JP5464412B2 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

情報処理装置、情報処理方法、およびプログラム Download PDF

Info

Publication number
JP5464412B2
JP5464412B2 JP2009187046A JP2009187046A JP5464412B2 JP 5464412 B2 JP5464412 B2 JP 5464412B2 JP 2009187046 A JP2009187046 A JP 2009187046A JP 2009187046 A JP2009187046 A JP 2009187046A JP 5464412 B2 JP5464412 B2 JP 5464412B2
Authority
JP
Japan
Prior art keywords
evaluation
language
content
explicit
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP2009187046A
Other languages
English (en)
Other versions
JP2011039811A (ja
Inventor
啓 舘野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Original Assignee
Sony Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sony Corp filed Critical Sony Corp
Priority to JP2009187046A priority Critical patent/JP5464412B2/ja
Priority to EP10171279A priority patent/EP2287794A1/en
Priority to US12/846,975 priority patent/US20110040790A1/en
Priority to CN2010102503609A priority patent/CN101996232B/zh
Publication of JP2011039811A publication Critical patent/JP2011039811A/ja
Application granted granted Critical
Publication of JP5464412B2 publication Critical patent/JP5464412B2/ja
Priority to US14/529,204 priority patent/US9704480B2/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/01—Assessment or evaluation of speech recognition systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、情報処理装置、情報処理方法、およびプログラムに関し、特に、ユーザの嗜好に適したコンテンツを正確に推薦することができるようにした情報処理装置、情報処理方法、およびプログラムに関する。
コンテンツの評価方法としては、主に、「好き」または「嫌い」の２段階の順序尺度や５つ星の５段階の順序尺度を用いて評価する方法がある。
しかしながら、この評価方法では、ユーザがコンテンツのどのような側面に対して評価しているのかを認識することができない。また、コンテンツのある側面は好きだが別の側面は嫌いであるといった側面ごとの評価を認識することはできない。
一方、近年、自然言語で記述された文章の内容を解析する技術が考案されている（例えば、非特許文献１参照）。従って、この技術を利用すれば、ユーザにより入力された文章からコンテンツに対する評価を認識することができる。
例えば、ユーザにより入力された「曲Ａのメロディが好きだ。」という文章から、ユーザが、「曲Ａ」というコンテンツの「メロディ」という側面に対して「好きだ」という高い評価をしていることを認識することができる。
N. Kobayashi, "Opinion Mining from Web Documents: Extraction and Structurization", 人工知能学会論文誌, Vol. 22, No. 2, 2007,pp.227-238
しかしながら、このような技術はまだ成熟したものではない。また、自然言語で記述された文章には、言語特有の曖昧さや情報の省略が発生する。従って、このような技術は精度に問題がある場合が多い。そのため、この技術で認識された評価をそのままユーザの嗜好として利用し、ユーザの嗜好に適したコンテンツを正確に推薦することは難しい。
本発明は、このような状況に鑑みてなされたものであり、ユーザの嗜好に適したコンテンツを正確に推薦することができるようにするものである。
本発明の一側面の情報処理装置は、ユーザから入力される順序尺度による所定のコンテンツに対する評価を明示評価として取得する明示評価情報取得手段と、前記ユーザから入力される前記所定のコンテンツに対する評価を言語で表現した評価文の言語情報から言語評価と前記言語評価の属性を取得する言語評価情報抽出手段と、前記属性に対応するコンテンツの特徴量、前記明示評価が肯定の評価と否定の評価のいずれであるか、および、前記言語評価が肯定の評価と否定の評価のいずれであるかに基づいて、前記所定のコンテンツと推薦候補のコンテンツの類似度または距離の算出に用いるコンテンツの特徴量を決定し、その特徴量における前記所定のコンテンツと前記推薦候補のコンテンツの類似度または距離に基づいて、前記推薦候補のコンテンツを前記ユーザの嗜好に合ったコンテンツとして推薦する推薦手段とを備える情報処理装置である。
本発明の一側面の情報処理方法およびプログラムは、本発明の一側面の情報処理装置に対応する。
本発明の一側面においては、ユーザから入力される順序尺度による所定のコンテンツに対する評価が明示評価として取得され、ユーザから入力される所定のコンテンツに対する評価を言語で表現した評価文の言語情報から言語評価と言語評価の属性が取得され、属性に対応するコンテンツの特徴量、明示評価が肯定の評価と否定の評価のいずれであるか、および、言語評価が肯定の評価と否定の評価のいずれであるかに基づいて、所定のコンテンツと推薦候補のコンテンツの類似度または距離の算出に用いるコンテンツの特徴量が決定され、その特徴量における所定のコンテンツと推薦候補のコンテンツの類似度または距離に基づいて、推薦候補のコンテンツがユーザの嗜好に合ったコンテンツとして推薦される。
以上のように、本発明の一側面によれば、ユーザの嗜好に適したコンテンツを正確に推薦することができる。
本発明を適用した情報処理装置の第１実施の形態の構成例を示すブロック図である。 コンテンツの特徴量と最終評価値の例を示す図である。 図１の情報処理装置の学習処理を説明するフローチャートである。 図１の情報処理装置の推薦コンテンツ提示処理を説明するフローチャートである。 本発明を適用した情報処理装置の第２実施の形態の構成例を示すブロック図である。 属性-特徴量対応情報の例を示す図である。 入力画面の例を示す図である。 図５の情報処理装置の類似コンテンツ提示処理を説明する図である。 本発明を適用した情報処理装置の第３実施の形態の構成例を示すブロック図である。 図９の情報処理装置の学習処理を説明するフローチャートである。 コンピュータのハードウエアの構成例を示すブロック図である。
＜第１実施の形態＞
［情報処理装置の第１実施の形態の構成例］
図１は、本発明を適用した情報処理装置の第１実施の形態の構成例を示すブロック図である。
図１の情報処理装置１０は、明示評価情報取得部１１、評価文取得部１２、言語評価情報抽出部１３、明示評価・言語評価比較部１４、主要評価情報決定部１５、評価補正部１６、嗜好学習部１７、コンテンツ特徴量保持部１８、および推薦提示部１９により構成される。
明示評価情報取得部１１は、ユーザから入力されたコンテンツに対する５つ星などの５段階の順序尺度による評価を受け付ける。具体的には、明示評価情報取得部１１は、ユーザから入力された「１つ星」の評価を表す評価値「１」、「２つ星」の評価を表す評価値「２」、３つ星の評価を表す評価値「３」、「４つ星」の評価を表す評価値「４」、または「５つ星」の評価を表す評価値「５」を受け付ける。なお、星の数は、評価が高いほど多いものとする。
このような評価値は、ユーザがキーボードやマウス（いずれも図示せず）を操作することにより入力される。評価値は、平均が０になり、分散が１になるように正規化されるようにしてもよい。
また、明示評価情報取得部１１は、入力が受け付けられた評価値を明示評価の評価値とし、その明示評価の評価値に基づいて、ユーザによる明示評価がポジティブな評価（肯定の評価）であるかネガティブな評価（否定の評価）であるかを判別する。
例えば、評価値が３より大きい場合、明示評価情報取得部１１は、明示評価がポジティブな評価であると判別し、評価値が３以下である場合、明示評価情報取得部１１は、明示評価がネガティブな評価であると判別する。明示評価情報取得部１１は、判別結果を明示評価として明示評価・言語評価比較部１４に供給する。
評価文取得部１２は、ユーザからマイクやキーボード（いずれも図示せず）を用いて入力された、コンテンツに対する評価を言語で表現した評価文の言語情報を取得する。具体的には、評価文取得部１２は、所定の音声認識技術を用いて、マイクから取得された評価文の音声を言語情報に変換し、取得する。また、評価文取得部１２は、ユーザが運営するブログやユーザが指定した他人が運営するブログなどに記載された評価文の言語情報を取得する。評価文取得部１２は、取得された評価文の言語情報を言語評価情報抽出部１３に供給する。
言語評価情報抽出部１３は、評価文取得部１２から供給される評価文の言語情報から、評価に関する情報である評価情報を抽出する。例えば、言語評価情報抽出部１３は、「曲Ａのメロディがとても好きだ」という評価文の言語情報から、「曲Ａ」というコンテンツの名称や「好き」という評価を評価情報として抽出する。
また、言語評価情報抽出部１３は、抽出された評価情報に基づいて、評価文における評価が、ポジティブな評価であるかネガティブな評価であるかを判別し、判別結果を言語評価として明示評価・言語評価比較部１４に供給する。
なお、言語評価情報抽出部１３は、評価文が現在再生中または情報閲覧中の着目しているコンテンツ（以下、対象コンテンツという）に対するものであるという前提で処理を行う。但し、評価文から評価対象のコンテンツを特定できるときには、そのコンテンツが対象コンテンツと一致するかどうかを確認するようにしてもよい。この場合、評価文から特定されるコンテンツが対象コンテンツと異なる場合には後段の処理が行われないようにする。
また、言語評価情報抽出部１３は、評価文取得部１２から供給される評価文にポジティブまたはネガティブな評価を表す単語が含まれていない場合、言語評価はポジティブな評価でもネガティブな評価でもないと判断する。そして、言語評価情報抽出部１３は、明示評価・言語評価比較部１４に何も供給せず、後段の処理は行われない。
明示評価・言語評価比較部１４は、明示評価情報取得部１１から供給される明示評価と、言語評価情報抽出部１３から供給される言語評価の関係を認識する。例えば、明示評価と言語評価が両方ともポジティブな評価である場合、明示評価・言語評価比較部１４は、明示評価と言語評価が一致しているという関係を認識する。一方、明示評価がネガティブな評価であり、言語評価がポジティブな評価である場合、または、明示評価がポジティブな評価であり、言語評価がネガティブな評価である場合、明示評価・言語評価比較部１４は、明示評価と言語評価が一致していないという関係を認識する。明示評価・言語評価比較部１４は、明示評価と言語評価の関係を評価補正部１６に供給する。
主要評価情報決定部１５は、明示評価と言語評価のうちのいずれかを、ユーザの真の評価を反映している主要評価として決定する。本実施の形態では、明示評価が予め主要評価として決定されている。主要評価情報決定部１５は、主要評価として明示評価を評価補正部１６に指定する。
評価補正部１６は、明示評価・言語評価比較部１４から供給される明示評価と言語評価の関係に基づいて、明示評価情報取得部１１から供給される明示評価の評価値を補正し、補正された明示評価の評価値を最終評価値として嗜好学習部１７に供給する。
嗜好学習部１７は、評価補正部１６から供給される最終評価値と、コンテンツ特徴量保持部１８に保持されている対象コンテンツの特徴量を用いて嗜好学習を行う。
嗜好学習の第１の方法としては、コンテンツの特徴量を独立変数とし、最終評価値を従属変数とする線形回帰などにより、特徴量と最終評価値の関係を表す関係式を嗜好情報として学習する方法がある。なお、コンテンツが楽曲である場合、コンテンツの特徴量としては、音楽的または音声的な特徴、ジャンル、キーワード、ムードなどの名義的な値などがある。
また、嗜好学習の第２の方法としては、コンテンツの特徴量をベクトルで表し、ポジティブな評価を表す最終評価値に対応するコンテンツ群の平均ベクトル（以下、嗜好ベクトルという）を嗜好情報として学習する方法がある。この第２の方法の詳細は、特開２００１−１６０９５５号公報に記載されている。
なお、嗜好学習部１７が、第２の方法を用いて嗜好学習を行う場合、ポジティブな評価を表す最終評価値と同様に、ネガティブな評価を表す最終評価値に対応するコンテンツ群の平均ベクトル（以下、負の嗜好ベクトルという）を負の嗜好情報として作成するようにしてもよい。
嗜好学習部１７は、作成された嗜好情報を推薦提示部１９に供給する。コンテンツ特徴量保持部１８は、各コンテンツの特徴量を保持している。
推薦提示部１９は、嗜好学習部１７から嗜好情報として関係式が供給される場合、その関係式と、コンテンツ特徴量保持部１８に保持されているコンテンツの特徴量とに基づいて、ユーザがまだ評価していないコンテンツ（以下、未評価コンテンツという）の予測評価値を求める。また、推薦提示部１９は、嗜好学習部１７から嗜好情報として嗜好ベクトルが供給される場合、その嗜好ベクトルと未評価コンテンツの特徴量を表すベクトルの類似度または距離を求める。
そして、推薦提示部１９は、予測評価値または類似度が大きい順、もしくは、距離が短い順に、未評価コンテンツの名称等のコンテンツに関する情報（以下、コンテンツ関連情報とういう）を、推薦コンテンツのコンテンツ関連情報として、図示せぬ表示部に表示させる。即ち、推薦提示部１９は、ユーザの嗜好に合ったコンテンツを推薦し、そのコンテンツのコンテンツ関連情報を表示させる。
なお、情報処理装置１０において、主要評価は予め決定されているのではなく、嗜好学習部１７による嗜好学習の予測誤差によって決定されるようにしてもよい。
この場合、明示評価情報取得部１１は、入力が受け付けられた評価値を主要評価情報決定部１５にも供給する。また、言語評価情報抽出部１３は、評価文における評価がポジティブな評価である場合、４以上５以下の評価値を主要評価情報決定部１５に供給する。一方、評価文における評価がネガティブな評価である場合、言語評価情報抽出部１３は、１以上３以下の評価値を主要評価情報決定部１５に供給する。
なお、言語評価情報抽出部１３は、評価文取得部１２から供給される評価文から、言語評価の程度（以下、言語評価強度という）を認識できる場合には、その言語評価強度を保持しておき、言語評価強度に応じて評価値を上述した範囲内の値に設定する。例えば、言語評価情報抽出部１３は、「曲Ａのメロディがとても好きだ」という評価文の「とても」から高い言語評価強度を認識する。そして、例えば、言語評価強度が０から１までの範囲の値である場合、言語評価情報抽出部１３は、言語評価強度を０．８とし、評価値を４．８（＝４＋０．８×（５−４））とする。
さらに、嗜好学習部１７は、明示評価を用いた嗜好学習だけでなく、言語評価を用いた嗜好学習も行い、対象コンテンツに対する明示評価の評価値の予測値と言語評価の評価値の予測値を求める。
主要評価情報決定部１５は、嗜好学習部１７から供給される対象コンテンツの明示評価の評価値の予測値と、明示評価情報取得部１１から供給される評価値とに基づいて予測誤差を求める。また、主要評価情報決定部１５は、嗜好学習部１７から供給される対象コンテンツの言語評価の評価値の予測値と、言語評価情報抽出部１３から供給される評価値とに基づいて予測誤差を求める。そして、主要評価情報決定部１５は、明示評価と言語評価のうちの予測誤差の小さい方を主要評価に決定する。
また、明示評価情報取得部１１により受け付けられる順序尺度の段階は何段階であってもよい。例えば、順序尺度の段階が「好き」または「嫌い」の２段階である場合、明示評価情報取得部１１は、ユーザから入力された「好き」の評価を表す評価値「１」、または「嫌い」の評価を表す評価値「−１」を受け付ける。そして、評価値が「１」である場合、明示評価情報取得部１１は、明示評価がポジティブな評価であると判別し、評価値が「−１」である場合、明示評価がネガティブな評価であると判別する。
なお、以下では、嗜好学習部１７が第２の方法で嗜好学習を行い、推薦提示部１９が、嗜好情報に基づいて未評価コンテンツの類似度を求める場合について説明する。
［コンテンツの特徴量と最終評価値の例］
図２は、コンテンツの特徴量と最終評価値の例を示す図である。
図２に示すように、コンテンツが楽曲である場合、コンテンツ特徴量保持部１８には、コンテンツの特徴量として、例えばスピード、明るさ、および音の密度が保持される。
図２の例では、楽曲Ａのスピードが３５、明るさが５０、音の密度が８４となっており、楽曲Ｂのスピードが７０、明るさが５８、音の密度が３７となっている。楽曲Ｃのスピードが８８、明るさが８０、音の密度が２０となっており、楽曲Ｄのスピードが５０、明るさが６０、音の密度が６５となっている。
また、楽曲Ｅのスピードが６０、明るさが７５、音の密度が５５となっており、楽曲Ｆのスピードが６６、明るさが５５、音の密度が４０となっている。楽曲Ｇのスピードが３８、明るさが２０、音の密度が６３となっており、楽曲Ｈのスピードが２５、明るさが３７、音の密度が４２となっている。さらに、楽曲Ｉのスピードが７３、明るさが５９、音の密度が７６となっている。
そして、楽曲Ａ、楽曲Ｂ、楽曲Ｃ、楽曲Ｄ、および楽曲Ｅは、既にユーザにより評価されており、最終評価値は、それぞれ、2.0，3.5，5.5，1.5，4.0である。
この場合、嗜好学習部１７が、例えば、最終評価値が３より大きいものをポジティブな評価を表す最終評価値であると判断すると、楽曲Ｂ、楽曲Ｃ、および楽曲Ｅの平均ベクトル(72.7,71,37.3)が嗜好ベクトルとなる。
そして、推薦提示部１９は、例えば、未評価の楽曲Ｆ乃至Ｉそれぞれの特徴量を表すベクトルと嗜好ベクトルのユークリッド距離の逆数、0.057，0.014，0.017，0.025を類似度として求める。その結果、類似度が大きい順、即ち楽曲Ｆ、楽曲Ｉ、楽曲Ｈ、楽曲Ｇの順に、楽曲のコンテンツ関連情報がユーザに提示される。
なお、嗜好学習部１７において負の嗜好情報が作成される場合、推薦提示部１９は、未評価の楽曲Ｆ乃至Ｉのうち、負の嗜好情報とのユークリッド距離が近い楽曲のコンテンツ関連情報を提示しないようにしてもよい。
［情報処理装置の処理の説明］
図３は、図１の情報処理装置１０の学習処理を説明するフローチャートである。この学習処理は、例えば、ユーザにより対象コンテンツに対する５段階の順序尺度と評価文が入力されたとき、開始される。
ステップＳ１１において、明示評価情報取得部１１は、ユーザからの５段階の順序尺度による評価の入力を受け付ける。ステップＳ１２において、明示評価情報取得部１１は、ステップＳ１１で受け付けられた評価値を明示評価の評価値とし、その明示評価の評価値に基づいて、ユーザによる明示評価がポジティブな評価であるかネガティブな評価であるかを判別する。そして、明示評価情報取得部１１は、判別結果を明示評価として明示評価・言語評価比較部１４に供給する。
ステップＳ１３において、評価文取得部１２は、ユーザから入力された評価文の言語情報を取得する。ステップＳ１４において、言語評価情報抽出部１３は、評価文取得部１２から供給される評価文の言語情報から評価情報を抽出する。
ステップＳ１５において、言語評価情報抽出部１３は、ステップＳ１４において抽出された評価情報に基づいて、評価文における評価が、ポジティブな評価またはネガティブな評価であるかを判定する。
ステップＳ１５で評価文における評価が、ポジティブな評価でもネガティブな評価でもないと判定された場合、処理は終了する。
一方、ステップＳ１５で評価文における評価が、ポジティブな評価またはネガティブな評価であると判定された場合、言語評価情報抽出部１３は、評価文における評価がポジティブな評価であるか、またはネガティブな評価であるかを表す判別結果を言語評価として明示評価・言語評価比較部１４に供給する。
そして、ステップＳ１６において、明示評価・言語評価比較部１４は、明示評価情報取得部１１から供給される明示評価と、言語評価情報抽出部１３から供給される言語評価の関係を認識する。明示評価・言語評価比較部１４は、明示評価と言語評価の関係を評価補正部１６に供給する。
ステップＳ１７において、主要評価情報決定部１５は、明示評価を主要評価として決定し、主要評価として明示評価を評価補正部１６に指定する。ステップＳ１８において、評価補正部１６は、明示評価・言語評価比較部１４から供給される明示評価と言語評価の関係に基づいて、明示評価と言語評価が一致しているかどうかを判定する。
ステップＳ１８で明示評価と言語評価が一致していると判定された場合、即ち、明示評価と言語評価が両方ともポジティブな評価であるか、または、両方ともネガティブな評価である場合、処理はステップＳ１９に進む。
ステップＳ１９において、評価補正部１６は、主要評価である明示評価を強調するように、明示評価情報取得部１１から供給される明示評価の評価値を補正する。
具体的には、例えば、明示評価と言語評価が両方ともポジティブな評価である場合、確実にユーザは対象コンテンツに対してポジティブな評価をしていると考えられる。従って、評価補正部１６は、例えば、明示評価情報取得部１１から供給される明示評価の評価値４に０．５を加えて４．５に変更する。
なお、評価補正部１６は、明示評価の評価値の定数倍に変更するようにしてもよい。また、言語評価情報抽出部１３が言語評価強度を認識する場合には、評価補正部１６は、その言語評価強度に応じた度合で、補正の幅を設定するようにしてもよい。この場合、例えば、評価文に「とても」が含まれている場合、評価補正部１６は、補正の幅を「とても」が含まれてない場合の加算値０．５より大きい０．８に設定する。
そして、評価補正部１６は、補正後の評価値を最終評価値として嗜好学習部１７に供給し、処理をステップＳ２１に進める。
一方、ステップＳ１８で明示評価と言語評価が一致していないと判定された場合、即ち、明示評価と言語評価のうちの一方がポジティブな評価であり、他方がネガティブな評価である場合、処理はステップＳ２０に進む。
ステップＳ２０において、評価補正部１６は、主要評価である明示評価を弱めるように、即ち明示評価を中間的な評価に近づけるように、明示評価を補正する。
具体的には、例えば、明示評価がネガティブな評価であり、言語評価がポジティブな評価である場合、ユーザは、対象コンテンツを明示評価においてはやや低く評価しているものの高く評価している面もあると考えられる。従って、評価補正部１６は、例えば、明示評価情報取得部１１から供給される明示評価の評価値２を、評価値の中間値３に０．５だけ近づけた２．５に変更する。
なお、評価補正部１６は、明示評価の評価値と評価値の中間値の差分の定数倍だけ中間値に近づけるようにしてもよい。この場合、補正後の明示評価の評価値は、中間値と、補正前の評価値から中間値を減算した値の定数倍とを加算した値となる。例えば、補正前の明示評価の評価値が２であり、定数が０．５である場合、補正後の明示評価の評価値は、２．５（＝３＋（２−３）×０．５）となる。ここで用いられる定数は、予め設定されていてもよいし、言語評価強度に応じて設定されてもよい。定数が言語評価強度に応じて設定される場合、言語評価強度に応じた度合で明示評価が弱められる。
そして、評価補正部１６は、補正後の評価値を最終評価値として嗜好学習部１７に供給し、処理をステップＳ２１に進める。
ステップＳ２１において、嗜好学習部１７は、評価補正部１６から供給される対象コンテンツの最終評価値を含む評価済みのコンテンツの最終評価値と、コンテンツ特徴量保持部１８に保持されている対象コンテンツを含む評価済みのコンテンツの特徴量を用いて嗜好学習を行う。そして処理は終了する。
図４は、情報処理装置１０の推薦コンテンツ提示処理を説明するフローチャートである。この推薦コンテンツ提示処理は、例えば、ユーザにより推薦コンテンツの提示が指示されたとき、開始される。
ステップＳ３１において、推薦提示部１９は、嗜好学習部１７で作成されている嗜好ベクトルと、コンテンツ特徴量保持部１８に保持されている未評価コンテンツの特徴量を表すベクトルの類似度を求める。
ステップＳ３２において、推薦提示部１９は、類似度が大きい順に、未評価コンテンツのコンテンツ関連情報を、推薦コンテンツのコンテンツ関連情報として、図示せぬ表示部に表示させる。そして処理は終了する。
以上のように、情報処理装置１０は、明示評価と言語評価の関係に基づいてコンテンツを推薦する。従って、情報処理装置１０は、明示評価および言語評価のいずれか一方に基づいてコンテンツを推薦する場合に比べて、ユーザの嗜好に適したコンテンツを確実に推薦することができる。
＜第２実施の形態＞
［情報処理装置の第２実施の形態の構成例］
図５は、本発明を適用した情報処理装置の第２実施の形態の構成例を示すブロック図である。
図５に示す構成のうち、図１の構成と同じ構成には同じ符号を付してある。重複する説明については適宜省略する。
図５の情報処理装置３０の構成は、言語評価情報抽出部１３、明示評価・言語評価比較部１４、嗜好学習部１７、推薦提示部１９の代わりに言語評価情報抽出部３１、明示評価・言語評価比較部３２、嗜好学習部３６、推薦提示部３５が設けられている点、主要評価情報決定部１５および評価補正部１６が設けられていない点、および属性−特徴量対応情報保持部３３と言語評価特徴量決定部３４が新たに設けられている点が図１の構成と異なる。
情報処理装置３０は、明示評価、言語評価、および、言語評価の評価属性に対応するコンテンツの特徴量に基づいて、対象コンテンツの特徴量のうちユーザにとって好ましい特徴量を決定する。そして、情報処理装置３０は、その特徴量が類似するコンテンツのコンテンツ関連情報を、類似コンテンツのコンテンツ関連情報としてユーザに提示する。
なお、評価属性とは、コンテンツの側面を表すものであり、コンテンツの特徴量を表現することに適した単語である。例えば、対象コンテンツが楽曲である場合には、評価属性は、メロディ、声質、リズムなどであり、対象コンテンツが映画である場合には、評価属性は、ストーリー、雰囲気、BGM(Background music)などである。
情報処理装置３０の言語評価情報抽出部３１は、評価文取得部１２から供給される評価文の言語情報から評価属性を含む評価情報を抽出し、保持する。例えば、言語評価情報抽出部３１は、「曲Ａのメロディがとても好きだ」という評価文の言語情報から、「曲Ａ」というコンテンツの名称、「好き」という評価、および「メロディ」という評価属性を評価情報として抽出する。
なお、評価文から評価属性が抽出できなかった場合、例えば、評価文が「曲Ａが好きだ」という文であり、評価属性を含んでいない場合には、言語評価情報抽出部３１は、特徴量の入力を促す入力画面（後述する図７）を図示せぬ表示部に表示させる。そして、言語評価情報抽出部３１は、入力画面においてユーザにより入力された情報から、特徴量を取得し、保持する。この特徴量は言語特徴量として、言語評価特徴量決定部３４を介して推薦提示部３５に供給される。
また、言語評価情報抽出部３１は、図１の言語評価情報抽出部１３と同様に、抽出された評価情報に基づいて、評価文における評価が、ポジティブな評価であるかネガティブな評価であるかを判別し、判別結果を言語評価として明示評価・言語評価比較部３２に供給する。
さらに、言語評価情報抽出部３１は、言語評価情報抽出部１３と同様に、評価文取得部１２から供給される評価文が、ポジティブな評価でもネガティブな評価でもない場合、明示評価・言語評価比較部３２には何も供給せず、後段の処理は行われない。
明示評価・言語評価比較部３２は、図１の明示評価・言語評価比較部１４と同様に、明示評価情報取得部１１から供給される明示評価と、言語評価情報抽出部３１から供給される言語評価の関係を認識する。明示評価・言語評価比較部３２は、明示評価と言語評価の関係を嗜好学習部３６に供給する。また、明示評価・言語評価比較部３２は、明示評価と言語評価を推薦提示部３５に供給する。
属性−特徴量対応情報保持部３３は、所定の評価属性とコンテンツの特徴量を対応付けたテーブルを属性-特徴量対応情報として保持する。
言語評価特徴量決定部３４は、属性−特徴量対応情報保持部３３に保持されている属性-特徴量対応情報の評価属性のうち、言語評価情報抽出部３１で抽出された評価属性に類似する単語である評価属性に対応する特徴量を、言語評価特徴量として決定する。なお、類似の判定には、シソーラスなどが利用される。また、言語評価特徴量決定部３４は、言語評価特徴量を推薦提示部３５に供給する。
推薦提示部３５は、類似コンテンツまたは推薦コンテンツのコンテンツ関連情報を図示せぬ表示部に表示させる。
具体的には、推薦提示部３５は、明示評価・言語評価比較部３２から供給される明示評価および言語評価と、言語評価特徴量決定部３４から供給される言語評価特徴量とに基づいて、対象コンテンツと推薦候補のコンテンツの類似度または距離の算出に用いる特徴量（以下、注目特徴量という）を決定する。推薦提示部３５は、コンテンツ特徴量保持部１８に保持されている対象コンテンツと推薦候補のコンテンツの注目特徴量に基づいて類似度または距離を算出する。推薦提示部３５は、類似度が大きい順に、または距離が短い順に、推薦候補のコンテンツのコンテンツ関連情報を、類似コンテンツのコンテンツ関連情報として図示せぬ表示部に表示させる。即ち、ユーザの嗜好に合ったコンテンツが類似コンテンツとしてユーザに推薦される。
なお、推薦提示部３５は、類似コンテンツのコンテンツ関連情報を表示させるとき、そのコンテンツ関連情報とともに、注目特徴量以外の特徴量を表示させるようにしてもよい。この場合、例えば、対象コンテンツの名称が「曲Ｉ」であり、注目特徴量以外の特徴量が「音の密度」であるとき、「曲Iと音の密度以外で似ているコンテンツは○○です」といったメッセージが表示される。なお、「○○」は、類似コンテンツの名称である。
また、推薦提示部３５は、図１の推薦提示部１９と同様に、嗜好学習部３６から嗜好情報として供給される嗜好ベクトルと未評価コンテンツの特徴量を表すベクトルの類似度を求める。そして、推薦提示部３５は、類似度が大きい順に、未評価コンテンツのコンテンツ関連情報を、推薦コンテンツのコンテンツ関連情報として、図示せぬ表示部に表示させる。これにより、ユーザの嗜好に合ったコンテンツのコンテンツ関連情報が推薦コンテンツのコンテンツ関連情報としてユーザに提示される。
嗜好学習部３６は、図１の主要評価情報決定部１５、評価補正部１６、および嗜好学習部１７と同様の処理を行う。
なお、情報処理装置３０には、嗜好学習部３６が設けられなくてもよい。この場合、推薦提示部３５は、類似コンテンツのコンテンツ関連情報を表示させる機能のみを有する。
また、以下では、推薦提示部３５が類似度を算出する場合について説明する。
［属性-特徴量対応情報の例］
図６は、属性-特徴量対応情報の例を示す図である。
図６に示すように、属性-特徴量対応情報は、評価属性と特徴量とを対応付けたテーブルにより構成される。
図６の属性-特徴量対応情報では、評価属性「速さ」、「スピーディー」、「スピード」などに対応して特徴量「スピード」が対応付けられている。また、評価属性「明るい」、「陽気」などに対応して、特徴量「明るさ」が対応付けられている。さらに、評価属性「分厚い」などに対応して特徴量「音の密度」が対応付けられている。
この場合、例えば、言語評価情報抽出部３１により評価属性「速さ」が抽出されると、言語評価特徴量決定部３４は、属性-特徴量対応情報において評価属性「速さ」に対応付けられている特徴量「スピード」を言語評価特徴量に決定する。
［入力画面の例］
図７は、言語評価情報抽出部３１により表示される入力画面の例を示す図である。
図７の入力画面には、「楽曲Ａのどのような側面が好きですか？」というメッセージ、特徴量のリスト、および、ＯＫボタンが表示される。また、特徴量のリストの左側には、各特徴量を選択するときにチェックされる選択ボックスが設けられる。
入力画面に表示される特徴量のリストとしては、属性−特徴量対応情報保持部３３に登録されている特徴量のうちの対象コンテンツの種類（例えば、楽曲、映像など）に応じた特徴量が表示される。また、その特徴量の全てを表す「すべて」と、属性−特徴量対応情報保持部３３に登録されていない特徴量を表す「その他」も表示される。
図７の例では、属性−特徴量対応情報保持部３３に図６に示した属性-特徴量対応情報が保持されており、特徴量のリストには、その属性−特徴量対応情報の特徴量「スピード」、「明るさ」、および「音の密度」、並びに、「すべて」および「その他」が表示される。
図７に示すような入力画面が表示される場合、ユーザは、図示せぬキーボードやマウスなどを操作し、特徴量のリストに表示される特徴量「スピード」、「明るさ」、「音の密度」、「すべて」、および「その他」のうちの、対象コンテンツとしての楽曲Ａの好きな側面である特徴量に対応する選択ボックスをチェックする。そして、ユーザは、ＯＫボタンを操作する。これにより、言語評価情報抽出部３１は、特徴量を取得する。なお、ユーザは、複数の選択ボックスを選択してもよい。
また、評価文から評価属性が抽出できなかった場合、図７の入力画面ではなく、評価属性を自由に入力するためのテキストエリアが表示されるようにしてもよい。この場合、言語評価情報抽出部３１は、ユーザによりテキストエリアに入力された評価属性を取得し、言語評価特徴量決定部３４に供給する。言語評価特徴量決定部３４は、その評価属性を評価文から抽出された評価属性と同様に扱う。
［情報処理装置の処理の説明］
図８は、図５の情報処理装置３０の類似コンテンツ提示処理を説明するフローチャートである。この類似コンテンツ提示処理は、例えば、類似コンテンツの提示が指示されたとき、開始される。
ステップＳ５１乃至Ｓ５３の処理は、図３のステップＳ１１乃至Ｓ１３の処理と同様であるので、説明は省略する。
ステップＳ５４において、言語評価情報抽出部３１は、評価文取得部１２から供給される評価文の言語情報から、評価属性を含む評価情報を抽出する。
ステップＳ５５において、言語評価情報抽出部３１は、ステップＳ５４において抽出された評価情報に基づいて、評価文における評価が、ポジティブな評価またはネガティブな評価であるかを判定する。
ステップＳ５５で評価文における評価が、ポジティブな評価でもネガティブな評価でもないと判定された場合、処理は終了する。
一方、ステップＳ５５で評価文における評価が、ポジティブな評価またはネガティブな評価であると判定された場合、言語評価情報抽出部３１は、評価文における評価がポジティブな評価であるか、またはネガティブな評価であるかを表す判別結果を言語評価として明示評価・言語評価比較部３２に供給する。
ステップＳ５６において、明示評価・言語評価比較部３２は、明示評価情報取得部１１から供給される明示評価と、言語評価情報抽出部３１から供給される言語評価の関係を認識する。そして、明示評価・言語評価比較部３２は、明示評価と言語評価の関係を嗜好学習部３６に供給する。また、明示評価・言語評価比較部３２は、明示評価と言語評価を推薦提示部３５に供給する。
ステップＳ５７において、嗜好学習部３６は、図３のステップＳ１７乃至Ｓ２１の処理と同様の処理を行うことにより、嗜好学習を行う。
ステップＳ５８において、言語評価特徴量決定部３４は、属性−特徴量対応情報保持部３３に保持されている属性-特徴量対応情報の評価属性のうち、言語評価情報抽出部３１で抽出された評価属性に類似する単語である評価属性に対応する特徴量を、言語評価特徴量として決定する。そして、言語評価特徴量決定部３４は、言語評価特徴量を推薦提示部３５に供給する。
ステップＳ５９において、推薦提示部３５は、明示評価・言語評価比較部３２から供給される明示評価と言語評価に基づいて、明示評価がポジティブな評価であり、言語評価がネガティブな評価であるかどうかを判定する。
ステップＳ５９で明示評価がポジティブな評価であり、言語評価がネガティブな評価であると判定された場合、処理はステップＳ６０に進む。
ステップＳ６０において、推薦提示部３５は、言語評価特徴量以外の特徴量を注目特徴量とし、対象コンテンツと推薦候補のコンテンツの類似度を算出する。
具体的には、明示評価がポジティブな評価であり、言語評価がネガティブな評価である場合、ユーザは、言語評価特徴量以外の特徴量に関しては対象コンテンツのことを好ましいと感じていると考えられる。従って、推薦提示部３５は、言語評価特徴量以外の特徴量を注目特徴量に決定し、対象コンテンツと推薦候補のコンテンツの類似度を算出する。
例えば、対象コンテンツが図２の楽曲Iであり、言語評価特徴量が「音の密度」である場合、推薦提示部３５は、楽曲Iの音の密度以外の特徴量を表すベクトルと、推薦候補のコンテンツとしての楽曲Ｆ乃至楽曲Ｈの音の密度以外の特徴量を表すベクトルとのユークリッド距離の逆数を類似度として計算する。その結果、楽曲Ｆ乃至楽曲Ｈとの類似度は、それぞれ0.12，0.017，0.019となる。
なお、推薦提示部３５は、類似度の算出に言語評価特徴量を利用しないのではなく、対象コンテンツの言語評価特徴量を補正して類似度の計算を行うようにしてもよい。
この場合、例えば、全コンテンツの音の密度の平均値が50であるとき、推薦提示部３５は、楽曲Ｉの音の密度76を、その平均値を挟んだ反対側の値である24に補正する。そして、推薦提示部３５は、補正後の楽曲Ｉの特徴量を表すベクトル(73,59,24)と、推薦候補のコンテンツの特徴量を表すベクトルのユークリッド距離の逆数を類似度として計算する。
なお、推薦提示部３５は、嗜好ベクトルを用いて言語評価特徴量を補正してもよい。この場合、例えば、嗜好ベクトルが(72.7,71,37.3)であるとき、推薦提示部３５は、楽曲Ｉの音の密度を、嗜好ベクトルが表す音の密度37.3に補正する。そして、推薦提示部３５は、補正後の楽曲Ｉの特徴量を表すベクトル(73,59,37.3)と、推薦候補のコンテンツの特徴量を表すベクトルのユークリッド距離の逆数を類似度として計算する。
一方、ステップＳ５９で明示評価がポジティブな評価であり、言語評価がネガティブな評価ではないと判定された場合、処理はステップＳ６１に進む。ステップＳ６１において、推薦提示部３５は、明示評価・言語評価比較部３２から供給される明示評価と言語評価に基づいて、明示評価がネガティブな評価であり、言語評価がポジティブな評価であるかどうかを判定する。
ステップＳ６１で明示評価がネガティブな評価であり、言語評価がポジティブな評価であると判定された場合、処理はステップＳ６２に進む。ステップＳ６２において、嗜好提示部３５は、言語評価特徴量を注目特徴量とし、対象コンテンツと推薦候補のコンテンツの類似度を算出する。
具体的には、明示評価がネガティブな評価であり、言語評価がポジティブな評価である場合、ユーザは、言語評価特徴量に関してのみ対象コンテンツのことを好ましいと感じていると考えられる。従って、推薦提示部３５は、言語評価特徴量だけを注目特徴量に決定し、対象コンテンツと推薦候補のコンテンツの類似度を算出する。
例えば、対象コンテンツが図２の楽曲Ｇで、言語評価特徴量が「音の密度」である場合、推薦提示部３５は、楽曲Ｇの音の密度を表すベクトルと、推薦候補のコンテンツとしての楽曲Ｆ、楽曲Ｈ、楽曲Ｉの音の密度を表すベクトルとのユークリッド距離の逆数を類似度として計算する。その結果、楽曲Ｆ、楽曲Ｈ、楽曲Ｉの類似度は、それぞれ0.043,0.048,0.077となる。
なお、推薦提示部３５は、類似度の算出に言語評価特徴量のみを利用するのではなく、対象コンテンツの言語評価特徴量以外の特徴量を、明示評価がポジティブな評価であり、言語評価がネガティブな評価である場合と同様に補正して類似度の算出を行うようにしてもよい。
ステップＳ６０またはＳ６２の処理後、ステップＳ６３において、推薦提示部３５は、ステップＳ６０またはＳ６２で算出された類似度の大きい順に、推薦対象のコンテンツのコンテンツ関連情報を、類似コンテンツのコンテンツ関連情報として表示させる。そして処理は終了する。
また、ステップＳ６１で、明示評価がネガティブな評価であり、言語評価がポジティブな評価ではないと判定された場合、即ち、明示評価と言語評価が両方ともポジティブな評価であるか、または、両方ともネガティブな評価である場合、処理は終了する。
なお、ユーザにより入力された評価値が３以上である場合、明示評価情報取得部１１は、明示評価がポジティブな評価であると判定し、３である場合明示評価がポジティブな評価でもネガティブな評価でもないと判定し、３より小さい場合明示評価がネガティブな評価であると判定するようにしてもよい。この場合、明示評価がポジティブな評価でもネガティブな評価でもないとき、明示評価がポジティブな評価である場合と同様の処理が行われる。即ち、言語評価がネガティブな評価である場合、言語評価特徴量以外の特徴量を注目特徴量として類似度が計算され、言語評価がポジティブな評価、または、ポジティブな評価でもネガティブな評価でもない場合、類似度は計算されない。
以上のように、情報処理装置３０は、言語評価特徴量、明示評価、および言語評価に基づいて注目特徴量を決定し、その注目特徴量における対象コンテンツと推薦候補のコンテンツの類似度に基づいて、推薦候補のコンテンツを類似コンテンツとして推薦する。従って、情報処理装置３０は、明示評価および言語評価のいずれか一方に基づいてコンテンツを推薦する場合に比べて、ユーザの嗜好に適したコンテンツを確実に推薦することができる。
＜第３実施の形態＞
［情報処理装置の第３の実施の形態の構成例］
図９は、本発明を適用した情報処理装置の第３実施の形態の構成例を示すブロック図である。
図９に示す構成のうち、図１や図５の構成と同じ構成には同じ符号を付してある。重複する説明については適宜省略する。
図９の情報処理装置５０は、推薦提示部３５、嗜好学習部３６の代わりに推薦提示部１９、嗜好学習部５１が設けられている点が図５の構成と異なる。
情報処理装置５０は、明示評価、言語評価、および言語評価の評価属性に対応するコンテンツの特徴量に基づいて嗜好学習の方法を決定し、その方法で嗜好学習を行う。そして、情報処理装置５０は、その嗜好学習により作成された嗜好情報に基づいて推薦コンテンツをユーザに提示する。
具体的には、嗜好学習部５１は、図１の主要評価情報決定部１５と同様に、明示評価と言語評価のうちの明示評価を主要評価として決定する。また、嗜好学習部５１は、図１の評価補正部１６と同様に、明示評価・言語評価比較部３２により認識された明示評価と言語評価の関係に基づいて、明示評価情報取得部１１から供給される明示評価の評価値を補正し、補正された明示評価の評価値を最終評価値とする。
また、嗜好学習部５１は、明示評価・言語評価比較部３２から出力される明示評価および言語評価、並びに、言語評価特徴量決定部３４により決定された言語評価特徴量に基づいて、嗜好学習の方法を決定する。なお、嗜好学習部５１における嗜好学習の方法は、上述した第２の方法を基本とする方法である。
嗜好学習部５１は、決定された嗜好学習の方法で、最終評価値と、コンテンツ特徴量保持部１８により保持されている対象コンテンツの特徴量に基づいて、嗜好学習を行う。嗜好学習部５１は、嗜好学習により作成された嗜好ベクトルを嗜好情報として推薦提示部１９に供給する。
［情報処理装置の処理の説明］
図１０は、図９の情報処理装置５０の学習処理を説明するフローチャートである。この学習処理は、例えば、ユーザにより対象コンテンツに対する５段階の順序尺度と評価文が入力されたとき、開始される。
図１０のステップＳ７１乃至Ｓ７６の処理は、図３のステップＳ１１乃至Ｓ１６の処理と同様であるので、説明は省略する。
ステップＳ７６の処理後、ステップＳ７７において、言語評価特徴量決定部３４は、属性−特徴量対応情報保持部３３に保持されている属性-特徴量対応情報の評価属性のうち、言語評価情報抽出部３１で抽出された評価属性に類似する単語である評価属性に対応する特徴量を、言語評価特徴量として決定する。そして、言語評価特徴量決定部３４は、言語評価特徴量を嗜好学習部５１に供給する。
ステップＳ７８において、嗜好学習部５１は、明示評価・言語評価比較部３２から供給される明示評価と言語評価に基づいて、明示評価がポジティブな評価であるかどうかを判定する。ステップＳ７８で明示評価がポジティブな評価であると判定された場合、ステップＳ７９において、嗜好学習部５１は、明示評価・言語評価比較部３２から供給される明示評価と言語評価に基づいて、言語評価がポジティブな評価であるかどうかを判定する。
ステップＳ７９で言語評価がポジティブな評価であると判定された場合、即ち、明示評価と言語評価がポジティブな評価である場合、処理はステップＳ８０に進む。ステップＳ８０において、嗜好学習部５１は、嗜好学習の方法を、対象コンテンツの言語評価特徴量に重み付けをして嗜好ベクトルを更新する言語評価特徴量重み付け方法に決定する。
言語評価特徴量重み付け方法について以下に説明する。
学習前の嗜好ベクトルをｍ＝（ｍ1，ｍ2，・・・，ｍM）(但し、Ｍは特徴量の種類の数)とし、嗜好ベクトルの生成に用いられたコンテンツ群のコンテンツの個数をＮpとし、対象コンテンツｊの特徴量をｆj＝（ｆj1，ｆj2，・・・ｆjM）とすると、第２の方法では、以下の式（１）を用いて嗜好ベクトルが更新される。
Figure 0005464412
なお、式（１）において、ｍi´は学習後の嗜好ベクトルｍ´の各要素を表している。
また、嗜好ベクトルｍ´の生成に用いられたコンテンツ群のコンテンツの個数Ｎp´は、以下の式（２）で表される。
Ｎp´＝Ｎp＋１・・・（２）
これに対して、言語評価特徴量重み付け方法では、言語評価特徴量ｍkは以下の式（３）を用いて更新され、言語評価特徴量ｍk以外の特徴量ｍiは上述した式（１）を用いて更新される。
Figure 0005464412
なお、式（３）において、定数βは１より大きい値である。式（３）によれば、学習後の嗜好ベクトルｍ´の言語評価特徴量ｍk´が、対象コンテンツｊの言語評価特徴量ｆjkに、より近づく。従って、言語評価特徴量重み付け方法では、嗜好ベクトルの言語評価特徴量が強調されて学習される。ステップＳ８０の処理後、処理はステップＳ８４に進む。
一方、ステップＳ７９で言語評価がポジティブな評価ではないと判定された場合、即ち明示評価がポジティブな評価であり、言語評価がネガティブな評価である場合、処理はステップＳ８１に進む。ステップＳ８１において、嗜好学習部５１は、嗜好学習の方法を、嗜好ベクトルの言語評価特徴量以外の特徴量を式（１）を用いて更新する言語評価特徴量以外更新方法に決定する。この言語評価特徴量以外更新方法では、嗜好ベクトルｍ´の言語評価特徴量ｍk´以外の特徴量ｍi´が対象コンテンツｊの特徴量をｆjiに近づく。ステップＳ８１の処理後、処理はステップＳ８４に進む。
また、ステップＳ７８で明示評価がポジティブな評価ではないと判定された場合、即ち明示評価がネガティブな評価である場合、処理はステップＳ８２に進む。ステップＳ８２において、嗜好学習部５１は、言語評価がポジティブな評価であるかどうかを判定する。
ステップＳ８２で言語評価がポジティブな評価であると判定された場合、即ち明示評価がネガティブな評価であり、言語評価がポジティブな評価である場合、処理はステップＳ８３に進む。
ステップＳ８３において、嗜好学習部５１は、嗜好学習の方法を言語評価特徴量のみを式（１）を用いて更新する言語評価特徴量のみ更新方法に決定する。この言語評価特徴量のみ更新方法では、嗜好ベクトルｍ´の言語評価特徴量ｍk´のみが対象コンテンツｊの特徴量をｆjkに近づく。ステップＳ８３の処理後、処理はステップＳ８４に進む。
ステップＳ８４において、嗜好学習部５１は、ステップＳ８０乃至Ｓ８３のいずれかの処理で決定された嗜好学習の方法で嗜好学習を行い、処理を終了する。
一方、ステップＳ８２で言語評価がポジティブな評価ではないと判定された場合、即ち明示評価と言語評価の両方がネガティブな評価である場合、処理は終了する。
なお、嗜好学習部５１は、負の嗜好ベクトルも学習する場合、明示評価と言語評価の両方がネガティブな評価であるとき、負の嗜好ベクトルの言語評価特徴量を式（３）と同様の式を用いて更新し、言語評価特徴量以外の特徴量を式（１）と同様の式を用いて更新する。これにより、負の嗜好ベクトルの言語評価特徴量が強調されて学習される。
情報処理装置５０の推薦コンテンツ提示処理は、図４に示した推薦コンテンツ提示処理と同様であるので、説明は省略する。
以上のように、情報処理装置５０は、言語評価特徴量、明示評価、および言語評価に基づいて嗜好学習の方法を決定し、その方法の嗜好学習によって作成された嗜好情報に基づいてコンテンツを推薦する。従って、情報処理装置５０は、明示評価および言語評価のいずれか一方に基づいてコンテンツを推薦する場合に比べて、ユーザの嗜好に適したコンテンツを確実に推薦することができる。
なお、上述した説明では、情報処理装置３０および５０において、嗜好学習に用いられる評価値が、明示評価と言語評価の関係に基づいて補正された主要評価の評価値であるようにしたが、嗜好学習に用いられる評価値は、明示評価の評価値または言語評価の評価値そのものであってもよい。
また、本発明は、推薦コンテンツや類似コンテンツのコンテンツ関連情報を提示する装置だけでなく、推薦コンテンツや類似コンテンツを録画する録画装置にも適用することができる。
上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、コンピュータにインストールされる。ここで、コンピュータには、専用のハードウエアに組み込まれているコンピュータや、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどが含まれる。
図１１は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。
コンピュータにおいて、CPU（Central Processing Unit）２０１，ROM（Read Only Memory）２０２，RAM（Random Access Memory）２０３は、バス２０４により相互に接続されている。
バス２０４には、さらに、入出力インタフェース２０５が接続されている。入出力インタフェース２０５には、入力部２０６、出力部２０７、記憶部２０８、通信部２０９、及びドライブ２１０が接続されている。
入力部２０６は、キーボード、マウス、マイクロフォンなどよりなる。出力部２０７は、ディスプレイ、スピーカなどよりなる。記憶部２０８は、ハードディスクや不揮発性のメモリなどよりなる。通信部２０９は、ネットワークインタフェースなどよりなる。ドライブ２１０は、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリなどのリムーバブルメディア２１１を駆動する。
以上のように構成されるコンピュータでは、CPU２０１が、例えば、記憶部２０８に記憶されているプログラムを、入出力インタフェース２０５及びバス２０４を介して、RAM２０３にロードして実行することにより、上述した一連の処理が行われる。
コンピュータ（CPU２０１）が実行するプログラムは、例えば、パッケージメディア等としてのリムーバブルメディア２１１に記録して提供することができる。また、プログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供することができる。
コンピュータでは、プログラムは、リムーバブルメディア２１１をドライブ２１０に装着することにより、入出力インタフェース２０５を介して、記憶部２０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部２０９で受信し、記憶部２０８にインストールすることができる。その他、プログラムは、ROM２０２や記憶部２０８に、あらかじめインストールしておくことができる。
なお、本明細書において、プログラム記録媒体に格納されるプログラムを記述するステップは、記載された順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
また、本発明の実施の形態は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。
１０ 情報処理装置， １１ 明示評価情報取得部， １３ 言語評価情報抽出部， １５ 主要評価情報決定部， １６ 評価補正部， １７ 嗜好学習部， １９ 推薦提示部， ３０ 情報処理装置， ３１ 言語評価情報抽出部， ３５ 推薦提示部， ３６ 嗜好学習部， ５０ 情報処理装置， ５１ 嗜好学習部

Claims (8)

  1. ユーザから入力される順序尺度による所定のコンテンツに対する評価を明示評価として取得する明示評価情報取得手段と、
    前記ユーザから入力される前記所定のコンテンツに対する評価を言語で表現した評価文の言語情報から言語評価と前記言語評価の属性を取得する言語評価情報抽出手段と、
    前記属性に対応するコンテンツの特徴量、前記明示評価が肯定の評価と否定の評価のいずれであるか、および、前記言語評価が肯定の評価と否定の評価のいずれであるかに基づいて、前記所定のコンテンツと推薦候補のコンテンツの類似度または距離の算出に用いるコンテンツの特徴量を決定し、その特徴量における前記所定のコンテンツと前記推薦候補のコンテンツの類似度または距離に基づいて、前記推薦候補のコンテンツを前記ユーザの嗜好に合ったコンテンツとして推薦する推薦手段と
    を備える情報処理装置。
  2. 前記推薦手段は、前記明示評価が肯定の評価であり、前記言語評価が否定の評価である場合、前記属性に対応する特徴量以外の特徴量を前記類似度または距離の算出に用いる特徴量として決定し、前記明示評価が否定の評価であり、前記言語評価が肯定の評価である場合、前記属性に対応する特徴量を、前記類似度または距離の算出に用いる特徴量として決定する
    請求項１に記載の情報処理装置。
  3. 前記明示評価が肯定の評価と否定の評価のいずれであるかと、前記言語評価が肯定の評価と否定の評価のいずれであるかとに基づいて、前記明示評価と前記言語評価のうちのいずれかである主要評価を補正する評価補正手段と、
    前記評価補正手段により補正された前記主要評価を用いて、前記嗜好を学習する嗜好学習手段と
    をさらに備え、
    前記推薦手段はまた、前記嗜好学習手段による学習により作成された前記嗜好を表す嗜好情報に基づいて、前記ユーザの嗜好に合ったコンテンツを推薦する
    請求項１に記載の情報処理装置。
  4. 前記評価補正手段は、前記明示評価と前記言語評価が両方とも肯定の評価であるか、または、両方とも否定の評価である場合、前記主要評価を強調するように前記主要評価を補正し、前記明示評価と前記言語評価のうちの一方が肯定の評価であり、他方が否定の評価である場合、前記主要評価を弱めるように前記主要評価を補正する
    請求項３に記載の情報処理装置。
  5. 前記言語評価情報抽出手段はまた、前記評価文の前記言語情報から前記言語評価の強度を取得し、
    前記評価補正手段は、前記明示評価と前記言語評価が両方とも肯定の評価であるか、または、両方とも否定の評価である場合、前記言語評価の強度に応じた度合で前記主要評価を強調するように前記主要評価を補正し、前記明示評価と前記言語評価のうちの一方が肯定の評価であり、他方が否定の評価である場合、前記言語評価の強度に応じた度合で前記主要評価を弱めるように前記主要評価を補正する
    請求項４に記載の情報処理装置。
  6. 前記明示評価と前記言語評価のうちのいずれかを前記主要評価に決定する決定手段
    をさらに備え、
    前記嗜好学習手段は、前記明示評価を用いて前記嗜好を学習するとともに、前記言語評価を用いて前記嗜好を学習し、
    前記決定手段は、前記明示評価を用いた学習により作成された前記嗜好情報に基づく前記所定のコンテンツの予測評価と前記明示評価の予測誤差、および、前記言語評価を用いた学習により作成された前記嗜好情報に基づく前記所定のコンテンツの予測評価と前記言語評価の予測誤差に基づいて、前記主要評価を決定する
    請求項３に記載の情報処理装置。
  7. 情報処理装置が、
    ユーザから入力される順序尺度による所定のコンテンツに対する評価を明示評価として取得する明示評価情報取得ステップと、
    前記ユーザから入力される前記所定のコンテンツに対する評価を言語で表現した評価文の言語情報から言語評価と前記言語評価の属性を取得する評価文取得ステップと、
    前記属性に対応するコンテンツの特徴量、前記明示評価が肯定の評価と否定の評価のいずれであるか、および、前記言語評価が肯定の評価と否定の評価のいずれであるかに基づいて、前記所定のコンテンツと推薦候補のコンテンツの類似度または距離の算出に用いるコンテンツの特徴量を決定し、その特徴量における前記所定のコンテンツと前記推薦候補のコンテンツの類似度または距離に基づいて、前記推薦候補のコンテンツを前記ユーザの嗜好に合ったコンテンツとして推薦する推薦ステップと
    を含む情報処理方法。
  8. コンピュータに、
    ユーザから入力される順序尺度による所定のコンテンツに対する評価を明示評価として取得する明示評価情報取得ステップと、
    前記ユーザから入力される前記所定のコンテンツに対する評価を言語で表現した評価文の言語情報から言語評価と前記言語評価の属性を取得する評価文取得ステップと、
    前記属性に対応するコンテンツの特徴量、前記明示評価が肯定の評価と否定の評価のいずれであるか、および、前記言語評価が肯定の評価と否定の評価のいずれであるかに基づいて、前記所定のコンテンツと推薦候補のコンテンツの類似度または距離の算出に用いるコンテンツの特徴量を決定し、その特徴量における前記所定のコンテンツと前記推薦候補のコンテンツの類似度または距離に基づいて、前記推薦候補のコンテンツを前記ユーザの嗜好に合ったコンテンツとして推薦する推薦ステップと
    を含む処理を実行させるためのプログラム。
JP2009187046A 2009-08-12 2009-08-12 情報処理装置、情報処理方法、およびプログラム Expired - Fee Related JP5464412B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2009187046A JP5464412B2 (ja) 2009-08-12 2009-08-12 情報処理装置、情報処理方法、およびプログラム
EP10171279A EP2287794A1 (en) 2009-08-12 2010-07-29 Information processing apparatus, method for processing information, and program
US12/846,975 US20110040790A1 (en) 2009-08-12 2010-07-30 Information processing apparatus, method for processing information, and program
CN2010102503609A CN101996232B (zh) 2009-08-12 2010-08-05 信息处理装置和用于处理信息的方法
US14/529,204 US9704480B2 (en) 2009-08-12 2014-10-31 Information processing apparatus, method for processing information, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2009187046A JP5464412B2 (ja) 2009-08-12 2009-08-12 情報処理装置、情報処理方法、およびプログラム

Publications (2)

Publication Number Publication Date
JP2011039811A JP2011039811A (ja) 2011-02-24
JP5464412B2 true JP5464412B2 (ja) 2014-04-09

Family

ID=43242782

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2009187046A Expired - Fee Related JP5464412B2 (ja) 2009-08-12 2009-08-12 情報処理装置、情報処理方法、およびプログラム

Country Status (4)

Country Link
US (2) US20110040790A1 (ja)
EP (1) EP2287794A1 (ja)
JP (1) JP5464412B2 (ja)
CN (1) CN101996232B (ja)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5166949B2 (ja) * 2008-04-10 2013-03-21 株式会社エヌ・ティ・ティ・ドコモ レコメンド情報生成装置およびレコメンド情報生成方法
JP5578040B2 (ja) * 2010-11-15 2014-08-27 ソニー株式会社 情報処理装置および方法、情報処理システム、並びに、プログラム
JP5843104B2 (ja) * 2012-05-11 2016-01-13 ソニー株式会社 情報処理装置、情報処理方法、及び、プログラム
JP5999425B2 (ja) * 2012-09-26 2016-09-28 ソニー株式会社 情報処理装置及び情報処理方法
JP6101477B2 (ja) * 2012-12-10 2017-03-22 日本放送協会 コンテンツ推薦装置、及びプログラム
US9342846B2 (en) * 2013-04-12 2016-05-17 Ebay Inc. Reconciling detailed transaction feedback
US9367628B2 (en) * 2014-01-03 2016-06-14 Facebook, Inc. Object recommendation based upon similarity distances
US9952571B2 (en) * 2014-03-24 2018-04-24 Xiaomi Inc. Method and terminal device for controlling smart home appliance
JP5925935B1 (ja) * 2015-04-22 2016-05-25 株式会社アクアティカ 管理装置及び嗜好性特定方法
JP2017182275A (ja) * 2016-03-29 2017-10-05 ソニー株式会社 情報処理装置、情報処理方法、及びプログラム
KR101920116B1 (ko) * 2016-09-09 2018-11-19 가톨릭대학교 산학협력단 음식갈망 억제를 위한 콘텐츠 추천 방법 및 장치
US10373618B2 (en) * 2017-08-07 2019-08-06 Soundhound, Inc. Natural language recommendation feedback
JP6943149B2 (ja) * 2017-11-13 2021-09-29 株式会社アイシン 視覚シミュレーション装置、視覚シミュレーション方法、及び視覚シミュレーション装置のためのプログラム
US11270071B2 (en) * 2017-12-28 2022-03-08 Comcast Cable Communications, Llc Language-based content recommendations using closed captions
JP7009256B2 (ja) * 2018-02-26 2022-01-25 ヤフー株式会社 情報処理装置、情報処理方法、及び情報処理プログラム
CN108681919A (zh) * 2018-05-10 2018-10-19 苏州跃盟信息科技有限公司 一种内容推送方法及装置
CN108899012B (zh) * 2018-07-27 2021-04-20 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 语音交互设备评测方法、***、计算机设备和存储介质
KR102596841B1 (ko) * 2018-08-08 2023-11-01 삼성전자주식회사 사용자의 발화에 응답하여 하나 이상의 아이템을 제공하기 위한 전자 장치 및 방법
JP7387970B2 (ja) * 2019-01-17 2023-11-29 Ｌｉｎｅヤフー株式会社 算出装置、算出方法、算出プログラム
CN110047508A (zh) * 2019-03-12 2019-07-23 平安科技（深圳）有限公司 语音记录方法、装置、计算机设备及存储介质
JP7464240B2 (ja) * 2019-04-26 2024-04-09 Ｎｅｃソリューションイノベータ株式会社 予測モデル生成装置、旅行適合度予測装置、予測モデル生産方法、旅行適合度予測方法、プログラム及び記録媒体
CN111190958A (zh) * 2019-12-02 2020-05-22 泰康保险集团股份有限公司 用户信息匹配处理方法及装置
CN113765959A (zh) * 2020-06-30 2021-12-07 北京沃东天骏信息技术有限公司 信息推送方法、装置、设备及计算机可读存储介质
JP7489950B2 (ja) 2021-09-16 2024-05-24 Ｌｉｎｅヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4032529B2 (ja) * 1998-10-15 2008-01-16 株式会社日立製作所 要求者からの要求と提供者の提供するコンテンツのマッチングを行なう計算機
JP4828679B2 (ja) 1999-12-01 2011-11-30 ソニー株式会社 受信装置、コンテンツ選択方法、及び放送システム
US6687696B2 (en) * 2000-07-26 2004-02-03 Recommind Inc. System and method for personalized search, information filtering, and for generating recommendations utilizing statistical latent class models
EP1540550A4 (en) * 2002-08-19 2006-09-27 Choicestream PERSONALIZED STATISTICAL RECOMMENDATION SYSTEM
US20070039023A1 (en) * 2003-09-11 2007-02-15 Mitsuteru Kataoka Content selection method and content selection device
JP2005309907A (ja) * 2004-04-23 2005-11-04 Hewlett-Packard Development Co Lp ユーザコメントダイジェストの生成方法・装置・プログラム
US8600769B2 (en) * 2004-05-19 2013-12-03 Fairpay Solutions, Inc. Medical bill analysis and review
US7885863B2 (en) * 2006-08-31 2011-02-08 Yahoo! Inc. Methods and computer readable media for enhancing product reviews
JP4240096B2 (ja) * 2006-09-21 2009-03-18 ソニー株式会社 情報処理装置および方法、プログラム並びに記録媒体
JP4730619B2 (ja) * 2007-03-02 2011-07-20 ソニー株式会社 情報処理装置および方法、並びにプログラム
JP4389973B2 (ja) * 2007-06-26 2009-12-24 ソニー株式会社 情報処理装置および方法、並びにプログラム
US7720870B2 (en) * 2007-12-18 2010-05-18 Yahoo! Inc. Method and system for quantifying the quality of search results based on cohesion
JP4784613B2 (ja) 2008-02-01 2011-10-05 ダイキン工業株式会社 情報処理装置及び方法、プログラム並びに記録媒体
US8117207B2 (en) * 2008-04-18 2012-02-14 Biz360 Inc. System and methods for evaluating feature opinions for products, services, and entities
US8316393B2 (en) * 2008-10-01 2012-11-20 At&T Intellectual Property I, L.P. System and method for a communication exchange with an avatar in a media communication system

Also Published As

Publication number Publication date
US20110040790A1 (en) 2011-02-17
US20150058008A1 (en) 2015-02-26
EP2287794A1 (en) 2011-02-23
CN101996232A (zh) 2011-03-30
US9704480B2 (en) 2017-07-11
JP2011039811A (ja) 2011-02-24
CN101996232B (zh) 2013-03-27

Similar Documents

Publication Publication Date Title
JP5464412B2 (ja) 情報処理装置、情報処理方法、およびプログラム
US8392414B2 (en) Hybrid audio-visual categorization system and method
JP4622808B2 (ja) 楽曲分類装置、楽曲分類方法、楽曲分類プログラム
JP5257071B2 (ja) 類似度計算装置及び情報検索装置
Miotto et al. A generative context model for semantic music annotation and retrieval
JP5359534B2 (ja) 情報処理装置および方法、並びにプログラム
JP5477635B2 (ja) 情報処理装置および方法、並びにプログラム
CN109920409B (zh) 一种声音检索方法、装置、***及存储介质
Pérez-Sancho et al. Genre classification using chords and stochastic language models
Kolozali et al. Automatic ontology generation for musical instruments based on audio analysis
CN112487237A (zh) 基于自适应cnn和半监督自训练模型的音乐分类方法
JP2010061176A (ja) テキストマイニング装置、テキストマイニング方法、および、テキストマイニングプログラム
WO2015040751A1 (ja) 音声選択支援装置、音声選択方法、およびプログラム
D'Addio et al. A collaborative filtering approach based on user's reviews
JP2006251935A (ja) 文書検索装置、文書検索方法、および文書検索プログラム
CN110019921B (zh) 音频与属性的关联方法及装置、音频搜索方法及装置
JP6735711B2 (ja) 学習装置、映像検索装置、方法、及びプログラム
JP5976037B2 (ja) モデル学習装置、ランキング装置、方法、及びプログラム
Wani et al. Music Suggestion Via Sentimental Analysis of User-Inputted Texts
EP4287039A1 (en) System and method for content-based music project recommendation
Lin The Development of Music Recommendation Systems Based on Song Characteristics
JP4622272B2 (ja) 言語処理装置、言語処理方法およびプログラム
JP2001290826A (ja) 文書分類装置、文書分類方法及び文書分類プログラムを記録した記録媒体
Tzacheva et al. Music information retrieval with temporal features and timbre
JP4544098B2 (ja) コンテンツ検索装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20120622

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20130708

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20130711

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20130828

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20131226

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20140108

R151 Written notification of patent or utility model registration

Ref document number: 5464412

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees