KR20100114093A - 레코멘데이션 정보 생성 장치 및 레코멘데이션 정보 생성 방법 - Google Patents
레코멘데이션 정보 생성 장치 및 레코멘데이션 정보 생성 방법 Download PDFInfo
- Publication number
- KR20100114093A KR20100114093A KR1020107018670A KR20107018670A KR20100114093A KR 20100114093 A KR20100114093 A KR 20100114093A KR 1020107018670 A KR1020107018670 A KR 1020107018670A KR 20107018670 A KR20107018670 A KR 20107018670A KR 20100114093 A KR20100114093 A KR 20100114093A
- Authority
- KR
- South Korea
- Prior art keywords
- user
- vector
- characteristic vector
- content
- similar
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
- Telephonic Communication Services (AREA)
Abstract
본 발명은, 이력 정보가 적어도 유사한 유사 사용자를 정확하게 선택할 수 있는 레코멘데이션 정보 생성 장치 및 레코멘데이션 정보 생성 방법을 제공하는 것을 목적으로 한다. 이 정보 분배 서버(200)에 있어서, 사용자 특성 벡터 계산부(204)가 각 사용자의 사용자 특성 벡터를 산출하고, 유사 사용자 계산부(209)는, 전술한 바와 같이 산출된 각 사용자의 사용자 특성 벡터에 기초하여 사용자간의 유사도를 산출한다. 그리고, 유사 사용자 계산부(209)는, 산출된 유사도에 기초하여 하나의 사용자와 유사한 유사 사용자를 선택하고, 관련도 평가부(210)는, 선택된 유사 사용자의 특성 벡터에 기초하여 하나의 사용자에 대한 레코멘데이션 정보를 생성할 수 있다.
Description
본 발명은, 레코멘데이션 정보를 생성하는 레코멘데이션 정보 생성 장치 및 레코멘데이션 정보 생성 방법에 관한 것이다.
사용자의 이력과 다른 사용자의 이력의 비교에 기초하여 유사 사용자를 구하고, 유사 사용자가 자주 보는 컨텐츠를 추천하는 강조 필터 방식이 고려되고 있다. 예를 들면, 하기 특허 문헌 1(일본 특허출원 공개번호 2002-215665호 공보)에는, 대상으로 하는 사용자에게 가장 유사한 기호를 가지는 협조 사용자를 선정하고, 이 협조 사용자의 프로파일에 기초하여 추천하는 컨텐츠를 선택하는 것이 기재되어 있다.
그러나, 전술한 특허 문헌 1에 기재된 기술에서는 액세스 이력이 증가하지 않으면 레코멘데이션 정보를 결정할 수가 없는 문제가 있다. 즉, 기호가 유사한 사용자를 선택하는 경우에는, 1 이상 같은 컨텐츠를 선택할 필요가 있으므로, 동일한 컨텐츠를 선택하지 않으면 유사 사용자로서 인정되지 않는다. 그러므로, 어느 정도의 액세스 이력의 축적이 필요하게 된다. 따라서, 각 사용자에 있어서의 액세스 이력이 적은 상태로, 유사 사용자에 기초를 둔 레코멘데이션 정보를 생성하는 것이 곤란했다.
이에, 본 발명은, 이력 정보가 적어도 유사한 유사 사용자를 정확하게 선택할 수 있는 레코멘데이션 정보 생성 장치 및 레코멘데이션 정보 생성 방법을 제공하는 것을 목적으로 한다.
전술한 과제를 해결하기 위하여, 본 발명의 레코멘데이션 정보 생성 장치는, 각 사용자의 사용자 특성 벡터를 취득하는 벡터 취득 수단과; 상기 벡터 취득 수단에 의해 취득된 각 사용자의 사용자 특성 벡터에 기초하여 사용자간의 유사도를 산출하는 유사도 산출 수단과; 상기 유사도 산출 수단에 의해 산출된 유사도에 기초하여 하나의 사용자(one user)와 유사한 유사 사용자를 선택하는 선택 수단과; 상기 선택 수단에 의해 선택된 유사 사용자의 특징 벡터에 기초하여, 상기 하나의 사용자에 대한 레코멘데이션 정보를 생성하는 생성 수단을 구비하고 있다.
또한, 본 발명의 레코멘데이션 정보 생성 방법은, 각 사용자의 사용자 특성 벡터를 취득하는 벡터 취득 단계와; 상기 벡터 취득 단계에 의해 취득된 각 사용자의 사용자 특성 벡터에 기초하여 사용자 사이의 유사도를 산출하는 유사도 산출 단계와; 상기 유사도 산출 단계에 의해 산출된 유사도에 기초하여 하나의 사용자와 유사한 유사 사용자를 선택하는 선택 단계와; 상기 선택 단계에 의해 선택된 유사 사용자의 특징 벡터에 기초하여, 상기 하나의 사용자에 대한 레코멘데이션 정보를 생성하는 생성 단계를 포함하고 있다.
본 발명에 의하면, 각 사용자의 사용자 특성 벡터를 취득하고, 취득된 각 사용자의 사용자 특성 벡터에 기초하여 사용자 사이의 유사도를 산출한다. 그리고, 산출된 유사도에 기초하여 하나의 사용자와 유사한 유사 사용자를 선택하고, 선택된 유사 사용자의 특징 벡터에 기초하여, 하나의 사용자에 대한 레코멘데이션 정보를 생성할 수 있다. 이로써, 사용자 특성 벡터를 사용하여 사용자의 유사도를 판단함으로써, 종전의 방법과 비교하여, 이력 정보를 다수 취득하지 않고, 양호한 정밀도로 유사 사용자를 판단할 수 있고, 이 유사 사용자에 기초한 레코멘데이션 정보를 생성할 수 있다. 예를 들면, 종전의 방법에 있어서는, 1만건의 열람 이력 정보에 기초하여 유사 사용자를 판단할 필요가 있었지만, 그에 비해 본 발명에 의하면, 10건 정도의 열람 이력 정보를 사용함으로써 유사 사용자를 양호한 정밀도로 판단할 수 있다.
또한, 본 발명의 레코멘데이션 정보 생성 장치에 있어서, 상기 벡터 취득 수단은, 사용자 조작에 의해, 복수개의 선택 대상 항목으로부터 하나의 선택 대상 항목을 선택하는 것을 받아들이는 접수 수단과; 상기 접수 수단에 의해 받아들여진 선택 대상 항목의 만족 특징 벡터 및 상기 접수 수단에 의해 받아들여지지 않은 선택 대상 항목의 불만족 특징 벡터를 기억하는 기억 수단과; 상기 기억 수단에 의해 기억되어 있는 선택된 선택 대상 항목의 만족 특징 벡터와 선택되지 않은 선택 대상 항목의 불만족 특징 벡터를 분리하기 위한 분리 평면에 직교하는 직교 벡터를 사용자 특성 벡터로 하는 사용자 특성 벡터 생성 수단으로 구성되는 것이 바람직하다.
본 발명에 의하면, 사용자 조작에 의해, 복수개의 선택 대상 항목으로부터 하나의 선택 대상 항목을 선택하는 것을 받아들이고, 받아들여진 선택 대상 항목의 만족 특징 벡터 및 상기 접수 수단에 의해 받아들여지지 않은 선택 대상 항목의 불만족 특징 벡터를 기억한다. 그리고, 기억되어 있는 선택된 선택 대상 항목의 만족 특징 벡터와 선택되지 않은 선택 대상 항목의 불만족 특징 벡터를 분리하기 위한 분리 평면에 직교하는 직교 벡터를 사용자 특성 벡터로서 생성할 수 있다. 이로써, 정밀도가 양호한 사용자 특성 벡터를 생성할 수 있다.
또한, 본 발명의 레코멘데이션 정보 생성 장치에 있어서, 상기 벡터 취득 수단은, 사용자 조작에 의해, 복수개의 선택 대상 항목으로부터 하나의 선택 대상 항목이 선택된 것, 및 선택되지 않은 선택 대상 항목을 받아들이는 접수 수단과, 상기 접수 수단에 의해 받아들여지지 않은 선택 대상 항목의 불만족 특징 벡터에 기초하여 사용자 특성 벡터를 생성하는 사용자 특성 벡터 생성 수단으로 구성되는 것이 바람직하다.
본 발명에 의하면, 사용자 조작에 의해, 복수개의 선택 대상 항목으로부터 하나의 선택 대상 항목이 선택된 것, 및 선택되지 않은 선택 대상 항목을 받아들이고 받아들여지지 않은 선택 대상 항목의 불만족 특징 벡터에 기초하여 사용자 특성 벡터를 생성함으로써, 선택되지 않은 컨텐츠·조작 등의 선택 대상 항목의 경향에 기초하여 사용자 특성 벡터를 생성할 수 있다.
또한, 본 발명의 레코멘데이션 정보 생성 장치에 있어서, 상기 생성 수단은, 상기 유사도 산출 수단에 의해 산출된 유사도와 유사 사용자의 사용자 특성 벡터 및 상기 유사 사용자에 의해 열람된 열람 컨텐츠의 특징 벡터의 내적값에 기초하여, 상기 열람 컨텐츠를 평가하고, 상기 평가에 기초하여 상기 열람 컨텐츠로부터 레코멘데이션 정보를 생성하는 것이 바람직하다.
본 발명에 의하면, 산출된 유사도와 유사 사용자의 사용자 특성 벡터 및 유사 사용자에 의해 열람된 열람 컨텐츠의 특징 벡터의 내적값에 기초하여, 열람 컨텐츠를 평가하고, 상기 평가에 기초하여 열람 컨텐츠로부터 레코멘데이션 정보를 생성함으로써, 유사도에 따른 가중치 부여 처리를 행하고, 이 가중치 부여 처리된 결과에 따른 레코멘데이션 정보를 생성할 수 있다. 따라서, 유사도에 따라 적절한 레코멘데이션 정보를 생성할 수 있다.
본 발명에 의하면, 사용자 특성 벡터를 사용하여 사용자의 유사도를 판단함으로써, 종전의 방법과 비교하여, 이력 정보를 다수 취득하지 않고, 정밀도가 양호한 유사 사용자를 판단할 수 있고, 이 유사 사용자에 기초한 레코멘데이션 정보를 생성할 수 있다.
도 1은 레코멘데이션 정보 분배 시스템의 시스템 구성을 나타낸 시스템 구성도이다.
도 2는 정보 분배 서버(200)의 기능 구성을 나타낸 블록도이다.
도 3은 정보 분배 서버(200)의 하드웨어 구성도이다.
도 4는 휴대 전화기(100)에 표시되는 메뉴 화면의 일례를 나타낸 설명도이다.
도 5는 분리 평면을 생성할 때의 처리 개념을 나타내는 개념도이다.
도 6은 분리 평면에 기초하여 사용자 특성 벡터를 산출할 때의 개념을 나타내는 개념도이다.
도 7은 컨텐츠 관리 테이블(205a)의 기억 내용을 나타내는 설명도이다.
도 8은 컨텐츠 특성 벡터 관리 테이블(207b)의 기억 내용을 나타내는 설명도이다.
도 9는 휴대 전화기(100)의 기능 구성을 나타낸 블록도이다.
도 10은 휴대 전화기(100)의 요구에 따라 컨텐츠를 분배할 때의 휴대 전화기(100)와 정보 분배 서버(200)의 처리를 나타낸 시퀀스도이다.
도 11은 사용자 특성 벡터의 계산 처리를 나타낸 흐름도이다.
도 12는 레코멘데이션 정보를 분배할 때의 시퀀스도이다.
도 13은 관련도 계산 처리를 나타낸 흐름도이다.
도 14는 이력 사상 a와 이력 사상 b에서의 메뉴 화면의 구성예를 나타낸 설명도이다.
도 15는 메뉴 화면에 있어서 선택된 컨텐츠의 특성 벡터의 특징 공간에서의 위치 관계를 나타낸 도면이다.
도 16은 이력 사상 a 및 b를 상대 공간 내에 있어서, 컨텐츠의 특성 벡터를 나타낸 도면이다.
도 17은 분리 평면을 생성할 수 없는 경우에 있어서 상대 공간을 사용하여 처리를 행할 때의 설명도이다.
도 18은 열람 빈도를 고려하여 특성 벡터의 중심(重心)을 구하는 처리를 나타낸 개념도이다.
도 19는 액세스된 시계열순으로 NN법에 의해 사용자 특성 벡터를 구하는 과정을 나타내는 개념도이다.
도 20은 조작에 관한 특징 공간에서의 특성 벡터의 파라미터를 나타내는 설명도이다.
도 2는 정보 분배 서버(200)의 기능 구성을 나타낸 블록도이다.
도 3은 정보 분배 서버(200)의 하드웨어 구성도이다.
도 4는 휴대 전화기(100)에 표시되는 메뉴 화면의 일례를 나타낸 설명도이다.
도 5는 분리 평면을 생성할 때의 처리 개념을 나타내는 개념도이다.
도 6은 분리 평면에 기초하여 사용자 특성 벡터를 산출할 때의 개념을 나타내는 개념도이다.
도 7은 컨텐츠 관리 테이블(205a)의 기억 내용을 나타내는 설명도이다.
도 8은 컨텐츠 특성 벡터 관리 테이블(207b)의 기억 내용을 나타내는 설명도이다.
도 9는 휴대 전화기(100)의 기능 구성을 나타낸 블록도이다.
도 10은 휴대 전화기(100)의 요구에 따라 컨텐츠를 분배할 때의 휴대 전화기(100)와 정보 분배 서버(200)의 처리를 나타낸 시퀀스도이다.
도 11은 사용자 특성 벡터의 계산 처리를 나타낸 흐름도이다.
도 12는 레코멘데이션 정보를 분배할 때의 시퀀스도이다.
도 13은 관련도 계산 처리를 나타낸 흐름도이다.
도 14는 이력 사상 a와 이력 사상 b에서의 메뉴 화면의 구성예를 나타낸 설명도이다.
도 15는 메뉴 화면에 있어서 선택된 컨텐츠의 특성 벡터의 특징 공간에서의 위치 관계를 나타낸 도면이다.
도 16은 이력 사상 a 및 b를 상대 공간 내에 있어서, 컨텐츠의 특성 벡터를 나타낸 도면이다.
도 17은 분리 평면을 생성할 수 없는 경우에 있어서 상대 공간을 사용하여 처리를 행할 때의 설명도이다.
도 18은 열람 빈도를 고려하여 특성 벡터의 중심(重心)을 구하는 처리를 나타낸 개념도이다.
도 19는 액세스된 시계열순으로 NN법에 의해 사용자 특성 벡터를 구하는 과정을 나타내는 개념도이다.
도 20은 조작에 관한 특징 공간에서의 특성 벡터의 파라미터를 나타내는 설명도이다.
첨부 도면을 참조하면서 본 발명의 실시예를 설명한다. 가능한 한, 동일한 부분에는 동일한 부호를 부여하여, 중복되는 설명을 생략한다.
도 1은, 본 실시예의 휴대 전화기(100) 및 정보 분배 서버(200)를 구비한 레코멘데이션 정보 분배 시스템의 시스템 구성을 나타낸 시스템 구성도이다. 휴대 전화기(100)로부터의 요구에 따라 정보 분배 서버(200)는, 이 휴대 전화기(100)의 사용자와 그 특성이 유사한 사용자가 유지하는 휴대 전화기(100a)가 액세스한 컨텐츠를, 휴대 전화기(100)에 분배한다. 여기서 레코멘데이션 정보로서 분배되는 컨텐츠의 바람직한 내용으로서는, 사용자에게 있어서 미평가된 컨텐츠를 포함하는 것이며, 예를 들면, 아직 보지 않은 웹 컨텐츠 외에, 텔레비전 프로그램표를 구성하는 컨텐츠를 포함하거나, 이제부터 발매되는 신간 서적 등을 소개하는 컨텐츠를 포함한다. 그리고, 이 정보 분배 서버(200)는, 각 사용자가 유지하는 휴대 전화기(100)로부터의 액세스 요구에 따라 다른 컨텐츠 프로바이더로부터 컨텐츠를 취득하고, 취득한 컨텐츠를 분배하는 것이며, 액세스 이력은 이 때 수집된다. 또한, 휴대 전화기(100)가 액세스 이력을 송신하고, 그것을 취득하도록 구성되어도 된다.
이와 같은 정보 분배 서버(200)의 구성에 대하여, 도 2를 사용하여 설명한다. 도 2는, 정보 분배 서버(200)의 기능 구성을 나타낸 블록도이다. 이 정보 분배 서버(200)는, 컨텐츠 요구 수신부(201), 레코멘데이션 요구 수신부(202), 이력 클래스 분리부(203), 사용자 특성 벡터 계산부(204), 분배 정보 저장부(205), 이력 저장부(207), 컨텐츠 송신부(208), 및 유사 사용자 계산부(209) 및 관련도 평가부(210)를 포함하여 구성되어 있다.
도 3은, 정보 분배 서버(200)의 하드웨어 구성도이다. 도 2에 나타내는 정보 분배 서버(200)는, 물리적으로는, 도 3에 나타낸 바와 같이, CPU(11), 주기억장치인 RAM(12) 및 ROM(13), 입력 디바이스인 키보드 및 마우스 등의 입력 장치(14), 디스플레이 등의 출력 장치(15), 네트워크 카드 등의 데이터 송수신 디바이스인 통신 모듈(16), 하드 디스크 등의 보조기억장치(17) 등을 포함하는 컴퓨터 시스템으로서 구성되어 있다. 도 2에 있어서 설명한 각 기능은, 도 3에 나타내는 CPU(11), RAM(12) 등의 하드웨어 상에 소정의 컴퓨터 소프트웨어를 판독시킴으로써, CPU(11)의 제어 하에서 입력 장치(14), 출력 장치(15), 통신 모듈(16)을 동작시고, RAM(12)이나 보조기억장치(17)에서의 데이터의 판독 및 기록을 행함으로써 실현된다. 이하, 도 2에 나타내는 기능 블록에 기초하여, 각 기능 블록을 설명한다.
컨텐츠 요구 수신부(201)는, 휴대 전화기(100)로부터의 컨텐츠의 요구에 따라, 네트워크 상의 컨텐츠 프로바이더로부터 컨텐츠를 취득하는 부분이며, 휴대 전화기(100)로부터 컨텐츠의 요구와 그 URL을 수신함으로써 액세스 이력을 수집할 수 있다. 수집한 액세스 이력(URL 등)은, 이력 저장부(207)에 출력된다. 그리고, 이 컨텐츠 요구 수신부(201)는, 액세스 이력으로서 어느 메뉴 화면(사상) 내에 있어서 실제로 액세스된 컨텐츠(URL)와 메뉴 화면에는 표시되어 있지만, 실제로 액세스되지 않았던 컨텐츠를 구별하여 수집한다.
또한, 컨텐츠 요구 수신부(201)는, 액세스 요구뿐만 아니라, 휴대 전화기(100)에 있어서 수집된 액세스 이력 정보를 수신하고, 이를 이력 저장부(207)에 출력하도록 해도 된다. 이 경우도 마찬가지로, 휴대 전화기(100)는, 어느 메뉴 화면에 있어서 선택된 컨텐츠, 선택되지 않은 컨텐츠를 구별하여 액세스 이력 정보로서 정보 분배 서버(200)에 송신하도록 구성된다.
레코멘데이션 요구 수신부(202)는, 휴대 전화기(100)로부터 레코멘데이션 정보의 분배 요구를, 휴대 전화기(100)의 사용자의 사용자 ID와 함께 수신하는 부분이다. 레코멘데이션 요구 수신부(202)는, 그 분배 요구를 수신하면, 유사 사용자 계산부(209)에 그 취지를 통지하고, 유사 사용자를 추출하도록 지시한다. 그리고, 변형예로서 레코멘데이션 요구가 있었던 취지를 사용자 특성 벡터 계산부(204)에 출력하고, 현시점에서의 사용자 특성 벡터를 계산시키고, 그 결과를 유사 사용자 계산부(209)에 통지하고, 유사 사용자를 추출시켜, 이 유사 사용자가 열람한 컨텐츠를 컨텐츠 송신부(208)에 레코멘데이션 정보로서 분배시키도록 해도 된다.
이력 클래스 분리부(203)은, 이력 저장부(207)[열람 이력 테이블(207c)]에 기억되어 있는 열람 이력 정보에 포함되어 있는 컨텐츠의 특성 벡터에 기초하여, 컨텐츠를 만족 클래스와 불만족 클래스로 분리하기 위한 분리 평면을 생성하는 부분이다. 여기서, 만족 클래스란, 어느 컨텐츠에 액세스하기 위한 메뉴 화면에 있어서 선택 가능하게 표시된 복수개의 컨텐츠 중, 실제로 선택된 컨텐츠만을 포함한 클래스를 말하여, 불만족 클래스란, 그 메뉴 화면에 있어서 선택되지 않은 컨텐츠만을 포함한 클래스를 말한다. 이 이력 클래스 분리부(203)는, SVM법 또는 NN법을 이용하여, 각 컨텐츠의 특성 벡터를 만족 클래스와 불만족 클래스로 분리할 수 있는 분리 평면을 생성함으로써, 이들 클래스를 분리할 수 있다. 여기서 SVM(Support Vector Machine)법이란, 각각의 클래스의 노드간(특성 벡터 사이)의 최소 거리를 최대화하는 평면을 분리 평면으로 방법이며, NN법이란, 각각의 클래스의 중심(重心)간, 즉 각 컨텐츠의 특성 벡터에 기초하여 산출된, 만족 클래스의 중심과 불만족 클래스의 중심을 연결한 직선을 추천하는 평면을 분리 평면으로 하는 방법이다. 그리고, NN법에 있어서는, 반드시 분리 평면을 구할 필요는 없고, 불만족 클래스의 중심으로부터 만족 클래스로의 중심을 향하여 연결한 직선을 사용자 특성 벡터로 하도록 해도 된다.
여기서 분리 평면을 생성하는 구체적인 방법에 대하여 설명한다. 도 4는, 휴대 전화기(100)에 표시되는 메뉴 화면의 일례를 나타낸 설명도이다. 도 4에 나타낸 바와 같이 Node1∼Node5가 표시되어 있다. 이 Node는, 선택 대상 항목을 나타낸 것이며, 예를 들면, 웹 상의 메뉴 화면에서의 카테고리마다 구별된 항목이거나 웹 페이지의 타이틀이다. 예를 들면, Node1이 자동차에 관한 컨텐츠, Node2가 금융에 관한 컨텐츠 등이다. 사용자는, Node1∼Node5중 어느 하나를 선택함으로써, 대응하는 컨텐츠를 열람할 수 있다.
도 5는, 분리 평면을 생성할 때의 처리 개념을 나타내는 개념도이다. 도 5는, 전술한 도 4에서의 메뉴 화면 중 사용자가 선택한 컨텐츠 및 선택되지 않은 컨텐츠에 있어서의, 특징 공간 내에서의 각 컨텐츠의 특성 벡터의 위치 관계를 나타낸다. 도 5에 나타낸 바와 같이, 원형으로 나타내어져 있는 부분이 만족스러운 컨텐츠(Node3, Node4)이며, 삼각형으로 나타내어져 있는 부분이 불만족스러운 컨텐츠(Node1, Node2, Node5)이며, 사각형으로 나타내어져 있는 부분이 미지의 미평가 컨텐츠(Node8, Node7)이다. 이들 만족 컨텐츠와 불만족 컨텐츠를 분리하도록 생성된 것이 분리 평면이다. 여기서는, 미평가 컨텐츠는 분리 처리할 때는 고려되지 않는다. 그리고, 도면에 있어서는, 특징 공간을 편의상 2차원 평면에 의해 표현하고 있지만, 벡터를 구성하는 파라미터 분만큼 벡터 축이 존재하게 되어, 통상 20차원 이상의 벡터로 특징 공간은 구성되어 있다.
사용자 특성 벡터 계산부(204)는, 이력 클래스 분리부(203)에 의해 생성된 분리 평면에 대하여 직교하는 직교 벡터를 산출하고, 이것을 사용자 특성 벡터로 하는 부분이다. 도 6에 그 구체예를 나타낸다. 도 6은, 분리 평면에 기초하여 사용자 특성 벡터를 산출할 때의 개념을 나타내는 개념도이다. 도 6에 나타낸 바와 같이, 분리 평면에 직교하는 직교 벡터인 사용자 특성 벡터 w가, 사용자 특성 벡터 계산부(204)에 의해 산출된다. 사용자 특성 벡터 계산부(204)는, 열람 이력이 수집 될 때마다 계산하고, 사용자 특성 벡터 관리 테이블(207a)에 기억되어 있는 사용자 특성 벡터를 갱신시킨다.
분배 정보 저장부(205)는, 오퍼레이터에 의해 미리 등록된 컨텐츠, 또는 각 사용자인 휴대 전화기(100 및 100a)로부터 컨텐츠 요구 수신부(201)에 의해 수신된 분배 요구가 있었던 컨텐츠를 기억하는 부분이며, 컨텐츠 관리 테이블(205a)을 기억하고 있다. 도 7은, 컨텐츠 관리 테이블(205a)의 기억 내용을 나타내는 설명도이다. 도 7에 나타낸 바와 같이, 이 컨텐츠 관리 테이블(205a)은, 사용자 ID, 컨텐츠 ID, 카테고리, 타이틀, 및 레코멘데이션 본문을 대응시켜 기억하고 있다. 사용자 ID는, 사용자를 특정하기 위한 식별 정보이며, 휴대 전화기(100 또는 100a)의 고유 정보 등이다. 컨텐츠 ID는, 컨텐츠를 일의적으로 특정하기 위한 식별 정보이며, 카테고리는 정보 종류를 나타내고, 예를 들면, CD와 관련된 것, DVD와 관련된 것, 서적과 관련된 것, 텔레비전 프로그램과 관련된 것 등을 나타내기 위한 정보이다. 타이틀은, 레코멘데이션 정보로서 표시하기 위한 표제 정보이다. 레코멘데이션 정보를 전달할 때는, 이 타이틀 부분이 표시되게 된다. 레코멘데이션문은, 레코멘데이션 정보의 본체 부분이며, 사용자에게 유용한 정보이다. 이 컨텐츠 관리 테이블(205a)에 기억되는 정보는, 미리 오퍼레이터에 의해 입력된 것일 수도 있고, 자동적으로 컨텐츠 프로바이더로부터 검색·추출되어 소정의 필터에 의해 범위가 좁혀진 것일 수도 있다.
유사 사용자 계산부(209)는, 레코멘데이션 요구 수신부(202)에 의해 수신된 레코멘데이션 요구에 따라, 상기 레코멘데이션 요구를 발한 사용자와 유사한 유사 사용자를 추출하기 위하여, 하나의 사용자 특성 벡터와 다른 사용자의 사용자 특성 벡터와의 유사도를 계산하는 부분이다. 구체적으로는, 유사 사용자 계산부(209)는, 사용자 특성 벡터 관리 테이블(207a)에 기억되어 있는 하나의 사용자 특성 벡터와 다른 사용자의 사용자 특성 벡터와의 내적을 계산함으로써 유사도를 산출한다. 이 다른 사용자는, 다수 존재하고 있고, 유사 사용자 계산부(209)는, 유사도가 가장 큰 다른 사용자를 유사 사용자로 한다. 그리고, 하나의 사용자, 다른 사용자의 각각 사용자 특성 벡터는, 정규화 처리되어 있다. 또한, 여기서는, 하나의 사용자를 휴대 전화기(100)의 사용자로 하고, 유사 사용자를 휴대 전화기(100a)의 사용자로 한다.
관련도 평가부(210)는, 분배 정보 저장부(205)에 기억되어 있는 컨텐츠 중, 유사 사용자 계산부(209)에 의해 추출된 유사 사용자에 의해 열람된 컨텐츠를 평가하고, 그리고, 평가가 높은 순으로 컨텐츠의 타이틀을 배열한 레코멘데이션 정보를 생성하는 부분이다. 구체적으로는, 이하의 식 (1)에 나타낸 바와 같이, 이 관련도 평가부(210)는, 유사 사용자인 휴대 전화기(100a)의 사용자 특성 벡터 w와, 이 유사 사용자가 열람한 이미 열람한 컨텐츠의 특성 벡터 C1을 사용자 특성 벡터 관리 테이블(207a), 열람 이력 테이블(207c)로부터 각각 추출하고, 그 내적값을 계산한다. 그리고, 그 내적값에, 또한 휴대 전화기(100)의 사용자의 사용자 특성 벡터와 휴대 전화기(100a)의 사용자의 사용자 특성 벡터와의 유사도를 곱하여 곱셈값을 산출한다. 그 곱셈값으로 나타내는 관련도가 큰 순서로 컨텐츠의 타이틀을 표시하도록 레코멘데이션 정보를 생성한다.
관련도 = 사용자 특성 벡터 w·특성 벡터 C1×유사도 θ …(1)
이력 저장부(207)는, 각 이력 정보를 기억하는 부분이며, 사용자 특성 벡터 관리 테이블(207a), 컨텐츠 특성 벡터 관리 테이블(207b), 및 열람 이력 테이블(207c)을 기억하고 있다.
사용자 특성 벡터 관리 테이블(207a)은, 사용자 특성 벡터 계산부(204)에 의해 계산된 사용자 특성 벡터를, 사용자를 특정하기 위한 사용자 ID와 대응시켜 기억하는 부분이다.
컨텐츠 특성 벡터 관리 테이블(207b)은, 컨텐츠 관리 테이블(205a)에 기억되어 있는, 미리 오퍼레이터에 의해 등록된 컨텐츠의 특성 벡터를, 그 컨텐츠를 특정하기 위한 정보(예를 들면, 컨텐츠 ID, URL 등)와 대응시켜 기억하는 부분이다. 예를 들면, 컨텐츠 특성 벡터 관리 테이블(207b)은, 도 8에 나타내는 정보가 기억되어 있다. 도 8에 나타낸 바와 같이, 컨텐츠 ID와 대응시켜, 특성 벡터를 구성하는 파라미터가 복수개 기억되어 있다. 도 8에서는, 8개의 파라미터를 기재하고 있지만, 통상적으로는 더 많은 파라미터에 의해 특성 벡터는 구성되어 있다. 그리고, 규정의 파라미터 이외에, 컨텐츠마다 형태소 해석(morpheme analysis)에 따라 추출된 키워드를 파라미터로서 추가해도 된다. 특성 벡터를 구성하는 파라미터마다, 0 내지 1 사이의 수치가 기술되어 있고, 어느 특성 벡터에 특징을 가지게 하고 있는지를 나타내고 있다.
열람 이력 테이블(207c)은, 컨텐츠 요구 수신부(201)에 의해 수신된 행선지 또는 수집된 액세스 이력 정보를 기억하는 부분이며, 예를 들면, 사용자 ID, 컨텐츠 ID(또는 컨텐츠의 URL) 및 그 컨텐츠(열람된 것, 열람되지 않은 것 각각)의 특성 벡터를 대응시켜 기억하는 부분이다.
컨텐츠 송신부(208)는, 컨텐츠 요구 수신부(201)에 의해 수신된 컨텐츠 요구에 따라 취득된 컨텐츠를 송신하는 부분이다. 예를 들면, 컨텐츠 송신부(208)는, 컨텐츠 요구 수신부(201)에 의해 수신된 컨텐츠 요구에 따라 취득된 컨텐츠를 송신하고, 또한 레코멘데이션 요구 수신부(202)에 따라, 분배 정보 저장부(205)에 기억되어 있는 컨텐츠 또는 열람 이력 테이블(207c)에 기억되어 있는 열람 이력에 기술된 컨텐츠에 기초하여 컨텐츠 평가부(206)에 의한 평가 결과에 따라 생성된 레코멘데이션 정보를 송신한다.
이와 같이 구성된 정보 분배 서버(200)는, 휴대 전화기(100)로부터의 요구에 따라, 유사 사용자인 휴대 전화기(100a)의 사용자에 의해 열람된 컨텐츠를 포함한 레코멘데이션 정보를 분배할 수 있다. 따라서, 사용자 특성 벡터에 기초하여 사용자의 유사도를 판단하고, 유사 사용자가 열람한 컨텐츠를 레코멘데이션 정보로서 분배함으로써, 열람 이력이 적은 사용자간에도, 그 유사도를 판단할 수 있다.
그리고, 본 실시예에서는, 이력 클래스 분리부(203) 및 사용자 특성 벡터 계산부(204)를 사용하여, 사용자 특성 벡터를 계산하고, 이것을 사용자 특성 벡터 관리 테이블(207a)에 기억시키고 있지만, 이에 한정되지 않고, 고정값으로서 사용자 특성 벡터 관리 테이블(207a)에 사용자 특성 벡터를 기억시키도록 해도 된다. 예를 들면, 이 고정값으로서 앙케이트 조사 등을 행한 결과에 기초하여, 사람의 수작업에 의해 생성된 것을 생각할 수 있다.
또한, 불만족 컨텐츠의 특성 벡터만에 기초하여 사용자 특성 벡터를 축차(逐次) 계산하고, 사용자 특성 벡터 관리 테이블(207a)에 기억시키도록 해도 된다. 예를 들면, 이력 클래스 분리부(203)를 사용하지 않고, 사용자 특성 벡터 계산부(204)는, 선택되지 않은 불만족 컨텐츠만에 기초하여 사용자 특성 벡터를 생성하고, 사용자 특성 벡터 관리 테이블(207a)에 기억시키도록 해도 된다. 이 경우, 사용자 특성 벡터 계산부(204)는, 불만족 컨텐츠만에 기초하여 중심을 계산하고, 이것을 사용자 특성 벡터로 하고, 사용자 특성 벡터 관리 테이블(207a)에 기억시켜, 유사 사용자 계산부(209)는, 여기에 기초하여, 유사 사용자를 판단하게 된다.
다음으로, 휴대 전화기(100)에 대하여 설명한다. 도 9는, 휴대 전화기(100)의 기능 구성을 나타낸 블록도이다. 도 9에 나타낸 바와 같이, 휴대 전화기(100)는, 브라우저(101), 이력 송신부(102), 레코멘데이션 요구 송신부(103), 및 분배 정보 표시부(104)를 포함하여 구성되어 있다. 이 휴대 전화기(100)는, CPU, RAM, ROM 등의 하드웨어에 의해 구성되어 있고, 기억되어 있는 프로그램에 따라 CPU는 동작하도록 구성되어 있다. 구체적으로는, 정보 분배 서버(200)와 동일한 구성을 취하며, 도 3에 나타내는 하드웨어 구성에 의해 실현된다. 이하, 각 구성에 대하여 설명한다.
브라우저(101)는, 인터넷에 접속하기 위한 응용프로그램 부분이며, 인터넷 상에 배치되어 있는 사이트에 대하여 액세스하여, 사이트에 유지되어 있는 컨텐츠를 사용자가 열람 가능하도록 한다. 이 브라우저(101)는, 액세스 이력을 유지하도록 구성된다.
이력 송신부(102)는, 브라우저(101)를 사용하여 액세스한 컨텐츠의 액세스 이력(동일 메뉴 화면 상에 있어서 선택된 컨텐츠 및 선택되지 않은 컨텐츠를 나타내는 정보)을 송신하는 부분이다. 그리고, 이 이력 송신부(102)는, 정보 분배 서버(200) 측에서 액세스할 때마다 이력 정보를 수집하는 기능을 가지고 있는 경우에는, 필수적인 구성은 아니다.
레코멘데이션 요구 송신부(103)는, 도시하지 않은 조작부를 사용자가 조작함으로써 사용자 ID와 함께 레코멘데이션 정보의 요구를 정보 분배 서버(200)에 송신하는 부분이다.
분배 정보 표시부(104)는, 브라우저(101)에 의해 취득된 메뉴 화면 및 컨텐츠(웹 페이지)를 표시하는 부분이다.
이와 같이 구성된 휴대 전화기(100)는, 브라우저(101)를 사용하여 인터넷에 액세스 가능하게 하고, 그 액세스 이력을 유지하고, 이력 송신부(102)는, 정보 분배 서버(200)로부터의 요구 또는 소정의 타이밍으로 액세스 이력을 송신할 수 있다.
다음으로, 이들 휴대 전화기(100) 및 정보 분배 서버(200)의 동작에 대하여 설명한다. 도 10은, 휴대 전화기(100)의 요구에 따라 컨텐츠를 분배할 때의 휴대 전화기(100)와 정보 분배 서버(200)의 처리를 나타낸 시퀀스도이다.
도 10에 나타낸 바와 같이, 휴대 전화기(100)에서의 브라우저(101)으로부터의 요구에 따라, 컨텐츠 송신부(208)에 의해 정보 분배 서버(200)로부터 메뉴 화면이 분배된다(S101). 휴대 전화기(100)의 사용자는, 그 메뉴 화면으로부터 임의의 하나의 컨텐츠(전술한 Node에 상당)를 선택하고, 휴대 전화기(100)에 있어서의 브라우저(101)가 이것을 받으면(S102), 컨텐츠의 접속 요구 및 그 수신처에서 URL이 정보 분배 서버(200)에 송신된다(S103).
정보 분배 서버(200)에서는, URL은 컨텐츠 요구 수신부(201)에 의해 수신되고, 열람 이력 테이블(207c)에 액세스 이력으로서 기억된다. 그리고, 이 액세스 이력에 기초하여, 사용자 특성 벡터의 계산이 행해지고, 기억된다(S104). 그리고, 컨텐츠 송신부(208)에 의해 S103에 있어서 요구가 있었던 행선지에 기초한 컨텐츠가 컨텐츠 프로바이더(도시하지 않음)로부터 취득되고, 분배된다(S105). 그리고, 사용자 특성 벡터의 계산 처리와, 컨텐츠의 분배 처리의 순번은 반대일 수도 있다.
여기서 S104에 있어서의 사용자 특성 벡터 계산의 상세한 처리에 대하여 설명한다. 도 11은, 사용자 특성 벡터의 계산 처리를 나타낸 흐름도이다. 도 11에 나타낸 바와 같이, 먼저 컨텐츠 요구 수신부(201)에 의해 수신된 액세스 요구 또는 액세스 이력에 의해 나타낸 액세스 이력 정보가, 새로 추가된 액세스 이력으로서 열람 이력 테이블(207c)에 기억된다(S201).
그리고, 이력 클래스 분리부(203)에 의해, 이 열람 이력 테이블(207c)에 기억되어 있는 액세스 이력 정보에 기초하여, 각 만족 클래스 또는 불만족 클래스에 속하는 컨텐츠의 특성 벡터가 추출된다(S202). 그리고, 이력 클래스 분리부(203)에 의해, 이들 특성 벡터에 기초하여 만족 클래스와 불만족 클래스를 분리하기 위한 분리 평면이 생성된다(S202). 다음으로, 사용자 특성 벡터 계산부(204)에 의해, 생성된 분리 평면에 직교하는 직교 벡터가 계산되고, 사용자 특성 벡터가 구해진다(S204). 여기서 구해진 사용자 특성 벡터는, 사용자 특성 벡터 관리 테이블(207a)에 유지되고, 레코멘데이션 정보의 분배 시에 있어서 분배 정보 저장부(205)에 기억되어 있는 컨텐츠를 평가할 때 이용된다.
다음으로, 본 실시예에 있어서의 유사 사용자가 열람한 컨텐츠를 레코멘데이션 정보로서 분배할 때의 그 관련도의 산출 처리에 대하여 설명한다. 도 12는, 레코멘데이션 정보를 분배할 때의 시퀀스도이다. 도 12에 나타낸 바와 같이, 휴대 전화기(100)에 있어서의 레코멘데이션 요구 송신부(103)에 의해 사용자 ID를 포함한 레코멘데이션 요구가 송신되고, 이 레코멘데이션 요구는 정보 분배 서버(200)에 있어서의 레코멘데이션 요구 수신부(202)에 의해 수신된다(S301). 그리고, 정보 분배 서버(200)에서는, 분배 정보 저장부(205)에 기억되어 있는 유사 사용자가 열람한 이미 열람한 컨텐츠에 대하여, 관련도의 계산 처리가 행해진다(S302). 여기서는, 관련도 평가부(210)에 의해, 관련도가 계산되고, 높은 관련도의 순서로 컨텐츠의 타이틀을 배열한 레코멘데이션 정보가 생성된다. 그리고, 컨텐츠 송신부(208)에 의해, 이와 같이 생성된 레코멘데이션 정보가 분배된다(S303).
여기서, S302의 관련도 계산에 대한 보다 상세한 처리에 대하여 설명한다. 도 13은, 관련도 계산 처리를 나타낸 흐름도이다. 도 13에 나타낸 바와 같이, 관련도 평가부(210)에 의해, 레코멘데이션 요구와 함께 송신된 사용자 ID에 기초하여, 사용자 특성 벡터 관리 테이블(207a)로부터, 대응하는 사용자 특성 벡터가 취득된다(S401). 다음으로, 유사 사용자 계산부(209)에 의해, 레코멘데이션 요구를 발한 사용자와 다른 사용자와의 유사도의 계산이 행해진다. 즉, 사용자의 사용자 특성 벡터와 다른 사용자의 사용자 특성 벡터가 각각 사용자 특성 벡터 관리 테이블(207a)로부터 추출되고, 그 내적이 계산된다. 모든 다른 사용자와의 내적이 계산되어 가장 유사도가 높은(내적값이 큰) 사용자가 유사 사용자로서 결정된다(S402).
그리고, 관련도 평가부(210)에 의해, 열람 이력 테이블(207c)로부터 유사 사용자가 이미 열람한 컨텐츠의 특성 벡터가 취득된다(S403). 전술한 식 (1)에 나타낸 바와 같이, 취득된 컨텐츠의 특성 벡터와 유사 사용자의 특성 벡터와의 내적이 계산되고, 그 내적값에 또한 S402에 있어서 산출된 유사도(내적값)가 승산되어, 관련도가 산출된다(S404). 관련도 평가부(210)에 의해, 이 관련도가 큰 순서로 컨텐츠의 타이틀이 배열된 레코멘데이션 정보가 생성되고, 생성된 레코멘데이션 정보는, 컨텐츠 송신부(208)에 의해 사용자[휴대 전화기(100)]에 분배된다(S405).
이와 같이, 사용자 특성 벡터에 따라, 유사 사용자를 특정하고, 이 유사 사용자가 열람한 컨텐츠를 레코멘데이션 정보로서 제공할 수 있다.
<상대 공간에서의 분리 평면의 생성>
이상의 분리 평면의 생성 방법은, 절대 공간에서의 컨텐츠의 특성 벡터에 따라 행해진 것이지만, 보다 정밀도를 높이는 방법으로서, 상대적인 위치 관계를 구한 상대 공간을 이용하는 것도 고려할 수 있다. 이하, 상대 공간을 사용하여 분리 평면을 생성하는 방법에 대하여 설명한다. 그리고, 이 때의 처리 구성은 전술한 바와 마찬가지이며, 이력 클래스 분리부(203)에서의 처리 내용이 상이할 뿐이다.
도 14는, 이력 사상 a와 이력 사상 b에 있어서의 메뉴 화면의 구성예를 나타내고, 도 14의 (a)가 이력 사상 a에 있어서의 메뉴 화면을 나타낸 도면이며, 이 메뉴 화면은 Node1 내지 Node3으로 구성되어 있다. 또한, 도 14의 (b)가 이력 사상 b에 있어서의 메뉴 화면을 나타낸 도면이며, 이 메뉴 화면은 Node6 내지 Node9로 구성되어 있다. 도 14의 (a)에서는, Node3이 선택되어 있고, 도 14의 (b)에서는, Node9가 선택되어 있는 것이 나타내어져 있다.
도 15는, 도 14에서 나타낸 각각의 메뉴 화면에 있어서 선택된 컨텐츠의 특성 벡터의 특징 공간에 있어서의 위치 관계를 나타낸 도면이다. 도 15의 (a)는, 이력 사상 a에 있어서 선택된 컨텐츠의 특징 공간(절대 공간), 도 15의 (b)는, 이력 사상 b에 있어서 선택된 컨텐츠의 특징 공간(절대 공간)을 나타낸 도면이다. 전술한 바와 마찬가지로, 선택된 컨텐츠는 만족스러운 컨텐츠, 선택되지 않은 컨텐츠는 불만족스러운 컨텐츠로 정의되고, 각각 만족 클래스, 불만족 클래스로 분류할 수 있다.
도 16은, 각각의 이력 사상 a 및 b를 동일 특징 공간 상에, 컨텐츠의 특성 벡터를 나타낸 도면으로서, 불만족스러운 컨텐츠의 특성 벡터를 원점으로 취한 경우에 있어서의 만족스러운 컨텐츠의 특성 벡터의 위치를 나타내는 상대 공간을 나타낸 도면이다. 예를 들면, Node2와 Node3의 상대 비교, Node1과 Node3의 상대 비교를 위하여, 각각 Node1, Node2를 원점으로 한 경우의 Node3의 위치를 나타낸 특징 공간을 상대 공간으로 하고 있다. 보다 구체적으로는, Node3의 특성 벡터로부터 Node1의 특성 벡터를 감산함으로써, 상대 공간을 형성할 수 있다. 다른 Node에 대해서도 마찬가지로, 대상으로 되는 컨텐츠의 특성 벡터를 감산하는 처리를 행함으로써 상대 공간을 형성할 수 있다.
이 상대 공간에 있어서, 도 16에 나타낸 바와 같이 이와 같이 만족스러운 컨텐츠의 특성 벡터, 불만족스러운 컨텐츠의 특성 벡터에 기초하여 만족 클래스와 불만족 클래스로 분리하기 위한 분리 평면이, 이력 클래스 분리부(203)에 의해 생성된다. 그리고, 사용자 특성 벡터 계산부(204)에 의해, 이 분리 평면에 직교하는 직교 벡터인 사용자 특성 벡터 w가 계산된다.
이와 같이, 이력 사상이 상이한 경우에도, 상대 공간을 이용하여 사용자 특성 벡터를 생성할 수 있고, 보다 식별성이 높은 사용자 특성 벡터를 생성할 수 있다.
이와 같이 상대 공간을 사용하여 분리 평면을 생성하고, 그에 따라 사용자 특성 벡터를 생성할 수 있다. 그런데, 도 15 내지 도 17에 대해서는, 절대 공간으로서 취급해도 분리 평면을 생성할 수 있지만, 분리 평면을 생성할 수 없는 특성 벡터로 구성되는 특징 공간도 생각할 수 있다. 그럴 경우에, 전술한 상대 공간을 이용함으로써 분리 평면을 생성할 수 있다. 이하, 그 방법에 대하여 설명한다.
도 17의 (a)는, 절대 공간에서의 컨텐츠의 특성 벡터를 나타낸 도면이다. 도 17의 (a)에서는, Node1과 Node4가 동일한 사상(메뉴 화면)에 존재하는 컨텐츠이며, Node2와 Node3이 동일한 사상에 존재하는 컨텐츠인 것을 전제로 하고 있다. 그리고, 원형이 선택된 컨텐츠의 특성 벡터(만족 클래스), 삼각형이 선택되지 않은 컨텐츠의 특성 벡터(불만족 클래스)이다.
도 17의 (a)로부터 명백한 바와 같이, 절대 공간에 있어서는, 이와 같은 위치 관계를 취하는 특성 벡터의 컨텐츠에 대해서는, 분리 평면을 생성할 수 없다. 분리 평면은, 만족 클래스와 불만족 클래스를 분리하기 위한 평면이므로, 도 17의 (a)의 예에서는, 과부족없이 양 자를 분리할 수 없기 때문이다. 따라서, 분리 평면을 생성할 수 있도록 상대적인 위치 관계를 나타내는 상대 공간으로 변환할 필요가 있다.
도 17의 (b)는, 상대 공간 내에서의 컨텐츠의 특성 벡터를 나타낸 도면이며, Node1 및 Node2가 동일한 위치로 되도록, 도 17의 (b)의 예에서는, Node2를 평행이동시키기 위해, 그 Node2에 대응하는 Node3을 평행이동시키고 있다. 이와 같이 상대 공간으로 변환함으로써, 불만족스러운 컨텐츠인 Node1(Node2)과, 만족스러운 컨텐츠인 Node3 및 Node4를 분리할 수 있는 분리 평면 v를 생성할 수 있다.
이상과 같이 절대 공간에서는, 분리 평면을 생성할 수 없는 경우라도, 상대 공간으로 변환함으로써 분리 평면을 생성할 수 있고, 이로써, 사용자 특성 벡터를 계산할 수 있다.
<열람 빈도를 고려한 분리 평면의 생성 방법>
다음으로, 컨텐츠의 열람 빈도를 사용한 가중치 부여 처리를 행하고, 이 가중치 부여 처리된 특성 벡터를 사용하여 분리 평면을 생성할 때의 이력 클래스 분리부(203)의 처리에 대하여 설명한다. 그리고, 여기서는, NN법을 이용한 분리 평면의 생성에 대하여 설명한다.
도 18은, 열람 빈도를 고려하여 특성 벡터의 중심을 구하는 처리를 나타낸 개념도이며, NodeA∼C에 대응한 컨텐츠 c1∼c3의 특성 벡터의 위치를 나타내는 특징 공간을 나타내는 개념도이다. 컨텐츠 c1의 열람 빈도는 3회, 컨텐츠 c2의 열람 빈도는 1회, 컨텐츠 c3의 열람 빈도는 10회로 한다. 그리고, 열람 이력 테이블(207c)은, 열람된 컨텐츠의 열람 이력, 열람되지 않은 컨텐츠의 불열람 이력을 기억하여 두는 것이 바람직하고, 각각의 빈도를 유지 또는 계산 가능하게 기억해 둘 필요가 있다.
이 경우, 이들 컨텐츠 c1∼c3의 중심은, 이하의 식 (2)에 의해 계산된다.
[식 2]
그리고, ci는 열람된 컨텐츠의 특성 벡터, ni는 열람 빈도이다.
이 계산을 행함으로써 중심이 정해진다. 또한, 도시하지 않지만 열람되지 않은 컨텐츠에 대해서도 마찬가지로 식 (2)를 사용하여, 열람되지 않은 컨텐츠의 특성 벡터를 사용하여 그 중심을 구한다. 그리고, 열람되지 않은 컨텐츠의 중심으로부터 열람된 컨텐츠의 중심에 대하여 연결한 직선을 사용자 특성 벡터로서 구할 수 있다. 그리고, 이 직선은, 분리 평면에 직교하는 직선과 동일한 방향을 취하는 것이며, 분리 평면을 산출하고, 이 분리 평면에 직교하는 직교 벡터를 구하도록 해도 되지만, NN법에 있어서는 반드시 분리 평면은 필요한 것은 아니다.
이로써, 컨텐츠의 열람 빈도를 이용하여 사용자 특성 벡터를 구할 수 있고, 열람 빈도를 이용하지 않는 경우에 비해, 사용자의 기호에 가까운 사용자 특성 벡터를 구할 수 있다. 따라서, 사용자의 기호에 따른 컨텐츠의 평가를 행할 수 있다.
<선택 순위를 고려한 분리 평면의 생성 방법>
다음으로, 열람한 컨텐츠의 순번을 고려하여 분리 평면을 생성할 때의 이력 클래스 분리부(203)의 처리에 대하여 설명한다. 일반적으로, 가장 최근에 액세스하여 컨텐츠가, 그 전에 액세스한 컨텐츠보다 중요하다, 또는 사용자의 기호에 가까운 것으로 생각할 수 있다. 이 시간차가 커질수록, 사용자의 기호에 변화가 생기고, 보다 최근에 액세스한 컨텐츠를 중요하게 생각하는 것이 현저하게 된다. 여기서는, 그 시간차(시계열 성분)를 고려하여 분리 평면을 생성할 때의 처리에 대하여 설명한다.
도 19는, 이력 클래스 분리부(203)이 분리 평면을 생성할 때 있어서, 그 액세스된 시계열순으로 NN법에 의해 사용자 특성 벡터를 생성할 때의 처리를 나타낸 설명도로서, 도 19의 (a)는, 그 때의 메뉴 화면을 나타내는 설명도이며, 도 19의 (b)는, 사용자가 선택한 컨텐츠의 선택 이력을 나타내는 설명도이며, 도 19의 (c)는, 특징 공간에 있어서의 각 컨텐츠의 특성 벡터를 나타낸 개념도이며, 도 19의 (d)는, 선택 순서를 고려한 분리 평면을 생성하는 것을 설명하기 위한 개념도이다. 그리고, 선택 이력은, 열람 이력 테이블(207c)에 기억된다.
도 19의 (a)에 나타낸 바와 같이, NodeA 내지 NodeF에 의해 메뉴 화면이 구성되어 있다. 여기서는 도 19의 (b)에 나타낸 바와 같이 NodeA, NodeB, NodeC의 순서로 컨텐츠가 선택되어 있다. 따라서, NodeA, NodeB, NodeC가 만족 클래스로 분류되는 컨텐츠로 되고, NodeD, NodeE, NodeF가 불만족 클래스로 분류되는 컨텐츠로 된다.
다음으로, 도 19의 (c) 및 도 19의 (d)를 사용하여, 분리 평면을 생성할 때의 처리를 나타낸 개념에 대하여 설명한다. 도 19의 (c)에 나타낸 바와 같이, NodeA 내지 NodeF는, 그 특성 벡터에 따라 특징 공간 상에 위치하게 된다. 그리고, 가장 최근에 선택한 컨텐츠의 특성 벡터의 영향이 커지도록 계산된다. 도 19의 (d)에 나타낸 바와 같이, 만족 클래스에 있어서의 중심을 구하기 위해, 먼저, NodeA와 NodeB의 중점(中點) w1이 계산된다. 그리고, 이 중점 w1과 NodeC의 중점 w2가 계산된다.
한편, 불만족 클래스에 있어서는, NodeD, NodeE, NodeF에 기초하여 중심 w3가 계산된다. 불만족 클래스에 있어서는 선택 순서의 개념이 없기 때문에, 통상적인 처리와 동일하게, 이 3개의 Node에 기초한 중심 w3가 계산된다. 그리고, 중점 w2와 중심 w3를 연결한 선이 수직선이 되는 분리 평면 v가 생성된다. 그리고, 본 실시예에 있어서는 이 분리 평면 v에 직교하는 직교 벡터를 사용자 특성 벡터로 하며, 이는, 중심 w3로부터 중점 w2를 향해 연결한 직선과 같다. 실시예에서의 설명의 편의를 위해, 분리 평면을 구하고 있지만, NN법을 이용하는 경우에 있어서는 분리 평면을 구하는 것은 필수적인 것은 아니다.
이와 같이, 특성 벡터와 특성 벡터의 중점을 산출하고, 또 이 중점과 특성 벡터의 중점을 산출하고, 시계열적으로 차례로 중점을 산출함(NN법을 적용함)으로써, 앞선 액세스 이력일수록 가중치가 작아지고, 시계열 순위를 고려한 중심을 산출할 수 있다.
<조작 메뉴에 대한 적용>
그런데, 전술한 각 방법에서는, 메뉴 화면으로서, 웹 사이트인 정보 분배 서버(200)로부터 송신된 메뉴 화면을 예로 들어 설명하였으나, 이에 한정되지 않고, 예를 들면, 휴대 전화기(100)의 조작 메뉴에 대하여, 레코멘데이션 정보로서 레코멘데이션 조작 정보를 표시하도록 해도 된다.
예를 들면, 조작 메뉴에 있어서의 각 조작 항목에 대하여, 특성 벡터가 할당되어 있고, 사용자의 조작 이력에 따라, 사용자 조작에 관한 사용자 특성 벡터가 생성되고, 이 사용자 특성 벡터에 기초하여 유사 사용자를 추출하고, 이 유사 사용자의 조작 이력에 기초한 레코멘데이션 조작 정보를 생성해도 된다. 이 경우, 조작 이력은 정보 분배 서버(200)에 소정의 타이밍으로 송신되고, 기억되도록 구성되어 있다. 또한, 사용자는 유사 사용자의 조작 이력을 보고자 할 경우에는 그 취지의 레코멘데이션 조작 정보 요구를 행하도록 조작할 수 있도록 구성되어 있다.
도 20은, 조작에 관한 특징 공간에 있어서의 특성 벡터의 파라미터를 나타내는 설명도이다. 도 20에 나타낸 바와 같이, 휴대 전화기(100)의 단말기 기능으로서, 「착신 문자」, 「텔레비전 전화」, 「원세그(일본에서의 휴대전화·이동통신용 원세그먼트 부분 수신 서비스)」, 「화면 메모」, 「텍스트 메모」가 규정되어 있다. 또한, 특성 벡터를 구성하는 파라미터로서 「전화」, 「인터넷」, 「텍스트」, 「메모」, 「텔레비전」이 규정되어 있다. 이와 같이, 휴대 전화기(100)의 기능에 특성 벡터가 규정되어 있다. 예를 들면, 「착신 문자」에는, 「전화」 및 「텍스트」의 파라미터에 1이 부여되어 있고, 전화, 텍스트에 관련이 있는 기능인 것이 나타내어져 있다. 분배 정보 저장부(205)에는, 유사 사용자가 조사한 조작 이력 정보가 기억되고, 사용자가 조작 메뉴를 표시하기 위한 조작을 행할 때는, 그 취지가 통지되고, 관련도 평가부(210)는, 유사 사용자의 조작 이력에 기초한 레코멘데이션 조작 정보를 생성하고, 컨텐츠 송신부(208)는 이 레코멘데이션 조작 정보를 송신하고, 휴대 전화기(100)에 있어서 이을 표시하게 할 수 있다.
이와 같이 조작 메뉴에 대해서도 본 실시예의 평가 방법을 적용하고, 레코멘데이션 조작 정보를 사용자에게 제공함으로써, 사용자가 자주 사용하는 조작과 유사하거나 또는 관련된 조작을 사용자에게 통지할 수 있다.
다음으로, 본 실시예의 정보 분배 서버(200)의 작용 효과에 대하여 설명한다. 이 정보 분배 서버(200)에 있어서, 사용자 특성 벡터 계산부(204)가 각 사용자의 사용자 특성 벡터를 산출하고, 유사 사용자 계산부(209)는, 전술한 바와 같이 산출된 각 사용자의 사용자 특성 벡터에 기초하여 사용자간의 유사도를 산출한다. 그리고, 유사 사용자 계산부(209)는, 산출된 유사도에 기초하여 하나의 사용자와 유사한 유사 사용자를 선택하고, 관련도 평가부(210)는, 선택된 유사 사용자의 특성 벡터에 기초하여, 하나의 사용자에 대한 레코멘데이션 정보를 생성할 수 있다. 이로써, 사용자 특성 벡터를 사용하여 사용자의 유사도를 판단함으로써, 종전의 방법에 비해, 이력 정보를 다수 취득하지 않고, 양호한 정밀도로 유사 사용자를 판단할 수 있다. 예를 들면, 종전의 방법에 있어서는, 1만건의 열람 이력 정보에 기초하여 유사 사용자를 판단할 필요가 있었지만, 본 발명에 의하면, 10건 정도의 열람 이력 정보를 사용함으로써 유사 사용자를 양호한 정밀도로 판단할 수 있다.
또한, 컨텐츠 요구 수신부(201)가, 사용자 조작에 의해, 복수개의 선택 대상 항목인 메뉴 화면으로부터 하나의 선택 대상 항목인 컨텐츠를 선택하는 것을 수신하고, 컨텐츠 특성 벡터 관리 테이블(207b)은, 선택된 컨텐츠의 특성 벡터 및 선택되지 않은 컨텐츠의 특성 벡터를 기억한다. 그리고, 이력 클래스 분리부(203)는, 기억되어 있는, 선택된 컨텐츠의 특성 벡터와 선택되지 않은 컨텐츠의 특성 벡터를 분리하기 위하여 평탄하게 형성되어 있는 분리 평면을 생성하고, 사용자 특성 벡터 계산부(204)는, 생성된 분리 평면에 직교하는 직교 벡터에 기초하여 사용자 특성 벡터를 생성할 수 있다. 이로써, 정밀도가 양호한 사용자 특성 벡터를 생성할 수 있다.
또한, 이 정보 분배 서버(200)에 있어서, 관련도 평가부(210)는, 유사 사용자 계산부(209)에 의해 산출된 유사도와 유사 사용자의 사용자 특성 벡터 및 유사 사용자에 의해 열람된 열람 컨텐츠의 특성 벡터의 내적값를 곱하고, 이 곱해서 얻어진 곱셈값에 기초하여, 열람 컨텐츠를 평가하고, 이 평가에 기초하여 열람 컨텐츠로부터 레코멘데이션 정보를 생성함으로써, 유사도에 따른 가중치 부여 처리를 행하고, 이 가중치 부여 처리된 결과에 따른 레코멘데이션 정보를 생성할 수 있다. 따라서, 유사도에 따라 적절한 레코멘데이션 정보를 생성할 수 있다.
100: 휴대 전화기 100a: 휴대 전화기
101: 브라우저 102: 이력 송신부
103: 레코멘데이션 요구 송신부 104: 분배 정보 표시부
200: 정보 분배 서버 201: 컨텐츠 요구 수신부
202: 레코멘데이션 요구 수신부 203: 이력 클래스 분리부
204: 사용자 특성 벡터 계산부 205: 분배 정보 저장부
205a: 컨텐츠 관리 테이블 207: 이력 저장부
207a: 사용자 특성 벡터 관리 테이블
207b: 컨텐츠 특성 벡터 관리 테이블
207c: 열람 이력 테이블 208: 컨텐츠 송신부
209: 유사 사용자 계산부 210: 관련도 평가부
101: 브라우저 102: 이력 송신부
103: 레코멘데이션 요구 송신부 104: 분배 정보 표시부
200: 정보 분배 서버 201: 컨텐츠 요구 수신부
202: 레코멘데이션 요구 수신부 203: 이력 클래스 분리부
204: 사용자 특성 벡터 계산부 205: 분배 정보 저장부
205a: 컨텐츠 관리 테이블 207: 이력 저장부
207a: 사용자 특성 벡터 관리 테이블
207b: 컨텐츠 특성 벡터 관리 테이블
207c: 열람 이력 테이블 208: 컨텐츠 송신부
209: 유사 사용자 계산부 210: 관련도 평가부
Claims (5)
- 각 사용자의 사용자 특성 벡터를 취득하는 벡터 취득 수단;
상기 벡터 취득 수단에 의해 취득된 각 사용자의 사용자 특성 벡터에 기초하여 사용자간의 유사도를 산출하는 유사도 산출 수단;
상기 유사도 산출 수단에 의해 산출된 유사도에 기초하여 하나의 사용자(one user)와 유사한 유사 사용자를 선택하는 선택 수단; 및
상기 선택 수단에 의해 선택된 상기 유사 사용자의 특징 벡터에 기초하여, 상기 하나의 사용자에 대한 레코멘데이션 정보를 생성하는 생성 수단
을 포함하는 레코멘데이션 정보 생성 장치. - 제1항에 있어서,
상기 벡터 취득 수단은,
사용자 조작에 의해, 복수개의 선택 대상 항목으로부터 하나의 선택 대상 항목을 선택하는 것을 받아들이는 접수 수단;
상기 접수 수단에 의해 접수된 상기 선택 대상 항목의 만족 특징 벡터 및 상기 접수 수단에 의해 받아들여지지 않은 선택 대상 항목의 불만족 특징 벡터를 기억하는 기억 수단; 및
상기 기억 수단에 의해 기억되어 있는 선택된 선택 대상 항목의 만족 특징 벡터와 선택되지 않은 선택 대상 항목의 불만족 특징 벡터를 분리하기 위한 분리 평면에 직교하는 직교 벡터를 사용자 특성 벡터로 하는 사용자 특성 벡터 생성 수단
으로 구성되는, 레코멘데이션 정보 생성 장치. - 제1항에 있어서,
상기 벡터 취득 수단은,
사용자 조작에 의해, 복수개의 선택 대상 항목으로부터 하나의 선택 대상 항목이 선택된 것, 및 선택되지 않은 선택 대상 항목을 받아들이는 접수 수단; 및
상기 접수 수단에 의해 받아들여지지 않은 선택 대상 항목의 불만족 특징 벡터에 기초하여 사용자 특성 벡터를 생성하는 사용자 특성 벡터 생성 수단
으로 구성되는, 레코멘데이션 정보 생성 장치. - 제1항 내지 제3항 중 어느 한 항에 있어서,
상기 생성 수단은, 상기 유사도 산출 수단에 의해 산출된 유사도와 유사 사용자의 사용자 특성 벡터 및 상기 유사 사용자에 의해 열람된 열람 컨텐츠의 특징 벡터의 내적값에 기초하여, 상기 열람 컨텐츠를 평가하고, 상기 평가에 기초하여 상기 열람 컨텐츠로부터 레코멘데이션 정보를 생성하는, 레코멘데이션 정보 생성 장치. - 각 사용자의 사용자 특성 벡터를 취득하는 벡터 취득 단계;
상기 벡터 취득 단계에 의해 취득된 각 사용자의 사용자 특성 벡터에 기초하여 사용자간의 유사도를 산출하는 유사도 산출 단계;
상기 유사도 산출 단계에 의해 산출된 유사도에 기초하여 하나의 사용자와 유사한 유사 사용자를 선택하는 선택 단계; 및
상기 선택 단계에 의해 선택된 유사 사용자의 특징 벡터에 기초하여, 상기 하나의 사용자에 대한 레코멘데이션 정보를 생성하는 생성 단계
를 포함하는, 레코멘데이션 정보 생성 방법.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008102795A JP5166949B2 (ja) | 2008-04-10 | 2008-04-10 | 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 |
JPJP-P-2008-102795 | 2008-04-10 | ||
PCT/JP2009/056869 WO2009125712A1 (ja) | 2008-04-10 | 2009-04-02 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20100114093A true KR20100114093A (ko) | 2010-10-22 |
KR101147470B1 KR101147470B1 (ko) | 2012-05-21 |
Family
ID=41161844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020107018670A KR101147470B1 (ko) | 2008-04-10 | 2009-04-02 | 레코멘데이션 정보 생성 장치 및 레코멘데이션 정보 생성 방법 |
Country Status (7)
Country | Link |
---|---|
US (1) | US8032526B2 (ko) |
EP (1) | EP2264623A4 (ko) |
JP (1) | JP5166949B2 (ko) |
KR (1) | KR101147470B1 (ko) |
CN (1) | CN101990668B (ko) |
TW (1) | TWI421714B (ko) |
WO (1) | WO2009125712A1 (ko) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4650552B2 (ja) * | 2008-10-14 | 2011-03-16 | ソニー株式会社 | 電子機器、コンテンツ推薦方法及びプログラム |
AU2010301195A1 (en) * | 2009-09-29 | 2012-04-19 | Luvitorshuvit Limited | User preference surveys |
JP5293970B2 (ja) * | 2010-03-30 | 2013-09-18 | ブラザー工業株式会社 | 商品推奨方法及び商品推奨システム |
JP5466190B2 (ja) * | 2011-02-17 | 2014-04-09 | 株式会社Nttドコモ | アプリケーションをユーザに推薦するサーバ及び推薦方法 |
JP2012242844A (ja) * | 2011-05-13 | 2012-12-10 | Ntt Docomo Inc | 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 |
JP2013105309A (ja) * | 2011-11-14 | 2013-05-30 | Sony Corp | 情報処理装置、情報処理方法、及びプログラム |
US8661328B2 (en) * | 2011-12-15 | 2014-02-25 | Sap Portals Israel Ltd | Managing web content on a mobile communication device |
JP2013210868A (ja) * | 2012-03-30 | 2013-10-10 | Sony Corp | 情報処理装置、情報処理方法及びコンピュータプログラム |
JP5600148B2 (ja) * | 2012-08-23 | 2014-10-01 | ヤフー株式会社 | 映像配信装置、映像配信方法及び映像配信プログラム |
US11308037B2 (en) * | 2012-10-30 | 2022-04-19 | Google Llc | Automatic collaboration |
JP6048254B2 (ja) * | 2013-03-21 | 2016-12-21 | 富士通株式会社 | 操作支援プログラム、操作支援方法および情報処理装置 |
US10380635B2 (en) | 2013-05-20 | 2019-08-13 | Panasonic Intellectual Property Corporation Of America | Information providing method and information providing device |
US20150052003A1 (en) | 2013-08-19 | 2015-02-19 | Wal-Mart Stores, Inc. | Providing Personalized Item Recommendations Using Scalable Matrix Factorization With Randomness |
US9326026B2 (en) | 2013-10-31 | 2016-04-26 | At&T Intellectual Property I, Lp | Method and apparatus for content distribution over a network |
US10482519B1 (en) * | 2014-11-18 | 2019-11-19 | Netflix, Inc. | Relationship-based search and recommendations via authenticated negatives |
JPWO2017057010A1 (ja) * | 2015-10-02 | 2018-06-21 | シャープ株式会社 | 端末装置、制御サーバ、テレビジョン受像機、端末装置の制御方法、制御プログラム、および、記録媒体 |
JP6634972B2 (ja) * | 2015-10-05 | 2020-01-22 | 富士通株式会社 | 推奨アイテム出力方法、推奨アイテム出力プログラム、及び推奨アイテム出力装置 |
US20170177577A1 (en) * | 2015-12-18 | 2017-06-22 | Google Inc. | Biasing scrubber for digital content |
US20180032882A1 (en) * | 2016-07-27 | 2018-02-01 | Fuji Xerox Co., Ltd. | Method and system for generating recommendations based on visual data and associated tags |
CN108073613A (zh) * | 2016-11-14 | 2018-05-25 | 腾讯科技(深圳)有限公司 | 信息发送方法及装置 |
CN109389442A (zh) * | 2017-08-04 | 2019-02-26 | 北京京东尚科信息技术有限公司 | 商品推荐方法及装置、存储介质及电子终端 |
JP6960838B2 (ja) * | 2017-12-13 | 2021-11-05 | ヤフー株式会社 | 情報提供装置、情報提供方法、およびプログラム |
US20190286381A1 (en) * | 2018-03-13 | 2019-09-19 | Kabushiki Kaisha Toshiba | Information processing apparatus, information processing method, and information storage medium |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998040832A2 (en) * | 1997-03-14 | 1998-09-17 | Firefly Network, Inc. | Method and apparatus for efficiently recommending items using automated collaborative filtering and feature-guided automated collaborative filtering |
JP2000132559A (ja) * | 1998-10-23 | 2000-05-12 | Hitachi Ltd | 情報フィルタリングシステムにおけるプロファイル更新方法及び情報フィルタリングシステム |
US6493702B1 (en) * | 1999-05-05 | 2002-12-10 | Xerox Corporation | System and method for searching and recommending documents in a collection using share bookmarks |
US6430539B1 (en) * | 1999-05-06 | 2002-08-06 | Hnc Software | Predictive modeling of consumer financial behavior |
JP2002215665A (ja) | 2001-01-16 | 2002-08-02 | Dainippon Printing Co Ltd | 情報推薦サーバー装置 |
US6993532B1 (en) * | 2001-05-30 | 2006-01-31 | Microsoft Corporation | Auto playlist generator |
JP2003256466A (ja) * | 2002-03-04 | 2003-09-12 | Denso Corp | 適応的情報検索システム |
JP4433280B2 (ja) * | 2002-03-29 | 2010-03-17 | ソニー株式会社 | 情報検索システム、情報処理装置および方法、記録媒体、並びにプログラム |
JP2004194108A (ja) * | 2002-12-12 | 2004-07-08 | Sony Corp | 情報処理装置および情報処理方法、記録媒体、並びにプログラム |
EP1571835A4 (en) * | 2002-12-12 | 2010-10-20 | Sony Corp | DEVICE, METHOD AND SYSTEM FOR PROCESSING DATA, RECORDING MEDIUM, AND PROGRAM |
JP4428036B2 (ja) * | 2003-12-02 | 2010-03-10 | 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、情報処理システムおよび方法 |
JP2005332265A (ja) * | 2004-05-20 | 2005-12-02 | Sony Corp | 情報処理システムおよび方法、情報処理装置および方法、プログラム |
JP2006048286A (ja) * | 2004-08-03 | 2006-02-16 | Sony Corp | 情報処理装置および方法、並びにプログラム |
JP2007073014A (ja) * | 2005-09-09 | 2007-03-22 | Denso It Laboratory Inc | 情報提供装置及び情報提供方法 |
US7592910B2 (en) * | 2005-09-28 | 2009-09-22 | Social Fabric Corporation | Matching system |
JP4378646B2 (ja) * | 2005-09-28 | 2009-12-09 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP2007148991A (ja) * | 2005-11-30 | 2007-06-14 | National Institute Of Advanced Industrial & Technology | 生物学的情報処理装置、生物学的情報処理方法および生物学的情報処理プログラム |
US7706740B2 (en) * | 2006-01-06 | 2010-04-27 | Qualcomm Incorporated | Apparatus and methods of selective collection and selective presentation of content |
US20070250319A1 (en) * | 2006-04-11 | 2007-10-25 | Denso Corporation | Song feature quantity computation device and song retrieval system |
JPWO2007148817A1 (ja) * | 2006-06-23 | 2009-11-19 | 日本電気株式会社 | コンテンツ推薦システム、コンテンツ推薦方法及びコンテンツ推薦用プログラム |
EP1930906A1 (en) * | 2006-12-08 | 2008-06-11 | Sony Corporation | Information processing apparatus, display control processing method and display control processing program |
JP4423568B2 (ja) * | 2006-12-08 | 2010-03-03 | ソニー株式会社 | 表示制御処理装置および方法並びにプログラム |
US7873634B2 (en) * | 2007-03-12 | 2011-01-18 | Hitlab Ulc. | Method and a system for automatic evaluation of digital files |
US7958130B2 (en) * | 2008-05-26 | 2011-06-07 | Microsoft Corporation | Similarity-based content sampling and relevance feedback |
US7685232B2 (en) * | 2008-06-04 | 2010-03-23 | Samsung Electronics Co., Ltd. | Method for anonymous collaborative filtering using matrix factorization |
US8166016B2 (en) * | 2008-12-19 | 2012-04-24 | Yahoo! Inc. | System and method for automated service recommendations |
US20100169313A1 (en) * | 2008-12-30 | 2010-07-01 | Expanse Networks, Inc. | Pangenetic Web Item Feedback System |
JP5464412B2 (ja) * | 2009-08-12 | 2014-04-09 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
EP2306339A1 (en) * | 2009-09-23 | 2011-04-06 | Adobe Systems Incorporated | Algorith and implementation for fast computation of content recommendation |
-
2008
- 2008-04-10 JP JP2008102795A patent/JP5166949B2/ja active Active
-
2009
- 2009-04-02 KR KR1020107018670A patent/KR101147470B1/ko active IP Right Grant
- 2009-04-02 EP EP09729780A patent/EP2264623A4/en not_active Ceased
- 2009-04-02 US US12/936,758 patent/US8032526B2/en active Active
- 2009-04-02 CN CN200980112637.7A patent/CN101990668B/zh not_active Expired - Fee Related
- 2009-04-02 WO PCT/JP2009/056869 patent/WO2009125712A1/ja active Application Filing
- 2009-04-09 TW TW098111828A patent/TWI421714B/zh not_active IP Right Cessation
Also Published As
Publication number | Publication date |
---|---|
CN101990668B (zh) | 2014-03-26 |
WO2009125712A1 (ja) | 2009-10-15 |
US20110093476A1 (en) | 2011-04-21 |
EP2264623A1 (en) | 2010-12-22 |
KR101147470B1 (ko) | 2012-05-21 |
JP5166949B2 (ja) | 2013-03-21 |
TW201001200A (en) | 2010-01-01 |
US8032526B2 (en) | 2011-10-04 |
JP2009252177A (ja) | 2009-10-29 |
TWI421714B (zh) | 2014-01-01 |
CN101990668A (zh) | 2011-03-23 |
EP2264623A4 (en) | 2012-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101147470B1 (ko) | 레코멘데이션 정보 생성 장치 및 레코멘데이션 정보 생성 방법 | |
KR101123175B1 (ko) | 레코멘데이션 정보 평가 장치 및 레코멘데이션 정보 평가 방법 | |
US7644101B2 (en) | System for generating and managing context information | |
US8463785B2 (en) | Method and system for generating search collection of query | |
JP6185379B2 (ja) | レコメンド装置およびレコメンド方法 | |
JP2006285526A (ja) | 画像データに応じた情報検索 | |
JP2010181966A (ja) | レコメンド情報評価装置およびレコメンド情報評価方法 | |
JP4963619B2 (ja) | 情報検索システム、情報検索装置、検索結果画面情報生成方法及び検索結果画面情報生成処理プログラム | |
US20130304370A1 (en) | Method and apparatus to provide location information | |
JP2012242844A (ja) | 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 | |
WO2009125622A1 (ja) | 電子掲示板システム | |
JP2013196141A (ja) | 端末装置、情報表示システムおよび情報表示方法 | |
JP5183282B2 (ja) | レコメンド情報評価装置およびレコメンド情報評価方法 | |
JP2018151995A (ja) | 情報提供装置、情報提供方法、および情報提供プログラム | |
JP5248376B2 (ja) | 情報配信装置および情報配信方法 | |
KR101902568B1 (ko) | 정보 제공 시스템 및 정보 제공 방법 | |
KR20010096871A (ko) | 인터넷상에서 멀티미디어 파일 검색방법 | |
KR20180108529A (ko) | 정보 제공 시스템 및 정보 제공 방법 | |
KR20140072243A (ko) | 웹 사이트 검색창을 이용한 광고 방법 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20150416 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20160418 Year of fee payment: 5 |
|
FPAY | Annual fee payment |
Payment date: 20170421 Year of fee payment: 6 |
|
FPAY | Annual fee payment |
Payment date: 20180418 Year of fee payment: 7 |