JP6101477B2

JP6101477B2 - コンテンツ推薦装置、及びプログラム

Info

Publication number: JP6101477B2
Application number: JP2012269663A
Authority: JP
Inventors: 松井　淳; 淳松井
Original assignee: Japan Broadcasting Corp
Current assignee: Japan Broadcasting Corp
Priority date: 2012-12-10
Filing date: 2012-12-10
Publication date: 2017-03-22
Anticipated expiration: 2032-12-10
Also published as: JP2014115839A

Description

本発明は、コンテンツ推薦装置、及びプログラムに関する。

従来より、ある人物の興味に合致するテレビ番組や、ある人物が購入する可能性が高い商品を特定するための情報（目的評価値）を、本人、及び不特定多数の人物から収集した、別のコンテンツ集合に対する評価値のデータセット（参照評価値）を元に算出する技術がある。

不特定多数の人物について収集したコンテンツ集合に対する評価値のデータから、対象とする人物の評価値を予測する技術としては、不特定多数の人物について収集した評価値を参照し、嗜好が類似する人物のデータを参照、及び統合して、目的評価値を予測する手法（協調フィルタリング）が広く知られおり、実用化が進んでいる。しかしながら、与えられる参照評価値のデータに欠損値が多く含まれる場合、すなわち、参照評価値のテーブルが疎である場合には、目的評価値を予測可能なコンテンツが限定されるため、実用上、大きな問題となる。この問題は、一般的には「希薄問題」と呼ばれる。

希薄問題に対処可能な従来技術としては、例えば、グラフマイニングを用いた関連コンテンツの探索法がある（例えば非特許文献１参照）。この手法は、ユーザ参加型の音楽推薦サービスが収集したデータに基づいて、ある特定のユーザの嗜好に合致する楽曲を予測する技術として考案された手法である。この手法では、同サービスが提供する、各々のユーザの楽曲に対する評価値、ならびに、各楽曲についてのタグ情報（ジャンル）などを１つのグラフの形式に記述し、ユーザと楽曲との推移関係を、グラフマイニング法の一手法であるＲＷＲ法（Random Walk with Restart）を用いて推定することによって、目的のユーザの嗜好に合致したコンテンツを予測する。

Ioannis Konstasほか,"On Social Networks and Collaborative Recommendation," Proc. 32nd ACM SIGIR 2009, pp. 195 -- 202, 2009年

上述した従来技術によるＲＷＲ法は、解析対象のグラフのエッジに評価値を「重み」として記述する方法を採用する。このため、評価値が正の値と負の値の両方の値を取りうる場合には、どちらか一方の値（例えば、負の評価値）を無視して、残りの一方の評価値（例えば、正の評価値）のみしか利用していない。そのため従来技術によるＲＷＲ法では、目的評価値を高精度で予測できないので、目的のユーザの嗜好に合致したコンテンツを高精度に推定することができなかった。その結果、ユーザに嗜好に合致したコンテンツの推薦が得られない場合があり、ユーザの利便性が低いという問題があった。

本発明の一態様は、このような事情を考慮してなされたものであり、その目的は、コンテンツ推薦時におけるユーザの利便性を向上させることができるコンテンツ推薦装置、及びプログラムを提供することにある。

上述した課題を解決するために、本発明の一態様は、複数のコンテンツそれぞれに対する各ユーザの正の評価値を用いて、前記複数のコンテンツのうち、目的ユーザが評価していないコンテンツに対する正の評価値の予測確率値であるポジティブスコアを算出するポジティブスコア算出部と、前記複数のコンテンツそれぞれに対する各ユーザの負の評価値を用いて、前記複数のコンテンツのうち、前記目的ユーザが評価していないコンテンツに対する負の評価値の予測確率値であるネガティブスコアを算出するネガティブスコア算出部と、前記ポジティブスコア算出部が算出したポジティブスコアと前記ネガティブスコア算出部が算出したネガティブスコアとに基づいて、前記目的ユーザに推薦するコンテンツを決定する推薦コンテンツ決定部と、を備えることを特徴とするコンテンツ推薦装置である。

本発明の一態様は、上記のコンテンツ推薦装置において、前記推薦コンテンツ決定部は、前記ポジティブスコアと前記ネガティブスコアとに基づいて、前記目的ユーザが評価していない未評価コンテンツの評価値間の大小関係を推定し、該推定した大小関係に基づいて、前記目的ユーザに推薦するコンテンツを決定する。

本発明の一態様は、上記のコンテンツ推薦装置において、前記ポジティブスコア算出部は、前記各ユーザ間の嗜好の類似度と前記各ユーザの各コンテンツに対する正の評価値と前記コンテンツ間の類似度とを参照して、前記ポジティブスコアを算出し、前記ネガティブスコア算出部は、前記各ユーザ間の嗜好の類似度と前記各ユーザの各コンテンツに対する負の評価値と前記コンテンツ間の類似度とを参照して、前記ネガティブスコアを算出することを特徴とする。

本発明の一態様は、上記のコンテンツ推薦装置において、前記複数のコンテンツの各々に対する各ユーザの評価を示す評価値を、前記正の評価値の集合と前記負の評価値の集合に分割する分割部と、各コンテンツ、及び各ユーザをノードとし、前記正の評価値の集合を各ノードを接続するエッジ重みとして記述したポジティブグラフと、各コンテンツ、及び各ユーザをノードとし、前記負の評価値の集合を、各ノードを接続するエッジ重みとして記述したネガティブグラフとを作成する作成部とを更に備え、前記ポジティブスコア算出部は、前記ポジティブグラフに基づいて、前記ポジティブスコアを算出し、前記ネガティブスコア算出部は、前記ネガティブグラフに基づいて、前記ネガティブスコアを算出することを特徴とする。

また、上述した課題を解決するために、本発明の一態様は、コンピュータに、複数のコンテンツそれぞれに対する各ユーザの正の評価値を用いて、前記複数のコンテンツのうち、目的ユーザが評価していないコンテンツに対する正の評価値の予測確率値であるポジティブスコアを算出するポジティブスコア算出ステップと、前記複数のコンテンツそれぞれに対する各ユーザの負の評価値を用いて、前記複数のコンテンツのうち、前記目的ユーザが評価していないコンテンツに対する負の評価値の予測確率値であるネガティブスコアを算出するネガティブスコア算出ステップと、前記ポジティブスコア算出ステップで算出されたポジティブスコアと前記ネガティブスコア算出ステップで算出されたネガティブスコアとに基づいて、前記目的ユーザに推薦するコンテンツを決定する推薦コンテンツ決定ステップと、を実行させるためのプログラムである。

この発明によれば、コンテンツ推薦時におけるユーザの利便性を向上させることができる。

本発明の一実施形態によるコンテンツ推薦装置の構成を示すブロック図である。本実施形態によるコンテンツ推薦装置の動作を説明するためのフローチャートである。本実施形態によるコンテンツ推薦装置の動作を説明するためのフローチャートである。本実施形態による基礎評価値ＵＩ_ｂａｓｅの一例を示す概念図である。本実施形態による目的ユーザ評価値ｕｉ_{ｔａｒｇｅｔ}の一例を示す概念図である。本実施形態による参照評価値ＵＩ_ｒｅｆの一例を示す概念図である。本実施形態によるポジティブ・グラフＧ_ｐｏｓの一例を示す概念図である。本実施形態によるネガティブ・グラフＧ_ｎｅｇの一例を示す概念図である。本実施形態による隣接行列Ａ_ｐｏｓの一例を示す概念図である。本実施形態による隣接行列Ａ_ｎｅｇの一例を示す概念図である。本実施形態による部分行列ＩＩの一例を示す概念図である。本実施形態による初期ベクトルｐ^（０）の一例を示す概念図である。本実施形態による最終的に得られた更新結果ｐ_ｐｏｓの一例（α＝０．７，ε＝１０^−１０の場合）を示す概念図である。本実施形態による最終的に得られた更新結果ｐ_ｎｅｇの一例（α＝０．７，ε＝１０^−１０の場合）を示す概念図である。本実施形態によるポジティブ・スコアｓ_ｐｏｓの一例を示す概念図である。本実施形態によるネガティブ・スコアｓ_ｎｅｇの一例を示す概念図である。本実施形態による統合スコアｓ_{ｔｏｔａｌ}（ｗ_ｐｏｓ＝ｗ_ｎｅｇ＝１．０の場合）の一例を示す概念図である。本実施形態による推薦コンテンツリストの一例（閾値θ＝１の場合）を示す概念図である。推薦番組の上位１番目についての予測精度を、本実施形態による処理結果と従来のＲＷＲ法を用いた処理結果とで比較したグラフである。推薦番組の上位５番目についての予測精度を、本実施形態による処理結果と従来のＲＷＲ法を用いた処理結果とで比較したグラフである。推薦番組の上位１０番目についての予測精度を、本実施形態による処理結果と従来のＲＷＲ法を用いた処理結果とで比較したグラフである。推薦番組の上位２０番目についての予測精度を、本実施形態による処理結果と従来のＲＷＲ法を用いた処理結果とで比較したグラフである。

以下、本発明の一実施形態を、図面を参照して説明する。まず、本実施形態の概要について説明する。本実施形態におけるコンテンツ推薦装置１は、ある同一のコンテンツ集合に対する不特定人物それぞれの評価値のデータ集合、並びに、先のコンテンツ集合に含まれる一部のコンテンツに対する特定の人物の評価値のデータ集合のセット（以後、「参照評価値」と呼ぶ）が与えられた条件の下で、先のコンテンツ集合のうち、特定人物の評価がまだ与えられていないコンテンツに対する評価値（以後、「目的評価値」と呼ぶ）を予測する。

本実施形態におけるコンテンツ推薦装置１は、参照評価値が正の評価（例えば買いたい商品、または、見たい番組である度合い）と負の評価（例えば買いたくない商品、または、見たくない番組）との相反する２つの方向に沿った尺度が得られる場合において、それぞれの方向についての評価を統合的に評価し、解析する。それによって、コンテンツ推薦装置１は、高精度に目的評価値を推定することができる。特に、コンテンツ推薦装置１は、目的評価値の算出根拠である参照評価値に未評価のデータ、すなわち欠損値が多く存在する条件（以後、「疎な条件」と呼ぶ）であっても頑健な予測が可能である。

本実施形態におけるコンテンツ推薦装置１は、同一、かつ大量なコンテンツ集合に対する不特定多数の人物の評価値を網羅的に調査することが難しい状況において、各々のコンテンツに対する評価値を、好意的な反応（以後、「正の評価」と呼ぶ）、並びに反好意的な反応（以後、「負の評価」と呼ぶ）を調査し、解析する。それによって、コンテンツ推薦装置１は、より高い精度で目的評価値を予測することができる。

ここで、例えば、放送番組を解析対象のコンテンツと仮定した場合、ある特定の人物が見たい番組を予測するために、日本国内の地上波で放送している放送番組全てについての全世帯の評価値を網羅的に調査することは現実的ではない。多くの場合、統計的に優位な回答数が得られるだけの数の協力者について調査した一部の放送番組に対する評価値を、基礎データ（すなわち、参照評価値）とする場合がほとんどである。

解析対象のコンテンツの総数、あるいは、調査対象の人物の総数が比較的少数である場合には、用意した全てのコンテンツに対する評価値（参照評価値）を網羅的に調査することは可能である。しかしながら、どちらか一方の数が千以上の大規模な調査となった場合、全ての調査対象のコンテンツに対する評価値を正確に回収することは非常に困難であり、ある確率で未評価のデータ、すなわち、欠損値が含まれることを考慮する必要がある。

従来、与えられる参照評価値に多くの欠損値が含まれる状況であっても高精度に目的評価値を予測可能な手法として、ＲＷＲ法が知られている。しかしながら、ＲＷＲ手法は、各コンテンツに対する評価値を、グラフの「重さ」として記述して解析する。このため、各々のコンテンツに対する好意的な評価（正の評価）は記述可能であるが、それと併せて反好意的な評価（負の評価）を同時に記述することが原理的に不可能であり、両者の情報を統合して解析するためには、別途新たな工夫が必要である。

それに対して本実施形態におけるコンテンツ推薦装置１は、参照評価値が正の評価、並びに負の評価の２つの方向が与えられるとき、両者の評価値をそれぞれ別のグラフに記述する。そして、コンテンツ推薦装置１は、各々のグラフを独立に解析した後に、それら２つの解析結果を１つの確率分布に統合する。それによって、コンテンツ推薦装置１は、正負両方の参照評価値に基づいた高精度な目的評価値を予測することができる。

図１は、本発明の一実施形態によるコンテンツ推薦装置１の構成を示すブロック図である。図１において、コンテンツ推薦装置１は、基礎評価値記録部１０、グラフ作成部２０、目的評価値予測部３０、及び推薦コンテンツ決定部４０を備える。

基礎評価値記録部１０は、基礎コンテンツリストと、参照ユーザＩＤと、参照ユーザ評価値とを記録する。上記基礎コンテンツリストは、解析対象であるコンテンツ全てを記載したリストである。上記参照ユーザＩＤは、基礎コンテンツリストに記載された各々のコンテンツに対する評価値を調査する不特定多数のユーザのそれぞれを識別する番号である。上記参照ユーザ評価値は、各々の参照ユーザについて調査した基礎コンテンツリストに記載された、それぞれのコンテンツに対する評価値である。

グラフ作成部２０は、参照ユーザＩＤ別に記録された参照ユーザ評価値（以下、この参照ユーザ別の評価値のリストを基礎評価値と呼ぶ）を、基礎評価値記録部１０から受け取るとともに、目的ユーザＩＤと目的ユーザ評価値とを入力とし、ポジティブ・グラフとネガティブ・グラフとを作成して出力する。上記目的ユーザＩＤは、推薦リストを提示する対象のユーザ（以後、目的ユーザと呼ぶ）を識別するための識別情報である。上記目的ユーザ評価値は、目的ユーザが先のコンテンツ集合の部分集合の各コンテンツに対して下した評価値のリストである。

より具体的には、グラフ作成部２０は、分割部２１と作成部２２とを備えている。分割部２１は、参照ユーザ評価値を正の評価値（参照評価値の正の成分）と負の評価値（参照評価値の負の成分）とに分離する。作成部２２は、各コンテンツ、及び各ユーザをノードとし、各コンテンツに対する各々のユーザ（参照ユーザ、並びに目的ユーザ）の正の評価値（参照評価値の正の成分）を、各ノードを接続するエッジ重みとして記述したポジティブ・グラフと、各コンテンツに対する各々のユーザ（参照ユーザ、並びに目的ユーザ）の負の評価値（参照評価値の負の成分）をエッジ重みとして記述したネガティブ・グラフとを作成して出力する。

目的評価値予測部３０は、ポジティブ・スコア算出部３１（ポジティブスコア算出部）とネガティブ・スコア算出部（ネガティブスコア算出部）３２とを備えている。ポジティブ・スコア算出部３１は、グラフ作成部２０から受け取ったポジティブ・グラフを、別途、入力として与えられるＲＷＲ実行パラメータ（具体的には、リスタート確率α、及び収束判定閾値ε）に記述された各種設定値に従って解析し、解析結果として、ポジティブ・スコアを算出して出力する。また、ネガティブ・スコア算出部３２は、グラフ作成部２０から受け取ったネガティブ・グラフを、別途、入力として与えられるＲＷＲ実行パラメータ（具体的には、リスタート確率α、及び収束判定閾値ε）に記述された各種設定値に従って解析し、解析結果としてネガティブ・スコアを算出して出力する。

ポジティブ・スコアは、目的ユーザの基礎コンテンツリストに記載されたコンテンツのうち、未評価のコンテンツに対する正の評価値の予測確率分布を近似したものである。また、ネガティブ・スコアは、同目的ユーザの未評価コンテンツに対する負の評価値の予測確率分布を近似したものである。

推薦コンテンツ決定部４０は、推定部４１と決定部４２とを備えている。推定部４１は、具体的なコンテンツ（番組など）を推薦する際に必要な各種設定値の集合体である推薦コンテンツ決定パラメータと、先に目的評価値予測部３０で算出したポジティブ・スコア、並びにネガティブ・スコアとに基づいて、目的ユーザが未評価のコンテンツに対する評価値（すなわち、目的評価値）のコンテンツ毎の予測確率値（大小関係）を算出(推定）する。決定部４２は、コンテンツ毎の予測確率値の大小に応じて降順に並べ替え、上位の確率値を与えるコンテンツのリスト、すなわち、推薦コンテンツリストを出力する。

次に、本実施形態の動作について説明する。
図２、及び図３は、本実施形態によるコンテンツ推薦装置１の動作を説明するためのフローチャートである。なお、基礎評価値記録部１０は、一例として、内部にメモリを有するものとして説明する。
基礎評価値記録部１０は、まず、基礎コンテンツリストを受け取り、内部のメモリに記録する（ステップＳ１００）。次に、基礎評価値記録部１０は、参照ユーザＩＤと、参照ユーザ評価値とを受け取り、内部のメモリに記録する（ステップＳ１０１）。そして、基礎評価値記録部１０は、基礎コンテンツリストに記載された各コンテンツに対する参照ユーザごとに評価値を記録した基礎評価値（テーブル）ＵＩ_ｂａｓｅを、グラフ作成部２０に送る（ステップＳ１０２）。

図４は、本実施形態による基礎評価値ＵＩ_ｂａｓｅの一例を示す概念図である。図４において、基礎評価値ＵＩ_ｂａｓｅには、各参照ユーザｕｓｅｒ＃１、ｕｓｅｒ＃２ごとに、基礎コンテンツリストに記載された各コンテンツｃｏｎｔｅｎｔｓ＃１〜＃４に対する評価値が記録されている。ここで、ｃｏｎｔｅｎｔｓ＃１〜＃４は、コンテンツを識別する情報であるコンテンツＩＤである。図示の例では、参照ユーザｕｓｅｒ＃１には、各コンテンツｃｏｎｔｅｎｔｓ＃１〜＃４に対して、評価値「０」、「＋２」、「−１」、「０」が記録されている。また、参照ユーザｕｓｅｒ＃２には、各コンテンツｃｏｎｔｅｎｔｓ＃１〜＃４に対して、評価値「＋２」、「−１」、「０」、「＋１」が記録されている。

図２に戻り、次に、グラフ作成部２０は、推薦の対象である目的ユーザを特定するための目的ユーザＩＤと、目的ユーザが既に評価した基礎コンテンツリスト中の各コンテンツについての評価値（目的ユーザ評価値）のリストｕｉ_{ｔａｒｇｅｔ}を受け取る（ステップＳ１０３）。次に、グラフ作成部２０は、基礎評価値記録部１０から基礎評価値ＵＩ_ｂａｓｅを受け取る（ステップＳ１０４）。次に、グラフ作成部２０は、基礎評価値（テーブル）ＵＩ_ｂａｓｅと目的ユーザ評価値ｕｉ_{ｔａｒｇｅｔ}のリストとを結合して参照評価値（テーブル）ＵＩ_ｒｅｆを作成する（ステップＳ１０５）。

図５は、本実施形態による目的ユーザ評価値ｕｉ_{ｔａｒｇｅｔ}の一例を示す概念図である。図５において、目的ユーザ評価値ｕｉ_{ｔａｒｇｅｔ}には、目的ユーザの基礎コンテンツリスト中の各コンテンツについて既に評価した評価値が記録されている。図示の例では、目的ユーザ＃０について、各コンテンツｃｏｎｔｅｎｔｓ＃１〜＃４に対して、評価値「＋１」、「ＮＡ」、「−２」、「ＮＡ」が記録されている。

図６は、本実施形態による参照評価値ＵＩ_ｒｅｆの一例を示す概念図である。図６において、参照評価値ＵＩ_ｒｅｆには、目的ユーザ＃０、参照ユーザｕｓｅｒ＃１、ｕｓｅｒ＃２ごとに、基礎コンテンツリスト中の各コンテンツについての評価値が記録されている。すなわち、図４に示す基礎評価値ＵＩ_ｂａｓｅと、図５に示す目的ユーザ評価値ｕｉ_{ｔａｒｇｅｔ}とが結合されている。

次に、グラフ作成部２０は、参照評価値ＵＩ_ｒｅｆを正の成分と負の成分とに分離し、各々をポジティブ・グラフＧ_ｐｏｓと、ネガティブ・グラフＧ_ｎｅｇとする（ステップＳ１０６）。具体的には、グラフ作成部２０は、作成した参照評価値ＵＩ_ｒｅｆの各要素を、正の成分（正の評価値）あるいは負の成分（負の評価値）のいずれか一方のみを抽出した２つのテーブルに分離し、各々の欠損値ＮＡを０で埋める。

グラフ作成部２０は、得られた２つのテーブルそれぞれについて、各ユーザと各コンテンツをノードとし、各々のユーザのノードと、当該ユーザが評価したコンテンツのノードとをエッジで結び、その評価値を当該エッジに重みとして割り当てる。但し、参照評価値ＵＩ_ｒｅｆの負の成分については、その評価値（負の値）の絶対値を当該エッジの重みとして付与するものとする。そして、グラフ作成部２０は、参照評価値ＵＩ_ｒｅｆの正の成分、並びに負の成分、各々について得られたグラフを、それぞれ、ポジティブ・グラフＧ_ｐｏｓと、ネガティブ・グラフＧ_ｎｅｇとして出力する。

図７は、本実施形態によるポジティブ・グラフＧ_ｐｏｓの一例を示す概念図である。図７において、丸印が各ユーザと各コンテンツを示すノードであり、ノード間を結ぶエッジ（線分）の太さがその評価値に相当する。各エッジの数字は評価値である。

図８は、本実施形態によるネガティブ・グラフＧ_ｎｅｇの一例を示す概念図である。図８においても、図７と同様に、丸印が各ユーザと各コンテンツを示すノードであり、ノード間を結ぶエッジ（線分）の太さがその評価値に相当する。各エッジの数字は評価値である。

図２に戻り、次に、グラフ作成部２０は、基礎コンテンツリストの中で、目的ユーザの評価が未評価（評価値がＮＡ（欠損値）となっているコンテンツ）を、予測対象の目的コンテンツとして検出し、それらを指し示すコンテンツＩＤを目的コンテンツＩＤとして出力する（ステップＳ１０７）。

次に、目的評価値予測部３０は、まず、グラフ作成部２０からポジティブ・グラフＧ_ｐｏｓとネガティブ・グラフＧ_ｎｅｇとを読み込む（ステップＳ１０８）。次に、目的評価値予測部３０は、ＲＷＲ実行パラメータの各要素、すわなち、リスタート確率α、収束判定閾値εを読み込む（ステップＳ１０９）。

次に、目的評価値予測部３０は、ポジティブ・グラフＧ_ｐｏｓから抽出した隣接行列Ａ_ｐｏｓの各要素ａ_ｉｊを、数式（２）の右辺に代入して行列Ａ^＊を求め、ネガティブ・グラフＧ_ｎｅｇから抽出した隣接行列Ａ_ｎｅｇの各要素ａ_ｉｊを、数式（２）の右辺に代入して行列Ａ^＊を求める（ステップＳ１１０、Ｓ１１１）。

具体的には、目的評価値予測部３０は、ポジティブ・グラフＧ_ｐｏｓとネガティブ・グラフＧ_ｎｅｇとのそれぞれについて、以下で説明する手順に従い、前者のグラフの各ノード間の接続関係から隣接行列Ａ_ｐｏｓを、後者のグラフの接続関係から隣接行列Ａ_ｎｅｇを、各々、抽出する。

図９は、本実施形態による隣接行列Ａ_ｐｏｓの一例を示す概念図である。図９に示すように、隣接行列Ａ_ｐｏｓは、ポジティブ・グラフＧ_ｐｏｓから抽出した、各ユーザｕｓｅｒ＃０〜＃２、各コンテンツｃｏｎｔｅｎｔｓ＃１〜＃４のそれぞれの間の評価値を要素とする行列である。

図１０は、本実施形態による隣接行列Ａ_ｎｅｇの一例を示す概念図である。図１０に示すように、隣接行列Ａ_ｎｅｇは、ネガティブ・グラフＧ_ｎｅｇから抽出した、各ユーザｕｓｅｒ＃０〜＃２、各コンテンツｃｏｎｔｅｎｔｓ＃１〜＃４のそれぞれの間の評価値を要素とする行列である。

そして、それら２つの行列を、それぞれ数式（１）の行列Ａの項に代入し、さらに、各々、数式（２）に従って正規化処理を実行して、２通りの正規化隣接行列Ａ^＊を得る。

行列Ａは、与えられたポジティブ・グラフＧ_ｐｏｓ、または、ネガティブ・グラフＧ_ｎｅｇのノード間の接続関係、及び接続の強さ（すなわちエッジ重み）によって決定される隣接行列を表し、４つの部分行列ＵＵ、ＵＩ、ＩＵ、ＩＩから構成される。

部分行列ＵＵは、各ユーザ間の嗜好の類似関係を記述した行列であり、そのａ行ｂ列成分は、ａ番目のユーザの基礎コンテンツリスト内の各コンテンツに対する評価値を並べたベクトルｖ_ａと、ｂ番目のユーザの同コンテンツに対する評価値を並べたベクトルｖ_ｂとの間の相関係数である。但し、負の相関係数が得られたユーザの組については、該当する行列ＵＵの値を０で置き換えるものとする。

部分行列ＵＩは、各ユーザの各コンテンツに対する評価値の分布を表す行列であり、そのａ行ｃ列成分は、ベクトルｖ_ａのｃ番目の要素（すなわち、ａ番目のユーザのｃ番目のコンテンツに対する評価値）である。また、部分行列ＩＵは、ＵＩの行と列を入れ替えた転置行列である。

部分行列ＩＩは、コンテンツ間の類似度を記述した行列であり、そのｃ行ｄ列成分は、ｃ番目のコンテンツとｄ番目のコンテンツとの類似度である。コンテンツ間の類似度は、コンテンツの内容に基づいた類似の度合の大小関係を表現可能な指標でれば何でもよい。例えば、放送番組コンテンツについては、ＥＰＧ（Electronic Program Guide）で配信される各々の番組の概要文に出現した名詞の集合の対について、共通して出現した名詞の数の割合を類似度として算出してもよい。

図１１は、本実施形態による部分行列ＩＩの一例を示す概念図である。図１１において、部分行列ＩＩには、コンテンツｃｏｎｔｅｎｔｓ＃１〜＃４ごとに、他のコンテンツとの類似度が記述されている。図示の例では、一致を「１」とし、類似しているほど「１」に近くなり、類似していないほど「１」より小さい値となる指標を用いている。

また、行列Ａ^＊は、数式（２）に示したように、行列Ａの要素を、各々の列についての要素の和が１となるように正規化した行列である。

次に、目的評価値予測部３０は、ポジティブ・グラフＧ_ｐｏｓとネガティブ・グラフＧ_ｎｅｇとのそれぞれについて、目的ユーザＩＤに対応するノードの値のみを１とし、その他の値を０とした初期ベクトルｐ^（０）を設定し（ステップＳ１１１、Ｓ１１５）、隣接行列Ａ_ｐｏｓ、Ａ_ｎｅｇを、それぞれ正規化した隣接行列Ａ^＊、及び初期ベクトルｐ^（０）を用いて、数式（３）に従いベクトルｐ^（ｔ）を更新する（ステップＳ１１１、Ｓ１１５）。

図１２は、本実施形態による初期ベクトルｐ^（０）の一例を示す概念図である。図１２に示すように、初期ベクトルｐ^（０）は、上述したように、目的ユーザＩＤに対応するノードの値のみを１とし、その他の値を０とした行列である。

具体的には、ステップＳ１１０、Ｓ１１４で得られた２つの異なる行列Ａ^＊について、各々独立に数式（３）で定義される更新処理を各ノードの滞留確率を表すベクトルｐに対して実行する。

ここで、ベクトルｐ^{（ｔ＋１）}は、目的ユーザからみた各ユーザへの近接度の期待値を表わす列ベクトルと、目的ユーザから見た各コンテンツへの近接度の期待値を表わす列ベクトルとを、縦に連結したベクトルｐの、第ｔ番目の更新ステップにおける値を表わす。その長さは、与えられたポジティブ・グラフＧ_ｐｏｓ、あるいはネガティブ・グラフＧ_ｎｅｇに記載されたノードの総数（すなわち、本システムが取り扱うユーザの総数とコンテンツの総数との和）に一致する。

また、ベクトルの初期値ｐ^（０）は、目的ユーザに対応する要素の値のみを１に、それ以外の要素を全て０に設定したベクトル（共通の固定値）である。

次に、目的評価値予測部３０は、更新結果が収束したか否か、すなわち、各ステップ単位でのベクトルｐ^（ｔ）の変化量（具体的には、ｐ^{（ｔ＋１）}とベクトルｐ^（ｔ）との差分の絶対値の合計値）が、収束判定閾値εを下回ったか否かを判定する（ステップＳ１１３、Ｓ１１７）。そして、更新結果が収束していない場合には（ステップＳ１１３のＮＯ、Ｓ１１７のＮＯ）、それぞれステップＳ１１２、Ｓ１１６に戻り、更新処理を繰り返し実行する。

一方、ｐ^（ｔ）の変化量が収束判定閾値εを下回り、更新が終了した場合には（ステップＳ１１３のＹＥＳ、Ｓ１１７のＹＥＳ）、目的評価値予測部３０は、ポジティブ・グラフＧ_ｐｏｓから抽出した隣接行列Ａ_ｐｏｓについて数式（１）〜数式（３）を実行し、最終的に得られた更新結果ｐ_ｐｏｓ、並びに、ネガティブ・グラフＧ_ｎｅｇから抽出した隣接行列Ａ_ｐｏｓについて同様の処理を実行して最終的に得られた更新結果ｐ_ｎｅｇのそれぞれついて、目的コンテンツＩＤに対応する成分をベクトル形式で抽出し、それぞれ、ポジティブ・スコアｓ_ｐｏｓ、及びネガティブ・スコアｓ_ｎｅｇとして出力する（ステップＳ１１８）。

図１３は、本実施形態による最終的に目的評価値予測部３０が算出した更新結果ｐ_ｐｏｓの一例（α＝０．７，ε＝１０^−１０の場合）を示す概念図である。図１３に示すように、最終的に得られた更新結果ｐ_ｐｏｓは、ユーザｕｓｅｒ＃０〜＃２、コンテンツｃｏｎｔｅｎｔｓ＃１〜＃４に対応して、「０．７７２、０．０６５、０．０７２、０．０７２、０．０１１、０．００１、０．００８」となる要素を有する。

図１４は、本実施形態による最終的に目的評価値予測部３０が算出した更新結果ｐ_ｎｅｇの一例（α＝０．７，ε＝１０^−１０の場合）を示す概念図である。図１４に示すように、最終的に得られた更新結果ｐ_ｎｅｇは、ユーザｕｓｅｒ＃０〜＃２、コンテンツｃｏｎｔｅｎｔｓ＃１〜＃４に対応して、「０．７７２、０．０６０、０．０５３、０．００２、０．００７、０．１０６、０．０００」となる要素を有する。

図１５は、本実施形態によるポジティブ・スコアｓ_ｐｏｓの一例を示す概念図である。図１５には、ポジティブ・スコアｓ_ｐｏｓの一例として、目的コンテンツＩＤ（＝＃２、＃４）に対応する成分からなる行列が示されている。ポジティブ・スコア算出部３１は、例えば、図１５に示されたポジティブ・スコアｓ_ｐｏｓを算出し、算出したポジティブ・スコアｓ_ｐｏｓを保持する。

図１６は、本実施形態によるネガティブ・スコアｓ_ｎｅｇの一例を示す概念図である。図１６には、ネガティブ・スコアｓ_ｎｅｇの一例として、目的コンテンツＩＤ（＝＃２、＃４）に対応する成分からなる行列が示されている。ネガティブ・スコア算出部３２は、例えば、図１６に示されたネガティブ・スコアｓ_ｎｅｇを算出し、算出したネガティブ・スコアｓ_ｎｅｇを保持する。

次に、推薦コンテンツ決定部４０は、目的評価値予測部３０からポジティブ・スコアｓ_ｐｏｓとネガティブ・スコアｓ_ｎｅｇとを読み込み（ステップＳ１１９）、推薦コンテンツ決定パラメータ（ｗ_ｐｏｓ，ｗ_ｎｅｇ，θ）を読み込む（ステップＳ１２０）。次に、推薦コンテンツ決定部４０は、予測対象のコンテンツ（目的コンテンツ）に対する目的ユーザの正の評価値を近似したポジティブ・スコアｓ_ｐｏｓと、同目的コンテンツに対する目的ユーザの負の評価値を近似したネガティブ・スコアｓ_ｎｅｇとの重み付き差分を用いて、次式（４）に従って、統合スコアｓ_{ｔｏｔａｌ}を算出する（ステップＳ１２１）。

図１７は、本実施形態による統合スコアｓ_{ｔｏｔａｌ}（ｗ_ｐｏｓ＝ｗ_ｎｅｇ＝１．０の場合）の一例を示す概念図である。図１７には、統合スコアｓ_{ｔｏｔａｌ}の一例として、目的コンテンツＩＤ（＝＃２、＃４）に対応する成分「０．００４、０．００８」からなる行列が示されている。推薦コンテンツ決定部４０は、例えば図１７に示された統合スコアｓ_{ｔｏｔａｌ}を算出する。

そして、推薦コンテンツ決定部４０は、統合スコアｓ_{ｔｏｔａｌ}の値を降順に並べ替え、上位θ個に対応するコンテンツのＩＤとスコアとを、推薦コンテンツリストとして出力する（ステップＳ１２２）。

図１８は、本実施形態による推薦コンテンツリストの一例（閾値θ＝１の場合）を示す概念図である。図１８には、推薦コンテンツリストの一例としては、［ｕｓｅｒ＃０．ｃｏｎｔｅｎｔｓ＃４，０．００８］が示されている。これは、図１７における統合スコアｓ_{ｔｏｔａｌ}を表す行列の成分のうち値が最も大きい成分である０.００８と、それに対応する目的コンテンツＩＤ＃４とが推薦コンテンツ決定部４０によって推薦コンテンツリストとして抽出されたからである。

次に、上述した実施形態の従来技術に対する有効性について説明する。
図１９乃至図２２は、本実施形態による処理結果と従来のＲＷＲ法を用いた処理結果の比較を示すグラフである。図１９は、推薦番組の上位１番目についての予測精度を、本実施形態による処理結果と従来のＲＷＲ法を用いた処理結果とで比較したグラフである。図２０は、推薦番組の上位５番目についての予測精度を、本実施形態による処理結果と従来のＲＷＲ法を用いた処理結果とで比較したグラフである。図２１は、推薦番組の上位１０番目についての予測精度を、本実施形態による処理結果と従来のＲＷＲ法を用いた処理結果とで比較したグラフである。図２２は、推薦番組の上位２０番目についての予測精度を、本実施形態による処理結果と従来のＲＷＲ法を用いた処理結果とで比較したグラフである。

図１９乃至図２２のグラフを得るために、コンテンツとして用意した３００番組に対する、ユーザ１２２８名の５段階評価（５：見たい、４：まあ見たい、３：どちらともいえない、２：あまり見たくない、１：見たくない）が用いられている。図１９乃至図２２において、グラフの横軸は、データの間引き率（％Ｐｒｕｎｉｎｇｒａｔｅ）である。ここでデータの間引き率は、システムが参照する番組評価値のうち、欠損値（未評価番組）として隠すデータの割合である。グラフの縦軸は、推薦番組の上位ｋ番目についての予測精度である。ここで推薦番組の上位ｋ番目についての予測精度は、算出したスコアの上位ｋ番組（ｋは１、５、１０、または２０）のうち、ユーザ評価が「４：まあ見たい」以上であった割合である。グラフ中では、推薦番組の上位ｋ番目についての予測精度は、％Ｐｒｅｃｉｓｉｏｎ＠ｋと表されている。以後、推薦番組の上位ｋ番目についての予測精度を「Ｐ＠ｋ」と呼ぶ。

また、図１９乃至図２２において、黒丸は、従来の標準的なＲＷＲ法によるデータである。５段階評価のうち、正の評価値（５＆４）のみを隣接行列に用いたＲＷＲ法による番組評価値の予測精度（従来の標準的なＲＷＲ法を用いた５回の試行の結果の平均値）が黒丸としてプロットされている。また、白丸は、本実施形態のＲＷＲ法によるデータである。従来技術と同じく、５段階評価の正の評価値（５＆４）と負の評価値（２＆１）を、各々、別の隣接行列に反映させ、それぞれの隣接行列が対応するグラフを、独立なＲＷＲアルゴリズムで解析した結果を統合したときの予測精度（各々のユーザの３００番組に対する評価値のうち、設定した間引き率に相当する数の番組を無作為に決定し、その評価値を欠損値として隠した条件において、本発明の方法で予測した５回の試行の結果の平均値）が白丸としてプロットされている。

また、図１９乃至図２２において、白丸及び黒丸の上に伸びる線分に相当する割合または下に伸びる線分の割合は、各々の間引き率の設定において、各々、５回ずつ実施した無作為抽出の結果についての予測精度のバラツキを評価するための標準偏差に相当する割合である。

図１９に示すように、推薦番組の上位１番目についての予測精度（Ｐ＠１）の場合には、両者の間に有為な差は見られない。これに対して、図２０、図２１、及び図２２に示す２番目以降の推薦番組を含めた予測精度（Ｐ＠５、Ｐ＠１０、Ｐ＠２０）の場合には、どのｐｒｕｎｉｎｇｒａｔｅの設定においても、本発明による方法を用いた結果の曲線（白丸）が、従来の標準的なＲＷＲ法を用いた結果の曲線（黒丸）よりも、エラーバーの上下幅を考慮した変動分よりも、さらに上の領域を通過していることが分かる。すなわち、本実施形態による方法は、従来法よりも有為に予測精度が高いと結論付けることができる。

以上、本実施形態におけるコンテンツ推薦装置１において、ポジティブ・スコア算出部３１は、各ユーザ間の嗜好の類似度と各ユーザの各コンテンツに対する正の評価値とコンテンツ間の類似度とを参照して、目的ユーザから前記各ユーザへの近接度の期待値と前記目的ユーザからみた各コンテンツへの近接度の期待値とを更新することで、ポジティブ・スコアを算出する。また、ネガティブ・スコア算出部３２は、各ユーザ間の嗜好の類似度と各ユーザの各コンテンツに対する負の評価値と前記コンテンツ間の類似度とを参照して、目的ユーザから前記各ユーザへの近接度の期待値と目的ユーザからみた各コンテンツへの近接度の期待値とを更新することで、ネガティブ・スコアを算出する。

本実施形態におけるコンテンツ推薦装置１は、基礎コンテンツリストに記載されたコンテンツの一部についてしか評価値が得られない条件でも、希薄問題に対して頑健であるＲＷＲ法を、参照評価値の相反する成分、すなわち正の評価値（ポジティブ・グラフ）、並びに負の評価値（ネガティブ・グラフ）の各々について独立に実行する。そして、コンテンツ推薦装置１は、それぞれの解析結果を最終的に１つの確率分布に統合する。このように同一コンテンツに対する相反する評価の成分を統合的に解析することにより、コンテンツ推薦装置１は、希薄問題に対して頑健でありながら、ＲＷＲ法を正の評価値のみに対して単独で実行した場合よりも、目的評価値をより高精度に予測することができる。その結果、コンテンツ推薦装置１は、目的ユーザの嗜好に合致したコンテンツを高精度に推薦することができるので、目的ユーザの利便性を向上させることができる。

なお、複数の装置を備えるシステムが、本実施形態のコンテンツ推薦装置１の各処理を、それらの複数の装置で分散して処理してもよい。
また、本実施形態のコンテンツ推薦装置１の各処理を実行するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、当該記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、コンテンツ推薦装置１に係る上述した種々の処理を行ってもよい。

なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。

さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（ＤｙｎａｍｉｃＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ））のように、一定時間プログラムを保持しているものも含むものとする。また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。

以上、本発明の実施形態について図面を参照して詳述したが、具体的な構成はこの実施形態に限られるものではない。各実施形態における各構成及びそれらの組み合わせ等は一例であり、本発明の趣旨から逸脱しない範囲内で、構成の付加、省略、置換、およびその他の変更が可能である。また、本発明は実施形態によって限定されることはなく、特許請求の範囲によってのみ限定される。

１コンテンツ推薦装置
１０基礎評価値記録部
２０グラフ作成部
２１分割部
２２作成部
３０目的評価値予測部
３１ポジティブ・スコア算出部（ポジティブスコア算出部）
３２ネガティブ・スコア算出部（ネガティブスコア算出部）
４０推薦コンテンツ決定部
４１推定部
４２決定部

Claims

複数のコンテンツそれぞれに対する各ユーザの正の評価値を用いて、前記複数のコンテンツのうち、目的ユーザが評価していないコンテンツに対する正の評価値の予測確率値であるポジティブスコアを算出するポジティブスコア算出部と、
前記複数のコンテンツそれぞれに対する各ユーザの負の評価値を用いて、前記複数のコンテンツのうち、前記目的ユーザが評価していないコンテンツに対する負の評価値の予測確率値であるネガティブスコアを算出するネガティブスコア算出部と、
前記ポジティブスコア算出部が算出したポジティブスコアと前記ネガティブスコア算出部が算出したネガティブスコアとに基づいて、前記目的ユーザに推薦するコンテンツを決定する推薦コンテンツ決定部と、
を備え、
前記ポジティブスコア算出部は、前記各ユーザ間の嗜好の類似度と前記各ユーザの各コンテンツに対する正の評価値と前記コンテンツ間の類似度とを参照して、前記ポジティブスコアを算出し、
前記ネガティブスコア算出部は、前記各ユーザ間の嗜好の類似度と前記各ユーザの各コンテンツに対する負の評価値と前記コンテンツ間の類似度とを参照して、前記ネガティブスコアを算出する、
ことを特徴とするコンテンツ推薦装置。
前記推薦コンテンツ決定部は、前記ポジティブスコアと前記ネガティブスコアとに基づいて、前記目的ユーザが評価していない未評価コンテンツの評価値間の大小関係を推定し、該推定した大小関係に基づいて、前記目的ユーザに推薦するコンテンツを決定する、
ことを特徴とする請求項１に記載のコンテンツ推薦装置。
前記複数のコンテンツの各々に対する各ユーザの評価を示す評価値を、前記正の評価値の集合と前記負の評価値の集合に分割する分割部と、
各コンテンツ、及び各ユーザをノードとし、前記正の評価値の集合を、各ノードを接続するエッジ重みとして記述したポジティブグラフと、各コンテンツ、及び各ユーザをノードとし、前記負の評価値の集合を、各ノードを接続するエッジ重みとして記述したネガティブグラフとを作成する作成部と
を更に備え、
前記ポジティブスコア算出部は、前記ポジティブグラフに基づいて、前記ポジティブスコアを算出し、
前記ネガティブスコア算出部は、前記ネガティブグラフに基づいて、前記ネガティブスコアを算出することを特徴とする請求項１または２に記載のコンテンツ推薦装置。
コンピュータを、請求項１から３までのいずれか一項に記載のコンテンツ推薦装置として機能させるためのプログラム。