WO2007148817A1 - コンテンツ推薦システム、コンテンツ推薦方法及びコンテンツ推薦用プログラム - Google Patents

コンテンツ推薦システム、コンテンツ推薦方法及びコンテンツ推薦用プログラム Download PDF

Info

Publication number
WO2007148817A1
WO2007148817A1 PCT/JP2007/062694 JP2007062694W WO2007148817A1 WO 2007148817 A1 WO2007148817 A1 WO 2007148817A1 JP 2007062694 W JP2007062694 W JP 2007062694W WO 2007148817 A1 WO2007148817 A1 WO 2007148817A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
feature vector
content
information
data
Prior art date
Application number
PCT/JP2007/062694
Other languages
English (en)
French (fr)
Inventor
Akio Yamada
Original Assignee
Nec Corporation
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 Nec Corporation filed Critical Nec Corporation
Priority to JP2008522563A priority Critical patent/JPWO2007148817A1/ja
Publication of WO2007148817A1 publication Critical patent/WO2007148817A1/ja

Links

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

Definitions

  • the present invention relates to a content recommendation system, a content recommendation method, and a content recommendation program, and more particularly to a content recommendation system, a content recommendation method, and a content recommendation program using a social filtering method.
  • the first method is called content filtering.
  • a content feature vector indicating content attributes is generated for each content, and at the same time, user preferences for each attribute of the feature vector are described.
  • Patent Document 1 corresponds to this method.
  • Patent Document 1 as a typical configuration of content feature vector or user feature betatono, a genre name is used as a vector element. For example, “sports” “news” “music” “drama” For example, content 1 creates a content feature vector in the form of 0 for the power of news and music, and others for content 1.
  • Another method has solved this problem, which is a method called social filtering, collaboration filtering, or collaborative filtering, and is characterized by not using a content feature vector. 2 corresponds to this method.
  • Patent Document 2 when the user 1 preference is the user feature vector 1 and the user 2 preference is the user feature vector 2, this method calculates the inner product between the two user feature vectors.
  • this method does not require the task of adding an extra feature amount to individual content. Once each user registers his / her preference information, the method is permanent. A recommendation service can be realized.
  • Patent Document 3 suggests the usage of collecting and processing a user's access history to the Internet website and using it as a user feature vector (Patent Document 3). Paragraph number [0006]).
  • a user feature vector is constructed by summing up content feature vectors assigned to books purchased by a user.
  • Patent Document 1 JP-A-2005-339523
  • Patent Document 2 JP 09-265478 A
  • Patent Document 3 Japanese Unexamined Patent Publication No. 2003-167901
  • Patent Document 4 Japanese Patent Laid-Open No. 2001-265808
  • the first problem is that the privacy information of the user is disclosed to a third party. As mentioned earlier, it is possible to collect user feature vectors from implicit information. However, preference information (web access history in the above method) is sent to the recommended service provider before the user recognizes it. Must be submitted.
  • a second problem is that the implicit information is limited in the number of operators that can be collected. For example, in order to collect access history to websites, it is necessary to force users to use a specific proxy (PROXY: relay system) and obtain all access records.
  • PROXY relay system
  • This method has a strong psychological resistance to the user as well as restricting the recommended operation target only to the operators who can be set up as a proxy that can control all the traffic of the user. Since knowledge is required, services can be provided only to a limited user group.
  • the present invention has been made in view of the above-mentioned problems, and it is not necessary to disclose personal privacy information to a third party, or it is not necessary to collect third party privacy information.
  • the main purpose is to provide a content recommendation system by filtering, a content recommendation method, and a content recommendation program. Means for solving the problem
  • a content recommendation system for recommending content to a user, and a comment collection presentation in which each member's comment is written by a member belonging to the network.
  • Type network data group and a first user feature vector expressing a user's preference with respect to all or a part of data units included in the comment collection presentation type network data group as a vector quantity, and the comment collection presentation
  • Content information generating means that divides the network data group into data units and generates content information, and the comment collection and presentation network data group is divided into data units, and from the participation information involved in the creation of the data units.
  • a second user feature vector that expresses user preferences as a vector quantity History calculation means, user feature vector matching means for calculating the degree of preference match for each user from the first user feature vector and the second user feature vector, and the degree of match between the content information and the preference And a recommended content determining means for calculating recommended content information.
  • a content recommendation system is provided.
  • a content recommendation method in a content recommendation system for recommending content to a user, and each member's comments are written by members belonging to the network.
  • Comment collection / presentation type network data group and a first user feature vector expressing the user's preference for all or a part of the data units included in the comment collection / presentation type network data group as vector quantities Dividing the comment collection / presentation type network data group into data units and generating content information; and
  • a work history calculation step for generating a second user feature vector that divides a collection-type network data group into data units and expresses user preferences as vector quantities from participation information related to creation of the data units.
  • a user feature vector matching step for calculating the degree of preference match for each user, and the content information and the degree of preference match
  • a content recommendation method comprising a recommended content determination step of calculating recommended content information.
  • a content recommendation program in a content recommendation system for recommending content to a user, and each member's comment is written by a member belonging to the network.
  • a comment collection / presentation type network data group and a first user feature vector expressing a user's preference with respect to all or a part of data units included in the comment collection / presentation type network data group as a vector quantity are input.
  • Representing user preferences as a vector quantity based on involved information A work history calculation procedure for generating a second user feature vector; a user feature vector matching procedure for calculating a degree of preference for each user from the first user feature vector and the second user feature vector;
  • a content recommendation program that causes a computer to execute a recommended content determination procedure for calculating recommended content information from the content information and the degree of preference match.
  • a content recommendation system for recommending content to a user, the third party's public preference information, and the third party Content information collection means for collecting content information that the user is interested in, and recommended content information that recommends content to the user by comparing the third-party preference information with the user preference information
  • a content recommendation system including an information generation means is provided.
  • content is recommended to a user.
  • a content recommendation method in the content recommendation system the content information collecting step for collecting the third party's public preference information and the content information that the third party is interested in;
  • a content recommendation method comprising a recommended content information generation step for generating recommended content information for recommending content to a user by comparing preference information with user preference information is provided.
  • a content recommendation program in a content recommendation system for recommending content to a user which is publicly available third-party preference information, and Recommended content that recommends content to the user by comparing the content information collection procedure for collecting content information that the third party is interested in, and the preference information of the third party and the preference information of the user.
  • a content recommendation program is provided, which causes a computer to execute a recommended content information generation procedure for generating information.
  • FIG. 1 is a block diagram showing a configuration of a first exemplary embodiment of the present invention.
  • FIG. 2 is a block diagram showing a configuration of a second exemplary embodiment of the present invention.
  • FIG. 3 is a block diagram showing a configuration of a third exemplary embodiment of the present invention.
  • FIG. 4 is a block diagram showing a configuration of a fourth exemplary embodiment of the present invention.
  • FIG. 5 is a block diagram showing a configuration of a fifth exemplary embodiment of the present invention.
  • FIG. 6 is a block diagram showing a configuration of a sixth exemplary embodiment of the present invention.
  • FIG. 1 is a block diagram of a content recommendation system as a first embodiment according to the present invention.
  • the content recommendation system generates recommended content information from a comment collection / presentation type network data group and a first user feature vector, and includes a content information generation unit 101.
  • a creation history calculation unit 102 a user feature vector matching unit 103, and a recommended content determination unit 104.
  • the comment collection and presentation type network data group that is an input of the present embodiment is a network service of a type in which members of the network can participate in the creation thereof.
  • a network service of a type in which members of the network can participate in the creation thereof.
  • BBS Electronic bulletin board
  • BLOG pronounced web log
  • Wiki Wiki
  • a blog refers to an Internet site or homepage in which one's opinions are written in a diary format for news, incidents, hobbies, and the like. Unlike the past websites and the point that visitors can write their opinions freely, the basic point that the founder expresses and expresses their opinions is attracting attention as personal journalism.
  • Wiki is a web content management system that allows easy publishing and editing of web pages from a web browser.
  • Wikipedia is a service that uses this system. It has been known. WikiPedia provides encyclopedia services that can be freely posted and edited using Wiki technology.
  • BBS a category consisting of a plurality of bulletin boards, individual bulletin boards, threads, and the like are data units, and in a blog, each parent utterance is a single data unit.
  • a page is a data unit like a normal Web.
  • the first user feature vector which is another input of the present embodiment, is a vector quantity expressing the preference of the user who is the object of recommendation, and the data of the comment collection presentation type network data group as a vector element. An arbitrary subset of units or their set is selected.
  • the user feature vector can represent a maximum of 100 vector elements by expressing preferences for each thread.
  • Dimensional vector quantity It is not necessary to have all threads as elements. For example, 10 of them may be selected to set a 10-dimensional vector space.
  • the participation type web data group which is the comment collection / presentation type network data group is input to the content information generation unit 101 and the creation calculation unit 102 which are two components.
  • the content information generating unit 101 analyzes the input comment collection / presentation type network data group to generate content information. First, the data is divided into data units, and content identification information included in the data units is extracted.
  • the contents here include TV broadcasts, radio broadcasts, magazines, videos, photos, music, and so on that are not limited to network services, and the types are not limited.
  • the content information generation unit 101 collects identifiers of users who are involved in the creation within the same data unit. This creates a set of related user identifiers for each content detected.
  • this is generically referred to as content information.
  • the user's degree of involvement represented by each identifier may be included in the content information in addition to a set of identifiers simply by obtaining the set of identifiers.
  • the degree of involvement is the contribution to data unit creation. Degree etc. can be used.
  • the generated content information is sent to the recommended content determination unit 104.
  • the creation history calculation unit 102 divides the comment collection / presentation type network data group into data units, and collects identifiers of users involved in the creation of the data units as before. If this process is performed for all data units, information indicating whether each data unit is involved can be obtained for each user identifier.
  • This information may be a binary value indicating the presence or absence of participation, a continuous value indicating the rate of participation (contribution), or a value indicating a discrete value.
  • the system designer has designed an N-dimensional user feature vector, and by collecting the information related to the N data units selected as the user feature vector for each user identifier, the second user A feature vector is generated.
  • M second user feature vectors are generated.
  • the N-dimensional design may be arbitrarily performed by the system designer, or may be automatically calculated mechanically.
  • As a selection criterion for automatic calculation it is possible to adopt a method such as selecting N data units from which significant information can be obtained based on comparison of the amount of information for each data unit.
  • an IP address an identifier defined by a participating network service operator, a handle name (write name) used by the creator, and the like can be used.
  • the user feature vector matching unit 103 matches the M second user feature vectors generated by the creation history calculation unit 102 with the first user feature vector given as an input, and Generate a degree of match.
  • the simplest matching method is to take the inner product between two vectors and use the inner product value as the degree of coincidence, but is not limited to this.
  • any inter-vector matching method used in content filtering or social filtering can be used.
  • the degree of match for each user identifier, which is an output, is sent to the recommended content determination unit 104.
  • the recommended content determination unit 104 determines the recommended content based on the content information generated by the content information generation unit 101 and the degree of match for each user identifier generated by the user feature vector matching unit 103. Examples of the recommended content determination unit 104 determination method include For example, the following methods can be used.
  • a set of user identifiers associated with each content is given as content information, and the degree of recommendation for each content is calculated by summing the degree of match for the user identifiers listed here. it can.
  • the degree of participation corresponding to each identifier is given as content information by a simple set of identifiers, the accuracy can be improved by weighting the degree of participation at the time of the previous total calculation.
  • the first effect is that basic information necessary for social filtering can be generated only from public information obtained on the network. It is possible to use the content recommendation function by social filtering that enables low-cost operation without providing it.
  • the second effect is that the service provider needs to pay all costs such as a system for monitoring the behavior of all users and the operation of an Internet site that serves as a priming for collecting data. As a result, service operation costs can be kept extremely low.
  • the purpose is to generate recommended content information, but this is ultimately served as a presentation of recommended content to the user. In this case, sort them in the order of the recommended content information obtained.
  • the top K is the general service form, and if the content already viewed by the user is included in K, it is often excluded.
  • the content information generation unit 101 and the recommended content determination unit 104 are portions that do not handle user feature vectors, and are installed on the server side in the server client model.
  • FIG. 2 shows a block diagram of a content recommendation system as a second embodiment according to the present invention. It is a thing.
  • the content recommendation system of the second embodiment shown in FIG. 2 generates recommended content information from a comment collection / presentation type network data group and a user's browsing history for the data, and includes a content information generation unit 101.
  • a creation calculation unit 102 a user characteristic vector collation unit 103, a recommended content determination unit 104, and a browsing history processing unit 105.
  • the browsing history for the comment collection / presentation type network data group is input.
  • the data browsing history is input to the browsing history processing unit 105, and the first N-dimensional user feature vector (input in the first form) described in the first form is generated.
  • each element of this vector represents the user's preference for the data unit included in the comment collection / presentation type network data group, as a simple implementation method of the browsing history processing unit 105, One way is to count how many times the data unit has been viewed or how many times it has been viewed.
  • the generated first user feature vector is input to the first embodiment together with the comment collection / presentation type network data group.
  • the first user feature vector required in the first embodiment can be automatically generated without the user creating it.
  • FIG. 3 is a block diagram of a content recommendation system as a third embodiment according to the present invention.
  • the content recommendation system of the third example shown in FIG. 3 is characterized by including a narrowing unit 106 in addition to the second example of the present invention, and is input to the creation history calculation unit 102 The amount of data is reduced.
  • the data browsing history information that is an input is also input to the narrowing-down unit 106.
  • the narrowing-down unit 106 extracts only the information of the data unit viewed by the user to be recommended from all the data units included in the comment collection / presentation type network data group, and outputs it to the creation history calculation unit 102.
  • This is a vector element force S corresponding to a data unit obtained by browsing by the user, a meaningless numerical value that does not make sense at the time of matching processing in the user feature vector matching unit 103. This is an embodiment using the feature that it can be omitted when the M second user feature vectors 2 are generated in the creation history calculation unit 102.
  • the unit of data viewed by each user is a very small part of the comment collection / presentation type network data group, so that the user required in the second embodiment is adopted.
  • the feature vector 2 calculation processing amount can be greatly reduced.
  • FIG. 4 is a block diagram of a content recommendation system as a fourth embodiment according to the present invention.
  • the content recommendation system according to the fourth embodiment shown in FIG. 4 uses the identifier of the user to be recommended in place of the first user feature vector that is the input according to the first embodiment of the present invention.
  • the user feature vector matching unit 103 according to the first embodiment has a configuration in which the output is the same, but the input is replaced with a different user feature vector 107.
  • the operation of the fourth embodiment is the same as that of the first embodiment of the present invention, but the M user feature vectors 2 that are the output of the creation history calculation unit 102 are the user feature vector matching unit 103. Instead, it is sent to the user feature vector matching unit 107.
  • the user feature vector matching unit 107 verifies whether the user identifier given as an input is not included in the M user feature vectors 2. If it is included, the corresponding user feature vector 2 is regarded as the user feature vector 1 and is compared with the remaining (M-1) user feature vectors 2 for each user identifier. Generate degree of match
  • the matching method itself is the user feature vector matching unit 10 shown in the first embodiment.
  • FIG. 5 shows a block diagram of a content recommendation system as a fifth embodiment according to the present invention.
  • the content recommendation system of the fifth embodiment shown in FIG. 5 generates recommended content information from a comment collection / presentation type network data group, a data browsing history, and a user identifier, and includes a content information generation unit 101.
  • the comment collection / presentation type network data group that is an input is input to the content information generation unit 101 and the creation history calculation unit 102.
  • the content information generation unit 101 sends content information to the recommended content determination unit 104 as in the first embodiment.
  • the creation history calculation unit 102 also outputs the M second user feature vectors to the user feature vector matching unit 103 and simultaneously outputs them to the user feature vector generation unit 108.
  • the input data browsing history is sent to the browsing history processing unit 105 in the same manner as in the second embodiment, a first user feature vector is generated, and output to the user feature vector generating unit 108.
  • the user feature vector generation unit 108 which is a characteristic component of the present embodiment, uses the first user feature vector, the M second user feature vectors, and the user identifier that is another input to obtain a higher accuracy.
  • the second user feature vector sent from the creation history calculation unit 102 is the preference of individuals involved in creating the comment collection presentation network data group. Information is reflected.
  • the second user feature vector corresponding to the user identifier Should be contained in M same vectors.
  • the first user feature vector generated in step 5 and the second user feature vector corresponding to the input user identifier are weighted and added to generate a new first user feature vector, and the user feature vector generation unit 103 Output to.
  • the first user feature vector and the second user feature vector are vectors having the same number of dimensions, and the weighting thereof is a parameter indicating whether the act of creating or browsing is emphasized. Obviously, they are vectors having the same number of dimensions, and the weighting thereof is a parameter indicating whether the act of creating or browsing is emphasized. Obviously, they are vectors having the same number of dimensions, and the weighting thereof is a parameter indicating whether the act of creating or browsing is emphasized. Become.
  • the user feature vector matching unit 103 operates in the same manner as in the first embodiment, and outputs the degree of match for each user identifier.
  • the recommended content determination unit 104 outputs recommended content information by the same operation as in the first embodiment.
  • FIG. 6 is a block diagram of a content recommendation system as a sixth embodiment according to the present invention.
  • the content recommendation system of the sixth example shown in FIG. 6 is obtained by adding a narrowing unit 106 to the fifth example.
  • the comment collection and presentation type network data group that has been directly passed to the creation history calculation unit 102 is once passed to the narrowing unit 106.
  • the operation of the narrowing-down unit 106 is the same as that described in the third embodiment, and the network data group for comment collection and presentation when the user has no browsing experience is compared with the data browsing history given as input. It is prevented from being passed to the creation history calculation unit 102.
  • the other operations are completely the same as in the fifth embodiment.
  • the browsing history is used as data browsing information. It is also possible to further comprise browsing history processing means for generating the data browsing information power first user characteristic margin.
  • the data browsing information from the data browsing information, only the data unit to be processed is extracted from the data included in the comment collection / presentation type network data group, and the work history is extracted. It is possible to further provide a narrowing means for narrowing down data to be processed by the calculation means.
  • a user identifier for identifying the user is input, and the user feature vector matching means includes the first user feature vector.
  • data corresponding to the user feature vector is extracted from the second user feature vector using the user identifier, and then collated with the other second user feature vectors. Try to calculate the degree of preference match.
  • the browsing history is input as data browsing information from the browsing history for the comment collection / presentation type network data group, and the user identifier identifies the user.
  • a browsing history processing means for generating a first user feature vector from the data browsing information, and using the user identifier, data corresponding to the first user feature vector is converted into the user identifier.
  • a user feature vector generating means for extracting the intermediate force of the second user feature vector using the same and correcting the first user feature vector using the second user feature vector; Also good.
  • the content recommendation system from the data browsing information, only the data unit to be processed is extracted from the data included in the comment collection and presentation type network data group, and the work history is extracted. It is possible to further provide a narrowing means for narrowing down data to be processed by the calculation means.
  • the browsing history is input as data browsing information from the browsing history for the comment collection / presentation type network data group, and the first user feature is determined from the data browsing information. It is possible to further include a browsing history processing step for generating vectors. [0099] In the content recommendation method according to the second aspect of the present invention, from the data browsing information, only the data unit to be processed is extracted from the data included in the comment collection presentation network data group, and the work history is extracted. It is possible to further include a narrowing step for narrowing down data to be processed in the calculation step.
  • a user identifier for identifying the user is input instead of the first user feature vector, and the user feature vector matching step force S, the first For each user, data corresponding to the user feature vector is extracted from the second user feature vector using the user identifier, and then is compared with the other second user feature vectors. Let's calculate the degree of preference match.
  • the browsing history is input as data browsing information from the browsing history for the comment collection presentation network data group, and a user identifier for identifying the user is also provided.
  • the browsing history processing step of generating a first user feature vector from the data browsing information that is input, and using the user identifier, data corresponding to the first user feature vector is converted into the user.
  • the content recommendation method from the data browsing information, only the data unit to be processed is extracted from the data included in the comment collection presentation network data group, and the work history is extracted. It is possible to further include a narrowing step for narrowing down data to be processed in the calculation step.
  • the browsing history is input as data browsing information from the browsing history for the comment collection and presentation type network data group, and the first user is determined from the data browsing information. It is possible to further provide a browsing history processing procedure for generating feature vectors.
  • a narrowing-down procedure for extracting only data units to be extracted and narrowing down data to be processed in the work history calculation procedure may be further provided.
  • a user identifier for identifying the user is input instead of the first user feature vector, and the user feature vector matching procedure includes Data corresponding to the user feature vector is extracted from the second user feature vector using the user identifier, and then compared with the other second user feature betaton for each user. Try to calculate the degree of preference match.
  • the browsing history is input as data browsing information from the browsing history for the comment collection / presentation type network data group, and the user identifier for identifying the user
  • the browsing history processing procedure for generating a first user feature vector from the data browsing information and the user identifier, the data corresponding to the first user feature vector is A user feature vector generating procedure for extracting the middle force of the second user feature vector using the identifier and correcting the first user feature vector using the identifier and outputting the modified user feature vector. You may make it prepare.
  • the preference information of the third party and the content information of interest to the third party are disclosed in a network data group for comment collection and presentation. It ’s been done, it ’s like,
  • the content information that the third party is interested in may be published in a network of comment collection and presentation type network data.
  • the preference information of the third party and the content information in which the third party is interested are included in a comment collection and presentation type network. It may be made public in the network data group.
  • the present invention can be used to recommend content that suits individual preferences.

Abstract

自分のプライバシー情報を第三者に開示する必要がないソーシャルフィルタリングによるコンテンツ推薦システムを提供する。コンテンツをユーザに推薦するコンテンツ推薦システムであって、コメント収集提示型ネットワークデータ群と、前記コメント収集提示型ネットワークデータ群に含まれるユーザの嗜好をベクトル量で表現した第一のユーザ特徴ベクトルとが入力され、コンテンツ情報を生成するコンテンツ情報生成手段と、ユーザの嗜好をベクトル量で表現した第二のユーザ特徴ベクトルを生成する作業履歴算出手段と、前記第一のユーザ特徴ベクトルと前記第二のユーザ特徴ベクトルとから、ユーザごとに嗜好の合致度を算出するユーザ特徴ベクトル照合手段と、前記コンテンツ情報と前記嗜好の合致度とから、推薦コンテンツ情報を算出する推薦コンテンツ決定手段と、を備えたことを特徴とする。

Description

明 細 書
コンテンツ推薦システム、コンテンツ推薦方法及びコンテンツ推薦用プロ グラム
技術分野
[0001] 本願 ίま、 曰本の特願 2006— 173805 (2006年 6月 23曰 ίこ出願）（こ基づレヽたもの であり、又、特願 2006— 173805に基づくパリ条約の優先権を主張するものである。 特願 2006— 173805の開示内容は、特願 2006— 173805を参照、することにより本 明細書に援用される。
[0002] 本発明はコンテンツ推薦システム、コンテンツ推薦方法及びコンテンツ推薦用プロ グラムに関し、特にソーシャルフィルタリング方法を利用したコンテンツ推薦システム、 コンテンツ推薦方法及びコンテンツ推薦用プログラムに関する。
背景技術
[0003] インターネット掲示板のコンテンツの推薦方法としては、大きく分けて二つの方法が ある。
[0004] 第一の方法は、コンテンツフィルタリングと呼ばれる方法で、コンテンツの属性を示 すコンテンツ特徴ベクトルをそれぞれのコンテンツに対して生成すると同時に、この特 徴量ベクトルの各属性に対するユーザの好みを記述したユーザ特徴べクトノレを準備 する。例えば特許文献 1がこの方法に相当する。
[0005] 特許文献 1では、コンテンツ特徴ベクトルないしユーザ特徴べタトノレの典型的構成と して、ジャンル名をベクトル要素とするもので、例えば「スポーツ」「ニュース」「音楽」「 ドラマ」の 4ジヤンノレを使う場合を例にすると、コンテンツ 1は、ニュースと音楽の要素 力 その他は 0といった形式でコンテンツ特徴ベクトルを作る。
[0006] 同様にあるユーザが、ニュースとドラマに興味がある場合には、ニュースとドラマの 要素が 1その他は 0という形式でユーザ特徴ベクトルを作る。あるユーザに推薦すベ きコンテンツを推定するためには、コンテンツ特徴べタトノレとユーザ特徴べタトノレの内 積演算をすれば良い。
[0007] 内積の結果が大きいほどそのコンテンツはユーザにより適切なものであるとする。こ の方法の課題は、全てのコンテンツに対してコンテンツ特徴ベクトルを付与する必要 がある点で、運用上多大な工数が必要となる。
[0008] この課題を解決したのが、もう一つの方法であり、これは、ソーシャルフィルタリング 、又はコラボレーションフィルタリング、或いは協調フィルタリングと呼ばれる方法で、 コンテンツ特徴ベクトルを利用しない点が特徴であり、特許文献 2がこの方法に該当 する。
[0009] 特許文献 2では、ユーザ 1の嗜好をユーザ特徴ベクトル 1、ユーザ 2の嗜好をユーザ 特徴ベクトル 2とする場合に、この方法では二人のユーザ特徴ベクトル間の内積を算 出する。
[0010] ユーザ特徴ベクトル間の内積結果が大きいほど、二人の嗜好が類似していることを 意味するため、二人のうちいずれか一方が興味を持ったコンテンツは、他方も同様に 興味を持つであろうことが推測される。これを利用して一方が利用したコンテンツを他 方に対しても推薦することになる。
[0011] この方法は、前述のコンテンツフィルタリング方法とは異なり、個別コンテンツに特徴 量べ外ルを付与する作業が不要であり、各ユーザが一度自分自身の嗜好情報を登 録すれば、永続的に推薦サービスを実現できる。
[0012] しかしながら、この方法では、ユーザからマッチングのためのユーザ特徴ベクトルの 提供を受ける必要がある。ユーザに対してアンケート等の形式で嗜好を尋ねるため、 ユーザにとっては利用前の手続きが煩雑で、結果として利用者数が限定されることに なる。
[0013] この問題に対する解として、暗示的な情報を収集してユーザ特徴ベクトルを構成す る方法がある。
[0014] 例えば、特許文献 3では、ユーザのインターネットウェブサイトへのアクセス履歴を 収集して処理し、それをユーザ特徴ベクトルとして利用する、と言った使い方が示唆 されてレ、る (特許文献 3段落番号 [0006] )。
[0015] この場合、ユーザは、事前に特段の準備は必要とされず、ウェブ閲覧を繰り返すう ちに自動的にユーザ特徴ベクトルが生成される。別の解として、コンテンツ特徴べタト ルを用いてユーザ特徴ベクトルを構成する方法もある。 [0016] 例えば、特許文献 4では、ユーザが購入した書籍に付与されたコンテンツ特徴べク トルを合計することにより、ユーザ特徴ベクトルを構成している。
特許文献 1 :特開 2005— 339523号公報
特許文献 2：特開平 09— 265478号公報
特許文献 3 :特開 2003— 167901号公報
特許文献 4 :特開 2001— 265808号公報
発明の開示
発明が解決しょうとする課題
[0017] し力しながら、この場合、コンテンツ特徴ベクトルという極めて運用コストの力かる処 理を継続的に行うことが必要となり、コンテンツフィルタリングではなぐソーシャルフィ ルタリングを使う利点が相殺されてしまう。
[0018] ここで第一の問題点は、ユーザのプライバシー情報が第三者に開示されてしまう点 である。先に述べたように、ユーザ特徴ベクトルを暗示的情報から収集することは可 能であるが、ユーザが認識しないうちに嗜好情報（前記方法ではウェブへのアクセス 履歴）を推薦サービス事業者に対して提出しなければならない。
[0019] このことは、事業者側から見れば、極めて機密的扱いが必要とされる個人のプライ パシー情報を、大量に収集しなければならないことを意味しており、コンテンツフィル タリングとは異なる意味で、運用コストがかさむ結果となる。
[0020] また第二の問題点は、暗示的情報は、収集可能な事業者が限定されるという問題 点である。例えばウェブサイトへのアクセス履歴を収集するためには、ユーザに特定 のプロキシ一（PROXY:中継システム）の利用を強いて、全アクセス記録を入手させる 必要がある。
[0021] この方法は、ユーザの全トラフィックを制御可能なプロキシ一に設営し得る事業者の みに推薦運営対象が限定されるだけでなぐユーザに心理的な抵抗が強い他、シス テム管理の知識を必要とさせるため、限定的なユーザ層にしかサービスができない。
[0022] 別の方法として、 自社が運営しているウェブサイトのみへ収集先を限定し、アクセス 元を記録することで個人のアクセスを収集する方法があり得る。
[0023] しかしながら、ユーザの広範な嗜好分析が可能な大規模サイトを運営できる事業者 に、推薦サービス事業者が限定される他、プロキシ一システムがインターネット上に存 在するために、アクセスを特定個人レベルに細分化した分析することが不可能である
[0024] 本発明は、上記問題点に鑑みてなされたものであり、自分のプライバシー情報を第 三者に開示する必要がなレ、、あるいは第三者のプライバシー情報を収集する必要が ないソーシャルフィルタリングによるコンテンツ推薦システム、コンテンツ推薦方法、及 びコンテンツ推薦プログラムを提供することを代表的 (exemplary)な目的とする。 課題を解決するための手段
[0025] 本発明の代表的 (exemplary)な第 1の観点によれば、コンテンツをユーザに推薦す るコンテンツ推薦システムであって、ネットワークに属するメンバーにより各自のコメン トが書き込まれたコメント収集提示型ネットワークデータ群と、前記コメント収集提示型 ネットワークデータ群に含まれるデータ単位の全部又は一部に対するユーザの嗜好 をベクトル量で表現した第一のユーザ特徴ベクトルとが入力され、前記コメント収集提 示型ネットワークデータ群をデータ単位に分割し、コンテンツ情報を生成するコンテン ッ情報生成手段と、前記コメント収集提示型ネットワークデータ群をデータ単位に分 割し、前記データ単位の作成に関与した関与情報から、ユーザの嗜好をベクトル量 で表現した第二のユーザ特徴ベクトルを生成する作業履歴算出手段と、前記第一の ユーザ特徴ベクトルと前記第二のユーザ特徴ベクトルとから、ユーザごとに嗜好の合 致度を算出するユーザ特徴ベクトル照合手段と、前記コンテンツ情報と前記嗜好の 合致度とから、推薦コンテンツ情報を算出する推薦コンテンツ決定手段と、を備えた ことを特徴とするコンテンツ推薦システムが提供される。
[0026] 本発明の代表的 (exemplary)な第 2の観点によれば、コンテンツをユーザに推薦す るコンテンツ推薦システムにおけるコンテンツ推薦方法であって、ネットワークに属す るメンバーにより各自のコメントが書き込まれたコメント収集提示型ネットワークデータ 群と、前記コメント収集提示型ネットワークデータ群に含まれるデータ単位の全部又 は一部に対するユーザの嗜好をベクトル量で表現した第一のユーザ特徴ベクトルと が入力されるステップと、前記コメント収集提示型ネットワークデータ群をデータ単位 に分割し、コンテンツ情報を生成するコンテンツ情報生成ステップと、前記コメント収 集提示型ネットワークデータ群をデータ単位に分割し、前記データ単位の作成に関 与した関与情報から、ユーザの嗜好をベクトル量で表現した第二のユーザ特徴べタト ルを生成する作業履歴算出ステップと、前記第一のユーザ特徴ベクトルと前記第二 のユーザ特徴ベクトルとから、ユーザごとに嗜好の合致度を算出するユーザ特徴べク トル照合ステップと、前記コンテンツ情報と前記嗜好の合致度とから、推薦コンテンツ 情報を算出する推薦コンテンツ決定ステップと、を備えたことを特徴とするコンテンツ 推薦方法が提供される。
[0027] 本発明の代表的 (exemplary)な第 3の観点によれば、コンテンツをユーザに推薦す るコンテンツ推薦システムにおけるコンテンツ推薦プログラムであって、ネットワークに 属するメンバーにより各自のコメントが書き込まれたコメント収集提示型ネットワークデ ータ群と、前記コメント収集提示型ネットワークデータ群に含まれるデータ単位の全部 又は一部に対するユーザの嗜好をベクトル量で表現した第一のユーザ特徴ベクトル とが入力される手順と、前記コメント収集提示型ネットワークデータ群をデータ単位に 分割し、コンテンツ情報を生成するコンテンツ情報生成手順と、前記コメント収集提示 型ネットワークデータ群をデータ単位に分割し、前記データ単位の作成に関与した 関与情報から、ユーザの嗜好をベクトル量で表現した第二のユーザ特徴ベクトルを 生成する作業履歴算出手順と、前記第一のユーザ特徴ベクトルと前記第二のユーザ 特徴ベクトルとから、ユーザごとに嗜好の合致度を算出するユーザ特徴ベクトル照合 手順と、前記コンテンツ情報と前記嗜好の合致度とから、推薦コンテンツ情報を算出 する推薦コンテンツ決定手順と、をコンピュータに実行させることを特徴とするコンテ ンッ推薦プログラムが提供される。
[0028] 本発明の代表的 (exemplary)な第 4の観点によれば、コンテンツをユーザに推薦す るコンテンツ推薦システムであって、公開されている第三者の嗜好情報、及び前記第 三者が興味をもったコンテンツ情報を収集するコンテンツ情報収集手段と、前記第三 者の嗜好情報とユーザの嗜好情報とを比較をすることにより、ユーザにコンテンツを 推薦する推薦コンテンツ情報を生成する推薦コンテンツ情報生成手段とを備えたこと を特徴とするコンテンツ推薦システムが提供される。
[0029] 本発明の代表的 (exemplary)な第 5の観点によれば、コンテンツをユーザに推薦す るコンテンツ推薦システムにおけるコンテンツ推薦方法であって、公開されている第 三者の嗜好情報、及び前記第三者が興味をもったコンテンツ情報を収集するコンテ ンッ情報収集ステップと、前記第三者の嗜好情報とユーザの嗜好情報とを比較をす ることにより、ユーザにコンテンツを推薦する推薦コンテンツ情報を生成する推薦コン テンッ情報生成ステップとを備えたことを特徴とするコンテンツ推薦方法が提供される
[0030] 本発明の代表的 (exemplary)な第 6の観点によれば、コンテンツをユーザに推薦す るコンテンツ推薦システムにおけるコンテンツ推薦プログラムであって、公開されてい る第三者の嗜好情報、及び前記第三者が興味をもったコンテンツ情報を収集するコ ンテンッ情報収集手順と、前記第三者の嗜好情報とユーザの嗜好情報とを比較をす ることにより、ユーザにコンテンツを推薦する推薦コンテンツ情報を生成する推薦コン テンッ情報生成手順とをコンピュータに実行させることを特徴とするコンテンツ推薦プ ログラムが提供される。
発明の効果
[0031] 本発明によれば、ネットワーク上で得られる公開情報のみから、ソーシャルフィルタリ ングに必要な基礎情報を生成できるので、ユーザ自身のプライバシー情報を第三者 に提供することなぐ低コスト運用が可能なソーシャルフィルタリングによるコンテンツ 推薦機能を利用することが可能となる。
図面の簡単な説明
[0032] [図 1]本発明の第 1の実施例の構成を示すブロック図である。
[図 2]本発明の第 2の実施例の構成を示すブロック図である。
[図 3]本発明の第 3の実施例の構成を示すブロック図である。
[図 4]本発明の第 4の実施例の構成を示すブロック図である。
[図 5]本発明の第 5の実施例の構成を示すブロック図である。
[図 6]本発明の第 6の実施例の構成を示すブロック図である。
符号の説明
[0033] 101 コンテンツ情報生成部
102 作成履歴算出部 103 ユーザ特徴ベクトル照合部
104 推薦コンテンツ決定部
105 閲覧履歴処理部
106 絞込み部
107 ユーザ特徴ベクトル照合部
108 ユーザ特徴ベクトル生成部
発明を実施するための最良の形態
[0034] 以下、本発明による実施例について、図面を用いて詳細に説明する。
[0035] (第 1の実施例）
図 1は、本発明による第 1の実施例として、コンテンツ推薦システムのブロック図を示 したものである。
[0036] 図 1に示す第 1の実施例のコンテンツ推薦システムは、コメント収集提示型ネットヮ ークデータ群と第一のユーザ特徴ベクトルとから、推薦コンテンツ情報を生成するも のであり、コンテンツ情報生成部 101、作成履歴算出部 102、ユーザ特徴ベクトル照 合部 103、推薦コンテンツ決定部 104とを備えている。
[0037] 本実施例の入力であるコメント収集提示型ネットワークデータ群は、ネットワークのメ ンバーがその作成に参加できるタイプのネットワークサービスであり、例えば電子掲 示板 (BBS (Bulletin Board Service) )、ブログ（BLOG (web logの造語））、ウイキ（WiKi )などがその典型例である。
[0038] ここで、ブログとは、ニュースや事件、趣味などに関し日記形式で自分の意見を書き 込むインターネットのサイトやホームページのことを言う。開設者が個人の意見を表明 してレ、くことを基本としている点が掲示板や、閲覧利用者が自由に意見を書き込める 点がこれまでのホームページと異なり、個人ジャーナリズムとしても注目されている。
[0039] また、ウイキとは、 Webブラウザから簡単に Webページの発行、編集などが行える W ebコンテンツ管理システムのことであり、このシステムを利用したサービスとしては、ゥ ィキぺディア (Wikipedia)が知られている。ウイキぺディアはウイキの技術を利用して、 自由に投稿や編集をしたりすることができる百科事典のサービスを提供してレ、る。
[0040] これらのサービスでは、アクセスした人が自分のコメントを書き込むことができるよう になっており、一般には、ユーザ ID (Identification)と共に書き込んだ内容力 サービ スの一部として掲示される。これらのサービスで提供されるデータは、意味的まとまり（ データ単位）に分割できる。
[0041] 例えば、 BBSでは、複数の掲示板からなるカテゴリー、掲示板個々、スレッドなどが データ単位となるし、ブログでは親発言一つ一つないし、それを集めたトピックがデー タ単位となる。ウイキの場合は通常の Web同様ページがデータ単位である。
[0042] 本実施例のもう一つの入力である第一のユーザ特徴ベクトルは、推薦の対象である ユーザの嗜好を表現するベクトル量で、ベクトル要素として、コメント収集提示型ネット ワークデータ群のデータ単位、もしくはその集合のうち、任意の部分集合を選択した ものである。
[0043] 例えば、 BBSスレッドをデータ単位として考えて、現在 100個のスレッドがある場合 を考えると、ユーザ特徴ベクトルは、スレッドそれぞれに対する嗜好を表現することに より、ベクトル要素が構成される最大 100次元のベクトル量となる。全てのスレッドを要 素とする必要はなぐ例えば、このうち 10個を選んで 10次元のベクトル空間を設定し ても良い。
[0044] ここで、コメント収集提示型ネットワークデータ群である参加型ウェブデータ群は、二 つの構成要素であるコンテンツ情報生成部 101と作成算出部 102とに入力される。
[0045] コンテンツ情報生成部 101は、入力されたコメント収集提示型ネットワークデータ群 を解析しコンテンツ情報を生成する。まずデータをデータ単位に分割し、データ単位 内に含まれるコンテンツ識別情報を抽出する。ここでいうコンテンツとは、ネットワーク サービスだけでなぐテレビ放送、ラジオ放送、雑誌、ビデオ、写真、音楽なども含ま れ、その種類は限定されていない。
[0046] 次に、コンテンツ情報生成部 101は、同じデータ単位内で作成に関与したユーザ の識別子を収集する。これによつて検出された各コンテンツについて、関連するユー ザ識別子の集合が生成される。
[0047] ここで、本実施例ではこれをコンテンツ情報と総称する。単純に識別子の集合を求 めるやり方だけでなぐ識別子の集合にカ卩えて各識別子があらわすユーザの関与度 合いをコンテンツ情報に含めても良い。関与度合いとしては、データ単位作成への寄 与度などが利用可能である。
[0048] 生成されたコンテンツ情報は、推薦コンテンツ決定部 104に送り出される。作成履 歴算出部 102では、コメント収集提示型ネットワークデータ群をデータ単位に分割し 、先ほどと同様データ単位の作成に関与したユーザの識別子を収集する。全てのデ ータ単位で本処理を行うと、ユーザ識別子毎に、各データ単位に関与したか示す情 報が得られる。
[0049] この情報は、関与の有無を表す二値でもかまわないし、関与の割合 (寄与度）を表 す連続なレ、し離散値でもかまわなレ、。システム設計者はあらカ^め N次元のユーザ 特徴ベクトルを設計しており、ユーザ特徴ベクトルとして選定された N個のデータ単 位への関与情報をユーザ識別子毎に集めることで、第二のユーザ特徴ベクトルが生 成される。
[0050] ユーザ識別子の数が M個ある場合に、第二のユーザ特徴ベクトルは M個生成され る。 N次元の設計は、システム設計者が任意に行ってよいし、機械的に自動算出して も良い。 自動算出する場合の選択基準としては、データ単位毎の情報量比較をべ一 スに、有意な情報が得られる N個のデータ単位を選ぶなどの方法を採ることができる
[0051] ユーザ識別子は、 IPアドレス、参加型ネットワークサービス運用者規定の識別子、 作成者が使ってレ、るハンドル名（書き込み名）などが利用できる。
[0052] ユーザ特徴ベクトル照合部 103は、作成履歴算出部 102で生成された M個の第二 のユーザ特徴ベクトルと、入力として与えられる第一のユーザ特徴ベクトルを照合し て、ユーザ識別子ごとの合致度を生成する。最も簡単な照合方法は、二つのベクトル 間の内積を取り、内積値を合致度とすることであるが、これに限定されない。
[0053] 一般に、コンテンツフィルタリングゃソーシャルフィルタリングで利用される任意のベ タトル間照合方法を、活用可能である。出力であるユーザ識別子毎の合致度は、推 薦コンテンツ決定部 104に送られる。
[0054] 推薦コンテンツ決定部 104は、コンテンツ情報生成部 101が生成したコンテンツ情 報と、ユーザ特徴ベクトル照合部 103が生成したユーザ識別子毎の合致度を元に、 推薦するコンテンツを決定する。推薦コンテンツ決定部 104の決定方法としては、例 えば以下の方法が利用できる。
[0055] 各コンテンツに対して、それに関連するユーザ識別子の集合がコンテンツ情報とし て与えられており、ここでリストアップされたユーザ識別子に対する合致度を合計する ことで、各コンテンツに対する推薦度合いが算出できる。コンテンツ情報として、単純 な識別子集合だけでなぐ各識別子に対応した関与度が与えられる場合には、先の 合計算出時に関与度で重み付けをすることでより精度を向上させることができる。
[0056] 以上により本実施例によれば、第一の効果は、ネットワーク上で得られる公開情報 のみから、ソーシャルフィルタリングに必要な基礎情報を生成できるので、 自分自身 のプライバシー情報を第三者に提供することなぐ低コスト運用が可能なソーシャルフ ィルタリングによるコンテンツ推薦機能を利用することが可能となる。
[0057] また、第二の効果は、サービスを運営する事業者は、全ユーザの行動を監視するシ ステムや、データを収集するための呼び水となるインターネットサイト運営などのコスト を全くかける必要がないので、サービス運営コストを極めて低く抑えられることである。
[0058] 本実施例では、推薦コンテンツ情報を生成するのが目的であるが、最終的にはこれ はユーザに対する推薦コンテンツの提示としてサービスされる。この場合、得られた 推薦コンテンツ情報順に並び替えを行い。上位 K個を示すのが一般的なサービス形 態であり、 K個の中にユーザが既に閲覧したコンテンツが含まれる場合にはそれを除 外することが多い。
[0059] 本構成をとることによって、様々な人のユーザ特徴ベクトルを公開情報から生成す ること力 Sでき、プライバシーを保持したシステムを構築することができる。コンテンツ情 報生成部 101および推薦コンテンッ決定部 104については、ユーザ特徴べクトルを 取り扱わない部分であり、これをサーバ'クライアントモデルにおけるサーバ側に設置 することちでさる。
[0060] 或いは、入力であるユーザ特徴ベクトルを蓄積することなぐサービス毎に廃棄する 形式であれば、全ての処理をサーバ側で実行しても、プライバシー情報を収集しな レ、形でサーバサービスを実現できる。
[0061] (第 2の実施例）
図 2は、本発明による第 2の実施例として、コンテンツ推薦システムのブロック図を示 したものである。
[0062] 図 2に示す第 2の実施例のコンテンツ推薦システムは、コメント収集提示型ネットヮ ークデータ群とそのデータに対するユーザの閲覧履歴から、推薦コンテンツ情報を 生成するものであり、コンテンツ情報生成部 101、作成算出部 102、ユーザ特徴べク トル照合部 103、推薦コンテンツ決定部 104、および閲覧履歴処理部 105とを備えて いる。
[0063] 本第 2の実施例では、第一のユーザ特徴ベクトルに代えて、コメント収集提示型ネッ トワークデータ群に対する閲覧履歴を入力とする。データ閲覧履歴は、閲覧履歴処 理部 105に入力され、第一の形態で説明した N次元の第一のユーザ特徴ベクトル（ 第一の形態では入力）が生成される。
[0064] このベクトルの各要素は、コメント収集提示型ネットワークデータ群に含まれるデー タ単位に対するユーザの嗜好をあらわすものであるので、閲覧履歴処理部 105のも つとも単純な実装方法としては、そのデータ単位を閲覧したか、あるいは何回閲覧し たかを数える方法があげられる。
[0065] この生成した第一のユーザ特徴ベクトルは、第 1の実施例に、コメント収集提示型ネ ットワークデータ群と共に入力される。
[0066] この第 2の実施例の構成をとることによって、第 1の実施例で必要となる第一のユー ザ特徴ベクトルをユーザ自らが作成することなく自動的に生成することができる。
[0067] (第 3の実施例）
図 3は、本発明による第 3の実施例として、コンテンツ推薦システムのブロック図を示 したものである。
[0068] 図 3に示す第 3の実施例のコンテンツ推薦システムは、本発明の第 2の実施例に加 えて、絞込み部 106を備えることを特徴としており、作成履歴算出部 102に入力され るデータ量を削減している。
[0069] 入力であるデータ閲覧履歴情報は、閲覧履歴処理部 105に加えて、絞込み部 106 にも入力される。絞込み部 106では、コメント収集提示型ネットワークデータ群に含ま れる全データ単位のうち、推薦対象となるユーザが閲覧したデータ単位の情報のみ を抜き出して、作成履歴算出部 102へ出力する。 [0070] これは、ユーザが閲覧したことによるデータ単位に相当するベクトル要素力 S、ユーザ 特徴ベクトル照合部 103での照合処理時に意味を成さない無意味な数値であり、こ のベクトル要素に関しては、作成履歴算出部 102における M個の第二のユーザ特徴 ベクトル 2生成時に省略することができるという特長を利用した実施例である。
[0071] 一般に個々のユーザが閲覧するデータ単位は、コメント収集提示型ネットワークデ ータ群の極一部であることが多ぐ本構成をとることによって、第二の実施例で必要と なるユーザ特徴ベクトル 2算出処理量を大幅に削減することができる。
[0072] (第 4の実施例）
図 4は、本発明による第 4の実施例として、コンテンツ推薦システムのブロック図を示 したものである。
[0073] 図 4に示す第 4の実施例のコンテンツ推薦システムは、本発明の第 1の実施例にお ける入力である第一のユーザ特徴ベクトルの代わりに、推薦対象となるユーザの識別 子を入力とすることを特徴としており、第 1の実施例のユーザ特徴ベクトル照合部 103 力 出力は同一であるが入力が異なるユーザ特徴ベクトル 107で置換された構成を とる。
[0074] 本第 4の実施例の動作は、本発明の第 1の実施例と共通するが、作成履歴算出部 102の出力である M個のユーザ特徴ベクトル 2は、ユーザ特徴ベクトル照合部 103に 代えて、ユーザ特徴ベクトル照合部 107に送られる。
[0075] ユーザ特徴ベクトル照合部 107は、入力として与えられるユーザ識別子が、 M個の ユーザ特徴ベクトル 2に含まれていないかを検証する。もし、含まれている場合には、 対応するユーザ特徴ベクトル 2をユーザ特徴ベクトル 1と見做して、残りの（M— 1)個 のユーザ特徴ベクトル 2と照合することにより、ユーザ識別子ごとの合致度を生成する
[0076] ここで、照合方法そのものは、第 1の実施例で示したユーザ特徴ベクトル照合部 10
3における照合手段と同一のものが利用することができる。
[0077] 入力として与えられるユーザ識別子力 M個のユーザ特徴ベクトル 2に含まれなか つた場合には、全てのユーザ識別子に対して合致度 0として出力を生成する。
[0078] この第 4の実施例では、ユーザ識別子のみが入力され、第 1の実施例のユーザ特 徴ベクトルや、それを生成するためのデータ閲覧履歴は必要とされないため、サービ スを全てサーバ側で実施した場合でも、ユーザのプライバシーを完全に保護すること ができる。
[0079] (第 5の実施例）
図 5は、本発明による第 5の実施例として、コンテンツ推薦システムのブロック図を示 したものである。
[0080] 図 5に示す第 5の実施例のコンテンツ推薦システムは、コメント収集提示型ネットヮ ークデータ群とデータ閲覧履歴およびユーザ識別子から、推薦コンテンツ情報を生 成するものであり、コンテンツ情報生成部 101と、作成履歴算出部 102と、ユーザ特 徴ベクトル照合部 103と、推薦コンテンツ決定部 104と、閲覧履歴処理部 105と、ュ 一ザ特徴ベクトル生成部 108とを備えている。
[0081] 入力であるコメント収集提示型ネットワークデータ群は、コンテンツ情報生成部 101 および作成履歴算出部 102に入力される。コンテンッ情報生成部 101は第 1の実施 例と同様に、コンテンツ情報を推薦コンテンツ決定部 104に送る。作成履歴算出部 1 02も第 1の実施例と同様に、 M個の第二のユーザ特徴ベクトルをユーザ特徴べタト ル照合部 103に送る力 それと同時にユーザ特徴ベクトル生成部 108にも出力する
[0082] 入力であるデータ閲覧履歴は、第 2の実施例と同様に閲覧履歴処理部 105に送ら れて第一のユーザ特徴ベクトルが生成され、ユーザ特徴ベクトル生成部 108へ出力 される。本実施例の特徴的な構成要素であるユーザ特徴ベクトル生成部 108は、第 一のユーザ特徴ベクトル、 M個の第二のユーザ特徴ベクトルおよびもう一つの入力 であるユーザ識別子を使って、より精度を向上させた第一のユーザ特徴ベクトルを生 成するものである。
[0083] ユーザ特徴べクトノレ生成部 108の詳細について述べると、作成履歴算出部 102か ら送られてくる第二のユーザ特徴ベクトルは、コメント収集提示型ネットワークデータ 群の作成に関与した個人の嗜好情報を反映させたものである。
[0084] もし、現在推薦対象となっているユーザが、コメント収集提示型ネットワークデータ 群の作成に関与していた場合、ユーザ識別子に相当する第二のユーザ特徴ベクトル が M個の同ベクトル内に含まれているはずである。
[0085] ここで、もし第二のユーザ特徴ベクトルが発見された場合には、閲覧履歴処理部 10
5で生成された第一のユーザ特徴ベクトルと、入力であるユーザ識別子に対応する 第二のユーザ特徴ベクトルに重み付け加算して新たな第一のユーザ特徴ベクトルを 生成し、ユーザ特徴ベクトル生成部 103に出力する。
[0086] 第一のユーザ特徴ベクトルと第二のユーザ特徴ベクトルとは、次元数が一致するべ タトルであり、その重み付けは作成関与という行為と閲覧という行為のどちらを重視す るかというパラメータとなる。
[0087] ユーザ特徴ベクトル照合部 103は、第 1の実施例と同様に動作をし、ユーザ識別子 ごとの合致度を出力する。同様に推薦コンテンツ決定部 104も、第 1の実施例と同様 の動作で推薦コンテンツ情報を出力する。
[0088] この第 5の実施例では、閲覧と作成という 2面でユーザの嗜好を捕らえることにより、 より信頼できるユーザ特徴ベクトルの生成が可能である。
[0089] (第 6の実施例）
図 6は、本発明による第 6の実施例として、コンテンツ推薦システムのブロック図を示 したものである。
[0090] 図 6に示す第 6の実施例のコンテンツ推薦システムは、第 5の実施例に絞込み部 10 6を加えたものである。
[0091] 第 5の実施例において、直接、作成履歴算出部 102に渡されていたコメント収集提 示型ネットワークデータ群が、一度絞込み部 106に渡される。絞込み部 106の動作 は、第 3の実施例で述べたものと同様であり、入力として与えられるデータ閲覧履歴と 照合して、ユーザが閲覧経験がない場合のコメント収集提示型ネットワークデータ群 が、作成履歴算出部 102に渡されるのを防ぐ。これ以外の動作は第 5の実施例と完 全に同一である。
[0092] 絞込み手段を設けることによって、処理量が多い作成履歴算出部 102の回路規模 を削減することが可能である。
[0093] 本発明の第 1の観点によるコンテンツ推奨システムにおいて、前記コメント収集提示 型ネットワークデータ群に対する閲覧履歴から、前記閲覧履歴がデータ閲覧情報とし て入力され、前記データ閲覧情報力 第一のユーザ特徴べ外ルを生成する閲覧履 歴処理手段を更に備えるようにしてもょレ、。
[0094] 本発明の第 1の観点によるコンテンツ推奨システムにおいて、前記データ閲覧情報 から、前記コメント収集提示型ネットワークデータ群に含まれるデータのうち、処理す べきデータ単位のみを抽出して前記作業履歴算出手段で処理すべきデータを絞り 込む絞り込み手段を更に備えるようにしてもょレ、。
[0095] 本発明の第 1の観点によるコンテンツ推奨システムにおいて、前記第一のユーザ特 徴ベクトルの代わり、前記ユーザを識別するユーザ識別子が入力され、前記ユーザ 特徴ベクトル照合手段が、前記第一のユーザ特徴ベクトルに相当するデータを、前 記ユーザ識別子を利用して前記第二のユーザ特徴ベクトルの中から抽出した上で、 その他の前記第二のユーザ特徴ベクトルと照合することで前記ユーザごとに嗜好の 合致度を算出するようにしてもょレ、。
[0096] 本発明の第 1の観点によるコンテンツ推奨システムにおいて、前記コメント収集提示 型ネットワークデータ群に対する閲覧履歴から、前記閲覧履歴がデータ閲覧情報とし て入力されると共に、前記ユーザを識別するユーザ識別子も入力され、前記データ 閲覧情報から第一のユーザ特徴ベクトルを生成する閲覧履歴処理手段と、前記ユー ザ識別子を用いて、前記第一のユーザ特徴ベクトルに相当するデータを、前記ユー ザ識別子を利用して前記第二のユーザ特徴ベクトルの中力 抽出すると共に、それ を用いて前記第一のユーザ特徴ベクトルを修正した上で出力するユーザ特徴べタト ル生成手段と、を更に備えるようにしてもよい。
[0097] 本発明の第 1の観点によるコンテンツ推奨システムにおいて、前記データ閲覧情報 から、前記コメント収集提示型ネットワークデータ群に含まれるデータのうち、処理す べきデータ単位のみを抽出して前記作業履歴算出手段で処理すべきデータを絞り 込む絞り込み手段を更に備えるようにしてもょレ、。
[0098] 本発明の第 2の観点によるコンテンツ推奨方法において、前記コメント収集提示型 ネットワークデータ群に対する閲覧履歴から、前記閲覧履歴がデータ閲覧情報として 入力され、前記データ閲覧情報から第一のユーザ特徴ベクトルを生成する閲覧履歴 処理ステップを更に備えるようにしてもょレヽ。 [0099] 本発明の第 2の観点によるコンテンツ推奨方法において、前記データ閲覧情報から 、前記コメント収集提示型ネットワークデータ群に含まれるデータのうち、処理すべき データ単位のみを抽出して前記作業履歴算出ステップで処理すべきデータを絞り込 む絞り込みステップを更に備えるようにしてもょレ、。
[0100] 本発明の第 2の観点によるコンテンツ推奨方法において、前記第一のユーザ特徴 ベクトルの代わり、前記ユーザを識別するユーザ識別子が入力され、前記ユーザ特 徴ベクトル照合ステップ力 S、前記第一のユーザ特徴ベクトルに相当するデータを、前 記ユーザ識別子を利用して前記第二のユーザ特徴ベクトルの中から抽出した上で、 その他の前記第二のユーザ特徴ベクトルと照合することで前記ユーザごとに嗜好の 合致度を算出するようにしてもょレ、。
[0101] 本発明の第 2の観点によるコンテンツ推奨方法において、前記コメント収集提示型 ネットワークデータ群に対する閲覧履歴から、前記閲覧履歴がデータ閲覧情報として 入力されると共に、前記ユーザを識別するユーザ識別子も入力され、前記データ閲 覧情報から第一のユーザ特徴ベクトルを生成する閲覧履歴処理ステップと、前記ュ 一ザ識別子を用いて、前記第一のユーザ特徴ベクトルに相当するデータを、前記ュ 一ザ識別子を利用して前記第二のユーザ特徴ベクトルの中力 抽出すると共に、そ れを用いて前記第一のユーザ特徴ベクトルを修正した上で出力するユーザ特徴べク トル生成ステップと、を備えるようにしてもよレ、。
[0102] 本発明の第 2の観点によるコンテンツ推奨方法において、前記データ閲覧情報から 、前記コメント収集提示型ネットワークデータ群に含まれるデータのうち、処理すべき データ単位のみを抽出して前記作業履歴算出ステップで処理すべきデータを絞り込 む絞り込みステップを更に備えるようにしてもょレ、。
[0103] 本発明の第 3の観点によるコンテンツ推薦プログラムにおいて、前記コメント収集提 示型ネットワークデータ群に対する閲覧履歴から、前記閲覧履歴がデータ閲覧情報 として入力され、前記データ閲覧情報から第一のユーザ特徴ベクトルを生成する閲 覧履歴処理手順を更に備えるようにしてもょレ、。
[0104] 本発明の第 3の観点によるコンテンツ推薦プログラムにおいて、前記データ閲覧情 報から、前記コメント収集提示型ネットワークデータ群に含まれるデータのうち、処理 すべきデータ単位のみを抽出して前記作業履歴算出手順で処理すべきデータを絞 り込む絞り込み手順を更に備えるようにしてもよい。
[0105] 本発明の第 3の観点によるコンテンツ推薦プログラムにおいて、前記第一のユーザ 特徴ベクトルの代わり、前記ユーザを識別するユーザ識別子が入力され、前記ユー ザ特徴ベクトル照合手順が、前記第一のユーザ特徴ベクトルに相当するデータを、 前記ユーザ識別子を利用して前記第二のユーザ特徴ベクトルの中から抽出した上で 、その他の前記第二のユーザ特徴べタトノレと照合することで前記ユーザごとに嗜好の 合致度を算出するようにしてもょレ、。
[0106] 本発明の第 3の観点によるコンテンツ推薦プログラムにおいて、前記コメント収集提 示型ネットワークデータ群に対する閲覧履歴から、前記閲覧履歴がデータ閲覧情報 として入力されると共に、前記ユーザを識別するユーザ識別子も入力され、前記デー タ閲覧情報から第一のユーザ特徴ベクトルを生成する閲覧履歴処理手順と、前記ュ 一ザ識別子を用いて、前記第一のユーザ特徴ベクトルに相当するデータを、前記ュ 一ザ識別子を利用して前記第二のユーザ特徴ベクトルの中力 抽出すると共に、そ れを用いて前記第一のユーザ特徴ベクトルを修正した上で出力するユーザ特徴べク トル生成手順と、を更に備えるようにしてもよい。
[0107] 本発明の第 3の観点によるコンテンツ推薦プログラムにおいて、前記データ閲覧情 報から、前記コメント収集提示型ネットワークデータ群に含まれるデータのうち、処理 すべきデータ単位のみを抽出して前記作業履歴算出手順で処理すべきデータを絞 り込む絞り込み手順を更に備えるようにしてもよい。
[0108] 本発明の第 4の観点によるコンテンツ推薦システムにおいて、前記第三者の嗜好情 報、及び前記第三者が興味を持った前記コンテンツ情報が、コメント収集提示型ネッ トワークデータ群で公開されてレ、るようにしてもょレ、。
[0109] 本発明の第 5の観点によるコンテンツ推薦方法において、前記第三者の嗜好情報
、及び前記第三者が興味を持った前記コンテンツ情報が、コメント収集提示型ネット ワークデータ群で公開されてレ、るようにしてもょレ、。
[0110] 本発明の第 6の観点によるコンテンツ推薦プログラムにおいて、前記第三者の嗜好 情報、及び前記第三者が興味を持った前記コンテンツ情報が、コメント収集提示型ネ ットワークデータ群で公開されているようにしてもよい。
[0111] 本発明の代表的な実施例が詳細に述べられた力 S、様々な変更 (changes),置き換え (substitutions)及び選択 (alternatives)が請求項で定義された発明の精神と範囲から 逸脱することなくなされることが理解されるべきである。また、仮にクレームが出願手 続きにおいて補正されたとしても、クレームされた発明の均等の範囲は維持されるも のと発明者は意図する。
産業上の利用可能性
[0112] 本発明は、個人個人の嗜好にあったコンテンツを推薦するために利用することがで きる。

Claims

請求の範囲
[1] コンテンツをユーザに推薦するコンテンツ推薦システムであって、
ネットワークに属するメンバーにより各自のコメントが書き込まれたコメント収集提示 型ネットワークデータ群と、前記コメント収集提示型ネットワークデータ群に含まれる データ単位の全部又は一部に対するユーザの嗜好をベクトル量で表現した第一の ユーザ特徴ベクトルとが入力され、
前記コメント収集提示型ネットワークデータ群をデータ単位に分割し、コンテンツ情 報を生成するコンテンツ情報生成手段と、
前記コメント収集提示型ネットワークデータ群をデータ単位に分割し、前記データ 単位の作成に関与した関与情報から、ユーザの嗜好をベクトル量で表現した第二の ユーザ特徴ベクトルを生成する作業履歴算出手段と、
前記第一のユーザ特徴ベクトルと前記第二のユーザ特徴ベクトルとから、ユーザご とに嗜好の合致度を算出するユーザ特徴べ外ル照合手段と、
前記コンテンツ情報と前記嗜好の合致度とから、推薦コンテンツ情報を算出する推 薦コンテンツ決定手段と、
を備えたことを特徴とするコンテンツ推薦システム。
[2] 前記コメント収集提示型ネットワークデータ群に対する閲覧履歴から、前記閲覧履 歴がデータ閲覧情報として入力され、
前記データ閲覧情報から第一のユーザ特徴ベクトルを生成する閲覧履歴処理手 段を
更に備えたことを特徴とする請求項 1に記載のコンテンツ推薦システム。
[3] 前記データ閲覧情報から、前記コメント収集提示型ネットワークデータ群に含まれる データのうち、処理すべきデータ単位のみを抽出して前記作業履歴算出手段で処理 すべきデータを絞り込む絞り込み手段を 更に備えたことを特徴とする請求項 2に記載のコンテンツ推薦システム。
[4] 前記第一のユーザ特徴ベクトルの代わり、前記ユーザを識別するユーザ識別子が 入力され、
前記ユーザ特徴ベクトル照合手段が、前記第一のユーザ特徴ベクトルに相当する データを、前記ユーザ識別子を利用して前記第二のユーザ特徴ベクトルの中から抽 出した上で、その他の前記第二のユーザ特徴ベクトルと照合することで前記ユーザご とに嗜好の合致度を算出する
ことを特徴とする請求項 1に記載のコンテンツ推薦システム。
[5] 前記コメント収集提示型ネットワークデータ群に対する閲覧履歴から、前記閲覧履 歴がデータ閲覧情報として入力されると共に、前記ユーザを識別するユーザ識別子 も入力され、
前記データ閲覧情報から第一のユーザ特徴ベクトルを生成する閲覧履歴処理手 段と、
前記ユーザ識別子を用いて、前記第一のユーザ特徴ベクトルに相当するデータを 、前記ユーザ識別子を利用して前記第二のユーザ特徴ベクトルの中から抽出すると 共に、それを用いて前記第一のユーザ特徴ベクトルを修正した上で出力するユーザ 特徴ベクトル生成手段と、
を更に備えたことを特徴とする請求項 1に記載のコンテンツ推薦システム。
[6] 前記データ閲覧情報から、前記コメント収集提示型ネットワークデータ群に含まれる データのうち、処理すべきデータ単位のみを抽出して前記作業履歴算出手段で処理 すべきデータを絞り込む絞り込み手段
を更に備えたことを特徴とする請求項 5に記載のコンテンツ推薦システム。
[7] コンテンツをユーザに推薦するコンテンツ推薦システムにおけるコンテンツ推薦方 法であって、
ネットワークに属するメンバーにより各自のコメントが書き込まれたコメント収集提示 型ネットワークデータ群と、前記コメント収集提示型ネットワークデータ群に含まれる データ単位の全部又は一部に対するユーザの嗜好をベクトル量で表現した第一の ユーザ特徴ベクトルとが入力されるステップと、
前記コメント収集提示型ネットワークデータ群をデータ単位に分割し、コンテンツ情 報を生成するコンテンツ情報生成ステップと、
前記コメント収集提示型ネットワークデータ群をデータ単位に分割し、前記データ 単位の作成に関与した関与情報から、ユーザの嗜好をベクトル量で表現した第二の ユーザ特徴ベクトルを生成する作業履歴算出ステップと、
前記第一のユーザ特徴ベクトルと前記第二のユーザ特徴ベクトルとから、ユーザご とに嗜好の合致度を算出するユーザ特徴ベクトル照合ステップと、
前記コンテンツ情報と前記嗜好の合致度とから、推薦コンテンツ情報を算出する推 薦コンテンツ決定ステップと、
を備えたことを特徴とするコンテンツ推薦方法。
[8] 前記コメント収集提示型ネットワークデータ群に対する閲覧履歴から、前記閲覧履 歴がデータ閲覧情報として入力され、
前記データ閲覧情報から第一のユーザ特徴ベクトルを生成する閲覧履歴処理ステ ップを更に備えたことを特徴とする請求項 7に記載のコンテンツ推薦方法。
[9] 前記データ閲覧情報から、前記コメント収集提示型ネットワークデータ群に含まれる データのうち、処理すべきデータ単位のみを抽出して前記作業履歴算出ステップで 処理すべきデータを絞り込む絞り込みステップを
更に備えたことを特徴とする請求項 8に記載のコンテンツ推薦方法。
[10] 前記第一のユーザ特徴ベクトルの代わり、前記ユーザを識別するユーザ識別子が 入力され、
前記ユーザ特徴ベクトル照合ステップが、前記第一のユーザ特徴ベクトルに相当 するデータを、前記ユーザ識別子を利用して前記第二のユーザ特徴ベクトルの中か ら抽出した上で、その他の前記第二のユーザ特徴ベクトルと照合することで前記ユー ザごとに嗜好の合致度を算出する
ことを特徴とする請求項 7に記載のコンテンツ推薦方法。
[11] 前記コメント収集提示型ネットワークデータ群に対する閲覧履歴から、前記閲覧履 歴がデータ閲覧情報として入力されると共に、前記ユーザを識別するユーザ識別子 も入力され、
前記データ閲覧情報から第一のユーザ特徴ベクトルを生成する閲覧履歴処理ステ ップと、
前記ユーザ識別子を用いて、前記第一のユーザ特徴ベクトルに相当するデータを 、前記ユーザ識別子を利用して前記第二のユーザ特徴ベクトルの中から抽出すると 共に、それを用いて前記第一のユーザ特徴ベクトルを修正した上で出力するユーザ 特徴ベクトル生成ステップと、
を備えたことを特徴とする請求項 7に記載のコンテンツ推薦方法。
[12] 前記データ閲覧情報から、前記コメント収集提示型ネットワークデータ群に含まれる データのうち、処理すべきデータ単位のみを抽出して前記作業履歴算出ステップで 処理すべきデータを絞り込む絞り込みステップ
を更に備えたことを特徴とする請求項 11に記載のコンテンツ推薦方法。
[13] コンテンツをユーザに推薦するコンテンツ推薦システムにおけるコンテンツ推薦プロ グラムであって、
ネットワークに属するメンバーにより各自のコメントが書き込まれたコメント収集提示 型ネットワークデータ群と、前記コメント収集提示型ネットワークデータ群に含まれる データ単位の全部又は一部に対するユーザの嗜好をベクトル量で表現した第一の ユーザ特徴ベクトルとが入力される手順と、
前記コメント収集提示型ネットワークデータ群をデータ単位に分割し、コンテンツ情 報を生成するコンテンツ情報生成手順と、
前記コメント収集提示型ネットワークデータ群をデータ単位に分割し、前記データ 単位の作成に関与した関与情報から、ユーザの嗜好をベクトル量で表現した第二の ユーザ特徴ベクトルを生成する作業履歴算出手順と、
前記第一のユーザ特徴ベクトルと前記第二のユーザ特徴ベクトルとから、ユーザご とに嗜好の合致度を算出するユーザ特徴べ外ル照合手順と、
前記コンテンツ情報と前記嗜好の合致度とから、推薦コンテンツ情報を算出する推 薦コンテンツ決定手順と、
をコンピュータに実行させることを特徴とするコンテンツ推薦プログラム。
[14] 前記コメント収集提示型ネットワークデータ群に対する閲覧履歴から、前記閲覧履 歴がデータ閲覧情報として入力され、
前記データ閲覧情報から第一のユーザ特徴ベクトルを生成する閲覧履歴処理手 順を更に備えたことを特徴とする請求項 13に記載のコンテンツ推薦プログラム。
[15] 前記データ閲覧情報から、前記コメント収集提示型ネットワークデータ群に含まれる データのうち、処理すべきデータ単位のみを抽出して前記作業履歴算出手順で処理 すべきデータを絞り込む絞り込み手順を
更に備えたことを特徴とする請求項 14に記載のコンテンツ推薦プログラム。
[16] 前記第一のユーザ特徴ベクトルの代わり、前記ユーザを識別するユーザ識別子が 入力され、
前記ユーザ特徴ベクトル照合手順が、前記第一のユーザ特徴ベクトルに相当する データを、前記ユーザ識別子を利用して前記第二のユーザ特徴ベクトルの中から抽 出した上で、その他の前記第二のユーザ特徴ベクトルと照合することで前記ユーザご とに嗜好の合致度を算出する
ことを特徴とする請求項 13に記載のコンテンツ推薦プログラム。
[17] 前記コメント収集提示型ネットワークデータ群に対する閲覧履歴から、前記閲覧履 歴がデータ閲覧情報として入力されると共に、前記ユーザを識別するユーザ識別子 も入力され、
前記データ閲覧情報から第一のユーザ特徴ベクトルを生成する閲覧履歴処理手 順と、
前記ユーザ識別子を用いて、前記第一のユーザ特徴ベクトルに相当するデータを 、前記ユーザ識別子を利用して前記第二のユーザ特徴ベクトルの中から抽出すると 共に、それを用いて前記第一のユーザ特徴ベクトルを修正した上で出力するユーザ 特徴ベクトル生成手順と、
を更に備えたことを特徴とする請求項 13に記載のコンテンツ推薦プログラム。
[18] 前記データ閲覧情報から、前記コメント収集提示型ネットワークデータ群に含まれる データのうち、処理すべきデータ単位のみを抽出して前記作業履歴算出手順で処理 すべきデータを絞り込む絞り込み手順 を更に備えたことを特徴とする請求項 17に記載のコンテンツ推薦プログラム。
[19] コンテンツをユーザに推薦するコンテンツ推薦システムであって、
公開されている第三者の嗜好情報、及び前記第三者が興味をもったコンテンツ情 報を収集するコンテンツ情報収集手段と、
前記第三者の嗜好情報とユーザの嗜好情報とを比較をすることにより、ユーザにコ ンテンッを推薦する推薦コンテンツ情報を生成する推薦コンテンツ情報生成手段と を備えたことを特徴とするコンテンツ推薦システム。
[20] 前記第三者の嗜好情報、及び前記第三者が興味を持った前記コンテンツ情報が、 コメント収集提示型ネットワークデータ群で公開されていること
を特徴とする請求項 19に記載のコンテンツ推薦システム。
[21] コンテンツをユーザに推薦するコンテンツ推薦システムにおけるコンテンツ推薦方 法であって、
公開されている第三者の嗜好情報、及び前記第三者が興味をもったコンテンツ情 報を収集するコンテンツ情報収集ステップと、
前記第三者の嗜好情報とユーザの嗜好情報とを比較をすることにより、ユーザにコ ンテンッを推薦する推薦コンテンツ情報を生成する推薦コンテンツ情報生成ステップ と
を備えたことを特徴とするコンテンツ推薦方法。
[22] 前記第三者の嗜好情報、及び前記第三者が興味を持った前記コンテンツ情報が、 コメント収集提示型ネットワークデータ群で公開されていること
を特徴とする請求項 21に記載のコンテンツ推薦方法。
[23] コンテンツをユーザに推薦するコンテンツ推薦システムにおけるコンテンツ推薦プロ グラムであって、
公開されている第三者の嗜好情報、及び前記第三者が興味をもったコンテンツ情 報を収集するコンテンツ情報収集手順と、
前記第三者の嗜好情報とユーザの嗜好情報とを比較をすることにより、ユーザにコ ンテンッを推薦する推薦コンテンツ情報を生成する推薦コンテンツ情報生成手順と をコンピュータに実行させることを特徴とするコンテンツ推薦プログラム。
[24] 前記第三者の嗜好情報、及び前記第三者が興味を持った前記コンテンツ情報が、 コメント収集提示型ネットワークデータ群で公開されていること
を特徴とする請求項 23に記載のコンテンツ推薦プログラム。
PCT/JP2007/062694 2006-06-23 2007-06-25 コンテンツ推薦システム、コンテンツ推薦方法及びコンテンツ推薦用プログラム WO2007148817A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2008522563A JPWO2007148817A1 (ja) 2006-06-23 2007-06-25 コンテンツ推薦システム、コンテンツ推薦方法及びコンテンツ推薦用プログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2006173805 2006-06-23
JP2006-173805 2006-06-23

Publications (1)

Publication Number Publication Date
WO2007148817A1 true WO2007148817A1 (ja) 2007-12-27

Family

ID=38833550

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2007/062694 WO2007148817A1 (ja) 2006-06-23 2007-06-25 コンテンツ推薦システム、コンテンツ推薦方法及びコンテンツ推薦用プログラム

Country Status (2)

Country Link
JP (1) JPWO2007148817A1 (ja)
WO (1) WO2007148817A1 (ja)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2264623A1 (en) * 2008-04-10 2010-12-22 Ntt Docomo, Inc. Recommendation information generation apparatus and recommendation information generation method
EP2595066A1 (en) * 2011-11-21 2013-05-22 Alcatel Lucent Recommendation method and apparatus for selecting content items for users
KR101472009B1 (ko) * 2012-10-30 2014-12-15 주식회사 케이티 콘텐츠를 추천하는 서버 및 방법 그리고, 디바이스
JP2015516635A (ja) * 2012-04-16 2015-06-11 ▲騰▼▲訊▼科技（深▲セン▼）有限公司 命令を起動する方法およびデバイス、ユーザ情報を取得する方法およびシステム、端末、およびサーバ
US9202221B2 (en) 2008-09-05 2015-12-01 Microsoft Technology Licensing, Llc Content recommendations based on browsing information
JP2016040660A (ja) * 2014-08-12 2016-03-24 日本電信電話株式会社 コンテンツ推薦装置、コンテンツ推薦方法及びコンテンツ推薦プログラム
CN106649780A (zh) * 2016-12-28 2017-05-10 北京百度网讯科技有限公司 基于人工智能的信息提供方法及装置
WO2017199415A1 (ja) * 2016-05-20 2017-11-23 富士通株式会社 表示制御プログラム、表示制御装置及び表示制御方法
CN111224731A (zh) * 2019-12-26 2020-06-02 支付宝(杭州)信息技术有限公司 基于语音广播的内容推送方法、装置及设备
CN112541787A (zh) * 2020-12-09 2021-03-23 北京奇艺世纪科技有限公司 广告推荐方法、系统、存储介质及电子设备
CN113159891A (zh) * 2021-04-24 2021-07-23 桂林电子科技大学 一种基于多种用户表示融合的商品推荐方法
CN113763016A (zh) * 2021-01-18 2021-12-07 北京京东乾石科技有限公司 一种评价信息推送方法和装置
KR102384892B1 (ko) * 2021-11-26 2022-04-11 주식회사 라비베르 뉴럴 네트워크를 이용한 기부 컨텐츠 추천 방법 및 장치
CN117150075A (zh) * 2023-10-30 2023-12-01 轻岚(厦门)网络科技有限公司 一种基于数据分析的短视频智能推荐系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004343321A (ja) * 2003-05-14 2004-12-02 Sony Corp 情報処理装置および方法、プログラム、並びに記録媒体
JP2005327028A (ja) * 2004-05-13 2005-11-24 Ricoh Co Ltd 人材検索システム、プログラムおよび記録媒体

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004343321A (ja) * 2003-05-14 2004-12-02 Sony Corp 情報処理装置および方法、プログラム、並びに記録媒体
JP2005327028A (ja) * 2004-05-13 2005-11-24 Ricoh Co Ltd 人材検索システム、プログラムおよび記録媒体

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2264623A4 (en) * 2008-04-10 2012-09-26 Ntt Docomo Inc DEVICE FOR GENERATING RECOMMENDATION INFORMATION AND METHOD FOR GENERATING RECOMMENDATION INFORMATION
EP2264623A1 (en) * 2008-04-10 2010-12-22 Ntt Docomo, Inc. Recommendation information generation apparatus and recommendation information generation method
US9202221B2 (en) 2008-09-05 2015-12-01 Microsoft Technology Licensing, Llc Content recommendations based on browsing information
EP2595066A1 (en) * 2011-11-21 2013-05-22 Alcatel Lucent Recommendation method and apparatus for selecting content items for users
JP2015516635A (ja) * 2012-04-16 2015-06-11 ▲騰▼▲訊▼科技（深▲セン▼）有限公司 命令を起動する方法およびデバイス、ユーザ情報を取得する方法およびシステム、端末、およびサーバ
US9454234B2 (en) 2012-04-16 2016-09-27 Tencent Technology (Shenzhen) Company Limited Instruction triggering method and device, user information acquisition method and system, terminal, and server
KR101472009B1 (ko) * 2012-10-30 2014-12-15 주식회사 케이티 콘텐츠를 추천하는 서버 및 방법 그리고, 디바이스
JP2016040660A (ja) * 2014-08-12 2016-03-24 日本電信電話株式会社 コンテンツ推薦装置、コンテンツ推薦方法及びコンテンツ推薦プログラム
WO2017199415A1 (ja) * 2016-05-20 2017-11-23 富士通株式会社 表示制御プログラム、表示制御装置及び表示制御方法
CN106649780B (zh) * 2016-12-28 2020-11-24 北京百度网讯科技有限公司 基于人工智能的信息提供方法及装置
CN106649780A (zh) * 2016-12-28 2017-05-10 北京百度网讯科技有限公司 基于人工智能的信息提供方法及装置
CN111224731A (zh) * 2019-12-26 2020-06-02 支付宝(杭州)信息技术有限公司 基于语音广播的内容推送方法、装置及设备
CN111224731B (zh) * 2019-12-26 2021-06-08 支付宝(杭州)信息技术有限公司 基于语音广播的内容推送方法、装置及设备
CN112541787A (zh) * 2020-12-09 2021-03-23 北京奇艺世纪科技有限公司 广告推荐方法、系统、存储介质及电子设备
CN112541787B (zh) * 2020-12-09 2023-12-19 北京奇艺世纪科技有限公司 广告推荐方法、系统、存储介质及电子设备
CN113763016A (zh) * 2021-01-18 2021-12-07 北京京东乾石科技有限公司 一种评价信息推送方法和装置
CN113159891A (zh) * 2021-04-24 2021-07-23 桂林电子科技大学 一种基于多种用户表示融合的商品推荐方法
CN113159891B (zh) * 2021-04-24 2022-05-17 桂林电子科技大学 一种基于多种用户表示融合的商品推荐方法
KR102384892B1 (ko) * 2021-11-26 2022-04-11 주식회사 라비베르 뉴럴 네트워크를 이용한 기부 컨텐츠 추천 방법 및 장치
CN117150075A (zh) * 2023-10-30 2023-12-01 轻岚(厦门)网络科技有限公司 一种基于数据分析的短视频智能推荐系统
CN117150075B (zh) * 2023-10-30 2024-02-13 轻岚(厦门)网络科技有限公司 一种基于数据分析的短视频智能推荐系统

Also Published As

Publication number Publication date
JPWO2007148817A1 (ja) 2009-11-19

Similar Documents

Publication Publication Date Title
WO2007148817A1 (ja) コンテンツ推薦システム、コンテンツ推薦方法及びコンテンツ推薦用プログラム
US8645224B2 (en) System and method of collaborative filtering based on attribute profiling
US9467744B2 (en) Comment-based media classification
US9245252B2 (en) Method and system for determining on-line influence in social media
US20120284282A9 (en) Ranking and selecting entities based on calculated reputation or influence scores
JP6023203B2 (ja) ソーシャル・ネットワーキング・システム上の構造化オブジェクトおよびアクション
US10303696B2 (en) Searching topics by highest ranked page in a social networking system
US8832188B1 (en) Determining language of text fragments
US10331744B2 (en) Presenting supplemental content in context
US20120246302A1 (en) System and methodology for creating and using contextual user profiles
US20140040729A1 (en) Personalizing a web page outside of a social networking system with content from the social networking system determined based on a universal social context plug-in
WO2016016752A1 (en) User to user live micro-channels for posting and viewing contextual live contents in real-time
WO2010048172A1 (en) Social graph based recommender
US7899808B2 (en) Text enhancement mechanism
JP2009157553A (ja) 属性抽出処理方法及び装置
US20180357323A1 (en) Generating information describing interactions with a content item presented in multiple collections of content
Suhaim et al. Context-aware recommender systems for social networks: review, challenges and opportunities
CA2854369C (en) Providing universal social context for concepts in a social networking system
Lim et al. Collaborative content and user-based web ontology learning system
US10210465B2 (en) Enabling preference portability for users of a social networking system
CN101374119A (zh) 提供信息服务的方法和系统以及标识资源的方法
De Pessemier et al. Combining collaborative filtering and search engine into hybrid news recommendations
JPH10307845A (ja) 閲覧支援装置およびその方法
Su et al. Music recommendation based on information of user profiles, music genres and user ratings
US20110231445A1 (en) Method, apparatus, and system for information sharing within a social network

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 07767501

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
WWE Wipo information: entry into national phase

Ref document number: 2008522563

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 07767501

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)