JP2017129923A - 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 - Google Patents

Abstract

【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。
【選択図】図６

Description

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。

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の脳活動を計測し、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を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、客観的な指標を得ることができる。

特願２０１５−０７７６９４号

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。

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。

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、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。

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、所定数の次元の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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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やユークリッド距離を用いて算出される。

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。

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。

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の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を加算平均する。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。

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の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の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、物体の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）。

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。

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。

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（Ｘ_ｔ１、Ｘ_ｔ２、・・・、Ｘ_ｔｎ）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（Ｓ_ｔ１、Ｓ_ｔ２、・・・、Ｓ_ｔｎ）を行列記憶部１２３から取得する。ここで、計測結果（Ｘ_ｔ１、Ｘ_ｔ２、・・・、Ｘ_ｔｎ）を行列Ｒ、アノテーションベクタ（Ｓ_ｔ１、Ｓ_ｔ２、・・・、Ｓ_ｔｎ）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。

Ｓ＝ｆ（Ｒ，θ） ・・・ （１）

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。

Ｓ＝Ｒ×Ｗ ・・・ （２）

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。

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。

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（Ｘ_ｔ１、Ｘ_ｔ２、・・・、Ｘ_ｔｎ）を出力した場合に、推定行列生成部１３２は、推定行列Ａ（Ａ_ｔ１、Ａ_ｔ２、・・・、Ａ_ｔｎ）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（Ａ_ｔ１、Ａ_ｔ２、・・・、Ａ_ｔｎ）とを対応付けて行列記憶部１２３に記憶させる。

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。

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。

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（Ａ_ｔ１、Ａ_ｔ２、・・・、Ａ_ｔｎ）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（ｒ_ｔ１、ｒ_ｔ２、・・・、ｒ_ｔｎ）を算出する。相関算出部１３４は、生成した相関係数ｒ（ｒ_ｔ１、ｒ_ｔ２、・・・、ｒ_ｔｎ）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。

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。

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（Ｘ_ｔ１、Ｘ_ｔ２、・・・、Ｘ_ｔｎ）を出力する。

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（Ｘ_ｔ１、Ｘ_ｔ２、・・・、Ｘ_ｔｎ）から、所定の時間間隔ごとに推定行列Ａ（Ａ_ｔ１、Ａ_ｔ２、・・・、Ａ_ｔｎ）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（Ａ_ｔ１、Ａ_ｔ２、・・・、Ａ_ｔｎ）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（ｒ_ｔ１、ｒ_ｔ２、・・・、ｒ_ｔｎ）を算出する。

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。

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（Ｘ_ｔ１、Ｘ_ｔ２、・・・、Ｘ_ｔｎ）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。

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Ａ_ｔ１、Ａ_ｔ２、・・・、Ａ_ｔｎ）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。

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。

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（Ａ_ｔ１、Ａ_ｔ２、・・・、Ａ_ｔｎ）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（ｒ_ｔ１、ｒ_ｔ２、・・・、ｒ_ｔｎ）を算出する。相関算出部１３４は、算出した相関係数ｒ（ｒ_ｔ１、ｒ_ｔ２、・・・、ｒ_ｔｎ）を相関係数記憶部１２４に記憶させる。

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（ｒ_ｔ１、ｒ_ｔ２、・・・、ｒ_ｔｎ）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。

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。

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（Ｘ_ｔ１、Ｘ_ｔ２、・・・、Ｘ_ｔｎ）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。

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（Ｓ_ｔ１、Ｓ_ｔ２、・・・、Ｓ_ｔｎ）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（Ｓ_ｔ１、Ｓ_ｔ２、・・・、Ｓ_ｔｎ）を行列記憶部１２３に記憶させる。

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（Ｘ_ｔ１、Ｘ_ｔ２、・・・、Ｘ_ｔｎ）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（Ｓ_ｔ１、Ｓ_ｔ２、・・・、Ｓ_ｔｎ）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。

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。

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。

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。

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。

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、広告代理店に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。

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。

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、Ａ_ｔ１、Ａ_ｔ２、・・・、Ａ_ｔｎ）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、Ａ_ｔ１、Ａ_ｔ２、・・・、Ａ_ｔｎ）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。

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。

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Ｘ_ｔ１、Ｘ_ｔ２、・・・、Ｘ_ｔｎ）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、Ｓ_ｔ１、Ｓ_ｔ２、・・・、Ｓ_ｔｎ）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。

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。

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。

［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。

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（ＴＸ_ｃ１）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（ＴＸ_ｃ２）である。

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（Ａ１_ｃ１、Ａ１_ｃ２、・・・）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（Ｘ_ｃ１〜Ｘ_ｃｍ）のそれぞれに対応する推定行列Ａ（Ａ_ｃ１〜Ａ_ｃｍ）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（Ａ_ｃ１〜Ａ_ｃｍ）の平均を示す平均推定行列Ａ１_ｃ１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（Ａ_ｃｍ＋１〜Ａ_ｃｎ）の平均を示す平均推定行列Ａ１_ｃ２を生成する。

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Ｂ１_ｃ１、行列Ｂ１_ｃ２、・・・）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（ｒ_ｃ１、ｒ_ｃ２、・・・）を算出する。

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、ＴＸ_ｃ１、ＴＸ_ｃ２、・・・）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。

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。

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（Ｘ_ｔ１、Ｘ_ｔ２、・・・、Ｘ_ｔｎ、・・・）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。

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。

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。

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（ｒ_ｃ１、ｒ_ｃ２、・・・）を算出する。相関算出部１３４は、算出した相関係数ｒ（ｒ_ｃ１、ｒ_ｃ２、・・・）を相関係数記憶部１２４に記憶させる。

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（ｒ_ｃ１、ｒ_ｃ２、・・・）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。

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。

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。

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。

［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。

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。

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。

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（Ｘ_ｔ１、Ｘ_ｔ２、・・・、Ｘ_ｔｎ、・・・）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。

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。

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。

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。

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。

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。

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（たとえば出演俳優の表情や立ち振る舞い）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。

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。

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。

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。

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や静止画を被験者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。

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。

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。

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。

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、インターネットや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。

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や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。

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。

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

Claims (9)

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、
   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。
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、所定数の次元の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。
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。
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。
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。
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。
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。
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。
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。

Images