特許 6040137 アイテム推薦装置、アイテム推薦方法およびアイテム推薦プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6040137

(24)【登録日】2016年11月11日

(45)【発行日】2016年12月7日

(54)【発明の名称】アイテム推薦装置、アイテム推薦方法およびアイテム推薦プログラム

(51)【国際特許分類】

   G06F 17/30 20060101AFI20161128BHJP

【ＦＩ】

   G06F17/30 340A

   G06F17/30 320Z

   G06F17/30 350C

【請求項の数】5

【全頁数】14

(21)【出願番号】特願2013-216573(P2013-216573)

(22)【出願日】2013年10月17日

(65)【公開番号】特開2015-79381(P2015-79381A)

(43)【公開日】2015年4月23日

【審査請求日】2016年1月25日

(73)【特許権者】

【識別番号】000004226

【氏名又は名称】日本電信電話株式会社

(74)【代理人】

【識別番号】100086232

【弁理士】

【氏名又は名称】小林 博通

(74)【代理人】

【識別番号】100104938

【弁理士】

【氏名又は名称】鵜澤 英久

(74)【代理人】

【識別番号】100140361

【弁理士】

【氏名又は名称】山口 幸二

(74)【代理人】

【識別番号】100096459

【弁理士】

【氏名又は名称】橋本 剛

(72)【発明者】

【氏名】遠藤 結城

(72)【発明者】

【氏名】戸田 浩之

(72)【発明者】

【氏名】佐藤 隆

(72)【発明者】

【氏名】鷲崎 誠司

【審査官】 樋口 龍弥

(56)【参考文献】

【文献】 特開２０１３−０９７７００（ＪＰ，Ａ）

【文献】 米国特許出願公開第２０１４／０２８２７３３（ＵＳ，Ａ１）

【文献】 国際公開第２００７／０４３３２２（ＷＯ，Ａ１）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｆ １７／３０

(57)【特許請求の範囲】

【請求項1】

番組と関連するアイテムを推薦するアイテム推薦装置であって、
テキストの集合が格納されたテキストストリーム記憶部から特徴語を含むトピックを抽出するトピック抽出手段と、
前記トピック抽出手段により抽出されたトピックのトレンド度合いを表すトレンドスコアを計算し、前記トピックとともに記憶するトレンドスコア計算手段と、
Ｗｅｂ情報が格納されたＷｅｂ情報データベースから番組情報と関連するＷｅｂ情報を抽出し、該抽出した番組関連Ｗｅｂ情報を記憶する番組関連Ｗｅｂ情報抽出手段と、
番組情報、前記番組関連Ｗｅｂ情報抽出手段により抽出された番組関連Ｗｅｂ情報および前記トレンドスコア計算手段により記憶されたトピックに基づいて、番組とトピックの関連度を計算する番組・トピック関連度計算手段と、
アイテムとそれに関する情報が格納されたアイテム情報データベースと、
前記アイテム情報データベース内のアイテム、前記番組・トピック関連度計算手段により計算された番組とトピックの関連度および前記トレンドスコア計算手段により計算し記憶されたトピックのトレンドスコアに基づいて、番組とアイテムの関連度を計算する番組・アイテム関連度計算手段と、
前記番組・アイテム関連度計算手段によって計算された番組とアイテムの関連度に基づいて、当該番組において推薦するアイテムを出力する出力手段と、
を備えたことを特徴とするアイテム推薦装置。

【請求項2】

前記トレンドスコア計算手段は、前記テキストストリーム記憶部に格納されたテキスト集合Ｄの各テキストをｄ_j、前記抽出された各トピックをｚ_iとし、各トピックｚ_iのトレンドスコアＴｚ_iを、

【数1】

なる計算式によって算出し、
前記番組・トピック関連度計算手段は、前記番組情報をｔｖ、番組関連Ｗｅｂ情報をａ∈Ａ（Ａは番組関連Ｗｅｂ情報の集合）、前記トピックをｚ∈Ｚ（Ｚはトピック集合）、前記特徴語をｗ∈Ｗ（Ｗは語彙全体の集合）とし、これらとの関係を表すグラフを想定し、（１＋｜Ｗ｜＋｜Ｚ｜＋｜Ａ｜）×（１＋｜Ｗ｜＋｜Ｚ｜＋｜Ａ｜）の隣接行列Ｃ＝（ｃ_j，_k）を構築し、該隣接行列Ｃに基づいて番組ｔｖおよびトピックｚの各特徴量を求め、それらの特徴量を比較することによって番組とトピックの関連度Ｒ_tv,ziを算出し、
前記番組・アイテム関連度計算手段は、トピック−アイテム確率をＰ（ｚ_i｜ｌ_k）、トピック−単語確率をＰ（ｚ_i｜ｗ）、単語−アイテム確率をＰ（ｗ｜ｌ_k）、テキストｄ_jにおけるトピックｚ_iの生起確率をＰ（ｚ_i｜ｄ_j）、アイテムメタデータｌ_kにおいて単語ｗが発生する回数をｎ_lk（ｗ）とし、アイテムとトピックの関連度Ｒ_lk,ziを、

【数4】

なる計算式によって算出し、
さらに、トレンドスコアおよび関連度の比重を決定する定数λ、前記トレンドスコア計算手段により計算されたトピックのトレンドスコアＴ_zi、前記番組・トピック関連度計算手段により計算された番組とトピックの関連度Ｒ_tv,ziおよび前記算出されたアイテムとトピックの関連度Ｒ_lk,ziとによって、番組とアイテムの関連度Ｒ_tv,lkを、

【数5】

なる計算式によって算出する
ことを特徴とする請求項１に記載のアイテム推薦装置。

【請求項3】

番組と関連するアイテムを推薦するアイテム推薦方法であって、
トピック抽出手段が、テキストの集合が格納されたテキストストリーム記憶部から特徴語を含むトピックを抽出するトピック抽出ステップと、
トレンドスコア計算手段が、前記トピック抽出手段により抽出されたトピックのトレンド度合いを表すトレンドスコアを計算し、前記トピックとともに記憶するトレンドスコア計算ステップと、
番組関連Ｗｅｂ情報抽出手段が、Ｗｅｂ情報が格納されたＷｅｂ情報データベースから番組情報と関連するＷｅｂ情報を抽出し、該抽出した番組関連Ｗｅｂ情報を記憶する番組関連Ｗｅｂ情報抽出ステップと、
番組・トピック関連度計算手段が、番組情報、前記番組関連Ｗｅｂ情報抽出手段により抽出された番組関連Ｗｅｂ情報および前記トレンドスコア計算手段により記憶されたトピックに基づいて、番組とトピックの関連度を計算する番組・トピック関連度計算ステップと、
番組・アイテム関連度計算手段が、アイテムとそれに関する情報が格納されたアイテム情報データベース内のアイテム、前記番組・トピック関連度計算手段により計算された番組とトピックの関連度および前記トレンドスコア計算手段により計算し記憶されたトピックのトレンドスコアに基づいて、番組とアイテムの関連度を計算する番組・アイテム関連度計算ステップと、
出力手段が、前記番組・アイテム関連度計算手段によって計算された番組とアイテムの関連度に基づいて、当該番組において推薦するアイテムを出力する出力ステップと、
を備えたことを特徴とするアイテム推薦方法。

【請求項4】

前記トレンドスコア計算ステップは、前記テキストストリーム記憶部に格納されたテキスト集合Ｄの各テキストをｄ_j、前記抽出された各トピックをｚ_iとし、各トピックｚ_iのトレンドスコアＴｚ_iを、

【数1】

なる計算式によって算出し、
前記番組・トピック関連度計算ステップは、前記番組情報をｔｖ、番組関連Ｗｅｂ情報をａ∈Ａ（Ａは番組関連Ｗｅｂ情報の集合）、前記トピックをｚ∈Ｚ（Ｚはトピック集合）、前記特徴語をｗ∈Ｗ（Ｗは語彙全体の集合）とし、これらとの関係を表すグラフを想定し、（１＋｜Ｗ｜＋｜Ｚ｜＋｜Ａ｜）×（１＋｜Ｗ｜＋｜Ｚ｜＋｜Ａ｜）の隣接行列Ｃ＝（ｃ_j，_k）を構築し、該隣接行列Ｃに基づいて番組ｔｖおよびトピックｚの各特徴量を求め、それらの特徴量を比較することによって番組とトピックの関連度Ｒ_tv,ziを算出し、
前記番組・アイテム関連度計算ステップは、トピック−アイテム確率をＰ（ｚ_i｜ｌ_k）、トピック−単語確率をＰ（ｚ_i｜ｗ）、単語−アイテム確率をＰ（ｗ｜ｌ_k）、テキストｄ_jにおけるトピックｚ_iの生起確率をＰ（ｚ_i｜ｄ_j）、アイテムメタデータｌ_kにおいて単語ｗが発生する回数をｎ_lk（ｗ）とし、アイテムとトピックの関連度Ｒ_lk,ziを、

【数4】

なる計算式によって算出し、
さらに、トレンドスコアおよび関連度の比重を決定する定数λ、前記トレンドスコア計算手段により計算されたトピックのトレンドスコアＴ_zi、前記番組・トピック関連度計算手段により計算された番組とトピックの関連度Ｒ_tv,ziおよび前記算出されたアイテムとトピックの関連度Ｒ_lk,ziとによって、番組とアイテムの関連度Ｒ_tv,lkを、

【数5】

なる計算式によって算出する
ことを特徴とする請求項３に記載のアイテム推薦方法。

【請求項5】

コンピュータを請求項１又は２に記載の各手段として機能させるアイテム推薦プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ある情報に関連するアイテムを推薦する装置、特に世の中のトレンドに基づいて、ＴＶやＶＯＤ(ビデオオンデマンド)等の番組と関連するアイテムを推定し、推薦するためのアイテム推薦装置、方法、プログラムに関する。

【背景技術】

【0002】

ＴＶのデジタル化やインターネットの普及に伴い、単に番組を視聴するだけでなく、ＴＶを媒介とした様々なサービスを利用できるようになった。具体的には、番組関連情報の閲覧やショッピング等のサービスが提供されている(例えば特許文献１、２、３参照)。

【0003】

特許文献１においては、推薦するアイテムについて、予め番組とアイテムが関連付けられていることが前提である。しかし、膨大な数のアイテムから、人手で関連するアイテムを選ぶのは、多大なコストを要する作業である。

【0004】

これに対し、特許文献２によれば、電子番組表（ＥＰＧ）やクローズドキャプション（ＣＣ）のメタデータを基に、映像データの所定のタイミングで関連情報を提供することができる。

【0005】

また、特許文献３によれば、ユーザの番組視聴履歴に基づいて、過去に視聴していた番組情報を解析し、ユーザの嗜好を把握することで、ユーザの好みに合った番組を推薦する方法が提案されている。

【0006】

尚、本発明においてトピック抽出の際に利用する、トピックモデルであるＬａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａｔｉｏｎ（ＬＤＡ）は非特許文献１に記載され、また本発明の番組トピック関連度計算部が、隣接行列に基づいて番組およびトピックの各特徴量を求める際に利用するＰｏｗｅｒ Ｉｔｅｒａｔｉｏｎの技術は非特許文献２に記載されている。

【先行技術文献】

【特許文献】

【0007】

【特許文献1】特開２００２−３３０４２２号公報

【特許文献2】特開２０１３−１６４７７０号公報

【特許文献3】特開２００８−１９９４０６号公報

【非特許文献】

【0008】

【非特許文献1】Ｄ．Ｍ． Ｂｌｅｉ，Ａ．Ｙ． Ｎｇ，ａｎｄ Ｍ．Ｉ． Ｊｏｒｄａｎ． Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａｔｉｏｎ， ｉｎ Ｊｏｕｒｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｒｅｓｅａｒｃｈ （ＪＭＬＲ）， ｖｏｌ．３，ｐｐ．９９３−１０２２ （２００３）．

【非特許文献2】Ｌｉｎ， Ｆ． ａｎｄ Ｃｏｈｅｎ， Ｗ． Ｗ．： Ｐｏｗｅｒ ｉｔｅｒａｔｉｏｎ ｃｌｕｓｔｅｒｉｎｇ， Ｉｎ Ｐｒｏｃ． Ｏｆ ＩＣＭＬ， ｐｐ．６５５−６６２， ２０１０．

【発明の概要】

【発明が解決しようとする課題】

【0009】

しかし、従来の番組情報や視聴履歴を用いた技術は、ユーザの好みに基づいてアイテムを推薦できる一方で、世の中のトレンドに基づいた推薦はできなかった。例えばスポーツ番組を視聴しているユーザに対して、スポーツ映像や用品等のアイテムを推薦することはできるが、今何のスポーツ映像や用品に関する内容が話題になっているのかといった、今話題のトピックに関連するアイテムを推薦することができないという問題があった。

【0010】

また、特許文献２をはじめとする従来技術の多くは、推薦するアイテムを番組情報に基づいて検索しているが、用いる番組の情報量が不十分な場合が多く、番組と関連する多くのアイテムを推薦できないという問題がある。一般的な番組情報としては、放送波と共に配信されるＥＰＧやクローズドキャプションＣＣがある。

【0011】

しかし、ＥＰＧは番組の概要であるため具体的な情報に乏しく、ＣＣを含まない番組も多く存在する。例えば、箱根駅伝の視聴者にシューズやウェアを推薦したい場合、箱根駅伝の番組情報にはシューズという単語が含まれていることはなく、逆にシューズのメタデータにおいては箱根駅伝という単語が含まれていないため、従来技術では推薦することができない。これに対し、人手により番組情報を増やすサービスも存在するが、これは非常にコストがかかるという問題がある。

【0012】

本発明は上記課題を解決するものであり、その目的は、世の中のトレンドに基づいた話題のトピックと関連し、かつ番組と関連するアイテムを推薦することができるアイテム推薦装置、方法、プログラムを提供することにある。

【課題を解決するための手段】

【0013】

上記課題を解決するための本発明のアイテム推薦装置は、番組と関連するアイテムを推薦するアイテム推薦装置であって、テキストの集合が格納されたテキストストリーム記憶部から特徴語を含むトピックを抽出するトピック抽出手段と、前記トピック抽出手段により抽出されたトピックのトレンド度合いを表すトレンドスコアを計算し、前記トピックとともに記憶するトレンドスコア計算手段と、Ｗｅｂ情報が格納されたＷｅｂ情報データベースから番組情報と関連するＷｅｂ情報を抽出し、該抽出した番組関連Ｗｅｂ情報を記憶する番組関連Ｗｅｂ情報抽出手段と、番組情報、前記番組関連Ｗｅｂ情報抽出手段により抽出された番組関連Ｗｅｂ情報および前記トレンドスコア計算手段により記憶されたトピックに基づいて、番組とトピックの関連度を計算する番組・トピック関連度計算手段と、アイテムとそれに関する情報が格納されたアイテム情報データベースと、前記アイテム情報データベース内のアイテム、前記番組・トピック関連度計算手段により計算された番組とトピックの関連度および前記トレンドスコア計算手段により計算し記憶されたトピックのトレンドスコアに基づいて、番組とアイテムの関連度を計算する番組・アイテム関連度計算手段と、前記番組・アイテム関連度計算手段によって計算された番組とアイテムの関連度に基づいて、当該番組において推薦するアイテムを出力する出力手段と、を備えたことを特徴としている。

【0014】

なお、テキストストリームとはマイクロブログ(例えばTwitter（登録商標）)等のリアルタイム性の高いテキストを想定している。

【発明の効果】

【0015】

本発明によれば、世の中のトレンドに基づいた話題のトピックと関連し、かつ番組と関連するアイテムを推薦することができる。また、番組情報がＥＰＧおよびＣＣのみの少ない情報量であっても、番組関連Ｗｅｂ情報を抽出し利用しているので、幅広く番組とアイテムとを関連付け、関連アイテムを推薦することができる。

【図面の簡単な説明】

【0016】

【図1】本発明の一実施形態例を示す構成図。

【図2】本発明の一実施形態例における、テキストストリームからトレンドトピックを計算するまでのフローチャート。

【図3】本発明の一実施形態例における、テキストストリーム記憶部のテキストストリームの例を示す説明図。

【図4】本発明の一実施形態例における、抽出されたトピックと計算されたトレンドスコアの例を示す説明図。

【図5】本発明の一実施形態例における、番組と関連するトレンドトピックに基づくアイテム推薦のフローチャート。

【図6】本発明の一実施形態例における、番組関連情報とトピックの関連度を計算する際に用意する隣接行列の一例を示す説明図。

【図7】本発明の一実施形態例におけるアイテム情報ＤＢ（データベース）の一例を示す説明図。

【図8】本発明の一実施形態例における出力部が出力する、番組に関連する推薦アイテムの一例を示す説明図。

【発明を実施するための形態】

【0017】

以下、図面を参照しながら本発明の実施の形態を説明するが、本発明は下記の実施形態例に限定されるものではない。図１は本発明の一実施形態例によるアイテム推薦装置の構成を示している。

【0018】

図１に示すアイテム推薦装置は、テキストストリーム記憶部１０、トピック抽出手段としてのトピック抽出部２０、トレンドスコア計算手段を構成するトレンドスコア計算部３０およびトピック・トレンドスコア記憶部４０、Ｗｅｂ情報ＤＢ５０、番組関連Ｗｅｂ情報抽出手段を構成する番組関連Ｗｅｂ情報抽出部６０および番組関連Ｗｅｂ情報記憶部７０、番組・トピック関連度計算手段としての番組・トピック関連度計算部８０、アイテム情報ＤＢ９０、番組・アイテム関連度計算手段としての番組・アイテム関連度計算部１００、出力手段としての出力部１１０を備えている。

【0019】

トピック抽出部２０は、マイクロブログ(例えばTwitter)等のテキストの集合が格納されたテキストストリーム記憶部１０から特徴語を含むトピックを抽出する。

【0020】

トレンドスコア計算部３０は、トピック抽出部２０により抽出されたトピックのトレンド度合いを表すトレンドスコアを計算し、トピックとともにトピック・トレンドスコア記憶部４０に記憶する。

【0021】

番組関連Ｗｅｂ情報抽出部６０は、Ｗｅｂ情報が格納されたＷｅｂ情報ＤＢ５０から番組情報（ＥＰＧ（電子番組表）、ＣＣ（クローズドキャプション）のデータ）と関連するＷｅｂ情報を抽出し、該抽出した番組関連Ｗｅｂ情報を番組関連Ｗｅｂ情報記憶部７０に記憶する。

【0022】

番組・トピック関連度計算部８０は、番組情報、番組関連Ｗｅｂ情報記憶部７０に記憶された番組関連Ｗｅｂ情報およびトピック・トレンドスコア記憶部４０に記憶されたトピックに基づいて、番組とトピックの関連度を計算する。

【0023】

アイテム情報ＤＢ９０には、アイテムとそれに関する情報が格納されている。

【0024】

番組・アイテム関連度計算部１００は、アイテム情報ＤＢ９０内のアイテム、番組・トピック関連度計算部８０により計算された番組とトピックの関連度およびトピック・トレンドスコア記憶部４０に記憶されたトピックのトレンドスコアに基づいて、番組とアイテムの関連度を計算する。

【0025】

出力部１１０は、番組・アイテム関連度計算部１００によって計算された番組とアイテムの関連度に基づいて、当該番組において推薦するアイテムを出力する。

【0026】

図１のアイテム推薦装置は、例えばコンピュータにより構成され、通常のコンピュータのハードウェアリソース、例えばＲＯＭ、ＲＡＭ、ＣＰＵ、入力装置、出力装置、通信インターフェース、ハードディスク、記録媒体およびその駆動装置を備えている。

【0027】

このハードウェアリソースとソフトウェアリソース（ＯＳ、アプリケーションなど）との協働の結果、アイテム推薦装置は、図１に示すように、テキストストリーム記憶部１０、トピック抽出部２０、トレンドスコア計算部３０、トピック・トレンドスコア記憶部４０、Ｗｅｂ情報ＤＢ５０、番組関連Ｗｅｂ情報抽出部６０、番組関連Ｗｅｂ情報記憶部７０、番組・トピック関連度計算部８０、アイテム情報ＤＢ９０、番組・アイテム関連度計算部１００、出力部１１０を実装する。

【0028】

前記テキストストリーム記憶部１０、トピック・トレンドスコア記憶部４０、Ｗｅｂ情報ＤＢ５０、番組関連Ｗｅｂ情報記憶部７０、アイテム情報ＤＢ９０は、ハードディスクあるいはＲＡＭなどの保存手段・記憶手段に構築されているものとする。

【0029】

次に、上記のように構成された装置の動作を具体的に説明する。本実施形態例における処理は、テキストストリームからのトレンドトピックの計算、番組と関連するトレンドトピックに基づくアイテム推薦の二つに分かれる。

【0030】

最初に、テキストストリームからのトレンドトピックの計算について説明する。図２は、本発明の一実施の形態におけるテキストストリームからのトレンドトピックを計算する処理のフローチャートを示している。

【0031】

＜ステップＳ２１０＞ コンピュータは、一定時間分のテキストストリームに関して、発生時間、テキスト情報とテキストＩＤをテキストストリーム記憶部１０に記憶する。記憶例を図３に示す。記憶されたテキストストリームは一定時間後削除され、再度新たに一定時間分のテキストストリームを記憶する。ここで、テキストストリームとはマイクロブログ(例えばTwitter)等のリアルタイム性の高いテキストを想定している。

【0032】

＜ステップＳ２２０＞ トピック抽出部２０が、テキストストリーム記憶部１０に記憶されたテキストｄ∈Ｄからトピックｚ∈Ｚを抽出する。ここでＤはテキスト集合、Ｚはトピック集合であり、トピックｚは特徴語ｗ∈Ｗの集合で表される（Ｗは語彙全体の集合）。トピック抽出のために、トピック抽出部２０は形態素解析器を用いて、テキストを名詞・動詞・形容詞等の単語集合に分割する。トピックの抽出には、代表的なトピックモデルであるＬａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａｔｉｏｎ（ＬＤＡ）（非特許文献１）等、公知のものを用いることができる。図４に抽出されたトピックの例を示す。各トピックはトピックＩＤおよびトレンドスコアを持つ。トレンドスコアの算出方法は後述する。

【0033】

＜ステップＳ２３０＞ トレンドスコア計算部３０が、抽出された各トピックｚ_iのトレンドスコアＴ_ziを計算する。トレンドスコアは、あるトピックに関係するテキストが多く発生しているほど、そのトピックはトレンド度合が高いとみなして算出する。例えば以下の式（１）のように算出する。

【0034】

【数1】

【0035】

ここで、ｉおよびｊはそれぞれトピックとテキストのＩＤであり、Ｐ（ｚ_i｜ｄ_j）はテキストｄ_jにおけるトピックｚ_iの生起確率である。図４に各トピックに関して計算されたトレンドスコアの例を示す。

【0036】

＜ステップＳ２４０＞ 抽出・計算したトピックとトレンドスコアを、トピック・トレンドスコア記憶部４０に記憶する。記憶例は図４に示す通りである。

【0037】

次に、番組と関連するトレンドトピックに基づくアイテム推薦について説明する。図５は、本発明の一実施の形態における番組と関連するトレンドトピックに基づくアイテムを推薦する処理のフローチャートを示している。

【0038】

＜ステップＳ３１０＞ Ｗｅｂ情報ＤＢ５０には、例えばインターネットをクロールして得られた、Wikipedia（登録商標）記事やTwitterの番組ハッシュタグ付きTweet（登録商標）等が格納されており、番組関連Ｗｅｂ情報抽出部６０からの要求に従って、番組ＥＰＧやＣＣと関連するＷｅｂ情報を送信する。番組関連Ｗｅｂ情報抽出部６０は、例えばＥＰＧやＣＣとＷｅｂ情報ＤＢ５０内のＷｅｂ情報のテキストを形態素解析器によって単語単位に分割した後、各テキストに関して出現する単語情報に基づき、テキストの特徴を表すベクトルを構築する。それら特徴ベクトルの関連度をコサイン類似度等によって計算し、番組と関連するＷｅｂ情報を抽出する。

【0039】

＜ステップＳ３２０＞ 番組関連Ｗｅｂ情報抽出部６０の要求に応じてＷｅｂ情報ＤＢ５０から送信された情報を番組関連Ｗｅｂ情報記憶部７０に記憶する。視聴中の番組情報であるＥＰＧやＣＣが時間と共に変わる度に、番組関連Ｗｅｂ情報記憶部７０に記憶される番組関連Ｗｅｂ情報を更新する。

【0040】

＜ステップＳ３３０＞ 番組・トピック関連度計算部８０が番組(ＥＰＧ・ＣＣテキスト)を示すｔｖ、番組関連Ｗｅｂ情報記憶部７０に記憶された番組関連Ｗｅｂ情報ａ∈Ａ（Ａは番組関連Ｗｅｂ情報の集合）、およびトピック・トレンドスコア記憶部４０に記憶されたトピックｚ∈Ｚとの関連度を算出する。番組ｔｖとトピックｚとを幅広く関連付けるために、番組関連Ｗｅｂ情報ａをそれらの情報を繋ぐ橋渡しとして用いる。具体的には、例えば番組ｔｖ、番組関連Ｗｅｂ情報ａ、トピックｚおよび特徴語ｗ∈Ｗとの関係を表すグラフを想定し、隣接行列Ｃを算出する。その隣接行列Ｃに基づいて、各々の特徴量を計算し、各特徴量を比較することで関連度を算出する。

【0041】

隣接行列Ｃは番組情報やトピック、特徴語の関係を、図６に示すような一つの行列として表現したものである。隣接行列Ｃは次の手順で構築される。隣接行列として（１＋｜Ｗ｜＋｜Ｚ｜＋｜Ａ｜）×（１＋｜Ｗ｜＋｜Ｚ｜＋｜Ａ｜）の行列Ｃ＝（ｃ_j，_k）を用意する。ｊはｊ＝１のときに番組を表し、２≦ｊ≦｜Ｗ｜＋１のときに特徴語を表す。また、｜Ｗ｜＋２≦ｊ≦｜Ｗ｜＋｜Ｚ｜＋１のときにトピックを表し、｜Ｗ｜＋｜Ｚ｜＋２≦ｊ≦｜Ｗ｜＋｜Ｚ｜＋｜Ａ｜＋１のとき番組関連Ｗｅｂ情報を表す。これはｋも同様とする。例えば、ｃ_j,k＝１（ｊ＝１，２≦ｋ≦｜Ｗ｜＋１）は、行列中の番組と特徴語の関係を表す値が１であることを表す。

【0042】

行列の各要素の値は次のように計算する。トピックｚと特徴語ｗとの組み合わせを表す行列の値ｃ_j,kには、例えば前述の非特許文献１のＬＤＡによって算出した、単語−トピック確率Ｐ（ｗ_k｜ｚ_j）を代入する。番組ｔｖおよび番組関連Ｗｅｂ情報ａと特徴語ｗとの組み合わせを表す行列の値ｃ_j,kには、例えばｔｖおよびａのテキスト中に単語ｗが発生する単語頻度ｔｆに基づいて、ｔｆ／σを代入する。ここでσは定数である。最後に、まだ値の代入していない要素ｃ_j,kには０を代入する。

【0043】

番組ｔｖとトピックｚとの関連度を計算するために、構築した隣接行列Ｃに基づき、各々の特徴量を計算する。特徴量は、例えば以下の式（２）のように、隣接行列からグラフラプラシアンを構築し、固有値分解によって計算する。

【0044】

【数2】

【0045】

ここでＢは隣接行列Ｃの各行の和を対角成分の値に持つ対角行列、Ｐは固有ベクトルを列成分に保持した行列、∧は固有値を対角成分に保持した行列である。Ｐの行成分のベクトルをＰ_iとしたとき、例えば、隣接行列において第一成分に位置する番組ｔｖの特徴量はＰ₁となる。この特徴量は、隣接行列Ｃに基づくグラフの内在的な構造を表しており、関連度の強いノードほど似た特徴量になる。したがって、これらの特徴量を比較することで関連度を計算できる。また、固有ベクトルＰの算出は、非特許文献２に記載されたＰｏｗｅｒ Ｉｔｅｒａｔｉｏｎ等の公知の技術を用いることができる。

【0046】

上記の通りに算出した特徴量をもとに、番組ｔｖとトピックｚとの関連度Ｒ_tv,ziを、例えばコサイン類似度等によって以下の式（３）のように計算する。

【0047】

【数3】

【0048】

ここで、ｉはトピックのＩＤを表す。

【0049】

＜ステップＳ３４０＞ 番組・アイテム関連度計算部１００が、アイテム情報ＤＢ９０に記憶されたアイテムｌ∈Ｌと番組ｔｖとの関連度を、トレンドトピックｚとの関連度も考慮して計算する。図７にアイテム情報ＤＢ９０の記憶例を示す。各アイテムに関してアイテムＩＤ、ジャンル、アイテム名、アイテムメタデータ等が記憶されている。

【0050】

まずアイテムとトピックの関連度Ｒ_lk,ziを算出する。関連度Ｒ_lk,ziは、例えば前述したテキストストリームにトピックモデル（ＬＤＡ）を適用して抽出した結果（トピックｚ_i）を用いて、以下の式（４）のように計算できる。

【0051】

【数4】

【0052】

ここで、ｋはアイテムのＩＤを示す。またｎ_lk（ｗ）はアイテムメタデータｌ_kにおいて単語ｗが発生する回数を表す。

【0053】

以上の通り計算した、トピックのトレンドスコアＴ_zi、番組とトピックの関連度Ｒ_tv,zi、アイテムとトピックの関連度Ｒ_lk,zi、を用いて、最終的に番組ｔｖとアイテムｌ_kの関連度Ｒ_tv,lkを例えば次の式（５）ように算出する。

【0054】

【数5】

【0055】

ここでλはトレンドスコアや関連度の比重を決定する定数である。

【0056】

＜ステップＳ３５０＞ 出力部１１０は、番組ｔｖとアイテムｌ_kの関連度Ｒ_tv,lkに基づき、関連度の高い順にアイテムを出力する。ここで、出力とは、ディスプレイへの表示、プリンタへの印字、音出力、外部装置への送信等を含む概念である。出力部１１０は出力デバイスのドライバソフトまたは、出力デバイスのドライバソフトと出力デバイス等で実現され得る。出力の具体例を図８に示す。図８はマラソン番組を視聴中のユーザに話題のシューズを推薦する例である。ＳＮＳ（Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋｉｎｇ Ｓｅｒｖｉｃｅ）においてトレンドトピックを特定することで、例えば話題の商品を検出し、番組関連Ｗｅｂ情報によってマラソンとシューズを連想させることで、関連性のあるトレンドアイテムの推薦を可能にしている。

【0057】

また、本実施形態のアイテム推薦装置における各手段の一部もしくは全部の機能をコンピュータのプログラムで構成し、そのプログラムをコンピュータを用いて実行して本発明を実現することができること、本実施形態のアイテム推薦方法における手順をコンピュータのプログラムで構成し、そのプログラムをコンピュータに実行させることができることは言うまでもなく、コンピュータでその機能を実現するためのプログラムを、そのコンピュータが読み取り可能な記録媒体、例えばＦＤ（Ｆｌｏｐｐｙ（登録商標） Ｄｉｓｋ）や、ＭＯ（Ｍａｇｎｅｔｏ−Ｏｐｔｉｃａｌ ｄｉｓｋ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、メモリカード、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｋ）−ＲＯＭ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＨＤＤ、リムーバブルディスクなどに記録して、保存したり、配布したりすることが可能である。また、上記のプログラムをインターネットや電子メールなど、ネットワークを通して提供することも可能である。

【0058】

本発明は、上記の実施の形態に限定されることなく、特許請求の範囲内において種々変更・応用が可能である。

【符号の説明】

【0059】

１０…テキストストリーム記憶部
２０…トピック抽出部
３０…トレンドスコア計算部
４０…トピック・トレンドスコア記憶部
５０…Ｗｅｂ情報ＤＢ
６０…番組関連Ｗｅｂ情報抽出部
７０…番組関連Ｗｅｂ情報記憶部
８０…番組・トピック関連度計算部
９０…アイテム情報ＤＢ
１００…番組・アイテム関連度計算部
１１０…出力部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】