JP6663945B2

JP6663945B2 - コンテンツに対するユーザの共感能力を推定するプログラム、装置及び方法

Info

Publication number: JP6663945B2
Application number: JP2018037001A
Authority: JP
Inventors: 一則松本; 啓一郎帆足; 池田　和史; 和史池田
Original assignee: KDDI Corp
Current assignee: KDDI Corp
Priority date: 2018-03-01
Filing date: 2018-03-01
Publication date: 2020-03-13
Anticipated expiration: 2038-03-01
Also published as: WO2019167748A1; JP2019153014A

Description

本発明は、コンテンツに対するユーザの共感能力を推定する技術に関する。

近年、人と対話する対話システムが、スマートフォンアプリケーションやロボットにも搭載されてきている。
古くはELIZAやSHRDLUのように、ユーザ発話に対して一問一答形式で返答する技術がある（例えば非特許文献１参照）。この技術によれば、事前に蓄積された質問例の集合の中から、パターンマッチによってユーザ発話に近い質問例を検出する。
これに対し、現在の対話システムは、「タスク指向対話機能」及び「雑談対話機能」に大別でき、これらの機能を組み合わせて構成されている。
また、対人関係の確立と維持を目的として、「社会的対話」に注目した対話システムの技術もある（例えば非特許文献２参照）。
更に、社会的対話に共感性を適用した対話システムによって、ユーザの親近感を高めようとする技術もある（例えば非特許文献３参照）。
更に、ユーザの興味分野の情報レコメンド機能を、対話システムに適用した技術もある（例えば非特許文献４参照）。

奥村学、他、「対話システム」、コロナ社、2017年、ISBN：978-4-339-02757-0 T. W. Bickmore and R. W. Picard, "Establishing and maintaining long-term human-computer relationships", ACM Tran. on Computer-Human Interaction ‘TOCHI), 12(2):293-327, 2005.、[online]、［平成３０年２月１２日検索］、インターネット＜URL:http://www.ccs.neu.edu/home/bickmore/publications/toCHI.pdf＞東中竜一郎, 堂坂浩二, 磯崎秀樹, "対話システムにおける共感と自己開示の効果", 言語処理学会第15回年次大会,446-449, 2009.、[online]、［平成３０年２月１２日検索］、インターネット＜URL:http://www.kecl.ntt.co.jp/icl/lirg/members/rh/pdf/NLP2009.pdf＞五十島志織，富永和人，亀田弘之，"対話からの興味をもとに情報を推薦するボットの作成", 第11 回情報科学技術フォーラム, F-024, 2012.、[online]、［平成３０年２月１２日検索］、インターネット＜URL:https://ipsj.ixsq.nii.ac.jp/ej/?action=repository_action_common_download&item_id=151579&item_no=1&attribute_id=1&file_no=1＞戸田弘二，"心理測定尺度集II 人間と社会のつながりをとらえる＜対人関係・価値観＞３共感性・他者意識", 吉田富二雄編，堀洋道監修，サイエンス社，pp. 118-137 鈴木有美, 木野和代, "多次元共感性尺度(MES)の作成 −自己志向・他者志向の弁別に焦点をあてて−", 教育心理学研究, 56, 487-497, 2008.、[online]、［平成３０年２月１２日検索］、インターネット＜URL:https://ci.nii.ac.jp/naid/110007028208＞項目応答理論、[online]、［平成３０年２月１２日検索］、インターネット＜URL:https://ja.wikipedia.org/wiki/%E9%A0%85%E7%9B%AE%E5%BF%9C%E7%AD%94%E7%90%86%E8%AB%96＞特異値分解、[online]、［平成３０年２月１２日検索］、インターネット＜https://ja.wikipedia.org/wiki/%E7%89%B9%E7%95%B0%E5%80%A4%E5%88%86%E8%A7%A3＞

前述した従来技術によれば、対話システムにおけるユーザの親近感を高めようとしているが、心理学の知見に基づいた社会的対話については何ら検討されていない。
心理学の分野によれば、他者の気持ちを認知し、他者と同じ情動を持つ体験する性質として、「共感性(Empathy)」がある（例えば非特許文献５参照）。但し、共感性は、単一の観点のみから判断することできない。具体的には、共感性は、「他者の心理状態を正確に認知する能力（認知度）」と「他者の心理状態に対する代理的な反応の強さ（情動度）」との多元的な観点から判断する必要がある（例えば非特許文献６参照）。

例えば、ある記事を閲覧したユーザは、その記事の登場人物（擬人化された物も含む）や著作者の思考及び感情を理解し、何らかの感情を抱く。これは、コンテンツに対するユーザの共感能力に基づく。ユーザの共感能力は、人によって異なり、例えば同じコンテンツであっても、各ユーザが持つ共感性は違ってくる。

そこで、本発明は、コンテンツに対するユーザの共感能力を推定するプログラム、装置及びプログラムを提供することを目的とする。

本発明によれば、コンテンツｃに対する推定対象ユーザｓ_Eのユーザの共感能力θ_Eを推定する装置に搭載されたコンピュータを機能させるプログラムであって、
学習機能として、
ユーザｓ_n(ｓ₁〜ｓ_N)毎に、各コンテンツｃ_l(ｃ₁〜ｃ_L)の共感度(ｔ₁₁〜ｔ_1L,〜,ｔ_N1〜ｔ_NL)を対応付けた共感度行列Ｔ_nlを記憶する共感度行列記憶手段と、
ユーザｓ_n毎に、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_N1〜ｆ_NJ)を対応付けたユーザ特徴量行列Ｆ_njを記憶するユーザ特徴量行列記憶手段と、
ユーザｓ_n毎に、各コンテンツｃ_lの共感度行列Ｔ_nlを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく共感能力θ_nを算出する項目反応理論算出手段と、
ユーザｓ_n毎に、ユーザ特徴量行列Ｆ_njと共感能力θ_nとを対応付けた教師データとして学習する機械学習エンジンと
として機能させ、
運用機能として、
推定対象ユーザｓ_Eについて、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたユーザ特徴量行列Ｆ_Eを算出するユーザ特徴量行列算出手段と
して機能させると共に、
機械学習エンジンは、推定対象ユーザｓ_Eのユーザ特徴量行列Ｆ_Eを入力し、共感能力θ_Eを出力する
ようにコンピュータを機能させることを特徴とする。

本発明のプログラムにおける他の実施形態によれば、
共感度は、
コンテンツの登場人物又は著作者の感情を理解する認知度ｔ_Rと、
コンテンツの登場人物又は著作者と同じ感情を生じる情動度ｔ_Eと
からなり、
項目反応理論算出手段は、２母数ロジスティックモデルとして算出する
ようにコンピュータを機能させることも好ましい。

本発明のプログラムにおける他の実施形態によれば、
ユーザ特徴要素は、ユーザｓ_nに対する複数の質問に基づくものであり、
特徴量は、質問に対するユーザｓ_nの回答に基づくものである
ようにコンピュータを機能させることも好ましい。

本発明のプログラムにおける他の実施形態によれば、
コンテンツは、不特定多数の第三者からＷｅｂサーバに投稿されたものであり、
コンテンツ影響力Ｍは、ユーザがＷｅｂサーバの当該コンテンツを閲覧した際に受ける感情に基づくものである
ようにコンピュータを機能させることも好ましい。

本発明のプログラムにおける他の実施形態によれば、
機械学習エンジンは、線形回帰、サポートベクターマシン(Support Vector Machine)、又は、深層学習の回帰学習に基づくものである
ようにコンピュータを機能させることも好ましい。

本発明によれば、コンテンツｃに対する推定対象ユーザｓ_Eの共感能力θ_Eを推定する装置であって、
学習機能として、
ユーザｓ_n(ｓ₁〜ｓ_N)毎に、各コンテンツｃ_l(ｃ₁〜ｃ_L)の共感度(ｔ₁₁〜ｔ_1L,〜,ｔ_N1〜ｔ_NL)を対応付けた共感度行列Ｔ_nlを記憶する共感度行列記憶手段と、
ユーザｓ_n毎に、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_N1〜ｆ_NJ)を対応付けたユーザ特徴量行列Ｆ_njを記憶するユーザ特徴量行列記憶手段と、
ユーザｓ_n毎に、各コンテンツｃ_lの共感度行列Ｔ_nlを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく共感能力θ_nを算出する項目反応理論算出手段と、
ユーザｓ_n毎に、ユーザ特徴量行列Ｆ_njと共感能力θ_nとを対応付けた教師データとして学習する機械学習エンジンと
を有し、
運用機能として、
推定対象ユーザｓ_Eについて、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたユーザ特徴量行列Ｆ_Eを算出するユーザ特徴量行列算出手段と
を有し、
機械学習エンジンは、推定対象ユーザｓ_Eのユーザ特徴量行列Ｆ_Eを入力し、共感能力θ_Eを出力する
ことを特徴とする。

本発明によれば、コンテンツｃに対する推定対象ユーザｓ_Eのユーザの共感能力θ_Eを推定する装置の推定方法であって、
装置は、
学習機能として、
ユーザｓ_n(ｓ₁〜ｓ_N)毎に、各コンテンツｃ_l(ｃ₁〜ｃ_L)の共感度(ｔ₁₁〜ｔ_1L,〜,ｔ_N1〜ｔ_NL)を対応付けた共感度行列Ｔ_nlを記憶する共感度行列記憶部と、
ユーザｓ_n毎に、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_N1〜ｆ_NJ)を対応付けたユーザ特徴量行列Ｆ_njを記憶するユーザ特徴量行列記憶部と
を有し、
ユーザｓ_n毎に、各コンテンツｃ_lの共感度行列Ｔ_nlを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく共感能力θ_nを算出する第１１のステップと、
機械学習エンジンを用いて、ユーザｓ_n毎に、ユーザ特徴量行列Ｆ_njと共感能力θ_nとを対応付けた教師データとして学習する第１２のステップと
を実行し、
運用機能として、
推定対象ユーザｓ_Eについて、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたユーザ特徴量行列Ｆ_Eを算出する第２１のステップと、
機械学習エンジンが、推定対象ユーザｓ_Eのユーザ特徴量行列Ｆ_Eを入力し、共感能力θ_Eを出力する第２２のステップと
を実行することを特徴とする。

本発明のプログラム、装置及び方法によれば、コンテンツに対するユーザの共感能力を推定することができる。

本発明におけるシステム構成図である。本発明における推定装置の機能構成図である。共感度行列を表す説明図である。ユーザ特徴量行列を表す説明図である。コンテンツに対してユーザが持つ認知度及び情動度を表す説明図である。共感度として認知度及び情動度を適用した説明図である。共感度行列として認知度及び情動度を適用した説明図である。コンテンツ毎の項目反応カテゴリ特性曲線を表す説明図である。

以下、本発明の実施の形態について、図面を用いて詳細に説明する。

図１は、本発明におけるシステム構成図である。

インターネットに接続されるＷｅｂサーバ２は、様々なコンテンツを公開する。Ｗｅｂサーバ２は、例えば、ニュースサイトや、ブログ(Web log)サイト、ミニブログサイト（例えばtwitter（登録商標）、ＳＮＳ(Social Networking Service)サイト（例えばfacebook（登録商標）やLINE（登録商標））、掲示板サイトのようなものであってもよい。コンテンツは、不特定多数の第三者からＷｅｂサーバに投稿されたものであってもよい。
端末３は、アクセスネットワーク及びインターネットを介して、Ｗｅｂサーバ２へアクセスし、それらコンテンツをユーザに閲覧させる。
本発明における推定装置１は、コンテンツに対するユーザの共感能力を推定する。即ち、ユーザ群を、心理学的な共感性に応じて分類することができる。

図２は、本発明における推定装置の機能構成図である。

本発明における推定装置１は、コンテンツｃに対する推定対象ユーザｓ_Eのユーザの共感能力θ_Eを推定する推定する。
図２によれば、推定装置１は、＜学習機能＞及び＜運用機能＞に大別され、両機能に共通して、機械学習エンジン１２を有する。
推定装置１は、学習機能として、コンテンツ蓄積部１０１と、共感度行列記憶部１０２と、ユーザ特徴量行列記憶部１０３と、項目反応理論算出部１１とを有する。
また、運用機能として、ユーザ特徴量行列算出部１３を有する。
これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、これら機能構成部の処理の流れは、装置の推定方法として理解できる。

＜学習機能＞
学習機能は、教師データとしてのコンテンツｃ_l(ｃ₁〜ｃ_L)毎に、複数のユーザｓ_n(ｓ₁〜ｓ_N)の項目反応理論結果（共感能力θ_n）と、ユーザ特徴量とに基づいて、機械学習エンジン１２内に学習モデルを構築する。

［コンテンツ蓄積部１０１］
コンテンツ蓄積部１０１は、教師データとして、複数のコンテンツ(ｃ₁〜ｃ_L)を蓄積したものである。コンテンツとしては、例えばテキスト（記事やブログなど）、画像、映像など、ユーザに閲覧される形式のものであればよい。

［共感度行列記憶部１０２］
共感度行列記憶部１０２は、ユーザ(ｓ₁〜ｓ_N)毎に、各コンテンツｃ_l(ｃ₁〜ｃ_L)の共感度(ｔ₁₁〜ｔ_1L,〜,ｔ_N1〜ｔ_NL)を対応付けた共感度行列Ｔ_nlを記憶する。

図３は、共感度行列を表す説明図である。

図３によれば、教師データとしてのコンテンツｃ_l毎に、例えばアンケートによって主観評価としての共感度の回答を得ている。例えば、被験者(ｓ₁〜ｓ_N)それぞれに、各コンテンツ(ｃ₁〜ｃ_L)を明示し、その共感度について例えば３段階(w＝3)の回答を得る。これによって作成された共感度行列Ｔ_nl(ｔ₁₁〜ｔ_1L,〜,ｔ_N1〜ｔ_NL)が記憶されている。

［ユーザ特徴量行列記憶部１０３］
ユーザ特徴量行列記憶部１０３は、ユーザｓ_n毎に、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_N1〜ｆ_NJ)を対応付けたユーザ特徴量行列Ｆ_nj（N行J列）を記憶する。

ユーザ特徴要素は、一般的に、ユーザのプロファイル情報（性別、年齢、職業など）であってもよい。特に、ユーザの性格（認識能力、身体能力、知能力、人格力、忍耐力など）に基づくものであることが好ましい。ユーザ特徴要素は、用途に応じた、ユーザの特性を識別するパラメータ要素であればよい。
また、ユーザ特徴要素は、ユーザｓ_nに対する複数の質問に基づくものであってもよい。その場合、ユーザ特徴量は、質問に対するユーザｓ_nの回答に基づくものとなる。

図４は、ユーザ特徴量行列を表す説明図である。

図４によれば、被験者となる各ユーザが、複数の質問に対して回答する。質問の内容としては、ユーザの共感性に関するものが好ましい。これによって、ユーザｓ_n毎に各質問ｑmに対する回答行列（N行M列）が得られる。
この回答行列は、特異値分解（Singular Value Decomposition）によって、各ユーザの回答がJ次元に圧縮される．圧縮された特徴ベクトルを全てのユーザｓ_nでまとめた行列Ｕを、ユーザ特徴量行列とする。
特異値分解とは、線形代数学における、複素数又は実数を成分とする行列に対する行列分解方法である（例えば非特許文献８参照）。階数rの行列Ｘの分解が存在する。
Ｘ＝ＵΣＶ^T -> Ｕ＝Ｘ・ＲＲ＝Ｖ・（Ｖ^T・Ｖ）^-1・Σ^-1
Ｕ：ユーザ特徴量行列

［項目反応理論算出部１１］
項目反応理論算出部１１は、ユーザｓ_n毎に、各コンテンツｃ_lの共感度行列Ｔ_nlを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく共感能力θ_nを算出する。

項目反応理論とは、評価項目群へのユーザの応答に基づいて、ユーザ能力θ（及び識別度α・難易度β）を測定するための試験理論をいう（例えば非特許文献７参照）。これは、評価項目に対するユーザの離散的な回答から、確率論的に、ユーザ能力（及び識別度・難易度）を算出する。ユーザに対する試験項目のストックを保守し、複数の試験の難易度を同等とみなすコンピュータ適応型テスト(Computerized Adaptive Testing)に適する。
ユーザ能力θ_l ：コンテンツlに対するユーザnの能力の大きさを表す実数値
（識別度ａ_l ：コンテンツlがユーザの共感能力を識別する力を表す実数値）
（難易度ｂ_l ：コンテンツlの難しさを表す実数値）
基本的に、ユーザ能力と識別度及び難易度との差を、ロジスティック曲線に当てはめて、回答の確率を求める。例えばコンテンツｃ_lがユーザｓ_nにとって共感度が高い場合、その確率は限りなく１に近づき、逆に共感度が低い場合、その確率は限りなく０に近づく。
２母数ロジスティックモデルの場合、以下のように確率が算出される。
ｐ(θ)＝１／(１＋ｅ^{−Ｄａ(θ−ｂ)})

［学習機能の機械学習エンジン１２］
学習機能の機械学習エンジン１２は、ユーザｓ_n毎に、ユーザ特徴量行列Ｆ_njと共感能力θ_nとを対応付けた教師データとして学習する。
機械学習エンジン１２は、線形回帰、サポートベクターマシン(Support Vector Machine)、又は、深層学習の回帰学習に基づくものであってもよい。

＜運用機能＞
運用機能は、未知のユーザｓ_lについて、コンテンツに対する共感能力θ_lを推定する。

［ユーザ特徴量行列算出部１３］
ユーザ特徴量行列算出部１３は、推定対象ユーザｓ_Eについて、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたユーザ特徴量行列Ｆ_Eを算出する。
ここで、ユーザ特徴量行列算出部１３は、前述したユーザ特徴量行列記憶部１０３と全く同じ方法で、ユーザ特徴量行列Ｆ_Eを算出する。

［運用機能の機械学習エンジン１２］
運用機能の機械学習エンジン１２は、推定対象ユーザ（未知）ｓ_Eのユーザ特徴量行列Ｆ_Eを入力し、共感能力θ_Eを出力する。

図５は、コンテンツに対してユーザが持つ認知度及び情動度を表す説明図である。

心理学の知見によれば、共感度は、「認知度」と「情動度」とによって表される。
「共感度」：他者の感情を理解し、他者と同じ感情を持つ人の性質
「認知度」：他者の感情（心理状態）を理解する度合い
「情動度」：他者と同じ感情（代理的な反応の強さ）を持つ度合い
ここでの「他者」とは、コンテンツの登場人物又は著作者を意味することとなる。

図５によれば、多数のユーザ（被験者）に同一の記事を閲覧してもらい、各ユーザが「興味を引く話題か？」「心に響く話題か？」を質問して得られた、主観評価としての回答結果である。
興味を引く話題か？：引かない＝認知度が低い
：引く＝認知度が高い
心に響く話題か？：響かない＝情動度が低い
：響く＝情動度が高い
図５の表によれば、同一の記事に対して、「興味を引く」と感じる一方で「心に響かない」と感じるユーザがおり、また、「興味を引かない」と感じる一方で「心に響く」と感じるユーザもいる。

図６は、共感度として認知度及び情動度を適用した説明図である。
図７は、共感度行列として認知度及び情動度を適用した説明図である。

図６によれば、共感度行列記憶部１０２は、図２と比較して、共感度行列Ｔとして、認知度Ｔ¹と情動度Ｔ²とが別々に記憶されている。
図７によれば、被験者群 (ｓ₁〜ｓ_N)のN人にそれぞれに、各コンテンツ(ｃ₁〜ｃ_L)を明示し、その認知度及び情動度について例えば３段階(w＝3)の回答を得る。これによって、評価項目数＝2の共感度行列Ｔ¹ _nl（ｔ¹ ₁₁〜ｔ¹ _1L,〜,ｔ¹ _N1〜ｔ¹ _NL)及びＴ² _nl（ｔ² ₁₁〜ｔ² _1L,〜,ｔ² _N1〜ｔ² _NL)が、項目反応理論算出部１１へ入力される。

これに対し、項目反応理論算出部１１は、２母数ロジスティックモデルとして、ユーザｓ_n(ｓ₁〜ｓ_N）について、以下のように共感能力θを算出する。
認知度の共感能力：θ¹ ₁〜θ¹ _N
情動度の共感能力：θ² ₁〜θ² _N
尚、一部のユーザが、ランダムに回答することができる場合、項目反応理論算出部１１は、３母数ロジスティックモデルとして算出するものであってもよい。

機械学習エンジン１２は、コンテンツｃ_l毎に、特徴量行列Ｆ_lと、認知度に対する識別度α¹ ₁及び難易度β¹ ₁と、情動度に対する識別度α¹ ₂及び難易度β¹ ₂とを対応付けた教師データによって学習する。そして、以下のように学習モデルを構築する。
認知度の共感能力θ¹ ₁に対する学習モデル：Ｍ¹
情動度の共感能力θ¹ ₂に対する学習モデル：Ｍ²

そして、機械学習エンジン１２は、推定対象ユーザｓ_Eの特徴量行列Ｆ_Eを入力すると、識別度に対する共感能力θ¹ _Eと、情動度に対する共感能力θ² _Eとを出力する。

図８は、コンテンツ毎の項目反応カテゴリ特性曲線を表す説明図である。

項目反応カテゴリ特性曲線（ＩＲＣＣＣ(Item Response Category Characteristic Curve)）は、以下のように作成される。
横軸：共感能力値（左側：共感度が低い、右側：共感度が高い）
（左側：識別度が低い、右側：識別度が高い）
（左側：情動度が低い、右側：情動度が高い）
縦軸：確率ｐ
曲線：各選択肢（「共感しない」「わからない」「共感する」）
（「興味を引かない」「わからない」「興味を引く」）
（「心に響かない」「わからない」「心に響かない」）

図８の項目反応カテゴリ特性曲線は、100件のコンテンツ(ｃ₁〜ｃ₁₀₀)について、300名のユーザ(ｓ₁〜ｓ₃₀₀)に対する認知度及び情動度の共感度行列Ｔ¹及びＴ²と、８次元のユーザ特徴量行列Ｆとから得られたものである。
難易度ｂは、共感能力θと同じスケール上にあり、識別度ａは、項目反応カテゴリ特性曲線の傾きを決定する。曲線の傾きが大きいほど、難易度ｂと共感能力θとの差が大きいほど、回答がくっきり分かれることを表す。

図８によれば、４件のコンテンツ（ID36,ID72,ID82,ID94）について、認知度及び情動度の共感度行列それぞれの項目反応カテゴリ特性曲線が表されている。ID82及びID94は、ID72と比較して、認知度が高いことがわかる。また、ID82は、ID94及びID72と比較して、情動度が高いことがわかる。
これによって、ID82は、認知度が高く且つ情動度も高いことがわかる。また、ID94及びID72は、情動度が低いことがわかる。
尚、あるコンテンツについて共感度が低いと推定されたID72についても、ユーザの共感能力が高い場合、高い共感度が得られる。

以上、詳細に説明したように、本発明のプログラム、推定装置及び方法によれば、コンテンツに対するユーザの共感能力を推定することができる。

前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。

１推定装置
１０１コンテンツ蓄積部
１０２共感度行列記憶部
１０３ユーザ特徴量行列記憶部
１１項目反応理論算出部
１２機械学習エンジン
１３ユーザ特徴量行列算出部
２Ｗｅｂサーバ
３端末

Claims

コンテンツｃに対する推定対象ユーザｓ_Eのユーザの共感能力θ_Eを推定する装置に搭載されたコンピュータを機能させるプログラムであって、
学習機能として、
ユーザｓ_n(ｓ₁〜ｓ_N)毎に、各コンテンツｃ_l(ｃ₁〜ｃ_L)の共感度(ｔ₁₁〜ｔ_1L,〜,ｔ_N1〜ｔ_NL)を対応付けた共感度行列Ｔ_nlを記憶する共感度行列記憶手段と、
前記ユーザｓ_n毎に、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_N1〜ｆ_NJ)を対応付けたユーザ特徴量行列Ｆ_njを記憶するユーザ特徴量行列記憶手段と、
前記ユーザｓ_n毎に、前記各コンテンツｃ_lの共感度行列Ｔ_nlを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく共感能力θ_nを算出する項目反応理論算出手段と、
前記ユーザｓ_n毎に、前記ユーザ特徴量行列Ｆ_njと共感能力θ_nとを対応付けた教師データとして学習する機械学習エンジンと
として機能させ、
運用機能として、
推定対象ユーザｓ_Eについて、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたユーザ特徴量行列Ｆ_Eを算出するユーザ特徴量行列算出手段と
して機能させると共に、
前記機械学習エンジンは、前記推定対象ユーザｓ_Eの前記ユーザ特徴量行列Ｆ_Eを入力し、共感能力θ_Eを出力する
ようにコンピュータを機能させることを特徴とするプログラム。
前記共感度は、
前記コンテンツの登場人物又は著作者の感情を理解する認知度ｔ_Rと、
前記コンテンツの登場人物又は著作者と同じ感情を生じる情動度ｔ_Eと
からなり、
前記項目反応理論算出手段は、２母数ロジスティックモデルとして算出する
ようにコンピュータを機能させることを特徴とする請求項１に記載のプログラム。
前記ユーザ特徴要素は、ユーザｓ_nに対する複数の質問に基づくものであり、
前記特徴量は、前記質問に対するユーザｓ_nの回答に基づくものである
ようにコンピュータを機能させることを特徴とする請求項１又は２に記載のプログラム。
前記コンテンツは、不特定多数の第三者からＷｅｂサーバに投稿されたものであり、
前記コンテンツ影響力Ｍは、ユーザがＷｅｂサーバの当該コンテンツを閲覧した際に受ける感情に基づくものである
ようにコンピュータを機能させることを特徴とする請求項１から３のいずれか１項に記載の質問回答プログラム。
前記機械学習エンジンは、線形回帰、サポートベクターマシン(Support Vector Machine)、又は、深層学習の回帰学習に基づくものである
ようにコンピュータを機能させることを特徴とする請求項１から４のいずれか１項に記載のプログラム。
コンテンツｃに対する推定対象ユーザｓ_Eのユーザの共感能力θ_Eを推定する装置であって、
学習機能として、
ユーザｓ_n(ｓ₁〜ｓ_N)毎に、各コンテンツｃ_l(ｃ₁〜ｃ_L)の共感度(ｔ₁₁〜ｔ_1L,〜,ｔ_N1〜ｔ_NL)を対応付けた共感度行列Ｔ_nlを記憶する共感度行列記憶手段と、
前記ユーザｓ_n毎に、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_N1〜ｆ_NJ)を対応付けたユーザ特徴量行列Ｆ_njを記憶するユーザ特徴量行列記憶手段と、
前記ユーザｓ_n毎に、前記各コンテンツｃ_lの共感度行列Ｔ_nlを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく共感能力θ_nを算出する項目反応理論算出手段と、
前記ユーザｓ_n毎に、前記ユーザ特徴量行列Ｆ_njと共感能力θ_nとを対応付けた教師データとして学習する機械学習エンジンと
を有し、
運用機能として、
推定対象ユーザｓ_Eについて、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたユーザ特徴量行列Ｆ_Eを算出するユーザ特徴量行列算出手段と
を有し、
前記機械学習エンジンは、前記推定対象ユーザｓ_Eの前記ユーザ特徴量行列Ｆ_Eを入力し、共感能力θ_Eを出力する
ことを特徴とする装置。
コンテンツｃに対する推定対象ユーザｓ_Eのユーザの共感能力θ_Eを推定する装置の推定方法であって、
前記装置は、
学習機能として、
ユーザｓ_n(ｓ₁〜ｓ_N)毎に、各コンテンツｃ_l(ｃ₁〜ｃ_L)の共感度(ｔ₁₁〜ｔ_1L,〜,ｔ_N1〜ｔ_NL)を対応付けた共感度行列Ｔ_nlを記憶する共感度行列記憶部と、
前記ユーザｓ_n毎に、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_N1〜ｆ_NJ)を対応付けたユーザ特徴量行列Ｆ_njを記憶するユーザ特徴量行列記憶部と
を有し、
前記ユーザｓ_n毎に、前記各コンテンツｃ_lの共感度行列Ｔ_nlを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく共感能力θ_nを算出する第１１のステップと、
機械学習エンジンを用いて、前記ユーザｓ_n毎に、前記ユーザ特徴量行列Ｆ_njと共感能力θ_nとを対応付けた教師データとして学習する第１２のステップと
を実行し、
運用機能として、
推定対象ユーザｓ_Eについて、所定の各ユーザ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたユーザ特徴量行列Ｆ_Eを算出する第２１のステップと、
前記機械学習エンジンが、前記推定対象ユーザｓ_Eの前記ユーザ特徴量行列Ｆ_Eを入力し、共感能力θ_Eを出力する第２２のステップと
を実行することを特徴とする装置の推定方法。