図面 (/)

技術 視聴素材評価方法、視聴素材評価システム、及びプログラム

出願人 国立研究開発法人情報通信研究機構株式会社エヌ・ティ・ティ・データ株式会社エヌ・ティ・ティ・データ経営研究所
発明者 西本伸志西田知史柏岡秀紀矢野亮前田直哉角将高萩原一平茨木拓也
出願日 2016年1月18日 (4年10ヶ月経過) 出願番号 2016-007307
公開日 2017年7月27日 (3年3ヶ月経過) 公開番号 2017-129923
状態 特許登録済
技術分野 検索装置
主要キーワード 行列空間 統計的距離 サンプリング番号 係数パラメータ 説明文章 コマーシャルフィルム CM画像 意味的距離
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2017年7月27日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (12)

課題

客観的、且つ、定量的に視聴素材を評価する。

解決手段

視聴素材評価方法は、脳活動計測部が、視聴素材を視聴した被験者の脳活動を計測する脳活動計測ステップS102と、第1行列生成部が、脳活動計測ステップS102によって計測された計測結果に基づいて、被験者の知覚意味内容推定した第1行列を生成する第1行列生成ステップS103と、第2行列生成部が、視聴素材の企画意図を示す文章情報自然言語処理を行い、第2行列を生成する第2行列生成ステップS104と、類似度算出部が、第1行列と、第2行列との類似度を算出する類似度算出ステップS105とを含む。

概要

背景

従来、コマーシャル(以下、CMという)などの視聴素材を評価する場合には、例えば、アンケートなどによる評価など、主観的、且つ、定性的な評価が行われていた。また、一方で、動画視聴時などの自然知覚下における被験者脳活動計測し、計測した情報を解析することで、被験者が知覚している知覚の意味内容推定する技術が知られている(例えば、特許文献1)。この特許文献1に記載の技術では、名詞動詞形容詞それぞれの品詞から確率が高い単語を推定し、客観的指標を得ることができる。

概要

客観的、且つ、定量的に視聴素材を評価する。視聴素材評価方法は、脳活動計測部が、視聴素材を視聴した被験者の脳活動を計測する脳活動計測ステップS102と、第1行列生成部が、脳活動計測ステップS102によって計測された計測結果に基づいて、被験者の知覚の意味内容を推定した第1行列を生成する第1行列生成ステップS103と、第2行列生成部が、視聴素材の企画意を示す文章情報自然言語処理を行い、第2行列を生成する第2行列生成ステップS104と、類似度算出部が、第1行列と、第2行列との類似度を算出する類似度算出ステップS105とを含む。

目的

本発明は、上記問題を解決すべくなされたもので、その目的は、客観的、且つ、定量的に視聴素材を評価することができる視聴素材評価方法、視聴素材評価システム、及びプログラムを提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

脳活動計測部が、視聴素材を視聴した被験者の脳活動を計測する脳活動計測ステップと、第1行列生成部が、前記脳活動計測ステップによって計測された計測結果に基づいて、前記被験者の知覚意味内容推定した第1行列を生成する第1行列生成ステップと、第2行列生成部が、前記視聴素材の企画意図を示す文章情報自然言語処理を行い、第2行列を生成する第2行列生成ステップと、類似度算出部が、前記第1行列と、前記第2行列との類似度を算出する類似度算出ステップとを含むことを特徴とする視聴素材評価方法

請求項2

前記第2行列生成ステップにおいて、前記第2行列生成部が、前記文章情報を分割した単語のそれぞれを、所定数次元意味空間における位置を示す行列に変換し、当該行列の重心を示す前記第2行列を生成することを特徴とする請求項1に記載の視聴素材評価方法。

請求項3

前記文章情報には、前記視聴素材の絵コンテに含まれるカットごとの企画意図を示すカット文章情報が含まれ、前記第1行列生成ステップにおいて、前記第1行列生成部が、前記カットごとに前記第1行列を生成し、前記第2行列生成ステップにおいて、前記第2行列生成部が、前記カット文章情報に対応する前記第2行列を生成し、前記類似度算出ステップにおいて、前記類似度算出部が、前記カットごとに前記類似度を算出することを特徴とする請求項1又は請求項2に記載の視聴素材評価方法。

請求項4

前記文章情報には、前記視聴素材に含まれるシーンごとの企画意図を示すシーン文章情報が含まれ、前記第1行列生成ステップにおいて、前記第1行列生成部が、前記シーンごとに前記第1行列を生成し、前記第2行列生成ステップにおいて、前記第2行列生成部が、前記シーン文章情報に対応する前記第2行列を生成し、前記類似度算出ステップにおいて、前記類似度算出部が、前記シーンごとに前記類似度を算出することを特徴とする請求項1から請求項3のいずれか一項に記載の視聴素材評価方法。

請求項5

前記脳活動計測ステップにおいて、前記脳活動計測部が、所定の時間間隔ごとに、前記被験者の脳活動を計測し、前記第1行列生成ステップにおいて、前記第1行列生成部が、前記所定の時間間隔ごとに前記第1行列を生成し、前記類似度算出ステップにおいて、前記類似度算出部が、前記文章情報に対応する期間における前記第1行列の平均を示す平均第1行列と、前記第2行列との類似度を算出することを特徴とする請求項1から請求項4のいずれか一項に記載の視聴素材評価方法。

請求項6

前記文章情報には、前記視聴素材の全体の企画意図を示す全体意図文章情報が含まれ、前記脳活動計測ステップにおいて、前記脳活動計測部が、所定の時間間隔ごとに、前記被験者の脳活動を計測し、前記第1行列生成ステップにおいて、前記第1行列生成部が、前記所定の時間間隔ごとに前記第1行列を生成し、前記第2行列生成ステップにおいて、前記第2行列生成部が、前記全体意図文章情報に対応する前記第2行列を生成し、前記類似度算出ステップにおいて、前記類似度算出部が、前記所定の時間間隔ごとに生成された前記第1行列と、前記全体意図文章情報に対応する前記第2行列との類似度を算出することを特徴とする請求項1から請求項4のいずれか一項に記載の視聴素材評価方法。

請求項7

前記脳活動計測部が、訓練動画を視聴した前記被験者の脳活動を所定の時間間隔で計測する訓練計測ステップと、モデル生成部が、前記訓練計測ステップによって計測された複数の計測結果と、前記訓練動画の各シーンを説明する説明文章に自然言語処理を行って生成した複数の第3行列とに基づいて、前記計測結果から前記第1行列を推定する推定モデルを生成するモデル生成ステップとを含み、前記第1行列生成ステップにおいて、前記第1行列生成部が、前記脳活動計測ステップによって計測された計測結果と、前記推定モデルとに基づいて、前記第1行列を生成することを特徴とする請求項1から請求項6のいずれか一項に記載の視聴素材評価方法。

請求項8

視聴素材を視聴した被験者の脳活動を計測する脳活動計測部と、前記脳活動計測部によって計測された計測結果に基づいて、前記被験者の知覚の意味内容を推定した第1行列を生成する第1行列生成部と、前記視聴素材の企画意図を示す文章情報に自然言語処理を行い、第2行列を生成する第2行列生成部と、前記第1行列と、前記第2行列との類似度を算出する類似度算出部とを備えることを特徴とする視聴素材評価システム

請求項9

コンピュータに、視聴素材を視聴した被験者の脳活動を計測する脳活動計測部によって計測された計測結果に基づいて、前記被験者の知覚の意味内容を推定した第1行列を生成する第1行列生成ステップと、前記視聴素材の企画意図を示す文章情報に自然言語処理を行い、第2行列を生成する第2行列生成ステップと、前記第1行列と、前記第2行列との類似度を算出する類似度算出ステップとを実行させるためのプログラム

技術分野

0001

本発明は、視聴素材評価方法、視聴素材評価システム、及びプログラムに関する。

背景技術

0002

従来、コマーシャル(以下、CMという)などの視聴素材を評価する場合には、例えば、アンケートなどによる評価など、主観的、且つ、定性的な評価が行われていた。また、一方で、動画視聴時などの自然知覚下における被験者脳活動計測し、計測した情報を解析することで、被験者が知覚している知覚の意味内容推定する技術が知られている(例えば、特許文献1)。この特許文献1に記載の技術では、名詞動詞形容詞それぞれの品詞から確率が高い単語を推定し、客観的指標を得ることができる。

先行技術

0003

特願2015−077694号

発明が解決しようとする課題

0004

しかしながら、特許文献1に記載の技術を用いてCMを評価する場合、例えば、「高級」という推定結果が出力された場合に、CM制作者の意図に対してどのような評価であるかを判定することは困難である。このように、従来の視聴素材評価方法では、客観的、且つ、定量的に視聴素材を評価することが困難であった。

0005

本発明は、上記問題を解決すべくなされたもので、その目的は、客観的、且つ、定量的に視聴素材を評価することができる視聴素材評価方法、視聴素材評価システム、及びプログラムを提供することにある。

課題を解決するための手段

0006

上記問題を解決するために、本発明の一態様は、脳活動計測部が、視聴素材を視聴した被験者の脳活動を計測する脳活動計測ステップと、第1行列生成部が、前記脳活動計測ステップによって計測された計測結果に基づいて、前記被験者の知覚の意味内容を推定した第1行列を生成する第1行列生成ステップと、第2行列生成部が、前記視聴素材の企画意図を示す文章情報自然言語処理を行い、第2行列を生成する第2行列生成ステップと、類似度算出部が、前記第1行列と、前記第2行列との類似度を算出する類似度算出ステップとを含むことを特徴とする視聴素材評価方法である。

0007

また、本発明の一態様は、上記の視聴素材評価方法において、前記第2行列生成ステップにおいて、前記第2行列生成部が、前記文章情報を分割した単語のそれぞれを、所定数次元意味空間における位置を示す行列に変換し、当該行列の重心を示す前記第2行列を生成することを特徴とする。

0008

また、本発明の一態様は、上記の視聴素材評価方法において、前記文章情報には、前記視聴素材の絵コンテに含まれるカットごとの企画意図を示すカット文章情報が含まれ、前記第1行列生成ステップにおいて、前記第1行列生成部が、前記カットごとに前記第1行列を生成し、前記第2行列生成ステップにおいて、前記第2行列生成部が、前記カット文章情報に対応する前記第2行列を生成し、前記類似度算出ステップにおいて、前記類似度算出部が、前記カットごとに前記類似度を算出することを特徴とする。

0009

また、本発明の一態様は、上記の視聴素材評価方法において、前記文章情報には、前記視聴素材に含まれるシーンごとの企画意図を示すシーン文章情報が含まれ、前記第1行列生成ステップにおいて、前記第1行列生成部が、前記シーンごとに前記第1行列を生成し、前記第2行列生成ステップにおいて、前記第2行列生成部が、前記シーン文章情報に対応する前記第2行列を生成し、前記類似度算出ステップにおいて、前記類似度算出部が、前記シーンごとに前記類似度を算出することを特徴とする。

0010

また、本発明の一態様は、上記の視聴素材評価方法において、前記脳活動計測ステップにおいて、前記脳活動計測部が、所定の時間間隔ごとに、前記被験者の脳活動を計測し、前記第1行列生成ステップにおいて、前記第1行列生成部が、前記所定の時間間隔ごとに前記第1行列を生成し、前記類似度算出ステップにおいて、前記類似度算出部が、前記文章情報に対応する期間における前記第1行列の平均を示す平均第1行列と、前記第2行列との類似度を算出することを特徴とする。

0011

また、本発明の一態様は、上記の視聴素材評価方法において、前記文章情報には、前記視聴素材の全体の企画意図を示す全体意図文章情報が含まれ、前記脳活動計測ステップにおいて、前記脳活動計測部が、所定の時間間隔ごとに、前記被験者の脳活動を計測し、前記第1行列生成ステップにおいて、前記第1行列生成部が、前記所定の時間間隔ごとに前記第1行列を生成し、前記第2行列生成ステップにおいて、前記第2行列生成部が、前記全体意図文章情報に対応する前記第2行列を生成し、前記類似度算出ステップにおいて、前記類似度算出部が、前記所定の時間間隔ごとに生成された前記第1行列と、前記全体意図文章情報に対応する前記第2行列との類似度を算出することを特徴とする。

0012

また、本発明の一態様は、上記の視聴素材評価方法において、前記脳活動計測部が、訓練動画を視聴した前記被験者の脳活動を所定の時間間隔で計測する訓練計測ステップと、モデル生成部が、前記訓練計測ステップによって計測された複数の計測結果と、前記訓練動画の各シーンを説明する説明文章に自然言語処理を行って生成した複数の第3行列とに基づいて、前記計測結果から前記第1行列を推定する推定モデルを生成するモデル生成ステップとを含み、前記第1行列生成ステップにおいて、前記第1行列生成部が、前記脳活動計測ステップによって計測された計測結果と、前記推定モデルとに基づいて、前記第1行列を生成することを特徴とする。

0013

また、本発明の一態様は、視聴素材を視聴した被験者の脳活動を計測する脳活動計測部と、前記脳活動計測部によって計測された計測結果に基づいて、前記被験者の知覚の意味内容を推定した第1行列を生成する第1行列生成部と、前記視聴素材の企画意図を示す文章情報に自然言語処理を行い、第2行列を生成する第2行列生成部と、前記第1行列と、前記第2行列との類似度を算出する類似度算出部とを備えることを特徴とする視聴素材評価システムである。

0014

また、本発明の一態様は、コンピュータに、視聴素材を視聴した被験者の脳活動を計測する脳活動計測部によって計測された計測結果に基づいて、前記被験者の知覚の意味内容を推定した第1行列を生成する第1行列生成ステップと、前記視聴素材の企画意図を示す文章情報に自然言語処理を行い、第2行列を生成する第2行列生成ステップと、前記第1行列と、前記第2行列との類似度を算出する類似度算出ステップとを実行させるためのプログラムである。

発明の効果

0015

本発明によれば、客観的、且つ、定量的に視聴素材を評価することができる。

図面の簡単な説明

0016

第1の実施形態による広告評価システムの一例を示すブロック図である。
第1の実施形態におけるアノテーションベクタの生成例を説明する図である。
第1の実施形態における意味空間の概念を説明する図である。
第1の実施形態における推定モデルの生成処理の一例を説明する図である。
第1の実施形態におけるCM動画の評価処理の一例を説明する図である。
第1の実施形態における広告評価システムの動作の一例を示すフローチャートである。
第1の実施形態における推定モデルの生成処理の一例を示すフローチャートである。
第1の実施形態による広告評価システムの評価結果の一例を示す図である。
第2の実施形態におけるCM動画の評価処理の一例を説明する図である。
第2の実施形態における広告評価システムの動作の一例を示すフローチャートである。
第3の実施形態における広告評価システムの動作の一例を示すフローチャートである。

実施例

0017

以下、本発明の一実施形態による視聴素材評価システム、及び視聴素材評価方法について、図面を参照して説明する。
[第1の実施形態]
図1は、第1の実施形態による広告評価システム1の一例を示すブロック図である。
図1に示すように、広告評価システム1は、データ処理装置10と、画像再生端末20と、fMRI(functional Magnetic Resonance Imaging)30とを備えている。

0018

本実施形態による広告評価システム1は、CM動画(コマーシャル動画コマーシャルフィルム(CF))を被験者S1に視聴させて、CM企画書の意図(制作者の意図)をどの程度反映しているかを、客観的、且つ、定量的に評価する。なお、本実施形態において、CM動画(広告動画)は、視聴素材の一例であり、視聴素材評価システムの一例として、広告評価システム1について説明する。

0019

画像再生端末20は、例えば、液晶ディスプレイなどを備える端末装置であり、例えば、トレーニング用の動画(トレーニング動画)や評価するCM動画などを表示し、被験者S1に視聴させる。ここで、トレーニング動画は、多種多様な画像を含む動画である。

0020

fMRI30(脳活動計測部の一例)は、画像再生端末20が表示した画像(例えば、CM動画など)を視聴した被験者S1の脳活動を計測する。fMRI30は、被験者S1の脳活動に関連した血流動態反応を視覚化するfMRI信号脳活動信号)を出力する。fMRI30は、所定の時間間隔(例えば、2秒間隔)で、被験者S1の脳活動を計測し、計測した計測結果をfMRI信号としてデータ処理装置10に出力する。

0021

データ処理装置10は、fMRI30によって計測された被験者S1の脳活動の計測結果に基づいて、CM動画を評価するコンピュータ装置である。また、データ処理装置10は、CM動画を評価するために利用する後述する推定モデルを生成する。データ処理装置10は、表示部11と、記憶部12と、制御部13とを備えている。
表示部11(出力部の一例)は、例えば、液晶ディスプレイなどの表示装置であり、データ処理装置10が実行する各種処理に関する情報を表示する。表示部11は、例えば、CM動画の評価結果を表示する。

0022

記憶部12は、データ処理装置10が実行する各種処理に利用される各種情報を記憶する。記憶部12は、計測結果記憶部121と、推定モデル記憶部122と、行列記憶部123と、相関係数記憶部124とを備えている。
計測結果記憶部121は、fMRI30によって計測された計測結果を記憶する。計測結果記憶部121は、例えば、時刻情報(又はサンプリング番号)と、fMRI30による計測結果とを対応付けて記憶する。

0023

推定モデル記憶部122は、後述するモデル生成部131が生成する推定モデルを記憶する。ここで、推定モデルは、fMRI30によって計測された計測結果から、被験者S1の知覚の意味内容を推定した推定行列A(第1行列)を推定するモデルである。推定行列Aの詳細については後述する。
行列記憶部123は、CM動画の評価に用いる各種行列情報を記憶する。行列記憶部123は、例えば、CMの企画意図を示す文章情報から生成された目標概念ベクタB(行列B(第2行列))や、推定行列Aなどを記憶する。ここで、目標概念ベクタとは、目的の概念、ずなわち、企画意図を示すベクタである。

0024

相関係数記憶部124(類似度記憶部の一例)は、CM動画の評価結果に相当する相関係数(r)を記憶する。すなわち、相関係数記憶部124は、後述する相関算出部134が、推定行列Aと目標概念ベクタB(行列B)に基づいて算出した相関係数(r)を記憶する。相関係数記憶部124は、例えば、時刻情報(又はサンプリング番号)と、相関係数(r)とを対応付けて記憶する。
なお、類似度は、例えばピアソン相関ユークリッド距離を用いて算出される。

0025

制御部13は、例えば、CPU(Central Processing Unit)などを含むプロセッサであり、データ処理装置10を統括的に制御する。制御部13は、データ処理装置10が実行する各種処理を実行する。例えば、制御部13は、トレーニング動画(訓練動画)を被験者S1に視聴させてfMRI30によって計測された計測結果と、当該トレーニング動画に対し、事前にアノテーションを付したデータに基づき生成されるベクトルデータであるアノテーションベクタとに基づいて、推定モデルを生成する。また、制御部13は、評価対象であるCM動画を被験者S1に視聴させてfMRI30によって計測された計測結果と、当該CM企画書の企画意図を示す文章情報とに基づいて、CM動画を評価するための意味空間内での座標変換(行列B)と行列Aとの相関係数(r)を生成する。
また、制御部13は、モデル生成部131と、推定行列生成部132と、意図行列生成部133と、相関算出部134と、表示制御部135とを備えている。

0026

モデル生成部131は、トレーニング動画を被験者S1に視聴させて、fMRI30によって所定の時間間隔で計測された複数の計測結果と、トレーニング動画の各シーンを説明する説明文章に自然言語処理を行って生成した複数のアノテーションベクタ(第3行列)とに基づいて、推定モデルを生成する。モデル生成部131は、トレーニング動画の各シーンの静止画像または動画から、図2に示すように、アノテーションベクタ(行列)を生成する。

0027

図2は、本実施形態におけるアノテーションベクタの生成例を説明する図である。
図2(a)の画像から、例えば、図2(b)に示すような当該画像の印象を示す言語記述(アノテーション)が生成される。なお、言語記述(アノテーション)の文章は、例えば、シーン概要の説明や感想などの文章であり、アノテーションを記述する個人による表現偏りを排除するため、複数人がそれぞれ記述したものを用いる。モデル生成部131は、この言語記述(アノテーション)の文章に、例えば、形態素解析を行い、図2(c)に示すような、分かち書きのデータを生成し、単語に分解したうえで、アノテーションベクタ空間におけるこれら単語の座標値加算平均する。あるいは単語の集合体、すなわち文章全体として座標値を算出してもよい。次に、モデル生成部131は、当該分かち書きのデータに対して、コーパス40を利用して自然言語処理を行い、Skip−gram等のアノテーションベクタ空間(図2(d))を生成する。

0028

ここで、コーパス40は、例えば、Wikipedia(登録商標)や新聞記事等の大量の文章データデータベースである。モデル生成部131は、このような大量の文章データを、コーパス40を用いて、当該分かち書きのデータに対して自然言語処理を行い、単語ベクトル空間を生成する。ここで、単語ベクトル空間は、コーパス内での単語間出現確率等に基づき、名詞・形容詞・動詞などの単語一つ一つに同一空間内における座標、すなわちベクトルを与えるものである。これにより、物体名称を表す名詞や印象を示す形容詞などの単語を、単語間の関係を行列で表現したベクトル空間(中間表象空間)上の座標値に変換することができ、特定の単語間の関係を座標間の距離として特定することができる。ここで、ベクトル空間(中間表象空間)は、例えば、図3に示すような、所定数の次元(N次元)の行列空間であり、各単語は、当該行列空間の対応する座標に割り付けられる(表象される)。

0029

モデル生成部131は、画像の印象を示す言語記述(アノテーション)に含まれる各単語を、当該意味空間の位置を示すアノテーションベクタに変換する。当該変換処理は複数人が記述したアノテーションのそれぞれを対象として行われる。その後、当該変換処理を行った複数のアノテーションベクタの重心(平均)を示すベクタを、画像の印象を示すアノテーションベクタとして生成する。すなわち、モデル生成部131は、トレーニング動画の、例えば、2秒間隔のシーンごとに、アノテーションベクタ(第3行列)を生成し、行列記憶部123に記憶させる。モデル生成部131は、例えば、時刻情報(又はサンプリング番号)と、トレーニング動画の各シーンのアノテーションベクタ(第3行列)とを対応付けて、行列記憶部123に記憶させる。

0030

また、モデル生成部131は、画像再生端末20が表示したトレーニング動画を、被験者S1が視聴した際に、fMRI30によって計測された、例えば、2秒ごとの脳活動の計測結果を取得し、計測結果記憶部121に記憶させる。モデル生成部131は、例えば、時刻情報(又はサンプリング番号)と、トレーニング動画に基づいてfMRI30によって計測された脳活動の計測結果とを対応付けて、計測結果記憶部121に記憶させる。
また、モデル生成部131は、トレーニング動画に基づいてfMRI30によって計測された計測結果と、トレーニング動画の各シーンのアノテーションベクタ(第3行列)とに基づいて、推定モデルを生成する。ここで、推定モデルは、脳活動の計測結果から被験者S1の知覚の意味内容である推定行列Aを推定する。

0031

図4は、本実施形態における推定モデルの生成処理の一例を説明する図である。
図4に示すように、モデル生成部131は、トレーニング動画に対するfMRI30の計測結果(Xt1、Xt2、・・・、Xtn)を計測結果記憶部121から取得する。また、モデル生成部131は、トレーニング動画の各シーンのアノテーションベクタ(St1、St2、・・・、Stn)を行列記憶部123から取得する。ここで、計測結果(Xt1、Xt2、・・・、Xtn)を行列R、アノテーションベクタ(St1、St2、・・・、Stn)を行列Sとすると、一般的な統計モデルは、下記の式(1)により表される。

0032

S=f(R,θ) ・・・ (1)

0033

ここで、f()は関数を示し、変数θは、パラメータを示す。
また、上記の式(1)を、例えば、線形モデルにすると、下記の式(2)により、表される。

0034

S=R×W ・・・ (2)

0035

ここで、行列Wは、線形モデルにおける係数パラメータを示す。
モデル生成部131は、上述した計測結果(行列R)を説明変数とし、アノテーションベクタ(行列S)を目的変数として、上記の式(2)に基づいて、推定モデルを生成する。なお、推定モデルを生成するための統計モデルは、線形モデル(例えば、線形回帰モデルなど)であってもよいし、非線形モデル(例えば、非線形回帰モデルなど)であってもよい。

0036

例えば、2時間のトレーニング動画に対して、fMRI30が2秒間隔で60000ポイントの脳活動の計測をおこなった場合、行列Rは、3600行×60000桁の行列となる。また、意味空間を、例えば、1000次元の空間とすると、行列Sは、3600行×1000桁の行列となり、行列Wは、60000行×1000桁の行列となる。モデル生成部131は、このような、行列R及び行列Sと、上記の式(2)に基づいて、行列Wに相当する推定モデルを生成する。この推定モデルを利用することにより、fMRI30の60000ポイントの計測結果から、1000次元のアノテーションベクタを推定可能になる。モデル生成部131は、生成した推定モデルを推定モデル記憶部122に記憶させる。
なお、推定モデルは、被験者S1ごとに生成することが望ましく、モデル生成部131は、生成した推定モデルと、被験者S1を識別する識別情報とを対応付けて推定モデル記憶部122に記憶させるようにしてもよい。

0037

推定行列生成部132(第1行列生成部の一例)は、fMRI30によって計測された計測結果に基づいて、被験者S1の知覚の意味内容を推定した推定行列A(第1行列)を生成する。推定行列生成部132は、例えば、推定モデル記憶部122が記憶する推定モデルを利用して、fMRI30によって計測された計測結果に基づいて、当該計測結果を図3に示す意味空間に割り当てた推定行列Aを生成する。推定行列生成部132は、生成した推定行列Aを行列記憶部123に記憶させる。
なお、後述する図5に示すように、fMRI30が、所定の時間間隔(時刻t1、時刻t2、・・・、時刻tn)で計測結果(Xt1、Xt2、・・・、Xtn)を出力した場合に、推定行列生成部132は、推定行列A(At1、At2、・・・、Atn)を生成する。この場合、推定行列生成部132は、時刻情報(時刻t1、時刻t2、・・・、時刻tn)と、推定行列A(At1、At2、・・・、Atn)とを対応付けて行列記憶部123に記憶させる。

0038

意図行列生成部133(第2行列生成部の一例)は、CM動画の企画意図を示す文章情報に自然言語処理を行い、企画全体の目標概念ベクタB(行列B(第2行列))を生成する。例えば、CM動画の企画書などの全体の企画意図を示す文章情報から、図2に示した手法と同様に、目標概念ベクタB(行列B)を生成する。すなわち、意図行列生成部133は、文章情報を形態素解析して、分かち書きデータに変換し、当該分かち書きデータに含まれる単語に対して、コーパス40を用いて自然言語処理を行い、単語単位の目標概念ベクタを生成する。

0039

そして、意図行列生成部133は、生成した単語単位の目標概念ベクタに基づいて、重心を算出した企画全体の目標概念ベクタB(行列B)を生成する。すなわち、意図行列生成部133は、文章情報を分割した単語のそれぞれを、所定数の次元(例えば、1000次元)の意味空間における位置を示す行列(目標概念ベクタ)に変換し、当該行列の重心を示す行列Bを生成する。意図行列生成部133は、生成した目標概念ベクタB(行列B)を行列記憶部123に記憶させる。

0040

相関算出部134(類似度算出部の一例)は、上述した推定行列Aと、目標概念ベクタB(行列B)との相関関係(類似度の一例)を算出する。すなわち、相関算出部134は、図5に示すように、所定の時間間隔ごとに生成された推定行列A(At1、At2、・・・、Atn)と、CM企画の全体の意図を示す文章情報に対応する目標概念ベクタB(行列B)との相関係数r(rt1、rt2、・・・、rtn)を算出する。相関算出部134は、生成した相関係数r(rt1、rt2、・・・、rtn)と、時刻情報(時刻t1、時刻t2、・・・、時刻tn)とを対応付けて、相関係数記憶部124に記憶させる。

0041

表示制御部135は、相関係数記憶部124が記憶する相関係数rを取得し、例えば、後述する図8に示すようなグラフを生成し、CM企画の全体の意図と、視聴者の脳活動の結果出力される、視聴者が知覚した内容との相関を表示する。表示制御部135は、生成した相関係数rのグラフをCM動画の評価結果として、表示部11に表示(出力)させる。

0042

次に、図面を参照して、本実施形態による広告評価システム1の動作について説明する。
図5は、本実施形態におけるCM動画の評価処理の一例を説明する図である。
図5に示すように、本実施形態では、CM企画の意図を示す文章情報には、広告動画の全体の企画意図を示す全体意図文章情報が含まれる。画像再生端末20が表示したCM動画を被験者S1が視聴した際に、fMRI30が、所定の時間間隔ごと(時刻t1、時刻t2、・・・、時刻tn)に、被験者S1の脳活動を計測し、計測結果(Xt1、Xt2、・・・、Xtn)を出力する。

0043

また、推定行列生成部132は、推定モデル記憶部122が記憶する推定モデルを用いて、計測結果(Xt1、Xt2、・・・、Xtn)から、所定の時間間隔ごとに推定行列A(At1、At2、・・・、Atn)を生成する。また、意図行列生成部133が、全体意図文章情報に対応する目標概念ベクタBを生成する。そして、相関算出部134は、所定の時間間隔ごとに生成された推定行列A(At1、At2、・・・、Atn)と、全体意図文章情報に対応する目標概念ベクタB(行列B)との相関係数r(rt1、rt2、・・・、rtn)を算出する。

0044

また、図6は、本実施形態における広告評価システム1の動作の一例を示すフローチャートである。
図6に示すように、データ処理装置10のモデル生成部131が、推定モデルを生成する(ステップS101)。なお、推定モデルを生成する詳細の処理については、図7を参照して後述する。モデル生成部131は、生成した推定モデルを、推定モデル記憶部122に記憶させる。

0045

次に、fMRI30は、CM動画を視聴した脳活動を所定の時間間隔で計測する(ステップS102)。すなわち、fMRI30は、画像再生端末20が表示したCM動画を視聴した被験者S1の脳活動を、例えば、2秒間隔で計測する。fMRI30は、計測した計測結果(Xt1、Xt2、・・・、Xtn)をデータ処理装置10に出力し、データ処理装置10は、例えば、計測結果記憶部121に当該計測結果を記憶させる。

0046

次に、データ処理装置10の推定行列生成部132は、計測結果と、推定モデルとから所定の時間間隔ごとの推定行列Aを生成する(ステップS103)。推定行列生成部132は、計測結果記憶部121が記憶する2秒ごとの計測結果と、推定モデル記憶部122が記憶する推定モデルとから2秒ごとの推定行列A(例えば、図5に示すAt1、At2、・・・、Atn)を生成する。推定行列生成部132は、生成した推定行列Aを行列記憶部123に記憶させる。

0047

次に、意図行列生成部133は、CM企画書の全体の意図を示す文章情報(全体意図文章情報)から目標概念ベクタB(行列B)を生成する(ステップS104)。意図行列生成部133は、例えば、図2に示す手法と同様の手法により、目標概念ベクタB(行列B)を生成する。意図行列生成部133は、例えば、全体意図文章情報を分割した単語のそれぞれを、所定数の次元の意味空間(例えば、1000次元の意味空間)における位置を示す行列(目標概念ベクタ)に変換し、当該行列(目標概念ベクタ)の重心を示す目標概念ベクタB(行列B)を生成する。意図行列生成部133は、生成した目標概念ベクタB(行列B)を行列記憶部123に記憶させる。

0048

次に、データ処理装置10の相関算出部134は、所定の時間間隔ごとの推定行列Aと、目標概念ベクタB(行列B)との相関係数rを算出する(ステップS105)。相関算出部134は、例えば、図5に示すように、行列記憶部123が記憶する2秒ごとの推定行列A(At1、At2、・・・、Atn)と、行列記憶部123が記憶する目標概念ベクタB(行列B)との相関係数r(rt1、rt2、・・・、rtn)を算出する。相関算出部134は、算出した相関係数r(rt1、rt2、・・・、rtn)を相関係数記憶部124に記憶させる。

0049

次に、データ処理装置10は、相関係数rのグラフを生成し、表示部11に表示する(ステップS106)。すなわち、データ処理装置10の表示制御部135は、相関係数記憶部124が記憶する2秒ごとの相関係数r(rt1、rt2、・・・、rtn)を取得し、例えば、後述する図8に示すようなグラフを生成する。表示制御部135は、生成した相関係数rのグラフをCM動画の評価結果として、表示部11に表示(出力)させて、処理を終了する。

0050

なお、上述した広告評価(CM評価)のフローチャートにおいて、ステップS102の処理が、脳活動計測ステップの処理に対応し、ステップS103の処理が、第1行列生成ステップの処理に対応する。また、ステップS104の処理が、第2行列生成ステップの処理に対応し、ステップS105の処理が、相関算出ステップ(類似度算出ステップ)の処理に対応する。

0051

次に、図7を参照して、広告評価システム1における推定モデルの生成処理について説明する。
図7は、本実施形態における推定モデルの生成処理の一例を示すフローチャートである。
図7に示すように、fMRI30は、トレーニング動画を視聴した脳活動を所定の時間間隔で計測する(ステップS201)。すなわち、fMRI30は、画像再生端末20が表示したトレーニング動画を視聴した被験者S1の脳活動を、例えば、2秒間隔で計測する。fMRI30は、計測した計測結果(Xt1、Xt2、・・・、Xtn)をデータ処理装置10に出力し、データ処理装置10のモデル生成部131は、例えば、計測結果記憶部121に当該計測結果を記憶させる。

0052

次に、モデル生成部131は、トレーニング動画の各シーンに対し、事前にアノテーションを付したデータに基づき生成されるベクトルデータであるアノテーションベクタを生成する(ステップS202)。モデル生成部131は、例えば、図2に示す手法により、2秒間隔ごと(シーンごと)のアノテーションベクタ(St1、St2、・・・、Stn)を生成する。モデル生成部131は、生成したアノテーションベクタ(St1、St2、・・・、Stn)を行列記憶部123に記憶させる。

0053

次に、モデル生成部131は、脳活動の計測結果とアノテーションベクタとから推定モデルを生成する(ステップS203)。すなわち、モデル生成部131は、計測結果記憶部121が記憶する計測結果(Xt1、Xt2、・・・、Xtn)を行列Rとし、行列記憶部123が記憶するアノテーションベクタ(St1、St2、・・・、Stn)を行列Sとして、式(2)により、図4に示すように、推定モデルを生成する。モデル生成部131は、生成した推定モデルを推定モデル記憶部122に記憶させる。ステップS203の処理後にモデル生成部131は、推定モデルの生成処理を終了する。

0054

なお、上述した推定モデルの生成処理のフローチャートにおいて、ステップS201の処理が、訓練計測ステップの処理に対応し、ステップS202及びステップS203の処理が、生成ステップの処理に対応する。

0055

次に、図8を参照して、本実施形態による広告評価システム1の評価結果について説明する。
図8は、本実施形態による広告評価システム1の評価結果の一例を示す図である。
図8に示すグラフは、評価対象のCM(CMB)と、その比較対象のための参考CM(CMA、CMC)における評価結果のグラフを示している。ここで、縦軸が相関係数rを示し、横軸が時間を示している。

0056

また、図8に示す例では、3人の被験者S1による比較を行っており、波形W1が「被験者A」を示し、波形W2が「被験者B」を示し、波形W3が「被験者C」を示している。なお、ここでの相関係数は、対象のCM動画が、CM企画書(CMBの企画書)の全体の意図を示す全体意図文章情報をどの程度反映しているかを示す指標である。
図8に示す例では、評価対象のCMBに対する相関係数が、参考CM(CMA、CMC)に対する相関係数よりも高い傾向にあり、CM企画書(CMBの企画書)の意図を反映していることを示している。

0057

以上説明したように、本実施形態による広告評価方法(視聴素材評価方法の一例)は、脳活動計測ステップ(図6のステップS102)と、第1行列生成ステップ(図6のステップS103)と、第2行列生成ステップ(図6のステップS104)と、類似度算出ステップ(図6のステップS105)とを含んでいる。脳活動計測ステップにおいて、fMRI30(脳活動計測部)が、視聴素材(CM動画)を視聴した被験者S1の脳活動を計測する。第1行列生成ステップにおいて、推定行列生成部132(第1行列生成部)が、脳活動計測ステップによって計測された計測結果に基づいて、被験者S1の知覚の意味内容を推定した推定行列A(第1行列)を生成する。第2行列生成ステップにおいて、意図行列生成部133(第2行列生成部)が、広告動画の企画意図を示す文章情報に自然言語処理を行い、目標概念ベクタB(行列B、第2行列)を生成する。類似度算出ステップ(相関算出ステップ)において、相関算出部134が、推定行列Aと、目標概念ベクタB(行列B)との類似度(相関係数r)を算出する。

0058

これにより、本実施形態による広告評価方法は、視聴素材(広告動画)の企画意図を示す文章情報に対する、客観的、且つ、定量的なCM評価の指標である相関係数rを算出するので、客観的、且つ、定量的に視聴素材(広告(CM))を評価することができる。
例えば、競合他社のCM(CMA、CMC)と、自社のCM(CMB)とがある場合に、本実施形態による広告評価方法は、競合他社のCM(CMA)の評価結果と自社のCM(CMB)の評価結果との比較により、自社のCM(CMB)よりも自社のCM企画意図に沿った反応を示す他のCM(CMA、CMC)があれば、参考とすることができる。
また、本実施形態による広告評価方法は、CM企画書(例えば、CMBの企画書)による全体意図文章情報に基づく目標概念ベクタB(行列B)と、例えば、当該CM企画書に基づいて制作されたCM(CMB)のみを視聴して得られる推定行列Aとを比較することで、広告代理店発注した際の企画意図が視聴者に正しく伝わっているかを評価することができるため、広告代理店選定の際の材料とすることができる。

0059

また、本実施形態では、第2行列生成ステップにおいて、意図行列生成部133が、文章情報を分割した単語のそれぞれを、所定数の次元(例えば、1000次元)の意味空間(図3参照)における位置を示す行列に変換し、当該行列の重心を示す目標概念ベクタB(行列B)を生成する。
これにより、本実施形態による広告評価方法は、広告動画の企画意図を示す文章情報を、簡易且つ適切に意味空間上に表象することができ、文章情報による企画意図と、被験者S1の脳活動との関係を客観的、且つ、定量的に評価することが可能になる。

0060

また、広告動画の企画意図を示す文章情報には、広告動画の全体の企画意図を示す全体意図文章情報が含まれる。脳活動計測ステップにおいて、fMRI30が、所定の時間間隔(例えば、2秒間隔)ごとに、被験者S1の脳活動を計測する。第1行列生成ステップにおいて、推定行列生成部132が、所定の時間間隔ごとに推定行列A(例えば、At1、At2、・・・、Atn)を生成する。第2行列生成ステップにおいて、意図行列生成部133が、全体意図文章情報に対応する目標概念ベクタB(行列B)を生成する。類似度算出ステップにおいて、相関算出部134が、所定の時間間隔ごとに生成された推定行列A(例えば、At1、At2、・・・、Atn)と、全体意図文章情報に対応する目標概念ベクタB(行列B)との類似度(相関係数r)を算出する。

0061

これにより、本実施形態による広告評価方法は、所定の時間間隔ごとの全体意図文章情報に対応する類似度(相関係数r)を算出するので、CM動画が、CM企画の全体の意図をどの程度反映しているのかを、所定の時間間隔ごとに評価することができる。

0062

また、本実施形態による広告評価方法は、さらに、訓練計測ステップと、生成ステップとを含んでいる。訓練計測ステップにおいて、fMRI30が、トレーニング動画を視聴した被験者S1の脳活動を所定の時間間隔(例えば、2秒間隔)で計測する。モデル生成ステップにおいて、モデル生成部131が、訓練計測ステップによって計測された複数の計測結果(例えば、図4のXt1、Xt2、・・・、Xtn)と、訓練動画の各シーンを説明する説明文章に自然言語処理を行って生成した複数のアノテーションベクタS(第3行列、例えば、St1、St2、・・・、Stn)とに基づいて、計測結果Xから推定行列Aを推定する推定モデルを生成する。そして、第1行列生成ステップにおいて、推定行列生成部132が、脳活動計測ステップによって計測された計測結果Xと、推定モデルとに基づいて、推定行列Aを生成する。
これにより、本実施形態による広告評価方法は、推定モデルの生成が可能になり、例えば、被験者S1ごとに最適な推定モデルを生成することができる。よって、本実施形態による広告評価方法は、被験者S1ごとに精度よく、客観的、且つ、定量的に広告(CM)を評価することができる。

0063

また、本実施形態による広告評価システム1(視聴素材評価システムの一例)は、fMRI30と、推定行列生成部132と、意図行列生成部133と、相関算出部134とを備えている。fMRI30は、CM動画を視聴した被験者S1の脳活動を計測する。推定行列生成部132は、fMRI30によって計測された計測結果に基づいて、被験者S1の知覚の意味内容を推定した推定行列A(第1行列)を生成する。意図行列生成部133は、CM動画の企画意図を示す文章情報に自然言語処理を行い、目標概念ベクタB(行列B(第2行列))を生成する。そして、相関算出部134は、推定行列Aと、目標概念ベクタB(行列B)との類似度(相関係数r)を算出する。
これにより、本実施形態による広告評価システム1は、本実施形態による広告評価方法と同様に、客観的、且つ、定量的に広告(CM)を評価することができる。

0064

また、本実施形態によるデータ処理装置10(視聴素材評価装置の一例)は、推定行列生成部132と、意図行列生成部133と、相関算出部134とを備えている。推定行列生成部132は、CM動画を視聴した被験者S1の脳活動を計測するfMRI30によって計測された計測結果に基づいて、被験者S1の知覚の意味内容を推定した推定行列A(第1行列)を生成する。意図行列生成部133は、CM動画の企画意図を示す文章情報に自然言語処理を行い、目標概念ベクタB(行列B(第2行列))を生成する。そして、相関算出部134は、推定行列Aと、目標概念ベクタB(行列B)との類似度(相関係数r)を算出する。
これにより、本実施形態によるデータ処理装置10(視聴素材評価装置)は、本実施形態による広告評価方法及び広告評価システム1と同様に、客観的、且つ、定量的に広告(CM)を評価することができる。

0065

[第2の実施形態]
次に、図面を参照して、第2の実施形態による広告評価システム1及び広告評価方法について説明する。
なお、本実施形態による広告評価システム1の構成は、図1に示す第1の実施形態と同様であるので、ここではその説明を省略する。
本実施形態では、CMの企画書の一例である絵コンテのカットごとに、企画意図を示す文章情報(カット文章情報)を抽出し、絵コンテのカットごとにCM画像を評価する点が、第1の実施形態と異なる。

0066

図9は、第2の実施形態におけるCM動画の評価処理の一例を説明する図である。
図9において、絵コンテの各カットは、fMRI30による複数回の計測に対応する。例えば、カットC1は、fMRI30による時刻t1〜時刻tmまでの計測に対応し、カットC2は、fMRI30による時刻tm+1〜時刻tnまでの計測に対応する。また、絵コンテのカットC1に対応する企画意図を示す文章が、カット文章情報(TXc1)であり、絵コンテのカットC2に対応する企画意図を示す文章が、カット文章情報(TXc2)である。

0067

本実施形態では、推定行列生成部132は、カットごとの推定行列A1(A1c1、A1c2、・・・)を生成する。例えば、図9に示すように、推定行列生成部132は、fMRI30による計測結果(Xc1〜Xcm)のそれぞれに対応する推定行列A(Ac1〜Acm)を、推定モデル記憶部122が記憶する推定モデルを用いて生成する。また、推定行列生成部132は、カット文章情報に対応する期間における推定行列Aの平均を示す平均推定行列A1(平均第1行列)を生成する。例えば、時刻t1〜時刻tmに対応するカットC1に対して、推定行列生成部132は、推定行列(Ac1〜Acm)の平均を示す平均推定行列A1c1を生成する。また、例えば、時刻tm+1〜時刻tnに対応するカットC2に対して、推定行列生成部132は、推定行列(Acm+1〜Acn)の平均を示す平均推定行列A1c2を生成する。

0068

また、意図行列生成部133は、カット文章情報ごとに目標概念ベクタB(行列B1)を生成する。意図行列生成部133は、上述した図2に示した手法と同様に、カット文章情報ごとに目標概念ベクタ(行列B1c1、行列B1c2、・・・)を生成する。
そして、相関算出部134は、カットごとに相関係数rを算出する。なお、本実施形態では、カット文章情報に対応する期間における推定行列Aの平均を示す平均推定行列A1と、第2行列との相関係数r(rc1、rc2、・・・)を算出する。

0069

このように、本実施形態では、CM企画書の企画意図を示す文章情報には、CM動画の絵コンテに含まれるカットごとの企画意図を示すカット文章情報(例えば、TXc1、TXc2、・・・)が含まる。そして、推定行列生成部132が、カットごとに推定行列A1を生成し、意図行列生成部133が、カット文章情報ごとに目標概念ベクタB1(行列B1)を生成し、相関算出部134が、カットごとに相関係数rを算出する。

0070

次に、図10を参照して、本実施形態による広告評価システム1の動作について説明する。
図10は、本実施形態における広告評価システム1の動作の一例を示すフローチャートである。
図10に示すように、データ処理装置10のモデル生成部131が、推定モデルを生成する(ステップS301)。ここで、モデル生成部131による推定モデルの生成処理は、第1の実施形態と同様である。モデル生成部131は、生成した推定モデルを、推定モデル記憶部122に記憶させる。

0071

次に、fMRI30は、CM動画を視聴した脳活動を所定の時間間隔で計測する(ステップS302)。すなわち、fMRI30は、画像再生端末20が表示したCM動画を視聴した被験者S1の脳活動を、例えば、2秒間隔で計測する。fMRI30は、計測した計測結果(Xt1、Xt2、・・・、Xtn、・・・)をデータ処理装置10に出力し、データ処理装置10は、例えば、計測結果記憶部121に当該計測結果を記憶させる。

0072

次に、データ処理装置10の推定行列生成部132は、計測結果と、推定モデルとからカットごとの推定行列A1を生成する(ステップS303)。推定行列生成部132は、図9に示すように、計測結果記憶部121が記憶する2秒ごとの計測結果と、推定モデル記憶部122が記憶する推定モデルとから2秒ごとの推定行列Aを生成し、カット文章情報に対応する期間における推定行列Aの平均を示す平均推定行列A1を生成する。推定行列生成部132は、生成した推定行列A1を行列記憶部123に記憶させる。

0073

次に、意図行列生成部133は、絵コンテのカットごとの意図を示すカット文章情報から目標概念ベクタB1(行列B1)を生成する(ステップS304)。意図行列生成部133は、例えば、図2に示す手法と同様の手法により、絵コンテのカットごとの目標概念ベクタB1(行列B1)を生成する。意図行列生成部133は、生成した目標概念ベクタB1(行列B1)を行列記憶部123に記憶させる。

0074

次に、データ処理装置10の相関算出部134は、カットごとの推定行列A1と、目標概念ベクタB1(行列B1)との相関係数rを算出する(ステップS305)。相関算出部134は、例えば、図9に示すように、行列記憶部123が記憶するカットごとの推定行列A1と、行列記憶部123が記憶するカットごとの目標概念ベクタB1(行列B1)との相関係数r(rc1、rc2、・・・)を算出する。相関算出部134は、算出した相関係数r(rc1、rc2、・・・)を相関係数記憶部124に記憶させる。

0075

次に、データ処理装置10は、相関係数rのグラフを生成し、表示部11に表示する(ステップS306)。すなわち、データ処理装置10の表示制御部135は、相関係数記憶部124が記憶するカットごとの相関係数r(rc1、rc2、・・・)を取得し、絵コンテのカットに対する相関係数rのグラフを生成する。表示制御部135は、生成した相関係数rのグラフをCM動画の評価結果として、表示部11に表示(出力)させて、処理を終了する。

0076

なお、上述した広告評価(CM評価)のフローチャートにおいて、ステップS302の処理が、脳活動計測ステップの処理に対応し、ステップS303の処理が、第1行列生成ステップの処理に対応する。また、ステップS304の処理が、第2行列生成ステップの処理に対応し、ステップS305の処理が、相関算出ステップ(類似度算出ステップ)の処理に対応する。

0077

以上説明したように、本実施形態による広告評価方法では、文章情報には、CM動画の絵コンテに含まれるカットごとの企画意図を示すカット文章情報が含まれる。第1行列生成ステップにおいて、推定行列生成部132が、絵コンテのカットごとに推定行列A1を生成し、第2行列生成ステップにおいて、意図行列生成部133が、カット文章情報に対応する目標概念ベクタB1(行列B1)を生成する。そして、相関算出ステップ(類似度算出ステップ)において、相関算出部134が、絵コンテのカットごとに類似度(相関係数r)を算出する。
これにより、本実施形態による広告評価方法は、絵コンテのカットごとに、客観的、且つ、定量的に広告(CM)を評価することができる。例えば、本実施形態による広告評価方法は、絵コンテのカットの制作意図に対して、当該CM動画の印象がどうであったかを客観的、且つ、定量的に評価することができる。よって、本実施形態による広告評価方法は、より詳細に、広告(CM)を評価することができる。

0078

また、本実施形態では、脳活動計測ステップにおいて、fMRI30が、所定の時間間隔(例えば、2秒間隔)ごとに、被験者S1の脳活動を計測し、第1行列生成ステップにおいて、推定行列生成部132が、所定の時間間隔(例えば、2秒間隔)ごとに推定行列Aを生成する。そして、推定行列生成部132は、文章情報(カット文章情報)に対応する期間(カットに対応する期間)における推定行列Aの平均を示す平均推定行列A1をカットごとに推定行列として生成する。相関算出ステップ(類似度算出ステップ)において、相関算出部134が、文章情報に対応する期間における推定行列Aの平均を示す平均推定行列A1と、カットごとの目標概念ベクタB1(行列B1)との相関係数rを算出する。
これにより、本実施形態による広告評価方法は、簡易な手法により、カットごとの推定行列A1(平均推定行列)を生成することが可能になり、絵コンテのカットごとのCM動画の評価を適切に行うことができる。

0079

[第3の実施形態]
次に、図面を参照して、第3の実施形態による広告評価システム1及び広告評価方法について説明する。
なお、本実施形態による広告評価システム1の構成は、図1に示す第1の実施形態と同様であるので、ここではその説明を省略する。
本実施形態では、CM動画のシーンごとに、企画意図を示す文章情報(シーン文章情報)を抽出し、CM動画のシーンごとにCM画像を評価する点が、第1及び第2の実施形態と異なる。なお、ここで、CM動画のシーンは、複数のカット(少なくとも1つのカット)から構成される部分動画である。

0080

本実施形態における広告評価システム1及び広告評価方法は、第2の実施形態における絵コンテのカットを、シーンに置き換えた点が第2の実施例と異なる。
本実施形態では、例えば、推定行列生成部132が、シーンごとに推定行列A2を生成し、意図行列生成部133が、シーン文章情報ごとに目標概念ベクタB2を生成する。そして、相関算出部134が、シーンごとに類似度(相関係数r)を算出する。

0081

次に、図11を参照して、本実施形態による広告評価システム1の動作について説明する。
図11は、本実施形態における広告評価システム1の動作の一例を示すフローチャートである。
図11に示すように、データ処理装置10のモデル生成部131が、推定モデルを生成する(ステップS401)。ここで、モデル生成部131による推定モデルの生成処理は、第1の実施形態と同様である。モデル生成部131は、生成した推定モデルを、推定モデル記憶部122に記憶させる。

0082

次に、fMRI30は、CM動画を視聴した脳活動を所定の時間間隔で計測する(ステップS402)。すなわち、fMRI30は、画像再生端末20が表示したCM動画を視聴した被験者S1の脳活動を、例えば、2秒間隔で計測する。fMRI30は、計測した計測結果(Xt1、Xt2、・・・、Xtn、・・・)をデータ処理装置10に出力し、データ処理装置10は、例えば、計測結果記憶部121に当該計測結果を記憶させる。

0083

次に、データ処理装置10の推定行列生成部132は、計測結果と、推定モデルとからシーンごとの推定行列A2を生成する(ステップS403)。推定行列生成部132は、計測結果記憶部121が記憶する2秒ごとの計測結果と、推定モデル記憶部122が記憶する推定モデルとから2秒ごとの推定行列Aを生成し、シーン文章情報に対応する期間における推定行列Aの平均を示す平均推定行列A2を生成する。推定行列生成部132は、生成した推定行列A2を行列記憶部123に記憶させる。

0084

次に、意図行列生成部133は、シーンごとの企画意図を示すシーン文章情報から目標概念ベクタB2(行列B2)を生成する(ステップS404)。意図行列生成部133は、例えば、図2に示す手法と同様の手法により、シーンごとの目標概念ベクタB2(行列B2)を生成する。意図行列生成部133は、生成した目標概念ベクタB2(行列B2)を行列記憶部123に記憶させる。

0085

次に、データ処理装置10の相関算出部134は、カットごとの推定行列A2と、目標概念ベクタB2(行列B2)との相関係数rを算出する(ステップS405)。相関算出部134は、行列記憶部123が記憶するカットごとの推定行列A2と、行列記憶部123が記憶するカットごとの目標概念ベクタB2(行列B2)との相関係数rを算出する。相関算出部134は、算出した相関係数rを相関係数記憶部124に記憶させる。

0086

次に、データ処理装置10は、相関係数rのグラフを生成し、表示部11に表示する(ステップS406)。すなわち、データ処理装置10の表示制御部135は、相関係数記憶部124が記憶するシーンごとの相関係数rを取得し、CM動画のシーンに対する相関係数rのグラフを生成する。表示制御部135は、生成した相関係数rのグラフをCM動画の評価結果として、表示部11に表示(出力)させて、処理を終了する。

0087

なお、上述した広告評価(CM評価)のフローチャートにおいて、ステップS402の処理が、脳活動計測ステップの処理に対応し、ステップS403の処理が、第1行列生成ステップの処理に対応する。また、ステップS404の処理が、第2行列生成ステップの処理に対応し、ステップS405の処理が、相関算出ステップ(類似度算出ステップ)の処理に対応する。

0088

以上説明したように、本実施形態による広告評価方法では、文章情報には、CM動画に含まれるシーンごとの企画意図を示すシーン文章情報が含まれる。第1行列生成ステップにおいて、推定行列生成部132が、シーンごとに推定行列A2を生成し、第2行列生成ステップにおいて、意図行列生成部133が、カット文章情報に対応する目標概念ベクタB2(行列B2)を生成する。そして、相関算出ステップ(類似度算出ステップ)において、相関算出部134が、絵コンテのカットごとに類似度(相関係数r)を算出する。
これにより、本実施形態による広告評価方法は、シーンごとに、客観的、且つ、定量的に広告(CM)を評価することができる。例えば、本実施形態による広告評価方法は、シーンの制作意図に対して、当該CM動画の印象がどうであったかを客観的、且つ、定量的に評価することができる。よって、本実施形態による広告評価方法は、第2の実施形態よりもさらにより詳細に、広告(CM)を評価することができる。例えば、CM全体の評価やカットごとの評価としてはCM企画意図を概ね反映していると評価できたとしても、特定のシーン(たとえば出演俳優表情立ち振る舞い)に対する視聴者の知覚結果を詳細に評価することで、よりCMの効果をあげることができる。

0089

また、本実施形態では、脳活動計測ステップにおいて、fMRI30が、所定の時間間隔(例えば、2秒間隔)ごとに、被験者S1の脳活動を計測し、第1行列生成ステップにおいて、推定行列生成部132が、所定の時間間隔(例えば、2秒間隔)ごとに推定行列Aを生成する。そして、推定行列生成部132は、文章情報(シーン文章情報)に対応する期間(シーンに対応する期間)における推定行列Aの平均を示す平均推定行列A2をシーンごとに推定行列として生成する。相関算出ステップ(類似度算出ステップ)において、相関算出部134が、文章情報に対応する期間における推定行列Aの平均を示す平均推定行列A2と、シーンごとの目標概念ベクタB2(行列B2)との相関係数rを算出する。
これにより、本実施形態による広告評価方法は、簡易な手法により、シーンごとの推定行列A2(平均推定行列)を生成することが可能になり、CM動画のシーンごとの評価を適切に行うことができる。

0090

なお、本発明は、上記の各実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で変更可能である。
例えば、上記の各実施形態は、単独で実施する例を説明したが、各実施形態を組み合わせて実施してもよい。
また、上記の各実施形態において、データ処理装置10が、推定モデルを生成するモデル生成部131を備える例を説明したが、これに限定されるものではなく、モデル生成部131を備えずに、予め生成された推定モデルを推定モデル記憶部122に記憶しておいてもよい。また、解析装置などのデータ処理装置10とは別体の装置が、モデル生成部131を備えるようにしてもよい。

0091

また、上記の各実施形態において、モデル生成部131は、単語単位のアノテーションベクタの重心をシーンのアノテーションベクタとして、推定モデルを生成する例を説明したが、これに限定されるものではなく、単語単位のアノテーションベクタをそのまま用いて推定モデルを生成するようにしてもよい。
また、上記の第1の実施形態において、所定の時間間隔ごとの推定行列Aと、全体意図文章情報に対応する目標概念ベクタB(行列B)との相関係数rを算出して評価する例を説明したが、所定の時間間隔ごとの推定行列Aの全期間の平均推定行列と、全体意図文章情報に対応する目標概念ベクタB(行列B)との相関係数rを算出して評価するようにしてもよい。

0092

また、上記の各実施形態において、視聴素材の評価の一例として、被験者S1にCM動画を視聴させてCMを評価する例を説明したが、絵コンテのイラスト静止画を被験者S1に見せて評価するようにしてもよい。例えば、CM制作前の企画段階で、複数の絵コンテ案がある場合など、fMRI30が、各絵コンテ案の静止画を見た被験者S1の脳活動を計測し、推定行列生成部132が、複数の静止画に対する推定行列を生成して、相関算出部134が、当該推定行列に基づいて相関係数を算出するようにしてもよい。この場合、どの絵コンテ案が、企画書の要件(制作意図)により近いかを、CM制作前に評価することができる。また、複数の絵コンテ案の中から、より企画書の要件(制作意図)に近い絵コンテ案を選択することができる。このように、被験者S1に視聴させて評価する視聴素材であって、評価対象である視聴素材には、CM動画など動画の他に、静止画、各種媒体による印刷物(例えば、広告、チラシウェブページなど)等が含まれる。

0093

また、上記の各実施形態において、類似度の一列として、相関関係を示し相関係数(r)を用いる例を説明したが、これに限定されるものではない。例えば、上記の各実施形態は、類似度を示す他の指標や、意味的距離統計的距離)などを用いるようにしてもよい。

0094

また、上記の各実施形態において、文章情報に対する目標概念ベクタの生成や、シーン又はカットごとの目標概念ベクタの生成に、単語単位の目標概念ベクタの重心(平均)や所定の時間間隔ごとの目標概念ベクタの平均を用いる例を説明したが、これに限定されるものではなく、ベクタの分布(分散)などの他の手法を用いてもよい。
また、上記の第2及び第3の実施形態において、カット(又はシーン)ごとの目標概念ベクタの生成に、所定の時間間隔ごとの目標概念ベクタのカット(又はシーン)対応する期間における平均を用いる例を説明したが、これに限定されるものではない。例えば、推定行列生成部132は、所定の時間間隔ごとのfMRI30の計測結果のカット(又はシーン)対応する期間における平均値を算出し、当該計測結果の平均値からカット(又はシーン)ごとの目標概念ベクタを生成してもよい。

0095

また、上記の各実施形態において、データ処理装置10は、出力部の一例として、表示部11を備え、表示部11に評価結果を出力する例を説明したが、これに限定されるものではない。出力部は、例えば、プリンタや、評価結果をファイルにして出力するインターフェース部などであってもよい。また、記憶部12の一部又は全部をデータ処理装置10の外部に備えるようにしてもよい。

0096

なお、上述したデータ処理装置10が備える各構成は、内部に、コンピュータシステムを有している。そして、上述したデータ処理装置10が備える各構成の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより上述したデータ処理装置10が備える各構成における処理を行ってもよい。ここで、「記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行する」とは、コンピュータシステムにプログラムをインストールすることを含む。ここでいう「コンピュータシステム」とは、OSや周辺機器等のハードウェアを含むものとする。
また、「コンピュータシステム」は、インターネットWAN、LAN、専用回線等の通信回線を含むネットワークを介して接続された複数のコンピュータ装置を含んでもよい。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。このように、プログラムを記憶した記録媒体は、CD−ROM等の非一過性の記録媒体であってもよい。

0097

また、記録媒体には、当該プログラムを配信するために配信サーバからアクセス可能な内部又は外部に設けられた記録媒体も含まれる。なお、プログラムを複数に分割し、それぞれ異なるタイミングでダウンロードした後にデータ処理装置10が備える各構成で合体される構成や、分割されたプログラムのそれぞれを配信する配信サーバが異なっていてもよい。さらに「コンピュータ読み取り可能な記録媒体」とは、ネットワークを介してプログラムが送信された場合のサーバクライアントとなるコンピュータシステム内部の揮発性メモリ(RAM)のように、一定時間プログラムを保持しているものも含むものとする。また、上記プログラムは、上述した機能の一部を実現するためのものであってもよい。さらに、上述した機能をコンピュータシステムに既に記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル差分プログラム)であってもよい。

0098

また、上述した機能の一部又は全部を、LSI(Large Scale Integration)等の集積回路として実現してもよい。上述した各機能は個別にプロセッサ化してもよいし、一部、又は全部を集積してプロセッサ化してもよい。また、集積回路化の手法はLSIに限らず専用回路、又は汎用プロセッサで実現してもよい。また、半導体技術の進歩によりLSIに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。

0099

1広告評価システム
10データ処理装置
11 表示部
12 記憶部
13 制御部
20画像再生端末
30 fMRI
40コーパス
121計測結果記憶部
122推定モデル記憶部
123行列記憶部
124相関係数記憶部
131モデル生成部
132推定行列生成部
133 意図行列生成部
134相関算出部
135表示制御部
S1 被験者

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

  • 富士ゼロックス株式会社の「 データ管理システム」が 公開されました。( 2020/09/24)

    【課題】階層構造になっている管理システムにおいて、管理対象データの実体を最上位の装置が全て管理する場合と比較して、管理対象データがユーザの意図しない装置に提供されないシステムを提供する。【解決手段】管... 詳細

  • ソニー株式会社の「 情報処理装置、情報処理方法、およびプログラム」が 公開されました。( 2020/09/24)

    【課題・解決手段】本技術は、複数人のユーザが皆満足できる空間を提供することができるようにする情報処理装置、情報処理方法、およびプログラムに関する。分析部は、複数人のユーザが存在する環境におけるセンシン... 詳細

  • アルテリックス インコーポレイテッドの「 並列処理を使用したハッシュ結合の実行」が 公開されました。( 2020/09/24)

    【課題・解決手段】データレコードは、コンピュータを使用して結合される。第1の複数のデータレコードおよび第2の複数のデータレコード内のデータレコードがハッシュされる。第1の複数のデータレコードおよび第2... 詳細

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ