JP5283110B2 - 対象を定めたテレビ番組配信のためのシステム、プリファレンスエンジン、機械可読媒体およびテレビ視聴習慣を判断する方法 - Google Patents

Description

この発明は、対話型テレビ番組編成の分野に存在する。具体的には、この発明は、テレビユーザプロファイルデータ予測およびモデリングのための方法およびシステムと、番組および／または広告番組嗜好決定のための方法およびシステムと、プロファイルデータ予測、モデリングおよび嗜好決定に基づくテレビおよび対話型テレビ向けの、対象を定めた広告のための方法およびシステムと、嗜好決定および記憶された番組編成に基づいて視聴者に完全な番組シーケンスを提示可能な方法およびシステムとに属する。後者は、自動番組シーケンス（バーチャルチャンネル）作成と称され、バーチャルチャンネルは、電子番組編成ガイド（ＥＰＧ）中の別個のチャンネルとして与えられる。

対話型テレビにおける、広告を対象決めするシステムおよび方法は公知である。先行技術のシステムおよび方法は一般的に、統計的にサンプリングされた番組駆動メカニズムを通して広告を対象決めする。テレビ向けの広告は、ある番組の視聴率および時間枠に従って価格設定される。広告は、意図されたターゲット視聴者にそれらが到達するように配置されなければならない。ある番組がより多くの視聴者に配信されかつ、人口統計情報に関してその視聴者により明確に焦点合わせされるにつれ、広告を配置するための価格はより高くなる。米国で現在用いられている最も一般的なＴＶ視聴率システムはニールセン・メディア・リサーチ（Nielsen Media Research）である。ニールセンの視聴率付けおよびシェアシステムは５０００メンバーの全国サンプルおよび約５０の地域市場サンプルに基づく。全国サンプルから集められた情報は、テレビのある所与の世帯である時間にどの番組を見ているかと、その世帯のどのメンバーが見ているかとの測定に基づく。後者の情報は、サンプル世帯に設置されるいわゆるピープルメータを介して測定され、それを介して、視聴者は、彼らに個別に割当てられたボタンを押すことにより、ある時間に彼らがいつＴＶを見ているかを示す。全国サンプルは、むしろ未加工の人口統計情報を利用して、番組決定のために嗜好評価を規定する。その結果は、（たとえばテレビのあるすべての世帯、２０歳から４０歳の男性などの）統計的領域に対して規定される視聴率を介しておよびシェアによって公開される。後者は、所与の番組をその放送の時間に見ている領域メンバーの割合を表わす。

ポータブルピープルメータと称される、わずかにより正確なシステムが、アービトロン（Arbitron）社により、限られたローカルテレビ市場で現在テスト中である。ポータブルピープルメータは、テレビ番組に重なる不可聴コードによって人のテレビ使用状況を記録する、ポケットベルサイズの電子トランシーバである。１日の終わりに、トランシーバを基地局の上に置き、そこから、記録された情報が中央データ処理設備に送られる。

ＴＶユーザプロファイルデータ予測およびモデリングの文脈において、先行技術の方法およびシステムは、番組の視聴開始および終了およびクリックタイミングを嗜好指標として用いない。したがって、番組編成予測の文脈における嗜好評価はむしろ初歩的である。先行技術のシステムは、一般的予測アーキテクチャにおいて、遷移、逐次的番組挙動および時間的番組利用をモデリングしないため、それらは高度なコンテンツおよび時間的関係に基づいてユーザの嗜好を予測することができない。

嗜好を推測するのに十分な証拠がいつ存在するかを推定しないことにより、公知の方法
はユーザ嗜好を誤って予測しやすかったり、または、より高い信頼度を構築するまで待つ時間が長くなりすぎることがある。公知の分類方法は、サンプルの特徴次元が観察値と相関し、次にガウス分布パラメータ表示がグループクラスタを記述すると仮定することを必要とする。しかしながら、データは一般的に正規分布しないため、これは不正確である。

番組または広告番組嗜好決定の文脈において、先行技術の方法は自動ユーザ入力を有さず、したがって、どの測定基準があるユーザの嗜好を最もよく予測するかを学習する方法が存在しない。さらに、所与の人口統計グループに嗜好評価が利用可能であっても、それらは静的に重み付けられるだけであり、動的重み付け調節は行なわれない。

テレビおよび対話型テレビ向けの対象決め広告の文脈において、先行技術の方法は、ユーザ対象決めプロファイルの一部として、文脈的挙動情報ではなく人口統計情報を主に用いる。これは、人口統計的にではなく分類可能な消費者グループ中での対象決め性能および人口統計的推測精度を低減してしまう。

したがってこの発明の目的は、この一般的タイプのこれまでに公知の装置および方法の上述の欠点を克服する、ＴＶ使用の挙動モデルクラスタリングと、対象決めされた広告と、嗜好プログラミングとのためのシステムおよび方法を提供することである。

以上のおよびその他の目的を考慮し、この発明に従うと、対象決めされた番組配信のためのテレビ評価システムが提供され、これは、
テレビ視聴データ入力を受取り、視聴データ入力を処理しかつ、広告カテゴリグループの対象決めを行なうユーザプロファイルを生成するクラスタリングエンジンと、
テレビユーザを少なくとも１つの広告カテゴリグループに分類するように適合されたクライアント側システムと、
クライアント側システムに接続され、コンテンツおよび使用関連の嗜好によってテレビユーザの視聴挙動を決定する、文脈的挙動プロファイリングシステムと、
プロファイリングシステムに接続され、テレビユーザの視聴挙動を有する情報をその中に記憶する挙動モデルデータベースとを含む。

この発明のさらなる特徴に従うと、クラスタリングエンジンは、テレビ配信ヘッドエンドにある中央コンピュータシステム中に常駐するソフトウェアエージェントであり、テレビ視聴者の対象決め広告カテゴリに対応するテンプレート挙動プロファイルを作成するようにプログラムされる。

この発明のさらなる特徴に従うと、クラスタリングエンジンは、所与のターゲットグループからのタグ付き視聴データ上で実質的に排他的にトレーニングされて、所与のターゲットグループの最も一般的なプロファイルを学習する。

この発明の別の特徴に従うと、クラスタリングエンジンは、各グループ中の視聴者のプロファイルをそれぞれの広告カテゴリの代表的集合体に一般化するようにおよび、所与のグループに最も強く共通しかつターゲットグループにわたって最も一意のすべての次元を集合することにより、広告カテゴリプロファイルを形成するようにプログラムされる。

この発明のさらなる特徴に従うと、挙動モデルデータベースを照会するように接続された広告マネージャが提供される。広告マネージャは、挙動モデルデータベースの挙動プロファイルをパラメータ化するようにおよび、パラメータ化された挙動プロファイルを、クライアント側システムに常駐する広告カテゴリメンバーシップエージェントにダウンロードするようにプログラムされる。好ましくは、広告カテゴリメンバーシップエージェント
は、ダウンロードされパラメータ化されたターゲットモデルを再構築するようにおよび、クラスタリングエンジンをテレビユーザの履歴に適用して、ユーザが属する最も見込みのある広告カテゴリを決定し、ユーザカテゴリデータベース中の対象決めカテゴリ確率として結果を記憶するように構成される。さらに、対象決めカテゴリ確率と、関連性のある嗜好情報とを組合せて、最適化に従ってダウンロードされた広告を選択的に捕捉し、記憶しかつ表示するためのクライアント側システムに配置されたプレゼンテーションエージェントおよび対象決めエージェントが提供され得る。

上記およびその他の目的を考慮し、この発明に従うと、ヘッドエンド側が番組コンテンツを配信し、クライアント側が番組コンテンツを受信しかつユーザの選択に従って番組コンテンツを選択的に表示する、対話型ディスプレイシステムで用いるための嗜好エンジンも提供される。嗜好エンジンはユーザの好みの番組コンテンツを決定し、これは、
クライアント側に接続されて、１つまたはそれ以上のユーザをプロファイリングする文脈的遷移挙動を記録しかつ、嗜好の知識ベースおよび１つまたはそれ以上のユーザをプロファイリングする文脈的遷移挙動を継続して構築する、ユーザモニタリング装置と、
ユーザの人口統計情報および文脈的遷移挙動プロファイルに従う番組コンテンツを１人またはそれ以上のユーザに提供するための装置とを含む。

嗜好エンジンのユーザモニタリング装置は、広告番組コンテンツおよび娯楽番組コンテンツとのユーザの挙動的対話をモデリングする。

再びこの発明のさらなる特徴に従うと、嗜好エンジンは、広告コンテンツを記述するメタデータと娯楽番組コンテンツを記述するメタデータとをヘッドエンドから受けるように接続されるとともに、メタデータ情報を文脈的遷移挙動プロファイルと組合せることによってコンテンツ嗜好を確立しかつ、ユーザの挙動、人口統計および番組コンテンツ嗜好の間の関連を用いてリレーショナル知識ベースを構築するようにプログラムされる。嗜好エンジンは、挙動モデルを用いて使用挙動のパターンをモデリングしかつ、挙動モデルから挙動データベースに、キーとなる使用情報を抽出するようにプログラムされる。挙動データベース中の各エントリは、データベースエントリを計算するのに用いられるデータの構造的およびサンプリング品質の推定を反映する、それと関連の信頼値を有する。

上記およびその他の目的を考慮し、この発明に従うと、ヘッドエンド側およびクライアント側を有する番組コンテンツ配信システムの中に、対象決めされた番組配信のためのシステムも設けられる。対象決めシステムは、
視聴データ、視聴開始時間、視聴持続時間および視聴チャンネルからなる群から選択された視聴データと、番組ユーザを記述する人口統計情報と、番組コンテンツを記述するメタデータを有する電子番組ガイドとを受けるヘッドエンド側の中央データシステムと、
ユーザの挙動データを受取り、重み付けセットを有する遷移行列の形で知識ベースを出力する人口統計クラスタ知識ベース獲得器とを含み、遷移行列はユーザの人口統計グループを予測し、さらに
ユーザの予測される人口統計グループに基づいて、広告を含む番組コンテンツのストリームをクライアント側に与える番組コンテンツ生成モジュールを含む。

再びこの発明のさらなる特徴に従うと、クリックストリームデータを用いて、ユーザの視聴挙動に関するリアルタイム情報を中央データシステムに配信するためのリアルタイムフィードバックリンクが提供される。

再びこの発明のさらなる特徴に従うと、人口統計クラスタ知識ベース獲得器は隠れマルコフモデルに基づく。

再びこの発明の別の特徴に従うと、人口統計クラスタ知識ベース獲得器および番組コンテンツ生成モジュールは、各々が複数のプロセッサ実行可能命令の形で機械読出可能媒体に記憶されるように適合されたソフトウェアモジュールである。

好ましい実施例では、人口統計クラスタ知識ベース獲得器は、統計ステートマシン遷移モデルの観点で、ユーザの人口統計クラスタ情報を生成する。ステートマシンは遷移行列の中に規定され、遷移行列は、視聴者が開始する番組遷移の情報を含む。

好ましくは、チャンネル行列およびジャンル行列を含む少なくとも２つの並行遷移行列が提供される。題名行列、俳優行列などの他の行列も可能である。

再びこの発明のさらなる特徴に従うと、人口統計クラスタ知識ベース獲得器は、二重乱雑擬似隠れマルコフ過程を用いてユーザの挙動をパラメータ化するように構成されかつ、挙動クラスタをモデリングする低レベル統計ステートマシンと、アクティブな挙動クラスタおよびアクティブな挙動クラスタ間の対話によって上位レベル統計ステートマシンとを規定するように構成される。

この発明の付随する特徴に従うと、人口統計クラスタ知識ベース獲得器は、複数の次元を用いて二重乱雑過程を規定しかつ、番組コンテンツの、チャンネル、ジャンルおよび題名を含む３つの状態カテゴリのうち少なくとも２つの中で、並行する統計ステートマシン遷移イベントを決定するように構成される。

グローバルプロファイルは、統計ステートマシン遷移モデルの観点で視聴者の人口統計クラスタ情報を表わす。この発明は、ＴＶユーザプロファイルデータ予測およびモデリングを提供する。結果的に生じる挙動測定基準は、個人およびその嗜好を一意に特徴付けようとする。遷移プロセスはユーザシーケンスおよび時間的遷移嗜好をモデリングする。この発明は、データ量および品質の信頼度を決定する方法と；高次元非ガウス分布間の距離を定めるアルゴリズムと；グループメンバーシップ分類のためにクラスタ間の十分な分離を定める方法とを提供する。

この発明に従うクエリーインターフェイスは他のシステムモジュールに挙動嗜好情報を与える。

新たな番組または広告番組嗜好決定は以下のものを用いる。
・モデリングされた使用文脈、コンテンツアクセスタイミングおよびコンテンツパラメータシーケンス付けに基づく重み付けファジー投票（voting）嗜好測定基準
・頻度強調された非線形嗜好測定基準投票重み学習アーキテクチャ
・投票間で品質および相対的嗜好傾向を調節することにより、上位ｎ個のコンテンツパラメータ（すなわちチャンネル、ジャンル、俳優、題名など）を定める投票集合体アルゴリズム。

さらなる概念的グループでは、ＴＶおよび対話型ＴＶ向け対象決め広告は以下のものを提供する。すなわち、
・ターゲットカテゴリにユーザを集合するトレーニング技術
・最も代表的なユーザ対象決めカテゴリテンプレートを作成し、それをＴＶクライアントシステムに効率的にダウンロードするプルーニング（pruning）技術
・効率的なユーザ対象決めカテゴリメンバーシップ決定機構
・記憶された好ましい番組編成を用い、ＥＰＧ中にチャンネルとして提示される自動バーチャルチャンネル番組シーケンス作成。

最後に、ユーザの好ましい文脈（すなわち、時間、シーケンスなど）に従って（通常のＥＰＧエントリとともに）記憶された番組および広告をバーチャルチャンネルのＥＰＧに自動的に配置するアルゴリズムが提供される。

したがって、この発明は、ＴＶユーザプロファイルデータ予測およびモデリングの非常に正確なシステムを提供する。先行技術の方法は、番組の視聴開始および終了およびタイミングを嗜好指標として用いず、したがって、それらはあまり正確ではない嗜好評価しか有しない。ここでは、好まれる（liked）、好まれない（unliked）などのカテゴリおよびサーフィン（surfing）条件が別個にモデリングされて、各場合ごとに異なる、人の挙動の意味によりしっかりと一致する。先行技術のシステムは、一般的予測アーキテクチャ中での順次的および時間的な遷移をモデリングしない。したがって、それらは高度なコンテンツおよび時間的関係に基づいてユーザの嗜好を予測することができない。嗜好を推測するのに十分な証拠がいつ存在するかを推定しないことにより、公知の方法は、ユーザ嗜好を誤って予測しやすかったりまたは、それらがより高い信頼度を構築するまで待つ時間が長くなりすぎたりすることがある。

公知の分類方法は、サンプルのすべての特徴次元が観察値と相関し、次に、ガウス分布パラメータ化がグループクラスタを記述すると仮定することを必要とする。しかしながら、データは一般的に正規分布されないため、これは不正確である。この方法は、多峰形（非ベル型）分布のクラスタ分離距離を定めることができかつ、特徴空間に各サンプル点を保存しないことによってメモリを節減する。さらに、先行技術の方法は、サンプル分布が多峰形であるときは最適なクラスタ分類決定を行なわない。この発明のシステムおよび方法は、いずれの任意の分布形状とも働くため、より適切なグループ分類を行なう。

より優れたおよび多面的な挙動モデリングに基づき、この発明は正確な番組または広告番組嗜好決定を可能にする。豊富な時間的および順次的文脈情報を含むことにより、このシステムはユーザの文脈依存嗜好を予測する。この発明は、自動学習方法、すなわち、あるユーザの嗜好を最もよく予測する明確なユーザ入力を利用する。このシステムは、嗜好予測パラメータを動的に調節して、コンテンツパラメータを評価する際に、最も予測的な特徴に対してより高い重み付けを用いる。

このシステムは、先行技術のシステムが単に集合するだけの、サンプルごとの評価傾向によって嗜好評価に影響を与える。よりよい（より低い）品質のサンプルを用いて評価を上げる（下げる）ことにより、より正確な相対的嗜好測定基準が達成される。したがって、嗜好挙動をより十分にモデリングすることにより、この発明は、はるかに優れた広告およびＴＶ番組対象決めを可能にする。

ＴＶおよび対話型ＴＶ向け対象決め広告の文脈において、先行技術の方法は、ユーザ広告対象決めプロファイルの一部として、文脈的挙動情報ではなく人口統計情報を主に用いる。したがって、対象決め性能は、非人口統計的に分類可能な顧客グループおよび人口統計的推測精度においては減じられる。このシステムは、より控え目でない統計的有意性の測定基準を用いることによってプロファイルサイズを小さくし、したがって、統計的に誤ったプロファイル情報をダウンロードしないことにより、分類性能を保存しながら、対象決めテンプレートサイズをさらに小さくする。

単純なローカルテンプレートから、信頼度が軽減された距離として、ＴＶユーザの対象決めカテゴリメンバーシップを推測することにより、この方法は、非常に正確な比例メンバーシップ尤度を達成する。なぜなら、先行技術に対して、テンプレートプロファイルは、統計的観点において誤ってパラメータ化されないからである。

対象決めされた広告に対する視聴者嗜好を正確に分類するだけでなく、この発明は、提案される番組シーケンスの自動作成をさらに可能にする。ここで言っているのは、記憶済の好ましい番組編成を用いたバーチャルチャンネル番組シーケンス作成である。提案される番組シーケンスは電子番組編成ガイド（ＥＰＧ）中の別個のチャンネルとして与えられ得る。バーチャルチャンネルは、ユーザがより好むように番組および放送時間を配置することを除き、ユーザが他のどのチャンネルとも同じ一般的印象をもってバーチャルチャンネルＥＰＧを経験するという点で、先行技術のシステムよりも優れている。バーチャルチャンネルは、ローカル記憶装置で利用可能なコンテンツの単純なリストよりも高レベルの嗜好番組編成を提供する。新たなシステムは、ＴＶユーザに‘オンデマンド’チャンネルの感覚を与える。

システムおよびビジネスモデルの観点では、この発明は、以下のものを提供する対象決めされた広告（Ａｄ）システムに向けられる。すなわち
・個々のユーザ広告カテゴリグループに最もうまく対象決めする最も代表的なテレビ（ＴＶとは、両者とも番組記憶装置を備えるデジタルテレビまたはアナログテレビおよびセットトップボックス受信機の組合せのことである）ユーザプロファイルを作成しかつ決定する新たなクラスタリングメカニズムと、
・ＴＶユーザを１つまたはそれ以上の広告グループカテゴリに分類するクライアント側システムと、
・ユーザのＴＶ使用およびコンテンツ関連の嗜好を決定する文脈的挙動プロファイリングシステムと、
・挙動で対象決めされた広告、嗜好的バーチャルチャンネル電子番組編成ガイド（ＥＰＧ）構築、嗜好的番組記憶および自動番組編成推奨をサポートする、ユーザの嗜好について他のシステムモジュールが照会する挙動モデルデータベースと、である。

新たな広告対象決めシステムは、視聴者が情報を明確に入力するのを必要とせずに、ＴＶユーザの広告カテゴリを推測する。本明細書中では広告カテゴリとは、ユーザのサブセットを、広告主の対象決めの関心と相関可能なカテゴリにグループ化する記述的特徴のセットのことである。伝統的に、これらのカテゴリは人口統計特徴に基づいてきたが、しかし、この発明は、ユーザモデリングおよび対象決めを拡張して挙動測定基準も含んでいる。したがって、さらによりロバストで洗練された広告対象決めシステムが可能である。先行技術とは異なり、この発明の対象決めシステムは、番組データではなく挙動データ駆動である。この発明の基本前提は、同じカテゴリの人間はかなりの整合度をもってモデリングおよびグループ化可能なある挙動を有するということである。この発明の主な基本的な局面は、動的プロセスの正確なモデルを発展させ、それにより、特徴次元の実際的なセットを有するクラスタリングエンジンが視聴者の大部分を効率的に分離または分類できることである。広告カテゴリメンバーを自動的に対象決めするだけでなく、目標は、挙動モデリングエンジンおよびデータベースを適用して、番組編成および広告に対するＴＶユーザの文脈的嗜好を決定することである。

この発明は、二重擬似乱雑隠れマルコフ過程としてＴＶ番組視聴をモデリングし、ここに、挙動クラスタをモデリングする隠れ低レベル統計ステートマシン（ＳＳＭ）と、アクティブな挙動クラスタおよびそれらの間の対話を推測する観察可能上位レベルＳＳＭとが存在する。システムは、統計的に代表的なＴＶ視聴母集団サンプルのタグ付き学習データ（たとえば、視聴者の人口統計アイデンティティでタグ付けされたリアルタイムＴＶクリックストリームデータ）を用いてトレーニングされる。分類モデルは、パラメータ化された乱雑過程、発見的方法およびいくつかの単一次元挙動測定基準のハイブリッド組合せである。多数のデータ品質尺度が、トレーニングおよびテストデータの統計的意義および信頼度を決定する。

この発明は革新的なサンプルサイズ信頼度尺度を含む。この測定基準は、状態遷移が一様ランダムに選択されたと仮定する予期される状態遷移カバレッジ対観察される異なる状態遷移の実際数の比率を計算することにより、ＳＳＭを駆動する乱雑過程におけるバイアスを推定する。比率は、ランダムと比較した状態遷移集中度（focus）を表わし、ＳＳＭ構造を意義をもって定めるような、非一様乱雑過程、具体的には視聴者の性格、を推測するのに十分なサンプルが存在する度合いを示す。

二重乱雑過程モデルは、しばしば一意ではあるが、多様な典型的ＴＶ使用挙動を捕捉するいくつかの次元を有する。好ましい実施例では、各ユーザの行動または選択された無行動は、３つの状態カテゴリ、すなわちチャンネル、ジャンルおよび題名、の各々において並行ＳＳＭ遷移イベントを発生させる。これらの状態カテゴリは、好まれる／好まれないおよび短時間視聴（short#viewing）／非短時間視聴（not-short#viewing）特徴の状態にさらに細分される。記述される各々のカテゴリステートマシンの内側には、時間感知型状態遷移をモデリングする時系列的次元が存在する。好ましい実施例の時間的次元は、曜日（day#of#week）、時刻（time#of#day）、ＴＶオン後の時間（time#after#TV#turn#ON）および最後の変更以来の時間（time#since#last#change）を含む新たな戦略を用いて、遷移イベント時系列をモデリングする。ＴＶユーザの番組選択プロセスは、この時間および遷移感知モデルを通して観察すると、個人および、より広くは、個人の関心のあるクラスに一意のものでありがちな複雑な使用パターンを検出する。チャンネルサーフィンなどの、１つの遷移よりも多くの挙動シーケンスおよびセッション視聴時間などの多数の発見方法的分布およびジャンルに対する好奇心などの精神測定的パラメータを、擬似ユークリッド分類空間中の次元として、ＳＳＭの外で用いる。

新たなクラスタリング法は、（遷移行列パラメータ化技術を用いる）ＳＳＭ遷移モデルと（独自のヒストグラム分布距離測定を規定することによる）非ガウスパラメータ分布とを組合せて、次元投票アーキテクチャを通してユーザ分離可能性を決定する。各次元は、大部分の点の間の平均分離距離がそれらの分離分散よりも大きければ、２つのクラスタを別個のものとして投票する。あるしきい値数の次元分離投票を超えることが、クラスタが分離しているか否かを定める。２つのクラスタ間で分離不可能として投票される次元の割合は、それらのオーバーラップ量に近似する。

この発明のさらなる特徴に従うと、クラスタリングエンジン（ＣＥ）ソフトウェアエージェントは、（広告マネージャと呼ばれる）ＴＶ配信ヘッドエンドに、中央に設けられる１つのコンピュータシステムに存在し、ＴＶ視聴者の対象決めされた広告カテゴリに対応するテンプレート挙動プロファイルを作成する。特定のターゲットグループの最も一般的なプロファイルを学習するため、ＣＥは、そのグループからのタグ付き視聴データの上でのみトレーニングされる。ＣＥは、各グループ中の視聴者のプロファイルを、それぞれの広告対象決めカテゴリのための代表的集合体に一般化する。広告カテゴリプロファイルは、グループにとって最も強く共通でありかつターゲットグループにわたって最も一意であるすべての次元を集合することによって発展する。

この発明の別の特徴に従うと、プロトタイプ広告グループカテゴリ挙動プロファイルは、（広告サーバと呼ばれる）広告マネージャの広告および広告番組情報（メタデータ）分布オーガナイザ部分によって新たにパラメータ化され、現場のＴＶに常駐する広告カテゴリメンバーシップエージェント（MemberAgent）への帯域効率のよいダウンロードのために対象決めモデルを圧縮する。

この発明のさらなる特徴に従うと、現場のＴＶMemberAgentは、ダウンロードされパラメータ化された対象決めモデルを再構築し、ＴＶプロファイリングエージェント（ProfAgent）が作成したＴＶユーザの履歴に適用された同様のＣＥを用いて、ユーザが属する最
も可能性の高い広告カテゴリを決定しかつその結果をユーザカテゴリデータベースに入力する。ＴＶの中の対象決めおよび記憶エージェント（TargetingAndStorage Agent）およびプレゼンテーションエージェント（PresAgent）はこれらの対象決めカテゴリ確率とその他の関連情報（嗜好情報）とを組合せて、ビデオおよびバナーを含む最適なダウンロード広告をユーザに対して、選択的に捕捉し、記憶しかつ表示する。

クライアントまたは現場のＴＶ中のProfAgentは、世帯の中のＴＶユーザをプロファイルする文脈的遷移挙動および嗜好の知識ベースを継続して構築する。ProfAgentは、広告および通常のまたは娯楽番組との挙動対話を、しかし場合によっては異なる状態カテゴリ名と同様に、モデリングする。娯楽番組に対する嗜好は、題名、ジャンル、チャンネルおよび俳優などの、電子番組編成ガイド（ＥＰＧ）中のいずれのメタデータフィールドまたはエントリに対する親和性も含み得る。遷移イベントは、対応する番組ＥＰＧエントリ間で起こる。（たとえば、異なるチャンネルおよびジャンルを有する番組間の遷移は、チャンネルおよびしたがってジャンルの遷移をもたらす。）広告は、通常の番組と同様のそれらのバージョンのＥＰＧ情報を有する。システムは、広告のジャンルがその製品の標準業界コード（ＳＩＣ）であること、広告のタイトルが製品のユニバーサル製品コード（ＵＰＣ）またはＳＫＵコードであることおよびシステムが広告の俳優をその企業のスポンサーであると考えることを除いて、それが通常の番組に対して行なうのと同様に、ユーザの広告遷移嗜好を学習する。したがって、同一のデータ構造およびアルゴリズムは、ユーザ番組および広告遷移挙動をモデリングする。

この情報は、番組のコンテンツ情報メタデータおよびＥＰＧが放送に先行するのと同様に、広告のメタデータ中にヘッドエンドによって与えられる。したがって、ProfAgentは、本明細書中に詳細に説明されるように、ジャンルおよび俳優の嗜好が学習されるのと同様に、広告に対する製品およびスポンサー企業の嗜好を学習する。これは、推測されるユーザの人口統計だけでなく、彼らの特定の製品、企業ブランドまたは一般的製品カテゴリの関心対象への、広告の対象決めを可能にする。たとえば、ＳＩＣを通して、ProfAgentは、ユーザが金融サービスまたは自動車の広告を好むかどうかを学習することができる。同様に、ペプシコーラ（Pepsi Cola）（Ｒ）ブランドキャンペーンは、ソーダＳＩＣをまたはより具体的には、コカコーラ（Coca Cola）（Ｒ）名の広告を好むユーザを対象決めすることができた。別の局面では、ＵＰＣを用いて、ジレット（Gillette）社は、レミントンモデル（Remington Model）３０００電気剃刀の広告を特に好むユーザに対象決めすることができた。対象決めシステムのまた別の局面では、広告代理店は、たとえばアップルコンピュータ（Apple Computer Company）のコマーシャルを好むが、それ以外のコンピュータ広告は好まないユーザに対象決めすることができた。このユーザは、それらの広告を楽しむかもしれないが、それらの製品には関心がないかもしれない。これは、広告代理店がインフォマーシャル広告の焦点をユーザに合わせて、ブランド認識から製品購入へユーザを橋渡しするチャンスであろう。

時間とともに、巨大なリレーショナル知識ベースは、ユーザＴＶ使用挙動、人口統計、番組および広告嗜好間の非常に貴重な関連を学習する。この知識ベースはＴＶ内の広告対象決めを高めるだけでなく、集められた個人情報を第三者にマーケティングすることによる収益生成の可能性も有する。

この発明の１つの例では、ＴＶProfAgentは、ＴＶヘッドエンドで用いられるクラスタリングエンジンと同様の挙動モデル（ＢＭ）を用いてＴＶ使用挙動のパターンをモデリングし、ＢＭから挙動データベースへ、キーとなる使用情報を抽出する。挙動データベースの各エントリは、本明細書中に詳細に提示される多数の新たな技術によって生成される信頼度値を有する。ProfAgentが登録するデータベースエントリ信頼度は、データベースエントリを計算するのに用いられるデータの構造的およびサンプリング品質の推定を反映す
る。

ＴＶは、制限的なクエリー項目を有する広告対象決めメタデータを受けて、クエリー制約に一致するデータベースエントリを有する、選択されたユーザのみに関連の広告を表示する。各々の広告メタデータクエリー項目は、対象決めされた広告を表示するように受入可能な、クエリー項目または複数の項目を満たす最も低い信頼度レベルを指定する最小信頼度しきい値項目を有する。

たとえば、‘性別：男性＠８０％および年齢：２５−３５＠５０％’（‘gender:Male@80% AND age:25-35@50%’）などの広告対象決め制約は、予め定められたTASAgentが、男性であることについて少なくとも８０％の信頼度を有し、年齢が２５から３５歳の間であることについて少なくとも５０％の信頼度を有したユーザにだけ広告を見せるという効果を有する。

信頼度レベル仕様の別の局面では、以下のような表現レベルの信頼度しきい値が存在する。すなわち、‘（性別：男性および年齢：２５−３５）＠８０％’（‘（gender:Male AND age:25-35）@80%’）。この対象決めモードは、広告表示のために、システムが、男性であることおよび年齢が２５から３５歳の間であることについて少なくとも８０％の信頼度を有するユーザのみを選択する。これらの方法は、広告が最も重要な対象決め選択項目を指定するかまたは、広告を見せる所望の対象決めプロファイルに十分近い範囲の人々を指定できるようにすることによって、柔軟性をもたらす。対象決めおよび記憶（TargetingAndStorage）（TASAgent）は、データベースから、次元当りの集合体信頼度評価が広告対象決めメタデータが設定するクエリー限界を満たすプロファイルを選択することしかしない。

信頼度しきい値決めシステムのまた別の局面では、クエリー選択フィルタは、ブール式ではなくファジー論理式として述べられる。対象決めクエリー式は、２つの留意すべき例外を除き、確率的割合信頼度項目と同じである。すなわち、ファジーメンバーシップリテラルが割合項目を置き換え、ファジーリテラルテーブルがクライアントおよびサーバを同期化する。

例示のため、クエリー式モードは以下のようになる。

‘gender:Male@VERY#SURE AND Age:25-35@FAIRLY#SURE’
（‘性別：男性＠非常に確実 かつ 年齢：２５−３５＠かなり確実’）
このクエリーは、TASAgentが、男性であることがかなり確実でありかつ年齢が２５から３５歳の間にあることがかなり確実であるとするユーザを選択する。ファジーリテラルテーブル（ＦＬＴ）は、各々の広告カテゴリが示し得る許容可能な範囲のファジーメンバーシップをリストにしている。ファジーリテラルテーブル（ＦＬＴ）の例は以下のとおりである。

Male:[UNSURE, FAIRLY#SURE, VERY#SURE]
Age:[UNSURE, FAIRLY#SURE, VERY#SURE, CERTAIN]
（男性：［不確実、かなり確実、非常に確実］
年齢：［不確実、かなり確実、非常に確実、確実］）
後者の式の方法の利点は、新参の広告代理店が、直感的かつ非数学的な項目に、必要な信頼度を指定しかつ、正確な範囲の信頼度割合を決定しかつ継続して最適化するのをTASAgentに任せるだけであることである。さらに、ファジー法は、データベース中の割合信頼度項目の非決定論的意味を扱う。TASAgentは、各々のファジー性能レベルと履歴的に関連付けられる割合信頼度評価範囲を学習する。

この発明の特徴と考えられる他の特徴は添付の請求項に述べられる。
この発明は、ＴＶ使用における挙動モデルクラスタリングおよび対象を定めた広告および嗜好プログラミングのためのシステムおよび方法の中に具体化されるものとして本明細書中に図示されかつ説明されるが、それにもかかわらず、これは示された詳細に限定されることを意図するものではない。なぜなら、この発明の精神から逸脱することなく、請求項の均等物の範囲内でさまざまな修正および構造的変更をその中でなし得るからである。

しかしながら、この発明の構造ならびにそのさらなる目的および利点は、添付の図面と関連して読むと、以下の具体的な実施例の説明から最もよく理解されるであろう。

図面の図をここで詳細に参照しておよびまず特に図１を参照して、この発明に従うシステムの概略図が示される。この発明の核となるのは、隠れマルコフ連鎖およびユーザ挙動統計の適用を行なって、個別の人口統計グループごとの最も一般的な挙動および／またはＴＶ視聴者の人口統計グループをモデリングしかつ予測することである。主な目標は、より多くのリアルタイム視聴データが利用可能になるに従い、所与の視聴者の人口統計グループおよび／または視聴者がどの番組を見たがるのかを予測することと、予測およびモデリングの精度を向上させることとである。

このシステムは、視聴者の人口統計グループを予測する２つの方法を提供する。すなわち、動的人口統計クラスタ（ＤＤＣ）知識ベースを介してと、人口統計グループについてＰＤＭが予測する、バーチャルチャンネルと視聴者が見るものとの間の類似性に基づいて、とである。

上記のように、この発明の主な目的は、ある人口統計的要件（そのような要件が与えられれば）に合う視聴者または視聴者のグループに、広告コンテンツおよび番組コンテンツを対象決めすることを扱う。

図１に示されるシステムは、ヘッドエンドおよびクライアントに分けられる。番組編成、広告コンテンツおよびＴＶコンテンツのシーケンス付けはヘッドエンドで定められる。番組ストリーム情報は、マルチプログラムストリーム中にクライアント側に伝送される。破線で示されるように、受信機からヘッドエンドに戻って、番組選択フィードバックは、クライアントの視聴挙動に関するリアルタイム情報を与える。フィードバック接続はデジタルケーブルシステムおよびその他の直接接続システムにおいて一般的に利用可能であるが、この発明は直接フィードバックなしでも実現可能である。リアルタイムフィードバックおよびサンプリングされたフィードバック実施例の詳細は、以下の説明から明らかになるであろう。

外部リソースが供給するデータは、広告主またはコンテンツプロバイダが関心を持つであろうすべての人口統計グループの視聴モニタ情報に関する情報を含む。それらの変動要素は、（ａ）視聴日、（ｂ）視聴開始時間、（ｃ）視聴持続時間、（ｄ）視聴チャンネルおよび（ｅ）年齢、性別などの視聴者の人口統計情報を含む。入力データは、入来する電子番組ガイド（ＥＰＧ）の情報をさらに含む。

履歴データは人口統計グループの予備知識としての役割を果たす。これらのデータは視聴者の挙動情報を規定する。システム知識は開始時のそれらの人口統計グループに限られる。

必要な挙動モデルについてのデータの獲得に関して、この発明の核となるのは、隠れマ
ルコフモデルに基づく人口統計クラスタ知識ベース獲得器である。モジュールの入力は、挙動データおよび、利用可能ならば、クリックストリームフィードバックである。モジュールの出力は、重み付けセットを有する遷移行列の形の知識ベースであり、これは以下の文中に説明される。

この発明は、（たとえばリモートコントロールまたはＴＶ受像機クリックシーケンスなどの）クリックストリームの形のリアルタイム挙動データを含むフィードバック情報に基づくモデリングおよび予測における改良をさらに与える。

新たなシステムのさまざまな詳細を参照して、図２は、この発明の１つの実施例に従う擬似ユークリッド挙動クラスタエンジン（ＢＣＥ）アーキテクチャを図示する。擬似隠れマルコフモデルモデル１（ｐＨＭＭ）は挙動状態遷移を捕捉する。発見方法的挙動測定基準（ＨＢＭ）サブブロック２は、多数の予測的ＴＶユーザ特徴をアルゴリズム的に検出しかつ統計的に表わす。たとえばリモートコントロールクリックストリームなどの、ＴＶユーザのＴＶ制御ストリーム３はｐＨＭＭおよびＨＢＭに送られる。これらのブロックは、高次元の分類空間５にパラメータ化されて、トレーニングデータの空間的クラスタをその後のモジュール６に配信する。

図３は、図２のｐＨＭＭブロックに焦点を合わせた図である。いくつかの統計ステートマシンがタンデムで働いて、ユーザクリックストリームをモデリングする。好ましい実施例は、多数の隠れ低レベル挙動プロセスおよび上位レベルユーザ遷移プロセスを有する。隠れ乱雑過程は、並行して動作する、チャンネル、ジャンルおよび好まれる題名状態空間を含む。上位レベル乱雑過程または統計ステートマシン（ＳＳＭ）は、ある挙動プロセス活性化およびその他の発見方法的挙動ファクタが特定のユーザを推測する尤度をモデリングする。各々の状態空間は、さまざまな時間依存ユーザ挙動を追従する時間感知型遷移サブ空間を有する。

図２の擬似ユークリッド挙動クラスタリングエンジン（ＢＣＥ）アーキテクチャがこの発明の１つの実施例を表わす。それは、挙動状態遷移を捕捉する擬似隠れマルコフモデル（ｐＨＭＭ）を含む。一般的に、「擬似」修飾子は、このシステムが伝統的な定義から逸脱するが、ＨＭＭの簡単な記述の後に列挙されるものとの実質的な類似性を維持することを示す。

ＨＭＭは、観察が不可能なおよびしたがって隠れている、下にある乱雑過程を有する二重乱雑過程である。しかしながら、この隠れプロセスのいくつかの局面は、別の乱雑過程または乱雑過程の組を通して観察可能である。観察される乱雑過程は、我々がある統計的特性をもって測定し得る、この場合は同様のユーザカテゴリ中のシンボルのシーケンスを生じる。モデルは、乱雑過程中の短時間の変化および安定した状態特徴の両者を記述しようとする。特に関心があるのは、１つの間隔から別の間隔への遷移である。統計的法則は、ＴＶ視聴プロセスの中で、観察される時間的変化を支配すると一般的に仮定される。

ＢＣＥの目標は、ＴＶ使用状況およびコンテンツ選択、本明細書中では「クリックストリーム」と称される、ＴＶリモートコントロールまたは押されたＴＶボタンが生成する時系列データパターンをモデリングしかつグループ化することである。２つの形のクリックストリームデータが存在する。それらはリアルタイムであり、統計的にサンプリングされる。

・リアルタイムデータは、実際のＴＶシステムがユーザＴＶコントロールコマンドから登録するものである。このデータは高速でサンプリングされ、どのＴＶコントロールボタンでもあり得、それは後の使用のためにファイルの中に時間的に累積され得る。

・統計的にサンプリングされたデータは、ニールセンまたはアービトロンなどの第三者によって記録され、それは詳細なユーザ情報、限られた時間分解能を一般的に有し、ＴＶ視聴母集団の統計的に代表的なサブグループのチャンネル変更をログ記録するだけである。

広告対象決めシステムの２つの主な局面は、クリックストリームデータに直接に依存する。まず、ＴＶ上のプロファイリングエージェント（ProfAgent）は、リアルタイムクリックストリームおよび番組コンテンツ情報または電子番組編成ガイド（ＥＰＧ）データを通してＴＶユーザをモデリングする。第２に、ＢＣＥは、統計的にサンプリングされたクリックストリームデータおよび対応する過去のＥＰＧデータを用いて、広告カテゴリ挙動クラスタを構築する。この文書中のすべての統計的にサンプリングされたＴＶユーザデータは、１９９８年の、６ヶ月の期間にわたる、ＢＡＲＢ ＴＶリサーチコーポレイション（BARB TV Research corp.）（英国ロンドン）による、１６５７の英国衛星ＴＶユーザのデジタル記録された市場調査を用いる。

複数の発見方法的手法が、ＴＶ番組に対するユーザ嗜好、番組編成のカテゴリおよびあるユーザ挙動を推定する。これらの嗜好尺度を用いて、嗜好決定エンジン（ＰＤＥ）は、嗜好評価をすべてのＥＰＧエントリに割当てる、投票に基づく強化学習システムを用いる。

嗜好決定エンジン（ＰＤＥ）は（そのアーキテクチャは図１０に図示）、すべての人口統計グループに対して、すなわち個々人の代わりにグループに対して、「好み」予測子を与える。人とグループとの相違は、決定エンジンが特定の時間の間人口統計グループ中の大多数の人々を楽しませる番組をピックアップしなければならないことである。ＰＤＥの実現例のさらなる詳細は、共通に譲渡され、同時係属中の特許出願番号［代理人事件番号第Ｐ０２４０８ＵＳ号］に見られ、ここに引用により援用されている。

図１０に図示される嗜好決定エンジンアーキテクチャは、複数の嗜好感知フィルタ１０（ＰＳＦ）、挙動モデルデータベース１１（BMdbase）、投票生成層、出力投票重みおよび強化ティーチングメカニズムを含む。各々の嗜好センサは、ユーザ挙動パターンを、対象決めされた挙動が起こる度合に比例するアナログ値にフィルタリングする。ＰＳＦおよびｐＨＭＭはユーザクリックストリームデータをクリックストリームセンサ１２から受取り、BMdbase１１を動的に維持する。このＢＭ実施例は、以下の項目に規定されるように、以下の新たなＰＳＦを含む。すなわち、
１．サーフィンなし（non-surfing）ホッピングなし番組についての、視聴時間／利用可能時間（Time#watched/Time#available）
２．サーフィンなしのすべての番組についての、視聴できなかった時間／利用可能時間（
Time#missed/Time#available）
３．サーフィンなしのすべての番組についての、残り時間／利用可能時間（Time#left/Time#available）
４．ホッピングあり番組についての、視聴時間／利用可能時間（Time#watched/Time#available）
５．ホッピングあり番組についての、ホップ間時間（Time#between#hops）
６．番組当りのホップの数
７．すべてのＥＰＧエントリについての、時間独立訪問（visitation）バイアス８．すべてのＥＰＧエントリについての、番組中時間（ＴＩＰ）訪問バイアス
９．すべてのＥＰＧエントリについての、セッション中時間（ＴＩＳ）訪問バイアス
１０．すべてのＥＰＧエントリについての、時刻（ＴＯＤ）訪問バイアス
１１．すべてのＥＰＧエントリについての、曜日（ＤＯＷ）訪問バイアス
項目は自明であるが、以下のように項目の定義を与える。

項目１において、項目 視聴時間（Ｔ_w）は、場合によっては連続的ではないが、特定の番組に対する総視聴時間である。利用可能時間（Ｔ_a）は番組の長さである。視聴時間／利用可能時間（Ｔ_w／Ｔ_a）の比率は、番組のうちどれだけをユーザが視聴したかを示し、コンテンツに対する彼らの関心を統計的に反映する。

項目２において、項目 視聴できなかった時間（Ｔ_m）は、ユーザが番組に遅れてきた時間の量である（早ければマイナスとなる）。視聴できなかった時間／利用可能時間（Ｔ_m／Ｔ_a）の比率は、番組の始めを見るというユーザの関心の高さおよび可能な計画性を反映するものであり、したがって、ユーザがしばしば遅れて始める場合よりも大きな番組嗜好を反映する。マイナスの場合、より多くの労力をユーザが計画に費したという特に強い指標となり、したがって番組の始めを見るという、より大きな嗜好を有する。

項目３において、項目 残り時間（Ｔ_l）は、番組の終了からユーザが番組を離れる時間を引いた時間である（終了後に留まっていればマイナスとなる）。残り時間／利用可能時間（Ｔ_l／Ｔ_a）は、番組の終わりを逃さないことに対するユーザの関心を計る比率であり、したがって、ユーザがしばしば早く離れてしまう場合よりも、番組に対するより大きな嗜好となる。

まとめて考えると、これらの尺度は、番組を視聴して費した可能な時間の量および質を定める。図１０に示されるように、大部分の人々はこれらの測定基準の各々の中にきっちりとグループ化される傾向にある。この結果は番組の嗜好との良好な相関である。Ｔ_w／Ｔ_a、Ｔ_m／Ｔ_aおよびＴ_l／Ｔ_aと全く同じ結論および尺度が広告および番組に当てはまる。

項目４から６の番組ホッピングに関する嗜好測定基準は、ホッピング挙動に関連する番組嗜好を推定する。番組ホップは、同じ番組を離れまた戻ってくる行動である。番組サーフは、たとえば５分などのある短い期間内に番組を行ったり来たりする行動である。ユーザが番組に戻ると、それは、戻ってくる価値があるまたは好まれる何かが番組にあるという強い指標である。図１１ａは、ホッピングあり番組についてＴ_w／Ｔ_aをグラフで表わす。ホッピングあり番組は、ホッピングなしのものよりも長く視聴されたことがわかる。したがって、ホップ指標はより大きな嗜好の指標である。

項目５では、項目 ホップ間時間は、戻るまでユーザが元の番組から離れていた時間を（分で）示す。図示されるように、大部分のユーザは、番組の２％よりも少ないホッピングを有した。この測定基準が直感的に訴えるものを超えて、ホッピングあり番組に対する上記嗜好バイアスと組合せたこのデータは、離れていた時間がより短いほどユーザが元の
番組をより好む傾向を実証している。

同じ直感的および観察的に訴えるものを考えると、項目６の番組当りのホッピング数は、ユーザの番組嗜好に対する反比例を代わって表わすもの（proxy）である。すなわち、ユーザが番組をホッピングして行き来する頻度が多くなるにつれ、彼らはその番組をより好まないということである。図１１ｃは、大部分の人々が何らかのホッピングをして番組中を一度または二度だけホッピングすることを示す。大部分のホッピングあり番組は比較的高いＴ_w／Ｔ_a比率を有するため、より高いホッピング頻度は非常に稀であり、したがって好まれないことに留意するのが重要である。

番組嗜好測定基準のまた別の新たなクラスは、項目７から１１のユーザ挙動バイアスを定める独自の方法に基づく。本明細書中で用いられるようなユーザバイアスは、大きく限られた可能な選択のサブセットを選択する挙動の、偏りのある焦点（prejudicial focus）である。この概念を動機付けとして、バイアスは、観察された挙動選択広がりに対する、予期される一様乱雑選択広がりの比率の理論的形態を取る。ユーザ挙動バイアスは、その挙動領域で他の選択肢よりもターゲット挙動を選択する、ユーザの心理的バイアスを測定する精神測定ツールである。バイアス測定基準の数学的処理は、その後、ユーザ番組嗜好におけるその適用の要約に従う。

挙動バイアス測定基準は、問題となっている選択が、ユーザ選択が好ましい行動であると推測するのに十分な証拠を有するか否かを決定することができる。より具体的には、それは、非一様乱雑選択過程の尤度を示す。たとえば、あるチャンネルの選択がランダムと同じ尤度で生じれば、ユーザ選択バイアスの証拠は存在せず、チャンネルは好まれていないと仮定される。ランダムよりも数倍可能性が高い、逆の選択の状況では、そのチャンネルが好まれているとされる。

同様に、項目７の嗜好投票はすべてのバイアスを戻し、いずれの特定のＥＰＧエントリも訪問する。項目８から１１は、時間的に制限されたバイアスクエリーである。

項目９はバイアス上に投票を戻して、ＴＶ視聴セッションの開始後の特定の時間に、ある選択を行なう。セッションは、ＴＶのターンオンに始まり、ターンオフに終了するＴＶ使用期間である。訪問バイアスは、ランダムを上回る、コンテンツまたはカテゴリ訪問頻度である。

同様に、項目１０はバイアスクエリーを時刻に制限し、項目１１は曜日選択嗜好クエリー投票である。所定のバイアス測定基準が先行技術よりも優れているのは、先行技術が、起こっている特定の観察されるイベントの頻度の相対的尤度ではなく、起こっていることの絶対的頻度を計算するという点においてである。いずれの短期間の間にも、一様乱雑過程が現れて、いくつかの可能性の方を他のものよりも好みかつ、ユーザ嗜好を推測する、頻度に基づく嗜好決定システムの予想を裏切る可能性がある。しかしながら、そのような状況では、このバイアス検出機構は、不十分なサンプルが存在することかまたはそれらがユーザ嗜好を推測するほど十分に集中されていないことを示す。これは、低品質の訪問頻度に基づく測定基準の信頼度を低下させるという影響を有し、最終的な番組嗜好評価へのそれらの寄与を低下させてしまう。したがって、統計的に誤ったサンプルデータを拒否することによって精度を増す。

ＥＰＧエントリ関連嗜好に加えて、本明細書中に説明されるものなどのいくつかの挙動関連嗜好が企図される。挙動嗜好は、ユーザの過去の行動パターンの文脈で番組嗜好予測を行なうメカニズムを提供する。視聴者の気分または時間的待ち行列などの文脈的状況が、１つの文脈では好まれ、別の文脈では好まれない番組を有するように、嗜好に影響を及
し得ることがしばしばある。ＢＣＥが関心のある挙動文脈をモデリングする範囲では、より正確な番組編成嗜好予測が可能である。

図１０の挙動モデルデータベースBMdbase１１は、標準化された挙動モデルクエリーエンジンによって提供される。挙動モデル（ＢＭ）データの対応するターゲットクエリーが以下に説明される。

本明細書中に記載のように、ＢＣＥ中のすべてのモデリングされた挙動および時間的関係は、システムモジュールのためのBMdbaseとして働いて、ＴＶセッション中の視聴者のリアルタイム使用パターンを照会する。番組に対するユーザの平均的嗜好を用いて単に推測を行なうのではない。BMdbaseは、より最適な決定を行なうのにある挙動尤度を必要とする何らかのシステムモジュールに対する挙動嗜好クエリーサーバである。BMdbaseを照会するモジュールは、嗜好決定エージェント（ＰＤＥ）１３、TASAgentおよびPresAgentを含む。挙動モデルクエリーエンジン（BMQengine）がすべての探索クエリーをBMdbaseに提供する。

（ＴＶボリュームなどの）いずれの環境状態変数または（たとえばチャンネルなどの）ＥＰＧエントリまたはそれらの派生物は潜在的に、挙動モデルの、以下の次元１中の超平面である。好ましい挙動遷移モデルは以下のような５つの次元（Dim）を有する。
・Dim１−［好まれる題名、好まれるチャンネル、好まれないチャンネル、サーフチャンネル、好まれるジャンル、好まれないジャンル、サーフジャンル］
（Dim 1 - [likedTitle, likedChannels, unlikedChannels, surfChannels, likedGenres, unlikedGenres, surfGenres]）
・Dim２−［from状態コード、すなわちチャンネルまたはジャンルまたは題名ＩＤ番号］
（Dim 2 - [from State code, i.e., channel or genre or Title ID number]）・Dim３−［to状態コード、すなわちチャンネルまたはジャンルまたは題名ＩＤ番号］
（Dim 3 - [to State code, i.e., channel or genre or Title ID number]）
・Dim４−［非時間的、ＤＯＷ、ＴＯＤ、ＴＩＳ、ＴＩＰ］
（Dim 4 - [nonTemporal, DOW, TOD, TIS, TIP]）
・Dim５−［時間的ファジーbin］
（Dim 5 - [temporal fuzzy bin]）
Dim１は状態変数のタイプを選択する。

Dim２は、基準ＩＤを有する、関心のある‘from’状態に対する制約を設定する。‘from’状態は、状態遷移を行なうときに視聴者が離れる状態である。

Dim３は、クエリーに対する‘to’状態ＩＤを設定する。‘to’状態は、視聴者が状態遷移に向かう状態であることを除いて、‘from’状態と全く同じように規定される。基準ＩＤは‘ＡＢＣ’などのチャンネル呼出文字、‘映画’などのジャンル名または題名ハッシュコードであり得る。

Dim４は、時間的関係のタイプであり、
Dim５は、対応する時間間隔である。たとえば、ＤＯＷの有効な選択は、月曜、火曜、水曜、木曜、金曜、土曜および日曜である。

依存可能なファジーモデルを与えるファジーメンバーシップカテゴリは約１４から１６存在する。カテゴリ内のメンバー数は、比較的重要でないメンバーシップカテゴリ（残り時間／視聴時間の比率）の約７つから、最も重要なカテゴリ（たとえば視聴時間）の約１７まで異なるように設定され得る。

ＢＭ探索制約に加えて、機能仕様（specs）が存在する。機能仕様は、以下のものを含むが、それに限られるものではない。

QueryFunction - [mostLikely, leastLikely, Top#n, Bot#n, time#sum]
（クエリー関数−［最も可能性が高い、最も可能性が低い、上位ｎ、下位ｎ、時間合計］）
「最も」（最も低い）可能性のある探索関数は、最も高い（最も低い）確率状態およびクエリー制約の残余を満たすバイアス値を戻す。‘上位ｎ’（下位ｎ）は「ｎ」番目の最も高い（最も低い）確率状態およびクエリー制約の残余を満たすバイアス値を戻す。「時間合計」関数は、各々の特定された時間タイプの時間値間隔中のすべてのバイアス項目を（平均またはカウントすることなどにより）集合する。したがって、一般的な遷移クエリーフォーマットは以下のとおりである。
‘[QueryFunction][StateType][fromStateID][toStateID][TimeType][TimeValue]’
（‘［クエリー関数］［状態タイプ］［from状態ＩＤ］［to状態ＩＤ］［時間タイプ］［時間値］’）
例示のため、以下のクエリーは、日曜日に好まれた上位５つのジャンルを探索する。

‘QueryFunction=Top#n=5, StateType=LikedGenres, fromStateID=null, toStateID=null, TimeType=DOW, TimeValue=Sunday’
（‘クエリー関数＝上位ｎ＝５，状態タイプ＝好まれたジャンル，from状態ＩＤ＝空白，to状態ＩＤ＝空白，時間タイプ＝ＤＯＷ，時間値＝日曜’ ）
日曜日に好まれたのが３つのジャンルのみであるとすれば、最大の嗜好が１００である典型的なクエリー結果は以下のとおりである。

［action=60, news=40, comedy=30, null, null］
［アクション＝６０，ニュース，４０，コメディ＝３０，空白，空白］
「時間合計」の典型的な用途は、所与の状態タイプについて、最も可能性の高いアクティビティ時間を探索することである。たとえば、ユーザがＴＶを視聴する最も可能性の高い上位３つの時刻を見出す。クエリーは以下のとおりである。

‘QueryFunction=time#sum, StateType=LikedChannels, fromStateID=null, toStateID=null, TimeType=TOD, TimeValue=null’
（‘クエリー関数＝時間合計，状態タイプ＝好まれたチャンネル，from状態ＩＤ＝空白，to状態ＩＤ＝空白，時間タイプ＝ＴＯＤ，時間値＝空白’）
この場合、「時間合計」関数は、ＴＯＤ間隔当りのすべての遷移バイアスを集合し、結果のリストを戻す。人が午前中、夕方および深夜に最もアクティブならば、典型的なクエリー応答は以下のとおりであろう。（‘；’は新たな行を、‘，’は新たな列を示す）
［(late#night,very#often);(wee#hours,never);(early#morning;never);(morning,mostly);(late#morning;rarely);(after#noon;rarely);(late#after#noon;sometimes);(evening;almost#always);(night,typically)］
（［（深夜，非常にしばしば）；（非常に早い時間，全くなし）；（早朝；全くなし）；（午前中，大抵）；（午前中遅く；稀）；（午後；稀）；（午後遅く；時々）；（夕方；ほとんど常に）；（夜，典型的）］）
非ファジィ化テーブルを有するモジュールは、上位３つの尤度を求めて、戻された行列を探索する。すなわち、
［(morning,always);(late#night,very#often);(evening;almost#always)］
（［（午前中，常に）；（深夜，非常にしばしば）；（夕方；ほとんど常に）］）
ＢＭＱengineとインターフェイスするには、多数の標準化されたクエリーインターフェイシングが容易に実際的である。たとえば、ＳＱＬインターフェイスは、次元の属性を‘ＳＥＬＥＣＴ…ＦＲＯＭ…ＷＨＥＲＥ’文節として指定する。たとえば、映画．アクショ
ンを視聴する最も可能性の高いまたは一般的な時間が夕方ならば、ＳＱＬクエリーは以下のとおりである。
(SELECT view#start#time FROM preferences
WHERE genre#main='movie'
AND genre#sub='action'
AND view#day#of#week=(SELECT view#day#of#week FROM preferences
WHERE genre#main='movie'
AND genre#sub='action'
GROUP BY view#day#of#week
HAVING MAX(BIASview#day#of#week));)
GROUP BY view#start#time
HAVING MAX(BIAS#view#start#time));
)=9pm
（嗜好から視聴開始時間を選択、ただし
メインジャンル＝映画
かつサブジャンル＝アクション
かつ曜日＝（嗜好から曜日選択、ただし
メインジャンル＝映画
かつサブジャンル＝アクション
曜日によってグループ化
有する最大（視聴曜日バイアス））；）
視聴開始時間によってグループ化
有する最大（視聴開始時間バイアス））；
）＝９ｐｍ）
ベーシックＳＱＬインタプリタは、ＳＱＬ探索パラメータをＢＭＱengine次元属性制約に変換する。この例としては以下のとおりである。

QueryFunction=mostLikely, StateType=LikedGenre, fromStateID=null, toStateID=movie:action, TimeType=TOD, TimeValue=evening
（クエリー関数＝最も可能性が高い，状態タイプ＝好まれるジャンル，from状態ＩＤ＝空白，to状態ＩＤ＝映画：アクション，時間タイプ＝ＴＯＤ，時間値＝夕方）
多様なモデリングされた挙動およびクエリーアーキテクチャが企図されるが、さらに多くの他のものが存在する。以下は、いくつかの挙動嗜好カテゴリの一般的列挙である。ここで、出力はリアルタイム視聴文脈に依存する。

１．すべてのＥＰＧエントリについての時間感知遷移嗜好
２．状態シーケンス付け
３．遷移逆バイアス
４．セッション当りおよびすべてのＥＰＧエントリ当りの視聴時間
５．挙動のＴＶコントロールパターン
６．すべてのＥＰＧエントリについての、Ｔ_w／Ｔ_a、Ｔ_m／Ｔ_aおよびＴ_l／Ｔ_a
７．ＥＰＧエントリおよび挙動多様性焦点（幅、深さ探索制御）
８．最も可能性の高い開始または終了状態
項目１では、ＢＭは、いずれのＥＰＧエントリについても、時間感知および時間独立遷移尤度を生じる。あらゆるＥＰＧエントリクラスは、以前に規定されたように、サーフ／非サーフ、ホッピングおよび好まれる／好まれない状態を含む複数の挙動カテゴリにさらにセグメント化される。各々のユーザ行動は、ＳＳＭアルゴリズムに従ってこれらの領域の各々の中に遷移統計を作成する。

一例が、時間制約を有しない、ニュース（またはいずれの他のＥＰＧフィールドエント
リ）を視聴した後に特定の俳優（または何らかのＥＰＧフィールドエントリ）を視聴する尤度に対する、ＢＭＱengineへのクエリーである。典型的な時間感知嗜好クエリーは以下のように見える。

‘what is the likelihood of watching sports on Monday (or any day)
AND
in the evening (or any time)
AND
after watching TV for an hour (or any amount of TV watched time)
AND
while half way into the current program (or any amount of program watched time)’
（‘月曜日（または任意の曜日）にスポーツを視聴する尤度は何か
および
夕方（または任意の時間）
および
１時間（または任意の量のＴＶ視聴時間）の間ＴＶを見た後
および
現在の番組に半分食い込んでしまうこと（または任意の量の番組視聴時間））
重要なのは、クエリーを、より持続的でない項目で緩和したりまたはより多くの制約で厳しくしたりすることが可能なことである。このメカニズムを用いて、システムモジュールは、リアルタイム文脈情報をＢＭＱengineに伝えることができるとともに、ユーザが一般的にスポーツを好むとはいえ、彼／彼女がＴＶ視聴の１時間以内に別の番組に半分食い込んで、月曜の夕方にそれを見たいとは思わないことを発見することができる。この非常に具体的な事例は、現在のシステムで可能な文脈的嗜好および学習の高度な詳細の実証である。システムモジュールは、クエリー抽象化レベルの全範囲、すなわち非常に一般的な（たとえば好まれるジャンルを見出す）ことから、完全論理積ＥＰＧ、時間的および状態シーケンス付け尤度探索までを、送る。システムモジュールは、クエリー抽象化の最も可能性の高いレベルを見出し、そのクエリーパラメータからのそれらの距離によってプログラミングを評価する。

たとえば、スポーツ番組を評価するならば、第１のおよび最も抽象的なクエリーは‘スポーツが好まれるか’ということであり、次にその後のクエリーは、‘ニュースを見た後に月曜の夕方にスポーツを好むか’のようなリアルタイム文脈に依存した制約項目をさらに加えるであろう。さらにより具体的なクエリーは、後者のクエリーに‘２チャンネル’を加え得るなどである。最後のかつより具体的なクエリーが最も可能性が高ければ、２チャンネルのニュースを見た後の月曜夕方のスポーツ番組は、これらの挙動制約が満たされなければ、同じスポーツ番組よりも高く評価されるであろう。ＰＤＥクエリー事例の場合、番組が最も可能性の高い挙動制約に近づく（遠ざかる）につれて、ＰＤＥ評価に対する挙動投票寄与はより高く（より低く）なる。

項目１のまた別の局面では、ＢＭＱengineは、モデリングされた文脈パラメータ（すなわちＥＰＧエントリ、タイミング、挙動）が与えられれば、最も可能性の高い遷移に対するクエリーをサポートする。ＢＭＱengineは、制約を受けていないモデル次元がワイルドカードであると仮定すると、クエリー項目に一致するすべての確率をもって応答する。したがって、ＢＭＱengineは、制約を受けていないすべての挙動次元にわたって、制約を受けた次元を帰納的に適用する。実証のため、ＢＭが、好まれる題名、チャンネルおよびジャンルに対して曜日（ＤＯＷ）および時刻（ＴＯＤ）をモデリングすると仮定する。典型的なクエリーおよび応答は以下のように現われる。

Query:‘what are the most likely genre transition from genre=weather, DOW=Monday, and TOD=evening’
（クエリー：‘ジャンル＝天気，ＤＯＷ＝月曜およびＴＯＤ＝夕方’からの最も可能性の高いジャンル遷移は何か）
Exemplary response:‘genre=comedy, bias=medium’
（例示的応答：‘ジャンル＝コメディ，バイアス＝中間’）
どの項目も特定されなければ、ＢＭＱengineは、クエリー一致を求めて、制約を受けていない次元のすべてのエントリを探索する。たとえば、ＤＯＷが最後のクエリーから省略されると、‘天気’からの最も可能性が高い遷移ジャンルについて各夕方が探索される。ジャンル＝天気からの最も可能性の高い遷移が火曜日のドラマへであれば、可能なクエリー応答は、‘[genre=drama, DOW=Tuesday, bias=high]’（［‘ジャンル＝ドラマ，ＤＯＷ＝火曜，バイアス＝高］）である。最後のクエリー‘最も可能性が高い’の制御項目が‘すべて’に変更されれば、天気からの遷移を有する、どの夕方の間のすべてのデスティネーションジャンルも戻される。

同じメカニズムは、好まれる番組からユーザがホッピングで離れやすい典型的な時間の量を見出すことを与える。この挙動は、コマーシャルを飛ばすことまたは一貫して競合するコンテンツと時間共有することから生じ得る。“Seinfeld”（隣のサインフェルド）という名前の番組について、上位２つの最も可能性の高いホッピング時間を見出すクエリーの例は以下のとおりに現われる。

Query:［QueryFunction=top#n=2, StateType=Title, fromStateID=null, toStateID=‘Seinfeld’, TimeType=TIP, TimeValue=NULL］
（クエリー：［クエリー関数＝上位ｎ＝２，状態タイプ＝題名、from状態ＩＤ＝空白、to状態ＩＤ＝隣のサインフェルド，時間タイプ＝ＴＩＰ，時間値＝空白］）人が通常、番組に対するすべての遷移のそれぞれ３０および５０％で、Seinfeldの開始後２分および１５分で広告による中断を飛ばすならば、ファジィ時間binクエリー応答は以下のとおりである。

［(QUICKLY#SURFING,30);(VERY#SHORT,50)］
［（迅速にサーフ，３０）；（非常に短い，５０）］
遷移文脈情報を用いることにより、ＰＤＥが、よりよい番組嗜好評価を割当てるのが可能になりかつ、PresAgentが、ユーザが好む番組順および時間の中でバーチャルチャンネル上の番組の順序決めを行なうのが可能になる。

項目２の状態シーケンス付けクエリーは、選択されたＥＰＧエントリが好ましい状態シーケンスの一部であるという尤度を扱い、観察された状態および確率を戻す。状態シーケンスは、１よりも大きな、状態遷移のいずれの連続した集合としても規定される。各々のモデリングされた状態遷移行列は、伴性（companion）状態シーケンステーブルを有する。観察された状態シーケンスの実際の広まりを記憶する代わりに、状態シーケンステーブルは、訪問された状態およびそれらの頻度をログ記録する。人間の挙動が正確な精度を持って繰返すことは稀であるため、遷移シーケンスをパラメータ化して挙動の傾向を一致させることがより重要である。したがって、２つの順序付けられたテーブルが存在する。１つの２次元テーブルは、観察されたシーケンス中の訪問された状態の一意な組合せとしてその行を有し、列は、訪問された状態のＩＤである。行は列ベクトル長でソートされ、列はアルファニューメリックにソートされる。このソートは所与のクエリーパターンを求めてテーブルを探索する速度を速める。実際には第３の次元である対応するテーブルは、ある状態がシーケンス中で訪問された回数を累積する。状態の同じ組合せが遷移シーケンス中で訪問されるたびに、状態当りの訪問頻度がこのカウントに加えられる。有効な第４の次元は、一致する訪問状態のシーケンスのシーケンス長を累積する。第５のおよび最終の
シーケンスモデリング次元は、特定の状態シーケンス組合せ行が発生する回数をカウントする。この次元を用いて、シーケンス中の状態が再訪された平均回数および平均シーケンス長を計算する。新たなシーケンスで訪問された状態が状態訪問行エントリと一致するとき、状態訪問シーケンス一致が起こる。一致が起こると、状態訪問頻度およびシーケンス長がそれらのそれぞれの次元累積器に加えられる。さもなければ、新たな行エントリが適切に作成される。

図１３は典型的な例を図示する。この例はチャンネルの状態に対するものであるが、アルゴリズムはいずれの状態シーケンスモデリングにも当てはまる。図１３Ａは、２つのサンプル状態シーケンスを処理した後の、元は空のデータベースを示す。２つのシーケンスは、結果的に２つの新たな行エントリを生じる、少なくとも１つの異なる訪問状態を有する。図１３Ｂで、２つのさらなるシーケンス例が処理される。シーケンス１と同じではないものの、シーケンス３はシーケンス１と同じ行エントリに集合される。なぜなら全く同じ状態が訪問されたからである。シーケンス４は１つの状態だけ異なり、したがって新たなdbaseエントリが作成される。列および行を継続してまたは周期的にソートすることによりクエリー探索がより効率的になる。

典型的なシーケンス（Sequ）尤度クエリーフォーマットは以下のように現われる。
[QueryFunction][StateType][sequStateIDs][LengthValue]
（［クエリー関数］［状態タイプ］［sequ状態ＩＤ］［長さ値］）
‘クエリー関数’項目は、遷移クエリー事例と同じパラメータを有する。さらなる‘状態タイプ‘属性は、状態シーケンスのタイプを識別して、たとえば、ChannelSequ（チャンネルシーケンス）、GenreSequ（ジャンルシーケンス）、TitleSequ（題名シーケンス）、SurfGenreSequ（サーフジャンルシーケンス）、SurfChannelSequ（サーフチャンネルシーケンス）またはActorSequ（俳優シーケンス）などの任意のＥＰＧエントリを選択する。クエリー制約項目‘from状態ＩＤ’および‘to状態ＩＤ’は、それら各々が、それぞれすでに訪問されたかまたはこれから訪問される状態のいずれかのリストであることを除き、先行する遷移クエリー事例と同様である。クエリー項目‘長さ値’は、探索すべき平均シーケンス長に制約を与える。いくつかの典型的なシーケンス関連ＢＭＱengineクエリー例は以下のとおりである。

例１：
以前に訪問されたチャンネル３０および４０として、サーフィンなし視聴シーケンスを完成する最も可能性の高い上位５つのチャンネルを見出す。クエリー制約は、以下のとおりである。

QueryFunction=top#n=5, StateType=ChannelSequ, sequStateIDs=[30,40], LengthValue=null
（クエリー関数＝上位ｎ＝５，状態タイプ＝チャンネルシーケンス，シーケンス状態ＩＤ＝［３０，４０］，長さ値＝空白）
シーケンスを完成するのにチャンネル４３、５８および６０が最も可能性が高くかつそれらの確率がそれぞれ８０、１０、２０％ならば、クエリー結果は以下のとおりである。

［（４３，８０），（５８，１０），（６０，２０），空白，空白］
例２：
以前に訪問されたチャンネル３０および４０として、長さ３チャンネル、サーフィンシーケンスを完成する最も可能性の高い上位５つのチャンネルを見出す。クエリー制約は以下のとおりである。

QueryFunction=top#n=5, StateType=SurfChannelSequ, sequStateIDs=[30,40], Length
Value=3
（クエリー関数＝上位ｎ＝５，状態タイプ＝サーフチャンネルシーケンス，シーケンス状態ＩＤ＝［３０，４０］，長さ値＝３）
長さ３チャンネル、サーフィンシーケンスを完成するのに最も可能性が高いのがチャンネル４３のみでありかつその可能性が８０ならば、クエリー結果は以下のとおりである。

［（４３，８０），空白，空白，空白，空白］
例３：
少なくとも４つの番組のすべてのシーケンスから、以下の３つの番組、すなわち、Friends（フレンズ）、Frasier（フレージャ）およびSeinfeld（隣のサインフェルド）を、（それらが時系列的に同時であるまたは連続していると仮定して）順次見る確率を見出だす。

QueryFunction=mostLikely, StateType=TitleSequ, fromStateIDs=[“Friends”,“Seinfeld”,“Frasier”], LengthValue=4
（クエリー関数＝最も可能性が高い，状態タイプ＝題名シーケンス、from状態ＩＤ＝［“フレンズ”，“隣のサインフェルド”，“フレージャ”］，長さ値＝４）
少なくとも４と等しい長さ値を有してすべてのシーケンスの２０％中でこれらのクエリー制約が観察されれば、典型的なクエリー結果は［２０］である。

これらの例の各々において、同様に制約を受けた記録の総数から、クエリーを満たす状態が訪問された回数を単にカウントすることにより、チャンネルまたはシーケンス確率が計算される。挙動シーケンスのより完全なモデルは、最も可能性の高い順列を統計的に推測する単一の遷移情報をさらに含む。述べられた新たなシーケンスモデリング法は、上記の‘訪問された状態’モデル情報を用いて、観察された組合せを推測しかつ、ＢＭ状態遷移情報を用いて最も可能性の高い順列、すなわちシーケンス順を推定する。このシーケンスモデリング法の利点は、特徴状態シーケンス付け情報を保存しながら、ノイジーな挙動シーケンス付けデータを大幅にフィルタリングしかつメモリを節減することである。数値シーケンスのすべての可能な順列を記憶するメモリ必要量がシーケンス長の階乗とともに増加することは周知である。ＴＶ環境では、これは、限られたリソースの禁じられたおよび無駄な使い方であることがしばしばである。起こっている特定のシーケンス順の悲観的な推定確率は、一致するシーケンスパラメータ（すなわち、長さ、状態および状態訪問頻度）の確率と、起こっている各遷移の確率との積とほぼ等しい。各シーケンス遷移は先行のものから独立していないため、この推定は明らかに下界である。各遷移の指向性バイアスを考察することにより、別のものに対して１つの順列の相対的尤度を比較することについて、さまざまな発見的方法が企図される。すなわち、順列は、その遷移方向が逆方向よりも大きなバイアスを有すれば、より可能性が高い。順序付け尤度測定基準を計算する単純な発見的方法は、各シーケンスステップごとに、順方向から逆方向遷移バイアスを引いた差を合計することである。

この情報を用いて、システムモジュールは、ある状態が特定のシーケンスにある、予期される尤度を推定することができる。たとえば、ＴＶユーザがＣＮＮの視聴を開始し、ＦＯＸに切換えると、ＢＭＱengineへのクエリーは、来るべき最も可能性の高いチャンネルおよびそれらの尤度を戻すであろう。本明細書中により詳細に示されるように、ＰＤＥがこの情報を用いて、バーチャルチャンネルにおいて、PresAgentによる番組の順次的配置または番組の嗜好をバイアスし得る。

項目３の遷移逆バイアスは、ユーザの状態遷移挙動に対する何らかの指向性バイアスを検出しようとする。一例は、視聴者はＣＮＮからＰＢＳに移りやすいが、ＰＢＳからＣＮＮに移ることは稀ということである。同様に、ジャンルについては、ユーザは、長いドラ
マ映画の前に、よりしばしばニュースを見ることをより好むことがある。多くのそのような嗜好は、題名または何らかのＥＰＧエントリにおいて生じ得る。番組シーケンス付けを感知するシステムモジュールは、逆バイアスを用いて、視聴者の好む番組編成順を予測することができる。ＰＤＥは指向性バイアスを用いて、視聴者の最近の履歴の遷移文脈に対する番組嗜好評価に影響を与える。たとえば、ユーザがちょうどニュースを見たばかりで、ＰＤＥがＥＰＧ中の最も好ましい番組を計算して視聴の提案をしなければならないと仮定する。ＰＤＥが別の方法でＣＮＮおよびＰＢＳの番組を等しく評価する場合に、ＣＮＮからＰＢＳへの遷移バイアスが逆の場合よりも大きく存在すれば、それはＰＢＳの番組を高く評価するであろう。MemberAgentがこれを挙動パラメータとして用いて視聴者のクラスを識別する。状態指向性バイアスは、バーチャルチャンネル用の番組ガイドをよりうまくシーケンス付けするように、PresAgentを補助する。

項目４の、ＥＰＧエントリおよびＴＶセッション当りの典型的視聴時間などの情報は、システムモジュールが、特定のタイプのコンテンツに対する視聴者の注意持続時間により一致するのを助ける。視聴者が短いＴＶ視聴セッションを有する傾向があれば、より短い番組がより長い番組よりも高い評価を得る。ユーザがはるかに短い時間の間コメディよりもアクション映画を見る傾向にあれば、それぞれのカテゴリ中の番組が、これに従ってインクリメンタルに好まれる。原則として、注意持続時間は、すべてのＥＰＧエントリおよび最も主として、チャンネル、ジャンル、題名および俳優に当てはまる。注意持続時間は潜在的に（MemberAgentのかわりに）視聴者を分け、（ＰＤＥおよびPresAgentのかわりに）コンテンツ視聴時間のそれらの好ましい混合を直接に行なう。

項目５にリストにされたＴＶコントロールパターンをモニタすることは、ユーザを挙動で識別するのに有意義なツールであり、番組嗜好結論付けの動機付けとなることがしばしばである。典型的な例は、ミュートおよびボリュームボタンのユーザコントロール挙動をモデリングすることである。ＰＤＥは、ミュートボタンを、あまり好まれない番組編成の指標として用いる。広告視聴挙動の文脈では、MemberAgentはミュートボタンを用いて、ユーザが好まないかもしれない広告のタイプを学習する。ボリュームコントロールなどの他のＴＶコントロールボタンは同様の予測可能性をしばしば与える。ユーザがある番組のボリュームを上げれば、彼らはその番組を好む可能性がより高い。ユーザ識別については、ティーンエイジャーは、中年成人よりも音楽ビデオのボリュームを大きく上げる可能性がより高いであろう。同様に、時間間隔プレーンが適切な制御パラメータ間隔と置換えられるのを除いて、時間的モデリングにおけるようなクエリーメカニズムおよびモデリングが当てはまる。

番組嗜好評価における同じＴ_w／Ｔ_a、Ｔ_m／Ｔ_aおよびＴ_l／Ｔ_aは、項目６のように、挙動嗜好評価に同様に当てはまる。ユーザの視聴履歴を通して、いずれのＥＰＧエントリも、ユーザの番組視聴挙動と関連の、推測される嗜好を有する。たとえば、視聴者がある俳優が出る番組を見るのに遅れることがしばしばならば、この俳優に対応する状態は高いＴ_m／Ｔ_a比率を有する。ＰＳＦおよびＥＰＧエントリＳＳＭのあらゆる組合せについても同様である。

さらなる測定基準として、項目７は、好奇心および多様性精神測定的挙動パラメータの重要性を前面に押し出す。多様性尺度は、興味のある各領域におけるユーザの空間的カバレッジを特徴付けようとする。いずれのモデリングされた状態領域も、訪問された選択を、ある期間の間に利用可能な全選択で除することによって計算される集中度評価を受ける。たとえば、channel#diversity=number#of#channels#visited/total#number#of#channels（チャンネル多様性＝訪問されたチャンネル数／チャンネルの総数）である。異なる挙動状態クラスまたはＥＰＧエントリは、たとえばジャンル多様性などの、それら自身の多様性尺度を有する。異なる人々は、彼らを特徴付ける広範囲の領域多様性尺度を有する傾
向にある。より年配の人々は、たとえばティーンエイジャーよりも見るチャンネル数がより少ないであろう。多様性尺度と同様に、集中度尺度は、次元を横切る、しばしばハイブリッドな領域に当てはまる。これらのハイブリッドは、ＥＰＧ選択広がりの直接的な測定値ではなく、ＥＰＧエントリの挙動派生物であることがしばしばである。たとえば、チャンネルシーケンスおよびサーフィン集中度は、少数の一意な状態がすべての観察されるシーケンスまたはサーフィンをどのように構成するかを測る。別の精神測定クラスは好奇心尺度である。好奇心尺度は、コンテンツの特定のカテゴリを開拓する、ユーザの精神的傾向を推定する。たとえば、チャンネル好奇心（channel#curiosity）は、サーフィンされなかったすべてのチャンネルのうちの好まれるチャンネル数の比率である。この比率が低くなるにつれ、ユーザが以前に好まなかったチャンネルをユーザが開拓することがより多くなる。あまり好奇心が強くない人は過去に好んだものだけに執着する傾向があり、非常に低い好奇心評価しか有しない。

嗜好決定エンジンＰＤＥは、多様性、集中度および好奇心測定基準を用いて、高評価の番組の適切な混合を決定し、視聴の提案を行なう。総括すると、これらの尺度が、視聴者に提示される番組編成予測の幅および深さをコントロールする。たとえば、視聴者が低いジャンル多様性評価を有する場合、ＰＤＥは最も数の少ないジャンルカテゴリ内の上位番組の提案に集中するが、これに対して、評価が高い場合、人々は予測可能な範囲の多様性および好奇心比率を有する傾向がある。MemberAgentが用いるように、これらの尺度の組合せは個人および個人が属するクラスを分離しようとする。ＰＤＥに関しては、たとえば、彼らのチャンネル好奇心評価が高ければ、ＰＤＥは、以前はしばしば見られなかったチャンネルへの嗜好を提案に与える。ＰＤＥと同様のタスクを有するPresAgentは、ユーザがより好む新しさおよび日々の変化に一致する傾向のあるバーチャル番組視聴ガイドを作成する。

項目８の最も可能性の高い開始または終了状態は、すべてのモジュールにとって重要なパラメータである。ＰＤＥは、開始または終了状態尤度を用いて、テレビをターンオンおよびオフするときにユーザ履歴に従って番組評価をバイアスする。これらのパラメータは、TASAgentのかわりにユーザを識別するのも助ける。ＰＤＥは、実際のセッション時間が予期されるＴＶセッション終了時間に近づきかつ超える際に、終了状態情報をセッション持続時間予測と結合して、終了状態嗜好に向けて番組をバイアスする。適時のバーチャル番組編成ガイドを構築する際、PresAgentは同様の原則を適用する。たとえば、ある時間および番組編成状態においてユーザがあるチャンネルの彼らのセッションを終えることがしばしばならば、そのチャンネル上の何らかの番組編成が嗜好評価バイアスを得る。一般的に、そのような評価バイアスは比較的小さく、そうでなくても細かく評価されるがシーケンス付けなどの何らかの文脈的バイアスを有する番組に対する嗜好を与えるとされる。

上記はこの発明の例示的な実施例および実現例でしかないことがわかる。嗜好測定基準に関する多様な置換えおよび変形が十分にこの発明の範囲内にある。

以下の説明は、この発明に従う挙動モデル処理に関する詳細を与える。
図２および図３を参照して、各ユーザの行動または選択された非行動は、３つのＳＳＭ状態空間、すなわちチャンネル、ジャンルおよび題名、の各々の中の並行ＳＳＭ遷移イベントを生じる。これらの状態空間カテゴリは各々、時間的に依存したおよび独立した次元を有する。上から下への第１の次元は時間独立であり、状態遷移が起こるときは常にどの状態遷移も記録する。第２のＳＳＭ次元は、番組中の時間、すなわち最後の遷移、状態遷移が起こって以来どれくらいかを追従する。次元３は、ＴＶセッションの開始以来の時間に対する遷移をモデリングする。第４のＳＳＭ次元は挙動の時刻パターンを、かつ、第５は曜日を、検出する。目標は、ある程度の相対的時間的または順次的バイアスを有する周期的順次イベントを検出することである。各々の状態空間次元は、ファジィbinとして働
いて、状態遷移シーケンスが属する時間的メンバーシップを定量する遷移行列を有する。

たとえば、チャンネル、ジャンルおよび題名ＳＳＭに対する時刻次元は、以下の時間行列のうち１つの中の各々の状態遷移に入る、相互に排他的な遷移行列からなる。

Late#Night, Wee#Hours, Early#Morning, Morning, Late#Morning, After#Noon, Late#After#Noon, Evening, Night
（深夜、非常に早い時間、早朝、午前中、午前の遅い時間、午後、午後遅く、夕方、夜）
図４は、好ましい状態空間と、各統計ステートマシン（ＳＳＭ）内のルールに従った遷移フローとの例をグラフにする。どの確率密度関数の内側にも、一度に１つの状態しか存在しない。好ましい実施例のＳＳＭは、好まれる題名、チャンネルおよびジャンルならびに好まれないチャンネルおよびジャンルならびにサーフチャンネルおよびジャンルである。各ＳＳＭは、固定されたおよび可変の状態を含む。固定状態はＳＳＭ間の遷移を記述する。

すべてのＳＳＭに対する第１の固定状態は「オフ」状態である。「オフ」状態は、ＴＶがオフのときに起こる。

ＳＳＭモデリングの好まれる状態遷移は、第２の固定状態として、「好まれない」状態を有する。

これに対して、ＳＳＭモデリングの好まれない状態遷移は、第２の固定されたものとして、「好まれる」状態を有する。たとえば５分などのあるしきい値時間量よりも少ない間視聴されたチャンネルおよびジャンルは、サーフィン遷移としてカウントされる。

サーフィンなしＳＳＭは、「サーフィン」と呼ばれる第３の固定された状態を有する。状態「サーフィン」は、サーフィンしきい値よりも短い時間の間ユーザが番組を視聴するときにアクティブである。チャンネルおよびジャンルサーフィンＳＳＭは、「オフ」および「サーフィンなし」固定状態しか有しない。状態空間の可変状態は理想的には、訪問が可能なすべての状態である。しかしながら、実際的なリソース制約が、完全にモデリング可能な状態の数を大幅に限定することがしばしばである。大きなエラーなくＢＭを圧縮する１つの方法は、ＳＳＭ中に可変状態として含まれかつ列挙される各状態空間の最も代表的なまたは好ましいもののみを有することである。

嗜好決定エンジン（ＰＤＥ）（図１０参照）は、題名、チャンネルおよびジャンルに嗜好評価を割当てる。状態リソース許可の最大数は、各カテゴリの中の上位評価からとられる。サーフィンＳＳＭモデル中の状態は、好まれるおよび好まれないＳＳＭ状態の連合である。いずれのステートマシンとも同様に、ＳＳＭは一度に１つの状態にしか存在できない。たとえば、好まれるチャンネルを視聴して好まれないものに遷移すると、‘to’状態が「好まれる」チャンネルＳＳＭの「好まれない」固定状態であり、「好まれない」チャンネルＳＳＭ中の‘from’状態が「好まれる」固定状態である。

可変状態間の遷移は、確率密度関数または‘pdf’という名のブロックを規定する。というのも、それは、何らかの特定の挙動状態遷移が起こる尤度をモデリングするからである。可変状態は、経時的なそれらの統計的意義に依存して、pdfに加えられたり、それから削除されたりする。実際に、大部分のＴＶ視聴者は、６ヵ月の間で、１００チャンネルのうち３０および１００ジャンルのうち５０よりも少ないものしか個々に訪問しないであろう。この観察を用いて、限られたシステムメモリ制約下にあるシステム設計者は、システムリソース必要量を大きく低減し、また、ユーザの挙動の大部分を捕捉し続けることができる。ある限界までは、この発明の性能は、ＳＳＭ中の上位の好ましい状態の数と比例
し、したがってスケーラブルである。求められる状態の数に対する下限は、かなり類似しているが微妙に異なる個人に関する、最小限必要な性能から来る傾向がある。上限は、システムリソース制約のペナルティに対する、状態を加えることの性能利益を小さくすることによって設定される。最適な限界を見出すため、シミュレーションは、ＴＶ視聴挙動の統計的に代表的な母集団標本にわたりモデルリソースパラメータを掃引する。そのようなメモリ使用最適化は、ＴＶProfAgentにおいて最も重要である。リアルタイムモデル構築モードにおいては、ある数の一時的な状態が連続して必要である。なぜなら、ProfAgentは、ＳＳＭにどれを含みまたは、十分にアクティブでないとしてどれを拒否するかを決定するのに十分な証拠を構築するからである。利用可能なメモリの限界に達すると、エージェントは、ＰＤＥ中の一意なアルゴリズムが決定するように、最も好ましくない状態を削除する。

ユーザがコンテンツ遷移を行なうと、状態遷移イベントは、各々それぞれのＳＳＭに記述されたものとして登録される。行動に基づく遷移は、たとえばチャンネル変更またはボリューム上昇などの、何らかの明白なＴＶコントロールボタンが押されることである。非行動イベントは、たとえば同じチャンネル上の新しい番組などの、明白なユーザ行動が伴わないコンテンツ変更の際に発生する。後者の場合、新しい番組イベントは、同じままとどまるどの他の状態上でも自己遷移を引き起こす。すなわち、一定したチャンネルはチャンネル状態自己遷移である。別の可能な事例は、チャンネル変更ではないが、同じ好まれる番組タイトルが繰返されることである。この場合、すべてのＳＳＭは、それらの最後の状態で自己遷移を有する。重要なのは、非常に短いためにサーフィンとして場合によってはカウントされる番組への自己遷移が、サーフィンなし遷移としてカウントされることである。この選択は、ユーザの挙動の意図を発見方法的にモデリングする基本的な考え方に従う。

図５は、図４の代表的な状態空間ＳＳＭ行列およびその動作を詳細に示す。行は状態遷移の‘from’状態を表わし、列は‘to’状態を表わす。プロセスは、遷移行列および重みセット（ＴＮＷＳ）の観点で、動的人口統計クラスタ知識ベースと称され得る。

遷移行列は原則的に、ある種の時間的形態で視聴者の挙動を記述する。図５に図示された遷移行列はチャンネル遷移行列である。行列の大きさはＡ×Ａである。Ａは利用可能なチャンネル数に２を足したものである。

異なるタイプの行列の数は２である。すなわち１つは、図５に示されたようにチャンネルのためのものであり、一方はジャンルのためのものである。

すべての人口統計グループごとに各曜日ごとに２組の行列が存在する。すなわち、チャンネルグループｉに対して（ｉ＝１，２，３…Ｎ；Ｎはグループ数）１４の行列が存在する。１組は視聴アクティビティのためのものであり、別の組はサーフィンのためのものである。

図５の行列は以下の遷移を示す。すなわち、オン→５チャンネル→２チャンネル→６チャンネル→１００チャンネル→オフである。行列（Ａ，Ｂ，Ｃ，Ｄ，Ｅ）中の項目は、たとえば５チャンネルから２チャンネルへの遷移などの行動に対する人口統計グループのすべての

の中央値である。列上にあるおよび列上にないならびにサーフィンのためのそれらの行列中の項目が、行動に対するカウントである。

遷移行列に基づき、人口統計グループを予測することが可能である。遷移行列を構築した後、すべての人口統計グループに対して重みセットを最適化しなければならない。最適化は、最大エントロピー理論および強化学習に基づく。

クライアント側では、メモリ制限がなければ、予測は同様に行なわれる。メモリ制限がある場合、エントロピー評価を用いて、あまり重要でないそれらの列を排除する。後に説明される重み付け項目は、クライアントが用いるように最適化されかつ固定される。しかしながら、クライアントが、消費できるよりも多くの計算力を有すれば、それはそれらの重みセットを最適化し、それらをローカルに保つことができる。

システムが動作することのできるレシーバは２種類あり、一方はフィードバックチャンネルを備え、他方は備えないものである。任意のフィードバックチャンネルを、図１に点線で示す。フィードバックチャンネルを備えたレシーバが人口統計的情報をもたらすと、人口統計的グループに基づく広告のタスクは、以下に説明するように極めて明確になる。また、広告のパフォーマンスを測定することも容易である。レシーバが視聴者の人口統計的情報を提供しない場合は、フィードバックチャンネルから直接得ることができるパフォーマンス収集態様を別として、フィードバックチャンネルを備えないレシーバと同様の態様で扱われる。

フィードバックチャンネルを備えないレシーバに対しては、視聴者の人口統計的グループを決定するために２つの方法が提供される。どちらを用いるかは、２者のうちより一致するほうの原則（closer match principle of the two）に依存し、これは上述のＰ_jに対する最大エントロピー測定値によって測定される。より小さなエントロピー値を生成する方法を用いるべきである。これらのフィードバックチャンネルを備えないレシーバのパフォーマンスは市場調査によって測定され、次いでフィードバックチャンネルを備えるものの学習サイクルに入れられるべきである。

人口統計的情報およびパフォーマンス情報を備えた視聴者の動作のリアルタイムのフィードバックは、もちろん視聴者のレシーバに対してバックチャンネルが存在するときにのみ存在する。これは、視聴者の挙動情報ストリームおよび人口統計的予測のパフォーマンスの情報を含む。挙動ストリームは、少なくとも上述の項目、すなわち、視聴日付（watch date）、視聴開始時（watch start time）、視聴期間（watchduration）、視聴チャンネル（watch channel）、および人口統計的情報（demographic information）を含むべきである。パフォーマンスは、レシーバの予測が正しいか否かを示す時間的リスト（temporal list）である。

レシーバの人口統計的情報がわかっているために、知識ベース獲得器（図１の中央のボックスを参照）は、フィードバック情報に基づいて変更を行ない得る。したがって、要約すると、図５は代表的な非時間的状態空間ＳＳＭ行列およびその動作である。例示的なチャンネル状態空間は、ＯＦＦ（オフ）からチャンネル５、２、６および１００への遷移を用い、空の行列から開始してＯＦＦ状態に戻る。ProfAgentは、状態対ごとに、適切な遷移行列エントリをインクリメントする。この例に対しては、以下の（切換元、切換先）行列エントリが（５，オン）、（５，２）、（２，６）、（６，１００）および（１００，オフ）にインクリメントされる。５チャンネルに合わせる回数は、列５，（内のすべてのエントリの合計であり、グローバルな確率は、この数を行列合計で除算したものである。一旦５チャンネルに合わされると、２チャンネルに移る確率は、（５、３）のカウントを行５（５チャンネル切換元状態）の合計で除算したものである。

同様のプロセスが、時間的などのより高い次元の遷移行列の累積および分析を司る。遷移の適切な時間間隔平面（time interval plane）におけるエントリがインクリメントさ
れる点を除いて、機構は同一である。擬似ＨＭＭ実現化と理論的ＨＭＭとの間の重要な違いは、マルコフ連鎖における状態遷移が最後の状態から必ずしも独立している必要がないことである。こうして、状態シーケンスを通ってトラバースする確率は、個々の遷移確率の積と必ずしも等しくある必要はない。しかしながら、これは下界である。ユーザの状態選択挙動が一様にランダムである限り、擬似ＨＭＭは理論的ＨＭＭに向かって収束する。遷移独立性の欠如は、ユーザ選択挙動がガウス型になる傾向のために部分的ランダムステートマシンモデルの用を廃するわけではないが、付加的な統計的情報で補償する必要がある。ここに記載されるシーケンスモデリングはそのような試行である。上で説明された嗜好判断およびプロファイルモデリングは、さまざまな文脈に適用することができる。ここでは、嗜好評価付けおよびプロファイルモデリングに基づく、広告内容の対象決めに注目する。

図６は、対象決めサーバに適用される広告カテゴリ、クラスタ学習アーキテクチャを示す。ＢＣＥは、特定の広告カテゴリトレーニングセットからのｍ人のユーザからｍ個のクラスタを生成する。クラスタ集約ブロックは、学習されたクラスタの最も代表的な局面を抽出し、グループの典型的なプロファイルを生成する。ｎ個の広告カテゴリをトレーニングした後で、ｎ個の典型的な広告カテゴリ挙動プロファイルが生成される。すなわち、図６は、広告カテゴリ、挙動プロトタイプ学習システム、すなわちトップレベル広告カテゴリ、クラスタ学習アーキテクチャを示す。モジュールは、対象決めサーバ内のヘッドエンドのAd Manager（広告マネージャ）に存在する。クラスタ学習は、広告カテゴリグループ（クラスタ）およびそれらの相関した挙動プロファイルを、高品質にタグ付けされサンプリングされたテレビユーザログ付けデータに基づいて、規定および最適化する連続的プロセスである。人口統計的な挙動データは、第三者および／またはフィールドに展開されたユニットから入力される。選択フィルタは、ＢＣＥに対するトレーニングセットで対象決めされた広告カテゴリを抽出する。ＢＣＥは、トレーニングセットにおける各ユーザ記録を、それらが同一のユーザからのものであるかのように扱い、こうして非常に巨大な集積されたＢＭを生成する。結果として生じるＢＭはパラメータ化され、広告カテゴリに対して代表的な挙動シグネチャとして作用する強くバイアスされた次元のみのサブセットにプルーニングされる。このステップは、プロトタイプ間のプルーニング（inter-prototype pruning）と呼ばれるが、これは所与のＢＭ内の不良な不十分にバイアスされた次元のみを除去するためである。ＢＣＥはこの手順をトレーニングクラスタごとに繰返し、対応の挙動シグネチャプロファイルを有する場合はすべての広告カテゴリグループがこれを有するまで、続けられる。典型的な広告カテゴリプロファイルは、ランダムに顕著にバイアスされる少なくとも１つの挙動次元を有する場合にのみ存在する。各ＳＳＭは、ユーザを分離する傾向がある、対応の新規なパラメータ化された包括的な特徴的状態遷移挙動を有する。

図７は、広告カテゴリテンプレート構築のプルーニング段階を示す。この段階では、カテゴリ間で最も共通した次元である次元を除去することにより、プロトタイプを分ける。広告カテゴリ挙動プロトタイプ構築の第２の段階、ここではプロトタイプ内プルーニング（intra-prototype pruning）またはプロファイル内プルーニング（intra-profile pruning）と呼ばれるものは、各ＢＭにおいて、他の対応するＢＭ次元と同様である次元を除去する。このステップは、すべての対象決め参照プロファイルの間で最も顕著である次元のみを選択し、よって広告カテゴリプロトタイプごとに最小の記述長さを生成する。もしこのプルーニングプロセスの結果が、プロトタイプの分類次元のすべてまたはほとんどすべてを除去することであれば、最も類似する広告カテゴリが単一の予測クラスにマージされ、これによりシステムの最良の対象決め解答をマージされた広告カテゴリに縮小させる。たとえば、もし不十分な次元の距離によって、２０代、３０代および４０代の３つの男性の年齢グループが区別されていれば、これらの広告クラスは２０歳〜４０歳の単一のクラスにマージされる。対象決めサーバは、最終的な対象決め広告ファイルプロトタイプ、そ
れらのカテゴリラベル、および期待される予測パフォーマンスを広告サーバに送信する。

新規なトレーニング、プルーニングおよびマージプロセスの詳細な局面は以下のとおりである。ＢＣＥは、選択された対象決めグループメンバーからのラベル付けされたユーザデータによってＢＭを構築することにより、トレーニングプロセスを開始する。ＢＣＥは、各ユーザ動作から遷移および特定の挙動パターンを計算する。ＢＭによってサポートされる遷移をカウントする事象は、さまざまな相対的時間測定基準で生じるいかなる番組ＥＰＧエントリにおける変化をも含む。最小の事象トレーニングログは次のように表わされる。

＜ユーザＩＤ＞＜日付＞＜時＞＜チャンネル＞＜ジャンル＞＜タイトル＞＜番組長さ＞
トレーニングセットは既に存在するデータベースであることから、学習はリアルタイムではなくバッチモードで起こる。バッチモードにおいては、特定の学習ウィンドウ内で視聴される番組のすべては直ちに評価付けされ分類される。ＢＭシミュレーションは、ユーザデータをわたる学習ウィンドウまたは学習期間にステップを付ける。リアルタイムデータでは、遷移を統計的ステートマシンＳＳＭに含むための十分な証拠を構築する間に一時的な保持領域が必要となる。学習ウィンドウは、システムの時間的パフォーマンスを判断する。サーバ側においては一般的にメモリ制限がないので、新しい観測結果を含むためにあまり好まれないであろう状態を削除する必要がない。学習ウィンドウの主な効果とは、メモリ制限のあるユーザ履歴期間の範囲をわたるクライアント側のＢＭパフォーマンスを予測することである。この発明の目標は、定常挙動パラメータ、およびそれらの典型的な分散を識別することである。ランダム変数に対する確率密度関数が時間関数である場合、ランダムプロセスは非定常であるといわれる。非定常ランダムプロセス挙動グループに対する統計的安定期間を判断するためには、学習ウィンドウは数日間から数ヶ月間連続的に調節される。およその定常期間は、ウィンドウ間で最良の相関を有する学習ウィンドウサイズである。すべての広告カテゴリは、潜在的に異なった平均定常期間を有する。たとえば、高齢者はティーンエージャーよりも、広い時間間隔で、繰返す挙動を有し得る。対象決めサーバは、予測安定に近づくために必要である期待される学習時間と、広告カテゴリごとの収束とを広告サーバに提供する。

図８は、リアルタイム広告カテゴリ推定システムの図である。メンバーエージェント（MemberAgent）は、リアルタイムのテレビユーザの使用挙動と、広告カテゴリテンプレートとを比較し、ユーザの広告カテゴリの確率分布を計算する。

図９は、好ましい実施例に従ったテレビ広告対象決めシステムの概要を示す。対象決めおよび記憶エージェント（TASAgent）は、広告をテレビヘッドエンドから受取り、広告対象決めメタデータを解釈する。TASAgentは、広告の対象決めクエリー表現によって特定される対象決め視聴者と、家庭ユーザ広告カテゴリ予測データから選択された項目とを比較し、TASAgentおよびプレゼンテーションエージェント（PresAgent）がどの広告がそれぞれ記憶され表示されるべきかを判断するために用いる対象決め評価を生成する。

図１０を参照すると、この発明に従ったプリファレンス（嗜好）判断エンジンアーキテクチャが示される。プロファイリングエージェント（ProfAgent）は、内容変化事象ごとに挙動モデルＢＭをインクリメンタルに更新する。初期には、事象は、もしあればその状態と、時間的関係とに分解される。好まれる状態（Liked states）とは、好みの番組に関連するモデル化された局面、特徴および使用である。ProfAgentは、プリファレンス判断エンジン（ＰＤＥ）から番組嗜好評価を受取る。ＰＤＥは、図１０における投票ネットワークを評価することにより好まれる番組を判断する。ＰＤＥには３つの主な構成要素があり、それらはリアルタイム内容および文脈嗜好学習（ProfAgent）、嗜好予測（PredictAgent、PredictAgent）、およびＢＭＱエージェント（BMQAgent）である。PredictAgentの
説明は、ProfAgent概要の次に示す。出力は知覚様の重み付けされた線形のファジー投票であり、上に列挙された嗜好感知フィルタ（ＰＳＦ）の組合せである。

ProfAgent学習アルゴリズム
・初期化
１．すべてのｎ重みを、１／ｎに等しく設定する。

２．ρ、δ、およびηを内輪の見積もりに設定する（たとえば、ρ_p＝ρ_n＝０,ηｐ＝.１,η_n＝δ＝.０５）。
ここで、ρは試行依存学習モーメント項である。ηは試行独立学習率である。下付きｎおよびｐは、それぞれネガティブ事象およびポジティブ事象に対応する。

・出力アクティベーションＯの計算
３．Ｏ＝Σｗ_i＊Ｖ_i、すべてのｉ＝１〜ｎ
ここで、Ｖ_iはＰＳＦファジー出力投票である。

・重み付けトレーニング
４．ポジティブ事象ごとに：
ｗ_i（ｔ＋１）＝ｗ_i（ｔ）＋η_pｗ_i（ｔ）、すべてのＶ_i≧θ
ｗ_i（ｔ＋１）＝ｗ_i（ｔ）−η_pｗ_i（ｔ）、すべてのＶ_i＜θ
５．ネガティブ事象ごとに：
ｗ_i（ｔ＋１）＝ｗ_i（ｔ）−η_nｗ_i（ｔ）、すべてのＶ_i≧θ
ｗ_i（ｔ＋１）＝ｗ_i（ｔ）＋η_nｗ_i（ｔ）、すべてのＶ_i＜θ
θは最小のファジー好み投票しきい値である。

・学習率の更新
６．ポジティブ事象の場合：
ρ_p（ｔ＋１）＝ρ_p（ｔ）＋ρ_p（ｔ）＊（Ｏ（ｔ）−Ｏ（ｔ−１）／MAXVOTE)η_p（ｔ＋１）＝η_p（ｔ）＋η_p（ｔ）＊ρ_p（ｔ＋１）＋δ
η_n（ｔ＋１）＝η_n（ｔ）−η_n（ｔ）＊ρ_p（ｔ＋１）−δ
７．ネガティブ事象の場合：
ρ_n（ｔ＋１）＝ρ_n（ｔ）＋ρ_n（ｔ）＊（Ｏ（ｔ−１）−Ｏ（ｔ）／MAXVOTE)η_n（ｔ＋１）＝η_n（ｔ）＋η_n（ｔ）＊ρ_n（ｔ＋１）＋δ
η_p（ｔ＋１）＝η_p（ｔ）−η_p（ｔ）＊ρ_n（ｔ＋１）−δ
δは頻度強化項である。

ProfAgentは、強化された学習スキームに従って、単一の層のｎ個のノードネットワークの重みを調節する。好ましくはユーザに特有であるｎ重みは、１／ｎに等しく初期化され、すなわち、すべてのＰＳＦが等しい票を有する。ユーザが同じ番組に合わせる度に、トレーニング管理形態は、番組が好みであると投票したノードを強化し、残りを不利にする。この原理は、観測された頻度によって嗜好予測を裏付ける。安定と収束とを促進するために、学習率ηはインクリメンタルな強化信号を適用して重みを調節する。２つの学習率がトレーニングプロセスを司るが、これらはネガティブ（η_n）およびポジティブ（η_p）事象率である。ポジティブ事象は、ユーザが番組を選択した場合であり、ネガティブ事象は、以前は好まれた文脈において番組が視聴可能であったが、別の番組が選択された場合である。実務においては、ポジティブな例における方が、ネガティブなものにおいてよりも、より原因となる情報がある。こうして、η_pは通常η_nよりも高い。嗜好投票出力が、ポジティブ（ネガティブ）事象の間で上昇する（減少する）嗜好傾向を示す場合に、モーメント項ρ_p（ρ_n）がトレーニング報酬を上昇させ（減少させ）、かつη_n（η_p）を低めて、ポジティブ（ネガティブ）学習バイアスを反映させる。δ学習率項は、番組視聴頻
度を強化する。この強化は、ポジティブ事象ごとにポジティブであり、そうでなければネガティブである。ときが経過するにつれて、この嗜好学習システムは自動的に、最良に番組嗜好を予測するＰＳＦを学習し、残りを軽く扱う。学習率は、ユーザの周期的な嗜好シフトの時定数を概算するために調節される。すべてのＰＳＦは、最小の評価値（たとえば、HATESPROGRAM=1）から最大値（たとえば、TOP PROGRAM=MAX VOTE=6）までの、段階的にファジーな嗜好評価範囲を出力する。

θは、少なくとも番組の好みを示す、最小ファジーメンバーシップの値である（たとえば、V_i=LIKES#PROGRAM・MAX#VOTE=4/6=.66）。ＰＳＦ強化は、ＰＳＦの票とθとを比較することにより求められる。投票は、Ｖ_i≧θである場合にポジティブであり、そうでなければネガティブである。この効果とは、ポジティブな（ネガティブな）番組視聴事象の間にポジティブである（ネガティブである）と投票されると、ＰＳＦ票に重みを与え、そうでなければ軽くすることである。

ＰＤＥは、番組、または他のいかなる状態種類の嗜好評価Ｒをも、以下のように計算する。

・番組が既にＳＳＭ内の状態にある場合

Ｏ_kは、番組に対する嗜好投票の時系列順のアレイであり、
ｔは番組に対する最近の評価の数であり、ｔは現在の投票Ｏを指し、
ｑは移動平均に含む過去の評価の数であり、
ｃは、時間的な重み付けされた係数アレイであり、ここでｃ_k≦１であり、
λ（ｔ）は、試行から独立するが、頻度に依存するバイアス項であり、ここでλ（ｔ）≦１である。

・番組がまだＳＳＭ内の状態にない場合、
Ｒ＝Ｏである。

番組の嗜好評価Ｒは、現在および過去の番組嗜好投票の重み付けされた移動平均である。当業者であるシステム設計者は、ｃ_k分布を、過去の評価付けの所望の時間的バイアスに設定する。典型的には、時間は過去の情報の値を減少させ、よって評価付けの値は時間につれて減少する。λ（ｔ）は、番組が評価付けされた回数に従って、全体的な評価付けを比例して高める。λ（ｔ）は好ましくは、視聴頻度の小さくかつゆっくりと増大する関数である。たとえば、λ（ｔ）＝ｃ^*ｌｏｇ（ｔ）＝［０．０３．０５．１．１２..１５...］。λ（ｔ）の効果とは、ＰＳＦ票から独立して、番組がより多く視聴されるほど番組へのより大きな嗜好を示すことである。

たとえば、もし視聴者がいつもトゥナイト・ショウの最初の２０分だけを視聴するのであれば、番組の評価付けは低くなるが、頻度項λ（ｔ）は、言うなれば対数的に評価付けを上昇させ、視聴嗜好の一貫性を反映させる。たとえば、３回の後では３％高い評価付けとなり、５回の視聴の後には１２％高くなる、などである。番組に関連するすべての状態のタイプは、番組の有効嗜好投票Ｏを受け継ぐ。

たとえば、もし番組が「LIKED（好まれる）」評価付けを有すると、そのジャンル、チャンネル、俳優などが同様にLIKED評価付けを受取る。ＰＤＥは、方程式（１）に示され、上のタイトル例で説明されたように、状態候補の嗜好評価付けＲを計算する。たとえば、ユーザが２つのコメディシリーズを視聴する場合、まずLIKED評価付けで「となりのサインフェルド」を視聴して、その後で「INTERESTED（興味深い）」評価付けで「フレンズ」を視聴すると、Ｏ₁＝LIKED＝４、およびＯ₂＝INTERESTED＝３、となり、comedyseries（コメディシリーズ）状態嗜好評価付けは、以下のとおりとなる（ここでＣ₁＝．９，Ｃ₂＝１，λ（２）＝．０３）。

この場合、番組視聴事象の間に長い時間が経過しているために、古い票は１０％減じられる。しかしながら、同じジャンルが２回視聴されたために、評価付けは３％の増加を受ける。同じ嗜好評価アルゴリズムが、どのような状態種類にも適応される。

視聴された番組ごとに、ＰＤＥはProfAgentに候補状態嗜好評価付けを与えて、上述のアルゴリズムに従ってＢＭを更新する。ＰＤＥは、ＢＣＥにすべてのユーザからのトレーニングデータを１人のユーザからのものであるかのように処理するよう命令し、こうしてすべてのクラスメンバーに対する挙動情報を含む単一のＢＭを生成する。

ProfAgentの投票出力は、VOTEdbase（投票履歴データベース）に記憶され、ここに説明されるようにProfAgentはこれを用いて最も好まれる状態を判断してBMdbase内に保持する。PredictAgent（予測エージェント）はまた、評価付け内容パラメータ嗜好に対する嗜好判断エージェントPrefAgentからの要求に応答するためにもVOTEdbaseを用いる。

記憶マネージャは、周期的に記録シーケンスを開始することにより番組の記録を行なう。この目的のために、記録マネージャは要求を嗜好エージェントPrefAgentに送り、特定の時間（Ｘ）におけるすべての番組の評価付け、またはこれに代えて、特定の時間期間（Ｘ）内のすべての番組の評価付けのいずれかを要求する。特定の実施例においては、ステップが行なわれる頻度はユーザによって変化させることができる。嗜好エージェントは、嗜好データベースから評価を与えることにより、記録マネージャから受取った番組ごとに応答する。記録マネージャは次いで、嗜好エージェントから受取った評価に従って、時間Ｘで、または時間期間Ｘ内で番組の記録を行なう。

嗜好エージェントは、制御システムを用いてさまざまな視聴者の視聴選択を監視し、かつ嗜好データベース内に記憶されている視聴者ごとの視聴プロファイルを生成する。これらのプロファイルに基づいて、嗜好エージェントは、ＥＰＧ情報において記載されたように入ってくる番組内容を分類して、視聴者ごとの所与の時間に利用可能である視聴選択の「上位１０」リストのようなリストをコンパイルし、記録マネージャに、所与の時間に放送された上位にランキングされた番組を記録し（記録のために視聴者によって選択されたどのような番組も含む）、かつ記憶された番組メモリ装置内に記憶するよう命令する。嗜好エージェントはさらに、視聴者の視聴プロファイルおよび特定のアルゴリズムまたは結合法則（associative rules）に基づいて、視聴者ごとの人口統計的プロファイルを生成することが可能であるソフトウェアをさらに含む。これらのアルゴリズムは、システム管理者によって採用されるモデルが強化され、かつその精度が上昇するにつれて、時間の経過とともに調節可能である。このために、放送信号内に含まれるシステム更新情報チャン
ネルは、広告提供者の要求において含まれるべき新しい嗜好データベースパラメータを含む周期的なソフトウェア更新を含み得る。こうして、一実施例においては制御システムは遠隔的にアップグレードされて、広告内容提供者が焦点が絞られ対象決めされた広告をカスタム調整するシステムおよびプロセスに慣れるにつれて生じ得る、新しい要求を満たす。視聴者ごとに生成された人口統計的プロファイルは、制御システム内の人口統計的データベース内に記憶されて、こうして視聴者のプライバシーを保証する。

嗜好エージェントはまた、放送信号内に含まれる多数の広告チャンネルを流れる広告内容を分類し、かつ視聴者の人口統計的プロファイルと広告ごとに含まれるメタデータとに基づいて、特定の広告に対する対象視聴者を記載し、かつ特定の広告の記憶および／または表示を行なう。制御システムは、以下に説明するように広告内容を操作するためのさまざまな方法のうちのいずれをも用い得る。

PredictAgentは、嗜好投票履歴情報と、文脈ＢＭ嗜好とを組合わせて、TASAgentおよび他のシステムモジュールが、嗜好に関連した判断を行なうための評価付けを生成する。

PredictAgent（予測エージェント）は、履歴投票を集積させて、モデル化された状態に対する全体的な評価付けを生成する。PredictAgentは、profAgentと同様の学習アーキテクチャを有するが、特徴間貢献計量（feature to feature contribution metrics）を学習するprofAgentとは異なって、PredictAgentは最適なインスタンス間統計的パラメータ（optimal instance to instance statistical
parameter）を学習する。ＰＳＦ入力の代わりに、３つの投票履歴統計的入力がある：サンプルカウント、サンプル最大、およびサンプル最小であり、それぞれの投票重みは以下のとおりである。

・CntPctCoef、その状態を視聴した回数に対する重み
・MaxPctCoef、観測された中でも最大の投票に対する重み
・MinPctCoef、観測された中でも最小の投票に対する重み
以下に示すものは、例示的なタイトルの状態の場合における、嗜好評価付け計算のための擬似コードである。

投票はガウス分布を有すると推定され、内輪の評価付けが望ましい。TeffMinVoteは、すべての投票を標準偏差で減じた平均投票である。これは、投票クラスタ分類カットオフである。MaxTcnt、およびmaxTmaxは、すべての状態視聴カウントに対して正規化された最大値であり、最大の投票数である。学習された調節ファクタは、学習された調節TcntAdj、TmaxAdj、およびTminAdjに従って、TeffMinVoteをバイアスさせる。これらの投票調節パラメータは、０から１の範囲にわたり、刺激によって対数的に成長し、それぞれの平均値によってさらに正規化される。そのような評価付け方針は、平均値が高いかもしれない不安定な嗜好評価よりも、一定して高く観測される評価付けを重要視する。状態カウント調節ファクタは、より多く（より少なく）視聴される状態をポジティブに（ネガティブに）バイアスさせる。こうして、アクション映画に対する１回の高い嗜好投票は、コメディシリーズに対する日常的な平均投票よりも票が低くなり得る。この方程式項は、何らかの理由により嗜好評価が不正確に低いが、ユーザの反復する挙動により、さらに高い票が裏付けられている場合を克服する助けとなる。TmaxAdj項は、ユーザの嗜好範囲に比例して嗜好評価付けを有意にするのに役立つ。すなわち、もしユーザがおそらくは悪いシステムパフォーマンスのために、一度も高い投票を行なっていなくても、ユーザの個人的な最大値に近づく評価付けが、このユーザに対して比較的高いスコアを示すように上向きにバイアスされる。これは特に、たとえばマルチユーザＩＤの場合のユーザ間の評価付けを比較するときに有用である。TminAdj投票アクティベーションレベルバイアス項は、すべての関連する状態に対し、平均最小投票を顕著に上回って逸脱する状態投票に重きをおく。これは、ユーザの最も低い応答を参照点として用いて、より高い相対的評価で高い信頼度を推論する、やや貪欲な投票非対称ストラテジである。ＰＤＥは、もしあればメモリ制限のために最大の状態カウントに達した場合に、PredictAgentのグローバル調節嗜好評価を用いて、その状態をより好ましい状態に置換えることを判断する。よって、ＢＭは最も関連性の高い状態を含むよう連続的に更新される（メモリが許容すれば、視聴した状態のすべてである可能性もある）。

広告カテゴリの次のステップである、プロトタイプ構築プロセスは、ＢＭを擬似ユークリッド空間にパラメータ化することである。ＢＭにおけるモデリングデータ構造は１次元
的ガウス分布ではないために、２つのＢＭ間の距離を判断することは困難であり、先行技術を用いている場合には不正確な手順となる。先行技術は、サンプリングされたデータが釣鐘型曲線形状分布を有すると推定し、かつデータを平均μおよび分散σによって規定されるガウス型としてモデル化する。しかしながら、図１１、図１３および図１４に示されるように、さまざまなモデル化されたカテゴリにおけるサンプルは正規分布していなく、指数関数的、β、一様、デルタ、またはマルチモーダルである。重要なことに、遷移行列は、クラスタメンバーシップを判断するために必要となる標準距離計量には適合しない。公知の分類方法は、クラスタ平均μの近傍に集中するクラスタ近傍からなるユークリッド特徴空間を規定し、クラスタ境界はσからμに延在する。クラスタメンバーシップを区別するために、従来はマハラノビス距離が用いられてきた。マハラノビス距離は、ユークリッド距離を単にクラスタの各々の次元的σで除算したものか、または、

ここで、Σは相互共分散である。
この方法は、テレビシステムにおいては非常に不正確であり、非実用的である。これが不正確であるのは、２つの主な理由による：これは誤ってガウス型サンプルデータを想定し、共分散行列の反転は、しばしば行列を特異にする、顕著な浮動小数点まるめ誤りを導入する。たとえば１００以上の高次元空間においては、共分散行列反転を計算し反転させることは、ＣＰＵ時間およびメモリにおいて禁則的であり得る。典型的な希薄なサンプル行列においては、多くの不必要な相互相関項が操作されなければならない。標準的な方法も同様に、対応のＳＳＭ間の距離を求めるためには適さない。こうして、マルチモーダルクラスタおよびそれらの間の距離を表わすための新規なストラテジに対する必要性が存在する。

ＢＭは、挙動次元データタイプの３つの一般的なクラスにパラメータ化される：すなわちヒストグラム、スカラ、離散である。分類空間においてＳＳＭを表わすために、一般的な、インスタンス独立挙動パターンが識別され、次元的分類パラメータとして抽出される。行列パラメータの各々は、擬似ユークリッド分類空間における次元である。

典型的ないくつかのＳＳＭパラメータカテゴリは次のとおりである。
１．遷移バイアスヒストグラム
２．自己遷移バイアスヒストグラム
３．ターンオン（オフ）状態タイプバイアスヒストグラム
４．遷移逆転バイアスヒストグラム
５．単一遷移比率
６．ＳＳＭ行列サンプル信頼度
７．上位ｎ状態へのバイアス
８．上位ｎ状態
項目１から項目４は、対応する挙動パターンに対して観察されたバイアスの分布である。項目１は、ランダムに発生する遷移に対するバイアスの量を表わす。別の重要な挙動カテゴリ、項目２は、どのように遷移が元の状態に戻りやすいか、すなわち、コメディからコメディに移りやすいかを示す。項目３は、すべての状態タイプに対して、ユーザの予測されるセッション開始状態または終了状態をとらえる。項目４は、遷移を１つの方向から他方にバイアスさせるためのバイアスレベルの分布を示す。いくつかのスカラパラメータは、項目５である単一対すべての遷移の比率、項目６である行列非ランダムバイアス、および上位ＳＳＭ状態に対する遷移へのバイアス、を含む。

すべての状態タイプに対して状態シーケンスモデルは、一般的なパラメータ化を含む；シーケンス長さヒストグラム、独自のシーケンス状態対すべての視聴された状態の比率、視聴されたすべてのシーケンス状態からの好まれる状態の小部分、シーケンス状態焦点、最大のシーケンス長さ、シーケンス遷移対すべての単一の遷移の比率、である。

「ホッピング」挙動に関する分類次元は、以下のように好ましくはパラメータ化される：ヒストグラムＴ_w／Ｔ_a、ホッピング間の番組小部分時間ヒストグラムΔｔ／Ｔ_a、ホッピング間時間ヒストグラムΔｔ、および番組ごとのホッピング数ヒストグラム、である。

最後に、システムは番組に関連する特徴次元のさまざまなものを用いる。これらの次元は、以下のものを含む：遷移ごとに視聴される時間ヒストグラムＴ_w／trans、番組ごとに視聴される時間ヒストグラムＴ_w／prog、利用可能な時間ごとに視聴された広告時間ヒストグラムＡｄＴ_w／Ｔ_a、テレビセッションごとに視聴された時間ヒストグラムＴ_w／session、Ｔ_m／Ａ_a、Ｔ_w／Ｔ_a、Ｔ₁／Ｔ_aその日の開始時間に視聴された番組ヒストグラム、および時間期間ごとに視聴された独自の状態の数、を含む。

この明細書のフレームワークにおいて、ＢＣＥで用いられるパラメータ化された次元の詳細なリストを提供する必要はない。当業者においては、変形、パラメータ化および敷衍を含む、必要なパラメータ次元を確立することが容易であろう。

新規なバイアス計算アルゴリズムは、非一様ランダム選択プロセスに対する定性的な証拠を求める；したがって、有意な挙動情報に対する尤度を求める。予測される一様ランダム行列ビンカバレッジは、二項分布を用いて計算される。ユーザ行動の各々は、所与のビンを埋めるためにパス−失敗事象とみなされる。状態遷移または二項試行（binomial trials）における試行の数は、行列内の遷移の数である。事象成功の確率、または特定の行列ビンを埋めることは、任意のビンが選択される一様ランダム確率である。特定の数の試行の後に埋められるべき所与のビンに対する二項確率は、ランダムプロセスによって埋められることが期待される行列内のビンの数と言換えることができる。こうして、一様ランダムプロセスによって埋められるべきビンがいくらあるかと、実際に埋められたビンの数との比率は、状態遷移選択に隠された、バイアスされたまたは非一様ランダムなプロセスを示す。バイアス測定値はさらに、統計的に有意なサンプルサイズの量的な指標である。もし、非ランダムＳＳＭ遷移プロセスを推論するための十分なサンプルが行列内になければ、バイアス測定値は１以下となる。先行技術の方法は一般的に、分散行列が統計的に有意であると期待されるか否かを判断するために、ｎ×ｎ行列におけるｎ²のサンプルを必要とする。この要件は、ｎが大きくなるにつれて、禁則的となる。たとえば、３０×３０行列に対しては、従来の方法は３０×３０、すなわち９００のサンプルを必要とするが、これは短期間のユーザのテレビ使用においては獲得することが非現実的である。先行技術においてこの制約が存在した理由は、共分散行列におけるすべての交差相関項における信頼度を推論するための十分な情報を必要としたためであるが、これはこれらの項の多数が０であったとしても、どれが有意であるのかを推論するためのアプリオリな方法が存在しなかったためである。この行列バイアス検出方法は、統計的な有意性を連続的に判断し、しばしばｎ個のオーダのサンプルに収束する。

以下に、Liked#Channels（好みのチャンネル）遷移行列に適用される、バイアス推定技術の詳細な計算用記述を示す。

擬似行動関数定義は以下を含む：
sum（Ｘ） もしＸがスカラ結果のアレイ合計要素であれば、行列Ｘの列を合計する。

length（Ｘ） Ｘの最大の行列次元長さを返す。
find（Ｘ） Ｘのすべての非ゼロ要素を返す。

Ｘ（１：５，１：５） Ｘの行１から５および列１から５であるサブ行列Ｘ′を返す。
Ｙ＝binocdf（Ｘ，Ｎ，Ｐ） パラメータＮおよびＰがＸにおける値である、２項累積分布関数を返す。

union（Ａ，Ｂ） ＡおよびＢがベクトルである場合、ＡおよびＢから組合された値を返すが、反復はしない。

sqrt（Ｘ） Ｘの要素の平方根。
sort（Ｘ） Ｘの要素を昇順に分類する。

以下の規則は、行列一様ランダム計算に関連する：
１．特定の状態から特定の状態への遷移に対する一様確率：
Ptransrand= 1/(NUM LIKEDCHAN STATES-1);
２．可能性の高いいずれかの遷移を選択するための一様確率（テレビがオフの状態はカウントしない）：
stateProb=
1=sum(sum(Liked ChanTransMtx(1:NUM LIKEDCHAN STATES,2:NUM LIKEDCHAN STATES)));
３．特定の状態における開始または終了ユーザセッションに対する一様確率：PonOffRand=1/(NUM LIKEDCHAN STATES-1);
４．特定の状態における開始に対するバイアスベクトル（stateOFFbiasも同様）：
stateONbias=
(LikedChanTransMtx(STARTVIEWING,1:NUM LIKEDCHAN STATES)/ON SESSIONS)/PonOffRand;
５．開始時サーフィンに対するランダムなバイアス：
ViewrLchOnSurfBias(vieweridx)=stateONbias(SURFING);
６．Unliked state（好まれない状態）における開始時に対するランダムなバイアス：
ViewrChanOnUnlikeBias(vieweridx)=stateONbias(UNLIKED);
行列サンプル密度バイアス計算は以下の規則に従う：
１．非開始−終了状態遷移に対する一様ランダムでの倍数としてのバイアス（bias as a multiple over uniformly random for non-start-end state transitions）：
bias mtx=(LikedCHanTransMtx(2:NUM LIKEDCHAN STATES,2NUM LIKEDCHANSTATES)/Num trans)Ptrans rand;
２．ユーザによって視聴された非開始−終了状態の間の独自の遷移の数：
numFilledBins=length(find(biasmtx(:)));
３．非開始−終了状態間の可能な独自の遷移の数：
numBins2Fill=length(biasmtx)^2;
４．実際に埋められた可能性の高いビンの小部分：
mtxFillRatio=numFilledBins/numBins2Fill;
５．所与の数のサンプルの二項ビン選択予測（binomial bin selection expectation given number of samples）対非一様ランダム成功比：
ExpCoverage=1-binocdf(minHitsPbin-1,Numtrans,1/numBins2Fill);
６．観察された実際のビンが埋められた成功比：
ActCoverage=numFilledBins/numBins2Fill
７．Viewr LchMtxConf(viewer#idx)=ExpCoverage/ActCoverage
行列信頼度比（MtxConf）は、非ランダムプロセスバイアスの尤度を示す。よって、これが非一様ランダム原点を有すると推論するのにサンプルセットが十分大きいという信頼度を与える傾向がある。ビンごとの最小のヒットまたは成功（minHitsPbin）を増大させると、十分な最小のサンプルセットサイズにおける信頼度が高まる（典型的には、minHit
sPbin＝１が実際的である）。プロトタイプ間、またはローカルの、次元プルーニングが広告カテゴリプロトタイプ化プロセスにおけるＢＭパラメータ化ステップに続く。高い分散のまたは、同様に、低くバイアスされた次元が除去される。最も代表的な分類特徴は、密なサンプル分布拡散を有するものである。より一様に分散されたデータは、一様ランダム分布に近づくが、これはクラスタ区別には有用ではない。典型的なプルーニングカットオフは、ガウスモデルスカラ特徴（σ_cut）に対する標準偏差および、そうでなければ一様ランダム期待サンプリング拡散以下であるバイアス（β_cut）である。システム設計者は、σ_cutを減じ、β_cutを増加させることにより、より厳しく規制されたプルーニング基準を達成する。プルーニング原則が厳しすぎると、貴重なクラスタ分離情報が失われ、すべての次元を除去したことによる空のプロトタイプがもたらされるおそれがある。しきい値がゆるすぎると、多くの予測されない特徴を含むことにより、分類パフォーマンスがゆるむ結果となる。プロトタイププルーニング局面からもたらされるものは、予備的な広告カテゴリテンプレートプロトタイプである。先行のアルゴリズムがトレーニングセットの各々に適用され、ローカルにプルーニングされた、空である可能性の高い、参照プロファイルを各々に対して生成する。

ローカルプロトタイププルーニングの後に、グローバルまたはプロトタイプ内（intra-prototype）の次元プルーニングがさらに余分な情報を除去する。このプルーニング段階において、広告カテゴリプロトタイプの各々は他の１つ１つと比較され、クラスタのいずれとも区別されない次元は除去される。しかしながら、非スカラ、非ガウス次元に関するクラスタ距離を測定するためには、新規な方法が必要となる。公知の方法は、サンプル点を整合的な高次元空間内に規定する。しかしながら、ＢＭは観測ごとの特徴値を相関または保存しない。その代わりに、すべてのサンプルデータ次元は観察された特徴値をそれらのそれぞれの分布モデリングヒストグラムに、それらが時間および他の次元から独立して生じたかのように記憶する。よって、クラスタを、ｎ次元のユークリッド空間におけるＢＭのサンプル点として規定することが不可能になる。重要なことに、この従来の分類クラスタ化アプローチは、サンプル点の各々をその特徴空間およびその遷移履歴に記憶するために指数関数的により多くのメモリを必要とする。これに代えて、この発明の特徴空間は、ｎ次元の擬似ユークリッド構造であり、これはクラスタ間の絶対的距離を相対的な相関と置換える。次元ヒストグラムごとのサンプル点は、相互次元相関を有さないために、どのクラスタも空間的近傍表現を有さない。高次元特徴空間においては、クラスタ近傍は主に、サンプルがガウス分布である場合に有用であるが、これは分散が調節されたクラスタ平均が距離を計算するために用いられるからである。しかしながら、マルチモーダル分布においては、すなわち、釣鐘形状でなないものは、この発明の場合と同様にユークリッド距離が従来の意味では適用されないためにこの表現は利点を有さない。番組名のような離散特徴変数は特徴次元の数値ではなく理論的表現を設定するので、ユークリッド空間に付加的な複雑性を提示する。先行技術の制限を克服するために、特徴空間における２つのマルチモーダルクラスタの間に十分な分類距離が存在するか否かを判断する新しい距離計量が存在する。この分類アーキテクチャは、従来技術のマハラノビス距離、または分散調節ユークリッド距離を、次元投票アーキテクチャと置換えるが、これはオーバーラップが存在すると投票した次元の割合として、クラスタ近傍オーバーラップを予測する。しかしながら、これだけでは従来の技術から大きく異なるとはいえないが、非スカラおよび非ガウス分布クラスタ間のオーバーラップを求める計量が新規である。ここでも、それぞれ異なって扱われる３つの主要なデータの種類がある；すなわち、上述のように、スカラ、ヒストグラム、および離散である。スカラ特徴次元はガウス型としてモデル化され、標準μ、σ_cut近傍区別方法において扱われる。しかしながら、対応のヒストグラム特徴次元間の距離は、分布相関として計算される。

分布擬似相関は、特定のヒストグラムビンの間の距離対最悪の場合の距離の比から１マイナスであると規定される。これは、以下の所望の相関挙動をシミュレーションする。

１．出力値は０と１との間である。
２．出力線形は、分布形状および振幅がより類似する（類似しない）につれて、上昇する（減少する）。

以下のコメント付手続擬似コード（Matlabコーディング）は、特徴次元における２つのヒストグラムが同じクラスに属しているか否かを判断する（例示的な値で任意のカットオフ値が設定される）。

１．最悪の場合の距離を得るためにヒストグラムビンの各々を直交ユークリッド特徴ベクトルとして扱い、すべての各サンプルを異なったビンに入れることにより、それらの間の最悪の場合の距離を計算する。

２．２つのヒストグラムの間の有効ユークリッド距離を計算する。

３．ヒストグラムごとの確率密度特徴（ｐｄｆ）を求める。

４．最も分布密度の高いビンを見付け、密度で分類する。

５．hist１およびhist２に対し、サンプル点の価値を持つ１つの標準偏差を備えた最も密度が高いビンを見付ける。

６．ヒストグラムの間の分散を、ビンからビンへの距離の変動としてモデル化する。hist１およびhist２における１シグマビンの間のビンからビンへの距離の平均を求める。これは対応するサンプル点の間の予測される距離変動である。ビンの間の距離が一定になるほど、ヒストグラムの間の分離が確実になる。

７．ヒストグラム相関を、ビンごとのユークリッド距離対最悪の場合の距離の比として求める。ヒストグラム分類相関を、ビンごとの１標準偏差ユークリッド距離対最悪の場合の距離の比として求める。

８．すべてのタイプの次元に対して、もしシグマを減じたクラスタ距離がポジティブであれば、分離された次元ごとのクラスタを計算する。

グローバル次元減算手順は、特定の分類次元に対するClassCutoffDimsが実質的にすべての広告プロトタイプに対してネガティブであれば、次元を除去するが、これは特徴がほとんど、または全く、システムに対して予測できる値を有していないためである。ローカルおよびグローバルプロトタイププルーニングの結果は、広告カテゴリの各々を識別し分離する重要な特徴値の最小限の記述である。

ＢＣＥは、TargServer（対象決めサーバ−図６）に対して、テレビ内のMemberAgentにダウンロードするための最適化された広告カテゴリプロトタイプの組を与える。広告対象決めシステムにおける最終的なステップは、テレビユーザを彼らの最も当てはまりそうな広告カテゴリに分類することである。MemberAgentは、次いで全く同じクラスタ距離を、サーバ側の同一のＢＭに適用し、かつ、以下の分類ステップを加える。

１．すべてのタイプの次元に対し、もしシグマ減算クラスタ距離（sigma reduced cluster distance）がポジティブであれば、分離したクラスタメンバーシップを計算し、次いで分離する次元の部分を計算する。

２．システムモジュール情報に対し、パスまたは失敗広告カテゴリメンバーシップを求める。
CLASSVOTE CUT=.4；％ 分類されたとしてクラスタをカウントするために十分に分離されなければならない次元の小部分。

％ もし分類投票の小部分がCLASS VOTE CUTであれば、分離されたクラスタを求める。

広告カテゴリグループの各々は、AdGroupClassifRatio（広告グループ分類比）を有し、これは十分に分離された合計次元の小部分である。これは、どれぐらい挙動クラスタに類似するかの比例的な測定である。すなわち、ユーザの挙動が広告カテゴリプロトタイプ
に類似する（類似しない）ほど、より多くの（より少ない）次元がオーバーラップし、よってAdGroupClassifRatioがより高く（より低く）なる。こうして、広告カテゴリプロトタイプの各々は、ユーザがその対象決めされた広告グループに所属する度合を特徴付けるAdGroupClassifRatioまたはTargetingValue（対象決め値）を有する。TargServerは、この情報を相対的なメンバーシップ尤度の分布として広告カテゴリの各々に与える。TargServerはさらに、二項予測を必要とするシステムモジュールに対してパス−失敗広告カテゴリメンバーシップ値を求める。AdGroupClusterVote（広告グループクラスタ投票）は、ユーザを考慮中の広告カテゴリプロトタイプから分離する十分な次元があれば１に等しい二項メンバーシップ値であり、そうでなければ０である。

MemberAgentは、周期的に、または必要に応じて（オンデマンド）、ユーザの広告カテゴリメンバーシップ尤度をシステムモジュールが用いるために計算する。TASAgentは、広告カテゴリメンバーシップ情報を用いて、ユーザの興味、または広告クライアントの市場目的により整合する内容を記憶する。一実施例によると、TASAgentは番組を記憶または削除して、達成された内容の全体のTargetingValueを統計的に最大化する。

基本的な例として、TargServerが３つのテンプレート、すなわち男性、女性およびティーンエージャーをMemberAgentに与えると想定すると、これはテレビユーザのメンバーシップTargetingValueを．２、．８、および．４であると計算する。次いで、TASAgentはこれらのカテゴリに整合し、かつTargetingValueに比例するメタデータを備えた広告のみを記憶する。もしTargetingValueが１に対する合計に正規化されてていれば、これらは男性＝．１４、女性＝．２９、およびティーンエージャー＝．５７の確率として読むことができる。よって、TASAgentはローカル記憶において同じ部分分布に整合するよう広告を記憶しかつ削除して、男性に対しては１４％、女性に対しては２９％、およびティーンエージャーに対しては５７％で広告を記憶する。DispAgentは同様に、広告表現を、広告カテゴリメンバーシップ分布に整合するよう分布させる。この原則に当てはまる、または原則から外挿されるさまざまな代替的な、およびより洗練された対象決め最適化ストラテジが可能である。

テレビ使用挙動から広告カテゴリを推論することは、家庭内の多数の人物を識別することに非常に類似した問題であることが理解されるであろう。主な違いとは、ユーザプロトタイプはリアルタイムのタグ付けされていないテレビクリックストリームデータから見込みに基づいて推論されることである。同じ方法およびアーキテクチャが両方の問題に当てはまる。しかしながら、マルチユーザ識別問題はもっぱら、効率的にテレビ使用観測結果を正しいユーザプロファイルに当てはめるためにさらなる技術を必要とする。

広告対象の焦点を絞るためのシステムの上述の説明に加えて、またはこれに代えて、この発明のシステムはまた好まれる番組モデルを構築するためにも好適である。ここでは、PresAgent（プレゼンテーションエージェント）が挙動モデルＢＭと対話して、ローカル番組ガイドを構築する。PresAgentは、ＢＭＱエージェントに対するクエリーを通して、ユーザのプレゼンテーション嗜好を導出する。その必要性を刺激するために、縮小されたシステムレベルサマリーが、PresAgentとＢＭＱエンジンとの対話詳細に先行する。要約すると、PresAgentの目的は、TASAgentによってローカルに記憶された番組からの番組を有するバーチャルチャンネルのための番組ガイドを構築することである。番組は、エンターテイメントまたは広告、オーディオ、ビデオ、グラフィック、またはいかなるマルチメディア内容であり得る。TASAgentは、利用可能である最も好まれる番組のみを記憶し、常に番組を追加および削除してローカル記憶を連続的に満たしながら、全体的なユーザ番組嗜好評価付けを最大化する。このバーチャル番組ガイドまたはバーチャルチャンネルは、普通のテレビのチャンネルと同じ見掛けおよび感覚を有し得る。これを実際のテレビ番組ガイドにおける別のラインとして配置することは非常に自然に見えるであろう。しかしな
がら、バーチャルチャンネルはユーザの嗜好に対してカスタマイズされているという利点を有し、視聴者の個人的な期待にほぼ整合する内容および放映時間で「オンデマンド」チャンネルとして現れる。この目標に近づくために、PresAgentは記憶された番組プレゼンテーションメタデータおよびユーザの嗜好を分析して、バーチャルチャンネルのＥＰＧ（ＶＥＰＧ）における最適化された時間的番組編成を判断する。

番組対象決めメタデータ、中でも特に広告に対するものは、プレゼンテーション情報を含む。ヘッドエンドからのプレゼンテーションメタデータは、PresAgentに対してこれらの規則に厳密に従うか、またはローカルの嗜好情報を用いてより知的に順番付けされた広告内容を生成するよう命令する。

収入をもたらさない記憶された番組（non-revenue generating stored programming）に対しては、ユーザはバーチャルチャンネルの番組編成を左右する同様の選択肢を有する。簡単なものから、高度に文脈に依存するものまでの、いくつかのＶＥＰＧ構築モードが可能である。

簡単な実現化とは、単純にローカル記憶の内容をそれらが記録された順で表示し、料金が支払われた番組内容をそのプレゼンテーションメタデータに特定されたとおりに編成することである。これは簡略であるという利点を有するが、ユーザに多くの不所望の番組から検索する負担を課し、かつ視聴された番組ごとにガイドをスキッピングさせる傾向がある。これは、ランダムアクセスおよび内容リストを有するという点で、アナログＶＣＲ記録よりも１ステップ上のものである。

より洗練されたアプローチは、ユーザの非時間的番組嗜好情報を用いて、同様の評価付けの番組をグループ化することである。嗜好評価が正確である限り、この方法はユーザがあまり好みでない番組をスキップすることを容易にし、より少ない検索努力で連続的に好みの番組を見ることができるようにする利点を有する。しかしながら、それでも分類された記憶媒体内容リストが全体的に感じられる。

内容嗜好分類技術に対する顕著な利点は、時間的な、およびシーケンシャルな嗜好を用いて、ユーザのリアルタイム視聴内容および嗜好履歴にしたがったＶＥＰＧを生成することである。これを達成するために、ユーザがテレビをつけたときに、またはテレビがつけられる前に周期的に、PresAgentは記憶された番組プレゼンテーション内容ごとにＢＭＱエンジンにクエリーして、自動的にその時間および状況でのユーザの挙動嗜好に最もよく整合するＶＥＰＧを動的に構築する。

以下の一般的なアルゴリズムステップは、典型的な場合に対してＶＥＰＧを構築する。
１．すべての不所望の視聴時間を見付け、それらを空のままにする。

２．テレビをつけた時点で好まれると最も思われる番組を現在時間枠に配置する。
３．すべてのローカル番組遷移組合せおよび時間的嗜好を見付け、それに従って番組を順番付けする。

説明するための例として、以下の好まれると推定される９個の番組がローカルに記憶されていると想定する。

テレビがオフであるとき、またはオンの際に、PresAgentは現在のセッションの内容を判断する。現在の内容は、曜日（day of week）、時刻（time of day）、最後のセッションからの時間、および最後のタイトル／ジャンル／チャンネルなどの情報を含む。

最初に決定されるべき項目は、一度も視聴されていない時間間隔である。これは履歴的に視聴されないままになっているＶＥＰＧ時間間隔を空白にする。クエリーは以下のように見える：
'QueryFunction=timesum, StateType=LikedChannels, fromStateID=null, toStateID=null, TimeType=TOD, TimeValue=null'.
(クエリー関数＝時間合計、状態タイプ＝好みのチャンネル、切換元状態ＩＤ＝０、切換先状態ＩＤ＝０、時間タイプ＝時刻、時間値＝空白)
ここで我々はＴＯＤ（時刻）アクティビティインジケータとしてLikedChannels（好みのチャンネル）を用いた。他のいかなる「Liked（好みの）」状態カテゴリも同様に良好に機能するであろう。

TASAgentのクエリーに対する典型的な応答は以下のようになり得る：
[(LATENIGHT,VERY OFTEN);(WEE HOURS,NEVER);(EARLY MORNING;NEVER);(MORNING,MOSTLY);(LATEMORNING,RARELY);(AFTER NOON,RARELY);(LATE AFTER NOON;SOMETIMES);(EVENING;ALMOSTALWAYS);(NIGHT,TYPICALLY)]
（［（深夜、非常に頻繁）；（未明、一度もない）；（早朝、一度もない）；（朝、ほとんど）；（午前中遅く、滅多にない）；（午後、滅多にない）；（午後遅く、時々）；（夕方、ほとんどいつも）；（夜、典型的）］）
TASAgentは、最もありそうにないＴＯＤ（時刻）間隔に対する結果行列を検索するが、特定的には：
[(WEEHOURS,NEVER);(EARLY MORNING;NEVER);(LATE MORNING,RARELY);(AFTERNOON,RARELY)]
（［（未明、一度もない）；（早朝、一度もない）；（午前中遅く、滅多にない）；（午後、滅多にない）］）
対応の時間間隔は、ＶＥＰＧにおいて空白のまま残される。しかしながら、もし現在テレビ視聴期間が空白の間隔にあれば、少なくともユーザの典型的テレビセッション長さに対して現在ＶＥＰＧ時間間隔が利用可能にされる。すなわち、テレビをつけた際に、現在ＶＥＰＧ時間インデックスには常に番組がリストされており、ユーザが普通にその期間テ
レビを見ている限りは持続する。

嗜好的番組編成のために、利用可能な時間間隔が検索される。
PresAgentは、テレビセッションの開始時にユーザが好む番組の検索を開始する。番組の各々は、チャンネル／ジャンル／タイトル／俳優などの開始時嗜好に対して検索される。モデル化された挙動状態の各々（すなわち、好まれるチャンネル、ジャンル、タイトルなど）がクエリーされ、その結果はStartUpRatings（開始時評価行列）に累積される。開始時ジャンル嗜好に対する検索のための典型的なクエリーは以下のとおりである：
Query([QueryFunction=topn=5, StateType=genre, fromStateID=off, toStateID=null,
TimeType=TOD, TimeValue=night]).
（クエリー（［クエリー関数＝上位ｎ＝５，開始タイプ＝ジャンル、切換元状態ＩＤ＝オフ、切換先状態ＩＤ＝空白、時間タイプ＝時刻、時間値＝夜］））
状態タイプごとに同様のクエリースタイルが繰返され、結果は利用可能である番組に対して比較される。

PresAgentはさらに、時間的およびStateType（状態タイプ）遷移のすべての組合せを通して検索することにより、最後に視聴された番組について文脈的好みをさらに考慮する。新しいセッションを以下のように想定する。

DOW=Monday, TOD=night(10 pm), last title=‘Wheel of Fortune'@Monday evening 7pm, lastgenre=game show, and last channel=NBC
（曜日＝月曜日、時刻＝夜（午後１０時）、最後のタイトル＝「運命のルーレット」＠月曜日夕方午後７時、最後のジャンル＝ゲームショー、最後のチャンネル＝ＮＢＣ）
典型的なクエリーは、最後のタイトル、ジャンルおよび視聴されたチャンネルから起こり得る遷移の時間量に対する検索を含み、この例においては３時間（午後１０時から午後７時）である。「運命のルーレット」を視聴した後の３時間における上位３つの好まれるタイトル遷移は以下のとおりである：
Query([QueryFunction=topn=3, StateType=Title, fromStateID=‘Wheel of Fortune',
toStateID=null, TimeType=TIP, TimeValue=3hrs]).
（クエリー：［クエリー関数＝上位ｎ＝３、状態タイプ＝タイトル、切換元状態ＩＤ＝「運命のルーレット」、切換先状態ＩＤ＝空白、時間タイプ＝ＴＩＰ、時間値＝３時間］）
同様の検索がジャンルおよびチャンネルに対して繰返される。

PresAgentは、すべてのStartUpRatingsと最後の番組に基づく嗜好との、残りの番組に対するバイアスを比較して最良のマッチングを得る。もし、この例に対して、可能性の高い開始時ジャンルが「コメディシリーズ」であり、最も可能性の高い開始時チャンネルが「ＮＢＣ」である場合、もし「運命のルーレット」、ゲームショー、またはＮＢＣを視聴した後の３時間の間により好まれる他の遷移がなければ、最も高い嗜好評価を備えたマッチングする番組、たとえば「となりのサインフェルド」が、現在時間枠の番組として編成される。

システムは、すべての時間間隔ごとに、かつ曜日ごとにセッション時間のテーブルを記録する。もしこの時間でのこのユーザに対する典型的なセッションが１．５時間であれば、これが埋められるべき時間ブロックである。PresAgentは、「となりのサインフェルド」の後に続く、記憶された番組ごとの遷移バイアスをテストする。再び、「となりのサインフェルド」に関連する状態からの最も可能性が高い遷移に対して、すべてのliked（好みの）状態タイプが検索される。全体的遷移嗜好検索の典型的な第１のクエリーは以下のようになり得る：
[QueryFunction=mostLikely, StateType=Title, fromStateID=‘Seinfeld', toStateID=null, TimeType=TOD, TimeValue=night]
［クエリー関数＝最も可能性が高い、状態種類＝タイトル、切換元状態ＩＤ＝「となりのサインフェルド」、切換先状態ＩＤ＝空白、時間タイプ＝時刻、時間値＝夜］
PresAgentは、最も近いマッチングを見付け、それを「となりのサインフェルド」の後に配置する。たとえば、ユーザは時間に関係なく短いコメディの後に科学ドキュメンタリーシリーズを視聴する強い嗜好を有する可能性があり、よってＮＯＶＡが後に続くものに最も当てはまる。２つの番組がリンクされた後で、PresAgentはまた状態シーケンス好みのいずれかのタイプに対してクエリーする；すなわち、タイトル、ジャンル、チャンネルなどである。例のシーケンスとしては、初期のクエリーは以下のとおりである：
“QueryFunction=mostLikely, StateType=TitleSequ, fromStateIDs=[“Seinfeld”“NOVA”], LengthValue=null”
（「クエリー関数＝最も可能性が高い、状態タイプ＝タイトルシーケンス、切換元状態ＩＤ＝［「となりのサインフェルド」、「ＮＯＶＡ」］、長さ値＝空白」）
“QueryFunction=mostLikely, StateType=GenreSequ, fromStateIDs=[“series:comedy”, “series:science”], LengthValue=null”
（「クエリー関数＝最も可能性が高い、状態タイプ＝ジャンルシーケンス、切換元状態ＩＤ＝［「シリーズ：コメディ」、「シリーズ：科学」］、長さ値＝空白」）
PresAgentは、最も可能性が高い、かつ特定された結果を先行のシーケンスに添付する。このプロセスは、典型的なセッション時間ブロックが埋められるまで、成長するシーケンスの最後まで番組ごとに続けられる。PresAgentは、他のすべての利用可能であるＶＥＰＧ時間ブロックを埋めるよう進行する。時間ブロックの各々は、成長が開始するシーケンスシードで開始する。

PresAgentは、すべての利用可能な時間枠に対して残りの番組の各々をテストし、最も可能性の高い時間的（非時間的、ＤＯＷ、ＴＯＤ、ＴＩＰ）整合をそれに従って編成する。たとえば、「フットボール」番組編成嗜好をチェックするための典型的なクエリーは、利用可能な日曜日午後枠で開始し得る：
Query:[QueryFunction=mostLikely, StateType=likedGenre, fromStateID=‘sports', toStateID=null, TimeType=DOW, TimeValue=Sunday]
（クエリー：［クエリー関数＝最も可能性が高い、状態タイプ＝好みのジャンル、切換元状態ＩＤ＝「スポーツ」、切換先状態ＩＤ＝空白、時間タイプ＝曜日、時間値＝日曜日］）
および
Query:[QueryFunction=mostLikely, StateType=likedGenre, fromStateID='sports', toStateID=null, TimeType=TOD, TimeValue=afternoon]
（クエリー：［クエリー関数＝最も可能性が高い、状態タイプ＝好みのジャンル、切換元状態ＩＤ＝「スポーツ」、切換先状態ＩＤ＝空白、時間タイプ＝時刻、時間値＝午後］）
もし、日曜日の午後には他の残りの番組および他の時間配置よりもスポーツを視聴することが最も可能性が高ければ、フットボールがその時間ブロックを開始し、ここに説明されるシーケンス構築方法が残りのセッションブロックを埋める。

ＶＥＰＧ編成アルゴリズムの第１のパスは、文脈ごとに非常に好まれる番組だけに関与する。もしＶＥＰＧエントリに対していずれかの番組が残っていれば、後に続く反復によって最も可能性の高い番組を編成する。もし推論するための十分な履歴的証拠がなければ、PresAgentは最後の手段として任意の編成を行なう。

重要なことに、視聴者がテレビをつける度に、または新しいユーザが検出された場合に、PresAgentは視聴者の好み、およびそのセッションの内容にカスタマイズされた異なっているであろうＶＥＰＧを生成する。基本的なＶＥＰＧ構築機構に対するいくつもの他の強化、最適化、および拡大が可能であり企図される。いくつかのここに説明される付加的な文脈的解決技術は、前述のアルゴリズムに展開される。ＢＭＱエンジンは、PresAgent
に対して多くの他の文脈的および挙動のバイアスクエリーを与える。いくつかは以下のものを含む：
１．最後に視聴された番組
２．挙動的精神測定学
３．注目された期間
４．終了時バイアス
これらの測定値は、シーケンシャル番組編成嗜好に以下のように影響を与える。

項目１は、ユーザによって最後に視聴された番組に基づく将来のＶＥＰＧエントリを再計算する機構である。説明された開始時番組嗜好を判断するのに類似して、PresAgentはユーザによって選択された番組からのすべての時間的およびStateType遷移嗜好に対してクエリーする。上述のようにＶＥＰＧが再構築されて、最も可能性の高いクエリー結果マッチング番組が新しいシードとして用いられる。

PresAgentは、項目２の精神測定学、たとえば多様性、好奇心、焦点および注目期間を用いて、番組順番付けを視聴者の好みに近づけるよう調節する。たとえば、もしユーザが非常に高い（低い）ジャンル多様性または焦点測定値を有していれば、PresAgentは比例して同じジャンルを繰返すシーケンスを排除（選択）する。同様に、高い（低い）好奇心測定値は、関連があるが頻度の低いシーケンス候補を選択する（排除する）ようPresAgentをバイアスさせる。高い（低い）好奇心計量は、低い（高い）注目を有するユーザから生じ、しばしば好みの番組を見付けることを失敗させる（成功させる）。別の可能性とは、ユーザが好みの番組タイプの小さなコアグループを有するが、興味のある新しいグループを探してしばしばこのグループを超えて検索することである。こうして、好奇心測定値は、理由となる情報がほとんどなく、過去に好まれた番組タイプ以外を検索する高い傾向を探す。

項目３の注目期間は、ユーザがさまざまな番組局面に費やす時間の量および品質を検出する。ヒストグラムが、モデル化されたパラメータごとに注目分布をモデル化する。トラッキングされたパラメータは、ジャンルタイプ、タイトル、チャンネル、またはセッション時間を含むテレビ視聴統計、などのいずれのＥＰＧカテゴリエントリをも含む。すべての注目期間パラメータは、ＢＭによってサポートされる文脈に依存する。PresAgentは、注目期間を用いて、所与の文脈において視聴者によって最も好まれた番組長さを判断する。たとえば、ユーザは一般的に長いドラマ映画を好むが、出勤前の朝またはゲームショーの後には好まず、週末の夜に最も好む可能性がある。このプレゼンテーションフィルタは、所与の文脈における過去の視聴時間を、同じ長さの将来の番組に重きを置くためにバイアスとして用いることにより、明らかなユーザの番組長さ、嗜好対立の多くを除去する。

一旦テレビセッションまたはＶＥＰＧ番組シーケンスがその文脈における典型的なテレビ視聴注目期間に近づくと、PresAgentはユーザのending bias（終了時バイアス）履歴に最良にマッチングする番組を配置する傾向がある。

項目４の終了時バイアスは、特定のＢＭカテゴリを視聴した後でテレビセッションを終了させる過去の傾向である。番組再生選択からProfAgentが新しいending biasを学習する例は、ユーザが、その週に「トゥナイトショー」などの深夜トークショーを深夜ではなく遅い夕方に再生している間に、しばしばテレビの視聴をやめるかどうかである。ProfAgentは、生放送および再生番組視聴から同様に学習する。好みの再生パターンを学習する能力により、ProfAgentが最も好まれるＶＥＰＧ文脈に適合して番組を編成することを可能にする。いずれかのStateType（状態種類）、たとえばトークショーに対する、典型的なTOD ending bias（時間終了バイアス）BMQAgentクエリーは、以下のとおりである：
Query:[QueryFunction=mostLikely, StateType=likedGenre, fromStateID=null, toSta
teID=Series/Talk, TimeType=TOD, TimeValue=late evening]
（クエリー：［クエリー関数＝最も可能性が高い、状態種類＝好みのジャンル、切換元状態ＩＤ＝空白、切換先状態ＩＤ＝シリーズ／トーク、時間タイプ＝時刻、時間値＝深夜］）
ＰＤＥと同様のタスクを有するPresAgentは、毎日の変動とユーザが好む新規性とをマッチングさせる傾向のあるバーチャル番組視聴ガイドを生成する。

PresAgentは、料金を支払われない番組（non-paid programming）と非常によく似た態様でＶＥＰＧ広告を編成するが、編成決定はプレゼンテーションメタデータおよび機械化された学習済みユーザ対象決め情報とを含む点が異なる。広告は番組とは別の重要な点でも異なるが、これはそれらの初期のＶＥＰＧ編成がデフォルト初期化のみであり、ユーザの番組選択および制御メタデータを介して通信する広告会社の権利に依存して、変更される可能性があることである。代替的な実施例として企図されるが、ユーザの進行中の視聴挙動に基づいて、番組ＶＥＰＧを連続的に再構築することも可能である；しかしながら、主な利益は広告スケジュール決めに適用される。広告は必ずしもＶＥＰＧにおいて可視である必要はないが、番組間および番組中のコマーシャル中断としてスケジュール決めされる。中断は、ヘッドエンド（番組中）または内部（番組間）のいずれかで生成される。

PresAgentは、番組メタデータまたは他の手段によって、番組中の広告中断の正確なタイミングを前もって知っている。この実施例においては、PresAgentは、最適に選択された予め記憶された広告ですべての広告中断を予め埋める。実務においては、この手順には顕著な利点がある。しばしば、テレビのシステムリソースが制限されているために、ほんの数分先であり得る広告中断内に最適な広告をスケジュール決めするためにリアルタイムで計算するための時間がないことがある。この状況は通常、番組の最初、または誰かがスケジュール決めされた広告中断の直前に到着した場合に生じる。この場合においては、広告のデフォルトPresAgent順番付けが、最適な編成の最良推定値となる。計算する時間が十分にある場合は、ユーザの広告順番決め嗜好をＢＭＱエンジンにクエリーすることができる。

広告を順番決めするための手順は、番組に対するものと同様であり、以下の広告に特定の定義を備える。

１．タイトルは製品のＵＰＣまたは広告スポンサーの名前である。
２．ジャンルはスポンサーとなる会社の主なＳＩＣである。

３．広告のみを検索するためのクエリーワイルドカードとして、nullはセマフォーAd null（広告空白）に置き換えられる。

広告順番決め文脈編成能力の範囲を実証する、いくつかの例示的なクエリーが後に続く。

例Ａ
「となりのサインフェルド」の間に夜間好まれる上位３つの製品（ＵＰＣ）を見つける。

Query:[QueryFunction=topn=3, StateType=title, fromStateID=Ad null, toStateID=‘Seinfeld', TimeType=TOD, TimeValue=night]
（クエリー：［クエリー関数＝上位ｎ＝３、状態種類＝タイトル、切換元状態ＩＤ＝広告空白、切換先状態ＩＤ＝「となりのサインフェルド」、時間タイプ＝時刻、時間値＝夜］）
例Ｂ
ペプシ（Ｒ）のコマーシャルの後で日曜日に好まれる上位５つの番組を見つける。

Query:[QueryFunction=topn=5, StateType=title, fromStateID=Pepsi UPC, toStateID=null, TimeType=DOW, TimeValue=Sunday]
（クエリー：［クエリー関数＝上位ｎ＝５、状態タイプ＝タイトル、切換元状態ＩＤ＝ペプシＵＰＣ、切換先状態ＩＤ＝空白、時間タイプ＝曜日、時間値＝日曜日］）
例Ｃ
自動車部品コマーシャルの前のどの時間でも最も好まれるジャンルを見つける。

Query:[QueryFunction=mostLikely, StateType=LikedGenre, fromStateID=null, toStateID=AutoParts SIC, TimeType=nonTemporal, TimeValue=null]
（クエリー：［クエリー関数＝最も可能性が高い、状態タイプ＝好みのジャンル、切換元状態ＩＤ＝空白、切換先状態ＩＤ＝自動車部品ＳＩＣ、時間タイプ＝非時間的、時間値＝空白］）
例Ｄ
ユーザの好みの広告の中から、日曜日のスポーツ番組の間に好まれる上位３つの広告製品カテゴリを見つける。

Query:[QueryFunction=topn=3, StateType=LikedGenre, fromStateID=sports, toStateID=Ad null, TimeType=DOW, TimeValue=Sunday]
（クエリー：［クエリー関数＝上位ｎ＝３、状態種類＝好みのジャンル、切換元状態ＩＤ＝スポーツ、切換先状態ＩＤ＝広告空白、時間種類＝曜日、時間値＝日曜日］）
バーチャルチャンネルおよび／またはバーチャル電子番組ガイドＶＥＰＧが確立される一般的な背景を説明したので、次に例示的なＶＥＰＧの特定的な実現化に移る。PresAgentは、ユーザがテレビをつける直前またはテレビをつけた際であって、ユーザの実際の選択の新しい入力を受ける前に、時間的な順番決めされたユーザの番組に対する好みに最もマッチングするデフォルトＶＥＰＧを構築する。PresAgentは、時間が許せばユーザの内容選択パターンに基づくデフォルトＶＥＰＧをリアルタイムで再構築する選択肢および能力を有する。「最もよく訓練された推測」デフォルト内容編成、およびリアルタイム内容依存再計算の組合せにより、強固で最適化されたユーザ嗜好推定値が得られる。

記憶された番組の例示的な組からPresAgentによって生成される典型的な大まかなＶＥＰＧは以下のとおりである。

この番組編成は、以下のシステム検出ユーザ文脈嗜好のシナリオから生じ得る。「ターミネーター」番組は、長い注目期間を必要とし、平日の夜は土曜日の夜と等価であるにもかかわらず、映画の嗜好は後者の時間枠に生じることが多い。一般的にユーザはかつ平日の午後遅く仕事から帰宅した後にＣＮＢＣおよび経済番組を視聴する強い嗜好を有すると
仮定する。PresAgentはさらに、ユーザがTASAgentにより記録された「マーケット・ラップ」を数回この時間期間に視聴したあとでこれを検出することができ、これにしたがって編成する。しかしながら、もしPresAgentが、月曜日夜の「ＮＬＦフットボール」を、たとえば経済番組を一度も見ずに火曜日の遅い午後に、視聴することに対する強いバイアスを検出すると、フットボールはより好ましい時間枠である後者に入れられる。ユーザは同様に、日曜日の夜に「サタデー・ナイト・ライブ」を視聴する嗜好を示す可能性がある。繰返し可能なパターンは典型的には、「となりのサインフェルド」で平日夜のセッションを開始し、その後「トゥナイト・ショウ」を視聴してセッションを終了する強い傾向がある。

もしPresAgentが、毎日の時間枠などの時間的文脈をわたって低い（高い）状態多様性を検出すると、これはその時間期間における番組の多様性を減じる（増す）ことを好む。この例においては、ユーザはlate afternoon（午後遅く）およびnight（夜）時間ブロックにおいて低い多様性測定値を有するが、evening（夕方）時間期間にはより高い測定値を有する。シーケンシャルまたは時間的バイアスがない場合は、PresAgentは多様性、または好奇心情報を用いて、より適切に好まれる番組を配置することができる。この場合、PresAgentはevening時間枠が人気があり、かつユーザがＳＦ、コメディー、および映画に対して同様の好みを有することがわかっている。しかしながら、もしユーザの多様性測定値がこの期間により高いと、PresAgentはたとえば「スター・トレック」などの最も好まれる毎日番組タイプのみで毎日の枠を埋めることは避け、その代わりにさまざまな短い好まれる番組で利用可能な時間枠を埋めるよう配置する。もし「ＮＯＶＡ」が「ほとんど好まれない」評価付けを過去に有していれば、evening時間枠における高い好奇心評価により、PresAgentは「ＮＯＶＡ」をラインアップに挿入するよう刺激される。重要なことに、ユーザは彼らの「プライムタイム」が従来の午後８時から午後１０時ではなくnight（午後９時から午前０時）に反映され、周期的な例外を備えた彼らの繰り返される挙動にマッチングする視聴パターンが反映され、かつ、もしあればより外挿的な期間は好みであろう番組で埋められるＶＥＰＧを見出すであろう。

時間の経過につれて、システムは重要な期待とともに、頻繁に繰返される嗜好パターンを検出する。記憶された番組視聴パターンの選択およびここからの学習は、いつ、どの順番で番組カテゴリが好まれるかをシステムに連続的に教示する。並列記述が最適な広告編成に適用される。

この発明に従う番組または広告対象決めのためのシステムのシステムオペレータ部分の最も重要なモジュールを図示するブロック図である。 この発明に従うシステムの一部を形成する挙動クラスタエンジンのブロック図である。 二重乱雑過程を用いる隠れマルコフモデルについての概略図である。 確率密度関数に表わされる３つの状態空間を有する統計ステートマシンを図示する図である。 ステートマシンを表わす例示的なチャンネル遷移行列の図である。 広告カテゴリ挙動原型学習システムを表わす対象決めサーバのブロック図である。 図６の対象決めサーバのクラスタアグリゲータセクションでのプロファイル内プルーニング上で拡張するブロック図である。 クライアント側広告カテゴリ分類システムのブロック図である。 サーバ側およびクライアント側を示す広告対象決めシステムのブロック図である。 嗜好決定エンジンアーキテクチャのブロック概略図である。 （１６５７のユーザ入力を有する）さまざまな非サーフ番組視聴率を記録する３つのグラフの図である。 １６５７のユーザについてホッピング挙動統計を記録する４つのグラフの図である。 状態シーケンスモデルの図である。 １６５７ユーザの週単位の記録を有する典型的なユーザ挙動統計分布の４つのグラフの図である。 例示的な１６５７のユーザの、さまざまなさらなるパラメータ分布を図示する４つのグラフの図である。

符号の説明

１ 擬似ＨＭＭステートマシン、２ 発見方法的挙動測定基準、３ シミュレーションされたクリックストリーム、４ ｎ−カテゴリタグ付きトレーニングデータ、５ モデルパラメータ化分類空間、６ 広告ｎクラスタ。

Claims (8)

1. バーチャルチャンネルを生成するシステムであって、
   少なくとも、ユーザからのリアルタイムクリックストリーム、及び番組コンテンツ情報に基づいて、前記ユーザの視聴挙動をモデリングするプロファイリングエージェントであって、モデリングされた前記ユーザの前記視聴挙動は、挙動モデルデータベースに記憶される、プロファイリングエージェントと；
   前記ユーザに利用可能である番組を記憶装置に記憶する、対象決め及び記憶エージェントと；
   与えられたクエリーを、前記挙動モデルデータベースに利用して、前記クエリーに一致するエントリを求めるように、前記挙動モデルデータベースを探索する、挙動モデルクエリーエンジンと；
   前記ユーザの挙動嗜好に整合するバーチャルの電子番組編成ガイドを、少なくとも一致した前記エントリを用いて、動的に構築する、プレゼンテーションエージェントであって、記憶された前記番組に基づき、クエリーを挙動モデルクエリーエンジンに提供することによって、一致した前記エントリが取得される、プレゼンテーションエージェントと；
   を有するシステム。
2. 前記対象決め及び記憶エージェントは、ローカルに前記番組を記憶する、請求項１に記載のシステム。
3. 前記対象決め及び記憶エージェントは、前記ユーザに好まれる番組を記憶する、請求項１又は２に記載のシステム。
4. 前記プレゼンテーションエージェントは、前記ユーザがテレビをつけたときに、またはテレビがつけられる前に周期的に動作する、請求項１ないし３のうち何れか１項記載のシステム。
5. バーチャルチャンネルを生成する方法であって、
   少なくとも、ユーザからのリアルタイムクリックストリーム、及び番組コンテンツ情報に基づいて、前記ユーザの視聴挙動をモデリングするステップであって、モデリングされた前記ユーザの前記視聴挙動は、挙動モデルデータベースに記憶される、ステップと；
   前記ユーザに利用可能である番組を記憶装置に記憶するステップと；
   与えられたクエリーを、前記挙動モデルデータベースに利用して、前記クエリーに一致するエントリを求めるように、前記挙動モデルデータベースを探索するステップと；
   前記ユーザの挙動嗜好に整合するバーチャルの電子番組編成ガイドを、少なくとも一致した前記エントリを用いて、動的に構築するステップであって、記憶された前記番組の各々に基づき、クエリーを挙動モデルクエリーエンジンに提供することによって、一致した前記エントリが取得される、ステップと；
   を有するシステム。
   を有する方法。
6. 前記記憶するステップは、ローカルに前記番組を記憶する、請求項５に記載の方法。
7. 前記記憶するステップは、前記ユーザに好まれる番組を記憶する、請求項５又は６に記載の方法。
8. 構築するステップは、前記ユーザがテレビをつけたときに、またはテレビがつけられる前に周期的に動作する、請求項５ないし７のうち何れか１項記載の方法。

Images