WO2021131065A1 - 推薦アイテム決定及び性格モデル生成のためのシステム、方法、プログラム、及びプログラムを記録した記録媒体 - Google Patents

推薦アイテム決定及び性格モデル生成のためのシステム、方法、プログラム、及びプログラムを記録した記録媒体 Download PDF

Info

Publication number
WO2021131065A1
WO2021131065A1 PCT/JP2019/051586 JP2019051586W WO2021131065A1 WO 2021131065 A1 WO2021131065 A1 WO 2021131065A1 JP 2019051586 W JP2019051586 W JP 2019051586W WO 2021131065 A1 WO2021131065 A1 WO 2021131065A1
Authority
WO
WIPO (PCT)
Prior art keywords
personality
model
similarity
user
item
Prior art date
Application number
PCT/JP2019/051586
Other languages
English (en)
French (fr)
Inventor
弘崇 新納
中島　敦
平井　秀一
Original Assignee
Ｕｍｅｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ株式会社
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 Ｕｍｅｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ株式会社 filed Critical Ｕｍｅｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ株式会社
Priority to PCT/JP2019/051586 priority Critical patent/WO2021131065A1/ja
Priority to JP2021566762A priority patent/JP7072967B2/ja
Priority to US17/757,993 priority patent/US20230055597A1/en
Publication of WO2021131065A1 publication Critical patent/WO2021131065A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1815—Semantic context, e.g. disambiguation of the recognition hypotheses based on word meaning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state

Definitions

  • the present invention relates to a system, a method, a program for determining a recommended item and generating a personality model, and a recording medium on which the program is recorded.
  • Collaborative filtering technology is often used to extract appropriate recommended items in services that recommend products, services, contents, people, and other items.
  • Collaborative filtering recommends items purchased or used by other users similar to the user (see, for example, Patent Document 1 below).
  • collaborative filtering recommends items purchased or used by other users similar to the user who recommends the item, there is no accumulated data of the behavior history such as the purchase history and usage history of the user to some extent. , It is difficult to recommend an accurate item. If it is a service on the Internet, the user's behavior history is gradually accumulated, but in the case of an item for which it is difficult to accumulate the user's behavior history due to its nature, such as a made-to-order product, it is recommended to recommend the item. It's difficult to do in the first place.
  • the more parameters used to determine the recommended item the more accurately the recommendation can be made, but for example, it is difficult to adjust the item so that it can be recommended more accurately to the target user group. ..
  • one of the objects of the present invention is to provide a system, a method, a program, and a recording medium on which the program is recorded, which can recommend an item without the accumulated data of the user's action history.
  • the present invention makes it easy to understand the reason why the item is recommended, and makes it easy to adjust the item so that it can be recommended more accurately by the target user group.
  • one of the purposes is to provide a recording medium on which the program is recorded.
  • the present invention is a recording medium in which a system, a method, a program, and a program for generating a personality model that can be used for the above-mentioned system, method, program, and a recording medium in which the program is recorded are recorded. It is one of the purposes to provide.
  • One aspect of the present invention is an emotion index calculation unit that calculates an emotion index of the user based on the voice signal of the user acquired from a conversation between the user and the conversation partner of the user, and a voice signal of the user.
  • the personality element index calculation unit that calculates the personality element index based on the utterance text generated by recognition, and the first based on the emotion index and the personality element index of the user based on the emotion index and the personality element index.
  • a personality type that is the degree of similarity between the user's first personality model and the first personality model of the personality type for each of the first personality model generator and the plurality of personality types.
  • a first personality model similarity calculation unit that calculates the similarity, and a second personality model that generates a second personality model based on the personality type similarity of the user based on the calculated plurality of the calculated personality type similarity.
  • Recommended based on the personality model generation unit the item extraction unit that extracts one or more items from the item group represented by the second personality model, and the extracted one or more items. It provides a recommended item determination system including a recommended item determination unit for determining an item.
  • the recommended item determination system is a value of an emotional index and / or a personality element index of a first personality model of at least one personality type among the plurality of personality types, and / or at least one of the item groups. It may further include a setting unit that sets and / or changes at least one of the personality type similarity of the item's second personality model.
  • the recommended item determination system includes a topic model generation unit that generates a topic model representing the degree of relevance of each of the plurality of topics of the user based on the voice signal of the user or the spoken text of the user, and a plurality of topic model generation units.
  • a topic similarity calculation unit for calculating the topic similarity which is the similarity between the topic model of the user and the topic model of the item, is further provided, and the recommended item determination unit is provided.
  • the recommended item can be determined based on the calculated degree of similarity of the plurality of topics.
  • the setting unit can further set and / or change the value of at least one of the elements of the topic model of the item.
  • the personality type corresponding to the main component of the user's second personality model is the second personality corresponding to the main component. Items represented by the model can be extracted.
  • the recommended item determination system has a second degree of similarity between the user's second personality model and the item's second personality model for each item in the item group represented by the second personality model.
  • the item extraction unit further includes a second character model similarity calculation unit for calculating the character model similarity of each of the above items, and the item extraction unit is based on the calculated second character model similarity from the item group.
  • One or more items may be extracted.
  • the recommended item determination system has a second degree of similarity between the user's second personality model and the item's second personality model for each item in the item group represented by the second personality model.
  • the item extraction unit includes a main component base item extraction unit and a similarity base item extraction unit, and is further provided with a second character model similarity calculation unit for calculating the character model similarity of the above. Is expressed by the second personality model corresponding to the main component of the user's second personality model from the item group represented by the second personality model. The item is extracted, and the similarity item extraction unit extracts one or more items from the item group based on the calculated second character model similarity, and the recommended item.
  • the determination unit determines the first recommended item based on the plurality of topic similarity calculated by the main component base item extraction unit, and the determination unit determines the plurality of topic similarity calculated by the similarity base item extraction unit.
  • the second recommended item can be determined based on the above, and the first recommended item and the second recommended item can be determined as recommended items.
  • the emotional index can consist of an emotional degree and a rational degree.
  • the personality element index can consist of the degree of innovation and the degree of maintenance.
  • the first personality model and / or the second personality model can be represented by a vector.
  • the second personality model can have emotional degree, reason degree, innovation degree, and conservative degree as elements.
  • the multiple personality types are those who like new things and innovative things, are good at communication, challenging, and have a lot of emotional ups and downs, conservative, good at communication, sympathetic, and rich in emotional expression. It can be a type that likes new things and innovative things, makes a calm and comprehensive judgment, and a type that is conservative, calm, close, and prefers stability.
  • the topic vector of the user can have a numerical value based on the number of times that at least one keyword preset for each topic appears in the utterance text as an element.
  • One aspect of the present invention is an emotion index calculation unit that calculates an emotion index of the user based on the voice signal of the user acquired from a conversation between the user and the conversation partner of the user, and a voice signal of the user.
  • the personality element index calculation unit that calculates the personality element index based on the utterance text generated by recognition, and the first based on the emotion index and the personality element index of the user based on the emotion index and the personality element index.
  • a personality type that is the degree of similarity between the user's first personality model and the first personality model of the personality type for each of the first personality model generator and the plurality of personality types.
  • a first personality model similarity calculation unit that calculates the similarity, and a second personality model that generates a second personality model based on the personality type similarity of the user based on the calculated plurality of the calculated personality type similarity. It provides a personality model generation system including a personality model generation unit.
  • the personality model generation system is a value of an emotional index and / or a personality element index of a first personality model of at least one personality type among the plurality of personality types, and / or at least one of the item groups. It may further include a setting unit that sets and / or changes at least one of the personality type similarity of the second personality model of the item.
  • the personality model generation system includes an emotion index calculation unit that calculates an emotion index of the user based on the voice signal of the user acquired from a conversation between the user and the conversation partner of the user.
  • the personality element index calculation unit that calculates the personality element index based on the utterance text generated by recognizing the user's voice signal, and the emotion index and the user's emotion index and the personality element index based on the emotion index and the personality element index. It can be provided with a first personality model generation unit that generates a first personality model based on the personality element index.
  • One aspect of the present invention is a recommended item determination method executed by a computer, in which the user's emotional index is calculated based on the user's voice signal acquired from the conversation between the user and the user's conversation partner. That, the personality element index is calculated based on the spoken text generated by recognizing the voice signal of the user, and the emotion index and the personality of the user are calculated based on the emotion index and the personality element index. Generating a first personality model based on elemental indicators and, for each of the plurality of personality types, a personality that is the degree of similarity between the user's first personality model and the personality type's first personality model.
  • a recommended item determination method including extracting one or more items from the item group represented by the model and determining a recommended item based on the extracted one or more items. It is to provide.
  • One aspect of the present invention is to provide a program for causing a computer to execute the method.
  • One aspect of the present invention is to provide a computer-readable recording medium on which the program is recorded.
  • One aspect of the present invention provides a method of generating a recommended item determination system by installing the program on the computer.
  • the present invention having the above configuration, it is possible to easily grasp the reason why the item is recommended, and to easily adjust the item so that it can be recommended more accurately by the target user group.
  • the system, method, program, and recording medium on which the program is recorded can be provided.
  • a recording medium on which a program is recorded can be provided.
  • FIG. 1 is a diagram showing an overall configuration of a recommended item determination system according to the first embodiment of the present invention.
  • the recommended item determination system 1 is connected to the terminal 3 via the network 2.
  • Each of the recommended item determination system 1 and the terminal 3 does not have to be configured as one physical device, and may be configured by a plurality of physical devices.
  • any suitable terminal having a microphone such as a PC, a smartphone, a tablet terminal, or a mobile phone and having a data communication function can be used.
  • the recommended item determination system 1 includes a voice signal acquisition unit 101, a voice analysis unit 103, an utterance text generation unit 105, an emotion index calculation unit 107, a personality element index calculation unit 109, a first personality model generation unit 111, and a first personality model. Similarity calculation unit 113, second personality model generation unit 115, main component base item extraction unit 117, topic model generation unit 119, topic similarity calculation unit 121, recommended item determination unit 123, second personality model similarity calculation unit 125 , The similarity base item extraction unit 127, the recommended item output unit 129, the storage unit 131, and the setting unit 133 are provided.
  • the recommended item determination system 1 does not have to be configured as one physical device, but may be configured as a plurality of physical devices.
  • the voice signal acquisition unit 101 acquires the voice signal of the conversation between the user and the conversation partner of the user.
  • the voice analysis unit 103 performs voice analysis of the voice signal of the conversation between the user and the conversation partner of the user acquired by the voice signal acquisition unit 101, detects the utterance section, and identifies the speaker. Identify the utterance section and the utterance section of the user's conversation partner.
  • the utterance text generation unit 105 generates the utterance text by voice-recognizing the voice signal of the utterance section of the specified customer.
  • the emotion index calculation unit 107 calculates the user's emotion index based on the user's voice signal acquired from the conversation between the user and the user's conversation partner.
  • the personality element index calculation unit 109 calculates the personality element index based on the utterance text generated by recognizing the user's voice signal.
  • the first personality model generation unit 111 generates the user's first personality model based on the emotional index and the personality element index based on the calculated emotional index and personality element index.
  • the first personality model similarity calculation unit 113 calculates the personality type similarity, which is the similarity between the user's first personality model and the first personality model of the personality type, for each of the plurality of personality types. To do.
  • the second personality model generation unit 115 generates a second personality model of the user based on the personality type similarity based on the calculated plurality of personality type similarity.
  • the personality type corresponding to the main component of the user's second personality model is the second personality type corresponding to the main component from the item group represented by the second personality model. Extract the items represented by the personality model.
  • the main component base item extraction unit 117 and the similarity base item extraction unit 127 described later correspond to the item extraction unit.
  • the topic model generation unit 119 generates a topic model representing the degree of relevance of each of a plurality of topics of the user based on the user's voice signal or the user's utterance text.
  • the topic similarity calculation unit 121 calculates the topic similarity, which is the similarity between the user's topic model and the item's topic model, for each of the extracted items.
  • the recommended item determination unit 123 determines the recommended item based on one or more items extracted by the main component base item extraction unit 117 and / or the similarity base item extraction unit 127 described later.
  • the second personality model similarity calculation unit 125 is the degree of similarity between the user's second personality model and the item's second personality model for each item in the item group represented by the second personality model. Calculate the similarity of the two personality models.
  • the similarity-based item extraction unit 127 extracts one or a plurality of items from the item group based on the calculated plurality of the second personality model similarity.
  • the recommended item output unit 129 outputs the first recommended restaurant and / or the second recommended restaurant stored in the storage unit 131 by transmission to the terminal 3, display on the display, voice, or the like.
  • the storage unit 131 stores various types of information.
  • the storage unit 131 may be configured as one physical device, or may be distributed and arranged in a plurality of physical devices.
  • the setting unit 133 sets the values of the keywords stored in the character element keyword list 501 of the storage unit 131, the emotion index stored in the first character model table 503 of the character type, and the character element index by input from the operator or the like. , Character type similarity stored in the second character model table 505 of the restaurant group, keywords stored in the topic keyword list 507, value of the element of the topic model stored in the topic model table 509 of the restaurant group, travel plan. Set and change the personality type similarity stored in the second personality model table 605 of the group, the keywords stored in the topic keyword list, the value of the element of the topic model stored in the topic model table 609 of the travel plan group, and the like. To do.
  • FIG. 2 is a diagram showing a hardware configuration of a recommended item determination system according to the first embodiment of the present invention.
  • the recommended item determination system 1 includes a CPU 10a, a RAM 10b, a ROM 10c, an external memory 10d, an input unit 10e, an output unit 10f, and a communication unit 10g.
  • the RAM 10b, ROM 10c, external memory 10d, input unit 10e, output unit 10f, and communication unit 10g are connected to the CPU 10a via the system bus 10h.
  • the CPU 10a comprehensively controls each device connected to the system bus 10h.
  • the ROM 10c and the external memory 10d store the BIOS and OS, which are the control programs of the CPU 10a, and various programs and data necessary for realizing the functions executed by the computer.
  • the RAM 10b functions as the main memory of the CPU, a work area, and the like.
  • the CPU 10a realizes various operations by loading a program or the like necessary for executing a process from the ROM 10c or the external memory 10d into the RAM 10b and executing the loaded program.
  • the external memory 10d is composed of, for example, a flash memory, a hard disk, a DVD-RAM, a USB memory, or the like.
  • the input unit 10e receives an operation instruction or the like from a user or the like.
  • the input unit 10e is composed of, for example, an input device such as an input button, a keyboard, a pointing device, a wireless remote controller, a microphone, and a camera.
  • the output unit 10f outputs the data processed by the CPU 10a and the data stored in the RAM 10b, the ROM 10c, and the external memory 10d.
  • the output unit 10f is composed of, for example, an output device such as a CRT display, an LCD, an organic EL panel, a printer, and a speaker.
  • the communication unit 10g is an interface for connecting and communicating with an external device via a network or directly.
  • the communication unit 10g is composed of an interface such as a serial interface or a LAN interface.
  • Each part of the article management system 1 is realized by using various programs stored in the ROM or the external memory as resources such as the CPU, RAM, ROM, the external memory, the input part, the output part, and the communication part.
  • FIG. 3 is a schematic flowchart of an example of the recommended item determination process according to the first embodiment of the present invention.
  • the recommended item determination process of the recommended item determination system according to the first embodiment of the present invention is from the voice-related information acquisition process (S1), the personality model generation process (S2), and the preference model generation / recommended item determination process (S3). Become.
  • S1 voice-related information acquisition process
  • S2 personality model generation process
  • S3 preference model generation / recommended item determination process
  • FIG. 4 is a flowchart of an example of the voice-related information acquisition process according to the first embodiment of the present invention.
  • the audio signal of the conversation between the customer and the front desk clerk acquired by the terminal 3 provided at the front of the hotel via a microphone (not shown) is transmitted from the terminal 3 to the recommended item determination system 1, and the audio signal acquisition unit 101 (S101).
  • the audio signal acquired by the audio signal acquisition unit 101 is not limited to this, and can be an audio signal of a conversation between any other appropriate user and an arbitrary number of users.
  • the voice analysis unit 103 performs voice analysis of the voice signal of the conversation between the customer and the front desk clerk acquired by the voice signal acquisition unit 101, detects the utterance section, and identifies the speaker, thereby performing the utterance section of the customer. And the front clerk's utterance section is specified (S103).
  • the utterance text generation unit 105 generates the utterance text by voice-recognizing the voice signal of the customer's utterance section specified in S103 (S105).
  • FIG. 5 is a flowchart of an example of the personality model generation process according to the first embodiment of the present invention.
  • FIG. 6 is a diagram showing a personality element keyword list according to the first embodiment of the present invention.
  • FIG. 7 is a diagram showing a first personality model table of the personality type according to the first embodiment of the present invention.
  • the emotion index calculation unit 107 calculates the customer's emotion index based on the voice signal of the customer's utterance section specified in S103 (S201). Specifically, a vector having emotional degree and reason degree as elements is calculated based on voice pitch, strength, intonation, and the like. In the present embodiment, based on the voice signal of the utterance section of the customer in the above conversation, the customer has a vector of emotional degree of 0.6 and reason of 0.4, that is, (0.6, 0.4). The emotional index is calculated.
  • the emotional degree is an index showing the degree of large emotional movement
  • the reason degree is an index showing the degree of small emotional movement.
  • the emotional index is not limited to this, and can be an index related to any other appropriate emotion, and an index of any other appropriate expression such as a scalar quantity, a vector having three or more dimensions, a matrix, and the like. Can be.
  • the personality element index calculation unit 109 calculates the personality element index based on the customer's utterance text generated in step S107 (S203). Specifically, the personality element index is calculated as follows.
  • the storage unit 131 stores a personality element keyword list 501, which is a list of keywords indicating the personality elements, for each of the personality elements constituting the personality of the speaker shown in FIG.
  • a personality element keyword list 501 including a list of keywords indicating the innovation of the speaker and a list of keywords indicating the maintainability of the speaker is stored.
  • the personality element index calculation unit 109 refers to the personality element keyword list 501, counts the number of innovative keywords and conservative keywords in the customer's spoken text, and innovates with respect to the total number of innovative keywords and conservative keywords.
  • a vector whose elements are the degree of innovation and the degree of conservativity, which are the ratios of the personality keyword and the conservativeness keyword, is calculated as a personality element index.
  • the degree of innovation is 0.5 and the degree of conservativeness is 0.5, that is, (0).
  • the customer's personality element index of the vector of .5, 0.5) is calculated.
  • the personality element index is not limited to this, but can be any other appropriate element that constitutes a personality, and any other suitable personality index such as a scalar quantity, a vector having three or more dimensions, a matrix, or the like. It can be an index of expression and can be a non-normalized number.
  • the first personality model generation unit 111 generates the first personality model of the customer based on the calculated emotional index and personality element index of the customer (S205). Specifically, in the present embodiment, a vector (0.6, 0.4, 0.5, 0.5) having the customer's emotional index and personality element index as elements is generated as the first personality model. ..
  • the first personality model is not limited to this, and can be a model whose elements are any other appropriate emotional index and personality element index, and other than three-dimensional or higher-dimensional vectors, matrices, etc. It can be used as an index of any appropriate expression of.
  • the first personality model similarity calculation unit 113 calculates the personality type similarity, which is the similarity between the customer's first personality model and the first personality model of the personality type, for each of the plurality of personality types. (S207). Specifically, the personality type similarity is calculated as follows.
  • a first personality model for each of the plurality of personality types is preset by the setting unit 133 by input from the operator or the like, and the first personality of the personality type is set. It is stored in the model table 503.
  • a new type who likes new things and innovative things is good at communication, is challenging, and has a lot of emotional ups and downs, is conservative, is good at communication, is harmonious, and is rich in emotional expression.
  • "Leader”, “Coordinator”, “Specialist” corresponding to the type who likes things and innovations and makes calm and comprehensive judgments, and the type who likes conservative, calm, close-knit, and stable, respectively.
  • a vector consisting of four elements of emotion, reason, innovation, and conservatism (for example, for "leader”, vector (1.0, 0.5, 1.0, 0.0))) is preset as the first personality model and stored in the storage unit 131.
  • the personality type is not limited to this, and can be a type expressing any other appropriate personality.
  • the first personality model similarity calculation unit 113 is the first personality model of the customer generated in step S205 for each of the four personality types of “leader”, “coordinator”, “specialist”, and “name side role”.
  • the personality type similarity is calculated by calculating the inner product of the vector representing the above and the vector representing the first personality model of each personality type.
  • the personality type similarity is 1.35, 1.2, and 1.
  • the second personality model generation unit 115 generates a second personality model of the customer based on the personality type similarity based on the calculated plurality of personality type similarity (S209). Specifically, in the present embodiment, for each of the four personality types of "leader”, “coordinator”, “specialist”, and “supporting character", a vector (1.35) having a personality type similarity as an element. , 1.2, 1.3, 1.15) as the second personality model of the customer.
  • the second personality model is not limited to this, but can be a model based on the personality type similarity of any other suitable personality type, and of any other suitable representation such as a matrix. It can be used as an index.
  • FIG. 9 is a diagram showing a second personality model table of the restaurant according to the first embodiment of the present invention.
  • FIG. 10 is a diagram showing a topic keyword list according to the first embodiment of the present invention.
  • FIG. 11 is a diagram showing a topic model table of a restaurant according to the first embodiment of the present invention.
  • the main component base item extraction unit 117 has a personality type corresponding to the main component of the customer's second personality model generated in step S207 from the restaurant group which is the item group expressed by the second personality model.
  • the restaurant represented by the second personality model corresponding to the main component is extracted (S301). Specifically, restaurants are extracted as follows.
  • a second personality model for each of the restaurants A to E of the restaurant group is preset by the setting unit 133 by input from the operator or the like, and the second restaurant It is stored in the personality model table 505 of. Since the element with the largest value among the vector elements of the customer's second personality model generated in step S209 is the personality type similarity for the "leader", the main element of the customer's second personality model The personality type corresponding to the ingredient is "leader”.
  • the main component base item extraction unit 117 determines the element having the largest value among the elements of the vector of the customer's second personality model generated in step S207, and the personality type corresponding to that element is the "leader".
  • the restaurant whose personality type similarity for the "leader” is the element with the largest value is extracted from the restaurant group.
  • the restaurants in which the personality type similarity for the "leader” has the largest value are restaurant A and restaurant D, so that the main component base item extraction unit 117 is in restaurant A and restaurant D. Is extracted.
  • the topic model generation unit 119 generates a customer topic model based on the customer's voice signal or utterance text (S303).
  • the topic model is a model that expresses the degree of relevance for each of a plurality of topics. Specifically, a topic model is generated as follows.
  • the topics are three topics of Korean food (topic 1), Japanese food (topic 2), and Thai food (topic 3) will be described as an example.
  • the storage unit 131 stores a topic keyword list 507, which is a list of topic keywords that are keywords for each topic.
  • the topic model generation unit 119 refers to the topic keyword list 507, counts the number of topic keywords in the customer's utterance text for each topic, and divides each topic keyword into the total number of each topic keyword. Generate a vector with a certain topic relevance as an element as a customer topic model.
  • the topic model is not limited to this, but can be a model whose elements are any other appropriate topic relevance, and any other appropriate representation such as a vector, matrix, etc. of three dimensions or more. Can be used as an index of.
  • the topic relevance can be a non-normalized number.
  • the topic model generation unit 119 generates a vector (0,0.25,0.75) as a topic model of the customer.
  • the topic similarity calculation unit 121 calculates the topic similarity, which is the similarity between the topic model of the customer and the topic model of the item, for each of the restaurants extracted in step S301 (S305). Specifically, the topic similarity is calculated as follows.
  • a topic vector which is a topic model for each of the restaurants A to E of the restaurant group, is preset by the setting unit 133 by input from the operator or the like, and the topic of the restaurant is set. It is stored in the model table 509.
  • the topic vector is (0.2, 0.5, 0.3), and restaurant A is slightly more related to "Japanese food” in topic 2, and "Korean food” in topic 1.
  • Topic 3 "Thai food” is set to be a little less relevant.
  • the topic similarity calculation unit 121 calculates the inner product of the customer topic vector and the restaurant topic vector generated in step S303 for each of the restaurant A and the restaurant D extracted in step S301, thereby corresponding to the corresponding topic. Calculate the similarity respectively.
  • the topic similarity is calculated to be 0.687 and 0.45, respectively, for each of restaurant A and restaurant D.
  • the recommended item determination unit 123 determines the first recommended restaurant, which is the first recommended item, based on the plurality of topic similarity calculated in step S305 (S307). Specifically, the predetermined n1 items are determined as the first recommended restaurant in descending order of the degree of similarity of the plurality of topics calculated in step S305.
  • the method for determining the first recommended restaurant is not limited to a plurality of topic similarity in descending order, and may be any other appropriate method based on the plurality of topic similarity.
  • n1 2
  • the recommended item determination unit 123 determines restaurant A and restaurant D as the first recommended restaurant in this order, and stores them in the storage unit 131 (S309).
  • the second personality model similarity calculation unit 125 is the degree of similarity between the customer's second personality model and the item's second personality model for each restaurant in the restaurant group represented by the second personality model.
  • the personality model similarity of 2 is calculated (S311). Specifically, the second personality model similarity is calculated as follows.
  • a second personality model is preset in the storage unit 131 for each of the restaurants A to E of the restaurant group, and is stored in the second personality model table 505 of the restaurant.
  • the second personality model similarity calculation unit 125 calculates the inner product of the vector which is the second personality model of the customer and the vector which is the second personality model of the restaurant for each of the restaurants A to E. Calculate the similarity of the two personality models.
  • the second personality model similarity is calculated to be 1.695, 2.14, 2.56, 2.445, 1.92, respectively, for each of the restaurants A to E.
  • the restaurant extraction method is not limited to the order of the second personality model similarity, and can be any other appropriate method based on the second personality model similarity.
  • the topic similarity calculation unit 121 calculates the topic similarity for each of the restaurants extracted in step S313 in the same manner as in step 305 (S315). Specifically, the topic similarity calculation unit 121 calculates the inner product of the customer topic vector and the restaurant topic vector for each of the restaurant B, the restaurant C, and the restaurant D extracted in step S313, thereby causing the topic. Calculate the similarity respectively. In the present embodiment, the topic similarity is calculated to be 0.125, 0.575, and 0.45 for each of restaurant B, restaurant C, and restaurant D, respectively.
  • the recommended item determination unit 123 determines the second recommended restaurant, which is the second recommended item, based on the plurality of topic similarity calculated in step S313 (S317). Specifically, a plurality of predetermined n2 restaurants calculated in step S313 in descending order of topic similarity are determined as second recommended restaurants together with their presentation order.
  • the method for determining the second recommended restaurant is not limited to a plurality of topic similarity in descending order, and may be any other appropriate method based on the plurality of topic similarity.
  • the recommended item output unit 129 transmits the first recommended restaurant and the second recommended restaurant stored in the storage unit 131 to the terminal 3, and the terminal 3 displays the first recommended restaurant and the second recommended restaurant. It is presented by the above display, voice, etc. (S321). Specifically, the recommended item output unit 129 transmits the first recommended travel plan and its presentation order and the second recommended travel plan and its presentation order stored in the storage unit 131 to the terminal 3, and the terminal 3 sends the recommended travel plan and its presentation order. , The first recommended travel plan and the second recommended travel plan are presented by display, voice, etc. on the display in the order of the first recommended travel plan and the second recommended travel plan.
  • the presentation order of the second recommended travel plan does not have to be determined or stored in the storage unit 131, and the presentation order and presentation method in the presentation of the first recommended travel plan and the second recommended travel plan.
  • the output form of the recommended item by the recommended item output unit 129 is not limited to this, and may be any other appropriate form such as the display on the display provided in the recommended item determination system 1 and the sound from the speaker. be able to.
  • a personality model representing a user's personality is used by using a user's emotional index calculated based on a user's voice signal acquired from a conversation between the user and the user's conversation partner. ) Is generated, so a more accurate personality model can be generated.
  • a first personality model is set for each of the plurality of personality types, and the personality type similarity is the degree of similarity between the user's first personality model and the first personality model of the personality type.
  • Each degree is calculated, and a second personality model based on the personality type similarity of the user is generated based on the calculated plurality of personality type similarity. Therefore, since the second personality model is based on the personality type similarity, it is easy for humans to intuitively understand. Therefore, according to the present embodiment, the first personality model, which is a more accurate personality model, can be converted and provided as the second personality model, which is a personality model that is easy for humans to intuitively understand. ..
  • items are recommended using a second personality model based on the personality type similarity that is easy for humans to intuitively understand. Therefore, according to the present embodiment, the method of recommending an item can be easily adjusted by adjusting each value of the personality type similarity set for the item, which is easy for humans to intuitively understand. Can be done.
  • the first personality model based on the emotional index and the personality element index is converted into the second personality model based on the personality type similarity, and the converted second personality model is used for the item. Recommendation is made. Therefore, according to the present embodiment, even if the number of emotional indexes and personality element indexes constituting the first personality model is increased, if the number of personality types is not changed, the personality types constituting the second personality model The number of similarities does not change, and it is possible to grasp the reason why an item is recommended and adjust the method of recommending an item by the value of a predetermined number of elements that are intuitively easy for humans to understand.
  • the user's voice signal acquired from the conversation between the user and the conversation partner of the user, the first personality model set for each of the plurality of personality types, and each of the items in the item group are set. Recommended items are determined based on the second personality model. Therefore, according to the present embodiment, it is possible to accurately recommend an item even if the user's action history is not accumulated.
  • items are recommended using a second personality model based on a plurality of personality type similarity, but the personality type similarity of the main component of the second personality model set for each of the item groups. Not only the item is recommended based on the degree, but also the item is recommended based on the similarity of a plurality of personality types of the second personality model. Therefore, not only the personality type corresponding to the personality type similarity of the main component of the second personality model but also the items corresponding to the values of the elements corresponding to a plurality of personality types are recommended, so that the conventional recommendation method is used. Although it was not recommended, items worthy of recommendation (“Restaurant C” in this embodiment) can be recommended.
  • the value of the inner product is used for the similarity, but any other appropriate scale such as cosine similarity, Pearson correlation, distance, etc. can be used.
  • the recommended item determined from the recommended item determination system 1 to the terminal 3 is transmitted, but a part or all the functions of the recommended item determination system 1 may be mounted on the terminal 2.
  • FIG. 12 is a flowchart of an example of the voice-related information acquisition process according to the second embodiment of the present invention.
  • the audio signal of the conversation between the customer and the clerk acquired by the terminal 3 provided in the counter of the travel agency via a microphone (not shown) is transmitted from the terminal 3 to the recommended item determination system 1, and the audio signal acquisition unit. Acquired by 101 (S401).
  • the voice analysis unit 103 performs voice analysis of the voice signal of the conversation between the customer and the clerk acquired by the voice signal acquisition unit 101, detects the utterance section, and identifies the speaker to obtain the utterance section of the customer.
  • the utterance section of the clerk is specified (S403).
  • the utterance text generation unit 105 generates the utterance text by voice-recognizing the voice signal of the customer's utterance section specified in S403 (S405).
  • FIG. 13 is a flowchart of an example of the personality model generation process according to the second embodiment of the present invention.
  • the emotion index calculation unit 107 calculates the customer's emotion index based on the voice signal of the customer's utterance section specified in S403 (S501). In the present embodiment, based on the voice signal of the utterance section of the customer in the above conversation, the customer has a vector of emotional degree of 0.6 and reason of 0.4, that is, (0.6, 0.4). The emotional index is calculated.
  • the personality element index calculation unit 109 calculates the personality element index based on the customer's utterance text generated in step S407 (S503). Specifically, the personality element index is calculated as follows.
  • the personality element index calculation unit 109 refers to the personality element keyword list 501, counts the number of innovative keywords and conservative keywords in the customer's spoken text, and innovates with respect to the total number of innovative keywords and conservative keywords.
  • a vector having the degree of innovation and the degree of conservativity, which are the ratios of the personality keyword and the conservativeness keyword, is calculated as a personality element index.
  • the degree of innovation is 0.5 and the degree of conservativeness is 0.5, that is, (0).
  • the customer's personality element index of the vector of .5, 0.5) is calculated.
  • the first personality model generation unit 111 generates the first personality model of the customer based on the calculated emotional index and personality element index of the customer (S505). Specifically, in the present embodiment, a vector (0.6, 0.4, 0.5, 0.5) having the customer's emotional index and personality element index as elements is generated as the first personality model. ..
  • the first personality model similarity calculation unit 113 calculates the personality type similarity, which is the similarity between the customer's first personality model and the first personality model of the personality type, for each of the plurality of personality types. (S507). Specifically, the personality type similarity is calculated as follows.
  • the first personality model similarity calculation unit 113 has the first personality model of the customer generated in step S505 for each of the four personality types of “leader”, “coordinator”, “specialist”, and “name side role”.
  • the personality type similarity is calculated by calculating the inner product of the vector representing the above and the vector representing the first personality model of each personality type.
  • the personality type similarity is 1.35, 1.2, and 1.
  • the second personality model generation unit 115 generates a second personality model of the customer based on the personality type similarity based on the calculated plurality of personality type similarity (S509). Specifically, in the present embodiment, for each of the four personality types of "leader”, “coordinator”, “specialist”, and “supporting character", a vector (1.35) having a personality type similarity as an element. , 1.2, 1.3, 1.15) as the second personality model of the customer.
  • FIG. 15 is a diagram showing a second personality model table of the travel plan according to the second embodiment of the present invention.
  • FIG. 16 is a diagram showing a topic keyword list according to a second embodiment of the present invention.
  • FIG. 17 is a diagram showing a topic model table of a travel plan according to a second embodiment of the present invention.
  • the main component base item extraction unit 117 is a personality type corresponding to the main component of the customer's second personality model generated in step S507 from the travel plan group which is the item group expressed by the second personality model.
  • the travel plan expressed by the second personality model corresponding to the main component is extracted (S601). Specifically, the travel plan is extracted as follows.
  • a second personality model for each of the travel plans A to E of the travel plan group is preset in the storage unit 131, and is stored in the second personality model table 605 of the travel plan. ing. Since the element with the largest value among the vector elements of the customer's second personality model generated in step S507 is the personality type similarity for the "leader", the main element of the customer's second personality model The personality type corresponding to the ingredient is "leader”. The main component base item extraction unit 117 determines the element having the largest value among the elements of the vector of the customer's second personality model generated in step S509, and the personality type corresponding to that element is the "leader".
  • the travel plan for which the personality type similarity for the "leader” is the element with the largest value is extracted from the travel plan group.
  • the travel plans in which the personality type similarity for the "leader” has the largest value are the travel plan A and the travel plan D. Therefore, the main component base item extraction unit 117 is the travel plan. Extract A and travel plan D.
  • the topic model generation unit 119 generates a customer topic model based on the customer's voice signal or utterance text (S603).
  • the topic model is a model that expresses the degree of relevance for each of a plurality of topics. Specifically, a topic model is generated as follows.
  • topic 3 the case where the topics are three topics of famous tourist attraction tour (topic 1), package plan (topic 2), and free plan (topic 3) will be described as an example.
  • the storage unit 131 stores a topic keyword list 607, which is a list of topic keywords that are keywords for each topic.
  • the topic model generation unit 119 refers to the topic keyword list 607, counts the number of topic keywords in the customer's utterance text for each topic, and divides each topic keyword into the total number of each topic keyword. Generate a vector with a certain topic relevance as an element as a customer topic model.
  • the topic model generation unit 119 generates a vector (0,0.25,0.75) as a customer topic model.
  • the topic similarity calculation unit 121 calculates the topic similarity, which is the similarity between the customer topic model and the item topic model, for each of the travel plans extracted in step S601 (S605). Specifically, the topic similarity is calculated as follows.
  • a topic vector which is a topic model for each of the travel plans A to E of the travel plan group, is preset in the storage unit 131 and stored in the topic model table 609 of the travel plan. ..
  • the topic vector is (0.8, 0.1, 0.1), and travel plan A is largely related to "visiting famous tourist attractions" in topic 1, and topic 2 It is set that the "package plan” and the "free plan” of topic 3 are less related.
  • the topic similarity calculation unit 121 calculates the inner product of the customer topic vector generated in step S603 and the travel plan topic vector for each of the travel plan A and the travel plan D extracted in step S601. Calculate the corresponding topic similarity.
  • the topic similarity is calculated to be 0.1 and 0.4, respectively, for each of the travel plan A and the travel plan D.
  • the recommended item determination unit 123 determines the first recommended travel plan, which is the first recommended item, based on the plurality of topic similarity calculated in step S605 (S607). Specifically, the predetermined n1 items are determined as the first recommended travel plan in descending order of the degree of similarity of the plurality of topics calculated in step S605.
  • n1 2
  • the recommended item determination unit 123 determines the travel plan D and the travel plan A as the first recommended travel plan in this order, and stores them in the storage unit 131 (S609).
  • the second personality model similarity calculation unit 125 is the similarity between the customer's second personality model and the item's second personality model for each item of the travel plan group represented by the second personality model.
  • the second personality model similarity is calculated (S611). Specifically, the second personality model similarity is calculated as follows.
  • a second personality model for each of the travel plans A to E of the travel plan group is preset by the setting unit 133 by input from the operator or the like. It is stored in the second personality model table 505 of the travel plan.
  • the second personality model similarity calculation unit 125 calculates the inner product of the vector which is the second personality model of the customer and the vector which is the second personality model of the travel plan for each of the travel plans A to E. , The second personality model similarity is calculated respectively.
  • the second personality model similarity is calculated to be 1.695, 2.792, 2.56, 2.445, and 1.92, respectively, for each of the travel plans A to E.
  • the topic similarity calculation unit 121 calculates the topic similarity for each of the travel plans extracted in step S313, as in step 605 (S615). Specifically, the topic similarity calculation unit 121 calculates the inner product of the customer topic vector and the travel plan topic vector for each of the travel plan B, the travel plan C, and the travel plan D extracted in step S313. By doing so, the topic similarity is calculated respectively. In the present embodiment, the topic similarity is calculated to be 0.425, 0.35, and 0.4 for each of the travel plan B, the travel plan C, and the travel plan D, respectively.
  • the recommended item determination unit 123 determines the second recommended travel plan, which is the second recommended item, based on the plurality of topic similarity calculated in step S613 (S617). Specifically, a plurality of predetermined n2 travel plans calculated in step S613 in descending order of similarity of topics are determined as a second recommended travel plan together with their presentation order.
  • the recommended item output unit 129 transmits the first recommended travel plan and the second recommended travel plan stored in the storage unit 131 to the terminal 3, and the terminal 3 sends the first recommended travel plan and the second recommended travel plan.
  • the plan is presented by display, voice, etc. on the display (S621).
  • the same effect as that of the first embodiment described above can be obtained.
  • the point that the method of recommending an item can be easily adjusted by adjusting each value of the personality type similarity set for the item, which is intuitively easy for humans to understand, will be described below. ..
  • Travel plan B is for visiting tourist attractions for several days and free time for several days out of the entire schedule.
  • the first personality model based on the data acquired by the machine is a personality type that is easy for humans to understand intuitively. Since it has been converted to a second personality model with similarity as an element, in the second personality model of Travel Plan B, the personality type similarity of leaders and specialists, which are the personality types that are considered to prefer free action schedules.
  • travel plan B is presented as a recommended travel plan with a high presentation order to users with a large personality type similarity value of the leader and users with a large personality type similarity value of the specialist. Can be done easily.
  • the personality type similarity of the leader is changed from 0.6 to 0.8 and the personality type similarity of the specialist is changed from 0.4 to 0.5. ..
  • an employee of the travel agency headquarters is displayed on the display of a terminal (not shown) provided at the travel agency headquarters, which is connected to the recommended item determination system 1 via the network 2.
  • select the personality model similarity for "leader” and "specialist” select the personality model similarity for "leader” from 0.6.
  • an input is made to change the personality type similarity of the specialist from 0.4 to 0.5, the input is transmitted from the terminal to the recommended item determination system 1, and the setting unit 133 makes a trip to the storage unit 131.
  • the personality model similarity for the "leader” and “specialist” of the second personality model of travel plan B stored in the second personality model table of the plan group is 0.6 to 0.8 and 0.4 to 0. Update to .5 respectively.
  • the element with the largest value among the vector elements of the customer's second personality model, which is the user is the personality type similarity for the "leader", and therefore the main element of the customer's second personality model.
  • the personality type corresponding to the ingredient is "leader".
  • the travel plan B By changing the personality type similarity of the leader and the specialist, the travel plan B also becomes a travel plan in which the personality type similarity for the "leader" is the element with the largest value. Therefore, in step S601, the main component base item.
  • the extraction unit 117 extracts the travel plan B as a candidate for the first recommended travel plan together with the travel plan A and the travel plan D.
  • the topic similarity calculation unit 121 calculates the topic similarity as 0.1, 0.425, and 0.4 for each of the travel plan A, the travel plan B, and the travel plan D, respectively.
  • step S607 the recommended item determination unit 123 determines the travel plan B and the travel plan D as the first recommended travel plan from the travel plan A, the travel plan B, and the travel plan D in descending order of topic similarity. Then, in S621, the recommended item output unit 129 presents the travel plan B to the user in the first presentation order.

Abstract

ユーザと前記ユーザの会話相手との会話から取得した前記ユーザの音声信号に基づいて前記ユーザの感情指標を算出する感情指標算出部と、前記ユーザの音声信号を音声認識して生成された発話テキストに基づいて性格要素指標を算出する性格要素指標算出部と、前記感情指標及び前記性格要素指標に基づいて、前記ユーザの、感情指標及び性格要素指標に基づく第１の性格モデルを生成する第１性格モデル生成部と、複数の性格タイプの各々について、前記ユーザの第１の性格モデルと前記性格タイプの第１の性格モデルとの間の類似度である性格タイプ類似度をそれぞれ算出する第１性格モデル類似度算出部と、算出された複数の前記性格タイプ類似度に基づいて、前記ユーザの、性格タイプ類似度に基づく第２の性格モデルを生成する第２性格モデル生成部と、前記第２の性格モデルで表現されたアイテム群の中から、１つ又は複数のアイテムを抽出するアイテム抽出部と、前記抽出された１つ又は複数のアイテムに基づいて推薦アイテムを決定する推薦アイテム決定部とを備える推薦アイテム決定システム。

Description

推薦アイテム決定及び性格モデル生成のためのシステム、方法、プログラム、及びプログラムを記録した記録媒体
　本発明は、推薦アイテム決定及び性格モデル生成のためのシステム、方法、プログラム、及びプログラムを記録した記録媒体に関する。
　商品、サービス、コンテンツ、人、その他のアイテムを推薦するサービスにおいて、適切な推薦アイテムを抽出するために協調フィルタリング技術が多く用いられている。協調フィルタリングは、ユーザに類似する他のユーザが購入や利用したアイテムを推薦する（例えば、下記特許文献１参照）。
特開２００８－２２５６２９号公報
　しかしながら、協調フィルタリングは、アイテムを推薦するユーザに類似する他のユーザが購入や利用したアイテムを推薦するものであるので、ある程度のユーザの購入履歴や利用履歴等の行動履歴の蓄積データがないと、的確なアイテムの推薦を行うことが困難である。インターネット上のサービスであれば、ユーザの行動履歴は次第に蓄積されていくが、例えば受注生産品のように、ユーザの行動履歴の蓄積がその性質上困難であるアイテムの場合は、アイテムの推薦を行うことがそもそも困難である。
　また、協調フィルタリングにおいては、人手を介さずに自動的に推薦アイテムが決定されるので、そのアイテムが推薦された理由が分からず、例えば、そのアイテムを、ターゲットとするユーザ層により精度よく推薦できるように調整するのが困難である。
　また、推薦アイテムを決定するために用いるパラメータが多いほどより精度よく推薦を行うことができるが、例えば、そのアイテムを、ターゲットとするユーザ層により精度よく推薦できるように調整するのが困難である。
　そこで、本発明は、ユーザの行動履歴の蓄積データがなくとも、アイテムの推薦を行うことができるシステム、方法、プログラム、及びプログラムを記録した記録媒体を提供することを目的の１つとする。
　また、本発明は、アイテムが推薦された理由の把握が容易で、アイテムを、ターゲットとするユーザ層により精度よく推薦できるように調整することを容易とすることを可能とするシステム、方法、プログラム、及びプログラムを記録した記録媒体を提供することを目的の１つとする。
　また、本発明は、一例として、上記のシステム、方法、プログラム、及びプログラムを記録した記録媒体にも用いることができる性格モデルを生成するためのシステム、方法、プログラム、及びプログラムを記録した記録媒体を提供することを目的の１つとする。
　本発明の１つの態様は、ユーザと前記ユーザの会話相手との会話から取得した前記ユーザの音声信号に基づいて前記ユーザの感情指標を算出する感情指標算出部と、前記ユーザの音声信号を音声認識して生成された発話テキストに基づいて性格要素指標を算出する性格要素指標算出部と、前記感情指標及び前記性格要素指標に基づいて、前記ユーザの、感情指標及び性格要素指標に基づく第１の性格モデルを生成する第１性格モデル生成部と、複数の性格タイプの各々について、前記ユーザの第１の性格モデルと前記性格タイプの第１の性格モデルとの間の類似度である性格タイプ類似度をそれぞれ算出する第１性格モデル類似度算出部と、算出された複数の前記性格タイプ類似度に基づいて、前記ユーザの、性格タイプ類似度に基づく第２の性格モデルを生成する第２性格モデル生成部と、前記第２の性格モデルで表現されたアイテム群の中から、１つ又は複数のアイテムを抽出するアイテム抽出部と、前記抽出された１つ又は複数のアイテムに基づいて推薦アイテムを決定する推薦アイテム決定部とを備える推薦アイテム決定システムを提供するものである。
　前記推薦アイテム決定システムは、前記複数の性格タイプのうちの少なくとも１つの性格タイプの第１の性格モデルの感情指標及び／又は性格要素指標の値、及び／又は前記アイテム群のうちの少なくとも１つのアイテムの第２の性格モデルの性格タイプ類似度のうちの少なくとも１つを設定及び／又は変更する設定部を更に備えるものとすることができる。
　前記推薦アイテム決定システムは、前記ユーザの音声信号又は前記ユーザの発話テキストに基づいて、前記ユーザの、複数のトピックの各々についての関連度を表すトピックモデルを生成するトピックモデル生成部と、複数の前記抽出されたアイテムの各々について、前記ユーザのトピックモデルと前記アイテムのトピックモデルとの間の類似度であるトピック類似度を算出するトピック類似度算出部とを更に備え、前記推薦アイテム決定部は、算出された複数の前記トピック類似度に基づいて推薦アイテムを決定するものとすることができる。
　前記設定部は、更に、前記アイテムのトピックモデルの要素のうちの少なくとも１つの値を設定及び／又は変更するものとすることができる。
　前記アイテム抽出部は、前記第２の性格モデルで表現されたアイテム群の中から、前記ユーザの第２の性格モデルの主成分に対応する性格タイプが、その主成分に対応する第２の性格モデルで表現されたアイテムを抽出するものとすることができる。
　前記推薦アイテム決定システムは、前記第２の性格モデルで表現されたアイテム群の各アイテムについて、前記ユーザの第２の性格モデルと、前記アイテムの第２の性格モデルとの類似度である第２の性格モデル類似度をそれぞれ算出する第２性格モデル類似度算出部を更に備え、前記アイテム抽出部は、算出された複数の前記第２の性格モデル類似度に基づいて、前記アイテム群の中から１つ又は複数のアイテムを抽出するものとすることができる。
　前記推薦アイテム決定システムは、前記第２の性格モデルで表現されたアイテム群の各アイテムについて、前記ユーザの第２の性格モデルと、前記アイテムの第２の性格モデルとの類似度である第２の性格モデル類似度をそれぞれ算出する第２性格モデル類似度算出部を更に備え、前記アイテム抽出部は、主成分ベースアイテム抽出部と類似度ベースアイテム抽出部を含み、前記主成分ベースアイテム抽出部は、前記第２の性格モデルで表現されたアイテム群の中から、前記ユーザの第２の性格モデルの主成分に対応する性格タイプが、その主成分に対応する第２の性格モデルで表現されたアイテムを抽出し、前記類似度アイテム抽出部は、算出された複数の前記第２の性格モデル類似度に基づいて、前記アイテム群の中から１つ又は複数のアイテムを抽出し、前記推薦アイテム決定部は、前記主成分ベースアイテム抽出部により算出された複数の前記トピック類似度に基づいて第１の推薦アイテムを決定し、前記類似度ベースアイテム抽出部により算出された複数の前記トピック類似度に基づいて第２の推薦アイテムを決定し、前記第１の推薦アイテムと前記第２の推薦アイテムを推薦アイテムとして決定するものとすることができる。
　前記感情指標は、感情度と理性度からなるものとすることができる。
　前記性格要素指標は、革新度と保守度からなるものとすることができる。
　前記第１の性格モデル及び／又は前記第２の性格モデルは、ベクトルで表現されるものであるものとすることができる。
　前記第２の性格モデルは、感情度、理性度、革新度、保守度を要素とするものとすることができる。
　前記複数の性格タイプは、新しいことや革新的なことを好み、コミュニケーションに長け、挑戦的で、感情の起伏が大きいタイプ、保守的で、コミュニケーションに長け、同調的で、感情表現が豊かなタイプ、新しいことや革新的なことを好み、冷静かつ包括的に判断をするタイプ、保守的かつ冷静で、ち密で、安定性を好むタイプであるものとすることができる。
　前記ユーザのトピックベクトルは、各トピックについて予め設定された少なくとも１つのキーワードが前記発話テキストに登場した回数に基づく数値を要素とするものとすることができる。
　本発明の１つの態様は、ユーザと前記ユーザの会話相手との会話から取得した前記ユーザの音声信号に基づいて前記ユーザの感情指標を算出する感情指標算出部と、前記ユーザの音声信号を音声認識して生成された発話テキストに基づいて性格要素指標を算出する性格要素指標算出部と、前記感情指標及び前記性格要素指標に基づいて、前記ユーザの、感情指標及び性格要素指標に基づく第１の性格モデルを生成する第１性格モデル生成部と、複数の性格タイプの各々について、前記ユーザの第１の性格モデルと前記性格タイプの第１の性格モデルとの間の類似度である性格タイプ類似度をそれぞれ算出する第１性格モデル類似度算出部と、算出された複数の前記性格タイプ類似度に基づいて、前記ユーザの、性格タイプ類似度に基づく第２の性格モデルを生成する第２性格モデル生成部とを備える性格モデル生成システムを提供するものである。
　前記性格モデル生成システムは、前記複数の性格タイプのうちの少なくとも１つの性格タイプの第１の性格モデルの感情指標及び／又は性格要素指標の値、及び／又は前記アイテム群のうちの少なくとも１つのアイテムの第２の性格モデルの性格タイプ類似度のうちの少なくとも１つを設定及び／又は変更する設定部を更に備えるものとすることができる。
　前記性格モデル生成システムは、ユーザと前記ユーザの会話相手との会話から取得した前記ユーザの音声信号に基づいて前記ユーザの感情指標を算出する感情指標算出部と、
　前記ユーザの音声信号を音声認識して生成された発話テキストに基づいて性格要素指標を算出する性格要素指標算出部と、前記感情指標及び前記性格要素指標に基づいて、前記ユーザの、感情指標及び性格要素指標に基づく第１の性格モデルを生成する第１性格モデル生成部とを備えるものとすることができる。
　本発明の１つの態様は、コンピュータにより実行される推薦アイテム決定方法であって、ユーザと前記ユーザの会話相手との会話から取得した前記ユーザの音声信号に基づいて前記ユーザの感情指標を算出することと、前記ユーザの音声信号を音声認識して生成された発話テキストに基づいて性格要素指標を算出することと、前記感情指標及び前記性格要素指標に基づいて、前記ユーザの、感情指標及び性格要素指標に基づく第１の性格モデルを生成することと、複数の性格タイプの各々について、前記ユーザの第１の性格モデルと前記性格タイプの第１の性格モデルとの間の類似度である性格タイプ類似度をそれぞれ算出することと、算出された複数の前記性格タイプ類似度に基づいて、前記ユーザの、性格タイプ類似度に基づく第２の性格モデルを生成することと、前記第２の性格モデルで表現されたアイテム群の中から、１つ又は複数のアイテムを抽出することと、前記抽出された１つ又は複数のアイテムに基づいて推薦アイテムを決定することとを含む推薦アイテム決定方法を提供するものである。
　本発明の１つの態様は、前記方法をコンピュータに実行させるためのプログラムを提供するものである。
　本発明の１つの態様は、前記プログラムを記録したコンピュータ読み取り可能な記録媒体を提供するものである。
　本発明の１つの態様は、前記プログラムを前記コンピュータにインストールすることにより推薦アイテム決定システムを生成する方法を提供するものである。
　上記構成を有する本発明によれば、ユーザの行動履歴の蓄積データがなくとも、アイテムの推薦を行うことができるシステム、方法、プログラム、及びプログラムを記録した記録媒体を提供することができる。
　また、上記構成を有する本発明によれば、アイテムが推薦された理由の把握が容易で、アイテムを、ターゲットとするユーザ層により精度よく推薦できるように調整することを容易とすることを可能とするシステム、方法、プログラム、及びプログラムを記録した記録媒体を提供することができる。
　また、上記構成を有する本発明によれば、一例として、上記のシステム、方法、プログラム、及びプログラムを記録した記録媒体にも用いることができる性格モデルを生成するためのシステム、方法、プログラム、及びプログラムを記録した記録媒体を提供することができる。
本発明の第１の実施形態に係る推薦アイテム決定システムの全体構成を示す図である。 本発明の第１の実施形態に係る推薦アイテム決定システムのハードウエア構成を示す図である。 本発明の第１の実施形態に係る推薦アイテム決定処理の一例の概略フローチャートである。 本発明の第１の実施形態に係る音声関連情報取得処理の一例のフローチャートである。 本発明の第１の実施形態に係る性格モデル生成処理の一例のフローチャートである。 本発明の第１の実施形態に係る性格要素キーワードリストを示す図である。 本発明の第１の実施形態に係る性格タイプの第１の性格モデルテーブルを示す図である。 本発明の第１の実施形態に係る嗜好モデル生成・推薦アイテム決定処理の一例のフローチャートである。 本発明の第１の実施形態に係る嗜好モデル生成・推薦アイテム決定処理の一例のフローチャートである。 本発明の第１の実施形態に係るレストランの第２の性格モデルテーブルを示す図である。 本発明の第１の実施形態に係るトピックキーワードリストを示す図である。 本発明の第１の実施形態に係るレストランのトピックモデルテーブルを示す図である。 本発明の第２の実施形態に係る音声関連情報取得処理の一例のフローチャートである。 本発明の第２の実施形態に係る性格モデル生成処理の一例のフローチャートである。 本発明の第２の実施形態に係る嗜好モデル生成・推薦アイテム決定処理の一例のフローチャートである。 本発明の第２の実施形態に係る嗜好モデル生成・推薦アイテム決定処理の一例のフローチャートである。 本発明の第２の実施形態に係る旅行プランの第２の性格モデルテーブルを示す図である。 本発明の第２の実施形態に係るトピックキーワードリストを示す図である。 本発明の第２の実施形態に係る旅行プランのトピックモデルテーブルを示す図である。
　以下、本発明の実施形態について図面を参照して説明する。
（第１の実施形態）
　図１は、本発明の第１の実施形態に係る推薦アイテム決定システムの全体構成を示す図である。推薦アイテム決定システム１は、端末３とネットワーク２を介して接続されている。推薦アイテム決定システム１、端末３の各々は、１つの物理的な装置として構成される必要はなく、複数の物理的な装置から構成されてもよい。
　端末３としては、ＰＣ、スマートフォン、タブレット端末、携帯電話機等のマイクロフォンを備え、データ通信機能を有する任意の適切な端末を用いることができる。
　推薦アイテム決定システム１は、音声信号取得部１０１、音声分析部１０３、発話テキスト生成部１０５、感情指標算出部１０７、性格要素指標算出部１０９、第１の性格モデル生成部１１１、第１性格モデル類似度算出部１１３、第２性格モデル生成部１１５、主成分ベースアイテム抽出部１１７、トピックモデル生成部１１９、トピック類似度算出部１２１、推薦アイテム決定部１２３、第２性格モデル類似度算出部１２５、類似度ベースアイテム抽出部１２７、推薦アイテム出力部１２９、記憶部１３１、設定部１３３を備える。推薦アイテム決定システム１は、１つの物理的な装置として構成される必要はなく、複数の物理的な装置から構成されてもよい。
　音声信号取得部１０１は、ユーザとユーザの会話相手との会話の音声信号を取得する。
　音声分析部１０３は、音声信号取得部１０１により取得されたユーザとユーザの会話相手との会話の音声信号の音声分析を行って、発話区間を検出して話者識別を行うことにより、ユーザの発話区間とユーザの会話相手の発話区間を特定する。
　発話テキスト生成部１０５は、特定された客の発話区間の音声信号を音声認識して発話テキストを生成する。
　感情指標算出部１０７は、ユーザとユーザの会話相手との会話から取得したユーザの音声信号に基づいてユーザの感情指標を算出する。
　性格要素指標算出部１０９は、ユーザの音声信号を音声認識して生成された発話テキストに基づいて性格要素指標を算出する。
　第１の性格モデル生成部１１１は、算出された感情指標及び性格要素指標に基づいて、ユーザの、感情指標及び性格要素指標に基づく第１の性格モデルを生成する。
　第１性格モデル類似度算出部１１３は、複数の性格タイプの各々について、ユーザの第１の性格モデルと性格タイプの第１の性格モデルとの間の類似度である性格タイプ類似度をそれぞれ算出する。
　第２性格モデル生成部１１５は、算出された複数の性格タイプ類似度に基づいて、ユーザの、性格タイプ類似度に基づく第２の性格モデルを生成する。
　主成分ベースアイテム抽出部１１７は、第２の性格モデルで表現されたアイテム群の中から、ユーザの第２の性格モデルの主成分に対応する性格タイプが、その主成分に対応する第２の性格モデルで表現されたアイテムを抽出する。主成分ベースアイテム抽出部１１７と後述の類似度ベースアイテム抽出部１２７がアイテム抽出部に相当する。
　トピックモデル生成部１１９は、ユーザの音声信号又はユーザの発話テキストに基づいて、ユーザの、複数のトピックの各々についての関連度を表すトピックモデルを生成する。
　トピック類似度算出部１２１は、抽出されたアイテムの各々について、ユーザのトピックモデルとアイテムのトピックモデルとの間の類似度であるトピック類似度を算出する。
　推薦アイテム決定部１２３は、主成分ベースアイテム抽出部１１７及び／又は後述の類似度ベースアイテム抽出部１２７により抽出された１つ又は複数のアイテムに基づいて推薦アイテムを決定する。
　第２性格モデル類似度算出部１２５は、第２の性格モデルで表現されたアイテム群の各アイテムについて、ユーザの第２の性格モデルと、アイテムの第２の性格モデルとの類似度である第２の性格モデル類似度をそれぞれ算出する。
　類似度ベースアイテム抽出部１２７は、算出された複数の前記第２の性格モデル類似度に基づいて、前記アイテム群の中から１つ又は複数のアイテムを抽出する。
　推薦アイテム出力部１２９は、記憶部１３１に記憶された第１の推薦レストラン及び／又は第２の推薦レストランを、端末３への送信、ディスプレイ上での表示、音声等により出力する。
　記憶部１３１は、各種の情報を記憶する。記憶部１３１は、１つの物理的な装置として構成されてもよいし、複数の物理的な装置に分散して配置されてもよい。
　設定部１３３は、操作者からの入力等により、記憶部１３１の性格要素キーワードリスト５０１に記憶されたキーワード、性格タイプの第１の性格モデルテーブル５０３に記憶された感情指標及び性格要素指標の値、レストラン群の第２の性格モデルテーブル５０５に記憶された性格タイプ類似度、トピックキーワードリスト５０７に記憶されたキーワード、レストラン群のトピックモデルテーブル５０９に記憶されたトピックモデルの要素の値、旅行プラン群の第２の性格モデルテーブル６０５に記憶された性格タイプ類似度、トピックキーワードリストに記憶されたキーワード、旅行プラン群のトピックモデルテーブル６０９に記憶されたトピックモデルの要素の値等を設定、変更する。
　図２は、本発明の第１の実施形態に係る推薦アイテム決定システムのハードウエア構成を示す図である。推薦アイテム決定システム１は、ＣＰＵ１０ａ、ＲＡＭ１０ｂ、ＲＯＭ１０ｃ、外部メモリ１０ｄ、入力部１０ｅ、出力部１０ｆ、通信部１０ｇを含む。ＲＡＭ１０ｂ、ＲＯＭ１０ｃ、外部メモリ１０ｄ、入力部１０ｅ、出力部１０ｆ、通信部１０ｇは、システムバス１０ｈを介して、ＣＰＵ１０ａに接続されている。
　ＣＰＵ１０ａは、システムバス１０ｈに接続される各デバイスを統括的に制御する。
　ＲＯＭ１０ｃや外部メモリ１０ｄには、ＣＰＵ１０ａの制御プログラムであるＢＩＯＳやＯＳ、コンピュータが実行する機能を実現するために必要な各種プログラムやデータ等が記憶されている。
　ＲＡＭ１０ｂは、ＣＰＵの主メモリや作業領域等として機能する。ＣＰＵ１０ａは、処理の実行に際して必要なプログラム等をＲＯＭ１０ｃや外部メモリ１０ｄからＲＡＭ１０ｂにロードして、ロードしたプログラムを実行することで各種動作を実現する。
　外部メモリ１０ｄは、例えば、フラッシュメモリ、ハードディスク、ＤＶＤ－ＲＡＭ、ＵＳＢメモリ等から構成される。
　入力部１０ｅは、ユーザ等からの操作指示等を受け付ける。入力部１０ｅは、例えば、入力ボタン、キーボード、ポインティングデバイス、ワイヤレスリモコン、マイクロフォン、カメラ等の入力デバイスから構成される。
　出力部１０ｆは、ＣＰＵ１０ａで処理されるデータや、ＲＡＭ１０ｂ、ＲＯＭ１０ｃや外部メモリ１０ｄに記憶されるデータを出力する。出力部１０ｆは、例えば、ＣＲＴディスプレイ、ＬＣＤ、有機ＥＬパネル、プリンタ、スピーカ等の出力デバイスから構成される。
　通信部１０ｇは、ネットワークを介して又は直接、外部機器と接続・通信するためのインタフェースである。通信部１０ｇは、例えばシリアルインタフェース、ＬＡＮインタフェース等のインタフェースから構成される。
　物品管理システム１の各部は、ＲＯＭや外部メモリに記憶された各種プログラムが、ＣＰＵ、ＲＡＭ、ＲＯＭ、外部メモリ、入力部、出力部、通信部等を資源として使用することで実現される。
　以上のシステム構成を前提に、本発明の第１の実施形態に係る推薦アイテム決定システムの推薦アイテム決定処理の例を、図１～図１１等を参照して、以下に説明する。
　本実施形態では、ホテルのフロントで、ユーザである客が、フロント係にお薦めのレストランを尋ねている場合を例として説明する。
　図３は、本発明の第１の実施形態に係る推薦アイテム決定処理の一例の概略フローチャートである。本発明の第１の実施形態に係る推薦アイテム決定システムの推薦アイテム決定処理は、音声関連情報取得処理（Ｓ１）、性格モデル生成処理（Ｓ２）、嗜好モデル生成・推薦アイテム決定処理（Ｓ３）からなる。以下、それぞれの処理について詳しく説明する。
＜音声関連情報取得処理＞
　図４は、本発明の第１の実施形態に係る音声関連情報取得処理の一例のフローチャートである。
　ホテルのフロントに備えられた端末３がマイクロフォン（図示しない）を介して取得した客とフロント係との会話の音声信号が、端末３から、推薦アイテム決定システム１に送信され、音声信号取得部１０１により取得される（Ｓ１０１）。音声信号取得部１０１により取得される音声信号は、これに限定されるものではなく、他の任意の適切なユーザと任意の数のユーザの会話相手との会話の音声信号とすることができる。
　本実施形態においては、端末３から推薦アイテム決定システム１に送信された音声信号の客とフロント係の会話が、下記のようなものであった場合を例として説明する。

　客：今日の夕飯のレストランを探してるんですけど。
　フロント係：どのようなレストランがお好みですか？
　客：和風とかタイ料理とかがいいかな。
　フロント係：味の好みはありますか。
　客：せっかく旅行に来てるからいつも食べないようなオリジナリティのある料理がいいかな。パクチーとかナンプラーとか効いた料理もいいかも。有名なお店があればそれでもいいです。
　音声分析部１０３は、音声信号取得部１０１により取得された客とフロント係との会話の音声信号の音声分析を行って、発話区間を検出して話者識別を行うことにより、客の発話区間とフロント係の発話区間を特定する（Ｓ１０３）。
　発話テキスト生成部１０５は、Ｓ１０３で特定された客の発話区間の音声信号を音声認識して発話テキストを生成する（Ｓ１０５）。
＜性格モデル生成処理＞
　図５は、本発明の第１の実施形態に係る性格モデル生成処理の一例のフローチャートである。図６は、本発明の第１の実施形態に係る性格要素キーワードリストを示す図である。図７は、本発明の第１の実施形態に係る性格タイプの第１の性格モデルテーブルを示す図である。
　感情指標算出部１０７は、Ｓ１０３で特定された客の発話区間の音声信号に基づいて客の感情指標を算出する（Ｓ２０１）。具体的には、声の高さ、強さ、抑揚等に基づいて、感情度、理性度を要素とするベクトルを算出する。本実施形態においては、上記の会話における客の発話区間の音声信号に基づいて、感情度が０．６、理性度が０．４、すなわち（０．６，０．４）というベクトルの客の感情指標が算出される。ここで、感情度は、感情の動きが大きい度合いを示す指標で、理性度は、感情の動きが小さい度合いを示す指標である。感情指標は、これに限定されるものではなく、他の任意の適切な感情に関する指標とすることができ、またスカラー量、３次元以上のベクトル、行列等の他の任意の適切な表現の指標とすることができる。
　性格要素指標算出部１０９は、ステップＳ１０７で生成された客の発話テキストに基づいて性格要素指標を算出する（Ｓ２０３）。具体的には、以下のように性格要素指標を算出する。
　記憶部１３１には、図６に示される話者の性格を構成する性格要素の各々について、性格要素を示すキーワードのリストである性格要素キーワードリスト５０１が記憶されている。本実施形態においては、話者の革新性を示すキーワードのリストと話者の保守性を示すキーワードのリストを含む性格要素キーワードリスト５０１が記憶されている。性格要素指標算出部１０９は、性格要素キーワードリスト５０１を参照して、客の発話テキスト中の革新性キーワードと保守性キーワードの個数をカウントし、革新性キーワードと保守性キーワードの個数の合計に対する革新性キーワードと保守性キーワードのそれぞれの割合である革新度と保守度を要素とするベクトルを性格要素指標として算出する。本実施形態においては、客の発話テキストにおいて、「オリジナリティ」という革新性キーワードと、「有名」という保守性キーワードが存在するので、革新度が０．５、保守度が０．５、すなわち（０．５，０．５）というベクトルの客の性格要素指標が算出される。性格要素指標は、これに限定されるものではなく、他の任意の適切な性格を構成する要素とすることができ、またスカラー量、３次元以上のベクトル、行列等の他の任意の適切な表現の指標とすることができ、また正規化されていない数値とすることができる。
　第１性格モデル生成部１１１は、算出された客の感情指標及び性格要素指標に基づいて、客の第１の性格モデルを生成する（Ｓ２０５）。具体的には、本実施形態においては、客の感情指標と性格要素指標を要素とするベクトル（０．６，０．４，０．５，０．５）を第１の性格モデルとして生成する。第１の性格モデルは、これに限定されるものではなく、他の任意の適切な感情指標と性格要素指標を要素とするモデルとすることができ、また３次元以上のベクトル、行列等の他の任意の適切な表現の指標とすることができる。
　第１性格モデル類似度算出部１１３は、複数の性格タイプの各々について、客の第１の性格モデルと性格タイプの第１の性格モデルとの間の類似度である性格タイプ類似度をそれぞれ算出する（Ｓ２０７）。具体的には、以下のように性格タイプ類似度を算出する。
　記憶部１３１には、図７に示されるように、複数の性格タイプの各々についての第１の性格モデルが、オペレータからの入力等によって設定部１３３により予め設定され、性格タイプの第１の性格モデルテーブル５０３に記憶されている。本実施形態では、新しいことや革新的なことを好み、コミュニケーションに長け、挑戦的で、感情の起伏が大きいタイプ、保守的で、コミュニケーションに長け、同調的で、感情表現が豊かなタイプ、新しいことや革新的なことを好み、冷静かつ包括的に判断をするタイプ、保守的かつ冷静で、ち密で、安定性を好むタイプにそれぞれ対応する、「リーダー」、「調整役」、「スペシャリスト」、「名脇役」の４つの性格タイプの各々について、感情度、理性度、革新度、保守度の４つの要素からなるベクトル（例えば、「リーダー」について、ベクトル（１．０，０．５，１．０，０．０））が第１の性格モデルとして予め設定され、記憶部１３１に記憶されている。性格タイプは、これに限定されるものではなく、他の任意の適切な性格を表現する類型とすることができる。
　第１性格モデル類似度算出部１１３は、「リーダー」、「調整役」、「スペシャリスト」、「名脇役」の４つの性格タイプの各々について、ステップＳ２０５で生成された客の第１の性格モデルを表すベクトルと各性格タイプの第１の性格モデルを表すベクトルとの内積を計算することにより、性格タイプ類似度をそれぞれ算出する。本実施形態においては、「リーダー」、「調整役」、「スペシャリスト」、「名脇役」の４つの性格タイプの各々について、性格タイプ類似度が、それぞれ、１．３５、１．２、１．３、１．１５と算出される。
　第２性格モデル生成部１１５は、算出された複数の性格タイプ類似度に基づいて、客の、性格タイプ類似度に基づく第２の性格モデルを生成する（Ｓ２０９）。具体的には、本実施形態においては、「リーダー」、「調整役」、「スペシャリスト」、「名脇役」の４つの性格タイプの各々について、性格タイプ類似度を要素とするベクトル（１．３５，１．２，１．３，１．１５）を客の第２の性格モデルとして生成する。第２の性格モデルは、これに限定されるものではなく、他の任意の適切な性格タイプの性格タイプ類似度に基づくモデルとすることができ、また行列等の他の任意の適切な表現の指標とすることができる。
＜嗜好モデル生成・推薦アイテム決定処理＞
　図８Ａ、図８Ｂは、本発明の第１の実施形態に係る嗜好モデル生成・推薦アイテム決定処理の一例のフローチャートである。図９は、本発明の第１の実施形態に係るレストランの第２の性格モデルテーブルを示す図である。図１０は、本発明の第１の実施形態に係るトピックキーワードリストを示す図である。図１１は、本発明の第１の実施形態に係るレストランのトピックモデルテーブルを示す図である。
　主成分ベースアイテム抽出部１１７は、第２の性格モデルで表現されたアイテム群であるレストラン群の中から、ステップＳ２０７で生成された客の第２の性格モデルの主成分に対応する性格タイプが、その主成分に対応する第２の性格モデルで表現されたレストランを抽出する（Ｓ３０１）。具体的には、以下のようにレストランを抽出する。
　記憶部１３１には、図９に示されるように、レストラン群のレストランＡ～Ｅの各々についての第２の性格モデルが、オペレータからの入力等によって設定部１３３により予め設定され、レストランの第２の性格モデルテーブル５０５に記憶されている。ステップＳ２０９で生成された客の第２の性格モデルのベクトルの要素のうちで一番大きな値の要素は、「リーダー」についての性格タイプ類似度であるから、客の第２の性格モデルの主成分に対応する性格タイプは、「リーダー」となる。主成分ベースアイテム抽出部１１７は、ステップＳ２０７で生成された客の第２の性格モデルのベクトルの要素のうちで一番大きな値の要素を決定し、その要素に対応する性格タイプが「リーダー」であることを決定し、「リーダー」についての性格タイプ類似度が一番大きな値の要素であるレストランを、レストラン群から抽出する。本実施形態においては、「リーダー」についての性格タイプ類似度が一番大きな値の要素であるレストランは、レストランＡとレストランＤであるので、主成分ベースアイテム抽出部１１７は、レストランＡとレストランＤを抽出する。
　トピックモデル生成部１１９は、客の音声信号又は発話テキストに基づいて、客のトピックモデルを生成する（Ｓ３０３）。トピックモデルは、複数のトピックの各々についての関連度を表すモデルである。具体的には、以下のようにトピックモデルを生成する。
　本実施形態においては、トピックは、韓国料理（トピック１）、日本料理（トピック２）、タイ料理（トピック３）の３つのトピックである場合を例として説明する。
　記憶部１３１には、図１０に示されるように、各トピックについてのキーワードであるトピックキーワードのリストであるトピックキーワードリスト５０７が記憶されている。トピックモデル生成部１１９は、トピックキーワードリスト５０７を参照して、各トピックについて、客の発話テキスト中のトピックキーワードの個数をカウントし、各トピックキーワードの個数の合計に対する各トピックキーワードのそれぞれの割合であるトピック関連度を要素とするベクトルを客のトピックモデルとして生成する。トピックモデルは、これに限定されるものではなく、他の任意の適切なトピック関連度を要素とするモデルとすることができ、また３次元以上のベクトル、行列等の他の任意の適切な表現の指標とすることができる。また、トピック関連度は正規化されていない数値とすることができる。
　本実施形態においては、客の発話テキストにおいて、韓国料理のトピックキーワードは存在せず、「和風」という日本料理のトピックキーワードが１個と、「タイ」、「パクチー」、「ナンプラー」というタイ料理のトピックキーワードが３個存在するので、トピックモデル生成部１１９は、ベクトル（０，０．２５，０．７５）を客のトピックモデルとして生成する。
　トピック類似度算出部１２１は、ステップＳ３０１で抽出されたレストランの各々について、客のトピックモデルとアイテムのトピックモデルとの間の類似度であるトピック類似度を算出する（Ｓ３０５）。具体的には、以下のようにトピック類似度を算出する。
　記憶部１３１には、図１１に示されるように、レストラン群のレストランＡ～Ｅの各々についてのトピックモデルであるトピックベクトルが、オペレータからの入力等によって設定部１３３により予め設定され、レストランのトピックモデルテーブル５０９に記憶されている。例えば、レストランＡについては、トピックベクトルが、（０．２，０．５，０．３）であり、レストランＡは、トピック２の「日本料理」に関連がやや大きく、トピック１の「韓国料理」、トピック３の「タイ料理」には関連がやや小さいと設定されている。トピック類似度算出部１２１は、ステップＳ３０１で抽出されたレストランＡとレストランＤの各々について、ステップＳ３０３で生成された客のトピックベクトルとレストランのトピックベクトルとの内積を計算することにより、対応するトピック類似度をそれぞれ算出する。本実施形態においては、レストランＡとレストランＤの各々について、トピック類似度が、それぞれ、０．６８７、０．４５と算出される。
　推薦アイテム決定部１２３は、ステップＳ３０５で算出された複数のトピック類似度に基づいて第１の推薦アイテムである第１の推薦レストランを決定する（Ｓ３０７）。具体的には、ステップＳ３０５で算出された複数のトピック類似度の大きい順に所定のｎ１個のアイテムを第１の推薦レストランとして決定する。なお、第１の推薦レストランの決定手法は、複数のトピック類似度の大きい順に限定されるものでなく、複数のトピック類似度に基づく他の任意の適切な手法とすることができる。
　本実施形態においては、ｎ１＝２とし、推薦アイテム決定部１２３は、レストランＡとレストランＤを、この順に第１の推薦レストランとして決定し、記憶部１３１に記憶する（Ｓ３０９）。
　第２性格モデル類似度算出部１２５は、第２の性格モデルで表現されたレストラン群の各レストランについて、客の第２の性格モデルと、アイテムの第２の性格モデルとの類似度である第２の性格モデル類似度をそれぞれ算出する（Ｓ３１１）。具体的には、以下のように第２の性格モデル類似度を算出する。
　上述のように、記憶部１３１には、図９に示されるように、レストラン群のレストランＡ～Ｅの各々について第２の性格モデルが予め設定され、レストランの第２の性格モデルテーブル５０５に記憶されている。第２性格モデル類似度算出部１２５は、レストランＡ～Ｅの各々について、客の第２の性格モデルであるベクトルとレストランの第２の性格モデルであるベクトルとの内積を計算することにより、第２の性格モデル類似度をそれぞれ算出する。本実施形態においては、レストランＡ～Ｅの各々について、第２の性格モデル類似度が、それぞれ、１．６９５、２．１４、２．５６、２．４４５、１．９２と算出される。
　類似度ベースアイテム抽出部１２７は、ステップＳ３０９で算出された複数の第２の性格モデル類似度に基づいて、アイテム群であるレストラン群の中から１つ又は複数のレストランを抽出する（Ｓ３１３）。具体的には、本実施形態においては、類似度ベースアイテム抽出部１２７は、第２の性格モデル類似度の大きい順に所定のｍ個のレストランを抽出する。本実施形態においては、ｍ＝３とし、レストランＣ、レストランＤ、レストランＢの順にレストランが抽出される。なお、レストランの抽出手法は、第２の性格モデル類似度の大きい順に限定されるものでなく、第２の性格モデル類似度に基づく他の任意の適切な手法とすることができる。
　トピック類似度算出部１２１は、ステップ３０５と同様に、ステップＳ３１３で抽出されたレストランの各々について、トピック類似度を算出する（Ｓ３１５）。具体的には、トピック類似度算出部１２１は、ステップＳ３１３で抽出されたレストランＢ、レストランＣ、レストランＤの各々について、客のトピックベクトルとレストランのトピックベクトルとの内積を計算することにより、トピック類似度をそれぞれ算出する。本実施形態においては、レストランＢ、レストランＣ、レストランＤの各々について、トピック類似度が、それぞれ、０．１２５、０．５７５、０．４５と算出される。
　推薦アイテム決定部１２３は、ステップＳ３１３で算出された複数のトピック類似度に基づいて第２の推薦アイテムである第２の推薦レストランを決定する（Ｓ３１７）。具体的には、ステップＳ３１３で算出された複数のトピック類似度の大きい順に所定のｎ２個のレストランを第２の推薦レストランとしてその提示順位と共に決定する。なお、第２の推薦レストランの決定手法は、複数のトピック類似度の大きい順に限定されるものでなく、複数のトピック類似度に基づく他の任意の適切な手法とすることができる。
　推薦アイテム決定部１２３は、決定された第２の推薦旅行プランを記憶部１３１に記憶する（Ｓ３１９）。具体的には、本実施形態においては、ｎ２＝１とし、推薦アイテム決定部１２３は、レストランＣを第２の推薦レストランとしてその提示順位と共に決定し、記憶部１３１に記憶する。
　推薦アイテム出力部１２９は、記憶部１３１に記憶された第１の推薦レストランと第２の推薦レストランを端末３に送信し、端末３は、第１の推薦レストランと第２の推薦レストランを、ディスプレイ上での表示、音声等により提示する（Ｓ３２１）。具体的には、推薦アイテム出力部１２９は、記憶部１３１に記憶された第１の推薦旅行プラン及びその提示順位と第２の推薦旅行プラン及びその提示順位を端末３に送信し、端末３は、第１の推薦旅行プランと第２の推薦旅行プランを、第１の推薦旅行プラン、第２の推薦旅行プランの順にその提示順位にしたがって、ディスプレイ上での表示、音声等により提示する。なお、第２の推薦旅行プランの提示順位は決定、又は記憶部１３１に記憶されなくてもよいし、第１の推薦旅行プラン及び第２の推薦旅行プランの提示において、提示順位や提示の方法は任意の適切なものとすることができる。推薦アイテム出力部１２９による推薦アイテムの出力形態は、これに限定されるものではなく、推薦アイテム決定システム１の備えるディスプレイ上での表示やスピーカからの音声等の他の任意の適切な形態とすることができる。
　本実施形態によれば、ユーザとユーザの会話相手との会話から取得したユーザの音声信号に基づいて算出されたユーザの感情指標を用いて、ユーザの性格を表す性格モデル（第１の性格モデル）を生成しているので、より的確な性格モデルを生成することができる。
　本実施形態においては、複数の性格タイプの各々について第１の性格モデルを設定し、ユーザの第１の性格モデルと、性格タイプの第１の性格モデルとの間の類似度である性格タイプ類似度をそれぞれ算出し、算出された複数の性格タイプ類似度に基づいて、ユーザの、性格タイプ類似度に基づく第２の性格モデルを生成している。よって、第２の性格モデルは、性格タイプ類似度に基づいているので、人間が直感的に理解しやすい。したがって、本実施形態によれば、より的確な性格モデルである第１の性格モデルが、人間が直感的に理解しやすい性格モデルである第２の性格モデルに変換されて提供されることができる。
　また、本実施形態においては、人間が直感的に理解しやすい性格タイプ類似度に基づく第２の性格モデルを用いてアイテムの推薦が行われる。したがって、本実施形態によれば、アイテムの推薦の仕方の調整を、そのアイテムに設定された、人間が直感的に理解しやすい性格タイプ類似度の各々の値を調整することにより容易に行うことができる。
　また、本実施形態においては、感情指標及び性格要素指標に基づく第１の性格モデルが、性格タイプ類似度に基づく第２の性格モデルに変換され、変換された第２の性格モデルを用いてアイテムの推薦が行われる。したがって、本実施形態によれば、第１の性格モデルを構成する感情指標や性格要素指標の数を増やしても、性格タイプの数を変えなければ、第２の性格モデルを構成する性格タイプの類似度の数は変わらず、所定の数の人間が直感的に理解しやすい要素の値によって、アイテムが推薦された理由の把握やアイテムの推薦の仕方の調整を行うことができる。
　本実施形態においては、ユーザとユーザの会話相手との会話から取得したユーザの音声信号と、複数の性格タイプの各々について設定された第１の性格モデルと、アイテム群のアイテムの各々について設定された第２の性格モデルとに基づいて、推薦アイテムが決定される。したがって、本実施形態によれば、ユーザの行動履歴の蓄積の蓄積がなくとも、的確なアイテムの推薦を行うことができる。
　本実施形態においては、複数の性格タイプ類似度に基づく第２の性格モデルを用いてアイテムの推薦が行われるが、アイテム群の各々に設定された第２の性格モデルの主成分の性格タイプ類似度に基づくアイテムの推薦のみならず、第２の性格モデルの複数の性格タイプ類似度に基づくアイテムの推薦が行われる。したがって、第２の性格モデルの主成分の性格タイプ類似度に対応する性格タイプだけでなく、複数の性格タイプに対応する要素の値が考慮されたアイテムの推薦が行われるので、従来の推薦手法では推薦されなかったものの、推薦するに値するアイテム（本実施形態においては、「レストランＣ」）を推薦することができる。
　上記実施形態においては、類似度は、内積の値を用いたが、コサイン類似度、ピアソン相関、距離等の他の任意の適切な尺度を用いることができる。
　上記実施形態は、推薦アイテム決定システム１から端末３に決定された推薦アイテムが送信する構成であったが、推薦アイテム決定システム１の一部又は全部の機能が端末２に搭載されてもよい。
（第２の実施形態）
　本実施形態では、旅行代理店のカウンタで、ユーザである客が、店員にお薦めの旅行プランを尋ねている場合を例として説明する。第１の実施形態と重複する説明は省略する。また、第２の実施形態に係る推薦アイテム決定システムの全体構成、機能構成及びハードウエア構成は、第１の実施形態と同様であるので説明を省略する。
＜音声関連情報取得処理＞
　図１２は、本発明の第２の実施形態に係る音声関連情報取得処理の一例のフローチャートである。
　旅行代理店のカウンタに備えられた端末３がマイクロフォン（図示しない）を介して取得した客と店員との会話の音声信号が、端末３から、推薦アイテム決定システム１に送信され、音声信号取得部１０１により取得される（Ｓ４０１）。
　本実施形態においては、端末３から推薦アイテム決定システム１に送信された音声信号の客と店員の会話が、下記のようなものであった場合を例として説明する。

　　客：国内旅行のプランを探しているのですが。
　店員：どのような旅行プランがよろしいでしょうか？
　客：ある程度フリーな時間があるプランを探しています。ただ、自動車免許は持ってないので電車で回れるようなプランがいいです。
　店員：ご旅行は何名で行かれる予定ですか？
　客：まだ確定はしてませんが、少人数でたくさんまわりたいと考えています。
　店員：観光地はどのようなものを見たいですか？
　客：ネットにも載ってないような目新しいスポットがあれば是非行ってみたいです。ただ、有名どころも抑えたいです。
　音声分析部１０３は、音声信号取得部１０１により取得された客と店員との会話の音声信号の音声分析を行って、発話区間を検出して話者識別を行うことにより、客の発話区間と店員の発話区間を特定する（Ｓ４０３）。
　発話テキスト生成部１０５は、Ｓ４０３で特定された客の発話区間の音声信号を音声認識して発話テキストを生成する（Ｓ４０５）。
＜性格モデル生成処理＞
　図１３は、本発明の第２の実施形態に係る性格モデル生成処理の一例のフローチャートである。
　感情指標算出部１０７は、Ｓ４０３で特定された客の発話区間の音声信号に基づいて客の感情指標を算出する（Ｓ５０１）。本実施形態においては、上記の会話における客の発話区間の音声信号に基づいて、感情度が０．６、理性度が０．４、すなわち（０．６，０．４）というベクトルの客の感情指標が算出される。
　性格要素指標算出部１０９は、ステップＳ４０７で生成された客の発話テキストに基づいて性格要素指標を算出する（Ｓ５０３）。具体的には、以下のように性格要素指標を算出する。
　性格要素指標算出部１０９は、性格要素キーワードリスト５０１を参照して、客の発話テキスト中の革新性キーワードと保守性キーワードの個数をカウントし、革新性キーワードと保守性キーワードの個数の合計に対する革新性キーワードと保守性キーワードのそれぞれの割合である革新度と保守度を要素とするベクトルを性格要素指標として算出する。本実施形態においては、客の発話テキストにおいて、「目新しい」という革新性キーワードと、「有名」という保守性キーワードが存在するので、革新度が０．５、保守度が０．５、すなわち（０．５，０．５）というベクトルの客の性格要素指標が算出される。
　第１性格モデル生成部１１１は、算出された客の感情指標及び性格要素指標に基づいて、客の第１の性格モデルを生成する（Ｓ５０５）。具体的には、本実施形態においては、客の感情指標と性格要素指標を要素とするベクトル（０．６，０．４，０．５，０．５）を第１の性格モデルとして生成する。
　第１性格モデル類似度算出部１１３は、複数の性格タイプの各々について、客の第１の性格モデルと性格タイプの第１の性格モデルとの間の類似度である性格タイプ類似度をそれぞれ算出する（Ｓ５０７）。具体的には、以下のように性格タイプ類似度を算出する。
　第１性格モデル類似度算出部１１３は、「リーダー」、「調整役」、「スペシャリスト」、「名脇役」の４つの性格タイプの各々について、ステップＳ５０５で生成された客の第１の性格モデルを表すベクトルと各性格タイプの第１の性格モデルを表すベクトルとの内積を計算することにより、性格タイプ類似度をそれぞれ算出する。本実施形態においては、「リーダー」、「調整役」、「スペシャリスト」、「名脇役」の４つの性格タイプの各々について、性格タイプ類似度が、それぞれ、１．３５、１．２、１．３、１．１５と算出される。
　第２性格モデル生成部１１５は、算出された複数の性格タイプ類似度に基づいて、客の、性格タイプ類似度に基づく第２の性格モデルを生成する（Ｓ５０９）。具体的には、本実施形態においては、「リーダー」、「調整役」、「スペシャリスト」、「名脇役」の４つの性格タイプの各々について、性格タイプ類似度を要素とするベクトル（１．３５，１．２，１．３，１．１５）を客の第２の性格モデルとして生成する。
＜嗜好モデル生成・推薦アイテム決定処理＞
　図１４Ａ、図１４Ｂは、本発明の第２の実施形態に係る嗜好モデル生成・推薦アイテム決定処理の一例のフローチャートである。図１５は、本発明の第２の実施形態に係る旅行プランの第２の性格モデルテーブルを示す図である。図１６は、本発明の第２の実施形態に係るトピックキーワードリストを示す図である。図１７は、本発明の第２の実施形態に係る旅行プランのトピックモデルテーブルを示す図である。
　主成分ベースアイテム抽出部１１７は、第２の性格モデルで表現されたアイテム群である旅行プラン群の中から、ステップＳ５０７で生成された客の第２の性格モデルの主成分に対応する性格タイプが、その主成分に対応する第２の性格モデルで表現された旅行プランを抽出する（Ｓ６０１）。具体的には、以下のように旅行プランを抽出する。
　記憶部１３１には、図１５に示されるように、旅行プラン群の旅行プランＡ～Ｅの各々についての第２の性格モデルが予め設定され、旅行プランの第２の性格モデルテーブル６０５に記憶されている。ステップＳ５０７で生成された客の第２の性格モデルのベクトルの要素のうちで一番大きな値の要素は、「リーダー」についての性格タイプ類似度であるから、客の第２の性格モデルの主成分に対応する性格タイプは、「リーダー」となる。主成分ベースアイテム抽出部１１７は、ステップＳ５０９で生成された客の第２の性格モデルのベクトルの要素のうちで一番大きな値の要素を決定し、その要素に対応する性格タイプが「リーダー」であることを決定し、「リーダー」についての性格タイプ類似度が一番大きな値の要素である旅行プランを、旅行プラン群から抽出する。本実施形態においては、「リーダー」についての性格タイプ類似度が一番大きな値の要素である旅行プランは、旅行プランＡと旅行プランＤであるので、主成分ベースアイテム抽出部１１７は、旅行プランＡと旅行プランＤを抽出する。
　トピックモデル生成部１１９は、客の音声信号又は発話テキストに基づいて、客のトピックモデルを生成する（Ｓ６０３）。トピックモデルは、複数のトピックの各々についての関連度を表すモデルである。具体的には、以下のようにトピックモデルを生成する。
　本実施形態においては、トピックは、有名観光名所めぐり（トピック１）、パッケージプラン（トピック２）、フリープラン（トピック３）の３つのトピックである場合を例として説明する。
　記憶部１３１には、図１６に示されるように、各トピックについてのキーワードであるトピックキーワードのリストであるトピックキーワードリスト６０７が記憶されている。トピックモデル生成部１１９は、トピックキーワードリスト６０７を参照して、各トピックについて、客の発話テキスト中のトピックキーワードの個数をカウントし、各トピックキーワードの個数の合計に対する各トピックキーワードのそれぞれの割合であるトピック関連度を要素とするベクトルを客のトピックモデルとして生成する。
　本実施形態においては、客の発話テキストにおいて、有名観光名所めぐりのトピックキーワードは存在せず、「たくさん」というパッケージプランのトピックキーワードが１個と、「フリー」、「電車」、「少人数」というフリープランのトピックキーワードが３個存在するので、トピックモデル生成部１１９は、ベクトル（０，０．２５，０．７５）を客のトピックモデルとして生成する。
　トピック類似度算出部１２１は、ステップＳ６０１で抽出された旅行プランの各々について、客のトピックモデルとアイテムのトピックモデルとの間の類似度であるトピック類似度を算出する（Ｓ６０５）。具体的には、以下のようにトピック類似度を算出する。
　記憶部１３１には、図１７に示されるように、旅行プラン群の旅行プランＡ～Ｅの各々についてのトピックモデルであるトピックベクトルが予め設定され、旅行プランのトピックモデルテーブル６０９に記憶されている。例えば、旅行プランＡについては、トピックベクトルが、（０．８，０．１，０．１）であり、旅行プランＡは、トピック１の「有名観光名所めぐり」に関連が大きく、トピック２の「パッケージプラン」、トピック３の「フリープラン」には関連が小さいと設定されている。トピック類似度算出部１２１は、ステップＳ６０１で抽出された旅行プランＡと旅行プランＤの各々について、ステップＳ６０３で生成された客のトピックベクトルと旅行プランのトピックベクトルとの内積を計算することにより、対応するトピック類似度をそれぞれ算出する。本実施形態においては、旅行プランＡと旅行プランＤの各々について、トピック類似度が、それぞれ、０．１、０．４と算出される。
　推薦アイテム決定部１２３は、ステップＳ６０５で算出された複数のトピック類似度に基づいて第１の推薦アイテムである第１の推薦旅行プランを決定する（Ｓ６０７）。具体的には、ステップＳ６０５で算出された複数のトピック類似度の大きい順に所定のｎ１個のアイテムを第１の推薦旅行プランとして決定する。
　本実施形態においては、ｎ１＝２とし、推薦アイテム決定部１２３は、旅行プランＤと旅行プランＡを、この順に第１の推薦旅行プランとして決定し、記憶部１３１に記憶する（Ｓ６０９）。
　第２性格モデル類似度算出部１２５は、第２の性格モデルで表現された旅行プラン群の各アイテムについて、客の第２の性格モデルと、アイテムの第２の性格モデルとの類似度である第２の性格モデル類似度をそれぞれ算出する（Ｓ６１１）。具体的には、以下のように第２の性格モデル類似度を算出する。
　上述のように、記憶部１３１には、図１５に示されるように、旅行プラン群の旅行プランＡ～Ｅの各々について第２の性格モデルが、オペレータからの入力等によって設定部１３３により予め設定され、旅行プランの第２の性格モデルテーブル５０５に記憶されている。第２性格モデル類似度算出部１２５は、旅行プランＡ～Ｅの各々について、客の第２の性格モデルであるベクトルと旅行プランの第２の性格モデルであるベクトルとの内積を計算することにより、第２の性格モデル類似度をそれぞれ算出する。本実施形態においては、旅行プランＡ～Ｅの各々について、第２の性格モデル類似度が、それぞれ、１．６９５、２．７９２、２．５６、２．４４５、１．９２と算出される。
　類似度ベースアイテム抽出部１２７は、ステップＳ６０９で算出された複数の第２の性格モデル類似度に基づいて、アイテム群である旅行プラン群の中から１つ又は複数の旅行プランを抽出する（Ｓ６１３）。具体的には、本実施形態においては、類似度ベースアイテム抽出部１２７は、第２の性格モデル類似度の大きい順に所定のｍ個の旅行プランを抽出する。本実施形態においては、ｍ＝３とし、旅行プランＢ、旅行プランＣ、旅行プランＤの順に旅行プランが抽出される。
　トピック類似度算出部１２１は、ステップ６０５と同様に、ステップＳ３１３で抽出された旅行プランの各々について、トピック類似度を算出する（Ｓ６１５）。具体的には、トピック類似度算出部１２１は、ステップＳ３１３で抽出された旅行プランＢ、旅行プランＣ、旅行プランＤの各々について、客のトピックベクトルと旅行プランのトピックベクトルとの内積を計算することにより、トピック類似度をそれぞれ算出する。本実施形態においては、旅行プランＢ、旅行プランＣ、旅行プランＤの各々について、トピック類似度が、それぞれ、０．４２５、０．３５、０．４と算出される。
　推薦アイテム決定部１２３は、ステップＳ６１３で算出された複数のトピック類似度に基づいて第２の推薦アイテムである第２の推薦旅行プランを決定する（Ｓ６１７）。具体的には、ステップＳ６１３で算出された複数のトピック類似度の大きい順に所定のｎ２個の旅行プランを第２の推薦旅行プランとしてその提示順位と共に決定する。
　推薦アイテム決定部１２３は、決定された第２の推薦旅行プランを記憶部１３１に記憶する（Ｓ６１９）。具体的には、本実施形態においては、ｎ２＝１とし、推薦アイテム決定部１２３は、旅行プランＢを第２の推薦旅行プランとしてその提示順位と共に決定し、記憶部１３１に記憶する。
　推薦アイテム出力部１２９は、記憶部１３１に記憶された第１の推薦旅行プランと第２の推薦旅行プランを端末３に送信し、端末３は、第１の推薦旅行プランと第２の推薦旅行プランを、ディスプレイ上での表示、音声等により提示する（Ｓ６２１）。
　本実施形態によれば、上述の第１の実施形態と同様の作用効果が得られる。特に、アイテムの推薦の仕方の調整を、そのアイテムに設定された、人間が直感的に理解しやすい性格タイプ類似度の各々の値を調整することにより容易に行うことができる点について以下説明する。
　旅行プランＢは、全日程のうち、数日が観光名所を訪れるものであり、数日が自由行動のものである。いま、旅行代理店で自由行動日程を含む旅行プランのキャンペーンを行うことになった場合を考えると、機械が取得したデータに基づく第１の性格モデルが、人間が直感的に理解しやすい性格タイプ類似度を要素とする第２の性格モデルに変換されているため、旅行プランＢの第２の性格モデルにおいて、自由行動日程を好むと考えられる性格タイプであるリーダー及びスペシャリストの性格タイプ類似度の値を大きくするように調整することにより、リーダーの性格タイプ類似度の値が大きいユーザ及びスペシャリストの性格タイプ類似度の値が大きいユーザに、旅行プランＢを提示順位の高い推薦旅行プランとして提示することが容易にできる。
　例えば、旅行プランＢの第２の性格モデルにおいて、リーダーの性格タイプの類似度を０．６から０．８に、スペシャリストの性格タイプ類似度を０．４から０．５に変更する場合を考える。この場合、例えば、旅行代理店の本部の従業員が、ネットワーク２を介して推薦アイテム決定システム１に接続された、旅行代理店の本部に備えられた端末（図示せず）のディスプレイに表示された、旅行プランＢの第２の性格モデルの各性格タイプ類似度から、「リーダー」及び「スペシャリスト」についての性格モデル類似度を選択し、「リーダー」についての性格モデル類似度を０．６から０．８に、スペシャリストの性格タイプ類似度を０．４から０．５に変更する入力を行い、該入力が端末から推薦アイテム決定システム１に送信され、設定部１３３が、記憶部１３１の旅行プラン群の第２の性格モデルテーブルに記憶された旅行プランＢの第２の性格モデルの「リーダー」及び「スペシャリスト」についての性格モデル類似度を０．６から０．８、０．４から０．５にそれぞれ更新する。この場合、ユーザである客の第２の性格モデルのベクトルの要素のうちで一番大きな値の要素は、「リーダー」についての性格タイプ類似度であるから、客の第２の性格モデルの主成分に対応する性格タイプは、「リーダー」となる。このリーダー及びスペシャリストの性格タイプの類似度の変更によって、旅行プランＢも「リーダー」についての性格タイプ類似度が一番大きな値の要素である旅行プランとなるから、ステップＳ６０１において、主成分ベースアイテム抽出部１１７によって、旅行プランＢが、旅行プランＡ、旅行プランＤと共に第１の推薦旅行プランの候補として抽出される。そして、ステップＳ６０５において、トピック類似度算出部１２１によって、旅行プランＡ、旅行プランＢ、旅行プランＤの各々について、トピック類似度が、それぞれ、０．１、０．４２５、０．４と算出され、ステップＳ６０７において、推薦アイテム決定部１２３によって、旅行プランＡ、旅行プランＢ、旅行プランＤの中から、トピック類似度の大きい順に、旅行プランＢと旅行プランＤが第１の推薦旅行プランとして決定され、Ｓ６２１において、推薦アイテム出力部１２９によって、旅行プランＢが提示順位１位でユーザに対して提示される。
　以上、本発明について、例示のためにいくつかの実施形態に関して説明してきたが、本発明はこれに限定されるものでなく、本発明の範囲及び精神から逸脱することなく、形態及び詳細について、様々な変形及び修正を行うことができることは、当業者に明らかであろう。
１　推薦アイテム決定システム
１０１　音声信号取得部
１０３　音声分析部
１０５　発話テキスト生成部
１０７　感情指標算出部
１０９　性格要素指標算出部
１１１　第１性格モデル生成部
１１３　第１性格モデル類似度算出部
１１５　第２性格モデル生成部
１１７　主成分ベースアイテム抽出部
１１９　トピックモデル生成部
１２１　トピック類似度算出部
１２３　推薦アイテム決定部
１２５　第２性格モデル類似度算出部
１２７　類似度ベースアイテム抽出部
１２９　推薦アイテム出力部
１３１　記憶部
１０ａ　ＣＰＵ
１０ｂ　ＲＡＭ
１０ｃ　ＲＯＭ
１０ｄ　外部メモリ
１０ｅ　入力部
１０ｆ　出力部
１０ｇ　通信部
１０ｈ　システムバス
２　ネットワーク
３　端末
５０１　性格要素キーワードリスト
５０３　性格タイプの第１の性格モデルテーブル
５０５　レストラン群の第２の性格モデルテーブル
５０７　トピックキーワードリスト
５０９　レストラン群のトピックモデルテーブル
６０５　旅行プラン群の第２の性格モデルテーブル
６０７　トピックキーワードリスト
６０９　旅行プラン群のトピックモデルテーブル

Claims (20)

  1. 　ユーザと前記ユーザの会話相手との会話から取得した前記ユーザの音声信号に基づいて前記ユーザの感情指標を算出する感情指標算出部と、
    　前記ユーザの音声信号を音声認識して生成された発話テキストに基づいて性格要素指標を算出する性格要素指標算出部と、
    　前記感情指標及び前記性格要素指標に基づいて、前記ユーザの、感情指標及び性格要素指標に基づく第１の性格モデルを生成する第１性格モデル生成部と、
    　複数の性格タイプの各々について、前記ユーザの第１の性格モデルと前記性格タイプの第１の性格モデルとの間の類似度である性格タイプ類似度をそれぞれ算出する第１性格モデル類似度算出部と、
    　算出された複数の前記性格タイプ類似度に基づいて、前記ユーザの、性格タイプ類似度に基づく第２の性格モデルを生成する第２性格モデル生成部と、
    　前記第２の性格モデルで表現されたアイテム群の中から、１つ又は複数のアイテムを抽出するアイテム抽出部と、
    　前記抽出された１つ又は複数のアイテムに基づいて推薦アイテムを決定する推薦アイテム決定部と、
    を備える推薦アイテム決定システム。
  2. 　前記複数の性格タイプのうちの少なくとも１つの性格タイプの第１の性格モデルの感情指標及び／又は性格要素指標の値、及び／又は前記アイテム群のうちの少なくとも１つのアイテムの第２の性格モデルの性格タイプ類似度のうちの少なくとも１つを設定及び／又は変更する設定部を更に備える請求項１に記載の推薦アイテム決定システム。
  3. 　前記ユーザの音声信号又は前記ユーザの発話テキストに基づいて、前記ユーザの、複数のトピックの各々についての関連度を表すトピックモデルを生成するトピックモデル生成部と、
    　前記抽出されたアイテムの各々について、前記ユーザのトピックモデルと前記アイテムのトピックモデルとの間の類似度であるトピック類似度を算出するトピック類似度算出部と、
    を更に備え、
    　前記推薦アイテム決定部は、算出された複数の前記トピック類似度に基づいて推薦アイテムを決定する請求項１又は２に記載の推薦アイテム決定システム。
  4. 　前記設定部は、更に、前記アイテムのトピックモデルの要素のうちの少なくとも１つの値を設定及び／又は変更する請求項１～３のいずれか１項に記載の推薦アイテム決定システム。
  5. 　前記アイテム抽出部は、前記第２の性格モデルで表現されたアイテム群の中から、前記ユーザの第２の性格モデルの主成分に対応する性格タイプが、その主成分に対応する第２の性格モデルで表現されたアイテムを抽出する請求項１～４のいずれか１項に記載の推薦アイテム決定システム。
  6. 　前記第２の性格モデルで表現されたアイテム群の各アイテムについて、前記ユーザの第２の性格モデルと、前記アイテムの第２の性格モデルとの類似度である第２の性格モデル類似度をそれぞれ算出する第２性格モデル類似度算出部を更に備え、
    　前記アイテム抽出部は、算出された複数の前記第２の性格モデル類似度に基づいて、前記アイテム群の中から１つ又は複数のアイテムを抽出する請求項１～５のいずれか１項に記載の推薦アイテム決定システム。
  7. 　前記第２の性格モデルで表現されたアイテム群の各アイテムについて、前記ユーザの第２の性格モデルと、前記アイテムの第２の性格モデルとの類似度である第２の性格モデル類似度をそれぞれ算出する第２性格モデル類似度算出部を更に備え、
    　前記アイテム抽出部は、主成分ベースアイテム抽出部と類似度ベースアイテム抽出部を含み、
    　前記主成分ベースアイテム抽出部は、前記第２の性格モデルで表現されたアイテム群の中から、前記ユーザの第２の性格モデルの主成分に対応する性格タイプが、その主成分に対応する第２の性格モデルで表現されたアイテムを抽出し、
    　前記類似度アイテム抽出部は、算出された複数の前記第２の性格モデル類似度に基づいて、前記アイテム群の中から１つ又は複数のアイテムを抽出し、
    　前記推薦アイテム決定部は、前記主成分ベースアイテム抽出部により算出された複数の前記トピック類似度に基づいて第１の推薦アイテムを決定し、前記類似度ベースアイテム抽出部により算出された複数の前記トピック類似度に基づいて第２の推薦アイテムを決定し、前記第１の推薦アイテムと前記第２の推薦アイテムを推薦アイテムとして決定する請求項１～６のいずれか１項に記載の推薦アイテム決定システム。
  8. 　前記感情指標は、感情度と理性度からなる請求項１～７のいずれか１項に記載の推薦アイテム決定システム。
  9. 　前記性格要素指標は、革新度と保守度からなる請求項１～８のいずれか１項に記載の推薦アイテム決定システム。
  10. 　前記第１の性格モデル及び／又は前記第２の性格モデルは、ベクトルで表現されるものである請求項１～９のいずれか１項に記載の推薦アイテム決定システム。
  11. 　前記第２の性格モデルは、感情度、理性度、革新度、保守度を要素とする請求項１～１０のいずれか１項に記載の推薦アイテム決定システム。
  12. 　前記複数の性格タイプは、新しいことや革新的なことを好み、コミュニケーションに長け、挑戦的で、感情の起伏が大きいタイプ、保守的で、コミュニケーションに長け、同調的で、感情表現が豊かなタイプ、新しいことや革新的なことを好み、冷静かつ包括的に判断をするタイプ、保守的かつ冷静で、ち密で、安定性を好むタイプである請求項１～１１のいずれか１項に記載の推薦アイテム決定システム。
  13. 　前記ユーザのトピックベクトルは、各トピックについて予め設定された少なくとも１つのキーワードが前記発話テキストに登場した回数に基づく数値を要素とする請求項１～１２のいずれか１項に記載の推薦アイテム決定システム。
  14. 　ユーザと前記ユーザの会話相手との会話から取得した前記ユーザの音声信号に基づいて前記ユーザの感情指標を算出する感情指標算出部と、
    　前記ユーザの音声信号を音声認識して生成された発話テキストに基づいて性格要素指標を算出する性格要素指標算出部と、
    　前記感情指標及び前記性格要素指標に基づいて、前記ユーザの、感情指標及び性格要素指標に基づく第１の性格モデルを生成する第１性格モデル生成部と、
    　複数の性格タイプの各々について、前記ユーザの第１の性格モデルと前記性格タイプの第１の性格モデルとの間の類似度である性格タイプ類似度をそれぞれ算出する第１性格モデル類似度算出部と、
    　算出された複数の前記性格タイプ類似度に基づいて、前記ユーザの、性格タイプ類似度に基づく第２の性格モデルを生成する第２性格モデル生成部と、
    を備える性格モデル生成システム。
  15. 　前記複数の性格タイプのうちの少なくとも１つの性格タイプの第１の性格モデルの感情指標及び／又は性格要素指標の値、及び／又は前記アイテム群のうちの少なくとも１つのアイテムの第２の性格モデルの性格タイプ類似度のうちの少なくとも１つを設定及び／又は変更する設定部を更に備える請求項１４に記載の性格モデル生成システム。
  16. 　ユーザと前記ユーザの会話相手との会話から取得した前記ユーザの音声信号に基づいて前記ユーザの感情指標を算出する感情指標算出部と、
    　前記ユーザの音声信号を音声認識して生成された発話テキストに基づいて性格要素指標を算出する性格要素指標算出部と、
    　前記感情指標及び前記性格要素指標に基づいて、前記ユーザの、感情指標及び性格要素指標に基づく第１の性格モデルを生成する第１性格モデル生成部と、
    を備える性格モデル生成システム。
  17. 　コンピュータにより実行される推薦アイテム決定方法であって、
    　ユーザと前記ユーザの会話相手との会話から取得した前記ユーザの音声信号に基づいて前記ユーザの感情指標を算出することと、
    　前記ユーザの音声信号を音声認識して生成された発話テキストに基づいて性格要素指標を算出することと、
    　前記感情指標及び前記性格要素指標に基づいて、前記ユーザの、感情指標及び性格要素指標に基づく第１の性格モデルを生成することと、
    　複数の性格タイプの各々について、前記ユーザの第１の性格モデルと前記性格タイプの第１の性格モデルとの間の類似度である性格タイプ類似度をそれぞれ算出することと、
    　算出された複数の前記性格タイプ類似度に基づいて、前記ユーザの、性格タイプ類似度に基づく第２の性格モデルを生成することと、
    　前記第２の性格モデルで表現されたアイテム群の中から、１つ又は複数のアイテムを抽出することと、
    　前記抽出された１つ又は複数のアイテムに基づいて推薦アイテムを決定することと、
    を含む推薦アイテム決定方法。
  18. 　請求項１７に記載の方法をコンピュータに実行させるためのプログラム。
  19. 　請求項１８に記載のプログラムを記録したコンピュータ読み取り可能な記録媒体。
  20. 　請求項１９に記載のプログラムを前記コンピュータにインストールすることにより推薦アイテム決定システムを生成する方法。
PCT/JP2019/051586 2019-12-27 2019-12-27 推薦アイテム決定及び性格モデル生成のためのシステム、方法、プログラム、及びプログラムを記録した記録媒体 WO2021131065A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2019/051586 WO2021131065A1 (ja) 2019-12-27 2019-12-27 推薦アイテム決定及び性格モデル生成のためのシステム、方法、プログラム、及びプログラムを記録した記録媒体
JP2021566762A JP7072967B2 (ja) 2019-12-27 2019-12-27 推薦アイテム決定及び性格モデル生成のためのシステム、方法、プログラム、及びプログラムを記録した記録媒体
US17/757,993 US20230055597A1 (en) 2019-12-27 2019-12-27 System, Method, Program and Recording Medium Recording Program for Recommendation Item Determination and Personality Model Generation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/051586 WO2021131065A1 (ja) 2019-12-27 2019-12-27 推薦アイテム決定及び性格モデル生成のためのシステム、方法、プログラム、及びプログラムを記録した記録媒体

Publications (1)

Publication Number Publication Date
WO2021131065A1 true WO2021131065A1 (ja) 2021-07-01

Family

ID=76572970

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/051586 WO2021131065A1 (ja) 2019-12-27 2019-12-27 推薦アイテム決定及び性格モデル生成のためのシステム、方法、プログラム、及びプログラムを記録した記録媒体

Country Status (3)

Country Link
US (1) US20230055597A1 (ja)
JP (1) JP7072967B2 (ja)
WO (1) WO2021131065A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113742687A (zh) * 2021-08-31 2021-12-03 深圳时空数字科技有限公司 一种基于人工智能的物联网控制方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210383398A1 (en) * 2020-06-08 2021-12-09 Bank Of America Corporation Methods, devices, and systems for mobile device operations during telephone calls

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006071936A (ja) * 2004-09-01 2006-03-16 Matsushita Electric Works Ltd 対話エージェント
JP2016024636A (ja) * 2014-07-18 2016-02-08 ヤフー株式会社 制御装置、制御方法および制御プログラム
JP2018085120A (ja) * 2017-12-14 2018-05-31 ヤフー株式会社 装置、方法及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006071936A (ja) * 2004-09-01 2006-03-16 Matsushita Electric Works Ltd 対話エージェント
JP2016024636A (ja) * 2014-07-18 2016-02-08 ヤフー株式会社 制御装置、制御方法および制御プログラム
JP2018085120A (ja) * 2017-12-14 2018-05-31 ヤフー株式会社 装置、方法及びプログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113742687A (zh) * 2021-08-31 2021-12-03 深圳时空数字科技有限公司 一种基于人工智能的物联网控制方法及系统
CN113742687B (zh) * 2021-08-31 2022-10-21 深圳时空数字科技有限公司 一种基于人工智能的物联网控制方法及系统

Also Published As

Publication number Publication date
JPWO2021131065A1 (ja) 2021-07-01
JP7072967B2 (ja) 2022-05-23
US20230055597A1 (en) 2023-02-23

Similar Documents

Publication Publication Date Title
JP6413256B2 (ja) 会議支援装置、会議支援装置の制御方法、及びプログラム
US20150113006A1 (en) Systems, devices and methods for list display and management
EP2998913A1 (en) Scheduling method, apparatus, and program
JP7072967B2 (ja) 推薦アイテム決定及び性格モデル生成のためのシステム、方法、プログラム、及びプログラムを記録した記録媒体
CN110309388A (zh) 数据对象信息违法风险识别方法、装置以及计算机系统
CN112672188B (zh) 一种主播推荐方法、设备及存储介质
JP6593873B2 (ja) 情報分析装置及び情報分析方法
JP7082904B2 (ja) 組織情報処理装置、組織情報処理方法、およびプログラム
WO2021070641A1 (ja) 管理サーバおよび商品検索方法
JP2019144978A (ja) 情報処理装置、情報処理方法、およびプログラム
JP2011248444A (ja) 表示制御装置およびそれを用いたプレゼンテーション方法
JP6571231B1 (ja) 検索装置および方法
US20210097884A1 (en) Work support apparatus, work support system, and work support method
JP2019049953A (ja) 顧客分類システム
JP5092720B2 (ja) 商品説明内容書き起こし支援プログラム、装置、および、方法。
US20210286850A1 (en) Systems and methods for generating a search query using flexible autocomplete menus
JP4940891B2 (ja) 商品紹介ロボット、商品紹介方法および商品紹介情報処理プログラム
JP6898822B2 (ja) 楽曲リコメンド装置
JP6995282B1 (ja) コンテンツ配信方法、装置、及びプログラム
Suryadi et al. Analysis of Topic and Sentiment Trends in Customer Reviews Before and After Covid-19 Pandemic
JP7371284B1 (ja) 文章作成支援システム、情報処理方法及びプログラム
JP2019046428A (ja) 服飾品分類システム
JP7141882B2 (ja) リモコン装置
JP2018055270A (ja) プレゼンテーション資料生成装置、プレゼンテーション資料生成システム、コンピュータプログラム及びプレゼンテーション資料生成方法
JP6914989B2 (ja) 編集支援システム、および編集支援方法

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: 19957904

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021566762

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19957904

Country of ref document: EP

Kind code of ref document: A1