WO2020184716A1 - タグ推薦装置、タグ推薦方法及びタグ推薦プログラム - Google Patents

タグ推薦装置、タグ推薦方法及びタグ推薦プログラム Download PDF

Info

Publication number
WO2020184716A1
WO2020184716A1 PCT/JP2020/011225 JP2020011225W WO2020184716A1 WO 2020184716 A1 WO2020184716 A1 WO 2020184716A1 JP 2020011225 W JP2020011225 W JP 2020011225W WO 2020184716 A1 WO2020184716 A1 WO 2020184716A1
Authority
WO
WIPO (PCT)
Prior art keywords
tags
numerical value
users
tag
priority
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/JP2020/011225
Other languages
English (en)
French (fr)
Inventor
山崎　俊彦
雪テイ 汪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
The University of Tokyo
Original Assignee
The University of Tokyo
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 The University of Tokyo filed Critical The University of Tokyo
Publication of WO2020184716A1 publication Critical patent/WO2020184716A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Definitions

  • the present invention relates to a tag recommendation device, a tag recommendation method, and a tag recommendation program.
  • SNS Social Networking Service
  • a user of an SNS or an electronic commerce site may use a tag attached to the content to perform a text search on the content.
  • the tag is added to the content by the user who posted the content.
  • Non-Patent Document 1 there is a technique for recommending tags to be attached to content by using an undirected graph in which users, contents, and tags are nodes and co-occurrence relationships of nodes are links. Have been described. Further, Non-Patent Document 2 below describes a technique for recommending tags so that the popularity of the posted content increases based on the co-occurrence relationship between the popularity of the content and the tag in the SNS.
  • tags By prior art, it is possible to recommend tags to be added to new content by emphasizing the tags attached to popular content and the tags that co-occur with the tags.
  • tags On the other hand, in communities such as SNS and e-commerce sites, popular users have a great influence, and by adding tags given by popular users to new content, the content May increase in popularity.
  • the present invention provides a tag recommendation device, a tag recommendation method, and a tag recommendation program that recommend tags given to new contents in consideration of tags given by highly popular users and tags given to new contents.
  • the tag recommendation device includes a first numerical value in which a co-occurrence relationship between a plurality of users and a plurality of tags is weighted according to the popularity of the plurality of users, and a plurality of users and a plurality of tags.
  • the co-occurrence relationship is calculated based on the second numerical value weighted according to the frequency with which a plurality of users attach a plurality of tags to a plurality of contents, and a third numerical value representing the co-occurrence relationship between the plurality of tags is calculated.
  • a third numerical value representing a co-occurrence relationship between a plurality of tags is calculated using the frequency of tagging by the user and the popularity of the user, and the third numerical value and new content are obtained.
  • the first calculation unit includes a fourth numerical value in which the co-occurrence relationship between the plurality of contents and the plurality of tags is weighted according to the popularity of the plurality of contents, and the co-occurrence of the plurality of contents and the plurality of tags. Based on the fifth numerical value in which the starting relationship is weighted according to the frequency with which the plurality of tags are attached to the plurality of contents, the sixth numerical value representing the co-occurrence relationship between the plurality of tags is calculated, and the second calculation is performed. The unit may calculate the priority based on the third numerical value, the sixth numerical value, and one or more tags attached to the new contents.
  • a sixth numerical value representing a co-occurrence relationship between a plurality of tags is calculated using the frequency at which tags are attached to the content and the popularity of the content, and the sixth numerical value and the new content are calculated.
  • the third numerical value and the sixth numerical value are square matrices having dimensions of the number of a plurality of tags, and the second calculation unit is assigned to the element product of the third numerical value and the sixth numerical value and new contents.
  • the priority may be calculated based on one or more tags.
  • the third numerical value and the sixth numerical value are square matrices having dimensions of the number of a plurality of tags, and the second calculation unit is given to the sum of the third numerical value and the sixth numerical value and new contents.
  • the priority may be calculated based on one or more tags.
  • the first calculation unit may calculate the third numerical value based on a plurality of tags given to a plurality of contents by a plurality of users during a predetermined period among the plurality of tags.
  • the first calculation unit may calculate the third numerical value based on a plurality of users belonging to a predetermined area among the plurality of users.
  • the first calculation unit may calculate the third numerical value based on a plurality of users belonging to a predetermined age among the plurality of users.
  • the first calculation unit may calculate the third numerical value based on a plurality of users belonging to a predetermined gender among the plurality of users.
  • the popularity of the plurality of users includes the number of followers in the SNS of the plurality of users, the number of evaluations of the plurality of contents posted by the plurality of users, and the viewing of the plurality of contents posted by the plurality of users. It may be calculated based on at least one of the numbers given.
  • the tag recommendation device is provided with a co-occurrence relationship between a plurality of users and a plurality of tags according to the frequency with which the plurality of users attach the plurality of tags to the plurality of contents.
  • the co-occurrence relationship between the plurality of tags is expressed based on the weighted first numerical value and the co-occurrence relationship between the plurality of users and the plurality of tags, and the second numerical value weighted according to the popularity of the plurality of users.
  • Calculate the third numerical value calculate the priority of multiple tags based on the third numerical value and one or more tags given to the new content, and calculate the priority of multiple tags based on the priority. From among them, recommending one or more tags to be given to new contents, and executing.
  • a third numerical value representing a co-occurrence relationship between a plurality of tags is calculated using the frequency of tagging by the user and the popularity of the user, and the third numerical value and new content are obtained.
  • the tag recommendation program provides a tag recommendation device with a co-occurrence relationship between a plurality of users and a plurality of tags according to the frequency with which a plurality of users attach a plurality of tags to a plurality of contents.
  • the co-occurrence relationship between the plurality of tags is expressed based on the weighted first numerical value and the co-occurrence relationship between the plurality of users and the plurality of tags, and the second numerical value weighted according to the popularity of the plurality of users.
  • Calculate the third numerical value calculate the priority of multiple tags based on the third numerical value and one or more tags attached to the new content, and calculate the priority of multiple tags based on the priority. From among them, recommending one or more tags to be given to new contents, and executing.
  • a third numerical value representing a co-occurrence relationship between a plurality of tags is calculated using the frequency of tagging by the user and the popularity of the user, and the third numerical value and new content are obtained.
  • a tag recommendation device a tag recommendation method, and a tag recommendation program that recommend tags given by a highly popular user and tags given to new contents in consideration of the frequency of the tags. Can be done.
  • FIG. 1 is a diagram showing a network configuration of a tag recommendation system 100 according to an embodiment of the present invention.
  • the tag recommendation system 100 includes a tag recommendation device 10, a first user terminal 20, a second user terminal 30, and an Nth user terminal 40.
  • the first user terminal 20, the second user terminal 30, and the Nth user terminal 40 represent a user terminal used by the first user, a user used by the second user, and a user terminal used by the Nth user.
  • the first user terminal 20, the second user terminal 30, and the Nth user terminal 40 are also simply referred to as user terminals.
  • the tag recommendation device 10 receives the content posted from the user terminal and recommends the tag to be given to the content.
  • the content may be an image, a video, a text and a combination thereof posted on an SNS, or an image of a product posted on an electronic commerce site, a video of a product, a text explaining a product, or a combination thereof.
  • the case of posting an image on SNS will be described as an example.
  • the user terminal is a general-purpose computer, and may be, for example, a smartphone, a tablet PC (Personal Computer), or a desktop PC.
  • the plurality of user terminals are communicably connected to the tag recommendation device 10 via the communication network N, and receive recommendations from the tag recommendation device 10 for tags to be added to newly posted content.
  • the communication network N is a wired or wireless communication network, and may be the Internet or a LAN (Local Area Network).
  • FIG. 2 is a diagram showing a functional block of the tag recommendation device 10 according to the present embodiment.
  • the tag recommendation device 10 includes an acquisition unit 11, a generation unit 12, a storage unit 13, a first calculation unit 14, a second calculation unit 15, and a recommendation unit 16.
  • the acquisition unit 11 acquires the content to be newly posted from the user terminal.
  • the acquisition unit 11 may acquire the content to be posted when the content is posted from the user terminal to the SNS or the electronic commerce site in cooperation with a specific SNS or the electronic commerce site.
  • the generation unit 12 analyzes the new content and generates a tag explaining the content of the content.
  • the tag explaining the content of the content may be selected from a plurality of tag candidates.
  • the generation unit 12 may use a known image recognition technique to generate a tag explaining the name of the object shown in the image or the situation shown in the image.
  • the generation unit 12 may classify the content into at least one of a plurality of predetermined categories, and generate tags according to the category to which the content belongs.
  • the generation unit 12 may generate a plurality of tags for explaining the content of the content for one content, for example, 10 tags may be generated.
  • the storage unit 13 stores tag information 13a, user information 13b, and content information 13c.
  • the tag information 13a includes history information of tags that have been attached to the content so far, and may include information indicating which tag is attached to which content, when, in which region, and by a user of which age.
  • the user information 13b includes the popularity of the user who posted the content, and may include profile information such as the area and age of the user's residence.
  • the popularity of the user is based on at least one of the number of followers in the user's SNS, the number of evaluations of the plurality of contents posted by the user, and the number of views of the plurality of contents posted by the user. May be calculated.
  • the user who receives the tag recommendation may be able to select what kind of index is used to calculate the popularity of the user. For example, when it is desired to add a tag so that the number of views increases, the popularity of the user may be calculated based on the number of views of a plurality of contents posted by the user. In this way, it is possible to calculate an appropriate degree of popularity according to the purpose and recommend more attractive tags.
  • the content information 13c includes the popularity of the posted content, and may include information indicating which user posted the content.
  • the popularity of the content may be calculated based on at least one of the number of times the plurality of posted contents are evaluated and the number of times the plurality of posted contents are viewed.
  • the first calculation unit 14 determines the co-occurrence relationship between the plurality of users and the plurality of tags, the first numerical value obtained by weighting the co-occurrence relationship between the plurality of users and the plurality of tags according to the popularity of the plurality of users, and the co-occurrence relationship between the plurality of users and the plurality of tags.
  • the third numerical value representing the co-occurrence relationship between the plurality of tags is calculated based on the second numerical value weighted according to the frequency at which the plurality of users attach the plurality of tags to the plurality of contents. Specific examples of the first numerical value and the second numerical value will be described in detail with reference to FIGS. 4 and 5.
  • the second calculation unit 15 calculates the priority of a plurality of tags based on the third numerical value and one or a plurality of tags attached to the new content.
  • the one or more tags attached to the new content may be the tags generated by the generation unit 12. The priority of tags will be described in detail later with reference to FIG.
  • the recommendation unit 16 recommends one or a plurality of tags to be added to new content from a plurality of tags based on the priority calculated by the second calculation unit 15.
  • the recommendation unit 16 may transmit information that identifies one or more tags to be recommended to the user terminal.
  • the user terminal may attach all the recommended one or more tags to the new content, or accept the selection of the tag to be added to the new content from the recommended one or the plurality of tags from the user. , The selected tag may be added to the new content.
  • FIG. 3 is a diagram showing a physical configuration of the tag recommendation device 10 according to the present embodiment.
  • the tag recommendation device 10 includes a CPU (Central Processing Unit) 10a corresponding to a calculation unit, a RAM (Random Access Memory) 10b corresponding to a storage unit, a ROM (Read only Memory) 10c corresponding to a storage unit, and a communication unit. It has a 10d, an input unit 10e, and a display unit 10f. Each of these configurations is connected to each other via a bus so that data can be transmitted and received.
  • the tag recommendation device 10 is composed of one computer will be described, but the tag recommendation device 10 may be realized by combining a plurality of computers.
  • the configuration shown in FIG. 3 is an example, and the tag recommendation device 10 may have configurations other than these, or may not have a part of these configurations.
  • the CPU 10a is a control unit that controls execution of a program stored in the RAM 10b or ROM 10c, calculates data, and processes data.
  • the CPU 10a is a calculation unit that executes a program (tag recommendation program) that recommends tags to be added to new contents.
  • the CPU 10a receives various data from the input unit 10e and the communication unit 10d, displays the calculation result of the data on the display unit 10f, and stores it in the RAM 10b or the ROM 10c.
  • the RAM 10b is a storage unit in which data can be rewritten, and may be composed of, for example, a semiconductor storage element.
  • the RAM 10b may store data such as a program executed by the CPU 10a, the popularity of the user, the tag addition frequency, and the popularity of the content. It should be noted that these are examples, and data other than these may be stored in the RAM 10b, or a part of these may not be stored.
  • the ROM 10c is a storage unit capable of reading data, and may be composed of, for example, a semiconductor storage element.
  • the ROM 10c may store, for example, a tag recommendation program or data that is not rewritten.
  • the communication unit 10d is an interface for connecting the tag recommendation device 10 to another device.
  • the communication unit 10d may be connected to a communication network N such as the Internet.
  • the input unit 10e receives data input from the user, and may include, for example, a keyboard and a touch panel.
  • the display unit 10f visually displays the calculation result by the CPU 10a, and may be configured by, for example, an LCD (Liquid Crystal Display).
  • the display unit 10f may display the tag priority and the recommended tag.
  • the tag recommendation program may be stored in a storage medium readable by a computer such as RAM 10b or ROM 10c and provided, or may be provided via a communication network connected by the communication unit 10d.
  • the CPU 10a executes the tag recommendation program to realize various operations described with reference to FIG. It should be noted that these physical configurations are examples and do not necessarily have to be independent configurations.
  • the tag recommendation device 10 may include an LSI (Large-Scale Integration) in which the CPU 10a and the RAM 10b or ROM 10c are integrated.
  • FIG. 4 is a diagram showing an example of the first numerical value Up calculated by the tag recommendation device 10 according to the present embodiment.
  • the first numerical value Up is a matrix having a row of a number of tags that are candidates for assignment to the content and a column of the number of a plurality of users. In this example, a case where the number of a plurality of tags is 3 and the number of a plurality of users is 3 will be described.
  • the first numerical value Up corresponds to the first numerical value of the present invention, and is an example of the first numerical value in which the co-occurrence relationship between a plurality of users and a plurality of tags is weighted according to the popularity of the plurality of users.
  • the first numerical value Up includes as many row vectors as the number of tags having the dimensions of the number of multiple users.
  • a plurality of row vectors included in the first numerical value Up will be referred to as the i-th row vector.
  • i takes a value from 1 to M
  • M is the number of a plurality of tags.
  • the three-dimensional first row vector corresponds to the first tag T1 called "a”
  • the second row vector corresponds to the second tag T2 called "b”
  • the third row vector corresponds to. It corresponds to the third tag T3 called "c”.
  • the popularity of the first user is "100”
  • the popularity of the second user is "200”
  • the popularity of the third user is "300”.
  • the first row vector has a first element of 100/600, a second element of 200/600, and a third element of 300/600. Further, in the second row vector, the first element is 100/400, the second element is 0, and the third element is 300/400. Further, in the third row vector, the first element is 100/300, the second element is 200/300, and the third element is 0.
  • Each row vector is standardized so that the L1 norm is 1.
  • the first tag T1 since the first tag T1 has a history given to some content by all the first user, the second user, and the third user, all the elements of the first row vector are non-zero values. There is.
  • the second tag T2 has a history given by the first user and the third user, but is not given by the second user, so that the second element of the second row vector is zero.
  • the third tag T3 has a history given by the first user and the second user, but is not given by the third user, so that the third element of the third row vector is zero. ..
  • FIG. 5 is a diagram showing an example of a second numerical value Ut calculated by the tag recommendation device 10 according to the present embodiment.
  • the second numerical value Ut is a matrix having a row of a plurality of tags as candidates for assignment to the content and a column of the number of a plurality of users. In this example, a case where the number of a plurality of tags is 3 and the number of a plurality of users is 3 will be described.
  • the second numerical value Ut corresponds to the second numerical value of the present invention, and the co-occurrence relationship between the plurality of users and the plurality of tags is weighted according to the frequency with which the plurality of users attach the plurality of tags to the plurality of contents. This is an example of the second numerical value.
  • the second numerical value Ut includes as many column vectors as the number of a plurality of users having dimensions of the number of a plurality of tags.
  • a plurality of column vectors included in the second numerical value Ut will be referred to as a k-th column vector.
  • k takes a value from 1 to N
  • N is the number of a plurality of users.
  • the three-dimensional first column vector corresponds to the first user
  • the second column vector corresponds to the second user
  • the third row vector corresponds to the third user.
  • the first element is 2/6
  • the second element is 1/6
  • the third element is 3/6.
  • the first element is 2/3, the second element is 0, and the third element is 1/3.
  • the first element is 3/6, the second element is 3/6, and the third element is 0.
  • Each column vector is standardized so that the L1 norm is 1.
  • the value of the k-th column vector becomes a value that is not zero when the k-th user attaches the i-tag to the content, and becomes zero when the k-th user does not attach the i-tag to the content. Then, the non-zero value of the k-th column vector is determined to be proportional to the number of times the k-th user has attached the i-th tag. In the case of this example, the non-zero value of the k-th column vector is determined to be proportional to the number of times the k-th user has given the i-tag, and the L1 norm of the k-th column vector is 1.
  • the first user since the first user has a history of assigning the first tag twice, the second tag once, and the third tag three times, all the elements of the first column vector are non-zero values. It has become.
  • the second user since the second user has a history of assigning the first tag twice, the second tag 0 times, and the third tag once, the second element of the second column vector is zero.
  • the third user since the third user has a history of assigning the first tag three times, the second tag three times, and the third tag 0 times, the third element of the third column vector is zero.
  • FIG. 6 is a flowchart of a first example of the tag recommendation process executed by the tag recommendation device 10 according to the present embodiment.
  • the tag recommendation device 10 acquires the content posted by the user (S10).
  • the tag recommendation device 10 the generator 12 generates a tag describing the content, to determine the priority vector p 1 (S11).
  • Priority vector p 1 is an M-dimensional vector with the number of dimensions of a plurality of tags that are candidates to be given to the content (M multiple number of tags) Tags explaining the content generated by the generation unit 12 It may be a vector in which the element corresponding to has a non-zero value (for example, 1) and the other elements have a zero value. Further, the priority vector p 1 is, L1 norm m (m is the number of tags describing generated by the generating unit 12 content) may have been standardized to. For example, the tag describing the content generated by the generation unit 12, when a first tag and second tag, priority vector p 1, the element corresponding to the first tag 1 corresponds to the second tag element Can be a vector in which is 1 and the other elements are zero.
  • T represents the transpose of the matrix.
  • the third numerical value A UP is a square matrix having dimensions of the number of tags.
  • the third numerical value A UP corresponds to the third numerical value of the present invention and represents a co-occurrence relationship between a plurality of tags.
  • the priority calculation expression r 1 is defined recursively.
  • ⁇ is a value between 0 and 1.
  • the L1 norm may be standardized to m (m is the number of tags explaining the content generated by the generation unit 12).
  • the initial value of r 1 may be p 1 .
  • p 0 is an M-dimensional vector having dimensions of a plurality of tags (M is the number of a plurality of tags), all the elements are equal values, and the L1 norm is m (m is the generator 12). It may be a vector standardized to (the number of tags that describe the content generated by). That is, p 0 may be a vector in which all elements are m / M. For r 0 , the L1 norm may be standardized to m. The initial value of r 0 may be p 0 .
  • the tag recommendation device 10 determines whether the priority r 1 and the reference priority r 0 have converged (S15). Whether converged, with updating in step S13 and S14, it is determined depending on whether priority r 1 and the reference priority r 0 exceeds the whether or repetitive operations the number of times specified in advance or not changes only a predetermined amount or less Good. In updating in step S13 and S14, if the priority of r 1 or reference priority r 0 is largely changed than the predetermined amount, does not exceed the repetitive operation number of times specified in advance, that is, priority r 1 and the reference priority r 0 If it has not converged (S15: NO), the tag recommendation device 10 executes the processes S13 and S14 again.
  • the tag recommendation device 10 determines one or a plurality of tags to be recommended based on the value of r 1 ⁇ r 0 (S16).
  • r 1 ⁇ r 0 is a vector having a dimension of a plurality of tags, and each element corresponds to a plurality of tags.
  • the tag recommendation device 10 may recommend one or a plurality of tags in which the size of the elements of r 1 to r 0 is within the upper predetermined order. This completes the first example of the recommendation process.
  • the third numerical A UP representing the co-occurrence relation between a plurality of tags, and how often the user has given a tag, calculated by using the popularity of the user, and a third number, the new content by calculating the priority r 1 of the plurality of tags based on the one or more tags previously assigned, and tags assigned by popularity high user, the new content in view of its grant frequency
  • the tag to be given can be recommended.
  • FIG. 7 is a diagram showing an example of the fourth numerical value Bw calculated by the tag recommendation device 10 according to the present embodiment.
  • the fourth numerical value Bw is a matrix having a row of the number of tags to be given to the content and a column of the number of the plurality of contents. In this example, a case where the number of a plurality of tags is 3 and the number of a plurality of contents is 3 will be described.
  • the fourth numerical value Bw corresponds to the fourth numerical value of the present invention, and is an example of the fifth numerical value in which the co-occurrence relationship between the plurality of contents and the plurality of tags is weighted according to the popularity of the plurality of contents.
  • the fourth numerical value Bw includes as many row vectors having the dimensions of the number of a plurality of contents as the number of a plurality of tags.
  • a plurality of row vectors included in the fourth numerical value Bw will be referred to as the i-th row vector.
  • i takes a value from 1 to M
  • M is the number of a plurality of tags.
  • the three-dimensional first row vector corresponds to the first tag T1 called "a”
  • the second row vector corresponds to the second tag T2 called "b”
  • the third row vector corresponds to. It corresponds to the third tag T3 called "c”.
  • the popularity of the first content is "40"
  • the popularity of the second content is "7”
  • the popularity of the first content is "4".
  • the first row vector has a first element of 40/50, a second element of 7/50, and a third element of 3/50.
  • the first element is 40/47
  • the second element is 7/47
  • the third element is 0.
  • the first element is 0, the second element is 7/10
  • the third element is 3/10.
  • Each row vector is standardized so that the L1 norm is 1.
  • the first tag T1 since the first tag T1 has a history given to all the first content, the second content, and the third content, all the elements of the first row vector are non-zero values.
  • the second tag T2 has a history attached to the first content and the second content, but is not attached to the third content, so that the third element of the second row vector is zero.
  • the third tag T3 has a history assigned to the second content and the third content, but is not assigned to the first content, so that the first element of the third row vector is zero. ..
  • FIG. 8 is a diagram showing an example of the fifth numerical value Bt calculated by the tag recommendation device 10 according to the present embodiment.
  • the fifth numerical value Bt is a matrix having a row of the number of tags to be given to the content and a column of the number of the plurality of contents. In this example, a case where the number of a plurality of tags is 3 and the number of a plurality of contents is 3 will be described.
  • the fifth numerical value Bt corresponds to the fifth numerical value of the present invention, and is a fifth numerical value in which the co-occurrence relationship between a plurality of contents and a plurality of tags is weighted according to the frequency with which the plurality of tags are attached to the plurality of contents. This is an example.
  • the fifth numerical value Bt includes as many column vectors as the number of a plurality of contents having dimensions of the number of a plurality of tags.
  • a plurality of column vectors included in the fifth numerical value Bt will be referred to as a k-th column vector.
  • k takes a value from 1 to C
  • C is the number of a plurality of contents.
  • the three-dimensional first column vector corresponds to the first content
  • the second column vector corresponds to the second content
  • the third row vector corresponds to the third content.
  • the first element is 1/2
  • the second element is 1/2
  • the third element is 0.
  • the first element is 1/3
  • the second element is 1/3
  • the third element is 1/3
  • the first element is 1/2
  • the second element is 0, and the third element is 1/2.
  • Each column vector is standardized so that the L1 norm is 1.
  • the value of the k-th column vector is a non-zero value when the k-th content is attached with the i-tag, and is zero when the k-th content is not attached with the i-tag.
  • the non-zero values of the k-th column vector are evenly defined so that the L1 norm of the k-th column vector is 1.
  • the first content has a history of attaching the first tag and the second tag, but since there is no history of attaching the third tag, the third element of the first column vector is zero. It has become.
  • the second content since the second content has a history in which the first tag, the second tag, and the third tag are added, all the elements of the second column vector have non-zero values.
  • the third content has a history in which the first tag and the third tag are attached, but since there is no history in which the second tag is attached, the second element of the third column vector is zero. ..
  • FIG. 9 is a flowchart of a second example of the tag recommendation process executed by the tag recommendation device 10 according to the present embodiment.
  • the tag recommendation device 10 acquires the content posted by the user (S20). Then, the tag recommendation device 10, the generator 12 generates a tag describing the content, to determine the priority vector p 1 (S21).
  • Priority vector p 1 is an M-dimensional vector with the number of dimensions of a plurality of tags that are candidates to be given to the content (M multiple number of tags) Tags explaining the content generated by the generation unit 12 It may be a vector in which the element corresponding to is 1 and the other elements are zero. Further, the priority vector p 1 is, L1 norm m (m is the number of tags describing generated by the generating unit 12 content) may have been standardized to.
  • the third numerical value A UP is a square matrix having dimensions of the number of tags.
  • the third numerical value A UP corresponds to the third numerical value of the present invention and represents a co-occurrence relationship between a plurality of tags.
  • the sixth numerical value A FP is a square matrix having dimensions of the number of tags.
  • the sixth numerical value A FP corresponds to the sixth numerical value of the present invention and represents a co-occurrence relationship between a plurality of tags.
  • the tag recommendation device 10 calculates the seventh numerical value A UF (1) by the following mathematical formula (1) based on the third numerical value A UP and the sixth numerical value A FP (S24).
  • the right side of the mathematical formula (1) represents the element product (Hadamard product) of the third numerical value A UP and the sixth numerical value A FP .
  • the priority calculation expression r 1 is defined recursively.
  • ⁇ is a value between 0 and 1.
  • the L1 norm may be standardized to m (m is the number of tags explaining the content generated by the generation unit 12).
  • the initial value of r 1 may be p 1 .
  • p 0 is an M-dimensional vector having dimensions of a plurality of tags (M is the number of a plurality of tags), all the elements are equal values, and the L1 norm is m (m is the generator 12). It may be a vector standardized to (the number of tags that describe the content generated by).
  • the L1 norm may be standardized to m.
  • the initial value of r 0 may be p 0 .
  • the tag recommendation device 10 determines whether the priority r 1 and the reference priority r 0 have converged (S27). Whether converged, the update in the processing S25 and S26, it is determined depending on whether priority r 1 and the reference priority r 0 exceeds the whether or repetitive operations the number of times specified in advance or not changes only a predetermined amount or less Good. In updating in process S25 and S26, if the priority of r 1 or reference priority r 0 is largely changed than the predetermined amount, it does not exceed the repetitive operation number of times specified in advance, that is, priority r 1 and the reference priority r 0 If it has not converged (S27: NO), the tag recommendation device 10 executes the processes S25 and S26 again.
  • the tag recommendation device 10 determines one or a plurality of tags to be recommended based on the value of r 1 ⁇ r 0 (S28).
  • r 1 ⁇ r 0 is a vector having the dimension of the number of a plurality of tags, and each element corresponds to a plurality of tags.
  • the tag recommendation device 10 may recommend one or a plurality of tags in which the size of the elements of r 1 to r 0 is within the upper predetermined order. This completes the second example of the recommendation process.
  • the sixth numerical A FP representing the co-occurrence relation between a plurality of tags, calculated using the tag has been applied to content frequency and the popularity of the content, and a sixth numerical, new content advance on the basis of the assigned one or more tags are by calculating the priority r 1 of the plurality of tags, and tags assigned to the popularity high content, new content in consideration of the applied frequency of You can recommend the tags to be attached to.
  • the popularity and content users Tags to be added to new content can be recommended in consideration of both popularity.
  • FIG. 10 is a flowchart of a third example of the tag recommendation process executed by the tag recommendation device 10 according to the present embodiment.
  • the tag recommendation device 10 acquires the content posted by the user (S30).
  • the tag recommendation device 10 the generator 12 generates a tag describing the content, to determine the priority vector p 1 (S31).
  • Priority vector p 1 is an M-dimensional vector with the number of dimensions of a plurality of tags that are candidates to be given to the content (M multiple number of tags) Tags explaining the content generated by the generation unit 12 It may be a vector in which the element corresponding to is 1 and the other elements are zero.
  • the priority vector p 1 is, L1 norm m (m is the number of tags describing generated by the generating unit 12 content) may have been standardized to.
  • the third numerical value A UP is a square matrix having dimensions of the number of tags.
  • the third numerical value A UP corresponds to the third numerical value of the present invention and represents a co-occurrence relationship between a plurality of tags.
  • the sixth numerical value A FP is a square matrix having dimensions of the number of tags.
  • the sixth numerical value A FP corresponds to the sixth numerical value of the present invention and represents a co-occurrence relationship between a plurality of tags.
  • the priority calculation expression r 1 is defined recursively.
  • ⁇ is a value between 0 and 1.
  • the L1 norm may be standardized to m (m is the number of tags explaining the content generated by the generation unit 12).
  • the initial value of r 1 may be p 1 .
  • p 0 is an M-dimensional vector having dimensions of a plurality of tags (M is the number of a plurality of tags), all the elements are equal values, and the L1 norm is m (m is the generator 12). It may be a vector standardized to (the number of tags that describe the content generated by).
  • the L1 norm may be standardized to m.
  • the initial value of r 0 may be p 0 .
  • the tag recommendation device 10 determines whether the priority r 1 and the reference priority r 0 have converged (S37). Whether converged, the update in the processing S35 and S36, it is determined depending on whether priority r 1 and the reference priority r 0 exceeds the whether or repetitive operations the number of times specified in advance or not changes only a predetermined amount or less Good. In updating in process S35 and S36, if the priority of r 1 or reference priority r 0 is largely changed than the predetermined amount, it does not exceed the repetitive operation number of times specified in advance, that is, priority r 1 and the reference priority r 0 If it has not converged (S37: NO), the tag recommendation device 10 executes the processes S35 and S36 again.
  • the tag recommendation device 10 determines one or a plurality of tags to be recommended based on the value of r 1 ⁇ r 0 (S38).
  • r 1 ⁇ r 0 is a vector having a dimension of a plurality of tags, and each element corresponds to a plurality of tags.
  • the tag recommendation device 10 may recommend one or a plurality of tags in which the size of the elements of r 1 to r 0 is within the upper predetermined order. This completes the third example of the recommendation process.
  • tags are applied to the sum and the new contents of the third numerical A UP and sixth numerical A FP, by calculating the priority r 1, popularity and content users It is possible to recommend tags to be added to new content in consideration of both popularity.
  • the first calculation unit 14 may calculate the third numerical value A UP based on a plurality of tags given to a plurality of contents by a plurality of users during a predetermined period among the plurality of tags.
  • the first calculation unit 14 may calculate the sixth numerical value A FP based on a plurality of tags given to a plurality of contents by a plurality of users during a predetermined period among the plurality of tags.
  • tags to be added to new content can be recommended so as to reflect the tendency of tagging in a predetermined period. For example, it is possible to recommend tags that capture the trends of a certain period.
  • the first calculation unit 14 may calculate the third numerical value A UP based on a plurality of users belonging to a predetermined area among the plurality of users. Similarly, the first calculation unit 14 may calculate the sixth numerical value A FP based on a plurality of users belonging to a predetermined area among the plurality of users.
  • a plurality of users belonging to a predetermined area may be determined depending on the area in which the user resides. Different countries and regions may have different trends in what tags should be attached to content to make it popular. By considering the regional characteristics of the user, it is possible to recommend tags to be added to new content so as to reflect the tendency of tagging in a predetermined region.
  • the first calculation unit 14 may calculate the third numerical value A UP based on a plurality of users belonging to a predetermined age among the plurality of users. Similarly, the first calculation unit 14 may calculate the sixth numerical value A FP based on a plurality of users belonging to a predetermined age among the plurality of users.
  • a plurality of users belonging to a predetermined age group may be determined by the profile information of the users. What tags should be attached to content to make it popular may have different tendencies depending on the age of the user. By considering the age of the user, it is possible to recommend tags to be added to new content so as to reflect the tendency of tagging in a predetermined age.
  • the first calculation unit 14 may calculate the third numerical value A UP based on a plurality of users belonging to a predetermined gender among the plurality of users. Similarly, the first calculation unit 14 may calculate the sixth numerical value A FP based on a plurality of users belonging to a predetermined gender among the plurality of users.
  • a plurality of users belonging to a predetermined gender may be determined by the profile information of the users.
  • the tendency of what tags should be added to content to make it popular may differ depending on the gender of the user. By considering the gender of the user, it is possible to recommend tags to be added to new content so as to reflect the tendency of tagging in a predetermined gender.
  • FIG. 11 is a diagram showing an experimental result when a tag recommended by the tag recommendation device 10 according to the present embodiment is attached to the content.
  • the vertical axis shows the average number of views (Average Number of Views), and the horizontal axis shows the number of days elapsed since posting (Days after uploaded).
  • the experiment was carried out in the case where the tag recommended by the tag recommendation device 10 according to the present embodiment was attached to the image and in the case of the comparative example, and when a plurality of types of images were posted by different users in different periods. Shows the average of.
  • the first graph G1 shown by a solid line based on the 10 tags generated by the generating unit 12 determines the priority vector p 1, calculates the priority r 1 update equation using a seventh numerical A UFP (1) It shows the time change of the number of views when 10 tags are recommended and a total of 20 tags are added to post an image. According to the figure, the first graph G1 shows the best results, the average number of views is 50 or more in 10 days, and the increasing trend continues.
  • the fourth graph G4 shown by the two-dot chain line based on the 10 tags generated by the generating unit 12 determines the priority vector p 1, calculates the priority r 1 update type using the third numerical A UP,
  • the recommendation unit 16 recommends 10 tags, and shows the time change of the number of views when the image is posted with a total of 20 tags. According to the figure, the fourth graph G4 shows the fourth best result, and the average number of views is about 30 in 10 days, and the increasing trend continues.
  • the fifth graph G5 shown by the dotted line shows the time change of the number of views when the image is posted with the 10 tags generated by the generation unit 12 as a comparative example. According to the figure, the fifth graph G5 shows the worst result, and the average number of views is about 20 in 10 days.
  • the number of tags attached to the image is 10, which is half of the case of the present embodiment, but even if the number of views is proportional to the number of tags, the first graph G1 and It can be seen that the number of views of the second graph G2 is larger than that of the fifth graph G5, and the effect is more than simply increasing the number of tags.

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Library & Information Science (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

人気度が高いユーザによって付与されたタグと、その付与頻度を考慮して新たなコンテンツに付与するタグを推薦するタグ推薦装置を提供する。　タグ推薦装置１０は、複数のユーザと複数のタグとの共起関係を、複数のユーザの人気度に応じて重み付けした第１数値と、複数のユーザと複数のタグとの共起関係を、複数のユーザが複数のタグを複数のコンテンツに付与した頻度に応じて重み付けした第２数値とに基づいて、複数のタグ間の共起関係を表す第３数値を算出する第１算出部１４と、第３数値及び新たなコンテンツに付与された１又は複数のタグに基づいて、複数のタグの優先度を算出する第２算出部１５と、優先度に基づいて、複数のタグの中から、新たなコンテンツに付与する１又は複数のタグを推薦する推薦部１６と、を備える。

Description

タグ推薦装置、タグ推薦方法及びタグ推薦プログラム 関連出願の相互参照
　本出願は、２０１９年３月１４日に出願された日本出願番号２０１９－４６８４６号に基づくもので、ここにその記載内容を援用する。
　本発明は、タグ推薦装置、タグ推薦方法及びタグ推薦プログラムに関する。
　従来、タグは、画像や動画をコンテンツとするＳＮＳ（Social Networking Service）や、商品をコンテンツとする電子商取引サイトが広く用いられている。ＳＮＳや電子商取引サイトのユーザは、コンテンツに付与されたタグを用いて、コンテンツをテキスト検索する場合がある。ここで、コンテンツへのタグの付与は、コンテンツを投稿したユーザによって行われている。
　タグの付与について、例えば、下記非特許文献１には、ユーザ、コンテンツ及びタグをノードとし、ノードの共起関係をリンクとする無向グラフを用いて、コンテンツに付与するタグを推薦する技術が記載されている。
　また、下記非特許文献２には、ＳＮＳにおけるコンテンツの人気度とタグの共起関係に基づいて、投稿するコンテンツの人気度が高まるようにタグを推薦する技術が記載されている。
Andreas Hotho, Robert Jaschke, Christoph Schmitz, Gerd Stumme, "FolkRank: A Ranking Algorithm for Folksonomies", Lwa, Vol. 1, pp. 111-114 (2006) T. Yamasaki, J. Hu, S. Sano, and K. Aizawa, "Folkpopularityrank: Tag recommendation for enhancing social popularity using text tags in content sharing services," Proceedings of the 26th International Joint Conference on Artificial Intelligence, pp.3231-3237, 2017
　先行技術によって、人気のあるコンテンツに付与されたタグと、そのタグと共起するタグを重要視して、新たなコンテンツに付与するタグを推薦することができる。一方、ＳＮＳや電子商取引サイト等のコミュニティでは、人気度の高いユーザが大きな影響力を有しており、人気度が高いユーザが付与しているタグを新しいコンテンツに付与することで、そのコンテンツの人気度が向上することがある。しかしながら、人気度が高いユーザによってどのようなタグが付与されているか網羅的に把握することは難しく、頻繁に付与されているタグと稀にしか付与されていないタグとのバランスを取ることも難しい。
　そこで、本発明は、人気度が高いユーザによって付与されたタグと、その付与頻度を考慮して新たなコンテンツに付与するタグを推薦するタグ推薦装置、タグ推薦方法及びタグ推薦プログラムを提供する。
　本発明の一態様に係るタグ推薦装置は、複数のユーザと複数のタグとの共起関係を、複数のユーザの人気度に応じて重み付けした第１数値と、複数のユーザと複数のタグとの共起関係を、複数のユーザが複数のタグを複数のコンテンツに付与した頻度に応じて重み付けした第２数値とに基づいて、複数のタグ間の共起関係を表す第３数値を算出する第１算出部と、第３数値及び新たなコンテンツに付与された１又は複数のタグに基づいて、複数のタグの優先度を算出する第２算出部と、優先度に基づいて、複数のタグの中から、新たなコンテンツに付与する１又は複数のタグを推薦する推薦部と、を備える。
　この態様によれば、複数のタグ間の共起関係を表す第３数値を、ユーザがタグを付与した頻度と、ユーザの人気度とを用いて算出し、第３数値と、新たなコンテンツに予め付与された１又は複数のタグとに基づいて複数のタグの優先度を算出することで、人気度が高いユーザによって付与されたタグと、その付与頻度を考慮して新たなコンテンツに付与するタグを推薦することができる。
　上記態様において、第１算出部は、複数のコンテンツと複数のタグとの共起関係を、複数のコンテンツの人気度に応じて重み付けした第４数値と、複数のコンテンツと複数のタグとの共起関係を、複数のタグが複数のコンテンツに付与された頻度に応じて重み付けした第５数値と、に基づいて、複数のタグ間の共起関係を表す第６数値を算出し、第２算出部は、第３数値、第６数値及び新たなコンテンツに付与された１又は複数のタグに基づいて、優先度を算出してもよい。
　この態様によれば、複数のタグ間の共起関係を表す第６数値を、タグがコンテンツに付与された頻度と、コンテンツの人気度とを用いて算出し、第６数値と、新たなコンテンツに予め付与された１又は複数のタグとに基づいて複数のタグの優先度を算出することで、コンテンツの人気度を考慮して新たなコンテンツに付与するタグを推薦することができる。
　上記態様において、第３数値及び第６数値は、複数のタグの数の次元を有する正方行列であり、第２算出部は、第３数値及び第６数値の要素積並びに新たなコンテンツに付与された１又は複数のタグに基づいて、優先度を算出してもよい。
　この態様によれば、ユーザの人気度及びコンテンツの人気度両方を考慮して新たなコンテンツに付与するタグを推薦することができる。
　上記態様において、第３数値及び第６数値は、複数のタグの数の次元を有する正方行列であり、第２算出部は、第３数値及び第６数値の和並びに新たなコンテンツに付与された１又は複数のタグに基づいて、優先度を算出してもよい。
　この態様によれば、ユーザの人気度及びコンテンツの人気度両方を考慮して新たなコンテンツに付与するタグを推薦することができる。
　上記態様において、第１算出部は、複数のタグのうち、複数のユーザが所定の期間中に複数のコンテンツに付与した複数のタグに基づいて、第３数値を算出してもよい。
　この態様によれば、所定の期間におけるタグ付けの傾向を反映するように、新たなコンテンツに付与するタグを推薦することができる。
　上記態様において、第１算出部は、複数のユーザのうち、所定の地域に属する複数のユーザに基づいて、第３数値を算出してもよい。
　この態様によれば、所定の地域におけるタグ付けの傾向を反映するように、新たなコンテンツに付与するタグを推薦することができる。
　上記態様において、第１算出部は、複数のユーザのうち、所定の年代に属する複数のユーザに基づいて、第３数値を算出してもよい。
　この態様によれば、所定の年代におけるタグ付けの傾向を反映するように、新たなコンテンツに付与するタグを推薦することができる。
　上記態様において、第１算出部は、複数のユーザのうち、所定の性別に属する複数のユーザに基づいて、第３数値を算出してもよい。
　この態様によれば、所定の性別におけるタグ付けの傾向を反映するように、新たなコンテンツに付与するタグを推薦することができる。
　上記態様において、複数のユーザの人気度は、複数のユーザのＳＮＳにおけるフォロワーの数、複数のユーザにより投稿された複数のコンテンツが評価された数及び複数のユーザにより投稿された複数のコンテンツが閲覧された数の少なくともいずれかに基づいて算出されてもよい。
　この態様によれば、目的に応じて適切な人気度を算出し、より魅力的なタグを推薦することができる。
　本発明の他の態様に係るタグ推薦方法は、タグ推薦装置に、複数のユーザと複数のタグとの共起関係を、複数のユーザが複数のタグを複数のコンテンツに付与した頻度に応じて重み付けした第１数値と、複数のユーザと複数のタグとの共起関係を、複数のユーザの人気度に応じて重み付けした第２数値とに基づいて、複数のタグ間の共起関係を表す第３数値を算出することと、第３数値及び新たなコンテンツに付与された１又は複数のタグに基づいて、複数のタグの優先度を算出することと、優先度に基づいて、複数のタグの中から、新たなコンテンツに付与する１又は複数のタグを推薦することと、を実行させる。
　この態様によれば、複数のタグ間の共起関係を表す第３数値を、ユーザがタグを付与した頻度と、ユーザの人気度とを用いて算出し、第３数値と、新たなコンテンツに予め付与された１又は複数のタグとに基づいて複数のタグの優先度を算出することで、ユーザの人気度を考慮して新たなコンテンツに付与するタグを推薦することができる。
　本発明の他の態様に係るタグ推薦プログラムは、タグ推薦装置に、複数のユーザと複数のタグとの共起関係を、複数のユーザが複数のタグを複数のコンテンツに付与した頻度に応じて重み付けした第１数値と、複数のユーザと複数のタグとの共起関係を、複数のユーザの人気度に応じて重み付けした第２数値とに基づいて、複数のタグ間の共起関係を表す第３数値を算出することと、第３数値及び新たなコンテンツに付与された１又は複数のタグに基づいて、複数のタグの優先度を算出することと、優先度に基づいて、複数のタグの中から、新たなコンテンツに付与する１又は複数のタグを推薦することと、を実行させる。
　この態様によれば、複数のタグ間の共起関係を表す第３数値を、ユーザがタグを付与した頻度と、ユーザの人気度とを用いて算出し、第３数値と、新たなコンテンツに予め付与された１又は複数のタグとに基づいて複数のタグの優先度を算出することで、ユーザの人気度を考慮して新たなコンテンツに付与するタグを推薦することができる。
　本発明によれば、人気度が高いユーザによって付与されたタグと、その付与頻度を考慮して新たなコンテンツに付与するタグを推薦するタグ推薦装置、タグ推薦方法及びタグ推薦プログラムを提供することができる。
本発明の実施形態に係るタグ推薦システムのネットワーク構成を示す図である。 本実施形態に係るタグ推薦装置の機能ブロックを示す図である。 本実施形態に係るタグ推薦装置の物理的構成を示す図である。 本実施形態に係るタグ推薦装置により算出される第１数値の一例を示す図である。 本実施形態に係るタグ推薦装置により算出される第２数値の一例を示す図である。 本実施形態に係るタグ推薦装置により実行されるタグ推薦処理の第１例のフローチャートである。 本実施形態に係るタグ推薦装置により算出される第４数値の一例を示す図である。 本実施形態に係るタグ推薦装置により算出される第５数値の一例を示す図である。 本実施形態に係るタグ推薦装置により実行されるタグ推薦処理の第２例のフローチャートである。 本実施形態に係るタグ推薦装置により実行されるタグ推薦処理の第３例のフローチャートである。 本実施形態に係るタグ推薦装置により推薦されたタグをコンテンツに付与した場合の実験結果を示す図である。
　添付図面を参照して、本発明の実施形態について説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。
　図１は、本発明の実施形態に係るタグ推薦システム１００のネットワーク構成を示す図である。タグ推薦システム１００は、タグ推薦装置１０、第１ユーザ端末２０、第２ユーザ端末３０及び第Ｎユーザ端末４０を含む。ここで、第１ユーザ端末２０、第２ユーザ端末３０及び第Ｎユーザ端末４０は、第１ユーザが用いるユーザ端末、第２ユーザが用いるユーザ及び第Ｎユーザが用いるユーザ端末を表している。以下では、第１ユーザ端末２０、第２ユーザ端末３０及び第Ｎユーザ端末４０を単にユーザ端末ともいう。
　タグ推薦装置１０は、ユーザ端末から投稿するコンテンツを受け付けて、そのコンテンツに付与するタグを推薦する。コンテンツは、ＳＮＳに掲載する画像、動画、テキスト及びそれらの組み合わせであったり、電子商取引サイトに掲載する商品の画像、商品の動画、商品を説明するテキスト及びそれらの組み合わせであったりしてよい。以下では、ＳＮＳに画像を投稿する場合を例に説明する。
　ユーザ端末は、汎用のコンピュータであり、例えば、スマートフォン、タブレットＰＣ（Personal Computer）又はデスクトップＰＣであってよい。複数のユーザ端末は、通信ネットワークＮを介してタグ推薦装置１０と通信可能に接続され、タグ推薦装置１０より、新たに投稿するコンテンツに付与するタグの推薦を受ける。ここで、通信ネットワークＮは、有線又は無線の通信網であり、インターネットやＬＡＮ（Local Area Network）であってよい。
　図２は、本実施形態に係るタグ推薦装置１０の機能ブロックを示す図である。タグ推薦装置１０は、取得部１１、生成部１２、記憶部１３、第１算出部１４、第２算出部１５及び推薦部１６を備える。
　取得部１１は、ユーザ端末から、新たに投稿するコンテンツを取得する。取得部１１は、特定のＳＮＳや電子商取引サイトと連携して、ユーザ端末からＳＮＳや電子商取引サイトにコンテンツの投稿が行われる場合に、投稿しようとしているコンテンツを取得してよい。
　生成部１２は、新たなコンテンツを解析し、コンテンツの内容を説明するタグを生成する。ここで、コンテンツの内容を説明するタグは、複数のタグの候補の中から選択されてよい。例えば、コンテンツが画像である場合、生成部１２は、公知の画像認識技術を用いて、画像に写されている物の名前や画像に写されている状況を説明するタグを生成してよい。また、生成部１２は、コンテンツを、予め定められた複数のカテゴリの少なくともいずれかに分類し、コンテンツが属するカテゴリに応じて、タグを生成してもよい。生成部１２は、１つのコンテンツに対して、コンテンツの内容を説明する複数のタグを生成してよく、例えば、１０個のタグを生成してよい。
　記憶部１３は、タグ情報１３ａ、ユーザ情報１３ｂ及びコンテンツ情報１３ｃを記憶している。タグ情報１３ａは、これまでにコンテンツに付与されたタグの履歴情報を含み、どのタグがどのコンテンツに、いつ、どの地域で、どの年代のユーザによって付与されているかを示す情報を含んでよい。また、ユーザ情報１３ｂは、コンテンツを投稿したユーザの人気度を含み、ユーザの居住する地域や年代といったプロフィール情報を含んでもよい。
　ここで、ユーザの人気度は、ユーザのＳＮＳにおけるフォロワーの数、ユーザにより投稿された複数のコンテンツが評価された数及びユーザにより投稿された複数のコンテンツが閲覧された数の少なくともいずれかに基づいて算出されてよい。タグ推薦を受けるユーザは、どのような指標を用いてユーザの人気度を算出するか選択できてもよい。例えば、より閲覧数が増えるようにタグを付与したい場合、ユーザの人気度をユーザにより投稿された複数のコンテンツが閲覧された数に基づいて算出することとしてよい。このように、目的に応じて適切な人気度を算出し、より魅力的なタグを推薦することができる。
　コンテンツ情報１３ｃは、投稿されたコンテンツの人気度を含み、いずれのユーザによって投稿されたコンテンツであるか示す情報を含んでもよい。コンテンツの人気度は、投稿された複数のコンテンツが評価された数及び投稿された複数のコンテンツが閲覧された数の少なくともいずれかに基づいて算出されてよい。
　第１算出部１４は、複数のユーザと複数のタグとの共起関係を、複数のユーザの人気度に応じて重み付けした第１数値と、複数のユーザと複数のタグとの共起関係を、複数のユーザが複数のタグを複数のコンテンツに付与した頻度に応じて重み付けした第２数値とに基づいて、複数のタグ間の共起関係を表す第３数値を算出する。第１数値及び第２数値の具体例は、図４及び５を用いて詳細に説明する。
　第２算出部１５は、第３数値及び新たなコンテンツに付与された１又は複数のタグに基づいて、複数のタグの優先度を算出する。ここで、新たなコンテンツに付与された１又は複数のタグは、生成部１２によって生成されたタグであってよい。タグの優先度については、後に図６を用いて詳細に説明する。
　推薦部１６は、第２算出部１５により算出された優先度に基づいて、複数のタグの中から、新たなコンテンツに付与する１又は複数のタグを推薦する。推薦部１６は、推薦する１又は複数のタグを特定する情報を、ユーザ端末に送信してよい。ユーザ端末は、推薦された１又は複数のタグ全てを新たなコンテンツに付与してもよいし、推薦された１又は複数のタグのうち、新たなコンテンツに付与するタグの選択をユーザから受け付けて、選択されたタグを新たなコンテンツに付与してもよい。
　図３は、本実施形態に係るタグ推薦装置１０の物理的構成を示す図である。タグ推薦装置１０は、演算部に相当するＣＰＵ（Central Processing Unit）１０ａと、記憶部に相当するＲＡＭ（Random Access Memory）１０ｂと、記憶部に相当するＲＯＭ（Read only Memory）１０ｃと、通信部１０ｄと、入力部１０ｅと、表示部１０ｆと、を有する。これらの各構成は、バスを介して相互にデータ送受信可能に接続される。なお、本例ではタグ推薦装置１０が一台のコンピュータで構成される場合について説明するが、タグ推薦装置１０は、複数のコンピュータが組み合わされて実現されてもよい。また、図３で示す構成は一例であり、タグ推薦装置１０はこれら以外の構成を有してもよいし、これらの構成のうち一部を有さなくてもよい。
　ＣＰＵ１０ａは、ＲＡＭ１０ｂ又はＲＯＭ１０ｃに記憶されたプログラムの実行に関する制御やデータの演算、加工を行う制御部である。ＣＰＵ１０ａは、新たなコンテンツに付与するタグを推薦するプログラム（タグ推薦プログラム）を実行する演算部である。ＣＰＵ１０ａは、入力部１０ｅや通信部１０ｄから種々のデータを受け取り、データの演算結果を表示部１０ｆに表示したり、ＲＡＭ１０ｂやＲＯＭ１０ｃに格納したりする。
　ＲＡＭ１０ｂは、記憶部のうちデータの書き換えが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＡＭ１０ｂは、ＣＰＵ１０ａが実行するプログラム、ユーザの人気度、タグの付与頻度及びコンテンツの人気度といったデータを記憶してよい。なお、これらは例示であって、ＲＡＭ１０ｂには、これら以外のデータが記憶されていてもよいし、これらの一部が記憶されていなくてもよい。
　ＲＯＭ１０ｃは、記憶部のうちデータの読み出しが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＯＭ１０ｃは、例えばタグ推薦プログラムや、書き換えが行われないデータを記憶してよい。
　通信部１０ｄは、タグ推薦装置１０を他の機器に接続するインターフェースである。通信部１０ｄは、インターネット等の通信ネットワークＮに接続されてよい。
　入力部１０ｅは、ユーザからデータの入力を受け付けるものであり、例えば、キーボード及びタッチパネルを含んでよい。
　表示部１０ｆは、ＣＰＵ１０ａによる演算結果を視覚的に表示するものであり、例えば、ＬＣＤ（Liquid Crystal Display）により構成されてよい。表示部１０ｆは、タグの優先度や推薦するタグを表示してよい。
　タグ推薦プログラムは、ＲＡＭ１０ｂやＲＯＭ１０ｃ等のコンピュータによって読み取り可能な記憶媒体に記憶されて提供されてもよいし、通信部１０ｄにより接続される通信ネットワークを介して提供されてもよい。タグ推薦装置１０では、ＣＰＵ１０ａがタグ推薦プログラムを実行することにより、図２を用いて説明した様々な動作が実現される。なお、これらの物理的な構成は例示であって、必ずしも独立した構成でなくてもよい。例えば、タグ推薦装置１０は、ＣＰＵ１０ａとＲＡＭ１０ｂやＲＯＭ１０ｃが一体化したＬＳＩ（Large-Scale Integration）を備えていてもよい。
　図４は、本実施形態に係るタグ推薦装置１０により算出される第１数値Ｕｐの一例を示す図である。第１数値Ｕｐは、コンテンツへの付与候補となる複数のタグの数の行と、複数のユーザの数の列を有する行列である。本例では、複数のタグの数が３であり、複数のユーザの数が３である場合について説明する。第１数値Ｕｐは、本発明の第１数値に相当し、複数のユーザと複数のタグとの共起関係を、複数のユーザの人気度に応じて重み付けした第１数値の一例である。
　第１数値Ｕｐは、複数のユーザの数の次元を有する行ベクトルを、複数のタグの数だけ含む。以下では、第１数値Ｕｐに含まれる複数の行ベクトルを第ｉ行ベクトルと呼ぶ。ここで、ｉは、１からＭの値をとり、Ｍは複数のタグの数である。本例の場合、３次元の第１行ベクトルは、「ａ」という第１タグＴ１に対応し、第２行ベクトルは、「ｂ」という第２タグＴ２に対応し、第３行ベクトルは、「ｃ」という第３タグＴ３に対応する。また、本例において、第１ユーザの人気度は「１００」であり、第２ユーザの人気度は「２００」であり、第３ユーザの人気度は「３００」である。第１行ベクトルは、第１要素が１００／６００であり、第２要素が２００／６００であり、第３要素が３００／６００である。また、第２行ベクトルは、第１要素が１００／４００であり、第２要素が０であり、第３要素が３００／４００である。また、第３行ベクトルは、第１要素が１００／３００であり、第２要素が２００／３００であり、第３要素が０である。各行ベクトルは、Ｌ１ノルムが１となるように規格化されている。
　第ｉ行ベクトルの値は、第ｊユーザ（ｊ＝１～Ｎ、Ｎは複数のユーザの数）が第ｉタグをコンテンツに付与している場合にゼロでない値となり、第ｊユーザが第ｉタグをコンテンツに付与していない場合にゼロとなる。そして、第ｉ行ベクトルのゼロでない値は、第ｊユーザの人気度に比例するように定められる。本例の場合、第ｉ行ベクトルのゼロでない値は、第ｊユーザの人気度に比例し、かつ、第ｉ行ベクトルのＬ１ノルムが１となるよるように定められている。
　本例の場合、第１タグＴ１は、第１ユーザ、第２ユーザ及び第３ユーザ全てによって何らかのコンテンツに付与された履歴があるため、第１行ベクトルの全ての要素がゼロでない値となっている。一方、第２タグＴ２は、第１ユーザ及び第３ユーザによって付与された履歴があるが、第２ユーザによっては付与されていないため、第２行ベクトルの第２要素はゼロとなっている。同様に、第３タグＴ３は、第１ユーザ及び第２ユーザによって付与された履歴があるが、第３ユーザによっては付与されていないため、第３行ベクトルの第３要素はゼロとなっている。
　図５は、本実施形態に係るタグ推薦装置１０により算出される第２数値Ｕｔの一例を示す図である。第２数値Ｕｔは、コンテンツへの付与候補となる複数のタグの数の行と、複数のユーザの数の列を有する行列である。本例では、複数のタグの数が３であり、複数のユーザの数が３である場合について説明する。第２数値Ｕｔは、本発明の第２数値に相当し、複数のユーザと複数のタグとの共起関係を、複数のユーザが複数のタグを複数のコンテンツに付与した頻度に応じて重み付けした第２数値の一例である。
　第２数値Ｕｔは、複数のタグの数の次元を有する列ベクトルを、複数のユーザの数だけ含む。以下では、第２数値Ｕｔに含まれる複数の列ベクトルを第ｋ列ベクトルと呼ぶ。ここで、ｋは、１からＮの値をとり、Ｎは複数のユーザの数である。本例の場合、３次元の第１列ベクトルは第１ユーザに対応し、第２列ベクトルは第２ユーザに対応し、第３行ベクトルは第３ユーザに対応する。例えば、第１列ベクトルは、第１要素が２／６であり、第２要素が１／６であり、第３要素が３／６である。また、第２列ベクトルは、第１要素が２／３であり、第２要素が０であり、第３要素が１／３である。また、第３行ベクトルは、第１要素が３／６であり、第２要素が３／６であり、第３要素が０である。各列ベクトルは、Ｌ１ノルムが１となるように規格化されている。
　第ｋ列ベクトルの値は、第ｋユーザが第ｉタグをコンテンツに付与している場合にゼロでない値となり、第ｋユーザが第ｉタグをコンテンツに付与していない場合にゼロとなる。そして、第ｋ列ベクトルのゼロでない値は、第ｋユーザが第ｉタグを付与した回数に比例するように定められる。本例の場合、第ｋ列ベクトルのゼロでない値は、第ｋユーザが第ｉタグを付与した回数に比例し、かつ、第ｋ列ベクトルのＬ１ノルムが１となるように定められている。
　本例の場合、第１ユーザは、第１タグを２回、第２タグを１回、第３タグを３回付与した履歴があるため、第１列ベクトルの全ての要素がゼロでない値となっている。一方、第２ユーザは、第１タグを２回、第２タグを０回、第３タグを１回付与した履歴があるため、第２列ベクトルの第２要素はゼロとなっている。同様に、第３ユーザは、第１タグを３回、第２タグを３回、第３タグを０回付与した履歴があるため、第３列ベクトルの第３要素はゼロとなっている。
　図６は、本実施形態に係るタグ推薦装置１０により実行されるタグ推薦処理の第１例のフローチャートである。はじめに、タグ推薦装置１０は、ユーザが投稿するコンテンツを取得する（Ｓ１０）。そして、タグ推薦装置１０は、生成部１２によってコンテンツを説明するタグを生成し、優先ベクトルｐ１を決定する（Ｓ１１）。
　優先ベクトルｐ１は、コンテンツに付与される候補となる複数のタグの数の次元を有するＭ次元ベクトルであり（Ｍは複数のタグの数）、生成部１２によって生成されたコンテンツを説明するタグに対応する要素がゼロでない値（例えば１）をとり、それ以外の要素についてゼロの値をとるベクトルであってよい。また、優先ベクトルｐ１は、Ｌ１ノルムがｍ（ｍは生成部１２によって生成されたコンテンツを説明するタグの数）に規格化されていてよい。例えば、生成部１２によって生成されたコンテンツを説明するタグが、第１タグ及び第２タグである場合、優先ベクトルｐ１は、第１タグに対応する要素が１、第２タグに対応する要素が１であり、それ以外の要素がゼロであるベクトルであってよい。
　その後、タグ推薦装置１０は、第１数値及び第２数値である行列Ｕｐ及びＵｔを算出し、第３数値ＡＵＰ＝Ｕｐ×ＵｔＴを算出する（Ｓ１２）。ここで、「Ｔ」は行列の転置を表す。第３数値ＡＵＰは、複数のタグの数の次元を有する正方行列である。第３数値ＡＵＰは、本発明の第３数値に相当し、複数のタグ間の共起関係を表す。
　さらに、タグ推薦装置１０は、複数のタグの優先度ｒ１を、ｒ１＝αＡＵＰｒ１＋（１－α）ｐ１により算出する（Ｓ１３）。ここで、優先度ｒ１の算出式は再帰的に定義されている。また、αは、０から１の間の値である。ｒ１は、Ｌ１ノルムがｍ（ｍは生成部１２によって生成されたコンテンツを説明するタグの数）に規格化されてよい。なお、ｒ１の初期値は、ｐ１であってよい。
　また、タグ推薦装置１０は、基準優先度ｒ０を、ｒ０＝αＡＵＰｒ０＋（１－α）ｐ０により算出する（Ｓ１４）。ここで、ｐ０は、複数のタグの数の次元を有するＭ次元ベクトルであり（Ｍは複数のタグの数）、全ての要素が等しい値であり、Ｌ１ノルムがｍ（ｍは生成部１２によって生成されたコンテンツを説明するタグの数）に規格化されているベクトルであってよい。すなわち、ｐ０は、全ての要素がｍ／Ｍであるベクトルであってよい。ｒ０は、Ｌ１ノルムがｍに規格化されてよい。なお、ｒ０の初期値は、ｐ０であってよい。
　タグ推薦装置１０は、優先度ｒ１及び基準優先度ｒ０が収束したか判定する（Ｓ１５）。収束したか否かは、処理Ｓ１３及びＳ１４における更新で、優先度ｒ１及び基準優先度ｒ０が所定量以下しか変化しないか否か、又は予め指定した繰り返し演算回数を上回ったかによって判定してよい。処理Ｓ１３及びＳ１４における更新で、優先度ｒ１又は基準優先度ｒ０が所定量より大きく変化し、予め指定した繰り返し演算回数を上回っていない場合、すなわち優先度ｒ１及び基準優先度ｒ０が収束していない場合（Ｓ１５：ＮＯ）、タグ推薦装置１０は、処理Ｓ１３及びＳ１４を再び実行する。
　一方、処理Ｓ１３及びＳ１４における更新で、優先度ｒ１又は基準優先度ｒ０が所定量以下しか変化しない場合、又は予め指定した繰り返し演算回数を上回った場合、すなわち優先度ｒ１及び基準優先度ｒ０が収束した場合（Ｓ１５：ＹＥＳ）、タグ推薦装置１０は、ｒ１－ｒ０の値により推薦する１又は複数のタグを決定する（Ｓ１６）。ｒ１－ｒ０は、複数のタグの数の次元を有するベクトルであり、各要素は複数のタグに対応する。タグ推薦装置１０は、ｒ１－ｒ０の要素の大きさが上位所定順位以内である１又は複数のタグを推薦してよい。以上により推薦処理の第１例が終了する。
　このように、複数のタグ間の共起関係を表す第３数値ＡＵＰを、ユーザがタグを付与した頻度と、ユーザの人気度とを用いて算出し、第３数値と、新たなコンテンツに予め付与された１又は複数のタグとに基づいて複数のタグの優先度ｒ１を算出することで、人気度が高いユーザによって付与されたタグと、その付与頻度を考慮して新たなコンテンツに付与するタグを推薦することができる。
　図７は、本実施形態に係るタグ推薦装置１０により算出される第４数値Ｂｗの一例を示す図である。第４数値Ｂｗは、コンテンツへの付与候補となる複数のタグの数の行と、複数のコンテンツの数の列を有する行列である。本例では、複数のタグの数が３であり、複数のコンテンツの数が３である場合について説明する。第４数値Ｂｗは、本発明の第４数値に相当し、複数のコンテンツと複数のタグとの共起関係を、複数のコンテンツの人気度に応じて重み付けした第５数値の一例である。
　第４数値Ｂｗは、複数のコンテンツの数の次元を有する行ベクトルを、複数のタグの数だけ含む。以下では、第４数値Ｂｗに含まれる複数の行ベクトルを第ｉ行ベクトルと呼ぶ。ここで、ｉは、１からＭの値をとり、Ｍは複数のタグの数である。本例の場合、３次元の第１行ベクトルは、「ａ」という第１タグＴ１に対応し、第２行ベクトルは、「ｂ」という第２タグＴ２に対応し、第３行ベクトルは、「ｃ」という第３タグＴ３に対応する。また、本例において、第１コンテンツの人気度は「４０」であり、第２コンテンツの人気度は「７」であり、第１コンテンツの人気度は「４」である。そして、第１行ベクトルは、第１要素が４０／５０であり、第２要素が７／５０であり、第３要素が３／５０である。また、第２行ベクトルは、第１要素が４０／４７であり、第２要素が７／４７であり、第３要素が０である。また、第３行ベクトルは、第１要素が０であり、第２要素が７／１０であり、第３要素が３／１０である。各行ベクトルは、Ｌ１ノルムが１となるように規格化されている。
　第ｉ行ベクトルの値は、第ｍコンテンツ（ｍ＝１～Ｃ、Ｃは複数のコンテンツの数）に第ｉタグが付与されている場合にゼロでない値となり、第ｍコンテンツに第ｉタグが付与されていない場合にゼロとなる。そして、第ｉ行ベクトルのゼロでない値は、第ｍコンテンツの人気度に比例するように定められる。本例の場合、第ｉ行ベクトルのゼロでない値は、第ｍコンテンツの人気度に比例し、かつ、第ｉ行ベクトルのＬ１ノルムが１となるよるように定められている。
　本例の場合、第１タグＴ１は、第１コンテンツ、第２コンテンツ及び第３コンテンツ全てに付与された履歴があるため、第１行ベクトルの全ての要素がゼロでない値となっている。一方、第２タグＴ２は、第１コンテンツ及び第２コンテンツに付与された履歴があるが、第３コンテンツには付与されていないため、第２行ベクトルの第３要素はゼロとなっている。同様に、第３タグＴ３は、第２コンテンツ及び第３コンテンツに付与された履歴があるが、第１コンテンツには付与されていないため、第３行ベクトルの第１要素はゼロとなっている。
　図８は、本実施形態に係るタグ推薦装置１０により算出される第５数値Ｂｔの一例を示す図である。第５数値Ｂｔは、コンテンツへの付与候補となる複数のタグの数の行と、複数のコンテンツの数の列を有する行列である。本例では、複数のタグの数が３であり、複数のコンテンツの数が３である場合について説明する。第５数値Ｂｔは、本発明の第５数値に相当し、複数のコンテンツと複数のタグとの共起関係を、複数のタグが複数のコンテンツに付与された頻度に応じて重み付けした第５数値の一例である。
　第５数値Ｂｔは、複数のタグの数の次元を有する列ベクトルを、複数のコンテンツの数だけ含む。以下では、第５数値Ｂｔに含まれる複数の列ベクトルを第ｋ列ベクトルと呼ぶ。ここで、ｋは、１からＣの値をとり、Ｃは複数のコンテンツの数である。本例の場合、３次元の第１列ベクトルは第１コンテンツに対応し、第２列ベクトルは第２コンテンツに対応し、第３行ベクトルは第３コンテンツに対応する。例えば、第１列ベクトルは、第１要素が１／２であり、第２要素が１／２であり、第３要素が０である。また、第２列ベクトルは、第１要素が１／３であり、第２要素が１／３であり、第３要素が１／３である。また、第３行ベクトルは、第１要素が１／２であり、第２要素が０であり、第３要素が１／２である。各列ベクトルは、Ｌ１ノルムが１となるように規格化されている。
　第ｋ列ベクトルの値は、第ｋコンテンツに第ｉタグが付与されている場合にゼロでない値となり、第ｋコンテンツに第ｉタグが付与されていない場合にゼロとなる。本例の場合、第ｋ列ベクトルのゼロでない値は、第ｋ列ベクトルのＬ１ノルムが１となるよるように均等に定められている。
　本例の場合、第１コンテンツには、第１タグ及び第２タグが付与された履歴があるが、第３タグが付与された履歴がないため、第１列ベクトルの第３要素はゼロとなっている。一方、第２コンテンツには、第１タグ、第２タグ及び第３タグが付与された履歴があるため、第２列ベクトルの全ての要素はゼロでない値となっている。また、第３コンテンツには、第１タグ及び第３タグが付与された履歴があるが、第２タグが付与された履歴がないため、第３列ベクトルの第２要素はゼロとなっている。
　図９は、本実施形態に係るタグ推薦装置１０により実行されるタグ推薦処理の第２例のフローチャートである。はじめに、タグ推薦装置１０は、ユーザが投稿するコンテンツを取得する（Ｓ２０）。そして、タグ推薦装置１０は、生成部１２によってコンテンツを説明するタグを生成し、優先ベクトルｐ１を決定する（Ｓ２１）。優先ベクトルｐ１は、コンテンツに付与される候補となる複数のタグの数の次元を有するＭ次元ベクトルであり（Ｍは複数のタグの数）、生成部１２によって生成されたコンテンツを説明するタグに対応する要素が１であり、それ以外の要素がゼロであるベクトルであってよい。また、優先ベクトルｐ１は、Ｌ１ノルムがｍ（ｍは生成部１２によって生成されたコンテンツを説明するタグの数）に規格化されていてよい。
　その後、タグ推薦装置１０は、第１数値及び第２数値である行列Ｕｐ及びＵｔを算出し、第３数値ＡＵＰ＝Ｕｐ×ＵｔＴを算出する（Ｓ２２）。第３数値ＡＵＰは、複数のタグの数の次元を有する正方行列である。第３数値ＡＵＰは、本発明の第３数値に相当し、複数のタグ間の共起関係を表す。
　また、タグ推薦装置１０は、第４数値及び第５数値である行列Ｂｐ及びＢｔを算出し、第６数値ＡＦＰ＝Ｂｐ×ＢｔＴを算出する（Ｓ２３）。第６数値ＡＦＰは、複数のタグの数の次元を有する正方行列である。第６数値ＡＦＰは、本発明の第６数値に相当し、複数のタグ間の共起関係を表す。
　タグ推薦装置１０は、第３数値ＡＵＰ及び第６数値ＡＦＰに基づいて、第７数値ＡＵＦＰ （１）を以下の数式（１）により算出する（Ｓ２４）。
Figure JPOXMLDOC01-appb-M000001
　ここで、数式（１）の右辺は、第３数値ＡＵＰ及び第６数値ＡＦＰの要素積（アダマール積）を表す。
　さらに、タグ推薦装置１０は、複数のタグの優先度ｒ１を、ｒ１＝αＡＵＦＰ （１）ｒ１＋（１－α）ｐ１により算出する（Ｓ２５）。ここで、優先度ｒ１の算出式は再帰的に定義されている。また、αは、０から１の間の値である。ｒ１は、Ｌ１ノルムがｍ（ｍは生成部１２によって生成されたコンテンツを説明するタグの数）に規格化されてよい。なお、ｒ１の初期値は、ｐ１であってよい。
　また、タグ推薦装置１０は、基準優先度ｒ０を、ｒ０＝αＡＵＦＰ （１）ｒ０＋（１－α）ｐ０により算出する（Ｓ２６）。ここで、ｐ０は、複数のタグの数の次元を有するＭ次元ベクトルであり（Ｍは複数のタグの数）、全ての要素が等しい値であり、Ｌ１ノルムがｍ（ｍは生成部１２によって生成されたコンテンツを説明するタグの数）に規格化されているベクトルであってよい。ｒ０は、Ｌ１ノルムがｍに規格化されてよい。なお、ｒ０の初期値は、ｐ０であってよい。
　タグ推薦装置１０は、優先度ｒ１及び基準優先度ｒ０が収束したか判定する（Ｓ２７）。収束したか否かは、処理Ｓ２５及びＳ２６における更新で、優先度ｒ１及び基準優先度ｒ０が所定量以下しか変化しないか否か、又は予め指定した繰り返し演算回数を上回ったかによって判定してよい。処理Ｓ２５及びＳ２６における更新で、優先度ｒ１又は基準優先度ｒ０が所定量より大きく変化し、予め指定した繰り返し演算回数を上回っていない場合、すなわち優先度ｒ１及び基準優先度ｒ０が収束していない場合（Ｓ２７：ＮＯ）、タグ推薦装置１０は、処理Ｓ２５及びＳ２６を再び実行する。
　一方、処理Ｓ２５及びＳ２６における更新で、優先度ｒ１又は基準優先度ｒ０が所定量以下しか変化しない場合、又は予め指定した繰り返し演算回数を上回った場合、すなわち優先度ｒ１及び基準優先度ｒ０が収束した場合（Ｓ２７：ＹＥＳ）、タグ推薦装置１０は、ｒ１－ｒ０の値により推薦する１又は複数のタグを決定する（Ｓ２８）。ｒ１－ｒ０は、複数のタグの数の次元を有するベクトルであり、各要素は複数のタグに対応する。タグ推薦装置１０は、ｒ１－ｒ０の要素の大きさが上位所定順位以内である１又は複数のタグを推薦してよい。以上により推薦処理の第２例が終了する。
　このように、複数のタグ間の共起関係を表す第６数値ＡＦＰを、タグがコンテンツに付与された頻度と、コンテンツの人気度とを用いて算出し、第６数値と、新たなコンテンツに予め付与された１又は複数のタグとに基づいて複数のタグの優先度ｒ１を算出することで、人気度が高いコンテンツに付与されたタグと、その付与頻度を考慮して新たなコンテンツに付与するタグを推薦することができる。
　また、第３数値ＡＵＰ及び第６数値ＡＦＰの要素積並びに新たなコンテンツに付与された１又は複数のタグに基づいて、優先度ｒ１を算出することで、ユーザの人気度及びコンテンツの人気度両方を考慮して新たなコンテンツに付与するタグを推薦することができる。
　図１０は、本実施形態に係るタグ推薦装置１０により実行されるタグ推薦処理の第３例のフローチャートである。はじめに、タグ推薦装置１０は、ユーザが投稿するコンテンツを取得する（Ｓ３０）。そして、タグ推薦装置１０は、生成部１２によってコンテンツを説明するタグを生成し、優先ベクトルｐ１を決定する（Ｓ３１）。優先ベクトルｐ１は、コンテンツに付与される候補となる複数のタグの数の次元を有するＭ次元ベクトルであり（Ｍは複数のタグの数）、生成部１２によって生成されたコンテンツを説明するタグに対応する要素が１であり、それ以外の要素がゼロであるベクトルであってよい。また、優先ベクトルｐ１は、Ｌ１ノルムがｍ（ｍは生成部１２によって生成されたコンテンツを説明するタグの数）に規格化されていてよい。
　その後、タグ推薦装置１０は、第１数値及び第２数値である行列Ｕｐ及びＵｔを算出し、第３数値ＡＵＰ＝Ｕｐ×ＵｔＴを算出する（Ｓ３２）。第３数値ＡＵＰは、複数のタグの数の次元を有する正方行列である。第３数値ＡＵＰは、本発明の第３数値に相当し、複数のタグ間の共起関係を表す。
　また、タグ推薦装置１０は、第４数値及び第５数値である行列Ｂｗ及びＢｔを算出し、第６数値ＡＦＰ＝Ｂｗ×ＢｔＴを算出する（Ｓ３３）。第６数値ＡＦＰは、複数のタグの数の次元を有する正方行列である。第６数値ＡＦＰは、本発明の第６数値に相当し、複数のタグ間の共起関係を表す。
　タグ推薦装置１０は、第３数値ＡＵＰ及び第６数値ＡＦＰに基づいて、第８数値ＡＵＦＰ （２）をＡＵＦＰ （２）＝ＡＵＰ＋ＡＦＰによって算出する（Ｓ３４）。
　さらに、タグ推薦装置１０は、複数のタグの優先度ｒ１を、ｒ１＝αＡＵＦＰ （２）ｒ１＋（１－α）ｐ１により算出する（Ｓ３５）。ここで、優先度ｒ１の算出式は再帰的に定義されている。また、αは、０から１の間の値である。ｒ１は、Ｌ１ノルムがｍ（ｍは生成部１２によって生成されたコンテンツを説明するタグの数）に規格化されてよい。なお、ｒ１の初期値は、ｐ１であってよい。
　また、タグ推薦装置１０は、基準優先度ｒ０を、ｒ０＝αＡＵＦＰ （２）ｒ０＋（１－α）ｐ０により算出する（Ｓ３６）。ここで、ｐ０は、複数のタグの数の次元を有するＭ次元ベクトルであり（Ｍは複数のタグの数）、全ての要素が等しい値であり、Ｌ１ノルムがｍ（ｍは生成部１２によって生成されたコンテンツを説明するタグの数）に規格化されているベクトルであってよい。ｒ０は、Ｌ１ノルムがｍに規格化されてよい。なお、ｒ０の初期値は、ｐ０であってよい。
　タグ推薦装置１０は、優先度ｒ１及び基準優先度ｒ０が収束したか判定する（Ｓ３７）。収束したか否かは、処理Ｓ３５及びＳ３６における更新で、優先度ｒ１及び基準優先度ｒ０が所定量以下しか変化しないか否か、又は予め指定した繰り返し演算回数を上回ったかによって判定してよい。処理Ｓ３５及びＳ３６における更新で、優先度ｒ１又は基準優先度ｒ０が所定量より大きく変化し、予め指定した繰り返し演算回数を上回っていない場合、すなわち優先度ｒ１及び基準優先度ｒ０が収束していない場合（Ｓ３７：ＮＯ）、タグ推薦装置１０は、処理Ｓ３５及びＳ３６を再び実行する。
　一方、処理Ｓ３５及びＳ３６における更新で、優先度ｒ１又は基準優先度ｒ０が所定量以下しか変化しない場合、又は予め指定した繰り返し演算回数を上回った場合、すなわち優先度ｒ１及び基準優先度ｒ０が収束した場合（Ｓ３７：ＹＥＳ）、タグ推薦装置１０は、ｒ１－ｒ０の値により推薦する１又は複数のタグを決定する（Ｓ３８）。ｒ１－ｒ０は、複数のタグの数の次元を有するベクトルであり、各要素は複数のタグに対応する。タグ推薦装置１０は、ｒ１－ｒ０の要素の大きさが上位所定順位以内である１又は複数のタグを推薦してよい。以上により推薦処理の第３例が終了する。
　このように、第３数値ＡＵＰ及び第６数値ＡＦＰの和並びに新たなコンテンツに付与された１又は複数のタグに基づいて、優先度ｒ１を算出することで、ユーザの人気度及びコンテンツの人気度両方を考慮して新たなコンテンツに付与するタグを推薦することができる。
　以上の例では、複数のタグを制限なく用いる場合について説明したが、タグ推薦装置１０は、その他のタグの推薦を行ってもよい。第１算出部１４は、複数のタグのうち、複数のユーザが所定の期間中に複数のコンテンツに付与した複数のタグに基づいて、第３数値ＡＵＰを算出してもよい。同様に、第１算出部１４は、複数のタグのうち、複数のユーザが所定の期間中に複数のコンテンツに付与した複数のタグに基づいて、第６数値ＡＦＰを算出してもよい。このようにして、所定の期間におけるタグ付けの傾向を反映するように、新たなコンテンツに付与するタグを推薦することができる。例えば、ある時期の流行を捉えたタグの推薦を行うことができる。
　第１算出部１４は、複数のユーザのうち、所定の地域に属する複数のユーザに基づいて、第３数値ＡＵＰを算出してもよい。同様に、第１算出部１４は、複数のユーザのうち、所定の地域に属する複数のユーザに基づいて、第６数値ＡＦＰを算出してもよい。ここで、所定の地域に属する複数のユーザは、ユーザの居住する地域によって判断されてよい。コンテンツにどのようなタグを付与すれば人気となるかは、国や地域によって傾向が異なることがある。ユーザの地域性を考慮することで、所定の地域におけるタグ付けの傾向を反映するように、新たなコンテンツに付与するタグを推薦することができる。
　第１算出部１４は、複数のユーザのうち、所定の年代に属する複数のユーザに基づいて、第３数値ＡＵＰを算出してもよい。同様に、第１算出部１４は、複数のユーザのうち、所定の年代に属する複数のユーザに基づいて、第６数値ＡＦＰを算出してもよい。ここで、所定の年代に属する複数のユーザは、ユーザのプロフィール情報によって判断されてよい。コンテンツにどのようなタグを付与すれば人気となるかは、ユーザの年代によって傾向が異なることがある。ユーザの年代を考慮することで、所定の年代におけるタグ付けの傾向を反映するように、新たなコンテンツに付与するタグを推薦することができる。
　第１算出部１４は、複数のユーザのうち、所定の性別に属する複数のユーザに基づいて、第３数値ＡＵＰを算出してもよい。同様に、第１算出部１４は、複数のユーザのうち、所定の性別に属する複数のユーザに基づいて、第６数値ＡＦＰを算出してもよい。ここで、所定の性別に属する複数のユーザは、ユーザのプロフィール情報によって判断されてよい。コンテンツにどのようなタグを付与すれば人気となるかは、ユーザの性別によって傾向が異なることがある。ユーザの性別を考慮することで、所定の性別におけるタグ付けの傾向を反映するように、新たなコンテンツに付与するタグを推薦することができる。
　図１１は、本実施形態に係るタグ推薦装置１０により推薦されたタグをコンテンツに付与した場合の実験結果を示す図である。同図では、特定のＳＮＳに複数の画像を投稿する実験について、縦軸に平均閲覧数（Average Number of Views）を示し、横軸に投稿からの経過日数（Days after uploaded）を示している。実験は、本実施形態に係るタグ推薦装置１０により推薦されたタグを画像に付与した場合と、比較例の場合とについて行い、それぞれ異なる期間に、異なるユーザによって、複数種類の画像を投稿した場合の平均を示している。
　実線で示す第１グラフＧ１は、生成部１２によって生成した１０個のタグに基づき優先ベクトルｐ１を決定し、第７数値ＡＵＦＰ （１）を用いた更新式で優先度ｒ１を算出し、１０個のタグの推薦を行い、合計２０個のタグを付与して画像の投稿を行った場合の閲覧数の時間変化を示している。同図によると、第１グラフＧ１は最も良い成績を示し、１０日間で平均閲覧数が５０以上となり、増加傾向が続いている。
　破線で示す第２グラフＧ２は、生成部１２によって生成した１０個のタグに基づき優先ベクトルｐ１を決定し、第６数値ＡＦＰを用いた更新式で優先度ｒ１を算出し、推薦部１６によって１０個のタグの推薦を行い、合計２０個のタグを付与して画像の投稿を行った場合の閲覧数の時間変化を示している。同図によると、第２グラフＧ２は２番目に良い成績を示し、１０日間で平均閲覧数が４０以上となり、増加傾向が続いている。
　一点鎖線で示す第３グラフＧ３は、生成部１２によって生成した１０個のタグに基づき優先ベクトルｐ１を決定し、第８数値ＡＵＦＰ （２）を用いた更新式で優先度ｒ１を算出し、推薦部１６によって１０個のタグの推薦を行い、合計２０個のタグを付与して画像の投稿を行った場合の閲覧数の時間変化を示している。同図によると、第３グラフＧ３は３番目に良い成績を示し、１０日間で平均閲覧数が３０程度となり、増加傾向が続いている。
　二点鎖線で示す第４グラフＧ４は、生成部１２によって生成した１０個のタグに基づき優先ベクトルｐ１を決定し、第３数値ＡＵＰを用いた更新式で優先度ｒ１を算出し、推薦部１６によって１０個のタグの推薦を行い、合計２０個のタグを付与して画像の投稿を行った場合の閲覧数の時間変化を示している。同図によると、第４グラフＧ４は４番目に良い成績を示し、１０日間で平均閲覧数が３０程度となり、増加傾向が続いている。
　点線で示す第５グラフＧ５は、生成部１２によって生成した１０個のタグを付与して画像の投稿を行った場合の閲覧数の時間変化を比較例として示している。同図によると、第５グラフＧ５は最も悪い成績を示し、１０日間で平均閲覧数が２０程度となっている。なお、第５グラフＧ５では、画像に付与されたタグの数が１０であり、本実施形態の場合の半分であるが、仮に閲覧数がタグの数に比例するとしても、第１グラフＧ１及び第２グラフＧ２は、閲覧数が第５グラフＧ５の倍より大きくなっており、単にタグの数を増やした以上の効果を奏していることが見て取れる。
　以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。
 

Claims (11)

  1. 　複数のユーザと複数のタグとの共起関係を、前記複数のユーザの人気度に応じて重み付けした第１数値と、前記複数のユーザと前記複数のタグとの共起関係を、前記複数のユーザが前記複数のタグを複数のコンテンツに付与した頻度に応じて重み付けした第２数値とに基づいて、前記複数のタグ間の共起関係を表す第３数値を算出する第１算出部と、
    　前記第３数値及び新たなコンテンツに付与された１又は複数のタグに基づいて、前記複数のタグの優先度を算出する第２算出部と、
    　前記優先度に基づいて、前記複数のタグの中から、前記新たなコンテンツに付与する１又は複数のタグを推薦する推薦部と、
    　を備えるタグ推薦装置。
  2. 　前記第１算出部は、前記複数のコンテンツと前記複数のタグとの共起関係を、前記複数のコンテンツの人気度に応じて重み付けした第４数値と、前記複数のコンテンツと前記複数のタグとの共起関係を、前記複数のタグが前記複数のコンテンツに付与された頻度に応じて重み付けした第５数値と、に基づいて、前記複数のタグ間の共起関係を表す第６数値を算出し、
    　前記第２算出部は、前記第３数値、前記第６数値及び前記新たなコンテンツに付与された１又は複数のタグに基づいて、前記優先度を算出する、
    　請求項１に記載のタグ推薦装置。
  3. 　前記第３数値及び前記第６数値は、前記複数のタグの数の次元を有する正方行列であり、
    　前記第２算出部は、前記第３数値及び前記第６数値の要素積並びに前記新たなコンテンツに付与された１又は複数のタグに基づいて、前記優先度を算出する、
    　請求項２に記載のタグ推薦装置。
  4. 　前記第３数値及び前記第６数値は、前記複数のタグの数の次元を有する正方行列であり、
    　前記第２算出部は、前記第３数値及び前記第６数値の和並びに前記新たなコンテンツに付与された１又は複数のタグに基づいて、前記優先度を算出する、
    　請求項２に記載のタグ推薦装置。
  5. 　前記第１算出部は、前記複数のタグのうち、前記複数のユーザが所定の期間中に前記複数のコンテンツに付与した複数のタグに基づいて、前記第３数値を算出する、
    　請求項１から４のいずれか一項に記載のタグ推薦装置。
  6. 　前記第１算出部は、前記複数のユーザのうち、所定の地域に属する複数のユーザに基づいて、前記第３数値を算出する、
    　請求項１から５のいずれか一項に記載のタグ推薦装置。
  7. 　前記第１算出部は、前記複数のユーザのうち、所定の年代に属する複数のユーザに基づいて、前記第３数値を算出する、
    　請求項１から６のいずれか一項に記載のタグ推薦装置。
  8. 　前記第１算出部は、前記複数のユーザのうち、所定の性別に属する複数のユーザに基づいて、前記第３数値を算出する、
    　請求項１から７のいずれか一項に記載のタグ推薦装置。
  9. 　前記複数のユーザの人気度は、前記複数のユーザのＳＮＳにおけるフォロワーの数、前記複数のユーザにより投稿された前記複数のコンテンツが評価された数及び前記複数のユーザにより投稿された前記複数のコンテンツが閲覧された数の少なくともいずれかに基づいて算出される、
    　請求項１から８のいずれか一項に記載のタグ推薦装置。
  10. 　タグ推薦装置に、
    　複数のユーザと複数のタグとの共起関係を、前記複数のユーザが前記複数のタグを複数のコンテンツに付与した頻度に応じて重み付けした第１数値と、前記複数のユーザと前記複数のタグとの共起関係を、前記複数のユーザの人気度に応じて重み付けした第２数値とに基づいて、前記複数のタグ間の共起関係を表す第３数値を算出することと、
    　前記第３数値及び新たなコンテンツに付与された１又は複数のタグに基づいて、前記複数のタグの優先度を算出することと、
    　前記優先度に基づいて、前記複数のタグの中から、前記新たなコンテンツに付与する１又は複数のタグを推薦することと、
    　を実行させるタグ推薦方法。
  11. 　タグ推薦装置に、
    　複数のユーザと複数のタグとの共起関係を、前記複数のユーザが前記複数のタグを複数のコンテンツに付与した頻度に応じて重み付けした第１数値と、前記複数のユーザと前記複数のタグとの共起関係を、前記複数のユーザの人気度に応じて重み付けした第２数値とに基づいて、前記複数のタグ間の共起関係を表す第３数値を算出することと、
    　前記第３数値及び新たなコンテンツに付与された１又は複数のタグに基づいて、前記複数のタグの優先度を算出することと、
    　前記優先度に基づいて、前記複数のタグの中から、前記新たなコンテンツに付与する１又は複数のタグを推薦することと、
    　を実行させるタグ推薦プログラム。
PCT/JP2020/011225 2019-03-14 2020-03-13 タグ推薦装置、タグ推薦方法及びタグ推薦プログラム Ceased WO2020184716A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-046846 2019-03-14
JP2019046846A JP7334928B2 (ja) 2019-03-14 2019-03-14 タグ推薦装置、タグ推薦方法及びタグ推薦プログラム

Publications (1)

Publication Number Publication Date
WO2020184716A1 true WO2020184716A1 (ja) 2020-09-17

Family

ID=72426888

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/011225 Ceased WO2020184716A1 (ja) 2019-03-14 2020-03-13 タグ推薦装置、タグ推薦方法及びタグ推薦プログラム

Country Status (2)

Country Link
JP (1) JP7334928B2 (ja)
WO (1) WO2020184716A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015076089A (ja) * 2014-04-17 2015-04-20 株式会社 ディー・エヌ・エー サーバ装置、方法、および、システム
US20150186503A1 (en) * 2012-10-12 2015-07-02 Tencent Technology (Shenzhen) Company Limited Method, system, and computer readable medium for interest tag recommendation

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10235464B2 (en) 2015-05-05 2019-03-19 Adobe Inc. Method and apparatus for recommending hashtags

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150186503A1 (en) * 2012-10-12 2015-07-02 Tencent Technology (Shenzhen) Company Limited Method, system, and computer readable medium for interest tag recommendation
JP2015076089A (ja) * 2014-04-17 2015-04-20 株式会社 ディー・エヌ・エー サーバ装置、方法、および、システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YAMASAKI, TOSHIHIKO AND HU JIANI, SANO SHUMPEI, AIZAWA KIYOHARU: "FolkPopularityRank: Tag Recommendation for Enhancing Social Popularity using Text Tags in Content Sharing Services", PROCEEDINGS OF THE TWENTY-SIXTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE (IJCAI-17, 19 August 2017 (2017-08-19), pages 3231 - 3237, XP055738946, DOI: 10.24963/ijcai.2017/451 *

Also Published As

Publication number Publication date
JP7334928B2 (ja) 2023-08-29
JP2020149410A (ja) 2020-09-17

Similar Documents

Publication Publication Date Title
Yu et al. SVMs classification based two-side cross domain collaborative filtering by inferring intrinsic user and item features
CN108431833B (zh) 端到端深度协作过滤
CN111949898A (zh) 搜索结果排序方法、装置、设备及计算机可读存储介质
CN106651544B (zh) 最少用户交互的会话式推荐系统
Pan et al. Group Bayesian personalized ranking with rich interactions for one-class collaborative filtering
US11748452B2 (en) Method for data processing by performing different non-linear combination processing
CN114722268A (zh) 媒体资源的处理方法和装置、存储介质及电子设备
CN112699215B (zh) 基于胶囊网络与交互注意力机制的评级预测方法及系统
JP7231322B2 (ja) 学習装置、学習方法、学習プログラム及びプログラム
CN111161009B (zh) 信息推送方法、装置、计算机设备和存储介质
JP2023065826A (ja) 情報処理方法、プログラム及び情報処理装置
Kim et al. Improving a recommender system by collective matrix factorization with tag information
CN112633356B (zh) 推荐模型的训练方法、推荐方法、装置、设备及存储介质
CN108876422B (zh) 用于信息推广的方法、装置、电子设备及计算机可读介质
Qiu Intelligent image recognition using lightweight convolutional neural networks model in edge computing environment
CN113515689A (zh) 推荐方法及装置
Nahar et al. Collaborative learning based recommendation system for content streaming platform using non-negative matrix factorization clustering
CN110413946A (zh) 使用交替最小二乘优化来在线训练和更新因子分解机
JP7334928B2 (ja) タグ推薦装置、タグ推薦方法及びタグ推薦プログラム
CN112258285A (zh) 一种内容推荐方法及装置、设备、存储介质
CN119760226A (zh) 确定推荐资源的方法、相关装置及计算机程序产品
CN114282101B (zh) 产品推荐模型的训练方法、装置、电子设备及存储介质
Mohanty et al. Intuitionistic hesitant fuzzy soft set and its application in decision making
Ara et al. Collaborative filtering based module recommendation to boost learners achievement
CN116843418A (zh) 推荐策略生成方法、装置、设备及存储介质

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: 20769668

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20769668

Country of ref document: EP

Kind code of ref document: A1