JP4900915B2 - コンテンツ配信方法および装置 - Google Patents

Description

本発明は、コンテンツ配信方法および装置に係り、特に、ユーザのコンテンツ視聴履歴に基づいて嗜好クラスタを動的に生成・更新し、この嗜好クラスタに基づいて、ユーザの嗜好が反映された優先配信を可能にするコンテンツ配信方法および装置に関する。

ユーザの興味や関心に合わせて情報をカスタマイズするサービスが研究されている。特許文献１には、ユーザへの配信済みのニュース記事の識別情報を含む配信履歴情報と、サービス提供に先立って各ユーザから受け付けたユーザ登録情報に基づいて作成されたユーザプロファイル情報とに基づいて、ユーザ毎にカスタマイズされたニュース配信を可能にする技術が開示されている。

特許文献２には、閲覧者がWebページを閲覧するごとに、そのページに登場する単語を抽出してジャンル分けし、単語やジャンルの出現頻度に、各Webページの閲覧時刻から求まる忘却概念を適用して個人嗜好情報を求め、この個人嗜好情報に基づいて、Webページ上で閲覧者の嗜好に合致した単語を色分け表示したり、あるいは閲覧者の嗜好に合致した複数の単語によるキーワード検索をバックグラウンドで実行する技術が開示されている。
特開２００５−２４２７５８号公報 特開２００２−０７３６７７号公報

特許文献１に開示された技術では、閲覧を望むニュースジャンルやキーワードをユーザ自身が予め入力しなければならないので煩わしさがある。また、キーワード検索ではキーワードの選択が検索結果に大きく影響するので、キーワードの選択が不適切であると所望の検索結果を得られないことがある。

特許文献２に開示された技術では、Webページに出現する単語に基づいて嗜好情報が生成されるが、そもそも嗜好とは抽象的な概念なので、このような抽象的な概念を単語で分類し、その分類結果に基づいて嗜好情報を生成してしまうと、嗜好情報にユーザの嗜好を十分に反映させることができず、またユーザの潜在的な嗜好を反映させることもできない。

本発明の目的は、上記した従来技術の課題を解決し、ユーザの嗜好を十分に反映し、かつユーザの潜在的な嗜好までも反映したコンテンツ配信を可能にするコンテンツ配信方法および装置を提供することにある。

上記した目的を達成するために、本発明は、ユーザのコンテンツ視聴履歴に基づいて嗜好クラスタを動的に生成・更新し、この嗜好クラスタに基づいて、ユーザに配信するコンテンツに優先度を設定するコンテンツ配信方法において、以下の手順を含むことを特徴とする。

(1)コンテンツごとに、その内容を代表するキーワードおよびコンテンツベクトルを生成してコンテンツデータベースに登録する手順と、ユーザが視聴したコンテンツのキーワードを前記コンテンツデータベースから抽出する手順と、抽出されたキーワードに基づいて、各コンテンツを複数の嗜好クラスタの少なくとも一つに分類する手順と、各嗜好クラスタに分類されているコンテンツに基づいて、各嗜好クラスタの特徴を代表する嗜好クラスタベクトルを生成する手順と、配信しようとする新規コンテンツごとに、そのコンテンツベクトルと各嗜好クラスタベクトルとの類似度を算出する手順と、前記類似度に基づいて各新規コンテンツに優先度を設定する手順と、各新規コンテンツを前記優先度に従ってユーザに提供する手順とを含むことを特徴とする。

(2)分類されているコンテンツが相互に類似する複数の嗜好クラスタを一つの嗜好クラスタに統合する手順をさらに含むことを特徴とする。

(3)各嗜好クラスタに重み値を設定する手順をさらに含み、前記各新規コンテンツに優先度を設定する手順では、新規コンテンツと嗜好クラスタとの類似度に、当該嗜好クラスタの重み値を反映して優先度が設定されることを特徴とする。

本発明によれば、以下のような効果が達成される。
(1)嗜好クラスタごとに、その特徴を代表する嗜好クラスタベクトルが生成され、この嗜好クラスタベクトルと新規コンテンツのコンテンツベクトルとの比較結果に基づいて、いずれかの嗜好クラスタとの類似度が高い新規コンテンツがユーザの嗜好に合致したコンテンツとして優先的に提供されるので、ユーザの嗜好を十分に反映し、かつユーザの潜在的な嗜好をも反映したコンテンツの優先配信が可能になる。
(2)相互に類似した嗜好クラスタは一つの嗜好クラスタに統合されるようにしたので、記憶領域の削減と処理時間の短縮とが可能になる。
(3)各嗜好クラスタに重み付けを行って新規コンテンツとの類似度が算出されるようにしたので、重要度を考慮した優先度設定が可能になる

以下、図面を参照して本発明の最良の実施の形態について詳細に説明する。図１は、本発明を適用したコンテンツ配信装置の主要部の構成を示したブロック図であり、ここでは、ユーザの携帯端末２へインターネット経由で、コンテンツとしてのオンラインニュースを適応的に配信するニュース配信装置１を例にして説明する。

ニュース配信装置１において、ニュースデータベース１０１では、配信済みのニュース記事および新規に取得した未配信のニュース記事がデータベース化されて管理されている。

図２は、前記ニュースデータベース１０１で管理されている情報の一例を示した図であり、ニュース記事本文、記事ベクトルファイルおよびキーワード等が各ニュース記事に固有の記事IDで管理されている。ニュース記事本文は、タイトル、ヘッドラインおよび詳細記事に分類されている。

図３は、前記記事ベクトルファイルの一例を示した図であり、主要なタームごとに、そのTF（Term Frequency：タームの出現頻度）およびTF・IDF (Inverse Document Frequency：タームが出現する文書の割合）が登録されている。なお、TF・IDFはTFとIDFとの積であって、文書におけるタームの重要度を代表する。

ここで、記事Diにおけるタームtjの出現頻度tfijを次式(1)とし、記事Diの出現頻度idfjを、タームtjの出現する記事数dfjおよび記事総数Nを用いて次式(2)とし、さらに、記事Diのタームtjの重みWtjを次式(3)とし、記事全体における全ての異なるタームをnとすれば、記事Diの記事ベクトルは式(4)で表せる。

オンラインニュースサーバ１０２は、インターネット３に接続可能な携帯端末２からのリクエストに応答してニュース記事を返信するWebサーバであり、履歴取得部１０２ａ、類似度算出部１０２ｂ、優先度設定部１０２ｃ、優先配信部１０２ｄおよびニュース配信部１０２ｅを備えている。

前記履歴取得部１０２ａは、ユーザの視聴履歴を取得して嗜好抽出管理部１０３へ提供する。本実施形態では、ユーザが記事タイトルを選択してヘッドラインまで視聴したときに、初めて視聴履歴が残される。

図４は、前記視聴履歴の一例を示した図であり、ユーザにより視聴されたニュース記事に固有の記事ID、およびそのニュース記事にアクセスした時刻情報を少なくとも含む複数の情報が相互に対応付けられて記憶されている。本実施形態では、前記時刻情報として、協定世界時のUTC (universal Coordinate Time) １９７０年１月１日午前０時と現在事項との差がミリ秒単位で登録されている。

類似度算出部１０２ｂは、後に詳述するように、新規に配信しようとする新規コンテンツのコンテンツベクトルと、ユーザの視聴履歴に基づいて生成された複数の嗜好クラスタのそれぞれの特徴を代表する嗜好クラスタベクトルとを比較して、両者の類似度を算出する。優先度設定部１０２ｃは、前記類似度に基づいて各新規コンテンツに優先度を設定する。優先配信部１０２ｄは、優先度の高い新規コンテンツをニュースデータベース１０１から優先的に選択してユーザへ配信する。

前記嗜好抽出管理部１０３は、キーワード取得部１０３ａ、クラスタリング部１０３ｂ、嗜好クラスタ統合部１０３ｃ、嗜好クラスタベクトル生成部１０３ｄおよび嗜好クラスタ重み付け部１０３ｅを含み、前記履歴情報に基づいてニュースデータベース１０１を参照し、後に示すアルゴリズムに従って各ユーザの嗜好情報を抽出する。

前記キーワード取得部１０３ａは、ユーザが視聴したニュースのキーワードをニュースデータベース１０１から取得する。クラスタリング部１０３ｂは、前記取得されたキーワードに基づいて、ユーザが視聴したコンテンツを少なくとも一つの嗜好クラスタに分類する。ここで、嗜好クラスタとは、関連する内容の記事群をまとめて、それぞれを嗜好として分類したものである。

嗜好クラスタ統合部１０３ｃは、内容が類似した複数の嗜好クラスタを統合する。嗜好クラスタベクトル生成部１０３ｄは、各嗜好クラスタに分類された記事の特徴に基づいて、嗜好クラスタごとに嗜好クラスタベクトルを生成する。嗜好クラスタ重み付け部１０３ｅは、各嗜好クラスタに重み付けを行う。

図５は、前記嗜好抽出管理部１０３における嗜好情報の抽出および更新手順を示したフローチャートであり、本実施形態では、各ユーザの嗜好情報として複数の嗜好クラスタが生成され、嗜好クラスタ群としてユーザIDごとに管理される。さらに、この嗜好クラスタがユーザのその後の視聴履歴に基づいて継続的に更新される。

ユーザに視聴されたニュース記事の視聴履歴が履歴取得部１０２ａから通知され、これがステップＳ１で検知されると、ステップＳ２では、視聴履歴に登録されている記事IDを検索キーとしてニュースデータベース１０１が検索され、その記事のタイトルが抽出される。ステップＳ３では、この記事タイトルからキーワードが抽出される。

図６は、前記キーワード取得部１０３ａで実行されるキーワード抽出処理の手順を詳細に示したフローチャートである。

ステップＳ１０１では、記事タイトルがスペースで分割される。ステップＳ１０２では、記事タイトルが形態素解析される。本実施形態では、この形態素解析に「茶筅（登録商標）」（松本裕治,北内啓,山下達雄,平野善隆,松田寛,高岡一馬,浅原正幸,“日本語形態素解析システム『茶筌』version 2.3.3使用説明書,”奈良先端科学技術大学院大学情報科学研究科自然言語処理学講座, 2003）が用いられる。

ステップＳ１０３では、接頭詞、名詞（非自立、代名詞を除く）、未知語が抽出される。ステップＳ１０４では、連続する接頭詞、名詞、未知語が接続されてキーワードとして抽出される。ステップＳ１０６では、連続する単語のうち、最後以外の名詞（数、接尾、サ変接続を除く）および未知語がキーワードとして抽出される。

図５へ戻り、ステップＳ４〜Ｓ８では、以下に詳述するように、前記クラスタリング部１０３ｂにより、前記各キーワードが複数の嗜好クラスタの少なくとも一つに分類（クラスタリング）される。

ステップＳ４では、前記ステップＳ３で抽出されたキーワードの一つが今回の注目キーワードとして選択される。ステップＳ５では、今回の注目キーワードと一致する嗜好クラスタキーワード、あるいは今回の注目キーワードを含む嗜好クラスタキーワードが既に登録されているか否かが判定される。嗜好クラスタキーワードが既登録であればステップＳ７へ進み、その嗜好クラスタに注目キーワードの記事IDが要素として追加登録される。

これに対して、このような嗜好クラスタキーワードが未登録であればステップＳ６へ進み、今回の注目キーワードを嗜好クラスタキーワードとする新たな嗜好クラスタが生成され、この嗜好クラスタに記事IDが要素として新規登録される。このように、本実施形態ではユーザにより視聴された記事に含まれる全てのキーワードに関して嗜好クラスタが生成されるので、ユーザのマイナーな嗜好も漏れなく抽出できるようになる。

図７は、嗜好クラスタの一例を模式的に表現した図であり、前記各キーワードを嗜好クラスタキーワードとして、各記事IDを要素とする嗜好クラスタが複数生成され、これらが嗜好クラスタ群としてユーザごとに管理される。なお、複数の嗜好クラスタキーワードをタイトルに含む記事のIDは、それぞれの嗜好クラスタに重複登録される。

図５へ戻り、ステップＳ７では、視聴された記事の全てのキーワードに関して処理が完了したか否かが判定され、未完了であればステップＳ４へ戻り、キーワードを切り換えながら上記した各手順が繰り返される。全てのキーワードに関して処理が完了するとステップＳ９へ進み、嗜好クラスタの統合処理が実行される。

図８は、嗜好クラスタ統合処理の手順を示したフローチャートであり、多数の記事IDが重複する嗜好クラスタ同士が、前記嗜好クラスタ結合部１０３ｃにより一つの嗜好クラスタに統合される。

ステップＳ２０１では、嗜好クラスタの一つが今回の注目クラスタとして選択される。ステップＳ２０２では、注目クラスタ以外の他の嗜好クラスタの一つが比較対照クラスタとして選択される。ステップＳ２０３では、注目クラスタと比較対照クラスタとに共通する記事ID数が、いずれかのクラスタで所定の基準率（本実施形態では、５０％）を超えているか否かが判定される。

基準値を超えていればステップＳ２０５へ進み、今回の注目クラスタと比較対照クラスタとが一つの嗜好クラスタに統合される。ステップＳ２０６では、嗜好クラスタキーワードが更新される。本実施形態では、統合される一方のクラスタのキーワードが他方のクラスタのキーワードを全て含んでいれば、一方のクラスタのキーワードが統合後の嗜好クラスタキーワードとして採用され、それ以外であれば、両者のキーワードが新たな嗜好クラスタキーワードとなる。

ステップＳ２０７では、比較対象クラスタが他にもあるか否かが判定され、全ての嗜好クラスタとの比較が完了するまで上記した各手順が繰り返され、その後、ステップＳ２０８へ進む。ステップＳ２０８では、嗜好クラスタの全ての組み合わせに関して統合が完了したか否かが判定され、完了していなければステップＳ２０１へ戻り、注目クラスタを切り換えながら上記した各処理が繰り返される。

図５へ戻り、ステップＳ１０では、前記嗜好クラスタベクトル生成部１０３ｄにおいて、各嗜好クラスタに含まれる全ての記事の記事ベクトルを総和することで、各嗜好クラスタの特徴を代表する嗜好クラスタベクトルが生成される。ステップＳ１１では、前記嗜好クラスタ重み付け部１０３ｅにより、各嗜好クラスタに重み付けが行われる。ここでは、嗜好クラスタごとの重み付け方法を、代表的な３つの方式を例にして説明する。

第１の重み付け方式は、嗜好クラスタに含まれる記事数に応じた重み付けであり、嗜好クラスタに含まれる記事数が多いほど、その嗜好クラスタの重みが高くされる。

第２の重み付け方式は、嗜好クラスタの忘却の概念による重み付けであり、嗜好クラスタに含まれる各記事のアクセス時刻と現在時刻との時間差の総和が小さいほど、その嗜好クラスタの重みが高くされる。

さらに具体的に説明すれば、ある嗜好クラスタに含まれる記事（記事ベクトルDi）の重みRiは、現在時刻τおよび記事を視聴した時刻Tiを時間Tで正規化して次式(5)で定義される。なお、λ（０＜λ＜１）は、時間Tでどれだけ忘却するかを表す忘却定数であり、重み係数R0＝１とする。

この重みを用いた嗜好クラスタCの重みRcは、クラスタに含まれる記事数をmとして次式(6)で与えられる

第３の重み付け方式は、嗜好クラスタの閲覧率に応じた重み付けであり、嗜好クラスタ内の各記事の閲覧率が高いほど、その嗜好クラスタの重みが高くされる。

以上のようにして生成された嗜好クラスタ（嗜好クラスタベクトル）および各嗜好クラスタの重み値Rは、各ユーザの嗜好情報として、前記嗜好抽出管理部１０３でユーザIDごとに管理される。

次いで、以上のようにして得られた嗜好情報を用いてニュース記事を選択する方法について、図９のフローチャートを参照して説明する。

ユーザが自身の携帯端末２からニュースの配信を要求し、これがステップＳ３０１で検知されると、ステップＳ３０２では、そのユーザIDがオンラインニュースサーバ１０２から嗜好抽出管理部１０３へ通知される。嗜好抽出管理部１０３では、通知されたユーザIDと対応付けられた嗜好情報がオンラインニュースサーバ１０２へ提供される。ステップＳ３０３では、オンラインニュースサーバ１０２において、今回のユーザにとって新しいニュース記事の一つが、今回の注目記事としてニュースデータベース１０１上で選択され、その記事ベクトルが抽出される。

ステップＳ３０４では、ユーザIDに対応した嗜好情報から一つの嗜好クラスタベクトルが今回の注目クラスタとして選択される。ステップＳ３０５では、前記類似度算出部１０２ｂにおいて、前記注目クラスタの嗜好クラスタベクトルQcと記事ベクトルDiとの類似度sim(Qc，Di)が、嗜好クラスタに割り当てられている重み値Rcと、嗜好クラスタベクトルQcと注目記事の記事ベクトルDiとのコサイン距離との積として、次式(7)により求められる。

ステップＳ３０６では、今回の注目記事に関して、全ての嗜好クラスタとの類似度計算が完了したか否かが判定される。完了していなければステップＳ３０４へ戻り、注目クラスタを切り換ながら上記した各処理が繰り返される。今回の注目記事と全ての嗜好クラスタとの類似度算出が終了するとステップＳ３０７へ進み、前記優先度設定部１０２ｃにより、最大の類似度が今回の注目記事の優先度として登録される。

ステップＳ３０８では、新しいニュース記事が他にもあるか否かが判定され、新しい全てのニュース記事との類似度計算が完了するまでステップＳ３０３へ戻り、注目記事を切換ながら上記した処理が繰り返される。

以上のようにして、新しい全てのニュース記事の優先度が求まると、ステップＳ３０９では、各ニュース記事が優先度の高い順にソートされる。ステップＳ３１０では、ソートされたニュース記事が前記優先配信部１０２ｄからユーザへ配信される。ユーザの携帯端末２では、優先度の高い記事が初期画面に表示され、優先度の低い記事は画面をスクロールさせることで閲覧できるようになる。

なお、上記した実施形態ではコンテンツがオンラインニュースである場合を例にして説明したが、本発明はこれのみに限定されるものではなく、コンテンツがメールマガジンであっても同様に適用できる。

また、上記した実施形態では優先度の高低にかかわらず全てのニュース記事を配信し、その表示順序や表示位置のみを優先度に応じて異ならせるものとして説明したが、本発明はこれのみに限定されるものではなく、優先度が上位の記事のみが選択的に配信され、それ以外の記事は配信されないようにしても良い。

本発明を適用したコンテンツ配信装置のブロック図である。 ニュースデータベースで管理されている情報の一例を示した図である。 記事ベクトルファイルの一例を示した図である。 視聴履歴の一例を示した図である。 嗜好情報の抽出および更新手順を示したフローチャートである。 キーワード抽出処理の手順を詳細に示したフローチャートである。 嗜好クラスタの一例を模式的に表現した図である。 嗜好クラスタ統合処理の手順を示したフローチャートである。 嗜好情報を用いてニュース記事を選択する手順を示したフローチャートである。

符号の説明

１…ニュース配信装置，２…携帯端末，３…インターネット，１０１…ニュースデータベース，１０２…オンラインニュースサーバ，１０３…嗜好抽出管理部

Claims (8)

1. ユーザのコンテンツ視聴履歴に基づいて嗜好クラスタを動的に生成・更新し、この嗜好クラスタに基づいて、ユーザに配信するコンテンツに優先度を設定するコンテンツ配信方法において、
   コンテンツごとに、その内容を代表するキーワードおよびコンテンツベクトルを生成してコンテンツデータベースに登録する手順と、
   ユーザが視聴したコンテンツのキーワードを前記コンテンツデータベースから抽出する手順と、
   前記抽出されたキーワードに基づいて、各コンテンツを複数の嗜好クラスタの少なくとも一つに分類する手順と、
   分類されているコンテンツが所定の割合を超えて共通する複数の嗜好クラスタを一つの嗜好クラスタに統合する手順と、
   各嗜好クラスタに分類されているコンテンツに基づいて、各嗜好クラスタの特徴を代表する嗜好クラスタベクトルを生成する手順と、
   配信しようとする新規コンテンツごとに、そのコンテンツベクトルと各嗜好クラスタベクトルとの類似度を算出する手順と、
   前記類似度に基づいて各新規コンテンツに優先度を設定する手順と、
   各新規コンテンツを前記優先度に従ってユーザに提供する手順とを含み、
   前記各コンテンツを嗜好クラスタに分類する手順が、
   コンテンツのキーワードと対応付けられた嗜好クラスタが既登録のときに、当該コンテンツを当該既登録の嗜好クラスタに分類する手順と、
   コンテンツのキーワードと対応付けられた嗜好クラスタが未登録のときに、当該キーワードと対応付けられる嗜好クラスタを新規に作成し、当該嗜好クラスタにコンテンツを分類する手順とを含むことを特徴とするコンテンツ配信方法。
2. 各嗜好クラスタに重み値を設定する手順をさらに含み、
   前記各新規コンテンツに優先度を設定する手順では、新規コンテンツと嗜好クラスタとの類似度に、当該嗜好クラスタの重み値を反映して優先度が設定されることを特徴とする請求項１に記載のコンテンツ配信方法。
3. 前記重み値は、嗜好クラスタに含まれるコンテンツ数の関数であり、嗜好クラスタに含まれるコンテンツ数が多い嗜好クラスタほど、その重みが高くされることを特徴とする請求項２に記載のコンテンツ配信方法。
4. 前記重み値は、嗜好クラスタに含まれる各コンテンツのアクセス時刻と現在時刻との時間差の関数であり、時間差の小さい嗜好クラスタほど、その重みが高くされることを特徴とする請求項２に記載のコンテンツ配信方法。
5. 前記重み値は、嗜好クラスタに含まれる各コンテンツの閲覧率の関数であり、各コンテンツの閲覧率が高い嗜好クラスタほど、その重みが高くされることを特徴とする請求項２に記載のコンテンツ配信方法。
6. 前記コンテンツがオンラインニュース記事であることを特徴とする請求項１ないし５のいずれかに記載のコンテンツ配信方法。
7. ユーザのコンテンツ視聴履歴に基づいて嗜好クラスタを動的に生成・更新し、この嗜好クラスタに基づいて、ユーザに配信するコンテンツに優先度を設定するコンテンツ配信装置において、
   コンテンツごとに、その内容を代表するキーワードおよびコンテンツベクトルが登録されたコンテンツデータベースと、
   ユーザごとにコンテンツ視聴履歴を取得する履歴取得手段と、
   前記視聴履歴に基づいてコンテンツデータベースを参照し、ユーザが視聴したコンテンツのキーワードを取得するキーワード取得手段と、
   前記取得されたキーワードに基づいて、ユーザが視聴したコンテンツを少なくとも一つの嗜好クラスタに分類するクラスタリング手段と、
   分類されているコンテンツが所定の割合を超えて共通する複数の嗜好クラスタを一つの嗜好クラスタに統合する嗜好クラスタ統合手段と、
   各嗜好クラスタに分類されているコンテンツに基づいて、各嗜好クラスタの特徴を代表する嗜好クラスタベクトルを生成する嗜好クラスタベクトル生成手段と、
   配信しようとする新規コンテンツごとに、そのコンテンツベクトルと各嗜好クラスタベクトルとの類似度を算出する類似度算出手段と、
   前記類似度に基づいて各新規コンテンツに優先度を設定する優先度設定手段と、
   各新規コンテンツを前記優先度に従って配信するコンテンツ配信手段とを具備し、
   前記クラスタリング手段が、
   コンテンツのキーワードと対応付けられた嗜好クラスタが既登録のときに、当該コンテンツを当該既登録の嗜好クラスタに分類する手段と、
   コンテンツのキーワードと対応付けられた嗜好クラスタが未登録のときに、当該キーワードと対応付けられる嗜好クラスタを新規に作成し、当該嗜好クラスタにコンテンツを分類する手段とを含むことを特徴とするコンテンツ配信装置。
8. 各嗜好クラスタに重み値を設定する重み付け手段をさらに含み、
   前記類似度算出手段は、新規コンテンツと嗜好クラスタとの類似度に、当該嗜好クラスタの重み値を反映させることを特徴とする請求項７に記載のコンテンツ配信装置。

Images