＡのレストランＸに対する予測評価値を算出することにより、さらに精度良く予測評価値を算出することができる。

複数の他のユーザそれぞれのレストランＸの利用頻度ごとのレストランＸに対する評価値の中央値又は平均値は、利用頻度と評価値との相関を精度良く表していると推定できる。そのため、未入力評価値予測部３４は、ユーザＡのレストランＸの利用頻度と、複数の他のユーザそれぞれのレストランＸの利用頻度ごとのレストランＸに対する評価値の中央値及び平均値のいずれかを用いて、ユーザＡのレストランＸに対する予測評価値を算出することにより、さらに精度良く予測評価値を算出することができる。

また、レストランＸを利用したことがあり且つレストランＸに対して評価を行った他のユーザのレストランＸの利用頻度とレストランＸに対する評価値とに基づいて導出されたレストランＸの利用頻度に対するレストランＸに対する評価値の関数は、利用頻度と評価値との相関を精度良く表していると推定できる。さらに、得られた利用頻度と評価値とが離散的な値であっても、当該関数により補間を行うことができる。そのため、未入力評価値予測部３４は、レストランＸを利用したことがあり且つレストランＸに対して評価を行った他のユーザのレストランＸの利用頻度とレストランＸに対する評価値とに基づいて、レストランＸの利用頻度に対するレストランＸに対する評価値の関数を導出し、ユーザＡの特定のコンテンツの利用頻度と関数とを用いて、ユーザＡのレストランＸに対する予測評価値を算出することにより、さらに精度良く予測評価値を算出することができる。また、他のユーザの利用頻度と、ユーザＡの利用頻度とが離れた値であっても、関数による補間により、予測評価値を算出することができる。

以上、本発明の実施の形態について説明したが、本発明は、上記実施形態に限定されるものではなく種々の変形が可能である。例えば、上記実施形態では、コンテンツが位置に関連した店舗、施設等であり、車両用ナビゲーション装置４０を介して車両に搭乗したユーザにリコメンデーションを行う態様について中心に説明した。しかし、その他の評価値を得ることが困難なコンテンツについての評価値を予測する態様も本発明の範囲に含まれ、その効果を発揮するものである。

本発明は、協調フィルタリングによる評価値の予測が可能なコンテンツの範囲をより拡大することが可能な協調フィルタリングシステム及び協調フィルタリング方法を提供することができる。また、本発明は、より少ない個数のユーザの評価値によって協調フィルタリングによる予測を行うことが可能な協調フィルタリングシステム及び協調フィルタリング方法を提供することができる。

１０ａ，１０ｂ 情報処理センター
２１ａ，２１ｂ ユーザ評価値記憶装置
２２ 位置情報データベース
３０ 演算処理装置
３１ 直接類似度算出部
３２ 間接類似度算出部
３３ 予測評価値算出部
３４ 未入力評価値予測部
３５ 類似度算出部
３６ 予測評価値算出部
４０ 車両用ナビゲーション装置
５０ インターネット
５１ グルメ検索サイト

Claims (16)

1. 複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリングシステムであって、
   第１のコンテンツ及び第２のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在しないときに、前記第１のコンテンツ及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在し、且つ前記第２のコンテンツ及び前記第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在する前記第３のコンテンツの評価値を用いて、前記第１のコンテンツ及び前記第２のコンテンツの類似度を算出する類似度算出ユニットと、
   前記類似度算出ユニットが算出した前記第１のコンテンツ及び前記第２のコンテンツの類似度と、前記第１のコンテンツ及び前記第２のコンテンツに対する評価値とを用いて、前記第１のコンテンツ及び前記第２のコンテンツのいずれかに対して評価を行わなかったユーザの予測評価値を算出する予測評価値算出ユニットと、を備えた協調フィルタリングシステム。
2. 前記類似度算出ユニットは、前記第３のコンテンツの個数がＮ個であり、１≦ｉ≦Ｎであるｉ番目の前記第３のコンテンツについて、ピアソンの積率相関係数である前記第１のコンテンツ及び前記第３のコンテンツの類似度がｓ（Ｃ１，Ｃ３ｉ）で表され、ピアソンの積率相関係数である前記第２のコンテンツ及び前記第３のコンテンツの類似度がｓ（Ｃ２，Ｃ３ｉ）で表されるときに、下式（１）により前記第１のコンテンツ及び前記第２のコンテンツの類似度であるｓ（Ｃ１，Ｃ２）を算出する、請求項１に記載の協調フィルタリングシステム。
   

   
3. 複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリングシステムであって、
   特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行わなかった一のユーザについて、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行った他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する予測評価値算出ユニットを備えた協調フィルタリングシステム。
4. 前記予測評価値算出ユニットは、特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行わなかった一のユーザについて、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行った他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項１又は２に記載の協調フィルタリングシステム。
5. 前記予測評価値算出ユニットは、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツの利用頻度が前記一のユーザの前記特定のコンテンツの利用頻度から所定の閾値以内の差異である他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項３又は４に記載の協調フィルタリングシステム。
6. 前記予測評価値算出ユニットは、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツが属するカテゴリー内の不特定多数のコンテンツの利用頻度が前記一のユーザの前記不特定多数のコンテンツの利用頻度から所定の閾値内の差異である他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項３〜５のいずれか１項に記載の協調フィルタリングシステム。
7. 前記予測評価値算出ユニットは、前記一のユーザの前記特定のコンテンツの利用頻度と、複数の前記他のユーザそれぞれの前記特定のコンテンツの利用頻度ごとの前記特定のコンテンツに対する評価値の中央値及び平均値のいずれかを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項３〜６のいずれか１項に記載の協調フィルタリングシステム。
8. 前記予測評価値算出ユニットは、特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行った他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とに基づいて、前記特定のコンテンツの利用頻度に対する前記特定のコンテンツに対する評価値の関数を導出し、前記一のユーザの前記特定のコンテンツの利用頻度と前記関数とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項３〜７のいずれか１項に記載の協調フィルタリングシステム。
9. 複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリング方法であって、
   第１のコンテンツ及び第２のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在しないときに、前記第１のコンテンツ及び第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在し、且つ前記第２のコンテンツ及び前記第３のコンテンツの両方に対して評価を行った少なくとも一のユーザの評価値が存在する前記第３のコンテンツの評価値を用いて、前記第１のコンテンツ及び前記第２のコンテンツの類似度を算出する類似度算出工程と、
   前記類似度算出工程で算出した前記第１のコンテンツ及び前記第２のコンテンツの類似度と、前記第１のコンテンツ及び前記第２のコンテンツに対する評価値とを用いて、前記第１のコンテンツ及び前記第２のコンテンツのいずれかに対して評価を行わなかったユーザの予測評価値を算出する予測評価値算出工程と、を含む協調フィルタリング方法。
10. 前記類似度算出工程は、前記第３のコンテンツの個数がＮ個であり、１≦ｉ≦Ｎであるｉ番目の前記第３のコンテンツについて、ピアソンの積率相関係数である前記第１のコンテンツ及び前記第３のコンテンツの類似度がｓ（Ｃ１，Ｃ３ｉ）で表され、ピアソンの積率相関係数である前記第２のコンテンツ及び前記第３のコンテンツの類似度がｓ（Ｃ２，Ｃ３ｉ）で表されるときに、下式（２）により前記第１のコンテンツ及び前記第２のコンテンツの類似度であるｓ（Ｃ１，Ｃ２）を算出する、請求項９に記載の協調フィルタリング方法。
    

    
11. 複数のユーザそれぞれのコンテンツに対する評価値を用いる協調フィルタリング方法であって、
    特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行わなかった一のユーザについて、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行った他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する予測評価値算出工程を含む協調フィルタリング方法。
12. 前記予測評価値算出工程は、特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行わなかった一のユーザについて、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行った他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項９又は１０に記載の協調フィルタリング方法。
13. 前記予測評価値算出工程は、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツの利用頻度が前記一のユーザの前記特定のコンテンツの利用頻度から所定の閾値以内の差異である他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項１１又は１２に記載の協調フィルタリング方法。
14. 前記予測評価値算出工程は、前記一のユーザの前記特定のコンテンツの利用頻度と、前記特定のコンテンツが属するカテゴリー内の不特定多数のコンテンツの利用頻度が前記一のユーザの前記不特定多数のコンテンツの利用頻度から所定の閾値内の差異である他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項１１〜１３のいずれか１項に記載の協調フィルタリング方法。
15. 前記予測評価値算出工程は、前記一のユーザの前記特定のコンテンツの利用頻度と、複数の前記他のユーザそれぞれの前記特定のコンテンツの利用頻度ごとの前記特定のコンテンツに対する評価値の中央値及び平均値のいずれかを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項１１〜１４のいずれか１項に記載の協調フィルタリング方法。
16. 前記予測評価値算出工程は、特定のコンテンツを利用したことがあり且つ前記特定のコンテンツに対して評価を行った他のユーザの前記特定のコンテンツの利用頻度と前記特定のコンテンツに対する評価値とに基づいて、前記特定のコンテンツの利用頻度に対する前記特定のコンテンツに対する評価値の関数を導出し、前記一のユーザの前記特定のコンテンツの利用頻度と前記関数とを用いて、前記一のユーザの前記特定のコンテンツに対する予測評価値を算出する、請求項１１〜１５のいずれか１項に記載の協調フィルタリング方法。

Images