JP6069245B2 - 情報処理装置、情報処理装置の制御方法、及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理装置の制御方法、及びプログラムに関する。

近年、番組のジャンル等の情報を含む番組メタデータに基づいて、ユーザに番組を推薦するシステムやサービスが提案されている。これは、ユーザの番組視聴履歴を元に番組に対するユーザの嗜好を学習し、その学習結果に基づいてユーザの嗜好に合った番組を推薦するものである。

特許文献１には、第１計算部で計算された視聴履歴を参照し電子番組ガイド（ＥＰＧ：Electronic Program Guide）から抽出されたトピックに対するユーザの嗜好度合いを示す数値と、第２計算部で計算された電子番組ガイド（ＥＰＧ）と視聴履歴とに基づいてユーザの番組に対する嗜好度合いを示す数値とを用いて、ユーザに推薦するトピックとそれに対応する推薦番組とをユーザに提示する番組推薦装置が開示されている。

非特許文献１には、バラエティ番組や音楽番組だったら、ユーザが好んでいると思われる出演者によって選ぶとか、旅の番組だったら登場する地方で分析するとか、番組のジャンルだけでは分からない部分もカバーするようなテレビ番組のレコメンデーションのための技術が開示されている。

国際公開第２０１１／０６７８０８号

マイナビニュース ニューストップ エンタープライズ ネットトレンド、"インタビュー ＰＣならではの新ＴＶ生活を提案するソニー（１）−ｉＥＰＧでの自動番組推薦"、［online］、平成１５年１０月、［平成２６年１月２７日検索］、インターネット〈URL：http://news.mynavi.jp/news/2003/10/14/06.html〉

しかしながら、上記従来の技術では、ユーザ自身が認める嗜好（興味度）と、ユーザの視聴履歴を元に学習した嗜好（興味度）との双方を反映させた状態で番組をお勧めすることは行われていなかった。そのため、例えば、サッカー中継の番組説明文には、お気に入りのチーム名やそのチームに所属する選手名が含まれることがある。そうすると、当該チームに所属する選手のファンであっても、その選手が出演しているバラエティ番組やトーク番組は、ユーザの視聴履歴を元に学習した嗜好（興味度）には属しないため、たとえユーザ自身が認める嗜好（興味度）に属したとしてもユーザに対して推薦されないという問題がある。

また、上記特許文献１に記載された番組推薦装置では、何れの計算部においても、ユーザの視聴履歴を参照することによりユーザの嗜好度合いの高いトピックに対応する番組を推薦しているため、ユーザの嗜好を自動的に学習した興味度に対応することはできても、ユーザ自身が認める嗜好や、ユーザがマニュアルで設定する興味度に対して対応できないという問題がある。

また、非特許文献１に記載された技術では、ユーザに対して特にお勧めする番組をピンポイントで抽出することはできるが、レコメンデーションのやり方に融通性がなく、ユーザの嗜好、興味度の変動に対しフレキシブルに対応したお勧め番組を提示することができないという問題がある。

そこで本発明は、上記従来の問題点に鑑みてなされたもので、コンテンツのジャンルに対する興味度とコンテンツの文字列（ワード、単語）に対する興味度とを合成することにより、ユーザの嗜好にフレキシブルに対応したコンテンツを推薦することが可能な情報処理装置、情報処理装置の制御方法、及びプログラムを提供することを目的とする。

上記課題を解決するため、請求項１に記載の本発明における情報処理装置は、コンテンツの内容に基づく分類であるジャンル毎に予めジャンル興味度を設定するジャンル興味度設定手段と、ユーザの視聴履歴を分析することにより得られた文字列に対する前記ユーザの興味度を推定する文字列興味度推定手段と、前記文字列興味度推定手段により推定された前記ユーザの興味度を、前記ジャンル興味度設定手段により設定された前記ジャンル興味度を用いて変換して得られたお勧め度に対し、前記ジャンル興味度が設定されたコンテンツがすべてのコンテンツに対して如何なる割合でお勧めされるかを決定するための閾値を設定する閾値設定手段と、を含むことを特徴とする。

また、請求項２に記載の本発明における情報処理装置は、請求項１に記載の情報処理装置において、前記文字列に対する前記ユーザの興味度は、前記ユーザの嗜好を反映した視聴履歴に基づいて機械学習により作成された文字列に対する興味度であることを特徴とする。

さらに、請求項３に記載の本発明における情報処理装置は、請求項１又は２に記載の情報処理装置において、前記文字列に対する前記ユーザの興味度は、前記文字列に対する興味度と前記文字列の順位との関係のうち、少なくとも非線形領域を正規化することにより推定されることを特徴とする。

また、請求項４に記載の本発明における情報処理装置は、請求項１から３の何れか１項に記載の情報処理装置において、前記得られたお勧め度に対し、前記閾値設定手段により設定された閾値に基づいて、所定のジャンル興味度が設定されたジャンルに属するコンテンツの、全ジャンルのコンテンツに占めるお勧め割合を推定する手段をさらに含むことを特徴とする。

そして、上記課題を解決するために、請求項５に記載の本発明における情報処理装置の制御方法は、コンテンツの内容に基づく分類であるジャンル毎に予めジャンル興味度を設定するジャンル興味度設定工程と、ユーザの視聴履歴を分析することにより得られた文字列に対する前記ユーザの興味度を推定する文字列興味度推定工程と、前記文字列興味度推定工程により推定された前記ユーザの興味度を、前記ジャンル興味度設定工程により設定された前記ジャンル興味度を用いて変換して得られたお勧め度に対し、前記ジャンル興味度が設定されたコンテンツがすべてのコンテンツに対して如何なる割合でお勧めされるかを決定するための閾値を設定する閾値設定工程と、を含むことを特徴とする。

また、上記課題を解決するために、請求項６に記載の本発明におけるプログラムは、情報処理装置のコンピュータに、コンテンツの内容に基づく分類であるジャンル毎に予めジャンル興味度を設定するジャンル興味度設定処理と、ユーザの視聴履歴を分析することにより得られた文字列に対する前記ユーザの興味度を推定する文字列興味度推定処理と、前記文字列興味度推定処理により推定された前記ユーザの興味度を、前記ジャンル興味度設定処理により設定された前記ジャンル興味度を用いて変換して得られたお勧め度に対し、前記ジャンル興味度が設定されたコンテンツがすべてのコンテンツに対して如何なる割合でお勧めされるかを決定するための閾値を設定する閾値設定処理と、を実行させることを特徴とする。

本発明によれば、コンテンツのジャンルに対する興味度とコンテンツの文字列（ワード、単語）に対する興味度とを合成することにより、ユーザの嗜好にフレキシブルに対応したコンテンツを推薦することが可能な情報処理装置、情報処理装置の制御方法、及びプログラムが得られる。

本発明の実施形態における情報処理装置を含む情報処理システム全体の構成を示す図である。 本発明の実施形態における情報処理装置の全体構成について説明する概略ブロック図である。 本発明の実施形態におけるＷｅｂサーバの全体構成について説明する概略ブロック図である。 本発明の実施形態における情報処理装置の機能ブロック図である。 本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の設定について説明する図である。 本発明の実施形態における情報処理装置において視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を示す図である。 図６で作成した機械学習により作成した文字列に対する興味度と順位との関係を正規化した図である。 本発明の実施形態における情報処理装置のお勧め度計算アルゴリズムについて説明する機能ブロック図である。 本発明の実施形態における情報処理装置の動作について説明するフローチャートである。 本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の離散値と、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を正規化したものと、を演算したときの正規化済み文字列に対する興味度とお勧め度との関係を示す図である。 本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の離散値と、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を正規化したものと、を演算したときの正規化済み文字列に対する興味度とお勧め度との関係に対して閾値を設定したときの状態について説明する図である。 本発明の実施形態における情報処理装置のお勧め度逆計算アルゴリズムについて説明する機能ブロック図である。 本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の離散値と、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を正規化したものと、を演算したときの正規化済み文字列に対する興味度とお勧め度との関係に対して設定された閾値から逆算するときの状態について説明する図である。 本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の実数値と、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を正規化したものと、を演算したときの正規化済み文字列に対する興味度とお勧め度との関係を示す図である。

次に、本発明を実施するための形態について図面を参照して詳細に説明する。なお、各図中、同一又は相当する部分には同一の符号を付しており、その重複説明は適宜に簡略化乃至省略する。本発明の内容を簡潔に説明すると、コンテンツのジャンル毎に予め設定された設定興味度と、コンテンツの視聴により推定された推定興味度とを合成する合成手段と、合成により、推定興味度に対する設定興味度のジャンルに属するコンテンツのお勧め度を生成する生成手段と、任意の設定興味度を有するジャンルに属するコンテンツの、全ジャンルのコンテンツに占めるお勧め割合を決定するための閾値を、生成されたお勧め度に対して設定する設定手段と、を含むことにより、ユーザの嗜好にフレキシブルに対応したコンテンツを推薦することができるのである。

すなわち、ユーザが設定したコンテンツのジャンル毎の興味度に応じた非線形の数式で、自動的に学習した興味度の推定値を変換している。この変換において、自動的に学習した興味度の推定値の分布を制御することを目的としている。そして、ジャンルに対する興味度に対して平均的なお勧め度を生成する場合と比較して、ジャンルに対する興味度が設定されたコンテンツが、全ジャンルのコンテンツに対してどれくらいの割合でお勧めされるかを決定するために閾値を設けることとしている。要するに、どれくらいの重み付け（傾斜）をつけてジャンルに対する興味度毎にお勧め度を生成するかを決定するために閾値を設けることとしている。

まず、本発明の実施形態における情報処理装置を含む情報処理システム全体の構成について説明する。図１は、本発明の実施形態における情報処理装置を含む情報処理システム全体の構成を示す図である。図１を参照すると、本発明の実施形態における情報処理装置を含む情報処理システム１０は、例えば、パーソナルコンピュータ（以下、ＰＣともいう。）を一例とする情報処理装置２００が、インターネット等の広く公衆によって接続可能なネットワーク３００を介してＷｅｂサーバ４００に接続されている。また、ＰＣ２００は、放送局１００から送信される放送波や、Ｗｅｂサーバ４００から送出されるコンテンツを受信することができるようになっている。なお、情報処理装置２００には、ＰＣ以外に図示しないスマートフォン等の携帯情報端末も含まれることは勿論である。

また、Ｗｅｂサーバ４００は、ＰＣ２００、及び図示しないスマートフォン等と、インターネット等のネットワーク３００を介して接続されている。そして、ＰＣ２００、及び図示しないスマートフォン等から発せられた任意のＷｅｂページに接続したい旨のアクセス要求に対して、ＵＲＬ（Uniform Resource Locator）で特定されたＷｅｂサーバ４００から提供されるＷｅｂページの閲覧が可能となる。なお、図１中には、インターネット等のネットワーク３００に対してＰＣ２００のみ接続されているが、情報処理装置は１台に限定されず、複数台接続されていることはいうまでも無い。

次に、本発明の実施形態における情報処理装置の全体構成について説明する。図２は、本発明の実施形態における情報処理装置の全体構成について説明する概略ブロック図である。ＰＣ２００は、ＴＶチューナ部２０１と、ネットワーク接続部２０５と、ＣＰＵ（Central Processing Unit）２０６と、ＲＯＭ（Read Only Memory）２０２と、ＲＡＭ（Random Access Memory）２０３と、ＨＤＤ（Hard Disk Drive）２０４と、表示部２０７と、入力部２０８と、電源部２０９とから構成される。

ＴＶチューナ部２０１は、放送局１００（図１）から送信される地上デジタル、ＢＳ（Broadcasting Satellite）、及びＣＳ（Communications Satellite）放送をアンテナから受信し復調するものである。ネットワーク接続部２０５は、インターネットに代表されるネットワーク３００に接続され、ネットワーク３００とのインタフェースを図るものである。ＣＰＵ２０６は、ＰＣ２００全体の動作を制御するものであり、ＲＯＭ２０２に格納された制御プログラムをロードし、ＰＣ２００の動作によって得られた様々なデータをＲＡＭ２０３に展開するものである。ＨＤＤ２０４は、ＰＣ２００のアプリケーションソフトウェアプログラムを格納したり、ＴＶチューナ部２０１によって受信されたテレビ番組や、Ｗｅｂサーバ４００から送出されるコンテンツ（以下、これ等をまとめてコンテンツともいう。）を録画したりするものである。

表示部２０７は、ＬＣＤ（Liquid Crystal Display）等で構成される表示画面であり、ＰＣ２００によって実行されたアプリケーションソフトウェアプログラムの結果やＴＶチューナ部２０１によって受信されたテレビ番組、及びＷｅｂサーバ４００から受信したコンテンツを表示するものである。入力部２０８は、キーボード、マウス、タッチパネル等、ユーザがＰＣ２００に対して指示を与えるものである。そして、電源部２０９は、ＰＣ２００に対してＡＣ（Alternative Current：交流）、又はＤＣ（Direct Current：直流）電源を与えるものである。

次に、本発明の実施形態におけるＷｅｂサーバの全体構成について説明する。図３は、本発明の実施形態におけるＷｅｂサーバの全体構成について説明する概略ブロック図である。Ｗｅｂサーバ４００は、ネットワーク接続部４０３と、ＣＰＵ４０４と、ＲＯＭ４０１と、データベース部４０２と、表示部４０５と、操作部４０６と、電源部４０７とから構成される。

ネットワーク接続部４０３は、インターネットに代表されるネットワーク３００（図１）に接続され、ネットワーク３００とのインタフェースを図るものである。ＣＰＵ４０４は、Ｗｅｂサーバ４００全体の動作を制御するものであり、ＲＯＭ４０１に格納された制御プログラムをロードし、ＣＰＵ４０４の動作によって得られた様々なデータをデータベース部４０２に展開したり、後述するように、ユーザの嗜好に合致するコンテンツを送出したりするものである。表示部４０５は、ＬＣＤ等で構成される表示画面であり、Ｗｅｂサーバ４００によってデータベース部４０２に格納されたデータの格納状況等を表示するものである。操作部４０６は、キーボード、マウス、タッチパネル等、Ｗｅｂサーバ４００の保守者が、Ｗｅｂサーバ４００に対して指示を与えるものである。そして、電源部４０７は、Ｗｅｂサーバ４００に対してＡＣ又はＤＣ電源を与えるものである。

次に、本発明の実施形態における情報処理装置の機能ブロックについて説明する。図４は、本発明の実施形態における情報処理装置の機能ブロック図である。

図４において、ＰＣ２００は、放送局１００（図１）から送信される放送波を受信する複数のチューナ部２１０、２１１、２１２、及び２１３と、チューナ部２１０、２１１、２１２、及び２１３により復調されたテレビ番組や、Ｗｅｂサーバ４００から送出されるコンテンツを記録し再生するするコンテンツ記録再生部２１４と、放送局１００から送信される電波の隙間を使って送信される電子番組ガイド（ＥＰＧ）を管理するＥＰＧ情報管理部２１７と、液晶（ＬＣＤ）等のディスプレイ２２１にテレビ番組やコンテンツを表示する動画表示処理部２１５と、を含んで構成されている。なお、チューナ部の数は、４個に限定されないことは勿論である。

また、ディスプレイ２２１には、ライブ放送されているテレビ番組の画面、録画されたテレビ番組の再生画面、録画されたテレビ番組の一覧表、Ｗｅｂサーバ４００から受信するコンテンツが表示されることは勿論であるが、後述するＥＰＧ情報管理部２１７により取得された、過去に放送された番組、現在放送されている番組、又は今後放送される予定の番組の番組表も表示される。また、テレビ番組とFacebook（登録商標）画面とを並べて表示したり、Facebook画面をテレビ画面のバックグラウンドで表示したりすることも可能である。

さらに、ＰＣ２００は、インターネット等の公衆に利用可能なネットワーク３００（図１）を介してＷｅｂサーバ４００に接続するためのネットワーク接続処理部２２０と、チューナ部２１０、２１１、２１２、及び２１３により受信されたテレビ番組や、Ｗｅｂサーバ４００から取得されたコンテンツに対するユーザの視聴履歴に基づいて、文字列（ワード、単語）を取得し記録する動画情報取得記録部２１９と、ＥＰＧ情報管理部２１７から送信される電子番組表、及び興味情報取得部２１８を介して設定されたコンテンツのジャンル毎の興味度と、受信されたユーザの視聴履歴に基づいて機械学習により作成した文字列（ワード、単語）に対する興味度と順位との関係を正規化したものとの間で所定の演算を実行し、お勧め度を解析する映像解析処理部２１６と、映像解析処理部２１６で解析されたお勧め度をディスプレイ２２１に表示する動画表示処理部２１５と、ＰＣ２００の動作を遠隔操作するリモコン２２２と、を含んで構成されている。

次に、本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の設定について説明する。図５は、本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の設定について説明する図である。

図５に示すように、ＰＣ２００のユーザは、チューナ部２１０、２１１、２１２、及び２１３を介して受信されるテレビ番組について、番組ジャンル５０１と各番組ジャンルに対する興味度５０２とを設定することができる。番組ジャンル５０１は、ニュース／報道、スポーツ、情報／ワイドショー、ドラマ、音楽、バラエティ、映画、アニメ／特撮、ドキュメンタリー／教養、劇場／公演、趣味／教育、福祉といった１２ジャンルに分類されている。このジャンル分けは、ＡＲＩＢ（Association of Radio Industries and Business：社団法人電波産業界）で定められたジャンル分類にしたがっているが、これ以外にも任意のジャンル分類を用いることができる。また、興味度５０２は、興味なし（０）から興味あり（４）の５段階で設定することができる。

図５の例では、ニュース／報道は興味度１、スポーツは興味なし（０）、情報／ワイドショーは興味度１、ドラマは興味度２、音楽は興味あり（４）、バラエティは興味度２、映画は興味度３、アニメ・特撮は興味度３、ドキュメンタリー／教養は興味度２、劇場／公演は興味度３、趣味／教育は興味度１、福祉は興味なし（０）、にそれぞれ設定されている。この各番組ジャンルに対する興味度の設定は、ユーザがＰＣ２００を購入した直後、又はユーザがＰＣ２００を購入後、ある一定期間コンテンツを視聴した後に設定するようにしても良い。そして、この各番組ジャンルに対する興味度の設定は、表示部２０７に図５に示す画面が表示された状態で、興味情報取得部２１８（図４）に対してユーザがＰＣ２００の入力部２０８を用いて行うようにする。

次に、本発明の実施形態における情報処理装置において視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係について説明する。図６は、本発明の実施形態における情報処理装置において視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を示す図である。

図６に示すように、ユーザの嗜好を反映した視聴履歴に基づいて機械学習（マシンラーニング）により作成した文字列に対する興味度、換言すれば、視聴履歴に含まれる文字列（ワード、単語）を分析評価することにより得られた当該文字列（ワード、単語）に対する興味度を縦軸に、順位を横軸にとる。図６において、文字列に対する興味度が平均値にあるとき機械学習による順位は略網羅されるが、文字列に対する興味度が極端に大きくなるに連れて機械学習による順位は低下して飽和状態となり、文字列に対する興味度が極端に小さくなるに連れて機械学習による順位は増大して飽和状態となる。

ここで、機械学習（マシンラーニング）について若干説明する。本実施形態では、お勧め度を生成する計算過程において、文字列による興味度推定アルゴリズムを利用している。文字列による興味度推定アルゴリズムは、電子番組ガイド（ＥＰＧ）から取得される番組の概要や人名といった文字列情報から、ユーザの興味度を推定するものである。この推定は、例えば、ＴＦ／ＩＤＦ（Term Frequency Inverse Document Frequency）、ナイーブベイズ、ベクトル空間法、サポートベクタマシン等、公知の機械学習（マシンラーニング）を用いて行っている。本実施形態では、図６に示した文字列に対する興味度と順位との関係のうち、非線形領域（飽和状態となっている領域）だけでなく、線形領域（文字列に対する興味度が略平均値にある非飽和領域）をも用いてコンテンツの推薦を行うことにより、推薦数の自由度を高めている。

次に、図６で作成した機械学習により作成した文字列に対する興味度と順位との関係を正規化したものについて説明する。図７は、図６で作成した機械学習により作成した文字列に対する興味度と順位との関係を正規化した図である。

図７において、図６における非線形曲線を線形式で正規化すると、図７の曲線Ｃに示すように、順位の平均値である０．５を中心として歪んでいる。本実施形態では、（０、１）の正規化を行うことにより、曲線Ｃを直線Ｄに近くなるように計算し変換している。そうすると、順位０．９の点を境として文字列に対する興味度が、約９対１に分割される。このように直線Ｄに近似しておけば、直線Ｄから超えた曲線Ｃの部分の長さは、全体に占める番組数と合い易くなる。

次に、本発明の実施形態における情報処理装置のお勧め度計算アルゴリズムについて説明する。図８は、本発明の実施形態における情報処理装置のお勧め度計算アルゴリズムについて説明する機能ブロック図である。

図８に示すように、本実施形態の対象となるお勧め度計算アルゴリズム８０４は、１週間分の電子番組ガイド（ＥＰＧ）８０１と、図５で説明したジャンル興味度８０２と、閾値８０３とを入力とし、最終的に閾値以上のお勧め度付き番組リスト８０６を出力するものである。１週間分のＥＰＧ８０１は、ＥＰＧ情報管理部２１７（図４）によりテレビ放送の各番組の情報を格納したテーブルである。番組毎にタイトル、ジャンル、放送日時、放送局、その他のテキスト情報を保持する。

ジャンル興味度８０２は、図５において説明したように、明示的にユーザが各ジャンルに対して設定した興味度である。“ドラマ”、“ニュース／報道”、“バラエティ”等の各ジャンルに対して、興味度を段階的に設定可能なものとする。

閾値８０３は、ジャンルに対する興味度毎に生成されたお勧め度に対する切り捨て位置（お勧め度の割合）を設定するものである。この閾値に関して、お勧め度計算アルゴリズム８０４と相関性を持たせることも本実施形態の特徴である。お勧め度計算アルゴリズム８０４は、本実施形態の主眼となる機能であり、お勧め度計算アルゴリズム８０４の計算過程において、図７で説明した文字列による興味度推定アルゴリズム８０５を利用する。

なお、１週間分の電子番組ガイド（ＥＰＧ）８０１は、ＥＰＧ情報管理部２１７（図４）によって取得された後、ＲＡＭ２０３（図２）に格納され、ジャンル興味度８０２、及び閾値８０３は、入力部２０８を用いて入力された後、ＨＤＤ２０４に格納される。文字列による興味度推定アルゴリズム８０５、及びお勧め度計算アルゴリズム８０４は、ＣＰＵ２０６によって実行され、閾値以上のお勧め度付き番組リスト８０６は、ＨＤＤ２０４又はＲＡＭ２０３に格納される。

次に、本発明の実施形態における情報処理装置の動作について説明する。図９は、本発明の実施形態における情報処理装置の動作について説明するフローチャートである。

本実施形態のお勧め度計算アルゴリズムは、特に興味度の正規化手順を有すること、ジャンル興味度による非線形変換を有することを特徴としている。また、足切りに用いる閾値設定も、本実施形態の特徴である。以下、動作の流れについて説明する。

図９において、まず、ステップ（以下、Ｓという。）９０１の処理では、文字列による番組の興味度が計算される。具体的には、図６で説明したような、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係が求められる。Ｓ９０２の処理では、コンテンツの数分ループしたか否かが判断される。コンテンツの数分ループしていない（Ｓ９０２：ＮＯ）と判断されると、コンテンツの数分ループするまで待機する。コンテンツの数分ループした（Ｓ９０２：ＹＥＳ）と判断されると、Ｓ９０３の処理へ移行する。

Ｓ９０３の処理では、興味度の正規化が行われる。具体的には、図７で説明したような、図６で作成した機械学習により作成した文字列に対する興味度と順位との関係を正規化する処理である。興味度の正規化は、文字列による番組の興味度の推定値に対して、最大値を１、平均値を０．５、最小値を０とするような変換を行う。以後の計算の精度のためには、まず第１に、最大値、平均値、最小値は、直近のある期間の統計量を用いることである。例えば、ＴＦ／ＩＤＦやナイーブベイズを用いた演算の場合、理論的な最大／最小を規定することができないので、学習状況や番組表の状況に応じて、異なる統計量となる。状況に応じて最適に制御するためには、ある期間での統計量を用いることが望ましい。

第２に、非線形な変換を用いて、正規化後の興味度の分布を一様分布に近づけることである。一様分布から大きく離れる場合、ジャンル興味度を用いた非線形変換による分布の制御が困難となるからである。

Ｓ９０４の処理では、コンテンツの数分ループしたか否かが判断される。コンテンツの数分ループしていない（Ｓ９０４：ＮＯ）と判断されると、コンテンツの数分ループするまで待機する。コンテンツの数分ループした（Ｓ９０４：ＹＥＳ）と判断されると、Ｓ９０５の処理へ移行する。

Ｓ９０５の処理では、ジャンル興味度による非線形変換が行われる。ジャンル興味度による非線形変換は、図１０に示すように正規化された文字列による興味度を非線形に変換する操作である。入力、出力共に、０−１の範囲を領域とするが、ジャンル興味度により、分布が制御される。変換式のイメージを図１０に示す。図１０は、本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の離散値と、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を正規化したものと、を演算したときの正規化済み文字列に対する興味度とお勧め度との関係を示す図である。

ジャンル興味度は１から３で、数値が大きいほど興味があるものとする。図１０では、興味度３の変換式で生成されるお勧め度は高い方向に、興味度１の変換式で生成されるお勧め度は低い方向に、分布が移動することが分かる。また、興味度３の変換式で生成されるお勧め度は、正規化済み文字列に対する興味度が少しでも高くなればお勧め度は高くなり、興味度１の変換式で生成されるお勧め度は、正規化済み文字列に対する興味度が高くならない限り、お勧め度は高くならない。興味度１の変換式で生成されるお勧め度は、視聴履歴中に非常に興味度が高い文字列（ワード、単語）が書かれている番組に対しては高くなる傾向にある。したがって、ジャンル興味度が低いジャンルに属するコンテンツであっても、当該コンテンツに関連する派生コンテンツに対する視聴履歴に基づいて機械学習により作成された正規化文字列に対する興味度が高ければ、お勧め度が高くなるため、録画対象に成り易くなる。

分布を制御するため、ジャンル興味度が１（興味度１の変換式）であっても、正規化済み文字列による興味度推定値が十分高い場合には、お勧め度として上位に入ることができる。このような変換式は、べき乗や、座標点（０、０）、（１、１）を通る円弧形状等、複数想定される。何れの場合であっても類似する効果を与えることが可能である。このように、文字列による興味度推定値を、ジャンルに対する興味度を用いて変換し、順位を振り直している。その際、文字列による興味度を正規化し、番組の属するジャンルに設定されている興味度に応じてさらにお勧め度を上下させているのである。

図９に戻り、Ｓ９０６の処理では、コンテンツの数分ループしたか否かが判断される。コンテンツの数分ループしていない（Ｓ９０６：ＮＯ）と判断されると、コンテンツの数分ループするまで待機する。コンテンツの数分ループした（Ｓ９０６：ＹＥＳ）と判断されると、Ｓ９０７の処理へ移行する。

Ｓ９０７の処理では、お勧め度によるソートが行われる。具体的には、図１０に示すように、お勧め度の高い方から低い方へソートが行われ、お勧め度が生成される。Ｓ９０８の処理では、閾値による足切り処理が行われる。閾値設定方法のイメージを図１１に示す。図１１は、本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の離散値と、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を正規化したものと、を演算したときの正規化済み文字列に対する興味度とお勧め度との関係に対して閾値を設定したときの状態について説明する図である。

各興味度に対応するコンテンツが、全ジャンルのコンテンツに対して平均的な割合で録画されるように閾値を設定する場合、正規化済みの文字列に対する興味度が０．５の場合の、各興味度における変換式の値を閾値に設定すれば良い。この場合、閾値は、閾値１、閾値２、閾値３のように設定する。同様に、例えば、各興味度に対応するコンテンツが、全ジャンルのコンテンツに対して３０％の割合で録画されるように閾値を設定する場合には、正規化済みの文字列に対する興味度が０．７の場合の、各興味度における変換式の値を閾値に設定すれば良い。この場合、閾値は、閾値１´、閾値２´、閾値３´のように設定する。Ｓ９０８の処理における閾値による足切りが行われた後、処理を終了する。

ここで、ユーザに対し閾値に対する意味をどのようにして提示するかについて若干説明する。具体的には、閾値を十番単位の切り番となるように設定しておき、例えば閾値が５０の場合には、画面イメージとして録画される番組と録画されない番組とに色分けして表示したり、録画されない番組はどれであり、全体的にいくつの番組が録画されるかをＧＵＩ（Graphical User Interface）で表示したりする等、閾値に対する意味を報知するユーザインタフェースは任意の形態を取り得る。

このように、本実施形態では、ユーザが設定したコンテンツのジャンル毎の興味度に応じた非線形の数式で、自動的に学習した興味度の推定値を変換している。この変換において、自動的に学習した興味度の推定値の分布を制御することを目的としている。そして、ジャンルに対する興味度に対して平均的なお勧め度を生成する場合と比較して、どれくらいの重み付け（傾斜）をつけてジャンルに対する興味度毎にお勧め度を生成するかを決定するために閾値を設けることとしている。

次に、本発明の実施形態における情報処理装置のお勧め度逆計算アルゴリズムのシステム構成について説明する。図１２は、本発明の実施形態における情報処理装置のお勧め度逆計算アルゴリズムについて説明する機能ブロック図である。

図８では、閾値を離散的に設定する方法について説明した。ここまでの説明を応用すれば、ユーザが閾値を連続値として設定した場合であっても、閾値に対応する各ジャンルの興味度の変換式を用いて、ジャンル毎にどれくらいの割合で録画されるかを推定することができる。図１２に示す機能ブロック図では、ジャンル興味度１２１と閾値１２２とを入力とし、お勧め度の逆算を行うアルゴリズムであるお勧め度逆算アルゴリズム１２３を用いてジャンル毎の推定録画割合１２４を提示することにより、設定された閾値の意味するところをユーザに対して提示することができる。

お勧め度を逆算するアルゴリズムのイメージを図１３に示す。図１３は、本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の離散値と、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を正規化したものと、を演算したときの正規化済み文字列に対する興味度とお勧め度との関係に対して設定された閾値から逆算するときの状態について説明する図である。

コンテンツのジャンル毎の興味度と、文字列に対する興味度と順位との関係を正規化したものと、を演算したときに生成されたお勧め度に対して、ユーザによって連続値として設定された任意の閾値と、ジャンル興味度１から３の変換式との交点を求める。交点の正規化済み文字列に対する興味度が、それぞれ、０．４、０．７６、０．９６となったとする。その結果、ジャンル興味度３の番組は、全ジャンルの番組に対して６０％、ジャンル興味度２の番組は、全ジャンルの番組に対して２４％、ジャンル興味度１の番組は、全ジャンルの番組に対して４％録画されるものと推定される。

また、上記実施形態では、ジャンル興味度が１、２、３といった離散値を取るという想定で説明した。ジャンル興味度については、実数値として表現することも可能である。ジャンル興味度毎の変換式について、パラメータを興味度に応じて変化する実数として表現すれば良い。

具体的には、べき乗を用いる場合には、べき数を実数としてジャンル興味度から算出すれば良い。すなわち、ｙ＝ｘⁿを用いる場合には、ｎを興味度にしたがって加減すれば良い。要するに、ジャンル興味度３の場合にはｎ＝１／２、ジャンル興味度２の場合にはｎ＝１、ジャンル興味度１の場合にはｎ＝２のように、ｎを興味度に応じて連続値に設定すれば良い。

また、円弧を用いる場合には、中心点が上下どちらにあるかという点と、円弧の半径をジャンル興味度から算出するようにすれば良い。図１４に、本発明の実施形態における情報処理装置においてコンテンツのジャンル毎の興味度の実数値と、視聴履歴に基づいて機械学習により作成した文字列に対する興味度と順位との関係を正規化したものと、を演算したときの正規化済み文字列に対する興味度とお勧め度との関係を示す。図１４におけるＥ領域が、コンテンツのジャンル毎の興味度を実数とした場合の領域である。

さらに、上記実施形態では、ジャンル興味度は、図５に示すようにユーザが明示的に設定するものとしていたが、異なる方式により学習するようにしても良い。例えば、自動的に学習するようにしても良い。図１４ではジャンル興味度を実数化できることを説明したが、ジャンル興味度として自動学習の値を用いても良い。特に、ユーザの意識と番組表の表現とがずれている場合に有効となる。さらに、お勧め度を録画目的以外の用途に用いることも可能である。

また、上記実施形態では、文字列（ワード、単語）に対する興味度推定値を正規化済み興味度として採用しているが、適当な判断手段を搭載することが可能であれば、画像データや音声データに対する興味度を、正規化済み興味度として採用することも可能である。さらに、各ジャンルに対する興味度をＷｅｂサーバから取得したりすることも可能である。

また、本実施形態では、テレビ番組を一例として説明しているが、同様な情報量が存在する他の分野に応用することが可能である。例えば、ＹｏｕＴｕｂｅ（登録商標）を一例とするＶＯＤ（Voice On Demand）やＷｅｂニュースといった、何らかのコンテンツがジャンル分けされており、ジャンル以外に興味度を取得することができ、ジャンル自体も別途興味度を評価できるものであれば、お勧め度を生成することが可能である。例えば、コンテンツに関するテキスト情報が一緒になっており、コンテンツに対する操作履歴に基づいて興味度又は好みを学習して行く。そして、テキスト情報の単語ベースでの学習に対して順位、得点を付与して行き、最終的に正規化されていれば良いのである。また、ジャンルに対する興味度が別途設定されており、ジャンルに対する興味度に対し、この正規化された重み付けを用いて変換すればお勧め度を生成することができる。

以上説明したように、本発明によれば、ジャンルに対する興味度と、文字列に対する興味度推定値の双方を合成したお勧めを行うことができる。そして、興味度が低いジャンルであっても、文字列に対する興味度推定値が特に高い場合には、お勧め度が高くなる。また、閾値を設定することにより、各ジャンルの録画割合の推定値という形で、提示することができる。

なお、図９に示した本発明の実施形態における情報処理装置（ＰＣ）２００を構成する各機能ブロックの各動作は、コンピュータ上のプログラムに実行させることもできる。すなわち、情報処理装置２００のＣＰＵ２０６が、ＲＯＭ２０２、ＲＡＭ２０３等から構成される記憶部に格納されたプログラムをロードし、プログラムの各処理ステップが順次実行されることによって行われる。

以上説明してきたように、本発明によれば、コンテンツのジャンル毎に予め設定された設定興味度と、コンテンツの視聴により推定された推定興味度とを合成する合成手段と、合成により、推定興味度に対する設定興味度のジャンルに属するコンテンツのお勧め度を生成する生成手段と、任意の設定興味度を有するジャンルに属するコンテンツの、全ジャンルのコンテンツに占めるお勧め割合を決定するための閾値を、生成されたお勧め度に対して設定する設定手段と、を含むことにより、ユーザの嗜好にフレキシブルに対応したコンテンツを推薦することができるのである。

以上、本発明の好適な実施の形態により本発明を説明した。ここでは特定の具体例を示して本発明を説明したが、特許請求の範囲に定義された本発明の広範囲な趣旨及び範囲から逸脱することなく、これら具体例に様々な修正及び変更が可能である。

１０ 情報処理システム
１００ 放送局
１２１、８０２ ジャンル興味度
１２２、８０３ 閾値
１２３ お勧め度逆算アルゴリズム
１２４ ジャンル毎の推定録画割合
２００ 情報処理装置（ＰＣ）
２０１ ＴＶチューナ部
２０２、４０１ ＲＯＭ
２０３ ＲＡＭ
２０４ ＨＤＤ
２０５、４０３ ネットワーク接続部
２０６、４０４ ＣＰＵ
２０７、４０５ 表示部
２０８ 入力部
２０９、４０７ 電源部
２１０、２１１、２１２、２１３ チューナ部
２１４ コンテンツ記録再生部
２１５ 動画表示処理部
２１６ 映像解析処理部
２１７ ＥＰＧ情報管理部
２１８ 興味情報取得部
２１９ 動画情報取得記録部
２２０ ネットワーク接続処理部
２２１ ディスプレイ
２２２ リモコン
３００ ネットワーク
４００ Ｗｅｂサーバ
４０２ データベース部
４０６ 操作部
５０１ 番組ジャンル
５０２ 興味度
８０１ １週間分のＥＰＧ
８０４ お勧め度計算アルゴリズム
８０５ 文字列による興味度推定アルゴリズム
８０６ 閾値以上のお勧め度付き番組リスト

Claims (6)

1. コンテンツの内容に基づく分類であるジャンル毎に予めジャンル興味度を設定するジャンル興味度設定手段と、
   ユーザの視聴履歴を分析することにより得られた文字列に対する前記ユーザの興味度を推定する文字列興味度推定手段と、
   前記文字列興味度推定手段により推定された前記ユーザの興味度を、前記ジャンル興味度設定手段により設定された前記ジャンル興味度を用いて変換して得られたお勧め度に対し、前記ジャンル興味度が設定されたコンテンツがすべてのコンテンツに対して如何なる割合でお勧めされるかを決定するための閾値を設定する閾値設定手段と、
   を含むことを特徴とする情報処理装置。
2. 前記文字列に対する前記ユーザの興味度は、前記ユーザの嗜好を反映した視聴履歴に基づいて機械学習により作成された文字列に対する興味度であることを特徴とする請求項１に記載の情報処理装置。
3. 前記文字列に対する前記ユーザの興味度は、前記文字列に対する興味度と前記文字列の順位との関係のうち、少なくとも非線形領域を正規化することにより推定されることを特徴とする請求項１又は２に記載の情報処理装置。
4. 前記得られたお勧め度に対し、前記閾値設定手段により設定された閾値に基づいて、所定のジャンル興味度が設定されたジャンルに属するコンテンツの、全ジャンルのコンテンツに占めるお勧め割合を推定する手段をさらに含むことを特徴とする請求項１から３の何れか１項に記載の情報処理装置。
5. コンテンツの内容に基づく分類であるジャンル毎に予めジャンル興味度を設定するジャンル興味度設定工程と、
   ユーザの視聴履歴を分析することにより得られた文字列に対する前記ユーザの興味度を推定する文字列興味度推定工程と、
   前記文字列興味度推定工程により推定された前記ユーザの興味度を、前記ジャンル興味度設定工程により設定された前記ジャンル興味度を用いて変換して得られたお勧め度に対し、前記ジャンル興味度が設定されたコンテンツがすべてのコンテンツに対して如何なる割合でお勧めされるかを決定するための閾値を設定する閾値設定工程と、を含むことを特徴とする情報処理装置の制御方法。
6. 情報処理装置のコンピュータに、
   コンテンツの内容に基づく分類であるジャンル毎に予めジャンル興味度を設定するジャンル興味度設定処理と、
   ユーザの視聴履歴を分析することにより得られた文字列に対する前記ユーザの興味度を推定する文字列興味度推定処理と、
   前記文字列興味度推定処理により推定された前記ユーザの興味度を、前記ジャンル興味度設定処理により設定された前記ジャンル興味度を用いて変換して得られたお勧め度に対し、前記ジャンル興味度が設定されたコンテンツがすべてのコンテンツに対して如何なる割合でお勧めされるかを決定するための閾値を設定する閾値設定処理と、
   を実行させるためのプログラム。

Images