JP4894580B2 - 旬度解析システム、旬度解析方法、及び旬度解析プログラム - Google Patents

Description

本発明は、インターネット上に掲載される記事の旬度を解析する旬度解析システム、旬度解析方法、及び旬度解析プログラムに関する。

インターネット上には膨大な数の記事が存在している。一日に何度も更新される性質の記事（例えばブログ）の場合、全ての記事を閲覧して最新の情報を把握しようとすると膨大な時間が掛かってしまう。従って、今現在どのようなテーマがあり、そのテーマがどれだけ盛り上がっているのか分かりにくい。更には、インターネット上に掲載される多数の記事のジャンル（スポーツ、経済等）は多様である。同一のジャンルでありながらも、様々な観点から書かれた記事が数多く掲載されている。従って、インターネット上に掲載される多数の記事の中から、必要な記事だけを選択して閲覧することは難しい。

従って、インターネット上にどのようなテーマがあり、そのテーマがどれだけ旬であるか、を知ることのできる技術が望まれる。また、このような技術に対しては、精度よくインターネット上のテーマと旬度を把握できることが要求される。尚、旬とは、スパムなどによる突発的な盛り上がりや長期的なトレンドではなく、記事の人気による短期的な盛り上がりのことを指す。

上記と関連して、語句の出現頻度によって、どのようなテーマがあるのかを把握しようとする技術が特許文献１〜３に記載されている。特許文献１は、複数のニュースサイトの記事を収集して単語を取りだし、出現頻度の高い単語を抽出して重要語とし、重要語と関連性の有る単語を関連語とし、重要語に対する関連語の関連度を計算してこれらを表示することが記載されている。特許文献２には、記事の作成時刻に基いて、記事の作成時刻が新しいほど、その記事内で出現する語句に重みを与え、カテゴリ別に新出の語句のランキングを行うことが記載されている。特許文献３には、更新通知のあったブログ中において、キーワードの出現頻度をカウントし、出現頻度の数を利用して近未来のトレンドキーワードを予測することが記載されている。

また、旬度に関連して、記事に対する人気や重要度を評価する技術が、特許文献４〜６に記載されている。特許文献４には、他のウェブページ（記事）から該当ウェブページに向かうリンク数を用いて、該当ウェブページの人気度を計算することが記載されている。特許文献５には、ホームページのアクセス数を人気とみなすことが記載されている。特許文献６には、ページ重要性ランキングを計算するにあたって、ウェブページデータ中のウェブページのリンクを、あるレベルで集約し、集約されたリンクを使用することが記載されている。

また、特許文献７には、複数の記事を、記事内容に従って分類する文書分類装置についての記載がある。この特許文献７には、文書データ毎に単語出現回数を計数して文書特徴ベクトルを生成し、文書特徴ベクトルに統計的手法を適用することで文書分類を行うことが記載されている。

特開２００２−１０８９３７号 公報 特開２００５−１３５３１１号 公報 特開２００６−２２７９６５号 公報 特許第３８０２８１３号 公報 特開２００２−１３２９７６号 公報 特開２００６−１２７５２９号 公報 特開２００１−１０１２２７号 公報

本発明の目的は、インターネット上にどのようなテーマがあるかを、精度よく知ることのできる技術を提供することにある。

本発明の他の目的は、インターネット上の記事にあるテーマの旬度を、精度よく把握することのできる技術を提供することに有る。

以下に、［発明を実施するための最良の形態］で使用される番号・符号を用いて、［課題を解決するための手段］を説明する。これらの番号・符号は、［特許請求の範囲］の記載と［発明を実施するための最良の形態］との対応関係を明らかにするために括弧付きで付加されたものである。ただし、それらの番号・符号を、［特許請求の範囲］に記載されている発明の技術的範囲の解釈に用いてはならない。

本発明の旬度解析システムは、インターネット上に掲載される複数の記事のうち、複数の起点記事と、その複数の起点記事の各々からリンクで辿ることのできる記事群とについて記事内容を収集し、記事を特定する記事情報と対応付けて記事記録部（２）に記録する記事収集部（１）と、記事収集部（１）で収集される起点記事毎に、その起点記事とその起点記事からリンクで辿ることのできる記事群とを含む集合をクラスタとし、その記事情報と対応付けてクラスタ情報を生成し、そのクラスタ情報をクラスタ記録部（４）に記録するクラスタ生成部（３）と、記事記録部（２）及びクラスタ記録部（４）を参照して、そのクラスタに含まれる記事の記事内容に基いて、異なるクラスタ間の類似度をを計算し、計算結果に基いて類似するクラスタ同士をマージしてマージ後クラスタ情報を生成するクラスタ再構成部（５）と、そのマージ後クラスタ情報と記事記録部（２）とを参照し、クラスタ毎に旬度を測定する旬度測定部（７）と、旬度測定部（７）で測定された結果を出力装置に出力させる出力部（８）と、を具備する。

この発明によれば、クラスタ再構成部（５）によって、記事内容の類似するクラスタ同士がまとめられるようにクラスタが再構成されるので、インターネット上の多数の記事をテーマ別に分類させることができる。これにより、インターネット上にどのようなテーマがあるかを、精度よく把握することができる。また、旬度測定部（７）が、テーマ別にマージされたクラスタ毎に旬度を測定するので、テーマに対する旬度を把握することができる。

上記の旬度解析システムにおいて、クラスタ再構成部（５）は、記事記録部（２）に記録された記事の内容を解析して、単語と出現頻度とを対応付けた出現頻度データを生成し、出現頻度記録部（１０）に記録する記事解析部（９）と、クラスタ記録部（４）及び出現頻度記録部（１０）とを参照し、クラスタ毎に単語と出現頻度とを対応付けたクラスタ特徴ベクトルを生成し、特徴ベクトル記録部（１２）に記録する特徴ベクトル生成部（１１）と、そのクラスタ特徴ベクトルに基いて、異なるクラスタ間の類似度を計算し、計算結果に基いて類似するクラスタ同士をマージしてマージ後クラスタ情報を生成する類似度判定部（１３）と、を備えることが好ましい。

まあ、この際に、記事解析部（２）は、シソーラス辞書を参照して、出現頻度データ中の類似単語がマージされるように、出現頻度データを生成することが好ましい。

上記の旬度解析システムにおいて、類似度判定部（１４）は、異なるクラスタ間で類似度を計算するにあたり、下記式１により類似度を計算することが好ましい。

（但し、→ｖiはクラスタiの特徴ベクトルを示し、→ｖjはクラスタjの特徴ベクトルを示す）

上記の旬度解析システムにおいて、記事収集部（１）は、記事内容を収集して記録するにあたり、更に、収集される記事に対して張られるトラックバックの元記事を特定するトラックバック情報と、トラックバックの張られた時刻とを収集して、記事情報と対応付けて記録することが好ましい。ここで、旬度測定部（７）は、クラスタ毎に新鮮度を計算して新鮮度記録部（１６）に記録する新鮮度計算部（１５）と、新鮮度の結果に基いて、旬度を算出する旬度計算部（２１）とを備える。また、新鮮度計算部（１６）は、クラスタ中に含まれるトラックバックの数と、トラックバックの張られた時刻とに基いて、新鮮度を計算する。また、新鮮度計算部（１５）は、下記式２により、新鮮度Ｆ（ｔ）を計算することが更に好ましい。

（但し、α、β、γは定数、ｔはトラックバックの張られてからの経過時間を示す）

上記の旬度解析システムにおいて、記事収集部（１）は、記事内容を収集して記録するにあたり、更に、収集される記事に対して張られるトラックバックの元記事を特定するトラックバック情報を収集して、記事情報と対応付けて記録することが好ましい。ここで、旬度測定部（７）は、クラスタ毎に波及度を計算して波及度記録部（２０）に記録する波及度計算部（１９）と、波及度の結果に基いて旬度を算出する旬度計算部（２１）とを備る。波及度計算部（１９）は、トラックバック情報に基いて、トラックバックの起点記事からの深さを算出し、クラスタ中に含まれるトラックバックの数と、トラックバックの起点記事からの深さとに基いて、波及度を計算する。このとき、波及度計算部（１９）は、下記式３により、波及度Ｉ（ｄ）を計算することが更に好ましい。

（但し、αはトラックバック元の記事の重みを示し、ｄはトラックバックの前記起点記事からの深さを示す）

上記の旬度解析システムにおいて、記事収集部（１）は、記事内容を収集して記録するにあたり、更に、収集される記事に対する読み手の評価を示す評価情報を収集して、記事情報と対応付けて記録することが好ましい。ここで、旬度測定部（７）は、クラスタ毎に人気度を計算して人気度記録部（１８）に記録する人気度計算部（１７）と、人気度の結果に基いて旬度を算出する旬度計算部（２１）とを備える。人気度計算部（２１）は、クラスタ中に含まれる記事の数と、記事の評価情報とに基いて、人気度を計算する。この際、評価情報は、収集される記事に対するソーシャルブックマーク数又はアクセス数であることがより好ましい。

上記の旬度解析システムにおいて、記事収集部（１）は、記事を収集して記録するにあたり、更に、収集される記事に対して張られるトラックバックの元記事を特定するトラックバック情報と、前記トラックバックの張られた時刻と、収集される記事に対する読み手の評価を示す評価情報と、を収集して、前記記事情報と対応付けて記録することが好ましい。ここで、旬度測定部（７）は、クラスタ毎に、クラスタ中に含まれる記事の数と、記事の前記評価情報とに基いて人気度を計算し、人気度記録部（１８）に記録する人気度計算部（１７）と、クラスタ毎に、トラックバック情報に基いて、トラックバックの起点記事からの深さを算出し、クラスタ中に含まれるトラックバックの数と、トラックバックの起点記事からの深さとに基いて波及度を計算して波及度記録部（２０）に記録する波及度計算部（１９）と、クラスタ毎に、クラスタ中に含まれるトラックバックの数と、トラックバックの張られた時刻とに基いて、新鮮度を計算して新鮮度記録部（１６）に記録する新鮮度計算部（１５）と、人気度、前記波及度、及び前記新鮮度の結果に基いて、旬度を算出する旬度計算部（７）とを備える。この時、新鮮度計算部（１５）は、下記式４により、新鮮度Ｆ（ｔ）を計算し、

（但し、α、β、γは定数、ｔはトラックバックの張られてからの経過時間を示す）
波及度計算部（１９）は、下記式５により、波及度Ｉ（ｄ）を計算し、

（但し、αはトラックバック元の記事の重みを示し、ｄはトラックバックの前記起点記事からの深さを示す）
前記人気度計算部（１７）は、収集される記事に対するソーシャルブックマーク数又はアクセス数を評価情報として、クラスタ毎の総ソーシャルブックマーク数又は総アクセス数を、人気度Ｐ（ｎ）として計算し、
旬度計算部（２１）は、下記式６により、旬度を計算することが更に好ましい。

（但し、Ｉi(d)はトラックバックiの波及度を示し、Ｆi(t)はトラックバックiの新鮮度を示し、Ｐj(n)は、記事ｊの人気度を示す）

本発明によれば、インターネット上にどのようなテーマがあるかを、精度よく知ることのできる技術が提供される。

本発明によれば、更に、インターネット上の記事にあるテーマの旬度を、精度よく把握することのできる技術が提供される。

（第１の実施形態）
以下、図面を参照しつつ、第１の実施形態について説明する。本実施形態の旬度解析システムは、インターネット上の膨大な記事のなかから、旬度の高い記事を自動的に抽出して、その記事を特定する情報を表示するものである。尚、解析の対象となる記事としては、ブログやＷＩＫＩなどの、リンク支援システム付のユーザー参加型ウェブシステム群に含まれる記事が挙げられる。

図１は、本実施形態に係る旬度解析システムの構成を示す概略ブロック図である。旬度解析システムは、ＲＯＭ（Ｒｅａｄ ｏｎｌｙ ｍｅｍｏｌｙ）等に格納され、ＣＰＵにより実行される旬度解析プログラムと、その旬度解析プログラムの処理内容、結果を記録する記憶装置（ＲＡＭ、ハードディスク等）から構成される。具体的には、図１に示されるように、記事収集部１、記事記録部２、クラスタ生成部３、クラスタ記録部４、クラスタ再構成部５、マージ後クラスタ記録部６、旬度測定部７、及び表示部８を備えている。

記事収集部１は、インターネット上から定期的に記事を取得して記事データを生成し、記事記録部２に格納する機能を実現する。ここで記事収集部１は、更新された情報や新しい情報のみを記事記録部２に格納する。

クラスタ生成部３は、記事収集部１が収集する少なくとも一の記事に対してクラスタを設定し、クラスタ情報としてクラスタ記録部４に格納するものである。

クラスタ再構成部５は、記事記録部２とクラスタ記録部４とを参照して、クラスタ間の類似度を判定し、類似クラスタ同士をマージしたマージ後クラスタ情報を生成してマージ後クラスタ情報記録部６に格納するものである。クラスタ再構成部５は、記事解析部９、出現頻度記録部１０、特徴ベクトル生成部１１、特徴ベクトル記録部１２、類似度判定部１１、及び類似度記録部１４を備えている。

旬度測定部７は、記事記録部２とマージ後クラスタ記録部６とを参照して、マージ後のクラスタ毎に旬度を測定するものである。旬度測定部７は、新鮮度計算部１５、新鮮度記録部１６、人気度計算部１７、人気度記録部１８、波及度計算部１９、波及度記録部２０、旬度計算部２１、及び旬度記録部２２を備えている。

表示部８は、旬度測定部７の測定結果を表示画面上に表示するものである。

この旬度解析システムは、以下に述べるように動作してその機能を実現する。図２は、本実施形態に係る旬度解析方法を示すフローチャートである。この旬度解析方法は、記事を収集するステップ（Ｓ００１）、クラスタリングを行うステップ（Ｓ００２）、類似度を判定してクラスタを再構成するステップ（Ｓ００３）、旬度を測定するステップ（Ｓ００４）、及び表示するステップ（Ｓ０００５）を備えている。各ステップにおける動作について、以下に詳述する。

（（ステップＳ００１；記事の収集））
図３は、記事収集部１がインターネット上に掲載される記事を収集する際の動作を示すフローチャートである。本ステップの説明にあたっては、図４に示されるように、インターネット上に、複数の記事（Ａ〜Ｈ）が掲載されている場合を例として説明する。図４中、矢印はトラックバックによるリンクを示しており、例えば記事Ａは記事Ｂからトラックバックされ、記事Ａから記事Ｂにリンクが張られていることを示している。

ステップＳ１０１
まず、記事収集部１は、起点となる記事（以下、起点記事）を選択する。ここでは、記事Ａが起点記事として選ばれたとする。起点記事は、例えば、ソーシャルブックマークの登録数が多い記事や、アクセス数が多い記事、ユーザによって指定された記事などが選ばれる様にすればよい。記事収集部１は、選択した起点記事Ａにアクセスして、記事Ａに関するデータ（記事データ）を収集し、記事記録部２に格納する。

図５は、記事記録部２に記録されるデータを示す概念図である。記事収集部２は、この図に示される項目のうち、記事内容（タイトル及び本文）、ＵＲＬ（記事内容）、記事Ａの作成時刻、記事Ａに対するトラックバック元のＵＲＬ、トラックバックのリンクが張られた時刻、及び評価情報（本実施形態ではソーシャルブックマーク数）を収集する。そして、これらを記事を特定するための記事ＩＤ（記事情報；Ａ）と対応付けて、記事記録部２に記録する。この時、図５に示される「訪問済み」の項目はＮＯにしておく。そして、次のステップ（Ｓ１０２）へと進む。尚、図５では、記事Ｂ、Ｃ、Ｄに関する項目も埋められており、「訪問済み」の項目もＹＥＳとなっているが、この図５は、最終的な状態の例を示したものであり、本ステップでの処理後の状態をそのまま示したものではない。

ステップＳ１０２
次に、記事収集部２は、記事記録部を参照して未訪問の記事が存在するかを判断する。存在する場合には、次のステップＳ１０３に進み、存在しない場合には記事収集に係る処理を終える。この段階では、起点記事Ａの訪問が未訪問となっているので、次のステップＳ１０３に進む。

ステップＳ１０３、Ｓ１０４
次に、記事収集部１は、未訪問の記事の中から記事ＩＤの最も若い記事を選択する。ここでは、起点記事Ａが選択される（Ｓ１０３）。そして、選択した記事にトラックバックが張られているかどうかを確認し、張られている場合にはステップＳ１０５へ進み、張られていない場合にはＳ１０６に進む。ここでは、選択された起点記事Ａに対して、記事Ｂと記事Ｃからのトラックバックが張られているので、Ｓ１０５に進む（Ｓ１０４）。

ステップＳ１０５
次に、記事収集部１は、Ｓ１０３で選択した記事のトラックバック元の記事にアクセスし、Ｓ１０１の処理と同様に、記事に関するデータを収集して記事記録部２に格納する。ここでは、記事Ｂと記事Ｃとにアクセスして収集する。この際、記事Ｂと記事Ｃは、未訪問にしておく。その後、次のステップＳ１０６に進む。

ステップＳ１０６
次に、記事収集部１は、Ｓ１０３で選択した記事（記事Ａ）を訪問済みであることを記事記録部２に記録して、Ｓ１０２の処理に戻る。Ｓ１０２では、記事Ｂ、記事Ｃが未訪問であるので、Ｓ１０３へと進み、記事ＩＤの若い記事Ｂが選択される。Ｓ１０４において、記事Ｂにはトラックバック元が無いので、Ｓ１０６へと進んで、記事Ｂが訪問済みであることが記事記録部２に記録される。このような処理を繰り返し、起点記事Ａからリンクを辿ってアクセスすることのできる記事群全てについて、記事に関するデータが収集され、記事記録部２に記録される。同様の処理を、他の起点記事（Ｄ及びＧ）についても繰り返して、記事に関するデータを収集して記録する。

尚、以上の一連の処理の説明では、起点記事からリンクで辿る事のできる全ての記事について記事内容を収集する場合について説明したが、例えば２回目以降の処理のなどで記事記録部２に既に記事内容などが記憶されている場合には、更新された記事及び新しい記事についてのみ、収集すればよい。

（（ステップＳ００２））；クラスタリング処理
続いて、クラスタ生成部３が、記事記録部２１が収集した複数の記事に対して、起点記事及び起点記事からトラックバックによるリンクを辿ることのできる記事群の集合をクラスタとして設定する。クラスタ生成部３は、設定したクラスタに一意なＩＤ（以下、クラスタＩＤ）を割り振り、そのクラスタ中の記事ＩＤを関連付けてクラスタ情報を生成し、クラスタ記録部４に記録する。

図６、７は、クラスタ記録部４に記録されるクラスタ情報の一例を示す概念図であり、図４で挙げた例に対応している。この例では、起点記事Ａ及び起点記事Ａからリンクを辿ることのできる記事Ｂ、Ｃからなる集合がクラスタＣ１として設定されている。同様に、クラスタＣ２として、起点記事Ｄ、記事Ｅ、Ｆからなる集合が設定され、クラスタＣ３として、起点記事Ｇ及び記事Ｈからなる集合が設定されている。尚、図６中では、説明を分かり易くするために、記事名Ａ、Ｂ、を記載しているが、実際には、記事ＩＤ（Ｂ１、Ｂ２・・）とクラスタを示すクラスタＩＤとが対応付けられている。また、以下の説明でも、記事ＩＤ（Ｂ１、Ｂ２・・・）の代わりに、記事名（Ａ、Ｂ、Ｃ・・・）を記載することがある。

尚、トラックバックによるリンクを辿ることのできる記事群の集合は、たとえば、記事記録部２に記録されたトラックバック元のＵＲＬを参照することで把握することができる。

（（ステップＳ００３））；類似度の判定、クラスタ再構成
続いて、図８は、本ステップにおける動作を示すフローチャートである。本動作は、クラスタ再構成部５の動作により実現される。

ステップＳ２０１、２０２；記事の選択
まず、記事解析部９が、記事記録部２に記録された全ての記事内容を取得する（Ｓ２０１）。そして、取得した記事に対して、形態素解析を行う。それにより、記事内容を単語に分解し、その中から名詞を抽出する（Ｓ２０２）。本処理では、記事のテーマ（テーマ）の類似性を判定することが目的であり、テーマを表現するのに適さない品詞は必要がない。従って、形態素解析処理の結果から句読点・動詞・形容詞などを除き、名詞だけを抽出する。記事解析部９は、記事中に出現した名詞の出現回数をカウントし、名詞毎に一意なＩＤ（Ｗ１、Ｗ２・・・）を与えて、図９に例示される出現頻度データを生成し、出現頻度記録部１０に記録する。

ステップＳ２０３；特徴ベクトルの生成
続いて、特徴ベクトル生成部１１が、出現頻度データとクラスタ情報とを参照して、各クラスタ毎に、各単語の出現回数を集計する。そして、図１０に示されるように、クラスタ毎に、単語ＩＤ（Ｗ１、Ｗ２、・・）と出現回数とを対応付けた特徴ベクトルを生成し、特徴ベクトル記録部１２に記録する。この際に、全クラスタ中（全クラスタ中で正しいでしょうか？）で、出現頻度が高い順に上位の単語（例えば上位１０単語）を選んで特徴ベクトルを生成する。尚、図１０の例は、説明の便宜上、図８で示した例とは対応させていない。

ステップＳ２０４、２０５；類似度の計算、比較
続いて、類似度判定部１３が、特徴ベクトル記録部１２から、異なる２つのクラスタの特徴ベクトルを取得する。そして、取得した２つの特徴ベクトルの為す角で類似度を計算する。本実施形態では、下記式７で示される様に、２つのクラスタ（iとｊ）の特徴ベクトルのなす角の余弦（コサイン）を類似度で定義するものとする。

（但し、→ｖiはクラスタiの特徴ベクトルを示し、→ｖjはクラスタjの特徴ベクトルを示す）

図１０の場合を具体例にして、類似度の算出方法をより具体的に説明する。ここでは、クラスタ１とクラスタ２間の類似度を算出するとする。上式７により、クラスタ１と２の類似度を算出すると、以下の様に計算され、類似度＝０．０１という結果を得る。
類似度＝（３×２＋０×２＋９×０＋７×０）／{√（３^２＋０^２＋０^２＋９^２＋７^２）×√（２^２＋３^２＋２^２＋０^２＋０^２）＝０．０１

類似度判定部１３は、計算した類似度から、２つのクラスタ同士が類似しているかどうかを判定する。異なる２つのクラスタの特徴ベクトルに共通して出現する単語が多い程、また出現回数が近い単語が多いほど、特徴ベクトル同士のなす角度が１に近づき、類似度が高くなる。従って、予め類似度の閾値を設定しておき、特徴ベクトルの角度が閾値よりも近い（類似度が閾値よりも１に近い）クラスタ同士は類似している判定し、同一テーマを扱っているものと判定する。上述した例では、仮に閾値を０．０７に設定していたとすると、類似度＝０．０１であり、閾値よりも１に近くないので、類似していないと判定する。（ステップＳ２０５）。類似していた場合には、次のステップＳ２０６の動作を行い、類似していなかった場合には、Ｓ２０７の動作を行う。

尚、上述の処理（Ｓ２０４、２０５）で計算された類似度は、図１１に示されるように、類似度記録部１４に格納される。

ステップＳ２０６；類似クラスタのマージ
Ｓ２０５の処理で、２つのクラスタ同士が類似していた場合、類似判定部１３はクラスタ情報を参照して各単語の出現回数を足し合わせ、類似クラスタ同士をマージする。これにより、新しい特徴ベクトルが生成される。また、類似度判定部は、クラスタ情報を参照して、類似クラスタ同士がマージされたクラスタを付加したマージ後クラスタ情報を生成し、マージ後クラスタ記録部に格納する。図１２は、マージ後クラスタ情報の一例を示す概念図である。図１２の例では、クラスタＣ１とクラスタＣ２とが類似しており、クラスタ１と２を併せたクラスタＣ４が追加された例を示している。なお、説明の便宜上、既述の図とは対応していない。マージ済みの特徴ベクトル内のクラスタ間同士は、類似度比較の対象とならないように設定し、次のステップＳ２０７の処理を行う。

ステップＳ２０７；終了判定
以上の処理一連の処理を、全てのクラスタ同士の組み合わせについて繰り返し、全ての組み合わせについて類似性の判定が終わると、処理を終了する。このようにして再構成されたマージ後クラスタ情報は、記事内容に基いて複数の記事がまとめられた物であるので、テーマ別に記事がまとめられたものであるととらえることができる。すなわち、異なるクラスタ内の記事同士はテーマの異なる記事同士であり、同じクラスタ内の記事同士は、同じテーマの記事同士であるととらえることができる。また、Ｓ２０６においてマージされたクラスタの特徴ベクトルは、クラスタ内で頻繁に使われているキーワードを示しているといえる。従って、クラスタ毎にキーワードを表示する様にすれば、ユーザはどのようなテーマが存在しているかを把握することができる。

（（ステップＳ００４））；旬度の測定
続いて、旬度測定部７が、旬度の測定を行う。図１３は、旬度の測定に係る動作を示すフローチャートである。旬度測定部７は、新鮮度の計算（Ｓ３０１）、人気度の計算（Ｓ３０２）、及び波及度の計算（Ｓ３０３）を行い、これらの値からクラスタ毎に旬度を計算する（Ｓ３０４）。新鮮度、人気度、及び波及度の計算はどの順に行われてもよい。また、複数クラスタのマージされたクラスタ（マージクラスタ）が存在する場合には、旬度計算時に、マージクラスタの構成要素クラスタ毎に人気度、新鮮度、及び波及度が計算され、構成要素クラスタの値を合算してマージクラスタの評価値とする。以下に、各ステップにおける動作の詳細について説明する。

ステップＳ３０１；新鮮度の計算
新鮮時計算部１５は、記事記録部１５を参照して、記事ＩＤと、トラックバック元の記事の情報（トラックバック元のＵＲＬ）と、そのトラックバックの張られた時刻の情報と、を取得する。また、図示しないタイマー機能部から、現在時刻を取得する。一のトラックバックに対して、そのトラックバックが張られてからの経過時間（現在時刻からのトラックバックの張られた時刻の差分）を算出し、トラックバック元の記事、トラックバック先の記事を特定する情報（記事ＩＤ）と対応付けて保持する（図１４）。尚、図１４では、説明を分かり易くするため、記事ＩＤの代わりに、記事名（Ａ、Ｂ、・・・）を記載してある。この経過時間の算出を、記事記録部１５中に記録される全てのトラックバックに対して行う。そして、各トラックバックに対して、経過時間に基いて新鮮度を計算する。

本実施形態では、トラックバックの新鮮度は、トラックバックが張られてからの時間の経過に対して、図１５に示されるように指数関数的に減少していくものと設定し、下記式８で新鮮度Ｆ（ｔ）を求める場合を例として説明する。

（但し、α、β、γは定数、ｔはトラックバックの張られてからの経過時間を示す）
尚、式中、ｔは経過時間を示し、ｔ＞＝０である。αは、新鮮度の減少量の幅に関する定数である。βは、新鮮度の傾きを示す。γは、新鮮度の初期値を示す値である。

新しいトラックバックが多ければ多いほど、そのトラックバック先の記事は注目が高まっていると考えられる。逆に、古いトラックバックしかなければ低くなる。但し、一定時間が経過しても、一定の価値は残る。従って、上式８で示したように、時間経過とともに減少する指数関数を用いることが好ましい。

具体例として、ここではα＝１０、β＝１０、γ＝０として設定し、各トラックバックの経過時間が図１４のように計算されたとする。このとき、新鮮度計算部１５は、式９に従い計算し、Ａ−Ｂ間のトラックバックの新鮮度＝１．４、Ｃ−Ａ間のトラックバックの新鮮度＝３．７、Ｄ−Ｂ間のトラックバックの新鮮度＝６．１という計算結果を得る（ただし、本例では小数点第３桁は四捨五入した）。

新鮮度計算部１５は、算出したトラックバックの新鮮度を、トラックバックを特定する情報と対応付けて、新鮮度記録部１６に記録する（図１６参照；但し、一例を示したものであり、既述の図の内容とは対応していない）。

以上で、新鮮度の計算に係る処理を終了する。

なお、ある記事Ｂの書き手が、現在時刻に近い時間に別の記事Ａを評価してブログを評価してトラックバックを張れば、そのトラックバック先の記事Ａの新鮮度の評価値が高くなると考えられるので、上記で計算したトラックバックの新鮮度は、トラックバック先の記事の新鮮度と捉える事もできる。従って、新鮮度は、記事の盛り上がりのパラメータとしても用いることができる。また、クラスタの新鮮度は、トラックバックの新鮮度の総和に比例するものとして捉えた場合、クラスタ内のトラックバックの新鮮度を合算すれば、クラスタの新鮮度を得る事ができる。従って、新鮮度計算部８がこれらを必要に応じて計算し、表示部８によって表示画面上に表示する様に構成することも有用である。

ステップＳ３０２；人気度の計算
人気度計算部１７は、記事記録部２を参照して、記事の評価情報（本実施形態ではソーシャルブックマーク数）に基いて、その記事の人気度を算出する。図１７に示されるように、記事Ａのソーシャルブックマーク数が１０、記事Ｂが５、記事Ｃが３、記事Ｄが２であったとすると、記事Ａの人気度は１０、記事Ｂの人気度は５、記事Ｃの人気度は３、記事Ｄの人気度は２となる。このようにして算出した人気度は、人気度記録部１１４に記録する。図 １９は、本発明の第一の実施形態における人気度のデータの例である。人気度計算部１７は、人気度を記事ＩＤと対応付けて、人気度記録部１１８に記録する（図１８参照）。尚、評価情報としては、その記事の読み手側の評価を示す情報であれば、ソーシャルブックマーク数に限られず、アクセス数などの他のデータを用いてもよい。

尚、クラスタ内の記事の人気度を合計して、そのクラスタの人気度としてもよい。

ステップＳ３０３；波及度の計算
波及度計算部１９は、記事記録部２を参照して、トラックバックの起点記事からのパス長（深さ）に基いて、波及度を計算する。ここで、パス長は、起点記事とトラックバック先の記事との間に存在するリンク（トラックバック）数であるものとする。起点記事から離れている（パス長が長い）記事が有るほど、リンク（トラックバック）が多いほど、そのクラスタではテーマが盛り上がっていると考えられる。従って、パス長が長ければ長いほど、波及度を高くする。具体的に説明するために、図１９に示されるように、起点記事Ａに対して、記事Ｂ及びＣからトラックバックが張られており、記事Ｂに対して記事Ｄからトラックバックが張られているものとする。このとき、人気度計算部１７は、記事ＢからＡに対するトラックバック、及び記事ＣからＡに対するトラックバックのパス長を１であると計算する。また、記事ＤからＢに対するトラックバックのパス長は２であると計算する。

また、波及度に関しては、記事の信頼性などを考慮して、重み付けを行って計算してもよい。このように、記事の信頼性を考慮した場合の一例として、波及度Ｉ（ｄ）を下記式９のように定義することができる。

尚、上式中において、ｄはパス長である。αは、リンクのパス長への重みである。この重みは、信頼性の高い記事（例示；アクセス数の多い記事）から直接リンクされている場合などには大きくし、信頼性の低い記事から直接リンクされている場合などは値を小さくする様にすればよい。

波及度計算部１９は、以上の様にして算出した波及度を、トラックバック元記事ＩＤ、トラックバック先記事ＩＤと対応付けて、波及度記録部２０に記録する（図２０参照）。尚、新鮮度の段で説明したのと同様に、トラックバックの波及度は、トラックバック先の記事の波及度と捉えてもよい。

ステップＳ３０４；旬度の測定
旬度算出部２１は、Ｓ３０１〜３０３の処理で算出された波及度、新鮮度、及び人気度に基いて、旬度を算出する。この際に、マージ後クラスタ情報に基いて、クラスタ毎に旬度を算出する。

下記式１０は、旬度計算の一例を示す式である。

（但し、Ｉi(d)はトラックバックiの波及度を示し、Ｆi(t)はトラックバックiの新鮮度を示し、Ｐj(n)は、記事ｊの人気度を示す）

より具体的に例を挙げると、クラスタＣ１内に含まれる記事が図１９で示される様にトラックバックによりリンクされていたとする。そして、新鮮度として図１６に示される結果が、波及度として図２０に示される結果が、人気度として図１８に示される結果が、それぞれ得られていたものとする。この場合、クラスタＣ１のテーマの旬度は、
ブログクラスタＣ１のテーマの旬度
＝（Ａ−Ｂ間）のトラックバックの波及度×（Ａ−Ｂ）間のトラックバックの新鮮度＋（Ａ−Ｃ）間のトラックバックの波及度×（Ａ−Ｃ）のトラックバックの新鮮度＋（Ｂ−Ｄ）のトラックバックの波及度×Ｂ−Ｄのトラックバックの新鮮度＋ブログ記事Ａ〜Ｄの人気度の総和
＝１×１．４＋１×３．７＋２×６．１＋（１０＋５＋３＋２）
＝３７．３
となる。

旬度計算部２１は、このようにして算出したテーマの旬度を、クラスタＩＤと対応付けて、旬度記録部２２に記録する（図２１参照；但し、クラスタＣ２、Ｃ３に関しては、既述の例と対応していない）。

尚、既述のように、トラックバックの波及度をトラックバック先の記事の波及度、トラックバックの新鮮度をトラックバック先記事の新鮮度と捉えれば、各記事についても旬度を計算することができる。具体的には、「記事の旬度」＝波及度×新鮮度＋人気度として求めればよい。

（（ステップＳ００５；表示））
表示部１２は、記事記録部２、マージ後クラスタ情報を参照して、クラスタ毎に起点記事のタイトル取得する。また、旬度記録部２２を参照して旬度の高い順にクラスタを並び替え、図２２に示されるように、起点記事のタイトルと対応する旬度を表示画面に表示する。またこの際に、クラスタの特徴ベクトル（図１０参照）を参照して、クラスタのキーワードを表示する。また、マージクラスタを表示する場合には、階層的に表示する様にしてもよい。また、起点記事以外の記事を関連記事として表示してもよい。この際、各記事の旬度を求めていれば、各記事の旬度を併せて表示してもよい。

以上説明したように、本実施形態によれば、インターネット上の複数の記事が、記事内容に基いてクラスタリングされ、旬度が高い順に起点記事のタイトルや、キーワードなどが表示されるので、ユーザは全ての記事を閲覧する事無く、最近の旬なテーマとしてどのようなテーマが存在するのかを知る事ができる。また、そのテーマの盛り上がり具合も把握することができる。

また、旬度を算出するにあたり波及度を用いているので、テーマがどれほど多面的に、どれほど広く注目を集めているかという点を、旬であるかどうかの評価に反映させることができる。

また、旬度を算出するにあたり新鮮度を用いているので、昔の評価と最近の評価とが等価に扱われず、最近の評価ほど重みを増して旬度に反映させる事ができる。

（第２の実施形態）
本発明の第２の実施形態について説明する。図２３は、本実施形態の旬度解析システムの構成を概略的に示すブロック図であり、図２４は動作方法を示すフローチャートである。本実施形態の旬度解析システムは、第１の実施形態に対して、記事解析部９にシソーラス解析部２３が追加されており（図２３）、動作方法としては、単語のシソーラス解析を行うステップ（Ｓ２０２Ａ）が追加されている。その他の構成、動作に関しては、同じ番号を付して省略を説明する。

記事解析部９が出現頻度データを生成すると（Ｓ２０２）、シソーラス解析部２３は、シソーラス辞書（図示せず）を参照して、生成した出現頻度データに対してシソーラス解析を行う（Ｓ２０２Ａ）。すなわち、抽出した単語のうち、シソーラスである（類似している）単語同士がないかどうかを判定し、シソーラスと判定された単語同士の出現頻度をマージし、一つの単語として扱う。シソーラス解析部９は、この様にして類似単語のマージされた出現頻度データを、マージ後出現頻度データとして、出現頻度記録部１０に記録する（図 ２４のＡＳ２０１）。以降のステップＳ２０３以降の処理では、第１の実施形態における出現頻度データに代えて、マージ後出現頻度データが用いられる。

本実施形態によれば、単語の出現頻度のみをだけでなく、単語のシソーラスの解析を行い、類似単語を一つにまとめる事により、記事の単語のばらつきを抑えることができ、クラスタの類似度判定の際の精度を向上させることができる。

尚、シソーラス解析部２３がシソーラス解析を行うにあたっては、シソーラス解析部２３がシソーラス辞書を電子データとして記憶しておく事でシソーラス解析を行ってもよいし、インターネット上のシソーラス辞書を利用してシソーラス解析を行うようにしてもよい。

第１の実施形態に係る旬度解析システムの概略ブロック図である。 第１の実施形態に係る旬度解析方法を示すフローチャートである。 記事収集部の動作を示すフローチャートである。 記事のトラックバックの結びつきの例を示す説明図である。 記事記録部に記録されるデータ内容を表す概念図である。 クラスタ記録部に記録されるデータ内容を表す概念図である。 クラスタ生成部の動作を説明するための説明図である。 クラスタ再構成部の動作を示すフローチャートである。 出現頻度データを示す概念図である。 クラスタ特徴ベクトルを示す概念図である。 類似度記録部に記録されるデータ内容を表す概念図である。 マージ後クラスタ情報を説明するための説明図である。 旬度測定部の動作を示すフローチャートである。 トラックバックとトラックバック時刻との関係を示す概念図である。 新鮮度と経過時間との関係を説明するための説明図である。 新鮮度記録部に記録されるデータ内容を表す概念図である。 記事と評価情報との関係を説明するための説明図である。 人気度記録部に記録されるデータ内容を表す概念図である。 トラックバックとパス長との関係を説明するための説明図である。 波及度記録部に記録されるデータ内容を表す概念図である。 旬度記録部に記録されるデータ内容を表す概念図である。 表示画面上に表示される内容を表す例図である。 第２の実施形態の旬度解析システムの構成を示す概略ブロック図である。 第２の実施形態の旬度解析方法の、クラスタ再構成部の動作を示す示すフローチャートである。

符号の説明

１ 記事収集部
２ 記事記録部
３ クラスタ生成部
４ クラスタ記録部
５ クラスタ再構成部
６ マージ後クラスタ記録部
７ 旬度測定部
８ 表示部
９ 記事解析部
１０ 出現頻度記録部
１１ 特徴ベクトル生成部
１２ 特徴ベクトル記録部
１３ 類似度判定部
１４ 類似度記録部
１５ 新鮮度計算部
１６ 新鮮度記録部
１７ 人気度計算部
１８ 人気度記録部
１９ 波及度計算部
２０ 波及度記録部
２１ 旬度計算部
２２ 旬度記録部
２３ シソーラス解析部

Claims (25)

1. インターネット上に掲載される複数の記事のうちから複数の起点記事を選択し、前記複数の起点記事の各々及び前記各起点記事からリンクで辿ることのできる記事群について記事内容を収集し、記事を特定する記事情報と対応付けた記事データを生成する記事収集部と、
   前記起点記事毎に、前記起点記事及び前記起点記事からリンクで辿ることのできる記事群からなる集合をクラスタとして設定し、前記クラスタと前記記事情報とを対応付けたクラスタ情報を生成するクラスタ生成部と、
   前記記事データ及び前記クラスタ情報に基いて、前記クラスタに含まれる記事の記事内容に基いて異なるクラスタ間の類似度を判定し、判定結果に基いて類似する前記クラスタ同士をマージしてマージ後クラスタ情報を生成するクラスタ再構成部と、
   前記マージ後クラスタ情報と前記記事データとを参照し、クラスタ毎に旬度を測定する旬度測定部と、
   前記旬度測定部で測定された結果を出力装置に出力させる出力部と、
   を具備する
   旬度解析システム。
2. 請求項１に記載された旬度解析システムであって、
   前記クラスタ再構成部は、
   前記記事データに基いて記事の記事内容を解析し、単語と出現頻度とを対応付けた出現頻度データを生成する記事解析部と、
   前記クラスタ情報及び前記出現頻度データに基いて、前記クラスタ毎に、単語と出現頻度を対応付けたクラスタ特徴ベクトルを生成する特徴ベクトル生成部と、
   前記クラスタ特徴ベクトルに基いて、異なるクラスタ間の類似度を計算し、判定結果に基いて類似するクラスタ同士をマージして、前記マージ後クラスタ情報を生成する類似度判定部と、を備える
   旬度解析システム。
3. 請求項２に記載された旬度解析システムであって、
   更に、
   前記記事解析部によって生成された出現頻度データをシソーラス解析し、類似単語をマージしたマージ後出現頻度データを生成するシソーラス解析部
   を具備し、
   特徴ベクトル生成部は、前記マージ後出現頻度データを参照して前記クラスタ特徴ベクトルを生成する
   旬度解析システム。
4. 請求項１乃至３のいずれかに記載された旬度解析システムであって、
   前記類似度判定部は、下記式１により、クラスタiとクラスタｊ間の類似度を計算する
   

   

   （但し、→ｖiはクラスタiの特徴ベクトルを示し、→ｖjはクラスタjの特徴ベクトルを示す）
   旬度解析システム。
5. 請求項１に記載された旬度解析システムであって、
   前記記事収集部は、前記記事データを生成するにあたり、更に、収集する記事に対して参照側によって参照側記事へ張られたリンクの元記事を特定するトラックバック情報と、前記トラックバックの張られた時刻とを収集して、前記記事情報と対応付けて前記記事データとし、
   前記旬度測定部は、
   新鮮度を計算する新鮮度計算部と、
   前記新鮮度の結果に基いて、クラスタ毎に旬度を算出する旬度計算部とを備え、
   前記新鮮度計算部は、前記トラックバック情報と、前記トラックバックの張られた時刻に基いて、前記トラックバックの新鮮度を計算する
   旬度解析システム。
6. 請求項５に記載された旬度解析システムであって、
   前記新鮮度計算部は、前記クラスタ毎に新鮮度を計算するにあたり、下記式２により、新鮮度Ｆ（ｔ）を計算する
   

   

   （但し、α、β、γは定数、ｔはトラックバックの張られてからの経過時間を示す）
   旬度解析システム
7. 請求項１に記載された旬度解析システムであって、
   前記記事収集部は、前記記事データを生成するにあたり、更に、収集される記事に対して張られるトラックバックの元記事を特定するトラックバック情報を収集して、前記記事情報と対応付け、
   前記旬度測定部は、
   前記クラスタ毎に波及度を計算する波及度計算部と、
   前記波及度の結果に基いて、旬度を算出する旬度計算部とを備え、
   前記波及度計算部は、前記トラックバック情報に基いて、前記トラックバックの前記起点記事からの深さを算出し、前記クラスタ中に含まれる前記トラックバックの数と、前記トラックバックの前記起点記事からの深さとに基いて、前記波及度を計算する
   旬度解析システム。
8. 請求項７に記載された旬度解析システムであって、
   前記波及度計算部は、下記式３により、波及度Ｉ（ｄ）を計算する
   

   

   （但し、αはトラックバック元の記事の重みを示し、ｄはトラックバックの前記起点記事からの深さを示す）
   旬度解析システム。
9. 請求項１に記載された旬度解析システムであって、
   前記記事収集部は、前記記事データを生成するにあたり、更に、収集される記事に対する読み手の評価を示す評価情報を収集して、前記記事情報と対応付け、
   前記旬度測定部は、
   前記クラスタ毎に人気度を計算する人気度計算部と、
   前記人気度の結果に基いて、旬度を算出する旬度計算部とを備え、
   前記人気度計算部は、前記クラスタ中に含まれる記事の数と、記事の前記評価情報とに基いて、前記人気度を計算する
   旬度解析システム。
10. 請求項９に記載された旬度解析システムであって、
    前記評価情報は、収集される記事に対するソーシャルブックマーク数又はアクセス数である
    旬度解析システム。
11. 請求項１に記載された旬度解析システムであって、
    前記記事収集部は、前記記事データを生成するにあたり、更に、収集される記事に対して張られるトラックバックの元記事を特定するトラックバック情報と、前記トラックバックの張られた時刻と、収集される記事に対する読み手の評価を示す評価情報と、を収集して、前記記事情報と対応付け、
    前記旬度測定部は、
    前記クラスタ毎に、前記クラスタ中に含まれる記事の数と、記事の前記評価情報とに基いて前記人気度を計算する人気度計算部と、
    前記クラスタ毎に、前記トラックバック情報に基いて、前記トラックバックの前記起点記事からの深さを算出し、前記クラスタ中に含まれる前記トラックバックの数と、前記トラックバックの前記起点記事からの深さとに基いて波及度を計算する波及度計算部と、
    前記クラスタ毎に、前記クラスタ中に含まれる前記トラックバックの数と、前記トラックバックの張られた時刻とに基いて、新鮮度を計算する新鮮度計算部と、
    前記人気度、前記波及度、及び前記新鮮度の結果に基いて、旬度を算出する旬度計算部とを備える
    旬度解析システム。
12. 請求項１１に記載された旬度解析システムであって、
    前記新鮮度計算部は、前記クラスタ毎に新鮮度を計算するにあたり、下記式４により、新鮮度Ｆ（ｔ）を計算し、
    

    

    （但し、α、β、γは定数、ｔはトラックバックの張られてからの経過時間を示す）
    前記波及度計算部は、下記式５により、波及度Ｉ（ｄ）を計算し、
    

    

    （但し、αはトラックバック元の記事の重みを示し、ｄはトラックバックの前記起点記事からの深さを示す）
    前記人気度計算部は、収集される記事に対するソーシャルブックマーク数又はアクセス数でを前記評価情報として、前記クラスタ毎の総ソーシャルブックマーク数又は総アクセス数を、前記人気度Ｐ（ｎ）として計算し、
    前記旬度計算部は、下記式６により、旬度を計算する
    

    

    （但し、Ｉi(d)はトラックバックiの波及度を示し、Ｆi(t)はトラックバックiの新鮮度を示し、Ｐj(n)は、記事ｊの人気度を示す）
    旬度解析システム。
13. ウェブ上に掲載される複数の記事のうち、複数の起点記事と、前記複数の起点記事の各々からリンクで辿ることのできる記事群とについて、記事内容を収集して記事を特定する記事情報と対応付けて記事データを生成する記事収集ステップと、
    前記記事収集ステップで収集される前記起点記事毎に、前記起点記事と前記起点記事からリンクで辿ることのできる記事群とを含む集合をクラスタとし、前記クラスタと前記記事情報との対応関係を示すクラスタ情報を生成するクラスタ生成ステップと、
    前記記事データと前記前記クラスタ情報とに基いて、異なるクラスタ間の記事内容に関する類似度をを計算し、計算結果に基いて類似する前記クラスタ同士をマージして、マージ後クラスタ情報を生成するクラスタ再構成ステップと、
    前記マージ後クラスタ情報と、前記記事収集ステップで収集された記事の内容とに基いて、前記クラスタ毎に旬度を測定する旬度測定ステップと、
    前記旬度測定ステップの測定結果を出力装置によって出力させる出力ステップと、
    を具備する
    旬度解析方法。
14. 請求項１３に記載された旬度解析方法であって、
    前記クラスタ再構成ステップは、
    前記記事収集ステップで収集された記事内容を解析して、単語と出現頻度とを対応付けた出現頻度データを生成する出現頻度データ生成ステップと、
    前記クラスタ情報と前記出現頻度データとに基いて、前記クラスタ毎に、単語と出現頻度を対応付けたクラスタ特徴ベクトルを生成するクラスタ特徴ベクトル生成ステップと、
    前記クラスタ特徴ベクトルに基いて、異なるクラスタ間の類似度を計算し、判定結果に基いて類似するクラスタ同士をまとめ、てマージ後クラスタ情報を生成する類似度判定ステップと、を備える
    旬度解析方法。
15. 請求項１４に記載された旬度解析方法であって、
    前記出現頻度データ生成ステップにおいて、シソーラス辞書を参照し、類似単語がマージされるように、前記出現頻度データを生成する
    旬度解析方法。
16. 請求項１３乃至１５のいずれかに記載された旬度解析方法であって、
    前記類似度判定ステップにおいて、異なる前記クラスタ間で類似度を計算するにあたり、
    下記式７により類似度を計算する
    

    

    （但し、→ｖiはクラスタiの特徴ベクトルを示し、→ｖjはクラスタjの特徴ベクトルを示す）
    旬度解析方法。
17. 請求項１３に記載された旬度解析方法であって、
    前記記事収集ステップにおいて、前記記事データを生成するにあたり、更に、収集される記事に対して張られるトラックバックの元記事を特定するトラックバック情報と、前記トラックバックの張られた時刻とを収集し、前記記事情報と対応付けて前記記事−データとし、
    前記旬度測定ステップは、
    前記クラスタ毎に新鮮度を計算する新鮮度計算ステップと、
    前記新鮮度の結果に基いて、旬度を算出する旬度計算ステップとを備え、
    前記新鮮度計算ステップにおいて、前記クラスタ中に含まれる前記トラックバックの数と、前記トラックバックの張られた時刻とに基いて、前記新鮮度を計算する
    旬度解析方法。
18. 請求項１７に記載された旬度解析システムであって、
    前記新鮮度計算ステップは、前記クラスタ毎に新鮮度を計算するにあたり、下記式８により、新鮮度Ｆ（ｔ）を計算する
    

    

    （但し、αはトラックバック元の記事の重みを示し、ｄはトラックバックの前記起点記事からの深さを示す）
    旬度解析方法。
19. 請求項１３に記載された旬度解析方法であって、
    前記記事収集ステップにおいて、前記記事データを生成するにあたり、更に、収集される記事に対して張られるトラックバックの元記事を特定するトラックバック情報を収集して、前記記事データとし、
    前記旬度測定ステップは、
    前記クラスタ毎に波及度を計算する波及度計算ステップと、
    前記波及度の結果に基いて、旬度を算出する旬度計算ステップと、備え、
    前記波及度計算ステップにおいて、前記トラックバック情報に基いて、前記トラックバックの前記起点記事からの深さを算出し、前記クラスタ中に含まれる前記トラックバックの数と、前記トラックバックの前記起点記事からの深さとに基いて、前記波及度を計算する
    旬度解析方法。
20. 請求項１９に記載された旬度解析方法であって、
    前記波及度計算ステップにおいて、下記式９により、波及度Ｉ（ｄ）を計算する
    

    

    （但し、αはトラックバック元の記事の重みを示し、ｄはトラックバックの前記起点記事からの深さを示す）
    旬度解析方法。
21. 請求項１３に記載された旬度解析方法であって、
    前記記事収集ステップにおいて、前記記事データを生成するにあたり、更に、収集される記事に対する読み手の評価を示す評価情報を収集して、前記記事情報と対応付けて前記記事データとし、
    前記旬度測定ステップは、
    前記クラスタ毎に人気度を計算する人気度計算ステップと、
    前記人気度の結果に基いて、旬度を算出する旬度計算ステップと、を備え、
    前記人気度計算ステップにおいて、前記クラスタ中に含まれる記事の数と、記事の前記評価情報とに基いて、前記人気度を計算する
    旬度解析方法。
22. 請求項２１に記載された旬度解析方法であって、
    前記評価情報は、収集される記事に対するソーシャルブックマーク数又はアクセス数である
    旬度解析方法。
23. 請求項１３に記載された旬度解析方法であって、
    前記記事収集ステップにおいて、前記記事データを生成するにあたり、更に、収集される記事に対して張られるトラックバックの元記事を特定するトラックバック情報と、前記トラックバックの張られた時刻と、収集される記事に対する読み手の評価を示す評価情報とを収集して、前記記事データとし、
    前記旬度測定ステップは、
    前記クラスタ毎に、前記クラスタ中に含まれる記事の数と、記事の前記評価情報とに基いて前記人気度を計算する人気度計算ステップと、
    前記クラスタ毎に、前記トラックバック情報に基いて、前記トラックバックの前記起点記事からの深さを算出し、前記クラスタ中に含まれる前記トラックバックの数と、前記トラックバックの前記起点記事からの深さとに基いて波及度を計算する波及度計算ステップと、
    前記クラスタ毎に、前記クラスタ中に含まれる前記トラックバックの数と、前記トラックバックの張られた時刻とに基いて、新鮮度を計算する新鮮度計算ステップと、
    前記人気度、前記波及度、及び前記新鮮度の結果に基いて、旬度を算出する旬度計算ステップと、備える
    旬度解析方法。
24. 請求項２３に記載された旬度解析方法であって、
    前記新鮮度計算ステップにおいて、下記式１０により、新鮮度Ｆ（ｔ）を計算し、
    

    

    （但し、α、β、γは定数、ｔはトラックバックの張られてからの経過時間を示す）
    前記波及度計算ステップにおいて、下記式１１により、波及度Ｉ（ｄ）を計算し、
    

    

    （但し、αはトラックバック元の記事の重みを示し、ｄは前記起点記事からのトラックバックの深さを示す）
    前記人気度計算部は、収集される記事に対するソーシャルブックマーク数又はアクセス数でを前記評価情報として、前記クラスタ毎の総ソーシャルブックマーク数又は総アクセス数を、前記人気度Ｐ（ｎ）として計算し、
    前記旬度計算部は、下記式１２により、旬度を計算する
    

    

    （但し、Ｉi(d)はトラックバックiの波及度を示し、Ｆi(t)はトラックバックiの新鮮度を示し、Ｐj(n)は、記事ｊの人気度を示す）
    旬度解析方法。
25. 請求項１３乃至２４のいずれかに記載された旬度解析方法をコンピュータによって実行させるための旬度解析プログラム。

Images