JP7207543B2 - 情報推薦装置、情報推薦システム、情報推薦方法及び情報推薦プログラム - Google Patents

Description

本開示は、コミュニケーション、情報通信に関する。

情報通信技術の進展により、コミュニケーション手段が多様化している。従来は電話等による音声通話が主流であったが、近年はテキストメッセージや絵文字などを利用したコミュニケーションが大幅に増加している。また、スマートフォンの普及によって、コミュニケーション形態が大きく変化し、お互いのメッセージ送受により、リアルタイムでコミュニケーションを図ることが可能となっている。さらに、膨大なコンテンツが日々生産、流通されており、利用者は自分の興味あるコンテンツを、適宜検索することによって取捨選択し、ソーシャルネットワークサービスを通じたコミュニケーションとして、取得したコンテンツをお互いに共有している。

このような背景から、客観的な情報やコンテンツはテキストメッセージを主体としてやり取りする一方で、主観的な情報や感情をより深く共有するために、対人コミュニケーションの重要性が高まっている。対人コミュニケーションでは、対話によるお互いの考えについてのやり取りが不可欠であるが、適切な話題がすぐに思いつかない場合や、話題の選択によってはお互いの対話が活性化しないことがある。このような観点から、対人コミュニケーションにおいて、適切な話題や情報を提供し、コミュニケーションを活性化する手法が必要とされている。

また、テキストメッセージを介したコミュニケーションにおいても、対話中の内容に適した知識、ニュース、話題、動画コンテンツなどの情報を提供し、コミュニケーションを促進する手法が必要とされている。膨大なコンテンツから適切な情報を検索、提供する手段として、情報推薦システム（非特許文献１）があり、１９９０年代に情報推薦システムが登場してから、種々の推薦システムが検討、実用化されている。例として、オンラインショッピング、音楽配信、映画、動画配信などのコンテンツ配信サービス等において、情報推薦システムが利用されている。情報推薦システムにおいては、協調型推薦、内容ベース型推薦、知識ベース型推薦などの手法が従来技術として知られており、より的確な推薦を行うために、各種の手法を結合させて用いたハイブリッド型アプローチが有効とされている。

非特許文献２は、混合型ハイブリッドと呼ばれるシステムであり、異なる複数の推薦システムからの提示結果を利用者に全て提示するものである。

非特許文献３は、重み付けハイブリッド化戦略と呼ばれるシステムであり、異なる複数の推薦システムからの推薦結果に対して、適切な重み付けを与えることによって、利用者に推薦結果を提示するものである。

しかしながら、主として購買への誘導を目的として開発されている従来の情報推薦技術は、対人コミュニケーションにおいて、適切な話題や情報を提供し、コミュニケーションを活性化する手法に対して適用することは、困難であった。また、購買や音楽などを対象とする従来の情報推薦技術において、複数の手法を組合せたハイブリッド処理を行うことが知られているが、対人コミュニケーションおける話題や情報提供に対してどのように適用すれば良いのか、複数の手法をどのように組合せて使用するかについては、十分に開示されていない。

非特許文献２、３に示される従来技術においては、主に広告宣伝や購買を目的とした技術であり、対人コミュニケーションへの適用を考慮していない。対人コミュニケーションにおいては、現在の会話における話題や、話題に関連するコンテンツの提案、会話が行われている状況などを勘案することが必要とされる。ここでの対人コミュニケーションとは、人対人の言語による会話や、テキストメッセージを介した対話など、広い意味でのコミュニケーション全般を指す。

「情報推薦システム入門」、田中克己・角谷和俊 監訳、共立出版、２０１２年 Ｍａｒｋｕｓ Ｚａｎｋｅｒ， Ｍａｒｋｕｓ Ａｓｃｈｉｎｇｅｒ ａｎｄ Ｍａｒｋｕｓ Ｊｅｓｓｅｎｉｔｓｃｈｎｉｇ， "Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ａ Ｃｏｌｌａｂｏｒａｔｉｖｅ ａｎｄ Ｃｏｎｓｔｒａｉｎｔ－Ｂａｓｅｄ Ｗｅｂ Ｃｏｎｆｉｇｕｒａｔｉｏｎ Ｓｙｓｔｅｍ ｆｏｒ Ｐｅｒｓｏｎａｌｉｚｅｄ Ｂｕｎｄｌｉｎｇ ｏｆ Ｐｒｏｄｕｃｔｓ ａｎｄ Ｓｅｒｖｉｃｅｓ"， ８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｅｂ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｎａｎｃｙ， Ｆｒａｎｃｅ．， ２００７ （ＬＮＣＳ， ４８３１）， ｐｐ． ２７３－２８４． Ｍａｒｋｕｓ Ｚａｎｋｅｒ ａｎｄ Ｍａｒｋｕｓ Ｊｅｓｓｅｎｉｔｓｃｈｎｉｇ， "Ｃａｓｅ－ｓｔｕｄｉｅｓ ｏｎ ｅｘｐｌｏｉｔｉｎｇ ｅｘｐｌｉｃｉｔ ｃｕｓｔｏｍｅｒ ｒｅｑｕｉｒｅｍｅｎｔｓ ｉｎ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ"， Ｕｓｅｒ Ｍｏｄｅｌｉｎｇ ａｎｄ Ｕｓｅｒ－Ａｄａｐｔｅｄ Ｉｎｔｅｒａｃｔｉｏｎ， ｖｏｌ． １９（１－２）， ２００９， ｐｐ．１３３－１６６． ＲＤＦ １．１ Ｃｏｎｃｅｐｔｓ ａｎｄ Ａｂｓｔｒａｃｔ Ｓｙｎｔａｘ， Ｗ３Ｃ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ２５ Ｆｅｂｒｕａｒｙ ２０１４， ｈｔｔｐｓ：／／ｗｗｗ．ｗ３．ｏｒｇ／ＴＲ／ｒｄｆ１１－ｃｏｎｃｅｐｔｓ／ ． ＯＷＬ ２ Ｗｅｂ Ｏｎｔｏｌｏｇｙ Ｌａｎｇｕａｇｅ Ｄｏｃｕｍｅｎｔ Ｏｖｅｒｖｉｅｗ （Ｓｅｃｏｎｄ Ｅｄｉｔｉｏｎ）， Ｗ３Ｃ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ １１ Ｄｅｃｅｍｂｅｒ ２０１２， ｈｔｔｐｓ：／／ｗｗｗ．ｗ３．ｏｒｇ／ＴＲ／ｏｗｌ２－ｏｖｅｒｖｉｅｗ／ ． ＳＰＡＲＱＬ Ｑｕｅｒｙ Ｌａｎｇｕａｇｅ ｆｏｒ ＲＤＦ． Ｗ３Ｃ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ， Ｊａｎ． ２００８． ｈｔｔｐｓ：／／ｗｗｗ．ｗ３．ｏｒｇ／ＴＲ／ｒｄｆ－ｓｐａｒｑｌ－ｑｕｅｒｙ／ ＳＰＩＮ （ＳＰＡＲＱＬ Ｉｎｆｅｒｅｎｃｅ Ｎｏｔａｔｉｏｎ）． ｈｔｔｐ：／／ｓｐｉｎｒｄｆ．ｏｒｇ／

本開示は、利用者の会話中の状況をコンテキストとして認識し、状況に適したアイテムを提示可能にすることを目的とする。

上記目的を達成するために、本開示は、レコメンドアイテムとコミュニケーションコンテキストが紐付けられているナレッジベースを用意し、利用者の会話におけるキーワードを抽出し、ナレッジベースを参照してキーワードから会話に適したコミュニケーションコンテキストを抽出し、該コミュニケーションコンテキストに基づいて検索したレコメンドアイテムを利用者に提示する。

具体的には、本開示に係る情報推薦装置は、
利用者の会話から話題となっているキーワードを抽出するコンテキスト抽出モジュールと、
キーワードを含むコミュニケーションコンテキストが紐付けられているレコメンドアイテムを格納しているナレッジベースを参照し、抽出されたキーワードに紐付けられているレコメンドアイテム及びコミュニケーションコンテキストを抽出し、抽出されたコミュニケーションコンテキストのなかから前記話題に類似するコミュニケーションコンテキストを選択する、類似性判断モジュールと、
選択されたコミュニケーションコンテキストに紐付けられているレコメンドアイテムを前記ナレッジベースから取得する情報検索モジュールと、
を備える。

具体的には、本開示に係る情報推薦システムは、
本開示に係る情報推薦装置と、
前記レコメンドアイテムとなり得るコンテンツを収集するレコメンドアイテム収集モジュールと、
前記レコメンドアイテム収集モジュールで収集されたコンテンツからキーワードを抽出し、抽出されたキーワードを当該コンテンツのコミュニケーションコンテキストに紐付けして前記ナレッジベースに格納するコミュニケーションコンテキストラベル抽出モジュールと、
を備える。

具体的には、本開示に係る情報推薦方法は、本開示に係る情報推薦装置が、
会話において話題となっているキーワードを抽出し、
キーワードを含むコミュニケーションコンテキストが紐付けられているレコメンドアイテムを格納しているナレッジベースを参照し、抽出されたキーワードに紐付けられているレコメンドアイテム及びコミュニケーションコンテキストを抽出し、
抽出されたコミュニケーションコンテキストのなかから前記話題に類似するコミュニケーションコンテキストを選択し、
選択されたコミュニケーションコンテキストに紐付けられているレコメンドアイテムを前記ナレッジベースから取得する。

具体的には、本開示に係る情報推薦プログラムは、本開示に係る方法に備わる各ステップをコンピュータに実行させるためのプログラムであり、本開示に係る装置に備わる各機能部としてコンピュータを実現させるためのプログラムである。

本開示によれば、利用者の会話中の状況をコンテキストとして認識し、状況に適したアイテムを提示することができる。

本開示の第１のシステムのモジュール構成の一例である。 本開示の第２のシステムのモジュール構成の一例である。 コンテキストとレコメンドアイテムの処理手法の一例である。 レコメンドアイテム生成処理手順例の第１例である。 レコメンドアイテム生成処理手順例の第２例である。 レコメンドアイテムとコンテキストの処理例を示す。 レコメンドアイテムとコンテキストデータの構造例を示す。 レコメンドアイテムとコンテキストデータのインスタンス図の一例である。 レコメンドアイテムのインスタンス表現の一例である。 レコメンドアイテム検索ルールの記述例を示す。 キーワードのインスタンス表現の一例である。 キーワード連携検索ルールの記述例を示す。 本開示のハードウェア構成の一例を示す。

以下、本開示の実施形態について、図面を参照しながら詳細に説明する。なお、本開示は、以下に示す実施形態に限定されるものではない。これらの実施の例は例示に過ぎず、本開示は当業者の知識に基づいて種々の変更、改良を施した形態で実施することができる。なお、本明細書及び図面において符号が同じ構成要素は、相互に同一のものを示すものとする。

（モジュール構成）
図１に、本開示に係る第１のシステムのモジュール構成図を示す。本開示のシステムは、ナレッジベース１３、コンテキスト抽出モジュール２４、類似性判断モジュール３１、情報検索モジュール３２を備える。

図２に、本開示に係る第２のシステムのモジュール構成図を示す。本開示の第２のシステムは、第１のシステムに加え、更にレコメンドアイテム収集モジュール１１及びコミュニケーションコンテキストラベル抽出モジュール１２を備える。また、コンテキスト抽出モジュール２４が、汎用コンテキスト抽出モジュール２２及び話題コンテキスト抽出モジュール２３を備える。以下、本開示の各構成について説明する。

ナレッジベース１３は、予め用意されているデータベースであり、利用者９４に対するレコメンドアイテムとコンテキストのセットが格納されている。本開示は、コンテキスト抽出モジュール２４が話題となっているキーワードを抽出し、類似性判断モジュール３１がキーワードを用いて話題に適したコミュニケーションコンテキストをナレッジベース１３から抽出し、情報検索モジュール３２が抽出したコミュニケーションコンテキストを用いて情報検索を行う。

ここで、コンテキスト抽出モジュール２４の抽出するキーワードは、感情などの会話中の状況を表すキーワードを含んでいてもよい。これにより、類似性判断モジュール３１は、会話中の状況に適したコミュニケーションコンテキストを抽出することができる。コミュニケーションコンテキストの抽出は、会話のキーワードからに限らない。例えば、図２に示す汎用コンテキスト抽出モジュール２２を用意することで、任意のセンサ９１からの情報を用いることができる。以下、図２に示すシステム構成を参照しながら、本開示のシステムについて説明する。

レコメンドアイテムは、会話の参加者の少なくとも一人に対するものであり、２以上の利用者で共用していてもよい。２以上の利用者で共用している場合、ナレッジベース１３は、利用者９４を識別するためのユーザプロファイルをさらに格納していてもよい。これにより、利用者９４に適したレコメンドアイテムを提供することができる。

本開示のシステムは、ナレッジベース１３にレコメンドアイテムとコミュニケーションコンテキストのセットを格納するために、レコメンドアイテム収集モジュール１１及びコミュニケーションコンテキストラベル抽出モジュール１２を備える。レコメンドアイテム収集モジュール１１は、レコメンドアイテムとなり得るコンテンツをインターネットなどから自動的に収集する。レコメンドアイテムは、ネットワーク９５から取得可能な任意のコンテンツであり、例えば、ニュース又は動画、或いはこれらにリンクされたアドレスである。収集したレコメンドアイテムは、コミュニケーションコンテキストラベル抽出モジュール１２に送られる。コミュニケーションコンテキストラベル抽出モジュール１２は、レコメンドアイテムのコミュニケーションコンテキストを判定し、レコメンドアイテムに関連付けられたコンテキストラベルと共に、レコメンドアイテムをナレッジベース（Ｋｎｏｗｌｅｄｇｅ Ｂａｓｅ；ＫＢ）１３に格納する。

ここで、コミュニケーションコンテキストラベル抽出モジュール１２における、レコメンドアイテムへのコンテキストラベルは、任意の方法を用いることができる。例えば、ＲＤＦ（Ｒｅｓｏｕｒｃｅ Ｄｅｓｃｒｉｐｔｉｏｎ Ｆｒａｍｅｗｏｒｋ）とＯＷＬ（Ｗｅｂ Ｏｎｔｏｌｏｇｙ Ｌａｎｇｕａｇｅ）に基づくオントロジに従った、構造化データを用いることができる。（非特許文献４、５）また、ナレッジベース１３では、ＳＰＩＮ（ＳＰＡＲＱＬ Ｉｎｆｅｒｅｎｃｉｎｇ Ｎｏｔａｔｉｏｎ）に基づいたコンテキストルールを合わせて格納してもよい。（非特許文献６、７）

システム利用者９４の周辺にはセンサ９１、ディスプレイなどの表示デバイス９３、スマートフォン等の利用者端末９２等が配置されている。センサ９１は、１以上の任意のセンサであり、マイク、カメラ、時計、温度計を含む。センサ入出力モジュール２１は、センサ９１からの情報を取得し、必要な情報を汎用コンテキスト抽出モジュール２２及び話題コンテキスト抽出モジュール２３へ送出する。

例えば、センサ９１がシステム利用者９４の音声データを取得するマイクである場合、センサ入出力モジュール２１は、音声データをテキストデータに変換して話題コンテキスト抽出モジュール２３に出力する。このとき、センサ入出力モジュール２１は、音声データを音量、音質、周波数成分といった特徴量に変換し、汎用コンテキスト抽出モジュール２２に出力してもよい。センサ９１がシステム利用者９４の表情を撮像するカメラである場合、センサ入出力モジュール２１は、画像データを汎用コンテキスト抽出モジュール２２に出力する。

汎用コンテキスト抽出モジュール２２は、センサ入出力モジュール２１で得たセンサ情報から時刻情報、環境情報、利用者の位置情報、利用者の表情や視聴メディアなどの映像情報、感情分析カテゴリ、感情分析スコア等の汎用コンテキストを抽出する。例えば、汎用コンテキスト抽出モジュール２２は、音量、音質及び周波数成分を含む音声データから得られる特徴量、並びに画像に含まれるユーザの表情、の少なくともいずれかを用いて、汎用コンテキストの一つである感情カテゴリ及び感情分析スコアを抽出する。話題コンテキスト抽出モジュール２３は、利用者の会話から、現在の会話の話題を表す話題コンテキストを抽出する。汎用コンテキスト抽出モジュール２２及び話題コンテキスト抽出モジュール２３によって得られたコンテキストは、類似性判断モジュール３１に送出される。

類似性判断モジュール３１は、受信した話題コンテキストに含まれる複数のキーワードから話題に適したキーワードを抽出し、ナレッジベース１３へ照会し、キーワードが含まれているコミュニケーションコンテキストのなかから話題コンテキストに類似したコミュニケーションコンテキストのリストである類似コンテキストを取得することができる。類似性判断モジュール３１は、ナレッジベース１３から取得した類似コンテキストを判別し、必要であると判断された類似コンテキストをコンテキストラベルに有するレコメンドアイテムの取得要求を、情報検索モジュール３２に対して行う。

例えば、昨日見に行った映画の話をユーザＡがユーザＢにしている場合、「昨日の夜、渋谷に映画を見に行って、スター・ウォーズなんだけどね。。」との会話文には、「昨日」「渋谷」「映画」「スター・ウォーズ（映画のタイトル）」といった４つのキーワードが含まれる。「昨日」は「日時」の下位コンテキストに属し、「渋谷」は「地名」の下位コンテキストに属し、「スター・ウォーズ（映画のタイトル）」は「映画」の下位コンテキストに属する。この場合、類似性判断モジュール３１は、いつどこで映画を見たか、については現在の話題の中心ではないと推察し、「昨日」「渋谷」という日時と地名に属するキーワードは現在のコミュニケーションコンテキストとしては類似性が低いものと判断する。その結果、類似性判断モジュール３１は、「映画」「スター・ウォーズ（映画のタイトル）」の２つを現在のコミュニケーションコンテキストとの類似性が高いものと判断し、ナレッジベース１３に対してこれらの類似コンテキストの検索を要求する。

その後、ユーザＡとユーザＢとが映画に関する話題で会話を続けた後、話題が転換し、ユーザＢが、「渋谷と言えば、マークシティに７月オープン予定のカフェがあって、そこに今度行きたいと思っているんだけど。。」といった会話に話題が移った場合、この会話文から、「渋谷」「マークシティ」「７月」「カフェ」といった４つのキーワードが抽出される。「渋谷」は「地名」の下位コンテキストに属し、「マークシティ」「カフェ」は「場所」の下位コンテキストに属し、「７月」は「日時」の下位コンテキストに属する。この場合、類似性判断モジュール３１は、日時については現在の話題の中心ではないと推察し、「７月」という日時に属するキーワードは現在のコミュニケーションコンテキストとしては類似性が低いものと判断する。その結果、類似性判断モジュール３１は、「地名」と「場所」を上位コンテキストとして有する「渋谷」「マークシティ」「カフェ」の３つを現在のコミュニケーションコンテキストとの類似性が高いものと判断し、ナレッジベース１３に対してこれらの類似コンテキストの検索を要求する。

情報検索モジュール３２は、取得要求に適合したレコメンドアイテムを検索するため、ナレッジベース１３、及びネットワーク９５の少なくともいずれかへ照会する。情報検索モジュール３２は、検索結果として得られたレコメンドアイテムを、レコメンドアイテム出力モジュール３３へ送出する。レコメンドアイテム出力モジュール３３は、情報検索モジュール３２から得られたレコメンドアイテムを、表示デバイス９３や利用者端末９２等を介して利用者９４へ提示する。

ここで、類似性判断モジュール３１における、キーワード又はコンテキストの抽出又は選択は、コンテキスト階層、上位コンテキスト又は下位コンテキストの類似度を用いて行う。例えば、上位コンテキスト及び下位コンテキストの類似度を表すスコアを算出し、類似度の高いスコアを有するコンテキストを抽出又は選択する。抽出又は選択は、スコアが一定以上のコンテキストを抽出又は選択してもよいし、スコアが上位の順に予め定められた数のコンテキストを抽出又は選択してもよい。

スコアの算出は、一般的なコサイン類似度を用いることができ、ナレッジベース１３に格納されているユーザによるアイテム評価を用いてもよい。本実施形態では、アイテムキーワードとコンテキストキーワードのセットを準備しておくが、必ずしも全く同じキーワードがヒットするとは限らない。そのため、類似の単語のセットをナレッジベース１３に格納しておき、類似性判断モジュール３１はこれを参照してもよい。この場合、類似性判断モジュール３１は、類似の単語のセットにおける意味的な類似度をスコアに用いることができる。

スコアの算出においては、現在のユーザの会話で得られた話題コンテキストに加え、過去のユーザの会話から得られるコンテキストを用いてもよい。また、スコアの算出においては、過去のユーザと現在の他のユーザ間の類似度を用いてもよい。これらの場合、過去のユーザの会話から得られるコンテキストをナレッジベース１３に格納しておく。

スコアの算出において過去のユーザの会話から得られるコンテキストを用いる場合、レコメンドアイテム収集モジュール１１及びコミュニケーションコンテキストラベル抽出モジュール１２は、レコメンドアイテムと同様に、ユーザの会話に対しても、コミュニケーションコンテキストを判定し、レコメンドアイテム／コミュニケーションコンテキストラベルナレッジベース１３に格納する。

（第１の実施形態）
本実施形態では、コミュニケーションコンテキストとレコメンドアイテムの処理手法について説明する。図３に、コミュニケーションコンテキストとレコメンドアイテムの処理手法の説明図を示す。レコメンドアイテムの取得Ｓ１１１、コンテキストラベルの付与Ｓ１１２及びナレッジベースへの格納Ｓ１１３は、Ｓ１１４～Ｓ１１８よりも前に実行される。

レコメンドアイテムの取得Ｓ１１１では、レコメンドアイテム収集モジュール１１が、レコメンドアイテムの候補となり得るコンテンツを、事前にインターネットやコンテンツサービスから取得する。コミュニケーションコンテキストラベルの付与Ｓ１１２では、コミュニケーションコンテキストラベル抽出モジュール１２が、それぞれのレコメンドアイテムに対してキーワード抽出、感情分析等を行うことで、レコメンドアイテムのコミュニケーションコンテキストを抽出し、抽出したコミュニケーションコンテキストのラベルをレコメンドアイテムに付与する。これにより、レコメンドアイテムと、それに対応するコミュニケーションコンテキストのデータのセットが、ナレッジベース１３に格納される。

対人コミュニケーションの会話シーンＳ１１４において、コンテキストの取得Ｓ１１５及びレコメンドアイテムの検索Ｓ１１６を行う。コンテキストの取得Ｓ１１５では、話題コンテキスト抽出モジュール２３が、どのような話題の会話を行っているかについてテキストデータを解析し、キーワード抽出を行う。これによって、話題がキーワードとして抽出される。会話の内容については、マイクなどのセンサ９１を利用し、音声データをテキストデータに変換し、得られたテキストデータに対してキーワードを抽出する。

またコンテキストの取得Ｓ１１５では、汎用コンテキスト抽出モジュール２２が、会話中の人の表情、音声の特徴量などから、感情を分析し、感情分析カテゴリ及び感情分析スコアを取得する。人の表情については、カメラなどのセンサ９１を利用し、人の表情の画像認識から感情を分析する。

類似コンテキストの検索Ｓ１１６では、類似性判断モジュール３１が、このようにして得られたキーワード、感情分析カテゴリ及び感情分析スコアをコンテキストとして利用し、コンテキストに対応したレコメンドアイテムとコンテキストのセットを検索する。これにより、類似コンテキストが得られる。ここでの類似コンテキストには、汎用の時刻情報、環境情報、利用者の位置情報、利用者の表情や視聴メディアなどの映像情報等の汎用コンテキストが含まれていてもよい。

レコメンドアイテムの検索Ｓ１１７では、情報検索モジュール３２が、類似コンテキストを用い、インターネット等のコンテンツ検索、あるいは、ナレッジベース１３への検索により、レコメンドアイテムの検索結果を得る。検索結果により得られたレコメンドアイテムは、会話中の利用者９４へ提示される（Ｓ１１８）。

（第２の実施形態）
図４に、本実施形態に係るシステムにおけるシーケンス図を示す。本実施形態のシステムは、ナレッジベース１３へのコンテンツ検索を行う。

話題コンテキスト抽出モジュール２３は、利用者の会話から、現在の会話の話題を表す話題コンテキストを抽出し、類似性判断モジュール３１に送信する（Ｓ１０１）。これにより、類似性判断モジュール３１における話題コンテキストが更新される。

類似性判断モジュール３１は、話題コンテキストに類似した類似コンテキストについて、ナレッジベース１３へ照会する（Ｓ１０２）。これにより、類似性判断モジュール３１は、類似コンテキストのリスト応答を得る。

類似性判断モジュール３１は、得られた類似コンテキストのリストを用いてレコメンドアイテムの検索に用いる検索キーワードを生成し、情報検索モジュール３２へ送信する（Ｓ１０３）。検索キーワードの生成は、コンテキスト階層、上位コンテキスト又は下位コンテキストの類似度を用いて行う。

情報検索モジュール３２は、受信した検索キーワードをナレッジベース１３へレコメンドアイテムの検索要求として送信する（Ｓ１０４）。ナレッジベース１３は、検索要求に対する検索応答として、検索キーワードに一致するレコメンドアイテムを情報検索モジュール３２へ返信する（Ｓ１０４）。

情報検索モジュール３２は、得られたレコメンドアイテムをレコメンドアイテム出力モジュール３３に送信し（Ｓ１０５）、レコメンドアイテム出力モジュール３３は利用者９４へレコメンドアイテムを提示する（Ｓ１０６）。

汎用コンテキスト抽出モジュール２２からの汎用コンテキストについても、話題コンテキスト抽出モジュール２３からの話題コンテキストと同様に、類似性判断モジュール３１に送出される（Ｓ１０１）。この場合、類似性判断モジュール３１は、話題コンテキスト及び汎用コンテキストの両方と一致する類似コンテキストを取得する（Ｓ１０２）。

（第３の実施形態）
図５に、本実施形態に係るシステムにおけるシーケンス図を示す。本実施形態のシステムは、インターネット等のコンテンツ検索を行う。

図４に示した手順との違いは、情報検索モジュール３２がインターネットコンテンツや地図情報などを保有するネットワーク９５に対してレコメンドアイテムの検索要求を送信する点にある。固有名詞や地名、場所などの位置情報が話題コンテキストに含まれている場合、ナレッジベース１３ではなく、ネットワーク９５に対して検索をかけることが望ましい場合がある。そこで、情報検索モジュール３２は、類似性判断モジュール３１からの検索キーワードを分析することにより、ネットワーク９５に対して検索をかけるか否かの判定を行う（Ｓ２０１）。

ネットワーク９５に対して検索を行う場合、情報検索モジュール３２は、固有名詞や地名、場所などを抽出する既定の検索ルールを利用し、ネットワーク９５への検索要求を行う（Ｓ２０２）。この場合、情報検索モジュール３２は、検索に望ましいものか否かの判断を行い、適切なコンテンツを保持する可能性の高いネットワーク９５に対して、検索要求を送信する。

なお、ネットワーク９５に対して検索要求を行う場合、情報検索モジュール３２は、コンテンツを保持したネットワーク９５への検索要求（Ｓ２０２）だけでなく、ナレッジベース１３への検索要求（Ｓ１０４）の両方を行ってもよい。このように、本開示は、ナレッジベース１３及びコンテンツを保持したネットワーク９５のどちらに検索要求を送信してもよく、あるいは、双方に検索要求をかけてもよい。

（第４の実施形態）
図６に、ナレッジベースに格納されるレコメンドアイテムとコンテキストの処理例を示す。本実施形態では、レコメンドアイテム収集モジュール１１は、レコメンドアイテムとなり得るニュースコンテンツを提供するニュースサイトから、ニュースのＵＲＬとヘッドラインを取得する。

コミュニケーションコンテキストラベル抽出モジュール１２は、取得したヘッドラインに対して、キーワード抽出と感情分析を行う。コミュニケーションコンテキストラベル抽出モジュール１２は、ニュースのＵＲＬ、ヘッドライン、抽出キーワード、感情分析カテゴリ、感情分析スコアを構造化ＲＤＦデータとして、ナレッジベース１３に格納する。これにより、レコメンドアイテムであるニュースコンテンツがキーワード、感情分析カテゴリ及び感情分析スコアを含むコンテキストラベルと紐付けされたセットがナレッジベース１３に格納される。

ここで、感情分析カテゴリは、レコメンドアイテムの内容が、“Ｐｏｓｉｔｉｖｅ”（Ｐ：楽観的）、“Ｎｅｇａｔｉｖｅ”（Ｎｇ：悲観的），“Ｎｅｕｔｒａｌ”（Ｎ：中立的）のどのカテゴリに分類されるかを示すものである。本実施形態では、取得したヘッドラインを自然言語処理によって分析することで、ニュースコンテンツの感情析カテゴリを判定することができる。感情分析スコアは、得られた感情分析カテゴリに対して、感情分析結果の度合を０から１までの数値で評価したスコアである。

ナレッジベース１３へのデータ格納は、ＨＴＴＰ等のプロトコルを使用することができる。ナレッジベース１３に対して、レコメンドアイテムを検索したい場合には、レコメンドアイテムに応じた特定の検索キーワードを入力して検索し、それに適合したレコメンドアイテムを検索結果として得ることができる。

同様に、汎用コンテキスト抽出モジュール２２が会話中の人の表情などを用いて現在の感情を分析し、これによって暗い表情の人に対してＮｅｇａｔｉｖｅカテゴリの感情分析結果が得られた場合、情報検索モジュール３２は、会話を活性化するために、逆の感情分析カテゴリに分類されている“Ｐｏｓｉｔｉｖｅ”カテゴリのレコメンドアイテムを検索する。これにより、本実施形態は、会話を活性化させるレコメンドアイテムを、スコアの高いものから順に提示することができる。

また、情報検索モジュール３２は、汎用コンテキスト抽出モジュール２２の取得した時刻情報、環境情報、利用者の位置情報、利用者の表情や視聴メディアなどの映像情報などをコンテキストとして利用し、適切なレコメンドアイテムを検索結果として得ることもできる。ナレッジベース１３へのレコメンドアイテム検索は、ＨＴＴＰ等のプロトコル、ＳＰＡＲＱＬクエリを使用することができる。

（第５の実施形態）
本実施形態では、ナレッジベースのデータ構造例と検索ルールの記述例について説明する。図７に、図６に示したレコメンドアイテムとコンテキストデータの構造例を示す。レコメンドアイテムのＵＲＬに対して、ヘッドライン、感情分析カテゴリ、感情分析スコア、キーワードを格納する。キーワードは、例えば、ヘッドラインから抽出されたキーワードである。キーワードに対しては、それに関連するコンテキストキーワードを格納してもよい。

図８に、図７のデータ構造に基づいて生成したインスタンスの例を示す。図９に、図８に示したレコメンドアイテム１に対するインスタンス表現を示す。このインスタンスの名称はｉｔｅｍ＿ｉ１＿ｕｒｌとしている。図９のインスタンス表現では、図８のインスタンスがｏｗｌによって表現されている。

図１０にレコメンドアイテムを検索する際のルール記述例を示す。この検索ルールでは、格納されたレコメンドアイテムから、感情分析カテゴリが”Ｐｏｓｉｔｉｖｅ”であり、感情分析スコアが０．７以上となるものについて、そのレコメンドアイテムのＵＲＬとヘッドラインのリストを得るものである。これによって得られたリストから、話題のキーワードと整合するものを検索すれば、特定の会話に適したレコメンドアイテムを提示することが可能となる。ここで示したデータ構造、インスタンス、インスタンス表現、検索ルールの記述は例であり、他にも同様の別のルール記述とすることが可能となる。

図１１に、キーワードに対するインスタンス表現を示す。このインスタンス表現においては、キーワードインスタンスｉ１＿ｋｅｙ１が、コンテキストキーインスタンス、ｉ１＿ｋｅｙ１＿ｃｋｅｙ１、ｉ１＿ｋｅｙ１＿ｃｋｅｙ２、ｉ１＿ｋｅｙ１＿ｃｋｅｙ３を有することを示す。キーワードインスタントとコンテキストキーインスタンスは、事前にそれらの関連性を考慮して、ナレッジベース１３に格納しておくものとする。

例として、ｉ１＿ｋｅｙ１は「旅行」、ｉ１＿ｋｅｙ１＿ｃｋｅｙ１は「国内」、ｉ１＿ｋｅｙ１＿ｃｋｅｙ２は「海」、ｉ１＿ｋｅｙ１＿ｃｋｅｙ３は「沖縄」、といったものが想定される。前述の手順に示した通り、現在の会話の話題、トピックに関する話題コンテキスト情報は、会話内容のキーワード抽出により得ることができる。

利用者が「旅行」に関する会話を行っていると、話題コンテキスト抽出モジュール２３が、「国内」、「海」といったキーワードを抽出する。このキーワードが話題コンテキストに相当する。類似性判断モジュール３１は、「国内」及び「海」を話題コンテキストに用い、ナレッジベース１３に対して類似コンテキストの検索を行う。これにより、「沖縄」をキーワードに含むレコメンドアイテム１が抽出される。類似性判断モジュール３１は、「沖縄」をキーワードに含むレコメンドアイテムの取得要求を情報検索モジュール３２に出力する。情報検索モジュール３２は、「沖縄」を検索キーワードに用いてレコメンドアイテムを検索することとなる。

図１２に、キーワード連携検索ルールを示す。このルールによって、キーワードインスタンスｉ１＿ｋｅｙ１が、コンテキストキーインスタンス、ｉ１＿ｋｅｙ１＿ｃｋｅｙ１、ｉ１＿ｋｅｙ１＿ｃｋｅｙ２、ｉ１＿ｋｅｙ１＿ｃｋｅｙ３を有する場合、すでに会話中にｉ１＿ｋｅｙ１＿ｃｋｅｙ１：「国内」、ｉ１＿ｋｅｙ１＿ｃｋｅｙ２：「海」が抽出されていた場合、情報検索モジュール３２は、類似コンテキストとして、ナレッジベース１３からｉ１＿ｋｅｙ１＿ｃｋｅｙ３：「沖縄」を検索結果として得ることが可能となる。

類似性判断モジュール３１で得られた類似コンテキストのキーワードは、前述の通りレコメンドアイテムの検索要求に用いられる。本例では、コミュニケーションにおける話題を話題コンテキストとしているが、各種センサからの環境情報をセンサ入出力モジュール２１を用いて送受し、必要な情報を汎用コンテキスト抽出モジュール２２へ送出する。これにより、汎用コンテキスト抽出モジュール２２がセンサ情報から時刻情報、環境情報、利用者の位置情報、利用者の表情や視聴メディアなどの映像情報、感情分析カテゴリ等の汎用コンテキスト情報を抽出し、情報検索モジュール３２がそれらも勘案してレコメンドアイテムを検索することも可能となる。ここで示したデータ構造、インスタンス、インスタンス表現、検索ルールの記述は例であり、他にも同様の別のルール記述とすることが可能となる。

（第６の実施形態）
会話シーンでは、コミュニケーション参加者の関係性を考慮して、提示するレコメンドアイテムを検索することが考えられる。そこで、本実施形態では、コミュニケーションにおける参加者の関係性と、それに基づく感情分析結果を考慮した話題の提供を行う。

本実施形態では、コミュニケーション参加者の基本情報や趣味嗜好、関係性は、あらかじめユーザプロファイルとして、ＲＤＦ等の記述によってナレッジベース１３に格納しておく。また、参加者を特定可能な利用者情報も、ユーザプロファイルとしてナレッジベース１３に登録する。参加者の特定は、あらかじめ顔画像をナレッジベース１３に登録することによる画像認識や、あらかじめ参加者の音声データや特徴量をナレッジベース１３に登録しておくことによる、コミュニケーション時の音声認識によって、ユーザプロファイルと関連付けることができる。このように、類似性判断モジュール３１は、ナレッジベース１３に登録されているユーザプロファイルを参照することで、参加者とその関係性を特定する。

例として、類似性判断モジュール３１は、初対面の人同士の会話であると判定すると、感情分析カテゴリが“Ｐｏｓｉｔｉｖｅ”となるレコメンドアイテムの取得要求を情報検索モジュール３２に出力する。夫婦の会話であれば、類似性判断モジュール３１は、感情分析カテゴリが“Ｎｅｇａｔｉｖｅ”となるレコメンドアイテムについても合わせた取得要求を情報検索モジュール３２に出力する、といったケースがある。

図１０に示したレコメンドアイテムを検索する際のルール記述例を用いれば、情報検索モジュール３２は、コミュニケーション参加者の関係性によって、感情分析カテゴリが“Ｐｏｓｉｔｉｖｅ”で感情分析スコアが０．７以上となるものについて、そのレコメンドアイテムのＵＲＬとヘッドラインのリストを提示したり、感情分析カテゴリが“Ｎｅｇａｔｉｖｅ”で感情分析スコアが０．８以上となるものについて、そのレコメンドアイテムのＵＲＬとヘッドラインのリストを提示したりすることが可能となる。

本例では、コミュニケーションにおける参加者の関係性を汎用コンテキスト情報としているが、センサ９１からの環境情報をセンサ入出力モジュール２１によって送受し、必要な情報を汎用コンテキスト抽出モジュール２２へ送出することができる。これにより、汎用コンテキスト抽出モジュール２２がセンサ情報から時刻情報、環境情報、利用者の位置情報、利用者の表情や視聴メディアなどの映像情報等の汎用コンテキスト情報を抽出し、情報検索モジュール３２がそれらも勘案してレコメンドアイテムを検索することも可能となる。ここで示したデータ構造、インスタンス、インスタンス表現、検索ルールの記述は例であり、他にも同様の別のルール記述とすることが可能となる。

（第７の実施形態）
図１３は、システム１００のハードウェア構成の一例を示している。システム１００は、本開示に係る情報推薦装置として機能するコンピュータ９６を含む。コンピュータ９６は、ネットワーク９５へと接続されていてもよい。ネットワーク９５は、データ通信ネットワークである。通信は、ネットワーク９５を介して電子信号及び光信号によって行われる。

コンピュータ９６は、プロセッサ１１０、及びプロセッサ１１０に接続されたメモリ１２０を含む。プロセッサ１１０は、命令に応答し且つ命令を実行する論理回路で構成される電子デバイスである。メモリ１２０は、コンピュータプログラムがエンコードされた有形のコンピュータ９６にとって読み取り可能な記憶媒体である。この点に関し、メモリ１２０は、プロセッサ１１０の動作を制御するためにプロセッサ１１０によって読み取り可能及び実行可能なデータ及び命令、すなわちプログラムコードを記憶する。メモリ１２０の構成要素の１つは、プログラムモジュール１２１である。

プログラムモジュール１２１は、本実施形態に備わる任意のモジュールを含む。例えば、プログラムモジュール１２１は、センサ入出力モジュール２１、汎用コンテキスト抽出モジュール２２、話題コンテキスト抽出モジュール２３、コンテキスト抽出モジュール２４、類似性判断モジュール３１、情報検索モジュール３２、レコメンドアイテム出力モジュール３３、レコメンドアイテム収集モジュール１１、コミュニケーションコンテキストラベル抽出モジュール１２を含む。

プログラムモジュール１２１は、本明細書に記載のプロセスを実行するようにプロセッサ１１０を制御するための命令を含む。プログラムモジュール１２１は、すでにメモリ１２０へとロードされているものとして示されているが、メモリ１２０へと後にロードされるように記憶装置１４０上に位置するように構成されてもよい。記憶装置１４０は、プログラムモジュール１２１を記憶する有形のコンピュータにとって読み取り可能な記憶媒体である。あるいは、記憶装置１４０は、ネットワーク９５を介してコンピュータ９６へと接続される他の種類の電子記憶デバイスであってもよい。

（発明によって生じる効果）
上記処理に関する本開示における実施技術を適用し、キーワードとコンテキストキーワードの関連性を、ナレッジベース１３に事前に格納しておき、利用者９４の会話中の話題をキーワードとして抽出することにより、コンテキストとしての話題の推移予測が可能となる。上述の実施形態では、コンテキストの一例として、感情分析カテゴリ、感情分析スコア、キーワードを示したが、本開示のコンテキストはこれに限定されず、時間や環境などの任意のコミュニケーションコンテキストを含む。また、本開示の装置はコンピュータとプログラムによっても実現でき、プログラムを記録媒体に記録することも、ネットワークを通して提供することも可能である。

本開示は、レコメンドアイテムとコンテキストデータとを構造化してナレッジベース１３に格納する。これにより、本開示は、適切なレコメンドアイテムを検索することを可能とする。本開示は、ナレッジベース１３を用いた、レコメンドアイテムの格納手法、コンテキストラベルの付与手法、レコメンドアイテム生成処理手順、レコメンドアイテムとコンテキストデータのインスタンス例、レコメンドアイテムのインスタンス表現、レコメンドアイテムの検索ルール、キーワード連携検索ルールを備える。

これにより、本開示は、以下を実現する手法を提供することができる。
・利用者の会話中、テキスト対話中の話題や利用者の会話が行われている状況を、コンテキストとして抽出するための手法。
・会話及び対話に適したレコメンドアイテムの生成手法、レコメンドアイテムの格納方法と、コンテキストラベルの付与手法及び、会話中の状況をコンテキストとして認識し、適切なアイテムを検索する手法。
・キーワードとコンテキストキーワードの格納手法と検索手法。

本開示は情報通信産業に適用することができる。

１１：レコメンドアイテム収集モジュール
１２：コミュニケーションコンテキストラベル抽出モジュール
１３：ナレッジベース
２１：センサ入出力モジュール
２２：汎用コンテキスト抽出モジュール
２３：話題コンテキスト抽出モジュール
３１：類似性判断モジュール
３２：情報検索モジュール
３３：レコメンドアイテム出力モジュール
９１：センサ
９２：利用者端末
９３：表示デバイス

Claims (7)

1. 利用者の会話から話題となっているキーワードを抽出するコンテキスト抽出モジュールと、
   キーワードを含むコミュニケーションコンテキストが紐付けられているレコメンドアイテムを格納しているナレッジベースを参照し、抽出されたキーワードに紐付けられているレコメンドアイテム及びコミュニケーションコンテキストを抽出し、抽出されたコミュニケーションコンテキストのなかから前記話題に類似するコミュニケーションコンテキストを選択する、類似性判断モジュールと、
   選択されたコミュニケーションコンテキストに紐付けられているレコメンドアイテムを前記ナレッジベースから取得する情報検索モジュールと、
   を備える情報推薦装置。
2. 前記コンテキスト抽出モジュールは、前記利用者の感情をさらに抽出し、
   前記情報検索モジュールは、前記類似性判断モジュールに選択されたコミュニケーションコンテキストに紐付けられているレコメンドアイテムのうち、前記利用者の感情に適したレコメンドアイテムを、前記ナレッジベースから取得する、
   請求項１に記載の情報推薦装置。
3. 前記ナレッジベースは、利用者を特定するためのユーザプロファイルをさらに格納し、
   前記コンテキスト抽出モジュールは、利用者を識別するための利用者情報をさらに抽出し、
   前記類似性判断モジュールは、
   前記ナレッジベースを参照し、抽出された利用者情報に紐付けられている利用者を特定することで、前記話題に類似するコミュニケーションコンテキストのなかから会話の参加者の関係性に適したコミュニケーションコンテキストを選択する、
   請求項１又は２に記載の情報推薦装置。
4. 前記情報検索モジュールは、
   前記ナレッジベースとは異なるデータソースに対して検索を行うか否かを判定し、
   前記ナレッジベースとは異なるデータソースに対して検索を行うと判定した場合、前記類似性判断モジュールで選択されたコミュニケーションコンテキストに一致するコンテンツを、前記ナレッジベースとは異なるデータソースから検索する、
   請求項１から３のいずれかに記載の情報推薦装置。
5. 請求項１から４のいずれかに記載の情報推薦装置と、
   前記レコメンドアイテムとなり得るコンテンツを収集するレコメンドアイテム収集モジュールと、
   前記レコメンドアイテム収集モジュールで収集されたコンテンツからキーワードを抽出し、抽出されたキーワードを当該コンテンツのコミュニケーションコンテキストに紐付けして前記ナレッジベースに格納するコミュニケーションコンテキストラベル抽出モジュールと、
   を備える情報推薦システム。
6. 情報推薦装置が、
   会話において話題となっているキーワードを抽出し、
   キーワードを含むコミュニケーションコンテキストが紐付けられているレコメンドアイテムを格納しているナレッジベースを参照し、抽出されたキーワードに紐付けられているレコメンドアイテム及びコミュニケーションコンテキストを抽出し、
   抽出されたコミュニケーションコンテキストのなかから前記話題に類似するコミュニケーションコンテキストを選択し、
   選択されたコミュニケーションコンテキストに紐付けられているレコメンドアイテムを前記ナレッジベースから取得する、
   情報推薦方法。
7. 請求項１から４のいずれかに記載の情報推薦装置に備わる各機能部としてコンピュータを実現させるための情報推薦プログラム。

Images