JP5667959B2 - 影響度分析方法、影響度分析装置及びそのプログラム - Google Patents

Description

この発明は、コンテンツ閲覧履歴等からユーザの他者からの影響度を分析する影響度分析方法、影響度分析装置及びそのプログラムに関する。

近年、ユーザの行動や状況に合わせて適切なサービス・コンテンツをレコメンドする技術が望まれている。このため、書籍通販サイトにて、サイト内での書籍情報閲覧履歴からユーザの興味を推定して書籍をレコメンドする等、履歴情報からユーザの趣味等を推定する技術が提案されている。

このような興味推定の方法において、各コンテンツに内容をサマライズするメタ情報が付与されていることを前提として、ユーザの操作履歴において出現する概念等の頻度からユーザの興味を推定する方法は、内容ベースフィルタリング手法（Content Based Filtering: CBF）で、特にメモリベース手法として研究が進められている。具体的に、内容ベースフィルタリング技術は、例えば特定ブランド（ブランドを示す情報を概念タグとして保持）の商品を閲覧した場合に、同じブランドの商品（同じ概念タグを保持）を提示する。この場合の、メモリベース手法は、過去に閲覧した履歴から、特定ブランドを頻繁に閲覧していれば、特定ブランドの商品を提示することとなる。単純な方法では、閲覧履歴により多く出現した概念タグに関連する商品を提示することとなる。このような手法においてタクソノミ（オントロジ）を利用した方法としては、例えば、非特許文献１の「操作履歴を用いた多面的嗜好把握方法の提案」がある。

一方で、ユーザへの情報の推薦サービスを実現しようとするとき、ユーザの実際の社会生活や選択行動に基づく情報提供サービスが求められている。また、ユーザが社会生活を営む中で他者からの影響を受けること（非特許文献２）や、選択行動が生じるきっかけとして、ユーザ自身の持つ興味に加えて、他者からの影響が関わること（非特許文献３）が広く知られている。

「操作履歴を用いた多面的嗜好把握方法の提案」，信学技報，vol. 110， no. 450， LOIS2010-76， pp. 67-72， 2011年3月 井上隆二、山下富美代著，「図解雑学 社会心理学」，株式会社ナツメ社，2010年4月10日，pp. 12-13 シーナ・アイエンガー著，櫻井祐子訳，「選択の科学」，株式会社文藝春秋，2010年11月15日，pp. 138-139

上述したように、ユーザの実際の社会生活や選択行動に近い情報推薦サービスを実現するためには、当該ユーザへの他ユーザからの影響を精度良く推定する必要がある。
この発明は上記事情に着目してなされたもので、その目的とするところは、コンテンツを閲覧する際のユーザの他者からの影響度を高精度に推定可能にする影響度分析方法、影響度分析装置及びそのプログラムを提供することにある。

本発明は、上記目的を達成するために、以下のような手段を講じている。
本発明の第１の態様は、コンピュータによって、複数の概念についてユーザが他ユーザから受ける影響度スコアを体系化した概念体系を用いて前記ユーザへの影響度を分析する方法、装置及びプログラムであって、前記ユーザが複数のコンテンツを一覧として閲覧した第１のコンテンツリストと、前記第１のコンテンツリストからコンテンツの本体を閲覧した第２のコンテンツリストとをクラスタ化し、前記クラスタ毎に、前記第１のコンテンツリストのコンテンツの総数を第１の総数とし、前記第１のコンテンツリストにおいて前記他ユーザによりお薦め情報が付与されたコンテンツが出現する数を第１の出現数とし、前記第２のコンテンツリストのコンテンツの総数を第２の総数とし、前記第２のコンテンツリストにおいて前記お薦め情報が付与されたコンテンツが出現する数を第２の出現数としたとき、前記第１の総数、前記第１の出現数、及び前記第２の総数の条件下で、前記第２のコンテンツリストに前記お薦め情報が付与されたコンテンツの出現数が、前記第２の出現数以上となる第１の確率及び前記第２の出現数以下となる第２の確率を算出し、前記第１の確率及び前記第２の確率のうちのいずれか一方をもとに標準正規分布の累積分布関数の逆関数により特徴スコアを算出し、前記クラスタ毎に算出した特徴スコアを用いて前記概念に対する前記影響度スコアを更新する。

第１の態様によれば、お薦め情報が付与されたコンテンツの出現の希少性を利用してユーザへの他ユーザ（個人あるいは集団）からの影響度を高精度に推定できる影響度分析方法及び影響度分析装置を提供することができる。

本発明の第２の態様は、前記第１の態様の前記算出ステップにおいて、前記第１のコンテンツリストにおいて前記お薦め情報が付与され、かつ所定の概念が出現するコンテンツの数を前記第１の出現数とし、前記第２のコンテンツリストにおいて前記お薦め情報が付与され、かつ前記所定の概念が出現するコンテンツの数を前記第２の出現数とする。
第２の態様によれば、他者からの影響度の推定において、各概念や複数の概念が属するジャンル毎の影響度を推定することが可能となる。

本発明の第３の態様は、前記第１の態様の前記算出ステップにおいて、前記第１のコンテンツリストにおいて前記他ユーザの属する所定の集合により前記お薦め情報が付与されたコンテンツが出現する数を前記第１の出現数とし、前記第２のコンテンツリストにおいて前記所定の集合により前記お薦め情報が付与されたコンテンツが出現する数を前記第２の出現数とする。
第３の態様によれば、人間体系を用いたコンテンツ閲覧履歴分析において、コンテンツにお薦め情報を付与した個人だけでなく、組織やグループ属性についても、統計的な観点で合理的かつ的確に分析可能となる。また、特定の個人が付与するお薦め情報は少ないために、影響度分析を行うために十分な量の履歴が確保できない、という場合であっても、複数ユーザが属する所定の集合単位で影響度を分析することにより、十分な履歴を確保できる。

本発明の第４の態様は、前記第１乃至３のいずれかの態様において、前記クラスタ毎に、前記第１のコンテンツリストのコンテンツの総数を第１の総数と、前記第１のコンテンツリストにおいて前記概念が出現するコンテンツの数を第１の出現数と、前記第２のコンテンツリストのコンテンツの総数を第２の総数と、前記第２のコンテンツリストにおいて前記概念が出現するコンテンツの数を第２の出現数としたとき、前記第１の総数、前記第１の出現数、及び前記第２の総数の条件下で、前記第２のコンテンツリストに前記概念が出現するコンテンツの数が、前記第２の出現数以上となる第１の確率及び前記第２の出現数以下となる第２の確率を算出し、前記第１の確率及び前記第２の確率のうちのいずれか一方をもとに標準正規分布の累積分布関数の逆関数により特徴スコアを算出し、前記クラスタ毎に算出した特徴スコアを用いて前記概念に対する前記ユーザ興味スコアを更新し、前記概念が出現するコンテンツについて、当該コンテンツに出現する各概念の前記ユーザ興味スコア及び前記影響度スコアを用いて、当該コンテンツに対する評価スコアを算出することをさらに有する。

第４の態様によれば、ユーザの興味とユーザへの他ユーザからの影響度を推定し、これらの推定結果を融合して、融合された推定結果に基づいて情報をパーソナライズし、ユーザへ情報を提示することが可能となる。ユーザの興味スコアと、ユーザが他ユーザから受ける影響を表す影響度スコアは、確率をスコア化したものであり、同次元で扱うことができる。従って、新規のコンテンツに対して、ユーザへ推薦を行うために、提示対象となるコンテンツに与えられている各概念と、他ユーザから付与されたお薦め情報に基づき、情報に対する評価スコアをスコア更新式を用いて算出する。各コンテンツに対して算出した評価スコアを用いて、ユーザへの提示対象コンテンツのソート等を行うことが可能となる。

すなわちこの発明によれば、ユーザの興味とユーザへの他ユーザからの影響を考慮することで、ユーザに対して実際の社会生活や選択行動に近しい情報推薦サービスを可能にする影響度分析方法、影響度分析装置及びそのプログラムを提供することができる。

本発明に係る影響度分析装置を用いた情報提示システムの全体構成図。 図１の情報提示システムの各装置の機能構成を示すブロック図。 興味分析装置の処理概要を示す図。 興味の特徴スコア算出部の動作を説明するための模式図。 特徴スコア算出処理の詳細を示す図。 概念体系更新処理の詳細を示す図。 コンテンツに付与されるオススメタグを示す図。 一覧閲覧コンテンツリストと詳細閲覧コンテンツリストを示す図。 第１実施例に係る影響度分析処理を示す図。 第２実施例に係る影響度分析処理を示す図。 第３実施例に係る影響度分析処理を示す図。 第４実施例に係る影響度分析処理を示す図。 コンテンツスコアリング処理を示す図。

以下、図面を参照してこの発明に係る実施形態を説明する。
図１は本発明に係る影響度分析装置を用いた情報提示システムの全体構成図である。このシステムは、クライアント端末４００と、コンテンツサーバ５００と、興味分析装置１００と、影響度分析装置２００と、コンテンツスコアリング装置３００を備える。クライアント端末４００とコンテンツサーバ５００との間、及びコンテンツサーバ５００と興味分析装置１００との間、及び、コンテンツサーバ５００と影響度分析装置２００との間、及び、コンテンツサーバ５００とコンテンツスコアリング装置３００との間はそれぞれ通信ネットワークで接続される。ユーザは、クライアント端末４００での閲覧操作により、所望のコンテンツをコンテンツサーバ５００から取得し、取得したコンテンツをクライアント端末４００の画面に提示して閲覧する。

クライアント端末４００は、ユーザ操作によるコンテンツ閲覧履歴を収集し、複数のコンテンツを一覧として閲覧した一覧閲覧コンテンツリスト（第１のコンテンツリスト）と、コンテンツ一覧からコンテンツの本体を閲覧した詳細閲覧コンテンツリスト（第２のコンテンツリスト）とをコンテンツサーバ５００に送信する。コンテンツサーバ５００は、この一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを、通信ネットワークを介して、興味分析装置１００と影響度分析装置２００に転送する。

興味分析装置１００は、上記一覧閲覧コンテンツリストおよび詳細閲覧コンテンツリストをもとに、コンテンツに出現する各概念に対する興味の特徴スコア及びユーザ興味スコアを算出し、ユーザの興味を推定する。
影響度分析装置２００は、上記一覧閲覧コンテンツリストおよび詳細閲覧コンテンツリストをもとに、コンテンツに“オススメタグ”を付与した他ユーザ（個人あるいは集団）に対する影響度の特徴スコア及び影響度スコアを算出し、当該ユーザへの他ユーザ（個人あるいは集合）からの影響度を推定する。

コンテンツスコアリング装置３００は、興味分析装置１００にユーザ興味スコアを問い合わせ、また、影響度分析装置２００にユーザへの他ユーザ（個人あるいは集団）からの影響度スコアを問い合わせ、コンテンツサーバ５００から受け取った「提示コンテンツリスト」から、ユーザの興味と他ユーザ（個人あるいは集団）からの影響度とを考慮してソートを行ったコンテンツのリスト（ソート済み提示コンテンツリスト）を生成し、コンテンツサーバ５００に送信する。

図２は、図１に示す情報提示システムの各装置の機能構成を示すブロック図である。なお、図２における各処理部は、例えば、各装置のＣＰＵ（Central Processing Unit）とメモリ上で実行される制御プログラムにより実現する。
［興味分析装置］
興味分析装置１００は、履歴情報受信部１１０、興味の特徴スコア算出部１２０、興味概念体系更新処理部１３０、及び概念体系／ユーザ興味スコアデータベース１４０を備える。概念体系／ユーザ興味スコアデータベース１４０は、ルート概念ノードＩＤと、概念体系テーブルと、ユーザ興味スコアテーブルとを有する。

ルート概念ノードＩＤとは、概念体系構造において最上位にある概念ノードＩＤである。システム内に１つだけ存在する。
概念体系テーブルは、自概念ＩＤ、親概念ＩＤリスト、及び子概念ＩＤリストを格納する。概念体系内の全ての自概念ＩＤは、親概念ＩＤ及び子概念ＩＤ（ただし、自概念が最下位の場合には子概念ＩＤは無し）と紐付けて保存されており、これにより概念構造が定義される。
ユーザ興味スコアテーブルは、概念ＩＤ、ユーザＩＤ（クライアント端末ＩＤ）、ＴｏｔａｌＺ（ユーザ興味スコア）の値を格納する。ＴｏｔａｌＺの定義及び算出方法は後述する。

図３は、興味分析装置１００の処理を示したものである。
履歴情報受信部１１０は、クライアント端末４００からの一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを、コンテンツサーバ５００を介して受信する。一覧閲覧コンテンツリストとは、例えば、ユーザがコンテンツのタイトルのみを一覧で閲覧したコンテンツのリストである。詳細閲覧コンテンツリストとは、ユーザがコンテンツ本体の内容（詳細）を閲覧したコンテンツのリストである。例えば、図３において、一覧閲覧コンテンツリストには、コンテンツ１〜８が含まれ、詳細閲覧コンテンツリストには、コンテンツ１，３，４が含まれる。また、図３において、斜線パターンで示すコンテンツは、概念Ｂがコンテンツ１，６，７，８に出現することを示す。

興味の特徴スコア算出部１２０は、一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを利用して概念選択の統計モデルにより各概念の興味の特徴スコア（後述するＺ値）を算出する。
図４（ａ）に分析パラメータ抽出処理の模式図を示す。例えば、５０個（＝Ｓ）のコンテンツが一覧表示されている中から、ユーザが１０個（＝a）のコンテンツの詳細を閲覧した場合を示す。ここで、一覧表示されている５０個のコンテンツのうち「野球」という概念が含まれている記事が１５個（＝N）あり、ユーザが閲覧した１０個のコンテンツのうち、「野球」という概念が含まれているコンテンツが５個（＝ｎ）あったことを示す。

興味の特徴スコア算出部１２０は、上記分析パラメータＳ，ａ，Ｎ，ｎを利用して概念ＩＤ毎に特徴スコアＺを算出する。図５に興味の特徴スコア算出処理の詳細を示す。図５において、ｉは概念の識別子、ｊは、クラスタＩＤを示す。
ここで、クラスタとは、一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストに一意に付与される識別子である。別の時刻（時間帯）に表示した一覧閲覧コンテンツをユーザが閲覧した場合は、別のクラスタＩＤが付与される。なお、時刻以外の条件でクラスタＩＤを新たに付与する条件としては、一覧閲覧コンテンツリスト表示中に一定時間操作が無かった場合や、閲覧するユーザ（ユーザＩＤ）を切り替えた場合、一覧閲覧コンテンツリストに対して、コンテンツジャンル等を観点に絞り込み検索を掛けた場合、その他閲覧アプリケーションにおいて閲覧モードを切り替えた場合がある。

Ｈ１（第１の確率）は、一覧閲覧コンテンツリストに含まれる一覧閲覧コンテンツの総数Ｓ、一覧閲覧コンテンツのうち概念ｉが出現するコンテンツ数Ｎのとき、詳細閲覧コンテンツをａ個ランダム選択して閲覧した場合に、概念ｉが出現する詳細閲覧コンテンツの数がｎ以上となる累積確率である。Ｈ２（第２の確率）は、一覧閲覧コンテンツリストに含まれる一覧閲覧コンテンツの総数Ｓ、一覧閲覧コンテンツのうち概念ｉが出現するコンテンツ数Ｎのとき、詳細閲覧コンテンツをａ個ランダム選択して閲覧した場合に、概念ｉが出現する詳細閲覧コンテンツの数がｎ以下となる累積確率である。なお、本実施形態では、累積確率Ｈ１及びＨ２は、超幾何分布により求めるが、この手法に限定するものではない。他の分布の例としては、二項分布、正規分布が存在する。

図４（ｂ）に示すように、例えば、上記の分析パラメータＳ、Ｎ、ａ、ｎを用いて、ユーザが閲覧した１０個のコンテンツのうち、「野球」という概念が含まれるコンテンツが５以上である確率が、「０．１２」であることを示す。ここで、「０．１２」は、累積確率Ｈ１の値に相当する。

なお、Ｈ２の値を使う例として、上記の分析パラメータでｎが０である場合を考える。この場合は、出現数が０以下の場合の確率を算出する。具体的には、図４（ｂ）において横軸が０の項目の値となるため「０．０２」となる。
そして、興味の特徴スコア算出部１２０は、図５に示すように、上記算出した累積確率Ｈ１及びＨ２を用いて、標準正規分布の累積分布関数の逆関数により興味の特徴スコアＺを算出する。図４（ｃ）に示すように、上記Ｈ１を累積確率とする標準正規分布の累積分布関数の逆関数により特徴スコアＺを求める。なお、累積確率としてＨ２を利用する場合には、標準正規分布の累積分布関数の逆関数の返値の符号を負にして特徴スコアＺを求める。この特徴スコアＺを用いて、後述する興味概念体系更新処理部１３０は、「野球」という概念に対するユーザ興味スコア（ＴｏｔａｌＺ）を求める。

興味の特徴スコア算出部１２０は、更新対象概念リストを生成し、興味概念体系更新処理部１３０に出力する。「更新対象概念リスト」とは、概念ＩＤ、前記で算出した特徴スコアＺ、及び重みｗのセットである。なお、この更新対象概念リストに出現する概念ＩＤが、次の概念体系更新処理で更新対象のノード（概念）となる。上位概念を追加した出現概念リスト内の概念ＩＤすべてについて、特徴スコアＺと重みｗを算出する。重みｗは、各クラスタＩＤにおいて概念毎に設定される値である。

なお、重みｗは、初期値ｗ＝１とし、ユーザの特徴的な操作等が有った場合に、以下のように値を変化させることができる。例えば、ユーザは、クライアント端末４００に提示されたコンテンツに対し、お気に入りコンテンツとしての登録や、コンテンツへの評価入力等ができる。クライアント端末４００が、このような操作履歴を興味分析装置１００に送信できる場合には以下の処理を行う。

興味の特徴スコア算出部１２０は、例えば、コンテンツがお気に入りに登録されたとき、そのコンテンツが含む全ての概念ＩＤについて重みｗをｗ＝１．５のように増加させる。その他にも、コンテンツ閲覧時刻、閲覧時の天気、気温、湿度、季節、曜日、休日、余暇かどうか、閲覧時のユーザ位置情報、スケジューラ、日記等から収集したイベント情報に応じて重みｗの値を変えることもできる。

興味概念体系更新処理部１３０は、上記特徴スコアを用いて概念体系における概念間の関係情報（上位概念及び下位概念）に基づいて各概念に対するユーザ興味スコアを更新する。概念体系のグラフに含まれるノードは概念を表し、リンクは概念間の関係を表す。ユーザ興味スコアは、概念体系における各概念に対応するノードの値として保持する。概念体系において、上位に位置するノードほど抽象的な概念を表し、下位に位置するノードほど具体的な概念を表す。概念体系及び概念ＩＤ（ノード毎に付与される識別子）は、サービス運用者等が事前に設計し定義するものとする。

図６に興味概念体系更新処理部１３０の処理の詳細を示す。興味概念体系更新処理部１３０は、コンテンツに出現した概念（出現概念）、及びこの出現概念の上位概念の概念ＩＤについて、図６に示す各概念ｉに対するユーザ興味スコア更新式を用いて、ユーザ興味スコアＴｏｔａｌＺ_ｉｎ，及びＸ_{ｉ（ｎ−１）}，Ｙ_{ｉ（ｎ−１）}の値を求め、概念体系／ユーザ興味スコアデータベース１４０の、クラスタＩＤに対応するユーザＩＤ（クライアント端末ＩＤ）のカラムに対応するユーザ興味スコアテーブルに格納されている各値を更新する。

ここで、Ｘ_{ｉ（ｎ−１）}は、各概念ＩＤ（ここでは識別子ｉで表現）に対する、過去の（前回までの）前記更新対象概念リストの重みｗの二乗の合計である。Ｙ_{ｉ（ｎ−１）}は、同様に各概念ＩＤ（ここでは識別子ｉで表現）に対する、過去の前記更新対象概念リストの重みｗと特徴スコアＺの乗算の合計である。

図６において、ｎは、概念体系更新処理が何度目かを示す識別子である。ユーザ興味スコアＴｏｔａｌＺを求める一連の処理は、クラスタＩＤ単位で行なわれ、この一連の処理が行なわれる単位を１度と数えるとき、ｎはこの一連の処理が何度目に行なわれたものであるかを示す識別子である。ｉは、概念ＩＤの識別子である。Ｚ_ｉｎは、概念ｉの各更新処理に利用するＺ値である。なお、上記Ｚ_ｉｊは一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリスト毎のＺ値であり、Ｚ_ｉｊ∈Ｚ_ｉｎの関係である。重みｗ_ｉｎは、概念ｉの各更新処理に利用する重みである。上記重みｗと同じであり、上記興味の特徴スコア算出部１２０で設定したものと同様である。

例えば、ｗ_ｉｎは、お気に入り登録、他ユーザとの共有等の閲覧以外の特殊な操作をユーザが行った場合、及びコンテンツ閲覧時間（閲覧開始から終了までの間隔）、コンテンツと概念の関連度合い、コンテンツ閲覧時刻、閲覧時の天気・気温・湿度・季節・曜日・休日・余暇かどうか、閲覧時のユーザ位置情報、スケジューラ・日記等から収集したイベント情報に応じて値を変化させる。その他サービス利用者、サービス運用者が特に指定した場合にも変化させる。

さらに、興味概念体系更新処理部１３０は、「更新対象概念リスト」の各概念ＩＤ（出現概念及び上位概念）の下位概念を抽出し、下位概念のノード値を更新する。下位概念の抽出では、「更新対象概念リスト」の各概念ＩＤについて、概念体系／ユーザ興味スコアデータベース１４０の概念体系テーブルを参照し、子概念ＩＤリストから概念ＩＤのリストを抽出し、さらに各子概念ＩＤリストの概念ＩＤについて概念体系テーブルを参照して子概念リストを抽出する処理を繰り返す。

下位概念の興味度の更新に利用する特徴スコアＺは、例えば、隣接した親ノードのうち特徴スコアの絶対値が最も大きい値を利用、最も近い上位ノードの値を利用、親ノードの値を平均、または確率結合した値とする。なお、「更新対象概念リスト」のうち、上記で更新済みの概念（コンテンツに出現した概念、及び上位概念）のユーザ興味スコアは更新しない。

［クライアント端末］
図２において、クライアント端末４００は、履歴収集部４１０、履歴情報送信部４２０、コンテンツ提示部４３０、コンテンツ要求送信部４４０、及びオススメタグ付与部４５０を備える。
コンテンツ要求送信部４４０は、ユーザの指示（入力）によりコンテンツサーバ５００に対して、コンテンツの提示要求を行う。具体的には、例えば、クライアント端末ＩＤ（もしくはユーザＩＤ）及び要求時刻を含むコンテンツ要求データをコンテンツサーバ５００に送信する。なお、要求時刻は、コンテンツサーバ５００において追加するようにしてもよい。クライアント端末ＩＤ（もしくはユーザＩＤ）は、端末（もしくはユーザ）毎に一意に付与される数字であって、後述する概念体系／ユーザ興味スコアデータベース１４０のユーザ興味スコアテーブルのユーザＩＤと一致するＩＤである。

履歴収集部４１０は、上述したように、ユーザの操作履歴を収集して一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを作成する。履歴情報送信部４２０は、履歴収集部４１０により作成された一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストをコンテンツサーバ５００に送信する。

オススメタグ付与部４５０は、クライアント端末上に表示されている一覧表示コンテンツリスト及び詳細閲覧コンテンツについて、ユーザが他者にコンテンツを推薦したい場合に、ユーザの操作入力によりコンテンツにオススメタグを付与する。コンテンツにオススメタグが付与された旨の情報（お薦め情報）は、オススメタグ入力部５７０に送信される。

他ユーザからの影響度の推定のための準備として、ユーザが他ユーザ（個人あるいは集団）からのオススメタグが見られるようにしておく。すなわち、他ユーザは、閲覧した情報を誰かに薦めたい場合に、オススメタグを付与できるようにし、タグが付与されたかどうかは、他のユーザから閲覧できるようにしておく。

図７に、コンテンツに付与されるオススメタグを示す。例えば、Ａさんが他ユーザへのオススメ対象として、「情報２」、「情報５」にオススメタグを付与すると、ＡＡさんの一覧閲覧コンテンツリストおよび詳細閲覧コンテンツリスト中の「情報２」、「情報５」にオススメタグ（Ａさんオススメ）が表示される。

［コンテンツサーバ］
上記図２において、コンテンツサーバ５００は、コンテンツ送信処理部５１０、ソート済み提示コンテンツリスト受信部５２０、提示コンテンツリスト送信部５３０、提示コンテンツリスト入力部５４０、履歴情報転送部５５０、コンテンツ要求転送部５６０、オススメタグ入力部５７０、及びオススメタグ送信部５８０を備える。

履歴情報転送部５５０は、クライアント端末４００から受信した一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストを通信ネットワークを介して興味分析装置１００に転送する。
提示コンテンツリスト入力部５４０には、サービス運用者により、ユーザの利用するクライアント端末４００に提示するコンテンツを一覧にした提示コンテンツリストが入力される。提示コンテンツリスト送信部５３０は、上記入力された提示コンテンツリストをコンテンツスコアリング装置３００へ通信ネットワークを介して送信する。

提示コンテンツリストは、コンテンツＩＤ、概念ＩＤ／関連度リスト、コンテンツ本体、コンテンツ登録時刻、及びお薦め情報を有する。コンテンツＩＤは、各コンテンツに対してコンテンツサーバ５００にて付与される一意のＩＤである。概念ＩＤ／関連度リストは、コンテンツに出現する概念の概念ＩＤ及び当該概念とコンテンツと関連性の程度を示す値のセットが格納される。概念ＩＤ／関連度リストは、コンテンツ毎に予め設定されており、具体例としては、コンテンツ１（スポーツ記事）には、｛“野球”の概念ＩＤ=１，関連度＝０．５｝、｛“サッカー”の概念ＩＤ=２，関連度＝０．８｝、｛“ゴルフ”の概念ＩＤ=３、関連度＝０．６｝…のように、概念ＩＤと関連度のセットが格納される。お薦め情報は、コンテンツＩＤに紐づいて格納される。

なお、概念ＩＤは、概念体系／ユーザ興味スコアデータベース１４０に格納される値と一致する。関連度は、例えば、０から１までの値とし、大きいほど関連性が強いものとする。関連度は、サービス運用者がコンテンツ登録時に設定する値、若しくは別システムにより算出される値を利用する。

ソート済み提示コンテンツリスト受信部５２０は、ソート済みコンテンツスコアリスト送信部３１０から提示コンテンツリストの一部又は全部をソートしたソート済み提示コンテンツリストとクライアント端末ＩＤ（もしくはユーザＩＤ）を受信する。コンテンツ送信処理部５１０は、ソート済み提示コンテンツリストをクライアント端末ＩＤ（もしくはユーザＩＤ）に該当するクライアント端末４００に送信する。
コンテンツ要求転送部５６０は、クライアント端末４００のコンテンツ要求送信部４４０からのコンテンツ提示要求であるコンテンツ要求データをコンテンツ評価処理部３２０に転送する。

［影響度分析装置］
影響度分析装置２００は、履歴情報受信部２１０と、人間関係データベース２２０と、影響度の特徴スコア算出部２３０と、各人・グループに対する影響度の概念体系更新処理部２４０と、各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０を備える。

履歴情報受信部２１０は、履歴情報転送部５５０から一覧閲覧コンテンツリストと詳細閲覧コンテンツリストと、各リストに付与されたオススメタグ情報を取得する。オススメタグの付与された一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストの例を図８に示す。

図８において、例えば、ＡＡさんは、クライアント端末４００−１において、５０個（＝Ｓ）のコンテンツが一覧表示されている中から、ユーザが１０個（＝ａ）のコンテンツの詳細を閲覧した場合を考える。ここで、一覧表示されている５０個のコンテンツのうち、「野球」という概念が含まれているコンテンツが１５個（＝Ｎ）、また、「Ａさんオススメ」がついたコンテンツが１０個（＝Ｍ）あり、そのうち「Ａさんオススメ」かつ「野球」が含まれるコンテンツが６個（＝Ｐ）である。そして、ユーザが閲覧した１０個のコンテンツのうち、「Ａさんオススメ」のついたコンテンツが４個（＝ｍ）、「野球」という概念が含まれているコンテンツが５個（＝ｎ）、そのうち、「Ａさんオススメ」かつ「野球」がついたコンテンツが４個（＝ｐ）であるものとする。

ユーザが情報を閲覧する際、オススメタグが付与されたコンテンツについて閲覧率が上昇した場合には、ユーザのオススメタグを付与した他ユーザからの影響度は正（＋）であるものとみなす。また、オススメタグが付与された情報についての閲覧率が下降した場合には、ユーザのオススメタグを付与した他ユーザからの影響度は負（−）であるものとみなす。また、オススメタグが付与された情報についての閲覧率が変化しなかった場合には、ユーザへのオススメタグを付与した他ユーザからの影響度はないものとみなすことができる。

以下、図８の例における影響度分析処理について、各実施例にしたがって説明する。
（第１実施例）
図９は、第１実施例に係る影響度分析処理を示す図である。影響度の特徴スコア算出部２３０は、上記Ｓ，ａ，Ｍ，ｍを分析パラメータとして利用して、ＡＡさんへのＡさんからの影響度の特徴スコアＺ´を算出する。影響度の特徴スコアＺ´は、上記図５に示す算出式において、Ｎ，ｎをＭ，ｍに置き換えることで算出することができる。

影響度の特徴スコアＺ´を求めるために、まず、累積確率Ｈ１、Ｈ２を求める。Ｈ１は、Ｓ個の一覧コンテンツのうち「Ａさんオススメ」が出現する数がＭのとき、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」が出現する詳細閲覧コンテンツがｍ個以上となる累積確率である。また、Ｈ２は、Ｓ個の一覧閲覧コンテンツのうち「Ａさんオススメ」が出現する数がＭのとき、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」が出現する詳細閲覧コンテンツがｍ個以下となる累積確率である。そして、Ｈ１、Ｈ２のうち０．５未満の方を採用し、標準正規分布の累積分布関数の逆関数により特徴スコアＺ´を求める。なお、累積確率としてＨ２を利用する場合には、標準正規分布の累積分布関数の逆関数の返値の符号を負にして特徴スコアとする。Ｈ１、Ｈ２のいずれも０．５以上だった場合には、特徴スコアは０とする。

上記の場合（Ｓ＝５０、a＝１０、M=１０、ｍ＝４）、Ｈ１＝０．０９６６、Ｈ２＝０．９８１であり、特徴スコアはＺ´=１．３となる。
以上より「Ａさんオススメ」に対する影響度の特徴スコアが算出される。算出された特徴スコアを、各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０に渡す。各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０には、興味推定と同様の概念体系を構成する各概念に影響度スコアを持たせておく。

そして、第１実施例の場合、影響度について、各概念について同等とみなすため、Ａさんの影響度を示す概念体系のルート概念に影響度の特徴スコアを記憶させる。また、一覧コンテンツリストが更新され、ユーザの閲覧履歴も更新された場合には再度、影響度の特徴スコアを算出し、影響度スコアを更新させる。更新には、下記式（１）の影響度スコア更新式を用いる。第１実施例の場合、概念iはルート概念である。

なお、式（１）において、重みｗは、初期値ｗ＝１とし、コンテンツに関するユーザの操作履歴（お気に入りコンテンツとしての登録や、コンテンツへの評価入力等）、コンテンツの閲覧時間及び閲覧状況、並びにコンテンツとオススメタグとの関連度の少なくとも１つに応じて変化させることができる。ユーザ影響度スコアの算出に際し、閲覧時のユーザの状況や閲覧操作の特徴（お気に入り登録、長時間閲覧等）などを反映することで、ユーザの行動や状況に基づいてユーザ影響度スコアをさらに的確に求めることが可能となる。

また、ルート概念のスコアを子孫にあたる下位概念についても同値で与える。「Ａさんオススメ」に関する影響度のスコア更新が終了した後に、同一の一覧閲覧コンテンツに含まれる、Ａさん以外の「オススメタグ」を付与した人についても、上記と同様の方法で影響度に関する特徴スコアを算出し、上記式（１）を用いて影響度スコアの更新を行う。

すなわち、第１実施例によれば、ユーザの選択候補となる一覧閲覧コンテンツリストにおける各「オススメタグ」が出現するコンテンツ数（Ｍ）と、一覧閲覧コンテンツリストからユーザが選択した詳細閲覧コンテンツリストにおける各「オススメタグ」が出現するコンテンツ数（ｍ）とを算出し、このＭおよびｍを比較分析することで、各“「オススメタグ」の出現の希少性を考慮し、且つ選択候補のコンテンツに付与されている「オススメタグ」が、比較的に「選ばれる」という事象だけでなく、比較的に「選ばれない」という事象の出現数の特徴を活用することができるため、ユーザの他者からの影響度を高精度に推定することが可能となる。

またＨ１およびＨ２を超幾何分布により求めることで、ユーザが「オススメタグ」の付与されたコンテンツを偶然と比べて比較的“選ぶ”という特徴だけでなく、ユーザが「オススメタグ」が付与されたコンテンツを偶然と比べて比較的“選ばない”という特徴を活用して、精度良くユーザの影響度スコアを求めることが可能となる。

（第２実施例）
第２実施例では、ＡＡさんへのＡさんからの特定の概念（又は特定のジャンル）毎の影響度を推定する手法を説明する。図１０は、第２実施例に係る影響度分析処理を示す図である。影響度の特徴スコア算出部２３０は、分析パラメータＳ，ａ，Ｐ，ｐを利用してＡさんに対する影響度の特徴スコアＺ´を算出する。この場合の影響度の特徴スコアＺ´は、上記図５に示す算出式において、Ｎ，ｎをＰ，ｐに置き換えることで算出することができる。

第２実施例の場合、Ｈ１は、一覧閲覧コンテンツＳ個のうち「Ａさんオススメ」かつ「野球」が同時についたコンテンツが出現する数がＰのとき、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」かつ「野球」が同時に出現する詳細閲覧コンテンツがｐ個以上となる累積確率である。また、Ｈ２は、一覧閲覧コンテンツのうち「Ａさんオススメ」かつ「野球」が同時についたコンテンツが出現する数がＰのとき、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」かつ「野球」が同時に出現する詳細閲覧コンテンツがｐ個以下となる累積確率である。そして、Ｈ１、Ｈ２のうち０．５未満の方を採用し、標準正規分布の累積分布関数の逆関数により特徴スコアＺ´を求める。なお、累積確率としてＨ２を利用する場合には、標準正規分布の累積分布関数の逆関数の返値の符号を負にして特徴スコアとする。Ｈ１、Ｈ２のいずれも０．５以上だった場合には、特徴スコアは０とする。
以上より、「Ａさんの野球に関するオススメ」に対する影響度の特徴スコアが算出される。

加えて、「野球」の上位概念にあたる、例えば「スポーツ」のような特定のジャンルについて、「Ａさんオススメ」と「スポーツ」が同時に出現する数（＝ｑ）を用いて、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」かつ「スポーツ」が同時に出現する詳細閲覧コンテンツがｑ個以上となる累積確率（Ｈ１）と、詳細閲覧コンテンツをａ個ランダムに選択して閲覧した場合に、「Ａさんオススメ」かつ「スポーツ」が同時に出現する詳細閲覧コンテンツがｑ個以上となる累積確率（Ｈ２）を求める。そして、上記と同様に、「Ａさんのスポーツに関するオススメ」に対する影響度の特徴スコアを求める。

同様に、「スポーツ」の下位概念にあたる、例えば「サッカー」についても、「Ａさんオススメ」と「スポーツ」が同時に出現する数（＝ｑ）を用いて、「Ａさんのサッカーに関するオススメ」に対する影響度の特徴スコアも求める。
「Ａさんオススメ」に関する影響度のスコア更新が終了した後に、同一の一覧閲覧コンテンツに含まれる、Ａさん以外の「オススメタグ」を付与した人についても、上記と同様の方法で影響度に関する特徴スコアを算出し、上記式（１）を用いて影響度スコアの更新を行う。

第２実施例によれば、「オススメタグ」が付与されたコンテンツについて「オススメタグ」が付与されていると同時に概念が付与されていることを利用し、影響度について、「オススメタグ」を付与した他ユーザに対しての各概念についての影響度の推定が可能である。すなわち、人に対する影響について１つのスコアで表現するだけでなく、ジャンルによる影響度の違い（例えば、ＡＡさんは、Ａさんに対してジャンルＸについて影響を受けるが、ジャンルYについて影響を受けない。）などを把握することも可能である。

（第３実施例）
図１１は、第３実施例に係る影響度分析処理を示す図である。第３実施例では、ＡＡさんへのグループＦからの影響度を推定する手法を説明する。つまり、お薦め情報を付与した他ユーザらがグループ属性や組織体系を有し、これらの関係について階層的な体系を作成できる場合（以後、前述の人から成る体系を、人間体系という）に、一覧閲覧コンテンツリスト及び詳細閲覧コンテンツリストのコンテンツに出現するオススメタグを付与した他ユーザの上位のグループ属性を人間体系から抽出し、上位のグループ属性が当該コンテンツに出現するものとみなして、上位のグループ属性に対するユーザの影響度スコアを更新することをさらに特徴とするものである。なお、上記人間体系の関係情報は、多数の前記他ユーザあるいはグループ属性が相互に関連を持つことでグラフ構造を持つことができる。グラフ構造を持つ場合には、各前記他者あるいはグループ属性の直接あるいは間接の上位属性を「親グループ」、直接あるいは間接の下位属性を「子グループ」と呼ぶ（個人の場合も所属するメンバーが一人のグループとみなす）。

人間体系データベース２２０は、一覧閲覧コンテンツリストに含まれるオススメタグ付与者の一覧（本例の場合、「Ａさん」、「Ｃさん」、「Ｄさん」及び「Ｅさん」）を、履歴情報受信部２１０から受け取って格納する。履歴情報受信部２１０は、人間体系データベース２２０から、オススメタグ付与者の上位の人間体系（集団あるいは属性など）を読み出す（本例の場合、「グループＦ」、「グループＧ」及び「グループＨ」）。履歴情報受信部２１０は、人間体系データベース２２０から読み出した親グループを加えて、影響度の特徴スコア算出部２３０にオススメタグ情報を渡す。

影響度の特徴スコア算出部２３０は、履歴情報受信部２１０からグループの情報が加えられたオススメタグ情報を受け取る。影響度の特徴スコア算出部２３０は、上記第１実施例と同様の方法で、「Ａさんオススメ」、「Ｃさんオススメ」、「Ｄさんオススメ」及び「Ｅさんオススメ」に関する影響度の特徴スコアを更新する。

さらに、親グループについての影響度スコアを求める。具体例として、「グループＦ」の影響度スコアを求める方法を示す。まず、「グループＦ」に所属する個人「Ａさん」、「Ｂさん」及び「Ｃさん」のオススメタグを含むコンテンツ（本例の場合、「Ａさんオススメ」「Ｃさんオススメ」の２個）を「グループＦオススメ」とみなし、「グループＦ」に所属する個人のオススメタグを含むコンテンツの合計数を用いて、前述の方法と同様に影響度の特徴スコアを求め、上記式（１）を用いて影響度スコアの更新を行う。

一覧閲覧コンテンツ（Ｓ個）のうち「グループＦオススメ」が出現する数がＲ個の場合に、詳細閲覧コンテンツ（ａ個）を選択したときの「グループＦオススメ」が出現する詳細閲覧コンテンツがｒ個であるものとする。このとき、影響度の特徴スコア算出部２３０は、分析パラメータＳ，ａ，Ｒ，ｒを利用して「グループＦ」に対する影響度の特徴スコアＺ´を算出する。この場合の影響度の特徴スコアＺ´は、上記図５に示す算出式において、Ｎ，ｎをＲ，ｒに置き換えることで算出することができる。

さらに、学習対象となった親グループの下位に属する子グループ（「グループＦ」では、「Ａさん」、「Ｂさん」、「Ｃさん」）について、一覧閲覧コンテンツリストに含まれない子グループについて（本例の「グループＦ」では「Ｂさん」）については、「グループＦ」の特徴スコアを用いて、影響度スコアの更新を行う。

更新された影響度スコアは各人・グループに対する影響度スコアを持つ影響度概念体系データベース２５０内の各人、グループの影響度概念体系のルート概念に記憶させる。そして、ルート概念のスコアを子孫にあたる下位概念についても同値で与える。
（第４実施例）
図１２は、第４実施例に係る影響度分析処理を示す図である。人間関係データベース２２０は、上記第３実施例と同様のものとする。影響度の特徴スコア算出部２３０は人間関係データベース２２０から受け取ったオススメタグについて、上記第２実施例と同様の方法を用いて、オススメタグを付与した人（またはグループ）ついての、ジャンル毎の影響度スコアを更新する。

［コンテンツスコアリング装置］
コンテンツスコアリング装置３００は、ソート済みコンテンツスコアリスト送信部３１０、コンテンツ評価処理部３２０、コンテンツデータベース３３０、及び提示コンテンツリスト・オススメタグ受信部３４０を備える。図１３は、コンテンツスコアリング処理を示す図である。

コンテンツスコアリング装置３００は、提示コンテンツリスト送信部５３０から、提示対象のコンテンツを受信し、コンテンツをスコアリングし、スコアを元にコンテンツをソートし、ソート済み提示コンテンツリスト受信部５２０に、ソート済みデータを渡す。

具体的には、提示コンテンツリスト・オススメタグ受信部３４０が、提示コンテンツリスト送信部５３０から、提示対象コンテンツと、提示対象コンテンツの内容を示す概念体系と、提示対象コンテンツにユーザから付与された「オススメタグ」を受信し、コンテンツデータベース３３０に格納する。次に、コンテンツ評価処理部３２０は、各提示対象コンテンツ（例えば、評価コンテンツ（評価コンテンツ１には「概念Ｈ」、「概念Ｅ」、「Ａさんオススメ」、「Ｂさんオススメ」のタグが付いている。）について、コンテンツのオススメタグを付与した人からの影響度概念体系（「Ａさん」、「Ｂさん」の影響度概念体系）のうち、「概念Ｈ」スコアを用いて、下記式（２）により評価用影響度スコアを求める。「概念Ｅ」についても同様に行う。

その後、興味スコアを持つ概念体系のうちの「概念Ｈ」、「概念Ｅ」の持つスコアを用いて、下記式（３）により評価用興味スコアを求める。

そして、前述した評価用影響度スコアと評価用興味スコアを用いて、下記式（４）により評価用影響度スコアと評価用興味スコアを重ね合わせ、評価コンテンツ１の評価スコアを求める。

同様にして、すべての提示対象コンテンツについて、評価スコアを求め、評価スコアを元にコンテンツをソートする。ソート済のコンテンツを、ソート済コンテンツスコアリスト送信部３１０に渡す。ソート済コンテンツスコアリスト送信部３１０は、ソート済み提示コンテンツリスト受信部５２０にソート済コンテンツスコアリストを送信する。

ソート済みコンテンツリスト受信部５２０は、ソート済みコンテンツリストを元に、コンテンツ送信処理部５１０にソートされたコンテンツを送り、クライアント端末４００−１のコンテンツ提示部４３０に送信する。
以上述べたように、上記実施形態では、ユーザ自身の興味と当該ユーザへの他ユーザからの影響を考慮することで、コンテンツを閲覧する際のユーザの他者からの影響度を高精度に推定することができる。これにより、ユーザに対して実際の社会生活や選択行動に近しい情報推薦サービスが実現可能となる。

なお、この発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

１００…興味分析装置、２００…影響度分析装置、３００…コンテンツスコアリング装置、４００…クライアント端末、５００…コンテンツサーバ、１１０…履歴情報受信部、１２０…興味の特徴スコア算出部、１３０…興味概念体系更新処理部、１４０…概念体系／ユーザ興味スコアデータベース、１５０…提示コンテンツリスト受信部、１６０…コンテンツデータベース、１７０…コンテンツ評価処理部、１８０…ソート済みコンテンツスコアリスト送信部、２１０…履歴情報受信部、２２０…人間関係データベース、２３０…影響度の特徴スコア算出部、２４０…各人・グループに対する影響度の概念体系更新処理部、２５０…各人・グループに対する影響度スコアを持つ影響度概念体系データベース、３１０…ソート済みコンテンツスコアリスト送信部、３２０…コンテンツ評価処理部、３３０…コンテンツデータベース、３４０…提示コンテンツリスト・オススメタグ受信部、４１０…コンテンツ提示部、４２０…履歴収集部、４３０…履歴情報転送部、４４０…コンテンツ要求送信部、４５０…オススメタグ付与部、５１０…コンテンツ送信部、５２０…ソート済みコンテンツリスト受信部、５３０…履歴情報転送部、５４０…提示コンテンツリスト入力部、５５０…提示コンテンツリスト送信部、５６０…コンテンツ要求転送部、５７０…オススメタグ入力部、５８０…オススメタグ送信部。

Claims (6)

1. コンピュータによって、複数の概念についてユーザが他ユーザから受ける影響度スコアを体系化した概念体系を用いて前記ユーザへの影響度を分析する方法であって、
   前記ユーザが複数のコンテンツを一覧として閲覧した第１のコンテンツリストと、前記第１のコンテンツリストからコンテンツの本体を閲覧した第２のコンテンツリストとをクラスタ化するステップと、
   前記クラスタ毎に、前記第１のコンテンツリストのコンテンツの総数を第１の総数とし、前記第１のコンテンツリストにおいて前記他ユーザによりお薦め情報が付与されたコンテンツが出現する数を第１の出現数とし、前記第２のコンテンツリストのコンテンツの総数を第２の総数とし、前記第２のコンテンツリストにおいて前記お薦め情報が付与されたコンテンツが出現する数を第２の出現数としたとき、前記第１の総数、前記第１の出現数、及び前記第２の総数の条件下で、前記第２のコンテンツリストに前記お薦め情報が付与されたコンテンツの出現数が、前記第２の出現数以上となる第１の確率及び前記第２の出現数以下となる第２の確率を算出し、前記第１の確率及び前記第２の確率のうちのいずれか一方をもとに標準正規分布の累積分布関数の逆関数により特徴スコアを算出する算出ステップと、
   前記クラスタ毎に算出した特徴スコアを用いて前記概念に対する前記影響度スコアを更新する更新ステップと
   を有することを特徴とする影響度分析方法。
2. 前記算出ステップにおいて、前記第１のコンテンツリストにおいて前記お薦め情報が付与され、かつ所定の概念が出現するコンテンツの数を前記第１の出現数とし、前記第２のコンテンツリストにおいて前記お薦め情報が付与され、かつ前記所定の概念が出現するコンテンツの数を前記第２の出現数とすることを特徴とする請求項１記載の影響度分析方法。
3. 前記算出ステップにおいて、前記第１のコンテンツリストにおいて前記他ユーザの属する所定の集合により前記お薦め情報が付与されたコンテンツが出現する数を前記第１の出現数とし、前記第２のコンテンツリストにおいて前記所定の集合により前記お薦め情報が付与されたコンテンツが出現する数を前記第２の出現数とすることを特徴とする請求項１記載の影響度分析方法。
4. 前記クラスタ毎に、前記第１のコンテンツリストのコンテンツの総数を第１の総数と、前記第１のコンテンツリストにおいて前記概念が出現するコンテンツの数を第１の出現数と、前記第２のコンテンツリストのコンテンツの総数を第２の総数と、前記第２のコンテンツリストにおいて前記概念が出現するコンテンツの数を第２の出現数としたとき、前記第１の総数、前記第１の出現数、及び前記第２の総数の条件下で、前記第２のコンテンツリストに前記概念が出現するコンテンツの数が、前記第２の出現数以上となる第１の確率及び前記第２の出現数以下となる第２の確率を算出し、前記第１の確率及び前記第２の確率のうちのいずれか一方をもとに標準正規分布の累積分布関数の逆関数により特徴スコアを算出するステップと、
   前記クラスタ毎に算出した特徴スコアを用いて前記概念に対する前記ユーザ興味スコアを更新するステップと、
   前記概念が出現するコンテンツについて、当該コンテンツに出現する各概念の前記ユーザ興味スコア及び前記影響度スコアを用いて、当該コンテンツに対する評価スコアを算出する評価ステップと
   をさらに有することを特徴とする請求項１乃至３のいずれかに記載の影響度分析方法。
5. 複数の概念についてユーザが他ユーザから受ける影響度スコアを体系化した概念体系を用いて前記ユーザへの影響度を分析する装置であって、
   前記ユーザが複数のコンテンツを一覧として閲覧した第１のコンテンツリストと、前記第１のコンテンツリストからコンテンツの本体を閲覧した第２のコンテンツリストとをクラスタ化する手段と、
   前記クラスタ毎に、前記第１のコンテンツリストのコンテンツの総数を第１の総数とし、前記第１のコンテンツリストにおいて前記他ユーザによりお薦め情報が付与された前記概念が出現するコンテンツの数を第１の出現数とし、前記第２のコンテンツリストのコンテンツの総数を第２の総数とし、前記第２のコンテンツリストにおいて前記お薦め情報が付与された前記概念が出現するコンテンツの数を第２の出現数としたとき、前記第１の総数、前記第１の出現数、及び前記第２の総数の条件下で、前記第２のコンテンツリストに前記お薦め情報が付与されたコンテンツの出現数が、前記第２の出現数以上となる第１の確率及び前記第２の出現数以下となる第２の確率を算出し、前記第１の確率及び前記第２の確率のうちのいずれか一方をもとに標準正規分布の累積分布関数の逆関数により特徴スコアを算出する算出手段と、
   前記クラスタ毎に算出した特徴スコアを用いて前記概念に対する前記影響度スコアを更新する更新手段と
   を有することを特徴とする影響度分析装置。
6. 請求項５に記載の影響度分析装置を構成する各手段としてコンピュータを機能させる影響度分析プログラム。

Images