変化対応型嗜好推定装置
【課題】ユーザのコンテンツを鑑賞する際の視聴覚特性や感じ方の違いによる嗜好の個人差や変化を配慮した嗜好推定を行うこと
【解決手段】変化対応型嗜好推定装置は、コンテンツの特徴を抽出する特徴量抽出部１２と、特徴量抽出部１２内にユーザごとの分解能に対応したフィルタを適用する分解能適用部１２ａと、分解能適用部１２ａのフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定部３０とを備える。
【解決手段】変化対応型嗜好推定装置は、コンテンツの特徴を抽出する特徴量抽出部１２と、特徴量抽出部１２内にユーザごとの分解能に対応したフィルタを適用する分解能適用部１２ａと、分解能適用部１２ａのフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定部３０とを備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明はコンテンツの検索やオーサリング、推薦などにおいて、ユーザのコンテンツに対する好みを推定する嗜好推定技術に関するものである。
【背景技術】
【０００２】
従来、コンテンツの特徴から対象ユーザの嗜好を推定するシステムとして、コンテンツの特徴量を分析し、その特徴量と、アンケート等で求めたそのコンテンツに対するユーザの嗜好度合いとの対応付けを学習させておき、新規のコンテンツの特徴量を分析する事で、その新規コンテンツに対する好みを推定する物がある。たとえば音楽コンテンツを対象とした場合、各音楽コンテンツをあらわすビートや調性、メロディ構造などをコンテンツの特徴量として利用し、好みを推定する。例えばビート関連の特徴量には、曲の速度を表すテンポや、８ビート、１６ビートなどの基本的なビートの構造を示すビート構造、１／２拍のビートの強度と１／４拍のビート強度の比を表すビート強度比、平均音数、などがある。調性は、ハ長調、ニ短調などの楽曲の基本となる調を指す。メロディ構造を表現する手法には、楽曲の要約を行うＧＴＴＭなどがある。ＧＴＴＭでは、小節単位や数小節単位の最重要な音を選別し、木構造を作成することで要約を行う。また、ボーカルの声質や楽器構成なども特徴量の一つである。
【０００３】
音楽コンテンツの特徴量からユーザの嗜好を推定する方式の代表的なものには、Pandora Media, Inc．の音楽推薦システムなどがある（www.pandora.com, Music Genome Project [特許文献1]）。
【０００４】
従来の嗜好推定装置の構成を図１６に示す。この嗜好推定装置は、入力されたコンテンツの特徴量を抽出する特徴量抽出部１２と、特徴量の対象ユーザが好む特徴量との類似性から嗜好を推定する嗜好推定部１１とを備える。ここにおいて、特徴量抽出部１２は、コンテンツが入力されると特徴量を算出して嗜好推定部１１に入力する。嗜好推定部１１は、入力された特徴量に基づいてユーザの嗜好を判定し、嗜好判定結果を出力する。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】ＵＳ７００３５１５
【特許文献２】特開２００６−１９５３８４号公報
【非特許文献】
【０００６】
【非特許文献１】田川・三崎：“音楽信号からのテンポ検出法に関する一検討”、日本音響学会講演論文集、ｐｐ．５２９−５３０、２０００
【非特許文献２】リズムマップ：角尾・小野・嵯峨山：“音楽音響信号からの単位リズムパタンの抽出と楽曲構造の解析”、情報処理学会研究報告音楽情報科学、２００８−ＭＵＳ−７６、ｐ１４９−１５４
【発明の概要】
【発明が解決しようとする課題】
【０００７】
しかしながら、従来の嗜好推定装置では、各ユーザ個々が、抽出したコンテンツ特徴量のうち、例えば声質や楽器構成、ビート構造などのうち、どの部分について注目して好んでいるかを配慮して取り扱っていないため、例えば、ビート構造を気に入って選択した楽曲に対し、その楽曲に含まれていた女性ボーカルのみに着目してしまい、似た女性ボーカルの楽曲を推薦してしまうなど、的外れな推定結果となる場合があった。また、時間の経過に伴い、ユーザがコンテンツを聞き込む等により、以前は好んでいたものがつまらなくなる、あるいは逆にだんだん好きになるなどの、嗜好の変化については配慮されていないため、好みが変化してもいつまでも同じコンテンツを推薦してしまう等という課題があった。
【０００８】
本発明は、上記事由に鑑みてなされたものであり、コンテンツを細部にわたって鑑賞するための視聴覚能力や感じ方の細かさを表わす分解能の、ユーザ毎の個人差及び変化を配慮して嗜好推定が可能な嗜好推定装置を提供することを目的とする。
【課題を解決するための手段】
【０００９】
前記従来の課題を解決するために、本発明の変化対応型嗜好推定装置は、コンテンツの特徴を抽出する特徴量抽出部と、特徴量抽出部内にユーザごとの分解能に対応したフィルタを適用する分解能適用部と、分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定部とを備える。
【発明の効果】
【００１０】
本構成によれば、コンテンツの好みのユーザ毎の違いや変化を配慮した、個人個人のその時点及び少し先の嗜好推定を行うことが可能となる。
また、本発明に係る変化対応型嗜好推定装置は、さらに、ユーザがどのようにコンテンツに注意を払って聞いたかによって前記分解能推定部のフィルタ値の変化特性を変更させるための注意推定部を備えるものであってもよい。
【００１１】
本構成によれば、各コンテンツに対する視聴者の注意度を考慮して特徴量を抽出することができるので、特徴量抽出に際してより的確にコンテンツの好みの変化を把握することができる。
【００１２】
また、本発明に係る変化対応型嗜好推定装置は、分解能推定部が、ユーザの聴覚特性の周波数分解能を推定する周波数特性推定部、リズム分解能を推定するリズム特性推定部の全て、もしくはいずれか１つ以上を持つものであってもよい。
【００１３】
本構成によれば、各コンテンツに対する特徴量抽出に際してより的確にコンテンツの好みの変化を把握することができる。
また、本発明に係る変化対応型嗜好推定装置は、さらに、分解能推定部が、ユーザが過去に視聴した分解能適用部でフィルタリングされた後のコンテンツの特徴量、注意推定部で推定された聴取時の注意情報を含む聴取履歴を管理する聴取履歴管理部を備えるものであってもよい。
【００１４】
本構成によれば、過去に聴取した大量のコンテンツの特徴量等を聴取履歴管理部で管理しておくことにより、これらの大量のコンテンツの特徴量を考慮して嗜好推定を行うことができる。
【００１５】
また、本発明は、コンテンツに対するユーザの嗜好を推定する変化対応型嗜好推定装置における変化対応型嗜好推定方法であって、コンテンツの特徴を抽出する特徴量抽出ステップと、特徴量抽出部内のユーザごとの分解能に対応したフィルタを適用する分解能適用ステップと、分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定ステップとを含む変化対応型嗜好推定方法であってもよい。
【００１６】
本構成によれば、コンテンツの好みのユーザ毎の違いや変化を配慮した、個人個人のその時点及び少し先の嗜好推定を行うことが可能となる。
また、本発明は、コンピュータを、コンテンツに対するユーザの嗜好を推定する変化対応型嗜好推定装置として機能させるための変化対応型嗜好推定プログラムであって、コンピュータに、コンテンツの特徴を抽出する特徴量抽出ステップと、特徴量抽出部内のユーザごとの分解能に対応したフィルタを適用する分解能適用ステップと、分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定ステップとを実行させる変化対応型嗜好推定プログラムであってもよい。
【００１７】
本構成によれば、コンテンツの好みのユーザ毎の違いや変化を配慮した、個人個人のその時点及び少し先の嗜好推定を行うことが可能となる。
また、本発明は、コンテンツの特徴を抽出する特徴量抽出部と、前記特徴量抽出部内にユーザごとの分解能に対応したフィルタを適用する分解能適用部と、前記分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定部とを備える変化対応型嗜好推定用集積回路であってもよい。
【００１８】
本構成によれば、コンテンツ推薦用集積回路を搭載した装置全体の小型化を図ることができる。
【図面の簡単な説明】
【００１９】
【図１】実施の形態に係る変化対応型嗜好推定装置の全体構成を示す図である
【図２】実施の形態に係る特徴量抽出部の構成を示す図である。
【図３】実施の形態に係る分解能推定部の構成を示す図である。
【図４】実施の形態に係る分解能・履歴管理部３３で管理される分解能・履歴管理テーブルの一例を示す図である。
【図５】実施の形態に係る聴取経験値／周波数特性相関テーブルを示す図である。
【図６】実施の形態に係る聴取経験値／リズム特性相関テーブルを示す図である。
【図７】実施の形態に係る注意推定部の構成を示す図である。
【図８】実施の形態に係る変化対応型嗜好推定装置のうち音楽コンテンツの嗜好推定を行う装置の全体構成図である。
【図９】実施の形態に係る変化対応型嗜好推定装置の動作を示すフローチャートである。
【図１０】実施の形態に係るリズムパタン抽出処理を示すフローチャートである。
【図１１】実施の形態に係る特徴量抽出処理を示すフローチャートである。
【図１２】実施の形態に係る周波数特性推定処理を示すフローチャートである。
【図１３】実施の形態に係るリズム特性推定処理を示すフローチャートである。
【図１４】実施の形態に係る管理テーブル更新処理を示すフローチャートである。
【図１５】従来例の全体構成を示す図である。
【発明を実施するための形態】
【００２０】
＜実施の形態＞
＜１＞構成
＜１−１＞全体構成
本実施の形態に係る変化対応型嗜好推定装置の構成を図１に示す。
【００２１】
嗜好推定部１１は、入力されたコンテンツに対するユーザの嗜好を推定する。
特徴量抽出部１２は、入力されたコンテンツを表す信号から、音楽コンテンツにおけるビートや周波数特性などの音楽特徴量や、画像コンテンツにおけるＳＩＦＴ特徴量などに挙げられるように、コンテンツの特徴を表わす特徴量を抽出し出力する。
【００２２】
特徴量抽出部１２は、ユーザがコンテンツを鑑賞する際の鑑賞力の違いにより適用するフィルタを設定する分解能適用部１２ａを備えている。この鑑賞力とは、コンテンツの良し悪しを分別する能力であり、例えばコンテンツが音楽の場合、楽曲、編曲、演奏や空間性などに対する細部にわたる表現を理解し、良さが判別できるような能力を指す。またフィルタは、たとえばコンテンツが音楽の場合は周波数帯域フィルタなど、写真の場合は色フィルタなどである。
【００２３】
分解能推定部３０は、分解能適用部１２ａに設定するユーザ毎の分解能のフィルタの現在の値（フィルタ値情報）を算出する。そして、分解能推定部３０は、算出したフィルタ値情報を特徴量抽出部１２に入力する。ここで、分解能とは、例えば細かいリズムを聞き分けたり、さまざまな周波数帯域の音を聞き分ける能力、すなわち鑑賞力を支える能力を意味する。
【００２４】
注意推定部２２は、ユーザの脳計測情報またはユーザが入力した情報から、ユーザが何に注意してコンテンツを鑑賞しているかを示す注意情報を推定する。ここで、注意情報とは、例えば、音楽コンテンツの場合であれば、ボーカルの声質やエレキギターのテクニックなどのように、特にそのユーザが興味を持って意識を向けているか、何を中心に耳を傾けているのかを指す情報を意味する。この注意情報については後に詳述する。
＜１−２＞特徴量抽出部
図２に、特徴量抽出部１２の構成を示す。
【００２５】
周波数スペクトル算出部１２ｂは、入力される音楽コンテンツの音楽信号の周波数スペクトルを算出する。
特徴量抽出部１２ｃは、分解能適用部１２ａでユーザ毎に対応づけされた周波数フィルタを用いてフィルタリングを行うことにより得られる周波数スペクトルから、音楽特徴量を抽出する。また、特徴量抽出部１２ｃは、音楽特徴量を記憶する特徴量記憶部（図示せず）を備えており、抽出した音楽特徴量を当該特徴量記憶部に格納していく。
【００２６】
分解能適用部１２ａには、分解能推定部３０で算出されたユーザごとに対応づけされた分解能フィルタ（フィルタ値情報）として、個別周波数特性ＦＰおよび個別リズム特性ＲＰが設定される。
【００２７】
個別周波数特性ＦＰの値は、各ユーザの聴覚特性を表す指標となる値である。ＦＰの値としては、分解能フィルタ（周波数特性ＦＰに関する分解能フィルタ）の識別番号を用いることができる。この個別周波数特性ＲＰの算出方法については後述する。
【００２８】
また、個別リズム特性ＲＰの値は、ユーザのどの程度の複雑なリズムが分別できるかの指標となる値である。ＲＰの値としては、分解能フィルタ（リズム特性に関する分解能フィルタ）の識別番号を用いるほか、４分や８分などのシンプルな音符のみを聞き分けているユーザは「０」に近い値、１６分や３２分など細かい音符や、３連符、シンコペーションを用いた複雑なリズムパタンを聞き分けているユーザは「１」に近い値を取るように定義してもよい。但し、この値は、システムの実装に合わせて値を定義することができる。この個別リズム特性ＲＰの算出方法については、後述する。
【００２９】
以下では、ＦＰの値およびＲＰの値が、分解能フィルタの識別番号であるとして説明する。
＜１−３＞分解能推定部
次に、分解能推定部３０の構成について図３を用いて説明する。
【００３０】
図３において、周波数特性推定部３１はユーザ毎の周波数に対する聴取経験値ＦＥを算出し、聴取経験値ＦＥに基づいてユーザ毎の周波数特性を推定する。リズム特性推定部３２はユーザ毎のリズムに対する聴取経験値ＲＥを算出し、聴取経験値ＲＥに基づいてユーザ毎のリズム特性を推定する。聴取履歴管理部３３は、ユーザ毎の聴取履歴を管理する。周波数に対する聴取経験値ＦＥの算出方法と、リズムに対する聴取経験値ＲＥの算出方法とは後述する。
【００３１】
聴取履歴管理部３３は、図４に示すように、ユーザごとに固有のユーザＩＤ、当該ユーザＩＤに対応するユーザの、現在の音楽聴取の分解能を示す個別周波数特性、個別リズム特性に関する情報からなるユーザ分解能テーブル（図４上段）と、今まで聴取した各聴取曲の履歴に関する情報からなるユーザ聴取履歴テーブル（図４下段）とから構成される分解能・履歴管理テーブルを管理している。そして、ユーザが、楽曲を聴取するたびに、ユーザ分解能テーブルとユーザ聴取履歴テーブルとがそれぞれ更新される。このユーザが聴取した各聴取曲の履歴に関する情報としては、図４下段に示すように、聴取曲の曲ＩＤと、聴取時に特徴量記憶部に記憶された音楽特徴量をメンバとする構造体へのポインタ（図４のＰ［０］，Ｐ［１］，・・・，Ｐ［Ｍ］）と、聴取時点の分解能フィルタの識別番号である個別周波数特性の値ＦＰおよび個別リズム特性の値ＲＰと、注意推定部２２から出力され聴取時の音楽コンテンツへのユーザの注意状態を示す注意情報と、各聴取曲の聴取時間とが含まれる。また、ユーザ聴取履歴テーブルは、ユーザＩＤと対応付けがなされており、例えば、複数のユーザ聴取履歴テーブルが存在する場合にはユーザＩＤをキーとして選出することができる。
【００３２】
図４において、「ユーザＩＤ」の値は、ユーザごとに付与する固有の番号となっている。また、図４の「現在の分解能」欄の「個別周波数特性ＦＰ」の値は、後述の聴取経験値／周波数特性相関テーブル（図５参照）の分解能フィルタの識別番号を示す「Ｎｏ．」欄に対応し、「１」が一番低い分解能を意味し、「３」が一番高い分解能を意味している。「現在の分解能」欄の「個別リズム特性ＲＰ」の値は、図６の分解能フィルタの識別番号を示す「Ｎｏ．」欄に対応し、「１」が一番低い分解能を意味し、「３」が一番高い分解能を意味している。また、図４の「履歴」欄の「曲ＩＤ」の値は、聴取した楽曲に固有の番号となっている。図４下段に示すユーザ聴取履歴テーブルでは、「曲ＩＤ」が同じ楽曲（例えば、図４の曲ＩＤが「１」の楽曲）を繰り返し聞いている場合であっても、別々の曲として管理している。そして、図５の「聴取時点の分解能」欄は、各楽曲を聴取した時点での個別周波数特性ＦＰと個別リズム特性ＲＰの値が保存されている（図４の「周波数特性」欄および「リズム特性」欄参照）。図４の「注意情報」欄は、後述の注意推定部２２で求められた値であり、聴取時にどのように注意して音楽を聴いていたかを表す。「Ａ」は聞き流し、「Ｂ」はボーカルに注目、「Ｃ」は楽曲全体の構成に注目した事を表す。また、この「注意情報」の欄は、整数値で表現されており、本実施の形態では、Ａ＝１、Ｂ＝２、Ｃ＝３に設定されている。これらの数値は、後述の［数１］および［数２］における注意情報「ａ」として用いられる。なお、図４に示す管理テーブルの形式は、一例であり、必ずしもこの形式に限定されるものではない。
＜１−４＞周波数特性推定部
周波数特性推定部３１は、分解能・履歴管理部３３で管理されている分解能・履歴管理テーブルのユーザ聴取履歴テーブルの情報を用いて、［数１］の関係式を用いて、周波数に関する聴取経験の総和を示す値である聴取経験値ＦＥを算出する（ステップＳ３１１）。
【００３３】
【数１】
ここにおいて、ｉは楽曲のＩＤ（曲ＩＤ）、ｓｆはその楽曲の周波数成分に関連する特徴量、ｔはその楽曲の聴取時間、ａはその楽曲を聴取した際の注意情報を示す。ここで、聴取時間は、その楽曲を実際に聴いた時間を指している。例えば、３分の楽曲のうち最初や途中の１分を聴いた場合、聴取時間は１分となる。また、聴取経験値ＦＥの算出に用いるｓｆは、曲ＩＤに対応付けされたポインタ（図４参照）により特定される。
【００３４】
そして、周波数特性推定部３１は、図５に示す聴取経験値／周波数特性相関テーブルを参照して、算出した経験値ＦＥから個別周波数特性（「フィルタ種」ともいう）ＦＰを決定する。図５に示す聴取経験値／周波数特性相関テーブルは、例えば、多数のユーザの周波数特性を求める聴覚テストとユーザの音楽聴取経験の相関を統計的に求めたものを用いる。図５において、聴取経験値ＦＥについて、ＦＥ＜ｎ１のときは聴取の経験が少なく、ＦＥ＞ｎ２のときは聴取の経験が多いことを示す。また、ｎ１≦ＦＥ≦ｎ２のときは、適度に聴取の経験があることを示している。また、図５に示すように、周波数特性（フィルタ種ともいう。）は、聴取の経験が多いほど、帯域が広いフィルタとなっている。つまり、聴取経験が多いほど、広い帯域に渡る周波数の音が聞き取れる周波数特性を持つことを表わしている。この個別周波数特性ＦＰは、特徴量抽出部１２に入力されるフィルタ値情報の一部を構成する。
＜１−５＞リズム特性推定部
リズム特性推定部３２は、分解能・履歴管理部３３で管理されている管理テーブルの聴取履歴を用い、［数２］の関係式を用いてリズム特性に関する聴取経験の総和を示す値である聴取経験値ＲＥを算出する。
【００３５】
【数２】
ここにおいて、ｉは楽曲のＩＤ（曲ＩＤ）、ｓｒはその楽曲のリズム成分に関連する特徴量、ｔはその楽曲の聴取時間、ａはその楽曲を聴取した際の注意情報を示す。また、聴取経験値ＲＥの算出に用いるｓｒは、曲ＩＤに対応付けされたポインタ（図４参照）により特定される。
【００３６】
そして、リズム特性推定部３２は、図６に示す聴取経験値／リズム特性相関テーブルを参照し、算出した経験値ＲＥから個別リズム特性ＲＰを決定する。図６に示す聴取経験値／リズム特性相関テーブルは、例えば、多数のユーザのリズム特性を求めるテストとユーザの音楽聴取経験の相関を統計的に求めたものを用いる。ユーザのリズム特性を求めるテストは、例えば、リズムパタンの複雑性を変化させた複数の楽曲を用意し、ユーザに模倣させたり、違いを分別させるといったものである。図６において、聴取経験値ＲＥについて、ＲＥ＜ｎ１のときは聴取の経験が少なく、ＲＥ＞ｎ２のときは聴取の経験が多いことを示す。また、ｎ１≦ＲＥ≦ｎ２のときは、適度に聴取の経験があることを示している。また、図６に示すように、リズム特性は、経験が多いほど、リズム特性の値が高くなっている。つまり、聴取経験が多いほど、細かい音符やリズムパタンが聞き取れることを表している。この個別リズム特性ＲＰは、特徴量抽出部１２に入力されるフィルタ値情報の一部を構成する。
＜１−６＞注意推定部
注意推定部２２の構成を図７に示す。
【００３７】
図７において、判定部２２ａは、近赤外線分光法（ＮＩＲＳ）や脳波（ＥＥＧ）等の脳計測装置（図示せず）でユーザの脳の状態を計測した結果（脳計測情報）から、ユーザが音楽コンテンツに対して、聞き流していたのか、ボーカルや楽器などに集中して聞いたのか等、どのような注意状態で音楽を聞いているかについて判定する。選択部２２ｂは、ユーザに対して「ボーカルに注目」「聞き流し」などの現時点での注意状態に関する選択肢を画面上のボタンや音声などで提示し、ユーザによる選択入力を受け付ける。注意推定部２２は、判定部２２ａから入力される注意情報、または選択管理部２２ｂから入力される注意情報を出力する。この注意情報は、図４に示す分解能・履歴管理テーブルに示すように、あらかじめ定義された整数値で示される。図４に示す例では、「Ａ（＝１）」は聞き流し、「Ｂ（＝２）」はボーカルに注目、「Ｃ（＝３）」は楽曲全体の構成に注目したことに対応している。この注意情報は、前述の［数１］および［数２］において、パラメータａの値として用いられる。
【００３８】
注意推定部２２から出力された注意情報は、分解能推定部３０に設けられた分解能・履歴管理部３３に格納される。また、この注意情報は、周波数特性推定部３１での周波数に関する聴取経験値ＦＥの算出、および、リズム特性推定部３２でのリズムに関する聴取経験値ＲＥの算出の際に用いられる、注意情報ａを示すパラメータとして用いられる。そして、ユーザが注意をしてコンテンツを聴取していた際には聴取経験値を大きく、反対にあまり注意していなかった場合にはその聴取経験値が小さく加算されるように用いられる。
【００３９】
最後に、前述の各構成の関係を俯瞰的に示すため、音楽コンテンツでの実施例における変化対応型嗜好推定装置の構成図を図８に示す。
図８における特徴量抽出部１２、嗜好推定部１１、分解能推定部３０および注意推定部２２は、図１における同じ名称で表されている構成に相当する。
＜２＞動作
＜２−１＞全体動作
本実施の形態に係る変化対応型嗜好推定装置の動作について、図９に示すフローチャートを用いて説明する。
【００４０】
まず、鑑賞するコンテンツが、例えば音楽再生プレーヤやテレビモニタなどの外部の再生、表示機構等（図示せず）から本装置に読み込まれる（ステップＳ１）。
続いて、特徴量抽出部１２が、各ユーザごとに個別の分解能フィルタを適用して特徴量を抽出する（ステップＳ２）。特徴量を抽出する処理は＜２−２＞において詳細に説明する。
【００４１】
その後、嗜好判定部１１が、特徴量抽出部１２が抽出した特徴量からユーザの嗜好（つまり、ユーザが、コンテンツを好むかどうか）を判定し、嗜好判定結果として出力する（ステップＳ３）。
【００４２】
次に、分解能推定部３０が、特徴量抽出部１２で抽出された特徴量を元に、ユーザに対応した分解能を示す値（フィルタ値情報あるいは分解能フィルタの識別番号ともいう。）が算出される（ステップＳ４）。この分解能を示す値（フィルタ値情報）の算出方法については、後に詳述する。
【００４３】
そして、分解能を示す値を算出した後に、注意推定部２２ではコンテンツ鑑賞時に、例えば音楽であればベースのメロディラインやボーカルの声質など何に注目してコンテンツを鑑賞しているかを示す注意情報が推定される（ステップＳ５）。
【００４４】
最後に、分解能推定部３０内の管理テーブルに、新規の履歴として、特徴量抽出部１２で抽出された特徴量、分解能推定部３０で算出されたその時点での分解能を示す値（分解能フィルタ識別番号）、注意推定部２２で推定された注意情報および聴取時間が追加され（ステップＳ６）、処理が終了する。この注意情報の内容および分解能推定部３０が用いる分解能・履歴管理テーブルの内容は前述した図４のとおりである。
【００４５】
図４に示すように、新規のコンテンツが入力される際に、分解能適用部１２ａによって適用される分解能情報の値は、コンテンツを鑑賞する度に算出され、管理テーブルは、算出された分解能情報の値を用いてアップデートされる。これにより、入力された鑑賞対象であるコンテンツに対し、最新の分解能情報の値に基づき、より正確な嗜好判定結果を出力することができる。
【００４６】
以下、本実施の形態に係る変化対応型嗜好推定装置の構成の詳細を述べる。ここでは、音楽コンテンツの場合を例にとって説明する。
＜２−２＞特徴量抽出部の動作
特徴量抽出部１２の動作について、図１０のフローチャートを用いて説明する。
【００４７】
まず、特徴量抽出部１２に、楽曲再生装置（図示せず）で再生される音楽コンテンツの音楽信号が入力されると、周波数スペクトル算出部１２ｂにより周波数スペクトルが算出される（ステップＳ１２１）。周波数スペクトル算出は、例えば、フーリエ変換など一般的な方法により行われる。
【００４８】
次に、分解能・履歴管理部３３で管理されている最新の個別周波数特性ＦＰの値および個別リズム特性ＲＰの値を読み出し、これらの値に基づいて分解能フィルタとして、個別周波数特性および個別リズム特性を適用する（ステップＳ１２２）。
【００４９】
続いて、特徴量抽出部１２が、設定された値を用いて入力された音楽信号に対し個別周波数特性および個別リズム特性を用いた演算を行うことにより、そのユーザの現在の分解能で感じ取っている音楽特徴量が算出される（ステップＳ１２３）。この音楽特徴量には、代表的なものとして、前述の特許文献２に示すような調性や、非特許文献１、非特許文献２に示すようなリズムパタンがある。リズムパタンを例とした場合の特徴量算出処理は＜２−３＞で詳細に説明する。
＜２−３＞リズムパタン算出処理
リズムパタン算出処理のフローチャートを図１１に示す。
【００５０】
まず、特徴量抽出部１２は、ユーザごとの個別リズム特性ＲＰに基づき、リズムパタン算出の際に行うビート分析の際どの位の細かい音価のリズムパタンの変化までを考慮して分析するかを指定するため，細分化回数を設定する（ステップＳ１２４）。個別リズム特性ＲＰが一定値以上のユーザは複雑なビートパタンを理解することが可能であるため、細分化回数は大きい値となるように、すなわち３２ビートなど細かいビートの構造までを分析できる細分化回数に設定される。
【００５１】
続いて、特徴量算出部１２は、音楽信号入力に対し、ビート構造を表現する特徴量であるビートの周期、強度を算出する（ステップＳ１２５乃至Ｓ１２７）。
次に、特徴量抽出部１２は、ステップＳ１２４で設定されたユーザごとの細分化回数に達したかを判定し（ステップＳ１２８）、細分化回数に達した場合は処理を終了し（ステップＳ１２８がＮ）、細分化回数に達していない場合（ステップＳ１２８がＹ）は、再び、ステップＳ１２５乃至Ｓ１２７の処理を繰り返す。特徴量抽出部１２が行う細分化回数の判定方法としては、例えば、楽曲の再生速度を６０ＢＰＭとしたときにおける３２分音符の１拍の音価の長さである１２５ｍｓｅｃとし、ビート構造算出の際の１拍の音価の長さが１２５ｍｓｅｃ以下になったときに、予め設定した細分化回数に達したものとする方法が挙げられる。
＜２−４＞周波数特性推定処理
周波数特性推定部３１で行われる周波数特性推定処理について、図１２に示すフローチャートを用いて説明する。
【００５２】
まず、分解能・履歴管理部３３で管理されている分解能・履歴管理テーブルの聴取履歴の情報を用いて、前述の［数１］の関係式を用いて、周波数に関する聴取経験の総和を示す値である聴取経験値ＦＥを算出する（ステップＳ３１１）。
【００５３】
次に、周波数特性推定部３１は、聴取経験値／周波数特性相関テーブルを参照して、算出した経験値ＦＥから個別周波数特性ＦＰの値（周波数特性に関する分解能フィルタの識別番号）を決定する（ステップＳ３１２）。
＜２−５＞リズム特性推定処理
リズム特性推定部３２で行われるリズム特性推定処理について図１３に示すフローチャートを用いて説明する。
【００５４】
まず、分解能・履歴管理部３３で管理されている分解能・履歴管理テーブルの聴取履歴の情報を用いて、前述の［数２］の関係式を用いてリズム特性に関する聴取経験の総和を示す値である聴取経験値ＲＥを算出する（ステップＳ３２１）。
【００５５】
次に、リズム特性推定部３２は、聴取経験値／リズム特性相関テーブルを参照して、算出した経験値ＲＥから個別リズム特性ＲＰの値（リズム特性に関する分解能フィルタの識別番号）を決定する（ステップＳ３２２）。
＜２−６＞管理テーブル更新処理
分解能・履歴管理部３３で管理されている分解能・履歴管理テーブルの更新処理（管理テーブル更新処理）について、図１４に示すフローチャートを用いて説明する。
【００５６】
まず、分解能・履歴管理部３３が管理している分解能・履歴管理テーブルの個別周波数特性ＦＰの値を、周波数特性推定部３１が算出した最新の値に更新する（ステップＳ３３１）。
【００５７】
次に、分解能・履歴管理部３３が管理している分解能・履歴管理テーブルの個別リズム特性ＲＰの値を、リズム特性推定部３２が算出した最新の値に更新する（ステップＳ３３２）。
【００５８】
続いて、楽曲のＩＤ、特徴量抽出部１２が算出した音楽特徴量、聴取時点の個別周波数特性ＦＰ、個別リズム特性ＲＰ、注意推定部２２が推定した聴取時の注意情報が、分解能・履歴管理テーブルの履歴情報に追加される（ステップＳ３３３）。
＜変形例＞
（１）前述の実施の形態では、コンテンツが音楽であるとして説明したが、写真や絵画、動画などの映像情報や音楽以外の音情報を含むコンテンツでも構わない。コンテンツが写真の場合は、図８において用いられているコンテンツの特徴を表す特徴量が、ＳＩＦＴ特徴量、色特徴量などに変更された構成とすればよい。
【００５９】
（２）前述の実施の形態では、分解能適用部１２ａにおいて、個別の特性を判断する手段として個別周波数特性と個別リズム特性の２種類による算出について述べたが、これに限定されるものではない。例えば、個別の楽器の音色に対する特性を示す個別音色特性など別の手段を用いて特性を決めても構わない。
【００６０】
（３）前述の実施の形態では、分解能適用部１２ａにおいて、各ユーザの個別周波数特性および個別リズム特性を算出する際に、図６に示す聴取経験値／リズム特性相関テーブル、つまり、多数のユーザの経験に基づいて作成される聴取経験値／リズム特性相関テーブルを用いる例について説明しているが、これに限定されるものではない。例えば、脳計測による音に対する反応特性分析を行うことにより算出するようにしてもよい。
【００６１】
（４）前述の実施の形態では、音楽を分析するための特徴量として、周波数特性およびリズム特性を用いる例について説明したが、これに限定されるものではない。例えば、調性や和音出現頻度、音量に関する特徴量（例えば、音量分布、平均音量、最大音量など）、楽曲構成（例えば、小節構造など）、音色構成（例えば、楽器構成など）を用いるものであってもよい。
【００６２】
（５）前述の実施の形態で示した変化対応型嗜好推定装置のプロセッサおよびそのプロセッサに接続された各種回路に実行させるためのプログラムコードからなるプログラムを、記録媒体に記録すること又は各種通信路等を介して流通させ頒布することもできる。このような記録媒体には、ＩＣカード、ハードディスク、光ディスク、フレキシブルディスク、ＲＯＭなどがある。流通、頒布された制御プログラムはプロセッサに読み出されうるメモリなどに格納されることにより利用に供され、そのプロセッサがその制御プログラムを実行することにより各実施形態で示したような機能が実現されるようになる。なお、制御プログラムの一部を画像管理装置とは別個のプログラム実行可能な装置（プロセッサ）に各種ネットワークを介して送信して、その別個のプログラム実行可能な装置においてその制御プログラムの一部を実行させることとしてもよい。
【００６３】
（６）前述の実施の形態で示した変化対応型嗜好推定装置を構成する構成要素の一部又は全部は、１又は複数の集積回路（ＩＣ、ＬＳＩなど）として実装されることとしても良く、画像管理装置の構成要素に更に他の要素を加えて集積回路化（１チップ化）されることとしてもよい。
【００６４】
ここでは、ＬＳＩとしたが、集積度の違いにより、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。また、集積回路化の手法はＬＳＩに限るものではなく、専用回路又は汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＬＳＩ内部の回路セルの接続または設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。さらには、半導体技術の進歩又は派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。バイオ技術の適応等が可能性としてありえる。
【産業上の利用可能性】
【００６５】
本発明に係る変化対応型嗜好推定装置および変化対応型嗜好推定方法は、分解能適用部、分解能推定部及び注意推定部を有し、コンテンツ検索、自動コンテンツ構成、コンテンツ推薦等として有用である。
【符号の説明】
【００６６】
１１ 嗜好推定部
１２ 特徴量抽出部
１２ａ 分解能適用部
１２ｂ 周波数スペクトル算出部
１２ｃ 特徴量抽出部
２２ 注意推定部
２２ａ 判定部
２２ｂ 選択管理部
３０ 分解能推定部
３１ 周波数特性推定部
３２ リズム特性推定部
３３ 分解能・履歴管理部
【技術分野】
【０００１】
本発明はコンテンツの検索やオーサリング、推薦などにおいて、ユーザのコンテンツに対する好みを推定する嗜好推定技術に関するものである。
【背景技術】
【０００２】
従来、コンテンツの特徴から対象ユーザの嗜好を推定するシステムとして、コンテンツの特徴量を分析し、その特徴量と、アンケート等で求めたそのコンテンツに対するユーザの嗜好度合いとの対応付けを学習させておき、新規のコンテンツの特徴量を分析する事で、その新規コンテンツに対する好みを推定する物がある。たとえば音楽コンテンツを対象とした場合、各音楽コンテンツをあらわすビートや調性、メロディ構造などをコンテンツの特徴量として利用し、好みを推定する。例えばビート関連の特徴量には、曲の速度を表すテンポや、８ビート、１６ビートなどの基本的なビートの構造を示すビート構造、１／２拍のビートの強度と１／４拍のビート強度の比を表すビート強度比、平均音数、などがある。調性は、ハ長調、ニ短調などの楽曲の基本となる調を指す。メロディ構造を表現する手法には、楽曲の要約を行うＧＴＴＭなどがある。ＧＴＴＭでは、小節単位や数小節単位の最重要な音を選別し、木構造を作成することで要約を行う。また、ボーカルの声質や楽器構成なども特徴量の一つである。
【０００３】
音楽コンテンツの特徴量からユーザの嗜好を推定する方式の代表的なものには、Pandora Media, Inc．の音楽推薦システムなどがある（www.pandora.com, Music Genome Project [特許文献1]）。
【０００４】
従来の嗜好推定装置の構成を図１６に示す。この嗜好推定装置は、入力されたコンテンツの特徴量を抽出する特徴量抽出部１２と、特徴量の対象ユーザが好む特徴量との類似性から嗜好を推定する嗜好推定部１１とを備える。ここにおいて、特徴量抽出部１２は、コンテンツが入力されると特徴量を算出して嗜好推定部１１に入力する。嗜好推定部１１は、入力された特徴量に基づいてユーザの嗜好を判定し、嗜好判定結果を出力する。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】ＵＳ７００３５１５
【特許文献２】特開２００６−１９５３８４号公報
【非特許文献】
【０００６】
【非特許文献１】田川・三崎：“音楽信号からのテンポ検出法に関する一検討”、日本音響学会講演論文集、ｐｐ．５２９−５３０、２０００
【非特許文献２】リズムマップ：角尾・小野・嵯峨山：“音楽音響信号からの単位リズムパタンの抽出と楽曲構造の解析”、情報処理学会研究報告音楽情報科学、２００８−ＭＵＳ−７６、ｐ１４９−１５４
【発明の概要】
【発明が解決しようとする課題】
【０００７】
しかしながら、従来の嗜好推定装置では、各ユーザ個々が、抽出したコンテンツ特徴量のうち、例えば声質や楽器構成、ビート構造などのうち、どの部分について注目して好んでいるかを配慮して取り扱っていないため、例えば、ビート構造を気に入って選択した楽曲に対し、その楽曲に含まれていた女性ボーカルのみに着目してしまい、似た女性ボーカルの楽曲を推薦してしまうなど、的外れな推定結果となる場合があった。また、時間の経過に伴い、ユーザがコンテンツを聞き込む等により、以前は好んでいたものがつまらなくなる、あるいは逆にだんだん好きになるなどの、嗜好の変化については配慮されていないため、好みが変化してもいつまでも同じコンテンツを推薦してしまう等という課題があった。
【０００８】
本発明は、上記事由に鑑みてなされたものであり、コンテンツを細部にわたって鑑賞するための視聴覚能力や感じ方の細かさを表わす分解能の、ユーザ毎の個人差及び変化を配慮して嗜好推定が可能な嗜好推定装置を提供することを目的とする。
【課題を解決するための手段】
【０００９】
前記従来の課題を解決するために、本発明の変化対応型嗜好推定装置は、コンテンツの特徴を抽出する特徴量抽出部と、特徴量抽出部内にユーザごとの分解能に対応したフィルタを適用する分解能適用部と、分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定部とを備える。
【発明の効果】
【００１０】
本構成によれば、コンテンツの好みのユーザ毎の違いや変化を配慮した、個人個人のその時点及び少し先の嗜好推定を行うことが可能となる。
また、本発明に係る変化対応型嗜好推定装置は、さらに、ユーザがどのようにコンテンツに注意を払って聞いたかによって前記分解能推定部のフィルタ値の変化特性を変更させるための注意推定部を備えるものであってもよい。
【００１１】
本構成によれば、各コンテンツに対する視聴者の注意度を考慮して特徴量を抽出することができるので、特徴量抽出に際してより的確にコンテンツの好みの変化を把握することができる。
【００１２】
また、本発明に係る変化対応型嗜好推定装置は、分解能推定部が、ユーザの聴覚特性の周波数分解能を推定する周波数特性推定部、リズム分解能を推定するリズム特性推定部の全て、もしくはいずれか１つ以上を持つものであってもよい。
【００１３】
本構成によれば、各コンテンツに対する特徴量抽出に際してより的確にコンテンツの好みの変化を把握することができる。
また、本発明に係る変化対応型嗜好推定装置は、さらに、分解能推定部が、ユーザが過去に視聴した分解能適用部でフィルタリングされた後のコンテンツの特徴量、注意推定部で推定された聴取時の注意情報を含む聴取履歴を管理する聴取履歴管理部を備えるものであってもよい。
【００１４】
本構成によれば、過去に聴取した大量のコンテンツの特徴量等を聴取履歴管理部で管理しておくことにより、これらの大量のコンテンツの特徴量を考慮して嗜好推定を行うことができる。
【００１５】
また、本発明は、コンテンツに対するユーザの嗜好を推定する変化対応型嗜好推定装置における変化対応型嗜好推定方法であって、コンテンツの特徴を抽出する特徴量抽出ステップと、特徴量抽出部内のユーザごとの分解能に対応したフィルタを適用する分解能適用ステップと、分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定ステップとを含む変化対応型嗜好推定方法であってもよい。
【００１６】
本構成によれば、コンテンツの好みのユーザ毎の違いや変化を配慮した、個人個人のその時点及び少し先の嗜好推定を行うことが可能となる。
また、本発明は、コンピュータを、コンテンツに対するユーザの嗜好を推定する変化対応型嗜好推定装置として機能させるための変化対応型嗜好推定プログラムであって、コンピュータに、コンテンツの特徴を抽出する特徴量抽出ステップと、特徴量抽出部内のユーザごとの分解能に対応したフィルタを適用する分解能適用ステップと、分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定ステップとを実行させる変化対応型嗜好推定プログラムであってもよい。
【００１７】
本構成によれば、コンテンツの好みのユーザ毎の違いや変化を配慮した、個人個人のその時点及び少し先の嗜好推定を行うことが可能となる。
また、本発明は、コンテンツの特徴を抽出する特徴量抽出部と、前記特徴量抽出部内にユーザごとの分解能に対応したフィルタを適用する分解能適用部と、前記分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定部とを備える変化対応型嗜好推定用集積回路であってもよい。
【００１８】
本構成によれば、コンテンツ推薦用集積回路を搭載した装置全体の小型化を図ることができる。
【図面の簡単な説明】
【００１９】
【図１】実施の形態に係る変化対応型嗜好推定装置の全体構成を示す図である
【図２】実施の形態に係る特徴量抽出部の構成を示す図である。
【図３】実施の形態に係る分解能推定部の構成を示す図である。
【図４】実施の形態に係る分解能・履歴管理部３３で管理される分解能・履歴管理テーブルの一例を示す図である。
【図５】実施の形態に係る聴取経験値／周波数特性相関テーブルを示す図である。
【図６】実施の形態に係る聴取経験値／リズム特性相関テーブルを示す図である。
【図７】実施の形態に係る注意推定部の構成を示す図である。
【図８】実施の形態に係る変化対応型嗜好推定装置のうち音楽コンテンツの嗜好推定を行う装置の全体構成図である。
【図９】実施の形態に係る変化対応型嗜好推定装置の動作を示すフローチャートである。
【図１０】実施の形態に係るリズムパタン抽出処理を示すフローチャートである。
【図１１】実施の形態に係る特徴量抽出処理を示すフローチャートである。
【図１２】実施の形態に係る周波数特性推定処理を示すフローチャートである。
【図１３】実施の形態に係るリズム特性推定処理を示すフローチャートである。
【図１４】実施の形態に係る管理テーブル更新処理を示すフローチャートである。
【図１５】従来例の全体構成を示す図である。
【発明を実施するための形態】
【００２０】
＜実施の形態＞
＜１＞構成
＜１−１＞全体構成
本実施の形態に係る変化対応型嗜好推定装置の構成を図１に示す。
【００２１】
嗜好推定部１１は、入力されたコンテンツに対するユーザの嗜好を推定する。
特徴量抽出部１２は、入力されたコンテンツを表す信号から、音楽コンテンツにおけるビートや周波数特性などの音楽特徴量や、画像コンテンツにおけるＳＩＦＴ特徴量などに挙げられるように、コンテンツの特徴を表わす特徴量を抽出し出力する。
【００２２】
特徴量抽出部１２は、ユーザがコンテンツを鑑賞する際の鑑賞力の違いにより適用するフィルタを設定する分解能適用部１２ａを備えている。この鑑賞力とは、コンテンツの良し悪しを分別する能力であり、例えばコンテンツが音楽の場合、楽曲、編曲、演奏や空間性などに対する細部にわたる表現を理解し、良さが判別できるような能力を指す。またフィルタは、たとえばコンテンツが音楽の場合は周波数帯域フィルタなど、写真の場合は色フィルタなどである。
【００２３】
分解能推定部３０は、分解能適用部１２ａに設定するユーザ毎の分解能のフィルタの現在の値（フィルタ値情報）を算出する。そして、分解能推定部３０は、算出したフィルタ値情報を特徴量抽出部１２に入力する。ここで、分解能とは、例えば細かいリズムを聞き分けたり、さまざまな周波数帯域の音を聞き分ける能力、すなわち鑑賞力を支える能力を意味する。
【００２４】
注意推定部２２は、ユーザの脳計測情報またはユーザが入力した情報から、ユーザが何に注意してコンテンツを鑑賞しているかを示す注意情報を推定する。ここで、注意情報とは、例えば、音楽コンテンツの場合であれば、ボーカルの声質やエレキギターのテクニックなどのように、特にそのユーザが興味を持って意識を向けているか、何を中心に耳を傾けているのかを指す情報を意味する。この注意情報については後に詳述する。
＜１−２＞特徴量抽出部
図２に、特徴量抽出部１２の構成を示す。
【００２５】
周波数スペクトル算出部１２ｂは、入力される音楽コンテンツの音楽信号の周波数スペクトルを算出する。
特徴量抽出部１２ｃは、分解能適用部１２ａでユーザ毎に対応づけされた周波数フィルタを用いてフィルタリングを行うことにより得られる周波数スペクトルから、音楽特徴量を抽出する。また、特徴量抽出部１２ｃは、音楽特徴量を記憶する特徴量記憶部（図示せず）を備えており、抽出した音楽特徴量を当該特徴量記憶部に格納していく。
【００２６】
分解能適用部１２ａには、分解能推定部３０で算出されたユーザごとに対応づけされた分解能フィルタ（フィルタ値情報）として、個別周波数特性ＦＰおよび個別リズム特性ＲＰが設定される。
【００２７】
個別周波数特性ＦＰの値は、各ユーザの聴覚特性を表す指標となる値である。ＦＰの値としては、分解能フィルタ（周波数特性ＦＰに関する分解能フィルタ）の識別番号を用いることができる。この個別周波数特性ＲＰの算出方法については後述する。
【００２８】
また、個別リズム特性ＲＰの値は、ユーザのどの程度の複雑なリズムが分別できるかの指標となる値である。ＲＰの値としては、分解能フィルタ（リズム特性に関する分解能フィルタ）の識別番号を用いるほか、４分や８分などのシンプルな音符のみを聞き分けているユーザは「０」に近い値、１６分や３２分など細かい音符や、３連符、シンコペーションを用いた複雑なリズムパタンを聞き分けているユーザは「１」に近い値を取るように定義してもよい。但し、この値は、システムの実装に合わせて値を定義することができる。この個別リズム特性ＲＰの算出方法については、後述する。
【００２９】
以下では、ＦＰの値およびＲＰの値が、分解能フィルタの識別番号であるとして説明する。
＜１−３＞分解能推定部
次に、分解能推定部３０の構成について図３を用いて説明する。
【００３０】
図３において、周波数特性推定部３１はユーザ毎の周波数に対する聴取経験値ＦＥを算出し、聴取経験値ＦＥに基づいてユーザ毎の周波数特性を推定する。リズム特性推定部３２はユーザ毎のリズムに対する聴取経験値ＲＥを算出し、聴取経験値ＲＥに基づいてユーザ毎のリズム特性を推定する。聴取履歴管理部３３は、ユーザ毎の聴取履歴を管理する。周波数に対する聴取経験値ＦＥの算出方法と、リズムに対する聴取経験値ＲＥの算出方法とは後述する。
【００３１】
聴取履歴管理部３３は、図４に示すように、ユーザごとに固有のユーザＩＤ、当該ユーザＩＤに対応するユーザの、現在の音楽聴取の分解能を示す個別周波数特性、個別リズム特性に関する情報からなるユーザ分解能テーブル（図４上段）と、今まで聴取した各聴取曲の履歴に関する情報からなるユーザ聴取履歴テーブル（図４下段）とから構成される分解能・履歴管理テーブルを管理している。そして、ユーザが、楽曲を聴取するたびに、ユーザ分解能テーブルとユーザ聴取履歴テーブルとがそれぞれ更新される。このユーザが聴取した各聴取曲の履歴に関する情報としては、図４下段に示すように、聴取曲の曲ＩＤと、聴取時に特徴量記憶部に記憶された音楽特徴量をメンバとする構造体へのポインタ（図４のＰ［０］，Ｐ［１］，・・・，Ｐ［Ｍ］）と、聴取時点の分解能フィルタの識別番号である個別周波数特性の値ＦＰおよび個別リズム特性の値ＲＰと、注意推定部２２から出力され聴取時の音楽コンテンツへのユーザの注意状態を示す注意情報と、各聴取曲の聴取時間とが含まれる。また、ユーザ聴取履歴テーブルは、ユーザＩＤと対応付けがなされており、例えば、複数のユーザ聴取履歴テーブルが存在する場合にはユーザＩＤをキーとして選出することができる。
【００３２】
図４において、「ユーザＩＤ」の値は、ユーザごとに付与する固有の番号となっている。また、図４の「現在の分解能」欄の「個別周波数特性ＦＰ」の値は、後述の聴取経験値／周波数特性相関テーブル（図５参照）の分解能フィルタの識別番号を示す「Ｎｏ．」欄に対応し、「１」が一番低い分解能を意味し、「３」が一番高い分解能を意味している。「現在の分解能」欄の「個別リズム特性ＲＰ」の値は、図６の分解能フィルタの識別番号を示す「Ｎｏ．」欄に対応し、「１」が一番低い分解能を意味し、「３」が一番高い分解能を意味している。また、図４の「履歴」欄の「曲ＩＤ」の値は、聴取した楽曲に固有の番号となっている。図４下段に示すユーザ聴取履歴テーブルでは、「曲ＩＤ」が同じ楽曲（例えば、図４の曲ＩＤが「１」の楽曲）を繰り返し聞いている場合であっても、別々の曲として管理している。そして、図５の「聴取時点の分解能」欄は、各楽曲を聴取した時点での個別周波数特性ＦＰと個別リズム特性ＲＰの値が保存されている（図４の「周波数特性」欄および「リズム特性」欄参照）。図４の「注意情報」欄は、後述の注意推定部２２で求められた値であり、聴取時にどのように注意して音楽を聴いていたかを表す。「Ａ」は聞き流し、「Ｂ」はボーカルに注目、「Ｃ」は楽曲全体の構成に注目した事を表す。また、この「注意情報」の欄は、整数値で表現されており、本実施の形態では、Ａ＝１、Ｂ＝２、Ｃ＝３に設定されている。これらの数値は、後述の［数１］および［数２］における注意情報「ａ」として用いられる。なお、図４に示す管理テーブルの形式は、一例であり、必ずしもこの形式に限定されるものではない。
＜１−４＞周波数特性推定部
周波数特性推定部３１は、分解能・履歴管理部３３で管理されている分解能・履歴管理テーブルのユーザ聴取履歴テーブルの情報を用いて、［数１］の関係式を用いて、周波数に関する聴取経験の総和を示す値である聴取経験値ＦＥを算出する（ステップＳ３１１）。
【００３３】
【数１】
ここにおいて、ｉは楽曲のＩＤ（曲ＩＤ）、ｓｆはその楽曲の周波数成分に関連する特徴量、ｔはその楽曲の聴取時間、ａはその楽曲を聴取した際の注意情報を示す。ここで、聴取時間は、その楽曲を実際に聴いた時間を指している。例えば、３分の楽曲のうち最初や途中の１分を聴いた場合、聴取時間は１分となる。また、聴取経験値ＦＥの算出に用いるｓｆは、曲ＩＤに対応付けされたポインタ（図４参照）により特定される。
【００３４】
そして、周波数特性推定部３１は、図５に示す聴取経験値／周波数特性相関テーブルを参照して、算出した経験値ＦＥから個別周波数特性（「フィルタ種」ともいう）ＦＰを決定する。図５に示す聴取経験値／周波数特性相関テーブルは、例えば、多数のユーザの周波数特性を求める聴覚テストとユーザの音楽聴取経験の相関を統計的に求めたものを用いる。図５において、聴取経験値ＦＥについて、ＦＥ＜ｎ１のときは聴取の経験が少なく、ＦＥ＞ｎ２のときは聴取の経験が多いことを示す。また、ｎ１≦ＦＥ≦ｎ２のときは、適度に聴取の経験があることを示している。また、図５に示すように、周波数特性（フィルタ種ともいう。）は、聴取の経験が多いほど、帯域が広いフィルタとなっている。つまり、聴取経験が多いほど、広い帯域に渡る周波数の音が聞き取れる周波数特性を持つことを表わしている。この個別周波数特性ＦＰは、特徴量抽出部１２に入力されるフィルタ値情報の一部を構成する。
＜１−５＞リズム特性推定部
リズム特性推定部３２は、分解能・履歴管理部３３で管理されている管理テーブルの聴取履歴を用い、［数２］の関係式を用いてリズム特性に関する聴取経験の総和を示す値である聴取経験値ＲＥを算出する。
【００３５】
【数２】
ここにおいて、ｉは楽曲のＩＤ（曲ＩＤ）、ｓｒはその楽曲のリズム成分に関連する特徴量、ｔはその楽曲の聴取時間、ａはその楽曲を聴取した際の注意情報を示す。また、聴取経験値ＲＥの算出に用いるｓｒは、曲ＩＤに対応付けされたポインタ（図４参照）により特定される。
【００３６】
そして、リズム特性推定部３２は、図６に示す聴取経験値／リズム特性相関テーブルを参照し、算出した経験値ＲＥから個別リズム特性ＲＰを決定する。図６に示す聴取経験値／リズム特性相関テーブルは、例えば、多数のユーザのリズム特性を求めるテストとユーザの音楽聴取経験の相関を統計的に求めたものを用いる。ユーザのリズム特性を求めるテストは、例えば、リズムパタンの複雑性を変化させた複数の楽曲を用意し、ユーザに模倣させたり、違いを分別させるといったものである。図６において、聴取経験値ＲＥについて、ＲＥ＜ｎ１のときは聴取の経験が少なく、ＲＥ＞ｎ２のときは聴取の経験が多いことを示す。また、ｎ１≦ＲＥ≦ｎ２のときは、適度に聴取の経験があることを示している。また、図６に示すように、リズム特性は、経験が多いほど、リズム特性の値が高くなっている。つまり、聴取経験が多いほど、細かい音符やリズムパタンが聞き取れることを表している。この個別リズム特性ＲＰは、特徴量抽出部１２に入力されるフィルタ値情報の一部を構成する。
＜１−６＞注意推定部
注意推定部２２の構成を図７に示す。
【００３７】
図７において、判定部２２ａは、近赤外線分光法（ＮＩＲＳ）や脳波（ＥＥＧ）等の脳計測装置（図示せず）でユーザの脳の状態を計測した結果（脳計測情報）から、ユーザが音楽コンテンツに対して、聞き流していたのか、ボーカルや楽器などに集中して聞いたのか等、どのような注意状態で音楽を聞いているかについて判定する。選択部２２ｂは、ユーザに対して「ボーカルに注目」「聞き流し」などの現時点での注意状態に関する選択肢を画面上のボタンや音声などで提示し、ユーザによる選択入力を受け付ける。注意推定部２２は、判定部２２ａから入力される注意情報、または選択管理部２２ｂから入力される注意情報を出力する。この注意情報は、図４に示す分解能・履歴管理テーブルに示すように、あらかじめ定義された整数値で示される。図４に示す例では、「Ａ（＝１）」は聞き流し、「Ｂ（＝２）」はボーカルに注目、「Ｃ（＝３）」は楽曲全体の構成に注目したことに対応している。この注意情報は、前述の［数１］および［数２］において、パラメータａの値として用いられる。
【００３８】
注意推定部２２から出力された注意情報は、分解能推定部３０に設けられた分解能・履歴管理部３３に格納される。また、この注意情報は、周波数特性推定部３１での周波数に関する聴取経験値ＦＥの算出、および、リズム特性推定部３２でのリズムに関する聴取経験値ＲＥの算出の際に用いられる、注意情報ａを示すパラメータとして用いられる。そして、ユーザが注意をしてコンテンツを聴取していた際には聴取経験値を大きく、反対にあまり注意していなかった場合にはその聴取経験値が小さく加算されるように用いられる。
【００３９】
最後に、前述の各構成の関係を俯瞰的に示すため、音楽コンテンツでの実施例における変化対応型嗜好推定装置の構成図を図８に示す。
図８における特徴量抽出部１２、嗜好推定部１１、分解能推定部３０および注意推定部２２は、図１における同じ名称で表されている構成に相当する。
＜２＞動作
＜２−１＞全体動作
本実施の形態に係る変化対応型嗜好推定装置の動作について、図９に示すフローチャートを用いて説明する。
【００４０】
まず、鑑賞するコンテンツが、例えば音楽再生プレーヤやテレビモニタなどの外部の再生、表示機構等（図示せず）から本装置に読み込まれる（ステップＳ１）。
続いて、特徴量抽出部１２が、各ユーザごとに個別の分解能フィルタを適用して特徴量を抽出する（ステップＳ２）。特徴量を抽出する処理は＜２−２＞において詳細に説明する。
【００４１】
その後、嗜好判定部１１が、特徴量抽出部１２が抽出した特徴量からユーザの嗜好（つまり、ユーザが、コンテンツを好むかどうか）を判定し、嗜好判定結果として出力する（ステップＳ３）。
【００４２】
次に、分解能推定部３０が、特徴量抽出部１２で抽出された特徴量を元に、ユーザに対応した分解能を示す値（フィルタ値情報あるいは分解能フィルタの識別番号ともいう。）が算出される（ステップＳ４）。この分解能を示す値（フィルタ値情報）の算出方法については、後に詳述する。
【００４３】
そして、分解能を示す値を算出した後に、注意推定部２２ではコンテンツ鑑賞時に、例えば音楽であればベースのメロディラインやボーカルの声質など何に注目してコンテンツを鑑賞しているかを示す注意情報が推定される（ステップＳ５）。
【００４４】
最後に、分解能推定部３０内の管理テーブルに、新規の履歴として、特徴量抽出部１２で抽出された特徴量、分解能推定部３０で算出されたその時点での分解能を示す値（分解能フィルタ識別番号）、注意推定部２２で推定された注意情報および聴取時間が追加され（ステップＳ６）、処理が終了する。この注意情報の内容および分解能推定部３０が用いる分解能・履歴管理テーブルの内容は前述した図４のとおりである。
【００４５】
図４に示すように、新規のコンテンツが入力される際に、分解能適用部１２ａによって適用される分解能情報の値は、コンテンツを鑑賞する度に算出され、管理テーブルは、算出された分解能情報の値を用いてアップデートされる。これにより、入力された鑑賞対象であるコンテンツに対し、最新の分解能情報の値に基づき、より正確な嗜好判定結果を出力することができる。
【００４６】
以下、本実施の形態に係る変化対応型嗜好推定装置の構成の詳細を述べる。ここでは、音楽コンテンツの場合を例にとって説明する。
＜２−２＞特徴量抽出部の動作
特徴量抽出部１２の動作について、図１０のフローチャートを用いて説明する。
【００４７】
まず、特徴量抽出部１２に、楽曲再生装置（図示せず）で再生される音楽コンテンツの音楽信号が入力されると、周波数スペクトル算出部１２ｂにより周波数スペクトルが算出される（ステップＳ１２１）。周波数スペクトル算出は、例えば、フーリエ変換など一般的な方法により行われる。
【００４８】
次に、分解能・履歴管理部３３で管理されている最新の個別周波数特性ＦＰの値および個別リズム特性ＲＰの値を読み出し、これらの値に基づいて分解能フィルタとして、個別周波数特性および個別リズム特性を適用する（ステップＳ１２２）。
【００４９】
続いて、特徴量抽出部１２が、設定された値を用いて入力された音楽信号に対し個別周波数特性および個別リズム特性を用いた演算を行うことにより、そのユーザの現在の分解能で感じ取っている音楽特徴量が算出される（ステップＳ１２３）。この音楽特徴量には、代表的なものとして、前述の特許文献２に示すような調性や、非特許文献１、非特許文献２に示すようなリズムパタンがある。リズムパタンを例とした場合の特徴量算出処理は＜２−３＞で詳細に説明する。
＜２−３＞リズムパタン算出処理
リズムパタン算出処理のフローチャートを図１１に示す。
【００５０】
まず、特徴量抽出部１２は、ユーザごとの個別リズム特性ＲＰに基づき、リズムパタン算出の際に行うビート分析の際どの位の細かい音価のリズムパタンの変化までを考慮して分析するかを指定するため，細分化回数を設定する（ステップＳ１２４）。個別リズム特性ＲＰが一定値以上のユーザは複雑なビートパタンを理解することが可能であるため、細分化回数は大きい値となるように、すなわち３２ビートなど細かいビートの構造までを分析できる細分化回数に設定される。
【００５１】
続いて、特徴量算出部１２は、音楽信号入力に対し、ビート構造を表現する特徴量であるビートの周期、強度を算出する（ステップＳ１２５乃至Ｓ１２７）。
次に、特徴量抽出部１２は、ステップＳ１２４で設定されたユーザごとの細分化回数に達したかを判定し（ステップＳ１２８）、細分化回数に達した場合は処理を終了し（ステップＳ１２８がＮ）、細分化回数に達していない場合（ステップＳ１２８がＹ）は、再び、ステップＳ１２５乃至Ｓ１２７の処理を繰り返す。特徴量抽出部１２が行う細分化回数の判定方法としては、例えば、楽曲の再生速度を６０ＢＰＭとしたときにおける３２分音符の１拍の音価の長さである１２５ｍｓｅｃとし、ビート構造算出の際の１拍の音価の長さが１２５ｍｓｅｃ以下になったときに、予め設定した細分化回数に達したものとする方法が挙げられる。
＜２−４＞周波数特性推定処理
周波数特性推定部３１で行われる周波数特性推定処理について、図１２に示すフローチャートを用いて説明する。
【００５２】
まず、分解能・履歴管理部３３で管理されている分解能・履歴管理テーブルの聴取履歴の情報を用いて、前述の［数１］の関係式を用いて、周波数に関する聴取経験の総和を示す値である聴取経験値ＦＥを算出する（ステップＳ３１１）。
【００５３】
次に、周波数特性推定部３１は、聴取経験値／周波数特性相関テーブルを参照して、算出した経験値ＦＥから個別周波数特性ＦＰの値（周波数特性に関する分解能フィルタの識別番号）を決定する（ステップＳ３１２）。
＜２−５＞リズム特性推定処理
リズム特性推定部３２で行われるリズム特性推定処理について図１３に示すフローチャートを用いて説明する。
【００５４】
まず、分解能・履歴管理部３３で管理されている分解能・履歴管理テーブルの聴取履歴の情報を用いて、前述の［数２］の関係式を用いてリズム特性に関する聴取経験の総和を示す値である聴取経験値ＲＥを算出する（ステップＳ３２１）。
【００５５】
次に、リズム特性推定部３２は、聴取経験値／リズム特性相関テーブルを参照して、算出した経験値ＲＥから個別リズム特性ＲＰの値（リズム特性に関する分解能フィルタの識別番号）を決定する（ステップＳ３２２）。
＜２−６＞管理テーブル更新処理
分解能・履歴管理部３３で管理されている分解能・履歴管理テーブルの更新処理（管理テーブル更新処理）について、図１４に示すフローチャートを用いて説明する。
【００５６】
まず、分解能・履歴管理部３３が管理している分解能・履歴管理テーブルの個別周波数特性ＦＰの値を、周波数特性推定部３１が算出した最新の値に更新する（ステップＳ３３１）。
【００５７】
次に、分解能・履歴管理部３３が管理している分解能・履歴管理テーブルの個別リズム特性ＲＰの値を、リズム特性推定部３２が算出した最新の値に更新する（ステップＳ３３２）。
【００５８】
続いて、楽曲のＩＤ、特徴量抽出部１２が算出した音楽特徴量、聴取時点の個別周波数特性ＦＰ、個別リズム特性ＲＰ、注意推定部２２が推定した聴取時の注意情報が、分解能・履歴管理テーブルの履歴情報に追加される（ステップＳ３３３）。
＜変形例＞
（１）前述の実施の形態では、コンテンツが音楽であるとして説明したが、写真や絵画、動画などの映像情報や音楽以外の音情報を含むコンテンツでも構わない。コンテンツが写真の場合は、図８において用いられているコンテンツの特徴を表す特徴量が、ＳＩＦＴ特徴量、色特徴量などに変更された構成とすればよい。
【００５９】
（２）前述の実施の形態では、分解能適用部１２ａにおいて、個別の特性を判断する手段として個別周波数特性と個別リズム特性の２種類による算出について述べたが、これに限定されるものではない。例えば、個別の楽器の音色に対する特性を示す個別音色特性など別の手段を用いて特性を決めても構わない。
【００６０】
（３）前述の実施の形態では、分解能適用部１２ａにおいて、各ユーザの個別周波数特性および個別リズム特性を算出する際に、図６に示す聴取経験値／リズム特性相関テーブル、つまり、多数のユーザの経験に基づいて作成される聴取経験値／リズム特性相関テーブルを用いる例について説明しているが、これに限定されるものではない。例えば、脳計測による音に対する反応特性分析を行うことにより算出するようにしてもよい。
【００６１】
（４）前述の実施の形態では、音楽を分析するための特徴量として、周波数特性およびリズム特性を用いる例について説明したが、これに限定されるものではない。例えば、調性や和音出現頻度、音量に関する特徴量（例えば、音量分布、平均音量、最大音量など）、楽曲構成（例えば、小節構造など）、音色構成（例えば、楽器構成など）を用いるものであってもよい。
【００６２】
（５）前述の実施の形態で示した変化対応型嗜好推定装置のプロセッサおよびそのプロセッサに接続された各種回路に実行させるためのプログラムコードからなるプログラムを、記録媒体に記録すること又は各種通信路等を介して流通させ頒布することもできる。このような記録媒体には、ＩＣカード、ハードディスク、光ディスク、フレキシブルディスク、ＲＯＭなどがある。流通、頒布された制御プログラムはプロセッサに読み出されうるメモリなどに格納されることにより利用に供され、そのプロセッサがその制御プログラムを実行することにより各実施形態で示したような機能が実現されるようになる。なお、制御プログラムの一部を画像管理装置とは別個のプログラム実行可能な装置（プロセッサ）に各種ネットワークを介して送信して、その別個のプログラム実行可能な装置においてその制御プログラムの一部を実行させることとしてもよい。
【００６３】
（６）前述の実施の形態で示した変化対応型嗜好推定装置を構成する構成要素の一部又は全部は、１又は複数の集積回路（ＩＣ、ＬＳＩなど）として実装されることとしても良く、画像管理装置の構成要素に更に他の要素を加えて集積回路化（１チップ化）されることとしてもよい。
【００６４】
ここでは、ＬＳＩとしたが、集積度の違いにより、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。また、集積回路化の手法はＬＳＩに限るものではなく、専用回路又は汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＬＳＩ内部の回路セルの接続または設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。さらには、半導体技術の進歩又は派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。バイオ技術の適応等が可能性としてありえる。
【産業上の利用可能性】
【００６５】
本発明に係る変化対応型嗜好推定装置および変化対応型嗜好推定方法は、分解能適用部、分解能推定部及び注意推定部を有し、コンテンツ検索、自動コンテンツ構成、コンテンツ推薦等として有用である。
【符号の説明】
【００６６】
１１ 嗜好推定部
１２ 特徴量抽出部
１２ａ 分解能適用部
１２ｂ 周波数スペクトル算出部
１２ｃ 特徴量抽出部
２２ 注意推定部
２２ａ 判定部
２２ｂ 選択管理部
３０ 分解能推定部
３１ 周波数特性推定部
３２ リズム特性推定部
３３ 分解能・履歴管理部
【特許請求の範囲】
【請求項１】
コンテンツの特徴を抽出する特徴量抽出部と、
前記特徴量抽出部内のユーザごとの分解能に対応したフィルタを適用する分解能適用部と、
前記分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定部とを備える
ことを特徴とする変化対応型嗜好推定装置。
【請求項２】
前記変化対応型嗜好推定装置は、さらに、
ユーザがどのようにコンテンツに注意を払って聞いたかによって前記分解能推定部のフィルタ値の変化特性を変更させるための注意推定部を備える
ことを特徴とする請求項１記載の変化対応型嗜好推定装置。
【請求項３】
前記分解能推定部は、ユーザの聴覚特性の周波数分解能を推定する周波数特性推定部、リズム分解能を推定するリズム特性推定部の全て、もしくはいずれか１つ以上を持つ
ことを特徴とする請求項１または請求項２記載の変化対応型嗜好推定装置。
【請求項４】
前記変化対応型嗜好推定装置は、さらに、
前記分解能推定部は、ユーザが過去に視聴した前記分解能適用部でフィルタ後のコンテンツの特徴量、前記注意推定部で推定された聴取時の注意情報を含む聴取履歴を管理する聴取履歴管理部を備える
ことを特徴とする請求項１乃至３のいずれか１項に記載の変化対応型嗜好推定装置。
【請求項５】
コンテンツに対するユーザの嗜好を推定する変化対応型嗜好推定装置における変化対応型嗜好推定方法であって、
コンテンツの特徴を抽出する特徴量抽出ステップと、
前記特徴量抽出部内のユーザごとの分解能に対応したフィルタを適用する分解能適用ステップと、
前記分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定ステップとを含む
ことを特徴とする変化対応型嗜好推定方法。
【請求項６】
コンピュータを、コンテンツに対するユーザの嗜好を推定する変化対応型嗜好推定装置として機能させるための変化対応型嗜好推定プログラムであって、
前記コンピュータに、
コンテンツの特徴を抽出する特徴量抽出ステップと、
前記特徴量抽出部内のユーザごとの分解能に対応したフィルタを適用する分解能適用ステップと、
前記分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定ステップと
を実行させる
ことを特徴とする変化対応型嗜好推定プログラム。
【請求項７】
コンテンツの特徴を抽出する特徴量抽出部と、
前記特徴量抽出部内のユーザごとの分解能に対応したフィルタを適用する分解能適用部と、
前記分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定部とを備える
ことを特徴とする変化対応型嗜好推定用集積回路。
【請求項１】
コンテンツの特徴を抽出する特徴量抽出部と、
前記特徴量抽出部内のユーザごとの分解能に対応したフィルタを適用する分解能適用部と、
前記分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定部とを備える
ことを特徴とする変化対応型嗜好推定装置。
【請求項２】
前記変化対応型嗜好推定装置は、さらに、
ユーザがどのようにコンテンツに注意を払って聞いたかによって前記分解能推定部のフィルタ値の変化特性を変更させるための注意推定部を備える
ことを特徴とする請求項１記載の変化対応型嗜好推定装置。
【請求項３】
前記分解能推定部は、ユーザの聴覚特性の周波数分解能を推定する周波数特性推定部、リズム分解能を推定するリズム特性推定部の全て、もしくはいずれか１つ以上を持つ
ことを特徴とする請求項１または請求項２記載の変化対応型嗜好推定装置。
【請求項４】
前記変化対応型嗜好推定装置は、さらに、
前記分解能推定部は、ユーザが過去に視聴した前記分解能適用部でフィルタ後のコンテンツの特徴量、前記注意推定部で推定された聴取時の注意情報を含む聴取履歴を管理する聴取履歴管理部を備える
ことを特徴とする請求項１乃至３のいずれか１項に記載の変化対応型嗜好推定装置。
【請求項５】
コンテンツに対するユーザの嗜好を推定する変化対応型嗜好推定装置における変化対応型嗜好推定方法であって、
コンテンツの特徴を抽出する特徴量抽出ステップと、
前記特徴量抽出部内のユーザごとの分解能に対応したフィルタを適用する分解能適用ステップと、
前記分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定ステップとを含む
ことを特徴とする変化対応型嗜好推定方法。
【請求項６】
コンピュータを、コンテンツに対するユーザの嗜好を推定する変化対応型嗜好推定装置として機能させるための変化対応型嗜好推定プログラムであって、
前記コンピュータに、
コンテンツの特徴を抽出する特徴量抽出ステップと、
前記特徴量抽出部内のユーザごとの分解能に対応したフィルタを適用する分解能適用ステップと、
前記分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定ステップと
を実行させる
ことを特徴とする変化対応型嗜好推定プログラム。
【請求項７】
コンテンツの特徴を抽出する特徴量抽出部と、
前記特徴量抽出部内のユーザごとの分解能に対応したフィルタを適用する分解能適用部と、
前記分解能適用部のフィルタ値を、ユーザのコンテンツ鑑賞経験にあわせて変化させてくための分解能推定部とを備える
ことを特徴とする変化対応型嗜好推定用集積回路。
【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】
【公開番号】特開２０１２−１６８７８０（Ｐ２０１２−１６８７８０Ａ）
【公開日】平成２４年９月６日（２０１２．９．６）
【国際特許分類】
【出願番号】特願２０１１−２９７７７（Ｐ２０１１−２９７７７）
【出願日】平成２３年２月１５日（２０１１．２．１５）
【出願人】（０００００５８２１）パナソニック株式会社 (73,050)
【Ｆターム（参考）】
【公開日】平成２４年９月６日（２０１２．９．６）
【国際特許分類】
【出願日】平成２３年２月１５日（２０１１．２．１５）
【出願人】（０００００５８２１）パナソニック株式会社 (73,050)
【Ｆターム（参考）】
[ Back to top ]