JP6960838B2 - 情報提供装置、情報提供方法、およびプログラム - Google Patents

Description

本発明は、情報提供装置、情報提供方法、およびプログラムに関する。

ネットワークを介して記事が配信されている。これに関連し、内容が実質的に重複せず、かつユーザ毎の嗜好・関心に合った関連記事を、ユーザが関心を寄せる記事に関連する記事として推薦する技術が知られている（例えば、特許文献１参照）。

特開２０１０−２２４６２３号公報

しかしながら、従来の技術では、ユーザがこれまでにどういったコンテンツを閲覧したのかという行動履歴に基づいて、ユーザにとって興味関心が高いコンテンツを推奨しており、行動履歴が十分に蓄積されていないユーザについては、興味関心の高いコンテンツを推薦することができない場合があった。

本発明は、上記の課題に鑑みてなされたものであり、ユーザが興味関心を寄せると推定されるコンテンツを推薦することができる情報提供装置、情報提供方法、およびプログラムを提供することを目的としている。

本発明の一態様は、ネットワークを介して配信されるコンテンツの閲覧履歴を参照し、対象ユーザの所定期間におけるコンテンツの閲覧回数が所定数以下の場合に、少なくとも前記対象ユーザ以外のユーザの特徴に基づき前記対象ユーザの特徴の代わりとなる特徴として導出された代替特徴を取得する取得部と、前記対象ユーザの特徴または前記対象ユーザの代替特徴の少なくとも一方と、配信対象の複数のコンテンツの其々の特徴とに基づいて、前記配信対象の複数のコンテンツの中から前記対象ユーザに推薦するコンテンツを決定する決定部と、を備える情報提供装置である。

本発明の一態様によれば、ユーザが興味関心を寄せると推定されるコンテンツを推薦することができる。

第１実施形態における情報提供装置１００を含む情報提供システム１の一例を示す図である。 第１実施形態における情報提供装置１００の構成の一例を示す図である。 コンテンツベクトル情報１３４の一例を示す図である。 ユーザ情報１３６の一例を示す図である。 行動ログ１３８の一例を示す図である。 ユーザベクトル情報１４０の一例を示す図である。 情報提供装置１００による一連の処理の流れを示すフローチャートである。 レコメンドコンテンツを掲載するウェブページの一例を示す図である。 レコメンドコンテンツを掲載するウェブページの他の例を示す図である。 複数の他ユーザベクトルが存在するベクトル空間を模式的に示す図である。 実施形態の情報提供装置１００のハードウェア構成の一例を示す図である。

以下、本発明を適用した情報提供装置、情報提供方法、およびプログラムを、図面を参照して説明する。

［概要］
情報提供装置は、一以上のプロセッサにより実現される。情報提供装置は、基本機能として、ネットワークを介して配信されるコンテンツの閲覧履歴を参照し、対象ユーザの所定期間におけるコンテンツの閲覧回数が所定数を超える場合に、対象ユーザによって閲覧されたコンテンツの特徴に基づいて対象ユーザの特徴を導出し、導出した対象ユーザの特徴と、配信対象の複数のコンテンツの其々の特徴とに基づいて、配信対象の複数のコンテンツの中から対象ユーザに推薦するコンテンツを決定する機能を有する。

また、情報提供装置は、対象ユーザの所定期間におけるコンテンツの閲覧回数が所定数以下の場合に、少なくとも対象ユーザ以外のユーザの特徴に基づいて、対象ユーザの特徴の代わりとする代替特徴を導出し、導出した代替特徴と、配信対象の複数のコンテンツの其々の特徴とに基づいて、配信対象の複数のコンテンツの中から対象ユーザに推薦するコンテンツを決定する機能を有する。これによって、例えば、ユーザの特徴が全く無い（例えばゼロベクトルである）ことを前提に、単にアクセス数等でランキングしたコンテンツを提供するよりも、ユーザが興味関心を寄せると推定されるコンテンツを推薦することができる。

本実施形態におけるコンテンツは、例えば、ブログやウェブサイトなどに掲載される記事であり、テキストを含むコンテンツである。また、コンテンツは、例えば、ウェブサイトなどの媒体に広告として掲載されるテキスト、静止画像、動画像、または音声などであってもよい。

＜第１実施形態＞
［全体構成］
図１は、第１実施形態における情報提供装置１００を含む情報提供システム１の一例を示す図である。第１実施形態における情報提供システム１は、例えば、一以上の端末装置１０と、情報提供装置１００とを備える。これらの装置は、ネットワークＮＷを介して接続される。

図１に示す各装置は、ネットワークＮＷを介して種々の情報を送受信する。ネットワークＮＷは、例えば、インターネット、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）、プロバイダ端末、無線通信網、無線基地局、専用回線などを含む。なお、図１に示す各装置の全ての組み合わせが相互に通信可能である必要はなく、ネットワークＮＷは、一部にローカルなネットワークを含んでもよい。

端末装置１０は、例えば、スマートフォンなどの携帯電話、タブレット端末、各種パーソナルコンピュータなどの、入力装置、表示装置、通信装置、記憶装置、および演算装置を備える端末装置である。通信装置は、ＮＩＣ（Network Interface Card）などのネットワークカード、無線通信モジュールなどを含む。端末装置１０では、ウェブブラウザやアプリケーションプログラムなどのＵＡ（User Agent）が起動し、ユーザの入力する内容に応じたリクエストを情報提供装置１００に送信する。また、ＵＡが起動された端末装置１０は、情報提供装置１００から取得した情報に基づいて、表示装置に各種画像を表示させる。

情報提供装置１００は、例えば、ウェブブラウザからのリクエストに応じてウェブページを端末装置１０に提供するウェブサーバである。ウェブページには、上述したコンテンツが掲載される。また、情報提供装置１００は、アプリケーションプログラムからのリクエストに応じて画像や音声などのコンテンツを端末装置１０に提供するアプリサーバであってもよい。例えば、情報提供装置１００は、文書検索や画像検索といった、あるデータベースから所望のコンテンツを検索するサービス（以下、検索サービスと称する）を、ウェブサイトやアプリケーションを介して、端末装置１０を利用するユーザに提供する。

［情報提供装置の構成］
図２は、第１実施形態における情報提供装置１００の構成の一例を示す図である。図示のように、情報提供装置１００は、例えば、通信部１０２と、制御部１１０と、記憶部１３０とを備える。

通信部１０２は、例えば、ＮＩＣ等の通信インターフェースを含む。通信部１０２は、ネットワークＮＷを介して、端末装置１０と通信し、端末装置１０から各種情報を取得する。例えば、通信部１０２は、端末装置１０からログイン情報を取得する。ログイン情報とは、検索サービスを利用するためのアカウントに対応付けられたユーザＩＤ（アカウントＩＤ）やパスワードなどを含む情報である。

制御部１１０は、例えば、コンテンツベクトル生成部１１２と、ユーザベクトル生成部１１４と、レコメンドコンテンツ決定部１１６と、コンテンツ配信部１１８と、情報更新部１２０とを備える。ユーザベクトル生成部１１４は、「導出部」の一例であり、レコメンドコンテンツ決定部１１６は、「取得部」および「決定部」の一例である。

これらの構成要素は、例えば、ＣＰＵ（Central Processing Unit）などのプロセッサが記憶部１３０に格納されたプログラムを実行することにより実現される。また、制御部１１０の構成要素の一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、またはＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitry）により実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

記憶部１３０は、例えば、ＨＤＤ（Hard Disc Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などの記憶装置により実現される。記憶部１３０には、ファームウェアやアプリケーションプログラムなどの各種プログラムの他に、コンテンツ情報１３２、コンテンツベクトル情報１３４、ユーザ情報１３６、行動ログ１３８、ユーザベクトル情報１４０などが記憶される。

コンテンツ情報１３２は、各種コンテンツを含む情報である。例えば、コンテンツがニュース記事である場合、コンテンツ情報１３２は、ニュース記事に含まれるテキスト情報、画像、音声等の内容、ニュース記事の配信元や著者等の情報を含んでよい。

図３は、コンテンツベクトル情報１３４の一例を示す図である。コンテンツベクトル情報１３４は、コンテンツ情報１３２に含まれる各コンテンツがベクトル化された情報であり、例えば、各コンテンツを識別するためのコンテンツＩＤに対して、コンテンツがベクトル化されたコンテンツベクトルが対応付けられた情報である。

図４は、ユーザ情報１３６の一例を示す図である。ユーザ情報１３６は、例えば、各ユーザを識別するためのユーザＩＤ（アカウントＩＤ）に対して、ユーザ属性や、ログイン時のパスワードなどが対応付けられた情報である。ユーザ属性には、例えば、性別、年齢、居住地域、収入、職業、学歴などの、そのユーザのもつ人口統計学的な属性（デモグラフィック属性）が含まれる。これらの人口統計学的な属性は、例えば、アカウント作成時に予め登録されるものとする。また、ユーザ属性には、例えば、ユーザがログイン時に利用した端末装置１０が、スマートフォンなどの携帯電話であるのか、タブレット端末であるのか、パーソナルコンピュータであるのか、といったことを表す端末装置１０の種類や、ログイン時の曜日、時間帯などの情報が属性として含まれてもよい。

図５は、行動ログ１３８の一例を示す図である。行動ログ１３８は、ユーザによるコンテンツの閲覧履歴に基づく情報であり、例えば、各ユーザＩＤに対して、ユーザが閲覧したコンテンツのコンテンツＩＤと、所定期間におけるコンテンツの閲覧回数とが対応付けられた情報である。なお、ユーザがアカウントを新規に登録して間もない場合には、行動ログ１３８において、例えば、図中のＵＳＥＲ＿１のように、ユーザＩＤにコンテンツＩＤが対応付けられていないことがあってもよい。

図６は、ユーザベクトル情報１４０の一例を示す図である。ユーザベクトル情報１４０は、ユーザ情報１３６が示す各ユーザがベクトル化された情報であり、例えば、ユーザＩＤに対して、ユーザがベクトル化されたユーザベクトルが対応付けられた情報である。なお、行動ログ１３８において、ユーザＩＤにコンテンツＩＤが対応付けられていない場合、すなわち、新規にアカウントを登録して以降に、一度もコンテンツを閲覧していないユーザについては、そのユーザのユーザＩＤに対して、ユーザベクトルが対応付けられていない場合がある（例えば、図中のＵＳＥＲ＿１）。

コンテンツベクトル生成部１１２は、コンテンツ情報１３２に含まれる各コンテンツをベクトル化し、コンテンツベクトルを生成する。例えば、コンテンツベクトル生成部１１２は、コンテンツがニュース記事である場合、そのニュース記事をコーパスとして、Countinuous Bag-of-Wordsおよび／またはSkip-gramの学習モデルに基づいて、ニュース記事をベクトル化する。例えば、コンテンツベクトル生成部１１２は、ニュース記事を複数の形態素に分割し、その複数の形態素のうち、特定の品詞（名詞など）を、Countinuous Bag-of-WordsおよびSkip-gramの双方の学習モデルを適用したニューラルネットワーク（例えばword2vec）に単語として入力することで、そのニューラルネットワークから出力される各単語の単語ベクトルを取得する。そして、コンテンツベクトル生成部１１２は、各単語に対応した複数の単語ベクトルの和を正規化（例えば単語数で除算）した値を、単語の抽出元であるニュース記事のベクトル（コンテンツベクトルの一例）として導出する。

また、コンテンツベクトル生成部１１２は、Bag-of-Words単体や、Global Vector Prediction（GloVe）などの学習モデルを利用して、各ニュース記事をベクトル化してもよい。また、コンテンツベクトル生成部１１２は、コンテンツが静止画像や動画像である場合、例えば、畳み込みニューラルネットワークを利用して、それらコンテンツをベクトル化してよい。

コンテンツベクトル生成部１１２は、生成したコンテンツベクトルと、そのコンテンツベクトルの元となったコンテンツのコンテンツＩＤとを対応付けて、これをコンテンツベクトル情報１３４として記憶部１３０に記憶させる。なお、コンテンツをベクトル化する処理は、コンテンツベクトル生成部１１２が自ら行う代わりに、外部装置に処理を依頼することで実現されてもよい。

ユーザベクトル生成部１１４は、コンテンツベクトル情報１３４および行動ログ１３８を基に、ユーザ情報１３６に含まれる各ユーザをベクトル化し、ユーザベクトルを生成する。例えば、ユーザベクトル生成部１１４は、行動ログ１３８を参照し、ユーザＩＤごとに、ユーザが閲覧したコンテンツのコンテンツＩＤを記憶部１３０から取得する。ユーザベクトル生成部１１４は、コンテンツベクトル情報１３４を参照し、取得したコンテンツＩＤに対応したコンテンツベクトルを記憶部１３０から取得する。そして、ユーザベクトル生成部１１４は、ユーザが閲覧したコンテンツのコンテンツＩＤに対応したコンテンツベクトルの集合を、そのユーザのユーザベクトルとして導出する。図５の例の場合、行動ログ１３８によって、ユーザＩＤが「ＵＳＥＲ＿２」のユーザが、コンテンツＩＤが「ＣＯＮＴ＿６」、「ＣＯＮＴ＿１４」といったコンテンツを閲覧したことが表されている。このような場合、ユーザベクトル生成部１１４は、コンテンツベクトル情報１３４を参照し、コンテンツＩＤが「ＣＯＮＴ＿６」のコンテンツに対応したコンテンツベクトルＶ（ＣＯＮＴ＿６）と、コンテンツＩＤが「ＣＯＮＴ＿１４」のコンテンツに対応したコンテンツベクトルＶ（ＣＯＮＴ＿１４）とを少なくも取得し、これらのコンテンツベクトルを少なくとも含むベクトル集合を、ユーザＩＤが「ＵＳＥＲ＿２」のユーザのユーザベクトルとして生成する。

ユーザベクトル生成部１１４は、生成したユーザベクトルと、そのユーザベクトルの元となったユーザのユーザＩＤとを対応付けて、これをユーザベクトル情報１４０として記憶部１３０に記憶させる。なお、上述したように、行動ログ１３８において、ユーザＩＤにコンテンツＩＤが対応付けられていない場合がある。このような場合、ユーザベクトル生成部１１４は、上述した手法とは異なる手法によって、ユーザベクトルの代わりとなるベクトルを生成する。このベクトルの生成手法については、フローチャートを用いて後述する。

レコメンドコンテンツ決定部１１６は、記憶部１３０に記憶されたユーザベクトル情報１４０を参照し、ユーザベクトル生成部１１４により生成された複数のユーザベクトルのうち、対象ユーザがベクトル化されたユーザベクトル（以下、対象ユーザベクトルと称する）を記憶部１３０から取得すると共に、コンテンツベクトル生成部１１２により生成された一以上のコンテンツベクトルを記憶部１３０から取得する。

そして、レコメンドコンテンツ決定部１１６は、記憶部１３０から取得したユーザベクトルおよび一以上のコンテンツベクトルの其々との類似度に基づいて、対象ユーザに閲覧を推薦するコンテンツ（以下、レコメンドコンテンツと称する）を決定する。対象ユーザは、例えば、ログイン後に検索サービスを利用して所望の情報を検索する際に、検索窓などにクエリを入力したユーザである。対象ユーザベクトルは、「対象ユーザの特徴」の一例である。

例えば、レコメンドコンテンツ決定部１１６は、コンテンツベクトルごとに、対象ユーザベクトルとのコサイン類似度を導出し、対象ユーザベクトルとのコサイン類似度が最も大きい一つのコンテンツベクトルに対応したコンテンツを、レコメンドコンテンツに決定する。また、レコメンドコンテンツ決定部１１６は、対象ユーザベクトルとのコサイン類似度が大きい上位所定数のコンテンツベクトルの其々に対応したコンテンツの集合を、レコメンドコンテンツに決定してもよいし、対象ユーザベクトルとのコサイン類似度が閾値以上の全てのコンテンツベクトルの其々に対応したコンテンツの集合を、レコメンドコンテンツに決定してもよい。

コンテンツ配信部１１８は、通信部１０２を用いて、レコメンドコンテンツ決定部１１６によりレコメンドコンテンツとして決定された一つまたは複数のコンテンツを、対象ユーザがクエリを入力するのに利用した端末装置１０に配信する。

情報更新部１２０は、例えば、コンテンツ配信部１１８により配信されたレコメンドコンテンツが対象ユーザによって閲覧された場合、行動ログ１３８において、対象ユーザのユーザＩＤに、レコメンドコンテンツのコンテンツＩＤを新たに加えたり、閲覧時刻の古いコンテンツのコンテンツＩＤと置き換えたりすると共に、カウントしている閲覧回数をインクリメントすることで、行動ログ１３８を更新する。この際、ユーザベクトル生成部１１４は、ユーザベクトル情報１４０において、対象ユーザベクトルが存在しない場合、更新された行動ログ１３８に基づき、対象ユーザベクトルを新たに生成してよい。また、ユーザベクトル生成部１１４は、ユーザベクトル情報１４０において、対象ユーザベクトルが既に存在する場合、更新された行動ログ１３８に基づき、対象ユーザベクトルを更新してよい。

なお、情報更新部１２０は、行動ログ１３８において、対象ユーザのユーザＩＤにコンテンツＩＤが存在する場合、すなわち、対象ユーザベクトルが既に存在する場合に、対象ユーザが所定期間内にいずれのコンテンツも閲覧しなかった場合、対象ユーザの行動ログ１３８において、ユーザＩＤに対応付けられた全てのコンテンツＩＤを消去し、閲覧履歴を初期化してよい。この場合、ユーザベクトル生成部１１４は、例えば、既に生成した対象ユーザベクトルを消去してよい。

［処理フロー］
以下、情報提供装置１００による一連の処理の流れをフローチャートに即して説明する。図７は、情報提供装置１００による一連の処理の流れを示すフローチャートである。本フローチャートの処理は、例えば、通信部１０２によってログイン情報が取得された端末装置１０から、更に、コンテンツを検索するためのクエリが取得された場合に行われる。

まず、ユーザベクトル生成部１１４は、行動ログ１３８を参照し、通信部１０２によって取得されたログイン情報に含まれるユーザＩＤ、すなわち、対象ユーザのユーザＩＤに対応付けられた閲覧回数が所定数以下であるか否かを判定する（Ｓ１００）。所定数は、例えば０回である。この場合、ユーザベクトル生成部１１４は、行動ログ１３８を参照し、対象ユーザがアカウント登録後に未だコンテンツを閲覧していないユーザであるのか、或いは所定期間内にいずれのコンテンツも閲覧せず、閲覧履歴が初期化されたユーザであるのか否かを判定する。

ユーザベクトル生成部１１４によって、対象ユーザのコンテンツの閲覧回数が所定数以下でないと判定された場合、すなわち、対象ユーザがアカウント登録後に既にコンテンツを閲覧したユーザである場合、レコメンドコンテンツ決定部１１６は、ユーザベクトル情報１４０を参照し、既にユーザベクトル生成部１１４によって生成された対象ユーザベクトルを取得し、この対象ユーザベクトルと、複数のコンテンツベクトルの其々とのコサイン類似度を導出する（Ｓ１０２）。

次に、レコメンドコンテンツ決定部１１６は、ユーザベクトル生成部１１４によって、ユーザが閲覧したコンテンツに対応したコンテンツベクトルに基づき生成された複数のユーザベクトルのうち、対象ユーザベクトルと、コンテンツベクトル生成部１１２により生成された一以上のコンテンツベクトルの其々との類似度に基づいて、各コンテンツベクトルに対応した複数のコンテンツの集合の中から、対象ユーザに閲覧を推薦するレコメンドコンテンツを決定する（Ｓ１０４）。

次に、コンテンツ配信部１１８は、通信部１０２を用いて、レコメンドコンテンツ決定部１１６によりレコメンドコンテンツとして決定された一つまたは複数のコンテンツを、対象ユーザの端末装置１０に配信する（Ｓ１０６）。

一方、ユーザベクトル生成部１１４は、対象ユーザのコンテンツの閲覧回数が所定数以下であると判定した場合、すなわち、対象ユーザがアカウント登録後に未だコンテンツを閲覧していないユーザか、または所定期間内にいずれのコンテンツも閲覧せず、閲覧履歴が初期化されたユーザである場合、対象ユーザに対応した対象ユーザベクトルが存在しないことから、この対象ユーザベクトルの代わりとする代替ユーザベクトルを生成する（Ｓ１０８）。代替ユーザベクトルは、「対象ユーザの代替特徴」の一例である。

例えば、ユーザベクトル生成部１１４は、ユーザベクトル情報１４０を参照し、対象ユーザ以外のユーザのユーザベクトル（以下、他ユーザベクトルと称する）を平均した平均ベクトルを、代替ユーザベクトルとして導出する。例えば、「ＵＳＥＲ＿１」〜「ＵＳＥＲ＿５」の５つのユーザＩＤが存在し、このうち「ＵＳＥＲ＿１」が対象ユーザのユーザＩＤであったとする。このとき、対象ユーザのユーザＩＤである「ＵＳＥＲ＿１」に対応した対象ユーザベクトルＶ（ＵＳＥＲ＿１）が存在せず、その他のユーザの他ユーザベクトルＶ（ＵＳＥＲ＿２）からＶ（ＵＳＥＲ＿５）が存在する場合、ユーザベクトル生成部１１４は、数式（１）に基づいて、全ての他ユーザベクトルを用いて代替ユーザベクトルを生成してよい。数式（１）におけるＶ_Ｘは、代替ユーザベクトルを表している。

そして、ユーザベクトル生成部１１４は、生成した代替ユーザベクトルＶ_Ｘを、対象ユーザベクトルＶ（ＵＳＥＲ＿１）に置き換えることで、コンテンツを閲覧したことのない、または閲覧履歴が初期化された対象ユーザの対象ユーザベクトルを生成する。なお、ユーザベクトル生成部１１４は、複数の他ユーザベクトルの平均ベクトルを代替ユーザベクトルとして生成するのに代えて、例えば、特定の他ユーザベクトル（例えば、他の他ユーザベクトルの類似度が閾値よりも低いもの）を除いた複数の他ユーザベクトルの平均ベクトルを代替ユーザベクトルとして生成してもよいし、複数の他ユーザベクトルの重み付き平均ベクトルを代替ユーザベクトルとして生成してもよいし、複数の他ユーザベクトルの中央値となるベクトルを代替ユーザベクトルとして生成してもよいし、その他の統計量を基に、代替ユーザベクトルを生成してもよい。

また、ユーザベクトル生成部１１４は、全ての他ユーザベクトルを用いて代替ユーザベクトルＶ_Ｘを生成するのに代えて、一部の他ユーザベクトルを用いて代替ユーザベクトルＶ_Ｘを生成してもよい。

例えば、ユーザベクトル生成部１１４は、ユーザ情報１３６を参照し、対象ユーザが有する一以上の属性のうち少なくとも一部の属性と同じ属性を有する他のユーザを特定し、ユーザベクトル情報１４０に含まれる全ての他ユーザベクトルの中から、特定したユーザの他ユーザベクトルを選択する。そして、ユーザベクトル生成部１１４は、選択した他ユーザベクトルを用いて代替ユーザベクトルを生成する。

例えば、ユーザＩＤが「ＵＳＥＲ＿１」であるユーザが対象ユーザであり、対象ユーザと「性別」という属性が同じ他のユーザを特定することにした場合、図４に例示したユーザ情報１３６の中では、ユーザＩＤが「ＵＳＥＲ＿４」および「ＵＳＥＲ＿５」のユーザが特定される。このような場合、ユーザベクトル生成部１１４は、数式（２）に基づいて、他ユーザベクトルＶ（ＵＳＥＲ＿４）とＶ（ＵＳＥＲ＿５）とを平均したベクトルを、代替ユーザベクトルとして導出する。

また、ユーザベクトル生成部１１４は、対象ユーザが有するユーザ属性に対する、他のユーザが有するユーザ属性の類似度に基づいて、複数の他ユーザベクトルを平均する際の重みを決定してもよい。

例えば、図４に例示したユーザ情報１３６の中で、ユーザＩＤが「ＵＳＥＲ＿１」であるユーザを対象ユーザとし、残りのユーザＩＤが「ＵＳＥＲ＿２」〜「ＵＳＥＲ＿５」のユーザを他のユーザとした場合、ユーザベクトル生成部１１４は、数式（３）に基づいて、代替ユーザベクトルとして導出する。

数式（３）のｗ_２〜ｗ_５の其々は、各他ユーザベクトルの重みを表している。図４に例示したユーザ情報１３６において、ユーザＩＤが「ＵＳＥＲ＿２」のユーザは、少なくとも「性別」、「年齢」、「地域」について対象ユーザと一致していない。また、ユーザＩＤが「ＵＳＥＲ＿３」のユーザは、「年齢」、「地域」について対象ユーザと一致しており、「性別」について対象ユーザと一致していない。「年齢」が一致するとは、例えば、１０代、２０代、３０代、といったように年齢の下一桁を無視して１０年単位で区切ったときに同じになることである。例えば、対象ユーザの年齢は「４５歳」であり、ユーザＩＤが「ＵＳＥＲ＿３」のユーザの年齢は「４０歳」であるため、これらのユーザの「年齢」の属性は一致することになる。また、ユーザＩＤが「ＵＳＥＲ＿４」のユーザは、「性別」について対象ユーザと一致しており、「年齢」、「地域」について対象ユーザと一致していない。また、ユーザＩＤが「ＵＳＥＲ＿５」のユーザは、「性別」、「年齢」について対象ユーザと一致しており、「地域」について対象ユーザと一致していない。

このような場合、ユーザベクトル生成部１１４は、３つのユーザ属性のうち、対象ユーザと２つの属性が一致するユーザの他ユーザベクトルＶ（ＵＳＥＲ＿３）の重みｗ_３、および他ユーザベクトルＶ（ＵＳＥＲ＿５）の重みｗ_５を最も大きくし、対象ユーザと１つの属性が一致するユーザの他ユーザベクトルＶ（ＵＳＥＲ＿４）の重みｗ_４を、重みｗ_３または重みｗ_５よりも小さくし、対象ユーザといずれも属性が一致しないユーザの他ユーザベクトルＶ（ＵＳＥＲ＿２）の重みｗ_２を最も小さくしてよい。

次に、レコメンドコンテンツ決定部１１６は、ユーザベクトル生成部１１４により対象ユーザベクトルとして生成された代替ユーザベクトルと、複数のコンテンツベクトルの其々とのコサイン類似度を導出する（Ｓ１１０）。そして、レコメンドコンテンツ決定部１１６は、Ｓ１０４の処理に進み、代替ユーザベクトルとの類似度が大きい一以上のコンテンツベクトルの其々に対応するコンテンツを、レコメンドコンテンツに決定する。これによって本フローチャートの処理が終了する。なお、上述したフローチャートの説明では、代替ユーザベクトルの生成処理（Ｓ１０８）と、レコメンドコンテンツの決定処理（Ｓ１０４）とが、一連の同じ処理の流れの中で行われるものとして説明したがこれに限られない。例えば、代替ユーザベクトルの生成処理と、レコメンドコンテンツの決定処理とは、互いに独立して行われてもよい。この場合、レコメンドコンテンツの決定時には、事前に代替ユーザベクトルが生成されているものとする。すなわち、レコメンドコンテンツ決定部１１６は、Ｓ１０８の処理において、記憶部１３０から既に生成された代替ユーザベクトルを取得するものとする。

図８は、レコメンドコンテンツを掲載するウェブページの一例を示す図である。例えば、コンテンツ配信部１１８は、対象ユーザが入力したクエリに対応したウェブページの一部領域（図中Ｒａ）に一以上のレコメンドコンテンツを掲載させ、このウェブページを、対象ユーザの端末装置１０に提供することで、レコメンドコンテンツを配信してよい。

以上説明した第１実施形態によれば、ネットワークを介して配信される一以上のコンテンツの閲覧履歴のうち、対象ユーザの行動ログ１３８に含まれるコンテンツの閲覧回数が所定数を超える場合に、対象ユーザが閲覧した一以上のコンテンツの其々の特徴を示すコンテンツベクトルに基づいて、対象ユーザの特徴を示す対象ユーザベクトルを生成し、対象ユーザのコンテンツの閲覧履歴に含まれる所定期間におけるコンテンツの閲覧回数が所定数以下の場合に、対象ユーザ以外の一以上のユーザの特徴を示す他ユーザベクトルに基づいて、対象ユーザベクトルの代わりとする代替ユーザベクトルを生成するユーザベクトル生成部１１４と、ユーザベクトル生成部１１４により生成された対象ユーザベクトルまたは代替ユーザベクトルの少なくとも一方と、一以上のコンテンツの其々に対応したコンテンツベクトルとに基づいて、一以上のコンテンツの集合の中から対象ユーザに推薦するレコメンドコンテンツを決定するレコメンドコンテンツ決定部１１６と、を備えることによって、ユーザが興味関心を寄せると推定されるコンテンツを推薦することができる。

例えば、本実施形態のように、対象ユーザ以外のユーザのユーザベクトルを利用してレコメンドコンテンツを決定しない場合、一般的に、ユーザの行動履歴に依らないモストポピュラーと呼ばれる、その時点で最もページビュー数などが多い人気のコンテンツが優先的に配信されたり、新着順にコンテンツが配信されたりしている。しかしながら、新着コンテンツは、ユーザに閲覧された実績が乏しいことから、配信優先度の上位にランキングされず、レコメンドコンテンツとして配信されない。これに対して、本実施形態のように、対象ユーザ以外のユーザのユーザベクトルの平均ベクトルなどを利用してニュース記事や広告などのレコメンドコンテンツを決定する場合、結果として、人気のコンテンツが配信される可能性があるが、新着コンテンツのように、ユーザに閲覧された実績が乏しいコンテンツであっても、レコメンドコンテンツとして配信することができる。

＜第２実施形態＞
以下、第２実施形態について説明する。第２実施形態では、ユーザベクトル生成部１１４が、対象ユーザの閲覧回数が所定数を超える場合であっても代替ユーザベクトルを生成する点で上述した第１実施形態と相違する。以下、第１実施形態との相違点を中心に説明し、第１実施形態と共通する点については説明を省略する。なお、第２実施形態の説明において、第１実施形態と同じ部分については同一符号を付して説明する。

第２実施形態におけるユーザベクトル生成部１１４は、対象ユーザの閲覧回数が所定数を超えた場合に、上述した第１実施形態と同様に、他のユーザの他ユーザベクトルに基づいて代替ユーザベクトルを生成する。そして、ユーザベクトル生成部１１４は、他ユーザベクトルに基づく代替ユーザベクトルと、対象ユーザについて既に生成したことのある対象ユーザベクトルとに基づいて、対象ユーザベクトルの代わりとする新たな代替ユーザベクトルを生成する。既に生成した対象ユーザベクトルとは、例えば、対象ユーザが閲覧した一以上のコンテンツの其々に対応したコンテンツベクトルの集合ベクトルである。

例えば、ユーザベクトル生成部１１４は、数式（４）に基づいて、ある対象ユーザｋの対象ユーザベクトルの代わりとする、新たな代替ユーザベクトルＶｘ＃を生成する。新たな代替ユーザベクトルＶｘ＃は、「代替特徴」の他の例である。

数式（４）のλは、対象ユーザｋを除く他のユーザの他ユーザベクトルに基づいて生成された代替ユーザベクトルＶ_Ｘの重みを表し、（１−λ）は、既に生成された対象ユーザｋの対象ユーザベクトルＶ（ＵＳＥＲ＿ｋ）の重みを表している。例えば、重みλは、対象ユーザｋのコンテンツの閲覧回数が多くなるほど大きくなり、閲覧回数が少なくなるほど小さくなる。すなわち、ユーザベクトル生成部１１４は、代替ユーザベクトルＶ_Ｘと対象ユーザベクトルＶ（ＵＳＥＲ＿ｋ）との重み付き平均を導出する際に、対象ユーザｋのコンテンツの閲覧回数が多くなるほど、新たな代替ユーザベクトルＶｘ＃に対する既存の対象ユーザベクトルＶ（ＵＳＥＲ＿ｋ）の寄与度を大きくし、対象ユーザｋのコンテンツの閲覧回数が少なくなるほど、新たな代替ユーザベクトルＶｘ＃に対する代替ユーザベクトルＶ_Ｘの寄与度を大きくする。

例えば、図５に例示した行動ログ１３８において、ユーザＩＤが「ＵＳＥＲ＿３」のユーザが対象ユーザである場合、この対象ユーザは、ユーザＩＤが「ＵＳＥＲ＿１」のユーザ以外のユーザと比べて閲覧回数が著しく少ない。このような場合、対象ユーザが閲覧したコンテンツ数が少ないことから、対象ユーザの対象ユーザベクトルＶ（ＵＳＥＲ＿３）が、その対象ユーザの特徴や性質などを表すベクトルとして十分な信頼性をもっていないことが想定される。従って、ユーザベクトル生成部１１４は、閲覧回数が少なく、対象ユーザベクトルが対象ユーザの特徴や性質などを表すベクトルとしての信頼性が低い場合には、他ユーザベクトルの平均ベクトルとして生成した代替ユーザベクトルＶ_Ｘの寄与度を大きくし、閲覧回数が多くなるにつれて代替ユーザベクトルＶ_Ｘの寄与度を低下させながら既存の対象ユーザベクトルＶ（ＵＳＥＲ＿ｋ）の寄与度を大きくしていく。

第２実施形態におけるレコメンドコンテンツ決定部１１６は、ユーザベクトル生成部１１４により新たな代替ユーザベクトルＶｘ＃として生成された、過去の代替ユーザベクトルＶｘおよび既存の対象ユーザベクトルＶ（ＵＳＥＲ＿ｋ）の平均ベクトルと、複数のコンテンツベクトルの其々との類似度を導出し、平均ベクトルとの類似度が大きいコンテンツベクトに対応した一以上のコンテンツを、レコメンドコンテンツに決定する。

以上説明した第２実施形態によれば、対象ユーザが過去にコンテンツを閲覧した回数が少ないほど重みを大きくし、コンテンツを閲覧した回数が多いほど重みを小さくした、コンテンツベクトルの集合和である対象ユーザベクトルと、対象ユーザベクトルの代わりとして生成された他ユーザベクトルの平均ベクトルである代替ユーザベクトルとの平均ベクトル（すなわち新たな代替ユーザベクトルＶｘ＃）を生成し、この平均ベクトルと各コンテンツベクトルとの類似度を求め、平均ベクトルとの類似度が大きいコンテンツベクトルに対応した一以上のコンテンツを、レコメンドコンテンツに決定するため、例えば、対象ユーザがアカウントを登録してから十分な時間が経過しておらず、対象ユーザベクトルを生成するのに利用するコンテンツベクトルの数が十分でない場合であっても、その他大勢のユーザが過去に閲覧したコンテンツの傾向を考慮して、対象ユーザが興味関心を寄せると推定されるコンテンツを推薦することができる。

＜第３実施形態＞
以下、第３実施形態について説明する。第３実施形態では、対象ユーザが閲覧した一以上のコンテンツの其々に対応した複数のコンテンツベクトルの集合和である対象ユーザベクトルと、対象ユーザベクトルの代わりとして生成された他ユーザベクトルの平均ベクトルである代替ユーザベクトルとの其々について、コンテンツベクトルとの類似度を求め、それらに対してレコメンドコンテンツを決定する点で上述した第１および第２実施形態と相違する。以下、第１および第２実施形態との相違点を中心に説明し、第１および第２実施形態と共通する点については説明を省略する。なお、第３実施形態の説明において、第１および第２実施形態と同じ部分については同一符号を付して説明する。

第３実施形態におけるユーザベクトル生成部１１４は、対象ユーザが閲覧した一以上のコンテンツの其々に対応した複数のコンテンツベクトルの集合ベクトルを、対象ユーザベクトルとして生成すると共に、この対象ユーザベクトルの代わりとして、他ユーザベクトルの平均ベクトルを代替ユーザベクトルとして生成する。

第３実施形態におけるレコメンドコンテンツ決定部１１６は、ユーザベクトル生成部１１４により生成された、複数のコンテンツベクトルの集合ベクトルである対象ユーザベクトル、および他ユーザベクトルの平均ベクトルである代替ユーザベクトルの計２つのベクトルの其々について、コンテンツベクトルとの類似度を導出する。すなわち、レコメンドコンテンツ決定部１１６は、コンテンツの閲覧回数が十分であり、信頼性の高いユーザベクトルが生成されている場合でも、その他大勢のユーザのユーザベクトルの平均である代替ユーザベクトルを用いて、コンテンツベクトルとの類似度を導出する。

そして、レコメンドコンテンツ決定部１１６は、対象ユーザベクトルとの類似度が大きい一以上のコンテンツベクトルの其々に対応したコンテンツを、１種類目のレコメンドコンテンツに決定し、代替ユーザベクトルとの類似度が大きい一以上のコンテンツベクトルの其々に対応したコンテンツを、２種類目のレコメンドコンテンツに決定する。

第３実施形態におけるコンテンツ配信部１１８は、通信部１０２を用いて、レコメンドコンテンツ決定部１１６により決定された２種類のレコメンドコンテンツを、対象ユーザの端末装置１０に配信する。

図９は、レコメンドコンテンツを掲載するウェブページの他の例を示す図である。例えば、コンテンツ配信部１１８は、対象ユーザが入力したクエリに対応したウェブページの領域の互いに異なる２つの領域（図中Ｒｂ、Ｒｃ）の其々に、１種類のレコメンドコンテンツを掲載させ、このウェブページを、対象ユーザの端末装置１０に提供することで、レコメンドコンテンツを配信してよい。

例えば、複数のコンテンツベクトルの集合ベクトルである対象ユーザベクトルに対応した１種類目のレコメンドコンテンツの場合、このレコメンドコンテンツが掲載される領域Ｒｂには、レコメンドコンテンツと共に、「あなたにおすすめのコンテンツ」といったような、レコメンドコンテンツが対象ユーザに対して推薦するものであることを示す文字などが表示されてよい。また、他ユーザベクトルの平均ベクトルである代替ユーザベクトルに対応した２種類目のレコメンドコンテンツの場合、このレコメンドコンテンツが掲載される領域Ｒｃには、レコメンドコンテンツと共に、「他のユーザにおすすめしたコンテンツ」といったような、レコメンドコンテンツが他のユーザに対して推薦したものであることを示す文字などが表示されてよい。なお、上述した例では、対象ユーザベクトルに対応した１種類目のレコメンドコンテンツと、代替ユーザベクトルに対応した２種類目のレコメンドコンテンツとを区別して表示されるものとして説明したがこれに限られず、これらの２種類のレコメンドコンテンツは区別なく互いに入り混じって表示されてもよい。

以上説明した第３実施形態によれば、複数のコンテンツベクトルの集合ベクトルである対象ユーザベクトル、および他ユーザベクトルの平均ベクトルである代替ユーザベクトルの計２つのベクトルの其々について、コンテンツベクトルとの類似度を導出し、対象ユーザベクトルとの類似度に基づきレコメンドコンテンツを決定すると共に、代替ユーザベクトルとの類似度に基づきレコメンドコンテンツを決定するため、対象ユーザが興味関心を寄せると推定されるコンテンツと、その他大勢のユーザが興味関心を寄せると推定されるコンテンツとの双方を対象ユーザの端末装置１０に配信することができる。

＜第４実施形態＞
以下、第４実施形態について説明する。第４実施形態では、複数の他ユーザベクトルを、これらのユーザベクトルの基底となる基底ベクトル（すなわちコンテンツベクトル）によって張られたベクトル空間に点在させ、そのベクトル空間において密集している他ユーザベクトルのみを用いて、代替ユーザベクトルを生成する点で上述した第１から第３実施形態と相違する。以下、第１から第３実施形態との相違点を中心に説明し、第１から第３実施形態と共通する点については説明を省略する。なお、第４実施形態の説明において、第１から第３実施形態と同じ部分については同一符号を付して説明する。

図１０は、複数の他ユーザベクトルが存在するベクトル空間を模式的に示す図である。図示の例では、説明を簡略化するために、二次元のベクトル空間を模式的に示している。例えば、第４実施形態におけるユーザベクトル生成部１１４は、ベクトル空間Ｓ_ａ内に点在した複数の他ユーザベクトル同士の距離を求め、ある一定の距離以内に存在する他ユーザベクトル同士をクラスタリングする。他ユーザベクトルの距離は、例えば、コサイン類似度によって表されてよい。ユーザベクトル生成部１１４は、複数の他ユーザベクトルの集合をクラスタリングした一以上のクラスタのうち、最も他ユーザベクトルの数が多いクラスタが存在する部分空間Ｓ_ｂを、ベクトル空間Ｓ_ａから抽出する。そして、ユーザベクトル生成部１１４は、抽出した部分空間Ｓ_ｂに含まれる複数の他ユーザベクトルの平均ベクトル、すなわち、部分空間Ｓ_ｂの重心ベクトルを、代替ユーザベクトルとして導出する。

以上説明した第４実施形態によれば、ベクトル空間において密集している他ユーザベクトルのみを用いて代替ユーザベクトルを生成するため、対象ユーザ以外の複数のユーザの中で、相対的に興味や関心が他のユーザとかけ離れているユーザのユーザベクトルを除外した上で、代替ユーザベクトルと、コンテンツベクトルとの類似度を求めることができる。この結果、対象ユーザが興味関心を寄せると推定されるコンテンツを、より精度よく決定することができる。

＜ハードウェア構成＞
上述した実施形態の情報提供装置１００は、例えば、図１１に示すようなハードウェア構成により実現される。図１１は、実施形態の情報提供装置１００のハードウェア構成の一例を示す図である。

情報提供装置１００は、ＮＩＣ１００−１、ＣＰＵ１００−２、ＲＡＭ１００−３、ＲＯＭ１００−４、フラッシュメモリやＨＤＤなどの二次記憶装置１００−５、およびドライブ装置１００−６が、内部バスあるいは専用通信線によって相互に接続された構成となっている。ドライブ装置１００−６には、光ディスクなどの可搬型記憶媒体が装着される。二次記憶装置１００−５、またはドライブ装置１００−６に装着された可搬型記憶媒体に格納されたプログラムがＤＭＡコントローラ（不図示）などによってＲＡＭ１００−３に展開され、ＣＰＵ１００−２によって実行されることで、制御部１１０が実現される。制御部１１０が参照するプログラムは、ネットワークＮＷを介して他の装置からダウンロードされてもよい。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何ら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内において種々の変形及び置換を加えることができる。

１…情報提供システム、１０…端末装置、１００…情報提供装置、１０２…通信部、１１０…制御部、１１２…コンテンツベクトル生成部、１１４…ユーザベクトル生成部、１１６…レコメンドコンテンツ決定部、１１８…コンテンツ配信部、１２０…情報更新部、１３０…記憶部

Claims (15)

1. ネットワークを介して配信されるコンテンツの閲覧履歴を参照し、対象ユーザの所定期間におけるコンテンツの閲覧回数が所定数以下の場合に、少なくとも前記対象ユーザ以外のユーザの特徴に基づいて、前記対象ユーザの特徴の代わりとなる代替特徴を導出する導出部と、
   前記対象ユーザの特徴または前記対象ユーザの代替特徴の少なくとも一方と、配信対象の複数のコンテンツの其々の特徴とに基づいて、前記配信対象の複数のコンテンツの中から前記対象ユーザに推薦するコンテンツを決定する決定部と、を備え、
   前記導出部は、更に、前記コンテンツの閲覧履歴を参照して、前記対象ユーザの所定期間におけるコンテンツの閲覧回数が所定数を超える場合に、前記対象ユーザによって閲覧されたコンテンツの特徴に基づいて前記対象ユーザの特徴を導出する、
   情報提供装置。
2. ネットワークを介して配信されるコンテンツの閲覧履歴を参照し、対象ユーザの所定期間におけるコンテンツの閲覧回数が所定数以下の場合に、少なくとも前記対象ユーザ以外のユーザの特徴に基づいて、前記対象ユーザの特徴の代わりとなる代替特徴を導出する導出部と、
   前記対象ユーザの特徴または前記対象ユーザの代替特徴の少なくとも一方と、配信対象の複数のコンテンツの其々の特徴とに基づいて、前記配信対象の複数のコンテンツの中から前記対象ユーザに推薦するコンテンツを決定する決定部と、を備え、
   前記導出部は、前記対象ユーザの特徴および前記対象ユーザの代替特徴の重み付き平均を、前記対象ユーザの代替特徴として導出する、
   情報提供装置。
3. 前記導出部は、前記対象ユーザ以外のユーザの特徴に対する統計量を、前記対象ユーザの代替特徴として導出する、
   請求項１又は２に記載の情報提供装置。
4. 前記導出部は、
   前記対象ユーザ以外のユーザの特徴の中から、前記対象ユーザの属性と合致する属性が付与されているユーザの特徴を選択し、
   前記選択したユーザの特徴に基づいて、前記代替特徴を導出する、
   請求項１から３のうちいずれか１項に記載の情報提供装置。
5. 前記導出部は、
   前記対象ユーザの属性に対する、前記対象ユーザ以外のユーザの属性の類似度に基づいて、前記対象ユーザ以外のユーザの特徴に重み付けし、
   前記重み付けした前記対象ユーザ以外のユーザの特徴に基づいて、前記対象ユーザの代替特徴を導出する、
   請求項１から４のうちいずれか１項に記載の情報提供装置。
6. 前記導出部は、前記類似度が大きいほど重みを大きくする、
   請求項５に記載の情報提供装置。
7. 前記導出部は、更に、前記対象ユーザ以外のユーザの特徴および前記対象ユーザの特徴に基づいて、前記対象ユーザの代替特徴を導出する、
   請求項１から６のうちいずれか１項に記載の情報提供装置。
8. 前記決定部は、前記導出部により前記対象ユーザ以外のユーザの特徴および前記対象ユーザの特徴に基づき導出された代替特徴と、前記配信対象の複数のコンテンツの其々の特徴とに基づいて、前記配信対象の複数のコンテンツの中から前記対象ユーザに推薦するコンテンツを決定する、
   請求項７に記載の情報提供装置。
9. 前記導出部は、前記対象ユーザの所定期間におけるコンテンツの閲覧回数が少ないほど、前記対象ユーザの特徴の重みを小さくする、
   請求項２に記載の情報提供装置。
10. 前記決定部は、更に、前記対象ユーザの特徴と、前記配信対象の複数のコンテンツの其々の特徴とに基づいて、前記配信対象の複数のコンテンツの中から前記対象ユーザに推薦するコンテンツを決定する、
    請求項１から９のうちいずれか１項に記載の情報提供装置。
11. 前記決定部により決定されたコンテンツを、前記対象ユーザの端末装置に配信する配信部を更に備える、
    請求項１から１０のうちいずれか１項に記載の情報提供装置。
12. コンピュータが、
    ネットワークを介して配信されるコンテンツの閲覧履歴を参照し、対象ユーザの所定期間におけるコンテンツの閲覧回数が所定数以下の場合に、少なくとも前記対象ユーザ以外のユーザの特徴に基づいて、前記対象ユーザの特徴の代わりとなる代替特徴を導出し、
    前記対象ユーザの特徴または前記対象ユーザの代替特徴の少なくとも一方と、配信対象の複数のコンテンツの其々の特徴とに基づいて、前記配信対象の複数のコンテンツの中から前記対象ユーザに推薦するコンテンツを決定し、
    前記コンテンツの閲覧履歴を参照して、前記対象ユーザの所定期間におけるコンテンツの閲覧回数が所定数を超える場合に、前記対象ユーザによって閲覧されたコンテンツの特徴に基づいて前記対象ユーザの特徴を導出する、
    情報提供方法。
13. コンピュータが、
    ネットワークを介して配信されるコンテンツの閲覧履歴を参照し、対象ユーザの所定期間におけるコンテンツの閲覧回数が所定数以下の場合に、少なくとも前記対象ユーザ以外のユーザの特徴に基づいて、前記対象ユーザの特徴の代わりとなる代替特徴を導出し、
    前記対象ユーザの特徴または前記対象ユーザの代替特徴の少なくとも一方と、配信対象の複数のコンテンツの其々の特徴とに基づいて、前記配信対象の複数のコンテンツの中から前記対象ユーザに推薦するコンテンツを決定し、
    前記対象ユーザの特徴および前記対象ユーザの代替特徴の重み付き平均を、前記対象ユーザの代替特徴として導出する、
    情報提供方法。
14. コンピュータに、
    ネットワークを介して配信されるコンテンツの閲覧履歴を参照し、対象ユーザの所定期間におけるコンテンツの閲覧回数が所定数以下の場合に、少なくとも前記対象ユーザ以外のユーザの特徴に基づいて、前記対象ユーザの特徴の代わりとなる代替特徴を導出させ、
    前記対象ユーザの特徴または前記対象ユーザの代替特徴の少なくとも一方と、配信対象の複数のコンテンツの其々の特徴とに基づいて、前記配信対象の複数のコンテンツの中から前記対象ユーザに推薦するコンテンツを決定させ、
    前記コンテンツの閲覧履歴を参照して、前記対象ユーザの所定期間におけるコンテンツの閲覧回数が所定数を超える場合に、前記対象ユーザによって閲覧されたコンテンツの特徴に基づいて前記対象ユーザの特徴を導出させる、
    プログラム。
15. コンピュータに、
    ネットワークを介して配信されるコンテンツの閲覧履歴を参照し、対象ユーザの所定期間におけるコンテンツの閲覧回数が所定数以下の場合に、少なくとも前記対象ユーザ以外のユーザの特徴に基づいて、前記対象ユーザの特徴の代わりとなる代替特徴を導出させ、
    前記対象ユーザの特徴または前記対象ユーザの代替特徴の少なくとも一方と、配信対象の複数のコンテンツの其々の特徴とに基づいて、前記配信対象の複数のコンテンツの中から前記対象ユーザに推薦するコンテンツを決定させ、
    前記対象ユーザの特徴および前記対象ユーザの代替特徴の重み付き平均を、前記対象ユーザの代替特徴として導出させる、
    プログラム。

Images