视听素材评价方法、视听素材评价系统及程序与流程

本发明涉及视听素材评价方法、视听素材评价系统及程序。

本申请基于在2016年1月18日在日本申请的特愿2016－7307号主张优先权，并将其内容引入于此。

背景技术：

一直以来，在评价商业广告（以下，称为cm）等的视听素材的情况下，例如，进行利用调查等的评价等主观且定性的评价。另外，另一方面已知这样的技术：通过计测收看动画时等的自然知觉下的被试验者的脑活动，对计测的信息进行解析，从而推定被试验者察觉到的知觉的意思内容（例如，专利文献1）。在该专利文献1记载的技术中，从名词、动词、形容词各自的词类推定概率高的单词，能够得到客观性的指标。

现有技术文献

专利文献

专利文献1：日本特愿2015－077694号。

技术实现要素：

发明要解决的课题

然而，在利用专利文献1记载的技术来评价cm的情况下，例如，输出“高级”这一推定结果的情况下，判定对cm制作者的意图进行何种评价是有困难的。这样，现有的视听素材评价方法中，难以客观且定量地评价视听素材。

本发明想要解决上述问题而成，其目的在于提供能够客观且定量地评价视听素材的视听素材评价方法、视听素材评价系统及程序。

用于解决课题的方案

为了解决上述问题，本发明的一种方式的视听素材评价方法，包含：脑活动计测部计测收看视听素材后的被试验者的脑活动的脑活动计测步骤；第1矩阵生成部基于通过所述脑活动计测步骤计测的计测结果，生成推定所述被试验者的知觉的意思内容的第1矩阵的第1矩阵生成步骤；第2矩阵生成部对表示所述视听素材的计划意图的文章信息进行自然语言处理，生成第2矩阵的第2矩阵生成步骤；以及相似度算出部算出所述第1矩阵与所述第2矩阵的相似度的相似度算出步骤。

另外，本发明的一种方式的视听素材评价方法，在上述视听素材评价方法中的所述第2矩阵生成步骤中，所述第2矩阵生成部将分割所述文章信息的单词的每一个转换为表示既定维数的意思空间中的位置的矩阵，生成表示该矩阵的重心的所述第2矩阵。

另外，本发明的一种方式的视听素材评价方法，在上述视听素材评价方法中，所述文章信息包含有表示所述视听素材的故事板（storyboard）所包含的每个分镜（cut）的计划意图的分镜文章信息，在所述第1矩阵生成步骤中，所述第1矩阵生成部按每个所述分镜生成所述第1矩阵，在所述第2矩阵生成步骤中，所述第2矩阵生成部生成与所述分镜文章信息对应的所述第2矩阵，在所述相似度算出步骤中，所述相似度算出部按每个所述分镜算出所述相似度。

另外，本发明的一种方式的视听素材评价方法，在上述视听素材评价方法中，所述文章信息包含有表示所述视听素材所包含的每个场景（scene）的计划意图的场景文章信息，在所述第1矩阵生成步骤中，所述第1矩阵生成部按每个所述场景生成所述第1矩阵，在所述第2矩阵生成步骤中，所述第2矩阵生成部生成与所述场景文章信息对应的所述第2矩阵，在所述相似度算出步骤中，所述相似度算出部按每个所述场景算出所述相似度。

另外，本发明的一种方式的视听素材评价方法，在上述视听素材评价方法中的所述脑活动计测步骤中，所述脑活动计测部按每个既定时间间隔计测所述被试验者的脑活动，在所述第1矩阵生成步骤中，所述第1矩阵生成部按每个所述既定时间间隔生成所述第1矩阵，在所述相似度算出步骤中，所述相似度算出部算出与所述文章信息对应的期间中的表示所述第1矩阵的平均的平均第1矩阵与所述第2矩阵的相似度。

另外，本发明的一种方式的视听素材评价方法，在上述视听素材评价方法中，所述文章信息包含有表示所述视听素材的整体的计划意图的整体意图文章信息，在所述脑活动计测步骤中，所述脑活动计测部按每个既定时间间隔计测所述被试验者的脑活动，在所述第1矩阵生成步骤中，所述第1矩阵生成部按每个所述既定时间间隔生成所述第1矩阵，在所述第2矩阵生成步骤中，所述第2矩阵生成部生成与所述整体意图文章信息对应的所述第2矩阵，在所述相似度算出步骤中，所述相似度算出部算出按每个所述既定时间间隔生成的所述第1矩阵与和所述整体意图文章信息对应的所述第2矩阵的相似度。

另外，本发明的一种方式的视听素材评价方法，在上述视听素材评价方法中，包含：所述脑活动计测部以既定时间间隔计测收看训练动画的所述被试验者的脑活动的训练计测步骤；以及模型生成部基于通过所述训练计测步骤计测的多个计测结果、和对说明所述训练动画的各场景的说明文章进行自然语言处理而生成的多个第3矩阵，生成由所述计测结果推定所述第1矩阵的推定模型的模型生成步骤，在所述第1矩阵生成步骤中，所述第1矩阵生成部基于通过所述脑活动计测步骤计测的计测结果和所述推定模型，生成所述第1矩阵。

另外，本发明的一种方式的视听素材评价系统，具备：脑活动计测部，计测收看视听素材的被试验者的脑活动；第1矩阵生成部，基于通过所述脑活动计测部计测的计测结果，生成推定所述被试验者的知觉的意思内容的第1矩阵；第2矩阵生成部，对表示所述视听素材的计划意图的文章信息进行自然语言处理，生成第2矩阵；以及相似度算出部，算出所述第1矩阵与所述第2矩阵的相似度。

另外，本发明的一种方式的程序，使计算机执行以下步骤：第1矩阵生成步骤，基于通过计测收看视听素材的被试验者的脑活动的脑活动计测部来计测的计测结果，生成推定所述被试验者的知觉的意思内容的第1矩阵；第2矩阵生成步骤，对表示所述视听素材的计划意图的文章信息进行自然语言处理，生成第2矩阵；以及相似度算出步骤，算出所述第1矩阵与所述第2矩阵的相似度。

发明效果

依据本发明，能够客观且定量地评价视听素材。

附图说明

[图1]是示出依据第1实施方式的广告评价系统的一个例子的框图。

[图2]是说明第1实施方式中的注解矢量的生成例的图。

[图3]是说明第1实施方式中的意思空间的概念的图。

[图4]是说明第1实施方式中的推定模型的生成处理的一个例子的图。

[图5]是说明第1实施方式中的cm动画的评价处理的一个例子的图。

[图6]是示出第1实施方式中的广告评价系统的动作的一个例子的流程图。

[图7]是示出第1实施方式中的推定模型的生成处理的一个例子的流程图。

[图8]是示出依据第1实施方式的广告评价系统的评价结果的一个例子的图。

[图9]是说明第2实施方式中的cm动画的评价处理的一个例子的图。

[图10]是示出第2实施方式中的广告评价系统的动作的一个例子的流程图。

[图11]是示出第3实施方式中的广告评价系统的动作的一个例子的流程图。

具体实施方式

以下，一边参照附图，一边对本发明的依据一个实施方式的视听素材评价系统及视听素材评价方法进行说明。

[第1实施方式]

图1是示出依据第1实施方式的广告评价系统1的一个例子的框图。

如图1所示，广告评价系统1具备：数据处理装置10；图像再现终端20；以及fmri（功能性磁共振成像：functionalmagneticresonanceimaging）30。

依据本实施方式的广告评价系统1使被试验者s1收看cm动画（商业广告动画、商业广告片（cf）），客观且定量地评价以何种程度反映cm计划书的意图（制作者的意图）。此外，在本实施方式中，cm动画（广告动画）为视听素材的一个例子，作为视听素材评价系统的一个例子，对广告评价系统1进行说明。

图像再现终端20例如为具备液晶显示器等的终端装置，例如，显示训练（training）用的动画（训练动画）或评价的cm动画等，令被试验者s1收看。在此，训练动画是包含多种多样的图像的动画。

fmri30（脑活动计测部的一个例子）计测收看图像再现终端20显示的图像（例如，cm动画等）的被试验者s1的脑活动。fmri30输出将被试验者s1的与脑活动关联的血流动态反应视觉化的fmri信号（脑活动信号）。fmri30以既定时间间隔（例如，2秒间隔）计测被试验者s1的脑活动，并将计测的计测结果作为fmri信号向数据处理装置10输出。

数据处理装置10是基于通过fmri30计测的被试验者s1的脑活动的计测结果，评价cm动画的计算机装置。另外，数据处理装置10生成为了评价cm动画而利用的后述的推定模型。数据处理装置10具备显示部11、存储部12和控制部13。

显示部11（输出部的一个例子）例如为液晶显示器等的显示装置，显示与数据处理装置10执行的各种处理相关的信息。显示部11例如显示cm动画的评价结果。

存储部12存储利用数据处理装置10执行的各种处理的各种信息。存储部12具备计测结果存储部121、推定模型存储部122、矩阵存储部123和相关系数存储部124。

计测结果存储部121存储通过fmri30计测的计测结果。计测结果存储部121例如使时刻信息（或采样编号）和利用fmri30的计测结果对应而存储。

推定模型存储部122存储后述的模型生成部131生成的推定模型。在此，推定模型是由通过fmri30计测的计测结果推定推定矩阵a（第1矩阵）的模型，推定矩阵a推定了该被试验者s1的知觉的意思内容。对于推定矩阵a的细节将后述。

矩阵存储部123存储cm动画的评价所使用的各种矩阵信息。矩阵存储部123存储例如由表示cm的计划意图的文章信息生成的目标概念矢量b（矩阵b（第2矩阵））、推定矩阵a等。在此，目标概念矢量是表示目的的概念、即计划意图的矢量。

相关系数存储部124（相似度存储部的一个例子）存储与cm动画的评价结果相当的相关系数（r）。即，相关系数存储部124存储后述的相关算出部134基于推定矩阵a和目标概念矢量b（矩阵b）算出的相关系数（r）。相关系数存储部124例如使时刻信息（或采样编号）与相关系数（r）对应而存储。

此外，相似度例如利用皮尔逊相关或欧几里德距离来算出。

控制部13例如是包含cpu（centralprocessingunit）等的处理器，统一控制数据处理装置10。控制部13执行数据处理装置10所执行的各种处理。例如，基于使被试验者s1收看训练动画（traininganimation）并通过fmri30计测的计测结果、与基于事先对该训练动画附上注解的数据生成的矢量数据即注解矢量，控制部13生成推定模型。另外，基于使被试验者s1收看作为评价对象的cm动画并通过fmri30计测的计测结果、与表示该cm计划书的计划意图的文章信息，控制部13生成用于评价cm动画的意思空间内的坐标转换（矩阵b）与矩阵a的相关系数（r）。

另外，控制部13具备模型生成部131、推定矩阵生成部132、意图矩阵生成部133、相关算出部134和显示控制部135。

基于使被试验者s1收看训练动画并通过fmri30以既定时间间隔计测的多个计测结果、与对说明训练动画的各场景的说明文章进行自然语言处理而生成的多个注解矢量（第3矩阵），模型生成部131生成推定模型。如图2所示，模型生成部131由训练动画的各场景的静止图像或动画生成注解矢量（矩阵）。

图2是说明本实施方式中的注解矢量的生成例的图。

若参照图2，则由图像p1生成例如表示该图像的印象的语言记述（注解）p2。此外，语言记述（注解）的文章例如为场景概要的说明或感想等的文章，为了排除记述注解的个人导致的表达的偏倚，采用多人分别记述的文章。模型生成部131对该语言记述（注解）的文章进行例如词素解析p3，生成间隔书写的数据，在分解为单词的基础上，对注解矢量空间中的这些单词的坐标值进行加法平均。或者也可以作为单词的集合体即文章整体算出坐标值。接着，模型生成部131利用语料库40对该间隔书写的数据进行自然语言处理，生成skip－gram等的注解矢量空间p4。

在此，语料库40是例如wikipedia（注册商标）或新闻记事等的大量的文章数据的数据库。模型生成部131利用这样的大量的文章数据的语料库40，对该间隔书写的数据进行自然语言处理，生成单词矢量空间。在此，单词矢量空间基于语料库内的单词间的出现概率等，向名词/形容词/动词等的一个一个单词提供同一空间内的坐标即矢量。由此，能够将表示物体的名称的名词或表示印象的形容词等的单词转换为以矩阵表达单词间的关系的矢量空间（中间表象空间）上的坐标值，能够将特定的单词间的关系作为坐标间的距离进行指定。在此，矢量空间（中间表象空间）是例如如图3所示的既定维数（n维）的矩阵空间，各单词被分配（表象）到该矩阵空间所对应的坐标。

模型生成部131将表示图像的印象的语言记述（注解）所包含的各单词转换为表示该意思空间的位置的注解矢量。该转换处理以多人记述的各个注解为对象进行。然后，生成表示进行了该转换处理的多个注解矢量的重心（平均）的矢量作为表示图像的印象的注解矢量。即，模型生成部131按训练动画的、例如每2秒间隔的场景生成注解矢量（第3矩阵），向矩阵存储部123存储。模型生成部131例如使时刻信息（或采样编号）与训练动画的各场景的注解矢量（第3矩阵）对应并存储于矩阵存储部123。

另外，模型生成部131取得在被试验者s1收看图像再现终端20显示的训练动画时，通过fmri30计测的、例如每2秒的脑活动的计测结果，并存储于计测结果存储部121。模型生成部131例如使时刻信息（或采样编号）与基于训练动画通过fmri30计测的脑活动的计测结果对应，并存储于计测结果存储部121。

另外，模型生成部131根据基于训练动画通过fmri30计测的计测结果与训练动画的各场景的注解矢量（第3矩阵），生成推定模型。在此，推定模型由脑活动的计测结果推定被试验者s1的知觉的意思内容即推定矩阵a。

图4是说明本实施方式中的推定模型的生成处理的一个例子的图。

如图4所示，模型生成部131从计测结果存储部121取得fmri30针对训练动画的计测结果（xt1、xt2、…、xtn）。另外，模型生成部131从矩阵存储部123取得训练动画的各场景的注解矢量（st1、st2、…、stn）。在此，若设计测结果（xt1、xt2、…、xtn）为矩阵r、注解矢量（st1、st2、…、stn）为矩阵s，则一般的统计模型由下述的式（1）表示。

s＝f（r，θ）…（1）

在此，f（）表示函数，变量θ表示参数。

另外，若使上述式（1）例如为线性模型，则能通过下述的式（2）表示。

s＝r×w…（2）

在此，矩阵w表示线性模型中的系数参数。

模型生成部131以上述的计测结果（矩阵r）为说明变量、注解矢量（矩阵s）为目的变量，基于上述式（2）生成推定模型。此外，用于生成推定模型的统计模型，可为线性模型（例如，线性回归模型等），也可为非线性模型（例如，非线性回归模型等）。

例如，在对于2小时的训练动画，fmri30以2秒间隔进行了60000测点（point）的脑活动的计测的情况下，矩阵r成为3600行×60000位（桁）的矩阵。另外，若将意思空间例如设为1000维的空间，则矩阵s成为3600行×1000位的矩阵，矩阵w成为60000行×1000位的矩阵。模型生成部131基于这样的矩阵r及矩阵s、和上述式（2），生成相当于矩阵w的推定模型。通过利用该推定模型，由fmri30的60000测点的计测结果，能够推定1000维的注解矢量。模型生成部131使所生成的推定模型存储于推定模型存储部122。

此外，推定模型最好按每个被试验者s1生成，模型生成部131也可以使所生成的推定模型和识别被试验者s1的识别信息对应而存储于推定模型存储部122。

推定矩阵生成部132（第1矩阵生成部的一个例子）基于通过fmri30计测的计测结果，生成推定被试验者s1的知觉的意思内容的推定矩阵a（第1矩阵）。推定矩阵生成部132例如利用推定模型存储部122所存储的推定模型，基于通过fmri30计测的计测结果，生成将该计测结果分配给图3所示的意思空间的推定矩阵a。推定矩阵生成部132使所生成的推定矩阵a存储于矩阵存储部123。

此外，如后述的图5所示，在fmri30以既定时间间隔（时刻t1、时刻t2、…、时刻tn）输出计测结果（xt1、xt2、…、xtn）的情况下，推定矩阵生成部132生成推定矩阵a（at1、at2、…、atn）。在该情况下，推定矩阵生成部132使时刻信息（时刻t1、时刻t2、…、时刻tn）与推定矩阵a（at1、at2、…、atn）对应而存储于矩阵存储部123。

意图矩阵生成部133（第2矩阵生成部的一个例子）对表示cm动画的计划意图的文章信息进行自然语言处理，生成计划整体的目标概念矢量b（矩阵b（第2矩阵））。例如，由cm动画的计划书等的表示整体的计划意图的文章信息，与图2所示的方法同样地，生成目标概念矢量b（矩阵b）。即，意图矩阵生成部133对文章信息进行词素解析，转换为间隔书写数据，对于该间隔书写数据所包含的单词，利用语料库40进行自然语言处理，生成单词单位的目标概念矢量。

而且，意图矩阵生成部133基于所生成的单词单位的目标概念矢量，生成算出了重心的计划整体的目标概念矢量b（矩阵b）。即，意图矩阵生成部133将分割文章信息的单词的每一个，转换为表示既定维数（例如，1000维）的意思空间中的位置的矩阵（目标概念矢量），生成表示该矩阵的重心的矩阵b。意图矩阵生成部133使所生成的目标概念矢量b（矩阵b）存储于矩阵存储部123。

相关算出部134（相似度算出部的一个例子）算出上述的推定矩阵a和目标概念矢量b（矩阵b）的相关关系（相似度的一个例子）。即，相关算出部134如图5所示，算出按每个既定时间间隔生成的推定矩阵a（at1、at2、…、atn）和与表示cm计划的整体的意图的文章信息对应的目标概念矢量b（矩阵b）的相关系数r（rt1、rt2、…、rtn）。相关算出部134使所生成的相关系数r（rt1、rt2、…、rtn）和时刻信息（时刻t1、时刻t2、…、时刻tn）对应，并存储于相关系数存储部124。

显示控制部135取得相关系数存储部124所存储的相关系数r，生成例如后述的图8所示那样的图表，显示cm计划的整体的意图和输出视听者的脑活动的结果的、视听者察觉到的内容的相关。显示控制部135将所生成的相关系数r的图表作为cm动画的评价结果，显示（输出）于显示部11。

接着，参照附图，对依据本实施方式的广告评价系统1的动作进行说明。

图5是说明本实施方式中的cm动画的评价处理的一个例子的图。

如图5所示，在本实施方式中，表示cm计划的意图的文章信息中，包含有表示广告动画的整体的计划意图的整体意图文章信息。当被试验者s1收看图像再现终端20显示的cm动画时，fmri30按每个既定时间间隔（时刻t1、时刻t2、…、时刻tn）计测被试验者s1的脑活动，并输出计测结果（xt1、xt2、…、xtn）。

另外，推定矩阵生成部132利用推定模型存储部122所存储的推定模型，由计测结果（xt1、xt2、…、xtn）按每个既定时间间隔生成推定矩阵a（at1、at2、…、atn）。另外，意图矩阵生成部133生成与整体意图文章信息对应的目标概念矢量b。而且，相关算出部134算出按每个既定时间间隔生成的推定矩阵a（at1、at2、…、atn）和与整体意图文章信息对应的目标概念矢量b（矩阵b）的相关系数r（rt1、rt2、…、rtn）。

另外，图6是示出本实施方式中的广告评价系统1的动作的一个例子的流程图。

如图6所示，数据处理装置10的模型生成部131生成推定模型（步骤s101）。此外，关于生成推定模型的详细的处理，参照图7而后述。模型生成部131使所生成的推定模型存储于推定模型存储部122。

接着，fmri30以既定时间间隔计测收看cm动画的脑活动（步骤s102）。即，fmri30例如以2秒间隔计测收看图像再现终端20显示的cm动画的被试验者s1的脑活动。fmri30向数据处理装置10输出已计测的计测结果（xt1、xt2、…、xtn），数据处理装置10例如使该计测结果存储到计测结果存储部121。

接着，数据处理装置10的推定矩阵生成部132由计测结果和推定模型生成每个既定时间间隔的推定矩阵a（步骤s103）。推定矩阵生成部132由计测结果存储部121所存储的每2秒的计测结果、和推定模型存储部122所存储的推定模型生成每2秒的推定矩阵a（例如，图5所示的at1、at2、…、atn）。推定矩阵生成部132使所生成的推定矩阵a存储于矩阵存储部123。

接着，意图矩阵生成部133由表示cm计划书的整体的意图的文章信息（整体意图文章信息）生成目标概念矢量b（矩阵b）（步骤s104）。意图矩阵生成部133例如通过与图2所示的方法同样的方法，生成目标概念矢量b（矩阵b）。意图矩阵生成部133例如将分割整体意图文章信息的单词的每一个，转换为表示既定维数的意思空间（例如，1000维的意思空间）中的位置的矩阵（目标概念矢量），生成表示该矩阵（目标概念矢量）的重心的目标概念矢量b（矩阵b）。意图矩阵生成部133使所生成的目标概念矢量b（矩阵b）存储于矩阵存储部123。

接着，数据处理装置10的相关算出部134算出每个既定时间间隔的推定矩阵a和目标概念矢量b（矩阵b）的相关系数r（步骤s105）。相关算出部134例如如图5所示，算出矩阵存储部123所存储的每2秒的推定矩阵a（at1、at2、…、atn）、和矩阵存储部123所存储的目标概念矢量b（矩阵b）的相关系数r（rt1、rt2、…、rtn）。相关算出部134使算出的相关系数r（rt1、rt2、…、rtn）存储于相关系数存储部124。

接着，数据处理装置10生成相关系数r的图表并显示在显示部11（步骤s106）。即，数据处理装置10的显示控制部135取得相关系数存储部124所存储的每2秒的相关系数r（rt1、rt2、…、rtn），并生成例如后述的图8所示那样的图表。显示控制部135将所生成的相关系数r的图表作为cm动画的评价结果，在显示部11进行显示（输出），并结束处理。

此外，在上述的广告评价（cm评价）的流程图中，步骤s102的处理与脑活动计测步骤的处理对应，步骤s103的处理与第1矩阵生成步骤的处理对应。另外，步骤s104的处理与第2矩阵生成步骤的处理对应，步骤s105的处理与相关算出步骤（相似度算出步骤）的处理对应。

接着，参照图7，对广告评价系统1中的推定模型的生成处理进行说明。

图7是示出本实施方式中的推定模型的生成处理的一个例子的流程图。

如图7所示，fmri30以既定时间间隔计测收看训练动画的脑活动（步骤s201）。即，fmri30例如以2秒间隔计测收看图像再现终端20所显示的训练动画的被试验者s1的脑活动。fmri30将计测的计测结果（xt1、xt2、…、xtn）向数据处理装置10输出，数据处理装置10的模型生成部131例如使该计测结果存储到计测结果存储部121。

接着，模型生成部131针对训练动画的各场景生成基于事先附上注解的数据生成的矢量数据即注解矢量（步骤s202）。模型生成部131例如通过图2所示的方法，生成每2秒间隔（每场景）的注解矢量（st1、st2、…、stn）。模型生成部131使所生成的注解矢量（st1、st2、…、stn）存储于矩阵存储部123。

接着，模型生成部131由脑活动的计测结果和注解矢量生成推定模型（步骤s203）。即，模型生成部131以计测结果存储部121所存储的计测结果（xt1、xt2、…、xtn）为矩阵r、并以矩阵存储部123所存储的注解矢量（st1、st2、…、stn）为矩阵s，通过式（2），如图4所示，生成推定模型。模型生成部131使所生成的推定模型存储于推定模型存储部122。在步骤s203的处理后模型生成部131结束推定模型的生成处理。

此外，上述的推定模型的生成处理的流程图中，步骤s201的处理与训练计测步骤的处理对应，步骤s202及步骤s203的处理与生成步骤的处理对应。

接着，参照图8，对依据本实施方式的广告评价系统1的评价结果进行说明。

图8是示出依据本实施方式的广告评价系统1的评价结果的一个例子的图。

图8所示的图表示出评价对象的cm（cmb）和用于其比较对象的参考cm（cma、cmc）中的评价结果的图表。在此，纵轴表示相关系数r，横轴表示时间。

另外，在图8所示的例子中，进行借助3位被试验者s1的比较，波形w1表示“被试验者a”，波形w2表示“被试验者b”，波形w3表示“被试验者c”。此外，在此的相关系数是表示对象的cm动画是何种程度反映表示cm计划书（cmb的计划书）的整体的意图的整体意图文章信息的指标。

在图8所示的例子中，针对评价对象的cmb的相关系数具有比针对参考cm（cma、cmc）的相关系数高的倾向，并示出反映了cm计划书（cmb的计划书）的意图。

如以上说明的那样，依据本实施方式的广告评价方法（视听素材评价方法的一个例子）包含：脑活动计测步骤（图6的步骤s102）；第1矩阵生成步骤（图6的步骤s103）；第2矩阵生成步骤（图6的步骤s104）；以及相似度算出步骤（图6的步骤s105）。在脑活动计测步骤中，fmri30（脑活动计测部）计测收看视听素材（cm动画）的被试验者s1的脑活动。在第1矩阵生成步骤中，推定矩阵生成部132（第1矩阵生成部）基于通过脑活动计测步骤计测的计测结果，生成推定被试验者s1的知觉的意思内容的推定矩阵a（第1矩阵）。在第2矩阵生成步骤中，意图矩阵生成部133（第2矩阵生成部）对表示广告动画的计划意图的文章信息进行自然语言处理，生成目标概念矢量b（矩阵b、第2矩阵）。在相似度算出步骤（相关算出步骤）中，相关算出部134算出推定矩阵a与目标概念矢量b（矩阵b）的相似度（相关系数r）。

由此，依据本实施方式的广告评价方法，算出针对表示视听素材（广告动画）的计划意图的文章信息的、客观且定量的cm评价的指标即相关系数r，因此能够客观且定量地评价视听素材（广告（cm））。

例如，在有其他竞争公司的cm（cma、cmc）和本公司的cm（cmb）的情况下，依据本实施方式的广告评价方法，通过比较其他竞争公司的cm（cma）的评价结果与本公司的cm（cmb）的评价结果，如果存在表示比本公司的cm（cmb）更顺着本公司的cm计划意图的反应的其他cm（cma、cmc），就能够作为参考。

另外，依据本实施方式的广告评价方法，通过比较基于按照cm计划书（例如，cmb的计划书）的整体意图文章信息的目标概念矢量b（矩阵b）、和例如仅收看基于该cm计划书制作的cm（cmb）而获得的推定矩阵a，能够评价是否向视听者正确地传达了向广告代理店订购时的计划意图，因此能够作为选定广告代理店时的材料。

另外，在本实施方式中，第2矩阵生成步骤中，意图矩阵生成部133将分割文章信息的单词的每一个，转换为表示既定维数（例如，1000维）的意思空间（参照图3）中的位置的矩阵，生成表示该矩阵的重心的目标概念矢量b（矩阵b）。

由此，依据本实施方式的广告评价方法，能够在意思空间上简单且适当地对表示广告动画的计划意图的文章信息进行表象，能够客观且定量地评价依据文章信息的计划意图和被试验者s1的脑活动的关系。

另外，表示广告动画的计划意图的文章信息中包含有表示广告动画的整体的计划意图的整体意图文章信息。在脑活动计测步骤中，fmri30按每个既定时间间隔（例如，2秒间隔）计测被试验者s1的脑活动。在第1矩阵生成步骤中，推定矩阵生成部132按每个既定时间间隔生成推定矩阵a（例如，at1、at2、…、atn）。在第2矩阵生成步骤中，意图矩阵生成部133生成与整体意图文章信息对应的目标概念矢量b（矩阵b）。在相似度算出步骤中，相关算出部134算出按每个既定时间间隔生成的推定矩阵a（例如，at1、at2、…、atn）和与整体意图文章信息对应的目标概念矢量b（矩阵b）的相似度（相关系数r）。

由此，依据本实施方式的广告评价方法，算出与每个既定时间间隔的整体意图文章信息对应的相似度（相关系数r），因此能够按每个既定时间间隔评价cm动画以何种程度反映cm计划的整体的意图。

另外，依据本实施方式的广告评价方法还包含训练计测步骤和生成步骤。在训练计测步骤中，fmri30以既定时间间隔（例如，2秒间隔）计测收看训练动画的被试验者s1的脑活动。在模型生成步骤中，模型生成部131基于通过训练计测步骤计测的多个计测结果（例如，图4的xt1、xt2、…、xtn）和对说明训练动画的各场景的说明文章进行自然语言处理而生成的多个注解矢量s（第3矩阵、例如st1、st2、…、stn），生成由计测结果x对推定矩阵a进行推定的推定模型。而且，在第1矩阵生成步骤中，推定矩阵生成部132基于通过脑活动计测步骤计测的计测结果x和推定模型，生成推定矩阵a。

由此，依据本实施方式的广告评价方法，能够生成推定模型，例如，能够按每个被试验者s1生成最佳的推定模型。因而，依据本实施方式的广告评价方法，能够按每个被试验者s1精度良好、客观且定量地评价广告（cm）。

另外，依据本实施方式的广告评价系统1（视听素材评价系统的一个例子）具备fmri30、推定矩阵生成部132、意图矩阵生成部133和相关算出部134。fmri30计测收看cm动画的被试验者s1的脑活动。推定矩阵生成部132基于通过fmri30计测的计测结果，生成推定被试验者s1的知觉的意思内容的推定矩阵a（第1矩阵）。意图矩阵生成部133对表示cm动画的计划意图的文章信息进行自然语言处理，生成目标概念矢量b（矩阵b（第2矩阵））。而且，相关算出部134算出推定矩阵a与目标概念矢量b（矩阵b）的相似度（相关系数r）。

由此，依据本实施方式的广告评价系统1，与依据本实施方式的广告评价方法同样，能够客观且定量地评价广告（cm）。

另外，依据本实施方式的数据处理装置10（视听素材评价装置的一个例子）具备推定矩阵生成部132、意图矩阵生成部133和相关算出部134。推定矩阵生成部132基于通过计测收看cm动画的被试验者s1的脑活动的fmri30来计测的计测结果，生成推定被试验者s1的知觉的意思内容的推定矩阵a（第1矩阵）。意图矩阵生成部133对表示cm动画的计划意图的文章信息进行自然语言处理，生成目标概念矢量b（矩阵b（第2矩阵））。而且，相关算出部134算出推定矩阵a与目标概念矢量b（矩阵b）的相似度（相关系数r）。

由此，依据本实施方式的数据处理装置10（视听素材评价装置），与依据本实施方式的广告评价方法及广告评价系统1同样，能够客观且定量地评价广告（cm）。

[第2实施方式]

接着，参照附图，对依据第2实施方式的广告评价系统1及广告评价方法进行说明。

此外，依据本实施方式的广告评价系统1的结构，与图1所示的第1实施方式同样，因此在这里省略其说明。

在本实施方式中，按cm的计划书的一个例子即故事板的每个分镜，提取表示计划意图的文章信息（分镜文章信息），按故事板的每个分镜评价cm图像这一点与第1实施方式不同。

图9是说明第2实施方式中的cm动画的评价处理的一个例子的图。

在图9中，故事板的各分镜与利用fmri30进行的多次计测对应。例如，分镜c1与利用fmri30进行的时刻t1～时刻tm为止的计测对应，分镜c2与利用fmri30进行的时刻tm＋1～时刻tn为止的计测对应。另外，表示与故事板的分镜c1对应的计划意图的文章为分镜文章信息（txc1），表示与故事板的分镜c2对应的计划意图的文章为分镜文章信息（txc2）。

在本实施方式中，推定矩阵生成部132生成每个分镜的推定矩阵a1（a1c1、a1c2、…）。例如，如图9所示，推定矩阵生成部132利用推定模型存储部122所存储的推定模型生成与利用fmri30的各个计测结果（xc1～xcm）对应的推定矩阵a（ac1～acm）。另外，推定矩阵生成部132生成表示与分镜文章信息对应的期间中的推定矩阵a的平均的平均推定矩阵a1（平均第1矩阵）。例如，针对与时刻t1～时刻tm对应的分镜c1，推定矩阵生成部132生成表示推定矩阵（ac1～acm）的平均的平均推定矩阵a1c1。另外，例如，针对与时刻tm＋1～时刻tn对应的分镜c2，推定矩阵生成部132生成表示推定矩阵（acm＋1～acn）的平均的平均推定矩阵a1c2。

另外，意图矩阵生成部133按每个分镜文章信息生成目标概念矢量b（矩阵b1）。与上述的图2所示的方法同样，意图矩阵生成部133按每个分镜文章信息生成目标概念矢量（矩阵b1c1、矩阵b1c2、…）。

而且，相关算出部134按每个分镜算出相关系数r。此外，在本实施方式中，算出表示与分镜文章信息对应的期间中的推定矩阵a的平均的平均推定矩阵a1与第2矩阵的相关系数r（rc1、rc2、…）。

这样，在本实施方式中，表示cm计划书的计划意图的文章信息中，包含有表示cm动画的故事板所包含的每个分镜的计划意图的分镜文章信息（例如，txc1、txc2、…）。而且，推定矩阵生成部132按每个分镜生成推定矩阵a1，意图矩阵生成部133按每个分镜文章信息生成目标概念矢量b1（矩阵b1），相关算出部134按每个分镜算出相关系数r。

接着，参照图10，对依据本实施方式的广告评价系统1的动作进行说明。

图10是示出本实施方式中的广告评价系统1的动作的一个例子的流程图。

如图10所示，数据处理装置10的模型生成部131生成推定模型（步骤s301）。在此，利用模型生成部131进行的推定模型的生成处理与第1实施方式同样。模型生成部131使所生成的推定模型存储于推定模型存储部122。

接着，fmri30以既定时间间隔计测收看cm动画的脑活动（步骤s302）。即，fmri30例如以2秒间隔计测收看图像再现终端20所显示的cm动画的被试验者s1的脑活动。fmri30将计测的计测结果（xt1、xt2、…、xtn、…）向数据处理装置10输出，数据处理装置10例如在计测结果存储部121存储该计测结果。

接着，数据处理装置10的推定矩阵生成部132由计测结果和推定模型生成每个分镜的推定矩阵a1（步骤s303）。推定矩阵生成部132如图9所示，由计测结果存储部121所存储的每2秒的计测结果和推定模型存储部122所存储的推定模型生成每2秒的推定矩阵a，并生成表示与分镜文章信息对应的期间中的推定矩阵a的平均的平均推定矩阵a1。推定矩阵生成部132使所生成的推定矩阵a1存储于矩阵存储部123。

接着，意图矩阵生成部133由表示故事板的每个分镜的意图的分镜文章信息生成目标概念矢量b1（矩阵b1）（步骤s304）。意图矩阵生成部133例如通过与图2所示的方法同样的方法，生成故事板的每个分镜的目标概念矢量b1（矩阵b1）。意图矩阵生成部133使所生成的目标概念矢量b1（矩阵b1）存储于矩阵存储部123。

接着，数据处理装置10的相关算出部134算出每个分镜的推定矩阵a1与目标概念矢量b1（矩阵b1）的相关系数r（步骤s305）。相关算出部134例如如图9所示，算出矩阵存储部123所存储的每个分镜的推定矩阵a1与矩阵存储部123所存储的每个分镜的目标概念矢量b1（矩阵b1）的相关系数r（rc1、rc2、…）。相关算出部134使算出的相关系数r（rc1、rc2、…）存储于相关系数存储部124。

接着，数据处理装置10生成相关系数r的图表并显示在显示部11（步骤s306）。即，数据处理装置10的显示控制部135取得相关系数存储部124所存储的每个分镜的相关系数r（rc1、rc2、…），并生成针对故事板的分镜的相关系数r的图表。显示控制部135将所生成的相关系数r的图表作为cm动画的评价结果，显示（输出）于显示部11，并结束处理。

此外，在上述的广告评价（cm评价）的流程图中，步骤s302的处理与脑活动计测步骤的处理对应，步骤s303的处理与第1矩阵生成步骤的处理对应。另外，步骤s304的处理与第2矩阵生成步骤的处理对应，步骤s305的处理与相关算出步骤（相似度算出步骤）的处理对应。

如以上说明的那样，在依据本实施方式的广告评价方法中，文章信息包含有表示cm动画的故事板所包含的每个分镜的计划意图的分镜文章信息。在第1矩阵生成步骤中，推定矩阵生成部132按故事板的每个分镜生成推定矩阵a1，在第2矩阵生成步骤中，意图矩阵生成部133生成与分镜文章信息对应的目标概念矢量b1（矩阵b1）。而且，在相关算出步骤（相似度算出步骤）中，相关算出部134按故事板的每个分镜算出相似度（相关系数r）。

由此，依据本实施方式的广告评价方法能够按故事板的每个分镜客观且定量地评价广告（cm）。例如，依据本实施方式的广告评价方法，对于故事板的分镜的制作意图，能够客观且定量地评价该cm动画的印象如何。因而，依据本实施方式的广告评价方法能够更加详细地评价广告（cm）。

另外，在本实施方式中，在脑活动计测步骤中，fmri30按每个既定时间间隔（例如，2秒间隔），计测被试验者s1的脑活动，在第1矩阵生成步骤中，推定矩阵生成部132按每个既定时间间隔（例如，2秒间隔）生成推定矩阵a。而且，推定矩阵生成部132按每个分镜生成表示与文章信息（分镜文章信息）对应的期间（与分镜对应的期间）中的推定矩阵a的平均的平均推定矩阵a1作为推定矩阵。在相关算出步骤（相似度算出步骤）中，相关算出部134算出表示与文章信息对应的期间中的推定矩阵a的平均的平均推定矩阵a1、与每个分镜的目标概念矢量b1（矩阵b1）的相关系数r。

由此，依据本实施方式的广告评价方法，能够通过简单的方法，生成每个分镜的推定矩阵a1（平均推定矩阵），并能适当地进行故事板的每个分镜的cm动画的评价。

[第3实施方式]

接着，参照附图，对依据第3实施方式的广告评价系统1及广告评价方法进行说明。

此外，依据本实施方式的广告评价系统1的结构，与图1所示的第1实施方式同样，因此在这里省略其说明。

在本实施方式中，按cm动画的每个场景，提取表示计划意图的文章信息（场景文章信息），并按cm动画的每个场景评价cm图像这一点与第1及第2实施方式不同。此外，在此，cm动画的场景是由多个分镜（至少1个分镜）构成的部分动画。

本实施方式中的广告评价系统1及广告评价方法，将第2实施方式中的故事板的分镜置换为场景这一点与第2实施例不同。

在本实施方式中，例如，推定矩阵生成部132按每个场景生成推定矩阵a2，意图矩阵生成部133按每个场景文章信息生成目标概念矢量b2。而且，相关算出部134按每个场景算出相似度（相关系数r）。

接着，参照图11，对依据本实施方式的广告评价系统1的动作进行说明。

图11是示出本实施方式中的广告评价系统1的动作的一个例子的流程图。

如图11所示，数据处理装置10的模型生成部131生成推定模型（步骤s401）。在此，利用模型生成部131进行的推定模型的生成处理与第1实施方式同样。模型生成部131使所生成的推定模型存储于推定模型存储部122。

接着，fmri30以既定时间间隔计测收看cm动画的脑活动（步骤s402）。即，fmri30例如以2秒间隔计测收看图像再现终端20所显示的cm动画的被试验者s1的脑活动。fmri30向数据处理装置10输出计测的计测结果（xt1、xt2、…、xtn、…），数据处理装置10例如使该计测结果存储到计测结果存储部121。

接着，数据处理装置10的推定矩阵生成部132由计测结果和推定模型生成每个场景的推定矩阵a2（步骤s403）。推定矩阵生成部132由计测结果存储部121所存储的每2秒的计测结果、和推定模型存储部122所存储的推定模型生成每2秒的推定矩阵a，生成表示与场景文章信息对应的期间中的推定矩阵a的平均的平均推定矩阵a2。推定矩阵生成部132使所生成的推定矩阵a2存储于矩阵存储部123。

接着，意图矩阵生成部133由表示每个场景的计划意图的场景文章信息生成目标概念矢量b2（矩阵b2）（步骤s404）。意图矩阵生成部133例如通过与图2所示的方法同样的方法，生成每个场景的目标概念矢量b2（矩阵b2）。意图矩阵生成部133使所生成的目标概念矢量b2（矩阵b2）存储于矩阵存储部123。

接着，数据处理装置10的相关算出部134算出每个分镜的推定矩阵a2与目标概念矢量b2（矩阵b2）的相关系数r（步骤s405）。相关算出部134算出矩阵存储部123所存储的每个分镜的推定矩阵a2与矩阵存储部123所存储的每个分镜的目标概念矢量b2（矩阵b2）的相关系数r。

相关算出部134使算出的相关系数r存储于相关系数存储部124。

接着，数据处理装置10生成相关系数r的图表并显示在显示部11（步骤s406）。即，数据处理装置10的显示控制部135取得相关系数存储部124所存储的每个场景的相关系数r，并生成针对cm动画的场景的相关系数r的图表。显示控制部135将所生成的相关系数r的图表作为cm动画的评价结果，显示（输出）于显示部11，并结束处理。

此外，在上述的广告评价（cm评价）的流程图中，步骤s402的处理与脑活动计测步骤的处理对应，步骤s403的处理与第1矩阵生成步骤的处理对应。另外，步骤s404的处理与第2矩阵生成步骤的处理对应，步骤s405的处理与相关算出步骤（相似度算出步骤）的处理对应。

如以上说明的那样，在依据本实施方式的广告评价方法中，文章信息包含有表示cm动画所包含的每个场景的计划意图的场景文章信息。在第1矩阵生成步骤中，推定矩阵生成部132按每个场景生成推定矩阵a2，在第2矩阵生成步骤中，意图矩阵生成部133生成与分镜文章信息对应的目标概念矢量b2（矩阵b2）。而且，在相关算出步骤（相似度算出步骤）中，相关算出部134按故事板的每个分镜算出相似度（相关系数r）。

由此，依据本实施方式的广告评价方法，能够按每个场景客观且定量地评价广告（cm）。例如，依据本实施方式的广告评价方法，对于场景的制作意图而言，能够客观且定量地评价该cm动画的印象如何。因而，依据本实施方式的广告评价方法，能够比第2实施方式更进一步详细地评价广告（cm）。例如，即便作为cm整体的评价或每个分镜的评价能够评价为大概反映了cm计划意图，也能通过详细地评价视听者对于特定场景（例如出演演员的表情或举止）的知觉结果，进一步提高cm的效果。

另外，在本实施方式中，在脑活动计测步骤中，fmri30按每个既定时间间隔（例如，2秒间隔）计测被试验者s1的脑活动，在第1矩阵生成步骤中，推定矩阵生成部132按每个既定时间间隔（例如，2秒间隔）生成推定矩阵a。而且，推定矩阵生成部132按每个场景生成表示与文章信息（场景文章信息）对应的期间（与场景对应的期间）中的推定矩阵a的平均的平均推定矩阵a2作为推定矩阵。在相关算出步骤（相似度算出步骤）中，相关算出部134算出表示与文章信息对应的期间中的推定矩阵a的平均的平均推定矩阵a2、与每个场景的目标概念矢量b2（矩阵b2）的相关系数r。

由此，依据本实施方式的广告评价方法能够通过简单的方法，生成每个场景的推定矩阵a2（平均推定矩阵），能适当地进行cm动画的每个场景的评价。

此外，本发明并不局限于上述各实施方式，在不脱离本发明的宗旨的范围内能够进行变更。

例如，说明了上述各实施方式单独实施的例子，但是也可以将各实施方式组合来实施。

另外，上述各实施方式中，说明了数据处理装置10具备生成推定模型的模型生成部131的例子，但是并不限定于此，也可以不具备模型生成部131，而先向推定模型存储部122存储预先生成的推定模型。另外，也可以使解析装置等的与数据处理装置10另设的装置具备模型生成部131。

另外，上述各实施方式中，说明了模型生成部131以单词单位的注解矢量的重心为场景的注解矢量而生成推定模型的例子，但是并不限定于此，也可以原样采用单词单位的注解矢量而生成推定模型。

另外，上述第1实施方式中，说明了算出每个既定时间间隔的推定矩阵a和与整体意图文章信息对应的目标概念矢量b（矩阵b）的相关系数r而评价的例子，但是也可以算出每个既定时间间隔的推定矩阵a的全部期间的平均推定矩阵和与整体意图文章信息对应的目标概念矢量b（矩阵b）的相关系数r而进行评价。

另外，上述各实施方式中，作为视听素材的评价的一个例子，说明了使被试验者s1收看cm动画而评价cm的例子，但是也可以使被试验者s1观看故事板的插图或静止画面而进行评价。例如，也可以在cm制作前的计划阶段，有多个故事板案的情况下等，fmri30计测观看各故事板案的静止画面的被试验者s1的脑活动，推定矩阵生成部132生成针对多个静止画面的推定矩阵，相关算出部134基于该推定矩阵算出相关系数。在该情况下，能够在cm制作前评价哪个故事板案更加接近计划书的要件（制作意图）。另外，能够从多个故事板案中选择更加接近计划书的要件（制作意图）的故事板案。这样，使被试验者s1收看而进行评价的视听素材、并且作为评价对象的视听素材中，除了cm动画等动画之外，还包含有静止画面、利用各种介质的印刷物（例如，广告、传单、网页等）等。

另外，在上述各实施方式中，作为相似度的一个列子，说明了表示相关关系并利用相关系数（r）的例子，但不限于此。例如，上述各实施方式也可以采用表示相似度的其他指标或意思性距离（统计性距离）等。

另外，上述各实施方式中，说明了在针对文章信息的目标概念矢量的生成、或者每个场景或分镜的目标概念矢量的生成上采用单词单位的目标概念矢量的重心（平均）或每个既定时间间隔的目标概念矢量的平均的例子，但并不局限于此，也可以采用矢量的分布（分散）等的其他方法。

另外，在上述第2及第3实施方式中，说明了在每个分镜（或场景）的目标概念矢量的生成上采用与每个既定时间间隔的目标概念矢量的分镜（或场景）对应的期间中的平均的例子，但不限于此。例如，推定矩阵生成部132算出每个既定时间间隔的fmri30的计测结果的分镜（或场景）对应的期间中的平均值，由该计测结果的平均值生成每个分镜（或场景）的目标概念矢量也可。

另外，上述各实施方式中，说明了作为输出部的一个例子，数据处理装置10具备显示部11，向显示部11输出评价结果的例子，但不限于此。输出部也可以为例如打印机或将评价结果作为文件而输出的接口部等。另外，也可以使数据处理装置10的外部具备存储部12的一部分或全部。

此外，上述的数据处理装置10所具备的各结构，在内部具有计算机系统。而且，也可以在计算机可读取的记录介质上记录用于实现上述的数据处理装置10所具备的各结构的功能的程序，并通过使计算机系统读入记录在该记录介质的程序并加以执行来进行上述的数据处理装置10所具备的各结构中的处理。在此，“使计算机系统读入记录在记录介质的程序并加以执行”包含向计算机系统安装程序的情形。在此所说的“计算机系统”是指包含os或外部设备等的硬件。

另外，“计算机系统”也可以包含经由包括因特网或wan、lan、专用线路等的通信线路的网络而连接的多个计算机装置。另外，“计算机可读取的记录介质”是指软盘、光磁盘、rom、cd－rom等的可移动介质、内置于计算机系统的硬盘等的存储装置。这样，存储程序的记录介质也可为cd－rom等的非临时性的记录介质。

另外，记录介质还包含为了发送该程序而能够从配信服务器进行存取的设置在内部或外部的记录介质。此外，将程序分割为多个，分别以不同定时下载后以数据处理装置10所具备的各结构进行合体的结构、或发送分割后的各个程序的配信服务器也可以不同。进而“计算机可读取的记录介质”是指也包含如经由网络发送程序时的服务器或成为客户端的计算机系统内部的易失性存储器（ram）那样，以一定时间保存程序的介质。另外，上述程序也可以为用于实现上述的功能的一部分的程序。

进而，也可为以与已经记录在计算机系统的程序的组合而能够实现上述的功能的、所谓的差分文件（差分程序）。

另外，也可以将上述的功能的一部分或全部作为lsi（largescaleintegration）等的集成电路来实现。上述的各功能可以个别地处理器化，也可以使一部分或全部集成而处理器化。另外，集成电路化的方法并不限于lsi，也可以用专用电路、或通用处理器实现。另外，随着半导体技术的进步而出现了代替lsi的集成电路化的技术的情况下，也可以采用利用该技术的集成电路。

标号说明

1　广告评价系统；10　数据处理装置；11　显示部；12　存储部；13　控制部；20　图像再现终端；30　fmri；40　语料库；121　计测结果存储部；122　推定模型存储部；123　矩阵存储部；124　相关系数存储部；131　模型生成部；132　推定矩阵生成部；133　意图矩阵生成部；134　相关算出部；135　显示控制部；s1　被试验者。