JP6417688B2 - キュレーションをランク付けする方法及びシステム - Google Patents

Description

本明細書に記載する各実施形態は、学習のためのキュレーション選択(キュレーションをランク付けする方法及びシステム)に関する。

キュレーションラーニング(Curation Learning)は、キュレータによって生成されたキュレーションから学ぶ学習である。キュレーションには、キュレータによって整理・組織化されたデジタルファイル等の複数のアイテムを含む付加価値を付けられたリストが含まれることもある。

各キュレーションは、既存のコンテンツを新たな視点と結びつける場合がある。例えば、関心のあるトピックについて学習するためのキュレーションには、当該トピックを説明するウェブページや、当該トピックのための導入トレーニングの１以上のビデオであって各々異なる講師によって教授されるビデオが含まれる場合がある。

このようなアイテムはインターネット又は他のネットワーク上のそれらの情報源の各々に一緒に存在しなくてもよいが、キュレータは、興味があるトピックを学習する点についてキュレータの観点を提供するために、キュレーションを体系化し、グループ化する場合がある。

ユーザが利用可能なキュレーションが相対的に大きくなりボリュームが増えると、ユーザは学習のための適切なキュレーションを検索し、選択することが難しくなる場合がある。

本明細書において主張する主題は、上述したような問題点を解決するための実施形態や、上述したような環境においてのみ動作する実施形態に限定されるものではない。むしろ、この背景技術の記載は、本明細書に記載した幾つかの実施形態が実用されうる例示的技術を説明するために提供されたものにとどまる。

実施形態の一態様によれば、コンピュータ・ソフトウェアによる情報処理方法におけるキュレーションをランク付けする方法は、クエリを受信することを含む。また、本方法は、クエリに基づいて、複数のキュレーション毎にコンテンツ類似度を算出することを含む。また、本方法は、キュレーションの各々から、複数のキュレーション特有の特徴を抽出することを含む。

また、本方法は、抽出された複数のキュレーション特有の特徴に基づいて、キュレーション毎のキュレーション信用度を算出することを含む。また、本方法は、対応するコンテンツ類似度及び対応するキュレーション信用度に基づいて、キュレーションの各々をランク付けすることを含む。ここで、複数のキュレーション毎のキュレーション信用度は、対応するキュレーションの人気度、及び、対応するキュレーションのキュレータの人気度並びにソーシャルネットワーク影響度に依存する。

実施形態に係る目的及び利点は、少なくとも請求項において具体的に摘示された構成要素、特徴及びこれらの組合せによって実現及び達成される。

前述の概要説明及び後述の詳細説明はいずれも例示的かつ説明的なものであって、特許請求に係る本発明を限定するものではないことが理解されるであろう。

開示のキュレーションをランク付けする方法及びシステムは、ユーザが利用可能なキュレーションが相対的に大きくなりボリュームが増えても、ユーザは、容易に、学習のための適切なキュレーションを検索し、選択することができるという効果を奏する。

図１Ａは、幾つかの実施形態を実装しうる動作環境の例を示したブロック図である。 図１Ｂは、図１Ａの動作環境に含まれるシステムを使用する方法の例を示したフロー図である。 図２は、図１Ａのシステムの実施形態の例を示したブロック図である。 図３は、キュレーションをランク付けする方法のフロー例の図を示す。

標準的なキュレーションエンジンでは、ユーザがアイテムをキュレーションへ含めるために検索して、選択できる。概して、標準的なキュレーションエンジンは、学習用に最適化されなく、及び／又は、キュレーション特有の特徴に最適化されていない。

オープンコースウェア(ＯＣＷ)検索は、巡回したオープンエデュケーションリソース(以下「ＯＥＲ」又は「ＯＥＲリソース」)に焦点を合わせており、ユーザが簡単なテキスト内容の類似性に基づいて検索可能にする。ＯＣＷ検索は、概して、学習特有の特徴に最適化されていない。また、ＯＣＷ検索は、概して、学習材料及び／又は他のアイテムで構成されたキュレーションよりもむしろオリジナルの学習材料を検索する。

学習対象保存部(ＬＯＲ)は、手動入力及び構造化メタデータが必要な、クローズドで手動で維持される保存部である。ＬＯＲは、概して、学習オブジェクト及びアイテム品質の構造に最適化されていない。また、各学習オブジェクトの全アイテムは通常は同じ情報源から来るのに対し、各キュレーションを形成するアイテムは多様な情報源から来るかもしれず、また、そのような場合が多い。

本明細書に記載する実施形態は、多様な情報源からキュレーションアイテムを含むキュレーションを検索してもよい。代替的に又は付加的に、本明細書に記載する実施形態は、キュレーション特有の特徴及び／又はキュレーションに含まれるキュレーションアイテムの学習に特有の品質に最適化されてもよい。

好ましい実施形態において、コンテンツ類似度は、例えば、ユーザから受信するクエリに基づいて、複数のキュレーション毎に算出されてもよい。キュレーション特有の特徴は、キュレーションの各々から抽出されてもよい。キュレーションの各々を形成するキュレーションアイテムもキュレーションから抽出されてもよく、キュレーションに特有で学習に特有の各特徴はキュレーションアイテムから抽出されてもよい。

キュレーション信用度は、キュレーションから抽出されるキュレーション特有の特徴に基づいて、キュレーション毎に算出されてもよい。キュレーションアイテム信用度は、キュレーションを形成するキュレーションアイテムから抽出されるキュレーション特有の特徴に基づいて、キュレーション毎に算出されてもよい。

キュレーションアイテム学習信用度は、キュレーションを形成するキュレーションアイテムから抽出される学習に特有の特徴に基づいて、キュレーション毎に算出されてもよい。そして、キュレーションの各々は、対応するコンテンツ類似度、対応するキュレーション信用度、対応するキュレーションアイテム信用度及び対応するキュレーションアイテム学習信用度に基づいてランク付けられてもよい。

本発明の実施形態を、添付の図面を参照して説明する。

図１Ａは、幾つかの実施形態が実装されうる動作環境１００の例を示したブロック図である。動作環境には、ネットワーク１０２と、キュレーション１０４と、キュレーション検索・ランク付けシステム(以下、「システム」という。)１０６と、１以上のエンドユーザ(以下、「ユーザ」又は「複数のユーザ」という。)１０８とが含まれてもよい。

概ね、ネットワーク１０２は、システム１０６及び／又はユーザ１０８がキュレーション１０４にアクセスし、及び／又は、互いに通信を行うことができるように１以上の広域ネットワーク(ＷＡＮ)及び／又はローカルエリアネットワーク(ＬＡＮ)を備えてもよい。

幾つかの実施形態においては、ネットワーク１０２には、多数のＷＡＮ及び／又はＬＡＮ間の論理的及び物理的接続により形成されたグローバル相互接続ネットワークを含め、インターネットが含まれる。代替的に又は付加的に、ネットワーク１０２には、８０２．ｘｘネットワーク、Ｂｌｕｅｔｏｏｔｈ（登録商標）アクセスポイント、ワイヤレスアクセスポイント、ＩＰベースのネットワーク等(但しこれらに限定されない)のような、１以上の無線セルラーネットワーク及び／又は１以上の有線及び／又は無線ネットワークが含まれる。また、ネットワーク１０２は、特定のタイプのネットワークを別のタイプのネットワークとインタフェース接続することができるサーバを備えていてもよい。

本明細書で用いる「キュレーション(curation)」には、デジタルファイル等、「キュレータ(curator)」と呼ばれるユーザ又はその他のエンティティによって整理・組織化された複数のアイテムのリストであって付加価値を付けたリストが含まれてもよい。

よって、キュレーション１０４に含みうるアイテムの例としては、ウェブページ、音声ファイル、動画ファイル、電子文書及び実質的に任意の他のデジタルファイル又はコンテンツが含まれる(但しこれらに限定されない)。

キュレーション１０４のいずれかに含まれるアイテムを、以下キュレーションアイテムと記載する場合がある。キュレーション１０４は、インターネットに通信可能に接続された対応する１台以上のウェブサーバによってホストされるウェブサイト上でアクセス可能でもよい。

ユーザ１０８には、ユーザ１０８によって生成されるキュレーションに採用する特定のクエリを満たす又はこれに適合する複数のキュレーション１０４から学習のためのキュレーションを発見したい人及び／又はその他のエンティティが含まれる。

代替的に又は付加的に、ユーザ１０８は、キュレーション１０４又はユーザ１０８によって作成されるキュレーションの採用のための特定のクエリを満たす又はこれに適合する他のリソースの中からキュレーションアイテムを発見したい人及び／又はその他のエンティティが含まれてもよい。クエリの例としては、選択したキュレーション１０４のひとつと類似又は関連するキュレーション１０４を特定するための１語以上のキーワード又は検索用語及び／又は各要求が含まれてもよい。

独立して説明しないけれども、各ユーザ１０８は典型的には対応する計算装置を用いてネットワーク１０２と通信する。各計算装置には、デスクトップコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、携帯電話、スマートフォン、携帯情報端末(ＰＤＡ)又はその他の適切な計算装置が含まれる(但しこれらに限定されない)。

図１Ｂは、本明細書に記載した少なくとも１つの実施形態に従って構成された、図１Ａのシステム１０６の使用方法１１０を示した例示的フロー図である。本明細書に開示したこのプロセス及び方法並びにその他のプロセス及び方法については、このプロセス及び方法において実行される機能が異なる順序で実装されてもよいことが当業者に理解されると考えられる。

更に、概要を示した複数のステップ及び処理は例として提供されたものにとどまり、一部のステップ及び処理は任意に選択でき、本発明の本旨から逸脱しないかぎりにおいて、相互に組み合わせてより少ない数のステップ及び処理とすることもでき、又は、拡張して追加のステップ及び処理を設けることもできる。

図１Ｂの方法を図１Ａの動作環境１００と組み合わせて説明する。方法１１０は、ユーザ１０８の一人がキュレーションを生成するためのアイテムを問い合わせるブロック１１２で始まってもよい。特に、ユーザ１０８は、ユーザ１０８によって生成されるキュレーションに採用するためのアイテムを問い合わせてもよい。

システム１０６は、クエリ及びキュレーション特有の特徴に基づいてキュレーション１０４及び／又は他のリソース１０４からアイテムを検索してもよい。オプションとして、検索は学習特有の特徴に基づいて行ってもよい。

幾つかの実施形態においては、システム１０６は、ウェブリソースに対するウェブ検索、キュレーション１０４等のキュレーションリソースに対するキュレーション特有の特徴に基づく検索、及び／又は、学習特有の特徴に基づくオープンエデュケーションリソース(以下、「ＯＥＲ」又は「ＯＥＲリソース」という)に対する検索を含むマルチレベル検索を行う。

システム１０６は、「キュレーションラーニングにおけるアイテム選択(候補キュレーションアイテムをランキングする方法及びシステム)("ITEM SELECTION IN CURATION LEARNING")」との名称で同時(２０１３年８月２９日)に米国特許商標庁に出願された出願番号第１４／０１３，１１３号の同時係属米国特許出願にて説明したように、マルチレベル検索から得られたスコアに基づいてランク付け及び統合された「アイテム１」及び「アイテム２」等の１以上のアイテムを含む検索結果１１４を出力する。上記出願を、本明細書に引用する。

ユーザ１０８は、検索結果１１４に含まれる「アイテム１」等の任意のアイテムを選択して、キュレーション１１６にある１以上の他のアイテムとあわせて、ユーザ１０８によって生成される「キュレーション１」に含めてもよい。

図１Ｂにおいて更に図示されているとおり、ユーザ１０８がキュレーション１１６へのアイテムの追加を完了すると、キュレーション１１６は、図１Ａのキュレーション１０４に全体として対応してもよい１以上の他のキュレーションとともにキュレーションデータベース１１８に保存されてもよい。

ブロック１２０において、方法１１０は、読込及び／又は学習のためにキュレーションデータベース１１８に対してキュレーションを問い合わせる複数のユーザ１０８のうち同一のユーザ又は別の一人を追加で含めてもよい。概して、本明細書に記載する幾つかの実施形態は、読込及び／又は学習のためのキュレーションの検索及びその選択に関する。

図２は、本明細書に記載した少なくとも１つの実施形態に従って構成された、図１Ａのシステム１０６の好ましい実施形態のブロック図である。図示されているとおり、システム１０６は、プロセッサ２０２と、通信インタフェース２０４と、メモリ２０６とを備えている。

プロセッサ２０２、通信インタフェース２０４及びメモリ２０６は通信バス２０８を介して通信可能に接続されてもよい。通信バス２０８には、メモリバス、ストレージインタフェースバス、バス／インタフェースコントローラ、インタフェースバス等又はそれらの任意の組合せが含まれてもよい(但しこれらに限定されない)。

概ね、通信インタフェース２０４は、図１Ａのネットワーク１０２等のネットワークによる通信を支援してもよい。通信インタフェース２０４には、ネットワークインタフェースカード、ネットワークアダプタ、ＬＡＮアダプタ又はその他の適切な通信インタフェースが含まれてもよい(但しこれらに限定されない)。

プロセッサ２０２は、システム１０６に本明細書に記載した機能及び処理を実行させるコンピュータ命令を実行するように構成されてもよく、かかる機能及び処理は、クエリの受信、クエリに基づく複数のキュレーション毎のコンテンツ類似度(content similarity measurement)の算出、キュレーションからのキュレーション特有の特徴の抽出、抽出されたキュレーション特有の特徴に基づくキュレーション毎のキュレーション信用度の算出、及び、キュレーションアイテム結果生成のための、コンテンツ類似度とキュレーション信用度との双方に基づくキュレーションのランク付け等の機能及び処理である。

プロセッサ２０２には、プロセッサ、マイクロプロセッサ(μＰ)、コントローラ、マイクロコントローラ(μＣ)、中央処理装置(ＣＰＵ)、デジタル信号処理プロセッサ(ＤＳＰ)、これらの任意の組合せ、又はその他の適切なプロセッサが含まれてもよい(但しこれらに限定されない)。

コンピュータ命令は、プロセッサ２０２による実行のためにメモリ２０６にロードされてもよい。例えば、コンピュータ命令は、１以上のモジュールの形態とすることができ、かかるモジュールとしては、コンテンツ類似度測定モジュール２１０、アイテム抽出モジュール２１２、特徴抽出モジュール２１４、キュレーション信用度測定モジュール２１６、キュレーションアイテム信用度測定モジュール２１８、キュレーションアイテム信用度測定モジュール２２０、ランキングモジュール２２２、及び／又はユーザープロファイルモジュール２２４(まとめて「モジュール群２２６」という。)が含まれる(但しこれらに限定されない)。

幾つかの実施形態においては、本明細書に記載した機能及び処理の実行中に生成され、受信され及び／又は処理されるデータは、メモリ２０６に少なくとも一時的に格納されてもよい。更に、メモリ２０６にはＲＡＭ等の揮発性記憶装置が含まれてもよい。

更に概して言えば、システム１０６は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ若しくはその他のメモリ技術、ＣＤ−ＲＯＭ、デジタル多用途ディスク(ＤＶＤ)若しくはその他の光学ストレージ、磁気カセット、磁気テープ磁気ディスクストレージ若しくはその他の磁気ストレージデバイス等の非一時的なコンピュータ読み取り可能媒体、又は任意のその他の非一時的なコンピュータ読み取り可能媒体が含まれてもよい(但しこれらに限定されない)。

コンテンツ類似度測定モジュール(content similarity measurement module)２１０は、図１Ａのキュレーション１０４などの複数のキュレーション毎に、ユーザから受信したクエリに基づいてコンテンツ類似度を算出するように構成されてもよい。コンテンツ類似度の算出は、そこからクエリが受信された当該ユーザに関連するユーザープロファイルに更に基づいて行われてもよい。

これらの実施形態及び他の実施形態においては、クエリ及び各キュレーションは、ベクトル空間モデルにおける単語ベクトル(term vector)として表現されてもよい。各キュレーションｉについて、コンテンツ類似度ＣＳＭ_ｉは、下記式に従って算出されてもよい。
CSM_i = Similarity(q,d) = cos(θ), 0 < cos(θ) <1

前記式中、ｑはクエリの単語ベクトルであり、ｄは対応するキュレーションｉの単語ベクトルであり、ｃｏｓ(θ)は単語ベクトルｑ及びｄ間の角θの余弦である。コンテンツ類似度がユーザープロファイルにも基づいている場合には、ユーザープロファイル内の関心のあるトピック等のユーザープロファイル内のキーワードに適合する単語ベクトルｄ内の用語の重みは、対応するキュレーションに対するコンテンツ類似度においてブーストされてもよい。

アイテム抽出モジュール２１２は、キュレーションアイテムを各キュレーションから抽出するように構成されてもよく、各キュレーションを形成する個々のキュレーションアイテムの少なくともいくつかを特定することを含む。例えば、アイテム抽出モジュール２１２は、キュレーションアイテムの一部もしくは全部を図１Ａの各キュレーション１０４から抽出するように構成されてもよい。

特徴抽出モジュール(feature extraction module)２１４は、キュレーション特有の特徴をキュレーション及び／又はキュレーションから抽出されたキュレーションアイテムから抽出するように構成されてもよい。キュレーションの所与の１つに対して抽出されたキュレーション特有の特徴には、キュレーションのキュレータ、キュレーションに関連するフィードバック(例えば、キュレーションの閲覧数、キュレーションへのブックマーク数、キュレーションに関連するコメント数、同様の数、又はキュレーションに関連する他のフィードバック)、キュレーションのタイトル等、又はこれらの組合せが含まれてもよい(但しこれらに限定されない)。

各キュレーションアイテムから抽出されるキュレーション特有の特徴は、そこからキュレーションアイテムが抽出され、前述したキュレーションから抽出されるキュレーション特有の特徴、キュレーションアイテムの名称、キュレーションアイテムのコンテンツ等のいずれか、又は、それらの組み合わせを含んでも良い(但しこれらに限定されない)。

代替的に又は付加的に、所与のキュレーションから抽出されるキュレーション特有の特徴は、キュレーションに含まれるキュレーションアイテムから抽出されたキュレーション特有の特徴のいずれかを含んでもよい。

特徴抽出モジュール２１４は、代替的に又は付加的に、学習特有の特徴をキュレーションから抽出されるキュレーションアイテムから抽出するように構成されてもよい。各キュレーションアイテムから抽出される学習特有の特徴は、関連する個人(例えば、教授、インストラクタ又はキュレーションアイテムの作成者)、キュレーションアイテムの名称、キュレーションアイテムの教示又は刊行日、キュレーションアイテムが示されるか又は示された関連コース又はクラス、コース又はクラスが教示されるか又は教示された関連教育機関、キュレーションアイテムのコンテンツ、及び／又は、「オープンエデュケーション教材のランク付け及び推奨("RANKING AND RECOMMENDATION OF OPEN EDUCATION MATERIALS")」との名称で、２０１２年１２月３１日に米国特許商標庁に出願された出願番号第１３／７３１，９９６号の同時係属米国特許出願(以下、９９６出願という)に開示されたような他の学習特有の特徴を含んでもよい(但しこれらに限定されない)。９９６出願を、本明細書に参照により組み込む。

キュレーション信用度測定モジュール２１６は、キュレーションから抽出されるキュレーション特有の特徴に基づいて、キュレーション信用度を算出するように構成されてもよい。幾つかの実施形態では、キュレーション毎のキュレーション信用度は、対応するキュレーションの人気度に依存し、また、対応するキュレーションのキュレータの人気度及びソーシャルネットワーク影響度に依存してもよい。

好ましい実施形態において、キュレーション信用度は、下記式に従って算出されてもよい。
Curation_Credit_i = α₁*Curation_Popularity_i + β₁* Curation_Curator_Credit_i

前記式中、Curation_Credit_iは、キュレーションｉのキュレーション信用度であり、α₁及びβ₁はα₁＋β₁＝１となる定数であり、Curation_Popularity_iは、キュレーションｉのキュレーション人気信用度であり、Curation_Curator_Credit_iは、キュレーションｉのキュレーションキュレータ信用度である。

キュレーション信用度測定モジュール２１６及び／又はモジュール群２２６に属する別のひとつは更に、各キュレーションｉの、キュレーション人気信用度又はCuration_Popularity_iを算出するように構成されてもよい。キュレーション人気信用度は、対応するキュレーションの人気度に依存してもよい。

幾つかの実施形態では、キュレーションｉのキュレーション人気信用度は、下記式に従って算出されてもよい。
Curation_Popularity_i = V*View_Score_i + B*Bookmark_Score_i + C*Comment_Score_i

前記式中、Ｖ、Ｂ、及びＣはＶ＋Ｂ＋Ｃ＝１となる定数であり、View_Score_iはキュレーションｉの閲覧数に従って算出されたキュレーションｉの閲覧スコアであり、Bookmark_Score_iはキュレーションｉに対するブックマーク数に基づいて算出されたキュレーションｉのブックマークスコアであり、Comment_Score_iはキュレーションｉに対するコメント数に基づいて算出されたキュレーションｉのコメントスコアである。

更に概していえば、Curation_Popularity_iは、１以上のフィードバックスコアにそれぞれ対応するフィードバック定数をかけて得た値の和として算出されてもよい。フィードバック定数の例としては、定数Ｖ、Ｂ及びＣが挙げられる。

一例として、所与のキュレーションについてＶ＝０．３、Ｂ＝０．５、Ｃ＝０．２とする。更に、所与のキュレーションについてView_Score_i＝０．０５、Bookmark_Score_i＝０．１、Comment_Score_i＝０．０７とする。

この例では、前記式に従い算出した所与のキュレーションに対するCuration_Popularity_iは、Curation_Popularity_i＝０．３＊０．０５＋０．５＊０．１＋０．２＊０．０７＝０．０７９と算出できる。Ｖ、Ｂ、及びＣに係る前記値は一例として提供したものにすぎず、限定する趣旨と解釈されるべきものではない。

View_Score_i、Bookmark_Score_i及び／又はComment_Score_iに関する前記値もまた一例として提供したものにすぎず、限定する趣旨ではなく、そして、任意の式に従って算出してもよい。その若干の例を以下に提供する。

キュレーション信用度測定モジュール２１６及び／又はモジュール群２２６に属する別の１つのモジュールは、View_Score_i、Bookmark_Score_i及び／又はComment_Score_iを算出するように構成されてもよい。View_Score_iは、閲覧による所与のキュレーションｉの人気度を反映し、下記式に従って算出されてもよい。

前記式中、λ１はView_Score_iに対する時間の影響を調整するための定数係数であり、Ｍ１はキュレーションの総数であり、Ｎｉ１はキュレーションｉの閲覧数であり、ｔは現在時間であり、ｔ_j1は日、時その他の所望の単位によるキュレーションｉに対するｊ番目の閲覧の時間である。幾つかの実施形態においては、キュレーションｉに対する閲覧の合計数Ｎｉ１が０であるならば、View_Score_iは０に等しくてもよい。

Bookmark_Score_iは、キュレーションに対するブックマークにより所与のキュレーションｉの人気度を反映し、下記式に従って算出されてもよい。

前記式中、λ２はBookmark_Score_iに対する時間の影響を調整するための定数係数であり、Ｍ２はブックマークが付されたキュレーションの総数であり、Ｎｉ２はキュレーションｉに対するブックマーク数であり、ｔは現在時間であり、ｔj2は日、時その他の所望の単位によるキュレーションｉに対するｊ番目のブックマークの時間である。幾つかの実施形態においては、キュレーションｉに対するキュレーションｉに対するコメントの合計数Ｎｉ２が０であるならば、Bookmark_Score_iは０に等しくてもよい。

Comment_Score_iは、キュレーションに対するコメントにより所与のキュレーションｉの人気度を反映し、下記式に従って算出されてもよい。

式中λ３はComment_Score_iに対する時間の影響を調整するための定数係数であり、Ｍ３はコメントされたキュレーション(例えばコメントが付されたキュレーション)の総数であり、Ｎｉ３はキュレーションｉに対するコメント数であり、ｔは現在時間であり、及びｔj3は日、時その他の所望の単位によるキュレーションｉに対するｊ番目のコメントの時間である。幾つかの実施形態においては、キュレーションｉに対するコメントの合計数Ｎｉ３が０であるならば、Comment_Score_iは０に等しくてもよい。

幾つかの実施形態においては、λ１、λ２、及びλ３は同値であっても異なる値であってもよい。代替的に又は付加的に、View_Score_i、Bookmark_Score_i及びComment_Score_iについての上記式に基づいて、View_Score_i、Bookmark_Score_i及びComment_Score_iの各々は、任意の所与のキュレーションについて０及び１の間の正規化された値でもよい。

View_Score_i、Bookmark_Score_i及びComment_Score_iについての上記式は、閲覧、ブックマーク、及びコメントを含むキュレーションｉの特定の種別のフィードバックに関するものである。

上記式は、閲覧、ブックマーク、コメント、「いいね！」(例えばフェイスブックで利用されるようなもの)、プラスボタン(例えばＧｏｏｇｌｅ＋（登録商標）で利用されるようなもの)又はその他のフィードバックを含む任意の種類のフィードバックのために一般化されてもよい。例えば、フィードバックスコア算出のための一般式は、以下のようになる。

前記式中、λはフィードバックスコアに対する時間の影響を調整するための定数係数であり、Ｍは特定の種別のフィードバックを有するキュレーションの総数であり、Ｎｉはキュレーションｉに関連する特定の種別のフィードバックの数であり、ｔは現在時間であり、ｔ_jは日、時その他の所望の単位によるキュレーションｉに対するｊ番目のフィードバックイベントの時間(例えば特定の種別のフィードバックが適用された時間)である。幾つかの実施形態においては、キュレーションｉに対する特定の種別のフィードバックの総数Ｎｉが０であるならば、フィードバックスコアは０に等しくてもよい。

キュレーション信用度測定モジュール２１６及び／又はモジュール群２２６に属する別の１つのモジュールは、各キュレーションｉの、キュレーションキュレータ信用度又はCuration_Curator_Credit_iを算出するように更に構成されてもよい。キュレーションキュレータ信用度は、対応するキュレーションのキュレータの人気度及びソーシャルネットワーク影響度に依存してもよい。

幾つかの実施形態においては、キュレーションキュレータ信用度は、下記式に従って算出されてもよい。
Curation_Curator_Credit_i = CCP_i*SNI_i
前記式中、ＣＣＰ_iはキュレーションｉのキュレータのキュレーションコンテンツ人気度であり、ＳＮＩ_iはキュレーションｉのキュレータのソーシャルネットワーク影響度である。

幾つかの実施形態においては、キュレーションキュレータ信用度は、全てのキュレータについて正規化されてもよい。例えば、キュレーションｉのキュレータに対するＣＣＰ_i値及びＳＮＩ_i値をそれぞれ０．０３７８及び０．０１とすると、Curation_Curator_Credit_iについての前記式に従い、処理前キュレーションキュレータ信用度が０．００３７８となる。

処理前キュレーションキュレータ信用度が全てのキュレータにわたって正規化されてもよく、例えば処理前キュレーションキュレータ信用度が全てのキュレータについて算出されて、処理前キュレーションキュレータ信用度が合計されてもよい。そうするとキュレーションキュレータ信用度０．００３７８は処理前キュレーションキュレータ信用度の和で除算されて、０及び１の間の正規化されたキュレーションキュレータ信用度が得られる。

例えば、処理前キュレーションキュレータ信用度が０．２５２であるならば、処理前キュレーションキュレータ信用度０．００３７８に対応する正規化されたキュレーションキュレータ信用度を算出すると０．００３７８／０．２５２＝０．０１５となる。

これらの実施形態及び他の実施形態においては、キュレーションｉのキュレータのキュレーションコンテンツ人気度ＣＣＰ_iは、キュレーションｉのキュレータが生成した全てのキュレーションに対応する全キュレーション人気信用度の平均値として算出されてもよい。

より具体的には、キュレーションコンテンツ人気度ＣＣＰ_iは、キュレーションｉのキュレータが生成した全てのキュレーションを抽出することによって、及び、概ね上述したようにキュレーションｉのキュレータが生成した抽出されたキュレーションの各々についてキュレーション人気信用度を算出することによって、及び、キュレーションｉのキュレータが生成した抽出されたキュレーションのキュレーション人気信用度を合計することで全キュレーション人気信用度を算出することによって、及び、及び全キュレーション人気信用度をキュレーションｉのキュレータが生成した抽出されたキュレーションの数で割って平均キュレーション人気信用度を算出することによって、算出されてもよい。平均キュレーション人気信用度は、キュレーションｉのキュレータのキュレーションコンテンツ人気度ＣＣＰ_iとして用いられてもよい。

代替的に又は付加的に、キュレーションｉのキュレータのソーシャルネットワーク影響度ＳＮＩ_iは、ソーシャルフィード追従グラフ又はその他のソーシャルグラフアルゴリズム若しくはキュレータのメトリックに基づいて算出されてもよい。

ソーシャルグラフアルゴリズム又はメトリックの例としては、ツイッターランク(TwitterRank)、トピック特有のページランク(Topic-specific PageRank)、トピック特有のタンクランク(Topic-specific TunkRank)等又はこれらの任意の組合せが含まれる(但しこれらに限定されない)。

上記に係る説明は、米国特許出願第１３／２４２，３５２号、Ｊ．Ｗｅｎｇ他 "TwitterRank: Finding Topic‐sensitive Influential Twitterers"(http://ink.library.smu.edu.sg/cgi/viewcontent.cgi?article=1503&context=sis_research、２０１３年７月２９日アクセス)、及び、Ｄ．Ｇａｙｏ−Ａｖｅｌｌｏ他 "Overcoming Spammers in Twitter-A Tale OF Five Algorithms"(http://di002.edv.uniovi.es/~dani/downloads/CERI2010-camera-ready.pdf、２０１３年７月２９日アクセス)に提供されているところ、これらの内容は参照により本明細書に組み込まれる。

キュレーションｉのキュレータのキュレーションコンテンツ人気度ＣＣＰ_i及び／又はソーシャルネットワーク影響度ＳＮＩ_iは、キュレーション信用度測定モジュール２１６及び／又はモジュール群２２６の別の１つのモジュールによって算出されてもよい。

引き続き図２を参照し、キュレーションアイテム信用度測定モジュール２１８は、キュレーションのキュレーションアイテムから抽出されるキュレーション特有の特徴に基づいて、キュレーション毎のキュレーションアイテム信用度を算出するように構成されてもよい。

幾つかの実施形態において、キュレーション毎のキュレーション信用度は、対応するキュレーションに含まれるキュレーションアイテムの人気度に依存してもよく、また、対応するキュレーションに含まれる１以上のキュレーションアイテムを含むキュレーションを作成した各キュレータの人気度及びソーシャルネットワーク影響度に依存してもよい。好ましい実施形態において、キュレーションアイテム信用度は、下記式に従って算出されてもよい。

前記式中、Curation_Item_Credit_iはキュレーションｉのキュレーションアイテム信用度であり、ＩＮｍはキュレーションｉのキュレーションアイテムの総数であり、Curation_Item_Score_mはキュレーションｉの各キュレーションアイテムｍのキュレーションアイテムスコアである。

キュレーションアイテム信用度測定モジュール２１８及び／又はモジュール群２２６の別の１つのモジュールは、各キュレーションアイテムｍの、キュレーションアイテムスコア又はCuration_Item_Score_mを算出するように更に構成されてもよい。幾つかの実施形態では、キュレーションアイテムスコアは、下記式に従って算出されてもよい。
Curation_Item_Score_m = α₂*Item_Popularity_Credit_m + β₂*Item_Curator_Credit_m

前記式中、α２及びβ２は、α２＋β２＝１となる定数であり、Item_Popularity_Credit_mは、キュレーションアイテムｍのキュレーションアイテム人気信用度であり、Item_Curator_Credit_mは、キュレーションアイテムｍのアイテムキュレータ信用度である。

キュレーションアイテム信用度測定モジュール２１８及び／又はモジュール群２２６の別の１つのモジュールは、各キュレーションアイテムｍの、キュレーションアイテム人気信用度又はItem_Popularity_Credit_mを算出するように更に構成されてもよい。キュレーションアイテム人気信用度は、キュレーションアイテムｍの人気度に依存してもよい。

キュレーションアイテムｍのキュレーションアイテム人気信用度は、下記式に従って算出されてもよい。

前記式中、ＣＮは、各々がキュレーションアイテムｍを含むキュレーションの数であり、Curation_Popularity_iは、キュレーションアイテムｍを含むキュレーションｉの人気度に依存し、ＩＮｉは、キュレーションｉに含まれるキュレーションアイテムの数である。Curation_Credit_iを算出する場合に上述のCuration_Popularity_iの計算に使用する式と同じ式を、Item_Popularity_Credit_mを算出する場合に用いてもよい。

よって、Item_Popularity_Credit_mを算出するために用いるCuration_Popularity_iは、キュレーション信用度測定モジュール２１６、キュレーションアイテム信用度測定モジュール２１８及び／又はモジュール群２２６の別の１つのモジュールによって算出されてもよい。

キュレーションアイテム信用度測定モジュール２１８及び／又はモジュール群２２６の別の１つのモジュールは、各キュレーションアイテムｍの、アイテムキュレータ信用度又はItem_Curator_Credit_mを算出するように更に構成されてもよい。

アイテムキュレータ信用度は、キュレーションアイテムｍを含むキュレーションを作成した各キュレータの人気度及びソーシャルネットワーク影響度度に依存してもよい。幾つかの実施形態では、アイテムキュレータ信用度は、下記式に従って算出されてもよい。

前記式中、ＣＮは、各々がキュレーションアイテムｍを含むキュレーションの数であり、Curation_Curator_Credit_iは、既に上で定義されたようにキュレーションｉのキュレーションキュレータ信用度であり、ＩＮｉは、キュレーションｉに含まれるキュレーションアイテムの数である。

幾つかの実施形態では、アイテムキュレータ信用度は、キュレーションキュレータ信用度に関して上述したのと同様の方法で、全キュレータについて正規化されてもよい。

引き続き図２を参照し、キュレーションアイテム信用度測定モジュール２２０は、キュレーションアイテムのキュレーションアイテムから抽出された学習特有の特徴に基づいて、各キュレーションのキュレーションアイテム信用度測定を算出する。好ましい実施形態において、キュレーションアイテム学習信用度は下記式に従って算出されてもよい。

前記式中、Curation_Item_Learning_Credit_iは、キュレーションｉのキュレーションアイテム学習信用度であり、ＩＮｍは、キュレーションｉのキュレーションアイテムの総数であり、Curation_Item_Learning_Score_mは、キュレーションｉの各キュレーションアイテムｍのキュレーションアイテム学習スコアである。

キュレーションアイテム信用度測定モジュール２２０及び／又はモジュール群２２６の別の１つのモジュールは、各キュレーションアイテムｍの、キュレーションアイテム学習スコア又はCuration_Item_Learning_Score_mを算出するように更に構成されてもよい。キュレーションアイテムｍのキュレーションアイテム学習スコアは、下記式に従って算出されてもよい。
Curation_Item_Learning_Score_m = α₃*FM + β₃*ACM + γ*SMCM + δ*CM

前記式中、α₃、β₃、γ及びδは、α₃＋β₃＋γ＋δ＝１となる定数であり、ＦＭは、キュレーションアイテムｍの年数に依存するキュレーションアイテムｍの新鮮度であり、ＡＣＭは、キュレーションアイテムｍの学術的影響に依存するキュレーションアイテムｍの学術的信用度であり、ＳＭＣＭは、キュレーションアイテムｍのソーシャルメディア影響度に依存するキュレーションアイテムｍのソーシャルメディア信用度であり、ＣＭは、キュレーションアイテムｍの包括性に依存するキュレーションアイテムｍの包括度である。ＦＭ、ＡＣＭ、ＳＭＣＭ及びＣＭに関するさらなる詳細は、先に本明細書に組み込んだ９９６出願(U.S. Patent Application No. 13/731,996)に開示されている。

引き続き図２を参照し、ランキングモジュール２２２は、少なくとも対応するコンテンツ類似度及び対応するキュレーション信用度に基づいて、各キュレーションをランク付けるように構成されてもよい。あるいは、ランキングは更に、対応するキュレーションアイテム信用度及び対応するキュレーションアイテム学習信用度の一方又は双方に基づいてもよい。

対応するコンテンツ類似度、対応するキュレーション信用度、対応するキュレーションアイテム信用度及び対応するキュレーションアイテム学習信用度に基づくキュレーションのランク付けは、キュレーション毎に、各キュレーションｉのランクＲ_ｉを下記式に従って算出することを含んでもよい。

前記式中、ａ、ｂ、ｃ及びｄは、ａ＋ｂ＋ｃ＋ｄ＝１である定数又は重み係数であり、ＣＳＭ_ｉは、既に記載した通りキュレーションｉのコンテンツ類似度であり、Curation_Credit_iは、既に記載した通りキュレーションｉのキュレーション信用度であり、Curation_Item_Credit_iは、既に記載した通りキュレーションｉのキュレーションアイテム信用度であり、Curation_Item_Learning_Credit_iは、既に記載した通りキュレーションｉのキュレーションアイテム学習信用度である。

Ｒ_ｉについての上述の式は、コンテンツ類似度、キュレーション信用度、キュレーションアイテム信用度及びキュレーションアイテム学習信用度に基づいてキュレーションをランク付けするものである。

他の実施形態においては、Ｒ_ｉについての式は、単にコンテンツ類似度及びキュレーション信用度だけに基づいて、又は、単にコンテンツ類似度と、キュレーション信用度と、キュレーションアイテム信用度及びキュレーションアイテム学習信用度の両方ではなく一方とに基づいて、キュレーションをランク付けするように変更されてもよい。

キュレーションアイテム信用度及びキュレーションアイテム学習信用度がＲ_ｉから省略される場合、ａ、ｂ、ｃ及びｄの値は、ａ＋ｂ＝１及びｃ＝ｄ＝０となるように選択されてもよい。キュレーションアイテム信用度及びキュレーションアイテム学習信用度の両方ではなく一方がＲ_ｉから省略される場合、ａ、ｂ、ｃ及びｄの値は、ａ＋ｂ＋ｄ＝１及びｃ＝０となるように、又は、ａ＋ｂ＋ｃ＝１及びｄ＝０となるように選択されてもよい。

好ましい実施形態においてａ、ｂ、ｃ及びｄは、それぞれ、０．５、０．２、０．１及び０．１、_０．５_、_０．２_、_０．１_及び_０．１_でもよい。あるいは、ａ、ｂ、ｃ及びｄは、それぞれ、第１の値、例えば０．５、０．２、０．１及び０．１に初期設定されてもよく、算出されたランクＲ_ｉの最適化のための機械学習によって精密化されてもよい。

ａ、ｂ、ｃ及びｄがそれぞれ、０．５、０．２、０．１及び０．１である例で説明を続けると、CSM_i、Curation_Credit_i、Curation_Item_Credit_i及びCuration_Item_Learning_Credit_iはそれぞれ、０．０８９、０．０５３４、０．１１３及び０．１１５９となり、ランクＲ_ｉは、上述の式に従いＲ_ｉ＝０．０７８０７と算出できる。

引き続き図２を参照すると、ユーザープロファイルモジュール(user profile module)２２４は、例えばシステム１０６と通信してキュレーションを特定するためのクエリを送るユーザのユーザープロファイルを生成するように構成されてもよい。ユーザープロファイルには、明示的ユーザープロファイル、黙示的ユーザープロファイル又はこれらの任意の組合せが含まれてもよい。

明示的ユーザープロファイルは、ユーザープロファイルを構築するためにユーザから明示的に提供されたキーワード及びその他の入力を含んでもよい。かかるキーワード又は他の入力は、例えば、ユーザにとって関心のあるトピックを表す又はこれに対応してもよい。これらの実施形態及び他の実施形態において、ユーザープロファイルモジュール２２４は、明示的プロファイルが望まれる限度において、プロファイルを構築するプロセスを通るよう各ユーザを案内してもよい。

黙示的ユーザープロファイルは、検索動作、クリック動作、ブックマーク動作等又はこれらの任意の組合せといったユーザのアクティビティを追跡することにより自動生成されてもよい。異なるアクティビティに関わるコンテンツには異なる重みが割り当てられてもよい。例えば、ユーザがブックマークを付したウェブページに由来するコンテンツは、ユーザがクリックしたリンクによって参照されたコンテンツと比較してより大きい重みを割り当てられてもよい。

各ユーザに対する明示的及び／又は黙示的ユーザープロファイルは、ユーザープロファイルベクトルと呼ばれるテキスト単語ベクトルに統合化されてもよい。キュレーションｉに対応する単語ベクトルにおける少なくとも幾つかの用語がユーザープロファイルベクトルにおける少なくとも幾つかの用語と適合すると、適合している用語の重みは、コンテンツ類似度測定モジュール２１０によるコンテンツ類似度においてブーストされてもよい。

図３は、本明細書に記載した少なくとも１つの実施形態に従って構成された、キュレーションをランク付けする方法３００の例示的フロー図を示した図である。幾つかの実施形態における方法３００は、図１Ａ，図１Ｂ及び図２のシステム１０６によって実行される。独立の複数ブロックとして記載されているが、所望の実装態様に応じて、様々なブロックがさらなるブロックに分割されてもよく、より少ない数のブロックに結合されてもよく、或いは設けなくてもよい。

この方法３００は、キュレーションを検索するユーザ１０８の一人からクエリ３０２を受信することを含んでもよい。ブロック３０４において、クエリ３０２に基づいて、キュレーション１０４毎のコンテンツ類似度を算出してもよい。オプションとして、コンテンツ類似度の算出は、更に、ユーザ１０８のユーザープロファイル３０６に基づいて、及び／又は、上述したとおりＣＳＭ_ｉについての式に従って行ってもよい。

ブロック３０８において、キュレーションアイテム３１０は、キュレーション１０４から抽出されてもよい。ブロック３１２において、キュレーション特有の特徴は、キュレーション１０４から抽出されてもよい。ブロック３１４において、キュレーション特有の特徴は、キュレーションアイテム３１０から抽出されてもよい。ブロック３１６において、学習特有の特徴は、キュレーションアイテム３１０から抽出されてもよい。

ブロック３１８において、１以上のキュレーション特有の度合３２０、３２２、３２４は、抽出されたキュレーションに特有の及び／又は学習特有の特徴に基づいて、キュレーション１０４毎に算出されてもよい。例示の実施態様においては、１以上のキュレーション特有の度合３２０、３２２、３２４は、少なくとも、キュレーション１０４から抽出されるキュレーション特有の特徴に基づいて算出されるキュレーション信用度３２０を含む。

代替的に又は付加的に、ひとつ又は複数のキュレーション特有の度合３２０、３２２、３２４は、キュレーションアイテム３１０から抽出されるキュレーション特有の特徴に基づいて算出されたキュレーションアイテム信用度３２２、及び／又は、キュレーションアイテム３１０から抽出される学習特有の特徴に基づいて算出されたキュレーションアイテム学習信用度３２４を含んでもよい。

キュレーション１０４毎の、キュレーション信用度３２０、キュレーションアイテム信用度３２２及びキュレーションアイテム学習信用度３２４はそれぞれ、上述のCuration_Credit_i、Curation_Item_Credit_i、及び、Curation_Item_Learning_Credit_iの各式に従って算出されてもよい。

ブロック３２６において、キュレーション１０４を、コンテンツ類似度及び１以上のキュレーション特有の度合に基づいてランク付けして、キュレーション１０４毎のキュレーションスコア３２８を生成する。キュレーション１０４は、上述のＲ_ｉの式に従いランク付けされてもよい。

キュレーションスコア３２８は、ユーザ１０８へ出力されてもよい。代替的に又は付加的に、キュレーション１０４へのリンク及び／又はその短い記述を、クエリ３０２に関する各キュレーション１０４の、キュレーションスコア３２８を反映しているリンクの順序又はその関連で、ユーザ１０８へ出力してもよい。

本明細書に記載した実施形態には、上記詳述したような様々なコンピュータハードウェア又はソフトウェアモジュールを備えた専用コンピュータ又は汎用コンピュータの使用が含まれうる。

本明細書に記載した実施形態は、コンピュータで実行可能な命令又はデータ構造を格納して担持又は保持するためのコンピュータ読み取り可能媒体を用いて実装することができる。かかるコンピュータ読み取り可能媒体は、汎用コンピュータ又は専用コンピュータによってアクセスすることができる任意の利用可能な媒体でもよい。

一例として、且つ非限定的に、かかるコンピュータ読み取り可能媒体には、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＣＤ−ＲＯＭ又はその他の光学ディスクストレージ、磁気ディスクストレージ若しくはその他の磁気ストレージデバイス、或いは、所望のプログラムコードをコンピュータで実行可能な命令又はデータ構造の形態にて担持又は格納することができる、及び、汎用若しくは専用コンピュータによってアクセスすることができる、任意のその他の記憶媒体を含む有形のコンピュータ読み取り可能な記憶媒体が含まれてもよい。上記の組合せもまたコンピュータ読み取り可能媒体の範囲内に含まれる。

コンピュータで実行可能な命令には、例えば、汎用コンピュータ、専用コンピュータ、又は専用処理装置に何らかの機能又は機能群を実行させる命令及びデータが含まれる。発明主題は構造的特徴及び／又は方法論的動作に特有の表現で記載されているが、添付の請求項に定義された発明主題は、上述した特定の特徴又は動作に必ずしも限定されるものでないことが理解されるであろう。むしろ、上述した特定の特徴及び行為は、請求項に記載の発明を実施するための例示的な形態として開示されたものである。

本明細書における用語「モジュール」又は「コンポーネント」は、計算システム上で実行されるソフトウェアオブジェクト又はソフトウェアルーチンを指してもよい。本明細書に記載した異なるコンポーネント、モジュール、エンジン及びサービスは、計算システム上で実行されるオブジェクト又はプロセスとして実装されることができる(例えば別のスレッドとして)。

本明細書に記載したシステム及び方法は好ましくはソフトウェアにおいて実装されるが、ハードウェアでの実装又はソフトウェア及びハードウェアの組合せでの実装もまた可能であり想定しうるものである。本明細書においては、「計算エンティティ」は、既述のような任意の計算システム又は、計算システム上で動作する任意のモジュール若しくはモジュールの組合せでもよい。

本明細書中に言及した全ての例及び条件付きの文言は、読者が本発明及び技術水準を前進させるために発明者が呈示した概念を理解するのを助けるという教育的目的を意図したものであって、かかる具体的に言及した例及び条件に限定される趣旨と解されるべきものではない。本発明の実施形態を詳細に説明したが、本発明の趣旨及び範囲を逸脱しない限度で様々な改変、置換及び変更を行いうることが理解されるであろう。

１００ 動作環境
１０２ ネットワーク
１０４，１１６ キュレーション
１０６ キュレーション検索・ランク付けシステム(システム)
１０８ エンドユーザ(ユーザ，複数のユーザ)
１１０ 使用方法
１１４ 検索結果
１１８ キュレーションデータベース
１２０，３０４，３０８，３１２，３１４，３１６，３１８ ブロック
２０２ プロセッサ
２０４ 通信インタフェース
２０６ メモリ
２０８ 通信バス
２１０ バス／インタフェースコントコンテンツ類似度測定モジュール
２１２ アイテム抽出モジュール
２１４ 特徴抽出モジュール
２１６ キュレーション信用度測定モジュール
２１８ キュレーションアイテム信用度測定モジュール
２２０ キュレーションアイテム信用度測定モジュール
２２２ ランキングモジュール
２２４ ユーザープロファイルモジュール
２２６ モジュール群
３００ 本方法
３０２ クエリ
３０６ ユーザープロファイル
３１０ キュレーションアイテム
３２０，３２２，３２４ キュレーション特有の度合

Claims (18)

1. コンピュータ・ソフトウェアによる情報処理方法におけるキュレーションをランク付けする方法であって、
   クエリを受信し、
   前記クエリに基づいて、複数のキュレーション毎にコンテンツ類似度を算出し、
   前記複数のキュレーションの各々から、複数のキュレーション特有の特徴を抽出し、
   抽出された複数のキュレーション特有の特徴に基づいて、前記複数のキュレーション毎のキュレーション信用度を算出し、
   対応するコンテンツ類似度及び対応するキュレーション信用度に基づいて、前記複数のキュレーションの各々をランク付けする、ことを有し、
   前記複数のキュレーション毎のキュレーション信用度は、対応するキュレーションの人気度、及び、対応するキュレーションのキュレータの人気度並びにソーシャルネットワーク影響度に依存する、
   ことを特徴とする方法。
2. コンピュータ・ソフトウェアによる情報処理方法におけるキュレーションをランク付けする方法であって、
   クエリを受信し、
   前記クエリに基づいて、複数のキュレーション毎にコンテンツ類似度を算出し、
   前記複数のキュレーションの各々から、複数のキュレーション特有の特徴を抽出し、
   抽出された複数のキュレーション特有の特徴に基づいて、前記複数のキュレーション毎のキュレーション信用度を算出し、
   対応するコンテンツ類似度及び対応するキュレーション信用度に基づいて、前記複数のキュレーションの各々をランク付けする、ことを有し、
   前記複数のキュレーション毎のキュレーション信用度を、下記式により算出し、
   Curation_Credit_i = α₁*Curation_Popularity_i + β₁*Curation_Curator_Credit_i
   但し、Curation_Credit_iは、キュレーションｉのキュレーション信用度、α₁及びβ₁は、α₁＋β₁＝１である定数、Curation_Popularity_iは、キュレーションｉのキュレーション人気信用度、Curation_Curator_Credit_iは、キュレーションｉのキュレーションキュレータ信用度であり、
   キュレーションｉのキュレーション人気信用度を、下記式により算出し、
   Curation_Popularity_i = V*View_Score_i + B*Bookmark_Score_i + C*Comment_Score_i
   但し、Ｖ、Ｂ及びＣは、Ｖ＋Ｂ＋Ｃ＝１である定数、View_Score_iは、キュレーションｉの閲覧数に基づいて算出され、Bookmark_Score_iは、キュレーションｉに対するブックマークの数に基づいて算出され、Comment_Score_iは、キュレーションｉに対するコメント数に基づいて算出され、
   キュレーションｉのキュレーションキュレータ信用度を、下記式により算出する、
   Curation_Curator_Credit_i = CCP_i*SNI_i
   但し、ＣＣＰ_iはキュレーションｉのキュレータのキュレーションコンテンツ人気度、ＳＮＩ_iはキュレーションｉのキュレータのソーシャルネットワーク影響度である、
   ことを特徴とする方法。
3. ＣＣＰ_iは、キュレーションｉのキュレータによって作成される全キュレーションに対応する全キュレーション人気信用度の平均であり、
   ＳＮＩ_iは、キュレーションｉのキュレータのツイッターランク、ページランク又はタンクランクに基づくものである、
   ことを特徴とする請求項２に記載の方法。
4. コンピュータ・ソフトウェアによる情報処理方法におけるキュレーションをランク付けする方法であって、
   クエリを受信し、
   前記クエリに基づいて、複数のキュレーション毎にコンテンツ類似度を算出し、
   前記複数のキュレーションの各々から、複数のキュレーション特有の特徴を抽出し、
   抽出された複数のキュレーション特有の特徴に基づいて、前記複数のキュレーション毎のキュレーション信用度を算出し、
   対応するコンテンツ類似度及び対応するキュレーション信用度に基づいて、前記複数のキュレーションの各々をランク付けし、
   複数のキュレーションアイテムを前記複数のキュレーションから抽出し、
   前記複数のキュレーションアイテムの各々から、第２の複数のキュレーション特有の特徴を抽出し、
   前記第２の複数キュレーション特有の特徴に基づいて、複数のキュレーション毎のキュレーションアイテム信用度を算出する、ことを有し、
   前記複数のキュレーションの各々をランク付けすることは、更に、対応するキュレーションアイテム信用度に基づくものである、
   ことを特徴とする方法。
5. 前記複数のキュレーション毎のキュレーションアイテム信用度は、対応するキュレーションに含まれるキュレーションアイテムの人気度、及び、対応するキュレーションに含まれるキュレーションアイテムの１以上を含むキュレーションを作成した各キュレータの人気度及びソーシャルネットワーク影響度に依存する、
   ことを特徴とする請求項４に記載の方法。
6. 前記キュレーションアイテム信用度を、下記式により算出し、
   

   

   但し、Curation_Item_Credit_iは、キュレーションｉのキュレーションアイテム信用度、ＩＮｍは、キュレーションｉのキュレーションアイテムの総数、Curation_Item_Score_mは、キュレーションｉの各キュレーションアイテムｍのキュレーションアイテムスコアであり、
   前記キュレーションｉの各キュレーションアイテムｍのキュレーションアイテムスコアを、下記式により算出し、
   Curation_Item_Score_m = α₂*Item_Popularity_Credit_m + β₂*Item_Curator_Credit_m
   但し、α２及びβ２は、α２＋β２＝１である定数、Item_Popularity_Credit_mは、キュレーションアイテムｍのキュレーションアイテム人気信用度、Item_Curator_Credit_mは、キュレーションアイテムｍのアイテムキュレータ信用度であり、
   各キュレーションアイテムｍのキュレーションアイテム人気信用度を、下記式により算出し、
   

   

   但し、ＣＮは、各々がキュレーションアイテムｍを含むキュレーションの数であり、Curation_Popularity_iは、キュレーションアイテムｍを含むキュレーションｉの人気度に依存し、ＩＮｉは、キュレーションｉに含まれるキュレーションアイテムの数であり、
   各キュレーションアイテムｍのアイテムキュレータ信用度を、下記式により算出する、
   

   

   但し、Curation_Curator_Credit_iは、キュレーションｉのキュレーションキュレータ信用度である、
   ことを特徴とする請求項４に記載の方法。
7. 更に、
   前記複数のキュレーションアイテムの各々から、複数の学習特有の特徴を抽出し、
   前記複数の学習特有の特徴に基づいて、前記複数のキュレーション毎のキュレーションアイテム学習信用度を算出する、ことを有し、
   前記複数のキュレーションの各々をランク付けすることは、更に、対応するキュレーションアイテム学習信用度に基づくものである、
   ことを特徴とする請求項４に記載の方法。
8. 前記キュレーションアイテム学習信用度を下記式により算出し、
   

   

   但し、Curation_Item_Learning_Credit_iは、キュレーションｉのキュレーションアイテム学習信用度、ＩＮｍは、キュレーションｉ内のキュレーションアイテムの総数、Curation_Item_Learning_Score_mは、キュレーションｉの各キュレーションアイテムｍのキュレーションアイテム学習スコアであり、
   前記キュレーションｉの各キュレーションアイテムｍのキュレーションアイテム学習スコアを、下記式により算出する、
   Curation_Item_Learning_Score_m = α₃*FM + β₃*ACM + γ*SMCM + δ*CM
   但し、α₃、β₃、γ及びδは、α₃＋β₃＋γ＋δ＝１である定数、ＦＭは、キュレーションアイテムｍの年数に依存するキュレーションアイテムｍの新鮮度、ＡＣＭは、キュレーションアイテムｍの学術的影響に依存するキュレーションアイテムｍの学術的信用度、ＳＭＣＭは、キュレーションアイテムｍのソーシャルメディア影響度に依存する、キュレーションアイテムｍのソーシャルメディア信用度、ＣＭは、キュレーションアイテムｍの包括性に依存するキュレーションアイテムｍの包括度である、
   ことを特徴とする請求項７に記載の方法。
9. 対応するコンテンツ類似度、対応するキュレーション信用度、対応するキュレーションアイテム信用度、及び、対応するキュレーションアイテム学習信用度に基づいて、前記複数のキュレーションの各々をランク付けすることは、複数のキュレーション毎に、対応するキュレーションのランクを下記式により算出する、
   R_i = a*CSM_i + b*Curation_Credit_i + c*Curation_Item_Credit_i + d*Curation_Item_Learning_Credit_i
   但し、
   Ｒ_ｉは、キュレーションｉについて算出されるランク、
   ａ、ｂ、ｃ及びｄは定数、
   ａ＋ｂ＋ｃ＋ｄ＝１であり、
   ＣＳＭ_ｉは、キュレーションｉのコンテンツ類似度、
   Curation_Credit_iは、キュレーションｉのキュレーション信用度、
   Curation_Item_Credit_iは、キュレーションｉのキュレーションアイテム信用度、そして、
   Curation_Item_Learning_Credit_iは、キュレーションｉのキュレーションアイテム学習信用度である、
   ことを特徴とする請求項７に記載の方法。
10. キュレーションをランク付けするシステムであって、
    プロセッサと、
    プロセッサに通信可能に接続され、オペレーションを実行するために前記プロセッサにより実行可能なコンピュータ実行可能な命令が記憶された非一時的なコンピュータ読み取り可能媒体を有し、
    前記オペレーションは、
    クエリを受信し、
    前記クエリに基づいて、複数のキュレーション毎にコンテンツ類似度を算出し、
    前記複数のキュレーションの各々から、複数のキュレーション特有の特徴を抽出し、
    抽出された複数のキュレーション特有の特徴に基づいて、前記複数のキュレーション毎のキュレーション信用度を算出し、
    対応するコンテンツ類似度及び対応するキュレーション信用度に基づいて、前記複数のキュレーションの各々をランク付けし、
    前記複数のキュレーション毎のキュレーション信用度は、対応するキュレーションの人気度、及び、対応するキュレーションのキュレータの人気度並びにソーシャルネットワーク影響度に依存する、
    ことを特徴とするシステム。
11. キュレーションをランク付けするシステムであって、
    プロセッサと、
    プロセッサに通信可能に接続され、オペレーションを実行するために前記プロセッサにより実行可能なコンピュータ実行可能な命令が記憶された非一時的なコンピュータ読み取り可能媒体を有し、
    前記オペレーションは、
    クエリを受信し、
    前記クエリに基づいて、複数のキュレーション毎にコンテンツ類似度を算出し、
    前記複数のキュレーションの各々から、複数のキュレーション特有の特徴を抽出し、
    抽出された複数のキュレーション特有の特徴に基づいて、前記複数のキュレーション毎のキュレーション信用度を算出し、
    対応するコンテンツ類似度及び対応するキュレーション信用度に基づいて、前記複数のキュレーションの各々をランク付けし、
    前記複数のキュレーション毎のキュレーション信用度を、下記式により算出し、
    Curation_Credit_i = α₁*Curation_Popularity_i + β₁*Curation_Curator_Credit_i
    但し、Curation_Credit_iは、キュレーションｉのキュレーション信用度、α₁及びβ₁は、α₁＋β₁＝１である定数、Curation_Popularity_iは、キュレーションｉのキュレーション人気信用度、Curation_Curator_Credit_iは、キュレーションｉのキュレーションキュレータ信用度であり、
    キュレーションｉのキュレーション人気信用度を、下記式により算出し、
    Curation_Popularity_i = V*View_Score_i + B*Bookmark_Score_i + C*Comment_Score_i
    但し、Ｖ、Ｂ及びＣは、Ｖ＋Ｂ＋Ｃ＝１である定数、View_Score_iは、キュレーションｉの閲覧数に基づいて算出され、Bookmark_Score_iは、キュレーションｉに対するブックマークの数に基づいて算出され、Comment_Score_iは、キュレーションｉに対するコメント数に基づいて算出され、
    キュレーションｉのキュレーションキュレータ信用度を、下記式により算出する、
    Curation_Curator_Credit_i = CCP_i*SNI_i
    但し、ＣＣＰ_iはキュレーションｉのキュレータのキュレーションコンテンツ人気度、ＳＮＩ_iはキュレーションｉのキュレータのソーシャルネットワーク影響度である、
    ことを特徴とするシステム。
12. ＣＣＰ_iは、キュレーションｉのキュレータによって作成される全キュレーションに対応する全キュレーション人気信用度の平均であり、
    ＳＮＩ_iは、キュレーションｉのキュレータのツイッターランク、ページランク又はタンクランクに基づくものである、
    ことを特徴とする請求項１１に記載のシステム。
13. キュレーションをランク付けするシステムであって、
    プロセッサと、
    プロセッサに通信可能に接続され、オペレーションを実行するために前記プロセッサにより実行可能なコンピュータ実行可能な命令が記憶された非一時的なコンピュータ読み取り可能媒体を有し、
    前記オペレーションは、
    クエリを受信し、
    前記クエリに基づいて、複数のキュレーション毎にコンテンツ類似度を算出し、
    前記複数のキュレーションの各々から、複数のキュレーション特有の特徴を抽出し、
    抽出された複数のキュレーション特有の特徴に基づいて、前記複数のキュレーション毎のキュレーション信用度を算出し、
    対応するコンテンツ類似度及び対応するキュレーション信用度に基づいて、前記複数のキュレーションの各々をランク付けし、
    複数のキュレーションアイテムを前記複数のキュレーションから抽出し、
    前記複数のキュレーションアイテムの各々から、第２の複数のキュレーション特有の特徴を抽出し、
    前記第２の複数キュレーション特有の特徴に基づいて、複数のキュレーション毎のキュレーションアイテム信用度を算出する、ことを有し、
    前記複数のキュレーションの各々をランク付けは、更に、対応するキュレーションアイテム信用度に基づくものである、
    ことを特徴とするシステム。
14. 前記複数のキュレーション毎のキュレーションアイテム信用度は、対応するキュレーションに含まれるキュレーションアイテムの人気度、及び、対応するキュレーションに含まれるキュレーションアイテムの１以上を含むキュレーションを作成した各キュレータの人気度及びソーシャルネットワーク影響度に依存する、
    ことを特徴とする請求項１３に記載のシステム。
15. 前記キュレーションアイテム信用度を、下記式により算出し、
    

    

    但し、Curation_Item_Credit_iは、キュレーションｉのキュレーションアイテム信用度、ＩＮｍは、キュレーションｉのキュレーションアイテムの総数、Curation_Item_Score_mは、キュレーションｉの各キュレーションアイテムｍのキュレーションアイテムスコアであり、
    前記キュレーションｉの各キュレーションアイテムｍのキュレーションアイテムスコアを、下記式により算出し、
    Curation_Item_Score_m = α₂*Item_Popularity_Credit_m + β₂*Item_Curator_Credit_m
    但し、α２及びβ２は、α２＋β２＝１である定数、Item_Popularity_Credit_mは、キュレーションアイテムｍのキュレーションアイテム人気信用度、Item_Curator_Credit_mは、キュレーションアイテムｍのアイテムキュレータ信用度であり、
    各キュレーションアイテムｍのキュレーションアイテム人気信用度を、下記式により算出し、
    

    

    但し、ＣＮは、各々がキュレーションアイテムｍを含むキュレーションの数であり、Curation_Popularity_iは、キュレーションアイテムｍを含むキュレーションｉの人気度に依存し、ＩＮｉは、キュレーションｉに含まれるキュレーションアイテムの数であり、
    各キュレーションアイテムｍのアイテムキュレータ信用度を、下記式により算出する、
    

    

    但し、Curation_Curator_Credit_iは、キュレーションｉのキュレーションキュレータ信用度である、
    ことを特徴とする請求項１３に記載のシステム。
16. 前記オペレーションは、更に、
    前記複数のキュレーションアイテムの各々から、複数の学習特有の特徴を抽出し、
    前記複数の学習特有の特徴に基づいて、前記複数のキュレーション毎のキュレーションアイテム学習信用度を算出する、ことを有し、
    前記複数のキュレーションの各々をランク付けすることは、更に、対応するキュレーションアイテム学習信用度に基づくものである、
    ことを特徴とする請求項１３に記載のシステム。
17. 前記キュレーションアイテム学習信用度を下記式により算出し、
    

    

    但し、Curation_Item_Learning_Credit_iは、キュレーションｉのキュレーションアイテム学習信用度、ＩＮｍは、キュレーションｉ内のキュレーションアイテムの総数、Curation_Item_Learning_Score_mは、キュレーションｉの各キュレーションアイテムｍのキュレーションアイテム学習スコアであり、
    前記キュレーションｉの各キュレーションアイテムｍのキュレーションアイテム学習スコアを、下記式により算出する、
    Curation_Item_Learning_Score_m = α₃*FM + β₃*ACM + γ*SMCM + δ*CM
    但し、α₃、β₃、γ及びδは、α₃＋β₃＋γ＋δ＝１である定数、ＦＭは、キュレーションアイテムｍの年数に依存するキュレーションアイテムｍの新鮮度、ＡＣＭは、キュレーションアイテムｍの学術的影響に依存するキュレーションアイテムｍの学術的信用度、ＳＭＣＭは、キュレーションアイテムｍのソーシャルメディア影響度に依存する、キュレーションアイテムｍのソーシャルメディア信用度、ＣＭは、キュレーションアイテムｍの包括性に依存するキュレーションアイテムｍの包括度である、
    ことを特徴とする請求項１６に記載のシステム。
18. 対応するコンテンツ類似度、対応するキュレーション信用度、対応するキュレーションアイテム信用度、及び、対応するキュレーションアイテム学習信用度に基づいて、前記複数のキュレーションの各々をランク付けすることは、複数のキュレーション毎に、対応するキュレーションのランクを下記式により算出する、
    R_i = a*CSM_i + b*Curation_Credit_i + c*Curation_Item_Credit_i + d*Curation_Item_Learning_Credit_i
    但し、
    Ｒ_ｉは、キュレーションｉについて算出されるランク、
    ａ、ｂ、ｃ及びｄは定数、
    ａ＋ｂ＋ｃ＋ｄ＝１であり、
    ＣＳＭ_ｉは、キュレーションｉのコンテンツ類似度、
    Curation_Credit_iは、キュレーションｉのキュレーション信用度、
    Curation_Item_Credit_iは、キュレーションｉのキュレーションアイテム信用度、そして、
    Curation_Item_Learning_Credit_iは、キュレーションｉのキュレーションアイテム学習信用度である、
    ことを特徴とする請求項１６に記載のシステム。

Images