特開 2024-145308 コンテンツ推薦方法、コンテンツ配信システム、推薦コンテンツ推定装置、及び機械学習装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024145308

(43)【公開日】2024-10-15

(54)【発明の名称】コンテンツ推薦方法、コンテンツ配信システム、推薦コンテンツ推定装置、及び機械学習装置

(51)【国際特許分類】

   H04N 21/237 20110101AFI20241004BHJP

   H04N 21/24 20110101ALI20241004BHJP

   H04N 21/482 20110101ALI20241004BHJP

   G06Q 50/10 20120101ALI20241004BHJP

【ＦＩ】

H04N21/237

H04N21/24

H04N21/482

G06Q50/10

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2023057597

(22)【出願日】2023-03-31

(71)【出願人】

【識別番号】000002369

【氏名又は名称】セイコーエプソン株式会社

(74)【代理人】

【識別番号】100179475

【弁理士】

【氏名又は名称】仲井 智至

(74)【代理人】

【識別番号】100216253

【弁理士】

【氏名又は名称】松岡 宏紀

(74)【代理人】

【識別番号】100225901

【弁理士】

【氏名又は名称】今村 真之

(72)【発明者】

【氏名】三村 乃那

【テーマコード（参考）】

5C164

5L049

5L050

【Ｆターム（参考）】

5C164FA14

5C164SB41P

5C164SB61P

5C164SC31S

5C164UD53P

5C164YA04

5C164YA10

5C164YA21

5L049CC11

5L050CC11

(57)【要約】

【課題】視聴者の視聴環境に適したコンテンツを推薦する。
【解決手段】処理装置３２は、視聴ログをプロジェクター４ごとに集計し、記憶装置３１に集計結果を保存する。処理装置３２は、集計結果に含まれる環境指標、即ち、照度、画面サイズ、及び騒音に基づいて、複数のプロジェクター４をクラスタリングする。処理装置３２は、クラスタリングされてできた各グループに属するプロジェクター４において再生された複数のコンテンツの各々に対して、複数のコンテンツの各々の評価値に基づいて、グループ全体における評価値を算出する。処理装置３２は、グループごとに算出された評価値に基づいて、各プロジェクター４に対する推薦コンテンツを決定する。
【選択図】図１２

【特許請求の範囲】

【請求項1】

視聴者がコンテンツを視聴する環境を示す環境指標を、複数の視聴端末の各々について取得することと、
コンテンツの視聴品質の程度を示す評価値であって視聴者によって付与される前記評価値を、前記複数の視聴端末の各々について取得することと、
前記取得された複数の環境指標のうち互いに異なる２つの環境指標の類似度に応じて、前記複数の視聴端末を複数のグループに分類することと、
前記分類された１つのグループに属する各視聴端末に対応付けられた前記評価値から前記１つのグループ全体における評価値を算出し、前記算出された評価値に基づいて、前記１つのグループに属する各視聴端末を利用する視聴者に対し、前記環境に応じたコンテンツを推薦することとを含む、
コンテンツ推薦方法。

【請求項2】

前記環境指標は、前記視聴環境の照度、前記視聴端末の画面のサイズ、及び前記視聴環境における騒音のうち、少なくとも１つを含む
請求項１に記載のコンテンツ推薦方法。

【請求項3】

前記視聴端末は、プロジェクターであり、
前記コンテンツは、前記プロジェクターによって投射対象に表示され、
前記画面のサイズは、前記投射対象に表示された画面のサイズである
請求項２に記載のコンテンツ推薦方法。

【請求項4】

前記環境指標には、少なくとも前記騒音が含まれる、
請求項２又は請求項３に記載のコンテンツ推薦方法。

【請求項5】

複数の視聴端末の各々に１つ以上のコンテンツを配信するコンテンツ配信システムであって、
コンテンツ配信サーバーと、
データ解析サーバーと、を備え、
前記コンテンツ配信サーバーは、
記憶された前記複数のコンテンツの中から、前記複数の視聴端末の各々を利用する視聴者の要求に応じた視聴コンテンツを、前記視聴者に対応付けられた視聴端末に配信し、
前記データ解析サーバーは、
視聴者がコンテンツを視聴する環境を示す環境指標と、コンテンツの視聴品質の程度を示す評価値であって視聴者によって付与される前記評価値とを、前記複数の視聴端末の各々について取得する取得部と、
前記取得された複数の環境指標のうち互いに異なる２つの環境指標の類似度に応じて、前記複数の視聴端末を複数のグループに分類する分類部と、
前記分類された１つのグループに属する各視聴端末に対応付けられた前記評価値から前記１つのグループ全体における評価値を算出し、前記算出された評価値に基づいて、前記１つのグループに属する各視聴端末を利用する視聴者に対し、前記環境に応じたコンテンツを推薦する推薦部と、
を有する、
コンテンツ配信システム。

【請求項6】

視聴端末が設置された環境を示す環境指標と、前記視聴端末を利用する第１視聴者に推薦するコンテンツの候補である候補コンテンツとを含む判定データを取得する判定データ取得部と、
視聴者がコンテンツを視聴するときの環境に関する情報及び前記コンテンツの属性に関する情報と、前記コンテンツに対する前記視聴者による評価値との関係を学習済みである学習モデルに、前記判定データを入力することによって出力される評価値を、前記候補コンテンツに対する前記第１視聴者の評価値であると推定する推定部と、
前記推定部によって推定された評価値に基づいて、前記第１視聴者に推薦するコンテンツを決定する決定部と、
を備える、
推薦コンテンツ推定装置。

【請求項7】

複数の教師データを取得する取得部と、
複数の教師データを学習モデルに機械学習させることによって、学習済みの学習モデルを生成する生成部とを備え、
前記複数の教師データの各々は、視聴者が視聴端末を用いて視聴したコンテンツの属性に関する属性情報及び前記視聴端末の環境を示す環境情報と、前記コンテンツの視聴品質の程度を示す評価値であって前記視聴者によって付与される前記評価値とを含む、
機械学習装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、コンテンツ推薦方法、コンテンツ配信システム、推薦コンテンツ推定装置、及び機械学習装置に関する。

【背景技術】

【0002】

特許文献１には、ニューラルネットワークである推定モデルに基づいて、属性の推定対象となるコンテンツ利用者について、コンテンツ利用者の年齢等の属性値を推定する技術が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２１－２２３０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかし、特許文献１に係る技術では、コンテンツ利用者についての属性値を推定することに留まっており、利用者にとって最適なコンテンツを推薦することはできなかった。

【課題を解決するための手段】

【0005】

本開示に係るコンテンツ推薦方法の一態様は、視聴者がコンテンツを視聴する環境を示す環境指標を、複数の視聴端末の各々について取得することと、コンテンツの視聴品質の程度を示す評価値であって視聴者によって付与される前記評価値を、前記複数の視聴端末の各々について取得することと、前記取得された複数の環境指標のうち互いに異なる２つの環境指標の類似度に応じて、前記複数の視聴端末を複数のグループに分類することと、前記分類された１つのグループに属する各視聴端末に対応付けられた前記評価値から前記１つのグループ全体における評価値を算出し、前記算出された評価値に基づいて、前記１つのグループに属する各視聴端末を利用する視聴者に対し、前記環境に応じたコンテンツを推薦することと、を含む。

【0006】

本開示に係るコンテンツ配信システムの一態様は、複数の視聴端末の各々に１つ以上のコンテンツを配信するコンテンツ配信システムであって、コンテンツ配信サーバーと、データ解析サーバーと、を備え、前記コンテンツ配信サーバーは、記憶された前記複数のコンテンツの中から、前記複数の視聴端末の各々を利用する視聴者の要求に応じた視聴コンテンツを、前記視聴者に対応付けられた視聴端末に配信し、前記データ解析サーバーは、視聴者がコンテンツを視聴する環境を示す環境指標と、コンテンツの視聴品質の程度を示す評価値であって視聴者によって付与される前記評価値とを、前記複数の視聴端末の各々について取得する取得部と、前記取得された複数の環境指標のうち互いに異なる２つの環境指標の類似度に応じて、前記複数の視聴端末を複数のグループに分類する分類部と、前記分類された１つのグループに属する各視聴端末に対応付けられた前記評価値から前記１つのグループ全体における評価値を算出し、前記算出された評価値に基づいて、前記１つのグループに属する各視聴端末を利用する視聴者に対し、前記環境に応じたコンテンツを推薦する推薦部と、を有する。

【0007】

本開示に係る推薦コンテンツ推定装置の一態様は、視聴端末が設置された環境を示す環境指標と、前記視聴端末を利用する第１視聴者に推薦するコンテンツの候補である候補コンテンツとを含む判定データを取得する判定データ取得部と、視聴者がコンテンツを視聴するときの環境に関する情報及び前記コンテンツの属性に関する情報と、前記コンテンツに対する前記視聴者による評価値との関係を学習済みである学習モデルに、前記判定データを入力することによって出力される評価値を、前記候補コンテンツに対する前記第１視聴者の評価値であると推定する推定部と、前記推定部によって推定された評価値に基づいて、前記第１視聴者に推薦するコンテンツを決定する決定部と、を備える。

【0008】

本開示に係る機械学習装置の一態様は、複数の教師データを取得する取得部と、複数の教師データを学習モデルに機械学習させることによって、学習済みの学習モデルを生成する生成部とを備え、前記複数の教師データの各々は、視聴者が視聴端末を用いて視聴したコンテンツの属性に関する属性情報及び前記視聴端末の環境を示す環境情報と、前記コンテンツの視聴品質の程度を示す評価値であって前記視聴者によって付与される前記評価値とを含む。

【図面の簡単な説明】

【0009】

【図1】第１実施形態に係るコンテンツ配信システムの構成図である。

【図2】図１のコンテンツ配信サーバーの構成例を示すブロック図である。

【図3】図１のデータ解析サーバーの構成例を示すブロック図である。

【図4】図１の各プロジェクターが設置された視聴環境の一例を示す模式図である。

【図5】図１の各プロジェクターの構成例を示すブロック図である。

【図6】データ解析サーバーにおいて受信される視聴データの例を示す図である。

【図7】取得部において取得された環境指標の一例を示す図である。

【図8】あるプロジェクターに対する視聴ログの一例を示す図である。

【図9】照度、画面サイズ、及び騒音の３つの環境指標をそれぞれ特徴ベクトルとする３次元の特徴ベクトル空間を示す図である。

【図10】取得された複数の環境指標の各々における環境指標の合成ベクトルの分布を示す図である。

【図11】各環境指標を複数のグループに分類した結果を示す図である。

【図12】データ解析サーバーの処理装置による推薦コンテンツ決定の動作を示すフローチャートである。

【図13】第２実施形態に係るコンテンツ配信システムの構成図である。

【図14】図１３のデータ解析サーバーの構成例を示すブロック図である。

【図15】第２実施形態に係る機械学習装置の一例を示すブロック図である。

【図16】第２実施形態に係る教師データの一例を示すデータ構成図である。

【図17】第２実施形態に係る学習モデルに適用されるニューラルネットワークモデルの一例を示す概略図である。

【図18】第２実施形態に係る機械学習装置による機械学習方法の一例を示すフローチャートである。

【図19】第２実施形態に係る推薦コンテンツ推定装置の一例を示すブロック図である。

【発明を実施するための形態】

【0010】

以下、添付図面を参照しながら、本発明に係る好適な実施形態を説明する。なお、図面において各部の寸法や縮尺は実際と異なる場合があり、理解を容易にするために模式的に示す部分もある。また、本発明の範囲は、以下の説明において特に本発明を限定する旨の記載がない限り、これらの形態に限られない。

【0011】

１．第１実施形態
１．１．コンテンツ配信システムの概要
以下、図１を参照しつつ、第１実施形態に係るコンテンツ配信システムの概要について説明する。

【0012】

図１は、第１実施形態に係るコンテンツ配信システムの構成図である。コンテンツ配信システム１は、コンテンツ配信サーバー２、データ解析サーバー３、複数の視聴端末としての複数のプロジェクター４を備えている。

【0013】

コンテンツ配信サーバー２と、データ解析サーバー３と、複数のプロジェクター４とは、ネットワークＮＥＴを介して互いに接続されている。ネットワークＮＥＴは、インターネット等のネットワークである。

【0014】

１．２．コンテンツ配信サーバーの構成
以下、図２を参照しつつ、第１実施形態に係るコンテンツ配信サーバー２の構成について説明する。

【0015】

図２は、図１のコンテンツ配信サーバー２の構成例を示すブロック図である。コンテンツ配信サーバー２は、記憶装置２１、処理装置２２、及び通信装置２３を備えている。

【0016】

記憶装置２１は、各種情報を記憶する。記憶装置２１は、例えば、ＲＡＭ等の揮発性メモリー及びＲＯＭ等の不揮発性メモリーを含んで構成されている。ここで、ＲＡＭとは、Random Access Memoryの略称である。また、ＲＯＭとは、Read Only Memoryの略称である。記憶装置２１には、制御プログラム２１１、複数のコンテンツ２１２、複数のメタデータ２１３等が記憶されている。記憶装置２１の揮発性メモリーは、処理装置２２のワークエリア２１４として処理装置２２に利用される。制御プログラム２１１は、コンテンツ配信サーバー２の全体を制御するプログラムである。

【0017】

なお、記憶装置２１の一部又は全部は、外部記憶装置、外部サーバー等に設けられてもよい。また、記憶装置２１に記憶される各種情報の一部又は全部は、予め記憶装置２１に記憶されてもよいし、外部記憶装置、外部サーバー等から取得されてもよい。

【0018】

処理装置２２は、コンテンツ配信サーバー２の動作を制御する。処理装置２２は、管理部２２１及び配信部２２２としての機能を有している。処理装置２２は、１以上のＣＰＵを含んで構成されている。但し、処理装置２２は、ＣＰＵの代わりに、又はＣＰＵに加えて、ＦＰＧＡ等のプログラマブルロジックデバイスを備えていてもよい。ここで、ＣＰＵとは、Central Processing Unitの略称であり、ＦＰＧＡとは、Field-Programmable Gate Arrayの略称である。

【0019】

処理装置２２は、記憶装置２１から制御プログラム２１１を読み出し、読み出された制御プログラム２１１を実行する。処理装置２２は、制御プログラム２１１を実行することにより、管理部２２１及び配信部２２２として機能する。

【0020】

管理部２２１は、記憶装置２１に記憶された複数のコンテンツ２１２及び複数のメタデータ２１３の管理を行う。複数のメタデータ２１３の各々は、複数のコンテンツ２１２の各々と一対一に対応付けられている。コンテンツは、主として映像コンテンツである。各メタデータには、対応するコンテンツの属性情報が含まれる。属性情報は、例えば、コンテンツのタイトル及び概要を示す情報、コンテンツのジャンルを示す情報、コンテンツの投稿者又は作成者を示す情報等が含まれる。

【0021】

配信部２２２は、プロジェクター４からコンテンツの取得要求を受け付ける。配信部２２２は、プロジェクター４から視聴者により選択されたコンテンツの取得要求を受け付けると、受け取った取得要求に従って、プロジェクター４にコンテンツを送信する。コンテンツの取得要求には、例えば、コンテンツのストリーミング要求又はダウンロード要求がある。

【0022】

また、配信部２２２は、プロジェクター４から推薦情報の取得要求を受け付ける。配信部２２２は、推薦情報の取得要求を受け付けると、受け取った取得要求に従って、データ解析サーバー３において別途決定された推薦コンテンツを含む推薦情報をプロジェクター４に送信する。なお、推薦情報は推薦コンテンツ以外の情報を含んでもよく、推薦コンテンツ以外の情報として、推薦コンテンツに類似のコンテンツをコンテンツ配信サーバー２が選んでもよい。

【0023】

通信装置２３は、他の装置と通信を行うための送受信デバイスとしてのハードウェアである。通信装置２３は、例えば、ネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュール等とも呼ばれる。通信装置２３は、有線接続用のコネクターを備え、上記コネクターに対応するインターフェース回路を備えていてもよい。また、通信装置２３は、無線通信インターフェースを備えていてもよい。有線接続用のコネクター及びインターフェース回路としては、有線ＬＡＮ、ＩＥＥＥ１３９４、ＵＳＢ等に準拠した製品が挙げられる。また、無線通信インターフェースとしては、無線ＬＡＮ及びＢｌｕｅｔｏｏｔｈ（登録商標）等に準拠した製品が挙げられる。通信装置２３は、データ解析サーバー３、複数のプロジェクター４等の外部装置との間においてデータ通信を行う。

【0024】

このように、コンテンツ配信サーバー２は、動画配信プラットフォーム用のサーバーとして機能する。

【0025】

１．３．データ解析サーバーの構成
以下、図３を参照しつつ、第１実施形態に係るデータ解析サーバー３の構成について説明する。

【0026】

図３は、図１のデータ解析サーバー３の構成例を示すブロック図である。データ解析サーバー３は、記憶装置３１、処理装置３２、及び通信装置３３を備えている。

【0027】

記憶装置３１は、各種情報を記憶する。記憶装置３１は、例えば、ＲＡＭ等の揮発性メモリー及びＲＯＭ等の不揮発性メモリーを含んで構成されている。記憶装置３１には、制御プログラム３１１等が記憶されている。記憶装置３１の揮発性メモリーは、処理装置３２のワークエリア３１２として処理装置３２に利用される。制御プログラム３１１は、データ解析サーバー３の全体を制御するプログラムである。

【0028】

なお、記憶装置３１の一部又は全部は、外部記憶装置、外部サーバー等に設けられてもよい。また、記憶装置３１に記憶される各種情報の一部又は全部は、予め記憶装置３１に記憶されてもよいし、外部記憶装置、外部サーバー等から取得されてもよい。

【0029】

処理装置３２は、データ解析サーバー３の動作を制御する。処理装置３２は、取得部３２１、分類部３２２、及び推薦部３２３としての機能を有している。処理装置３２は、１以上のＣＰＵを含んで構成されている。但し、処理装置３２は、ＣＰＵの代わりに、又はＣＰＵに加えて、ＦＰＧＡ等のプログラマブルロジックデバイスを備えていてもよい。

【0030】

取得部３２１は、環境指標と評価値とを、複数のプロジェクター４の各々について取得する。環境指標は、視聴者がコンテンツを視聴する環境、即ち、視聴環境を示す指標である。例えば、環境指標は、各プロジェクター４が設置されている場所の明るさ、各プロジェクターが投射している投射画像の画面サイズ、各プロジェクターが設置されている場所における騒音、各プロジェクターに設定されている各種設定値である。各種設定値とは、カラーモード、設定音量等である。

【0031】

環境指標の１つである明るさは、プロジェクター４の視聴に与える影響が大きい。例えば、窓から外光が差し込む明るい室内では、投射画像のコントラスト比が低下するため、暗いシーンが多い映画等のコンテンツの再生には不向きであると考えられる。また、商業施設、飲食店等の公共の場においても、比較的明るい環境において視聴されるコンテンツの傾向と、比較的暗い環境において視聴されるコンテンツの傾向とは異なると考えられる。従って、明るさを環境指標の１つとすることは有意義なことと考えられる。

【0032】

また、１００インチを超えるような比較的大きい画面サイズにおいては、例えば、映画、スポーツ中継等のコンテンツが好んで視聴されることが多いと考えられる。比較的大きい画面サイズにおいて視聴されるコンテンツの傾向と、比較的小さい画面サイズにおいて視聴されるコンテンツの傾向とは異なると考えられる。また、細かい文字等を多く含むコンテンツは、画面サイズが小さい環境には適しているとは言えない。このように、画面サイズを環境指標の１つとすることは有意義なことと考えられる。

【0033】

また、家庭における視聴環境と、商業施設における視聴環境とを比較すると、商業施設における視聴環境において騒音値がより高い傾向があると考えられる。また、家庭において視聴されるコンテンツの傾向と、商業施設において視聴されるコンテンツの傾向とは異なるから、騒音を環境指標の１つとすることは有意義なことと考えられる。

【0034】

本実施形態では、環境指標として、明るさ、画面サイズ、及び騒音の３つの環境指標に基づいて、推薦するコンテンツを決定する方法について説明する。

【0035】

評価値は、視聴者によって評価されたコンテンツの視聴品質の程度を示す値である。評価値は、視聴者によってコンテンツに付与される。例えば、評価値は、０．０から５．０までの５１段階で視聴者により数値化されている。コンテンツの視聴者は、コンテンツを鑑賞中又は鑑賞後にプロジェクター４に評価値を入力する。

【0036】

分類部３２２は、取得された複数の環境指標のうち互いに異なる２つの環境指標の類似度に応じて、複数のプロジェクター４を複数のグループに分類する。より具体的に述べると、分類部３２２は、教師なし学習の一種であるクラスタリング手法を用いて、複数のプロジェクター４を複数のグループに分類する。各グループに含まれる複数のプロジェクター４は、互いに類似した視聴環境を有する。なお、クラスタリングにより分類されたグループは、クラスタとも呼ばれる。クラスタリング手法による分類については後で詳述する。

【0037】

推薦部３２３は、分類された１つのグループに属する各視聴端末に対応付けられた評価値から１つのグループ全体における評価値を算出する。そして、推薦部３２３は、算出された評価値に基づいて、１つのグループに属する各プロジェクター４を利用する視聴者に対し、視聴環境に応じたコンテンツを推薦する。

【0038】

通信装置３３は、他の装置と通信を行うための送受信デバイスとしてのハードウェアである。通信装置３３は、例えば、ネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュール等とも呼ばれる。通信装置３３は、有線接続用のコネクターを備え、上記コネクターに対応するインターフェース回路を備えていてもよい。また、通信装置３３は、無線通信インターフェースを備えていてもよい。有線接続用のコネクター及びインターフェース回路としては、有線ＬＡＮ、ＩＥＥＥ１３９４、ＵＳＢ等に準拠した製品が挙げられる。また、無線通信インターフェースとしては、無線ＬＡＮ及びＢｌｕｅｔｏｏｔｈ等に準拠した製品が挙げられる。通信装置３３は、コンテンツ配信サーバー２、複数のプロジェクター４等の外部装置との間においてデータ通信を行う。

【0039】

１．４．視聴環境について
以下、図４を参照しつつ、第１実施形態に係る視聴環境について説明する。

【0040】

図４は、図１の各プロジェクター４が設置された視聴環境の一例を示す模式図である。視聴環境５には、プロジェクター４及びスクリーン６が設置されている。プロジェクター４からの出力光は、スクリーン６に対して投射される。スクリーン６上に投射された画像は、以下、投射画像６１と呼ばれる。視聴者Ｕ１は、投射画像６１を鑑賞する。なお、投射画像６１が投射される面は、スクリーン６に限らず、建物の壁面、天井等であってもよい。

【0041】

プロジェクター４には、照度センサ７１、距離センサ７２、及び騒音センサ７３が接続されている。

【0042】

照度センサ７１は、視聴環境５における照度、即ち、視聴環境５の明るさを検出する。距離センサ７２は、プロジェクター４の基準位置に設置されている。

【0043】

距離センサ７２は、プロジェクター４とスクリーン６との間の距離ＬＰを測定する。距離ＬＰは、画面サイズを求めるために必要な値である。距離センサ７２には、例えば、レーザー距離計が用いられる。なお、距離センサ７２には、ミリ波レーダー、ＬｉＤＡＲスキャナ等が用いられてもよい。ここで、ＬｉＤＡＲとは、Light Detection And Rangingの略称である。

【0044】

騒音センサ７３は、視聴環境５における騒音を検出する。騒音センサ７３には、例えば、騒音計が用いられる。騒音センサ７３は、プロジェクター４のファンにより生じる騒音の影響が無視できる位置に設置されることが好ましい。なお、騒音センサ７３には、騒音計に代えて、騒音計のアプリケーションが組み込まれたスマートフォンが用いられてもよい。

【0045】

１．５．プロジェクターの構成
以下、図５を参照しつつ、第１実施形態に係るプロジェクター４の構成について説明する。

【0046】

図５は、図１の各プロジェクター４の構成例を示すブロック図である。プロジェクター４は、記憶装置４１、処理装置４２、通信装置４３、操作装置４４、及び投射装置４５を備えている。記憶装置４１は、各種情報を記憶する。記憶装置４１は、例えば、ＲＡＭ等の揮発性メモリー及びＲＯＭ等の不揮発性メモリーを含んで構成されている。記憶装置４１には、制御プログラム４１１等が記憶されている。記憶装置４１の揮発性メモリーは、処理装置４２のワークエリア４１２として処理装置４２に利用される。制御プログラム４１１は、プロジェクター４の全体を制御するプログラムである。

【0047】

なお、記憶装置４１の一部又は全部は、外部記憶装置、外部サーバー等に設けられてもよい。また、記憶装置４１に記憶される各種情報の一部又は全部は、予め記憶装置４１に記憶されてもよいし、外部記憶装置、外部サーバー等から取得されてもよい。

【0048】

処理装置４２は、プロジェクター４の動作を制御する。処理装置４２は、動画再生部４２１、環境計測部４２２、及びログ送信部４２３としての機能を有している。処理装置４２は、１以上のＣＰＵを含んで構成されている。但し、処理装置４２は、ＣＰＵの代わりに、又はＣＰＵに加えて、ＦＰＧＡ等のプログラマブルロジックデバイスを備えていてもよい。

【0049】

処理装置４２は、記憶装置４１から制御プログラム４１１を読み出し、読み出された制御プログラム４１１を実行する。処理装置４２は、制御プログラム４１１を実行することにより、動画再生部４２１、環境計測部４２２、及びログ送信部４２３として機能する。

【0050】

動画再生部４２１は、コンテンツ配信サーバー２から取得した動画を再生する。

【0051】

環境計測部４２２は、視聴環境における環境指標を計測する。本実施形態では、環境計測部４２２は、照度、画面サイズ、及び騒音の３つの環境指標を計測する。環境計測部４２２は、照度センサ７１から視聴環境における照度に関する情報を取得する。環境計測部４２２は、距離センサ７２から距離ＬＰに関する情報を取得するとともに、取得された距離ＬＰに関する情報と、予め定められている投射光の広がり角に基づいて、画面サイズを算出する。環境計測部４２２は、騒音センサ７３から騒音値に関する情報を取得する。

【0052】

ログ送信部４２３は、視聴ログを、通信装置４３を介してコンテンツ配信サーバー２に送信する。視聴ログは、プロジェクター４により再生されたコンテンツに関する情報の履歴である。視聴ログには、１つのコンテンツに対して、例えば、視聴日時、再生中における視聴者の操作、視聴者による評価値が含まれる。

【0053】

通信装置４３は、他の装置と通信を行うための送受信デバイスとしてのハードウェアである。通信装置４３は、例えば、ネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュール等とも呼ばれる。通信装置４３は、有線接続用のコネクターを備え、上記コネクターに対応するインターフェース回路を備えていてもよい。また、通信装置４３は、無線通信インターフェースを備えていてもよい。有線接続用のコネクター及びインターフェース回路としては、有線ＬＡＮ、ＩＥＥＥ１３９４、ＵＳＢ等に準拠した製品が挙げられる。また、無線通信インターフェースとしては、無線ＬＡＮ及びＢｌｕｅｔｏｏｔｈ等に準拠した製品が挙げられる。通信装置４３は、コンテンツ配信サーバー２、データ解析サーバー３等の外部装置との間においてデータ通信を行う。

【0054】

操作装置４４は、ユーザーから、プロジェクター４に対する入力操作を受け付ける入力インターフェースである。操作装置４４は、例えば、プロジェクター４の筐体に設けられた操作ボタンを有している。操作装置４４は、押下された操作ボタンを識別する情報を処理装置４２へ出力する。これにより、ユーザーの操作装置４４に対する入力操作の内容が処理装置４２へ出力する。これにより、ユーザーの操作装置４４に対する入力操作の内容が処理装置４２へ伝達される。

【0055】

従って、視聴者は、操作装置４４を介してコンテンツの評価値をプロジェクター４に入力することができる。なお、操作装置４４は、操作ボタンの代わりにタッチパネルを有していてもよい。この場合、操作装置４４は、検出したタッチ位置を示すデータを処理装置４２へ出力する。また、操作装置４４は、プロジェクター４の筐体から独立したリモコン装置であってもよい。

【0056】

投射装置４５は、投射光を投射する。また、投射装置４５は、不図示の光源と、光変調器４５１と、投射レンズ４５２とを備えている。光源は、ハロゲンランプ、キセノンランプ、超高圧水銀ランプ、ＬＥＤ、レーザー光源等を含む。光変調器４５１は、１以上の液晶パネルを含んでいる。なお、光変調器４５１は、液晶パネルの代わりに、ＤＭＤを含んでいてもよい。

【0057】

光変調器４５１は、処理装置４２から入力される信号に基づいて、光源から発せられた光を、スクリーン６上に投射画像６１を表示するための投射光に変調する。ここで、ＬＥＤとは、Light Emitting Diodeの略称であり、ＤＭＤとはDigital Mirror Deviceの略称である。投射レンズ４５２は、光変調器４５１によって変調された投射光をスクリーン６において結像させる。

【0058】

投射装置４５は、動画再生部４２１の制御により、スクリーン６上に投射画像６１を表示するための投射光を投射する。言い換えると、投射装置４５は、処理装置４２から入力された画像情報に基づく画像をスクリーン６上に投射する。

【0059】

１．６．環境指標及び視聴ログの取得方法
以下、図６～図８を参照しつつ、環境指標及び視聴ログの取得方法について説明する。

【0060】

図６は、データ解析サーバー３において受信される視聴データの一例を示す図である。データ解析サーバー３は、各プロジェクター４においてコンテンツの再生が行われるごとに、図６に示した視聴データを受信する。

【0061】

図６は、プロジェクター４において再生されたコンテンツのコンテンツＩＤが「Ｘ」であること、プロジェクター４の端末ＩＤが「Ａ」であることを示している。また、図６に示した例によれば、視聴環境５における照度は５００ルクスであり、画面サイズは１５０インチであり、騒音は６０デジベルである。

【0062】

プロジェクター４の処理装置４２は、プロジェクター４が設置されている環境についての環境指標を取得する。

【0063】

図７は、取得部３２１において取得された環境指標の一例を示す図である。取得部３２１は、図６に示す視聴データから、照度に関する情報、画面サイズに関する情報、及び騒音に関する情報を抽出し、図７に示す環境指標を得る。取得された環境指標は、クラスタリングに用いられる。

【0064】

図８は、あるプロジェクター４に対する視聴ログの一例を示す図である。この例では、視聴ログには、端末ＩＤ「Ａ」のプロジェクター４において再生されたコンテンツ「Ｘ」、「Ｙ」、「Ｚ」ごとに、リピート再生回数及びコンテンツに対する評価値が記録される。ここで、リピート再生回数は、１つのプロジェクター４における同一コンテンツの再生回数を表す。各評価値は、１再生ごとの評価値の再生回数による平均値である。取得部３２１は、受信した複数の視聴データに基づいて、視聴端末ごとに図８に示すような視聴ログを作成する。

【0065】

１．７．推薦コンテンツの決定動作
以下、図９～図１２を参照しつつ、データ解析サーバー３における推薦コンテンツの決定動作について説明する。

【0066】

図９は、照度、画面サイズ、及び騒音の３つの環境指標をそれぞれ特徴ベクトルとする３次元の特徴ベクトル空間を示す図である。３次元の特徴ベクトル空間５００では、照度についての特徴ベクトルである照度ベクトルｅ１、画面サイズについての特徴ベクトルである画面サイズベクトルｓ１、及び騒音についての特徴ベクトルである騒音ベクトルｎ１が互いに直交している。これは、照度、画面サイズ、及び騒音は、互いに独立した物理量だからである。

【0067】

３つの特徴ベクトルを合成した合成ベクトルｐ１の先端位置Ｐ１の座標は（Ｅ１，Ｓ１，Ｎ１）である。合成ベクトルｐ１は、原点Ｏに関する点Ｐ１の位置ベクトルである。

【0068】

図１０は、取得された複数の視聴環境の各々における環境指標の合成ベクトルの分布を示す図である。図１０に示す複数の白丸の各々は、取得された環境指標の合成ベクトルの先端位置を表している。分類部３２２は、特徴ベクトル空間５００に散らばった環境指標の合成ベクトルの先端位置を、互いの類似度に応じて、複数のグループに分類する。

【0069】

より具体的に述べると、分類部３２２は、クラスタリング手法を用いて、特徴ベクトル空間５００に散らばった環境指標の合成ベクトルの先端位置を複数のグループに分類する。類似度は、例えば、複数の環境指標のうち互いに異なる２つの環境指標、すなわち、互いに異なる２つの合成ベクトルの先端位置同士のユークリッド距離から求められる。

【0070】

図１１は、各環境指標を複数のグループに分類した結果を示す図である。図１１に示した例では、複数の環境指標は、類似度に応じて、５つのグループＧ１～Ｇ５に分類される。

【0071】

推薦部３２３は、分類された第１のグループＧ１に属する各プロジェクター４において再生されたコンテンツについて、当該コンテンツの各プロジェクター４における評価値から第１のグループＧ１全体における評価値を算出する。あるコンテンツの第１のグループＧ１全体における評価値は、例えば、第１のグループＧ１に属する複数のプロジェクター４の各々における１再生ごとのコンテンツの評価値の総和を、当該コンテンツの総再生回数で除した値として得られる。なお、１つのコンテンツに、複数の視聴者から評価値が付与されてもよい。

【0072】

推薦部３２３は、第１のグループＧ１に属するプロジェクター４によって再生されたコンテンツのすべてについて、第１のグループＧ１全体における評価値を算出する。推薦部３２３は、第１のグループＧ１全体における評価値のランキング上位のコンテンツを推薦コンテンツとして決定する。推薦部３２３は、決定された推薦コンテンツに関する情報である推薦情報をコンテンツ配信サーバー２に提供する。

【0073】

なお、あるコンテンツの各グループ全体における評価値は、リピート再生回数によって重み付けが行われてもよい。例えば、推薦部３２３は、１再生ごとのコンテンツの評価値に対し、リピート再生回数に応じた１よりも大きい係数を乗じることにより重み付けを行う。また、推薦部３２３は、各プロジェクター４に対する推薦コンテンツから、各プロジェクター４において再生されたことがあるコンテンツを除外してもよい。

【0074】

推薦部３２３は、分類された第２のグループＧ２、第３のグループＧ３、第４のグループＧ４、及び第５のグループＧ５においても同様に、複数のコンテンツの各グループ全体における評価値をそれぞれ算出する。推薦部３２３は、算出された各コンテンツの評価値に基づいて、推薦コンテンツを決定し、推薦情報をコンテンツ配信サーバー２に提供する。

【0075】

コンテンツ配信サーバー２の管理部２２１は、推薦情報を受信すると、各プロジェクター４に対し、推薦コンテンツ情報を提供する。このように、推薦部３２３は、コンテンツ配信サーバー２を介して、各プロジェクター４を利用する１又は複数の視聴者に対し、視聴環境に応じたコンテンツを推薦する。なお、一人の視聴者が複数のプロジェクター４を保有する構成でもよい。また、推薦部３２３からコンテンツが推薦される１又は複数の視聴者は、１つのコンテンツに過去に評価値を付与した１又は複数の視聴者と異なってもよいし、同じでもよい。推薦部３２３からコンテンツが推薦される１又は複数の視聴者が１つのコンテンツに過去に評価値を付与した１又は複数の視聴者と異なる場合は、前者を１又は複数の視聴者と呼称し、後者を１又は複数の他の視聴者と呼称してもよい。

【0076】

図１２は、データ解析サーバー３の処理装置３２による推薦コンテンツ決定の動作を示すフローチャートである。以下、図１２を参照することにより、処理装置３２の動作について説明する。図１２のルーチンは、例えば、処理装置３２が起動されることにより開始され、一定の時間が経過する毎に実行されるようになっている。

【0077】

図１２のルーチンが開始されると、先ず、ステップＳ１１において、処理装置３２は、プロジェクター４から視聴ログが通知されたか否かを判定する。

【0078】

ステップＳ１１において、処理装置３２が、視聴ログが通知されたと判定した場合、即ち、ステップＳ１１における判定結果が肯定的（ステップＳ１１：ＹＥＳ）であった場合、処理装置３２は、ステップＳ１２の処理を実行する。この場合、ステップＳ１２において、処理装置３２は、視聴ログをプロジェクター４ごとに集計し、記憶装置３１に集計結果を保存する。集計結果には、プロジェクター４ごとの環境指標、即ち、照度、画面サイズ、及び騒音が含まれる。

【0079】

一方、ステップＳ１１において、処理装置３２が、視聴ログが通知されていないと判定した場合、即ち、ステップＳ１１における判定結果が否定的（ステップＳ１１：ＮＯ）であった場合、処理装置３２は、ステップＳ１２の処理を省略して、ステップＳ１３の処理を実行する。即ち、この場合、処理装置３２は、視聴ログの集計及び保存を実行しない。

【0080】

次いで、ステップＳ１３において、処理装置３２は、推薦情報を更新するタイミングであるか否かを判定する。推薦情報を更新するタイミングは、予め定められた更新周期に従って決められてもよいし、コンテンツ配信サーバー２からの更新の要求に従って決められてもよい。

【0081】

ステップＳ１３において、処理装置３２が、推薦情報を更新するタイミングであると判定した場合、即ち、ステップＳ１３における判定結果が肯定的（ステップＳ１３：ＹＥＳ）であった場合、処理装置３２は、ステップＳ１４の処理を実行する。この場合、ステップＳ１４において、処理装置３２は、集計結果に含まれる環境指標、即ち、照度、画面サイズ、及び騒音に基づいて、複数のプロジェクター４をクラスタリングする。

【0082】

次いで、ステップＳ１５において、処理装置３２は、クラスタリングされてできた各グループに属するプロジェクター４において再生された複数のコンテンツの各々に対して、複数のコンテンツの各々の評価値に基づいて、グループ全体における評価値を算出する。

【0083】

次いで、ステップＳ１６において、処理装置３２は、グループごとに算出された評価値に基づいて、各プロジェクター４に対する推薦コンテンツを決定する。

【0084】

次いで、ステップＳ１７において、処理装置３２は、各視聴端末から推薦情報の取得要求があったか否かを判定する。推薦情報の取得要求のタイミングは、例えば、視聴者が動画配信プラットフォームにおいて、コンテンツを検索するタイミング、視聴者が動画配信プラットフォームのホーム画面にアクセスしたタイミングである。この例では、推薦情報の取得要求は、コンテンツ配信サーバー２から送信される。

【0085】

ステップＳ１７において、処理装置３２が、推薦情報の取得要求があったと判定した場合、即ち、ステップＳ１７における判定結果が肯定的（ステップＳ１７：ＹＥＳ）であった場合、処理装置３２は、ステップＳ１８の処理を実行する。この場合、ステップＳ１８において、処理装置３２は、推薦情報をコンテンツ配信サーバー２に提供し、本ルーチンを一旦終了する。

【0086】

一方、ステップＳ１７において、処理装置３２が、推薦情報の取得要求がないと判定した場合、即ち、ステップＳ１７における判定結果が否定的（ステップＳ１７：ＮＯ）であった場合、処理装置３２は、ステップＳ１８の処理を省略して本ルーチンを一旦終了する。即ち、この場合、推薦情報は提供されない。

【0087】

以上が、選択操作に係る処理装置３２の動作である。なお、処理装置３２は、上述した各ステップにおいて以下のように機能する。処理装置３２は、ステップＳ１１において、取得部３２１として機能する。処理装置３２は、ステップＳ１２～Ｓ１６において、分類部３２２として機能する。処理装置３２は、ステップＳ１７において、推薦部３２３として機能する。

【0088】

１．８．第１実施形態が奏する効果
以上説明したように、コンテンツ推薦方法は、環境指標を、複数のプロジェクター４の各々について取得する。環境指標は、視聴者がコンテンツを視聴する環境、即ち、視聴環境を示す指標である。また、本方法は、視聴者によって付与される評価値を、複数のプロジェクター４の各々について取得する。評価値は、コンテンツの視聴品質の程度を示す値である。また、本方法は、取得された複数の環境指標のうち互いに異なる２つの環境指標の類似度に応じて、複数のプロジェクター４を複数のグループＧ１～Ｇ５に分類する。また、本方法は、分類された１つのグループに属する各プロジェクター４に対応付けられた評価値から１つのグループ全体における評価値を算出する。さらに、本方法は、算出された評価値に基づいて、１つのグループに属する各プロジェクター４を利用する視聴者に対し、視聴環境に応じたコンテンツを推薦する。

【0089】

以上のコンテンツ推薦方法によれば、教師なし学習を用いて、動画配信プラットフォームを利用する視聴者の視聴環境を学習することができる。また、以上のコンテンツ推薦方法によれば、視聴環境ごとに複数のプロジェクター４をいくつかのグループに分類し、分類された１つのグループに属する各プロジェクター４に対応付けられたコンテンツの評価値を算出することができる。１つのグループに属する複数のプロジェクター４によって再生された複数のコンテンツのうち、算出された評価値が上位のコンテンツは、当該グループに属する各プロジェクター４の視聴環境に適したコンテンツ、即ち、推薦すべきコンテンツと言える。従って、以上のコンテンツ推薦方法によれば、視聴者に対し、視聴環境に適したコンテンツを推薦することができる。

【0090】

なお、第１実施形態において、プロジェクター４は「視聴端末」の一例であり、スクリーン６は「投射対象」の一例である。

【0091】

また、環境指標は、視聴環境の照度、プロジェクター４の画面のサイズ、及び視聴環境における騒音を含んでいる。

【0092】

視聴環境の明るさを示す照度は、プロジェクター４の視聴に与える影響が大きい指標であり、比較的明るい環境において視聴されるコンテンツの傾向と、比較的暗い環境において視聴されるコンテンツの傾向とは異なると考えられる。また、比較的大きい画面サイズにおいて視聴されるコンテンツの傾向と、比較的小さい画面サイズにおいて視聴されるコンテンツの傾向とは異なると考えられる。また、比較的騒音値が低い家庭において視聴されるコンテンツの傾向と、比較的騒音値が高い商業施設において視聴されるコンテンツの傾向とは異なると考えられる。

【0093】

従って、視聴環境の照度、プロジェクター４の画面のサイズ、及び視聴環境における騒音を環境指標として、視聴者の視聴環境を学習することにより、視聴者に対して、より適切なコンテンツを推薦することができる。

【0094】

また、上述のように、視聴端末は、プロジェクター４であり、コンテンツは、プロジェクター４によってスクリーン６に表示され、画面のサイズは、スクリーン６に表示された画面のサイズである。

【0095】

プロジェクターは、照度の影響を受け易い表示デバイスである。また、プロジェクターは、画面のサイズを大きくするほど投射面上の輝度が低くなるため、画面のサイズを大きくするほど、照度の影響を受け易い。また、プロジェクターは、騒音値が比較的低い環境から比較的高い環境まで幅広く利用されている。従って、以上のコンテンツ推薦方法によれば、照度、画面のサイズ、及び騒音を指標としていくつかのグループにプロジェクターを分類するため、プロジェクターの利用環境に適したコンテンツを推薦することができる。

【0096】

また、環境指標には、少なくとも騒音が含まれる。

【0097】

これによれば、騒音を指標としていくつかのグループに視聴端末を分類するため、視聴端末の利用環境に適したコンテンツを推薦することができる。

【0098】

また、コンテンツ配信システム１は、複数のプロジェクター４の各々に１つ以上のコンテンツを配信するシステムである。コンテンツ配信システム１は、コンテンツ配信サーバー２と、データ解析サーバー３と、を備える。コンテンツ配信サーバー２は、記憶された複数のコンテンツの中から、複数のプロジェクター４の各々を利用する視聴者の要求に応じた視聴コンテンツを、視聴者に対応付けられたプロジェクター４に配信する。

【0099】

データ解析サーバー３は、取得部３２１と、分類部３２２と、推薦部３２３と、を有する。取得部３２１は、環境指標と評価値とを、複数のプロジェクター４の各々について取得する。環境指標は、視聴者がコンテンツを視聴する環境、即ち、視聴環境を示す指標である。評価値は、視聴者によって付与されるコンテンツの視聴品質の程度を示す値である。分類部３２２は、取得された複数の環境指標のうち互いに異なる２つの環境指標の類似度に応じて、複数のプロジェクター４を複数のグループに分類する。推薦部３２３は、分類された１つのグループに属する各視聴端末に対応付けられた評価値から１つのグループ全体における評価値を算出する。また、推薦部３２３は、算出された評価値に基づいて、１つのグループに属する各プロジェクター４を利用する視聴者に対し、視聴環境に応じたコンテンツを推薦する。

【0100】

以上のコンテンツ配信システムによれば、教師なし学習を用いて、動画配信プラットフォームを利用する視聴者の視聴環境を学習することができる。また、以上のコンテンツ配信システムによれば、視聴環境ごとに複数のプロジェクター４をいくつかのグループに分類し、分類された１つのグループに属する各プロジェクター４に対応付けられたコンテンツの評価値を算出することができる。１つのグループに属する複数のプロジェクター４によって再生された複数のコンテンツのうち、算出された評価値が上位のコンテンツは、当該グループに属する各プロジェクター４の視聴環境に適したコンテンツ、即ち、推薦すべきコンテンツと言える。従って、以上のコンテンツ配信システムによれば、視聴者に対し、視聴環境に適したコンテンツを推薦することができる。

【0101】

２．第２実施形態
以下、図１３～図１９を参照することにより、本発明の第２実施形態に係るコンテンツ配信システム、機械学習装置、及び推薦コンテンツ推定装置について説明する。なお、以下の説明では、説明の簡略化のため、第１実施形態と同一の構成要素に対しては、同一の符号を用いると共に、その機能の説明を省略することがある。また、以下の説明では、説明の簡略化のため、主として、第２実施形態が、第１実施形態に比較して相違する点について説明する。

【0102】

２．１．第２実施形態の構成
以下、図１３～図１４を参照しつつ、第２実施形態に係るコンテンツ配信システムの構成について説明する。

【0103】

図１３は、第２実施形態に係るコンテンツ配信システムの構成図である。コンテンツ配信システム１Ａは、コンテンツ配信サーバー２、データ解析サーバー３Ａ、複数の視聴端末としての複数のプロジェクター４を備えている。

【0104】

コンテンツ配信サーバー２と、データ解析サーバー３Ａと、複数のプロジェクター４とは、ネットワークＮＥＴを介して互いに接続されている。

【0105】

第１実施形態に係るデータ解析サーバー３は、教師なし学習を実行するサーバーとして機能していたが、第２実施形態に係るデータ解析サーバー３Ａは、教師あり学習を実行するサーバー又は教師あり学習の結果を用いてコンテンツを推薦するサーバーとして機能する。この点において、第２実施形態に係るデータ解析サーバー３Ａの構成は、第１実施形態に係るデータ解析サーバー３の構成と異なっている。第２実施形態におけるコンテンツ配信サーバー２及びプロジェクター４の各構成は、第１実施形態におけるコンテンツ配信サーバー２及びプロジェクター４の各構成と同じである。

【0106】

以下、データ解析サーバー３Ａは、第２実施形態に係る機械学習装置及び推薦コンテンツ推定装置として機能する。

【0107】

図１４は、図１３のデータ解析サーバー３Ａの構成例を示すブロック図である。データ解析サーバー３Ａは、記憶装置３１、処理装置３２Ａ、及び通信装置３３を備えている。

【0108】

記憶装置３１Ａは、各種情報を記憶する。記憶装置３１Ａは、例えば、ＲＡＭ等の揮発性メモリー及びＲＯＭ等の不揮発性メモリーを含んで構成されている。記憶装置３１Ａには、制御プログラム３１１Ａ等が記憶されている。記憶装置３１Ａの揮発性メモリーは、処理装置３２Ａのワークエリア３１２Ａとして処理装置３２Ａに利用される。制御プログラム３１１Ａは、データ解析サーバー３Ａの全体を制御するプログラムである。

【0109】

なお、記憶装置３１Ａの一部又は全部は、外部記憶装置、外部サーバー等に設けられてもよい。また、記憶装置３１Ａに記憶される各種情報の一部又は全部は、予め記憶装置３１Ａに記憶されてもよいし、外部記憶装置、外部サーバー等から取得されてもよい。

【0110】

処理装置３２Ａは、データ解析サーバー３Ａの動作を制御する。処理装置３２Ａは、１以上のＣＰＵを含んで構成されている。但し、処理装置３２Ａは、ＣＰＵの代わりに、又はＣＰＵに加えて、ＦＰＧＡ等のプログラマブルロジックデバイスを備えていてもよい。

【0111】

通信装置３３の構成は、第１実施形態に係る通信装置３３の構成と同様であるため、説明を省略する。

【0112】

２．２．機械学習装置
以下、図１５～図１８を参照しつつ、第２実施形態に係る機械学習装置について説明する。

【0113】

図１５は、第２実施形態に係る機械学習装置８の一例を示すブロック図である。機械学習装置８は、制御部８０、通信部８１、教師データ記憶部８２、及び学習済みモデル記憶部８３を備えている。図１５において、制御部８０は、処理装置３２Ａにより実現され、通信部８１は、通信装置３３Ａにより実現され、教師データ記憶部８２及び学習済みモデル記憶部８３は、記憶装置３１Ａにより実現される。

【0114】

制御部８０は、制御プログラム２１１Ａを実行することにより、取得部８００及び生成部８０１として機能する。通信装置３３により実現される通信部８１は、ネットワークＮＥＴを介して、コンテンツ配信サーバー２及び各プロジェクター４と接続され、各種のデータを送受信する通信インターフェースとして機能する。

【0115】

取得部８００は、ネットワークＮＥＴを介して、コンテンツ配信サーバー２及び各プロジェクター４と接続され、入力データ及び出力データが対応付けられて構成される複数の教師データを取得する。

【0116】

教師データ記憶部８２は、取得部８００において取得された複数の教師データを記憶するデータベースである。

【0117】

生成部８０１は、複数の教師データを学習モデル９に機械学習させることによって、学習済みの学習モデルを生成する。より具体的に述べると、生成部８０１は、教師データ記憶部８２に記憶された教師データを用いて機械学習を実施する。即ち、生成部８０１は、学習モデル９に複数の教師データを入力することにより、教師データを構成する入力データと出力データとの相関関係を学習モデル９に機械学習させることにより、学習済みの学習モデル９を生成する。

【0118】

学習済みモデル記憶部８３は、生成部８０１により機械学習させた学習済みの学習モデル９を記憶するデータベースである。学習済みモデル記憶部８３に記憶された学習モデル９は、ネットワークＮＥＴ、記録媒体等を介して推薦コンテンツ推定装置に提供される。なお、学習モデル９は、例えば、サーバー型コンピュータ、クラウド型コンピュータ等の外部コンピュータに提供されて、外部コンピュータの記憶部に記憶されてもよい。また、図１５において、教師データ記憶部８２と、学習済みモデル記憶部８３とは別々の記憶部として示されているが、これらは単一の記憶部により構成されてもよい。

【0119】

図１６は、第２実施形態に係る教師データの一例を示すデータ構成図である。教師データは、環境情報及び視聴したコンテンツに関する属性情報を含む入力データと、視聴したコンテンツに対する視聴者の評価値を含む出力データとのセットにより構成されている。

【0120】

環境情報には、照度、画面サイズ、及び騒音が含まれる。照度は、照度センサ７１により測定される。画面サイズは、距離センサ７２により測定されたプロジェクター４とスクリーン６との間の距離と、プロジェクター４の光の広がり角とに基づいて算出される。騒音は、騒音センサ７３により測定される。照度センサ７１、距離センサ７２、及び騒音センサ７３は、それぞれプロジェクター４に接続されている。

【0121】

属性情報には、コンテンツのジャンルを示す情報及びコンテンツの投稿者を示す情報が含まれる。属性情報は、メタデータとしてコンテンツに予め付帯している。

【0122】

出力データは、教師あり学習において、例えば、正解ラベルと呼ばれるものである。出力データに含まれる評価値は、プロジェクター４によって再生されたコンテンツの視聴品質の程度を示す値であり、視聴者によって付与される。

【0123】

図１４の例では、入力データに含まれる環境情報及び属性情報に対して、出力データとして、評価値、即ち、視聴ログが対応付けられている。

【0124】

図１７は、第２実施形態に係る学習モデル９に適用されるニューラルネットワークモデルの一例を示す概略図である。ニューラルネットワークモデル９０は、入力層９１、中間層９２、及び出力層９３を備えている。

【0125】

入力層９１は、入力データとしての環境情報及び属性情報に対応する数のニューロンを有し、環境情報及び属性情報が各ニューロンにそれぞれ入力される。

【0126】

中間層９２は、例えば、畳み込みニューラルネットワークにより構成される。中間層９２は、入力層９１を介して入力された環境情報及び属性情報から抽出された特徴量を活性化関数によって変換し、一次元配列の特徴ベクトルとして出力する。

【0127】

出力層９３は、中間層９２から出力された特徴ベクトルに基づいて、「属性情報」に含まれるコンテンツの「評価値」を含む出力データを出力する。

【0128】

ニューラルネットワークモデル９０の各相の間には、層間のニューロンをそれぞれ接続するシナプスが張られている。

【0129】

生成部８０１は、教師データをニューラルネットワークモデル９０に入力し、入力データである環境情報及び属性情報と、出力データである評価値との相関関係をニューラルネットワークモデル９０に機械学習させる。より具体的に述べると、生成部８０１は、教師データを構成する環境情報及び属性情報を入力データとして、ニューラルネットワークモデル９０の入力層９１に入力する。

【0130】

生成部８０１は、出力層９３から推論結果として出力された出力データ、即ち、評価値と、当該教師データを構成する出力データ、即ち、評価値の正解ラベルとを比較する評価関数を用いて、評価関数の値が小さくなるように、各シナプスに対応付けられた重みを調整することを反復する。ここで、各シナプスに対応付けられた重みを調整することは、バックプロパゲーションと呼ばれる。

【0131】

生成部８０１は、所定の学習終了条件が満たされたと判定した場合、機械学習を終了し、その時点におけるニューラルネットワークモデル９０を、学習済みの学習モデル９として学習済みモデル記憶部８３に格納する。所定の学習終了条件は、例えば、上記一連の学習の処理の反復回数が所定の回数に達すること、及び評価関数の値が許容値よりも小さくなることである。

【0132】

図１８は、第２実施形態に係る機械学習装置８による機械学習方法の一例を示すフローチャートである。

【0133】

まず、ステップＳ２１において、制御部８０は、機械学習を開始するための事前準備として、複数の教師データを準備し、準備した教師データを教師データ記憶部８２に記憶する。ここで準備する教師データの数は、最終的に得られる学習モデル９に要求される推論精度を考慮して設定すればよい。

【0134】

次いで、ステップＳ２２において、制御部８０は、機械学習を開始するため、学習前の学習モデル９を準備する。ここで準備する学習前の学習モデル９は、図１７に示したニューラルネットワークモデルを採用したものであり、各シナプスの重みが初期値に設定されている。入力層９１の各ニューロンには、教師データを構成する入力データとしての属性情報及び環境情報が対応付けられる。出力層９３の各ニューロンには、教師データを構成する出力データとしてのコンテンツの評価値が対応付けられる。

【0135】

次いで、ステップＳ２３において、制御部８０は、教師データ記憶部８２に記憶された複数の教師データから、例えば、ランダムに１つの教師データを取得する。

【0136】

次いで、ステップＳ２４において、制御部８０は、１つの教師データに含まれる入力データを、準備した学習前又は学習中の学習モデル９の入力層９１に入力する。その結果、学習モデル９の出力層９３から推論結果として出力データが出力される。しかし、当該出力データは、学習前又は学習中の学習モデル９によって生成されたものである。そのため、学習前又は学習中の状態においては、推論結果として出力されたデータは、教師データに含まれる出力データ、即ち、正解ラベルとは異なる情報を示す。

【0137】

次いで、ステップＳ２５において、制御部８０は、ステップＳ２３において取得された１つの教師データに含まれる出力データ、即ち、正解ラベルと、ステップＳ２４において出力層９３から推論結果として出力された出力データとを比較し、各シナプスの重みを調整することにより、機械学習を実施する。これにより、制御部８０は、入力データと出力データとの相関関係を学習モデル９に学習させる。

【0138】

次いで、ステップＳ２６において、制御部８０は、所定の学習終了条件が満たされたか否かを、推論結果と、教師データに含まれる出力データ、即ち、正解ラベルとに基づく評価関数の値に基づいて判定する。なお、制御部８０は、所定の学習終了条件が満たされたか否かを、推論結果と、教師データ記憶部８２内に記憶された未学習の教師データの残数に基づいて判定してもよい。

【0139】

ステップＳ２６において、制御部８０が、学習終了条件が満たされておらず、機械学習を継続すると判定した場合、即ち、ステップＳ２６における判定結果が否定的（ステップＳ２６：ＮＯ）であった場合、制御部８０は、学習中の学習モデル９に対して、ステップＳ２３からステップＳ２５までの処理を未学習の教師データを用いて複数回実施する。

【0140】

一方、ステップＳ２６において、制御部８０が、学習終了条件が満たされたと判定した場合、即ち、ステップＳ２６における判定結果が肯定的（ステップＳ２６：ＹＥＳ）であった場合、制御部８０は、ステップＳ２７において、各シナプスに対応付けられた重みを調整することにより、機械学習させた学習済みの学習モデル９、即ち、調整済みの重みパラメータ群を学習済みモデル記憶部８３に記憶し、本ルーチンを一旦終了する。

【0141】

以上が、機械学習方法の概要である。なお、制御部８０は、上述したステップＳ２１において、取得部８００として機能し、上述したステップＳ２２～Ｓ２７において、生成部８０１として機能する。

【0142】

なお、図１８の機械学習方法では、重みを調整する手法として、オンライン学習を採用した場合について説明したが、バッチ学習やミニバッチ学習等が採用されてもよい。さらに、所定の学習終了条件が満たされたか否かは、誤判定率に基づいて判定されてもよい。

【0143】

２．３．推薦コンテンツ推定装置
以下、図１９を参照しつつ、第２実施形態に係る推薦コンテンツ推定装置について説明する。

【0144】

図１９は、第２実施形態に係る推薦コンテンツ推定装置の一例を示すブロック図である。推薦コンテンツ推定装置１０は、制御部１００、通信部１０１、及び学習済みモデル記憶部１０２を備えている。図１８において、制御部１００は、処理装置３２Ａにより実現され、通信部１０１は、通信装置３３Ａにより実現され、学習済みモデル記憶部１０２は、記憶装置３１Ａにより実現される。

【0145】

制御部１００は、制御プログラム２１１Ａを実行することにより、判定データ取得部１１０、推定部１１１、決定部１１２及び出力処理部１１３として機能する。

【0146】

通信部１０１は、ネットワークＮＥＴを介して、コンテンツ配信サーバー２、複数のプロジェクター４等の外部装置と接続され、各種のデータを送受信する通信インターフェースとして機能する。

【0147】

判定データ取得部１１０は、外部装置と通信部１０１及びネットワークＮＥＴを介して接続されている。判定データ取得部１１０は、環境指標と候補コンテンツとを含む判定データを取得する。環境指標は、プロジェクター４が設置された環境を示す指標である。環境指標には、照度、画面サイズ、騒音が含まれる。候補コンテンツは、プロジェクター４を利用する第１視聴者に推薦するコンテンツの候補である。

【0148】

推定部１１１は、判定データ取得部１１０により取得された判定データを学習モデル９に入力することにより、コンテンツの評価値を推定する推論処理を実行する。より具体的に述べると、推定部１１１は、視聴者がコンテンツを視聴する環境に関する情報及びコンテンツの属性に関する情報と、コンテンツに対する視聴者の評価値との関係を学習済みである学習モデル９に、判定データを入力することによって出力されるコンテンツの評価値を、候補コンテンツに対する第１視聴者の評価値であると推定する。

【0149】

決定部１１２は、推定部１１１によって推定された評価値に基づいて、第１視聴者に推薦するコンテンツを決定する。例えば、決定部１１２は、推定された評価値が高いコンテンツを推薦コンテンツとして決定すればよい。

【0150】

出力処理部１１３は、決定部１１２により推論されたコンテンツの評価値を出力するための出力処理を実行する。コンテンツの評価値を出力するための具体的な出力手段は、種々の手段を採用することが可能である。例えば、出力処理部１１３は、コンテンツの評価値をコンテンツ配信サーバー２に送信したり、推薦コンテンツ推定装置１０の記憶部に記憶したりしてもよい。

【0151】

学習済みモデル記憶部８３は、推定部１１１の推論処理において用いられる学習済みの学習モデル９を記憶するデータベースである。なお、学習済みモデル記憶部８３は、例えば、サーバー型コンピュータ、クラウド型コンピュータ等の外部コンピュータの記憶部によって代用されてもよい。その場合、推定部１１１は、当該外部コンピュータにアクセスすることにより、上記の推論処理を実行してもよい。

【0152】

２．４．第２実施形態が奏する効果
以上の説明によれば、第２実施形態に係る推薦コンテンツ推定装置は、判定データ取得部１１０と、推定部１１１と、決定部１１２とを備える。判定データ取得部１１０は、プロジェクター４が設置された環境を示す環境指標と、プロジェクター４を利用する第１視聴者に推薦するコンテンツの候補である候補コンテンツとを含む判定データを取得する。推定部１１１は、視聴者がコンテンツを視聴するときの環境に関する情報及びコンテンツの属性に関する情報と、コンテンツに対する視聴者による評価値との関係を学習済みである学習モデル９に、判定データを入力することによって出力される評価値を、候補コンテンツに対する第１視聴者の評価値であると推定する。決定部１１２は、推定部１１１によって推定された評価値に基づいて、第１視聴者に推薦するコンテンツを決定する。

【0153】

以上の推薦コンテンツ推定装置によれば、教師あり学習を用いて生成された学習モデル９に判定データを入力することによって出力される評価値を、候補コンテンツに対する評価値であると推定する。従って、これによれば、推定された評価値に基づいて、推薦コンテンツを決定することができ、例えば、推定された評価値が高いコンテンツを推薦コンテンツとして決定することができる。

【0154】

また、第２実施形態に係る機械学習装置は、取得部８００と、生成部８０１とを備える。取得部８００は、複数の教師データを取得する。生成部８０１は、複数の教師データを学習モデル９に機械学習させることによって、学習済みの学習モデル９を生成する。複数の教師データの各々は、視聴者がプロジェクター４を用いて視聴したコンテンツの属性に関する属性情報及びプロジェクター４の環境を示す環境情報と、コンテンツの視聴品質の程度を示す評価値であって、視聴者によって付与される評価値とを含む。

【0155】

以上の機械学習装置によれば、複数の教師データの各々は、属性情報及び環境情報と、評価値とを含む。従って、これによれば、動画配信プラットフォームを利用する視聴者の視聴環境と、視聴者のコンテンツに対する評価値との相関関係を学習させることができる。また、これによれば、生成された学習済みの学習モデル９に判定データを入力することによって出力される評価値を、候補コンテンツに対する評価値であると推定することができる。

【0156】

３．変形例
本発明は上記実施形態に限定されることはなく、本発明の範囲内において種々の変形例を採用することができる。具体的な変形の態様を以下に例示する。また、以下の例示から任意に選択された２以上の態様は、相互に矛盾しない範囲内において適宜併合され得る。なお、以下に例示する変形例において、作用や機能が前述の実施形態と同等である要素については、以上の説明において使用した符号を流用して各々の詳細な説明を適宜省略する。

【0157】

３．１．変形例１
第１実施形態では、各プロジェクターに対応する環境指標は、厳密には、コンテンツを再生するごとに変化する。例えば、あるプロジェクターにおいて、第１のコンテンツを再生した時点における環境指標と、第２のコンテンツを再生した時点における環境指標との差分が判定閾値未満である場合、取得部３２１は、上記２つの時点における視聴環境は同等であると見做す。この場合、取得部３２１は、２つの環境指標を平均化する。

【0158】

あるプロジェクターにおいて、第１のコンテンツを再生した時点における環境指標と、第２のコンテンツを再生した時点における環境指標との差分が判定閾値以上である場合、取得部３２１は、上記２つの時点における視聴環境は相違していると見做す。この場合、取得部３２１は、異なる２つの視聴環境にそれぞれ設置された互いに異なるプロジェクターがあると見做す。

【0159】

この場合、例えば、取得部３２１は、第１のコンテンツを再生した時点におけるプロジェクターと、第２のコンテンツを再生した時点におけるプロジェクターとに、それぞれ異なるＩＤを割り振る。例えば、リビングルームに１台のプロジェクターが設置されている場合であっても、カーテンが閉められ、室内が暗くされた状態において映画が視聴されることも、カーテンが開けられ、室内が明るくされた状態においてキッズ向けの番組が視聴されることもある。このような場合、取得部３２１は、カーテンが閉められた状態と、カーテンが開けられた状態とで、プロジェクターに互いに異なるＩＤを割り振り、分類部３２２にデータを送信すればよい。

【0160】

３．２．変形例２
第１実施形態において、データ解析サーバー３が推薦部３２３を有していたが、コンテンツ配信サーバー２が推薦部３２３の機能の一部を有していてもよい。例えば、データ解析サーバー３は、１つのグループ全体における評価値を算出するまでを実施する。コンテンツ配信サーバー２は、算出された１つのグループ全体の評価値をデータ解析サーバー３から取得し、取得された評価値に基づいて、１つのグループに属する各プロジェクター４を利用する視聴者に対し、視聴環境に応じたコンテンツを推薦してもよい。

【0161】

３．３．変形例３
第１実施形態において、分類部３２２は、分類するグループの数を初期値として与えてもよい。これによれば、クラスタリングの収束する時間を短縮することができる。

【0162】

３．４．変形例４
プロジェクター４の明部の輝度と暗部の輝度との比であるコントラスト比は、照度に影響を受け易い。そこで、コントラスト比を測定し、測定されたコントラスト比から照度を推定してもよい。また、測定されたコントラスト比を環境指標の１つとして加えてもよい。

【0163】

３．５．変形例５
画面サイズの測定は、プロジェクター４からスクリーン６に、サイズ測定用パターンを含む投射画像を投射し、サイズ測定用パターンを、プロジェクター４に接続されたカメラにより撮影し、撮影されたサイズ測定用パターンに対して画像処理を実施することにより測定してもよい。この場合、カメラは、カメラとスクリーン６との距離が、プロジェクター４のレンズとスクリーン６との距離が互いに等しくなるように固定される。また、固定されたカメラに代えて、プロジェクター４と連携したスマートフォンを用いて、スクリーン６上のサイズ測定用パターンが撮影されてもよい。

【0164】

３．６．変形例６
第１実施形態及び第２実施形態において、視聴環境の騒音は、騒音センサにより取得したが、プロジェクター４に接続されたマイクロホン又はプロジェクター４と連携したスマートフォンを用いて取得された音信号から計算されてもよい。

【0165】

３．７．変形例７
第１実施形態の教師なし学習において、クラスタリング手法を用いる際、類似度を互いに異なる２つの先端位置のユークリッド距離から求めたが、ユークリッド距離に代えて、マハラノビス距離、マンハッタン距離、チェビシェフ距離等を用いてもよい。

【0166】

３．８．変形例８
第１実施形態及び第２実施形態では、視聴端末としてプロジェクター４が用いられていたが、視聴端末には、液晶ディスプレイ、有機ＥＬディスプレイ、プラズマディスプレイ等が用いられていてもよい。また、視聴端末として、プロジェクター４、液晶ディスプレイ、有機ＥＬディスプレイ、及びプラズマディスプレイが混在していてもよい。ここで、ＥＬとは、electro-luminescenceの略称である。

【0167】

４．付記
以下、付記として本開示のまとめを記載する。

【0168】

４．１．付記１
視聴者がコンテンツを視聴する環境を示す環境指標を、複数の視聴端末の各々について取得することと、コンテンツの視聴品質の程度を示す評価値であって視聴者によって付与される前記評価値を、前記複数の視聴端末の各々について取得することと、前記取得された複数の環境指標のうち互いに異なる２つの環境指標の類似度に応じて、前記複数の視聴端末を複数のグループに分類することと、前記分類された１つのグループに属する各視聴端末に対応付けられた前記評価値から前記１つのグループ全体における評価値を算出し、前記算出された評価値に基づいて、前記１つのグループに属する各視聴端末を利用する視聴者に対し、前記環境に応じたコンテンツを推薦することとを含む、コンテンツ推薦方法。

【0169】

付記１に記載のコンテンツ推薦方法によれば、教師なし学習を用いて、動画配信プラットフォームを利用する視聴者の視聴環境を学習することができる。また、これによれば、視聴環境ごとに複数の視聴端末をいくつかのグループに分類し、分類された１つのグループに属する各視聴端末に対応付けられたコンテンツの評価値を算出することができる。１つのグループに属する複数の視聴端末によって再生された複数のコンテンツのうち、算出された評価値が上位のコンテンツは、当該グループに属する各視聴端末の視聴環境に適したコンテンツ、即ち、推薦すべきコンテンツと言える。従って、付記１に記載のコンテンツ推薦方法によれば、視聴者に対し、視聴環境に適したコンテンツを推薦することができる。

【0170】

４．２．付記２
前記環境指標は、前記視聴環境の照度、前記視聴端末の画面のサイズ、及び前記視聴環境における騒音のうち、少なくとも１つを含む付記１に記載のコンテンツ推薦方法。

【0171】

視聴環境の明るさを示す照度は、視聴端末の視聴に与える影響が大きい指標であり、比較的明るい環境において視聴されるコンテンツの傾向と、比較的暗い環境において視聴されるコンテンツの傾向とは異なると考えられる。また、比較的大きい画面サイズにおいて視聴されるコンテンツの傾向と、比較的小さい画面サイズにおいて視聴されるコンテンツの傾向とは異なると考えられる。また、比較的騒音値が低い家庭において視聴されるコンテンツの傾向と、比較的騒音値が高い商業施設において視聴されるコンテンツの傾向とは異なると考えられる。

【0172】

従って、付記２に記載のコンテンツ推薦方法によれば、視聴環境の照度、視聴端末の画面のサイズ、及び視聴環境における騒音を環境指標として、視聴者の視聴環境を学習することにより、視聴者に対して、より適切なコンテンツを推薦することができる。

【0173】

４．３．付記３
前記視聴端末は、プロジェクターであり、前記コンテンツは、前記プロジェクターによって投射対象に表示され、前記画面のサイズは、前記投射対象に表示された画面のサイズである付記１又は付記２に記載のコンテンツ推薦方法。

【0174】

プロジェクターは、照度の影響を受け易い表示デバイスである。また、プロジェクターは、画面のサイズを大きくするほど投射面上の輝度が低くなるため、画面のサイズを大きくするほど、照度の影響を受け易い。また、プロジェクターは、騒音値が比較的低い環境から比較的高い環境まで幅広く利用されている。従って、付記３に記載のコンテンツ推薦方法によれば、照度、画面のサイズ、及び騒音を指標としていくつかのグループにプロジェクターを分類するため、プロジェクターの利用環境に適したコンテンツを推薦することができる。

【0175】

４．４．付記４
前記環境指標には、少なくとも前記騒音が含まれる、付記１から付記３までのいずれか１項に記載のコンテンツ推薦方法。

【0176】

付記４に記載のコンテンツ推薦方法によれば、騒音を指標としていくつかのグループに視聴端末を分類するため、視聴端末の利用環境に適したコンテンツを推薦することができる。

【0177】

４．５．付記５
複数の視聴端末の各々に１つ以上のコンテンツを配信するコンテンツ配信システムであって、コンテンツ配信サーバーと、データ解析サーバーと、を備え、前記コンテンツ配信サーバーは、記憶された前記複数のコンテンツの中から、前記複数の視聴端末の各々を利用する視聴者の要求に応じた視聴コンテンツを、前記視聴者に対応付けられた視聴端末に配信し、前記データ解析サーバーは、視聴者がコンテンツを視聴する環境を示す環境指標と、コンテンツの視聴品質の程度を示す評価値であって視聴者によって付与される前記評価値とを、前記複数の視聴端末の各々について取得する取得部と、前記取得された複数の環境指標のうち互いに異なる２つの環境指標の類似度に応じて、前記複数の視聴端末を複数のグループに分類する分類部と、前記分類された１つのグループに属する各視聴端末に対応付けられた前記評価値から前記１つのグループ全体における評価値を算出し、前記算出された評価値に基づいて、前記１つのグループに属する各視聴端末を利用する視聴者に対し、前記環境に応じたコンテンツを推薦する推薦部と、を有する、コンテンツ配信システム。

【0178】

付記５に記載のコンテンツ配信システムによれば、教師なし学習を用いて、動画配信プラットフォームを利用する視聴者の視聴環境を学習することができる。また、以上のコンテンツ配信システムによれば、視聴環境ごとに複数の視聴端末をいくつかのグループに分類し、分類された１つのグループに属する各視聴端末に対応付けられたコンテンツの評価値を算出することができる。１つのグループに属する複数の視聴端末によって再生された複数のコンテンツのうち、算出された評価値が上位のコンテンツは、当該グループに属する各視聴端末の視聴環境に適したコンテンツ、即ち、推薦すべきコンテンツと言える。従って、これによれば、視聴者に対し、視聴環境に適したコンテンツを推薦することができる。

【0179】

４．６．付記６
視聴端末が設置された環境を示す環境指標と、前記視聴端末を利用する第１視聴者に推薦するコンテンツの候補である候補コンテンツとを含む判定データを取得する判定データ取得部と、視聴者がコンテンツを視聴するときの環境に関する情報及び前記コンテンツの属性に関する情報と、前記コンテンツに対する前記視聴者による評価値との関係を学習済みである学習モデルに、前記判定データを入力することによって出力される評価値を、前記候補コンテンツに対する前記第１視聴者の評価値であると推定する推定部と、前記推定部によって推定された評価値に基づいて、前記第１視聴者に推薦するコンテンツを決定する決定部と、を備える、推薦コンテンツ推定装置。

【0180】

付記６に記載の推薦コンテンツ推定装置によれば、教師あり学習を用いて生成された学習モデル９に判定データを入力することによって出力される評価値を、候補コンテンツに対する評価値であると推定する。従って、これによれば、推定された評価値に基づいて、推薦コンテンツを決定することができる。これによれば、例えば、推定された評価値が高いコンテンツを推薦コンテンツとして決定することができる。

【0181】

４．７．付記７
複数の教師データを取得する取得部と、複数の教師データを学習モデルに機械学習させることによって、学習済みの学習モデルを生成する生成部とを備え、前記複数の教師データの各々は、視聴者が視聴端末を用いて視聴したコンテンツの属性に関する属性情報及び前記視聴端末の環境を示す環境情報と、前記コンテンツの視聴品質の程度を示す評価値であって前記視聴者によって付与される前記評価値とを含む、機械学習装置。

【0182】

付記７に記載の機械学習装置によれば、複数の教師データの各々は、属性情報及び環境情報と、評価値とを含む。従って、これによれば、動画配信プラットフォームを利用する視聴者の視聴環境と、視聴者のコンテンツに対する評価値との相関関係を学習させることができる。また、これによれば、生成された学習済みの学習モデルに判定データを入力することによって出力される評価値を、候補コンテンツに対する評価値であると推定することができる。

【符号の説明】

【0183】

１，１Ａ…コンテンツ配信システム、２…コンテンツ配信サーバー、３，３Ａ…データ解析サーバー、４…プロジェクター、５…視聴環境、６…スクリーン、８…機械学習装置、９…学習モデル、１０…推薦コンテンツ推定装置、１１０…判定データ取得部、１１１…推定部、１１２…決定部、３２１…取得部、３２２…分類部、３２３…推薦部、８００…取得部、８０１…生成部、Ｇ１…第１のグループ、Ｇ２…第２のグループ、Ｇ３…第３のグループ、Ｇ４…第４のグループ、Ｇ５…第５のグループ、Ｕ１…視聴者。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】