JP5096400B2 - コンテンツ検索装置、方法及びプログラム - Google Patents

Description

本発明は、画像、音声、テキスト等のコンテンツを検索するコンテンツ検索装置、方法及びプログラムに関する。

ネットワークやデータベース内に存在する膨大な数のコンテンツから、所望のコンテンツを閲覧するための検索装置が広く用いられている。

従来の検索エンジンによりキーワード検索が行われると、多数のコンテンツの候補が検索結果として抽出されるところ、コンテンツの記載が利用者の好みに合わない場合が多い。このような場合、検索エンジンの利用者は、所望のコンテンツを得るために、抽出された多数のコンテンツを順番に確認するか、検索キーワードを変えて検索をやり直す必要があり、検索に時間がかかっていた。

そこで、特許文献１に記載のモバイル端末では、キーワードの候補となる単語をコンテンツから抽出するとともに、抽出されたキーワードを検索時に表示する技術が開示されており、これにより利用者がキーワード入力をする手間を省略することができる。
特開２００８−１２３２３９号公報

前記特許文献１に記載のモバイル端末では、端末の利用者が所望のコンテンツを得るためには、キーワードを適切に選択する必要があるため、やはりキーワードを考える手間からは解放されない。

また、コンテンツに対する嗜好性は利用者毎に異なっている。例えば、文字数の少ないコンテンツを好む利用者や、画像を見て旅行先を決定したいと考える利用者にとっては、文字数が長い文章から構成されるコンテンツや、画像の少ないコンテンツは読み飛ばす場合が多い。かかる場合には、利用者が読み飛ばす蓋然性が高いコンテンツを抽出する必要性に乏しい。

また、インターネット上のコンテンツでは、コンテンツの最後の部分に「この記事は役に立ちましたか？」といった質問を記載し、回答結果を集計するものがある。しかし、集計結果は他の利用者の参考指標となるに過ぎないし、回答結果が利用者の嗜好と一致するものではないことから、利用者の嗜好に合致したコンテンツを検索するための指標とはなり得ない。

本発明は、従来の問題を解決するためになされたものであり、その目的は、キーワード抽出の手間を省略するとともに、利用者の嗜好に応じたコンテンツを抽出することのできるコンテンツ検索装置を提供することにある。

本発明のコンテンツ検索装置は、コンテンツの情報を記憶するコンテンツ記憶部と、前記コンテンツの特徴を示す特徴情報を抽出する特徴情報抽出部と、前記特徴情報を前記コンテンツに対応づけて記憶する特徴情報記憶部と、少なくとも１つの入力情報と、抽出すべきコンテンツの前記特徴情報との関係を示す嗜好性モデルを記憶する嗜好性モデル記憶部と、前記嗜好性モデル及び前記入力情報に基づいて、抽出すべきコンテンツの前記特徴情報を推定する嗜好推定部と、前記嗜好推定部で推定された前記特徴情報に対応する前記コンテンツを、前記コンテンツ記憶部から抽出するコンテンツ抽出部と、抽出された前記コンテンツに対する利用者の評価情報に基づいて、前記嗜好性モデルを更新する嗜好学習部を備えたことを特徴とする。

この構成により、抽出されたコンテンツに対する評価を繰り返すことで、コンテンツに対する利用者の嗜好性を学習することができるので、検索用のキーワードを入力することなく、利用者の嗜好に応じたコンテンツを抽出することができる。

本発明のコンテンツ検索装置において、入力情報は、抽出された前記コンテンツに対する利用者の肯定的評価及び否定的評価の少なくとも一方を含むことを特徴とする。

この構成により、抽出されたコンテンツに対して肯定的な評価が得られた場合には特徴が類似するコンテンツを抽出し、否定的な評価が得られた場合には特徴が異なるコンテンツを表示するといった制御が可能となり、利用者の嗜好に応じたコンテンツを適切に表示することができる。

本発明のコンテンツ検索装置において、入力情報は、抽出された前記コンテンツの前記特徴情報に対する利用者の評価情報を含むことを特徴とする。

この構成により、以前に抽出されたコンテンツの特徴情報に対する利用者の評価を学習するから、コンテンツの特徴に対する利用者の嗜好性を反映したコンテンツを抽出することができる。

本発明のコンテンツ検索装置において、嗜好推定部は、前記入力情報との関係が所定値よりも小さい前記特徴情報に対しては、前記入力情報から除外することを特徴とする。

ある特徴情報に対する利用者の評価が否定的であることが明らかである場合には、その特徴情報が嗜好性の推定に与える影響は乏しい。このため、この構成により、利用者の嗜好性を推定するプロセスを簡略化することができる。

本発明のコンテンツ検索装置において、入力情報は、抽出された前記コンテンツに対して利用者が評価したときの状況を含むことを特徴とする。

この構成により、例えば昼間にコンテンツ検索を行ったときの嗜好性と、夜間にコンテンツ検索を行ったときの嗜好性を区別して学習することができるから、状況に応じた適切なコンテンツを抽出することができる。

本発明のコンテンツ検索装置において、特徴情報抽出部は、前記コンテンツの特徴が所定条件を満たす場合には、コンテンツの主要な特徴を示す主要特徴情報として抽出し、前記嗜好記憶部は、前記主要特徴情報を含む前記入力情報と、抽出すべきコンテンツの前記特徴情報との関係を示す主要嗜好性モデルを記憶し、前記嗜好推定部は、抽出されたコンテンツが前記主要特徴情報を有する場合には、前記主要嗜好性モデル及び前記入力情報に基づいて、抽出すべきコンテンツの前記特徴情報を推定し、前記嗜好学習部は、抽出された前記コンテンツに対する利用者の評価情報に基づいて、前記主要嗜好性モデルを更新することを特徴とする。

抽出されたコンテンツに顕著な特徴が見られる場合、利用者はその特徴に対する印象が強く残るため、当該コンテンツに対する利用者の評価は、当該主要な特徴に対する評価が支配的になる。このため、この構成により、際だった特徴をもつコンテンツに対する利用者の嗜好性を学習することで、利用者の嗜好に合致したコンテンツを抽出することができる。

抽出すべきコンテンツの特徴情報を算出する方法としては、入力情報をパラメータとする定式化モデルまたは確率推論モデルを用いることができる。また、特徴情報としては、コンテンツの文字数、品詞数、画像数の情報を適用することができる。

本発明の別の態様としてのコンテンツ検索方法は、前記コンテンツの情報をコンテンツ記憶部に記憶し、前記コンテンツの特徴を示す特徴情報を抽出し、前記特徴情報を前記コンテンツに対応づけて特徴情報記憶部に記憶し、少なくとも１つの入力情報と、抽出すべきコンテンツの前記特徴情報との関係を示す嗜好性モデルを嗜好性モデル記憶部に記憶し、前記嗜好性モデル及び前記入力情報に基づいて、抽出すべきコンテンツの前記特徴情報を推定し、推定された前記特徴情報に対応する前記コンテンツを、前記コンテンツ記憶部から抽出し、抽出された前記コンテンツに対する利用者の評価情報に基づいて、前記嗜好性モデルを更新することを特徴とする。この構成によっても、上記の本発明の効果が好適に得られる。

本発明の別の態様としてのコンテンツ検索プログラムは、コンピュータに対し、前記コンテンツの情報をコンテンツ記憶部に記憶するステップと、前記コンテンツの特徴を示す特徴情報を抽出するステップと、前記特徴情報を前記コンテンツに対応づけて特徴情報記憶部に記憶するステップと、少なくとも１つの入力情報と、抽出すべきコンテンツの前記特徴情報との関係を示す嗜好性モデルを嗜好性モデル記憶部に記憶するステップと、前記嗜好性モデル及び前記入力情報に基づいて、抽出すべきコンテンツの前記特徴情報を推定するステップと、推定された前記特徴情報に対応する前記コンテンツを、前記コンテンツ記憶部から抽出するステップと、抽出された前記コンテンツに対する利用者の評価情報に基づいて、前記嗜好性モデルを更新するステップを実行させることを特徴とする。この構成によっても、上記の本発明の効果が好適に得られる。

上記のように、本発明は、利用者の嗜好性モデル及び入力情報に基づいて、抽出すべきコンテンツの特徴情報を推定するとともに、抽出されたコンテンツに対する利用者の評価情報に基づいて嗜好性モデルを更新するので、キーワード抽出の手間を省略するとともに、利用者の嗜好に応じたコンテンツを抽出することのできるという優れた効果を有する。

（第１実施形態）
図１は、本発明の第１実施形態に係るコンテンツ検索装置の構成を示すブロック図である。コンテンツ検索装置１０は、図示しないＣＰＵ、ＲＯＭ、ＲＡＭ、記憶装置及びこれらを接続するデータバス等によって構成されるコンピュータであり、ＲＯＭに書き込まれたプログラムに従って、ＣＰＵが演算処理を実行することにより、保存されている多数のコンテンツから、利用者の所望するコンテンツを検索するものである。

図１のコンテンツ検索装置１０は、コンテンツ収集部１１及びコンテンツデータベース（ＤＢ）１２を備える。コンテンツ収集部１１は、例えばインターネットや外部記憶装置を介して、テキスト情報、画像情報、音声情報などから構成されるコンテンツのデータを取得する。

コンテンツＤＢ１２は、ハードディスク等から構成される記憶装置であり、コンテンツ収集部１１から送られるコンテンツを、コンテンツＩＤと対応づけて記憶するものである。

コンテンツ検索装置１０は、特徴情報抽出部１３、コンテンツ分類部１４及び特徴情報ＤＢ１５を備える。特徴情報抽出部１３は、コンテンツＤＢ１２から読み出されたコンテンツからテキスト情報を抽出するとともに、公知の形態素解析及び構文解析の手法を施すことにより、文字数が多い／少ない、感嘆詞が多い／少ない、形容詞が多い／少ないといった、コンテンツの特徴を示す特徴情報を抽出する。

例えば、コンテンツに含まれる文字数が１００文字以上である場合には、文字数が多いコンテンツであると判定する。また、コンテンツの１００文字あたりの感嘆詞の数が５以上である場合には、感嘆詞が多いと判定する。形容詞についても、感嘆詞と同様の方法により、多いか少ないかを判定することができる。また、前述したのと異なる方法により、特徴情報を抽出しても良いことはもちろんである。

特徴情報抽出部１３は、音声情報から構成されるコンテンツに対しては、公知の音声解析の手法により、当該音声情報をテキスト化して形態素に分類することにより、コンテンツ特徴情報を抽出することができる。

また、特徴情報抽出部１３は、読み出されたコンテンツに含まれる画像の数をカウントし、これを基準値と比較することにより、画像数の大小を示す特徴情報を抽出する。

図２は、コンテンツの特徴情報をコンテンツＩＤと対応づけて示した説明図である。図２において、例えば「文字数」の欄に「１」とあるのは、「文字数：多い」という特徴情報であることを示し、同欄に「０」とあるのは「文字数：少ない」という特徴情報であることを示す。同様に、「感嘆詞」の欄に「１」とあるのは、「感嘆詞：多い」という特徴情報であることを示す。

例えば、コンテンツＩＤ「０００１」に対応するコンテンツは、「文字数：多い」「感嘆詞：少ない」「形容詞：少ない」…「画像数：少ない」といった特徴情報を有する。また、コンテンツＩＤ「０００２」に対応するコンテンツは、「文字数：少ない」「感嘆詞：多い」「形容詞：多い」…「画像数：多い」といった特徴情報を有する。

コンテンツ分類部１４は、特徴情報が共通するコンテンツをグループ化することでコンテンツを分類するとともに、各々のグループに属するコンテンツのコンテンツＩＤとを特徴情報ＤＢ１５に記憶する。

図３は、特徴情報ＤＢ１５に記憶された特徴情報の一例を示すものである。 図３の例では、コンテンツＩＤ「００３３」及び「００４４」のコンテンツは、「文字数：多い」「感嘆詞：多い」「形容詞：多い」…「画像数：多い」という特徴情報を有することを示す。また、コンテンツＩＤ「００５５」及び「００６６」のコンテンツは、「文字数：多い」「感嘆詞：多い」「形容詞：多い」…「画像数：少ない」という特徴情報を有することを示す。

図１のコンテンツ検索装置１０は、コンテンツの特徴情報に対する利用者の嗜好性を推定し、推定された嗜好性に応じたコンテンツを抽出するために、嗜好性モデルＤＢ１６とコンテンツ抽出部１７とを備える。

嗜好性モデルＤＢ１６は、利用者がコンテンツ検索を行ったときの状況（時間帯、コンテンツの既読数）と、特徴情報との関係を示した嗜好性モデルが記憶されている。図４は、コンテンツ検索時の状況から特徴情報を推論する推論モデルを示したものであり、第１実施形態に係る嗜好性モデルは、時間帯（コンテンツを閲覧した時間帯）、既読数（検索を開始してから閲覧したコンテンツ数）の値を入力情報とした場合に、利用者が肯定的な評価をなしたコンテンツの特徴情報（文字数、感嘆詞）の分布を示したものである。なお、以下では、説明を簡略化するために、コンテンツの特徴は文字数及び感嘆詞のみと仮定する。

図５に示すように、この嗜好性モデルは、「文字数」の特徴情報は、時間帯を示す「昼」及び「夜」、コンテンツの既読数を示す「３回以下」「４回以上」の入力情報と関連づけられている。また、「感嘆詞」の特徴情報は、時間帯の入力情報と関連づけられている。図５の推論モデルにおいて、数字が並べられた欄の上側が入力情報を示し、同欄の左側が推定された特徴情報（出力情報）を示す。

例えば、時間帯が「昼」、既読数が「３回以内」の状況下で抽出されたコンテンツのうち、文字数が多いコンテンツに対して５回の肯定的評価がなされ、文字数が少ないコンテンツに対し４回の肯定的な評価がなされたことが示される。また、時間帯が「昼」の状況で抽出されたコンテンツのうち、感嘆詞が多いコンテンツに対して１１回の肯定的評価がなされ、感嘆詞が少ないコンテンツに対して８回の肯定的評価がなされたことが示されている。

図１において、コンテンツ抽出部１７は、状況検出部１８、嗜好学習部１９及び嗜好推定部２０を備える。また、コンテンツ抽出部１７には、抽出されたコンテンツを表示する表示部２１と、表示されたコンテンツに対して利用者が肯定的あるいは否定的な評価を入力する操作入力部２２が接続されている。

状況検出部１８は、コンテンツを抽出する際の時間帯（昼か夜か）、コンテンツ検索装置１０にログインして（検索を開始して）からのコンテンツ既読数（３回以内か４回以上か）といった状況情報を取得する。

嗜好学習部１９は、コンテンツ抽出時の状況と、抽出されたコンテンツに対する利用者の評価情報とに基づいて、嗜好性モデルＤＢ１６内の嗜好性モデルを更新する。嗜好性モデルが図５の状態であり、コンテンツ抽出時の状況が「昼」「３回以内」であり、表示部２１に表示された（すなわち、コンテンツ検索装置によって抽出された）コンテンツの特徴情報が「文字数：多い」「感嘆詞：多い」であった場合に、当該コンテンツに対して肯定的な評価がなされると、図６に示すように、「昼」「３回以下」「文字数：多い」の欄に１が加算されるとともに、「昼」「感嘆詞：多い」の欄に１が加算される。これにより、コンテンツ検索時の状況毎に、肯定的に評価された特徴情報の頻度に関する学習が行われる。

嗜好推定部２０は、状況検出部１８で検出された状況に対応する頻度情報を、嗜好性モデルから抽出し、最も高い頻度情報に対応する出力情報を、次に抽出すべきコンテンツの特徴情報として推定する。例えば、図６の嗜好性モデルが与えられ、コンテンツ抽出時の状況が「昼」「３回」である場合には、「文字数：多い」に６回、「文字数：少ない」に４回の肯定的評価が与えられているから、嗜好推定部２０は、頻度の高い「文字数：多い」の特徴情報を、次に抽出すべきコンテンツの特徴情報として推定する。同様に、感嘆詞については、頻度の高い「感嘆詞：多い」の特徴情報を、次に抽出すべきコンテンツの特徴情報として推定する。

コンテンツ抽出部１７は、嗜好推定部２０によって推定された特徴情報に対応するコンテンツのＩＤを、特徴情報ＤＢ１５より読み出し、対応するコンテンツをコンテンツＤＢ１２から抽出する。前述の例では、「文字数：多い」「感嘆詞：多い」の特徴情報を有するコンテンツを抽出し、表示部２１に送る。

上記構成によるコンテンツ検索装置の動作について、図７のフローチャートを参照して説明する。

コンテンツの抽出を行うために、状況検出部１８が現在の時間帯と、利用者のコンテンツ既読数の状況を検出する（Ｓ１１）。次に、嗜好推定部２０は、嗜好性モデルを参照して、検出された状況に対応する頻度情報を抽出し、頻度が最も高い特徴情報を抽出する。嗜好推定部２０は、この抽出処理を全ての特徴情報に対して行うことで、次に抽出すべきコンテンツの特徴情報を推定する（Ｓ１２）。コンテンツ抽出部１７は、推定された特徴情報に対応するコンテンツを、コンテンツＤＢ１２から読み出して、これを表示部２１に表示する（Ｓ１３）。

コンテンツ検索装置１０の利用者は、表示部２１に表示されたコンテンツに対して、肯定的あるいは否定的な評価を入力する（Ｓ１４）。肯定的な評価が入力されると、嗜好学習部１９は、検出された状況情報（入力情報）と、表示されたコンテンツの特徴情報（出力情報）とに対応する嗜好性モデルの欄に１を加算する。これにより、嗜好性モデルが更新され、利用者の嗜好性を学習する（Ｓ１６）。一方、否定的な評価が入力された場合は嗜好性モデルの更新は行われず、再びステップＳ１１に戻って状況情報の検出が行われる。

（第２実施形態）
本発明の第２の実施形態について説明する。第２の実施形態は、前述した状況情報のほかに、特徴情報及びユーザ態度情報を入力情報として、抽出すべきコンテンツの特徴情報を推定するものである。コンテンツ検索装置の基本的な構成は前記第１の実施形態と同様であるため、第１の実施形態と同じ部分については詳細な説明を省略する。

図８は、第２実施形態における推論モデルを示す説明図である。この推論モデルは、入力情報として、コンテンツの既読数を示す「既読数」、特徴情報を示す「文字数」「感嘆詞」、利用者による評価を示す「評価」の情報を含むとともに、推論により得られる出力情報が「文字数」「感嘆詞」の特徴情報であることを示す。

図９は、嗜好性モデルＤＢ１６に記憶された嗜好性モデルの一例を示す説明図である。この嗜好性モデルは、所定の状況下で、所定の特徴情報を有するコンテンツを表示し、利用者が所定の評価を行った場合に、次に提示されたコンテンツに対して肯定的な評価が入力された頻度を、出力情報としての特徴情報毎に示したものである。なお、図９において、「評価：○」は肯定的な評価を、「評価：×」は否定的な評価を示す。

図９の例では、「既読数：３回以下」の状況下で「文字数：多い」の特徴情報を有するコンテンツに対する評価が「評価：○」であって、次に表示されたコンテンツが「文字数：多い」の特徴情報を有していた場合、利用者は６回の肯定的評価を行ったこと、同じ入力条件で「文字数：少ない」の特徴情報を有するコンテンツを表示したときに、利用者は４回の肯定的評価を行ったことが示されている。

同様に、「文字数：多い」「感嘆詞：少ない」の特徴情報を有するコンテンツに対する評価が「評価：○」であって、次に「感嘆詞：多い」の特徴情報を有するコンテンツを表示した場合に、利用者は７回の肯定的評価をしたこと、同じ条件のもとで「感嘆詞：少ない」の特徴情報を有するコンテンツを表示したときに、利用者は３回の肯定的評価を行ったことが示されている。

図９の嗜好性モデルが嗜好性モデルＤＢ１６に記録されている場合において、「既読数：３回以下」の状況で、前回に表示されたコンテンツが「文字数：多い」「感嘆詞：少ない」の特徴情報を有しており、このコンテンツに対して利用者が肯定的な評価を入力した場合、「文字数：多い」の特徴情報を有するコンテンツに対する肯定的評価の頻度が、「文字数：少ない」の特徴情報のそれよりも多いため、嗜好推定部２０は、「文字数：多い」の特徴情報を抽出する。同様にして、嗜好推定部２０は、「感嘆詞：多い」の特徴情報を抽出する。

コンテンツ抽出部１７は、「文字数：多い」「感嘆詞：多い」の特徴情報を有するコンテンツを抽出し、表示部２１に表示する。表示されたコンテンツに対して、利用者が肯定的な評価を入力すると、「既読数：３回以下」「文字数：多い」「感嘆詞：多い」「評価：○」に対応する頻度欄に１を加算する。これにより、利用者の嗜好の学習が行われる。

図１０は、２回前及び１回前に表示されたコンテンツの特徴、状況、利用者評価の情報を入力情報として、特徴情報に対する利用者の嗜好性を推論する推論モデルを示したものである。この推論モデルに対応する嗜好性モデルについては、図９で示したモデルを複数組み合わせることで構成することができる。同様に、過去に表示された複数のコンテンツの特徴、状況、利用者評価の情報に対する嗜好性モデルを構築することで、時系列を考慮した嗜好性の推論を行うことができる。

（第３の実施形態）
次に、本発明の第３の実施形態について説明する。この実施形態は、コンテンツの顕著な特徴を示す主要特徴情報に基づいて、嗜好性の推論を行うモデルである。この実施形態において、コンテンツ検索装置の基本的な構成については、前記第１の実施形態と同様であるため、詳細な説明は省略する。

特徴情報抽出部１３は、コンテンツを解析して特徴情報を抽出するとともに、所定の条件を満たす特徴情報に対しては、当該コンテンツの顕著な特徴を示す主要特徴情報として抽出する。そして、コンテンツ分類部１４は、コンテンツＩＤと主要特徴情報とを対応づけて、特徴情報ＤＢ１５に記録する。

主要特徴情報と判定する条件としては、例えば、コンテンツに含まれる文字数が３０文字未満の場合に、「文字数：３０未満」の主要特徴情報を有すると判定される。また、文字数が３００文字以上の場合に、「文字数：３００以上」の主要特徴情報を有すると判定される。また、感嘆詞の頻度が１０回／１００文字よりも多い場合には、感嘆詞を主要特徴情報として抽出する。また、文字数及び感嘆詞のいずれも前記条件を満たした場合には、感嘆詞を主要特徴情報として抽出することができる。さらに、文字数及び感嘆詞以外の特徴情報を主要特徴情報と定めることができる。

嗜好性モデルＤＢ１６には、特徴情報に対する嗜好性モデルとともに、主要特徴情報に固有の嗜好性モデル（主要嗜好性モデル）が備えられる。この主要嗜好性モデルは、表示されたコンテンツに主要特徴情報が含まれていると判定された場合に嗜好性モデルＤＢ１６から読み出され、嗜好性の推定に用いられる。

上記実施形態によるコンテンツ検索装置の動作について、図１１のフローチャートを用いて説明する。推論により得られた特徴情報に基づき、抽出されたコンテンツが表示部２１に表示される（Ｓ２１）。利用者は、表示されたコンテンツに対する評価情報を入力する（Ｓ２２）。その際、コンテンツ抽出部１７は、特徴ＤＢ１５を参照して、表示されたコンテンツに対する主要特徴情報の有無を判定する（Ｓ２３）。

表示されたコンテンツに主要特徴情報が含まれることが検出されると、嗜好学習部１９は、検出された主要特徴情報と対応する主要嗜好性モデルを嗜好性モデルＤＢ１６から読み出す。そして、主要嗜好性モデルの該当する部分を加算して、嗜好性モデルを更新する（Ｓ２５）。

例えば、図９に示す主要嗜好性モデルが与えられ、「既読数：３回以下」「文字数：多い」「評価：○」の入力情報下において、肯定的に評価されたコンテンツに「文字数：４００文字以上」の主要特徴情報と「感嘆詞：多い」の特徴情報が含まれることが検出されると、嗜好学習部１９は、入力情報として「文字数」が含まれる嗜好性モデルに対しては、「文字数：多い」の対応する箇所に１を加える。

そして、主要特徴情報でない、「感嘆詞」の特徴情報が入力情報として含まれる嗜好性モデルに対しては、「感嘆詞：多い」「感嘆詞：少ない」の対応する箇所に、同じ値（この例では０．５ずつ）を加える。すなわち、入力情報として「感嘆詞」が含まれる「感嘆詞」嗜好性モデルにおいて、入力側が「文字数：多い」「評価：○」であり、出力側が「感嘆詞：多い」に該当する２つの欄（「７」が入力されている欄）に、０．５ずつ加算して、嗜好性モデルを更新する（図１２参照）。

そして、嗜好性推定部２０は、更新された主要特徴情報に対応する嗜好性モデルと、入力情報とに基づいて、次に表示すべきコンテンツの特徴情報を推定する（Ｓ２６）。これにより、コンテンツに顕著な特徴に対する利用者の評価を、嗜好性モデルの学習に強く反映させることができる。

一方、表示されたコンテンツに主要特徴情報が含まれていない場合には、上記第２の実施形態で説明したのと同様に、全ての特徴情報に対して同一の条件で、嗜好性モデルの更新が行われる（Ｓ２７）。そして、更新された嗜好性モデルと入力情報とに基づいて、次に表示すべきコンテンツの特徴情報が推定される（Ｓ２８）。

この実施例では、主要特徴情報が含まれる場合に、嗜好性モデルへの入力値を変更しているが、主要特徴情報が含まれる場合には適用すべき推論モデル自体を切り替えても良い。例えば、図１３に示すように、表示されたコンテンツに「文字数」の主要特徴情報が含まれている場合には、「既読数」「文字数」「評価」のみを入力情報とする（特徴情報のうち、「文字数」以外の「感嘆詞」については入力情報としない）嗜好性モデルに対して、嗜好性の学習を行う。

この場合の嗜好性モデルは、図１４に示すとおりであり、図９に示す嗜好性モデルから「感嘆詞」の入力情報を除いたものとなっている。嗜好学習部１９は、「既読数」「文字数」「評価」の入力情報に基づいて、次に表示すべきコンテンツの特徴情報を推定する。これにより、主要な特徴以外の特徴に対しては、嗜好性の推定に用いられないから、コンテンツの主要な特徴に対する評価を、嗜好性の推定に強く反映させることができる。

上記実施形態では、主要な特徴情報が検出された場合は、当該主要特徴情報に対応する主要嗜好性モデルに基づいてコンテンツを抽出しているが、これに加えて、主要特徴情報に対応しない通常の嗜好性モデルに基づいてコンテンツを抽出しても良い。この場合は、図１５に示すように、主要特徴情報に対応する嗜好性モデルに基づき抽出されたコンテンツ３１ａ〜３１ｄと、通常の嗜好性モデルに基づいて抽出されたコンテンツ３２ａ〜３２ｄとを並べて表示することができる。そして、利用者によって選択されたコンテンツ３０が画面中央部分に大きく表示される。このように、複数の嗜好性モデルに基づいて抽出されたコンテンツを並べて表示することで、コンテンツ検索を効果的に行うことができる。

上記実施形態では、全ての特徴情報を入力情報として、利用者の嗜好性を推論しているが（相補型の決定方略）、入力情報との関係が所定値よりも小さく、出力される可能性が低い特徴情報がある場合には、利用者の嗜好性はその特徴情報から外れていると判断し、推論の際に入力情報から除外しても良い（非相補型の決定方略）。例えば、「文字数：多い」と出力される頻度が、「文字数：少ない」と出力される頻度よりも非常に小さい場合（例えば、１０％以下）には、「文字列：多い」の特徴情報を有するコンテンツが選択されにくく、推論の際の入力情報として用いられる可能性も低いため、入力情報から除外する。これにより、嗜好推定部２０における処理を簡略化できる。

上記実施形態では、肯定評価を受けた頻度に基づいて特徴情報を算出する定式化モデルにより、利用者の嗜好情報を推定する例について説明したが、本発明はこれに限定されることはなく、例えば図１６に示す確率推論モデルを用いて利用者の嗜好情報を推定しても良い。

図１６の例では、「既読数：３回以下」の状況下で、「文字数：多い」の特徴情報を有するコンテンツに対する評価が「評価：○」であった場合に、「文字数：多い」の特徴情報を有するコンテンツを表示すれば、利用者は６０％の確率で肯定的評価を行うことが示される。また、前記と同一の条件で、「文字数：少ない」の特徴情報を有するコンテンツを表示すれば、利用者は４０％の確率で肯定的評価を行うことが示されている。

同様に、嗜好性モデルへの入力情報として、「文字数：多い」「感嘆詞：少ない」の特徴情報を有するコンテンツに対する評価が「評価：○」であった場合に、「感嘆詞：多い」の特徴情報を有するコンテンツを表示すれば、利用者は７０％の確率で肯定的評価を行うこと、同一条件で「感嘆詞：少ない」の特徴情報を有するコンテンツを表示すれば、利用者は３０％の確率で肯定的評価を行うことが示されている。

特徴情報ごとに定められた確率分布を組み合わせることで、コンテンツの全ての特徴情報の組み合わせを出力情報とする確率分布モデルが構成される。嗜好推定部２０は、この確率分布モデルに基づいて、次に表示すべきコンテンツを推定することができる。そして、嗜好学習部１９は、表示されたコンテンツに対する利用者の評価情報に基づいて確率分布モデルを更新することで、利用者の嗜好性を学習する。

確率推論モデルの他の例としては、例えば、ベイジアンネットワークやニューラルネットワーク等が用いられる。例えば、「文字数」の特徴情報を例にして説明すると、次に表示すべきコンテンツの「文字数」の特徴情報に寄与するデータである、過去に閲覧されたコンテンツの既読数、「文字数」の特徴情報、利用者の評価情報のデータを入力として、ベイジアンネットワークやニューラルネットワークの確率推論モデルを構築し、その推論結果として、次に表示すべきコンテンツの「文字数」の特徴情報が推定される。

次に表示すべきコンテンツの特徴情報に寄与する入力情報としては、図８に挙げた以外にも、利用者の性格、職業、性別、消費特性といった情報を用いることもできる。さらに、確率推論モデルにより推定された特徴情報に対応するコンテンツと、定式化モデルにより推定された特徴情報に対応するコンテンツとを、表示部２１に同時にリスト表示することもできる。

上記実施形態では、操作入力部２２を介してコンテンツに対する肯定または否定の評価を入力することで、利用者評価情報を検出しているが、本発明はこれに限定されることはなく、例えば、コンテンツの閲覧時間が所定値を超えた場合に肯定の評価が自動的に入力されるようにしても良い。

上記実施形態では、各特徴に対して「多い」「少ない」の２段階の特徴情報を定めているが、例えば「文字数：０〜５０」「文字数：５０〜１００」「文字数：１００〜１５０」のように、多段階の特徴情報を定めても良い。

コンテンツ自体をコンテンツＤＢ１２に入力する代わりに、コンテンツの所在情報（ＵＲＬ等）をコンテンツＤＢ１２に入力しても良い。

以上に本発明の好適な実施の形態を説明した。しかし、本発明は上述の実施の形態に限定されず、当業者が本発明の範囲内で上述の実施の形態を変形可能なことはもちろんである。

以上のように、本発明にかかるコンテンツ検索装置は、抽出されたコンテンツに対する評価を繰り返すことで、コンテンツに対する利用者の嗜好性を学習することができるので、検索用のキーワードを入力することなく、利用者の嗜好に応じたコンテンツを抽出することのできるという効果を有し、例えばコンテンツ検索サーバとして有用である。

本発明のコンテンツ検索装置の構成を示すブロック図 特徴情報の一覧を示す説明図 特徴情報に応じてコンテンツを分類した例を示す説明図 第１の実施形態における推論モデルを示す説明図 嗜好性モデルの例を示す説明図 嗜好性モデルが更新された例を示す説明図 嗜好性モデルに基づいて特徴情報を推定する手順を示すフローチャート 第２の実施形態における推論モデルを示す説明図 嗜好性モデルの例を示す説明図 第２の実施形態における推論モデルの別の例を示す説明図 第３の実施形態において、嗜好性モデルに基づき特徴情報を推定する手順を示すフローチャート 第３の実施形態において、嗜好性モデルが更新された例を示す説明図 第３の実施形態における、推論モデルの別の例を示す説明図 図１３に対応する嗜好性モデルの例を示す説明図 抽出されたコンテンツが表示された様子を示す説明図 確率分布モデルとしての嗜好性モデルの例を示す説明図

１０ コンテンツ検索装置
１１ コンテンツ収集部
１２ コンテンツＤＢ
１３ 特徴情報抽出部
１５ 特徴情報ＤＢ
１６ 嗜好性モデルＤＢ
１７ コンテンツ抽出部
１８ 状況検出部
１９ 嗜好学習部
２０ 嗜好推定部

Claims (11)

1. 複数のコンテンツの中から少なくとも１つのコンテンツを検索するコンテンツ検索装置において、
   前記コンテンツの情報を記憶するコンテンツ記憶部と、
   前記コンテンツの特徴を示す特徴情報を抽出する特徴情報抽出部と、
   前記特徴情報を前記コンテンツに対応づけて記憶する特徴情報記憶部と、
   少なくとも１つの入力情報と、抽出すべきコンテンツの前記特徴情報との関係を示す嗜好性モデルを記憶する嗜好性モデル記憶部と、
   前記嗜好性モデル及び前記入力情報に基づいて、抽出すべきコンテンツの前記特徴情報を推定する嗜好推定部と、
   前記嗜好推定部で推定された前記特徴情報に対応する前記コンテンツを、前記コンテンツ記憶部から抽出するコンテンツ抽出部と、
   抽出された前記コンテンツに対する利用者の評価情報に基づいて、前記嗜好性モデルを更新する嗜好学習部を備え、
   前記特徴情報抽出部は、前記コンテンツの特徴が所定条件を満たす場合には、コンテンツの主要な特徴を示す主要特徴情報として抽出し、
   前記嗜好記憶部は、前記主要特徴情報を含む前記入力情報と、抽出すべきコンテンツの前記特徴情報との関係を示す主要嗜好性モデルを記憶し、
   前記嗜好推定部は、抽出されたコンテンツが前記主要特徴情報を有する場合には、前記主要嗜好性モデル及び前記入力情報に基づいて、抽出すべきコンテンツの前記特徴情報を推定し、
   前記嗜好学習部は、抽出された前記コンテンツに対する利用者の評価情報に基づいて、前記主要嗜好性モデルを更新することを特徴とするコンテンツ検索装置。
2. 前記入力情報は、抽出された前記コンテンツに対する利用者の肯定的評価及び否定的評価の少なくとも一方を含むことを特徴とする、請求項１記載のコンテンツ検索装置。
3. 前記入力情報は、抽出された前記コンテンツの前記特徴情報に対する利用者の評価情報を含むことを特徴とする、請求項１または２記載のコンテンツ検索装置。
4. 前記嗜好推定部は、前記入力情報との関係が所定値よりも小さい前記特徴情報に対しては、前記入力情報から除外することを特徴とする、請求項３記載のコンテンツ検索装置。
5. 前記入力情報は、抽出された前記コンテンツに対して利用者が評価したときの状況を含むことを特徴とする、請求項１〜４にいずれか記載のコンテンツ検索装置。
6. 前記嗜好学習部は、前記主要嗜好性モデルと前記嗜好性モデルとを、異なる条件にて更新することを特徴とする、請求項１〜５のいずれか記載のコンテンツ検索装置。
7. 前記嗜好性モデルは、前記特徴情報ごとに、前記入力情報をパラメータとして前記特徴情報を算出する定式化モデルであることを特徴とする、請求項１〜６のいずれか記載のコンテンツ検索装置。
8. 前記嗜好性モデルは、前記入力情報をパラメータとして前記特徴情報を算出する確率推論モデルであることを特徴とする、請求項１〜６のいずれか記載のコンテンツ検索装置。
9. 前記特徴情報は、前記コンテンツに含まれる文字数、品詞数、画像数のうち、少なくとも１つを含むことを特徴とする、請求項１〜８のいずれか記載のコンテンツ検索装置。
10. 複数のコンテンツの中から少なくとも１つのコンテンツを検索するコンテンツ検索方法において、コンテンツ検索装置は、
    前記コンテンツの情報をコンテンツ記憶部に記憶し、
    前記コンテンツの特徴を示す特徴情報を抽出し、
    前記特徴情報を前記コンテンツに対応づけて特徴情報記憶部に記憶し、
    少なくとも１つの入力情報と、抽出すべきコンテンツの前記特徴情報との関係を示す嗜好性モデルを嗜好性モデル記憶部に記憶し、
    前記嗜好性モデル及び前記入力情報に基づいて、抽出すべきコンテンツの前記特徴情報を推定し、
    推定された前記特徴情報に対応する前記コンテンツを、前記コンテンツ記憶部から抽出し、
    抽出された前記コンテンツに対する利用者の評価情報に基づいて、前記嗜好性モデルを更新し、
    前記コンテンツの特徴が所定条件を満たす場合には、コンテンツの主要な特徴を示す主要特徴情報として抽出し、
    前記主要特徴情報を含む前記入力情報と、抽出すべきコンテンツの前記特徴情報との関係を示す主要嗜好性モデルを記憶し、
    抽出されたコンテンツが前記主要特徴情報を有する場合には、前記主要嗜好性モデル及び前記入力情報に基づいて、抽出すべきコンテンツの前記特徴情報を推定し、
    抽出された前記コンテンツに対する利用者の評価情報に基づいて、前記主要嗜好性モデルを更新することを特徴とするコンテンツ検索方法。
11. 複数のコンテンツの中から少なくとも１つのコンテンツを検索するためのプログラムであって、コンピュータに対し、
    前記コンテンツの情報をコンテンツ記憶部に記憶するステップと、
    前記コンテンツの特徴を示す特徴情報を抽出するステップと、
    前記特徴情報を前記コンテンツに対応づけて特徴情報記憶部に記憶するステップと、
    少なくとも１つの入力情報と、抽出すべきコンテンツの前記特徴情報との関係を示す嗜好性モデルを嗜好性モデル記憶部に記憶するステップと、
    前記嗜好性モデル及び前記入力情報に基づいて、抽出すべきコンテンツの前記特徴情報を推定するステップと、
    推定された前記特徴情報に対応する前記コンテンツを、前記コンテンツ記憶部から抽出するステップと、
    抽出された前記コンテンツに対する利用者の評価情報に基づいて、前記嗜好性モデルを更新するステップと、
    前記コンテンツの特徴が所定条件を満たす場合には、コンテンツの主要な特徴を示す主要特徴情報として抽出するステップと、
    前記主要特徴情報を含む前記入力情報と、抽出すべきコンテンツの前記特徴情報との関係を示す主要嗜好性モデルを記憶するステップと、
    抽出されたコンテンツが前記主要特徴情報を有する場合には、前記主要嗜好性モデル及び前記入力情報に基づいて、抽出すべきコンテンツの前記特徴情報を推定するステップと、
    抽出された前記コンテンツに対する利用者の評価情報に基づいて、前記主要嗜好性モデルを更新するステップとを実行させることを特徴とするコンテンツ検索プログラム。