JP7630666B2 - 情報処理装置、情報処理方法、および情報処理プログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法、および情報処理プログラムに関し、特に、コンテンツをユーザにレコメンドするための技術に関する。

近年、インターネット上で動画コンテンツを提供するコンテンツ配信サービスが広く普及している。コンテンツ配信サービスでは、サービスの更なる利用向上のために、映画やアニメといった動画コンテンツや広告コンテンツを含むメディアコンテンツをレコメンドすることが重要である。特許文献１には、ユーザの関心および活動（例えば、ユーザの検索クエリ、検索結果、視聴履歴、購入履歴、ユーザの身体活動）の知識に基づいて選択されたコンテンツのレコメンデーションを表示するための方法が開示されている。

特表２０２２－５２７２２９号公報

一般的に、コンテンツ配信サービスは、当該サービスに登録したユーザ（登録ユーザ）に対してコンテンツを提供する。当該登録ユーザに対しては、特許文献１に開示された技術を用いることにより、当該登録ユーザに適したコンテンツをレコメンドすることが可能となる。

一方で、当該登録ユーザを含む複数のユーザで構成される家族が、コンテンツを視聴するデジタルデバイス（例えば、スマートテレビやタブレット端末）を共有する場合、視聴されたコンテンツは、当該登録ユーザ以外のユーザである場合がある。言い換えると、共有されたデジタルデバイスで視聴されたコンテンツは、家族のどのユーザにより視聴されたかは、基本的にはわからない。従来では、このような場合に、家族における当該登録ユーザ以外のユーザの特徴を考慮して、家族全体もしくは個々のユーザへレコメンドするコンテンツを決定するための仕組みは存在しなかった。

本発明は上記課題に鑑みてなされたものであり、家族を構成する１以上のユーザへレコメンドするコンテンツを決定するための仕組みを提供することを目的とする。

上記課題を解決するために、本発明による情報処理装置の一態様は、複数のユーザのユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成するグラフ作成手段と、前記関係性グラフを用いて、前記複数のユーザのうち、コンテンツ配信サービスに登録している登録ユーザと、前記登録ユーザと同居する同居ユーザとを含む、家族ユーザを予測する予測手段と、前記コンテンツ配信サービスにより前記登録ユーザに対して提供された複数のコンテンツのそれぞれが、前記家族ユーザのうちの誰によって視聴されたかを識別する識別手段と、前記識別の結果に基づいて、学習モデルにより、前記家族ユーザに対してレコメンドするレコメンデーションコンテンツを決定する決定手段と、を有する。

上記課題を解決するために、本発明による情報処理方法の一態様は、複数のユーザのユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成するグラフ作成工程と、前記関係性グラフを用いて、前記複数のユーザのうち、コンテンツ配信サービスに登録している登録ユーザと、前記登録ユーザと同居する同居ユーザとを含む、家族ユーザを予測する予測工程と、前記コンテンツ配信サービスにより前記登録ユーザに対して提供された複数のコンテンツのそれぞれが、前記家族ユーザのうちの誰によって視聴されたかを識別する識別工程と、前記識別の結果に基づいて、学習モデルにより、前記家族ユーザに対してレコメンドするレコメンデーションコンテンツを決定する決定工程と、を含む。

上記課題を解決するために、本発明による情報処理プログラムの一態様は、情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、複数のユーザのユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成するグラフ作成処理と、前記関係性グラフを用いて、前記複数のユーザのうち、コンテンツ配信サービスに登録している登録ユーザと、前記登録ユーザと同居する同居ユーザとを含む、家族ユーザを予測する予測処理と、前記コンテンツ配信サービスにより前記登録ユーザに対して提供された複数のコンテンツのそれぞれが、前記家族ユーザのうちの誰によって視聴されたかを識別する識別処理と、前記識別の結果に基づいて、学習モデルにより、前記家族ユーザに対してレコメンドするレコメンデーションコンテンツを決定する決定処理と、を含む処理を実行させるためのものである。

本発明によれば、家族を構成する１以上のユーザへレコメンドするコンテンツを決定するための仕組みが提供される。
上記した本発明の目的、態様および効果並びに上記されなかった本発明の目的、態様および効果は、当業者であれば添付図面および請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。

図１は、実施形態による情報処理システムの構成例を示す。 図２は、実施形態において想定されるユースケースを説明する概略図である。 図３は、実施形態による情報処理装置の機能構成例を示す。 図４は、ソーシャルグラフの作成処理のフローチャートを示す。 図５Ａは、ソーシャルグラフにおける明示的リンクを説明するための図である。 図５Ｂは、ソーシャルグラフにおける暗示的リンクを説明するための図である。 図６Ａは、リンク間の関係性の推論処理を説明するための図である。 図６Ｂは、ペアをクラスタへグループ化する処理の一例のフローチャートを示す。 図７Ａは、ユーザペアに対する関係性の親密度に基づく親密度スコアの概念図を示す。 図７Ｂは、親密度スコア予測モデルの概略アーキテクチャを示す。 図７Ｃは、ソーシャルグラフの概念図を示す。 図８Ａは、視聴スコア予測モデルの学習手順を説明するための図である。 図８Ｂは、視聴スコア予測モデルの学習手順を説明するための図である。 図８Ｃは、視聴スコア予測モデルの学習手順を説明するための図である。 図９Ａは、レコメンデーションコンテンツの決定手順を説明するための図である。 図９Ｂは、レコメンデーションコンテンツの決定手順を説明するための図である。 図１０は、実施形態による情報処理装置により実行される全体の処理のフローチャートを示す。 図１１は、実施形態による情報処理装置と通信装置のハードウェア構成例を示す。

以下、添付図面を参照して、本発明を実施するための実施形態について詳細に説明する。以下に開示される構成要素のうち、同一機能を有するものには同一の符号を付し、その説明を省略する。なお、以下に開示される実施形態は、本発明の実現手段としての一例であり、本発明が適用される装置の構成や各種条件によって適宜修正または変更されるべきものであり、本発明は以下の実施形態に限定されるものではない。また、本実施形態で説明されている特徴の組み合わせの全てが本発明の解決手段に必須のものとは限らない。

［情報処理システムの構成例］
図１に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図１に示すように、情報処理装置１０と、任意の複数のユーザ１～Ｎにより使用される複数の通信装置１１－１～１１－Ｎ（Ｎ＞１）を含んで構成される。なお、以下の説明において、特に説明がない限り、通信装置１１－１～１１－Ｎを通信装置１１と総称しうる。

通信装置１１は、例えば、スマートフォン、タブレット端末、スマートテレビといった表示部（表示面）を有するデバイスである。通信装置１１は、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）等の公衆網や、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の無線通信網を介して、情報処理装置１０と通信可能に構成されている。１ユーザが複数の通信装置１１を使用してもよく、この場合、それぞれの通信装置１１は情報処理装置１０と通信可能に構成される。通信装置１１がスマートフォンやタブレット端末といった、液晶ディスプレイ等の表示部に装備されたＧＵＩ（Ｇｒａｐｈｉｃ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）を有するデバイスの場合、ユーザはＧＵＩにより各種操作を行うことができる。当該操作は、指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、画面に表示された画像等のコンテンツに対する各種の操作を含む。
なお、通信装置１１は、図１に示すような形態のデバイスに限らず、デスクトップ型のＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）や、ノート型のＰＣといったデバイスであってもよい。その場合、各ユーザによる操作は、マウスやキーボードといった入力装置を用いて行われうる。また、通信装置１１は、表示面を別に備えてもよい。

通信装置１１は、情報処理装置１０から、または、不図示の他の装置から情報処理装置１０を介して提供されるウェブサービス（インターネット関連サービス）を利用することができる。
当該ウェブサービスは、コンテンツ配信サービス（ストリーミングサービス）を含むことができる。コンテンツ配信サービスは、映画、アニメ、ドラマといった動画コンテンツを提供するサービスであり、広告コンテンツ（動画もしくは静止画）も提供されうる。本開示では、映画、アニメ、ドラマといった動画コンテンツと広告コンテンツとを区別するために、当該動画コンテンツを、カルチャーコンテンツとも称する。
また、当該ウェブサービスは、オンラインモールやネットスーパー、あるいは、通信、金融、不動産、スポーツ、旅行に関するサービスを含むことができる。

これらのウェブサービスは、例えば、ユーザが、情報処理装置１０や他の装置から提供されるＡＰＩ（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ）に利用登録することにより、当該ユーザにより利用されうる。また、当該ウェブサービスは、何らかのメンバーシップサービスを含み、エンティティ間のインタラクション（アクション）を観測可能または管理可能なサービスであれば、その種別に制限はない。ウェブサービスの利用登録の際に、各ユーザには、ユーザを識別するユーザＩＤが関連付けられる。

ユーザは、ウェブサービスの利用を介して、当該ユーザや、当該ユーザが使用する通信装置１１に関する情報を情報処理装置１０に伝達する。例えば、通信装置１１は、通信装置１１のＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）アドレスや、ユーザの住所やユーザの氏名（名字と名前）といった情報を、情報処理装置１０に伝達しうる。また、コンテンツ配信サービスを利用するユーザは、通信装置１１でコンテンツを視聴することにより、視聴されたコンテンツの履歴（視聴履歴）の情報が情報処理装置１０に伝達される。

ここで、本実施形態で想定する１つのユースケースを、図２を参照して説明する。図２は、本実施形態で想定されるユースケースを説明する概略図である。前述のように、本実施形態では、情報処理装置１０から、または、不図示の他の装置から情報処理装置１０を介して提供されるウェブサービスは、コンテンツ配信サービスを含むことができる。本開示において、コンテンツ配信サービスを利用するために当該サービスに利用登録しているユーザを、「登録ユーザ」と称する。

登録ユーザ２０は、コンテンツ配信サービスに利用登録しているユーザである。図２では、登録ユーザ２０を含む家族ユーザ（家族メンバー）２３が、通信装置１１を用いて、コンテンツ配信サービスにより登録ユーザ２０に対して提供される一連のコンテンツ２６を視聴することを示している。通信装置１１は、例えば、スマートテレビ２５１やタブレット端末２５２でありうる。家族ユーザ２３は、登録ユーザ２０を含む、登録ユーザ２０と同居する家族（世帯）のメンバーである。同居ユーザ２４は、家族ユーザ２３のうち、登録ユーザ２０以外の家族ユーザである。同居ユーザ２４は、一例として、登録ユーザ２０の配偶者である配偶者ユーザ２１と、登録ユーザ２０の子である子ユーザ２２を含む。

一連のコンテンツ２６は、家族ユーザ２３が使用する通信装置１１により視聴されたコンテンツであり、コンテンツ２６－１～２６－ｍ（ｍ＞０）を含む。各コンテンツには、コンテンツを識別するコンテンツＩＤが付与されている。各コンテンツは、カルチャーコンテンツや広告コンテンツでありうる。各コンテンツは、カルチャーコンテンツや広告コンテンツ以外のコンテンツであってもよい。後述するように、各コンテンツは、コンテンツの特徴を表す情報であるメタデータが、付帯情報として付与されている。家族ユーザ２３はそれぞれ、所定の操作により、通信装置１１に提供された複数のコンテンツから選択したコンテンツを視聴することができる。視聴されたコンテンツの視聴履歴の情報は、通信装置１１から情報処理装置１０に伝達される。

図２において、家族ユーザ２３（登録ユーザ２０、配偶者ユーザ２１、および子ユーザ２２）は、図１に示すユーザ１～Ｎのいずれかである。よって、情報処理装置１０は、登録ユーザ２０、配偶者ユーザ２１、および子ユーザ２２による、ウェブサービスの利用を介した情報を取得可能に構成されている。一方で、コンテンツ配信サービスには、登録ユーザ２０が登録されているが、配偶者ユーザ２１と子ユーザ２２は登録されていない。よって、情報処理装置１０は、家族ユーザ２３がコンテンツ視聴のために使用する通信装置１１から取得したコンテンツの視聴履歴（家族ユーザ２３による視聴履歴）を、登録ユーザ２０の視聴履歴として認識する。すなわち、情報処理装置１０は、家族ユーザ２３による視聴履歴を、登録ユーザ２０、配偶者ユーザ２１、および子ユーザ２２の視聴履歴に明示的に区別して認識することはできない。

本実施形態による情報処理装置１０は、登録ユーザ２０と同居する同居ユーザ２４（図２の例では、配偶者ユーザ２１と子ユーザ２２）を予測する（すなわち、家族ユーザ２３を予測する）。そして、情報処理装置１０は、コンテンツ配信サービスが登録ユーザ２０に対して提供したコンテンツのそれぞれが、家族ユーザ２３のうち誰により視聴されたかを予測する。さらに、情報処理装置１０は、当該予測結果に基づいて家族ユーザ２３全体、および／または、家族ユーザ２３それぞれに対してレコメンドするコンテンツ（以下、レコメンデーションコンテンツ）を決定する。

具体的には、まず、情報処理装置１０は、ユーザ１～Ｎにより使用される通信装置１１－１～１１－Ｎから各種情報を取得し、当該情報に基づいて、ソーシャルグラフ（関係性グラフ）を作成する。ソーシャルグラフは、複数のユーザ間の社会的関係性を示すグラフネットワークである。第２に、情報処理装置１０は、ソーシャルグラフに基づいて、同居ユーザ２４を予測して検出する。第３に、情報処理装置１０は、コンテンツ配信サービスが登録ユーザ２０に対して提供したコンテンツのそれぞれが、家族ユーザ２３のうち誰により視聴されたかを予測（識別）する。そして情報処理装置１０は、当該予測結果（識別結果）に基づいて、家族ユーザ２３それぞれに対する視聴スコア予測モデル１１３を学習させ、家族ユーザ２３全体に対する視聴スコア予測モデル１１３を生成する。情報処理装置１０は、視聴スコア予測モデル１１３を用いて、家族ユーザ２３それぞれ、および／または、家族ユーザ２３全体に対するレコメンデーションコンテンツを決定する。

［情報処理装置１０の機能構成］
図３は、本実施形態による情報処理装置１０の機能構成の一例を示す。
図３に示す情報処理装置１０は、ユーザ特徴取得部１０１、視聴履歴取得部１０２、ソーシャルグラフ作成部１０３、家族ユーザ予測部１０４、視聴ユーザ予測部１０５、学習部１０６、レコメンデーションコンテンツ決定部１０７、および出力部１０８、学習モデル記憶部１１０、およびデータ記憶部１２０を備える。学習モデル記憶部１１０は、ユーザ特徴予測モデル１１１、親密度スコア予測モデル１１２、および視聴スコア予測モデル１１３を記憶している。当該各種学習モデルについては後述する。また、データ記憶部１２０は、ユーザ特徴１２１および視聴履歴１２２を記憶している。図３の説明にあたり、図１と図２を参照する。

ユーザ特徴取得部１０１は、通信装置１１－１～１１－Ｎのそれぞれから、当該通信装置やユーザについての事実特徴（事実情報）を、ユーザ特徴として取得する。ユーザ特徴は、通信装置やユーザから実際に、または、客観的に得られる、事実に基づく特徴（情報）である。ユーザ特徴取得部１０１は例えば、通信装置１１から直接的にユーザ特徴を取得することができる。また、ユーザ特徴取得部１０１は、通信装置１１のユーザにより所定のウェブサービスに登録された情報として、ユーザ特徴を取得することができる。ユーザ特徴には、ユーザを識別するユーザＩＤが紐づけられている。

ユーザ特徴は、通信装置１１のＩＰアドレス、ユーザの住所やユーザの氏名、ユーザが保持するクレジットカードの番号、ユーザのデモグラフィック情報（性別、年齢、居住地域、職業、家族構成等の人口統計学的なユーザ属性）等を含む。
また、ユーザ特徴は、ウェブサービス利用時における登録番号や登録名を含んでもよい。また、ユーザ特徴は、通話履歴、所定のウェブサービス利用時における商品のユーザの住所以外の配送先住所、ウェブサービス利用時の利用状況、購入履歴、利用履歴、検索履歴、サービスの利用により貯めることが可能なポイントに関する情報を含んでもよい。
また、ユーザ特徴は、ユーザが在宅している曜日や時間といった、在宅時間に関する特徴を含んでもよい。当該在宅時間に関する特徴は、例えば、ユーザがウェブサービスを利用してアイテムを購入した際の、ユーザにより指定された配達日時や実際の配達日時から取得されうる。
また、ユーザ特徴は、たばこを吸う、酒を飲む、といった、嗜好に関する特徴を含んでもよい。当該嗜好に関する特徴は、例えば、ユーザがウェブサービスを利用して購入したアイテムに基づいて取得されうる。
このように、ユーザ特徴は、通信装置１１またはユーザ自身に関連する情報や、通信を介した所定のサービス利用に関する情報を含む、あらゆる情報を含むことができる。

また、ユーザ特徴取得部１０１は、取得したユーザ特徴を、学習済みのユーザ特徴予測モデル１１１に適用して、当該ユーザ特徴に対して推定されたユーザ特徴（推定ユーザ特徴（属性））も取得するように構成される。ユーザ特徴予測モデル１１１は、対象のユーザのユーザ特徴（すなわち、事実特徴）を入力として、複数のユーザ特徴それぞれが当該対象のユーザに該当する（適合する）確率（該当確率）を出力するように構成される。ユーザ特徴取得部１０１は、該当確率から、最終的に、当該対象ユーザの推定ユーザ特徴を決定する。

例えば、ユーザ特徴取得部１０１は、対象ユーザのユーザ特徴として、対象ユーザのデモグラフィック情報と過去のウェブサービスにおける購入履歴や趣向を示すデータをユーザ特徴予測モデル１１１に入力する。ユーザ特徴予測モデル１１１からは、該当確率として、当該対象ユーザが購入すると推定される複数のアイテムや当該対象ユーザが有しうる複数の趣向や、当該対象ユーザの行動傾向それぞれに対する確率が出力される。そして、ユーザ特徴取得部１０１は、所定値以上の確率を有するアイテムや趣向や行動傾向を、当該対象ユーザの推定ユーザ特徴として、取得することができる。行動傾向は、例えば、子を有するといったライフステージに関する特徴や、在宅勤務しているといったライフスタイルに関する特徴を含む。

ユーザ特徴取得部１０１は、取得および推定したユーザ特徴を、ユーザ特徴１２１としてデータ記憶部１２０に記憶させる。ユーザ特徴は、ユーザＩＤと紐づけて記憶される。

視聴履歴取得部１０２は、ユーザ１～Ｎのうち、コンテンツ配信サービスに登録している登録ユーザの通信装置１１から、コンテンツの視聴履歴の情報を取得する。視聴履歴取得部１０２により取得される視聴履歴の情報は、登録ユーザの視聴履歴の情報に対応する。図２を参照すると、視聴履歴取得部１０２は、家族ユーザ２３のいずれかによって視聴されたコンテンツの履歴を、登録ユーザ２０の視聴履歴として取得する。視聴履歴の情報は、視聴された各コンテンツのコンテンツＩＤ、メタデータ、および視聴日時（視聴時間）の情報が含まれる。

メタデータ（付帯情報）は、各コンテンツに付与された、当該コンテンツの特徴を表す情報である。メタデータは例えば、映画、アニメ、ドラマといったカルチャーコンテンツの場合は、ジャンル、コンテンツの対象年齢層、タイトル、出演者（俳優等）、監督、コンテンツ時間、シリーズナンバー、および、あらすじ等の情報を含みうる。また、広告コンテンツの場合は、メタデータは、広告主、対象アイテム（商品やサービス）、ジャンル等の情報を含みうる。視聴履歴取得部１０２は、取得した視聴履歴の情報を、視聴履歴１２２としてデータ記憶部１２０に記憶させる。視聴履歴１２２は、ユーザＩＤと紐づけて記憶される。図２を参照すると、登録ユーザ２０から取得された視聴履歴は、登録ユーザ２０のユーザＩＤと紐づけて記憶される。

ソーシャルグラフ作成部１０３は、ユーザ特徴取得部１０１により取得された各種ユーザ特徴を用いて、ソーシャルグラフ（関係性グラフ）を作成する。ソーシャルグラフの作成手順については後述する。

家族ユーザ予測部１０４は、コンテンツ配信サービスの登録ユーザを含む家族ユーザを予測（探索）する。まず、家族ユーザ予測部１０４は、ユーザ１～Ｎのうちのいずれかである登録ユーザのユーザＩＤを取得し、当該登録ユーザを識別する。当該登録ユーザのユーザＩＤは、操作者により入力部（図１１の入力部１１０５）を介して入力されてもよいし、通信部（図１１の通信Ｉ／Ｆ１１０７）を介して入力されてもよい。あるいは、当該登録ユーザのユーザＩＤは、記憶部（図１１のＲＯＭ１１０２やＲＡＭ１１０３）に格納されている任意のプログラムによって設定されてもよい。家族ユーザ予測部１０４は、データ記憶部１２０のユーザ特徴１２１から、登録ユーザのユーザＩＤに基づいて、登録ユーザのユーザ特徴を取得する。

そして、家族ユーザ予測部１０４は、取得した登録ユーザのユーザ特徴と、ソーシャルグラフ作成部１０３により作成されたソーシャルグラフに基づいて、当該登録ユーザを含む家族ユーザを予測する。図２を参照すると、家族ユーザ予測部１０４は、登録ユーザ２０のユーザ特徴とソーシャルグラフに基づいて、同居ユーザ２４を予測する。なお、登録ユーザが単身者であり、同居ユーザが存在しない場合（家族ユーザ数＝１）もあるため、家族ユーザ予測部１０４は、登録ユーザに対する同居ユーザの有無も判定できるように構成される。ソーシャルグラフに基づく家族ユーザの予測手順については後述する。

視聴ユーザ予測部１０５は、視聴履歴１２２に含まれる登録ユーザの視聴履歴と、家族ユーザ予測部１０４により予測された家族ユーザに基づいて、当該視聴履歴に含まれる１以上のコンテンツのそれぞれを視聴した１以上のユーザ（以下、視聴ユーザ）を予測（識別）する。すなわち、視聴ユーザ予測部１０５は、登録ユーザの視聴履歴に含まれる１以上のコンテンツが、家族ユーザのうちのどの１以上のユーザによって視聴されたかを予測する。当該予測は、当該１以上のコンテンツのそれぞれと、家族ユーザのそれぞれとの対応付け（アラインメント）に対応する。図２を参照すると、視聴ユーザ予測部１０５は、コンテンツ２６のそれぞれの視聴ユーザを予測する。すなわち、視聴ユーザ予測部１０５は、コンテンツ２６のそれぞれが、登録ユーザ２０、配偶者ユーザ２１、および子ユーザ２２のうちの誰によって視聴されたかを予測（識別）する。

本実施形態では、視聴ユーザ予測部１０５は、登録ユーザの視聴履歴に含まれる１以上のコンテンツのメタデータおよび／または視聴日時、および、ユーザ特徴１２１から取得した家族ユーザ２３のユーザ特徴を参照し、当該予測を行う。例えば、視聴ユーザ予測部１０５は、メタデータおよび／または視聴日時、および、ユーザ特徴との間の共通の特徴を用いて、当該予測を行ってよい。図２を参照すると、コンテンツ２６－１のメタデータが、ジャンル＝アニメ、および、コンテンツの対象年齢層＝３歳～１０歳を含み、視聴日時が平日の夕方であり、子ユーザ２２のユーザ特徴に含まれる年齢が８歳であるとする。この場合、コンテンツ２６－１のメタデータに含まれるコンテンツの対象年齢と、子ユーザ２２の年齢の特徴が共通するため、視聴ユーザ予測部１０５は、コンテンツ２６－１の視聴ユーザは子ユーザ２２であると予測することができる。

これに代えて、もしくは、これに加えて、視聴ユーザ予測部１０５は、ルールベースで当該予測を行ってよい。当該ルールは、コンテンツのメタデータおよび／または視聴日時、および、ユーザ特徴とを対応付けたルールである。当該ルールの一例は、メタデータが、ジャンル＝アニメを含み、視聴日時が平日の夕方であるコンテンツの視聴ユーザは、ユーザ特徴に、年齢が６歳～１２歳および／または平日の夕方に在宅していることを含むユーザである、ことを示すルールである。コンテンツ２６－２のメタデータが、ジャンル＝アニメを含み、視聴日時が平日の夕方である場合に、視聴ユーザ予測部１０５は、当該例示的なルールに基づいて、コンテンツ２６－２の視聴ユーザは、子ユーザ２２（８歳）であると予測することができる。さらに、配偶者ユーザ２１のユーザ特徴１２１が、平日の夕方に在宅していることを含む場合に、視聴ユーザ予測部１０５は、当該例示的なルールに基づいて、コンテンツ２６－２の視聴ユーザは、さらに、配偶者ユーザ２１を含むことを予測することができる。

また、当該ルールは、コンテンツのメタデータおよび／または視聴日時、および、ユーザ特徴に含まれる行動傾向とを対応付けたルールであってよい。例えば、長いコンテンツ時間（例えば、２時間以上）のメタデータを有するコンテンツを、在宅勤務していることを行動傾向に含むユーザに対応付けるというルールを設定する。当該例示的なルールは、在宅勤務しているユーザは、通勤時間が節約でき在宅時間が長いことから、長いコンテンツ時間のコンテンツを観る可能性が高いという予測（例えば、経験則）に基づく。コンテンツ２６－３のメタデータが長いコンテンツ時間を含み、登録ユーザ２０の行動傾向が在宅勤務していることを含む場合、視聴ユーザ予測部１０５は、コンテンツ２６－３の視聴ユーザは、登録ユーザ２０であると予測することができる。これにより、視聴ユーザ予測部１０５は、家族ユーザそれぞれの行動傾向に応じて、各コンテンツの視聴ユーザを予測することができる。

当該ルールは例えば、経験則や機械学習により作成されうる。当該ルールは、操作者により入力部（図１１の入力部１１０５）を介して入力されてもよいし、通信部（図１１の通信Ｉ／Ｆ１１０７）を介して入力されてもよい。あるいは、当該ルールは、予めシステムにおいて設定されていてもよいし、記憶部（図１１のＲＯＭ１１０２やＲＡＭ１１０３）に格納されている任意のプログラムによって設定されてもよい。

視聴ユーザ予測部１０５は、このような予測処理により、視聴履歴１２２に含まれるコンテンツそれぞれを、１以上の視聴ユーザと対応付ける。さらに、視聴ユーザ予測部１０５は、当該対応付けから、視聴履歴１２２に含まれるコンテンツそれぞれと、１以上の視聴ユーザとの組み合わせデータを生成（準備）する。当該組み合わせデータには、コンテンツのコンテンツＩＤおよびメタデータと、当該コンテンツに対応付けられた視聴データのユーザ特徴が含まれる。また、当該組み合わせデータには、コンテンツの視聴日時の情報が含まれてもよい。

学習部１０６は、視聴ユーザ予測部１０５により生成された組み合わせデータを用いて、視聴スコア予測モデル１１３を学習させる。視聴スコア予測モデル１１３は、コンテンツのメタデータと、ユーザのユーザ特徴の組み合わせデータを入力として、当該コンテンツの視聴スコアを予測する、機械学習のための学習モデルである。視聴スコアは、入力されたコンテンツが、入力されたユーザ特徴を有するユーザにより視聴される確率（可能性）を示し、例えば０～１の数値で表される（最大確率＝１）。視聴スコアは、視聴の確率だけでなく、コンテンツが表示された画面上で当該コンテンツがクリック動作により選択される確率といった、あらゆるアクションにより当該コンテンツが選択される確率を示す。学習部１０６による視聴スコア予測モデル１１３の学習手順については後述する。

レコメンデーションコンテンツ決定部１０７は、学習部１０６によって学習された視聴スコア予測モデル１１３を用いて、レコメンデーションコンテンツを決定する。図２を参照すると、レコメンデーションコンテンツ決定部１０７は、家族ユーザ２３に対するレコメンデーションコンテンツを決定する。レコメンデーションコンテンツの決定手順については後述する。

出力部１０８は、レコメンデーションコンテンツ決定部１０７により決定されたレコメンデーションコンテンツを出力する。例えば、出力部１０８は、レコメンデーションコンテンツに関する情報を生成し、当該情報を登録ユーザが使用する通信装置１１の表示部に出力（表示）する。出力部１０８は、当該レコメンデーションコンテンツに関する情報を生成して出力してもよい。当該出力は、表示による出力や音声による出力といった、あらゆる形態の出力を含みうる。

［ソーシャルグラフの作成手順］
次に、本実施形態によるソーシャルグラフの作成手順について説明する。なお、以下の説明においてユーザＡ～Ｅは、説明のために参照するユーザであり、通信装置１１のユーザでありうる。また、ソーシャルグラフは、複数のエンティティ（図５Ａと図５Ｂの例では、丸で囲まれたユーザノードに対応）の接続で構成される。以下の説明では、当該ユーザノードを単にユーザと称する。図４に、本実施形態によるソーシャルグラフ作成部１０３により実行されるソーシャルグラフの作成処理のフローチャートを示す。以下、図４の処理の各工程について説明する。

＜Ｓ４１：ソーシャルグラフにおける明示的リンクと暗示的リンクの作成＞
Ｓ４１では、ソーシャルグラフ作成部１０３は、複数のユーザ間の明示的リンクと暗示的リンクを予測して作成する。
ソーシャルグラフにおけるリンクの作成処理について、図５Ａと図５Ｂを参照して説明する。図５Ａは、ソーシャルグラフにおける明示的リンクを説明するための図であり、図５Ｂは、ソーシャルグラフにおける暗示的リンクを説明するための図である。ソーシャルグラフにおける明示的リンクとは、２ユーザ間（ユーザペア）の明示的な共通のユーザ特徴により作成されるリンクである。ソーシャルグラフにおける暗示的リンクとは、ユーザペアの明示的な共通のユーザ特徴の存在は不明確であるものの、すでに作成されている明示的リンクを利用して、間接的な関係として作成されるリンクである。

図５Ａに、ユーザの通信装置のＩＰアドレスを共通なユーザ特徴として用いてソーシャルグラフにおける明示的リンクを作成する例を示す。図５Ａは、ユーザＡ～Ｃが利用可能なウェブサービスとして、オンラインモール５１、ゴルフ場予約サービス５２、旅行関連予約サービス５３、およびカード管理システム５４が存在する例を示す。図５Ａでは、これら４つのウェブサービスが示されているが、ウェブサービスの数は特定の数に限定されない。

オンラインモール５１は、オンラインで（インターネットを使用して）利用可能なショッピングモールである。オンラインモール５１は、例えば、ファッション、書籍、食品、コンサートチケット、不動産といった多種多様な商品やサービスを提供することができる。
ゴルフ場予約サービス５２は、オンラインでゴルフ場に関するサービスを提供するウェブサイトで運営され、例えばゴルフ場の検索および予約やレッスン情報を提供することができる。
旅行関連予約サービス５３は、オンラインで利用可能な各種旅行サービスを提供するウェブサイトで運営される。旅行関連予約サービス５３は、例えば、ホテルやトラベルツアーの予約、航空券やレンタカーの予約、観光情報、ホテル、ホテル周辺の情報を提供することができる。
カード管理システム５４は、所定のカード管理会社により発行および管理されるクレジットカードに関するサービスを提供するウェブサイトで運営される。カード管理システム５４は、オンラインモール５１、ゴルフ場予約サービス５２、および旅行関連予約サービス５３の少なくともいずれかと関連して、サービスを提供してもよい。

図５Ａの例では、ユーザＡ～Ｃはそれぞれ、同じＩＰアドレス（＝１９８．４５．６６．ｘｘ）を用いて、オンラインモール５１、ゴルフ場予約サービス５２、旅行関連予約サービス５３を利用している。ＩＰアドレスの情報は、ユーザ特徴取得部１０１により取得されうる。
このような場合、ソーシャルグラフ作成部１０３は、ユーザＡ～Ｃは、リンク状態５５に示すように、同じＩＰアドレスの特徴で、ソーシャルグラフにおける明示的リンク（実線のリンク）を相互に作成する。

図５Ａのほか、共通のユーザ特徴として、ユーザの住所の特徴や、ユーザが使用するクレジットカード番号の特徴等を共通な特徴として用いて、ソーシャルグラフにおける明示的リンクを作成することができる。

図５Ｂに、ソーシャルグラフにおいてユーザ間に暗示的リンクを作成する例を示す。図５Ｂの例では、ユーザＡに対して、ユーザＣ、ユーザＤ、ユーザＥが明示的リンクで接続され、ユーザＢに対して、ユーザＣ、ユーザＤ、ユーザＥが明示的リンクで接続されている。このようなリンク特徴（リンク間の関係を示す特徴）を、共通の特徴空間へ埋め込み、各ユーザ（各ノード）間で暗黙的に関係性が構築されるとして推論されたリンクが、暗示的リンクとして作成（確立）される。図５Ｂの例では、ユーザＡとユーザＢは、明示的リンクで接続されていないが、共通の特徴空間で関係性を有すると推論された結果、暗示的リンク（点線のリンク）が作成されている。なお、ソーシャルグラフ作成部１０３は、明示的リンクで接続されたノード（ユーザ）で構成されるユーザ間関係グラフの学習（表現学習、関係学習、埋込学習、知識グラフ埋め込み）を行うことで、ユーザ間の暗示的リンクを予測し作成する。このとき、ソーシャルグラフ作成部１０３は、既知の埋め込みモデルまたはその拡張に適宜、基づき、当該学習を行ってよい。

＜Ｓ４２：リンク間の関係性の推論＞
Ｓ４２では、ソーシャルグラフ作成部１０３は、Ｓ４１で予測および作成されたリンク間の関係性を推論する。リンク間の関係性の推論処理について、図６Ａと図６Ｂを参照して説明する。図６Ａは、リンク間の関係性の推論処理を説明するための図であり、明示的リンクで接続されたユーザＡとユーザＢ間のリンクの関係性を推論する例を示す。

ソーシャルグラフ作成部１０３は、Ｓ４１で作成されたリンクで接続されたユーザのペアをデータポイントとして扱い、ユーザ特徴取得部１０１により取得された各種情報を用いて、当該ペア（データポイント）を、共通のタイプを表すクラスタにグループ化する。当該各種情報は、ＩＰアドレス、住所、クレジットカード、年齢、性別、友人といった情報でありうる。また、各クラスタは、配偶者、親子、近所の人、同世帯、同僚、友達、同性別きょうだい、異性別きょうだい等の関係を持つクラスタでありうる。図６Ａの例では、ユーザのペアをバツ印で示し、当該ペアがグループ化されうるクラスタとして、親子クラスタ６１、配偶者クラスタ６２、同性別きょうだいクラスタ６３、友人クラスタ６４、同世帯クラスタ６５を示す。なお、図６Ａでは５つのクラスタを示すが、クラスタの数は特定の数に限定されない。

例えば、ソーシャルグラフ作成部１０３は、ユーザＡとユーザＢが、同じ名字、年齢差が１０歳未満、逆の性別、同じ住所、という特徴６０を有する（共有する）場合、ソーシャルグラフ作成部１０３は、ユーザＡとユーザＢのペアを、夫と妻（配偶者）の関係を表すクラスタ（配偶者クラスタ６２）にグループ化することができる。

図６Ｂに、ソーシャルグラフ作成部１０３により実行される、ペアをクラスタへグループ化する処理の一例のフローチャートを示す。
Ｓ６１の開始時点で、グループ化の対象のペアについて、同じ住所と同じ名字の特徴を有するものとする。Ｓ６２では、ソーシャルグラフ作成部１０３は、当該対象のペアについて、同じ性別の特徴を有するか否かを判定する。当該対象のペアが同じ性別の特徴を有する場合（Ｓ６２でＹｅｓ）、Ｓ６３においてソーシャルグラフ作成部１０３は、当該対象のペアについて、年齢の差が所定の閾値（＝Ｘ値）以下か否かを判定する。当該対象のペアの年齢の差がＸ値より大きい場合（Ｓ６３でＮｏ）、ソーシャルグラフ作成部１０３は、当該対象のペアを親子クラスタ６１へグループ化する。年齢の差がＸ値以下の場合（Ｓ６３でＹｅｓ）、ソーシャルグラフ作成部１０３は、当該対象のペアを同性別きょうだいクラスタ６３へグループ化する。また、当該対象のペアが同じ性別の特徴を有さない場合（Ｓ６２でＮｏ）、Ｓ６４においてソーシャルグラフ作成部１０３は、当該対象のペアの年齢の差が所定の閾値（＝Ｙ値）以下か否かを判定する。年齢の差がＹ値より大きい場合（Ｓ６４でＮｏ）、ソーシャルグラフ作成部１０３は、当該対象のペアを親子クラスタ６１へグループ化する。年齢の差がＹ値以下の場合（Ｓ６４でＹｅｓ）、ソーシャルグラフ作成部１０３は、当該対象のペアを配偶者クラスタ６２へグループ化する。

＜Ｓ４３：関係性の親密度に基づく親密度スコアの割り当て＞
Ｓ４３では、ソーシャルグラフ作成部１０３は、Ｓ４２で推論されたペアに対する関係性の親密度に基づくスコア（社会的関係性の高さを表すスコア）を予測し、当該スコアを当該ペアに割り当てる。当該スコアを、本実施形態では、親密度スコアと称する。本実施形態において、親密度スコアは、０～１の間の数値であるが、親密度スコアが取りうる数値に特定の限定はない。図７Ａに、ユーザペアに対する関係性の親密度に基づく親密度スコアの概念図を示す。

図７Ａの例では、明示的リンクで接続されたユーザＡとユーザＢが有する（共有する）特徴によって、当該ユーザペア間の関係性の親密度が変化する。図７Ａの上部では、ユーザＡとユーザＢが、同性別きょうだい、同じ住所、１２００回の通話履歴、５０回のギフトのやり取り、という特徴７０を有する場合、当該ユーザペア間の関係性の親密度（すなわち、親密度スコア）は高くなる。一方、図７Ａの下部では、ユーザＡとユーザＢが、同性別きょうだい、異なる住所、３０回の通話履歴、２回のギフトのやり取り、という特徴７１を有する場合、当該ユーザペア間の関係性の親密度（すなわち、親密度スコア）は低くなる。このように、図７Ａの例のように、同性別きょうだいであるユーザＡとユーザＢであっても、当該ユーザのペアで共有される他の特徴により、当該ペアの関係性の親密度は異なるものとなる。関係性の親密度の高いペアは、互いの社会的距離が近く、高い影響を有することが観察される。一方、関係性の親密度の低いペアは、互いの社会的距離が遠く、近しい関係にないことが観察される。

本実施形態では、ユーザペアに対する親密度スコアを、親密度スコア予測モデル１１２を用いて予測する。図７Ｂに、親密度スコア予測モデル１１２の概略アーキテクチャを示す。親密度スコア予測モデル１１２は、ユーザペアの特徴（ペアが共有する特徴）７２を入力として、当該特徴７２に対する親密度スコア７３を予測する学習モデルである。

親密度スコア予測モデル１１２は例えば、弱教師付き学習（Ｗｅａｋ Ｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ）を行う学習モデルである。本実施形態では、親密度スコア予測モデル１１２は、図６Ａに示したような、ユーザペアに対する複数の特徴に対して付された親密度スコア（０～１）を教師データとして学習された学習モデルとする。例えば、学習段階では、教師データとしては、図７Ａの特徴７０に設定された１に近い親密度スコアと、特徴７１に設定された０に近い親密度スコアといった組み合わせデータが使用される。なお、親密度スコア予測モデル１１２は、ユーザペアの関係性の種別毎に異なってよく、一の関係性の種別に応じてトレーニングされた学習モデルであってよい。

なお、本実施形態では、ユーザペアに対する親密度スコアを、親密度スコア予測モデル１１２を用いて予測したが、ソーシャルグラフ作成部１０３は、他の手法により、当該スコアを予測するように構成されてもよい。このように、ソーシャルグラフ作成部１０３は、ユーザペアにおいて共有される特徴に基づいて、当該ペアに対して親密度スコアを割り当てる。

以上の処理により、複数のユーザ間で明示的リンクまたは暗示的リンクが形成され、各リンク間では親密度スコアが割り当てられ、ソーシャルグラフが作成される。ソーシャルグラフの概念図を図７Ｃに示す。図７Ｃに示すソーシャルグラフ７００において、各ユーザ７０１～７０３それぞれは複数の特徴を有し、ユーザのペアに対しては上記のように予測された親密度スコアが割り当てられる。

［家族ユーザ予測手順］
次に、本実施形態による家族ユーザの予測手順について説明する。本実施形態では、家族ユーザ予測部１０４は、ソーシャルグラフ作成部１０３により作成されたソーシャルグラフに基づいて、登録ユーザを含む家族ユーザを予測する。本実施形態では、ソーシャルグラフにおいて、親密度スコア（図７Ｃを参照）だけでなく、各ペア間の共有の（共通の）ユーザ特徴（図６Ａを参照）に基づいて、家族ユーザを予測する。

家族ユーザ予測部１０４は、まず、登録ユーザと同居する同居ユーザが存在するか否かを判定する。例えば、家族ユーザ予測部１０４は、ソーシャルグラフにおいて、登録ユーザとの関係で親密度スコアが高く（例えば、親密度スコアが所定の閾値以上）、かつ、当該登録ユーザと共通の住所と同じ名字を有するという第１の条件を満たすユーザを探索する。第１の条件を満たすユーザが存在する場合、同居ユーザが存在すると判定し、そうでない場合に、同居ユーザが存在しないと判定することができる。また、家族ユーザ予測部１０４は、ソーシャルグラフにおいて、当該登録ユーザと共通の住所を有するという第２の条件を満たすユーザを探索してもよい。この場合、第２の条件を満たすユーザが存在する場合、同居ユーザが存在すると判定し、そうでない場合に、同居ユーザが存在しないと判定することができる。

同居ユーザが存在しないと判定した場合は、家族ユーザ予測部１０４は、家族ユーザは登録ユーザのみであると予測する。一方、同居ユーザが存在すると判定した場合、同居ユーザの有無のために使用した条件（例えば、前述の第１の条件または第２の条件）を満たすユーザを、同居ユーザであると予測する。続いて、家族ユーザ予測部１０４は、ソーシャルグラフに基づいて、当該登録ユーザと当該同居ユーザとの関係（家族構成）を抽出する。図２の例では、家族ユーザ予測部１０４は、配偶者ユーザ２１は登録ユーザ２０の配偶者であり、子ユーザ２２は登録ユーザ２０の子であることを認識する。

［視聴スコア予測モデルの学習手順］
次に、視聴スコア予測モデル１１３の学習手順について、図２と図８Ａ～図８Ｃを参照して説明する。図８Ａと図８Ｂは、視聴スコア予測モデル１１３の学習手順を説明するための図である。本実施形態による視聴スコア予測モデル１１３は、ブースティングを用いたツリー（決定木）ベースのモデルであり、例えば、ＸＧＢｏｏｓｔをベースにした学習モデルである。なお、視聴スコア予測モデル１１３は、時間帯毎に個別に学習または統合されてよい。

図８Ａを参照して、視聴スコア予測モデル１１３の入力データと出力データの関係を説明する。図８Ａの例では、視聴スコア予測モデル１１３には、コンテンツ２６－１とユーザ特徴８０の組み合わせデータが入力される。ここで、入力されるコンテンツは、当該コンテンツのコンテンツＩＤとメタデータを含む。また、ユーザ特徴８０は、ウェブサービス上での、デモグラフィック情報、購入履歴、およびサービス利用状況を含む。ユーザ特徴８０は、他の種類のユーザ特徴を含むように構成されてもよい。入力された組み合わせデータに対して、視聴スコア予測モデル１１３から出力される視聴スコア８１は、入力されたコンテンツ２６－１が、入力されたユーザ特徴８０を有するユーザにより選択（視聴を含む）される確率（可能性）を示す。

学習時は、視聴ユーザ予測部１０５により生成された組み合わせデータを用いて、視聴スコア予測モデル１１３が学習される。当該組み合わせデータは、視聴されたコンテンツと視聴ユーザとの組み合わせを示すことから、視聴スコア予測モデル１１３から出力される視聴スコアは、１（最大確率）として学習される。例えば、図８Ａでは、コンテンツ２６－１とユーザ特徴８０の組み合わせデータが入力され、視聴スコア８１（＝１）を出力するように学習される。

図８Ｂを参照して、図２に示す家族ユーザ２３に対して視聴ユーザ予測部１０５により生成された組み合わせデータを用いた学習処理を説明する。図２を参照し、登録ユーザ２０を含む家族ユーザ２３がコンテンツ２６を視聴した場合を想定する。この場合、視聴ユーザ予測部１０５は、登録ユーザ２０、配偶者ユーザ２１、および子ユーザ２２の少なくともいずれかのユーザ特徴と、コンテンツ２６－１～２６－ｍそれぞれとの組み合わせデータを生成する。図８Ｂの例では、コンテンツ２６は、コンテンツ２６－１～２６－９（すなわち、ｍ＝９）を含む。生成された組み合わせデータは、コンテンツ２６－１～コンテンツ２６－３それぞれと登録ユーザ２０のユーザ特徴８０との組み合わせデータ、コンテンツ２６－４～コンテンツ２６－６それぞれと配偶者ユーザ２１のユーザ特徴８３との組み合わせデータ、コンテンツ２６－６～コンテンツ２６－９それぞれと子ユーザ２２のユーザ特徴８４との組み合わせデータを含む。コンテンツ２６－６は、配偶者ユーザ２１と子ユーザ２２のユーザ特徴と組み合わされている。これは、視聴ユーザ予測部１０５により、コンテンツ２６－６の視聴ユーザは、配偶者ユーザ２１と子ユーザ２２と予測され、コンテンツ２６－６が両ユーザと対応付けられていることを意味している。

当該組み合わせデータを用いて、家族ユーザ２３それぞれに対して、視聴スコア予測モデル１１３（ユーザベースの視聴スコア予測モデル）が学習される。図８Ｂでは、登録ユーザ２０、配偶者ユーザ２１、および子ユーザ２２の視聴スコア予測モデル１１３を、それぞれ、視聴スコア予測モデル１１３－１、１１３－２、１１３－３で示す。視聴スコア予測モデル１１３－１は、コンテンツ２６－１～コンテンツ２６－３それぞれと登録ユーザ２０のユーザ特徴８２との組み合わせデータが入力され、視聴スコア８１－１（＝１）を出力するように学習される。視聴スコア予測モデル１１３－２は、コンテンツ２６－４～コンテンツ２６－６それぞれと配偶者ユーザ２１のユーザ特徴８３との組み合わせデータが入力され、視聴スコア８１－２（＝１）を出力するように学習される。視聴スコア予測モデル１１３－３は、コンテンツ２６－６～コンテンツ２６－９それぞれと子ユーザ２２のユーザ特徴８４との組み合わせデータが入力され、視聴スコア８１－３（＝１）を出力するように学習される。

図８Ａと同様に、ユーザ特徴８２～８４は、ウェブサービス上での、デモグラフィック情報、購入履歴、およびサービス利用状況を含むように構成されているが、これに限定されない。また、配偶者ユーザ２１のユーザ特徴８３と、子ユーザ２２のユーザ特徴８４には、登録ユーザ２０との家族構成における関係を含めてもよい。例えば、ユーザ特徴８３は、「配偶者」、ユーザ特徴８４には「子」を示す特徴を含めてもよい。

また、コンテンツ２６－６～コンテンツ２６－９に、コンテンツの視聴日時の情報が含まれる場合に、当該視聴日時に応じた重みづけを行うように、視聴スコア予測モデル１１３－１～１１３－３が学習されてもよい。例えば、視聴日時が現在または所定の時間帯に近いほど、視聴スコアが高くなるように、視聴スコア予測モデル１１３－１～１１３－３が学習されてもよい。これにより、例えば、最近視聴したコンテンツと同様なメタデータを有するコンテンツがレコメンデーションコンテンツとして決定される可能性が高くなりうる。

学習された視聴スコア予測モデル１１３－１～１１３－３は、家族ユーザ全体の視聴スコア予測モデル１１３に統合される。図８Ｂに、学習された視聴スコア予測モデル１１３－１～１１３－３を統合した視聴スコア予測モデル１１３の概念図を示す。当該統合した視聴スコア予測モデル１１３を用いることにより、入力されたコンテンツ（メタデータとコンテンツＩＤを含む）に対する家族ユーザ２３全体による視聴スコアを予測することが可能となる。学習部１０６は、統合することによって生成した視聴スコア予測モデル１１３を、学習済み視聴スコア予測モデル１１３として、学習モデル記憶部１１０に格納する。学習部１０６は、各ユーザついて学習した視聴スコア予測モデル１１３（例えば、図８Ｂの視聴スコア予測モデル１１３－１～１１３－３）も、学習モデル記憶部１１０に格納してよい。

家族ユーザ予測部１０４により、同居ユーザが存在すると判定された場合は、例えば、図８Ｂのように、家族ユーザそれぞれとコンテンツそれぞれとの組み合わせデータを用いて視聴スコア予測モデル１１３－１～１１３－３が学習される。一方で、同居ユーザが存在しないと予測された場合は、視聴されたコンテンツは全て、登録ユーザによって視聴されたことになり、より多くの学習データで学習されうる。そのため、家族ユーザ予測部１０４により、同居ユーザが存在しないと予測された登録ユーザに対する視聴スコア予測モデル１１３の学習を、優先的に行ってもよい。

例えば、図２を参照し、登録ユーザ２０がコンテンツ２６全てを視聴した場合を想定する。この場合、視聴ユーザ予測部１０５は、登録ユーザ２０のユーザ特徴とコンテンツ２６－１～２６－ｍそれぞれとの組み合わせデータを生成する。そして、視聴スコア予測モデル１１３は、コンテンツ２６－１～コンテンツ２６－ｍそれぞれと登録ユーザ２０のユーザ特徴との組み合わせデータが入力され、視聴スコア（＝１）を出力するように学習される。このような登録ユーザのみの学習処理により、登録ユーザのユーザ特徴を有するユーザに対する視聴スコアの精度が向上しうる。

［レコメンデーションコンテンツの予測手順］
次に、レコメンデーションコンテンツ決定部１０７によるレコメンデーションコンテンツの決定手順について、図２と図９Ａと図９Ｂを参照して説明する。図９Ａと図９Ｂは、レコメンデーションコンテンツの決定手順を説明するための図である。本実施形態では、レコメンデーションコンテンツ決定部１０７は、学習部１０６により学習されて生成された視聴スコア予測モデル１１３を用いて、レコメンデーションコンテンツを決定するように構成される。

図９Ａにおいて、コンテンツ９１－１～９１－ｎ（ｎ＞０）を含むコンテンツ９１は、あらかじめ準備されたレコメンド候補のコンテンツ（候補コンテンツ）である。コンテンツ９１は、操作者により入力部（図１１の入力部１１０５）を介して入力されてもよいし、通信部（図１１の通信Ｉ／Ｆ１１０７）を介して入力されてもよい。あるいは、コンテンツ９１は、予めシステムにおいて設定されていてもよいし、記憶部（図１１のＲＯＭ１１０２やＲＡＭ１１０３）に格納されている任意のプログラムによって設定されてもよい。

レコメンデーションコンテンツ決定部１０７は、コンテンツ９１（メタデータとコンテンツＩＤを含む）と、家族ユーザ２３それぞれのユーザ特徴を、学習済みの視聴スコア予測モデル１１３に入力する。具体的には、レコメンデーションコンテンツ決定部１０７は、コンテンツ９１のそれぞれと登録ユーザ２０のユーザ特徴８２との組み合わせデータ、コンテンツ９１のそれぞれと配偶者ユーザ２１のユーザ特徴８３との組み合わせデータ、コンテンツ９１のそれぞれと子ユーザ２２のユーザ特徴８３との組み合わせデータを、視聴スコア予測モデル１１３に入力する。視聴スコア予測モデル１１３は、当該入力データから、家族ユーザ２３全体の視聴スコア９２を予測して出力する。レコメンデーションコンテンツ決定部１０７は、コンテンツ９１－１～９１－ｎのうち、所定の閾値以上の視聴スコア９２を有するコンテンツを、家族ユーザ２３に対するレコメンデーションコンテンツと決定することができる。所定の閾値は、例えば、０．７である。より高い視聴スコア９２を有するコンテンツは、家族ユーザ２３の少なくともいずれかにより視聴される可能性が高く、レコメンデーションの効果が高い。なお、コンテンツ９１は、学習段階で使用したコンテンツ２６の少なくとも一部を含んでもよい。

このように、視聴スコア予測モデル１１３を用いることにより、家族ユーザ全体へのレコメンドコンテンツを決定することができる。これに加えて、あるいは、これに代えて、レコメンデーションコンテンツ決定部１０７は、家族ユーザを構成する各ユーザに対するレコメンドコンテンツを決定するように構成されてもよい。図９Ｂを参照して、図２における家族ユーザ２３それぞれに対するレコメンデーションコンテンツを決定する手順につい説明する。

図９Ｂにおいて、レコメンデーションコンテンツ決定部１０７は、コンテンツ９１（メタデータとコンテンツＩＤを含む）と、家族ユーザ２３それぞれのユーザ特徴を、学習済みの視聴スコア予測モデル１１３－１～１１３－３に入力する。具体的には、レコメンデーションコンテンツ決定部１０７は、コンテンツ９１のそれぞれと登録ユーザ２０のユーザ特徴８２との組み合わせデータを、視聴スコア予測モデル１１３－１に入力する。同様に、レコメンデーションコンテンツ決定部１０７は、コンテンツ９１のそれぞれと配偶者ユーザ２１のユーザ特徴８３との組み合わせデータを、視聴スコア予測モデル１１３－２に入力し、コンテンツ９１のそれぞれと子ユーザ２２のユーザ特徴８３との組み合わせデータを、視聴スコア予測モデル１１３－３に入力する。視聴スコア予測モデル１１３－１～１１３－３はそれぞれ、当該入力データから、登録ユーザ２０の視聴スコア９２－１、配偶者ユーザ２１の視聴スコア９２－２、および子ユーザ２２の視聴スコア９２－３を予測して出力する。レコメンデーションコンテンツ決定部１０７は、コンテンツ９１－１～９１－ｎのうち、所定の閾値（例えば、０．７）以上の視聴スコアを有するコンテンツを、レコメンデーションコンテンツと決定することができる。図８Ｂの例では、レコメンデーションコンテンツ決定部１０７は、所定の閾値以上の視聴スコア９２－１を有するコンテンツを、登録ユーザ２０に対するレコメンデーションコンテンツと決定することができる。同様に、レコメンデーションコンテンツ決定部１０７は、所定の閾値以上の視聴スコア９２－２を有するコンテンツを、配偶者ユーザ２１に対するレコメンデーションコンテンツと決定し、所定の閾値以上の視聴スコア９２－２を有するコンテンツを、子ユーザ２２に対するレコメンデーションコンテンツと決定することができる。なお、コンテンツ９１は、学習段階で使用したコンテンツ２６の少なくとも一部を含んでもよい。

さらに、レコメンデーションコンテンツ決定部１０７は、視聴スコア９２－１～９２－３から、家族ユーザ２３全体の視聴スコア９３を決定してもよい。例えば、レコメンデーションコンテンツ決定部１０７は、コンテンツ毎に視聴スコア９２－１～９２－３の和を算出し、当該和を視聴スコア９３として決定してよい。あるいは、レコメンデーションコンテンツ決定部１０７は、コンテンツ毎に視聴スコア９２－１～９２－３のそれぞれの最大スコアを抽出し、当該抽出した３つの最大スコアを視聴スコア９３として決定してよい。そして、レコメンデーションコンテンツ決定部１０７は、所定の閾値以上の視聴スコア９３を有するコンテンツを、家族ユーザ２３全体に対するレコメンデーションコンテンツと決定することができる。

レコメンデーションコンテンツ決定部１０７により決定された家族ユーザ２３全体に対するレコメンドコンテンツは、出力部１０８によって、登録ユーザ２０の通信装置１１（例えば、図２のスマートテレビ２５１やタブレット端末２５２）上に表示される。ここで、家族ユーザのいずれかにより視聴されたかに基づくコンバージョン率（ＣＶＲ）を用いて、学習部１０６は、視聴スコア予測モデル１１３（および／または視聴スコア予測モデル１１３－１～１１３－３）をさらに学習させることができる。

［全体の処理の流れ］
図１０に、本実施形態による情報処理装置１０により実行される全体の処理のフローチャートを示す。図１０の説明のために、図１に示した情報処理システムを参照する。

Ｓ１００１において、ユーザ特徴取得部１０１は、通信装置１１－１～１１－Ｎから、各ユーザのユーザ特徴を取得し、ユーザ特徴１２１としてデータ記憶部１２０に格納する。Ｓ１００１の処理は、過去の一定の期間におけるユーザ特徴および推定したユーザ特徴の取得（収集）処理でありうる。

Ｓ１００２において、視聴履歴取得部１０２は、ユーザ１～Ｎのうち、コンテンツ配信サービスに登録している登録ユーザの通信装置１１から、コンテンツの視聴履歴の情報を取得する。視聴履歴の情報は、視聴された各コンテンツのコンテンツＩＤ、メタデータ、および視聴日時（視聴時間）の情報が含まれる。視聴履歴取得部１０２は、取得した視聴履歴の情報を、視聴履歴１２２としてデータ記憶部１２０に格納する。

Ｓ１００３において、ソーシャルグラフ作成部１０３は、Ｓ１００１でデータ記憶部１２０に格納されたユーザ特徴１２１を用いて、ユーザ１～Ｎについてのソーシャルグラフを作成する。ソーシャルグラフ作成部１０３は、ソーシャルグラフにおける各ユーザペアに対して、当該ペアに共通する特徴に基づいて、親密度スコアを割り当てる。ソーシャルグラフの具体的な作成手順は、上述の通りである。

Ｓ１００４において、家族ユーザ予測部１０４は、コンテンツ配信サービスの登録ユーザを識別し、当該登録ユーザを含む家族ユーザを予測する。家族ユーザ予測部１０４は、入力された（設定された）登録ユーザのユーザＩＤを取得し、登録ユーザのユーザＩＤに対応するユーザ特徴（登録ユーザのユーザ特徴）を、ユーザ特徴１２１から取得する。続いて、家族ユーザ予測部１０４は、取得した登録ユーザのユーザ特徴と、Ｓ１００３で作成されたソーシャルグラフとに基づいて、登録ユーザと同居する同居ユーザを予測し、家族ユーザを予測する。家族ユーザの具体的な予測手順は、上述の通りである。

Ｓ１００５において、視聴ユーザ予測部１０５は、Ｓ１００２でデータ記憶部１２０に格納された視聴履歴１２２に含まれる登録ユーザの視聴履歴と、Ｓ１００４で予測された家族ユーザに基づいて、当該視聴履歴に含まれる１以上のコンテンツの視聴ユーザを予測（識別）する。当該予測は、当該１以上のコンテンツのそれぞれと、家族ユーザのそれぞれとの対応付け（アラインメント）に対応する。さらに、視聴ユーザ予測部１０５は、当該対応付けから、視聴履歴１２２に含まれるコンテンツそれぞれと、１以上の視聴ユーザとの組み合わせデータを生成する。当該組み合わせデータには、コンテンツのコンテンツＩＤおよびメタデータと、当該コンテンツに対応付けられた視聴データのユーザ特徴が含まれる。また、当該組み合わせデータには、コンテンツの視聴日時の情報が含まれてもよい。

Ｓ１００６において、学習部１０６は、視聴スコア予測モデル１１３を学習させる。具体的には、学習部１０６は、まず、Ｓ１００５で生成された、コンテンツと視聴ユーザとの組み合わせデータに基づいて、視聴ユーザそれぞれに対応する視聴スコア予測モデル１１３を学習させる。図８Ｂの例では、学習部１０６は、視聴スコア予測モデル１１３－１～１１３－３を学習させる。さらに、学習部１０６は、視聴ユーザそれぞれに対応する視聴スコア予測モデル１１３を統合することによって、家族ユーザ全体に対する視聴スコア予測モデル１１３を生成する。図８Ｃの例では、学習部１０６は、視聴スコア予測モデル１１３－１～１１３－３を統合した視聴スコア予測モデル１１３を生成する。視聴スコア予測モデル１１３の具体的な学習および生成手順は、上述の通りである。

Ｓ１００７において、レコメンデーションコンテンツ決定部１０７は、家族ユーザに対するレコメンデーションコンテンツを決定する。レコメンデーションコンテンツ決定部１０７は、Ｓ１００６で学習された視聴スコア予測モデル１１３を用いて、家族ユーザに対するレコメンデーションコンテンツを決定する。ここで、レコメンデーションコンテンツ決定部１０７は、家族ユーザそれぞれに対するレコメンデーションコンテンツを決定してもよい。レコメンデーションコンテンツの具体的な決定手順は、上述の通りである。

Ｓ１００８において、出力部１０８は、Ｓ１００７で決定されたレコメンデーションコンテンツを、登録ユーザを含む家族ユーザに提示する。例えば、図２を参照すると、出力部１０８は、家族ユーザ２３に対するレコメンデーションコンテンツを、登録ユーザ２０の通信装置１１（例えば、図２のスマートテレビ２５１やタブレット端末２５２）上に表示する。ここで、レコメンデーションコンテンツは、当該コンテンツの一部の画像や、当該コンテンツのタイトルや出演者といった、コンテンツの内容が把握できるように表示されうる。

［情報処理装置１０のハードウェア構成］
図１１は、本実施形態による情報処理装置１０のハードウェア構成の一例を示すブロック図である。
本実施形態による情報処理装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図１１を参照して、情報処理装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。

図１１に示すように、情報処理装置１０は、ＣＰＵ１１０１と、ＲＯＭ１１０２と、ＲＡＭ１１０３と、ＨＤＤ１１０４と、入力部１１０５と、表示部１１０６と、通信Ｉ／Ｆ１１０７と、システムバス１１０８とを備えてよい。情報処理装置１０はまた、外部メモリを備えてよい。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１０１は、情報処理装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス１１０８を介して、各構成部（１１０２～１１０７）を制御する。

ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１１０２は、ＣＰＵ１１０１が処理を実行するために必要な制御プログラム等を記憶する不揮発性メモリである。なお、当該プログラムは、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）１１０４、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の不揮発性メモリや着脱可能な記憶媒体（不図示）等の外部メモリに記憶されていてもよい。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１１０３は、揮発性メモリであり、ＣＰＵ１１０１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ１１０１は、処理の実行に際してＲＯＭ１１０２から必要なプログラム等をＲＡＭ１１０３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。図２に示す学習モデル記憶部１１０とデータ記憶部１２０は、ＲＡＭ１１０３で構成されうる。

ＨＤＤ１１０４は、例えば、ＣＰＵ１１０１がプログラムを用いた処理を行う際に必要な各種データや各種情報等を記憶している。また、ＨＤＤ１１０４には、例えば、ＣＰＵ１１０１がプログラム等を用いた処理を行うことにより得られた各種データや各種情報等が記憶される。
入力部１１０５は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部１１０６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部１１０６は、入力部１１０５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能してもよい。

通信Ｉ／Ｆ１１０７は、情報処理装置１０と外部装置との通信を制御するインタフェースである。
通信Ｉ／Ｆ１１０７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部装置との通信を実行する。通信Ｉ／Ｆ１１０７を介して、外部装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ１１０７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。さらに、ＬＴＥ／３Ｇ、４Ｇ、５Ｇ等の無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。

図３に示す情報処理装置１０の各要素のうち少なくとも一部の機能は、ＣＰＵ１１０１がプログラムを実行することで実現することができる。ただし、図２に示す情報処理装置１０の各要素のうち少なくとも一部の機能が専用のハードウェアとして動作するようにしてもよい。この場合、専用のハードウェアは、ＣＰＵ１１０１の制御に基づいて動作する。

［通信装置１１のハードウェア構成］
図１に示す通信装置１１のハードウェア構成は、図１１と同様でありうる。すなわち、通信装置１１は、ＣＰＵ１１０１と、ＲＯＭ１１０２と、ＲＡＭ１１０３と、ＨＤＤ１１０４と、入力部１１０５と、表示部１１０６と、通信Ｉ／Ｆ１１０７と、システムバス１１０８とを備えうる。通信装置１１は、情報処理装置１０により提供された各種情報を、表示部１１０６に表示し、ＧＵＩ（入力部１１０５と表示部１１０６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。

このように、本実施形態では、登録ユーザを含む家族ユーザが、不特定多数のユーザのユーザ特徴に基づいて作成されたソーシャルグラフから予測される。そして、登録ユーザに対して提供された（すなわち、登録ユーザによって視聴された）複数のコンテンツそれぞれの視聴ユーザが予測（識別）される。当該予測（識別）によって得られた組み合わせデータによって、家族ユーザそれぞれに対するユーザベースの視聴スコア予測モデル１１３（第１学習モデル）が学習され、当該学習された複数の第１学習モデルを統合することによって、家族ユーザ２３全体に対する視聴スコア予測モデル１１３（第２学習モデル）が生成される。生成された視聴スコア予測モデル１１３は、家族ユーザ全体に対するレコメンデーションコンテンツを決定するために使用される。決定されたレコメンデーションコンテンツは、視聴スコア予測モデル１１３の出力である視聴スコア（コンテンツが選択される可能性）がより高いコンテンツである。当該レコメンデーションコンテンツが家族ユーザに提示されることにより、ＣＶＲの向上といった、レコメンデーションの効果の向上が期待される。

なお、上記において特定の実施形態が説明されているが、当該実施形態は単なる例示であり、本発明の範囲を限定する意図はない。本明細書に記載された装置および方法は上記した以外の形態において具現化することができる。また、本発明の範囲から離れることなく、上記した実施形態に対して適宜、省略、置換および変更をなすこともできる。かかる省略、置換および変更をなした形態は、請求の範囲に記載されたものおよびこれらの均等物の範疇に含まれ、本発明の技術的範囲に属する。

本実施形態の開示は以下の構成を含む。
［１］複数のユーザのユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成するグラフ作成手段と、前記関係性グラフを用いて、前記複数のユーザのうち、コンテンツ配信サービスに登録している登録ユーザと、前記登録ユーザと同居する同居ユーザとを含む、家族ユーザを予測する予測手段と、前記コンテンツ配信サービスにより前記登録ユーザに対して提供された複数のコンテンツのそれぞれが、前記家族ユーザのうちの誰によって視聴されたかを識別する識別手段と、前記識別の結果に基づいて、学習モデルにより、前記家族ユーザに対してレコメンドするレコメンデーションコンテンツを決定する決定手段と、を有することを特徴とする情報処理装置。

［２］前記学習モデルは、候補コンテンツの特徴を表すメタデータと、前記家族ユーザのユーザ特徴とを入力して、前記家族ユーザにより前記候補コンテンツが選択される確率を出力するように構成され、前記決定手段は、前記学習モデルを用いて、前記家族ユーザに対する前記レコメンデーションコンテンツを決定する、［１］に記載の情報処理装置。

［３］前記家族ユーザそれぞれの前記ユーザ特徴は、前記家族ユーザそれぞれの行動傾向を含み、前記識別手段は、前記複数のコンテンツのそれぞれが、前記家族ユーザのうちの誰によって視聴されたかを、前記家族ユーザそれぞれの行動傾向に応じて識別する、［１］または［２］に記載の情報処理装置。

［４］前記識別手段は、前記複数のコンテンツのそれぞれについて、コンテンツの特徴を表すメタデータと、コンテンツ視聴したと識別される１以上のユーザの前記ユーザ特徴とを組み合わせた組み合わせデータを、前記識別の結果として生成する、［１］から［３］のいずれかに記載の情報処理装置。

［５］前記学習モデルを生成する学習手段を更に有し、前記学習手段は、前記組み合わせデータを用いて、前記家族ユーザそれぞれについての第１学習モデルを学習させ、前記家族ユーザ全ての前記第１学習モデルを統合した第２学習モデルを、前記学習モデルとして生成する、［４］に記載の情報処理装置。

［６］前記識別手段は、前記複数のコンテンツのそれぞれが、前記家族ユーザのうちの誰によって視聴されたかを、ルールベースで識別する、［１］から［５］のいずれかに記載の情報処理装置。

［７］前記複数のコンテンツは、映画、アニメ、またはドラマを含むカルチャーコンテンツと、広告コンテンツの少なくとも一方を含む、［１］から［６］のいずれかに記載の情報処理装置。

１～Ｎ：ユーザ、１０：情報処理装置、１１－１～１１－Ｎ：通信装置、１０１：ユーザ特徴取得部、１０２：視聴履歴取得部、１０３：ソーシャルグラフ作成部、１０４：家族ユーザ予測部、１０５：視聴ユーザ予測部、１０６：学習部、１０７：レコメンデーションコンテンツ決定部、１０８：出力部、１１０：学習モデル記憶部、１１１：ユーザ特徴予測モデル、１１２：親密度スコア予測モデル、１１２：視聴スコア予測モデル、１２０：データ記憶部、１２１：ユーザ特徴、１２２：視聴履歴

Claims (9)

1. 複数のユーザ間の社会的関係性を示す関係性グラフを用いて、前記複数のユーザのうち、コンテンツ配信サービスに登録している登録ユーザと、前記登録ユーザと同居する同居ユーザとを含む、家族ユーザを予測する予測手段と、
   前記コンテンツ配信サービスにより前記登録ユーザに対して提供された複数のコンテンツのそれぞれが、前記家族ユーザのうちの誰によって視聴されたかを識別する識別手段と、
   前記識別の結果に基づいて、学習モデルにより、前記家族ユーザに対してレコメンドするレコメンデーションコンテンツを決定する決定手段と、
   を有することを特徴とする情報処理装置。
2. 前記学習モデルは、候補コンテンツの特徴を表すメタデータと、前記家族ユーザの前記ユーザ特徴とを入力して、前記家族ユーザにより前記候補コンテンツが選択される確率を出力するように構成され、
   前記決定手段は、前記学習モデルを用いて、前記家族ユーザに対する前記レコメンデーションコンテンツを決定する、
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記家族ユーザそれぞれのユーザ特徴は、前記家族ユーザそれぞれの行動傾向を含み、
   前記識別手段は、前記複数のコンテンツのそれぞれが、前記家族ユーザのうちの誰によって視聴されたかを、前記家族ユーザそれぞれの行動傾向に応じて識別する、
   ことを特徴とする請求項１に記載の情報処理装置。
4. 前記識別手段は、前記複数のコンテンツのそれぞれについて、コンテンツの特徴を表すメタデータと、コンテンツ視聴したと識別される１以上のユーザのユーザ特徴とを組み合わせた組み合わせデータを、前記識別の結果として生成する、
   ことを特徴とする請求項１に記載の情報処理装置。
5. 前記学習モデルを生成する学習手段を更に有し、
   前記学習手段は、前記組み合わせデータを用いて、前記家族ユーザそれぞれについての第１学習モデルを学習させ、
   前記家族ユーザ全ての前記第１学習モデルを統合した第２学習モデルを、前記学習モデルとして生成する、
   ことを特徴とする請求項４に記載の情報処理装置。
6. 前記識別手段は、前記複数のコンテンツのそれぞれが、前記家族ユーザのうちの誰によって視聴されたかを、ルールベースで識別する、
   請求項１に記載の情報処理装置。
7. 前記複数のコンテンツは、映画、アニメ、またはドラマを含むカルチャーコンテンツと、広告コンテンツの少なくとも一方を含む、
   ことを特徴とする請求項１に記載の情報処理装置。
8. 複数のユーザ間の社会的関係性を示す関係性グラフを用いて、前記複数のユーザのうち、コンテンツ配信サービスに登録している登録ユーザと、前記登録ユーザと同居する同居ユーザとを含む、家族ユーザを予測する予測工程と、
   前記コンテンツ配信サービスにより前記登録ユーザに対して提供された複数のコンテンツのそれぞれが、前記家族ユーザのうちの誰によって視聴されたかを識別する識別工程と、
   前記識別の結果に基づいて、学習モデルにより、前記家族ユーザに対してレコメンドするレコメンデーションコンテンツを決定する決定工程と、
   含むことを特徴とする情報処理方法。
9. 情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、
   複数のユーザ間の社会的関係性を示す関係性グラフを用いて、前記複数のユーザのうち、コンテンツ配信サービスに登録している登録ユーザと、前記登録ユーザと同居する同居ユーザとを含む、家族ユーザを予測する予測処理と、
   前記コンテンツ配信サービスにより前記登録ユーザに対して提供された複数のコンテンツのそれぞれが、前記家族ユーザのうちの誰によって視聴されたかを識別する識別処理と、
   前記識別の結果に基づいて、学習モデルにより、前記家族ユーザに対してレコメンドするレコメンデーションコンテンツを決定する決定処理と、を含む処理を実行させるためのものである、
   情報処理プログラム。

Images