JP2020030529A - 提供装置、提供方法および提供プログラム - Google Patents

Abstract

【課題】投稿が示す情報の識別を容易にすること。【解決手段】本願に係る提供装置は、利用者により投稿された投稿情報であって所定の対象に関する投稿情報から、当該所定の対象の属性を示す属性情報を抽出し、前記投稿情報に基づいて、前記所定の対象が有する属性であって当該抽出された属性情報が示す属性に対する前記利用者の印象を推定する推定部と、前記属性情報と前記推定された印象とを示す印象情報を提供する提供部とを有することを特徴とする。【選択図】図１

Description

本発明は提供装置、提供方法および提供プログラムに関する。

従来、ネットワークを介して様々な情報を利用者に提供する提供技術が知られている。このような提供技術の一例として、電子商取引の取引対象、画像や音声等の各種コンテンツ、各種の店舗等、任意の対象に対する投稿を受付け、受付けた投稿を提供する技術が知られている。

特開２０１３−２０５８７５号公報

しかしながら、上述した技術では、投稿が示す情報を利用者が容易に認識できない場合がある。

例えば、上述した技術では、ある対象に対する投稿を利用者に提供するに過ぎない。このため、ある対象に対して多くの投稿が存在する場合、各投稿が示す総意を利用者が容易に識別するのが困難である。

本願は、上記に鑑みてなされたものであって、投稿が示す情報の識別を容易にすることを目的とする。

本願に係る提供装置は、利用者により投稿された投稿情報であって所定の対象に関する投稿情報から、当該所定の対象の属性を示す属性情報を抽出し、前記投稿情報に基づいて、前記所定の対象が有する属性であって当該抽出された属性情報が示す属性に対する前記利用者の印象を推定する推定部と、前記属性情報と前記推定された印象とを示す印象情報を提供する提供部とを有することを特徴とする。

実施形態の一態様によれば、投稿が示す情報の識別を容易にする。

図１は、実施形態に係る情報提供装置が実行する処理の一例を示す図である。 図２は、実施形態に係る情報提供装置が用いるモデルの一例を説明する図である。 図３は、実施形態に係る情報提供装置の構成例を示す図である。 図４は、実施形態に係る取引対象データベースに登録される情報の一例を示す図である。 図５は、実施形態に係るレビューデータベースに登録される情報の一例を示す図である。 図６は、実施形態に係る情報提供装置が実行する提供処理の流れの一例を示すフローチャートである。 図７は、ハードウェア構成の一例を示す図である。

以下に、本願に係る提供装置、提供方法および提供プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る提供装置、提供方法および提供プログラムが限定されるものではない。また、各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

［実施形態］
〔１．情報提供装置の概要について〕
まず、図１を用いて、提供装置の一例である情報提供装置が実行する処理の一例について説明する。図１は、実施形態に係る情報提供装置が実行する処理の一例を示す図である。図１では、情報提供装置１０は、以下に説明する提供処理を実行する情報処理装置であり、例えば、サーバ装置やクラウドシステム等により実現される。

例えば、情報提供装置１０は、インターネット等の所定のネットワークＮ（例えば、図３参照）を介して、端末装置１００と通信可能である。なお、情報提供装置１０は、任意の数の端末装置１００と通信可能であってよい。

端末装置１０１、１０２（以下、端末装置「１００」と総称する場合がる。）は、スマートフォンやタブレット等のスマートデバイス、ＰＣ（Personal Computer）等、各種の情報処理装置により実現される。例えば、端末装置１００は、各種の情報の表示を行う機能や、各種の情報を任意のサービスに対して投稿する機能を有する。

〔１−１．レビューサイトについて〕
ここで、情報提供装置１０は、利用者により投稿された投稿情報を、他の利用者に対して提供するサービスを提供する。例えば、情報提供装置１０は、利用者から商品や役務等といった各種の取引対象に対するレビューを受付ける。より具体的な例を挙げると、情報提供装置１０は、タイヤ、ホイール、エアロパーツ等、車両に関する各種の部品に対する評価や使用感等を示すテキストをレビューとして受付ける。このような場合、情報提供装置１０は、部品の指定を他の利用者から受付けると、指定された部品の写真や市場の平均価格と共に、指定された部品に対するレビューを提供する。

〔１−２．提供処理について〕
ここで、取引対象に対するレビューを単純に提供した場合、レビューの数が多くなるにつれて、どのような内容のレビューが提供されているかの把握が困難となる。また、このような複数のレビューの内容の把握を容易にするために、例えば、レビューとして登録されたテキストに含まれる単語を抽出し、抽出した単語を利用者に提供する手法が考えられる。例えば、タグクラウドと同様に、レビューにおける出現頻度が高い程、より大きな表示サイズで単語を表示するといった手法が考えられる。しかしながら、このような手法では、レビューを投稿した利用者の取引対象に対する印象を適切に表示しているとは言えない場合がある。

例えば、上述した手法では、ある取引対象に対するレビューに「大きい」という単語が頻出する場合、「大きい」という単語を単純に利用者に対して提供することとなる。しかしながら、上述した手法では、「大きい」という単語を利用者がポジティブに用いているのか、ネガティブに用いているかを利用者に提供していない。このため、例えば、上述した手法では、ある取引対象のレビューにおいて多くの利用者が「大きい」という単語をネガティブに用いているにも関わらず、レビューを閲覧した利用者が「大きい」という単語をポジティブな意見として把握してしまう恐れがある。

すなわち、レビューに含まれる情報であって、レビューに対応する取引対象の見た目、大きさ、色合い、使用感等といった各種の属性を示す属性情報は、レビューと対応する取引対象ごと、あるいは、レビューごとに異なる利用者の印象を示すと考えられる。換言すると、異なる取引対象のレビューに同一の属性情報が含まれているとしても、各属性情報が示す取引対象の属性に対する利用者の印象は、それぞれ異なると考えられる。

そこで、情報提供装置１０は、以下の提供処理を実行する。まず、情報提供装置１０は、利用者により投稿された投稿情報であって所定の対象に関する投稿情報から、所定の対象の属性を示す属性情報を抽出し、投稿情報に基づいて、所定の対象が有する属性であって抽出された属性情報が示す属性に対する利用者の印象を推定する。そして、情報提供装置１０は、属性情報と推定された印象とを示す印象情報を提供する。

例えば、情報提供装置１０は、投稿情報として、利用者により投稿された文字列であるレビューを取得する。ここで、レビューには、「大きい」、「赤い」、「すべすべ」等というように、取引対象の各種属性を示す単語が属性情報として含まれうる。なお、属性情報は、これに限定されるものではなく、例えば、取引対象の外観、形状、色彩、重量、使用感等、取引対象の各種属性を示すものであれば、任意の単語や文節といった文字列が採用可能である。そこで、情報提供装置１０は、レビューから、取引対象の属性を示す単語や文節を属性情報として抽出する。

続いて、情報提供装置１０は、属性情報の抽出元となるレビューと対応する取引対象の属性であって、抽出した属性情報が示す属性に対する利用者の印象を推定する。例えば、情報提供装置１０は、構文解析等の技術を用いて、所定の取引対象に対するレビューが好意的な内容か否定的な内容かを推定する。そして、情報提供装置１０は、属性情報ごとに、好意的なレビューにおける出現頻度と否定的なレビューにおける出現頻度を特定し、特定した各出現頻度に基づいて、属性情報が好意的に用いられているか否定的に用いられているかを推定する。すなわち、情報提供装置１０は、属性情報が示す取引対象の属性に対する利用者の印象を推定する。

そして、情報提供装置１０は、推定した印象と抽出した属性情報とを示す印象情報を生成し、生成した印象情報を利用者に提供する。例えば、情報提供装置１０は、推定した印象に応じた表示態様で、抽出された属性情報を表示するための印象情報を生成する。より具体的な例を挙げると、情報提供装置１０は、属性情報として抽出された文節若しくは単語を、推定された印象と対応する色彩で表示するための印象情報を生成する。

例えば、情報提供装置１０は、「大きい」という単語が好意的に用いられていると推定される場合、すなわち、取引対象の「大きい」という属性に対して利用者が好意的な印象を有すると推定される場合は、「大きい」という単語を赤色で表示するための印象情報を生成する。また、情報提供装置１０は、「大きい」という単語が否定的に用いられていると推定される場合、すなわち、取引対象の「大きい」という属性に対して利用者が否定的な印象を有すると推定される場合は、「大きい」という単語を青色で表示するための印象情報を生成する。

また、情報提供装置１０は、属性情報として抽出された複数の文節若しくは複数の単語を、所定の対象に関する複数の投稿情報における出現頻度に応じた大きさで表示するための印象情報を提供する。例えば、情報提供装置１０は、ある取引対象のレビューにおいて「大きい」という単語の出現頻度が高くなるほど、より大きなフォントサイズで表示するための印象情報を生成する。

そして、情報提供装置１０は、印象情報を利用者が使用する端末装置１００へと送信し、属性情報を、印象に応じた表示態様で表示させる。この結果、例えば、端末装置１００は、利用者に対し、ある取引対象に対して投稿されたレビューが総合的にどのような情報を有しているのかを容易に認識させることができる。例えば、端末装置１００は、ある取引対象の「大きい」という属性に対して多くの利用者が好意的な印象を有する場合は、「大きい」という赤色の文字列を大きなフォントサイズで表示し、ある取引対象の「大きい」という属性に対して多くの利用者が否定的な印象を有する場合は、「大きい」という青色の文字列を大きなフォントサイズで表示することとなる。この結果、端末装置１００を利用する利用者は、レビューの内容を容易に把握することができる。

〔１−３．提供処理の一例〕
続いて、図１を用いて、情報提供装置１０が実行する提供処理の一例について説明する。まず、情報提供装置１０は、取引対象のレビューと、取引対象に対する評価とを受付ける（ステップＳ１）。ここで、取引対象に対する評価とは、取引対象に対して利用者がどのような印象を有しているかの指標となる情報であり、例えば、取引対象に対する５段階評価である。すなわち、取引対象に対する評価とは、利用者が投稿したレビューが示す印象であって、取引対象に対する利用者の印象の指標となる情報である。なお、情報提供装置１０は、様々な取引対象に対し、複数のレビューを受付けるものとする。

このような場合、情報提供装置１０は、取引対象の属性を示す文字列を属性情報として各レビューから抽出する（ステップＳ２）。より具体的には、情報提供装置１０は、取引対象ごとに、利用者が投稿したレビューから、取引対象の属性を示すと推定される文字列を属性情報として抽出する。例えば、情報提供装置１０は、形態素解析の技術を用いて、取引対象の属性を示すと推定される文字列をレビューから抽出する。なお、情報提供装置１０は、辞書データを用いて、レビューから属性情報の抽出を行ってもよい。

例えば、図１に示す例では、情報提供装置１０は、取引対象＃１に対して投稿されたレビュー＃１から、「赤い」、「大きい」、「すべすべ」といった単語を属性情報として抽出する。一方、情報提供装置１０は、取引対象＃２に対して投稿されたレビュー＃２からも、「赤い」、「大きい」、「すべすべ」といった単語を属性情報として抽出する。

続いて、情報提供装置１０は、レビューが示す利用者の印象に基づいて、抽出元のレビューにおいて属性情報が示す取引対象の属性であって、レビューと対応する取引対象の属性に対する利用者の印象を推定する（ステップＳ３）。より具体的には、情報提供装置１０は、所定の対象に対する利用者の印象であって、投稿情報が示す利用者の印象に基づいて、投稿情報から抽出された属性情報が示す属性に対する利用者の印象を推定する。例えば、情報提供装置１０は、利用者の印象として、抽出された属性情報が示す属性に対し、利用者が好意的な印象を有しているか、否定的な印象を有しているかを推定する。

例えば、レビュー＃１と共に５段階評価で「５」が付与されている場合、レビュー＃１は、利用者の取引対象＃１に対する好意的な印象を示していると推定される。そこで、情報提供装置１０は、レビュー＃１から抽出された属性情報であって、取引対象＃１の属性を示す「赤い」、「大きい」、「すべすべ」といった属性情報が、利用者の「ポジティブ」な印象を示すものと推定する。すなわち、情報提供装置１０は、取引対象＃１が有する属性であって、「赤い」、「大きい」、「すべすべ」といった属性情報が示す属性に対する利用者の印象が「ポジティブ」であると推定する。

一方、レビュー＃２と共に５段階評価で「２」が付与されている場合、レビュー＃２は、利用者の取引対象＃２に対する否定的な印象を示していると推定される。そこで、情報提供装置１０は、レビュー＃２から抽出された属性情報であって、取引対象＃２の属性を示す「赤い」、「大きい」、「すべすべ」といった属性情報が、利用者の「ネガティブ」な印象を示すものと推定する。すなわち、情報提供装置１０は、取引対象＃２が有する属性であって、「赤い」、「大きい」、「すべすべ」といった属性情報が示す属性に対する利用者の印象が「ネガティブ」であると推定する。

ここで、情報提供装置１０は、利用者からレビューの閲覧対象となる取引対象の指定を受付ける（ステップＳ４）。このような場合、情報提供装置１０は、指定された取引対象ごとに、レビューから抽出した属性情報を、属性情報が示す属性に対する利用者の印象に応じた表示態様で表示させる印象情報を生成する（ステップＳ５）。例えば、情報提供装置１０は、属性情報を、推定された印象と印象の強さとに応じた表示態様で表示するための印象情報を提供する。また、例えば、情報提供装置１０は、属性情報を、所定の対象に関する複数の投稿情報における出現頻度に応じた表示態様で表示するための印象情報を提供する。また、情報提供装置１０は、属性情報として抽出された複数の文節若しくは複数の単語を、推定された印象の類似性に応じた位置に配置して表示するための印象情報を提供してもよい。

以下、取引対象＃１に対するレビューから、「ボルドー」、「赤い」、「色が良い」、「滑らか」、「すべすべ」、「手触りが良い」、「お得」、「大きい」といった文字列が属性情報として抽出され、各属性情報が示す取引対象＃１の属性に対し、利用者の印象が「ポジティブ」であると推定されたものとする。例えば、閲覧対象として取引対象＃１が指定された場合、情報提供装置１０は、取引対象＃１に対するレビューから抽出された属性情報を特定するとともに、ステップＳ３において推定された各属性情報が示す属性に対する利用者の印象を特定する。また、情報提供装置１０は、取引対象＃１に対するレビューを参照し、各属性情報の出現頻度を特定する。

そして、情報提供装置１０は、各属性情報を、推定された利用者の印象「ポジティブ」と特定した出現頻度とに対応する表示態様で表示させるための印象情報＃１を生成する。例えば、情報提供装置１０は、図１に示すように、「ボルドー」、「赤い」、「色が良い」、「滑らか」、「すべすべ」、「手触りが良い」、「お得」、「大きい」といった文字列を含むコンテンツを印象情報＃１として生成する。ここで、印象情報＃１は、画像であってもよく、ＣＳＳ（Cascading Style Sheets）やＨＴＭＬ（Hyper Text Markup Language）等、各文字列を表示させるためのスクリプトであってもよい。

また、情報提供装置１０は、図１に示すように、「ボルドー」、「赤い」、「色が良い」、「滑らか」、「すべすべ」、「手触りが良い」、「お得」、「大きい」といった文字列の色彩を、印象「ポジティブ」と対応する色彩（図１に示す例では、濃い黒色）に設定する。

また、情報提供装置１０は、「ボルドー」、「赤い」、「色が良い」、「滑らか」、「すべすべ」、「手触りが良い」、「お得」、「大きい」といった文字列の表示サイズを、取引対象＃１のレビューにおける各文字列の出現頻度に応じたサイズに設定する。例えば、情報提供装置１０は、「赤い」、「大きい」、「すべすべ」といった文字列の出現頻度が他の文字列の出現頻度よりも高い場合は、図１に示すように、「赤い」、「大きい」、「すべすべ」といった文字列の表示サイズを他の文字列の表示サイズよりも大きい表示サイズに設定する。

また、情報提供装置１０は、「ボルドー」、「赤い」、「色が良い」、「滑らか」、「すべすべ」、「手触りが良い」、「お得」、「大きい」といった文字列を、各文字列が示す属性の類似性に応じた位置に配置する。例えば、情報提供装置１０は、取引対象＃１に対するレビューにおいて、各単語が示す意味の類似性を学習したモデルを用いて、各文字列が示す意味の類似性、すなわち、属性の類似性を特定し、相互に類似する属性を示す文字列間の距離を狭め、相互の類似しない属性を示す文字列環の距離を広げる。なお、このようなモデルは、例えば、ＤＮＮ（Deep Neural Network）等の各種分類器により実現可能である。例えば、図１に示す例では、情報提供装置１０は、「ボルドー」、「赤い」、「色が良い」という単語を所定の領域内に配置するとともに、「滑らか」、「すべすべ」、「手触りが良い」という単語を他の領域内に配置する。また、情報提供装置１０は、「お得」、「大きい」という単語をさらに他の領域内に配置する。

続いて、取引対象＃２に対するレビューから、「ボルドー」、「赤い」、「色が好きじゃない」、「使いづらい」、「すべすべ」、「危険」、「邪魔」、「大きい」といった文字列が属性情報として抽出され、各属性情報が示す取引対象＃２の属性に対し、利用者の印象が「ネガティブ」であると推定されたものとする。このような場合、情報提供装置１０は、閲覧対象として取引対象＃２の指定を受付けると、図１に示すように、「ボルドー」、「赤い」、「色が良い」、「滑らか」、「すべすべ」、「手触りが良い」、「お得」、「大きい」といった文字列の色彩を、印象「ネガティブ」と対応する色彩（図１に示す例では、灰色）に設定した印象情報＃２を生成する。

また、情報提供装置１０は、「ボルドー」、「赤い」、「色が好きじゃない」、「使いづらい」、「すべすべ」、「危険」、「邪魔」、「大きい」といった文字列の表示サイズを、取引対象＃１のレビューにおける各文字列の出現頻度に応じたサイズに設定する。また、情報提供装置１０は、「ボルドー」、「赤い」、「色が好きじゃない」、「使いづらい」、「すべすべ」、「危険」、「邪魔」、「大きい」といった文字列を、各文字列が示す属性の類似性に応じた位置に配置する。

そして、情報提供装置１０は、生成した印象情報＃１若しくは印象情報＃２を、利用者に対して提供する（ステップＳ６）。この結果、利用者は、取引対象＃１や取引対象＃２に対するレビューの内容を容易に識別することができる。例えば、利用者は、印象情報＃１から、取引対象＃１の利点として、色彩が「赤い」色であり、「すべすべ」の手触りを有し、寸法が「大きい」旨を一目で認識するとともに、各属性がどれくらい評価されているかを認識することができる。また、利用者は、印象情報＃２から、取引対象＃２の欠点として、色彩が「赤い」色であり、「すべすべ」の手触りを有し、寸法が「大きい」旨を一目で認識するとともに、欠点となる各属性がどれくらい指摘されているかを識別することができる。

〔１−４．レビューと属性情報とについて〕
上述した例では、情報提供装置１０は、取引対象に対するレビューから属性情報を抽出した。ここで、情報提供装置１０は、任意の単位の情報から属性情報の抽出を行ってよい。例えば、情報提供装置１０は、利用者が投稿した投稿情報全体（すなわち、レビュー全体）から属性情報を抽出してもよく、投稿情報を複数の情報（例えば、複数の文章）に分解し、分解した各情報から属性情報を抽出してもよい。

例えば、情報提供装置１０は、構文解析の技術を用いて、レビューからポジティブな印象を示す文章とネガティブな印象を示す文章とを抽出する。なお、情報提供装置１０は、文章ではなく、文節の抽出を行ってもよい。また、情報提供装置１０は、ポジティブな文章から抽出された属性情報については、属性情報が示す取引対象の属性に対する利用者の印象がポジティブであると推定し、ネガティブな文章から抽出された属性情報については、属性情報が示す取引対象の属性に対する利用者の印象がネガティブであると推定してもよい。このような処理を実行する場合、情報提供装置１０は、レビューに対応する評価を考慮してもよく、考慮せずともよい。例えば、情報提供装置１０は、レビューに対応する評価の高低に応じて、レビューに含まれる文章のポジティブの度合やネガティブの度合を補正してもよい。

また、情報提供装置１０は、同一のレビューから利用者がポジティブな印象を有する属性を示す属性情報と、利用者がネガティブな印象を有する属性を示す属性情報とを抽出してもよい。例えば、情報提供装置１０は、ポジティブな文章から抽出された属性情報については、赤色で表示し、ネガティブな文章から抽出された属性情報については、青色で表示する印象情報を生成してもよい。

また、情報提供装置１０は、ある属性情報が含まれる範囲の文脈に基づいて、その属性情報が示す属性に対する利用者の印象を推定してもよい。例えば、情報提供装置１０は、「赤い」という属性情報を含む文脈がポジティブであるかネガティブであるかに応じて、「赤い」という属性情報が示す属性に対する利用者の印象を推定してもよい。

なお、文章ごと、あるいは文脈ごとに利用者の印象を推定した場合、同一のレビューから抽出された同一の属性情報に対して、異なる印象が推定される場合がある。例えば、レビューによっては、「赤い」という単語を含む文章であって「ポジティブ」な利用者の印象を示す文章と、「赤い」という単語を含む文章であって「ネガティブ」な利用者の印象を示す文章とが含まれる場合がある。このような場合、情報提供装置１０は、「赤い」という単語を含む文章のうち「ポジティブ」である文章の数と「ネガティブ」である文章の数とを特定し、特定した数の比較結果や比率等に応じて、「赤い」という単語が「ポジティブ」な印象で用いられているか「ネガティブ」な印象で用いられているかを推定してもよい。

また、情報提供装置１０は、ある取引対象に対する複数のレビューから抽出された属性情報のうち、出現頻度が所定の条件を満たす属性情報のみを表示対象とする印象情報を生成してもよい。例えば、情報提供装置１０は、出現頻度が所定の閾値を超える属性情報について、印象情報の生成を行ってもよい。また、情報提供装置１０は、ある取引対象に対する全レビューにおけるＴＦ−ＩＤＦ（Term Frequency-Inverse Document Frequency）を属性情報ごとに算出し、算出したＴＦ−ＩＤＦの値が所定の閾値を超える属性情報について、印象情報の生成を行ってもよい。

〔１−５．印象について〕
ここで、上述した説明では、情報提供装置１０は、取引対象の属性に対する利用者の印象が好意的であるか否定的であるかの推定を行った。しかしながら、実施形態は、これに限定されるものではない。情報提供装置１０は、利用者の印象を推定するのであれば、任意の粒度で利用者の印象を推定してもよい。例えば、情報提供装置１０は、好意的であるか、および否定的であるかに加えて、好意的でも否定的でもない中性的であるか否かを推定してもよい。また、情報提供装置１０は、「好き」、「嫌い」、「許容可能」、「許容不可能」、「推薦したい」、「推薦したくない」というように、利用者が有する任意の印象を推定してもよい。

例えば、情報提供装置１０は、文章ごとに、利用者が「好き」、「嫌い」、「許容可能」、「許容不可能」、「推薦したい」、「推薦したくない」のうちどの印象を示しているかを推定する。このような推定技術については、構文解析等、各種利用者の印象を推定する任意の技術が適用可能である。そして、情報提供装置１０は、文章について推定した利用者の印象と、その文章から抽出された属性情報とを紐付けることで、属性情報が示す属性に対する利用者の印象を推定すればよい。

また、情報提供装置１０は、利用者が有する印象の強さ（すなわち、度合）を推定してもよい。より具体的には、情報提供装置１０は、所定の対象に対する利用者の印象と、印象の強さとを推定し、属性情報と、推定部により推定された印象と、印象の強さとを示す印象情報を提供してもよい。

例えば、情報提供装置１０は、ある属性情報を含む文章のうちポジティブな文章の数とネガティブな文章の数とを特定し、ポジティブな文章の数からネガティブな文章の数を減算した値を、ポジティブな印象を有する度合として算出してもよい。また、情報提供装置１０は、各文章の比率に基づいて、属性情報が示す属性に対する利用者の印象がポジティブであるかネガティブであるかの度合を算出してもよい。また、情報提供装置１０は、例えば、ポジティブな文章におけるＴＦ−ＩＤＦの値と、ネガティブな文章におけるＴＦ−ＩＤＦの値とに基づいて、印象の度合を算出してもよい。なお、情報提供装置１０は、属性情報が示す属性に対して利用者がどれくらい強い印象を有しているかを示す数値を算出するのであれば、任意の印象についての度合を任意の手法により算出してよい。

そして、情報提供装置１０は、印象の強さに応じた表示態様で、属性情報を表示させる印象情報を生成する。例えば、情報提供装置１０は、ポジティブであればある程赤色に近づき、ネガティブであればあるほど青色に近づくように、属性情報となる文字列の色彩を設定してもよい。また、情報提供装置１０は、印象の強さに応じた透明度や彩度で文字列を表示させる印象情報を生成してよい。

〔１−６．表示態様について〕
上述した例では、情報提供装置１０は、属性情報が示す属性に対する利用者の印象に応じた色彩、出現頻度に応じた大きさ、類似性に応じた配置、若しくは印象の強さに応じた表示態様で、属性情報となる文字列を表示させる印象情報を生成した。しかしながら、実施形態は、これに限定されるものではない。すなわち、情報提供装置１０は、利用者の印象、出現頻度、類似性若しくは印象の強さを示すことができるのであれば、任意の態様で属性情報を表示させる文字列を表示させる印象情報を生成してよい。

また、情報提供装置１０は、文字列ではなく、例えば、属性情報が示す属性を示す画像を、属性に対する利用者の印象に対応した表示態様で表示させる印象情報を生成してもよい。例えば、情報提供装置１０は、「赤い」の出現頻度に応じた表示サイズの画像であって「赤い」色の画像を表示させる印象情報を生成してもよい。

〔１−７．モデルを用いた処理について〕
ここで、情報提供装置１０は、ＤＮＮ等のモデルを用いて、投稿情報から属性情報の抽出と利用者の印象の推定とを実行してもよい。例えば、情報提供装置１０は、投稿情報から属性情報と、投稿情報を投稿した利用者の属性情報が示す属性に対する印象とを推定する推定モデルを用いて、投稿情報から投稿情報を投稿した利用者の印象を推定してもよい。例えば、情報提供装置１０は、推定モデルとして、所定の投稿情報が入力された場合に、所定の投稿情報に含まれる属性情報と、属性情報が示す属性に対する利用者の印象を示す情報とを出力するように学習が行われたモデルを用いて、利用者の印象を推定してもよい。また、情報提供装置１０は、例えば、推定モデルとして、所定の投稿情報が入力された場合に、所定の投稿情報に含まれる属性情報と、属性情報が示す属性に対する利用者の印象を示す情報と、印象の強さを示す情報とを出力するように学習が行われたモデルを用いて、利用者の印象を推定してもよい。

例えば、図２は、実施形態に係る情報提供装置が用いるモデルの一例を説明する図である。例えば、情報提供装置１０は、モデルとして、それぞれ個別の重み関数が設定された接続経路により多層に接続された複数のノードであって、シグモイド関数等に応じて前段のノードから入力された値に対応する値を次段のノードへと出力する複数のノードを有するＤＮＮを用いる。なお、ＤＮＮは、ＣＮＮ（Convolutional Neural Network）やＲＮＮ（Recurrent Neural Network）であってもよい。また、ＲＮＮは、ＬＳＴＭ（Long short-term memory）等であってもよい。

続いて、情報提供装置１０は、学習データとして、取引対象と、その取引対象に対するレビューと、その取引対象に対する評価とを取得する。また、情報提供装置１０は、学習データの取引対象から抽出される属性情報と、各属性情報が示す属性に対する利用者の印象の度合を示す印象値を取得する。例えば、情報提供装置１０は、利用者が好意的な印象を有している場合は正、否定的な印象を有している場合は負の値となる印象値を取得する。また、情報提供装置１０は、各属性情報が示す属性の類似性を示す情報として、類似する属性を示す属性情報を示すグループ情報を取得する。なお、このような学習データは、例えば、実際に投稿されたレビューや評価を用いてもよく、レビューや評価から各種の構文解析技術や、クラウドソージング等を用いて抽出された属性情報、印象値、グループ情報を採用すればよい。また、グループ情報は、例えば、ｗｏｒｄ２ｖｅｃ等の技術により生成されたものであってもよい。

このような学習データが得られた場合、情報提供装置１０は、取引対象を示す情報と、レビューと、評価とを入力した際に、属性情報と、各属性情報の印象値と、グループ情報とを出力するように、バックプロパゲーション等の技術を用いて、モデルの学習を行う。例えば、情報提供装置１０は、取引対象を示す情報と、レビューと、評価とを入力した際に、モデルが出力する情報が、学習データとして取得した属性情報と、各属性情報の印象値と、グループ情報とに近づくように、モデルの学習を行えばよい。

このような学習が行われたモデルは、レビューを入力した際に、レビューに含まれる属性情報を抽出するとともに、各属性ごとに利用者の印象を示す印象値を出力する。また、モデルは、各属性情報の類似性に応じたグループを示す情報を出力する。例えば、図２に示す例では、モデルは、取引対象＃１、レビュー＃１、および評価を示す情報が入力された場合に、レビュー＃１に含まれる単語＃１−１〜＃１−３、＃２−１〜＃２−３を属性情報として出力するとともに、各単語＃１−１〜＃１−３、＃２−１〜＃２−３が示す属性であって、取引対象＃１が有する属性に対する利用者の印象を示す印象値＃１−１〜＃１−３、＃２−１〜＃２−３を出力することとなる。また、モデルは、相互に意味が類似する単語＃１−１〜＃１−３を印象グループ＃１として出力し、相互に意味が類似する単語＃２−１〜＃２−３を印象グループ＃２として出力する。

このようなモデルを用いて、情報提供装置１０は、閲覧対象として指定された取引対象のレビューから属性情報の抽出および利用者の印象の推定を行い、属性情報と推定した印象とを示す印象情報の生成を行ってもよい。

なお、情報提供装置１０は、例えば、取引対象やレビューに加えて、構文解析等の技術によりレビューから抽出された単語をモデルに入力し、モデルから各単語の印象値とグループ情報とを出力するように、モデルの学習を行ってもよい。また、情報提供装置１０は、取引対象ごとにモデルを生成するのであれば、取引対象を示す情報を入力せずともよい。

〔１−８．適用対象について〕
上述した例では、情報提供装置１０は、車両に関する各種の部品に対する評価や使用感等を示すテキストをレビューとして受付けた。しかしながら、実施形態は、これに限定されるものではない。情報提供装置１０は、何かしらの対象について投稿された投稿情報から、対象が有する属性を示す属性情報を抽出し、抽出した属性情報が示す属性に対する利用者の印象を推定するのであれば、任意の対象について、上述した提供処理を実行して良い。

例えば、情報提供装置１０は、電子商店街に出品された取引対象のレビューを受付け、受付けたレビューから属性情報を抽出し、属性情報が示す属性に対する利用者の印象を推定し、推定した印象を示す印象情報を提供してもよい。また、情報提供装置１０は、ニュースに対するレビューから、ニュースの属性（例えば、内容、キャスター、製作者等）を示す属性情報を抽出し、抽出した属性情報が示す属性に対する利用者の印象を推定してもよい。また、情報提供装置１０は、各種のキュレーションサイトにおいて提供されているウェブコンテンツについてのレビューから、属性情報の抽出や利用者の印象の推定を行ってもよい。

また、情報提供装置１０は、取引対象毎にではなく、カテゴリ毎に属性情報の抽出や印象の推定を行ってもよい。例えば、情報提供装置１０は、所定のメーカーが販売するホイールに関するレビューから属性情報を抽出し、抽出した属性情報が示す属性であって、そのメーカーが販売するホイール全般における属性に対する利用者の印象を推定してもよい。すなわち、情報提供装置１０は、共通する提供者により提供される取引対象や、所定のカテゴリに属する取引対象ごとに、利用者の印象の推定を行ってもよい。

すなわち、情報提供装置１０は、任意の対象に対するレビューから、レビューに含まれる文字列が示す情報であって、対象の属性を示す情報を属性情報として抽出し、抽出した属性情報と共に、それらのレビューにおいてその属性情報がどのような観点で用いられているか、すなわち、属性情報が示す属性に対して利用者のどのような印象を有しているかを示すことができるのであれば、任意の対象に対して上述した処理を適用して良い。

〔２．情報提供装置が有する機能構成の一例について〕
以下、上記した検出処理および配信処理を実現する情報提供装置１０が有する機能構成の一例について説明する。図３は、実施形態に係る情報提供装置の構成例を示す図である。図３に示すように、情報提供装置１０は、通信部２０、記憶部３０、および制御部４０を有する。

通信部２０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部２０は、ネットワークＮと有線または無線で接続され、任意の装置との間での情報の送受信を行う。

記憶部３０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現されてる。また、記憶部３０は、取引対象データベース３１、レビューデータベース３２および推定モデル３３を記憶する。

取引対象データベース３１には、レビューの対象、すなわち、取引対象に関する情報が登録される。例えば、図４は、実施形態に係る取引対象データベースに登録される情報の一例を示す図である。図４に示すように、取引対象データベースには、「取引対象ＩＤ（Identifier）」、「カテゴリ」、「取引対象情報」、および「印象情報」といった項目を有する情報が登録される。

ここで、「取引対象ＩＤ」とは、レビューの対象、すなわち取引対象を識別する識別子である。また、「カテゴリ」とは、取引対象が属するカテゴリを示す情報である。なお、カテゴリ情報は、階層構造を有するカテゴリを示す情報であってもよい。また、「取引対象情報」とは、取引対象の名称、写真、メーカー、市場平均価格等、取引対象に関する各種の情報である。また、「印象情報」とは、対応付けられた「取引対象ＩＤ」が示す取引対象について生成された印象情報である。

なお、図４に示す例では、「取引対象ＩＤ＃１」、「カテゴリ＃１」、「取引対象情報＃１」、および「印象情報＃１」といった概念的な値を記載したが、実際には、取引対象データベース３１には、取引対象を識別する数値や文字列、カテゴリを示す数値や文字列
取引対象の名称やメーカー等を示す文字列や写真データ、印象情報として生成されたＨＴＭＬ、ＣＳＳ、若しくは画像のデータ等が登録されることとなる。また、図４に示す情報以外にも、取引対象データベース３１には、取引対象に関する任意の情報が登録されていてよい。

例えば、図４に示す例では、取引対象データベース３１には、取引対象ＩＤ「取引対象ＩＤ＃１」が示す取引対象が、カテゴリ「カテゴリ＃１」に属しており、その取引対象に関する情報として、取引対象情報「取引対象情報＃１」が登録されている。また、取引対象データベース３１には、取引対象ＩＤ「取引対象ＩＤ＃１」が示す取引対象が有する属性について利用者の印象を示す印象情報「印象情報＃１」が登録されている。

図２に戻り、説明を続ける。レビューデータベース３２には、取引対象に対する各種の投稿情報、すなわち、レビューが登録されている。例えば、図５は、実施形態に係るレビューデータベースに登録される情報の一例を示す図である。図５に示すように、レビューデータベースには、「レビューＩＤ」、「レビュー」、「評価」、「取引対象ＩＤ」、「属性情報」、「印象グループ」、および「印象値」といった項目を有する情報が登録される。

ここで、「レビューＩＤ」とは、レビューを識別するための識別子である。また、「レビュー」、は、利用者から投稿されたレビューのデータである。また、「評価」、とは、レビューと共に投稿された取引対象に対する評価である。また、「取引対象ＩＤ」、とは、レビューと対応する取引対象の取引対象ＩＤである。また、「属性情報」、とは、対応付けられたレビューから抽出された単語等の属性情報である。また、「印象グループ」、とは、属性情報が属する印象グループを示す情報である。また、「印象値」とは、対応付けられた「属性情報」が示す属性に対する利用者の印象を示す印象値である。

なお、図５に示す例では、「レビューＩＤ＃１」、「レビュー＃１」、「属性情報＃１−１」、「印象グループ＃１−１」、「印象値＃１−１」といった概念的な情報を記載したが、実際には、レビューを識別する数値や文字列、レビューとして投稿されたテキストや写真、属性情報として抽出された単語や文節の文字列、印象グループを示す数値や文字列、利用者の印象や印象の度合を示す数値等が登録されることとなる。

例えば、図５に示す例では、レビューデータベース３２には、レビューＩＤ「レビューＩＤ＃１」が示すレビューとして、レビュー「レビュー＃１」が登録されており、かかるレビューと共に登録された評価が評価「５／５」である旨を示す情報が登録されている。また、レビューデータベース３２には、レビュー「レビュー＃１」が取引対象ＩＤ「取引対象＃１」が示す取引対象のレビューとして登録されている旨を示す情報が登録されている。また、レビューデータベース３２には、レビュー「レビュー＃１」から属性情報「属性情報＃１−１」が抽出されており、かかる属性情報「属性情報＃１−１」が印象グループ「印象グループ＃１−１」に属し、属性情報が示す属性に対する利用者の印象を示す印象値が印象値「印象値＃１−１」である旨を示す情報が登録されている。

図３に戻り、説明を続ける。推定モデル３３は、レビューから、レビューに含まれる属性情報が示す属性に対する利用者の印象を推定する推定モデルである。例えば、記憶部３０には、推定モデル３３として、ＤＮＮ等の各種モデルにおけるノード間の接続関係や接続係数のデータが登録される。

制御部４０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等のプロセッサによって、情報提供装置１０内部の記憶装置に記憶されている各種プログラムがＲＡＭ等を作業領域として実行されることにより実現される。また、制御部４０は、コントローラ（controller）であり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現されてもよい。

図４に示すように、制御部４０は、取得部４１、学習部４２、抽出部４３、推定部４４、および提供部４５を有する。

取得部４１は、取引対象に対する投稿情報を取得する。例えば、取得部４１は、端末装置１００から取引対象の指定と共に、指定された取引対象に関するレビューと評価とを受付ける。このような場合、取得部４１は、指定された取引対象の取引対象ＩＤと対応付けて、レビューと評価とをレビューデータベース３２に登録する。

学習部４２は、投稿情報から属性情報と、投稿情報を投稿した利用者の属性情報が示す属性に対する印象とを推定する推定モデルの学習を行う。例えば、学習部４２は、所定の投稿情報が入力された場合に、所定の投稿情報に含まれる属性情報と、属性情報が示す属性に対する利用者の印象を示す情報とを出力するように推定モデルの学習を行う。例えば、学習部４２は、所定の投稿情報が入力された場合に、所定の投稿情報に含まれる属性情報と、属性情報が示す属性に対する利用者の印象を示す情報と、印象の強さを示す情報とを出力するように推定モデルの学習を行う。

例えば、学習部４２は、レビューデータベース３２に登録されたレビューから学習データの生成を行う。例えば、学習部４２は、構文解析の技術を用いて、レビューから属性情報となる文字列を抽出する。また、学習部４２は、クラウドソージング等により、各属性情報が示す属性に対する利用者の印象を特定し、特定結果から各属性情報と対応する印象値を算出する。そして、学習部４２は、取引対象を示す情報と、その取引対象に対するレビューと、各レビューと共に投稿された評価とを入力した際に、各属性情報と対応する印象値とを出力するようにモデルの学習を行う。その後、学習部４２は、学習済のモデルを推定モデル３３として記憶部３０に登録する。

なお、例えば、学習部４２は、取引対象を示す情報と、その取引対象に対するレビューと、そのレビューから抽出した属性情報とを入力した際に、各属性情報と対応する印象値を出力するようにモデルの学習を行ってもよい。また、学習部４２は、取引対象ごとやカテゴリごとに異なる推定モデル３３の学習を行ってよい。すなわち、学習部４２は、レビューに含まれる属性情報が示す属性であって、取引対象が有する属性に対する利用者の印象を推定するのであれば、任意の形式で推定を行うモデルの学習を行ってよい。

抽出部４３は、利用者により投稿された投稿情報であって所定の対象に関する投稿情報から、所定の対象の属性を示す属性情報を抽出する。例えば、抽出部４３は、属性情報として、利用者により投稿されたレビューの文章から、所定の対象の属性を示す文節若しくは単語を抽出する。例えば、抽出部４３は、印象情報の生成対象となる取引対象を選択し、選択した取引対象に対するレビューをレビューデータベース３２から抽出する。そして、抽出部４３は、抽出したレビューから属性情報を抽出する。例えば、抽出部４３は、構文解析や形態素解析の技術を用いて、取引対象の属性を示す単語や文字列を抽出してもよい。また、抽出部４３は、所定の辞書データを用いて、属性情報の抽出を行ってもよい。また、抽出部４３は、レビューデータベース３２から抽出されたレビューにおける出現頻度が所定の条件を満たす属性情報のみを抽出してもよい。その後、抽出部４３は、抽出した属性情報を抽出元のレビューと対応付けてレビューデータベース３２に登録する。

推定部４４は、投稿情報に基づいて、所定の対象が有する属性であって抽出された属性情報が示す属性に対する利用者の印象を推定する。例えば、推定部４４は、抽出した文節若しくは単語が示す属性に対する印象を推定する。より具体的には、推定部４４は、所定の対象に対する利用者の印象であって、投稿情報が示す利用者の印象に基づいて、投稿情報から抽出された属性情報が示す属性に対する利用者の印象を推定する。例えば、推定部４４は、利用者の印象として、抽出部により抽出された属性情報が示す属性に対し、利用者が好意的な印象を有しているか、否定的な印象を有しているかを推定する。また、推定部４４は、所定の対象に対する利用者の印象と、印象の強さとを推定する。

例えば、推定部４４は、レビューデータベース３２を参照し、所定の取引対象と対応するレビューを全て特定するとともに、各レビューと対応する評価に基づいて、各レビューにおける利用者の印象であって、各レビューと対応する取引対象、すなわち、所定の取引対象に対する利用者の印象がポジティブであるかネガティブであるかを推定する。続いて、推定部４４は、特定したレビューから抽出された属性情報を特定し、特定した属性情報がポジティブなレビューに出現する頻度とネガティブなレビューに出現する頻度とに基づいて、各属性情報と対応する属性に対する利用者の印象を示す印象値を算出する。そして、推定部４４は、算出した印象値をレビューデータベース３２に格納する。

なお、推定部４４は、推定モデルを用いて、利用者の印象の推定を行ってもよい。例えば、推定部４４は、投稿情報から属性情報と、投稿情報を投稿した利用者の属性情報が示す属性に対する印象とを推定する推定モデルを用いて、投稿情報から投稿情報を投稿した利用者の印象を推定してもよい。例えば、推定部４４は、推定モデル３３を記憶部から読出し、読み出した推定モデル３３にレビュー等を入力することで、推定モデル３３が出力した属性情報、印象グループ、および印象値をレビューデータベース３２に登録してもよい。

提供部４５は、属性情報と推定された印象とを示す印象情報を提供する。例えば、提供部４５は、推定された印象に応じた表示態様で、抽出された属性情報を表示するための印象情報を生成する。例えば、提供部４５は、属性情報と、推定された印象と、印象の強さとを示す印象情報を生成する。また、提供部４５は、属性情報を、推定された印象と印象の強さとに応じた表示態様で表示するための印象情報を生成する。また、提供部４５は、属性情報を、所定の対象に関する複数の投稿情報における出現頻度に応じた表示態様で表示するための印象情報を生成する。

また、提供部４５は、属性情報として抽出された文節若しくは単語を、推定された印象と対応する色彩で表示するための印象情報を提供する。例えば、提供部４５は、属性情報として抽出された複数の文節若しくは複数の単語を、推定された印象の類似性に応じた位置に配置して表示するための印象情報を生成する。また、提供部４５は、属性情報として抽出された複数の文節若しくは複数の単語を、所定の対象に関する複数の投稿情報における出現頻度に応じた大きさで表示するための印象情報を提供する。

例えば、提供部４５は、閲覧対象となる取引対象の指定を受付けた場合は、レビューデータベース３２を参照し、指定された取引対象と対応するレビューを特定する。続いて、提供部４５は、特定したレビューから抽出された属性情報や算出された印象値を取得する。なお、提供部４５は、印象グループを合わせて取得してもよい。

続いて、提供部４５は、特定した全レビューにおける出現頻度を属性情報ごとに算出し、出現頻度が所定の閾値を超える属性情報を表示対象として選択する。また、提供部４５は、表示対象として選択した属性情報ごとに、印象値の総和を算出し、算出した印象値の総和を算出する。そして、提供部４５は、表示対象として属性情報となる文字列を含む印象情報を生成する。

ここで、提供部４５は、出現頻度が高ければ高い程、より大きなフォントサイズで各属性情報を示す印象情報を生成する。また、提供部４５は、印象値の値に応じた色彩で描く属性情報を示す印象情報を生成する。例えば、提供部４５は、印象値の値が大きいほど赤色に近い色彩となり、印象値の値が小さいほど青い色彩となるように、各属性情報となる文字列を配置した印象情報を生成する。また、提供部４５は、同一の印象グループに属する文字列を近傍に配置した印象情報を生成する。

そして、提供部４５は、生成した印象情報を端末装置１００へと送信する。この結果、情報提供装置１０は、利用者に対し、閲覧対象となる取引対象に対するレビューの内容を容易に認識させることができる。

なお、上述した例では、事前に利用者の印象を推定する処理の一例について記載したが、情報提供装置１０は、閲覧対象となる取引対象の指定を受付けた後で、属性情報の抽出、利用者の印象の推定、および印象情報の生成を実行してもよい。

〔３．情報提供装置が実行する処理の流れについて〕
次に、図６を用いて、情報提供装置１０が実行する処理の流れの一例について説明する。図６は、実施形態に係る情報提供装置が実行する提供処理の流れの一例を示すフローチャートである。なお、図６に示す例では、閲覧対象となる取引対象の指定を受付けた後で、属性情報の抽出、利用者の印象の推定、および印象情報の生成を行う処理の一例について記載した。

まず、情報提供装置１０は、閲覧対象となる取引対象のレビューを取得する（ステップＳ１０１）。このような場合、情報提供装置１０は、レビューから属性情報となる単語を抽出し（ステップＳ１０２）、レビューと対応する評価に基づいて、各単語が示す属性に対し、抽出元となるレビューにおいて利用者が有する印象を推定する（ステップＳ１０３）。そして、情報提供装置１０は、単語と、推定した印象とを示す印象情報を生成し（ステップＳ１０４）、生成した印象情報を提供して（ステップＳ１０５）、処理を終了する。

〔４．変形例〕
上記では、情報提供装置１０による提供処理の一例について説明した。しかしながら、実施形態は、これに限定されるものではない。以下、情報提供装置１０が実行する処理のバリエーションについて説明する。

〔４−１．実行主体について〕
上述した説明では、端末装置１００から閲覧対象となる取引対象の指定を受付けた情報提供装置１０が、属性情報の抽出や利用者の印象の推定を行った。しかしながら、実施形態は、これに限定されるものではない。

例えば、情報提供装置１０は、閲覧対象となる取引対象の指定を受付けた場合、指定された取引対象に対するレビューを端末装置１００へと配信する。このような場合、端末装置１００は、上述した各種の提供処理を実行することで、レビューに含まれる属性情報と、属性情報が示す利用者の印象とを示す印象情報を生成し、生成した印象情報を表示してもよい。すなわち、上述した提供処理は、提供装置として動作する端末装置１００により実現されてもよい。

〔４−２．モデルについて〕
上述した実施形態では、情報提供装置１０は、ＤＮＮといったニューラルネットワークにより構成されるモデルを用いて、属性情報が示す属性に対する利用者の印象が好意的であるか否か、すなわち、属性情報がポジティブに用いられているかネガティブに用いられているか（すなわち、印象のカテゴリ）を推定した。また、情報提供装置１０は、モデルを用いて、属性情報に対する利用者の印象や印象の度合を示す印象値を算出した。また、情報提供装置１０は、属性情報がポジティブに用いられているかネガティブに用いられているかをモデルに学習させた。

ここで、情報提供装置１０は、任意のモデルを用いて、印象のカテゴリ推定や印象値の算出を実現してよい。例えば、情報提供装置１０は、ＳＶＭ（Support Vector Machine）を用いて、印象のカテゴリ推定や印象値の算出を実現してもよい。また、情報提供装置１０は、ロジスティック回帰とクラスタリングとを組み合わせることで、各属性情報が示す属性に対する利用者の印象のカテゴリ推定や印象値の算出を実現してもよい。また、情報提供装置１０は、決定木等のグラフを用いて、各属性情報が示す属性に対する利用者の印象のカテゴリ推定や印象値の算出を実現してもよい。例えば、情報提供装置１０は、投稿情報が示す印象が好意的であるか否か、属性情報の周囲に出現する文字列が示す利用者の意図、属性情報の強調具合等、各種の条件に基づいて、属性情報が示す属性に対する利用者の印象のカテゴリや印象値の推定を実現してもよい。

すなわち、情報提供装置１０は、ニューラルネットワーク等といった各種の分類モデルを用いて属性情報が示す属性に対する利用者の印象のカテゴリや印象値の推定を実現してもよく、各種のルールベースで印象のカテゴリや印象値の推定を実現してもよい。

〔４−３．装置構成〕
記憶部３０に登録された各データベース３１、３２は、外部のストレージサーバに保持されていてもよい。また、情報提供装置１０は、学習処理を実行する学習サーバ、および提供処理を実行する出力サーバとが連携して動作することにより、実現されてもよい。このような場合、学習サーバには図３に示す学習部４２が配置され、出力サーバには取得部４１、抽出部４３、推定部４４、および提供部４５が配置されていればよい。

〔４−４．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、逆に、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上記してきた各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

〔４−５．プログラム〕
また、上述した実施形態に係る情報提供装置１０は、例えば図７に示すような構成のコンピュータ１０００によって実現される。図７は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、提供装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力ＩＦ（Interface）１０６０、入力ＩＦ１０７０、ネットワークＩＦ１０８０がバス１０９０により接続された形態を有する。

演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。一次記憶装置１０４０は、ＲＡＭ等、演算装置１０３０が各種の演算に用いるデータを一次的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ(Read Only Memory)、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ等により実現される。

出力ＩＦ１０６０は、モニタやプリンタといった各種の情報を出力する提供装置１０１０に対し、出力対象となる情報を送信するためのインタフェースであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力ＩＦ１０７０は、マウス、キーボード、およびスキャナ等といった各種の入力装置１０２０から情報を受信するためのインタフェースであり、例えば、ＵＳＢ等により実現される。

なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等から情報を読み出す装置であってもよい。また、入力装置１０２０は、ＵＳＢメモリ等の外付け記憶媒体であってもよい。

ネットワークＩＦ１０８０は、ネットワークＮを介して他の機器からデータを受信して演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。

演算装置１０３０は、出力ＩＦ１０６０や入力ＩＦ１０７０を介して、提供装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。

例えば、コンピュータ１０００が情報提供装置１０として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０上にロードされたプログラムまたはデータ（例えば、モデルＭ１）を実行することにより、制御部４０の機能を実現する。コンピュータ１０００の演算装置１０３０は、これらのプログラムまたはデータ（例えば、モデルＭ１）を一次記憶装置１０４０から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

〔５．効果〕
上述したように、情報提供装置１０は、利用者により投稿された投稿情報であって所定の対象に関する投稿情報から、所定の対象の属性を示す属性情報を抽出し、投稿情報に基づいて、所定の対象が有する属性であって抽出された属性情報が示す属性に対する利用者の印象を推定する。そして、情報提供装置１０は、属性情報と推定された印象とを示す印象情報を提供する。このため、情報提供装置１０は、投稿が示す情報の識別を容易にすることができる。

また、情報提供装置１０は、推定された印象に応じた表示態様で、抽出された属性情報を表示するための印象情報を提供する。例えば、情報提供装置１０は、所定の対象に対する利用者の印象と、印象の強さとを推定し、属性情報と、推定された印象と、印象の強さとを示す印象情報を提供する。また、情報提供装置１０は、属性情報を、推定された印象と印象の強さとに応じた表示態様で表示するための印象情報を提供する。また、情報提供装置１０は、属性情報を、所定の対象に関する複数の投稿情報における出現頻度に応じた表示態様で表示するための印象情報を提供する。

例えば、情報提供装置１０は、属性情報として、利用者により投稿された文章から、所定の対象の属性を示す文節若しくは単語を抽出し、抽出した文節若しくは単語が示す属性に対する印象を推定する。そして、情報提供装置１０は、属性情報として抽出された文節若しくは単語を、推定された印象と対応する色彩で表示するための印象情報を提供する。また、情報提供装置１０は、属性情報として抽出された複数の文節若しくは複数の単語を、推定された印象の類似性に応じた位置に配置して表示するための印象情報を提供する。また、情報提供装置１０は、属性情報として抽出された複数の文節若しくは複数の単語を、所定の対象に関する複数の投稿情報における出現頻度に応じた大きさで表示するための印象情報を提供する。このため、情報提供装置１０は、投稿情報が示す利用者の印象を容易に識別可能な印象情報を利用者に提供することができる。

また、情報提供装置１０は、所定の対象に対する利用者の印象であって、投稿情報が示す利用者の印象に基づいて、投稿情報から抽出された属性情報が示す属性に対する利用者の印象を推定する。このため、情報提供装置１０は、属性情報が示す属性に対する利用者の印象を精度良く推定することができる。例えば、情報提供装置１０は、同一の属性情報が異なる取引対象のレビューに含まれている場合にも、各取引対象ごとに、属性情報が示す属性に対する利用者の印象を適切に推定することができる。

また、情報提供装置１０は、利用者の印象として、抽出された属性情報が示す属性に対し、利用者が好意的な印象を有しているか、否定的な印象を有しているかを推定する。このため、情報提供装置１０は、利用者の印象を容易に認識可能な印象情報を提供することができる。

また、情報提供装置１０は、投稿情報から属性情報と、投稿情報を投稿した利用者の属性情報が示す属性に対する印象とを推定する推定モデルを用いて、投稿情報から投稿情報を投稿した利用者の印象を推定する。例えば、情報提供装置１０は、推定モデルとして、所定の投稿情報が入力された場合に、所定の投稿情報に含まれる属性情報と、属性情報が示す属性に対する利用者の印象を示す情報とを出力するように学習が行われたモデルを用いて、利用者の印象を推定する。また、例えば、情報提供装置１０は、推定モデルとして、所定の投稿情報が入力された場合に、所定の投稿情報に含まれる属性情報と、属性情報が示す属性に対する利用者の印象を示す情報と、印象の強さを示す情報とを出力するように学習が行われたモデルを用いて、利用者の印象を推定する。この結果、情報提供装置１０は、構文解析等の複雑な処理を行わずとも、モデルに対してレビュー等を入力するだけで、利用者の印象の推定を実現することができる。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上記してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、推定部は、推定手段や推定回路に読み替えることができる。

１０ 情報提供装置
２０ 通信部
３０ 記憶部
３１ 取引対象データベース
３２ レビューデータベース
３３ 推定モデル
４０ 制御部
４１ 取得部
４２ 学習部
４３ 抽出部
４４ 推定部
４５ 提供部
１００ 端末装置

Claims (16)

1. 利用者により投稿された投稿情報であって所定の対象に関する投稿情報から、当該所定の対象の属性を示す属性情報を抽出し、前記投稿情報に基づいて、前記所定の対象が有する属性であって当該抽出された属性情報が示す属性に対する前記利用者の印象を推定する推定部と、
   前記属性情報と前記推定された印象とを示す印象情報を提供する提供部と
   を有することを特徴とする提供装置。
2. 前記提供部は、前記推定部により推定された印象に応じた表示態様で、前記抽出された属性情報を表示するための印象情報を提供する
   ことを特徴とする請求項１に記載の提供装置。
3. 前記推定部は、前記所定の対象に対する前記利用者の印象と、当該印象の強さとを推定し、
   前記提供部は、前記属性情報と、前記推定部により推定された印象と、当該印象の強さとを示す印象情報を提供する
   ことを特徴とする請求項１または２に記載の提供装置。
4. 前記提供部は、前記属性情報を、前記推定部により推定された印象と当該印象の強さとに応じた表示態様で表示するための印象情報を提供する
   ことを特徴とする請求項３に記載の提供装置。
5. 前記提供部は、前記属性情報を、前記所定の対象に関する複数の投稿情報における出現頻度に応じた表示態様で表示するための印象情報を提供する
   ことを特徴とする請求項１〜４のうちいずれか１つに記載の提供装置。
6. 前記推定部は、前記属性情報として、前記利用者により投稿された文章から、前記所定の対象の属性を示す文節若しくは単語を抽出し、抽出した文節若しくは単語が示す属性に対する印象を推定する
   ことを特徴とする請求項１〜５のうちいずれか１つに記載の提供装置。
7. 前記提供部は、前記属性情報として抽出された文節若しくは単語を、前記推定部により推定された印象と対応する色彩で表示するための印象情報を提供する
   ことを特徴とする請求項６に記載の提供装置。
8. 前記提供部は、前記属性情報として抽出された複数の文節若しくは複数の単語を、前記推定部により推定された印象の類似性に応じた位置に配置して表示するための印象情報を提供する
   ことを特徴とする請求項６または７に記載の提供装置。
9. 前記提供部は、前記属性情報として抽出された複数の文節若しくは複数の単語を、前記所定の対象に関する複数の投稿情報における出現頻度に応じた大きさで表示するための印象情報を提供する
   ことを特徴とする請求項６〜８のうちいずれか１つに記載の提供装置。
10. 前記推定部は、前記所定の対象に対する前記利用者の印象であって、前記投稿情報が示す利用者の印象に基づいて、当該投稿情報から抽出された属性情報が示す属性に対する利用者の印象を推定する
    ことを特徴とする請求項１〜９のうちいずれか１つに記載の提供装置。
11. 前記推定部は、前記利用者の印象として、前記抽出部により抽出された属性情報が示す属性に対し、前記利用者が好意的な印象を有しているか、否定的な印象を有しているかを推定する
    ことを特徴とする請求項１〜１０のうちいずれか１つに記載の提供装置。
12. 前記推定部は、投稿情報から前記属性情報と、当該投稿情報を投稿した利用者の当該属性情報が示す属性に対する印象とを推定する推定モデルを用いて、前記投稿情報から当該投稿情報を投稿した利用者の印象を推定する
    ことを特徴とする請求項１〜１１のうちいずれか１つに記載の提供装置。
13. 前記推定部は、前記推定モデルとして、所定の投稿情報が入力された場合に、当該所定の投稿情報に含まれる属性情報と、当該属性情報が示す属性に対する利用者の印象を示す情報とを出力するように学習が行われたモデルを用いて、前記利用者の印象を推定する
    ことを特徴とする請求項１２に記載の提供装置。
14. 前記推定部は、前記推定モデルとして、所定の投稿情報が入力された場合に、当該所定の投稿情報に含まれる属性情報と、当該属性情報が示す属性に対する利用者の印象を示す情報と、当該印象の強さを示す情報とを出力するように学習が行われたモデルを用いて、前記利用者の印象を推定する
    ことを特徴とする請求項１２または１３に記載の提供装置。
15. 提供装置が実行する提供方法であって、
    利用者により投稿された投稿情報であって所定の対象に関する投稿情報から、当該所定の対象の属性を示す属性情報を抽出し、前記投稿情報に基づいて、前記所定の対象が有する属性であって当該抽出された属性情報が示す属性に対する前記利用者の印象を推定する推定工程と、
    前記属性情報と前記推定された印象とを示す印象情報を提供する提供工程と
    を含むことを特徴とする提供方法。
16. 利用者により投稿された投稿情報であって所定の対象に関する投稿情報から、当該所定の対象の属性を示す属性情報を抽出し、前記投稿情報に基づいて、前記所定の対象が有する属性であって当該抽出された属性情報が示す属性に対する前記利用者の印象を推定する推定手順と、
    前記属性情報と前記推定された印象とを示す印象情報を提供する提供手順と
    をコンピュータに実行させるための提供プログラム。