JP2012220653A - Change-responsive preference estimation device - Google Patents
Change-responsive preference estimation device Download PDFInfo
- Publication number
- JP2012220653A JP2012220653A JP2011085150A JP2011085150A JP2012220653A JP 2012220653 A JP2012220653 A JP 2012220653A JP 2011085150 A JP2011085150 A JP 2011085150A JP 2011085150 A JP2011085150 A JP 2011085150A JP 2012220653 A JP2012220653 A JP 2012220653A
- Authority
- JP
- Japan
- Prior art keywords
- complexity
- value
- preference
- content
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Auxiliary Devices For Music (AREA)
Abstract
Description
本発明はコンテンツの検索やオーサリング、推薦などにおいて、ユーザのコンテンツに対する嗜好の変化を考慮して、好みを推定する嗜好推定装置に関するものである。 The present invention relates to a preference estimation device that estimates a preference in consideration of a change in a user's preference for content in content search, authoring, recommendation, and the like.
従来、コンテンツの特徴から対象ユーザの嗜好を推定するシステムとして、コンテンツの特徴量を分析し、特徴量とそのコンテンツに対するユーザの嗜好度合いとの対応付けを学習させておき、新規のコンテンツの特徴量を分析する事で、その新規コンテンツに対する好みを推定するものがある。たとえば音楽コンテンツを対象とした場合、各音楽コンテンツをあらわすビートや調性、メロディ構造などをコンテンツの特徴量として利用し、好みを推定する。例えばビート関連の特徴量には、曲の速度を表すテンポや、８ビート、１６ビートなどの基本的なビートの構造を示すビート構造、１／２拍のビートの強度と１／４拍のビート強度の比を表すビート強度比、平均音数、などがある。調性は、ハ長調、ニ短調などの楽曲の基本となる調を指す。メロディ構造を表現する手法には、楽曲の要約を行うＧＴＴＭ（Ｇｅｎｅｒａｔｉｖｅ Ｔｈｅｏｒｙ ｏｆ Ｔｏｎａｌ Ｍｕｓｉｃ）などがある。ＧＴＴＭでは、小節単位や数小節単位の最重要な音を選別し、木構造を作成することで要約を行う。また、ボーカルの声質や楽器構成なども特徴量の一つである。 Conventionally, as a system for estimating the target user's preference from the content features, the content feature amount is analyzed, the correspondence between the feature amount and the user's preference degree for the content is learned, and the new content feature amount There is one that estimates the preference for the new content. For example, when music content is targeted, the preference is estimated by using beats, tonality, melody structure, and the like representing each music content as feature amounts of the content. For example, for beat-related features, the tempo representing the speed of the song, the beat structure indicating the basic beat structure such as 8 beats and 16 beats, the beat strength of 1/2 beat and the beat of 1/4 beat There is a beat intensity ratio representing an intensity ratio, an average number of sounds, and the like. Tonality refers to the key tones of music such as C major and D minor. As a technique for expressing the melody structure, there is a GTTM (General Theory of Tonal Music) that summarizes music. In GTTM, summarization is performed by selecting the most important sounds in units of bars or in units of several bars and creating a tree structure. In addition, vocal voice quality and musical instrument composition are also feature quantities.
音楽コンテンツの特徴量からユーザの嗜好を推定する方式の代表的なものには、Ｐａｎｄｏｒａ Ｍｅｄｉａ， Ｉｎｃ．の音楽推薦システムなどがある（ｗｗｗ．ｐａｎｄｏｒａ．ｃｏｍ， Ｍｕｓｉｃ Ｇｅｎｏｍｅ Ｐｒｏｊｅｃｔ ［特許文献１］）。 A representative method for estimating the user's preference from the feature amount of the music content includes Pandora Media, Inc. Music recommendation system (www.pandora.com, Music Genome Project [Patent Document 1]).
従来の嗜好推定装置の構成例を図１６に示す。この嗜好推定装置は、入力されたコンテンツ１００１からコンテンツ１００１の特徴量を抽出する特徴量抽出部１００２と、ユーザが好む特徴量の類似性から嗜好を推定する嗜好推定部１００３とを備える。特徴量抽出部１００２は、コンテンツが入力されると特徴量を算出して嗜好推定部１００３に入力する。嗜好推定部１００３は、入力された特徴量に基づいてユーザの嗜好を判定し、嗜好判定結果を出力する。
A configuration example of a conventional preference estimation device is shown in FIG. This preference estimation apparatus includes a feature
従来の嗜好推定装置では、リズム、和音等のコンテンツの客観的分析指標に着目しており、ユーザ個々の嗜好特性の変化に基づき、嗜好を推定することが困難であった。嗜好の変化を考慮する場合でも、コンテンツの鑑賞回数により嗜好変化を推定するもので、ユーザがコンテンツを鑑賞して喚起される情動値に基づくものはなかった。 Conventional preference estimation devices focus on objective analysis indexes of content such as rhythms and chords, and it is difficult to estimate preferences based on changes in individual user preference characteristics. Even when a change in preference is taken into consideration, a change in preference is estimated based on the number of times the content is viewed, and there is no one based on an emotional value evoked by the user viewing the content.
このため、コンテンツに対して、時系列的に変化、変動していく嗜好を、ユーザ毎に適格に把握し、嗜好変化に応じた適切なコンテンツを推薦することが困難であった。 For this reason, it has been difficult for each user to appropriately grasp the preference that changes and fluctuates in time series with respect to the content, and to recommend appropriate content according to the preference change.
本発明は、上記事由に鑑みてなされたものであり、コンテンツに対して、時系列的に変化、変動していく嗜好をユーザ毎に適格に把握し、嗜好変化に応じた適切なコンテンツを推薦する嗜好推定装置を提供することを目的とする。 The present invention has been made in view of the above-mentioned reasons, and grasps, for each user, a preference that changes and fluctuates in time series, and recommends appropriate content according to the preference change. An object of the present invention is to provide a preference estimation device.
本発明に係わる変化対応型嗜好推定装置は、コンテンツの特徴量を抽出する特徴量抽出部と、特徴量抽出部で抽出された特徴量を基にコンテンツの複雑性値を算出する複雑性算出部と、特徴量と複雑性値を基に、コンテンツを鑑賞することで喚起される情動値を算出する情動値生成部と、算入された情動値に基づき嗜好の判定を行う嗜好判定部とを備えている。 The change correspondence type preference estimation apparatus according to the present invention includes a feature amount extraction unit that extracts a feature amount of a content, and a complexity calculation unit that calculates a complexity value of the content based on the feature amount extracted by the feature amount extraction unit And an emotion value generation unit that calculates an emotion value aroused by viewing the content based on the feature amount and the complexity value, and a preference determination unit that determines the preference based on the included emotion value ing.
本発明の変化対応型嗜好推定装置は、コンテンツの客観的指標である特徴量に加えて、更に複雑性値を導入し、ユーザ毎に特徴量と複雑性値とに基づき、コンテンツを鑑賞するユーザの情動値を生成することで、嗜好の個人差及び変化を適格に配慮した適切な嗜好推定を可能とする。 The change correspondence type preference estimation apparatus of the present invention introduces a complexity value in addition to a feature quantity that is an objective index of content, and a user who appreciates content based on the feature quantity and the complexity value for each user. By generating the emotion value, it is possible to estimate the preference appropriately considering the individual differences and changes in the preference.
以下本発明の実施の形態について、図面を参照しながら説明する。図面において実質的に同一の部材には同一の符号を付している。 Embodiments of the present invention will be described below with reference to the drawings. In the drawings, substantially the same members are denoted by the same reference numerals.
以下の実施の形態については、音楽をコンテンツの一例として説明する。コンテンツの種類は音楽に限定されることはなく、動画、静止画等、ディジタル化されたデータで表現され、そのコンテンツの特徴を示す属性が抽出されるものであれば、本発明は適用可能である。 In the following embodiments, music will be described as an example of content. The type of content is not limited to music, and the present invention can be applied as long as it is expressed by digitized data such as a moving image or a still image and an attribute indicating the feature of the content is extracted. is there.
（実施の形態１）
図１は、本発明の実施の形態１に係わる変化対応型嗜好推定装置のブロック図である。
(Embodiment 1)
FIG. 1 is a block diagram of a change correspondence type preference estimation apparatus according to
変化対応型嗜好推定装置２０００は、コンテンツ１が入力されると、特徴量、複雑性値、情動値に基づきユーザのコンテンツに対する嗜好が判定され、嗜好判定結果２として出力する。
When the
特徴量抽出部１００は、入力されたコンテンツ１の特徴量を抽出し出力する。特徴量抽出部１００は、入力されたコンテンツ１から、ビートや周波数特性などの音楽特徴量や、画像コンテンツにおけるＳＩＦＴ特徴量などに挙げられるように、コンテンツ１の特徴を表わす特徴量を抽出し出力する。以下は、音楽をコンテンツ１の一例として説明する。
The feature
複雑性算出部２００は、特徴量抽出部１００で抽出されたコンテンツ１の特徴量から、更に複雑性値を算出する。複雑性値とは、音楽の入力刺激としての属性を示す値であり、幾つかの構成要素からなる。詳細は、以下で説明する。
The
情動値生成部３００は、特徴量、複雑性値に基づき、コンテンツ１を鑑賞するユーザの情動値を生成する。情動値とは、コンテンツ１を鑑賞した場合に喚起される、個人毎に異なる快適あるいは不快のレベルを示す値である。あるいは、コンテンツ１を鑑賞した場合に喚起される個人毎に異なる覚醒のレベルである。一般的には、情動値が大きい程、ユーザはそのコンテンツ１を好む、嗜好していると判断される。
The emotion
嗜好判定部４００は、情動値に基づき、ユーザのコンテンツ１に対する嗜好を判定し、嗜好判定結果２を出力する。
The
図２は、本発明の実施の形態１に係わる特徴量抽出部１００と、複雑性算出部２００の構成の一例を示す。
FIG. 2 shows an exemplary configuration of the feature
特徴量抽出部１００は、コンテンツ１から、周波数成分、リズム成分、メロディ成分などの特徴量を抽出し、出力する。特徴量は、これらの成分に限定されない。他にも和音等、種々の音楽の特徴を表すパラメータを選択することも可能である。
The feature
複雑性算出部２００は、抽出されたコンテンツ１の特徴量を分析して、更に、リズム冗長性、リズム典型性、メロディ冗長性、メロディ典型性などの複雑性を示す複雑性値を算出し、出力する。
The
ここで、複雑性値とは、音楽の入力刺激としての属性を示す値であり、例えば、典型性、冗長性などがある。また、冗長性とは、所定単位における音楽のリズムパターンの種類、生起確率を示す情報で、冗長性が高いと複雑性値は低い。 Here, the complexity value is a value indicating an attribute as an input stimulus of music, and includes, for example, typicality and redundancy. Redundancy is information indicating the type of music rhythm pattern and occurrence probability in a predetermined unit. If redundancy is high, the complexity value is low.
次に、典型性とは、音楽の様式のルールから逸脱する度合いを示す情報で、典型性が高いと複雑性値は低い。 Next, typicality is information indicating the degree of deviation from the rules of the style of music. If the typicality is high, the complexity value is low.
これらの典型性、冗長性の複雑性値は、ユーザがコンテンツを繰り返して、あるいは中長期的に鑑賞した場合に、傾向が特に出易い特性を有する。このため、本実施の形態では、中長期的な嗜好の変化を考慮した嗜好判定をする際にも効果がある。 These complexity values of typicality and redundancy have characteristics that tend to be particularly prominent when the user repeats the content or appreciates it over the medium to long term. For this reason, in this Embodiment, it is effective also when performing the preference determination in consideration of the change of preference over the medium to long term.
図３は、音楽の特徴量を時系列で示す一例の図である。図４は、音楽の複雑性値を時系列で示す一例の図である。 FIG. 3 is a diagram illustrating an example of music feature values in time series. FIG. 4 is a diagram illustrating an example of music complexity values in time series.
図３においては、音楽の特徴量の例である、メロディ、ビートが、時系列で示されている。ＭＩＤＩ（Ｍｕｓｉｃａｌ Ｉｎｓｔｒｕｍｅｎｔｓ Ｄｉｇｉｔａｌ Ｉｎｔｅｒｆａｃｅ）のように、音楽データが音符を単位として、時系列で数値化されている。音楽データを数値化する場合の単位は、特に限定する必要はない。また、同時に複数音源、楽器等が存在する場合には、異なる音源、楽器毎に数値化してもよいし、全体として数値化しても良い。 In FIG. 3, melody and beat, which are examples of the feature amount of music, are shown in time series. Like MIDI (Musical Instruments Digital Interface), music data is digitized in time series in units of musical notes. The unit for digitizing the music data need not be particularly limited. Further, when there are a plurality of sound sources, musical instruments, etc. at the same time, they may be digitized for different sound sources, musical instruments, or may be digitized as a whole.
図４において、ビートのデータ、メロディのデータは、四分音符２拍毎などを区切りとする所定単位で区切られる。所定の単位毎に、リズム冗長性、リズム典型性、メロディ冗長性、メロディ典型性が算出される。 In FIG. 4, beat data and melody data are delimited by a predetermined unit such as every second beat of a quarter note. Rhythm redundancy, rhythm typicality, melody redundancy, and melody typicality are calculated for each predetermined unit.
リズム冗長性は、前記所定の単位毎に、時系列のデータとして、例えば、直前の１区切りと同じリズムパターンの時は“１”、違う場合は“０”と算出する。 The rhythm redundancy is calculated as time-series data for each predetermined unit, for example, “1” when the rhythm pattern is the same as the previous one break, and “0” when the rhythm redundancy is different.
リズム典型性に関しては、あらかじめ、オフラインで多数の楽曲のリズムパターンを分析したデータベースを持っておく。あるいは、楽典などから基本的なリズムパターンのデータベースを作成する。リズム典型性は、前記所定の単位毎に、時系列のデータとして、例えば、よく出現するリズムパターンと同じパターンのときは、“１”、違う場合は“０”と算出する。 Regarding the rhythmicity, we have a database that analyzes the rhythm patterns of many songs offline in advance. Or, create a basic rhythm pattern database from music. The rhythm typicality is calculated as time-series data for each predetermined unit, for example, “1” when the pattern is the same as a frequently appearing rhythm pattern, and “0” when the pattern is different.
メロディ冗長性は、前記所定の単位毎に、時系列のデータとして、例えば、直前の１区切りと同じメロディパターンのときは“１”、違う場合は“０”として算出する。 The melody redundancy is calculated as time-series data for each predetermined unit, for example, “1” when the melody pattern is the same as the previous one break, and “0” when it is different.
メロディ典型性に関して、あらかじめ、オフラインで多数の楽曲のメロディをＨＭＭ（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ）などで機械学習させる。メロディ典型性は、前記所定の単位毎に、時系列のデータとして、機械学習の結果と比較し、よくあるメロディ進行の場合は“１”を、あまり無いメロディ進行の場合は“０”と算出する。 Regarding melody typicality, machine learning is performed in advance on a melody of a large number of music offline using an HMM (Hidden Markov Model) or the like. The melody typicality is calculated as time-series data for each predetermined unit as compared with the result of machine learning, and is calculated as “1” when the melody progresses well and “0” when the melody progresses less frequently. To do.
ここで、複雑性値を示すデータとして、リズム冗長性、リズム典型性、メロディ冗長性、メロディ典型性の４つを例に説明した。これは、４つに限定する必要はなく、１つ以上であれば、本発明に適用することが可能である。 Here, four examples of rhythm redundancy, rhythm typicality, melody redundancy, and melody typicality have been described as examples of data indicating complexity values. This need not be limited to four, and can be applied to the present invention as long as it is one or more.
次に、図５のフローチャートを用いて、本発明の実施の形態１に係る変化対応型嗜好推定装置２０００の全体動作を説明する。
Next, the overall operation of the change correspondence
ユーザが鑑賞するコンテンツが、パソコン、ディジタルオーディオ機器、ネットワーク、記憶媒体等から、変化対応型嗜好推定装置２０００に入力される（ステップＳ１００）。 Content that the user appreciates is input from the personal computer, digital audio equipment, network, storage medium, etc., to the change-aware preference estimation device 2000 (step S100).
特徴量抽出部１００が、入力されたコンテンツの特徴量を抽出する（ステップＳ１０１）。この際、ユーザ毎に異なる、可聴出来る周波数帯域や、リズムの聞き分けなどの識別能力情報を別途保持して、各ユーザの識別能力に応じたフィルタをコンテンツ１にかけることで、特徴量の抽出効果を高めても良い。
The feature
複雑性算出部２００は、特徴量抽出部１００で抽出されたコンテンツ１の特徴量から、更に複雑性値を算出する。複雑性値とは、先述のとおり、音楽の入力刺激としての属性を示す値であり、例えば、典型性、冗長性などがあり、さらには、これらの特性をリズム、メロディと組み合わせて算出する（ステップＳ１０２）。本フローでは、所定の単位毎に、時系列のデータとして、リズム冗長性、リズム典型性、メロディ冗長性、メロディ典型性の４種類が算出される。
The
算出された特徴量、複雑性値を基に、コンテンツで喚起されるユーザの情動値が算出される（ステップＳ１０３）。 Based on the calculated feature value and complexity value, the emotion value of the user evoked by the content is calculated (step S103).
先述したように情動値とは、コンテンツを鑑賞した場合に喚起される、個人毎に異なる快適あるいは不快のレベルを示す値である。 As described above, the emotion value is a value that indicates a level of comfort or discomfort that is different for each individual and is aroused when content is viewed.
図６に、情動値の例を時系列で示す。図６（ａ）は覚醒度を時系列で示し、図６（ｂ）は快／不快度を時系列で示している。一般的に、コンテンツを鑑賞して、快適度が高い場合と、覚醒度が高い場合の傾向は同様である。このため、本実施の形態では、情動値を示すものとして快適度で表現する。 FIG. 6 shows an example of emotion values in time series. 6A shows the arousal level in time series, and FIG. 6B shows the comfort / discomfort level in time series. In general, when viewing content, the degree of comfort is high and the degree of arousal is high. For this reason, in this Embodiment, it represents with a comfort level as what shows an emotion value.
なお、ユーザの特定の状況においては、快適度と覚醒度とが同様の傾向を示さず、異なる逆の傾向を示す場合も想定される。例えば、就寝時には、ユーザにとって覚醒度が低いほうが、眠りにつき易く快適度が高いと感じる。これについては、嗜好判定の際に、ユーザの置かれた状況を考慮して嗜好判定する処理方法を後述する。 Note that, in a specific situation of the user, it is also assumed that the comfort level and the arousal level do not show the same tendency but show different opposite tendencies. For example, at the time of going to bed, it is easier for the user to feel better when the awakening level is lower, and the comfort level is higher. With regard to this, a processing method for determining the preference in consideration of the situation where the user is placed in the preference determination will be described later.
算出された情動値を基に、コンテンツをユーザが好むか否かが判定され、出力される（ステップＳ１０４）。 Based on the calculated emotion value, whether or not the user likes the content is determined and output (step S104).
図７に、ステップＳ１０３において情動値を算出した際に用いた、基準複雑性指標を示す。基準複雑性指標は、一般的に標準となる複雑性と快適度の関係を示す指標である。 FIG. 7 shows the reference complexity index used when the emotion value is calculated in step S103. The reference complexity index is an index indicating the relationship between the complexity and the comfort level that are generally standard.
図７において、例えばコンテンツの複雑性値が時系列データを基に、代表値としてｃ１が得られたとする。図７の縦軸の快適度において、Ｔｈは快適と判断される閾値を示す。代表値がｃ１の場合、快適度はｅ１であり、閾値Ｔｈを超えている。このため、代表値ｃ１の場合には、コンテンツは好まれると判定される。 In FIG. 7, for example, it is assumed that the content complexity value c1 is obtained as a representative value based on time-series data. In the comfort level on the vertical axis in FIG. 7, Th indicates a threshold value that is determined to be comfortable. When the representative value is c1, the comfort level is e1, which exceeds the threshold Th. For this reason, in the case of the representative value c1, it is determined that the content is preferred.
次に、コンテンツの複雑性値が時系列データを基に、代表値としてｃ２が得られたとする。図７において代表値がｃ２の場合、快適度はｅ２であり、閾値Ｔｈよりも低い。すると、代表値ｃ２の場合には、コンテンツは好まれないと判定される。 Next, it is assumed that the content complexity value c2 is obtained as a representative value based on time-series data. In FIG. 7, when the representative value is c2, the comfort level is e2, which is lower than the threshold Th. Then, in the case of the representative value c2, it is determined that the content is not preferred.
この判定は、あくまで一例である。複雑性値が複数有り、さらにそれらは時系列のデータであるため、それらから代表値を算出する方法は、種々の方法が考えられる。 This determination is merely an example. Since there are a plurality of complexity values and they are time-series data, various methods are conceivable for calculating the representative value from them.
時系列データから代表値を算出する場合には、ピーク値を選択する、平均値を選択する、上位の複数のピーク値を選択し平均を取るなどがある。 When calculating a representative value from time-series data, there are a method of selecting a peak value, selecting an average value, selecting a plurality of upper peak values, and taking an average.
また複数の複雑性値を用いて代表値を算出する場合には、単純平均値、あるいはパラメータ毎に優先度を付ける、あるいは重みをつけて平均値をとるなどが考えられる。 Further, when calculating a representative value using a plurality of complexity values, a simple average value, a priority for each parameter, or a weighted average value may be considered.
更に、複雑性値を時間関数としてそのまま情動値算出に使っても、処理時間、処理の効率が問題ない場合には、複数種類の複雑性値を時間関数としてそのまま活用し、基準複雑性指標との関係で、情動値を求めても構わない。 Furthermore, if there is no problem in processing time and processing efficiency even if the complexity value is used as it is as a time function for the emotion value calculation, multiple types of complexity values are used as they are as time functions, and the reference complexity index and The emotional value may be obtained from the relationship.
これら以外にも、複雑性値の特徴を示す代表値を算出する方法であれば、上記方法には限定されない。 In addition to these methods, the method is not limited to the above method as long as it is a method for calculating a representative value indicating the feature of the complexity value.
（実施の形態２）
図８に、本発明の実施の形態２に係わる変化対応型嗜好推定装置のブロック図を示す。図９に、本発明の実施の形態２に係る変化対応型嗜好推定装置の全体動作を表すフローチャートを示す。図１０に、本発明の実施の形態２に係る変化対応型嗜好推定装置の詳細動作を表すフローチャートを示す。
(Embodiment 2)
FIG. 8 shows a block diagram of a change correspondence type preference estimation apparatus according to
実施の形態２の図８、９、１０において、実施の形態１の説明で用いた図面と同様の構成要素については、同一の参照符号を付し、説明は省略する。 In FIGS. 8, 9, and 10 of the second embodiment, the same components as those used in the description of the first embodiment are denoted by the same reference numerals, and the description thereof is omitted.
図８の変化対応型嗜好推定装置２０００のブロック図において、図１のブロック図に追加した構成は、更新部５００と、複雑性指標管理部６００である。
In the block diagram of the change correspondence type
更新部５００は、嗜好判定部４００がコンテンツ１への嗜好を判定した後、判定結果に応じて、複雑性指標管理部６００で保持しているユーザ毎の個別複雑性指標を更新する。
After the
複雑性指標管理部６００は、ユーザを識別するためのユーザＩＤと対応付けて、ユーザ毎に異なる個別複雑性指標を管理している。ユーザ毎に異なる個別複雑性指標は、入力されたコンテンツ１の複雑性値を用いて、ユーザ毎に異なる情動値が生成されるのに活用される。具体的には、個別複雑性指標は、ユーザ毎に複雑性値と快適度との関係を示す指標である。
The complexity
次に、図９のフローチャートを用いて、本発明の実施の形態２に係る変化対応型嗜好推定装置２０００の全体動作を説明する。
Next, the overall operation of the change-response-type
ユーザが鑑賞するコンテンツ１が、パソコン、ディジタルオーディオ機器、ネットワーク、記憶媒体等から、変化対応型嗜好推定装置２０００に入力される（ステップＳ１００）。
The
特徴量抽出部１００が、入力されたコンテンツ１の特徴量を抽出する（ステップＳ１０１）。この際、ユーザ毎に異なる、可聴出来る周波数帯域や、リズムの聞き分けなどの識別能力情報を別途保持して、各ユーザの識別能力に応じたフィルタをコンテンツにかけることで、特徴量の抽出効果を高めても良い。
The feature
複雑性算出部２００は、特徴量抽出部１００で抽出されたコンテンツ１の特徴量から、更に複雑性を算出する（ステップＳ１０２）。本フローでは複雑性値として、所定の単位毎に、時系列のデータとして、リズム冗長性、リズム典型性、メロディ冗長性、メロディ典型性の４種類が算出される。
The
算出された複雑性値を基に、複雑性指標管理部６００がユーザＩＤを用いて管理しているユーザ毎に異なる個別複雑性指標から、コンテンツ１で喚起されるユーザの情動値が算出される（ステップＳ２００）。
Based on the calculated complexity value, the emotion value of the user evoked by the
個別複雑性指標は、ユーザ毎に複雑性値と快適度との関係を示すため、同一コンテンツを鑑賞した場合に喚起される情動値は、個人毎に異なる値となる。 Since the individual complexity index indicates the relationship between the complexity value and the comfort level for each user, the emotional value that is aroused when viewing the same content is different for each individual.
算出された情動値を基に、コンテンツ１をユーザが好むか否かが判定され、出力される（ステップＳ２０１）。
Based on the calculated emotion value, it is determined whether or not the user likes the
ユーザがコンテンツ１を好むか否かの嗜好判定結果が出た後、嗜好判定結果、ユーザ本人の評価入力等に応じて、複雑性指標管理部６００が管理している個別複雑性評価指標のデータを更新する。
After the preference determination result indicating whether the user likes the
個別複雑性評価指標を更新する判断材料としては、ユーザ本人のコンテンツを好きか否かの等の評価入力、コンテンツ再生装置の再生音量、再生回数、再生の途中停止等の動作情報、あるいはユーザ本人の脳波等の医学的信号の計測結果などがある。変化対応型嗜好推定装置２０００がコンテンツを嗜好するか否かをより正確に、精度良く判定するために活用あるいは補完できる情報は、個別複雑性評価指標を更新する判断材料として使える。
The criteria for updating the individual complexity evaluation index include evaluation input such as whether or not the user himself / herself likes the content, the playback volume of the content playback device, the number of playbacks, operation information such as playback pause, or the user himself / herself Measurement results of medical signals such as brain waves. Information that can be used or complemented in order to more accurately and accurately determine whether or not the change-aware
次に、図１０のフローチャートを用いて、上述したステップＳ１０２、Ｓ２００の動作について詳述する。 Next, the operations of steps S102 and S200 described above will be described in detail using the flowchart of FIG.
複雑性を算出するステップＳ１０２を、ステップＳ１０２ａと１０２ｂとに分けて説明する。 Step S102 for calculating the complexity will be described separately in steps S102a and 102b.
コンテンツ１の複雑性値を、所定の単位毎に、時系列のデータとして、リズム冗長性、リズム典型性、メロディ冗長性、メロディ典型性の４種類で算出する（ステップＳ１０２ａ）。
The complexity value of the
次に、これら４種類の複雑性値を時間関数としてそのまま情動値算出に使うのは処理が膨大となるため、４種類の複雑性値のデータから、代表値を算出する（ステップＳ１０２ｂ）。 Next, using these four kinds of complexity values as a time function as they are for the emotion value calculation requires a huge amount of processing. Therefore, representative values are calculated from the four kinds of complexity value data (step S102b).
もちろん、ステップＳ１０２ｂにおいて処理時間、処理の効率が問題ない場合には、複数種類の複雑性値を時間関数としてそのまま活用し、個別複雑性指標との関係で、ユーザ毎に情動値を求めても構わない。 Of course, if there is no problem in processing time and processing efficiency in step S102b, a plurality of types of complexity values can be used as they are as time functions, and emotion values can be obtained for each user in relation to individual complexity indicators. I do not care.
次に、複雑性値の代表値、ユーザを示す個別ＩＤ、個別複雑性指標とから、ユーザの情動値を算出する（ステップＳ２００）。 Next, the emotion value of the user is calculated from the representative value of the complexity value, the individual ID indicating the user, and the individual complexity index (step S200).
更に、情動値と閾値に基づき、個別のユーザ毎に、コンテンツ１を嗜好するかを判定する（ステップＳ２０１）。
Furthermore, based on the emotion value and the threshold value, it is determined for each individual user whether the
ここで、図１１、図１２を用いて、ステップＳ２００、Ｓ２０１の動作を更に詳述する。 Here, the operations in steps S200 and S201 will be described in more detail with reference to FIGS.
図１１は、本発明の実施の形態２に係る複雑性指標管理部６００において、ユーザ毎に管理された個別複雑性指標のデータ構造の一例を示す。図１２は、本発明の実施の形態２に係わる情動値生成部３００の動作を示す。
FIG. 11 shows an example of the data structure of the individual complexity index managed for each user in the complexity
図１１において、ユーザＩＤはユーザを識別する情報である。図１１においては、３人のユーザを識別する。 In FIG. 11, a user ID is information for identifying a user. In FIG. 11, three users are identified.
ユーザＩＤ毎に、異なる個別複雑性指標が保持されている。ユーザＩＤが１の場合、複雑性値と快適度の関係が、最も左寄りである。このユーザは、複雑性が大きいコンテンツは原則として好まないことが分かる。音楽であると、単純なパターン、リズムの繰り返し等がより含まれているものを、好む傾向にある。 A different individual complexity index is held for each user ID. When the user ID is 1, the relationship between the complexity value and the comfort level is the leftmost. This user understands that content with large complexity is not preferred in principle. In the case of music, there is a tendency to prefer something that contains more simple patterns, repeated rhythms, and the like.
ユーザＩＤが３の場合、複雑性値と快適度の関係が、最も右寄りである。このユーザは、複雑性が大きいコンテンツを基本的に好むことが分かる。更に、個別複雑性指標を示す曲線と横軸とで囲まれる領域の面積が広いために、許容できるコンテンツの好みが広いと解釈できる。 When the user ID is 3, the relationship between the complexity value and the comfort level is the rightmost. It can be seen that this user basically likes content with large complexity. Furthermore, since the area of the region surrounded by the curve indicating the individual complexity index and the horizontal axis is large, it can be interpreted that the allowable content preference is wide.
ユーザＩＤが２の場合、複雑性値と快適度の関係は、ユーザＩＤが１のもの及びユーザＩＤが３のものと比較すると、真ん中寄りである。このユーザは、ユーザＩＤが１と３との間の、一般的、あるいは平均的なコンテンツを好むユーザと解釈できる。
When the user ID is 2, the relationship between the complexity value and the comfort level is closer to the middle than the user ID of 1 and the user ID of 3. This user can be interpreted as a user who prefers general or average content between
次に、図１２を用いて、ユーザＩＤが１と２の二人について、コンテンツ１の嗜好を判定する場合を説明する。図１２（ａ）は、ユーザＩＤが１の場合の、個別複雑性指標を用いた情動値生成部３００の動作を示し、図１２（ｂ）は、ユーザＩＤが２の場合の、個別複雑性指標を用いた情動値生成部３００の動作を示す。
Next, the case where the preference of the
入力されたコンテンツ１の複雑性値の代表値がｃ３と仮定する。複雑性値の代表値ｃ３に対して、ユーザＩＤが１の場合、快適度（情動値）はｅ３である。同一の複雑性値の代表値ｃ３に対して、ユーザＩＤが２の場合、快適度（情動値）はｅ３’である。ｅ３の情動値は、ｅ３’の情動値よりも大きい。
Assume that the representative complexity value of the
また、先に図７で説明したように、閾値Ｔｈよりもｅ３が大きく、閾値Ｔｈよりもｅ３’が小さい。このため、ユーザＩＤが１のユーザに対しては、コンテンツ１は好まれると判定される。ユーザＩＤが２のユーザに対しては、コンテンツ１は好まれないと判定される。
Further, as described above with reference to FIG. 7, e3 is larger than the threshold Th and e3 'is smaller than the threshold Th. For this reason, it is determined that the
更に、図１２（ａ）の場合には、複雑性指標のピークは、複雑性値ｃ３よりも左側に存在する。このため、コンテンツ１を勧める際には、現時点のコンテンツ１よりも、複雑性が低い、つまり矢印Ａ１の方向のコンテンツを勧めると、更に、ユーザの情動値に適切に対応したものとすることが出来る。
Furthermore, in the case of FIG. 12A, the peak of the complexity index exists on the left side of the complexity value c3. For this reason, when recommending the
更に、図１２（ｂ）の場合には、複雑性指標のピークは、複雑性値ｃ３よりも右側に存在する。このため、コンテンツ１を勧める際には、現時点のコンテンツ１よりも、複雑性が高い、つまり矢印Ａ２の方向のコンテンツを勧めると、ユーザの情動値に適切に対応したものとすることが出来る。
Further, in the case of FIG. 12B, the peak of the complexity index exists on the right side of the complexity value c3. For this reason, when recommending the
図１３を用いて、個別複雑性指標のデータ構造の別の一例について説明する。 Another example of the data structure of the individual complexity index will be described with reference to FIG.
図１３は、本発明の実施の形態２に係る複雑性指標管理部６００において、ユーザ毎に管理された個別複雑性指標のデータ構造の他の一例を示す。
FIG. 13 shows another example of the data structure of the individual complexity index managed for each user in the complexity
先に説明した図１１の個別複雑性評価指標のデータ構造において、各ユーザは１つの複雑性評価指標を有している。 In the data structure of the individual complexity evaluation index of FIG. 11 described above, each user has one complexity evaluation index.
図１３の個別複雑性評価指標のデータ構造は、各ユーザに対してコンテンツ１、コンテンツ２という２つの複雑性評価指標を有している。ここで、複雑性評価指標の数は、２に限定する必要はなく、２以上の複数個を有しても構わない。
The data structure of the individual complexity evaluation index in FIG. 13 has two complexity evaluation indices,
コンテンツ１、コンテンツ２は、それぞれジャンル１、ジャンル２のような意味と考えればよい。例えば、コンテンツにおいて、ポップス、ジャズ、クラシック等のジャンルに応じて、複数の複雑性評価指標を切り替えることにより、コンテンツの嗜好をより正確に判断することが出来る。
また、コンテンツの複雑性値を、所定の単位毎に、時系列のデータとして、リズム冗長性、リズム典型性、メロディ冗長性、メロディ典型性の４種類で説明した。これらのメロディ、リズム毎に、複雑性評価指標を備えて、切り替えても良い。あるいは、典型性、冗長性毎に、複雑性評価指標を備えて、切り替えても良い。 Further, the content complexity value has been described as time-series data for each predetermined unit in four types of rhythm redundancy, rhythm typicality, melody redundancy, and melody typicality. Each melody and rhythm may be switched by providing a complexity evaluation index. Alternatively, the complexity evaluation index may be provided and switched for each typicality and redundancy.
更には、リズム冗長性、リズム典型性、メロディ冗長性、メロディ典型性の４種類の複雑性値毎に、複雑性評価指標を備えて、切り替えても良い。 Furthermore, a complexity evaluation index may be provided and switched for each of four types of complexity values of rhythm redundancy, rhythm typicality, melody redundancy, and melody typicality.
なお、図１３の複雑性指標の数は２つに限定する必要はなく、コンテンツの種類をコンテンツＩＤとして管理することで、２以上の複数、切り替えることが出来る。 Note that the number of complexity indexes in FIG. 13 need not be limited to two, and two or more can be switched by managing the content type as a content ID.
（実施の形態３）
図１４に、本発明の実施の形態３に係る変化対応型嗜好推定装置のブロック図を示す。図１５に、本発明の実施の形態３に係る参照入力部の構成の一例を示す。
(Embodiment 3)
FIG. 14 shows a block diagram of a change correspondence type preference estimation apparatus according to
実施の形態３の図１４において、実施の形態１、実施の形態２の説明で用いた図面と同様の構成要素については、同一の参照符号を付し、説明は省略する。 In FIG. 14 of the third embodiment, the same components as those used in the description of the first and second embodiments are denoted by the same reference numerals, and the description thereof is omitted.
図１４の変化対応型嗜好推定装置２０００のブロック図において、図１、あるいは図８のブロック図に追加した構成は、状況入力部７００と、参照入力部８００と、情動値嗜好ＤＢ９００である。
In the block diagram of the change correspondence type
状況入力部７００は、ユーザがコンテンツ１を選択する状況情報を入力して、コンテンツ１の適切な嗜好判断を可能とする。具体的には、状況情報として、例えば、時間情報、あるいは就寝前後、出勤前、出勤途中、休日、平日、スポーツ、ドライブ、ドライブの場所、天気、などである。ユーザがコンテンツ１の好き嫌いを判断するときに、参考となるのがこれらの状況情報である。これらの状況情報を考慮すると、嗜好判定結果の精度を現実の最新状況にマッチングさせることが可能となる。
The
例えば、スポーツしている場合には、快適度と覚醒度とが両方共に高くなる傾向の情動値を基に嗜好を判定する。就寝前には、快適度と覚醒度が逆の関係、つまり覚醒度が下がるほうが眠りにつきやすく、快適度が高い傾向になる情動値を基に嗜好を判定する。 For example, in the case of sports, preference is determined based on an emotion value that tends to increase both the comfort level and the arousal level. Before going to bed, preference is determined based on the relationship between the comfort level and the arousal level, that is, the emotional value that tends to fall asleep when the awakening level is low and the comfort level tends to be high.
あるいは、快適度を判断する閾値Ｔｈの値を複数備え、状況情報に応じて、閾値Ｔｈを選択して情動値を生成し、嗜好を判定するようにしても良い。 Alternatively, a plurality of threshold Th values for determining the comfort level may be provided, and an emotion value may be generated by selecting the threshold Th according to the situation information, and the preference may be determined.
更には、嗜好判定結果と、状況情報とをリンクさせて、履歴情報としてユーザＩＤ毎に保存しておく。次回の嗜好判定時には、その履歴情報も参考にして、嗜好判定の精度を効率良く上げることが出来る。 Furthermore, the preference determination result and the status information are linked and stored as history information for each user ID. At the next preference determination, the accuracy of the preference determination can be efficiently increased with reference to the history information.
参照入力部８００は、嗜好判定結果が出力された後、個別の複雑性指標を更新するのに活用する参照情報を入力する。
After the preference determination result is output, the
具体的には、参照情報としては、ユーザ本人が判定されたコンテンツを本当に好きか否かの等の評価入力、コンテンツ再生装置の再生音量、再生回数、再生の途中停止等の動作情報、あるいはユーザ本人の脳波等の医学的信号の計測結果などがある。変化対応型嗜好推定装置２０００が判断したコンテンツの嗜好結果をより正確に、精度良く判定するために活用あるいは補完できる判断材料は、参照情報として使える。
Specifically, the reference information includes an evaluation input such as whether or not the user himself / herself really likes the determined content, operation information such as the playback volume of the content playback device, the number of playbacks, and the midway stop of playback, or the user There are measurement results of medical signals such as the person's brain waves. A determination material that can be used or complemented in order to more accurately and accurately determine the content preference result determined by the change correspondence type
特に、実際に使っているユーザ本人の評価は、ユーザが置かれた状況により影響を受ける可能性はあるが、実際の本人の快適度に一番合ったコンテンツかを認識する際に、最も参考となる。例えば、従来の個別複雑性指標に基づくと、あるコンテンツを好きでないと判定されるが、ユーザがそのコンテンツを好きと評価した場合、従来の個別複雑指標を修正あるいは更新する。この場合、閾値Ｔｈが固定と仮定すれば、個別複雑指標の特性を、快適度が上がると判断される方向にシフトして更新する。 In particular, the evaluation of the actual user himself / herself may be affected by the situation where the user is placed, but it is most useful when recognizing the content that best matches the actual comfort level of the actual user. It becomes. For example, based on the conventional individual complexity index, it is determined that the user does not like a certain content, but when the user evaluates that the user likes the content, the conventional individual complexity index is corrected or updated. In this case, if the threshold Th is assumed to be fixed, the characteristic of the individual complex index is shifted and updated in a direction in which it is determined that the comfort level is increased.
また、コンテンツ再生装置の再生音量が大きい場合、あるいは再生回数が多い場合、あるいは再生を途中で停止せずに最後まで再生した場合などは、ユーザが基本的にはコンテンツを好きであると判断できる情報となる。 In addition, when the playback volume of the content playback device is large, when the playback count is large, or when playback is performed to the end without stopping playback, it can be determined that the user basically likes the content. Information.
更には、医学的信号の計測結果は、ユーザの肉体的、心理的変動要素を、ある程度客観的に定量化して数値化できるため、手間はかかるがコンテンツ選択の際の条件として参考に出来る。 Furthermore, the measurement result of the medical signal can be quantified by quantifying the physical and psychological fluctuation factors of the user objectively to some extent, so that it takes time and can be referred to as a condition for selecting the content.
図１５には、参照入力部８００の構成の一例を示す。これら以外にも、嗜好の判断精度を上げるために活用できる情報は、参照入力部８００から適宜入力することが出来る。
FIG. 15 shows an example of the configuration of the
情動値嗜好ＤＢ９００は、嗜好判定部４００が情動値に基づき嗜好を判定する際に、前述した状況情報、参照情報、あるいは過去の嗜好判定結果などをユーザＩＤ毎に、データベースとして保持している。これにより、情動値の結果だけで判断せずに、状況情報、あるいは参照情報、あるいは過去の嗜好判定結果の少なくとも一部を活用することで、ユーザ毎に、コンテンツの嗜好を精度よく判断することが可能となる。
The emotion
なお、実施の形態では、コンテンツが音楽であるとして説明したが、写真や絵画、動画などの映像情報や音楽以外の音情報を含むコンテンツでも構わない。コンテンツが写真の場合は、コンテンツの特徴を表す特徴量が、ＳＩＦＴ特徴量、色特徴量などに変更された構成とすればよい。 In the embodiment, the content is described as music. However, the content may include video information such as photographs, paintings, and moving images, and sound information other than music. When the content is a photograph, the feature amount representing the feature of the content may be changed to a SIFT feature amount, a color feature amount, or the like.
なお、実施の形態では、複雑性値として典型性、冗長性を活用した例を説明したが、これには限定されない。例えば、複雑性値として、これ以外にも、音響信号の規則性に関係してデータ圧縮がし易いものは複雑性が低いと規定し、活用することも可能である。圧縮方式としては、例えばｍｐ３、ＡＡＣ、ＷＭＡ、ＷＡＶなど種々の方式があるが、圧縮方式には限定されない。なお、情動値を生成する際、実施の形態１では基準複雑性指標を用い、実施の形態２では個別複雑性指標を用いた。これら２種類の複雑性指標で得られた情動値を組み合わせて情動値を生成しても良い。例えば、基準複雑性指標により、一般的に広く適用できる基本的な情動値を生成し、個別複雑性指標により個人にピンポイントで適用される個別の情動値を生成する。それら２種類の情動値を所定の割合で加算する、平均値をとる、あるいは重みをつけて演算するなどして最終的な情動値を求め、嗜好の判定に用いても良い。 In the embodiment, the example in which the typicality and the redundancy are utilized as the complexity value has been described. However, the present invention is not limited to this. For example, as the complexity value, it is also possible to specify that the data that can be easily compressed in relation to the regularity of the acoustic signal is low in complexity and can be utilized. There are various compression methods such as mp3, AAC, WMA, and WAV, but the compression method is not limited. Note that when generating the emotion value, the reference complexity index is used in the first embodiment, and the individual complexity index is used in the second embodiment. The emotion values may be generated by combining the emotion values obtained with these two types of complexity indices. For example, basic emotion values that can be generally widely applied are generated based on the reference complexity index, and individual emotion values that are pinpointed to individuals are generated based on the individual complexity index. The final emotion value may be obtained by adding these two types of emotion values at a predetermined ratio, taking an average value, or calculating with a weight, and may be used to determine the preference.
なお、実施の形態では、情動値を生成する際に閾値Ｔｈを１種類として説明した。この閾値Ｔｈは、２個以上備えても構わない。例えば、前述した状況入力部で入力された状況情報に基づき、閾値Ｔｈは複数の値を持ってもよい。 In the embodiment, the threshold value Th is described as one type when the emotion value is generated. Two or more threshold values Th may be provided. For example, the threshold value Th may have a plurality of values based on the situation information input by the situation input unit described above.
更に、実施の形態で示した変化対応型嗜好推定装置２０００のプロセッサおよびそのプロセッサに接続された各種回路に実行させるためのプログラムコードからなるプログラムを、記録媒体に記録すること又は各種通信路等を介して流通させ頒布することもできる。このような記録媒体には、ＩＣカード、ハードディスク、光ディスク、フレキシブルディスク、ＲＯＭなどがある。流通、頒布された制御プログラムはプロセッサに読み出されうるメモリなどに格納されることにより利用に供され、そのプロセッサがその制御プログラムを実行することにより各実施の形態で示したような機能が実現されるようになる。なお、制御プログラムの一部を画像管理装置とは別個のプログラム実行可能な装置（プロセッサ）に各種ネットワークを介して送信して、その別個のプログラム実行可能な装置においてその制御プログラムの一部を実行させることとしてもよい。
Furthermore, the program of the program corresponding to the program of the processor of the change correspondence type
前述の実施の形態で示した変化対応型嗜好推定装置２０００を構成する構成要素の一部又は全部は、１又は複数の集積回路（ＩＣ、ＬＳＩなど）として実装されることとしても良く、画像管理装置の構成要素に更に他の要素を加えて集積回路化（１チップ化）されることとしてもよい。
Part or all of the constituent elements of the change correspondence type
ここでは、ＬＳＩとしたが、集積度の違いにより、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。また、集積回路化の手法はＬＳＩに限るものではなく、専用回路又は汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＬＳＩ内部の回路セルの接続または設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。さらには、半導体技術の進歩又は派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。バイオ技術の適応等が可能性としてありえる。 The name used here is LSI, but it may also be called IC, system LSI, super LSI, or ultra LSI depending on the degree of integration. Further, the method of circuit integration is not limited to LSI's, and implementation using dedicated circuitry or general purpose processors is also possible. An FPGA (Field Programmable Gate Array) that can be programmed after manufacturing the LSI, or a reconfigurable processor that can reconfigure the connection or setting of circuit cells inside the LSI may be used. Further, if integrated circuit technology comes out to replace LSI's as a result of the advancement of semiconductor technology or a derivative other technology, it is naturally also possible to carry out function block integration using this technology. Biotechnology can be applied.
本発明に係る変化対応型嗜好推定装置および変化対応型の嗜好推定方法は、コンテンツの特徴量を抽出する特徴量抽出部と、コンテンツの複雑性値を算出する複雑性算出部と、特徴量と複雑性値を基に情動値を算出する情動値生成部と、情動値に基づき嗜好の判定を行う嗜好判定部とを備え、コンテンツ検索、自動コンテンツ構成、コンテンツ推薦等として有用である。 The change correspondence type preference estimation device and the change correspondence type preference estimation method according to the present invention include a feature amount extraction unit that extracts a feature amount of content, a complexity calculation unit that calculates a complexity value of content, a feature amount, An emotion value generation unit that calculates an emotion value based on a complexity value and a preference determination unit that determines a preference based on the emotion value are useful for content search, automatic content configuration, content recommendation, and the like.
１、１００１ コンテンツ
２ 嗜好判定結果
１００、１００２ 特徴量抽出部
２００ 複雑性算出部
３００ 情動値生成部
４００ 嗜好判定部
５００ 更新部
６００ 複雑性指標管理部
７００ 状況入力部
８００ 参照入力部
９００ 情動値嗜好ＤＢ
1, 1001
Claims (9)
前記特徴量抽出部で抽出された特徴量を基に前記コンテンツの複雑性値を算出する複雑性算出部と、
前記特徴量と前記複雑性値を基に、前記コンテンツを鑑賞することで喚起される情動値を算出する情動値生成部と、
前記算出された情動値に基づき、嗜好の判定を行う嗜好判定部と、
を備えた変化対応型嗜好推定装置。 A feature amount extraction unit for extracting feature amounts of content;
A complexity calculation unit that calculates a complexity value of the content based on the feature amount extracted by the feature amount extraction unit;
An emotion value generator for calculating an emotion value aroused by appreciating the content based on the feature value and the complexity value;
A preference determination unit that performs preference determination based on the calculated emotion value;
The change correspondence type preference estimation apparatus provided with.
ユーザ毎に、前記コンテンツの複雑性値と情動値との関係を示す複雑性指標を管理する複雑性指標管理部を備え、
前記情動値生成部は、前記特徴量、前記複雑性値、及び前記複雑性指標を基に、前記情動値を算出する、
請求項１記載の変化対応型嗜好推定装置。 The change correspondence type preference estimation device further includes:
A complexity index management unit that manages a complexity index indicating a relationship between the content complexity value and the emotion value for each user,
The emotion value generation unit calculates the emotion value based on the feature value, the complexity value, and the complexity index.
The change correspondence type preference estimation apparatus according to claim 1.
請求項１または請求項２記載の変化対応型嗜好推定装置。 The complexity index indicates a correspondence relationship between the complexity value of the content of the user and emotions induced by viewing the content.
The change corresponding | compatible preference estimation apparatus of Claim 1 or Claim 2.
請求項１乃至３のいずれか１項に記載の変化対応型嗜好推定装置。 The complexity calculation unit uses at least one of redundancy and typicality of time-series change of the content when calculating the complexity value.
The change corresponding | compatible preference estimation apparatus of any one of Claims 1 thru | or 3.
前記判定部は、前記算出された情動値と前記状況情報とに基づき、前記状況情報を入力したユーザの嗜好の判定を行う、
請求項１乃至３のいずれか１項に記載の変化対応型嗜好推定装置。 The change correspondence type preference estimation device further includes an input unit for inputting status information,
The determination unit determines the preference of the user who has input the situation information based on the calculated emotion value and the situation information.
The change corresponding | compatible preference estimation apparatus of any one of Claims 1 thru | or 3.
請求項５記載の変化対応型嗜好推定装置。 The change correspondence type preference estimation device further includes an update unit that updates the complexity index based on the preference determination result.
The change correspondence type preference estimation apparatus according to claim 5.
コンテンツの特徴量を抽出する特徴量抽出ステップと、
前記特徴量を基に、前記コンテンツの複雑性値を算出する複雑性値算出ステップと、
前記特徴量、前記複雑性値、及び複雑性指標を基に、前記コンテンツを鑑賞することで喚起される前記ユーザの情動値を算出する情動値生成ステップと、
前記算出された情動値に基づき、嗜好の判定を行う嗜好判定ステップと、
前記嗜好の判定結果に基づき、前記複雑性指標を更新する更新ステップと、
を備えた、変化対応型の嗜好推定方法。 A change-aware preference estimation method that estimates a user's preference for content,
A feature amount extraction step for extracting feature amounts of content;
A complexity value calculating step of calculating a complexity value of the content based on the feature amount;
An emotion value generation step of calculating an emotion value of the user aroused by appreciating the content based on the feature amount, the complexity value, and a complexity index;
A preference determination step for determining preference based on the calculated emotion value;
An update step for updating the complexity index based on the preference determination result;
A change-response-type preference estimation method.
前記コンピュータに、
コンテンツの特徴量を抽出する特徴量抽出ステップと、
前記特徴量を基に、前記コンテンツの複雑性値を算出する複雑性値算出ステップと、
前記特徴量、前記複雑性値、及び複雑性指標を基に、前記コンテンツを鑑賞することで喚起される前記ユーザの情動値を算出する情動値生成ステップと、
前記算出された情動値に基づき、嗜好の判定を行う嗜好判定ステップと、
前記嗜好の判定結果に基づき、前記複雑性指標を更新する更新ステップと、
を実行させる変化対応型の嗜好推定プログラム。 A change correspondence type preference estimation program for causing a computer to function as a change correspondence type preference estimation device for estimating a user's preference for content,
In the computer,
A feature amount extraction step for extracting feature amounts of content;
A complexity value calculating step of calculating a complexity value of the content based on the feature amount;
An emotion value generation step of calculating an emotion value of the user aroused by appreciating the content based on the feature amount, the complexity value, and a complexity index;
A preference determination step for determining preference based on the calculated emotion value;
An update step for updating the complexity index based on the preference determination result;
A change-response-type preference estimation program.
前記特徴量抽出部で抽出された特徴量を基に前記コンテンツの複雑性値を算出する複雑性算出部と、
前記特徴量と前記複雑性値を基に、前記コンテンツを鑑賞することで喚起される情動値を算出する情動値生成部と、
前記算出された情動値に基づき、嗜好の判定を行う嗜好判定部と、
を備えた集積回路。 A feature amount extraction unit for extracting feature amounts of content;
A complexity calculation unit that calculates a complexity value of the content based on the feature amount extracted by the feature amount extraction unit;
An emotion value generator for calculating an emotion value aroused by appreciating the content based on the feature value and the complexity value;
A preference determination unit that performs preference determination based on the calculated emotion value;
Integrated circuit with.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011085150A JP2012220653A (en) | 2011-04-07 | 2011-04-07 | Change-responsive preference estimation device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011085150A JP2012220653A (en) | 2011-04-07 | 2011-04-07 | Change-responsive preference estimation device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2012220653A true JP2012220653A (en) | 2012-11-12 |
Family
ID=47272246
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2011085150A Withdrawn JP2012220653A (en) | 2011-04-07 | 2011-04-07 | Change-responsive preference estimation device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2012220653A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016090646A (en) * | 2014-10-30 | 2016-05-23 | 株式会社ディーアンドエムホールディングス | Audio device and computer readable program |
| WO2019176954A1 (en) * | 2018-03-14 | 2019-09-19 | Casio Computer Co., Ltd. | Machine learning method, electronic apparatus, electronic musical instrument, model generator for part selection, and method of part determination |
| CN117541359A (en) * | 2024-01-04 | 2024-02-09 | 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) | Dining recommendation method and system based on preference analysis |
-
2011
- 2011-04-07 JP JP2011085150A patent/JP2012220653A/en not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016090646A (en) * | 2014-10-30 | 2016-05-23 | 株式会社ディーアンドエムホールディングス | Audio device and computer readable program |
| WO2019176954A1 (en) * | 2018-03-14 | 2019-09-19 | Casio Computer Co., Ltd. | Machine learning method, electronic apparatus, electronic musical instrument, model generator for part selection, and method of part determination |
| CN117541359A (en) * | 2024-01-04 | 2024-02-09 | 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) | Dining recommendation method and system based on preference analysis |
| CN117541359B (en) * | 2024-01-04 | 2024-03-29 | 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) | Dining recommendation method and system based on preference analysis |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Patil et al. | Music in our ears: the biological bases of musical timbre perception | |
| Frühauf et al. | Music on the timing grid: The influence of microtiming on the perceived groove quality of a simple drum pattern performance | |
| Gulati et al. | Automatic tonic identification in Indian art music: approaches and evaluation | |
| WO2021062423A1 (en) | Computing orders of modeled expectation across features of media | |
| Aljanaki et al. | A data-driven approach to mid-level perceptual musical feature modeling | |
| KR101170208B1 (en) | System and method for music recommendation | |
| US20180129659A1 (en) | Identifying media content | |
| US9557957B2 (en) | System and method for developing a model indicative of a subject's emotional state when listening to musical pieces | |
| Tsunoo et al. | Beyond timbral statistics: Improving music classification using percussive patterns and bass lines | |
| Liang et al. | Music genre classification with the million song dataset | |
| Brinker et al. | Expressed music mood classification compared with valence and arousal ratings | |
| JP5657542B2 (en) | Initializing the system to automatically select content based on the user's physiological response | |
| Kulkarni et al. | Child cry classification-an analysis of features and models | |
| JP2012220653A (en) | Change-responsive preference estimation device | |
| Turchet et al. | Music emotion recognition: intention of composers-performers versus perception of musicians, non-musicians, and listening machines | |
| JP2008216486A (en) | Music reproduction system | |
| Lagrange et al. | Explicit modeling of temporal dynamics within musical signals for acoustical unit similarity | |
| JP6722165B2 (en) | Method and apparatus for analyzing characteristics of music information | |
| Dalida et al. | Music mood prediction based on spotify’s audio features using logistic regression | |
| Mihelač et al. | AI based algorithms for the detection of (ir) regularity in musical structure | |
| Wu et al. | Automatic emotion classification of musical segments | |
| Cai et al. | Feature selection approaches for optimising music emotion recognition methods | |
| US11635934B2 (en) | Systems and methods for identifying segments of music having characteristics suitable for inducing autonomic physiological responses | |
| Pesek et al. | Chord estimation using compositional hierarchical model | |
| Nikalaou | Music emotion classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20140701 |