信息处理装置和信息处理方法

1.一种信息处理装置，包括：
广播信号处理部分，用于接收和再现用户选择的广播节目；
观看者信息获得部分，用于获得观看再现的广播节目的用户的数量作为观看者数量；
特征信息获得部分，用于获得正广播的一个或多个广播节目的特征信息；
用户偏好信息存储部分，用于存储用户偏好信息，其中每条所述用户偏好信息中集成了多个用户的偏好；
用户偏好信息生成部分，用于至少基于关于再现的广播节目的特征信息和观看者数量执行存储在用户偏好信息存储部分中的用户偏好信息的学习，所述特征信息是由特征信息获得部分获得的，所述观看者数量是由观看者信息获得部分获得的；以及推荐节目确定部分，用于基于用户偏好信息从正广播的一个或多个广播节目中确定推荐节目。
2.根据权利要求1所述的信息处理装置，进一步包括：
实际观看时间百分比获得部分，用于获得再现的广播节目的再现时间作为观看时间，并且用于获得观看时间在再现的广播节目的整个时间长度中的百分比作为实际观看时间百分比，
其中，用户偏好信息生成部分基于关于再现的广播节目的所获得的特征信息、基于由观看者信息获得部分获得的观看者数量以及基于由实际观看时间百分比获得部分获得的实际观看时间百分比来执行用户偏好信息的学习。
3.根据权利要求2所述的信息处理装置，
其中，用户偏好信息生成部分基于实际观看时间百分比和观看者数量确定权重，并且基于该权重和广播节目的特征信息来生成关于用户偏好信息的学习数据。
4.根据权利要求3所述的信息处理装置，进一步包括：
图像拾取部分，用于对观看再现的广播节目的用户进行拍摄，
其中，观看者信息获得部分从所拍摄的视频中获得观看者数量。
5.根据权利要求4所述的信息处理装置，
其中，观看者信息获得部分每恒定时间段从所拍摄的视频中检测人脸部分，并且确定人脸部分的数量在节目观看的终止时间点之前的平均值作为观看者数量，其中所述人脸部分是从视频中检测的。
6.根据权利要求5所述的信息处理装置，进一步包括：
用于向观看再现的广播节目的用户指示已执行了用户偏好信息的学习的部件。
7.根据权利要求1所述的信息处理装置，
其中，观看者信息获得部分识别单独观看广播节目的多个用户，由此确定作为多个用户的组合的用户组，
其中，用户偏好信息存储部分存储每个用户组的用户偏好信息，
其中，用户偏好信息生成部分执行每个所确定的用户组的用户偏好信息的学习，并且其中，推荐节目确定部分基于每个所确定的用户组的用户偏好信息从正广播的一个或多个广播节目中确定推荐节目。
8.一种信息处理方法，包括：
通过广播信号处理部分接收和再现用户选择的广播节目；
通过观看者信息获得部分获得观看再现的广播节目的用户的数量作为观看者数量；
通过特征信息获得部分获得正广播的一个或多个广播节目的特征信息；
通过用户偏好信息生成部分至少基于获得的关于再现的广播节目的特征信息和获得的观看者数量，来执行存储在用于存储用户偏好信息的用户偏好信息存储部分中的用户偏好信息的学习，其中每条所述用户偏好信息中集成了多个用户的偏好；以及通过推荐节目确定部分基于用户偏好信息从正广播的一个或多个广播节目中确定推荐节目。

信息处理装置和信息处理方法\n技术领域\n[0001] 本发明涉及一种信息处理装置、信息处理方法和程序，其能够再现包括视频的节目并且能够基于用户偏好来确定推荐的节目。\n背景技术\n[0002] 在现有技术中，例如，在电视广播和无线电广播中，在向用户推荐节目的情况下，基于EPG(电子节目指南)的节目信息(节目元数据)等，选择与用户偏好信息匹配的节目。\n向用户推荐节目的方法依赖于获得用户偏好数据的方法而不同。示出初始兴趣登记方法和观看历史使用方法的例子。在初始兴趣登记方法中，初始地允许用户登记关于用户的兴趣的信息，并且基于上述信息推荐节目。在观看历史使用方法中，使用用户已观看的节目的观看历史来向用户推荐节目。\n[0003] 在初始兴趣登记方法中，在开始使用时，允许用户登记用户喜欢的节目类别(例如戏剧或杂技)、风格(推理剧、喜剧等)或演员的姓名。然后，通过使用上述信息作为关键词，在关键词和节目元数据之间执行匹配。以此方式，获得要推荐的节目的名称。\n[0004] 然而，在根据初始登记方法选择节目的情况下，仅能够反映在用户执行他或她的兴趣登记的初始时间时用户的固定兴趣。此外，令人遗憾的是，为了获得详细信息，用户的登记操作变得复杂。在鉴于上述情况而登记小量几条信息以简化在初始设置期间要登记的信息的输入操作的情况下，仅能够执行基于用户的一般偏好信息的推荐。因此，令人遗憾的是，选择满足用户偏好的节目的准确度变得低。\n[0005] 相比而言，在观看历史使用方法中，每当用户观看节目时，累积所观看的节目的元数据。在当历史元数据累积到某个程度时，对元数据进行分析，以由此获得例如关于用户喜欢的节目类别、风格或演员的姓名的信息。然后，通过使用上述信息作为关键词，在关键词和节目元数据之间执行匹配。以此方式，获得要推荐的节目的名称。因此，不必如在初始登记方法中那样由用 户执行繁琐的登记操作。\n[0006] 此外，公开了以下技术作为观看历史使用方法。具体地，将节目的属性表示为关于诸如题目、风格和表演者的每一个定义属性项目的矢量信息。其中，类似于上述的矢量信息但是表示观看者的偏好的矢量信息是基于观看历史生成的。然后，将前者和后者彼此进行比较，以指示满足观看者偏好的节目(例如，日本专利申请特开No.2001-160955)。\n发明内容\n[0007] 顺便提及，在一个家庭中，各种用户能够观看广播节目。此外，同时观看广播节目的用户的数量能够变化。除此之外，在推荐节目的观看历史使用方法中，没有考虑同时观看节目的用户的数量。因而，在一些情况中，例如，因为指定用户的偏好被有意地过多反映到节目推荐结果中，所以可能没有获得好的节目推荐结果。\n[0008] 鉴于上述情况，需要提供一种能够对其中集成多个用户的偏好的用户偏好矢量执行良好学习以及能够获得良好的节目推荐结果的信息处理装置、信息处理方法和程序。\n[0009] 根据本发明的一个实施例，提供了一种信息处理装置，包括：广播信号处理部分，用于接收和再现用户选择的广播节目；观看者信息获得部分，用于获得观看再现的广播节目的用户的数量作为观看者数量；特征信息获得部分，用于获得正广播的(on the air)一个或多个广播节目的特征信息；用户偏好信息存储部分，用于存储用户偏好信息，在所述用户偏好信息中集成了多个用户的偏好；用户偏好信息生成部分，用于至少基于关于再现的广播节目的特征信息和观看者数量执行存储在用户偏好信息存储部分中的用户偏好信息的学习，所述特征信息是由特征信息获得部分获得的，所述观看者数量是由观看者信息获得部分获得的；以及推荐节目确定部分，用于基于用户偏好信息从正广播的一个或多个广播节目中确定推荐节目。\n[0010] 在根据本发明的实施例中，当用户偏好信息生成部分执行学习时，用户偏好信息生成部分考虑观看者数量。也就是说，当观看者数量变大时，所观看的广播节目的特征信息被用户偏好信息生成部分更大地反映到用户偏好信息中。由此，防止将特定用户偏好过多反映到用户偏好矢量的学习中。结果，能够对其中集成多个用户的偏好的用户偏好矢量执行良好学习，并且能够获 得良好的节目推荐结果。例如，能够优先推荐家庭中更多成员喜欢观看的节目，而不是仅家庭中一个成员喜欢观看的节目。\n[0011] 在根据本发明的实施例中，信息处理装置可以进一步包括实际观看时间百分比获得部分，用于获得再现的广播节目的再现时间作为观看时间，并且用于获得观看时间在再现的广播节目的整个时间长度中的百分比作为实际观看时间百分比。此外，用户偏好信息生成部分可以基于关于再现的广播节目的所获得的特征信息、基于由观看者信息获得部分获得的观看者数量以及基于由实际观看时间百分比获得部分获得的实际观看时间百分比来执行用户偏好信息的学习。例如，用户偏好信息生成部分可以基于实际观看时间百分比和观看者数量确定权重，并且基于该权重和广播节目的特征信息来生成关于用户偏好信息的学习数据。\n[0012] 通过用户偏好信息生成部分考虑广播节目的实际观看时间百分比来执行用户偏好信息的学习。因而，即使在用户中途切换所观看的广播节目的情况下，也能够很好地执行用户偏好信息的学习。\n[0013] 在根据本发明的实施例中，信息处理装置可以进一步包括图像拾取部分，用于对观看再现的广播节目的用户进行拍摄(image)。此外，观看者信息获得部分可以从所拍摄的视频中获得观看者数量。利用此，能够在不需要由用户执行的观看者数量的输入的情况下正确地获得观看者数量。能够正确地获得观看者数量，并且因此能够执行用户偏好信息的良好学习。\n[0014] 此外，观看者信息获得部分可以每恒定时间段从所拍摄的视频中检测人脸部分，并且确定人脸部分的数量在节目观看的终止时间点之前的平均值作为观看者数量，其中所述人脸部分是从视频中检测的。利用此，能够考虑观看者数量随时间改变而获得更适当的观看者数量。\n[0015] 在根据本发明的实施例中，信息处理装置可以进一步包括用于向观看再现的广播节目的用户指示已执行了用户偏好信息的学习的部件。利用此，变得能够向用户指示已在何时学习了他或她的偏好。因而，能够预期用户对于节目推荐结果的可靠性的改进。\n[0016] 在根据本发明的实施例中，观看者信息获得部分可以识别单独观看广播节目的多个用户，由此确定作为多个用户的组合的用户组。此外，用户偏好信息存储部分可以存储每个用户组的用户偏好信息。此外，用户偏好信息生成部分可以执行每个所确定的用户组的用户偏好信息的学习。此外，推荐节 目确定部分可以基于每个所确定的用户组的用户偏好信息从正广播的一个或多个广播节目中确定推荐节目。利用此，能够对于作为多个用户的组合的每个用户组执行用户偏好信息的学习和广播节目的推荐。因而，允许每个用户获得更适当的节目推荐结果。\n[0017] 根据本发明的另一个实施例，提供了一种信息处理方法，包括：通过广播信号处理部分接收和再现用户选择的广播节目；通过观看者信息获得部分获得观看再现的广播节目的用户的数量作为观看者数量；通过特征信息获得部分获得正广播的一个或多个广播节目的特征信息；通过用户偏好信息生成部分至少基于关于再现的广播节目的获得的特征信息和获得的观看者数量，来执行存储在用于存储用户偏好信息的用户偏好信息存储部分中的用户偏好信息的学习，在所述用户偏好信息中集成了多个用户的偏好；以及通过推荐节目确定部分基于用户偏好信息从广播的一个或多个广播节目中确定推荐节目。\n[0018] 根据本发明的又一实施例，提供了一种程序，用于将计算机操作为：广播信号处理部分接收和再现用户选择的广播节目；观看者信息获得部分获得观看再现的广播节目的用户的数量作为观看者数量；特征信息获得部分获得正广播的一个或多个广播节目的特征信息；用户偏好信息存储部分存储用户偏好信息，在所述用户偏好信息中集成了多个用户的偏好；用户偏好信息生成部分至少基于关于再现的广播节目的特征信息和观看者数量来执行存储在用户偏好信息存储部分中的用户偏好信息的学习，所述特征信息是由特征信息获得部分获得的，所述观看者数量是由观看者信息获得部分获得的；以及推荐节目确定部分基于用户偏好信息从正广播的一个或多个广播节目中确定推荐节目。\n[0019] 如上所述，根据本发明的实施例，能够对其中集成了多个用户的偏好的用户偏好矢量执行良好学习，以及能够获得良好的节目推荐结果。\n附图说明\n[0020] 图1是示出根据本发明第一实施例的包括信息处理装置的整个系统的构造的视图；\n[0021] 图2是示出根据第一实施例的信息处理装置的构造的视图；\n[0022] 图3是示出广播信号处理部分的构造的视图；\n[0023] 图4是示出计算节目特征量矢量的过程的流程图；\n[0024] 图5是示出学习用户偏好的过程的流程图；\n[0025] 图6是示出推荐节目的过程的流程图；\n[0026] 图7是示出根据第二实施例的信息处理装置的构造的视图；\n[0027] 图8是示出学习用户组偏好的过程的流程图；\n[0028] 图9是示出向用户组推荐节目的过程的流程图；\n[0029] 图10是示出根据第一实施例的修改的信息处理装置的构造的视图；以及\n[0030] 图11是示出作为用户偏好学习的结果的待显示的信息的示例的视图。\n具体实施方式\n[0031] 下文中，将参考附图描述本发明的实施例。\n[0032] <第一实施例>\n[0033] [系统的构造]\n[0034] 图1是示出根据本发明的第一实施例的包括信息处理装置的整个系统的构造的视图。如图1中所示，该系统包括一个或多个节目提供装置1以及信息处理装置2。\n[0035] 每个节目提供装置1包括例如在广播站处或网络上的服务器装置。节目提供装置\n1经由诸如地面波、卫星波或因特网的通信媒介传送数字广播节目(下文中称为“节目”)。\n节目提供装置1能够复用和传送用于节目的流分组和作为关于上述节目的信息的EIT(事件信息表)分组。例如，EIT包括标题、节目的说明、信道ID(服务ID：通过广播标准定义的信息)、节目开始时间和节目广播时间(节目的长度)、节目的风格、父母(parental)评级信息(父母控制信息)、字幕的存在和不存在以及收费/免费。在信息处理装置2中，EIT可作为EPG(电子节目指南)而得到。\n[0036] 信息处理装置2经由诸如地面波、卫星波或因特网的通信媒介接收数字广播信号。然后，信息处理装置2从数字广播信号中分离用于节目的流分组，对流分组解码，以由此恢复节目的视频信号和音频信号。在此之后，信息处理装置2通过显示部分21和扬声器部分(未示出)输出上述的视频信号和音频信号。此外，信息处理装置2能够从所接收的数字广播信号中分离EIT分组并对EIT分组进行解码，以由此获得EIT数据。此外，信息处理装置2能够通过基于上述EIT数据将正广播的节目的特征量矢量化来生成节目特征量 矢量(节目的特征信息)，并且能够保存节目特征量矢量。\n[0037] 此外，信息处理装置2包括显示部分21和图像拾取部分22。显示部分21与信息处理装置2的主体集成在一起，或通过线缆连接到信息处理装置2的外部。图像拾取部分\n22对观看显示部分21的屏幕上的节目的用户(观看者U)进行拍摄。以允许图像拾取部\n分22主要对观看者U的面部部分进行拍摄的方式，对图像拾取部分22的位置和方向进行适当的设置。图像拾取部分22可以是使用具有能够识别人脸图像部分的分辨率的图像拾取设备的图像拾取部分22。毫无疑问，其能够适应具有比上述图像拾取设备的分辨率高的分辨率的图像拾取设备。\n[0038] 信息处理装置2分别检测与人脸的正常图案相类似的部分(人脸部分)，以便获得观看者U的数量。信息处理装置2基于观看者数量、实际观看节目的时间段相对于所观看的节目的整个长度的百分比(实际观看时间百分比)以及作为再现的节目的特征信息的特征量矢量，来生成作为用户偏好信息的用户偏好矢量的学习数据，在所述用户偏好信息中集成了多个用户的偏好。此外，信息处理装置2通过例如将用户偏好矢量的学习数据集合彼此组合来执行用户偏好矢量的学习，其中每个用户偏好矢量的学习数据集合是针对节目的每个观看生成的，并且信息处理装置2保存该结果。然后，信息处理装置2计算由正广播的每个节目的节目特征量矢量和用户偏好矢量之间的余弦距离表达的相似度，并且确定每一个具有高相似度的前预定数量个节目作为推荐节目。\n[0039] 应指出的是，尽管信息处理装置2更具体地包括电视装置、个人计算机、播放器、游戏机、便携式终端(包括电话机等)等，但是本发明不限于上述产品形式。\n[0040] [信息处理装置2的构造的细节]\n[0041] 接下来，将描述本实施例的信息处理装置2的构造。\n[0042] 图2是示出信息处理装置2的构造的视图。\n[0043] 如图2中所示，除了上述的显示部分21和图像拾取部分22外，信息处理装置2还包括广播信号处理部分23、输入部分24、扬声器部分25和节目推荐处理部分26。\n[0044] 广播信号处理部分23经由诸如地面波、卫星波或因特网的通信媒介从节目提供装置1接收数字广播信号。然后，广播信号处理部分23从数字广播信 号中分离用于节目的流分组，对流分组解码，以由此恢复上述节目的视频信号和音频信号。在此之后，广播信号处理部分23通过显示部分21和扬声器部分25输出上述的视频信号和音频信号。此外，广播信号处理部分23从所接收的数字广播信号中分离EIT分组，并且对EIT分组进行解码，以由此获得EIT数据。随后将详细描述广播信号处理部分23。\n[0045] 输入部分24从观看者U接收各种操作命令和数据输入。输入部分24可以是被提供为与信息处理装置2的主体集成在一起的输入部分。另外，输入部分24可以是允许以无线方式针对信息处理装置2的主体执行各种操作命令和数据输入的远程类型的输入部分。\n[0046] 显示部分21在视频信号被输入到其中时执行显示驱动，所述视频信号是在广播数字处理部分23中从数字广播信号中恢复的。具体地，显示部分21包括LCD(液晶显示\n器)、使用显示设备的显示器等。显示部分21可以是被提供为与信息处理装置2的主体集成在一起的显示部分。另外，显示部分21可以是通过用于视频信号的线连接到信息处理装置2的主体的外部的显示部分。\n[0047] 扬声器部分25在音频信号被输入到其中时执行音频输出，所述音频信号是在广播数字处理部分23中从数字广播信号中恢复的。扬声器部分25可以是被提供为与信息处理装置2的主体集成在一起的扬声器部分。另外，扬声器部分25可以是通过用于音频信号的线连接到信息处理装置2的主体的外部的扬声器部分。\n[0048] 图像拾取部分22适于以预定时间间隔捕捉对于检测观看显示部分21的屏幕上的节目的观看者U的数量来说所必需的视频。如上所述，以允许图像拾取部分22对观看屏幕上的节目的观看者U的面部拍摄的方式来适当设置图像拾取部分22的位置和方向。更具体地，图像拾取部分22通过使用诸如CCD(电荷耦合器件)或CMOS(互补金属氧化物半导\n体)的半导体图像拾取设备将来自透镜的光转换成电信号。图像拾取部分22可以是执行视频拍摄的图像拾取部分或可以使执行静止图像拍摄的图像拾取部分。应考虑当观看节目的观看者U的数量改变时的时间的倾向(tendency)来适当地选择捕捉视频的时间段。例如，时间段在1分钟到几分钟的范围内是足够的。\n[0049] 节目推荐处理部分26基于再现的节目(观看者U已观看的节目)的特征量矢量、观看者数量、以及实际观看时间百分比执行用户偏好矢量的学习。 然后，节目推荐处理部分26执行在用户偏好矢量和正广播的每个节目的特征量矢量之间的匹配，以由此执行确定推荐节目的过程。随后将详细描述节目推荐处理部分26。\n[0050] 更具体地，由用于操作包括CPU(中央处理单元)和主存储器的计算机的程序来实现节目推荐处理部分26。此外，信息处理装置2包括诸如硬盘驱动或闪存驱动的非易失性存储部分，并且能够记录所接收的节目的视频数据和音频数据。毫无疑问，信息处理装置2也能够再现存储在存储部分中的节目的视频数据和音频数据。CPU还控制广播信号处理部分23、输入部分24、显示部分21、扬声器部分25、图像拾取部分22和存储部分(未示出)之间的数据的输入和输出。\n[0051] [广播信号处理部分23的构造]\n[0052] 图3是示出广播信号处理部分23的构造的视图。\n[0053] 广播信号处理部分23包括广播信号接收部分231、解调/解码部分232、传输流再现部分(TS再现部分)233、解复用器234、视频解码部分235、音频解码部分236、数据解码部分237等。上述的组件每一个具有与典型的接收机的构造相同的构造，所述典型的接收机经由诸如地面波、卫星波或因特网的通信媒介接收数字广播节目。\n[0054] 更具体地，广播信号接收部分231包括调谐器和网络连接部分。调谐器经由诸如地面波或卫星波的通信媒介通过天线从所选择的广播站接收数字广播信号。网络连接部分经由诸如因特网的网络接收IP多播广播信号。\n[0055] 解调/解码部分232以与发送模式相对应的方法(解调方法、编码率等)对在广\n播信号接收部分231中已接收的数字广播信号解调和解码。然后，解调/解码部分232将上述的数字广播信号提供给传输流再现部分233。\n[0056] 传输流再现部分233根据从解调/解码部分232提供的信号来再现传输流，以便将传输流提供给解复用器234。\n[0057] 解复用器234从自传输流再现部分233提供的传输流中分离视频流、音频流和诸如EIT的数据流。然后，解复用器234将那些流分别提供给视频解码部分235、音频解码部分236和数据解码部分237。\n[0058] 视频解码部分235对从解复用器234提供的视频流进行解码，并且将视频信号提供给显示部分21。音频解码部分236对从解复用器234提供的音频流进行解码，并且将音频信号提供给扬声器部分25。数据解码部分237对从 解复用器234提供的数据流进行解码，并且将数据信号提供给节目推荐处理部分26。\n[0059] [节目推荐处理部分26的构造]\n[0060] 返回参考图2，将描述节目推荐处理部分26的构造。节目推荐处理部分26包括EIT获得部分261(特征信息获得部分)、节目特征量检测部分262(特征信息检测部分)、节目特征量管理部分263、观看者数量获得部分264(观看者信息获得部分)、实际观看时间百分比获得部分265、用户偏好学习部分266(用户偏好信息生成部分)、用户简档(profile)管理部分267(用户偏好信息存储部分)、推荐节目确定部分268和推荐节目信息输出部分\n269。\n[0061] EIT获得部分261获得和保持在广播信号处理部分23中接收和解码的EIT数据。\n这里，要获得的EIT数据是指正广播的当前节目的EIT数据。\n[0062] 节目特征量检测部分262基于在EIT获得部分261中获得的EIT数据生成节目的\n特征量矢量。\n[0063] 节目特征量管理部分263保存由节目特征量检测部分262生成的节目特征量矢\n量。\n[0064] 观看者数量获得部分264从各个视频中检测与人脸的正常模式相类似的部分(人脸部分)，所述视频是以预定时间间隔在图像拾取部分22中捕捉的。观看者数量获得部分\n264确定从每个视频检测人脸部分的数量在节目观看的终止时间点之前的平均值作为平均观看者数量。观看者数量获得部分264向用户偏好学习部分266通知确定的结果。\n[0065] 实际观看时间百分比获得部分265确定实际观看时间在节目整个时间长度中的百分比值作为实际观看时间百分比，实际观看时间是在其期间确定当正再现节目时存在至少一个观看者U的时间段。实际观看时间百分比获得部分265向用户偏好学习部分266通知确定的结果。\n[0066] 用户偏好学习部分266基于再现的节目的特征量矢量、由观看者数量获得部分\n264确定的平均观看者数量、以及由实际观看时间百分比获得部分265确定的实际观看时间百分比生成用户偏好矢量的学习数据。用户偏好学习部分266使用所生成的学习数据将已在用户简档管理部分267中被保存为用户简档的用户偏好矢量更新(执行学习)为最近的内容。\n[0067] 用户简档管理部分267是用于将已由用户偏好学习部分266更新(学习)的最近\n的用户偏好矢量保存为用户简档的存储部分。\n[0068] 推荐节目确定部分268计算由在已保存在节目特征量管理部分263中的每个正广播的节目的特征量矢量与已在用户简档管理部分267中被保存为用户简档的用户偏好矢量之间的余弦距离表达的相似度。然后，推荐节目确定部分268确定每一个具有高相似度的前预定数量个节目作为推荐节目。\n[0069] 推荐节目信息输出部分269从EIT数据中提取关于由推荐节目确定部分268确定的推荐节目的信息。然后，推荐节目信息输出部分269通过显示部分21向观看者U指示关于推荐节目的信息。\n[0070] 接下来，参考图4至图6，将描述本实施例的信息处理装置2中的节目推荐处理部分26的操作。\n[0071] 在节目推荐处理部分26中，主要执行以下各处理：节目特征量矢量的计算、用户偏好学习以及节目的推荐。在下面，将分别地描述这些操作。\n[0072] [计算节目特征量矢量的操作]\n[0073] 图4是示出计算节目特征量矢量的过程的流程图。\n[0074] (步骤S101)首先，在节目推荐处理部分26中，EIT获得部分261以对传输流解复用EIT数据的状态获得来自广播信号处理部分23的EIT数据。然后，EIT获得部分261将\nEIT数据提供给节目特征量检测部分262。EIT数据包括例如节目ID、标题、风格、广播站、表演者、剧本/书籍/作品、内容、频道ID、节目开始时间和节目广播时间、父母评级信息(父母控制信息)、字幕的存在和不存在以及收费/免费。\n[0075] (步骤S102)接下来，节目特征量检测部分262基于由EIT获得部分261提供的\nEIT数据为每个项目生成节目特征量矢量。这里，在EIT数据中包括的项目包括例如标题(T)、风格(G)、小时(H)、广播站(S)、表演者(A)、剧本/书籍/作品(P)和内容(K)。节目特征量检测部分262基于每个上述项目的内容生成节目特征量矢量＝(Tm，Gm，Hm，Sm，Pm，Am，Km)。这里，Tm、Gm、Hm、Sm、Pm、Am和Km中的每一个是指用于节目特征量矢量中的每个项目的数字矢量。\n[0076] 这里，“风格”、“广播站”和“小时”中的每一个的类型是明确的，因此上述项目中的每一个的内容通过不同的数字矢量指示。在广播站的情况下，例如，如果存在10个广播站，则被定义为第三的广播站的数字矢量Sm可以通过{0，0，1，0，0，0，0，0，0，0}来表达。此外，在风格的情况下，当例如将风格分类为“戏剧”、“杂耍”、“体育”、“电影”、“音乐”、“儿童教育”、“文化/纪 录片”、“新闻/报道”以及“其它”时，在这其中被定义为第五的“音乐”的数字矢量Gm可以通过{0，0，0，0，1，0，0，0，0}表达。\n[0077] 另一方面，“标题”、“表演者”、“剧本/书籍/作品”、“内容”等是每一个不能通过数字矢量来指示它们是什么的项目。因而，对于这些项目，基于在这些项中包括的词的频率等来执行在项目值(词)和权重(数字值)之间的对应。例如，在“Tokaido Winter Story”的“标题”的情况下，它的数字矢量Tm被表达为{Tokaido＝1，Winter＝1，Story＝1}。\n这里，“Tokaido＝1”是指词“Tokaido”的频率是“1”。\n[0078] (步骤S103)以上述方式，将由节目特征量检测部分262已检测的节目特征量矢量保存在节目特征量管理部分263中。\n[0079] [学习用户偏好的操作]\n[0080] 接下来，将描述学习用户偏好的操作。\n[0081] 图5是示出学习用户偏好的过程的流程图。\n[0082] (步骤S201)假设在信息处理装置2中，正在再现节目。在正在再现节目的时间段期间，节目推荐处理部分26的观看者数量获得部分264通过图像拾取部分22以预定时间间隔捕捉用于检测观看该节目的观看者U的数量所必需的视频。观看者数量获得部分264从所捕捉的视频中检测人脸部分，并且确定从一个视频检测的所有人脸部分的数量在节目观看的终止时间点之前的平均值，作为平均观看者数量。然后，观看者数量获得部分264向用户偏好学习部分266通知其结果。以这种方式，通过确定平均观看者数量，能够期望考虑观看者数量随时间改变而获得更适当的观看者数量。\n[0083] 另一方面，在确定在节目再现期间存在至少一个观看者的情况下，实际观看时间百分比获得部分265对在存在至少一个观看者时的时间累积值计数。在此之后，实际观看时间百分比获得部分265确定在节目观看的终止时间点时的累积时间值相对于节目的整个时间的百分比值作为实际观看时间百分比。然后，实际观看时间百分比获得部分265向用户偏好学习部分266通知其结果。\n[0084] (步骤S202)用户偏好学习部分266从观看者数量获得部分264接收平均观看者\n数量，以及从实际观看时间百分比获得部分265接收实际观看时间百分比。然后，用户偏好学习部分266基于平均观看者数量和实际观看时间百分比计算权重。例如，用户偏好学习部分266将通过将平均观看者数量乘 以实际观看时间百分比获得的值确定为权重。应注意，在由观看者数量获得部分264计算的平均观看者数量是“1”或更小的情况下，希望将通过将“1”乘以实际观看时间百分比而获得的值定义为权重。这是基于以下解释：即正在再现的节目支持观看该节目的观看者U的意向的事实。以此，即使在仅已部分再现节目的情况下，也能够获得关于该节目的观看的适当权重。\n[0085] (步骤S203)然后，用户偏好学习部分266将所确定的权重乘以关于再现节目(观看的节目)的至少一些项目的特征量矢量的每个项目的值，以由此生成用户偏好矢量的学习数据。这里，在还没有将用户偏好矢量保存在用户简档管理部分267中的情况下，用户偏好学习部分266简单地将所生成的学习数据保存在用户简档管理部分267中作为用户偏好矢量的初始值。在已将用户偏好矢量保存在用户简档管理部分267中的情况下，用户偏好学习部分266使用所生成的学习数据，以便对于已在用户简档管理部分267中被保存为用户简档的用户偏好矢量执行更新(学习)。\n[0086] 应指出的是，如上所述的一些项目包括每一个包括包含频率值的特征量矢量的项目，例如项目“标题”、“表演者”、“剧本/书籍/作品”、和“内容”。关于项目“风格”、“广播站”、“小时”等，每个特征量矢量的值不包括频率值。因此，不使用关于那些项目的每一个特征量矢量来生成用户偏好矢量的学习数据。\n[0087] 随后将描述用户偏好矢量的更新(学习)的特定示例。例如，假定已观看了具有标题“Tokaido Winter Story”的节目，并且作为计算的结果，观看者数量获得部分264已获得“2”作为平均观看者数量和“1.5(小时)”作为实际观看时间百分比。用户偏好学习部分266响应于上述结果获得2×1.5＝3作为权重，并且将权重乘以节目特征量矢量中的项目“标题”的数字矢量的每个频率值。例如，假设数字矢量被表达为{Tokaido＝1，Winter＝1，Story＝1}，则将这些频率值乘以权重“3”，并且因此数字矢量变为{Tokaido＝3，Winter＝3，Story＝3}。对于关于其它项目的数字矢量，类似地乘以权重。\n[0088] (步骤S204)然后，用户偏好学习部分266使用以上述方式确定的用户偏好矢量的学习数据来更新(执行学习)已在用户简档管理部分267中被保存为用户简档的用户偏好矢量。这里，已在用户简档管理部分267中被保存为用户简档的用户偏好矢量是在此时的更新(学习)之前以上述方式已生成或更新(学习)的用户偏好矢量。\n[0089] 这里，将描述更新用户偏好矢量的方法的特定示例。\n[0090] 例如，用户偏好学习部分266将已在用户简档管理部分267中被保存为用户简档的用户偏好矢量和学习数据彼此相加。以该方式，用户偏好学习部分266获得用户偏好矢量的更新结果(学习结果)。现在，将描述将用户偏好矢量和学习数据彼此相加的特定示例，关注项目“标题”的特征量矢量的更新。\n[0091] 假设已在用户简档管理部分267中被保存为用户简档的用户偏好矢量中的项目“标题”的特征量矢量被表达为{...，Tokaido＝5，Winter＝5，Story＝5，...}。假设此时新计算的学习数据中的项目“标题”的特征量矢量被表达为{Tokaido＝3，Winter＝3，Story＝3}，则通过将两个特征量矢量的频率值彼此相加而获得更新结果{...，Tokaido＝\n8，Winter＝8，Story＝8，...}。对于其它项目的特征量矢量，类似地执行更新。以上述方式，执行其中例如集成了一个家庭中的多个用户的偏好的用户偏好信息的用户偏好矢量的学习。\n[0092] 应指出的是，尽管在上述示例中，将已在用户简档管理部分267中被保存为用户简档的用户偏好矢量和学习数据相加的结果设置为用户偏好矢量的更新结果，但是可以将其平均结果设置为用户偏好矢量的更新(学习)结果。\n[0093] [学习推荐节目的用户偏好的操作]\n[0094] 接下来，将描述推荐节目的操作。\n[0095] 图6是示出由节目推荐处理部分26推荐节目的过程的流程图。\n[0096] (步骤S301)响应于预定事件的生成，推荐节目确定部分268计算由在已保存在节目特征量管理部分263中的每个节目的节目特征量矢量与已在用户简档管理部分267中被保存为用户简档的用户偏好矢量之间的余弦距离表达的相似度。以此方式，推荐节目确定部分268确定每一个具有高相似度的前预定数量个节目作为推荐节目。然后，推荐节目确定部分268将作为确定结果的推荐节目的节目ID输出到推荐节目信息输出部分269。\n[0097] 预定事件包括例如已在用户简档管理部分267中被保存为用户简档的用户偏好矢量的更新、信息处理装置2的系统的激励、由用户执行的请求显示推荐节目的输入、以及预定时间段。可以允许用户关于信息处理装置2设置那些事件当中的希望事件。应指出的是，用户能够设置的项目除了上述项目外还包括要推荐的节目的数量、用于显示推荐节目的排序条件、作为用户偏好学习的目标的项目等。\n[0098] (步骤S302)推荐节目信息输出部分269从推荐节目确定部分268接收作为确定\n结果的推荐节目的节目ID。然后，推荐节目信息输出部分269通过使用节目ID作为关键词(key)在保持在EIT获得部分261中的EIT数据中检索关于推荐节目的相应信息片段。然\n后，推荐节目信息输出部分269通过显示部分21向观看者U指示关于推荐节目的所检索的信息。\n[0099] 如上所述，在本实施例的信息处理装置2中，考虑观看者数量执行其中集成了多个用户的偏好的用户偏好矢量的学习。因而，防止特定用户偏好被过度地反映到用户偏好矢量的学习中。结果，能够执行其中集成了多个用户的偏好的用户偏好矢量的良好学习，并且能够获得良好的节目推荐结果。例如，能够以优先级推荐家庭中更多成员喜欢观看的节目，而不是家庭中的仅一个成员喜欢观看的节目。\n[0100] 此外，在本实施例中，适于考虑实际观看时间百分比来执行其中集成多个用户的偏好的用户偏好矢量的学习，其中所述实际观看时间百分比是反映关于节目的观看者偏好的程度的信息。因而，即使在中途切换或中断所观看的节目的情况下，也能够适当地执行其中集成了多个用户的偏好的用户偏好矢量的学习。\n[0101] <第二实施例>\n[0102] 接下来，将描述根据本发明的第二实施例的信息处理装置。\n[0103] 图7是示出根据第二实施例的信息处理装置2A的构造的视图。\n[0104] 类似于第一实施例，本实施例的信息处理装置2A包括广播信号处理部分23、输入部分24、显示部分21、扬声器部分25、图像拾取部分22和节目推荐处理部分26A。这里，除了节目推荐处理部分26A外，第二实施例的信息处理装置2A的构造与第一实施例的信息处理装置2的构造相同，因此将省略对其的详细描述。\n[0105] 节目推荐处理部分26A包括EIT获得部分261(特征信息获得部分)、节目特征量检测部分262(特征信息获得部分)、节目特征量管理部分263、用户组确定部分271(观看者信息获得部分)、实际观看时间百分比获得部分265、用户组偏好学习部分272(用户偏好信息生成部分)、用户简档管理部分273(用户偏好信息存储部分)、用户组推荐节目确定部分274(推荐节目确定部分)以及推荐节目信息输出部分269。这里，除了用户组确定部分271、用户组偏好学习部分272、用户简档管理部分273、和用户组推荐节目确定部 分274外，上述组件与第一实施例的相同。\n[0106] 用户组确定部分271以预定时间间隔从由图像拾取部分22捕捉的视频中检测与人脸的正常模式相类似的部分(人脸部分)。然后，用户组确定部分271确定从每个视频检测的人脸部分的数量在节目观看的终止时间点之前的平均值。此外，用户组确定部分271执行在所检测的人脸部分中的每一个的视频与先前注册的多个用户中的每一个的面部的模式信息之间的匹配。以此方式，识别作为视频中的观看者U存在的所有用户，并且将所识别的用户或用户的组合确定为用户组Gu。然后，用户组确定部分271向用户组偏好学习部分272通知所确定的平均观看者数量和用户组Gu的信息。\n[0107] 用户组偏好学习部分272学习关于每一个用户组Gu的用户组偏好矢量。这里，用户组偏好矢量是指其中集成了属于一个用户组的各用户的偏好的用户偏好信息，在一个信息处理装置2A中为各个用户组Gu生成用户组偏好矢量。用户组偏好学习部分272基于再现节目的特征量矢量、由用户组确定部分271输出的用户组Gu的信息和平均观看者数量、以及由实际观看时间百分比获得部分265确定的实际观看时间百分比生成用户组偏好矢量的学习数据。用户组偏好学习部分272使用所生成的学习数据来将已保存在用户简档管理部分273中的同一用户组Gu的用户组偏好矢量更新(执行学习)为最近的内容。\n[0108] 用户简档管理部分273保存已由用户组偏好学习部分272更新(学习)的每个用\n户组Gu的最近的用户组偏好矢量。也就是说，用户简档管理部分273是保存已由用户组偏好学习部分272更新(学习)的最近的用户组偏好矢量作为学习每个用户组的偏好的当前结果的存储部分。\n[0109] 用户组推荐节目确定部分274计算由已保存在节目特征量管理部分263中的正广播的每个节目的特征量矢量与已保存在用户简档管理部分273中且由用户组确定部分271确定的用户组Gu的用户组偏好矢量之间的余弦距离表达的相似度。然后，用户组推荐节目确定部分274确定每一个具有高相似度的前预定数量个节目作为用户组推荐节目。\n[0110] 接下来，参考图8和图9描述在第二实施例的信息处理装置2A中的节目推荐处理部分26A的操作。\n[0111] 在节目推荐处理部分26A中，计算节目特征量矢量的操作与第一实施例中的相同。因而，这里将描述下面的过程：用户组学习和用户组节目推荐。\n[0112] [学习用户组偏好的操作]\n[0113] 图8是示出学习用户组偏好的过程的流程图。\n[0114] (步骤S401)假设在信息处理装置2A中，正在再现节目。在正在再现节目的时间段期间，节目推荐处理部分26A的用户组确定部分271通过图像拾取部分22以预定时间间隔捕捉视频。用户组确定部分271从所捕捉的视频中检测与人脸的正常模式相类似的部分(人脸部分)，并且确定从一个视频中检测的所有人脸部分的数量在节目观看的终止时间点之前的平均值，作为平均观看者数量。此外，用户组确定部分271执行在所检测的人脸部分中的每一个的视频与先前已注册的多个用户中的每一个的面部的模式信息之间的匹配。\n以此方式，识别作为视频中的观看者U存在的所有用户，并且将所识别的用户或用户的组合确定为用户组Gu。然后，用户组确定部分271向用户组偏好学习部分272通知所确定的平均观看者数量和用户组Gu的信息。\n[0115] 另一方面，在确定在节目再现期间存在至少一个观看者的情况下，实际观看时间百分比获得部分265对在存在至少一个观看者时的时间的累积值计数。在此之后，实际观看时间百分比获得部分265确定在节目观看的终止时间点时的累积时间值相对于节目的整个时间的百分比值作为实际观看时间百分比。然后，实际观看时间百分比获得部分265向用户组偏好学习部分272通知其结果。\n[0116] (步骤S402)用户组偏好学习部分272从用户组确定部分271接收平均观看者数\n量和用户组Gu的信息，以及从实际观看时间百分比获得部分265接收实际观看时间百分比。然后，用户组偏好学习部分272基于平均观看者数量和实际观看时间百分比计算权重。\n计算权重的方法与第一实施例的方法相同。\n[0117] (步骤S403)然后，用户组偏好学习部分272将所确定的权重乘以再现节目(观看的节目)的至少一些项目的每个特征量矢量的每个值，以由此生成上述用户组Gu的用户组偏好矢量的学习数据。在第一实施例中描述了所述一些项目。\n[0118] (步骤S404)这里，在还没有将用户组Gu的用户组偏好矢量存储在用户简档管理部分273中的情况下，用户组偏好学习部分272简单地将所生成的学习数据保存在用户简档管理部分273中，作为用户组Gu的用户组偏好矢量的初始值。在已将用户组Gu的用户组偏好矢量保存在用户简档管理部 分273中的情况下，用户组偏好学习部分272使用所生成的学习数据，以便对于已保存在用户简档管理部分273中的用户组Gu的用户组偏好矢量执行更新(学习)。在第一实施例中描述了更新用户组偏好矢量的特定方法。\n[0119] [向用户组推荐节目的操作]\n[0120] 接下来，将描述向用户组推荐节目的操作。\n[0121] 图9是示出由节目推荐处理部分26A向用户组推荐节目的过程的流程图。\n[0122] (步骤S501)响应于预定事件的生成，用户组推荐节目确定部分274计算通过用户简档管理部分273中的用户组偏好矢量与已保存在节目特征量管理部分263中的每个节目的节目特征量矢量之间的余弦距离来表达的相似度。在这种情况下，用户组偏好矢量对应于由用户组确定部分271根据由图像拾取部分22拍摄的视频确定的用户组。接下来，用户组推荐节目确定部分274确定每一个具有高相似度的前预定数量个节目作为推荐节目。然后，用户组推荐节目确定部分274将作为确定结果的推荐节目的节目ID输出到推荐节目信息输出部分269。\n[0123] 预定事件包括例如已保存在用户简档管理部分273中的用户组偏好矢量的更新、信息处理装置2A的系统的激励、由用户执行的请求显示推荐节目的输入、以及预定时间段。可以允许观看者U关于信息处理装置2A设置那些事件当中的希望事件、事件当中的优先级次序等。应指出的是，观看者U能够设置的项目除了上述项目外还包括要推荐的节目的数量、用于显示推荐节目的排序条件、作为用户组偏好学习的目标的项目等。\n[0124] (步骤S502)推荐节目信息输出部分269从用户组推荐节目确定部分274接收作\n为确定结果的推荐节目的节目ID。然后，推荐节目信息输出部分269通过使用每个节目ID作为关键词而在保持在EIT获得部分261中的EIT数据中检索关于相应推荐节目的信息。\n然后，推荐节目信息输出部分269通过显示部分21向观看者U指示关于推荐节目的所检索的信息。因此，每个观看者U可看到推荐节目。\n[0125] 如上所述，根据本实施例的信息处理装置2A，能够按照作为多个用户的组合的用户组来执行用户偏好信息的学习和广播节目的推荐。因而，允许每个用户获得更适当的节目推荐结果。\n[0126] [修改1]\n[0127] 将描述上述实施例的修改1。\n[0128] 根据修改1的信息处理装置2A包括用于向观看者U指示用户偏好学习或用户组\n偏好学习的结果的部件。\n[0129] 图10是根据第一实施例的信息处理装置2在如下情况下的框图，其中将由用户偏好学习部分266执行的用户偏好学习的结果设置为通过显示部分21向观看者U指示，用户偏好学习部分266在用户偏好矢量通过用户偏好学习而被更新时向显示部分21输出信息\n301，信息301指示已执行用户偏好学习。以此方式，使得显示部分21作为可视信息输出信息301。\n[0130] 图11是示出要作为用户偏好学习的结果而显示的信息的示例的视图。作为要显示的信息302，通过显示部分21向观看者U指示指出已执行学习的文字信息，例如“执行了已由三个人观看的节目的学习”。因此，能够向观看者U指示已在何时学习了他们的偏好。\n因而，用户能够预期对于节目推荐结果的可靠性的改进。\n[0131] 用户偏好学习的结果可以被输出为除文字信息外的动画或诸如图标的图像。\n[0132] [其他修改]\n[0133] 在上述实施例中，为了检测观看者数量，使用了图像拾取部分。然而，本发明不限于此。例如，可以使用利用诸如红外线、超声波的电磁波或可见光的人体存在传感器来检测观看者数量。\n[0134] 本发明不限于上述实施例，在不背离本发明的精神的情况下可以做出各种修改。\n[0135] 本申请包含与在2010年1月6日向日本专利局提交的日本优先权专利申请JP \n2010-001017中公开的主题相关的主题，其整个内容通过引用合并于此。\n[0136] 本领域技术人员将理解，可以取决于设计需求和其它因素而发生各种修改、组合、子组合以及变化，只要它们在所附权利要求或其等价物的范围内即可。