JP4428036B2

JP4428036B2 - 情報処理装置および方法、プログラム、並びに、情報処理システムおよび方法

Info

Publication number: JP4428036B2
Application number: JP2003403146A
Authority: JP
Inventors: 則行山本
Original assignee: Sony Corp
Current assignee: Sony Corp
Priority date: 2003-12-02
Filing date: 2003-12-02
Publication date: 2010-03-10
Anticipated expiration: 2023-12-02
Also published as: CN101101560B; CN100365628C; CN101101560A; EP1550976A3; CN1624696A; JP2005165632A; US7487151B2; EP1550976A2; US20050165782A1; EP1909203A3; EP1909203A2

Description

本発明は、情報処理装置および方法、プログラム、並びに、情報処理システムおよび方法に関し、特に、コンテンツを推薦する処理等で必要となる類似度演算処理において、適切なユーザの嗜好情報を使用することができる、情報処理装置および方法、プログラム、並びに、情報処理システムおよび方法に関する。

従来、例えば、テレビジョン放送やラジオ放送などにおいて、ユーザに対して番組（コンテンツ）を推薦する場合には、電子番組ガイド（ＥＰＧ：Electronic Program Guide）などの番組情報（番組メタデータ）を基に、ユーザの嗜好情報にマッチングする番組が選択された。ユーザへの番組の推薦方法は、ユーザの嗜好情報の取得方法によって異なり、様々な方法が知られている。具体的には、例えば、ユーザが過去に視聴した番組の履歴を利用して、番組を推薦する視聴履歴利用方式が知られている。

即ち、視聴履歴利用方式では、ユーザが番組を視聴するたびに、視聴された番組メタデータが蓄積され、ある程度、番組メタデータが蓄積されると、それらの番組メタデータ（或いは、幾つかの番組メタデータに共通する属性を示すデータ等）が、頻度或いはtf/idf法により重み付けされ、重み付けされた各番組メタデータのそれぞれを要素とするベクトル（以下、特徴ベクトルと称する）が生成される。さらに、１以上の特徴ベクトルに基づいてユーザの嗜好を示すベクトル（以下、ユーザ嗜好ベクトルと称する）が生成される。即ち、ユーザ嗜好ベクトルが、視聴履歴方式におけるユーザ嗜好情報であるとも言える。そして、推薦候補となる番組に対するコンテンツメタベクトル（その推薦候補に対する番組メタデータの重み付け値等を要素とするベクトル）とユーザ嗜好ベクトルとの類似度が演算され、類似度が高いと演算された場合、その推薦候補が推薦番組としてユーザに提示される。

このような視聴履歴利用方式では、視聴されたコンテンツ（番組）の種類が増えるに従い（番組メタデータの蓄積数が増えるに従い）、ユーザ嗜好ベクトルの次元数（要素の数）が増大し、演算量が増大してしまう。このため、様々な次元圧縮手法が使われている。

具体的には、例えば、特異値分解（主成分分析）により最適基底（軸）に全ベクトルを射影した後に、次元を削減する手法が知られている（特許文献１、非特許文献１、および、非特許文献２参照）。なお、この手法は、LSI（Latent Semantic Indexing (潜在的インデクシング）)法と称されている。
特開２００１−１５５０６３号公報 Patent : "Computer information retrieval using latent semantic structure". U. S. Patent No. 4,839,853, Jun 13, 1989. Patent : "Computerized cross-language document retrieval using latent semantic indexing". U. S. Patent No. 5,301,109, Apr 5, 1994.

しかしながら、このような従来の視聴履歴利用方式において利用されるユーザ嗜好ベクトル（推薦候補との類似度が演算される場合に基準となる基準情報）は、そのユーザにとって適切なベクトルであるとは一概に言えない。このため、そのようなユーザ嗜好ベクトルに基づいて推薦されたコンテンツ（番組）が、ユーザに拒絶されてしまうことが多々あるという課題があった。

本発明は、このような状況に鑑みてなされたものであり、コンテンツを推薦する処理等で必要となる類似度演算処理において、適切なユーザの嗜好情報を使用することができるようにするものである。

本発明の第１の情報処理装置は、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が個別情報取得手段により取得された場合には個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理をユーザがコンテンツを使用する毎に実行する特徴ベクトル化手段と、特徴ベクトル化手段により生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を第１の行列に対して施すことで、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成手段と、行列生成手段により生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化手段と、所定のタイミングで個別情報取得手段により取得された個別情報を用いて特徴ベクトルを生成し、特徴ベクトルと、基準ベクトル化手段により生成された基準ベクトルとの類似度を演算する類似度演算手段とを備え、類似度演算手段は、基準ベクトル化手段により１以上の基準ベクトルが既に生成されている第１のタイミングで、個別情報取得手段により取得されたコンテクスト情報を用いて、特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度を演算し、類似度が最も高い基準ベクトルを、特定コンテクスト基準ベクトルとして設定し、第１のタイミングの後の第２のタイミングで個別情報取得手段により取得された個別情報を用いて、特徴ベクトルを生成し、第２のタイミングで個別情報取得手段により取得された個別情報を用いて生成された特徴ベクトルと、特定コンテクスト基準ベクトルとの類似度を演算することを特徴とする。

個別情報がコンテクスト情報である場合、個別情報に基づく値とは、ユーザの空間的な配置位置を示す場所情報に対して重み付けされた値、または、その値が正規化された値とすることができる。

個別情報がコンテクスト情報である場合、個別情報に基づく値とは、ユーザの情動を示す情動情報に対して重み付けされた値、または、その値が正規化された値とすることができる。

個別情報がコンテクスト情報である場合、個別情報に基づく値とは、ユーザ自身またはユーザの周囲に配置されるセンサが取得した値、または、その値が正規化された値とすることができる。

基準ベクトル化手段は、第２の行列におけるＭ個の列成分のうちの少なくとも一部分を選択し、選択した列成分の対応する要素同士を加算することで基準ベクトルを生成することができる。

基準ベクトル化手段は、第２の行列におけるＭ個の列成分の中から、コンテクスト情報に対応する要素同士の類似度が高い列成分を選択し、選択した列成分の対応する要素同士を加算することで基準ベクトルを生成するようにすることができる。

基準ベクトル化手段は、第１の行列におけるＭ個の列成分の中から、コンテクスト情報に対応する要素同士の類似度が高い列成分を選択し、さらに、第１の行列のうちの選択した列成分に対応する列成分を第２の行列から選択し、第２の行列のうちの選択した列成分の対応する要素同士を加算することで基準ベクトルを生成することができる。

基準ベクトル化手段は、行列生成手段により生成された第２の行列におけるＭ個の列成分のそれぞれをそのまま基準ベクトルとして採用することで、基準ベクトルを生成することができる。

個別情報がコンテンツメタ情報である場合、個別情報に基づく値とは、コンテンツ内での登場頻度、または、その登場頻度が正規化された値とすることができる。

特徴ベクトルの要素に代入される個別情報に基づく値とは、個別情報の値、若しくは、個別情報の内容に対して重み付けされた値、又は、それらの値が正規化された値に対して、可変係数が乗算された値とすることができる。

類似度演算手段は、新たなコンテンツについてのコンテンツメタ情報が個別情報取得手段により取得された場合、コンテンツメタ情報を用いて特徴ベクトルを生成し、特徴ベクトルと特定コンテクスト基準ベクトルとの類似度を演算し、類似度演算手段により演算された類似度が閾値以上である場合、新たなコンテンツを推薦コンテンツとしてユーザに提示する提示手段をさらに設けることができる。

提示手段は、推薦コンテンツをユーザに提示する場合、さらに、特定コンテクスト基準ベクトルに基づいて、その推薦の理由を提示することができる。

行列生成手段は、第１の行列を、特異値分解により、Ｎ行Ｎ列の第１の成分行列、Ｎ行Ｍ列の第２の成分行列、および、Ｍ行Ｍ列の第３の成分行列の転置行列の積に分解し、第１の成分行列からＮ行Ｋ列（Ｋは、前記第１の行列のランクより小さい整数値）の第４の成分行列を生成し、第２の成分行列からＫ行Ｋ列の第５の成分行列を生成し、第３の成分行列からＭ行Ｋ列の第６の成分行列を生成し、第４の成分行列、第５の成分行列、および、第６の成分行列の転置行列の積を第２の行列として生成することができる。

類似度演算手段は、さらに、現状コンテクスト特徴ベクトルベクトルと１以上の基準ベクトルとのそれぞれに対して、第４の成分行列の転置行列を左から掛けることで、Ｋ次元に次元削減された比較ベクトルと１以上の基準ベクトルとのそれぞれを生成し、Ｋ次元に次元削減された、現状コンテクスト特徴ベクトルと基準ベクトルとの類似度を演算し、その演算結果に基づいて、Ｋ次元の特定コンテクスト基準ベクトルを設定し、第２のタイミングで生成された特徴ベクトルに対して第４の成分行列の転置行列を左から掛けることで、Ｋ次元に次元削減された特徴ベクトルをさらに生成し、Ｋ次元に次元削減された、特定コンテクスト基準ベクトルと特徴ベクトルとの類似度を演算することができる。

ベクトル特徴化手段は、１つの特徴ベクトルを生成する毎に、その特徴ベクトルを、ユーザの嗜好の正の要因を示す正特徴ベクトルと、ユーザの嗜好の負の要因を示す負特徴ベクトルのうちのいずれか一方に分類することができる。

行列生成手段は、特徴ベクトル化手段により生成されたＭ個の正特徴ベクトルを利用して第２の行列を生成することができる。

行列生成手段により生成された第２の行列の各列成分のそれぞれを訓練データとして分類学習することで分類器を生成する学習手段と、新たなコンテンツについてのコンテンツメタ情報が個別情報取得手段により取得された場合、コンテンツメタ情報を用いて特徴ベクトルを生成し、学習手段により生成された分類器を用いて、特徴ベクトルを、正特徴ベクトルと負特徴ベクトルとのうちのいずれか一方に分類する分類手段とをさらに設けることができる。

類似度演算手段は、分類手段により正特徴ベクトルであると分類された特徴ベクトルと、特定コンテクスト基準ベクトルとの類似度を演算することができる。

行列生成手段により生成された第２の行列の各列成分の各要素の中から所定の要素を選択し、選択した要素を特定可能な単語をユーザの興味語または非興味語として設定し、ユーザの個人辞書に登録する登録手段をさらに設けることができる。

行列生成手段は、特徴ベクトル化手段によりＭ個の負特徴ベクトルが生成された場合、さらに、Ｍ個の負特徴ベクトルを利用して第２の行列を生成し、基準ベクトル化手段は、行列生成手段によりＭ個の正特徴ベクトに基づいて生成された第２の行列から第１の基準ベクトルを生成するとともに、行列生成手段により負特徴ベクトに基づいて生成された第２の行列から第２の基準ベクトルを生成し、類似度演算手段は、第２のタイミングで生成された特徴ベクトルと、１以上の第１の基準ベクトルに基づいて生成された特定コンテクスト基準ベクトルとの間の第１の類似度と、第２のタイミングで生成された特徴ベクトルと、１以上の第２の基準ベクトルに基づいて生成された特定コンテクスト基準ベクトルとの間の第２の類似度とのそれぞれを演算することができる。

類似度演算手段は、第２のタイミングで新たなコンテンツについてのコンテンツメタ情報が個別情報取得手段により取得された場合、コンテンツメタ情報を用いて特徴ベクトルを取得し、特徴ベクトルについての第１の類似度と第２の類似度とのそれぞれを演算し、
類似度演算手段により演算された第１の類似度と第２の類似度に基づいて、新たなコンテンツが推薦コンテンツとして適しているか不適であるかを判定し、新たなコンテンツが推薦コンテンツとして適していると判定した場合、新たなコンテンツを推薦コンテンツとしてユーザに提示する提示手段をさらに設けることができる。

提示手段は、推薦コンテンツをユーザに提示する場合、さらに、基準ベクトルに基づいて、その推薦の理由を提示することができる。

提示手段は、第１の類似度が第１の閾値以上であり、かつ、第２の類似度が第２の閾値未満である場合、新たなコンテンツが推薦コンテンツとして適していると判定し、新たなコンテンツを推薦コンテンツとしてユーザに提示することができる。

提示手段は、第１の類似度が第２の類似度より大きく、かつ、第２の類似度が閾値未満である場合、新たなコンテンツが推薦コンテンツとして適していると判定し、新たなコンテンツを推薦コンテンツとして前記ユーザに提示することができる。

本発明の第１の情報処理方法は、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段を備える情報処理装置が、コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が個別情報取得手段により取得された場合には個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理をユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、特徴ベクトル化ステップの処理により生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を第１の行列に対して施すことで、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列ステップと、行列生成ステップの処理により生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、所定のタイミングで個別情報取得手段により取得された個別情報を用いて、特徴ベクトルを生成し、特徴ベクトルと、基準ベクトル化ステップの処理により生成された基準ベクトルとの類似度を演算する類似度演算ステップとを含み、類似度演算ステップは、基準ベクトル化ステップの１以上の処理により１以上の基準ベクトルが既に生成されている第１のタイミングで、個別情報取得手段により取得されたコンテクスト情報を用いて、特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成するステップと、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度を演算し、類似度が最も高い基準ベクトルを、特定コンテクスト基準ベクトルとして設定するステップと、第１のタイミングの後の第２のタイミングで個別情報取得手段により取得された個別情報を用いて、特徴ベクトルを生成するステップと、第２のタイミングで個別情報取得ステップの処理により取得された個別情報を用いて生成された特徴ベクトルと、特定コンテクスト基準ベクトルとの類似度を演算するステップとを含むことを特徴とする。

本発明の第１のプログラムは、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段を備える装置を制御するコンピュータに実行させるプログラムであって、コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が個別情報取得手段により取得された場合には個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理をユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、特徴ベクトル化ステップの処理により生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を第１の行列に対して施すことで、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列ステップと、行列生成ステップの処理により生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、所定のタイミングで個別情報取得手段により取得された個別情報を用いて、特徴ベクトルを生成し、特徴ベクトルと、基準ベクトル化ステップの処理により生成された基準ベクトルとの類似度を演算する類似度演算ステップとを含み、類似度演算ステップは、基準ベクトル化ステップの１以上の処理により１以上の基準ベクトルが既に生成されている第１のタイミングで、個別情報取得手段により取得されたコンテクスト情報を用いて、特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成するステップと、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度を演算し、類似度が最も高い基準ベクトルを、特定コンテクスト基準ベクトルとして設定するステップと、第１のタイミングの後の第２のタイミングで個別情報取得手段により取得された個別情報を用いて、特徴ベクトルを生成するステップと、第２のタイミングで個別情報取得ステップの処理により取得された個別情報を用いて生成された特徴ベクトルと、特定コンテクスト基準ベクトルとの類似度を演算するステップとを含むことを特徴とする。

本発明の第１の情報処理装置および方法、並びに、第１のプログラムにおいては、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とが、それぞれ個別情報として取得され、コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が取得された場合には個別情報に基づく値が代入され、取得されないには所定値が代入されることによって構成されるベクトルが、特徴ベクトルとして生成する処理がユーザがコンテンツを使用する毎に実行される。そして、生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列が生成され、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算が第１の行列に対して施されることで、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容が更新された第２の行列が生成され、生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルが、基準ベクトルとして生成される。そして、所定のタイミングで取得された個別情報を用いて特徴ベクトルが生成され、特徴ベクトルと基準ベクトルとの類似度が演算される。そして、１以上の基準ベクトルが既に生成されている第１のタイミングで、取得されたコンテクスト情報を用いて、特徴ベクトルが、現状コンテクスト特徴ベクトルとして生成され、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度が演算される。そして、類似度が最も高い基準ベクトルが、特定コンテクスト基準ベクトルとして設定され、第１のタイミングの後の第２のタイミングで取得された個別情報を用いて、特徴ベクトルが生成される。そして、第２のタイミングで取得された個別情報を用いて生成された特徴ベクトルと、特定コンテクスト基準ベクトルとの類似度が演算される。

本発明の第２の情報処理装置は、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が個別情報取得手段により取得された場合には個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理をユーザがコンテンツを使用する毎に実行する特徴ベクトル化手段と、特徴ベクトル化手段により生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を第１の行列に対して施すことで、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成手段と、行列生成手段により生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化手段と、基準ベクトル化手段により１つの基準ベクトルが生成される毎に、その基準ベクトルに基づいてユーザに推薦すべきコンテンツの候補を取得する候補取得手段と、基準ベクトル化手段により１以上の基準ベクトルが既に生成されているタイミングで、個別情報取得手段により取得されたコンテクスト情報を用いて、特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度を演算し、類似度が最も高い基準ベクトルを、特定コンテクスト基準ベクトルとして設定する類似度演算手段と、候補取得手段により事前に取得されたコンテンツの候補のうちの、類似度演算手段により設定された特定コンテクスト基準ベクトルに基づいて取得されたコンテンツの候補を、推薦コンテンツとしてユーザに提示する提示手段とを備えることを特徴とする。

本発明の第２の情報処理方法は、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、コンテンツを取得するコンテンツ取得手段と、情報を提示する提示手段とを備える情報処理装置が、コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が個別情報取得手段により取得された場合には個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理をユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、特徴ベクトル化ステップの処理により生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を第１の行列に対して施すことで、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成ステップと、行列生成ステップの処理により生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、基準ベクトル化ステップの処理により１つの基準ベクトルが生成される毎に、その基準ベクトルに基づいてユーザに推薦すべきコンテンツの候補をコンテンツ取得手段により取得させる候補取得ステップと、基準ベクトル化ステップの処理により１以上の基準ベクトルが既に生成されているタイミングで、個別情報取得手段により取得されたコンテクスト情報を用いて、特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度を演算し、類似度が最も高い基準ベクトルを、特定コンテクスト基準ベクトルとして設定する類似度演算ステップと、候補取得ステップの処理により事前に取得されたコンテンツの候補のうちの、類似度演算ステップの処理により設定された特定コンテクスト基準ベクトルに基づいて取得されたコンテンツの候補を、推薦コンテンツとしてユーザに提示手段により提示させる提示ステップとを含むことを特徴とする情報処理方法。

本発明の第２のプログラムは、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、コンテンツを取得するコンテンツ取得手段と、情報を提示する提示手段とを備える装置を制御するコンピュータに実行させるプログラムであって、コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が個別情報取得手段により取得された場合には個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理をユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、特徴ベクトル化ステップの処理により生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を第１の行列に対して施すことで、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成ステップと、行列生成ステップの処理により生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、基準ベクトル化ステップの処理により１つの基準ベクトルが生成される毎に、その基準ベクトルに基づいてユーザに推薦すべきコンテンツの候補をコンテンツ取得手段により取得させる候補取得ステップと、基準ベクトル化ステップの処理により１以上の基準ベクトルが既に生成されているタイミングで、個別情報取得手段により取得されたコンテクスト情報を用いて、特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度を演算し、類似度が最も高い基準ベクトルを、特定コンテクスト基準ベクトルとして設定する類似度演算ステップと、候補取得ステップの処理により事前に取得されたコンテンツの候補のうちの、類似度演算ステップの処理により設定された特定コンテクスト基準ベクトルに基づいて取得されたコンテンツの候補を、推薦コンテンツとしてユーザに提示手段により提示させる提示ステップとを含むことを特徴とする。

本発明の第２の情報処理装置および方法、並びに、第２のプログラムにおいては、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とが、それぞれ個別情報として取得され、コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が取得された場合には個別情報に基づく値が代入され、取得されない場合には所定値が代入することによって構成されるベクトルが、特徴ベクトルとして生成する処理がユーザがコンテンツを使用する毎に実行される。生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列が生成され、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を第１の行列に対して施されて、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列が生成される。さらに、第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルが、基準ベクトルとして生成される。このようにして、１つの基準ベクトルが生成される毎に、その基準ベクトルに基づいてユーザに推薦すべきコンテンツの候補が取得される。そして、１以上の基準ベクトルが既に生成されているタイミングで、取得されたコンテクスト情報を用いて、特徴ベクトルが、現状コンテクスト特徴ベクトルとして生成され、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度が演算され、類似度が最も高い基準ベクトルが、特定コンテクスト基準ベクトルとして設定される。そして、事前に取得されたコンテンツの候補のうちの、設定された特定コンテクスト基準ベクトルに基づいて取得されたコンテンツの候補が、推薦コンテンツとしてユーザに提示される。

本発明の第３の情報処理装置は、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が個別情報取得手段により取得された場合には個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理をユーザがコンテンツを使用する毎に実行する特徴ベクトル化手段と、特徴ベクトル化手段により生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を第１の行列に対して施すことで、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成手段と、行列生成手段により生成された第２の行列におけるＭ個の列成分のそれぞれの間の類似度を演算し、それらの類似度に基づいてＭ個の列成分のそれぞれをクラス分類し、その結果得られる各クラスのそれぞれを１つのジャンルとして設定するジャンル設定手段と、行列生成手段により生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化手段と、基準ベクトル化手段により１以上の基準ベクトルが既に生成されているタイミングで、個別情報取得手段により取得されたコンテクスト情報を用いて、特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度を演算し、類似度が最も高い基準ベクトルを、特定コンテクスト基準ベクトルとして設定する類似度演算手段と、類似度演算手段により設定された特定コンテクスト基準ベクトル、及び、ユーザに推薦すべきコンテンツの複数の候補の各々を、ジャンル設定手段により設定された複数のジャンルのうちの何れか１つに分類する分類手段と、分類手段により特定コンテクスト基準ベクトルのジャンルと同一のジャンルに分類された候補を、推薦コンテンツとしてユーザに提示する提示手段とを備えることを特徴とする。

ジャンル設定手段は、設定したジャンル毎に、対応するジャンルに属する列成分のそれぞれを訓練データとして分類学習することで分類器を生成することができ、また、ジャンル設定手段により生成された分類器を用いて、特定コンテクスト基準ベクトル及び複数の候補の各々のジャンルを分類することができる。

ジャンル設定手段は、１つのジャンルを設定する毎に、そのジャンルに属する列成分の各要素の中から所定の要素を選択し、選択した要素に基づいてそのジャンルの名称を決定することができる。

本発明の第３の情報処理方法は、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、コンテンツを取得するコンテンツ取得手段と、情報を提示する提示手段とを備える情報処理装置が、
コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が個別情報取得手段により取得された場合には個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理をユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、特徴ベクトル化ステップの処理により生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を第１の行列に対して施すことで、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列ステップと、行列生成ステップの処理により生成された第２の行列におけるＭ個の列成分のそれぞれの間の類似度を演算し、それらの類似度に基づいてＭ個の列成分のそれぞれをクラス分類し、その結果得られる各クラスのそれぞれを１つのジャンルとして設定するジャンル設定ステップと、行列生成ステップの処理により生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、基準ベクトル化ステップの処理により１以上の基準ベクトルが既に生成されているタイミングで、個別情報取得手段により取得されたコンテクスト情報を用いて、特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度を演算し、類似度が最も高い基準ベクトルを、特定コンテクスト基準ベクトルとして設定する類似度演算ステップと、類似度演算ステップにより設定された特定コンテクスト基準ベクトル、及び、ユーザに推薦すべきコンテンツの複数の候補の各々を、ジャンル設定ステップの処理により設定された複数のジャンルのうちの何れか１つに分類する分類ステップと、分類ステップの処理により特定コンテクスト基準ベクトルのジャンルと同一のジャンルに分類された候補を、推薦コンテンツとしてユーザに提示する提示ステップとを含むことを特徴とする。

本発明の第３のプログラムは、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、コンテンツを取得するコンテンツ取得手段と、情報を提示する提示手段とを備える装置を制御するコンピュータに実行させるプログラムであって、コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が個別情報取得手段により取得された場合には個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理をユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、特徴ベクトル化ステップの処理により生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を第１の行列に対して施すことで、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列ステップと、
行列生成ステップの処理により生成された第２の行列におけるＭ個の列成分のそれぞれの間の類似度を演算し、それらの類似度に基づいてＭ個の列成分のそれぞれをクラス分類し、その結果得られる各クラスのそれぞれを１つのジャンルとして設定するジャンル設定ステップと、行列生成ステップの処理により生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、基準ベクトル化ステップの処理により１以上の基準ベクトルが既に生成されているタイミングで、個別情報取得手段により取得されたコンテクスト情報を用いて、特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度を演算し、類似度が最も高い基準ベクトルを、特定コンテクスト基準ベクトルとして設定する類似度演算ステップと、類似度演算ステップにより設定された特定コンテクスト基準ベクトル、及び、ユーザに推薦すべきコンテンツの複数の候補の各々を、ジャンル設定ステップの処理により設定された複数のジャンルのうちの何れか１つに分類する分類ステップと、分類ステップの処理により特定コンテクスト基準ベクトルのジャンルと同一のジャンルに分類された候補を、推薦コンテンツとしてユーザに提示する提示ステップとを含むことを特徴とする。

本発明の第３の情報処理装置および方法、並びに、第３のプログラムにおいては、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とが、それぞれ個別情報として取得され、コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が取得された場合には個別情報に基づく値が代入され、取得されない場合には所定値を代入することによって構成されるベクトルが、特徴ベクトルとして生成する処理がユーザがコンテンツを使用する毎に実行される。生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列が生成され、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算が第１の行列に対して施されて、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列が生成される。さらに、第２の行列におけるＭ個の列成分のそれぞれの間の類似度が演算され、それらの類似度に基づいてＭ個の列成分のそれぞれがクラス分類され、その結果得られる各クラスのそれぞれが１つのジャンルとして設定される。そして、生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルが、基準ベクトルとして生成され、１以上の基準ベクトルが既に生成されているタイミングで、取得されたコンテクスト情報を用いて、特徴ベクトルが、現状コンテクスト特徴ベクトルとして生成され、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度が演算され、類似度が最も高い基準ベクトルが、特定コンテクスト基準ベクトルとして設定される。そして、設定された特定コンテクスト基準ベクトル、及び、ユーザに推薦すべきコンテンツの複数の候補の各々が、設定された複数のジャンルのうちの何れか１つに分類され、特定コンテクスト基準ベクトルのジャンルと同一のジャンルに分類された候補が、推薦コンテンツとしてユーザに提示される。

本発明の情報処理システムは、サーバと、ユーザが使用するクライアントとからなる情報処理システムであって、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が個別情報取得手段により取得された場合には個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理をユーザがコンテンツを使用する毎に実行する特徴ベクトル化手段と、特徴ベクトル化手段により生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を第１の行列に対して施すことで、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成手段と、行列生成手段により生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化手段と、所定のタイミングで個別情報取得手段により取得された個別情報を用いて特徴ベクトルを生成し、特徴ベクトルと、基準ベクトル化手段により生成された基準ベクトルとの類似度を演算する類似度演算手段とを備え、類似度演算手段は、基準ベクトル化手段により１以上の基準ベクトルが既に生成されている第１のタイミングで、個別情報取得手段により取得されたコンテクスト情報を用いて、特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度を演算し、類似度が最も高い基準ベクトルを、特定コンテクスト基準ベクトルとして設定し、第１のタイミングの後の第２のタイミングで個別情報取得手段により取得された個別情報を用いて、特徴ベクトルを生成し、第２のタイミングで個別情報取得手段により取得された個別情報を用いて生成された特徴ベクトルと、特定コンテクスト基準ベクトルとの類似度を演算し、サーバは、特徴ベクトル化手段、行列生成手段、基準ベクトル化手段、および、類似度演算手段のうちの、少なくとも行列生成手段を備えることを特徴とする。

本発明の第４の情報処理方法は、サーバと、ユーザが使用するクライアントとからなる情報処理システムの情報処理方法であって、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段をサーバ又はクライアントが備え、コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が個別情報取得手段により取得された場合には個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理をユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、特徴ベクトル化ステップの処理により、生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を第１の行列に対して施すことで、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成ステップと、行列生成ステップの処理により生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、所定のタイミングで個別情報取得手段により取得された個別情報を用いて特徴ベクトルを生成し、特徴ベクトルと、基準ベクトル化ステップの処理により生成された基準ベクトルとの類似度を演算する類似度演算ステップとを含み、類似度演算ステップは、基準ベクトル化ステップの処理により１以上の基準ベクトルが既に生成されている第１のタイミングで、個別情報取得手段により取得されたコンテクスト情報を用いて、特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度を演算し、類似度が最も高い基準ベクトルを、特定コンテクスト基準ベクトルとして設定し、第１のタイミングの後の第２のタイミングで個別情報取得手段により取得された個別情報を用いて、特徴ベクトルを生成し、第２のタイミングで個別情報取得手段により取得された個別情報を用いて生成された特徴ベクトルと、特定コンテクスト基準ベクトルとの類似度を演算し、サーバは、特徴ベクトル化ステップ、行列生成ステップ、基準ベクトル化ステップ、および、類似度演算ステップのうちの、少なくとも行列生成ステップの処理を実行することを特徴とする。

本発明の情報処理システムおよび方法においては、サーバとクライアントとにより次の第１の処理乃至第５の処理が少なくとも実行される。即ち、コンテンツ全体若しくはその一部分またはコンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する第１の処理と、
コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、Ｎ個の要素のそれぞれに、対応する種類の個別情報が第１の処理により取得された場合には個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理をユーザがコンテンツを使用する毎に実行する第２の処理と、
第２の処理により生成されたＭ個の特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を第１の行列に対して施すことで、Ｎ×Ｍ個の行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する第３の処理と、
第３の処理により生成された第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる標準形のベクトルを、基準ベクトルとして生成する第４の処理と、
所定のタイミングで第１の処理により取得された個別情報を用いて特徴ベクトルを生成し、特徴ベクトルと、第４の処理により生成された基準ベクトルとの類似度を演算する第５の処理である。第５の処理は、第４の処理により１以上の基準ベクトルが既に生成されている第１のタイミングで、第１の処理により取得されたコンテクスト情報を用いて、特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、現状コンテクスト特徴ベクトルと、既に生成されている１以上の基準ベクトルとの類似度を演算し、類似度が最も高い基準ベクトルを、特定コンテクスト基準ベクトルとして設定し、第１のタイミングの後の第２のタイミングで第１の処理により取得された個別情報を用いて、特徴ベクトルを生成し、第２のタイミングで第１の処理により取得された個別情報を用いて生成された特徴ベクトルと、特定コンテクスト基準ベクトルとの類似度を演算する。

以上のごとく、本発明によれば、推薦コンテンツをユーザに提示することができる。特に、推薦コンテンツをユーザに提示する処理等で必要となる類似度演算処理において、適切なユーザの嗜好情報を使用することができる。

次に、図面を参照して、本発明の実施の形態について説明する。

なお、後述するように、本発明は様々な実施の形態を取ることが可能であり、以下、これらの様々な実施の形態のうちの、主要な５つの実施の形態について主に説明する。そこで、以下、これらの５つの実施の形態のそれぞれを第１実施形態乃至第５実施形態のそれぞれと称し、その順番で個別に順次説明していく。また、第１実施形態乃至第５実施形態以外の実施の形態については、他の実施形態と称し、最後（第５実施形態の説明後）に説明する。

（第１実施形態）

はじめに、図１乃至図１７を参照して、第１実施形態について説明する。

図１は、第１実施形態の情報処理装置の構成例を表している。

図１に示されるように、第１実施形態の情報処理装置は、メタ情報取得部１、空間およびUPV生成部２（UPVは上述したユーザ嗜好ベクトルの別称）、マッチング部３、CCV記憶部４（CCVは上述した特徴ベクトルの別称）、成分行列記憶部５、UPV記憶部６、語彙辞書作成部７、関連情報取得部８、および、推薦提示部９から構成される。

なお、入力部４１とセンサ４２は、情報処理装置の一構成要素と捉えてもよいし、情報処理装置に接続されている外部機器と捉えてもよい。

また、メタ情報取得部１乃至推薦提示部９のそれぞれの形態は特に限定されない。特に、メタ情報取得部１、空間およびUPV生成部２、マッチング部３、語彙辞書作成部７、関連情報取得部８、および、推薦提示部９のそれぞれは、ソフトウエアで構成されてもよいし、ハードウエアで構成されてもよいし、或いは、ソフトウエアとハードウエアの組合せとして構成されてもよい。

メタ情報取得部１は、文書取得部１１、文書解析部１２、メタデータ取得部１３、および、コンテクスト取得部１４から構成される。

図１に示されるように、メタ情報取得部１には、コンテンツデータやEPGデータが入力される。このコンテンツデータは、ユーザが使用（視聴または経験等）した或いはこれから使用するコンテンツのデータであれば特に限定されない。なお、ここでいうコンテンツとは、一般的にコンテンツと称されている、上述したテレビジョン放送番組、映画、写真、楽曲等（動画像、静止画像、若しくは音声、または、それらの組合せ等）の他、さらに、文書、商品（物品含）、会話等のユーザが使用可能なソフトウエアまたはハードウエアの全てを指す広い概念である。ただし、コンテンツが物品（ハードウエア）の場合、例えば、その物品が動画像や静止画像等に射影されてデータ化されたものが、コンテンツデータとして適用される。

文書取得部１１は、供給されたコンテンツデータやEPGデータのうちの文書データ、例えば、図示せぬ電子メール閲覧ソフトウエアから供給された電子メールのテキストデータを取得し、文書解析部１２に供給する。

文書解析部１２は、供給された文書データを所定の単位（例えば、１文章や１段落等）で区分し、区分した文書データ毎にその内容（文書）を解析して、単語のデータ（後述する図５に示される“幼稚園”や“子供”等の単語のデータ）に分解し、空間およびUPV生成部２、またはマッチング部３に供給する。

メタデータ取得部１３は、供給されたコンテンツデータやEPGデータのうちの文書データ以外のデータを分析し、単語のデータに分解し、或いは、単語のデータを新たに生成し、空間およびUPV生成部２、またはマッチング部３に供給する。また、メタデータ取得部１３は、EPGデータ等に含まれる既に単語化されているデータも抽出し、空間およびUPV生成部２、またはマッチング部３にそのまま供給する。

なお、以下、文書解析部１２またはメタデータ取得部１３から出力される単語のデータを、後述するコンテクスト取得部１４から出力されるデータと区別するために、コンテンツメタ情報と称する。即ち、本明細書において、コンテンツとは、上述したように、一般的なコンテンツ以外に、ユーザの私的な文書（例えば、後述するメール文書）等も指す。従って、本明細書において、コンテンツメタ情報とは、番組メタ情報等の一般的なメタ情報を単に指すのではなく、本明細書で言うコンテンツ（幅広い概念のコンテンツ）自身若しくはその一部分、またはそのコンテンツの属性等が単語化された情報（数値も単語化された情報の１つとして捉える）を指す。

ところで、上述した従来の課題が発生する主要因、即ち、推薦コンテンツがユーザの嗜好に合っているにも拘らず、その推薦コンテンツがユーザにより拒絶されてしまう主要因は、ユーザの現状のコンテクストにそぐわないコンテンツが推薦されてしまうことである。即ち、単に、ユーザが経験済みのコンテンツに対するコンテンツメタ情報のみに基づいて推薦されたコンテンツでは、ユーザの現状のコンテクストにそぐわない可能性がある。

なお、本明細書においては、コンテクスト(context)とは、ユーザの内的状態および外的状態の全てを指す。ユーザの内的状態とは、ユーザの体調、または、情動（気分や心理状態）等を指す。また、ユーザの外的状態とは、ユーザの空間的または時間的な配置位置（時間的な配置位置とは、例えば、現在時刻を指す）の他、ユーザの周囲の空間方向若しくは時間方向に分布する（または、いずれの方向にも分布する）所定の状態も指す。

しかしながら、従来、これらのコンテクストを示す情報（以下、コンテクスト情報と称する）がコンテンツ推薦に利用される例は非常に少ない。詳細には、従来、外的コンテクストについては時間情報や場所情報が利用される程度であり、内的コンテクストについてはユーザの手動入力による気分等が利用される程度であり、その結果、コンテンツ推薦自体もそれらのコンテクスト情報のうちの１つに見合うコンテンツが推薦される程度である。

即ち、従来においては、コンテンツメタ情報と、コンテクスト情報とは別なものとして取り扱われており、コンテンツメタ情報（コンテンツメタ情報に基づいて得られる推薦コンテンツ）と、コンテクスト（気分感情）との結びつけルールをサービスサイド側で予め生成しておく必要があった。従って、コンテクスト情報とコンテンツメタ情報とを別なものとして取り扱う従来のコンテンツ推薦手法では、変化に対応できず、提示された推薦コンテンツがユーザに拒絶されてしまうことが多々あった。即ち、このような従来のコンテンツ推薦手法では、従来の課題を解決することは困難である。さらに、このような従来のコンテンツ推薦手法では、上述したルール作りがサービス側で必須であり、サービス側に多大な労力がかかるという新たな課題も発生してしまう。

なお、多種センサから複数のコンテクスト情報がたとえ得られる場合であっても、従来、その解釈は最終的にはルールベースによることになり（たとえ統計処理などで事前に意味づけされていても）、複数のコンテクスト情報も非常に限定された情報（予め定められた情報のうちのいずれか）に帰着し、固定化されてしまう。即ち、結局、このような場合であっても、従来の課題を解決することは困難であり、また、上述した新たな課題も同様に発生してしまうことになる。

そこで、これらの課題を解決するために、本発明（ここでは、第１実施形態）においては、コンテクスト情報とコンテンツメタ情報とのいずれも同レベルで取り扱う。このため、メタ情報取得部１には、コンテンツメタ情報を取得する上述したブロック（文書取得部１１、文書解析部１２、および、メタデータ取得部１３）の他にさらに、コンテクスト取得部１４が設けられている。

即ち、コンテクスト取得部１４は、入力部４１またはセンサ４２から入力される情報（必要に応じて変換した情報）をコンテクスト情報として、空間およびUPV生成部２、またはマッチング部３に供給する。

詳細には、例えば、入力部４１は、キーボード、マウス、その他入力インタフェースで構成され、ユーザは入力部４１を操作することで、様々なコンテクストをコンテクスト取得部１４に入力させる。

すると、コンテクスト取得部１４は、入力部４１から入力されたコンテクストを解析して単語化し、この単語のデータをコンテクスト情報として、空間およびUPV生成部２、またはマッチング部３に供給する。

具体的には、例えば、情報処理装置は、図１には図示せぬ表示部（後述する図３４の表示部４２４等）に、図２に示されるような選択型入力ユーザインタフェース用の画像を表示させることができる。そして、情報処理装置は、ユーザに入力部４１を操作させて、図２の画像の「コンテクスト選択」の下方のボックスの中から、ユーザの現状のコンテクストに適合する単語を選択させることで、その単語をコンテクスト取得部１４に入力させることができる。

より具体的には、例えば、図２の例では、ユーザの外的コンテクストを示す単語として、「Place（ユーザが対象コンテンツを使用した場所）」を示す単語（図２の例では、“会社”）と、「Occasion（ユーザが対象コンテンツを使用した機会（状態））」を示す単語（図２の例では、“仕事中”）とが、ユーザの判断で（入力部４１から）入力される。

また、例えば、図２の例では、ユーザの内的コンテクストを示す単語して、「Mental（ユーザが対象コンテンツを使用した際の心理状態）」を示す単語（図２の例では、“新鮮”）、「Emotional（ユーザが対象コンテンツを使用した際の感情）」を示す単語（図２の例では、“楽しい”）、および、「Rating（ユーザが対象コンテンツを使用した際の評価）を示す単語（図２の例では、“重要”）が、ユーザの判断で（入力部４１から）入力される。

このように、図２の例では、既に単語化されたデータが図１のコンテクスト取得部１４に入力されるので、コンテクスト取得部１４は、入力された単語のデータをそのままコンテクスト情報として、空間およびUPV生成部２、またはマッチング部３に供給する。

また、例えば、センサ４２は、ユーザの外的コンテクストを検出するセンサや、その内的コンテクストを検出するセンサとして構成される。即ち、センサ４２とは、１つのコンテクストを検出するセンサのみならず、２以上のコンテクストを検出可能な１つのセンサや、２以上のセンサ（検出可能なコンテクストの種類や数は限定されない）からなるセンサ群も指す。具体的には、例えば、外的コンテクストを検出するセンサとしては、ユーザの現在位置情報を検出するGPS(Global Positioning System)、現在時刻を計時（検出）する時計、または、ユーザの周辺に位置する人や物体を検出する無線通信機器等が挙げられる。また、例えば、内的コンテクストを検出するセンサとしては、脈拍、呼吸数、発汗、または、瞳孔の開き等を検出するセンサが挙げられる。

コンテクスト取得部１４は、このようなセンサ４２から入力された情報が数値データであった場合、その数値データ（数値を所定の規則で更新する場合もある）をコンテクスト情報として、空間およびUPV生成部２、またはマッチング部３に供給する。また、コンテクスト取得部１４は、センサ４２から入力された情報が数値データ以外の情報であった場合、その情報を解析して単語化し（数値も単語に含まれる）、この単語のデータをコンテクスト情報として、空間およびUPV生成部２、またはマッチング部３に供給する。

次に、空間およびUPV生成部２に着目すると、空間およびUPV生成部２は、特徴ベクトル（CCV）生成部２１、行列演算部（空間生成部）２２、および、ユーザ嗜好ベクトル（UPV）生成部２３から構成される。

特徴ベクトル（CCV）生成部２１は、メタ情報取得部１より供給された、１つのコンテンツに対する１以上のコンテンツメタ情報と１以上のコンテクスト情報とを要素とするベクトルを生成する。特徴ベクトル（CCV）生成部２１により生成されるこのようなベクトルは、ユーザの嗜好の特徴、即ち、ユーザが体験したコンテンツの特徴や、そのコンテンツを体験した際のユーザのコンテクストの特徴を示すベクトルと言える。従って、以下、特徴ベクトル（CCV）生成部２１により生成されるこのようなベクトルを、特徴ベクトルCCVと称する。

なお、後述するように、特徴ベクトルCCVは、マッチング部３等により生成されることもある。

また、特徴ベクトルCCVの形態は特に限定されないが、ここでは、次元数（要素数）が決められており、また、各次元のそれぞれに対応する情報（コンテンツメタ情報またはコンテクスト情報）も決められているとする。即ち、ここでは、特徴ベクトルCCVの要素数は固定され、各要素のそれぞれが示す情報とその順番も固定されているとする（なお、以下、このようなベクトル形態を標準形と称する）。なお、特徴ベクトルCCVの具体例については、図５等を参照して後述する。

このとき、特徴ベクトル（CCV）生成部２１は、メタ情報取得部１より供給された、１つのコンテンツに対するコンテンツメタ情報とコンテクスト情報（数値を含む単語のデータ）のそれぞれに対して、例えば、頻度やtf法などの重み付け手法を利用して重み値を与え、その重み値を特徴ベクトルCCVの対応する要素に代入することで、１つの特徴ベクトルCCVを生成する。ただし、メタ情報取得部１より供給された、１つのコンテンツに対するコンテンツメタ情報とコンテクスト情報（数値を含む単語のデータ）の中に、特徴ベクトルCCVの所定の要素に対応付けられている情報が含まれていない場合、即ち、特徴ベクトルCCVの所定の要素に入れるべき重み値が存在しない場合、その要素には「０」が代入される。

なお、頻度を利用して重み付けを行う場合、重み値として、例えば、頻度そのものを適用してもよいし、その頻度を正規化した値等、所定の規則で頻度を変換した値を適用してもよい。

また、コンテクスト情報として、センサ４２（周辺センサや人体センサ、或いはそれらの組み合わせ）により取得された値（実数値）が供給されてきた場合、重み値として、例えば、その値そのものを適用してもよいし、その値を正規化した値等、所定の規則でその値を変換した値を適用してもよい。同様に、コンテクスト情報として、入力部４１により入力された単語データ等が供給されてきた場合、重み値として、例えば、その単語データを第１の規則で重み付けした第１の値を適用してもよいし、第１の値を正規化した値等、第１の値を第２の規則で変換した第２の値を適用してもよい。

さらに、例えば、コンテンツメタ情報の重み値と、コンテクスト情報の重み値とのそれぞれに対して可変係数のそれぞれを掛けた値を、最終的な重み値として適用することもできる。この場合、可変係数を単に変えることで、必要な重み値だけを容易に調整することが可能となる（例えば、後述する図４のステップＳ２６参照）。

このように、ユーザが１つのコンテンツを使用する毎に、そのコンテンツに対する予め設定されたＮ個（Ｎは、２以上の任意の整数値）の個別情報（コンテンツメタ情報またはコンテクスト情報）から構成される情報群が、メタ情報取得部１から特徴ベクトル(CCV)生成部２１に供給される。ただし、所定のコンテンツに対して、Ｎ個の個別情報の中に特に内容が無い個別情報（メタ情報取得部１が取得しなかった個別情報）が存在する場合、その個別情報は「０」であると捉える。すると、特徴ベクトル(CCV)生成部２１は、供給された情報群を構成するＮ個の個別情報のそれぞれの内容に対して重み付けし（数値化し）、重み付けされたＮ個の個別情報（Ｎ個の数値）を要素とする特徴ベクトルCCVを生成する。

このようにして生成された、所定のコンテンツおよびそのコンテンツを使用した際のコンテクストに対する特徴ベクトルCCVは、CCV記憶部４に記憶される。即ち、ユーザが１つのコンテンツを使用する毎に、それに対する特徴ベクトルCCVが特徴ベクトル（CCV）生成部２１により生成され、CCV記憶部４に蓄積されていく。

ここで、注目すべき点は、このようにしてCCV記憶部４に記憶される特徴ベクトルCCVにおいては、いずれのコンテクスト情報も、また、いずれのコンテンツメタ情報も、ベクトルの１つの要素として同レベルで扱われる点である。さらに、コンテクスト情報の個数、即ち、特徴ベクトルCCVの要素のうちのコンテクスト情報に対応する要素の数も１個に限定されず、複数個でよいと言う点である。そして、後述するように、このような特徴ベクトルCCVに基づいて推薦されたコンテンツは、上述した従来のコンテンツ推薦手法により推薦されたコンテンツと比較して、ユーザに拒絶される可能性が低くなると言う点である。

このような特徴ベクトルCCVがCCV記憶部４にＭ個（Ｍは２以上の整数値）蓄積されると、行列演算部（空間生成部）２２は、これらのＭ個の特徴ベクトルCCVを列成分とする行列、即ち、Ｎ行Ｍ列の行列を生成する。このようにして生成された行列は、特徴ベクトルCCVの集合体、即ち、ユーザが嗜好する（経験した）コンテンツ自身やその属性を示すコンテンツメタ情報と、そのコンテンツを経験した時点のユーザのコンテクストを示すコンテクスト情報の集合体であると言える。そこで、以下、行列演算部（空間生成部）２２により生成されるこのような行列を、後述する他の行列と区別するために、コンテンツコンテクスト行列と称する。ただし、以下、コンテンツコンテクスト行列を、単に行列CCMと記述して説明していく。

次に、行列演算部（空間生成部）２２は、例えば、行列CCMに対して特異値分解と次元削減を施すことで、即ち、上述したLSI法を適用することで、行列CCM内の各要素（ユーザが経験したコンテンツ自身やその属性を示すコンテンツメタ情報と、そのコンテンツを経験した時点のユーザのコンテクストを示すコンテクスト情報）のそれぞれを主成分軸に射影する。

なお、以下、このとき得られる行列（行列CCMが次元削減された行列）を、行列CCMの近似行列と称する。ただし、以下、行列CCMの近似行列を、単に近似行列CCM^＊と記述して説明していく。また、各要素が射影された空間を、最適空間UPSと称する。

詳細には、行列演算部（空間生成部）２２は、Ｎ行Ｍ列の行列CCMに対して特異値分解を施すことで、行列CCMを次の式（１）を満たす成分行列Ｕ，Σ，Ｖのそれぞれに分解する。なお、式（１）において、行列Ｄは行列CCMを示している。成分行列ＵはＮ行Ｎ列の左特異ベクトルを、成分行列ＶはＭ行Ｍ列の右特異ベクトルを、成分行列ΣはＮ行Ｍ列の特異行列を、それぞれ示している。また、Ｖ~は成分行列Ｖの転置行列を示している。

D（＝CCM）＝ UΣV~ ・・・（１）

ここで、行列CCMのランクをｒ（ｒは、Ｎ，Ｍ以下の整数値）とすると、成分行列Σは、r個の特異値が対角線上の要素として並び、他の要素は全て０の行列となる。また、成分行列Ｕの最初のr個の列成分（左特異ベクトル）が正規直交基底であり、左から順に重要な列成分であるので、k個（kは、ｒより小さい整数値）の左特異ベクトルを使って特徴ベクトルCCVを表現する（射影する）ことで最良の近似ができる。

そこで、行列演算部（空間生成部）２２は、成分行列Ｕの先頭のｋ個の列成分（左特異ベクトル）からなる行列（以下、U_kと記述する）、即ち、Ｎ行ｋ列の行列U_kを生成する（後述する図８参照）。

なお、後述するように、所定の特徴ベクトルCCV（N次元）に対して、この行列U_kの転置行列を左から掛けることで、k次元に次元削減された特徴ベクトルCCV（特徴ベクトルCCVの近似ベクトル）を生成することができる。即ち、特徴ベクトルCCVをｋ次元の最適空間UPSに射影することができる。従って、行列演算部（空間生成部）２２は、このような行列U_kを生成することで、最適空間UPSを生成しているとも言える。

また、行列演算部（空間生成部）２２は、成分行列Ｖについても同様に、最初のk 個の右特異ベクトルを用いるとして、成分行列Ｖの先頭のｋ個の列成分（右特異ベクトル）からなる行列（以下、V_kと称する）、即ち、Ｍ行ｋ列の行列V_kを生成する（後述する図１０参照）。

さらに、行列演算部（空間生成部）２２は、成分行列Σの先頭のｋ個の列成分のうちの１行乃至ｋ行までの要素（成分行列Σのうちの、ｋ×ｋ個の要素からなる左上成分）からなる行列（以下、Σ_kと称する）、即ち、ｋ行ｋ列の行列Σ_kを生成する（後述する図９参照）。

そして、行列演算部（空間生成部）２２は、次の式（２）の右辺を演算することで、ランクがkに縮退した行列D_kを求め、この行列D_kを、行列CCMの近似行列CCM^＊としてユーザ嗜好ベクトル（UPV）生成部２３に供給する。なお、式（２）において、Ｖ_k~は成分行列Ｖ_kの転置行列を示している。

D_k（＝CCM^＊）＝ U_kΣ_kV_k~ ・・・（２）

また、近似行列CCM^＊（＝D_k）の成分行列、即ち、上述したようにして生成された行列U_k（必要に応じて、行列V_kと行列Σ_k）は、語彙辞書作成部７に供給されるとともに、成分行列記憶部５に記憶される。

なお、第１実施形態においては、後述するように、成分行列U_kはマッチング部３に使用されないので、第１実施形態の情報処理装置にとっては、成分行列記憶部５は必須な構成要素ではない。これに対して、後述するように、第２実施形態においては、成分行列U_kは、射影マッチング部１０１（図１８）により使用されるので、第２実施形態の情報処理装置にとっては、成分行列記憶部５は必須な構成要素となる。

ユーザ嗜好ベクトル（UPV）生成部２３は、行列演算部（空間生成部）２２より供給された近似行列CCM^＊におけるＭ個の列成分、即ち、Ｍ個の特徴ベクトル（ただし、上述した特徴ベクトルCCVと区別するために、近似行列CCM^＊の列成分である特徴ベクトルを、以下、特徴ベクトルCCV^＊と記述する）に基づいて、Ｎ個の要素からなる標準形のベクトルを生成する。ユーザ嗜好ベクトル（UPV）生成部２３により生成されるこのベクトルは、後述するマッチング部３や推薦提示部９によってコンテンツの推薦処理が実行される際、ユーザの嗜好を示す基準のベクトルとして使用される。従って、以下、ユーザ嗜好ベクトル（UPV）生成部２３により生成されるベクトルを、ユーザ嗜好ベクトルUPV^＊と称する。

なお、本実施の形態（いまの場合、第１実施形態）においては、ユーザ嗜好ベクトルUPV^＊は、行列演算部（空間生成部）２２より供給された近似行列CCM^＊に基づいて生成される（このため、UPVの後に、“＊”を記述している）。即ち、ユーザ嗜好ベクトルUPV^＊の生成方法は、行列演算部（空間生成部）２２より供給された近似行列CCM^＊を利用する方法であれば特に限定されない。

例えば、近似行列CCM^＊の列成分、即ち、特徴ベクトルCCV^＊のそれぞれを、ユーザ嗜好ベクトルUPV^＊としてそのまま適用することもできる。

或いは、例えば、近似行列CCM^＊の列成分（特徴ベクトルCCV^＊）の全てまたは一部分の各要素の総和のそれぞれを演算し、各演算結果（各要素の総和）のそれぞれを要素とする標準形のベクトルをユーザ嗜好ベクトルUPV^＊として適用することもできる。即ち、近似行列CCM^＊の列成分（特徴ベクトルCCV^＊）の全てまたは一部分の総和ベクトルを、ユーザ嗜好ベクトルUPV^＊として適用することもできる。

さらに、近似行列CCM^＊の列成分（特徴ベクトルCCV^＊）の一部分の各要素の総和を取る場合、その一部分の選択方法は特に限定されない。

具体的には、例えば、特徴ベクトルCCV^＊の要素のうちの、コンテクスト情報を示す要素（コンテクスト情報の重み値）間で相関を演算し、相関の高い幾つかの特徴ベクトルCCV^＊を選択し、これらの特徴ベクトルCCV^＊の総和ベクトル（各要素の総和を要素とするベクトル）をユーザ嗜好ベクトルUPV^＊として適用することもできる。

或いは、例えば、元の行列CCMの列成分、即ち、元の特徴ベクトルCCVの要素のうちの、コンテクスト情報を示す要素（コンテクスト情報の重み値）間で相関を演算し、相関の高い幾つかの特徴ベクトルCCV（元の行列CCMの列成分）を選択し、さらに、選択した特徴ベクトルCCV（元の行列CCMの列成分）に対応する特徴ベクトルCCV^＊（近似行列CCM^＊の列成分）を選択し、これらの特徴ベクトルCCV^＊の総和ベクトル（各要素の総和を要素とするベクトル）をユーザ嗜好ベクトルUPV^＊として適用することもできる。

なお、このようにコンテクストの類似度の高い特徴ベクトルCCV^＊の総和ベクトルがユーザ嗜好ベクトルUPV^＊として適用された場合、そのユーザ嗜好ベクトルUPV^＊は、所定のコンテクスト（１以上のコンテクストの組み合わせ）に対するユーザ嗜好ベクトルUPV^＊であると言える。そこで、以下、所定のコンテクストに対するユーザ嗜好ベクトルUPV^＊を、他のユーザ嗜好ベクトルUPV^＊と区別するために、コンテクストユーザ嗜好ベクトルCUPV^＊と称する。即ち、本明細書においては、例えば、コンテクストユーザ嗜好ベクトルCUPV^＊と、単に近似行列CCM^＊の列成分（特徴ベクトルCCV^＊）がそのままユーザ嗜好ベクトルUPV^＊として適用された場合とを明確に区別する。

このようにして生成されたユーザ嗜好ベクトルUPV^＊（コンテクストユーザ嗜好ベクトルCUPV^＊含）は、関連情報取得部８に供給されるとともに、UPV記憶部６にも記憶される。

次に、マッチング部３に着目すると、このマッチング部３は、マッチング演算部３１から構成される。マッチング演算部３１は、メタ情報取得部１より供給される各情報の重み値を要素とする標準形のベクトル、即ち、特徴ベクトルCCVを生成し、この特徴ベクトルCCVと、UPV記憶部６に記憶されたユーザ嗜好ベクトルUPV^＊との類似度を演算し、その演算結果を推薦提示部９に供給する。

例えば、後述する推薦提示部９が、ユーザの現状のコンテクストに適したコンテンツを推薦する場合、マッチング演算部３１は、はじめに、メタ情報取得部１から供給された、ユーザの現状のコンテクストを示すコンテクスト情報を取得し、そのコンテクスト情報の重み値を要素とする標準形のベクトル、即ち、コンテンツメタ情報を示す要素の全てが０となる特徴ベクトルCCVを生成する。そして、マッチング演算部３１は、この特徴ベクトルCCVと、UPV記憶部６に記憶された複数のコンテクストユーザ嗜好ベクトルCUPV^＊との類似度を演算し、最も類似度の高いコンテクストユーザ嗜好ベクトルCUPV^＊を、ユーザの現状コンテクストに対するコンテクストユーザ嗜好ベクトルCUPV^＊として設定する。

なお、このとき、マッチング演算部３１により選択された、ユーザの現状コンテクストに対するコンテクストユーザ嗜好ベクトルUPV^＊を、他のコンテクストユーザ嗜好ベクトルUPV^＊と区別するために、特定コンテクストユーザ嗜好ベクトルsCUPV^＊と称する。

或いは、UPV記憶部６に、コンテクストユーザ嗜好ベクトルCUPV^＊ではなく、単に近似行列CCM^＊の列成分（特徴ベクトルCCV^＊）がそのままユーザ嗜好ベクトルUPV^＊として記憶されている場合、マッチング演算部３１は、ユーザの現状のコンテクストを示す特徴ベクトルCCVと、UPV記憶部６に記憶された複数のユーザ嗜好ベクトルUPV^＊との類似度を演算する。そして、マッチング演算部３１は、閾値以上の類似度を有する幾つかのユーザ嗜好ベクトルUPV^＊を選択し、これらの各要素の総和を要素とする標準形のベクトル（選択されたユーザ嗜好ベクトルUPV^＊の総和ベクトル）を、ユーザの現状のコンテクストに対するユーザ嗜好ベクトルCUPV^＊、即ち、特定コンテクストユーザ嗜好ベクトルsCUPV^＊として設定することもできる。

次に、マッチング演算部３１は、推薦候補となるコンテンツに対するコンテンツメタ情報がメタ情報取得部１より供給されてくる毎に、そのコンテンツメタ情報の重み値を要素とする標準形のベクトル、即ち、コンテクスト情報を示す要素の全てが０となる特徴ベクトルCCVを生成する。そして、マッチング演算部３１は、この特徴ベクトルCCVと、特定コンテクストユーザ嗜好ベクトルsCUPV^＊との類似度を演算し、その演算結果を推薦提示部９に供給する。

推薦提示部９は、供給された演算結果（類似度）のうちの、特定コンテクストユーザ嗜好ベクトルsCUPV^＊と最も類似度の高い特徴ベクトルCCVに対応するコンテンツを、推薦コンテンツとしてユーザに提示する。なお、推薦提示部９は、供給された演算結果（類似度）のうちの、閾値以上の類似度を持つ特徴ベクトルCCVに対応する１以上のコンテンツを、推薦コンテンツとしてユーザに提示することもできる。

このようにしてユーザに提示された推薦コンテンツに対する特徴ベクトルCCVは、上述したように、特定コンテクストユーザ嗜好ベクトルsCUPV^＊（ユーザの現状のコンテクストに対するコンテクストユーザ嗜好ベクトルCUPV^＊）と類似度が高いものである。従って、ユーザが嗜好するコンテンツの中でも、特に、ユーザの現状のコンテクスト（現在置かれているコンテクスト）に最も適したコンテンツが、推薦コンテンツとしてユーザに提示される。これにより、提示された推薦コンテンツがユーザにより拒絶される割合が従来に比較して下がる効果を奏することが可能になる。

なお、上述した例では、推薦候補に対する特徴ベクトルCCVにおいては、コンテクスト情報を示す要素の全てが０とされていたが、勿論、コンテクスト情報を示す要素に値が代入されていてもよい。この値は、特に限定されず、例えば、他のユーザがその推薦候補（コンテンツ）を使用した際のコンテクストの重み値であってもよいし、ユーザ自身がその推薦候補（コンテンツ）を使用すると仮定した際のコンテクストの予測重み値であってもよい。

ところで、語彙辞書作成部７は、例えば、空間およびUPV生成部２により生成された最適空間UPS、即ち、上述した式（２）の近似行列CCM^＊（＝D_k）の成分行列U_k等を用いて、ユーザの語彙辞書を作成する。即ち、語彙辞書作成部７は、例えば、成分行列U_k等により生成される（式（２）で算出される）近似行列CCM^＊（＝D_k）の各成分のうちの重み値が一定値以上となった成分を示す単語（例えば、後述する図１１に示される“幼稚園”等）を、ユーザの興味語として設定し、その興味語を登録していくことで語彙辞書を作成する。語彙辞書作成部７はまた、近似行列CCM^＊（＝D_k）の各成分のうちの重み値の最高値または平均値が一定値未満となった成分を示す単語（例えば、後述する図１１に示される“飲み会”や“ビール”等）を、ユーザの非興味語（不要語）として設定し、その非興味語を語彙辞書に登録することもできる。

また、関連情報取得部８は、空間およびUPV生成部２から供給されたユーザ嗜好ベクトルUPV^＊毎に、そのユーザの嗜好上重要な語句を選んでWeb検索などにより関連情報を取得し、必要に応じて推薦提示部９に供給する。これにより、推薦提示部９は、推薦コンテンツと共に、関連情報取得部８より供給された関連情報を推薦コンテンツの推薦理由等としてユーザに提示したり、その関連情報自体を推薦コンテンツを選択する際の指標として利用することができる。

次に、図３のフローチャートを参照して、第１実施形態（図１）の情報処理装置が有する機能のうちのユーザ嗜好ベクトルUPV^＊（近似行列CCM^＊に基づくユーザ嗜好ベクトルUPV^＊）を生成する機能を実現する処理（以下、UPV生成処理と称する）について説明する。

具体的には、例えば、いま、ユーザが受け取った（読んだ）メールの７つの文章（以下、DOC１乃至DOC７のそれぞれと記述する）をコンテンツとして取り扱い、ユーザが文章DOC１乃至文章DOC7のそれぞれを読んだ場所（家、または会社）と、その時点の情動（リラックス、緊張、楽しい、または悲しい）をコンテクストして取り扱うとする。

詳細には、メタ情報取得部１の文書取得部１１が、文章DOC1乃至文章DOC7のそれぞれを取得し、文書解析部１２が、これらの文章DOC1乃至文章DOC7のそれぞれを、次の（Ｉ）乃至（VII）のそれぞれの単語（名詞）に分解したとする。さらに、コンテクスト取得部１４が、文章DOC1乃至文章DOC7のそれぞれをユーザが読んだ際のコンテクストのそれぞれとして、次の（Ｉ）乃至（VII）のそれぞれの括弧（）内の単語（名詞）を取得したとする。

（Ｉ）幼稚園、子供、幼稚園、子供、早退（会社、楽しい）
（II）緊急、召集（会社、緊張）
（III）子供、海、子供（家、楽しい）
（IV）飲み会、ビール（会社、リラックス）
（Ｖ）緊急、特許（会社、緊張）
（VI）幼稚園、幼稚園、子供、風邪（家、悲しい）
（VII）風邪、早退（会社、悲しい）

即ち、これらの（Ｉ）乃至（VII）のそれぞれに対応するデータが、メタ情報取得部１から空間およびUPV生成部２に供給されたとする。

この場合、ステップＳ１において、空間およびUPV生成部２の特徴ベクトル（CCV）生成部２１は、（Ｉ）乃至（VII）のそれぞれに対応する特徴ベクトルCCV（以下、特徴ベクトルCCV₁乃至特徴ベクトルCCV₇のそれぞれと称する）を生成し、CCV記憶部４に記憶させる。

なお、以下、このような特徴ベクトル（CCV）生成部２１の処理（ステップＳ１の処理）を「CCV生成処理」と称する。第１実施形態の「CCV生成処理」の詳細例が図４のフローチャートに示されている。そこで、以下、図４を参照して、第１実施形態の「CCV生成処理」の詳細例について説明する。

はじめに、ステップＳ２１において、特徴ベクトル(CCV)生成部２１は、コンテンツメタ情報とコンテクスト情報とを取得する。具体的には、例えば、特徴ベクトル(CCV)生成部２１は、文章（コンテンツ）DOC１のコンテンツメタ情報として、上述した（Ｉ）の“幼稚園”、“子供”、“幼稚園”、“子供”、および、“早退”のそれぞれのデータを取得し、文章DOC１のコンテクスト情報として、上述した（Ｉ）の括弧（）内の“会社”と“楽しい”のそれぞれのデータを取得する。

ステップＳ２２において、特徴ベクトル(CCV)生成部２１は、コンテンツメタ情報とコンテクスト情報に対して重み付けを行う（数値化する）。上述したように、重み付けの手法は特に限定されないが、ここでは、頻度（単語の出現回数）により重み付けされるとする。具体的には、例えば、いまの場合（文章DOC１の場合）、コンテンツメタ情報のうちの“幼稚園”は２回出現しているので（頻度が２であるので）、文章DOC1のコンテンツメタ情報における“幼稚園”は「２」に数値化される（そのように重み付けされる）。同様に、文章DOC1のコンテンツメタ情報における“子供”は「２」に、“早退”は「１」に、それぞれ数値化される。文章DOC1のコンテクスト情報も単語化された情報であるので、コンテンツメタ情報と同様に、“会社”と“楽しい”とはいずれも「１」に数値化される。

ステップＳ２３において、特徴ベクトル(CCV)生成部２１は、重み付けされた（数値化された）コンテンツメタ情報とコンテクスト情報とを要素とする特徴ベクトルCCVを生成する。

なお、上述したように、特徴ベクトルCCVの次元数やその要素については特に限定されないが、ここでは、特徴ベクトルCCVは、図５に示される標準形のベクトル、即ち、（“幼稚園”，“子供”，“早退”，“緊急”，“召集”，“海”，“飲み会”，“ビール”，“特許”，“風”，“家”，“会社”，“リラックス”，“緊張”，“楽しい”，“悲しい”）といった１６次元のベクトルとされる。ただし、１６個の要素のそれぞれには、対応する“ ”で挟まれる単語の重み値が代入される。

具体的には、例えば、いまの場合（文章DOC１の場合）、特徴ベクトル(CCV)生成部２１は、“幼稚園”に対応する要素（第１次元の要素）には「２」を、“子供”に対応する要素（第２次元の要素）には「２」を、“早退”に対応する要素（第３次元の要素）には「１」を、“会社”に対応する要素（第１２次元の要素）には「１」を、“悲しい”に対応する要素（第１６次元の要素）には「１」を、それら以外の要素（第４次元乃至第１１次元と第１３次元乃至第１５次元のそれぞれの要素）には「０」を、それぞれ代入することで、文章DOC1に対する特徴ベクトルCCV₁を生成する。即ち、図５に示されるように、文章DOC1に対する特徴ベクトルCCV₁として（2,2,1,0,0,0,0,0,0,0,0,1,0,0,0,1）が生成される。

そして、ステップＳ２４において、特徴ベクトル(CCV)生成部２１は、直前のステップＳ２３の処理で生成した特徴ベクトルCCV（いまの場合、文章DOC1に対する特徴ベクトルCCV₁）をCCV記憶部４に記憶させる。

ステップＳ２５において、特徴ベクトル(CCV)生成部２１は、他のコンテンツもCCV化するか否かを判定する。

いまの場合、他のコンテンツとして、文章DOC2乃至文章DOC7がまだ残っているので、文章DOC2乃至文章DOC7のそれぞれに対して、ステップＳ２１乃至Ｓ２５の処理が繰り返し実行されて、図５に示されるような、文章DOC2乃至文章DOC7のそれぞれの特徴ベクトルCCV₂乃至特徴ベクトルCCV₇のそれぞれが生成され、CCV記憶部４に記憶される。

このようにして、全てのコンテンツに対する特徴ベクトル（いまの場合、特徴ベクトルCCV₁乃至特徴ベクトルCCV₇）をCCV記憶部４に記憶させると、特徴ベクトル(CCV)生成部２１は、ステップＳ２５において、他のコンテンツもCCV化しないと判定し、ステップＳ２６において、各特徴ベクトルCCVのそれぞれの要素の重みを調整する。

なお、上述したように、各特徴ベクトルCCVの各要素の値として、コンテンツメタ情報の重み値、または、コンテクスト情報の重み値に対して、可変係数のそれぞれが掛けられた値が適用されている場合、特徴ベクトル(CCV)生成部２１は、ステップＳ２６において、調整したい要素の可変係数を単に変えるだけで、各特徴ベクトルCCVのそれぞれの要素の重みを簡単に調整することができる。

これにより、「CCV生成処理」は終了となる。

図３に戻り、「CCV生成処理（ステップＳ１）」の処理が終了されると、ステップＳ２において、行列演算部（空間生成部）２２は、CCV記憶部４に記憶された複数の特徴ベクトルCCVに基づいて行列CCMを生成し、さらに、その行列CCMの近似行列CCM^＊を生成し、ユーザ嗜好ベクトル（UPV）生成部２３に供給する。

なお、以下、このような行列演算部（空間生成部）２２の処理（ステップＳ２の処理）を「近似行列（空間）生成処理」と称する。第１実施形態の「近似行列（空間）生成処理」の詳細例が図６のフローチャートに示されている。そこで、以下、図６を参照して、第１実施形態の「近似行列（空間）生成処理」の詳細例について説明する。

はじめに、ステップＳ４１において、行列演算部（空間生成部）２２は、CCV記憶部４から、複数の特徴ベクトルCCVを取得する。具体的には、例えば、いまの場合、行列演算部（空間生成部）２２は、上述した図５の特徴ベクトルCCV₁乃至特徴ベクトルCCV₇を取得する。

ステップＳ４２において、行列演算部（空間生成部）２２は、複数の特徴ベクトルCCVを列成分とする行列CCMを生成する。具体的には、例えば、いまの場合、行列演算部（空間生成部）２２は、図７に示されるような行列Dを行列CCMとして生成する。

ステップＳ４３において、行列演算部（空間生成部）２２は、行列CCMに対して、特異値分解と次元削減を行い、上述した式（２）の右辺に示される成分行列U_k，Σ_k，V_kを生成し（即ち、最適空間UPSを生成し）、ステップＳ４４において、それらの成分行列U_k，Σ_k，V_kを成分行列記憶部５に記憶させる。

そして、ステップＳ４５において、行列演算部（空間生成部）２２は、成分行列U_k，Σ_k，V_kを用いて（式（２）の右辺を演算して）、行列CCMの近似行列CCM^＊を生成し、ユーザ嗜好ベクトル（UPV）生成部２３に供給する。

具体的には、例えば、いまの場合、ステップＳ４３乃至Ｓ４５の処理で次のような処理が実行される。即ち、上述したように、行列演算部（空間生成部）２２は、図７に示される行列D（行列CCM）に対して特異値分解を施すことで、行列CCMを、上述した式（１）を満たす成分行列Ｕ，Σ，Ｖのそれぞれに分解する。このとき生成された（図７の行列Dが分解された）成分行列Ｕ，Σ，Ｖのそれぞれが、図８乃至図１０のそれぞれに示されている。

なお、成分行列Σは実際には１６行７列の行列となるが、図９においては、先頭（上）から７行目までの行列成分のみが図示されている。成分行列Σにおいては、図９に示される行列成分（上の７×７の行列成分）が対角行列をなし、残りの図示せぬ行列成分の全てが０となるためである。

また、成分行列Ｕは実際には１６行１６行の行列となるが、図８においては、先頭（左）から７列目までの行列成分のみが図示されている。Ｕ×Σの行列演算を考えた場合、図８には図示せぬ行列成分（先頭から８行目以降の行列成分）がいずれの値であっても、結局、それらの行列成分と、対応するΣの行列成分（即ち、０）との積はいずれも０となるためである。

そして、上述したように、行列演算部（空間生成部）２２は、図８の成分行列Ｕの先頭の３個の列成分（左特異ベクトル）からなる行列U_k、即ち、同図の点線枠で示される１６行３列の行列U_kを生成する。

また、上述したように、行列演算部（空間生成部）２２は、図１０の成分行列Ｖの先頭の３個の列成分（右特異ベクトル）からなる行列V_k、即ち、同図の点線枠で示される７行３列の行列V_kを生成する。さらに、行列演算部（空間生成部）２２は、図９の成分行列Σの先頭の３個の列成分のうちの１行乃至３行目までの要素（同図の点線枠で示されるように、成分行列Σのうちの、３×３個の要素からなる左上成分）からなる行列Σ_k、即ち、３行３列の行列Σ_kを生成する。

そして、行列演算部（空間生成部）２２は、これらの成分行列U_k，Σ_k，V_kを成分行列記憶部５に記憶させた後、上述した式（２）の右辺にこれらの成分行列U_k，Σ_k，V_kを代入して行列演算を行うことで、ランクが３に縮退した図１１に示されるような行列D_kを求め、この行列D_kを、行列CCMの近似行列CCM^＊としてユーザ嗜好ベクトル（UPV）生成部２３に供給する。

これにより、「近似行列（空間）生成処理」は終了となる。

図３に戻り、「近似行列（空間）生成処理（ステップＳ２）」の処理が終了されると、ステップＳ３において、ユーザ嗜好ベクトル(UPV)生成部２３は、ユーザ嗜好ベクトルUPV^＊のタイプとして、上述したコンテクスト毎のユーザ嗜好ベクトルUPV^＊、即ち、コンテクストユーザ嗜好ベクトルCUPV^＊を生成するのか否かを判定する。

ステップＳ３において、ユーザ嗜好ベクトル(UPV)生成部２３は、コンテクストユーザ嗜好ベクトルCUPV^＊を生成しないと判定した場合、例えば、次のステップＳ４とＳ５の処理を実行する。

即ち、ユーザ嗜好ベクトル(UPV)生成部２３は、ステップＳ４において、近似行列CCM^＊の各列成分、即ち、近似行列CCM^＊における各特徴ベクトルCCV^＊のそれぞれをユーザ嗜好ベクトルUPV^＊として設定し、ステップＳ５において、それらのユーザ嗜好ベクトルUPV^＊をUPV記憶部６に記憶させる。具体的には、例えば、いまの場合、「近似行列（空間）生成処理（ステップＳ２）」の処理により図１１に示される行列D_kが近似行列CCM^＊として生成されるので、この近似行列CCM^＊の各列成分、即ち、同図に示される特徴ベクトルCCV^＊ ₁乃至特徴ベクトルCCV^＊ ₇のそれぞれが、ユーザ嗜好ベクトルUPV^＊として設定され、UPV記憶部６に記憶される。

これにより、UPV生成処理は終了となる。

これに対して、ステップＳ３において、コンテクストユーザ嗜好ベクトルCUPV^＊を生成すると判定した場合、ユーザ嗜好ベクトル(UPV)生成部２３は、ステップＳ６において、コンテクストユーザ嗜好ベクトルCUPV^＊を生成する。

なお、以下、このようなユーザ嗜好ベクトル(UPV)生成部２３がコンテクストユーザ嗜好ベクトルCUPV^＊を生成する処理（ステップＳ６の処理）を「CUPV生成処理」と称する。第１実施形態の「CUPV生成処理」の詳細例が図１２のフローチャートに示されている。そこで、以下、図１２を参照して、第１実施形態の「CUPV生成処理」の詳細例について説明する。

はじめに、ステップＳ６１において、ユーザ嗜好ベクトル(UPV)生成部２３は、近似行列CCM^＊の各列成分、即ち、近似行列CCM^＊における各特徴ベクトルCCV^＊の要素のうちの、コンテクスト情報の要素間の類似度を演算する。具体的には、例えば、いまの場合、「近似行列（空間）生成処理（ステップＳ２）」の処理により図１１に示される行列D_kが近似行列CCM^＊として生成されるので、この近似行列CCM^＊の各列成分、即ち、同図に示される特徴ベクトルCCV^＊ ₁乃至特徴ベクトルCCV^＊ ₇のそれぞれのうちの、コンテクスト情報の要素からなるベクトル（“家”，“会社”，“リラックス”，“緊張”，“楽しい”，“悲しい”）同士の類似度が演算される。

ステップＳ６２において、ユーザ嗜好ベクトル(UPV)生成部２３は、各特徴ベクトルCCV^＊（いまの場合、図１１の特徴ベクトルCCV^＊ ₁乃至特徴ベクトルCCV^＊ ₇）をクラス分類する。即ち、ユーザ嗜好ベクトル(UPV)生成部２３は、ステップＳ６１の処理で演算した類似度が閾値以上の特徴ベクトルCCV^＊を１つのクラスに含める。

次に、ステップＳ６３において、ユーザ嗜好ベクトル(UPV)生成部２３は、各クラス毎に、対応するクラスに属する各特徴ベクトルCCV^＊の同一要素の総和（例えば、“幼稚園”同士の総和）を演算し、各演算結果（各要素の総和）を要素とするベクトルを、対応するクラスのコンテクストユーザ嗜好ベクトルCUPV^＊として設定する。

そして、ステップＳ６４において、ユーザ嗜好ベクトル(UPV)生成部２３は、各クラス毎に設定されたコンテクストユーザ嗜好ベクトルCUPV^＊のそれぞれを、UPV記憶部６に記憶させる。

これにより、図１２の「CUPV生成処理（図３のステップＳ６の処理）」は終了となる。即ち、図３のUPV生成処理自体が終了となる。

次に、図１３のフローチャートを参照して、第１実施形態（図１）の情報処理装置が有する機能のうちの、既に生成したユーザ嗜好ベクトルUPV^＊に基づいて、ユーザの現在置かれているコンテクストに適合したコンテンツを推薦する機能を実現する処理（以下、コンテンツ推薦処理と称する）について説明する。

ステップＳ１０１において、マッチング部３のマッチング演算部３１は、UPV記憶部６に記憶されているユーザ嗜好ベクトルUPV^＊（コンテクストユーザ嗜好ベクトルCUPV^＊の場合もある）に基づいて、ユーザの現在置かれているコンテクストに適合した、特定コンテクストユーザ嗜好ベクトルsCUPV^＊を設定する。

なお、以下、このようなマッチング演算部３１が、特定コンテクストユーザ嗜好ベクトルsCUPV^＊を設定する処理（ステップＳ１０１の処理）を「CUPV設定処理」と称する。第１実施形態の「CUPV設定処理」の詳細例が図１４のフローチャートに示されている。そこで、以下、図１４を参照して、第１実施形態の「CUPV設定処理」の詳細例について説明する。

はじめに、ステップＳ１２１において、マッチング演算部３１は、メタ情報取得部１（コンテクスト取得部１４）より現状のコンテクスト情報を取得する。

具体的には、例えば、いま、ステップＳ１２１において、マッチング演算部３１は、現状のコンテクスト情報として、“家”と“楽しい”という単語データをメタ情報取得部１より取得したとする。即ち、ユーザの現在置かれているコンテクストは、「ユーザは家にいて楽しい気分である」というコンテクストであるとする。

この場合、ステップＳ１２２において、マッチング演算部３１は、現状のコンテクスト情報を特徴ベクトルCCV化する。即ち、マッチング演算部３１は、図１５に示されるように、“家”の要素（第１１次元の要素）を「１」とし、“楽しい”の要素（第１５次元の要素）を「１」とし、それ以外の要素（第１次元乃至第１０次元、第１２次元乃至第１４次元、および、第１６次元のそれぞれの要素）を「０」とする特徴ベクトルCCVを生成する。なお、以下、このようにして、マッチング演算部３１により生成される特徴ベクトルCCV、即ち、ユーザの現在置かれているコンテクストを示す特徴ベクトルCCVを、他の特徴ベクトルCCVと区別するために、現状コンテクスト特徴ベクトルcCCVと称する。即ち、いまの場合、ステップＳ１２２において、マッチング演算部３１は、図１５に示されるような現状コンテクスト特徴ベクトルcCCVを生成する。

ステップＳ１２３において、マッチング演算部３１は、現状コンテクスト特徴ベクトルcCCVと、UPV記憶部６に既に記憶されている各ユーザ嗜好ベクトルUPV^＊（または、各コンテクストユーザ嗜好ベクトルCUPV^＊）のそれぞれとの類似度を演算する。

ステップＳ１２４において、マッチング演算部３１は、ステップＳ１２３の処理における類似度演算の対象は、コンテクストユーザ嗜好ベクトルCUPV^＊であるか否かを判定する。

ステップＳ１２４において、対象はコンテクストユーザ嗜好ベクトルCUPV^＊であると判定した場合、マッチング演算部３１は、ステップＳ１２５において、最大類似度のコンテクストユーザ嗜好ベクトルCUPV^＊を、上述した特定コンテクストユーザ嗜好ベクトルsCUPV^＊として設定する。

これに対して、ステップＳ１２４において、対象はコンテクストユーザ嗜好ベクトルCUPV^＊ではないと判定した場合、マッチング演算部３１は、ステップＳ１２６において、類似度が閾値以上のユーザ嗜好ベクトルUPV^＊の総和ベクトルを、特定コンテクストユーザ嗜好ベクトルsCUPV^＊として設定する。

具体的には、例えば、いまの場合、図１５に示される現状コンテクスト特徴ベクトルcCCVと、図１１に示される特徴ベクトルCCV^＊ ₁乃至特徴ベクトルCCV^＊ ₇（UPV記憶部６に記憶された各ユーザ嗜好ベクトルUPV^＊）のそれぞれとの類似度の演算結果は、図１６に示される通りとなる。

この場合、例えば、閾値が0.8に設定されているとすると、マッチング演算部３１は、ステップＳ１２６において、特徴ベクトルCCV^＊ ₁と特徴ベクトルCCV^＊ ₃との総和ベクトルを、特定コンテクストユーザ嗜好ベクトルsCUPV^＊として設定することになる。

ここで、注目すべき点は次の点である。即ち、仮に、ユーザ嗜好ベクトルUPV^＊として、上述した図７の元の行列CCMの各列成分、即ち、上述した図５の特徴ベクトルCCV₁乃至特徴ベクトルCCV₇が適用された場合、現状コンテクスト特徴ベクトルcCCV（図１５）のコンテクスト情報の要素と一致する（“家”と“楽しい”が「１」でその他の要素が「０」である）特徴ベクトルCCV₃のみが、特定コンテクストユーザ嗜好ベクトルsCUPV^＊の生成に反映される。これに対して、いまの場合のように、ユーザ嗜好ベクトルUPV^＊として、図１１の近似行列CCM^＊の各列成分、即ち、図１１の特徴ベクトルCCV^＊ ₁乃至特徴ベクトルCCV^＊ ₇が適用されると、特徴ベクトルCCV₃に対応する特徴ベクトルCCV₃ ^＊のみならず、特徴ベクトルCCV₁に対応する特徴ベクトルCCV₁ ^＊も、特定コンテクストユーザ嗜好ベクトルsCUPV^＊の生成に反映されることになる点である。

即ち、ここで注目すべき点は、空間およびUPV生成部２が、図７の元の行列CCMに対して上述したLSI法を適用して近似行列CCM^＊を生成したことで（図６の「近似行列（空間）生成処理」を実行したことで）、図５の特徴ベクトルCCV₁乃至特徴ベクトルCCV₇では表現しきれなかった各要素（コンテンツメタ情報とコンテクスト情報）間の関係が、図１１の特徴ベクトルCCV^＊ ₁乃至特徴ベクトルCCV^＊ ₇においては浮き彫りになった点である。さらには、その結果、特徴ベクトルCCV^＊ ₁に対応するコンテンツ（文章DOC1）を使用したときのユーザのコンテクストも、現状のコンテクストに類似していることが浮かび上がった点である。

換言すると、ここで注目すべき点は、次の点である。即ち、図５の特徴ベクトルCCV₁乃至特徴ベクトルCCV₇が、仮にユーザ嗜好ベクトルUPV^＊として適用された場合、特徴ベクトルCCV₆ は、“家”の要素が「１」であることが図１５の現状コンテクスト特徴ベクトルcCCVと類似し、また、特徴ベクトルCCV₁は、“楽しい”の要素が「１」であることが図１５の現状コンテクスト特徴ベクトルcCCVと類似する。従って、特徴ベクトルCCV₆と特徴ベクトルCCV₁とのそれぞれの、図１５の現状コンテクスト特徴ベクトルcCCVに対する類似度は一致することになる。これに対して、各コンテンツ（文章DOC１乃至文章DOC７）のそれぞれの要素間の関係（コンテンツメタ情報と、コンテクスト情報との関係）がLSI法により強調されたところ（各要素の重みが更新されたところ）、特徴ベクトルCCV₁ ^＊の“家”の要素が、特徴ベクトルCCV₆ ^＊と同程度の「約0.6」に更新されたのに対して、特徴ベクトルCCV₁ ^＊の“楽しい”の要素が、特徴ベクトルCCV₆ ^＊の「約0.16」に比較して遥かに高い「約1.06」に更新され、その結果、特徴ベクトルCCV₁ ^＊の方が、特徴ベクトルCCV₆ ^＊よりも、図１５の現状コンテクスト特徴ベクトルcCCVに対する類似度が高くなった点である。即ち、“家”で“悲しい”気分で使用した文章DOC６よりも、“会社”で“楽しい”気分で使用した文章DOC１の方が、現状のコンテクスト（“家”で“楽しい”気分）に適していることが浮き彫りになった点である。

このように、本発明においては、LSI法の適用は、上述した次元数を単に減らすという第１の効果を目的とする以外に、元の特徴ベクトルCCVの各要素間の関係を強調させた特徴ベクトルCCV^＊を生成させる第２の効果を主目的としている。即ち、第２の効果とは、元の特徴ベクトルCCVに比較して、類義語が自然に関連性を持つ（値が同様の重みを持つ）特徴ベクトルCCV^＊を生成させる効果である。さらに言えば、第２の効果とは、LSI法を適用して次元削減することで、高次元の元の特徴ベクトルCCVにおいては、別物として取り扱われていた単語のうちの同じ意味あいを持つ単語が、低次元の特徴ベクトルCCV^＊においては、同一次元に縮退し同等になる効果である。

換言すると、本発明の主目的は第２の効果を奏することである（勿論、第１の効果も奏する方が好適である）ので、この第２の効果を奏することが可能な手法、即ち、元の特徴ベクトルCCVの各要素間の関係を強調させた特徴ベクトルCCV^＊を生成させることが可能な手法であれば、LSI法に限定されず、様々な手法を適用することが可能である。

従って、空間およびUPV生成部２の構成は、図１の構成に限定されず、次のような更新部と生成部とを単に有する構成であればよい。即ち、Ｎ個（Ｎは、２以上の整数値であって、いまの場合、１６個）の個別情報（例えば、図５の“幼稚園”や“子供”といったコンテンツメタ情報と、“家”や“楽しい”といったコンテクスト情報）から構成される情報群をＭ個（Ｍは、１以上の整数値であって、いまの場合、文章DOC１乃至文章DOC７のそれぞれに対応する７個）取得し、Ｍ個の情報群毎に、Ｎ個の個別情報間の関係が強調されるように、Ｎ個の個別情報のうちの少なくとも一部の内容を更新する（いまの場合、各要素、即ち、重みを更新する）更新部と、その更新部により内容が更新されたＮ個の個別情報から構成されるＭ個の情報群（いまの場合、近似行列CCM^＊）に基づいて、Ｎ個の個別情報から構成される基準情報群（いまの場合、コンテクストユーザ嗜好ベクトルCUPV^＊）を生成する生成部とが、空間およびUPV生成部２の構成要素として存在すればよい。

ところで、以上のようにして、図１４のステップＳ１２５またはステップＳ１２６の処理で、特定コンテクストユーザ嗜好ベクトルsCUPV^＊が設定されると、「CUPV設定処理」は終了となる。

図１３に戻り、「CUPV設定処理（ステップＳ１０１の処理）」が終了すると、ステップＳ１０２において、マッチング演算部３１と推薦提示部９は、この特定コンテクストユーザ嗜好ベクトルsCUPV^＊に基づいて、ユーザが嗜好するコンテンツの中でも、特に、ユーザの現状のコンテクストに適合するコンテンツを、推薦コンテンツとしてユーザに提示する。

なお、以下、このようなマッチング演算部３１と推薦提示部９とが推薦コンテンツをユーザに提示する処理（ステップＳ１０２の処理）を「コンテンツ推薦演算処理」と称する。第１実施形態の「コンテンツ推薦演算処理」の詳細例が図１７のフローチャートに示されている。そこで、以下、図１７を参照して、第１実施形態の「コンテンツ推薦演算処理」の詳細例について説明する。

はじめに、ステップＳ１４１において、マッチング演算部３１は、複数のコンテンツに対するコンテンツメタ情報のそれぞれを推薦候補のコンテンツメタ情報として、メタ情報取得部１（文書解析部１２またはメタデータ取得部１３）より取得する。

ステップＳ１４２において、マッチング演算部３１は、複数の推薦候補のコンテンツメタ情報のそれぞれを特徴ベクトルCCV化する。即ち、マッチング演算部３１は、複数の推薦候補のそれぞれの特徴ベクトルCCVを生成する。具体的には、いまの場合、上述した図１１や図１５等に示される標準形の特徴ベクトルCCVであって、コンテクスト情報の要素、即ち、第１１次元乃至第１６次元の要素が「０」である特徴ベクトルCCVが生成される。

ステップＳ１４３において、マッチング演算部３１は、ステップＳ１０１の「CUPV設定処理（図１３、詳細は図１４）」で設定した特定コンテクストユーザ嗜好ベクトルsCUPV^＊と、ステップＳ１４２の処理で生成した複数の推薦候補の特徴ベクトルCCVのそれぞれとの類似度を演算し、その演算結果を推薦提示部９に供給する。

すると、ステップＳ１４４において、推薦提示部９は、類似度が閾値以上の推薦候補（１つだけ提示する場合、最大の類似度の推薦候補）を推薦コンテンツとして、ユーザに提示する。これにより「コンテンツ推薦演算処理（図１３のステップＳ１０２の処理）」は終了となる。即ち、図１３のコンテンツ推薦処理自体が終了となる。

上述したように、このようにしてユーザに提示された推薦コンテンツに対する特徴ベクトルCCVは、ステップＳ１０１の「CUPV設定処理（図１３、詳細は図１４）」で設定された特定コンテクストユーザ嗜好ベクトルsCUPV^＊（ユーザが現在置かれているコンテクストに相当するコンテクストユーザ嗜好ベクトルCUPV^＊）と類似度が高いものである。従って、ユーザが嗜好するコンテンツの中でも、特に、ユーザの現状のコンテクストに最も適したコンテンツが、推薦コンテンツとしてユーザに提示される。これにより、提示された推薦コンテンツがユーザにより拒絶される割合が従来に比較して下がる効果を奏することが可能になる。

即ち、上述したように、ユーザの嗜好やコンテクストに適したコンテンツを選択するために、ユーザの経験したコンテンツメタ情報とコンテクスト情報を含む特徴ベクトルCCVに基づいて行列CCMを生成し、さらに、LSI（潜在的意味インデクシング）法等を利用して行列CCMの近似行列CCM^＊を生成し、この近似行列CCM^＊に基づいてマッチング処理を行うようにしたことで、コンテンツやコンテクストが相互に影響した潜在的に重要な関係性を発見できる（浮かび上がらせることができる）ようになり、その結果、ユーザの現状のコンテクストにより適したコンテンツを推薦できる効果を奏することが可能になる。

ところで、この効果を奏する１つの要因は、上述したように、コンテクスト情報をコンテンツメタ情報と並べて同等に扱うことである。即ち、コンテクスト情報とコンテンツメタ情報とを同レベルで取り扱うことにより、マッチング処理後の処理結果と限定されたコンテクストとの単純な一致によるコンテンツ推薦でなく、コンテンツとコンテクストとが影響しあって浮かび上がった結果（近似行列CCM^＊）に基づくマッチング処理の結果が反映されたコンテンツ推薦を行うことができる。

従って、上述した例においては、ユーザの現状のコンテクストに最も適したコンテンツ（コンテクストの観点から似たコンテンツ）を推薦コンテンツとしてユーザに提示したが、コンテンツの観点から似たコンテクストをユーザに提示することもできる。

さらに、ユーザが現在使用しているコンテンツに最も適した他のコンテンツを推薦することもできる。

この場合、マッチング部３は次のような処理を実行する。即ち、マッチング部３は、はじめに、ユーザが現在使用しているコンテンツに対するコンテンツメタ情報をメタ情報取得部１から取得し、これらのコンテンツメタ情報に対して重み付けし、重み付けされたコンテンツメタ情報を、上述した標準形のベクトルのうちの対応する要素に代入することで、ユーザが現在使用しているコンテンツに対する特徴ベクトルCCVを生成する。次に、マッチング部３は、生成したこの特徴ベクトルCCVと、UPV記憶部６に既に記憶されている１以上のユーザ嗜好ベクトルUPV^＊との類似度を演算し、その類似度が閾値以上であるユーザ嗜好ベクトルUPV^＊に基づいて新たなユーザ嗜好ベクトルUPV^＊（上述した特定コンテクストユーザ嗜好ベクトルsCUPV^＊に相当）を生成する。そして、マッチング部３は、他のコンテンツに対する特徴ベクトルCCVと、新たなユーザ嗜好ベクトルUPV^＊との類似度を演算し、その演算結果を推薦提示部９に供給する。

（第２実施形態）

次に、図１８乃至図２２を参照して、第２実施形態の情報処理装置について説明する。

図１８は、第２実施形態の情報処理装置の構成例を表しており、第１実施形態の情報処理装置（図１）と対応する部分には、対応する符号が付してある。

第２実施形態の構成例においては、第１実施形態のマッチング部３（図１）の代わりに、射影マッチング部１０１が設けられている。

即ち、上述したように、第１実施形態のマッチング部３は、例えば、図１５に示される１６次元の現状コンテクスト特徴ベクトルcCCVと、UPV記憶部６に記憶されている１６次元のコンテクストユーザ嗜好ベクトルCUPV^＊との類似度を演算することで、１６次元の特定コンテクストユーザ嗜好ベクトルsCUPV^＊を設定した。さらに、マッチング部３は、１６次元の特定コンテクストユーザ嗜好ベクトルsCUPV^＊と、推薦候補（コンテンツ）の１６次元の特徴ベクトルCCVの類似度を演算し、その演算結果を推薦提示部９に提供した。

このように、第１実施形態のマッチング部３は、特徴ベクトル（CCV）生成部２１が生成した特徴ベクトルCCVと同一の次元数（上述した例では、１６次元）のベクトルを処理の対象としている。このため、ユーザが使用したコンテンツの種類が増え、コンテンツメタ情報の蓄積数も増大していき、その結果、特徴ベクトル(CCV)生成部２１により生成される特徴ベクトルCCVの次元数（要素の数）、即ち、ユーザ嗜好ベクトル（UPV）生成部２３により生成されるユーザ嗜好ベクトルUPV^＊の次元数が増大してしまった場合、マッチング部３の演算量が増大してしまうという課題が発生してしまう。

そこで、この課題を解決するために、第２実施形態においては、射影マッチング部１０１は、類似度演算の対象となる特徴ベクトルCCV、即ち、例えば、現状コンテクスト特徴ベクトルcCCVや推薦候補（コンテンツ）の特徴ベクトルCCVの各要素を、行列演算部（空間生成部）２２により生成された最適空間UPSに射影することで次元削減を行う。そして、射影マッチング部１０１は、次元削減を行った特徴ベクトルCCVと、UPV記憶部６に記憶されている、同様に次元削減が行われたユーザ嗜好ベクトルUPV^＊の類似度を演算する。なお、次元削減されたユーザ嗜好ベクトルUPV^＊については後述する。

詳細には、射影マッチング部１０１は、行列演算部（射影部）１１１とマッチング演算部１１２とから構成される。

行列演算部（射影部）１１１は、特徴ベクトルCCV（コンテクスト特徴ベクトルcCCVや推薦候補（コンテンツ）の特徴ベクトルCCV）がメタ情報取得部１から供給されてきた場合、その特徴ベクトルCCVの各要素を、行列演算部（空間生成部）２２により生成された最適空間UPSに射影することで次元削減を行う。即ち、行列演算部（射影部）１１１は、供給された特徴ベクトルCCVに対して、成分行列記憶部５に記憶されている成分行列U_k（上述した式（２）参照）の転置行列を左から掛けることで、最適空間UPSに射影された特徴ベクトルCCV、即ち、次元削減された特徴ベクトルCCV（以下、次元削減された特徴ベクトルCCVを、特徴ベクトルCCV＃と記述する）を求めることができる。

なお、ユーザ嗜好ベクトル（UPV）生成部２３も、行列演算部（射影部）１１１と同様に、生成したユーザ嗜好ベクトルUPV^＊（特徴ベクトル（CCV）生成部２１により生成された特徴ベクトルCCVと同一の次元数（上述した例では、１６次元）を有するユーザ嗜好ベクトルUPV^＊）の各要素を、行列演算部（空間生成部）２２により生成された最適空間UPSに射影することで次元削減を行い、次元削減されたユーザ嗜好ベクトルUPV^＊をUPV記憶部６に記憶する。即ち、ユーザ嗜好ベクトル（UPV）生成部２３は、生成したユーザ嗜好ベクトルUPV^＊に対して、行列演算部（空間生成部）２２により生成された成分行列U_kの転置行列を左から掛けることで、最適空間UPSに射影されたユーザ嗜好ベクトルUPV^＊、即ち、次元削減されたユーザ嗜好ベクトルUPV^＊（以下、次元削減されたユーザ嗜好ベクトルUPV^＊を、ユーザ嗜好ベクトルUPV^＊＃と記述する）を求めることができる。

勿論、行列演算部（射影部）１１１側で、次元削減されたユーザ嗜好ベクトルUPV^＊＃を生成してもよい。

マッチング演算部１１２は、行列演算部（射影部）１１１により次元削減された特徴ベクトルCCV＃と、UPV記憶部６に既に記憶されている、次元削減されたユーザ嗜好ベクトルUPV^＊＃との類似度を演算し、その演算結果を必要に応じて推薦提示部９に供給する。

このように、第２実施形態の射影マッチング部１０１は、次元削減を行ったベクトルを処理対象とするので、次元削減されない元のベクトルを処理対象とする第１実施形態のマッチング部３（図１）と比較して、その演算量を抑制することが可能になる。

なお、射影マッチング部１０１の形態は特に限定されず、ソフトウエアで構成されてもよいし、ハードウエアで構成されてもよいし、或いは、ソフトウエアとハードウエアの組合せとして構成されてもよい。

また、射影マッチング部１０１以外の構成については、図１の第１実施形態の構成と基本的に同様とされる。即ち、図１８において、メタ情報取得部１、空間およびUPV生成部２、および、CCV記憶部４乃至推薦提示部９のそれぞれは、図１の対応するブロックと基本的に同様の構成と機能を有しているため、これらの説明は省略する。

次に、図１９のフローチャートを参照して、第２実施形態の情報処理装置（図１８）が実行するUPV生成処理について説明する。

第２実施形態におけるUPV生成処理の流れは、第１実施形態のそれ（図３）と類似している。そこで、ここでは、第１実施形態と同様の処理（第１実施形態において説明した処理）については、その説明を適宜省略し、以下、図１９フローチャートを参照して、第１実施形態とは異なる処理を中心に説明する。

即ち、図３と図１９とを比較するに、ステップＳ１とＳ２０１の「CCV生成処理」と、ステップＳ２とＳ２０２の「近似行列（空間）生成処理」とは基本的に同様の処理とされる。

「近似行列（空間）生成処理（ステップＳ２０２）」の処理が終了されると、ステップＳ２０３において、ユーザ嗜好ベクトル(UPV)生成部２３は、ユーザ嗜好ベクトルUPV^＊のタイプとして、上述したコンテクスト毎のユーザ嗜好ベクトルUPV^＊、即ち、コンテクストユーザ嗜好ベクトルCUPV^＊を生成するのか否かを判定する。

ステップＳ２０３において、ユーザ嗜好ベクトル(UPV)生成部２３は、コンテクストユーザ嗜好ベクトルCUPV^＊を生成しないと判定した場合、例えば、次のステップＳ２０４乃至Ｓ２０６の処理を実行する。

即ち、ステップＳ２０４において、ユーザ嗜好ベクトル(UPV)生成部２３は、近似行列CCM^＊の各列成分、即ち、近似行列CCM^＊における各特徴ベクトルCCV^＊のそれぞれをユーザ嗜好ベクトルUPV^＊として設定する。

ステップＳ２０５において、ユーザ嗜好ベクトル(UPV)生成部２３は、各ユーザ嗜好ベクトルUPV^＊のそれぞれを最適空間UPSに射影する（即ち、次元削減された各ユーザ嗜好ベクトルUPV^＊＃のそれぞれを生成する）。

ステップＳ２０６において、ユーザ嗜好ベクトル(UPV)生成部２３は、それらの次元削減されたユーザ嗜好ベクトルUPV^＊＃をUPV記憶部６に記憶させる。

これにより、第２実施形態におけるUPV生成処理は終了となる。

これに対して、ステップＳ２０３において、ユーザ嗜好ベクトル(UPV)生成部２３は、コンテクストユーザ嗜好ベクトルCUPV^＊を生成すると判定した場合、ステップＳ２０７において、「CUPV生成処理」を実行する。即ち、ステップＳ２０７において、ユーザ嗜好ベクトル(UPV)生成部２３は、次元削減されたコンテクストユーザ嗜好ベクトルCUPV^＊＃を生成する。

第２実施形態の「CUPV生成処理」の詳細例が図２０のフローチャートに示されている。第２実施形態の「CUPV生成処理」の流れは、第１実施形態のそれ（図１２）と類似している。そこで、ここでは、第１実施形態と同様の処理（第１実施形態において説明した処理）については、その説明を適宜省略し、以下、図２０フローチャートを参照して、第２実施形態とは異なる処理を中心に説明する。

即ち、図１２と図２０とを比較するに、ステップＳ６１乃至Ｓ６３のそれぞれと、ステップＳ２２１乃至Ｓ２２３のそれぞれとは基本的に同様の処理とされるので、それ以降の処理について説明する。

ステップＳ２２３において、コンテクストユーザ嗜好ベクトルCUPV^＊を各クラス毎に設定すると、ユーザ嗜好ベクトル(UPV)生成部２３は、ステップＳ２２４において、各クラス毎に設定されたコンテクストユーザ嗜好ベクトルCUPV^＊のそれぞれを最適空間UPSに射影する（即ち、各クラス毎に、次元削減されたコンテクストユーザ嗜好ベクトルCUPV^＊＃のそれぞれを生成する）。

そして、ステップＳ２２５において、ユーザ嗜好ベクトル(UPV)生成部２３は、各クラス毎に設定された、次元削減されたコンテクストユーザ嗜好ベクトルCUPV^＊＃のそれぞれを、UPV記憶部６に記憶させる。

これにより、第２実施形態の「CUPV生成処理（図１９のステップＳ２０７の処理）」は終了となる。即ち、第２実施形態のUPV生成処理自体が終了となる。

次に、第２実施形態の情報処理装置が実行する「コンテンツ推薦処理」について説明する。

第２実施形態の「コンテンツ推薦処理」の流れは、第１実施形態のそれ（図１３）と基本的に同様とされる。即ち、第２実施形態の「コンテンツ推薦処理」は、上述した図１３のフローチャートに従って実行される。

ただし、第２実施形態の「CUPV設定処理（ステップＳ１０１の処理）」は、第１実施形態のそれ（図１４）と類似しているものの若干差異がある。同様に、第２実施形態の「コンテンツ推薦演算処理（ステップＳ１０２の処理）」は、第１実施形態のそれ（図１７）と類似しているものの若干差異がある。

このような第２実施形態における、「CUPV設定処理（ステップＳ１０１の処理）」と「コンテンツ推薦演算処理（ステップＳ１０２の処理）」のそれぞれの詳細例が図２１と図２２のフローチャートのそれぞれに示されている。そこで、以下、図２１を参照して、第２実施形態の「CUPV設定処理（ステップＳ１０１の処理）」の詳細例を説明し、次に、図２２を参照して、２実施形態の「コンテンツ推薦演算処理（ステップＳ１０２の処理）」の詳細例について説明する。

はじめに、図２１のステップＳ２４１において、行列演算部（射影部）１１１は、メタ情報取得部１（コンテクスト取得部１４）より現状のコンテクスト情報を取得する。

ステップＳ２４２において、行列演算部（射影部）１１１は、現状のコンテクスト情報を特徴ベクトルCCV化する（即ち、現状コンテクスト特徴ベクトルcCCVを生成する）。

ステップＳ２４３において、行列演算部（射影部）１１１は、現状コンテクスト特徴ベクトルcCCVを最適空間UPSに射影する（即ち、次元削減された現状コンテクスト特徴ベクトルcCCV＃を生成する）。

ステップＳ２４４において、マッチング演算部１１２は、次元削減された現状コンテクスト特徴ベクトルcCCV＃と、UPV記憶部６に既に記憶されている、次元削減された各コンテクストユーザ嗜好ベクトルCUPV^＊＃のそれぞれとの類似度を演算する。

ステップＳ２４５において、マッチング演算部１１２は、最大類似度の次元削減されたコンテクストユーザ嗜好ベクトルCUPV^＊＃を、次元削減された特定コンテクストユーザ嗜好ベクトルsCUPV^＊＃として設定する。

これにより、第２実施形態の「CUPV設定処理」は終了となる。

なお、図２１には図示はされていないが、コンテクストユーザ嗜好ベクトルCUPV^＊＃ではなく、ユーザ嗜好ベクトルUPV^＊＃がUPV記憶部６に記憶されている場合であっても、マッチング演算部１１２は、第１実施形態と同様の処理（ステップＳ１２４と同様の処理）を施すことで、特定コンテクストユーザ嗜好ベクトルsCUPV^＊＃を設定することができる。

このような第２実施形態の「CUPV設定処理（図１３のステップＳ１０１の処理）」が終了すると、第２実施形態の「コンテンツ推薦演算処理（図１３のステップＳ１０２の処理」が実行される。

即ち、図２２のステップＳ２６１において、行列演算部（射影部）１１１は、複数のコンテンツに対するコンテンツメタ情報のそれぞれを推薦候補のコンテンツメタ情報として、メタ情報取得部１（文書解析部１２またはメタデータ取得部１３）より取得する。

ステップＳ２６２において、行列演算部（射影部）１１１は、複数の推薦候補のコンテンツメタ情報のそれぞれを特徴ベクトルCCV化する。即ち、行列演算部（射影部）１１１は、複数の推薦候補のそれぞれの特徴ベクトルCCVを生成する。

ステップＳ２６３において、行列演算部（射影部）１１１は、複数の推薦候補の特徴ベクトルCCVのそれぞれを最適空間UPSに射影する（即ち、各推薦候補の次元削減された特徴ベクトルCCV#のそれぞれを生成する）。

ステップＳ２６４において、マッチング演算部１１２は、ステップＳ１０１の「CUPV設定処理（図１３、詳細は図２１）」で設定した、次元削減された特定コンテクストユーザ嗜好ベクトルsCUPV^＊＃と、ステップＳ２６３の処理で生成した複数の推薦候補の次元削減された特徴ベクトルCCV＃のそれぞれとの類似度を演算し、その演算結果を推薦提示部９に供給する。

すると、ステップＳ２６５において、推薦提示部９は、類似度が閾値以上の推薦候補（１つだけ提示する場合、最大の類似度の推薦候補）を推薦コンテンツとして、ユーザに提示する。

これにより、第２実施形態の「コンテンツ推薦演算処理（図１３のステップＳ１０２の処理）」は終了となる。即ち、図１３のコンテンツ推薦処理自体が終了となる。

このように、第２実施形態の「コンテンツ推薦処理」においては、次元削減されたベクトルが処理の対象とされるので、次元削減されない元のベクトルを処理の対象とする第１実施形態の「コンテンツ推薦処理」と比較して、処理量を削減できる効果を奏することが可能になる。

なお、第２実施形態の上述した例においても、第１実施形態と同様に、ユーザの現状のコンテクストに最も適したコンテンツを推薦コンテンツとしてユーザに提示したが、ユーザが現在使用しているコンテンツに最も適した他のコンテンツを推薦してもよい。

この場合、射影マッチング部１０１は次のような処理を実行する。即ち、射影マッチング部１０１は、はじめに、ユーザが現在使用しているコンテンツに対するコンテンツメタ情報をメタ情報取得部１から取得し、これらのコンテンツメタ情報に対して重み付けし、重み付けされたコンテンツメタ情報を、上述した標準形のベクトルのうちの対応する要素に代入することで、ユーザが現在使用しているコンテンツに対する特徴ベクトルCCVを生成する。

次に、射影マッチング部１０１は、生成したこの特徴ベクトルCCVと、UPV記憶部６に既に記憶されている１以上のユーザ嗜好ベクトルUPV^＊とに対して、上述した式（４）に示される成分行列U_kの転置行列を左から掛けることで、Ｋ次元に次元削減された、ユーザが現在使用しているコンテンツに対する特徴ベクトルCCV＃と１以上のユーザ嗜好ベクトルUPV^＊＃とのそれぞれを生成する。なお、ユーザ嗜好ベクトル（UPV）生成部２３側で、Ｋ次元に次元削減された１以上のユーザ嗜好ベクトルUPV^＊＃を生成してもよい。

次に、射影マッチング部１０１は、Ｋ次元に次元削減された、ユーザが現在使用しているコンテンツに対する特徴ベクトルCCV＃と１以上のユーザ嗜好ベクトルUPV^＊＃とのそれぞれの類似度を演算し、その類似度が閾値以上である、Ｋ次元に次元削減されたユーザ嗜好ベクトルUPV^＊に基づいて、Ｋ次元の新たなユーザ嗜好ベクトルUPV^＊（上述した、次元削減された特定コンテクストユーザ嗜好ベクトルsCUPV^＊＃に相当し、以下、UPV^＊＃と記述する）を生成する。そして、マッチング部３は、Ｋ次元に次元削減された他のコンテンツに対する特徴ベクトルCCV＃と、Ｋ次元の新たなユーザ嗜好ベクトルUPV^＊＃との類似度を演算し、その演算結果を推薦提示部９に供給する。

（第３実施形態）
次に、図２３乃至図２５を参照して、第３実施形態の情報処理装置について説明する。

第３実施形態の情報処理装置として、第１実施形態の情報処理装置（図１）または第２実施形態の情報処理装置（図１８）の何れも適用することができる。従って、第３実施形態の情報処理装置の構成の説明は省略する。ただし、以下、第３実施形態の情報処理装置として、図１の構成の情報処理装置（第１実施形態と同様の情報処理装置）が適用されたとして説明する。

次に、第３実施形態の情報処理装置（ここでは、図１）が実行するUPV生成処理について説明する。

第３実施形態のUPV生成処理においては、各コンテンツ毎のユーザ嗜好ベクトルUPV^＊、即ち、各コンテンツユーザ嗜好ベクトルCUPV^＊毎に、推薦候補（コンテンツ）が事前に設定される。

このような第３実施形態のUPV生成処理例が、図２３のフローチャートに示されている。そこで、以下、図２３を参照して、第３実施形態のUPV生成処理例について説明する。

即ち、図２３に示されるように、ステップＳ３０１において、「CCV生成処理」が実行され、ステップＳ３０２において、「近似行列（空間）生成処理」が実行され、ステップＳ３０３において、「CUPV生成処理」が実行されると、ステップＳ３０４において、図１の関連情報取得部８は、各コンテンツユーザ嗜好ベクトルCUPV^＊毎に、推薦候補（コンテンツ）を検索する。

なお、第３実施形態における、「CCV生成処理」、「近似行列（空間）生成処理」および、「CUPV生成処理」のそれぞれは、第１実施形態における対応する処理と基本的に同様の処理とされる。即ち、第３実施形態においても、例えば、「CCV生成処理」は図４のフローチャートに従って、「近似行列（空間）生成処理」は図６のフローチャートに従って、「CUPV生成処理」は図１２のフローチャートに従って、それぞれ実行される。

ところで、このような関連情報取得部８の処理（ステップＳ３０４の処理）を、以下、「コンテクスト毎関連ページ取得処理」と称する。この第３実施形態の「コンテクスト毎関連ページ取得処理（ステップＳ３０４の処理）」の詳細例が図２４のフローチャートに示されている。そこで、以下、図２４を参照して、第３実施形態の「コンテクスト毎関連ページ取得処理（ステップＳ３０４の処理）」の詳細例について説明する。

はじめに、ステップＳ３２１において、関連情報取得部８は、ユーザ嗜好ベクトル(UPV)生成部２３により生成された各コンテンツユーザ嗜好ベクトルCUPV^＊のそれぞれに対して、各コンテンツユーザ嗜好ベクトルCUPV^＊のうちの重みが上位２要素（ただし、コンテンツメタ情報の要素）をそれぞれ選択する。

ステップＳ３２２において、関連情報取得部８は、図示せぬインターネット等に接続し、各コンテンツユーザ嗜好ベクトルCUPV^＊毎に選抜された上位の２要素に対応する単語、具体的には、例えば、図５のコンテンツメタ情報の項目に示される単語（“幼稚園”や“子供”等）を検索語として、コンテンツ（正確には、それが保存されているホームページのURL等、即ち、関連ページのURL等）を検索する。

ステップＳ３２３において、図１には図示されていないが、関連情報取得部８は、各コンテンツユーザ嗜好ベクトルCUPV^＊のそれぞれと、対応する検索結果とを紐付けてUPV記憶部６に記憶させる。

これにより、第３実施形態の「コンテクスト毎関連ページ取得処理」が終了となる。

次に、図２５のフローチャートを参照して、第３実施形態のコンテンツ推薦処理例について説明する。

即ち、ステップＳ３４１において、「CUPV設定処理」が実行されると、ステップＳ３４３において、図１の推薦提示部９は、特定コンテクストユーザ嗜好ベクトルsCUPV^＊に紐付けられている検索結果、即ち、図２４のステップＳ３２３の処理で、特定コンテクストユーザ嗜好ベクトルsCUPV^＊と紐付けられてUPV記憶部６に記憶された検索結果で特定されるコンテンツを推薦コンテンツとして設定し、ユーザに提示する。

なお、第３実施形態の「CUPV設定処理」は、第１実施形態のそれと基本的に同様の処理とされる。即ち、第３実施形態においても、「CUPV設定処理」は、例えば、図１４のフローチャートに従って実行されるので、ここでは、その説明については省略する。

このように、第３実施形態においては、各コンテクストユーザ嗜好ベクトルsCUPV^＊毎に推薦候補（コンテンツの関連ページ）が事前に取得されているので、特定コンテクストユーザ嗜好ベクトルsCUPV^＊が設定された後、改めて、特定コンテクストユーザ嗜好ベクトルsCUPV^＊と、推薦候補の特徴ベクトルCCVとの類似度の演算処理を実行する必要がないという効果を奏することが可能になる。

即ち、第１実施形態や第２実施形態においては、現状のコンテクスト、あるいは、現在使用しているコンテンツに適合し、かつ、ユーザの嗜好に適するコンテンツが推薦される場合、毎回推薦のために、コンテンツマッチング（類似度演算処理）や、検索等が必要であるという課題が発生する。具体的には、例えば、コンテンツとして、インターネット上のホームページの推薦をする場合、検索を毎回かけてその結果を推薦するのではユーザは待ちきれないという課題が発生する。

そこで、第３実施形態においては、各コンテクストユーザ嗜好ベクトルsCUPV^＊毎に推薦候補（コンテンツの関連ページ）が事前に取得されており、これにより、この課題を解決できる効果を奏することが可能になる。

（第４実施形態）

次に、図２６乃至図２９を参照して、第４実施形態の情報処理装置について説明する。

ところで、上述した他の実施の形態（第１実施形態等）で扱ったコンテンツは、例えば、ユーザのメール文書等とされており、ユーザの興味対象であることが前提とされていた。換言すると、上述した他の実施の形態においては、ユーザの興味有無の概念は取り扱われていなかった。

そこで、第４実施形態においては、ユーザの興味有無の概念を取り込むことを目的とする。即ち、例えば、最初に、複数の推薦候補の中からユーザの興味対象（或いは、興味を持たない対象）だけを選択し、さらに、そのユーザの興味対象（推薦候補）の中から、ユーザの現状のコンテクスト等に適合した推薦候補を推薦コンテンツとして選択し、ユーザに提示することを目的とする。

この目的を達成するために、第４実施形態の情報処理装置は、図２６に示されるように、第１実施形態（図１）や第２実施形態（図１８）のそれとは異なる構成を有している。

即ち、図２６は、第４実施形態の情報処理装置の構成例を表しており、第１実施形態の情報処理装置（図１）や第２実施形態の情報処理装置（図１８）と対応する部分には、対応する符号が付してある。

第４実施形態の構成例においては、第１実施形態や第２実施形態の空間およびUPV生成部２（図１と図１８）の代わりに、空間生成部２０１と嗜好別UPV生成部２０２が設けられている。また、第１実施形態のマッチング部３（図１）や、第２実施形態の射影マッチング部１０１の代わりに、マッチング部２０４が設けられている。さらに、第４実施形態の情報処理装置には、SVMモデル記憶部２０３が新たに設けられている。

詳細には、空間生成部２０１は、特徴ベクトル（CCV）生成部２１１と行列演算部（嗜好別空間生成部）２１２とから構成される。

特徴ベクトル（CCV）生成部２１１は、第１実施形態や第２実施形態の特徴ベクトル（CCV）生成部２１（図１と図１８）と基本的に同様の機能と構成を有しているが、さらに、所定のコンテンツに対する特徴ベクトルCCVをCCV記憶部４に記憶させるとき、その特徴ベクトルCCVに対応するコンテンツがユーザの興味対象であるのか或いは無いのかを示す情報を、その特徴ベクトルCCVと紐付けてCCV記憶部４に記憶させる。

なお、以下、特徴ベクトルCCVに対応するコンテンツがユーザの興味対象であることを示す情報を、嗜好度＋と称する。一方、特徴ベクトルCCVに対応するコンテンツがユーザの興味対象で無いことを示す情報を、嗜好度−と称する。即ち、CCV記憶部４に記憶された特徴ベクトルCCVは、嗜好度＋と嗜好度−とのうちのいずれか一方と紐付けられている。

換言すると、嗜好度＋と紐付けられた特徴ベクトルCCVは、ユーザの嗜好の正の要因を示す正特徴ベクトルCCVであるとも言える。これに対して、嗜好度−と紐付けられた特徴ベクトルCCVは、ユーザの嗜好の負の要因を示す負特徴ベクトルCCVであるとも言える。

また、特徴ベクトルCCVを嗜好度＋または嗜好度−に紐付ける手法は特に限定されず、例えば、ユーザがコンテンツを使用する毎に、興味有無をユーザに直接入力させる手法でも構わないし、或いは、特徴ベクトルCCVの全部または一部分（例えば、コンテクスト情報を示す要素のみ）を、後述するSVM(Support Vector Machine）などで分類学習し、嗜好度＋と嗜好度−のうちのいずれか一方に分類する（正特徴ベクトルCCVと負特徴ベクトルCCVとのうちのいずれか一方に分類する）手法でも構わない。

行列演算部（嗜好別空間生成部）２１２は、第１実施形態や第２実施形態の行列演算部（空間生成部）２２（図１と図１８）と基本的に同様の機能と構成を有しているが、正特徴ベクトルCCV（以下、嗜好度＋の特徴ベクトルCCVとも称する）と、負特徴ベクトルCCV（以下、嗜好度−の特徴ベクトルCCVとも称する）とのそれぞれを明確に区別してその処理を実行する。

即ち、行列演算部（嗜好別空間生成部）２１２は、CCV記憶部４に記憶されている特徴ベクトルCCVのうちの、Ｍ個（Ｍは２以上の整数値）の嗜好度＋の特徴ベクトルCCVを列成分とする行列CCM（Ｎ行Ｍ列）を生成する。なお、以下、嗜好度＋の特徴ベクトルCCVを列成分とする行列CCMを、特に行列CCM₊と記述する。

そして、行列演算部（嗜好別空間生成部）２１２は、例えば、行列CCM₊に対して特異値分解と次元削減を行うことで（上述したLSI法を適用することで）、行列CCM₊内の各要素（ユーザが嗜好する（経験した）コンテンツの属性を示すコンテンツメタ情報と、そのコンテンツを経験した時点のユーザのコンテクストを示すコンテクスト情報）のそれぞれを主成分軸に射影する。

なお、以下、このとき得られる行列（行列CCM₊が次元削減された行列）を、近似行列CCM₊ ^＊と記述する。また、各要素が射影された空間を、最適空間UPS₊と記述する。

詳細には、行列演算部（嗜好別空間生成部）２１２は、Ｎ行Ｍ列の行列CCM₊に対して特異値分解を施すことで、行列CCM₊を上述した式（１）を満たす成分行列Ｕ，Σ，Ｖのそれぞれに分解する。

次に、行列演算部（嗜好別空間生成部）２１２は、成分行列Ｕの先頭のｋ個の列成分（左特異ベクトル）からなる行列U_k（Ｎ行ｋ列）を生成する。また、行列演算部（嗜好別空間生成部）２１２は、成分行列Ｖの先頭のｋ個の列成分（右特異ベクトル）からなる行列V_k（Ｍ行ｋ列）を生成する。さらに、行列演算部（嗜好別空間生成部）２１２は、成分行列Σの先頭のｋ個の列成分のうちの１行乃至ｋ行までの要素（成分行列Σのうちの、ｋ×ｋ個の要素からなる左上成分）からなる行列Σ_k（ｋ行ｋ列）を生成する。

そして、行列演算部（空間生成部）２２は、上述した式（２）の右辺を演算することで、ランクがkに縮退した行列D_kを求め、この行列D_kを、行列CCM₊の近似行列CCM^＊（以下、近似行列CCM₊ ^＊と記述する）として嗜好別UPV生成部２０２に供給する。

また、近似行列CCM₊ ^＊（＝D_k）の成分行列、即ち、上述したようにして生成された行列U_k（必要に応じて、行列V_kと行列Σ_k）は、語彙辞書作成部７に供給されるとともに、成分行列記憶部５に記憶される。

さらに、行列演算部（嗜好別空間生成部）２１２は、CCV記憶部４に記憶されている特徴ベクトルCCVのうちの、Ｍ個の嗜好度−の特徴ベクトルCCVに対しても、上述した処理（Ｍ個の嗜好度＋の特徴ベクトルCCVに対する処理）と全く同様の処理を施す。

即ち、行列演算部（嗜好別空間生成部）２１２は、Ｍ個の嗜好度−の特徴ベクトルCCVを列成分とする行列CCM（Ｎ行Ｍ列の行列CCMであって、以下、行列CCM_-と記述する）に対して特異値分解と次元削減の処理を施すことで、行列CCM_の近似行列CCM^＊（以下、近似行列CCM_- ^＊と記述する）を生成し、嗜好別UPV生成部２０２に供給する。

また、近似行列CCM_- ^＊（＝D_k）の成分行列、即ち、行列U_k（必要に応じて、行列V_kと行列Σ_k）も、語彙辞書作成部７に供給されるとともに、成分行列記憶部５に記憶される。

次に、嗜好別UPV生成部２０２に着目すると、嗜好別UPV生成部２０２は、SVM分類学習部２２１とユーザ嗜好ベクトル（UPV）生成部２２２とから構成される。

SVM分類学習部２２１は、例えば、空間生成部２０１より供給された近似行列CCM₊ ^＊または近似行列CCM_^＊の列成分を訓練データとしてSVM(Support Vector Machine）を利用して分類学習することで、いわゆるSVMモデル（分類器）を生成し、SVMモデル記憶部２０３に記憶させる。

ユーザ嗜好ベクトル（UPV）生成部２２２は、第１実施形態や第２実施形態のユーザ嗜好ベクトル（UPV）生成部２３（図１と図１８）と基本的に同様の機能と構成を有している。

ただし、上述したように、ユーザ嗜好ベクトル(UPV)生成部２２２には、行列CCM₊の近似行列CCM₊ ^＊と、行列CCM_-の近似行列CCM_- ^＊とのそれぞれが明確に区別されて空間生成部２０１から供給されてくる。従って、ユーザ嗜好ベクトル（UPV）生成部２２２は、行列CCM₊の近似行列CCM₊ ^＊に基づくユーザ嗜好ベクトルUPV^＊（コンテクストユーザ嗜好ベクトルCUPV^＊含む）と、行列CCM_-の近似行列CCM_- ^＊に基づくユーザ嗜好ベクトルUPV^＊（コンテクストユーザ嗜好ベクトルCUPV^＊含む）との２種類を生成することができる。なお、これら２種類の何れも生成されてもよいし、何れか一方のみが生成されてもよい。ただし、ここでは、ユーザの興味対象の中から推薦コンテンツを選択することを最終目的としているので、ユーザ嗜好ベクトル（UPV）生成部２２２は、行列CCM₊の近似行列CCM₊ ^＊に基づいて、ユーザ嗜好ベクトルUPV^＊（コンテクストユーザ嗜好ベクトルCUPV^＊含む）を生成し、UPV記憶部６に記憶させるとする。

次に、マッチング部２０４に着目すると、マッチング部２０４は、SVM分類部２３１とマッチング演算部２３２とから構成される。

例えば、推薦提示部９が、上述した他の実施の形態と同様に、ユーザの現状のコンテクストに適したコンテンツを推薦する場合、SVM分類部２３１は、はじめに、メタ情報取得部１から供給された、ユーザの現状のコンテクストを示すコンテクスト情報を取得し、そのコンテクスト情報を要素とする標準形の特徴ベクトルCCV、即ち、現状コンテクスト特徴ベクトルcCCVを生成する。

次に、SVM分類部２３１は、SVMモデル記憶部２０３に記憶されているSVMモデル（分類器）を用いて、現状コンテクスト特徴ベクトルcCCVを、ユーザの興味対象とユーザの興味無対象とのうちのいずれか一方に分類し、その分類結果と現状コンテクスト特徴ベクトルcCCVとをマッチング演算部２３２に供給する。なお、以下、「ユーザの興味対象に分類された」ことを「＋分類された」と称し、また、「ユーザの興味無対象に分類された」ことを「−分類された」と称する。

SVM分類部２３１より出力された現状コンテクスト特徴ベクトルcCCVが＋分類された場合、マッチング演算部２３２は、その現状コンテクスト特徴ベクトルcCCVと、UPV記憶部６に記憶された複数のコンテクストユーザ嗜好ベクトルCUPV^＊との類似度を演算し、最も類似度の高いコンテクストユーザ嗜好ベクトルCUPV^＊を、ユーザの現状のコンテクストに対するコンテクストユーザ嗜好ベクトルCUPV^＊、即ち、特定コンテクストユーザ嗜好ベクトルsCUPV^＊として設定する。

或いは、UPV記憶部６に、コンテクストユーザ嗜好ベクトルCUPV^＊ではなく、単に近似行列CCM₊ ^＊の列成分（嗜好度＋の特徴ベクトルCCV^＊）がそのままユーザ嗜好ベクトルUPV^＊として記憶されている場合、マッチング演算部２３２は、現状コンテクスト特徴ベクトルcCCVと、UPV記憶部６に記憶された複数のユーザ嗜好ベクトルUPV^＊との類似度を演算する。そして、マッチング演算部２３２は、閾値以上の類似度を有する幾つかのユーザ嗜好ベクトルUPV^＊を選択し、これらの各要素の総和を要素とする標準形のベクトル（選択されたユーザ嗜好ベクトルUPV^＊の総和ベクトル）を、ユーザの現状のコンテクストに対するユーザ嗜好ベクトルCUPV^＊、即ち、特定コンテクストユーザ嗜好ベクトルsCUPV^＊として設定することもできる。

次に、SVM分類部２３１は、推薦候補となるコンテンツに対するコンテンツメタ情報がメタ情報取得部１より供給されてくる毎に、そのコンテンツメタ情報を要素とする標準形のベクトル、即ち、コンテクスト情報を示す要素の全てが０となる特徴ベクトルCCVを生成する。

そして、SVM分類部２３１は、SVMモデル記憶部２０３に記憶されているSVMモデル（分類器）を用いて、これらの特徴ベクトルCCVを分類し、＋分類の特徴ベクトルCCV（以下、特徴ベクトルCCV₊と記述する）のみをマッチング演算部２３２に供給する。

すると、マッチング演算部２３２は、供給された特徴ベクトルCCV₊と、特定コンテクストユーザ嗜好ベクトルsCUPV^＊との類似度を演算し、その演算結果を推薦提示部９に供給する。

なお、空間生成部２０１乃至マッチング部２０４のそれぞれの形態は特に限定されない。特に、空間生成部２０１、嗜好別UPV生成部２０２、および、マッチング部２０４のそれぞれは、ソフトウエアで構成されてもよいし、ハードウエアで構成されてもよいし、或いは、ソフトウエアとハードウエアの組合せとして構成されてもよい。

また、空間生成部２０１乃至マッチング部２０４以外の構成については、図１の第１実施形態の構成（或いは、図１８の第２実施形態の構成）と基本的に同様とされる。即ち、図２６において、メタ情報取得部１、および、CCV記憶部４乃至推薦提示部９のそれぞれは、図１（または図１８）の対応するブロックと基本的に同様の構成と機能を有しているため、これらの説明は省略する。

次に、第４実施形態の情報処理装置（図２６）が実行するUPV生成処理について説明する。

第４実施形態のUPV生成処理の流れは、第１実施形態のそれ（図３）と基本的に同様とされる。即ち、第４実施形態のUPV生成処理は、上述した図３のフローチャートに従って実行される。

ただし、第４実施形態の「近似行列（空間）生成処理（ステップＳ２の処理）」は、第１実施形態のそれ（図６）と類似しているものの若干差異がある。

このような第４実施形態の「近似行列（空間）生成処理（ステップＳ２の処理）」の詳細例が図２７のフローチャートに示されている。そこで、以下、図２７を参照して、第４実施形態の「近似行列（空間）生成処理（ステップＳ２の処理）」の詳細例について説明する。

はじめに、ステップＳ４０１において、行列演算部（嗜好別空間生成部）２１２は、CCV記憶部４から複数の特徴ベクトルCCVを取得する（それらと対応付けられている嗜好度＋または嗜好度−といった情報も取得する）。

ステップＳ４０２において、行列演算部（嗜好別空間生成部）２１２は、取得した複数の特徴ベクトルCCVが嗜好度＋であるか否かを判定する。

ステップＳ４０２において、嗜好度＋であると判定された場合、図６のステップＳ４２乃至Ｓ４５のそれぞれに対応する、ステップＳ４０３乃至Ｓ４０６のそれぞれが実行される。即ち、行列演算部（嗜好別空間生成部）２１２は、行列CCM₊の近似行列CCM₊ ^＊を生成してSVM分類学習部２２１に供給し、また、その成分行列U_k（必要に応じて、さらに、成分行列Σ_kと成分行列V_k）を成分行列記憶部５に記憶させる。

これに対して、ステップＳ４０２において、嗜好度−である（＋ではない）と判定された場合、図６のステップＳ４２乃至Ｓ４５のそれぞれに対応する、ステップＳ４０７乃至Ｓ４１０のそれぞれが実行される。即ち、行列演算部（嗜好別空間生成部）２１２は、行列CCM_-の近似行列CCM_- ^＊を生成してSVM分類学習部２２１に供給し、また、その成分行列U_k（必要に応じて、さらに、成分行列Σ_kと成分行列V_k）を成分行列記憶部５に記憶させる。

その後、ステップＳ４１１において、SVM分類学習部２２１は、近似行列CCM^＊（近似行列CCM₊ ^＊または近似行列CCM_- ^＊）を訓練データとしてSVM訓練を実行することでSVMモデルを生成し、SVMモデル記憶部２０３に記憶させる。

これにより、第４実施形態の「近似行列（空間）生成処理（図３のステップＳ２の処理）」が終了となり、上述した図２のステップＳ３以降の処理（第１実施形態と同様の処理）が実行される。ただし、第４実施形態においては、行列CCM₊の近似行列CCM₊ ^＊が処理の対象とされて、ステップＳ３以降の処理が実行される。

次に、第４実施形態の情報処理装置が実行する「コンテンツ推薦処理」について説明する。

第４実施形態の「コンテンツ推薦処理」の流れは、第１実施形態のそれ（図１３）と基本的に同様とされる。即ち、第４実施形態の「コンテンツ推薦処理」は、上述した図１３のフローチャートに従って実行される。

ただし、第４実施形態の「CUPV設定処理（ステップＳ１０１の処理）」は、第１実施形態のそれ（図１４）と類似しているものの若干差異がある。同様に、第４実施形態の「コンテンツ推薦演算処理（ステップＳ１０２の処理）」は、第１実施形態のそれ（図１７）と類似しているものの若干差異がある。

このような第４実施形態における、「CUPV設定処理（ステップＳ１０１の処理）」と「コンテンツ推薦演算処理（ステップＳ１０２の処理）」のそれぞれの詳細例が図２８と図２９のフローチャートのそれぞれに示されている。そこで、以下、図２８を参照して、第４実施形態の「CUPV設定処理（ステップＳ１０１の処理）」の詳細例について説明し、次に、図２９を参照して、第４実施形態の「コンテンツ推薦演算処理（ステップＳ１０２の処理）」の詳細例について説明する。

はじめに、図２８のステップＳ４２１において、図２６のSVM分類部２３１は、メタ情報取得部１（コンテクスト取得部１４）より現状のコンテクスト情報を取得する。

ステップＳ４２２において、SVM分類部２３１は、現状のコンテクスト情報を特徴ベクトルCCV化する（即ち、現状コンテクスト特徴ベクトルcCCVを生成する）。

ステップＳ４２３において、SVM分類部２３１は、現状コンテクスト特徴ベクトルcCCVをSVMで分類する。即ち、SVM分類部２３１は、SVMモデル記憶部２０３に記憶されたSVMモデル（分類器）を用いて、現状コンテクスト特徴ベクトルcCCVを＋分類と−分類とのうちのいずれか一方に分類する。

ステップＳ４２４において、SVM分類部２３１は、ステップＳ４２３の処理結果が＋分類であるか否かを判定する。

ステップＳ４２４において、−分類である（＋分類ではない）と判定された場合、第４実施形態の「CPU設定処理」は終了となる。この場合、マッチング部２０４は、例えば、所定のエラー出力をユーザに行ってもよい。

これに対して、ステップＳ４２４において、＋分類であると判定された場合、マッチング演算部２３２は、ステップＳ４２５において、現状コンテクスト特徴ベクトルcCCVと、UPV記憶部６に既に記憶されている各コンテクストユーザ嗜好ベクトルCUPV^＊との類似度を演算する。

そして、ステップＳ４２６において、マッチング演算部２３２は、最大類似度のコンテクストユーザ嗜好ベクトルCUPV^＊を、特定コンテクストユーザ嗜好ベクトルsCUPV^＊として設定する。

これにより、第４実施形態の「CUPV設定処理」が終了となる。

なお、図２８には図示はされていないが、コンテクストユーザ嗜好ベクトルCUPV^＊ではなく、ユーザ嗜好ベクトルUPV^＊がUPV記憶部６に記憶されている場合であっても、マッチング演算部２３２は、第１実施形態と同様の処理（ステップＳ１２４と同様の処理）を施すことで、特定コンテクストユーザ嗜好ベクトルsCUPV^＊を設定することができる。

このような第４実施形態の「CUPV設定処理（図１３のステップＳ１０１の処理）」が終了すると、第４実施形態の「コンテンツ推薦演算処理（図１３のステップＳ１０２の処理」が実行される。

即ち、図２９のステップＳ４４１において、SVM分類部２３１は、複数のコンテンツに対するコンテンツメタ情報のそれぞれを推薦候補のコンテンツメタ情報として、メタ情報取得部１（文書解析部１２またはメタデータ取得部１３）より取得する。

ステップＳ４４２において、SVM分類部２３１は、複数の推薦候補のコンテンツメタ情報のそれぞれを特徴ベクトルCCV化する。即ち、SVM分類部２３１は、複数の推薦候補のそれぞれの特徴ベクトルCCVを生成する。

ステップＳ４４３において、SVM分類部２３１は、複数の推薦候補の特徴ベクトルCCVのそれぞれをSVMで分類する。即ち、SVM分類部２３１は、SVMモデル記憶部２０３に記憶されたSVMモデル（分類器）を用いて、各特徴ベクトルCCVのそれぞれを＋分類と−分類とのうちのいずれか一方に分類する。

ステップＳ４４４において、SVM分類部２３１は、＋分類である推薦候補の特徴ベクトルCCVを、処理対象の特徴ベクトルCCV₊として抽出する。

ステップＳ４４５において、マッチング演算部２３２は、ステップＳ１０１の「CUPV設定処理（図１３、詳細は図２８）」で設定した特定コンテクストユーザ嗜好ベクトルsCUPV^*と、ステップＳ４４４の処理で抽出した各推薦候補の特徴ベクトルCCV₊のそれぞれとの類似度を演算し、その演算結果を推薦提示部９に供給する。

すると、ステップＳ４４６において、推薦提示部９は、類似度が閾値以上の推薦候補（１つだけ提示する場合、最大の類似度の推薦候補）を推薦コンテンツとして、ユーザに提示する。

これにより、第４実施形態の「コンテンツ推薦演算処理（図１３のステップＳ１０２の処理）」は終了となる。即ち、図１３のコンテンツ推薦処理自体が終了となる。

このように、第４実施形態においては、ユーザ固有の語彙空間（行列演算部２１２により生成された嗜好別空間）、即ち、そのユーザにとって嗜好度＋の最適空間UPSと嗜好度−の最適空間UPSとを利用して分類学習するため、分類精度がより向上するという効果を奏することが可能になる。

なお、上述した例では、主に嗜好度＋の特徴ベクトルCCV（正特徴ベクトルCCV₊）を処理対象としたが、勿論、嗜好度−の特徴ベクトルCCV（負特徴ベクトルCCVであって、以下、負特徴ベクトルCCV_-と記述する）も処理対象とすることができる。即ち、上述した例では、ユーザの興味対象のみを考慮して推薦コンテンツを選択することを目的としたが、ユーザの興味対象の有無の両方を考慮しながら、推薦コンテンツを選択することもできる。

この場合、例えば、図２６の情報処理装置は次のような処理を実行する。

即ち、空間生成部２０１は、上述したように、Ｍ個の正特徴ベクトルCCV₊を列成分とする行列CCM₊の近似行列CCM₊ ^＊を生成するとともに、Ｍ個の負特徴ベクトルCCV_-を列成分とする行列CCM_-の近似行列CCM_- ^＊を生成する。これらの近似行列CCM₊ ^＊と近似行列CCM_- ^＊は、嗜好別UPV生成部２０２に供給される。

ユーザ嗜好ベクトル(UPV)生成部２２２は、供給された近似行列CCM₊ ^＊からユーザ嗜好ベクトルUPV^＊（以下、正ユーザ嗜好ベクトルUPV₊ ^＊と称する）を生成するとともに、供給された近似行列CCM_- ^＊からユーザ嗜好ベクトルUPV^＊（以下、負ユーザ嗜好ベクトルUPV_- ^＊と称する）を生成する。これらの正ユーザ嗜好ベクトルUPV₊ ^＊と負ユーザ嗜好ベクトルUPV_- ^＊は、UPV記憶部６に記憶される。

このとき、図２６には図示はされていないが、例えば、SVM分類部２３１が省略され、メタ情報取得部１からの情報はそのままマッチング演算部２３２に供給される。即ち、マッチング演算部２３２は、新たなコンテンツに対するコンテンツメタ情報等がメタ情報取得部１から供給されると、新たなコンテンツに対する特徴ベクトルCCVを生成する。次に、マッチング演算部２３２は、新たなコンテンツに対する特徴ベクトルCCVと、UPV記憶部６に既に記憶されている正ユーザ嗜好ベクトルUPV₊ ^＊との間の第１の類似度と、新たなコンテンツに対する特徴ベクトルCCVと、UPV記憶部６に既に記憶されている負ユーザ嗜好ベクトルUPV_- ^＊との間の第２の類似度とのそれぞれを演算する。このマッチング演算部２３２の演算結果、即ち、第１の類似度と第２の類似度は、推薦提示部９に供給される。

推薦提示部９は、供給された第１の類似度と第２の類似度に基づいて、新たなコンテンツが推薦コンテンツとして適しているか不適であるかを判定し、新たなコンテンツが推薦コンテンツとして適していると判定した場合、新たなコンテンツを推薦コンテンツとしてユーザに提示する。

具体的には、例えば、推薦提示部９は、第１の類似度が第１の閾値以上であり、かつ、第２の類似度が第２の閾値未満である場合、新たなコンテンツが推薦コンテンツとして適していると判定し、新たなコンテンツを推薦コンテンツとしてユーザに提示することができる。

或いは、例えば、推薦提示部９は、第１の類似度が第２の類似度より大きく、かつ、第２の類似度が閾値未満である場合、新たなコンテンツが推薦コンテンツとして適していると判定し、新たなコンテンツを推薦コンテンツとしてユーザに提示することができる。

（第５実施形態）

次に、図３０乃至図３３を参照して、第５実施形態の情報処理装置について説明する。

はじめに、本願出願人が第５実施形態の情報処理装置を発明した背景について説明する。

即ち、従来、コンテンツメタデータにはジャンルという項目があった。具体的には、例えば、テレビジョン放送番組ならば、スポーツ、ドラマ、映画、或いはバラエティといった大ジャンルが与えられ、また、大ジャンルに対する小ジャンル、例えば、バラエティに対する、コメディ、歌番組、総合、或いはその他などの小ジャンルが与えられていた。

しかしながら、従来の小ジャンルの上述した具体例からもわかるとおり、従来のジャンルでは、コンテンツを必ずしも正しく分類できるわけでなく、ユーザによって見方が異なるという課題、即ち、ユーザにとって適切なジャンルとは感じられないことが多々あるという課題があった。

そこで、この課題を解決すべく、本願出願人は次のような解決手法を発明した。

即ち、行列CCMの近似行列（上述した特異値分解と次元削減により生成された行列）CCM^＊において、コンテンツメタ情報（文書単語）を一般手法でクラスタ化し（クラス分類し）、それらの結果（クラス分類の結果得られる各クラス）のそれぞれを１つのジャンルとして設定する。なお、以下、このようにして設定されたジャンルを、上述した従来のジャンルと区別するために、UPジャンルと称する。次に、これらのUPジャンルを訓練データとして上述したSVM等で分類学習することでSVMモデル（分類器）を生成する。そして、この分類器を利用して、新たなコンテンツ（このコンテンツに対するコンテクスト情報の付加の有無は問わない）のUPジャンルを決定する、という手法である。

なお、本手法において、UPジャンルは、ジャンル名（名称）を有しなくてもよいし、最も重みの高い幾つかの要素（単語）をそのまま或いは組み合わせてジャンル名としてもよい。

また、本手法は、同一ジャンル推薦や似たもの群のユーザへの提示などに応用できる。

さらに、本願出願人は、本手法を適用する情報処理装置として、例えば、図３０に示されるような情報処理装置を発明した。

即ち、図３０は、第５実施形態の情報処理装置の構成例を表しており、第４実施形態の情報処理装置（図２６）と対応する部分には、対応する符号が付してある。

第５実施形態の構成例においては、第４実施形態の嗜好別UPV生成部２０２の代わりにUPVおよびUPジャンル生成部３０２が、第４実施形態のマッチング部２０４の代わりにジャンル決定部３０４が、それぞれ設けられている。また、第４実施形態のSVMモデル記憶部２０３と同様の機能と構成を有する（ただし、記憶されるSVMモデルの内容が異なる）SVMモデル記憶部３０３が設けられている。

UPVおよびUPジャンル生成部３０２は、SVM分類学習部（UPジャンル生成部）３２１とユーザ嗜好ベクトル（UPV）生成部３２２とから構成される。

SVM分類学習部（UPジャンル生成部）３２１は、第４実施形態のSVM分類学習部２２１と同様の構成と機能を有している。ただし、SVM分類学習部（UPジャンル生成部）３２１が学習により生成するSVMモデルは、上述したように、新たなコンテンツのUPジャンルを決定する（分類する）ためのSVMモデルであり、第４実施形態のSVMモデル（嗜好度＋と嗜好度−のうちのいずれか一方を分類するSVMモデル）とは異なっている。

ユーザ嗜好ベクトル（UPV）生成部３２２は、第４実施形態のユーザ嗜好ベクトル（UPV）生成部２２２と基本的に同様の構成と機能を有しているので、その説明については省略する。

ジャンル決定部３０４は、SVM分類部３３１から構成される。このSVM分類部３３１は、第４実施形態のSVM分類部２３１と基本的に同様の構成と機能を有している。ただし、新たなコンテンツ（それに対するコンテンツメタ情報）が供給されてきた場合、上述したように、第４実施形態のSVM分類部２３１は、そのコンテンツがユーザにとって嗜好度＋であるのか或いは嗜好度−であるのかを決定する（＋分類または−分類のうちのいずれか一方に分類する）のに対して、第５実施形態のSVM分類部３２１は、そのコンテンツのUPジャンルを決定する（複数のUPジャンルのうちのそのコンテンツに適するUPジャンルに分類する）。

なお、UPVおよびUPジャンル生成部３０２乃至ジャンル決定部３０４のそれぞれの形態は特に限定されない。特に、UPVおよびUPジャンル生成部３０２、および、ジャンル決定部３０４のそれぞれは、ソフトウエアで構成されてもよいし、ハードウエアで構成されてもよいし、或いは、ソフトウエアとハードウエアの組合せとして構成されてもよい。

また、UPVおよびUPジャンル生成部３０２乃至ジャンル決定部３０４以外の構成については、図２６の第４実施形態の構成と基本的に同様とされる。即ち、図３０において、メタ情報取得部１、空間生成部２０１、CCV記憶部４、成分行列記憶部５、UPV記憶部６、語彙辞書作成部７、関連情報取得部８、および、推薦提示部９のそれぞれは、図２６の対応するブロックと基本的に同様の構成と機能を有しているため、これらの説明は省略する。

次に、図３１のフローチャートを参照して、第５実施形態の情報処理装置（図３０）が実行するUPV生成処理について説明する。

はじめに、ステップＳ５０１において「CCV生成処理」が、ステップＳ５０２において「近似行列（空間）生成処理」が、ステップＳ５０３において「CUPV生成処理」が、それぞれ実行される。

なお、「CCV生成処理（ステップＳ５０１の処理）」、「近似行列（空間）生成処理（ステップＳ５０２の処理）」、および、「CUPV生成処理（ステップＳ５０３の処理）」のそれぞれの流れは、上述した他の実施形態の対応する処理と基本的に同様の処理とされる。即ち、例えば、「CCV生成処理（ステップＳ５０１の処理）」は上述した図４のフローチャートに従って、「近似行列（空間）生成処理（ステップＳ５０２の処理）」は上述した図６のフローチャートに従って、CUPV生成処理（ステップＳ５０３の処理）」は上述した図１２のフローチャートに従って、それぞれ実行される。

次に、ステップＳ５０４において、SVM分類学習部（UPジャンル生成部）３２１は、１以上のUPジャンルを生成する。そして、SVM分類学習部（UPジャンル生成部）３２１は、それらのUPジャンルを訓練データとしてSVM訓練を実行することで、SVMモデルを生成し、SVMモデル記憶部３０３に記憶させる。なお、このSVMモデルは、後述する図３３のコンテンツ推薦演算処理のステップＳ５４４の処理で使用される。即ち、ジャンル決定部３０４は、新たなコンテンツが後に供給されてきた場合、このSVMモデルを用いることで、SVM分類学習部（UPジャンル生成部）３２１により生成された１以上のUPジャンルの中から、そのコンテンツに適するUPジャンルを分類するのである。

なお、以下、このようなSVM分類学習部（UPジャンル生成部）３２１の処理（ステップＳ５０４の処理）を、「UPジャンル生成処理」と称する。このような「UPジャンル生成処理（ステップＳ５０４の処理）」の詳細例が図３２のフローチャートに示されている。そこで、以下、図３２を参照して、「UPジャンル生成処理（ステップＳ５０４の処理）」の詳細例について説明する。

はじめに、ステップＳ５２１において、SVM分類学習部（UPジャンル生成部）３２１は、空間生成部２０１より供給された近似行列CCM^＊の各列成分、即ち、近似行列CCM^＊における特徴ベクトルCCV^＊の要素間の類似度を演算する。

ステップＳ５２２において、SVM分類学習部（UPジャンル生成部）３２１は、特徴ベクトルCCV^＊のそれぞれをクラス分類する。即ち、SVM分類学習部（UPジャンル生成部）３２１は、類似度が閾値以上の特徴ベクトルCCV^＊を同一のクラスに含める。このようにして生成された各クラスのそれぞれが、ここでは、１つのUPジャンルとなる。即ち、ステップＳ５２２の処理でUPジャンルが生成される。

具体的には、例えば、図１１の行列D_kが近似行列CCM^＊として空間生成部２０１より供給されてきたとすると、SVM分類学習部（UPジャンル生成部）３２１は、各要素（単語）の重みの傾向から、特徴ベクトルCCV^＊ ₁，CCV^＊ ₃，CCV^＊ ₆（即ち、文章Doc1,Doc3,Doc6）を第１のジャンルとし、それ以外を第２のジャンルとすることができる。即ち、SVM分類学習部（UPジャンル生成部）３２１は、第１のジャンルと第２のジャンルを生成することができる。

なお、このとき、例えば、第１のジャンルを“幼稚園”,“子供”系、第２のジャンルを“会社”,“緊張”系といった名称で表現できる。

そして、ステップＳ５２３において、SVM分類学習部（UPジャンル生成部）３２１は、各クラス（UPジャンル）毎に、対応するクラス(UPジャンル)に属する特徴ベクトルCCV^＊（具体的には、例えば、第１のジャンルの場合、特徴ベクトルCCV^＊ ₁，CCV^＊ ₃，CCV^＊ ₆）を訓練データとしてSVM訓練を実行することで、SVMモデルを生成し、SVMモデル記憶部３０３に記憶させる。

これにより、「UPジャンル生成処理（図３１のステップＳ５０４の処理）」が終了となる。即ち、図３１の第５実施形態の「UPV生成処理」自体が終了となる。

次に、第５実施形態の情報処理装置が実行する「コンテンツ推薦処理」について説明する。

第５実施形態の「コンテンツ推薦処理」の流れは、第１実施形態のそれ（即ち、第４実施形態のそれ）と基本的に同様とされる。即ち、第５実施形態の「コンテンツ推薦処理」も、上述した図１３のフローチャートに従って実行される。

ただし、第５実施形態の「コンテンツ推薦演算処理（ステップＳ１０２の処理）」は、第１実施形態のそれ（図１７）とは異なる。このような第５実施形態の「コンテンツ推薦演算処理（ステップＳ１０２の処理）」の詳細例が図３３のフローチャートに示されている。そこで、以下、図３３を参照して、第５実施形態の「コンテンツ推薦演算処理（ステップＳ１０２の処理）」の詳細例について説明する。

はじめに、ステップＳ５４１において、図３０のジャンル決定部３０４のSVM分類部３３１は、ステップＳ１０１の「CUPV設定処理（図１３、詳細は図１４）」で設定した特定コンテクストユーザ嗜好ベクトルsCUPV^＊をSVMで分類し、UPジャンルを決定する。即ち、SVM分類部３３１は、SVMモデル記憶部２０３に記憶されたSVMモデル（分類器）を用いて、特定コンテクストユーザ嗜好ベクトルsCUPV^＊を複数のUPジャンルのうちの所定の１つに分類する。

なお、ステップＳ５４１の処理結果、即ち、特定コンテクストユーザ嗜好ベクトルsCUPV^＊のUPジャンルは、推薦提示部９に供給される。

ステップＳ５４２において、SVM分類部３３１は、複数のコンテンツに対するコンテンツメタ情報のそれぞれを推薦候補のコンテンツメタ情報として、メタ情報取得部１（文書解析部１２またはメタデータ取得部１３）より取得する。

ステップＳ５４３において、SVM分類部３３１は、複数の推薦候補のコンテンツメタ情報のそれぞれを特徴ベクトルCCV化する。即ち、SVM分類部３３１は、複数の推薦候補のそれぞれの特徴ベクトルCCVを生成する。

ステップＳ５４４において、SVM分類部３３１は、複数の推薦候補の特徴ベクトルCCVのそれぞれをSVMで分類して、UPジャンルを決定する。即ち、SVM分類部３３１は、SVMモデル記憶部２０３に記憶されたSVMモデル（分類器）を用いて、各特徴ベクトルCCVのそれぞれを複数のUPジャンルのうちの所定の１つに分類する。

このステップＳ５４４の処理結果、即ち、各推薦候補のそれぞれのUPジャンルは、推薦提示部９に供給される。

すると、ステップＳ５４５において、推薦提示部９は、特定コンテクストユーザ嗜好ベクトルsCUPV^＊と同一のUPジャンルの推薦候補を推薦コンテンツとして、ユーザに提示する。

これにより、第５実施形態の「コンテンツ推薦演算処理（図１３のステップＳ１０２の処理）」は終了となる。即ち、図１３のコンテンツ推薦処理自体が終了となる。

このように、第５実施形態においては、コンテクスト情報も含む特徴ベクトルCCV^＊からUPジャンルが決定され、新たなコンテンツがそれらのUPジャンルのうちの所定の１つに分類される。従って、このようにして分類されたUPジャンルには、ユーザの視点でのコンテクストも反映されていることになる。これにより、メタデータで作りこまれた従来のジャンルとは異なるユーザ独自のジャンル（UPジャンル）が自然とできるという効果を奏することが可能になる。

（その他の実施の形態）

以上、本発明が適用される情報処理装置として、第１実施形態乃至第５実施形態について説明したが、本発明は、これらの第１実施形態乃至第５実施形態に限定されず、様々な実施の形態を取ることができる。

具体的には、例えば、１台の情報処理装置に本発明を適用してもよいし、或いは、図３４に示されるような複数の情報処理装置からなる情報処理システムに適用してもよい。

即ち、図３４は、本発明が適用される情報処理システムの機能的構成例を示しており、上述した第１実施形態乃至第５実施形態の情報処理装置（図１、図１８、図２６、または図３０）と対応する部分には、対応する符号が付してある。

図３４に示されるように、本情報処理システムにおいては、サーバ４０１とクライアント４０３がネットワーク４０２を介して相互に接続されている。なお、ネットワーク４０２の形態は特に限定されず、例えば、有線ネットワークでもよいし、無線ネットワークでもよい。

はじめに、サーバ４０１に着目すると、サーバ４０１は、高負荷演算処理部４１１、演算結果記憶部４１２、および、通信部４１３から構成される。

高負荷演算処理部４１１は、上述した一連の処理を実行する上において高負荷となる演算処理、例えば、行列の演算処理を実行する。即ち、例えば、高負荷演算処理部４１１は、上述した空間およびUPV生成部２（図１または図１８）、空間生成部２０１（図２６）、嗜好別UPV生成部２０２（図２６または図３０）、並びに、UPVおよびUPジャンル生成部３０２（図３０）のそれぞれと対応する処理を実行する（図３４に示されるように、それらのブロックから構成されると捉えてもよい）。

演算結果記憶部４１２は、高負荷演算処理部４１１の演算結果（或いは、その演算に必要な情報）を記憶する。即ち、演算結果記憶部４１２は、CCV記憶部４（図１、図１８、図２６、または図３０）、成分行列記憶部５（図１、図１８、図２６、または図３０）、SVMモデル記憶部３０３（図２６、または図３０）、および、UPV記憶部６（図１、図１８、図２６、または図３０）に相当する。

通信部４１３は、ネットワーク４０２を介するクライアント４０３との通信を制御する。即ち、通信部４１３は、クライアント４０３からネットワーク４０２を介して送信されてきた、高負荷演算処理部４１１が使用する各種情報を受信し、高負荷演算処理部４１１に供給する。或いは、通信部４１３は、クライアント４０３からネットワーク４０２を介して送信されてきた、ユーザが使用したコンテンツに対するコンテンツメタ情報と、そのコンテンツを使用した際のユーザのコンテクストを示すコンテクスト情報とを受信し、それらを対応付けて演算結果記憶部４１２に記憶させる。また、通信部４１３は、クライアント４０３が使用する各種情報を演算結果記憶部４１２から取得し、ネットワーク４０２を介してクライアント４０３に送信する。

次に、クライアント４０３に着目すると、クライアント４０３は、上述したメタデータ取得部１、語彙辞書作成部７、関連情報取得部８、および推薦提示部９の他、推薦演算処理部４２１、通信部４２２、音声出力部４２３、および、表示部４２４から構成される。

推薦演算処理部４２１は、例えば、上述したマッチング部３（図１）、射影マッチング部１０１（図１８）、マッチング部２０４（図２６）、および、ジャンル決定部３０４のそれぞれと対応する処理を実行する（図３４に示されるように、それらのブロックから構成されると捉えてもよい）。

通信部４２２は、ネットワーク４０２を介するサーバ４０１との通信を制御する。即ち、通信部４２２は、図示せぬ他の情報処理装置等から送信されてきたコンテンツデータやEPGデータをネットワーク４０２を介して受信し、メタデータ取得部１に供給する。また、通信部４２２は、メタデータ取得部１から供給されたコンテンツメタ情報やコンテクスト情報を、ネットワーク４０２を介してサーバ４０１に送信する。さらに、通信部４２２は、サーバ４０１からネットワーク４０２を介して送信されてきた各種情報を、推薦演算処理部４２１、語彙辞書作成部７、および、関連情報取得部８のうちの対応するブロックに供給する。

音声出力部４２３は、推薦提示部９から出力された推薦コンテンツを示す情報等に音声情報が含まれている場合、その音声情報に対応する音声を出力する。また、表示部４２４は、推薦提示部９から出力された推薦コンテンツを示す情報等に画像（静止画像または動画像）情報が含まれている場合、その画像情報に対応する画像を表示する。

このような図３４の情報処理システムは、例えば、次のような処理を実行する。

即ち、上述したように、サーバ４０１は、高負荷演算処理部４１１を有しているので（行列演算等の処理能力が高いので）、ユーザの経験を集めたユーザ嗜好空間UPS（近似行列CCM^＊）の生成処理等の処理を実行する。

具体的には、例えば、クライアント４０３は、ユーザが使用したコンテンツに対するコンテンツメタ情報と、そのコンテンツをユーザが使用した際のコンテクストを示すコンテクスト情報とを、ネットワーク４０２を介してサーバ４０１に送信する。

サーバ４１２は、これらの情報（コンテンツメタ情報とコンテクスト情報）が一定量貯まった後に、上述した行列CCMを生成し、その行列CCMに対して特異値分解と次元削減を施すことで、近似行列CCM^＊とその成分行列U_k,Σ_k, V_k を生成し、内蔵する演算結果記憶部４１２に保持する。そして、サーバ４１２は、保持した近似行列CCM^＊やその成分行列U_k,Σ_k, V_k、或いは、これらの情報から生成されるユーザ嗜好ベクトルUPV^＊等の情報を必要に応じてネットワーク４０２を介してクライアント４０３に送信する。

クライアント４０３は、これらの情報を受信すると、それらの情報を使用する処理、例えば、マッチング処理等を実行する

また、推薦コンテンツを選出する場合、第４実施形態や第５実施形態で説明した通り、事前フィルタとしてSVM等で全推薦候補のうち、ユーザのそれまでの興味に合致した推薦候補を選出するための演算処理が必要となる。図３４には正確には図示されていないが、本発明の情報処理システムにおいては、この演算処理をサーバ４０１に実行させることもできる。例えば、第４実施形態に対応する処理を実行する場合、クライアント４０３が、ユーザが使用したコンテンツに対する、興味有り無しの評価（嗜好度＋または嗜好度−）とコンテンツメタ情報とを対応付けて、ネットワーク４０２を介してサーバ４０１に送信する。すると、サーバ４０１が、上述したSVMの訓練を実行することで分離平面（上述したユーザ嗜好を示すSVMモデル）を算出し、必要に応じてネットワーク４０２を介してクライアント４０３に送信する。

なお、ユーザがプライバシーを公開したくないと所望した場合、クライアント４０３が分離平面を算出し、その分離平面（SVMモデル）をネットワーク４０２を介してサーバ４０１に送信することもできる。この場合、サーバ４０１がフィルタをかけることになり、推薦候補の全てのコンテンツメタ情報をクライアント４０３に送信せずとも、ユーザの嗜好に合致したもののみを送信すればよいため、通信量を押さえるという効果と、クライアント４０３側でのマッチング演算量を抑制する効果とを奏することが可能になる。

また、上述した処理を全てクライアント４０３側で行ってもよい。換言すると、上述した一連の処理が最終的に実行可能であれば、各処理のそれぞれは、サーバ４０１により実行されても構わないし、クライアント４０３により実行されても構わない。

また、上述した一連の処理は、ハードウエアにより実行させることもできるが、ソフトウエアにより実行させることができる。

この場合、第１実施形態乃至第５実施形態の情報処理装置（図１、図１８、図２６、または図３０）、または、図３４のサーバ４０１やクライアント４０３は、例えば、図３５に示されるようなパーソナルコンピュータで構成することができる。

図３５において、CPU（Central Processing Unit）５０１は、ROM（Read Only Memory）５０２に記録されているプログラム、または記憶部５０８からRAM（Random Access Memory）５０３にロードされたプログラムに従って各種の処理を実行する。RAM５０３にはまた、CPU５０１が各種の処理を実行する上において必要なデータなども適宜記憶される。

CPU５０１、ROM５０２、およびRAM５０３は、バス５０４を介して相互に接続されている。このバス５０４にはまた、入出力インタフェース５０５も接続されている。

入出力インタフェース５０５には、キーボード、マウスなどよりなる入力部５０６、ディスプレイなどよりなる出力部５０７、ハードディスクなどより構成される記憶部５０８、および、モデム、ターミナルアダプタなどより構成される通信部５０９が接続されている。通信部５０９は、インターネットを含むネットワークを介して他の情報処理装置（図示せず）との通信処理を行う。

入出力インタフェース５０５にはまた、必要に応じてドライブ５１０が接続され、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリなどよりなるリムーバブル記録媒体５１１が適宜装着され、それらから読み出されたコンピュータプログラムが、必要に応じて記憶部５０８にインストールされる。

一連の処理をソフトウエアにより実行させる場合には、そのソフトウエアを構成するプログラムが、専用のハードウエアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどに、ネットワークや記録媒体からインストールされる。

このようなプログラムを含む記録媒体は、図３５に示されるように、装置本体とは別に、ユーザにプログラムを提供するために配布される、プログラムが記録されている磁気ディスク（フロッピディスクを含む）、光ディスク（CD-ROM(Compact Disk-Read Only Memory),DVD(Digital Versatile Disk)を含む）、光磁気ディスク（ＭＤ（Mini-Disk）を含む）、もしくは半導体メモリなどよりなるリムーバブル記録媒体（パッケージメディア）５１１により構成されるだけでなく、装置本体に予め組み込まれた状態でユーザに提供される、プログラムが記録されているROM５０２や、記憶部５０８に含まれるハードディスクなどで構成される。

なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。

また、本明細書において、システムとは、複数の装置や処理部により構成される装置全体を表すものである。

本実施の形態の情報処理装置の機能的構成例を示すブロック図である。コンテクスト情報を入力するための画像例を示す図である。図１の情報処理装置のUPV生成処理の例を説明するフローチャートである。図３のUPV生成処理のうちのCCV生成処理の例を説明するフローチャートである。コンテンツメタ情報とコンテクスト情報とからなる特徴ベクトルの例を示す図である。図３のUPV生成処理のうちの近似行列（空間）生成処理の例を説明するフローチャートである。図５の各特徴ベクトルのそれぞれを列成分とする行列を示す図である。図７の行列を特異値分解することで得られる行列の１つを示す図である。図７の行列を特異値分解することで得られる行列の１つを示す図である。図７の行列を特異値分解することで得られる行列の１つを示す図である。図５の行列に対して特異値分解と次数削減を施すことで得られる行列（図５の行列の近似行列）を示す図である。図３のUPV生成処理のうちのCUPV生成処理の例を説明するフローチャートである。図１の情報処理装置のコンテンツ推薦処理の例を説明するフローチャートである。図１３のコンテンツ推薦処理のうちのCUPV設定処理の例を説明するフローチャートである。現状のコンテクスト情報から生成された、現状コンテクスト特徴ベクトルの例を示す図である。図１５の現状コンテクスト特徴ベクトルと、図１１の各特徴ベクトル（近似行列の各列成分）のそれぞれとの類似度の演算結果の例を示す図である。図１３のコンテンツ推薦処理のうちのコンテンツ推薦演算処理の例を説明するフローチャートである。本実施の形態の情報処理装置の機能的構成の他の例を示すブロック図である。図１８の情報処理装置のUPV生成処理の例を説明するフローチャートである。図１９のUPV生成処理のうちのCUPV生成処理の例を説明するフローチャートである。図１８の情報処理装置が図１３のコンテンツ推薦処理を実行する場合におけるCUPV設定処理の例を説明するフローチャートである。図１８の情報処理装置が図１３のコンテンツ推薦処理を実行する場合におけるコンテンツ推薦演算処理の例を説明するフローチャートである。図１の情報処理装置のUPV生成処理の他の例を説明するフローチャートである。図２３のUPV生成処理のうちのコンテクスト毎関連ページ取得処理の例を説明するフローチャートである。図２３のUPV生成処理に対するコンテンツ推薦処理の例を説明するフローチャートである。本実施の形態の情報処理装置の機能的構成の他の例を示すブロック図である。図２６の情報処理装置が図３のUPV生成処理を実行する場合における近似行列（空間）生成処理の例を説明するフローチャートである。図２６の情報処理装置が図１３のコンテンツ推薦処理を実行する場合におけるCUPV設定処理の例を説明するフローチャートである。図２６の情報処理装置が図１３のコンテンツ推薦処理を実行する場合におけるコンテンツ推薦演算処理の例を説明するフローチャートである。本実施の形態の情報処理装置の機能的構成の他の例を示すブロック図である。図３０の情報処理装置のUPV生成処理の例を説明するフローチャートである。図３１のUPV生成処理のうちのUPジャンル生成処理の例を説明するフローチャートである。図３０の情報処理装置が図１３のコンテンツ推薦処理を実行する場合におけるコンテンツ推薦演算処理の例を説明するフローチャートである。本実施の形態の情報処理システムの構成例を示す図である。本実施の形態の情報処理装置のハードウエア的構成例を示す図である。

符号の説明

１メタ情報取得部，２空間およびUPV生成部，３マッチング部，４ CCV記憶部，５成分行列記憶部，６ UPV記憶部，７語彙辞書作成部，８関連情報取得部，９推薦提示部，１１文書取得部，１２文書解析部，１３メタデータ取得部，１４コンテクスト取得部，２１特徴ベクトル（CCV）生成部，２２行列演算部（空間演算部），２３ユーザ嗜好ベクトル（UPV）生成部，３１マッチング演算部，４１入力部，４２センサ，１１１射影マッチング部，１１１行列演算部（射影部），１１２マッチング演算部，２０１空間生成部，２０２嗜好別UPS生成部，２０３ SVMモデル記憶部，２０４マッチング部，２１１特徴ベクトル（CCV）生成部，２１２行列演算部（嗜好別空間生成部），２２１ SVM分類学習部，２２２ユーザ嗜好ベクトル（UPV）生成部，２３１ SVM分類部，２３２マッチング演算部，３０２ UPVおよびUPジャンル生成部，３０３ SVMモデル記憶部，３０４ジャンル決定部，３２１ SVM分類学習部（UPジャンル生成部），３２２ユーザ嗜好ベクトル（UPV）生成部，３３１ SVM分類部，４０１サーバ，４０３クライアント，４１１高負荷演算処理部，４２１推薦演算処理部，５０１ CPU，５０２ ROM，５０３ RAM，５０８記憶部，５１１リムーバブル記録媒体

Claims

コンテンツ全体若しくはその一部分または前記コンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、
前記コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、前記コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、前記Ｎ個の要素のそれぞれに、対応する種類の前記個別情報が前記個別情報取得手段により取得された場合には前記個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理を前記ユーザがコンテンツを使用する毎に実行する特徴ベクトル化手段と、
前記特徴ベクトル化手段により生成されたＭ個の前記特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の前記列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を前記第１の行列に対して施すことで、Ｎ×Ｍ個の前記行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成手段と、
前記行列生成手段により生成された前記第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる前記標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化手段と、
所定のタイミングで前記個別情報取得手段により取得された個別情報を用いて前記特徴ベクトルを生成し、前記特徴ベクトルと、前記基準ベクトル化手段により生成された前記基準ベクトルとの前記類似度を演算する類似度演算手段と
を備え、
前記類似度演算手段は、
前記基準ベクトル化手段により１以上の前記基準ベクトルが既に生成されている第１のタイミングで、前記個別情報取得手段により取得された前記コンテクスト情報を用いて、前記特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、
前記現状コンテクスト特徴ベクトルと、既に生成されている前記１以上の基準ベクトルとの類似度を演算し、前記類似度が最も高い前記基準ベクトルを、特定コンテクスト基準ベクトルとして設定し、
前記第１のタイミングの後の第２のタイミングで前記個別情報取得手段により取得された前記個別情報を用いて、前記特徴ベクトルを生成し、
前記第２のタイミングで前記個別情報取得手段により取得された前記個別情報を用いて生成された前記特徴ベクトルと、前記特定コンテクスト基準ベクトルとの類似度を演算する
ことを特徴とする情報処理装置。
前記個別情報が前記コンテクスト情報である場合、前記個別情報に基づく値とは、前記ユーザの空間的な配置位置を示す場所情報に対して重み付けされた値、または、その値が正規化された値である
ことを特徴とする請求項１に記載の情報処理装置。
前記個別情報が前記コンテクスト情報である場合、前記個別情報に基づく値とは、前記ユーザの情動を示す情動情報に対して重み付けされた値、または、その値が正規化された値である
ことを特徴とする請求項１に記載の情報処理装置。
前記個別情報が前記コンテクスト情報である場合、前記個別情報に基づく値とは、前記ユーザ自身または前記ユーザの周囲に配置されるセンサが取得した値、または、その値が正規化された値である
ことを特徴とする請求項１に記載の情報処理装置。
前記基準ベクトル化手段は、前記第２の行列におけるＭ個の前記列成分のうちの少なくとも一部分を選択し、選択した前記列成分の対応する要素同士を加算することで前記基準ベクトルを生成する
ことを特徴とする請求項１に記載の情報処理装置。
前記基準ベクトル化手段は、前記第２の行列におけるＭ個の前記列成分の中から、前記コンテクスト情報に対応する要素同士の類似度が高い前記列成分を選択し、選択した前記列成分の対応する要素同士を加算することで前記基準ベクトルを生成する
ことを特徴とする請求項５に記載の情報処理装置。
前記基準ベクトル化手段は、前記第１の行列におけるＭ個の前記列成分の中から、前記コンテクスト情報に対応する要素同士の類似度が高い前記列成分を選択し、さらに、前記第１の行列のうちの選択した前記列成分に対応する列成分を前記第２の行列から選択し、前記第２の行列のうちの選択した前記列成分の対応する要素同士を加算することで前記基準ベクトルを生成する
ことを特徴とする請求項５に記載の情報処理装置。
前記基準ベクトル化手段は、前記行列生成手段により生成された前記第２の行列におけるＭ個の前記列成分のそれぞれをそのまま前記基準ベクトルとして採用することで、前記基準ベクトルを生成する
ことを特徴とする請求項１に記載の情報処理装置。
前記個別情報が前記コンテンツメタ情報である場合、前記個別情報に基づく値とは、前記コンテンツ内での登場頻度、または、前記登場頻度が正規化された値である
ことを特徴とする請求項１に記載の情報処理装置。
前記特徴ベクトルの要素に代入される前記個別情報に基づく値とは、前記個別情報の値、若しくは、前記個別情報の内容に対して重み付けされた値、又は、それらの値が正規化された値に対して、可変係数が乗算された値である
ことを特徴とする請求項１に記載の情報処理装置。
前記類似度演算手段は、新たなコンテンツについての前記コンテンツメタ情報が前記個別情報取得手段により取得された場合、前記コンテンツメタ情報を用いて前記特徴ベクトルを生成し、前記特徴ベクトルと前記特定コンテクスト基準ベクトルとの類似度を演算し、
前記類似度演算手段により演算された前記類似度が閾値以上である場合、前記新たなコンテンツを推薦コンテンツとして前記ユーザに提示する提示手段をさらに備える
ことを特徴とする請求項１に記載の情報処理装置。
前記提示手段は、前記推薦コンテンツを前記ユーザに提示する場合、さらに、前記特定コンテクスト基準ベクトルに基づいて、その推薦の理由を提示する
ことを特徴とする請求項１１に記載の情報処理装置。
前記行列生成手段は、前記第１の行列を、特異値分解により、Ｎ行Ｎ列の第１の成分行列、Ｎ行Ｍ列の第２の成分行列、および、Ｍ行Ｍ列の第３の成分行列の転置行列の積に分解し、
前記第１の成分行列からＮ行Ｋ列（Ｋは、前記第１の行列のランクより小さい整数値）の第４の成分行列を生成し、前記第２の成分行列からＫ行Ｋ列の第５の成分行列を生成し、前記第３の成分行列からＭ行Ｋ列の第６の成分行列を生成し、
前記第４の成分行列、前記第５の成分行列、および、前記第６の成分行列の転置行列の積を前記第２の行列として生成する
ことを特徴とする請求項１に記載の情報処理装置。
前記類似度演算手段は、
さらに、前記現状コンテクスト特徴ベクトルと前記１以上の前記基準ベクトルとのそれぞれに対して、前記第４の成分行列の転置行列を左から掛けることで、Ｋ次元に次元削減された前記現状コンテクスト特徴ベクトルと１以上の前記基準ベクトルとのそれぞれを生成し、
Ｋ次元に次元削減された、前記現状コンテクスト特徴ベクトルと前記基準ベクトルとの類似度を演算し、その演算結果に基づいて、Ｋ次元の前記特定コンテクスト基準ベクトルを設定し、
前記第２のタイミングで生成された前記特徴ベクトルに対して前記第４の成分行列の転置行列を左から掛けることで、Ｋ次元に次元削減された前記特徴ベクトルをさらに生成し、
Ｋ次元に次元削減された、前記特定コンテクスト基準ベクトルと前記特徴ベクトルとの類似度を演算する
ことを特徴とする請求項１３に記載の情報処理装置。
前記特徴ベクトル化手段は、１つの前記特徴ベクトルを生成する毎に、その特徴ベクトルを、前記ユーザの嗜好の正の要因を示す正特徴ベクトルと、前記ユーザの嗜好の負の要因を示す負特徴ベクトルのうちのいずれか一方に分類する
ことを特徴とする請求項１に記載の情報処理装置。
前記行列生成手段は、前記特徴ベクトル化手段により生成されたＭ個の前記正特徴ベクトルを利用して前記第２の行列を生成する
ことを特徴とする請求項１５に記載の情報処理装置。
前記行列生成手段により生成された前記第２の行列の各列成分のそれぞれを訓練データとして分類学習することで分類器を生成する学習手段と、
新たなコンテンツについての前記コンテンツメタ情報が前記個別情報取得手段により取得された場合、前記コンテンツメタ情報を用いて前記特徴ベクトルを生成し、前記学習手段により生成された前記分類器を用いて、前記特徴ベクトルを、前記正特徴ベクトルと前記負特徴ベクトルとのうちのいずれか一方に分類する分類手段と
をさらに備えることを特徴とする請求項１６に記載の情報処理装置。
前記類似度演算手段は、前記分類手段により前記正特徴ベクトルであると分類された前記特徴ベクトルと、前記特定コンテクスト基準ベクトルとの類似度を演算する
ことを特徴とする請求項１７に記載の情報処理装置。
前記行列生成手段により生成された前記第２の行列の各列成分の各要素の中から所定の要素を選択し、選択した前記要素を特定可能な単語を前記ユーザの興味語または非興味語として設定し、前記ユーザの個人辞書に登録する登録手段
をさらに備えることを特徴とする請求項１６に記載の情報処理装置。
前記行列生成手段は、前記特徴ベクトル化手段によりＭ個の前記負特徴ベクトルが生成された場合、さらに、Ｍ個の前記負特徴ベクトルを利用して前記第２の行列を生成し、
前記基準ベクトル化手段は、前記行列生成手段によりＭ個の前記正特徴ベクトに基づいて生成された前記第２の行列から第１の基準ベクトルを生成するとともに、前記行列生成手段により前記負特徴ベクトに基づいて生成された前記第２の行列から第２の基準ベクトルを生成し、
前記類似度演算手段は、前記第２のタイミングで生成された前記特徴ベクトルと、１以上の前記第１の基準ベクトルに基づいて生成された前記特定コンテクスト基準ベクトルとの間の第１の類似度と、前記第２のタイミングで生成された前記特徴ベクトルと、１以上の前記第２の基準ベクトルに基づいて生成された前記特定コンテクスト基準ベクトルとの間の第２の類似度とのそれぞれを演算する
ことを特徴とする請求項１６に記載の情報処理装置。
前記類似度演算手段は、前記第２のタイミングで新たなコンテンツについての前記コンテンツメタ情報が前記個別情報取得手段により取得された場合、前記コンテンツメタ情報を用いて前記特徴ベクトルを取得し、前記特徴ベクトルについての前記第１の類似度と前記第２の類似度とのそれぞれを演算し、
前記類似度演算手段により演算された前記第１の類似度と前記第２の類似度に基づいて、新たな前記コンテンツが推薦コンテンツとして適しているか不適であるかを判定し、前記新たなコンテンツが前記推薦コンテンツとして適していると判定した場合、前記新たなコンテンツを前記推薦コンテンツとしてユーザに提示する提示手段をさらに備える
ことを特徴とする請求項２０に記載の情報処理装置。
前記提示手段は、前記推薦コンテンツを前記ユーザに提示する場合、さらに、前記特定コンテクスト基準ベクトルに基づいて、その推薦の理由を提示する
ことを特徴とする請求項２１に記載の情報処理装置。
前記提示手段は、前記第１の類似度が第１の閾値以上であり、かつ、前記第２の類似度が第２の閾値未満である場合、新たな前記コンテンツが前記推薦コンテンツとして適していると判定し、前記新たなコンテンツを前記推薦コンテンツとして前記ユーザに提示する
ことを特徴とする請求項２１に記載の情報処理装置。
前記提示手段は、前記第１の類似度が前記第２の類似度より大きく、かつ、前記第２の類似度が閾値未満である場合、新たな前記コンテンツが前記推薦コンテンツとして適していると判定し、前記新たなコンテンツを前記推薦コンテンツとして前記ユーザに提示する
ことを特徴とする請求項２１に記載の情報処理装置。
コンテンツ全体若しくはその一部分または前記コンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段を備える情報処理装置が、
前記コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、前記コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、前記Ｎ個の要素のそれぞれに、対応する種類の前記個別情報が前記個別情報取得手段により取得された場合には前記個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理を前記ユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、
前記特徴ベクトル化ステップの処理により生成されたＭ個の前記特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の前記列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を前記第１の行列に対して施すことで、Ｎ×Ｍ個の前記行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列ステップと、
前記行列生成ステップの処理により生成された前記第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる前記標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、
所定のタイミングで前記個別情報取得手段により取得された個別情報を用いて、前記特徴ベクトルを生成し、前記特徴ベクトルと、前記基準ベクトル化ステップの処理により生成された前記基準ベクトルとの前記類似度を演算する類似度演算ステップと
を含み、
前記類似度演算ステップは、
前記基準ベクトル化ステップの１以上の処理により１以上の前記基準ベクトルが既に生成されている第１のタイミングで、前記個別情報取得手段により取得された前記コンテクスト情報を用いて、前記特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成するステップと、
前記現状コンテクスト特徴ベクトルと、既に生成されている前記１以上の基準ベクトルとの類似度を演算し、前記類似度が最も高い前記基準ベクトルを、特定コンテクスト基準ベクトルとして設定するステップと、
前記第１のタイミングの後の第２のタイミングで前記個別情報取得手段により取得された前記個別情報を用いて、前記特徴ベクトルを生成するステップと、
前記第２のタイミングで前記個別情報取得手段により取得された前記個別情報を用いて生成された前記特徴ベクトルと、前記特定コンテクスト基準ベクトルとの類似度を演算するステップと
を含むことを特徴とする情報処理方法。
コンテンツ全体若しくはその一部分または前記コンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段を備える装置を制御するコンピュータに実行させるプログラムであって、
前記コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、前記コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、前記Ｎ個の要素のそれぞれに、対応する種類の前記個別情報が前記個別情報取得手段により取得された場合には前記個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理を前記ユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、
前記特徴ベクトル化ステップの処理により生成されたＭ個の前記特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の前記列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を前記第１の行列に対して施すことで、Ｎ×Ｍ個の前記行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列ステップと、
前記行列生成ステップの処理により生成された前記第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる前記標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、
所定のタイミングで前記個別情報取得手段により取得された個別情報を用いて、前記特徴ベクトルを生成し、前記特徴ベクトルと、前記基準ベクトル化ステップの処理により生成された前記基準ベクトルとの前記類似度を演算する類似度演算ステップと
を含み、
前記類似度演算ステップは、
前記基準ベクトル化ステップの１以上の処理により１以上の前記基準ベクトルが既に生成されている第１のタイミングで、前記個別情報取得手段により取得された前記コンテクスト情報を用いて、前記特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成するステップと、
前記現状コンテクスト特徴ベクトルと、既に生成されている前記１以上の基準ベクトルとの類似度を演算し、前記類似度が最も高い前記基準ベクトルを、特定コンテクスト基準ベクトルとして設定するステップと、
前記第１のタイミングの後の第２のタイミングで前記個別情報取得手段により取得された前記個別情報を用いて、前記特徴ベクトルを生成するステップと、
前記第２のタイミングで前記個別情報取得手段により取得された前記個別情報を用いて生成された前記特徴ベクトルと、前記特定コンテクスト基準ベクトルとの類似度を演算するステップと
を含むことを特徴とするプログラム。
コンテンツ全体若しくはその一部分または前記コンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、
前記コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、前記コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、前記Ｎ個の要素のそれぞれに、対応する種類の前記個別情報が前記個別情報取得手段により取得された場合には前記個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理を前記ユーザがコンテンツを使用する毎に実行する特徴ベクトル化手段と、
前記特徴ベクトル化手段により生成されたＭ個の前記特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の前記列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を前記第１の行列に対して施すことで、Ｎ×Ｍ個の前記行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成手段と、
前記行列生成手段により生成された前記第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる前記標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化手段と、
前記基準ベクトル化手段により１つの前記基準ベクトルが生成される毎に、その基準ベクトルに基づいてユーザに推薦すべきコンテンツの候補を取得する候補取得手段と、
前記基準ベクトル化手段により１以上の前記基準ベクトルが既に生成されているタイミングで、前記個別情報取得手段により取得された前記コンテクスト情報を用いて、前記特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、前記現状コンテクスト特徴ベクトルと、既に生成されている前記１以上の基準ベクトルとの類似度を演算し、前記類似度が最も高い前記基準ベクトルを、特定コンテクスト基準ベクトルとして設定する類似度演算手段と、
前記候補取得手段により事前に取得された前記コンテンツの候補のうちの、前記類似度演算手段により設定された前記特定コンテクスト基準ベクトルに基づいて取得された前記コンテンツの候補を、推薦コンテンツとして前記ユーザに提示する提示手段と
を備えることを特徴とする情報処理装置。
コンテンツ全体若しくはその一部分または前記コンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、コンテンツを取得するコンテンツ取得手段と、情報を提示する提示手段とを備える情報処理装置が、
前記コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、前記コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、前記Ｎ個の要素のそれぞれに、対応する種類の前記個別情報が前記個別情報取得手段により取得された場合には前記個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理を前記ユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、
前記特徴ベクトル化ステップの処理により生成されたＭ個の前記特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の前記列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を前記第１の行列に対して施すことで、Ｎ×Ｍ個の前記行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成ステップと、
前記行列生成ステップの処理により生成された前記第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる前記標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、
前記基準ベクトル化ステップの処理により１つの前記基準ベクトルが生成される毎に、その基準ベクトルに基づいてユーザに推薦すべきコンテンツの候補を前記コンテンツ取得手段により取得させる候補取得ステップと、
前記基準ベクトル化ステップの処理により１以上の前記基準ベクトルが既に生成されているタイミングで、前記個別情報取得手段により取得された前記コンテクスト情報を用いて、前記特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、前記現状コンテクスト特徴ベクトルと、既に生成されている前記１以上の基準ベクトルとの類似度を演算し、前記類似度が最も高い前記基準ベクトルを、特定コンテクスト基準ベクトルとして設定する類似度演算ステップと、
前記候補取得ステップの処理により事前に取得された前記コンテンツの候補のうちの、前記類似度演算ステップの処理により設定された前記特定コンテクスト基準ベクトルに基づいて取得された前記コンテンツの候補を、推薦コンテンツとして前記ユーザに前記提示手段により提示させる提示ステップと
を含むことを特徴とする情報処理方法。
コンテンツ全体若しくはその一部分または前記コンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、コンテンツを取得するコンテンツ取得手段と、情報を提示する提示手段とを備える装置を制御するコンピュータに実行させるプログラムであって、
前記コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、前記コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、前記Ｎ個の要素のそれぞれに、対応する種類の前記個別情報が前記個別情報取得手段により取得された場合には前記個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理を前記ユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、
前記特徴ベクトル化ステップの処理により生成されたＭ個の前記特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の前記列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を前記第１の行列に対して施すことで、Ｎ×Ｍ個の前記行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成ステップと、
前記行列生成ステップの処理により生成された前記第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる前記標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、
前記基準ベクトル化ステップの処理により１つの前記基準ベクトルが生成される毎に、その基準ベクトルに基づいてユーザに推薦すべきコンテンツの候補を前記コンテンツ取得手段により取得させる候補取得ステップと、
前記基準ベクトル化ステップの処理により１以上の前記基準ベクトルが既に生成されているタイミングで、前記個別情報取得手段により取得された前記コンテクスト情報を用いて、前記特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、前記現状コンテクスト特徴ベクトルと、既に生成されている前記１以上の基準ベクトルとの類似度を演算し、前記類似度が最も高い前記基準ベクトルを、特定コンテクスト基準ベクトルとして設定する類似度演算ステップと、
前記候補取得ステップの処理により事前に取得された前記コンテンツの候補のうちの、前記類似度演算ステップの処理により設定された前記特定コンテクスト基準ベクトルに基づいて取得された前記コンテンツの候補を、推薦コンテンツとして前記ユーザに前記提示手段により提示させる提示ステップと
を含むことを特徴とするプログラム。
コンテンツ全体若しくはその一部分または前記コンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、
前記コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、前記コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、前記Ｎ個の要素のそれぞれに、対応する種類の前記個別情報が前記個別情報取得手段により取得された場合には前記個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理を前記ユーザがコンテンツを使用する毎に実行する特徴ベクトル化手段と、
前記特徴ベクトル化手段により生成されたＭ個の前記特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の前記列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を前記第１の行列に対して施すことで、Ｎ×Ｍ個の前記行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成手段と、
前記行列生成手段により生成された前記第２の行列におけるＭ個の前記列成分のそれぞれの間の類似度を演算し、それらの類似度に基づいてＭ個の前記列成分のそれぞれをクラス分類し、その結果得られる各クラスのそれぞれを１つのジャンルとして設定するジャンル設定手段と、
前記行列生成手段により生成された前記第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる前記標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化手段と、
前記基準ベクトル化手段により１以上の前記基準ベクトルが既に生成されているタイミングで、前記個別情報取得手段により取得された前記コンテクスト情報を用いて、前記特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、前記現状コンテクスト特徴ベクトルと、既に生成されている前記１以上の基準ベクトルとの類似度を演算し、前記類似度が最も高い前記基準ベクトルを、特定コンテクスト基準ベクトルとして設定する類似度演算手段と、
前記類似度演算手段により設定された前記特定コンテクスト基準ベクトル、及び、ユーザに推薦すべきコンテンツの複数の候補の各々を、前記ジャンル設定手段により設定された複数の前記ジャンルのうちの何れか１つに分類する分類手段と、
前記分類手段により前記特定コンテクスト基準ベクトルのジャンルと同一のジャンルに分類された前記候補を、推薦コンテンツとして前記ユーザに提示する提示手段と
を備えることを特徴とする情報処理装置。
前記ジャンル設定手段は、設定した前記ジャンル毎に、対応するジャンルに属する前記列成分のそれぞれを訓練データとして分類学習することで分類器を生成し、
前記ジャンル設定手段は、前記ジャンル設定手段により生成された前記分類器を用いて、前記特定コンテクスト基準ベクトル及び前記複数の候補の各々のジャンルを分類する
ことを特徴とする請求項３０に記載の情報処理装置。
前記ジャンル設定手段は、１つの前記ジャンルを設定する毎に、そのジャンルに属する前記列成分の各要素の中から所定の要素を選択し、選択した前記要素に基づいてそのジャンルの名称を決定する
ことを特徴とする請求項３０に記載の情報処理装置。
コンテンツ全体若しくはその一部分または前記コンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、コンテンツを取得するコンテンツ取得手段と、情報を提示する提示手段とを備える情報処理装置が、
前記コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、前記コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、前記Ｎ個の要素のそれぞれに、対応する種類の前記個別情報が前記個別情報取得手段により取得された場合には前記個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理を前記ユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、
前記特徴ベクトル化ステップの処理により生成されたＭ個の前記特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の前記列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を前記第１の行列に対して施すことで、Ｎ×Ｍ個の前記行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列ステップと、
前記行列生成ステップの処理により生成された前記第２の行列におけるＭ個の前記列成分のそれぞれの間の類似度を演算し、それらの類似度に基づいてＭ個の前記列成分のそれぞれをクラス分類し、その結果得られる各クラスのそれぞれを１つのジャンルとして設定するジャンル設定ステップと、
前記行列生成ステップの処理により生成された前記第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる前記標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、
前記基準ベクトル化ステップの処理により１以上の前記基準ベクトルが既に生成されているタイミングで、前記個別情報取得手段により取得された前記コンテクスト情報を用いて、前記特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、前記現状コンテクスト特徴ベクトルと、既に生成されている前記１以上の基準ベクトルとの類似度を演算し、前記類似度が最も高い前記基準ベクトルを、特定コンテクスト基準ベクトルとして設定する類似度演算ステップと、
前記類似度演算ステップにより設定された前記特定コンテクスト基準ベクトル、及び、ユーザに推薦すべきコンテンツの複数の候補の各々を、前記ジャンル設定ステップの処理により設定された複数の前記ジャンルのうちの何れか１つに分類する分類ステップと、
前記分類ステップの処理により前記特定コンテクスト基準ベクトルのジャンルと同一のジャンルに分類された前記候補を、推薦コンテンツとして前記ユーザに提示する提示ステップと
を含むことを特徴とする情報処理方法。
コンテンツ全体若しくはその一部分または前記コンテンツの属性を示すコンテンツメタ情報と、ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、コンテンツを取得するコンテンツ取得手段と、情報を提示する提示手段とを備える装置を制御するコンピュータに実行させるプログラムであって、
前記コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、前記コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、前記Ｎ個の要素のそれぞれに、対応する種類の前記個別情報が前記個別情報取得手段により取得された場合には前記個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理を前記ユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、
前記特徴ベクトル化ステップの処理により生成されたＭ個の前記特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の前記列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を前記第１の行列に対して施すことで、Ｎ×Ｍ個の前記行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列ステップと、
前記行列生成ステップの処理により生成された前記第２の行列におけるＭ個の前記列成分のそれぞれの間の類似度を演算し、それらの類似度に基づいてＭ個の前記列成分のそれぞれをクラス分類し、その結果得られる各クラスのそれぞれを１つのジャンルとして設定するジャンル設定ステップと、
前記行列生成ステップの処理により生成された前記第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる前記標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、
前記基準ベクトル化ステップの処理により１以上の前記基準ベクトルが既に生成されているタイミングで、前記個別情報取得手段により取得された前記コンテクスト情報を用いて、前記特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、前記現状コンテクスト特徴ベクトルと、既に生成されている前記１以上の基準ベクトルとの類似度を演算し、前記類似度が最も高い前記基準ベクトルを、特定コンテクスト基準ベクトルとして設定する類似度演算ステップと、
前記類似度演算ステップにより設定された前記特定コンテクスト基準ベクトル、及び、ユーザに推薦すべきコンテンツの複数の候補の各々を、前記ジャンル設定ステップの処理により設定された複数の前記ジャンルのうちの何れか１つに分類する分類ステップと、
前記分類ステップの処理により前記特定コンテクスト基準ベクトルのジャンルと同一のジャンルに分類された前記候補を、推薦コンテンツとして前記ユーザに提示する提示ステップと
を含むことを特徴とするプログラム。
サーバと、ユーザが使用するクライアントとからなる情報処理システムにおいて、
コンテンツ全体若しくはその一部分または前記コンテンツの属性を示すコンテンツメタ情報と、前記ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段と、
前記コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、前記コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、前記Ｎ個の要素のそれぞれに、対応する種類の前記個別情報が前記個別情報取得手段により取得された場合には前記個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理を前記ユーザがコンテンツを使用する毎に実行する特徴ベクトル化手段と、
前記特徴ベクトル化手段により生成されたＭ個の前記特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の前記列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を前記第１の行列に対して施すことで、Ｎ×Ｍ個の前記行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成手段と、
前記行列生成手段により生成された前記第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる前記標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化手段と、
所定のタイミングで前記個別情報取得手段により取得された個別情報を用いて前記特徴ベクトルを生成し、前記特徴ベクトルと、前記基準ベクトル化手段により生成された前記基準ベクトルとの前記類似度を演算する類似度演算手段と
を備え、
前記類似度演算手段は、
前記基準ベクトル化手段により１以上の前記基準ベクトルが既に生成されている第１のタイミングで、前記個別情報取得手段により取得された前記コンテクスト情報を用いて、前記特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、
前記現状コンテクスト特徴ベクトルと、既に生成されている前記１以上の基準ベクトルとの類似度を演算し、前記類似度が最も高い前記基準ベクトルを、特定コンテクスト基準ベクトルとして設定し、
前記第１のタイミングの後の第２のタイミングで前記個別情報取得手段により取得された前記個別情報を用いて、前記特徴ベクトルを生成し、
前記第２のタイミングで前記個別情報取得手段により取得された前記個別情報を用いて生成された前記特徴ベクトルと、前記特定コンテクスト基準ベクトルとの類似度を演算し、
前記サーバは、前記特徴ベクトル化手段、前記行列生成手段、前記基準ベクトル化手段、および、前記類似度演算手段のうちの、少なくとも前記行列生成手段を備える
ことを特徴とする情報処理システム。
サーバと、ユーザが使用するクライアントとからなる情報処理システムの情報処理方法において、
コンテンツ全体若しくはその一部分または前記コンテンツの属性を示すコンテンツメタ情報と、前記ユーザの内的また外的な状況を示すコンテクスト情報とを、それぞれ個別情報として取得する個別情報取得手段を前記サーバ又は前記クライアントが備え、
前記コンテンツメタ情報の所定の１種類が対応付けられているＮ１個（Ｎ１は１以上の整数値）の要素と、前記コンテクスト情報の所定の１種類が対応付けられているＮ２個（Ｎ２は１以上の整数値）の要素との総計Ｎ個（Ｎ＝Ｎ１＋Ｎ２）の要素からなる標準形のベクトルであって、前記Ｎ個の要素のそれぞれに、対応する種類の前記個別情報が前記個別情報取得手段により取得された場合には前記個別情報に基づく値を代入し、取得されない場合には所定値を代入することによって構成されるベクトルを、特徴ベクトルとして生成する処理を前記ユーザがコンテンツを使用する毎に実行する特徴ベクトル化ステップと、
前記特徴ベクトル化ステップの処理により生成されたＭ個の前記特徴ベクトルを列成分とするＮ行Ｍ列の第１の行列を生成し、Ｍ個の前記列成分のそれぞれにおけるＮ個の行列要素間の関係のそれぞれを強調させる演算を前記第１の行列に対して施すことで、Ｎ×Ｍ個の前記行列要素のうちの少なくとも一部の内容を更新した第２の行列を生成する行列生成ステップと、
前記行列生成ステップの処理により生成された前記第２の行列におけるＭ個の列成分に基づいて、類似度の演算の基準となる前記標準形のベクトルを、基準ベクトルとして生成する基準ベクトル化ステップと、
所定のタイミングで前記個別情報取得手段により取得された個別情報を用いて前記特徴ベクトルを生成し、前記特徴ベクトルと、前記基準ベクトル化ステップの処理により生成された前記基準ベクトルとの前記類似度を演算する類似度演算ステップと
を含み、
前記類似度演算ステップは、
前記基準ベクトル化ステップの処理により１以上の前記基準ベクトルが既に生成されている第１のタイミングで、前記個別情報取得手段により取得された前記コンテクスト情報を用いて、前記特徴ベクトルを、現状コンテクスト特徴ベクトルとして生成し、
前記現状コンテクスト特徴ベクトルと、既に生成されている前記１以上の基準ベクトルとの類似度を演算し、前記類似度が最も高い前記基準ベクトルを、特定コンテクスト基準ベクトルとして設定し、
前記第１のタイミングの後の第２のタイミングで前記個別情報取得手段により取得された前記個別情報を用いて、前記特徴ベクトルを生成し、
前記第２のタイミングで前記個別情報取得手段により取得された前記個別情報を用いて生成された前記特徴ベクトルと、前記特定コンテクスト基準ベクトルとの類似度を演算し、
前記サーバは、前記特徴ベクトル化ステップ、前記行列生成ステップ、前記基準ベクトル化ステップ、および、前記類似度演算ステップのうちの、少なくとも前記行列生成ステップの処理を実行する
ことを特徴とする情報処理方法。