信息处理设备和方法

专利名称：信息处理设备和方法
技术领域：
本发明涉及信息处理设备和方法，尤其涉及能够更容易地推荐更适合用户的内容 的信息处理设备和方法。
背景技术：
近年来，积极研究和开发了这样的技术其用于搜索和推荐与用户当前正观看的 内容相关的内容以及与已经被拥有的内容相关的内容。在实现这种技术时，通常的做法是根据元数据等计算内容的特征量，以及计算内 容的向量之间的相似度，从而搜索并推荐相关内容。作为内容推荐方法之一，考虑这样的方法从系统侧向用户提供与内容相关的参 数，且用户从一组参数内选择用于搜索的参数，从而实现相关内容的搜索(参见例如日本 未审查专利申请公报(PCT申请的译文)2002-532023号)。

发明内容
然而，在日本未审查专利申请公报(PCT申请的译文)2002-532023号中公开的方 法中，虽然可以将具有与相关内容的特征相似的特征的内容作为相关内容进行搜索和推 荐，但尚无法搜索和推荐按照各用户的偏好强调了用户所注重的特征的相关内容。期望通过既考虑内容的特征量又考虑用户的偏好来搜索和推荐相关内容。根据本发明的实施例，提供了一种信息处理设备，包括校正装置，用于通过使用 用户偏好来校正将推荐目标项目的特征表示为项的项目特征量，其中，对推荐目标项目执 行用于推荐特征与推荐目标项目的特征相似的项目的推荐过程，用户偏好表示推荐目标用 户针对项目的偏好，推荐目标用户是项目被推荐给的一方；匹配装置，用于将由校正装置校 正的项目特征量与另一项目的项目特征量相比较，并用于搜索具有与推荐目标项目的项目 特征量相似的项目特征量的另一项目；以及推荐装置，用于基于匹配装置的匹配结果推荐 具有与推荐目标项目的特征相似的特征的相关项目。校正装置还可以包括比较装置，用于将项目特征量中包含的属性值中的每一个 属性值与推荐目标用户的用户偏好中包含的属性值中的每一个属性值相比较，以及增大装 置，用于基于比较装置的比较结果增大项目特征量和用户偏好中均包含的属性值的重要程度。信息处理设备还可以包括削减装置，用于基于比较装置的比较结果削减项目特 征量中包含而用户偏好中不包含的属性值的重要程度。匹配装置可以包括相似度计算装置，用于计算推荐目标项目的项目特征量与另 一项目的项目特征量之间的相似度，以及相似度保存装置，用于保存由相似度计算装置计 算的相似度。相似度计算装置可以计算这样的相乘结果的总和作为相似度将每个属性的预定 权重系数乘以属性向量之间的内积的绝对值，其中，在属性向量中，针对每个属性，项目特征量被向量化。匹配装置还可以包括相关项目选择装置，用于按由相似度保存装置保存的相似 度的值的升序来选择预定数量的项目作为推荐目标项目的相关项目。信息处理设备还可以包括项目特征量存储装置，用于存储项目特征量，其中，校 正装置可以从项目特征量存储装置获取推荐目标项目的项目特征量，并且可以通过使用用 户偏好来校正所获取的项目特征量，以及其中，匹配装置可以从项目特征量存储装置获取 其它项目的项目特征量，并可以执行由校正装置校正的项目特征量与所获取的项目特征量 之间的匹配。信息处理设备还可以包括元数据获取装置，用于获取包含关于项目的信息的元 数据；项目特征量提取装置，用于从由元数据获取装置获取的元数据中提取项目特征量； 以及项目特征量注册装置，用于在项目特征量存储装置中注册由项目特征量提取装置提取 的项目特征量。信息处理设备还可以包括用户偏好存储装置，用于存储用户偏好，其中，校正装 置可以从用户偏好存储装置获取推荐目标用户的用户偏好，并且可以通过使用所获取的用 户偏好来校正推荐目标项目的项目特征量。信息处理设备还可以包括操作日志获取装置，用于获取用户的操作日志；用户 偏好提取装置，用于从由操作日志获取装置获取的操作日志中提取用户偏好；以及用户偏 好注册装置，用于在用户偏好存储装置中注册由用户偏好提取装置提取的用户偏好。信息处理设备还可以包括偏好存储装置，用于存储预定偏好，其中，校正装置可 以从偏好存储装置获取预定偏好，并且可以通过使用获取的预定偏好校正推荐目标项目的 项目特征量。信息处理设备还可以包括用户偏好存储装置，用于存储用户偏好以及指示用户 偏好的信息量或者更新次数的成熟度，其中，校正装置可以包括用户偏好获取装置，用于 从用户偏好存储装置获取推荐目标用户的用户偏好，成熟度获取装置，用于从用户偏好存 储装置获取用户偏好的成熟度，偏好获取装置，用于从偏好存储装置获取预定偏好，混合装 置，用于按与由成熟度获取装置获取的成熟度相对应的比率，混合由偏好获取装置获取的 预定偏好以及由用户偏好获取装置获取的用户偏好，比较装置，用于将项目特征量中包含 的属性值中的每一个属性值与混合装置对预定偏好和用户偏好的混合结果中包含的属性 值中的每一个属性值进行比较，以及增大装置，用于基于比较装置的比较结果增大项目特 征量和混合结果中均包含的属性值的重要程度。根据本发明的另一实施例，提供了用于信息处理设备的图像处理方法，包括步骤 使用信息处理设备的校正装置，通过使用用户偏好来校正将推荐目标项目的特征表示为项 的项目特征量，其中，对推荐目标项目执行用于推荐特征与推荐目标项目的特征相似的项 目的推荐过程，用户偏好表示推荐目标用户针对项目的偏好，推荐目标用户是项目被推荐 给的一方；使用信息处理设备的匹配装置，使校正的项目特征量与另一项目的项目特征量 进行匹配，并且搜索具有与推荐目标项目的项目特征量相似的项目特征量的另一项目；以 及使用信息处理设备的推荐装置，基于匹配的结果推荐具有与推荐目标项目的特征相似的 特征的相关项目。在本发明的实施例中，通过使用用户偏好校正将推荐目标项目的特征表示为项的项目特征量，推荐目标项目是推荐特征与推荐目标项目的特征相似的项目的推荐过程的目 标，用户偏好表示推荐目标用户针对项目的偏好，推荐目标用户是项目推荐给的一方。执行 校正的项目特征量与另一项目的项目特征量的匹配。搜索具有与推荐目标项目的项目特征 量相似的项目特征量的另一项目。基于匹配结果，向推荐目标用户推荐具有与推荐目标项 目的特征相似的特征的相关项目。根据本发明的实施例，可以推荐内容。特别是，通过反映用户的偏好，可以推荐适 合于用户的内容。


图1是示出应用了本发明的推荐设备的主要配置实例的框图；图2A、图2B、图2C、图2D以及图2E是示出每个单元的详细配置实例的框图；图3示出内容特征量数据库的结构实例；图4示出用户偏好数据库的结构实例；图5示出生成种子向量的状态实例；图6示出生成种子向量的状态实例；图7示出匹配的状态实例；图8是示出内容特征量过程的流程实例的流程图；图9是示出用户偏好过程的流程实例的流程图；图10是示出推荐过程的流程实例的流程图；图11是示出校正过程的流程实例的流程图；图12是示出匹配过程的流程实例的流程图；图13是示出应用了本发明的推荐设备的配置的另一实例的框图；图14示出生成种子向量的状态实例；图15是示出推荐过程的流程的另一实例的流程图；图16A、图16B以及图16C是示出图13每个单元的详细配置实例的框图；图17是示出用户偏好过程的流程的另一实例的流程图；图18是示出推荐过程的流程的另一实例的流程图；图19是示出合并用户偏好生成过程的流程实例的流程图；图20是示出应用了本发明的电视接收机的配置实例的框图；图21是示出应用了本发明的推荐系统的配置实例的框图；图22是示出推荐系统过程的流程实例的流程图；图23是示出应用了本发明的推荐系统的配置的另一实例的框图；图M是示出应用了本发明的推荐系统的配置的另一实例的框图；图25是示出应用了本发明的推荐系统的配置的另一实例的框图；图沈是示出应用了本发明的内容发布系统的配置实例的框图；图27是示出应用了本发明的推荐系统的配置的另一实例的框图；以及图28是示出个人计算机的主要配置实例的框图。
具体实施例方式下面将描述本发明的实施例。按如下次序给出描述。1.第一实施例(推荐设备)2.第二实施例(提供了初始偏好的推荐设备)3.第三实施例(混合了初始偏好和用户偏好的推荐设备)4.第四实施例(电视接收机)5.第五实施例(推荐系统)6.第六实施例(内容发布系统)7.第七实施例(推荐系统)8.第八实施例(个人计算机)1.第一实施例推荐设备的配置图1是示出应用了本发明的推荐设备的主要配置实例的框图。图1中所示的推荐 设备100是推荐内容(诸如，例如电影)的设备。当指定了推荐目标内容时，推荐设备100 搜索特征与推荐目标内容的特征相似的内容作为相关内容，并向用户推荐该相关内容作为 推荐内容。此时，推荐设备100使得在相关内容的搜索中反映推荐目标用户的偏好，其中， 推荐目标用户是内容被推荐给的一方(用户)。即，推荐设备100通过考虑推荐目标用户的偏好来校正推荐目标内容的内容特征 量，并搜索特征与校正之后的特征相似的相关内容。作为以上的结果，推荐设备100可以推 荐更加反映了用户的偏好的、更适合于用户的内容。推荐设备100执行对这种内容特征量的偏好的反映而不增加内容特征量的参数 数量。结果是，可以容易地推荐更加反映了用户的偏好的、更适合于用户的内容。图1中所示的推荐设备100包括元数据获取单元101、挖掘引擎102、内容特征量 数据库103、操作日志获取单元104、偏好提取引擎105、用户偏好数据库106、推荐引擎107 以及推荐信息提供单元108。元数据获取单元101获取用作相关内容的候选的内容的元数据(箭头121)。该 元数据指示该元数据所对应的内容的信息。例如，该信息包含内容的标题、数据量(再现时 间)、表演者、制片人、制作日期和时间、地点等。当然，可以包含除了以上内容之外的任何信 息，只要它是关于该内容的信息。元数据包含关于内容的信息就足够了，而其可以不是附到内容数据的信息。例如， 元数据可以是如同电子节目指南(EPG) —样、独立于作为被广播的内容的数据。元数据获取单元101从例如记录了内容数据的任何外部设备(诸如记录设备)获 取这种元数据。元数据获取单元101把获取的元数据提供给挖掘引擎102(箭头122)。当挖掘引擎102获取从元数据获取单元101提供的元数据(箭头12 时，挖掘引 擎102提取信息，该信息用作与元数据相对应的内容的特征。挖掘引擎102将提取的信息 作为记录提供给内容特征量数据库103，从而注册所提取的信息(箭头12；3)。S卩，挖掘引擎 102更新内容特征量数据库103。内容特征量数据库103是用于这样的信息的数据库对于用作相关内容的候选的 内容，该信息(内容特征量)表示该内容的特征。内容特征量数据库103注册从挖掘引擎102提供的信息作为记录，并且对其进行存储。内容特征量数据库103基于推荐引擎107的 请求提供以该方式存储了的信息作为内容特征量(箭头128)。操作日志获取单元104从外部获取关于用户所进行的设备操作的历史信息(箭头 124)，并将历史信息提供给偏好提取引擎105 (箭头125)。操作日志是关于内容的操作的历 史信息。历史信息可以是任何操作，只要它是用户对内容的操作。例如，历史信息可以是用 户选择为再现目标的内容的元数据列表。用户对内容的操作反映用户针对内容的偏好。例如，在用户选择某个内容并再现 它的情形中，可以假定用户对该内容感兴趣(与用户的偏好匹配)。S卩，由用户选择(观看) 的内容的列表(或元数据的列表)是关于用户感兴趣的内容(与用户的偏好匹配)的信息。 即，操作日志包含指示用户针对内容的偏好的信息。偏好提取引擎105从自操作日志获取单元104提供的操作日志中提取表示用户针 对内容的偏好的信息(箭头125)。即，例如，偏好提取引擎105从操作日志中提取表示用户 感兴趣内容的特征的信息，以及感兴趣程度。偏好提取引擎105将从操作日志中提取的用户感兴趣的项目以及指示用户针对 该项目的感兴趣程度的值作为用户偏好提供给用户偏好数据库106(箭头1 )，从而注册 该项目。偏好提取引擎105可以通过使用项目的预定权重系数来校正指示用户感兴趣程 度的值。例如，偏好提取引擎105将用户的偏好重要的项目乘以具有增加用户感兴趣程度 的值的权重系数。此外，例如，偏好提取引擎105将内容所拥有(possess)的特征重要的项 目乘以具有减小用户的感兴趣程度的值的权重系数。作为上面的结果，当在内容的特征量中反映用户的偏好时，能够针对每个项目控 制用户偏好的程度。结果是，推荐引擎107能够在内容的推荐中更恰当地反映用户的偏好。用户偏好数据库106是用户偏好的数据库。用户偏好数据库106注册从偏好提取 引擎105提供的信息(箭头126)作为记录，并对其进行存储。用户偏好数据库106基于推 荐引擎107的请求提供以该方式存储了的信息作为用户偏好(箭头129)。当推荐引擎107从外部接收到表示用作推荐参考的内容的推荐目标内容的特征 量的信息时，推荐引擎107通过使用内容特征量数据库103的信息来搜索推荐目标内容的 相关内容。即，推荐引擎107搜索特征量与推荐目标内容的特征量相似的内容。此外，推荐引擎107从用户偏好数据库106获取推荐目标用户的用户偏好(箭头 129)。推荐引擎107通过使用推荐目标用户的用户偏好来校正推荐目标内容的特征量。艮口， 推荐引擎107搜索特征量与校正推荐目标内容之后的特征量相似的内容。推荐引擎107将关于以上述方式搜索的相关内容的信息作为推荐内容提供到推 荐信息提供单元108(箭头130)。推荐信息提供单元108将从推荐引擎107提供的、推荐内容的信息组织起来，并将 该信息作为推荐信息提供给用户(箭头131)。图2A到图2E是示出图1中所示推荐设备100每个单元的详细配置实例的框图。如图2A中所示，挖掘引擎102包括提取单元141和注册单元142。提取单元141 从元数据中提取表示内容的特征的信息。注册单元142将由提取单元141提取的、表示内容的特征的信息作为内容特征量提供给内容特征量数据库103，从而注册内容特征量。图3示出内容特征量数据库的结构实例。如图3中所示，内容特征量数据库中注册的内容特征量191由如下这些项目组成 项目 ID(ItemID)、属性 ID(AttributeID)、属性值 ID(ValueID)、更新次数(NofTimes)以及 重要程度(分数)。项目ID是用于标识推荐事物(项目)的标识信息。推荐事物是被推荐的事物，其 代表例如内容。在该情形中，项目ID是用于标识每个内容的标识信息。推荐事物(项目)可以是任何类型。例如，数据单元(诸如节目(整个系列或情 节)、场景或者帧图像)是任意的。此外，例如，数据的类型(诸如视频、音频或者静止图像) 是任意的。此外，例如，内容的类型(诸如电影、音乐、相片、新闻、网(网站)或者广告)是 任意的。推荐目标项目是用作推荐参考的项目，并且是由用户或者通过使用由用户操作的 设备指定的项目。例如，使用被执行了处理(诸如选择、再现、视频记录或者编辑)的项目 作为推荐目标项目。推荐过程响应于接收到推荐目标项目的指定而执行，并且推荐过程执 行与该推荐目标项目相关的相关项目的推荐。推荐项目表示通过推荐过程推荐的推荐目标 项目的相关项目。在项目是内容的情形中，也将推荐目标项目称作“推荐目标内容”，也将相关项目 称作“相关内容”，并且也将推荐项目称作“推荐内容”。以下，将在术语“内容”基本上等同 于术语“项目，，的情况下进行描述。属性ID是用于标识推荐事物的特征的属性的标识信息。对于推荐事物的属性中 的每一个属性，属性表示该推荐事物的经分类的特征。预先确定这些属性。即，通常，存在表 示推荐事物的特征的多个索引。基于属性将索引分类到预先准备的多个属性中的一个属性。属性的实例包括例如下述的项流派、广播站、广播日、星期几、广播时区、时帧 (一周的时间等)、传递/分发日、传递/分发源、表演者、工作人员(导演等)、原作者、合 作、提供、费用、主要目标人(性别、年龄等)或者关键字。当然，可以使用任何项，只要这些 项指示表示推荐事物特征的索引的分类。属性值ID是用于标识属性值的标识信息，属性值是表示推荐事物的特征的索引。 将属性值分类为属性之一。流派的属性值的实例包括动作、喜剧、情节剧、体育、新闻、杂 艺、纪实或者歌曲节目。此外，例如，如果属性是“广播日”，则进行广播的日期和时间是属性 值。此外，例如，如果属性是“表演者”，则该人的姓名是属性值。属性值是在元数据的预先确定的位置处存储的信息。即，对每个属性预先确定在 元数据中提取属性值的地点。因此，在要获取某个属性的属性值的情形中，提取单元141在 与元数据的属性相关联的地点提取信息。将提取的值设置为属性值。例如，提取单元141从关于元数据内容流派的列中提取属性“流派”的属性值。当 值是例如“动作”时，在内容特征量数据库103中将该“动作”注册为属性“流派”的属性值 之一。在实践中，如图3中所示，在记录中，基于属性值ID管理属性值。属性值可以是从元数据中提取的信息本身，也可以是从提取的信息派生出的 信息。例如，可以使用从元数据中提取的人的姓名作为属性值，并且可以使用此人所 属的办公室作为属性值。此外，可以使用通过执行例如元数据的整体或部分的形态学(morphological)分析提取的词语和短语作为属性值。例如，在属性“关键字”的情形中，可 以通过执行例如形态学分析来使用从元数据中包含的内容介绍语句等中提取的词语和短 语作为属性值。执行更新的次数指示记录被更新的次数。重要程度指示每个属性值的重要程度。 值越大，属性值越重要。即，每个属性值和每个属性值重要程度的组合是表示内容的特征的 特征量。严格来说，把特征表示为项的信息被称作“项目特征量”。此处，术语“项目”等同 于术语“内容”并且还被称作“内容特征量”。返回参照图2B，偏好提取引擎105包括提取单元151和注册单元152。提取单元 151从用户的操作日志中提取用户偏好，用户偏好是表示用户针对内容(项目)的偏好的信 息。注册单元152将由提取单元151提取的用户偏好提供给用户偏好数据库106，从而注册 用户偏好。图4示出用户偏好数据库的结构实例。如图4中所示，用户偏好数据库中注册的用户偏好192由如下这些项构成用户 ID (成员ID)、属性ID (属性ID)、属性值ID (值ID)以及偏好程度(分数)。用户ID是用于标识推荐目标用户的标识信息。属性ID和属性值与内容特征量 191的情形中(图3)的属性ID和属性值相同。偏好程度指示用户针对属性值的偏好程度。值越大，用户针对属性值的兴趣就越 大。即，每个属性值和针对每个属性值偏好程度的组合是指示用户的偏好的信息(用户偏 好)。返回参照图2C，推荐引擎107包括内容特征量获取单元161、用户偏好获取单元 162、校正单元163、匹配单元164以及相关内容选择单元165。内容特征量获取单元161从内容特征量数据库103获取指定推荐目标内容的内容 特征量。响应于内容特征量获取单元161的请求，内容特征量数据库103搜索推荐目标内 容的记录，并将搜索结果(搜索的记录)作为内容特征量提供给内容特征量获取单元161。S卩，内容特征量获取单元161获取由推荐目标内容拥有的属性值和其重要程度。用户偏好获取单元162从用户偏好数据库106获取作为推荐信息的提供目的地的 推荐目标用户的用户偏好。响应于用户偏好获取单元162的请求，用户偏好数据库106搜 索推荐目标用户的记录，并将搜索结果(搜索的记录)作为用户偏好提供给用户偏好获取 单元162。S卩，用户偏好获取单元162获取与推荐目标用户对应的属性值和其偏好程度。通过使用由用户偏好获取单元162获取的、推荐目标用户的用户偏好，校正单元 163校正由内容特征量获取单元161获取的推荐目标内容的内容特征量。将表示为向量的内容特征量称作内容向量。内容向量是作为每个属性的向量(属 性向量)的组合的向量。属性值是形成属性向量的分量(坐标轴)，并且每个属性值的重要 程度指示每个属性值分量的大小。即，将属性值分量的组合称作属性向量。相似地，将表示为向量的用户偏好称作用户偏好向量。用户偏好向量是作为属性 向量的组合的向量。每个属性值的偏好程度指示每个属性值分量的大小。图5示出种子向量的生成的状态的实例。
如图5中所示，校正单元163将内容向量202(V1)的每个属性向量的属性值与用 户偏好向量201 (UP)的每个属性向量的属性值相比较，并且根据比较结果增加或减小重要 程度，从而生成校正了内容向量202的种子向量203 (VI，)。返回参照图2C，匹配单元164在由校正单元163执行的校正的结果与其它内容的 内容特征量之间执行匹配。即，匹配单元164将校正单元163中生成的种子向量与内容特 征量数据库103中存储的每个内容的内容向量相比较，并且计算其相似度。计算该相似度 的方法是任意的。基于由匹配单元164计算的相似度，相关内容选择单元165选择与推荐目标内容 有相关性并且与用户偏好匹配的内容作为推荐目标内容的相关内容。如图2D中所示，校正单元163包括比较单元171、增大单元172以及削减单元173。比较单元171针对每个属性比较内容特征量与用户偏好之间的属性值。基于比较 结果，增大单元172增大内容特征量和用户偏好中均包含的属性值的重要程度(内容特征 量中包含的重要程度)。基于比较结果，削减单元173削减只在内容特征量中包含的属性值 (用户偏好中不包含的属性值)的重要程度。图6示出生成种子向量的状态的实例。条形图211至2 各自表示用户偏好向量(UP)的属性值和其偏好程度。此外，条 形图231至238各自表示内容向量(Vl)的属性值和其重要程度。比较单元171针对每个流派比较每个属性值。对于用户偏好向量和内容向量中均 包含的属性值，增大单元172增大其重要程度，关于只在内容向量中存在的属性值，削减单 元173削减其重要程度。在图6中，圆形(〇)所指示的条形图指示内容向量和用户偏好向量中均存在的 属性值。叉形(X)所指示的条形图指示只在内容向量中存在的属性值。S卩，在图6的实例的情形中，增大使用条形图231、条形图234、条形图235、条形图 237以及条形图238指示的属性值的重要程度，削减使用条形图232、条形图233以及条形 图236指示的属性值的重要程度。以上述方式，如图6的右侧所示，生成校正之后的种子向量(VI’)。增大和削减的具体技术是任意的。例如，可以通过将重要程度增加到N(N > 1)倍 来设置增大，并可以通过将重要程度增加到1/N倍来设置削减。此外，可以确定与用户偏好 的偏好程度的值相对应的削减和增大的宽度(比率)。此外，可以只执行增大，且可以不执 行削减。可以彼此独立地设置削减和增大的幅度(比率)。返回参照图2E，匹配单元164包括处理目标选择单元181、内容特征量获取单元 182、相似度计算单元183以及相似度保存单元184。处理目标选择单元181从注册于内容特征量数据库103的内容中选择执行了匹配 的其它内容。内容特征量获取单元182从内容特征量数据库103获取由处理目标选择单元 181选择的内容的内容特征量。相似度计算单元183计算由校正单元163校正的推荐目标内容的内容特征量(种 子向量)与由内容特征量获取单元182获取的内容特征量(内容向量)之间的相似度。图7示出匹配的状态的实例。如图7中所示，相似度计算单元183计算其它内容的内容向量Ml (V2)与种子向量(VI’ )之间具有相同属性属性向量的内积或余弦。此外，相似度计算单元183将每个属 性的计算结果的绝对值乘以预先分配给每个属性的权重。然后，相似度计算单元183将这 些相乘结果的总和作为其它内容的内容向量241与种子向量203之间的相似度添加到相关 项目的列表251。将描述相似度运算的更具体实例。例如，将由推荐目标项目拥有的属性的集合A 中包含的属性记作a，将属性a的权重记作Wa。此外，将推荐目标项目的属性a的属性向量 记作Xa，并将要计算相似度的其它项目的属性a的属性向量记作Ya。相似度计算单元183 如例如下面的表达式(1)中那样计算推荐目标项目与其它项目之间的相似度sim(X，Y)。Sim(X1Y) = Σ (IXa-YaIxwa).''(1)
a^A相似度是任意的，并且可以是属性向量的内积、余弦尺度(scale)、或者欧式距离。 当然，可以使用除了以上内容之外的运算结果。返回参照图2E，相似度保存单元184保存由相似度计算单元计算的相似度。当然， 相似度与计算了该相似度的其它内容相关联。如上所述，相关内容选择单元165使用以这种方式计算的相似度选择相关内容。 即，例如，相关内容选择单元165按相似度的升序排序其它内容的列表，选择预定数量的更 高阶序的其它内容作为相关内容，并且将列表提供给推荐信息提供单元108。相关内容选择 单元165可以基于其它内容的列表的相似度只执行排序并且将所有其它内容的列表提供 给推荐信息提供单元108。处理的流程接下来，将对如上所述为了执行内容推荐而由推荐设备100执行的各种过程的流 程给出描述。首先，将参照图8的流程图对内容特征量过程的流程实例给出描述。当提供了内 容的元数据时，开始用于在内容特征量数据库103中注册内容特征量的内容特征量过程。当开始了内容特征量过程时，在步骤SlOl中，元数据获取单元101获取元数据。在步骤S102中，挖掘引擎102的提取单元141参考元数据以获取与元数据相对应 的内容所拥有的属性值以及关于每个属性的属性值的重要程度。在步骤S103中，挖掘引擎102的注册单元142在内容特征量数据库103中注册在 步骤S102中从元数据中提取的信息(属性值以及属性值的重要程度)作为内容特征量。在步骤S103的过程完成后，内容特征量过程完成。接下来，将参照图9的流程图对用户偏好过程的流程实例给出描述。当提供了用 户的操作日志时，开始用于在用户偏好数据库106中注册用户偏好的用户偏好过程。当开始了用户偏好过程时，在步骤S121中，操作日志获取单元104获取操作日志。在步骤S122中，偏好提取引擎105的提取单元151提取操作日志中包含的、每个 属性的属性值以及用户针对属性值的偏好程度。在步骤S123中，偏好提取引擎105的注册单元152在用户偏好数据库106中注册 在步骤S122中从操作日志中提取的信息(属性值以及用户针对属性值的偏好程度)作为 用户偏好。在步骤S123的过程完成时，用户偏好过程完成。
接下来，将参照图10的流程图对推荐过程的流程实例给出描述。当指定了推荐目 标内容时，开始用于推荐推荐目标内容的相关内容的推荐过程。当开始了推荐过程时，在步骤S141中，推荐引擎107的内容特征量获取单元161 从内容特征量数据库103获取推荐目标项目(内容)的内容特征量。在步骤S142中，推荐引擎107的用户偏好获取单元162从用户偏好数据库106获 取推荐目标用户的用户偏好。在步骤S143中，推荐引擎107的校正单元163基于用户偏好执行用于校正内容特 征量的校正过程。校正过程的详细内容将在后面描述。在步骤S144中，推荐引擎107的匹配单元164执行其它内容的内容特征量与校正 结果之间的匹配，并且计算推荐目标内容与其它内容之间的相似度。匹配过程的详细内容 将在后面描述。在步骤S145中，基于步骤S144中的匹配结果，推荐引擎107的相关内容选择单 元165从特征量已注册于内容特征量数据库103的其它内容中选择推荐目标内容的相关内容。在步骤S146中，推荐信息提供单元108向用户提供相关内容的信息作为推荐信 肩、ο在步骤S146的过程完成后，完成推荐过程。接下来，将参照图11的流程图对图10的步骤S143中执行的校正过程的流程实例 给出描述。当开始了校正过程时，在步骤S161中，比较单元171将推荐目标内容的内容特征 量与推荐目标用户的用户偏好的每个属性值相比较。在步骤S162中，增大单元172增大内容特征量拥有的属性值中也具有用户偏好的 属性值的重要程度。在步骤S163中，削减单元173削减内容特征量所拥有的属性值中用户 偏好不拥有的属性值的重要程度。在诸如上述校正的校正完成时，完成校正过程。过程返回到图10的步骤S143，执 行步骤S144及之后的处理。接下来，将参照图12的流程图对图10的步骤S144中执行的匹配过程的流程实例 给出描述。当开始了匹配过程时，在步骤S181中，处理目标选择单元181选择特征量已注册 于内容特征量数据库103的内容(其它内容)中的一个内容作为执行匹配的目标。在步骤S182中，内容特征量获取单元182从内容特征量数据库103获取执行处理 的其它内容的内容特征量。在步骤S183中，通过使用经由校正过程获得的校正结果作为种子向量并通过使 用要处理的其它内容的内容特征量作为内容向量，相似度计算单元183计算每个属性的内 容向量的属性向量与种子向量的属性向量之间的内积。在步骤S184中，相似度计算单元183将每个属性值的权重乘以每个内积的绝对 值。在步骤S185中，相似度计算单元183计算属性的运算结果的总和作为相似度。在步骤S186中，相似度保存单元184保存要处理的其它内容的所计算的相似度。在步骤S187中，处理目标选择单元181确定是否处理了特征量已注册于内容特征量数据库103的所有其它内容。当确定存在尚未处理的其它内容时，过程返回到步骤S181， 重复步骤S181及之后的处理。当在步骤S187中确定计算了所有其它内容的相似度时，完成匹配过程。过程返回 到图10的步骤S144，执行步骤S145及之后的处理。如上所述，推荐设备100可以使得在推荐目标内容的内容特征量中反映用户偏 好，从而通过使用反映结果，可以搜索和推荐推荐目标内容的相关内容。于是，当要推荐推 荐目标内容的相关内容时，推荐设备100可以推荐这样的内容该内容的特征与推荐目标 内容相似并且也匹配用户的偏好。此外，如上所述，当推荐引擎107的校正单元163通过使用用户偏好校正推荐目标 内容的内容特征量时，在不增加内容特征量中包含的属性值的数量的情况下反映了用户偏 好。因此，推荐引擎107的匹配单元164可以在不用不必要地增加运算的数量的情况下容 易地计算相似度。因此，推荐设备100可以更容易地推荐更适合于用户的内容。作为与诸如上述方法的方法不同的方法，考虑这样的方法通过比较所有内容共 同的预定参数，例如上述属性的值来计算相关内容。在该方法的情形中，由于简单地比较每 个预定参数的值即足够，所以相似度的计算简单。此外，在要反映用户偏好的情形中，由于 改变每个预定参数的值即足够，所以对相似度计算负荷的影响较小。然而，在该方法的情形中，需要预先提供所有内容共同的参数。在本发明实施例的 情形中，可以对每个内容根据需要设置属性值。如果要获得与该情形相似的自由度，则需要 提供大量参数，从而增加负荷。此外，不可能处理新参数。因此，作为实践问题，在该方法中， 将内容特征量表示的自由度减小为小于本发明实施例的方法的自由度，无法充分地表示内 容的特征。即，可能减少推荐内容和推荐目标内容相关的程度以及用户偏好的反映程度。相比而言，在本发明上述实施例的方法的情形中，可以对每个内容根据需要设置 内容特征量、用户偏好的属性值以及重要程度(偏好程度)。因此，可以更准确地表示用户 偏好和内容的特征，可以推荐与推荐目标内容的相关程度更高并且用户偏好的反映程度更 高的内容。如本发明实施例中那样，在可以根据需要设置内容特征量、用户偏好的属性值以 及重要程度(偏好程度)的情形中，当要在内容特征量上反映用户偏好时，如果简单地向内 容特征量的属性值组添加用户偏好的属性值，则可能增加校正之后内容特征量的属性值的 数量，并且可能增加相似度运算的负荷。相比而言，在本发明上述实施例的方法的情形中，只校正存在于校正之前的内容 特征量中的属性值的重要程度，并且不向内容的重要程度添加只在用户偏好中包含的属性 值。因此，可以抑制相似度运算负荷的增加。S卩，推荐设备100可以更容易地推荐更适合于用户的内容。上文中，描述了存在用户的偏好的情形中的操作。作为在并不存在推荐目标用户 的偏好的情形中(诸如在使用系统的初始时段中)也能够搜索和推荐相关内容的方法，可 以使用表示预先生成的特定偏好的向量。2.第二实施例推荐设备的配置
图13是示出应用了本发明的推荐设备的另一配置实例的框图。图13中所示的推荐设备300是与图1中所示的推荐设备100基本上相似的设备， 并且是推荐与由推荐目标用户指定的推荐目标内容相关的相关内容的设备。即，推荐设备 300基本上具有与推荐设备100的配置相似的配置，并且执行相似的处理。然而，在推荐目标用户的用户偏好尚未注册于用户偏好数据库106或者在信息量 不够的接近于初始状态的状态，例如在系统初始化时间或者在紧接用户登录之后的时间， 推荐设备300通过使用初始偏好(预先准备好的偏好信息)执行内容特征量的校正。如图13中所示，推荐设备300除了推荐设备100的配置以外还包括初始偏好数据 库306。此外，推荐设备300包括替代推荐引擎107的推荐引擎307。初始偏好数据库306是用于与用户偏好数据库106相似地注册关于偏好的信息的 数据库，但是注册所有用户共同的、初始状态的偏好(在下文中称作初始偏好)，而非每个 用户的偏好。因此，注册的信息的结构与参照图4描述的用户偏好数据库106的结构相似， 并由属性值、偏好程度等构成。形成初始偏好的属性值、偏好程度等是任意的。例如，还推荐初始偏好可以是这 样的初始偏好利用该初始偏好，收视率高的节目被推荐。此外，以统计方式处理大量内容 的元数据，提供只由在统计上重要的属性值形成的初始偏好。此外，可以只对于预定属性设置偏好程度和属性值，使得在校正内容特征量时只 强调内容特征量的特定属性。此外，可以把通过将内容特征量数据库103中注册的内容特 征量(内容向量)的一部分或整体相组合而获取的向量设置为初始偏好。推荐引擎307确定用户偏好数据库106是否处于初始状态中(或处于接近于初始 状态的状态中)。在这种初始状态的情形中，推荐引擎307从初始偏好数据库306获取初始 偏好，通过使用初始偏好校正推荐目标内容的内容特征量，并生成种子向量。推荐引擎307的配置与参照图2C描述的推荐引擎107的情形相似。图14示出生成种子向量的状态实例。与参照图5描述的用户偏好的情形相似，将表示成向量的初始偏好称作初始偏好 向量。即，初始偏好向量也是属性向量的组合向量。每个属性值的偏好程度指示每个属性 值分量的大小。如图14中所示，推荐引擎307的校正单元163比较内容向量202 (Vl)的每个属性 向量与初始偏好向量341(默认UP)的每个属性向量之间的属性值，并且基于比较结果增大 或削减重要程度，从而生成校正了内容向量202的种子向量203 (VI’ )。除了以上内容之外的过程与推荐设备100的情形中的过程一样，相应地，省略了 其描述。处理的流程另外，在推荐设备300的情形中，与推荐设备100的情形相似地执行内容特征量过 程和用户偏好过程。将参照图15的流程图描述推荐设备300的情形中推荐过程的流程实例。当开始推荐过程时，在步骤S201中，推荐引擎307的内容特征量获取单元161与 步骤S141的情形相似地从内容特征量数据库103获取推荐目标项目的内容特征量。在步骤S202中，推荐引擎307的用户偏好获取单元162确定是否存在推荐目标用户的用户偏好。当确定不存在用户偏好时，过程前进到步骤S203。在步骤S203中，推荐引擎307的用户偏好获取单元162从初始偏好数据库306获 取初始偏好而不是推荐目标用户的用户偏好。在步骤S204中，推荐引擎307的校正单元163基于初始偏好校正推荐目标内容的 内容特征量。除了使用初始偏好，该校正过程与参照图11描述的推荐设备100的情形中的 校正过程一样。相应地，省略其描述。在步骤S204的过程完成时，过程前进到步骤S207。此外，当在步骤S202中确定存在用户偏好(存在足够量的信息)时，过程前进到 步骤S205。分别以与图10的步骤S142和S143的过程相同的方式执行步骤S205和S206 的过程。在步骤S206的过程完成时，过程前进到步骤S207。分别以与图10的步骤S144至S146的过程相同的方式执行步骤S207至S209的 过程。在步骤S209的过程完成时，推荐过程完成。通过以上述方式使用初始偏好，推荐设备300可以通过与即使在用户偏好不充足 的状态下也使用用户偏好的情形中的方法相似的方法容易地推荐应当在某种索引下更加 推荐的内容。可以在用户偏好获取单元162获取初始偏好时计算初始偏好。3.第三实施例推荐设备的配置上文中，描述了提供初始偏好。另外，根据要注册的信息的量(成熟度)，可以将注 册的用户偏好和初始偏好混合，并可以使用混合的结果(合并的用户偏好)校正内容特征量。在此情形中，推荐设备的配置基本上与图13中所示的推荐设备300相同。因此， 以下，将通过使用推荐设备300给出描述。图16A、图16B以及图16C是示出该情形中推荐设备300每个单元的详细配置实例 的框图。省略与推荐设备100(图2A至图2E)的元件相同的元件的描述。此情形中的推荐设备300包括偏好提取引擎355，替代图13的偏好提取引擎105。 如图16A中所示，偏好提取引擎355除了提取单元151和注册单元152以外还包括计算单 元361和注册单元362。计算单元361计算用户偏好数据库106中注册的用户偏好的信息量或者指示更新 次数的成熟度。即，该成熟度指示用户偏好的信息的确定性(可靠性的高度)。当对于某个用户更新更大的计数信息或者注册更大量的信息时，增加用户的用户 偏好的成熟度(由计算单元361以该方式计算成熟度)。按照例如下面的表达式(2)或表达式(3)计算成熟度。成熟度=1.0-(最近访问中用户偏好向量的值的更新数量/用户偏好向量的值的 总数量) …^)成熟度=1.0-(最近访问中用户偏好向量的值的更新数量的平均值/用户偏好向 量的值的总数量)…(3)
当然，计算成熟度的方法是任意的。计算单元361可以通过使用除了以上内容之 外的方法计算成熟度。注册单元362在用户偏好数据库106中注册由计算单元361计算的成熟度。当然， 与用户相关联地对该成熟度进行管理。此外，如图16B中所示，推荐引擎307除了内容特征量获取单元161至相关内容选 择单元165之外还包括初始偏好获取单元371和合并用户偏好计算单元372。初始偏好获取单元371从初始偏好数据库306获取初始偏好。合并用户偏好计算 单元372按与用户偏好的成熟度相对应的比率混合由用户偏好获取单元162从用户偏好数 据库106获取的推荐目标用户的用户偏好，以及由初始偏好获取单元371从初始偏好数据 库306获取的初始偏好，并且计算合并的用户偏好。如图16C中所示，合并用户偏好计算单元372包括成熟度获取单元381和混合单 元 382。成熟度获取单元381从用户偏好数据库106获取由用户偏好获取单元162获取 的、推荐目标用户的用户偏好的成熟度。混合单元382按与获取的成熟度相对应的比率对 用户偏好和初始偏好进行混合，并且生成合并的用户偏好。例如，在尚未注册用户偏好(成熟度是0或者用户偏好不存在)的情形中，混合单 元382只使用初始偏好。此外，当0 <成熟度< 0. 2时，混合单元382按0. 8比0. 2的比率混合初始偏好和 用户偏好。当0. 2 <成熟度< 0. 4时，混合单元382按0. 6比0. 4的比率混合初始偏好和 用户偏好。当0. 4 <成熟度< 0. 6时，混合单元382按0. 4比0. 6的比率混合初始偏好和 用户偏好。当0. 6 <成熟度< 0. 8时，混合单元382按0. 2比0. 8的比率混合初始偏好和 用户偏好。此外，当0. 8 <成熟度时，混合单元382只使用用户偏好。该混合方法是任意的。例如，可以将初始偏好向量和用户偏好向量相组合。此时， 在将比率的上述系数乘以各个向量之后将这些向量相组合。作为上面的结果，混合单元382 可以按与成熟度相对应的比率混合初始偏好和用户偏好。处理的流程接下来，将对此情形中处理的流程给出描述。首先，将参照图17的流程图对注册 成熟度的情形中用户偏好过程的流程实例给出描述。当开始了用户偏好过程时，以与图9的步骤S121至S123中相同的方式执行步骤 S301至S303的过程，在用户偏好数据库106中注册用户偏好。在步骤S304中，偏好提取引擎355的计算单元361针对用户计算与注册的用户偏 好相对应的成熟度。在步骤S305中，偏好提取引擎355的注册单元362在用户偏好数据库 106中注册在步骤S304中计算的成熟度。在步骤S305的过程完成时，完成用户偏好过程。接下来，将参照图18的流程图对此情形中推荐过程的流程实例给出描述。当开始了推荐目标过程时，分别以与图10的步骤S141和S142的过程一样的方式 执行步骤S321和S322的过程。在步骤S323中，初始偏好获取单元371从初始偏好数据库306获取初始偏好。
在步骤S3M中，合并用户偏好计算单元372生成合并的用户偏好。合并用户偏好 生成过程的详细内容将在后面描述。在步骤S325中，校正单元163基于步骤S3M中生成的合并的用户偏好校正内容 特征量。除了使用合并的用户偏好而不是用户偏好，以与参照图11的流程图描述的校正过 程一样的方式执行校正过程。相应地，省略校正过程详细内容的描述。在步骤S325的过程完成时，分别以与图10的步骤S144至S146的过程一样的方 式执行步骤至的过程。在步骤的过程完成时，完成推荐过程。接下来，将参照图19的流程图对图18的步骤S3M中执行的合并用户偏好生成过 程的流程实例给出描述。当开始了合并用户偏好生成过程时，在步骤S341中，成熟度获取单元381从用户 偏好数据库106获取推荐过程中获取的用户偏好的成熟度。在步骤S342中，混合单元382按与用户偏好的成熟度相对应的比率混合用户偏好 和初始偏好，并生成合并的用户偏好。在步骤S342的过程完成后，完成合并用户偏好生成过程。过程随后返回到图18 的步骤S3M，执行步骤S325及之后的处理。如上所述，通过基于用户偏好的成熟度混合初始偏好和用户偏好，可以基于用户 偏好的成熟度逐渐改变推荐内容。结果是，作为从成熟度低的初始状态转移为成熟度足够 高的正常状态的结果，可以抑制推荐内容的突然改变。即，即使在成熟度低的状态下，推荐 设备300也可以在不完全忽略少量的注册用户偏好的情况下推荐适合于用户的内容。如上所述，推荐目标(项目)是任意的，推荐目标内容和推荐内容可以是相互不同 类型的内容。例如，可以基于BGM推荐电影。此外，可以推荐使用BGM的场景。此外，元数据可以是任何信息，只要包含关于项目的信息，并且可以是独立于内容 数据存在的信息。可以从元数据中提取或者可以从项目(内容数据)中提取作为内容特征量的属性 值。例如，可以使用通过执行图像分析等提取的、作为帧图像的图像的特征(例如，亮度、色 度等)作为属性值。4.第四实施例电视接收机的配置上述推荐设备可以包括其它功能。例如，可以使用推荐设备作为电视接收机。换 言之，可以将推荐设备形成为一些种类的设备的部分配置(处理单元)。图20是示出应用了本发明的电视接收机的配置实例的框图。图20中所示的电视接收机400是从广播站接收电视信号广播并且显示其视频、并 输出音频的设备。电视接收机400包括天线401、调谐器402、解码器403、音频处理单元404、扬声器 405、图像处理单元406以及显示单元407。关于经由天线401接收的电视信号，对调谐器402中选择的频道的信号进行解调， 并获取内容数据(图像数据、声音数据等)。解码器403对内容数据进行解码，将声音数据 提供给音频处理单元404，并将图像数据提供给图像处理单元406。
音频处理单元404对音频数据执行信号处理，并从扬声器405输出声音。图像处理单元406对图像数据执行图像处理，显示单元407显示图像。此外，电视接收机400包括EPG获取单元408和EPG存储单元409。EPG获取单元 408获取由调谐器402接收的EPG数据，并将其存储在EPG存储单元409中。EPG存储单元 409存储预定量的最新EPG数据。电视接收机400还包括控制单元410。控制单元410控制调谐器402至EPG存储 单元409的每个单元。此外，控制单元410必要时读取EPG存储单元409中存储的EPG数据，生成节目表 的图像，并且使显示单元407显示图像。电视接收机400还包括输入单元411、输出单元412、存储单元413以及通信单元 414。输入单元411是包括例如控制开关、键盘以及遥控器的任意输入设备，并且接受 用户操作等。此外，输入单元411具有输入终端，并且接受从另一设备提供的数据、节目等。 输入单元411将接收的各种信息提供给控制单元410。控制单元410基于经由输入单元411 接收的各种信息执行控制过程等。输出单元412由包括例如监视器、扬声器、灯、外部输出终端等的任意输出设备构 造。输出单元412使得从适当的输出设备输出从控制单元410提供的各种信息。存储单元413由例如硬盘、闪存等构成，并且存储从控制单元410提供的信息(节 目、数据等)。此外，存储单元413将存储的信息提供给控制单元410。通信单元414是用于执行与其它设备或装置的通信的通信设备。通信单元414包 括例如以太网接口、IEEE 802. Ilx接口、USB接口、蓝牙接口等。通信方法是任意的，并且可 以使用任何通信设备。通信单元414被控制单元410控制，并且将从控制单元410提供的 信息传送给通信方或者将从通信方提供的信息提供给控制单元410。此外，电视接收机400包括推荐处理单元421。推荐处理单元421具有与上述推荐 设备100和推荐设备300的配置相似的配置，以及执行相似的处理。例如，控制单元410可以控制推荐处理单元421，使得当用户搜索节目时，使用节 目表中选择的内容作为推荐目标内容，并且推荐其相关内容。由推荐处理单元421输出的 推荐信息被提供到显示单元407，并且通过控制单元410显示在监视器等上，从而向推荐目 标用户(选择了节目表中内容的用户)呈现。此外，控制单元410可以控制推荐处理单元421，使得用户搜索当前正观看的节目 的相关内容，并推荐相关内容。此外，在电视接收机400具有视频记录功能(例如，可以将接收的内容数据存储在 存储单元413中)的情形中，推荐处理单元421可以将用户记录的内容或者计划要记录的 内容设置为推荐目标内容并且可以推荐其相关内容。如上所述，通过将上述推荐设备设置为推荐处理单元，并且将它安装在用户对内 容进行处理的设备中，推荐处理单元可以针对执行处理的内容推荐相关内容。即，由于设备 可以容易地推荐更适合于用户的内容，可以改进用户所进行的操作的便利性。可以将这种推荐处理单元应用于除电视接收机400之外的任何设备。例如，设备 可以是蜂窝式电话、智能手机、笔记本个人电脑、照相机、记录器等。
5.第五实施例系统配置此外，处理推荐目标内容的设备或者提供搜索相关内容的其它内容的设备可以是 与推荐设备不同的设备。图21是示出应用了本发明的推荐系统的配置实例的框图。如图21中所示，推荐系统500是推荐推荐目标内容的相关内容的系统。推荐系统 500包括终端设备501、推荐服务器502以及内容服务器503。S卩，推荐系统500由多个设备 构成。终端设备501是由用户操作的设备并且是处理内容的设备。如图21中所示，终端 设备501向推荐服务器502提供推荐目标内容的指定以及操作日志，并且从推荐服务器502 获取与推荐目标内容相对应的推荐信息。即，终端设备501是从推荐服务器502接收相关 内容的推荐的设备。终端设备501进一步是处理(例如观看等)由内容服务器503提供的内容的设备。 终端设备501向内容服务器503请求内容，并且从内容服务器503获取请求的内容。终端设备501将获取的内容设置为推荐目标内容，并且作为操作日志，将其指定 提供给推荐服务器502或者将关于获取的内容的信息通知推荐服务器502。当然，可以执行
这二者。推荐服务器502是与上述推荐设备100和推荐设备300相似的设备，并且执行向 终端设备501(终端设备501的用户)的内容推荐。推荐服务器502从内容服务器503获 取由内容服务器503提供的内容的元数据。推荐服务器502根据元数据生成内容特征量。内容服务器503是向终端设备501提供内容的设备。这些设备经由任意通信介质(诸如由例如因特网代表的网络)互相执行信息的交换。处理的流程将参照图22的流程图描述这种配置的推荐系统500中执行的推荐系统过程的流 程实例。在步骤S541中，内容服务器503将由内容服务器503自身管理的内容的元数据提 供给推荐服务器502。当推荐服务器502在步骤S521中获取了元数据时，在步骤S522中，推 荐服务器502根据元数据生成内容特征量，并且在内容特征量数据库中注册内容特征量。在步骤S501中，终端设备501将终端设备501的用户的操作日志提供给推荐服务 器502。当推荐服务器502在步骤S523中获取了操作日志时，在步骤S5M中，推荐服务器 502通过使用操作日志生成用户偏好，并且在用户偏好数据库中注册用户偏好。当用户操作终端设备501中的项目时，终端设备501指定用户作为推荐目标用户， 进一步指定用户操作的项目作为推荐目标项目，并且将这些指定信息提供给推荐服务器 502。在步骤S525中，推荐服务器502获取指定信息。在步骤中，推荐服务器502生成种子向量。在步骤S527中，推荐服务器502 基于种子向量搜索相关内容。在步骤中，推荐服务器502向终端设备501提供指定了 检索到的相关内容的推荐信息。在步骤S503中，终端设备501获取推荐信息并且向用户呈现相关内容。
如上所述，另外，在包括多个设备的推荐系统500的情形中，与上述推荐设备100 和推荐设备300的情形相似，可以更容易地推荐更适合于用户的内容。系统配置在推荐系统500中，另一设备(诸如终端设备501或内容服务器50 中可以包括 推荐服务器502的内部配置(推荐设备100和推荐设备300的配置)的一部分。例如，如图23中所示，终端设备501中可以包括操作日志获取单元104和偏好提 取引擎105。此外，例如，如图M中所示，终端设备501还可以包括用户偏好数据库106。此外，例如，如图25中所示，内容服务器503中可以包括元数据获取单元101、挖掘 引擎102以及内容特征量数据库103。此时，如图23的情形中一样，推荐服务器502中可以包括用户偏好数据库106，推 荐服务器502中还可以包括操作日志获取单元104和偏好提取引擎105。此外，内容服务器503中可以包括元数据获取单元101和挖掘引擎102，推荐服务 器502中可以包括内容特征量数据库103。当然，这些设备可以是除了以上内容之外的配置。6.第六实施例系统配置例如，如图沈中所示，可以将推荐服务器502的所有组件分派给终端设备或者内 容服务器。图26是示出应用了本发明的内容发布系统的配置实例的框图。图沈中所示的内容发布系统600是基于来自终端设备601的请求从内容服务器 602向终端设备601发布内容的系统。内容发布系统600使得将图21中所示的推荐系统500中的推荐服务器502的功 能(配置)分配给终端设备和内容服务器，并且作为整体系统执行相似的处理。即，在终端 设备601中，执行由用户命令了进行处理(诸如再现、选择等)的内容的相关内容的推荐。如图沈中所示，终端设备601除了终端设备501的配置以外还包括操作日志获 取单元104、偏好提取引擎105、用户偏好数据库106、推荐引擎107以及推荐信息提供单元 108。操作日志获取单元104至推荐信息提供单元108是推荐服务器502的功能。此外，内容服务器602除了内容服务器503的配置以外还包括元数据获取单元 101、挖掘引擎102以及内容特征量数据库103。元数据获取单元101至内容特征量数据库 103是推荐服务器502的功能。S卩，内容服务器602在内容特征量数据库103中注册由内容服务器602自身管理 的内容的内容特征量。终端设备601从终端设备601的用户的操作日志中提取用户偏好， 并且在用户偏好数据库106中注册用户偏好。此外，通过使用内容服务器602的内容特征 量数据库103和用户偏好数据库106中注册的用户偏好，终端设备601搜索由终端设备601 的用户指定的推荐目标内容的相关内容，并且向用户推荐相关内容。作为以上内容的结果，终端设备601可以更容易地推荐更适合于用户的内容。分派推荐服务器502的组件的方法是任意的，并且可以是除了上述方法之外的方 法。例如，可以在内容服务器602中提供包括操作日志获取单元104至推荐信息提供单元 108的组件中的一些或全部，并且可以在终端设备601中提供包括元数据获取单元101至内容特征量数据库103的组件中的一些或全部。7.第七实施例系统配置此外，可以将推荐服务器502配置成与终端设备和内容服务器不同的另外的多个 设备。图27是示出了应用了本发明的推荐系统的配置的另一实例的框图。图27中所示的推荐系统700是与图21中所示的推荐系统500相似的系统。由推 荐系统700拥有的终端设备701对应于终端设备501，具有基本上与终端设备501的配置一 样的配置，并且执行与终端设备501的处理相同的处理。此外，推荐系统700拥有的内容服 务器702对应于内容服务器503，具有与内容服务器503的配置相同的配置，并且执行与内 容服务器503的处理相同的处理。替代推荐系统500所拥有的推荐服务器502，推荐系统700包括内容特征量提取 设备703、偏好提取设备705、推荐信息提供服务器707、内容特征量数据库103以及用户偏 好数据库106。内容特征量提取设备703包括元数据获取单元101和挖掘引擎102，并且基于从内 容服务器702提供的元数据在内容特征量数据库103中注册内容特征量。偏好提取设备705包括操作日志获取单元104和偏好提取引擎105，根据从终端设 备701获取的操作日志生成用户偏好，并且在用户偏好数据库106中注册用户偏好。推荐信息提供服务器707包括推荐引擎107和推荐信息提供单元108，通过使用从 用户偏好数据库106获取的推荐目标用户的偏好、以及从内容特征量数据库103获取的内 容特征量搜索终端设备701(的用户(推荐目标用户))指定的推荐目标内容的相关内容， 并且向终端设备701 (的用户)推荐相关内容。S卩，内容特征量提取设备703、偏好提取设备705、推荐信息提供服务器707、内容 特征量数据库103以及用户偏好数据库106使得将推荐服务器502的配置划分成多个设 备，并且以整体执行与推荐服务器502的处理相同的处理。因此，推荐系统700可以按与推荐系统500的情形中一样的方式更容易地推荐更 适合于用户的内容。划分推荐服务器502的配置的方法是任意的，并且可以按除了图27中所示的模式 之外的模式来划分。例如，可以将内容特征量数据库103和用户偏好数据库106集中为一 个设备，并且可以在内容特征量提取设备703、偏好提取设备705以及推荐信息提供服务器 707之一中提供内容特征量数据库103和用户偏好数据库106中的每一个。此外，可以将元数据获取单元101和挖掘引擎102配置成相互不同的设备，并且可 以在偏好提取设备705或者推荐信息提供服务器707中提供它们中的每一个。相似地，可以将操作日志获取单元104和偏好提取引擎105配置成相互不同的设 备，并且可以在内容特征量提取设备703或者推荐信息提供服务器707中提供它们中的每 一个。相似地，可以将推荐引擎107和推荐信息提供单元108配置成相互不同的设备，并 且可以在内容特征量提取设备703或者偏好提取设备705中提供它们中的每一个。 当然，可以使用除了以上内容之外的其它模式。
8.第八实施例个人计算机可以通过硬件或软件执行上述一系列过程。在此情形中，例如，可以配置图28中 所示的个人计算机。在图观中，个人计算机800的中央处理单元(CPU) 801根据只读存储器(ROM) 802 中存储的程序或者从存储单元813加载到随机访问存储器(RAM)803中的程序执行各种过 程。在RAM 803中，适当地还存储CPU 801执行各种过程所需要的数据等。CPU 801, ROM 802以及RAM 803经由总线804彼此互连。此外，输入/输出接口 810也连接到该总线804。输入单元811、输出单元812、存储单元813以及通信单元814连接到输入/输出 接口 810。输入单元811包括键盘、鼠标等。输出单元812包括由阴极射线管(CRT)显示器 或液晶显示(LCD)显示器形成的显示单元、扬声器等。存储单元813包括硬盘等。通信单 元814包括调制解调器等。通信单元814经由包括因特网的网络执行通信过程。此外，驱动器815必要时被连接到输入/输出接口 810。可移动介质821 (诸如磁 盘、光盘、磁光盘或者半导体存储器)被适当地装载到其中，并且必要时将从其中读取的计 算机程序安装在存储单元813中。在要通过软件执行上述一系列过程的情形中，从网络或记录介质安装形成软件的程序。例如，如图28中所示，该记录介质由包括记录了程序的磁盘(包括软盘)、光盘 (包括紧凑盘只读存储器(CD-ROM))、数字通用盘(DVD)、磁光盘(包括迷你盘(MD))或者半 导体存储器的可移动介质821构成，该记录介质被分发以与设备的主要单元分开地向用户 提供程序。另外，记录介质由记录了程序的硬盘和ROM 802形成，硬盘和ROM 802通过预先 结合到设备的主要单元中而提供给用户。由计算机执行的程序可以是根据本说明书中描述的次序以时序方式处理的程序， 并且可以是并行地或者在必要时刻(诸如在调用时)处理的程序。在本说明书中，描述记录介质上记录的程序的步骤包括根据所写的次序以时序方 式执行的过程，并且尽管不以时序方式执行也还包括并行地或各自地执行的过程。在本说明书中，系统是指由多个设备形成的整个设备。上文中，可以划分描述为一个设备(或处理单元)的配置以配置成多个设备(或 处理单元)。相反地，上文中，可以将描述为多个设备(或处理单元)的配置共同配置成一 个设备(或处理单元)。此外，当然可以向每个设备(或处理单元)的配置添加除了上述配 置之外的配置。另外，只要作为整个系统的操作和配置基本相同，另一设备(或另一处理单 元)的配置中可以包括某个设备(或处理单元)的配置的一部分。即，本发明的实施例不 限于上述实施例，在本发明的精神和范围内可以有各种改变。本申请包含与2009年12月22日在日本专利局提交的日本优先权专利申请JP 2009-290902中公开的主题相关的主题，其全部内容经引用并入本文。本领域技术人员应当理解，根据设计需要和其它因素，可以做出各种变型、组合、 子组合和修改，只要它们在所附权利要求或其等同物的范围内。
权利要求
1.一种信息处理设备，包括校正装置，用于通过使用用户偏好来校正将推荐目标项目的特征表示为项的项目特征 量，其中，对推荐目标项目执行用于推荐特征与所述推荐目标项目的特征相似的项目的推 荐过程，所述用户偏好表示推荐目标用户针对所述项目的偏好，所述推荐目标用户是所述 项目被推荐给的一方；匹配装置，用于将由所述校正装置校正的项目特征量与另一项目的项目特征量相比 较，并用于搜索具有与所述推荐目标项目的项目特征量相似的项目特征量的另一项目；以 及推荐装置，用于基于所述匹配装置的匹配结果推荐具有与所述推荐目标项目的特征相 似的特征的相关项目。
2.如权利要求1所述的信息处理设备，其中，所述校正装置还包括比较装置，用于将项目特征量中包含的属性值中的每一个属性值与所述推荐目标用户 的用户偏好中包含的属性值中的每一个属性值相比较，以及增大装置，用于基于所述比较装置的比较结果增大所述项目特征量和所述用户偏好中 均包含的属性值的重要程度。
3.如权利要求2所述的信息处理设备，还包括削减装置，用于基于所述比较装置的比 较结果削减所述项目特征量中包含而所述用户偏好中不包含的属性值的重要程度。
4.如权利要求1所述的信息处理设备，其中，所述匹配装置包括相似度计算装置，用于计算所述推荐目标项目的项目特征量与另一项目的项目特征量 之间的相似度，以及相似度保存装置，用于保存由所述相似度计算装置计算的相似度。
5.如权利要求4所述的信息处理设备，其中，所述相似度计算装置计算这样的相乘结 果的总和作为所述相似度将每个属性的预定权重系数乘以属性向量之间的内积的绝对 值，其中，在所述属性向量中，针对每个属性，所述项目特征量被向量化。
6.如权利要求4所述的信息处理设备，其中，所述匹配装置还包括相关项目选择装 置，用于按由所述相似度保存装置保存的所述相似度的值的升序来选择预定数量的项目作 为所述推荐目标项目的相关项目。
7.如权利要求1所述的信息处理设备，还包括项目特征量存储装置，用于存储所述项 目特征量，其中，所述校正装置从所述项目特征量存储装置获取所述推荐目标项目的项目特征 量，并且通过使用所述用户偏好来校正所获取的项目特征量，以及其中，所述匹配装置从所述项目特征量存储装置获取所述其它项目的项目特征量，并 执行由所述校正装置校正的项目特征量与所获取的项目特征量之间的匹配。
8.如权利要求7所述的信息处理设备，还包括元数据获取装置，用于获取包含关于所述项目的信息的元数据；项目特征量提取装置，用于从由所述元数据获取装置获取的元数据中提取所述项目特 征量；以及项目特征量注册装置，用于在所述项目特征量存储装置中注册由所述项目特征量提取 装置提取的项目特征量。
9.如权利要求1所述的信息处理设备，还包括用户偏好存储装置，用于存储所述用户 偏好，其中，所述校正装置从所述用户偏好存储装置获取所述推荐目标用户的用户偏好，并 且通过使用所获取的用户偏好来校正所述推荐目标项目的项目特征量。
10.如权利要求9所述的信息处理设备，还包括 操作日志获取装置，用于获取用户的操作日志；用户偏好提取装置，用于从由所述操作日志获取装置获取的操作日志中提取所述用户 偏好；以及用户偏好注册装置，用于在所述用户偏好存储装置中注册由所述用户偏好提取装置提 取的用户偏好。
11.如权利要求1所述的信息处理设备，还包括偏好存储装置，用于存储预定偏好， 其中，所述校正装置从所述偏好存储装置获取预定偏好，并且通过使用获取的预定偏好校正所述推荐目标项目的项目特征量。
12.如权利要求11所述的信息处理设备，还包括用户偏好存储装置，用于存储所述用 户偏好以及指示所述用户偏好的信息量或者更新次数的成熟度，其中，所述校正装置包括用户偏好获取装置，用于从所述用户偏好存储装置获取所述推荐目标用户的用户偏好，成熟度获取装置，用于从所述用户偏好存储装置获取用户偏好的成熟度， 偏好获取装置，用于从所述偏好存储装置获取所述预定偏好，混合装置，用于按与由所述成熟度获取装置获取的成熟度相对应的比率，混合由所述 偏好获取装置获取的预定偏好以及由所述用户偏好获取装置获取的用户偏好，比较装置，用于将项目特征量中包含的属性值中的每一个属性值与所述混合装置对所 述预定偏好和所述用户偏好的混合结果中包含的属性值中的每一个属性值进行比较，以及 增大装置，用于基于所述比较装置的比较结果增大所述项目特征量和所述混合结果中 均包含的属性值的重要程度。
13.一种用于信息处理设备的图像处理方法，包括步骤使用所述信息处理设备的校正装置，通过使用用户偏好来校正将推荐目标项目的特征 表示为项的项目特征量，其中，对所述推荐目标项目执行用于推荐特征与所述推荐目标项 目的特征相似的项目的推荐过程，所述用户偏好表示推荐目标用户针对所述项目的偏好， 所述推荐目标用户是项目被推荐给的一方；使用所述信息处理设备的匹配装置，使校正的项目特征量与另一项目的项目特征量进 行匹配，并且搜索具有与所述推荐目标项目的项目特征量相似的项目特征量的另一项目； 以及使用所述信息处理设备的推荐装置，基于所述匹配的结果推荐具有与所述推荐目标项 目的特征相似的特征的相关项目。
14.一种信息处理设备，包括校正单元，被配置为通过使用用户偏好来校正将推荐目标项目的特征表示为项的项目 特征量，其中，对所述推荐目标项目执行用于推荐特征与所述推荐目标项目的特征相似的项目的推荐过程，所述用户偏好表示推荐目标用户针对项目的偏好，所述推荐目标用户是 项目被推荐给的一方；匹配单元，被配置为将由所述校正单元校正的所述项目特征量与另一项目的项目特征 量相比较，并搜索具有与所述推荐目标项目的项目特征量相似的项目特征量的另一项目； 以及推荐单元，被配置为基于所述匹配单元的匹配结果推荐具有与所述推荐目标项目的特 征相似的特征的相关项目。
全文摘要
提供一种信息处理设备和方法。信息处理设备包括校正单元，配置为通过使用用户偏好来校正将推荐目标项目的特征表示为项的项目特征量，其中，对推荐目标项目执行用于推荐特征与推荐目标项目的特征相似的项目的推荐过程，用户偏好表示推荐目标用户针对项目的偏好，推荐目标用户是项目被推荐给的一方；匹配单元，配置为将由校正单元校正的项目特征量与另一项目的项目特征量相比较，并搜索具有与推荐目标项目的项目特征量相似的项目特征量的另一项目；以及推荐单元，用于基于由匹配单元的匹配结果推荐具有与推荐目标项目的特征相似的特征的相关项目。
文档编号G06F17/30GK102103634SQ201010617809
公开日2011年6月22日 申请日期2010年12月15日 优先权日2009年12月22日
发明者上前田直树, 角田智弘 申请人:索尼公司