JP4494841B2 - 情報提示装置、情報提示方法およびプログラム - Google Patents

Description

ベイジアンネットのモデルを用いて確率的に適した提示対象を被提示者に提示する情報提示装置に関する。

情報技術の適用範囲が飛躍的に拡大している現在、これまでコンピュータにとっては扱いにくかった不確実で非明示的な情報を取り扱うことが必要になってきている。例えば、インターネットショッピングにおいて、顧客のニーズを以前の取引履歴や顧客管理情報から読み取り、目の前の顧客に最適な情報を推奨するリコメンデーションシステムの場合を考えてみる。顧客リストの中から目の前の顧客に最も近い購買パターンを見つけるとしても年齢や性別が同じだからといって同じ嗜好性を持っているとは限らない。また顧客が、登録時に申請したアンケートと同じ嗜好性をいつまでも持ち続けているとも限らない。そこで、顧客のアクション（ＷＷＷブラウジング履歴など）や属性、アンケート情報から総合的に判断して嗜好性を予測することが必要となるわけだが、必ずしも一つの答えとして決定できるとは限らない。対象となる候補は同時に複数存在することもあり得る。そして、それぞれの候補についても「これまで見ていたＷＷＷページから、ユーザはおそらくサッカー関連の情報に興味がある可能性が高い」といった漠然とした不確実性を伴ったものとして扱うことが自然である。

こうした問題においては、確率的な枠組みが有効である。サッカー関連の商品に興味のある可能性が６０％、旅行に興味のある可能性が３０％などというように複数の候補に確信度をつけ、不確実性を含んだ状態で取り扱うことができる。そして、直前に見ていたページが例えば韓国に関するものであった場合に、ワールドカップサッカー関連の情報、旅行関連情報、料理関連情報のそれぞれに興味のある確率を計算して、目の前の顧客が最も高い確率で関心を持つと思われる対象を提供することが考えられる。またこの確率を計算するには様々な多くの要因（例えばアンケートで答えた趣味など）を考慮に入れて、その間の依存関係（スポーツが趣味ならサッカーに興味がある可能性が高いなど）を利用することでより精度の高い予測が可能になる。

このような複数の要因の依存関係に基づいて確率計算を行う情報処理モデルとしてベイジアンネットが最近、様々な分野で注目を集めている。ベイジアンネットとは（１）確率変数と（２）確率変数間の条件付依存関係、（３）その条件付確率の３つによって定義されるネットワーク状の確率モデルである。（１）はノード、（２）はノード間に張った有向リンクで表され、リンクの先に来るノードを子ノード、リンクの元にあるノードを親ノードと呼ぶ。（３）は親ノードがある値をとった時に、子ノードがある値をとる条件付確率で、離散変数の場合にはＰ（子ノード＝ｙ｜親ノード＝ｘ１，ｘ２，．．．）＝ｐのような、子ノードと親ノードがとる全ての状態のそれぞれにおける確率値を列挙した表（条件付き確率表）の形で表現する（非特許文献１）。

前述のリコメンデーションシステムは、ベイジアンネットを用いて実現することができる。具体的には、リコメンデーションシステムは、例えば、顧客の属性やリコメンデーションを受ける状況等と、顧客の関心の高さとの関係を表現したベイジアンネットのモデルをあらかじめ記憶しておく。そして、リコメンデーションシステムは、リコメンデーションの対象となる顧客の属性やそのときの状況などと共に、リコメンデーションの候補となる対象の属性をベイジアンネットのモデルに設定し、確率伝搬と呼ばれる計算を行って顧客の関心の高さを推論し、その推論結果に基づいて顧客に関心の高い対象を推奨する。
本村陽一「ベイジアンネットソフトウェア」、人工知能学会論文誌、第１７巻 ５号ａ（２００２年）

上記したリコメンデーションシステムにおいて、リコメンデーションの候補となるすべての対象について確率推論を行って顧客の関心の高さを求めると、リコメンデーションの候補の数に応じて計算量が増加する。従って、多数のリコメンデーションの候補がある場合には、提示対象を求めるための計算処理の負担が大きくなる。

本発明は、上記背景に鑑み、提示対象を求めるための計算処理の負担を軽減した情報提示装置を提供することを目的とする。

本発明の情報提示装置は、ベイジアンネットのモデルを用いて確率的に適した提示対象を被提示者に提示する情報提示装置であって、提示対象の複数の属性のノードを含むベイジアンネットのモデルを提示対象の候補を絞り込む絞込み基準を求めるための基準決定用モデルとして記憶した基準決定用モデル記憶手段と、前記基準決定用モデル記憶手段から読み出した基準決定用モデルを用いた確率推論を行って、前記絞込み基準として前記属性のノードの確率分布を求める絞込み基準推論手段と、前記絞込み基準推論手段にて求められた前記属性のノードの確率分布に基づいて提示対象を絞り込む候補絞込み手段と、前記候補絞込み手段によって絞り込まれた候補の中から、提示対象を求める提示対象選択手段と、前記提示対象選択手段によって選択された提示対象を提示する提示手段とを備える。

このように確率推論で求めた提示対象の属性のノードの確率分布を絞り込み基準として用いることにより、適切な絞込み基準を求めることができる。そして、この絞込み基準を用いて提示対象の候補を絞り込んだ後に、絞り込まれた候補の中から提示対象を求めるので、提示対象を求めるための計算処理の負担を低減できる。

また、本発明の情報提示装置において、前記基準決定用モデル記憶手段は、それぞれの前記属性の優先度を示すノードをさらに含むベイジアンネットのモデルを記憶し、前記絞込み基準推論手段は、前記属性のノードの確率分布と前記優先度を示すノードの確率分布を求め、前記優先度を示すノードの確率分布を用いて前記属性のノードの確率分布に重み付けをして前記絞込み基準を求めてもよい。

このように優先度を示すノードを用いることにより、複数の属性に重みを付け、提示対象の候補を適切に絞り込むことができる。優先度を示すノードには、例えば、各属性に乗じる重み係数が設定される。

また、本発明の情報提示装置において、前記基準決定用モデル記憶手段は、それぞれの前記属性の優先度を示すノードがそれぞれの前記属性のノードに付随して設定されたベイジアンネットのモデルを記憶し、前記絞込み基準推論手段は、前記属性のノードの確率分布と前記優先度を示すノードの確率分布を求め、前記優先度を示すノードの確率分布を用いて前記属性のノードの確率分布に重み付けをして前記絞込み基準を求めてもよい。

このように優先度を示すノードを用いることにより、複数の属性に重みを付け、提示対象の候補を適切に絞り込むことができる。また、優先度を示すノードをそれぞれの属性ノードに付随して設定することにより、各属性のノードの絶対的な優先度を評価できる。

また、本発明の情報提示装置において、前記基準決定用モデル記憶手段は、被提示者の属性を示すノードをさらに含むベイジアンネットのモデルを記憶し、前記絞込み基準推論手段は、前記被提示者の属性を示すノードに被提示者の属性を設定して確率推論を行ってもよい。

このように被提示者の属性を示すノードを含むモデルを用いて絞込み基準を求める構成により、被提示者の属性に応じた絞込み基準を求めることができる。

また、本発明の情報提示装置において、前記基準決定用モデル記憶手段は、前記提示対象の提示を受ける状況を示すノードをさらに含むベイジアンネットのモデルを記憶し、前記絞込み基準推論手段は、前記提示対象の提示を受ける状況を示すノードに状況を設定して確率推論を行ってもよい。

このように提示対象の提示を受ける状況を示すノードを含むモデルを用いて絞込み基準を求める構成により、提示対象の提示を受ける状況に応じた絞込み基準を求めることができる。

また、本発明の情報提示装置において、前記絞込み基準推論手段は、前記属性のノードの確率分布と前記優先度を示すノードの確率分布から、それぞれの前記属性のノードの値の組合せについてスコアを求め、求められたスコアに基づいて前記絞込み基準を求めてもよい。

このように属性のノードの確率分布と優先度を示すノードの確率分布からスコアを求めることによって、各属性のノードの値の組合せをスコアによって評価し、絞込み基準を求めることができる。

また、本発明の情報提示装置において、前記絞込み基準推論手段は、前記各属性のノードがスコアの計算対象となる組合せに係る値をとるときの確率に加えて、前記組合せに係る値以外の値をとるときの確率を用いて前記スコアを求めてもよい。

このように、スコアの計算対象となる組合せに係る値以外の値をとる確率を用いてスコアを計算することにより、適切なスコアを求めることができる。

また、本発明の情報提示装置において、前記候補絞込み手段は、前記絞込み基準推論手段にて求められた絞込み基準をスコアの高い順に適用して絞込み候補を求めてもよい。

このようにスコアの高い絞込み基準から順に適用することにより、被提示者に適した提示対象の候補を選択できる。

また、本発明の情報提示装置において、前記候補絞込み手段は、前記絞込み基準推論手段にて求められた絞込み基準をスコアの低い順に適用して提示対象の候補から除外することにより絞込み候補を求めてもよい。

このようにスコアの低い絞込み基準に適合する提示対象を候補から除外することにより、被提示者に適した提示対象の候補を選択できる。

また、本発明の情報提示装置において、前記候補絞込み手段は、前記絞込み基準推論手段にて求められたスコアに応じて絞込み候補を求めてもよい。

このように各属性の組合せについて求めたスコアに応じて絞込み候補を求めることにより、適切に絞込み候補を選択できる。例えば、１００個の絞込み候補を求める場合に、最もスコアの高い絞込み基準によって５０個を選択し、２番目にスコアの高い絞込み基準によって３０個を選択し、３番目にスコアの高い絞込み基準によって２０個を選択するというように、スコアに応じて選択する割合を変えて、絞込み候補を求めることができる。

また、本発明の情報提示装置は、前記提示手段によって提示された提示対象に対する被提示者のレスポンスを用いて前記基準決定用モデル記憶手段に記憶されたモデルの学習を行うモデル学習手段を備えてもよい。

このように被提示者のレスポンスを用いてモデルの学習を行うことにより、基準決定用モデル記憶手段に記憶されたモデルは、被提示者に適した提示対象の候補を絞り込める絞込み基準を求めることができるモデルへと更新される。

本発明の情報提示装置は、自動車に備えられる。

この構成により、計算処理の負担を軽減して円滑に情報を提示できるので、運転手が提示を受けるまで待つ時間を軽減できる。従って、走行している場所に応じて提示対象をタイミング良く提示できる。

本発明の別の態様の情報提示装置は、推論アルゴリズムを用いて被提示者に適した提示対象を提示する情報提示装置であって、提示対象の候補を絞り込む絞込み基準を求めるために推論アルゴリズムで用いられる計算用リソースを基準決定用の計算用リソースとして記憶した計算用リソース記憶手段と、前記計算用リソース記憶手段から読み出した計算用リソースを用いた推論を行って、提示対象の絞込み基準を求める絞込み基準推論手段と、前記絞込み基準推論手段にて求められた絞込み基準を用いて提示対象の候補を絞り込む候補絞込み手段と、前記候補絞込み手段によって絞り込まれた候補の中から、提示対象を求める提示対象選択手段と、前記提示対象選択手段によって選択された提示対象を提示する提示手段とを備える。

このように基準決定用の計算用リソースを用いた推論によって絞り込み基準を求めることにより、適切な絞込み基準を求めることができる。そして、この絞込み基準を用いて提示対象の候補を絞り込んだ後に、絞り込まれた候補の中から提示対象を求めるので、提示対象を求めるための計算処理の負担を低減できる。

本発明の情報提示方法は、ベイジアンネットのモデルを用いて確率的に適した提示対象を被提示者に提示する情報提示方法であって、提示対象の複数の属性のノードを含むベイジアンネットのモデルを提示対象の候補を絞り込む絞込み基準を求めるための基準決定用モデルを基準決定用モデル記憶手段から読み出す基準決定用モデル読出しステップと、前記基準決定用モデル読出しステップにて読み出した基準決定用モデルを用いた確率推論を行って、前記絞込み基準として前記属性のノードの確率分布を求める絞込み基準推論ステップと、前記絞込み基準推論ステップにて求められた前記属性のノードの確率分布に基づいて提示対象を絞り込む候補絞込みステップと、前記候補絞込みステップにて絞り込まれた候補の中から、提示対象を求める提示対象選択ステップと、前記提示対象選択ステップにて選択された提示対象を提示する提示ステップとを備える。

本発明の情報提示方法によれば、上記した情報提示装置と同様に、確率推論で求めた絞込み基準で提示候補を適切に絞り込むので、提示対象を求めるための計算処理の負担を低減できる。また、上記した情報提示装置の各種の構成を本発明の情報提示方法に適用することが可能である。

本発明のプログラムは、ベイジアンネットのモデルを用いて確率的に適した提示対象を被提示者に提示するためのプログラムであって、提示対象の複数の属性のノードを含むベイジアンネットのモデルを提示対象の候補を絞り込む絞込み基準を求めるための基準決定用モデルを基準決定用モデル記憶手段から読み出す基準決定用モデル読出しステップと、前記基準決定用モデル読出しステップにて読み出した基準決定用モデルを用いた確率推論を行って、前記絞込み基準として前記属性のノードの確率分布を求める絞込み基準推論ステップと、前記絞込み基準推論ステップにて求められた前記属性のノードの確率分布に基づいて提示対象を絞り込む候補絞込みステップと、前記候補絞込みステップにて絞り込まれた候補の中から、提示対象を求める提示対象選択ステップと、前記提示対象選択ステップにて選択された提示対象を提示する提示ステップとを実行させる。

本発明のプログラムによれば、上記した情報提示装置と同様に、確率推論で求めた絞込み基準で提示候補を適切に絞り込むので、提示対象を求めるための計算処理の負担を低減できる。また、上記した情報提示装置の各種の構成を本発明のプログラムに適用することが可能である。

本発明は、確率推論を用いて求めた絞込み基準で適切に提示対象の候補を絞り込んだ後に、絞り込まれた候補の中から提示対象を求めるので、提示対象を求めるための計算処理の負担を低減できるという効果を有する。

以下、本発明の実施の形態の情報提示装置について図面を用いて説明する。以下の説明では、自動車に搭載され、ユーザに適した楽曲を提供するコンテンツ提供装置１０を取り上げるが、本発明の情報提示装置の提示対象は楽曲に限定されるものではない。本発明の情報提示装置は、例えば、ユーザに適したレストランやイベント等を推薦するリコメンデーション装置にも適用できる。また、本発明の情報提示装置は、自動車に搭載されるものに限定されず、例えば、家庭のパソコンやユーザが携帯する携帯端末にて、ユーザに適した提示対象を提示する構成も採用できる。

図１は、第１の実施の形態のコンテンツ提供装置１０の構成を示す図である。コンテンツ提供装置１０は、ユーザにコンテンツを提示するための提示部１２と、ユーザからの操作を受け付ける操作部１４と、コンテンツ提供装置１０の全体を制御する制御部１６とを備える。また、コンテンツ提供装置１０は、コンテンツ情報を記憶したコンテンツ情報記憶部３０と、コンテンツの絞込み基準を求めるためのベイジアンネットのモデルを記憶した基準決定用モデル記憶部３２と、提示対象を求めるためのベイジアンネットのモデルを記憶した提示対象推論モデル記憶部３４とを備えている。

提示部１２は、ユーザにコンテンツを提示する機能を有する。提示部１２のハードウェアは、楽曲の演奏を出力するスピーカー、楽曲名やアーティスト名などを表示するディスプレイ等によって構成される。

操作部１４は、ユーザからの操作を受け付ける機能を有する。操作部１４は、提示対象の推論に用いるユーザの属性の入力、および提示されたコンテンツに対するレスポンスを受け付ける。操作部１４のハードウェアは、演奏の再生、停止、早送りなどを指示するボタンやボリューム調整つまみによって構成される。ユーザの属性を入力する場合には、ユーザ属性の選択肢を提示部１２に表示し、早送り、巻き戻しボタンによりユーザの属性の選択を受け付ける。レスポンスを受け付ける場合には、ボタンやボリューム調整つまみの操作の情報を取得し、レスポンスを判断する。

コンテンツ情報記憶部３０には、ユーザに提示するコンテンツの候補となる複数のコンテンツ情報が記憶されている。コンテンツ提供装置１０は、コンテンツ情報記憶部３０に記憶されたコンテンツからユーザに適したコンテンツを選択し、ユーザに提供する。

図２は、コンテンツ情報記憶部３０に記憶されたコンテンツ情報の例を示す図である。図２に示すように、コンテンツ情報記憶部３０には、楽曲名、ジャンル、ランキング、発売日および楽曲データが記憶されている。本実施の形態では、コンテンツ情報記憶部３０に楽曲データを記憶する構成を例として説明しているが、コンテンツ提供装置１０は楽曲データを有しなくてもよい。例えば、ユーザに提示する楽曲が選択された時点で、選択された楽曲データをネットワーク経由で取得する構成、あるいは外付けのディスクから取得する構成とすることも可能である。

図３は、基準決定用モデル記憶部３２に記憶された基準決定用モデルの例を示す図である。図３に示すように、基準決定用モデルは、ユーザの年齢に関するノードＮ１、性別に関するノードＮ２、現在時刻に関するノードＮ３、ジャンルに関するノードＮ４、ランキングに関するノードＮ５、発売日に関するノードＮ６が条件付確率の依存関係を示すリンクで接続されている。このうち、コンテンツの属性に関するノードN４〜Ｎ６は、提示対象の候補を絞り込む絞込み基準を求めるためのノードである。

図４は、提示対象推論モデル記憶部３４に記憶された提示対象推論モデルの例を示す図である。図４に示すように、提示対象推論モデルは、ユーザに関するノードＮ１１、状況に関するノードＮ１２、コンテンツに関するノードＮ１３、レスポンスに関するノードＮ１４が、他のノードを介して条件付確率の依存関係を示すリンクで接続されている。なお、レスポンスに関するノードＮ１４は、ユーザのレスポンスを予測するためのノードである。

次に、コンテンツ提供装置１０の制御部１６について説明する。図１に示す制御部１６において、絞込み基準推論処理部１８は、基準決定用モデル記憶部３２に記憶されたモデルを用いて提示対象のコンテンツを絞り込む基準を求める機能を有する。絞込み基準は、コンテンツ情報記憶部３０に記憶された複数のコンテンツから、提示対象の候補となるコンテンツを絞り込むフィルタとしての役割を有する。絞込み基準推論処理部１８は、基準決定用モデル記憶部３２から基準決定用モデルを読み出し、読み出した基準決定用モデルを用いて確率推論を行う。具体的には、操作部１４より入力されたユーザの年齢および性別をノードＮ１、Ｎ２にそれぞれ設定し、現在時刻をノードＮ３に設定する。そして、ノードＮ１〜Ｎ３からの確率伝搬によってコンテンツの属性のノードＮ４〜Ｎ６を求める。

図５は、ノードＮ４〜Ｎ６の確率分布の算出例を示す図である。図５では、ノードＮ４〜Ｎ６がとる値のそれぞれの確率が確率値として算出されている。このように求められた各属性のノードの確率分布に基づいて、それぞれの属性において最も高い確率値を持つ値の組合せを絞込み基準として決定する。図５に示す例では、ジャンルが「Ｊ−ＰＯＰ」、ランキングが「１〜１０位」、発売日が「１週間以内」が絞込み基準となる。

次に、制御部１６の候補絞込み処理部２０について説明する。候補絞込み処理部２０は、絞込み基準推論処理部１８にて求められた絞込み基準を用いて、コンテンツ情報記憶部３０に記憶されたコンテンツから提示対象の候補となるコンテンツを絞り込む機能を有する。

制御部１６において、提示対象推論処理部２２は、絞り込まれた提示対象の候補の中から提示対象のコンテンツを求める機能を有する。ここで、提示対象推論処理部２２による推論方法を、図４に示すモデルを用いて説明する。まず、提示対象推論処理部２２は、ノードＮ１１〜Ｎ１３に値を設定する。ユーザに関するノードＮ１１には、例えば、ユーザの年齢、性別、音楽の好みなどの情報を設定する。状況に関するノードＮ１２には、例えば、時刻の情報や走行場所の情報を設定する。コンテンツに関するノードＮ１３には、絞込み基準によって絞り込まれたコンテンツ情報のうちの一つを読み出して設定する。そして、提示対象推論処理部２２は、ノードＮ１１〜ノードＮ１３からの確率伝搬によってレスポンスに関するノードＮ１４の確率分布を求める。提示対象推論処理部２２は、候補絞込み処理部２０にて絞り込まれたコンテンツ情報から順次コンテンツ情報を読み出し、上記した動作を繰り返して各コンテンツについてレスポンスノードＮ１４の確率分布を求める。そして、提示対象推論処理部２２は、求めた確率分布に基づいてユーザに適するコンテンツを選択する。例えば、提示対象推論処理部２２は、レスポンスノードＮ１４が、コンテンツの受入れを示す肯定レスポンスをとる確率が最大となるコンテンツを選択する。

制御部１６において、提示対象出力処理部２４は、提示対象推論処理部２２にて選択されたコンテンツを提示部１２から出力させる機能を有する。

制御部１６において、モデル学習処理部２６はユーザのレスポンスを用いて基準決定用モデルおよび提示対象推論モデルの学習を行う機能を有する。ユーザのレスポンスとは、ユーザによって操作部１４から入力されるコンテンツを受け入れるか否かについての情報であり、観測された情報である。モデル学習処理部２６は、レスポンスによってモデルの条件付確率の依存関係を修正し、ユーザの嗜好に合ったコンテンツをより精度良く求めることができるモデルへと更新する。

次に、第１の実施の形態の情報提示装置の動作について説明する。

図６は、第１の実施の形態のコンテンツ提供装置１０の動作を示す図である。コンテンツ提供装置１０の絞込み基準推論処理部１８は、基準決定用モデル記憶部３２から基準決定用モデルを読み出す（Ｓ１０）。続いて、絞込み基準推論処理部１８は読み出した基準決定用モデルを用いて確率推論を行い、絞込み基準を決定する（Ｓ１２）。具体的には、絞込み基準推論処理部１８は、操作部１４より受け付けたユーザの年齢および性別を基準決定用モデルのノードＮ１、Ｎ２のそれぞれに設定し、現在時刻の情報をノードＮ３に設定する。そして、絞込み基準推論処理部１８は、ノードＮ１〜Ｎ３からの確率伝搬を行い、ノードＮ４〜Ｎ６の確率分布を求める。このとき求められたノードＮ４〜Ｎ６に基づいて絞込み基準を決定する。例えば、図５に示す確率分布が得られた場合には、ジャンルが「Ｊ−ＰＯＰ」、ランキングが「１〜１０位」、発売日が「１週間以内」が絞込み基準となる。

次に、コンテンツ提供装置１０の候補絞込み処理部２０は、絞込み基準推論処理部１８にて決定された絞込み基準を用いて、コンテンツ情報記憶部３０に記憶されたコンテンツ情報から提示対象の候補となるコンテンツを絞り込む（Ｓ１４）。

続いて、コンテンツ提供装置１０の提示対象推論処理部２２は、絞り込まれたコンテンツから提示対象のコンテンツを確率推論により求める（Ｓ１６）。具体的には、提示対象推論処理部２２は、提示対象推論モデル記憶部３４から提示対象推論モデルを読み出し、読み出した提示対象推論モデルのノードＮ１１、Ｎ１２にユーザの属性、状況の属性を設定する。続いて、絞り込まれたコンテンツのうちの一つのコンテンツを読み出して、そのコンテンツの属性をノードＮ１３に設定し、ノードＮ１１〜Ｎ１３からの確率伝搬により、レスポンスノードＮ１４の確率分布を求める処理を順次行う。そして、提示対象推論処理部２２は、各コンテンツについて求められたレスポンスノードＮ１４の確率分布に基づいて、提示対象のコンテンツを決定する。なお、提示対象推論処理部２２は、提示すべきコンテンツとして、ユーザに最適の楽曲を一曲だけ求めてもよいし、ユーザに適する楽曲を複数求めてもよい。自動演奏すべき時間が長い場合には、自動演奏の時間に合わせて数曲を求めることが望ましい。

そして、コンテンツ提供装置１０の提示対象出力処理部２４は、提示対象推論処理部２２にて求められた提示対象を提示部１２から出力する（Ｓ１８）。具体的には、求められた提示対象の楽曲を提示部１２によって演奏する。また、提示対象出力処理部２４は、絞込み基準を提示対象の選択理由として表示してもよい。例えば、ジャンルが「Ｊ−ＰＯＰ」、ランキングが「１〜１０位」、発売日が「１週間以内」が絞込み基準である場合、この絞込み基準の属性値を選択理由として表示することができる。また、例えば、図５に示すようにＪ−ＰＯＰの確率値が最も高い場合には、「Ｊ−ＰＯＰだから」というように属性値の一つを選択理由として表示してもよい。

次に、コンテンツ提供装置１０のモデル学習処理部２６は、ユーザからのレスポンスを受け付ける（Ｓ２０）。モデル学習処理部２６は、操作部１４からユーザのレスポンスを受け付け、操作の内容からレスポンスを判断する。例えば、演奏中の楽曲を停止した場合には、提示したコンテンツを受け入れないというレスポンスであり、演奏中の楽曲を最後まで聴いた場合、あるいはボリュームを大きくした場合には、提示したコンテンツを受け入れたレスポンスである。

続いて、コンテンツ提供装置１０のモデル学習処理部２６は、受け付けたレスポンスを用いて、基準決定用モデルおよび提示対象推論モデルの学習を行う（Ｓ２２）。これにより、基準決定用モデルはユーザの嗜好に合ったコンテンツを絞り込むことができるモデルへと更新され、提示対象推論モデルはユーザの嗜好に合った提示対象を求めることができるモデルへと更新される。

以上、第１の実施の形態のコンテンツ提供装置１０について説明した。

第１の実施の形態のコンテンツ提供装置１０は、基準決定用モデルを用いた確率推論によってユーザに適した絞込み基準を求めるので、提示対象を適切に絞り込める絞込み基準を求めることができる。

また、コンテンツ提供装置１０は、ジャンル、ランキング、発売日といったコンテンツの属性によって提示候補を絞り込み、絞り込んだ候補からユーザ属性、状況を用いた確率推論によって提示対象を求めている。このように、コンテンツの属性という静的な要因を用いて提示対象の候補を絞り込み、その後でユーザの属性や提示時の状況といった動的に変化する要因を用いて提示対象のコンテンツを決定するので、効率良く提示対象のコンテンツを決定できる。

また、第１の実施の形態のコンテンツ提供装置１０は、絞込み基準を用いて提示対象の候補を絞り込んだ後に、絞り込まれた候補の中から提示対象を求めるので、提示対象を求めるための計算処理の負担を低減できる。

次に、第２の実施の形態のコンテンツ提供装置１０について説明する。第２の実施の形態のコンテンツ提供装置１０は、第１の実施の形態のコンテンツ提供装置１０と基本的な構成は同じであるが（図１参照）、絞込み基準推論処理部１８による絞込み基準の求め方が異なる。

図７は、第２の実施の形態のコンテンツ提供装置１０において、基準決定用モデル記憶部３２に記憶された基準決定用モデルの例を示す図である。第２の実施の形態の基準決定用モデルは、第１の実施の形態における基準決定用モデルのノードＮ１〜Ｎ６に加えて、優先度を示すノードＮ７をさらに含んでいる。優先度のノードＮ７は、提示対象の各属性ノードＮ４〜Ｎ６の優先度を示すノードである。優先度のノードＮ７には、最初、無情報事前確率分布が設定され、ユーザからのレスポンスを用いた学習によって更新される。これにより、優先度のノードＮ７には、各属性に対するユーザごとに異なる優先度が反映される。

次に、制御部１６の絞込み基準推論処理部１８によって、絞込み基準を決定する推論処理について説明する。まず、操作部１４より入力されたユーザの年齢および性別をノードＮ１、ノードＮ２にそれぞれ設定し、現在時刻をノードＮ３に設定して確率推論を行って、コンテンツの属性ノードＮ４〜Ｎ６と優先度を示すノードＮ７を求める。

図８は、ノードＮ４〜Ｎ７の確率分布の算出例を示す図である。このように求められたノードＮ４〜Ｎ６の確率分布と優先度のノードＮ７の確率分布とを用いて、各属性値がとり得る値の組合せのそれぞれについてスコアを求める。具体的には、各属性ノードＮ４〜Ｎ６がとり得る値の確率値に優先度のノードＮ７が示す各属性の優先度を乗じ、その結果の総和をスコアとする。例えば、ジャンル「Ｊ−ＰＯＰ」、ランキング「１〜１０位」、発売日「今日」という組合せからなる絞込み基準のスコアは、ジャンル「Ｊ−ＰＯＰ」の確率値０．７とジャンルの優先度０．６とを乗じた計算結果０．４２と、ランキング「１〜１０位」の確率値０．５とランキングの優先度０．３とを乗じた計算結果０．１５と、発売日「今日」の確率値０．３と発売日の優先度０．１を乗じた計算結果０．０３との総和によって求められ、スコアは０．６となる。

図９は、図８に示す確率分布に基づいてスコアを求めた例を示す図である。図９に示すように求められた各属性値の組合せのうち、スコアの高い組合せを絞込み基準とする。例えば、あらかじめ定められた閾値以上のスコアを有する各属性値の組合せを絞込み基準として選択する、あるいはスコアの高いほうから絞込み基準を選択することができる。

制御部１６において、候補絞込み処理部２０は、絞込み基準推論処理部１８によって求められた絞込み基準を用いて、提示対象の候補となるコンテンツを絞り込む。候補絞込み処理部２０は、あらかじめ絞り込むべき候補数を決めておき、その候補数に達するまでスコアの高い絞込み基準から順に適用して候補を選択する。例えば、１００曲のコンテンツを絞り込むとしたときに、まず、スコアの最も高い絞込み基準に合致するコンテンツをコンテンツ情報記憶部３０に記憶されたコンテンツから選択する。ここで、６０曲が選択されたとすると、コンテンツ情報記憶部３０に記憶されたコンテンツから、２番目にスコアの高い絞込み基準に合致するコンテンツを選択する。ここで、例えば４０曲が選択されれば、候補絞込み処理部２０は候補の絞込みを完了する。

第２の実施の形態のコンテンツ提供装置１０の動作は、第１の実施の形態のコンテンツ提供装置１０の動作と同じである（図６参照）。ただし、絞込み基準の決定のステップＳ１２においては、上記に説明した絞込み基準推論処理部１８の推論処理によって絞込み基準を求める。

第２の実施の形態のコンテンツ提供装置１０は、優先度を示すノードＮ７を含む基準決定用モデルを用いて絞込み基準を求めるので、各属性の優先度を考慮した絞込み基準を決定することができる。

また、第２の実施の形態のコンテンツ提供装置１０は、第１のコンテンツ提供装置１０と同様に、絞込み基準を用いて絞り込まれたコンテンツの中から提示対象のコンテンツを求めるので、提示対象を求めるための計算処理の負担を低減できる。

次に、本発明の第３の実施の形態のコンテンツ提供装置１０について説明する。第３の実施の形態のコンテンツ提供装置１０は、第１の実施の形態のコンテンツ提供装置１０と基本的な構成は同じであるが（図１参照）、絞込み基準推論処理部１８による絞込み基準の求め方が異なる。

図１０は、第３の実施の形態のコンテンツ提供装置１０において、基準決定用モデル記憶部３２に記憶された基準決定用モデルの例を示す図である。第３の実施の形態の基準決定用モデルは、第１の実施の形態における基準決定用モデルのノードＮ１〜Ｎ６に加えて、各コンテンツの属性のノードＮ４〜Ｎ６の優先度を示すノードＮ８〜Ｎ１０がノードＮ４〜Ｎ６に付随して設定されている。優先度を示すノードＮ８〜Ｎ１０は、提示対象の各属性ノードＮ４〜Ｎ６の優先度の程度を示すノードである。

次に、制御部１６の絞込み基準推論処理部１８によって、絞込み基準を決定する推論処理について説明する。まず、操作部１４より入力されたユーザの年齢をノードＮ１に、性別をノードＮ２に設定し、現在時刻をノードＮ３に設定して確率推論を行って、コンテンツの属性のノードＮ４〜Ｎ６と優先度を示すノードＮ８〜Ｎ１０を求める。

図１１は、ノードＮ４〜Ｎ６およびノードＮ８〜Ｎ１０の確率分布の算出例を示す図である。このように求められたノードＮ４〜Ｎ６の確率分布と優先度のノードＮ８〜Ｎ１０の確率分布とを用いて、各属性値がとり得る値の組合せのそれぞれについてスコアを求める。具体的には、各属性ノードＮ４〜Ｎ６がとり得る値の確率値に優先度のノードＮ８〜Ｎ１０が示す各属性の優先度を乗じ、その結果の総和をスコアとする。例えば、ジャンル「Ｊ−ＰＯＰ」、ランキング「１〜１０位」、発売日「今日」という組合せからなる絞込み基準のスコアは、ジャンル「Ｊ−ＰＯＰ」の確率値０．７とジャンルの優先度「高」の確率値０．７とを乗じた計算結果０．４９と、ランキング「１〜１０位」の確率値０．５とランキングの優先度「高」の確率値の０．６とを乗じた計算結果０．３０と、発売日「今日」の確率値「０．３」と発売日の優先度「高」の確率値０．５を乗じた計算結果０．１５との総和によって求められ、スコアは１．１４となる。このようして求めたスコアに基づいて、各属性値の組合せのうちスコアの高いものを絞込み基準として選択する。

候補絞込み処理部２０は、第２の実施の形態と同様に、スコアが高い方から順に絞込み基準を適用して、提示対象の候補を選択する。

第３の実施の形態のコンテンツ提供装置１０の動作は、第１の実施の形態のコンテンツ提供装置１０の動作と同じである（図６参照）。ただし、絞込み基準の決定のステップＳ１２においては、上記に説明した絞込み基準推論処理部１８の推論処理によって絞込み基準を求める。

第３の実施の形態のコンテンツ提供装置１０は、コンテンツの属性を示すノードＮ４〜Ｎ６の優先度を示すノードＮ８〜Ｎ１０を含む基準決定用モデルを用いて絞込み基準を求めるので、各属性の優先度を考慮した絞込み基準を決定することができる。

また、第３の実施の形態のコンテンツ提供装置１０は、第１のコンテンツ提供装置１０と同様に、絞込み基準を用いて絞り込んだコンテンツの中から提示対象のコンテンツを求めるので、提示対象を求めるための計算処理の負担を低減できる。

以上、本発明の情報提示装置について、実施の形態を挙げて説明したが、本発明は上記した実施の形態に限定されるものではない。

上記した実施の形態では、絞り込んだ候補の中から提示対象の候補を求める際に、ベイジアンネットのモデルを用いた確率推論を行ったが、本発明は提示対象を求めるときに必ずしも確率推論を行う必要はない。例えば、提示対象の楽曲の人気度ランキングに基づいて提示対象を求めても良い。この場合も、提示対象の候補が絞られているので、提示対象を求める計算処理の負担を軽減できる。

上記した第２の実施の形態および第３の実施の形態においては、各属性のそれぞれの値がとる確率値にその属性の優先度を乗じ、その計算結果の総和によって絞込み基準のスコアを求めたが、スコアを求める方法は上記実施の形態の方法に限られない。例えば、各属性のそれぞれの値がとる確率値にその属性の優先度を乗じ、その計算結果をすべて掛け合わせてスコアを求めてもよい。

また、上記した第２の実施の形態および第３の実施の形態においては、属性のノードの値の組合せについてスコアを求める場合に、各ノードが組合せに係る値をとる確率値を用いてスコアを計算する方法について説明したが、スコアを求める方法は上記した方法に限られない。例えば、各ノードが計算対象の組合せに係る値以外の値をとる確率値を用いてスコアを計算してもよい。例えば、図８において、ジャンルが「Ｊ−ＰＯＰ」、ランキングが「１〜１０位」のスコアを次のようにして求める。ここでの説明では、簡単のため発売日は考慮しないで説明する。

ジャンルが「Ｊ−ＰＯＰ」をとる確率値０．７にジャンルの優先度０．６を乗じた結果と、ランキングが「１〜１０位」をとる確率値０．５にランキングの優先度０．３を乗じた結果とを乗じて、この計算結果を計算結果Ｙとする。次に、ジャンルが「Ｊ−ＰＯＰ」以外の値をとるときの確率値に（１−優先度）の値を乗じ、求めた結果をすべて掛け合わせる。ここでは、ジャンルが「ＲＯＣＫ」をとる確率値０．２に（１−ジャンルの優先度０．６）＝０．４を乗じ、次に、ジャンルが「ＣＬＡＳＳＩＣ」をとる確率値０．１に（１−ジャンルの優先度０．６）＝０．４を乗じ、求めた結果をそれぞれ掛け合わせて計算結果Ｎ１を得る。次に、ランキングについても同様の計算を行って計算結果Ｎ２を得る。そして、計算結果Ｎ１と計算結果Ｎ２を乗じて、計算結果Ｎを得る。その後、ジャンルが「Ｊ−ＰＯＰ」、ランキングが「１〜１０位」のスコアをＹ／（Ｙ＋Ｎ）によって求める。このように計算対象となった値「Ｊ−ＰＯＰ」「１〜１０位」以外の確率値を用いてスコアを計算してもよい。

また、上記した第２の実施の形態では、候補絞込み処理部２０は、スコアの高い方から順に絞込み基準を適用して絞込みの候補を求めたが、提示対象の絞込みの方法はこの方法に限定されない。例えば、コンテンツの各属性値の組合せのうちスコアの低い方から順に絞込み基準として適用し、絞込み基準に合致するコンテンツを除外することにより、残ったコンテンツを絞込みの候補として求めてもよい。

また、スコアを用いて複数の絞込み基準を求める方法を第１の実施の形態に適用することも可能である。例えば、第１の実施の形態において、各属性値がとる確率値の総和によって各属性値の組合せのスコアを求め、そのスコアに基づいて複数の絞込み基準を決定してもよい。

以上説明したように、本発明は、確率推論を用いて求めた絞込み基準で適切に提示対象の候補を絞り込んだ後に、絞り込まれた候補の中から提示対象を求めるので、提示対象を求めるための計算処理の負担を低減できるという効果を有し、ベイジアンネットのモデルを用いて確率的に適した提示対象を被提示者に提示する情報提示装置等に有用である。

第１の実施の形態のコンテンツ提供装置の構成を示す図である。 コンテンツ情報記憶部に記憶されたコンテンツ情報の例を示す図である。 基準決定用モデル記憶部に記憶された基準決定用モデルの例を示す図である。 提示対象推論モデル記憶部に記憶された提示対象推論モデルの例を示す図である。 提示対象の属性のノードの確率分布の計算例を示す図である。 第１の実施の形態のコンテンツ提供装置の動作を示す図である。 第２の実施の形態における基準決定モデル記憶部に記憶された基準決定用モデルの例を示す図である。 第２の実施の形態における提示対象の属性のノードの確率分布の計算例を示す図である。 第２の実施の形態におけるスコアの算出例を示す図である。 第３の実施の形態における基準決定モデル記憶部に記憶された基準決定用モデルの例を示す図である。 第３の実施の形態における提示対象の属性のノードの確率分布の計算例を示す図である。

符号の説明

１０ コンテンツ提供装置
１２ 提示部
１４ 操作部
１６ 制御部
１８ 絞込み基準推論処理部
２０ 候補絞込み処理部
２２ 提示対象推論処理部
２４ 提示対象出力処理部
２６ モデル学習処理部
３０ コンテンツ情報記憶部
３２ 基準決定用モデル記憶部
３４ 提示対象推論モデル記憶部

Claims (12)

1. ベイジアンネットのモデルを用いて確率的に適した提示対象を被提示者に提示する情報提示装置であって、
   前記提示対象の提示を受ける状況を示すノードと前記提示対象の複数の属性のノードを含むベイジアンネットのモデルであって前記属性のノードの確率分布を提示対象の候補を絞り込む絞込み基準として求めるための基準決定用モデルを記憶した基準決定用モデル記憶手段と、
   前記基準決定用モデル記憶手段から読み出した基準決定用モデルにおいて、前記提示対象の提示を受ける状況を示すノードに状況を設定し、状況の設定されたノードからの確率伝搬による確率推論を行って、前記絞込み基準として前記提示対象の複数の属性のノードの確率分布を求める絞込み基準推論手段と、
   前記絞込み基準推論手段にて求められた前記提示対象の複数の属性のノードの確率分布と、前記提示対象の属性とに基づいて、前記提示対象を、それぞれの前記属性について最も確率の高い属性値を有する提示対象候補に絞り込む候補絞込み手段と、
   前記提示対象候補のコンテンツの属性を示すノードと前記提示対象が受け入れられる確率を示すレスポンスのノードを含み、コンテンツが受け入れられる確率を推論するためのベイジアンネットのモデルを記憶した提示対象推論モデルを記憶した提示対象推論モデル記憶手段と、
   前記提示対象推論モデル記憶手段から読み出した提示対象推論モデルにおいて、前記属性を示すノードに前記提示対象候補のうちの１つの提示対象候補の属性を設定し、前記属性の設定されたノードからの確率伝搬による第２の確率推論を行って前記レスポンスのノードの確率分布を求める処理を、複数の前記提示対象候補について順次行い、前記提示対象候補のそれぞれについて前記レスポンスのノードの確率分布を求め、受け入れられる確率の高い方から所定数の提示対象候補を提示対象として選択する提示対象選択手段と、
   前記提示対象選択手段によって選択された提示対象を提示する提示手段と、
   を備えることを特徴とする情報提示装置。
2. ベイジアンネットのモデルを用いて確率的に適した提示対象を被提示者に提示する情報提示装置であって、
   被提示者の属性を示すノードと前記提示対象の複数の属性のノードを含むベイジアンネットのモデルであって前記属性のノードの確率分布を提示対象の候補を絞り込む絞込み基準として求めるための基準決定用モデルを記憶した基準決定用モデル記憶手段と、
   前記基準決定用モデル記憶手段から読み出した基準決定用モデルにおいて、前記被提示者の属性を示すノードに被提示者の属性を設定し、属性の設定されたノードからの確率伝搬による確率推論を行って、前記絞込み基準として前記提示対象の複数の属性のノードの確率分布を求める絞込み基準推論手段と、
   前記絞込み基準推論手段にて求められた前記提示対象の複数の属性のノードの確率分布と、前記提示対象の属性とに基づいて、前記提示対象を、それぞれの前記属性について最も確率の高い属性値を有する提示対象候補に絞り込む候補絞込み手段と、
   前記提示対象候補のコンテンツの属性を示すノードと前記提示対象が受け入れられる確率を示すレスポンスのノードを含み、コンテンツが受け入れられる確率を推論するためのベイジアンネットのモデルを記憶した提示対象推論モデルを記憶した提示対象推論モデル記憶手段と、
   前記提示対象推論モデル記憶手段から読み出した提示対象推論モデルにおいて、前記属性を示すノードに前記提示対象候補のうちの１つの提示対象候補の属性を設定し、前記属性の設定されたノードからの確率伝搬による第２の確率推論を行って前記レスポンスのノードの確率分布を求める処理を、複数の前記提示対象候補について順次行い、前記提示対象候補のそれぞれについて前記レスポンスのノードの確率分布を求め、受け入れられる確率の高い方から所定数の提示対象候補を提示対象として選択する提示対象選択手段と、
   前記提示対象選択手段によって選択された提示対象を提示する提示手段と、
   を備えることを特徴とする情報提示装置。
3. 前記基準決定用モデル記憶手段は、前記提示対象の複数の属性の優先度を示すノードをさらに含むベイジアンネットのモデルを記憶し、
   前記絞込み基準推論手段は、前記提示対象の複数の属性のノードの確率分布と前記優先度を示すノードの確率分布を求め、前記提示対象の属性のそれぞれのノードがとる値の組み合わせに対するスコアを、前記提示対象の複数の属性のノードが前記組み合わせに係る値をとる確率値に前記各ノードの優先度を乗じて総和をとることにより求め、求めたスコアに基づいて前記絞込み基準を求める請求項１または２に記載の情報提示装置。
4. 前記基準決定用モデル記憶手段は、それぞれの前記属性の優先度を示すノードがそれぞれの前記属性のノードに付随して設定されたベイジアンネットのモデルを記憶し、
   前記絞込み基準推論手段は、前記属性のノードの確率分布と前記優先度を示すノードの確率分布を求め、前記提示対象の属性のそれぞれのノードがとる値の組み合わせに対するスコアを、前記提示対象の複数の属性のノードが前記組み合わせに係る値をとる確率値に前記各ノードの優先度を乗じて総和をとることにより求め、求めたスコアに基づいて前記絞込み基準を求める請求項１または２に記載の情報提示装置。
5. 前記絞込み基準推論手段は、前記提示対象の属性のそれぞれのノードがスコアの計算対象となる組合せに係る値をとるときの確率値に加えて、前記組合せに係る値以外の値をとるときの確率値を用いて前記スコアを求めることを特徴とする請求項３または４に記載の情報提示装置。
6. 前記候補絞込み手段は、前記絞込み基準推論手段にて求められた絞込み基準をスコアの高い順に適用して絞込み候補を求めることを特徴とする請求項３〜５のいずれかに記載の情報提示装置。
7. 前記候補絞込み手段は、前記絞込み基準推論手段にて求められた絞込み基準をスコアの低い順に適用して提示対象の候補から除外することにより絞込み候補を求めることを特徴とする請求項３〜５のいずれかに記載の情報提示装置。
8. 前記候補絞込み手段は、前記絞込み基準推論手段にて求められたスコアに応じて絞込み候補を求めることを特徴とする請求項３〜５のいずれかに記載の情報提示装置。
9. 前記提示手段によって提示された提示対象に対する被提示者のレスポンスを用いて前記基準決定用モデル記憶手段に記憶されたモデルの学習を行うモデル学習手段を備えることを特徴とする請求項１に記載の情報提示装置。
10. 自動車に備えられることを特徴とする請求項１に記載の情報提示装置。
11. ベイジアンネットのモデルを用いて確率的に適した提示対象を情報提示装置によって被提示者に提示する情報提示方法であって、
    前記情報提示装置が、被提示者の属性を示すノードと前記提示対象の複数の属性のノードを含むベイジアンネットのモデルであって前記属性のノードの確率分布を提示対象の候補を絞り込む絞込み基準として求めるための基準決定用モデルを基準決定用モデル記憶手段から読み出す基準決定用モデル読出しステップと、
    前記情報提示装置が、前記基準決定用モデル読出しステップにて読み出した基準決定用モデルにおいて、前記被提示者の属性を示すノードに被提示者の属性を設定し、属性の設定されたノードからの確率伝搬による確率推論を行って、前記絞込み基準として前記提示対象の複数の属性のノードの確率分布を求める絞込み基準推論ステップと、
    前記情報提示装置が、前記絞込み基準推論ステップにて求められた前記提示対象の複数の属性のノードの確率分布と、前記提示対象の属性とに基づいて、前記提示対象を、それぞれの前記属性について最も確率の高い属性値を有する提示対象候補に絞り込む候補絞込みステップと、
    前記情報提示装置が、前記提示対象候補のコンテンツの属性を示すノードと前記提示対象が受け入れられる確率を示すレスポンスのノードを含み、コンテンツが受け入れられる確率を推論するためのベイジアンネットのモデルを記憶した提示対象推論モデルを提示対象推論モデル記憶手段から読み出すステップと、
    前記情報提示装置が、前記提示対象推論モデルにおいて、前記属性を示すノードに前記提示対象候補のうちの１つの提示対象候補の属性を設定し、前記属性の設定されたノードからの確率伝搬による第２の確率推論を行って前記レスポンスのノードの確率分布を求める処理を、複数の前記提示対象候補について順次行い、前記提示対象候補のそれぞれについて前記レスポンスのノードの確率分布を求め、受け入れられる確率の高い方から所定数の提示対象候補を提示対象として選択する提示対象選択ステップと、
    前記情報提示装置が、前記提示対象選択ステップにて選択された提示対象を提示する提示ステップと、
    を備えることを特徴とする情報提示方法。
12. ベイジアンネットのモデルを用いて確率的に適した提示対象を被提示者に提示するためのプログラムであって、
    被提示者の属性を示すノードと前記提示対象の複数の属性のノードを含むベイジアンネットのモデルであって前記属性のノードの確率分布を提示対象の候補を絞り込む絞込み基準として求めるための基準決定用モデルを基準決定用モデル記憶手段から読み出す基準決定用モデル読出しステップと、
    前記基準決定用モデル読出しステップにて読み出した基準決定用モデルにおいて、前記被提示者の属性を示すノードに被提示者の属性を設定し、属性の設定されたノードからの確率伝搬による確率推論を行って、前記絞込み基準として前記提示対象の複数の属性のノードの確率分布を求める絞込み基準推論ステップと、
    前記絞込み基準推論ステップにて求められた前記提示対象の複数の属性のノードの確率分布と、前記提示対象の属性とに基づいて、前記提示対象を、それぞれの前記属性について最も確率の高い属性値を有する提示対象候補に絞り込む候補絞込みステップと、
    前記提示対象候補のコンテンツの属性を示すノードと前記提示対象が受け入れられる確率を示すレスポンスのノードを含み、コンテンツが受け入れられる確率を推論するためのベイジアンネットのモデルを記憶した提示対象推論モデルを提示対象推論モデル記憶手段から読み出すステップと、
    前記提示対象推論モデルにおいて、前記属性を示すノードに前記提示対象候補のうちの１つの提示対象候補の属性を設定し、前記属性の設定されたノードからの確率伝搬による第２の確率推論を行って前記レスポンスのノードの確率分布を求める処理を、複数の前記提示対象候補について順次行い、前記提示対象候補のそれぞれについて前記レスポンスのノードの確率分布を求め、受け入れられる確率の高い方から所定数の提示対象候補を提示対象として選択する提示対象選択ステップと、
    前記提示対象選択ステップにて選択された提示対象を提示する提示ステップと、
    を実行させることを特徴とするプログラム。

Images