JP2023143891A - Computer program, information processing device and method - Google Patents
Computer program, information processing device and method Download PDFInfo
- Publication number
- JP2023143891A JP2023143891A JP2023061286A JP2023061286A JP2023143891A JP 2023143891 A JP2023143891 A JP 2023143891A JP 2023061286 A JP2023061286 A JP 2023061286A JP 2023061286 A JP2023061286 A JP 2023061286A JP 2023143891 A JP2023143891 A JP 2023143891A
- Authority
- JP
- Japan
- Prior art keywords
- data
- target
- sample
- state
- identifies
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 162
- 230000010365 information processing Effects 0.000 title claims abstract description 157
- 238000004590 computer program Methods 0.000 title claims abstract description 62
- 230000009471 action Effects 0.000 claims abstract description 92
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 32
- 201000010099 disease Diseases 0.000 claims abstract description 28
- 230000037081 physical activity Effects 0.000 claims abstract description 25
- 208000001145 Metabolic Syndrome Diseases 0.000 claims abstract description 9
- 201000000690 abdominal obesity-metabolic syndrome Diseases 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 170
- 238000012545 processing Methods 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 34
- 230000036541 health Effects 0.000 abstract description 169
- 238000004891 communication Methods 0.000 abstract description 86
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 230000000391 smoking effect Effects 0.000 abstract description 3
- 230000037396 body weight Effects 0.000 abstract description 2
- 230000007958 sleep Effects 0.000 description 323
- 239000000047 product Substances 0.000 description 166
- 208000024891 symptom Diseases 0.000 description 144
- 206010027304 Menopausal symptoms Diseases 0.000 description 109
- 230000033764 rhythmic process Effects 0.000 description 82
- 238000010586 diagram Methods 0.000 description 49
- 238000007781 pre-processing Methods 0.000 description 41
- 238000010801 machine learning Methods 0.000 description 37
- 230000004044 response Effects 0.000 description 25
- 230000009245 menopause Effects 0.000 description 22
- 230000003860 sleep quality Effects 0.000 description 22
- 230000004622 sleep time Effects 0.000 description 22
- 235000003715 nutritional status Nutrition 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 19
- 230000036571 hydration Effects 0.000 description 19
- 238000006703 hydration reaction Methods 0.000 description 19
- 210000002700 urine Anatomy 0.000 description 15
- 238000007477 logistic regression Methods 0.000 description 12
- 235000016709 nutrition Nutrition 0.000 description 12
- 235000013305 food Nutrition 0.000 description 11
- 230000003862 health status Effects 0.000 description 11
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 10
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 10
- 206010022437 insomnia Diseases 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 9
- 238000012417 linear regression Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 230000005186 women's health Effects 0.000 description 9
- 208000019888 Circadian rhythm sleep disease Diseases 0.000 description 8
- 208000001456 Jet Lag Syndrome Diseases 0.000 description 8
- 208000002720 Malnutrition Diseases 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 208000033915 jet lag type circadian rhythm sleep disease Diseases 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 7
- 229940079593 drug Drugs 0.000 description 7
- 239000003814 drug Substances 0.000 description 7
- 210000002966 serum Anatomy 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 235000012054 meals Nutrition 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 208000033830 Hot Flashes Diseases 0.000 description 5
- 206010060800 Hot flush Diseases 0.000 description 5
- 229940109239 creatinine Drugs 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 5
- 230000018044 dehydration Effects 0.000 description 5
- 238000006297 dehydration reaction Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 230000036039 immunity Effects 0.000 description 5
- 235000018343 nutrient deficiency Nutrition 0.000 description 5
- 208000008454 Hyperhidrosis Diseases 0.000 description 4
- 206010036618 Premenstrual syndrome Diseases 0.000 description 4
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 4
- 208000035475 disorder Diseases 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000036528 appetite Effects 0.000 description 3
- 235000019789 appetite Nutrition 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 235000012041 food component Nutrition 0.000 description 3
- 235000000824 malnutrition Nutrition 0.000 description 3
- 230000001071 malnutrition Effects 0.000 description 3
- 208000015380 nutritional deficiency disease Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 208000019116 sleep disease Diseases 0.000 description 3
- 230000036578 sleeping time Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000035900 sweating Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 2
- 208000017657 Menopausal disease Diseases 0.000 description 2
- 241001591005 Siga Species 0.000 description 2
- 230000000172 allergic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 2
- 208000010668 atopic eczema Diseases 0.000 description 2
- 235000013405 beer Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229960001948 caffeine Drugs 0.000 description 2
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 2
- 201000001421 hyperglycemia Diseases 0.000 description 2
- 208000006575 hypertriglyceridemia Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000022925 sleep disturbance Diseases 0.000 description 2
- 235000014214 soft drink Nutrition 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 206010013786 Dry skin Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010068961 Hypo HDL cholesterolaemia Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000037180 bone health Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000004633 cognitive health Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 230000037336 dry skin Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003646 hair health Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000013632 homeostatic process Effects 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000007413 intestinal health Effects 0.000 description 1
- 210000001596 intra-abdominal fat Anatomy 0.000 description 1
- 230000037231 joint health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 239000002324 mouth wash Substances 0.000 description 1
- 229940051866 mouthwash Drugs 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000276 sedentary effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 230000036559 skin health Effects 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 230000006438 vascular health Effects 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
本件出願に開示された技術は、推定の対象とされるユーザ(対象ユーザ)により実行された行動の履歴を識別するデータを学習モデルに入力することにより、この対象ユーザの健康の状態を識別するデータを上記学習モデルから出力させる、コンピュータプログラム、情報処理装置及び方法に関する。 The technology disclosed in this application identifies the state of health of a user who is the target of estimation (target user) by inputting data that identifies the history of actions performed by the user into a learning model. The present invention relates to a computer program, an information processing device, and a method for outputting data from the learning model.
対象ユーザの購買履歴を記述するデータに基づいてこの対象ユーザの健康状態を推定する推定モデルを構築する手法が、特許第6916367号公報(特許文献1)に開示されている。なお、本特許文献は、参照により、その全体が本明細書に組み入れられる。 Japanese Patent No. 6916367 (Patent Document 1) discloses a method of constructing an estimation model for estimating the health condition of a target user based on data describing the purchase history of the target user. Note that this patent document is incorporated in its entirety into the present specification by reference.
昨今、対象ユーザにより実行された行動の履歴に基づいてこの対象ユーザの健康の状態を推定する手法として、より向上した性能を有する手法を提供することが、求められている。 BACKGROUND OF THE INVENTION In recent years, there has been a need to provide a method with improved performance as a method for estimating the health status of a target user based on the history of actions performed by the target user.
したがって、本件出願に開示された技術は、対象ユーザにより実行された行動の履歴に基づいてこの対象ユーザの健康の状態を推定するために用いられ、少なくとも部分的に向上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供する。 Therefore, the technology disclosed in the present application provides a computer program that is used to estimate the state of health of a target user based on the history of actions performed by the target user, and has at least partially improved performance. , provides an information processing device and method.
一態様に係るコンピュータプログラムは、「少なくとも1つのプロセッサにより実行されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。 A computer program according to one aspect is "generated by being executed by at least one processor to obtain target behavior data that identifies a history of actions performed by a target user, and performing supervised learning." Target sleep state data that identifies the sleep state of the target user by inputting the target behavior data into an estimation model, which includes target property data that identifies the sleep quality of the target user, and sleep of the target user. Target sleep state data including at least one of target rhythm data that identifies the rhythm of the target user, target time data that identifies the sleep time of the target user, and target category data that identifies the sleep category to which the target user belongs. The at least one processor may be operated to output from the estimation model.
一態様に係る情報処理装置は、「少なくとも1つのプロセッサを具備し、該少なくとも1つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる、ように構成され」得る。 An information processing device according to one embodiment includes “at least one processor, the at least one processor acquires target behavior data that identifies a history of actions performed by a target user, and performs supervised learning. Target sleep state data that identifies the sleep state of the target user by inputting the target behavior data into an estimation model generated by the method, and target property data that identifies the sleep quality of the target user; At least one of target rhythm data that identifies the sleep rhythm of the target user, target time data that identifies the sleep time of the target user, and target category data that identifies the sleep category to which the target user belongs. The estimation model may be configured to output target sleep state data including target sleep state data.
一態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、該少なくとも1つのプロセッサが、前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる段階と、を含む」ことができる。 According to one aspect, a method is a method performed by at least one processor that executes computer-readable instructions, the at least one processor executing computer-readable instructions that identifying the sleep state of the target user by inputting the target behavior data into an estimation model generated by performing supervised learning; The target sleep state data includes target property data that identifies the sleep quality of the target user, target rhythm data that identifies the sleep rhythm of the target user, target time data that identifies the sleep time of the target user, and , and target sleep state data including at least one of the following: , target category data identifying a sleep category to which the target user belongs, from the estimation model.
別の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、該少なくとも1つのプロセッサが、前記命令を実行することにより、各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力して学習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、ように構成された推定モデル、
を生成する生成段階と、を含む」ことができる。
According to another aspect, a method is a method performed by at least one processor executing computer-readable instructions, the at least one processor, by executing the instructions, The data includes sample behavior data identifying the history of actions performed by one sample user corresponding to the group, and sample sleep state data identifying the sleep state of one sample user corresponding to the group. an acquisition step of acquiring a plurality of sets of training data, and inputting the plurality of sets of training data into a learning model to learn the target behavior data, which identifies the history of actions performed by the target user. Target sleep state data that is input to identify the sleep state of the target user, target property data that identifies the sleep quality of the target user, target rhythm data that identifies the sleep rhythm of the target user; An estimation model configured to generate target sleep state data including at least one of target time data that identifies the sleep time of the target user and target category data that identifies the sleep category to which the target user belongs. ,
and a generation step for generating.
別の態様に係るコンピュータプログラムは、「少なくとも1つのプロセッサにより実行されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第1症状の状態を識別する対象第1状態データ、該対象ユーザの第2症状の状態を識別する対象第2状態データ、のうちの少なくとも1つを含む対象更年期状態データを、前記推定モデルから出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。 A computer program according to another aspect is “generated by being executed by at least one processor to obtain target behavior data that identifies a history of actions performed by a target user, and performing supervised learning. Target menopausal state data that identifies the state of menopausal symptoms of the target user by inputting the target behavioral data into an estimation model, the target comprehensive state identifying the comprehensive state of menopausal symptoms of the target user. Target menopausal state data including at least one of data, target first state data that identifies the target user's first symptom state, and target second state data that identifies the target user's second symptom state. The at least one processor may be operated to output from the estimation model.
別の態様に係る情報処理装置は、「少なくとも1つのプロセッサを具備し、該少なくとも1つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第1症状の状態を識別する対象第1状態データ、及び、該対象ユーザの第2症状の状態を識別する対象第2状態データ、のうちの少なくとも1つを含む対象更年期状態データを、前記推定モデルから出力させる、ように構成され」得る。 An information processing device according to another aspect includes “at least one processor, the at least one processor acquires target action data that identifies a history of actions performed by a target user, and executes supervised learning. By inputting the target behavior data into the estimation model generated by At least one of target comprehensive state data for identification, target first state data for identifying the state of the first symptom of the target user, and second target state data for identifying the state of the second symptom of the target user. The estimation model may be configured to output target menopausal state data including one from the estimation model.
別の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、該少なくとも1つのプロセッサが、前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第1症状の状態を識別する対象第1状態データ、及び、該対象ユーザの第2症状の状態を識別する対象第2状態データ、のうちの少なくとも1つを含む対象更年期状態データを、前記推定モデルから出力させる段階と、を含む」ことができる。 According to another aspect, a method is a method performed by at least one processor that executes computer-readable instructions, the at least one processor executing computer-readable instructions that The state of menopausal symptoms of the target user is determined by inputting the target behavior data into an estimation model generated by performing supervised learning. The target menopausal state data to be identified includes target comprehensive state data that identifies the comprehensive state of menopausal symptoms of the target user, target first state data that identifies the state of the first symptom of the target user, and outputting target menopausal state data including at least one of target second state data identifying the state of the second symptom of the target user from the estimation model.
別の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、該少なくとも1つのプロセッサが、前記命令を実行することにより、各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、複数組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力して学習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第1症状の状態を識別する対象第1状態データ、及び、該対象ユーザの第2症状の状態を識別する対象第2状態データ、のうちの少なくとも1つを含む対象更年期状態データを、出力するように構成された推定モデル、を生成する生成段階と、を含む」ことができる。 According to another aspect, a method is a method performed by at least one processor executing computer-readable instructions, the at least one processor, by executing the instructions, The data includes sample behavior data that identifies the history of actions performed by one sample user corresponding to the group, and sample menopausal status data that identifies the state of menopausal symptoms of one sample user corresponding to the group. and target behavior data that identifies a history of actions performed by the target user by inputting the plurality of sets of training data into a learning model and causing it to learn. is the target menopausal state data that identifies the state of the menopausal symptoms of the target user, the target comprehensive state data that identifies the comprehensive state of the menopausal symptoms of the target user, and the first symptom of the target user. configured to output target menopausal state data including at least one of target first state data that identifies the state of the target user, and target second state data that identifies the state of the second symptom of the target user. and a generation step of generating an estimated model.
以下、添付図面を参照して本発明の様々な実施形態を説明する。なお、図面において共通した構成要素には同一の参照符号が付されている。また、或る図面に表現された構成要素が、説明の便宜上、別の図面においては省略されていることがある点に留意されたい。さらにまた、添付した図面が必ずしも正確な縮尺で記載されている訳ではないということに注意されたい。 Hereinafter, various embodiments of the present invention will be described with reference to the accompanying drawings. Note that common components in the drawings are given the same reference numerals. Also, it should be noted that components depicted in one drawing may be omitted from another drawing for convenience of explanation. Furthermore, it should be noted that the attached drawings are not necessarily drawn to scale.
本明細書において記載される、様々なシステム、方法および装置は、いかなる方法によっても限定されるものとして解釈されるべきではない。実際には、本開示は、開示された様々な実施形態の各々、これら様々な実施形態を相互に組み合わせたもの、および、これら様々な実施形態の一部を相互に組み合わせたもの、のうちのあらゆる新規な特徴および態様に向けられている。本明細書において記載される、様々なシステム、方法および装置は、特定の態様、特定の特徴、または、このような特定の態様と特定の特徴とを組み合わせたものに限定されないし、本明細書に記載される物および方法は、1もしくはそれ以上の特定の効果が存在することまたは課題が解決されることを、要求するものでもない。さらには、本明細書において記載された様々な実施形態のうちの様々な特徴もしくは態様、または、そのような特徴もしくは態様の一部は、相互に組み合わせて用いられ得る。 The various systems, methods, and apparatus described herein are not to be construed as limited in any way. In fact, this disclosure covers each of the various disclosed embodiments, combinations of these various embodiments with each other, and combinations of portions of these various embodiments with each other. All novel features and aspects are directed. The various systems, methods, and apparatus described herein are not limited to the particular aspects, particular features, or combinations of particular aspects and particular features described herein. The articles and methods described herein do not require that one or more particular advantages be present or that a problem be solved. Furthermore, various features or aspects, or portions of such features or aspects, of the various embodiments described herein may be used in combination with each other.
本明細書において開示された様々な方法のうちの幾つかの方法の動作が、便宜上、特定の順序に沿って記載されているが、このような手法による記載は、特定の順序が以下特定の文章によって要求されていない限り、上記動作の順序を並び替えることを包含する、と理解すべきである。例えば、順番に記載された複数の動作は、幾つかの場合には、並び替えられるかまたは同時に実行される。さらには、簡略化を目的として、添付図面は、本明細書に記載された様々な事項および方法が他の事項および方法とともに用いられ得るような様々な方法を示していない。 The operations of some of the various methods disclosed herein are described in a particular order for convenience; It should be understood to include rearranging the order of the above operations unless otherwise required by the text. For example, operations listed in order are sometimes reordered or performed simultaneously. Furthermore, for purposes of brevity, the accompanying drawings do not depict the various ways in which the various matter and methods described herein may be used in conjunction with other matter and methods.
本開示の装置または方法に関連して本明細書に提示される、動作理論、科学的原理または他の理論的な記載は、よりよい理解を目的として提供されており、技術的範囲を限定することを意図していない。添付した特許請求の範囲における装置および方法は、このような動作理論により記載される方法により動作する装置および方法に限定されない。 Any theory of operation, scientific principle, or other theoretical description presented herein in connection with the disclosed apparatus or method is provided for the purpose of better understanding and to limit the technical scope. not intended. The apparatus and methods in the appended claims are not limited to apparatus and methods that operate in accordance with such theories of operation.
本明細書に開示された様々な方法のいずれもが、コンピュータにより読み取り可能な1またはそれ以上の媒体に記憶された、コンピュータにより実行可能な複数の命令を用いて実装され、さらに、コンピュータにおいて実行され得る。上記1またはそれ以上の媒体は、例えば、少なくとも1つの光学媒体ディスク、複数の揮発性メモリ部品、または、複数の不揮発性メモリ部品といったような、非一時的なコンピュータにより読み取り可能な記憶媒体であり得る。ここで、上記複数の揮発性メモリ部品は、例えばDRAMまたはSRAMを含む。また、上記複数の不揮発性メモリ部品は、例えばハードドライブおよびソリッドステートドライブ(SSD)を含む。さらに、上記コンピュータは、例えば、計算を行うハードウェアを有するスマートフォンおよび他のモバイル装置を含む、市場において入手可能な任意のコンピュータを含む。 Any of the various methods disclosed herein may be implemented using a plurality of computer-executable instructions stored on one or more computer-readable media and further executed in a computer. can be done. The one or more media may be non-transitory computer readable storage media, such as at least one optical media disk, volatile memory components, or non-volatile memory components. obtain. Here, the plurality of volatile memory components include, for example, DRAM or SRAM. Further, the plurality of nonvolatile memory components include, for example, a hard drive and a solid state drive (SSD). Moreover, the computer includes any computer available on the market, including, for example, smart phones and other mobile devices that have hardware to perform calculations.
本明細書において開示された技術を実装するためのこのようなコンピュータにより実行可能な複数の命令のいずれもが、本明細書において開示された様々な実施形態の実装の間において生成され使用される任意のデータとともに、1またはそれ以上のコンピュータにより読み取り可能な媒体(例えば、非一時的なコンピュータにより読み取り可能な記憶媒体)に記憶され得る。このようなコンピュータにより実行可能な複数の命令は、例えば、個別のソフトウェアアプリケーションの一部であり得るか、または、ウェブブラウザもしくは(リモート計算アプリケーションといったような)他のソフトウェアアプリケーションを介してアクセスまたはダウンロードされるソフトウェアアプリケーションの一部であり得る。このようなソフトウェアは、例えば、(例えば市場において入手可能な任意の好適なコンピュータにおいて実行されるプロセスとしての)単一のローカルコンピュータにおいて、または、1またはそれ以上のネットワークコンピュータを用いて、ネットワーク環境(例えば、インターネット、ワイドエリアネットワーク、ローカルエリアネットワーク、(クラウド計算ネットワークといったような)クライアントサーバネットワーク、または、他のそのようなネットワーク)において、実行され得る。 Any of a plurality of such computer-executable instructions for implementing the techniques disclosed herein may be generated and used during implementation of the various embodiments disclosed herein. It may be stored along with any data on one or more computer readable media (eg, non-transitory computer readable storage media). Such computer-executable instructions may be part of a separate software application, for example, or may be accessed or downloaded via a web browser or other software application (such as a remote computing application). It may be part of a software application that is Such software may be installed, for example, on a single local computer (e.g., as a process running on any suitable computer available on the market) or in a networked environment using one or more networked computers. (eg, the Internet, a wide area network, a local area network, a client-server network (such as a cloud computing network), or other such network).
明確化のために、ソフトウェアをベースとした様々な実装のうちの特定の選択された様々な態様のみが記載される。当該分野において周知である他の詳細な事項は省略される。例えば、本明細書において開示された技術は、特定のコンピュータ言語またはプログラムに限定されない。例えば、本明細書において開示された技術は、C、C++、Java(登録商標)、または、他の任意の好適なプログラミング言語で記述されたソフトウェアにより実行され得る。同様に、本明細書において開示された技術は、特定のコンピュータまたは特定のタイプのハードウェアに限定されない。好適なコンピュータおよびハードウェアの特定の詳細な事項は、周知であって、本明細書において詳細に説明する必要はない。 For clarity, only certain selected aspects of the various software-based implementations are described. Other details well known in the art are omitted. For example, the techniques disclosed herein are not limited to any particular computer language or program. For example, the techniques disclosed herein may be implemented by software written in C, C++, Java, or any other suitable programming language. Similarly, the techniques disclosed herein are not limited to any particular computer or type of hardware. Specific details of suitable computers and hardware are well known and need not be described in detail herein.
さらには、このようなソフトウェアをベースとした様々な実施形態(例えば、本明細書において開示される様々な方法のいずれかをコンピュータに実行させるための、コンピュータにより実行可能な複数の命令を含む)のいずれもが、好適な通信手段により、アップロードされ、ダウンロードされ、または、リモート方式によりアクセスされ得る。このような好適な通信手段は、例えば、インターネット、ワールドワイドウェブ、イントラネット、ソフトウェアアプリケーション、ケーブル(光ファイバケーブルを含む)、磁気通信、電磁気通信(RF通信、マイクロ波通信、赤外線通信を含む)、電子通信、または、他のそのような通信手段を含む。 Furthermore, various such software-based embodiments (e.g., including computer-executable instructions for causing a computer to perform any of the various methods disclosed herein) Any of the above may be uploaded, downloaded, or accessed remotely by any suitable communication means. Such suitable communication means include, for example, the Internet, the World Wide Web, intranets, software applications, cables (including fiber optic cables), magnetic communications, electromagnetic communications (including RF communications, microwave communications, infrared communications), Including electronic communications or other such means of communication.
I.第1章
1.概要
本件出願に開示された技術では、簡潔にいえば、少なくとも1つの情報処理装置が、推定の対象とされるユーザ(対象ユーザ)により実行された行動の履歴を識別する対象行動データを取得し、この対象行動データを推定モデルに入力することにより、上記対象ユーザの健康の状態を識別するデータ(健康状態データ)を、上記推定モデルから出力させることができる。
I. Chapter 1
1. Overview In the technology disclosed in the present application, to put it simply, at least one information processing device acquires target behavior data that identifies the history of actions performed by a user who is the target of estimation (target user). By inputting this target behavior data into the estimation model, data for identifying the health state of the target user (health state data) can be outputted from the estimation model.
また、少なくとも1つの情報処理装置が、複数の商品及び/又は複数のサービスのうち、上記対象ユーザの健康状態データに対応する少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを決定することもできる。さらに、少なくとも1つの情報処理装置が、このように決定された少なくとも1つの対象サービス及び/又は少なくとも1つの対象サービスを識別する情報を出力することもできる。 Furthermore, the at least one information processing device may determine at least one target product and/or at least one target service corresponding to the health status data of the target user from among the multiple products and/or multiple services. can. Furthermore, at least one information processing device may output information identifying at least one target service and/or at least one target service determined in this way.
2.通信システムの構成
このような技術は、図1に例示されるような通信システムを用いて実現可能である。図1は、一実施形態に係る通信システムの構成の一例を示すブロック図である。
2. Configuration of Communication System Such a technique can be realized using a communication system as illustrated in FIG. FIG. 1 is a block diagram illustrating an example of the configuration of a communication system according to an embodiment.
図1に示すように、一実施形態に係る通信システム1は、例えば、通信網2に接続可能な少なくとも1つのサーバ装置(情報処理装置)10と、通信網2に接続可能な少なくとも1つの端末装置(情報処理装置)20と、を含むことができる。図1には、少なくとも1つのサーバ装置10として、2つのサーバ装置10A、10Bが例示されているが、任意の数のサーバ装置10が用いられ得る。同様に、図1には、少なくとも1つの端末装置20として、2つの端末装置20A、20Bが例示されているが、任意の数のサーバ装置10が用いられ得る。 As shown in FIG. 1, a communication system 1 according to an embodiment includes, for example, at least one server device (information processing device) 10 connectable to a communication network 2, and at least one terminal connectable to the communication network 2. device (information processing device) 20. In FIG. 1, two server devices 10A and 10B are illustrated as at least one server device 10, but any number of server devices 10 may be used. Similarly, although two terminal devices 20A and 20B are illustrated as at least one terminal device 20 in FIG. 1, any number of server devices 10 may be used.
各サーバ装置10は、他の少なくとも1つのサーバ装置10、及び/又は、少なくとも1つの端末装置20に対して、通信網2を介して接続可能である。また、各端末装置20は、他の少なくとも1つの端末装置20、及び/又は、少なくとも1つのサーバ装置10に対して、通信網2を介して接続可能である。 Each server device 10 is connectable to at least one other server device 10 and/or at least one terminal device 20 via the communication network 2. Further, each terminal device 20 is connectable to at least one other terminal device 20 and/or at least one server device 10 via the communication network 2.
各サーバ装置10は任意の情報処理装置であり得る。このような情報処理装置は、例えば、パーソナルコンピュータ、ワークステーション、スーパーコンピュータ及びメインフレーム等を、これらに限定することなく含むことができる。各端末装置20は任意の情報処理装置であり得る。このような情報処理装置は、例えば、携帯電話、スマートフォン、タブレット、パーソナルコンピュータ、ワークステーション及び携帯情報端末等を、これらに限定することなく含むことができる。 Each server device 10 may be any information processing device. Such information processing devices can include, for example, without limitation, personal computers, workstations, supercomputers, mainframes, and the like. Each terminal device 20 may be any information processing device. Such information processing devices can include, for example, without limitation, mobile phones, smartphones, tablets, personal computers, workstations, personal digital assistants, and the like.
一例では、少なくとも1つのサーバ装置10は、任意のユーザの健康の状態を推定するサービス(「推定サービス」)、及び/又は、任意のユーザの健康の状態に対応する少なくとも1つの対象商品等を提案するサービス(「提案サービス」)を、運営する運営企業により管理される情報処理装置であり得る。なお、以下、便宜上、推定サービス及び/又は提案サービスを指す用語として、「推定サービス等」という用語を用いる場合がある。 In one example, at least one server device 10 provides a service for estimating the health status of any user ("estimation service") and/or at least one target product corresponding to the health status of any user. It may be an information processing device managed by an operating company that operates a proposed service (“proposed service”). Note that hereinafter, for convenience, the term "estimation service, etc." may be used to refer to the estimation service and/or proposal service.
一例では、少なくとも1つのサーバ装置10及び/又は少なくとも1つの端末装置20は、上記運営企業から推定サービス等の提供を受ける企業ユーザ及び/又は個人ユーザにより管理される情報処理装置であり得る。 In one example, at least one server device 10 and/or at least one terminal device 20 may be an information processing device managed by a corporate user and/or individual user who receives estimation services and the like from the operating company.
上述した対象行動データを取得する動作は、少なくとも1つのサーバ装置10、及び/又は、少なくとも1つの端末装置20により実行され得る。 The operation of acquiring the target behavior data described above may be executed by at least one server device 10 and/or at least one terminal device 20.
上述した推定モデルは、少なくとも1つのサーバ装置10、及び/又は、少なくとも1つの端末装置20により生成され得る。このように生成された推定モデルは、少なくとも1つのサーバ装置10、及び/又は、少なくとも1つの端末装置20により保持され得る。このように保持された推定モデルは、少なくとも1つのサーバ装置10、及び/又は、少なくとも1つの端末装置20により利用され得る。 The estimation model described above may be generated by at least one server device 10 and/or at least one terminal device 20. The estimated model generated in this way may be held by at least one server device 10 and/or at least one terminal device 20. The estimated model held in this way can be used by at least one server device 10 and/or at least one terminal device 20.
上述した健康状態データを推定モデルから出力させる動作は、少なくとも1つのサーバ装置10、及び/又は、少なくとも1つの端末装置20により実行され得る。 The operation of outputting the health state data described above from the estimation model may be performed by at least one server device 10 and/or at least one terminal device 20.
上述した少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを決定する動作は、少なくとも1つのサーバ装置10、及び/又は、少なくとも1つの端末装置20により実行され得る。上述した少なくとも1つの対象サービス及び/又は少なくとも1つの対象サービスを識別するデータを出力する動作は、少なくとも1つのサーバ装置10、及び/又は、少なくとも1つの端末装置20により実行され得る。 The operation of determining at least one target product and/or at least one target service described above may be performed by at least one server device 10 and/or at least one terminal device 20. The above-described operation of outputting at least one target service and/or data identifying at least one target service may be performed by at least one server device 10 and/or at least one terminal device 20.
なお、通信網2は、携帯電話網、無線ネットワーク、固定電話網、インターネット、イントラネット、ローカルエリアネットワーク(LAN)、ワイドエリアネットワーク(WAN)、及び/又は、イーサネット(登録商標)ネットワークを、これらに限定することなく含むことができる。上記無線ネットワークは、例えば、Bluetooth(登録商標)、(IEEE 802.11a/b/nといったような)WiFi、WiMax、セルラー、衛星、レーザー、赤外線、を介したRF接続を、これらに限定することなく含むことができる。 Note that the communication network 2 includes a mobile phone network, a wireless network, a fixed telephone network, the Internet, an intranet, a local area network (LAN), a wide area network (WAN), and/or an Ethernet (registered trademark) network. including without limitation. The wireless network may be limited to, for example, RF connectivity via Bluetooth, WiFi (such as IEEE 802.11a/b/n), WiMax, cellular, satellite, laser, or infrared. can be included without exception.
3.各情報処理装置が有するハードウェア構成
次に、各情報処理装置(サーバ装置10、端末装置20)が有するハードウェア構成の一例について説明する。
3. Hardware Configuration of Each Information Processing Device Next, an example of the hardware configuration of each information processing device (server device 10, terminal device 20) will be described.
(1)サーバ装置10のハードウェア構成
図2は、図1に示したサーバ装置10が有するハードウェア構成の一例を示すブロック図である(なお、図2において、括弧内の参照符号は、後述するように端末装置20に関連して記載されている)。
(1) Hardware configuration of the server device 10 FIG. 2 is a block diagram showing an example of the hardware configuration of the server device 10 shown in FIG. (described in connection with the terminal device 20).
図2に示すように、サーバ装置10は、中央処理装置11と、主記憶装置12と、入出力インターフェイス装置13と、入力装置14と、補助記憶装置15と、出力装置16と、を含むことができる。これら装置同士は、データバス及び/又は制御バスにより接続されている。 As shown in FIG. 2, the server device 10 includes a central processing unit 11, a main storage device 12, an input/output interface device 13, an input device 14, an auxiliary storage device 15, and an output device 16. I can do it. These devices are connected to each other by a data bus and/or a control bus.
中央処理装置11は、「CPU」と称され、主記憶装置12に記憶されている命令及びデータに対して演算を行い、その演算の結果を主記憶装置12に記憶させることができる。さらに、中央処理装置11は、入出力インターフェイス装置13を介して、入力装置14、補助記憶装置15及び出力装置16等を制御することができる。サーバ装置10は、1又はそれ以上のこのような中央処理装置11を含むことが可能である。 The central processing unit 11 is referred to as a "CPU" and can perform calculations on instructions and data stored in the main storage device 12 and store the results of the calculations in the main storage device 12. Furthermore, the central processing unit 11 can control the input device 14, the auxiliary storage device 15, the output device 16, etc. via the input/output interface device 13. The server device 10 may include one or more such central processing units 11.
主記憶装置12は、「メモリ」と称され、入力装置14、補助記憶装置15及び通信網2等(端末装置20等)から、入出力インターフェイス装置13を介して受信した命令及びデータ、並びに、中央処理装置11の演算結果を記憶することができる。主記憶装置12は、揮発性メモリ(例えば、レジスタ、キャッシュ、ランダムアクセスメモリ(RAM))、不揮発性メモリ(例えば、リードオンリーメモリ(ROM)、EEPROM、フラッシュメモリ)、及び、ストレージ(例えば、ハードディスクドライブ(HDD)、ソリッドステートドライブ(SSD)、磁気テープ、光学媒体)、といったようなコンピュータにより読み取り可能な媒体を、これらに限定することなく含むことができる。容易に理解されるように、「コンピュータにより読み取り可能な記録媒体」という用語は、変調されたデータ信号すなわち一時的な信号といったような送信媒体ではなく、メモリ及びストレージといったようなデータストレージのための媒体を含むことができる。 The main storage device 12 is called a "memory" and stores instructions and data received from the input device 14, the auxiliary storage device 15, the communication network 2, etc. (terminal device 20, etc.) via the input/output interface device 13, and The calculation results of the central processing unit 11 can be stored. The main storage device 12 includes volatile memory (e.g., registers, cache, random access memory (RAM)), non-volatile memory (e.g., read-only memory (ROM), EEPROM, flash memory), and storage (e.g., hard disk drive). computer readable media such as, but not limited to, hard drives (HDDs), solid state drives (SSDs), magnetic tape, optical media). As will be readily understood, the term "computer-readable recording medium" refers to a transmission medium such as a modulated or transitory data signal, and not a transmission medium such as a modulated data signal or a transitory signal, but rather a data storage medium such as a memory and a storage medium. A medium can be included.
補助記憶装置15は、主記憶装置12よりも大きな容量を有する記憶装置である。補助記憶装置15は、特定のアプリケーション等を構成する命令及びデータ(コンピュータプログラム)を記憶しておき、中央処理装置11により制御されることにより、これらの命令及びデータ(コンピュータプログラム)を、入出力インターフェイス装置13を介して主記憶装置12に送信することができる。補助記憶装置15は、磁気ディスク装置及び/又は光ディスク装置等をこれらに限定することなく含むことができる。 The auxiliary storage device 15 is a storage device that has a larger capacity than the main storage device 12. The auxiliary storage device 15 stores instructions and data (computer programs) constituting a specific application, and is controlled by the central processing unit 11 to input and output these instructions and data (computer programs). It can be transmitted to the main storage device 12 via the interface device 13. The auxiliary storage device 15 can include, but is not limited to, a magnetic disk device and/or an optical disk device.
ここでいう特定のアプリケーションは、オペレーションシステム、様々なソフトウェアアプリケーション(ウェブブラウザを含む)、推定サービス等を提供するために実行される専用のアプリケーション、推定サービス等の提供を受けるために実行される専用のアプリケーション等を、これらに限定することなく含むことができる。 The specific applications referred to here include an operating system, various software applications (including web browsers), dedicated applications executed to provide estimation services, etc., and dedicated applications executed to receive estimation services, etc. This may include, but is not limited to, applications such as:
入力装置14は、外部からデータを取り込む装置であり、キーボード、タッチパネル、ボタン、マウス及び/又はセンサ(マイク、カメラ)等をこれらに限定することなく含むことができる。 The input device 14 is a device that takes in data from the outside, and can include, but is not limited to, a keyboard, a touch panel, a button, a mouse, and/or a sensor (microphone, camera), and the like.
出力装置16は、ディスプレイ装置、タッチパネル及び/又はプリンタ装置等をこれらに限定することなく含むことができる。 The output device 16 can include, but is not limited to, a display device, a touch panel, a printer device, and the like.
このようなハードウェア構成にあっては、中央処理装置11が、補助記憶装置15に記憶された上記特定のアプリケーションを構成する命令及びデータ(コンピュータプログラム)を順次主記憶装置12にロードし、ロードした命令及びデータを演算することができる。これにより、中央処理装置11は、入出力インターフェイス装置13を介して出力装置16を制御し、或いはまた、入出力インターフェイス装置13及び通信網2を介して、他の装置(例えば他のサーバ装置10及び/又は端末装置20等)との間で様々な情報(データ)の送受信を行うことができる。 In such a hardware configuration, the central processing unit 11 sequentially loads instructions and data (computer programs) constituting the specific application stored in the auxiliary storage device 15 into the main storage device 12, and It is possible to operate on the commands and data that have been created. Thereby, the central processing unit 11 controls the output device 16 via the input/output interface device 13, or controls other devices (for example, another server device 10) via the input/output interface device 13 and the communication network 2. and/or the terminal device 20, etc.).
このように、サーバ装置10は、インストールされた上記特定のアプリケーションを実行することにより、推定サービス等を提供すること及び/又は推定サービス等の提供を受けることに関連する動作等(図3及び図12等を参照して後述する様々な動作等)を実行することができる。これに加えて又はこれに代えて、サーバ装置10は、ブラウザを実行して他のサーバ装置10にアクセスすることにより、推定サービス等を提供すること及び/又は推定サービス等の提供を受けることに関連する動作等(図3及び図12等を参照して後述する様々な動作等)を実行することもできる。 In this way, the server device 10 performs operations related to providing estimation services and/or receiving estimation services, etc. (FIGS. 3 and 3) by executing the above-mentioned installed specific application. 12, etc., as described below). In addition to or in place of this, the server device 10 executes a browser and accesses other server devices 10 to provide and/or receive estimation services, etc. Related operations (such as various operations described below with reference to FIGS. 3, 12, etc.) can also be performed.
なお、サーバ装置10は、中央処理装置11に代えて又は中央処理装置11とともに、1又はそれ以上のマイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含むこともできる。 Note that the server device 10 can also include one or more microprocessors and/or graphics processing units (GPUs) instead of or together with the central processing unit 11.
(2)端末装置20のハードウェア構成
図2において括弧内に示すように、端末装置20は、実質的にサーバ装置10と同様のハードウェア構成を有することができる。図2に示すように、端末装置20は、中央処理装置21と、主記憶装置22と、入出力インターフェイス装置23と、入力装置24と、補助記憶装置25と、出力装置26と、を含むことができる。これら装置同士は、データバス及び/又は制御バスにより接続されている。これらの装置の各々は、サーバ装置10に関連して説明したとおりである。
(2) Hardware configuration of terminal device 20 As shown in parentheses in FIG. 2, the terminal device 20 can have substantially the same hardware configuration as the server device 10. As shown in FIG. 2, the terminal device 20 includes a central processing unit 21, a main storage device 22, an input/output interface device 23, an input device 24, an auxiliary storage device 25, and an output device 26. Can be done. These devices are connected to each other by a data bus and/or a control bus. Each of these devices is as described in relation to the server device 10.
補助記憶装置25に記憶され中央処理装置21により実行される、特定のアプリケーションは、オペレーションシステム、様々なソフトウェアアプリケーション(ウェブブラウザを含む)、推定サービス等の提供を受けるために実行される専用のアプリケーション等を、これらに限定することなく含むことができる。また、特定のアプリケーションは、推定サービス等を提供するために実行される専用のアプリケーションを含むこともできる。 The specific applications stored in the auxiliary storage device 25 and executed by the central processing unit 21 include an operation system, various software applications (including a web browser), dedicated applications executed to receive provision of estimation services, etc. These may include, but are not limited to, the following. Also, the specific application may include a dedicated application that is executed to provide an estimation service or the like.
このようなハードウェア構成にあっては、中央処理装置21が、補助記憶装置25に記憶された上記特定のアプリケーションを構成する命令及びデータ(コンピュータプログラム)を順次主記憶装置22にロードし、ロードした命令及びデータを演算することができる。これにより、中央処理装置21は、入出力インターフェイス装置23を介して出力装置26を制御し、或いはまた、入出力インターフェイス装置23及び通信網2を介して、他の装置(例えばサーバ装置10等及び/又は他の端末装置20等)との間で様々な情報(データ)の送受信を行うことができる。 In such a hardware configuration, the central processing unit 21 sequentially loads instructions and data (computer programs) constituting the above-mentioned specific application stored in the auxiliary storage device 25 into the main storage device 22, and It is possible to operate on the commands and data that have been created. Thereby, the central processing unit 21 controls the output device 26 via the input/output interface device 23, or controls other devices (for example, the server device 10, etc.) via the input/output interface device 23 and the communication network 2. / or other terminal devices 20, etc.) various information (data) can be sent and received.
このように、端末装置20は、インストールされた上記特定のアプリケーションを実行することにより、推定サービス等の提供を受けること及び/又は推定サービス等を提供することに関連する動作等(図3及び図12等を参照して後述する様々な動作等)を実行することができる。これに加えて又はこれに代えて、サーバ装置10は、ブラウザを実行して他のサーバ装置10にアクセスすることにより、推定サービス等を提供すること及び/又は推定サービス等の提供を受けることに関連する動作等(図3及び図12等を参照して後述する様々な動作等)を実行することもできる。 In this way, the terminal device 20 executes the installed specific application to receive the estimation service, etc. and/or perform operations related to providing the estimation service, etc. (FIGS. 3 and 3). 12, etc., as described below). In addition to or in place of this, the server device 10 executes a browser and accesses other server devices 10 to provide and/or receive estimation services, etc. Related operations (such as various operations described below with reference to FIGS. 3, 12, etc.) can also be performed.
なお、端末装置20は、中央処理装置21に代えて又は中央処理装置21とともに、1又はそれ以上のマイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含むこともできる。 Note that the terminal device 20 can also include one or more microprocessors and/or graphics processing units (GPUs) instead of or together with the central processing unit 21.
4.睡眠の状態に関する睡眠状態データを提供するために通信システム2により実行される動作
次に、睡眠の状態に関する睡眠状態データを提供するために、上述した通信システム2により実行される動作の具体例について、さらに図3を参照して説明する。図3は、図1に示した通信システム1により実行される動作の一例を示すフロー図である。
4. Operations performed by communication system 2 to provide sleep state data regarding sleep state Next, regarding specific examples of operations performed by communication system 2 described above to provide sleep state data regarding sleep state. , will be further explained with reference to FIG. FIG. 3 is a flow diagram showing an example of operations performed by the communication system 1 shown in FIG.
(1)ステップ1000
まず、ステップ(以下「ST」という。)1000において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10Aが、推定モデルを生成するために用いられる複数組の教師データを取得して記憶することができる。
(1) Step 1000
First, in step (hereinafter referred to as "ST") 1000, an information processing device, for example, a server device 10A managed by a company that operates an estimation service, etc. Teacher data can be acquired and stored.
複数組の教師データを構成する各組の教師データは、この組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するデータ(「サンプル行動データ」)と、この組に対応する1人のサンプルユーザの睡眠の状態を識別するデータ(「サンプル睡眠状態データ」)と、を含むことができる。例えば、第1組の教師データは、第1組に対応する1人のサンプルユーザ(Aさん)により実行された行動の履歴を識別するサンプル行動データと、Aさんの睡眠の状態を識別するサンプル睡眠状態データと、を含むことができ、第2組の教師データは、第2組に対応する1人のサンプルユーザ(Bさん)により実行された行動の履歴を識別するサンプル行動データと、Bさんの睡眠の状態を識別するサンプル睡眠状態データと、を含むことができる。 Each set of teacher data that constitutes a plurality of sets of teacher data includes data that identifies the history of actions performed by one sample user corresponding to this set ("sample action data"), and data that identifies the history of actions performed by one sample user corresponding to this set. Data identifying the sleep state of one sample user ("sample sleep state data"). For example, the first set of teacher data includes sample behavior data that identifies the history of actions performed by one sample user (Mr. A) corresponding to the first set, and a sample that identifies the state of sleep of Mr. A. The second set of teacher data includes sample behavior data that identifies the history of actions performed by one sample user (Mr. B) corresponding to the second set; sample sleep state data identifying the sleep state of the person.
(1A)サンプル行動データ
各サンプル行動データは、予め定められた複数の行動のうちの少なくとも1つの(1つの又は複数の)行動を識別するデータであり得る。ここで、予め定められた複数の行動の各々は、その行動を実行した人間の睡眠の状態に少なくとも部分的に良い影響又は悪い影響を与え得る行動であり得る。このような予め定められた複数の行動は、例えば、以下に例示するものをこれらに限定することなく含むことができる。
(人間の睡眠の状態に少なくとも部分的に良い影響を与え得る行動の例)
・1週間に2日以上のペースで1時間以上の有酸素運動を行った。
・毎日一定の時間に起床した。
・カフェインを含む飲料を1日に2杯以下に抑えた。
・1日の勤務時間が8時間以下であった。
・コーヒーを10本以上購入した(この行動は、例えば、コーヒーが属する商品カテゴリーとその購入数量とを含むデータにより識別され得る)。
(人間の睡眠の状態に少なくとも部分的に悪い影響を与え得る行動の例)
・1週間に1日以下のペースで1時間以上の有酸素運動を行った。
・毎日異なる時間に起床した。
・カフェインを含む飲料を1日に3杯以上飲んだ。
・1日の勤務時間が13時間以上であった。
・牛乳を5本以上購入した(この行動は、例えば、牛乳が属する商品カテゴリーとその購入数量とを含むデータにより識別され得る)。
(1A) Sample Behavior Data Each sample behavior data may be data that identifies at least one (one or more) behaviors out of a plurality of predetermined behaviors. Here, each of the plurality of predetermined actions may be an action that can at least partially have a positive or negative impact on the state of sleep of the person who performed the action. Such a plurality of predetermined actions can include, for example, without being limited to, those exemplified below.
(Example of actions that can at least partially positively influence the state of human sleep)
・Performed aerobic exercise for at least 1 hour at least 2 days a week.
-Woke up at a certain time every day.
・Limited drinks containing caffeine to no more than 2 drinks per day.
・Working hours per day were 8 hours or less.
Purchased 10 or more bottles of coffee (this behavior can be identified, for example, by data including the product category to which the coffee belongs and the quantity purchased).
(Examples of actions that can at least partially negatively affect the state of human sleep)
・Performed aerobic exercise for 1 hour or more no more than once a week.
-Woke up at a different time every day.
・Drinked three or more drinks containing caffeine in a day.
・Working hours per day were 13 hours or more.
Purchased 5 or more bottles of milk (this behavior can be identified, for example, by data including the product category to which the milk belongs and the quantity purchased).
各サンプル行動データは、このように例示される予め定められた複数の行動のうち少なくとも1つの行動の各々を識別するデータであり得る。 Each sample behavior data may be data that identifies at least one behavior among the plurality of predetermined behaviors illustrated in this way.
また、一例では、ユーザが購入した商品及び/又はユーザが利用したサービスが、そのユーザの睡眠の状態に良い影響又は悪い影響を与える傾向があり得ることから、上記予め定められた複数の行動は、サンプルユーザが購入した商品(又はその商品が属するカテゴリー)、サンプルユーザが利用したサービス(又はそのサービスが属するカテゴリー)を含むこともできる。この種の行動は、例えば、小売店舗(ドラッグストア、スーパーマーケット、コンビニエンスストア等)等が保有するPOS(Point Of Sales)データを利用して生成され得る。 In addition, in one example, the products purchased by the user and/or the services used by the user may tend to have a positive or negative impact on the user's sleep state, so the plurality of predetermined actions may be , the product purchased by the sample user (or the category to which the product belongs), and the service used by the sample user (or the category to which the service belongs). This type of behavior can be generated using, for example, POS (Point of Sales) data held by retail stores (drug stores, supermarkets, convenience stores, etc.).
一例では、予め定められた複数の行動の各々には、固有の識別データ(英字、数字又はこれらの組み合わせ等)が割り当てられており、各サンプル行動データは、このような識別データを含むことができる。例えば、POSデータを利用する場合には、複数のサンプル行動データの各々は、購入された商品に対応する、JICFS分類(分類コード)、商品カテゴリー、購入金額、購入数量、購入回数、性別、年齢、及び/又は、購入日等を、これらに限定することなく含むことができる。 In one example, each of the plurality of predetermined behaviors is assigned unique identification data (such as letters, numbers, or a combination thereof), and each sample behavior data may include such identification data. can. For example, when using POS data, each of the plurality of sample behavior data includes JICFS classification (classification code), product category, purchase amount, purchase quantity, number of purchases, gender, age, etc., corresponding to the purchased product. , and/or date of purchase, etc., without limitation.
情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10Aは、このようなサンプル行動データを、例えば、以下に例示する方法のうち少なくとも1つの方法により取得することができる。
・情報処理装置が、通信網2を介して、少なくとも1つの他のサーバ装置10(例えばドラッグストア等に設置されたPOSデータを記憶する他のサーバ装置10、又は、このPOSデータにアクセス可能な他のサーバ装置10)から、POSデータを受信する。
・情報処理装置が、通信網2を介して、所定のアンケート(サンプルユーザにより実行された行動に関するアンケート)に対する回答を記載したメール又はウェブページを、少なくとも1つの端末装置20及び/又は少なくとも1つのサーバ装置10から受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した少なくとも1つのサーバ装置10から通信網2を介してその回答の内容を受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した記録媒体(USBメモリ、DVD-ROM等)を介して、その回答の内容を受信する。
The server device 10A, which is an information processing device, for example, managed by a company that operates an estimation service, etc., can acquire such sample behavior data, for example, by at least one method among the methods exemplified below. can.
- The information processing device can access at least one other server device 10 (for example, another server device 10 installed in a drug store etc. that stores POS data, or this POS data) via the communication network 2. POS data is received from another server device 10).
- The information processing device sends, via the communication network 2, an email or a web page containing answers to a predetermined questionnaire (questionnaire regarding the behavior performed by the sample user) to at least one terminal device 20 and/or at least one Received from server device 10.
- The information processing device receives the contents of the responses via the communication network 2 from at least one server device 10 that has collected responses from a plurality of users to the above-mentioned predetermined questionnaire.
- The information processing device receives the contents of the responses to the above-mentioned predetermined questionnaire via a recording medium (USB memory, DVD-ROM, etc.) that has collected responses from a plurality of users.
(1B)サンプル睡眠状態データ
各組の教師データに含まれるサンプル睡眠状態データは、以下に例示するデータのうちの少なくとも1つを、これに限定することなく、含むことができる。
・その組に対応する1人のサンプルユーザの睡眠の性質を識別するデータ(「サンプル性質データ」)
・その組に対応する1人のサンプルユーザの睡眠のリズムを識別するデータ(「サンプルリズムデータ」)
・その組に対応する1人のサンプルユーザの睡眠時間を識別するデータ(「サンプル時間データ」)
・その組に対応する1人のサンプルユーザ(の睡眠)が属する睡眠カテゴリーを識別するデータ(「サンプル睡眠カテゴリーデータ」)
(1B) Sample sleep state data The sample sleep state data included in each set of teacher data can include at least one of the data exemplified below, without being limited thereto.
・Data that identifies the sleep characteristics of one sample user corresponding to the group (“sample characteristics data”)
・Data that identifies the sleep rhythm of one sample user corresponding to the group (“sample rhythm data”)
・Data that identifies the sleeping time of one sample user corresponding to the group (“sample time data”)
・Data that identifies the sleep category to which (the sleep of) one sample user corresponding to the group belongs ("sample sleep category data")
まず第1に、サンプル性質データは、そのサンプルユーザの睡眠の質が良いのか(例えばどの程度良いのか)悪いのか(例えばどの程度悪いのか)を識別するデータであり得る。一例では、サンプル性質データは、そのサンプルユーザの睡眠の質を総合的に評価したスコアを識別するデータであり得る。この場合、そのサンプルユーザの睡眠の質は、例えば、以下に例示するいずれかの方法で算出されたスコアを識別するデータであり得る。 First, the sample property data may be data that identifies whether the sample user's sleep quality is good (eg, how good it is) or poor (eg, how bad is it). In one example, the sample property data may be data that identifies a score that overall evaluates the sleep quality of the sample user. In this case, the sample user's sleep quality may be, for example, data that identifies a score calculated by any of the methods exemplified below.
・アテネ不眠尺度(AIS)(図4参照)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、アテネ不眠尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・ピッツバーグ睡眠質問票(PSQI)(図5A乃至図5C参照)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ピッツバーグ睡眠質問票に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・3次元型睡眠尺度(3DSS)(図6A及び図6B参照)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、3次元型睡眠尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・不眠症重症度質問票(ISI)(図7参照)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、不眠症重症度質問票に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・その他の任意の質問票又は尺度に記載された質問事項に対するサンプルユーザの回答内容に基づいて、その質問票又は尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算することにより得られた修正スコア
- A score calculated using the method described in the Athens Insomnia Scale, based on the sample user's answers to the questions listed in the Athens Insomnia Scale (AIS) (see Figure 4), or a score calculated using an arbitrary method. Corrected score obtained by performing calculations (addition, subtraction, multiplication, division, etc.) -Pittsburgh sleep questionnaire based on the sample user's answers to the questions listed in the Pittsburgh Sleep Questionnaire (PSQI) (see Figures 5A to 5C) A score calculated using the method described in the form, or a modified score obtained by calculating this score using any method (addition, subtraction, multiplication, division, etc.) - Three-dimensional sleep scale (3DSS) (Figures 6A and 6B A score calculated using the method described in the 3-dimensional sleep scale based on the sample user's answers to the questions described in (Reference), or calculating this score using any method (addition, subtraction, multiplication, division, etc.) - Based on the sample user's answers to the questions listed in the Insomnia Severity Questionnaire (ISI) (see Figure 7) The calculated score, or a modified score obtained by calculating this score using any method (addition, subtraction, multiplication, division, etc.) - Any other sample user's answers to the questions listed on any questionnaire or scale. a score calculated using the method described in the questionnaire or scale, or a modified score obtained by calculating this score using any method.
第2に、サンプルリズムデータは、そのサンプルユーザのリズムの質が良いのか(例えばどの程度良いのか)悪いのか(例えばどの程度悪いのか)を識別するデータであり得る。一例では、サンプルリズムデータは、そのサンプルユーザの睡眠のリズムを評価したスコアを識別するデータであり得る。 Second, the sample rhythm data may be data that identifies whether the quality of the sample user's rhythm is good (for example, how good it is) or bad (for example, how bad it is). In one example, the sample rhythm data may be data that identifies a score that evaluates the sleep rhythm of the sample user.
この場合、そのサンプルユーザの睡眠のリズムは、例えば、サンプルユーザの平日の睡眠時間帯の中央時間と休日の睡眠時間帯の中央時間との差の絶対値であるソーシャルジェットラグ(又はこのソーシャルジェットラグを任意の手法で演算した値)を識別するデータであり得る。ここで、例えば、或るサンプルユーザの平日の睡眠時間帯が午前0時から午前6時である場合には、その中央時間は午前3時であり、そのサンプルユーザの休日の睡眠時間帯が午前3時から午前11時である場合には、その中央時間は午前7時であるため、ソーシャルジェットラグは4時間となる。一般的には、ソーシャルジェットラグが小さい(又は大きい)程、そのサンプルユーザの睡眠のリズムはより良い(又はより悪い)ということができる。 In this case, the sample user's sleep rhythm is, for example, the social jet lag (or this social jet It may be data that identifies a value obtained by calculating the lag using an arbitrary method. Here, for example, if a sample user's weekday sleep time is from 12:00 a.m. to 6:00 a.m., the central time is 3:00 a.m., and the sample user's holiday sleep time is from 12:00 a.m. to 6:00 a.m. If it is 3:00 AM to 11:00 AM, the social jet lag is 4 hours because the central time is 7:00 AM. Generally, it can be said that the smaller (or larger) the social jet lag, the better (or worse) the sleep rhythm of the sample user.
サンプルユーザの平日及び休日のそれぞれの睡眠時間帯は、一例では、ミュンヘンクロノタイプ質問票(MCTQ)(図8A及び図8B参照)に記載された質問事項に対するそのサンプルユーザによる回答内容から抽出され得るし、別の例では、そのサンプルユーザから電子メール又はウェブページ等を介して取得され得る。 In one example, the sample user's sleep time periods on weekdays and holidays can be extracted from the sample user's answers to questions written in the Munich Chronotype Questionnaire (MCTQ) (see FIGS. 8A and 8B). However, in another example, it may be obtained from the sample user via email, web page, or the like.
第3に、サンプル時間データは、そのサンプルユーザの睡眠時間(1日の睡眠時間)を識別するデータであり得る。サンプルユーザの睡眠時間は、一例では、ミュンヘンクロノタイプ質問票(MCTQ)(図8A及び図8B参照)に記載された質問事項に対するそのサンプルユーザによる回答内容から抽出され得るし、別の例では、そのサンプルユーザから電子メール又はウェブページ等を介して取得され得る。 Third, the sample time data may be data that identifies the sample user's sleep time (sleep time per day). In one example, the sample user's sleep time may be extracted from the sample user's responses to questions listed in the Munich Chronotype Questionnaire (MCTQ) (see FIGS. 8A and 8B), and in another example, It can be obtained from the sample user via email, web page, etc.
第4に、サンプル睡眠カテゴリーデータは、サンプルユーザ(の睡眠)が属する睡眠カテゴリーを識別するデータであり得る。一例として、サンプル睡眠カテゴリーデータは、そのサンプルユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータとに基づいて決定された、そのサンプルユーザ(の睡眠)が属するカテゴリーを識別するデータであり得る。この場合、睡眠カテゴリーは、例えば、以下の手法により定められ得る。 Fourth, the sample sleep category data may be data that identifies the sleep category to which (the sleep of) the sample user belongs. As an example, the sample sleep category data may be data that identifies the category to which (the sleep of) the sample user belongs, determined based on the sample property data of the sample user and the sample rhythm data of the sample user. . In this case, the sleep category may be determined, for example, by the following method.
図9は、図1に示した通信システム1において用いられる睡眠カテゴリーデータの一例を示す図である。図9に示すように、縦軸及び横軸の一方(ここでは横軸)に、サンプル性質データにより識別されるスコアが配置され、縦軸及び横軸の他方(ここでは縦軸)に、サンプルリズムデータにより識別される値が配置され得る。上記一方の軸には、サンプル性質データにより識別されるスコアに対して、少なくとも1つの(ここでは1つの)閾値、すなわち、閾値A1(6点)が設定され得る。上記他方の軸には、サンプルリズムデータにより識別される値に対して、少なくとも1つの(ここでは1つの)閾値、すなわち、閾値B1(1時間)が設定され得る。これにより、閾値A1及び閾値B1によって、睡眠の性質及び睡眠のリズムの観点から分割された、相互に異なる4つの睡眠カテゴリー(ここでは、睡眠カテゴリー10、11、20、21)が形成され得る。この例では、睡眠カテゴリー10は、睡眠に生じている障害が最も顕著である可能性の高いカテゴリーであり、睡眠カテゴリー21は、睡眠に生じている障害が最も少ない可能性の高いカテゴリーであり、睡眠カテゴリー11、20は、睡眠カテゴリー10と21との間に位置付けられるカテゴリーである、といえる。睡眠カテゴリーデータは、これら4つの睡眠カテゴリーのうちのいずれかの睡眠カテゴリーを識別するデータであり得る。 FIG. 9 is a diagram showing an example of sleep category data used in the communication system 1 shown in FIG. 1. As shown in Figure 9, the score identified by the sample property data is arranged on one of the vertical and horizontal axes (here, the horizontal axis), and the score identified by the sample property data is arranged on the other of the vertical and horizontal axes (here, the vertical axis). Values identified by rhythm data may be placed. On one of the above-mentioned axes, at least one (here, one) threshold value, that is, threshold value A1 (6 points) may be set for the score identified by the sample property data. On the other axis, at least one (here, one) threshold value, that is, threshold value B1 (one hour) may be set for the value identified by the sample rhythm data. Thereby, four mutually different sleep categories (here, sleep categories 10, 11, 20, and 21) can be formed by the threshold A1 and the threshold B1, which are divided from the viewpoint of sleep characteristics and sleep rhythm. In this example, sleep category 10 is the category in which the disorder occurring in sleep is most likely to be significant, and sleep category 21 is the category in which the disorder occurring in sleep is most likely to be the least significant, It can be said that sleep categories 11 and 20 are categories positioned between sleep categories 10 and 21. Sleep category data may be data that identifies any sleep category among these four sleep categories.
図10は、図1に示した通信システム1において用いられる睡眠カテゴリーデータの別の例を示す図である。図10に示す例では、上記一方の軸には、サンプル性質データにより識別されるスコアに対して、例えば2つの閾値、すなわち、閾値A1(6点)及び閾値A2(8点)が設定され得る。上記他方の軸には、サンプルリズムデータにより識別される値に対して、例えば2つの閾値、すなわち、閾値B1(1時間)及び閾値B2(3時間)が設定され得る。これにより、閾値A1、A2及び閾値B1、B2によって、睡眠の性質及び睡眠のリズムの観点から分割された、相互に異なる9つの睡眠カテゴリー(ここでは、睡眠カテゴリー100、101、102、200、201、202、300、301、302)が形成され得る。この例では、睡眠カテゴリー300は、睡眠に生じている障害が最も顕著である可能性の高いカテゴリーであり、睡眠カテゴリー202は、睡眠に生じている障害が最も少ない可能性の高いカテゴリーであり、残りの睡眠カテゴリーは、睡眠カテゴリー300と202との間に位置付けられるカテゴリーである、といえる。睡眠カテゴリーデータは、これら9つの睡眠カテゴリーのうちのいずれかの睡眠カテゴリーを識別するデータであり得る。 FIG. 10 is a diagram showing another example of sleep category data used in the communication system 1 shown in FIG. 1. In the example shown in FIG. 10, two thresholds, for example, threshold A1 (6 points) and threshold A2 (8 points) may be set on one axis for the score identified by the sample property data. . On the other axis, two thresholds, for example, threshold B1 (1 hour) and threshold B2 (3 hours) may be set for the values identified by the sample rhythm data. As a result, nine mutually different sleep categories (here, sleep categories 100, 101, 102, 200, 201 , 202, 300, 301, 302) may be formed. In this example, the sleep category 300 is the category in which the disorder occurring in sleep is most likely to be significant, and the sleep category 202 is the category in which the disorder occurring in sleep is most likely to be the least significant, The remaining sleep categories can be said to be categories positioned between sleep categories 300 and 202. The sleep category data may be data that identifies any sleep category among these nine sleep categories.
図9及び図10に示した例は、便宜的に示した例に過ぎず、サンプル性質データにより識別されるスコアに対して、任意の数の閾値が設定され、サンプルリズムデータにより識別される値に対しても、任意の数の閾値が設定され得る。サンプル性質データ及びサンプルリズムデータの各々に対して、より多くの閾値を設定することにより、睡眠の性質及び睡眠のリズムの観点から分割された、相互に異なるより多くの睡眠カテゴリーを生成することが可能である。 The examples shown in FIGS. 9 and 10 are merely examples shown for convenience, and an arbitrary number of threshold values are set for the scores identified by the sample property data, and the values identified by the sample rhythm data. Any number of thresholds may be set for . By setting more thresholds for each of the sample property data and the sample rhythm data, it is possible to generate more sleep categories that are different from each other and are divided in terms of sleep properties and sleep rhythms. It is possible.
情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、サンプルユーザごとに、このようなサンプル行動データとサンプル睡眠状態データとを組み合わせて、そのサンプルユーザについて、1組の教師データを生成して記憶することができる。これを実現するために、例えば、情報処理装置は、取得した複数のサンプル行動データの中から、或るサンプルユーザを識別する識別データが付されたサンプル行動データを抽出し、取得した複数のサンプル睡眠状態データの中からこれと同一のサンプルユーザを識別する識別データが付されたサンプル睡眠状態データを抽出し、これらを組み合わせて、このサンプルユーザについての1組の教師データを生成して保存することができる。同様の処理を複数のサンプルユーザの各々について実行することにより、情報処理装置は、複数組の教師データを生成して保存することができる。 An information processing device, for example, a server device 10A (and/or a terminal device 20) managed by a company that operates an estimation service etc., stores such sample behavior data and sample sleep state data for each sample user. In combination, a set of training data can be generated and stored for the sample user. In order to achieve this, for example, the information processing device extracts sample behavior data attached with identification data that identifies a certain sample user from among the acquired plurality of sample behavior data, and Extract sample sleep state data attached with identification data that identifies the same sample user from the sleep state data, and combine them to generate and save a set of training data for this sample user. be able to. By performing similar processing for each of a plurality of sample users, the information processing device can generate and store multiple sets of teacher data.
(2)ステップ1002
図3に戻り、次に、ST1002において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1000において取得された複数組の教師データを用いて、学習モデルを機械学習により学習させることにより、推定モデルを生成することができる。ここでいう機械学習は、任意の周知の機械学習、例えば、勾配ブースティング木(例えばLightGBM)、ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
(2) Step 1002
Returning to FIG. 3, next, in ST1002, the server device 10A (and/or the terminal device 20) managed by a company that operates an estimation service etc., which is an information processing device, An estimated model can be generated by training a learning model by machine learning using the training data of . Machine learning herein may include any well-known machine learning, such as, but not limited to, gradient boosting trees (eg, LightGBM), neural networks, or linear regression.
情報処理装置は、複数組の教師データデータを、順次、学習モデルに入力することにより学習を実行させることができる。ここで、各組の教師データは、上述したように、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。情報処理装置は、各組の教師データに含まれるサンプル行動データを説明変数として用い、その組の教師データに含まれるサンプル睡眠状態データを目的変数として用いることができる。 The information processing device can perform learning by sequentially inputting a plurality of sets of teacher data to a learning model. Here, as described above, each set of teacher data can include sample behavior data of the sample user corresponding to the set and sample sleep state data of the sample user corresponding to the set. The information processing device can use sample behavior data included in each set of teacher data as an explanatory variable, and use sample sleep state data included in that set of teacher data as an objective variable.
(2A)機械学習の例
情報処理装置は、例えば勾配ブースティング木を用いるケースでは、或る組の教師データに含まれるサンプル行動データ(説明変数)を学習データに入力したときに、サンプル睡眠状態データ(目的変数)及び推定値(すなわち、学習モデルから出力される値)から計算される目的関数を改善するように、決定木を作成して学習モデルに追加することができる。情報処理装置は、この処理を、ハイパーパラメータで定めた決定木の本数の分について繰り返すことができる。2本目以降の決定木については、目的変数とそれまでに作成した決定木による推定値との差について学習を行うことができる。このようにして、情報処理装置は、それぞれの決定木の分岐及び葉のウェイトを定めることができる。すなわち、勾配ブースティング木では、各決定木は、教師データのうちの説明変数を入力データとして決定木の各分岐を辿って到達する葉ノードの値を出力されるデータ(目的変数)とする。さらに、このデータ(目的変数)と、教師データのうちの目的変数との誤差が小さくなるように、決定木の各分岐の方法及び各葉ノードの値を最適化することができる。
(2A) Example of machine learning For example, in a case where a gradient boosting tree is used, when sample behavior data (explanatory variables) included in a certain set of teacher data is input into learning data, the information processing device Decision trees can be created and added to the learning model to improve the objective function calculated from the data (objective variable) and estimated values (ie, the values output from the learning model). The information processing device can repeat this process for the number of decision trees determined by the hyperparameter. For the second and subsequent decision trees, it is possible to learn the difference between the objective variable and the estimated value from the decision trees created up to that point. In this way, the information processing device can determine the weights of branches and leaves of each decision tree. That is, in the gradient boosting tree, each decision tree uses explanatory variables of the teacher data as input data, and uses the values of leaf nodes reached by tracing each branch of the decision tree as output data (objective variables). Furthermore, the method of each branch of the decision tree and the value of each leaf node can be optimized so that the error between this data (target variable) and the target variable of the teacher data is small.
情報処理装置は、例えば、入力層、中間層及び出力層を含むニューラルネットワークを用いるケースでは、情報処理装置は、教師データのうちの説明変数を入力層に入力することによって出力層から出力されるデータ(目的変数)と、教師データのうちの目的変数との誤差を小さくするように、誤差逆伝搬法を用いて、ニューラルネットワークに含まれる各パラメータ(ウェイト)を最適化(学習)することができる。 For example, in a case where the information processing device uses a neural network including an input layer, a middle layer, and an output layer, the information processing device inputs explanatory variables of the teaching data to the input layer, and outputs the explanatory variables from the output layer. It is possible to optimize (learn) each parameter (weight) included in the neural network using the error backpropagation method so as to reduce the error between the data (objective variable) and the objective variable in the training data. can.
情報処理装置は、線形回帰を用いるケースでは、目的変数と推定値との誤差を改善するように、線形回帰モデルのパラメータを学習することができる。この線形回帰モデルは、入力層及び出力層に分かれており、教師データのうち説明変数を入力データとして入力層に入力することによって出力層から出力されるデータ(目的変数)と、教師データのうち目的変数との誤差が小さくなるように、最小二乗法を用いて、線形回帰モデルに含まれるパラメータを最適化することができる。 In the case of using linear regression, the information processing device can learn the parameters of the linear regression model so as to improve the error between the target variable and the estimated value. This linear regression model is divided into an input layer and an output layer. Data (objective variables) output from the output layer by inputting explanatory variables from the teaching data into the input layer as input data, and data (objective variables) from the teaching data. Parameters included in the linear regression model can be optimized using the least squares method so that the error with the objective variable is small.
(2B)複数組の教師データに含まれる第1の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第1の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第1の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータと、を含むことができる。
(2B) In an example of the first plurality of sets of teacher data included in the plurality of sets of teacher data , the information processing device calculates the estimation model using the first plurality of sets of teacher data included in the plurality of sets of teacher data. Can be generated (updated). Each set of teacher data included in the first plurality of sets of teacher data may include sample behavior data of a sample user corresponding to the group, and sample sleep state data of a sample user corresponding to the group. . Here, the sample sleep state data in each set of teacher data can include sample property data of the sample user corresponding to the set and sample rhythm data of the sample user.
この場合、情報処理装置は、第1の複数組の教師データに含まれる各組の教師データについて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師データに含まれる、サンプル性質データとサンプルリズムデータとを用いて、図9及び図10を参照して上述した処理を行うことにより、その組について、サンプル睡眠カテゴリーデータを生成する、という前処理を実行することができる。これにより、情報処理装置は、前処理後の第1の複数組の教師データ(各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル睡眠カテゴリーデータと、を含む)を、学習モデルに入力して推定モデルを生成(更新)することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、少なくとも出力することができるようになる。 In this case, the information processing device can perform preprocessing on each set of teacher data included in the first plurality of sets of teacher data. Specifically, the information processing device uses the sample property data and sample rhythm data included in each set of teacher data to perform the processing described above with reference to FIGS. 9 and 10, thereby completing the set. Preprocessing can be performed to generate sample sleep category data. As a result, the information processing device can process the preprocessed first plurality of sets of teacher data (each set of teacher data includes the sample behavior data of the sample user corresponding to the set and the sample sleep category data of the sample user). , etc.) can be input to the learning model to generate (update) the estimated model. As described below, such an estimation model is designed to identify the sleep category to which the target user belongs in response to inputting target behavior data that identifies the history of actions performed by the target user as an explanatory variable. At least sleep category data can now be output.
(2C)複数組の教師データに含まれる第2の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第2の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第2の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル睡眠カテゴリーデータを含むことができる。
(2C) In an example of the second plurality of sets of teacher data included in the plurality of sets of teacher data , the information processing device calculates the estimation model using the second plurality of sets of teacher data included in the plurality of sets of teacher data. Can be generated (updated). Each set of teacher data included in the second plurality of sets of teacher data can include sample behavior data of a sample user corresponding to the group, and sample sleep state data of a sample user corresponding to the group. . Here, the sample sleep state data in each set of teacher data can include sample sleep category data of the sample user corresponding to the set.
この場合、情報処理装置は、第2の複数組の教師データ(各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル睡眠カテゴリーデータと、を含む)を、学習モデルに入力して推定モデルを生成(更新)することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、少なくとも出力することができるようになる。 In this case, the information processing device stores the second plurality of sets of teacher data (each set of teacher data includes sample behavior data of a sample user corresponding to the set and sample sleep category data of the sample user). can be input to the learning model to generate (update) the estimated model. As described below, such an estimation model is designed to identify the sleep category to which the target user belongs in response to inputting target behavior data that identifies the history of actions performed by the target user as an explanatory variable. At least sleep category data can now be output.
(2D)複数組の教師データに含まれる第3の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第3の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第3の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータと、を含むことができる。
(2D) In an example of the third plurality of sets of teacher data included in the plurality of sets of teacher data , the information processing device calculates the estimation model using the third plurality of sets of teacher data included in the plurality of sets of teacher data. Can be generated (updated). Each set of teacher data included in the third plurality of sets of teacher data may include sample behavior data of a sample user corresponding to the set, and sample sleep state data of a sample user corresponding to the set. . Here, the sample sleep state data in each set of teacher data can include sample property data of the sample user corresponding to the set and sample rhythm data of the sample user.
この場合、情報処理装置は、第3の複数組の教師データ(各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータと、を含む)を、学習モデルに入力して推定モデルを生成(更新)することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの睡眠の性質を識別する対象性質データと、この対象ユーザの睡眠のリズムを識別する対象リズムデータとを、少なくとも出力することができるようになる。 In this case, the information processing device stores the third plurality of sets of teacher data (each set of teacher data includes the sample behavior data of the sample user corresponding to the set, the sample property data of the sample user, and the sample user's sample behavior data of the sample user corresponding to the set). sample rhythm data) can be input to the learning model to generate (update) the estimated model. As described below, such an estimation model is designed to identify the sleep characteristics of a target user in response to inputting target behavior data that identifies the history of actions performed by the target user as an explanatory variable. It becomes possible to output at least the property data and the target rhythm data that identifies the sleep rhythm of this target user.
(2E)複数組の教師データに含まれる第4の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第4の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第4の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル性質データを含むことができる。
(2E) In an example of the fourth plurality of sets of teacher data included in the plurality of sets of teacher data , the information processing device calculates the estimation model using the fourth plurality of sets of teacher data included in the plurality of sets of teacher data. Can be generated (updated). Each set of teacher data included in the fourth plurality of sets of teacher data can include sample behavior data of a sample user corresponding to the set, and sample sleep state data of a sample user corresponding to the set. . Here, the sample sleep state data in each set of teacher data may include sample property data of the sample user corresponding to the set.
この場合、情報処理装置は、第4の複数組の教師データ(各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル性質データと、を含む)を、学習モデルに入力して推定モデルを生成(更新)することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの睡眠の性質を識別する対象性質データを、少なくとも出力することができるようになる。 In this case, the information processing device stores the fourth plurality of sets of teacher data (each set of teacher data includes the sample behavior data of the sample user corresponding to the set and the sample property data of the sample user). , can be input to a learning model to generate (update) an estimated model. As described below, such an estimation model is designed to identify the sleep characteristics of a target user in response to inputting target behavior data that identifies the history of actions performed by the target user as an explanatory variable. It becomes possible to at least output property data.
(2F)複数組の教師データに含まれる第5の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第5の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第5の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプルリズムデータを含むことができる。
(2F) In an example of the fifth plurality of sets of teacher data included in the plurality of sets of teacher data , the information processing device calculates the estimation model using the fifth plurality of sets of teacher data included in the plurality of sets of teacher data. Can be generated (updated). Each set of teacher data included in the fifth plurality of sets of teacher data may include sample behavior data of a sample user corresponding to the group, and sample sleep state data of a sample user corresponding to the group. . Here, the sample sleep state data in each set of teacher data can include sample rhythm data of the sample user corresponding to that set.
この場合、情報処理装置は、第5の複数組の教師データ(各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプルリズムデータと、を含む)を、学習モデルに入力して推定モデルを生成(更新)することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの睡眠のリズムを識別する対象リズムデータを、少なくとも出力することができるようになる。 In this case, the information processing device stores the fifth plurality of sets of teacher data (each set of teacher data includes the sample behavior data of the sample user corresponding to the set and the sample rhythm data of the sample user). , can be input to a learning model to generate (update) an estimated model. As described below, such an estimation model is designed to identify the sleep rhythm of a target user in response to inputting target behavior data that identifies the history of actions performed by the target user as an explanatory variable. At least rhythm data can now be output.
(2G)複数組の教師データに含まれる第6の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第5の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第6の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル時間データを含むことができる。
(2G) In an example of the sixth plurality of sets of teacher data included in the plurality of sets of teacher data , the information processing device calculates the estimation model using the fifth plurality of sets of teacher data included in the plurality of sets of teacher data. Can be generated (updated). Each set of teacher data included in the sixth plurality of sets of teacher data may include sample behavior data of a sample user corresponding to the set, and sample sleep state data of a sample user corresponding to the set. . Here, the sample sleep state data in each set of teacher data can include sample time data of the sample user corresponding to the set.
この場合、情報処理装置は、第6の複数組の教師データ(各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル時間データと、を含む)を、学習モデルに入力して推定モデルを生成(更新)することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの睡眠時間を識別する対象時間データを、少なくとも出力することができるようになる。 In this case, the information processing device stores the sixth plurality of sets of teacher data (each set of teacher data includes the sample behavior data of the sample user corresponding to the set and the sample time data of the sample user). , can be input to a learning model to generate (update) an estimated model. As described later, in response to inputting target behavior data that identifies the history of actions performed by the target user as an explanatory variable, such an estimation model identifies the target user's sleeping time. At least data can now be output.
このような推定モデルの生成(更新)は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)とともに、他の企業により管理される他のサーバ装置10(及び/又は端末装置20)により実行され得る。当該他のサーバ装置10(端末装置20)により生成(更新)された推定モデルは、サーバ装置10Aを含む任意のサーバ装置10に対して送信され得るし、或いはまた、サーバ装置10Aを含む任意のサーバ装置10によりアクセス及び利用され得る。 The generation (update) of such an estimation model can be performed in place of the server device 10A (and/or terminal device 20) managed by a company that operates an estimation service, etc., or in place of the server device 10A (and/or terminal device 20) managed by a company that operates an estimation service, etc. The server device 10A (and/or terminal device 20) managed by another company can be executed by another server device 10 (and/or terminal device 20). The estimation model generated (updated) by the other server device 10 (terminal device 20) can be transmitted to any server device 10 including the server device 10A, or alternatively, the estimation model generated (updated) by the other server device 10 (terminal device 20) It can be accessed and used by the server device 10.
なお、「複数組の教師データ」の直前に付された「第1の」~「第6の」という名称は、これらの名称のうちの或る名称を付した「複数組の教師データ」と、これらの名称のうちの別の名称を付した「複数組の教師データ」と、を区別するために便宜上用いられたものであって、何らかの順序又は内容等を限定するものではない。 In addition, the names "first" to "sixth" added immediately before "multiple sets of teaching data" may be referred to as "multiple sets of teaching data" with a certain name among these names. , and ``multiple sets of training data'' with different names among these names, and are used for convenience, and are not intended to limit the order or content in any way.
(3)ステップ1004
再度図3を参照すると、次に、ST1004において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、例えば、特定のアプリケーション(推定サービス等の提供を受けるためのアプリケーション等)を実行してこのサーバ装置10Aにアクセスしてきた端末装置20(又は他のサーバ装置10)から、及び/又は、ブラウザを実行してこのサーバ装置10Aにアクセスしてきた端末装置20から、推定対象となる対象ユーザにより実行された行動の履歴を識別する対象行動データを、取得することができる。この対象行動データは、対象ユーザにより実行された少なくとも1つの(1つの又は複数の)行動を識別するデータであり得る。
(3) Step 1004
Referring again to FIG. 3, next, in ST1004, the server device 10A (and/or the terminal device 20), which is an information processing device and is managed by a company that operates an estimation service, etc., executes a specific application, for example. From the terminal device 20 (or other server device 10) that has accessed this server device 10A by executing (an application etc. for receiving provision of estimation services etc.) and/or by executing a browser and accessing this server device 10A. From the terminal device 20 that has accessed 10A, it is possible to acquire target action data that identifies the history of actions performed by the target user who is the estimation target. This target behavior data may be data that identifies at least one (one or more) behavior performed by the target user.
このような対象行動データの取得は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)とともに、他の企業により管理される他のサーバ装置10(及び/又は端末装置20)により実行され得る。 Such target behavior data can be acquired in place of the server device 10A (and/or terminal device 20) managed by a company that operates an estimation service, etc., or by using a server managed by a company that operates an estimation service, etc. Together with the device 10A (and/or the terminal device 20), it can be executed by another server device 10 (and/or the terminal device 20) managed by another company.
(4)ステップ1006
次に、ST1006において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1004において取得された対象行動データ、及び、ST1002において生成された推定モデルを用いて、対象ユーザの睡眠の状態を識別する対象睡眠状態データを取得することができる。具体的には、サーバ装置10Aは、説明変数としての対象行動データを、推定モデルに入力することにより、推定モデルから、目的変数としての対象睡眠状態データを出力させることができる。
(4) Step 1006
Next, in ST1006, the information processing device, for example, the server device 10A (and/or the terminal device 20) managed by a company that operates an estimation service etc., uses the target behavior data acquired in ST1004 and Using the estimation model generated in , it is possible to obtain target sleep state data that identifies the sleep state of the target user. Specifically, the server device 10A can output target sleep state data as a target variable from the estimation model by inputting target behavior data as an explanatory variable into the estimation model.
対象睡眠状態データは、以下に示すデータのうちの少なくとも1つを含むことができる。
・対象ユーザの睡眠の性質を識別するデータ(「対象性質データ」)
・対象ユーザの睡眠のリズムを識別するデータ(「対象リズムデータ」)
・対象ユーザの睡眠時間を識別するデータ(「対象時間データ」)
・対象ユーザ(の睡眠)が属する睡眠カテゴリーを識別するデータ(「対象睡眠カテゴリーデータ」)
The target sleep state data can include at least one of the following data.
・Data that identifies the sleep characteristics of the target user (“target characteristic data”)
・Data that identifies the target user's sleep rhythm ("target rhythm data")
・Data that identifies the target user's sleeping time ("target time data")
・Data that identifies the sleep category to which the target user (sleep) belongs (“target sleep category data”)
推定モデルが、対象睡眠状態データとしていずれのデータを出力するかは、この推定モデルの生成(更新)の際に、サンプル睡眠状態データとしていずれのデータが用いられたかに依存し得る。 Which data the estimation model outputs as the target sleep state data may depend on which data is used as the sample sleep state data when the estimation model is generated (updated).
例えば、推定モデルの生成(更新)の際に、サンプル睡眠状態データとして、第1の複数組の教師データが用いられた場合(上記「4(2)(2B)」項)には、推定モデルは、対象睡眠状態データとして、対象睡眠カテゴリーデータを、少なくとも出力することができる。 For example, when generating (updating) the estimation model, if the first plurality of sets of teacher data are used as sample sleep state data (paragraph 4(2)(2B) above), the estimation model can output at least target sleep category data as target sleep state data.
例えば、推定モデルの生成(更新)の際に、サンプル睡眠状態データとして、第2の複数組の教師データが用いられた場合(上記「4(2)(2C)」項)には、推定モデルは、対象睡眠状態データとして、対象睡眠カテゴリーデータを、少なくとも出力することができる。 For example, when the estimation model is generated (updated), if the second plurality of sets of teacher data are used as sample sleep state data (paragraph 4(2)(2C) above), the estimation model can output at least target sleep category data as target sleep state data.
例えば、推定モデルの生成(更新)の際に、サンプル睡眠状態データとして、第3の複数組の教師データが用いられた場合(上記「4(2)(2D)」項)には、推定モデルは、対象睡眠状態データとして、対象性質データ及び対象リズムデータを、少なくとも出力することができる。 For example, when generating (updating) the estimation model, if the third set of teacher data is used as sample sleep state data (section 4(2)(2D) above), the estimation model can output at least target property data and target rhythm data as target sleep state data.
例えば、推定モデルの生成(更新)の際に、サンプル睡眠状態データとして、第4の複数組の教師データが用いられた場合(上記「4(2)(2E)」項)には、推定モデルは、対象睡眠状態データとして、対象性質データを、少なくとも出力することができる。 For example, when the fourth set of teacher data is used as sample sleep state data when generating (updating) the estimation model (paragraph 4(2)(2E) above), the estimation model can output at least target property data as target sleep state data.
例えば、推定モデルの生成(更新)の際に、サンプル睡眠状態データとして、第5の複数組の教師データが用いられた場合(上記「4(2)(2F)」項)には、推定モデルは、対象睡眠状態データとして、対象リズムデータを、少なくとも出力することができる。 For example, when generating (updating) the estimation model, if the fifth set of teacher data is used as sample sleep state data (paragraph 4 (2) (2F) above), the estimation model can output at least target rhythm data as target sleep state data.
例えば、推定モデルの生成(更新)の際に、サンプル睡眠状態データとして、第6の複数組の教師データが用いられた場合(上記「4(2)(2G)」項)には、推定モデルは、対象睡眠状態データとして、対象時間データを、少なくとも出力することができる。 For example, when generating (updating) the estimation model, if the sixth set of teacher data is used as sample sleep state data (paragraph 4(2)(2G) above), the estimation model can output at least target time data as target sleep state data.
例えば、サンプル睡眠状態データとして、第1の複数組の教師データを用いて推定モデルの生成(更新)が行われ(上記「4(2)(2B)」項)、その後に、サンプル睡眠状態データとして、第6の複数組の教師データを用いて推定モデルの生成(更新)が行われた(上記「4(2)(2G)」項)場合には、推定モデルは、対象睡眠状態データとして、対象睡眠カテゴリーデータ及び対象時間データを、少なくとも出力することができる。さらにこの後に、サンプル睡眠状態データとして、第5の複数組の教師データを用いて推定モデルの生成(更新)が行われた(上記「4(2)(2F)」項)場合には、推定モデルは、対象睡眠状態データとして、対象睡眠カテゴリーデータ、対象時間データ及び対象リズムデータを、少なくとも出力することができる。 For example, an estimation model is generated (updated) using the first plurality of sets of teacher data as sample sleep state data (section 4(2)(2B) above), and then the sample sleep state data When the estimation model is generated (updated) using the sixth set of teacher data (section 4(2)(2G) above), the estimation model is generated using the sixth set of teacher data. , target sleep category data and target time data can be output at least. Furthermore, if the estimation model is subsequently generated (updated) using the fifth set of training data as sample sleep state data (paragraph 4 (2) (2F) above), the estimation The model can output at least target sleep category data, target time data, and target rhythm data as target sleep state data.
推定モデルの利用方法としては、以下に例示する方法のうちのいずれかを用いることが可能である。
・サーバ装置10Aは、ST1004において生成された推定モデルを取得及び保持しており、この推定モデルに対象行動データを入力し、この推定モデルから出力される対象睡眠状態データを取得する。
・サーバ装置10Aは、ST1004において生成された推定モデルを取得及び保持する外部の装置(他のいずれかサーバ装置10又はいずれかの端末装置20)に対して、通信網2を介して対象行動データを送信することにより、この対象行動データを説明変数として入力した上記推定モデルに対象睡眠状態データを出力させる。この後、サーバ装置10Aは、この推定モデルにより出力された対象睡眠状態データを、上記外部の装置から通信網2を介して受信する。
As a method of using the estimation model, it is possible to use any of the methods illustrated below.
- The server device 10A acquires and holds the estimation model generated in ST1004, inputs the target behavior data into this estimation model, and acquires the target sleep state data output from this estimation model.
- The server device 10A transmits the target behavior data via the communication network 2 to an external device (any other server device 10 or any terminal device 20) that acquires and holds the estimation model generated in ST1004. By transmitting this, the estimation model that inputs this target behavior data as an explanatory variable is caused to output target sleep state data. Thereafter, the server device 10A receives the target sleep state data output by this estimation model from the external device via the communication network 2.
このような対象睡眠状態データの取得は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)とともに、他の企業により管理される他のサーバ装置10(及び/又は端末装置20)により実行され得る。 Such acquisition of target sleep state data is performed instead of the server device 10A (and/or terminal device 20) managed by a company that operates an estimation service, etc., or managed by a company that operates an estimation service, etc. Together with the server device 10A (and/or the terminal device 20), it can be executed by another server device 10 (and/or the terminal device 20) managed by another company.
(5)ステップ1008
次に、ST1008において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1006において取得された対象睡眠状態データを用い、この対象睡眠状態データに対応する少なくとも1つの対象商品/1つの対象サービスを決定することができる。このような対象商品/対象サービスは、対象睡眠状態データにより識別される対象ユーザの現在の(推定された)睡眠の状態に適したものであり得る。
(5) Step 1008
Next, in ST1008, the information processing device, for example, the server device 10A (and/or the terminal device 20) managed by a company that operates an estimation service etc. uses the target sleep state data acquired in ST1006 to At least one target product/one target service corresponding to this target sleep state data can be determined. Such target products/services may be suitable for the current (estimated) sleep state of the target user identified by the target sleep state data.
具体的には、一例では、サーバ装置10Aは、まず、対象睡眠状態データと複数の商品及び/又は複数のサービスとを対応付けて記憶する検索テーブルを用意して記憶することができる。次に、サーバ装置10Aは、ST1006において取得された対象睡眠状態データを検索テーブルに入力することにより、この検索テーブルから少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを識別するデータ(「提案データ」)を取得することができる。 Specifically, in one example, the server device 10A can first prepare and store a search table that stores target sleep state data in association with a plurality of products and/or a plurality of services. Next, by inputting the target sleep state data acquired in ST1006 into the search table, the server device 10A inputs the data identifying at least one target product and/or at least one target service from this search table (“proposed data") can be obtained.
図11は、図1に示した通信システム1において用いられる検索テーブルの一例を概念的に示す図である。図11に例示される検索テーブルは、対象睡眠状態データに含まれ得る各データ(対象性質データ、対象リズムデータ、対象時間データ及び対象睡眠カテゴリーデータの各々)に対応付けて、提案すべき少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを記憶している。 FIG. 11 is a diagram conceptually showing an example of a search table used in the communication system 1 shown in FIG. 1. The search table illustrated in FIG. 11 includes at least one item to be proposed in association with each data (target property data, target rhythm data, target time data, and target sleep category data) that may be included in the target sleep state data. At least one target product and/or at least one target service are stored.
この例では、説明の簡略化のために、対象性質データ、対象リズムデータ、対象時間データ及び対象睡眠カテゴリーデータの各々が示す相互に異なる3つのレベルの各々に対応付けて、提案すべき少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスが割り当てられ得る。対象性質データを例に挙げれば、対象性質データが示す、クラスV1(対象ユーザの睡眠の性質が良いクラス)、クラスV2(対象ユーザの睡眠の性質が標準であるクラス)、及び、クラスV3(対象ユーザの睡眠の性質が悪いクラス)の各々に対応付けて、提案すべき少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスが割り当てられ得る。 In this example, in order to simplify the explanation, at least one of the three levels to be proposed is shown in association with each of the three mutually different levels indicated by each of the target property data, target rhythm data, target time data, and target sleep category data. At least one eligible product and/or at least one eligible service may be assigned. Taking the target property data as an example, the target property data indicates class V1 (a class in which the target user's sleep quality is good), class V2 (a class in which the target user's sleep quality is standard), and class V3 (a class in which the target user's sleep quality is standard). At least one target product and/or at least one target service to be proposed may be assigned in association with each class (class in which the target user has poor sleep characteristics).
クラスW1~W3もまた、この順序で、対象ユーザの睡眠のリズムが「良い」、「標準」、「悪い」を示すものであり得る。クラスX1~X3もまた、この順序で、対象ユーザの睡眠時間が「長い」、「標準」、「短い」を示すものであり得る。 Classes W1 to W3 may also indicate, in this order, whether the target user's sleep rhythm is "good," "normal," or "poor." Classes X1 to X3 may also indicate, in this order, whether the target user's sleep time is "long," "normal," or "short."
クラスY1~Y3もまた、この順序で、対象ユーザ(の睡眠)が属する睡眠カテゴリーが、「良い」、「標準」、「悪い」を示すものであり得る。一例では、クラスY1が、図9に例示された「睡眠カテゴリー21」に対応し、クラスY2が同図における「睡眠カテゴリー20」又は「睡眠カテゴリー11」に対応し、クラスY3が同図における「睡眠カテゴリー10」に対応する、と考えることもできる。 Classes Y1 to Y3 may also indicate, in this order, the sleep categories to which (the sleep of) the target user belongs: "good," "standard," and "poor." In one example, class Y1 corresponds to "sleep category 21" illustrated in FIG. 9, class Y2 corresponds to "sleep category 20" or "sleep category 11" in the diagram, and class Y3 corresponds to "sleep category 21" in the diagram. It can also be considered that it corresponds to "Sleep Category 10".
図11に例示された商品P1~P11は、いずれも、ユーザの睡眠の状態を改善させるのに適した任意の商品を示し、図11に例示されたサービスS1~S8は、いずれも、ユーザの睡眠の状態を改善させるのに適した任意のサービスを示す。これらの商品は、食品、日用品、薬品、運動用具、電気製品等を、これらに限定することなく含むことができる。また、これらのサービスは、病院、クリニック、スポーツジム等を、これらに限定することなく含むことができる。 Products P1 to P11 illustrated in FIG. 11 all represent arbitrary products suitable for improving the user's sleeping state, and services S1 to S8 illustrated in FIG. Indicates any service suitable for improving sleep conditions. These products can include, but are not limited to, foods, daily necessities, medicines, athletic equipment, electrical products, and the like. Additionally, these services may include, but are not limited to, hospitals, clinics, gyms, and the like.
サーバ装置10Aは、例えば、対象睡眠状態データにおける対象性質データがクラスV3を示す場合には、商品P4及びサービスS1をそれぞれ対象商品及び対象サービスとして決定することができる。また、サーバ装置10Aは、例えば、対象睡眠状態データが(クラスX2を示す)対象時間データ及び(クラスW3を示す)対象リズムデータを含む場合には、商品P8を対象商品として、サービスS1、S3、S4を対象サービスとして決定することができる。 For example, when the target property data in the target sleep state data indicates class V3, the server device 10A can determine the product P4 and the service S1 as the target product and service, respectively. In addition, for example, when the target sleep state data includes target time data (indicating class , S4 can be determined as the target service.
なお、対象睡眠状態データに含まれる各データについて、用いられるクラスの総数、各クラスに割り当てられる商品及び/又はサービスの総数等は、任意に定められ得る。 Note that for each data included in the target sleep state data, the total number of classes used, the total number of products and/or services assigned to each class, etc. can be arbitrarily determined.
別の例では、サーバ装置10Aは、教師あり学習(機械学習)を実行することにより生成された別の推定モデルを用いて、少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを決定することも可能である。当該別の推定モデルは、対象睡眠状態データに含まれる各データの各クラスを示すデータを、説明変数とし、少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを示すデータを、目的変数として、教師あり学習を実行することにより、生成(更新)され得る。 In another example, the server device 10A determines at least one target product and/or at least one target service using another estimation model generated by performing supervised learning (machine learning). is also possible. The other estimation model uses data indicating each class of each data included in the target sleep state data as an explanatory variable, and data indicating at least one target product and/or at least one target service as an objective variable, It can be generated (updated) by performing supervised learning.
当該別の推定モデルを学習させるための機械学習は、例えば、上記「2A」項において述べたとおり、任意の周知の機械学習、例えば、勾配ブースティング木(例えばLightGBM)、ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。 The machine learning for learning the other estimation model may be, for example, any well-known machine learning, such as gradient boosting tree (e.g., LightGBM), neural network, linear regression, etc., as described in section "2A" above. may include, but are not limited to,
サーバ装置10Aは、当該別の推定モデルに対象睡眠状態データを入力することにより、当該別の推定モデルから、少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを識別するデータ(「提案データ」)を出力することができる。 By inputting the target sleep state data into the other estimation model, the server device 10A generates data ("proposed data") that identifies at least one target product and/or at least one target service from the other estimation model. ) can be output.
当該別の推定モデルの利用方法としては、以下に例示する方法のうちのいずれかを用いることが可能である。
・サーバ装置10Aは、生成された当該別の推定モデルを取得及び保持しており、当該別の推定モデルに対象睡眠状態データを入力し、当該別の推定モデルから出力される提案データを取得する。
・サーバ装置10Aは、生成された当該別の推定モデルを取得及び保持する外部の装置(他のいずれかサーバ装置10又はいずれかの端末装置20)に対して、通信網2を介して対象睡眠状態データを送信することにより、この対象睡眠状態データを説明変数として入力した当該別の推定モデルに提案データを出力させる。この後、サーバ装置10Aは、当該別の推定モデルにより出力された提案データを、上記外部の装置から通信網2を介して受信する。
As a method of using the other estimation model, it is possible to use any of the methods exemplified below.
- The server device 10A acquires and holds the generated another estimation model, inputs the target sleep state data into the other estimation model, and acquires the proposed data output from the other estimation model. .
- The server device 10A transmits the target sleep information via the communication network 2 to an external device (any other server device 10 or any terminal device 20) that acquires and holds the generated another estimation model. By transmitting the state data, the other estimation model that has input this target sleep state data as an explanatory variable is caused to output proposed data. Thereafter, the server device 10A receives the proposal data output by the other estimation model from the external device via the communication network 2.
このような提案データの取得は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)とともに、他の企業により管理される他のサーバ装置10(及び/又は端末装置20)により実行され得る。 Acquisition of such proposal data may be performed in place of the server device 10A (and/or terminal device 20) managed by a company that operates an estimation service, etc., or by using a server device managed by a company that operates an estimation service, etc. 10A (and/or the terminal device 20) as well as other server devices 10 (and/or terminal devices 20) managed by other companies.
(6)ステップ1010
再度図3を参照すると、次に、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1008において取得された提案データを、企業ユーザ及び/又は個人ユーザにより管理される少なくとも1つの端末装置20(他のサーバ装置10であってもよい)に対して、通信網2を介して提供(送信)することができる。ここでいう「個人ユーザ」は「対象ユーザ」を含み得る。
(6) Step 1010
Referring again to FIG. 3, next, the information processing device, for example, the server device 10A (and/or the terminal device 20) managed by a company that operates an estimation service etc., uses the proposal data acquired in ST1008. can be provided (transmitted) via the communication network 2 to at least one terminal device 20 (which may be another server device 10) managed by a corporate user and/or an individual user. The "individual user" here may include the "target user."
提案データの提供は、ウェブページ、電子メール、チャット、電子ファイル、記録媒体(USBメモリ、CD-ROM等)、及び/又は、紙媒体等を含む任意の手段により、企業ユーザ及び/又は個人ユーザにより管理される少なくとも1つの端末装置20(他のサーバ装置10であってもよい)に対して提供され得る。 Proposal data can be provided to corporate users and/or individual users by any means including web pages, e-mails, chats, electronic files, recording media (USB memory, CD-ROM, etc.), and/or paper media, etc. may be provided to at least one terminal device 20 (which may be another server device 10) managed by the server.
このような提案データの提供は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)とともに、他の企業により管理される他のサーバ装置10(及び/又は端末装置20)により実行され得る。 Such proposal data may be provided in place of the server device 10A (and/or terminal device 20) managed by a company that operates an estimation service, etc., or by a server device managed by a company that operates an estimation service, etc. 10A (and/or the terminal device 20) as well as other server devices 10 (and/or terminal devices 20) managed by other companies.
5.変形例
上述した様々な例では、サンプル性質データ、サンプルリズムデータ、サンプル時間データ及びサンプル睡眠カテゴリーデータを、目的変数として、推定モデルを生成及び利用する場合について説明した。別の例では、サンプル性質データ、サンプルリズムデータ、サンプル時間データ及びサンプル睡眠カテゴリーデータのうちの少なくとも1つ(最大3つ)を、目的変数ではなく説明変数として用いて、推定モデルを生成及び利用することも可能である。
5. Modified Examples In the various examples described above, cases have been described in which an estimation model is generated and utilized using sample property data, sample rhythm data, sample time data, and sample sleep category data as objective variables. In another example, at least one (up to three) of sample property data, sample rhythm data, sample time data, and sample sleep category data are used as explanatory variables rather than objective variables to generate and use the estimation model. It is also possible to do so.
また、上述した様々な例では、図3に例示された様々なステップ(例えばST1000~ST1010)の実行主体を、主に、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)とした場合について、説明した。しかし、図3に例示された様々なステップを、任意の複数のサーバ装置10及び/又は複数の端末装置20に、分担して実行させることも可能である。ここで、任意の複数のサーバ装置10及び/又は複数の端末装置20に、一例では、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)が含まれ得るし、別の例では、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)が含まれない。 Furthermore, in the various examples described above, the execution entity of the various steps (for example, ST1000 to ST1010) illustrated in FIG. 3 is mainly the server device 10A (and/or The case where the terminal device 20) is used has been explained. However, it is also possible to have arbitrary plurality of server devices 10 and/or plurality of terminal devices 20 share and execute the various steps illustrated in FIG. 3 . Here, the arbitrary plurality of server devices 10 and/or plurality of terminal devices 20 may include, for example, a server device 10A (and/or terminal device 20) managed by a company that operates an estimation service etc. In another example, the server device 10A (and/or the terminal device 20) managed by a company that operates an estimation service or the like is not included.
なお、上記「4(4)ステップ1006」において、対象睡眠状態データに含まれ得る、対象性質データ、対象リズムデータ、対象時間データ及び対象睡眠カテゴリーデータの各々の定義が示されている。別の実施形態では、対象睡眠状態データは、上記「4(4)ステップ1006」で示したデータに代えて、以下に示すデータのうちの少なくとも1つを含むことができる。
・対象ユーザの睡眠の性質を「一意に」識別するデータ(「対象性質データ」)
・対象ユーザの睡眠のリズムを「一意に」識別するデータ(「対象リズムデータ」)
・対象ユーザの睡眠時間を「一意に」識別するデータ(「対象時間データ」)
・対象ユーザ(の睡眠)が属する睡眠カテゴリーを「一意に」識別するデータ(「対象睡眠カテゴリーデータ」)
In addition, in the above "4(4) step 1006", the definitions of each of the target property data, target rhythm data, target time data, and target sleep category data that may be included in the target sleep state data are shown. In another embodiment, the target sleep state data can include at least one of the following data instead of the data shown in "4(4) Step 1006" above.
・Data that “uniquely” identifies the sleep characteristics of the target user (“target characteristic data”)
・Data that "uniquely" identifies the target user's sleep rhythm ("target rhythm data")
・Data that “uniquely” identifies the sleep time of the target user (“target time data”)
・Data that “uniquely” identifies the sleep category to which the target user (sleep) belongs (“target sleep category data”)
ここで、「対象性質データ」が「一意に識別する」とは、この「対象性質データ」以外の他のデータによらずとも、対象ユーザの睡眠の性質を識別することができる、ということを意味する。すなわち、複数のデータが、協働して対象ユーザの睡眠の性質を識別するような場合には、これら複数のデータは、対象ユーザの睡眠の性質を「一意に識別する」データには該当しない。例えば、第1のデータが、対象ユーザの睡眠の質が「低質である」ことを示すデータとフラグ「0」とを含み、第2のデータが、対象ユーザの睡眠の質が「標準である」ことを示すデータとフラグ「0」とを含み、第3のデータが、対象ユーザの睡眠の質が「高質である」ことを示すデータとフラグ「1」とを含むケースを考える。このケースでは、第1のデータ及び第2のデータだけでは、対象ユーザの睡眠の性質を決定することができない。フラグ「1」を有する第3のデータをチェックすることによってはじめて、対象ユーザの睡眠の質が「高質である」ことを決定することができる。したがって、これらのデータは、いずれも、対象ユーザの睡眠の質を「一意に」識別するデータではない。 Here, "target property data" "uniquely identifies" means that the sleep property of the target user can be identified without using any other data other than this "target property data". means. In other words, in a case where multiple pieces of data work together to identify the sleep characteristics of the target user, these multiple pieces of data do not fall under the category of data that "uniquely identifies" the target user's sleep characteristics. . For example, the first data includes data indicating that the target user's sleep quality is "low quality" and a flag "0", and the second data includes data indicating that the target user's sleep quality is "standard". Consider a case where the third data includes data indicating that the sleep quality of the target user is "high quality" and a flag "1". In this case, the sleep characteristics of the target user cannot be determined using only the first data and the second data. Only by checking the third data having the flag "1" can it be determined that the target user's sleep quality is "high quality." Therefore, none of these data is data that "uniquely" identifies the target user's sleep quality.
「対象リズムデータ」、「対象時間データ」及び「対象睡眠カテゴリーデータ」の各々の上記定義に含まれる「一意に識別する」という用語についても、同様に考えることができる。 The term "uniquely identified" included in each of the above definitions of "target rhythm data," "target time data," and "target sleep category data" can be considered in the same way.
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行された少なくとも1つの行動の履歴を識別する対象行動データを推定モデルに入力することにより、この推定モデルから、対象ユーザの現在の(予測された)睡眠の状態を識別する対象睡眠状態データを取得することができる。さらに、予め用意された複数の対象商品及び/又は複数の対象サービスのうち、このように取得された対象睡眠状態データに適した少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを、対象ユーザの睡眠状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。 As explained above, according to the technology disclosed in the present application, by inputting target behavior data that identifies the history of at least one behavior performed by a target user into an estimation model, Target sleep state data may be obtained that identifies the user's current (predicted) sleep state. Furthermore, from among the plurality of target products and/or the plurality of target services prepared in advance, at least one target product and/or at least one target service suitable for the target sleep state data acquired in this way is provided to the target user. can be proposed to any user, including the target user, in order to improve the sleep state of the user.
これにより、対象ユーザにより実行された少なくとも1つの行動の履歴に基づいてこの対象ユーザの睡眠の状態を推定するために用いられ、少なくとも部分的に向上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。 Thereby, there is provided a computer program, an information processing apparatus, and an information processing apparatus that are used to estimate a sleep state of a target user based on a history of at least one action performed by the target user, and that have at least partially improved performance. method can be provided.
6.更年期症状の状態に関する更年期状態データを提供するために通信システム2により実行される動作
次に、更年期症状の状態に関する更年期状態データを提供するために、上述した通信システム2により実行される動作の具体例について、さらに図12を参照して説明する。図12は、図1に示した通信システム1により実行される動作の別の例を示すフロー図である。
6. Operations performed by the communication system 2 to provide menopausal status data regarding the status of menopausal symptoms Next, specifics of the operations performed by the communication system 2 described above to provide menopausal status data regarding the status of menopausal symptoms. An example will be further described with reference to FIG. FIG. 12 is a flow diagram showing another example of operations performed by the communication system 1 shown in FIG. 1.
(1)ステップ1100
まず、ST1100において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10Aが、推定モデルを生成するために用いられる複数組の教師データを取得して記憶することができる。
(1) Step 1100
First, in ST1100, an information processing device, for example, a server device 10A managed by a company that operates an estimation service etc., acquires and stores multiple sets of teacher data used to generate an estimation model. I can do it.
複数組の教師データを構成する各組の教師データは、この組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するデータ(「サンプル行動データ」)と、この組に対応する1人のサンプルユーザの更年期症状の状態を識別するデータ(「サンプル更年期状態データ」)と、を含むことができる。例えば、第1組の教師データは、第1組に対応する1人のサンプルユーザ(Vさん)により実行された行動の履歴を識別するサンプル行動データと、Vさんの更年期症状の状態を識別するサンプル更年期状態データと、を含むことができ、第2組の教師データは、第2組に対応する1人のサンプルユーザ(Wさん)により実行された行動の履歴を識別するサンプル行動データと、Wさんの更年期症状の状態を識別するサンプル更年期状態データと、を含むことができる。 Each set of teacher data that constitutes a plurality of sets of teacher data includes data that identifies the history of actions performed by one sample user corresponding to this set ("sample action data"), and data that identifies the history of actions performed by one sample user corresponding to this set. Data identifying the state of menopausal symptoms of one sample user ("sample menopausal state data") can be included. For example, the first set of teacher data includes sample behavior data that identifies the history of actions performed by one sample user (Mr. V) corresponding to the first set, and the state of menopausal symptoms of Mr. V. Sample menopausal state data, and the second set of teacher data includes sample behavior data that identifies a history of actions performed by one sample user (Mr. W) corresponding to the second set; sample menopausal status data that identifies the status of Ms. W's menopausal symptoms.
(1A)サンプル行動データ
各サンプル行動データは、予め定められた複数の行動のうちの少なくとも1つの(1つの又は複数の)行動を識別するデータであり得る。ここで、予め定められた複数の行動の各々は、その行動を実行した人間の更年期症状の状態に少なくとも部分的に良い影響又は悪い影響を与え得る行動であり得る。このような予め定められた複数の行動は、例えば、以下に例示するものをこれらに限定することなく含むことができる。
(人間の更年期症状の状態に少なくとも部分的に良い影響を与え得る行動の例)
・1週間に2日以上のペースで1時間以上の有酸素運動を行った。
・毎日一定の時間に起床した。
・毎週リラックスする時間を確保した。
・缶ビールを10本以上購入した(この行動は、例えば、ビールが属する商品カテゴリーとその購入数量とを含むデータにより識別され得る)。
(人間の更年期症状の状態に少なくとも部分的に悪い影響を与え得る行動の例)
・1週間に1日以下のペースで1時間以上の有酸素運動を行った。
・毎日異なる時間に起床した。
・1週間に1日も休まずに仕事をした。
・青汁を5本以上購入した(この行動は、例えば、青汁が属する商品カテゴリーとその購入数量とを含むデータにより識別され得る)。
(1A) Sample Behavior Data Each sample behavior data may be data that identifies at least one (one or more) behaviors out of a plurality of predetermined behaviors. Here, each of the plurality of predetermined actions may be an action that can at least partially have a positive or negative impact on the state of menopausal symptoms of the person who performed the action. Such a plurality of predetermined actions can include, for example, without being limited to, those exemplified below.
(Examples of actions that can at least partially positively influence the state of menopausal symptoms in humans)
・Performed aerobic exercise for at least 1 hour at least 2 days a week.
-Woke up at a certain time every day.
・I set aside time every week to relax.
Purchased 10 or more cans of beer (this behavior can be identified, for example, by data including the product category to which the beer belongs and its purchase quantity).
(Examples of actions that can at least partially adversely affect the state of menopausal symptoms in humans)
・Performed aerobic exercise for 1 hour or more no more than once a week.
-Woke up at a different time every day.
・I worked without taking a day off a week.
Purchased 5 or more bottles of green juice (this behavior can be identified, for example, by data including the product category to which the green juice belongs and the quantity purchased).
各サンプル行動データは、このように例示される予め定められた複数の行動のうち少なくとも1つの行動の各々を識別するデータであり得る。 Each sample behavior data may be data that identifies at least one behavior among the plurality of predetermined behaviors illustrated in this way.
また、一例では、ユーザが購入した商品及び/又はユーザが利用したサービスが、そのユーザの更年期症状の状態に良い影響又は悪い影響を与える傾向があり得ることから、上記予め定められた複数の行動は、サンプルユーザが購入した商品(又はその商品が属するカテゴリー)、サンプルユーザが利用したサービス(又はそのサービスが属するカテゴリー)を含むこともできる。この種の行動は、例えば、小売店舗(ドラッグストア、スーパーマーケット、コンビニエンスストア等)等が保有するPOS(Point Of Sales)データを利用して生成され得る。 In addition, in one example, since the products purchased by the user and/or the services used by the user may tend to have a positive or negative impact on the state of menopausal symptoms of the user, the above-mentioned predetermined actions may be performed. can also include products purchased by the sample user (or the category to which the product belongs) and services used by the sample user (or the category to which the service belongs). This type of behavior can be generated using, for example, POS (Point of Sales) data held by retail stores (drug stores, supermarkets, convenience stores, etc.).
一例では、予め定められた複数の行動の各々には、固有の識別データ(英字、数字又はこれらの組み合わせ等)が割り当てられており、各サンプル行動データは、このような識別データを含むことができる。例えば、POSデータを利用する場合には、複数のサンプル行動データの各々は、購入された商品に対応する、JICFS分類(分類コード)、商品カテゴリー、購入金額、購入数量、購入回数、及び/又は、購入日等を、これらに限定することなく含むことができる。 In one example, each of the plurality of predetermined behaviors is assigned unique identification data (such as letters, numbers, or a combination thereof), and each sample behavior data may include such identification data. can. For example, when using POS data, each of the plurality of sample behavior data includes JICFS classification (classification code), product category, purchase amount, purchase quantity, number of purchases, and/or corresponding to the purchased product. , date of purchase, etc., without limitation.
情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10Aは、このようなサンプル行動データを、例えば、以下に例示する方法のうち少なくとも1つの方法により取得することができる。
・情報処理装置が、通信網2を介して、少なくとも1つの他のサーバ装置10(例えばドラッグストア等に設置されたPOSデータを記憶する他のサーバ装置10、又は、このPOSデータにアクセス可能な他のサーバ装置10)から、POSデータを受信する。
・情報処理装置が、通信網2を介して、所定のアンケート(サンプルユーザにより実行された行動に関するアンケート)に対する回答を記載したメール又はウェブページを、少なくとも1つの端末装置20及び/又は少なくとも1つのサーバ装置10から受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した少なくとも1つのサーバ装置10から通信網2を介してその回答の内容を受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した記録媒体(USBメモリ、DVD-ROM等)を介して、その回答の内容を受信する。
The server device 10A, which is an information processing device, for example, managed by a company that operates an estimation service, etc., can acquire such sample behavior data, for example, by at least one method among the methods exemplified below. can.
- The information processing device can access at least one other server device 10 (for example, another server device 10 installed in a drug store etc. that stores POS data, or this POS data) via the communication network 2. POS data is received from another server device 10).
- The information processing device sends, via the communication network 2, an email or a web page containing answers to a predetermined questionnaire (questionnaire regarding the behavior performed by the sample user) to at least one terminal device 20 and/or at least one Received from server device 10.
- The information processing device receives the contents of the responses via the communication network 2 from at least one server device 10 that has collected responses from a plurality of users to the above-mentioned predetermined questionnaire.
- The information processing device receives the contents of the responses to the above-mentioned predetermined questionnaire via a recording medium (USB memory, DVD-ROM, etc.) that has collected responses from a plurality of users.
(1B)サンプル更年期状態データ
各組の教師データに含まれるサンプル更年期状態データは、以下に例示するデータのうちの少なくとも1つを、これに限定することなく、含むことができる。
・その組に対応する1人のサンプルユーザの総合的な状態を識別するデータ(「サンプル総合状態データ」)
・その組に対応する1人のサンプルユーザの第1症状の状態を識別するデータ(「サンプル第1状態データ」)
・その組に対応する1人のサンプルユーザの第2症状の状態を識別するデータ(「サンプル第2状態データ」)
(1B) Sample menopausal state data The sample menopausal state data included in each set of teacher data can include at least one of the data exemplified below, without being limited thereto.
・Data that identifies the overall status of one sample user corresponding to the group ("sample overall status data")
・Data identifying the state of the first symptom of one sample user corresponding to the group ("sample first state data")
・Data identifying the state of the second symptom of one sample user corresponding to the group (“sample second state data”)
まず第1に、サンプル総合状態データは、そのサンプルユーザの更年期症状の状態が良いのか(例えばどの程度良いのか)悪いのか(例えばどの程度悪いのか)を識別するデータであり得る。一例では、サンプル総合状態データは、そのサンプルユーザの更年期症状の状態を総合的に評価したスコアを識別するデータであり得る。この場合、そのサンプルユーザの更年期症状の状態は、例えば、以下に例示するいずれかの方法で算出されたスコアを識別するデータであり得る。 First of all, the sample overall condition data may be data that identifies whether the state of menopausal symptoms of the sample user is good (for example, how good it is) or bad (for example, how bad it is). In one example, the sample comprehensive state data may be data that identifies a score that comprehensively evaluates the state of menopausal symptoms of the sample user. In this case, the state of menopausal symptoms of the sample user may be, for example, data identifying a score calculated by any of the methods exemplified below.
・簡略更年期指数(SMI)(図13参照)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、SMIに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・更年期障害評価尺度(Menopause Rating Scale)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、更年期障害評価尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・クッパーマン更年期指数(Kupperman index)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、クッパーマン更年期指数に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・更年期障害評価(Green Climacteric Scale)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、更年期障害評価に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・PSST(Premenstrual Symptoms Screening Tool)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、PSSTに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・WHQ(Women’s Health Questionnaire)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、WHQに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・VAS(Visual Analogue Scale)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、VASに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・HFRDI(Hot Flash Related Daily Interference Scale)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、HFRDIに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・HFCS(Hot Flash Composite Score)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、HFCSに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・MENQOL(Menopause-Specific Quality Of Life)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、MENQOLに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・日本人女性の更年期症状評価表に記載された質問事項に対するサンプルユーザの回答内容に基づいて、日本人女性の更年期症状評価表に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・その他の任意の質問票又は尺度に記載された質問事項に対するサンプルユーザの回答内容に基づいて、その質問票又は尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算することにより得られた修正スコア
・Based on the sample user's answers to the questions listed in the Simplified Menopause Index (SMI) (see Figure 13), the score is calculated using the method described in the SMI, or this score is calculated using an arbitrary method. Modified score obtained by (addition, subtraction, multiplication, division, etc.) ・Calculated using the method described in the Menopause Rating Scale based on the sample user's answers to the questions listed in the Menopause Rating Scale or a modified score obtained by calculating this score using any method (addition, subtraction, multiplication, division, etc.) ・Based on the sample user's answers to the questions listed in the Kupperman index , a score calculated by the method described in the Kupperman Menopause Index, or a modified score obtained by calculating this score using any method (addition, subtraction, multiplication, division, etc.) - A score calculated using the method described in the Kupperman Menopause Index A score calculated by the method described in the menopausal disorder evaluation based on the sample user's answers to the questionnaire, or a modified score obtained by calculating this score using any method (addition, subtraction, multiplication, division, etc.)・Based on the sample user's answers to the questions described in PSST (Premenstrual Symptoms Screening Tool), the score is calculated using the method described in PSST, or this score is calculated using any method (addition, subtraction, multiplication, division, etc.) ) ・Score calculated by the method described in WHQ (Women's Health Questionnaire) based on the sample user's answers to the questions described in WHQ (Women's Health Questionnaire), or this score Corrected score obtained by calculating using any method (addition, subtraction, multiplication, division, etc.) ・Calculated using the method described in the VAS (Visual Analogue Scale) based on the sample user's answers to the questions described in the VAS or a modified score obtained by calculating this score using an arbitrary method (addition, subtraction, multiplication, division, etc.) - Based on the sample user's answers to the questions listed in HFRDI (Hot Flash Related Daily Interference Scale) Based on the score calculated using the method described in HFRDI, or a modified score obtained by calculating this score using any method (addition, subtraction, multiplication, division, etc.) A score calculated by the method described in HFCS based on the sample user's answers to the questionnaire, or a modified score obtained by calculating this score using any method (addition, subtraction, multiplication, division, etc.) ・MENQOL ( A score calculated using the method described in MENQOL based on the sample user's answers to the questions described in Menopause-Specific Quality of Life), or a calculation of this score using any method (addition, subtraction, multiplication, division, etc.) Corrected score obtained by ・Calculated using the method described in the Menopausal Symptom Evaluation Form for Japanese Women, based on the sample user's answers to the questions listed in the Japanese Women's Menopausal Symptom Evaluation Form. Score, or a modified score obtained by calculating this score using any method (addition, subtraction, multiplication, division, etc.) Based on the sample user's answers to the questions listed on any other questionnaire or scale, A score calculated using the method described in the questionnaire or scale, or a modified score obtained by calculating this score using any method.
第2に、サンプル第1状態データは、複数の更年期症状のうちそのサンプルユーザの或る1つの症状の状態が良いのか(例えばどの程度良いのか)悪いのか(例えばどの程度悪いのか)を識別するデータであり得る。一例では、サンプル第1状態データは、そのサンプルユーザの上記或る1つの症状の状態を評価したスコアを識別するデータであり得る。 Second, the sample first state data identifies whether the state of one symptom of the sample user among a plurality of menopausal symptoms is good (e.g., how good it is) or bad (e.g., how bad it is). It can be data. In one example, the sample first state data may be data that identifies a score that evaluates the state of the one symptom of the sample user.
上記複数の更年期症状は、SMIを例にとれば、「顔がほてる」、「汗をかきやすい」、「腰や手足が冷えやすい」といったSMIに記載された複数の更年期症状であり得る。なお、上記複数の更年期症状は、SMI以外にも、上記のとおり列挙したいずれかの指数等に記載された複数の更年期症状であり得る。また、上記或る1つの症状は、このような複数の更年期症状の中から選択された任意の1つの症状であり得る。 Taking the SMI as an example, the above-mentioned multiple menopausal symptoms may be multiple menopausal symptoms described in the SMI such as "hot face," "prone to sweating," and "easiness to get cold in the lower back and limbs." In addition to SMI, the plurality of menopausal symptoms described above may be a plurality of menopausal symptoms listed in any of the indices listed above. Further, the above-mentioned one symptom may be any one symptom selected from such a plurality of menopausal symptoms.
SMIを例にとれば、サンプル第1状態データは、一例では、SMI(図13参照)に記載された質問事項に対するそのサンプルユーザによる回答内容から抽出され得る。この場合、サンプル第1状態データは、例えば「息切れ、動悸がする」という或る1つの症状の状態を識別するデータであり、例えば、0、4、8又は12というスコア(図13参照)を識別するデータであり得る。別の例では、サンプル第1状態データは、そのサンプルユーザから電子メール又はウェブページ等を介して取得され得る。 Taking the SMI as an example, the sample first state data can be extracted from the answers given by the sample user to the questionnaires listed in the SMI (see FIG. 13), in one example. In this case, the sample first state data is data that identifies the state of one symptom, such as "shortness of breath and palpitations," and has a score of 0, 4, 8, or 12 (see FIG. 13). It can be identifying data. In another example, sample first state data may be obtained from the sample user via email, web page, or the like.
第3に、サンプル第2状態データは、複数の更年期症状のうちそのサンプルユーザの別の1つの症状の状態が良いのか(例えばどの程度良いのか)悪いのか(例えばどの程度悪いのか)を識別するデータであり得る。一例では、サンプル第2状態データは、そのサンプルユーザの上記別の1つの症状の状態を評価したスコアを識別するデータであり得る。 Third, the sample second state data identifies whether the state of another symptom of the sample user among the plurality of menopausal symptoms is good (e.g., how good is it) or bad (e.g., how bad is it)? It can be data. In one example, the sample second state data may be data that identifies a score that evaluates the state of the another symptom of the sample user.
上記複数の更年期症状は、SMIを例にとれば、「顔がほてる」、「汗をかきやすい」、「腰や手足が冷えやすい」といったSMIに記載された複数の更年期症状であり得る。なお、上記複数の更年期症状は、SMI以外にも、上記のとおり列挙したいずれかの指数等に記載された複数の更年期症状であり得る。また、上記別の1つの症状は、このような複数の更年期症状の中から選択された任意の1つの症状であり得るが、上記或る1つの症状とは異なる症状であり得る。 Taking the SMI as an example, the above-mentioned multiple menopausal symptoms may be multiple menopausal symptoms described in the SMI such as "hot face," "prone to sweating," and "easiness to get cold in the lower back and limbs." In addition to SMI, the plurality of menopausal symptoms described above may be a plurality of menopausal symptoms listed in any of the indices listed above. Further, the above-mentioned another symptom may be any one symptom selected from such a plurality of menopausal symptoms, but may be a symptom different from the above-mentioned one symptom.
SMIを例にとれば、サンプル第2状態データは、一例では、SMI(図13参照)に記載された質問事項に対するそのサンプルユーザによる回答内容から抽出され得る。この場合、サンプル第2状態データは、例えば「疲れやすい」という別の1つの症状の状態を識別するデータであり、例えば、0、2、4又は7というスコア(図13参照)を識別するデータであり得る。別の例では、サンプル第2状態データは、そのサンプルユーザから電子メール又はウェブページ等を介して取得され得る。 Taking the SMI as an example, the sample second status data can be extracted from the answers given by the sample user to the questionnaires listed in the SMI (see FIG. 13), in one example. In this case, the sample second state data is, for example, data that identifies another symptom state such as "easily fatigued", and for example, data that identifies a score of 0, 2, 4, or 7 (see FIG. 13). It can be. In another example, sample second state data may be obtained from the sample user via email, web page, or the like.
情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、サンプルユーザごとに、このようなサンプル行動データとサンプル更年期状態データとを組み合わせて、そのサンプルユーザについて、1組の教師データを生成して記憶することができる。これを実現するために、例えば、情報処理装置は、取得した複数のサンプル行動データの中から、或るサンプルユーザを識別する識別データが付されたサンプル行動データを抽出し、取得した複数のサンプル更年期状態データの中からこれと同一のサンプルユーザを識別する識別データが付されたサンプル更年期状態データを抽出し、これらを組み合わせて、このサンプルユーザについての1組の教師データを生成して保存することができる。同様の処理を複数のサンプルユーザの各々について実行することにより、情報処理装置は、複数組の教師データを生成して保存することができる。 For example, the server device 10A (and/or terminal device 20), which is an information processing device managed by a company that operates an estimation service, etc., stores such sample behavior data and sample menopausal status data for each sample user. In combination, a set of training data can be generated and stored for the sample user. In order to achieve this, for example, the information processing device extracts sample behavior data attached with identification data that identifies a certain sample user from among the acquired plurality of sample behavior data, and Extract sample menopausal state data attached with identification data that identifies the same sample user from the menopausal state data, and combine them to generate and save a set of training data for this sample user. be able to. By performing similar processing for each of a plurality of sample users, the information processing device can generate and store multiple sets of teacher data.
(2)ステップ1102
図3に戻り、次に、ST1102において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1100において取得された複数組の教師データを用いて、学習モデルを機械学習により学習させることにより、推定モデルを生成することができる。ここでいう機械学習は、任意の周知の機械学習、例えば、勾配ブースティング木(例えばLightGBM)、ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
(2) Step 1102
Returning to FIG. 3, next, in ST1102, the server device 10A (and/or the terminal device 20) managed by a company that operates an estimation service etc., which is an information processing device, An estimated model can be generated by training a learning model by machine learning using the training data of . Machine learning herein may include any well-known machine learning, such as, but not limited to, gradient boosting trees (eg, LightGBM), neural networks, or linear regression.
(2A)複数組の教師データに含まれる第1の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第1の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第1の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサンプルユーザのサンプル総合状態データを含むことができる。
(2A) In an example of the first plurality of sets of teacher data included in the plurality of sets of teacher data , the information processing device calculates the estimation model using the first plurality of sets of teacher data included in the plurality of sets of teacher data. Can be generated (updated). Each set of teacher data included in the first plurality of sets of teacher data can include sample behavior data of a sample user corresponding to the group, and sample menopausal status data of a sample user corresponding to the group. . Here, the sample menopausal state data in each set of teacher data can include sample comprehensive state data of the sample user corresponding to that set.
この場合、情報処理装置は、第1の複数組の教師データ(各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル総合状態データと、を含む)を、学習モデルに入力して推定モデルを生成(更新)することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの総合的な状態を識別する対象総合状態データを、少なくとも出力することができるようになる。 In this case, the information processing device stores the first plurality of sets of teacher data (each set of teacher data includes sample behavior data of the sample user corresponding to the set and sample comprehensive state data of the sample user). can be input to the learning model to generate (update) the estimated model. As described below, such an estimation model identifies the overall state of the target user in response to inputting target behavior data that identifies the history of actions performed by the target user as an explanatory variable. It becomes possible to output at least the target comprehensive state data.
なお、一実施形態では、各組の教師データにおけるサンプル更年期状態データが、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態「に対応するスコア」を識別するものである場合を考える。 In one embodiment, the sample menopausal state data in each set of teacher data identifies the "score corresponding to" the overall state of menopausal symptoms of one sample user corresponding to the set. think of.
この場合、情報処理装置は、第1の複数組の教師データに含まれる各組の教師データについて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師データについて、この組に対応するサンプル総合状態データにより識別されるスコアを、少なくとも1つの閾値を用いて、複数のカテゴリーのうちのいずれかのカテゴリーに変換する、という前処理を実行することができる。例えば、情報処理装置は、1つの閾値(第1閾値)を用いる場合には、各組に対応するサンプル総合状態データにより識別されるスコアを、そのスコアが第1閾値以上であるか第1閾値未満であるかに応じて、2つのカテゴリー(「High」及び「Low」)のうちのいずれかのカテゴリーに変換することができる。或いはまた、例えば、情報処理装置は、2つの閾値(第1閾値、及び、第1閾値より小さい第2閾値)を用いる場合には、各組に対応するサンプル総合状態データにより識別されるスコアを、そのスコアが、第1閾値以上であるか、第2閾値以上第1閾値未満であるか、第2閾値未満であるかに応じて、3つのカテゴリー(「High」、「Middle」及び「Low」)のうちのいずれかのカテゴリーに変換することができる。 In this case, the information processing device can perform preprocessing on each set of teacher data included in the first plurality of sets of teacher data. Specifically, for each set of teacher data, the information processing device assigns the score identified by the sample comprehensive state data corresponding to this set to one of a plurality of categories using at least one threshold value. You can perform preprocessing to convert it into categories. For example, when using one threshold (first threshold), the information processing device determines whether the score identified by the sample comprehensive state data corresponding to each set is equal to or higher than the first threshold. It can be converted into one of two categories (“High” and “Low”) depending on whether it is less than or equal to the maximum value. Alternatively, for example, when using two thresholds (a first threshold and a second threshold smaller than the first threshold), the information processing device may calculate the score identified by the sample comprehensive state data corresponding to each set. , the score is divided into three categories ("High", "Middle" and "Low") depending on whether the score is greater than or equal to the first threshold, greater than or equal to the second threshold and less than the first threshold, or less than the second threshold. ”) can be converted into any of the following categories.
このように、情報処理装置は、前記第1の複数組の教師データに含まれる各組の教師データについて、この組に対応する1人のサンプルユーザの更年期症状の総合的な状態「に対応するスコア」を識別するサンプル総合状態データを、この組に対応する1人のサンプルユーザの更年期症状の総合的な状態「に対応するカテゴリー」を識別するサンプル総合状態データに変換する、という前処理を実行することができる。 In this way, the information processing apparatus is configured to determine, for each set of teacher data included in the first plurality of sets of teacher data, the information processing apparatus according to Preprocessing is performed to convert sample comprehensive state data that identifies the "score" into sample comprehensive state data that identifies the "category corresponding to" the comprehensive state of menopausal symptoms of one sample user corresponding to this set. can be executed.
これにより、情報処理装置は、前処理後の第1の複数組の教師データ(各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル総合状態データと、を含む)を、学習モデルに入力して推定モデルを生成(更新)することができる。 As a result, the information processing device can process the preprocessed first plurality of sets of teacher data (each set of teacher data includes the sample behavior data of the sample user corresponding to the set and the sample comprehensive state data of the sample user). , etc.) can be input to the learning model to generate (update) the estimated model.
このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの更年期症状の総合的な状態に対応するカテゴリーを識別する対象総合状態データを、少なくとも出力することができるようになる。 As described below, such an estimation model calculates the overall state of menopausal symptoms of the target user in response to inputting target behavior data that identifies the history of actions performed by the target user as an explanatory variable. It becomes possible to output at least the object comprehensive state data that identifies the category corresponding to the category.
(2B)複数組の教師データに含まれる第2の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第2の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第2の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサンプルユーザのサンプル第1状態データを含むことができる。
(2B) In an example of the second plurality of sets of teacher data included in the plurality of sets of teacher data , the information processing device calculates the estimation model using the second plurality of sets of teacher data included in the plurality of sets of teacher data. Can be generated (updated). Each set of teacher data included in the second plurality of sets of teacher data can include sample behavior data of a sample user corresponding to the set, and sample menopausal status data of a sample user corresponding to the set. . Here, the sample menopausal state data in each set of teacher data can include sample first state data of the sample user corresponding to that set.
この場合、情報処理装置は、第2の複数組の教師データ(各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル第1状態データと、を含む)を、学習モデルに入力して推定モデルを生成(更新)することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの第1症状の状態を識別する対象第1状態データを、少なくとも出力することができるようになる。 In this case, the information processing device includes the second plurality of sets of teacher data (each set of teacher data includes sample behavior data of a sample user corresponding to the set and sample first state data of the sample user). ) can be input to the learning model to generate (update) the estimated model. As described below, such an estimation model identifies the state of the first symptom of the target user in response to inputting target behavior data that identifies the history of actions performed by the target user as an explanatory variable. At least the target first state data can be output.
なお、一実施形態では、各組の教師データにおけるサンプル第1状態データが、該組に対応する1人のサンプルユーザの第1症状の状態「に対応するスコア」を識別するものである場合を考える。 In one embodiment, the sample first state data in each set of teacher data identifies the "score corresponding to" the state of the first symptom of one sample user corresponding to the set. think.
この場合、情報処理装置は、第2の複数組の教師データに含まれる各組の教師データについて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師データについて、この組に対応するサンプル第1状態データにより識別されるスコアを、少なくとも1つの閾値を用いて、複数のカテゴリーのうちのいずれかのカテゴリーに変換する、という前処理を実行することができる。例えば、情報処理装置は、1つの閾値(第1閾値)を用いる場合には、各組に対応するサンプル第1状態データにより識別されるスコアを、そのスコアが第1閾値以上であるか第1閾値未満であるかに応じて、2つのカテゴリー(「High」及び「Low」)のうちのいずれかのカテゴリーに変換することができる。或いはまた、例えば、情報処理装置は、2つの閾値(第1閾値、及び、第1閾値より小さい第2閾値)を用いる場合には、各組に対応するサンプル第1状態データにより識別されるスコアを、そのスコアが、第1閾値以上であるか、第2閾値以上第1閾値未満であるか、第2閾値未満であるかに応じて、3つのカテゴリー(「High」、「Middle」及び「Low」)のうちのいずれかのカテゴリーに変換することができる。 In this case, the information processing device can perform preprocessing on each set of teacher data included in the second plurality of sets of teacher data. Specifically, for each set of teacher data, the information processing device assigns the score identified by the sample first state data corresponding to this set to one of a plurality of categories using at least one threshold value. It is possible to perform preprocessing to convert it into a category. For example, when using one threshold value (first threshold value), the information processing device determines whether the score identified by the sample first state data corresponding to each set is equal to or higher than the first threshold value or Depending on whether it is less than the threshold, it can be converted into one of two categories (“High” and “Low”). Alternatively, for example, in the case of using two thresholds (a first threshold and a second threshold smaller than the first threshold), the information processing device may calculate the score identified by the sample first state data corresponding to each set. is divided into three categories ("High", "Middle" and " ``Low'').
このように、情報処理装置は、前記第2の複数組の教師データに含まれる各組の教師データについて、この組に対応する1人のサンプルユーザの第1症状の状態「に対応するスコア」を識別するサンプル第1状態データを、この組に対応する1人のサンプルユーザの第1症状の状態「に対応するカテゴリー」を識別するサンプル第1状態データに変換する、という前処理を実行することができる。 In this way, the information processing device determines, for each set of teacher data included in the second plurality of sets of teacher data, a score corresponding to the state of the first symptom of one sample user corresponding to this set. Preprocessing is performed to convert the sample first state data that identifies the first symptom into the sample first state data that identifies the "category corresponding to" the state of the first symptom of one sample user corresponding to this set. be able to.
これにより、情報処理装置は、前処理後の第2の複数組の教師データ(各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル第1状態データと、を含む)を、学習モデルに入力して推定モデルを生成(更新)することができる。 As a result, the information processing device obtains the preprocessed second plurality of sets of teacher data (each set of teacher data includes the sample behavior data of the sample user corresponding to the set and the sample first state data of the sample user). ) can be input to the learning model to generate (update) the estimated model.
このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの第1症状の状態に対応するカテゴリーを識別する対象第1状態データを、少なくとも出力することができるようになる。 As described below, such an estimation model responds to the state of the first symptom of the target user in response to inputting target behavior data that identifies the history of actions performed by the target user as an explanatory variable. It is now possible to output at least the target first state data that identifies the category of the target.
さらにまた、情報処理装置は、上記のような前処理(便宜上「前処理A」)に加えて、更なる前処理(便宜上「前処理B」)を実行することも可能である。具体的には、まず、情報処理装置は、第2の複数組の教師データの中から、別の複数組の教師データを抽出する、という「前処理B」を実行することができる。当該別の複数組の教師データに含まれる各組の教師データは、閾値以上のスコアを識別するサンプル第1状態データを有する。 Furthermore, in addition to the above-described preprocessing ("preprocessing A" for convenience), the information processing apparatus can also perform further preprocessing ("preprocessing B" for convenience). Specifically, first, the information processing device can perform "preprocessing B" of extracting another plurality of sets of teacher data from the second plurality of sets of teacher data. Each set of teacher data included in the other plurality of sets of teacher data has sample first state data that identifies scores equal to or higher than the threshold.
例えば、第1症状がSMI(図13参照)における「汗をかきやすい」という症状であるときには、上記別の複数組の教師データに含まれる各組の教師データは、5という閾値以上のスコア(10又は6)を識別するサンプル第1状態データであり得る。すなわち、上記別の複数組の教師データに含まれる各組の教師データは、より強い第1症状(ここでは「汗をかきやすい」)を有するサンプルユーザのみに関する教師データを含むものである。 For example, when the first symptom is "sweating easily" in the SMI (see Figure 13), each set of teacher data included in the other plural sets of teacher data has a score ( 10 or 6). That is, each set of teacher data included in the other plurality of sets of teacher data includes teacher data related only to the sample user who has the stronger first symptom (here, "prone to sweating").
さらに、情報処理装置は、このように抽出した当該別の複数組の教師データを、「新たな」第2の複数組の教師データとすることができる。この後、情報処理装置は、「新たな」第2の複数組の教師データに対して、上述した前処理Aを実行することができる。この前処理Aでは、用いるべき少なくとも1つの閾値を、前処理Bを実行しない上述した例に比べて、より大きな値に設定することができる。次に、情報処理装置は、前処理A後の「新たな」第2の複数組の教師データを学習モデルに入力して推定モデルを生成(更新)することができる。 Further, the information processing device can use the other plurality of sets of teacher data extracted in this way as a "new" second plurality of sets of teacher data. Thereafter, the information processing device can perform the above-described preprocessing A on the "new" second plurality of sets of teacher data. In this preprocessing A, at least one threshold value to be used can be set to a larger value than in the above-mentioned example in which preprocessing B is not performed. Next, the information processing apparatus can generate (update) the estimated model by inputting the "new" second plurality of sets of teacher data after the preprocessing A into the learning model.
このような「新たな」第2の複数組の教師データは、より強い第1症状を有するサンプルユーザのみについての、サンプル行動データとサンプル第1状態データとを含むものである。よって、このような「新たな」第2の複数組の教師データを用いて学習を行った推定モデルは、強い第1症状に結び付く可能性のある行動を行った対象ユーザを、強い第1症状を有するユーザとして、より簡単に推定することができ、さらに、そのような対象ユーザの第1症状の強さのレベルを細かく推定することもできる。 Such "new" second plurality of sets of teacher data includes sample behavior data and sample first state data only for sample users who have stronger first symptoms. Therefore, an estimation model that is trained using such "new" second sets of training data is able to classify target users who have performed actions that may lead to strong first symptoms into strong first symptoms. It is possible to more easily estimate the level of intensity of the first symptom of such a target user, and it is also possible to more precisely estimate the level of the intensity of the first symptom of such a target user.
(2C)複数組の教師データに含まれる第3の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第3の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第3の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサンプルユーザのサンプル第2状態データを含むことができる。
(2C) In an example of the third plurality of sets of teacher data included in the plurality of sets of teacher data , the information processing device calculates the estimation model using the third plurality of sets of teacher data included in the plurality of sets of teacher data. Can be generated (updated). Each set of teacher data included in the third plurality of sets of teacher data can include sample behavior data of a sample user corresponding to the group, and sample menopausal status data of a sample user corresponding to the group. . Here, the sample menopausal state data in each set of teacher data can include sample second state data of the sample user corresponding to that set.
この場合、情報処理装置は、第3の複数組の教師データ(各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル第2状態データと、を含む)を、学習モデルに入力して推定モデルを生成(更新)することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの第2症状の状態を識別する対象第2状態データを、少なくとも出力することができるようになる。 In this case, the information processing device includes the third plurality of sets of teacher data (each set of teacher data includes sample behavior data of the sample user corresponding to the set and sample second state data of the sample user). ) can be input to the learning model to generate (update) the estimated model. As described below, such an estimation model identifies the state of the second symptom of the target user in response to inputting target behavior data that identifies the history of actions performed by the target user as an explanatory variable. At least the target second state data can be output.
なお、一実施形態では、各組の教師データにおけるサンプル第2状態データが、該組に対応する1人のサンプルユーザの第2症状の状態「に対応するスコア」を識別するものである場合を考える。 In one embodiment, the sample second state data in each set of teacher data identifies the "score corresponding to" the state of the second symptom of one sample user corresponding to the set. think.
この場合、情報処理装置は、第3の複数組の教師データに含まれる各組の教師データについて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師データについて、この組に対応するサンプル第2状態データにより識別されるスコアを、少なくとも1つの閾値を用いて、複数のカテゴリーのうちのいずれかのカテゴリーに変換する、という前処理を実行することができる。例えば、情報処理装置は、1つの閾値(第1閾値)を用いる場合には、各組に対応するサンプル第2状態データにより識別されるスコアを、そのスコアが第1閾値以上であるか第1閾値未満であるかに応じて、2つのカテゴリー(「High」及び「Low」)のうちのいずれかのカテゴリーに変換することができる。或いはまた、例えば、情報処理装置は、2つの閾値(第1閾値、及び、第1閾値より小さい第2閾値)を用いる場合には、各組に対応するサンプル第2状態データにより識別されるスコアを、そのスコアが、第1閾値以上であるか、第2閾値以上第1閾値未満であるか、第2閾値未満であるかに応じて、3つのカテゴリー(「High」、「Middle」及び「Low」)のうちのいずれかのカテゴリーに変換することができる。 In this case, the information processing device can perform preprocessing on each set of teacher data included in the third plurality of sets of teacher data. Specifically, for each set of teacher data, the information processing device assigns the score identified by the sample second state data corresponding to this set to one of a plurality of categories using at least one threshold value. It is possible to perform preprocessing to convert it into a category. For example, when using one threshold value (first threshold value), the information processing device determines whether the score identified by the sample second state data corresponding to each set is equal to or higher than the first threshold value. Depending on whether it is less than the threshold, it can be converted into one of two categories (“High” and “Low”). Alternatively, for example, in the case of using two thresholds (a first threshold and a second threshold smaller than the first threshold), the information processing device may calculate the score identified by the sample second state data corresponding to each set. is divided into three categories ("High", "Middle" and " ``Low'').
このように、情報処理装置は、前記第3の複数組の教師データに含まれる各組の教師データについて、この組に対応する1人のサンプルユーザの第2症状の状態「に対応するスコア」を識別するサンプル第2状態データを、この組に対応する1人のサンプルユーザの第2症状の状態「に対応するカテゴリー」を識別するサンプル第2状態データに変換する、という前処理を実行することができる。 In this way, the information processing apparatus determines, for each set of teacher data included in the third plurality of sets of teacher data, a score corresponding to the state of the second symptom of one sample user corresponding to this group. Preprocessing is performed to convert the sample second state data that identifies the ``category corresponding to'' of the second symptom state of one sample user corresponding to this set into the sample second state data that identifies the ``category corresponding to''. be able to.
これにより、情報処理装置は、前処理後の第3の複数組の教師データ(各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル第1状態データと、を含む)を、学習モデルに入力して推定モデルを生成(更新)することができる。 As a result, the information processing device obtains the preprocessed third plurality of sets of teacher data (each set of teacher data includes the sample behavior data of the sample user corresponding to the set and the sample first state data of the sample user). ) can be input to the learning model to generate (update) the estimated model.
このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの第2症状の状態に対応するカテゴリーを識別する対象第2状態データを、少なくとも出力することができるようになる。 As described later, such an estimation model responds to the state of the second symptom of the target user in response to inputting target behavior data that identifies the history of actions performed by the target user as an explanatory variable. It becomes possible to output at least the target second state data that identifies the category of the object.
さらにまた、情報処理装置は、上記のような前処理(便宜上「前処理A」)に加えて、更なる前処理(便宜上「前処理B」)を実行することも可能である。具体的には、まず、情報処理装置は、第3の複数組の教師データの中から、別の複数組の教師データを抽出する、という「前処理B」を実行することができる。当該別の複数組の教師データに含まれる各組の教師データは、閾値以上のスコアを識別するサンプル第2状態データを有する。 Furthermore, in addition to the above-described preprocessing ("preprocessing A" for convenience), the information processing apparatus can also perform further preprocessing ("preprocessing B" for convenience). Specifically, first, the information processing apparatus can perform "preprocessing B" of extracting another plurality of sets of teacher data from the third plurality of sets of teacher data. Each set of teacher data included in the other plurality of sets of teacher data has sample second state data that identifies scores equal to or higher than the threshold.
例えば、第2症状がSMI(図13参照)における「疲れやすい」という症状であるときには、上記別の複数組の教師データに含まれる各組の教師データは、3という閾値以上のスコア(7又は4)を識別するサンプル第2状態データであり得る。すなわち、上記別の複数組の教師データに含まれる各組の教師データは、より強い第2症状(ここでは「疲れやすい」)を有するサンプルユーザのみに関する教師データを含むものである。 For example, when the second symptom is the symptom of "getting tired easily" in the SMI (see Figure 13), each set of teacher data included in the other plural sets of teacher data has a score of 3 or more (7 or 4) may be sample second state data identifying the second state data. That is, each set of teacher data included in the other plurality of sets of teacher data includes teacher data related only to the sample user who has the stronger second symptom (here, "easily tired").
さらに、情報処理装置は、このように抽出した当該別の複数組の教師データを、「新たな」第3の複数組の教師データとすることができる。この後、情報処理装置は、「新たな」第3の複数組の教師データに対して、上述した前処理Aを実行することができる。この前処理Aでは、用いるべき少なくとも1つの閾値を、前処理Bを実行しない上述した例に比べて、より大きな値に設定することができる。次に、情報処理装置は、前処理A後の「新たな」第3の複数組の教師データを学習モデルに入力して推定モデルを生成(更新)することができる。 Further, the information processing device can use the other plurality of sets of teacher data extracted in this way as a "new" third plurality of sets of teacher data. Thereafter, the information processing apparatus can perform the above-described preprocessing A on the "new" third set of teacher data. In this preprocessing A, at least one threshold value to be used can be set to a larger value than in the above-mentioned example in which preprocessing B is not performed. Next, the information processing apparatus can generate (update) the estimated model by inputting the "new" third plurality of sets of teacher data after the preprocessing A into the learning model.
このような「新たな」第3の複数組の教師データは、より強い第2症状を有するサンプルユーザのみについての、サンプル行動データとサンプル第2状態データとを含むものである。よって、このような「新たな」第3の複数組の教師データを用いて学習を行った推定モデルは、強い第2症状に結び付く可能性のある行動を行った対象ユーザを、強い第2症状を有するユーザとして、より簡単に推定することができ、さらに、そのような対象ユーザの第2症状の強さのレベルを細かく推定することもできる。 Such a "new" third plurality of sets of teacher data includes sample behavior data and sample second state data only for sample users who have stronger second symptoms. Therefore, an estimation model that is trained using such "new" third sets of training data will be able to classify a target user who has performed an action that may lead to a strong second symptom into a strong second symptom. It is possible to more easily estimate the level of the intensity of the second symptom of such a target user as a user who has the following symptoms.
以上のような推定モデルの生成(更新)は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)とともに、他の企業により管理される他のサーバ装置10(及び/又は端末装置20)により実行され得る。当該他のサーバ装置10(端末装置20)により生成(更新)された推定モデルは、サーバ装置10Aを含む任意のサーバ装置10に対して送信され得るし、或いはまた、サーバ装置10Aを含む任意のサーバ装置10によりアクセス及び利用され得る。 The generation (update) of the estimation model as described above is performed in place of the server device 10A (and/or terminal device 20) managed by the company that operates the estimation service, etc., or by the company that operates the estimation service, etc. The server device 10A (and/or the terminal device 20) managed by the server device 10A (and/or the terminal device 20) may be executed by another server device 10 (and/or the terminal device 20) managed by another company. The estimation model generated (updated) by the other server device 10 (terminal device 20) can be transmitted to any server device 10 including the server device 10A, or alternatively, the estimation model generated (updated) by the other server device 10 (terminal device 20) It can be accessed and used by the server device 10.
なお、「複数組の教師データ」の直前に付された「第1の」~「第3の」という名称は、これらの名称のうちの或る名称を付した「複数組の教師データ」と、これらの名称のうちの別の名称を付した「複数組の教師データ」と、を区別するために便宜上用いられたものであって、何らかの順序又は内容等を限定するものではない。 In addition, the names "first" to "third" added immediately before "multiple sets of teaching data" may be referred to as "multiple sets of teaching data" with a certain name among these names. , and ``multiple sets of training data'' with different names among these names, and are used for convenience, and are not intended to limit the order or content in any way.
(3)ステップ1104
再度図12を参照すると、次に、ST1104において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、例えば、特定のアプリケーション(推定サービス等の提供を受けるためのアプリケーション等)を実行してこのサーバ装置10Aにアクセスしてきた端末装置20(又は他のサーバ装置10)から、及び/又は、ブラウザを実行してこのサーバ装置10Aにアクセスしてきた端末装置20から、推定対象となる対象ユーザにより実行された行動の履歴を識別する対象行動データを、取得することができる。この対象行動データは、対象ユーザにより実行された少なくとも1つの(1つの又は複数の)行動を識別するデータであり得る。
(3) Step 1104
Referring again to FIG. 12, next, in ST1104, the server device 10A (and/or the terminal device 20), which is an information processing device and is managed by a company that operates an estimation service, etc., executes a specific application, for example. From the terminal device 20 (or other server device 10) that has accessed this server device 10A by executing (an application etc. for receiving provision of estimation services etc.) and/or by executing a browser and accessing this server device 10A. From the terminal device 20 that has accessed 10A, it is possible to acquire target action data that identifies the history of actions performed by the target user who is the estimation target. This target behavior data may be data that identifies at least one (one or more) behavior performed by the target user.
このような対象行動データの取得は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)とともに、他の企業により管理される他のサーバ装置10(及び/又は端末装置20)により実行され得る。 Such target behavior data can be acquired in place of the server device 10A (and/or terminal device 20) managed by a company that operates an estimation service, etc., or by using a server managed by a company that operates an estimation service, etc. Together with the device 10A (and/or the terminal device 20), it can be executed by another server device 10 (and/or the terminal device 20) managed by another company.
(4)ステップ1106
次に、ST1106において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1104において取得された対象行動データ、及び、ST1102において生成された推定モデルを用いて、対象ユーザの更年期症状の状態を識別する対象更年期状態データを取得することができる。具体的には、サーバ装置10Aは、説明変数としての対象行動データを、推定モデルに入力することにより、推定モデルから、目的変数としての対象更年期状態データを出力させることができる。
(4) Step 1106
Next, in ST1106, the information processing device, for example, the server device 10A (and/or the terminal device 20) managed by a company that operates an estimation service etc., uses the target behavior data acquired in ST1104 and Using the estimation model generated in , it is possible to obtain target menopausal state data that identifies the state of menopausal symptoms of the target user. Specifically, the server device 10A can output target menopausal state data as a target variable from the estimation model by inputting target behavior data as an explanatory variable into the estimation model.
対象更年期状態データは、以下に示すデータのうちの少なくとも1つを含むことができる。
・対象ユーザの更年期症状の総合的な状態を識別するデータ(「対象総合状態データ」)
・対象ユーザの第1症状の状態を識別するデータ(「対象第1状態データ」)
・対象ユーザの第2症状の状態を識別するデータ(「対象第2状態データ」)
The target menopausal status data can include at least one of the following data.
・Data that identifies the overall condition of the target user's menopausal symptoms ("target comprehensive status data")
・Data that identifies the state of the first symptom of the target user (“Target first state data”)
・Data identifying the state of the second symptom of the target user (“Target second state data”)
推定モデルが、対象更年期状態データとしていずれのデータを出力するかは、この推定モデルの生成(更新)の際に、サンプル更年期状態データとしていずれのデータが用いられたかに依存し得る。 Which data the estimation model outputs as the target menopausal state data may depend on which data is used as the sample menopausal state data when the estimation model is generated (updated).
例えば、推定モデルの生成(更新)の際に、サンプル更年期状態データとして、第1の複数組の教師データが用いられた場合(上記「6(2)(2A)」項)には、推定モデルは、対象更年期状態データとして、対象総合状態データを、少なくとも出力することができる。 For example, when the estimation model is generated (updated), if the first plurality of sets of teacher data are used as sample menopausal status data (paragraph 6 (2) (2A) above), the estimation model can output at least target comprehensive state data as target menopausal state data.
例えば、推定モデルの生成(更新)の際に、サンプル更年期状態データとして、第2の複数組の教師データが用いられた場合(上記「6(2)(2B)」項)には、推定モデルは、対象更年期状態データとして、対象第1状態データを、少なくとも出力することができる。 For example, when the estimation model is generated (updated), if the second plurality of sets of teacher data are used as sample menopausal status data (section "6(2)(2B)" above), the estimation model can output at least the target first state data as the target menopausal state data.
例えば、推定モデルの生成(更新)の際に、サンプル更年期状態データとして、第3の複数組の教師データが用いられた場合(上記「6(2)(2C)」項)には、推定モデルは、対象更年期状態データとして、対象第2状態データを、少なくとも出力することができる。 For example, when generating (updating) the estimation model, if the third set of training data is used as sample menopausal state data (section 6 (2) (2C) above), the estimation model can output at least the target second state data as the target menopausal state data.
例えば、サンプル更年期状態データとして、第1の複数組の教師データを用いて推定モデルの生成(更新)が行われ(上記「6(2)(2A)」項)、その後に、サンプル更年期状態データとして、第2の複数組の教師データを用いて推定モデルの生成(更新)が行われた(上記「6(2)(2B)」項)場合には、推定モデルは、対象更年期状態データとして、対象総合状態データ及び対象第1状態データを、少なくとも出力することができる。さらにこの後に、サンプル更年期状態データとして、第3の複数組の教師データを用いて推定モデルの生成(更新)が行われた(上記「6(2)(2C)」項)場合には、推定モデルは、対象更年期状態データとして、対象総合状態データ、対象第1状態データ及び対象第2状態データを、少なくとも出力することができる。 For example, an estimation model is generated (updated) using the first plurality of sets of training data as sample menopausal state data (section 6 (2) (2A) above), and then the sample menopausal state data If the estimation model is generated (updated) using the second plurality of sets of training data (Section 6(2)(2B) above), the estimation model is , the object comprehensive state data and the object first state data can be output at least. Furthermore, if the estimation model is subsequently generated (updated) using the third set of training data as sample menopausal status data (paragraph 6 (2) (2C) above), the estimation The model can output at least target comprehensive state data, target first state data, and target second state data as target menopausal state data.
推定モデルの利用方法としては、以下に例示する方法のうちのいずれかを用いることが可能である。
・サーバ装置10Aは、ST1104において生成された推定モデルを取得及び保持しており、この推定モデルに対象行動データを入力し、この推定モデルから出力される対象更年期状態データを取得する。
・サーバ装置10Aは、ST1104において生成された推定モデルを取得及び保持する外部の装置(他のいずれかサーバ装置10又はいずれかの端末装置20)に対して、通信網2を介して対象行動データを送信することにより、この対象行動データを説明変数として入力した上記推定モデルに対象更年期状態データを出力させる。この後、サーバ装置10Aは、この推定モデルにより出力された対象更年期状態データを、上記外部の装置から通信網2を介して受信する。
As a method of using the estimation model, it is possible to use any of the methods illustrated below.
- The server device 10A acquires and holds the estimated model generated in ST1104, inputs target behavior data into this estimated model, and acquires target menopausal state data output from this estimated model.
- The server device 10A transmits the target behavior data via the communication network 2 to an external device (any other server device 10 or any terminal device 20) that acquires and holds the estimation model generated in ST1104. By transmitting this, the estimation model into which this target behavior data is input as an explanatory variable is caused to output target menopausal state data. Thereafter, the server device 10A receives the target menopausal state data output by this estimation model from the external device via the communication network 2.
このような対象更年期状態データの取得は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)とともに、他の企業により管理される他のサーバ装置10(及び/又は端末装置20)により実行され得る。 Such target menopausal state data can be acquired in place of the server device 10A (and/or terminal device 20) managed by a company that operates an estimation service, etc., or managed by a company that operates an estimation service, etc. Together with the server device 10A (and/or the terminal device 20), it can be executed by another server device 10 (and/or the terminal device 20) managed by another company.
(5)ステップ1108
次に、ST1108において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1106において取得された対象更年期状態データを用い、この対象更年期状態データに対応する少なくとも1つの対象商品/1つの対象サービスを決定することができる。このような対象商品/対象サービスは、対象更年期状態データにより識別される対象ユーザの現在の(推定された)更年期症状の状態に適したものであり得る。
(5) Step 1108
Next, in ST1108, the information processing device, for example, the server device 10A (and/or the terminal device 20) managed by a company that operates an estimation service etc. uses the target menopausal state data acquired in ST1106, At least one target product/one target service corresponding to this target menopausal state data can be determined. Such target products/services may be suitable for the current (estimated) state of menopausal symptoms of the target user identified by the target menopausal status data.
具体的には、一例では、サーバ装置10Aは、まず、対象更年期状態データと複数の商品及び/又は複数のサービスとを対応付けて記憶する検索テーブルを用意して記憶することができる。次に、サーバ装置10Aは、ST1106において取得された対象更年期状態データを検索テーブルに入力することにより、この検索テーブルから少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを識別するデータ(「提案データ」)を取得することができる。 Specifically, in one example, the server device 10A can first prepare and store a search table that stores target menopausal state data in association with a plurality of products and/or a plurality of services. Next, the server device 10A inputs the target menopausal state data acquired in ST1106 into the search table, thereby obtaining data identifying at least one target product and/or at least one target service (“proposed data") can be obtained.
図14は、図1に示した通信システム1において用いられる検索テーブルの別の例を概念的に示す図である。図14に例示される検索テーブルは、対象更年期状態データに含まれ得る各データ(対象総合状態データ、対象第1状態データ及び対象第2状態データの各々)に対応付けて、提案すべき少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを記憶している。 FIG. 14 is a diagram conceptually showing another example of the search table used in the communication system 1 shown in FIG. 1. The search table illustrated in FIG. 14 includes at least one item to be proposed in association with each data (each of the target comprehensive state data, the target first state data, and the target second state data) that may be included in the target menopausal state data. At least one target product and/or at least one target service are stored.
この例では、説明の簡略化のために、対象総合状態データ、対象第1状態データ及び対象第2状態データの各々が示す相互に異なる3つのレベルの各々に対応付けて、提案すべき少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスが割り当てられ得る。対象総合状態データを例に挙げれば、対象総合状態データが示す、クラスV1(対象ユーザの更年期症状の総合的な状態が良いクラス)、クラスV2(対象ユーザの更年期症状の総合的な状態が標準であるクラス)、及び、クラスV3(対象ユーザの更年期症状の総合的な状態が悪いクラス)の各々に対応付けて、提案すべき少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスが割り当てられ得る。 In this example, in order to simplify the explanation, at least one of the three levels to be proposed is shown in association with each of the three mutually different levels indicated by each of the target comprehensive state data, the target first state data, and the target second state data. At least one eligible product and/or at least one eligible service may be assigned. Taking the target comprehensive state data as an example, the target comprehensive state data indicates class V1 (class where the comprehensive state of menopausal symptoms of the target user is good) and class V2 (class where the comprehensive state of menopausal symptoms of the target user is standard). At least one target product and/or at least one target service to be proposed is assigned in association with each of class V3 (a class in which the overall state of menopausal symptoms of the target user is poor) obtain.
クラスW1~W3もまた、この順序で、対象ユーザの第1症状の状態が「良い」、「標準」、「悪い」を示すものであり得る。クラスX1~X3もまた、この順序で、対象ユーザの第2症状の状態が「良い」、「標準」、「悪い」を示すものであり得る。 Classes W1 to W3 may also indicate, in this order, that the state of the first symptom of the target user is "good", "normal", or "bad". Classes X1 to X3 may also indicate, in this order, the state of the second symptom of the target user as "good", "normal", or "bad".
図14に例示された商品(P10、P20といったように「P」及び数字からなる参照符号が付された商品)は、いずれも、ユーザの更年期症状の状態を改善させるのに適した任意の商品を示し、図14に例示されたサービス(S10、S20といったように「S」及び数字からなる参照符号が付されたサービス)は、いずれも、ユーザの更年期症状の状態を改善させるのに適した任意のサービスを示す。これらの商品は、食品、日用品、薬品、運動用具、電気製品等を、これらに限定することなく含むことができる。また、これらのサービスは、病院、クリニック、スポーツジム等を、これらに限定することなく含むことができる。 The products illustrated in FIG. 14 (products with reference signs consisting of "P" and numbers, such as P10 and P20) are any products suitable for improving the state of menopausal symptoms of the user. The services illustrated in FIG. 14 (services with reference signs consisting of "S" and numbers, such as S10 and S20) are all suitable for improving the state of menopausal symptoms of the user. Indicates any service. These products can include, but are not limited to, foods, daily necessities, medicines, athletic equipment, electrical products, and the like. Additionally, these services may include, but are not limited to, hospitals, clinics, gyms, and the like.
サーバ装置10Aは、例えば、対象更年期状態データにおける対象総合状態データがクラスV3を示す場合には、商品P40及びサービスS10をそれぞれ対象商品及び対象サービスとして決定することができる。また、サーバ装置10Aは、例えば、対象更年期状態データが(クラスX2を示す)対象第2状態データ及び(クラスW3を示す)対象第1状態データを含む場合には、商品P80を対象商品として、サービスS10、S30、S40を対象サービスとして決定することができる。 For example, when the target comprehensive state data in the target menopausal state data indicates class V3, the server device 10A can determine the product P40 and the service S10 as the target product and the target service, respectively. In addition, for example, when the target menopausal state data includes target second state data (indicating class X2) and target first state data (indicating class W3), server device 10A sets product P80 as the target product, Services S10, S30, and S40 can be determined as target services.
なお、対象更年期状態データに含まれる各データについて、用いられるクラスの総数、各クラスに割り当てられる商品及び/又はサービスの総数等は、任意に定められ得る。 Note that for each data included in the target menopausal state data, the total number of classes used, the total number of products and/or services allocated to each class, etc. can be arbitrarily determined.
別の例では、サーバ装置10Aは、教師あり学習(機械学習)を実行することにより生成された別の推定モデルを用いて、少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを決定することも可能である。当該別の推定モデルは、対象更年期状態データに含まれる各データの各クラスを示すデータを、説明変数とし、少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを示すデータを、目的変数として、教師あり学習を実行することにより、生成(更新)され得る。 In another example, the server device 10A determines at least one target product and/or at least one target service using another estimation model generated by performing supervised learning (machine learning). is also possible. The other estimation model uses data indicating each class of each data included in the target menopausal state data as an explanatory variable, and data indicating at least one target product and/or at least one target service as an objective variable, It can be generated (updated) by performing supervised learning.
当該別の推定モデルを学習させるための機械学習は、例えば、上述したとおり、任意の周知の機械学習、例えば、勾配ブースティング木(例えばLightGBM)、ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。 The machine learning for learning the other estimation model may be, for example, any well-known machine learning, such as a gradient boosting tree (e.g., LightGBM), a neural network, or a linear regression, as described above. It can be included without
サーバ装置10Aは、当該別の推定モデルに対象更年期状態データを入力することにより、当該別の推定モデルから、少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを識別するデータ(「提案データ」)を出力することができる。 By inputting target menopausal state data into the other estimation model, the server device 10A generates data ("proposed data") that identifies at least one target product and/or at least one target service from the other estimation model. ) can be output.
当該別の推定モデルの利用方法としては、以下に例示する方法のうちのいずれかを用いることが可能である。
・サーバ装置10Aは、生成された当該別の推定モデルを取得及び保持しており、当該別の推定モデルに対象更年期状態データを入力し、当該別の推定モデルから出力される提案データを取得する。
・サーバ装置10Aは、生成された当該別の推定モデルを取得及び保持する外部の装置(他のいずれかサーバ装置10又はいずれかの端末装置20)に対して、通信網2を介して対象更年期状態データを送信することにより、この対象更年期状態データを説明変数として入力した当該別の推定モデルに提案データを出力させる。この後、サーバ装置10Aは、当該別の推定モデルにより出力された提案データを、上記外部の装置から通信網2を介して受信する。
As a method of using the other estimation model, it is possible to use any of the methods exemplified below.
- The server device 10A acquires and holds the generated another estimation model, inputs the target menopausal state data into the other estimation model, and acquires the proposed data output from the other estimation model. .
- The server device 10A transmits the target menopause via the communication network 2 to an external device (any other server device 10 or any terminal device 20) that acquires and holds the generated another estimation model. By transmitting the state data, the other estimation model that has input this target menopausal state data as an explanatory variable is caused to output proposed data. Thereafter, the server device 10A receives the proposal data output by the other estimation model from the external device via the communication network 2.
このような提案データの取得は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)とともに、他の企業により管理される他のサーバ装置10(及び/又は端末装置20)により実行され得る。 Acquisition of such proposal data may be performed in place of the server device 10A (and/or terminal device 20) managed by a company that operates an estimation service, etc., or by using a server device managed by a company that operates an estimation service, etc. 10A (and/or the terminal device 20) as well as other server devices 10 (and/or terminal devices 20) managed by other companies.
(6)ステップ1110
再度図12を参照すると、次に、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1108において取得された提案データを、企業ユーザ及び/又は個人ユーザにより管理される少なくとも1つの端末装置20(他のサーバ装置10であってもよい)に対して、通信網2を介して提供(送信)することができる。ここでいう「個人ユーザ」は「対象ユーザ」を含み得る。
(6) Step 1110
Referring again to FIG. 12, next, the information processing device, for example, the server device 10A (and/or the terminal device 20) managed by a company that operates an estimation service etc., uses the proposal data acquired in ST1108. can be provided (transmitted) via the communication network 2 to at least one terminal device 20 (which may be another server device 10) managed by a corporate user and/or an individual user. The "individual user" here may include the "target user."
提案データの提供は、ウェブページ、電子メール、チャット、電子ファイル、記録媒体(USBメモリ、CD-ROM等)、及び/又は、紙媒体等を含む任意の手段により、企業ユーザ及び/又は個人ユーザにより管理される少なくとも1つの端末装置20(他のサーバ装置10であってもよい)に対して提供され得る。 Proposal data can be provided to corporate users and/or individual users by any means including web pages, e-mails, chats, electronic files, recording media (USB memory, CD-ROM, etc.), and/or paper media, etc. may be provided to at least one terminal device 20 (which may be another server device 10) managed by the server.
このような提案データの提供は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)とともに、他の企業により管理される他のサーバ装置10(及び/又は端末装置20)により実行され得る。 Such proposal data may be provided in place of the server device 10A (and/or terminal device 20) managed by a company that operates an estimation service, etc., or by a server device managed by a company that operates an estimation service, etc. 10A (and/or the terminal device 20) as well as other server devices 10 (and/or terminal devices 20) managed by other companies.
7.変形例
上述した様々な例では、サンプル総合状態データ、サンプル第1状態データ及びサンプル第2状態データを、目的変数として、推定モデルを生成及び利用する場合について説明した。別の例では、サンプル総合状態データ、サンプル第1状態データ及びサンプル第2状態データのうちの少なくとも1つ(最大2つ)を、目的変数ではなく説明変数として用いて、推定モデルを生成及び利用することも可能である。
7. Modifications In the various examples described above, cases have been described in which an estimation model is generated and utilized using sample comprehensive state data, sample first state data, and sample second state data as target variables. In another example, an estimation model is generated and used by using at least one (up to two) of sample comprehensive state data, sample first state data, and sample second state data as explanatory variables instead of objective variables. It is also possible to do so.
また、上述した様々な例では、図12に例示された様々なステップ(例えばST1100~ST1110)の実行主体を、主に、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)とした場合について、説明した。しかし、図12に例示された様々なステップを、任意の複数のサーバ装置10及び/又は複数の端末装置20に、分担して実行させることも可能である。ここで、任意の複数のサーバ装置10及び/又は複数の端末装置20に、一例では、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)が含まれ得るし、別の例では、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)が含まれない。 Furthermore, in the various examples described above, the execution entity of the various steps (for example, ST1100 to ST1110) illustrated in FIG. 12 is mainly the server device 10A (and/or The case where the terminal device 20) is used has been explained. However, it is also possible to have arbitrary plurality of server devices 10 and/or plurality of terminal devices 20 share and execute the various steps illustrated in FIG. 12 . Here, the arbitrary plurality of server devices 10 and/or plurality of terminal devices 20 may include, for example, a server device 10A (and/or terminal device 20) managed by a company that operates an estimation service etc. In another example, the server device 10A (and/or the terminal device 20) managed by a company that operates an estimation service or the like is not included.
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行された少なくとも1つの行動の履歴を識別する対象行動データを推定モデルに入力することにより、この推定モデルから、対象ユーザの現在の(予測された)更年期症状の状態を識別する対象更年期状態データを取得することができる。さらに、予め用意された複数の対象商品及び/又は複数の対象サービスのうち、このように取得された対象更年期状態データに適した少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを、対象ユーザの更年期症状を改善させるために、対象ユーザを含む任意のユーザに提案することができる。 As explained above, according to the technology disclosed in the present application, by inputting target behavior data that identifies the history of at least one behavior performed by a target user into an estimation model, Target menopausal status data that identifies a user's current (predicted) menopausal symptom status may be obtained. Furthermore, from among the plurality of target products and/or the plurality of target services prepared in advance, at least one target product and/or at least one target service suitable for the target menopausal status data obtained in this way is provided to the target user. It can be proposed to any user including the target user in order to improve menopausal symptoms.
これにより、対象ユーザにより実行された少なくとも1つの行動の履歴に基づいてこの対象ユーザの更年期症状の状態を推定するために用いられ、少なくとも部分的に向上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。 Thereby, a computer program, an information processing device, which is used for estimating the state of menopausal symptoms of a target user based on the history of at least one action performed by the target user, and has at least partially improved performance. and a method can be provided.
8.様々な健康の状態を予測するための推定モデルについて
本件出願に開示された技術は、上述した睡眠の状態及び更年期症状の状態を予測することだけでなく、例えば、以下に例示する様々な健康の状態を予測することにも適用可能である。
・運動の状態
・免疫の状態
・水分補給の状態
・栄養の状態
8. The technology disclosed in this application regarding the estimation model for predicting various health conditions is not only useful for predicting the above-mentioned sleep state and menopausal symptom state, but also for estimating various health conditions as exemplified below. It is also applicable to predicting states.
・Exercise status ・Immune status ・Hydration status ・Nutritional status
(1)運動の状態について
運動の状態を予測するための推定モデルは、生活習慣病に関連する状態等を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動データは、以下に例示する複数のデータのうちの少なくとも1つのデータであり得る。
・サンプルユーザが一定期間(例えば1年間等)において購入した商品(又はその商品が属するカテゴリー)を識別するデータ
・サンプルユーザが一定期間(例えば1年間等)において利用したサービス(又はそのサービスが属するカテゴリー)を識別するデータ
・サンプルユーザが肥満の状態にあるか否かを識別するデータ
・サンプルユーザの一定期間(例えば30歳代から現在までの期間等)における体重の変化量を識別するデータ
・サンプルユーザの運動の量(例えば歩数等)を識別するデータ
(1) Regarding the state of exercise , an estimation model for predicting the state of exercise is used to predict conditions related to lifestyle-related diseases. In order to generate such an estimation model, the sample behavior data that is an explanatory variable may be at least one of a plurality of data exemplified below.
・Data that identifies the products (or the category to which the products belong) that the sample user purchased during a certain period of time (for example, one year, etc.) ・The data that identifies the services (or the category to which the services belong) that the sample user used during a certain period of time (for example, one year, etc.)・Data that identifies whether the sample user is obese or not ・Data that identifies the amount of change in the sample user's weight over a certain period of time (for example, from the age of 30 to the present) ・Data identifying the amount of exercise of the sample user (e.g. number of steps, etc.)
また、目的変数である症状を識別するデータは、以下に例示する複数のデータ(測定値であってもよい)のうちの少なくとも1つであり得る。
・サンプルユーザの体重を識別するデータ
・サンプルユーザのBMI(Body Mass Index)を識別するデータ
・サンプルユーザの歩数を識別するデータ
・サンプルユーザの喫煙の有無を識別するデータ
・サンプルユーザのメタボリックシンドローム診断基準値を識別するデータ
Furthermore, the data identifying the symptom, which is the target variable, may be at least one of a plurality of data (which may be a measured value) exemplified below.
・Data that identifies the sample user's weight ・Data that identifies the sample user's BMI (Body Mass Index) ・Data that identifies the sample user's step count ・Data that identifies the sample user's smoking status ・Metabolic syndrome diagnosis of the sample user Data that identifies reference values
なお、メタボリックシンドローム診断基準値は、サンプルユーザの内臓脂肪蓄積及び/又はウエスト周囲の長さと、以下に例示する複数の値のうちの少なくとも2つの値とを含む。
・サンプルユーザについて高グリセリド血症及び/又は低HDLコレステロール血症の診断のために定められた閾値
・サンプルユーザの収縮期及び/又は拡張期の血圧
・サンプルユーザについて空腹時高血糖の診断のために定められた閾値
Note that the metabolic syndrome diagnostic reference value includes the sample user's visceral fat accumulation and/or waist circumference length, and at least two values among the plurality of values exemplified below.
・Threshold values established for the diagnosis of hyperglyceridemia and/or hypoHDL cholesterolemia for the sample user. ・Systolic and/or diastolic blood pressure of the sample user. ・For the diagnosis of fasting hyperglycemia for the sample user. threshold set in
情報処理装置は、このような説明変数及び目的変数を用いて機械学習を実行することにより、運動の状態を予測する推定モデルを生成することができる。このような推定モデルの生成及び利用方法等に関連して通信システム2により実行される動作は、上記更年期症状の状態を予測する態様に関連して上記「6」項及び上記「7」項において説明した動作と実質的に同一であり得る。上記「6」項及び上記「7」項において(特に図12及び図14を参照して)述べた説明において、更年期症状の状態を予測するための推定モデルに用いられる説明変数及び目的変数を、それぞれ、本「8(1)」項において述べた説明変数及び目的変数で置き換えることにより、運動の状態を予測するための推定モデルの生成及び利用方法等に関連して通信システム2により実行される動作が、当業者により理解されよう。 The information processing device can generate an estimation model that predicts the state of movement by performing machine learning using such explanatory variables and objective variables. The operations performed by the communication system 2 in connection with the generation and utilization method of such an estimation model are described in the above "6" and "7" above in relation to the aspect of predicting the state of menopausal symptoms. The operation may be substantially the same as described. In the explanations given in Sections “6” and “7” above (with particular reference to FIGS. 12 and 14), the explanatory variables and objective variables used in the estimation model for predicting the state of menopausal symptoms are as follows: Executed by the communication system 2 in connection with the generation and usage of an estimation model for predicting the state of movement by replacing them with the explanatory variables and objective variables described in Section 8(1) of this article, respectively. Operation will be understood by those skilled in the art.
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行された少なくとも1つの行動の履歴を識別する対象行動データを推定モデルに入力することにより、この推定モデルから、対象ユーザの現在の(予測された)運動の状態を識別する対象状態データを取得することができる。さらに、予め用意された複数の対象商品及び/又は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを、対象ユーザの運動の状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。 As explained above, according to the technology disclosed in the present application, by inputting target behavior data that identifies the history of at least one behavior performed by a target user into an estimation model, Target state data identifying the user's current (predicted) movement state may be obtained. Furthermore, from among the plurality of target products and/or the plurality of target services prepared in advance, at least one target product and/or at least one target service suitable for the target status data acquired in this way is provided to the target user. Suggestions can be made to any user, including the target user, to improve the state of exercise.
これにより、対象ユーザにより実行された少なくとも1つの行動の履歴に基づいてこの対象ユーザの運動の状態を推定するために用いられ、少なくとも部分的に向上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。 Thereby, a computer program, an information processing apparatus, and a computer program, which are used to estimate the state of movement of a target user based on a history of at least one action performed by the target user, and which have at least partially improved performance. method can be provided.
(2)免疫の状態について
免疫の状態を予測するための推定モデルは、身体の免疫力が低下している人の症状の程度を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動データは、以下に例示する複数のデータのうちの少なくとも1つのデータであり得る。
・サンプルユーザが一定期間(例えば1年間等)において購入した商品(又はその商品が属するカテゴリー)を識別するデータ
・サンプルユーザが一定期間(例えば1年間等)において利用したサービス(又はそのサービスが属するカテゴリー)を識別するデータ
(2) Regarding the immune status , the estimation model for predicting the immune status is used to predict the severity of symptoms of a person whose body's immune system is weakened. In order to generate such an estimation model, the sample behavior data that is an explanatory variable may be at least one of a plurality of data exemplified below.
・Data that identifies the products (or the category to which the products belong) that the sample user purchased during a certain period of time (for example, one year, etc.) ・The data that identifies the services (or the category to which the services belong) that the sample user used during a certain period of time (for example, one year, etc.) data that identifies categories)
また、目的変数である症状を識別するデータは、以下に例示する複数のデータ(測定値であってもよい)のうちの少なくとも1つであり得る。
・サンプルユーザの風邪の引きやすさを識別するデータ
・サンプルユーザの風邪を引き起こす頻度を識別するデータ
・サンプルユーザのSIgA濃度を識別するデータ
・サンプルユーザのアレルギー症状を識別するデータ
・サンプルユーザの口腔環境及び/又は免疫力の状態を識別するデータ
・サンプルユーザの睡眠の状態を識別するデータ
・サンプルユーザの運動の状態を識別するデータ
・サンプルユーザのストレスの状態を識別するデータ
Furthermore, the data identifying the symptom, which is the target variable, may be at least one of a plurality of data (which may be a measured value) exemplified below.
・Data that identifies how easily the sample user catches a cold ・Data that identifies how often the sample user catches a cold ・Data that identifies the SIgA concentration of the sample user ・Data that identifies the allergic symptoms of the sample user ・Oral cavity of the sample user Data that identifies the state of the environment and/or immunity ・Data that identifies the state of sleep of the sample user ・Data that identifies the state of exercise of the sample user ・Data that identifies the state of stress of the sample user
なお、このような症状を識別するデータは、アンケート等から取得されたサンプルユーザの自覚症状であってもよいし、医療機関におけるサンプルユーザの受信履歴から取得されたものであってもよい。かかる症状を識別するデータは、複数の(好ましくは3つ以上の)カテゴリーのうちのいずれかを識別するものであり得る。 Note that the data for identifying such symptoms may be the sample user's subjective symptoms obtained from a questionnaire or the like, or may be obtained from the sample user's reception history at a medical institution. Data identifying such symptoms may identify any of multiple (preferably three or more) categories.
情報処理装置は、このような説明変数及び目的変数を用いて機械学習を実行することにより、免疫の状態を予測する推定モデルを生成することができる。このような推定モデルの生成及び利用方法等に関連して通信システム2により実行される動作は、上記更年期症状の状態を予測する態様に関連して上記「6」項及び上記「7」項において説明した動作と実質的に同一であり得る。上記「6」項及び上記「7」項において(特に図12及び図14を参照して)述べた説明において、更年期症状の状態を予測するための推定モデルに用いられる説明変数及び目的変数を、それぞれ、本「8(2)」項において述べた説明変数及び目的変数で置き換えることにより、免疫の状態を予測するための推定モデルの生成及び利用方法等に関連して通信システム2により実行される動作が、当業者により理解されよう。 The information processing device can generate an estimation model that predicts the immune status by performing machine learning using such explanatory variables and objective variables. The operations performed by the communication system 2 in connection with the generation and utilization method of such an estimation model are described in the above "6" and "7" above in relation to the aspect of predicting the state of menopausal symptoms. The operation may be substantially the same as described. In the explanations given in Sections “6” and “7” above (with particular reference to FIGS. 12 and 14), the explanatory variables and objective variables used in the estimation model for predicting the state of menopausal symptoms are as follows: Executed by the communication system 2 in connection with the generation and usage method of an estimation model for predicting the immune status by replacing them with the explanatory variables and objective variables described in Section 8 (2) of this article, respectively. Operation will be understood by those skilled in the art.
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行された少なくとも1つの行動の履歴を識別する対象行動データを推定モデルに入力することにより、この推定モデルから、対象ユーザの現在の(予測された)免疫の状態を識別する対象状態データを取得することができる。さらに、予め用意された複数の対象商品及び/又は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを、対象ユーザの免疫の状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。 As explained above, according to the technology disclosed in the present application, by inputting target behavior data that identifies the history of at least one behavior performed by a target user into an estimation model, Subject status data may be obtained that identifies the user's current (predicted) immune status. Furthermore, from among the plurality of target products and/or the plurality of target services prepared in advance, at least one target product and/or at least one target service suitable for the target status data acquired in this way is provided to the target user. It can be suggested to any user, including the target user, to improve their immune status.
これにより、対象ユーザにより実行された少なくとも1つの行動の履歴に基づいてこの対象ユーザの免疫の状態を推定するために用いられ、少なくとも部分的に向上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。 Thereby, there is provided a computer program, an information processing apparatus, and a computer program, which are used to estimate the immune status of a target user based on a history of at least one action performed by the target user, and have at least partially improved performance. method can be provided.
(3)水分補給の状態について
水分補給の状態を予測するための推定モデルは、身体の免疫力が低下している人の症状の程度を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動データは、以下に例示する複数のデータのうちの少なくとも1つのデータであり得る。
・サンプルユーザが一定期間(例えば1年間等)において購入した商品(又はその商品が属するカテゴリー)を識別するデータ
・サンプルユーザが一定期間(例えば1年間等)において利用したサービス(又はそのサービスが属するカテゴリー)を識別するデータ
(3) Concerning hydration status The estimation model for predicting hydration status is used to predict the severity of symptoms in people whose bodies have reduced immunity. In order to generate such an estimation model, the sample behavior data that is an explanatory variable may be at least one of a plurality of data exemplified below.
・Data that identifies the products (or the category to which the products belong) that the sample user purchased during a certain period of time (for example, one year, etc.) ・The data that identifies the services (or the category to which the services belong) that the sample user used during a certain period of time (for example, one year, etc.) data that identifies categories)
また、目的変数である症状を識別するデータは、以下に例示する複数のデータ(測定値であってもよい)のうちの少なくとも1つであり得る。
・サンプルユーザの血清Na値を識別するデータ
・サンプルユーザの尿浸透圧を識別するデータ
・サンプルユーザの尿比重を識別するデータ
・サンプルユーザの尿カラーを識別するデータ
・サンプルユーザのBUN/クレアチニン比を識別するデータ
・サンプルユーザの脱水評価スケールを識別するデータ
・サンプルユーザの水分不足に伴う自覚症状を識別するデータ
Furthermore, the data identifying the symptom, which is the target variable, may be at least one of a plurality of data (which may be a measured value) exemplified below.
・Data that identifies the sample user's serum Na value ・Data that identifies the sample user's urine osmolarity ・Data that identifies the sample user's urine specific gravity ・Data that identifies the sample user's urine color ・Sample user's BUN/creatinine ratio・Data that identifies the sample user's dehydration evaluation scale ・Data that identifies the sample user's subjective symptoms associated with dehydration
これらのデータは、サンプルユーザが受信した健康診断若しくは人間ドックにより得られる臨床検査値から、又は、健康アンケートに対するサンプルユーザの回答内容から、生成され得る。なお、サンプルユーザの水分不足に伴う自覚症状を識別するデータは、アンケートに対するサンプルユーザの回答内容から生成され得る。かかる自覚症状の程度は、血清Na値、尿浸透圧、尿比重、尿カラー、BUN/クレアチニン比、飲水量及び/又は身体活動量等から把握され得る。 These data may be generated from clinical test values obtained from a medical checkup or medical checkup received by the sample user, or from the contents of the sample user's responses to a health questionnaire. Note that data for identifying the sample user's subjective symptoms associated with dehydration may be generated from the sample user's responses to the questionnaire. The degree of such subjective symptoms can be ascertained from serum Na value, urine osmolality, urine specific gravity, urine color, BUN/creatinine ratio, amount of water consumed, and/or amount of physical activity.
情報処理装置は、このような説明変数及び目的変数を用いて機械学習を実行することにより、水分補給の状態を予測する推定モデルを生成することができる。このような推定モデルの生成及び利用方法等に関連して通信システム2により実行される動作は、上記更年期症状の状態を予測する態様に関連して上記「6」項及び上記「7」項において説明した動作と実質的に同一であり得る。上記「6」項及び上記「7」項において(特に図12及び図14を参照して)述べた説明において、更年期症状の状態を予測するための推定モデルに用いられる説明変数及び目的変数を、それぞれ、本「8(3)」項において述べた説明変数及び目的変数で置き換えることにより、水分補給の状態を予測するための推定モデルの生成及び利用方法等に関連して通信システム2により実行される動作が、当業者により理解されよう。 The information processing device can generate an estimation model that predicts the state of hydration by performing machine learning using such explanatory variables and objective variables. The operations performed by the communication system 2 in connection with the generation and utilization method of such an estimation model are described in the above "6" and "7" above in relation to the aspect of predicting the state of menopausal symptoms. The operation may be substantially the same as described. In the explanations given in Sections “6” and “7” above (with particular reference to FIGS. 12 and 14), the explanatory variables and objective variables used in the estimation model for predicting the state of menopausal symptoms are as follows: By replacing them with the explanatory variables and objective variables described in Section 8(3) of this article, the communication system 2 can perform the generation and usage of an estimation model for predicting the state of hydration. The operation will be understood by those skilled in the art.
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行された少なくとも1つの行動の履歴を識別する対象行動データを推定モデルに入力することにより、この推定モデルから、対象ユーザの現在の(予測された)水分補給の状態を識別する対象状態データを取得することができる。さらに、予め用意された複数の対象商品及び/又は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを、対象ユーザの水分補給の状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。 As explained above, according to the technology disclosed in the present application, by inputting target behavior data that identifies the history of at least one behavior performed by a target user into an estimation model, Target status data may be obtained that identifies the user's current (predicted) hydration status. Furthermore, from among the plurality of target products and/or the plurality of target services prepared in advance, at least one target product and/or at least one target service suitable for the target status data acquired in this way is provided to the target user. Suggestions can be made to any user, including the target user, to improve their hydration status.
これにより、対象ユーザにより実行された少なくとも1つの行動の履歴に基づいてこの対象ユーザの水分補給の状態を推定するために用いられ、少なくとも部分的に向上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。 Thereby, a computer program, an information processing apparatus, used for estimating the hydration status of a target user based on a history of at least one action performed by the target user, and having at least partially improved performance. and a method can be provided.
(4)栄養の状態について
栄養の状態を予測するための推定モデルは、栄養補給ができていない人の症状の程度を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動データは、以下に例示する複数のデータのうちの少なくとも1つのデータであり得る。
・サンプルユーザが一定期間(例えば1年間等)において購入した商品(又はその商品が属するカテゴリー)を識別するデータ
・サンプルユーザが一定期間(例えば1年間等)において利用したサービス(又はそのサービスが属するカテゴリー)を識別するデータ
(4) Regarding nutritional status , an estimation model for predicting nutritional status is used to predict the severity of symptoms of people who are unable to receive nutritional support. In order to generate such an estimation model, the sample behavior data that is an explanatory variable may be at least one of a plurality of data exemplified below.
・Data that identifies the products (or the category to which the products belong) that the sample user purchased during a certain period of time (for example, one year, etc.) ・The data that identifies the services that the sample user used (or the category to which the service belongs) that the sample user used during a certain period of time (for example, one year, etc.) data that identifies categories)
また、目的変数である症状を識別するデータは、以下に例示する複数のデータ(測定値であってもよい)のうちの少なくとも1つであり得る。
・サンプルユーザの栄養低下に伴う自覚症状の有無を識別するデータ
・サンプルユーザの食品摂取の多様性得点(DVS)を識別するデータ
・サンプルユーザの食欲尺度短縮版(SNAQ:Simplified Nutritional Appetite Questionnaire)を識別するデータ
・サンプルユーザのBMI(Body Mass Index)を識別するデータ
Furthermore, the data identifying the symptom, which is the target variable, may be at least one of a plurality of data (which may be a measured value) exemplified below.
・Data that identifies the presence or absence of subjective symptoms associated with malnutrition in sample users ・Data that identifies sample users' food intake diversity scores (DVS) ・Data that identifies sample users' Simplified Nutritional Appetite Questionnaire (SNAQ) Identification data - Data that identifies the sample user's BMI (Body Mass Index)
なお、このような症状を識別するデータは、アンケート等から取得されたサンプルユーザの自覚症状であってもよいし、医療機関におけるサンプルユーザの受信履歴から取得されたものであってもよい。かかる症状を識別するデータは、複数の(好ましくは3つ以上の)カテゴリーのうちのいずれかを識別するものであり得る。 Note that the data for identifying such symptoms may be the sample user's subjective symptoms obtained from a questionnaire or the like, or may be obtained from the sample user's reception history at a medical institution. Data identifying such symptoms may identify any of multiple (preferably three or more) categories.
情報処理装置は、このような説明変数及び目的変数を用いて機械学習を実行することにより、栄養の状態を予測する推定モデルを生成することができる。このような推定モデルの生成及び利用方法等に関連して通信システム2により実行される動作は、上記更年期症状の状態を予測する態様に関連して上記「6」項及び上記「7」項において説明した動作と実質的に同一であり得る。上記「6」項及び上記「7」項において(特に図12及び図14を参照して)述べた説明において、更年期症状の状態を予測するための推定モデルに用いられる説明変数及び目的変数を、それぞれ、本「8(4)」項において述べた説明変数及び目的変数で置き換えることにより、栄養の状態を予測するための推定モデルの生成及び利用方法等に関連して通信システム2により実行される動作が、当業者により理解されよう。 The information processing device can generate an estimation model that predicts nutritional status by performing machine learning using such explanatory variables and objective variables. The operations performed by the communication system 2 in connection with the generation and utilization method of such an estimation model are described in the above "6" and "7" above in relation to the aspect of predicting the state of menopausal symptoms. The operation may be substantially the same as described. In the explanations given in Sections “6” and “7” above (with particular reference to FIGS. 12 and 14), the explanatory variables and objective variables used in the estimation model for predicting the state of menopausal symptoms are as follows: These are executed by the communication system 2 in connection with the generation and utilization method of an estimation model for predicting nutritional status by replacing them with the explanatory variables and objective variables described in Section 8 (4) of this article. Operation will be understood by those skilled in the art.
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行された少なくとも1つの行動の履歴を識別する対象行動データを推定モデルに入力することにより、この推定モデルから、対象ユーザの現在の(予測された)栄養の状態を識別する対象状態データを取得することができる。さらに、予め用意された複数の対象商品及び/又は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを、対象ユーザの栄養の状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。 As explained above, according to the technology disclosed in the present application, by inputting target behavior data that identifies the history of at least one behavior performed by a target user into an estimation model, Target status data may be obtained that identifies the user's current (predicted) nutritional status. Furthermore, from among the plurality of target products and/or the plurality of target services prepared in advance, at least one target product and/or at least one target service suitable for the target status data acquired in this way is provided to the target user. Suggestions can be made to any user, including the target user, to improve their nutritional status.
これにより、対象ユーザにより実行された少なくとも1つの行動の履歴に基づいてこの対象ユーザの栄養の状態を推定するために用いられ、少なくとも部分的に向上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。 Thereby, there is provided a computer program, an information processing apparatus, and an information processing apparatus, which are used to estimate the nutritional status of a target user based on a history of at least one action performed by the target user, and have at least partially improved performance. method can be provided.
9.様々な態様
第1の態様に係るコンピュータプログラムは、「少なくとも1つのプロセッサにより実行されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第2の態様に係るコンピュータプログラムは、上記第1の態様において「各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルを、取得する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第3の態様に係るコンピュータプログラムは、上記第1の態様において「各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルに対して、通信回線を介して接続される、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第4の態様に係るコンピュータプログラムは、上記第1の態様において「各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを取得し、該複数組の教師データを学習モデルに入力して学習させることにより、前記推定モデルを生成する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第5の態様に係るコンピュータプログラムは、上記第4の態様において「取得された前記複数組の教師データが第1の複数組の教師データを含み、該第1の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含み、取得された前記第1の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて、該組に対応する1人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータを生成する、という前処理を実行し、各組の教師データが、該組に対応する1人のサンプルユーザの前記サンプル行動データと、該組に対応する1人のサンプルユーザの前記サンプル睡眠カテゴリーデータと、を含む、前記前処理後の前記第1の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象睡眠状態データとして、前記対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第6の態様に係るコンピュータプログラムは、上記第2の態様から上記第4の態様のいずれかにおいて「前記複数組の教師データが第2の複数組の教師データを含み、該第2の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて決定された、該組に対応する1人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータ、を含み、該推定モデルから、前記対象睡眠状態データとして、前記対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第7の態様に係るコンピュータプログラムにあっては、上記第5の態様又は上記第6の態様において「前記組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データは、アテネ不眠尺度、ピッツバーグ睡眠質問票、3次元型睡眠尺度、又は、不眠症重症度質問票に対する前記サンプルユーザによる回答内容に基づいて算出されたスコアを示し、前記組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータは、前記サンプルユーザの平日の睡眠時間帯の中央時間と休日の睡眠時間帯の中央時間帯との差の絶対値であるソーシャルジェットラグを示し、前記組に対応する1人のサンプルユーザが属する睡眠カテゴリーは、横軸及び縦軸のうちの一方の軸において前記スコアに対応付けて配置された少なくとも1つの閾値と、前記横軸及び前記縦軸のうちの他方の軸において前記ソーシャルジェットラグに対応付けて配置された少なくとも1つの閾値と、により分割される複数のカテゴリーのうちのいずれかであ」り得る。
第8の態様に係るコンピュータプログラムは、上記第2の態様から上記第4の態様のいずれかにおいて「前記複数組の教師データが第3の複数組の教師データを含み、該第3の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠の性質を識別する対象性質データと、該対象ユーザの睡眠のリズムを識別する対象リズムデータとを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第9の態様に係るコンピュータプログラムは、上記第2の態様から上記第4の態様のいずれかにおいて「前記複数組の教師データが第4の複数組の教師データを含み、該第4の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠の性質を識別する対象性質データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第10の態様に係るコンピュータプログラムは、上記第2の態様から上記第4の態様のいずれかにおいて「前記複数組の教師データが第5の複数組の教師データを含み、該第5の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠のリズムを識別する対象リズムデータを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第11の態様に係るコンピュータプログラムは、上記第2の態様から上記第4の態様のいずれかにおいて「前記複数組の教師データが第6の複数組の教師データを含み、該第6の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠時間を識別するサンプル時間データを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠時間を識別する対象時間データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第12の態様に係るコンピュータプログラムは、上記第1の態様から上記第11の態様のいずれかにおいて「複数の商品及び/又は複数のサービスのうち、前記対象睡眠状態データに対応する少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを決定する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第13の態様に係るコンピュータプログラムは、上記第12の態様において「教師あり学習を実行することにより生成された別の推定モデルに前記対象睡眠状態データを入力することにより、該別の推定モデルから、前記少なくとも1つの対象商品及び/又は前記少なくとも1つの対象サービスを識別する提案データを出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第14の態様に係るコンピュータプログラムは、上記第12の態様において「対象睡眠状態データと前記複数の商品及び/又は前記複数のサービスとを対応付けた検索テーブルに前記対象睡眠状態データを入力することにより、該検索テーブルから前記少なくとも1つの対象商品及び/又は前記少なくとも1つの対象サービスを識別する提案データを取得する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第15の態様に係るコンピュータプログラムにあっては、上記第1の態様から上記第14の態様のいずれかにおいて「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含む」ことができる。
第16の態様に係る情報処理装置は、「少なくとも1つのプロセッサを具備し、該少なくとも1つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる、
ように構成され」得る。
第17の態様に係る情報処理装置は、上記第16の態様において「端末装置又はサーバ装置であ」り得る。
第18の態様に係る情報処理装置にあっては、上記第17の態様において「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含」み得る。
第19の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、該少なくとも1つのプロセッサが、前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる段階と、を含む」ことができる。
第20の態様に係る方法にあっては、上記第19の態様において「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含」み得る。
第21の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、該少なくとも1つのプロセッサが、前記命令を実行することにより、各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力して学習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、出力するように構成された推定モデル、を生成する生成段階と、を含む」ことができる。
第22の態様に係る方法は、上記第21の態様において「前記取得段階が、前記複数組の教師データに含まれる第1の複数組の教師データを取得する段階を含み、該第1の複数組の教師データに含まれる各組の教師データは、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含み、さらに、前記生成段階が、取得された前記第1の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて、該組に対応する1人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータを生成する、という前処理を実行する段階と、各組の教師データが、該組に対応する1人のサンプルユーザの前記サンプル行動データと、該組に対応する1人のサンプルユーザの前記サンプル睡眠カテゴリーデータと、を含む、前記前処理後の前記第1の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第23の態様に係る方法は、上記第21の態様において「前記取得段階が、前記複数組の教師データに含まれる第2の複数組の教師データを取得する段階を含み、該第2の複数組の教師データに含まれる各組の教師データは、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて決定された、該組に対応する1人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータ、を含み、前記第2の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第24の態様に係る方法にあっては、上記第23の態様において「前記組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データは、アテネ不眠尺度、ピッツバーグ睡眠質問票、3次元型睡眠尺度、又は、不眠症重症度質問票に対する前記サンプルユーザによる回答内容に基づいて算出されたスコアを示し、前記組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータは、前記サンプルユーザの平日の睡眠時間帯の中央時間と休日の睡眠時間帯の中央時間帯との差の絶対値であるソーシャルジェットラグを示し、前記組に対応する1人のサンプルユーザが属する睡眠カテゴリーは、横軸及び縦軸のうちの一方の軸において前記スコアに対応付けて配置された少なくとも1つの閾値と、前記横軸及び前記縦軸のうちの他方の軸において前記ソーシャルジェットラグに対応付けて配置された少なくとも1つの閾値と、により分割される複数のカテゴリーのうちのいずれかであ」り得る。
第25の態様に係る方法は、上記第21の態様から上記第24の態様のいずれかにおいて「対象ユーザにより実行された行動の履歴を識別する対象行動データを前記推定モデルに入力することにより、該推定モデルから前記対象ユーザの睡眠の状態を識別する対象睡眠状態データを出力する推定段階、をさらに含む」ことができる。
第26の態様に係る方法にあっては、上記第21の態様から上記第25の態様のいずれかにおいて「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含」み得る。
第27の態様に係るコンピュータプログラムは、「少なくとも1つのプロセッサにより実行されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第1症状の状態を識別する対象第1状態データ、該対象ユーザの第2症状の状態を識別する対象第2状態データ、のうちの少なくとも1つを含む対象更年期状態データを、前記推定モデルから出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第28の態様に係るコンピュータプログラムは、上記第27の態様において「各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルを、取得する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第29の態様に係るコンピュータプログラムは、上記第27の態様において「各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルに対して、通信回線を介して接続される、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第30の態様に係るコンピュータプログラムは、上記第27の態様において「各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、複数組の教師データを取得し、該複数組の教師データを学習モデルに入力して学習させることにより、前記推定モデルを生成する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第31の態様に係るコンピュータプログラムは、上記第30の態様において「取得された前記複数組の教師データが第1の複数組の教師データを含み、該第1の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態を識別するサンプル総合状態データ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データを、出力させる、
ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第32の態様に係るコンピュータプログラムは、上記第31の態様において「前記第1の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを含み、前記第1の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するカテゴリーを識別するサンプル総合状態データに変換する、という前処理を実行し、前記前処理後の前記第1の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象更年期状態データとして、前記対象ユーザの更年期症状の総合的な状態に対応するカテゴリーを識別する対象総合状態データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第33の態様に係るコンピュータプログラムにあっては、上記第32の態様において「前記組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するスコアは、簡略更年期指数(SMI)、更年期障害評価尺度(Menopause Rating Scale)、クッパーマン更年期指数(Kupperman index)、更年期障害評価(Green Climacteric Scale)、PSST(Premenstrual Symptoms Screening Tool)、WHQ(Women’s Health Questionnaire)、VAS(Visual Analogue Scale)、HFRDI(Hot Flash Related Daily Interference Scale)、HFCS(Hot Flash Composite Score)、MENQOL(Menopause-Specific Quality Of Life)又は日本人女性の更年期症状評価表に対する前記サンプルユーザ回答内容に基づいて算出されたスコアであ」り得る。
第34の態様に係るコンピュータプログラムは、上記第30の態様において「取得された前記複数組の教師データが第2の複数組の教師データを含み、該第2の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの第1症状の状態を識別するサンプル第1状態データ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記対象ユーザの第1症状の状態を識別する対象第1状態データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第35の態様に係るコンピュータプログラムは、上記第34の態様において「前記第2の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの第1症状の状態に対応するスコアを識別するサンプル第1状態データを含み、前記第2の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの第1症状の状態に対応するスコアを識別するサンプル第1状態データを、該組に対応する1人のサンプルユーザの第1症状の状態に対応するカテゴリーを識別するサンプル第1状態データに変換する、という前処理を実行し、前記前処理後の前記第2の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象更年期状態データとして、前記対象ユーザの第1症状の状態に対応するカテゴリーを識別する対象第1状態データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第36の態様に係るコンピュータプログラムは、上記第30の態様において「取得された前記複数組の教師データが第3の複数組の教師データを含み、該第3の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの第2症状の状態を識別するサンプル第2状態データ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記対象ユーザの第2症状の状態を識別する対象第1状態データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第37の態様に係るコンピュータプログラムは、上記第36の態様において「前記第3の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの第2症状の状態に対応するスコアを識別するサンプル第2状態データを含み、前記第3の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの第2症状の状態に対応するスコアを識別するサンプル第2状態データを、該組に対応する1人のサンプルユーザの第2症状の状態に対応するカテゴリーを識別するサンプル第2状態データに変換する、という前処理を実行し、前記前処理後の前記第3の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象更年期状態データとして、前記対象ユーザの第2症状の状態に対応するカテゴリーを識別する対象第2状態データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第38の態様に係るコンピュータプログラムは、上記第27の態様から上記第37の態様のいずれかにおいて「複数の商品及び/又は複数のサービスのうち、前記対象更年期状態データに対応する少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを決定する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第39の態様に係るコンピュータプログラムは、上記第38の態様において「教師あり学習を実行することにより生成された別の推定モデルに前記対象更年期状態データを入力することにより、該別の推定モデルから、前記少なくとも1つの対象商品及び/又は前記少なくとも1つの対象サービスを識別する提案データを出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第40の態様に係るコンピュータプログラムは、上記第38の態様において「対象更年期状態データと前記複数の商品及び/又は前記複数のサービスとを対応付けた検索テーブルに前記対象更年期状態データを入力することにより、該検索テーブルから前記少なくとも1つの対象商品及び/又は前記少なくとも1つの対象サービスを識別する提案データを取得する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第41の態様に係るコンピュータプログラムにあっては、上記第27の態様から上記第40の態様のいずれかにおいて「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含」み得る。
第42の態様に係る情報処理装置は、「少なくとも1つのプロセッサを具備し、該少なくとも1つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第1症状の状態を識別する対象第1状態データ、及び、該対象ユーザの第2症状の状態を識別する対象第2状態データ、のうちの少なくとも1つを含む対象更年期状態データを、前記推定モデルから出力させる、ように構成され」得る。
第43の態様に係る情報処理装置は、上記第42の態様において「端末装置又はサーバ装置であ」り得る。
第44の態様に係る情報処理装置にあっては、上記第42の態様又は上記第43の態様において「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含」み得る。
第45の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、該少なくとも1つのプロセッサが、前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第1症状の状態を識別する対象第1状態データ、及び、該対象ユーザの第2症状の状態を識別する対象第2状態データ、のうちの少なくとも1つを含む対象更年期状態データを、前記推定モデルから出力させる段階と、を含む」ことができる。
第46の態様に係る方法にあっては、上記第45の態様において「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含」み得る。
第47の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、該少なくとも1つのプロセッサが、前記命令を実行することにより、各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、複数組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力して学習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第1症状の状態を識別する対象第1状態データ、及び、該対象ユーザの第2症状の状態を識別する対象第2状態データ、のうちの少なくとも1つを含む対象更年期状態データを、出力するように構成された推定モデル、を生成する生成段階と、を含む」ことができる。
第48の態様に係る方法は、上記第47の態様において「前記取得段階が、前記複数組の教師データに含まれる第1の複数組の教師データを取得する段階を含み、該第1の複数組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを含み、さらに、前記生成段階が、取得された前記第1の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するカテゴリーを識別するサンプル総合状態データに変換する、という前処理を実行する段階と、各組の教師データが、該組に対応する1人のサンプルユーザの前記サンプル行動データと、該組に対応する1人のサンプルユーザの前記サンプル総合状態データと、を含む、前記前処理後の前記第1の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第49の態様に係る方法は、上記第47の態様において「前記取得段階が、前記複数組の教師データに含まれる第1の複数組の教師データを取得する段階を含み、該第2の複数組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの第1症状の状態に対応するスコアを識別するサンプル第1状態データを含み、さらに、前記生成段階が、取得された前記第2の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの第1症状の状態に対応するスコアを識別するサンプル第1状態データを、該組に対応する1人のサンプルユーザの第1症状の状態に対応するカテゴリーを識別するサンプル第1状態データに変換する、という前処理を実行する段階と、各組の教師データが、該組に対応する1人のサンプルユーザの前記サンプル行動データと、該組に対応する1人のサンプルユーザの前記サンプル第1状態データと、を含む、前記前処理後の前記第2の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第50の態様に係る方法は、上記第47の態様において「前記取得段階が、前記複数組の教師データに含まれる第3の複数組の教師データを取得する段階を含み、該第3の複数組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの第2症状の状態に対応するスコアを識別するサンプル第2状態データを含み、さらに、前記生成段階が、取得された前記第3の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの第2症状の状態に対応するスコアを識別するサンプル第2状態データを、該組に対応する1人のサンプルユーザの第2症状の状態に対応するカテゴリーを識別するサンプル第2状態データに変換する、という前処理を実行する段階と、各組の教師データが、該組に対応する1人のサンプルユーザの前記サンプル行動データと、該組に対応する1人のサンプルユーザの前記サンプル第2状態データと、を含む、前記前処理後の前記第3の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第51の態様に係る方法にあっては、上記第47の態様から上記第50の態様において「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含む」ことができる。
9. Various Aspects A computer program according to a first aspect is ``executed by at least one processor to obtain target behavior data that identifies a history of behaviors performed by a target user, and to perform supervised learning. Target sleep state data that identifies the sleep state of the target user by inputting the target behavior data into an estimation model generated by the method, and target property data that identifies the sleep quality of the target user; At least one of target rhythm data that identifies the sleep rhythm of the target user, target time data that identifies the sleep time of the target user, and target category data that identifies the sleep category to which the target user belongs. the at least one processor may be configured to cause the at least one processor to output target sleep state data including target sleep state data from the estimation model.
The computer program according to the second aspect is characterized in that in the first aspect, "each set of teacher data includes sample behavior data that identifies the history of actions performed by one sample user corresponding to the set; obtaining the estimated model generated by inputting a plurality of sets of teacher data into a learning model, including sample sleep state data that identifies the sleep state of one sample user corresponding to the set; and causing the at least one processor to function in such a manner.
In the computer program according to the third aspect, in the first aspect, "each set of teacher data includes sample behavior data that identifies the history of actions performed by one sample user corresponding to the set; and sample sleep state data that identifies the sleep state of one sample user corresponding to the set. The at least one processor may be connected via a line.
The computer program according to the fourth aspect is characterized in that in the first aspect, "each set of teacher data includes sample behavior data that identifies the history of actions performed by one sample user corresponding to the set; sample sleep state data that identifies the sleep state of one sample user corresponding to the set; and acquiring a plurality of sets of teacher data, and inputting the plurality of sets of teacher data to a learning model for learning. ``operating the at least one processor to generate the estimated model.''
The computer program according to the fifth aspect is characterized in that in the fourth aspect, "the acquired plurality of sets of teacher data include a first plurality of sets of teacher data; Each set of teacher data includes, as the sample sleep state data, at least sample property data identifying the sleep property of one sample user corresponding to the set, and the sleep state of one sample user corresponding to the set. sample rhythm data for identifying the rhythm of the data, and for each set of teacher data included in the acquired first plurality of sets of teacher data, the sleep characteristics of one sample user corresponding to the set are determined. A sample sleep that identifies a sleep category to which one sample user corresponding to the group belongs based on sample property data that identifies and sample rhythm data that identifies the sleep rhythm of one sample user that corresponds to the group. Preprocessing is performed to generate category data, and each set of teacher data is composed of the sample behavior data of one sample user corresponding to the set and the sample behavior data of one sample user corresponding to the set. The first plurality of sets of preprocessed teacher data including sleep category data are input to the learning model to generate the estimation model, and from the estimation model, as the target sleep state data, The at least one processor may be operated to output target sleep category data identifying a sleep category to which the target user belongs.
A computer program according to a sixth aspect is characterized in that in any of the second to fourth aspects, ``the plurality of sets of teacher data include a second plurality of sets of teacher data; Each set of teacher data included in the teacher data includes, as the sample sleep state data, at least sample property data identifying the sleeping property of one sample user corresponding to the set and one person corresponding to the set. and sample sleep category data that identifies the sleep category to which one sample user corresponding to the group belongs, determined based on the sample rhythm data that identifies the sleep rhythm of the sample user, and from the estimation model. , the at least one processor may be operated to output, as the target sleep state data, target sleep category data that identifies a sleep category to which the target user belongs.
In the computer program according to the seventh aspect, in the fifth aspect or the sixth aspect, "sample property data identifying the sleep property of one sample user corresponding to the group is The score is calculated based on the sample user's answers to a scale, Pittsburgh Sleep Questionnaire, 3D Sleep Scale, or Insomnia Severity Questionnaire, and indicates the sleep of one sample user corresponding to the set. The sample rhythm data that identifies the rhythm of the sample user indicates a social jet lag, which is the absolute value of the difference between the median time of the weekday sleep time zone and the median time of the holiday sleep time zone, of the sample user, and corresponds to the group. The sleep category to which one sample user belongs includes at least one threshold value arranged in correspondence with the score on one of the horizontal axis and the vertical axis, and the other of the horizontal axis and the vertical axis. and at least one threshold value arranged in correspondence with the social jet lag on the axis.
A computer program according to an eighth aspect is characterized in that in any of the second to fourth aspects, "the plurality of sets of teacher data include a third plurality of sets of teacher data; Each set of teacher data included in the teacher data includes, as the sample sleep state data, at least sample property data that identifies the sleep property of one sample user corresponding to the set, and one sample user corresponding to the set. sample rhythm data that identifies the sleep rhythm of a human sample user; and target property data that identifies the sleep quality of the target user as the target sleep state data from the estimation model; The at least one processor may be operated to output target rhythm data for identifying sleep rhythms.
A computer program according to a ninth aspect is characterized in that in any of the second to fourth aspects, ``the plurality of sets of teacher data include a fourth plurality of sets of teacher data; Each set of teacher data included in the teacher data includes, as the sample sleep state data, at least sample property data that identifies the sleep property of one sample user corresponding to the set, and from the estimation model, The at least one processor may be operated to output target property data that identifies the sleep property of the target user as the target sleep state data.
A computer program according to a tenth aspect is a computer program according to any one of the second to fourth aspects, wherein "the plurality of sets of teacher data includes a fifth plurality of sets of teacher data, and the fifth set of teacher data includes a fifth set of teacher data. Each set of teacher data included in the teacher data includes, as the sample sleep state data, at least sample rhythm data that identifies the sleep rhythm of one sample user corresponding to the group, and from the estimation model, The at least one processor may be operated to output target rhythm data that identifies the sleep rhythm of the target user as the target sleep state data.
A computer program according to an eleventh aspect is characterized in that in any of the second to fourth aspects, "the plurality of sets of teacher data include a sixth plurality of sets of teacher data, and the sixth plurality of sets of teacher data include a sixth plurality of sets of teacher data, Each set of teacher data included in the teacher data includes, as the sample sleep state data, at least sample time data that identifies the sleep time of one sample user corresponding to the set, and from the estimation model, the The at least one processor may be operated to output target time data identifying the sleep time of the target user as the target sleep state data.
A computer program according to a twelfth aspect includes, in any one of the first to eleventh aspects, "At least one object corresponding to the target sleep state data among a plurality of products and/or a plurality of services." said at least one processor to determine a product and/or at least one target service.
The computer program according to the thirteenth aspect provides, in the twelfth aspect, “By inputting the target sleep state data into another estimation model generated by executing supervised learning, , causing the at least one processor to output proposal data identifying the at least one target product and/or the at least one target service.
A computer program according to a fourteenth aspect includes, in the twelfth aspect, "inputting the target sleep state data into a search table that associates the target sleep state data with the plurality of products and/or the plurality of services." The at least one processor may be operated to obtain proposal data identifying the at least one target product and/or the at least one target service from the lookup table.
In the computer program according to the fifteenth aspect, in any one of the first to fourteenth aspects, "the at least one processor is a central processing unit (CPU), a microprocessor, and/or may include a graphics processing unit (GPU).
The information processing device according to the sixteenth aspect is provided with the following: “The information processing device includes at least one processor, and the at least one processor acquires target behavior data that identifies a history of actions performed by a target user, and performs supervised learning. Target sleep state data that identifies the sleep state of the target user by inputting the target behavior data into an estimation model generated by executing the target sleep state data, the target property that identifies the sleep quality of the target user. data, target rhythm data that identifies the sleep rhythm of the target user, target time data that identifies the sleep time of the target user, and target category data that identifies the sleep category to which the target user belongs. outputting target sleep state data including one from the estimation model;
Configured like this:
The information processing device according to the seventeenth aspect may be "a terminal device or a server device" in the sixteenth aspect.
In the information processing device according to the eighteenth aspect, in the seventeenth aspect, “the at least one processor is a central processing unit (CPU), a microprocessor, and/or a graphics processing unit (GPU). It can be included.
A method according to a nineteenth aspect is a method performed by at least one processor for executing computer-readable instructions, the at least one processor, by executing the instructions, The sleep state of the target user is determined by a step of acquiring target behavior data that identifies a history of executed actions, and inputting the target behavior data into an estimation model generated by performing supervised learning. Target sleep state data to be identified, including target property data that identifies the sleep quality of the target user, target rhythm data that identifies the sleep rhythm of the target user, and target time data that identifies the sleep time of the target user. , and target category data identifying a sleep category to which the target user belongs, outputting target sleep state data from the estimation model.
In the method according to the twentieth aspect, in the nineteenth aspect, “the at least one processor includes a central processing unit (CPU), a microprocessor, and/or a graphics processing unit (GPU).” I can see it.
A method according to a twenty-first aspect is "a method performed by at least one processor for executing computer-readable instructions, the at least one processor, by executing the instructions, The teacher data includes sample behavior data that identifies the history of actions performed by one sample user corresponding to the group, and sample sleep state data that identifies the sleep state of one sample user corresponding to the group. and target behavior data that identifies a history of actions performed by the target user by inputting the plurality of sets of training data into a learning model and causing it to learn. Target sleep state data that identifies the sleep state of the target user, target property data that identifies the sleep quality of the target user, and target rhythm data that identifies the sleep rhythm of the target user. , target time data that identifies the sleep time of the target user, and target category data that identifies the sleep category to which the target user belongs. and a generation step of generating an estimated model based on the estimated model.
The method according to the twenty-second aspect is the method according to the twenty-first aspect, in which the acquisition step includes the step of acquiring a first plurality of sets of teacher data included in the plurality of sets of teacher data, and Each set of teacher data included in the set of teacher data includes, as the sample sleep state data, at least sample property data that identifies the sleep property of one sample user corresponding to the set, and sample property data corresponding to the set. sample rhythm data for identifying the sleep rhythm of one sample user, and the generation step further includes generating data for each set of teacher data included in the first plurality of sets of teacher data obtained. corresponding to the set based on sample property data that identifies the sleeping property of one sample user corresponding to the set and sample rhythm data that identifies the sleep rhythm of one sample user corresponding to the set. performing a preprocessing step of generating sample sleep category data that identifies the sleep category to which one sample user belongs; data and the sample sleep category data of one sample user corresponding to the set, the first plurality of sets of teacher data after the preprocessing are inputted into the learning model to model the estimation model. and "generating."
The method according to the twenty-third aspect is the method according to the twenty-first aspect, in which “the acquiring step includes a step of acquiring a second plurality of sets of teacher data included in the plurality of sets of teacher data, and the second plurality of sets of teacher data are Each set of teacher data included in the set of teacher data includes, as the sample sleep state data, at least sample property data identifying the sleeping property of one sample user corresponding to the set and one sample user corresponding to the set. and sample rhythm data that identifies a sleep rhythm of a human sample user, and sample sleep category data that identifies a sleep category to which one sample user corresponding to the group belongs, and the second inputting a plurality of sets of training data into the learning model to generate the estimation model.
In the method according to the twenty-fourth aspect, in the twenty-third aspect, "sample quality data identifying the sleep quality of one sample user corresponding to the group includes the Athens Insomnia Scale, the Pittsburgh Sleep Questionnaire, a sample rhythm that indicates a score calculated based on the response content of the sample user to a three-dimensional sleep scale or an insomnia severity questionnaire, and identifies the sleep rhythm of one sample user corresponding to the group; The data indicates the social jet lag, which is the absolute value of the difference between the median time of the weekday sleep period and the median time of the holiday sleep period of the sample user, and one sample user corresponding to the group The sleep category to which it belongs includes at least one threshold value arranged in correspondence with the score on one of the horizontal axis and the vertical axis, and the social jet lag on the other axis of the horizontal axis and the vertical axis. and at least one threshold value arranged in association with the category.
A method according to a twenty-fifth aspect includes, in any one of the twenty-first to twenty-fourth aspects, "by inputting target behavior data that identifies the history of actions performed by the target user into the estimation model, The method may further include an estimating step of outputting target sleep state data for identifying the sleep state of the target user from the estimation model.
In the method according to the twenty-sixth aspect, in any one of the twenty-first to twenty-fifth aspects, "the at least one processor is a central processing unit (CPU), a microprocessor, and/or a graphic may include a processing unit (GPU).
The computer program according to the twenty-seventh aspect is “generated by being executed by at least one processor to obtain target behavior data that identifies the history of actions performed by the target user, and performing supervised learning.” Target menopausal state data that identifies the state of the menopausal symptoms of the target user by inputting the target behavioral data into the estimated model, which is target comprehensive that identifies the comprehensive state of the menopausal symptoms of the target user. A target menopausal state including at least one of state data, target first state data identifying the state of the first symptom of the target user, and second target state data identifying the state of the second symptom of the target user. the at least one processor to cause data to be output from the estimation model.
The computer program according to the twenty-eighth aspect is characterized in that in the twenty-seventh aspect, “each set of teacher data includes sample behavior data identifying the history of actions performed by one sample user corresponding to the set; and sample menopausal state data that identifies the state of menopausal symptoms of one sample user corresponding to the set, and obtains the estimated model generated by inputting a plurality of sets of teacher data into a learning model. , causing the at least one processor to function as described above.
The computer program according to the twenty-ninth aspect is characterized in that in the twenty-seventh aspect, “each set of teacher data includes sample behavior data identifying the history of actions performed by one sample user corresponding to the set; For the estimation model generated by inputting a plurality of sets of teacher data into a learning model, including sample menopausal state data that identifies the state of menopausal symptoms of one sample user corresponding to the set, said at least one processor may be connected via a communication line.
The computer program according to the 30th aspect is characterized in that in the 27th aspect, "each set of teacher data includes sample behavior data identifying the history of actions performed by one sample user corresponding to the set; Obtain multiple sets of teacher data, including sample menopausal status data that identifies the state of menopausal symptoms of one sample user corresponding to the set, and input the multiple sets of teacher data into a learning model for learning. the at least one processor may be operated to generate the estimated model.
The computer program according to the 31st aspect is characterized in that in the 30th aspect, ``the acquired plurality of sets of teacher data include a first plurality of sets of teacher data; Each set of training data includes, as the sample menopausal state data, at least sample comprehensive state data that identifies the comprehensive state of menopausal symptoms of one sample user corresponding to the set, and from the estimation model, Outputting target comprehensive state data that identifies the comprehensive state of menopausal symptoms of the target user as the target menopausal state data;
and causing the at least one processor to function in such a manner.
The computer program according to the 32nd aspect is characterized in that in the 31st aspect, "Each set of teacher data included in the first plurality of sets of teacher data corresponds to at least the set as the sample menopausal state data. Contains sample comprehensive state data for identifying a score corresponding to the comprehensive state of menopausal symptoms of one sample user, and corresponds to each set of teacher data included in the first plurality of sets of teacher data. The sample overall status data that identifies the score corresponding to the overall state of menopausal symptoms of one sample user corresponding to the group, and the category corresponding to the overall state of menopausal symptoms of one sample user corresponding to the set. Executing preprocessing of converting into sample comprehensive state data to be identified, inputting the first plurality of sets of teacher data after the preprocessing to the learning model to generate the estimation model, and generating the estimation model. The at least one processor may be operated to output, as the target menopausal state data, target comprehensive state data that identifies a category corresponding to the comprehensive state of menopausal symptoms of the target user. .
In the computer program according to the thirty-third aspect, in the thirty-second aspect, "The score corresponding to the comprehensive state of menopausal symptoms of one sample user corresponding to the group is the Simplified Menopausal Index (SMI). , Menopause Rating Scale, Kupperman index, Green Climatic Scale, PSST (Premenstrual Symptoms Screen) ing Tool), WHQ (Women's Health Questionnaire), VAS (Visual Analogue Scale) ), HFRDI (Hot Flash Related Daily Interference Scale), HFCS (Hot Flash Composite Score), MENQOL (Menopause-Specific Quality Of Calculated based on the sample user's responses to the Japanese Women's Menopausal Symptom Evaluation Sheet. It can be determined by the score.
A computer program according to a thirty-fourth aspect is the computer program according to the thirty-fourth aspect, in which the acquired plurality of sets of teacher data includes a second plurality of sets of teacher data, and the second plurality of sets of teacher data include Each set of training data includes, as the sample menopausal state data, at least sample first state data that identifies the state of the first symptom of one sample user corresponding to the set, and from the estimation model, the The at least one processor may be operated to output target first state data that identifies the state of the first symptom of the target user as the target menopausal state data.
The computer program according to the thirty-fifth aspect is characterized in that in the thirty-fourth aspect, "Each set of teacher data included in the second plurality of sets of teacher data corresponds to at least the set as the sample menopausal status data. Contains sample first state data that identifies a score corresponding to the state of the first symptom of one sample user, and corresponds to each set of teacher data included in the second plurality of sets of teacher data. The sample first state data identifying the score corresponding to the first symptom state of one sample user is added to the sample first state data identifying the category corresponding to the first symptom state of one sample user corresponding to the set. Perform preprocessing to convert into one-state data, input the preprocessed second plurality of sets of teacher data to the learning model to generate the estimated model, and from the estimated model, The at least one processor may be operated to output target first state data identifying a category corresponding to a first symptom state of the target user as target menopausal state data.
A computer program according to a thirty-sixth aspect is the computer program according to the thirty-sixth aspect, in which “the acquired plurality of sets of teacher data includes a third plurality of sets of teacher data; Each set of training data includes, as the sample menopausal state data, at least sample second state data that identifies the state of the second symptom of one sample user corresponding to the set, and from the estimation model, the The at least one processor may be operated to output target first state data that identifies the state of the second symptom of the target user as the target menopausal state data.
The computer program according to the thirty-seventh aspect is the computer program according to the thirty-sixth aspect, in which “each set of teacher data included in the third plurality of sets of teacher data corresponds to at least the set as the sample menopausal state data. including sample second state data for identifying a score corresponding to the state of the second symptom of one sample user, and corresponding to each set of teacher data included in the third plurality of sets of teacher data; The sample second state data identifying the score corresponding to the second symptom state of one sample user is added to the sample second state data identifying the category corresponding to the second symptom state of one sample user corresponding to the set. Perform preprocessing to convert into two-state data, input the preprocessed third plurality of sets of teaching data to the learning model to generate the estimated model, and from the estimated model, The at least one processor may be operated to output target second state data that identifies a category corresponding to the second symptom state of the target user as the target menopausal state data.
A computer program according to a thirty-eighth aspect includes, in any one of the twenty-seventh to thirty-seventh aspects, "At least one object corresponding to the target menopausal state data among a plurality of products and/or a plurality of services." said at least one processor to determine a product and/or at least one target service.
The computer program according to the thirty-ninth aspect is, in the thirty-eighth aspect, “by inputting the target menopausal state data into another estimation model generated by executing supervised learning, , causing the at least one processor to output proposal data identifying the at least one target product and/or the at least one target service.
The computer program according to the fortieth aspect includes, in the thirty-eighth aspect, "inputting the target menopausal state data into a search table that associates the target menopausal state data with the plurality of products and/or the plurality of services." The at least one processor may be operated to obtain proposal data identifying the at least one target product and/or the at least one target service from the lookup table.
In the computer program according to the forty-first aspect, in any of the twenty-seventh to fortieth aspects, "the at least one processor is a central processing unit (CPU), a microprocessor, and/or may include a graphics processing unit (GPU).
The information processing device according to the forty-second aspect is provided with the following: “The information processing device includes at least one processor, and the at least one processor acquires target behavior data that identifies a history of actions performed by a target user, and performs supervised learning. Target menopausal state data that identifies the state of menopausal symptoms of the target user by inputting the target behavior data into an estimation model generated by executing the target user, the comprehensive state of the menopausal symptoms of the target user. at least the following: target comprehensive state data for identifying the target user's first symptom state; and target second state data for identifying the target user's second symptom state. The estimation model may be configured to output target menopausal state data including one item from the estimation model.
The information processing device according to the forty-third aspect may be "a terminal device or a server device" in the forty-second aspect.
In the information processing device according to the forty-fourth aspect, in the forty-second aspect or the forty-third aspect, “the at least one processor is a central processing unit (CPU), a microprocessor, and/or a graphics processor. may include a processing unit (GPU).
A method according to a forty-fifth aspect is “a method performed by at least one processor that executes computer-readable instructions, the at least one processor, by executing the instructions, The state of menopausal symptoms of the target user is determined by a step of acquiring target behavior data that identifies a history of performed actions, and inputting the target behavior data into an estimation model generated by performing supervised learning. target comprehensive state data that identifies the comprehensive state of menopausal symptoms of the target user, target first state data that identifies the state of the first symptom of the target user, and outputting target menopausal state data including at least one of target second state data identifying the state of the second symptom of the target user from the estimation model.
In the method according to the forty-sixth aspect, in the forty-fifth aspect, "the at least one processor includes a central processing unit (CPU), a microprocessor, and/or a graphics processing unit (GPU)." I can see it.
A method according to a forty-seventh aspect is "a method performed by at least one processor for executing computer-readable instructions, the at least one processor, by executing the instructions, Sample behavior data in which the teacher data identifies a history of actions performed by one sample user corresponding to the group, and a sample menopausal state that identifies the state of menopausal symptoms of one sample user corresponding to the group. a target action that identifies a history of actions performed by the target user by inputting the plurality of sets of training data into a learning model and making it learn; Target menopausal state data for identifying the state of menopausal symptoms of the target user by inputting data, the target comprehensive state data identifying the comprehensive state of menopausal symptoms of the target user; Output target menopausal state data including at least one of target first state data that identifies a symptom state and target second state data that identifies a second symptom state of the target user. a generation step of generating a constructed estimation model.
The method according to the forty-eighth aspect is the method according to the forty-seventh aspect, in which the acquisition step includes the step of acquiring a first plurality of sets of teacher data included in the plurality of sets of teacher data, and Each set of teacher data included in the set of teacher data includes, as the sample menopausal state data, at least a sample composite that identifies a score corresponding to the overall state of menopausal symptoms of one sample user corresponding to the set. The generation step further includes, for each set of teacher data included in the acquired first plurality of sets of teacher data, a comprehensive list of menopausal symptoms of one sample user corresponding to the set. sample general state data that identifies a score corresponding to a condition, into sample comprehensive state data that identifies a category corresponding to a comprehensive state of menopausal symptoms of one sample user corresponding to the set. a step of performing processing, and each set of teacher data includes the sample behavior data of one sample user corresponding to the set and the sample comprehensive state data of one sample user corresponding to the set. inputting the first plurality of sets of teacher data after the preprocessing into the learning model to generate the estimation model.
The method according to the forty-ninth aspect is the method according to the forty-seventh aspect, in which “the acquisition step includes the step of acquiring a first plurality of sets of teacher data included in the plurality of sets of teacher data, and the second plurality of sets of teacher data are Each set of teacher data included in the set of teacher data includes at least a sample first state that identifies, as the sample menopausal state data, a score corresponding to the state of the first symptom of one sample user corresponding to the set. further, the generating step generates a first symptom state of one sample user corresponding to the set for each set of teacher data included in the acquired second plurality of sets of teacher data. Perform preprocessing of converting sample first state data identifying the corresponding score into sample first state data identifying the category corresponding to the first symptom state of one sample user corresponding to the set. each set of teacher data includes the sample behavior data of one sample user corresponding to the set, and the sample first state data of one sample user corresponding to the set; inputting the second plurality of sets of teacher data after the preprocessing into the learning model to generate the estimation model.
The method according to the fiftieth aspect is the method according to the forty-seventh aspect, in which “the acquisition step includes the step of acquiring a third plurality of sets of teacher data included in the plurality of sets of teacher data, and the third plurality of sets of teacher data are Each set of teacher data included in the set of teacher data includes a sample second state that identifies, as the sample menopausal state data, at least a score corresponding to the state of the second symptom of one sample user corresponding to the set. further, the generating step generates a second symptom state of one sample user corresponding to the set for each set of teacher data included in the acquired third plurality of sets of teacher data. Perform preprocessing of converting sample second state data identifying the corresponding score into sample second state data identifying a category corresponding to the second symptom state of one sample user corresponding to the set. each set of teacher data includes the sample behavior data of one sample user corresponding to the set, and the sample second state data of one sample user corresponding to the set; inputting the third plurality of sets of teacher data after the preprocessing into the learning model to generate the estimation model.
In the method according to the 51st aspect, in the 47th aspect to the 50th aspect, "the at least one processor is a central processing unit (CPU), a microprocessor, and/or a graphics processing unit. (GPU).
II.第2章
第1章において説明した技術と第2章において以下のとおり説明する技術とを組み合わせて利用することが可能である。
II. Chapter 2 It is possible to use a combination of the technology described in Chapter 1 and the technology described below in Chapter 2.
例えば、第1章において説明した睡眠の状態を推定する推定モデルを、以下に説明する技術において、睡眠状態予測モデル110bとして利用することが可能である。同様に、第1章において説明した更年期症状の状態を推定する推定モデルを、以下に説明する技術において、女性の健康予測モデル100aとして利用することが可能である。さらに同様に、第1章において説明した、運動の状態を予測する推定モデル、免疫の状態を予測する推定モデル、水分補給の状態を予測する推定モデル、及び、栄養の状態を予測する推定モデルを、以下に説明する技術において、それぞれ、生活習慣病予測モデル110c、免疫状態予測モデル110e、水分状態予測モデル110d、及び、栄養状態予測モデル110fとして利用することが可能である。 For example, the estimation model for estimating the sleep state described in Chapter 1 can be used as the sleep state prediction model 110b in the technology described below. Similarly, the estimation model for estimating the state of menopausal symptoms described in Chapter 1 can be used as the female health prediction model 100a in the technology described below. Furthermore, similarly, the estimated model that predicts the exercise status, the estimated model that predicts the immune status, the estimated model that predicts the hydration status, and the estimated model that predicts the nutritional status, which were explained in Chapter 1. , in the techniques described below, can be used as a lifestyle-related disease prediction model 110c, an immune status prediction model 110e, a moisture status prediction model 110d, and a nutritional status prediction model 110f, respectively.
これに限らず、第1章において説明した技術に含まれる少なくとも1つの特徴(又は第2章において説明する技術に含まれる少なくとも1つの特徴)を、第2章において説明する技術(又は第1章において説明した技術)において利用することも可能である。 Without limitation, at least one feature included in the technology explained in Chapter 1 (or at least one feature included in the technology explained in Chapter 2) can be replaced by the technology explained in Chapter 2 (or at least one feature included in the technology explained in Chapter 1). It is also possible to use it in the technology described in .
1 概要
図15乃至図28は、実施形態を説明するための図である。以下、大きく、顧客の健康状態(健康症状ともいう。)を予測する健康予測システムと、当該健康予測システムで利用される、顧客の健康状態を予測するための予測モデルを生成する学習システムとに分けて、順次、概要や機能構成、処理の流れ等を説明する。
1 Overview FIGS. 15 to 28 are diagrams for explaining the embodiment. In the following, we will broadly explain a health prediction system that predicts a customer's health condition (also referred to as a health symptom), and a learning system that generates a predictive model for predicting a customer's health condition, which is used in the health prediction system. The overview, functional configuration, processing flow, etc. will be explained in sequence.
2 健康予測システム
2.1 健康予測システムの処理の概要
まず、図15を参照しながら、実施形態にかかる健康予測システム1Zの大まかな処理の概要を説明する。図15は、実施形態に係る健康予測システム1Zを利用して、顧客の健康予測を行うためのデータの流れを模式的に示すものである。
2 Health prediction system
2.1 Outline of Processing of Health Prediction System First, a rough outline of processing of the health prediction system 1Z according to the embodiment will be explained with reference to FIG. FIG. 15 schematically shows the flow of data for predicting a customer's health using the health prediction system 1Z according to the embodiment.
健康予測システム1Zは、個人の健康状態を、当該個人の購買行動から推定するためのものである。この健康予測システム1Zを用いれば、顧客個人の健康状態を、検診データなどの本人の健康に関するデータなしに、顧客の購買行動である購買データに基づいて推定することができる。推定された健康状態は、例えば顧客の健康改善に役立てられ得る。 The health prediction system 1Z is for estimating an individual's health condition from the individual's purchasing behavior. By using this health prediction system 1Z, the health condition of an individual customer can be estimated based on purchase data, which is the customer's purchasing behavior, without data related to the customer's health such as medical examination data. The estimated health status can be used, for example, to improve the customer's health.
ここで、個人の購買行動から当該個人の健康状態を予測する統合健康予測プログラム100Zは、個人の購買行動から健康状態を予測する複数種類の学習済みの予測モデルを含む。図15の例では、統合健康予測プログラム100Zは6つの予測モデルが統合されることにより構成されているが、6つに限られるものではなく、5つ以下であっても、7つ以上であってもよい。 Here, the integrated health prediction program 100Z that predicts the health condition of an individual based on the individual's purchasing behavior includes a plurality of types of learned prediction models that predict the health condition from the individual's purchasing behavior. In the example of FIG. 15, the integrated health prediction program 100Z is configured by integrating six prediction models, but it is not limited to six, and may be five or less or seven or more. It's okay.
本実施形態にかかる統合健康予測プログラム100Zは、女性の健康を予測する女性の健康予測モデル110a、睡眠状態を予測する睡眠状態予測モデル110b、生活習慣病を予測する生活習慣病予測モデル110c、水分状態を予測する水分状態予測モデル110d、免疫状態を予測する免疫状態予測モデル110e、栄養状態を予測する栄養状態予測モデル110fの6つの予測モデル(以下、総称して「予測モデル110Z」という。)を含む。統合健康予測プログラム100Zに含まれる各予測モデルは、顧客の購買履歴を示す購買データ150Zから、女性の健康状態(更年期症状に関するSMI等)/睡眠状態/生活習慣病/水分状態(水分補給状況)/免疫状態/栄養状態を示す値(特定の疾病に罹患している可能性及び/又は程度を示す値)を、顧客の健康予測値160Zとして算出するものである。図15の例では、6つの健康状態を示す値が%で示されている。疾病の種類に応じて、男性のみ、女性のみ、又は、男性女性双方を対象とするようにしてもよい。これらの予測モデル110Zは、関数として記述され得る。商品の購買履歴と、健康に関する各種状態とを含む教師データを用いた機械学習により構築される。予測モデルの構築方法については後述する。 The integrated health prediction program 100Z according to the present embodiment includes a female health prediction model 110a that predicts women's health, a sleep state prediction model 110b that predicts sleep states, a lifestyle disease prediction model 110c that predicts lifestyle diseases, and water. There are six prediction models: a moisture status prediction model 110d that predicts the state, an immune status prediction model 110e that predicts the immune status, and a nutritional status prediction model 110f that predicts the nutritional status (hereinafter collectively referred to as the "prediction model 110Z"). including. Each prediction model included in the integrated health prediction program 100Z calculates a woman's health status (SMI related to menopausal symptoms, etc.) / sleep status / lifestyle-related diseases / hydration status (hydration status) from purchase data 150Z that shows the customer's purchase history. A value indicating /immune status/nutritional status (a value indicating the possibility and/or degree of suffering from a specific disease) is calculated as the customer's predicted health value 160Z. In the example of FIG. 15, values indicating six health conditions are shown in percentages. Depending on the type of disease, only men, only women, or both men and women may be targeted. These predictive models 110Z may be described as functions. It is built using machine learning using training data that includes product purchase history and various health-related conditions. The method for constructing the prediction model will be described later.
より具体的には、統合健康予測プログラム100Zは、顧客の購買データ150Zを受け取る。購買データ150Zは、健康を予測したい顧客の購買履歴に関するデータであり、統合健康予測プログラム100Zに含まれる各予測モデル110Z構築時の教師データの説明変数に対応するデータである。統合健康予測プログラム100Zは、各予測モデル110Zに購買データ150Zを並列的に入力し、顧客の健康予測値160Zを算出する。なお、本実施形態では、購買データ150Zのみを予測モデル110Zへの入力としているが、例えば、顧客の性別や年齢などの顧客の属性情報も入力するようにしてもよい。 More specifically, the integrated health prediction program 100Z receives customer purchasing data 150Z. The purchase data 150Z is data related to the purchase history of a customer whose health is to be predicted, and corresponds to the explanatory variables of the teacher data at the time of constructing each prediction model 110Z included in the integrated health prediction program 100Z. The integrated health prediction program 100Z inputs purchase data 150Z into each prediction model 110Z in parallel, and calculates a customer's health prediction value 160Z. In this embodiment, only the purchase data 150Z is input to the prediction model 110Z, but customer attribute information such as the customer's gender and age may also be input, for example.
また、統合健康予測プログラム100Zは、算出した健康予測値160Zに応じて、顧客に健康改善等に関する各種提案を行うようにしてもよい。より具体的には、例えば、顧客に健康予測値が高いカテゴリーを指摘し、顧客が気づいていない(潜在的な)症状、あるいは顕在化している症状が軽いうちに取り得る措置を提案することが考えられる。当該提案方法については、図18等を参照しながら後述する。 Further, the integrated health prediction program 100Z may make various proposals regarding health improvement etc. to the customer according to the calculated health prediction value 160Z. More specifically, for example, it is possible to point out to the customer categories with high health prediction values and suggest measures that can be taken while the customer is unaware of (latent) symptoms or symptoms that have become apparent. Conceivable. The proposed method will be described later with reference to FIG. 18 and the like.
2.2 統合健康予測プログラムの構成
以下、図16を参照しながら、統合健康予測プログラム100Zの機能構成を説明する。図16は、統合健康予測プログラム100Zの機能構成を示す図である。統合健康予測プログラム100Zは、入力部120Z、商品カテゴリー決定部125Z、予測モデル110Z、出力部130Z、提案部135Zを含む。なお、統合健康予測プログラム100Zは、単一のプログラムとして実装されてもよいし、データの入出力により連携して動作可能な複数のプログラムとして実装されてもよい。
2.2 Configuration of Integrated Health Prediction Program The functional configuration of the integrated health prediction program 100Z will be described below with reference to FIG. 16. FIG. 16 is a diagram showing the functional configuration of the integrated health prediction program 100Z. The integrated health prediction program 100Z includes an input section 120Z, a product category determination section 125Z, a prediction model 110Z, an output section 130Z, and a suggestion section 135Z. Note that the integrated health prediction program 100Z may be implemented as a single program, or may be implemented as a plurality of programs that can operate in cooperation by inputting and outputting data.
入力部120Zは、購買データ150Zの入力を受ける(取得する)。入力部120Zは、統合健康予測プログラム100Zが実行される情報処理装置(コンピュータ)が内蔵するHDD(Hard Disk Drive)やSSD(Solid State Drive)等の記憶媒体から購買データ150Zを読み込んでもよいし、あるいは、LAN(Local Area Network)やインターネット等を介して接続される外部の情報処理装置等から購買データ150Zの入力を受けてもよい。 The input unit 120Z receives (obtains) input of purchase data 150Z. The input unit 120Z may read the purchase data 150Z from a storage medium such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive) built in the information processing device (computer) on which the integrated health prediction program 100Z is executed. Alternatively, the purchase data 150Z may be input from an external information processing device connected via a LAN (Local Area Network), the Internet, or the like.
ここで、図17を参照しながら、入力部120Zが入力を受ける購買データ150Zの具体例を説明する。図17は、購買データ150Zの具体例を示す図である。ここで、購買データ150Zは、調査会社が提供する顧客の購買履歴を蓄積したパネルデータを採用し得る。当該パネルデータは、商品が購入された際に、購入者である顧客により当該商品がスキャンされることにより取得されるデータである。顧客が自身のスマートフォンや貸与されたバーコードリーダを用いて商品をスキャンすると、当該商品と、あらかじめ設定された顧客の属性(会社員/学生/主婦等)、購入先の情報等とが関連付けられて蓄積される。これにより、どのような人が、何を、どれだけ、どのような店舗で購入したかが把握される。 Here, with reference to FIG. 17, a specific example of the purchase data 150Z that the input unit 120Z receives will be described. FIG. 17 is a diagram showing a specific example of purchase data 150Z. Here, the purchase data 150Z may be panel data provided by a research company that accumulates customer purchase history. The panel data is data obtained by scanning the product by a customer who is the purchaser when the product is purchased. When a customer scans a product using his or her smartphone or a loaned barcode reader, the product is associated with preset customer attributes (office worker/student/housewife, etc.), purchaser information, etc. is accumulated. This allows us to understand what kind of person purchased what, how much, and at what kind of store.
図17の購買データ150Zの例は、顧客が一定期間(例えば一年間)にわたって購入した食品及び/又は日用品の購入履歴を示している。顧客が購入する各商品は、それぞれJICFS(JAN Item Code File Service)分類において商品カテゴリーに分類される。換言すると、各商品カテゴリーには、少なくとも1つの商品が属する。購買データ150Zには、顧客のIDごとに、顧客が購入した商品が属する商品カテゴリーに関する、JICFS分類における大カテゴリー「食品」「日用品」に含まれる細カテゴリーの約500品目(例:清涼飲料水、洗口液等)の各項目150aと、期間中の購入金額や購入数量、購入回数などの数値データである実績データ150bとが対応付けて入力されている。 The example of purchase data 150Z in FIG. 17 shows the purchase history of food and/or daily necessities purchased by a customer over a certain period of time (for example, one year). Each product purchased by a customer is classified into a product category in the JICFS (JAN Item Code File Service) classification. In other words, each product category includes at least one product. Purchasing data 150Z includes approximately 500 items (for example, soft drinks, soft drinks, Each item 150a (mouthwash, etc.) is entered in association with performance data 150b, which is numerical data such as purchase amount, purchase quantity, and number of purchases during the period.
なお、本実施形態では、購買データ150Zに含まれるのは食品及び/又は日用品の購買履歴であるが、顧客の健康状態との関連が推定されるものであれば、これらに限られるものではない。例えば、例えば薬品などの他の商品や、マッサージ、鍼灸治療等の各種サービス等の購買履歴を購買データ150Zに含むことも考えられる。また、購買データ150Zは、小売店が管理する決済情報によって特定することも考えられるし、例えばクレジットカードの決済情報、金融機関への支払情報等を利用して特定することも考えられる。 In this embodiment, the purchase data 150Z includes the purchase history of food and/or daily necessities, but it is not limited to this as long as it is presumed to be related to the customer's health condition. . For example, the purchase data 150Z may include purchase history of other products such as medicines and various services such as massage and acupuncture. Further, the purchase data 150Z may be specified using payment information managed by a retail store, or may be specified using, for example, credit card payment information, payment information to a financial institution, etc.
商品カテゴリー決定部125Zは、入力部120Zから購買データ150Zを受け取ると、各予測モデル110Zに入力する購買データ150Zから、各予測モデル110Zに入力する分類コード(JICFS分類)及び商品カテゴリーを決定し、得られた分類コード及び商品カテゴリーに関する購入金額、購入数量、及び購入回数などの数値データである実績データ150b(これらの一部のみを用いてもよい)を、各予測モデル110Zに並列的に入力する。 Upon receiving the purchase data 150Z from the input unit 120Z, the product category determining unit 125Z determines the classification code (JICFS classification) and product category to be input to each prediction model 110Z from the purchase data 150Z input to each prediction model 110Z, Performance data 150b, which is numerical data such as purchase amount, purchase quantity, and number of purchases regarding the obtained classification code and product category (only a part of these may be used), is input in parallel to each prediction model 110Z. do.
なお、予測モデル110Zに入力する購買データ150Zの分類コード(商品カテゴリー)は、各予測モデル110Z毎に決定することができる。予測モデル110Zの入力とする商品カテゴリーの決定方法については、予測モデル110Zの作成に関する下記3.4で後述する。 Note that the classification code (product category) of the purchase data 150Z input to the prediction model 110Z can be determined for each prediction model 110Z. A method for determining the product category to be input to the prediction model 110Z will be described later in 3.4 below regarding creation of the prediction model 110Z.
なお、入力部120Zから入力された購買データ150Zを、特に商品カテゴリーで絞ることなく、その実績データ15-bをそのまま予測モデル110Zに入力することも考えられる。その場合には、商品カテゴリー決定部125Zは不要である。 Note that it is also conceivable that the purchase data 150Z input from the input unit 120Z is inputted as is into the prediction model 110Z without narrowing down the purchase data 150Z by product category. In that case, the product category determining section 125Z is unnecessary.
予測モデル110Zは、商品カテゴリー決定部125Zが選択した分類コード及び商品カテゴリーに関する購入金額、購入数量、及び購入回数などの数値データである実績データ150bの入力を受け、各々、女性の健康状態(更年期症状)、睡眠状態(睡眠の乱れ)、生活習慣病(身体活動不足)、水分状態(水分不足度/水分補給状況)、免疫状態(免疫低下度)、及び栄養状態(栄養不足度)の健康予測値を算出する。図15の例では、ユーザID001の顧客に対し、各々の予測モデル110Zが、更年期症状90%、睡眠の乱れ21%、身体活動不足度40%、水分不足度76%、免疫低下度72%、栄養不足度11%の値を算出している。 The prediction model 110Z receives input of performance data 150b, which is numerical data such as purchase amount, purchase quantity, and number of purchases, regarding the classification code and product category selected by the product category determination unit 125Z, and receives input of performance data 150b, which is numerical data such as purchase amount, purchase quantity, and number of purchases, and determines the health status of the woman (menopause). Symptoms), sleep status (disturbed sleep), lifestyle-related diseases (lack of physical activity), hydration status (degree of hydration/hydration status), immune status (degree of immune deficiency), and nutritional status (degree of nutritional deficiency) Calculate the predicted value. In the example of FIG. 15, for the customer with user ID 001, each prediction model 110Z has 90% of menopausal symptoms, 21% of disturbed sleep, 40% of physical inactivity, 76% of hydration, 72% of decreased immunity, The nutritional deficiency level is calculated at 11%.
予測モデル110Zは、先述のとおり、各顧客の購買履歴である購買データ150Zと、それらの顧客の健康状態とを対応付けた教師データを用いて、前者を説明変数、後者を目的変数として機械学習することにより構築することができる。予測モデル110Zの構築方法については下記3で後述する。 As mentioned earlier, the predictive model 110Z uses the purchasing data 150Z, which is the purchasing history of each customer, and the training data that correlates the health status of those customers, and performs machine learning using the former as an explanatory variable and the latter as an objective variable. It can be constructed by The method for constructing the prediction model 110Z will be described later in Section 3 below.
出力部130Zは、各予測モデル110Zが算出した値を、当該顧客に関する健康予測値160Zとして、提案部135Zや、内蔵する記憶媒体や、ネットワーク等を介して接続される他の情報処理装置等に出力する。あるいは、出力部130Zは、表示装置上に算出した健康予測値160Zを表示させてもよい。図15の例では、出力部140Zは、顧客ID、更年期、睡眠の乱れ、等の値を順に行方向に並べて配列し、これを顧客データのID毎に繰り返すことで、複数の顧客に対する健康予測値160Zを出力している。なお、健康予測値160Zは、顕在化している顧客の健康状態のみならず、将来的に起こることが予想され得る健康状態(潜在的な健康状態)をも含み得る。 The output unit 130Z outputs the values calculated by each prediction model 110Z as a predicted health value 160Z for the customer to the proposal unit 135Z, a built-in storage medium, or another information processing device connected via a network or the like. Output. Alternatively, the output unit 130Z may display the calculated predicted health value 160Z on a display device. In the example of FIG. 15, the output unit 140Z arranges values such as customer ID, menopause, sleep disorder, etc. in order in the row direction, and repeats this for each ID of customer data to predict health for multiple customers. The value 160Z is output. Note that the predicted health value 160Z may include not only the customer's actual health condition but also a health condition that can be expected to occur in the future (potential health condition).
提案部135Zは、顧客毎に、予測した健康予測値160Zに応じた食品や用品、サービス等を提案する。提案方法は種々考えられるが、例えば、小売店の店員が使用する各種端末上に表示するようにしてもよいし、メッセンジャーサービス等により直接顧客に提案内容を送付したり、ウェブページ上に顧客向けに表示したりこと等も考えられる。 The proposal unit 135Z proposes foods, supplies, services, etc. according to the predicted health prediction value 160Z for each customer. There are various ways to make proposals, but for example, it may be displayed on various terminals used by retail store staff, the proposal may be sent directly to the customer via a messenger service, or the proposal may be posted on a web page to the customer. It is also possible to display the information on
2.3 顧客への各種提案の具体例及び処理
以下、図18乃至図20を参照しながら、統合健康予測プログラム100Zが顧客に対して行う各種提案について説明する。
2.3 Specific Examples and Processing of Various Proposals to Customers Various proposals that the integrated health prediction program 100Z makes to customers will be described below with reference to FIGS. 18 to 20.
図18は、顧客の健康予測値160Zに応じて、提案部135Zが提案する食品/用品/サービス等を模式的に示す図である。例えば、更年期症状が90%であると予測された女性(顧客ID=001)には、提案部135Zは、ドラッグストア41Zで販売されている更年期症状を改善する商品を提案する。また、栄養不足度が93%であると予測された男性(顧客ID=002)には、提案部135Zは、ドラッグストア41Zで販売されている高機能栄養食品を提案する。他の例として、更年期及び睡眠の乱れの予測値がそれぞれ79%及び89%の女性(顧客ID=003)には、提案部135Zは、医療機関43Zの受診を提案する。また、提案部135Zは、身体活動不足度が相対的に高い顧客には、スポーツジム45Zに通うことを提案し、身体活動不足度が所定値よりも低い顧客には、保険会社47Zが提供する、生活習慣病に対応する医療保険商品を提案する。 FIG. 18 is a diagram schematically showing foods/goods/services etc. proposed by the suggestion unit 135Z according to the customer's predicted health value 160Z. For example, for a woman whose menopausal symptoms are predicted to be 90% (customer ID=001), the suggestion unit 135Z suggests products that improve menopausal symptoms that are sold at the drugstore 41Z. Further, for a man (customer ID=002) whose degree of nutritional deficiency is predicted to be 93%, the proposal unit 135Z proposes a highly functional nutritional food sold at the drugstore 41Z. As another example, the proposal unit 135Z suggests a visit to the medical institution 43Z to a woman (customer ID=003) whose predicted values for menopause and sleep disturbance are 79% and 89%, respectively. Further, the proposal unit 135Z suggests that customers whose degree of lack of physical activity is relatively high should go to the gym 45Z, and for customers whose degree of lack of physical activity is lower than a predetermined value, the insurance company 47Z provides , proposes medical insurance products that address lifestyle-related diseases.
このように、統合健康予測プログラム100Zの提案部135Zは、購買データ150Zから、複数の予測モデル110Zの各々から予測結果を得ることにより、その顧客に適合した食品/用品/サービスを提案することができる。そのような提案を実現するには、予測モデルの出力値である各健康症状と関連付けられた食品、用品、及び/又はサービスのリストを予め用意しておけばよい。 In this way, the proposal unit 135Z of the integrated health prediction program 100Z can propose foods/goods/services suitable for the customer by obtaining prediction results from each of the plurality of prediction models 110Z from the purchasing data 150Z. can. To implement such a proposal, a list of foods, supplies, and/or services associated with each health symptom, which is an output value of a predictive model, may be prepared in advance.
図19は、更年期症状に関する提案を実現するためのテーブル50Zと、参照するデータベース52Z、54Z及び56Zを示す。 FIG. 19 shows a table 50Z and databases 52Z, 54Z, and 56Z to be referred to for realizing suggestions regarding menopausal symptoms.
テーブル50Zには、更年期予測モデル(図16における女性の健康予測モデル110a)の出力範囲が40%未満のクラス50a、40%以上80%未満のクラス50b、及び、80%以上のクラス50cの3つのクラスが設けられている。クラス50aでは、ドラッグストアの更年期症状を予防する商品データベース52Zが参照される。商品データベース52Zには、商品カテゴリーP1の商品X1、X2、商品カテゴリーP2の商品X3が記述されている。提案部135Zは、商品データベース52Zを参照して、このうちの一部又は全部のカテゴリー及び/又は商品名を、該当する顧客に提案することができる。予測モデルの出力値がクラス50bに該当する場合、提案部135Zは、更年期症状を改善するための商品データベース54Zを参照して、商品カテゴリーQ1の商品Y1、Y2を提案する。予測モデルの出力値が50cに該当する場合、提案部135Zは、現在地及び/又はあらかじめ登録された顧客の居住地の情報を用いて更年期外来医療機関データベース56Zを参照し、医療機関を提案する。これはすなわち、顧客の健康予測結果に応じた、予防診療及び/又は治療を行う医療機関の顧客への紹介に相当する。 Table 50Z includes three classes, class 50a where the output range of the menopause prediction model (female health prediction model 110a in FIG. 16) is less than 40%, class 50b where the output range is 40% or more and less than 80%, and class 50c where the output range is 80% or more. There are two classes. In the class 50a, a drugstore product database 52Z for preventing menopausal symptoms is referenced. In the product database 52Z, products X1 and X2 of product category P1 and product X3 of product category P2 are described. The suggestion unit 135Z can refer to the product database 52Z and suggest some or all of the categories and/or product names to the corresponding customer. When the output value of the prediction model corresponds to the class 50b, the proposal unit 135Z refers to the product database 54Z for improving menopausal symptoms and proposes products Y1 and Y2 of the product category Q1. When the output value of the prediction model corresponds to 50c, the proposal unit 135Z refers to the menopausal outpatient medical institution database 56Z using the current location and/or the pre-registered customer residence information and proposes a medical institution. In other words, this corresponds to introducing the customer to a medical institution that provides preventive medical care and/or treatment according to the customer's health prediction results.
他の例を、図20を参照しながら説明する。図20は、生活習慣病予測モデル110cの出力値に応じた提案を実現するためのテーブル60Zを示す。 Another example will be described with reference to FIG. 20. FIG. 20 shows a table 60Z for realizing proposals according to the output values of the lifestyle-related disease prediction model 110c.
テーブル60Zには、生活習慣病予測モデル110cの出力値、換言すると、身体活動の不足度の範囲が20%未満のクラス60a、20%以上80%未満のクラス60b、及び、80%以上のクラス60cの3つのクラスが設けられている。クラス60aでは、身体活動は充実していると考えられ、継続して身体活動を行わせるため、栄養指導(1)や、E1スポーツジムの月会費プランが提案される。栄養指導(1)は、例えば毎食当たり、10グラム未満の脂質、30グラム以上の蛋白質の栄養成分を取るための食事の提案である。クラス60bでは、身体活動は不足していないと考えられ、栄養指導(2)や定期的に身体活動を行わせるため、E2フィットネスクラブの都度会費プランが提案される。栄養指導(2)は、例えば毎食当たり、20グラム未満の脂質、20グラム以上のたんぱく質の栄養成分を摂るための食事の提案である。クラス60cでは、身体活動は不足しており、将来的に生活習慣病に罹患する可能性があることを踏まえ、栄養指導(3)やE3生命保険会社が提案する医療保険商品が提案される。栄養指導(3)は、例えば毎食当たり、20グラム未満の脂質、20グラム以上の蛋白質、及び20グラム未満の糖質の栄養成分を摂るための食事の提案である。栄養指導、スポーツジム、フィットネスクラブ及び保険商品の提案は、商品又はサービス提供の範疇である。生活習慣病予測モデル110cの出力値に関しても、提案部135Zは、テーブル60Zを参照することにより、出力値に応じた提案を顧客に行うことができる。 The table 60Z shows the output values of the lifestyle-related disease prediction model 110c, in other words, a class 60a where the range of the degree of lack of physical activity is less than 20%, a class 60b where the range is 20% or more and less than 80%, and a class where the range is 80% or more. There are three classes of 60c. In class 60a, physical activity is considered to be substantial, and in order to encourage students to continue doing physical activity, nutritional guidance (1) and a monthly membership fee plan for an E1 sports gym are proposed. Nutritional guidance (1) is, for example, a meal suggestion for obtaining nutritional components of less than 10 grams of fat and 30 grams or more of protein per meal. In class 60b, it is considered that there is no shortage of physical activity, and in order to provide nutritional guidance (2) and to regularly engage in physical activity, a pay-as-you-go membership plan at the E2 fitness club is proposed. Nutritional guidance (2) is, for example, a proposal for a meal to provide nutritional components of less than 20 grams of fat and 20 grams or more of protein per meal. In class 60c, physical activity is insufficient and there is a possibility of contracting a lifestyle-related disease in the future, so nutritional guidance (3) and medical insurance products proposed by E3 Life Insurance Company are recommended. Nutritional guidance (3) is, for example, a meal suggestion for ingesting nutritional components of less than 20 grams of fat, 20 grams or more of protein, and less than 20 grams of carbohydrates per meal. Proposals for nutritional guidance, gyms, fitness clubs, and insurance products fall under the category of product or service provision. Regarding the output values of the lifestyle-related disease prediction model 110c, the proposal unit 135Z can make proposals to the customer according to the output values by referring to the table 60Z.
図19及び図20の例の他、睡眠状態、免疫状態、水分状態、栄養状態の各々についても、同様のテーブル、さらに必要に応じたデータベースを設けることで、提案部135Zは顧客ごとに、各予測モデル110Zの出力値である健康予測値160Zに応じた顧客への提案を行うことができる。 In addition to the examples shown in FIGS. 19 and 20, by providing similar tables and databases as necessary for each of the sleep state, immune state, hydration state, and nutritional state, the proposal unit 135Z can Proposals can be made to the customer according to the predicted health value 160Z, which is the output value of the predictive model 110Z.
なお、統合健康予測プログラム100Z自体が、提案部135Zを必ずしも内包する必要はない。例えば、統合健康予測プログラム100Zの出力部130Zが、統合健康予測プログラム100Zを運用する事業者とは別の事業者に対し、顧客の許可のもとで健康予測値160Zを送信し、当該別の事業者のプログラムが、提案部135Zにかかるプログラムを実装して顧客に対し、上記のような提案を行うことも考えられる。例えば、統合健康予測プログラム100Zが、予測モデル110Zの出力値である健康予測値160Zを保険会社に送信することで、その保険会社が顧客に保険商品を提案してもよい。 Note that the integrated health prediction program 100Z itself does not necessarily need to include the proposal section 135Z. For example, the output unit 130Z of the integrated health prediction program 100Z transmits the predicted health value 160Z to a business other than the one that operates the integrated health prediction program 100Z with the customer's permission, and It is also conceivable that the program of the business implements the program of the proposal section 135Z and makes the above-mentioned proposal to the customer. For example, the integrated health prediction program 100Z may send the health prediction value 160Z, which is the output value of the prediction model 110Z, to an insurance company, so that the insurance company may propose an insurance product to the customer.
2.4 処理の流れ
以下、図21を参照しながら、統合健康予測プログラム100Zの処理の流れを説明する。図21は、統合健康予測プログラム100Zによって実行される、顧客の健康予測処理の手順を示すフローチャートである。
2.4 Processing Flow The processing flow of the integrated health prediction program 100Z will be explained below with reference to FIG. FIG. 21 is a flowchart showing the procedure of a customer's health prediction process executed by the integrated health prediction program 100Z.
統合健康予測プログラム100Zの入力部120Zは、健康状態の予測を行いたい顧客の購入履歴を示す購買データ150Zを取得する(S701)。入力部120Zは、例えば、小売店での商品購入時に、その顧客の会員証をPOS(Point of Sale)システムから読み取ることによって、その顧客と購入履歴とを紐づけたデータベースが構築される。顧客の承諾のもと、そのようなデータベースから購買データ150Zを抽出することにより、入力部120Zは統合健康予測プログラム100Zに購買データ150Zを入力することができる。先述のとおり、そのような購買データ150Zは、例えば、JICFS分類及び商品カテゴリーを含む。 The input unit 120Z of the integrated health prediction program 100Z acquires purchase data 150Z indicating the purchase history of a customer whose health condition is to be predicted (S701). For example, when the customer purchases a product at a retail store, the input unit 120Z reads the customer's membership card from a POS (Point of Sale) system, thereby constructing a database that links the customer with the purchase history. By extracting the purchase data 150Z from such a database with the consent of the customer, the input unit 120Z can input the purchase data 150Z into the integrated health prediction program 100Z. As mentioned above, such purchase data 150Z includes, for example, JICFS classification and product category.
商品カテゴリー決定部125Zは、購買データ150Zのうち、各予測モデル110Zの入力とするJICFS分類(分類コード)及び商品カテゴリーを決定する(S703)。なお、先述のとおり、予測モデル110Zが予測に用いる商品カテゴリーを特に絞らず、購買データ150Z全体を用いる場合には、S703の処理は不要である。 The product category determination unit 125Z determines the JICFS classification (classification code) and product category to be input to each prediction model 110Z from the purchase data 150Z (S703). Note that, as described above, if the prediction model 110Z does not particularly narrow down the product categories used for prediction and uses the entire purchase data 150Z, the process of S703 is not necessary.
次に、各予測モデル110Zは、商品カテゴリー決定部125Zが決定した分類コード及び商品カテゴリーの購買データ150Zを用いて、健康状態を予測する(S705)。出力部130Zは、予測モデル110Zが予測した健康状態を示す健康予測値160Zを出力し、提案部135Zは、当該健康予測値160Zに基づく提案を顧客に提供する(S707)。具体的には、レシートへの印字やディスプレイへの表示、スマートフォンへの通知等の形で健康予測値160Z又は提案部135Zによる顧客への健康改善の提案をおこなうこと考えられる。 Next, each prediction model 110Z predicts the health condition using the classification code determined by the product category determination unit 125Z and the purchase data 150Z of the product category (S705). The output unit 130Z outputs a predicted health value 160Z indicating the health condition predicted by the predictive model 110Z, and the proposal unit 135Z provides the customer with a proposal based on the predicted health value 160Z (S707). Specifically, it is conceivable that the predicted health value 160Z or the suggestion unit 135Z proposes health improvement to the customer in the form of printing on a receipt, displaying it on a display, notifying a smartphone, or the like.
2.5 ハードウェア構成
図22を参照しながら、統合健康予測プログラム100Zが実行される情報処理装置800Zのハードウェア構成の具体例を説明する。図22は、統合健康予測プログラム100Zが実行される情報処理装置800Zのハードウェア構成図である。情報処理装置800Zは、統合健康予測プログラム100Zを利用して、顧客の更年期症状や睡眠状態等に関する予測結果を算出する。情報処理装置800Zは、一般に入手可能なコンピュータシステム、例えばデスクトップ型PC(Personal Computer)、ノート型PC、タブレットPC、サーバコンピュータ等でありうる。当該コンピュータシステムは、健康予測システム1Zを運用する事業者の事業所に設置されてもよいし、クラウドサービスとして提供されてもよい。後者の場合、事業所にはクラウドサービスと相互に通信可能なPC等が設けられればよい。
2.5 Hardware Configuration A specific example of the hardware configuration of the information processing device 800Z on which the integrated health prediction program 100Z is executed will be described with reference to FIG. FIG. 22 is a hardware configuration diagram of an information processing device 800Z on which the integrated health prediction program 100Z is executed. The information processing device 800Z uses the integrated health prediction program 100Z to calculate prediction results regarding the client's menopausal symptoms, sleep state, and the like. The information processing device 800Z may be a generally available computer system, such as a desktop PC (Personal Computer), a notebook PC, a tablet PC, a server computer, or the like. The computer system may be installed at the office of the business operator that operates the health prediction system 1Z, or may be provided as a cloud service. In the latter case, the business office only needs to be equipped with a PC or the like that can communicate with the cloud service.
情報処理装置800Zは、制御部810Zと、入力インタフェース(I/F)部820Zと、記憶装置830Zと、出力I/F部840Zとを備える。 The information processing device 800Z includes a control section 810Z, an input interface (I/F) section 820Z, a storage device 830Z, and an output I/F section 840Z.
制御部810Zは、CPU(Central Processing Unit。図示せず)、ROM(Read Only Memory。図示せず)、RAM(Random Access Memory)等を含み得る。制御部810Zは、記憶装置830Zに記憶される統合健康予測プログラム100Zを実行可能である。これにより、情報処理装置800Zは、一般的なコンピュータとしての機能に加え、上述した健康予測に係る各種処理を実行可能である。なお、制御部810Zに含まれる演算回路はCPUでなくともよく、MPUやGPU等の種々のプロセッサで実現されてもよく、また、1つのプロセッサでなく、複数のプロセッサにより実現されてもよい。 The control unit 810Z may include a CPU (Central Processing Unit, not shown), a ROM (Read Only Memory, not shown), a RAM (Random Access Memory), and the like. The control unit 810Z can execute the integrated health prediction program 100Z stored in the storage device 830Z. Thereby, the information processing device 800Z is capable of performing various processes related to the health prediction described above in addition to the functions of a general computer. Note that the arithmetic circuit included in the control unit 810Z does not need to be a CPU, and may be realized by various processors such as an MPU or a GPU, or may be realized by a plurality of processors instead of one processor.
入力I/F部820Zは、健康状態を予測したい顧客にかかる購買データ150Zを受け取る。先述のとおり、入力I/F部820Zは、例えばインターネットやLAN等のネットワークを介して接続される外部のサーバ等の情報処理装置から購買データ150Zを受信することが可能である。入力I/F部820Zは、例えばイーサネット(登録商標)の通信端子、USB(登録商標)端子、IEEE802.11、4G、又は5G等の規格に準拠して通信をおこなう通信回路により実現することができる。 The input I/F unit 820Z receives purchase data 150Z regarding a customer whose health condition is desired to be predicted. As described above, the input I/F unit 820Z can receive the purchase data 150Z from an information processing device such as an external server connected via a network such as the Internet or a LAN. The input I/F unit 820Z can be realized by, for example, an Ethernet (registered trademark) communication terminal, a USB (registered trademark) terminal, a communication circuit that performs communication in accordance with standards such as IEEE802.11, 4G, or 5G. can.
記憶装置830Zは、情報処理装置800Zを動作させるために必要なコンピュータプログラム及びデータを記憶する記憶媒体である。記憶装置830Zは、例えばHDD又は半導体記憶装置であるSSDであり得る。記憶装置830Zは、例えばDRAM又はSRAM等のRAMにより構成される一時的な記憶素子を備えてもよく、制御部810Zの作業領域として機能してもよい。記憶装置830Zは、統合健康予測プログラム100Zや、図19のテーブル50Zや図20のテーブル60Zとして具体例を示した提案用テーブル831Zを格納する。 The storage device 830Z is a storage medium that stores computer programs and data necessary for operating the information processing device 800Z. The storage device 830Z may be, for example, an HDD or an SSD that is a semiconductor storage device. The storage device 830Z may include a temporary storage element constituted by a RAM such as a DRAM or an SRAM, and may function as a work area for the control unit 810Z. The storage device 830Z stores the integrated health prediction program 100Z and a proposal table 831Z, specific examples of which are shown as the table 50Z in FIG. 19 and the table 60Z in FIG. 20.
なお、予測モデル110Zは、統合健康予測プログラム100Zの一部として組み込まれてもよいし、統合健康予測プログラム100Zとは別のデータとして設けられてもよい。また、予測モデル110Zは、テーブルやパラメータ群として記憶装置830Zに格納されてもよい。 Note that the prediction model 110Z may be incorporated as a part of the integrated health prediction program 100Z, or may be provided as data separate from the integrated health prediction program 100Z. Further, the prediction model 110Z may be stored in the storage device 830Z as a table or a parameter group.
また、提案用テーブル831Zは、健康状態の程度を示す予測結果、例えばH層/M層/L層や、90%/50%/20%と、各程度に応じて提案すべき商品・サービスを対応付けたものとすることができる。 In addition, the proposal table 831Z shows the prediction results indicating the degree of health condition, for example, H layer/M layer/L layer or 90%/50%/20%, and products/services to be proposed according to each degree. It can be made to correspond.
出力I/F部840Zは、情報処理装置800Zの外部に設けられた種々の出力装置と接続される通信回路及び/又は通信端子である。例えば出力I/F部840Zは、レシートプリンタPに印字すべき内容を示す印字データを出力するUSB端子であり得る。統合健康予測プログラム100Zは、顧客の健康状態に関する予測結果を算出し、その結果、もしくは結果に応じた顧客への提案をレシートプリンタPへ送信してレシートに印刷させることができる。 The output I/F unit 840Z is a communication circuit and/or a communication terminal connected to various output devices provided outside the information processing device 800Z. For example, the output I/F unit 840Z may be a USB terminal that outputs print data indicating the content to be printed on the receipt printer P. The integrated health prediction program 100Z can calculate a prediction result regarding the customer's health condition, and send the result or a proposal to the customer according to the result to the receipt printer P to print it on a receipt.
出力I/F部840Zは、ディスプレイDと接続される映像出力端子であってもよい。統合健康予測プログラム100Zは、顧客の健康状態に関する予測結果を算出し、その結果、もしくは結果に応じた顧客への提案をディスプレイDに表示させる。ディスプレイDに表示された内容を、例えば薬剤師が確認することで、当該薬剤師は顧客の症状に応じた1又は複数の商品を提案することができる。 The output I/F section 840Z may be a video output terminal connected to the display D. The integrated health prediction program 100Z calculates a prediction result regarding the customer's health condition, and causes the display D to display the result or a proposal to the customer according to the result. For example, by checking the contents displayed on the display D by a pharmacist, the pharmacist can suggest one or more products according to the customer's symptoms.
別の形態として、出力I/F部840Zは、通信ネットワークN等と接続されてデータ通信することが可能な通信端子又は通信回路であってもよい。出力I/F部840Zが通信端子又は通信回路である場合には、入力I/F部820Z及び出力I/F部840Zのハードウェアは同一であってもよい。出力I/F部840Zは、例えば携帯電話回線を介して、顧客の健康状態に関する予測結果、もしくは結果に応じた顧客への提案を、顧客のスマートフォンMに送信することができる。 As another form, the output I/F unit 840Z may be a communication terminal or a communication circuit that can be connected to the communication network N or the like and perform data communication. When the output I/F section 840Z is a communication terminal or a communication circuit, the hardware of the input I/F section 820Z and the output I/F section 840Z may be the same. The output I/F unit 840Z can transmit the prediction result regarding the customer's health condition or a proposal to the customer according to the result to the customer's smartphone M, for example, via a mobile phone line.
3 予測モデル110Zを学習する学習システム9
3.1 概要
続いて、統合健康予測プログラム100Zに含まれる予測モデル110Zを機械学習により生成する方法を、図23を参照しながら説明する。ここでは、モデル学習プログラム900Zが予測モデル110Zを生成するものとして説明する。なお、モデル学習プログラム900Zは、単一のプログラムとして実装されてもよいし、データの入出力により連携して動作可能な複数のプログラムとして実装されてもよい。
3 Learning system 9 for learning prediction model 110Z
3.1 Overview Next, a method for generating the prediction model 110Z included in the integrated health prediction program 100Z by machine learning will be described with reference to FIG. 23. Here, the explanation will be given assuming that the model learning program 900Z generates the predictive model 110Z. Note that the model learning program 900Z may be implemented as a single program, or as a plurality of programs that can operate in cooperation by inputting and outputting data.
なお、図15に例を示した統合健康予測プログラム100Zは、6種類の予測モデル110Zを含んでいるが、これらの予測モデルは、用いる教師データ950Zのうちの健康データ954Zの違いのみで、同様に生成することができる。以下では、女性の健康にかかる更年期予測モデル110aを生成する場合を中心に説明する。 Note that the integrated health prediction program 100Z shown in FIG. can be generated. In the following, a case will be mainly described in which a menopausal prediction model 110a related to women's health is generated.
3.2 教師データ950Z
モデル学習プログラム900Zは、多数の被験者から収集された種々のデータを含む教師データ950Zを利用して機械学習を行い、予測モデル110Zを構築する。教師データ950Zは、被験者の各々の購買行動に関する購買データ952Zと、それらの被験者の健康に関するデータである健康データ954Zとを含む。
3.2 Teacher data 950Z
The model learning program 900Z performs machine learning using teacher data 950Z including various data collected from a large number of subjects, and constructs a predictive model 110Z. The teacher data 950Z includes purchase data 952Z regarding the purchasing behavior of each subject and health data 954Z that is data regarding the health of those subjects.
購買データ952Zは、図17を参照して具体例を示したものと同様の情報に関するものである。すなわち、本実施形態においては、被験者のID毎に、JICFS分類におけるカテゴリーに係る項目150aと、期間中の購入金額や購入数量、購入回数などの数値データである実績データ150bとを購買データ952Zに含むことができる。なお、食品及び/又は飲料は被験者や顧客の健康状態等を関連付ける商品として好適であることから、購買データ952Zには、食品及び/又は飲料の購入履歴を含むことが好ましい。 The purchase data 952Z is related to the same information as the specific example shown in FIG. 17. That is, in this embodiment, for each subject ID, items 150a related to categories in the JICFS classification and performance data 150b, which is numerical data such as purchase amount, purchase quantity, and number of purchases during the period, are included in purchase data 952Z. can be included. Note that since foods and/or drinks are suitable as products that are associated with the health conditions of test subjects and customers, it is preferable that the purchase data 952Z includes the purchase history of the foods and/or drinks.
健康データ954Zは、被験者の健康状態を記述するものである。この健康状態とは、自覚症状に関する状態であってもよいし、測定した結果認められる状態であってもよい。すなわち、健康意識、メンタルヘルス、認知機能、健康診断結果のうちの少なくともいずれかを健康データ954Zに用いることが可能である。本実施形態における健康データ954Zでは、被験者の健康状態として、被験者の状態セグメント毎の判定値を記述する。状態セグメントでは、健康状態の種類及びレベル(換言すれば大きさ)の組合せ毎に定義される。本実施形態でいう健康状態の種類及びレベルは、対応する個人が有する心身の不調の種類及びレベルである。判定値は、健康状態を示す指数を、2クラスや3クラス等で表すことができる。なお、ここでいう「健康状態の種類及びレベル」は、医学的な厳密さを伴うものではなく、個人が有する健康の悩みの種類及びレベルと理解することも可能である。 Health data 954Z describes the health condition of the subject. This health condition may be a condition related to subjective symptoms or a condition recognized as a result of measurement. That is, it is possible to use at least one of health consciousness, mental health, cognitive function, and health checkup results as the health data 954Z. In the health data 954Z in this embodiment, a determination value for each condition segment of the test subject is described as the health state of the test subject. The condition segment is defined for each combination of health condition type and level (in other words, size). The type and level of health condition in this embodiment refers to the type and level of physical and mental illness that the corresponding individual has. The determination value can be expressed as an index indicating the health condition in 2 classes, 3 classes, or the like. Note that the "type and level of health condition" referred to herein does not have any medical rigor, but can also be understood as the type and level of health concerns that an individual has.
ここで、例として、モデル学習プログラム900Zが更年期予測モデル110aを生成する場合であって、更年期のレベルを判定するために、簡略更年期指数SMIの症状を利用する場合を考える。この場合、健康データ954Zには、被験者が属する簡略更年期指数SMIの症状を示すラベルを健康データ954Zに含むことができる。例えば、簡略更年期指数SMIを2クラスとして表現することが可能である。具体的には、更年期症状が相対的に大きいことを示す「H」と、「H以外」か、である。「H以外」については、相対的に症状が中程度である「M」と、相対的に小さいことを示す「L」に細分化する(すなわち、症状を計3クラスとして表現する)ことも可能である。以下では、「H」に該当する被験者層を「H層」と呼ぶ。 Here, as an example, consider a case where the model learning program 900Z generates the menopause prediction model 110a and uses symptoms of the simplified menopause index SMI to determine the level of menopause. In this case, the health data 954Z can include a label indicating the symptoms of the simplified menopause index SMI to which the subject belongs. For example, it is possible to express the simplified menopause index SMI as two classes. Specifically, "H" indicates that menopausal symptoms are relatively large, and "other than H". "Other than H" can be subdivided into "M", which indicates relatively moderate symptoms, and "L", which indicates relatively small symptoms (i.e., symptoms can be expressed as a total of three classes). It is. Hereinafter, the subject layer corresponding to "H" will be referred to as the "H layer."
なお、健康データ954Zにおける症状の程度を示すラベル付けにおいて、2クラスや3クラスではなく、さらに細分化して4クラス以上としてもよいし、あるいは、これらのクラスに代えて、更年期症状に該当する可能性を示す数値を使用することも考えられる。 In addition, in labeling to indicate the degree of symptoms in Health Data 954Z, instead of 2 or 3 classes, it may be further subdivided into 4 or more classes, or instead of these classes, it may be possible to label symptoms that correspond to menopausal symptoms. It is also possible to use numerical values indicating gender.
すなわち、教師データ950Zは、各被験者の各商品カテゴリーに関する情報と、所定期間中の購入金額や購入数量、購入回数などにかかる情報とを含む購買データ952Zと、健康状態を示すラベルの情報を少なくとも含む健康データ954Zとが紐づけられたものである。ここで、モデル学習プログラム900Zが、例えば、女性の健康状態(更年期症状)、睡眠状態(睡眠の乱れ)、生活習慣病(身体活動不足)、水分状態(水分不足度)、免疫状態(免疫低下度)、及び栄養状態(栄養不足度)の6つの予測モデル110Zを生成するのであれば、これらの予測モデル110Zにそれぞれ対応する情報を、健康データ954Zに含ませるようにすればよい。教師有り学習における機械学習において、教師データ950Zは、大きく説明変数と目的変数とに分類される。本実施形態においては、購買データ952Zが説明変数、健康データ954Zが目的変数に相当する。なお、本実施形態では、説明変数は購買データ952Zのみを用いているが、これに限られるものではない。例えば、被験者の属性である、性別や年齢を説明変数に追加することが考えられる。 That is, the teacher data 950Z includes at least purchase data 952Z including information regarding each product category of each subject, information regarding purchase amount, purchase quantity, number of purchases, etc. during a predetermined period, and information on labels indicating health conditions. The health data 954Z that includes the information is linked. Here, the model learning program 900Z can be used to determine, for example, a woman's health condition (menopausal symptoms), sleep condition (disturbed sleep), lifestyle-related diseases (lack of physical activity), hydration condition (degree of water deficiency), and immune condition (low immunity). If six predictive models 110Z for nutritional status (degree) and nutritional status (degree of malnutrition) are to be generated, information corresponding to each of these predictive models 110Z may be included in the health data 954Z. In machine learning in supervised learning, the teacher data 950Z is broadly classified into explanatory variables and objective variables. In this embodiment, the purchase data 952Z corresponds to an explanatory variable, and the health data 954Z corresponds to an objective variable. Note that in this embodiment, only the purchase data 952Z is used as the explanatory variable, but the explanatory variable is not limited to this. For example, it is conceivable to add gender and age, which are attributes of the subject, to explanatory variables.
以下、モデル学習プログラム900Zは、適切な健康データ954Zを用意すれば、睡眠状態、生活習慣病、免疫状態、水分状態、栄養状態、認知症、酸素利用、血管の健康、頭髪の健康、腸内環境、運動効果の促進、食欲増進、目の健康、肌の健康、口腔衛生、心の健康、うつ、ストレス、頭痛、肩こり、耳の健康、関節の健康、体温恒常性、疲労、骨の健康、男性の更年期障害、高血圧、天気痛等、種々の症状等に関する予測モデル110Zを生成することが可能である。以下では、特に、女性の健康状態(更年期症状)、睡眠状態(睡眠の乱れ)、生活習慣病(身体活動不足)、水分状態(水分不足度)、免疫状態(免疫低下度)、及び栄養状態(栄養不足度)を示す指標として利用可能な指数を例示する。 Below, the model learning program 900Z can be used to improve sleep status, lifestyle-related diseases, immune status, hydration status, nutritional status, dementia, oxygen utilization, vascular health, hair health, and intestinal health by preparing appropriate health data 954Z. Environment, promoting exercise effects, increasing appetite, eye health, skin health, oral health, mental health, depression, stress, headaches, stiff shoulders, ear health, joint health, body temperature homeostasis, fatigue, bone health It is possible to generate predictive models 110Z regarding various symptoms such as male menopausal disorder, high blood pressure, and weather pain. In particular, we will focus on women's health status (menopausal symptoms), sleep status (disturbed sleep), lifestyle-related diseases (lack of physical activity), hydration status (degree of dehydration), immune status (degree of immune deficiency), and nutritional status. The following is an example of an index that can be used as an indicator of (degree of nutritional deficiency).
3.2.1 女性の健康状態(更年期症状)
更年期症状の度合いを示す指標としては、例えば、上述のとおり、簡略更年期指数SMIを用いることができる。簡略更年期指数SMIは、列挙された種々の症状の程度に応じた該当項目を各被験者に事前にしておいてもらい、その結果を点数化することにより取得される。簡略更年期指数SMIは日本人の更年期女性特有の症状を反映した指標であるとされている。そのため、国や地域等に応じて、更年期症状に関する他の指標、例えば、更年期障害評価尺度(the Menopause Rating Scale)、クッパーマン更年期指数(The Kupperman index)、更年期障害評価尺度(Green Climacteric Scale)、PSST(The premenstrual symptomsscreening tool)、MRS(Menopause rating Scale)、WHQ(The Women’s Health Questionnaire)、VAS(Visual analogue scale)、HFRDI(Hot Flash Related Daily Interference Scale)、HFCS(Hot Flash Composite Score)、及びMENQOL(Menopause-Specific Quality of life)、日本人女性の更年期症状評価表のいずれか1つ以上を適宜利用することも考えられる。
3.2.1 Women's health status (menopausal symptoms)
As an index indicating the degree of menopausal symptoms, for example, as described above, the simplified menopause index SMI can be used. The Simplified Menopausal Index SMI is obtained by asking each subject to complete the corresponding items in advance according to the degree of the various listed symptoms, and scoring the results. The Simplified Menopausal Index SMI is said to be an index that reflects symptoms specific to Japanese menopausal women. Therefore, depending on the country and regions, other indicators regarding menopause, for example, menopause rating scales (THE MENOPAUSE RATING Scale), Cuperman's menopausal index, and menopausal evaluation scale (GREE) N Climacteric Scale), psst (The premenstrual symptoms screening tool), MRS (Menopause rating Scale), WHQ (The Women's Health Questionnaire), VAS (Visual analysis) scale), HFRDI (Hot Flash Related Daily Interference Scale), HFCS (Hot Flash Composite Score), and It is also possible to use one or more of the Menopause-Specific Quality of Life (MENQOL) and the Menopausal Symptom Evaluation Sheet for Japanese Women as appropriate.
なお女性の健康状態については、更年期症状の他、月経前症候群(PMS、PMDD)症状も考えられる。すなわち、月経前症候群を予測するためには、月経前症候群の症状の程度を示す指標を目的変数、購買データ952を説明変数として機械学習することにより健康予測モデル110Zを構築すればよい。 Regarding the health status of women, in addition to menopausal symptoms, premenstrual syndrome (PMS, PMDD) symptoms are also considered. That is, in order to predict premenstrual syndrome, the health prediction model 110Z may be constructed by machine learning using an index indicating the degree of symptoms of premenstrual syndrome as an objective variable and purchasing data 952 as an explanatory variable.
また、健康データ954Zには、これらの指標の数値データを含ませてもよいし、これらの指標の数値から、症状の程度を示すラベルのみを含ませてもよい。この点については、以降の、睡眠状態、生活習慣病等の指標についても同様である。 Further, the health data 954Z may include numerical data of these indicators, or may include only labels indicating the degree of symptoms based on the numerical values of these indicators. Regarding this point, the same applies to the following indicators of sleep status, lifestyle-related diseases, etc.
3.2.2 睡眠状態(睡眠の乱れ)
睡眠を示す指標としては、睡眠状態の悪化及び/又は睡眠リズム、不適切な睡眠時間のいずれかを示す指標であることが考えられる。アンケート等によって取得された各対照の自覚症状であってもよいし、各対照を測定した結果認められる測定値であってもよい。睡眠状態には、アテネ睡眠評価尺度(AIS)、ピッツバーグ睡眠質問票(Pittsburgh Sleep Quality Index:PSQI)、3次元型睡眠尺度(3 Dimentional Sleep Scale:3DSS)、不眠症重症度質問票(Insomnia Severity Index:ISI)の少なくともいずれかを用いることができる。症状の程度は、それぞれの項目の単体及び複合的に解析され、生活者の健康状態をカテゴリーに割り付け分類される。睡眠リズムはミュンヘンクロノタイプ質問票(Munich ChronoType Questionnaire:μMCTQ)を用い、平日と休日のそれぞれの睡眠中央時間を求め、その差からソーシャルジェットラグ(Social Jet Lag:SJL)を算出することで把握することができる。
3.2.2 Sleep status (disturbed sleep)
An indicator indicating sleep may be an indicator indicating either deterioration of sleep state and/or sleep rhythm, or inappropriate sleep time. The subjective symptoms of each control obtained through a questionnaire or the like may be used, or the measured values obtained as a result of measuring each control may be used. Sleep status was assessed using the Athens Sleep Scale (AIS), the Pittsburgh Sleep Quality Index (PSQI), the 3 Dimensional Sleep Scale (3DSS), and the Insomnia Severity Questionnaire (Insomnia Severity I). ndex :ISI) can be used. The severity of symptoms is analyzed individually and in combination for each item, and the health status of the consumer is assigned to categories and classified. Sleep rhythm is understood by using the Munich Chronotype Questionnaire (μMCTQ) to find the median sleep time on weekdays and holidays, and calculating the social jet lag (SJL) from the difference. be able to.
3.2.3 生活習慣病(身体活動不足)
運動状態を示す指標としては、運動不足、肥満、一定期間における体重の変化から選択される1つ以上程度を含み得る。より具体的には、各被験者の体重、BMI(Body Mass Index)、歩数及び/又はメタボリックシンドローム診断基準値のいずれか1つ以上を用いることが考えられる。メタボリックシンドローム診断基準値は、ウエスト周囲径、高グリセリド血症及び/又は低HDLコレステロール血症の診断のために定められた閾値、血圧の最大値及び/又は最小値、及び、空腹時高血糖の診断のために定められた閾値のいずれか1以上である。
3.2.3 Lifestyle-related diseases (lack of physical activity)
The indicator indicating the exercise state may include one or more selected from lack of exercise, obesity, and change in body weight over a certain period of time. More specifically, it is conceivable to use any one or more of each subject's weight, BMI (Body Mass Index), number of steps, and/or metabolic syndrome diagnostic reference value. Metabolic syndrome diagnostic standard values include waist circumference, thresholds established for the diagnosis of hyperglyceridemia and/or low HDL cholesterolemia, maximum and/or minimum blood pressure, and fasting hyperglycemia. It is one or more of the threshold values determined for diagnosis.
なお、生活習慣病や運動状態にかかる予測モデルを生成する機械学習の際に、購買データ952Zに加え、被験者の喫煙の有無や座位行動の1つ以上の情報を説明変数に含めて機械学習を行ってもよい。 In addition, when performing machine learning to generate predictive models related to lifestyle-related diseases and exercise status, in addition to purchase data 952Z, machine learning is performed by including one or more information on the subject's smoking status and sedentary behavior as explanatory variables. You may go.
3.2.4 水分状態(水分不足度)
水分状態を示す指標としては、血清Na値、BUN/クレアチニン比、及び、或いは尿浸透圧、尿比重、尿カラー、脱水評価スケール、水分不足に伴う自覚症状であることが考えられる。これら情報は、先の更年期症状の例と同様の方法によって取得され得る。例えば複数の対照の各々が一定期間、例えば一年間、経験した体の変化を健康診断や人間ドックで得られる臨床検査値や別に実施される健康アンケートによって得られる。一方、水分低下に伴う自覚症状は、アンケート等によって取得され得る。症状の程度は、血清Na値、尿浸透圧、尿比重、BUN/クレアチニン比、飲水量、身体活動量、尿カラーの少なくとも1つ以上から把握され得る。
3.2.4 Moisture status (moisture deficiency degree)
Possible indicators of water status include serum Na value, BUN/creatinine ratio, and/or urine osmolarity, urine specific gravity, urine color, dehydration evaluation scale, and subjective symptoms associated with water deficiency. This information can be obtained by a method similar to the previous example of menopausal symptoms. For example, changes in the body experienced by each of the plurality of controls over a certain period of time, for example, one year, can be obtained from clinical test values obtained during a health checkup or physical checkup, or from a health questionnaire conducted separately. On the other hand, subjective symptoms associated with water loss may be obtained through a questionnaire or the like. The degree of symptoms can be determined from at least one of the following: serum Na value, urine osmolality, urine specific gravity, BUN/creatinine ratio, water consumption, physical activity amount, and urine color.
これらの指標に基づき、悪化した健康状態を経験している、あるいは今後経験する可能性がある状態を疫学情報から文献的に見出すことが可能である。例えば、血清Na値が142mEq/Lを超える生活者は血清Na値が142mEq/L未満の生活者よりも認知障害や高血圧の発症リスクが高いことが見出されており、健康リスクが高いと評価することが可能である。 Based on these indicators, it is possible to find out from epidemiological information the conditions in which a person is experiencing, or is likely to experience, worsened health conditions in the literature. For example, it has been found that people with serum Na levels over 142 mEq/L have a higher risk of developing cognitive impairment and hypertension than people with serum Na levels less than 142 mEq/L, and are evaluated as having a high health risk. It is possible to do so.
なお、水分状態に係る予測モデルを生成する機械学習の際に、購買データ952Zに加え、被験者の飲水量、飲酒量、身体活動量、尿カラー、尿浸透圧、尿比重、血清Na値、BUN/クレアチニン比、の1つ以上の情報を説明変数に含めて機械学習を行ってもよい。 In addition to the purchasing data 952Z, during machine learning to generate a predictive model related to water status, the amount of water consumed by the subject, amount of alcohol consumed, amount of physical activity, urine color, urine osmolarity, urine specific gravity, serum Na level, BUN Machine learning may be performed by including one or more information of /creatinine ratio as an explanatory variable.
3.2.5 免疫状態(免疫低下度)
免疫状態を示す指標としては、例えば、風邪の引きやすさ及び/又はその頻度、風邪様症状を用いることが可能である。この風邪の引きやすさや頻度は、アンケート等によって取得された各対照の自覚症状であってもよいし、医療機関の受診履歴から取得されてもよい。症状の程度は3段階以上のカテゴリーで集計され、症状の程度は、風邪の引きやすさ、SIgA濃度、アレルギー症状、口腔環境・免疫力の状態、運動の状態、ストレスの状態、重度の睡眠症状、中程度の睡眠症状、軽度の睡眠症状、風邪様症状であり得る。
3.2.5 Immune status (degree of immunocompromise)
As an index indicating the immune state, for example, the ease with which a person catches a cold and/or its frequency, and cold-like symptoms can be used. The ease and frequency of catching a cold may be the subjective symptoms of each control obtained through a questionnaire or the like, or may be obtained from the history of visits to medical institutions. The severity of symptoms is aggregated into categories of three or more levels, and the severity of symptoms is determined by how easily you catch a cold, SIgA concentration, allergic symptoms, oral environment/immunity status, exercise status, stress status, and severe sleep symptoms. , moderate sleep symptoms, mild sleep symptoms, and cold-like symptoms.
3.2.6 栄養状態(栄養不足度)
栄養状態を表す指標は、アンケート等によって取得された各対照の自覚症状であってもよいし、各対照を測定した結果認められる測定値であってもよい。症状の程度は、栄養低下に伴う自覚症状の有無、食品摂取の多様性得点(DVS)、食欲尺度短縮版(SNAQ:Simplified nutritional appetite questionnaire)、BMI(Body Mass Index)の少なくともいずれかであり得る。
3.2.6 Nutritional status (degree of nutritional deficiency)
The index representing the nutritional status may be a subjective symptom of each control obtained through a questionnaire or the like, or may be a measured value obtained as a result of measuring each control. The severity of the symptoms may be determined by at least one of the following: the presence or absence of subjective symptoms associated with malnutrition, the diversity score (DVS) of food intake, the SNAQ (Simplified Nutritional Appetite Questionnaire), and the BMI (Body Mass Index). .
3.3 機械学習の方法
本実施形態にかかるモデル学習プログラム900Zは、機械学習の手法として、ロジスティック回帰を用いる。しかしながら、ロジスティック回帰は一例であり、他の手法、例えば、例えばランダムフォレスト、決定木、勾配ブースティング、サポートベクトル回帰、線形回帰、部分的最小二乗(Partial Least Squares:PLS)回帰、ガウス過程回帰、ニューラルネットワーク等を採用することも考えられる。また、ロジスティック回帰を用いる際にも、L1正規化法を用いることにより精度をより向上させてもよいし、L1正規化法に代えてL2正規化法を用いたロジスティック回帰(リッジ回帰)を採用してもよい。L1正規化法及びL2正規化法を両方採用したエラスティックネットを利用することもできる。
3.3 Machine Learning Method The model learning program 900Z according to this embodiment uses logistic regression as a machine learning method. However, logistic regression is one example, and other techniques such as random forests, decision trees, gradient boosting, support vector regression, linear regression, partial least squares (PLS) regression, Gaussian process regression, etc. It is also possible to adopt a neural network or the like. Also, when using logistic regression, accuracy may be further improved by using the L1 regularization method, or logistic regression using the L2 regularization method (ridge regression) may be used instead of the L1 regularization method. You may. It is also possible to use an elastic net that employs both the L1 normalization method and the L2 normalization method.
ロジスティック回帰は、入力を受けて、それがある事象に該当する確率(あるいは該当しない確率)を算出することにより、入力がある事象に該当するか否かを判定する手法である。ロジスティック回帰のモデルは、一例として、ロジット関数と呼ばれる下記式(1)のように説明される。式(1)において、左辺は自然対数である。また、iはi番目の対象者を、pは目的変数の事象が発生する確率を、b1、b2…bnは偏回帰係数を、b0は定数項を、x1、x2…xnは説明変数を、それぞれ示す。 Logistic regression is a method for determining whether an input corresponds to a certain event by receiving the input and calculating the probability that the input corresponds to the certain event (or the probability that the input does not correspond to the certain event). As an example, a logistic regression model is described as the following equation (1) called a logit function. In equation (1), the left side is the natural logarithm. In addition, i is the i-th subject, p is the probability that the objective variable event occurs, b 1 , b 2 ...b n is the partial regression coefficient, b 0 is the constant term, x 1 , x 2 ... x n indicates an explanatory variable, respectively.
式(1)の右辺をzとすると、式(1)は、確率pを表す式(2)に変形することができる。 If the right side of equation (1) is z, equation (1) can be transformed into equation (2) expressing probability p.
ここで、式(2)で求めたシグモイド関数を「φ(z)」と置き、その出力値に応じて2値のいずれかを示す出力yに分類する。式(3)は、φ(z)が0.5以上であれば1のクラスに分類し、0.5未満であれば0のクラスに分類することを意味する。なお、0.5は例であり、0.5以外の値を閾値としてもよい。換言すると、式(3)は、式(2)のzが0以上であれば1のクラスに分類し、式(2)のzが0未満であれば0のクラスに分類することを意味する。
次に、ロジスティック回帰において学習に利用される「尤度」を導入する。尤度は、結果から見たところの条件の尤もらしさを意味する。尤度を表す尤度関数Lは以下の式(4)により表される。なお、Pは確率値を表す。
尤度関数Lは、全ての事象について正しく判定する確率を示している。尤度を最大化する重みを求めることにより、予測したい事象の確率を、より正確に出力できる。具体的には、尤度関数Lに(-1)を乗じて尤度関数の政府を逆転させる。この正負が逆転した尤度関数が、ロジスティック回帰における誤差関数である。誤差関数が最小値となる重み、すなわち偏回帰係数b1、b2…bnを求めるため、誤差関数をb1、b2…bnのそれぞれについて偏微分氏、勾配降下法を適用する。これにより、ロジスティック回帰の学習が行われる。 The likelihood function L indicates the probability of correctly determining all events. By determining the weight that maximizes the likelihood, the probability of the event to be predicted can be output more accurately. Specifically, the likelihood function L is multiplied by (-1) to reverse the government of the likelihood function. This likelihood function whose sign is reversed is the error function in logistic regression. In order to obtain the weights at which the error function has a minimum value, that is, the partial regression coefficients b 1 , b 2 , . This performs logistic regression learning.
なお、尤度関数として、式(4)の自然対数を用いた対数尤度関数を利用してもよい。対数尤度関数に(-1)を乗じて正負を逆転させた関数を最小化していくことにより最適な重みを見出すことができる。 Note that a log likelihood function using the natural logarithm of equation (4) may be used as the likelihood function. The optimal weight can be found by multiplying the log likelihood function by (-1) and minimizing the function with the sign reversed.
上述のロジスティック回帰に関する演算アルゴリズムは周知であり、そのようなアルゴリズムにより機械学習を行うためのソフトウェアアプリケーションは容易に入手可能である。原理的には上述のとおりであるが、入手可能なソフトウェアを用いれば、数式を用いた具体的な解析手法の詳細を知らない者であっても、本実施形態に係るロジスティック回帰を利用した機械学習を実現することは可能である。 The calculation algorithm for the above-mentioned logistic regression is well known, and software applications for performing machine learning using such an algorithm are easily available. Although the principle is as described above, if available software is used, even a person who does not know the details of the specific analysis method using mathematical formulas can operate the machine using the logistic regression according to this embodiment. Learning is possible.
3.4 健康予測に用いる商品カテゴリーの決定方法
教師データ950Zに含まれる購買データ952Zにおける、各商品やサービスカテゴリーに関する購入金額、購入数量、購入回数などの数値データが、上述した式(1)の等における説明変数xに対応する。
3.4 Method for determining product categories used for health prediction Numerical data such as the purchase amount, purchase quantity, and number of purchases regarding each product and service category in the purchase data 952Z included in the teacher data 950Z is calculated using the above formula (1). It corresponds to the explanatory variable x in etc.
先述のとおり、本実施形態における教師データ950Zに含まれる健康データ954Zは、更年期症状や睡眠の乱れ等の各症状について、H層に分類されるか、L層に割り当てられるかを示す「H」や「L」(もしくは「H」「M」「L」)のラベルが各被験者に対して割り当てられる。上記式(3)において、H層である場合に「1」を出力し、H層以外の場合に「0」を出力するように分類させることで、尤度関数を求めることができる。説明変数xを構成する要素は、上述の購買データ952Zに限られるものではない。例えば、年齢層を示すデータや性別を示すデータを説明変数に含むことも考えられる。 As mentioned above, the health data 954Z included in the teacher data 950Z in this embodiment includes "H" indicating whether each symptom, such as menopausal symptoms or sleep disturbances, is classified into the H layer or the L layer. or "L" (or "H," "M," or "L") labels are assigned to each subject. In Equation (3) above, the likelihood function can be determined by classifying so that "1" is output when the layer is in the H layer, and "0" is output when the layer is other than the H layer. The elements constituting the explanatory variable x are not limited to the above-mentioned purchase data 952Z. For example, explanatory variables may include data indicating age groups and data indicating gender.
多数の被験者にかかる教師データ950Zを用いて機械学習をおこない、予測モデルを構築することにより、H層の顧客が購入することの多い商品群(カテゴリー)を判別することができる。 By performing machine learning using training data 950Z from a large number of subjects and constructing a predictive model, it is possible to determine product groups (categories) that are often purchased by H-tier customers.
図24は、更年期症状に関するH層及びH層以外の層の被験者の多くが選択した(購入することの多い)商品カテゴリーを示している。図24の上部には、H層の被験者の多くが選択した商品カテゴリー、下部にはH層以外の被験者も選択した商品カテゴリーが示されている。 FIG. 24 shows product categories selected (often purchased) by many test subjects in the H and non-H groups regarding menopausal symptoms. The upper part of FIG. 24 shows product categories selected by most subjects in the H group, and the lower part shows product categories selected by subjects other than the H group.
また、図25は、更年期症状に関するH層の被験者による購入品目から見出された更年期症状と、健康課題との関係を示している。図25最右欄の数値は、更年期症状を有する女性による選択のされやすさを示す程度(偏差値)を示している。この数値は、「お金をかけてでも対処したい事項症状別偏差値-女性の健康・美容ライフスタイル理解に関するリサーチプロジェクト報告書-行動観察調査結果」からの引用である。 Furthermore, FIG. 25 shows the relationship between menopausal symptoms and health issues found from items purchased by subjects in the H group regarding menopausal symptoms. The numerical values in the rightmost column of FIG. 25 indicate the degree (deviation value) indicating the ease of selection by women with menopausal symptoms. This figure is a quote from ``Symptom-specific deviation values for items that need to be addressed even if it means spending money - Research project report on understanding women's health and beauty lifestyles - Results of a behavioral observation survey.''
これらの結果から、更年期症状に関するH層の被験者は、特定の商品を積極的に選択(購入)していることがわかる。H層の被験者は、肌や体内の乾燥、不定愁訴に対応する商品を購入している。 From these results, it can be seen that subjects in the H group regarding menopausal symptoms actively select (purchase) specific products. Subjects in the H tier purchase products that address dry skin and internal complaints, as well as indeterminate complaints.
図26は、H層に属する更年期症状を有する女性向けの商品群(商品カテゴリー)の例を示している。このように、H層の被験者が、H層以外の層の被験者と比較して頻繁に購入する商品カテゴリーを決定することができるので、そのような商品の購入(数量、金額、回数)の多い被験者は、更年期症状におけるH層に属する可能性が高いと推定することができる。なお、同様に、H層に属さない被験者が、H層の被験者と比較して頻繁に購入する商品カテゴリーを決定することもできるので、そのような商品カテゴリーの購入の多い被験者は、更年期症状におけるH層に属さない可能性が高いと推定することができる。 FIG. 26 shows an example of a product group (product category) for women with menopausal symptoms who belong to the H group. In this way, it is possible to determine the product categories that subjects in the H group purchase more frequently compared to subjects in the non-H group. It can be estimated that the subject is likely to belong to the H group in terms of menopausal symptoms. Similarly, it is also possible to determine the product categories that subjects who do not belong to the H group purchase more frequently compared to subjects who are in the H group. It can be estimated that there is a high possibility that it does not belong to the H layer.
よって、本実施形態におけるモデル学習プログラム900Zは、購買データ952Zのうち、H層に属する、あるいはH層に属さないとの推定に貢献し得る商品カテゴリーのデータを用いて、予測モデル110Zを構築することで、精度よくH層に属する顧客を推定できるようにしている。 Therefore, the model learning program 900Z in this embodiment constructs a prediction model 110Z using data of product categories that can contribute to estimating that the product belongs to the H layer or does not belong to the H layer, out of the purchase data 952Z. This makes it possible to accurately estimate customers belonging to the H group.
3.5 モデル学習プログラム900Zの構成
以下、図23を参照しながら、モデル学習プログラム900Zの機能構成を説明する。図23は、モデル学習プログラム900Zの機能構成を示す図である。モデル学習プログラム900Zは、入力部910Z、商品カテゴリー決定部912Z、学習部914Z、及び出力部916Zを有する。なお、モデル学習プログラム900Zは、単一のプログラムとして実現されてもよいし、協働する複数のプログラムとして実現されてもよい。
3.5 Configuration of Model Learning Program 900Z The functional configuration of the model learning program 900Z will be described below with reference to FIG. 23. FIG. 23 is a diagram showing the functional configuration of the model learning program 900Z. The model learning program 900Z includes an input section 910Z, a product category determination section 912Z, a learning section 914Z, and an output section 916Z. Note that the model learning program 900Z may be realized as a single program, or may be realized as a plurality of programs working together.
入力部910Zは、教師データ950Zの入力を受ける。入力部910Zは、モデル学習プログラム900Zが実行される情報処理装置(コンピュータ)が内蔵するHDDやSSD等の記憶媒体から教師データ950Zを読み込んでもよいし、あるいは、LANやインターネットなどのネットワークを介して接続される外部の情報処理装置等から教師データ950Zの入力を受けてもよい。 Input unit 910Z receives input of teacher data 950Z. The input unit 910Z may read the teacher data 950Z from a storage medium such as an HDD or SSD built into the information processing device (computer) on which the model learning program 900Z is executed, or may read the teacher data 950Z via a network such as a LAN or the Internet. The teacher data 950Z may be input from a connected external information processing device or the like.
商品カテゴリー決定部912Zは、学習対象の予測モデル110Zの機械学習に用いる購買データ952Zの商品カテゴリーを選択する。商品カテゴリーの選択方法は、上記3.4に記載したため、ここでは詳細な説明を省略する。なお、複数の症状にそれぞれ対応する複数の予測モデル110Zを生成する場合、商品カテゴリー決定部912Zは、それぞれの予測モデル110Zに対して、異なる商品カテゴリーを選択することができる。 The product category determination unit 912Z selects the product category of the purchase data 952Z used for machine learning of the learning target prediction model 110Z. The product category selection method was described in 3.4 above, so detailed explanation will be omitted here. Note that when generating a plurality of predictive models 110Z that respectively correspond to a plurality of symptoms, the product category determination unit 912Z can select different product categories for each of the predictive models 110Z.
なお、先述のとおり、予測モデル110Zの機械学習の際に、商品カテゴリーを絞らずに購買データ952Z全体を用いて予測モデル110Zを作成することも考えられる。その場合には、商品カテゴリー決定部912Zは不要である。 Note that, as described above, during machine learning of the prediction model 110Z, it is also possible to create the prediction model 110Z using the entire purchase data 952Z without narrowing down the product category. In that case, the product category determining section 912Z is unnecessary.
学習部914Zは、商品カテゴリー決定部912Zで決定した商品カテゴリーの購買データ952Zを用いて機械学習を行い、予測モデル110Zを生成する。予測モデル110Zの生成方法については、上記3.3に記載したため、ここでは詳細な説明を省略する。 The learning unit 914Z performs machine learning using the purchase data 952Z of the product category determined by the product category determining unit 912Z to generate a prediction model 110Z. The method for generating the prediction model 110Z has been described in 3.3 above, so a detailed explanation will be omitted here.
出力部916Zは、学習部914Zが生成した予測モデル110Zを、内蔵する記憶媒体やネットワーク等を介して接続される他の情報処理装置(例えば、図22を参照しながら説明した情報処理装置800Z)等に出力する。なお、出力方法としては、予測モデル110Zを構成する関数そのものとして出力することも考えられるし、あるいは予測モデル110Zを構成する関数のパラメータとして出力することも考えられる。 The output unit 916Z outputs the prediction model 110Z generated by the learning unit 914Z to another information processing device (for example, the information processing device 800Z described with reference to FIG. 22) connected via a built-in storage medium or a network. etc. Note that, as an output method, it is possible to output the function itself that constitutes the prediction model 110Z, or to output it as a parameter of the function that constitutes the prediction model 110Z.
3.6 処理の流れ
以下、図27を参照しながら、モデル学習プログラム900Zの処理の流れを説明する。図27は、モデル学習プログラム900Zによって実行される、予測モデル110Z作成にかかる手順を示すフローチャートである。
3.6 Processing Flow The processing flow of the model learning program 900Z will be described below with reference to FIG. FIG. 27 is a flowchart showing the procedure for creating the predictive model 110Z, which is executed by the model learning program 900Z.
モデル学習プログラム900Zの入力部910Zは、学習に用いる多数の被験者にかかる教師データ950Zを取得する(S1301)。教師データ950Zには、被験者の購買履歴を示す購買データ952Zと、健康状態(症状の程度)を示す健康データ954Zとを含む。先述のとおり、購買データ952Zには、例えばJICFS分類(分類コード)及び商品カテゴリー、並びに、それらに対応する購入回数、購入金額、購入数量等の数値データを含むことができる。 The input unit 910Z of the model learning program 900Z acquires teacher data 950Z regarding a large number of subjects used for learning (S1301). The teacher data 950Z includes purchase data 952Z indicating the subject's purchase history and health data 954Z indicating the health condition (level of symptoms). As described above, the purchase data 952Z can include, for example, JICFS classification (classification code), product category, and corresponding numerical data such as the number of purchases, purchase amount, and purchase quantity.
次に、商品カテゴリー決定部912Zは予測モデル110Zの生成に用いるJICFS分類及び商品カテゴリーを決定する(S1303)。決定方法については上記3.4で説明したとおりであるが、健康データ954Zとして得られる健康状態の推定への影響の大きいJICFS分類及び商品カテゴリーを商品カテゴリー決定部912Zは選択すればよい。なお、商品カテゴリーを特に絞らずに購買データ952Z全体を使って予測モデル110Zを作成する際には、S1303の処理は不要である。 Next, the product category determination unit 912Z determines the JICFS classification and product category used to generate the prediction model 110Z (S1303). The determination method is as described in 3.4 above, but the product category determination unit 912Z may select the JICFS classification and product category that have a large influence on the estimation of the health condition obtained as the health data 954Z. Note that when the prediction model 110Z is created using the entire purchase data 952Z without particularly narrowing down the product category, the process of S1303 is not necessary.
学習部914Zは、購買データ952Zを説明変数とし、健康データ954Zを目的関数として、機械学習を行う(S1305)。機械学習の方法については、上記3.3に具体例を示して説明したため、ここでは説明を省略する。 The learning unit 914Z performs machine learning using the purchase data 952Z as an explanatory variable and the health data 954Z as an objective function (S1305). The machine learning method has been explained with a specific example in 3.3 above, so the explanation will be omitted here.
出力部916Zは、S1305において学習部914Zが生成した予測モデル110Zを、内蔵する記憶媒体や、ネットワークを介して接続される他の情報処理装置等へ出力する。なお、予測モデル110Zは、予測モデル110Zを構成する関数そのものとして出力しても、パラメータ等の形で出力してもよいことについては、前述のとおりである。 The output unit 916Z outputs the prediction model 110Z generated by the learning unit 914Z in S1305 to a built-in storage medium, another information processing device connected via a network, or the like. Note that, as described above, the prediction model 110Z may be output as a function itself configuring the prediction model 110Z, or may be output in the form of a parameter or the like.
3.7 ハードウェア構成
図28を参照しながら、モデル学習プログラム900Zが実行される情報処理装置1400Zのハードウェア構成の具体例を説明する。図28は、モデル学習プログラム900Zが実行される情報処理装置1400Zのハードウェア構成図である。情報処理装置1400Zは、モデル学習プログラム900Zを利用して、顧客の更年期症状や睡眠状態等に関する予測を行う予測モデル110Zを生成する。
3.7 Hardware Configuration A specific example of the hardware configuration of the information processing device 1400Z on which the model learning program 900Z is executed will be described with reference to FIG. FIG. 28 is a hardware configuration diagram of an information processing device 1400Z in which a model learning program 900Z is executed. The information processing device 1400Z uses the model learning program 900Z to generate a prediction model 110Z that makes predictions regarding the customer's menopausal symptoms, sleep state, and the like.
情報処理装置1400Zは、一般に入手可能なコンピュータシステムとして実現可能な点、健康予測システム1Zを運用する事業者の事業所に設置されてもクラウドサービスとして提供されてもよい点等については、上述の情報処理装置800Zと同様である。なお、本実施形態では、健康予測を行う情報処理装置800Zと、予測モデル110Zを生成する情報処理装置1400Zは別の装置である場合を中心に説明するが、両者は同一の装置として実現されてもよい。 The information processing device 1400Z can be implemented as a generally available computer system, and can be installed at the business office of the business operator operating the health prediction system 1Z or provided as a cloud service, as described above. This is similar to the information processing device 800Z. In this embodiment, the information processing device 800Z that performs health prediction and the information processing device 1400Z that generates the prediction model 110Z are mainly explained as different devices, but it is not possible to implement both as the same device. Good too.
情報処理装置1400Zは、制御部1410Zと、通信I/F部1420Zと、記憶装置1430Zとを備えている。 The information processing device 1400Z includes a control section 1410Z, a communication I/F section 1420Z, and a storage device 1430Z.
制御部1410Zは、CPU、ROM、RAM等を含み得る。制御部1410Zは、記憶装置1430Zに記憶されるモデル学習プログラム900Zを実行可能である。これにより、情報処理装置1400Zは、一般的なコンピュータとしての機能に加え、上述した予測モデル110Zの構築に係る各種処理を実行可能である。なお、制御部1410Zに含まれる演算回路はCPUでなくともよく、MPUやGPU等の種々のプロセッサで実現されてもよい。また、1つのプロセッサでなく、複数のプロセッサにより実現されてもよい。 The control unit 1410Z may include a CPU, ROM, RAM, etc. The control unit 1410Z can execute the model learning program 900Z stored in the storage device 1430Z. Thereby, the information processing device 1400Z is capable of performing various processes related to the construction of the above-mentioned prediction model 110Z in addition to the functions of a general computer. Note that the arithmetic circuit included in the control unit 1410Z does not need to be a CPU, and may be realized by various processors such as an MPU or a GPU. Moreover, it may be realized by a plurality of processors instead of one processor.
通信I/F部1420Zは、入力I/F部820Zは、例えばイーサネット(登録商標)の通信端子、USB(登録商標)端子、IEEE802.11、4G、又は5G等の規格に準拠して通信をおこなう通信回路により実現することができる。通信I/F部1420Zは、イントラネット、インターネットなどの通信ネットワークに接続可能であり、学習システム9を運用する事業者が用意した教師データ950Zを受信する。また、情報処理装置1400Zは、通信I/F部1420Zを介して他の機器と直接通信してもよく、アクセスポイント等を介して通信してもよい。 The communication I/F unit 1420Z has an input I/F unit 820Z that performs communication in accordance with standards such as an Ethernet (registered trademark) communication terminal, a USB (registered trademark) terminal, IEEE802.11, 4G, or 5G. This can be realized by the communication circuit that performs this. The communication I/F section 1420Z can be connected to a communication network such as an intranet or the Internet, and receives teacher data 950Z prepared by a business operator that operates the learning system 9. Further, the information processing device 1400Z may communicate directly with other devices via the communication I/F unit 1420Z, or may communicate via an access point or the like.
記憶装置1430Zは、情報処理装置1400Zを動作させるために必要なコンピュータプログラム及びデータを記憶する記憶媒体である。記憶装置1430Zは、例えばHDDやSSDであり得る。記憶装置1430Zは、例えばDRAMやSRAM等のRAMにより構成される一時的な記憶素子を備えてもよく、制御部1410Zの作業領域として機能してもよい。記憶装置1430Zは、モデル学習プログラム900Zや、モデル学習プログラム900Zが生成する予測モデル110Z(予測モデル110Zを定義するテーブル及び/又はパラメータ群を含む)を格納する。 The storage device 1430Z is a storage medium that stores computer programs and data necessary for operating the information processing device 1400Z. The storage device 1430Z may be, for example, an HDD or an SSD. The storage device 1430Z may include a temporary storage element constituted by a RAM such as DRAM or SRAM, and may function as a work area for the control unit 1410Z. The storage device 1430Z stores the model learning program 900Z and the predictive model 110Z generated by the model learning program 900Z (including a table and/or a parameter group that defines the predictive model 110Z).
4 本実施形態の効果
本実施形態にかかる健康予測システム1Zでは、統合健康予測プログラム100Zにおいて、顧客の購買データ150Zから、その顧客の複数の健康リスクを予測することが可能である。そして、個々の予測結果を踏まえて、顧客ごとにきめ細かく、現在又は将来の健康状態を改善し、及び/又は維持するための提案を行うことができる。
4 Effects of this Embodiment In the health prediction system 1Z according to this embodiment, it is possible to predict a plurality of health risks of a customer from the customer's purchase data 150Z in the integrated health prediction program 100Z. Based on the individual prediction results, detailed proposals for improving and/or maintaining the current or future health condition can be made for each customer.
5 付記
なお、上述の実施形態の構成は、組み合わせたり或いは一部の構成部分を入れ替えたりしてもよい。また、本発明の構成は上述の実施形態のみに限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変更を加えてもよい。
5 Additional Notes The configurations of the above-described embodiments may be combined or some of the constituent parts may be replaced. Further, the configuration of the present invention is not limited to the above-described embodiments, and various changes may be made without departing from the gist of the present invention.
例えば、上述の実施形態では、統合健康予測プログラム100Zは6種類の健康予測モデルを含むこととしたが、6種類を含むことは一例に過ぎない。2種類以上、6種類未満でもよいし、7種以上の健康予測を含むようにしてもよい。一般的に記載すると、統合健康予測プログラム100Zは、第1種~第N種(Nは2以上の整数)の各健康症状に関する予測モデル110Zを含み得る。そして、k番目の第k種(1≦k≦N)の健康症状に関する健康予測モデル110Zは、少なくとも1つの商品が属する商品カテゴリーに関する購買データ150Zを入力とし、第k種の健康症状の程度を出力とする予測モデルとして構築されればよい。この第k種(1≦k≦N)の健康症状に関する健康予測モデル110Zは、複数の被験者の各々の購買履歴に係る購買データ952Zを説明変数とし、それらの被験者の各々から収集された健康状態の程度を表す健康データ954Zを目的変数として機械学習することにより構築され得る。 For example, in the above embodiment, the integrated health prediction program 100Z includes six types of health prediction models, but the inclusion of six types is only an example. It may be 2 or more types and less than 6 types, or it may include 7 or more types of health predictions. Generally speaking, the integrated health prediction program 100Z may include prediction models 110Z for each of the first to Nth types (N is an integer of 2 or more) of health symptoms. The health prediction model 110Z regarding the k-th health symptom of the k-th type (1≦k≦N) inputs the purchase data 150Z regarding the product category to which at least one product belongs, and calculates the degree of the k-th type health symptom. It suffices if it is constructed as a predictive model to be output. This health prediction model 110Z regarding health symptoms of type k (1≦k≦N) uses purchase data 952Z related to the purchase history of each of a plurality of subjects as an explanatory variable, and uses the health status collected from each of those subjects as an explanatory variable. It can be constructed by machine learning using health data 954Z representing the degree of health as an objective variable.
また、健康症状の程度を数値によって表した際の、クラスを定義する数値範囲の上限及び下限の数値は一例であり、適宜変更し得る。定義されるクラスの数も当業者が任意に決定し得る。 Further, when the degree of health symptoms is expressed numerically, the upper and lower limits of the numerical range defining the class are merely examples, and may be changed as appropriate. The number of defined classes can also be arbitrarily determined by those skilled in the art.
本開示の利益を有する当業者により容易に理解されるように、上述した様々な例は、矛盾の生じさせない限りにおいて、相互に様々なパターンで適切に組み合わせて用いられ得る。 As will be readily understood by those skilled in the art who have the benefit of this disclosure, the various examples described above may be used in appropriate combinations with each other in various patterns, as long as no contradiction arises.
本明細書に開示された発明の原理が適用され得る多くの可能な実施形態を考慮すれば、例示された様々な実施形態は好ましい様々な例に過ぎず、特許請求の範囲に係る発明の技術的範囲をこれらの好ましい様々な例に限定すると考えるべきではない、と理解されたい。実際には、特許請求の範囲に係る発明の技術的範囲は、添付した特許請求の範囲により定められる。したがって、特許請求の範囲に記載された発明の技術的範囲に属するすべてについて、本発明者らの発明として、特許の付与を請求する。 Given the many possible embodiments to which the principles of the invention disclosed herein may be applied, the various illustrated embodiments are merely preferred examples, and the techniques of the claimed invention It should be understood that the scope should not be considered limited to these preferred examples. In fact, the scope of the claimed invention is defined by the appended claims. Therefore, we request that a patent be granted for all inventions that fall within the technical scope of the claimed inventions as inventions of the present inventors.
1 通信システム
2 通信網(通信回線)
10、10A、10B サーバ装置
20、20A、20B 端末装置
11、21 中央処理装置(CPU)
1 Communication system 2 Communication network (communication line)
10, 10A, 10B server device 20, 20A, 20B terminal device 11, 21 central processing unit (CPU)
Claims (16)
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの、運動の状態、生活習慣病に関連する状態又は身体活動の不足の状態を識別する対象状態データであって、該対象ユーザの体重を識別するデータ、該対象ユーザのBMI(Body Mass Index)を識別するデータ、該対象ユーザの歩数を識別するデータ、該対象ユーザの喫煙の有無を識別するデータ、及び、該対象ユーザのメタボリックシンドローム診断基準値を識別するデータ、のうちの少なくとも1つを含む対象状態データを、前記推定モデルから出力させる、
ように前記少なくとも1つのプロセッサを機能させる、ことを特徴とするコンピュータプログラム。 being executed by at least one processor;
Obtain target behavior data that identifies the history of actions performed by the target user,
By inputting the target behavior data into an estimation model generated by performing supervised learning, the target user's exercise status, lifestyle-related disease-related status, or lack of physical activity is identified. The target state data includes data identifying the target user's weight, data identifying the target user's BMI (Body Mass Index), data identifying the target user's step count, and data identifying whether the target user smokes. outputting target state data from the estimation model, including at least one of identifying data and data identifying the metabolic syndrome diagnostic reference value of the target user;
A computer program product, characterized in that it causes the at least one processor to function.
ように前記少なくとも1つのプロセッサを機能させる、請求項1に記載のコンピュータプログラム。 Each set of teacher data includes sample behavior data that identifies the history of actions performed by one sample user corresponding to the set, and the exercise status and lifestyle habits of one sample user corresponding to the set. obtaining the estimated model generated by inputting a plurality of sets of teacher data, including sample state data identifying a disease-related state or a state of lack of physical activity, into a learning model;
2. The computer program product of claim 1, causing the at least one processor to function as described above.
ように前記少なくとも1つのプロセッサを機能させる、請求項1に記載のコンピュータプログラム。 Each set of teacher data includes sample behavior data that identifies the history of actions performed by one sample user corresponding to the set, and the exercise status and lifestyle habits of one sample user corresponding to the set. sample state data that identifies a disease-related state or a state of lack of physical activity; connected through,
2. The computer program product of claim 1, causing the at least one processor to function as described above.
該複数組の教師データを学習モデルに入力して学習させることにより、前記推定モデルを生成する、
ように前記少なくとも1つのプロセッサを機能させる、請求項1に記載のコンピュータプログラム。 The training data for each set includes sample behavior data that identifies the history of actions performed by one sample user corresponding to the set, and the state of exercise and lifestyle of the one sample user corresponding to the set. obtaining a plurality of sets of training data, including sample condition data identifying a condition associated with illness or a condition of lack of physical activity;
Generating the estimated model by inputting the plurality of sets of teacher data to a learning model and causing it to learn;
2. The computer program product of claim 1, causing the at least one processor to function as described above.
ように前記少なくとも1つのプロセッサを機能させる、請求項1から請求項4のいずれかに記載のコンピュータプログラム。 determining at least one target product and/or at least one target service that corresponds to the target state data among the multiple products and/or multiple services;
5. A computer program according to any one of claims 1 to 4, which causes the at least one processor to function as follows.
ように前記少なくとも1つのプロセッサを機能させる、請求項5に記載のコンピュータプログラム。 identifying the at least one target product and/or the at least one target service from the another estimation model by inputting the target state data into another estimation model generated by performing supervised learning; Output the proposal data to
6. The computer program product of claim 5, causing the at least one processor to function as described above.
ように前記少なくとも1つのプロセッサを機能させる、請求項5に記載のコンピュータプログラム。 By inputting the target state data into a search table that associates the target state data with the plurality of products and/or the plurality of services, the at least one target product and/or the at least one service can be searched from the search table. obtain proposal data that identifies the target service;
6. The computer program product of claim 5, causing the at least one processor to function as described above.
該少なくとも1つのプロセッサが、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの、運動の状態、生活習慣病に関連する状態又は身体活動の不足の状態を識別する対象状態データであって、該対象ユーザの体重を識別するデータ、該対象ユーザのBMI(Body Mass Index)を識別するデータ、該対象ユーザの歩数を識別するデータ、該対象ユーザの喫煙の有無を識別するデータ、及び、該対象ユーザのメタボリックシンドローム診断基準値を識別するデータ、のうちの少なくとも1つを含む対象状態データを、前記推定モデルから出力させる、
ように構成される、ことを特徴とする情報処理装置。 comprising at least one processor;
the at least one processor,
Obtain target behavior data that identifies the history of actions performed by the target user,
By inputting the target behavior data into an estimation model generated by performing supervised learning, the target user's exercise status, lifestyle-related disease-related status, or lack of physical activity is identified. The target state data includes data identifying the target user's weight, data identifying the target user's BMI (Body Mass Index), data identifying the target user's step count, and data identifying whether the target user smokes. outputting target state data from the estimation model, including at least one of identifying data and data identifying the metabolic syndrome diagnostic reference value of the target user;
An information processing device configured as follows.
該少なくとも1つのプロセッサが、前記命令を実行することにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの、運動の状態、生活習慣病に関連する状態又は身体活動の不足の状態を識別する対象状態データであって、該対象ユーザの体重を識別するデータ、該対象ユーザのBMI(Body Mass Index)を識別するデータ、該対象ユーザの歩数を識別するデータ、該対象ユーザの喫煙の有無を識別するデータ、及び、該対象ユーザのメタボリックシンドローム診断基準値を識別するデータ、のうちの少なくとも1つを含む対象状態データを、前記推定モデルから出力させる段階と、
を含むことを特徴とする方法。 A method performed by at least one processor executing computer readable instructions, the method comprising:
The at least one processor executes the instructions, thereby
obtaining target behavior data identifying a history of actions performed by the target user;
By inputting the target behavior data into an estimation model generated by performing supervised learning, the target user's exercise status, lifestyle-related disease-related status, or lack of physical activity is identified. The target state data includes data identifying the target user's weight, data identifying the target user's BMI (Body Mass Index), data identifying the target user's step count, and data identifying whether the target user smokes. outputting target state data from the estimation model, including at least one of identifying data and data identifying the metabolic syndrome diagnostic reference value of the target user;
A method characterized by comprising:
該少なくとも1つのプロセッサが、前記命令を実行することにより、
各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの運動の状態、生活習慣病に関連する状態又は身体活動の不足の状態を識別するサンプル状態データと、を含む、複数組の教師データを取得する取得段階と、
該複数組の教師データを学習モデルに入力して学習させることにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの、運動の状態、生活習慣病に関連する状態又は身体活動の不足の状態を識別する対象状態データであって、該対象ユーザの体重を識別するデータ、該対象ユーザのBMI(Body Mass Index)を識別するデータ、該対象ユーザの歩数を識別するデータ、該対象ユーザの喫煙の有無を識別するデータ、及び、該対象ユーザのメタボリックシンドローム診断基準値を識別するデータ、のうちの少なくとも1つを含む対象状態データを、出力するように構成された推定モデル、
を生成する生成段階と、
を含むことを特徴とする方法。 A method performed by at least one processor executing computer readable instructions, the method comprising:
The at least one processor executes the instructions, thereby
The training data for each set includes sample behavior data that identifies the history of actions performed by one sample user corresponding to the set, and the exercise status and lifestyle-related diseases of one sample user corresponding to the set. and sample condition data identifying a condition associated with physical activity or a condition of physical inactivity;
By inputting the multiple sets of training data into the learning model and making it learn,
Input target action data that identifies the history of actions performed by the target user, and target state data that identifies the target user's exercise status, lifestyle-related disease-related condition, or lack of physical activity. data identifying the target user's weight, data identifying the target user's BMI (Body Mass Index), data identifying the target user's step count, data identifying whether the target user smokes, and an estimation model configured to output target state data including at least one of data identifying the metabolic syndrome diagnostic reference value of the target user;
a generation stage that generates
A method characterized by comprising:
をさらに含む、請求項14に記載の方法。 By inputting target behavior data that identifies the history of actions performed by the target user into the estimation model, the estimation model determines the exercise status, lifestyle-related disease-related condition, or lack of physical activity of the target user. an estimation stage that outputs target state data identifying the state of the
15. The method of claim 14, further comprising:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023061286A JP7523620B2 (en) | 2023-04-05 | Computer program, information processing device and method |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022169926A JP7259126B1 (en) | 2022-03-23 | 2022-10-24 | Computer program, information processing device and method |
JP2023061286A JP7523620B2 (en) | 2023-04-05 | Computer program, information processing device and method |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022169926A Division JP7259126B1 (en) | 2022-03-23 | 2022-10-24 | Computer program, information processing device and method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023143891A true JP2023143891A (en) | 2023-10-06 |
JP7523620B2 JP7523620B2 (en) | 2024-07-26 |
Family
ID=
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020129188A (en) * | 2019-02-07 | 2020-08-27 | 富士通株式会社 | Method for learning, learning program, and learning device |
JP2020201851A (en) * | 2019-06-13 | 2020-12-17 | Advanced Medical InfoTec株式会社 | Medical system |
WO2021044696A1 (en) * | 2019-09-06 | 2021-03-11 | Necソリューションイノベータ株式会社 | Device for estimating nutritional intake amount, health management assistance device, method for estimating nutritional intake amount, health management assistance method, program, and system for estimating nutritional intake amount |
JP6949277B1 (en) * | 2021-01-15 | 2021-10-13 | 三菱電機株式会社 | Pre-disease diagnosis device, pre-disease diagnosis method and learning model generation device |
JP2021182206A (en) * | 2020-05-18 | 2021-11-25 | 株式会社Splink | Computer program, server, and management support method |
JP2021185515A (en) * | 2014-01-17 | 2021-12-09 | 任天堂株式会社 | Information processing system, information processing server, information processing program, and information provision method |
JP2022042721A (en) * | 2020-09-03 | 2022-03-15 | 東急建設株式会社 | Dehydrated state management system and dehydrated state management method |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021185515A (en) * | 2014-01-17 | 2021-12-09 | 任天堂株式会社 | Information processing system, information processing server, information processing program, and information provision method |
JP2020129188A (en) * | 2019-02-07 | 2020-08-27 | 富士通株式会社 | Method for learning, learning program, and learning device |
JP2020201851A (en) * | 2019-06-13 | 2020-12-17 | Advanced Medical InfoTec株式会社 | Medical system |
WO2021044696A1 (en) * | 2019-09-06 | 2021-03-11 | Necソリューションイノベータ株式会社 | Device for estimating nutritional intake amount, health management assistance device, method for estimating nutritional intake amount, health management assistance method, program, and system for estimating nutritional intake amount |
JP2021182206A (en) * | 2020-05-18 | 2021-11-25 | 株式会社Splink | Computer program, server, and management support method |
JP2022042721A (en) * | 2020-09-03 | 2022-03-15 | 東急建設株式会社 | Dehydrated state management system and dehydrated state management method |
JP6949277B1 (en) * | 2021-01-15 | 2021-10-13 | 三菱電機株式会社 | Pre-disease diagnosis device, pre-disease diagnosis method and learning model generation device |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ong et al. | Path analysis of atmospherics and convenience on flow: the mediation effects of brand affect and brand trust | |
JP2022086788A (en) | Estimation system and estimation method | |
US20220129734A1 (en) | Forecasting device, method, and program | |
Tarokh et al. | Modeling patient's value using a stochastic approach: An empirical study in the medical industry | |
Koklić | Effect of specialty store environment on consumer’s emotional states: The moderating role of price consciousness | |
Adhikari | A Methodological review of demand analysis: An example of health care services | |
JP2003242248A (en) | Doctor's question determination method and doctor's question determination system | |
JP2011128922A (en) | Beauty support system and beauty support method | |
WO2023182162A1 (en) | Computer program, and information processing device and method | |
JP7048796B1 (en) | How to understand the health condition of consumers, how to support the maintenance and promotion of health of consumers with a health prediction model, and how to provide information | |
JP2023143891A (en) | Computer program, information processing device and method | |
JP2023143646A (en) | Computer program, information processing device and method | |
JP7220822B1 (en) | Program, information processing device, and information processing method | |
JP7523620B2 (en) | Computer program, information processing device and method | |
JP2023140853A (en) | Computer program, information processing device and method | |
JP6862026B1 (en) | Analytical programs, analytical methods and analytical equipment | |
Nguyen-Viet et al. | Vietnamese consumer's perspective on green beauty care products: Exploring the impact of animal welfare concerns and skepticism toward green advertising | |
Kannan et al. | Leveraging business data analytics and machine learning techniques for competitive advantage: case study evidence from small businesses | |
Asadi et al. | Antecedents of Consumers' Intention to Adopt Wearable Healthcare Devices. | |
Noor et al. | Predicting obesity from grocery data: A conceptual process framework | |
Muthiya et al. | Self-monitoring and Trust as Essential Factors on Impulsive Purchase of Hand Sanitizer Products in Indonesian COVID-19 Situation. | |
CN113990506B (en) | Health state evaluation method, device, storage medium and computer system | |
JP7260939B1 (en) | Program, information processing device, and method | |
JP7473261B1 (en) | Advertisement distribution system and method for responding to changes in women's particular tastes | |
Sudirjo et al. | The Influence of Influencer Collaboration, Augmented Reality Marketing, and Personalized Recommendations on Consumer Purchasing Decisions in the Beauty Industry in Indonesia |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230405 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230407 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230530 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230724 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230927 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231226 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240215 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240422 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240618 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240716 |