KR101123175B1 - 레코멘데이션 정보 평가 장치 및 레코멘데이션 정보 평가 방법 - Google Patents

레코멘데이션 정보 평가 장치 및 레코멘데이션 정보 평가 방법 Download PDF

Info

Publication number
KR101123175B1
KR101123175B1 KR1020107018669A KR20107018669A KR101123175B1 KR 101123175 B1 KR101123175 B1 KR 101123175B1 KR 1020107018669 A KR1020107018669 A KR 1020107018669A KR 20107018669 A KR20107018669 A KR 20107018669A KR 101123175 B1 KR101123175 B1 KR 101123175B1
Authority
KR
South Korea
Prior art keywords
vector
content
selection
characteristic vector
feature vector
Prior art date
Application number
KR1020107018669A
Other languages
English (en)
Other versions
KR20100113593A (ko
Inventor
유스케 후카자와
미라이 하라
히데토시 우에노
마사시 오노기
다케후미 나가누마
미도리 오노기
쇼지 구라카케
Original Assignee
가부시키가이샤 엔.티.티.도코모
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 가부시키가이샤 엔.티.티.도코모 filed Critical 가부시키가이샤 엔.티.티.도코모
Publication of KR20100113593A publication Critical patent/KR20100113593A/ko
Application granted granted Critical
Publication of KR101123175B1 publication Critical patent/KR101123175B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은, 사용자가 잠재적으로 바라고 있는 컨텐츠를 빠짐없이 분배할 수 있도록 컨텐츠 평가 장치 및 컨텐츠 평가 방법을 제공하는 것을 목적으로 한다. 본 발명에 따르면, 이력 클래스 분리부(203)는, 열람 이력 테이블(207c)에 기억되어 있는 선택된 컨텐츠의 특성 벡터와 선택되지 않은 컨텐츠의 특성 벡터를, 특징 공간 내에서 분리하기 위한 분리 평면을 생성한다. 그리고, 사용자 특성 벡터 계산부(204)는, 생성된 분리 평면에 직교하는 직교 벡터에 기초하여, 사용자 특성 벡터를 생성하고, 이것을 사용자 특성 벡터 관리 테이블(207a)에 기억시킨다. 그 후, 레코멘데이션 요구를 레코멘데이션 요구 수신부(202)가 수신하면, 컨텐츠 평가부(206)는, 기억되어 있는 사용자 특성 벡터에 기초하여, 컨텐츠의 평가를 행한다.

Description

레코멘데이션 정보 평가 장치 및 레코멘데이션 정보 평가 방법{RECOMMENDATION INFORMATION EVALUATION APPARATUS AND RECOMMENDATION INFORMATION EVALUATION METHOD}
본 발명은, 컨텐츠의 평가를 행하는 레코멘데이션 정보 평가 장치 및 레코멘데이션 정보 평가 방법에 관한 것이다.
사용자의 특성에 합치한 레코멘데이션 정보를 분배하기 위하여, 그 레코멘데이션 정보를 추출하기 위한 정보 필터링 방식으로서, Content-based Filtering 방식이 고려되고 있다. 이 방식은, 사용자가 웹 페이지의 열람 등의 행동을 취함으로써, 열람된 대상 문서를 해석하고, 문서에 포함되어 있는 단어(키워드)를 추출한다. 그리고, 이들 단어를, 사용자별로 구별하여, 사용자 프로파일로 불리우는 흥미?기호 정보로서 기록한다. 사용자 프로파일에는, 1개의 흥미의 개념이 표현되고, 이 개념을 이용하여 사용자에게 정보를 제공하는 것을 고려할 수 있다. 예를 들면, 광고 상품 등에 할당된 키워드와 사용자 프로파일(키워드로 표현됨)을 매칭시킴으로써 적절한 광고의 추천을 가능하게 하는 시스템이 일반적으로 알려져 있다.
또한, 이와 관련된 기술로서, 특허 문헌 1에 기재되어 있는 기술을 예로 들 수 있다. 이 특허 문헌 1에는, 미리 정해진 레코멘데이션 추출 룰에 따라 레코멘데이션 정보를 분배하는 분배처 및 분배할 레코멘데이션 정보를 결정하고, 분배하는 기술이 기재되어 있다.
일본 특허출원 공개번호 2007-148878호 공보
그러나, 전술한 배경 기술에 있어서는, 매칭 처리를 함으로써 레코멘데이션 정보를 추출하는 것이거나, 또한, 특허 문헌 1에 기재된 기술에서는, 미리 정해진 레코멘데이션 추출 룰에 기초하여 정보가 결정되고 있으므로, 레코멘데이션 정보에 누락이 생길 우려가 있다.
즉, 특허 문헌 1의 기술에 있어서는, 레코멘데이션 추출 룰에, 취미?기호가 등록되어 있으면, 이 취미?기호에 있던 레코멘데이션 정보가 결정되고 분배되고, 또한, 구매 이력 등에 기초하여, 어느 상품을 구입하면 그 구입한 상품에 관련된 정보가 분배되지만, 이들 분배되는 정보는, 취미?기호, 구매 이력, 또는 액세스 이력 등의 직접적인 정보에 기초하여 결정되고 있으므로, 사용자가 잠재적으로 바라고 있는 컨텐츠에 누락이 생기는 경우가 있다.
특히 액세스 이력에 기초하여 레코멘데이션 정보를 분배 사용으로 하는 경우에는, 특히 누락이 커지게 되는 것으로 여겨진다. 즉, 사용자가 사이트 등을 열람하는 경우, 열람하고 있는 사이트 자체는, 1개의 키워드에 의해 표시되는 것이 아니고, 통상적으로 복수개의 키워드를 가지고 표시되고 있다. 예를 들면, 사용자가 영화 a에 관한 정보를 검색하고, 열람하고 있는 경우에 있어서, 이 열람하고 있는 사이트는, 영화 a의 소개이거나 원작본을 소개하고 있거나 흥행 영화관을 소개하고 있거나, 출연자를 소개하고 있거나, 여러 가지 정보(벡터 정보)를 포함하고 있다. 이 경우, 사용자는 원작본을 찾고 있는 경우에는, 그 원작본에 특화한 필터링 처리를 행하고, 이것만을 위한 레코멘데이션 정보를 분배하는 것을 사용자가 바라는 것이다.
그러나, 전술 특허 문헌 1에 기재된 기술에서는, 열람하고 있는 사이트의 전체를 보고 그 전체에 근접한 정보를 레코멘데이션 정보로서 분배함으로써, 전술한 바와 같이 사용자가 잠재적으로 바라고 있는 정보를 분배할 수 없었다.
이에, 본 발명은, 사용자가 잠재적으로 바라고 있는 컨텐츠 등의 레코멘데이션 정보를 빠짐없이 분배할 수 있도록, 그 평가를 행할 수 있는 레코멘데이션 정보 평가 장치 및 레코멘데이션 정보 평가 방법을 제공하는 것을 목적으로 한다.
전술한 과제를 해결하기 위하여, 본 발명의 레코멘데이션 정보 평가 장치는, 사용자 조작에 의해, 복수개의 선택 대상 항목으로부터 하나의 선택 대상 항목을 선택한 것을 받아들이는 접수 수단과; 상기 접수 수단에 의해 접수된 선택된 선택 대상 항목의 벡터인 만족 특징 벡터 및 선택되지 않은 선택 대상 항목의 벡터인 불만족 특징 벡터를 기억하는 기억 수단과; 상기 기억 수단에 의해 기억되어 있는 선택된 선택 대상 항목의 만족 특징 벡터와 선택되지 않은 선택 대상 항목의 불만족 특징 벡터를 특징 공간 내에서 분리하기 위한 분리 평면에 직교하는 직교 벡터를 사용자 특성 벡터로 하는 사용자 특성 벡터 생성 수단과; 상기 사용자 특성 벡터 생성 수단에 의해 생성된 사용자 특성 벡터에 기초하여, 미지의 선택 대상 항목의 평가를 행하는 평가 수단을 구비하고 있다.
또한, 본 발명의 레코멘데이션 정보 평가 방법은, 사용자 조작에 의해, 복수개의 선택 대상 항목으로부터 하나의 선택 대상 항목을 선택한 것을 받아들이는 접수 단계와; 상기 접수 단계에 의해 접수된 선택된 선택 대상 항목의 벡터인 만족 특징 벡터 및 선택되지 않은 선택 대상 항목의 벡터인 불만족 특징 벡터를 기억하는 기억 단계와; 상기 기억 단계에 의해 기억되어 있는 선택된 선택 대상 항목의 만족 특징 벡터와 선택되지 않은 선택 대상 항목의 불만족 특징 벡터를, 특징 공간 내에서 분리하기 위한 분리 평면에 직교하는 직교 벡터에 기초하여 사용자 특성 벡터를 생성하는 사용자 특성 벡터 생성 단계와; 상기 사용자 특성 벡터 생성 단계에 의해 생성된 사용자 특성 벡터에 기초하여, 레코멘데이션 정보의 평가를 행하는 평가 단계를 포함하고 있다.
본 발명에 의하면, 사용자 조작에 의해, 복수개의 선택 대상 항목으로부터 하나의 선택 대상 항목을 선택한 것을 받아들이고, 선택된 선택 대상 항목의 벡터인 만족 특징 벡터 및 선택되지 않은 선택 대상 항목의 벡터인 불만족 특징 벡터를 기억한다. 여기서 기억되어 있는 선택된 선택 대상 항목의 만족 특징 벡터와 선택되지 않은 선택 대상 항목의 불만족 특징 벡터를 특징 공간 내에서 분리하기 위한 분리 평면에 직교하는 직교 벡터를 사용자 특성 벡터로서 생성하고, 생성된 사용자 특성 벡터에 기초하여, 미지의 선택 대상 항목의 평가를 행한다.
이로써, 사용자의 특성을 나타내는 벡터에 따라 미지의 선택 대상 항목, 예를 들면, 컨텐츠 또는 조작 메뉴 항목 등의 레코멘데이션 정보의 평가를 행할 수 있고, 사용자의 취미?기호 등, 또한 액세스 이력 등의 직접적인 정보에 기초하여 추천할 레코멘데이션 정보를 평가하지 않고, 레코멘데이션 정보를 사용자에게 빠짐없이 제공할 수 있다.
또한, 본 발명의 레코멘데이션 정보 평가 장치는, 상기 기억 수단에 의해 기억되어 있는 선택된 선택 대상 항목의 만족 특징 벡터와 선택되지 않은 선택 대상 항목의 불만족 특징 벡터를 특징 공간 내에서 분리하기 위한 분리 평면을 생성하는 분리 평면 생성 수단을 더 구비하고, 상기 사용자 특성 벡터 생성 수단은, 상기 분리 평면 생성 수단에 의해 생성된 분리 평면에 따라 사용자 특성 벡터를 생성하는 것이 바람직하다.
본 발명에 의하면, 선택된 선택 대상 항목의 만족 특징 벡터와 선택되지 않은 선택 대상 항목의 불만족 특징 벡터를 특징 공간 내에서 분리하기 위한 분리 평면을 생성하고, 이에 기초하여, 사용자 특성 벡터를 생성함으로써, 사용자 특성 벡터를 양호한 정밀도로 생성할 수 있다.
또한, 본 발명의 레코멘데이션 정보 평가 장치에 있어서, 상기 분리 평면 생성 수단은, 모든 불만족 특징 벡터와 만족 특징 벡터와의 상대적인 위치 관계를 산출하고, 하나의 불만족 특징 벡터, 또는 하나의 만족 특징 벡터에, 다른 불만족 특징 벡터 또는 다른 만족 특징 벡터를 일치시키도록 위치 관계를 계산하고, 상기 위치 관계에 기초하여 분리 평면을 생성하는 것이 바람직하다.
본 발명에 의하면, 모든 불만족 특징 벡터에 대하여 상대적으로 만족 특징 벡터와의 위치 관계를 산출하고, 상기 위치 관계에 기초하여 분리 평면을 생성하는 것이 바람직하다. 이로써, 상대적인 위치 관계를 나타내는 상대 공간 내에서 분리 평면을 생성하고, 이에 기초하여 사용자 특성 벡터를 생성할 수 있으므로, 보다 정밀도가 높은 레코멘데이션 정보의 평가를 행할 수 있다.
또한, 본 발명의 레코멘데이션 정보 평가 장치에 있어서, 상기 분리 평면 생성 수단은, SVM법에 기초하여 분리 평면을 생성하는 것이 바람직하다.
또한, 본 발명의 레코멘데이션 정보 평가 장치에 있어서, 상기 사용자 특성 벡터 생성 수단은, NN법에 기초하여 사용자 특성 벡터를 생성하는 것이 바람직하다.
또한, 본 발명의 레코멘데이션 정보 평가 장치에 있어서, 상기 기억 수단은, 선택 대상 항목의 선택 빈도를, 상기 선택 대상 항목의 만족 특징 벡터와 함께 기억하고, 선택 대상 항목의 비선택 빈도를, 상기 선택 대상 항목의 불만족 특징 벡터와 함께 기억하고, 상기 사용자 특성 벡터 생성 수단은, 상기 선택 빈도가 높은 만족 특징 벡터에 그 빈도에 따른 가중치를 부여하고, 상기 비선택 빈도가 높은 불만족 특징 벡터에 그 빈도에 따른 가중치 부여를 행하고, 이 가중치가 부여된 만족 특징 벡터 및 불만족 특징 벡터를 포함한 만족 특징 벡터 및 불만족 특징 벡터에 기초하여 사용자 특성 벡터를 생성하는 것이 바람직하다.
본 발명에 의하면, 선택 대상 항목의 선택 빈도를, 상기 선택 대상 항목의 만족 특징 벡터와 함께 기억하고, 선택 대상 항목의 비선택 빈도를, 상기 선택 대상 항목의 불만족 특징 벡터와 함께 기억하고, 선택 빈도가 높은 만족 특징 벡터에 그 빈도에 따른 가중치를 부여하고, 비선택 빈도가 높은 불만족 특징 벡터에 그 빈도에 따른 가중치 부여를 행하고, 이 가중치가 부여된 만족 특징 벡터 및 불만족 특징 벡터를 포함한 만족 특징 벡터 및 불만족 특징 벡터에 기초하여 사용자 특성 벡터를 생성할 수 있다. 이로써, 빈도에 따라 사용자 특성 벡터를 산출할 수 있고, 보다 정밀도가 양호한 사용자 특성 벡터를 산출하고, 따라서 레코멘데이션 정보의 평가를 보다 정확하게 행할 수 있다.
또한, 본 발명의 레코멘데이션 정보 평가 장치에 있어서, 상기 기억 수단은, 선택 대상 항목의 선택 시기를, 상기 선택 대상 항목의 만족 특징 벡터와 함께 기억하고, 상기 분리 평면 생성 수단은, 선택 시기 및 비선택 시기의 새로운 정도에 따라 중요한 상기 선택 대상 항목의 만족 특징 벡터에 기초하여 사용자 특성 벡터를 생성하는 것이 바람직하다.
본 발명에 의하면, 선택 대상 항목의 선택 시기를, 상기 선택 대상 항목의 만족 특징 벡터와 함께 기억하고, 선택 시기 및 비선택 시기의 새로운 정도에 따라 가중치가 부여된 상기 선택 대상 항목의 만족 특징 벡터에 기초하여 분리 평면을 생성할 수 있다. 이로써, 시계열 성분을 고려한 가중치를 부여할 수 있고, 보다 정밀도가 양호한 레코멘데이션 정보의 평가를 행할 수 있다.
또한, 본 발명의 레코멘데이션 정보 평가 장치는, 상기 평가 수단에 의한 평가 결과에 따라 생성된 레코멘데이션 정보를 송신하는 레코멘데이션 정보 송신 수단을 더 구비하는 것이 바람직하다.
본 발명에 의하면, 상기 컨텐츠 평가 수단에 의한 평가 결과에 따라 생성된 레코멘데이션 정보를 송신함으로써, 사용자는 도움이 되는 정보를 취득할 수 있다.
또한, 본 발명의 레코멘데이션 정보 평가 장치에 있어서, 상기 선택 대상 항목은, 웹 페이지를 열람하기 위한 메뉴 화면 상의 항목인 것이 바람직하다.
또한, 본 발명의 레코멘데이션 정보 평가 장치에 있어서, 상기 선택 대상 항목은, 장치의 기능을 실행하기 위한 조작 메뉴 상의 항목인 것이 바람직하다.
본 발명에 의하면, 사용자의 특성을 나타내는 벡터에 따라 미지의 선택 대상 항목, 예를 들면, 컨텐츠 또는 조작 메뉴 항목 등의 레코멘데이션 정보의 평가를 행할 수 있고, 사용자의 취미?기호 등, 또한 액세스 이력 등의 직접적인 정보에 기초하여 추천할 레코멘데이션 정보를 평가하지 않고, 빠짐없이 레코멘데이션 정보를 사용자에게 제공할 수 있다.
도 1은 본 실시예의 휴대 전화기(100) 및 정보 분배 서버(200)를 구비한 레코멘데이션 정보 분배 시스템의 시스템 구성을 나타낸 시스템 구성도이다.
도 2는 정보 분배 서버(200)의 기능 구성을 나타낸 블록도이다.
도 3은 정보 분배 서버(200)의 하드웨어 구성도이다.
도 4는 휴대 전화기(100)에 표시되는 메뉴 화면의 일례를 나타낸 설명도이다.
도 5는 분리 평면을 생성할 때의 처리 개념을 나타내는 개념도이다.
도 6은 분리 평면에 기초하여 사용자 특성 벡터를 산출하고, 또한 사용자 특성 벡터에 기초하여 평가를 행할 때의 개념을 나타내는 개념도이다.
도 7은 컨텐츠 관리 테이블(205a)의 기억 내용을 나타내는 설명도이다.
도 8은 컨텐츠 특성 벡터 관리 테이블(207b)의 기억 내용을 나타내는 설명도이다.
도 9는 휴대 전화기(100)의 기능 구성을 나타낸 블록도이다.
도 10은 휴대 전화기(100)의 요구에 따라 컨텐츠를 분배할 때의 처리를 나타낸 시퀀스도이다.
도 11은 사용자 특성 벡터의 계산 처리를 나타낸 흐름도이다.
도 12는 레코멘데이션 정보를 분배할 때의 시퀀스도이다.
도 13은 컨텐츠의 평가 처리를 나타낸 흐름도이다.
도 14는 이력 사상(履歷事象) a와 이력 사상 b에 있어서의 메뉴 화면을 나타내는 설명도이다.
도 15는 메뉴 화면에 있어서 선택된 컨텐츠의 특성 벡터의 특징 공간에서의 위치 관계를 나타낸 도면이다.
도 16은 이력 사상 a 및 b를 상대 공간 내에 있어서, 컨텐츠의 특성 벡터를 나타낸 도면이다.
도 17은 절대 공간에서의 각 컨텐츠의 특성 벡터에 기초하여 평가를 행할 때의 개념을 나타낸 도면이다.
도 18은 분리 평면을 생성할 수 없는 경우에 있어서 상대 공간을 사용하여 처리를 행할 때의 설명도이다.
도 19는 열람 빈도를 고려하여 특성 벡터의 중심(重心)을 구하는 처리를 나타낸 개념도이다.
도 20은 액세스된 시계열순으로 NN법에 의해 사용자 특성 벡터를 구하는 과정을 나타내는 개념도이다.
도 21은 조작에 관한 특징 공간에서의 특성 벡터의 파라미터를 나타내는 설명도이다.
도 22는 레코멘데이션 조작 정보를 표시할 수 있는 휴대 전화기(100a)의 기능을 나타낸 블록도이다.
첨부 도면을 참조하면서 본 발명의 실시예를 설명한다. 그것이 가능한 경우에는, 동일한 부분에는 동일한 부호를 부여하여, 중복되는 설명을 생략한다.
도 1은, 본 실시예의 휴대 전화기(100) 및 정보 분배 서버(200)를 구비한 레코멘데이션 정보 분배 시스템의 시스템 구성을 나타낸 시스템 구성도이다. 휴대 전화기(100)로부터의 요구에 따라 정보 분배 서버(200)는, 미리 기억되어 있는 레코멘데이션 정보가 되는 컨텐츠를, 휴대 전화기(100)에 분배한다. 분배되는 레코멘데이션 정보는, 휴대 전화기(100)의 사용자의 액세스 이력에 기초하여 편집된 것이며, 사용자에게 있어서 필요하다고 생각되는 정보이다. 여기서 레코멘데이션 정보로서 분배되는 컨텐츠의 바람직한 내용으로서는, 사용자에게 있어서 미평가의 컨텐츠를 포함하는 것이며, 예를 들면, 아직 보고 있지 않은 웹 컨텐츠 외에, 텔레비전 프로그램표를 구성하는 컨텐츠를 포함하고 있거나, 이제부터 발매되는 신간본 등을 소개하는 컨텐츠를 포함하고 있다. 그리고, 이 정보 분배 서버(200)는, 휴대 전화기(100)로부터의 액세스 요구에 따라, 다른 컨텐츠 프로바이더로부터 컨텐츠를 취득하고, 취득한 컨텐츠를 분배하는 것이며, 액세스 이력은 이 때 수집된다. 또한, 휴대 전화기(100)가 액세스 이력을 송신하고, 그것을 취득하도록 구성되어도 된다.
이와 같은 정보 분배 서버(200)의 구성에 대하여, 도 2를 사용하여 설명한다. 도 2는, 정보 분배 서버(200)의 기능 구성을 나타낸 블록도이다. 이 정보 분배 서버(200)는, 컨텐츠 요구 수신부(201)(접수 수단), 레코멘데이션 요구 수신부(202), 이력 클래스 분리부(203)(분리 평면 생성 수단), 사용자 특성 벡터 계산부(204)(사용자 특성 벡터 생성 수단), 분배 정보 저장부(205), 컨텐츠 평가부(206)(평가 수단), 이력 저장부(207)(기억 수단), 및 컨텐츠 송신부(208)를 포함하여 구성되어 있다.
도 3은, 정보 분배 서버(200)의 하드웨어 구성도이다. 도 2에 나타내는 정보 분배 서버(200)는, 물리적으로는, 도 3에 나타낸 바와 같이, CPU(11), 주기억장치인 RAM(12) 및 ROM(13), 입력 디바이스인 키보드 및 마우스 등의 입력 장치(14), 디스플레이 등의 출력 장치(15), 네트워크 카드 등의 데이터 송수신 디바이스인 통신 모듈(16), 하드 디스크 등의 보조기억장치(17) 등을 포함하는 컴퓨터 시스템으로서 구성되어 있다. 도 2에 있어서 설명한 각 기능은, 도 3에 나타내는 CPU(11), RAM(12) 등의 하드웨어 상에 소정의 컴퓨터 소프트웨어를 판독시킴으로써, CPU(11)의 제어 하에서 입력 장치(14), 출력 장치(15), 통신 모듈(16)을 동작시키고, RAM(12)이나 보조기억장치(17)에서의 데이터의 판독 및 기록을 행함으로써 실현된다. 이하, 도 2에 나타내는 기능 블록에 기초하여, 각 기능 블록을 설명한다.
컨텐츠 요구 수신부(201)는, 휴대 전화기(100)로부터의 컨텐츠의 요구에 따라, 네트워크 상의 컨텐츠 프로바이더로부터 컨텐츠를 취득하는 부분이며, 휴대 전화기(100)로부터 컨텐츠의 요구와 그 URL을 수신함으로써 액세스 이력을 수집할 수 있다. 수집한 액세스 이력(URL 등)은, 이력 저장부(207)에 출력된다. 그리고, 이 컨텐츠 요구 수신부(201)는, 액세스 이력으로서 어느 메뉴 화면(사상) 내에 있어서 실제로 액세스된 컨텐츠(URL)와, 메뉴 화면에는 표시되어 있지만, 실제로 액세스 되지 않았던 컨텐츠를 구별하여 수집한다.
또한, 컨텐츠 요구 수신부(201)는, 액세스 요구뿐만 아니라, 휴대 전화기(100)에 있어서 수집된 액세스 이력 정보를 수신하고, 이를 이력 저장부(207)에 출력하도록 해도 된다. 이 경우도 마찬가지로, 휴대 전화기(100)는, 어느 메뉴 화면에 있어서 선택된 컨텐츠, 선택되지 않은 컨텐츠를 구별하여 액세스 이력 정보로서 정보 분배 서버(200)에 송신하도록 구성된다.
레코멘데이션 요구 수신부(202)는, 휴대 전화기(100)로부터 레코멘데이션 정보의 분배 요구를, 휴대 전화기(100)의 사용자의 사용자 ID와 함께 수신하는 부분이다. 레코멘데이션 요구 수신부(202)는, 그 분배 요구를 수신하면, 컨텐츠 평가부(206)에 그 취지를 통지하고, 미리 계산되어 있던 사용자 특성 벡터에 기초하여, 분배 정보 저장부(205)에 기억되어 있는 컨텐츠의 평가를 행하도록 지시한다. 그리고, 변형예로서, 레코멘데이션 요구가 있었다는 취지를 사용자 특성 벡터 계산부(204)에 출력하고, 현시점에 있어서의 사용자 특성 벡터를 계산시켜, 그 결과를 컨텐츠 평가부(206)에 통지하고, 컨텐츠 송신부(208)에 레코멘데이션 정보의 분배를 행하게 하도록 해도 된다.
이력 클래스 분리부(203)는, 이력 저장부(207)[열람 이력 테이블(207c)]에 기억되어 있는 열람 이력 정보에 포함되어 있는 컨텐츠의 특성 벡터에 기초하여, 어느 사용자가 열람한 컨텐츠를 만족 클래스와 불만족 클래스로 분리하기 위한 분리 평면을 생성하는 부분이다. 여기서, 만족 클래스란, 어느 컨텐츠에 액세스하기 위한 메뉴 화면에 있어서 선택 가능하게 표시된 복수개의 컨텐츠 중, 실제로 선택된 컨텐츠만을 포함한 클래스를 말하며, 불만족 클래스란, 그 메뉴 화면에 있어서 선택되지 않은 컨텐츠만을 포함한 클래스를 말한다. 이 이력 클래스 분리부(203)는, SVM법 또는 NN법을 이용하여, 각 컨텐츠의 특성 벡터를 만족 클래스와 불만족 클래스로 분리할 수 있는 분리 평면을 생성함으로써, 이들 클래스를 분리할 수 있다. 여기서 SVM(Support Vector Machine)법이란, 각각의 클래스의 노드(node)간(특성 벡터간)의 최소 거리를 최대화하는 평면을 분리 평면으로 하는 방법이며, NN법이란, 각각의 클래스의 중심(重心)간, 즉 각 컨텐츠의 특성 벡터에 기초하여 산출된, 만족 클래스의 중심과 불만족 클래스의 중심을 연결한 직선을 추천하는 평면을 분리 평면으로 하는 방법이다. 그리고, NN법에 있어서는, 반드시 분리 평면을 구할 필요는 없고, 불만족 클래스의 중심으로부터 만족 클래스로의 중심에 연결한 직선을 사용자 특성 벡터로 하도록 해도 된다.
여기서 분리 평면을 생성하는 구체적인 방법에 대하여 설명한다. 도 4는, 휴대 전화기(100)에 표시되는 메뉴 화면의 일례를 나타낸 설명도이다. 도 4에 나타낸 바와 같이 Node1～Node5가 표시되어 있다. 이 Node는, 선택 대상 항목을 나타낸 것이며, 예를 들면, 웹 상의 메뉴 화면에서의 카테고리마다 구별된 항목이거나, 웹 페이지의 타이틀이다. 예를 들면, Node1이 자동차에 관한 컨텐츠, Node2가 금융에 관한 컨텐츠 등이다. 사용자는, Node1～Node5 중 어느 하나를 선택함으로써, 대응하는 컨텐츠를 열람할 수 있다.
도 5는, 분리 평면을 생성할 때의 처리 개념을 나타내는 개념도이다. 도 5는, 전술한 도 4에서의 메뉴 화면 중 사용자가 선택한 컨텐츠 및 선택되지 않은 컨텐츠에 있어서의, 특징 공간 내에서의 각 컨텐츠의 특성 벡터의 위치 관계를 나타낸다. 도 5에 나타내어져 있는 바와 같이, 원형으로 나타내어져 있는 부분이 만족스러운 컨텐츠(Node3, Node4)이며, 삼각형으로 나타내어져 있는 부분이 불만족스러운 컨텐츠(Node1, Node2, Node5)이며, 사각형으로 나타내어져 있는 부분이 미지의 미평가 컨텐츠(Node8, Node7)이다. 이들 만족 컨텐츠와 불만족 컨텐츠를 분리하도록 생성된 것이 분리 평면이다. 여기서는, 미평가 컨텐츠는 분리 처리할 때는 고려되지 않는다. 그리고, 도면에 있어서는, 특징 공간을 편의상 2차원 평면에 의해 표현하고 있지만, 벡터를 구성하는 파라미터 분만큼 벡터 축이 존재하게 되어, 통상은 20차원 이상의 벡터로 특징 공간은 구성되어 있다.
사용자 특성 벡터 계산부(204)는, 이력 클래스 분리부(203)에 의해 생성된 분리 평면에 대하여 직교하는 직교 벡터를 산출하고, 이것을 사용자 특성 벡터로 하는 부분이다. 도 6에 그 구체예를 나타낸다. 도 6은, 분리 평면에 기초하여 사용자 특성 벡터를 산출하고, 또한 사용자 특성 벡터에 기초하여 평가를 행할 때의 개념을 나타내는 개념도이다. 도 6에 나타낸 바와 같이, 분리 평면에 직교하는 직교 벡터인 사용자 특성 벡터 w가, 사용자 특성 벡터 계산부(204)에 의해 산출된다. 사용자 특성 벡터 계산부(204)는, 열람 이력이 수집될 때마다 계산하고, 사용자 특성 벡터 관리 테이블(207a)에 기억되어 있는 사용자 특성 벡터를 갱신시킨다.
분배 정보 저장부(205)는, 분배 대상인 컨텐츠(레코멘데이션 정보) 및 그 관리 정보를 기억하는 부분이며, 컨텐츠 관리 테이블(205a)을 기억하고 있다. 도 7은, 컨텐츠 관리 테이블(205a)의 기억 내용을 나타내는 설명도이다. 도 7에 나타낸 바와 같이, 이 컨텐츠 관리 테이블(205a)은, 컨텐츠 ID, 카테고리, 타이틀, 및 레코멘데이션 본문을 대응시켜 기억하고 있다. 컨텐츠 ID는, 컨텐츠를 일의적으로 특정하기 위한 식별 정보이며, 카테고리는 정보 종류별을 나타내고, 예를 들면, CD와 관련된 것, DVD와 관련된 것, 서적과 관련된 것, 텔레비전 프로그램과 관련된 것 등을 나타내기 위한 정보이다. 타이틀은, 레코멘데이션 정보로서 표시하기 위한 표제 정보이다. 레코멘데이션 정보를 전달할 때는, 이 타이틀 부분이 표시되게 된다. 레코멘데이션문은, 레코멘데이션 정보의 본체 부분이며, 사용자에게 유용한 정보이다. 이 컨텐츠 관리 테이블(205a)에 기억되는 정보는, 미리 오퍼레이터에 의해 입력된 것일 수도 있고, 자동적으로 컨텐츠 프로바이더로부터 검색?추출되어 소정의 필터에 의해 범위가 좁혀진 것일 수도 있다.
컨텐츠 평가부(206)는, 레코멘데이션 요구 수신부(202)에 의해 레코멘데이션의 요구가 수신되면, 분배 정보 저장부(205)에 기억되어 있는 컨텐츠에 대하여, 사용자 특성 벡터 계산부(204)에 의해 계산된 사용자 특성 벡터에 기초하여 평가하고, 그리고, 평가가 높은 순으로 컨텐츠의 타이틀을 배열한 레코멘데이션 정보를 생성하는 부분이다. 구체적으로는, 이 컨텐츠 평가부(206)는, 사용자 특성 벡터와 각 컨텐츠의 특성 벡터와의 내적(內積)을 계산함으로써 평가값을 산출하고, 이 평가값이 높은 순으로 컨텐츠의 타이틀을 배열한 레코멘데이션 정보를 생성한다.
개념적으로는, 다음과 같다. 예를 들면, 도 6에서는, Node7 및 Node8이 컨텐츠 관리 테이블(205a)에 기억된 정보이며, 미지의 컨텐츠로서 취급되고 있다. 여기서, Node7 및 Node8로부터 사용자 특성 벡터 w에 대하여 수직선을 내린 점이 사용자 특성 벡터 w에 대한 평가점이 된다. 이 수직선과 사용자 특성 벡터와의 교점의 위치가 상위에 있는 순으로 컨텐츠(타이틀 부분)를 표시하도록 레코멘데이션 정보를 생성한다. 그리고, 분리 평면을 기준으로, 표시 또는 비표시로 하도록 해도 된다. 예를 들면, Node8로부터의 수직선과의 교점은, 분리 평면을 기준으로 한 경우, 그보다 상위에 위치하고 있으므로, 사용자에게 있어서 평가는 높은 것으로 판단되어 레코멘데이션 정보로서 선택된다. 한편, Node7은 기준보다 아래에 있으므로, 평가는 낮고, 레코멘데이션 정보로서 선택되지 않도록 하는 레코멘데이션 정보로 해도 된다.
이력 저장부(207)는, 각 이력 정보를 기억하는 부분이며, 사용자 특성 벡터 관리 테이블(207a), 컨텐츠 특성 벡터 관리 테이블(207b), 및 열람 이력 테이블(207c)을 기억하고 있다.
사용자 특성 벡터 관리 테이블(207a)은, 사용자 특성 벡터 계산부(204)에 의해 계산된 사용자 특성 벡터를, 사용자를 특정하기 위한 사용자 ID와 대응시켜 기억하는 부분이다.
컨텐츠 특성 벡터 관리 테이블(207b)은, 컨텐츠 관리 테이블(205a)에 기억되어 있는 컨텐츠의 특성 벡터를, 그 컨텐츠를 특정하기 위한 정보(예를 들면, 컨텐츠 ID, URL 등)와 대응시켜 기억하는 부분이다. 이 컨텐츠 특성 벡터는, 사용자가 액세스했을 때 그 컨텐츠와 함께, 컨텐츠 요구 수신부(201)에 의해 취득되며, 레코멘데이션 정보를 등록할 때 오퍼레이터에 의해 설정된다. 예를 들면, 컨텐츠 특성 벡터 관리 테이블(207b)은, 도 8에 나타내는 정보가 기억되어 있다. 도 8에 나타낸 바와 같이, 컨텐츠 ID와 대응시켜, 특성 벡터를 구성하는 파라미터가 복수개 기억되어 있다. 도 8에서는, 8개의 파라미터를 기재하고 있지만, 통상적으로는 더 많은 파라미터로부터 특성 벡터는 구성되어 있다. 그리고, 규정된 파라미터 이외에, 컨텐츠마다 형태소 해석(morpheme analysis)에 따라 추출된 키워드를 파라미터로서 추가하도록로 해도 된다. 특성 벡터를 구성하는 파라미터마다, 0 내지 1 사이의 수치가 기술되어 있고, 어느 특성 벡터에 특징을 가지게 하고 있는지를 나타내고 있다.
열람 이력 테이블(207c)은, 컨텐츠 요구 수신부(201)에 의해 수신된 행선지 또는 수집된 액세스 이력 정보를 기억하는 부분이며, 예를 들면, 컨텐츠 ID(또는 컨텐츠의 URL) 및 그 컨텐츠(열람된 것, 열람되지 않은 것 각각)의 특성 벡터를 대응시켜 기억하는 부분이다. 이 컨텐츠의 특성 벡터는, 컨텐츠 요구 수신부(201)에 의해 취득되는 컨텐츠와 함께 취득된다.
컨텐츠 송신부(208)는, 컨텐츠 요구 수신부(201)에 의해 수신된 컨텐츠 요구 또는 레코멘데이션 요구 수신부(202)에 의해 수신된 레코멘데이션 요구에 따라 취득된 컨텐츠를 송신하는 부분이다. 예를 들면, 컨텐츠 송신부(208)는, 컨텐츠 요구 수신부(201)에 의해 수신된 컨텐츠 요구에 따라 취득된 컨텐츠를 송신하고, 또한 레코멘데이션 요구 수신부(202)에 따라 분배 정보 저장부(205)에 기억되어 있는 컨텐츠에 기초하여 컨텐츠 평가부(206)에 의한 평가 결과에 따라 생성된 레코멘데이션 정보를 송신한다.
이와 같이 구성된 정보 분배 서버(200)는, 휴대 전화기(100)로부터의 요구에 따라, 사용자 특성 벡터에 기초하여 평가된 레코멘데이션 정보를 분배할 수 있다. 따라서, 기호?취미 등의 정보를 등록할 필요는 없고, 또한 액세스한 컨텐츠에 직접적으로 관련되는 컨텐츠만을 추출하지 않고, 레코멘데이션 정보를 빠짐없이 분배할 수 있도록 한다.
다음으로, 휴대 전화기(100)에 대하여 설명한다. 도 9는, 휴대 전화기(100)의 기능 구성을 나타낸 블록도이다. 도 9에 나타낸 바와 같이, 휴대 전화기(100)는, 브라우저(101), 이력 송신부(102), 레코멘데이션 요구 송신부(103), 및 분배 정보 표시부(104)를 포함하여 구성되어 있다. 이 휴대 전화기(100)는, CPU, RAM, ROM 등의 하드웨어에 의해 구성되어 있고, 기억되어 있는 프로그램에 따라 CPU는 동작하도록 구성되어 있다. 구체적으로는, 정보 분배 서버(200)와 동일한 구성을 취하며, 도 3에 나타내는 하드웨어 구성에 의해 실현된다. 이하, 각 구성에 대하여 설명한다.
브라우저(101)는, 인터넷에 접속하기 위한 응용프로그램 부분이며, 인터넷 상에 배치되어 있는 사이트에 대하여 액세스하여, 사이트에 유지되어 있는 컨텐츠를 사용자가 열람 가능하도록 한다. 이 브라우저(101)는, 액세스 이력을 유지하도록 구성된다.
이력 송신부(102)는, 브라우저(101)를 사용하여 액세스한 컨텐츠의 액세스 이력(동일 메뉴 화면 상에 있어서 선택된 컨텐츠 및 선택되지 않은 컨텐츠를 나타내는 정보)을 송신하는 부분이다. 그리고, 이 이력 송신부(102)는, 정보 분배 서버(200) 측에서 액세스할 때마다 이력 정보를 수집하는 기능을 가지고 있는 경우에는, 필수적인 구성은 아니다.
레코멘데이션 요구 송신부(103)는, 도시하지 않은 조작부를 사용자가 조작함으로써 사용자 ID와 함께 레코멘데이션 정보의 요구를 정보 분배 서버(200)에 송신하는 부분이다.
분배 정보 표시부(104)는, 브라우저(101)에 의해 취득된 메뉴 화면 및 컨텐츠(웹 페이지)를 표시하는 부분이다.
이와 같이 구성된 휴대 전화기(100)는, 브라우저(101)를 사용하여 인터넷에 액세스 가능하게 하고, 그 액세스 이력을 유지하고, 이력 송신부(102)는, 정보 분배 서버(200)로부터의 요구 또는 소정의 타이밍으로 액세스 이력을 송신할 수 있다.
다음으로, 이들 휴대 전화기(100) 및 정보 분배 서버(200)의 동작에 대하여 설명한다. 도 10은, 휴대 전화기(100)의 요구에 따라 컨텐츠를 분배할 때의 휴대 전화기(100)와 정보 분배 서버(200)의 처리를 나타낸 시퀀스도이다.
도 10에 나타낸 바와 같이, 휴대 전화기(100)에 있어서의 브라우저(101)로부터의 요구에 따라, 컨텐츠 송신부(208)에 의해 정보 분배 서버(200)로부터 메뉴 화면이 분배된다(S101). 휴대 전화기(100) 사용자는, 그 메뉴 화면으로부터 임의의 하나의 컨텐츠(전술한 Node에 상당)를 선택하고, 휴대 전화기(100)에 있어서의 브라우저(101)가 이것을 받으면(S102), 컨텐츠의 접속 요구 및 그 행선지에서 URL이 정보 분배 서버(200)에 송신된다(S103).
정보 분배 서버(200)에서는, URL은 컨텐츠 요구 수신부(201)에 의해 수신되고, 열람 이력 테이블(207c)에 액세스 이력으로서 기억된다. 그리고, 이 액세스 이력에 기초하여, 사용자 특성 벡터의 계산이 행해지고, 기억된다(S104). 그리고, 컨텐츠 송신부(208)에 의해 S103에 있어서 요구가 있었던 행선지에 기초한 컨텐츠가 컨텐츠 프로바이더(도시하지 않음)로부터 취득되고, 분배된다(S105). 그리고, 사용자 특성 벡터의 계산 처리와, 컨텐츠의 분배 처리의 순번은 반대일 수도 있다.
여기서 S104에 있어서의 사용자 특성 벡터 계산의 상세한 처리에 대하여 설명한다. 도 11은, 사용자 특성 벡터의 계산 처리를 나타낸 흐름도이다. 도 11에 나타낸 바와 같이, 먼저 컨텐츠 요구 수신부(201)에 의해 수신된 액세스 요구 또는 액세스 이력에 의해 나타낸 액세스 이력 정보가, 새로 추가된 액세스 이력으로서 열람 이력 테이블(207c)에 기억된다(S201).
그리고, 이력 클래스 분리부(203)에 의해, 이 열람 이력 테이블(207c)에 기억되어 있는 액세스 이력 정보에 기초하여, 각 만족 클래스 또는 불만족 클래스에 속하는 컨텐츠의 특성 벡터가 추출된다(S202). 그리고, 이력 클래스 분리부(203)에 의해, 이들 특성 벡터에 기초하여 만족 클래스와 불만족 클래스를 분리하기 위한 분리 평면이 생성된다(S202). 다음으로, 사용자 특성 벡터 계산부(204)에 의해, 생성된 분리 평면에 직교하는 직교 벡터가 계산되고, 사용자 특성 벡터가 구해진다(S204). 여기서 구해진 사용자 특성 벡터는, 사용자 특성 벡터 관리 테이블(207a)에 유지되고, 레코멘데이션 정보의 분배 시에 있어서 분배 정보 저장부(205)에 기억되어 있는 컨텐츠를 평가할 때 이용된다.
다음으로, 본 실시예에 있어서의 레코멘데이션 정보를 분배할 때의 그 컨텐츠의 평가 처리에 대하여 설명한다. 도 12는, 레코멘데이션 정보를 분배할 때의 시퀀스도이다. 도 12에 나타낸 바와 같이, 휴대 전화기(100)에 있어서의 레코멘데이션 요구 송신부(103)에 의해 사용자 ID를 포함한 레코멘데이션 요구가 송신되고, 이 레코멘데이션 요구는 정보 분배 서버(200)에 있어서의 레코멘데이션 요구 수신부(202)에 의해 수신된다(S301). 그리고, 정보 분배 서버(200)에서는, 분배 정보 저장부(205)에 기억되어 있는 컨텐츠에 대하여, 컨텐츠의 평가가 행해진다(S302). 여기서는, 컨텐츠 평가부(206)에 의해, 사용자 특성 벡터에 따라 평가되고, 고평가순으로 컨텐츠의 타이틀을 배열한 레코멘데이션 정보가 생성된다. 그리고, 컨텐츠 송신부(208)에 의해, 이와 같이 생성된 레코멘데이션 정보가 분배된다(S303).
여기서, S302의 컨텐츠 평가에 대하여 더욱 상세한 처리에 대하여 설명한다. 도 13은, 컨텐츠의 평가 처리를 나타낸 흐름도이다. 도 13에 나타낸 바와 같이, 컨텐츠 평가부(206)에 의해, 레코멘데이션 요구와 함께 송신된 사용자 ID에 기초하여, 사용자 특성 벡터 관리 테이블(207a)로부터, 대응하는 사용자 특성 벡터가 취득된다(S401). 다음으로, 컨텐츠 평가부(206)에 의해, 컨텐츠 특성 벡터 관리 테이블(207b)로부터, 각 컨텐츠의 특성 벡터가 취득된다(S402).
그리고, 컨텐츠 평가부(206)에 의해, 사용자 특성 벡터와 컨텐츠의 특성 벡터의 내적이 계산된다(S403). 컨텐츠 평가부(206)에 의해 계산된 내적이 큰 순서로, 컨텐츠 관리 테이블(205a)에 기억되어 있는 컨텐츠 ID에 대응하는 타이틀이 추출되고, 그 타이틀이 평가가 높은 순으로 배열됨으로써 레코멘데이션 정보가 생성된다. 그리고, 컨텐츠 송신부(208)에 의해, 생성된 레코멘데이션 정보가 휴대 전화기(100)에 송신된다(S404).
이와 같이, 사용자 특성 벡터에 따라, 레코멘데이션 정보를 제공할 수 있고, 레코멘데이션 정보를 사용자에게 빠짐없이 제공할 수 있다.
<상대 공간에 있어서의 분리 평면의 생성>
이상의 분리 평면의 생성 방법은, 절대 공간에서의 컨텐츠의 특성 벡터에 따라 행해지지만, 보다 정밀도를 높이는 방법으로서, 상대적인 위치 관계를 구한 상대 공간을 이용하는 것도 고려할 수 있다. 이하, 상대 공간을 사용하여 분리 평면을 생성하는 방법에 대하여 설명한다. 그리고, 이 때의 처리 구성은 전술한 바와 마찬가지이며, 이력 클래스 분리부(203)에서의 처리 내용이 상이할 뿐이다.
도 14는, 이력 사상 a와 이력 사상 b에 있어서의 메뉴 화면의 구성예를 나타내고, 도 14의 (a)가 이력 사상 a에 있어서의 메뉴 화면을 나타낸 도면이며, 이 메뉴 화면은 Node1 내지 Node3으로 구성되어 있다. 또한, 도 14의 (b)가 이력 사상 b에 있어서의 메뉴 화면을 나타낸 도면이며, 이 메뉴 화면은 Node6 내지 Node9로 구성되어 있다. 도 14의 (a)에서는, Node3이 선택되어 있고, 도 14의 (b)에서는, Node9가 선택되어 있는 것이 나타내어져 있다.
도 15는, 도 14에서 나타낸 각각의 메뉴 화면에 있어서 선택된 컨텐츠의 특성 벡터의 특징 공간에 있어서의 위치 관계를 나타낸 도면이다. 도 15의 (a)는, 이력 사상 a에 있어서 선택된 컨텐츠의 특징 공간(절대 공간), 도 15의 (b)는, 이력 사상 b에 있어서 선택된 컨텐츠의 특징 공간(절대 공간)을 나타낸 도면이다. 전술한 바와 마찬가지로, 선택된 컨텐츠는 만족스러운 컨텐츠, 선택되지 않은 컨텐츠는 불만족스러운 컨텐츠로 정의되고, 각각 만족 클래스, 불만족 클래스로 분류할 수 있다.
도 16은, 각각의 이력 사상 a 및 b를 동일 특징 공간 상에, 컨텐츠의 특성 벡터를 나타낸 도면으로서, 불만족스러운 컨텐츠의 특성 벡터를 원점으로 취한 경우에 있어서의 만족스러운 컨텐츠의 특성 벡터의 위치를 나타내는 상대 공간을 나타낸 도면이다. 예를 들면, Node2와 Node3의 상대 비교, Node1과 Node3의 상대 비교를 위하여, 각각 Node1, Node2를 원점으로 한 경우의 Node3의 위치를 나타낸 특징 공간을 상대 공간으로 하고 있다. 보다 구체적으로는, Node3의 특성 벡터로부터 Node1의 특성 벡터를 감산함으로써, 상대 공간을 형성할 수 있다. 다른 Node에 대해서도 마찬가지로, 대상이 되는 컨텐츠의 특성 벡터를 감산하는 처리를 행함으로써 상대 공간을 형성할 수 있다.
이 상대 공간에 있어서, 도 16에 나타낸 바와 같이 이와 같이 만족스러운 컨텐츠의 특성 벡터, 불만족스러운 컨텐츠의 특성 벡터에 기초하여, 만족 클래스와 불만족 클래스로 분리하기 위한 분리 평면이, 이력 클래스 분리부(203)에 의해 생성된다. 그리고, 사용자 특성 벡터 계산부(204)에 의해, 이 분리 평면에 직교하는 직교 벡터인 사용자 특성 벡터 w가 계산된다.
이와 같이, 이력 사상이 상이한 경우에도, 상대 공간을 이용하여 사용자 특성 벡터를 생성할 수 있고, 보다 식별성이 높은 사용자 특성 벡터를 생성할 수 있다.
도 17은, 절대 공간에 있어서의 각 컨텐츠의 특성 벡터에 기초하여 평가를 행할 때의 개념을 나타낸 도면이며, 예를 들면, 분배 정보 저장부(205)에 기억되어 있는 미지의 컨텐츠인 Node6～Node8은, 생성된 사용자 특성 벡터에 기초하여 평가된다. 여기서는 전술한 바와 마찬가지로, 컨텐츠 평가부(206)는 사용자 특성 벡터와 각 컨텐츠의 특성 벡터의 내적을 계산함으로써, 그 평가값을 산출할 수 있다. 개념적으로는, 전술한 바와 마찬가지로, 사용자 특성 벡터에 사영(射影)한 점, 즉 수직선을 내린 점이, 그 벡터 방향에 있어서의 상위 순서로 컨텐츠의 우선 순서가 결정된다.
이와 같이 상대 공간을 사용하여 분리 평면을 생성하고, 이에 따라 사용자 특성 벡터를 생성할 수 있다. 그런데, 도 15 내지 도 17에 대해서는, 절대 공간으로서 취급해도 분리 평면을 생성할 수 있지만, 분리 평면을 생성할 수 없는 특성 벡터에 의해 구성되는 특징 공간도 생각할 수 있다. 그럴 경우에, 전술한 상대 공간을 이용함으로써 분리 평면을 생성할 수 있다. 이하, 그 방법에 대하여 설명한다.
도 18의 (a)는, 절대 공간에서의 컨텐츠의 특성 벡터를 나타낸 도면이다. 도 18의 (a)에서는, Node1과 Node4가 동일한 사상(메뉴 화면)에 존재하는 컨텐츠이며, Node2와 Node3이 동일한 사상에 존재하는 컨텐츠인 것을 전제로 하고 있다. 그리고, 원형이, 선택된 컨텐츠의 특성 벡터(만족 클래스), 삼각형이, 선택되지 않은 컨텐츠의 특성 벡터(불만족 클래스)이다.
도 18의 (a)로부터 명백한 바와 같이, 절대 공간에 있어서는, 이와 같은 위치 관계를 취하는 특성 벡터의 컨텐츠에 대해서는, 분리 평면을 생성할 수 없다. 분리 평면은, 만족 클래스와 불만족 클래스를 분리하기 위한 평면이므로, 도 18의 (a)의 예에서는, 과부족없이 양 자를 분리할 수 없기 때문이다. 따라서, 분리 평면을 생성할 수 있도록 상대적인 위치 관계를 나타내는 상대 공간으로 변환할 필요가 있다.
도 18의 (b)는, 상대 공간 내에서의 컨텐츠의 특성 벡터를 나타낸 도면이며, Node1 및 Node2가 동일한 위치로 되도록, 도 18의 (b)의 예에서는, Node2를 평행이동시키기 위해, Node2에 대응하는 Node3을 평행이동시키고 있다. 이와 같이 상대 공간으로 변환함으로써, 불만족스러운 컨텐츠인 Node1(Node2)과, 만족스러운 컨텐츠인 Node3 및 Node4를 분리할 수 있는 분리 평면 v를 생성할 수 있다.
이상과 같이 절대 공간에서는, 분리 평면을 생성할 수 없는 경우라도, 상대 공간으로 변환함으로써 분리 평면을 생성할 수 있고, 이로써, 사용자 특성 벡터를 계산할 수 있다.
<열람 빈도를 고려한 분리 평면의 생성 방법>
다음으로, 컨텐츠의 열람 빈도를 사용한 가중치 부여 처리를 행하고, 이 가중치 부여 처리된 특성 벡터를 사용하여 분리 평면을 생성할 때의 이력 클래스 분리부(203)의 처리에 대하여 설명한다. 그리고, 여기서는, NN법을 이용한 분리 평면의 생성에 대하여 설명한다.
도 19는, 열람 빈도를 고려하여 특성 벡터의 중심을 구하는 처리를 나타낸 개념도이며 NodeA～C에 대응한 컨텐츠 c1～c3의 특성 벡터의 위치를 나타내는 특징 공간을 나타내는 개념도이다. 컨텐츠 c1의 열람 빈도는 3회, 컨텐츠 c2의 열람 빈도는 1회, 컨텐츠 c3의 열람 빈도는 10회로 한다. 그리고, 열람 이력 테이블(207c)은, 열람된 컨텐츠의 열람 이력, 열람되지 않은 컨텐츠의 불열람 이력을 기억해 두는 것이 바람직하고, 각각의 빈도를 유지 또는 계산 가능하게 기억해 둘 필요가 있다.
이 경우, 이들 컨텐츠 c1～c3의 중심(重心)은, 이하의 식 (1)에 의해 계산된다.
[식 1]
Figure 112010054121200-pct00001
그리고, ci는 열람된 컨텐츠의 특성 벡터, ni는 열람 빈도이다.
이 계산을 행함으로써 중심이 정해진다. 또한, 도시하지 않지만 열람되지 않은 컨텐츠에 대해서도 마찬가지로 식 (1)을 사용하여, 열람되지 않은 컨텐츠의 특성 벡터를 사용하여 그 중심을 구한다. 그리고, 열람되지 않은 컨텐츠의 중심으로부터 열람된 컨텐츠의 중심에 대하여 연결한 직선을 사용자 특성 벡터로서 구할 수 있다. 그리고, 이 직선은, 분리 평면에 직교하는 직선과 동일한 방향을 취하며, 분리 평면을 산출하고, 이 분리 평면에 직교하는 직교 벡터를 구하도록 해도 되지만, NN법에 있어서는 반드시 분리 평면은 필요한 것은 아니다.
이로써, 컨텐츠의 열람 빈도를 이용하여 사용자 특성 벡터를 구할 수 있고, 열람 빈도를 이용하지 않는 경우에 비해, 사용자의 기호에 가까운 사용자 특성 벡터를 구할 수 있다. 따라서, 사용자의 기호에 따른 컨텐츠의 평가를 행할 수 있다.
<선택 순위를 고려한 분리 평면의 생성 방법>
다음으로, 열람한 컨텐츠의 순번을 고려하여 분리 평면을 생성할 때의 이력 클래스 분리부(203)의 처리에 대하여 설명한다. 일반적으로, 가장 최근에 액세스한 컨텐츠가, 그 전에 액세스한 컨텐츠보다 중요하거나, 또는 사용자의 기호에 가까운 것으로 생각할 수 있다. 이 시간차가 커질수록, 사용자의 기호에 변화가 생기고, 보다 최근에 액세스한 컨텐츠를 중요하게 생각하는 것이 현저하게 된다. 여기서는, 그 시간차(시계열 성분)를 고려하여 분리 평면을 생성할 때의 처리에 대하여 설명한다.
도 20은, 이력 클래스 분리부(203)가 분리 평면을 생성할 때 있어서, 그 액세스된 시계열순으로 NN법에 의해 사용자 특성 벡터를 생성할 때의 처리를 나타낸 설명도로서, 도 20의 (a)는, 그 때의 메뉴 화면을 나타내는 설명도이며, 도 20의 (b)는, 사용자가 선택한 컨텐츠의 선택 이력을 나타내는 설명도이며, 도 20의 (c)는, 특징 공간에 있어서의 각 컨텐츠의 특성 벡터를 나타낸 개념도이며, 도 20의 (d)는, 선택 순서를 고려한 분리 평면을 생성하는 것을 설명하기 위한 개념도이다. 그리고, 선택 이력은, 열람 이력 테이블(207c)에 기억된다.
도 20의 (a)에 나타낸 바와 같이, NodeA 내지 NodeF에 의해 메뉴 화면이 구성되어 있다. 여기서는 도 20의 (b)에 나타낸 바와 같이 NodeA, NodeB, NodeC의 차례로 컨텐츠가 선택되어 있다. 따라서, NodeA, NodeB, NodeC가 만족 클래스로 분류되는 컨텐츠가 되고, NodeD, NodeE, NodeF가 불만족 클래스로 분류되는 컨텐츠가 된다.
다음으로, 도 20의 (c) 및 도 20의 (d)를 사용하여, 분리 평면을 생성할 때의 처리를 나타낸 개념에 대하여 설명한다. 도 20의 (c)에 나타낸 바와 같이, NodeA 내지 NodeF는, 그 특성 벡터에 따라 특징 공간 상에 위치하게 된다. 그리고, 가장 최근에 선택한 컨텐츠의 특성 벡터의 영향이 커지도록 계산된다. 도 20의 (d)에 나타낸 바와 같이, 만족 클래스에 있어서의 중심을 구하기 위해, 먼저, NodeA와 NodeB의 중점(中點) w1이 계산된다. 그리고, 이 중점 w1과 NodeC의 중점 w2가 계산된다.
한편, 불만족 클래스에 있어서는, NodeD, NodeE, NodeF에 기초하여 중심 w3가 계산된다. 불만족 클래스에 있어서는 선택 순서의 개념이 없기 때문에, 통상적인 처리와 동일하게, 이 3개의 Node에 기초한 중심 w3가 계산된다. 그리고, 중점 w2와 중심 w3를 연결한 선이 수직선이 되는 분리 평면 v가 생성된다. 그리고, 본 실시예에 있어서는 이 분리 평면 v에 직교하는 직교 벡터를 사용자 특성 벡터로 하며, 이는, 중심 w3로부터 중점 w2를 향해 연결한 직선과 같다. 실시예에서의 설명의 편의를 위해, 분리 평면을 구하고 있지만, NN법을 이용하는 경우에 있어서는 분리 평면을 구하는 것은 필수적인 것은 아니다.
이와 같이, 특성 벡터와 특성 벡터의 중점을 산출하고, 또한 이 중점과 특성 벡터의 중점을 산출하고, 시계열적으로 차례로 중점을 산출함(NN법을 적용함)으로써, 앞선 액세스 이력일수록 가중치가 작아지고, 시계열 순위를 고려한 중심을 산출할 수 있다.
<조작 메뉴에 대한 적용>
그런데, 전술한 각 방법에서는, 메뉴 화면으로서, 웹 사이트인 정보 분배 서버(200)로부터 송신된 메뉴 화면을 예로 들어 설명하였으나, 이에 한정되지 않고, 예를 들면, 휴대 전화기(100)의 조작 메뉴에 대하여, 레코멘데이션 정보로서 레코멘데이션 조작 정보를 표시하도록 해도 된다.
예를 들면, 조작 메뉴에 있어서의 각 조작 항목에 대하여, 특성 벡터가 할당되어 있고, 사용자의 조작 이력에 따라, 사용자 조작에 관한 사용자 특성 벡터가 생성되고, 사용자가 레코멘데이션 조작 정보의 요구를 발하면, 이 사용자 특성 벡터에 기초하여 레코멘데이션 조작 정보를 생성하도록 해도 된다. 그리고, 조작 이력 정보는, 소정의 타이밍으로 휴대 전화기(100)로부터 정보 분배 서버(200)에 송신되고, 기억되도록 구성되어 있다.
도 21은, 조작에 관한 특징 공간에 있어서의 특성 벡터의 파라미터를 나타내는 설명도이다. 도 21에 나타낸 바와 같이, 휴대 전화기(100)의 단말기 기능으로서, 「착신 문자」, 「텔레비전 전화」, 「원세그(일본에서의 휴대전화?이동통신용 원세그먼트 부분 수신 서비스)」, 「화면 메모」, 「텍스트 메모」가 규정되어 있다. 또한, 특성 벡터를 구성하는 파라미터로서 「전화」, 「인터넷」, 「텍스트」, 「메모」, 「텔레비전」이 규정되어 있다. 이와 같이, 휴대 전화기(100)의 기능에 특성 벡터가 규정되어 있다. 예를 들면, 「착신 문자」에는, 「전화」 및 「텍스트」의 파라미터에 1이 부여되어 있고, 전화 및 텍스트와 관련이 있는 기능인 것이 나타내어져 있다. 분배 정보 저장부(205)에는, 모든 단말기 기능 정보가 기억되고, 사용자가 조작 메뉴를 표시하는 조작을 행할 때는, 그 취지가 통지되어 컨텐츠 평가부(206)는, 조작 정보의 평가를 행하여 적절한 레코멘데이션 조작 정보를 생성하고, 컨텐츠 송신부(208)는, 레코멘데이션 조작 정보를 송신하고, 휴대 전화기(100)에 있어서 그것을 표시하게 할 수 있다.
이와 같이 조작 메뉴에 대해서도 본 실시예의 평가 방법을 적용하고, 레코멘데이션 조작 정보를 사용자에게 제공함으로써, 사용자가 자주 사용하는 조작과 유사하거나 또는 관련된 조작을 사용자에게 통지할 수 있다.
또한, 정보 분배 서버(200)에 접속하지 않고, 휴대 전화기 내에서 처리를 행하는 것도 고려할 수 있다. 도 22는, 레코멘데이션 조작 정보를 표시할 수 있는 휴대 전화기(100a)의 기능을 나타낸 블록도이다. 이 하드웨어 구성은 도 3과 같다.
이 휴대 전화기(100a)는, 조작부(101a), 레코멘데이션 조작 표시부(104a), 이력 클래스 분리부(105), 사용자 특성 벡터 계산부(106), 조작 정보 평가부(107), 조작 정보 저장부(108), 및 이력 저장부(109)를 포함하여 구성되어 있다.
이하, 각 구성에 대하여 설명한다. 조작부(101a)는, 휴대 전화기(100a)에 탑재되어 있는 각 기능을 실행하기 위한 부분이며, 숫자 패드, 터치 패널 등으로 구성되어 있다.
레코멘데이션 조작 표시부(104a)는, 레코멘데이션 조작 정보를 표시하는 부분이며, 후술하는 바와 같이 사용자의 조작 이력에 따라 정해진 사용자에게 있어서 미지의 조작을 나타내는 레코멘데이션 조작 정보를 표시하는 부분이다.
이력 클래스 분리부(105), 사용자 특성 벡터 계산부(106), 조작 정보 평가부(107), 조작 정보 저장부(108), 및 이력 저장부(109)는, 각각 도 2에 의해 나타내어져 있는 정보 분배 서버(200)의 이력 클래스 분리부(203), 사용자 특성 벡터 계산부(204), 분배 정보 저장부(205), 컨텐츠 평가부(206) 및 이력 저장부(207)에 상당하며, 이력 클래스 분리부(105)에 있어서, 동일 조작 메뉴 내에 있어서 조작된 기능, 조작되지 않은 기능을 각각 만족 기능, 불만족 기능으로 분리하는 분리 평면을 생성하고, 사용자 특성 벡터 계산부(106)는, 생성된 분리 평면에 직교하는 직교 벡터를 사용자 특성 벡터로 한다. 조작 정보 평가부(107)는, 계산된 사용자 특성 벡터에 따라, 각 기능 특성 벡터에 기초하여 평가를 행하고, 고평가 기능에 대해서는, 조작 메뉴 상에 표시하도록 그 메뉴 화면을 편집한다. 사용자는, 조작 메뉴를 표시시킬 때는, 그 조작 메뉴 상에서 고평가된 기능을 확인할 수 있다.
다음으로, 본 실시예의 휴대 전화기(100) 및 정보 분배 서버(200)의 작용 효과에 대하여 설명한다. 휴대 전화기(100)에 있어서, 브라우저를 조작함으로써 메뉴 화면이 표시되고, Node1～Node5 등의 컨텐츠를 나타내는 복수개의 선택 대상 항목이 표시되어 있다. 그리고, 사용자 조작에 의해, 이들 컨텐츠로부터 임의의 하나의 컨텐츠를 선택하면, 휴대 전화기(100)는 정보 분배 서버(200)에 선택된 컨텐츠 및 선택되지 않은 컨텐츠를 송신하고, 정보 분배 서버(200)[컨텐츠 요구 수신부(201)]는 이것을 받아들인다. 컨텐츠 요구 수신부(201)는, 선택된 컨텐츠를, 컨텐츠 프로바이더로부터 취득하고, 컨텐츠 송신부(208)는 이것을 휴대 전화기(100)에 송신한다.
한편, 열람 이력 테이블(207c)은, 선택된 컨텐츠의 특성 벡터 및 선택되지 않은 컨텐츠의 특성 벡터를 기억한다. 이력 클래스 분리부(203)는, 열람 이력 테이블(207c)에 기억되어 있는 선택된 컨텐츠의 특성 벡터와 선택되지 않은 컨텐츠의 특성 벡터를, 특징 공간 내에서 분리하기 위한 분리 평면을 생성한다. 그리고, 사용자 특성 벡터 계산부(204)는, 생성된 분리 평면에 직교하는 직교 벡터에 기초하여 사용자 특성 벡터를 생성하고, 이것을 사용자 특성 벡터 관리 테이블(207a)에 기억시킨다. 그 후, 레코멘데이션 요구를 레코멘데이션 요구 수신부(202)가 수신하면, 컨텐츠 평가부(206)는, 기억되어 있는 사용자 특성 벡터에 기초하여, 컨텐츠의 평가를 행한다.
이로써, 사용자의 특성을 나타내는 벡터에 따라 컨텐츠의 평가를 행할 수 있고, 사용자의 취미?기호 등, 또한 액세스 이력 등의 직접적인 정보에 기초하여 추천할 컨텐츠를 평가하지 않고, 컨텐츠를 사용자에게 빠짐없이 제공할 수 있다.
또한, 본 실시예의 정보 분배 서버(200)는, 이력 클래스 분리부(203)는, 선택되지 않은 모든 컨텐츠의 특성 벡터와 선택된 컨텐츠의 특성 벡터의 상대적인 위치 관계를 산출하고, 상기 위치 관계에 기초하여, 분리 평면을 생성하는 것이 바람직하다. 즉, 선택되지 않은 또는 선택된 컨텐츠의 특성 벡터에, 다른 특성 벡터를 중첩하도록 그 위치 관계를 계산하고, 상대 공간을 형성하고, 이 상대 공간에 있어서 분리 평면을 생성하는 것이 바람직하다. 이로써, 상대적인 위치 관계를 나타내는 상대 공간 내에서 분리 평면을 생성하고, 이것에 기초하여, 사용자 특성 벡터를 생성할 수 있으므로, 보다 정밀도가 높은 컨텐츠의 평가를 행할 수 있다.
또한, 본 실시예의 정보 분배 서버(200)에 있어서, 열람 이력 테이블(207c)은, 컨텐츠의 열람 빈도 및 열람되지 않은 비열람 빈도를 기억해 둔다. 그리고, 이와 같은 열람 빈도 및 비열람 빈도를 기억하지 않고, 열람 이력에 기초하여 열람 빈도 및 비열람 빈도를 필요에 따라 계산하도록 해도 된다. 그리고, 열람 빈도가 높은 컨텐츠의 특성 벡터에 그 빈도에 따른 가중치를 부여하고, 비열람 빈도가 높은 컨텐츠의 특성 벡터에 그 빈도에 따른 가중치 부여를 행하고, 이 가중치가 부여된 특성 벡터에 기초하여, 만족 클래스와 불만족 클래스로 분리하기 위한 분리 평면을 생성할 수 있다. 이로써, 빈도에 따라 사용자 특성 벡터를 산출할 수 있고, 보다 정밀도가 양호한 사용자 특성 벡터를 산출하고, 따라서 컨텐츠의 평가를 보다 정확하게 행할 수 있다.
또한, 본 실시예의 정보 분배 서버(200)에 있어서, 컨텐츠 관리 테이블(205a)은, 메뉴 화면에서의 각 컨텐츠를 선택한 시기를, 그 컨텐츠의 특성 벡터와 함께 기억하고, 선택 시기의 새로운 정도에 따라 가중치가 부여된 컨텐츠의 특성 벡터에 기초하여 분리 평면을 생성할 수 있다. 예를 들면, NN법에 있어서는, 시간적으로 오래된 컨텐츠의 특성 벡터로부터 차례로 그 중심을 구해나감으로써, 결과적으로 선택 시기의 새로운 정도에 따른 가중치 부여 처리가 행해지게 된다. 이로써, 시계열 성분을 고려한 가중치를 부여할 수 있고, 보다 정밀도가 양호한 컨텐츠의 평가를 행할 수 있다.
또한, 본 실시예의 정보 분배 서버(200)에 있어서, 컨텐츠 송신부(208)는, 컨텐츠 평가부(206)에 의한 평가 결과에 따라 생성된 레코멘데이션 정보를 송신함으로써, 사용자는 도움이 되는 정보를 취득할 수 있다.
100: 휴대 전화기 100a: 휴대 전화기
101: 브라우저 101a: 조작부
102: 이력 송신부 103: 레코멘데이션 요구 송신부
104: 분배 정보 표시부 104a: 레코멘데이션 조작 표시부
105: 이력 클래스 분리부 106: 사용자 특성 벡터 계산부
107: 조작 정보 평가부 108: 조작 정보 저장부
109: 이력 저장부 200: 정보 분배 서버
201: 컨텐츠 요구 수신부 202: 레코멘데이션 요구 수신부
203: 이력 클래스 분리부 204: 사용자 특성 벡터 계산부
205: 분배 정보 저장부 205a: 컨텐츠 관리 테이블
206: 컨텐츠 평가부 207: 이력 저장부
207a: 사용자 특성 벡터 관리 테이블
207b: 컨텐츠 특성 벡터 관리 테이블
207c: 열람 이력 테이블 208: 컨텐츠 송신부

Claims (11)

  1. 사용자 조작에 의해, 복수개의 선택 대상 항목으로부터 하나의 선택 대상 항목을 선택한 것을 받아들이는 접수 수단;
    상기 접수 수단에 의해 접수된, 선택된 선택 대상 항목의 벡터인 만족 특징 벡터 및 선택되지 않은 선택 대상 항목의 벡터인 불만족 특징 벡터를 기억하는 기억 수단;
    상기 기억 수단에 의해 기억되어 있는 선택된 선택 대상 항목의 만족 특징 벡터와 선택되지 않은 선택 대상 항목의 불만족 특징 벡터를 특징 공간 내에서 분리하기 위한 분리 평면에 직교하는 직교 벡터를 사용자 특성 벡터로 하는 사용자 특성 벡터 생성 수단; 및
    상기 사용자 특성 벡터 생성 수단에 의해 생성된 사용자 특성 벡터와 미지의 선택 대상 항목의 특성 벡터와의 내적에 기초한 평가를 행하는 평가 수단
    을 포함하는 레코멘데이션 정보 평가 장치.
  2. 제1항에 있어서,
    상기 기억 수단에 의해 기억되어 있는 선택된 선택 대상 항목의 만족 특징 벡터와 선택되지 않은 선택 대상 항목의 불만족 특징 벡터를 특징 공간 내에서 분리하기 위한 분리 평면을 생성하는 분리 평면 생성 수단을 더 포함하고,
    상기 사용자 특성 벡터 생성 수단은, 상기 분리 평면 생성 수단에 의해 생성된 분리 평면에 따라 사용자 특성 벡터를 생성하는, 레코멘데이션 정보 평가 장치.
  3. 제2항에 있어서,
    상기 분리 평면 생성 수단은,
    모든 불만족 특징 벡터와 만족 특징 벡터와의 상대적인 위치 관계를 산출하고, 하나의 불만족 특징 벡터, 또는 하나의 만족 특징 벡터에, 다른 불만족 특징 벡터 또는 다른 만족 특징 벡터를 일치시키도록 위치 관계를 계산하고, 상기 위치 관계에 기초하여, 분리 평면을 생성하는, 레코멘데이션 정보 평가 장치.
  4. 제2항 또는 제3항에 있어서,
    상기 분리 평면 생성 수단은, SVM법에 기초하여 분리 평면을 생성하는, 레코멘데이션 정보 평가 장치.
  5. 제1항에 있어서,
    상기 사용자 특성 벡터 생성 수단은, NN법에 기초하여 사용자 특성 벡터를 생성하는, 레코멘데이션 정보 평가 장치.
  6. 제1항에 있어서,
    상기 기억 수단은, 선택 대상 항목의 선택 빈도를, 상기 선택 대상 항목의 만족 특징 벡터와 함께 기억하고, 선택 대상 항목의 비선택 빈도를, 상기 선택 대상 항목의 불만족 특징 벡터와 함께 기억하고,
    상기 사용자 특성 벡터 생성 수단은, 상기 만족 특징 벡터에 그 빈도에 따른 가중치를 부여하고, 상기 불만족 특징 벡터에 그 빈도에 따른 가중치를 부여하고, 상기 가중치가 부여된 만족 특징 벡터 및 불만족 특징 벡터를 포함한 만족 특징 벡터 및 불만족 특징 벡터에 기초하여 사용자 특성 벡터를 생성하는, 레코멘데이션 정보 평가 장치.
  7. 제1항에 있어서,
    상기 기억 수단은, 선택 대상 항목의 선택 시기를, 상기 선택 대상 항목의 만족 특징 벡터와 함께 기억하고,
    상기 분리 평면 생성 수단은, 선택 시기 및 비선택 시기의 새로운 정도에 따라 가중치가 부여된 상기 선택 대상 항목의 만족 특징 벡터에 기초하여 사용자 특성 벡터를 생성하는, 레코멘데이션 정보 평가 장치.
  8. 제1항에 있어서,
    상기 평가 수단에 의한 평가 결과에 따라 생성된 레코멘데이션 정보를 송신하는 레코멘데이션 정보 송신 수단을 더 포함하는, 레코멘데이션 정보 평가 장치.
  9. 제1항에 있어서,
    상기 선택 대상 항목은, 웹 페이지를 열람하기 위한 메뉴 화면 상의 항목인, 레코멘데이션 정보 평가 장치.
  10. 제1항에 있어서,
    상기 선택 대상 항목은, 장치의 기능을 실행하기 위한 조작 메뉴 상의 항목인, 레코멘데이션 정보 평가 장치.
  11. 사용자 조작에 의해, 복수개의 선택 대상 항목으로부터 하나의 선택 대상 항목을 선택한 것을 받아들이는 접수 단계;
    상기 접수 단계에 의해 접수된 선택된 선택 대상 항목의 벡터인 만족 특징 벡터 및 선택되지 않은 선택 대상 항목의 벡터인 불만족 특징 벡터를 기억하는 기억 단계;
    상기 기억 단계에 의해 기억되어 있는 선택된 선택 대상 항목의 만족 특징 벡터와 선택되지 않은 선택 대상 항목의 불만족 특징 벡터를, 특징 공간 내에서 분리하기 위한 분리 평면에 직교하는 직교 벡터에 기초하여 사용자 특성 벡터를 생성하는 사용자 특성 벡터 생성 단계; 및
    상기 사용자 특성 벡터 생성 단계에 의해 생성된 사용자 특성 벡터와 미지의 선택 대상 항목의 특성 벡터와의 내적에 기초한 평가를 행하는 평가 단계
    를 포함하는 레코멘데이션 정보 평가 방법.
KR1020107018669A 2008-04-10 2009-04-02 레코멘데이션 정보 평가 장치 및 레코멘데이션 정보 평가 방법 KR101123175B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JPJP-P-2008-102801 2008-04-10
JP2008102801A JP5328212B2 (ja) 2008-04-10 2008-04-10 レコメンド情報評価装置およびレコメンド情報評価方法
PCT/JP2009/056867 WO2009125711A1 (ja) 2008-04-10 2009-04-02 レコメンド情報評価装置およびレコメンド情報評価方法

Publications (2)

Publication Number Publication Date
KR20100113593A KR20100113593A (ko) 2010-10-21
KR101123175B1 true KR101123175B1 (ko) 2012-03-20

Family

ID=41161843

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020107018669A KR101123175B1 (ko) 2008-04-10 2009-04-02 레코멘데이션 정보 평가 장치 및 레코멘데이션 정보 평가 방법

Country Status (7)

Country Link
US (1) US8886583B2 (ko)
EP (1) EP2264624A4 (ko)
JP (1) JP5328212B2 (ko)
KR (1) KR101123175B1 (ko)
CN (1) CN101999121B (ko)
TW (1) TWI395108B (ko)
WO (1) WO2009125711A1 (ko)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7606793B2 (en) 2004-09-27 2009-10-20 Microsoft Corporation System and method for scoping searches using index keys
US9348912B2 (en) * 2007-10-18 2016-05-24 Microsoft Technology Licensing, Llc Document length as a static relevance feature for ranking search results
US8812493B2 (en) 2008-04-11 2014-08-19 Microsoft Corporation Search results ranking using editing distance and document information
JP5275126B2 (ja) * 2009-04-30 2013-08-28 株式会社エヌ・ティ・ティ・ドコモ レコメンド情報生成装置およびレコメンド情報生成方法
JP5401261B2 (ja) * 2009-10-30 2014-01-29 株式会社日立製作所 情報推薦方法及び装置
US8738635B2 (en) 2010-06-01 2014-05-27 Microsoft Corporation Detection of junk in search result ranking
KR101829339B1 (ko) * 2010-08-19 2018-02-19 톰슨 라이센싱 네트워크 트래픽을 모니터링함으로써 정보 컨텐츠를 개인화
EP2606627B1 (en) 2010-08-19 2019-03-27 Thomson Licensing Personalization of information content by monitoring network traffic
JP5038521B1 (ja) * 2011-06-30 2012-10-03 楽天株式会社 評価情報特定装置、評価情報特定方法、評価情報特定プログラム、及びそのプログラムを記録するコンピュータ読み取り可能な記録媒体
US9495462B2 (en) 2012-01-27 2016-11-15 Microsoft Technology Licensing, Llc Re-ranking search results
US9258353B2 (en) 2012-10-23 2016-02-09 Microsoft Technology Licensing, Llc Multiple buffering orders for digital content item
US20140115096A1 (en) * 2012-10-23 2014-04-24 Microsoft Corporation Recommending content based on content access tracking
US9300742B2 (en) 2012-10-23 2016-03-29 Microsoft Technology Licensing, Inc. Buffer ordering based on content access tracking
WO2014098640A1 (en) * 2012-12-19 2014-06-26 Abbyy Infopoisk Llc Translation and dictionary selection by context
KR102104100B1 (ko) * 2013-01-23 2020-04-23 에스케이플래닛 주식회사 실사용 이력 기반 디지털 컨텐츠 추천 방법 및 그 장치
JPWO2015181929A1 (ja) * 2014-05-29 2017-04-20 パイオニア株式会社 コンテンツ提示装置及び方法、サーバ装置、端末装置、コンピュータプログラム並びに記録媒体
JP6435888B2 (ja) * 2015-01-30 2018-12-12 富士通株式会社 アイテム推薦プログラム、装置、及び方法
JP6637730B2 (ja) * 2015-11-09 2020-01-29 株式会社電通 顧客関係管理装置および方法
US10616299B2 (en) * 2016-03-30 2020-04-07 Accenture Global Solutions Limited Video analytics device
US11853306B2 (en) 2018-06-03 2023-12-26 Apple Inc. Techniques for personalizing app store recommendations
JP7392271B2 (ja) * 2019-03-20 2023-12-06 富士通株式会社 アイテム提示方法、アイテム提示プログラムおよびアイテム提示装置
WO2021090332A1 (en) * 2019-11-04 2021-05-14 Leadstart Publishing Pvt. Ltd. Systems and methods for providing a platform for feed-back based updateable content
CN112084404B (zh) * 2020-09-01 2024-03-01 北京百度网讯科技有限公司 内容推荐方法、装置、设备和介质
CN112559874B (zh) * 2020-12-21 2023-05-16 南京康裕数字科技有限公司 基于智慧教育的用户推荐方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007073014A (ja) * 2005-09-09 2007-03-22 Denso It Laboratory Inc 情報提供装置及び情報提供方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH117453A (ja) * 1997-04-22 1999-01-12 Mitsubishi Electric Corp メディア情報推薦装置
US6266668B1 (en) * 1998-08-04 2001-07-24 Dryken Technologies, Inc. System and method for dynamic data-mining and on-line communication of customized information
JP2000132559A (ja) * 1998-10-23 2000-05-12 Hitachi Ltd 情報フィルタリングシステムにおけるプロファイル更新方法及び情報フィルタリングシステム
KR100346264B1 (ko) * 1999-12-02 2002-07-26 엘지전자주식회사 멀티미디어 특징소 정보의 갱신방법과 멀티미디어 특징소 정보 생성방법
US7570943B2 (en) * 2002-08-29 2009-08-04 Nokia Corporation System and method for providing context sensitive recommendations to digital services
US6829599B2 (en) * 2002-10-02 2004-12-07 Xerox Corporation System and method for improving answer relevance in meta-search engines
US7356187B2 (en) * 2004-04-12 2008-04-08 Clairvoyance Corporation Method and apparatus for adjusting the model threshold of a support vector machine for text classification and filtering
US7707132B2 (en) * 2004-10-01 2010-04-27 University Of Southern California User preference techniques for support vector machines in content based image retrieval
JP4496478B2 (ja) * 2005-04-15 2010-07-07 ソニー株式会社 情報処理装置および方法、並びにプログラム
JP2007148878A (ja) 2005-11-29 2007-06-14 Nec Corp リコメンド情報配信サーバ、リコメンド情報配信方法、リコメンド情報配信プログラム
JP2007241452A (ja) * 2006-03-06 2007-09-20 Fuji Xerox Co Ltd ドキュメント情報処理装置
JP4240096B2 (ja) * 2006-09-21 2009-03-18 ソニー株式会社 情報処理装置および方法、プログラム並びに記録媒体

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007073014A (ja) * 2005-09-09 2007-03-22 Denso It Laboratory Inc 情報提供装置及び情報提供方法

Also Published As

Publication number Publication date
JP2009252179A (ja) 2009-10-29
US8886583B2 (en) 2014-11-11
TWI395108B (zh) 2013-05-01
CN101999121A (zh) 2011-03-30
TW200949582A (en) 2009-12-01
EP2264624A1 (en) 2010-12-22
CN101999121B (zh) 2013-07-17
KR20100113593A (ko) 2010-10-21
WO2009125711A1 (ja) 2009-10-15
US20110131168A1 (en) 2011-06-02
EP2264624A4 (en) 2012-08-22
JP5328212B2 (ja) 2013-10-30

Similar Documents

Publication Publication Date Title
KR101123175B1 (ko) 레코멘데이션 정보 평가 장치 및 레코멘데이션 정보 평가 방법
KR101147470B1 (ko) 레코멘데이션 정보 생성 장치 및 레코멘데이션 정보 생성 방법
KR101343609B1 (ko) 증강 현실 데이터를 이용할 수 있는 어플리케이션 자동 추천 장치 및 방법
US9396485B2 (en) Systems and methods for presenting content
US10713666B2 (en) Systems and methods for curating content
US8463785B2 (en) Method and system for generating search collection of query
KR101955463B1 (ko) 컨텐츠 분석에 따른 어플리케이션 추천 시스템 및 방법
CN105653572A (zh) 一种资源的处理方法及装置
JP2010181966A (ja) レコメンド情報評価装置およびレコメンド情報評価方法
KR101122737B1 (ko) 지식노드 연결구조를 생성하기 위한 검색 데이터베이스 구축 장치 및 방법
JP4963619B2 (ja) 情報検索システム、情報検索装置、検索結果画面情報生成方法及び検索結果画面情報生成処理プログラム
US20130304370A1 (en) Method and apparatus to provide location information
WO2009125622A1 (ja) 電子掲示板システム
KR20140056635A (ko) 컨텐츠 추천 서비스 제공 시스템 및 방법
KR20120076482A (ko) 통신 시스템에서 컨텐츠 검색 방법 및 장치
KR101295899B1 (ko) 검색어 추천 시스템 및 검색어 추천 방법
JP2018151995A (ja) 情報提供装置、情報提供方法、および情報提供プログラム
JP2013196141A (ja) 端末装置、情報表示システムおよび情報表示方法
JP5248376B2 (ja) 情報配信装置および情報配信方法
JP5183282B2 (ja) レコメンド情報評価装置およびレコメンド情報評価方法
KR101902568B1 (ko) 정보 제공 시스템 및 정보 제공 방법
JP2017040988A (ja) 情報処理装置及び情報処理プログラム

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20150130

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20160127

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20170202

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20180220

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20190219

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20200219

Year of fee payment: 9