JP5182509B2

JP5182509B2 - 情報推薦装置、情報推薦方法および情報推薦プログラム

Info

Publication number: JP5182509B2
Application number: JP2008288113A
Authority: JP
Inventors: 大地木村
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2008-11-10
Filing date: 2008-11-10
Publication date: 2013-04-17
Anticipated expiration: 2028-11-10
Also published as: JP2010113683A

Description

本発明は、情報推薦装置、情報推薦方法および情報推薦プログラムに関し、特にユーザのソーシャルネットワークにおけるコミュニティの特徴に基づいて、ユーザにとって思いがけない分野の情報を推薦可能とする情報推薦装置、情報推薦方法および情報推薦プログラムに関わる。

インターネット上に存在する商品コンテンツやニュースなどの情報コンテンツの量が膨大になり、各ユーザにとって自分に適切な情報を漏らさず探しきることが難しい状況となってきている。また、書籍やＣＤなどを販売するサイトにとっては、ユーザが好みそうな商品を所有していても、販売サイトが抱える膨大なコンテンツ数のためにユーザがその存在に気づかなければ、商品販売の機会を失うおそれがある。

この問題を解決するため、ユーザが好みそうな情報コンテンツを推薦することが行われている。

その一つの方法として、ユーザの過去の行動・嗜好などのデータが類似している他のユーザのデータから、ユーザの好みそうな情報を推定する技術が知られている。

例えば、特許文献１には、コミュニティに登録されている情報コンテンツを各コミュニティ同士で比較し、共通しているコンテンツがあらかじめ設定された閾値よりも多い場合には類似していると判断し、一方にあって他方にないコンテンツを推薦する方法が記載されている。

また、特許文献２には、オントロジによって各ユーザのブログエントリから興味を分析し、ユーザ同士のオントロジが類似している場合には、一方にあって他方にないエントリを推薦する方法が記載されている。

別の方法として、ソーシャルネットワーキングサービス（ＳＮＳ）等に代表される記録された友人関係に基づき、ユーザの友人の過去の行動・嗜好などのデータから、ユーザの好みそうな情報を推定する技術が知られている。

例えば、特許文献３には、ＳＮＳにおける「友人」、「友人の友人」のように友人関係の距離に基づき、情報の推薦元を決定する技術が記載されている。

また、特許文献４には、ＳＮＳにおいて、同一のコミュニティに属するユーザを情報の推薦元とする技術が記載されている。

さらに別の方法として、あらかじめ情報コンテンツを各カテゴリに分け、ユーザのアクセスしたコンテンツについての特徴ベクトルをカテゴリごとに作成し、同一カテゴリにおけるユーザの特徴ベクトルとユーザがまだアクセスしていないコンテンツの特徴ベクトルを比較すること（順マッチング）で、類似しているコンテンツを推薦するとともに、異なるカテゴリ間でユーザの特徴ベクトルとコンテンツの特徴ベクトルを比較すること（交差マッチング）で、意外性のあるコンテンツを推薦する技術が特許文献５に記載されている。

特開２００８−１０２８４６特開２００７−２４１７５４特開２００６−３０９６６０特開２００６−０５９２５７特開２００１−２６５８０８

しかしながら、特許文献１、２に記載されている、ユーザの過去の行動・嗜好などのデータが類似している他のユーザのデータから、ユーザの好みそうな情報を推定する技術は、ユーザ、および、ユーザと類似した他者がもともと興味のあった分野についての情報を推薦する傾向にある。そのため、ユーザにとって未知の分野については効力を発揮せず、ユーザが既知の分野のみの情報が推薦され、情報の多様性が失われるという課題が指摘される。

また、特許文献３、４に記載されている、友人関係に基づき、ユーザの友人の過去の行動・嗜好などのデータから、ユーザの好みそうな情報を推定する技術は、ユーザの嗜好と友人の嗜好が必ずしも合致するわけではない。そのため、ユーザ間の友人関係は、情報推薦の質を担保するものではないという課題が指摘される。

また、特許文献５に記載されている技術では、ユーザにとって既知のカテゴリの特徴ベクトルとユーザがアクセスしたことのない未知のカテゴリのコンテンツの特徴ベクトルを比較する交差マッチングは原理的には可能である。しかし、このような比較によって推薦された情報コンテンツをユーザが受け入れるかどうかということについては、推薦情報の質についての担保がなく精度が低いという課題が指摘される。

そこで、上述した課題を斟酌し、ユーザにとって思いがけない、かつ、ユーザが受け入れやすい分野の情報の推薦に好適な情報推薦装置、情報推薦方法および情報推薦プログラムを提案する。

上述した課題を従来の提案とは別の観点から検討を行い、以下の提案により解決を見出した。すなわち、ネットワーク上に形成されるコミュニティに属する所定のユーザに他のユーザが持っている情報を推薦する情報推薦装置であって、前記ネットワーク上に形成される各コミュニティに関する情報を記憶するコミュニティ記憶手段と、前記各コミュニティに関する情報を用いて、前記所定のユーザと前記他のユーザが共通して属するコミュニティの特徴と、前記所定のユーザが属する全てのコミュニティの特徴と、に基づいて、前記所定のユーザと一つ以上のコミュニティで共通して属する前記他のユーザが、前記所定のユーザにとって親和性のある情報を扱っている度合いを表す第１の指標値を算出する類似度算出手段と、前記各コミュニティに関する情報を用いて、前記所定のユーザと前記他のユーザが共通して属するコミュニティに属するユーザの中で、前記所定のユーザが属さず前記他のユーザが属するコミュニティにも属するユーザの特徴と、前記所定のユーザと前記他のユーザが共通して属するコミュニティの特徴と、に基づいて、前記所定のユーザと一つ以上のコミュニティで共通して属する前記他のユーザが、前記所定のユーザにとって思いがけない分野の情報をもたらす度合いを表す第２の指標値を算出する意外度算出手段と、前記第１の指標値と前記第２の指標値とを各ユーザについて算出した結果に基づいて、前記所定のユーザに情報を推薦する前記他のユーザを選出する推薦手段と、を具備する。

ここで、ネットワーク上に形成されるコミュニティとは、例えばソーシャルネットワーキングサービス（ＳＮＳ）などに備わっているテーマが明示されたコミュニティでもよく、あるいは、明示的なコミュニティがないブログのネットワークにおいて、コミュニティ分割法などで得られたコミュニティでもよい。

また、コミュニティに関する情報とは、コミュニティに属するユーザの数、コミュニティのテーマ、コミュニティに属する各ユーザの性別や年齢などの属性やその分布、などが挙げられるが、これらに限定されるものではない。

また、ユーザは、少なくとも一つのコミュニティに属するものとするが、２つ以上の複数のコミュニティに属してもよい。

また、所定のユーザとは、情報の推薦を受けるユーザを意味し、他のユーザとは、所定のユーザ以外のユーザを意味する。

本発明によれば、ユーザのソーシャルネットワークにおけるコミュニティの特徴に基づいて、ユーザにとって思いがけない、かつ、ユーザが受け入れやすい分野の情報を推薦することができる。

以下、本発明の実施形態について図面を参照して説明する。

［第１の実施形態］
図１は、本発明の第１の実施形態の構成例を示す図である。図１において、サーバ３は、通信網１を介して複数の端末２ａ〜２ｎと通信可能に接続されている。サーバ３は、情報推薦装置としての機能を有する。通信網１としては、例えばインターネットなどでよい。また、企業内のイントラネットなどでもよい。端末２ａ〜２ｎは、パーソナルコンピュータや携帯電話などでもよい。サーバ３は、コミュニティ記憶手段３ａ、類似度算出手段３ｂ、意外度算出手段３ｃ、推薦手段３ｄを備える。このようなサーバ３は、プログラム実行機能を有するＣＰＵ、コンピュータ等により実現することができる。すなわち、コンピュータの場合について言えば、内部あるいは外部記憶装置（記録媒体）に予め記憶されている、後述する情報推薦プログラムを読み出して実行することで、以降で説明される機能が実現される。これは以降で説明される第２の実施形態でも同様である。

サーバ３において、コミュニティ記憶手段３ａは、端末２ａ〜２ｎを用いて通信網１に接続しているユーザが属するコミュニティに関する情報を記憶する。コミュニティに関する情報として、例えば、各コミュニティに属するユーザのリストがあり、図２はその例である。図２では、例えばコミュニティｃ１に、ユーザＡ、ＢおよびＣが属していることを表す。通常、ユーザは複数のコミュニティに属している。

類似度算出手段３ｂは、コミュニティ記憶手段３ａに記憶された各コミュニティに関する情報を用いて、所定のユーザと他のユーザが共通して属するコミュニティの特徴と、所定のユーザが属する全てのコミュニティの特徴と、に基づいて、所定のユーザと一つ以上のコミュニティで共通して属する他のユーザが、所定のユーザにとって親和性のある情報を扱っている度合いを表す第１の指標値を算出する。

ここで述べるコミュニティにおいては、ＳＮＳなどの明示的なテーマがある場合には、そのテーマに関する情報が主に取り扱われている。また、コミュニティ分割法で得られたコミュニティでは明示的なテーマが存在しないが、そのコミュニティ内では似通った情報が扱われている。したがって、コミュニティとはある一つの分野と見ることができる。

意外度算出手段３ｃは、コミュニティ記憶手段３ａに記憶された各コミュニティに関する情報を用いて、所定のユーザと他のユーザが共通して属するコミュニティに属するユーザの中で、所定のユーザが属さず他のユーザが属するコミュニティにも属するユーザの特徴と、所定のユーザと他のユーザが共通して属するコミュニティの特徴と、に基づいて、所定のユーザと一つ以上のコミュニティで共通して属する他のユーザが、所定のユーザにとって思いがけない分野の情報をもたらす度合いを表す第２の指標値を算出する。

推薦手段３ｄは、類似度算出手段３ｂおよび意外度算出手段３ｃからそれぞれ算出された第１の指標値と第２の指標値とを各ユーザについて算出した結果に基づいて、所定のユーザに情報を推薦する他のユーザを選出する。

次に動作について説明する。

図３は、本発明の第１の実施形態における情報推薦プログラムの処理経過の例を示すフローチャートである。

まず、コミュニティ記憶手段３ａは、各コミュニティに関する情報を記憶する（ステップｓ１１）。

類似度算出手段３ｂは、コミュニティ記憶手段３ａに記憶された各コミュニティに関する情報を用いて、所定のユーザと他のユーザが共通して属するコミュニティの特徴と、所定のユーザが属する全てのコミュニティの特徴と、に基づいて、所定のユーザと一つ以上のコミュニティで共通して属する他のユーザが、所定のユーザにとって親和性のある情報を扱っている度合いを表す第１の指標値（以下、「類似度」と呼ぶ）を算出する（ステップｓ１２）。

以下では、コミュニティの特徴をそのコミュニティに属するユーザの数とした場合の例を示す。一般に、コミュニティに属するユーザの数が少ないほど、そのコミュニティの中での結束は強く、また、所定のユーザと他のユーザが共通して属するコミュニティの数が多いほど両者の親和性は高いと推定される。よって、所定のユーザにとっての他のユーザｉの類似度ｓ_ｉを、例えば、所定のユーザと他のユーザが共通して属するコミュニティに属するユーザの数と、所定のユーザが属する全てのコミュニティのそれぞれに属するユーザの数の平均と、の相対比を用いて、次の数１のように与えることができる。しかし、これに限定されるものではない。

数１において、＃ｃ^１ _ｍは所定のユーザが属するｍ番目のコミュニティに属するユーザの数、Ｍは所定のユーザが属するコミュニティの数、＃ｃ^０ _ｋは所定のユーザと他のユーザｉが共通して属するｋ番目のコミュニティに属するユーザの数、Ｋは所定のユーザと他のユーザが共通して属するコミュニティの数をそれぞれ表す。他の例としては、上述した式の対数を新たに類似度として与えても良い。

意外度算出手段３ｃは、コミュニティ記憶手段３ａに記憶された各コミュニティに関する情報を用いて、所定のユーザと他のユーザが共通して属するコミュニティに属するユーザの中で、所定のユーザが属さず他のユーザが属するコミュニティにも属するユーザの特徴と、所定のユーザと他のユーザが共通して属するコミュニティの特徴と、に基づいて、所定のユーザと一つ以上のコミュニティで共通して属する他のユーザが、所定のユーザにとって思いがけない分野の情報をもたらす度合いを表す第２の指標値（以下、「意外度」と呼ぶ）を算出する（ステップｓ１３）。

図４は、コミュニティとそれに属するユーザの様子を表した例である。本例では、所定のユーザＵは、コミュニティｃ１に属しているがコミュニティｃ２、ｃ３には属していないことを示す。また、他のユーザＡ〜Ｇは、所定のユーザＵと共通してコミュニティｃ１に属している。他のユーザＣ〜Ｆはコミュニティｃ２にも属しており、他のユーザＧはコミュニティｃ３にも属している。このように、他のユーザＣ〜Ｇは、所定のユーザＵと共通して属するコミュニティｃ１が存在し、かつ、所定のユーザＵが属していないコミュニティｃ２、または、ｃ３に属しているので、意外度算出手段３ｃの算出の対象となる。他のユーザＡ，Ｂは、所定のユーザＵと共通して属するコミュニティｃ１が存在するが、所定のユーザＵが属さないコミュニティに更に属してはいないので、意外度算出手段３ｃの算出の対象としなくてよい。あるいは、他のユーザＡ，Ｂの意外度を０と定義しても良い。他のユーザＸ１〜Ｘ３およびＹ１〜Ｙ３は、所定のユーザＵと共通して属するコミュニティが存在しないので、意外度算出手段３ｃはこれらの他のユーザについては意外度を算出しない。

以下では、コミュニティの特徴をそのコミュニティに属するユーザの数とした場合の例を示す。図４においては、コミュニティｃ１とｃ３の両方に属するユーザの数は他のユーザＧ１人であり、コミュニティｃ１とｃ２の両方に属する他のユーザＣ〜Ｆの計４人と比べて少ない。これは、コミュニティｃ１においては、コミュニティｃ３の情報は、コミュニティｃ２の情報に比べて、より意外な情報であることを示すと推測される。すなわち、所定のユーザＵにとっては、他のユーザＧのほうが、他のユーザＣ〜Ｆよりも、所定のユーザＵにとって思いがけない分野の情報をもたらす度合いが高いと算出される。所定のユーザＵにとっての他のユーザｉの意外度ｕ_ｉを、例えば、所定のユーザＵと他のユーザが共通して属するコミュニティに属するユーザの中で、所定のユーザが属さず他のユーザが属するコミュニティにも属するユーザの数と、所定のユーザと他のユーザが共通して属するコミュニティに属するユーザの数と、の相対比を用いて、次のように与えることができる。しかし、これに限定されるものではない。

ｕ_ｉ＝＃（ｃ１）／＃（ｃ１∩ｃｋ）
すなわち、＃（ｃ１）はコミュニティｃ１に属するユーザの数を、＃（ｃ１∩ｃｋ）はコミュニティｃ１とｃｋ（図４で言えば、ｃｋはｃ２とｃ３）の両方に属するユーザの数を表す。本例では、他のユーザＣ〜Ｆの意外度はそれぞれ、８／４＝２、他のユーザＧの意外度は、８／１＝８、と計算される。

図５は、所定のユーザＵと他のユーザＰ、Ｑが共通してコミュニティｃ４に属し、かつ、他のユーザＰはコミュニティｃ５に、他のユーザＱはコミュニティｃ５およびｃ６にも属している状況を示す例である。本例では、他のユーザＱは他のユーザＰよりも属しているコミュニティの数が多いので、所定のユーザＵにとっての意外度は他のユーザＱは他のユーザＰよりも高いと算出される。本例における所定のユーザＵにとってのユーザＱの意外度は、例えば次のように与えることができるが、これに限定されるものでない。

ｕ_Ｑ＝＃（ｃ４）／＃（ｃ４∩ｃ５）＋＃（ｃ４）／＃（ｃ４∩ｃ６）
このように意外度を与えると、他のユーザＰの意外度ｕ_Ｐ＝＃（ｃ４）／＃（ｃ４∩ｃ５）よりも高くなることは自明である。

図６は、所定のユーザＵと他のユーザＲが共通してコミュニティｃ７及びｃ８に属し、かつ、他のユーザＲはコミュニティｃ９にも属している状況を示す例である。本例において、他のユーザＲの意外度は、コミュニティｃ７およびｃ９のみ考慮して前述の計算式を適用すると、ｕ_Ｒ＝＃（ｃ７）／＃（ｃ７∩ｃ９）、であり、コミュニティｃ８およびｃ９のみ考慮して前述の計算式を適用すると、ｕ_Ｒ＝＃（ｃ８）／＃（ｃ８∩ｃ９）、である。仮に、＃（ｃ７）／＃（ｃ７∩ｃ９）＜＃（ｃ８）／＃（ｃ８∩ｃ９）とすると、コミュニティｃ７にとってのコミュニティｃ９の情報は、コミュニティｃ８にとってのコミュニティｃ９の情報よりも意外ではない、すなわち、流布しやすい。よって、本例においては、他のユーザＲの意外度はｕ_Ｒ＝＃（ｃ７）／＃（ｃ７∩ｃ９）とするのが望ましい。

以上を鑑みて、所定のユーザにとっての他のユーザｉの意外度ｕ_ｉは、例えば次の数２のように与えることができるが、これに限定されるものではない。

数２において、＃ｃ^０ _ｋは所定のユーザと他のユーザｉが共通して属するｋ番目のコミュニティに属するユーザの数、＃ｃ^ｉ _ｊは所定のユーザが属さないが他のユーザｉが属するｊ番目のコミュニティに属するユーザの数を表す。他の例としては、上述した式の対数を新たに意外度として与えても良い。

推薦手段３ｄは、類似度算出手段３ｂおよび意外度算出手段３ｃからそれぞれ算出された類似度と意外度とを各ユーザについて算出した結果に基づいて、所定のユーザに情報を推薦する他のユーザを選出する（ステップｓ１４）。

まず、意外度が高い他のユーザを最初に選び出す。ここでは、意外度があらかじめ定められた所定の値よりも高い複数の他のユーザを選び出してもよいし、意外度が高い順に予め定められた数だけ他のユーザを選び出してもよい。

ここで、類似度が高い他のユーザは所定のユーザと似ていると推定され、そのような他のユーザの情報は所定のユーザにとって受け入れやすい。そのため、類似度が高い他のユーザを優先的に選ぶことが望ましい。なお、条件を満たさない場合、他のユーザは選出されなくても良い。

次に、第１の実施形態の効果について説明する。

第１の実施形態においては、所定のユーザが属していないコミュニティ、すなわち所定のユーザにとって思いがけない分野の情報を、所定のユーザと他のユーザが共通して属する一つ以上のコミュニティの特徴と、所定のユーザと他のユーザが共通して属するコミュニティに属するユーザの中で、所定のユーザが属さず他のユーザが属するコミュニティにも属するユーザの特徴と、に基づいて推薦することができる。

意外度が高い他のユーザの情報を推薦することによって、ユーザにとって思いがけない分野の情報を推薦することが可能となる。さらに、意外度の高い他のユーザの中で類似度も高い場合には、所定のユーザがその推薦を受け入れやすい。

従来技術では、ユーザが未知の分野の情報を適切に推薦することができなかったが、本実施形態では以上のようにユーザが未知の分野であっても適切な情報を推薦するように、コミュニティの特徴から算出された意外度と類似度によって担保されている。

［第２の実施形態］
図７は、本発明の第２の実施形態の構成例を示す図である。第１の実施形態との差異について説明する。サーバ３’は、コミュニティ記憶手段３ａ、類似度算出手段３ｂ、意外度算出手段３ｃ、推薦手段３ｄに加えて、ユーザ希望記憶手段３ｅを備える。

ユーザ希望記憶手段３ｅは、第１の指標値と第２の指標値に関して、端末２ａ〜２ｎを用いて通信網１に接続している所定のユーザの希望について、キーボードなどの入力装置を介して入力を受け付け、記憶する。

ここで、ユーザからの希望が入力される必要は必ずしもなく、事前に用意された所定の指標値をデフォルトとして用いても良い。

推薦手段３ｄは、類似度算出手段３ｂおよび意外度算出手段３ｃからそれぞれ算出された第１の指標値と第２の指標値とを各ユーザについて算出した結果と、ユーザ希望記憶手段３ｅによって得られた所定のユーザが希望する指標値と、に基づいて、所定のユーザに情報を推薦する他のユーザを選出する。

次に、動作について説明をする。

図８は、第２の実施形態の処理経過の例を示すフローチャートである。図３で説明した第１の実施形態にかかる処理経過と同じ処理については同じステップ番号を付し、説明は省略する。

ユーザ希望記憶手段３ｅは、第１の指標値と第２の指標値について、所定のユーザの希望について、キーボードなどの入力装置を介して入力を受け付け、記憶する（ステップｓ２１）。

図９は、ユーザが希望する指標値を入力する画面の例である。入力画面４には、類似度に関する目盛り４１ａ、目盛り４１ａ上で連続的に動かすことができるスライダー４２ａ、意外度に関する目盛り４１ｂ、目盛り４１ｂ上で連続的に動かすことができるスライダー４２ｂ、が表示される。ユーザは、マウスなどの入力手段を用いてスライダー４２ａおよび４２ｂを動かし、希望する指標値を入力する。ユーザは、その時の自身の希望に合わせて、適宜入力を変更することができ、ユーザ希望記憶手段３ｅは、変更された希望する指標値を随時記憶する。また、入力方法はこの例に限定されることは無く、他の様態で代替されて良い。例えば、キーボードなどの入力手段を用いて、希望する指標値を数値によって入力しても良い。

推薦手段３ｄは、類似度算出手段３ｂおよび意外度算出手段３ｃからそれぞれ算出された類似度と意外度とを各ユーザについて算出した結果と、ユーザ希望記憶手段３ｅによって得られた所定のユーザが希望する指標値に照らし合わせて、その希望に近い他のユーザの情報を所定のユーザに推薦すると判断する（ステップｓ２２）。

ここで、希望に近いとは、希望の意外度・類似度と他のユーザの意外度・類似度のユークリッド距離を計算し、その値が小さいことであると設定しても良いし、単純に、希望の意外度と類似度にそれぞれ所定の上限・下限を設け、その範囲に他のユーザの意外度・類似度が収まると設定しても良い。また、最も希望に近い他のユーザの情報だけを推薦しても良いし、希望に近い複数のユーザの情報を、希望の近さで重み付けて推薦しても良い。

次に、第２の実施形態の効果について説明する。

第２の実施形態においては、所定のユーザからの希望を受け付けることで、所定のユーザが、自身がこれまで気づかなかった分野についての見識を広めたいと思う場合には、意外度を高めに入力することによってそれが可能となり、所定のユーザが自分のなじみのある分野についての情報を得たい場合には意外度を低めに入力することによって可能となる。以上のように、情報の推薦の質を所定のユーザの希望に合わせることができる。

本発明は、例えば、Ｅコマースシステムを組み込むことで、ユーザにとって思いがけない分野の商品情報を提供することができ、ユーザの更なる購買を促すことができる。

また、ニュースなどの情報提供サイトにおいて、ユーザにとって思いがけない分野を提供することにより、ユーザのアクティビティの向上に貢献できる。

本発明の第１の実施形態に係る情報推薦装置の概略構成を示すブロック図である。各コミュニティに属するユーザのリストの例である。本発明の第１の実施形態に係る処理経過の例を示すフローチャートである。コミュニティとそれに属するユーザの様子を表した例を示した図である。コミュニティとそれに属するユーザの様子を表した例を示した図である。コミュニティとそれに属するユーザの様子を表した例を示した図である。本発明の第２の実施形態に係る情報推薦装置の概略構成を示すブロック図である。本発明の第２の実施形態に係る処理経過の例を示すフローチャートである。ユーザが希望する指標値を入力する画面の例を示した図である。

符号の説明

１通信網
２ａ〜２ｎ端末
３、３’ サーバ
３ａコミュニティ記憶手段
３ｂ類似度算出手段
３ｃ意外度算出手段
３ｄ推薦手段
３ｅユーザ希望記憶手段
４入力画面
４１ａ、４１ｂ目盛り
４２ａ、４２ｂスライダー

Claims

ネットワーク上に形成されるコミュニティに属する所定のユーザに他のユーザが持っている情報を推薦する情報推薦装置であって、
前記ネットワーク上に形成される各コミュニティに関する情報を記憶するコミュニティ記憶手段と、
前記各コミュニティに関する情報を用いて、前記所定のユーザと前記他のユーザが共通して属するコミュニティの特徴と、前記所定のユーザが属する全てのコミュニティの特徴と、に基づいて、前記所定のユーザと一つ以上のコミュニティで共通して属する前記他のユーザが、前記所定のユーザにとって親和性のある情報を扱っている度合いを表す第１の指標値を算出する類似度算出手段と、
前記各コミュニティに関する情報を用いて、前記所定のユーザと前記他のユーザが共通して属するコミュニティに属するユーザの中で、前記所定のユーザが属さず前記他のユーザが属するコミュニティにも属するユーザの特徴と、前記所定のユーザと前記他のユーザが共通して属するコミュニティの特徴と、に基づいて、前記所定のユーザと一つ以上のコミュニティで共通して属する前記他のユーザが、前記所定のユーザにとって思いがけない分野の情報をもたらす度合いを表す第２の指標値を算出する意外度算出手段と、
前記第１の指標値と前記第２の指標値とを各ユーザについて算出した結果に基づいて、前記所定のユーザに情報を推薦する前記他のユーザを選出する推薦手段と、
を具備することを特徴とする情報推薦装置。
請求項１に記載の情報推薦装置であって、
前記各コミュニティに関する情報は、各コミュニティに属するユーザの数であることを特徴とする情報推薦装置。
請求項２に記載の情報推薦装置であって、
前記類似度算出手段は、前記所定のユーザと前記他のユーザが共通して属するコミュニティに属するユーザの数と、前記所定のユーザが属する全てのコミュニティのそれぞれに属するユーザの数の平均と、の相対比を用いて、前記第１の指標値を算出することを特徴とする情報推薦装置。
請求項２又は３に記載の情報推薦装置であって、
前記意外度算出手段は、前記所定のユーザと前記他のユーザが共通して属するコミュニティに属するユーザの中で、前記所定のユーザが属さず前記他のユーザが属するコミュニティにも属するユーザの数と、前記所定のユーザと前記他のユーザが共通して属するコミュニティに属するユーザの数と、の相対比を用いて、前記第２の指標値を算出することを特徴とする情報推薦装置。
請求項１乃至４のいずれか一項に記載の情報推薦装置であって、
更に、前記第１の指標値と前記第２の指標値について、前記所定のユーザの希望についての入力を受け付け、記憶するユーザ希望記憶手段を具備し、
前記推薦手段は、前記ユーザ希望記憶手段によって得られた前記所定のユーザが希望する指標値を用いて、他のユーザを選出することを特徴とする情報推薦装置。
ネットワーク上に形成されるコミュニティに属する所定のユーザに他のユーザが持っている情報を推薦する情報推薦方法であって、
前記ネットワーク上に形成される各コミュニティに関する情報を記憶し、
前記各コミュニティに関する情報を用いて、前記所定のユーザと前記他のユーザが共通して属するコミュニティの特徴と、前記所定のユーザが属する全てのコミュニティの特徴と、に基づいて、前記所定のユーザと一つ以上のコミュニティで共通して属する前記他のユーザが、前記所定のユーザにとって親和性のある情報を扱っている度合いを表す第１の指標値を算出し、
前記各コミュニティに関する情報を用いて、前記所定のユーザと前記他のユーザが共通して属するコミュニティに属するユーザの中で、前記所定のユーザが属さず前記他のユーザが属するコミュニティにも属するユーザの特徴と、前記所定のユーザと前記他のユーザが共通して属するコミュニティの特徴と、に基づいて、前記所定のユーザと一つ以上のコミュニティで共通して属する前記他のユーザが、前記所定のユーザにとって思いがけない分野の情報をもたらす度合いを表す第２の指標値を算出し、
前記第１の指標値と前記第２の指標値とを各ユーザについて算出した結果に基づいて、前記所定のユーザに情報を推薦する前記他のユーザを選出する、
ことを特徴とする情報推薦方法。
請求項６に記載の情報推薦方法であって、
前記各コミュニティに関する情報は、各コミュニティに属するユーザの数であることを特徴とする情報推薦方法。
請求項７に記載の情報推薦方法であって、
前記第１の指標値の算出においては、前記所定のユーザと前記他のユーザが共通して属するコミュニティに属するユーザの数と、前記所定のユーザが属する全てのコミュニティのそれぞれに属するユーザの数の平均と、の相対比を用いて、前記第１の指標値を算出することを特徴とする情報推薦方法。
請求項７又は８に記載の情報推薦方法であって、
前記第２の指標値の算出においては、前記所定のユーザと前記他のユーザが共通して属するコミュニティに属するユーザの中で、前記所定のユーザが属さず前記他のユーザが属するコミュニティにも属するユーザの数と、前記所定のユーザと前記他のユーザが共通して属するコミュニティに属するユーザの数と、の相対比を用いて、前記第２の指標値を算出することを特徴とする情報推薦方法。
請求項６乃至９のいずれか一項に記載の情報推薦方法であって、
更に、前記第１の指標値と前記第２の指標値について、前記所定のユーザの希望についての入力を受け付けて記憶し、
前記他のユーザを選出するに際しては、記憶された前記所定のユーザが希望する指標値を用いて、他のユーザを選出することを特徴とする情報推薦方法。
ネットワーク上に形成されるコミュニティに属する所定のユーザに他のユーザが持っている情報を推薦する情報推薦処理をコンピュータに実行させるための情報推薦プログラムであって、
前記ネットワーク上に形成される各コミュニティに関する情報を記憶する処理と、
前記各コミュニティに関する情報を用いて、前記所定のユーザと前記他のユーザが共通して属するコミュニティの特徴と、前記所定のユーザが属する全てのコミュニティの特徴と、に基づいて、前記所定のユーザと一つ以上のコミュニティで共通して属する前記他のユーザが、前記所定のユーザにとって親和性のある情報を扱っている度合いを表す第１の指標値を算出する処理と、
前記各コミュニティに関する情報を用いて、前記所定のユーザと前記他のユーザが共通して属するコミュニティに属するユーザの中で、前記所定のユーザが属さず前記他のユーザが属するコミュニティにも属するユーザの特徴と、前記所定のユーザと前記他のユーザが共通して属するコミュニティの特徴と、に基づいて、前記所定のユーザと一つ以上のコミュニティで共通して属する前記他のユーザが、前記所定のユーザにとって思いがけない分野の情報をもたらす度合いを表す第２の指標値を算出する処理と、
前記第１の指標値と前記第２の指標値とを各ユーザについて算出した結果に基づいて、前記所定のユーザに情報を推薦する前記他のユーザを選出する処理と、
を実行させるための情報推薦プログラム。
請求項１１に記載の情報推薦プログラムであって、
前記各コミュニティに関する情報は、各コミュニティに属するユーザの数であることを特徴とする情報推薦プログラム。
請求項１２に記載の情報推薦プログラムであって、
前記第１の指標値の算出処理においては、前記所定のユーザと前記他のユーザが共通して属するコミュニティに属するユーザの数と、前記所定のユーザが属する全てのコミュニティのそれぞれに属するユーザの数の平均と、の相対比を用いて、前記第１の指標値を算出することを特徴とする情報推薦プログラム。
請求項１２乃至１３に記載の情報推薦プログラムであって、
前記第２の指標値の算出処理においては、前記所定のユーザと前記他のユーザが共通して属するコミュニティに属するユーザの中で、前記所定のユーザが属さず前記他のユーザが属するコミュニティにも属するユーザの数と、前記所定のユーザと前記他のユーザが共通して属するコミュニティに属するユーザの数と、の相対比を用いて、前記第２の指標値を算出することを特徴とする情報推薦プログラム。
請求項１１乃至１４のいずれか一項に記載の情報推薦プログラムであって、
更に、前記第１の指標値と前記第２の指標値について、前記所定のユーザの希望についての入力を受け付けて記憶する処理を実行させ、
前記他のユーザを選出する処理に際しては、記憶された前記所定のユーザが希望する指標値を用いて、他のユーザを選出することを特徴とする情報推薦プログラム。