コンテンツ推薦システム、コンテンツ推薦装置、推薦方式制御方法、及び推薦方式制御プログラム
【課題】 推薦によって得られる効果を把握し、期待する効果を得るためにどのような入力を与えればよいかがわかりやすくし、運用者の意図を容易にコンテンツ推薦システムに反映する。
【解決手段】 各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段１０１と、推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段１０６と、効果指標毎に、各推薦方式の重みパラメタと、効果指標値とを合成した値を、全体の効果指標の推定値として算出する効果指標合成手段１０２と、効果指標毎に、各推薦方式の効果指標値と、全体の効果指標の推定値とを併せて表示する表示手段１０３とを含むコンテンツ推薦システムを提供する。
【解決手段】 各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段１０１と、推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段１０６と、効果指標毎に、各推薦方式の重みパラメタと、効果指標値とを合成した値を、全体の効果指標の推定値として算出する効果指標合成手段１０２と、効果指標毎に、各推薦方式の効果指標値と、全体の効果指標の推定値とを併せて表示する表示手段１０３とを含むコンテンツ推薦システムを提供する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、ハイブリッド型コンテンツ推薦システム、およびその運用管理方法に関し、特に、推薦によって得られる効果（ユーザ満足、利益率、ロングテール効果、在庫削減など）の可視化と、期待する効果を得るための可制御性に優れ、運用者の意図を容易にコンテンツ推薦システムに反映できるコンテンツ推薦システム、コンテンツ推薦装置、コンテンツ推薦方法、コンテンツ推薦プログラムに関する。
【背景技術】
【０００２】
近年、膨大なコンテンツ（電子書籍、ニュース、動画、音楽など）の中から、利用者にとって興味のあるコンテンツを自動的に把握して、利用者に提示するコンテンツ推薦システムの重要性が高まっている。
【０００３】
コンテンツ推薦システムは、多量のコンテンツの利用ログや購買ログから、利用者の嗜好を分析する嗜好分析アルゴリズム（以下、推薦方式）を内部に保持し、利用者にとって興味のあるコンテンツを自動的に把握する。推薦方式には協調フィルタリングベースやコンテンツベース、ベイジアンネットワークベースなど多様なアルゴリズムが存在する。
【０００４】
しかし、各々の推薦方式は、メリットもあればデメリットもあるというトレードオフの関係にある。また、例えば、本を購入する場合は「これを見ている人はこれも見ています」のように、自分の購入履歴に類似した情報を抽出する協調フィルタリングのようなアルゴリズムが向くが、レストランを探す場合は、自分の履歴よりも、一緒にレストランに行く同伴者「家族」「恋人」「友人」を鑑みて情報を抽出して欲しいなど、人や状況に応じてどのような基準で情報を欲しいか、すなわち推薦方式が異なる。そのため、一般的に、全てのケースにおいて万能な推薦方式は存在しないと言われている。
【０００５】
そこで、お互いの推薦方式の持つ弱点を補強し、多種多様なケースにおいて適切な情報を抽出することのできる、ハイブリッド型のコンテンツ推薦システムが注目されている。
【０００６】
特許文献１は、ハイブリッド型のコンテンツ推薦システムであり、コンテンツベース型の推薦方式と協調フィルタリング型の推薦方式の両方の長所を有し、ユーザの嗜好に追従した推薦を行い、かつユーザ数およびコンテンツ数が増加してもコンテンツ推薦を高速に処理ができることを目指したものである。
【０００７】
また、非特許文献１、２は、ハイブリッド型のコンテンツ推薦システムであり、複数のアルゴリズムの推薦方式を内部に有し、利用者だけでなく、利用者の状況に応じて情報を推薦するものである。
【０００８】
このように、複数のアルゴリズムを有したハイブリッド型コンテンツ推薦システムでは、協調フィルタリングやコンテンツベースなどの嗜好分析アルゴリズムにより、あらゆる状況の利用者の嗜好に追従する情報推薦を実現することを目指したものである。
【０００９】
しかし、関連技術のハイブリッド型のコンテンツ推薦システムは、利用者の嗜好に自動的に追従するものが主であり、サービスを提供する運用者にとって、推薦による効果をわかりやすく把握できない、また、期待する効果を得るために各推薦方式をどの程度重要視すればよいかがわかりにくいという問題があった。
【先行技術文献】
【特許文献】
【００１０】
【特許文献１】特開２０１０−０６７１７５号公報
【非特許文献】
【００１１】
【非特許文献１】Ｖｉｃｔｏｒｉａ Ｂｅｌｌｏｔｔｉ ｅｔ ａｌ．：“Ａｃｔｉｖｉｔｙ−ｂａｓｅｄ ｓｅｒｅｎｄｉｐｉｔｉｏｕｓ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ ｗｉｔｈ ｔｈｅ Ｍａｇｉｔｔｉ ｍｏｂｉｌｅ ｌｅｉｓｕｒｅ ｇｕｉｄｅ”．Ｐｒｏｃ． Ｏｆ ｔｈｅ ｔｗｅｎｔｙ−ｓｉｘｔｈ ａｎｎｕａｌ ＳＩＧＣＨＩ ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｈｕｍａｎ ｆａｃｔｏｒｓ ｉｎ ｃｏｍｐｕｔｉｎｇ ｓｙｓｔｅｍｓ， ｐｐ． １１５７−１１６６，２００８
【非特許文献２】菅野亨太 他． “利用者状況に適した方式で情報を推薦する「マルチモード推薦システム」の実現，第７１回情報処理学会全国大会，ｐｐ．１−４７３−１−４７４（２００９）
【発明の概要】
【発明が解決しようとする課題】
【００１２】
第１の問題点は、ハイブリッド型のコンテンツ推薦システムにおいて、運用者が、期待する効果を得るために各推薦方式をどの程度重要視すればよいかがわかりにくく、運用者の意図を容易に反映することが難しかった。
【００１３】
その理由は、ハイブリッド型のコンテンツ推薦システムは、特徴の異なる複数の推薦方式を有するために、システム全体の効果（ユーザ満足、利益率、ロングテール効果、在庫削減など）は複数の推薦方式の効果の重なりによって得られる複雑な構成となっており、運用者が期待する効果を得るためにどのような各推薦方式をどの程度重要視すればよいかという指標を得ることができていなかったためである。
【００１４】
（発明の目的）
本発明の目的は、上述した課題を解決し、推薦によって得られる効果を把握し、期待する効果を得るためにどのような入力を与えればよいかがわかりやすくし、運用者の意図を容易にコンテンツ推薦システムに反映できるコンテンツ推薦システム、コンテンツ推薦装置、コンテンツ推薦方法、コンテンツ推薦プログラムを提供することである。
【課題を解決するための手段】
【００１５】
本発明の第１のコンテンツ推薦システムは、ユーザ端末と、複数の推薦方式を用いてコンテンツを推薦するコンテンツ推薦装置とを備えるコンテンツ推薦システムであって、各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段と、推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段と、効果指標毎に、各推薦方式の重みパラメタと、効果指標値とを合成した値を、全体の効果指標の推定値として算出する効果指標合成手段と、効果指標毎に、各推薦方式の効果指標値と、全体の効果指標の推定値とを併せて表示する表示手段とを含む。
【００１６】
本発明の第１のコンテンツ推薦装置は、ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置であって、各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段と、推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段と、効果指標毎に、各推薦方式の重みパラメタと、効果指標値とを合成した値を、全体の効果指標の推定値として算出する効果指標合成手段と、効果指標毎に、各推薦方式の効果指標値と、全体の効果指標の推定値とを併せて表示する表示手段とを含む。
【００１７】
本発明の第１の推薦方式制御方法は、ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置の推薦方式制御方法であって、各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力ステップと、推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出ステップと、効果指標毎に、各推薦方式の重みパラメタと、効果指標値とを合成した値を、全体の効果指標の推定値として算出する効果指標合成ステップと、効果指標毎に、各推薦方式の効果指標値と、全体の効果指標の推定値とを併せて表示する表示ステップとを有する。
【００１８】
本発明の第１の推薦方式制御プログラムは、ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置として機能するコンピュータ上で動作する推薦方式制御プログラムであって、コンピュータに、各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力処理と、推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出処理と、効果指標毎に、各推薦方式の重みパラメタと、効果指標値とを合成した値を、全体の効果指標の推定値として算出する効果指標合成処理と、効果指標毎に、各推薦方式の効果指標値と、全体の効果指標の推定値とを併せて表示する表示処理とを実行させる。
【発明の効果】
【００１９】
第１の効果は、ハイブリッド型コンテンツ推薦システムにおいて、推薦によって得られる効果を把握し、期待する効果を得るためにどのような入力を与えればよいかがわかりやすいことにある。
【００２０】
その理由は、ハイブリッド型のコンテンツ推薦システムの各々の推薦方式の効果と、重みパラメタの入力値によって変化するシステム全体の効果の推定値とを併せて表示することで、それらを指標として、運用者が、重みパラメタの入力値によって、システム全体の効果の推定値がどのように変化するかを逐次確認しながら推薦の重みパラメタを入力できるためである。
【図面の簡単な説明】
【００２１】
【図１】本発明の第１の実施の形態によるコンテンツ推薦システムの構成を示すブロック図である。
【図２】第１の実施の形態による重みパラメタ設定処理の動作を示すフローチャートである。
【図３】第１の実施の形態による推薦実行処理の動作を示すフローチャートである。
【図４】本発明の実施例１による重みパラメタ設定処理の動作を示すフローチャートである。
【図５】実施例１による推薦実行処理の動作を示すフローチャートである。
【図６】実施例１における推薦方式重みパラメタ入力手段と表示手段の例示を示した図である。
【図７】本発明の第２の実施の形態によるコンテンツ推薦システムの構成を示すブロック図である。
【図８】第２の実施の形態による効果指標算出の動作を示すフローチャートである。
【図９】本発明の実施例２による効果指標算出の動作を示すフローチャートである。
【図１０】本発明の第３の実施の形態によるコンテンツ推薦システムの構成を示すブロック図である。
【図１１】第３の実施の形態による重みパラメタ設定処理の動作を示すフローチャートである。
【図１２】第３の実施の形態による推薦実行処理の動作を示すフローチャートである。
【図１３】本発明の実施例３による重みパラメタ設定処理の動作を示すフローチャートである。
【図１４】実施例３による重みパラメタ入力手段と表示手段の例示を示した図である。
【図１５】実施例３による推薦実行処理の動作を示すフローチャートである。
【図１６】本発明のコンテンツ推薦装置のハードウェア構成例を示すブロック図である。
【発明を実施するための形態】
【００２２】
本発明の実施の形態について図面を参照して詳細に説明する。なお、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。
【００２３】
（第１の実施の形態）
本発明の第１の実施の形態について、図面を参照して詳細に説明する。以下の図において、本発明の本質に関わらない部分の構成については適宜省略してあり、図示されていない。
【００２４】
図１は、本発明の第１の実施の形態によるコンテンツ推薦システム１０００の構成を示すブロック図である。
【００２５】
図１を参照すると、本実施の形態によるコンテンツ推薦システム１０００は、ユーザ端末２００と、ユーザにコンテンツを推薦するコンテンツ推薦装置１００とから構成される。
【００２６】
ユーザ端末２００は、コンテンツ推薦装置に対し所定の推薦要求を送信し、その結果を受信する。推薦要求は、ユーザの識別子や、取得したい推薦コンテンツの数等を含む。推薦要求の内容は任意に設定可能である。
【００２７】
なお、本実施の形態では、説明の便宜上ユーザ端末を１台とする構成としたが、ユーザ端末の数に制限はない。
【００２８】
コンテンツ推薦装置１００は、ユーザ端末２００との間でデータの送受信を行う送受信手段１１１と、ユーザに推薦するコンテンツを抽出する推薦コンテンツ抽出手段１０７と、推薦方式の重みパラメタを入力する重みパラメタ入力手段１０１と、推薦方式に対し設定された効果指標を記憶する効果指標記憶手段１０９と、推薦方式毎に効果指標の値を算出する効果指標値算出手段１０６と、効果指標値と重みパラメタとを合成してコンテンツ推薦システム１０００全体の効果指標の推定値を算出する効果指標合成手段１０２と、推薦方式の効果指標値とシステム全体の効果指標推定値を併せて表示する表示手段１０３と、ユーザ端末から構成されている。
【００２９】
重みパラメタ入力手段１０１は、推薦方式の影響度合いを制御する重みパラメタの入力を受け付ける。
【００３０】
また、重みパラメタ入力手段１０１は、運用者により設定された重みパラメタを、重みパラメタ記憶手段１１０に記録する。
【００３１】
効果指標記憶手段１０９は、推薦方式に対する効果指標を記憶する。効果指標は、予め運用者等により設定されているものとする。
【００３２】
効果指標とは、推薦方式の効果を示す指標である。効果指標としては、フィードバック率、利益率等が設定されているものとする。効果指標は、履歴データを用いて算出できる指標として、任意で設定できるものとする。
【００３３】
履歴データとは、コンテンツ推薦システム１０００において、ユーザがコンテンツにアクセスした履歴や、実行された推薦の履歴等からなるデータであり、フィードバック率、利益率等の効果指標を算出できる情報を含んでいる。
【００３４】
効果指標値算出手段１０６は、履歴データを参照し、効果指標記憶手段１０９に設定されている効果指標の値（効果指標値）を、推薦方式毎に算出する。
【００３５】
効果指標合成手段１０２は、各推薦方式の効果指標値と、各推薦方式の重みパラメタとを合成することにより、コンテンツ推薦システム１０００全体の効果指標の推定値（効果指標推定値）を算出する。効果指標合成手段１０２は、効果指標が複数ある場合は、効果指標毎に、効果指標推定値を算出する。
【００３６】
表示手段１０３は、各推薦方式の効果指標値と、入力した重みパラメタにおけるシステム全体の効果指標の推定値を併せて表示する。
【００３７】
送受信手段１１１は、ユーザ端末２００から推薦要求を受信する。推薦要求に含まれるクエリには、ユーザの識別子や取得したいコンテンツの数等を含む。
【００３８】
推薦コンテンツ抽出手段１０７は、内部に複数の推薦方式を保持しており、該推薦方式を用いて、コンテンツデータから、ユーザへ推薦する推薦コンテンツを抽出する。
【００３９】
推薦コンテンツ抽出手段１０７は、重みパラメタ記憶手段１１０に記録されている、推薦方式毎の重みパラメタに基づいて、使用する推薦方式の割合を決定し、コンテンツデータから推薦コンテンツを抽出する。
【００４０】
例えば、重みパラメタの割合が、「（推薦方式Ａ）１：（推薦方式Ｂ）２」であった場合、推薦コンテンツ抽出手段１０７は、推薦方式Ａで抽出された推薦コンテンツと推薦方式Ｂで抽出された推薦コンテンツの割合が１：２となるように、推薦コンテンツを抽出する。
【００４１】
（第１の実施の形態の動作の説明）
次に、本実施の形態によるコンテンツ推薦システム１０００の動作について、図面を参照して詳細に説明する。
【００４２】
（重みパラメタの設定処理の動作の説明）
まず、重みパラメタ記憶手段１１０に記録される重みパラメタの設定処理の動作について説明する。
【００４３】
本実施の形態では、効果指標値算出手段１０６は、事前に、各推薦方式について、効果指標記憶手段１０９に記憶されている効果指標を算出しているものとする。
【００４４】
図２は、本実施の形態によるコンテンツ推薦システム１０００の動作を示すフローチャートである。
【００４５】
図２を参照すると、まず、重みパラメタ入力手段１０１が、運用者から各推薦方式の影響度合いを制御する重みパラメタの入力を受け付ける（ステップＡ１）。
【００４６】
次に、効果指標合成手段１０２が、各推薦方式の効果指標値と、各推薦方式の重みパラメタとを合成することにより、コンテンツ推薦システム１０００全体の効果指標の推定値（効果指標推定値）を算出する。（ステップＡ２）。
【００４７】
効果指標が複数ある場合は、効果指標毎に、ステップＡ３の処理を行う。
【００４８】
次いで、表示手段１０３が、各推薦方式の効果指標値と、重みパラメタの入力値で変化するシステム全体の効果指標推定値とを表示する（ステップＡ３）。
【００４９】
運用者は、スッテプＡ３で表示された効果指標のバランスが適当だと判断することによって重みパラメタの入力を完了するか否かを判断することができ、適当でない場合はまたステップＡ１に戻り処理を繰り返すことができる（ステップＡ４）。
【００５０】
最後に、運用者により入力した重みパラメタの設定完了が指示がされると（ステップＡ４”ＹＥＳ”）、重みパラメタ入力手段１０１が、該重みパラメタを重みパラメタ記憶手段１１０に記録する（ステップＡ５）。
【００５１】
（推薦実行処理の動作の説明）
図３は、本実施の形態によるコンテンツ推薦システム１０００における、推薦実行処理の動作を示すフローチャートである。
【００５２】
図３を参照すると、まず、送受信手段１１１が、ユーザ端末２００から推薦要求を受信する（ステップＣ１）。
【００５３】
次に、推薦コンテンツ抽出手段１０７が、重みパラメタ入力手段１０１から、各推薦方式の重みパラメタを取得する（ステップＣ２）。
【００５４】
次いで、推薦コンテンツ抽出手段１０７は、内部に保持する推薦方式の中で、取得した該重みパラメタが０以上である１つ以上の推薦方式を用いて、コンテンツのフィルタリング・スコアリングを行い、推薦するコンテンツを抽出する（ステップＣ３）。
【００５５】
そして、推薦コンテンツ抽出手段１０７は、重みパラメタの割合に基づいて、各推薦方式からコンテンツを選び、最終的に推薦するコンテンツを集約する（ステップＣ４）。
【００５６】
なお、重みパラメタが０以上である推薦方式が１つしかない場合は、該推薦方式で抽出されたコンテンツが、最終的に推薦するコンテンツとなる
【００５７】
最後に、送受信手段１１１が、得られたコンテンツを最終結果としてユーザ端末に送信する（ステップＣ５）。
【実施例１】
【００５８】
次に、具体的な実施例を用いて本実施の形態の動作を説明する。
【００５９】
本実施例では、前提として、予めフィードバック率、利益率が推薦方式の効果指標として推薦効果指標設定手段１０９に設定されているものとする。
【００６０】
フィードバック率は［ある推薦方式の推薦を通してコンテンツが利用された回数／ある推薦方式の推薦回数］、また、利益率は、［ある推薦方式の推薦を通して得た収入／ある推薦方式の推薦回数］のように設定されているものとする。ただしこれに限定はされない。
【００６１】
また、ハイブリッド型コンテンツ推薦システムの推薦方式として、コンテンツベースの推薦方式（ＣＢ）と、協調フィルタリングベースの推薦方式（ＣＦ）の２つの推薦方式が利用されているものとする。
【００６２】
また、効果指標値算出手段１０６は、事前に、コンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の２つの推薦方式のフィードバック率｛Ｆ（ＣＢ），Ｆ（ＣＦ）｝、及び利益率｛Ｂ（ＣＢ），Ｂ（ＣＦ）｝を算出しているものとする。なお、重みパラメタ入力手段１０１が入力を受け付ける直前、又は受け付けた後に算出することとしてもよい。
【００６３】
（重みパラメタ設定処理の動作の説明）
図４は、本発明の第１の実施例による重みパラメタ設定処理の動作を示すフローチャートである。
【００６４】
図４を参照すると、まず、重みパラメタ入力手段１０１が、運用者から各推薦方式の重みパラメタの入力を受け付ける（ステップＡ１’）。
【００６５】
ここで図６を参照すると、図６の１０、及び２０は、重みパラメタ入力手段１０１の入力画面の例を示した図である。
【００６６】
ステップＡ１’の動作は、例えば、コンテンツベースの推薦方式（ＣＢ）と協調フィルタリングの推薦方式（ＣＦ）の重みパラメタの重みパラメタを、運用者がイコライザ１１、イコライザ１２を用いて、イコライザ２１、イコライザ２２のように変更する。
【００６７】
以下、重みパラメタ入力手段１０１が入力を受け付けたＣＢの重みパラメタをＷ（ＣＢ）、ＣＦの重みパラメタをＷ（ＣＦ）と称する。
【００６８】
なお、各推薦方式の重みパラメタは、コンテンツ推薦システム１０００の推薦実行において、当該推薦方式からの結果を、最終的な推薦結果にどれだけ強く影響させるかという影響度合いを示すパラメタである。
【００６９】
次に、効果指標合成手段１０２が、コンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の２つの推薦方式のフィードバック率｛Ｆ（ＣＢ），Ｆ（ＣＦ）｝、及び利益率｛Ｂ（ＣＢ），Ｂ（ＣＦ）｝に、ステップＡ１’で入力した各推薦方式の重みパラメタに基づく所定の重み付けした上で、各値を合成し、システム全体のフィードバック率、利益率の推定値を算出する（ステップＡ２’）。
【００７０】
システム全体のフィードバック率は、Ｆ（ＡＬＬ）＝Ｗ（ＣＢ）＊Ｆ（ＣＢ）＋Ｗ（ＣＦ）＊Ｆ（ＣＦ）のように算出することができる。ただしこれに限定はされない。
【００７１】
システム全体の利益率は、Ｂ（ＡＬＬ）＝Ｗ（ＣＢ）＊ Ｂ（ＣＢ）＋Ｗ（ＣＦ）＊Ｂ（ＣＦ）のように算出することができる。ただしこれに限定はされない。
【００７２】
最後に、表示手段１０３が、各推薦方式のフィードバック率｛Ｆ（ＣＢ），Ｆ（ＣＦ）｝、および利益率｛Ｂ（ＣＢ），Ｂ（ＣＦ）｝と、ステップＡ３’で算出したシステム全体のフィードバック率Ｆ（ＡＬＬ）、および利益率Ｂ（ＡＬＬ）とを、表示する（ステップＡ３’）。
【００７３】
ここで図１２を参照すると、図１２の３０及び４０は、表示手段１０３の例示である。
【００７４】
例えば、３１ｃ及び４１ｃは、システム全体のフィードバック率である。３１ｃは、コンテンツベースのフィードバック率である３１ａと、協調フィルタリングのフィードバック率である３１ｂを、コンテンツベースの重みパラメタ１１及び協調フィルタリングの重みパラメタ１２に基づき重み付けし、合成した値である。
【００７５】
運用者は、スッテプＡ３’で表示された効果指標のバランスが適当だと判断することによって重みパラメタの入力を完了するか否かを判断することができ、適当でない場合はまたステップＡ１’に戻り処理を繰り返すことができる（ステップＡ４’）。
【００７６】
最後に、運用者により入力した重みパラメタの設定完了が指示がされると（ステップＡ４’”ＹＥＳ”）、重みパラメタ入力手段１０１が、該重みパラメタを重みパラメタ記憶手段１１０に記録する（ステップＡ５’）。
【００７７】
図１２を参照すると、各推薦方式の重みパラメタを変える重みパラメタ入力手段１０１の入力値を１０に示す値から２０に示す値のように変更すると、それに伴い、推薦効果の指標であるフィードバック率と、利益率の値が、３０から４０のように変化する。重みパラメタを２１、２２のように変更すると、全体のフィードバック率の推定値も３１ｃから、４１ｃのように変化する。利益率に関しても同様である。
【００７８】
このように、重みパラメタを変更することによって、システム全体がどのような効果を獲得するか、また、各効果指標のバランスはどうかをわかりやすく可視化することができるため、サービスが重要視する効果の指標に従って、重みパラメタの入力を行うことが可能となる。
【００７９】
（推薦実行処理の動作の説明）
図５は、本発明の第１の実施例による推薦実行処理の動作を示すフローチャートである。
【００８０】
図５を参照すると、まず、送受信手段１１１が、ユーザ端末２００から推薦要求を受信する（ステップＣ１’）。
【００８１】
次に、推薦コンテンツ抽出手段１０７が、重みパラメタ入力手段１０１から、運用者が設定したコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の重みパラメタを取得する。（ステップＣ２’）。
【００８２】
ここで、ＣＢの重みパラメタをＷ（ＣＢ）、ＣＦの重みパラメタをＷ（ＣＦ）とする。
【００８３】
次に、推薦コンテンツ抽出手段１０７は、内部に保持するコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の推薦エンジンを用いて、コンテンツのフィルタリング・スコアリングを行い、推薦するコンテンツを抽出する（ステップＣ３’）。
【００８４】
そして、推薦コンテンツ抽出手段１０７は、重みパラメタの割合に基づいて、各推薦方式からコンテンツを選び、最終的に推薦するコンテンツを集約する（ステップＣ４’）。
【００８５】
ＣＢの重みパラメタはＷ（ＣＢ）、ＣＦの重みパラメタをＷ（ＣＦ）であるので、推薦コンテンツ抽出手段１０７は、コンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）それぞれの推薦結果から、［ＣＢ：ＣＦ］＝［Ｗ（ＣＢ）：Ｗ（ＣＦ）］の割合で各推薦方式からコンテンツを選び、最終的に推薦するコンテンツを集約する。
【００８６】
最後に、送受信手段１１１が、得られたコンテンツを最終結果としてユーザ端末に送信する（ステップＣ５’）。
【００８７】
（第１の実施の形態による効果）
次に本実施の形態の効果について説明する。
【００８８】
本実施の形態の形態によれば、レコメンドサービスを提供する運用者にとって、推薦によって得られる効果を把握することができ、また、期待する効果を得るためには各推薦方式をどのように重み付けすればよいかがわかりやすくなり、運用者の意図を容易にコンテンツ推薦システムに反映することができる。
【００８９】
また、本実施の形態によれば、推薦コンテンツ抽出手段１０７が、期待する効果が得られるよう運用者が入力した重みパラメタを用いて実際の推薦を実行するため、運用者の意図に沿った推薦を実現できる。
【００９０】
なお、重みパラメタ入力手段１０１、効果指標合成手段１０２、表示手段１０３、効果指標値算出手段１０４からなる最小限の構成でによっても、上述した課題を解決することができる。
【００９１】
（第２の実施の形態）
本発明の第２の実施の形態について、図面を参照して詳細に説明する。以下の図において、本発明の本質に関わらない部分の構成については省略してあり、図示されていない。
【００９２】
図７は、本発明の第２の実施の形態によるレコメンド運用管理装置１００の構成を示すブロック図である。
【００９３】
図７を参照すると、本実施の形態によるレコメンド運用管理装置１００は、本発明の第１の実施形態に、履歴データをフィルタリングする条件を記憶するフィルタ条件記憶手段１０４と、前記条件によって履歴データの条件フィルタリングを行う履歴条件フィルタ手段１０５をさらに備えた構成となっている。
【００９４】
これらの手段はそれぞれ概略つぎのように動作する。
【００９５】
フィルタ条件記憶手段１０４は、履歴条件フィルタ手段１０５が履歴データのフィルタリングに用いる所定の条件を記録している。該条件は、例えば、利用者のプロファイル条件、位置情報や時間情報などのコンテキスト条件、また、履歴の新しさの条件等、任意に設定可能である。
【００９６】
フィルタ条件に記録される条件は、予め設定しておくことができる。
【００９７】
また、重みパラメタ入力手段１０１による入力の際に設定しても良い。この場合、履歴条件フィルタ手段１０５、効果指標値算出手段１０６は、該条件の設定後に、処理を行う。
【００９８】
履歴条件フィルタ手段１０５は、フィルタ条件記憶手段１０４に記録されている条件を用いて、履歴データのフィルタリングを行う。
【００９９】
例えば、利用者のプロファイル条件、位置情報や時間情報などのコンテキスト条件、また、履歴の新しさの条件などで、対象の履歴のみに条件フィルタリングを行うことができる。また、履歴の時間の経過に伴う減衰関数のように、利用する履歴によって影響度合いを変化するような条件フィルタリングでもよい。
【０１００】
効果指標値算出手段１０６は、履歴条件フィルタ手段１０５が条件フィルタリングを実施した履歴データを用いて、効果指標記憶手段１０９に設定されている効果指標の値を、推薦方式毎に算出する。
【０１０１】
その他の手段については、第１の実施の形態と同様であるため、説明を省略する。
【０１０２】
（第２の実施の形態の動作の説明）
次に、本実施の形態によるレコメンド運用管理装置１００の動作について、図面を参照して詳細に説明する。
【０１０３】
（効果指標算出の動作の説明）
図８は、本実施の形態によるコンテンツ推薦システム１００における、効果指標算出の動作を示すフローチャートである。
【０１０４】
図８を参照すると、まず、履歴条件フィルタ手段１０５が、フィルタ条件記憶手段１０４に設定されている所定の条件を用いて履歴データのフィルタリングを行う（ステップＢ１）。
【０１０５】
次に、効果指標値算出手段１０６が、条件フィルタリングを実施した履歴データを用いて、推薦方式毎に、効果指標を算出する（ステップＢ２）。
【０１０６】
重みパラメータ設定処理、及び推薦実行処理の動作は、第１の実施の形態と同様であるため、詳細な説明を省略する。
【実施例２】
【０１０７】
次に、具体的な実施例を用いて本実施の形態の動作を説明する。
【０１０８】
図９は、本発明の第２の実施例による効果指標算出の動作を示すフローチャートである。
【０１０９】
前提として、実施例１と同様に、予めフィードバック率、利益率が推薦方式の効果指標として推薦効果指標設定手段１０９に設定されているものとする。フィードバック率、利益率についても、実施例１と同様の定義とする。
【０１１０】
また、ハイブリッド型コンテンツ推薦システムの推薦方式として、コンテンツベースの推薦方式（ＣＢ）と、協調フィルタリングベースの推薦方式（ＣＦ）が利用されているものとする。
【０１１１】
また、フィルタ条件記憶手段１０４には、履歴条件として［２０代・女性］が設定されているとする。
【０１１２】
図１１を参照すると、まず、履歴条件フィルタ手段１０５が、履歴条件１０４に設定された履歴条件を参照し、履歴データの中から条件に適合した履歴のみにフィルタリングを行う（ステップＢ１’）。
【０１１３】
次に、効果指標値算出手段１０６が、該フィルタリングを行った履歴データを用いて、各推薦方式に対する効果指標を算出する（ステップＢ２’）。
【０１１４】
ここでは、推薦方式としてコンテンツベースの推薦方式（ＣＢ）と協調フィルタリングベースの推薦方式（ＣＦ）が利用されており、効果指標値算出手段１０６は、それぞれの推薦方式について、フィードバック率、利益率をそれぞれ算出する。
【０１１５】
重みパラメータ設定処理、及び推薦実行処理の動作は、実施例１と同様であるため、詳細な説明を省略する。
【０１１６】
このように、特定の条件でフィルタリングした履歴における、コンテンツ推薦システムの効果指標を算出することによって、特定の層に対する重みパラメタの入力を行うことが可能となる。
【０１１７】
（第２の実施の形態による効果）
次に本実施の形態の効果について説明する。
【０１１８】
本実施の形態によれば、条件フィルタリングを行った履歴を用いて、各推薦方式の効果指標、およびシステム全体の効果指標を算出するように構成されているため、特定の履歴に対する推薦の効果を鑑みて、運用者の意図をコンテンツ推薦システムに反映できる。
【０１１９】
（第３の実施の形態）
本発明の第３の実施の形態について、図面を参照して詳細に説明する。以下の図において、本発明の本質に関わらない部分の構成については省略してあり、図示されていない。
【０１２０】
図１０は、本実施の形態によるコンテンツ推薦システム１０００の構成を示すブロック図である。
【０１２１】
図１０を参照すると、本実施の形態によるコンテンツ推薦システム１０００は、第１の実施に形態に加え、履歴データから、個人や状況毎に、推薦方式の重みパラメタを学習する重みパラメタ学習手段１１２と、重みパラメタ記憶手段１１０に記録されている重みパラメタと、重みパラメタ学習手段１１２が学習した重みパラメタとを合成する重みパラメタ合成手段１０８を備える。
【０１２２】
なお、第２の実施の形態に重みパラメタ学習手段１１２と、重みパラメタ合成手段１０８を加える構成としても良い。
【０１２３】
これらの手段はそれぞれ概略つぎのように動作する。
【０１２４】
重みパラメタ学習手段１１２は、履歴データから、所定の条件毎に、各推薦方式の重要度を重みパラメタとしてを学習する。
【０１２５】
例えば、レストランを推薦する場合は、各推薦方式のフィードバック率に基づいて各推薦方式の重みパラメタを学習し、本を購入する場合は、各推薦方式の利益率に基づいて各推薦方式の重みパラメタを学習したりすることができる。ただしこれに限定はされず、重みパラメタの学習方法は任意に設定できるものとする。
【０１２６】
重みパラメタ合成手段１０８は、重みパラメタ学習手段１１２が学習した各推薦方式の重みパラメタと、重みパラメタ記憶手段１１０に記録されている各推薦方式の重みパラメタを合成する。この結果、重みパラメタ学習手段１１２が学習した各条件毎に、合成された重みパラメタが生成される。
【０１２７】
推薦コンテンツ抽出手段１０７は、内部に保持する推薦方式の中で、重みパラメタ合成手段１０８が合成した重みパラメタが０以上である１つ以上の推薦方式を用いて、コンテンツのフィルタリング・スコアリングを行い、コンテンツを抽出する。
【０１２８】
この場合、重みパラメタ合成手段１０８により合成された重みパラメタは所定の条件毎に存在するが、ユーザ端末２００からの推薦要求にマッチした、重みパラメタを用いる。
【０１２９】
また、推薦コンテンツ抽出手段１０７は、該合成した重みパラメタを持つ推薦方式が複数の場合は、該重みパラメタの割合に基づいて各推薦方式からコンテンツを選び、最終的に推薦するコンテンツを集約する。
【０１３０】
送受信手段１１１については、第１の実施の形態と同様であるため説明を省略する。
【０１３１】
効果指標合成手段１０２は、各推薦方式の効果指標値と、重みパラメタ合成手段１０８で生成された重みパラメタとを合成することにより、コンテンツ推薦システム１０００全体の効果指標の推定値（効果指標推定値）を算出する。
【０１３２】
重みパラメタ入力手段１０１、表示手段１０３については、第１の実施の形態と同様であるため説明を省略する。
【０１３３】
（第３の実施の形態の動作の説明）
次に、本実施の形態によるコンテンツ推薦システム１０００の動作について、図面を参照して詳細に説明する。
【０１３４】
なお、本実施の形態では、事前段階として、重みパラメタ学習手段１１２は、各推薦方式について、所定の場合（ユーザ、状況等）毎に、重みパラメータを学習しているものとする。
【０１３５】
また、効果指標値算出手段１０６は、事前に各推薦方式の効果指標値を算出しているとする。
【０１３６】
（重みパラメタ設定処理の動作の説明）
まず、図１１を参照して、本実施の形態によるコンテンツ推薦システム１０００における、重みパラメタ設定処理の動作について説明する。
【０１３７】
図１１を参照すると、まず、重みパラメタ入力手段１０１が、運用者から効果指標に対する各推薦方式の重みパラメタの入力を受け付ける（ステップＤ１）。
【０１３８】
次に、重みパラメタ合成手段１０８が、重みパラメタ学習手段１１２が学習した、個人や状況毎の推薦方式の重みパラメタと、重みパラメタ入力手段１０１から入力した推薦方式の重みパラメタを合成する（ステップＤ２）。
【０１３９】
次に、効果指標合成手段１０２が、効果指標値算出手段１０６と、重みパラメタ合成手段１０８から、それぞれ推薦方式毎の効果指標値と重みパラメタを取得し、それらを合成して、コンテンツ推薦システム１０００全体の推薦の効果指標の推定値を算出する（ステップＤ３）。
【０１４０】
次いで、表示手段１０３が、各推薦方式の効果指標値と、コンテンツ推薦システム１０００全体の推薦効果値とを、期待する効果を得るためにどのような入力を与えればよいかという指標として表示する（ステップＤ４）。ここで、実際は、コンテンツ推薦システム１０００全体の効果指標値は、個人や状況毎に異なる値であるが、表示の際は便宜上、効果の平均値を表示してもよい。
【０１４１】
最後に、コンテンツ推薦システム１０００全体の効果指標値および各効果指標のバランスが適当だという運用者の判断によって、重みパラメタの決定処理がされると、重みパラメタ入力手段１０１が、該決定された重みパラメタを記録する（ステップＤ５、ステップＤ６）。
【０１４２】
（推薦実行処理の動作の説明）
次に、図１２を参照して、本実施の形態によるコンテンツ推薦システム１０００における推薦実行処理の動作について説明する。
【０１４３】
図１２を参照すると、まず、送受信手段１１１が、ユーザ端末２００から推薦要求を受信する（ステップＥ１）。
【０１４４】
次に、重みパラメタ合成手段１０８が、重みパラメタ入力手段１０１から入力した重みパラメタと、重みパラメタ学習手段１１２が個人・状況毎に学習した重みパラメタとを取得する（ステップＥ２）。
【０１４５】
そして、重みパラメタ合成手段１０８は、取得した該２つの重みパラメタを合成する（ステップＥ３）。
【０１４６】
次に、推薦コンテンツ抽出手段１０７が、内部に保持する推薦方式の中で、該合成した重みパラメタが０以上である１つ以上の推薦方式を用いて、コンテンツのフィルタリング・スコアリングを行い、推薦するコンテンツを抽出する（ステップＥ４）。
【０１４７】
そして、推薦コンテンツ抽出手段１０７は、重みパラメタの割合に基づいて、各推薦方式で抽出された推薦コンテンツから、最終的に推薦するコンテンツを集約する（ステップＥ５）。
【０１４８】
なお、重みパラメタが０以上である推薦方式が１つしかない場合は、該推薦方式で抽出されたコンテンツが、最終的に推薦するコンテンツとなる
【０１４９】
最後に、送受信手段１１１が、得られたコンテンツを最終結果としてユーザ端末に送信する（ステップＥ６）
【実施例３】
【０１５０】
次に、具体的な実施例を用いて本実施の形態の動作を説明する。
【０１５１】
本実施例においても、まず、前提として、推薦効果指標設定手段１０９に予め推薦の効果指標として、フィードバック率、利益率が設定されているものとする。フィードバック率、利益率は、本発明の第１の実施形態の実施例と同様の定義とする。
【０１５２】
また、推薦コンテンツ抽出手段１０７は、その内部にコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の推薦エンジンを含むものとする。
【０１５３】
また、重みパラメタ学習手段１１２は、履歴データから個人や状況毎に、推薦方式の重みパラメタを学習しているものとする。
【０１５４】
（重みパラメタ設定処理の動作の説明）
図１３は、本実施例によるコンテンツ推薦システム１０００における重みパラメタ設定処理の動作を示すフローチャートである。
【０１５５】
図１３を参照すると、まず、重みパラメタ入力手段１０１が、運用者から効果指標に対する各推薦方式の重みパラメタの入力を受け付ける（ステップＤ１’）。
【０１５６】
このとき、重みパラメタ入力手段１０１は、図１４の１１ｂ’、１２ｂ’のように、重みパラメタ学習手段１１２が学習した、個人や状況毎に異なる重みパラメタの平均値と、入力した重みパラメタを併せた形で提示してもよい。
【０１５７】
図１４を参照すると、１１ａ’、１２ａ’は運用者が入力する重みパラメタ、１１ｂ’、１２ｂ’は重みパラメタ学習手段１１２が学習した重みパラメタの平均値である。
【０１５８】
重みパラメタの入力値を１０’から２０’のように変更する場合、１１ａ’、１２ａ’は、運用者の入力によって２１ａ’、２２ａ’のように変更できるが、１１ｂ’、１２ｂ’は運用者の入力によっては変化しない。
【０１５９】
なお、図１４においては、１１ｂ’、１２ｂ’、２１ｂ’、２２ｂ’は、それぞれ、１１ａ’、１２ａ’、２１ａ’、２２ａ’の終点を始点としており、イコライザを移動させても、常に学習した重みパラメタの値が視認できるようになっている。
【０１６０】
重みパラメタ入力手段１０１が入力を受け付けると、次いで、重みパラメタ合成手段１０８が、重みパラメタ学習手段１１２が学習した重みパラメタと、重みパラメタ入力手段１０１が受け付けた重みパラメタとを合成し、システム全体の重みパラメタを算出する（ステップＤ２’）。
【０１６１】
ここで、運用者の入力したＣＢの重みパラメタである２１ａ’をＷ１（ＣＢ）、運用者の入力したＣＦの重みパラメタである２２ａ’をＷ１（ＣＦ）とし、学習によって得られたＣＢの重みパラメタである２１ｂ’をＷ２（ＣＢ）、学習によって得られたＣＦの重みパラメタである２２ｂ’をＷ２（ＣＦ）とすると、システム全体のＣＢの重みパラメタＷ（ＣＢ）は、Ｗ（ＣＢ）＝Ｗ１（ＣＢ）＋Ｗ２（ＣＢ）となり、システム全体のＣＦの重みパラメタをＷ（ＣＦ）は、Ｗ（ＣＦ）＝Ｗ１（ＣＦ）＋Ｗ２（ＣＦ）となる。
【０１６２】
次に、効果指標合成手段１０２が、効果指標値算出手段１０６で算出したコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の２つの推薦方式のフィードバック率、利益率と、重みパラメタ合成手段１０８が算出した重みパラメタとを合成し、コンテンツ推薦システム１０００全体のフィードバック率、利益率を算出する（ステップＤ３’）。
【０１６３】
コンテンツ推薦システム１０００全体のフィードバック率は、Ｆ（ＡＬＬ）＝Ｗ（ＣＢ）＊Ｆ（ＣＢ）＋Ｗ（ＣＦ）＊Ｆ（ＣＦ）のように算出できる。
【０１６４】
コンテンツ推薦システム１０００全体の利益率は、Ｂ（ＡＬＬ）＝Ｗ（ＣＢ）＊ Ｂ（ＣＢ）＋Ｗ（ＣＦ）＊Ｂ（ＣＦ）のように算出できる。
【０１６５】
次いで、表示手段１０３が、各推薦方式のフィードバック率、および利益率と、ステップＤ３’で算出したシステム全体のフィードバック率、および利益率の推定値とを、期待する効果を得るためにどのような入力を与えればよいかという指標として表示する（ステップＤ４’）。
【０１６６】
最後に、コンテンツ推薦システム１０００全体の効果指標値および各効果指標のバランスが適当だという運用者の判断によって、重みパラメタの決定処理がされると、重みパラメタ入力手段１０１が、該決定された重みパラメタを記録する（ステップＤ５’，ステップＤ６’）。
【０１６７】
（推薦実行処理の動作の説明）
図１５は、本実施例によるコンテンツ推薦システム１０００における重みパラメタ設定処理の動作を示すフローチャートであり、図１５は、本実施例によるコンテンツ推薦システム１０００における推薦実行処理の動作を示すフローチャートである。
【０１６８】
図１５を参照すると、まず、送受信手段１１１が、ユーザ端末２００から推薦要求を受信する（ステップＥ１’）。推薦要求に含まれるクエリには、ユーザの識別子や取得したいコンテンツの数等を含む。
【０１６９】
次に、重みパラメタ合成手段１０８が、重みパラメタ入力手段１０１を通して入力したコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の重みパラメタと、重みパラメタ学習手段１１２が個人・状況毎に学習したコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の重みパラメタとを取得する（ステップＥ２’）。
【０１７０】
そして、重みパラメタ合成手段１０８は、重みパラメタ学習手段１１２及び重みパラメタ入力手段１０１から取得した、コンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の重みパラメタそれぞれについて、合成を行う（ステップＥ３’）。
【０１７１】
すなわち、重みパラメタ合成手段１０８は、重みパラメタ学習手段１１２及び重みパラメタ入力手段１０１から取得した各コンテンツベースの推薦方式（ＣＢ）の重みパラメタを合成し、同様に、重みパラメタ学習手段１１２及び重みパラメタ入力手段１０１から取得した、各協調フィルタリングベースの推薦方式（ＣＦ）の重みパラメタを合成する。
【０１７２】
この結果、コンテンツベースの推薦方式（ＣＢ）に対するシステム全体の重みパラメタ、各協調フィルタリングベースの推薦方式（ＣＦ）に対するシステム全体の重みパラメタが算出される。
【０１７３】
ここで、運用者の入力したＣＢの重みパラメタをＷ１（ＣＢ）、ＣＦの重みパラメタをＷ１（ＣＦ）とし、また、学習によって得られたＣＢの重みパラメタをＷ２（ＣＢ）、ＣＦの重みパラメタをＷ２（ＣＦ）とすると、コンテンツ推薦システム１０００全体のＣＢの重みパラメタＷ（ＣＢ）は、Ｗ（ＣＢ）＝Ｗ１（ＣＢ）＋Ｗ２（ＣＢ）、システム全体のＣＦの重みパラメタをＷ（ＣＦ）は、Ｗ（ＣＦ）＝Ｗ１（ＣＦ）＋Ｗ２（ＣＦ）となる。
【０１７４】
次に、推薦コンテンツ抽出手段１０７が、内部に保持するコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）を用いて、コンテンツをフィルタリング、スコアリングを行い、推薦するコンテンツを抽出する（ステップＥ４’）。
【０１７５】
さらに、推薦コンテンツ抽出手段１０７は、合成した重みパラメタの割合に基づいて、各推薦方式で抽出された推薦コンテンツから、最終的に推薦するコンテンツを集約する（ステップＥ５’）。
【０１７６】
ここでは［ＣＢ：ＣＦ］＝［Ｗ（ＣＢ）：Ｗ（ＣＦ）］なので、推薦コンテンツ抽出手段１０７は、コンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）それぞれの推薦結果から、［Ｗ（ＣＢ）：Ｗ（ＣＦ）］の割合でコンテンツを選び、最終的な推薦結果とする。
【０１７７】
最後に、送受信手段１１１が、得られたコンテンツを最終結果としてユーザ端末に送信する（ステップＥ６’）。
【０１７８】
このように、個人や状況毎に学習された重みパラメタと、運用者の意図として入力さた重みパラメタとを合成し、該合成した重みパラメタを用いて推薦を実行することで、利用者個人や状況に応じて変化する嗜好と、運営者の意図との両方を反映した推薦をを行うことが可能となる。
【０１７９】
（第３の実施の形態による効果）
次に本実施の形態の効果について説明する。
【０１８０】
本実施の形態によれば、個人や状況毎に学習された重みパラメタと、運用者の意図として入力された重みパラメタとを合成し、前記合成した重みパラメタを用いて推薦を実行するため、利用者個人や状況に応じて変化する嗜好と、運営者の意図との両方を反映した推薦を容易に実現できるというメリットがある。
【０１８１】
次に、本発明のコンテンツ推薦装置１００のハードウェア構成例について、図１６を参照して説明する。図１６は、コンテンツ推薦装置１００のハードウェア構成例を示すブロック図である。
【０１８２】
図１６を参照すると、コンテンツ推薦装置１００は、一般的なコンピュータ装置と同様のハードウェア構成であり、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）８０１、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等のメモリからなる、データの作業領域やデータの一時退避領域に用いられる主記憶部８０２、ネットワークを介してデータの送受信を行う通信部８０３、入力装置８０５や出力装置８０６及び記憶装置８０７と接続してデータの送受信を行う入出力インタフェース部８０４、上記各構成要素を相互に接続するシステムバス８０８を備えている。記憶装置８０７は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、磁気ディスク、半導体メモリ等の不揮発性メモリから構成されるハードディスク装置等で実現される。
【０１８３】
本発明のコンテンツ推薦装置１００の各手段は、プログラムを組み込んだ、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）等のハードウェア部品である回路部品を実装することにより、その動作をハードウェア的に実現することは勿論として、その機能を提供するプログラムを、記憶装置８０７に格納し、そのプログラムを主記憶部８０２にロードしてＣＰＵ８０１で実行することにより、ソフトウェア的に実現することも可能である。
【０１８４】
以上好ましい実施の形態をあげて本発明を説明したが、本発明は必ずしも、上記実施の形態に限定されるものでなく、その技術的思想の範囲内において様々に変形して実施することができる。
【０１８５】
なお、以上の構成要素の任意の組合せ、本発明の表現を方法、装置、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本発明の態様として有効である。
【０１８６】
また、本発明の各種の構成要素は、必ずしも個々に独立した存在である必要はなく、複数の構成要素が一個の部材として形成されていること、一つの構成要素が複数の部材で形成されていること、ある構成要素が他の構成要素の一部であること、ある構成要素の一部と他の構成要素の一部とが重複していること、等でもよい。
【０１８７】
また、本発明の方法およびコンピュータプログラムには複数の手順を順番に記載してあるが、その記載の順番は複数の手順を実行する順番を限定するものではない。このため、本発明の方法およびコンピュータプログラムを実施する時には、その複数の手順の順番は内容的に支障しない範囲で変更することができる。
【０１８８】
また、本発明の方法およびコンピュータプログラムの複数の手順は個々に相違するタイミングで実行されることに限定されない。このため、ある手順の実行中に他の手順が発生すること、ある手順の実行タイミングと他の手順の実行タイミングとの一部ないし全部が重複していること、等でもよい。
【０１８９】
さらに、上記実施形態の一部又は全部は、以下の付記のようにも記載されうるが、これに限定されない。
【０１９０】
（付記１）
ユーザ端末と、複数の推薦方式を用いてコンテンツを推薦するコンテンツ推薦装置とを備えるコンテンツ推薦システムであって、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段と、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段と、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成手段と、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示手段と
を含むことを特徴とするコンテンツ推薦システム。
【０１９１】
（付記２）
前記効果指標合成手段は、
前記推薦方式毎に、前記効果指標値に対し前記重みパラメタに基づく所定の重み付けを行い、当該重み付けを行った各効果指標値を合算して、全体の前記効果指標の推定値を算出することを特徴とする付記１に記載のコンテンツ推薦システム。
【０１９２】
（付記３）
前記効果指標が、
前記推薦方式による推薦回数と、当該推薦方式の推薦を通してコンテンツが利用された回数とから算出されるフィードバック率であることを特徴する付記１又は付記２に記載のコンテンツ推薦システム。
【０１９３】
（付記４）
前記効果指標が、
前記推薦方式による推薦回数と、前記推薦方式の推薦を通して発生した収入額とから算出される利益率であることを特徴とする付記１又は付記２に記載のコンテンツ推薦システム。
【０１９４】
（付記５）
前記履歴データを、予め設定された所定の条件によってフィルタリングする履歴条件フィルタ手段を含み、
前記効果指標算出手段が、
フィルタリングされた前記履歴データを用いて、前記効果指標値を算出することを特徴とする付記１から付記４の何れか１項に記載のコンテンツ推薦システム。
【０１９５】
（付記６）
前記重みパラメタ入力手段から入力された重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する推薦コンテンツ抽出手段を含むことを特徴とする付記１から付記５の何れか１項に記載のコンテンツ推薦システム。
【０１９６】
（付記７）
前記履歴データから、所定の条件毎に、前記各推薦方式の重要度を重みパラメタとして学習する重みパラメタ学習手段と、
前記重みパラメタ入力手段から入力された前記重みパラメタと、前記重みパラメタ学習手段が学習した各重みパラメタとを合成する重みパラメタ合成手段とを含み、
前記推薦コンテンツ抽出手段が、
前記重みパラメタ合成手段により合成された所定の重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する
ことを特徴とする付記６に記載のコンテンツ推薦システム。
【０１９７】
（付記８）
前記重みパラメタ合成手段は、
前記重みパラメタ学習手段が学習した前記各重みパラメタについて、当該重みパラメタと、前記重みパラメタ入力手段から入力された前記重みパラメタとを合算することを特徴とする付記７に記載のコンテンツ推薦システム。
【０１９８】
（付記９）
前記推薦コンテンツ抽出手段は、
前記ユーザ端末からの前記推薦要求に対応する重みパラメタを、前記重みパラメタ合成手段から取得することを特徴とする付記７又は付記８に記載のコンテンツ推薦システム。
【０１９９】
（付記１０）
ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置であって、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段と、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段と、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成手段と、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示手段と
を含むことを特徴とするコンテンツ推薦装置。
【０２００】
（付記１１）
前記効果指標合成手段は、
前記推薦方式毎に、前記効果指標値に対し前記重みパラメタに基づく所定の重み付けを行い、当該重み付けを行った各効果指標値を合算して、全体の前記効果指標の推定値を算出することを特徴とする付記１０に記載のコンテンツ推薦装置。
【０２０１】
（付記１２）
前記効果指標が、
前記推薦方式による推薦回数と、当該推薦方式の推薦を通してコンテンツが利用された回数とから算出されるフィードバック率であることを特徴する付記１０又は付記１１に記載のコンテンツ推薦装置。
【０２０２】
（付記１３）
前記効果指標が、
前記推薦方式による推薦回数と、前記推薦方式の推薦を通して発生した収入額とから算出される利益率であることを特徴とする付記１０又は付記１１に記載のコンテンツ推薦装置。
【０２０３】
（付記１４）
前記履歴データを、予め設定された所定の条件によってフィルタリングする履歴条件フィルタ手段を含み、
前記効果指標算出手段が、
フィルタリングされた前記履歴データを用いて、前記効果指標値を算出することを特徴とする付記１０から付記１３の何れか１項に記載のコンテンツ推薦装置。
【０２０４】
（付記１５）
前記重みパラメタ入力手段から入力された重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する推薦コンテンツ抽出手段を含むことを特徴とする付記１０から付記１４の何れか１項に記載のコンテンツ推薦装置。
【０２０５】
（付記１６）
前記履歴データから、所定の条件毎に、前記各推薦方式の重要度を重みパラメタとして学習する重みパラメタ学習手段と、
前記重みパラメタ入力手段から入力された前記重みパラメタと、前記重みパラメタ学習手段が学習した各重みパラメタとを合成する重みパラメタ合成手段とを含み、
前記推薦コンテンツ抽出手段が、
前記重みパラメタ合成手段により合成された所定の重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する
ことを特徴とする付記１５に記載のコンテンツ推薦装置。
【０２０６】
（付記１７）
前記重みパラメタ合成手段は、
前記重みパラメタ学習手段が学習した前記各重みパラメタについて、当該重みパラメタと、前記重みパラメタ入力手段から入力された前記重みパラメタとを合算することを特徴とする付記１６に記載のコンテンツ推薦装置。
【０２０７】
（付記１８）
前記推薦コンテンツ抽出手段は、
前記ユーザ端末からの前記推薦要求に対応する重みパラメタを、前記重みパラメタ合成手段から取得することを特徴とする付記１６又は付記１７に記載のコンテンツ推薦装置。
【０２０８】
（付記１９）
ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置の推薦方式制御方法であって、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力ステップと、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出ステップと、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成ステップと、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示ステップと
を有することを特徴とする推薦方式制御方法。
【０２０９】
（付記２０）
前記効果指標合成ステップで、
前記推薦方式毎に、前記効果指標値に対し前記重みパラメタに基づく所定の重み付けを行い、当該重み付けを行った各効果指標値を合算して、全体の前記効果指標の推定値を算出することを特徴とする付記１９に記載の推薦方式制御方法。
【０２１０】
（付記２１）
前記効果指標が、
前記推薦方式による推薦回数と、当該推薦方式の推薦を通してコンテンツが利用された回数とから算出されるフィードバック率であることを特徴する付記１９又は付記２０に記載の推薦方式制御方法。
【０２１１】
（付記２２）
前記効果指標が、
前記推薦方式による推薦回数と、前記推薦方式の推薦を通して発生した収入額とから算出される利益率であることを特徴とする付記１９又は付記２０に記載の推薦方式制御方法。
【０２１２】
（付記２３）
前記履歴データを、予め設定された所定の条件によってフィルタリングする履歴条件フィルタステップを有し、
前記効果指標算出ステップで、
フィルタリングされた前記履歴データを用いて、前記効果指標値を算出することを特徴とする付記１９から付記２２の何れか１項に記載の推薦方式制御方法。
【０２１３】
（付記２４）
前記重みパラメタ入力ステップから入力された重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する推薦コンテンツ抽出ステップを有することを特徴とする付記１９から付記２３の何れか１項に記載の推薦方式制御方法。
【０２１４】
（付記２５）
前記履歴データから、所定の条件毎に、前記各推薦方式の重要度を重みパラメタとして学習する重みパラメタ学習ステップと、
前記重みパラメタ入力ステップから入力された前記重みパラメタと、前記重みパラメタ学習ステップが学習した各重みパラメタとを合成する重みパラメタ合成ステップとを有し、
前記推薦コンテンツ抽出ステップで、
前記重みパラメタ合成ステップにより合成された所定の重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する
ことを特徴とする付記２４に記載の推薦方式制御方法。
【０２１５】
（付記２６）
前記重みパラメタ合成ステップで、
前記重みパラメタ学習ステップが学習した前記各重みパラメタについて、当該重みパラメタと、前記重みパラメタ入力ステップから入力された前記重みパラメタとを合算することを特徴とする付記２５に記載の推薦方式制御方法。
【０２１６】
（付記２７）
前記推薦コンテンツ抽出ステップで、
前記ユーザ端末からの前記推薦要求に対応する重みパラメタを、前記重みパラメタ合成ステップから取得することを特徴とする付記２５又は付記２６に記載の推薦方式制御方法。
【０２１７】
（付記２８）
ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置として機能するコンピュータ上で動作する推薦方式制御プログラムであって、
前記コンピュータに
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力処理と、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出処理と、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成処理と、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示処理と
を実行させることを特徴とする推薦方式制御プログラム。
【０２１８】
（付記２９）
前記効果指標合成処理で、
前記推薦方式毎に、前記効果指標値に対し前記重みパラメタに基づく所定の重み付けを行い、当該重み付けを行った各効果指標値を合算して、全体の前記効果指標の推定値を算出することを特徴とする付記２８に記載の推薦方式制御プログラム。
【０２１９】
（付記３０）
前記効果指標が、
前記推薦方式による推薦回数と、当該推薦方式の推薦を通してコンテンツが利用された回数とから算出されるフィードバック率であることを特徴する付記２８又は付記２９に記載の推薦方式制御プログラム。
【０２２０】
（付記３１）
前記効果指標が、
前記推薦方式による推薦回数と、前記推薦方式の推薦を通して発生した収入額とから算出される利益率であることを特徴とする付記２８又は付記２９に記載の推薦方式制御プログラム。
【０２２１】
（付記３２）
前記コンピュータに、
前記履歴データを、予め設定された所定の条件によってフィルタリングする履歴条件フィルタ処理を実行させ、
前記効果指標算出処理で、
フィルタリングされた前記履歴データを用いて、前記効果指標値を算出することを特徴とする付記２８から付記３１の何れか１項に記載の推薦方式制御プログラム。
【０２２２】
（付記３３）
前記コンピュータに、
前記重みパラメタ入力処理から入力された重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する推薦コンテンツ抽出処理を実行させることを特徴とする付記２８から付記３２の何れか１項に記載の推薦方式制御プログラム。
【０２２３】
（付記３４）
前記コンピュータに、
前記履歴データから、所定の条件毎に、前記各推薦方式の重要度を重みパラメタとして学習する重みパラメタ学習処理と、
前記重みパラメタ入力処理から入力された前記重みパラメタと、前記重みパラメタ学習処理が学習した各重みパラメタとを合成する重みパラメタ合成処理とを実行させ、
前記推薦コンテンツ抽出処理で、
前記重みパラメタ合成処理により合成された所定の重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する
ことを特徴とする付記３３に記載の推薦方式制御プログラム。
【０２２４】
（付記３５）
前記重みパラメタ合成処理で、
前記重みパラメタ学習処理が学習した前記各重みパラメタについて、当該重みパラメタと、前記重みパラメタ入力処理から入力された前記重みパラメタとを合算することを特徴とする付記３４に記載の推薦方式制御プログラム。
【０２２５】
（付記３６）
前記推薦コンテンツ抽出処理で、
前記ユーザ端末からの前記推薦要求に対応する重みパラメタを、前記重みパラメタ合成処理から取得することを特徴とする付記３４又は付記３５に記載の推薦方式制御プログラム。
【産業上の利用可能性】
【０２２６】
本発明によれば、あるコンテンツの伝播パタンを分析するマーケティング分析といった用途に適用できる。
また、あるコンテンツの伝播パタンの相関を利用した情報推薦といった用途にも適用可能である。
【符号の説明】
【０２２７】
１００：コンテンツ推薦装置
１０１：重みパラメタ入力手段
１０２：効果指標合成手段
１０３：表示手段
１０４：フィルタ条件記憶手段
１０５：履歴条件フィルタ手段
１０６：効果指標値算出手段
１０７：推薦コンテンツ抽出手段
１０８：重みパラメタ合成手段
１０９：効果指標記憶手段
１１０：重みパラメタ記憶手段
１１１：送受信手段
２００：ユーザ端末
１０００：コンテンツ推薦システム
【技術分野】
【０００１】
本発明は、ハイブリッド型コンテンツ推薦システム、およびその運用管理方法に関し、特に、推薦によって得られる効果（ユーザ満足、利益率、ロングテール効果、在庫削減など）の可視化と、期待する効果を得るための可制御性に優れ、運用者の意図を容易にコンテンツ推薦システムに反映できるコンテンツ推薦システム、コンテンツ推薦装置、コンテンツ推薦方法、コンテンツ推薦プログラムに関する。
【背景技術】
【０００２】
近年、膨大なコンテンツ（電子書籍、ニュース、動画、音楽など）の中から、利用者にとって興味のあるコンテンツを自動的に把握して、利用者に提示するコンテンツ推薦システムの重要性が高まっている。
【０００３】
コンテンツ推薦システムは、多量のコンテンツの利用ログや購買ログから、利用者の嗜好を分析する嗜好分析アルゴリズム（以下、推薦方式）を内部に保持し、利用者にとって興味のあるコンテンツを自動的に把握する。推薦方式には協調フィルタリングベースやコンテンツベース、ベイジアンネットワークベースなど多様なアルゴリズムが存在する。
【０００４】
しかし、各々の推薦方式は、メリットもあればデメリットもあるというトレードオフの関係にある。また、例えば、本を購入する場合は「これを見ている人はこれも見ています」のように、自分の購入履歴に類似した情報を抽出する協調フィルタリングのようなアルゴリズムが向くが、レストランを探す場合は、自分の履歴よりも、一緒にレストランに行く同伴者「家族」「恋人」「友人」を鑑みて情報を抽出して欲しいなど、人や状況に応じてどのような基準で情報を欲しいか、すなわち推薦方式が異なる。そのため、一般的に、全てのケースにおいて万能な推薦方式は存在しないと言われている。
【０００５】
そこで、お互いの推薦方式の持つ弱点を補強し、多種多様なケースにおいて適切な情報を抽出することのできる、ハイブリッド型のコンテンツ推薦システムが注目されている。
【０００６】
特許文献１は、ハイブリッド型のコンテンツ推薦システムであり、コンテンツベース型の推薦方式と協調フィルタリング型の推薦方式の両方の長所を有し、ユーザの嗜好に追従した推薦を行い、かつユーザ数およびコンテンツ数が増加してもコンテンツ推薦を高速に処理ができることを目指したものである。
【０００７】
また、非特許文献１、２は、ハイブリッド型のコンテンツ推薦システムであり、複数のアルゴリズムの推薦方式を内部に有し、利用者だけでなく、利用者の状況に応じて情報を推薦するものである。
【０００８】
このように、複数のアルゴリズムを有したハイブリッド型コンテンツ推薦システムでは、協調フィルタリングやコンテンツベースなどの嗜好分析アルゴリズムにより、あらゆる状況の利用者の嗜好に追従する情報推薦を実現することを目指したものである。
【０００９】
しかし、関連技術のハイブリッド型のコンテンツ推薦システムは、利用者の嗜好に自動的に追従するものが主であり、サービスを提供する運用者にとって、推薦による効果をわかりやすく把握できない、また、期待する効果を得るために各推薦方式をどの程度重要視すればよいかがわかりにくいという問題があった。
【先行技術文献】
【特許文献】
【００１０】
【特許文献１】特開２０１０−０６７１７５号公報
【非特許文献】
【００１１】
【非特許文献１】Ｖｉｃｔｏｒｉａ Ｂｅｌｌｏｔｔｉ ｅｔ ａｌ．：“Ａｃｔｉｖｉｔｙ−ｂａｓｅｄ ｓｅｒｅｎｄｉｐｉｔｉｏｕｓ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ ｗｉｔｈ ｔｈｅ Ｍａｇｉｔｔｉ ｍｏｂｉｌｅ ｌｅｉｓｕｒｅ ｇｕｉｄｅ”．Ｐｒｏｃ． Ｏｆ ｔｈｅ ｔｗｅｎｔｙ−ｓｉｘｔｈ ａｎｎｕａｌ ＳＩＧＣＨＩ ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｈｕｍａｎ ｆａｃｔｏｒｓ ｉｎ ｃｏｍｐｕｔｉｎｇ ｓｙｓｔｅｍｓ， ｐｐ． １１５７−１１６６，２００８
【非特許文献２】菅野亨太 他． “利用者状況に適した方式で情報を推薦する「マルチモード推薦システム」の実現，第７１回情報処理学会全国大会，ｐｐ．１−４７３−１−４７４（２００９）
【発明の概要】
【発明が解決しようとする課題】
【００１２】
第１の問題点は、ハイブリッド型のコンテンツ推薦システムにおいて、運用者が、期待する効果を得るために各推薦方式をどの程度重要視すればよいかがわかりにくく、運用者の意図を容易に反映することが難しかった。
【００１３】
その理由は、ハイブリッド型のコンテンツ推薦システムは、特徴の異なる複数の推薦方式を有するために、システム全体の効果（ユーザ満足、利益率、ロングテール効果、在庫削減など）は複数の推薦方式の効果の重なりによって得られる複雑な構成となっており、運用者が期待する効果を得るためにどのような各推薦方式をどの程度重要視すればよいかという指標を得ることができていなかったためである。
【００１４】
（発明の目的）
本発明の目的は、上述した課題を解決し、推薦によって得られる効果を把握し、期待する効果を得るためにどのような入力を与えればよいかがわかりやすくし、運用者の意図を容易にコンテンツ推薦システムに反映できるコンテンツ推薦システム、コンテンツ推薦装置、コンテンツ推薦方法、コンテンツ推薦プログラムを提供することである。
【課題を解決するための手段】
【００１５】
本発明の第１のコンテンツ推薦システムは、ユーザ端末と、複数の推薦方式を用いてコンテンツを推薦するコンテンツ推薦装置とを備えるコンテンツ推薦システムであって、各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段と、推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段と、効果指標毎に、各推薦方式の重みパラメタと、効果指標値とを合成した値を、全体の効果指標の推定値として算出する効果指標合成手段と、効果指標毎に、各推薦方式の効果指標値と、全体の効果指標の推定値とを併せて表示する表示手段とを含む。
【００１６】
本発明の第１のコンテンツ推薦装置は、ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置であって、各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段と、推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段と、効果指標毎に、各推薦方式の重みパラメタと、効果指標値とを合成した値を、全体の効果指標の推定値として算出する効果指標合成手段と、効果指標毎に、各推薦方式の効果指標値と、全体の効果指標の推定値とを併せて表示する表示手段とを含む。
【００１７】
本発明の第１の推薦方式制御方法は、ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置の推薦方式制御方法であって、各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力ステップと、推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出ステップと、効果指標毎に、各推薦方式の重みパラメタと、効果指標値とを合成した値を、全体の効果指標の推定値として算出する効果指標合成ステップと、効果指標毎に、各推薦方式の効果指標値と、全体の効果指標の推定値とを併せて表示する表示ステップとを有する。
【００１８】
本発明の第１の推薦方式制御プログラムは、ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置として機能するコンピュータ上で動作する推薦方式制御プログラムであって、コンピュータに、各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力処理と、推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出処理と、効果指標毎に、各推薦方式の重みパラメタと、効果指標値とを合成した値を、全体の効果指標の推定値として算出する効果指標合成処理と、効果指標毎に、各推薦方式の効果指標値と、全体の効果指標の推定値とを併せて表示する表示処理とを実行させる。
【発明の効果】
【００１９】
第１の効果は、ハイブリッド型コンテンツ推薦システムにおいて、推薦によって得られる効果を把握し、期待する効果を得るためにどのような入力を与えればよいかがわかりやすいことにある。
【００２０】
その理由は、ハイブリッド型のコンテンツ推薦システムの各々の推薦方式の効果と、重みパラメタの入力値によって変化するシステム全体の効果の推定値とを併せて表示することで、それらを指標として、運用者が、重みパラメタの入力値によって、システム全体の効果の推定値がどのように変化するかを逐次確認しながら推薦の重みパラメタを入力できるためである。
【図面の簡単な説明】
【００２１】
【図１】本発明の第１の実施の形態によるコンテンツ推薦システムの構成を示すブロック図である。
【図２】第１の実施の形態による重みパラメタ設定処理の動作を示すフローチャートである。
【図３】第１の実施の形態による推薦実行処理の動作を示すフローチャートである。
【図４】本発明の実施例１による重みパラメタ設定処理の動作を示すフローチャートである。
【図５】実施例１による推薦実行処理の動作を示すフローチャートである。
【図６】実施例１における推薦方式重みパラメタ入力手段と表示手段の例示を示した図である。
【図７】本発明の第２の実施の形態によるコンテンツ推薦システムの構成を示すブロック図である。
【図８】第２の実施の形態による効果指標算出の動作を示すフローチャートである。
【図９】本発明の実施例２による効果指標算出の動作を示すフローチャートである。
【図１０】本発明の第３の実施の形態によるコンテンツ推薦システムの構成を示すブロック図である。
【図１１】第３の実施の形態による重みパラメタ設定処理の動作を示すフローチャートである。
【図１２】第３の実施の形態による推薦実行処理の動作を示すフローチャートである。
【図１３】本発明の実施例３による重みパラメタ設定処理の動作を示すフローチャートである。
【図１４】実施例３による重みパラメタ入力手段と表示手段の例示を示した図である。
【図１５】実施例３による推薦実行処理の動作を示すフローチャートである。
【図１６】本発明のコンテンツ推薦装置のハードウェア構成例を示すブロック図である。
【発明を実施するための形態】
【００２２】
本発明の実施の形態について図面を参照して詳細に説明する。なお、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。
【００２３】
（第１の実施の形態）
本発明の第１の実施の形態について、図面を参照して詳細に説明する。以下の図において、本発明の本質に関わらない部分の構成については適宜省略してあり、図示されていない。
【００２４】
図１は、本発明の第１の実施の形態によるコンテンツ推薦システム１０００の構成を示すブロック図である。
【００２５】
図１を参照すると、本実施の形態によるコンテンツ推薦システム１０００は、ユーザ端末２００と、ユーザにコンテンツを推薦するコンテンツ推薦装置１００とから構成される。
【００２６】
ユーザ端末２００は、コンテンツ推薦装置に対し所定の推薦要求を送信し、その結果を受信する。推薦要求は、ユーザの識別子や、取得したい推薦コンテンツの数等を含む。推薦要求の内容は任意に設定可能である。
【００２７】
なお、本実施の形態では、説明の便宜上ユーザ端末を１台とする構成としたが、ユーザ端末の数に制限はない。
【００２８】
コンテンツ推薦装置１００は、ユーザ端末２００との間でデータの送受信を行う送受信手段１１１と、ユーザに推薦するコンテンツを抽出する推薦コンテンツ抽出手段１０７と、推薦方式の重みパラメタを入力する重みパラメタ入力手段１０１と、推薦方式に対し設定された効果指標を記憶する効果指標記憶手段１０９と、推薦方式毎に効果指標の値を算出する効果指標値算出手段１０６と、効果指標値と重みパラメタとを合成してコンテンツ推薦システム１０００全体の効果指標の推定値を算出する効果指標合成手段１０２と、推薦方式の効果指標値とシステム全体の効果指標推定値を併せて表示する表示手段１０３と、ユーザ端末から構成されている。
【００２９】
重みパラメタ入力手段１０１は、推薦方式の影響度合いを制御する重みパラメタの入力を受け付ける。
【００３０】
また、重みパラメタ入力手段１０１は、運用者により設定された重みパラメタを、重みパラメタ記憶手段１１０に記録する。
【００３１】
効果指標記憶手段１０９は、推薦方式に対する効果指標を記憶する。効果指標は、予め運用者等により設定されているものとする。
【００３２】
効果指標とは、推薦方式の効果を示す指標である。効果指標としては、フィードバック率、利益率等が設定されているものとする。効果指標は、履歴データを用いて算出できる指標として、任意で設定できるものとする。
【００３３】
履歴データとは、コンテンツ推薦システム１０００において、ユーザがコンテンツにアクセスした履歴や、実行された推薦の履歴等からなるデータであり、フィードバック率、利益率等の効果指標を算出できる情報を含んでいる。
【００３４】
効果指標値算出手段１０６は、履歴データを参照し、効果指標記憶手段１０９に設定されている効果指標の値（効果指標値）を、推薦方式毎に算出する。
【００３５】
効果指標合成手段１０２は、各推薦方式の効果指標値と、各推薦方式の重みパラメタとを合成することにより、コンテンツ推薦システム１０００全体の効果指標の推定値（効果指標推定値）を算出する。効果指標合成手段１０２は、効果指標が複数ある場合は、効果指標毎に、効果指標推定値を算出する。
【００３６】
表示手段１０３は、各推薦方式の効果指標値と、入力した重みパラメタにおけるシステム全体の効果指標の推定値を併せて表示する。
【００３７】
送受信手段１１１は、ユーザ端末２００から推薦要求を受信する。推薦要求に含まれるクエリには、ユーザの識別子や取得したいコンテンツの数等を含む。
【００３８】
推薦コンテンツ抽出手段１０７は、内部に複数の推薦方式を保持しており、該推薦方式を用いて、コンテンツデータから、ユーザへ推薦する推薦コンテンツを抽出する。
【００３９】
推薦コンテンツ抽出手段１０７は、重みパラメタ記憶手段１１０に記録されている、推薦方式毎の重みパラメタに基づいて、使用する推薦方式の割合を決定し、コンテンツデータから推薦コンテンツを抽出する。
【００４０】
例えば、重みパラメタの割合が、「（推薦方式Ａ）１：（推薦方式Ｂ）２」であった場合、推薦コンテンツ抽出手段１０７は、推薦方式Ａで抽出された推薦コンテンツと推薦方式Ｂで抽出された推薦コンテンツの割合が１：２となるように、推薦コンテンツを抽出する。
【００４１】
（第１の実施の形態の動作の説明）
次に、本実施の形態によるコンテンツ推薦システム１０００の動作について、図面を参照して詳細に説明する。
【００４２】
（重みパラメタの設定処理の動作の説明）
まず、重みパラメタ記憶手段１１０に記録される重みパラメタの設定処理の動作について説明する。
【００４３】
本実施の形態では、効果指標値算出手段１０６は、事前に、各推薦方式について、効果指標記憶手段１０９に記憶されている効果指標を算出しているものとする。
【００４４】
図２は、本実施の形態によるコンテンツ推薦システム１０００の動作を示すフローチャートである。
【００４５】
図２を参照すると、まず、重みパラメタ入力手段１０１が、運用者から各推薦方式の影響度合いを制御する重みパラメタの入力を受け付ける（ステップＡ１）。
【００４６】
次に、効果指標合成手段１０２が、各推薦方式の効果指標値と、各推薦方式の重みパラメタとを合成することにより、コンテンツ推薦システム１０００全体の効果指標の推定値（効果指標推定値）を算出する。（ステップＡ２）。
【００４７】
効果指標が複数ある場合は、効果指標毎に、ステップＡ３の処理を行う。
【００４８】
次いで、表示手段１０３が、各推薦方式の効果指標値と、重みパラメタの入力値で変化するシステム全体の効果指標推定値とを表示する（ステップＡ３）。
【００４９】
運用者は、スッテプＡ３で表示された効果指標のバランスが適当だと判断することによって重みパラメタの入力を完了するか否かを判断することができ、適当でない場合はまたステップＡ１に戻り処理を繰り返すことができる（ステップＡ４）。
【００５０】
最後に、運用者により入力した重みパラメタの設定完了が指示がされると（ステップＡ４”ＹＥＳ”）、重みパラメタ入力手段１０１が、該重みパラメタを重みパラメタ記憶手段１１０に記録する（ステップＡ５）。
【００５１】
（推薦実行処理の動作の説明）
図３は、本実施の形態によるコンテンツ推薦システム１０００における、推薦実行処理の動作を示すフローチャートである。
【００５２】
図３を参照すると、まず、送受信手段１１１が、ユーザ端末２００から推薦要求を受信する（ステップＣ１）。
【００５３】
次に、推薦コンテンツ抽出手段１０７が、重みパラメタ入力手段１０１から、各推薦方式の重みパラメタを取得する（ステップＣ２）。
【００５４】
次いで、推薦コンテンツ抽出手段１０７は、内部に保持する推薦方式の中で、取得した該重みパラメタが０以上である１つ以上の推薦方式を用いて、コンテンツのフィルタリング・スコアリングを行い、推薦するコンテンツを抽出する（ステップＣ３）。
【００５５】
そして、推薦コンテンツ抽出手段１０７は、重みパラメタの割合に基づいて、各推薦方式からコンテンツを選び、最終的に推薦するコンテンツを集約する（ステップＣ４）。
【００５６】
なお、重みパラメタが０以上である推薦方式が１つしかない場合は、該推薦方式で抽出されたコンテンツが、最終的に推薦するコンテンツとなる
【００５７】
最後に、送受信手段１１１が、得られたコンテンツを最終結果としてユーザ端末に送信する（ステップＣ５）。
【実施例１】
【００５８】
次に、具体的な実施例を用いて本実施の形態の動作を説明する。
【００５９】
本実施例では、前提として、予めフィードバック率、利益率が推薦方式の効果指標として推薦効果指標設定手段１０９に設定されているものとする。
【００６０】
フィードバック率は［ある推薦方式の推薦を通してコンテンツが利用された回数／ある推薦方式の推薦回数］、また、利益率は、［ある推薦方式の推薦を通して得た収入／ある推薦方式の推薦回数］のように設定されているものとする。ただしこれに限定はされない。
【００６１】
また、ハイブリッド型コンテンツ推薦システムの推薦方式として、コンテンツベースの推薦方式（ＣＢ）と、協調フィルタリングベースの推薦方式（ＣＦ）の２つの推薦方式が利用されているものとする。
【００６２】
また、効果指標値算出手段１０６は、事前に、コンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の２つの推薦方式のフィードバック率｛Ｆ（ＣＢ），Ｆ（ＣＦ）｝、及び利益率｛Ｂ（ＣＢ），Ｂ（ＣＦ）｝を算出しているものとする。なお、重みパラメタ入力手段１０１が入力を受け付ける直前、又は受け付けた後に算出することとしてもよい。
【００６３】
（重みパラメタ設定処理の動作の説明）
図４は、本発明の第１の実施例による重みパラメタ設定処理の動作を示すフローチャートである。
【００６４】
図４を参照すると、まず、重みパラメタ入力手段１０１が、運用者から各推薦方式の重みパラメタの入力を受け付ける（ステップＡ１’）。
【００６５】
ここで図６を参照すると、図６の１０、及び２０は、重みパラメタ入力手段１０１の入力画面の例を示した図である。
【００６６】
ステップＡ１’の動作は、例えば、コンテンツベースの推薦方式（ＣＢ）と協調フィルタリングの推薦方式（ＣＦ）の重みパラメタの重みパラメタを、運用者がイコライザ１１、イコライザ１２を用いて、イコライザ２１、イコライザ２２のように変更する。
【００６７】
以下、重みパラメタ入力手段１０１が入力を受け付けたＣＢの重みパラメタをＷ（ＣＢ）、ＣＦの重みパラメタをＷ（ＣＦ）と称する。
【００６８】
なお、各推薦方式の重みパラメタは、コンテンツ推薦システム１０００の推薦実行において、当該推薦方式からの結果を、最終的な推薦結果にどれだけ強く影響させるかという影響度合いを示すパラメタである。
【００６９】
次に、効果指標合成手段１０２が、コンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の２つの推薦方式のフィードバック率｛Ｆ（ＣＢ），Ｆ（ＣＦ）｝、及び利益率｛Ｂ（ＣＢ），Ｂ（ＣＦ）｝に、ステップＡ１’で入力した各推薦方式の重みパラメタに基づく所定の重み付けした上で、各値を合成し、システム全体のフィードバック率、利益率の推定値を算出する（ステップＡ２’）。
【００７０】
システム全体のフィードバック率は、Ｆ（ＡＬＬ）＝Ｗ（ＣＢ）＊Ｆ（ＣＢ）＋Ｗ（ＣＦ）＊Ｆ（ＣＦ）のように算出することができる。ただしこれに限定はされない。
【００７１】
システム全体の利益率は、Ｂ（ＡＬＬ）＝Ｗ（ＣＢ）＊ Ｂ（ＣＢ）＋Ｗ（ＣＦ）＊Ｂ（ＣＦ）のように算出することができる。ただしこれに限定はされない。
【００７２】
最後に、表示手段１０３が、各推薦方式のフィードバック率｛Ｆ（ＣＢ），Ｆ（ＣＦ）｝、および利益率｛Ｂ（ＣＢ），Ｂ（ＣＦ）｝と、ステップＡ３’で算出したシステム全体のフィードバック率Ｆ（ＡＬＬ）、および利益率Ｂ（ＡＬＬ）とを、表示する（ステップＡ３’）。
【００７３】
ここで図１２を参照すると、図１２の３０及び４０は、表示手段１０３の例示である。
【００７４】
例えば、３１ｃ及び４１ｃは、システム全体のフィードバック率である。３１ｃは、コンテンツベースのフィードバック率である３１ａと、協調フィルタリングのフィードバック率である３１ｂを、コンテンツベースの重みパラメタ１１及び協調フィルタリングの重みパラメタ１２に基づき重み付けし、合成した値である。
【００７５】
運用者は、スッテプＡ３’で表示された効果指標のバランスが適当だと判断することによって重みパラメタの入力を完了するか否かを判断することができ、適当でない場合はまたステップＡ１’に戻り処理を繰り返すことができる（ステップＡ４’）。
【００７６】
最後に、運用者により入力した重みパラメタの設定完了が指示がされると（ステップＡ４’”ＹＥＳ”）、重みパラメタ入力手段１０１が、該重みパラメタを重みパラメタ記憶手段１１０に記録する（ステップＡ５’）。
【００７７】
図１２を参照すると、各推薦方式の重みパラメタを変える重みパラメタ入力手段１０１の入力値を１０に示す値から２０に示す値のように変更すると、それに伴い、推薦効果の指標であるフィードバック率と、利益率の値が、３０から４０のように変化する。重みパラメタを２１、２２のように変更すると、全体のフィードバック率の推定値も３１ｃから、４１ｃのように変化する。利益率に関しても同様である。
【００７８】
このように、重みパラメタを変更することによって、システム全体がどのような効果を獲得するか、また、各効果指標のバランスはどうかをわかりやすく可視化することができるため、サービスが重要視する効果の指標に従って、重みパラメタの入力を行うことが可能となる。
【００７９】
（推薦実行処理の動作の説明）
図５は、本発明の第１の実施例による推薦実行処理の動作を示すフローチャートである。
【００８０】
図５を参照すると、まず、送受信手段１１１が、ユーザ端末２００から推薦要求を受信する（ステップＣ１’）。
【００８１】
次に、推薦コンテンツ抽出手段１０７が、重みパラメタ入力手段１０１から、運用者が設定したコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の重みパラメタを取得する。（ステップＣ２’）。
【００８２】
ここで、ＣＢの重みパラメタをＷ（ＣＢ）、ＣＦの重みパラメタをＷ（ＣＦ）とする。
【００８３】
次に、推薦コンテンツ抽出手段１０７は、内部に保持するコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の推薦エンジンを用いて、コンテンツのフィルタリング・スコアリングを行い、推薦するコンテンツを抽出する（ステップＣ３’）。
【００８４】
そして、推薦コンテンツ抽出手段１０７は、重みパラメタの割合に基づいて、各推薦方式からコンテンツを選び、最終的に推薦するコンテンツを集約する（ステップＣ４’）。
【００８５】
ＣＢの重みパラメタはＷ（ＣＢ）、ＣＦの重みパラメタをＷ（ＣＦ）であるので、推薦コンテンツ抽出手段１０７は、コンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）それぞれの推薦結果から、［ＣＢ：ＣＦ］＝［Ｗ（ＣＢ）：Ｗ（ＣＦ）］の割合で各推薦方式からコンテンツを選び、最終的に推薦するコンテンツを集約する。
【００８６】
最後に、送受信手段１１１が、得られたコンテンツを最終結果としてユーザ端末に送信する（ステップＣ５’）。
【００８７】
（第１の実施の形態による効果）
次に本実施の形態の効果について説明する。
【００８８】
本実施の形態の形態によれば、レコメンドサービスを提供する運用者にとって、推薦によって得られる効果を把握することができ、また、期待する効果を得るためには各推薦方式をどのように重み付けすればよいかがわかりやすくなり、運用者の意図を容易にコンテンツ推薦システムに反映することができる。
【００８９】
また、本実施の形態によれば、推薦コンテンツ抽出手段１０７が、期待する効果が得られるよう運用者が入力した重みパラメタを用いて実際の推薦を実行するため、運用者の意図に沿った推薦を実現できる。
【００９０】
なお、重みパラメタ入力手段１０１、効果指標合成手段１０２、表示手段１０３、効果指標値算出手段１０４からなる最小限の構成でによっても、上述した課題を解決することができる。
【００９１】
（第２の実施の形態）
本発明の第２の実施の形態について、図面を参照して詳細に説明する。以下の図において、本発明の本質に関わらない部分の構成については省略してあり、図示されていない。
【００９２】
図７は、本発明の第２の実施の形態によるレコメンド運用管理装置１００の構成を示すブロック図である。
【００９３】
図７を参照すると、本実施の形態によるレコメンド運用管理装置１００は、本発明の第１の実施形態に、履歴データをフィルタリングする条件を記憶するフィルタ条件記憶手段１０４と、前記条件によって履歴データの条件フィルタリングを行う履歴条件フィルタ手段１０５をさらに備えた構成となっている。
【００９４】
これらの手段はそれぞれ概略つぎのように動作する。
【００９５】
フィルタ条件記憶手段１０４は、履歴条件フィルタ手段１０５が履歴データのフィルタリングに用いる所定の条件を記録している。該条件は、例えば、利用者のプロファイル条件、位置情報や時間情報などのコンテキスト条件、また、履歴の新しさの条件等、任意に設定可能である。
【００９６】
フィルタ条件に記録される条件は、予め設定しておくことができる。
【００９７】
また、重みパラメタ入力手段１０１による入力の際に設定しても良い。この場合、履歴条件フィルタ手段１０５、効果指標値算出手段１０６は、該条件の設定後に、処理を行う。
【００９８】
履歴条件フィルタ手段１０５は、フィルタ条件記憶手段１０４に記録されている条件を用いて、履歴データのフィルタリングを行う。
【００９９】
例えば、利用者のプロファイル条件、位置情報や時間情報などのコンテキスト条件、また、履歴の新しさの条件などで、対象の履歴のみに条件フィルタリングを行うことができる。また、履歴の時間の経過に伴う減衰関数のように、利用する履歴によって影響度合いを変化するような条件フィルタリングでもよい。
【０１００】
効果指標値算出手段１０６は、履歴条件フィルタ手段１０５が条件フィルタリングを実施した履歴データを用いて、効果指標記憶手段１０９に設定されている効果指標の値を、推薦方式毎に算出する。
【０１０１】
その他の手段については、第１の実施の形態と同様であるため、説明を省略する。
【０１０２】
（第２の実施の形態の動作の説明）
次に、本実施の形態によるレコメンド運用管理装置１００の動作について、図面を参照して詳細に説明する。
【０１０３】
（効果指標算出の動作の説明）
図８は、本実施の形態によるコンテンツ推薦システム１００における、効果指標算出の動作を示すフローチャートである。
【０１０４】
図８を参照すると、まず、履歴条件フィルタ手段１０５が、フィルタ条件記憶手段１０４に設定されている所定の条件を用いて履歴データのフィルタリングを行う（ステップＢ１）。
【０１０５】
次に、効果指標値算出手段１０６が、条件フィルタリングを実施した履歴データを用いて、推薦方式毎に、効果指標を算出する（ステップＢ２）。
【０１０６】
重みパラメータ設定処理、及び推薦実行処理の動作は、第１の実施の形態と同様であるため、詳細な説明を省略する。
【実施例２】
【０１０７】
次に、具体的な実施例を用いて本実施の形態の動作を説明する。
【０１０８】
図９は、本発明の第２の実施例による効果指標算出の動作を示すフローチャートである。
【０１０９】
前提として、実施例１と同様に、予めフィードバック率、利益率が推薦方式の効果指標として推薦効果指標設定手段１０９に設定されているものとする。フィードバック率、利益率についても、実施例１と同様の定義とする。
【０１１０】
また、ハイブリッド型コンテンツ推薦システムの推薦方式として、コンテンツベースの推薦方式（ＣＢ）と、協調フィルタリングベースの推薦方式（ＣＦ）が利用されているものとする。
【０１１１】
また、フィルタ条件記憶手段１０４には、履歴条件として［２０代・女性］が設定されているとする。
【０１１２】
図１１を参照すると、まず、履歴条件フィルタ手段１０５が、履歴条件１０４に設定された履歴条件を参照し、履歴データの中から条件に適合した履歴のみにフィルタリングを行う（ステップＢ１’）。
【０１１３】
次に、効果指標値算出手段１０６が、該フィルタリングを行った履歴データを用いて、各推薦方式に対する効果指標を算出する（ステップＢ２’）。
【０１１４】
ここでは、推薦方式としてコンテンツベースの推薦方式（ＣＢ）と協調フィルタリングベースの推薦方式（ＣＦ）が利用されており、効果指標値算出手段１０６は、それぞれの推薦方式について、フィードバック率、利益率をそれぞれ算出する。
【０１１５】
重みパラメータ設定処理、及び推薦実行処理の動作は、実施例１と同様であるため、詳細な説明を省略する。
【０１１６】
このように、特定の条件でフィルタリングした履歴における、コンテンツ推薦システムの効果指標を算出することによって、特定の層に対する重みパラメタの入力を行うことが可能となる。
【０１１７】
（第２の実施の形態による効果）
次に本実施の形態の効果について説明する。
【０１１８】
本実施の形態によれば、条件フィルタリングを行った履歴を用いて、各推薦方式の効果指標、およびシステム全体の効果指標を算出するように構成されているため、特定の履歴に対する推薦の効果を鑑みて、運用者の意図をコンテンツ推薦システムに反映できる。
【０１１９】
（第３の実施の形態）
本発明の第３の実施の形態について、図面を参照して詳細に説明する。以下の図において、本発明の本質に関わらない部分の構成については省略してあり、図示されていない。
【０１２０】
図１０は、本実施の形態によるコンテンツ推薦システム１０００の構成を示すブロック図である。
【０１２１】
図１０を参照すると、本実施の形態によるコンテンツ推薦システム１０００は、第１の実施に形態に加え、履歴データから、個人や状況毎に、推薦方式の重みパラメタを学習する重みパラメタ学習手段１１２と、重みパラメタ記憶手段１１０に記録されている重みパラメタと、重みパラメタ学習手段１１２が学習した重みパラメタとを合成する重みパラメタ合成手段１０８を備える。
【０１２２】
なお、第２の実施の形態に重みパラメタ学習手段１１２と、重みパラメタ合成手段１０８を加える構成としても良い。
【０１２３】
これらの手段はそれぞれ概略つぎのように動作する。
【０１２４】
重みパラメタ学習手段１１２は、履歴データから、所定の条件毎に、各推薦方式の重要度を重みパラメタとしてを学習する。
【０１２５】
例えば、レストランを推薦する場合は、各推薦方式のフィードバック率に基づいて各推薦方式の重みパラメタを学習し、本を購入する場合は、各推薦方式の利益率に基づいて各推薦方式の重みパラメタを学習したりすることができる。ただしこれに限定はされず、重みパラメタの学習方法は任意に設定できるものとする。
【０１２６】
重みパラメタ合成手段１０８は、重みパラメタ学習手段１１２が学習した各推薦方式の重みパラメタと、重みパラメタ記憶手段１１０に記録されている各推薦方式の重みパラメタを合成する。この結果、重みパラメタ学習手段１１２が学習した各条件毎に、合成された重みパラメタが生成される。
【０１２７】
推薦コンテンツ抽出手段１０７は、内部に保持する推薦方式の中で、重みパラメタ合成手段１０８が合成した重みパラメタが０以上である１つ以上の推薦方式を用いて、コンテンツのフィルタリング・スコアリングを行い、コンテンツを抽出する。
【０１２８】
この場合、重みパラメタ合成手段１０８により合成された重みパラメタは所定の条件毎に存在するが、ユーザ端末２００からの推薦要求にマッチした、重みパラメタを用いる。
【０１２９】
また、推薦コンテンツ抽出手段１０７は、該合成した重みパラメタを持つ推薦方式が複数の場合は、該重みパラメタの割合に基づいて各推薦方式からコンテンツを選び、最終的に推薦するコンテンツを集約する。
【０１３０】
送受信手段１１１については、第１の実施の形態と同様であるため説明を省略する。
【０１３１】
効果指標合成手段１０２は、各推薦方式の効果指標値と、重みパラメタ合成手段１０８で生成された重みパラメタとを合成することにより、コンテンツ推薦システム１０００全体の効果指標の推定値（効果指標推定値）を算出する。
【０１３２】
重みパラメタ入力手段１０１、表示手段１０３については、第１の実施の形態と同様であるため説明を省略する。
【０１３３】
（第３の実施の形態の動作の説明）
次に、本実施の形態によるコンテンツ推薦システム１０００の動作について、図面を参照して詳細に説明する。
【０１３４】
なお、本実施の形態では、事前段階として、重みパラメタ学習手段１１２は、各推薦方式について、所定の場合（ユーザ、状況等）毎に、重みパラメータを学習しているものとする。
【０１３５】
また、効果指標値算出手段１０６は、事前に各推薦方式の効果指標値を算出しているとする。
【０１３６】
（重みパラメタ設定処理の動作の説明）
まず、図１１を参照して、本実施の形態によるコンテンツ推薦システム１０００における、重みパラメタ設定処理の動作について説明する。
【０１３７】
図１１を参照すると、まず、重みパラメタ入力手段１０１が、運用者から効果指標に対する各推薦方式の重みパラメタの入力を受け付ける（ステップＤ１）。
【０１３８】
次に、重みパラメタ合成手段１０８が、重みパラメタ学習手段１１２が学習した、個人や状況毎の推薦方式の重みパラメタと、重みパラメタ入力手段１０１から入力した推薦方式の重みパラメタを合成する（ステップＤ２）。
【０１３９】
次に、効果指標合成手段１０２が、効果指標値算出手段１０６と、重みパラメタ合成手段１０８から、それぞれ推薦方式毎の効果指標値と重みパラメタを取得し、それらを合成して、コンテンツ推薦システム１０００全体の推薦の効果指標の推定値を算出する（ステップＤ３）。
【０１４０】
次いで、表示手段１０３が、各推薦方式の効果指標値と、コンテンツ推薦システム１０００全体の推薦効果値とを、期待する効果を得るためにどのような入力を与えればよいかという指標として表示する（ステップＤ４）。ここで、実際は、コンテンツ推薦システム１０００全体の効果指標値は、個人や状況毎に異なる値であるが、表示の際は便宜上、効果の平均値を表示してもよい。
【０１４１】
最後に、コンテンツ推薦システム１０００全体の効果指標値および各効果指標のバランスが適当だという運用者の判断によって、重みパラメタの決定処理がされると、重みパラメタ入力手段１０１が、該決定された重みパラメタを記録する（ステップＤ５、ステップＤ６）。
【０１４２】
（推薦実行処理の動作の説明）
次に、図１２を参照して、本実施の形態によるコンテンツ推薦システム１０００における推薦実行処理の動作について説明する。
【０１４３】
図１２を参照すると、まず、送受信手段１１１が、ユーザ端末２００から推薦要求を受信する（ステップＥ１）。
【０１４４】
次に、重みパラメタ合成手段１０８が、重みパラメタ入力手段１０１から入力した重みパラメタと、重みパラメタ学習手段１１２が個人・状況毎に学習した重みパラメタとを取得する（ステップＥ２）。
【０１４５】
そして、重みパラメタ合成手段１０８は、取得した該２つの重みパラメタを合成する（ステップＥ３）。
【０１４６】
次に、推薦コンテンツ抽出手段１０７が、内部に保持する推薦方式の中で、該合成した重みパラメタが０以上である１つ以上の推薦方式を用いて、コンテンツのフィルタリング・スコアリングを行い、推薦するコンテンツを抽出する（ステップＥ４）。
【０１４７】
そして、推薦コンテンツ抽出手段１０７は、重みパラメタの割合に基づいて、各推薦方式で抽出された推薦コンテンツから、最終的に推薦するコンテンツを集約する（ステップＥ５）。
【０１４８】
なお、重みパラメタが０以上である推薦方式が１つしかない場合は、該推薦方式で抽出されたコンテンツが、最終的に推薦するコンテンツとなる
【０１４９】
最後に、送受信手段１１１が、得られたコンテンツを最終結果としてユーザ端末に送信する（ステップＥ６）
【実施例３】
【０１５０】
次に、具体的な実施例を用いて本実施の形態の動作を説明する。
【０１５１】
本実施例においても、まず、前提として、推薦効果指標設定手段１０９に予め推薦の効果指標として、フィードバック率、利益率が設定されているものとする。フィードバック率、利益率は、本発明の第１の実施形態の実施例と同様の定義とする。
【０１５２】
また、推薦コンテンツ抽出手段１０７は、その内部にコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の推薦エンジンを含むものとする。
【０１５３】
また、重みパラメタ学習手段１１２は、履歴データから個人や状況毎に、推薦方式の重みパラメタを学習しているものとする。
【０１５４】
（重みパラメタ設定処理の動作の説明）
図１３は、本実施例によるコンテンツ推薦システム１０００における重みパラメタ設定処理の動作を示すフローチャートである。
【０１５５】
図１３を参照すると、まず、重みパラメタ入力手段１０１が、運用者から効果指標に対する各推薦方式の重みパラメタの入力を受け付ける（ステップＤ１’）。
【０１５６】
このとき、重みパラメタ入力手段１０１は、図１４の１１ｂ’、１２ｂ’のように、重みパラメタ学習手段１１２が学習した、個人や状況毎に異なる重みパラメタの平均値と、入力した重みパラメタを併せた形で提示してもよい。
【０１５７】
図１４を参照すると、１１ａ’、１２ａ’は運用者が入力する重みパラメタ、１１ｂ’、１２ｂ’は重みパラメタ学習手段１１２が学習した重みパラメタの平均値である。
【０１５８】
重みパラメタの入力値を１０’から２０’のように変更する場合、１１ａ’、１２ａ’は、運用者の入力によって２１ａ’、２２ａ’のように変更できるが、１１ｂ’、１２ｂ’は運用者の入力によっては変化しない。
【０１５９】
なお、図１４においては、１１ｂ’、１２ｂ’、２１ｂ’、２２ｂ’は、それぞれ、１１ａ’、１２ａ’、２１ａ’、２２ａ’の終点を始点としており、イコライザを移動させても、常に学習した重みパラメタの値が視認できるようになっている。
【０１６０】
重みパラメタ入力手段１０１が入力を受け付けると、次いで、重みパラメタ合成手段１０８が、重みパラメタ学習手段１１２が学習した重みパラメタと、重みパラメタ入力手段１０１が受け付けた重みパラメタとを合成し、システム全体の重みパラメタを算出する（ステップＤ２’）。
【０１６１】
ここで、運用者の入力したＣＢの重みパラメタである２１ａ’をＷ１（ＣＢ）、運用者の入力したＣＦの重みパラメタである２２ａ’をＷ１（ＣＦ）とし、学習によって得られたＣＢの重みパラメタである２１ｂ’をＷ２（ＣＢ）、学習によって得られたＣＦの重みパラメタである２２ｂ’をＷ２（ＣＦ）とすると、システム全体のＣＢの重みパラメタＷ（ＣＢ）は、Ｗ（ＣＢ）＝Ｗ１（ＣＢ）＋Ｗ２（ＣＢ）となり、システム全体のＣＦの重みパラメタをＷ（ＣＦ）は、Ｗ（ＣＦ）＝Ｗ１（ＣＦ）＋Ｗ２（ＣＦ）となる。
【０１６２】
次に、効果指標合成手段１０２が、効果指標値算出手段１０６で算出したコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の２つの推薦方式のフィードバック率、利益率と、重みパラメタ合成手段１０８が算出した重みパラメタとを合成し、コンテンツ推薦システム１０００全体のフィードバック率、利益率を算出する（ステップＤ３’）。
【０１６３】
コンテンツ推薦システム１０００全体のフィードバック率は、Ｆ（ＡＬＬ）＝Ｗ（ＣＢ）＊Ｆ（ＣＢ）＋Ｗ（ＣＦ）＊Ｆ（ＣＦ）のように算出できる。
【０１６４】
コンテンツ推薦システム１０００全体の利益率は、Ｂ（ＡＬＬ）＝Ｗ（ＣＢ）＊ Ｂ（ＣＢ）＋Ｗ（ＣＦ）＊Ｂ（ＣＦ）のように算出できる。
【０１６５】
次いで、表示手段１０３が、各推薦方式のフィードバック率、および利益率と、ステップＤ３’で算出したシステム全体のフィードバック率、および利益率の推定値とを、期待する効果を得るためにどのような入力を与えればよいかという指標として表示する（ステップＤ４’）。
【０１６６】
最後に、コンテンツ推薦システム１０００全体の効果指標値および各効果指標のバランスが適当だという運用者の判断によって、重みパラメタの決定処理がされると、重みパラメタ入力手段１０１が、該決定された重みパラメタを記録する（ステップＤ５’，ステップＤ６’）。
【０１６７】
（推薦実行処理の動作の説明）
図１５は、本実施例によるコンテンツ推薦システム１０００における重みパラメタ設定処理の動作を示すフローチャートであり、図１５は、本実施例によるコンテンツ推薦システム１０００における推薦実行処理の動作を示すフローチャートである。
【０１６８】
図１５を参照すると、まず、送受信手段１１１が、ユーザ端末２００から推薦要求を受信する（ステップＥ１’）。推薦要求に含まれるクエリには、ユーザの識別子や取得したいコンテンツの数等を含む。
【０１６９】
次に、重みパラメタ合成手段１０８が、重みパラメタ入力手段１０１を通して入力したコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の重みパラメタと、重みパラメタ学習手段１１２が個人・状況毎に学習したコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の重みパラメタとを取得する（ステップＥ２’）。
【０１７０】
そして、重みパラメタ合成手段１０８は、重みパラメタ学習手段１１２及び重みパラメタ入力手段１０１から取得した、コンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）の重みパラメタそれぞれについて、合成を行う（ステップＥ３’）。
【０１７１】
すなわち、重みパラメタ合成手段１０８は、重みパラメタ学習手段１１２及び重みパラメタ入力手段１０１から取得した各コンテンツベースの推薦方式（ＣＢ）の重みパラメタを合成し、同様に、重みパラメタ学習手段１１２及び重みパラメタ入力手段１０１から取得した、各協調フィルタリングベースの推薦方式（ＣＦ）の重みパラメタを合成する。
【０１７２】
この結果、コンテンツベースの推薦方式（ＣＢ）に対するシステム全体の重みパラメタ、各協調フィルタリングベースの推薦方式（ＣＦ）に対するシステム全体の重みパラメタが算出される。
【０１７３】
ここで、運用者の入力したＣＢの重みパラメタをＷ１（ＣＢ）、ＣＦの重みパラメタをＷ１（ＣＦ）とし、また、学習によって得られたＣＢの重みパラメタをＷ２（ＣＢ）、ＣＦの重みパラメタをＷ２（ＣＦ）とすると、コンテンツ推薦システム１０００全体のＣＢの重みパラメタＷ（ＣＢ）は、Ｗ（ＣＢ）＝Ｗ１（ＣＢ）＋Ｗ２（ＣＢ）、システム全体のＣＦの重みパラメタをＷ（ＣＦ）は、Ｗ（ＣＦ）＝Ｗ１（ＣＦ）＋Ｗ２（ＣＦ）となる。
【０１７４】
次に、推薦コンテンツ抽出手段１０７が、内部に保持するコンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）を用いて、コンテンツをフィルタリング、スコアリングを行い、推薦するコンテンツを抽出する（ステップＥ４’）。
【０１７５】
さらに、推薦コンテンツ抽出手段１０７は、合成した重みパラメタの割合に基づいて、各推薦方式で抽出された推薦コンテンツから、最終的に推薦するコンテンツを集約する（ステップＥ５’）。
【０１７６】
ここでは［ＣＢ：ＣＦ］＝［Ｗ（ＣＢ）：Ｗ（ＣＦ）］なので、推薦コンテンツ抽出手段１０７は、コンテンツベースの推薦方式（ＣＢ）、協調フィルタリングベースの推薦方式（ＣＦ）それぞれの推薦結果から、［Ｗ（ＣＢ）：Ｗ（ＣＦ）］の割合でコンテンツを選び、最終的な推薦結果とする。
【０１７７】
最後に、送受信手段１１１が、得られたコンテンツを最終結果としてユーザ端末に送信する（ステップＥ６’）。
【０１７８】
このように、個人や状況毎に学習された重みパラメタと、運用者の意図として入力さた重みパラメタとを合成し、該合成した重みパラメタを用いて推薦を実行することで、利用者個人や状況に応じて変化する嗜好と、運営者の意図との両方を反映した推薦をを行うことが可能となる。
【０１７９】
（第３の実施の形態による効果）
次に本実施の形態の効果について説明する。
【０１８０】
本実施の形態によれば、個人や状況毎に学習された重みパラメタと、運用者の意図として入力された重みパラメタとを合成し、前記合成した重みパラメタを用いて推薦を実行するため、利用者個人や状況に応じて変化する嗜好と、運営者の意図との両方を反映した推薦を容易に実現できるというメリットがある。
【０１８１】
次に、本発明のコンテンツ推薦装置１００のハードウェア構成例について、図１６を参照して説明する。図１６は、コンテンツ推薦装置１００のハードウェア構成例を示すブロック図である。
【０１８２】
図１６を参照すると、コンテンツ推薦装置１００は、一般的なコンピュータ装置と同様のハードウェア構成であり、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）８０１、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等のメモリからなる、データの作業領域やデータの一時退避領域に用いられる主記憶部８０２、ネットワークを介してデータの送受信を行う通信部８０３、入力装置８０５や出力装置８０６及び記憶装置８０７と接続してデータの送受信を行う入出力インタフェース部８０４、上記各構成要素を相互に接続するシステムバス８０８を備えている。記憶装置８０７は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、磁気ディスク、半導体メモリ等の不揮発性メモリから構成されるハードディスク装置等で実現される。
【０１８３】
本発明のコンテンツ推薦装置１００の各手段は、プログラムを組み込んだ、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）等のハードウェア部品である回路部品を実装することにより、その動作をハードウェア的に実現することは勿論として、その機能を提供するプログラムを、記憶装置８０７に格納し、そのプログラムを主記憶部８０２にロードしてＣＰＵ８０１で実行することにより、ソフトウェア的に実現することも可能である。
【０１８４】
以上好ましい実施の形態をあげて本発明を説明したが、本発明は必ずしも、上記実施の形態に限定されるものでなく、その技術的思想の範囲内において様々に変形して実施することができる。
【０１８５】
なお、以上の構成要素の任意の組合せ、本発明の表現を方法、装置、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本発明の態様として有効である。
【０１８６】
また、本発明の各種の構成要素は、必ずしも個々に独立した存在である必要はなく、複数の構成要素が一個の部材として形成されていること、一つの構成要素が複数の部材で形成されていること、ある構成要素が他の構成要素の一部であること、ある構成要素の一部と他の構成要素の一部とが重複していること、等でもよい。
【０１８７】
また、本発明の方法およびコンピュータプログラムには複数の手順を順番に記載してあるが、その記載の順番は複数の手順を実行する順番を限定するものではない。このため、本発明の方法およびコンピュータプログラムを実施する時には、その複数の手順の順番は内容的に支障しない範囲で変更することができる。
【０１８８】
また、本発明の方法およびコンピュータプログラムの複数の手順は個々に相違するタイミングで実行されることに限定されない。このため、ある手順の実行中に他の手順が発生すること、ある手順の実行タイミングと他の手順の実行タイミングとの一部ないし全部が重複していること、等でもよい。
【０１８９】
さらに、上記実施形態の一部又は全部は、以下の付記のようにも記載されうるが、これに限定されない。
【０１９０】
（付記１）
ユーザ端末と、複数の推薦方式を用いてコンテンツを推薦するコンテンツ推薦装置とを備えるコンテンツ推薦システムであって、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段と、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段と、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成手段と、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示手段と
を含むことを特徴とするコンテンツ推薦システム。
【０１９１】
（付記２）
前記効果指標合成手段は、
前記推薦方式毎に、前記効果指標値に対し前記重みパラメタに基づく所定の重み付けを行い、当該重み付けを行った各効果指標値を合算して、全体の前記効果指標の推定値を算出することを特徴とする付記１に記載のコンテンツ推薦システム。
【０１９２】
（付記３）
前記効果指標が、
前記推薦方式による推薦回数と、当該推薦方式の推薦を通してコンテンツが利用された回数とから算出されるフィードバック率であることを特徴する付記１又は付記２に記載のコンテンツ推薦システム。
【０１９３】
（付記４）
前記効果指標が、
前記推薦方式による推薦回数と、前記推薦方式の推薦を通して発生した収入額とから算出される利益率であることを特徴とする付記１又は付記２に記載のコンテンツ推薦システム。
【０１９４】
（付記５）
前記履歴データを、予め設定された所定の条件によってフィルタリングする履歴条件フィルタ手段を含み、
前記効果指標算出手段が、
フィルタリングされた前記履歴データを用いて、前記効果指標値を算出することを特徴とする付記１から付記４の何れか１項に記載のコンテンツ推薦システム。
【０１９５】
（付記６）
前記重みパラメタ入力手段から入力された重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する推薦コンテンツ抽出手段を含むことを特徴とする付記１から付記５の何れか１項に記載のコンテンツ推薦システム。
【０１９６】
（付記７）
前記履歴データから、所定の条件毎に、前記各推薦方式の重要度を重みパラメタとして学習する重みパラメタ学習手段と、
前記重みパラメタ入力手段から入力された前記重みパラメタと、前記重みパラメタ学習手段が学習した各重みパラメタとを合成する重みパラメタ合成手段とを含み、
前記推薦コンテンツ抽出手段が、
前記重みパラメタ合成手段により合成された所定の重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する
ことを特徴とする付記６に記載のコンテンツ推薦システム。
【０１９７】
（付記８）
前記重みパラメタ合成手段は、
前記重みパラメタ学習手段が学習した前記各重みパラメタについて、当該重みパラメタと、前記重みパラメタ入力手段から入力された前記重みパラメタとを合算することを特徴とする付記７に記載のコンテンツ推薦システム。
【０１９８】
（付記９）
前記推薦コンテンツ抽出手段は、
前記ユーザ端末からの前記推薦要求に対応する重みパラメタを、前記重みパラメタ合成手段から取得することを特徴とする付記７又は付記８に記載のコンテンツ推薦システム。
【０１９９】
（付記１０）
ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置であって、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段と、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段と、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成手段と、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示手段と
を含むことを特徴とするコンテンツ推薦装置。
【０２００】
（付記１１）
前記効果指標合成手段は、
前記推薦方式毎に、前記効果指標値に対し前記重みパラメタに基づく所定の重み付けを行い、当該重み付けを行った各効果指標値を合算して、全体の前記効果指標の推定値を算出することを特徴とする付記１０に記載のコンテンツ推薦装置。
【０２０１】
（付記１２）
前記効果指標が、
前記推薦方式による推薦回数と、当該推薦方式の推薦を通してコンテンツが利用された回数とから算出されるフィードバック率であることを特徴する付記１０又は付記１１に記載のコンテンツ推薦装置。
【０２０２】
（付記１３）
前記効果指標が、
前記推薦方式による推薦回数と、前記推薦方式の推薦を通して発生した収入額とから算出される利益率であることを特徴とする付記１０又は付記１１に記載のコンテンツ推薦装置。
【０２０３】
（付記１４）
前記履歴データを、予め設定された所定の条件によってフィルタリングする履歴条件フィルタ手段を含み、
前記効果指標算出手段が、
フィルタリングされた前記履歴データを用いて、前記効果指標値を算出することを特徴とする付記１０から付記１３の何れか１項に記載のコンテンツ推薦装置。
【０２０４】
（付記１５）
前記重みパラメタ入力手段から入力された重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する推薦コンテンツ抽出手段を含むことを特徴とする付記１０から付記１４の何れか１項に記載のコンテンツ推薦装置。
【０２０５】
（付記１６）
前記履歴データから、所定の条件毎に、前記各推薦方式の重要度を重みパラメタとして学習する重みパラメタ学習手段と、
前記重みパラメタ入力手段から入力された前記重みパラメタと、前記重みパラメタ学習手段が学習した各重みパラメタとを合成する重みパラメタ合成手段とを含み、
前記推薦コンテンツ抽出手段が、
前記重みパラメタ合成手段により合成された所定の重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する
ことを特徴とする付記１５に記載のコンテンツ推薦装置。
【０２０６】
（付記１７）
前記重みパラメタ合成手段は、
前記重みパラメタ学習手段が学習した前記各重みパラメタについて、当該重みパラメタと、前記重みパラメタ入力手段から入力された前記重みパラメタとを合算することを特徴とする付記１６に記載のコンテンツ推薦装置。
【０２０７】
（付記１８）
前記推薦コンテンツ抽出手段は、
前記ユーザ端末からの前記推薦要求に対応する重みパラメタを、前記重みパラメタ合成手段から取得することを特徴とする付記１６又は付記１７に記載のコンテンツ推薦装置。
【０２０８】
（付記１９）
ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置の推薦方式制御方法であって、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力ステップと、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出ステップと、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成ステップと、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示ステップと
を有することを特徴とする推薦方式制御方法。
【０２０９】
（付記２０）
前記効果指標合成ステップで、
前記推薦方式毎に、前記効果指標値に対し前記重みパラメタに基づく所定の重み付けを行い、当該重み付けを行った各効果指標値を合算して、全体の前記効果指標の推定値を算出することを特徴とする付記１９に記載の推薦方式制御方法。
【０２１０】
（付記２１）
前記効果指標が、
前記推薦方式による推薦回数と、当該推薦方式の推薦を通してコンテンツが利用された回数とから算出されるフィードバック率であることを特徴する付記１９又は付記２０に記載の推薦方式制御方法。
【０２１１】
（付記２２）
前記効果指標が、
前記推薦方式による推薦回数と、前記推薦方式の推薦を通して発生した収入額とから算出される利益率であることを特徴とする付記１９又は付記２０に記載の推薦方式制御方法。
【０２１２】
（付記２３）
前記履歴データを、予め設定された所定の条件によってフィルタリングする履歴条件フィルタステップを有し、
前記効果指標算出ステップで、
フィルタリングされた前記履歴データを用いて、前記効果指標値を算出することを特徴とする付記１９から付記２２の何れか１項に記載の推薦方式制御方法。
【０２１３】
（付記２４）
前記重みパラメタ入力ステップから入力された重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する推薦コンテンツ抽出ステップを有することを特徴とする付記１９から付記２３の何れか１項に記載の推薦方式制御方法。
【０２１４】
（付記２５）
前記履歴データから、所定の条件毎に、前記各推薦方式の重要度を重みパラメタとして学習する重みパラメタ学習ステップと、
前記重みパラメタ入力ステップから入力された前記重みパラメタと、前記重みパラメタ学習ステップが学習した各重みパラメタとを合成する重みパラメタ合成ステップとを有し、
前記推薦コンテンツ抽出ステップで、
前記重みパラメタ合成ステップにより合成された所定の重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する
ことを特徴とする付記２４に記載の推薦方式制御方法。
【０２１５】
（付記２６）
前記重みパラメタ合成ステップで、
前記重みパラメタ学習ステップが学習した前記各重みパラメタについて、当該重みパラメタと、前記重みパラメタ入力ステップから入力された前記重みパラメタとを合算することを特徴とする付記２５に記載の推薦方式制御方法。
【０２１６】
（付記２７）
前記推薦コンテンツ抽出ステップで、
前記ユーザ端末からの前記推薦要求に対応する重みパラメタを、前記重みパラメタ合成ステップから取得することを特徴とする付記２５又は付記２６に記載の推薦方式制御方法。
【０２１７】
（付記２８）
ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置として機能するコンピュータ上で動作する推薦方式制御プログラムであって、
前記コンピュータに
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力処理と、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出処理と、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成処理と、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示処理と
を実行させることを特徴とする推薦方式制御プログラム。
【０２１８】
（付記２９）
前記効果指標合成処理で、
前記推薦方式毎に、前記効果指標値に対し前記重みパラメタに基づく所定の重み付けを行い、当該重み付けを行った各効果指標値を合算して、全体の前記効果指標の推定値を算出することを特徴とする付記２８に記載の推薦方式制御プログラム。
【０２１９】
（付記３０）
前記効果指標が、
前記推薦方式による推薦回数と、当該推薦方式の推薦を通してコンテンツが利用された回数とから算出されるフィードバック率であることを特徴する付記２８又は付記２９に記載の推薦方式制御プログラム。
【０２２０】
（付記３１）
前記効果指標が、
前記推薦方式による推薦回数と、前記推薦方式の推薦を通して発生した収入額とから算出される利益率であることを特徴とする付記２８又は付記２９に記載の推薦方式制御プログラム。
【０２２１】
（付記３２）
前記コンピュータに、
前記履歴データを、予め設定された所定の条件によってフィルタリングする履歴条件フィルタ処理を実行させ、
前記効果指標算出処理で、
フィルタリングされた前記履歴データを用いて、前記効果指標値を算出することを特徴とする付記２８から付記３１の何れか１項に記載の推薦方式制御プログラム。
【０２２２】
（付記３３）
前記コンピュータに、
前記重みパラメタ入力処理から入力された重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する推薦コンテンツ抽出処理を実行させることを特徴とする付記２８から付記３２の何れか１項に記載の推薦方式制御プログラム。
【０２２３】
（付記３４）
前記コンピュータに、
前記履歴データから、所定の条件毎に、前記各推薦方式の重要度を重みパラメタとして学習する重みパラメタ学習処理と、
前記重みパラメタ入力処理から入力された前記重みパラメタと、前記重みパラメタ学習処理が学習した各重みパラメタとを合成する重みパラメタ合成処理とを実行させ、
前記推薦コンテンツ抽出処理で、
前記重みパラメタ合成処理により合成された所定の重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する
ことを特徴とする付記３３に記載の推薦方式制御プログラム。
【０２２４】
（付記３５）
前記重みパラメタ合成処理で、
前記重みパラメタ学習処理が学習した前記各重みパラメタについて、当該重みパラメタと、前記重みパラメタ入力処理から入力された前記重みパラメタとを合算することを特徴とする付記３４に記載の推薦方式制御プログラム。
【０２２５】
（付記３６）
前記推薦コンテンツ抽出処理で、
前記ユーザ端末からの前記推薦要求に対応する重みパラメタを、前記重みパラメタ合成処理から取得することを特徴とする付記３４又は付記３５に記載の推薦方式制御プログラム。
【産業上の利用可能性】
【０２２６】
本発明によれば、あるコンテンツの伝播パタンを分析するマーケティング分析といった用途に適用できる。
また、あるコンテンツの伝播パタンの相関を利用した情報推薦といった用途にも適用可能である。
【符号の説明】
【０２２７】
１００：コンテンツ推薦装置
１０１：重みパラメタ入力手段
１０２：効果指標合成手段
１０３：表示手段
１０４：フィルタ条件記憶手段
１０５：履歴条件フィルタ手段
１０６：効果指標値算出手段
１０７：推薦コンテンツ抽出手段
１０８：重みパラメタ合成手段
１０９：効果指標記憶手段
１１０：重みパラメタ記憶手段
１１１：送受信手段
２００：ユーザ端末
１０００：コンテンツ推薦システム
【特許請求の範囲】
【請求項１】
ユーザ端末と、複数の推薦方式を用いてコンテンツを推薦するコンテンツ推薦装置とを備えるコンテンツ推薦システムであって、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段と、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段と、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成手段と、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示手段と
を含むことを特徴とするコンテンツ推薦システム。
【請求項２】
前記効果指標が、
前記推薦方式による推薦回数と、当該推薦方式の推薦を通してコンテンツが利用された回数とから算出されるフィードバック率であることを特徴する請求項１に記載のコンテンツ推薦システム。
【請求項３】
前記効果指標が、
前記推薦方式による推薦回数と、前記推薦方式の推薦を通して発生した収入額とから算出される利益率であることを特徴とする請求項１に記載のコンテンツ推薦システム。
【請求項４】
前記履歴データを、予め設定された所定の条件によってフィルタリングする履歴条件フィルタ手段を含み、
前記効果指標算出手段が、
フィルタリングされた前記履歴データを用いて、前記効果指標値を算出することを特徴とする請求項１から請求項３の何れか１項に記載のコンテンツ推薦システム。
【請求項５】
前記重みパラメタ入力手段から入力された重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する推薦コンテンツ抽出手段を含むことを特徴とする請求項１から請求項４の何れか１項に記載のコンテンツ推薦システム。
【請求項６】
前記履歴データから、所定の条件毎に、前記各推薦方式の重要度を重みパラメタとして学習する重みパラメタ学習手段と、
前記重みパラメタ入力手段から入力された前記重みパラメタと、前記重みパラメタ学習手段が学習した各重みパラメタとを合成する重みパラメタ合成手段とを含み、
前記推薦コンテンツ抽出手段が、
前記重みパラメタ合成手段により合成された所定の重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する
ことを特徴とする請求項５に記載のコンテンツ推薦システム。
【請求項７】
前記推薦コンテンツ抽出手段は、
前記ユーザ端末からの前記推薦要求に対応する重みパラメタを、前記重みパラメタ合成手段から取得することを特徴とする請求項６に記載のコンテンツ推薦システム。
【請求項８】
ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置であって、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段と、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段と、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成手段と、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示手段と
を含むことを特徴とするコンテンツ推薦装置。
【請求項９】
ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置の推薦方式制御方法であって、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力ステップと、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出ステップと、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成ステップと、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示ステップと
を有することを特徴とする推薦方式制御方法。
【請求項１０】
ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置として機能するコンピュータ上で動作する推薦方式制御プログラムであって、
前記コンピュータに、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力処理と、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出処理と、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成処理と、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示処理と
を実行させることを特徴とする推薦方式制御プログラム。
【請求項１】
ユーザ端末と、複数の推薦方式を用いてコンテンツを推薦するコンテンツ推薦装置とを備えるコンテンツ推薦システムであって、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段と、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段と、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成手段と、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示手段と
を含むことを特徴とするコンテンツ推薦システム。
【請求項２】
前記効果指標が、
前記推薦方式による推薦回数と、当該推薦方式の推薦を通してコンテンツが利用された回数とから算出されるフィードバック率であることを特徴する請求項１に記載のコンテンツ推薦システム。
【請求項３】
前記効果指標が、
前記推薦方式による推薦回数と、前記推薦方式の推薦を通して発生した収入額とから算出される利益率であることを特徴とする請求項１に記載のコンテンツ推薦システム。
【請求項４】
前記履歴データを、予め設定された所定の条件によってフィルタリングする履歴条件フィルタ手段を含み、
前記効果指標算出手段が、
フィルタリングされた前記履歴データを用いて、前記効果指標値を算出することを特徴とする請求項１から請求項３の何れか１項に記載のコンテンツ推薦システム。
【請求項５】
前記重みパラメタ入力手段から入力された重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する推薦コンテンツ抽出手段を含むことを特徴とする請求項１から請求項４の何れか１項に記載のコンテンツ推薦システム。
【請求項６】
前記履歴データから、所定の条件毎に、前記各推薦方式の重要度を重みパラメタとして学習する重みパラメタ学習手段と、
前記重みパラメタ入力手段から入力された前記重みパラメタと、前記重みパラメタ学習手段が学習した各重みパラメタとを合成する重みパラメタ合成手段とを含み、
前記推薦コンテンツ抽出手段が、
前記重みパラメタ合成手段により合成された所定の重みパラメタに基づいて、前記各推薦方式を用いて推薦する推薦コンテンツを抽出する
ことを特徴とする請求項５に記載のコンテンツ推薦システム。
【請求項７】
前記推薦コンテンツ抽出手段は、
前記ユーザ端末からの前記推薦要求に対応する重みパラメタを、前記重みパラメタ合成手段から取得することを特徴とする請求項６に記載のコンテンツ推薦システム。
【請求項８】
ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置であって、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力手段と、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出手段と、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成手段と、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示手段と
を含むことを特徴とするコンテンツ推薦装置。
【請求項９】
ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置の推薦方式制御方法であって、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力ステップと、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出ステップと、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成ステップと、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示ステップと
を有することを特徴とする推薦方式制御方法。
【請求項１０】
ユーザ端末から所定の要求を受け、その結果を返すコンテンツ推薦装置として機能するコンピュータ上で動作する推薦方式制御プログラムであって、
前記コンピュータに、
各推薦方式の影響度合いを示す重みパラメタを入力する重みパラメタ入力処理と、
前記推薦方式の所定の推薦効果を示す効果指標毎に、各推薦方式について、当該推薦方式によるユーザへの推薦及びその結果を含む履歴データを用いて、効果指標値を算出する効果指標値算出処理と、
前記効果指標毎に、各推薦方式の前記重みパラメタと、前記効果指標値とを合成した値を、全体の前記効果指標の推定値として算出する効果指標合成処理と、
前記効果指標毎に、前記各推薦方式の効果指標値と、全体の前記効果指標の推定値とを併せて表示する表示処理と
を実行させることを特徴とする推薦方式制御プログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【公開番号】特開２０１２−１１８５７２（Ｐ２０１２−１１８５７２Ａ）
【公開日】平成２４年６月２１日（２０１２．６．２１）
【国際特許分類】
【出願番号】特願２０１０−２６４７３７（Ｐ２０１０−２６４７３７）
【出願日】平成２２年１１月２９日（２０１０．１１．２９）
【出願人】（０００００４２３７）日本電気株式会社 (19,353)
【Ｆターム（参考）】
【公開日】平成２４年６月２１日（２０１２．６．２１）
【国際特許分類】
【出願日】平成２２年１１月２９日（２０１０．１１．２９）
【出願人】（０００００４２３７）日本電気株式会社 (19,353)
【Ｆターム（参考）】
[ Back to top ]