信息处理设备、信息处理方法和程序的制作方法

专利名称：信息处理设备、信息处理方法和程序的制作方法
技术领域：
本发明涉及信息处理设备、信息处理方法和程序。特别是本发明涉及能
够避免其中在使用来自用户的关于内容的反馈信息(特别地，IFB)来执行合 适的处理的应用中，用户的偏好不能确定的状态的出现的信息处理设备、信 息处理方法和程序。
背景技术：
提出了用于向用户推荐诸如乐曲或运动图像之类的内容条目的系统，并 且称之为推荐系统。这样的推荐系统采用使用明确反馈信息(下面称为EFB ) 的方法或使用暗示反馈信息(下面称为IFB)的方法，以便确定用户对明白 内容条目的偏好。在使用EFB的方法中，直接向用户询问关于在目标内容条 目中是否存在兴趣。在使用IFB的方法中，从用户利用装置的操作估计目标 内容条目中兴趣的存在(参见PCT日本翻译专利公开No.2004-519卯2、曰本 待审专利申请公开No.2005 - 32167和日本待审专利申请公开No.2001 -100888 )。
通常，使用EFB的方法具有用户界面设计上的问题，这是因为给用户强 力口负担。由于即使可以设计自然的界面，也不希望用户进行频繁输入，因此， 不可能收集到足够的数据来知道用户的偏好。因此，使用IFB的方法受到关注。
例如，对于音乐内容，利用各种装置来重放音乐内容的各种用户操作被 采用为IFB。在现有技术中使用IFB的方法中，获得与利用装置的特定用户 操作相关联的偏好度，并且学习(存储)所获得的偏好度来确定用户的偏好。 特别地，当用户执行重放操作时，获得+1的偏好度，当用户执行快进、暂 停或跳过操作时获得-1的偏好度，而当用户执行清除操作时获得-5的偏好 分钟。此外，可以详细存储各种操作。例如，在选择所有重放的状态下，当 用户执行普通重放操作时，获得+ 2的偏好度，当用户在跳过操作之后执行 重放操作时获得+ 3的偏好度，而当用户观看相关信息时获得+ 1的偏好度。

发明内容
然而，由于在现有技术中的使用IFB的方法中，基于与固定操作的关联 来确定用户的偏好，因此出现不期望的不能确定状态。
例如，当在重放内容期间执行暂停操作时，不可能确定由于诸如电话铃 声之类的不可避免的事件(尽管用户喜欢内容但是用户被迫暂停重放)还是 用户不喜欢内容而执行暂停操作。
当在内容和重放期间不执行操作时，不可能确定由于用户专心致志地倾 听内容而不执行操作还是由于用户不在而不执行操作。
当执行所传送的内容的清除操作时，不可能确定由于用户拥有相同的内 容而执行清除操作还是用户不喜欢容纳并不希望拥有它而执行清除操作。
当执行内容的跳过操作时，不可能确定是否尽管用户喜欢内容，但是根 据用户的便利执行跳过操作(例如，用户不具有足够的时间来倾听全部内容)， 还是是否由于用户不喜欢内容并不希望倾听它而执行跳过操作。此外，假设 用户由于他/她的脾气而趋向于执行跳过操作。例如，急躁的用户可能与悠闲 的用户不同地执行跳过操作。不可能确定如何理解这样的趋向。
此外，由于在现有技术中的使用IFB的方法中未提供针对上述不可确定
状态的有效度量，因此，存在未成功地学习用户的偏好的问题。
例如，假设由于在重放内容期间不执行操作而发生的不可确定状态。如
果正常重放而没有用户执行的操作，则根据上述关于音乐内容的示例添加+ 2 的偏好度。然而，在由于不存在用户而不执行操作的情况下，没有用户倾听 音乐内容。因此，添加+ 2作为用户的偏好度不总是产生学习用户的偏好的 良好结果，除非可以确定是由于用户专心致志地倾听内容还是由于用户不存
况减少了用于学习的训练数据，因此，不总是产生学习用户的偏好的良好结果。
期望避免其中在使用来自用户的关于内容的反馈信息(特别地，IFB)来 执行合适的处理的应用中，用户的偏好不可确定的状态的出现。合适的处理 包括内容的推荐、自动重放和使用所学习的偏好的对话的继续。
根据本发明的实施例，学习用户对内容条目的偏好的信息处理设备包括 获得装置，用于获得用户对特定内容条目的操作或表达作为反馈信息；训练
5数据产生装置，用于针对从获得装置获得反馈信息的偏好学习产生训练数据 和学习装置，用于通过使用由训练数据产生装置产生的多条训练数据来与训 练数据相关联地学习用户的偏好以及如何向反馈信息附加含义。
训练数据产生装置最好将反馈信息分类为至少包括第一反馈信息和第二 反馈信息的类型中的任意 一个。第 一反馈信息被确定为具有第 一级别或更高 级别，在该级别上表示用户对特定内容条目的偏好。第二反馈信息被确定为 具有低于第一级别的级别，在该级别上表示用户对特定内容条目的偏好。训 练数据产生装置最好产生用于具有附加到对应的操作或表达的含义的第一反 馈信息的显式训练数据，并且产生不利用附加到对应的操作或表达的任何含 义来产生用于第二反馈信息的隐式训练数据。学习装置最好通过仅使用显式 训练数据来执行偏好的初始学习，以创建特定的偏好模型。学习装置最好通 过使用隐式训练数据作为统计信息来修改偏好模型，以学习与隐式训练数据 或如何将含义附加到隐式训练数据，以便学习用户的偏好。
如果通过训练数据产生装置新产生的、并且附加了与所修改的偏好模型 矛盾的含义的显式训练数据的条数大于或等于特定值，则学习装置最好通过 仅使用显式训练数据来重新创建偏好模型
训练数据产生装置最好将反馈信息分类为第二反馈信息和第三反馈信
二级别的反馈信息被分类为第二反馈信息。将被确定为具有表示用户对特定 内容条目的偏好的级别，并且低于第二级别的反馈信息被分类为第三反馈信 息，对于其不产生训练数据。
在根据本发明实施例的信息处理设备中采用根据本发明其它实施例的信 息处理方法和程序。
在根据本发明的信息处理方法和程序中，以下列方式学习用户对内容条 目的偏好。获得用户对特定内容条目的操作或表达作为反馈信息；和从获得 的反馈信息中产生用于偏好学习的训练数据。当已经产生多条训练数据时， 通过使用多条训练数据与训练数据相关联地学习用户的偏好和如何将含义附 加到反馈信息。
如上所述，根据本发明，可以应用使用来自用户的关于内容条目的反馈
信息(特别地，IFB)来信息用户的平面的方法。特别地，可以实现偏好学习，习的偏好合适地执行诸如内容条目的推荐、自动重放和对话的继续之类的处 理。


图1是显示作为根据本发明实施例的信息处理设备的乐曲推荐系统的功
能配置的示例的框图2显示在图1的乐曲推荐系统中使用的IFB的示例；
图3显示在图1的乐曲推荐系统中使用的EFB的示例；
图4是显示在图1的乐曲推荐系统中的反馈注册处理的示例的流程图5是显示在图1的乐曲推荐系统中学习偏好模型的处理的示例的流程
图6显示与现有技术的示例相比，图5中的学习偏好模型的处理的部分 概念；和
图7是显示在乐曲推荐系统的至少 一部分中采用的个人计算机的配置的 示例的框具体实施例方式
在描述本发明的实施例之前，在下面论述权利要求的特征和本发明实施 例中公开的特定元件之间的相应关系。该描述意欲确保在该说明书中描述了 支持所要求保护的本发明的实施例。因此，即使下面的实施例中的元素没有 被描述为涉及本发明的特定特征，也不必然表示该元件不涉及权利要求的该 特征。相反，即使，这里将元件描述为涉及权利要求的特定特征，也不必然 表示该元素不涉及权利要求的其它特征。
此外，该描述不应该被理解为限制，在权利要求中描述实施例中公开的 本发明的所有方面。也就是，该描述不否认在实施例中描述了 ，但是在该申 请的方面中未声明的本发明的方面的存在，也就是在将来可能由分案申请声 明、或可以通过修改额外声明的本发明的方面的存在。
本发明的实施例针对内容。内容广泛表示由人的创造性行为产生的条目。 由电影、乐曲、连续剧、文字作品、图片、喜剧、动画、计算机游戏、信、 图形、颜色、语音、行为、视频或它们的任意组合。由通过电子计算机提供 关于以上条目的信息的程序进一步例示该内容。在该说明书中，所谓内容数据，即，由人的创造性行为产生且可以由装 置处理的数据被总称为内容。数据包括电信号和在存储器中存储的数据。换 句话说，例如组成乐曲的音乐数据也被称为内容。
本发明可以应用到当采用乐曲作为内容时向用户推荐乐曲的推荐系统。 下面，将这样的系统称为乐曲推荐系统，其被描述为根据本发明实施例的信 息处理设备。
下面将内容合适地称为内容条目。在下面的描述中，内容条目表示乐曲。 在本说明书中还使用关于内容条目的元数据。处理诸如艺术家姓名、乐 曲命、流派和评论之类的文本数据之外，采用通过音乐分析(例如，十二乐 曲分析)获得的诸如速度、节奏和拍子之类的数字数据作为元数据。针对每 个乐曲标识(ID)管理元数据。
图1是显示乐曲推荐系统的功能配置的示例的框图。
图1中的乐曲推荐系统中的每个功能框可以是硬件、软件或它们的组合。 可以将多个功能框集成在一个功能框中，或者一个功能框可以被分为多个功 能子框。换句话说，可以任意配置图1的乐曲推荐系统，只要每个功能框具 有对应的功能。
该说明书中，系统表示多个设备， 一个设备包括诸如多个电路或一个定 理之类的多个部件。因此，图1的乐曲推荐系统可以由一个设备组成，或者 由多个设备组成。当乐曲推荐系统由多个设备组成时，可以在设备之间直接 传送信息或通过网络等传送信息。
图1的乐曲推荐系统包括用户表达(user expression)检测单元11 、检测 信息获得单元12、操作单元13、操作信息获得单元14、兴趣级别估计单元 15、反馈滤除单元16、历史管理单元17、偏好模型学习单元18、偏好确定 推荐内容选择单元19、内容表示和重放单元20、元数据提取和存储单元21 和内容存储单元22。
用户表达检测单元11检测用户的表达。该表达表示由例如用户的面部、 运动或语言表达的感觉或状态。检测信息获得单元12处理由用户表达检测单 元11检测的结果，并且将处理结果提供给兴趣级别估计单元15作为特定表 达信息。将表达信息处理为一条IFB。在图2中显示表达信息的示例。
在图2的示例中，用户表达检测单元11检测一个或多个示例，在附图2 中，在"用户表达信息"的上面部分的虚线下面的"要与以上感觉/状态相关联地检测的表达的示例"之后描述这些示例。检测信息获得单元12在"用户表达信 息"的上面部分的虚线上面的"面部/运动/语言表示的感觉/状态"中，获得与所 检测的表达对应的表达信息，并且将所获得的表达信息提供给兴趣级别估计 单元15。
具体地，例如，当用户微笑时，用户表达检测单元ll检测用户的"微笑"。
检测信息获得单元12获得"微笑"作为表达信息，并且将该表达信息提供给兴 趣级别估计单元15。
例如，当用户表达检测单元11输出任何测量值时，检测信息获得单元 12可以直接从用户表达检测单元11输出的测量值中的变化中获得表达信息， 并且可以将该表达信息提供给兴趣级别估计单元15 。
例如，当检测信息获得单元12存储用于从用户表达^^测单元11输出的 测量值中的变化的阈值时，如果从用户表达检测单元11输出的测量值中的变 化高于阈值时，则检测信息获得单元12可以识别特定的表达，并且可以将特 定的表达信息提供给兴趣级别估计单元15。
例如，假设用户表达检测单元ll包括心跳传感器。在这种情况下，针对 每个时间段从心跳传感器输出的心率被用作从用户表达检测单元11输出的 一个测量值。检测信息获得单元12可以存储每10秒心率增加1作为阔值， 并且可以测量心率的变化。如果心率每10秒增加1或更多，则检测信息获得 单元12可以将"心率，，识别为表达信息，并且可以将该表达信息提供给兴趣级 别估计单元15。该阈值可以基于移动平均数。
被识别为表达信息的"心率"作为基于在一个或多个定时的心率的信息是 足够的。例如，在一特定定时，例如当心率第一次增加时的心率可作为表达 信息。替代地，可以采用基于在多个定时的心率计算值，例如在该定时的心 率的平均值作为表达信息。
在图2的"用户表达信息，，的下部显示基于从用户表达^r测单元11输出的 测量值识别的表达信息(来自传感器的信息)的示例。具体地，除了"心率" 之外，可以采用"出汗量"、"眨眼数"、"脑血流"或"脑波，，作为表达信息。
操作单元13包括遥控器和鼠标。用户可以使用操作单元13来执行用于 各种条目的各种操作。操作信息获得单元14获得由用户利用操作单元13的 操作作为装置操作信息，并将所获得的装置操作信息作为一条IFB提供给兴 趣级别估计单元15。在图2中显示装置操作信息的示例。用户可以执行初始注册操作，或可以利用操作单元13按下"喜欢，，或"不 喜欢，，来明确指示用户的意图。由操作信息获得单元14获得用户的意图的明确指示作为一个EFB，并且将其提供给兴趣级别估计单元15。在图3中显示 的EFB的示例。在图3的示例中，除了 "用喜欢/不喜欢按钮输入"之外，"喜欢/不喜欢语 言"和"喜欢/不喜欢动作"还被显示为EFB。这是因为可以根据如何实施操作单 13可获得不同种类的EFB。用户可以不仅执行利用按钮的指令操作，而且可 以随着近年来技术的不断进步，通过语言和动作执行指令操作。因此，根据 用户如何执行操作命令不同地实施操作单元13,并且可以获得不同种类的 EFB。兴趣级别估计单元15、反馈滤除单元16和历史管理单元17执行，例如， 参照图4在下面描述的反馈注册处理。历史管理单元17和偏好模型学习单元 18执行，例如，参照图5在下面描述的学习偏好模型的处理。在参照图4的 反馈注册处理和参照图5的学习偏好模型的处理的描述中，详细描述兴趣级 别估计单元15、反馈滤除单元16、历史管理单元17和偏好模型学习单元18 的功能。虽然在下面详细描述，但是重复执行图4所示的反馈注册处理和图5所 示的学习偏好模型的处理来创建和更新用户的偏好模型。偏好确定推荐内容选择单元19使用偏好模型来确定用户的偏好，并且选 择推荐内容条目，并且向内容表示和重放单元20指示所选择的推荐内容条 目。内容表示和重放单元20表示或重放在内容存储单元22中存储的内容条 目中的所指示的推荐内容条目。内容存储单元22包括与元数据相关联的多个内容条目。元数据提取和存 储单元21从内容存储单元22中提取元数据，并且存储所提取的元数据。元 数据提取和存储单元21按需要将元数据提供给历史管理单元17或偏好确定 推荐内容选择单元19。图4是显示反馈注册处理的示例的流程图。在反馈注册处理中执行在下面参照图5描述的学习偏好模型的处理中用 作训练数据的历史信息的注册。如上所述，主要由兴趣级别估计单元15、反 馈滤除单元16和历史管理单元17执行反馈注册处理。一旦由兴趣级别估计单元15从检测信息获得单元12或操作信息获得单元14接收到信息，则开始反馈注册处理。参照图4,在步骤Sl中，兴趣级别估计单元15获得来自检测信息获得 单元12和操作信息获得单元14的集合信息，也就是图2中的IFB和图3中 的EFB的集合信息作为输入信息。兴趣级别估计单元15基于输入信息计算 兴趣级别a，并且将所计算的兴趣级别a附加到输入信息。现在将描述兴趣级别。基于诸如表达或操作之类的用户对特定内容条目 的行为从检测信息获得单元12和操作信息获得单元14提供输入信息。用户 对特定内容条目具有任何兴趣(包括其中用户对特定内容条目没有兴趣的情 况)，并且趋向于根据兴趣的级别动作。兴趣的估计级别是兴趣级别a,从根 据本发明实施例的检测信息获得单元12和操作信息获得单元14提供的输入 信息计算该兴趣级别a。例如，在图2中的"用户表达信息，，的下部显示了如果从用户表达检测单 元11输出的测量值高于阈值，则从检测信息获得单元12提供给兴趣级别估 计单元15的表达信息的示例。假设从从用户表达^^测单元11输出的测量值 高于阈值的变化高于阈值，结果由于用户具有对特定内容条目的任何兴趣， 因此获得图2所示的表达信息。换句话说，这样的表达信息的存在确保用户 具有对特定内容条目的任意兴趣。因此，针对表达信息计算具有高于零的绝 对值的兴趣级别a。与兴趣级别a和阚值之间的差对应的值可以被添加到兴 趣级别a来作为兴趣级别a的特定值。具有正(+ )号的兴趣级别a指示用户"喜欢"特定内容条目。相反，具 有负(-)号的兴趣级别a指示用户"不喜欢，，特定内容条目。随着兴趣级别a 的绝对值的增加，用户对特定内容条目"喜欢，，或"不喜欢，，的意图变得更加明 确。随着兴趣级别a的绝对值的降低，很难表示用户对特定内容条目"喜欢" 或"不喜欢，，的意图，或者表示用户对特定内容条目不动作。虽然在下面详细描述，从检测信息获得单元12和^操作信息获得单元14 提供的输入信息涉及用户已经经历的特定内容条目。因此，输入信息可以在 下面参照图5所述的学习偏好模型的处理中用作训练数据。将多条训练数据分类为显式(explicit)训练数据ETI和隐式(implicit) 训练数据ITI。将在下面描述显式训练数据ETI和隐式训练数据ITI之间的差 别。假设以下列方式分类显式训练数据ETI和隐式训练数据ITI。只有其中用户"喜欢，，或"不喜欢"的意图被明确表示的输入信息用作显式训练数据ETI。其中用户意图未被明确表示，但在某种程度上表示的输入信息用作隐式训练数据ITI。很难表示用户的意图的输入信息不用作显式训练数据，也不用作隐式训练数据。在以上假设下，反馈滤除单元16基于由兴趣级别估计单元15估计的兴 趣级别a,将从检测详细获得单元12和操作信息获得单元14提供的输入信 息分类为显式训练数据ETI或隐式训练数据ITI，或者排除输入信息于显式训 练数据ETI和隐式训练数据ITI之外。换句话说，反馈滤除单元16对输入信 息执行滤除处理。具体地，反馈滤除单元16将输入信息分类为用于显式训练 数据ETI的第一类型、用于隐式训练数据ITI的第二类型和不用作训练数据 的第三类型。滤除方法不限于特定类型。例如，所有的IFB可以简单地被分类为用于 隐式训练数据ITI的第二类型，而所有EFB可以筒单地被分类为用于显式训 练数据ETI的第一类型。然而，由于根据本发明的实施例将兴趣级别a附加到输入信息，采用基 于兴趣级别a的滤除方法。具体地，将具有不高于阈值B的兴趣级别a的绝 对值的输入信息分类为第三类(不分类为用于显式训练数据ETI的第一类也 不分类为隐式训练数据ITI的第二类)。将具有高于阈值B且不高于阈值A的 兴趣级别a的绝对值的输入信息分类为用于隐式训练数据ITI的第二类。将 具有高于阈值A的兴趣级别a的绝对值的输入信息分类为用于显式训练数据 ETI的第一类。当采用以上方法时执行的示例性的步骤显示为图4的步骤S2到S5。 在步骤S2中，反馈滤除单元16确定输入信息的兴趣级别a的绝对值是 否高于阔值A。如上所述，当输入信息的兴趣级别a的绝对值高于阈值A时，将输入信 息分类为用于显式训练数据ETI的第一类型。因此，在这种情况下，在步骤 S2中的确定是肯定的，并且处理前进到步骤S3。在步骤S3，历史管理单元 17产生并注册输入信息，向该输入信息附加有关对应的内容条目(当获得输 入信息时用户表示任何行为的特定内容条目)的元数据和+ 1或-1标记作为 显式训练数据ETI。然后，终止反馈注册处理。下面将详细描述在参照图5的学习偏好模型的处理中的+ 1和-1标记。 简单地说，+1标记的添加将由于用户"喜欢"对应的内容条目而执行该操作或提供该表达的含义附加到输入信息。-l标记的添加将由于用户"不喜 欢"对应的内容条目而执行该操作或提供该表达的含义附加到输入信息。如上所述，当输入信息的兴趣级别a的绝对值不高于阈值A时，至少不 将输入信息分类为用于显式训练数据ETI的第一类型。因此，在这种情况下， 在步骤S2中的确定是否定的，并且处理前进到步骤S4。在步骤S4,反馈滤除单元16确定输入信息的兴趣级别a的绝对值是否 高于阔值B。如上所述，当输入信息的兴趣级别a的绝对值不高于阈值A且高于阈值 B时，将输入信息分类为用于隐式训练数据ITI的第二类型。因此，在这种情 况下，在步骤S4中的确定是肯定的，并且处理前进到步骤S5。在步骤S5， 历史管理单元17产生并注册输入信息，向该输入信息附加有关对应的内容条 目(当获得输入信息时用户表示任何行为的特定内容条目)的元数据和0标 记作为隐式训练数据ETI。然后，终止反馈注册处理。将详细描述在参照图5的学习偏好模型的处理中的O标记。简单地说，0 标记的添加不将对应的操作或表达的含义附加到输入信息，也就是，表示丢 弃该附加的含义。当输入信息的兴趣级别a的绝对值不高于阔值B时，基于输入信息，用 户对特定内容条目不感兴趣，也就是，将输入信息分类为第三类型，其既不 用于显式训练数据ETI也不用于隐式训练数据ITI。换句话说，对于输入信息 不产生训练数据，并且可以丟弃输入信息。因此，在这种情况下，步骤S4中的确定是否定的，并且终止反馈注册处 理。换句话说，终止反馈注册处理而不注册显式训练数据ETI和隐式训练数 据ITI。将详细根据示例描述图4中的反馈注册处理。例如，如果作为用户对特定内容条目的评价，按下操作单元13中的"喜 欢"或"不喜欢"按钮时，将图3所示的"利用喜欢/不喜欢按钮输入"作为 EFB提供给兴趣级别估计单元15。在这种情况下，在步骤Sl，将+ 1.0的兴 趣级别a添加到指示"利用喜欢按钮输入"的EFB，而将-1.0的兴趣级别a 添加到指示"利用喜不欢按钮输入"的EFB。例如，如果操作单元13中的音频识别传感器识别出作为用户对特定内容 条目的评价的"喜欢"或"不喜欢"的语言，则将图3所示的"喜欢/不喜欢语言，，提供给兴趣级别估计单元15作为EFB。在这种情况下，在步骤S1中， 将+ 0.9的兴趣级别a添加到指示表示"喜欢，，的语言的EFB,而将-0.9的 兴趣级别a添加到指示表示"不喜欢"的语言的EFB。图3的示例仅仅是例示性的，并且其它语言可以用作EFB。可以将与每 个语言的内容对应的兴趣级别a添加到EFB。具体地，可以将+ 0.8的兴趣级 别a添加到指示表示"良好"的语言的EFB，而将-0.8的兴趣级别a添加到 指示表示"无聊"的语言的EFB。例如，如果在重放特定内容条目期间按下操作单元13中的重放或跳过按 钮，则将图2所示的"重放"或"跳过"提供给兴趣级别估计单元15作为IFB。 在这种情况下，在步骤Sl，将+ 0.5的兴趣级别a添加到指示"重放，，的IFB, 而将-0.5的兴趣级别a添加到指示"跳过"的IFB。例如，如果由用户表达检测单元11在特定内容条目的重放期间检测到图 2中的"用户表达信息"的上面部分的虚线下面的任何表达，则从所检测到 的表达获得"专心"或"分心"作为IFB,并且将IFB提供给兴趣级别估计 单元15，然后在步骤S1，将+ 0.2的兴趣级别a添加到指示"专心，，的IFB, 而将-0.2的兴趣级别a添加到指示"分心"的IFB。例如，如果用户表达检测单元11检测到没有表达(用户不表示任何事 情)，或者由用户表达检测单元11检测到指示用户坐在沙发上或挠他/她的头 的表达，则将0的兴趣级别a添加到所检测到的表达。这里，假设阈值A等于0.7,并且阈值B等于零。在该条件下，当针对特定内容条目获得指示"利用喜欢按钮输入"、"利 用不喜欢按钮输入"、"喜欢语言"、"不喜欢语言"、"良好"或"无聊"的输 入信息(主要为EFB)时，步骤S2的确定是肯定的。因此，在步骤S3，历 史管理单元17产生并注册输入信息，向该输入信息附加有关特定内容条目的 元数据以及+l或-l标记作为显式训练数据ETI。结果，在下面参照图5描 述的学习偏好模型的处理中，特定内容条目用作一条显式训练数据ETI。相反，当针对特定内容条目获得指示"重放"、"跳过"、"专心"或"分 心，，的输入信息(主要为IFB)时，步骤S2的确定是否定的，而步骤S4中 的确定是肯定的。因此，在步骤S5，历史管理单元17产生并注册输入信息， 向该输入信息附加有关特定内容条目的元数据以及0标记作为隐式训练数据 ITI。结果，在下面参照图5描述的学习偏好模型的处理中，特定内容条目用作一条隐式训练数据ETI。可以通过兴趣级别估计单元15针对特定内容条目获得多条输入信息。在 这种情况下，可以相互集合添加到多条输入信息的兴趣级别a以产生集合的 兴趣级别a,并且集合的兴趣级别a可以在步骤S2与阈值A进行比较，或者 在步骤S4与阈值B进行比较。集合兴趣级别a的方法不限于特定的方法。包括简单相加方法和加权相加方法的各种方法可以用于集合兴趣级别a。添加标记的方法和兴趣级别a、阈值A和阈值B的值不限于上述示例。可以使用任何方法和任何值，只要基于用户的操作或表达获得的反馈信息 (EFB或IFB)可以被分类为用于显式训练数据ETI的第一类型、用于隐式训练数据ITI的第二类型和不用作训练数据的第三类型(被丢弃)。在后面将显式训练数据ETI简称为"ETI",和在后面将隐式训练数据ITI筒称为"ITI"。图5是显示学习偏好模型的处理的示例的流程图。参照图5,在步骤S21中，偏好模型学习单元18确定是否已经注册了任 何ITI或ETI。在步骤S21中的确定是否定的，除非执行图4中的反馈注册处理中的步 骤S3或S5，并且处理重复步骤S21。如果执行图4中的反馈注册处理中的步骤S3或S5,也就是，如果已经 注册ITI或ETI，则步骤S21的确定是肯定的，并且处理前进到步骤S22。在 步骤S22,偏好模型学习单元18计数IT和ETI的条数。由"Ni"表示ITI的计数条数，并且被合适地称为所存储的ITI历史的计 数。由"Ne'，表示ETI的计数条数，并且被合适地称为所存储的ETI历史的 计数。在步骤S23中，偏好模型学习单元18确定是否所存储的ETI历史的计 数(Ne) > "N'，。如果所存储的ETI历史的计数(Ne)不大于N，则步骤S23中的确定是 否定的，并且处理返回到步骤S21。重复步骤S21到S23的循环处理，直到存储了 N条ETI为止。当已经存 储了N条ETI时，步骤S23中的确定是肯定的，并且处理前进到步骤S24。 在步骤S24，偏好模型学习单元18创建具有ETI的初始偏好模型，并且重置 "Ne，，为零。以上述方式通过使用N条ETI创建初始偏好模型。具体地，将"N"任 意设置为与创建初始偏好模型所需要的ETI条数对应的整数，其由设计者或 制造商估计。根据本发明的实施例，在涉及用户已经经历的内容条目的信息中，ETI 是涉及其兴趣级别a高于阔值A (参照图4的步骤S2和S3 )的特定内容条 目的信息。通常，ETI是可以更准确地估计的用户对特定内容条目的兴趣的 内容条目信息。换句话说，在诸如来自用户的EFB和IFB之类的反馈信息(输 入信息)中，在估计用户对特定内容条目的兴趣中确定为更准确的信息的信 息分类为ETI (更具体地，ETI分量的一部分)。在初始偏好模型的创建中，从训练数据中排除不能准确地估计用户对特 定内容条目的兴趣的不确定信息，并且只有可以准确估计用户对特定内容条 目的兴趣的ETI用作训练数据。然而，根据本发明的实施例，在ETI的分量中，不直接使用诸如来自用 户的EFB和IFB之类的反馈信息(输入信息)，并且+ 1或-1标记和元数据 也用于创建初始偏好模型。下面将+ 1标记、-1标记和0标记总称为喜欢/ 不喜欢标记。具体地，诸如[喜欢/不喜欢标记(+1或-l),元数据]之类的向量在初 始偏好模型中用作ETI。在下面将这样的向量称为元向量。可以将ETI(元向 量)表示为由元数据组成的特定空间(下面称为偏好元空间)上的点。在这 种情况下，可以通过例如支持向量机器(support vector machine ( SVM ))或 线性鉴别，通过使用数量高于特定数量的多条ETI (元向量)创建在偏好元 空间中从"不喜欢"区域分离"喜欢"区域的平面(下面称为分离平面)。换 句话说，将在偏好元空间中的分离平面创建为根据本发明实施例中的初始偏 好模型。在已经以上述方式创建初始偏好模型之后，也就是，在偏好元空间中创 建初始分离平面之后，图1中的偏好确定推荐内容选择单元19可以确定通过 向量化根据元数据要被推荐的内容条目(用于推荐内容条目的候选)产生的 元向量关于偏好元空间中的分离平面被布置在"喜欢"区域，还是"不喜欢" 区域，以确定推荐内容条目的候选的平面。在这种情况下，偏好确定推荐内容选择19选择在"喜欢"区域中布置的 推荐内容条目的候选作为推荐内容条目。内容表示和重放单元20表示或重放所推荐的内容条目。用户经历所推荐的内容条目，然后可能针对所推荐的内 容条目执行任何操作或给出任何表达。例如，用户利用操作单元13执行各种 装置操作来观看、清除、或估计推荐内容条目并给出各种表达。结果，可以获得关于所推荐的内容条目的任何EFB或IFB。由于EFB或 IFB可以用于估计用户对所推荐的内容条目的兴趣级别，因此执行图4的反 馈注册处理。当产生或注册有关推荐的内容条目的ETI或ITI时，训练数据 的条数递增1。诸如ETI或ITI之类的训练数据的条数增加与已经呈现给用户 的所推荐的内容条目的数量对应的值。当已经存储了特定量的新训练数据时，新训练数据可以用于更新偏好元 空间中的分离平面，也就是初始偏好模型。在图5中的步骤S25到S33中执行这样的更新处理。在对图5中的步骤 S25到S33进行详细描述之前，现在将参照图6描述偏好元空间中的分离平 面的更新的概念，以便帮助理解更新处理。图6的左解在现有技术中如何更新偏好元空间中的分离平面。图6 的右解在本发明的实施例中的偏好元空间中如何更新分离平面。为了简便，假设可以用来确定正在被重放的所推荐的内容条目是否经历 "所有重放"或"跳过"的信息作为IFB被输入。将作为IFB输入的"所有 重放"和"跳过"分类为ITI。在图6的示例中，在第一更新中，相对于初始分离平面更新分离平面。 在"喜欢，，条目周围的椭圓表示在用在创建初始分离平面(初始偏好模型) 的N条训练数据(本发明实施例的ETI)中，相对于初始分离平面被布置在 "喜欢，，区域中的多条训练数据的元向量的集合。相反，在"不喜欢"条目 周围的椭圆表示在用在创建初始分离平面(初始偏好模型)的N条训练数据 (本发明实施例的ETI)中，相对于初始分离平面被布置在"不喜欢，，区域 中的多条训练数据的元向量的集合ff在现有技术中，使用诸如"所有重放"和"跳过"之类的多条IFB,并 且向其附加该含义。例如，当所推荐的内容条目经历"所有重放"时，"所有 重放"表示当用户喜欢所推荐的内容条目时用户采取的一个特定的行为(特 定操作或特定表达)。当所推荐的内容条目是"跳过"时，"跳过"表示当用 户不喜欢所推荐的内容条目时用户采取的一个特定的行为(特定操作或特定 表达)。上述附加的"含义"，也就是，直接附加的"含义"包括仅仅是示例性的 "喜欢"和"不喜欢"和各种其它"含义"，例如通过加权(数字化)可以附 加的"含义"。在现有技术中，将经历"所有重放"的所有的推荐内容条目处理为要被 布置在"喜欢"区域中的内容条目，而将"跳过"的所有的推荐内容条目处 理为要被布置在"不喜欢"区域中的内容条目。根据向其附加含义的多个所 推荐的内容条目的元向量以及偏好元空间中的"喜欢"和"不喜欢"内容条 目的分布状态(参见图6的左图中所示的更新的分离平面)来更新分离平面 (偏好模型)。然而，很难讲所附的含义被均匀地应用到所有用户或同 一用户的所有推 荐的内容条目。例如，很难讲用户喜欢所有推荐的内容条目，这是因为所有的推荐内容 条目经历"所有重放"。具体地，如果因为用户专心倾听所推荐的内容条目， 因此所推荐的内容条目经历"所有重放"，则可以确定用户喜欢所推荐的内容 条目。然而，如果用户不存在，则不管用户喜欢或不喜欢，所推荐的内容条目可以经历"所有重放"。在这种情况下，不能确定用户喜欢所推荐的内容条目。类似地，例如，由于"跳过"所推荐的内容条目，所以也^f艮难讲用户不 喜欢多个所推荐的内容条目中的所推荐的内容条目。具体地，尽管用户喜欢 所推荐的内容条目，也可以根据用户的便利(例如，用户没有足够的时间来 倾听所推荐的内容条目)"跳过"所推荐的内容条目。或者，尽管用户喜欢所 推荐的内容条目，也可以根据用户的脾气(由于用户没耐心，因此用户在结 束之前不倾听所推荐的内容条目)"跳过"所推荐的内容条目。因此，尽管可 以假设其中用户不必然不喜欢所推荐的内容条目的各种情况，也不能确定用 户不喜欢用户已经"跳过"的所有所推荐的内容条目。为了克服以上问题，根据本发明的实施例，当所推荐的内容条目经历"所 有重放，，或被"跳过"时，将附加到"所有重放"或"跳过"的"含义"丢 弃一次，并且仅执行偏好空间中的所推荐的内容条目(元向量)的布置。当 已经在偏好空间中布置至少特定数量的所推荐的内容条目(元向量)时，将 分布状态处理为统计信息来更新分离平面(偏好模型)。可以通过例如转换SVM (transductiveSVM)执行更新处理。在下面将参照图5的步骤S28描述转换SVM。在用户按下喜欢或不喜欢按钮的情况下，当用户针对所推荐的内容条目 的行为(操作或表达)明确地指示用户的喜欢或不喜欢时，对预先通过动作获得的反馈信息(主要地EFB)的"含义"的附加不会引起任何问题。为此，根据本发明的实施例，当获得用户针对特定内容条目(所推荐的 内容条目)的行为(操作或表达)引起的反馈信息(诸如EFB或IFB之类的 输入信息)时，执行图4的反馈注册处理来将反馈信息分类为用于ETI的第 一类、用于ITI的第二类和不用于ETI或ITI的第三类(被丟弃)。具体地，可以(或应该)预先向其附加"含义"的反馈信息被分类为用 于ETI的第一类。作为训练数据是有用的，但不可以(或不应该)预先向其 附加"含义"的反馈信息被分类为用于ITI的第二类。作为训练数据是无用 的反馈信息被分类为第三类。因此，当至少已经存储了由于"含义"不可以(或不应该)附加到ITI 而不向其附加"含义"的特定数量的多条ITI时，根据转换SVM将所存储的 多条ITI用作统计信息来更新偏好模型(分离平面)。具体地，执行图5的步 骤S25到S33来更新偏好模型(分离平面)。返回参照图5，在步骤S25中，偏好模型学习单元18确定是否已经注册 了任何ITI或ETI。如上所述，不执行图4中的反馈注册处理中的步骤S3或步骤S5,除非 呈现或重放诸如所推荐的内容条目的之类的新内容条目。因此，这里在步骤 S25中的确定是否定的，并且处理重复步骤S25。当已经呈现或重放诸如所推荐的内容条目的之类的新内容条目，并且然 后执行图4中的反馈注册处理中的步骤S3或S5时，注册ITI或ETI。结果， 在步骤S25中的确定是肯定的，并且处理前进到步骤S26。在步骤S26中， 偏好模型学习单元18计算ITI和ETI的条数。在步骤S27,偏好模型学习单元18确定是否所存储的ITI历史(Ni) > "NI"。如果所存储的ITI历史(Ni)不大于"NI",则步骤S27中的确定是否定 的。如果在下述的步骤S29中的确定也是否定的，则处理再次返回到步骤S25。只要下述的步骤S29中的确定是否定的，则重复包括步骤S25、 S26、 S27 和S29的循环处理，直到存储NI条ITI为止。当ITI的条数超过"NI"时，步骤S27的确定是肯定的，并且处理前进到步骤S28。在步骤S28中，偏好 模型学习单元18通过转换SVM修改偏好模型，并且将"Ni"重置为零。通过以上方式使用NI条ITI更新用户的偏好模型。具体地，将"NI"任 意设置为与更新偏好模型所需要的IFI条数对应的整数，其由设计者或制造 商估计，也就是，设置为使用ITI作为统计信息所需要的ITI的条数对应的整 数。更具体地，诸如[喜欢/不喜欢标记(0 )，元数据]之类的元向量通过转换 SVM用作偏好模型的修改中的ITI。不将喜欢/不喜欢标记附加到ITI的初始 元向量。根据本发明的实施例，喜欢/不喜欢标记用作附加该"含义"的信息。因 此，如上所述，将喜欢/不喜欢标记+ 1或-1附加到ETI的初始元向量，而 将喜欢/不喜欢标记0附加到ITI的初始元向量以便指示该"含义"已经被丢 弃一次。为此，在本发明的实施例中使用转换SVM。在转换SVM中，在元向量 (本发明的实施例中用于ITI的元向量)被映射到包括原始分离平面(偏好 模型)的偏好空间以便合适地附加喜欢/不喜欢标记之后，移动分离平面，使 得所有的元向量(在本发明的实施例中所有元向量不仅包括ITI的现有条数 而且包括ETI条数)最远离分离平面。具体地，转换SVM包括下面的算法A到E。假设测试组用作有关裕度 (margin)的附加信息，并且允许标签的重新附加以最大化裕度。在本发明 的实施例中，标签表示喜欢/不喜欢标记。算法A使用标签的数据来建立分离平面。根据本发明的实施例，标签的 数据表示向其附加喜欢/不喜欢标记+ 1或-1的ETI。算法B相对于当前分离平面分类未标签的数据。根据本发明的实施例， 未标签的数据表示向其附加喜欢/不喜欢标记0的N条ITI (对于其丢弃附加 的含义)。算法C选择一对在算法B中被确定为正情况的标签和被在其中确定为负 情况的标签，其离分离平面足够近。根据本发明的实施例，正情况表示"喜 欢"，而负情况表示"不喜欢"。算法D用另 一对标签替换在算法C中选择的一对标签。仅当替代增加裕 度时执行该替换。算法E重复算法A到D直到满足终止条件为止。乂于于寿争4灸SVM的i，纟田4苗述,参见"T. Joachims, Transductive Inference for Text Classification using Support Vector Machines, ICML， 1999"。当已经由包括算法A到E的转换SVM更新分离平面(偏好模型)，并且 将"Ni"重置为零时，终止图5中的步骤S28，并且处理返回到步骤S25来 重复主题(subject)步骤。现在将描述图5的步骤S29到S33。每次重复包括步骤S25到S28的循环处理，使用ITI通过转换SVM逐渐 修改分离平面(偏好模型)。当用户已经体验所推荐的内容条目时，由于可以利用修改的分离平面(偏 好模型)的关系而获得关于所推荐的内容条目的矛盾的ETI。具体地，尽管 由于ETI具有喜欢/不喜欢标记+ 1而要将所推荐的内容条目要确定为布置在 "喜欢"区域内，但是作为将ETI的元向量映射到偏好空间的结果，相对于 修改的分离平面，可以将所推荐的内容条目布置在"不喜欢"区域内。相反 地，尽管由于ETI具有喜欢/不喜欢标记-1而要将所推荐的内容条目要确定 为布置在"不喜欢"区域内，但是作为将ETI的元向量映射到偏好空间的结 果，相对于修改的分离平面，可以将所推荐的内容条目布置在"喜欢"区域 内。由于以ETI明显地表示用户的偏好，因此不希望获得矛盾的ETI。因此， 如果矛盾的多条ETI的数量Nee (下面称为所存储的矛盾ETI历史的计数 (Nce))大于"NC"时，最好通过仅使用ETI再次修改偏好模型(分离平面)。 上述一系列处理对应于图5的步骤S29到S33。具体地，在步骤S29中，偏好模型学习单元18确定是否所存储的ETI 历史的计数(Ne) 〉 "NE"。如果所存储的ETI历史的计数(Ne)不大于"NE"，则步骤S29的确定 是否定的，并且处理返回到步骤S25。如果所存储的ETI历史的计数(Ne)大于"NE",则步骤S29中的确定 是肯定的，并且处理前进到步骤S30。在步骤S30中，偏好模型学习单元18将ETI条目映射到偏好模型。ETI 条目表示上述ETI的元向量。ETI条目映射到偏好模型表示Ne个("Ne"指 示超过"NE"的整数)ETI元向量被映射到偏好元空间。在步骤S31中，偏好模型学习单元18计数矛盾的多条ETI。计数值对应 于上述所存储的矛盾ETI历史(Nce)的计数。在步骤S32中，偏好模型学习单元18确定是否所存储的矛盾ETI历史 的计数(Nce) > "NC"。如果所存储的矛盾ETI历史的计数(Nce)不大于"NC",则在步骤S32 的确定是否定的，并且处理返回到步骤S25。如果所存储的矛盾ETI历史的计数(Nce)大于"NC",则在步骤S32 的确定是肯定的，并且处理前进到步骤S33。在步骤S33中，偏好模型学习单元18利用ETI重新创建偏好模型，并 且将"Nce，，和"Ne"设置为零。不必须将"Ne，，重置为零。然而，不将"Ne" 重置为零，所存储的ETI历史(Ne)继续增加，并且执行不必要的布置S30 和S31直到所存储的矛盾ETI (Nce)的计数变为大于"NC"为止。除了 ETI条数增加之外，步骤S33基本与步骤S24类似。如在其它确定步骤中使用的阔值那样，还可以由设计者或制造商任意地 设置在步骤S29中的确定中使用的"NE"和在步骤S32的确定中使用的"NC"。虽然在图5所示的流程图中的步骤被描述为学习偏好模型的处理的示 例，但是图5的步骤仅仅是示例性的。只要使用分类为ETI和ITI的多条训练数据，并且将附加到ITI的含义 丟弃一次来通过使用ITI作为统计信息执行学习，就可以采用学习偏好模型 的另一处理。例如，将ITI的喜欢/不喜欢标记的初始值设置为零，以便丢弃 附加到ITI的含义。因此，利用所存储的所有历史，可以通过使用所有多条ETI和ITI，通 过使用已经添加的ETI和ITI或者通过使用已经在预定时间段获得的ETI和 ITI,可以执行在步骤S33中的利用ETI重新创建偏好模型以及在步骤S28中 通过转换SVM进行偏好模型的修改。所存储的矛盾ETI历史的计数(Nce)大于"NC"的事实可以被确定为 用户的偏好的改变，并且只有矛盾的ETI可以用于重新创建偏好模型。在这种情况下，可以清除旧的ETI等。替代地，旧的ETI等可以用作推 荐的变化，而无需清除它们。可以使用ETI的条数代替矛盾ETI的条数作为步骤S33中利用ETI重新 创建偏好模型的触发。在这种情况下，可以根据E"的条数更新偏好模型来适应改变。可以不仅针对所有的内容条目，而且针对每一类别创建偏好模型(分离 平面)。这可以实现更准确的偏好确定。类似地，如果存在多个用户，例如如 果一家庭使用同一装置，则可以针对每个人创建偏好模型(分离平面)。可以通过硬件或通过软件执行上述一 系列处理。如果通过软件执行一 系 列处理，将组成软件的程序从程序记录介质安装在包括有专用硬件中的计算 机或安装在通过安装各种程序偏好模型(分离平面)执行各种功能的的通用 目的个人计算机中。图7是显示利用程序执行一系列处理的个人计算机的配置的示例的框 图。可以以图7所示的方式配置图1的乐曲推荐系统中的的所有框或一部分 框，例如其中的一些框。参照图7,中央处理单元(CPU) 201根据存储在只读存储器(ROM) 202或存储单元208中的程序执行各种处理。随机存取存储器(RAM) 203 合适地存储由CPU 201执行的程序以及各种数据。CPU 201、 ROM 202和 RAM203经由总线204相互连接。输入-输出接口 205还经由总线204连接到CPU201。包括键盘、鼠标 和麦克风的输入单元206和包括显示装置和扬声器的输出单元207连接到输 入-输出接口 205。 CPU201响应自来输入单元206提供的指令执行各种处理。 CPU 201将处理结果提供给输出单元207。连接到输入-输出接口 205的存储单元208,例如是硬盘。存储单元208存 储由CPU 201执行的程序和各种数据。通信单元209通过诸如因特网或局域 网之类的网络与外部设备通信。可以通过通信单元209获得程序，并且可以在存储单元208中存储所获 得的程序。连接到输入-输出接口 205的驱动器210驱动诸如磁盘、光盘、磁光盘或 半导体存储器之类的可卸载介质211,以当加载时获得记录在可卸载介质211 上的程序和数据。按需要将所获得的程序和数据传送到存储单元208,并且 存储在存储单元208中。如图7所示，存储了当安装在计算机中可以由计算机执行的程序的程序 记录介质，例如是可卸载介质211、其中临时或永久存储程序的ROM202或 组成存储单元208的硬盘。可卸载介质211是由磁盘(包括软盘)、光盘(包括密致盘-只读存储器(CD-ROM)和数字多功能盘(DVD))、磁光盘或半导 体存储器组成的封装介质。通过作为接口的通信单元209 (诸如路由器或调 制解调器)或通过有线或无线通信介质(诸如局域网、因特网或数字卫星广 播)在程序记录介质中存储程序。在本发明的实施例中，可以以所述顺序按时间次序、或者可以并行或单 独地执行描述存储在程序记录介质中的程序的步骤。虽然在上面的描述中，内容条目是乐曲，但是根据以上定义，本发明可 以应用到诸如运动图像之类的其它内容条目。本领域技术人员应该理解，可以根据设计需要和其它因素进行各种修改、 组合、子组合和改变，而它们落入所附权利要求或其等效物的范围内。本发明包含设计于2007年6月26日向日本专利局提交的日本专利申请 JP 2007-167243的主题，通过引用将其全部内容合并在此。
权利要求
1.一种学习用户对内容条目的偏好的信息处理设备，所述设备包括获得装置，用于获得用户对特定内容条目的操作或表达作为反馈信息；训练数据产生装置，用于针对从所述获得装置获得的所述反馈信息学习的所述偏好产生训练数据；和学习装置，用于通过使用由所述训练数据产生装置产生的多条训练数据来与训练数据相关联地学习用户的所述偏好以及如何向所述反馈信息附加含义。
2. 如权利要求1所述的信息处理设备，其中所述训练数据产生装置将所述反馈信息分类为至少包括第 一反馈信 息和第二反馈信息的类型中的任何类型，所述第 一反馈信息被确定为具有第 一级别或更高级别，在该级别上表示用户对所述特定内容条目的偏好，所述 第二反馈信息被确定为具有低于第一级别的级别，在该级别上表示用户对所述特定内容条目的偏好，其中所述训练数据产生装置产生用于具有附加到对应的操作或表达的含 义的所述第一反馈信息的显式训练数据，并且产生用于不具有附加到对应的 操作或表达的任何含义的所述第二反馈信息的隐式训练数据，其中所述学习装置通过仅使用所述显式训练数据来创建特定的偏好模 型，以执行偏好的初始学习，和其中所述学习装置为了学习用户的偏好通过使用所述隐式训练数据作为 统计信息来修改所述偏好^^莫型，以学习与所述隐式训练数据对应的操作或如 何将一含义附加到隐式训练数据。
3. 如权利要求2所述的信息处理设备，其中如果通过所述训练数据产生装置新产生的、并且附加了与所修改的 偏好模型矛盾的含义的显式训练数据的条数大于或等于特定值，则所述学习 装置通过仅使用所述显式训练数据来重新创建所述偏好模型。
4. 如权利要求2所述的信息处理设备，其中所述训练数据产生装置进一步将所述反馈信息分类为所述第二反馈 信息和第三反馈信息，将被确定为具有表示用户对特定内容条目的偏好的级 别、并且所述级别低于第一级别且不低于第二级别的所述反馈信息分类为所并且所述级别低于第二级别的所述反馈信息分类为所述第三反馈信息，对于 所述第三反馈信息不产生训练数据。
5. —种在学习用户针对内容条目的偏好的信息处理设备中的信息处理方法，所述方法包括步骤获得用户对特定内容条目的操作或表达作为反馈信息； 从所获得的所述反馈信息中产生用于所述偏好学习的训练数据；和 通过使用产生的多条所述训练数据与训练数据相关联地学习用户的所述偏好和如何将含义附加到所述反馈信息。
6. —种使学习用户针对内容条目的偏好的计算机执行控制处理的程序， 包括步骤获得用户对特定内容条目的操作或表达作为反馈信息； 从所获得的所述反馈信息中产生用于所述偏好学习的训练数据；和 通过使用产生的多条所述训练数据与训练数据相关联地学习用户的所述 偏好和如何将含义附加到所述反馈信息。
7. —种学习用户对内容条目的偏好的信息处理设备，所述设备包括获得单元，用于获得用户对特定内容条目的操作或表达作为反馈信息； 训练数据产生单元，用于针对从所述获得单元获得的所述反馈信息学习的所述偏好产生训练数据；和学习单元，用于通过使用由所述训练数据产生单元产生的多条训练数据来与训练数据相关联地学习用户的所述偏好以及如何向所述反馈信息附加含义。
全文摘要
学习用户对内容条目的偏好的信息处理设备，包括获得装置，用于获得用户对特定内容条目的操作或表达作为反馈信息；训练数据产生装置，用于针对从获得装置获得的反馈信息学习的偏好产生训练数据；和学习装置，用于通过使用由训练数据产生装置产生的多条训练数据来与训练数据相关联地学习用户的偏好以及如何向反馈信息附加含义。
文档编号G06Q10/00GK101334857SQ20081013050
公开日2008年12月31日 申请日期2008年6月26日 优先权日2007年6月26日
发明者山本则行 申请人:索尼株式会社