JP2012078768A - 人物マッチング装置、方法及びプログラム - Google Patents

Abstract

【課題】非熟練者に対しより効果的に向上意欲を持たせることを可能にする。
【解決手段】複数の熟練者のライフログデータ及び属性データを当該熟練者の端末ＥＴ１〜ＥＴｎから収集して熟練者情報データベース３１に蓄積しておく。この状態で、非熟練者ＵＦｉのライフログデータ及び属性データを当該非熟練者の端末ＦＴｉから取得し、マッチング処理部２５により、これらのライフログデータ及び属性データからその特徴量を抽出すると共に、上記記憶された複数の熟練者のライフログデータ及び属性データからそれぞれ特徴量を抽出する。そして、上記非熟練者ＵＦｉと複数の熟練者との間で、上記抽出された特徴量の類似度をＤＧＭの計算式によりそれぞれ計算し、ＤＧＭが最大となる熟練者を選択してそのライフログデータ及び属性データを上記非熟練者ＵＦｉの端末ＦＴｉへ送信する。
【選択図】図２

Description

この発明は、例えば非熟練者に対し、当該非熟練者との類似点を有する熟練者を選択しその情報を提示するための人物マッチング装置、方法及びプログラムに関する。

大学等の教育機関や各種研修機関等においては、学習者又は研修者のレベルアップを図るための対策が種々検討されている。その一つとして、協調フィルタリングを用い、例えば学習者Ａと他の学習者Ｂ，Ｃとの間で教材コンテンツに対する閲覧回数の類似度を求め、その結果から共通の教材コンテンツを閲覧する回数の多い学習者Ｂ又はＣを学習パターンが類似する学習者として発見して、この学習者Ｂ又はＣから学習者Ａに対し苦手克服に有効な教材を教示する技術が提案されている（例えば非特許文献１を参照）。

また、熟練者の技能を訓練者に伝達する手法として、例えば習字の練習において熟練者の筆の位置情報や力覚情報を検出し、そのログデータを訓練者に提示して指導する教示手法も提案されている（例えば非特許文献２を参照）。

濱詰祐馬、和田雄次、土肥紳一、「ｅラーニングにおけるレコメンデーション技術の実装−苦手克服に貢献する教材の抽出」、情報科学技術フォーラム(FIT2009), pp. 615-618, 2009。 嵯峨智、川上直樹、舘すすむ、「力覚の主体性を活用した教示手法に関する研究」、日本バーチャルリアリティ学会論文誌、 Vol. 10, No. 3, pp. 363-369, 2005。

ところが、非特許文献１に記載された手法では、協調フィルタリングによって閲覧教材が類似する学習者、つまり学習レベルが同程度の学習者を発見し、この学習者が使用する教材を推薦するようにしている。このため、教材の推薦を受けた学習者にとっては自身と同レベルの他の学習者からの推薦を受けることになるため、当該推薦を受けた学習者に「その人物のようにレベルを高めたい」と感じさせることは期待できない。

一方、非特許文献２に記載された手法では、訓練者には自身より技能レベルが高い人物のログデータが提示されるため「その人物のようにレベルを高めたい」と思わせる効果が期待できる。しかしながら、訓練者にとっては熟練者の現在のレベルしか分からず、熟練者が訓練者自身とはかけ離れた存在としか感じられないため、「その人物のようにレベルを高められそう」、「自分にもできそうだ」と思わせる効果が期待できない。この結果、訓練者が自身のレベルを高める行動を起こす動機になり難い。

この発明は上記事情に着目してなされたもので、その目的とするところは、非熟練者に対しより効果的に向上意欲を持たせることを可能にした人物マッチング装置、方法及びプログラムを提供することにある。

上記目的を達成するためにこの発明の第１の観点は、以下のような構成要素を備えたものである。
すなわち、複数の熟練者の過去から現在に至る期間のライフログデータ及び属性データを収集し記憶しておく。この状態で、非熟練者の現在のライフログデータ及び属性データを当該非熟練者の端末から取得し、この取得された非熟練者ライフログデータ及び上記記憶された各熟練者のライフログデータからそれぞれ非熟練者及び各熟練者の現在における熟練度を抽出する。また、上記取得された非熟練者の属性データから非熟練者の現在の状況を表す特徴量を抽出すると共に、上記記憶された各熟練者の属性データから各熟練者の過去の状況を表す特徴量を抽出する。そして、上記抽出された非熟練者及び各熟練者の現在における熟練度の差と、上記抽出された非熟練者の現在の特徴量と上記各熟練者の過去の特徴量との類似度をもとに、上記非熟練者と上記複数の熟練者との間の類似度を表す定量評価指数をそれぞれ計算し、この計算された定量評価指数に基づいて上記複数の熟練者の中から所定の条件を満たす熟練者を選択し、この選択された熟練者に関する情報を上記非熟練者が使用する端末へ送信するように構成したものである。

具体的には、

とすると共に、ｐを上記記憶された過去のライフログデータの集合の中で、

が最大になるときの値（ｐ_max）とし、Ｌ[m] をレベルベクトルの要素（m個）、Ｘ[n] を特徴量（n個）、Ｌ，Ｘの添え字であるＥ，Ｆをそれぞれ熟練者及び非熟練者、ｃを現在、ｐを過去とし、さらにＷ_L[m]を各レベルベクトル要素の重み付け係数、Ｗ_X[n]を各特徴量の重み付け係数（n個）とそれぞれ表すとき、定量評価指数ＤＧＭを

により計算する。

したがって、この発明の第１の観点によれば、非熟練者と熟練者との間の現在における実力レベルの差と、非熟練者の現在のライフログデータ及び属性データの両方を反映した特徴量と熟練者の過去のライフログデータ及び属性データの両方を反映した特徴量との間の類似度をもとに、非熟練者と熟練者との間の第１の定量評価指数が求められ、この第１の定量評価指数をもとに熟練者が選択される。換言すれば、非熟練者よりも熟練度がはるかに高いけれども過去の境遇が類似していた熟練者が、マッチング処理により選択されることになる。このため、非熟練者に対し「その人物のようにレベルを高めたい」という意欲を持たせることが可能となる。しかも、非熟練者には現在の自分自身と過去の境遇が類似した熟練者の情報が提示されるため、非熟練者にとっては熟練者が身近な存在として感じられるようになり、「その人物のようにレベルを高められそう」、「自分にもできそうだ」と思わせる効果が期待できる。

また、この発明の第２の観点は、上記定量評価指数を計算する際に、上記非熟練者の端末から、上記送信した熟練者に関する情報に対する評価データを受信し、この受信された評価データに基づいて、上記式(1) における各特徴量の重み付け係数Ｗ_X[n]を可変するようにしたものである。
このようにすると、マッチング結果を表すデータの通知に対し非熟練者から送信される評価データをもとに上記定量評価指数を計算する際の重み付け係数が調整され、これにより定量評価指数が計算し直されて再度熟練者が選択される。したがって、非熟練者にとって特徴量がさらに近い熟練者に関する情報が提示されることになり、これにより非熟練者の向上意欲をより一層効果的に高めることが可能となる。

さらに、上記定量評価指数を計算する際には、Ｌをレベルベクトル、Ｘを特徴ベクトルとし、これらのレベルベクトルＬ及び特徴ベクトルＸに含まれる特徴量を式(1) で表し、Sim を類似度とするとき、定量評価指数ＤＧＭを

により計算するようにしてもよい。
このようにすると、定量評価指数を計算する際に、重み付け和の計算に限らず積の形を考慮することができる。

この発明の第３の観点は、複数の熟練者の各々について、上記抽出された現在の熟練度と当該熟練度を得るまでに要した時間とにより表される成長率と、上記抽出された過去の特徴量ごとの成長の困難さを表す成長困難度をそれぞれ計算し、当該計算された成長率及び成長困難度が高いほど大きな値となる第２の定量評価指数を、非熟練者と複数の熟練者との各々の組み合わせについてさらに計算する。そして、上記計算された第１及び第２の定量評価指数に基づいて、前記複数の熟練者の中から所定の条件を満たす熟練者を選択し、この選択された熟練者に関する情報を前記非熟練者が使用する端末へ送信するようにしたものである。

具体的には、上記第２の定量評価指数の計算を以下のように行う。

とすると共に、ｐを前記記憶された過去のライフログデータの集合の中で、

が最大になるときの値（ｐ_max）とし、Ｌ[m] をレベルベクトルの要素（m個）、Ｘ[n] を特徴量（n個）、Ｌ，Ｘの添え字であるＥ，Ｆをそれぞれ熟練者及び非熟練者、ｃを現在、ｐを過去とし、さらにＷ_L[m]を各レベルベクトル要素の重み付け係数、Ｗ_X[n]を各特徴量の重み付け係数（n個）とし、さらにｔを熟練者の過去ｐから現在ｃまでの総努力時間、Ｄ[n]を特徴量ごとの熟練者の成長困難度、Ｗ_T[m]を各レベルベクトル要素ごとの成長率の重み、Ｗ_D[n]を各特徴量の成長困難度の重みとしたとき、第２の定量評価指数ＥＰを、

により計算する。

上記熟練者を選択する手法としては、重み付け加算を用いるものと、正規化処理と乗算処理を組み合わせたものが考えられる。
すなわち、先ず重み付け加算を用いるものは、前記第１の定量評価指数をＤＧＭとすると共にその重み係数をＷ₁ とし、前記第２の定量評価指数をＥＰとすると共にその重み係数をＷ₂ とするとき、
Ｗ_{1 ・}ＤＧＭ＋Ｗ₂ ・ＥＰ
を計算し、その計算値をもとに前記複数の熟練者の中から所定の条件を満たす熟練者を選択するものである。

上記Ｗ_{1 ・}ＤＧＭ＋Ｗ₂ ・ＥＰの計算を行う際には、選択結果に対する非熟練者の評価結果の入力を受付け、この入力された評価結果をもとに前記重み係数Ｗ₁ ，Ｗ₂ を可変設定するとよい。
また、正規化処理と乗算処理を組み合わせたものは、前記熟練者を選択する際には、
前記第１の定量評価指数をＤＧＭ、前記第２の定量評価指数をＥＰとするとき、これら第１及び第２の定量評価指数ＤＧＭ，ＥＰをそれぞれ正規化し、この正規化されたＤＧＭ，ＥＰの積
ＤＧＭ×ＥＰ
を計算し、その計算値をもとに前記複数の熟練者の中から所定の条件を満たす熟練者を選択する。

したがって、この発明の第３の観点によれば、各熟練者の現在の熟練度と当該熟練度を得るまでに要した時間とにより表される成長率と、上記抽出された過去の特徴量ごとの成長の困難さを表す成長困難度が共に高いほど大きな値となる第２の定量評価指数が計算される。そして、先に述べた第１の定量評価指数に加え、上記第２の定量評価指数をさらに考慮して熟練者が選択される。すなわち、非熟練者よりも熟練度がはるかに高いけれども過去の境遇が非熟練者と類似し、しかも熟練度が向上し難い状況にあるにもかかわらず高い成長率を示した熟練者が選択される。このため、非熟練者に対し親近感を感じさせると同時に、「その人物のようにレベルを高めたい」、「レベルを高めるために行動を起こしたいと」という動機付けを与えることが可能となる。

すなわちこの発明によれば、非熟練者に対しより効果的に向上意欲を持たせることが可能な人物マッチング装置、方法及びプログラムを提供することができる。

この発明の実施形態に係わる人物マッチングサービスを実現するシステムの概略構成図。 図１に示したシステムで使用されるマッチングサーバの構成を示すブロック図。 この発明の第１の実施形態におけるマッチング処理の手順と処理内容を示すフローチャート。 図３に示したマッチング処理のうち重み付け調整処理の手順と処理内容を示すフローチャート。 図２に示したマッチング処理により算出されるＤＧＭ（Degree of Gap Matching）の一例を示す図である。 この発明の第３の実施形態におけるマッチング処理の手順と処理内容を示すフローチャート。 図６に示したマッチング処理のうち重み付け調整処理の手順と処理内容を示すフローチャート。 加齢と体力の関係の一例を示す図。 加齢と体力の関係から導いた成長困難度の一例を示す図。

以下、図面を参照してこの発明に係わる実施形態を説明する。
（第１の実施形態）
図１は、この発明の第１の実施形態に係わる人物マッチングサービスを実現するシステムの概略構成図である。
このシステムは、人物マッチング装置としての機能を有するマッチングサーバＳＶを備え、このマッチングサーバＳＶと、熟練者が使用する端末ＥＴ１〜ＥＴｎ及び非熟練者が使用する端末ＦＴ１〜ＦＴｍとの間で、通信ネットワークＮＷを介して通信を可能にしたものである。通信ネットワークＮＷは、例えばインターネットに代表されるＩＰ（Internet Protocol）網と、このＩＰ網に対しアクセスするための複数のアクセス網とから構成される。アクセス網としては、例えばＬＡＮ（Local Area Network）、無線ＬＡＮ、携帯電話網、有線電話網、ＣＡＴＶ（Cable Television）網が用いられる。

熟練者が使用する端末ＥＴ１〜ＥＴｎ及び非熟練者が使用する端末ＦＴ１〜ＦＴｍは、いずれも携帯電話機やスマートホン、ＰＤＡ（Personal Digital Assistant）等の携帯端末からなり、ＧＰＳ（Global Positioning System）を利用した位置計測機能や各種センサ、行動スケジュールを管理するスケジューラ、ブラウザ等のＷｅｂアクセス機能及び電子メール送受信機能等を備えている。

各端末ＥＴ１〜ＥＴｎ，ＦＴ１〜ＦＴｍは、上記Ｗｅｂアクセス機能を用いてマッチングサーバＳＶに対し熟練者及び非熟練者のライフログデータ及び属性データを送信する。また非熟練者が使用する端末ＦＴ１〜ＦＴｍは、電子メール送受信機能を用いてマッチングサーバＳＶからマッチング結果を表すデータを受信し、かつＷｅｂアクセス機能を用いてマッチング結果の評価データをマッチングサーバＳＶへ送信する。

ライフログデータは、例えばユーザが手入力した情報をもとに生成されて端末内の記憶部に記憶されるか、或いは上記位置計測機能や歩数計等のセンサによる検出データ、スケジューラの内容、電子書籍・音楽の再生時間の記録データ等をもとに自動的に生成されて上記記憶部に記憶される。そして、マッチングサーバＳＶからの送信要求に応じて選択的に読み出されマッチングサーバＳＶへ送信される。

属性データは、熟練者及び非熟練者自身のキー入力操作により入力され、マッチングサーバＳＶからの送信要求に応じてマッチングサーバＳＶへ送信される。評価データは、マッチング結果を表すデータを受信したときに非熟練者自身がキー入力操作により入力するもので、Ｗｅｂアクセス機能を用いてマッチングサーバＳＶへ送信される。なお、属性データは、携帯端末に付属する生体センサ等の検出データをもとに生成される生体年齢等を用いることも可能である。

ところで、マッチングサーバＳＶは例えばＷｅｂサーバからなり、以下のように構成される。図２はその機能構成を示すブロック図である。
すなわち、マッチングサーバＳＶは、通信インタフェースユニット１０と、制御ユニット２０と、記憶ユニット３０を備えている。

通信インタフェースユニット１０は、制御ユニット２０の制御の下で、上記熟練者及び非熟練者の各端末ＥＴ１〜ＥＴｎ，ＦＴ１〜ＦＴｍとの間で、通信ネットワークＮＷを介して、上記ライフログデータ、属性データ及びマッチング結果の評価データの受信処理と、マッチング結果を表すデータの送信処理を行う。

記憶ユニット３０は、例えばＨＤＤ（Hard Disc Drive）又はＳＳＤ（Solid State Drive）を使用したランダムアクセス可能な不揮発性メモリを使用したもので、この発明を実現するために必要な記憶部として、熟練者情報データベース３１と、非熟練者情報データベース３２を備えている。

熟練者情報データベース３１は、熟練者の端末ＥＴ１〜ＥＴｎからそれぞれ収集した熟練者のライフログデータ及び属性データを、熟練者の識別情報（ＩＤ）と関連付けて記憶するために使用される。非熟練者情報データベース３２は、非熟練者の端末ＦＴ１〜ＦＴｎからそれぞれ収集した非熟練者のライフログデータ及び属性データを、非熟練者の識別情報（ＩＤ）と関連付けて記憶するために使用される。

制御ユニット２０は、中央処理ユニット（ＣＰＵ；Central Processing Unit）を中核として備えるもので、この発明を実施するために必要な制御機能として、熟練者ライフログ取得制御部２１と、熟練者属性取得制御部２２と、非熟練者ライフログ取得制御部２３と、非熟練者属性取得制御部２４と、マッチング処理部２５と、重み付け調整部２６を有している。これらの制御機能はいずれも、記憶ユニット３０内の図示ないプログラムメモリに格納されたアプリケーション・プログラムを、上記ＣＰＵに実行させることにより実現される。

熟練者ライフログ取得制御部２１は、通信インタフェースユニット１０を制御することで、熟練者が使用する端末ＥＴ１〜ＥＴｎに対しそれぞれ異なるタイミングでライフログ送信要求を送信し、この要求に対し各端末ＥＴ１〜ＥＴｎから送信される所定期間分のライフログデータを受信して、上記熟練者情報データベース３１に熟練者ＩＤと関連付けて格納する処理を実行する。

熟練者属性取得制御部２２は、通信インタフェースユニット１０を制御することで、熟練者が使用する端末ＥＴ１〜ＥＴｎに対しそれぞれ異なるタイミングで属性送信要求を送信し、この要求に対し各端末ＥＴ１〜ＥＴｎから送信される熟練者の現在の属性データを受信して、上記熟練者情報データベース３１に熟練者ＩＤと関連付けて格納する処理を実行する。

非熟練者ライフログ取得制御部２３は、通信インタフェースユニット１０を制御することで、熟練者の紹介を要求した非熟練者の端末ＦＴ１〜ＦＴｍに対しライフログ送信要求を送信し、この要求に対し各端末ＦＴ１〜ＦＴｍから送信される所定期間分のライフログデータを受信して、上記非熟練者情報データベース３２に非熟練者ＩＤと関連付けて格納する処理を実行する。

非熟練者属性取得制御部２４は、通信インタフェースユニット１０を制御することで、熟練者の紹介を要求した非熟練者の端末ＦＴ１〜ＦＴｍに対し属性送信要求を送信し、この要求に対し各端末ＦＴ１〜ＦＴｍから送信される非熟練者の現在の属性データを受信して、上記非熟練者情報データベース３２に非熟練者ＩＤと関連付けて格納する処理を実行する。

マッチング処理部２５は、非熟練者の特徴量と複数の熟練者の特徴量とのマッチング処理を行って、類似度を表す定量評価指標が最も高い熟練者を選択する処理を行い、その選択結果を該当する非熟練者が使用する端末ＦＴｉへ通信インタフェースユニット１０から送信させる処理を行う。非熟練者及び複数の熟練者の特徴量は、それぞれ非熟練者情報データベース３２及び熟練者情報データベース３１に記憶されているライフログデータ及び属性データから抽出する。類似度を表す定量評価指標としては、ＤＧＭ（Degree of Gap Matching）を用いる。

重み付け調整部２６は、マッチング結果を通知した非熟練者の端末ＦＴｉから当該マッチング結果に対する評価データを通信インタフェースユニット１０を介して受け取る。そして、この受け取った評価データをもとにニューラルネットワークを用いて重み付け係数の学習処理を行い、この学習処理後の重み付け係数を再マッチング処理のために上記マッチング処理部２５にフィードバックする処理を行う。

次に、以上のように構成されたマッチングサーバＳＶによる動作を説明する。
（１）熟練者のライフログデータ及び属性データの収集処理
定常状態において、制御ユニット２０は熟練者ライフログ取得制御部２１を起動し、この熟練者ライフログ取得制御部２１の制御の下で、予め登録された熟練者が使用する端末ＥＴ１〜ＥＴｎに対しそれぞれ異なるタイミングで通信インタフェースユニット１０からライフログ送信要求を送信する。そして、この要求に対し各端末ＥＴ１〜ＥＴｎから送信される所定期間分、例えば短い場合で１週間、長い場合で１０年間分のライフログデータを通信インタフェースユニット１０を介して受信し、この受信されたライフログデータを熟練者情報データベース３１に熟練者ＩＤと関連付けて記憶させる。

ライフログデータとしては、例えば実力レベルと生活パターンの記録が用いられる。実力レベルとしては、例えば英語の資格検定であればそのスコア（４２０点や９３０点）が、また運動能力であれば（最大筋力３０kgや７０kg）等が挙げられる。なお、本実施形態では、実力レベルを、多次元になる場合を考慮してリスニングとリーディングの両方のスコア、或いは瞬発力と持久力の両方の筋力が反映されるように、レベルベクトルとして扱う。生活パターンの例としては、通勤時間（０．５時間や２．５時間）、睡眠時間（６時間や８時間）、テレビジョン視聴時間（０．５時間や４時間）、一週間における休日数（１日や３日）等が挙げられる。

続いて制御ユニット２０は、熟練者属性取得制御部２２を起動し、この熟練者属性取得制御部２２の制御の下で、上記予め登録された各熟練者が使用する端末ＥＴ１〜ＥＴｎに対しそれぞれ異なるタイミングで属性送信要求を送信する。そして、この要求に対し各端末ＥＴ１〜ＥＴｎから送信される熟練者の現在の属性データを通信インタフェースユニット１０を介して受信し、この受信された属性データを熟練者情報データベース３１に熟練者ＩＤと関連付けて記憶させる。

属性データとしては、例えば性別（例えば女性：１、男性：０と表現）、年齢（７歳や３５歳）、家族数（１人や４人）、性格が用いられる。このうち性格は、例えば５因子モデルを用いて表される。例えば、５因子をそれぞれ１０点満点とすると、勤勉性：７．９、知性：５．２、外向性：２．６、情緒安定性：５．１、協調性：５．３のように表現することができる。なお、この５因子モデルについては、Goldberg, L.R, “The development of markers for the big-five factor structure", Psychological Assessment, vol.4, pp26-42, 1992に詳しく述べられている。

（２）非熟練者のライフログデータ及び属性データの取得処理
さて、いま本システムに対し利用登録した非熟練者ＵＦｉの端末ＦＴｉから、熟練者の紹介要求を受け取ったとする。そうすると、制御ユニット２０は先ず非熟練者ライフログ取得制御部２４により、要求元の非熟練者ＵＦｉの端末ＦＴｉに対しライフログ送信要求を送信する。そして、この要求に対し端末ＦＴｉから送信される所定期間分のライフログデータを通信インタフェースユニット１０を介して受信し、非熟練者情報データベース３２に非熟練者ＩＤと関連付けて記憶させる。このとき取得するライフログデータの内容は、先に述べた熟練者の場合と同様であるが、取得対象期間は過去の１週間から１ヶ月分とする。

続いて制御ユニット２０は、非熟練者属性取得制御部２４により、要求元の非熟練者ＵＦｉの端末ＦＴｉに対し属性送信要求を送信し、この要求に対し端末ＦＴｉから送信される非熟練者の現在の属性データを通信インタフェースユニット１０介して受信して、非熟練者情報データベース３２に非熟練者ＩＤと関連付けて記憶させる。このとき取得する属性データについても、先に述べた熟練者の場合と同様である。

（３）非熟練者と複数の熟練者との間のマッチング処理
次に制御ユニット２０は、マッチング処理部２５により、上記非熟練者ＵＦｉと複数の熟練者との間で特徴量のマッチング処理を以下のように行う。図３はその処理手順と処理内容を示すフローチャートである。

（３−１）特徴量の抽出
すなわち、先ずマッチング処理部２５はステップＳ１１により、非熟練者情報データベース３２に記憶された非熟練者ＵＦｉのライフログデータ及び属性データをもとに、非熟練者ＵＦｉの特徴量を抽出する。例えば、英語資格検定のスコアを非熟練者の現在の実力レベルベクトルとして抽出する。また、非熟練者の性格を先に述べた５因子モデルにより表現される値に、性別、年齢及び家族数をそれぞれ数値化した値を加算し、その計算値を非熟練者ＵＦｉの特徴量とする。

次にマッチング処理部２５はステップＳ１２により、熟練者情報データベース３１に記憶された複数の熟練者のライフログデータ及び属性データを熟練者ごとに順に読み出し、この読み出されたデータをもとに、熟練者の特徴量を抽出する。この場合も、上記した非熟練者の場合と同様に、熟練者ごとにその現在の実力レベルベクトルと、性格、性別、年齢及び家族数に基づく数値を特徴量としてそれぞれ抽出する。そして、マッチング対象となるすべての熟練者について、その実力レベルベクトルと特徴量の抽出処理が終了したことをステップＳ１３により確認すると、ステップＳ１４に移行する。

（３−２）特徴量の正規化
マッチング処理部２５は、次にステップＳ１４において、上記抽出された非熟練者及び複数の熟練者の特徴量を正規化する。この正規化処理は、非熟練者及び全熟練者の各特徴量をその中の最大のもので割り、全ての値が０から１の範囲に収まるようにするものである。

（３−３）ＤＧＭの計算
次にマッチング処理部２５は、ステップＳ１５において、ＤＧＭの計算とその計算結果に基づく熟練者の選択処理を以下のように実行する。
先ずステップＳ１５１では重み付け係数の調整を行うが、熟練者がまだ選択されていない状態では重み付け係数を予め定めた初期値に設定する。この初期値としては、例えば全重み付け係数を“１”とする場合や、非熟練者にとってネガティブ（平均以下など）になる値、例えば特徴量の重み付け係数を“２”にする場合などが考えられる。非熟練者にとってネガティブになる特徴量の重み付け係数を増加させる理由は、熟練者の過去とネガティブな部分が類似しているほど非熟練者は熟練者に対して共感すると推測されるからである。平均の設定手法には、例えば今までにシステムを利用した非熟練者の特徴量から算出する手法と、ある集団の統計データを用いて設定する手法が考えられる。

次にマッチング処理部２５は、ステップＳ１５２において非熟練者ＵＦｉと複数の熟練者ＵＥ１，ＵＥ２，…との間でＤＧＭの計算を行う。ＤＧＭは、非熟練者と熟練種との間の特徴量の類似度を表す定量評価指標であり、(1) 式のように表される。

ただし、

である。

ここで、Ｌ[m] はレベルベクトルの要素（m個）、Ｘ[n] は特徴量（n個）、Ｌ，Ｘの添え字はそれぞれＥが熟練者、Ｆが非熟練者、ｃが現在、ｐが過去を表す。
ｐは、熟練者情報データベース３１に蓄積された過去のライフログデータの集合の中で、

が最大になるときの値（ｐ_max）である。
また、Ｗ_L[m]は各レベルベクトル要素の重み付け係数を、Ｗ_X[n]は各特徴量の重み付け係数（n個）をそれぞれ表す。

上記(1) 式を用いてＤＧＭを計算すると、現在における非熟練者の実力レベルと比べて、熟練者の実力レベルが高ければ高いほど式(1) の一項目

の値は大きくなる。また、非熟練者の現在の特徴量と熟練者の過去の特徴量との間の類似度が高ければ高いほど、式(1) の二項目

は大きくなる。

上記(1) 式により計算されたＤＧＭの一例を図５に示す。この例では、非熟練者ＵＦｉのライフログデータ及び属性データを、現在のＴＯＥＩＣスコア：４１０点、性別：男性、年齢：３１歳、家族数：４人、通勤時間：２時間としている。これに対し、熟練者ＵＥ１のライフログデータ及び属性データを、ＴＯＥＩＣスコアの過去から現在までの変化：４００点→９２５点、性別：男性、年齢の変化：３０歳→３５歳、家族数の変化：４人→４人、通勤時間の変化：１．５時間→０．５時間とし、また熟練者ＵＥ２のライフログデータ及び属性データを、ＴＯＥＩＣスコアの過去から現在までの変化：４８０点→６８０点、性別：女性、年齢の変化：１８歳→２１歳、家族数の変化：３人→３人、通勤時間の変化：０．５時間→０．５時間としている。

そして、以上のライフログデータ及び属性データに基づいて、非熟練者ＵＦｉと熟練者ＵＥ１，ＵＥ２との間でそれぞれ(1) 式によりＤＧＭを計算すると、非熟練者ＵＦｉと熟練者ＵＥ１との間のＤＧＭは“０．７４”、非熟練者ＵＦｉと熟練者ＵＥ２との間のＤＧＭは“０．４９”となる。なお、この計算は、式(1) の一項目と二項目の重み付け係数が同じになるように、一項目の重み付け係数を“５”、二項目の各特徴量の重み付け係数を“１”として行った。

（３−４）熟練者の選択
続いてマッチング処理部２５は、ステップＳ１５３において、上記ステップＳ１５２により計算された非熟練者ＵＦｉと複数の熟練者ＴＥ１，ＵＥ２，…との間の各ＤＧＭの値を比較し、ＤＧＭの値が最大となる熟練者ＵＥｊを選択する。例えば、図５に例示した熟練者ＵＥ１とのＤＧＭ値が最大であれば、この熟練者ＵＥ１を非熟練者ＵＦｉに紹介すべき熟練者として選択する。

（４）マッチング結果の送信
制御ユニット２０は、上記ステップＳ１５３において紹介すべき熟練者が選択されると、ステップＳ１６により、上記選択された熟練者のライフログデータ及び属性データを含む通知情報を生成し、この生成された情報をマッチング結果を表すデータとして通信インタフェースユニット１０から非熟練者ＵＦｉの端末ＦＴｉへ送信させる。このときの送信手段としては、例えば電子メールが用いられる。なお、電子メールを用いる代わりに、非熟練者ＵＦｉが端末ＦＴｉのブラウザ機能を用いてマッチングサーバＳＶのＷｅｂページに対しアクセスし、閲覧することにより上記マッチング結果を表すデータを取得できるようにしてもよい。

（５）重み付けの調整とＤＧＭの再計算
マッチングサーバＳＶから非熟練者ＵＦｉの端末ＦＴｉへマッチング結果を表すデータを送信すると、非熟練者ＵＦｉはこの通知されたマッチング結果のデータが自身にとって役に立つものか否かを判断する。そして、ある特徴量がより高い又は低い熟練者を希望する場合には、ブラウザ機能によりマッチングサーバＳＶのＷｅｂページを開いた状態で、特徴量の変更を要求するデータを評価データとして入力する。

マッチングサーバＳＶの制御ユニット２０は、重み付け調整部２６において、図４に示すようにステップＳ２１において非熟練者ＵＦｉの端末ＦＴｉにおける評価データの入力操作を監視している。そして、非熟練者ＵＦｉの端末ＦＴｉにおいて評価データが入力されると、この評価データを通信インタフェースユニット１０を介して受信し、ステップＳ２２においてニューラルネットワークを用いて重み付け係数の学習処理を行う。そして、この重み付け係数の学習処理により得られた新たな重み付け係数を、ステップＳ２３によりマッチング処理部２５に与える。

マッチング処理部２５は、上記与えられた調整後の重み付け係数を用いて非熟練者ＵＦｉと複数の熟練者ＵＥ１，ＵＥ２，…との間でそれぞれＤＧＭを計算し直す。そして、この計算された各ＤＧＭの中で最大となるＤＧＭが得られた熟練者ＵＥｋを選択し、そのライフログデータ及び属性データを非熟練者ＵＦｉの端末ＦＴｉに向け電子メールにより送信する。
以上の重み付け調整処理からＤＧＭの再計算処理、熟練者の再選択処理、及びその結果の送信処理は、非熟練者ＵＦｉの端末ＦＴｉから異なる評価データが送られるごとに繰り返し行われる。

以上詳述したように第１の実施形態では、複数の熟練者のライフログデータ及び属性データを当該熟練者の端末ＥＴ１〜ＥＴｎから収集して熟練者情報データベース３１に蓄積しておく。この状態で、非熟練者ＵＦｉのライフログデータ及び属性データを当該非熟練者の端末ＦＴｉから取得し、これらのライフログデータ及び属性データからその特徴量を抽出すると共に、上記記憶された複数の熟練者のライフログデータ及び属性データからそれぞれ特徴量を抽出する。そして、上記非熟練者ＵＦｉと複数の熟練者との間で、上記抽出された特徴量の関係をＤＧＭの計算式によりそれぞれ計算し、ＤＧＭが最大となる熟練者を選択してそのライフログデータ及び属性データを上記非熟練者ＵＦｉの端末ＦＴｉへ送信するようにしている。

具体的には、上記ＤＧＭを上記式(1) により計算している。すなわち、非熟練者と熟練者との間の現在における実力レベルの差が大きければ大きいほどＤＧＭは高い値となり、また非熟練者の現在の特徴量と熟練者の過去の特徴量との類似度が高ければ高いほどＤＧＭは高い値となるような計算を行っている。

したがって第１の実施形態では、非熟練者と熟練者との間の現在における実力レベルの差と、非熟練者の現在のライフログデータ及び属性データの両方を反映した特徴量と熟練者の過去のライフログデータ及び属性データの両方を反映した特徴量との間の類似度をもとに、非熟練者と熟練者との間の関係を表すＤＧＭが求められる。そして、このＤＧＭが最大となる熟練者の情報が非熟練者ＵＦｉに通知される。

言い換えれば、非熟練者ＵＦｉよりも熟練度がはるかに高いけれども、過去に境遇が類似していた熟練者がマッチング処理により選択されて非熟練者ＵＦｉに提示されることになる。このため、非熟練者ＵＦｉに対し「その人物のようにレベルを高めたい」という意欲を持たせることが可能となる。しかも、非熟練者ＵＦｉには現在の自分自身と過去の境遇が類似した熟練者の情報が提示されるため、非熟練者ＵＦｉにとっては熟練者が身近な存在として感じられるようになり、「その人物のようにレベルを高められそう」、「自分にもできそうだ」と思わせる効果が期待できる。

また第１の実施形態では、マッチング結果を表すデータの通知に対し非熟練者ＵＦｉから送信される評価データを受信し、この評価データをもとに上記ＤＧＭを計算する際のレベル及び特徴量に対する重み付け係数を調整して、ＤＧＭを計算し直し熟練者を選択し直すようにしている。したがって、非熟練者ＵＦｉにとって特徴量がさらに近い熟練者に関する情報が提示されることになり、これにより非熟練者ＵＦｉの向上意欲をより一層効果的に高めることが可能となる。

（第２の実施形態）
前記第１の実施形態ではＤＧＭの計算に際し重み付け和の計算を行ったが、それに限らず例えば式(3) に示すように積の形を考慮するようにしてもよい。

ここで、太字のＬはレベルベクトル、太字のＸは特徴ベクトルとする。レベルベクトルＬ及び特徴ベクトルＸに含まれる特徴量は式(1) と同様である。Sim は類似度を表し、この類似度Sim の計算にはユークリッド距離、ピアソン相関係数、コサイン類似度等が用いられる。
また、熟練者の現在のレベル及び特徴量は熟練者の実力レベルが最大だった過去の特徴量に置き換えることもできる。

（第３の実施形態）
この発明の第３の実施形態は、熟練者の現在の熟練度と当該熟練度を得るまでに要した時間とにより成長率（効率）を計算すると共に、上記熟練者の過去の特徴量ごとに成長の困難さを表す成長困難度を計算し、この計算された成長率及び成長困難度が高いほど大きな値となる定量評価指数ＥＰ（Expert Property）を計算する。そして、第１の実施形態で述べた定量評価指数ＤＧＭ（Degree of Gap Matching）と、上記算出された定量評価指標ＥＰとの組み合わせが最大となる熟練者を選択するようにしたものである。

この発明の第３の実施形態に係るマッチングサーバＳＶは、以下のような新たな機能を備えている。なお、第３の実施形態においても図２を参照し、第１の実施形態と同一部分については詳しい説明は省略する。

すなわち、マッチングサーバＳＶのマッチング処理部２５′は、以下の処理機能を有している。これらの処理機能はいずれも、記憶ユニット３０内の図示ないプログラムメモリに格納されたアプリケーション・プログラムをＣＰＵに実行させることにより実現される。

(1) 非熟練者及び複数の熟練者の特徴量を、それぞれ非熟練者情報データベース３２及び熟練者情報データベース３１に記憶されているライフログデータ及び属性データから抽出する処理。
(2) 抽出された非熟練者及び各熟練者の現在における熟練度の違いと、上記抽出された非熟練者の現在の特徴量と各熟練者の過去の特徴量との類似度をもとに、熟練度の違いが大きくかつ類似度が高いほど大きな値となる定量評価指数ＤＧＭを、上記非熟練者と各熟練者との各々の組み合わせについて計算する処理。

(3) 上記抽出された熟練者の現在の熟練度と当該熟練度を得るまでに要した時間とにより表される成長率と、上記抽出された熟練者の過去の特徴量ごとの成長の困難さを表す成長困難度をもとに、当該成長率及び成長困難度が高いほど大きな値となる定量評価指数ＥＰを、非熟練者と複数の熟練者との各々の組み合わせについて計算する処理。
(4) 上記(2)及び(3)により算出された定量評価指数ＤＧＭと定量評価指数ＥＰとの全ての組み合わせについてその重み付け加算値を算出し、この算出された重み付け加算値が最大となる上記定量評価指数ＤＧＭと定量評価指数ＥＰとの組み合わせを持つ熟練者を選択する処理。
(5) 上記選択された熟練者に関する情報を、該当する非熟練者が使用する端末ＦＴｉへ通信インタフェースユニット１０から送信させる処理。

次に、以上のように構成されたマッチングサーバＳＶによる非熟練者と複数の熟練者との間のマッチング処理の動作を説明する。このマッチング処理は、制御ユニット２０内のマッチング処理部２５′により以下のように行われる。図６はその処理手順と処理内容を示すフローチャートである。なお、図６において前記図３と同一処理部分には同一符号を付して説明を行う。

（６−１）特徴量の抽出
すなわち、先ずマッチング処理部２５′はステップＳ１１により、非熟練者情報データベース３２に記憶された非熟練者ＵＦｉのライフログデータ及び属性データをもとに、非熟練者ＵＦｉの特徴量を抽出する。例えば、英語資格検定のスコアを非熟練者の現在の実力レベルベクトルとして抽出する。また、非熟練者の性格を先に述べた５因子モデルにより表現される値に、性別、年齢及び家族数をそれぞれ数値化した値を加算し、その計算値を非熟練者ＵＦｉの特徴量とする。

次にマッチング処理部２５′はステップＳ１２により、熟練者情報データベース３１に記憶された複数の熟練者のライフログデータ及び属性データを熟練者ごとに順に読み出し、この読み出されたデータをもとに、熟練者の特徴量を抽出する。この場合も、上記した非熟練者の場合と同様に、熟練者ごとにその現在の実力レベルベクトルと、性格、性別、年齢及び家族数に基づく数値を特徴量としてそれぞれ抽出する。そして、マッチング対象となるすべての熟練者について、その実力レベルベクトルと特徴量の抽出処理が終了したことをステップＳ１３により確認すると、ステップＳ１４に移行する。

（６−２）特徴量の正規化
マッチング処理部２５′は、次にステップＳ１４において、上記抽出された非熟練者及び複数の熟練者の特徴量を正規化する。この正規化処理は、非熟練者及び全ての熟練者の各特徴量をその中の最大のもので割り、全ての値が０から１の範囲に収まるようにする処理である。

次にマッチング処理部２５′は、ステップＳ３１に移行してＤＧＭの計算、ＥＰの計算、及びその各計算結果に基づく熟練者の選択処理を以下のように実行する。
（６−３）ＤＧＭの計算
先ずマッチング処理部２５′は、ステップＳ１５１において、ＤＧＭの計算で使用する重み付け係数を以下のように決定する。すなわち、熟練者がまだ選択されていない状態では、重み付け係数を予め定めた初期値に設定する。この初期値としては、例えば全重み付け係数を“１”とする場合や、非熟練者にとってネガティブ（平均値以下など）になる値、例えば特徴量の重み付け係数を“２”にする場合などが考えられる。非熟練者にとってネガティブになる特徴量の重み付け係数を増加させる理由は、熟練者の過去とネガティブな部分が類似しているほど非熟練者は熟練者に対して共感すると推測されるからである。平均値の設定手法には、例えば今までにシステムを利用した非熟練者の特徴量から算出する手法と、ある集団の統計データを用いて設定する手法が考えられる。

また上記重み付け係数は、図４に示したように非熟練者ＵＦｉが入力した評価データを当該非熟練者ＵＦｉの端末ＦＴｉから受信し、この受信した評価データをもとにニューラルネットワークを用いて重み付け係数の学習処理を行い、この学習処理により得られた重み付け係数を使用することも可能である。

次にマッチング処理部２５′は、ステップＳ１５２において非熟練者ＵＦｉと複数の熟練者ＵＥ１，ＵＥ２，…との間でＤＧＭの計算を行う。ＤＧＭは、非熟練者と熟練種との間の特徴量の関係を表す定量評価指標であり、第１の実施形態で述べた(1) 式により計算される。上記(1) 式を用いてＤＧＭを計算すると、現在における非熟練者の実力レベルと比べて、熟練者の実力レベルが高ければ高いほど式(1) の一項目の値は大きくなる。また、非熟練者の現在の特徴量と熟練者の過去の特徴量との間の類似度が高ければ高いほど、式(1) の二項目の値は大きくなる。

（６−４）ＥＰの計算
次にマッチング処理部２５′は、ステップＳ３１１において、ＥＰの計算で使用する重み付け係数を以下のように決定する。すなわち、このＥＰ用の重み付け係数も、先に述べたＤＧＭ用の重み付け係数と同様に、初期値として固定値を設定する。この固定値としては、例えば“１”を用いる。

続いてマッチング処理部２５′は、ステップＳ３１２により各熟練者についてＥＰを計算する。ＥＰは、先に述べたように熟練者の現在の熟練度と当該熟練度を得るまでに要した時間とにより表される成長率と、上記抽出された熟練者の過去の特徴量ごとの成長の困難さを表す成長困難度をもとに計算されるもので、次の式により表される。

ここで、ｐ_maxは第１の実施形態で述べた式(2)により表される値であり、ｔは熟練者の過去から現在までの総努力時間、Ｄ[n]は特徴量ごとの熟練者の成長困難度、Ｗ_T[m]は各レベルベクトル要素の効率の重み付け係数、Ｗ_D[n]は各特徴量の成長困難度の重み付け係数を表す。

成長困難度Ｄ[n]は、熟練者の特徴量ごとに値が設定される。例えば、特徴量が「年齢」の場合、身体を使う分野では「加齢と体力との関係」を、また記憶を要する分野では「加齢と記憶との関係」を用いる。図８は加齢と体力との関係の一例を示したグラフであり、加齢とともに体力が衰えることを表している。

図８に示される加齢と体力との関係を用いて成長困難度を導く場合には、先ず各年齢の体力値をその最大値で割ることで全ての体力値が０〜１の範囲に収まるように正規化し、この正規化された値をnorm(x)とする。そして、この正規化された値norm(x)の逆数である1−norm(x)を求め、この値を成長困難度とする。図９は、上記加齢と体力との関係から導いた成長困難度の一例を示したグラフである。

また、時間に関する生活パターン、例えば通勤時間、睡眠時間、ＴＶ視聴時間といった特徴量について成長困難度を求める場合には、熟練分野に関連しない時間が増すほど困難度は増すことから、（時間に関する生活パターン(h)／24(h) ）の値を成長困難度とする。その他、成長困難度を想定することが困難な特徴量については、成長困難度を無視する。つまり、その特徴量がどんな値でも困難度を０とする。

なお、「加齢と体力との関係」については文部科学省、“平成２０年度体力・運動能力調査”、２００８に、また「加齢と記憶との関係」についてはPB Baltes, UM Staudinger, “Wisdom: A metaheuristic (pragmatic) to orchestrate mind and virtue toward excellence” The American psychologist, vol.55, pp122-136, 2000.にそれぞれ詳しく記載されている。

（６−５）熟練者の選択
次にマッチング処理部２５′は、ステップＳ３１３において、上記ステップＳ１５２及びステップＳ３１２によりそれぞれ計算されたＤＧＭ及びＥＰとのすべての組み合わせについてそれぞれ重み付け和を下式により計算する。
Ｗ₁ ・ＤＧＭ＋Ｗ₂ ・ＥＰ
なお、重み付け係数Ｗ₁ ，Ｗ₂については、先にステップＳ３１１により設定された固定値“１”の初期値が割り当てられる。
そして、上記Ｗ₁ ・ＤＧＭ＋Ｗ₂ ・ＥＰの計算結果をもとに、当該計算値が最も大きくなる熟練者を選択する。

なお、上記重み付け和（Ｗ₁ ・ＤＧＭ＋Ｗ₂ ・ＥＰ）を用いる以外に、ＥＰを０．８〜１．０の間で正規化してＤＧＭ×ＥＰを計算し、このＤＧＭ×ＥＰの計算結果をもとに、当該計算値が最も大きくなる熟練者を選択するようにしてもよい。

（６−５）マッチング結果の送信
制御ユニット２０は、上記ステップＳ３１３において紹介すべき熟練者が選択されると、この選択された熟練者のライフログデータ及び属性データを含む通知情報を生成し、この生成された情報をマッチング結果を表すデータとして通信インタフェースユニット１０から非熟練者ＵＦｉの端末ＦＴｉへ送信させる。このときの送信手段としては、例えば電子メールが用いられる。なお、電子メールを用いる代わりに、非熟練者ＵＦｉが端末ＦＴｉのブラウザ機能を用いてマッチングサーバＳＶのＷｅｂページに対しアクセスし、閲覧することにより上記マッチング結果を表すデータを取得できるようにしてもよい。

（６−６）重み付け調整部２６における重み付け係数の学習
マッチングサーバＳＶから非熟練者ＵＦｉの端末ＦＴｉへマッチング結果を表すデータを送信すると、非熟練者ＵＦｉはこの通知されたマッチング結果のデータが自身にとって役に立つものか否かを判断する。そして、ある特徴量がより高い又は低い熟練者を希望する場合には、ブラウザ機能によりマッチングサーバＳＶのＷｅｂページを開いた状態で、特徴量の変更を要求するデータを評価データとして入力する。例えば、提示された熟練者を気に入らなかった（ある特徴量が、より高い／低い熟練者を希望する）等の評価データを入力する。

マッチングサーバＳＶの制御ユニット２０は、重み付け調整部２６において、図７に示すようにステップＳ４１において非熟練者ＵＦｉの端末ＦＴｉにおける評価データの入力操作を監視している。そして、非熟練者ＵＦｉの端末ＦＴｉにおいて評価データが入力されると、この評価データを通信インタフェースユニット１０を介して受信し、ステップＳ４２においてニューラルネットワークを用いてＥＰ用の重み付け係数の学習処理を行う。この学習処理には重回帰分析が用いられる。そして、この重み付け係数の学習処理により得られた新たなＥＰ用の重み付け係数を、ステップＳ４３によりマッチング処理部２５′に与える。

（６−７）ＤＧＭ及びＥＰの再計算処理
マッチング処理部２５′は、上記重み付け調整部２６から与えられた調整後のＤＧＭ用重み付け係数を用いて、ステップＳ１５２において非熟練者ＵＦｉと各熟練者ＵＥ１，ＵＥ２，…との間のＤＧＭを計算し直す。またそれと共にステップＳ３１２において、上記重み付け調整部２６から与えられた調整後のＥＰ用重み付け係数を用いて各熟練者ＵＥ１，ＵＥ２，…のＥＰを計算し直す。そして、この計算されたＤＧＭ及びＥＰとのすべての組み合わせについて、それぞれ重み付け和（Ｗ₁ ・ＤＧＭ＋Ｗ₂ ・ＥＰ）又は積ＤＧＭ×ＥＰを計算し、その計算結果をもとに当該計算値が最も大きくなる熟練者を選択し直す。
そして、上記選択された熟練者のライフログデータ及び属性データを含む通知情報を生成し、この生成された情報をマッチング結果を表すデータとして通信インタフェースユニット１０から非熟練者ＵＦｉの端末ＦＴｉに向け電子メールにより送信する。

以上の重み付け調整処理からＤＧＭ及びＥＰの再計算処理、熟練者の再選択処理、及びその結果の送信処理は、非熟練者ＵＦｉの端末ＦＴｉから異なる評価データが送られるごとに繰り返し行われる。

以上詳述したように第３の実施形態では、マッチング処理部２５′において、各熟練者ＵＥ１，ＵＥ２，…の現在の熟練度と当該熟練度を得るまでに要した時間ｔとにより成長率（効率）を計算すると共に、上記熟練者ＵＥ１，ＵＥ２，…の過去の特徴量ごとに成長の困難さを表す成長困難度Ｄ[n]を計算し、この計算された成長率及び成長困難度Ｄ[n]が高いほど大きな値となる定量評価指数ＥＰを(4)式により計算する。そして、第１の実施形態で述べた定量評価指数ＤＧＭと、上記算出された定量評価指標ＥＰとの組み合わせが最大となる熟練者を選択するようにしている。

したがって、ＤＧＭだけでなくＥＰも考慮して熟練者が選択される。すなわち、非熟練者よりも熟練度がはるかに高いけれども過去の境遇が非熟練者と類似し、しかも熟練度が向上し難い状況にあるにもかかわらず高い成長率を示した熟練者が選択される。このため、非熟練者に対し親近感を感じさせると同時に、「その人物のようにレベルを高めたい」、「レベルを高めるために行動を起こしたいと」という動機付けを非熟練者に与えることが可能となる。

（その他の実施形態）
なお、この発明は上記各実施形態に限定されるものではなく、マッチングサーバの構成やその処理機能、処理手順と処理内容等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。
要するにこの発明は、上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、各実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

ＳＶ…マッチングサーバ、ＮＷ…通信ネットワーク、ＥＴ１〜ＥＴｎ…熟練者が使用する携帯端末、ＦＴ１〜ＦＴｍ…非熟練者が使用する携帯端末、１０…通信インタフェースユニット、２０…制御ユニット、２１…熟練者ライフログ取得制御部、２２…熟練者属性取得制御部、２３…非熟練者ライフログ取得制御部、２４…非熟練者属性取得制御部、２５，２５′…マッチング処理部、２６…重み付け調整部、３０…記憶ユニット、熟練者情報データベース、３２…非熟練者情報データベース。

Claims (19)

1. 複数の熟練者の過去から現在に至る期間のライフログデータ及び属性データを収集し記憶する手段と、
   非熟練者の現在のライフログデータ及び属性データを当該非熟練者の端末から取得する手段と、
   前記取得された非熟練者ライフログデータ及び前記記憶された各熟練者のライフログデータからそれぞれ非熟練者及び各熟練者の現在における熟練度を抽出する手段と、
   前記取得された非熟練者の属性データから非熟練者の現在の状況を表す特徴量を抽出すると共に、前記記憶された各熟練者の属性データから各熟練者の過去の状況を表す特徴量を抽出する手段と、
   前記抽出された非熟練者及び各熟練者の現在における熟練度の違いと、前記抽出された非熟練者の現在の特徴量と前記各熟練者の過去の特徴量との類似度をもとに、前記熟練度の違いが大きくかつ前記類似度が高いほど大きな値となる第１の定量評価指数を、前記非熟練者と前記複数の熟練者との各々の組み合わせについて計算する第１の定量評価指数計算手段と、
   前記計算された第１の定量評価指数に基づいて前記複数の熟練者の中から所定の条件を満たす熟練者を選択し、この選択された熟練者に関する情報を前記非熟練者が使用する端末へ送信する熟練者選択手段と
   を具備することを特徴とする人物マッチング装置。
2. 前記第１の定量評価指数計算手段は、
   

   

   とすると共に、ｐを前記記憶された過去のライフログデータの集合の中で、
   

   

   が最大になるときの値（ｐ_max）とし、Ｌ[m] をレベルベクトルの要素（m個）、Ｘ[n] を特徴量（n個）、Ｌ，Ｘの添え字であるＥ，Ｆをそれぞれ熟練者及び非熟練者、ｃを現在、ｐを過去とし、さらにＷ_L[m]を各レベルベクトル要素の重み付け係数、Ｗ_X[n]を各特徴量の重み付け係数（n個）とそれぞれ表すとき、第１の定量評価指数ＤＧＭを
   

   

   により計算することを特徴とする請求項１記載の人物マッチング装置。
3. 前記第１の定量評価指数計算手段は、
   前記非熟練者の端末から、前記送信した熟練者に関する情報に対する評価データを受信する手段と、
   前記受信された評価データに基づいて、前記式(1) における各特徴量の重み付け係数Ｗ_X[n]を可変する手段と
   を、さらに備えることを特徴とする請求項２記載の人物マッチング装置。
4. 前記第１の定量評価指数計算手段は、
   Ｌをレベルベクトル、Ｘを特徴ベクトルとし、これらのレベルベクトルＬ、及び特徴ベクトルＸに含まれる特徴量を前記式(1) で表し、Sim を類似度とするとき、第１の定量評価指数ＤＧＭを
   

   

   により計算することを特徴とする請求項２記載の人物マッチング装置。
5. 前記複数の熟練者の各々について、前記抽出された現在の熟練度と当該熟練度を得るまでに要した時間とにより表される成長率と、前記抽出された過去の特徴量ごとの成長の困難さを表す成長困難度をそれぞれ計算し、当該計算された成長率及び成長困難度が高いほど大きな値となる第２の定量評価指数を、前記非熟練者と前記複数の熟練者との各々の組み合わせについて計算する第２の定量評価指数計算手段を、さらに具備し、
   前記熟練者選択手段は、前記計算された第１及び第２の定量評価指数に基づいて前記複数の熟練者の中から所定の条件を満たす熟練者を選択し、この選択された熟練者に関する情報を前記非熟練者が使用する端末へ送信することを特徴とする請求項１記載の人物マッチング装置。
6. 前記第２の定量評価指数計算手段は、
   

   

   とすると共に、ｐを前記記憶された過去のライフログデータの集合の中で、
   

   

   が最大になるときの値（ｐ_max）とし、Ｌ[m] をレベルベクトルの要素（m個）、Ｘ[n] を特徴量（n個）、Ｌ，Ｘの添え字であるＥ，Ｆをそれぞれ熟練者及び非熟練者、ｃを現在、ｐを過去とし、さらにＷ_L[m]を各レベルベクトル要素の重み付け係数、Ｗ_X[n]を各特徴量の重み付け係数（n個）とし、さらにｔを熟練者の過去ｐから現在ｃまでの総努力時間、Ｄ[n]を特徴量ごとの熟練者の成長困難度、Ｗ_T[m]を各レベルベクトル要素ごとの成長率の重み、Ｗ_D[n]を各特徴量の成長困難度の重みとしたとき、第２の定量評価指数ＥＰを、
   

   

   により計算することを特徴とする請求項５記載の人物マッチング装置。
7. 前記熟練者選択手段は、
   前記第１の定量評価指数をＤＧＭとすると共にその重み係数をＷ₁ とし、前記第２の定量評価指数をＥＰとすると共にその重み係数をＷ₂ とするとき、
   Ｗ_{1 ・}ＤＧＭ＋Ｗ₂ ・ＥＰ
   を計算し、その計算値をもとに前記複数の熟練者の中から所定の条件を満たす熟練者を選択することを特徴とする請求項５記載の人物マッチング装置。
8. 前記熟練者選択手段は、
   前記選択結果に対する非熟練者の評価結果の入力を受付け、この入力された評価結果をもとに前記重み係数Ｗ₁ ，Ｗ₂ を可変設定する手段を、さらに備えることを特徴とする請求項７記載の人物マッチング装置。
9. 前記熟練者選択手段は、
   前記第１の定量評価指数をＤＧＭ、前記第２の定量評価指数をＥＰとするとき、これら第１及び第２の定量評価指数ＤＧＭ，ＥＰをそれぞれ正規化し、この正規化されたＤＧＭ，ＥＰの積
   ＤＧＭ×ＥＰ
   を計算し、その計算値をもとに前記複数の熟練者の中から所定の条件を満たす熟練者を選択することを特徴とする請求項５記載の人物マッチング装置。
10. 複数の熟練者の過去から現在に至る期間のライフログデータ及び属性データを収集し記憶する過程と、
    非熟練者の現在のライフログデータ及び属性データを当該非熟練者の端末から取得する過程と、
    前記取得された非熟練者ライフログデータ及び前記記憶された各熟練者のライフログデータからそれぞれ非熟練者及び各熟練者の現在における熟練度を抽出する過程と、
    前記取得された非熟練者の属性データから非熟練者の現在の状況を表す特徴量を抽出すると共に、前記記憶された各熟練者の属性データから各熟練者の過去の状況を表す特徴量を抽出する過程と、
    前記抽出された非熟練者及び各熟練者の現在における熟練度の違いと、前記抽出された非熟練者の現在の特徴量と前記各熟練者の過去の特徴量との類似度をもとに、前記熟練度の違いが大きくかつ前記類似度が高いほど大きな値となる第１の定量評価指数を、前記非熟練者と前記複数の熟練者との各々の組み合わせについて計算する第１の定量評価指数計算過程と、
    前記計算された第１の定量評価指数に基づいて前記複数の熟練者の中から所定の条件を満たす熟練者を選択し、この選択された熟練者に関する情報を前記非熟練者が使用する端末へ送信する熟練者選択過程と
    を具備することを特徴とする人物マッチング方法。
11. 前記第１の定量評価指数計算過程は、
    

    

    とすると共に、ｐを前記記憶された過去のライフログデータの集合の中で、
    

    

    が最大になるときの値（ｐ_max）とし、Ｌ[m] をレベルベクトルの要素（m個）、Ｘ[n] を特徴量（n個）、Ｌ，Ｘの添え字であるＥ，Ｆをそれぞれ熟練者及び非熟練者、ｃを現在、ｐを過去とし、さらにＷ_L[m]を各レベルベクトル要素の重み付け係数、Ｗ_X[n]を各特徴量の重み付け係数（n個）とそれぞれ表すとき、第１の定量評価指数ＤＧＭを
    

    

    により計算することを特徴とする請求項１０記載の人物マッチング方法。
12. 前記第１の定量評価指数計算過程は、
    前記非熟練者の端末から、前記送信した熟練者に関する情報に対する評価データを受信する過程と、
    前記受信された評価データに基づいて、前記式(1) における各特徴量の重み付け係数Ｗ_X[n]を可変する過程と
    を、さらに備えることを特徴とする請求項１１記載の人物マッチング方法。
13. 前記第１の定量評価指数計算過程は、
    Ｌをレベルベクトル、Ｘを特徴ベクトルとし、これらのレベルベクトルＬ及び特徴ベクトルＸに含まれる特徴量を式(1) で表し、Sim を類似度とするとき、第１の定量評価指数ＤＧＭを
    

    

    により計算することを特徴とする請求項１１記載の人物マッチング方法。
14. 前記複数の熟練者の各々について、前記抽出された現在の熟練度と当該熟練度を得るまでに要した時間とにより表される成長率と、前記抽出された過去の特徴量ごとの成長の困難さを表す成長困難度をそれぞれ計算し、当該計算された成長率及び成長困難度が高いほど大きな値となる第２の定量評価指数を、前記非熟練者と前記複数の熟練者との各々の組み合わせについて計算する第２の定量評価指数計算過程を、さらに具備し、
    前記熟練者選択過程は、前記計算された第１及び第２の定量評価指数に基づいて前記複数の熟練者の中から所定の条件を満たす熟練者を選択し、この選択された熟練者に関する情報を前記非熟練者が使用する端末へ送信することを特徴とする請求項１０記載の人物マッチング方法。
15. 前記第２の定量評価指数計算過程は、
    

    

    とすると共に、ｐを前記記憶された過去のライフログデータの集合の中で、
    

    

    が最大になるときの値（ｐ_max）とし、Ｌ[m] をレベルベクトルの要素（m個）、Ｘ[n] を特徴量（n個）、Ｌ，Ｘの添え字であるＥ，Ｆをそれぞれ熟練者及び非熟練者、ｃを現在、ｐを過去とし、さらにＷ_L[m]を各レベルベクトル要素の重み付け係数、Ｗ_X[n]を各特徴量の重み付け係数（n個）とし、さらにｔを熟練者の過去ｐから現在ｃまでの総努力時間、Ｄ[n]を特徴量ごとの熟練者の成長困難度、Ｗ_T[m]を各レベルベクトル要素ごとの成長率の重み、Ｗ_D[n]を各特徴量の成長困難度の重みとしたとき、第２の定量評価指数ＥＰを、
    

    

    により計算することを特徴とする請求項１４記載の人物マッチング方法。
16. 前記熟練者選択過程は、
    前記第１の定量評価指数をＤＧＭとすると共にその重み係数をＷ₁ とし、前記第２の定量評価指数をＥＰとすると共にその重み係数をＷ₂ とするとき、
    Ｗ_{1 ・}ＤＧＭ＋Ｗ₂ ・ＥＰ
    を計算し、その計算値をもとに前記複数の熟練者の中から所定の条件を満たす熟練者を選択することを特徴とする請求項１４記載の人物マッチング方法。
17. 前記熟練者選択過程は、
    前記選択結果に対する非熟練者の評価結果の入力を受付け、この入力された評価結果をもとに前記重み係数Ｗ₁ ，Ｗ₂ を可変設定する過程を、さらに備えることを特徴とする請求項１６記載の人物マッチング方法。
18. 前記熟練者選択過程は、
    前記第１の定量評価指数をＤＧＭ、前記第２の定量評価指数をＥＰとするとき、これら第１及び第２の定量評価指数ＤＧＭ，ＥＰをそれぞれ正規化し、この正規化されたＤＧＭ，ＥＰの積
    ＤＧＭ×ＥＰ
    を計算し、その計算値をもとに前記複数の熟練者の中から所定の条件を満たす熟練者を選択することを特徴とする請求項１４記載の人物マッチング方法。
19. 請求項１乃至９記載のいずれかに記載の人物マッチング装置が備える手段を実現する処理をコンピュータに実行させるプログラム。

Images