情報処理装置、情報処理方法、およびプログラム
【課題】領域を横断した形で、ユーザの嗜好によりマッチしたアイテムを推薦する。
【解決手段】関連性分析部１３は、それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求め、メタデータ設定部１４は、関連性分析部１３による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定し、登録情報取得部１７は、所定のユーザの嗜好に応じた属性が登録されている登録情報を取得し、推薦アイテム特定部２１は、関連情報に基づいて、登録情報取得部１７によって取得された登録情報に登録されている属性であって、所定のユーザの依存度が高い属性と関連性のある、属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する。本発明は、パーソナルコンピュータに適用することができる。
【解決手段】関連性分析部１３は、それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求め、メタデータ設定部１４は、関連性分析部１３による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定し、登録情報取得部１７は、所定のユーザの嗜好に応じた属性が登録されている登録情報を取得し、推薦アイテム特定部２１は、関連情報に基づいて、登録情報取得部１７によって取得された登録情報に登録されている属性であって、所定のユーザの依存度が高い属性と関連性のある、属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する。本発明は、パーソナルコンピュータに適用することができる。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、情報処理装置、情報処理方法、およびプログラムに関し、特に、領域を横断した形で、ユーザの嗜好によりマッチしたアイテムを推薦することができるようにした情報処理装置、情報処理方法、およびプログラムに関する。
【背景技術】
【０００２】
近年、料理の本が選択されたことに応じて新製品の鍋をユーザに薦めるといったような、基準となるアイテムと異なる領域に属するアイテムを推薦するWebサービスが出てきている。
【０００３】
通常、領域を横断した形でアイテムを推薦するこのようなサービスは、推薦のルールがあらかじめ決められていてルールベースで実現されるか、購買履歴などの多くのユーザの履歴に基づいて協調フィルタリングによって実現される。
【０００４】
後者の問題点としては、かなり多くのユーザの履歴がないと、サービスがうまく働かないことが挙げられる。つまり、複数の領域を横断するアイテム間の関連性自体を多くのユーザの履歴によって明らかにしておく必要がある。
【０００５】
一方、テレビジョン番組などのあるコンテンツが選択されたときに、そのコンテンツに設定されているキーワードと同じキーワードがメタデータとして設定されているアイテムを関連コンテンツとして推薦する技術がある。この技術によれば、ユーザがあるテレビジョン番組を選択した場合、そのテレビジョン番組の出演者と同じ人が出演する映画を収録したDVD(Digital Versatile Disc)が推薦されたりすることになる。
【０００６】
この技術の問題点としては、キーワードが一致するコンテンツがない場合、関連コンテンツを推薦することできないことが挙げられる。
【０００７】
そこで、ユーザの評価に基づいてアイテム間の関連性を求め、領域を横断した形でアイテムを推薦する手法が提案されている（特許文献１参照）。
【先行技術文献】
【特許文献】
【０００８】
【特許文献１】特開２００９−１４００４２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００９】
しかしながら、特許文献１の手法では、ユーザの嗜好の偏りを考慮してアイテムを推薦することはできなかった。
【００１０】
本発明はこのような状況に鑑みてなされたものであり、領域を横断した形で、ユーザの嗜好によりマッチしたアイテムを推薦することができるようにするものである。
【課題を解決するための手段】
【００１１】
本発明の一側面の情報処理装置は、それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求める分析手段と、前記分析手段による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定手段と、所定のユーザの嗜好に応じた属性が登録されている登録情報を取得する取得手段と、前記関連情報に基づいて、前記取得手段によって取得された前記登録情報に登録されている属性であって、前記所定のユーザの依存度が高い属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦手段とを備える。
【００１２】
前記情報処理装置には、複数の前記ユーザの前記登録情報に登録されている前記属性の登録数の平均値である平均登録数を算出する平均登録数算出手段と、前記取得手段によって取得された前記所定のユーザの前記登録情報に登録されている前記属性の登録数であるユーザ登録数と、前記平均登録数算出手段によって算出された前記平均登録数とを比較する比較手段とをさらに設け、前記推薦手段には、前記関連情報に基づいて、前記所定のユーザの前記登録情報において前記平均登録数に比して前記ユーザ登録数が少ない前記属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定させることができる。
【００１３】
前記情報処理装置には、前記取得手段によって取得された前記所定のユーザの前記登録情報に登録されている前記属性と、前記所定のユーザが過去にアクセスしたアイテムの属性との一致度を算出する一致度算出手段をさらに設け、前記推薦手段には、前記関連情報に基づいて、所定の値より大きい前記一致度の前記属性と関連性のある、前記属性の前記アイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定させることができる。
【００１４】
前記一致度算出手段には、前記所定のユーザが過去にアクセスした前記アイテムの属性と、前記所定のユーザが過去に前記アイテムにアクセスしたときの、前記ユーザの表出から抽出される属性との一致度を算出させ、前記推薦手段には、前記関連情報に基づいて、所定の値より大きい前記一致度の前記属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定させることができる。
請求項３に記載の情報処理装置。
【００１５】
本発明の一側面の情報処理方法は、それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求める分析ステップと、前記分析ステップの処理による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定ステップと、所定のユーザの嗜好に応じた属性が登録されている登録情報を取得する取得ステップと、前記関連情報に基づいて、前記取得ステップの処理によって取得された前記登録情報に登録されている属性であって、前記所定のユーザの依存度が高い属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦ステップとを含む。
【００１６】
本発明の一側面のプログラムは、それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求める分析ステップと、前記分析ステップの処理による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定ステップと、所定のユーザの嗜好に応じた属性が登録されている登録情報を取得する取得ステップと、前記関連情報に基づいて、前記取得ステップの処理によって取得された前記登録情報に登録されている属性であって、前記所定のユーザの依存度が高い属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦ステップとを含む処理をコンピュータに実行させる。
【００１７】
本発明の一側面においては、それぞれ異なる領域に属するアイテム同士の属性の関連性が、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求められ、分析によって求められた関連性を表す情報である関連情報がそれぞれのアイテムにメタデータとして設定され、所定のユーザの嗜好に応じた属性が登録されている登録情報が取得され、関連情報に基づいて、取得された登録情報に登録されている属性であって、所定のユーザの依存度が高い属性と関連性のある、属性のアイテムが属する領域とは異なる領域に属するアイテムが推薦アイテムとして特定される。
【発明の効果】
【００１８】
本発明の一側面によれば、領域を横断した形で、ユーザの嗜好によりマッチしたアイテムを推薦することが可能となる。
【図面の簡単な説明】
【００１９】
【図１】本発明の一実施の形態に係る推薦システムの構成例を示すブロック図である。
【図２】ジャンルのマッピングの例を示す図である。
【図３】ジャンル間の関連性の例を示す図である。
【図４】ジャンル間の関連性の例を示す図である。
【図５】ユーザの評価の例を示す図である。
【図６】次元圧縮を行うことによって得られた各次元の値の例を示す図である。
【図７】グループ間の関連性の例を示す図である。
【図８】新規のアイテムの関連性の例を示す図である。
【図９】サーバのメタデータ設定処理について説明するフローチャートである。
【図１０】サーバの他のメタデータ設定処理について説明するフローチャートである。
【図１１】サーバの推薦処理について説明するフローチャートである。
【図１２】推薦システムの他の構成例を示すブロック図である。
【図１３】図１２のサーバの推薦処理について説明するフローチャートである。
【図１４】コンピュータのハードウエアの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】
【００２０】
以下、本発明の実施の形態について図を参照して説明する。
【００２１】
［推薦システムの構成例］
図１は、本発明の一実施の形態に係る推薦システムの構成例を示すブロック図である。
【００２２】
図１に示されるように、推薦システムはサーバ１によって実現される。
【００２３】
サーバ１は、嗜好情報取得部１１、嗜好情報DB１２、関連性分析部１３、メタデータ設定部１４、アイテムDB１５、新規アイテム処理部１６、登録情報取得部１７、登録情報DB１８、平均登録数算出部１９、登録数比較部２０、推薦アイテム特定部２１、および送信部２２から構成される。
【００２４】
後に詳述するように、サーバ１においては、アイテムに対するユーザの評価に基づいて、それぞれ異なる領域に属するアイテム同士の関連性が求められ、求められた関連性を表す情報が、それぞれのアイテムにメタデータとして設定される。
【００２５】
ここで、領域には、テレビジョン番組、本、音楽、ゲームなどが含まれる。アイテムは、各テレビジョン番組、週刊誌、文庫本などの各本、ダウンロード用の音楽コンテンツ、音楽コンテンツを収録したCDなどの各音楽、ダウンロード用のゲームコンテンツ、ゲームコンテンツを収録した記録媒体などの各ゲームとなる。
【００２６】
設定されたメタデータは、ユーザに推薦するアイテムを特定するのに用いられる。例えば、ユーザの好みの所定のテレビジョン番組を基準として、基準となるテレビジョン番組と関連性のある、本や音楽などの他の領域のアイテムが推薦アイテムとして特定される。推薦アイテムの情報は、アイテムの推薦を受けるユーザが利用するクライアントに対して送信される。
【００２７】
すなわち、サーバ１は、領域を横断した形でアイテムの推薦を行う装置である。サーバ１には、パーソナルコンピュータなどの複数の端末がクライアントとしてネットワークを介して接続される。
【００２８】
サーバ１の嗜好情報取得部１１は、アイテムに対するユーザの評価を表す嗜好情報を取得する。例えば、クライアントのユーザは、テレビジョン番組の視聴を終えた後や本を読み終えた後などに、アイテムの評価をクライアントに対して入力する。クライアントにおいては、ユーザの評価と、どのアイテムに対する評価であるのかを表す嗜好情報が生成され、サーバ１に対して送信される。評価の対象となるアイテムについては、領域、属性、キーワード、販売元などの各種のメタデータが、サンプリングされることによってサーバ１により取得されている。
【００２９】
サーバ１に対する入力デバイスとして設けられるマウスやリモートコントローラなどがサーバ１の管理者により操作されることによって嗜好情報が入力されるようにしてもよい。
【００３０】
嗜好情報取得部１１は、クライアントから送信されてきた嗜好情報や、入力された嗜好情報を取得し、取得した嗜好情報を嗜好情報DB１２に記憶させる。
【００３１】
複数のクライアントから嗜好情報が送信されてくることにより、サーバ１においては、複数の領域のアイテムに対する評価を表す嗜好情報が収集され、嗜好情報DB１２に記憶されることになる。
【００３２】
関連性分析部１３は、嗜好情報を嗜好情報DB１２から読み出して分析し、それぞれのユーザの評価に基づいて、アイテム間、アイテムの属性（Attribute）間などの、あるアイテムを基準として他のアイテムを特定するのに参照される、アイテムに関する関連性を求める。
【００３３】
ここで、アイテムの属性は、そのアイテムが属する領域において、アイテムのカテゴリを決めるためのものであり、具体的には、ジャンル、関連人物、地域、値段などがある。
【００３４】
例えば、属性としてのジャンルには、テレビジョン番組の領域において、ドラマ、ニュース、教養、バラエティなどがあり、本の領域において、文芸、ノンフィクション、実用、芸能等などある。また、音楽の領域においては、J-POP、クラシック、ジャズ、ロックなどがあり、ゲームの領域においては、ロールプレイングゲーム、シミュレーションゲーム、スポーツゲーム、アクションゲームなどがある。
【００３５】
また、例えば、属性としての関連人物には、テレビジョン番組の領域において、出演者、スタッフなどがあり、本の領域において、作者、翻訳者などがある。また、音楽の領域においては、歌手、作曲者などがあり、ゲームの領域においては、プログラマ、デザイナなどがある。
【００３６】
さらに、例えば、属性としての地域には、テレビジョン番組の領域において、放送地域などがあり、本の領域において、作者の出身地などがある。また、音楽の領域においては、歌手の出身地などがあり、ゲームの領域においては、ゲーム中の町並みのモデルとなったモデル地域などがある。
【００３７】
また、例えば、属性としての値段には、本、音楽、ゲームの各領域においては、高価および廉価などがあり、テレビジョン番組の領域においては存在しない。
【００３８】
このように、それぞれの属性には、各領域においてアイテムをカテゴライズするための項目が与えられており、本実施の形態の推薦システムにおいては、各領域における属性の項目間の関連性を求めて、他の領域のアイテムを推薦することができる。
【００３９】
なお、以降においては、属性としてジャンルを例にして説明するが、関連人物、地域、値段など、他の属性を適用するようにしてももちろんよい。
【００４０】
例えば、関連性分析部１３は、図２に示されるように、異なる領域に属するそれぞれのジャンルをユーザの評価に基づいて１つの空間にマッピングし、それぞれのジャンル間の関連性を求める。評価が似ているために関連性のあるジャンル間の空間上の距離は近いものになり、評価が似ていないために関連性のないジャンル間の空間上の距離は遠いものになる。
【００４１】
ジャンルに対する評価は、それぞれのジャンルに属するアイテムに対するユーザの評価に基づいてサーバ１により求められるようにしてもよいし、ジャンルに対する評価がユーザにより直接入力されるようにしてもよい。
【００４２】
図２の例において、点ｔ1，ｔ2はテレビジョン番組（TV）のジャンルの空間上の位置を表す。点ｂ1乃至ｂ5は本のジャンルの空間上の位置を表し、点ｍ1乃至ｍ4は音楽のジャンルの空間上の位置を表す。
【００４３】
例えば、点ｔ1と点ｂ3の距離が近いことは、点ｔ1によって位置が表されるテレビジョン番組のジャンル１と、点ｂ3によって位置が表される本のジャンル２が、それぞれのジャンルに対する評価、または、それぞれのジャンルに属するアイテムに対する評価が似ていることを表す。
【００４４】
図３に示されるように、関連性分析部１３は、ある領域のそれぞれのジャンルを基準として、他の領域のそれぞれのジャンルとの関連性を求める。図３の例においては、テレビジョン番組のジャンル１と本のジャンル２は関連性があり、テレビジョン番組のジャンル３と本のジャンル１は関連性があるものとされている。
【００４５】
テレビジョン番組と本の間だけでなく、他の領域間についても、関連性分析部１３によりジャンルについての関連性が求められる。
【００４６】
図４は、ジャンル間の関連性の例を示す図である。
【００４７】
図４の例においては、テレビジョン番組のジャンル１と関連性のあるジャンルは、本のジャンル２，１０，２７、音楽のジャンル７，１４，３０、ゲームの所定のジャンルとされている。テレビジョン番組のジャンル２についても同様に、他の領域のジャンルとの関連性が求められている。
【００４８】
以上のような関連性は、例えば、主成分分析、正準相関分析、カテゴリカル主成分分析がユーザの評価を対象として行われ、得られたアイテムの得点、ジャンルの得点から求められる。
【００４９】
図５は、ユーザの評価の例を示す図である。
【００５０】
図５の例においては、ある領域のアイテム１に対するユーザＡの評価は５段階評価のうちの５の評価とされ、ユーザＢの評価は１の評価とされている。ユーザＣの評価は４の評価とされている。同様に、アイテム２に対するユーザＡ乃至Ｃの評価はいずれも２の評価とされている。アイテム３に対するユーザＡとユーザＢの評価は４の評価とされ、ユーザＣの評価は５の評価とされている。
【００５１】
このような評価を対象として例えば主成分分析が行われることによって、似ている評価のパターンがまとめられ、次元圧縮が行われる。図５の例において、アイテム１乃至３に対するユーザＡの評価とユーザＣの評価はそのパターンが似ている。
【００５２】
図６は、図５の評価を対象として次元圧縮を行うことによって得られた各次元の値の例を示す図である。
【００５３】
図６の例においては、アイテム１の次元１，２，３の値は、それぞれ、０．１２，０．３４，０．６２とされている。このような各次元の値が主成分分析によって求められ、各次元を軸とする空間上に各アイテムや各ジャンルがマッピングされることによって、図２を参照して説明したように、それぞれのアイテム間、ジャンル間の距離が求められる。
【００５４】
分析する次元の数は、任意の数、１以上の固有値に相当する数、寄与率が大きく下がる直前の数、累積寄与率が一定以上となる数とすることが可能である。
【００５５】
固有値は主成分の分散に対応し、その主成分がどの程度、元の情報（変量）を保持しているかを表す。元の変量の分散が１に標準化されていれば、固有値は、主成分が元の変量何個分の情報を持つのかを表す。固有値が１以下のとき、元の変量以下の情報しかないということになり、主成分としての意味がなくなる。
【００５６】
寄与率は、ある主成分によって表される情報が、全ての情報の中で、どの位の割合の量を占めるのかを表す。累積寄与率は、各主成分の寄与率を大きい順に加算したものであり、寄与率を加算した主成分までで、元の情報のうちのどのくらいの量の情報が表されるのかを表す（通常、７０〜８０％程度を表す次元までが採用される）。
【００５７】
ユーザの評価を分析するのに用いられる正準相関分析は、各変数群において、変数に重み（重み係数）をつけて足し合わせた変量（正準変量）を考え、正準変量同士の相関関係（正準相関係数）を最大にするような重み係数を求める分析手法である。この場合、主成分得点ではなく、空間上の距離を求めるのに重み変数が用いられる。
【００５８】
カテゴリカル主成分分析も、主成分分析と同様に、似たような評価のパターンをまとめて分析を行う手法である。
【００５９】
対象とするＫ個全ての領域のアイテムの評価をまとめて分析するようにしてもよいし、Ｋ個のうちの２個の領域のアイテムの評価だけを取り出し、２領域間の関係を求め、それを組み合わせの数だけ実行することによってＫ個全ての領域のアイテム間の関連性を分析するようにしてもよい。
【００６０】
前者の場合、例えば、対象となる領域としてテレビジョン番組、本、音楽の３領域があったとき、それぞれの領域のアイテム全ての評価をひとまとめにして分析が行われ、それぞれのアイテムが図２に示されるような、１つの空間上にマッピングされる。求められた各アイテムの主成分得点が、ひとまとめにした空間上の位置を表す座標として用いられる。この場合、全ての領域のアイテムを１つの空間にマッピングすることができるので、アイテム間の関連性は１つの空間上で求めることが可能となる。
【００６１】
後者の場合、例えば、対象となる領域としてテレビジョン番組、本、音楽、映画の４領域があったとき、テレビジョン番組と本、テレビジョン番組と音楽、テレビジョン番組と映画、本と音楽、本と映画、音楽と映画のそれぞれの組み合わせでアイテムの評価が取り出され、取り出されたそれぞれの評価を対象として分析が行われる。
【００６２】
テレビジョン番組の各アイテムに対する評価と本の各アイテムに対する評価を分析し、各アイテムをマッピングして得られたテレビジョン番組−本関連性空間からは、テレビジョン番組のアイテムと本のアイテムの関連性が求められ、テレビジョン番組の各アイテムに対する評価と音楽の各アイテムに対する評価を分析し、各アイテムをマッピングして得られたテレビジョン番組−音楽関連性空間からは、テレビジョン番組のアイテムと音楽のアイテムの関連性が求められる。
【００６３】
同様にして、テレビジョン番組のアイテムと映画のアイテムの関連性、本のアイテムと音楽のアイテムの関連性、本のアイテムと映画のアイテムの関連性、音楽のアイテムと映画のアイテムの関連性がそれぞれ求められる。
【００６４】
なお、図３に示されるようにジャンル間の関連性を求める場合、それぞれの領域のジャンルを所定の数のグループに分類し、グループ間の関連性を求めるようにしてもよい。
【００６５】
図７は、グループ間の関連性を求める場合の例を示す図である。
【００６６】
図７の例においては、テレビジョン番組のジャンル１とジャンル２がジャンルグループ１として分類されている。テレビジョン番組の他のジャンルも同様に、所定のジャンルグループに分類されている。
【００６７】
一方、本のジャンル１とジャンル２がジャンルグループ３として分類されている。本の他のジャンルも同様に、所定のジャンルグループに分類されている。ジャンルグループの分類（クラスタリング）は、例えば、各ジャンルに対する評価の相関値に基づいて特定される。
【００６８】
このようにして分類されたジャンルグループ同士の関連性が上述したような主成分分析や正準相関分析により求められ、図７に示されるように、テレビジョン番組のジャンルグループ１と関連性のあるジャンルグループとして本のジャンルグループ２が特定される。また、テレビジョン番組のジャンルグループ２と関連性のあるジャンルグループとして本のジャンルグループ１０が特定され、テレビジョン番組のジャンルグループ３と関連性のあるジャンルグループとして本のジャンルグループ２が特定される。
【００６９】
以上のようにして求められた関連性を表す情報は、関連性分析部１３からメタデータ設定部１４に供給される。
【００７０】
メタデータ設定部１４は、関連性分析部１３により求められた関連性を表す情報である関連情報を、それぞれのアイテムのメタデータとして設定し、アイテムDB１５に記憶させる。ジャンル間（属性間）の関連性を表す情報がメタデータとしてアイテムに設定される場合、そのアイテムのジャンル（属性）と関連性のある他の領域のジャンル（属性）を表す図４に示されるような情報が設定される。
【００７１】
また、メタデータ設定部１４は、新規アイテム処理部１６により求められた関連性を表す関連情報を新規のアイテムのメタデータとして設定し、アイテムDB１５に記憶させる。
【００７２】
新規アイテム処理部１６は、ユーザによる評価が得られていない新規のアイテムの情報が入力されたとき、新規のアイテムと類似する、関連性を既に求めているアイテムを関連情報以外のメタデータに基づいて特定する。例えば、新規アイテム処理部１６は、新規のアイテムのメタデータと、アイテムDB１５に記憶されている、関連性を既に求めているそれぞれのアイテムのメタデータとの一致度を求め、関連性を既に求めているアイテムのうち、一致度の最も大きいアイテムを新規のアイテムと類似するアイテムとして特定する。
【００７３】
ジャンルなどのように、一致度を求めるメタデータが密なメタデータである場合、コサイン距離や内積が求められ、求められた値が一致度として用いられる。メタデータとしてのジャンルは、その種類が限られ、十分に多いアイテムをジャンル毎に分けた場合には同じジャンルのアイテムが比較的多く見つかるため、密なメタデータといえる。
【００７４】
一方、キーワードや文章などのように、一致度を求めるメタデータが疎なメタデータである場合、PLSA(Probabilistic Latent Semantic Analysis)やLDA(Linear Discriminant Analysis)などで次元圧縮後、距離が求められ、求められた距離が一致度として用いられる。キーワードや文章は、その種類が多く、十分に多いアイテムを、同じキーワードや文章がメタデータとして設定されているもの毎に分けた場合には同じキーワードや文章がメタデータとして設定されているアイテムがあまり見つからないため、疎なメタデータといえる。
【００７５】
また、新規アイテム処理部１６は、ユーザによる評価が行われたアイテム同士の関連性が求められている場合、新規のアイテムと類似するものとして特定したアイテムと同じ空間上の位置に新規のアイテムをマッピングし、新規のアイテムと関連性のある他の領域のアイテムを求める。新規アイテム処理部１６は、求めたアイテムの情報をメタデータ設定部１４に出力する。
【００７６】
すなわち、新規のアイテムに対しては、その新規のアイテムと類似する、関連性を既に求めているアイテムに設定されている関連情報と同じ関連情報がメタデータとして設定されることになる。
【００７７】
図８は、新規のアイテムの関連性を求める場合の例を示す図である。
【００７８】
図８は、テレビジョン番組の新規アイテムである新規アイテム１乃至３００００の情報と、本の新規アイテムである新規アイテム１乃至４０００の情報が入力された場合の例を示している。
【００７９】
図８の例においては、テレビジョン番組の新規アイテム１、新規アイテム２と類似する、他の領域のアイテムとの関連性を既に求めているテレビジョン番組のアイテムはアイテム２とされている。この場合、テレビジョン番組の新規アイテム１、新規アイテム２には、テレビジョン番組のアイテム２と関連性のある本のアイテムと関連性のあることを表す関連情報がメタデータとして設定される。
【００８０】
一方、本の新規アイテム１、新規アイテム４０００と類似する、他の領域のアイテムとの関連性を既に求めているアイテムはアイテム３とされている。この場合、本の新規アイテム１、新規アイテム４０００には、本のアイテム３と関連性のあるテレビジョン番組のアイテムと関連性のあることを表す関連情報がメタデータとして設定される。
【００８１】
図１の説明に戻り、登録情報取得部１７は、サーバ１により実現される推薦システムにおいてユーザの嗜好を表す情報である登録情報を取得する。例えば、クライアントのユーザは、推薦システムの利用にあたっての初期登録時や登録内容の変更時などに、各領域についての属性の好みをクライアントに対して入力する。クライアントにおいては、ユーザを識別するための識別情報と、所定の領域におけるユーザの好みの属性とを表す登録情報が生成され、サーバ１に対して送信される。
【００８２】
具体的には、例えば、クライアントのユーザは、推薦システムへの初期登録時に、領域としてのテレビジョン番組において好みのジャンル（属性）であるドラマとバラエティを選択（登録）する。クライアントにおいては、そのユーザの識別情報と、テレビジョン番組におけるユーザの好みのジャンルであるドラマおよびバラエティを表す登録情報が生成され、サーバ１に対して送信される。
【００８３】
なお、サーバ１に対する入力デバイスとして設けられるマウスやリモートコントローラなどがサーバ１の管理者により操作されることによって登録情報が入力されるようにしてもよい。
【００８４】
登録情報取得部１７は、クライアントから送信されてきた登録情報や、入力された登録情報を取得し、取得した登録情報を登録情報DB１８に記憶させる。
【００８５】
複数のクライアントから登録情報が送信されてくることにより、サーバ１においては、複数のユーザについての登録情報が収集され、登録情報DB１８に記憶されることになる。
【００８６】
また、登録情報取得部１７は、登録情報が登録情報DB１８に記憶されている所定のユーザによるアイテムの推薦の要求に応じて、そのユーザについての登録情報（以下、ユーザ登録情報という）を登録情報DB１８から取得し、登録数比較部２０に供給する。
【００８７】
平均登録数算出部１９は、所定のユーザによるアイテムの推薦の要求に応じて、登録情報DB１８に記憶されている全ユーザの登録情報を取得し、各領域について、全ユーザの登録情報における、属性の登録数の平均値である平均登録数を算出する。
【００８８】
より具体的には、例えば、平均登録数算出部１９は、登録情報DB１８に記憶されている全ユーザの登録情報における、テレビジョン番組についてのジャンル、関連情報、地域、値段毎の平均登録数を算出する。同様に、平均登録数算出部１９は、本、音楽などの他の領域についての属性（ジャンル、関連人物、地域、値段）毎の平均登録数を算出する。
【００８９】
平均登録数算出部１９は、算出した平均登録数を登録数比較部２０に供給する。
【００９０】
登録数比較部２０は、登録情報取得部１７からのユーザ登録情報における、各領域についての属性毎の登録数であるユーザ登録数と、平均登録数算出部１９からの平均登録数とを比較する。登録数比較部２０は、ユーザ登録情報において、平均登録数と比較してユーザ登録数の少ない（割合の小さい）属性を決定し、ユーザ登録情報におけるその属性を表す情報を推薦アイテム特定部２１に供給する。
【００９１】
例えば、ユーザ登録情報において、領域としてのテレビジョン番組におけるジャンルであるドラマおよびバラエティが登録されている場合、テレビジョン番組におけるジャンルのユーザ登録数は２となる。ここで、このようなユーザ登録数を含むユーザ登録情報において、属性毎の平均登録数と比較して、２であるジャンルのユーザ登録数が最も少ない場合、ドラマおよびバラエティを表す情報が推薦アイテム特定部２１に供給される。
【００９２】
このように、全ユーザの平均登録数と比較して、あるユーザのユーザ登録情報における所定の属性のユーザ登録数が少ない場合、ユーザの好みが、その領域（テレビジョン番組）における特定のジャンル（例えば、ドラマとバラエティ）に偏っており、その属性（ジャンル）への依存度が高いと言うことができる。
【００９３】
推薦アイテム特定部２１は、アイテムDB１５に記憶されている各アイテムのメタデータに基づいて、推薦を受けようとするユーザからの依存度が高い属性と関連性のある他の領域の属性のアイテムを推薦アイテムとして特定する。
【００９４】
例えば、平均登録数と比較して、テレビジョン番組におけるジャンルのユーザ登録数が最も少なく、登録数比較部２０からドラマおよびバラエティを表す情報が供給された場合、ドラマおよびバラエティのいずれかと関連性のある他の領域のジャンルのアイテムが推薦アイテムとして特定される。なお、ここで、ドラマと関連性のあるアイテムと、バラエティと関連性のあるアイテムとでは、図２で示された空間上の距離が近い方が推薦アイテムとして特定されるものとする。
【００９５】
より具体的には、例えば、アイテムDB１５における所定のアイテムのメタデータとして、テレビジョン番組のジャンルであるドラマと関連性のあるジャンルが、本のジャンルである文芸およびノンフィクション、音楽のジャンルであるJ-POP、ゲームのジャンルであるシミュレーションゲーム、といった関連情報が設定されている場合、本の領域においては、ドラマと関連性のある文芸がジャンルの文庫本が推薦アイテムとして特定され、音楽の領域においては、ドラマと関連性のあるJ-POPがジャンルのCDが推薦アイテムとして特定される。
【００９６】
推薦アイテム特定部２１は、推薦アイテムのタイトル、販売元などの情報をアイテムDB１５から読み出し、読み出したそれらの情報を送信部２２に出力する。
【００９７】
送信部２２は、推薦アイテム特定部２１から供給された情報を、推薦を受けようとするユーザが使うクライアントに対してインターネットなどのネットワークを介して送信する。送信部２２から送信された情報を受信したクライアントにおいては、推薦アイテムの情報をユーザに提示することが行われる。
【００９８】
なお、以上の例においては、属性としてジャンルを例にして説明してきたが、他の例として、例えば、関連人物を適用することもできる。
【００９９】
このとき、アイテムDB１５におけるそれぞれのアイテムには、関連性分析部１３により求められたジャンル間の関連性を表す関連情報の他に、関連人物間の関連性を表す関連情報がメタデータとして設定されている。なお、関連人物間の関連性は、ジャンル間の関連性と同様に、関連性分析部１３によって求められるものとする。
【０１００】
例えば、テレビジョン番組の出演者である○○太郎と関連性のある関連人物が、本の作者である○○花子および○×次郎、音楽の歌手である△△三郎、ゲームのプログラマである○△五郎、といった関連情報が、所定のアイテムのメタデータとして設定されているとする。
【０１０１】
ここで、あるユーザのユーザ登録情報において、全ユーザの平均登録数と比較して、テレビジョン番組の出演者のユーザ登録数が少ない場合、ユーザの好みが、その領域（テレビジョン番組）における特定の出演者（例えば、○○太郎と××花江）に偏っており、その属性（出演者）への依存度が高いと言うことができる。
【０１０２】
このような場合、推薦アイテム特定部２１においては、○○太郎および××花江のいずれかと関連性のある他の領域の関連人物のアイテムが推薦アイテムとして特定される。より具体的には、例えば、本の領域においては、○○太郎と関連性のある○○花子が作者の文庫本が推薦アイテムとして特定され、音楽の領域においては、○○太郎と関連性のある△△三郎が歌手のCDが推薦アイテムとして特定される。
【０１０３】
同様に、各領域についての、地域間の関連性を表す関連情報や、値段間の関連性を表す関連情報を用いることにより、ユーザからの依存度が高い地域や値段に関連性のあるアイテムが、領域を横断して推薦されるようになる。
【０１０４】
また、関連情報として、各領域についてのジャンル間や関連人物間など、同一属性間の関連性を表す関連情報以外に、各領域についての異なる属性間の関連性を表す関連情報を用いるようにすることもできる。例えば、テレビジョン番組のジャンルと本の作者との間の関連性を表す関連情報や、テレビジョン番組のジャンルと本の値段との間の関連性を表す関連情報が、アイテムDB１５におけるアイテムのメタデータとして設定されるようにしてもよい。
【０１０５】
例えば、テレビジョン番組のジャンルであるドラマと関連性のある属性が本の作者である○×次郎、といった関連情報が、所定のアイテムのメタデータとして設定されているとする。ここで、テレビジョン番組において、あるユーザの好みがドラマに偏っている場合、本の領域においては、ドラマと関連性のある○×次郎が作者の文庫本が推薦アイテムとして特定される。
【０１０６】
また、例えば、テレビジョン番組のジャンルであるバラエティと関連性のある属性が本の値段である廉価、といった関連情報が、所定のアイテムのメタデータとして設定されているとする。ここで、テレビジョン番組において、あるユーザの好みがドラマに偏っている場合、本の領域においては、ドラマと関連性のある廉価が値段の文庫本（すなわち、廉価な文庫本）が推薦アイテムとして特定される。
【０１０７】
なお、アイテムDB１５におけるアイテムには、上述した属性の組み合わせに限らず、全ての異なる属性間の関連性を表す関連情報を設定するようにできる。なお、これらの異なる属性間の関連性も、関連性分析部１３によって求められるものとする。
【０１０８】
また、推薦アイテム特定部２１の推薦アイテムの特定に用いられる関連情報における異なる属性の組み合わせは、登録数比較部２０が、ユーザ登録情報に基づいて、各領域における属性の好みの偏りを検知することで決定されるようにしてもよい。
【０１０９】
例えば、あるユーザのユーザ登録情報において、テレビジョン番組においては好みがドラマに偏っていて、本においては好みが○×次郎に偏っているような場合、登録数比較部２０は、テレビジョン番組のドラマ（ジャンル）と本における○×次郎（作者）とを、ユーザ登録数の少ない属性として決定する。推薦アイテム特定部２１においては、テレビジョン番組のジャンルと本の作者との間の関連性を表す関連情報に基づいて、ドラマと関連性のある○×次郎が作者である文庫本が推薦アイテムとして特定される。
【０１１０】
このようにして、サーバ１は、ユーザの嗜好に応じて、様々な属性のアイテムをユーザに推薦することができる。
【０１１１】
次に、以上のような構成を有するサーバ１の処理について説明する。
【０１１２】
［メタデータ設定処理］
はじめに、図９のフローチャートを参照して、メタデータを設定するサーバ１の処理について説明する。ここでは、関連情報を設定する対象となるアイテムは、新規のアイテムではない、ユーザにより評価が行われたアイテムであるものとする。
【０１１３】
ステップＳ１において、嗜好情報取得部１１は、アイテムに対するユーザの評価を表す嗜好情報を取得し、取得した嗜好情報を嗜好情報DB１２に記憶させる。
【０１１４】
ステップＳ２において、関連性分析部１３は、嗜好情報を嗜好情報DB１２から読み出して分析し、それぞれのユーザの評価に基づいてアイテム間の関連性を求める。ジャンル間の関連性を求める場合も同様に、ユーザの評価から求められたそれぞれのジャンルの評価や、ユーザにより入力されたそれぞれのジャンルの評価に基づいて分析が行われる。
【０１１５】
ステップＳ３において、メタデータ設定部１４は、関連性分析部１３により求められた関連性を表す関連情報をメタデータとして設定し、アイテムDB１５に記憶させる。その後、処理は終了される。
【０１１６】
嗜好情報が取得される毎に、アイテムの推薦を行う前の事前処理として以上の処理が行われることにより、複数の領域のそれぞれのアイテムに対して関連情報が設定されることになる。
【０１１７】
［新規アイテムに対するメタデータ設定処理］
次に、図１０のフローチャートを参照して、メタデータを設定するサーバ１の他の処理について説明する。ここでは、関連情報を設定する対象となるアイテムは新規のアイテムであるものとする。
【０１１８】
ステップＳ１１において、新規アイテム処理部１６は、ユーザによる評価が得られていない新規のアイテムの情報を取得する。取得される情報には、新規のアイテムのメタデータも含まれる。
【０１１９】
ステップＳ１２において、新規アイテム処理部１６は、メタデータの一致度に基づいて、新規のアイテムと類似する、関連性の分析済みのアイテムを特定する。また、新規アイテム処理部１６は、特定したアイテムと同じ空間上の位置に新規のアイテムをマッピングし、新規のアイテムと関連性のある他の領域のアイテムを求める。
【０１２０】
ステップＳ１３において、メタデータ設定部１４は、新規のアイテムのメタデータとして、新規アイテム処理部１６により求められた、新規のアイテムと類似する関連性の分析済みのアイテムに設定されている関連情報と同じ関連情報を設定し、アイテムDB１５に記憶させる。その後、処理は終了される。
【０１２１】
［アイテムの推薦処理］
次に、図１１のフローチャートを参照して、アイテムの推薦を行うサーバ１の推薦処理について説明する。この処理は、例えば、クライアントのユーザによりアイテムの推薦が要求されたときに開始される。
【０１２２】
ステップＳ２１において、登録情報取得部１７は、アイテムの推薦を要求したユーザについてのユーザ登録情報を登録情報DB１８から取得し、登録数比較部２０に供給する。
【０１２３】
ステップＳ２２において、平均登録数算出部１９は、登録情報DB１８に記憶されている全ユーザの登録情報を取得し、各領域について、全ユーザの登録情報における、属性の登録数の平均値（平均登録数）を算出し、登録数比較部２０に供給する。
【０１２４】
ステップＳ２３において、登録数比較部２０は、登録情報取得部１７からのユーザ登録情報において、平均登録数算出部１９からの平均登録数と比較してユーザ登録数の少ない属性を決定する。登録数比較部２０は、ユーザ登録情報においてユーザ登録数が少ないと決定された属性を表す情報を推薦アイテム特定部２１に供給する。
【０１２５】
ステップＳ２４において、推薦アイテム特定部２１は、アイテムDB１５に記憶されている各アイテムのメタデータに基づいて、登録数比較部２０からの情報で表わされる、ユーザ登録情報において平均登録数と比較してユーザ登録数が少ないと決定された属性のいずれかと関連性のある他の領域の属性のアイテムを推薦アイテムとして特定する。推薦アイテム特定部２１は、推薦アイテムの情報を送信部２２に出力する。
【０１２６】
ステップＳ２５において、送信部２２は、推薦アイテム特定部２１から供給された情報をクライアントに送信し、処理を終了させる。
【０１２７】
上述した処理は、アイテムの推薦が要求される毎に行われ、ユーザに対して推薦アイテムが順次提示される。
【０１２８】
以上の処理によれば、アイテムに対するユーザの評価に基づいて異なる領域に属するアイテムの属性間の関連性を求めることができる。また、ユーザの依存度が高い属性と関連性のある他の領域のアイテムを推薦アイテムとして特定することができる。したがって、領域を横断した形で、ユーザの嗜好によりマッチしたアイテムを推薦することが可能となる。これにより、推薦システムにおいては、ユーザの好みに近いと思われるアイテムがユーザに対して提示されるので、アイテムの購買率や、推薦システムへのアクセス率を上げることができる。
【０１２９】
以上においては、所定のユーザの登録情報と全ユーザの登録情報とを比較することで、ユーザの依存度が高い属性を決めるようにしたが、ユーザの登録情報とユーザのアイテムへのアクセスの履歴とに基づいて、ユーザの依存度が高い属性を決めるようにもできる。
【０１３０】
［推薦システムの他の構成例］
図１２は、推薦システムの他の構成例を示すブロック図である。図１２に示される構成のうち、図１に示される構成と同じ構成には同じ符号を付してあり、重複する説明については適宜省略する。
【０１３１】
図１２に示されるサーバ１の構成は、平均登録数算出部１９、登録数比較部２０、および推薦アイテム特定部２１に代わり、履歴情報DB３１、一致度算出部３２、および推薦アイテム特定部３３が設けられている点で図１のサーバ１の構成と異なる。
【０１３２】
履歴情報DB３１は、推薦システムとしてのサーバ１に対するユーザからのアクセスの履歴を表す履歴情報を記憶している。ここで、ユーザからのアクセスとは、ユーザによるアイテムの予約・購買や、アイテムの詳細説明の閲覧など、ユーザのアイテムに対するアクセスを示している。履歴情報は、ユーザを識別するための識別情報と、ユーザがアクセスしたアイテムおよびそのメタデータとしての属性を表すアクセス情報とを含むように構成され、アクセス情報は、ユーザがアイテムにアクセスする毎に更新される。
【０１３３】
一致度算出部３２は、登録情報取得部１７からのユーザ登録情報に登録されている属性と、履歴情報DB３１に記憶されている、推薦を受けようとするユーザについての履歴情報におけるアイテムの属性との一致度を、各領域の属性毎に算出し、その属性を表す情報とともに推薦アイテム特定部３３に供給する。
【０１３４】
ここで、一致度は、例えば、ユーザ登録情報に登録されているテレビジョン番組のジャンルと、履歴情報における、ユーザの視聴したアイテム（番組）のジャンルとにおいて、同一のジャンルの数が多いほど大きい値となる。例えば、ユーザ登録情報において、テレビジョン番組の領域のジャンルとしてドラマおよびバラエティが登録されている場合、ユーザが視聴した番組の視聴回数が、ドラマ５回、バラエティ３回であったとすると、バラエティの一致度よりドラマの一致度の方が大きい値となる。
【０１３５】
このように、ユーザ登録情報に登録されている属性と、履歴情報におけるアイテムの属性との一致度が高いほど、ユーザの好みが初期登録時（または登録変更時）から変わらず、その領域（テレビジョン番組）におけるそのジャンルに偏っており、その属性（ジャンル）への依存度が高いと言うことができる。
【０１３６】
推薦アイテム特定部３３は、アイテムDB１５に記憶されている各アイテムのメタデータに基づいて、一致度算出部３２からの一致度において、所定の値より大きい一致度についての属性と関連性のある他の領域の属性のアイテムを推薦アイテムとして特定する。
【０１３７】
例えば、ユーザ登録情報に登録されているテレビジョン番組のジャンルと、履歴情報における、ユーザの視聴した番組のジャンルとの一致度が所定の値より大きい場合、その一致度の大きいジャンル（例えば、ドラマとバラエティ）のうちの視聴回数の多いアイテムのジャンルと関連性のある他の領域のジャンルのアイテムが推薦アイテムとして特定される。
【０１３８】
なお、以上の例においても、属性としてジャンルを例に説明してきたが、他の属性を適用するようにしてももちろんよい。
【０１３９】
推薦アイテム特定部３３は、推薦アイテムのタイトル、販売元などの情報をアイテムDB１５から読み出し、読み出したそれらの情報を送信部２２に出力する。
【０１４０】
［アイテムの推薦処理］
次に、図１３のフローチャートを参照して、アイテムの推薦を行う、図１２のサーバ１の推薦処理について説明する。この処理は、例えば、クライアントのユーザによりアイテムの推薦が要求されたときに開始される。
【０１４１】
ステップＳ３１において、登録情報取得部１７は、アイテムの推薦を要求したユーザについてのユーザ登録情報を登録情報DB１８から取得し、一致度算出部３２に供給する。
【０１４２】
ステップＳ３２において、一致度算出部３２は、登録情報取得部１７からのユーザ登録情報に登録されている属性と、履歴情報DB３１に記憶されている、アイテムの推薦を要求したユーザについての履歴情報におけるアイテムの属性との一致度を算出する。一致度算出部３２は、算出した一致度を推薦アイテム特定部３３に供給する。
【０１４３】
ステップＳ３３において、推薦アイテム特定部３３は、一致度算出部３２からの一致度について、所定の値より大きい一致度の属性があるか否かを判定する。
【０１４４】
ステップＳ３３において、所定の値より大きい一致度の属性があると判定された場合、処理はステップＳ３４に進む。ステップＳ３４において、推薦アイテム特定部３３は、アイテムDB１５に記憶されている各アイテムのメタデータに基づいて、一致度が所定の値より大きい（例えば、最も一致度の高い）属性と関連性のある他の領域の属性のアイテムを推薦アイテムとして特定する。推薦アイテム特定部３３は、推薦アイテムの情報を送信部２２に出力する。
【０１４５】
一方、ステップＳ３３において、所定の値より大きい一致度の属性がないと判定された場合、処理はステップＳ３５に進む。ステップＳ３５において、推薦アイテム特定部３３は、例えば、アイテムDB１５に記憶されている各アイテムにおいて人気度の最も高いアイテムを推薦アイテムとして特定し、その推薦アイテムの情報を送信部２２に出力する。
【０１４６】
ステップＳ３５において、送信部２２は、推薦アイテム特定部３３から供給された情報をクライアントに送信し、処理を終了させる。
【０１４７】
上述した処理は、アイテムの推薦が要求される毎に行われ、ユーザに対して推薦アイテムが順次提示される。
【０１４８】
なお、推薦システムにおけるユーザの初期登録直後においては、そのユーザについての履歴情報は存在しないため、上述のステップＳ３４において、アイテムDB１５に記憶されている各アイテムにおいて人気度の最も高いアイテムが推薦アイテムとして特定される。
【０１４９】
また、ステップＳ３４においては、所定の値より大きい一致度の属性と関連性のある他の領域の属性のアイテムが推薦アイテムとして特定されるようにしたが、例えば、所定の値より大きい一致度の属性の領域内で人気度の最も高いアイテムが推薦アイテムとして特定されるようにしてもよい。
【０１５０】
以上の処理によれば、アイテムに対するユーザの評価に基づいて異なる領域に属するアイテムの属性間の関連性を求めることができる。また、ユーザの依存度が高い属性と関連性のある他の領域のアイテムを推薦アイテムとして特定することができる。したがって、領域を横断した形で、ユーザの嗜好によりマッチしたアイテムを推薦することが可能となる。これにより、推薦システムにおいては、ユーザの好みに近いと思われるアイテムがユーザに対して提示されるので、アイテムの購買率や、推薦システムへのアクセス率を上げることができる。
【０１５１】
以上においては、ユーザの登録情報と履歴情報とにおける属性に基づいて、ユーザの依存度が高い属性を決めるようにしたが、一致度算出部３２が、履歴情報におけるアイテムのメタデータとしての属性と、アイテムの視聴中にユーザが示す表出（独り言や対話などの発話）から抽出される属性についてのキーワードとの一致度を算出することにより、ユーザの依存度が高い属性を決めるようにしてもよい。ここでの一致度は、履歴情報におけるアイテムの属性と、ユーザが示す表出から抽出されるキーワードとの距離として求められる。
【０１５２】
これにより、例えば、初期登録時からユーザの嗜好が変化した場合であっても、リアルタイムにユーザの嗜好に応じた属性を抽出し、その属性と関連性のあるアイテムの推薦を実現することが可能となる。
【０１５３】
上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、専用のハードウエアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な汎用のパーソナルコンピュータなどに、プログラム記録媒体からインストールされる。
【０１５４】
図１４は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。
【０１５５】
CPU(Central Processing Unit)５１、ROM(Read Only Memory)５２、RAM(Random Access Memory)５３は、バス５４により相互に接続されている。
【０１５６】
バス５４には、さらに、入出力インタフェース５５が接続されている。入出力インタフェース５５には、キーボード、マウス、マイクロフォンなどよりなる入力部５６、ディスプレイ、スピーカなどよりなる出力部５７、ハードディスクや不揮発性のメモリなどよりなる記憶部５８、ネットワークインタフェースなどよりなる通信部５９、光ディスクや半導体メモリなどのリムーバブルメディア６１を駆動するドライブ６０が接続されている。
【０１５７】
以上のように構成されるコンピュータでは、CPU５１が、例えば、記憶部５８に記憶されているプログラムを入出力インタフェース５５及びバス５４を介してRAM５３にロードして実行することにより、上述した一連の処理が行われる。
【０１５８】
CPU５１が実行するプログラムは、例えばリムーバブルメディア６１に記録して、あるいは、ローカルエリアネットワーク、インターネット、デジタル放送といった、有線または無線の伝送媒体を介して提供され、記憶部５８にインストールされる。
【０１５９】
なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。
【０１６０】
本発明の実施の形態は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。
【符号の説明】
【０１６１】
１ サーバ， １１ 嗜好情報取得部， １２ 嗜好情報DB， １３ 関連性分析部， １４ メタデータ設定部， １５ アイテムDB， １６ 新規アイテム処理部， １７ 登録情報取得部， １８ 登録情報DB， １９ 平均登録数算出部， ２０ 登録数比較部， ２１ 推薦アイテム特定部， ２２ 送信部， ３１ 履歴情報DB， ３２ 一致度算出部， ３３ 推薦アイテム特定部
【技術分野】
【０００１】
本発明は、情報処理装置、情報処理方法、およびプログラムに関し、特に、領域を横断した形で、ユーザの嗜好によりマッチしたアイテムを推薦することができるようにした情報処理装置、情報処理方法、およびプログラムに関する。
【背景技術】
【０００２】
近年、料理の本が選択されたことに応じて新製品の鍋をユーザに薦めるといったような、基準となるアイテムと異なる領域に属するアイテムを推薦するWebサービスが出てきている。
【０００３】
通常、領域を横断した形でアイテムを推薦するこのようなサービスは、推薦のルールがあらかじめ決められていてルールベースで実現されるか、購買履歴などの多くのユーザの履歴に基づいて協調フィルタリングによって実現される。
【０００４】
後者の問題点としては、かなり多くのユーザの履歴がないと、サービスがうまく働かないことが挙げられる。つまり、複数の領域を横断するアイテム間の関連性自体を多くのユーザの履歴によって明らかにしておく必要がある。
【０００５】
一方、テレビジョン番組などのあるコンテンツが選択されたときに、そのコンテンツに設定されているキーワードと同じキーワードがメタデータとして設定されているアイテムを関連コンテンツとして推薦する技術がある。この技術によれば、ユーザがあるテレビジョン番組を選択した場合、そのテレビジョン番組の出演者と同じ人が出演する映画を収録したDVD(Digital Versatile Disc)が推薦されたりすることになる。
【０００６】
この技術の問題点としては、キーワードが一致するコンテンツがない場合、関連コンテンツを推薦することできないことが挙げられる。
【０００７】
そこで、ユーザの評価に基づいてアイテム間の関連性を求め、領域を横断した形でアイテムを推薦する手法が提案されている（特許文献１参照）。
【先行技術文献】
【特許文献】
【０００８】
【特許文献１】特開２００９−１４００４２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００９】
しかしながら、特許文献１の手法では、ユーザの嗜好の偏りを考慮してアイテムを推薦することはできなかった。
【００１０】
本発明はこのような状況に鑑みてなされたものであり、領域を横断した形で、ユーザの嗜好によりマッチしたアイテムを推薦することができるようにするものである。
【課題を解決するための手段】
【００１１】
本発明の一側面の情報処理装置は、それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求める分析手段と、前記分析手段による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定手段と、所定のユーザの嗜好に応じた属性が登録されている登録情報を取得する取得手段と、前記関連情報に基づいて、前記取得手段によって取得された前記登録情報に登録されている属性であって、前記所定のユーザの依存度が高い属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦手段とを備える。
【００１２】
前記情報処理装置には、複数の前記ユーザの前記登録情報に登録されている前記属性の登録数の平均値である平均登録数を算出する平均登録数算出手段と、前記取得手段によって取得された前記所定のユーザの前記登録情報に登録されている前記属性の登録数であるユーザ登録数と、前記平均登録数算出手段によって算出された前記平均登録数とを比較する比較手段とをさらに設け、前記推薦手段には、前記関連情報に基づいて、前記所定のユーザの前記登録情報において前記平均登録数に比して前記ユーザ登録数が少ない前記属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定させることができる。
【００１３】
前記情報処理装置には、前記取得手段によって取得された前記所定のユーザの前記登録情報に登録されている前記属性と、前記所定のユーザが過去にアクセスしたアイテムの属性との一致度を算出する一致度算出手段をさらに設け、前記推薦手段には、前記関連情報に基づいて、所定の値より大きい前記一致度の前記属性と関連性のある、前記属性の前記アイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定させることができる。
【００１４】
前記一致度算出手段には、前記所定のユーザが過去にアクセスした前記アイテムの属性と、前記所定のユーザが過去に前記アイテムにアクセスしたときの、前記ユーザの表出から抽出される属性との一致度を算出させ、前記推薦手段には、前記関連情報に基づいて、所定の値より大きい前記一致度の前記属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定させることができる。
請求項３に記載の情報処理装置。
【００１５】
本発明の一側面の情報処理方法は、それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求める分析ステップと、前記分析ステップの処理による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定ステップと、所定のユーザの嗜好に応じた属性が登録されている登録情報を取得する取得ステップと、前記関連情報に基づいて、前記取得ステップの処理によって取得された前記登録情報に登録されている属性であって、前記所定のユーザの依存度が高い属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦ステップとを含む。
【００１６】
本発明の一側面のプログラムは、それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求める分析ステップと、前記分析ステップの処理による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定ステップと、所定のユーザの嗜好に応じた属性が登録されている登録情報を取得する取得ステップと、前記関連情報に基づいて、前記取得ステップの処理によって取得された前記登録情報に登録されている属性であって、前記所定のユーザの依存度が高い属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦ステップとを含む処理をコンピュータに実行させる。
【００１７】
本発明の一側面においては、それぞれ異なる領域に属するアイテム同士の属性の関連性が、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求められ、分析によって求められた関連性を表す情報である関連情報がそれぞれのアイテムにメタデータとして設定され、所定のユーザの嗜好に応じた属性が登録されている登録情報が取得され、関連情報に基づいて、取得された登録情報に登録されている属性であって、所定のユーザの依存度が高い属性と関連性のある、属性のアイテムが属する領域とは異なる領域に属するアイテムが推薦アイテムとして特定される。
【発明の効果】
【００１８】
本発明の一側面によれば、領域を横断した形で、ユーザの嗜好によりマッチしたアイテムを推薦することが可能となる。
【図面の簡単な説明】
【００１９】
【図１】本発明の一実施の形態に係る推薦システムの構成例を示すブロック図である。
【図２】ジャンルのマッピングの例を示す図である。
【図３】ジャンル間の関連性の例を示す図である。
【図４】ジャンル間の関連性の例を示す図である。
【図５】ユーザの評価の例を示す図である。
【図６】次元圧縮を行うことによって得られた各次元の値の例を示す図である。
【図７】グループ間の関連性の例を示す図である。
【図８】新規のアイテムの関連性の例を示す図である。
【図９】サーバのメタデータ設定処理について説明するフローチャートである。
【図１０】サーバの他のメタデータ設定処理について説明するフローチャートである。
【図１１】サーバの推薦処理について説明するフローチャートである。
【図１２】推薦システムの他の構成例を示すブロック図である。
【図１３】図１２のサーバの推薦処理について説明するフローチャートである。
【図１４】コンピュータのハードウエアの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】
【００２０】
以下、本発明の実施の形態について図を参照して説明する。
【００２１】
［推薦システムの構成例］
図１は、本発明の一実施の形態に係る推薦システムの構成例を示すブロック図である。
【００２２】
図１に示されるように、推薦システムはサーバ１によって実現される。
【００２３】
サーバ１は、嗜好情報取得部１１、嗜好情報DB１２、関連性分析部１３、メタデータ設定部１４、アイテムDB１５、新規アイテム処理部１６、登録情報取得部１７、登録情報DB１８、平均登録数算出部１９、登録数比較部２０、推薦アイテム特定部２１、および送信部２２から構成される。
【００２４】
後に詳述するように、サーバ１においては、アイテムに対するユーザの評価に基づいて、それぞれ異なる領域に属するアイテム同士の関連性が求められ、求められた関連性を表す情報が、それぞれのアイテムにメタデータとして設定される。
【００２５】
ここで、領域には、テレビジョン番組、本、音楽、ゲームなどが含まれる。アイテムは、各テレビジョン番組、週刊誌、文庫本などの各本、ダウンロード用の音楽コンテンツ、音楽コンテンツを収録したCDなどの各音楽、ダウンロード用のゲームコンテンツ、ゲームコンテンツを収録した記録媒体などの各ゲームとなる。
【００２６】
設定されたメタデータは、ユーザに推薦するアイテムを特定するのに用いられる。例えば、ユーザの好みの所定のテレビジョン番組を基準として、基準となるテレビジョン番組と関連性のある、本や音楽などの他の領域のアイテムが推薦アイテムとして特定される。推薦アイテムの情報は、アイテムの推薦を受けるユーザが利用するクライアントに対して送信される。
【００２７】
すなわち、サーバ１は、領域を横断した形でアイテムの推薦を行う装置である。サーバ１には、パーソナルコンピュータなどの複数の端末がクライアントとしてネットワークを介して接続される。
【００２８】
サーバ１の嗜好情報取得部１１は、アイテムに対するユーザの評価を表す嗜好情報を取得する。例えば、クライアントのユーザは、テレビジョン番組の視聴を終えた後や本を読み終えた後などに、アイテムの評価をクライアントに対して入力する。クライアントにおいては、ユーザの評価と、どのアイテムに対する評価であるのかを表す嗜好情報が生成され、サーバ１に対して送信される。評価の対象となるアイテムについては、領域、属性、キーワード、販売元などの各種のメタデータが、サンプリングされることによってサーバ１により取得されている。
【００２９】
サーバ１に対する入力デバイスとして設けられるマウスやリモートコントローラなどがサーバ１の管理者により操作されることによって嗜好情報が入力されるようにしてもよい。
【００３０】
嗜好情報取得部１１は、クライアントから送信されてきた嗜好情報や、入力された嗜好情報を取得し、取得した嗜好情報を嗜好情報DB１２に記憶させる。
【００３１】
複数のクライアントから嗜好情報が送信されてくることにより、サーバ１においては、複数の領域のアイテムに対する評価を表す嗜好情報が収集され、嗜好情報DB１２に記憶されることになる。
【００３２】
関連性分析部１３は、嗜好情報を嗜好情報DB１２から読み出して分析し、それぞれのユーザの評価に基づいて、アイテム間、アイテムの属性（Attribute）間などの、あるアイテムを基準として他のアイテムを特定するのに参照される、アイテムに関する関連性を求める。
【００３３】
ここで、アイテムの属性は、そのアイテムが属する領域において、アイテムのカテゴリを決めるためのものであり、具体的には、ジャンル、関連人物、地域、値段などがある。
【００３４】
例えば、属性としてのジャンルには、テレビジョン番組の領域において、ドラマ、ニュース、教養、バラエティなどがあり、本の領域において、文芸、ノンフィクション、実用、芸能等などある。また、音楽の領域においては、J-POP、クラシック、ジャズ、ロックなどがあり、ゲームの領域においては、ロールプレイングゲーム、シミュレーションゲーム、スポーツゲーム、アクションゲームなどがある。
【００３５】
また、例えば、属性としての関連人物には、テレビジョン番組の領域において、出演者、スタッフなどがあり、本の領域において、作者、翻訳者などがある。また、音楽の領域においては、歌手、作曲者などがあり、ゲームの領域においては、プログラマ、デザイナなどがある。
【００３６】
さらに、例えば、属性としての地域には、テレビジョン番組の領域において、放送地域などがあり、本の領域において、作者の出身地などがある。また、音楽の領域においては、歌手の出身地などがあり、ゲームの領域においては、ゲーム中の町並みのモデルとなったモデル地域などがある。
【００３７】
また、例えば、属性としての値段には、本、音楽、ゲームの各領域においては、高価および廉価などがあり、テレビジョン番組の領域においては存在しない。
【００３８】
このように、それぞれの属性には、各領域においてアイテムをカテゴライズするための項目が与えられており、本実施の形態の推薦システムにおいては、各領域における属性の項目間の関連性を求めて、他の領域のアイテムを推薦することができる。
【００３９】
なお、以降においては、属性としてジャンルを例にして説明するが、関連人物、地域、値段など、他の属性を適用するようにしてももちろんよい。
【００４０】
例えば、関連性分析部１３は、図２に示されるように、異なる領域に属するそれぞれのジャンルをユーザの評価に基づいて１つの空間にマッピングし、それぞれのジャンル間の関連性を求める。評価が似ているために関連性のあるジャンル間の空間上の距離は近いものになり、評価が似ていないために関連性のないジャンル間の空間上の距離は遠いものになる。
【００４１】
ジャンルに対する評価は、それぞれのジャンルに属するアイテムに対するユーザの評価に基づいてサーバ１により求められるようにしてもよいし、ジャンルに対する評価がユーザにより直接入力されるようにしてもよい。
【００４２】
図２の例において、点ｔ1，ｔ2はテレビジョン番組（TV）のジャンルの空間上の位置を表す。点ｂ1乃至ｂ5は本のジャンルの空間上の位置を表し、点ｍ1乃至ｍ4は音楽のジャンルの空間上の位置を表す。
【００４３】
例えば、点ｔ1と点ｂ3の距離が近いことは、点ｔ1によって位置が表されるテレビジョン番組のジャンル１と、点ｂ3によって位置が表される本のジャンル２が、それぞれのジャンルに対する評価、または、それぞれのジャンルに属するアイテムに対する評価が似ていることを表す。
【００４４】
図３に示されるように、関連性分析部１３は、ある領域のそれぞれのジャンルを基準として、他の領域のそれぞれのジャンルとの関連性を求める。図３の例においては、テレビジョン番組のジャンル１と本のジャンル２は関連性があり、テレビジョン番組のジャンル３と本のジャンル１は関連性があるものとされている。
【００４５】
テレビジョン番組と本の間だけでなく、他の領域間についても、関連性分析部１３によりジャンルについての関連性が求められる。
【００４６】
図４は、ジャンル間の関連性の例を示す図である。
【００４７】
図４の例においては、テレビジョン番組のジャンル１と関連性のあるジャンルは、本のジャンル２，１０，２７、音楽のジャンル７，１４，３０、ゲームの所定のジャンルとされている。テレビジョン番組のジャンル２についても同様に、他の領域のジャンルとの関連性が求められている。
【００４８】
以上のような関連性は、例えば、主成分分析、正準相関分析、カテゴリカル主成分分析がユーザの評価を対象として行われ、得られたアイテムの得点、ジャンルの得点から求められる。
【００４９】
図５は、ユーザの評価の例を示す図である。
【００５０】
図５の例においては、ある領域のアイテム１に対するユーザＡの評価は５段階評価のうちの５の評価とされ、ユーザＢの評価は１の評価とされている。ユーザＣの評価は４の評価とされている。同様に、アイテム２に対するユーザＡ乃至Ｃの評価はいずれも２の評価とされている。アイテム３に対するユーザＡとユーザＢの評価は４の評価とされ、ユーザＣの評価は５の評価とされている。
【００５１】
このような評価を対象として例えば主成分分析が行われることによって、似ている評価のパターンがまとめられ、次元圧縮が行われる。図５の例において、アイテム１乃至３に対するユーザＡの評価とユーザＣの評価はそのパターンが似ている。
【００５２】
図６は、図５の評価を対象として次元圧縮を行うことによって得られた各次元の値の例を示す図である。
【００５３】
図６の例においては、アイテム１の次元１，２，３の値は、それぞれ、０．１２，０．３４，０．６２とされている。このような各次元の値が主成分分析によって求められ、各次元を軸とする空間上に各アイテムや各ジャンルがマッピングされることによって、図２を参照して説明したように、それぞれのアイテム間、ジャンル間の距離が求められる。
【００５４】
分析する次元の数は、任意の数、１以上の固有値に相当する数、寄与率が大きく下がる直前の数、累積寄与率が一定以上となる数とすることが可能である。
【００５５】
固有値は主成分の分散に対応し、その主成分がどの程度、元の情報（変量）を保持しているかを表す。元の変量の分散が１に標準化されていれば、固有値は、主成分が元の変量何個分の情報を持つのかを表す。固有値が１以下のとき、元の変量以下の情報しかないということになり、主成分としての意味がなくなる。
【００５６】
寄与率は、ある主成分によって表される情報が、全ての情報の中で、どの位の割合の量を占めるのかを表す。累積寄与率は、各主成分の寄与率を大きい順に加算したものであり、寄与率を加算した主成分までで、元の情報のうちのどのくらいの量の情報が表されるのかを表す（通常、７０〜８０％程度を表す次元までが採用される）。
【００５７】
ユーザの評価を分析するのに用いられる正準相関分析は、各変数群において、変数に重み（重み係数）をつけて足し合わせた変量（正準変量）を考え、正準変量同士の相関関係（正準相関係数）を最大にするような重み係数を求める分析手法である。この場合、主成分得点ではなく、空間上の距離を求めるのに重み変数が用いられる。
【００５８】
カテゴリカル主成分分析も、主成分分析と同様に、似たような評価のパターンをまとめて分析を行う手法である。
【００５９】
対象とするＫ個全ての領域のアイテムの評価をまとめて分析するようにしてもよいし、Ｋ個のうちの２個の領域のアイテムの評価だけを取り出し、２領域間の関係を求め、それを組み合わせの数だけ実行することによってＫ個全ての領域のアイテム間の関連性を分析するようにしてもよい。
【００６０】
前者の場合、例えば、対象となる領域としてテレビジョン番組、本、音楽の３領域があったとき、それぞれの領域のアイテム全ての評価をひとまとめにして分析が行われ、それぞれのアイテムが図２に示されるような、１つの空間上にマッピングされる。求められた各アイテムの主成分得点が、ひとまとめにした空間上の位置を表す座標として用いられる。この場合、全ての領域のアイテムを１つの空間にマッピングすることができるので、アイテム間の関連性は１つの空間上で求めることが可能となる。
【００６１】
後者の場合、例えば、対象となる領域としてテレビジョン番組、本、音楽、映画の４領域があったとき、テレビジョン番組と本、テレビジョン番組と音楽、テレビジョン番組と映画、本と音楽、本と映画、音楽と映画のそれぞれの組み合わせでアイテムの評価が取り出され、取り出されたそれぞれの評価を対象として分析が行われる。
【００６２】
テレビジョン番組の各アイテムに対する評価と本の各アイテムに対する評価を分析し、各アイテムをマッピングして得られたテレビジョン番組−本関連性空間からは、テレビジョン番組のアイテムと本のアイテムの関連性が求められ、テレビジョン番組の各アイテムに対する評価と音楽の各アイテムに対する評価を分析し、各アイテムをマッピングして得られたテレビジョン番組−音楽関連性空間からは、テレビジョン番組のアイテムと音楽のアイテムの関連性が求められる。
【００６３】
同様にして、テレビジョン番組のアイテムと映画のアイテムの関連性、本のアイテムと音楽のアイテムの関連性、本のアイテムと映画のアイテムの関連性、音楽のアイテムと映画のアイテムの関連性がそれぞれ求められる。
【００６４】
なお、図３に示されるようにジャンル間の関連性を求める場合、それぞれの領域のジャンルを所定の数のグループに分類し、グループ間の関連性を求めるようにしてもよい。
【００６５】
図７は、グループ間の関連性を求める場合の例を示す図である。
【００６６】
図７の例においては、テレビジョン番組のジャンル１とジャンル２がジャンルグループ１として分類されている。テレビジョン番組の他のジャンルも同様に、所定のジャンルグループに分類されている。
【００６７】
一方、本のジャンル１とジャンル２がジャンルグループ３として分類されている。本の他のジャンルも同様に、所定のジャンルグループに分類されている。ジャンルグループの分類（クラスタリング）は、例えば、各ジャンルに対する評価の相関値に基づいて特定される。
【００６８】
このようにして分類されたジャンルグループ同士の関連性が上述したような主成分分析や正準相関分析により求められ、図７に示されるように、テレビジョン番組のジャンルグループ１と関連性のあるジャンルグループとして本のジャンルグループ２が特定される。また、テレビジョン番組のジャンルグループ２と関連性のあるジャンルグループとして本のジャンルグループ１０が特定され、テレビジョン番組のジャンルグループ３と関連性のあるジャンルグループとして本のジャンルグループ２が特定される。
【００６９】
以上のようにして求められた関連性を表す情報は、関連性分析部１３からメタデータ設定部１４に供給される。
【００７０】
メタデータ設定部１４は、関連性分析部１３により求められた関連性を表す情報である関連情報を、それぞれのアイテムのメタデータとして設定し、アイテムDB１５に記憶させる。ジャンル間（属性間）の関連性を表す情報がメタデータとしてアイテムに設定される場合、そのアイテムのジャンル（属性）と関連性のある他の領域のジャンル（属性）を表す図４に示されるような情報が設定される。
【００７１】
また、メタデータ設定部１４は、新規アイテム処理部１６により求められた関連性を表す関連情報を新規のアイテムのメタデータとして設定し、アイテムDB１５に記憶させる。
【００７２】
新規アイテム処理部１６は、ユーザによる評価が得られていない新規のアイテムの情報が入力されたとき、新規のアイテムと類似する、関連性を既に求めているアイテムを関連情報以外のメタデータに基づいて特定する。例えば、新規アイテム処理部１６は、新規のアイテムのメタデータと、アイテムDB１５に記憶されている、関連性を既に求めているそれぞれのアイテムのメタデータとの一致度を求め、関連性を既に求めているアイテムのうち、一致度の最も大きいアイテムを新規のアイテムと類似するアイテムとして特定する。
【００７３】
ジャンルなどのように、一致度を求めるメタデータが密なメタデータである場合、コサイン距離や内積が求められ、求められた値が一致度として用いられる。メタデータとしてのジャンルは、その種類が限られ、十分に多いアイテムをジャンル毎に分けた場合には同じジャンルのアイテムが比較的多く見つかるため、密なメタデータといえる。
【００７４】
一方、キーワードや文章などのように、一致度を求めるメタデータが疎なメタデータである場合、PLSA(Probabilistic Latent Semantic Analysis)やLDA(Linear Discriminant Analysis)などで次元圧縮後、距離が求められ、求められた距離が一致度として用いられる。キーワードや文章は、その種類が多く、十分に多いアイテムを、同じキーワードや文章がメタデータとして設定されているもの毎に分けた場合には同じキーワードや文章がメタデータとして設定されているアイテムがあまり見つからないため、疎なメタデータといえる。
【００７５】
また、新規アイテム処理部１６は、ユーザによる評価が行われたアイテム同士の関連性が求められている場合、新規のアイテムと類似するものとして特定したアイテムと同じ空間上の位置に新規のアイテムをマッピングし、新規のアイテムと関連性のある他の領域のアイテムを求める。新規アイテム処理部１６は、求めたアイテムの情報をメタデータ設定部１４に出力する。
【００７６】
すなわち、新規のアイテムに対しては、その新規のアイテムと類似する、関連性を既に求めているアイテムに設定されている関連情報と同じ関連情報がメタデータとして設定されることになる。
【００７７】
図８は、新規のアイテムの関連性を求める場合の例を示す図である。
【００７８】
図８は、テレビジョン番組の新規アイテムである新規アイテム１乃至３００００の情報と、本の新規アイテムである新規アイテム１乃至４０００の情報が入力された場合の例を示している。
【００７９】
図８の例においては、テレビジョン番組の新規アイテム１、新規アイテム２と類似する、他の領域のアイテムとの関連性を既に求めているテレビジョン番組のアイテムはアイテム２とされている。この場合、テレビジョン番組の新規アイテム１、新規アイテム２には、テレビジョン番組のアイテム２と関連性のある本のアイテムと関連性のあることを表す関連情報がメタデータとして設定される。
【００８０】
一方、本の新規アイテム１、新規アイテム４０００と類似する、他の領域のアイテムとの関連性を既に求めているアイテムはアイテム３とされている。この場合、本の新規アイテム１、新規アイテム４０００には、本のアイテム３と関連性のあるテレビジョン番組のアイテムと関連性のあることを表す関連情報がメタデータとして設定される。
【００８１】
図１の説明に戻り、登録情報取得部１７は、サーバ１により実現される推薦システムにおいてユーザの嗜好を表す情報である登録情報を取得する。例えば、クライアントのユーザは、推薦システムの利用にあたっての初期登録時や登録内容の変更時などに、各領域についての属性の好みをクライアントに対して入力する。クライアントにおいては、ユーザを識別するための識別情報と、所定の領域におけるユーザの好みの属性とを表す登録情報が生成され、サーバ１に対して送信される。
【００８２】
具体的には、例えば、クライアントのユーザは、推薦システムへの初期登録時に、領域としてのテレビジョン番組において好みのジャンル（属性）であるドラマとバラエティを選択（登録）する。クライアントにおいては、そのユーザの識別情報と、テレビジョン番組におけるユーザの好みのジャンルであるドラマおよびバラエティを表す登録情報が生成され、サーバ１に対して送信される。
【００８３】
なお、サーバ１に対する入力デバイスとして設けられるマウスやリモートコントローラなどがサーバ１の管理者により操作されることによって登録情報が入力されるようにしてもよい。
【００８４】
登録情報取得部１７は、クライアントから送信されてきた登録情報や、入力された登録情報を取得し、取得した登録情報を登録情報DB１８に記憶させる。
【００８５】
複数のクライアントから登録情報が送信されてくることにより、サーバ１においては、複数のユーザについての登録情報が収集され、登録情報DB１８に記憶されることになる。
【００８６】
また、登録情報取得部１７は、登録情報が登録情報DB１８に記憶されている所定のユーザによるアイテムの推薦の要求に応じて、そのユーザについての登録情報（以下、ユーザ登録情報という）を登録情報DB１８から取得し、登録数比較部２０に供給する。
【００８７】
平均登録数算出部１９は、所定のユーザによるアイテムの推薦の要求に応じて、登録情報DB１８に記憶されている全ユーザの登録情報を取得し、各領域について、全ユーザの登録情報における、属性の登録数の平均値である平均登録数を算出する。
【００８８】
より具体的には、例えば、平均登録数算出部１９は、登録情報DB１８に記憶されている全ユーザの登録情報における、テレビジョン番組についてのジャンル、関連情報、地域、値段毎の平均登録数を算出する。同様に、平均登録数算出部１９は、本、音楽などの他の領域についての属性（ジャンル、関連人物、地域、値段）毎の平均登録数を算出する。
【００８９】
平均登録数算出部１９は、算出した平均登録数を登録数比較部２０に供給する。
【００９０】
登録数比較部２０は、登録情報取得部１７からのユーザ登録情報における、各領域についての属性毎の登録数であるユーザ登録数と、平均登録数算出部１９からの平均登録数とを比較する。登録数比較部２０は、ユーザ登録情報において、平均登録数と比較してユーザ登録数の少ない（割合の小さい）属性を決定し、ユーザ登録情報におけるその属性を表す情報を推薦アイテム特定部２１に供給する。
【００９１】
例えば、ユーザ登録情報において、領域としてのテレビジョン番組におけるジャンルであるドラマおよびバラエティが登録されている場合、テレビジョン番組におけるジャンルのユーザ登録数は２となる。ここで、このようなユーザ登録数を含むユーザ登録情報において、属性毎の平均登録数と比較して、２であるジャンルのユーザ登録数が最も少ない場合、ドラマおよびバラエティを表す情報が推薦アイテム特定部２１に供給される。
【００９２】
このように、全ユーザの平均登録数と比較して、あるユーザのユーザ登録情報における所定の属性のユーザ登録数が少ない場合、ユーザの好みが、その領域（テレビジョン番組）における特定のジャンル（例えば、ドラマとバラエティ）に偏っており、その属性（ジャンル）への依存度が高いと言うことができる。
【００９３】
推薦アイテム特定部２１は、アイテムDB１５に記憶されている各アイテムのメタデータに基づいて、推薦を受けようとするユーザからの依存度が高い属性と関連性のある他の領域の属性のアイテムを推薦アイテムとして特定する。
【００９４】
例えば、平均登録数と比較して、テレビジョン番組におけるジャンルのユーザ登録数が最も少なく、登録数比較部２０からドラマおよびバラエティを表す情報が供給された場合、ドラマおよびバラエティのいずれかと関連性のある他の領域のジャンルのアイテムが推薦アイテムとして特定される。なお、ここで、ドラマと関連性のあるアイテムと、バラエティと関連性のあるアイテムとでは、図２で示された空間上の距離が近い方が推薦アイテムとして特定されるものとする。
【００９５】
より具体的には、例えば、アイテムDB１５における所定のアイテムのメタデータとして、テレビジョン番組のジャンルであるドラマと関連性のあるジャンルが、本のジャンルである文芸およびノンフィクション、音楽のジャンルであるJ-POP、ゲームのジャンルであるシミュレーションゲーム、といった関連情報が設定されている場合、本の領域においては、ドラマと関連性のある文芸がジャンルの文庫本が推薦アイテムとして特定され、音楽の領域においては、ドラマと関連性のあるJ-POPがジャンルのCDが推薦アイテムとして特定される。
【００９６】
推薦アイテム特定部２１は、推薦アイテムのタイトル、販売元などの情報をアイテムDB１５から読み出し、読み出したそれらの情報を送信部２２に出力する。
【００９７】
送信部２２は、推薦アイテム特定部２１から供給された情報を、推薦を受けようとするユーザが使うクライアントに対してインターネットなどのネットワークを介して送信する。送信部２２から送信された情報を受信したクライアントにおいては、推薦アイテムの情報をユーザに提示することが行われる。
【００９８】
なお、以上の例においては、属性としてジャンルを例にして説明してきたが、他の例として、例えば、関連人物を適用することもできる。
【００９９】
このとき、アイテムDB１５におけるそれぞれのアイテムには、関連性分析部１３により求められたジャンル間の関連性を表す関連情報の他に、関連人物間の関連性を表す関連情報がメタデータとして設定されている。なお、関連人物間の関連性は、ジャンル間の関連性と同様に、関連性分析部１３によって求められるものとする。
【０１００】
例えば、テレビジョン番組の出演者である○○太郎と関連性のある関連人物が、本の作者である○○花子および○×次郎、音楽の歌手である△△三郎、ゲームのプログラマである○△五郎、といった関連情報が、所定のアイテムのメタデータとして設定されているとする。
【０１０１】
ここで、あるユーザのユーザ登録情報において、全ユーザの平均登録数と比較して、テレビジョン番組の出演者のユーザ登録数が少ない場合、ユーザの好みが、その領域（テレビジョン番組）における特定の出演者（例えば、○○太郎と××花江）に偏っており、その属性（出演者）への依存度が高いと言うことができる。
【０１０２】
このような場合、推薦アイテム特定部２１においては、○○太郎および××花江のいずれかと関連性のある他の領域の関連人物のアイテムが推薦アイテムとして特定される。より具体的には、例えば、本の領域においては、○○太郎と関連性のある○○花子が作者の文庫本が推薦アイテムとして特定され、音楽の領域においては、○○太郎と関連性のある△△三郎が歌手のCDが推薦アイテムとして特定される。
【０１０３】
同様に、各領域についての、地域間の関連性を表す関連情報や、値段間の関連性を表す関連情報を用いることにより、ユーザからの依存度が高い地域や値段に関連性のあるアイテムが、領域を横断して推薦されるようになる。
【０１０４】
また、関連情報として、各領域についてのジャンル間や関連人物間など、同一属性間の関連性を表す関連情報以外に、各領域についての異なる属性間の関連性を表す関連情報を用いるようにすることもできる。例えば、テレビジョン番組のジャンルと本の作者との間の関連性を表す関連情報や、テレビジョン番組のジャンルと本の値段との間の関連性を表す関連情報が、アイテムDB１５におけるアイテムのメタデータとして設定されるようにしてもよい。
【０１０５】
例えば、テレビジョン番組のジャンルであるドラマと関連性のある属性が本の作者である○×次郎、といった関連情報が、所定のアイテムのメタデータとして設定されているとする。ここで、テレビジョン番組において、あるユーザの好みがドラマに偏っている場合、本の領域においては、ドラマと関連性のある○×次郎が作者の文庫本が推薦アイテムとして特定される。
【０１０６】
また、例えば、テレビジョン番組のジャンルであるバラエティと関連性のある属性が本の値段である廉価、といった関連情報が、所定のアイテムのメタデータとして設定されているとする。ここで、テレビジョン番組において、あるユーザの好みがドラマに偏っている場合、本の領域においては、ドラマと関連性のある廉価が値段の文庫本（すなわち、廉価な文庫本）が推薦アイテムとして特定される。
【０１０７】
なお、アイテムDB１５におけるアイテムには、上述した属性の組み合わせに限らず、全ての異なる属性間の関連性を表す関連情報を設定するようにできる。なお、これらの異なる属性間の関連性も、関連性分析部１３によって求められるものとする。
【０１０８】
また、推薦アイテム特定部２１の推薦アイテムの特定に用いられる関連情報における異なる属性の組み合わせは、登録数比較部２０が、ユーザ登録情報に基づいて、各領域における属性の好みの偏りを検知することで決定されるようにしてもよい。
【０１０９】
例えば、あるユーザのユーザ登録情報において、テレビジョン番組においては好みがドラマに偏っていて、本においては好みが○×次郎に偏っているような場合、登録数比較部２０は、テレビジョン番組のドラマ（ジャンル）と本における○×次郎（作者）とを、ユーザ登録数の少ない属性として決定する。推薦アイテム特定部２１においては、テレビジョン番組のジャンルと本の作者との間の関連性を表す関連情報に基づいて、ドラマと関連性のある○×次郎が作者である文庫本が推薦アイテムとして特定される。
【０１１０】
このようにして、サーバ１は、ユーザの嗜好に応じて、様々な属性のアイテムをユーザに推薦することができる。
【０１１１】
次に、以上のような構成を有するサーバ１の処理について説明する。
【０１１２】
［メタデータ設定処理］
はじめに、図９のフローチャートを参照して、メタデータを設定するサーバ１の処理について説明する。ここでは、関連情報を設定する対象となるアイテムは、新規のアイテムではない、ユーザにより評価が行われたアイテムであるものとする。
【０１１３】
ステップＳ１において、嗜好情報取得部１１は、アイテムに対するユーザの評価を表す嗜好情報を取得し、取得した嗜好情報を嗜好情報DB１２に記憶させる。
【０１１４】
ステップＳ２において、関連性分析部１３は、嗜好情報を嗜好情報DB１２から読み出して分析し、それぞれのユーザの評価に基づいてアイテム間の関連性を求める。ジャンル間の関連性を求める場合も同様に、ユーザの評価から求められたそれぞれのジャンルの評価や、ユーザにより入力されたそれぞれのジャンルの評価に基づいて分析が行われる。
【０１１５】
ステップＳ３において、メタデータ設定部１４は、関連性分析部１３により求められた関連性を表す関連情報をメタデータとして設定し、アイテムDB１５に記憶させる。その後、処理は終了される。
【０１１６】
嗜好情報が取得される毎に、アイテムの推薦を行う前の事前処理として以上の処理が行われることにより、複数の領域のそれぞれのアイテムに対して関連情報が設定されることになる。
【０１１７】
［新規アイテムに対するメタデータ設定処理］
次に、図１０のフローチャートを参照して、メタデータを設定するサーバ１の他の処理について説明する。ここでは、関連情報を設定する対象となるアイテムは新規のアイテムであるものとする。
【０１１８】
ステップＳ１１において、新規アイテム処理部１６は、ユーザによる評価が得られていない新規のアイテムの情報を取得する。取得される情報には、新規のアイテムのメタデータも含まれる。
【０１１９】
ステップＳ１２において、新規アイテム処理部１６は、メタデータの一致度に基づいて、新規のアイテムと類似する、関連性の分析済みのアイテムを特定する。また、新規アイテム処理部１６は、特定したアイテムと同じ空間上の位置に新規のアイテムをマッピングし、新規のアイテムと関連性のある他の領域のアイテムを求める。
【０１２０】
ステップＳ１３において、メタデータ設定部１４は、新規のアイテムのメタデータとして、新規アイテム処理部１６により求められた、新規のアイテムと類似する関連性の分析済みのアイテムに設定されている関連情報と同じ関連情報を設定し、アイテムDB１５に記憶させる。その後、処理は終了される。
【０１２１】
［アイテムの推薦処理］
次に、図１１のフローチャートを参照して、アイテムの推薦を行うサーバ１の推薦処理について説明する。この処理は、例えば、クライアントのユーザによりアイテムの推薦が要求されたときに開始される。
【０１２２】
ステップＳ２１において、登録情報取得部１７は、アイテムの推薦を要求したユーザについてのユーザ登録情報を登録情報DB１８から取得し、登録数比較部２０に供給する。
【０１２３】
ステップＳ２２において、平均登録数算出部１９は、登録情報DB１８に記憶されている全ユーザの登録情報を取得し、各領域について、全ユーザの登録情報における、属性の登録数の平均値（平均登録数）を算出し、登録数比較部２０に供給する。
【０１２４】
ステップＳ２３において、登録数比較部２０は、登録情報取得部１７からのユーザ登録情報において、平均登録数算出部１９からの平均登録数と比較してユーザ登録数の少ない属性を決定する。登録数比較部２０は、ユーザ登録情報においてユーザ登録数が少ないと決定された属性を表す情報を推薦アイテム特定部２１に供給する。
【０１２５】
ステップＳ２４において、推薦アイテム特定部２１は、アイテムDB１５に記憶されている各アイテムのメタデータに基づいて、登録数比較部２０からの情報で表わされる、ユーザ登録情報において平均登録数と比較してユーザ登録数が少ないと決定された属性のいずれかと関連性のある他の領域の属性のアイテムを推薦アイテムとして特定する。推薦アイテム特定部２１は、推薦アイテムの情報を送信部２２に出力する。
【０１２６】
ステップＳ２５において、送信部２２は、推薦アイテム特定部２１から供給された情報をクライアントに送信し、処理を終了させる。
【０１２７】
上述した処理は、アイテムの推薦が要求される毎に行われ、ユーザに対して推薦アイテムが順次提示される。
【０１２８】
以上の処理によれば、アイテムに対するユーザの評価に基づいて異なる領域に属するアイテムの属性間の関連性を求めることができる。また、ユーザの依存度が高い属性と関連性のある他の領域のアイテムを推薦アイテムとして特定することができる。したがって、領域を横断した形で、ユーザの嗜好によりマッチしたアイテムを推薦することが可能となる。これにより、推薦システムにおいては、ユーザの好みに近いと思われるアイテムがユーザに対して提示されるので、アイテムの購買率や、推薦システムへのアクセス率を上げることができる。
【０１２９】
以上においては、所定のユーザの登録情報と全ユーザの登録情報とを比較することで、ユーザの依存度が高い属性を決めるようにしたが、ユーザの登録情報とユーザのアイテムへのアクセスの履歴とに基づいて、ユーザの依存度が高い属性を決めるようにもできる。
【０１３０】
［推薦システムの他の構成例］
図１２は、推薦システムの他の構成例を示すブロック図である。図１２に示される構成のうち、図１に示される構成と同じ構成には同じ符号を付してあり、重複する説明については適宜省略する。
【０１３１】
図１２に示されるサーバ１の構成は、平均登録数算出部１９、登録数比較部２０、および推薦アイテム特定部２１に代わり、履歴情報DB３１、一致度算出部３２、および推薦アイテム特定部３３が設けられている点で図１のサーバ１の構成と異なる。
【０１３２】
履歴情報DB３１は、推薦システムとしてのサーバ１に対するユーザからのアクセスの履歴を表す履歴情報を記憶している。ここで、ユーザからのアクセスとは、ユーザによるアイテムの予約・購買や、アイテムの詳細説明の閲覧など、ユーザのアイテムに対するアクセスを示している。履歴情報は、ユーザを識別するための識別情報と、ユーザがアクセスしたアイテムおよびそのメタデータとしての属性を表すアクセス情報とを含むように構成され、アクセス情報は、ユーザがアイテムにアクセスする毎に更新される。
【０１３３】
一致度算出部３２は、登録情報取得部１７からのユーザ登録情報に登録されている属性と、履歴情報DB３１に記憶されている、推薦を受けようとするユーザについての履歴情報におけるアイテムの属性との一致度を、各領域の属性毎に算出し、その属性を表す情報とともに推薦アイテム特定部３３に供給する。
【０１３４】
ここで、一致度は、例えば、ユーザ登録情報に登録されているテレビジョン番組のジャンルと、履歴情報における、ユーザの視聴したアイテム（番組）のジャンルとにおいて、同一のジャンルの数が多いほど大きい値となる。例えば、ユーザ登録情報において、テレビジョン番組の領域のジャンルとしてドラマおよびバラエティが登録されている場合、ユーザが視聴した番組の視聴回数が、ドラマ５回、バラエティ３回であったとすると、バラエティの一致度よりドラマの一致度の方が大きい値となる。
【０１３５】
このように、ユーザ登録情報に登録されている属性と、履歴情報におけるアイテムの属性との一致度が高いほど、ユーザの好みが初期登録時（または登録変更時）から変わらず、その領域（テレビジョン番組）におけるそのジャンルに偏っており、その属性（ジャンル）への依存度が高いと言うことができる。
【０１３６】
推薦アイテム特定部３３は、アイテムDB１５に記憶されている各アイテムのメタデータに基づいて、一致度算出部３２からの一致度において、所定の値より大きい一致度についての属性と関連性のある他の領域の属性のアイテムを推薦アイテムとして特定する。
【０１３７】
例えば、ユーザ登録情報に登録されているテレビジョン番組のジャンルと、履歴情報における、ユーザの視聴した番組のジャンルとの一致度が所定の値より大きい場合、その一致度の大きいジャンル（例えば、ドラマとバラエティ）のうちの視聴回数の多いアイテムのジャンルと関連性のある他の領域のジャンルのアイテムが推薦アイテムとして特定される。
【０１３８】
なお、以上の例においても、属性としてジャンルを例に説明してきたが、他の属性を適用するようにしてももちろんよい。
【０１３９】
推薦アイテム特定部３３は、推薦アイテムのタイトル、販売元などの情報をアイテムDB１５から読み出し、読み出したそれらの情報を送信部２２に出力する。
【０１４０】
［アイテムの推薦処理］
次に、図１３のフローチャートを参照して、アイテムの推薦を行う、図１２のサーバ１の推薦処理について説明する。この処理は、例えば、クライアントのユーザによりアイテムの推薦が要求されたときに開始される。
【０１４１】
ステップＳ３１において、登録情報取得部１７は、アイテムの推薦を要求したユーザについてのユーザ登録情報を登録情報DB１８から取得し、一致度算出部３２に供給する。
【０１４２】
ステップＳ３２において、一致度算出部３２は、登録情報取得部１７からのユーザ登録情報に登録されている属性と、履歴情報DB３１に記憶されている、アイテムの推薦を要求したユーザについての履歴情報におけるアイテムの属性との一致度を算出する。一致度算出部３２は、算出した一致度を推薦アイテム特定部３３に供給する。
【０１４３】
ステップＳ３３において、推薦アイテム特定部３３は、一致度算出部３２からの一致度について、所定の値より大きい一致度の属性があるか否かを判定する。
【０１４４】
ステップＳ３３において、所定の値より大きい一致度の属性があると判定された場合、処理はステップＳ３４に進む。ステップＳ３４において、推薦アイテム特定部３３は、アイテムDB１５に記憶されている各アイテムのメタデータに基づいて、一致度が所定の値より大きい（例えば、最も一致度の高い）属性と関連性のある他の領域の属性のアイテムを推薦アイテムとして特定する。推薦アイテム特定部３３は、推薦アイテムの情報を送信部２２に出力する。
【０１４５】
一方、ステップＳ３３において、所定の値より大きい一致度の属性がないと判定された場合、処理はステップＳ３５に進む。ステップＳ３５において、推薦アイテム特定部３３は、例えば、アイテムDB１５に記憶されている各アイテムにおいて人気度の最も高いアイテムを推薦アイテムとして特定し、その推薦アイテムの情報を送信部２２に出力する。
【０１４６】
ステップＳ３５において、送信部２２は、推薦アイテム特定部３３から供給された情報をクライアントに送信し、処理を終了させる。
【０１４７】
上述した処理は、アイテムの推薦が要求される毎に行われ、ユーザに対して推薦アイテムが順次提示される。
【０１４８】
なお、推薦システムにおけるユーザの初期登録直後においては、そのユーザについての履歴情報は存在しないため、上述のステップＳ３４において、アイテムDB１５に記憶されている各アイテムにおいて人気度の最も高いアイテムが推薦アイテムとして特定される。
【０１４９】
また、ステップＳ３４においては、所定の値より大きい一致度の属性と関連性のある他の領域の属性のアイテムが推薦アイテムとして特定されるようにしたが、例えば、所定の値より大きい一致度の属性の領域内で人気度の最も高いアイテムが推薦アイテムとして特定されるようにしてもよい。
【０１５０】
以上の処理によれば、アイテムに対するユーザの評価に基づいて異なる領域に属するアイテムの属性間の関連性を求めることができる。また、ユーザの依存度が高い属性と関連性のある他の領域のアイテムを推薦アイテムとして特定することができる。したがって、領域を横断した形で、ユーザの嗜好によりマッチしたアイテムを推薦することが可能となる。これにより、推薦システムにおいては、ユーザの好みに近いと思われるアイテムがユーザに対して提示されるので、アイテムの購買率や、推薦システムへのアクセス率を上げることができる。
【０１５１】
以上においては、ユーザの登録情報と履歴情報とにおける属性に基づいて、ユーザの依存度が高い属性を決めるようにしたが、一致度算出部３２が、履歴情報におけるアイテムのメタデータとしての属性と、アイテムの視聴中にユーザが示す表出（独り言や対話などの発話）から抽出される属性についてのキーワードとの一致度を算出することにより、ユーザの依存度が高い属性を決めるようにしてもよい。ここでの一致度は、履歴情報におけるアイテムの属性と、ユーザが示す表出から抽出されるキーワードとの距離として求められる。
【０１５２】
これにより、例えば、初期登録時からユーザの嗜好が変化した場合であっても、リアルタイムにユーザの嗜好に応じた属性を抽出し、その属性と関連性のあるアイテムの推薦を実現することが可能となる。
【０１５３】
上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、専用のハードウエアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な汎用のパーソナルコンピュータなどに、プログラム記録媒体からインストールされる。
【０１５４】
図１４は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。
【０１５５】
CPU(Central Processing Unit)５１、ROM(Read Only Memory)５２、RAM(Random Access Memory)５３は、バス５４により相互に接続されている。
【０１５６】
バス５４には、さらに、入出力インタフェース５５が接続されている。入出力インタフェース５５には、キーボード、マウス、マイクロフォンなどよりなる入力部５６、ディスプレイ、スピーカなどよりなる出力部５７、ハードディスクや不揮発性のメモリなどよりなる記憶部５８、ネットワークインタフェースなどよりなる通信部５９、光ディスクや半導体メモリなどのリムーバブルメディア６１を駆動するドライブ６０が接続されている。
【０１５７】
以上のように構成されるコンピュータでは、CPU５１が、例えば、記憶部５８に記憶されているプログラムを入出力インタフェース５５及びバス５４を介してRAM５３にロードして実行することにより、上述した一連の処理が行われる。
【０１５８】
CPU５１が実行するプログラムは、例えばリムーバブルメディア６１に記録して、あるいは、ローカルエリアネットワーク、インターネット、デジタル放送といった、有線または無線の伝送媒体を介して提供され、記憶部５８にインストールされる。
【０１５９】
なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。
【０１６０】
本発明の実施の形態は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。
【符号の説明】
【０１６１】
１ サーバ， １１ 嗜好情報取得部， １２ 嗜好情報DB， １３ 関連性分析部， １４ メタデータ設定部， １５ アイテムDB， １６ 新規アイテム処理部， １７ 登録情報取得部， １８ 登録情報DB， １９ 平均登録数算出部， ２０ 登録数比較部， ２１ 推薦アイテム特定部， ２２ 送信部， ３１ 履歴情報DB， ３２ 一致度算出部， ３３ 推薦アイテム特定部
【特許請求の範囲】
【請求項１】
それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求める分析手段と、
前記分析手段による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定手段と、
所定のユーザの嗜好に応じた属性が登録されている登録情報を取得する取得手段と、
前記関連情報に基づいて、前記取得手段によって取得された前記登録情報に登録されている属性であって、前記所定のユーザの依存度が高い属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦手段と
を備える情報処理装置。
【請求項２】
複数の前記ユーザの前記登録情報に登録されている前記属性の登録数の平均値である平均登録数を算出する平均登録数算出手段と、
前記取得手段によって取得された前記所定のユーザの前記登録情報に登録されている前記属性の登録数であるユーザ登録数と、前記平均登録数算出手段によって算出された前記平均登録数とを比較する比較手段とをさらに備え、
前記推薦手段は、前記関連情報に基づいて、前記所定のユーザの前記登録情報において前記平均登録数に比して前記ユーザ登録数が少ない前記属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する
請求項１に記載の情報処理装置。
【請求項３】
前記取得手段によって取得された前記所定のユーザの前記登録情報に登録されている前記属性と、前記所定のユーザが過去にアクセスしたアイテムの属性との一致度を算出する一致度算出手段をさらに備え、
前記推薦手段は、前記関連情報に基づいて、所定の値より大きい前記一致度の前記属性と関連性のある、前記属性の前記アイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する
請求項１に記載の情報処理装置。
【請求項４】
前記一致度算出手段は、前記所定のユーザが過去にアクセスした前記アイテムの属性と、前記所定のユーザが過去に前記アイテムにアクセスしたときの、前記ユーザの表出から抽出される属性との一致度を算出し、
前記推薦手段は、前記関連情報に基づいて、所定の値より大きい前記一致度の前記属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する
請求項３に記載の情報処理装置。
【請求項５】
それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求める分析ステップと、
前記分析ステップの処理による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定ステップと、
所定のユーザの嗜好に応じた属性が登録されている登録情報を取得する取得ステップと、
前記関連情報に基づいて、前記取得ステップの処理によって取得された前記登録情報に登録されている属性であって、前記所定のユーザの依存度が高い属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦ステップと
を含む情報処理方法。
【請求項６】
それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求める分析ステップと、
前記分析ステップの処理による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定ステップと、
所定のユーザの嗜好に応じた属性が登録されている登録情報を取得する取得ステップと、
前記関連情報に基づいて、前記取得ステップの処理によって取得された前記登録情報に登録されている属性であって、前記所定のユーザの依存度が高い属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦ステップと
を含む処理をコンピュータに実行させるプログラム。
【請求項１】
それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求める分析手段と、
前記分析手段による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定手段と、
所定のユーザの嗜好に応じた属性が登録されている登録情報を取得する取得手段と、
前記関連情報に基づいて、前記取得手段によって取得された前記登録情報に登録されている属性であって、前記所定のユーザの依存度が高い属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦手段と
を備える情報処理装置。
【請求項２】
複数の前記ユーザの前記登録情報に登録されている前記属性の登録数の平均値である平均登録数を算出する平均登録数算出手段と、
前記取得手段によって取得された前記所定のユーザの前記登録情報に登録されている前記属性の登録数であるユーザ登録数と、前記平均登録数算出手段によって算出された前記平均登録数とを比較する比較手段とをさらに備え、
前記推薦手段は、前記関連情報に基づいて、前記所定のユーザの前記登録情報において前記平均登録数に比して前記ユーザ登録数が少ない前記属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する
請求項１に記載の情報処理装置。
【請求項３】
前記取得手段によって取得された前記所定のユーザの前記登録情報に登録されている前記属性と、前記所定のユーザが過去にアクセスしたアイテムの属性との一致度を算出する一致度算出手段をさらに備え、
前記推薦手段は、前記関連情報に基づいて、所定の値より大きい前記一致度の前記属性と関連性のある、前記属性の前記アイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する
請求項１に記載の情報処理装置。
【請求項４】
前記一致度算出手段は、前記所定のユーザが過去にアクセスした前記アイテムの属性と、前記所定のユーザが過去に前記アイテムにアクセスしたときの、前記ユーザの表出から抽出される属性との一致度を算出し、
前記推薦手段は、前記関連情報に基づいて、所定の値より大きい前記一致度の前記属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する
請求項３に記載の情報処理装置。
【請求項５】
それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求める分析ステップと、
前記分析ステップの処理による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定ステップと、
所定のユーザの嗜好に応じた属性が登録されている登録情報を取得する取得ステップと、
前記関連情報に基づいて、前記取得ステップの処理によって取得された前記登録情報に登録されている属性であって、前記所定のユーザの依存度が高い属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦ステップと
を含む情報処理方法。
【請求項６】
それぞれ異なる領域に属するアイテム同士の属性の関連性を、ユーザによるそれぞれのアイテムに対する評価に基づいた分析によって求める分析ステップと、
前記分析ステップの処理による分析によって求められた関連性を表す情報である関連情報をそれぞれのアイテムにメタデータとして設定する設定ステップと、
所定のユーザの嗜好に応じた属性が登録されている登録情報を取得する取得ステップと、
前記関連情報に基づいて、前記取得ステップの処理によって取得された前記登録情報に登録されている属性であって、前記所定のユーザの依存度が高い属性と関連性のある、前記属性のアイテムが属する領域とは異なる領域に属するアイテムを推薦アイテムとして特定する推薦ステップと
を含む処理をコンピュータに実行させるプログラム。
【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】
【公開番号】特開２０１１−１４５７４２（Ｐ２０１１−１４５７４２Ａ）
【公開日】平成２３年７月２８日（２０１１．７．２８）
【国際特許分類】
【出願番号】特願２０１０−３８４７（Ｐ２０１０−３８４７）
【出願日】平成２２年１月１２日（２０１０．１．１２）
【出願人】（０００００２１８５）ソニー株式会社 (34,172)
【Ｆターム（参考）】
【公開日】平成２３年７月２８日（２０１１．７．２８）
【国際特許分類】
【出願日】平成２２年１月１２日（２０１０．１．１２）
【出願人】（０００００２１８５）ソニー株式会社 (34,172)
【Ｆターム（参考）】
[ Back to top ]