Nothing Special   »   [go: up one dir, main page]

JP5578040B2 - 情報処理装置および方法、情報処理システム、並びに、プログラム - Google Patents

情報処理装置および方法、情報処理システム、並びに、プログラム Download PDF

Info

Publication number
JP5578040B2
JP5578040B2 JP2010254828A JP2010254828A JP5578040B2 JP 5578040 B2 JP5578040 B2 JP 5578040B2 JP 2010254828 A JP2010254828 A JP 2010254828A JP 2010254828 A JP2010254828 A JP 2010254828A JP 5578040 B2 JP5578040 B2 JP 5578040B2
Authority
JP
Japan
Prior art keywords
type
content
user
server
category
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP2010254828A
Other languages
English (en)
Other versions
JP2012108592A5 (ja
JP2012108592A (ja
Inventor
剛 高木
隆之 坂本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Original Assignee
Sony Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sony Corp filed Critical Sony Corp
Priority to JP2010254828A priority Critical patent/JP5578040B2/ja
Priority to AU2011235919A priority patent/AU2011235919A1/en
Priority to EP11188060A priority patent/EP2453372A3/en
Priority to US13/291,676 priority patent/US8832005B2/en
Priority to CN2011103497563A priority patent/CN102467577A/zh
Publication of JP2012108592A publication Critical patent/JP2012108592A/ja
Publication of JP2012108592A5 publication Critical patent/JP2012108592A5/ja
Application granted granted Critical
Publication of JP5578040B2 publication Critical patent/JP5578040B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/63Querying
    • G06F16/635Filtering based on additional data, e.g. user or group profiles
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43Querying
    • G06F16/438Presentation of query results
    • G06F16/4387Presentation of query results by the use of playlists
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Description

本発明は、情報処理装置および方法、情報処理システム、並びに、プログラムに関し、特に、コンテンツの推薦を行う場合に用いて好適な情報処理装置および方法、情報処理システム、並びに、プログラムに関する。
従来、過去にユーザが利用したり、良い評価を与えたコンテンツの属性に基づいて、ユーザの嗜好にあったコンテンツを推薦する方法が各種提案されている(例えば、特許文献1参照)。
例えば、ユーザが過去に良い評価を与えたコンテンツが有する属性を抽出条件とするクエリをクライアントからサーバに送信し、サーバがその抽出条件に基づいてコンテンツを抽出し、クライアントに配信するシステムが提案されている。
特開2007−202181号公報
しかしながら、必ずしもクライアントから指定された抽出条件を満たすコンテンツがサーバに存在するとは限らず、ユーザにコンテンツを推薦できない場合がある。この場合、クライアント−サーバ間で無駄な通信が発生したり、サーバで無駄な処理が発生したりするため、処理できるクライアント数が減少する。また、ユーザは、サーバからの応答を待ったにも関わらず、コンテンツの推薦を受けることができないため、不快感を覚えるおそれがある。
本発明は、このような状況を鑑みてなされたものであり、無駄な通信および処理の発生を防止しつつ、ユーザの嗜好を反映したコンテンツの推薦を行うことができるようにするにするものである。
本発明の第1の側面の情報処理装置は、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習する学習手段と、前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、前記推薦可能タイプのうち所定の条件を満たすタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択する選択手段と、前記選択したタイプのコンテンツを前記サーバから取得する取得手段とを含み、前記選択手段は、前記ユーザの嗜好の学習が行われていないカテゴリを選択した場合、前記選択したカテゴリに前記代替タイプが存在するとき、その中から1つ以上のタイプを選択し、前記選択したカテゴリに前記代替タイプが存在しないとき、他のカテゴリを選択する。
本発明の第2の側面の情報処理装置は、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習する学習手段と、前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択する選択手段と、前記選択したタイプのコンテンツを前記サーバから取得する取得手段とを含む。
前記選択手段には、前記選択したカテゴリに前記ユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から前記ユーザの嗜好度が高いタイプを優先して選択させることができる。
前記選択手段には、前記選択したカテゴリに前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプのうち前記ユーザの嗜好と一致するタイプに近いタイプを優先して選択させることができる。
前記取得手段には、前記サーバまたは前記サーバと異なるサーバから前記タイプ情報を取得させることができる。
前記取得手段には、前記サーバまたは前記サーバと異なるサーバから、前記選択したタイプのコンテンツのリストを取得させ、前記リストに基づいて前記サーバからコンテンツを取得させることができる。
本発明の第1の側面の情報処理方法は、情報処理装置が、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、前記推薦可能タイプのうち所定の条件を満たすタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択するとともに、前記ユーザの嗜好の学習が行われていないカテゴリを選択した場合、前記選択したカテゴリに前記代替タイプが存在するとき、その中から1つ以上のタイプを選択し、前記選択したカテゴリに前記代替タイプが存在しないとき、他のカテゴリを選択し、前記選択したタイプのコンテンツを前記サーバから取得するステップを含む。
本発明の第2の側面の情報処理方法は、情報処理装置が、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択し、前記選択したタイプのコンテンツを前記サーバから取得するステップを含む。
本発明の第1の側面のプログラムは、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、前記推薦可能タイプのうち所定の条件を満たすタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択するとともに、前記ユーザの嗜好の学習が行われていないカテゴリを選択した場合、前記選択したカテゴリに前記代替タイプが存在するとき、その中から1つ以上のタイプを選択し、前記選択したカテゴリに前記代替タイプが存在しないとき、他のカテゴリを選択し、前記選択したタイプのコンテンツを前記サーバから取得するステップを含む処理をコンピュータに実行させる。
本発明の第2の側面のプログラムは、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択し、前記選択したタイプのコンテンツを前記サーバから取得するステップを含む処理をコンピュータに実行させる。
本発明の第3の側面の情報処理システムは、クライアント、第1のサーバ、および、第2のサーバにより構成され、前記クライアントは、前記第1のサーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習する学習手段と、前記第1のサーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、前記推薦可能タイプのうち所定の条件を満たすタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択する選択手段と、前記タイプ情報を前記第2のサーバから取得し、前記選択したタイプのコンテンツを前記第1のサーバから取得する取得手段とを含み、前記第1のサーバは、前記クライアントにより選択されたタイプのコンテンツを前記クライアントに送信する第1の送信手段を含み、前記第2のサーバは、前記タイプ情報を生成する情報生成手段と、前記タイプ情報を前記クライアントに送信する第2の送信手段とを含み、前記選択手段は、前記ユーザの嗜好の学習が行われていないカテゴリを選択した場合、前記選択したカテゴリに前記代替タイプが存在するとき、その中から1つ以上のタイプを選択し、前記選択したカテゴリに前記代替タイプが存在しないとき、他のカテゴリを選択する。
本発明の第4の側面の情報処理システムは、クライアント、第1のサーバ、および、第2のサーバにより構成され、前記クライアントは、前記第1のサーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習する学習手段と、前記第1のサーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記第1のサーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択する選択手段と、前記タイプ情報を前記第2のサーバから取得し、前記選択したタイプのコンテンツを前記第1のサーバから取得する取得手段とを含み、前記第1のサーバは、前記クライアントにより選択されたタイプのコンテンツを前記クライアントに送信する第1の送信手段を含み、前記第2のサーバは、前記タイプ情報を生成する情報生成手段と、前記タイプ情報を前記クライアントに送信する第2の送信手段とを含む。
前記第2のサーバに、前記クライアントにより選択されたタイプのコンテンツのリストを生成するリスト生成手段をさらに設け、前記第2のサーバの前記第2の送信手段には、前記リストを前記クライアントにさらに送信させ、前記クライアントの前記取得手段には、前記リストを前記第2のサーバからさらに取得させ、前記リストに基づいて前記第1のサーバからコンテンツを取得させることができる。
本発明の第3の側面の情報処理方法は、クライアントが、第1のサーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、第2のサーバが、前記第1のサーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、前記推薦可能タイプのうち所定の条件を満たすタイプである代替タイプを示す情報であるタイプ情報を生成し、前記タイプ情報を前記クライアントに送信し、前記クライアントが、前記タイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択するとともに、前記ユーザの嗜好の学習が行われていないカテゴリを選択した場合、前記選択したカテゴリに前記代替タイプが存在するとき、その中から1つ以上のタイプを選択し、前記選択したカテゴリに前記代替タイプが存在しないとき、他のカテゴリを選択し、前記選択したタイプのコンテンツを前記第1のサーバから取得するステップを含む。
本発明の第4の側面の情報処理方法は、クライアントが、第1のサーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、第2のサーバが、前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報を生成し、前記タイプ情報を前記クライアントに送信し、前記クライアントが、前記タイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択し、前記選択したタイプのコンテンツを前記第1のサーバから取得するステップを含む。
本発明の第5の側面の情報処理装置は、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習する学習手段と、前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、各タイプのコンテンツの数を示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から、前記選択したタイプのコンテンツの総数が所定の閾値以上になる条件を満たすように1つ以上のタイプを選択する選択手段と、前記選択したタイプのコンテンツを前記サーバから取得する取得手段とを含む。
本発明の第6の側面の情報処理装置は、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習する学習手段と、前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から所定の条件を満たすように1つ以上のタイプを選択する選択手段と、前記選択したタイプのコンテンツを前記サーバから取得する取得手段とを含み、前記選択手段は、前記選択したカテゴリに前記ユーザの嗜好と一致するタイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択する。
前記選択手段には、前記選択したカテゴリに前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプに近い前記推薦可能タイプの中から前記第1の条件を満たすように1つ以上のタイプを選択させることができる。
前記選択手段には、前記選択したカテゴリに前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプのみの中から前記第1の条件を満たすように1つ以上選択させることができる。
本発明の第5の側面の情報処理方法は、情報処理装置が、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、各タイプのコンテンツの数を示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から、前記選択したタイプのコンテンツの総数が所定の閾値以上になる条件を満たすように1つ以上のタイプを選択し、前記選択したタイプのコンテンツを前記サーバから取得するステップを含む。
本発明の第6の側面の情報処理方法は、情報処理装置が、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から所定の条件を満たすように1つ以上のタイプを選択し、前記ユーザの嗜好と一致するタイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択し、前記選択したタイプのコンテンツを前記サーバから取得するステップを含む。
本発明の第5の側面のプログラムは、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、各タイプのコンテンツの数を示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から、前記選択したタイプのコンテンツの総数が所定の閾値以上になる条件を満たすように1つ以上のタイプを選択し、前記選択したタイプのコンテンツを前記サーバから取得するステップを含む処理をコンピュータに実行させる。
本発明の第6の側面のプログラムは、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から所定の条件を満たすように1つ以上のタイプを選択し、前記ユーザの嗜好と一致するタイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択し、前記選択したタイプのコンテンツを前記サーバから取得するステップを含む処理をコンピュータに実行させる。
本発明の第1の側面においては、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好が学習され、前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、前記推薦可能タイプのうち所定の条件を満たすタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプが選択され、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプが選択されるとともに、前記ユーザの嗜好の学習が行われていないカテゴリを選択した場合、前記選択したカテゴリに前記代替タイプが存在するとき、その中から1つ以上のタイプが選択され、前記選択したカテゴリに前記代替タイプが存在しないとき、他のカテゴリが選択され、前記選択されたタイプのコンテンツが前記サーバから取得される。
本発明の第2の側面においては、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好が学習され、前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプが選択され、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプが選択され、前記選択されたタイプのコンテンツが前記サーバから取得される。
本発明の第3の側面においては、第1のサーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好が学習され、前記第1のサーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、前記推薦可能タイプのうち所定の条件を満たすタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプが選択され、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択されたカテゴリの前記代替タイプの中から1つ以上のタイプが選択され、前記タイプ情報が前記第2のサーバから取得され、前記選択されたタイプのコンテンツが前記第1のサーバから取得され、前記クライアントにより選択されたタイプのコンテンツが前記クライアントに送信され、前記タイプ情報が生成され、前記タイプ情報が前記クライアントに送信され、前記ユーザの嗜好の学習が行われていないカテゴリが選択された場合、前記選択されたカテゴリに前記代替タイプが存在するとき、その中から1つ以上のタイプが選択され、前記選択されたカテゴリに前記代替タイプが存在しないとき、他のカテゴリが選択される。
本発明の第4の側面においては、第1のサーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好が学習され、前記第1のサーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記第1のサーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプが選択され、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択されたカテゴリの前記代替タイプの中から1つ以上のタイプが選択され、前記タイプ情報が前記第2のサーバから取得され、前記選択したタイプのコンテンツが前記第1のサーバから取得され、前記クライアントにより選択されたタイプのコンテンツが前記クライアントに送信され、前記タイプ情報が生成され、前記タイプ情報が前記クライアントに送信される。
本発明の第5の側面においては、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好が学習され、前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、各タイプのコンテンツの数を示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプが選択され、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から、前記選択したタイプのコンテンツの総数が所定の閾値以上になる条件を満たすように1つ以上のタイプが選択され、前記選択されたタイプのコンテンツが前記サーバから取得される。
本発明の第6の側面においては、サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好が学習され、前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプが選択され、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から所定の条件を満たすように1つ以上のタイプが選択され、前記ユーザの嗜好と一致するタイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプが選択され、前記選択されたタイプのコンテンツが前記サーバから取得される。
本発明の第1乃至第6の側面によれば、ユーザの嗜好を反映したコンテンツの推薦を行うことができる。特に、本発明の第1乃至第3の側面によれば、無駄な通信および処理の発生を防止しつつ、ユーザの嗜好を反映したコンテンツの推薦を行うことができる。
本発明を適用した情報処理システムの一実施の形態を示すブロック図である。 コンテンツ属性テーブルの一例を示す図である。 リリース時期のタイプをツリー構造により表した図である。 ジャンルのタイプをツリー構造により表した図である。 コンテンツ属性情報リストの一例を示す図である。 ユーザ嗜好リストについて説明するための図である。 クライアントの機能の構成例を示すブロック図である。 コンテンツリスト生成サーバの機能の構成例を示すブロック図である。 カタログ情報生成処理について説明するためのフローチャートである。 カタログ情報の一例を示す図である。 カタログ情報取得処理について説明するためのフローチャートである。 カタログ情報提供処理について説明するためのフローチャートである。 コンテンツ取得再生処理について説明するためのフローチャートである。 コンテンツ取得再生処理について説明するためのフローチャートである。 ユーザ嗜好リストにおける嗜好度数の分布の例を示す図である。 ユーザ嗜好リストにおける嗜好度数の分布の例を示す図である。 カタログ情報の他の例を示す図である。 ユーザ嗜好リストの更新方法について説明するための図である。 ユーザ嗜好リストの更新方法について説明するための図である。 ユーザ嗜好リストの更新方法について説明するための図である。 ユーザ嗜好リストの更新方法について説明するための図である。 コンテンツIDリスト提供処理について説明するためのフローチャートである。 コンピュータの構成例を示すブロック図である。
以下、本発明を実施するための形態(以下、実施の形態という)について説明する。なお、説明は以下の順序で行う。
1.本発明の実施の形態
2.変形例
<1.本発明の実施の形態>
[情報処理システム1の構成例]
図1は、本発明の一実施の形態である情報処理システムの構成例を示すブロック図である。
情報処理システム1は、クライアント11を使用するユーザの嗜好を反映したコンテンツの推薦を行うシステムである。なお、以下、コンテンツとして楽曲データを用いる場合について説明する。
情報処理システム1は、クライアント11、ユーザ嗜好DB12、コンテンツリスト生成サーバ13、コンテンツ属性DB(データベース)14、コンテンツサーバ15、および、コンテンツDB(データベース)16を含むように構成される。また、クライアント11、コンテンツリスト生成サーバ13、および、コンテンツサーバ15は、インターネット等により構成される図示せぬネットワークに接続され、当該ネットワークを介して、相互に通信を行う。さらに、ユーザ嗜好DB12はクライアント11に接続され、コンテンツ属性DB14はコンテンツリスト生成サーバ13に接続され、コンテンツDB16はコンテンツサーバ15に接続されている。
なお、図1に示されるクライアント11の数は、その一例であり、任意の数に設定することが可能である
クライアント11は、例えば、パーソナルコンピュータ、音楽プレーヤ、携帯電話機、PDA(Personal Digital Assistant)など、コンテンツの再生が可能な装置により構成される。
ユーザ嗜好DB12は、クライアント11を使用するユーザのコンテンツに対する嗜好を示すユーザ嗜好リストを含む。なお、ユーザ嗜好リストの詳細は、図7を参照して後述する。
コンテンツリスト生成サーバ13は、コンテンツDB16が保有するコンテンツを分類するためのカテゴリおよび各カテゴリにおける各タイプの種類、並びに、各タイプの属性等を示すカタログ情報を生成し、クライアント11に提供する。また、コンテンツリスト生成サーバ13は、推薦するコンテンツのコンテンツID等をリストにしたコンテンツIDリストを生成し、クライアント11に提供する。
コンテンツ属性DB14は、コンテンツDB16が保有するコンテンツを分類するためのカテゴリおよびタイプの種類を示すコンテンツ属性テーブル、および、各コンテンツのカテゴリおよびタイプを示すコンテンツ属性情報リストを含む。なお、コンテンツ属性テーブルの詳細は、図2乃至図4を参照して後述し、コンテンツ属性情報リストの詳細は、図5を参照して後述する。
コンテンツサーバ15は、クライアント11にコンテンツおよびコンテンツを提供する。
コンテンツDB16には、楽曲データからなるコンテンツ、コンテンツを識別するためのコンテンツID、および、コンテンツが相互に関連づけられて登録されている。
ここで、情報処理システム1におけるデータの流れについて簡単に説明する。
クライアント11は、カタログ情報の送信を要求するカタログ情報・クエリをコンテンツリスト生成サーバ13に送信する。コンテンツリスト生成サーバ13は、カタログ情報・クエリに対して、コンテンツ属性DB14にあるコンテンツ属性情報リストに基づいてカタログ情報を生成し、クライアント11に送信する。
また、クライアント11は、カタログ情報、および、ユーザ嗜好DB12にあるユーザ嗜好リストに基づいて、リクエストするコンテンツのカテゴリおよびタイプを選択する。そして、クライアント11は、選択したカテゴリおよびタイプを抽出条件とするコンテンツリスト・クエリをコンテンツリスト生成サーバ13に送信する。コンテンツリスト生成サーバ13は、コンテンツ属性DB14にあるコンテンツ属性情報リストから、コンテンツリスト・クエリに示される抽出条件を満たすコンテンツを抽出する。そして、コンテンツリスト生成サーバ13は、抽出したコンテンツのコンテンツID等をリストにしたコンテンツIDリストを生成し、クライアント11に送信する。
さらに、クライアント11は、コンテンツIDリストに基づいて、コンテンツの送信を要求するコンテンツ・クエリをコンテンツサーバ15に送信する。コンテンツサーバ15は、コンテンツ・クエリに示されるコンテンツIDと一致するコンテンツをコンテンツDB16から抽出し、抽出したコンテンツをクライアント11に送信する。
[コンテンツ属性テーブル]
図2は、コンテンツ属性DB14にあるコンテンツ属性テーブルの一例を示している。この例において、コンテンツを分類するためのカテゴリは、リリース時期とジャンルの2種類に分かれる。また、各カテゴリは、大分類、中分類、小分類の3つの階層に分かれる。さらに、各カテゴリの各階層において、複数のタイプが定義されている。換言すれば、各カテゴリの各階層は、それぞれ複数のタイプにより分類される。そして、各カテゴリの各階層におけるタイプが、属性として各コンテンツに付与される。
図3は、リリース時期のタイプをツリー構造により表したものである。リリース時期の大分類は、1960年代、1970年代など、10年周期の年代を単位とするタイプにより分類される。また、リリース時期の中分類は、1960年、1961年など、年を単位とするタイプにより分類される。さらに、リリース時期の小分類は、spring、autumnなど、季節を単位とするタイプにより分類される。なお、このリリース時期の小分類のタイプは、1960年spring、1961年autumnなど、その上位の中分類のタイプである年と組み合わせて用いられる。
図4は、ジャンルのタイプをツリー構造により表したものである。ジャンルの大分類は、pop、rockなど音楽のジャンルを単位とするタイプにより分類される。また、ジャンルの中分類は、European-pop、Asian-popなど、世界の地域別の音楽のジャンルを単位とするタイプにより分類される。さらに、ジャンルの小分類は、Japanese-pop、Chinese-popなど、中分類より更に細かい地域別の音楽のジャンルを単位とするタイプにより分類される。
なお、各カテゴリにおいて、小分類のタイプは、必ず1つの中分類のタイプに属し、中分類のタイプは、必ず1つの大分類のタイプに属する。
[コンテンツ属性情報リスト]
図5は、コンテンツ属性DB14にあるコンテンツ属性情報リストの一例の一部を示している。コンテンツ属性情報リストは、各コンテンツのコンテンツID、および、各コンテンツの各カテゴリにおけるタイプから構成され、各コンテンツのタイプをカテゴリ毎に示している。例えば、この例において、コンテンツIDがコンテンツAであるコンテンツは、リリース時期の大分類のタイプが1960年代、中分類のタイプが1963年であり、ジャンルの大分類のタイプがpopであり、小分類のタイプがAsian-popである。
[ユーザ嗜好リスト]
図6は、ユーザ嗜好DB12にあるユーザ嗜好リストに登録されるヒストグラムの例を示している。図6は、図2のコンテンツ属性テーブルに示される各カテゴリのタイプ毎に、クライアント11のユーザが好意的な評価をしたコンテンツの数を集計したヒストグラムを示し、横軸はタイプtを示し、縦軸は度数Fn(t)を示している。そして、例えば、タイプt1のコンテンツがユーザにより「好き」と評価された場合、度数Fn(t1)が+1され、「嫌い」と評価された場合、度数Fn(t1)が−1される。ユーザ嗜好リストには、このヒストグラムを示すデータが登録される。
なお、以下、ユーザ嗜好リストにおける各タイプに対する度数を嗜好度数と称する。
[クライアント11の構成例]
図7は、クライアント11の機能の構成例を示すブロック図である。クライアント11は、入力部101、ユーザ嗜好学習部102、受信部103、カテゴリ・タイプ選択部104、クエリ生成部105、送信部106、再生部107、出力部108、表示制御部109、および、表示部110を含むように構成される。
入力部101は、例えば、スイッチ、キー、ボタン、マウス、タッチパネル等の入力装置により構成され、クライアント11に対するユーザの指令等を入力するために用いられる。入力部101を介して入力されたユーザの指令等は、必要に応じて、ユーザ嗜好学習部102、カテゴリ・タイプ選択部104、再生部107、および、表示制御部109に供給される。
ユーザ嗜好学習部102は、入力部101を介してユーザにより入力されるコンテンツに対する評価に基づいて、ユーザ嗜好DB12にあるユーザ嗜好リストの生成および更新を行う。
受信部103は、コンテンツリスト生成サーバ13およびコンテンツサーバ15と所定の方式による通信を行う。受信部103は、コンテンツリスト生成サーバ13からカタログ情報を受信し、カテゴリ・タイプ選択部104に供給する。また、受信部103は、コンテンツリスト生成サーバ13からコンテンツIDリストを受信し、再生部107に供給する。さらに、受信部103は、コンテンツサーバ15からコンテンツを受信し、受信したコンテンツを再生部107に供給し、受信したコンテンツに含まれるメタ情報を表示制御部109に供給する。
カテゴリ・タイプ選択部104は、カタログ情報、および、ユーザ嗜好DB12にあるユーザ嗜好リストに基づいて、リクエストするコンテンツのカテゴリおよびタイプを選択する。カテゴリ・タイプ選択部104は、選択したカテゴリおよびタイプをクエリ生成部105に通知する。
クエリ生成部105は、カタログ情報・クエリ、コンテンツリスト・クエリ、および、コンテンツ・クエリを生成し、送信部106に供給する。
送信部106は、コンテンツリスト生成サーバ13およびコンテンツサーバ15と所定の方式による通信を行う。送信部106は、カタログ情報・クエリ、および、コンテンツリスト・クエリをコンテンツリスト生成サーバ13に送信する。また、送信部106は、コンテンツ・クエリをコンテンツサーバ15に送信する。
再生部107は、楽曲データの再生を行い、その結果得られる音声データを出力部108に供給する。また、再生部107は、楽曲データの再生状況を表示制御部109に適宜通知する。さらに、再生部107は、リクエストするコンテンツのコンテンツIDをクエリ生成部105に通知する。
出力部108は、例えば、スピーカ、音声出力端子等により構成される。そして、出力部108は、音声データに基づく音声の出力を行ったり、出力部108に接続されている他の装置(例えば、ヘッドホン、スピーカ、他の音楽再生装置等)に音声データを出力したりする。
表示制御部109は、表示部110を制御して、操作画面や楽曲データの再生画面等の各種の画面を表示部110に表示させる。
表示部110は、例えば、有機ELディスプレイ、LCD(Liquid Crystal Display)等の表示装置により構成される。
[コンテンツリスト生成サーバ13の構成例]
図8は、コンテンツリスト生成サーバ13の機能の構成例を示すブロック図である。コンテンツリスト生成サーバ13は、受信部151、カタログ情報生成部152、コンテンツIDリスト生成部153、および、送信部154を含むように構成される。
受信部151は、クライアント11と所定の方式による通信を行う。受信部103は、カタログ情報・クエリをクライアント11から受信し、カタログ情報生成部152に供給する。また、受信部103は、コンテンツリスト・クエリをクライアント11から受信し、コンテンツIDリスト生成部153に供給する。
カタログ情報生成部152は、コンテンツ属性DB14にあるコンテンツ属性情報リストに基づいて、カタログ情報を生成し、送信部154に供給する。
コンテンツIDリスト生成部153は、コンテンツ属性DB14にあるコンテンツ属性情報リストから、コンテンツリスト・クエリに示される抽出条件と一致するコンテンツに関する情報を抽出する。そして、コンテンツIDリスト生成部153は、抽出したコンテンツに関する情報をリストにしたコンテンツIDリストを生成する。従って、コンテンツIDリストには、抽出した各コンテンツのコンテンツIDとともに、コンテンツのカテゴリおよびタイプが示される。そして、コンテンツIDリスト生成部153は、生成したコンテンツIDリストを送信部154に供給する。
送信部154は、クライアント11と所定の方式による通信を行う。送信部154は、カタログ情報およびコンテンツIDリストをクライアント11に送信する。
[情報処理システム1の処理]
次に、図9乃至図22を参照して、情報処理システム1により実行される処理について説明する。
[カタログ情報生成処理]
まず、図9のフローチャートを参照して、コンテンツリスト生成サーバ13により実行されるカタログ情報生成処理について説明する。なお、この処理は、例えば、コンテンツDB16のコンテンツの追加、削除等に伴い、コンテンツ属性DB14のコンテンツ属性情報リストが更新される度に実行される。
ステップS1において、カタログ情報生成部152は、コンテンツ属性DB14からコンテンツ属性情報リストを取得する。
ステップS2において、カタログ情報生成部152は、コンテンツ属性情報リストに基づいて、カタログ情報を生成する。具体的には、まず、カタログ情報生成部152は、コンテンツ属性情報リストに基づいて、各カテゴリのタイプ毎に、各タイプのコンテンツの数を集計し、集計結果を各タイプの推薦可能コンテンツ数に設定する。なお、このとき、カタログ情報生成部152は、重複するコンテンツがある場合、まとめて1つとして数える。従って、推薦可能コンテンツ数は、各タイプのユニークなコンテンツの数となる。
また、カタログ情報生成部152は、推薦可能コンテンツ数が所定の推薦可能タイプ閾値以上のタイプを、コンテンツサーバ15が推薦可能なコンテンツのタイプである推薦可能タイプに設定する。すなわち、推薦可能タイプ閾値以上の数のコンテンツが有するタイプが、推薦可能タイプに設定される。なお、推薦可能タイプ閾値は、例えば、100に設定される。
さらに、カタログ情報生成部152は、推薦可能コンテンツ数が所定の代替タイプ閾値以上のタイプを代替タイプに設定する。すなわち、代替タイプ閾値以上の数のコンテンツが有するタイプが、代替タイプに設定される。なお、代替タイプ閾値は、推薦可能タイプ閾値より大きい値に設定され、例えば、1000に設定される。すなわち、推薦可能タイプのうち、より推薦可能コンテンツ数が多いタイプが代替タイプに設定される。
ここで、代替タイプとは、後述する処理において、クライアント11が、選択したカテゴリの中にユーザの嗜好と一致する推薦可能タイプがない場合、代わりに指定することが可能なコンテンツのタイプのことである。これにより、後述するように、ユーザの嗜好と一致するタイプを推薦できない場合であっても、選択したカテゴリの中で、メジャーなタイプ(楽曲をより多く含むタイプ)を推薦することが可能になる。
そして、カタログ情報生成部152は、各カテゴリのタイプ毎に推薦可能コンテンツ数、推薦可能タイプであるか否か、および、代替タイプであるか否かを示すカタログ情報を生成する。
図10は、カタログ情報の一例を示している。なお、図10において、推薦可能タイプまたは代替タイプに設定されているタイプにはそれぞれ丸印が示され、推薦可能タイプまたは代替タイプに設定されていないタイプにはそれぞれバツ印が示されている。また、図10では、各カテゴリの大分類のタイプしか示されていないが、中分類のタイプ、小分類のタイプについても同様のデータがカタログ情報に登録される。
そして、カタログ情報生成部152は、生成したカタログ情報をコンテンツ属性DB14に格納する。
その後、カタログ情報生成処理は終了する。
[カタログ情報取得処理]
次に、図11のフローチャートを参照して、クライアント11により実行されるカタログ情報取得処理について説明する。なお、この処理は、例えば、クライアント11の起動時に実行される。
ステップS21において、クライアント11のクエリ生成部105は、カタログ情報・クエリを生成し、送信部106に供給する。
ステップS22において、送信部106は、カタログ情報・クエリをコンテンツリスト生成サーバ13に送信する。
コンテンツリスト生成サーバ13は、後述する図12のステップS41において、このカタログ情報・クエリを受信し、ステップS43において、カタログ情報を送信する。
ステップS23において、受信部103は、コンテンツリスト生成サーバ13から送信されたカタログ情報を受信し、受信したカタログ情報をカテゴリ・タイプ選択部104に供給する。
その後、カタログ情報取得処理は終了する。
[カタログ情報提供処理]
次に、図12のフローチャートを参照して、図11のカタログ情報取得処理に対応してコンテンツリスト生成サーバ13により実行されるカタログ情報提供処理について説明する。
ステップS41において、コンテンツリスト生成サーバ13の受信部151は、クライアント11から送信されたカタログ情報・クエリを受信し、受信したカタログ情報・クエリをカタログ情報生成部152に供給する。
ステップS42において、カタログ情報生成部152は、カタログ情報をコンテンツ属性DB14から取得する。そして、カタログ情報生成部152は、取得したカタログ情報を送信部154に供給する。
ステップS43において、送信部154は、カタログ情報をクライアント11に送信する。
その後、カタログ情報提供処理は終了する。
[コンテンツ取得再生処理]
次に、図13および図14のフローチャートを参照して、クライアント11により実行されるコンテンツ取得再生処理について説明する。なお、この処理は、例えば、入力部101を用いてユーザによりコンテンツの再生の指令が入力されたとき開始される。また、入力部101は、ユーザからの指令をカテゴリ・タイプ選択部104、再生部107、および、表示制御部109に供給する。
ステップS101において、カテゴリ・タイプ選択部104は、カテゴリをランダムに選択する。例えば、カテゴリ・タイプ選択部104は、リリース時期(大分類)、リリース時期(中分類)、リリース時期(小分類)、ジャンル(大分類)、ジャンル(中分類)、ジャンル(小分類)の6つのカテゴリのうちの1つをランダムに選択する。
ステップS102において、カテゴリ・タイプ選択部104は、ユーザの嗜好を学習済みのカテゴリであるか否かを判定する。具体的には、カテゴリ・タイプ選択部104は、ユーザ嗜好リストをユーザ嗜好DB12から取得し、ユーザ嗜好リストに基づいて、選択したカテゴリが、ユーザの嗜好を学習済みのカテゴリであるか否かを判定する。ユーザの嗜好を学習済みのカテゴリであると判定された場合、処理はステップS103に進む。
ステップS103において、カテゴリ・タイプ選択部104は、ユーザ嗜好リストに基づいて、選択したカテゴリにおいてユーザが好きなタイプを抽出する。例えば、カテゴリ・タイプ選択部104は、選択したカテゴリのタイプのうち、ユーザ嗜好リストの嗜好度数が所定の閾値以上のタイプをユーザが好きなタイプとして抽出する。
例えば、図15および図16を参照して、選択したカテゴリがジャンル(中分類)の場合について考える。なお、図15および図16は、ユーザ嗜好リストにおけるジャンル(中分類)の各タイプの嗜好度数の分布の例を示しており、横軸がタイプを示し、縦軸が度数(嗜好度数)を示している。
例えば、閾値が1に設定されている場合、嗜好度数の分布が図15に示されるようになっているとき、Asian-pop、European-pop、American-popが、ユーザが好きなタイプとして抽出される。一方、嗜好度数の分布が図16に示されるようになっているとき、Asian-popのみが、ユーザが好きなタイプとして抽出される。
ステップS104において、カテゴリ・タイプ選択部104は、カタログ情報に基づいて、抽出したタイプの中から推薦可能タイプを抽出する。これにより、ランダムに選択したカテゴリからユーザの嗜好と一致する推薦可能タイプが抽出される。
例えば、図17に示されるカタログ情報を用いて、タイプの抽出を行う場合について考える。なお、図17は、カタログ情報のジャンル(中分類)に対応する部分の一部を示している。
例えば、ステップS103の処理において、図15の嗜好度数の分布に基づいてAsian-pop、European-pop、American-popが抽出されている場合、その中から推薦可能タイプであるEuropean-pop、American-popが抽出される。
また、例えば、ステップS103の処理において、図16の嗜好度数の分布に基づいて、Asian-popが抽出されている場合、Asian-popは推薦可能タイプでないため、1つのタイプも抽出されない。
ステップS105において、カテゴリ・タイプ選択部104は、抽出したタイプの数が0より大きいか否かを判定する。抽出したタイプの数が0より大きいと判定された場合、すなわち、選択したカテゴリにユーザの嗜好と一致する推薦可能タイプが1つ以上ある場合、処理はステップS106に進む。
ステップS106において、カテゴリ・タイプ選択部104は、抽出したタイプの中からリクエストするタイプを選択する。
例えば、カテゴリ・タイプ選択部104は、ユーザの嗜好に基づいて、抽出したタイプの中からリクエストするタイプを選択する。例えば、上述した図15および図17の例において、European-pop、American-popが抽出されている場合について考える。
まず、カテゴリ・タイプ選択部104は、European-pop、American-popの嗜好度数を正規化し、次式(1)の離散型の確率密度関数を生成する。
Probabilityk=Frequencyk/Σ(Frequencyk) {k=Europan-pop, American-pop} ・・・(1)
なお、Frequencykは嗜好度数を示す。
そして、カテゴリ・タイプ選択部104は、0から1の間でランダムな数値を生成し、生成した数値および式(1)の確率密度関数に従って、European-pop、American-popのいずれかを選択する。従って、Europan-popが70%の確率で選択され、American-popが30%の確率で選択される。
なお、3つ以上のタイプが抽出されている場合も同様の方法によりリクエストするタイプが選択される。これにより、選択されたカテゴリにおける推薦可能タイプの中から、よりユーザの嗜好度が高いタイプが優先して選択される。
また、例えば、ユーザの嗜好を考慮せずに、抽出したタイプの中からランダムにリクエストするタイプを選択するようにしてもよい。
そして、カテゴリ・タイプ選択部104は、選択したカテゴリおよびタイプをクエリ生成部105に通知する。その後、処理はステップS111に進む。
一方、ステップS105において、抽出したタイプの数が0であると判定された場合、すなわち、選択したカテゴリにユーザの嗜好と一致する推薦可能タイプがない場合、処理はステップS107に進む。
ステップS107において、カテゴリ・タイプ選択部104は、カタログ情報に基づいて、選択したカテゴリにおける代替タイプの数が0より大きいか否かを判定する。選択したカテゴリにおける代替タイプの数が0であると判定された場合、すなわち、選択したカテゴリに代替タイプが存在しない場合、処理はステップS101に戻る。その後、ステップS101以降の処理が実行され、カテゴリの選択からやり直される。
一方、ステップS107において、選択したカテゴリにおける代替タイプの数が0より大きいと判定された場合、すなわち、選択したカテゴリに代替タイプが存在する場合、処理はステップS108に進む。
ステップS108において、カテゴリ・タイプ選択部104は、代替タイプの中からリクエストするタイプを選択する。
例えば、カテゴリ・タイプ選択部104は、選択したカテゴリにおける代替タイプの中からランダムにリクエストするタイプを選択する。上述した図16および図17の例の場合、選択されたジャンル(中分類)において代替タイプに設定されているIndian-popとAmerican-popの中からランダムにリクエストするタイプが選択される。
また、例えば、選択したカテゴリにおいてユーザが好きなタイプであるが推薦可能タイプでないタイプと、代替タイプとの間の距離を定義して、この距離に基づいてリクエストするタイプを選択するようにしてもよい。図16および図17の例の場合、ユーザが好きなタイプであるが推薦可能タイプでないAsian-popと代替タイプであるIndian-popおよびAmerican-popとの間の距離に基づいて、リクエストするタイプが選択される。
例えば、カテゴリ・タイプ選択部104は、Asian-popの発祥地である東アジア地域とIndian-popの発祥地であるインドの間の地理的な距離を、Asian-popとIndian-popの間の距離として定義する。また、カテゴリ・タイプ選択部104は、Asian-popの発祥地である東アジア地域とAmerican-popの発祥地である北米地域の間の地理的な距離を、Asian-popとAmerican-popの間の距離として定義する。
あるいは、例えば、カテゴリ・タイプ選択部104は、Asian-popとIndian-popの間の音楽的な特徴量の類似度に基づいて、Asian-popとIndian-popの間の距離を定義する。また、カテゴリ・タイプ選択部104は、Asian-popとAmerican-popの間の音楽的な特徴量の類似度に基づいて、Asian-popとAmerican-popの間の距離を定義する。
そして、カテゴリ・タイプ選択部104は、Indian-popおよびAmerican-popのうち、Asian-popとの距離がより近いタイプをリクエストするタイプとして選択する。これにより、代替タイプの中から、ユーザが好きなタイプにより近いタイプを優先してリクエストするタイプに選択することができる。
また、例えば、過去のコンテンツの再生履歴に基づいて、代替タイプの中から、過去に最も多く再生されたタイプをリクエストするタイプに選択するようにしてもよい。
さらに、例えば、選択したカテゴリにおいてユーザが好きなタイプであるが推薦可能タイプでないタイプの上位の階層のタイプが推薦可能タイプである場合、その上位の階層のタイプをリクエストするタイプに選択するようにしてもよい。例えば、図16および図17の例の場合、Asian-popの上位の階層のタイプであるpopが推薦可能タイプである場合、popがリクエストするタイプに選択される。
そして、カテゴリ・タイプ選択部104は、選択したカテゴリおよびタイプをクエリ生成部105に通知する。その後、処理はステップS111に進む。
なお、推薦可能タイプのうちコンテンツ数がより多いタイプが代替タイプに設定されているので、代替タイプの中からリクエストするタイプを選択することにより、よりバラエティに富んだコンテンツの推薦を行うことが可能になる。
一方、ステップS102において、選択したカテゴリが、ユーザの嗜好を学習済みのカテゴリでないと判定された場合、処理はステップS109に進む。
ステップS109において、ステップS107の処理と同様に、選択したカテゴリにおける代替タイプの数が0より大きいか否かが判定される。選択したカテゴリにおける代替タイプの数が0であると判定された場合、処理はステップS101に戻る。その後、ステップS101以降の処理が実行され、カテゴリの選択からやり直される。
一方、ステップS109において、選択したカテゴリにおける代替タイプの数が0より大きいと判定された場合、処理はステップS110に進む。
ステップS110において、カテゴリ・タイプ選択部104は、選択したカテゴリにおける代替タイプの中からリクエストするタイプをランダムに選択する。カテゴリ・タイプ選択部104は、選択したカテゴリおよびタイプをクエリ生成部105に通知する。その後、処理はステップS111に進む。
ステップS111において、クエリ生成部105は、カテゴリ・タイプ選択部104により選択されたカテゴリおよびタイプを抽出条件とするコンテンツリスト・クエリを生成する。クエリ生成部105は、生成したコンテンツリスト・クエリを送信部106に供給する。
ステップS112において、送信部106は、クエリ生成部105により生成されたコンテンツリスト・クエリをコンテンツリスト生成サーバ13に送信する。
コンテンツリスト生成サーバ13は、後述する図22のステップS151において、クライアント11からのコンテンツリスト・クエリを受信する。そして、コンテンツリスト生成サーバ13は、ステップS154またはS155において、そのコンテンツリスト・クエリに対応するコンテンツIDリストを送信する。なお、このコンテンツIDリストには、コンテンツリスト・クエリで指定されたカテゴリおよびタイプのコンテンツのコンテンツID等の一覧が示される。
そして、ステップS113において、クライアント11の受信部103は、コンテンツリスト生成サーバ13から送信されたコンテンツIDリストを受信する。受信部103は、受信したコンテンツIDリストを再生部107に供給する。
ステップS114において、再生部107は、コンテンツIDリストに未再生のコンテンツが残っているか否かを判定する。コンテンツIDリストに未再生のコンテンツが残っていると判定された場合、処理はステップS115に進む。
ステップS115において、クエリ生成部105は、コンテンツ・クエリを生成する。具体的には、再生部107は、コンテンツIDリストの未再生のコンテンツのうちの1つを選択し、選択したコンテンツのコンテンツIDをクエリ生成部105に通知する。クエリ生成部105は、そのコンテンツIDを抽出条件とするコンテンツ・クエリを生成し、送信部106に供給する。
ステップS116において、送信部106は、クエリ生成部105により生成されたコンテンツ・クエリをコンテンツサーバ15に送信する。
コンテンツサーバ15は、そのコンテンツ・クエリを受信すると、コンテンツ・クエリに示されるコンテンツIDと一致するコンテンツをコンテンツDB16から抽出する。そして、コンテンツサーバ15は、抽出したコンテンツをクライアント11に送信する。
そして、ステップS117において、クライアント11の受信部103は、コンテンツサーバ15から送信されたコンテンツを受信する。受信部103は、受信したコンテンツを再生部107に供給し、受信したコンテンツに含まれるメタ情報を表示制御部109に供給する。
ステップS118において、再生部107は、コンテンツサーバ15から取得したコンテンツを再生する。再生部107は、その結果得られた音声データを出力部108に供給する。出力部108は、例えば、音声データに基づく音声の出力を行ったり、出力部108に接続されている他の装置に音声データを出力したりする。
また、再生部107は、コンテンツの再生状況を表示制御部109に適宜通知する。表示制御部109は、再生中のコンテンツのタイトル等の情報や再生状況を表示部110に表示させる。また、表示制御部109は、再生中のコンテンツに対するユーザの評価を入力するための画面を表示部110に表示させる。
ステップS119において、ユーザ嗜好学習部102は、コンテンツに対する評価が入力されたか否かを判定する。ユーザ嗜好学習部102は、コンテンツの再生中に、ユーザが入力部101を用いて再生中のコンテンツに対する評価を入力し、その評価結果が入力部101から供給された場合、コンテンツに対する評価が入力されたと判定し、処理はステップS120に進む。
ステップS120において、ユーザ嗜好学習部102は、ユーザ嗜好DB12のユーザ嗜好リストを更新する。例えば、上述した図5のコンテンツAの再生中に、ユーザがコンテンツAを「好き」と評価した場合について考える。この場合、コンテンツAのリリース時期(大分類)のタイプは1960年代なので、図18のリリース時期(大分類)の嗜好度数の分布において丸で囲まれた1960年代の嗜好度数が1つインクリメントされる。同様に、図19のリリース時期(中分類)の嗜好度数の分布において丸で囲まれた1963年の嗜好度数が1つインクリメントされる。また、同様に、図20のジャンル(大分類)の嗜好度数の分布において丸で囲まれたpopの嗜好度数、図21のジャンル(中分類)の嗜好度数の分布において丸で囲まれたAsian-popの嗜好度数が、それぞれ1つずつインクリメントされる。
逆に、ユーザがコンテンツAを「嫌い」と評価した場合、図18乃至図21の丸で囲まれた各タイプの嗜好度数が、それぞれ1つずつデクリメントされる。
このようにして、ユーザ嗜好学習部102は、ユーザ嗜好リストに含まれる、各タイプに対するユーザの嗜好を表すヒストグラムのデータを更新する。
その後、処理はステップS114に戻る。
一方、ステップS119において、コンテンツに対する評価が入力されなかったと判定された場合、ステップS120の処理は行われずに、処理はステップS114に戻る。
その後、ステップS114において、コンテンツIDリストに未再生のコンテンツが残っていないと判定されるまで、ステップS114乃至S120の処理が繰り返し実行される。これにより、コンテンツIDリストに従って、コンテンツサーバ15からクライアント11に順次コンテンツが供給され、クライアント11においてコンテンツが再生される。また、再生したコンテンツに対するユーザの評価に基づいて、ユーザ嗜好リストが更新される。
一方、ステップS114において、コンテンツIDリストに未再生のコンテンツが残っていないと判定された場合、コンテンツ取得再生処理は終了する。
[コンテンツIDリスト提供処理]
次に、図22のフローチャートを参照して、図13および図14のクライアント11によるコンテンツ取得再生処理に対応してコンテンツリスト生成サーバ13により実行されるコンテンツIDリスト提供処理について説明する。
ステップS151において、コンテンツリスト生成サーバ13の受信部151は、クライアント11から送信されるコンテンツリスト・クエリを受信する。受信部151は、受信したコンテンツリスト・クエリをコンテンツIDリスト生成部153に供給する。
ステップS152において、コンテンツIDリスト生成部153は、コンテンツリスト・クエリの抽出条件と一致するコンテンツを抽出する。すなわち、コンテンツIDリスト生成部153は、コンテンツ属性DB14のコンテンツ属性情報リストから、クライアント11からリクエストされたカテゴリおよびタイプと一致するコンテンツに関する情報を抽出する。
ステップS153において、コンテンツIDリスト生成部153は、抽出したコンテンツの数が0より大きいか否かを判定する。抽出したコンテンツの数が0より大きいと判定された場合、処理はステップS154に進む。
ステップS154において、コンテンツリスト生成サーバ13は、抽出したコンテンツを示すコンテンツIDリストを生成し、送信する。具体的には、コンテンツIDリスト生成部153は、コンテンツ属性情報リストから抽出したコンテンツに関する情報をリストにしたコンテンツIDリストを生成し、送信部154に供給する。送信部154は、取得したコンテンツIDリストをクライアント11に送信する。その後、コンテンツIDリスト提供処理は終了する。
一方、ステップS153において、抽出したコンテンツの数が0であると判定された場合、処理はステップS155に進む。なお、上述したように、クライアント11において、推薦可能タイプまたは代替タイプからリクエストするタイプが選択されるため、抽出したコンテンツの数が0になる場合はほぼないと考えられる。ただし、例えば、クライアント11側で古いカタログ情報が使用された場合に、抽出したコンテンツの数が0になることが想定される。
ステップS155において、コンテンツリスト生成サーバ13は、空のコンテンツIDリストを生成し、送信する。具体的には、コンテンツIDリスト生成部153は、空のコンテンツIDリストを生成し、送信部154に供給する。送信部154は、取得したコンテンツIDリストをクライアント11に送信する。その後、コンテンツIDリスト提供処理は終了する。
以上のようにして、クライアント11から、コンテンツサーバ15が推薦可能なタイプに対するリクエストが行われ、推薦できないタイプに対するリクエストが行われなくなる。その結果、クライアント11は、リクエストに対して、確実に所定の数以上のコンテンツの推薦をコンテンツサーバ15から受けることができる。また、クライアント11とコンテンツサーバ15間の無駄な通信や、コンテンツサーバ15の無駄な処理の発生を防止することができる。従って、コンテンツサーバ15の資源を有効に活用することができ、処理できるクライアント数を増やすことができる。また、無駄な通信を省くことで、応答時間に優れたシステムを実現することができる。
また、ユーザの嗜好を学習済みのカテゴリからは、ユーザの嗜好と一致するタイプのコンテンツが優先して推薦されるため、ユーザの満足度を高めることができる。さらに、ユーザの嗜好を学習していないカテゴリからもコンテンツが推薦されるため、ユーザの嗜好の幅を広げることができる。
また、コンテンツリスト生成サーバ13からカタログ情報およびコンテンツIDリストをクライアント11に配信することで、クライアント11で、コンテンツの追加および削除にタイムリーに対応したリクエストを行うことが可能になる。
<2.変形例>
以下、本発明の実施の形態の変形例について説明する。
[変形例1]
本発明は、楽曲データ以外の各種のコンテンツを、コンテンツのカテゴリおよびタイプに基づいて推薦する場合にも適用することができる。例えば、映画、テレビ番組、ビデオクリップなどの映像コンテンツ、写真、ゲーム、電子書籍等のコンテンツを推薦する場合にも適用することができる。
[変形例2]
また、以上の説明では、コンテンツリスト生成サーバ13とコンテンツサーバ15を分けて設ける例を示したが、同じサーバにより実現するようにしてもよい。なお、2つのサーバを分けた方が、コンテンツを配信するサーバの負荷を軽減することができ、より迅速にコンテンツを配信することが可能になる。
[変形例3]
さらに、以上の説明では、クライアント11が、1つのカテゴリおよびタイプを選択する例を示したが、2以上のカテゴリおよびタイプを選択するようにしてもよい。例えば、複数のタイプを選択するようにした場合、コンテンツリスト生成サーバ13が、選択された複数のタイプのいずれか1つを有するコンテンツを抽出するようにしてもよいし、全てのタイプを有するコンテンツを抽出するようにしてもよい。なお、後者の場合、複数のタイプの組み合わせについても、推薦可能タイプおよび代替タイプの判定を行い、その結果をコンテンツ属性情報リストに登録することが考えられる。
[変形例4]
また、以上の説明では、選択したカテゴリにユーザの嗜好と一致する推薦可能タイプがない場合、そのカテゴリの代替タイプの中からリクエストするタイプを選択する例を示したが、代替タイプに限定しない方法も考えられる。
例えば、選択したカテゴリにおいて、ユーザの嗜好と一致するタイプまたはユーザの嗜好と一致するタイプに近いタイプの中から、推薦可能コンテンツ数の合計が所定の閾値以上になるように、1つ以上のタイプを選択するようにしてもよい。この場合、選択されるタイプの種類は限定されないため、推薦可能タイプおよび代替タイプも選択可能である。なお、この場合の閾値として、例えば、上述した推薦可能タイプの設定に用いる推薦可能タイプ閾値、または、代替タイプの設定に用いる代替タイプ閾値を用いることが考えられる。
また、選択するタイプを、ユーザの嗜好と一致するタイプに近いタイプは除外して、ユーザの嗜好と一致するタイプに限定するようにしてもよい。すなわち、選択したカテゴリにおいて、ユーザの嗜好と一致するタイプの中から、推薦可能コンテンツ数の合計が所定の閾値以上になるように、複数のタイプを選択するようにしてもよい。なお、この場合の閾値として、例えば、推薦可能タイプ閾値または代替タイプ閾値を用いることが考えられる。
さらに、選択するタイプを推薦可能タイプに限定するようにしてもよい。すなわち、選択したカテゴリにおいて、ユーザの嗜好と一致するタイプに近い推薦可能タイプの中から、推薦可能コンテンツ数の合計が所定の閾値以上になるように、1つ以上のタイプを選択するようにしてもよい。なお、この場合、代替タイプも推薦可能タイプに含まれるため選択可能である。また、この場合の閾値として、例えば、代替タイプ閾値を用いることが考えられる。
なお、ユーザの嗜好と一致するタイプに近いタイプを選択する方法として、例えば、上述したタイプ間の距離を定義して、ユーザの嗜好と一致するタイプからの距離が近い順に選択するようにすることが考えられる。あるいは、例えば、タイプ間の距離だけでなく、各タイプの推薦可能コンテンツ数も考慮して、選択するタイプの数を調整するようにすることも考えられる。
以上により、代替タイプに限定する場合と比較して、よりユーザの嗜好に合ったコンテンツを確実に所定の数以上推薦することが可能になる。
なお、以上のいずれの場合においても、選択したカテゴリにユーザの嗜好と一致するタイプがなく、ユーザの嗜好に基づいてタイプを選択できない場合には、例えば、代替タイプの中から選択するようにすればよい。
[変形例5]
さらに、以上の説明では、クライアント11のカテゴリ・タイプ選択部104が、ランダムにカテゴリを選択する例を示したが、例えば、所定のアルゴリズムやルールに従ってカテゴリを選択するようにしてもよい。また、例えば、ユーザがカテゴリを選択できるようにしてもよい。
[変形例6]
また、クライアント11が、コンテンツIDリストを取得せずに、選択したカテゴリおよびタイプを抽出条件とするクエリをコンテンツサーバ15に送信し、抽出条件と一致するコンテンツをコンテンツサーバ15から直接取得するようにしてもよい。この場合でも、推薦可能タイプの中からリクエストするタイプが選択されるため、クライアント11は、通信や処理の無駄の発生を防止しつつ、確実にコンテンツの推薦をコンテンツサーバ15から受けることができる。
[変形例7]
さらに、カタログ情報から推薦可能コンテンツ数を削除することも可能である。また、カタログ情報から推薦可能タイプおよび代替タイプを削除して、クライアント11が、推薦可能コンテンツ数に基づいて、推薦可能タイプおよび代替タイプの判定を行うようにしてもよい。
[変形例8]
また、以上の説明では、コンテンツの数に基づいて、推薦可能タイプ、代替タイプを設定する例を示したが、コンテンツの数以外の条件や、コンテンツの数と他の条件を組み合わせて設定するようにしてもよい。
例えば、新しいコンテンツ(例えば、リリース時期が新しいコンテンツ等)を多く含むタイプを優先して推薦可能タイプや代替タイプに設定するようにしてもよい。これにより、新たに追加されたコンテンツを積極的に推薦することが可能になる。
また、例えば、時節(例えば、クリスマス、ハロウィンなど)に合わせて推薦可能タイプや代替タイプを設定するようにしてもよい。これにより、時節に合ったコンテンツを積極的に推薦することが可能になる。
[変形例9]
さらに、以上に示したコンテンツのカテゴリおよびタイプは、その一例であり、任意のカテゴリおよびタイプを設定することが可能である。また、カテゴリの数およびタイプの数も任意の値に設定することが可能である。さらに、必ずしもカテゴリを階層構造にする必要はない。
[変形例10]
また、ユーザ嗜好DB12、コンテンツ属性DB14、コンテンツDB16は、クライアント11、コンテンツリスト生成サーバ13、コンテンツサーバ15にそれぞれ含めるようにしてもよいし、別に設けるようにしてもよい。
[変形例11]
さらに、以上の説明では、各クライアント11がユーザの嗜好を学習する例を示したが、コンテンツリスト生成サーバ13が、各クライアント11のユーザの嗜好を学習するようにしてもよい。具体的には、例えば、ユーザが、「好き」「嫌い」などのコンテンツに対する評価をクライアント11に入力した場合、クライアント11が、入力された評価を示す情報をコンテンツリスト生成サーバ13に送信する。そして、コンテンツリスト生成サーバ13は、取得した情報に基づいて、ユーザ毎に上述したユーザ嗜好リストを作成し、各クライアント11に提供する。これにより、コンテンツリスト生成サーバ13から各クライアント11に送信されるコンテンツIDリストに、コンテンツのカテゴリおよびタイプを付加する必要がなくなる。
さらに、コンテンツリスト生成サーバ13が、各クライアント11からのリクエストに応じて、各ユーザのユーザ嗜好リストを用いて、推薦するコンテンツのカテゴリおよびタイプの選択まで行うようにしてもよい。この場合、コンテンツリスト生成サーバ13から各クライアント11へのユーザ嗜好リストの提供が不要になる。
なお、クライアント11からコンテンツリスト生成サーバ13へのユーザの評価情報の送信は、入力される度に行うようにしてもよいし、ある程度蓄積してからまとめて行うようにしてもよい。
[変形例12]
また、ユーザのコンテンツに対する評価入力として、「好き」「嫌い」以外にも、例えば、数値による評価入力(明示的なフィードバック)や、再生/停止/音量大・小/繰り返し再生/スキップなどの操作履歴に基づく評価入力(暗示的なフィードバック)を採用するようにしてもよい。そして、その評価入力に基づいて、ユーザ嗜好リストを生成するようにしてもよい。
[コンピュータの構成例]
上述したクライアント11、コンテンツリスト生成サーバ13、コンテンツサーバ15の一連の処理は、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、コンピュータにインストールされる。ここで、コンピュータには、専用のハードウエアに組み込まれているコンピュータや、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、例えば汎用のパーソナルコンピュータなどが含まれる。
図23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。
コンピュータにおいて、CPU(Central Processing Unit)301,ROM(Read Only Memory)302,RAM(Random Access Memory)303は、バス304により相互に接続されている。
バス304には、さらに、入出力インタフェース305が接続されている。入出力インタフェース305には、入力部306、出力部307、記憶部308、通信部309、及びドライブ310が接続されている。
入力部306は、キーボード、マウス、マイクロフォンなどよりなる。出力部307は、ディスプレイ、スピーカなどよりなる。記憶部308は、ハードディスクや不揮発性のメモリなどよりなる。通信部309は、ネットワークインタフェースなどよりなる。ドライブ310は、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリなどのリムーバブルメディア311を駆動する。
以上のように構成されるコンピュータでは、CPU301が、例えば、記憶部308に記憶されているプログラムを、入出力インタフェース305及びバス304を介して、RAM303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。
コンピュータ(CPU301)が実行するプログラムは、例えば、パッケージメディア等としてのリムーバブルメディア311に記録して提供することができる。また、プログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供することができる。
コンピュータでは、プログラムは、リムーバブルメディア311をドライブ310に装着することにより、入出力インタフェース305を介して、記憶部308にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部309で受信し、記憶部308にインストールすることができる。その他、プログラムは、ROM302や記憶部308に、あらかじめインストールしておくことができる。
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。
また、本明細書において、システムの用語は、複数の装置、手段などより構成される全体的な装置を意味するものとする。
さらに、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。
1 情報処理システム, 11 クライアント, 12 ユーザ嗜好DB, 13 コンテンツリスト生成サーバ, 14 コンテンツ属性DB, 15 コンテンツサーバ, 16 コンテンツDB, 101 入力部, 102 ユーザ嗜好学習部, 103 受信部, 104 カテゴリ・タイプ選択部, 105 クエリ生成部, 106 送信部, 107 再生部, 108 出力部, 109 表示制御部, 110 表示部, 151 受信部, 152 カタログ情報生成部, 153 コンテンツIDリスト生成部153, 154 送信部

Claims (23)

  1. サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習する学習手段と、
    前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、前記推薦可能タイプのうち所定の条件を満たすタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択する選択手段と、
    前記選択したタイプのコンテンツを前記サーバから取得する取得手段と
    を含み、
    前記選択手段は、前記ユーザの嗜好の学習が行われていないカテゴリを選択した場合、前記選択したカテゴリに前記代替タイプが存在するとき、その中から1つ以上のタイプを選択し、前記選択したカテゴリに前記代替タイプが存在しないとき、他のカテゴリを選択する
    情報処理装置。
  2. サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習する学習手段と、
    前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択する選択手段と、
    前記選択したタイプのコンテンツを前記サーバから取得する取得手段と
    を含む情報処理装置。
  3. 前記選択手段は、前記選択したカテゴリに前記ユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から前記ユーザの嗜好度が高いタイプを優先して選択する
    請求項1または2に記載の情報処理装置。
  4. 前記選択手段は、前記選択したカテゴリに前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプのうち前記ユーザの嗜好と一致するタイプに近いタイプを優先して選択する
    請求項に記載の情報処理装置。
  5. 前記取得手段は、前記サーバまたは前記サーバと異なるサーバから前記タイプ情報を取得する
    請求項1または2に記載の情報処理装置。
  6. 前記取得手段は、前記サーバまたは前記サーバと異なるサーバから、前記選択したタイプのコンテンツのリストを取得し、前記リストに基づいて前記サーバからコンテンツを取得する
    請求項1または2に記載の情報処理装置。
  7. 情報処理装置が、
    サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、
    前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、前記推薦可能タイプのうち所定の条件を満たすタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択するとともに、前記ユーザの嗜好の学習が行われていないカテゴリを選択した場合、前記選択したカテゴリに前記代替タイプが存在するとき、その中から1つ以上のタイプを選択し、前記選択したカテゴリに前記代替タイプが存在しないとき、他のカテゴリを選択し、
    前記選択したタイプのコンテンツを前記サーバから取得する
    ステップを含む情報処理方法。
  8. 情報処理装置が、
    サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、
    前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択し、
    前記選択したタイプのコンテンツを前記サーバから取得する
    ステップを含む情報処理方法。
  9. サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、
    前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、前記推薦可能タイプのうち所定の条件を満たすタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択するとともに、前記ユーザの嗜好の学習が行われていないカテゴリを選択した場合、前記選択したカテゴリに前記代替タイプが存在するとき、その中から1つ以上のタイプを選択し、前記選択したカテゴリに前記代替タイプが存在しないとき、他のカテゴリを選択し、
    前記選択したタイプのコンテンツを前記サーバから取得する
    ステップを含む処理をコンピュータに実行させるためのプログラム。
  10. サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、
    前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択し、
    前記選択したタイプのコンテンツを前記サーバから取得する
    ステップを含む処理をコンピュータに実行させるためのプログラム。
  11. クライアント、第1のサーバ、および、第2のサーバにより構成され、
    前記クライアントは、
    前記第1のサーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習する学習手段と、
    前記第1のサーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、前記推薦可能タイプのうち所定の条件を満たすタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択する選択手段と、
    前記タイプ情報を前記第2のサーバから取得し、前記選択したタイプのコンテンツを前記第1のサーバから取得する取得手段と
    を含み、
    前記第1のサーバは、
    前記クライアントにより選択されたタイプのコンテンツを前記クライアントに送信する第1の送信手段を
    含み、
    前記第2のサーバは、
    前記タイプ情報を生成する情報生成手段と、
    前記タイプ情報を前記クライアントに送信する第2の送信手段と
    を含み、
    前記選択手段は、前記ユーザの嗜好の学習が行われていないカテゴリを選択した場合、前記選択したカテゴリに前記代替タイプが存在するとき、その中から1つ以上のタイプを選択し、前記選択したカテゴリに前記代替タイプが存在しないとき、他のカテゴリを選択する
    情報処理システム。
  12. クライアント、第1のサーバ、および、第2のサーバにより構成され、
    前記クライアントは、
    前記第1のサーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習する学習手段と、
    前記第1のサーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記第1のサーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択する選択手段と、
    前記タイプ情報を前記第2のサーバから取得し、前記選択したタイプのコンテンツを前記第1のサーバから取得する取得手段と
    を含み、
    前記第1のサーバは、
    前記クライアントにより選択されたタイプのコンテンツを前記クライアントに送信する第1の送信手段を
    含み、
    前記第2のサーバは、
    前記タイプ情報を生成する情報生成手段と、
    前記タイプ情報を前記クライアントに送信する第2の送信手段と
    を含む情報処理システム。
  13. 前記第2のサーバは、
    前記クライアントにより選択されたタイプのコンテンツのリストを生成するリスト生成手段を
    さらに含み、
    前記第2のサーバの前記第2の送信手段は、前記リストを前記クライアントにさらに送信し、
    前記クライアントの前記取得手段は、前記リストを前記第2のサーバからさらに取得し、前記リストに基づいて前記第1のサーバからコンテンツを取得する
    請求項11または12に記載の情報処理システム。
  14. クライアントが、
    第1のサーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、
    第2のサーバが、
    前記第1のサーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、前記推薦可能タイプのうち所定の条件を満たすタイプである代替タイプを示す情報であるタイプ情報を生成し、
    前記タイプ情報を前記クライアントに送信し、
    前記クライアントが、
    前記タイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択するとともに、前記ユーザの嗜好の学習が行われていないカテゴリを選択した場合、前記選択したカテゴリに前記代替タイプが存在するとき、その中から1つ以上のタイプを選択し、前記選択したカテゴリに前記代替タイプが存在しないとき、他のカテゴリを選択し、
    前記選択したタイプのコンテンツを前記第1のサーバから取得する
    ステップを含む情報処理方法。
  15. クライアントが、
    第1のサーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、
    第2のサーバが、
    前記第1のサーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記第1のサーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報を生成し、
    前記タイプ情報を前記クライアントに送信し、
    前記クライアントが、
    前記タイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択し、
    前記選択したタイプのコンテンツを前記第1のサーバから取得する
    ステップを含む情報処理方法。
  16. サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習する学習手段と、
    前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、各タイプのコンテンツの数を示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から、前記選択したタイプのコンテンツの総数が所定の閾値以上になる条件を満たすように1つ以上のタイプを選択する選択手段と、
    前記選択したタイプのコンテンツを前記サーバから取得する取得手段と
    を含む情報処理装置。
  17. サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習する学習手段と、
    前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から所定の条件を満たすように1つ以上のタイプを選択する選択手段と、
    前記選択したタイプのコンテンツを前記サーバから取得する取得手段と
    を含み、
    前記選択手段は、前記選択したカテゴリに前記ユーザの嗜好と一致するタイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択する
    情報処理装置。
  18. 前記選択手段は、前記選択したカテゴリに前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプに近い前記推薦可能タイプの中から前記条件を満たすように1つ以上のタイプを選択する
    請求項16または17に記載の情報処理装置。
  19. 前記選択手段は、前記選択したカテゴリに前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプのみの中から前記条件を満たすように1つ以上選択する
    請求項16または17に記載の情報処理装置。
  20. 情報処理装置が、
    サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、
    前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、各タイプのコンテンツの数を示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から、前記選択したタイプのコンテンツの総数が所定の閾値以上になる条件を満たすように1つ以上のタイプを選択し、
    前記選択したタイプのコンテンツを前記サーバから取得する
    ステップを含む情報処理方法。
  21. 情報処理装置が、
    サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、
    前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から所定の条件を満たすように1つ以上のタイプを選択し、前記ユーザの嗜好と一致するタイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択し、
    前記選択したタイプのコンテンツを前記サーバから取得する
    ステップを含む情報処理方法。
  22. サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、
    前記サーバが推薦可能なコンテンツのタイプである推薦可能タイプ、および、各タイプのコンテンツの数を示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から、前記選択したタイプのコンテンツの総数が所定の閾値以上になる条件を満たすように1つ以上のタイプを選択し、
    前記選択したタイプのコンテンツを前記サーバから取得する
    ステップを含む処理をコンピュータに実行させるためのプログラム。
  23. サーバにあるコンテンツを分類するための各カテゴリにおける各タイプに対するユーザの嗜好を学習し、
    前記サーバにあるコンテンツのうち第1の閾値以上の数のコンテンツが有するタイプである推薦可能タイプ、および、前記サーバにあるコンテンツのうち前記第1の閾値より大きい第2の閾値以上の数のコンテンツが有するタイプである代替タイプを示す情報であるタイプ情報に基づいて、選択したカテゴリにユーザの嗜好と一致する前記推薦可能タイプがある場合、その中から1つ以上のタイプを選択し、前記ユーザの嗜好と一致する前記推薦可能タイプがない場合、前記選択したカテゴリにおいて、前記ユーザの嗜好と一致するタイプまたは前記ユーザの嗜好と一致するタイプに近いタイプの中から所定の条件を満たすように1つ以上のタイプを選択し、前記ユーザの嗜好と一致するタイプがない場合、前記選択したカテゴリの前記代替タイプの中から1つ以上のタイプを選択し、
    前記選択したタイプのコンテンツを前記サーバから取得する
    ステップを含む処理をコンピュータに実行させるためのプログラム。
JP2010254828A 2010-11-15 2010-11-15 情報処理装置および方法、情報処理システム、並びに、プログラム Expired - Fee Related JP5578040B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2010254828A JP5578040B2 (ja) 2010-11-15 2010-11-15 情報処理装置および方法、情報処理システム、並びに、プログラム
AU2011235919A AU2011235919A1 (en) 2010-11-15 2011-10-07 Information processing apparatus and method, information processing system, and program
EP11188060A EP2453372A3 (en) 2010-11-15 2011-11-07 Information processing apparatus and method, information processing system, and program
US13/291,676 US8832005B2 (en) 2010-11-15 2011-11-08 Information processing apparatus, and method, information processing system, and program
CN2011103497563A CN102467577A (zh) 2010-11-15 2011-11-08 信息处理设备和方法、信息处理系统及程序

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2010254828A JP5578040B2 (ja) 2010-11-15 2010-11-15 情報処理装置および方法、情報処理システム、並びに、プログラム

Publications (3)

Publication Number Publication Date
JP2012108592A JP2012108592A (ja) 2012-06-07
JP2012108592A5 JP2012108592A5 (ja) 2013-11-14
JP5578040B2 true JP5578040B2 (ja) 2014-08-27

Family

ID=44992646

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2010254828A Expired - Fee Related JP5578040B2 (ja) 2010-11-15 2010-11-15 情報処理装置および方法、情報処理システム、並びに、プログラム

Country Status (5)

Country Link
US (1) US8832005B2 (ja)
EP (1) EP2453372A3 (ja)
JP (1) JP5578040B2 (ja)
CN (1) CN102467577A (ja)
AU (1) AU2011235919A1 (ja)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8684746B2 (en) * 2010-08-23 2014-04-01 Saint Louis University Collaborative university placement exam
EP2829057A1 (en) * 2012-03-23 2015-01-28 Irdeto B.V. Recommending content items
JP6056592B2 (ja) * 2013-03-26 2017-01-11 大日本印刷株式会社 情報推薦装置、推薦情報決定方法、推薦情報決定プログラム、及び情報推薦プログラム
JP2015079395A (ja) * 2013-10-17 2015-04-23 Necパーソナルコンピュータ株式会社 情報処理装置、方法及びプログラム
US9619470B2 (en) 2014-02-04 2017-04-11 Google Inc. Adaptive music and video recommendations
CN105718184A (zh) * 2014-12-05 2016-06-29 北京搜狗科技发展有限公司 一种数据处理方法和装置
JP2016173623A (ja) * 2015-03-16 2016-09-29 エヌ・ティ・ティ・コミュニケーションズ株式会社 コンテンツ提供装置、コンテンツ提供方法及びコンテンツ提供プログラム
CN106156092B (zh) 2015-04-01 2019-08-09 阿里巴巴集团控股有限公司 数据处理方法及装置
WO2017013459A1 (en) 2015-07-22 2017-01-26 Research Institute Of Petroleum Industry (Ripi) A method for the synthesis of nanofluids
CN106682035A (zh) * 2015-11-11 2017-05-17 中国移动通信集团公司 一种个性化学习推荐方法及装置
JP6698575B2 (ja) * 2017-03-30 2020-05-27 株式会社ゼンリンデータコム レコメンドシステム及びレコメンド方法
CN108549660B (zh) * 2018-03-12 2022-08-02 维沃移动通信有限公司 信息推送方法及装置
EP3582226A1 (en) * 2018-06-15 2019-12-18 Koninklijke Philips N.V. An apparatus and method for providing context-based intervention
US11423103B2 (en) 2019-07-08 2022-08-23 Valve Corporation Content-item recommendations
JP7529601B2 (ja) * 2021-03-25 2024-08-06 株式会社デンソーテン リコメンド装置、コンテンツ提供システム、及びリコメンド方法
CN117478937B (zh) * 2023-12-01 2024-06-11 陕西伟辰科技有限公司 一种基于推送信息的处理方法及信息推送平台

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3522570B2 (ja) * 1999-03-03 2004-04-26 日本電信電話株式会社 画像検索・画像分類連携システム
EP1200902A2 (en) * 1999-07-16 2002-05-02 Agentarts, Inc. Methods and system for generating automated alternative content recommendations
US7075000B2 (en) * 2000-06-29 2006-07-11 Musicgenome.Com Inc. System and method for prediction of musical preferences
US20030225777A1 (en) * 2002-05-31 2003-12-04 Marsh David J. Scoring and recommending media content based on user preferences
KR20050072471A (ko) * 2002-11-08 2005-07-11 코닌클리케 필립스 일렉트로닉스 엔.브이. 컨텐츠 권고를 제공하는 장치 및 방법
JP2004194108A (ja) * 2002-12-12 2004-07-08 Sony Corp 情報処理装置および情報処理方法、記録媒体、並びにプログラム
JP2004206679A (ja) * 2002-12-12 2004-07-22 Sony Corp 情報処理装置および方法、記録媒体、並びにプログラム
JP2004326227A (ja) * 2003-04-22 2004-11-18 Matsushita Electric Ind Co Ltd 情報提供方法、情報提供装置、そのプログラム、および、そのプログラム記憶媒体
JP4428036B2 (ja) * 2003-12-02 2010-03-10 ソニー株式会社 情報処理装置および方法、プログラム、並びに、情報処理システムおよび方法
JP2006260349A (ja) * 2005-03-18 2006-09-28 Matsushita Electric Ind Co Ltd コンテンツデータ表示制御装置
US20080288551A1 (en) * 2005-11-30 2008-11-20 Koninklijke Philips Electronics, N.V. Method and System for Updating User Profiles
JP2007271277A (ja) * 2006-03-30 2007-10-18 Clarion Co Ltd ナビゲーション装置、方法及びプログラム
EP2052335A4 (en) * 2006-08-18 2010-11-17 Sony Corp SYSTEM AND METHOD FOR SELECTIVE ACCESS TO MULTIMEDIA CONTENT VIA A RECOMMENDATION ENGINE
CN101689174A (zh) * 2006-08-18 2010-03-31 索尼株式会社 通过推荐引擎进行选择性媒体访问
JP4491746B2 (ja) 2007-03-05 2010-06-30 ソニー株式会社 情報処理装置および情報処理方法、記録媒体、並びにプログラム
US20080249987A1 (en) * 2007-04-06 2008-10-09 Gemini Mobile Technologies, Inc. System And Method For Content Selection Based On User Profile Data
US20080257134A1 (en) * 2007-04-18 2008-10-23 3B Music, Llc Method And Apparatus For Generating And Updating A Pre-Categorized Song Database From Which Consumers May Select And Then Download Desired Playlists
JP4389973B2 (ja) * 2007-06-26 2009-12-24 ソニー株式会社 情報処理装置および方法、並びにプログラム
WO2009017195A1 (ja) * 2007-07-31 2009-02-05 National Institute Of Advanced Industrial Science And Technology 楽曲推薦システム、楽曲推薦方法及び楽曲推薦用コンピュータプログラム
JP4807386B2 (ja) * 2008-08-29 2011-11-02 ソニー株式会社 表示装置及び表示方法
JP2010211666A (ja) * 2009-03-12 2010-09-24 Seiko Epson Corp コンテンツ発行システムおよび情報抽出方法
WO2010119807A1 (ja) * 2009-04-13 2010-10-21 シャープ株式会社 番組検索装置、情報表示装置およびデジタル放送受信装置
JP5503186B2 (ja) 2009-04-27 2014-05-28 日本エイアンドエル株式会社 紙塗工用共重合体ラテックスおよび紙塗工用共重合体ラテックスの製造方法
JP5464412B2 (ja) * 2009-08-12 2014-04-09 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
JPWO2011052424A1 (ja) * 2009-10-29 2013-03-21 ソニー株式会社 コンテンツ選択システム、コンテンツ選択装置、コンテンツ選択方法及びプログラム

Also Published As

Publication number Publication date
AU2011235919A1 (en) 2012-05-31
US8832005B2 (en) 2014-09-09
EP2453372A3 (en) 2012-08-29
US20120123977A1 (en) 2012-05-17
CN102467577A (zh) 2012-05-23
JP2012108592A (ja) 2012-06-07
EP2453372A2 (en) 2012-05-16

Similar Documents

Publication Publication Date Title
JP5578040B2 (ja) 情報処理装置および方法、情報処理システム、並びに、プログラム
US10885093B2 (en) Global recommendation systems for overlapping media catalogs
EP3529993B1 (en) Dynamically modifying an execution environment for varying data
US8438598B2 (en) Information processing apparatus, information processing method, program, and information sharing system
JP4678546B2 (ja) 推薦装置および方法、プログラム、並びに記録媒体
EP1518405B1 (en) Method, system and program product for populating a user profile based on existing user profiles
US20070266031A1 (en) Identifying content
US8862607B2 (en) Content receiving apparatus with search query generator
US20090234850A1 (en) Synchronization of metadata
US20060156307A1 (en) Method and system for prioritizing tasks made available by devices in a network
US8611676B2 (en) Information processing apparatus, feature extraction method, recording media, and program
JP2005056361A (ja) 情報処理装置および方法、プログラム、並びに記録媒体
CN1689001A (zh) 向用户或用户组呈现媒体内容的方法和系统
JP4370850B2 (ja) 情報処理装置および方法、プログラム、並びに記録媒体
CN101546589A (zh) 具有动态媒体项目组的活动播放列表
JP2005509965A (ja) メディアコンテンツの推奨に用いられるエージェントの作成
JP2007058842A (ja) 情報処理装置、特徴抽出方法、記録媒体、および、プログラム
JP2012103832A (ja) 情報処理装置および方法、情報処理システム、並びに、プログラム
US9325754B2 (en) Information processing device and information processing method
JP2008125022A (ja) ユーザ端末、配信サーバ、その制御プログラムおよび該制御プログラムを記録したコンピュータ読取り可能な記録媒体、コンテンツ案内システムならびに制御方法
US9299331B1 (en) Techniques for selecting musical content for playback
JP5788866B2 (ja) アイテムを格付けする方法及びシステム
JP5116811B2 (ja) 番組推薦装置及び方法及びプログラム
JP5008250B2 (ja) 情報処理装置および方法、プログラム、並びに記録媒体
JP2017037352A (ja) 情報処理装置及びプログラム

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20130930

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20130930

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20140224

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20140304

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20140328

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20140610

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20140623

R151 Written notification of patent or utility model registration

Ref document number: 5578040

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees