JP6549643B2

JP6549643B2 - 視聴率推定システム、方法およびコンピュータプログラム

Info

Publication number: JP6549643B2
Application number: JP2017118644A
Authority: JP
Inventors: 藤田　昭人; 昭人藤田; ピーターデイビス
Original assignee: TELECOGNIX CORPORATION; Internet Initiative Japan Inc
Current assignee: TELECOGNIX CORPORATION; Internet Initiative Japan Inc
Priority date: 2017-06-16
Filing date: 2017-06-16
Publication date: 2019-07-24
Anticipated expiration: 2037-06-16
Also published as: JP2019004370A

Description

本発明は、放映番組の視聴率を推定する方法に関する。

現在、テレビ放送における視聴率は、各テレビ局の各テレビ番組について調査されており、たとえば、テレビ広告の放映時間や放映料を決定するために、利用されている。また、視聴率データは、広告出稿社（者）、テレビ局、広告会社が広告取引をする際に、テレビの媒体力や広告効果を測るひとつの指標としても、利用される。特に米国では、視聴率データが、主としてテレビ広告の取引のための通貨として利用される。現在、視聴率の調査は、たとえば、米国のニールセン社、日本のビデオリサーチ社などの大手会社によって行われている。

現時点で行われている視聴率の調査方法には、アンケート式と機械式がある。アンケート式の視聴率調査では、アンケートへの記入や電話連絡に基づき、各時間帯における番組の視聴を調べる。機械式の視聴率調査では、テレビ受像器に接続された装置が、そのテレビ受像器において各時間帯に視聴されたチャネルを、自動的に記録する。

これらの従来方式では、すべてのデータが集計され、調査機関から結果が発表されるまで、ある程度の時間を要するという問題がある。たとえば、現行の視聴率調査のデータは、放送の当日ではなく、翌日に提供されるのが原則であり、特に、金曜、土曜、日曜日の放送については、翌週の月曜日に提供されている。これに対し、最近では、時間帯別視聴率データが放送の１〜２時間後に得られる、「ほぼリアル・タイム」で速報値を入手することができる調査測定機が開発されている。

また、従来の方式では、各視聴者や視聴装置からデータを集計する必要があるために、当然ながら、手間とコストを要するという問題もある。
以下では、網羅的ではないが、後でリスト化されている従来技術文献において提案されている視聴率推定方法を、概観したい。非特許文献３には、既存の視聴率調査方法として、ピープルメータシステム、オンラインメータシステム、日記式アンケートによる調査の記載がある。また、特開２０１０−１３０５８５（特許文献４）では、未放送テレビ番組の番組視聴率の予測精度を向上させた視聴率予測装置が提案されている。特許文献４の視聴率予測装置は、過去の同時間帯において放送された複数の放送済テレビ番組それぞれの特性を示す放送済番組特性情報と、複数の視聴者それぞれが複数の放送済テレビ番組の中から選択して視聴したテレビ番組を示す選択番組情報とに基づいて、テレビ番組の選択行動をモデル化した番組選択モデルを視聴者ごとに構築する番組選択モデル構築部と、上記所定日時において放送される複数の未放送テレビ番組の編成を示す番組編成情報と、複数の未放送テレビ番組それぞれの特性を示す未放送番組特性情報とに基づいて、複数の未放送テレビ番組の中から視聴者が選択して視聴すると予測される未放送テレビ番組である予測視聴番組を上記番組選択モデルを用いて視聴者毎に判定する選択番組判定部とを備える。しかし、選択番組情報などの、予測に必要な情報の取得は、容易でなく、手間とコストがかかる。

また、非特許文献６では、放送前の番組情報のみを用いたテレビドラマの視聴率予測を行う方法が考案されている。放送局や時間帯、出演する役者、製作スタッフ、そして役者の話題性など、多種類の特徴量の組み合わせを用いた予測に関する記載がある。役者の話題性の定量的な指標には、ウィキペディア（Wikipedia）の観覧数やツイッタ(Twitter)の投稿数が利用されている。しかし、多種類の特徴量の作成には手間が大きく、他方で、少数の特徴量のみを使った場合には予測精度が低いという問題がある。なお、非特許文献６には、あるドラマに出演している俳優に関するウィキペディアやツイッタの閲覧回数なども含めた視聴率予測がなされている。しかし、単に視聴回数の時系列データに着目するのではなく、ウィキペディアやツイッタにおける記載内容も考慮されており、多くの種類の予測因子を用い、それらに重み付けをして計算するため、計算量が膨大であり、システムに対する負荷も大きい。

ニールセン社はテレビ番組に関連したソーシャルメディア（ツイッタ、フェイスブック）の利用数を示す指標（ニールセン・ソーシャル・コンテンツ・レーティング）を測定して、テレビ会社（ネットワーク）、スポンサ、広告会社などに、番組の視聴数や関心度を評価するための参考情報として提供している。利用数としては、投稿数や観覧数（ビュー）を含む、複数種類の測定量が用いられている。投稿数等はソーシャルメディアのサービスとして公開されているインターフェース（ＡＰＩ）から、自動的に取得できる。他方で、観覧数は公開されていないが、ソーシャルメディアのサービスを提供している会社と、提携することによって取得することができる。

特許文献２と非特許文献４に記載された発明では、テレビ番組に関連したソーシャルメディア（ツイッタ、フェースブック）のメッセージ数を示す指標を測定し、番組視聴率の予測因子の一つとして使う方法が考案されている。特許文献２では、テレビでの番組放送直後の一週間（Live+7）の、録画などによるタイムシフト視聴（time-shift viewing）の予測に用いる方法が考案されている。非特許文献４は、テレビ番組に関連したソーシャルメディア（ツイッタ、フェイスブック）の利用数を示す指標を、番組視聴率の予測因子の一つとして用いた、一般的な学習・予測方法を考案している。しかし、通常はツイッタやフェースブックの観覧（ビュー）数の情報は、一般公開されておらず、取得するのに、作業負担とコストが大きい。一方、公開されている投稿数のみでは、番組視聴率との相関性が弱く、予測精度を高くするために、多数の他の予の予測因子と組み合わせる必要があり、手間とコストがかかる。

非特許文献５〜１２には、ソーシャルメディアの利用回数から、テレビ視聴率と映画の観客数を推定する研究が報告されている。非特許文献５、７、１２は、テレビドラマの前回までの視聴率とそれに対するフェースブック上でのコメント等の反響を利用して視聴率を予測する方法を考案し、フェースブックの反響を利用した方が次回視聴率の予測を向上できることを示した。

非特許文献３および１０では、視聴率を推定するために、番組に関連したツイッタへの投稿（ツイート）の数を集計する方法が考案されているが、ツイートの内容を自動的に解析してテレビ番組の視聴との関係性を判定することが難しく、作業負担が大きい。

非特許文献８では、映画公開初日の売上を推定する方法が考案されている。映画公開前の映画情報サイトの利用者数を一つの指標として利用している。しかし、上映場所の数など、複数種類の情報を必要とするという問題がある。また、初日の売上に限定されているという問題がある。

米国特許第８，８８７，１８８号米国特許出願公開第２０１６／０１４８２２８号米国特許第８，１１２，３０１号特開第２０１０−１３０５８５号

視聴率ハンドブック株式会社ビデオリサーチ 2017/4<http://www.videor.co.jp/rating/wh/rgb201704.pdf> Social Content Ratings<http://www.nielsensocial.com/socialcontentratings/> R. Subramanyan,"The Relationship Between Social Media Buzz and TV Ratings. Nielsen Media and Entertainment," (2011).<http://www.nielsen.com/us/en/insights/news/2011/the-relationship-between-social-media-buzz-and-tv-ratings.html> S. Sereday, J. Cui, "Using machine learning to predict future ratings," Nielsen Journal of Measurement, Vol. 1 No. 3, pp. 30-40 (2016). M.-H. Cheng, et al., "Television Meets Facebook: The Correlation between TV Ratings and Social Media,"American Journal of Industrial and Business Management, Vol. 6, NO. 3, pp. 282-290 (2016). DOI: 10.4236/ajibm.2016.63026 福島悠介、他「放送前の情報のみを用いたテレビドラマの視聴率予測」映像情報メディア学会誌 Vol. 70, No. 11, pp. J255-J261 (2016). Yu-Yang Huang et al , "A Weight-Sharing Gaussian Process Model Using Web-Based Information for Audience Rating Prediction,"Lecture Notes in Computer Science, Vol. 8916, pp 198-208 (2014) DOI: 10.1007/978-3-319-13987-6_19 M. Mestyan, T. Yasseri, and J. Kertesz, "Early Prediction of Movie Box Office Success Based on Wikipedia Activity Big Data," PLoS ONE 8(8): e71226 (2013). DOI: 10.1371/journal.pone.0071226 S. Wakamiya, R. Lee, and K. Sumiya "Towards Better TV Viewing Rates: Exploiting Crowd’s Media Life Logs over Twitter for TV Rating," Proceedings of the 5th International Conference on Ubiquitous Information Management and Communication ICUIMC’11, Article No. 39. (2011) DOI:10.1145/1968613.1968661 W. T. Hsieh, S. T. Chou, Y. H. Cheng, and C. M. Wu,"Predicting TV Audience Rating with Social Media," IJCNLP 2013 Workshop on Natural Language Processing for Social Media (SocialNLP), pp. 1-5 (2013). J. Kleinberg, "Bursty and Hierarchical Structure in Streams," Data Mining and Knowledge Discovery, Vol. 7 Issue 4, pp. 373 - 397 (2003). DOI: 10.1023/A:1024940629314 A. J. C. Moreira, M. Y. Santos, "Concave hull: A k-nearest neighbours approach for the computation of the region occupied by a set of points," In: J. Braz, P.-P. Vazquez, J. M. Pereira (eds.) GRAPP 2007 - Proceedings of the Second International Conference on Computer Graphics Theory and Applications Volume GM-R, pp. 61-68 (2007). ISBN 978-972-8865-71-9.

以上で述べたように、従来技術による視聴率推定方法では、潜在的な視聴者に向けたアンケートを行う場合であれば、実際の調査および集計作業に人手を必要とするし、調査対象である家庭のテレビ受像器から直接的にデータを収集する場合であっても、テレビ受像器に設置するセットトップボックスなど、特別の監視装置が必要となる。いずれにしても、推定の基礎となるデータの収集に、相当のコストを要する。コストに関するこの課題は、現行の視聴率推定が大規模な企業によってのみ行われていることからも、推察できるであろう。また、基礎データの収集が容易でないために、最終的な推定結果が得られるまでに時間を要する。時間的遅延に関するこの課題は、現時点では番組放映の当日に視聴率が発表されないことから、明白である。

また、ソーシャルメディアの利用回数に基づいてテレビ番組の視聴率や映画の観１客動員数を推定する方法も提案され始めているが、依然として精度が低い。テレビ番組の視聴率や映画の観客動員数は、広告料算定の基礎データとして用いられ得るという現実がある。そのような現実を考慮すると、精度が低いために信頼性が低い数値を、そのような経済的波及効果の大きな場面で用いることは、実際問題として困難である。

本発明は、従来技術において存在している以上の課題を解決し、精度の高い視聴率情報を安価かつ迅速に提供することを目的とする。

本発明によると、視聴率推定システムが提供されるのであるが、この視聴率推定システムは、番組特定情報が入力されるクエリモジュールと、入力された番組特定情報を、クエリモジュールから提供される推定モジュールと、番組特定情報の提供に応答して、推定モジュールから、番組特定情報によって特定される番組と関連する情報へのアクセス回数の提供を要求される情報サイトアクセス回数データベースと、番組特定情報の提供に応答して、推定モジュールから、番組特定情報によって特定される番組と関連する過去の番組の視聴率の提供を要求される番組視聴率データベースと、を備えており、推定モジュールが、情報サイトアクセス回数データベースから、番組特定情報によって特定される番組と関連する情報へのアクセス回数履歴を受け取り、番組視聴率データベースから、番組特定情報によって特定される番組と関連する過去の番組の視聴率を受け取り、アクセス回数履歴と過去の番組の視聴率との相関関係に基づき、番組特定情報によって特定される番組の視聴率を推定する。

視聴率の推定においては、線形回帰を含む回帰分析が用いられ得る。また、視聴率の推定において、最小範囲モデルも用いられ得る。
視聴率の推定において推定された視聴率の精度に基づき、視聴率の推定において用いられる情報サイトにおける関連情報と番組特定情報によって特定される番組と関連する過去の番組との決定が再度行われることもあり得る。

視聴率の推定において用いられるデータを量子化することによりデータの量を減少させる手段が更に含まれることもあり得る。
また、本発明によると、相互にデータ伝送が可能な態様で結合されたクエリモジュールと、推定モジュールと、番組視聴率データベースと、情報サイトアクセス回数データベースとを備えたシステムにおいて、番組の視聴率を推定する方法も提供されるのであるが、この方法は、クエリモジュールが、クエリモジュールに入力された番組特定情報を、推定モジュールに提供するステップと、推定モジュールが、番組特定情報の提供に応答して、一方で、番組特定情報によって特定される番組と関連する情報へのアクセス回数を、情報サイトアクセス回数データベースに要求し、他方で、番組特定情報によって特定される番組と関連する過去の番組の視聴率を、番組視聴率データベースに要求するステップと、推定モジュールが、情報サイトアクセス回数データベースから、番組特定情報によって特定される番組と関連する情報へのアクセス回数履歴を受け取り、番組視聴率データベースから、番組特定情報によって特定される番組と関連する過去の番組の視聴率を受け取るステップと、推定モジュールが、アクセス回数履歴と過去の番組の視聴率との相関関係に基づき、番組特定情報によって特定される番組の視聴率を推定するステップと、を含む。

システムの場合と同様に、視聴率の推定において、線形回帰を含む回帰分析が用いられることがあり得る。また、視聴率の推定において、最小範囲モデルが用いられることもあり得る。

視聴率を推定するステップにおいて推定された視聴率の精度に基づき、視聴率を推定するステップにおいて用いられる情報サイトにおける関連情報と番組特定情報によって特定される番組と関連する過去の番組との決定が再度行われることがあり得る。

また、視聴率を推定するステップにおいて用いられるデータを量子化することによりデータの量を減少させるステップを更に含むこともあり得る。
更に、本発明は、本発明による視聴率推定方法に含まれる各ステップをコンピュータに実行させるコンピュータ実行可能命令を含むコンピュータプログラムとしても実現され得る。また、本発明は、そのようなコンピュータプログラムが記憶されたコンピュータ可読記憶媒体としても実現され得る。

本発明による視聴率推定方法を用いると、経済的波及効果の大きな用途にも利用可能な精度を有する視聴率情報を、ごく一般的なパソコンとインターネット上に無料で公開されている情報とを用いて、迅速に提供することが可能になる。

本発明のある実施例による視聴率推測システムの構成を示すブロック図である。番組特定情報が指定された場合に、その番組の視聴率を予測する手順の例を示す図である。参考番組に対応したアクセス数（ビュー数）と視聴率の履歴データとを取得し、視聴率推定モデルを抽出する手順の例を示す図である。番組ページのアクセス履歴データから予測因子の値を計算する手順の例を示す図である。視聴率の推定に「最小範囲」モデルを用いる場合の手順を示す図である。視聴率の推定に「線形回帰」モデルを用いる場合の定義および計算式を示す図である。線形回帰モデル手法を用いて視聴率を推定する場合の、クエリおよび選定された参考番組の例を示す図である。線形回帰モデル手法を用いて視聴率を推定する場合の、クエリおよび選定された参考番組のデータの例を示す図である。線形回帰モデル手法を用いて視聴率を推定する場合の、番組カウント数データを、ＵＮＩＸ時間を横軸に取ったグラフとして可視化したものである。各番組の予測因子と視聴率の表と、予測因子を横軸に視聴率を縦軸にとってプロットしたものである。線形回帰モデルの係数の計算と、グラフによる線形回帰モデルの可視化と、推定結果とを示す図である。最小範囲モデルを用いた推定の例を示す図である。線形回帰モデル手法を用いて視聴率を予測する場合の、クエリおよびモデル選定を示す図である。線形回帰モデルの係数の計算と、予測結果と、グラフによる予測結果の可視化とを示す図である。精度を向上させるための処理の一例の手順を示す図である。精度を向上させるために、番組分類を変更する処理の一例を示す図である。精度を向上させるために、選定番組を変更する処理において外れ値を削除する一例を示す図である。精度を向上させるために、選定番組を変更する処理において外れ値を削除する別の例を示す図である。精度を向上させるために、予測因子の計算方法を変更する一例を示す図である。精度を向上させるために、予測因子の計算方法を変更する別の例を示す図である。精度を向上させるために、予測因子の計算方法を変更する更に別の例を示す図である。確率モデルを用いて時系列データを圧縮する方法の手順を示す図である。時系列データ形式をＢＵＲデータ形式に変換する一例である。カウント数およびレベル数の時系列の一例である。図１１（ａ）の一例の、ＵＮＩＸ時間を横軸にしたグラフ化である。ＢＬＳデータを用いた推定の例であり、予測因子（予測因子＝Ｌａｓｔ，−３，３の場合）の計算結果である。ＢＬＳデータを用いた推定の例であり、線形回帰モデル（予測因子＝Ｌａｓｔ，−３，３）の計算結果である。ＢＬＳデータを用いた予測の例であり、予測因子（予測因子＝Ｌａｓｔ，−１００，−４０の場合）の計算結果である。ＢＬＳデータを用いた予測の例であり、線形回帰モデル（予測因子＝Ｌａｓｔ，−１００，−４０）の計算結果である。圧縮効果の一例である。本発明の第２の実施例におけるモジュール構成図である。

図１は、本発明の１つの実施例である視聴率推測システムの構成を示すブロック図であり、複数のモジュールが示されている。クエリモジュール１０１は、あるテレビ番組の視聴率推測を希望するユーザから、そのテレビ番組を特定する情報に関する入力を受け取り、その入力において指定されたテレビ局と放映時間枠とを推定モジュール１０２に提供する。本発明に特徴的なアルゴリズムに従って視聴率の推定が推定モジュール１０２において終了すると、クエリモジュール１０１は、推定結果を推定モジュール１０２から受け取り、ユーザに向けて出力する。

番組放映情報データモジュール１０３は、たとえば新聞のテレビ欄やテレビ案内雑誌のような、各番組の放映情報データが記憶されているデータベースである。放映予定が変更されたり新番組の発表がなされたりして放映情報が更新されると、このデータベースも自動的に更新される。記憶されている放映情報は、番組名、放映局、放映時間、出演者などを含む。また、放映情報には、その番組があるシリーズの一部であるか、シリーズの場合にはエピソード番号も含まれるなど、番組放映情報データモジュール１０３には、各番組の様々な属性情報も記憶されている。

番組視聴率データモジュール１０４は、過去の番組の視聴率が記憶されているデータベースである。このデータベースは、各番組の新たな視聴率が発表されるたびに更新される。したがって、その時点までに視聴率調査機関から発表された過去の視聴率データは、本発明による視聴率推定システムにおける推定に必要な期間という限定は存在し得るが、この番組視聴率データモジュール１０４に、すべて記憶されている。

情報サイトアクセス数データモジュール１０５は、各番組に関連した情報を提供するインターネット上の情報サイトへのアクセス数を、時系列に従って提供するデータベースである。本発明では、この情報サイトとして、たとえば、ウィキペディアを考える。ウィキペディア以外の情報サイトを用いることも可能である。

広く知られているように、ウィキペディアは、ウェブブラウザ上でウェブページを編集することができるウィキというシステムを使用したインターネット上の百科事典である。ウィキメディア財団によって運営されており、コピーレフトなライセンスの下で、サイトにアクセス可能な誰もが、無料で、自由に、編集に参加できるという特徴を有する。項目ごとに対応言語数は異なるが、世界中の多くの言語で展開されている。ウィキペディアでは、百科事典の項目ごとに文章情報（ページ）を表示するアドレス（ＵＲＬ）へのアクセス（「ビュー」、または「観覧」ともいう）回数（ＰＶＣ）を１日または１時間の時間単位で記録したデータを、公開している。公開データは、ダウンロードして、ファイルとして保存することが可能である。情報サイトアクセス数データモジュール１０５には、たとえば、このウィキペディアへのアクセス数（ＰＶＣ）の時系列データが記憶されている。なお、時系列データとは、単位時間ごとのＰＶＣを意味し、たとえば、（ｔｊ，ｃｊ）のように表される。単位時間を１時間とすると、（ｔｊ，ｃｊ）とは、ある時刻ｔｊの１時間前からｔｊまで１時間の間のＰＶＣがｃｊ回である、という意味である。

次に、図２には、ユーザによってテレビ局と放映時間枠とが指定された場合に、本発明による視聴率推定システムが、視聴率を推定する手順が図解されている。ステップ２０１では、ターゲットとなる番組の特定が開始される。たとえば、ユーザが、クエリモジュール１０１を介して、視聴率の推定を希望する番組を特定する情報を入力する。たとえば、番組名と放映年月日、または、放映年月日と番組放映時間枠を入力する。すると、ステップ２０２では、クエリモジュール１０１が、このユーザからの入力に応答して、番組情報データモジュール１０３から、入力された情報に対応する番組情報を取得する。たとえば、番組の放映時間とシリーズ名を取得する。次のステップ２０３では、ステップ２０２において番組情報データモジュール１０３から得られた番組情報に基づき、番組の種類を決定する。たとえば、番組の種類を表す複数の特徴を与え、番組の種類を特徴のリストとして表すことができる。たとえば、ある番組の種類を［ジャンル＝ドラマ、放送局＝ＦＮＳ、放映日＝ＭＯＮ、放映開始時間＝ＪＳＴ２１：００、番組枠＝日曜劇場、エピソード＝１回目、主役出演者＝木村拓哉、舞台＝病院］のように、特徴のリストで表すことができる。エピソードの特徴に関しては、「最終回」、または「最終回より２つ前」のように相対的にエピソードの特徴を表すことができる。
次に、ステップ２０４では、推定モジュール１０２が、番組情報データモジュール１０３から、視聴率推定に用いるため、特定された番組と同種類の参考番組の一覧を取得する。たとえば、視聴率の推定が求められている番組が、病院を舞台とするドラマのシリーズの１回目のエピソードである場合には、昨年に放映された、やはり病院を舞台とするドラマのシリーズの１回目のエピソードであった番組が、この参考番組になり得る。また、２年前に放映された学校が舞台となっているドラマシリーズの１回目エピソードであって、視聴率の推定を求められている番組と同じ俳優が出演していた番組も、舞台は異なるが、参考番組となり得る。

ステップ２０５では、これらの参考番組に関連する情報を含むウェブサイトのビュー数、すなわち、たとえば、関連する情報を含むウィキペディアのページへのアクセス数と視聴率の履歴データとを、情報サイトアクセス数データモジュール１０５と番組視聴率データモジュール１０４とからそれぞれ取得し、視聴率推定モデルを抽出する。なお、視聴率抽出モデルについては、図３との関係で後述する。最後に、ステップ２０６では、推定モジュール１０２が、番組に対応したウェブサイトへのアクセス数から予測因子を計算し、その計算された予測因子と視聴率推定モデルとを用いて、ユーザが希望する推定値を計算する。

次に、図３には、図２のステップ２０５で行われる動作に関する詳細が、すなわち、視聴率推定モデルの抽出に関する詳細が、示されている。まず、ステップ３０１では、予測因子の計算方法が設定される。予測因子とは、視聴率との相関性が高い因子を意味し、本発明の場合、たとえば、番組と関連する情報を含むウィキペディアにおける項目への累積アクセス総数や、番組の放映時間と一定の関係にある期間におけるアクセス総数などが想定される。よって、ステップ３０２では、推定モジュール１０２が、ウィキペディアなどの情報サイトアクセス数データモジュール１０５から、各参考番組のアクセス数の時系列を取得して、予測因子の値を計算する。なお、予想因子の計算の詳細については、図４を参照して後述する。ステップ３０３では、番組視聴率データモジュール１０４から、各参考番組の視聴率を取得し、ステップ３０４では、予想因子と視聴率との対を、すべての参考番組について記録する。そして、ステップ３０５において、すべての参考番組の予想因子と視聴率との対を用いて、視聴率推定モデルを抽出する。視聴率推定モデルの抽出については、図５との関係で後述する。

図４は、予測因子を計算する手順の一例を示す。既に述べたように、本発明では、予測因子として、たとえば視聴率の推定を望む番組と関連する情報を含むウィキペディアの項目など、情報サイトへのアクセス数を用いる。予測因子を計算するためには、まず、ステップ４０１では、予測因子の測定期間が設定される。その際には、たとえば、期間開始時間Ｔ１と期間終了時間Ｔ２を指定することによって予測因子の測定期間を測定期間＝［Ｔ１，Ｔ２］として表すことができる。また、番組放映開始時間ｓｈｏｗＴｉｍｅを基準にして、期間開始時間Ｔ１＝ｓｈｏｗＴｉｍｅ＋ｐｒｅｄＢｅｇｉｎとし、期間終了時間Ｔ２＝ｓｈｏｗＴｉｍｅ＋ｐｒｅｄＥｎｄとし、相対開始時間ｐｒｅｄＢｅｇｉｎと相対終了時間ｐｒｅｄＥｎｄを用いて、測定期間を（ｐｒｅｄＢｅｇｉｎ，ｐｒｅｄＥｎｄ）として表すことができる。
そして、ステップ４０２では、情報サイトアクセス数データモジュール１０５に記憶されている時系列データから、そのようにして指定された期間内のアクセス総数が計算され、予測因子の値となる。また、予測因子の値の計算方法として、時間に関する重付関数を指定して、測定期間内のアクセス数に対する重付累積を計算してもよろしい。

図５には、すべての参考番組の予測因子の値と視聴率とに基づき視聴率を推定するための、２つの方法の例が示されている。
図５（ａ）は、最小範囲モデルの場合である。これは、予測因子と視聴率の２次元空間における分布範囲の包絡線を用いる方法である。まず、ステップ５０１では、予測因子と視聴率とを成分とする２次元空間におけるすべての参考番組の対に対して、多角形の分布範囲を計算する。この場合、たとえば、すべての対を含む最小の凸集合である凸包絡（convex hull）を用いる方法と、ｋ近傍を用いて凹包絡（concave hull）を計算する方法とがあり得る。これらの包絡線を計算する方法については、非特許文献１２に記載があり、広く知られた方法である。たとえば、凸包絡の場合、予測因子が最小である点から開始して、すべての残りの点の中で、前のリンクとの右回転角度がもっとも大きいとなる点を選ぶ操作を繰り返して行なうことによって、分布範囲を表す多角形を構築することができる。凹包絡の場合、予測因子が最小である点から開始して、以前のリンクを交差する場合、その点を除きながら、ｋ個のもっとも近い点の中で、前のリンクとの右回転角度が最も大きくなる点を選ぶ操作を繰り返して行うことによって、分布範囲を表す多角形を構築することができる。
そして、ステップ５０１において、凸包絡または凹包絡などの分布範囲が計算された後で、ステップ５０２では、それぞれの予測因子の値に対し、中間値を含み最大値から最小値まで一定の幅を有する視聴率を算出する。
図５（ｂ）には、視聴率の推定に線形回帰モデルを用いる場合の例が示されている。図５（ｂ）には、参考番組の視聴率と予測因子を用いて線形回帰モデルの係数を計算する数式の例も記載されている。図６および図７には、具体的な番組データとウィキペディアから得られたカウント数時系列データを用いた視聴率推定モデルの抽出の例を示す。

図６（ａ）には、参考番組とそれに対応した視聴率推定モデルの抽出結果の一例が示されている。クエリ番組は、ドラマシリーズ「ＸＹＺ」（たとえば、「ビューティフルライフ」や「半沢直樹」など）であり、エピソード＝「ｌａｓｔ」とは、そのドラマシリーズの最終回の意味である。現在時刻が放映開始時刻＋４日であり、予測因子の計算方法として（ＰＶＣ，−３，３）が設定されている。すなわち、この推定モデルは、放送開始時刻の４日後（９６時間後）という現在時刻において、その「ＸＹＺ」の最終回の視聴率を、予測因子（ＰＶＣ，−３，３）を用いて、推定を行うとことを意味する。（ＰＶＣ，−３，３）とは、「放送送開始時刻の３日（７２時間）前から放送開始時刻の３日（７２時間）後までのＰＶＣ総数」を予測因子として用いるという意味である。クエリ番組と同類の番組として選定された参考番組としては、視聴率とＰＶＣのデータが存在するＴＢＳ日曜劇場の過去の複数のシリーズにおける最終回が用いられ、図６（ａ）の下にリスト化されている。なお、本明細書において視聴率を「推定する」とは、既に放映が終了している番組の視聴率の事後的な算出を意味する。

次の図６（ｂ）には、図６（ａ）で参考番組に選定されリスト化されたＴＢＳ日曜劇場の２番目にある「０２−００」という番組シリーズに関するデータの例が示されている。ここで、データとは、各エピソードのの放映時間（開始および終了の時刻）、視聴率、関連するウィキペディアの項目がアクセスされたカウント数（ＰＶＣ）の時系列である。ここでは、時刻はＵＮＩＸ時間で表されている。
図６（ｃ）は、たとえば、リストの２番目にある「０２−００」という番組シリーズに関するカウント数の時系列データを、ＵＮＩＸ時間を横軸に取ったグラフとして可視化したものである。図６（ｄ）の上側には、各番組の予測因子と視聴率との表が作成されておる。予測因子と視聴率のピアソン（Pearson）相関度が計算され、相関度の値０．９４８が高いことであることが確認できる。図６（ｄ）の下側には、予測因子を横軸に視聴率を縦軸にとってプロットしたものが示されている。

図６（ｅ）には、以上のデータに基づいて線形回帰を行い、線形回帰モデルの係数を計算した例が示されている。左下に示されているのが、線形回帰モデルを用いた推定結果である。右側には、線形回帰モデルを直線として可視化された例が示されている。これに対して、図６（ｆ）では、最小範囲モデルを用いた例が示されている。上側の表には凸包絡として選定された包絡点のリストが示されている。クエリ番組の予測因子に対応した視聴率の予測結果も示されている。クエリ番組の予測因子に対応した視聴率の最小値および最大値を前後の包絡点を補間することによって求められ、その最小値と最大値の中間値が推定値とされている。下側には、凸包絡と中間線を可視化された例が示されている。

図６の例と類似しているが、視聴率を知りたい番組がまだ放映されていない場合の例が、図７に示されている。ここでは、まだ放映されていない将来の番組の視聴率の算出を、「予測」と称する。

ここで、簡単に、「推定」と「予測」との関係について説明したい。既に述べたように、「推定」とは、既に放映された番組の視聴率を計算することであり、「予測」とは、これから放映される予定の番組の視聴率を計算することである。したがって、それぞれの計算では、計算の手順は同じであるが、計算において予測因子を積分する累積範囲が異なる。当然のことであるが、推定の場合には、放送前のデータと放送後のデータとの両方が存在するが、予測の場合には、最大でも、放送前の現在時刻までのデータしか存在しないからである。計算の手順が同じであるから、本明細書では、問題にならない限り、両方の用語を特に区別することなく用いる場合がある。

図７（ａ）は、クエリおよびモデルの選定の一例が示されている。クエリ番組は、シリーズ名が「ＰＱＲ」であり、最終回のエピソードがターゲットである。現在時刻は放送開始時刻の４０日前（９６０時間前）であり、予測因子は（ＰＶＣ，−１００，−４０）、つまり、放送開始時刻の１００日前から現在時刻までの、ウィキペディアにおける関連項目へのアクセス総数である。参考番組は、図６と同じである。

次の図７（ｂ）には、図７（ａ）で参考番組に選定されリスト化されたＴＢＳ日曜劇場の各シリーズにおける最終回に関するデータと、それを用いた視聴率予測結果の例が示されている。図７（ｂ）の右側には、予測因子を横軸に視聴率を縦軸にとってプロットしたものが示されている。

本発明による視聴率の推定では、精度を向上させるために、追加的な処理を行うことが可能である。推定の精度を向上させるための処理の実際のステップは図８に示されている。図８におけるステップ８０１から８０６の各ステップは、図２におけるステップ２０１から２０６に対応する。ただし、ステップ８０６において、視聴率がいったん推定された後で、精度を向上させるために追加的な処理がなされるのである。図８のステップ８０６の右側に示されているように、たとえば、追加的な処理は３つ存在する。

しかし、精度を向上させるには、前提として、本発明による推定方法によってどの程度の精度の推定値が得られたかを評価することが必要である。そのために、本発明に従ってステップ８０６において視聴率の推定値が計算された後で、ステップ８０７において、推定モデルの精度、または、計算された推定値の精度が評価されなければならない。その評価に応じて、処理の変更または修正方法が選択される。

モデルの精度の計算方法としては、参考番組に対して計算された予測因子と観測された視聴率を用いて、ピアソン相関係数を計算する方法が知られている。このピアソン相関係数が高ければ精度が高いと評価する。モデルの精度の計算方法としては、一部の参考番組を用いてモデルを抽出し（たとえば、参考番組を一つずつ除く）、残りの番組に対して推定された予測値と観測値の誤差の平均値を計算し、誤差の平均値が低ければ精度が高いと評価する。他方で、予測値の精度の計算方法としては、予測因子の累積期間を変更し、（たとえば、累積開始時間や累積終了時間を一時間ずつ変更する）、得られた複数の予測値の分散を計算する。分散が小さければ、精度が高いと評価する。計算された推定モデルの精度、または推定値の精度、を評価するためには、たとえば、ある閾値を予め設定しておき、その所定の閾値を超えるかどうかによって判断する、という一般的な方法がある。上述したように、本発明では、推定値の精度を高めるために、例えば、図８（ａ）に示されている３つの処理方向を用いることが可能である。すなわち、番組の分類方法の変更、（同種類の番組の内にモデル抽出に用いるために選定する番組）選定番組の変更、予測因子を計算する方法の変更である。

精度を向上させるために番組の分類を変更する方法としては、番組情報を用いて、同種類であると分類するための判定条件を変更することがあり得る。たとえば、放映時間帯や放映年度や出演者が共通していることを、同種であると判断するための条件として追加することができる。番組分類を変更する場合には、ステップ８０７の後でステップ８０３に戻ることになる。選定番組の変更は、同種類の参考番組の内に、モデル抽出に用いるために選定する番組を変更することである。選定番組の変更するには、線形回帰の直線から一定の限度を超えて離れている外れ値（outlier）データを削除するのが一例である。この場合は、ステップ８０７の後で、ステップ８０４に戻ることになる。そして、予測因子の計算方法を変更する方法としては、たとえば、累積期間の開始時間の変更や、放映時間からの時間差に応じて減衰する重みを用いて、加算をする前に、アクセス数に重み付けを行うことがあり得る。つまり、放映時間からより遠い場合よりも、放映時間により近い時点で情報サイトにアクセスした場合の方が、実際に放映を視聴する確率が高いと想定して、そのような重み付けを行うわけである。この場合には、ステップ８０７の後で、ステップ８０５に戻ることになる。

また、予測因子の計算に用いられる各パラメータを、たとえば、次のように変更することが可能である。すなわち、パラメータを予め指定された手順に従って自動的に変更されるように設定しておくことにより、参考番組に関する予測因子と視聴率との相関が最大となるようにすることが可能である。パラメータの値を指定された手順に従って自動的に変更する例としては、開始時間Ｔ１の値を、ある指定された値Ｔ１−ｍｉｎ（たとえば、Ｔ１−ｍｉｎ＝３０日）から、ある指定された値Ｔ１−ｍａｘ（たとえば、Ｔ１−ｍｉｎ＝現在時刻−放送開始時間日）まで、指定された時間間隔（たとえば、１時間）ごとに増やすことが考えられる。

図８（ｂ）から図８（ｇ）には、精度を向上させるための具体的な処理の例が示されている。図８（ｂ）は、番組分類を変更する処理の一例であり、図８（ｃ）は、線形回帰モデルを用いる場合に選定番組を変更するために外れ値を削除する一例であり、図８（ｄ）は、最小範囲モデルを用いる場合に選定番組を変更するために外れ値を削除する別の例であり、図８（ｅ）から図８（ｇ）は、それぞれ、予測因子の計算方法を変更するための処理の３つの例である。

以上で、視聴率推定の精度を向上させるために本発明において行われる処理について述べた。次には、時系列データを量子化することによって、履歴データの量を減らす方法について説明する。時系列データの量子化は、少ない離散値の時系列として表すことを意味する。信頼度を高めるためには、多数の参考番組のデータを利用する必要があるが、参考番組の数が増加すると、結果的に、時系列データの量も増大し、必要となるデータの記憶容量が増大し、データへのアクセス遅延が生じる。そこで、時系列データを圧縮した形式に変換することにより、記憶容量、処理容量および処理遅延を減少させることが望ましい。

しかし、時系列データを圧縮した形式に変換すると、予測因子と視聴率との相関が悪くなる。視聴率との相関関係を想定する必要がある。そのために、予測因子と視聴率との相関を悪化させないような圧縮型の時系列データ記録方法が必要とされる。この問題を解決するために、本発明においては、確率モデルを用いた時系列データ変換方法を提案したい。

図９には、ステップ９０１の時系列データの入力から、ステップ９０６の期間表現データの出力まで、確率モデルを用いた時系列データを変換する手順が示されている。この手順は、ステップ９０２において複数の離散レベルが設定された後で、ステップ９０３においてコスト関数を設定することを特徴とする。レベルコストに関しては、各離散レベルに対する確率関数に基づくコスト関数を設定するのであるが、確率の大きさに応じて、コストを小さくするようなコスト関数を用いる。そして、レベル遷移コストに関しては、低いレベルから高いレベルへの時間遷移に対して、レベルの増加量に応じて、コストを高くするようなコスト関数を用いる。設定された離散レベルの時系列として、時系列全体に対してレベルコストとレベル遷移コストの総合コストが最小になる時系列を求める。つまり、時系列データ量の削減と予測因子・視聴率の相関性とは、トレードオフの関係にあるのであるが、これらの２つの間の相互関係に関して最適解を与えるために、確率モデルに基づいた時系列コスト関数という方法が導入される。

コスト関数の一例としては、たとえば、非特許参考文献６に記載されている関数を用いることが可能である。すなわち、レベルコスト関数として、確率Ｐと総数Ｎとをパラメータとする２項分布Ｂ（Ｐ，Ｎ）を用いる。レベル指標Ｊを０，１，２，３，．．として、２項分布の確率ＰをＰ０＊２^Ｊとする。ここで、規定確率Ｐ０と総数Ｎはすべてのレベルコスト確率関数に共通である。ある時刻におけるカウント数Ｘに対するレベルＪのコストは、ｌｏｇ（Ｘ）−ｌｏｇ（Ｂ（Ｐ０＊２^Ｊ，Ｎ））とする。

次に、レベルコストの計算に使用する規定確率Ｐ０と総数Ｎとの決め方を説明する。参考時系列を選ぶのであるが、視聴率の最も高い番組の時系列を用いることができるし、情報サイト全体のアクセス数の時系列も用いることができる。Ｎは時系列の最大値とする。Ｐ０は平均値とＮの比とする。Ｎは２４時間、または、一週間の周期を持つ時間の関数として設定され得る。Ｎは、番組の種類に応じるようにも、決定され得る。

次に、ステップ９０４においてコスト関数を決定した後に、ステップ９０４において入力時系列の各時刻における値を（時刻、離散レベル）として表し、コストが最小となる時系列を求める。ステップ９０５において、ステップ９０４の出力である離散レベルの時系列に対して、同じレベルの値が続き期間を（開始時刻、終了時刻、レベル値）で表し、期間表現へ変換する。最後のステップ９０６において、期間表現の圧縮データを出力する。

図１０および図１１には、出力データの例が示されている。すなわち、図１０においては、入力時系列データの、時刻ごとのＰＶＣ（ＰＶＣデータ形式）データと、ステップ９０４において得られた離散レベル時系列の出力データ（ＢＬＳデータ形式）に変化した場合の入力および出力との例が、示されている。ステップ９０５においてＢＬＳデータ形式を期間表現データ出力（ＢＵＲ形式）に変換した例も、示されている。図１１（ａ）および図１１（ｂ）には、実際の計算結果の例と、ＵＮＩＸ時間を横軸に取ってグラフ化したものが示されている。

図１２（ａ）は、ＢＬＳデータを用いた推定モデルの例であり、予測因子＝（Ｌａｓｔ，−３，３）の場合の計算結果である。図１２（ｂ）は、ＢＬＳデータを用いた推定の例であり、予測因子＝（Ｌａｓｔ，−３，３）を用いた線形回帰モデルの計算結果である。更に、図１３（ａ）は、ＢＬＳデータを用いた予測の例であり、予測因子＝（Ｌａｓｔ，−１００，−４０）の場合の計算結果である。図１３（ｂ）は、ＢＬＳデータを用いた予測の例であり、予測因子＝（Ｌａｓｔ，−１００，−４０）を用いた線形回帰モデルの計算結果である。
図１４には、時系列データ圧縮の効果が図解されている。以上で説明したように、たとえば確率モデルを用いてデータを圧縮することによって、予測因子と視聴率との相関性を損なうことなく、必要なデータ圧縮が可能になり、本発明による視聴率推定を、大規模で高価なシステムを用いなくても、ごく一般的なパソコンで実行することが可能になる。

以上では、本発明による視聴率の推定（予測）がなされるアルゴリズムに着目した実施例を説明した。次には、必要な条件を入力すると本発明によるアルゴリズムに従って視聴率の推定（予測）が可能なシステムを、たとえば、ウェブサイトとして実装する場合に関する第２の実施例について、図１５を参照することにより説明したい。
図１５には、第２の実施例を構成する各要素の構成が示されている。まず、ユーザインターフェース１５０１は、ユーザにより任意に指定された番組を入力として受け取り、入力された情報を、クエリモジュール１５０２に提供する。このユーザインターフェース１５０１は、たとえば、視聴率の推定を希望するユーザがネットワーク経由で本発明によるシステムにアクセスする場合には、クライアントアプリケーション、ウェブサイトあるいはスマートフォン向けアプリとして実装され得る。また、ユーザインターフェース１５０１は、本発明のアルゴリズムによる推定がなされると、推定された視聴率を推定モジュール１５０３から受け取る。推定モジュール１５０３は、複数の推定モデルを記録し、ユーザインターフェース１５０１が指定する番組の種類に対して推定結果を返す。たとえば、推定モデルが、複数の参考番組リストそれぞれに対して線形回帰モデルの係数、または、最小範囲モデルの凸包絡の点のリストをモデルとして記録し、指定された番組の予測因子を情報サイトアクセス数データ１５０４から取得し、その予測因子に対する推定視聴率を、推定モデルから求め、その結果をユーザインターフェース１５０１に返す。推定モジュールは予測因子を計算するために、時系列データを情報サイトアクセス数データ１５０４から取得する。また、推定モデルは、指定された番組に対応するモデルが存在しない場合、学習モジュール１５０５から新しいモデルを取得する。学習モジュール１５０５は、参考番組のデータを用いて推定モデルを学習するモジュールである。学習結果を推定モジュール１５０３に報告する。時系列解析モジュール１５０８は、時系列データから予測因子を計算するモジュールであり、また、必要に応じて、時系列データの圧縮データの形式を変換する。データ取得モジュール１５０９は、情報サイトアクセス数（ＰＶＣ）データを取得するモジュールである。

また、別の利用方法として、クエリモジュール１５０２は、情報サイトアクセス数データ１５０４からユーザインターフェース１５０１が指定する番組と時系列が類似する検索結果を返す。

さらに、ユーザインターフェース１５０１は、ユーザによって指定された番組を入力として受け取り、上記で説明した各処理の結果をユーザに提示することができる。たとえば、指定された番組に対して、時系列の相関が高い、他の番組を検索して、その結果をユーザに返すことができる。

Claims

番組特定情報が入力されるクエリモジュールと、
前記入力された番組特定情報を、前記クエリモジュールから提供される推定モジュールと、
前記番組特定情報の提供に応答して、前記推定モジュールから、前記番組特定情報によって特定される番組と関連する情報へのアクセス回数の提供を要求される情報サイトアクセス回数データベースと、
前記番組特定情報の提供に応答して、前記推定モジュールから、前記番組特定情報によって特定される番組と関連する過去の番組の視聴率の提供を要求される番組視聴率データベースと、
を備えており、
前記推定モジュールが、前記情報サイトアクセス回数データベースから、前記番組特定情報によって特定される番組と関連する情報へのアクセス回数履歴を受け取り、前記番組視聴率データベースから、前記番組特定情報によって特定される番組と関連する過去の番組の視聴率を受け取り、前記アクセス回数履歴と前記過去の番組の視聴率との相関関係に基づき、前記番組特定情報によって特定される番組の視聴率を推定するシステムにおいて、
前記情報サイトアクセス回数データベースに記憶されている前記番組特定情報によって特定される番組と関連する情報へのアクセス回数履歴は、量子化されることにより、そのデータの量が減少されており、
前記量子化は、
複数の離散レベルが設定し、
各離散レベルに対する確率関数に基づくコストと、低いレベルから高いレベルへの時間遷移に対して、レベルの増加量に応じて、コストを高くするようなレベル遷移コストを有するコスト関数を設定し、
設定された離散レベルの時系列として、前記情報サイトアクセス回数データベースに記憶されている前記番組特定情報によって特定される番組と関連する情報へのアクセス回数履歴全体に対してレベルコストとレベル遷移コストの総合コストが最小になる時系列を求める、
ことによってなされる、
ことを特徴とするシステム。
番組特定情報が入力されるクエリモジュールと、
前記入力された番組特定情報を、前記クエリモジュールから提供される推定モジュールと、
前記番組特定情報の提供に応答して、前記推定モジュールから、前記番組特定情報によって特定される番組と関連する情報へのアクセス回数の提供を要求される情報サイトアクセス回数データベースと、
前記番組特定情報の提供に応答して、前記推定モジュールから、前記番組特定情報によって特定される番組と関連する過去の番組の視聴率の提供を要求される番組視聴率データベースと、
を備えており、
前記推定モジュールが、前記情報サイトアクセス回数データベースから、前記番組特定情報によって特定される番組と関連する情報へのアクセス回数履歴を受け取り、前記番組視聴率データベースから、前記番組特定情報によって特定される番組と関連する過去の番組の視聴率を受け取り、前記アクセス回数履歴と前記過去の番組の視聴率との相関関係に基づき、前記番組特定情報によって特定される番組の視聴率を推定するシステムにおいて、
前記推定モジュールが行う前記番組特定情報によって特定される番組の視聴率の推定において、最小範囲モデルが用いられ、
前記最小範囲モデルは、
前記番組特定情報によって特定される番組と関連する複数の過去の番組について、前記アクセス回数履歴と前記過去の番組の視聴率との相関関係の２次元空間における分布範囲の包絡線を凸包絡または凹包絡で計算したものであり、
前期推定モジュールは、前記アクセス回数履歴と前記過去の番組の視聴率との相関関係の分布範囲の包絡線上の値を、前記推定モジュールが行う前記番組特定情報によって特定される番組の視聴率の推定の値の最大値と最小値として出力する、
ことを特徴とするシステム。
前記視聴率の推定において、線形回帰を含む回帰分析が用いられる、請求項１に記載のシステム。
前記視聴率の推定において推定された視聴率の精度に基づき、前記視聴率の推定において用いられる情報サイトにおける関連情報と前記番組特定情報によって特定される番組と関連する過去の番組との決定が再度行われる、請求項１〜３のいずれか一項に記載のシステム。
相互にデータ伝送が可能な態様で結合されたクエリモジュールと、推定モジュールと、番組視聴率データベースと、情報サイトアクセス回数データベースとを備えたシステムにおいて、番組の視聴率を推定する方法であって、
前記クエリモジュールが、前記クエリモジュールに入力された番組特定情報を、前記推定モジュールに提供するステップと、
前記推定モジュールが、前記番組特定情報の提供に応答して、一方で、前記番組特定情報によって特定される番組と関連する情報へのアクセス回数を、前記情報サイトアクセス回数データベースに要求し、他方で、前記番組特定情報によって特定される番組と関連する過去の番組の視聴率を、番組視聴率データベースに要求するステップと、
前記推定モジュールが、前記情報サイトアクセス回数データベースから、前記番組特定情報によって特定される番組と関連する情報へのアクセス回数履歴を受け取り、前記番組視聴率データベースから、前記番組特定情報によって特定される番組と関連する過去の番組の視聴率を受け取るステップと、
前記推定モジュールが、前記アクセス回数履歴と前記過去の番組の視聴率との相関関係に基づき、前記番組特定情報によって特定される番組の視聴率を推定するステップと、
を含む方法において、
前記情報サイトアクセス回数データベースに記憶されている前記番組特定情報によって特定される番組と関連する情報へのアクセス回数履歴は、量子化されることにより、そのデータの量が減少されており、
前記量子化は、
複数の離散レベルが設定し、
各離散レベルに対する確率関数に基づくコストと、低いレベルから高いレベルへの時間遷移に対して、レベルの増加量に応じて、コストを高くするようなレベル遷移コストを有するコスト関数を設定し、
設定された離散レベルの時系列として、前記情報サイトアクセス回数データベースに記憶されている前記番組特定情報によって特定される番組と関連する情報へのアクセス回数履歴全体に対してレベルコストとレベル遷移コストの総合コストが最小になる時系列を求める、
ことによってなされる、
ことを特徴とする方法。
相互にデータ伝送が可能な態様で結合されたクエリモジュールと、推定モジュールと、番組視聴率データベースと、情報サイトアクセス回数データベースとを備えたシステムにおいて、番組の視聴率を推定する方法であって、
前記クエリモジュールが、前記クエリモジュールに入力された番組特定情報を、前記推定モジュールに提供するステップと、
前記推定モジュールが、前記番組特定情報の提供に応答して、一方で、前記番組特定情報によって特定される番組と関連する情報へのアクセス回数を、前記情報サイトアクセス回数データベースに要求し、他方で、前記番組特定情報によって特定される番組と関連する過去の番組の視聴率を、番組視聴率データベースに要求するステップと、
前記推定モジュールが、前記情報サイトアクセス回数データベースから、前記番組特定情報によって特定される番組と関連する情報へのアクセス回数履歴を受け取り、前記番組視聴率データベースから、前記番組特定情報によって特定される番組と関連する過去の番組の視聴率を受け取るステップと、
前記推定モジュールが、前記アクセス回数履歴と前記過去の番組の視聴率との相関関係に基づき、前記番組特定情報によって特定される番組の視聴率を推定するステップと、
を含む方法において、
前記推定モジュールが行う前記番組特定情報によって特定される番組の視聴率の推定において、最小範囲モデルが用いられ、
前記最小範囲モデルは、
前記番組特定情報によって特定される番組と関連する複数の過去の番組について、前記アクセス回数履歴と前記過去の番組の視聴率との相関関係の２次元空間における分布範囲の包絡線を凸包絡または凹包絡で計算したものであり、
前期推定モジュールは、前記アクセス回数履歴と前記過去の番組の視聴率との相関関係の分布範囲の包絡線上の値を、前記推定モジュールが行う前記番組特定情報によって特定される番組の視聴率の推定の値の最大値と最小値として出力する、
ことを特徴とする方法。
前記視聴率の推定において、線形回帰を含む回帰分析が用いられる、請求項５に記載の方法。
前記視聴率を推定するステップにおいて推定された視聴率の精度に基づき、前記視聴率を推定するステップにおいて用いられる情報サイトにおける関連情報と前記番組特定情報によって特定される番組と関連する過去の番組との決定が再度行われる、請求項５〜７のいずれか一項に記載の方法。
請求項５〜８のいずれか一項に記載の方法に含まれる各ステップをコンピュータに実行させるコンピュータ実行可能命令を含むコンピュータプログラム。
請求項５〜８のいずれか一項に記載の方法に含まれる各ステップをコンピュータに実行させるコンピュータ実行可能命令を含むコンピュータプログラムが記憶されたコンピュータ可読記憶媒体。