專利名稱：信息評估系統(tǒng)及用于評估信息的方法
技術領域：
本發(fā)明涉及一^f言息^H古系統(tǒng)和一種用iSf估信息的方法，其可^^于^H古 關于日常貨物的各種項目，例如食品和書籍、廣播內容，例如電影和音樂，同時 允許去評估一個被4錄的結果的意外性。
背景技術：
如在下面列出的一篇相關領妖獻[i中所4Hf的，妙錄下面描述的指示
符，例如，"precision", "aveP，，以及"recall",是指示一4M言息評估系統(tǒng)的性能 的指示符。
(1)<formula>formula see original document page 4</formula>
(3)
在等式(1) — (3)中，L代Jjf皮推薦的項目的個數(shù)，！MJ(^4it合的項目的 總數(shù)，i代表排在第i個的被絲項目，，^,)代表s,對于用戶狄的的適^fH， 以及count (i) ^R^E排在前i個的項目中適合的項目的個數(shù)。
"precision"指示適合用戶嗜好的項目(count(L))在4條列表中所占的比 例。"aveP"指示在考慮了排序時適合用戶嗜好的項目( )的"precision"
的平均值。"recall"指示適合于用戶嗜好的項目相對于所有適合的項目(R)的 比例。通過"^JU例如precision、 aveP和recall的指示符，就可以估量為用戶嗜好 4M的結果的it^^呈度。 相關領J^X獻列表
C.Cleverdon and M. Kean ， "Factors Determining the Performance of Indexing System" ， Aslib Cranfield Reserch Project, CranfieldEngland (1968 )[1
RJ.Quinlan: C4.5:Programs for Machine Learning, Morgan Kaufmann， San Mateo， CA (1993) [2
C.M.Bishop : Neural Networks for Pattern Recognition ， Oxford UniversityPress (1995) [3] V.N.Vapnik: The Nature of Statistical Learning Theory, Springer(1995) [4
在信息^H古系統(tǒng)中，當將的結果;UI1戶已經(jīng)知曉的信息，或當用戶對## 的結果并不感到驚訝時，信息^f古系統(tǒng)的翻將I^f氐，并且其作用也不會機。 逸就需^"HM言息^H古系統(tǒng)，提供適合用戶嗜好的意外的4錄結果，使其作用持 續(xù)而不損害用戶的可靠性。

發(fā)明內容
依據(jù)本發(fā)明的第一方面，提^"憤息^H古系統(tǒng)，包括 一個嗜^^型產(chǎn)生 單元，其基于表明用戶行為歷史的行為歷史，通過學習和^ft用戶的嗜^f莫型， 產(chǎn)生一個嗜^f^型；一^f估列表產(chǎn)生單元，其基于所述嗜^^莫型，計算多個被 ##^選的概率，并產(chǎn)生一個指示這些被4^^逸的概率的^H古列表； 一個默認 預測單元，基于關于所述行為歷史信息4旨明用戶的習慣，并基于所述習慣計算所 述多個被4W^芙選的預測的默認值；以及一個^H古的意外性數(shù)值計料元，用于 計算一個表示意外性的評估的意外性數(shù)值，當^J斤述醉減去所述預測默認數(shù)值
得到的差值較大時，所述意外性M高。
^i據(jù)本發(fā)明的第二方面，提^~種方法，用"f^H古關于對用戶^^的^i^的 信息，該方法包括基于^^示用戶行為歷史的行為歷史，通過學習和^f^用戶的 嗜^i型，產(chǎn)生一個嗜^^型；基于所述嗜^^型，計算多個被##^選的概率； 產(chǎn)生一個評估列表，該評估列表表示所述被^^m的概率；基于關于行為歷史 的4言息指明用戶的習慣；基于所述習慣計算所述多個被4^W美選的預測的默認 值；以及計算表示意外性的^N古的意外^I5:值，當>^^斤述概率減去所述預測的默 認數(shù)值得到的差值較大時，所述意外性也較高。


圖l是一個框圖，示出了依據(jù)本發(fā)明一個實施例的信息^H古系統(tǒng)的糾結構； 圖2是一個^^呈圖，示出了圖1的信息評估系統(tǒng)的皿處理過程； 圖3是一個^f呈圖，示出了圖2的過程中嗜^t型準備步驟(步驟A)的細
節(jié)；
圖4是一個添f呈圖，示出了圖2的過程中評估列表步驟(步驟B)的細節(jié)； 圖5是一個添艮圖，示出了圖2的過程中默認預測步驟(步驟C)的細節(jié)； 圖6示一個^^f呈圖，示出了圖2的過程中^H古的意外性數(shù)值(unexpectedness) 計算步驟(步驟D)的細節(jié)；
圖7是一個流程圖，示出了圖2的過程中評估的意外性數(shù)值 (unexpectedness_r)計算步驟(步驟D)的細節(jié)；
圖8是一個i^呈圖，示出了圖2的過程中捧淳列表準備步驟(步驟E)的細
節(jié)；
圖9是一個表格，示出了在圖i的信息^H古系統(tǒng)中，關于一個電^5LC^U"
電視節(jié)目信息的歷史信息(圖10)的示例；
圖IO是一個表格，示出了在圖1的信息斧f古系統(tǒng)中的電視節(jié)目信息的示例； 圖ll是一個圖表，示出了在圖1的信息刑古系統(tǒng)中，定義嗜^^莫型結構的
描述，性示例；
圖12是一個表格，示出了在圖1的信息^H古系統(tǒng)中的嗜^f莫型的糾賦 值的示例；
圖13是一個表格，示出了在圖1的信息^H古系統(tǒng)中要準備的評估禾誘列表 的示例；
圖14是一個表格，示出了用于圖1的信息^H古系統(tǒng)的默認預測結果的示例； 圖15是一個表格，示出了用于圖l的信息^H古系統(tǒng)的興趣數(shù)據(jù)的示例； 圖16是一個表格，示出了在圖1的信息^H古系統(tǒng)中要準備的評估數(shù)值禾錄 數(shù)據(jù)庫的示例；圖17是一個表格，示出了在圖i的信息i^H古系統(tǒng)中要準備的^H斜l^列表 的示例。
M實施方式
以下將參考附圖描述^i據(jù)本發(fā)明的一個實施例的信息評估系統(tǒng)。 盡管用于給用戶^H古和絲廣播節(jié)目的信息^H古系統(tǒng)的結構和處理，將扭 個實施例中被描述，^L發(fā)明不限于用iSf估廣播節(jié)目項目的系統(tǒng)，也可以適用 于所有種類的日常貨物的項目，例如食物和書籍，廣播內容，例如電影和音樂， 以"JI似物。應注意到，本發(fā)明不^t依據(jù)該實施例譯f古廣播節(jié)目有用，而且也 對通過測量屬于本發(fā)明的被推薦結果的意外性來評估任意信息的被推薦結^ 用。
圖i示出了依據(jù)本發(fā)明所述實施例的信息評估系統(tǒng)的結構。圖2是示出依據(jù)
該實施例的信息^H古系統(tǒng)的處理過程的a^呈圖。圖3至5以及圖8是示出圖2中 步驟A、 B、 C和E的細節(jié)的流程圖。圖6和7是兩種流程圖，示出了圖2中步 驟D的細節(jié)。
依據(jù)該實施例的信息評估系統(tǒng)^^廣播接^L 1接^以電^!i番;^廣凈番節(jié) 目，這樣的一個示例被示出在圖1中。廣播接》|^幾1通過網(wǎng)絡40經(jīng)有線或無線 連接而連接到廣播服務器41。廣播內絲脅2接收節(jié)目內容絲幼M節(jié)目電 ^L^方文i殳備5為用戶電朝!i番放節(jié)目內容。
廣播終端1的廣播內絲》)^幾2接收節(jié)目數(shù)據(jù)(即，EPG:電子節(jié)目械)。 節(jié)目數(shù)據(jù)管理器6將接收到的節(jié)目數(shù)據(jù)^#到節(jié)目數(shù)據(jù)庫3中，并且管理該數(shù)據(jù)， 例如周斯歸更新該數(shù)據(jù)。辦歷史收集設備14通iii4程控制器或廣播頻敬 變i殳備收集用戶的電^怍歷史信息。觀看歷史管理器7將收集到的電 怍歷 史信4##到，錄歷史數(shù)據(jù)庫4中，并且管理該數(shù)據(jù)，例如周期'^J4更新該數(shù)據(jù)。 節(jié)目操作歷史信息4皮收集作為，例如，如圖9所示的數(shù)據(jù)。
圖9示出了劉Ufo W題目為"今天的晚餐"的節(jié)目，其屬性"viewing(觀看)" 的值就為"TRUE"。 ^!J"歷史信息不限于圖9所示的內容，還可以是具有^Mt格式或樹定義的信息，xW歷史信息也可以是"fM^^輸入、^JU遠禾雄制器輸 入、通過網(wǎng)絡在線輸入和從作為信息傳^^體的磁帶讀取的形^f皮輸入。 JE脈參考圖2絲述信息^M古系統(tǒng)的^l^h理過程。首先，扭行觀看歷史數(shù)
絲取步驟(步驟Sl )，然后齡節(jié)目數(shù)絲取步驟(步驟S2 )。接下來，做 順序4sU^t^^莫型準備步驟(步驟A)，評估列表準備步驟(步驟B )，默認預測 步驟(步驟C )，預測意外性數(shù)值計算步驟(步驟D)和推薦列表準備步驟(步 驟E )。其后，^W亍^^列表排列步驟(步驟S3 )和興 1據(jù)收集步驟(步驟S4 )。 貝葉斯(Bayesian )網(wǎng)絡表示和準^tif^型的步驟(步驟A )，主要是 通過使用圖1示出的廣播接^ 1的嗜^^型產(chǎn)生單元45來"i^亍的。嗜^=莫型 產(chǎn)生單元45包^f^^莫型學習單元8、嗜^^莫型管理器9，以及嗜^t莫型數(shù)據(jù)庫 10。
在嗜^f^莫型準備步驟A中^M亍圖3顯示的過程。嗜^^型學習單元8讀:^定 X^構的數(shù)據(jù)，以定義如圖11所示的嗜^t型結構(步驟Al)。該嗜^^莫型學
習單元8從如圖10所示的節(jié)目數(shù)據(jù)管理器6中讀: ut去一段預定時間的節(jié)目信
息(步驟A2 )。該嗜^^莫型學習單元8從如圖9所示的觀看歷史管理器7中讀取 過去的一段預定時間的X!Llr歷史信息(步驟A3 )。該嗜^^莫型學習單元8計算如 圖12所示的貝葉斯網(wǎng)絡中的^變量的^Ht扭^直(步驟A4)。所述^H^概率 值可作為適合節(jié)目的頻率，從如圖9所示的觀看歷史信息中的被計##到，或者 通itib許系統(tǒng)i殳計^i經(jīng)一個4^i^^得。定:^斤獲得的網(wǎng)絡結構的數(shù)據(jù)和所述 ^N既賴作為嗜^t型在嗜^^莫型數(shù)據(jù)庫10中被^ 管理(步驟A5 )。盡 管#實施例中，使用貝葉斯網(wǎng)絡表示和準^t^4莫型，但也可以使用其它方法 例如敘目關領^L獻21中描述的決策樹來掌握該嗜^f莫型。
^JU評估列表產(chǎn)生單元46按照如圖4所示的過禾呈^Mt^H古列表準備步驟B。 ^N古列表產(chǎn)生單元46包括^L^財計料元15、排序單元16、節(jié)目選擇器17、 評估列表數(shù)據(jù)庫18和贈概頓數(shù)據(jù)庫19。
，M概率計算器15讀取由節(jié)目數(shù)據(jù)管理器6管理的節(jié)目信息(步驟Bl )。 X!W概率計算器15 由嗜^^型管理器9管理的嗜^t型(步驟B2 )。特別地，由計算沖幾^l定義了如圖11所示的嗜^t型結構的文件或定義了如圖12所
示的概率變量的IHtfe^i的文件。嗜^f^型并不限于上面所^^的;ut情況，
也可以是以朋敏輸入，或朋對雄制器輸入，通過網(wǎng)絡在縫A^從作為
信息傳輸介質的磁帶讀取的形i^皮輸入。
，M概率計算器15 ^U嗜^^型和作為輸入信息的節(jié)目數(shù)據(jù)來計算目標節(jié) 目的^J"概M (步驟B3 )。 ^W概^t可以通過^^嗜^^莫型的概^SM 得。例如，當將^#出的電視節(jié)目的一個節(jié)目類型(programgenre)是"多樣的 (variety )，，， 則該節(jié)目的，見眾觀看概率 P (viewing=TRUE|program_genre=variety)可以侵月如圖12所示的^fN^(i 的概率分布，通過以下表狄來計算。
m、 尸(/ 廠ogram 二 var| vfewZ"g 二 77 /7￡) ( 4 )
=r(WeH7'"g" 二 77 --=-
— = var /e(y)
排序單元16對具有給出的M41^t的節(jié)目數(shù)據(jù)以MJr概賴降序進行排
序(步驟B4 )。節(jié)目選擇器17將由排序單元16排序的節(jié)目數(shù)據(jù)中的前X個節(jié)目 作為被^M古節(jié)目^f^在^H古列表數(shù)據(jù)庫18中，并JL^JW^^i數(shù)據(jù)庫19中存 #^皮排序后的節(jié)目數(shù)據(jù)(步驟B5 )。
值的節(jié)目數(shù)據(jù)，具有如圖13所示的格式。盡管#實施例中，學習嗜^#型， 并才娥學習得到的嗜:i^莫型i)^^^皮^f古的節(jié)目，但也可以^f^l其它方法來學習
嗜^=莫型，該其它方法是:M目關領妖獻[2中描述的決策樹，或者通朋分類器 將節(jié)目數(shù)據(jù)分類為用戶喜歡節(jié)目數(shù)據(jù)和其他節(jié)目數(shù)據(jù)來準備包括用戶喜歡的節(jié) 目的評估節(jié)目列表，所述分類器是，例34目關領奴獻[3]中描述的神經(jīng)網(wǎng)絡或相 關領J^獻[4中描述的SVM。
默認預測步驟C通itf^]默認預測單元47以圖5所示的it禾呈4皮批f亍。默認 預測單元47包括習慣指定單元11、觀看預測單元12和]T犬"i人預測結果lt據(jù)庫13。
》Jlt概率計算器15棘由節(jié)目數(shù)據(jù)管理器6管理的節(jié)目信息(步驟Cl )。 習慣指定單元11讀取由觀看歷史管理器7管理的觀看歷史信息(步驟C2 )。習慣指定單元11基于所述節(jié)目數(shù)據(jù)和所i^M歷史指定一個節(jié)目(步驟C3),該
節(jié)目是一個，JiU^斤習慣xW的。在指定被習慣，Mr的節(jié)目的時候，與在過去* 見 看的節(jié)目具有相同的題目或相同播放時間的節(jié)目就可以被指定為被習慣xW的
節(jié)目。觀看預測單元12基i^皮確定為被習慣觀看的節(jié)目信息和由節(jié)目數(shù)據(jù)管理 器6管理的節(jié)目信息來預測(默認預測)觀看(步驟C4 )。
觀看預測單元12預測如圖14所示的節(jié)目的觀看預測結果。在圖14中，作
為默i人預測結果，"r^^被預測為將^;見看的節(jié)目，"o" #^^沒有,皮預測
為將^^t的節(jié)目。這個數(shù)值并不限于1和0，也可以是
內的一個小數(shù)。由 MJ"預測單元12預測得到的節(jié)目的觀看預測結果，被^^在默i人預測結果lt據(jù) 庫13中(步驟C4)。
^H古的意外性數(shù)值計算步驟D由"if^古的意外性數(shù)值計料元48來蹄。該 i^H古的意外性數(shù)值計料元48包絲測結果tb^單元20，項目計數(shù)器21， "^H古 加法器22， "PH古除法器23， ^H古值輸出單元24， "^H古數(shù)據(jù)庫25和興 1據(jù)庫 26。在該評估的意夕卜性數(shù)值計算步驟D中，^f亍如圖6所示"unexpectedness" 的計算以及如圖7所示 "unexpectedness一r"的計算。
預測結果tb^單元20從評估列表數(shù)據(jù)庫18中讀: ^H古列表，^f犬認預測結 果數(shù)據(jù)庫13中讀^ur夫認預測結果，^y^^t據(jù)庫26中讀取^yt據(jù)，以;SjMjC 看概^i數(shù)據(jù)庫19中讀^o5it概^i數(shù)據(jù)(步驟m和步驟Di，)。例如，圖13
示出了i^f古列表，圖15示出了^ :據(jù)，以及圖14示出了默認預測結果。如圖 15所示，在興趣數(shù)據(jù)中，"TRUE"凈iUi^^用戶感興趣的節(jié)目，"FALSE"
用戶不感興趣的節(jié)目?？梢酝╥iib許用戶利用^rAi殳備(例如MJt或鼠標)直接
輸入數(shù)據(jù)來收H^斤述3^^數(shù)據(jù)，或者所述興趣數(shù)據(jù)可以^^過去X!W歷史信息或
類似信息被自動^p角定。
項目計數(shù)器21從評估列表(步驟D2和步驟D2，)選擇一個節(jié)目(節(jié)目A )， 然后參考興^t據(jù)庫26判定節(jié)目A是否是一個被感M的節(jié)目(步驟D3和步 驟D3，)。當判定節(jié)目A是被感興趣的節(jié)目時，將節(jié)目A的預測默認數(shù)值與其觀 看概^i相比較(步驟D4和步驟D4，)。當節(jié)目A的觀看概，比預測默認數(shù)值大時，評估加法器22在評估的意外 性數(shù)值"unexpectedness" Ji^J^M概^^測默認數(shù)值之間的差值(步驟 D5)。或者，當節(jié)目A的，M^t^i比預測默認數(shù)值大時，^H古加法器22計算 項目的數(shù)目，扭些項目中，被感她的節(jié)目被包括^^H古列表中比節(jié)目A排 名靠前的節(jié)目中(步驟D5，)，然后在^H古的意外性數(shù)值"unexpectedness—r，，上 加上計數(shù)值與觀看概4^，測默認數(shù)值之間的差值的乘糸(步驟D6，)。
當項目計數(shù)器21判定節(jié)目A不是^皮感興趣的節(jié)目，評估加法器22判定節(jié)目 A的^L^概，比預測默認數(shù)值小時，項目計數(shù)器21 ^yvi^H古列表中i^^^H古 另一個節(jié)目。
當對^H古列表中所有節(jié)目IW亍了該過程(步驟D2至D5和步驟D2，至D6，) 時(步驟D6和步驟D7，)，評估除法器23將所^^果除以評估列表中項目的個 數(shù)除(步驟D7和步驟D8，)。當不是對i^f古列表中所有節(jié)目^f1^玄過程時(步驟 D6和步驟D7，)，項目計數(shù)器21從評估列表中選#^(古另 一個節(jié)目。評估值輸 出單元24將計，到的評估的數(shù)值^ft到評估數(shù)據(jù)庫25中。
圖16示出了評估數(shù)值節(jié)目數(shù)據(jù)的一個示例。"unexpectedness"和 "unexpectedness—r"的評估數(shù)值通過以下表it^計算。<formula>formula see original document page 11</formula>
丄' 在等式(5)和(6)中，L表^^皮推薦項目的個數(shù)，a表示排在第i個的被
,項目，PG,)表示^的預測概^t， dG,)表示由默認預測得到的s,的預測旨
數(shù)值，isrel(、)表示4樹用戶興趣的5,的適^^呈度，以及count(i)表示排在前i個的
項目中適合的項目的個數(shù)。
j^l捧陣節(jié)目決定單元27按照如圖8所示的過程^f亍4條列表準備步嫩步
驟E )。 4錄節(jié)目決定單元27從"i^H古數(shù)據(jù)庫25中^^H古數(shù)據(jù)，AMaJilE^t
數(shù)據(jù)庫19中讀^OW概^(t數(shù)據(jù)(步驟El ),從興^t據(jù)庫26中讀取興^t據(jù)
(步驟E3)。
4M節(jié)目決定單元27 ^il擇) !i^lt^i大于預測默認數(shù)值的節(jié)目，然后將*^擇的節(jié)目加A^推薦列表中(步驟E2 )。推薦節(jié)目決定單元27按照J膽概 賴的順序對節(jié)目數(shù)據(jù)排序(步驟E4 )，然后選擇具有最高，贈概頓的一個節(jié) 目(節(jié)目C)(步驟E5)。當參考興^t悟，節(jié)目C是被感M的節(jié)目時(步驟
E7)。當預測默認數(shù)值大于XW概賴時，將節(jié)目決定單元將節(jié)目C加AJ'J推 薦列表中(步驟E8)。當節(jié)目C不是4M興趣的節(jié)目或節(jié)目C的預測默認數(shù)值 小于MJ1^iL時，絲節(jié)目決定單itA以降序朝^的，錄概賴中選擇具有第 二高^Jr概賴的節(jié)目。當4錄節(jié)目列表的大小&ijN時，該過禾魏束。當所述 大小小于N時，4錄節(jié)目決定單狄以降序排列的M^T概賴中選擇具有次高觀 看概#的節(jié)目。##節(jié)目決定單元27將圖17中示出的##列表傳彩'』節(jié)目推 薦設備28(演示單元)，并且，節(jié)目##設備28在廣播接》1^幾_11^示所述推薦列 表。
權利要求
1. 一個信息評估系統(tǒng)包括嗜好模型產(chǎn)生單元，其基于給出用戶行為的歷史的行為歷史，通過學習和存儲用戶的嗜好模型產(chǎn)生一個嗜好模型；評估列表產(chǎn)生單元，其基于所述嗜好模型計算多個被推薦候選的概率，并產(chǎn)生給出各所述被推薦候選的概率的評估列表；默認預測單元，其基于關于所述行為歷史的信息指定該用戶的習慣，并基于該習慣計算所述多個被推薦候選的預測默認數(shù)值；以及評估的意外性數(shù)值計算單元，其計算表示意外性的評估的意外性數(shù)值，其中，當所述概率減去所述預測默認數(shù)值得到的差值較大時，所述意外性也較高。
2、 才N^權禾，J^求i的所述系統(tǒng)，其中所述"i^H古的意外性數(shù)值計料it/f^1 由以下表iiA得到的"unexpectedness"來計算所述評估的意外性數(shù)值<formula>formula see original document page 2</formula> 其中L是被推薦項目的個數(shù)，&是排在第i個的被推薦項目，PG,)是a的預 測概賴，dG,)是通itf犬認預測得到的a的預效'J概賴，以及isrdG,)是針對用戶 興趣的^的適^^呈度。
3、 才N^權矛虔求1的所述系統(tǒng)，其中當具有由所述譯f古的意外性數(shù)值計算 單元計^#到的相對高的評估的意外性數(shù)值的所述被##^夷選匹配于在由所述 ^H古列表產(chǎn)生單元準備的評估列表中具有相對高的絲的被^^選時，所述評 估的意外性數(shù)值計料元提高該被##^選的優(yōu)先級。
4、 才緣權利要求3的所述系統(tǒng)，其中所述^H古的意外性數(shù)值計粋iLit過 ^J I由以下表ii^得到的"unexpectedness—r，，來計算所述"PH古的意外性數(shù)值， 以提高被###^的優(yōu)先級<formula>formula see original document page 2</formula>其中L是4錄項目的個數(shù)，^是排在第i個的,項目，)是~的預觀'慨率數(shù)值，d G,)是通iiT夫認預觀'將到的A的預觀'^^:值，isrelG,)是4樹用戶興 趣的《的適^^呈度，以及count(i)是排序在前i個的項目中適合的項目的個數(shù)'
5、 才娥權禾，J^求1的所述系鍵進一步包拾演示單元，M先地為用戶呈 餘多個被#^^選中具有高的評估的意外性數(shù)值的被#^(矣選。
6、 一種評估關于對用戶的##^菱選的信息的方法，該方法包括 基于指出用戶行為的歷史的行為歷史，通過學習和4^用戶的嗜^f莫型產(chǎn)生嗜械型；基于所述嗜^"才莫型計算多個被#^^選的概率； 產(chǎn)生給出44皮4^i美選的概率的評估列表； 基于關于所迷行為歷史的信息，指^戶的習慣； 基于所述習慣，計算所述多個被###選的預測默認數(shù)值；以及 計算表示意外性的評估的意外性數(shù)值，其中當所述概率減去所述預測默認數(shù) 值得到的差值較大時，所述意外性雄高。
全文摘要
一個系統(tǒng)包括嗜好模型產(chǎn)生單元，基于指示用戶行為歷史的行為歷史，通過學習和存儲用戶的嗜好模型，產(chǎn)生嗜好模型；評估列表產(chǎn)生單元，基于所述嗜好模型計算多個被推薦候選的概率，并產(chǎn)生指示所述被推薦候選的概率的評估列表；默認預測單元，基于所述行為歷史的信息指定該用戶的習慣性，并基于該習慣計算所述多個被推薦候選的預測默認數(shù)值；以及評估的意外性數(shù)值計算單元，計算指示意外性的評估的意外性數(shù)值，當所述概率減去所述預測默認數(shù)值得到的差值較大時，所述意外性也較高。
文檔編號G06F17/30GK101286217SQ20081010039
公開日2008年10月15日 申請日期2008年4月14日 優(yōu)先權日2007年4月12日
發(fā)明者村上知子 申請人:株式會社東芝