JP2010176327A - 学習装置、学習方法、情報処理装置、データ選択方法、データ蓄積方法、データ変換方法、及びプログラム - Google Patents

Abstract

【課題】データ空間が異なる領域の間でユーザの嗜好やコンテンツの属性を共通的に扱えるようにする。
【解決手段】第１のデータ空間に属す第１のユーザ嗜好データを取得する第１データ取得部と、第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データであって、第１のユーザ嗜好データと共通するユーザについての第２のユーザ嗜好データを取得する第２データ取得部と、第１のパラメータ群を用いて、第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成する第１圧縮部と、第２のパラメータ群を用いて、第２のユーザ嗜好データから、第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成する第２圧縮部と、第１の圧縮ユーザ嗜好データと第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように、第１及び第２のパラメータ群を学習する学習部とを備える。
【選択図】図９

Description

本発明は、学習装置、学習方法、情報処理装置、データ選択方法、データ蓄積方法、データ変換方法、及びプログラムに関する。

近年、情報技術の発展に伴い、音楽、映像、書籍、ニュース記事など様々な分野のコンテンツがインターネットなどのネットワークを介してユーザに提供されている。このようなコンテンツ提供サービスにおいては、膨大な量のコンテンツが取り扱われるため、個々のユーザが自己に見合った適切なコンテンツを独力で見つけ出すことは難しい。そこで、例えばユーザの購買や視聴などといった行動の履歴をもとにユーザの嗜好を把握し、個々のユーザに見合ったコンテンツを選択して提示するための、推薦と呼ばれる技術が利用されている。

現在利用されている推薦技術の多くに共通する点の１つは、ユーザの行動履歴に応じてユーザの嗜好を数値等で表したユーザ嗜好データ（ＵＰ：User Preference）を用いて推薦を行う点である。例えば、協調フィルタリング（Collaborative Filtering）と呼ばれる推薦アルゴリズムでは、異なるユーザ間でユーザ嗜好データが比較され、類似する嗜好を持つユーザを特定して、そのユーザにより過去に利用されたコンテンツが推薦の対象となる。かかる推薦アルゴリズムの例は、下記特許文献１又は２などに開示されている。また、例えば、内容ベースフィルタリング（Content-Based Filtering）と呼ばれる推薦アルゴリズムでは、共通するデータ空間に属すユーザ嗜好データとコンテンツの属性を表すコンテンツ属性データとが比較され、ユーザの嗜好に適合すると判断されるコンテンツが推薦の対象となり得る。

特開２００６−２１５８６７号公報 特開２００８−０７７３８６号公報

しかしながら、ユーザ嗜好データ又はコンテンツ属性データのデータ空間は、例えば、推薦の対象とするコンテンツの分野、ユーザ嗜好データを生成する機器の種類、又は当該機器を供給するベンダなどによって異なる場合がある。そして、データ空間が異なると、ユーザ嗜好データ又はコンテンツ属性データに基づいて推薦可能なコンテンツの範囲が制限されることに加えて、例えば行動履歴の蓄積が不十分となり、適切なコンテンツを推薦することが困難となる場合もある。

そこで、本発明は、データ空間が異なる領域の間でユーザの嗜好やコンテンツの属性を共通的に扱うことを可能とする、新規かつ改良された学習装置、学習方法、情報処理装置、データ選択方法、データ蓄積方法、データ変換方法、及びプログラムを提供しようとするものである。

本発明のある実施形態によれば、第１のデータ空間に属す第１のユーザ嗜好データを取得する第１データ取得部と、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データであって、前記第１のユーザ嗜好データと共通するユーザについての前記第２のユーザ嗜好データを取得する第２データ取得部と、第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成する圧縮部と、前記第２のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成する際に使用される第２のパラメータ群を、前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習する学習部と、を備える学習装置が提供される。

また、前記学習部は、前記圧縮部により生成される前記第１の圧縮ユーザ嗜好データを前記第２の圧縮ユーザ嗜好データの教師データとして前記第２のパラメータ群を学習してもよい。

また、前記圧縮部は、マルチトピックモデルに従って前記第１の圧縮ユーザ嗜好データを生成してもよい。

また、前記第１のパラメータ群及び前記第２のパラメータ群は、マルチトピックモデルにおけるトピックの固有分布に対応するパラメータ群であってもよい。

また、前記第１のデータ空間及び前記第２のデータ空間は、互いに異なるコンテンツ領域に対応するデータ空間であってもよい。

また、前記第１のデータ空間及び前記第２のデータ空間は、互いに異なる機器により生成されるユーザ嗜好データのデータ空間であってもよい。

また、本発明の別の実施形態によれば、第１のデータ空間に属す第１のユーザ嗜好データを取得するステップと、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データであって、前記第１のユーザ嗜好データと共通するユーザについての前記第２のユーザ嗜好データを取得するステップと、第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成するステップと、前記第２のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成する際に使用される第２のパラメータ群を、前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習するステップと、を含む学習方法が提供される。

また、本発明の別の実施形態によれば、情報処理装置を制御するコンピュータを、第１のデータ空間に属す第１のユーザ嗜好データを取得する第１データ取得部と、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データであって、前記第１のユーザ嗜好データと共通するユーザについての前記第２のユーザ嗜好データを取得する第２データ取得部と、第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成する圧縮部と、前記第２のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成する際に使用される第２のパラメータ群を、前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習する学習部と、として機能させるためのプログラムが提供される。

また、本発明の別の実施形態によれば、第１のデータ空間に属す第１のユーザ嗜好データを取得するデータ取得部と、第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成する圧縮部と、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データ又はコンテンツ属性データから第２のパラメータ群を用いて生成された、前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい複数のデータを記憶している記憶部と、前記記憶部に記憶されている前記複数のデータから、前記圧縮部により生成された前記第１の圧縮ユーザ嗜好データとの類似度に応じて少なくとも１つのデータを選択する選択部と、を備え、前記記憶部に記憶されている前記複数のデータは、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２のユーザ嗜好データから生成される第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習された前記第２のパラメータ群を用いて、それぞれ予め生成されたデータである、情報処理装置が提供される。

また、本発明の別の実施形態によれば、第１のデータ空間に属す第１のユーザ嗜好データを取得するステップと、第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成するステップと、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データ又はコンテンツ属性データから第２のパラメータ群を用いて生成された、前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい複数のデータから、前記第１の圧縮ユーザ嗜好データとの類似度に応じて少なくとも１つのデータを選択するステップと、を含むデータ選択方法であって、前記複数のデータは、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２のユーザ嗜好データから生成される第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習された前記第２のパラメータ群を用いて、それぞれ予め生成されたデータである、前記データ選択方法が提供される。

また、本発明の別の実施形態によれば、情報処理装置を制御するコンピュータを、第１のデータ空間に属す第１のユーザ嗜好データを取得するデータ取得部と、第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成する圧縮部と、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データ又はコンテンツ属性データから第２のパラメータ群を用いて生成された、前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい複数のデータを記憶している記憶部と、前記記憶部に記憶されている前記複数のデータから、前記圧縮部により生成された前記第１の圧縮ユーザ嗜好データとの類似度に応じて少なくとも１つのデータを選択する選択部と、として機能させるためのプログラムであって、前記記憶部に記憶されている前記複数のデータは、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２のユーザ嗜好データから生成される第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習された前記第２のパラメータ群を用いて、それぞれ予め生成されたデータである、前記プログラムが提供される。

また、本発明の別の実施形態によれば、第１のデータ空間に属す第１のユーザ嗜好データを取得する第１データ取得部と、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データを取得する第２データ取得部と、第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成して記録媒体に記録する第１圧縮部と、第２のパラメータ群を用いて、前記第２のユーザ嗜好データから、前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成して記録媒体に記録する第２圧縮部と、を備え、前記第１のパラメータ群又は前記第２のパラメータ群は、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である、情報処理装置が提供される。

また、本発明の別の実施形態によれば、第１のデータ空間に属す第１のユーザ嗜好データを取得するステップと、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データを取得するステップと、第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成して記録媒体に記録するステップと、第２のパラメータ群を用いて、前記第２のユーザ嗜好データから、前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成して記録媒体に記録するステップと、を含むデータ蓄積方法であって、前記第１のパラメータ群又は前記第２のパラメータ群は、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である、前記データ蓄積方法が提供される。

また、本発明の別の実施形態によれば、情報処理装置を制御するコンピュータを、第１のデータ空間に属す第１のユーザ嗜好データを取得する第１データ取得部と、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データを取得する第２データ取得部と、第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成して記録媒体に記録する第１圧縮部と、第２のパラメータ群を用いて、前記第２のユーザ嗜好データから、前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成して記録媒体に記録する第２圧縮部と、として機能させるためのプログラムであって、前記第１のパラメータ群又は前記第２のパラメータ群は、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である、前記プログラムが提供される。

また、本発明の別の実施形態によれば、第１のデータ空間に属す第１のユーザ嗜好データからよりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成するための第１のパラメータ群、及び、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成するための第２のパラメータ群を記憶している記憶部と、前記記憶部に記憶されている前記第１のパラメータ群及び前記第２のパラメータ群に基づいて、前記第１のユーザ嗜好データを前記第２のユーザ嗜好データに変換する変換部と、を備え、前記第１のパラメータ群又は前記第２のパラメータ群は、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である、情報処理装置が提供される。

また、前記変換部は、前記第１のパラメータ群と前記第２のパラメータ群との間のデータ項目ごとのパラメータ値の類似度に応じて決定される、前記第１のユーザ嗜好データのデータ項目と前記第２のユーザ嗜好データのデータ項目との対応関係に従って、前記第１のユーザ嗜好データを前記第２のユーザ嗜好データに変換してもよい。

また、前記情報処理装置は、前記第１のパラメータ群を用いて、前記第１のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データを生成する圧縮部、をさらに備え、前記変換部は、前記圧縮部により生成される前記第１の圧縮ユーザ嗜好データを前記第２のパラメータ群を用いて生成し得る尤もらしい第２のユーザ嗜好データを、前記第１のユーザ嗜好データから変換される前記第２のユーザ嗜好データとして決定してもよい。

また、本発明の別の実施形態によれば、第１のデータ空間に属す第１のユーザ嗜好データからよりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成するための第１のパラメータ群、及び、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成するための第２のパラメータ群に基づいて、前記第１のユーザ嗜好データを前記第２のユーザ嗜好データに変換するステップ、を含むデータ変換方法であって、前記第１のパラメータ群又は前記第２のパラメータ群は、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である、前記データ変換方法が提供される。

また、本発明の別の実施形態によれば、情報処理装置を制御するコンピュータを、第１のデータ空間に属す第１のユーザ嗜好データからよりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成するための第１のパラメータ群、及び、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成するための第２のパラメータ群を記憶している記憶部と、前記記憶部に記憶されている前記第１のパラメータ群及び前記第２のパラメータ群に基づいて、前記第１のユーザ嗜好データを前記第２のユーザ嗜好データに変換する変換部と、として機能させるためのプログラムであって、前記第１のパラメータ群又は前記第２のパラメータ群は、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である、前記プログラムが提供される。

以上説明したように、本発明に係る学習装置、学習方法、情報処理装置、データ選択方法、データ蓄積方法、データ変換方法、及びプログラムによれば、データ空間が異なる領域の間でユーザの嗜好やコンテンツの属性を共通的に扱うことが可能となる。

一実施形態に関連する推薦技術が適用されるシステムの概要を示す模式図である。 図１の端末装置の具体的な構成の一例を示すブロック図である。 図１の情報処理装置の具体的な構成の一例を示すブロック図である。 コンテンツ属性データからユーザ嗜好データを計算する計算処理について説明するための説明図である。 マルチトピックモデルに従ってデータを圧縮する処理について説明するための説明図である。 圧縮されたユーザ嗜好データ及びコンテンツ属性データの一例を示す説明図である。 一実施形態に関連する推薦処理の流れの一例を示すフローチャートである。 一実施形態に係る学習処理の概要を説明するための説明図である。 一実施形態に係る学習装置の構成の一例を示すブロック図である。 一実施形態に係る推薦処理を行う情報処理装置の構成の一例を示すブロック図である。 一実施形態に係るデータ蓄積処理が行われるシステムの概要を示す模式図である。 図１１の端末装置の具体的な構成の一例を示すブロック図である。 図１１の他の端末装置の具体的な構成の一例を示すブロック図である。 図１１の情報処理装置の具体的な構成の一例を示すブロック図である。 一実施形態に係るデータ変換処理が行われるシステムの概要を示す模式図である。 図１５の情報処理装置の具体的な構成の一例を示すブロック図である。 データ項目同士の対応関係の決定処理について説明するための説明図である。 ユーザ嗜好データの変換処理について説明するための説明図である。 データ変換装置の変形例に係る具体的な構成を示すブロック図である。 汎用コンピュータのハードウェア構成を示すブロック図である。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成データ項目については、同一の符号を付することにより重複説明を省略する。

また、以下の順序にしたがって当該「発明を実施するための最良の形態」を説明する。
１．関連技術の説明
２．一実施形態に係る学習装置の説明
３．一実施形態に係る推薦装置の説明
４．一実施形態に係るデータ蓄積装置の説明
５．一実施形態に係るデータ変換装置の説明
６．まとめ

＜１．関連技術の説明＞
まず、後述する本発明の一実施形態に関連する推薦技術について、図１〜図７を用いて説明する。

図１は、本発明の一実施形態に関連する推薦技術が適用される情報処理システム１の概要を示す模式図である。図１を参照すると、情報処理システム１には、端末装置１０、ネットワーク２０、及び情報処理装置３０が含まれる。

端末装置１０は、情報処理装置３０から推薦サービスの提供を受けるユーザが使用する装置である。端末装置１０は、例えば、ＰＣ（Personal Computer）やＰＤＡ（Personal Digital Assistants）などの情報処理端末、携帯電話端末、ゲーム端末、音楽プレーヤ、又はテレビジョン受像機を始めとするデジタル家電機器などであってよい。

図２は、端末装置１０のより具体的な構成の一例を示すブロック図である。図２を参照すると、端末装置１０は、ユーザインタフェース部１２及び処理部１４を備える。

ユーザインタフェース部１２は、例えば、端末装置１０がユーザに情報を表示するための表示手段と、ユーザが端末装置１２に情報を入力するための入力手段とを提供する。表示手段とは、例えば、ＣＲＴ、ＰＤＰ、ＬＣＤ、ＯＬＥＤなどの表示装置に相当する。また、入力手段とは、例えば、マウスやキーボード、タッチパネル、ボタン、又はスイッチなどに相当する。

処理部１４は、例えば、インターネット上のＷｅｂページを取得してユーザに閲覧させるブラウザなどであってよい。その場合には、ユーザによるインターネット上でのコンテンツの購買や視聴などのユーザの行動に関する要求が、処理部１４から情報処理装置３０へ送信される。また、処理部１４は、端末装置１０においてコンテンツを再生又は実行するアプリケーションなどであってもよい。その場合には、ユーザによるコンテンツの再生や実行などの行動に関する情報が、処理部１４から情報処理装置３０へ送信される。なお、処理部１４は、ユーザによる個々の行動の履歴を端末装置１０の内部に一時的に蓄積しておき、蓄積された行動履歴を所定のタイミングで情報処理装置３０へ送信してもよい。

図１に戻り、情報処理システム１の説明を継続する。

ネットワーク２０は、端末装置１０と情報処理装置３０との間を接続する。ネットワーク２０は、インターネット、有線若しくは無線ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、専用線、又はＶＰＮ（Virtual Private Network）などの任意の形態のネットワークであってよい。

情報処理装置３０は、端末装置１０を使用するユーザに推薦サービスを提供する装置である。情報処理装置３０は、例えば、コンテンツ属性データやユーザ嗜好データを記憶する記憶装置にアクセス可能なコンピュータとして構成される。情報処理装置３０は、例えば、推薦サービスを提供するためのサーバ装置であってもよい。また、情報処理装置３０は、ＰＣやワークステーション、又は上述したデジタル家電機器などであってもよい。

図３は、情報処理装置３０のより具体的な構成の一例を示すブロック図である。図３を参照すると、情報処理装置３０は、ユーザ嗜好取得部３２、圧縮部３４、推薦部３６、及び記憶部４０を備える。また、記憶部４０は、ユーザ嗜好ＤＢ（データベース）４２、コンテンツ属性ＤＢ４４、圧縮ユーザ嗜好ＤＢ４６、圧縮コンテンツ属性ＤＢ４８、及びパラメータＤＢ５０を有する。

ユーザ嗜好取得部３２は、例えば、端末装置１０から送信されるユーザの行動（又は行動履歴）に応じて、当該ユーザの嗜好を表すユーザ嗜好データを取得する。例えば、内容ベースフィルタリングに適用されるユーザ嗜好データは、ユーザの行動の対象となったコンテンツのコンテンツ領域に対応するデータ空間上で、コンテンツ属性データの線形和として表現され得る。

図４は、記憶部４０のコンテンツ属性ＤＢ４４に記憶されているコンテンツ属性データからユーザ嗜好データを計算する計算処理の一例を説明するための説明図である。

図４の例において、コンテンツ属性ＤＢ４４には、識別子“Ｃ０１”、“Ｃ０２”、及び“Ｃ０３”により表される３つのコンテンツ属性データが含まれている。各コンテンツ属性データは、属性Ａ〜Ｅの５つのデータ項目を有する。即ち、この場合のコンテンツ属性データのデータ空間は、属性Ａ〜Ｅに対応する５つの次元を持つベクトル空間である。かかるベクトル空間において、コンテンツＣ０１のコンテンツ属性データは、例えばベクトル（１，０，０，１，０）として表される。また、コンテンツＣ０２、Ｃ０３のコンテンツ属性データは、それぞれベクトル（０，０，１，０，１）、ベクトル（０，０，１，０，０）として表される。さらに、図４では、コンテンツ属性データごとに、ユーザ嗜好データの計算に使用される重みがそれぞれ定義されている。

図４の例において、ユーザ嗜好データのデータ空間もまた属性Ａ〜Ｅの５つのデータ項目を有する。これら５つのデータ項目の値は、例えば、ユーザの行動の対象となったコンテンツについての、コンテンツ属性ＤＢ４４に記憶されているコンテンツ属性データの重み付け線形和として計算される。例えば、識別子“Ｕ０１”で表されるユーザＵ０１が、コンテンツＣ０１、Ｃ０２、及びＣ０３を利用したとする。その場合、ユーザＵ０１のユーザ嗜好データのうち、属性Ａの値は、１×０．４＋０×０．９＋０×０．４＝０．４である。また、属性Ｂの値は、０×０．４＋０×０．９＋０×０．４＝０．０である。属性Ｃの値は、０×０．４＋１×０．９＋１×０．４＝１．３である。属性Ｄの値は、１×０．４＋０×０．９＋０×０．４＝０．４である。属性Ｅの値は、０×０．４＋１×０．９＋０×０．４＝０．９である。従って、ユーザＵ０１のユーザ嗜好データは、属性Ａ〜Ｅを要素とするベクトル空間において、（０．４，０．０，１．３，０．４，０．９）と表される。ユーザ嗜好取得部３２は、かかるユーザ嗜好データを計算し、ユーザ嗜好ＤＢ４２に記憶させる。

なお、ここではユーザ嗜好データがコンテンツ属性データの重み付け線形和として計算される例について説明したが、線形和の計算の際に必ずしも重み付けが行われなくてもよい。また、コンテンツ属性データと共通するデータ空間において、線形和以外の方法でユーザ嗜好データが計算されてもよい。

ここで、図４の例では、属性Ａ〜Ｅの５つのデータ項目のみを示したが、実用上のコンテンツ属性データ（及びユーザ嗜好データ）のデータ空間は、一般的に、より高次元なものとなる。コンテンツ属性データは、例えば、コンテンツを説明した説明文をＴＦ／ＩＤＦ（Term Frequency／Inverse Document Frequency）などの手法により解析し、又はコンテンツデータ自体を音響解析や映像解析することにより予め与えられる。このようなコンテンツ属性データは、高次元のベクトル空間において多くのデータ項目がゼロ（又は空値）であるスパース（疎）なベクトルとなり易く、内容ベースフィルタリングなどの推薦アルゴリズムにとって処理コストや推薦結果の精度などの面で不利である。そこで、図３に示した圧縮部３４により、コンテンツ属性データ又はユーザ嗜好データを、より低次元のデータへと圧縮する。

図３において、圧縮部３４は、パラメータＤＢ５０に記憶されているパラメータ群を用いて、ユーザ嗜好データから、よりデータ項目数の少ない圧縮ユーザ嗜好データを生成する。また、圧縮部３４は、パラメータＤＢ５０に記憶されているパラメータ群を用いて、コンテンツ属性データから、よりデータ項目数の少ない圧縮コンテンツ属性データを生成することもできる。

圧縮部３４によるユーザ嗜好データの圧縮は、例えば、マルチトピックモデルの考え方に従って行われてもよい。マルチトピックモデルとは、データ固有のトピック空間上の確率分布と、メタデータ空間上でトピックごとに割当てられた確率分布とを用いる確率モデルである。具体的な確率モデルの内容は、例えば下記非特許文献１又は２などにおいて複数のバリエーションが提案されているが、本発明と関連する主な部分は次の通りである。

まず、マルチトピックモデルにおいては、直接的に観測することのできない潜在的な離散確率変数の実現値としてのトピックが複数定義される。トピックには、それぞれメタデータ空間の確率分布が割当てられる。これら各トピックに割当てられるメタデータ空間の確率分布をトピック固有分布という。

このようなマルチトピックモデルの考え方を推薦システムに適用すると、トピック固有分布は、例えば、コンテンツ属性データ及び／又はユーザ嗜好データの集合を学習データとし、統計的な学習によって予め推定される。そして、各コンテンツ属性データ又は各ユーザ嗜好データは、潜在的な変数空間であるトピック空間において、トピック分布と呼ばれる固有の確率分布を持つ。そして、各コンテンツ属性データ又は各ユーザ嗜好データのメタデータ空間上の確率分布は、例えば、トピック分布を用いてトピック固有分布を平均化することで与えられる。なお、ここでのメタデータ空間とは、例えば図４に示した属性Ａ〜Ｅを要素とするベクトル空間などとすることができる。

ここで、トピック分布のパラメータは一般に低次元である。また、トピック分布は、コンテンツ属性データ又はユーザ嗜好データごとに定まるため、コンテンツ属性データ又はユーザ嗜好データから生成されたトピック分布のパラメータを、各データの次元を圧縮したデータとみなすことができる。そこで、本明細書では、コンテンツ属性データに対応するトピック分布のパラメータを圧縮コンテンツ属性データ、ユーザ嗜好データに対応するトピック分布のパラメータを圧縮ユーザ嗜好データと呼ぶものとする。

こうした圧縮コンテンツ属性データ又は圧縮ユーザ嗜好データは、一度トピック固有分布を定めてしまえば、新しいコンテンツ属性データ又はユーザ嗜好データについても計算可能である。即ち、高次元の疎ベクトルであるコンテンツ属性データ又はユーザ嗜好データの次元を、マルチトピックモデルに従って低次元に圧縮することができる。

Thomas Hofmann, "Probabilistic Latent Semantic Indexing", Proceedings of the Twenty-Second Annual International SIGIR Conference on Research and Development in Information Retrieval, 1999 David M. Blei, Andrew Y. Ng, Michael I. Jordan, "Latent Dirichlet Allocation", Journal of Machine Learning Research 3, 2003

図３に示した圧縮部３４は、例えばこうしたマルチトピックモデルの考え方に従い、予め学習により決定されたトピック固有分布のパラメータを用いて、ユーザ嗜好データに対応するトピック分布である圧縮ユーザ嗜好データを生成することができる。この場合、トピック固有分布のパラメータが、図３のパラメータＤＢ５０に予め保持される。以下、本明細書において、ユーザ嗜好データ又はコンテンツ属性データの圧縮に使用されるトピック固有分布のパラメータをモデルパラメータという。なお、圧縮に使用されるパラメータは、マルチトピックモデルにおけるトピック固有分布のパラメータに限定されず、その他の任意のパラメータであってよい。

図５は、マルチトピックモデルの考え方に従ってユーザ嗜好データからよりデータ項目数の少ない圧縮ユーザ嗜好データを生成する処理についてさらに説明するための説明図である。

図５を参照すると、まず、属性１〜属性ＮのＮ個の要素を含むベクトル空間であるデータ空間Ｄにおいて与えられるユーザ嗜好データＵＰが示されている。また、データ空間Ｄにおいて予め学習により決定されたｋ個のモデルパラメータＰ_ｉ（ｘ）（ｉ＝１〜ｋ）も示されている。各モデルパラメータＰ_ｉ（ｘ）（ｉ＝１〜ｋ）は、データ空間Ｄにおいてｋ個のトピックにそれぞれ対応する確率分布、即ちトピック固有分布に相当する。上述したように、一般にｋはＮよりも小さい。そして、ユーザ嗜好データＵＰの所与のデータ値のデータ空間Ｄにおける出現確率をＰ（ｘ）とすると、Ｐ（ｘ）は、ｋ個のモデルパラメータＰ_ｉ（ｘ）（ｉ＝１〜ｋ）を用いて次式で表される。

（１）

ここで、ｗ_ｉ（ｉ＝１〜ｋ）は、ユーザ嗜好データＵＰに対応するトピック分布のパラメータである。即ち、個々のｗ_ｉは、トピック混合比に相当する。このようなトピック混合比ｗ_ｉ（ｉ＝１〜ｋ）を用いて、圧縮ユーザ嗜好データＵＰ´を、トピック混合比を要素とするベクトル（ｗ_１，ｗ_２，…，ｗ_ｋ）として計算する。なお、このようなデータの圧縮は、ユーザ嗜好データではなくコンテンツ属性データに対しても同様に行うことができる。

図３に戻り、情報処理装置３０の構成の説明を継続する。

情報処理装置３０の推薦部３６は、上述したように圧縮部３４により次元を圧縮された（データ項目数の削減された）圧縮ユーザ嗜好データ及び圧縮コンテンツ属性データを用いて、ユーザに見合ったコンテンツを特定し、推薦結果として端末装置１０へ送信する。

図６は、圧縮ユーザ嗜好データ及び圧縮コンテンツ属性データのデータ例を示す説明図である。

図６を参照すると、ユーザ嗜好ＤＢ４２には、属性Ａ〜Ｅの５次元のデータ空間におけるユーザＵ０１及びＵ０２についての２件のユーザ嗜好データが含まれている。これに対し、圧縮ユーザ嗜好ＤＢ４６には、それぞれ３次元に圧縮された２件の圧縮ユーザ嗜好データが含まれている。このようにユーザ嗜好データを圧縮することにより、圧縮前には類似度の低かった２つのユーザ嗜好データが、圧縮後に高い類似度を示す場合がある。これは、潜在的に関連性を有していた異なるデータ項目の属性値が、マルチトピックモデルを適用することで１つのトピック混合比の値に集約されたために生じる事象である。それにより、ユーザ間の潜在的な類似性を推薦のために考慮することが可能となり、よりユーザの嗜好に見合ったコンテンツの推薦が行われる。この点は、ユーザ嗜好データとコンテンツ属性データとを比較する場合にも同様である。

図６の例において、コンテンツ属性ＤＢ４４には、属性Ａ〜Ｅの５次元のデータ空間におけるコンテンツＣ０１及びＣ０２についての２件のコンテンツ属性データが含まれている。これに対し、圧縮コンテンツ属性ＤＢ４８には、それぞれ３次元に圧縮された２件の圧縮コンテンツ属性データが含まれている。このような圧縮コンテンツ属性データは、予め圧縮部３４により生成され、圧縮コンテンツ属性ＤＢ４８に記憶されている。図３に示した推薦部４６は、このような圧縮ユーザ嗜好データ及び圧縮コンテンツ属性データを用いて、図７に示した手順で推薦対象のコンテンツを特定する。

図７は、推薦部４６による推薦処理の流れの一例を示すフローチャートである。

図７を参照すると、推薦部４６は、まず、推薦サービスを提供する対象のユーザに関する圧縮ユーザ嗜好データを、圧縮ユーザ嗜好ＤＢ４６から読み込む（Ｓ２）。次に、推薦部４６は、圧縮コンテンツ属性データを、圧縮コンテンツ属性ＤＢ４８から読み込む（Ｓ４）。ここで読み込まれる圧縮コンテンツ属性データは、例えば、所定の抽出条件に従って抽出された一部のデータであってもよい。次に、推薦部４６は、ステップＳ２で読み込んだ圧縮ユーザ嗜好データと、ステップＳ４で読み込んだ各圧縮コンテンツ属性データとの間の類似度を計算する（Ｓ６）。なお、ここでの類似度とは、ベクトル間の標準内積、ユークリッド距離の符号反転、又はコサイン距離などとすることができる。そして、推薦部４６は、例えば算出された類似度が高い順に所定の数のコンテンツのリストを生成し、生成したリストを推薦結果として端末装置１０へ送信する（Ｓ８）。

なお、ここでは推薦部３６が内容ベースフィルタリングに基づく推薦処理を行う例について説明したが、推薦部３６が例えば協調フィルタリングなどの他のアルゴリズムに基づく推薦処理を行った場合でも、上述したデータの圧縮による効果を得ることができる。

ここまで、図１〜図７を用いて、本発明の一実施形態に関連する推薦技術について説明した。かかる推薦技術によれば、高次元のデータ空間に属すユーザ嗜好データ又はコンテンツ属性データの次元がマルチトピックモデルに従って圧縮された上で推薦が行われる。そのため、よりユーザの嗜好に見合った推薦が行われ、推薦されるコンテンツの目新しさや幅を広げることができる。

ところで、かかる関連技術において、図３に示した圧縮部３４によるユーザ嗜好データ又はコンテンツ属性データの圧縮に使用されるモデルパラメータは、ユーザ嗜好データ及びコンテンツ属性データが属すデータ空間ごとに予め学習により決定される。そのため、ユーザ嗜好データ及びコンテンツ属性データが属すデータ空間が異なれば、それぞれのデータ空間で圧縮されたデータを相互に比較して推薦を行うことができない。これに対し、次節にて説明する学習方法を用いることで、異なるデータ空間に属すユーザ嗜好データ又はコンテンツ属性データを用いた領域横断的な推薦を実現することが可能となる。

＜２．一実施形態に係る学習装置の説明＞
［学習処理の概要］
図８は、本発明の一実施形態に係る学習処理の概要を説明するための説明図である。

図８を参照すると、２つの異なるデータ空間Ｄ１及びＤ２が示されている。データ空間Ｄ１は、例えば“書籍”のコンテンツ領域に関するデータ空間である。データ空間Ｄ１には、ｎ個のデータ項目Ａ１〜Ａｎが含まれる。例えば、データ項目Ａ１は「作者Ｘ」、データ項目Ａ２は「作者Ｙ」、…、データ項目Ａｎは「ジャンルＺ」などとなる。一方、データ空間Ｄ２は、例えば“テレビジョン番組（ＴＶ番組）”のコンテンツ領域に関するデータ空間である。データ空間Ｄ２には、ｍ個のデータ項目Ｂ１〜Ｂｍが含まれる。例えば、データ項目Ｂ１は「タレントα」、データ項目Ｂ２は「タレントβ」、…、データ項目Ｂｍは「時間帯ω」などとなる。

このようなデータ空間Ｄ１及びＤ２において、共通するユーザＵ１のユーザ嗜好データが、それぞれＵＰ１＝（２，１，…，１）、ＵＰ２＝（０，２，…，０）であったとする。このままでは、ユーザ嗜好データＵＰ１及びＵＰ２の次元は異なり、各要素の持つ意味も関連していないため、ユーザ嗜好データＵＰ１とＵＰ２とを直接的に比較することはできない。そこで、まず、ユーザ嗜好データＵＰ１からモデルパラメータＰ１_ｉを用いて圧縮ユーザ嗜好データＵＰ１´を生成することを想定する。このとき、圧縮ユーザ嗜好データＵＰ１´の次元は、トピック混合比ｗ_１〜ｗ_ｋの数、即ちモデルパラメータＰ１_ｉの数に相当する。これに対し、モデルパラメータＰ１_ｉの数と同数のモデルパラメータＰ２_ｊを用いてユーザ嗜好データＵＰ２から圧縮ユーザ嗜好データＵＰ２´を生成すれば、圧縮ユーザ嗜好データＵＰ２´の次元は、圧縮ユーザ嗜好データＵＰ１´の次元と等しくなる。さらに、共通するユーザについてのＵＰ１及びＵＰ２から生成されるトピック混合比ｗ_１〜ｗ_ｋが複数のユーザにわたって一致し、又は少なくともその差が小さくなるようにモデルパラメータＰ１_ｉ又はモデルパラメータＰ２_ｊを決定する。そうすることで、ユーザ嗜好データＵＰ１から生成した圧縮ユーザ嗜好データＵＰ１´とユーザ嗜好データＵＰ２から生成した圧縮ユーザ嗜好データＵＰ２´とを相互に比較することが可能となる。

本節で説明する一実施形態に係る学習装置１００は、このようなモデルパラメータＰ１_ｉ又はモデルパラメータＰ２_ｊのうちモデルパラメータＰ２_ｊを学習により決定する。

［学習装置の構成］
図９は、学習装置１００の論理的な構成を示すブロック図である。図９を参照すると、学習装置１００は、第１データ取得部１２０、圧縮部１２２、学習部１３０、及び第２データ取得部１４０を備える。さらに、学習装置１００は、第１ユーザ嗜好ＤＢ１１０、第２ユーザ嗜好ＤＢ１１２、第１パラメータＤＢ１１４、第１圧縮ユーザ嗜好ＤＢ１２４、及び第２パラメータＤＢ１３２を備える。

学習装置１００による学習処理の実行時には、学習に使用されるデータが、第１ユーザ嗜好ＤＢ１１０、第２ユーザ嗜好ＤＢ１１２、及び第１パラメータＤＢ１１４に、それぞれ予め用意される。第１ユーザ嗜好ＤＢ１１０には、例えば図８に示したデータ空間Ｄ１に属す第１のユーザ嗜好データが複数用意される。また、第２ユーザ嗜好ＤＢ１１２には、データ空間Ｄ１とは異なるデータ空間Ｄ２に属す、第１のユーザ嗜好データと共通するユーザについての第２のユーザ嗜好データが複数用意される。また、第１パラメータＤＢ１１４には、第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成する際に用いられるｋ個のモデルパラメータＰ１_ｉ（ｉ＝１〜ｋ）が用意される。

そして、学習装置１００による学習処理が開始されると、まず、第１データ取得部１２０が第１ユーザ嗜好ＤＢ１１０からデータ空間Ｄ１に属す第１のユーザ嗜好データを取得し、圧縮部１２２へ出力する。次に、圧縮部１２２は、第１パラメータＤＢ１１４に用意されたｋ個のモデルパラメータＰ１_ｉを用いて、第１のユーザ嗜好データを圧縮し、第１の圧縮ユーザ嗜好データを生成する。圧縮部１２２により生成された第１の圧縮ユーザ嗜好データは、第１圧縮ユーザ嗜好ＤＢ１２４へ格納される。ここで生成された第１の圧縮ユーザ嗜好データは、後述する学習部１３０により、第２の圧縮ユーザ嗜好データの教師データとして扱われる。

一方、第２データ取得部１４０は、第２ユーザ嗜好ＤＢ１１２からデータ空間Ｄ２に属す第２のユーザ嗜好データを取得し、学習部１３０へ出力する。すると、学習部１３０は、まず、第１圧縮ユーザ嗜好ＤＢ１２４から共通するユーザについての第１の圧縮ユーザ嗜好データを読み込み、当該第１の圧縮ユーザ嗜好データを、第２のユーザ嗜好データを圧縮した場合の圧縮結果（即ち教師データ）をとみなす。そして、学習部１３０は、上述した第２のユーザ嗜好データから教師データを生成するためのｋ個のモデルパラメータＰ２_ｊ（ｊ＝１〜ｋ）を学習により決定し、第２パラメータＤＢ１３２に格納する。このような学習処理を、十分な数のユーザについて行うことで、圧縮部１２２により生成される第１圧縮ユーザ嗜好データと第２圧縮部１４２により生成される第２圧縮ユーザ嗜好データとの差を、新たなユーザについても小さいものとすることができる。

なお、ここではデータ空間Ｄ１についてのモデルパラメータＰ１_ｉを固定値とし、データ空間Ｄ２についてのモデルパラメータＰ２_ｊを学習する例について説明したが、モデルパラメータＰ１_ｉ及びモデルパラメータＰ２_ｊが学習により同時に決定されてもよい。

＜３．一実施形態に係る推薦装置の説明＞
学習装置１００により決定されたモデルパラメータＰ１_ｉ及びＰ２_ｊを使用すれば、図８に示したように、異なるデータ空間Ｄ１及びＤ２に属すユーザ嗜好データ及びコンテンツ属性データを、共通の圧縮データ空間Ｄ´に属すデータに圧縮できる。即ち、異なるコンテンツ領域において与えられるユーザ嗜好データ又はコンテンツ属性データを用いて、複数の領域にまたがった領域横断的な推薦を行うことが可能となる。そこで、本節では、上述した学習装置１００により決定されたモデルパラメータＰ１_ｉ及びモデルパラメータＰ２_ｊを使用してコンテンツの推薦を行う情報処理装置（推薦装置）について説明する。

図１０は、本発明の一実施形態に係る推薦処理を行う情報処理装置２００の論理的な構成を示すブロック図である。図１０を参照すると、情報処理装置２００は、データ取得部２１０、圧縮部２２０、推薦部２３０、及び記憶部２４０を備える。また、推薦部２３０は、選択部２３２及び送信部２３４を有する。また、記憶部２４０は、ユーザ嗜好ＤＢ２４２、コンテンツ属性ＤＢ２４４、圧縮ユーザ嗜好ＤＢ２４６、圧縮コンテンツ属性ＤＢ２４８、及びパラメータＤＢ２５０を有する。

データ取得部２１０は、第１のコンテンツ領域に対応するデータ空間Ｄ１に属す第１のユーザ嗜好データを取得する。より具体的には、データ取得部２１０は、例えば、第１のコンテンツ領域に関するユーザの行動又は行動履歴に基づいて、コンテンツ属性ＤＢ２４４に予め記憶されている第１のコンテンツ属性データを用いて、第１のユーザ嗜好データを計算して取得してもよい。その代わりに、データ取得部２１０は、予め算出された第１のユーザ嗜好データを情報処理装置２００の内部又は外部のデータベースなどから取得してもよい。データ取得部２１０は、取得した第１のユーザ嗜好データを、ユーザ嗜好ＤＢ２４２へ格納する。

圧縮部２２０は、第１のパラメータ群を用いて、第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成する。より具体的には、圧縮部２２０は、例えば、パラメータＤＢ２５０に記憶されている第１のモデルパラメータＰ１_ｉを用いて、図５を用いて説明したマルチトピックモデルの考え方に従って、第１の圧縮ユーザ嗜好データを生成してもよい。圧縮部２２０は、生成した第１の圧縮ユーザ嗜好データを、圧縮ユーザ嗜好ＤＢ２４６へ格納する。

記憶部２４０の圧縮ユーザ嗜好ＤＢ２４６には、データ空間Ｄ１とは異なるデータ空間Ｄ２に属す第２のユーザ嗜好データから第２のモデルパラメータ群Ｐ２_ｊを用いて生成された、複数のユーザに関する第２の圧縮ユーザ嗜好データが予め記憶されている。また、圧縮コンテンツ属性ＤＢ２４８には、データ空間Ｄ２に属す第２のコンテンツ属性データから第２のモデルパラメータＰ２_ｊを用いて生成された、複数のコンテンツに関する第２の圧縮コンテンツ属性データが予め記憶されている。ここで、例えば、第２の圧縮ユーザ嗜好データ及び第２の圧縮コンテンツ属性データの生成に用いられる第２のモデルパラメータＰ２_ｊは、共通するユーザについての第１の圧縮ユーザ嗜好データと第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように予め学習されたパラメータ群である。

推薦部２３０の選択部２３２は、上述した複数の第２の圧縮ユーザ嗜好データ又は第２の圧縮コンテンツ属性データから、圧縮部２２０により生成された第１の圧縮ユーザ嗜好データとの類似度に応じて少なくとも１つのデータを選択する。より具体的には、選択部２３２は、例えば、内容ベースフィルタリングの考え方に従って、圧縮部２２０により生成された第１の圧縮ユーザ嗜好データとの類似度の高い第２の圧縮コンテンツ属性データを選択してもよい。ここでの類似度とは、例えば、ベクトル間の標準内積、ユークリッド距離の符号反転、又はコサイン距離などとして計算され得る。そして、選択部２３２は、選択した少なくとも１つの圧縮コンテンツ属性データに対応するコンテンツ識別子などを、送信部２３４へ出力する。また、選択部２３２は、例えば、協調フィルタリングの考え方に従って、圧縮部２２０により生成された第１の圧縮ユーザ嗜好データとの類似度の高い第２の圧縮ユーザ嗜好データを選択してもよい。そうした場合には、例えば、選択部２３２により選択された第２の圧縮ユーザ嗜好データに対応するユーザが過去に利用したコンテンツを特定するコンテンツ識別子などが、送信部２３４へ出力される。

送信部２３４は、例えば、選択部２３２から入力されたコンテンツ識別子に応じて推薦結果（コンテンツ識別子の一覧、又は推薦結果を表示するＷｅｂページなど）を生成し、例えば図１に示した端末装置１０などの外部装置へ送信する。

ここでの説明から理解されるように、情報処理装置２００は、第１のコンテンツ領域に対応するデータ空間Ｄ１における第１のユーザ嗜好データを用いて、データ空間Ｄ２に対応する第２のコンテンツ領域のコンテンツを推薦することができる。かかる推薦処理は、２つの異なるデータ空間Ｄ１及びＤ２におけるデータを共通的な圧縮データ空間Ｄ´のデータに圧縮可能なモデルパラメータを学習することにより実現される。このような情報処理装置２００による推薦処理により、例えば、音楽、映像、書籍、ニュース記事などの様々なコンテンツ領域をまたがって、ユーザに見合ったコンテンツを領域横断的に推薦することが可能となる。

また、データ空間Ｄ１及びＤ２は、異なるコンテンツ領域に対応するデータ区間に限定されない。即ち、データ空間Ｄ１及びＤ２は、例えば同一のコンテンツ領域について定義された異なるデータ項目を有するデータ空間であってもよい。例えば、同一の“音楽”領域についてのユーザ嗜好データであっても、ユーザ嗜好データを生成するＰＣや音楽プレーヤなどの装置の種類又は装置を製造したベンダなどが異なる場合には、ユーザ嗜好データのデータ空間が異なることが考えられる。そうした場合にも、本実施形態に係る情報処理装置２００によれば、ある１つのデータ空間で生成されたユーザ嗜好データに基づいて、他のデータ空間に属すユーザ嗜好データ又はコンテンツ属性データを用いた推薦を行うことが可能となる。

＜４．一実施形態に係るデータ蓄積装置の説明＞
さらに、学習装置１００により決定されたモデルパラメータＰ１_ｉ及びＰ２_ｊを使用すれば、異なるデータ空間Ｄ１及びＤ２において生成されたユーザ嗜好データ及びコンテンツ属性データを共通の圧縮データ空間Ｄ´のデータに圧縮して蓄積することができる。それにより、様々な機器において異なるデータ空間のデータとして分散しているユーザ嗜好データを１つのデータ蓄積装置に蓄積し、推薦処理の処理結果の精度を高めることが可能となる。そこで、本節では、複数の機器において生成されたユーザ嗜好データを、上述した学習装置１００により決定されたモデルパラメータを使用して１つの圧縮データ空間のデータとして蓄積可能な情報処理装置（データ蓄積装置）について説明する。

図１１は、本発明の一実施形態に係るデータ蓄積装置が使用される情報処理システム３００の概要を示す模式図である。図１１を参照すると、情報処理システム３００は、端末装置３１０及び３２０、並びに情報処理装置３３０を含む。

図１１の例では、端末装置３１０の一例として音楽プレーヤが示されているが、端末装置３１０はかかる例に限定されず任意の装置であってよい。同様に、端末装置３２０の一例としてテレビジョン受像機が示されているが、端末装置３２０はかかる例に限定されず任意の装置であってよい。端末装置３１０及び３２０はそれぞれ、異なるデータ空間に属すユーザ嗜好データを生成し、情報処理装置３３０へ送信する。

図１２は、端末装置３１０の論理的な構成を示すブロック図である。図１２を参照すると、端末装置３１０は、第１アプリケーション部３１１、第１データ生成部３１２、第１ユーザ嗜好ＤＢ３１３、第１コンテンツ属性ＤＢ３１４、及び第１データ送信部３１５を備える。

第１アプリケーション部３１１は、端末装置３１０を利用するユーザの行動の対象となるコンテンツを扱うアプリケーションである。即ち、ユーザによる第１アプリケーション部３１１を用いたコンテンツの再生又は実行などの行動に応じて、後述する第１のユーザ嗜好データが生成される。第１アプリケーション部３１１を用いたユーザによる行動に関する情報は、第１データ生成部３１２へ出力される。

第１データ生成部３１２は、第１アプリケーション部３１１から上述したユーザの行動に関する情報を受け取ると、第１コンテンツ属性ＤＢ３１４に予め記憶されている第１のコンテンツ属性データを用いて、第１のデータ空間に属す第１のユーザ嗜好データを生成する。第１のデータ空間とは、例えば、第１アプリケーション部３１１が音楽再生用アプリケーションである場合には、“音楽”領域に対応するデータ空間などとなる。第１データ生成部３１２による第１のユーザ嗜好データの生成処理は、例えば、図４を用いて説明した内容ベースフィルタリングに従った処理であってもよい。第１データ生成部３１２は、生成した第１のユーザ嗜好データを、第１ユーザ嗜好ＤＢ３１３へ格納する。

第１データ送信部３１５は、例えば、第１データ生成部３１２により生成された第１のユーザ嗜好データを第１ユーザ嗜好ＤＢ３１３から取得し、図１１に示した情報処理装置３３０へ送信する。また、第１データ送信部３１５は、第１コンテンツ属性ＤＢ３１４から取得した第１のデータ空間に属す第１のコンテンツ属性データを情報処理装置３３０へ送信してもよい。第１データ送信部３１５による情報処理装置３３０へのデータの送信処理は、例えば、ユーザが第１アプリケーション部３１１を使用したとき、又は予め与えられる所定の時間間隔で行われてよい。

図１３は、端末装置３２０の論理的な構成を示すブロック図である。図１３を参照すると、端末装置３２０は、第２アプリケーション部３２１、第２データ生成部３２２、第２ユーザ嗜好ＤＢ３２３、第２コンテンツ属性ＤＢ３２４、及び第２データ送信部３２５を備える。

第２アプリケーション部３２１は、端末装置３２０を利用するユーザの行動の対象となるコンテンツを扱うアプリケーションである。即ち、ユーザによる第２アプリケーション部３２１を用いたコンテンツの再生又は実行などの行動に応じて、後述する第２のユーザ嗜好データが生成される。第２アプリケーション部３２１を用いたユーザによる行動に関する情報は、第２データ生成部３２２へ出力される。

第２データ生成部３２２は、第２アプリケーション部３２１から上述したユーザの行動に関する情報を受け取ると、第２コンテンツ属性ＤＢ３２４に予め記憶されている第２のコンテンツ属性データを用いて、第２のデータ空間に属す第２のユーザ嗜好データを生成する。第２のデータ空間とは、例えば、第２アプリケーション部３２１がテレビジョン番組を表示するテレビジョン受像機である場合には、“テレビジョン番組”領域に対応するデータ空間などとなる。第２データ生成部３２２による第２のユーザ嗜好データの生成処理は、例えば、図４を用いて説明した内容ベースフィルタリングに従った処理であってもよい。第２データ生成部３２２は、生成した第２のユーザ嗜好データを、第２ユーザ嗜好ＤＢ３２３へ格納する。

第２データ送信部３２５は、例えば、第２データ生成部３２２により生成された第２のユーザ嗜好データを第２ユーザ嗜好ＤＢ３２３から取得し、図１１に示した情報処理装置３３０へ送信する。また、第２データ送信部３２５は、第２コンテンツ属性ＤＢ３２４から取得した第２のデータ空間に属す第２のコンテンツ属性データを情報処理装置３３０へ送信してもよい。第２データ送信部３２５による情報処理装置３３０へのデータの送信処理は、上述した第１データ送信部３１５による送信処理と同様、例えば、ユーザが第２アプリケーション部３２１を使用したとき、又は予め与えられる所定の時間間隔で行われてよい。

図１４は、情報処理装置３３０の論理的な構成を示すブロック図である。図１４を参照すると、情報処理装置３３０は、データ受信部３３２、第１データ取得部３３４、第２データ取得部３３６、第１圧縮部３３８、及び第２圧縮部３４０を備える。さらに、情報処理装置３３０は、識別子同定ＤＢ３５０、パラメータＤＢ３５２、圧縮ユーザ嗜好ＤＢ３５４、及び圧縮コンテンツ属性ＤＢ３５６を備える。

データ受信部３３２は、上述した端末装置３１０及び端末装置３２０から送信されるユーザ嗜好データ又はコンテンツ属性データを受信する。ここで、端末装置３１０及び端末装置３２０から送信されるユーザ嗜好データに含まれるユーザ識別子、又はコンテンツ属性データに含まれるコンテンツ識別子は、必ずしも端末装置間で統一されているとは限らない。そこで、データ受信部３３２は、識別子同定ＤＢ３５０に予め記憶されている識別子の対応テーブルを用いて、受信したデータと関連付けられるユーザ又はコンテンツを同定する。そして、データ受信部３３２は、同定したユーザ又はコンテンツに対応するデータ空間に応じて、受信したデータを第１データ取得部３３４又は第２データ取得部３３６へ出力する。

第１データ取得部３３４は、データ受信部３３２が受信したデータのうち、第１のデータ空間に属す第１のユーザ嗜好データ又は第１のコンテンツ属性データを取得し、第１圧縮部３３８へ出力する。一方、第２データ取得部３３６は、データ受信部３３２が受信したデータのうち、第２のデータ空間に属す第２のユーザ嗜好データ又は第２のコンテンツ属性データを取得し、第２圧縮部３４０へ出力する。

第１圧縮部３３８は、パラメータＤＢ３５２に予め記憶されている第１のパラメータ群を用いて、例えば、第１データ取得部３３４により入力された第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成する。そして、第１圧縮部３３８は、生成した第１の圧縮ユーザ嗜好データを圧縮ユーザ嗜好ＤＢ３５４へ出力して記録させる。また、第１圧縮部３３８は、第１データ取得部３３４により入力された第１のコンテンツ属性データを圧縮して圧縮コンテンツ属性ＤＢ３５６に記録させてもよい。

また、第２圧縮部３４０は、パラメータＤＢ３５２に予め記憶されている第２のパラメータ群を用いて、例えば、第２データ取得部３３６により入力された第２のユーザ嗜好データから、よりデータ項目数の少ない第２の圧縮ユーザ嗜好データを生成する。そして、第２圧縮部３４０は、生成した第２の圧縮ユーザ嗜好データを圧縮ユーザ嗜好ＤＢ３５４へ出力して記録させる。また、第２圧縮部３４０は、第２データ取得部３３６により入力された第２のコンテンツ属性データを圧縮して圧縮コンテンツ属性ＤＢ３５６に記録させてもよい。

ここで、パラメータＤＢ３５２に予め記憶されている第１及び第２のパラメータ群は、例えば、上述した学習装置１００による学習処理を経て決定されたマルチトピックモデルにおけるモデルパラメータなどに相当する。即ち、本実施形態に係る第１及び第２のパラメータ群は、共通するユーザについての第１の圧縮ユーザ嗜好データと第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である。従って、本実施形態に係る情報処理装置３３０によれば、端末装置３１０及び３２０によりそれぞれ生成されたデータを、共通的な圧縮データ空間に属すデータとして各ＤＢに蓄積することができる。このとき、共通するユーザの第１の圧縮ユーザ嗜好データと第２の圧縮ユーザ嗜好データとを所定の比率を乗じて足し合わせて第３の圧縮ユーザ嗜好データを計算し、当該第３の圧縮ユーザ嗜好データをデータベースに蓄積してもよい。第１の圧縮ユーザ嗜好データ及び第２の圧縮ユーザ嗜好データに乗算される比率は、例えば、機器ごとのユーザ履歴に含まれる履歴数などに応じて決定され得る。このように共通的な圧縮データ空間のデータとしてユーザ嗜好データ及びコンテンツ属性データを蓄積することで、様々な機器に分散するデータを１つのデータベースに集約して有効活用し、当該データを用いた推薦処理の精度を高めることが可能となる。

なお、ここでは、端末装置３１０及び３２０が異なる種類の装置である例について説明した。しかしながら、例えば端末装置３１０及び３２０の装置の種類は同じであって、ベンダや取扱い言語が異なるためにユーザ嗜好データ等のデータ空間が異なる場合についても、情報処理装置３３０によるデータ蓄積の効果は同様に期待できる。

＜５．一実施形態に係るデータ変換装置の説明＞
学習装置１００により決定されたモデルパラメータＰ１_ｉ及びＰ２_ｊは、各データ空間を構成するデータ項目の、共通的な圧縮データ空間における特徴を表していると考えることもできる。よって、異なるデータ空間に属す２つのデータ項目に対応するモデルパラメータＰ１_ｉ及びＰ２_ｊのパラメータ値が類似していれば、その２つのデータ項目同士に類似性が認められるとみなすことができる。従って、学習装置１００により決定されたモデルパラメータＰ１_ｉ及びＰ２_ｊに基づいて、ある１つのデータ空間において生成されたユーザ嗜好データ又はコンテンツ属性データを、他のデータ空間に属すデータとマッピングすることができる。それにより、ユーザ嗜好データ又はコンテンツ属性データを異なるデータ空間の間で相互に変換して流通又は再利用させ、例えば推薦サービスの提供の機会を増加させることができる。そこで、本節では、ある１つのデータ空間において生成されたユーザ嗜好データ又はコンテンツ属性データを、他のデータ空間に属すデータに変換可能な情報処理装置（データ変換装置）について説明する。

図１５は、本発明の一実施形態に係るデータ変換装置が使用される情報処理システム４００の概要を示す模式図である。図１５を参照すると、情報処理システム４００は、推薦装置４１０及び４２０、端末装置４１２及び４２２、並びに情報処理装置４３０を含む。

推薦装置４１０は、データ空間Ｄ１に属す第１のコンテンツ属性データ及び第１のユーザ嗜好データを用いて、端末装置４１２に推薦サービスを提供する推薦装置である。端末装置４１２は、推薦装置４１０からデータ空間Ｄ１に対応する領域のコンテンツの推薦結果を受信し、ユーザに提示する。

一方、推薦装置４２０は、データ空間Ｄ１と異なるデータ空間Ｄ２に属す第２のコンテンツ属性データ及び第２のユーザ嗜好データを用いて、端末装置４２２に推薦サービスを提供する推薦装置である。端末装置４２２は、推薦装置４２０からデータ空間Ｄ２に対応する領域のコンテンツの推薦結果を受信し、ユーザに提示する。

情報処理装置４３０は、このような２つの推薦装置４１０及び４２０の間で、第１のデータ空間に属す第１のユーザ嗜好データを、第１のデータ空間と異なる第２のデータ空間に属す第２のユーザ嗜好データに変換する。

図１６は、情報処理装置４３０の論理的な構成の一例を示すブロック図である。図１６を参照すると、情報処理装置４３０は、パラメータＤＢ４３２、マッピング部４３４、及び変換部４３６を備える。

パラメータＤＢ４３２は、データ空間Ｄ１に属す第１のユーザ嗜好データから第１の圧縮ユーザ嗜好データを生成するための第１のパラメータ群、及びデータ空間Ｄ２に属す第２のユーザ嗜好データから第２の圧縮ユーザ嗜好データを生成するための第２のパラメータ群を記憶している。これら第１及び第２のパラメータ群は、上述した学習装置１００を用いて、共通するユーザについての第１の圧縮ユーザ嗜好データと第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である。第１及び第２のパラメータ群は、それぞれマルチトピックモデルに従ったモデルパラメータであってよい。

マッピング部４３４は、パラメータＤＢ４３２から取得した上述した第１及び第２のパラメータ群のデータ項目ごとのパラメータ値の類似度に応じて、第１のユーザ嗜好データのデータ項目と第２のユーザ嗜好データのデータ項目との間の対応関係を決定する。

図１７は、マッピング部４３４による対応関係の決定処理について説明するための説明図である。

図１７を参照すると、データ空間Ｄ１のデータ項目としての属性ａ１〜ａＮ、及びデータ空間Ｄ２のデータ項目としての属性ｂ１〜ｂＭが示されている。また、これらデータ空間Ｄ１及びＤ２において上述した学習により決定された第１のモデルパラメータＰａ_ｉ（ｉ＝１〜ｋ）及び第２のモデルパラメータＰｂ_ｊ（ｊ＝１〜ｋ）もまた示されている。

図１７において、例えばデータ空間Ｄ１の属性ａ２に着目すると、属性ａ２の共通的な圧縮データ空間と関連付けられる特徴を、第１のモデルパラメータＰａ_ｉのｋ個のパラメータ値を要素とするベクトル（０．１，０．３，…，０．１）で表すことができる。本明細書では、このような特定のデータ項目に着目した場合のモデルパラメータのパラメータ値を要素とするベクトルを、当該データ項目のインデックスという。そうすると、Ｎ次元のデータ空間Ｄ１についてはＮ個のデータ項目のインデックス、Ｍ次元のデータ空間Ｄ２についてはＭ個のデータ項目のインデックスがそれぞれ取得される。

マッピング部４３４は、例えば、異なる２つのデータ空間Ｄ１及びＤ２からデータ項目ごとにこのようなインデックスを取得し、データ項目同士のインデックスの類似度を計算する。インデックスの類似度とは、例えば、ベクトル間の標準内積、ユークリッド距離の符号反転、又はコサイン距離などであってよい。そして、マッピング部４３４は、例えば、データ空間Ｄ２の各データ項目について、それぞれインデックスの類似度が最も高いデータ空間Ｄ１のデータ項目を決定する。

例えば、図１７の例では、データ空間Ｄ２の属性ｂ１と最も類似度の高いデータ空間Ｄ１のデータ項目は属性ａ２である。また、データ空間Ｄ２の属性ｂ２と最も類似度の高いデータ空間Ｄ１のデータ項目は属性ａ３である。また、データ空間Ｄ２の属性ｂＭと最も類似度の高いデータ空間Ｄ１のデータ項目は属性ａ１である。マッピング部４３４は、例えば、このように決定したデータ空間Ｄ１からデータ空間Ｄ２へのデータ項目の対応関係を、変換部４３６へ出力する。

変換部４３６は、マッピング部４３４により決定されたデータ空間Ｄ１及びＤ２のデータ項目の対応関係に従って、例えば図１５に示した推薦装置４１０から受信した第１のユーザ嗜好データを、第２のユーザ嗜好データに変換する。

図１８は、変換部４３６によるデータ変換処理について説明するための説明図である。

図１８には、マッピング部４３４により決定されたデータ空間Ｄ１及びＤ２のデータ項目の対応関係が示されている。ここでは、データ空間Ｄ１の属性ａ２がデータ空間Ｄ２の属性ｂ１に、データ空間Ｄ１の属性ａ３がデータ空間Ｄ２の属性ｂ２に、データ空間Ｄ１の属性ａ１がデータ空間Ｄ２の属性ｂＭに対応付けられている。また、図１８には、例えば図１５に示した推薦装置４１０から受信された第１のユーザ嗜好データＵＰ１も示されている。ここでは、第１のユーザ嗜好データＵＰ１＝（１．０，０．０，０．２，…，２．０）である。

変換部４３６は、例えば、図示した対応関係に従って、第１のユーザ嗜好データＵＰ１から属性ｂ１、ｂ２、…、ｂＭに対応するデータ値を順に取得し、第２のユーザ嗜好データＵＰ２を生成する。この場合、第１のユーザ嗜好データＵＰ２は、上述した対応関係に従って、ＵＰ２＝（０．０，０．２，…，１．０）となる。変換部４３６により変換された第２のユーザ嗜好データＵＰ２は、例えば図１５に示した推薦装置４２０へ出力される。

このように異なるデータ空間の間でユーザ嗜好データを相互に変換することができれば、様々なデータ空間において生成され得るユーザ嗜好データを機器間又はシステム間で流通又は再利用することが可能となる。このとき、各機器又は各システムに実装された既存のアプリケーションやデータベースに変更を加える必要が無いため、追加的なコストを要することなく、それらアプリケーションやデータベースを活用して推薦サービスの提供の機会を増加させることができる。

［変形例］
図１９は、データ変換装置の変形例に係る情報処理装置５３０の論理的な構成の一例を示すブロック図である。図１９を参照すると、情報処理装置５３０は、パラメータＤＢ５３２、圧縮部５３４、及び変換部５３６を備える。

パラメータＤＢ５３２は、図１６に示したパラメータＤＢ４３２と同様に第１及び第２のパラメータ群を記憶している。これら第１及び第２のパラメータ群は、上述した学習装置１００を用いて学習されたパラメータ群である。例えば、第１及び第２のパラメータ群は、それぞれマルチトピックモデルに従ったモデルパラメータであってよい。

圧縮部５３４は、パラメータＤＢ５３２から取得した上述した第１のパラメータ群を用いて、変換部５３６から入力される第１のユーザ嗜好データから第１の圧縮ユーザ嗜好データを生成する。そして、圧縮部５３４は、生成した第１の圧縮ユーザ嗜好データを変換部５３６へ出力する。

変換部５３６は、圧縮部５３４により第１の圧縮ユーザ嗜好データが生成されると、パラメータＤＢ５３２に記憶されている第２のパラメータ群を用いて当該第１の圧縮ユーザ嗜好データと等しい第２の圧縮ユーザ嗜好データを生成し得る、尤もらしい第２のユーザ嗜好データを決定する。より具体的には、例えば、変換部５３６は、第１の圧縮ユーザ嗜好データと等しい第２の圧縮ユーザ嗜好データを生成し得る第２のユーザ嗜好データを、式（１）の確率分布に従って所定の試行回数だけ生じさせる。ここで、所定の試行回数とは、第１のユーザ嗜好データをベクトルとみなしたときの絶対値が大きいほど多い回数とするのが好適である。変換部５３６は、例えばこのように決定した第２のユーザ嗜好データを、ユーザ嗜好データの変換結果として出力してもよい。

＜６．まとめ＞
ここまで、図８〜図１９を用いて、本発明の一実施形態に係る学習装置、推薦装置、データ蓄積装置、及びデータ変換装置について詳細に説明した。これら実施形態によれば、データ空間が異なる領域の間でユーザの嗜好やコンテンツの属性を共通的に扱うことが可能となり、領域横断的な推薦の実現、推薦結果の精度の向上、推薦サービスの提供機会の増加などといった効果を期待することができる。

なお、本明細書において説明した各実施形態に係る一連の処理をハードウェアで実現するかソフトウェアで実現するかは問わない。一連の処理又はその一部をソフトウェアで実行させる場合には、ソフトウェアを構成するプログラムが、専用のハードウェアに組み込まれたコンピュータ、又は例えば図２０に示した汎用コンピュータなどを用いて実行される。

図２０において、ＣＰＵ（Central Processing Unit）９０２は、汎用コンピュータの動作全般を制御する。ＲＯＭ（Read Only Memory）９０４には、一連の処理の一部又は全部を記述したプログラム又はデータが格納される。ＲＡＭ（Random Access Memory）９０６には、処理の実行時にＣＰＵ９０２により用いられるプログラムやデータなどが一時的に記憶される。

ＣＰＵ９０２、ＲＯＭ９０４、及びＲＡＭ９０６は、バス９１０を介して相互に接続される。バス９１０にはさらに、入出力インタフェース９１２が接続される。

入出力インタフェース９１２は、ＣＰＵ９０２、ＲＯＭ９０４、及びＲＡＭ９０６と、入力装置９２０、出力装置９２２、記憶装置９２４、通信装置９２６、及びドライブ９３０とを接続するためのインタフェースである。

入力装置９２０は、例えばマウスやキーボード、タッチパネル、ボタン、又はスイッチなどの入力装置を介して、ユーザからの指示や情報入力を受け付ける。出力装置９２２は、例えばＣＲＴ、ＰＤＰ、液晶ディスプレイ、ＯＬＥＤなどの表示装置、又はスピーカなどの音声出力装置を介してユーザに情報を出力する。

記憶装置９２４は、例えばハードディスクドライブ又はフラッシュメモリなどにより構成され、プログラムやデータを記憶する。通信装置９２６は、ＬＡＮ又はインターネットなどのネットワークを介する通信処理を行う。ドライブ９３０は、必要に応じて汎用コンピュータに設けられ、例えばドライブ９３０にはリムーバブルメディア９３２が装着される。

上述した一連の処理をソフトウェアで実行する場合には、例えば図２０に示したＲＯＭ９０４、記憶装置９２４、又はリムーバブルメディア９３２に格納されたプログラムが、実行時にＲＡＭ９０６に読み込まれ、ＣＰＵ９０２によって実行される。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

例えば、本明細書では、異なる２つのデータ空間に対応する領域の間でユーザの嗜好やコンテンツの属性を共通的に扱うことを可能とする例について説明したが、本発明が３つ以上のデータ空間に対しても同様に適用され得ることは言うまでもない。

１００ 学習装置
１２０ 第１データ取得部
１２２ 第１圧縮部
１３２ 学習部
１４０ 第２データ取得部
１４２ 第２圧縮部
２００ 情報処理装置（推薦装置）
２１０ データ取得部
２２０ 圧縮部
２３２ 選択部
２４０ 記憶部
３３０ 情報処理装置（データ蓄積装置）
３３４ 第１データ取得部
３３６ 第２データ取得部
３３８ 第１圧縮部
３４０ 第２圧縮部
４３０、５３０ 情報処理装置（データ変換装置）
４３２、５３２ パラメータＤＢ（記憶部）
５３４ 圧縮部
４３６、５３６ 変換部

Claims (19)

1. 第１のデータ空間に属す第１のユーザ嗜好データを取得する第１データ取得部と；
   前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データであって、前記第１のユーザ嗜好データと共通するユーザについての前記第２のユーザ嗜好データを取得する第２データ取得部と；
   第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成する圧縮部と；
   前記第２のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成する際に使用される第２のパラメータ群を、前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習する学習部と；
   を備える学習装置。
2. 前記学習部は、前記圧縮部により生成される前記第１の圧縮ユーザ嗜好データを前記第２の圧縮ユーザ嗜好データの教師データとして前記第２のパラメータ群を学習する、請求項１に記載の学習装置。
3. 前記圧縮部は、マルチトピックモデルに従って前記第１の圧縮ユーザ嗜好データを生成する、請求項１又は請求項２のいずれかに記載の学習装置。
4. 前記第１のパラメータ群及び前記第２のパラメータ群は、マルチトピックモデルにおけるトピックの固有分布に対応するパラメータ群である、請求項３に記載の学習装置。
5. 前記第１のデータ空間及び前記第２のデータ空間は、互いに異なるコンテンツ領域に対応するデータ空間である、請求項１に記載の学習装置。
6. 前記第１のデータ空間及び前記第２のデータ空間は、互いに異なる機器により生成されるユーザ嗜好データのデータ空間である、請求項１に記載の学習装置。
7. 第１のデータ空間に属す第１のユーザ嗜好データを取得するステップと；
   前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データであって、前記第１のユーザ嗜好データと共通するユーザについての前記第２のユーザ嗜好データを取得するステップと；
   第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成するステップと；
   前記第２のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成する際に使用される第２のパラメータ群を、前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習するステップと；
   を含む学習方法。
8. 情報処理装置を制御するコンピュータを：
   第１のデータ空間に属す第１のユーザ嗜好データを取得する第１データ取得部と；
   前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データであって、前記第１のユーザ嗜好データと共通するユーザについての前記第２のユーザ嗜好データを取得する第２データ取得部と；
   第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成する圧縮部と；
   前記第２のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成する際に使用される第２のパラメータ群を、前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習する学習部と；
   として機能させるための、プログラム。
9. 第１のデータ空間に属す第１のユーザ嗜好データを取得するデータ取得部と；
   第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成する圧縮部と；
   前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データ又はコンテンツ属性データから第２のパラメータ群を用いて生成された、前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい複数のデータを記憶している記憶部と；
   前記記憶部に記憶されている前記複数のデータから、前記圧縮部により生成された前記第１の圧縮ユーザ嗜好データとの類似度に応じて少なくとも１つのデータを選択する選択部と；
   を備え、
   前記記憶部に記憶されている前記複数のデータは、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２のユーザ嗜好データから生成される第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習された前記第２のパラメータ群を用いて、それぞれ予め生成されたデータである、
   情報処理装置。
10. 第１のデータ空間に属す第１のユーザ嗜好データを取得するステップと；
    第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成するステップと；
    前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データ又はコンテンツ属性データから第２のパラメータ群を用いて生成された、前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい複数のデータから、前記第１の圧縮ユーザ嗜好データとの類似度に応じて少なくとも１つのデータを選択するステップと；
    を含むデータ選択方法であって、
    前記複数のデータは、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２のユーザ嗜好データから生成される第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習された前記第２のパラメータ群を用いて、それぞれ予め生成されたデータである、
    前記データ選択方法。
11. 情報処理装置を制御するコンピュータを：
    第１のデータ空間に属す第１のユーザ嗜好データを取得するデータ取得部と；
    第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成する圧縮部と；
    前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データ又はコンテンツ属性データから第２のパラメータ群を用いて生成された、前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい複数のデータを記憶している記憶部と；
    前記記憶部に記憶されている前記複数のデータから、前記圧縮部により生成された前記第１の圧縮ユーザ嗜好データとの類似度に応じて少なくとも１つのデータを選択する選択部と；
    として機能させるためのプログラムであって、
    前記記憶部に記憶されている前記複数のデータは、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２のユーザ嗜好データから生成される第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習された前記第２のパラメータ群を用いて、それぞれ予め生成されたデータである、
    前記プログラム。
12. 第１のデータ空間に属す第１のユーザ嗜好データを取得する第１データ取得部と；
    前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データを取得する第２データ取得部と；
    第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成して記録媒体に記録する第１圧縮部と；
    第２のパラメータ群を用いて、前記第２のユーザ嗜好データから、前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成して記録媒体に記録する第２圧縮部と；
    を備え、
    前記第１のパラメータ群又は前記第２のパラメータ群は、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である、
    情報処理装置。
13. 第１のデータ空間に属す第１のユーザ嗜好データを取得するステップと；
    前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データを取得するステップと；
    第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成して記録媒体に記録するステップと；
    第２のパラメータ群を用いて、前記第２のユーザ嗜好データから、前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成して記録媒体に記録するステップと；
    を含むデータ蓄積方法であって、
    前記第１のパラメータ群又は前記第２のパラメータ群は、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である、
    前記データ蓄積方法。
14. 情報処理装置を制御するコンピュータを：
    第１のデータ空間に属す第１のユーザ嗜好データを取得する第１データ取得部と；
    前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データを取得する第２データ取得部と；
    第１のパラメータ群を用いて、前記第１のユーザ嗜好データから、よりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成して記録媒体に記録する第１圧縮部と；
    第２のパラメータ群を用いて、前記第２のユーザ嗜好データから、前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成して記録媒体に記録する第２圧縮部と；
    として機能させるためのプログラムであって、
    前記第１のパラメータ群又は前記第２のパラメータ群は、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である、
    前記プログラム。
15. 第１のデータ空間に属す第１のユーザ嗜好データからよりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成するための第１のパラメータ群、及び、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成するための第２のパラメータ群を記憶している記憶部と；
    前記記憶部に記憶されている前記第１のパラメータ群及び前記第２のパラメータ群に基づいて、前記第１のユーザ嗜好データを前記第２のユーザ嗜好データに変換する変換部と；
    を備え、
    前記第１のパラメータ群又は前記第２のパラメータ群は、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である、
    情報処理装置。
16. 前記変換部は、前記第１のパラメータ群と前記第２のパラメータ群との間のデータ項目ごとのパラメータ値の類似度に応じて決定される、前記第１のユーザ嗜好データのデータ項目と前記第２のユーザ嗜好データのデータ項目との対応関係に従って、前記第１のユーザ嗜好データを前記第２のユーザ嗜好データに変換する、請求項１５に記載の情報処理装置。
17. 前記情報処理装置は、
    前記第１のパラメータ群を用いて、前記第１のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データを生成する圧縮部、
    をさらに備え、
    前記変換部は、前記圧縮部により生成される前記第１の圧縮ユーザ嗜好データを前記第２のパラメータ群を用いて生成し得る尤もらしい第２のユーザ嗜好データを、前記第１のユーザ嗜好データから変換される前記第２のユーザ嗜好データとして決定する、
    請求項１５に記載の情報処理装置。
18. 第１のデータ空間に属す第１のユーザ嗜好データからよりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成するための第１のパラメータ群、及び、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成するための第２のパラメータ群に基づいて、前記第１のユーザ嗜好データを前記第２のユーザ嗜好データに変換するステップ；
    を含むデータ変換方法であって、
    前記第１のパラメータ群又は前記第２のパラメータ群は、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である、
    前記データ変換方法。
19. 情報処理装置を制御するコンピュータを：
    第１のデータ空間に属す第１のユーザ嗜好データからよりデータ項目数の少ない第１の圧縮ユーザ嗜好データを生成するための第１のパラメータ群、及び、前記第１のデータ空間とは異なる第２のデータ空間に属す第２のユーザ嗜好データから前記第１の圧縮ユーザ嗜好データとデータ項目数の等しい第２の圧縮ユーザ嗜好データを生成するための第２のパラメータ群を記憶している記憶部と；
    前記記憶部に記憶されている前記第１のパラメータ群及び前記第２のパラメータ群に基づいて、前記第１のユーザ嗜好データを前記第２のユーザ嗜好データに変換する変換部と；
    として機能させるためのプログラムであって、
    前記第１のパラメータ群又は前記第２のパラメータ群は、共通するユーザについての前記第１の圧縮ユーザ嗜好データと前記第２の圧縮ユーザ嗜好データとの差が複数のユーザにわたって小さくなるように学習されたパラメータ群である、
    前記プログラム。

Images