特許 6663944 ユーザに対するコンテンツの共感影響力を推定するプログラム、装置及び方法

(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】6663944

(24)【登録日】2020年2月19日

(45)【発行日】2020年3月13日

(54)【発明の名称】ユーザに対するコンテンツの共感影響力を推定するプログラム、装置及び方法

(51)【国際特許分類】

   G06F 16/9536 20190101AFI20200302BHJP

【ＦＩ】

   G06F16/9536

【請求項の数】7

【全頁数】14

(21)【出願番号】特願2018-37000(P2018-37000)

(22)【出願日】2018年3月1日

(65)【公開番号】特開2019-153013(P2019-153013A)

(43)【公開日】2019年9月12日

【審査請求日】2019年12月18日

(73)【特許権者】

【識別番号】000208891

【氏名又は名称】ＫＤＤＩ株式会社

(74)【代理人】

【識別番号】100135068

【弁理士】

【氏名又は名称】早原 茂樹

(72)【発明者】

【氏名】松本 一則

(72)【発明者】

【氏名】帆足 啓一郎

(72)【発明者】

【氏名】池田 和史

【審査官】 早川 学

(56)【参考文献】

【文献】 米国特許出願公開第２０１４／０１５６５８２（ＵＳ，Ａ１）

【文献】 韓国公開特許第１０−２００８−００８３２４８（ＫＲ，Ａ）

【文献】 徳永正和、外１名，情報推薦システムにおける項目応答理論の利用可能性について，第４回データ工学と情報マネジメントに関するフォーラム論文集 （第１０回日本データベース学会年次大会），電子情報通信学会データ工学研究専門委員会 日本デー，２０１２年 ７月１３日，[検索日:2012.08.30], Internet<URL:http://db-event.jpn.org/deim2012/proceedings/final-pdf/a5-4.pdf>

【文献】 橋間智博，Ｗｅｂサイトにおける項目反応理論を用いたおすすめコンテンツの提示，ＦＩＴ２００７ 第６回情報科学技術フォーラム 一般講演論文集 第４分冊 ネットワーク・セキュリティ，社団法人情報処理学会、社団法人電子情報通信学会，２００７年 ８月２２日，ｐｐ．４５１，４５２

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｆ １６／００−１６／９５８

(57)【特許請求の範囲】

【請求項1】

ユーザに対する推定対象コンテンツｃ_Eの共感影響力Ｍを推定する装置に搭載されたコンピュータを機能させるプログラムであって、
学習機能として、
コンテンツｃ_l(ｃ₁〜ｃ_L)毎に、各ユーザ(ｓ₁〜ｓ_N)の共感度(ｔ₁₁〜ｔ_1N,〜,ｔ_L1〜ｔ_LN)を対応付けた共感度行列Ｔ_lnを記憶する共感度行列記憶手段と、
前記コンテンツｃ_l毎に、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_L1〜ｆ_LJ)を対応付けたコンテンツ特徴量行列Ｆ_ljを記憶するコンテンツ特徴量行列記憶手段と、
前記コンテンツｃ_l毎に、ユーザの共感度行列Ｔ_lnを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく識別度α_l及び難易度β_lを算出する項目反応理論算出手段と、
前記コンテンツｃ_l毎に、前記コンテンツ特徴量行列Ｆ_ljと識別度α_l及び難易度β_lとを対応付けた教師データとして学習する機械学習エンジンと
として機能させ、
運用機能として、
推定対象コンテンツｃ_Eについて、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたコンテンツ特徴量行列Ｆ_Eを算出するコンテンツ特徴量行列算出手段と
して機能させると共に、
前記機械学習エンジンは、前記推定対象コンテンツｃ_Eの前記特徴量行列Ｆ_Eを入力し、識別度α_E及び難易度β_Eを、共感影響力Ｍとして出力する
ようにコンピュータを機能させることを特徴とするプログラム。

【請求項2】

前記共感度は、
前記コンテンツの登場人物又は著作者の感情を理解する認知度ｔ_Rと、
前記コンテンツの登場人物又は著作者と同じ感情を生じる情動度ｔ_Eと
からなり、
前記項目反応理論算出手段は、２母数ロジスティックモデルとして算出する
ようにコンピュータを機能させることを特徴とする請求項１に記載のプログラム。

【請求項3】

前記コンテンツが、テキストである場合、
前記コンテンツ特徴要素は、複数のコンテンツのテキストを、述語項構造解析に基づいて、述語項構造の分布からＬＤＡ(Latent Dirichlet Allocation)によって分類した複数個のトピックグループであり、
前記特徴量は、各コンテンツのテキストについて、分類された各トピックグループに属するトピック比率（確からしさ）である
ようにコンピュータを機能させることを特徴とする請求項１又は２に記載のプログラム。

【請求項4】

前記コンテンツは、不特定多数の第三者からＷｅｂサーバに投稿されたものであり、
前記共感影響力Ｍは、ユーザがＷｅｂサーバの当該コンテンツを閲覧した際に受ける感情に基づくものである
ようにコンピュータを機能させることを特徴とする請求項１から３のいずれか１項に記載のプログラム。

【請求項5】

前記機械学習エンジンは、線形回帰、サポートベクターマシン(Support Vector Machine)、又は、深層学習の回帰学習に基づくものである
ようにコンピュータを機能させることを特徴とする請求項１から４のいずれか１項に記載のプログラム。

【請求項6】

ユーザに対する推定対象コンテンツｃ_Eの共感影響力Ｍを推定する装置であって、
学習機能として、
コンテンツｃ_l(ｃ₁〜ｃ_L)毎に、各ユーザ(ｓ₁〜ｓ_N)の共感度(ｔ₁₁〜ｔ_1N,〜,ｔ_L1〜ｔ_LN)を対応付けた共感度行列Ｔ_lnを記憶する共感度行列記憶手段と、
前記コンテンツｃ_l毎に、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_L1〜ｆ_LJ)を対応付けたコンテンツ特徴量行列Ｆ_ljを記憶するコンテンツ特徴量行列記憶手段と、
前記コンテンツｃ_l毎に、ユーザの共感度行列Ｔ_lnを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく識別度α_l及び難易度β_lを算出する項目反応理論算出手段と、
前記コンテンツｃ_l毎に、前記コンテンツ特徴量行列Ｆ_ljと識別度α_l及び難易度β_lとを対応付けた教師データとして学習する機械学習エンジンと
を有し、
運用機能として、
推定対象コンテンツｃ_Eについて、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたコンテンツ特徴量行列Ｆ_Eを算出するコンテンツ特徴量行列算出手段を有し、
前記機械学習エンジンは、前記推定対象コンテンツｃ_Eの前記特徴量行列Ｆ_Eを入力し、識別度α_E及び難易度β_Eを、共感影響力Ｍとして出力する
ことを特徴とする装置。

【請求項7】

ユーザに対する推定対象コンテンツｃ_Eの共感影響力Ｍを推定する装置の推定方法であって、
前記装置は、
学習機能として、
コンテンツｃ_l(ｃ₁〜ｃ_L)毎に、各ユーザ(ｓ₁〜ｓ_N)の共感度(ｔ₁₁〜ｔ_1N,〜,ｔ_L1〜ｔ_LN)を対応付けた共感度行列Ｔ_lnを記憶する共感度行列記憶部と、
前記コンテンツｃ_l毎に、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_L1〜ｆ_LJ)を対応付けたコンテンツ特徴量行列Ｆ_ljを記憶するコンテンツ特徴量行列記憶部と、
前記コンテンツｃ_l毎に、ユーザの共感度行列Ｔ_lnを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく識別度α_l及び難易度β_lを算出する第１１のステップと、
機械学習エンジンを用いて、前記コンテンツｃ_l毎に、前記コンテンツ特徴量行列Ｆ_ljと識別度α_l及び難易度β_lとを対応付けた教師データとして学習する第１２のステップと
を実行し、
運用機能として、
推定対象コンテンツｃ_Eについて、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたコンテンツ特徴量行列Ｆ_Eを算出する第２１のステップと、
前記機械学習エンジンが、前記推定対象コンテンツｃ_Eの前記特徴量行列Ｆ_Eを入力し、識別度α_E及び難易度β_Eを、共感影響力Ｍとして出力する第２２のステップと
を実行することを特徴とする装置の推定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ユーザに対するコンテンツの共感影響力を推定する技術に関する。

【背景技術】

【0002】

近年、人と対話する対話システムが、スマートフォンアプリケーションやロボットにも搭載されてきている。
古くはELIZAやSHRDLUのように、ユーザ発話に対して一問一答形式で返答する技術がある（例えば非特許文献１参照）。この技術によれば、事前に蓄積された質問例の集合の中から、パターンマッチによってユーザ発話に近い質問例を検出する。
これに対し、現在の対話システムは、「タスク指向対話機能」及び「雑談対話機能」に大別でき、これらの機能を組み合わせて構成されている。
また、対人関係の確立と維持を目的として、「社会的対話」に注目した対話システムの技術もある（例えば非特許文献２参照）。
更に、社会的対話に共感性を適用した対話システムによって、ユーザの親近感を高めようとする技術もある（例えば非特許文献３参照）。
更に、ユーザの興味分野の情報レコメンド機能を、対話システムに適用した技術もある（例えば非特許文献４参照）。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】奥村学、他、「対話システム」、コロナ社、2017年、ISBN：978-4-339-02757-0

【非特許文献2】T. W. Bickmore and R. W. Picard, “Establishing and maintaining long-term human-computer relationships”, ACM Tran. on Computer-Human Interaction ‘TOCHI), 12(2):293-327, 2005.、[online]、［平成３０年２月１２日検索］、インターネット＜URL:http://www.ccs.neu.edu/home/bickmore/publications/toCHI.pdf＞

【非特許文献3】東中竜一郎, 堂坂浩二, 磯崎秀樹, “対話システムにおける共感と自己開示の効果”, 言語処理学会第15回年次大会,446-449, 2009.、[online]、［平成３０年２月１２日検索］、インターネット＜URL:http://www.kecl.ntt.co.jp/icl/lirg/members/rh/pdf/NLP2009.pdf＞

【非特許文献4】五十島志織，富永和人，亀田弘之，“対話からの興味をもとに情報を推薦するボットの作成”, 第11 回情報科学技術フォーラム, F-024, 2012.、[online]、［平成３０年２月１２日検索］、インターネット＜URL:https://ipsj.ixsq.nii.ac.jp/ej/?action=repository_action_common_download&item_id=151579&item_no=1&attribute_id=1&file_no=1＞

【非特許文献5】戸田弘二，”心理測定尺度集II 人間と社会のつながりをとらえる＜対人関係・価値観＞ ３共感性・他者意識”, 吉田富二雄編，堀洋道監修，サイエンス社，pp. 118-137

【非特許文献6】鈴木有美, 木野和代, “多次元共感性尺度(MES)の作成 −自己志向・他者志向の弁別に焦点をあてて−”, 教育心理学研究, 56, 487-497, 2008.、[online]、［平成３０年２月１２日検索］、インターネット＜URL:https://ci.nii.ac.jp/naid/110007028208＞

【非特許文献7】項目応答理論、[online]、［平成３０年２月１２日検索］、インターネット＜URL:https://ja.wikipedia.org/wiki/%E9%A0%85%E7%9B%AE%E5%BF%9C%E7%AD%94%E7%90%86%E8%AB%96＞

【発明の概要】

【発明が解決しようとする課題】

【0004】

前述した従来技術によれば、対話システムにおけるユーザの親近感を高めようとしているが、心理学の知見に基づいた社会的対話については何ら検討されていない。
心理学の分野によれば、他者の気持ちを認知し、他者と同じ情動を持つ体験する性質として、「共感性(Empathy)」がある（例えば非特許文献５参照）。但し、共感性は、単一の観点のみから判断することできない。具体的には、共感性は、「他者の心理状態を正確に認知する能力（認知度）」と「他者の心理状態に対する代理的な反応の強さ（情動度）」との多元的な観点から判断する必要がある（例えば非特許文献６参照）。

【0005】

例えば、ある記事を閲覧したユーザは、その記事の登場人物（擬人化された物も含む）や著作者の思考及び感情を理解し、何らかの感情を抱く。これは、ユーザに対して、そのコンテンツが持つ共感影響力に基づく。ユーザが持つ共感性は、その話題（内容）に限られず、その表現方法によっても変わる。例えば同じ話題であっても、表現方法によっては、ユーザの共感性に対する影響力は違ってくる。

【0006】

そこで、本発明は、ユーザに対するコンテンツの共感影響力を推定するプログラム、装置及びプログラム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】

【0007】

本発明によれば、ユーザに対する推定対象コンテンツｃ_Eの共感影響力Ｍを推定する装置に搭載されたコンピュータを機能させるプログラムであって、
学習機能として、
コンテンツｃ_l(ｃ₁〜ｃ_L)毎に、各ユーザ(ｓ₁〜ｓ_N)の共感度(ｔ₁₁〜ｔ_1N,〜,ｔ_L1〜ｔ_LN)を対応付けた共感度行列Ｔ_lnを記憶する共感度行列記憶手段と、
コンテンツｃ_l毎に、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_L1〜ｆ_LJ)を対応付けたコンテンツ特徴量行列Ｆ_ljを記憶するコンテンツ特徴量行列記憶手段と、
コンテンツｃ_l毎に、ユーザの共感度行列Ｔ_lnを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく識別度α_l及び難易度β_lを算出する項目反応理論算出手段と、
コンテンツｃ_l毎に、コンテンツ特徴量行列Ｆ_ljと識別度α_l及び難易度β_lとを対応付けた教師データとして学習する機械学習エンジンと
として機能させ、
運用機能として、
推定対象コンテンツｃ_Eについて、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたコンテンツ特徴量行列Ｆ_Eを算出するコンテンツ特徴量行列算出手段と
して機能させると共に、
機械学習エンジンは、推定対象コンテンツｃ_Eの特徴量行列Ｆ_Eを入力し、識別度α_E及び難易度β_Eを、共感影響力Ｍとして出力する
ようにコンピュータを機能させる。

【0008】

本発明のプログラムにおける他の実施形態によれば、
共感度は、
コンテンツの登場人物又は著作者の感情を理解する認知度ｔ_Rと、
コンテンツの登場人物又は著作者と同じ感情を生じる情動度ｔ_Eと
からなり、
項目反応理論算出手段は、２母数ロジスティックモデルとして算出する
ようにコンピュータを機能させることも好ましい。

【0009】

本発明のプログラムにおける他の実施形態によれば、
コンテンツが、テキストである場合、
コンテンツ特徴要素は、複数のコンテンツのテキストを、述語項構造解析に基づいて、述語項構造の分布からＬＤＡ(Latent Dirichlet Allocation)によって分類した複数個のトピックグループであり、
特徴量は、各コンテンツのテキストについて、分類された各トピックグループに属するトピック比率（確からしさ）である
ようにコンピュータを機能させることも好ましい。

【0010】

本発明のプログラムにおける他の実施形態によれば、
コンテンツは、不特定多数の第三者からＷｅｂサーバに投稿されたものであり、
共感影響力Ｍは、ユーザがＷｅｂサーバの当該コンテンツを閲覧した際に受ける感情に基づくものである
ようにコンピュータを機能させることも好ましい。

【0011】

本発明のプログラムにおける他の実施形態によれば、
機械学習エンジンは、線形回帰、サポートベクターマシン(Support Vector Machine)、又は、深層学習の回帰学習に基づくものである
ようにコンピュータを機能させることも好ましい。

【0012】

本発明によれば、ユーザに対する推定対象コンテンツｃ_Eの共感影響力Ｍを推定する装置であって、
学習機能として、
コンテンツｃ_l(ｃ₁〜ｃ_L)毎に、各ユーザ(ｓ₁〜ｓ_N)の共感度(ｔ₁₁〜ｔ_1N,〜,ｔ_L1〜ｔ_LN)を対応付けた共感度行列Ｔ_lnを記憶する共感度行列記憶手段と、
コンテンツｃ_l毎に、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_L1〜ｆ_LJ)を対応付けたコンテンツ特徴量行列Ｆ_ljを記憶するコンテンツ特徴量行列記憶手段と、
コンテンツｃ_l毎に、ユーザの共感度行列Ｔ_lnを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく識別度α_l及び難易度β_lを算出する項目反応理論算出手段と、
コンテンツｃ_l毎に、コンテンツ特徴量行列Ｆ_ljと識別度α_l及び難易度β_lとを対応付けた教師データとして学習する機械学習エンジンと
を有し、
運用機能として、
推定対象コンテンツｃ_Eについて、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたコンテンツ特徴量行列Ｆ_Eを算出するコンテンツ特徴量行列算出手段を有し、
機械学習エンジンは、推定対象コンテンツｃ_Eの特徴量行列Ｆ_Eを入力し、識別度α_E及び難易度β_Eを、共感影響力Ｍとして出力する
ことを特徴とする。

【0013】

本発明によれば、ユーザに対する推定対象コンテンツｃ_Eの共感影響力Ｍを推定する装置の推定方法であって、
装置は、
学習機能として、
コンテンツｃ_l(ｃ₁〜ｃ_L)毎に、各ユーザ(ｓ₁〜ｓ_N)の共感度(ｔ₁₁〜ｔ_1N,〜,ｔ_L1〜ｔ_LN)を対応付けた共感度行列Ｔ_lnを記憶する共感度行列記憶部と、
コンテンツｃ_l毎に、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_L1〜ｆ_LJ)を対応付けたコンテンツ特徴量行列Ｆ_ljを記憶するコンテンツ特徴量行列記憶部と、
コンテンツｃ_l毎に、ユーザの共感度行列Ｔ_lnを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく識別度α_l及び難易度β_lを算出する第１１のステップと、
機械学習エンジンを用いて、コンテンツｃ_l毎に、コンテンツ特徴量行列Ｆ_ljと識別度α_l及び難易度β_lとを対応付けた教師データとして学習する第１２のステップと
を実行し、
運用機能として、
推定対象コンテンツｃ_Eについて、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたコンテンツ特徴量行列Ｆ_Eを算出する第２１のステップと、
機械学習エンジンが、推定対象コンテンツｃ_Eの特徴量行列Ｆ_Eを入力し、識別度α_E及び難易度β_Eを、共感影響力Ｍとして出力する第２２のステップと
を実行することを特徴とする。

【発明の効果】

【0014】

本発明のプログラム、装置及び方法によれば、ユーザに対するコンテンツの共感影響力を推定することができる。

【図面の簡単な説明】

【0015】

【図1】本発明におけるシステム構成図である。

【図2】本発明における推定装置の機能構成図である。

【図3】共感度行列を表す説明図である。

【図4】トピックグループをコンテンツ特徴要素としたコンテンツ特徴量行列を表す説明図である。

【図5】コンテンツに対してユーザが持つ認知度及び情動度を表す説明図である。

【図6】共感度として認知度及び情動度を適用した説明図である。

【図7】共感度行列として認知度及び情動度を適用した説明図である。

【図8】コンテンツ毎の項目反応カテゴリ特性曲線を表す説明図である。

【発明を実施するための形態】

【0016】

以下、本発明の実施の形態について、図面を用いて詳細に説明する。

【0017】

図１は、本発明におけるシステム構成図である。

【0018】

インターネットに接続されるＷｅｂサーバ２は、様々なコンテンツを公開する。Ｗｅｂサーバ２は、例えば、ニュースサイトや、ブログ(Web log)サイト、ミニブログサイト（例えばtwitter（登録商標）、ＳＮＳ(Social Networking Service)サイト（例えばfacebook（登録商標）やLINE（登録商標））、掲示板サイトのようなものであってもよい。コンテンツは、不特定多数の第三者からＷｅｂサーバに投稿されたものであってもよい。
端末３は、アクセスネットワーク及びインターネットを介して、Ｗｅｂサーバ２へアクセスし、それらコンテンツをユーザに閲覧させる。
本発明における推定装置１は、ユーザに対するコンテンツの共感影響力を推定する。即ち、心理学的な共感性の高いコンテンツを発見することができる。

【0019】

図２は、本発明における推定装置の機能構成図である。

【0020】

本発明における推定装置１は、ユーザに対する推定対象コンテンツｃ_Eの共感影響力Ｍを推定する。
図２によれば、推定装置１は、＜学習機能＞及び＜運用機能＞に大別され、両機能に共通して、機械学習エンジン１２を有する。
推定装置１は、学習機能として、コンテンツ蓄積部１０１と、共感度行列記憶部１０２と、コンテンツ特徴量行列記憶部１０３と、項目反応理論算出部１１とを有する。
また、運用機能として、コンテンツ特徴量行列算出部１３を有する。
これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、これら機能構成部の処理の流れは、装置の推定方法として理解できる。

【0021】

＜学習機能＞
学習機能は、教師データとしてのコンテンツｃ_l(ｃ₁〜ｃ_L)毎に、複数のユーザｓ_n(ｓ₁〜ｓ_N)の項目反応理論結果（識別度ａ_n及び難易度ｂ_n）と、コンテンツ特徴量とに基づいて、機械学習エンジン１２内に学習モデルを構築する。

【0022】

［コンテンツ蓄積部１０１］
コンテンツ蓄積部１０１は、教師データとして、複数のコンテンツ(ｃ₁〜ｃ_L)を蓄積したものである。コンテンツとしては、例えばテキスト（記事やブログなど）、画像、映像など、ユーザに閲覧される形式のものであればよい。

【0023】

［共感度行列記憶部１０２］
共感度行列記憶部１０２は、コンテンツｃ_l毎に、各ユーザ(ｓ₁〜ｓ_N)の共感度(ｔ₁₁〜ｔ_1N,〜,ｔ_L1〜ｔ_LN)を対応付けた共感度行列Ｔ_lnを記憶する。

【0024】

図３は、共感度行列を表す説明図である。

【0025】

図３によれば、教師データとしてのコンテンツｃ_l毎に、例えばアンケートによって主観評価としての共感度の回答を得ている。例えば、被験者(ｓ₁〜ｓ_N)それぞれに、各コンテンツ(ｃ₁〜ｃ_L)を明示し、その共感度について例えば３段階(w＝3)の回答を得る。これによって作成された共感度行列Ｔ_ln（ｔ₁₁〜ｔ_1N,〜,ｔ_L1〜ｔ_LN)が記憶されている。

【0026】

［コンテンツ特徴量行列記憶部１０３］
コンテンツ特徴量行列記憶部１０３は、コンテンツｃ_l毎に、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ₁₁〜ｆ_1J,〜,ｆ_L1〜ｆ_LJ)を対応付けたコンテンツ特徴量行列Ｆ_lj（L行J列）を記憶する。

【0027】

コンテンツがテキストである場合、コンテンツ特徴要素は、一般的に、「名詞・形容詞・動詞」のような要約に役立つ単語であってもよい。これによって、テキストの論旨や趣旨を反映しようとすることができる。勿論、特徴要素に更に、助動詞、形容詞、感嘆詞などを含めたものであってもよい。

【0028】

また、共感性を考慮した場合、コンテンツ特徴量は、登場人物や著作者の意図を表す表現である「様相(modality)・時制(aspect)・肯定／否定極性(polarity)」のような付加情報を、コンテンツ特徴量することが好ましい。
具体的には、コンテンツ特徴量を、動詞（原形Ｘ）と、その動詞に後続する助動詞や終助詞等から抽出した様相等の付加情報を動詞に付加したＸ'とにする。
例えば「誰も動けなかった」から、「動く」と「動く＋可能＋過去＋否定」といった２つの単語（素性）が出現する。これは、ベクトル形式でありながら、汎用性の高い「動く」の語が特徴量に反映される一方で、情報が付加された動詞によって話題内容をより詳細に表現することができる。

【0029】

更に、コンテンツ特徴要素は、複数のコンテンツｃ_lのテキストを、述語項構造解析に基づいて、述語項構造の分布からＬＤＡ(Latent Dirichlet Allocation)によって分類した複数個のトピックグループであることも好ましい。
特に、述語項構造に、助動詞や形容詞、感嘆詞を含ませることによって、テキストから情緒的な成分を取り出すことができ、共感度の推定精度が改善する。

【0030】

ＬＤＡは、単語文章行列を次元圧縮する技術（ＬＳＩ(latent Semantic Indexin)）に対して、単語の特徴ベクトルに揺らぎに基づく確率的な枠組みを導入したものである。その圧縮した次元の集合をトピックという。
また、「述語項構造」とは、文章中の述語に対して「項」となる名詞句等を当てたものである。述語項構造を用いることによって、文章の意味の骨格を把握することができる。述語項構造解析として、例えばフリーソフトであるSyncha等の述語項構造解析器を用いることができる。述語項構造は、「述語」に対する「目的語」とその格とから構成される。

【0031】

特徴量は、各コンテンツのテキストについて、分類された各トピックグループに属するトピック比率（確からしさ）である。
各コンテンツは、ＬＤＡによっていずれか１つのトピックグループに分類される。

【0032】

図４は、トピックグループをコンテンツ特徴要素としたコンテンツ特徴量行列を表す説明図である。

【0033】

図４によれば、例えば「携帯を探す」の述語項構造は、述語「探す」に対して目的語「携帯」及び格「ヲ」からなる。また、例えば「サービスに申し込む」の述語項構造は、述語「申し込む」に対して目的語「サービス」及び格「ニ」からなる。
（Ｓ４１）教師データとなるコンテンツのテキストから、述語項構造毎の出現頻度（出現回数）をＬＤＡ処理へ入力する。そして、テキスト毎に、各述語項構造の出現頻度を計数する。
（Ｓ４２）次に、本件でのＬＤＡ処理では、トピック毎の述語項構造分布や、テキスト毎のトピック比率を取得する。このトピック比率によって、テキストが属するトピックグループに分類する。そして、トピックグループ毎に、全てのテキストに含まれる各述語項構造の出現頻度を計数する。
（Ｓ４３）次に、テキスト毎に、各トピックグループに属する述語項構造を計数する。そして、テキストを計数値の高いトピックグループに分類する。

【0034】

［項目反応理論算出部１１］
項目反応理論算出部１１は、コンテンツｃ_l毎に、ユーザの共感度行列Ｔ_lnを入力し、項目反応理論ＩＲＴ(Item Response Theory)に基づく識別度α_l及び難易度β_lを算出する。

【0035】

項目反応理論とは、評価項目群へのユーザの応答に基づいて、識別度α・難易度β（及びユーザ能力θ）を測定するための試験理論をいう（例えば非特許文献７参照）。これは、評価項目に対するユーザの離散的な回答から、確率論的に、識別度・難易度（及びユーザ能力）を算出する。ユーザに対する試験項目のストックを保守し、複数の試験の難易度を同等とみなすコンピュータ適応型テスト(Computerized Adaptive Testing)に適する。
識別度ａ_l ：コンテンツlがユーザの能力を識別する力を表す実数値
難易度ｂ_l ：コンテンツlの難しさを表す実数値
（ユーザ能力θ_l：コンテンツlに対するユーザnの能力の大きさを表す実数値）
基本的に、ユーザ能力と識別度及び難易度との差を、ロジスティック曲線に当てはめて、回答の確率を求める。例えばコンテンツｃ_lがユーザｓ_nにとって共感度が高い場合、その確率は限りなく１に近づき、逆に共感度が低い場合、その確率は限りなく０に近づく。
２母数ロジスティックモデルの場合、以下のように確率が算出される。
ｐ(θ)＝１／(１＋ｅ^{−Ｄａ(θ−ｂ)})

【0036】

［学習機能の機械学習エンジン１２］
学習機能の機械学習エンジン１２は、コンテンツｃ_l毎に、コンテンツ特徴量行列Ｆ_ljと識別度α_l及び難易度β_lとを対応付けた教師データとして学習する。
機械学習エンジン１２は、線形回帰、サポートベクターマシン(Support Vector Machine)、又は、深層学習の回帰学習に基づくものであってもよい。

【0037】

＜運用機能＞
運用機能は、未知の推定対象コンテンツｃ_Eを入力し、共感影響力Ｍを出力する。

【0038】

［コンテンツ特徴量行列算出部１３］
コンテンツ特徴量行列算出部１３は、推定対象コンテンツｃ_Eについて、所定の各コンテンツ特徴要素(ｖ₁〜ｖ_J)の特徴量(ｆ_E1〜ｆ_EJ)を対応付けたコンテンツ特徴量行列Ｆ_Eを算出する。
ここで、コンテンツ特徴量行列算出部１３は、前述したコンテンツ特徴量行列記憶部１０３と全く同じ方法で、コンテンツ特徴量行列Ｆ_Eを算出する。

【0039】

［運用機能の機械学習エンジン１２］
運用機能の機械学習エンジン１２は、推定対象コンテンツ（未知）ｃ_Eの特徴量行列Ｆ_Eを入力し、識別度α_E及び難易度β_Eを、共感影響力Ｍとして出力する。

【0040】

図５は、コンテンツに対してユーザが持つ認知度及び情動度を表す説明図である。

【0041】

心理学の知見によれば、共感度は、「認知度」と「情動度」とによって表される。
「共感度」：他者の感情を理解し、他者と同じ感情を持つ人の性質
「認知度」：他者の感情（心理状態）を理解する度合い
「情動度」：他者と同じ感情（代理的な反応の強さ）を持つ度合い
ここでの「他者」とは、コンテンツの登場人物又は著作者を意味することとなる。

【0042】

図５によれば、多数のユーザ（被験者）に同一の記事を閲覧してもらい、各ユーザが「興味を引く話題か？」「心に響く話題か？」を質問して得られた、主観評価としての回答結果である。
興味を引く話題か？：引かない＝認知度が低い
：引く ＝認知度が高い
心に響く話題か？ ：響かない＝情動度が低い
：響く ＝情動度が高い
図５の表によれば、同一の記事に対して、「興味を引く」と感じる一方で「心に響かない」と感じるユーザがおり、また、「興味を引かない」と感じる一方で「心に響く」と感じるユーザもいる。

【0043】

図６は、共感度として認知度及び情動度を適用した説明図である。
図７は、共感度行列として認知度及び情動度を適用した説明図である。

【0044】

図６によれば、共感度行列記憶部１０２は、図２と比較して、共感度行列Ｔとして、認知度Ｔ¹と情動度Ｔ²とが別々に記憶されている。
図７によれば、被験者群 (ｓ₁〜ｓ_N)のN人にそれぞれに、各コンテンツ(ｃ₁〜ｃ_L)を明示し、その認知度及び情動度について例えば３段階(w＝3)の回答を得る。これによって、評価項目数＝2の共感度行列Ｔ¹_ln（ｔ¹₁₁〜ｔ¹_1N,〜,ｔ¹_L1〜ｔ¹_LN)及びＴ²_ln（ｔ²₁₁〜ｔ²_1N,〜,ｔ²_L1〜ｔ²_LN)が、項目反応理論算出部１１へ入力される。

【0045】

これに対し、項目反応理論算出部１１は、２母数ロジスティックモデルとして、以下のように、識別度α及び情動度βを算出する。
認知度の識別度：α¹₁〜α¹_L
認知度の難易度：β¹₁〜β¹_L
情動度の識別度：α²₁〜α²_L
情動度の難易度：β²₁〜β²_L
尚、一部のユーザが、ランダムに回答することができる場合、項目反応理論算出部１１は、３母数ロジスティックモデルとして算出するものであってもよい。

【0046】

機械学習エンジン１２は、コンテンツｃ_l毎に、特徴量行列Ｆ_lと、認知度に対する識別度α¹₁及び難易度β¹₁と、情動度に対する識別度α¹₂及び難易度β¹₂とを対応付けた教師データによって学習する。そして、以下のように学習モデルを構築する。
認知度の識別度α¹₁に対する学習モデル：Ｍａ¹
認知度の難易度β¹₁に対する学習モデル：Ｍｂ¹
情動度の識別度α¹₂に対する学習モデル：Ｍａ²
情動度の難易度β¹₂に対する学習モデル：Ｍｂ²

【0047】

そして、機械学習エンジン１２は、推定対象コンテンツｃ_Eの特徴量行列Ｆ_Eを入力すると、識別度に対する認知度α¹_E及び難易度β¹_Eと、情動度に対する認知度α²_E及び難易度β²_Eとを、影響力Ｍとして出力する。

【0048】

図８は、コンテンツ毎の項目反応カテゴリ特性曲線を表す説明図である。

【0049】

項目反応カテゴリ特性曲線（ＩＲＣＣＣ(Item Response Category Characteristic Curve)）は、以下のように作成される。
横軸：能力値 （左側：共感度が低い、右側：共感度が高い）
（左側：識別度が低い、右側：識別度が高い）
（左側：情動度が低い、右側：情動度が高い）
縦軸：確率ｐ
曲線：各選択肢（「共感しない」「わからない」「共感する」）
（「興味を引かない」「わからない」「興味を引く」）
（「心に響かない」「わからない」「心に響かない」）

【0050】

図８の項目反応カテゴリ特性曲線は、100件のコンテンツ(ｃ₁〜ｃ₁₀₀)について、300名のユーザ(ｓ₁〜ｓ₃₀₀)に対する認知度及び情動度の共感度行列Ｔ¹及びＴ²と、８次元のコンテンツ特徴量行列Ｆとから得られたものである。
難易度ｂは、ユーザ能力θと同じスケール上にあり、識別度ａは、項目反応カテゴリ特性曲線の傾きを決定する。曲線の傾きが大きいほど、難易度ｂとユーザ能力θとの差が大きいほど、回答がくっきり分かれることを表す。

【0051】

図８によれば、４件のコンテンツ（ID36,ID72,ID82,ID94）について、認知度及び情動度の共感度行列それぞれの項目反応カテゴリ特性曲線が表されている。ID82及びID94は、ID72と比較して、認知度が高いことがわかる。また、ID82は、ID94及びID72と比較して、情動度が高いことがわかる。
これによって、ID82は、認知度が高く且つ情動度も高いことがわかる。また、ID94及びID72は、情動度が低いことがわかる。

【0052】

以上、詳細に説明したように、本発明のプログラム、推定装置及び方法によれば、ユーザに対するコンテンツの共感影響力を推定することができる。

【0053】

前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。

【符号の説明】

【0054】

１ 推定装置
１０１ コンテンツ蓄積部
１０２ 共感度行列記憶部
１０３ コンテンツ特徴量行列記憶部
１１ 項目反応理論算出部
１２ 機械学習エンジン
１３ コンテンツ特徴量行列算出部
２ Ｗｅｂサーバ
３ 端末

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】