PatentDe  


Dokumentenidentifikation DE112005000613T5 22.02.2007
Titel Fahrzeuginformationsverarbeitungssystem, Fahrzeuginformationsverarbeitungsverfahren und Programm
Anmelder Denso IT Laboratory, Inc., Tokyo, JP;
National Institute of Advanced Industrial Science and Technology, Tokio/Tokyo, JP
Erfinder Mizuno, Nobuhiro, Tokyo, JP;
Iwasaki, Hirotoshi, Tokyo, JP;
Motomura, Yoichi, Tokyo, JP
Vertreter Patent- und Rechtsanwälte Bardehle, Pagenberg, Dost, Altenburg, Geissler, 81679 München
DE-Aktenzeichen 112005000613
Vertragsstaaten AE, AG, AL, AM, AT, AU, AZ, BA, BB, BG, BR, BW, BY, BZ, CA, CH, CN, CO, CR, CU, CZ, DE, DK, DM, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, EP, HR, HU, ID, IL, IN, IS, JP, KE, KG, KP, KR, KZ, LC, LK, LR, LS, LT, LU, LV, MA, MD, MG, MK, MN, MW, MX, MZ, NA, NI, NO, NZ, OM, PG, PH, PL, PT, RO, RU, SC, SD, SE, SG, SK, SL, SM, SY, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, YU, ZA, ZM, ZW, BW, GH, GM, KE, LS, MW, MZ, NA, SD, SL, SZ, TZ, UG, ZM, ZW, AM, AZ, BY, KG, KZ, MD, RU, TJ, TM, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HU, IE, IS, IT, LT, LU, MC, NL, PL, PT, RO, SE, SI, SK, TR, BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, ML, MR, NE, SN, TD, TG, BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, ML, MR, NE, SN, TD, TG
WO-Anmeldetag 07.03.2005
PCT-Aktenzeichen PCT/JP2005/003916
WO-Veröffentlichungsnummer 2005091214
WO-Veröffentlichungsdatum 29.09.2005
Date of publication of WO application in German translation 22.02.2007
Veröffentlichungstag im Patentblatt 22.02.2007
IPC-Hauptklasse G06N 5/00(2006.01)A, F, I, 20051017, B, H, DE

Beschreibung[de]
Technisches Gebiet

Die vorliegende Erfindung bezieht sich auf ein Fahrzeuginformationsverarbeitungssystem zur Verwendung eines Bayes'schen Netzwerkmodells, um eine geeignete Empfehlung einem Empfänger bereitzustellen, welcher die Empfehlung erhält.

Technischer Hintergrund

Mit der heutigen dramatischen Ausweitung des Anwendungsbereichs der Informationstechnologie wurde es notwendig, mit unsicherer und nicht expliziter Information umzugehen, welche hart für den Computer zu verarbeiten war. So sei z.B. ein Empfehlungssystem für Internet-Shopping betrachtet, in welchem Kundenbedürfnisse aus früherer Transaktionsgeschichte oder Kundenmanagementinformation ausgelesen werden und die am meisten geeignete Information wird einem betroffenen Kunden empfohlen. Obwohl eine Kundenliste durchsucht werden kann für das am nächsten kommende Erwerbsmuster für den betroffenen Kunden, haben nicht alle Kunden desselben Alters und Geschlechts notwendigerweise dieselben Präferenzen. Auch fährt ein Kunde nicht notwendigerweise fort, dieselben Präferenzen zu haben wie diejenigen, auf die er in einem Fragebogen geantwortet hat, welchen der Kunde zur Zeit der Registrierung eingereicht hat.

Daher wird es notwendig, die Präferenzen durch umfassende Beurteilung der Handlungen des Kunden (z.B. Historie des WWW-Browsens), Attributen und Fragebogeninformation vorherzusagen. Dies resultiert jedoch nicht immer in einer einzigen Antwort. Es mag eine Mehrzahl von Kandidaten zur Empfehlung zur selben Zeit geben. Zusätzlich werden diese Kandidaten natürlicherweise als vage und unsicher behandelt, wie z.B. „anhand der zuvor gesuchten www-Seiten hat der Benutzer wahrscheinlich ein Interesse an fußballbezogener Information".

Für diese Probleme ist ein probabilistischer Rahmen wirksam. Der Grad an Wahrscheinlichkeit kann jedem einer Mehrzahl von Kandidaten zugewiesen werden, wie z.B. die Wahrscheinlichkeit, ein Interesse an fußballbezogenen Gegenständen zu haben, ist 60% und die Wahrscheinlichkeit, ein Interesse an Reisen zu haben ist 30%, so dass die Kandidaten mit Unsicherheit behandelt werden können. Wenn die zuvor besuchte Seite z.B. eine Seite über Korea war, kann die Wahrscheinlichkeit des Interesses berechnet werden für jede aus der Weltcup-Fußball bezogenen Information, reisebezogener Information und kochbezogener Information. Dann kann Information bereitgestellt werden mit der höchsten Wahrscheinlichkeit, dass der betroffene Kunde ein Interesse daran hat. Um diese Wahrscheinlichkeit zu berechnen, können viele unterschiedliche Faktoren (z.B. ein Hobby, das in einem Fragebogen angegeben wurde) in Betracht gezogen werden, um die Abhängigkeiten zwischen diesen (z.B. wenn das Hobby Sport ist, ist es wahrscheinlich, dass Fußball von Interesse ist) zu verwenden. Auf diese Weise ist eine genauere Vorhersage möglich.

Als ein Informationsverarbeitungsmodell zum Berechnen der Wahrscheinlichkeit basierend auf solchen Abhängigkeiten zwischen einer solchen Mehrzahl von Faktoren wurde in letzter Zeit dem Bayes'schen Netzwerk viel Aufmerksamkeit in verschiedenen Feldern geschenkt. Das Bayes'sche Netzwerk ist ein netzwerkgeformtes Wahrscheinlichkeitsmodell, definiert durch die folgenden drei Punkte: (1) Zufallsvariablen, (2) bedingte Abhängigkeiten zwischen den Zufallsvariablen und (3) ihre bedingte Wahrscheinlichkeit. Der Punkt (1) wird durch Knoten dargestellt und (2) wird durch gerichtete Verbindungen dargestellt, die zwischen den Knoten etabliert werden. Ein Knoten, auf welchen eine Verbindung gerichtet ist, wird ein Kindknoten genannt, und ein Knoten, von welchem eine Verbindung ihren Ursprung nimmt, wird Elternknoten genannt. Der Punkt (3) ist eine bedingte Wahrscheinlichkeit, dass ein Kindknoten einen bestimmten Wert hat, wenn dessen Elternknoten bestimmte Werte haben. Für diskrete Variablen wird dies in der Form einer Tabelle (eine bedingte Wahrscheinlichkeitstabelle) ausgedrückt, welche jeweilige Wahrscheinlichkeitswerte für alle Zustände aufführt, die der Kindknoten und die Elternknoten annehmen, wie P (Kindknoten = y |Elternknoten = x1, x2, ...) = p. (Yoich Motomura, „Bayesian Net Software", Transactions of the Japanese Society for Artificial Intelligence, Bd. 17, Nr. 5, a (2002))

Das oben beschriebene Empfehlungssystem kann implementiert werden unter Verwendung des Bayes'schen Netzwerkes. Genauer werden die Beziehungen zwischen Attributen usw. von Kunden und Gegenständen hohen Interesses des Kunden dargestellt als ein Bayes'sches Netzwerkmodell basierend auf statistischen Daten, wie Fragebogen-Untersuchungsergebnisse und Erwerbshistorie, die erhalten wurden von einer großen Anzahl von Kunden verschiedenen Alters, unterschiedlichen Geschlechts, Lebensstiles, usw. Dann wird das Bayes'sche Netzwerkmodell verwendet, um auf ein Objekt hohen Interesses für einen Kunden zu schließen aus den Attributen des Kunden und der Situation und das Objekt hohen Interesses wird dem Kunden empfohlen, basierend auf dem Ergebnis des Schließens.

In diesem Empfehlungssystem wird das Bayes'sche Netzwerkmodell generiert basierend auf den statistischen Daten, die erhalten wurden von verschiedenen Kunden. Daher wird es betrachtet, dass die Bedingungen zum Bestimmen des Objekts, das zu empfehlen ist, wie die Kundenattribute und die Situation einen geringen Einfluss auf die Empfehlung haben. Wenn z.B. die Bedingung zum Bestimmen des zu empfehlenden Objekts „Kundenattribut: Vater" ist, sind Daten, die von Kunden erhalten wurden, welche das Attribut „Vater" haben, Teil der gesamten statistischen Daten, aus welchen das Bayes'sche Netzwerkmodell erzeugt wurde. Der Einfluss der Bedingung „Vater" auf das Modell ist daher geringer als auf ein Modell, das erzeugt wurde basierend auf statistischen Daten, die nur von Kunden erhalten wurden, welche das Attribut „Vater" haben. Derzeit laufen Untersuchungen, um Bedingungen zum Bestimmen des Empfehlungsobjekts ausreichend zu reflektieren in dem Empfehlungsergebnis und um genauere Empfehlung zu machen.

Vor dem oben beschriebenen Hintergrund zielt die vorliegende Erfindung darauf ab, ein Fahrzeuginformationsverarbeitungssystem bereitzustellen, welches geeigneter erlaubt, eine Empfehlung zu erhalten, die einem Empfänger bereitzustellen ist, welcher die Empfehlung empfängt.

Offenbarung der Erfindung

Ein Fahrzeuginformationsverarbeitungssystem der vorliegenden Erfindung ist ein Fahrzeuginformationsverarbeitungssystem zum Verwenden eines Bayes'schen Netzwerkmodells, um eine probabilistisch geeignete Empfehlung einem Empfänger bereitzustellen, welcher die Empfehlung empfängt, wobei der Empfänger ein Insasse ist. Das System umfasst: eine Modellspeichereinheit, welche eine Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle aufweist abhängig von der Empfehlungsbedingung, worin die Empfehlungsbedingung eine Bedingung auf der Seite des Empfängers ist, der eine Empfehlung empfängt; eine Modellbestimmungseinheit zur Bestimmung eines Modells entsprechend der Empfehlungsbedingung als ein Anwendungsmodell aus den Modellen, die in der Modellspeichereinheit gespeichert sind; eine Schließeinheit zum Auslesen des Anwendungsmodells, das durch die Modellbestimmungseinheit bestimmt wurde, aus der Modellspeichereinheit, und zum Erhalten einer Empfehlung durch probabilistisches Schießen, welches das ausgelesene Anwendungsmodell verwendet; und eine Empfehlungseinheit zum Bereitstellen der Empfehlung, welche durch die Schließeinheit erhalten wurde, an den Empfänger.

In dem Fahrzeuginformationsverarbeitungssystem der vorliegenden Erfindung kann die Modellspeichereinheit eine Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle aufweisen, abhängig von dem Attribut des Empfängers, und die Modellbestimmungseinheit kann ein Modell entsprechend dem Attribut des Empfängers als das Anwendungsmodell bestimmen. Auch kann die Modellspeichereinheit eine Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle aufweisen, abhängig von der Situation, in welcher die Empfehlung bereitgestellt wird, und die Modellbestimmungseinheit kann ein Model entsprechend der Situation bestimmen, in welcher die Empfehlung bereitgestellt wird, als das Anwendungsmodell.

Das Fahrzeuginformationsverarbeitungssystem der vorliegenden Erfindung kann eine Auswahlmodell-Speichereinheit aufweisen, welche ein Auswahlmodell enthält, angewandt zum probabilistischen Schließen zum Bestimmen des Anwendungsmodells aus den Modellen basierend auf dem Attribut des Empfängers und der Situation, in welcher die Empfehlung bereitgestellt wird. Die Modellbestimmungseinheit kann das Anwendungsmodell durch das probabilistische Schließen bestimmen, welches das Auswahlmodell verwendet, das aus der Auswahlmodellspeichereinheit gelesen wurde, basierend auf dem Attribut des Empfängers und der Situation, in welcher die Empfehlung gegeben wird.

Das Fahrzeuginformationsverarbeitungssystem der vorliegenden Erfindung kann aufweisen: eine Antwortempfangseinheit zum Empfangen einer Antwort, die durch den Empfänger gegeben wird, wenn die Empfehlungseinheit die Empfehlung gibt, die durch die Schließeinheit von dem Anwendungsmodell erhalten wurde; und eine Modelllerneinheit zum Lernen von Modellen, die in der Modellspeichereinheit gespeichert sind, unter Verwendung der Antwort, die durch die Antwortempfangseinheit empfangen wurde, und zum Aktualisieren des Modells auf Modelle, die spezialisiert sind für jede Empfehlungsbedingung.

Das Fahrzeuginformationsverarbeitungssystem der vorliegenden Erfindung kann eine Lernmodell-Informationsspeichereinheit aufweisen, welche die Lernmodelle in Zusammenhang mit dem Anwendungsmodell enthält, angewandt auf das probabilistische Schließen in der Schließeinheit, worin die Lernmodelle aufweisen, unter den Modellen, die in der Modellspeichereinheit gespeichert sind, ein Modell, das identisch mit dem Anwendungsmodell ist, und ein unterschiedliches Modell, das durch das Ergebnis beeinflusst wird des Schließens, welches das Anwendungsmodell verwendet. Die Modelllerneinheit kann Lernmodelle verwenden, welche die Antwort verwenden, die durch die Antwortempfangseinheit empfangen wird, worin die Modelle mit dem Anwendungsmodell assoziiert sind als die Lernmodelle in der Lernmodell-Informationsspeichereinheit. Die Lernmodell-Informationsspeichereinheit kann Reflexionsparameter enthalten, die den Grad anzeigen, zu welchem die Antwort im Lernen der Lernmodelle reflektiert wird, worin jeder Reflexionsparameter für jedes einer Mehrzahl von Lernmodellen gesetzt werden kann entsprechend einem Anwendungsmodell. Die Modelllerneinheit kann Lernverarbeitung ausführen, so dass ein Reflexionsparameter, der mit einem Lernmodell, das zu lernen ist, assoziiert ist, aus der Lernmodell-Informationsspeichereinheit ausgelesen wird und die Antwort in dem Lernmodell zu dem Grad gemäß dem ausgelesenen Reflexionsparameter reflektiert wird.

Das Fahrzeuginformationsverarbeitungssystem der vorliegenden Erfindung kann eine Lerndatenerhalteeinheit aufweisen zum Erhalten von Lerndaten, die verwendet werden im Lernen, durch welche die Modelle, die spezialisiert für jede Empfehlungsbedingung sind, durch das Lernen durch die Modelllerneinheit näher einem allgemeinen Modell gebracht werden. Die Modelllerneinheit kann die Lerndaten verwenden, erhalten durch die Lerndatenerhalteeinheit, um Modelle zu lernen, die in der Modellspeichereinheit gespeichert sind. Das System kann auch eine Lernreflexionsparameter-Speichereinheit aufweisen, welche Lernreflexionsparameter enthält, die den Grad anzeigen, zu welchem die Lerndaten im Lernen von Modellen reflektiert werden. Die Modelllerneinheit kann Lernverarbeitung ausführen, so dass die Lerndaten im Lernen der Modelle reflektiert werden zu dem Grad gemäß den Lernreflexionsparametern, die aus der Lernreflexionsparameter-Speichereinheit ausgelesen wurden.

Das Fahrzeuginformationsverarbeitungssystem der vorliegenden Erfindung kann aufweisen: Informationsempfehlungsvorrichtungen, welche jede die Empfehlungseinheit haben; und eine Zentralvorrichtung, welche kommunikativ mit den Informationsempfehlungsvorrichtungen verbunden ist. Die Zentralvorrichtung kann von jeder Informationsempfehlungsvorrichtung die Antwort empfangen, die von dem Empfänger erhalten wird, wenn die Empfehlung gegeben wird.

Ein Fahrzeuginformationsverarbeitungssystem in einem anderen Aspekt der vorliegenden Erfindung ist ein Fahrzeuginformationsverarbeitungssystem zum Verwenden eines Schließalgorithmus zum Schließen einer geeigneten Empfehlung für einen Empfänger, der die Empfehlung empfängt, und zum Geben der durch das Schließen erhaltenen Empfehlung. Das System weist auf eine Ressourcen-Speichereinheit, welche eine Mehrzahl unterschiedlicher Ressourcen zum Berechnen enthält, abhängig von der Empfehlungsbedingung, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfängers ist, der eine Empfehlung empfängt; eine Ressourcen-Bestimmungseinheit zum Bestimmen einer Ressource zum Berechnen entsprechend der Empfehlungsbedingung von den Ressourcen zum Berechnen, die in der Ressourcen-Speichereinheit gespeichert sind; eine Schließeinheit zum Auslesen der Ressource zum Berechnen, die durch die Ressourcen-Bestimmungseinheit bestimmt wurde, aus der Ressourcen-Speichereinheit, und zum Erhalten einer Empfehlung durch Schließen, welches die ausgelesene Ressource zum Berechnen verwendet; und eine Empfehlungseinheit zum Geben der Empfehlung, die durch die Schließeinheit erhalten wurde, an den Empfänger.

Eine Fahrzeuginformationsempfehlungsvorrichtung der vorliegenden Erfindung ist eine Fahrzeuginformationsempfehlungsvorrichtung zur Verwendung eines Bayes'schen Netzwerkmodells, um eine probabilistisch geeignete Empfehlung einem Empfänger zu geben, welcher die Empfehlung empfängt, wobei der Empfänger ein Insasse ist. Die Vorrichtung umfasst: eine Modellspeichereinheit, welche eine Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle enthält, abhängig von der Empfehlungsbedingung, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfängers ist, der eine Empfehlung empfängt; eine Modellbestimmungseinheit zum Bestimmen eines Modells, das der Empfehlungsbedingung entspricht, als ein Anwendungsmodell aus den Modellen, die in der Modellspeichereinheit gespeichert sind; eine Schließeinheit zum Auslesen des Anwendungsmodells, das durch die Modellbestimmungseinheit bestimmt wurde, aus der Modellspeichereinheit und zum Erhalten einer Empfehlung durch probabilistisches Schließen, welches das ausgelesene Anwendungsmodell verwendet; und eine Empfehlungseinheit zum Geben der Empfehlung, erhalten durch die Schließeinheit, an den Empfänger. Die Fahrzeuginformationsempfehlungsvorrichtung der vorliegenden Erfindung kann in einem Automobil bereitgestellt sein.

Ein Fahrzeuginformationsempfehlungsverfahren der vorliegenden Erfindung ist ein Verfahren zur Verwendung eines Bayes'schen Netzwerkmodells, um eine probabilistisch geeignete Empfehlung einem Empfänger zu geben, der die Empfehlung empfängt, wobei der Empfänger ein Insasse ist. Das Verfahren weist auf: einen Modellbestimmungsschritt des Bestimmens eines Modells entsprechend der Empfehlungsbedingung als ein Anwendungsmodell aus einer Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle abhängig von der Empfehlungsbedingung, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfängers ist, der eine Empfehlung empfängt; einen Schließschritt zum Erhalten einer Empfehlung durch probabilistisches Schließen, welches das Anwendungsmodell verwendet, das in dem Modellbestimmungsschritt bestimmt wurde; und einen Empfehlungsschritt des Bereitstellens der Empfehlung, die in dem Schließschritt erhalten wurde, an den Empfänger.

Ein Programm der vorliegenden Erfindung ist ein Programm zur Verwendung eines Bayes'schen Netzwerkmodells, um eine probabilistisch geeignete Empfehlung einem Empfänger zu geben, der die Empfehlung erhält, wobei der Empfänger ein Insasse ist. Das Programm verursacht einen Computer auszuführen: einen Modellbestimmungsschritt zum Bestimmen eines Modells entsprechend der Empfehlungsbedingung als ein Anwendungsmodell aus einer Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle abhängig von der Empfehlungsbedingung, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfängers ist, der eine Empfehlung empfängt; einen Schließschritt zum Erhalten einer Empfehlung durch probabilistisches Schließen, welches das Anwendungsmodell verwendet, das in dem Modellbestimmungsschritt bestimmt wurde; und einen Empfehlungsschritt zum Geben der Empfehlung, die in dem Schließschritt erhalten wurde, an den Empfänger.

Wie nachstehend beschrieben werden wird, hat die vorliegende Erfindung andere Ausführungsformen. Daher soll die obige Offenbarung der Erfindung einen Teil der vorliegenden Erfindung bereitstellen und nicht den Bereich der beanspruchten Erfindung beschränken.

Kurze Beschreibung der Zeichnungen

1 ist ein Diagramm, das eine Konfiguration eines Informationsverarbeitungssytems in einer ersten Ausführungsform zeigt;

2 ist ein Diagramm, das eine Konfiguration einer Inhaltebereitstellungsvorrichtung in der ersten Ausführungsform zeigt;

3 ist ein Diagramm, das beispielhaft Daten zeigt, die in einer Inhalteinformationsspeichereinheit in der ersten Ausführungsform gespeichert sind;

4 ist ein Diagramm, das ein beispielhaftes Modell zeigt, das in einer Modellspeichereinheit in der ersten Ausführungsform gespeichert ist;

5 ist ein Diagramm, das beispielhaft Daten zeigt, die in einer Lernmodelltabellen-Speichereinheit in der ersten Ausführungsform gespeichert sind;

6 ist ein Diagramm, das eine Konfiguration einer Zentralvorrichtung in der ersten Ausführungsform zeigt;

7 ist ein Diagramm, das Operationen des Informationsverarbeitungssystems in der ersten Ausführungsform zeigt;

8 ist ein Diagramm, das beispielhaft Daten zeigt, die in der Lernmodelltabellen-Speichereinheit in einer zweiten Ausführungsform gespeichert sind;

9 ist ein Diagramm, das Operationen des Informationsverarbeitungssystems in der zweiten Ausführungsform zeigt;

10 ist ein Diagramm, das eine Konfiguration der Zentralvorrichtung in einer dritten Ausführungsform zeigt;

11 ist ein Diagramm, welches eine Konfiguration der Inhaltebereitstellungsvorrichtung in der dritten Ausführungsform zeigt;

12 ist ein Diagramm, welches die Operationen des Informationsverarbeitungssystems in der dritten Ausführungsform zeigt; und

13 ist ein Diagramm, das eine Konfiguration der Zentralvorrichtung gemäß einer Variation zeigt.

Bester Modus zum Ausführen der Erfindung

Die vorliegende Erfindung wird im Detail unten beschrieben werden. Jedoch beschränken die detaillierte Beschreibung unten und die beigefügten Zeichnungen die vorliegende Erfindung nicht. Der Bereich der vorliegenden Erfindung ist durch die beigefügten Ansprüche definiert.

Ein Fahrzeuginformationsverarbeitungssystem der Ausführungsformen ist ein Fahrzeuginformationsverarbeitungssystem zur Verwendung eines Bayes'schen Netzwerkmodells, um eine probabilistisch geeignete Empfehlung einem Empfänger zu geben, der die Empfehlung empfängt, wobei der Empfänger ein Insasse ist. Das System weist auf: eine Modellspeichereinheit, welche eine Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle enthält, abhängig von der Empfehlungsbedingung, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfängers ist, welcher eine Empfehlung empfängt; eine Modellbestimmungseinheit zur Bestimmung eines Modells, das der Empfehlungsbedingung entspricht, als ein Anwendungsmodell aus den Modellen, die in der Modellspeichereinheit gespeichert sind; eine Schließeinheit zum Auslesen des Anwendungsmodells, das durch die Modellbestimmungseinheit bestimmt wurde, aus der Modellspeichereinheit, und zum Erhalten einer Empfehlung durch probabilistisches Schließen, welches das ausgelesene Anwendungsmodell verwendet; und eine Empfehlungseinheit zum Geben der Empfehlung, erhalten durch die Schließeinheit, an den Empfänger.

Eine Mehrzahl unterschiedlicher Modelle abhängig von der Empfehlungsbedingung, wie das Attribut des Empfängers, sind gespeichert, und ein Modell entsprechend der Empfehlungsbedingung wird aus diesen Modellen ausgelesen und auf probabilistisches Schließen angewandt. Auf diese Weise kann eine geeignete Empfehlung akkurat erhalten werden unter der Empfehlungsbedingung zu unterschiedlichen Zeiten.

In dem Fahrzeuginformationsverarbeitungssystem kann die Modellspeichereinheit eine Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle enthalten abhängig von dem Attribut des Empfängers, und die Modellbestimmungseinheit kann ein Modell entsprechend dem Attribut des Empfängers als das Anwendungsmodell bestimmen. Auf diese Weise können abhängig von dem Attribut des Empfängers unterschiedliche Modelle auf das probabilistische Schließen angewendet werden und eine geeignete Empfehlung kann gemäß dem Attribut des Empfängers erhalten werden.

In dem Fahrzeuginformationsverarbeitungssystem kann die Modellspeichereinheit eine Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle abhängig von der Situation enthalten, in welcher die Empfehlung gegeben wird, und die Modellbestimmungseinheit kann ein Modell entsprechend der Situation bestimmen, in welcher die Empfehlung gegeben wird, als das Anwendungsmodell.

Auf diese Weise können unterschiedliche Modelle abhängig von der Situation, in welcher die Empfehlung gegeben wird, auf das probabilistische Schließen angewandt werden und eine geeignete Empfehlung kann erhalten werden abhängig von der Situation, in welcher die Empfehlung gegeben wird.

Das Fahrzeuginformationsverarbeitungssystem kann eine Auswahlmodellspeichereinheit aufweisen, welche ein Auswahlmodell enthält, das angewandt wird auf probabilistisches Schließen zum Bestimmen des Anwendugnsmodells aus den Modellen basierend auf dem Attribut des Empfängers und der Situation, in welcher die Empfehlung gegeben wird. Die Modellbestimmungseinheit kann das Anwendungsmodell bestimmen durch das probabilistische Schließen, welches das Auswahlmodell verwendet, das aus der Auswahlmodellspeichereinheit ausgelesen wurde, basierend auf dem Attribut des Empfängers und der Situation, in welcher die Empfehlung gegeben wird.

Auf diese Weise kann, durch Bestimmen des Anwendungsmodells aus den Modellen, durch das probabilistische Schließen, welches das Auswahlmodell verwendet, ein Anwendungsmodell ausgewählt werden, welches erlaubt, eine geeignete Empfehlung zu erhalten gemäß Bedingungen, wie das Attribut des Empfängers und die Situation, in welcher die Empfehlung gegeben wird, sogar wenn keine Mehrzahl von Modellen erzeugt wird gemäß expliziter Variablen, wie das Attribut des Empfängers und die Situation, in welcher die Empfehlung gegeben wird.

Das Fahrzeuginformationsverarbeitungssystem kann aufweisen: eine Antwortempfangseinheit zum Empfangen einer Antwort, die durch den Empfänger gemacht wird, wenn die Empfehlungseinheit die Empfehlung gibt, die durch die Schließeinheit von dem Anwendungsmodell erhalten wurde; und eine Modelllerneinheit zum Lernen von Modellen, die in der Modellspeichereinheit gespeichert sind, unter Verwendung der Antwort, die durch die Antwortempfangseinheit empfangen wurde, und zum Aktualisieren der Modelle auf Modelle, die für jede Empfehlungsbedingung spezialisiert sind.

Auf diese Weise werden die Modelle, die in der Modellspeichereinheit gespeichert sind, gelernt, basierend auf der Antwort des Empfängers, so dass die Modelle in der Modellspeichereinheit aktualisiert werden auf spezialisierte Modelle, die geeignet für das probabilistische Schließen unter der Empfehlungsbedingung sind. Daher können die Modelle, die in der Modellspeichereinheit gespeichert sind, verwendet werden, um geeignet eine Empfehlung zu erhalten.

Das Fahrzeuginformationsverarbeitungssystem kann eine Lernmodell-Informationspeichereinheit aufweisen, welche die Lernmodelle enthält, assoziiert mit dem Anwendungsmodell, das auf das probabilistische Schließen in der Schließeinheit angewandt wird, worin die Lernmodelle aufweisen, unter den Modellen, die in der Modellspeichereinheit gespeichert sind, ein Modell, das identisch mit dem Anwendungsmodell ist, und ein unterschiedliches Modell, das durch das Ergebnis des Schließens beeinflusst wird, welches das Anwendungsmodell verwendet. Die Modelllerneinheit kann Lernmodelle verwenden unter Verwendung der Antwort, die durch die Antwortempfangseinheit empfangen wird, worin die Modelle mit dem Anwendungsmodell assoziiert sind als die Lernmodelle in der Lernmodell-Informationsspeichereinheit.

Auf diese Weise kann die Antwort des Empfängers auf die Empfehlung, erhalten von dem Anwendungsmodell, verwendet werden, um geeignet nicht nur das Anwendungsmodell, sondern auch andere Modelle zu lernen. Daher kann eine Mehrzahl von Modellen, die in der Modellspeichereinheit gespeichert sind, effizient gelernt werden.

In diesem Fahrzeuginformationsverarbeitungssystem kann die Lernmodell-Informationsspeichereinheit Reflexionsparameter enthalten, welche den Grad anzeigen, zu welchem die Antwort im Lernen der Lernmodelle reflektiert wird, worin jeder Reflexionsparameter für jedes einer Mehrzahl von Lernmodellen entsprechend einem Anwendungsmodell gesetzt werden kann. Die Modelllerneinheit kann Lernverarbeitung durchführen, so dass ein Reflexionsparameter, assoziiert mit einem zu lernenden Lernmodell, ausgelesen wird von der Lernmodell-Informationspeichereinheit, und die Antwort wird in dem Lernmodell zu dem Grad gemäß dem ausgelesenen Reflexionsparameter reflektiert.

Auf diese Weise wird, da die Antwort in den Lernmodellen zu dem Grad gemäß dem Reflexionsparameter reflektiert wird, der Grad, zu welchem das Modell selbst auf das Schließen angewandt wurde, dadurch reflektiert, dass das Modell z.B. höher als der Reflexionsgrad anderer Modelle gemacht werden kann. Als ein anderes Beispiel kann dem Lernmodell, wenn ein Lernmodell mit zwei unterschiedlichen Anwendungsmodellen assoziiert ist, ein unterschiedlicher Reflexionsgrad für jedes Anwendungsmodell zugewiesen werden. Daher ist es möglich, variable Beträge von Einfluss der Antwort auf die Modelle zu setzen, wodurch geeignetes Modelllernen ermöglicht wird.

Das Fahrzeuginformationsverarbeitungssystem kann eine Lerndatenerhalteeinheit aufweisen zum Erhalten von Lerndaten, die im Lernen verwendet werden, durch welche die Modelle spezialisiert für jede Empfehlungsbedingung durch das Lernen der Modelllerneinheit näher einem allgemeinen Modell gebracht werden. Die Modelllerneinheit kann die Lerndaten verwenden, die durch die Lerndatenerhalteeinheit erhalten wurde, um die Modelle zu lernen, die in der Modellspeichereinheit gespeichert sind.

Auf diese Weise können Aspekte des allgemeinen Modells den spezialisierten Modellen hinzugefügt werden, die geeignet sind zum probabilistischen Schließen unter der Empfehlungsbedingung, so dass ein Modell erzeugt werden kann, welches Schließen erlaubt unter Inkorporierung allgemeiner Präferenzen. Daher kann die Verarbeitung der Spezialisierung der Modelle geeignet beschränkt werden.

Das Fahrzeuginformationsverarbeitungssystem kann eine Lernreflexionsparameter-Speichereinheit aufweisen, welche Lernreflexionsparameter enthält, die den Grad anzeigen, zu welchem die Lerndaten im Lernen der Modelle reflektiert werden. Die Modelllerneinheit kann Lernverarbeitung ausführen, so dass die Lerndaten reflektiert werden im Lernen der Modelle zu dem Grad gemäß den Lernreflexionsparametern, die aus der Lernreflexionsparameter-Speichereinheit ausgelesen werden.

Auf diese Weise kann der Grad, zu welchem die spezialisierten Modelle, die in der Modellspeichereinheit gespeichert sind, dem allgemeinen Modell näher gebracht werden, gesetzt werden.

Das Fahrzeuginformationsverarbeitungssystem kann aufweisen: Informationsempfehlungsvorrichtungen, welche jede die Empfehlungseinheit haben; und eine Zentralvorrichtung, welche kommunikativ mit den Informationsempfehlungsvorrichtungen verbunden ist. Die Zentralvorrichtung kann von jeder Informationsempfehlungsvorrichtung die Antwort einsammeln, die erhalten wurde von dem Empfänger, wenn die Empfehlung gegeben wird.

Auf diese Weise, da die Zentralvorrichtung Antworten sammelt, die bei einer Mehrzahl von Informationsempfehlungsvorrichtungen empfangen wurde, können allgemeine Antworten vieler Empfänger auf eine Empfehlung in Erfahrung gebracht werden.

Ein Fahrzeuginformationsverarbeitungssystem in einem anderen Aspekt der Ausführungsformen ist ein Fahrzeuginformationsverarbeitungssystem zur Verwendung eines Schließalgorithmus, um eine Empfehlung zu schließen, die geeignet für einen Empfänger ist, welcher die Empfehlung empfängt, und zum Geben der Empfehlung, erhalten durch Schließen. Das System weist auf: eine Ressourcen-Speichereinheit, welche eine Mehrzahl unterschiedlicher Ressourcen zum Berechnen abhängig von der Empfehlungsbedingung enthalt, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfängers ist, der eine Empfehlung empfängt; eine Ressourcen-Bestimmungseinheit zum Bestimmen einer Ressource zum Berechnen entsprechend der Empfehlungsbedingung von den Ressourcen zum Berechnen, gespeichert in der Ressourcen-Speichereinheit; eine Schließeinheit zum Auslesen der Ressource zum Berechnen, die durch die Ressourcen-Bestimmungseinheit bestimmt wurde, aus der Ressourcen-Speichereinheit und zum Erhalten einer Empfehlung durch Schließen, welches die ausgelesene Ressource zum Berechnen verwendet; und eine Empfehlungseinheit zum Geben der Empfehlung, die durch die Schließeinheit erhalten wurde, an den Empfänger.

Eine Mehrzahl unterschiedlicher Ressourcen zur Berechnung abhängig von der Empfehlungsbedingung, wie das Attribut des Empfängers, sind gespeichert und eine Ressource zum Berechnen entsprechend der Empfehlungsbedingung wird aus diesen Ressourcen zum Berechnen ausgelesen und auf das probabilistische Schließen angewandt. Auf diese Weise kann eine geeignete Empfehlung akkurat erhalten werden unter der Empfehlungsbedingung zu unterschiedlichen Zeiten. Die „Ressource zum Berechnen" bezieht sich hierin auf eine Ressource, die in einem Berechnen eines Schließalgorithmus verwendet wird. Zum Beispiel kann sie eine bekannte Basis sein in dem Fall des Expertensystems oder ein neuronales Netzwerk mit vielen untereinander verbundenen Neuronenmodellen in dem Fall des Fall des neuronalen Netzwerks.

Eine Fahrzeuginformationsempfehlungsvorrichtung der Ausführungsformen ist eine Fahrzeuginformationsempfehlungsvorrichtung zur Verwendung eines Bayes'schen Netzwerkmodells, um eine probabilistisch geeignete Empfehlung einem Empfänger zu geben, der die Empfehlung empfängt, wobei der Empfänger ein Insasse ist. Die Vorrichtung weist. auf: eine Modellspeichereinheit, welche eine Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle enthält, die von der Empfehlungsbedingung abhängen, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfängers ist, welcher eine Empfehlung empfängt; eine Modellbestimmungseinheit zur Bestimmung eines Modells entsprechend der Empfehlungsbedingung als ein Anwendungsmodell aus den Modellen, die in der Modellspeichereinheit gespeichert sind; eine Schließeinheit zum Auslesen des Anwendungsmodells, das durch die Modellbestimmungseinheit bestimmt wurde aus der Modellspeichereinheit und zum Erhalten einer Empfehlung durch probabilistisches Schließen, welches das ausgelesene Anwendungsmodell verwendet; und eine Empfehlungseinheit zum Geben der durch die Schließeinheit erhaltenen Empfehlung an den Empfänger.

Auf diese Weise kann eine geeignete Empfehlung akkurat erhalten werden wie in dem Fall des oben beschriebenen Fahrzeuginformationsverarbeitungssystems. Es ist auch möglich, die Eigenschaften des oben beschriebenen Fahrzeuginformationsverarbeitungssystems auf die Fahrzeuginformationsempfehlungsvorrichtung der Ausführungsformen anzuwenden.

Die Fahrzeuginformationsempfehlungsvorrichtung der Ausführungsformen kann in einem Automobil bereitgestellt werden.

Auf diese Weise wird geeignete Information, die durch den Fahrer wahrscheinlich akzeptiert wird, empfohlen. Daher wird die Notwendigkeit, wiederholt Information zu empfangen, eliminiert und es wird die Last auf den Fahrer, der Information empfängt, reduziert. Dies trägt zur Fahrsicherheit bei.

Ein Fahrzeuginformationsverarbeitungsverfahren der Ausführungsformen ist ein Verfahren zur Verwendung eines Bayes'schen Netzwerkmodells, um eine probabilistisch geeignete Empfehlung einem Empfänger zu geben, der die Empfehlung empfängt, wobei der Empfänger ein Insasse ist. Das Verfahren weist auf: einen Modellbestimmungsschritt zum. Bestimmen eines Modells entsprechend der Empfehlungsbedingung als ein Anwendungsmodell aus einer Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle, abhängig von der Empfehlungsbedingung, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfänger ist, welcher eine Empfehlung empfängt; einen Schließschritt zum Erhalten einer Empfehlung durch probabilistisches Schließen, welches das Anwendungsmodell verwendet, das in dem Modellbestimmungsschritt bestimmt wurde; und einen Empfehlungsschritt zum Geben der Empfehlung, die in dem Schließschritt erhalten wurde, an den Empfänger.

Auf diese Weise kann eine geeignete Empfehlung akkurat erhalten werden wie in dem Fall des oben beschriebenen Fahrzeuginformationsverarbeitungssystems. Es ist auch möglich, die Merkmale des oben beschriebenen Fahrzeuginformationsverarbeitungssystems auf das Fahrzeuginformationsverarbeitungsverfahren der Ausführungsformen anzuwenden.

Ein Programm der Ausführungsformen ist ein Programm zur Verwendung eines Bayes'schen Netzwerkmodells, um eine probabilistisch geeignete Empfehlung einem Empfänger zu geben, welcher die Empfehlung empfängt, wobei der Empfänger ein Insasse ist. Das Programm verursacht einen Computer auszuführen: einen Modellbestimmungsschritt zum Bestimmen eines Modells entsprechend der Empfehlungsbedingung als ein Anwendungsmodell aus einer Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle, abhängig von der Empfehlungsbedingung, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfängers ist, welcher eine Empfehlung empfängt; einen Schließschritt zum Erhalten einer Empfehlung durch probabilistisches Schließen, das das Anwendungsmodell verwendet, welches in dem Modellbestimmungsschritt bestimmt wurde; und einen Empfehlungsschritt zum Geben der Empfehlung an den Empfänger, die in dem Schließschritt erhalten wurde.

Auf diese Weise kann eine geeignete Empfehlung akkurat erhalten werden, wie in dem Fall des oben beschriebenen Fahrzeuginformationsverarbeitungssystems. Es ist auch möglich, die Merkmale des oben beschriebenen Fahrzeuginformationsverarbeitungssystems auf das Programm der Ausführungsformen anzuwenden.

Nun wird das Fahrzeuginformationsverarbeitungssystem in den Ausführungsformen unten beschrieben werden unter Verwendung der Zeichnungen. Die folgende Beschreibung nimmt ein System an, in welchem eine Inhaltebereitstellungsvorrichtung in einem Fahrzeug Lieder bereitstellt, die geeignet für einen Benutzer sind. Jedoch sind Objekte, die durch das Fahrzeuginformationsverarbeitungssystem der vorliegenden Erfindung empfohlen werden, nicht auf Lieder beschränkt. Zum Beispiel kann das Fahrzeuginformationsverarbeitungssystem der vorliegenden Erfindung auf ein Empfehlungssystem zum Empfehlen von Restaurants oder Veranstaltungen angewandt werden, die geeignet für einen Benutzer sind. Das Fahrzeuginformationsverarbeitungssystem der vorliegenden Erfindung ist nicht auf ein System beschränkt, das in einem Fahrzeug bereitgestellt ist, sondern kann auf ein System angewandt werden, in welchem ein Personalcomputer zuhause oder ein Mobiltelefon, das durch einen Benutzer getragen wird, eine für den Benutzer geeignete Empfehlung gibt.

1 ist ein Diagramm, das eine Konfiguration eines Informationsverarbeitungssystems 10 in einer Ausführungsform zeigt. Das Fahrzeuginformationsverarbeitungssystem (hiernach als „Informationsverarbeitungssystem" bezeichnet) 10 enthält eine Mehrzahl von Inhaltebereitstellungsvorrichtungen 20, welche jede kommunikativ mit einer Zentralvorrichtung 50 verbunden ist. Eine Inhaltebereitstellungsvorrichtung 20 ist eine Vorrichtung, welche für ihren Benutzer geeignete Lieder auswählt, welcher ein Insasse des Fahrzeugs ist, und welche die ausgewählten Lieder automatisch abspielt. Die Zentralvorrichtung 50 ist eine Vorrichtung, welche Daten über Benutzerantworten ansammelt, die durch die Inhaltebereitstellungsvorrichtung 20 erhalten wurden.

2 ist ein Diagramm, welches eine Konfiguration einer Inhaltebereitstellungsvorrichtung 20 zeigt. Die Inhaltebereitstellungsvorrichtung 20 enthält eine Empfehlungseinheit 22 zum Empfehlen von Inhalt an den Benutzer, eine Operationseinheit 24 zum Empfangen von Operationen von dem Benutzer, eine Datenübertragungs-/Empfangseinheit 26 zum Kommunizieren mit der Zentralvorrichtung 50 und eine Steuereinheit 28 zum Steuern der gesamten Inhaltebereitstellungsvorrichtung 20. Die Inhaltebereitstellungsvorrichtung 20 enthält auch eine Inhalteinformationsspeichereinheit 38, welche Inhalteinformation enthält, eine Modellspeichereinheit 40, welche Bayes'sche Netzwerkmodelle enthält, und eine Lernmodelltabellen-Speichereinheit 42, welche Information über Lernmodelle in Assoziation mit Anwendungsmodellen enthält.

Die Empfehlungseinheit 22 hat eine Funktion zum Empfehlen von Inhalt an den Benutzer. Die Hardware der Empfehlungseinheit 22 enthält einen Lautsprecher zum Ausgeben der Laute von Liedern und eine Anzeige zum Anzeigen eines Liedtitels, eines Künstlernamens, usw. Die Operationseinheit 24 hat eine Funktion zum Empfangen von Operationen von dem Benutzer. Die Operationseinheit 24 empfängt eine Operation zum Auswählen eines Anwendungsmodells zur Verwendung im probabilistischen Schließen von Inhalt und empfängt Antworten zu dem empfohlenen Inhalt. Die Hardware der Operationseinheit 24 enthält Knöpfe zum Anweisen Start, Stopp, schnellem Vorlauf, usw. der Laute und einen Knopf zur Lautstärkensteuerung. Zum Auswählen eines Anwendungsmodells werden Kandidatenmodelle auf der Empfehlungseinheit 22 angezeigt, so dass das Anwendungsmodell mit den Knöpfen für schnellen Vorlauf und schnellem Rücklauf ausgewählt wird. Zum Empfang einer Antwort wird Information über Operationen auf den Knöpfen und dem Lautstärkeknopf erhalten, um die Antwort zu beurteilen.

Die Datenübertragungs-/Empfangseinheit 26 hat eine Funktion zum drahtlosen Kommunizieren mit der Zentralvorrichtung 50. Die Inhaltebereitstellungsvorrichtung 20 und die Zentralvorrichtung 50 können miteinander z.B. über ein Mobiltelefonnetzwerk kommunizieren.

Die Inhalteinformationsspeichereinheit 38 enthält eine Mehrzahl von Inhalteinformationsstücken, die potentiell dem Benutzer empfohlen werden. Die Inhaltebereitstellungsvorrichtung 20 wählt Inhalt aus, der geeignet für den Benutzer ist, aus dem Inhalt, der in der Inhalteinformationsspeichereinheit 38 gespeichert ist, und stellt den gewählten Inhalt dem Benutzer bereit.

3 ist ein Diagramm, das beispielhaft Inhalteinformation zeigt, die in der Inhalteinformationsspeichereinheit 38 gespeichert sind. Wie in 3 gezeigt, enthält die Inhalteinformationsspeichereinheit 38 Liedertitel, Genres, Rankings und Lieddaten. Obwohl die Beschreibung der vorliegenden Ausführungsformen als ein Beispiel annimmt, dass die Lieddaten in der Inhalteinformationsspeichereinheit 38 gespeichert sind, muss die Inhaltebereitstellungsvorrichtung 20 nicht notwendigerweise die Lieddaten haben. Zum Beispiel können, sobald Lieder, die dem Benutzer zu empfehlen sind, ausgewählt werden, Daten über die ausgewählten Lieder über ein Netzwerk oder von einer externen Platte erhalten werden.

Mit Bezug zurück auf 2 hat die Modellspeichereinheit 40 eine Funktion zum Speichern von Modellen, die verwendet werden zum Erhalten des für den Benutzer geeigneten Inhalts. Die Modellspeichereinheit 40 enthält drei Modelle, d.h. ein Modell A, ein Modell B und ein Modell C, abhängig von der Empfehlungsbedingung. Die Empfehlungsbedingung bezieht sich auf eine Bedingung auf Seiten des Empfängers, der eine Empfehlung empfängt. Jedes Modell, das in der Modellspeichereinheit 40 gespeichert ist, ist geeignet zum Ausführen des probabilistischen Schließen unter der entsprechenden Empfehlungsbedingung. Die vorliegenden Ausführungsformen nehmen an, dass die Empfehlungsbedingung das Attribut von Benutzern in einem Fahrzeug ist, worin das Modell A für den Vater ist, das Modell B für die Mutter ist und das Modell C für die Familie ist. Daher ist z.B. das Modell A geeignet, um Inhalt zu erhalten, der dem Vater zu empfehlen ist, durch probabilistisches Schließen. Die Modelle A bis C sind alle allgemeine Modelle, bevor Lernen ausgeführt wird in der Inhaltebereitstellungsvorrichtung 20. Anwenden der Modelle A bis C unter der entsprechenden Empfehlungsbedingung und Ausführen von Lernen unter Verwendung von Antworten darauf macht die Modelle spezialisiert für die Empfehlungsbedingung. Obwohl die Modellspeichereinheit 40 hierin drei Modelle enthält, ist die Anzahl der gespeicherten Modelle nicht auf drei beschränkt.

4 ist ein Diagramm, das ein beispielhaftes Modell zeigt, das in der Modellspeichereinheit 40 gespeichert ist. Wie in 4 gezeigt, hat das Bayes'sche Netzwerkmodell einen Knoten N1 für einen Benutzer, einen Knoten N2 für Inhalt, einen Knoten N3 für eine Situation und einen Knoten N4 für eine Antwort, miteinander verbunden über einen anderen Knoten durch Verbindungen, welche Abhängigkeiten der bedingten Wahrscheinlichkeit anzeigen. Der Knoten N4 ist ein Knoten zum Vorhersagen einer Benutzerantwort.

Nun wird die Steuereinheit 28 in der Inhaltebereitstellungsvorrichtung 20 beschrieben werden. In der in 2 gezeigten Steuereinheit 28 hat eine Bayes'sche Schließeinheit 30 eine Funktion zum Verwenden eines Modells, das in der Modellspeichereinheit 40 gespeichert ist, um den Inhalt zu erhalten, der geeignet für den Benutzer ist, durch das probabilistische Schließen. Die Bayes'sche Schließeinheit 30 liest ein Modell, das durch eine Modellbestimmungseinheit 34 bestimmt wurde, aus der Modellspeichereinheit 40 aus und verwendet das ausgelesene Modell, um das Schließen auszuführen. Das Schließverfahren, das durch die Bayes'sche Schließeinheit 30 implementiert ist, wird beschrieben werden unter Verwendung des in 4 gezeigten Modells. Zuerst setzt die Bayes'sche Schließeinheit 30 Werte für die Knoten N1 bis N3. Information, wie z.B. das Alter, Geschlecht und musikalische Präferenzen des Benutzers werden für den Benutzerknoten N1 gesetzt. Ein Inhalteinformationsgegenstand, der von der Inhalteinformations-Speichereinheit 38 ausgelesen wird, wird für den Inhalteknoten N2 gesetzt. Information, wie z.B. die Zeit und der Laufort, werden für den Situationsknoten N3 gesetzt. Die Bayes'sche Schließeinheit 30 bestimmt den Punktwert des Antwortknoten N4 basierend auf Wahrscheinlichkeitsverbreitung von den Knoten N1 bis N3. Die Bayes'sche Schließeinheit 30 liest sequentiell Inhalteinformationsgegenstände aus der Inhalteinformations-Speichereinheit 38 aus und wiederholt die oben beschriebenen Operationen, um den Punktwert für jeden Inhaltegegenstand zu bestimmen. Die Bayes'sche Schließeinheit 30 wählt Inhalt aus, der für den Benutzer geeignet ist, basierend auf den bestimmten Punktwerten.

In der Steuereinheit 28 hat eine Bayes'sche Lerneinheit 32 eine Funktion zum Lernen von Modellen unter Verwendung von Benutzerantworten. Eine Benutzerantwort bezieht sich auf Benutzer-eingegebene Information darüber, den Inhalt zu akzeptieren oder nicht und ist beobachtete Information. Die Bayes'sche Lerneinheit 32 modifiziert die Abhängigkeiten der bedingten Wahrscheinlichkeit in den Modellen basierend auf den Antworten und aktualisiert die Modelle zu Modellen, welche genaueres Erhalten des Inhalts, der geeignet für die Präferenzen des Benutzers unter der Empfehlungsbedingung ist, die dem Modell entspricht. Das heißt, die Modelle, die in der Modellspeichereinheit 40 gespeichert sind, werden auf spezialisierte Modelle aktualisiert, die geeignet für das probabilistische Schließen unter der entsprechenden Empfehlungsbedingung sind.

In der Steuereinheit 28 hat die Modellbestimmungseinheit 34 eine Funktion zum Bestimmen eines Modells, das verwendet wird für das Schließen, basierend auf Modellauswahlinformation, welche eingegeben wird über die Operationseinheit 24, und eine Funktion zum Bestimmen von Modellen, die zu lernen sind, unter Bezugnahme auf eine Lernmodelltabelle, die in der Lernmodelltabellenspeichereinheit 42 gespeichert ist.

5 ist ein Diagramm, welches beispielhaft Daten zeigt, die in der Lernmodelltabellenspeichereinheit 42 gespeichert sind. Die Lernmodelltabellenspeichereinheit 42 enthält die Zuordnung zwischen Anwendungsmodellen und Lernmodellen. Ein Anwendungsmodell ist ein Modell, das auf das probabilistische Schließen zum Erhalten von Inhalt, der für den Benutzer geeignet ist, angewandt wird. Ein Lernmodell ist ein Modell, das unter Verwendung von Antworten zu dem empfohlenen Inhalt zu lernen ist. Wenn z.B. in dem in 5 gezeigten Beispiel das Modell A das Anwendungsmodell ist, sind die Modelle A und C die Lernmodelle. Daher werden Antworten auf den Inhalt, der unter Verwendung des Modells A für den Vater erhalten wurde, verwendet, um das Modell A für den Vater und das Modell C für die Familie zu lernen. Da die Antworten des Vaters auf den Inhalt, der unter Verwendung des Modells für den Vater erhalten wurde, in dem Modell A reflektiert werden, wird das Modell A ein Modell, welches genaueres Erhalten des für die Präferenzen des Vaters geeigneten Inhalts erlaubt. Die Antworten des Vaters haben auch Einfluss auf das Modell C für die Familie, da der Vater ein Mitglied der Familie ist. Daher wird auch das Modell C für die Familie als ein Lernmodell gesetzt.

In der Steuereinheit 28 hat eine Antwortübertragungseinheit 36 eine Funktion zum Übertragen von Antworten, die über die Operationseinheit 24 empfangen werden, an die Zentralvorrichtung 50. Die Antwortübertragungseinheit 36 überträgt alle empfangenen Antworten. In dem Beispiel der vorliegenden Ausführungsformen werden alle Antworten des Vaters, der Mutter und der Familie übertragen.

6 ist ein Diagramm, das eine Konfiguration der Zentralvorrichtung 50 zeigt. Die Zentralvorrichtung 50 enthält eine Datenübertragungs-/Empfangseinheit 52 zum Kommunizieren mit der Inhaltebereitstellungsvorrichtung 20 und eine Steuereinheit 54 zum Steuern der gesamten Vorrichtung. Die Zentralvorrichtung 50enthält auch eine Antwortinformationsspeichereinheit 60 zum Ansammeln von Antworten, die von den Inhaltebereitstellungsvorrichtungen 20 übertragen wurden, und eine Speichereinheit für ein allgemeines Modell 62 zum Enthalten eines allgemeinen Modells, das erzeugt wurde basierend auf den Antworten, die in der Antwortinformationsspeichereinheit 60 angesammelt wurden.

Die Antwortinformationsspeichereinheit 60 hat eine Funktion zum Ansammeln von Information über Antworten, die von den Inhaltebereitstellungsvorrichtungen 20 übertragen wurden. Die Antwortinformation, die von einer Mehrzahl von Inhaltebereitstellungsvorrichtungen 20 übertragen wurden, werden in der Antwortinformationsspeichereinheit 60 aufgehäuft.

In der Steuereinheit 54 hat eine Modellerzeugungseinheit 56 eine Funktion zum Auslesen der Antwortinformation, die in der Antwortinformationsspeichereinheit 60 angesammelt wurde, und zum Erzeugen eines Bayes'schen Netzwerkmodells basierend auf der ausgelesen Antwortinformation. Das hier erzeugte Modell ist ein allgemeines Modell ohne eine spezifische Empfehlungsbedingung für den Inhalt. Die Modellerzeugungseinheit 56 hat eine Funktion zum Speichern des erzeugten Modells in der Speichereinheit 62 für das allgemeine Modell.

In der Speichereinheit 54 hat eine Modellliefereinheit 58 eine Funktion zum Auslesen des allgemeinen Modells, das in der allgemeinen Modellspeichereinheit 62 gespeichert ist, und zum Liefern des ausgelesenen Modells an die Inhaltebereitstellungsvorrichtungen 20. Die Modellliefereinheit 58 kann das allgemeine Modell entweder auf Anforderung der Inhaltebereitstellungsvorrichtungen 20 oder auf einer regelmäßigen Basis liefern.

Nun werden Operationen des Informationsverarbeitungssystems 10 in einer ersten Ausführungsform beschrieben werden.

7 ist ein Diagramm, welches Operationen der Inhalteverarbeitungsvorrichtung 10 in der ersten Ausführungsform zeigt. Um automatisch Lieder zu spielen, bestimmt zuerst jede Inhaltebereitstellungsvorrichtung 20 ein Modell zum Erhalten von Inhalt, der für den Benutzer geeignet ist (S10). Die Inhaltebereitstellungsvorrichtung 20 bestimmt ein Modell aus den drei Modellen, die in der Modellspeichereinheit 40 gespeichert sind. In dieser Ausführungsform zeigt die Inhaltebereitstellungsvorrichtung 20 auf der Empfehlungseinheit 22 Information über die Modelle an, die in der Modellspeichereinheit 40 gespeichert sind, empfängt eine Auswahl eines Modells über die Operationseinheit 24. Hier sei angenommen, dass eine Auswahl des Modells A für den Vater über die Operationseinheit 24 empfangen wird. Die Modellbestimmungseinheit 34 wird über die Information benachrichtigt, die über die Operationseinheit 24 empfangen wird, und bestimmt das Modell zum Erhalten des Inhalts.

Dann führt die Bayes'sche Schließeinheit 30 in der Inhaltebereitstellungsvorrichtung 20 das probabilistische Schließen unter Verwendung des bestimmten Modells A aus und erhält den Inhalt, der für den Benutzer geeignet ist (S12). Die Inhalteinformationsgegenstände, die sequentiell aus der Inhalteinformationsspeichereinheit 38 ausgelesen werden, werden für den Knoten N2 des Modells A gesetzt und der Punktwert des Antwortknotens N4 wird für jeden Inhaltsgegenstand berechnet basierend auf der probabilistischen Verbreitung von den Knoten N1 bis N3. Der Inhalt mit dem höchsten Antwortpunktwert wird ausgewählt als der Inhalt, der zu empfehlen ist. Die Bayes'sche Schließeinheit 30 kann ein Lied erhalten mit dem höchsten Punktwert oder eine Mehrzahl von Liedern mit einem Punktwert über einem bestimmten Wert. Wenn das automatische Abspielen für eine lange Dauer auszuführen ist, werden vorzugsweise mehrere Lieder ausgewählt, um zu der Dauer des automatischen Abspielens zu passen. Die Inhaltebereitstellungsvorrichtung 20 empfiehlt den Inhalt dem Benutzer, indem sie die erhaltenen Lieder spielt (S14).

Dann empfängt die Bayes'sche Lerneinheit 32 der Inhaltebereitstellungsvorrichtung 20 Antworten von dem Benutzer (S16). Die Bayes'sche Lerneinheit 32 empfängt die Antworten von dem Benutzer über die Operationseinheit 24 und beurteilt die Antworten von dem Typ der Operationen. Wenn z.B. ein Lied, das gespielt wird, angehalten wird, zeigt die Antwort an, dass der empfohlene Inhalt nicht akzeptiert wird, wohingegen, wenn ein Lied, das gespielt wird, über die Länge hindurch gehört wird, oder wenn die Lautstärke erhöht wird, die Antwort anzeigt, dass der empfohlene Inhalt akzeptiert wird.

Dann wählt die Modellbestimmungseinheit 43 der Inhaltebereitstellungsvorrichtung 20 Lernmodelle aus (S18). In dem vorliegenden Fall, da das Modell A für den Vater auf das Schließen angewandt wurde, werden die Modelle A und C als die Lernmodelle aus der Information in der Lernmodelltabellenspeichereinheit 42, die in 5 gezeigt ist, ausgewählt. Die Bayes'sche Lerneinheit 32 in der Inhaltebereitstellungsvorrichtung 20 lernt die Modelle A und C unter Verwendung der Benutzerantworten, die über die Operationseinheit 24 empfangen wurden (S20).

Dann bestimmt die Inhaltebereitstellungsvorrichtung 20, ob die Inhalteempfehlungsverarbeitung zu beenden ist oder nicht (S22). Zum Beispiel kann die Bestimmung, ob die Inhalteempfehlungsverarbeitung zu beenden ist oder nicht, gemacht werden basierend darauf, ob das Fahrzeug das Ziel erreicht hat oder nicht. Wenn bestimmt wird, dass die Inhalteempfehlungsverarbeitung nicht beendet wird, geht die Operation der Inhaltebereitstellungsvorrichtung 20 zum Schritt S12 über, um das nächste zu spielende Lied über das probabilistische Schließen zu bestimmen.

Wenn bestimmt wird, dass die Inhalteempfehlungsverarbeitung zu beenden ist, überträgt die Antwortübertragungseinheit 36 in der Inhaltebereitstellungsvorrichtung 20 die Antworten des Benutzers, die über die Operationseinheit 24 empfangen wurden, an die Zentralvorrichtung 50 (S24). Die hier übertragene Information enthält Information über die Benutzerantworten selbst sowie auch Information über das Benutzerattribut, Situation und Inhalteattribut.

Die Zentralvorrichtung 50 empfängt die Antworten, die von der Inhaltebereitstellungsvorrichtung 20 übertragen wurden (S26) und sammelt die empfangenen Antworten in der Antwortinformationsspeichereinheit 60. Die Zentralvorrichtung 50 sammelt die Antworten, die von einer Mehrzahl von Inhaltebereitstellungsvorrichtungen 20 übertragen werden.

Nachdem eine bestimmte Menge an Antwortinformation in der Antwortinformationsspeichereinheit 60 angesammelt wurde, liest die Modellerzeugungseinheit 56 in der Zentralvorrichtung 50 die Antwortinformation aus der Antwortinformationsspeichereinheit 60 aus und erzeugt ein Bayes'sches Netzwerkmodell unter Verwendung der ausgelesenen Antwortinformation (S30). Das hier erzeugte Modell ist ein allgemeines Modell ohne eine spezifische Empfehlungsbedingung. Die Modellerzeugungseinheit speichert das erzeugte Modell in der allgemeinen Modellspeichereinheit 62. Die Modellliefereinheit 58 in der Zentralvorrichtung 50 liefert das allgemeine Modell, das in der allgemeinen Modellspeichereinheit 62 gespeichert ist, entweder auf die Anforderung der Inhaltebereitstellungsvorrichtung 20 oder auf einer regelmäßigen Basis.

Somit wurde das Informationsverarbeitungssystem 10 in der ersten Ausführungsform beschrieben.

In dem Informationsverarbeitungssystem 10 der ersten Ausführungsform enthält jede Inhaltebereitstellungsvorrichtung 20 eine Mehrzahl unterschiedlicher Modelle abhängig von dem Benutzerattribut in der Modellspeichereinheit 40. Diese Modelle sind geeignet, um Inhalt zu erhalten, der dem Benutzer zu empfehlen ist, der das entsprechende Attribut hat, durch das probabilistische Schließen. Die Inhaltebereitstellungsvorrichtung 20 liest ein Modell aus, das dem Attribut des Benutzers entspricht, aus den Modellen, die in der Modellspeichereinheit 40 gespeichert sind, und verwendet das ausgelesene Modell, um den Inhalt zu erhalten, der dem Benutzer zu empfehlen ist, durch das probabilistische Schließen. Daher kann Inhalt erhalten werden, der für den Benutzer hochgradig zufrieden stellend ist. Das heißt, das Informationsverarbeitungssystem 10 kann akkurat den geeigneten Inhalt erhalten. Dies erlaubt eine Reduktion in der Anzahl der Wiederholungen des Benutzers, eine Inhalteempfehlung zu erhalten, wodurch die Last auf den Fahrer reduziert wird und zur Fahrsicherheit beigetragen wird.

Die Lernmodelltabellenspeichereinheit 42 enthält die Zuordnung zwischen den Anwendungsmodellen und Modellen, die zu lernen sind unter Verwendung von Antworten auf den Inhalt, auf den durch die jeweiligen Anwendungsmodelle geschlossen wurde. Da die Bayes'sche Lerneinheit 32 in der Inhaltebereitstellungsvorrichtung 20 sich auf die Lernmodelltabellenspeichereinheit 42 bezieht, um die Lernmodelle zu bestimmen, kann sie die Modelle lernen, die durch die Antworten beeinflusst werden. Da die Lernmodelltabellenspeichereinheit 42 Information über eine Mehrzahl von Lernmodellen für jedes Anwendungsmodell enthält, kann eine Mehrzahl von Modellen effizient gelernt werden basierend auf einer Antwort.

Die Zentralvorrichtung 50 häuft die Antwortinformation an, die in jeder Inhaltebereitstellungsvorrichtung 20 erhalten wurde, in der Antwortinformationsspeichereinheit 60 und erzeugt das allgemeine Modell unter Verwendung der angehäuften Antwortinformation. Daher kann das allgemeine Modell erhalten werden, das das letzte Verhalten reflektiert. Die Zentralvorrichtung 50 liefert das allgemeine Modell an die Inhaltebereitstellungsvorrichtung 20, so dass die Inhaltebereitstellungsvorrichtung 20 das probabilistische Schließen unter Verwendung des allgemeinen Modells ausführen kann.

Nun wird das Informationsverarbeitungssystem 10 in einer zweiten Ausführungsform der vorliegenden Erfindung beschrieben werden. Das Informationsverarbeitungssystem 10 in der zweiten Ausführungsform ist ähnlich zu dem Informationsverarbeitungssystem 10 in der ersten Ausführungsform in dessen grundlegender Konfiguration, mit Ausnahme der Information, die in der Lernmodelltabellenspeichereinheit 42 gespeichert ist.

8 ist ein Diagramm, das beispielhaft Daten zeigt, die in der Lernmodelltabellenspeichereinheit 42 in der zweiten Ausführungsform gespeichert sind. Wie in 8 gezeigt, enthält die Lernmodelltabellenspeichereinheit 42 Information über die Anwendungsmodelle und die Lernmodelle sowie Reflexionsparameter. Ein Reflexionsparameter zeigt den Grad an, zu welchem die Benutzerantworten in einem Lernmodell reflektiert werden. Die Reflexionsparameter können verwendet werden, um den Grad einzustellen, zu welchem die Antworten in den jeweiligen Modellen reflektiert werden. Wenn z.B. das Anwendungsmodell das Modell A für den Vater ist, wird der Grad, zu welchem das Lernen unter Verwendung von Antworten zu diesem Modell in dem Modell C für die Familie reflektiert wird, „0,2", wohingegen der Grad, zu welchem Antworten, die erhalten wurden unter Verwendung des Modells C, in dem Modell C reflektiert werden, „1" ist.

9 ist ein Diagramm, welches Operationen des Informationsverarbeitungssystems 10 in der zweiten Ausführungsform zeigt. Das Informationsverarbeitungssystem 10 in der zweiten Ausführungsform ist ähnlich zu dem ersten Informationsverarbeitungssystem 10 in dessen grundlegenden Operationen. Operationen in der zweiten Ausführungsform unterscheiden sich jedoch von denjenigen in der ersten Ausführungsform darin, dass die Reflexionsparameter auch ausgelesen werden, wenn die Lernmodelle aus der Lernmodelltabellenspeichereinheit 42 ausgelesen werden (S18). Die Bayes'sche Lerneinheit 32 in jeder Inhaltebereitstellungsvorrichtung 20 lernt die Modelle unter Verwendung der ausgelesenen Reflexionsparameter (S20).

In dem Informationsverarbeitungssystem 10 der zweiten Ausführungsform ist geeignetes Lernen möglich durch Lernen der Modelle unter Verwendung der Parameter, die den Grad anzeigen, zu welchem die Antworten in den Modellen reflektiert werden. Wenn z.B. die Beiträge des Vaters und der Mutter zu dem Modell C für die Familie unterschiedlich sind, kann der Reflexionsgrad der Antworten, die mit den Modellen A und B erhalten wurden, gemäß den jeweiligen Beträgen der Beiträge gesetzt werden, wie in 8 gezeigt. Auf diese Weise kann das Modell C geeignet gelernt werden.

Nun wird das Informationsverarbeitungssystem 10 in einer dritten Ausführungsform der vorliegenden Erfindung beschrieben werden. Das Informationsverarbeitungssystem 10 in der dritten Ausführungsform ist ähnlich zu dem Informationsverarbeitungssystem 10 in der ersten Ausführungsform in dessen grundlegender Konfiguration. Jedoch unterscheidet es sich darin, dass die Zentralvorrichtung 50 Lerndaten erzeugt, um Modelle näher an das allgemeine Modell zu bringen, basierend auf der Antwortinformation, die von einer Mehrzahl von Inhaltebereitstellungsvorrichtungen 20 angehäuft wurden, und liefert die Lerndaten an die Inhaltebereitstellungsvorrichtungen 20. Die Inhaltebereitstellungsvorrichtungen 20 lernen Modelle, die in der Modellspeichereinheit 40 gespeichert sind, basierend auf den Lerndaten, die von der Zentralvorrichtung 50 übertragen werden.

10 ist ein Diagramm, das eine Konfiguration der Zentralvorrichtung 50 in dem Informationsverarbeitungssystem 10 in der dritten Ausführungsform zeigt. Zusätzlich zu der Konfiguration der Zentralvorrichtung 50 in der ersten Ausführungsform, enthält die Zentralvorrichtung 50 in der dritten Ausführungsform eine Lerndatenerzeugungseinheit 64, eine Lerndatenliefereinheit 66 und eine Lerndatenspeichereinheit 68. Die Lerndatenspeichereinheit 64 hat eine Funktion zum Erzeugen der Lerndaten, um die Lernmodelle näher an das allgemeine Modell zu bringen basierend auf der Antwortinformation, die in der Antwortinformationsspeichereinheit 60 gespeichert ist. Die Lerndatenspeichereinheit 68 hat eine Funktion zum Speichern der Lerndaten, die in der Lerndatenerzeugungseinheit 64 erzeugt wurden. Die Lerndatenliefereinheit 66 hat eine Funktion zum. auslesen, die in der Lerndatenspeichereinheit 68 gespeichert sind, und Liefern dieser Lerndaten an die Inhaltebereitstellungsvorrichtungen 20.

11 ist ein Diagramm, das eine Konfiguration der Inhaltebereitstellungsvorrichtung 20 in dem Informationsverarbeitungssystem 10 in der dritten Ausführungsform zeigt. Zusätzlich zu der Konfiguration der Inhaltebereitstellungsvorrichtung 20 in der ersten Ausführungsform enthält die Inhaltebereitstellungsvorrichtung 20 in der dritten Ausführungsform einen Reflexionsparameterspeichereinheit 44, die Reflexionsparameter enthält, welche den Grad anzeigen, zu welchem die Lerndaten, die von der Zentralvorrichtung 50 übertragen werden, in den Modellen reflektiert werden. Ein Reflexionsparameter definiert den Grad, zu welchem ein Modell, das in der Modellspeichereinheit 40 gespeichert ist, näher an das allgemeine Modell gebracht wird. Die Bayes'sche Lerneinheit 32 in der Steuereinheit 28 verwendet die Reflexionsparameter, die von der Reflexionsparameterspeichereinheit 44 ausgelesen werden, um den Grad zu bestimmen, zu welchem die Lerndaten in den Modellen reflektiert werden und lernt die Modelle gemäß den bestimmten Grad. Z.B. führt die Bayes'sche Lerneinheit 32 lernen unter Verwendung der Lerndaten so oft aus, wie durch einen Reflexionsparameter gesetzt. Ein größerer Wert des Lernparameters resultiert in einer gößeren Anzahl an Malen des Lernens, damit in einem größeren Ausmaß der Reflektion der Lerndaten in dem Modell.

12 ist ein Diagramm, das Operationen des Informationsverarbeitungssystems 10 in der dritten Ausführungsform zeigt. Wie in dem Falle der ersten oder zweiten Ausführungsform empfiehlt jede Inhaltebereitstellungsvorrichtung 20 Inhalt an den Benutzer und empfängt Antworten von dem Benutzer (S40). Dann überträgt die Inhaltebereitstellungsvorrichtung 20 die empfangenen Antworten an die Zentralvorrichtung 50 (S42). Die Zentralvorrichtung 50 empfängt die Antworten über die Datenübertragungs-/empfangseinheit 52 (S44) und sammelt die erhaltenen Antworten in der Antwortinformationsspeichereinheit 60 an (S46).

Die Lerndatenerzeugungseinheit 64 in der Zentralvorrichtung 50 liest die Antworten aus, die in der Antwortinformationsspeichereinheit 60 angesammelt wurden, erzeugt die Lerndaten unter Verwendung der ausgelesenen Antworten und speichert die erzeugten Lerndaten in der Lerndatenspeichereinheit 68 (S48). Die Lerndatenliefereinheit 66 in der Zentralvorrichtung 50 liefert die Lerndaten, die in der Lerndatenspeichereinheit 68 gespeichert sind, an die Inhaltebereitstellungsvorrichtung 20 (S50).

Die Inhaltebereitstellungsvorrichtung 20 erhält die Lerndaten durch empfangen der Lerndaten, die von der Zentralvorrichtung 50 übertragen werden (S52). Die Bayes'sche Lerneinheit 32 in der Inhaltebereitstellungsvorrichtung 20 verwendet die empfangenen Lerndaten, um Modelle zu lernen, die in der Modellspeichereinheit 40 gespeichert sind (S54). Zu diesem Punkt liest die Bayes'sche Lerneinheit 32 die Reflexionsparameter aus der Reflexionsparameterspeichereinheit 44 und verursacht die Lerndaten, basierend auf dem Grad, der durch die ausgelesenen Reflexionsparameter definiert ist, reflektiert zu werden.

In der dritten Ausführungsform werden die Lerndaten zum Lernen von Modellen erzeugt basierend auf den Antwortinformation, die von der Inhaltebereitstellungsvorrichtungen 20 angehäuft werden, zu welchen die erzeugten Lerndaten dann geliefert werden. Die Inhaltebereitstellungsvorrichtungen 20 verwenden die gelieferten Lerndaten um Modelle zu lernen. Daher kann die Spezifität der Modelle, die von der Empfehlungsbedingung abhängen reduziert werden und die spezialisierten Modelle, die geeignet für das probabilistische Schließen unter der Empfehlungsbedingung sind, können näher an das allgemeine Modell gebracht werden.

Somit wurde das Informationsverarbeitungssystem der vorliegenden Erfindung beschrieben im Detail mit Bezug auf die Ausführungsformen. Jedoch ist die vorliegende Erfindung nicht begrenzt auf die beschriebenen Ausführungsformen.

Die obigen Ausführungsformen haben angenommen, dass die Inhaltebereitstellungsvorrichtung 20 die Bayes'sche Schließeinheit 30 und die Bayes'sche Lerneinheit 32 enthalten und die Inhaltebereitstellungsvorrichtung 20 schließen den Inhalt der für den Benutzer geeignet ist, und lernen die Modelle. Alternativ kann die Zentralvorrichtung 50 die Bayes'sche Schließeinheit 30 und die Bayes'sche Lerneinheit 32 enthalten.

13 ist ein Diagramm, das eine Konfiguration der Zentralvorrichtung 50 zeigt, welche die Bayes'sche Schließeinheit 30 und die Bayes'sche Lerneinheit 32 enthält. Wie in 13 gezeigt, enthält die Zentralvorrichtung 50 eine Modellspeichereinheit 78, welche Modelle enthält, die zum Auswählen von Inhalt verwendet werden, der zu empfehlen ist, und eine Inhalteinformationsspeichereinheit 80, welche Inhalteinformation enthält. Die Modellspeichereinheit 78 enthält eine Mehrzahl von Modellen, die verwendet werden in jeder der Inhaltebereitstellungsvorrichtungen 20 und eine Lernmodelltabelle, welche Lernmodelle anzeigt. Die Steuereinheit 54 in der Zentralvorrichtung 50 enthält eine Modellbestimmungseinheit 74 zum Bestimmen eines Modells, das angewandt wird auf das probabilistische Schließen, eine Bayes'sche Schließeinheit 70 zum Auswählen von Inhalt, der zu empfehlen ist, eine Inhalteliefereinheit 76 zum Liefern der ausgewählten Inhalt und eine Bayes'sche Lerneinheit 72 zum Lernen von Modellen. In dem Informationsverarbeitungssystem, das diese Zentralvorrichtung 50 enthält, überträgt jede Inhaltebereitstellungseinheit 20 Modellauswahlinformation, die über die Operationseinheit 24 empfangen wurde, an die Zentralvorrichtung 50. Die Zentralvorrichtung 50 verwendet das Modell, das durch die Auswahlinformation angezeigt wird, um den Inhalt zu erhalten, der für den Benutzer geeignet ist und liefert den erhaltenen Inhalt an die Inhaltebereitstellungsvorrichtung 20. Die Inhaltebereitstellungsvorrichtung 20 überträgt empfangene Antworten an die Zentralvorrichtung 50, welche dann die Modelle lernt. Auf diese Weise kann das Informationsverarbeitungssystem, das die Inhaltebereitstellungsvorrichtung 20 enthält, mit einer einfachen Konfiguration verwirklicht werden.

Die obigen Ausführungsformen wurden beschrieben für den Fall, in welchem das Informationsverarbeitungssystem 10 die Zentralvorrichtung 50 enthält. Jedoch muss das Informationsverarbeitungssystem 10 nicht notwendigerweise die Zentralvorrichtung 50 einschließen. Vielmehr kann das Informationsverarbeitungssystemen der vorliegenden Erfindung allein mit der Inhaltebereitstellungsvorrichtung 20 implementiert werden, die in 2 gezeigt sind.

Die obigen Ausführungsformen wurden beschrieben, indem eines von Benutzerattributen als beispielhafte Empfehlungsbedingung genommen wurde entsprechend einer Mehrzahl von Modellen, die in der Modellspeichereinheit 40 gespeichert sind. Jedoch können andere Benutzerattribute, wie das Alter, Geschlecht und Beruf als die Empfehlungsbedingung verwendet werden. Die Empfehlungsbedingung ist nicht auf die Benutzerattribute beschränkt, sondern kann z.B. die Situation zur Zeit der Empfehlung sein. Die Situation zur Zeit der Empfehlung kann ein Wochentag sein, wenn die Empfehlung empfangen wird, die Tageszeit, wenn die Empfehlung empfangen wird, der Gemütszustand zu der Zeit, zu der die Empfehlung empfangen wird und so weiter.

Obwohl die obigen Ausführungsformen beschrieben wurden, indem Lieder als beispielhafte Empfehlung genommen wurden, ist die Empfehlung nicht auf Lieder beschränkt. Z.B. können die Empfehlung das Genre, Künstlername und so weiter sein. Wenn die Menge an Inhalt, der in der Inhalteinformationsspeichereinheit 38 gespeichert ist, groß ist, kann das Genre erhalten werden als eine Empfehlung z.B. und die Inhalteinformation kann durch das erhaltene Genre eingegrenzt werden.

In den oben beschriebenen Ausführungsformen schließt das Verfahren zum Bestimmen eines Modells zum Erhalten des Inhalts, der zum empfehlen ist, den Fall ein, in welchem der Benutzer das Modell wählt. Jedoch ist das Modellbestimmungsverfahren nicht beschränkt auf das Verfahren, das Benutzerauswahl einschließt. Z.B. kann die Inhaltebereitstellungsvorrichtung 20 automatisch das Modell bestimmen, indem sie den Benutzer erkennt aus Information über einen Schlüssel der von dem Benutzer verwendet wird, um das Fahrzeug zu starten.

Die obigen Ausführungsformen wurden beschrieben für den Fall, in welchem unterschiedliche Modelle verwendet werden abhängig von dem Attribut wie der Vater und die Mutter, so dass jedes Modell spezialisiert ist. Jedoch mögen die Modelle nicht erzeugt werden basierend auf expliziten Kriterien. In diesem Falle kann probabilistisches Schließen unter Verwendung eines Auswahlmodells verwendet werden, um das Modell zu bestimmen, das auf das Schließen anzuwenden ist. D.h., ein Auswahlmodell zum Bestimmen des Modells, dass auf das Schließen anzuwenden ist, ist in einer Speichereinheit gespeichert, um zur Verwendung bereit zu sein. Eine Mehrzahl von beobachteten Variablen, wie Benutzerattribute und die gegenwärtige Situation, werden dem Auswahlmodell eingegeben, das von der Speichereinheit ausgelesen ist, und das Modell, das dem Schließen anzuwenden ist, wird bestimmt durch das probabilistische Schließen. Auf diese Weise kann das Modell ausgewählt werden, basierend auf eine Kombination verschiedener Attribute und Situationen, anstatt basierend auf einer expliziten Variable wie ein Attribut oder der Situation. Dies erlaubt genaue Empfehlung. Da das Modell, das auf diese Weise ausgewählt wird, auch zu einem spezialisierten Modell durch lernen aktualisiert wird, kann ein Modell erzeugt werden, welches genauere Empfehlungen erlaubt. Zusätzlich, da das Auswahlmodell auch durch Lernen aktualisiert wird, kann ein geeigneteres Modell ausgewählt werden und die Genauigkeit des Schließens kann erhöht werden.

Die obigen Ausführungsformen wurden beschrieben für den Fall, in welchem die Modellspeichereinheit 40 drei Modelle von A–C enthält, unter welchen das zu verwendende Modell bestimmt wird. Jedoch ist es auch möglich, ein neues Modell zu erzeugen. Um z.B. ein Modell für ein Kind zu erzeugen, empfängt die Inhaltebereitstellungsvorrichtung 20 das allgemeine Modell von der Zentralvorrichtung 50 und speichert das empfangene allgemeine Modell als ein Modell D in der Modellspeichereinheit 40. Inhalt, der zu empfehlen ist, wird erhalten durch das probabilistische Schließen unter Verwendung des Modells D und Antworten von dem Kind auf den Inhalt werden verwendet um das Modell D zu lernen. Indem das Lernen des Modells D einige Male wiederholt wird, wird ein Modell erzeugt, welches ein Schließen von Inhalt, der geeignet für die Präferenzen des Kindes ist, erlaubt.

Das Informationsverarbeitungssystem der vorliegenden Erfindung kann verwirklicht werden, indem ein Computer dazu verursacht wird, ein Programm auszuführen, dass Module hat, welche die Komponenten des Informationsverarbeitungssystems in den oben beschriebenen Ausführungsformen implementiert. Ein solches Programm ist auch im Bereich der vorliegenden Erfindung eingeschlossen.

Es wird verstanden werden, dass während die bevorzugten Ausführungsformen der vorliegenden Erfindung, die derzeit denkbar sind, beschrieben wurden, viele Variationen dazu gemacht werden können. Die beigefügten Ansprüche sind gedacht, alle solche Variationen abzudecken, welche innerhalb des wahren Geistes und Bereichs der vorliegenden Erfindung fallen.

Gewerbliche Anwendbarkeit

Die vorliegende Erfindung ist nützlich als ein Empfehlungssystem und so weiter zur Verwendung eines Bayes'sches Netzwerkmodells, um eine probabilistisch geeignete Empfehlung zu geben.

Zusammenfassung

Ein Informationsverarbeitungssystem enthält eine Inhaltebereitstellungsvorrichtung (20), welche Inhalt bereitstellt, der geeignet für einen Benutzer ist. Die Inhaltebereitstellungsvorrichtung (20) enthält: eine Modellspeichereinheit (40), welche eine Mehrzahl unterschiedlicher Modelle abhängig von dem Benutzerattribut enthält; eine Modellbestimmungseinheit (34) zum Auswählen eines Modells entsprechend dem Benutzerattribut aus den Modellen, die in der Modellspeichereinheit (40) gespeichert sind; eine Bayes'sche Schließeinheit (30) zum Auslesen des Modells, das durch die Modellbestimmungseinheit (34) bestimmt wurde, aus der Modellspeichereinheit (40) und Verwenden des ausgelesenen Modells, um den Inhalt zu halten, der geeignet für den Benutzer ist, durch probabilistisches Schließen; und eine Empfehlungseinheit (22) zum Empfehlen des Inhalts, der durch die Bayes'sche Schließeinheit (30) erhalten wurde, an den Benutzer. Die Inhaltebereitstellungsvorrichtung (20) enthält ferner eine Bayes'sche Lerneinheit (32) zum Lernen von Modellen durch verwenden einer Benutzerantwort auf den Inhalt, welche von einer Operationseinheit (24) empfangen wird. Daher ist es möglich, akkurat eine geeignete Empfehlung zu erhalten und zu geben.


Anspruch[de]
Fahrzeugsinformationsverarbeitungssystem zur Verwendung eines Bayes'schen Netzwerkmodells, um eine probabilistisch geeignete Empfehlung einem Empfänger zu geben, der die Empfehlung empfängt, wobei der Empfänger ein Insasse ist, aufweisend:

eine Modellspeichereinheit, welche eine Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle abhängig von der Empfehlungsbedingung enthält, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfängers ist, der eine Empfehlung empfängt;

eine Modellbestimmungseinheit zum Bestimmen eines Modells, welches der Empfehlungsbedingung entspricht, als ein Anwendungsmodell aus den Modellen, die in der Modellspeichereinheit gespeichert sind;

eine Schließeinheit zum Auslesen des Anwendungsmodells, dass durch die Modellbestimmungseinheit bestimmt ist, aus der Modellspeichereinheit und zum Erhalten einer Empfehlung durch probabilistisches Schließen, welches das ausgelesene Anwendungsmodell verwendet; und

eine Empfehlungseinheit zum Geben der Empfehlung, die durch die Schließeinheit erhalten wurden, an den Empfänger.
Fahrzeugsinformationsverarbeitungssystem nach Anspruch 1, worin die Modellspeichereinheit eine Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle abhängig von dem Attribut des Empfängers enthält, und die Modellbestimmungseinheit ein Modell entsprechend dem Attribut des Empfängers als das Anwendungsmodell bestimmt. Fahrzeugsinformationsverarbeitungssystem nach Anspruch 1, worin

die Modellspeichereinheit eine Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle abhängig von der Situation enthält, in welcher die Empfehlung gegeben wird, und

die Modellbestimmungseinheit ein Modell entsprechend der Situation bestimmt, in welcher die Empfehlung gegeben wird, als das Anwendungsmodell.
Fahrzeugsinformationsverarbeitungssystem nach Anspruch 1, ferner aufweisend:

eine Auswahlmodelspeichereinheit, welche ein Auswahlmodell enthält, dass zum probabilistischen Schließen angewandt wird, um das Anwendungsmodell zu bestimmen aus den Modellen, basierend auf dem Attribut des Empfängers und der Situation, in welcher die Empfehlung gegeben wird, worin

die Modellbestimmungseinheit das Anwendungsmodell durch das probabilistische Schließen bestimmt, welches das Auswahlmodell verwendet, das aus der Auswahlmodellspeichereinheit ausgelesen ist, basierend auf dem Attribut des Empfängers und der Situation, in welcher die Empfehlung gegeben wird.
Fahrzeugsinformationsverarbeitungssystem nach Anspruch 1, ferner aufweisend:

eine Antwortempfangseinheit zum Empfangen einer Antwort, die durch den Empfänger gegeben wird, wenn die Empfehlungseinheit die Empfehlung gibt, die durch die Schließeinheit von dem Anwendungsmodell erhalten wird; und

eine Modelllerneinheit zum Lernen von Modellen, die in der Modellspeichereinheit gespeichert sind, unter Verwendung der Antwort, die durch die Antwortempfangseinheit empfangen wurde, und zum Aktualisieren der Modelle auf Modelle, die für jede Empfehlungsbedingung spezialisiert sind.
Fahrzeugsinformationsverarbeitungssystem nach Anspruch 5, ferner aufweisend:

eine Lernmodellinformationsspeichereinheit, welche die Lernmodelle in Verknüpfung mit dem Anwendungsmodell enthält, angewandt auf das probabilistische Schließen der Schließeinheit, worin die Lernmodelle aufweisen, unter den Modellen die in der Modellspeichereinheit gespeichert sind, ein Modell, das identisch mit dem Anwendungsmodell ist und ein unterschiedliches Modell, das durch das Ergebnis des Schließens beeinflusst wird, welches das Anwendungsmodell verwendet, und

die Modelllerneinheit Modelle lernt unter Verwendung der Antwort, die Empfangen wird durch die Antwortempfangseinheit, worin die Modelle dem Anwendungsmodell zugeordnet sind als die Lernmodelle in der Lernmodellinformationsspeichereinheit.
Fahrzeugsinformationsverarbeitungssystem nach Anspruch 6, worin die Lernmodellspeichereinheit Reflexionsparameter enthält, welche den Grad anzeigen, zu welchem die Antwort im Lernen der Lernmodelle reflektiert wird,

worin jeder Reflexionsparameter für jeden einer Mehrzahl von Lernmodelle entsprechend einem Anwendungsmodell gesetzt ist, und

die Modelllerneinheit führt Lernverarbeitung durch, so dass ein Reflexionsparameter, der mit einem Lernmodell, das zu lernen ist, verknüpft ist, aus der Lernmodellspeichereinheit ausgelesen wird und die Antwort wird in dem Lernmodell zu dem Grad gemäß dem ausgelesenen Reflexionsparameter reflektiert.
Fahrzeugsinformationsverarbeitungssystem nach Anspruch 5, ferner aufweisend:

eine Lerndatenerhalteeinheit zum Erhalten von Lerndaten, die verwendet werden im Lernen, durch welches die Modelle, die spezialisiert für jede Empfehlungsbedingung sind, durch das Lernen durch die Modelllerneinheit näher einem allgemeinen Modell gebracht werden, worin

die Modelllerneinheit die Lerndaten verwendet, die durch die Lerndatenerhalteeinheit erhalten wurden, um die Modelle zu lernen, die in der Modellspeichereinheit gespeichert sind.
Fahrzeugsinformationsverarbeitungssystem nach Anspruch 8, ferner aufweisend:

eine Lernreflexionsparameterspeichereinheit, welche Lernreflexionsparameter enthält, welche den Grad anzeigen, zu welchem die Lerndaten im Lernen der Modelle reflektiert werden, worin

die Modelllerneinheit Lernverarbeitung ausführt, sodass die Lerndaten im Lernen der Modelle zu dem Grad gemäß dem Lernreflexionsparameter, der aus der Lernreflexionsparameterspeichereinheit ausgelesen wurde, reflektiert wird.
Fahrzeugsinformationsverarbeitungssystem nach Anspruch 1, aufweisend:

Informationsempfehlungsvorrichtungen, welche jede die Empfehlungseinheit haben;

und eine Zentralvorrichtung, welche kommunikativ mit den Informationsempfehlungsvorrichtungen verbunden ist,

worin die Zentralvorrichtung von jeder Informationsempfehlungsvorrichtung die Antwort sammelt, die von dem Empfänger empfangen wurde, wenn die Empfehlung gegeben wird.
Fahrzeugsinformationsverarbeitungssystem zur Verwendung eines Schließalgorythmuses, um eine Empfehlung zu schließen, die geeignet für einen Empfänger ist, welcher die Empfehlung empfängt, wobei der Empfänger ein Insasse ist, und zum Geben der Empfehlung, die durch das Schließen erhalten wurde, ferner aufweisend:

eine Ressourcenspeichereinheit, welche eine Mehrzahl unterschiedlicher Ressourcen zum Berechnen abhängig von der Empfehlungsbedingung enthält, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfängers ist, der eine Empfehlung empfängt;

eine Ressourcenbestimmungseinheit zum Bestimmen einer Ressource zum Berechnen entsprechend der Empfehlungsbedingung aus den Ressourcen zum Berechnen, die in der Ressourcenspeichereinheit gespeichert sind;

eine Schließeinheit zum Auslesen der Ressource zum Berechnen, die durch die Ressourcenbestimmungseinheit bestimmt wurde, aus der Ressourcenspeichereinheit und zum Erhalten einer Empfehlung durch Schließen, welches die ausgelesene Ressource zum Berechnen verwendet; und

eine Empfehlungseinheit zum Geben der Empfehlung, die durch die Schließeinheit erhalten wurde, an den Empfänger.
Fahrzeugsinformationsempfehlungsvorrichtung zum Verwenden eines Bayes'schen Netzwerkmodells, um eine probabilistisch geeignete Empfehlung einem Empfänger zu geben, der die Empfehlung empfängt, wobei der Empfänger ein Insasse ist, aufweisend:

eine Modellspeichereinheit, welche eine Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle abhängig von der Empfehlungsbedingung enthält, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfängers ist, der eine Empfehlung empfängt;

eine Modellbestimmungseinheit zum Bestimmen eines Modells entsprechend der Empfehlungsbedingung als ein Anwendungsmodell aus den Modellen, die in der Modellspeichereinheit gespeichert sind;

eine Schließeinheit zum Auslesen eines Anwendungsmodells, das durch die Modellbestimmungseinheit bestimmt ist, aus der Modellspeichereinheit und zum Erhalten einer Empfehlung durch probabilistisches Schließen, welches das ausgelesene Anwendungsmodell verwendet; und

eine Empfehlungseinheit zum Geben der Empfehlung, die durch die Schließeinheit erhalten wurde, an den Empfänger.
Fahrzeugsinformationsempfehlungsvorrichtung nach Anspruch 12, worin die Vorrichtung in einem Automobil bereitgestellt ist. Fahrzeugsinformationsverarbeitungsverfahren zum Verwenden eines Bayes'schen Netzwerkmodells, um eine probabilistisch geeignete Empfehlung einem Empfänger zu geben, der die Empfehlung empfängt, wobei der Empfänger ein Insasse ist, aufweisend: einen Modelbestimmungsschritt des bestimmens eines Modells entprechend der Empfehlungsbedingung als ein Anwendungsmodell aus einer Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle abhängig von der Empfehlungsbedingung, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfängers ist, der eine Empfehlung empfängt;

einen Schließschritt zum Erhalten einer Empfehlung durch probabilistisches Schließen, welches das Anwendungsmodell verwendet, dass in dem Modellbestimmungsschritt bestimmt wurde; und

einen Empfehlungsschritt zum Geben der Empfehlung, die in dem Schließschritt erhalten wurde, an den Empfänger.
Programm zum Verwenden eines Bayes'schen Netzwerkmodells, um eine probabilistisch geeignete Empfehlung einem Empfänger zu geben, der die Empfehlung empfängt, wobei der Empfänger ein Insasse ist, welches Programm einen Computer verursacht, auszuführen:

einen Modellbestimmungsschritt zum Bestimmen eines Modells entsprechend der Empfehlungsbedingung als ein Anwendungsmodell aus einer Mehrzahl unterschiedlicher Bayes'scher Netzwerkmodelle abhängig von der Empfehlungsbedingung, worin die Empfehlungsbedingung eine Bedingung auf Seiten des Empfängers ist, der eine Empfehlung empfängt;

einen Schließschritt zum Erhalten einer Empfehlung durch probabilistisches Schließen, welches das Anwendungsmodell verwendet, das in dem Modellbestimmungsschritt bestimmt wurde; und

einen Empfehlungsschritt des Gebens der Empfehlung, die in dem Schließschritt erhalten wurde, an den Empfänger.






IPC
A Täglicher Lebensbedarf
B Arbeitsverfahren; Transportieren
C Chemie; Hüttenwesen
D Textilien; Papier
E Bauwesen; Erdbohren; Bergbau
F Maschinenbau; Beleuchtung; Heizung; Waffen; Sprengen
G Physik
H Elektrotechnik

Anmelder
Datum

Patentrecherche

Patent Zeichnungen (PDF)

Copyright © 2008 Patent-De Alle Rechte vorbehalten. eMail: info@patent-de.com