JP6131201B2 - Habit level calculation device, behavior prediction device, method, and program - Google Patents

Habit level calculation device, behavior prediction device, method, and program Download PDF

Info

Publication number
JP6131201B2
JP6131201B2 JP2014025648A JP2014025648A JP6131201B2 JP 6131201 B2 JP6131201 B2 JP 6131201B2 JP 2014025648 A JP2014025648 A JP 2014025648A JP 2014025648 A JP2014025648 A JP 2014025648A JP 6131201 B2 JP6131201 B2 JP 6131201B2
Authority
JP
Japan
Prior art keywords
habit
probability
day
user
visited
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.)
Active
Application number
JP2014025648A
Other languages
Japanese (ja)
Other versions
JP2015153088A (en
Inventor
亜紀 林
亜紀 林
達史 松林
達史 松林
澤田　宏
宏 澤田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2014025648A priority Critical patent/JP6131201B2/en
Publication of JP2015153088A publication Critical patent/JP2015153088A/en
Application granted granted Critical
Publication of JP6131201B2 publication Critical patent/JP6131201B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、習慣度算出装置、行動予測装置、方法、及びプログラムに関する。   The present invention relates to a habit level calculation device, a behavior prediction device, a method, and a program.

近年、モバイル端末の普及とソーシャルメディアの発展により、位置情報の取得・蓄積が容易になり、位置情報ログを活用した様々なサービスが提供されている。現在地情報の活用だけでなく、蓄積されたログの解析から、よりユーザのニーズにマッチした情報を配信する取り組みも行われており、ユーザの履歴頻度を利用した情報配信が行われている。   In recent years, with the spread of mobile terminals and the development of social media, location information can be easily acquired and stored, and various services using location information logs are provided. In addition to the use of current location information, efforts are being made to distribute information that more closely matches user needs by analyzing accumulated logs, and information distribution using the frequency of user history is being carried out.

しかしながら、現在地や居住地、本人履歴を利用した情報配信には、配信内容・タイミングの決定において以下に述べる未解決の課題があると考えられる。   However, it is considered that information distribution using the current location, residence, and identity history has the following unresolved issues in determining the content and timing of distribution.

情報配信におけるニーズには、
（１）確実性：ユーザの行動傾向に沿った確度の高い情報
（２）意外性：ユーザが従来では知りえなかった情報
の２側面が存在すると考えられる。しかし、表１に示すようにどちらを重視して考慮するべきかは、時と場合に応じて異なるため、好ましい考慮比率を定めることは困難であるという課題がある。 Information delivery needs include:
(1) Certainty: Information with high accuracy according to user's behavior tendency (2) Unexpectedness: It is considered that there are two aspects of information that the user could not know conventionally. However, as shown in Table 1, there is a problem that it is difficult to determine a preferable consideration ratio because it is important to consider which one should be considered depending on the time and the case.

例えば、飲食店情報の配信において、会社出勤日の昼食時など日常時にはよく行く店舗の割引クーポンの配布が好まれるが、同じ日常時でも休日の昼食には普段より高級な店の情報が好まれる可能性がある。一方、出張時にはご当地料理を出す店舗や、普段からユーザが好んで食べているラーメンを現地で食べられる店舗が望まれるかも知れない。   For example, in the distribution of restaurant information, it is preferred to distribute discount coupons for stores that go frequently during lunchtime on company work days, etc., but even at the same time of day, information on higher-grade stores is preferred for holiday lunches. there is a possibility. On the other hand, there may be a desire for a store that serves local dishes during a business trip, or a store that allows users to eat ramen that the user normally likes.

このように確実性と新規性・意外性の双方を適切に考慮する比率は状況に応じて異なる。既存サービスでは、履歴にある店が近隣にあればその店の情報を、出張時などには、現在地近くでよく行かれる店舗の情報配信を行うことが多い。そのため、日常的に訪れる場所における未訪問店舗の推薦機会を逃す例や、遠方への出張時にご当地料理店よりも現地で一般的によく行かれる社員食堂が提示されてしまう例もある。情報配信では内容とタイミングが重要であり、ユーザの納得感に加え、店舗側の新規顧客開拓というニーズを考えた際に、いつどのユーザにどの店舗の情報を提示すれば快く来店してもらえるかという課題の解決が望まれる。   In this way, the ratio that appropriately considers both certainty and novelty / unexpectedness varies depending on the situation. In existing services, if there is a store in the history in the vicinity, information on that store is often distributed, and information on stores that are often used near the current location is distributed during business trips. For this reason, there are cases where a recommendation opportunity of an unvisited store in a place visited on a daily basis is missed, and an employee cafeteria that is generally visited more often than a local restaurant is presented during a business trip to a distant place. Content and timing are important for information distribution. When considering the needs of new customer development on the store side in addition to the user's satisfaction, when and which user can provide information on which store can be easily visited It is desirable to solve the problem.

情報配信タイミングの向上を目指すためには、時間を考慮した習慣度の算出が必要となる。時間を考慮した習慣を抽出する従来技術として、Ｇａｏら（例えば、非特許文献１を参照）は各場所の曜日・時間帯別の訪問頻度変遷を、ガウス分布を用いて表現した習慣を掛け合わせて利用する手法を提案した。   In order to improve the information distribution timing, it is necessary to calculate the degree of habit taking time into account. As a conventional technique for extracting habits considering time, Gao et al. (See Non-Patent Document 1, for example) multiplies habits expressed using Gaussian distributions of visit frequency changes by day of the week and time of each place. We proposed a method to use.

また、ユーザの状況とニーズを把握するために、各行動が習慣に沿っているかどうかを示す習慣度を検出することが有効であると考えられる。各行動がユーザの習慣に沿っているかどうかを検出する既存技術として、ログから自宅や勤務場所など訪問頻度の高い場所から遠いほど非習慣であるとするもの（例えば、非特許文献２，３，４を参照）が知られている。また、移動距離が定常時の２倍以上であれば非習慣とするもの（例えば、非特許文献５を参照）、移動時間の長短で判別するもの（例えば、非特許文献６を参照）が知られている。   Moreover, in order to grasp | ascertain a user's condition and needs, it is thought that it is effective to detect the habit level which shows whether each action is along a habit. As an existing technique for detecting whether each action is in line with the user's habits, it is assumed that the more distant from a place where the frequency of visit is high, such as home or work place, from the log (for example, non-patent documents 2, 3, 4) is known. Also, if the moving distance is more than twice as long as the stationary distance, a non-habitable one (for example, see Non-Patent Document 5) and a one that makes a determination based on the length of moving time (for example, see Non-Patent Document 6) are known. It has been.

また、単位時間内の訪問場所の多様性から旅行者を検出する手法（例えば、非特許文献７を参照）も提案されている。   In addition, a method for detecting a traveler from the variety of places visited within a unit time (for example, see Non-Patent Document 7) has been proposed.

H.Gao，J.Tang，and H.Liu，“Mobile location prediction in spatio-temporal context.”，In Nokia Mobile Data Challenge 2012 Workshop. p. Dedicated task, volume, 2012．H. Gao, J. Tang, and H. Liu, “Mobile location prediction in spatio-temporal context.”, In Nokia Mobile Data Challenge 2012 Workshop. P. Dedicated task, volume, 2012. E.Cho，S.A. Myers，and J.Leskovec，“Friendship and mobility: user movement in location-based social networks.”，In Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining，p．1082-1090，ACM，2011.E. Cho, S. A. Myers, and J. Leskovec, “Friendship and mobility: user movement in location-based social networks.”, In Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining, p. 1082-1090, ACM, 2011. T.Kurashima，T.Iwata，T.Hoshide，N.Takaya，and K.Fujimura. “Geo topicmodel: joint modeling of user's activity area and interests for location recommendation.”，In Proceedings of the sixth ACM international conference on Web search and data mining，p．375-384，ACM，2013.T.Kurashima, T.Iwata, T.Hoshide, N.Takaya, and K.Fujimura. “Geo topicmodel: joint modeling of user's activity area and interests for location recommendation.”, In Proceedings of the sixth ACM international conference on Web search and data mining, p. 375-384, ACM, 2013. B.Shaw，J.Shea，S.Sinha，and A.Hogue，“Learning to rank for spatiotemporal search.”，In Proceedings of the sixth ACM international conference on Web search and data mining，p．717-726. ACM，2013.B. Shaw, J. Shea, S. Sinha, and A. Hogue, “Learning to rank for spatiotemporal search.”, In Proceedings of the sixth ACM international conference on Web search and data mining, p. 717-726. ACM, 2013. E.Davami and G.Sukthankar，“Online learning of user-specic destination prediction models.”，HUMAN JOURNAL，1(3):p．144-151，2012.E. Davami and G. Sukthankar, “Online learning of user-specic destination prediction models.”, HUMAN JOURNAL, 1 (3): p. 144-151, 2012. A.Monreale，F.Pinelli，R.Trasarti，and F.Giannotti.“Wherenext: a location predictor on trajectory pattern mining.”，In Proceedings of the 15th ACMSIGKDD international conference on Knowledge discovery and data mining，p．637-646. ACM，2009.A.Monreale, F.Pinelli, R.Trasarti, and F.Giannotti. “Wherenext: a location predictor on trajectory pattern mining.”, In Proceedings of the 15th ACMSIGKDD international conference on Knowledge discovery and data mining, p. 637-646. ACM, 2009. K.W.-T. Leung，D.L. Lee，and W.-C. Lee. “CLR: a collaborative location recommendation framework based on co-clustering.”，In Proceedings of SIGIR，p．305-314，2011.K.W.-T. Leung, D.L. Lee, and W.-C. Lee. “CLR: a collaborative location recommendation framework based on co-clustering.”, In Proceedings of SIGIR, p. 305-314, 2011.

しかし、上記非特許文献１に記載の技術では、曜日・時間帯をそれぞれ独立と考えており、月曜の８時、などの曜日時間帯の両方を同時に考慮することはできなかった。   However, in the technique described in Non-Patent Document 1, the day of the week and the time zone are considered to be independent, and it has not been possible to consider both the day of the week time zone such as 8:00 on Monday.

また、上記非特許文献１〜７に記載の技術では、例えば会社の最寄駅に普段と異なる時間に行った、などの中間的な習慣度を含めた連続的な習慣度指標は定義されていない。   In addition, in the techniques described in Non-Patent Documents 1 to 7, a continuous habit level index including an intermediate habit level such as going to the nearest station of the company at a different time is defined. Absent.

本発明は、上記問題を解決するためになされたもので、曜日及び時間帯の組み合わせを考慮して、ユーザが訪問場所へ訪問する習慣度を精度よく算出することができる習慣度算出装置、方法、及びプログラムを提供することを目的とする。
また、ユーザの行動を精度よく予測することができる行動予測装置、方法、及びプログラムを提供することを目的とする。 The present invention has been made to solve the above problem, and a habit level calculation device and method capable of accurately calculating the habit level of a user visiting a place to visit in consideration of a combination of day of the week and time zone. And to provide a program.
It is another object of the present invention to provide a behavior prediction apparatus, method, and program capable of accurately predicting user behavior.

上記目的を達成するために、本発明の習慣度算出装置は、ユーザが訪問した訪問場所、曜日、及び時間帯の組み合わせを表す訪問行動ログデータに基づいて、前記訪問場所、曜日、及び時間帯の組み合わせの各々について、前記曜日及び前記時間帯の組み合わせにおける、前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す確率を算出する習慣算出手段と、入力された算出対象の訪問場所、曜日、及び時間帯の組み合わせと、前記習慣算出手段によって前記訪問場所、曜日、及び時間帯の組み合わせの各々について算出された前記確率とに基づいて、前記ユーザが算出対象の曜日及び時間帯において前記訪問場所を訪問する習慣度を算出する習慣度算出手段と、を含んで構成されている。   In order to achieve the above-mentioned object, the habit-degree calculating device according to the present invention is based on visit behavior log data representing a combination of a visit location, a day of the week, and a time zone visited by a user, and the visit location, day of the week, and time zone. For each of the combinations, custom calculation means for calculating a probability representing the periodic habituation that the user visits the visited place in the combination of the day of the week and the time zone, and the inputted visited place to be calculated; Based on the combination of the day of the week and the time zone and the probability calculated for each of the combination of the visited place, the day of the week, and the time zone by the habit calculating unit, the user calculates the day of the week and the time zone to be calculated. Custom degree calculation means for calculating a custom degree for visiting a visit place.

また、本発明の習慣度算出方法は、習慣算出手段、及び習慣度算出手段を含む習慣度算出装置における習慣度算出方法であって、前記習慣算出手段が、ユーザが訪問した訪問場所、曜日、及び時間帯の組み合わせを表す訪問行動ログデータに基づいて、前記訪問場所、曜日、及び時間帯の組み合わせの各々について、前記曜日及び前記時間帯の組み合わせにおける、前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す確率を算出するステップと、前記習慣度算出手段が、入力された算出対象の訪問場所、曜日、及び時間帯の組み合わせと、前記習慣算出手段によって前記訪問場所、曜日、及び時間帯の組み合わせの各々について算出された前記確率とに基づいて、前記ユーザが算出対象の曜日及び時間帯において前記訪問場所を訪問する習慣度を算出するステップと、を含んで構成されている。   Further, the habit degree calculation method of the present invention is a habit degree calculation method in a habit degree calculation device including a habit calculation means and a habit degree calculation means, wherein the habit calculation means includes a visit place visited by a user, a day of the week, And a period in which the user visits the visited place in the combination of the day of the week and the time period for each of the combination of the visited place, day of the week, and time period based on the visit behavior log data representing the combination of the time period and A step of calculating a probability representing a habitual habit, and the degree of habit calculating means is a combination of an input calculation target visit place, day of the week, and a time zone, and the visit place, day of the week, and Based on the probability calculated for each combination of time zones, the user visits the visited place on the day of the week and the time zone to be calculated It is configured to include a step of calculating a that habits of the.

本発明の習慣度算出装置及び習慣度算出方法の前記習慣算出手段は、前記訪問行動ログデータに基づいて、前記訪問場所、曜日、及び時間帯の組み合わせの各々について、前記曜日及び前記時間帯の組み合わせにおける、前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す第１の確率を算出し、前記訪問場所及び曜日の組み合わせの各々について、前記曜日における前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す第２の確率を算出し、前記訪問場所及び時間帯の組み合わせの各々について、前記時間帯における前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す第３の確率を算出し、前記訪問場所の各々について、曜日及び時間帯を考慮せずに、前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す第４の確率を算出し、前記習慣度算出手段は、入力された前記算出対象の訪問場所、曜日、及び時間帯の組み合わせと、前記習慣算出手段によって算出された前記第１の確率、前記第２の確率、前記第３の確率、及び前記第４の確率とに基づいて、前記ユーザが算出対象の曜日及び時間帯において前記訪問場所を訪問する習慣度を算出するようにすることができる。   The habit calculating means of the habit level calculating device and habit level calculating method of the present invention, based on the visit behavior log data, for each combination of the visited place, day of the week, and time of the day of the week and the time of the day Calculating a first probability representing a periodic habit of the user visiting the visited location in a combination, and for each combination of visited location and day of the week, the user visits the visited location on the day of the week Calculating a second probability representing periodic habituality, and, for each combination of the visited place and the time zone, a third probability representing a periodic habit of the user visiting the visited place in the time zone A probability is calculated, and for each of the visited places, a fourth habit of representing the periodic habituation that the user visits the visited place without considering the day of the week and the time zone. A probability is calculated, and the habit degree calculating means is configured to input the combination of the visited place, day of the week, and time of the calculation target, and the first probability and the second probability calculated by the habit calculating means. Based on the third probability and the fourth probability, it is possible to calculate the degree of habit that the user visits the visited place on the calculation day of the week and time zone.

また、本発明の行動予測装置は、ユーザが訪問した訪問場所、曜日、及び時間帯の組み合わせを表す訪問行動ログデータに基づいて、前記訪問場所、曜日、及び時間帯の組み合わせの各々について、前記曜日及び前記時間帯の組み合わせにおける、前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す確率を算出する習慣算出手段と、前記訪問場所の各々に対し、前記ユーザの行動予測対象として入力された曜日及び時間帯と前記訪問場所との組み合わせについて前記習慣算出手段によって算出された前記確率に基づいて、前記ユーザが前記訪問場所を訪問することが予測される確率を表す訪問確率を算出する行動予測手段と、を含んで構成されている。   Further, the behavior prediction apparatus of the present invention is based on the visit behavior log data representing a combination of a visit location, a day of the week, and a time zone visited by the user, for each of the combination of the visit location, the day of the week, and the time zone. Habit calculation means for calculating a probability representing a periodic habit of the user visiting the visited place in a combination of a day of the week and the time zone, and input as an action prediction target of the user for each of the visited places Based on the probability calculated by the habit calculating means for the combination of the selected day of the week and time zone and the visited place, a visit probability representing the probability that the user is expected to visit the visited place is calculated. Action predicting means.

本発明の行動予測装置の前記習慣算出手段は、前記ユーザの前記訪問行動ログデータに基づいて、前記訪問場所のペアの各々について、前記ユーザが前記ペアの一方の訪問場所から他方の訪問場所へ遷移する習慣性を表す第１遷移確率を更に算出し、複数のユーザの前記訪問行動ログデータに基づいて、前記訪問場所のペアの各々について、前記複数のユーザが前記ペアの一方の訪問場所から他方の訪問場所へ遷移する習慣性を表す第２遷移確率を更に算出し、前記行動予測手段は、前記訪問場所の各々に対し、前記ユーザの行動予測対象として入力された曜日及び時間帯と前記訪問場所との組み合わせについて前記習慣算出手段によって算出された前記確率と、前記ユーザの直前の訪問場所から前記訪問場所へ遷移する前記第１遷移確率又は前記第２遷移確率とに基づいて、前記訪問確率を算出するようにすることができる。   The habit calculating means of the behavior predicting apparatus of the present invention is configured so that the user moves from one visited place of the pair to the other visited place for each of the visited place pairs based on the visit behavior log data of the user. A first transition probability representing a habit of transition is further calculated, and for each of the visited place pairs, the plurality of users are determined from one visited place of the pair based on the visit behavior log data of the plurality of users. Further calculating a second transition probability representing the habit of transition to the other visited place, the behavior predicting means, for each of the visited places, the day of the week and the time zone input as the user's behavior predicted object, and the The probability calculated by the habit calculating means for the combination with the visited place, and the first transition probability or the first transition probability for transition from the visited place immediately before the user to the visited place. On the basis of the second transition probability, it can be made to calculate the visit probability.

本発明のプログラムは、コンピュータに、本発明の習慣度算出装置、あるいは本発明の行動予測装置の各手段として機能させるためのプログラムである。   The program of the present invention is a program for causing a computer to function as each means of the habit level calculation device of the present invention or the behavior prediction device of the present invention.

以上説明したように、本発明の習慣度算出装置、方法、プログラムによれば、ユーザの訪問行動ログデータに基づいて、訪問場所、曜日、及び時間帯の組み合わせの各々について、曜日及び時間帯の組み合わせにおける、ユーザが訪問場所へ訪問する周期的な習慣性を表す確率を算出し、入力された訪問場所、曜日、及び時間帯の組み合わせと、算出された当該確率とに基づいて、ユーザが対象の曜日及び時間帯において当該訪問場所を訪問する習慣度を算出することにより、曜日及び時間帯の組み合わせを考慮して、ユーザが訪問場所へ訪問する習慣度を精度よく算出することができる、という効果が得られる。   As described above, according to the habit level calculation device, method, and program of the present invention, based on the visit behavior log data of the user, for each combination of visited place, day of the week, and time of day, Probability that represents the periodic habit of the user visiting the visited place in the combination is calculated, and the user is targeted based on the input combination of the visited place, day of the week, and time zone, and the calculated probability. By calculating the degree of habit of visiting the place of visit on the day of the week and the time of day, it is possible to accurately calculate the degree of habit of the user visiting the place of visit in consideration of the combination of day of the week and time An effect is obtained.

本発明の行動予測装置、方法、プログラムによれば、ユーザの訪問行動ログデータに基づいて、訪問場所、曜日、及び時間帯の組み合わせの各々について、曜日及び時間帯の組み合わせにおける、ユーザが当該訪問場所へ訪問する周期的な習慣性を表す確率を算出し、訪問場所の各々に対し、ユーザの行動予測対象として入力された曜日及び時間帯と当該訪問場所との組み合わせについて算出された当該確率とに基づいて、ユーザが当該訪問場所を訪問することが予測される確率を表す訪問確率を算出することにより、ユーザの行動を精度よく予測することができる、という効果が得られる。   According to the behavior predicting apparatus, method, and program of the present invention, the user visits the combination of the day of the week and the time zone for each combination of the place of visit, the day of the week, and the time zone based on the visit behavior log data of the user. Probability representing the periodic habit of visiting a place is calculated, and for each visited place, the probability calculated for a combination of the visited place and the day of the week and the time zone input as the user's behavior prediction targets Based on the above, by calculating a visit probability representing a probability that the user is expected to visit the visit place, an effect that the user's behavior can be accurately predicted can be obtained.

本発明の第１の実施の形態の習慣度算出装置の機能的構成を示すブロック図である。It is a block diagram which shows the functional structure of the customs degree calculation apparatus of the 1st Embodiment of this invention. チェックインログデータの一例を示す図である。It is a figure which shows an example of check-in log data. 習慣（確率分布）抽出の一例を示す図である。It is a figure which shows an example of a habit (probability distribution) extraction. 習慣度算出の一例を示す図である。It is a figure which shows an example of a custom degree calculation. 習慣度を説明するための説明図である。It is explanatory drawing for demonstrating a custom degree. 本発明の第１の実施の形態の習慣度算出装置における習慣抽出処理ルーチンの内容を示すフローチャートである。It is a flowchart which shows the content of the habit extraction process routine in the habit level calculation apparatus of the 1st Embodiment of this invention. 本発明の第１の実施の形態の習慣度算出装置における習慣度算出処理ルーチンの内容を示すフローチャートである。It is a flowchart which shows the content of the customs degree calculation process routine in the customs degree calculation apparatus of the 1st Embodiment of this invention. 本発明の第２の実施の形態の行動予測装置の機能的構成を示すブロック図である。It is a block diagram which shows the functional structure of the action prediction apparatus of the 2nd Embodiment of this invention. 本発明の第２の実施の形態の行動予測装置における習慣抽出処理ルーチンの内容を示すフローチャートである。It is a flowchart which shows the content of the habit extraction process routine in the action prediction apparatus of the 2nd Embodiment of this invention. 本発明の第２の実施の形態の行動予測装置における行動予測処理ルーチンの内容を示すフローチャートである。It is a flowchart which shows the content of the action prediction process routine in the action prediction apparatus of the 2nd Embodiment of this invention. 本発明の第１の実施の形態の習慣度算出装置の検証結果の一例を示す図である。It is a figure which shows an example of the verification result of the customs degree calculation apparatus of the 1st Embodiment of this invention. 本発明の第１の実施の形態の習慣度算出装置の検証結果の他の例を示す図である。It is a figure which shows the other example of the verification result of the customs degree calculation apparatus of the 1st Embodiment of this invention. 本発明の第１の実施の形態の習慣度算出装置の検証結果の他の例を示す図である。It is a figure which shows the other example of the verification result of the customs degree calculation apparatus of the 1st Embodiment of this invention. 本発明の第１の実施の形態の習慣度算出装置の検証結果の他の例を示す図である。It is a figure which shows the other example of the verification result of the customs degree calculation apparatus of the 1st Embodiment of this invention.

以下、図面を参照して本発明の実施の形態を詳細に説明する。   Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.

＜本発明の実施の形態の概要＞
情報配信において、利用者と情報提供者の双方のニーズに合った配信内容・タイミングの決定が課題となっている。本発明の実施の形態では各行動が本人の習慣に沿っているかを示す「習慣度」を、行動が起きる曜日・時間帯を考慮して従来よりも詳細に定義することにより、柔軟なニーズの把握を試みる。 <Outline of Embodiment of the Present Invention>
In information distribution, determination of distribution contents and timing that meet the needs of both users and information providers is an issue. In the embodiment of the present invention, by defining the “habituation level” indicating whether each action is in line with the person's habits in more detail than in the past in consideration of the day of the week / time period when the action occurs, it is possible to meet flexible needs. Try to grasp.

具体的には、本発明の実施の形態は、情報配信ニーズの２側面を好ましく考慮する比率とその考慮内容を決定するために、確実性の高い情報が好まれるタイミングと、意外性の高い情報が好まれ、新規顧客開拓が狙えるタイミングを見極める。これにより、ユーザと情報提供者双方との満足度を向上させる行動予測技術の創出を目指す。   Specifically, according to the embodiment of the present invention, in order to determine a ratio that preferably considers two aspects of information distribution needs and the contents to be considered, the timing at which highly reliable information is preferred and the information that is highly unexpected The timing when new customers are aimed at is determined. This aims to create a behavior prediction technology that improves the satisfaction of both users and information providers.

本実施の形態では、タイミング決定・配信内容決定の両方で、各ユーザが持つ「習慣」に着目する。「習慣」とは、例えば「Ａさんは平日の朝は品川駅付近の会社にいることが多い」など、ユーザ情報・時間情報・位置情報の３つを含む情報である。習慣を抽出した上で、今ユーザは習慣に沿った行動をしているのか、非習慣的な行動をしているのかを表す「習慣度」という指標を新しく定義し、算出する。習慣度算出の結果、習慣度が高い場合には、本人習慣を考慮して確実性の高い情報を重点的に提示し、習慣度が低い場合には、他人の習慣を活用して本人にとっては意外性・新規性の高い情報を重点的に提示する、などの活用が考えられる。   In the present embodiment, attention is paid to the “custom” that each user has in both the timing determination and the distribution content determination. The “custom” is information including three pieces of user information, time information, and position information such as “Mr. A is often in a company near Shinagawa Station on weekday mornings”. After extracting the habits, the user newly defines and calculates an index of “degree of habit” indicating whether the user is currently performing in accordance with habits or performing non-habitual behaviors. If the degree of habit is calculated, if the degree of habit is high, consider the person's habits and focus on highly reliable information. If the degree of habit is low, use the habits of others to It can be used to focus on information that is highly unexpected or novel.

ここで、意外性と新規性を二者択一的に考慮するのではなく、習慣度に応じて適切な比率で両方を考慮する。例えば（１）出勤日の昼食時に従来通り会社近くの飲食店街を訪問している習慣状態において、確実性を重視した本人履歴だけでなく、同じ飲食店街に習慣的に訪れる他人の履歴を考慮して意外性を出すことが考えられる。   Here, we do not consider unexpectedness and novelty, but consider both at an appropriate ratio depending on the degree of habit. For example, (1) In the customary state of visiting a restaurant street near the company as usual at lunch on the working day, not only the history of the person who places importance on certainty but also the history of others who regularly visit the same restaurant street It may be possible to bring out unexpectedness.

また、（２）平日に出張で東京から大阪に出張している非習慣状態において、非習慣的にその場所に来た他人がよく行くご当地料理店を提示して意外性を出すことが考えられる。この時、一部のチェックインサービスで得られる施設情報を活用して、ラーメンが好きであるなど、本人の嗜好を反映した確実性の高い情報も合わせて提示することも有効な可能性がある。   In addition, (2) In a non-customary business trip from Tokyo to Osaka on a business trip on weekdays, it may be surprising to present a local restaurant where non-customers often visit the place. It is done. At this time, it may be effective to use the facility information obtained from some check-in services and present highly reliable information that reflects the taste of the person, such as ramen. .

加えて、（３）平日の出張帰りに会社の最寄駅をお昼前に通るなど、弱い非習慣状態において、普段の履歴だけでなく、普段よりも少し高級な駅前のレストランなど意外性の高い場所を提示することが有効な可能性がある。   In addition, (3) In the weak non-conventional state, such as going to the company's nearest station before noon on a weekday business trip, not only the usual history but also a restaurant in front of the station that is a little more expensive than usual is highly surprising Presenting the location may be useful.

このように「習慣度が低いほど、意外性の高い情報の比率を強くする」という仮定のもとで、提案する習慣度算出結果を利用することにより、情報の確実性・意外性の双方を考慮する比率と配信内容の精度を向上させ、リコメンドを意識した行動予測技術の向上が期待される。   In this way, by using the proposed habit level calculation results under the assumption that “the lower the habit level, the stronger the proportion of information with higher surprises”, both the certainty and unexpectedness of the information can be improved. It is expected to improve the accuracy of action prediction technology with awareness of recommendation by improving the accuracy of the ratio to be considered and the contents of distribution.

提案手法では曜日・時間帯依存性を考慮した習慣のモデル化を行う。行動の起きる時期まで含めた習慣抽出により、昼食前に飲食店情報を配信するなど、配信タイミングの満足度向上が期待されるだけでなく、より柔軟な習慣度算出が実現できる。   In the proposed method, the habits are modeled in consideration of day / time dependency. By extracting habits including the time when action occurs, restaurant information is distributed before lunch, and the satisfaction of delivery timing is expected to be improved, and more flexible habit level calculation can be realized.

例えば非習慣の検出において、休日における会社の最寄駅近くのショッピングセンターへの訪問など、従来は検出できなかった、よく行く場所への非習慣状態を検出することができる。退社時間が大きく前後した場合などの非習慣状態も検出可能になる。既存サービスや従来研究でも検出可能な、未訪問の場所や自宅から遠い場所への訪問を習慣度が最も低い状態であると捉えた場合、このようなよく行く場所だが時間的に習慣とは異なる訪問を、習慣度がやや低い状態と捉えることができる。   For example, in the detection of non-habits, it is possible to detect a non-habital state to a frequently visited place, such as a visit to a shopping center near a company's nearest station on a holiday, which could not be detected conventionally. It also becomes possible to detect non-habitual conditions such as when the leaving time is largely around. This is a frequent place to visit when you visit an unvisited place or a place far away from your home that can be detected by existing services or conventional research. Visits can be seen as having a slightly low habit.

また、提案手法では連続値を取る指標として習慣度を新しく定義し、従来手法では検出不可能な弱い非習慣状態の判別を実現する。この習慣度算出により、他人のログを考慮するべきタイミングの決定を支援するとともに、非習慣同士のログの考慮、習慣状態における嗜好の考慮など非習慣へのより柔軟な対応が可能になると考えられる。   In the proposed method, the habit level is newly defined as an index for taking continuous values, and the weak non-habitual state that cannot be detected by the conventional method is discriminated. This calculation of the degree of habits will help determine the timing when other people's logs should be taken into account, and more flexible responses to non-habits will be possible, including consideration of logs between non-habits and preference in habitual states. .

先行技術では、曜日・時間帯を考慮した習慣の積算により、行動予測精度を向上させたが、提案手法のような習慣／非習慣検出に利用する習慣抽出モデルとしては、「月曜８時台」など曜日と時間帯の両方を考慮した習慣が抽出できず不十分であった。提案手法では、曜日と時間帯の両方を考慮した習慣と、曜日・時間帯を考慮しない習慣を加えたモデル化により、柔軟な習慣度定義を実現する。   In the prior art, the accuracy of behavior prediction was improved by accumulating habits considering the day of the week and the time of day. However, as a habit extraction model used for habit / non-habit detection like the proposed method, “Monday 8 o'clock” The customs that considered both the day of the week and the time zone could not be extracted. In the proposed method, a flexible habit level definition is realized by modeling with habits that consider both day of the week and time of day, and habits that do not consider day of the week and time of day.

本発明の実施の形態による習慣度算出は、以下のＳｔｅｐ１、２により構成される。   The custom degree calculation according to the embodiment of the present invention includes the following Steps 1 and 2.

[Ｓｔｅｐ１：確率モデルによる習慣の抽出]
個人周期的習慣(曜日・時間帯を考慮した各訪問場所への確率分布) を抽出する。
[Ｓｔｅｐ２：習慣度の算出]
Ｓｔｅｐ１で抽出した個人周期的習慣をもとに、各行動の習慣度を算出する。 [Step 1: Extraction of habits using a probability model]
Extract personal periodic habits (probability distribution to each place of visit in consideration of day and time).
[Step 2: Calculation of customs]
Based on the personal periodic habits extracted in Step 1, the degree of habit of each action is calculated.

＜第１の実施の形態＞
＜習慣度算出装置のシステム構成＞
本発明の第１の実施の形態に係る習慣度算出装置１００は、ＣＰＵ（Central Processing Unit）と、ＲＡＭ（Random Access Memory）と、後述する習慣抽出処理ルーチン及び習慣度算出処理ルーチンを実行するためのプログラムを記憶したＲＯＭ（Read Only Memory）とを備えたコンピュータで構成されている。このコンピュータは、機能的には、図１に示すように、習慣度算出用入力部１０、習慣度算出用演算部２０、及び習慣度算出結果出力部４０を含んだ構成で表すことができる。 <First Embodiment>
<System configuration of habit level calculation device>
The habit level calculation device 100 according to the first embodiment of the present invention executes a CPU (Central Processing Unit), a RAM (Random Access Memory), a habit extraction process routine and a habit level calculation process routine, which will be described later. It is comprised with the computer provided with ROM (Read Only Memory) which memorize | stored this program. As shown in FIG. 1, this computer can be functionally represented by a configuration including a habit level calculation input unit 10, a habit level calculation operation unit 20, and a habit level calculation result output unit 40.

習慣度算出装置１００は、まず、上記Ｓｔｅｐ１の確率分布による習慣の抽出を行い、次に上記Ｓｔｅｐ２の習慣度の算出を行う。   The habit level calculation device 100 first extracts habits based on the probability distribution of Step 1 and then calculates the habit level of Step 2.

習慣度算出用入力部１０は、習慣度算出対象のユーザの訪問行動ログデータを受け付ける。訪問行動ログデータは、ユーザが訪問した訪問場所、曜日、及び時間帯の組み合わせを表す全てのデータの集合である。本実施の形態では、ユーザの訪問行動ログデータの一例として、ユーザによるユーザ端末に対するチェックイン操作に応じて記録された訪問場所、曜日、及び時間帯を表すデータであるチェックインログデータを用いる。すなわち、習慣度算出用入力部１０は、習慣度算出対象のユーザの全てのチェックインログデータを受け付ける。チェックインログデータの例を図２に示す。図２では、同一の緯度及び経度の組を持つ場所に対し、同一のＬｏｃａｔｉｏｎ ＩＤが割り振られており、本実施の形態による習慣抽出ではＬｏｃａｔｉｏｎ ＩＤを場所として用いている。   The custom degree calculation input unit 10 receives visit behavior log data of a custom degree calculation target user. The visit behavior log data is a set of all data representing a combination of a place visited, a day of the week, and a time zone visited by the user. In the present embodiment, check-in log data that is data representing a visit place, a day of the week, and a time zone recorded in response to a check-in operation on the user terminal by the user is used as an example of user visit behavior log data. That is, the customs degree calculation input unit 10 accepts all check-in log data of a custom degree calculation target user. An example of the check-in log data is shown in FIG. In FIG. 2, the same Location ID is assigned to a place having the same latitude and longitude pairs, and the Location ID is used as the place in habit extraction according to the present embodiment.

また、習慣度算出用入力部１０は、習慣度算出対象の訪問場所、曜日、及び時間帯の組み合わせのデータを受け付ける。本実施の形態では、一例として、ユーザの最新のチェックインログデータから得られる、訪問場所、曜日、及び時間帯を、習慣度算出対象の訪問場所、曜日、及び時間帯の組み合わせとする。ユーザの最新のチェックインログデータは、ユーザによる直近のチェックイン操作に応じて記録された訪問場所、曜日、及び時間帯を表すデータである。   Moreover, the input part 10 for custom degree calculation receives the data of the combination of the visit place of a custom degree calculation object, a day of the week, and a time zone. In this embodiment, as an example, the visit location, day of the week, and time zone obtained from the latest check-in log data of the user are a combination of the visit location, day of the week, and time zone that are subject to habit level calculation. The latest check-in log data of the user is data representing a visit place, a day of the week, and a time zone recorded according to the most recent check-in operation by the user.

ここで、習慣度算出用入力部１０によって受け付けたチェックインログデータから得られる情報を、表２のように表現する。   Here, the information obtained from the check-in log data received by the habit-degree calculating input unit 10 is expressed as shown in Table 2.

ここで、時間帯とはチェックインログが発生した時刻の時間部分を意味する。すなわち、午前１時１０分に発生したチェックインログデータは時間帯１と表現し、午前０時１０分に発生したチェックインログは時間帯２４と表現する。   Here, the time zone means the time portion of the time when the check-in log occurs. That is, the check-in log data generated at 1:10 am is expressed as time zone 1, and the check-in log generated at 0:10 am is expressed as time zone 24.

習慣度算出用演算部２０は、習慣度算出用入力部１０によって受け付けたユーザのチェックインログデータに基づいて、習慣度算出対象の曜日及び時間帯において、ユーザが訪問場所を訪問する習慣度を算出する。習慣度算出用演算部２０は、チェックインログデータベース２２と、習慣算出部２４と、個人習慣データベース２６と、重み係数算出部２８と、重み係数データベース３０と、習慣度算出部３２とを備えている。本実施の形態では、ユーザの習慣を、確率分布を用いて表す。   Based on the user's check-in log data received by the habit level calculation input unit 10, the habit level calculation operation unit 20 determines the habit level that the user visits the place of visit on the day of the week and the time zone of the habit level calculation target. calculate. The habit degree calculating unit 20 includes a check-in log database 22, a habit calculating unit 24, an individual habit database 26, a weight coefficient calculating unit 28, a weight coefficient database 30, and a habit degree calculating unit 32. Yes. In the present embodiment, the user's habits are expressed using a probability distribution.

チェックインログデータベース２２には、習慣度算出用入力部１０によって受け付けたユーザの全チェックインログデータが格納される。   The check-in log database 22 stores all check-in log data of the user received by the habit-degree calculating input unit 10.

本実施の形態では、情報配信において内容だけでなくタイミングの向上も考慮している。それ故、曜日や時間帯といった時間情報を活用した習慣を抽出する確率分布（確率モデル）を提案する。曜日や時間帯といった時間情報を活用した習慣を抽出することにより、行動が起きる時期を含めた行動予測が可能になる。さらに、後述する習慣度算出部３２による習慣度算出の際に、例えば会社近くのショッピングセンターに休日家族で行った時など、よく行く場所における非習慣状態を検出することが可能になる。   In the present embodiment, not only the contents but also the timing improvement is considered in the information distribution. Therefore, we propose a probability distribution (probability model) that extracts habits using time information such as days of the week and time zones. By extracting habits using time information such as day of the week and time zone, it becomes possible to predict behavior including the time when the behavior occurs. Further, when the habit level is calculated by the habit level calculating unit 32 described later, it is possible to detect a non-habit state at a place that is frequently visited, such as when a holiday family visits a shopping center near the company.

習慣算出部２４は、チェックインログデータベース２２に格納されたユーザの全チェックインログデータに基づいて、訪問場所ｌ、曜日ｄ、及び時間帯ｔの組み合わせの各々について、当該曜日ｄ及び時間帯ｔの組み合わせにおける、ユーザｕが当該訪問場所ｌへ訪問する周期的な習慣性を表す第１の確率Ｐ（ｌ｜ｔ，ｄ，ｕ）を算出する。
また、習慣算出部２４は、ユーザの全チェックインログデータに基づいて、訪問場所ｌ及び曜日ｄの組み合わせの各々について、当該曜日ｄにおけるユーザｕが当該訪問場所ｌへ訪問する周期的な習慣性を表す第２の確率Ｐ（ｌ｜ｄ，ｕ）を算出する。
また、習慣算出部２４は、ユーザの全チェックインログデータに基づいて、訪問場所ｌ及び時間帯ｔの組み合わせの各々について、当該時間帯ｔにおけるユーザｕが当該訪問場所ｌへ訪問する周期的な習慣性を表す第３の確率Ｐ（ｌ｜ｔ，ｕ）を算出する。
そして、習慣算出部２４は、ユーザの全チェックインログデータに基づいて、訪問場所ｌの各々について、曜日及び時間帯を考慮せずに、ユーザｕが当該訪問場所ｌへ訪問する周期的な習慣性を表す第４の確率Ｐ（ｌ｜ｕ）を算出する。 The habit calculation unit 24 calculates the day of the week d and the time zone t for each combination of the visited location l, the day of the week d, and the time zone t based on all the user's check-in log data stored in the check-in log database 22. The first probability P (l | t, d, u) representing the periodic habit of the user u visiting the visit location l in the combination is calculated.
In addition, the habit calculation unit 24 performs periodic habits in which the user u at the day of the week d visits the visited place l for each combination of the visited place l and the day of the week d based on all the check-in log data of the user. A second probability P (l | d, u) representing is calculated.
In addition, the habit calculation unit 24 periodically performs a user u visit in the visit location l in the time zone t for each combination of the visit location l and the time zone t based on all check-in log data of the user. A third probability P (l | t, u) representing addictiveness is calculated.
Then, the habit calculation unit 24 performs periodic habits for the user u to visit the visited place l without considering the day of the week and the time zone for each of the visited places l based on all the check-in log data of the user. A fourth probability P (l | u) representing the sex is calculated.

具体的には、習慣算出部２４は、上記算出された、第１の確率Ｐ（ｌ｜ｔ，ｄ，ｕ）、第２の確率Ｐ（ｌ｜ｄ，ｕ）、第３の確率Ｐ（ｌ｜ｔ，ｕ）、第４の確率Ｐ（ｌ｜ｕ）の各々に基づいて、個人（Ｐ：Ｐｅｒｓｏｎａｌ）の周期的習慣を確率分布として算出する。曜日・１時間刻みの時間帯両方を２４×７の１６８次元の１週間単位で考慮した習慣を表す確率分布ＭＵＰＴＤ（ＴＤ：Ｔｉｍｅ，Ｄａｙ ｏｆ ｔｈｅ ｗｅｅｋ）、曜日のみを考慮した習慣を表す確率分布ＭＵＰＤ（Ｄ）、時間帯のみを考慮した習慣を表す確率分布ＭＵＰＴ（Ｔ）、曜日・時間帯ともに考慮なしの習慣を表す確率分布ＭＵＰの４種類の確率分布を、それぞれ多項分布（ＭＵ：Ｍｕｌｔｉｎｏｍｉａｌ）を用いて以下のように表す。 Specifically, the habit calculation unit 24 calculates the first probability P (l | t, d, u), the second probability P (l | d, u), and the third probability P ( Based on each of l | t, u) and the fourth probability P (l | u), a periodic habit of an individual (P: Personal) is calculated as a probability distribution. Probability distribution MU PTD (TD: Time, Day of the week) that represents both the day of the week and the time zone in 1-hour increments in a 24 × 7 168-dimensional weekly unit, the probability that represents the habit of considering only the day of the week distribution MU PD (D), the probability representing the habit of considering only the time zone distribution MU PT (T), the four types of probability distribution of the probability distribution MU P representing the habit without taking into account the day of the week and time zone both, each multinomial distribution This is expressed as follows using (MU: Multinomial).

Ｃｌは訪問場所ｌにおけるチェックイン回数（Ｃｏｕｎｔ）、すなわちログ数を示す。例えばＣｌ，ｔ，ｄ，ｕはユーザ、時間帯、曜日、場所を全て限定してチェックイン回数を数えたものであり、Ｃｌ，ｄ，ｕはユーザ、曜日、場所を限定し、時間帯は限定せずにチェックイン回数を数えたものである。 C 1 indicates the number of check-ins (Count) at the visited place l, that is, the number of logs. For example, C l, t, d, u is a user, time zone, day of the week, and place are all limited to count the number of check-ins, and C l, d, u is a user, day of the week, and place are limited, and time The obi is the number of check-ins counted without limitation.

従って、Ｃｌ，ｄ，ｕ＝ΣｔＣｌ，ｔ，ｄ，ｕである。周期的習慣を表す確率分布ＭＵＰＴＤの算出例を図３に示す。ｕ＝Ａ、ｔ＝８、ｄ＝水のログを抽出した上で、各場所への訪問確率を算出する。時間帯を考慮する確率分布ＭＵＰＴＤ、ＭＵＰＴでは、σ＝０．３とした１次元のＧａｕｓｓｉａｎフィルターを用いて平滑化を行う。平滑化を行うと、実際の記録時間帯に近いほどチェックイン回数が大きくなるが、前後の時間帯にも値が入る。σの値は、後述する検証結果で示すモデルの検証により決定した。 Therefore, a C l, d, u = Σ t C l, t, d, u. An example of calculating the probability distribution MU PTD representing a periodic habit is shown in FIG. u = A, t = 8, d = A log of water is extracted, and a visit probability to each place is calculated. In the probability distributions MU PTD and MU PT considering the time zone, smoothing is performed using a one-dimensional Gaussian filter with σ = 0.3. When smoothing is performed, the closer to the actual recording time zone, the larger the number of check-ins, but the values also enter the previous and next time zones. The value of σ was determined by verification of a model indicated by a verification result described later.

個人習慣データベース２６には、習慣算出部２４によって算出された、確率分布ＭＵＰＴＤ、ＭＵＰＤ、ＭＵＰＴ、ＭＵＰが格納される。 Personally habit database 26, calculated by the customs calculation unit 24, the probability distribution MU PTD, MU PD, MU PT , the MU P is stored.

上記習慣算出部２４で算出した習慣を表す確率分布のうち、確率分布ＭＵＰでは駅やコンビニなど時間規則性はないがよく行く場所の確率が高くなると考えられる。確率分布ＭＵＰＤでは出張の多い会社員にとっての会社、確率分布ＭＵＰＴでは営業時間帯の決まっている飲食店、確率分布ＭＵＰＴＤでは出張が少ない会社員にとっての会社などの確率が高くなると考えられる。 Of the probability distribution representing the habit, which is calculated by the customs calculation unit 24, the probability distribution MU time regularity of such stations and convenience stores in the P is not it is considered that the probability of a place to go well is high. Probability distribution MU PD is likely to be a company for office workers who are on a business trip, probability distribution MU PT is a restaurant where business hours are determined, and probability distribution MU PTD is likely to be a company for office workers who are on a business trip. .

このように、習慣を表す確率分布により、確率が高くなりやすい場所が異なるため、本実施の形態では、これらの４つの習慣を表す確率分布から算出された習慣度を組み合わせて、各訪問場所へ訪問する習慣度を算出する。   As described above, the places where the probability is likely to be high differ depending on the probability distribution representing the habits. Therefore, in this embodiment, the degree of habits calculated from the probability distributions representing these four habits are combined to each visited place. Calculate the degree of habit to visit.

重み係数算出部２８は、チェックインログデータベース２２に格納されたチェックインログデータに基づいて、後述する習慣度算出部３２による習慣度算出の際に用いられる重み係数を算出する。具体的には、重み係数算出部２８は、チェックインログデータのうち、該当する時間帯、曜日、又は場所の組み合わせにおけるログ数を考慮して以下のように重み係数を求める。   Based on the check-in log data stored in the check-in log database 22, the weighting coefficient calculation unit 28 calculates a weighting coefficient used when the habit level calculation unit 32 described later calculates the habit level. Specifically, the weighting factor calculating unit 28 calculates the weighting factor as follows in consideration of the number of logs in the combination of the corresponding time zone, day of the week, or place in the check-in log data.

上記式（１）の分母について、例えばｍａｘｔ，ｄＣｔ，ｄ，ｕは最もチェックイン回数が多い曜日・時間帯（月曜８時台など）のチェックイン回数を示す。重み係数ｗを導入することにより、例えば確率分布ＭＵＰＴＤで、チェックインログデータ中（学習データ中）の予測したい曜日・時間帯のログが他の曜日・時間帯に比べて少ない場合には、重み係数ｗＰＴＤの値が小さくなることから、習慣度算出において確率分布ＭＵＰＴＤを考慮する比率を下げることが可能になる。 For the denominator of the above equation (1), for example, max t, d C t, d, u indicate the number of check-ins in the day of the week / time zone (such as Monday 8 o'clock) where the number of check-ins is the highest. By introducing a weighting factor w, for example, in the probability distribution MU PTD , when the log of the day of the week / time zone to be predicted in the check-in log data (in the learning data) is smaller than the other day of the week / time zone, Since the value of the weighting coefficient w PTD is reduced, it is possible to reduce the ratio in which the probability distribution MU PTD is taken into account when calculating the degree of habit.

例えば、ｍａｘｔ，ｄＣｔ，ｄ，ｕ＝１２０である場合のユーザのｗＰＴＤを考える。 For example, consider the user's w PTD when max t, d C t, d, u = 120.

該当する曜日・時間帯に場所Ａに１回だけログがある場合（Ｃａｓｅ１と称する）、場所Ａの訪問確率が１００％で、それ以外の場所への訪問確率は０％の確率分布ＭＵＰＴＤが、習慣算出部２４によって作成される。 If there is only the log once a day of the week and time zone to the location A to the corresponding (referred to as Case1), visit probability is 100% of the location A, visit probability to it a location other than 0% of the probability distribution MU PTD It is created by the habit calculation unit 24.

一方、該当する曜日・時間帯に１００ 回分のログがあり、そのうち１００回全てが場所Ａへの訪問の場合（Ｃａｓｅ２と称する）も、同様の確率分布ＭＵＰＴＤが作成され、場所への訪問確率は、Ｃａｓｅ１の訪問確率と同じになる。 On the other hand, if there are 100 logs for the corresponding day of the week / time, and all 100 visits to place A (referred to as Case 2), a similar probability distribution MU PTD is created and the visit probability to the place Is the same as the visit probability of Case1.

Ｃａｓｅ１とＣａｓｅ２とで場所Ａへの訪問確率は同じだが、上記式（１）を用いると、Ｃａｓｅ１ではｗＰＴＤ＝１／１２０、Ｃａｓｅ２ではｗＰＴＤ＝１００／１２０となり、Ｃａｓｅ１の方が確率分布ＭＵＰＴＤを考慮する比率が低くなる。母集団となるログ数が多いＣａｓｅ２の方が習慣として信頼度が高いと考えられるため、習慣算出部２４における習慣検出時（確率分布算出時）に母集団となるログが少なかった場合は、当該周期的習慣（確率分布）を考慮する比率を下げて習慣度の足し合わせを行う。 Visit probability to the location A in Case1 and Case2 and is it the same, and using the above equation (1), in w PTD = 1/120, Case2 in Case1 w PTD = 100/120 next, it is the probability distribution of Case1 MU The ratio considering the PTD is lowered. Case 2 with a large number of logs serving as a population is considered to have higher reliability as a habit. Therefore, when there are few logs serving as a population at the time of habit detection in the habit calculation unit 24 (at the time of probability distribution calculation), Reduce the ratio of periodic habits (probability distribution) and add habits.

重み係数データベース３０には、重み係数算出部２８によって算出された、重み係数ｗＰＴＤ、ｗＰＤ、ｗＰＴ、ｗＰが格納される。 The weighting factor database 30 stores weighting factors w PTD , w PD , w PT , and w P calculated by the weighting factor calculating unit 28.

習慣度算出部３２は、習慣度算出用入力部１０によって受け付けたチェックインログデータから得られる習慣度算出対象の訪問場所、曜日、及び時間帯の組み合わせと、個人習慣データベース２６に格納された確率分布ＭＵＰＴＤ、ＭＵＰＤ、ＭＵＰＴ、ＭＵＰと、重み係数データベース３０に格納された重み係数ｗＰＴＤ、ｗＰＤ、ｗＰＴ、ｗＰとに基づいて、当該ユーザが習慣度算出対象の曜日及び時間帯において当該訪問場所を訪問する習慣度を算出する。具体的には、習慣度算出部３２は、確率分布ＭＵＰＴＤに含まれる第１の確率Ｐ（ｌ｜ｔ，ｄ，ｕ）、ＭＵＰＤに含まれる第２の確率Ｐ（ｌ｜ｄ，ｕ）、ＭＵＰＴに含まれる第３の確率Ｐ（ｌ｜ｔ，ｕ）、及びＭＵＰに含まれる第４の確率Ｐ（ｌ｜ｕ）を用いて習慣度を算出する。 The habit level calculation unit 32 includes a combination of a visit location, a day of the week, and a time zone, which are obtained from the check-in log data received by the habit level calculation input unit 10, and the probability stored in the personal habit database 26. distribution MU PTD, MU PD, MU PT , and MU P, weighting factors stored in the weighting factor database 30 w PTD, based w PD, w PT, to the w P, day and of the user habits degree calculation target The degree of habit of visiting the visited place in the time zone is calculated. Specifically, the habit level calculator 32 includes a first probability P (l | t, d, u) included in the probability distribution MU PTD and a second probability P (l | d, u included in the MU PD. ), a third probability P (l included in the MU PT | calculates the habit of using the u) | t, u), and a fourth probability P contained in MU P (l.

ここで、ユーザが曜日及び時間帯において訪問場所を訪問することが習慣的なのか、非習慣的なのかを示す指標として習慣度Ｒを以下のように定義する。   Here, the habit level R is defined as follows as an index indicating whether it is habitual or non-habitual for the user to visit the place of visit on the day of the week and time.

ここで、第１項は曜日及び時間帯の組み合わせを考慮した習慣度、第２項は曜日のみ考慮した習慣度、第３項は時間帯のみ考慮した習慣度、第４項は曜日及び時間帯を考慮しない習慣度を表す。各習慣度の算出方法は以下の通りである。   Here, the first term is a habit level considering the combination of day of the week and time zone, the second term is a habit level considering only the day of the week, the third term is a habit level considering only the time zone, and the fourth term is a day of the week and time zone This represents the degree of habits that do not take into account. The calculation method of each custom degree is as follows.

上記式（３）〜（６）において、値の正負で場合分けを行うのは、習慣度が負の値を取る際にも、値が大きいほど習慣度が高くなるようにするためである。詳しい説明は、例を用いて後述する。習慣度Ｒの算出にあたっては、外れ値検定の際に一般的に使用される尺度を用いた。   In the above formulas (3) to (6), the case is classified according to whether the value is positive or negative in order to increase the habit level as the value increases even when the habit level is a negative value. Detailed description will be given later using an example. In calculating the custom degree R, a scale generally used for outlier test was used.

また、上記式（３）〜（６）におけるμは確率分布の平均を示す。σＰＴＤ、σＰＤ、σＰＴ、σＰは、それぞれ確率分布ＭＵＰＴＤ、ＭＵＰＤ、ＭＵＰＴ、ＭＵＰの標準偏差を示す。上記式（６）の第１式（上段）をＭＵＰについて解くとＭＵＰ：Ｐ（ｌ｜ｕ）＝ＲＰσＰ+ μとなる。習慣度ＲＰは、平均μからＭＵＰが標準偏差σＰのＲＰ倍離れていることを示し、直感的には分布内でどれくらい突出しているかを表す。習慣度が大きいほどＲは大きい値を取る。 In the above formulas (3) to (6), μ represents the average probability distribution. σ PTD, σ PD, σ PT , σ P are respectively the probability distribution MU PTD, MU PD, MU PT , the standard deviation of the MU P. Solving the first equation of the formula (6) (top) for MU P MU P: P | a (l u) = R P σ P + μ. Habits of R P indicates that the average MU from mu P is away R P times the standard deviation sigma P, intuitively indicate how projects much in distribution. R takes a larger value, so that a custom degree is large.

本実施の形態では、ユーザの全チェックインログデータ中（学習データ中）に含まれる全ての場所に対する確率分布を考える。該当時間帯に本人のログが１つも存在しない場所への訪問確率も定義され、その確率は全て０となる。   In this embodiment, a probability distribution for all locations included in all check-in log data (learning data) of a user is considered. The probability of visiting a place where no one's own log exists in the corresponding time zone is also defined, and all the probabilities are zero.

全場所への訪問確率の和が１であることから、確率分布の平均μは、全場所数を｜Ｌ｜とするとユーザ・時間帯に関わらず全て１／｜Ｌ｜となる。確率分布ＭＵＰＴＤ、ＭＵＰＤ、ＭＵＰＴ、ＭＵＰの確率が非常に小さく１／｜Ｌ｜未満の場合、各習慣度は負の値を取る。これは非常に習慣度が低い状態として捉えることができる。習慣度算出の例を図４に示す。図４に示すように、２つの確率分布Ａ、Ｂから時間帯のみ考慮した習慣度ＲＰＴを算出する例を考える。全場所数は１０で、２つの確率分布は１ユーザの特定時間帯における確率分布ＭＵＰＴを表しているとする。 Since the sum of the visit probabilities to all locations is 1, the average μ of the probability distribution is 1 / | L | regardless of the user / time zone when the number of all locations is | L |. Probability distribution MU PTD, MU PD, MU PT , the probability of MU P is very small 1 / | L | If it is less than, each habit degree take a negative value. This can be understood as a state of very low habit. An example of the custom degree calculation is shown in FIG. As shown in FIG. 4, consider an example in which a custom degree R PT is calculated from two probability distributions A and B in consideration of only the time zone. Assume that the total number of places is 10, and the two probability distributions represent the probability distribution MU PT in one user's specific time zone.

本人のその時間帯の訪問確率が０でない訪問場所に対する習慣度（場所１０に対する習慣度）と、訪問確率が０の訪問場所に対する習慣度（場所１に対する習慣度）それぞれについて、習慣度算出の結果を説明する。訪問確率が０ではない訪問場所に対する習慣度算出では、そのログで訪問されている場所へのその時間帯における訪問確率が突出しているかを元に算出している。確率がより突出している確率分布Ｂの方が習慣度は高くなる。   Results of habit level calculation for the degree of habit for a visit place where the visit probability of the person in that time zone is not 0 (the degree of habit for place 10) and the degree of habit for a visit place where the visit probability is 0 (degree of habit for place 1) Will be explained. In the habit level calculation for a visited place where the visit probability is not 0, the calculation is based on whether the visit probability in the time zone to the place visited by the log is prominent. The degree of habit is higher in the probability distribution B where the probabilities are more prominent.

一方、訪問確率が０の訪問場所に対しては、本人のその時間帯の履歴にはない場所であるため、当然習慣度は低くなる。本実施の形態では、このような場合、習慣度が負の値を取るようになっている。これは、｜Ｌ｜は全員分のログに記載されている全場所数の合計となるため、例えば国内の代表的な市街地の場所を想定したデータでも１００，０００など非常に大きい値となることが多く、ΣｌＣｌ，ｕ＜＜｜Ｌ｜であるためである。ユーザ本人のチェックインが１度でもあれば上記式（５）の On the other hand, a visit place with a visit probability of 0 is a place that is not in the history of the person's time zone, so the degree of habit is naturally low. In this embodiment, in such a case, the habit level is a negative value. This is because | L | is the total number of all locations listed in the log for all members, so even data assuming a typical urban location in Japan, for example, can be a very large value such as 100,000. This is because Σ l C l, u << | L |. If the user has checked in once, the above formula (5)

が正かつ０より大きい値になる。一方、１度もチェックインがない場合には、負の値を取る。後者の場合、その時間帯における習慣が確率分布Ｂのように明確であるほど習慣度が小さいと考えられる。確率分布Ｂではその時間帯に習慣的にいるはずの場所が場所１０のみであるのに対し、確率分布Ａでは場所２，４，６，８，１０に等確率と曖昧なため、習慣的にいるはずの場所ではない場所１にいる、という状態の非習慣度は確率分布Ｂの方が高い。上記式（５）の第１式で算出される習慣度をそのまま利用すると、習慣度の値が負になる場合、値が小さいほど習慣度が高くなってしまうため、第２式により値を反転させる。 Is positive and greater than zero. On the other hand, if there is no check-in, a negative value is taken. In the latter case, the habit level is considered to be smaller as the habit in the time zone becomes clearer as the probability distribution B. In the probability distribution B, the only place that should be habitual at that time zone is only the place 10, whereas in the probability distribution A, the places 2, 4, 6, 8, and 10 are equally probable and ambiguous. Probability distribution B has a higher degree of non-habituation in the state of being in place 1 that is not supposed to be. If the habit level calculated by the first formula of the above formula (5) is used as it is, if the habit level is negative, the smaller the value, the higher the habit level, so the value is inverted by the second formula. Let

以上の例から分かる習慣度の値が持つ意味を図５に示す。図５に示すように、習慣度の最小値は−１．０程度であるのに対し、最大値は場所数が増えるほどに大きくなる。場所数が１００，０００個程度の実験で、この最大値はユーザによっては１，０００を超えるような値になった。式（３）〜（６）の各第１式（上段）で算出される値は、習慣度が正の場合は値が大きいほど習慣度が高く、習慣度が負の場合は値が大きいほど非習慣度が高いことになる。そのため、この値をそのまま習慣度として用いると、習慣度が負で、かつその絶対値が小さい場合が一番習慣度の低い状態となる。   FIG. 5 shows the meaning of the value of habit level that can be understood from the above example. As shown in FIG. 5, the minimum value of the habit level is about -1.0, while the maximum value increases as the number of places increases. In experiments where the number of places was about 100,000, this maximum value exceeded 1,000 for some users. The value calculated by each of the first equations (upper) of the formulas (3) to (6) is higher when the habit level is positive, the higher the habit level, and when the habit level is negative, the value is higher. The non-habituation level is high. Therefore, if this value is used as the degree of habit as it is, the state of habit is the lowest when the degree of habit is negative and the absolute value is small.

しかしながら、これでは値の大小関係がその正負により異なるため扱いづらい。そこで、式（２）〜（５）の各第２式（下段）において、値が負の場合のみ大小関係を逆転させることで、値が大きいほど習慣度が高く、小さいほど習慣度が低くなるようにした。このように、提案する習慣度の指標では、その時間帯におけるログが存在しないような非習慣的な行動に対しても、その時間帯の習慣が明確かどうかで異なる習慣度を出力することができ、値の大小から連続的に習慣度を調べることが可能である。   However, this is difficult to handle because the magnitude relationship between the values differs depending on the sign. Therefore, in each of the second expressions (lower stage) of Expressions (2) to (5), by reversing the magnitude relationship only when the value is negative, the degree of habit is higher as the value is larger, and the degree of habit is lower as the value is smaller. I did it. In this way, the proposed habit index can output a different habit level depending on whether the habit is clear or not even for non-habitual behavior where there is no log in that time zone. It is possible to check the habit level continuously from the magnitude of the value.

習慣度算出結果出力部４０は、習慣度算出部３２によって算出された習慣度算出対象の訪問場所、曜日、及び時間帯の組み合わせに対する習慣度を出力する。   The custom degree calculation result output unit 40 outputs the custom degree for the combination of the visit place, the day of the week, and the time zone, which are calculated by the custom degree calculation unit 32.

＜習慣度算出装置の作用＞
次に、第１の実施の形態に係る習慣度算出装置１００の作用について説明する。第１の実施の形態の習慣度算出装置１００に、習慣度算出対象ユーザの全チェックインログデータが入力されると、習慣度算出装置１００によって、まず、図６に示す習慣抽出処理ルーチンが実行される。 <Operation of habit level calculation device>
Next, the effect | action of the customs degree calculation apparatus 100 which concerns on 1st Embodiment is demonstrated. When all the check-in log data of the habit level calculation target user is input to the habit level calculation device 100 according to the first embodiment, the habit level calculation device 100 first executes a habit extraction processing routine shown in FIG. Is done.

まず、ステップＳ１００で、習慣度算出用入力部１０によって、対象ユーザの全チェックインログデータを受け付け、当該チェックインログデータをチェックインログデータベース２２に格納する。   First, in step S <b> 100, all the check-in log data of the target user is received by the habit-degree calculating input unit 10, and the check-in log data is stored in the check-in log database 22.

ステップＳ１０２において、習慣算出部２４によって、上記ステップＳ１００でチェックインログデータベース２２に格納されたユーザの全チェックインログデータに基づいて、訪問場所、曜日、及び時間帯の組み合わせの各々について、当該曜日及び時間帯の組み合わせにおける、当該ユーザが当該訪問場所へ訪問する周期的な習慣性を表す第１の確率Ｐ（ｌ｜ｔ，ｄ，ｕ）を算出し、確率分布ＭＵＰＴＤを作成する。
また、習慣算出部２４は、ユーザの全チェックインログデータに基づいて、訪問場所及び曜日の組み合わせの各々について、当該曜日における当該ユーザが当該訪問場所へ訪問する周期的な習慣性を表す第２の確率Ｐ（ｌ｜ｄ，ｕ）を算出し、確率分布ＭＵＰＤを作成する。
また、習慣算出部２４は、ユーザの全チェックインログデータに基づいて、訪問場所及び時間帯の組み合わせの各々について、当該時間帯における当該ユーザが当該訪問場所へ訪問する周期的な習慣性を表す第３の確率Ｐ（ｌ｜ｔ，ｕ）を算出し、確率分布ＭＵＰＴを作成する。
そして、習慣算出部２４は、ユーザの全チェックインログデータに基づいて、訪問場所の各々について、曜日及び時間帯を考慮せずに、当該ユーザが当該訪問場所へ訪問する周期的な習慣性を表す第４の確率Ｐ（ｌ｜ｕ）を算出し、確率分布ＭＵＰを作成する。 In step S102, based on all the check-in log data of the user stored in the check-in log database 22 in step S100 by the habit calculation unit 24, the day of the week for each combination of the place of visit, the day of the week, and the time zone. The first probability P (l | t, d, u) representing the periodic habit of the user visiting the visit location in the combination of the time zones is calculated, and the probability distribution MU PTD is created.
In addition, the habit calculating unit 24 represents, for each combination of the visited place and the day of the week, a second habit of representing the periodic habit of the user visiting the visited place on the day of the week for each combination of the visited place and the day of the week. The probability P (l | d, u) is calculated to create a probability distribution MU PD .
In addition, the habit calculation unit 24 represents, for each combination of the visit location and the time zone, periodic habits that the user visits the visit location in the time zone based on all the check-in log data of the user. A third probability P (l | t, u) is calculated, and a probability distribution MU PT is created.
And the habit calculation part 24 does not consider a day of the week and a time slot | zone about each visit place based on all the check-in log data of a user, The periodic habit of the said user visiting the said visit place is taken. fourth probability P representing (l | u) is calculated, to create a probability distribution MU P.

ステップＳ１０４において、習慣算出部２４によって、上記ステップＳ１０２で作成された、確率分布ＭＵＰＴＤ、ＭＵＰＤ、ＭＵＰＴ、ＭＵＰを個人習慣データベース２６に格納する。 In step S104, the customs calculation unit 24, which is created in step S102, and stores the probability distribution MU PTD, MU PD, MU PT , the MU P in the personal habit database 26.

ステップＳ１０６において、重み係数算出部２８によって、ユーザの全チェックインログデータに基づいて、上記式（１）に従って、習慣度算出の際に用いられる重み係数ｗＰＴＤ、ｗＰＤ、ｗＰＴ、ｗＰを算出する。 In step S106, the weighting factor calculation unit 28 uses the weighting factors w PTD , w PD , w PT , w P used when calculating the habit level according to the above equation (1) based on the user's all check-in log data. Is calculated.

ステップＳ１０８において、重み係数算出部２８によって、上記ステップＳ１０６で算出された、重み係数ｗＰＴＤ、ｗＰＤ、ｗＰＴ、ｗＰを重み係数データベース３０に格納して、習慣抽出処理ルーチンを終了する。 In step S108, the weighting factor calculation unit 28, calculated in the step S106, the weighting factor w PTD, w PD, stored w PT, the w P in the weighting factor database 30, and ends the habits extraction processing routine.

次に、ユーザの最新のチェックインログデータが習慣度算出装置１００に入力されると、習慣度算出装置１００によって、図７に示す習慣度算出処理ルーチンが実行される。   Next, when the latest check-in log data of the user is input to the habit level calculation device 100, the habit level calculation device 100 executes a habit level calculation processing routine shown in FIG.

まず、ステップＳ２００において、習慣度算出用入力部１０によって、ユーザの最新のチェックインログデータを受け付ける。   First, in step S200, the latest check-in log data of the user is received by the custom degree calculation input unit 10.

ステップＳ２０２において、習慣度算出部３２によって、上記ステップＳ２００で受け付けた最新のチェックインログデータに含まれる習慣度算出対象の訪問場所、曜日、及び時間帯の組み合わせと、個人習慣データベース２６に格納された確率分布ＭＵＰＴＤ、ＭＵＰＤ、ＭＵＰＴ、ＭＵＰと、重み係数データベース３０に格納された重み係数ｗＰＴＤ、ｗＰＤ、ｗＰＴ、ｗＰとに基づいて、上記式（２）〜（６）に従って、当該ユーザが習慣度算出対象の曜日及び時間帯において当該訪問場所を訪問する習慣度を算出する。 In step S202, the habit level calculation unit 32 stores the combination of the visit location, day of the week, and time zone of the habit level calculation target included in the latest check-in log data received in step S200, and the personal habit database 26. probability distribution MU PTD, based MU PD, MU PT, and MU P, weighting factors stored in the weighting factor database 30 w PTD, w PD, w PT, to the w P, the formula (2) to (6 ), The degree of habit that the user visits the visited place on the day of the week and the time zone for which the degree of habit is calculated is calculated.

ステップＳ２０４において、習慣度算出結果出力部４０によって、上記ステップ２０２で算出された習慣度を出力して、習慣度算出処理ルーチンを終了する。   In step S204, the habit level calculation result output unit 40 outputs the habit level calculated in step 202, and the habit level calculation processing routine is terminated.

なお、ステップＳ２０４において出力された習慣度Ｒは、情報配信システム等の上位モジュールによって使用される。上位モジュールでは、例えば、「習慣度が低いほど、意外性の高い情報の比率を強くする」というように、習慣度に応じて、配信する情報の種類を決定することができる。   The custom degree R output in step S204 is used by a higher-level module such as an information distribution system. In the upper module, for example, the type of information to be distributed can be determined according to the degree of habit, such as “the lower the degree of habit, the stronger the ratio of highly unexpected information”.

以上説明したように、第１の実施の形態に係る習慣度算出装置によれば、ユーザの全チェックインログデータに基づいて、訪問場所、曜日、及び時間帯の組み合わせの各々について、曜日及び時間帯の組み合わせにおける、ユーザが訪問場所へ訪問する周期的な習慣性を表す確率を算出し、ユーザの最新のチェックインログデータから得られる訪問場所、曜日、及び時間帯の組み合わせと、算出された当該確率とに基づいて、ユーザが当該曜日及び時間帯において当該訪問場所を訪問する習慣度を算出することにより、曜日及び時間帯の組み合わせを考慮して、ユーザが訪問場所へ訪問する習慣度を精度よく算出することができる。   As described above, according to the habit-degree calculating device according to the first embodiment, based on all the check-in log data of the user, for each combination of visited place, day of the week, and time zone, the day of the week and the time Calculate the probability that represents the periodic habit of the user visiting the place of visit in the combination of bands, and calculated the combination of the place of visit, day of the week, and time period obtained from the user's latest check-in log data Based on the probability, the user's habit of visiting the place of visit in consideration of the combination of day of the week and time of day by calculating the habit of visiting the place of visit at the day of the week and time. It can be calculated with high accuracy.

すなわちユーザの最新のチェックインログデータが表す行動が習慣に沿ったものであるか否かを表すことができる。   That is, it can indicate whether or not the behavior represented by the latest check-in log data of the user is in line with the habit.

また、位置情報に基づく習慣の蓄積と各行動の習慣度算出が可能になる。   Further, it is possible to accumulate habits based on position information and to calculate the habit level of each action.

また、習慣度が低い状態において、本人の履歴にはない場所に行く可能性が高いこと分かっており、習慣度算出結果に応じて、行動予測の際に他人の履歴を利用するかどうかを判断することができると考えられる。   Also, it is known that there is a high possibility of going to a place that is not in the person's history when the degree of habit is low, and it is determined whether to use another person's history when predicting behavior according to the habit level calculation result I think it can be done.

また、習慣度算出結果を用いることにより、同じ本人履歴の考慮を行う場合でも、習慣度が高ければ本人の履歴にある場所を、習慣度が低ければ本人の嗜好だけを考慮することが可能になる。   In addition, by using the habit level calculation result, even if the same person history is considered, it is possible to consider the place in the person's history if the habit level is high, and only the user's preference if the habit level is low Become.

加えて、他人履歴を考慮する際にも、同じような習慣度の他人履歴を考慮することにより、非習慣状態にはご当地料理店を推薦する、などの柔軟な情報配信が可能になると期待される。   In addition, when considering other person's history, it is expected that flexible information distribution such as recommending a local restaurant in non-habitual state will be possible by considering other person's history of the same habit level. The

このように、習慣度算出結果を、情報配信に対する「確実性」「意外性」をどのタイミングでどのように実現するべきかを決定する指標として活用することにより、ユーザのニーズに柔軟に対応した情報配信内容・タイミングの決定が実現できると考えられる。   In this way, the habit level calculation result is used as an index for determining how and at what timing “certainty” and “unexpectedness” for information delivery should be realized flexibly. It is considered that the information delivery content and timing can be determined.

また、会社出勤日の昼食時など習慣行動中にはよく行く店舗のクーポンなど確実性の高い情報、休日や出張時など非習慣行動中には行楽情報など新規性・意外性の高い情報を配信するなどの活用が考えられ、利用者・情報提供者双方の満足度向上が期待される。   Deliver highly reliable information such as coupons for frequently-used stores during habitual activities such as lunch on company work days, and highly novel and unexpected information such as vacation information during non-habitual activities such as holidays and business trips. It is expected that the satisfaction of both users and information providers will be improved.

＜第２の実施の形態＞
次に、第２の実施の形態について説明する。第２の実施の形態は、行動予測対象のユーザのチェックインログデータと、行動予測対象でない複数のユーザのチェックインログデータとに基づいて、ユーザの行動を予測する点が、第１の実施の形態と異なる。なお、第２の実施の形態について、第１の実施の形態と同一の構成については、同一符号を付して、詳細な説明を省略する。 <Second Embodiment>
Next, a second embodiment will be described. The second embodiment is that the user's behavior is predicted based on the check-in log data of a user who is a behavior prediction target and the check-in log data of a plurality of users who are not behavior prediction targets. The form is different. In addition, about 2nd Embodiment, about the structure same as 1st Embodiment, the same code | symbol is attached | subjected and detailed description is abbreviate | omitted.

＜行動予測装置のシステム構成＞
本発明の第２の実施の形態に係る行動予測装置２００は、ＣＰＵ（Central Processing Unit）と、ＲＡＭ（Random Access Memory）と、後述する習慣抽出処理ルーチン及び行動予測処理ルーチンを実行するためのプログラムを記憶したＲＯＭ（Read Only Memory）とを備えたコンピュータで構成されている。このコンピュータは、機能的には、図８に示すように、行動予測用入力部５０、行動予測用演算部６０、及び行動予測結果出力部８０を含んだ構成で表すことができる。 <System configuration of the behavior prediction device>
The behavior prediction apparatus 200 according to the second embodiment of the present invention includes a CPU (Central Processing Unit), a RAM (Random Access Memory), and a program for executing a habit extraction processing routine and a behavior prediction processing routine described later. It is comprised with the computer provided with ROM (Read Only Memory) which memorize | stored. Functionally, this computer can be represented by a configuration including an action prediction input unit 50, an action prediction calculation unit 60, and an action prediction result output unit 80, as shown in FIG.

行動予測用入力部５０は、複数のユーザの各々についての全てのチェックインログデータを受け付ける。   The behavior prediction input unit 50 receives all check-in log data for each of a plurality of users.

また、行動予測用入力部５０は、行動予測対象として入力された曜日及び時間帯と、行動予測対象のユーザを示す情報とを受け付ける。すなわち、行動予測用入力部５０は、予測したいユーザ、曜日、及び時間帯を受け付ける。   Further, the behavior prediction input unit 50 receives the day of the week and the time zone input as the behavior prediction target and information indicating the user of the behavior prediction target. That is, the behavior prediction input unit 50 receives a user, a day of the week, and a time zone to be predicted.

行動予測用演算部６０は、行動予測用入力部５０によって受け付けた複数のユーザの全チェックインログデータに基づいて、訪問場所の各々に対し、行動予測対象のユーザが当該訪問場所を訪問することが予測される確率を表す訪問確率を算出する。行動予測用演算部６０は、重み係数算出部２８と、重み係数データベース３０と、チェックインログデータベース６２と、習慣算出部６４と、個人習慣データベース６６と、全体習慣データベース６８と、周期的習慣算出部７０と、遷移習慣算出部７２と、行動予測部７４とを備えている。   Based on all check-in log data of a plurality of users received by the behavior prediction input unit 50, the behavior prediction calculation unit 60 makes the behavior prediction target user visit the visited location for each visited location. The visit probability representing the probability that is predicted is calculated. The behavior prediction calculation unit 60 includes a weight coefficient calculation unit 28, a weight coefficient database 30, a check-in log database 62, a habit calculation unit 64, a personal habit database 66, an overall habit database 68, and a periodic habit calculation. Unit 70, transition habit calculation unit 72, and behavior prediction unit 74.

チェックインログデータベース６２には、行動予測用入力部５０によって受け付けた、行動予測対象のユーザを含む複数のユーザの各々についての全チェックインログデータが格納される。   The check-in log database 62 stores all check-in log data for each of a plurality of users including a user to be predicted for behavior received by the behavior prediction input unit 50.

習慣算出部６４は、チェックインログデータベース６２に格納された行動予測対象のユーザｕの全チェックインログデータに基づいて、第１の実施の形態と同様に、訪問場所ｌ、曜日ｄ、及び時間帯ｔの組み合わせの各々に対する周期的な習慣性を表す第１の確率Ｐ（ｌ｜ｔ，ｄ，ｕ）、訪問場所ｌ及び曜日ｄの組み合わせの各々に対する第２の確率Ｐ（ｌ｜ｄ，ｕ）、訪問場所ｌ及び時間帯ｔの組み合わせの各々に対する第３の確率Ｐ（ｌ｜ｔ，ｕ）、並びに訪問場所ｌの各々に対する第４の確率Ｐ（ｌ｜ｕ）を算出する。そして、習慣算出部６４は、第１の確率Ｐ（ｌ｜ｔ，ｄ，ｕ）、第２の確率Ｐ（ｌ｜ｄ，ｕ）、第３の確率Ｐ（ｌ｜ｔ，ｕ）、及び第４の確率Ｐ（ｌ｜ｕ）の各々に基づいて、確率分布ＭＵＰＴＤ、ＭＵＰＤ、ＭＵＰＴ、ＭＵＰを作成する。 Based on all check-in log data of the user u subject to behavior prediction stored in the check-in log database 62, the habit calculation unit 64, like the first embodiment, visit location l, day of the week d, and time A first probability P (l | t, d, u) representing periodic habituation for each combination of bands t, a second probability P (l | d, u), a third probability P (l | t, u) for each combination of visited location l and time zone t, and a fourth probability P (l | u) for each visited location l are calculated. Then, the habit calculating unit 64 includes a first probability P (l | t, d, u), a second probability P (l | d, u), a third probability P (l | t, u), and fourth probabilities P | based on each of (l u), to create a probability distribution MU PTD, MU PD, MU PT , the MU P.

また、位置情報に基づく行動予測では、定食屋Ａに来た人は、その後カフェＢへ行くことが多いなど、ｎ番目の訪問場所ｌｎからｎ＋１番目の訪問場所ｌｎ＋１への行きやすさを表す遷移確率を用いることが有効であると示されている。上記非特許文献１に記載の手法でも個人ログデータから算出した、周期的習慣と遷移習慣とを掛け合わせた確率を算出している。そこで、本実施の形態においても、周期的習慣に加え遷移習慣を考慮する。ここでは、各訪問場所から各訪問場所への遷移確率を算出し、個人（行動予測対象のユーザ）だけでなく、全ユーザ（Ｇ：Ｇｌｏｂａｌ）についてもそれぞれ遷移習慣を考慮する。これは、本人の習慣に従わない行動をしている際に、全体の遷移習慣を合わせて利用すると、行動予測精度が向上する可能性があると考えられるためである。 In addition, in the behavior prediction based on the position information, the person who came to the diner A is, then, such as it is often to go to a cafe B, n-th visit place to go ease of from l n to (n + 1) th visit location l n + 1 It has been shown to be effective to use a transition probability that represents. The method described in Non-Patent Document 1 also calculates the probability of multiplying the periodic habit and the transition habit calculated from the personal log data. Therefore, in this embodiment, transition habits are considered in addition to periodic habits. Here, the transition probability from each visited place to each visited place is calculated, and the transition habit is taken into consideration not only for individuals (behavior prediction target users) but also for all users (G: Global). This is because it is considered that the behavior prediction accuracy may be improved if the entire transition habit is used together when the user does not follow the personal habit.

ここで、遷移する習慣性を表す遷移確率（遷移習慣）の一例として、一次マルコフモデル（ＭＭ：Ｍａｒｋｏｖ Ｍｏｄｅｌ）により遷移する習慣性を表す遷移確率を算出する。個人の遷移習慣（第１遷移確率）ＭＭＰは、以下のように、訪問場所ｌｎからｌｎ＋１への遷移確率Ｐｕで表わされ、全体の遷移習慣（第２遷移確率）ＭＭGは、以下のように、訪問場所ｌｎからｌｎ＋１への遷移確率Ｐで表わされる。 Here, as an example of the transition probability (transition habit) representing the addictive nature of transition, a transition probability representing the addictive nature of transition is calculated using a first-order Markov model (MM: Markov Model). Individual transition habits (first transition probability) MM P, as follows visited location from l n is represented by the transition probability P u to l n + 1, the total transition habits (second transition probability) MM G is , as follows, represented by the transition probabilities P from visiting location l n to l n + 1.

ＭＭＰ（個人遷移習慣）：Ｐｕ（ｌｎ＋1｜ｌｎ）
ＭＭＧ（全体遷移習慣）：Ｐ（ｌｎ＋１｜ｌｎ） MM P (individual transition habits): P u (1 n + 1 | l n )
MM G (overall transition habits): P (l n + 1 | l n )

従って、習慣算出部６４は、チェックインログデータベース６２に格納された行動予測対象のユーザの全チェックインログデータに基づいて、一次マルコフモデルにより、訪問場所のペア（ｌｎ、ｌｎ＋１）の各々について、当該ユーザｕが当該ペアの一方の訪問場所ｌｎから他方の訪問場所ｌｎ＋１へ遷移する習慣性を表す第１遷移確率ＭＭＰを更に算出する。ここで、訪問場所のペアの各々には、同じ訪問場所からなるペアも含まれる。 Therefore, the habit calculation unit 64 uses the first-order Markov model based on all the check-in log data of the behavior prediction target user stored in the check-in log database 62 to each of the visit place pairs (l n , l n + 1 ). for further calculates a first transition probability MM P representing the addictive the user u transitions from one visited location l n of the pair to the other visited location l n + 1. Here, each pair of visited places also includes a pair consisting of the same visited places.

また、習慣算出部６４は、チェックインログデータベース６２に格納された複数のユーザの全チェックインログデータに基づいて、一次マルコフモデルにより、訪問場所のペア（ｌｎ、ｌｎ＋１）の各々について、複数のユーザが当該ペアの一方の訪問場所ｌｎから他方の訪問場所ｌｎ＋１へ遷移する習慣性を表す第２遷移確率ＭＭＧを算出する。 In addition, the habit calculation unit 64 uses a first-order Markov model based on all the check-in log data of a plurality of users stored in the check-in log database 62 for each of the visiting place pairs (l n , l n + 1 ). multiple users to calculate a second transition probability MM G representing the addictive transition from one visited location l n of the pair to the other visited location l n + 1.

個人習慣データベース６６には、習慣算出部６４によって作成された確率分布ＭＵＰＴＤ、ＭＵＰＤ、ＭＵＰＴ、ＭＵＰと、習慣算出部６４によって算出された第１遷移確率ＭＭＰとが格納される。 The personal habits database 66, the probability distribution MU PTD created by habit calculating unit 64, MU PD, MU PT, and MU P, and a first transition probability MM P calculated by the customs calculating unit 64 is stored.

全体習慣データベース６８には、習慣算出部６４によって算出された第２遷移確率ＭＭＧが格納される。 The whole habit database 68, a second transition probability MM G calculated by the customs calculating unit 64 is stored.

周期的習慣算出部７０は、訪問場所の各々に対し、行動予測用入力部５０によって受け付けた行動予測対象として入力された曜日及び時間帯と当該訪問場所との組み合わせについて、個人習慣データベース６６に格納された確率分布ＭＵＰＴＤ、ＭＵＰＤ、ＭＵＰＴ、ＭＵＰを用いて、周期的習慣による訪問確率を算出する。 The periodic habit calculation unit 70 stores, in the personal habit database 66, the combination of the day of the week and the time zone input as the behavior prediction targets received by the behavior prediction input unit 50 and the visited location for each of the visited locations. probability distribution MU PTD, MU PD, MU PT , using the MU P, to calculate the visit probability due to the periodic habits.

具体的には、周期的習慣算出部７０は、訪問場所ｌの各々に対し、行動予測対象として入力された曜日ｄ及び時間帯ｔと当該訪問場所ｌとに基づいて、個人習慣データベース６６に格納された、第１の確率Ｐ（ｌ｜ｔ，ｄ，ｕ）、第２の確率Ｐ（ｌ｜ｄ，ｕ）、第３の確率Ｐ（ｌ｜ｔ，ｕ）、第４の確率Ｐ（ｌ｜ｕ）を組み合わせて、以下の式（７）に従って、周期的習慣による訪問確率ＰＰＡＬＬを算出する。 Specifically, the periodic habit calculation unit 70 stores, for each visited place l, in the personal habit database 66 based on the day of the week d and the time zone t input as the behavior prediction target and the visited place l. The first probability P (l | t, d, u), the second probability P (l | d, u), the third probability P (l | t, u), the fourth probability P ( l | u) is combined, and the visit probability P PALL according to the periodic habit is calculated according to the following equation (7).

なお、重み係数ｗは上記式（１）と同様に求めるが、全場所への周期的習慣による訪問確率の和を１にするために、ｗＰＴＤ：ｗＰＤ：ｗＰＴ：ｗＰの値の比率を維持したまま、ｗＰＴＤ＋ｗＰＤ＋ｗＰＴ＋ｗＰ＝１．０となるような正規化を行う。 The weighting factor w is obtained in the same manner as in the above formula (1), but in order to set the sum of visit probabilities due to periodic habits to all places to 1, the value of w PTD : w PD : w PT : w P While maintaining the ratio, normalization is performed such that w PTD + w PD + w PT + w P = 1.0.

遷移習慣算出部７２は、チェックインログデータベース６２に格納された行動予測対象のユーザの全チェックインログデータに基づいて、行動予測対象のユーザの直前の訪問場所を取得する。また、遷移習慣算出部７２は、訪問場所の各々に対し、行動予測対象のユーザの直前の訪問場所と、個人習慣データベース６６に格納されている第１遷移確率ＭＭＰ又は全体習慣データベース６８に格納されている第２遷移確率ＭＭＧとに基づいて、遷移習慣による訪問確率を算出する。 The transition habit calculation unit 72 acquires a place visited immediately before the behavior prediction target user based on all check-in log data of the behavior prediction target user stored in the check-in log database 62. Moreover, the transition habits calculator 72, stores for each of the visiting location, and the previous visit location of the user's behavior prediction target, the first transition probability MM P or whole habit database 68 is stored in the personal habits database 66 based on the second transition probability MM G being calculated visits probability by transition habits.

具体的には、遷移習慣算出部７２では、ｌｎを出発するユーザ本人の遷移履歴がある場合はＭＭＰを、ユーザ本人の履歴はないが全体遷移履歴のみがある場合はＭＭＧを使い分けるＭＭＧＰを以下のように定義する。また、ｌｎを出発する履歴が本人、全体ともに存在しない場合には０とする。 Specifically, the transition habits calculator 72, a MM P if there is a transition history of starting the user himself to l n, the user himself history although not selectively using MM G if there is only the entire transition history MM GP is defined as follows. In addition, starting a l n history himself, if it does not exist both overall and 0.

上記の非特許文献１の手法では、周期的習慣と遷移習慣とを独立と捉えて掛け合わせて用いていたが、掛け合わせを行うと、周期的習慣、遷移習慣のどちらかが０に近い場合に、他方の確率がほとんど反映されなくなってしまうという問題がある。そこで、本実施の形態においては、行動予測部７４は、周期的習慣による訪問確率（ＰＰＡＬＬ）と遷移習慣による訪問確率（ＭＭＧＰ）との重み付き線形和で各訪問場所への訪問確率を算出する。 In the method of Non-Patent Document 1 described above, periodic habits and transition habits are regarded as independent and multiplied, but when multiplied, either cyclic habits or transition habits are close to 0 However, there is a problem that the other probability is hardly reflected. Therefore, in the present embodiment, the behavior prediction unit 74 calculates the visit probability to each visit location by a weighted linear sum of the visit probability (P PALL ) due to the periodic habit and the visit probability (MM GP ) due to the transition habit. calculate.

具体的には、行動予測部７４は、訪問場所の各々に対し、行動予測用入力部５０によって受け付けたユーザの行動予測対象として入力された曜日及び時間帯と当該訪問場所との組み合わせについて習慣算出部６４によって算出された当該確率ＰＰＡＬＬと、行動予測用入力部５０によって受け付けた当該ユーザの直前の訪問場所から当該訪問場所へ遷移する第１遷移確率ＭＭＰ又は第２遷移確率ＭＭＧとに基づいて、訪問確率を算出する。 Specifically, the behavior prediction unit 74 calculates a habit for a combination of a day of the week and a time zone input as a user's behavior prediction target received by the behavior prediction input unit 50 and the visit location for each of the visit locations. and the probability P PALL calculated by section 64, to the first transition probability MM P or the second transition probability MM G transition from the previous visit location of the user accepted by the behavior prediction for the input unit 50 to the visited location Based on this, a visit probability is calculated.

すなわち、行動予測部７４は、訪問場所の各々に対し、周期的習慣算出部７０によって算出された周期的習慣による訪問確率ＰＰＡＬＬと、遷移習慣算出部７２によって算出された遷移習慣による訪問確率ＭＭＧＰとに基づいて、ユーザが当該訪問場所を訪問することが予測される確率を表す訪問確率を算出する。本実施の形態では、０．３ＰＰＡＬＬ＋０．７ＭＭＧＰとした。ＰＰＡＬＬとＭＭＧＰの重み付き線形和における重み（ここではそれぞれ０．３、０．７）は、後述する検証結果で示すモデルの検証により決定した。 That is, the behavior predicting unit 74 sets the visit probability P PALL according to the periodic habit calculated by the periodic habit calculating unit 70 and the visit probability MM due to the transition habit calculated by the transition habit calculating unit 72 for each of the visited places. Based on the GP , a visit probability representing the probability that the user is predicted to visit the visit location is calculated. In the present embodiment, 0.3P PALL + 0.7MM GP is used. Weights in the weighted linear sum of P PALL and MM GP (here, 0.3 and 0.7, respectively) were determined by model verification shown in the verification results described later.

行動予測結果出力部８０は、行動予測部７４によって訪問場所の各々に対して算出された訪問確率を出力する。   The behavior prediction result output unit 80 outputs the visit probability calculated for each visited place by the behavior prediction unit 74.

＜行動予測装置の作用＞
次に、第２の実施の形態に係る行動予測装置２００の作用について説明する。第２の実施の形態の行動予測装置２００に、行動予測対象のユーザを示す情報と、行動予測対象のユーザを含む複数のユーザの全チェックインログデータとが入力されると、行動予測装置２００によって、図９に示す習慣抽出処理ルーチンが実行される。 <Action of the behavior prediction device>
Next, the operation of the behavior prediction apparatus 200 according to the second embodiment will be described. When the information indicating the behavior prediction target user and all check-in log data of a plurality of users including the behavior prediction target user are input to the behavior prediction device 200 according to the second embodiment, the behavior prediction device 200. Thus, the habit extraction processing routine shown in FIG. 9 is executed.

まず、ステップＳ３００で、行動予測用入力部５０によって、行動予測対象のユーザを示す情報を受け付けると共に、複数のユーザの全チェックインログデータを受け付け、当該チェックインログデータをチェックインログデータベース６２に格納する。   First, in step S300, the behavior prediction input unit 50 receives information indicating a user to be predicted for behavior, receives all check-in log data of a plurality of users, and stores the check-in log data in the check-in log database 62. Store.

ステップＳ３０３において、習慣算出部６４によって、上記ステップＳ３００で格納された行動予測対象のユーザの全チェックインログデータに基づいて、訪問場所のペアの各々について、当該ユーザが当該ペアの一方の訪問場所から他方の訪問場所へ遷移する習慣性を表す第１遷移確率ＭＭＰを算出する。 In step S303, based on all check-in log data of the behavior prediction target user stored in step S300 by the habit calculation unit 64, for each of the pairs of visited places, the user selects one visited place of the pair. calculating the first transition probability MM P representing the addictive changing to another visited place from.

ステップＳ３０４において、習慣算出部６４によって、上記ステップＳ３０３で算出された第１遷移確率ＭＭＰを個人習慣データベース６６に格納する。 In step S304, the customs calculation unit 64 stores the first transition probability MM P calculated in step S303 to the personal habits database 66.

ステップＳ３０５において、習慣算出部６４によって、上記ステップＳ３００で受け付けた複数のユーザの全チェックインログデータに基づいて、訪問場所のペアの各々について、複数のユーザが当該ペアの一方の訪問場所から他方の訪問場所へ遷移する習慣性を表す第２遷移確率ＭＭＧを算出する。 In step S305, based on all the check-in log data of the plurality of users received in step S300, the habit calculation unit 64, for each of the visiting place pairs, the plurality of users from the one visiting place of the pair to the other calculating a second transition probability MM G representing the addictive changing to visit place.

ステップＳ３０６において、習慣算出部６４によって、上記ステップＳ３０５で算出された第２遷移確率ＭＭＧを全体習慣データベース６８に格納する。 In step S306, the customs calculation unit 64, and stores the entire habit database 68 a second transition probability MM G calculated in step S305.

そして、ステップＳ１０６〜Ｓ１０８の処理を実行して、習慣抽出処理ルーチンを終了する。   And the process of step S106-S108 is performed and a habit extraction process routine is complete | finished.

次に、行動予測対象として入力された曜日及び時間帯が行動予測装置２００に入力されると、行動予測装置２００によって、図１０に示す行動予測処理ルーチンが実行される。   Next, when the day of the week and the time zone input as the behavior prediction targets are input to the behavior prediction device 200, the behavior prediction processing routine shown in FIG.

まず、ステップＳ４００で、行動予測用入力部５０によって、行動予測対象として入力された曜日及び時間帯を受け付ける。ステップＳ４０１で、行動予測対象のユーザの全チェックインログデータから、行動予測対象のユーザの直前の訪問場所を取得する。   First, in step S400, the day of the week and the time zone input as behavior prediction targets are received by the behavior prediction input unit 50. In step S <b> 401, the visit location immediately before the behavior prediction target user is acquired from all check-in log data of the behavior prediction target user.

ステップＳ４０２において、周期的習慣算出部７０によって、訪問場所の各々に対し、上記ステップＳ４００で受け付けたユーザの行動予測対象として入力された曜日及び時間帯と当該訪問場所との組み合わせについて、上記式（７）に従って、個人習慣データベース６６に格納された確率分布ＭＵＰＴＤ、ＭＵＰＤ、ＭＵＰＴ、ＭＵＰと、重み係数データベース３０に格納された重み係数ｗＰＴＤ、ｗＰＤ、ｗＰＴ、ｗＰをｗＰＴＤ＋ｗＰＤ＋ｗＰＴ＋ｗＰ＝１．０を満たすように正規化した値とに基づいて、周期的習慣による訪問確率ＰＰＡＬＬを算出する。 In step S402, with respect to the combination of the day of the week and the time zone input as the user's behavior prediction target received in step S400 and the visited place by the periodic habit calculating unit 70 for each visited place, the above formula ( accordance 7), the probability stored in the personal habits database 66 distribution MU PTD, MU PD, MU PT , and MU P, the weighting coefficient w PTD stored in the weighting factor database 30, w PD, w PT, the w P w PTD + w PD + w PT + w P = 1.0 on the basis of a value obtained by normalizing to meet, to calculate the visit probability P PALL by periodically habits.

ステップＳ４０４において、遷移習慣算出部７２によって、訪問場所の各々に対し、上記ステップＳ４０１で取得したユーザの直前の訪問場所と、個人習慣データベース６６に格納されている第１遷移確率ＭＭＰ又は全体習慣データベース６８に格納されている第２遷移確率ＭＭＧとに基づいて、遷移習慣による訪問確率ＭＭＧＰを決定する。 In step S404, the transition habits calculator 72, for each of the visiting location, and the previous visit location of the user acquired in step S401, the first transition probability MM P or whole habits are stored in the personal habits database 66 based on the second transition probability MM G stored in the database 68, determines the visit probability MM GP by transition habits.

ステップＳ４０６において、行動予測部７４によって、訪問場所の各々に対し、上記ステップＳ４０２で算出された周期的習慣による訪問確率ＰＰＡＬＬと、上記ステップＳ４０４で決定された遷移習慣による訪問確率ＭＭＧＰとに基づいて、ユーザが当該訪問場所を訪問することが予測される確率を表す訪問確率を算出する。 In step S406, the behavior prediction unit 74 converts the visit probability P PALL according to the periodic habits calculated in step S402 and the visit probability MM GP due to the transition habits determined in step S404 for each of the visited places. Based on this, a visit probability representing the probability that the user is expected to visit the visit location is calculated.

ステップＳ４０８において、ステップＳ４０６で算出された訪問確率の各々を出力して、行動予測処理ルーチンを終了する。   In step S408, each visit probability calculated in step S406 is output, and the behavior prediction processing routine is terminated.

そして、ステップＳ４０８において出力された訪問確率の各々のうち訪問確率が上位となった訪問場所が、行動予測対象のユーザが訪問するであろう訪問場所として予測される。   Then, the visit place where the visit probability is higher among the visit probabilities output in step S408 is predicted as the visit place where the behavior prediction target user will visit.

なお、第２の実施の形態に係る行動予測装置の他の構成及び作用については、第１の実施の形態と同様であるため、説明を省略する。   In addition, about the other structure and effect | action of the action prediction apparatus which concern on 2nd Embodiment, since it is the same as that of 1st Embodiment, description is abbreviate | omitted.

以上説明したように、第２の実施の形態に係る行動予測装置によれば、ユーザの全チェックインログデータに基づいて、訪問場所、曜日、及び時間帯の組み合わせの各々について、曜日及び時間帯の組み合わせにおける、ユーザが当該訪問場所へ訪問する周期的な習慣性を表す確率、およびユーザ本人またはユーザ全体の１つ前の訪問場所から次の訪問場所への遷移習慣による訪問確率をそれぞれ算出し、訪問場所の各々に対し、ユーザの行動予測対象として入力された曜日及び時間帯と当該訪問場所との組み合わせについて算出された周期的な習慣性を表す確率、および直前の訪問場所から当該訪問場所へ遷移するユーザ本人およびユーザ全体の遷移習慣による訪問確率に基づいて、ユーザが当該訪問場所を訪問することが予測される確率を表す訪問確率を算出することにより、ユーザの行動を精度よく予測することができる。   As described above, according to the behavior prediction apparatus according to the second embodiment, the day of the week and the time of day for each combination of the place of visit, the day of the week, and the time of the day based on all the check-in log data of the user. In each combination, the probability representing the periodic habit of the user visiting the visit location, and the visit probability due to the transition habit from the previous visit location of the user himself or the entire user to the next visit location are calculated respectively. For each of the visited places, the probability indicating the periodic habituation calculated for the combination of the visited place and the day of the week and the time zone input as the user's behavior prediction target, and the visited place from the previous visited place Probability that the user is expected to visit the visit location based on the visit probability based on the user's transition to the user and the transition habits of the entire user By calculating the visit probability representing it can predict accurately the behavior of the user.

＜検証結果１＞
次に、第２の実施の形態に係る行動予測装置の検証結果を示す。具体的には、行動予測精度評価による検証を実施し、時間帯や曜日の考慮有無に応じた４つの確率分布を重みづけして足し合わせてユーザの行動予測を行う場合の効果を検証する。 <Verification result 1>
Next, a verification result of the behavior prediction apparatus according to the second embodiment is shown. Specifically, the verification by evaluating the behavior prediction accuracy is performed, and the effect of predicting the user's behavior by weighting and adding the four probability distributions according to the presence / absence of the time zone and the day of the week is verified.

行動予測部７４における、周期的習慣による訪問確率と遷移習慣による訪問確率との重みは、前述の通り予測精度による検証から０．３ＰＰＡＬＬ＋０．７ＭＭＧＰとする。 In the behavior prediction unit 74, the weight of the visit probability based on the periodic habit and the visit probability based on the transition habit is set to 0.3P PALL + 0.7MM GP based on the verification based on the prediction accuracy as described above.

検証実験にはStanford大学が以下で公開しているチェックインログを使用する。   For the verification experiment, the check-in log published by Stanford University is used below.

非特許文献：［平成２６年１月２８日検索］インターネット＜ＵＲＬ：http://snap.stanford.edu/data/#locnet＞ Non-patent literature: [Search on January 28, 2014] Internet <URL: http://snap.stanford.edu/data/#locnet>

ここでは、Ｇｏｗａｌｌａ、Ｂｒｉｇｈｔｋｉｔｅの２つのサイトのログが公開されている。本検証においては、公開データに含まれるログのうち、日本国内のデータだけを抜粋した。１００ログ以上あるユーザについて、各ユーザのログのうち８０％を学習データ（確率分布を作成する際のユーザの全チェックインログデータ）とし、残りの２０％をテストデータとする。１００ログ未満のユーザのログは全て学習データとした。   Here, logs of two sites, Gowalla and Brightkit, are disclosed. In this verification, only the data in Japan was extracted from the logs included in the public data. For users who have 100 logs or more, 80% of each user's log is learning data (all user's check-in log data when creating a probability distribution), and the remaining 20% is test data. All user logs of less than 100 logs were used as learning data.

予測するテストログの中には、実際は非習慣行動と判定されるべきログも混在しているため、予測精度には限界があると考えられる。しかしながら、テストデータに含まれる習慣的行動の予測精度評価により、提案法による習慣抽出モデルがもたらす効果を定量的に評価できると期待される。表３に各習慣の利用による行動予測精度を示す。ここでは、テストデータ中の訪問の曜日・時間帯と、１つ前の訪問場所を与えた上で全場所への訪問確率を算出し、そのうち上位５個（ｐ＠５）または１個（ｐ＠１）を出力することで、正答率を計算する。予測精度は正答回数／総予測回数で算出し、単位は％とする。   In the test log to be predicted, there is actually a log that should be determined as non-habitual behavior, so that the prediction accuracy is considered to be limited. However, it is expected that the effect of the habit extraction model based on the proposed method can be quantitatively evaluated by evaluating the accuracy of habitual behavior contained in the test data. Table 3 shows the behavior prediction accuracy by using each habit. Here, given the day of the week and time of the visit in the test data and the previous visit location, the visit probability to all locations is calculated, and the top 5 (p @ 5) or 1 (p The correct answer rate is calculated by outputting @ 1). The prediction accuracy is calculated by the number of correct answers / the total number of predictions, and the unit is%.

４つの習慣を組み合わせた（ｅ）ＰＰＡＬＬを用いることにより、各習慣を単独で利用する（ａ）‐（ｄ）に比べ、精度が向上することが分かった。 It was found that using (e) P PALL , which combines four habits, improves accuracy compared to (a)-(d) where each habit is used alone.

加えて、本人と全ユーザの遷移習慣を組み合わせて利用したＭＭＧＰとの線形和を取った（ｆ）を用いると、さらに精度が向上した。曜日考慮習慣、時間帯考慮習慣、個人遷移習慣をそれぞれ独立と捉えて掛け合わせた非特許文献１のモデル（ｇ）の精度を上回っていることが分かる。参考のために、提案したＰＰＡＬＬを周期的習慣として用いた上で、非特許文献１と同様に個人遷移習慣との掛け合わせを行った（ｈ）を見ると、曜日・時間帯を独立と考えた非特許文献１の（ｇ）よりも精度が高いことが分かる。すなわち、遷移習慣との組み合わせ方法改良による効果を取り除いた場合においても、ＰＰＡＬＬが有効であることが分かる。 In addition, the accuracy was further improved by using (f), which is a linear sum of the MM GP used by combining the transition habits of the user and all users. It can be seen that the accuracy of the model (g) of Non-Patent Document 1 obtained by multiplying the customs for day-of-week consideration, customs for consideration of time zones, and individual-transition habits as independent is multiplied. For reference, after using the proposed P PALL as a periodic habit and crossing with the personal transition habits as in Non-Patent Document 1, (h) shows that the day of the week and the time zone are independent. It can be seen that the accuracy is higher than (g) of Non-Patent Document 1 considered. That is, it is understood that P PALL is effective even when the effect of the combination method improvement with the transition habit is removed.

以上のように、４つの習慣を組み合わせたＰＰＡＬＬは、単独で用いる場合、遷移習慣と組み合わせて用いる場合の両方において効果があり、習慣度算出においても、同様の組み合わせを行うことが有効であると考えられる。また、遷移習慣の抽出方法、周期的習慣・遷移習慣の組み合わせ方法にも改良を加えることにより、非特許文献１の既存手法に比べて、ｐ＠５で１０％以上の精度向上が見られることが分かった。 As described above, P PALL combining four habits is effective both when used alone and when used in combination with transition habits, and it is effective to perform the same combination in calculating habits. it is conceivable that. In addition, by improving the extraction method of transition habits and the combination method of periodic habits / transition habits, an accuracy improvement of 10% or more can be seen at p @ 5 compared to the existing method of Non-Patent Document 1. I understood.

＜検証結果２＞
上記検証結果１で示したデータを用いて、テストデータ中の各ログの習慣度を算出し、第１の実施の形態の効果を検証した。まず、場所毎に全ユーザによる習慣度を平均した結果、習慣度が特に高かった場所と低かった場所を図１１に示す。習慣性が高いと予想されるオフィスや住宅、習慣性が低いと予想されるイベント会場や観光地がそれぞれ抽出された。 <Verification result 2>
Using the data shown in the verification result 1, the custom degree of each log in the test data was calculated to verify the effect of the first embodiment. First, as a result of averaging the habits by all users for each place, places where habits were particularly high and places where they were low are shown in FIG. Offices and houses that are expected to be highly addictive, and event venues and tourist spots that are expected to be less addictive were extracted.

図１２はＧｏｗａｌｌａの１ユーザのテストログに対して、場所毎に平均した習慣度を、緯度経度情報を参照して２次元平面上に配置したものである。観察するユーザはログ数が多いユーザのうち、ＲＰとＲＰＴＤの差が大きいユーザを選出した。図１２の２次元平面は縦が緯度方向で横が経度方向の地図に相当する。図１２のうち上段の図中の線は一部の鉄道を示す。また、図１２の図中では、色が濃いほど習慣度が高いことを示す。最も薄い色は習慣度が負の場合、残りの８色は習慣度が正のものについて、値の大小で８段階に分けた。上段の図中ａ、ｂのように習慣度の高い黒色が集中している場所の周辺にも、習慣度が低い灰色などが見られることが分かる。頻繁に訪問する場所からの距離が遠いほど非習慣とする従来の方法では検出できない非習慣が検出できている。 FIG. 12 shows an average custom degree for each place with respect to a test log of one user of Gowalla arranged on a two-dimensional plane with reference to latitude / longitude information. Users observed among the number of log is large users, elected user difference R P and R PTD is high. The two-dimensional plane in FIG. 12 corresponds to a map in which the vertical direction is the latitude direction and the horizontal direction is the longitude direction. The lines in the upper part of FIG. 12 indicate some railways. Moreover, in the figure of FIG. 12, it shows that a custom degree is so high that a color is dark. The lightest color was a negative habit level, and the remaining 8 colors were positive in the habit level. It can be seen that gray having a low habituation level is also seen around a place where black with a high habituation level is concentrated as shown in FIGS. Non-habits that cannot be detected by the conventional method of making non-habits as the distance from the frequently visited place farther can be detected.

図１２の下部分はａの周辺を拡大したものである。吹き出しの中の括弧内の数字は、学習データ中の訪問回数である。駅や予備校の習慣度が最も高く、ハンバーガー店やコンビニの習慣度が次いで高い。一方、同じハンバーガー店でも習慣度が低いものも見られ、非習慣的にこのハンバーガー店や牛丼チェーン、ラーメン屋を訪問していることが分かる。習慣度の値を詳細に観察すると、必ずしも学習データにおいて訪問回数が多いほど習慣度が高いという結果にはなっていないことが分かった。   The lower part of FIG. 12 is an enlarged view around a. The number in parentheses in the balloon is the number of visits in the learning data. The habits of stations and prep schools are the highest, followed by the habits of hamburgers and convenience stores. On the other hand, some of the same hamburger stores have low habits, indicating that they are visiting non-customary hamburgers, beef bowl chains, and ramen shops. When observing the value of the habit level in detail, it was found that the habit level did not necessarily increase as the number of visits increased in the learning data.

図１３は同じユーザの２１日分のテストデータの習慣度変遷を時系列に沿って可視化したものである。横軸の点線は日付を示し、１日の中を１時間ずつ２４分割した。縦軸は場所を表す。テストデータに登場した順に下から表示を割り当てた。矩形で囲まれた場所（予備校）を見ると、ほぼ毎日訪問しているものの、その習慣度には微妙な変化があることが分かる。この予備校における周期性習慣の抽出結果と、各訪問における習慣度の詳細を図１４にまとめた。なお、図１４でＭＵＰＤの表の１は月曜日で７は日曜日を示す。比較的習慣度の低い２回目（２日目）、３回目(３日目)、１１回目（１２日目）などの訪問は訪問時間帯や曜日が習慣と異なるため、習慣度が低いことが分かる。例えば１１回目の訪問は従来よりも遅い時間に予備校にいたため、習慣度が低いと考えられる。この後の訪問を調べると、非習慣的にラーメン屋を訪問していることが分かった。帰りが遅れたため、普段あまり利用しない飲食店で食事をして帰ったという可能性が考えられる。１１回目の訪問だけでなく、図１３において楕円で囲まれているように、いつも訪れている場所への訪問にも関わらず訪問時間帯が非習慣的だった場合、その前後にも非習慣行動が続きやすいことが可視化結果から分かる。このような非習慣行動を続けているタイミングで、本人履歴がない、新規性・意外性の高い飲食店を推薦するなどといった情報配信への活用が検討できる。 FIG. 13 visualizes the habit level transition of the test data for 21 days of the same user in time series. The dotted line on the horizontal axis indicates the date, and the day was divided into 24 hours by hour. The vertical axis represents the location. The display was assigned from the bottom in the order of appearance in the test data. If you look at the place surrounded by the rectangle (preparatory school), you can see that there is a subtle change in the degree of habits that you visit almost every day. The extraction results of periodic habits at this prep school and the details of habits at each visit are summarized in FIG. In FIG. 14, 1 in the MU PD table indicates Monday and 7 indicates Sunday. Visits such as the second time (second day), the third time (third day), and the eleventh time (12th day), which have relatively low habits, are different in habits from visiting hours and days of the week. I understand. For example, the 11th visit was at a prep school at a later time than before, so the degree of habit is considered low. Examining the subsequent visits, it was found that he was visiting a ramen shop non-customarily. Since the return was delayed, there is a possibility that he returned after having eaten at a restaurant that he does not normally use. In addition to the 11th visit, as shown in the ellipse in FIG. 13, when the visit time zone is non-customary despite the visit to the place that is always visited, the non-custom behavior before and after the visit It can be seen from the visualization results that it is easy to continue. It is possible to consider the use for information distribution such as recommending restaurants with no novelty and high novelty / unexpectedness at the timing of continuing such non-habitual behavior.

以上にように、１人のユーザについて、非習慣行動を行っている際に、続けて非習慣行動を行う場合があるということが観察できたが、統計的にそのような傾向があるかどうかを検証する必要がある。移動時間が２時間以内で連続する２ログ間の習慣度の差を分析したところ、習慣度差の平均はＧｏｗａｌｌａで−３．３５、Ｂｒｉｇｈｔｋｉｔｅで−８．１１であることが分かった。習慣度差の平均が負の値を取るということは、非習慣状態（習慣度は小さい）から習慣状態（習慣度は大きい）への変化は少ないということを示す。従って、習慣度の値が低い時に、本人履歴にない場所を推薦することが有効な可能性があると考えられる。   As described above, it was observed that one user may continue to perform non-habitual behavior when performing non-habitable behavior. Need to be verified. When the difference in habits between two logs that traveled within 2 hours was analyzed, it was found that the average of habits was -3.35 for Gowalla and -8.11 for Brightkit. The fact that the average of the habit level difference takes a negative value indicates that there is little change from the non-habit state (habit level is small) to the habit state (habit level is large). Therefore, it may be effective to recommend a place that is not in the person's history when the value of the habit level is low.

本発明は、上記実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。   The present invention is not limited to the above-described embodiment, and various modifications and applications can be made without departing from the gist of the present invention.

例えば、上記の実施の形態では、訪問行動ログデータとしてチェックインログデータを用いた場合を例に説明したが、これに限定されるものではなく、訪問場所、曜日、及び時間帯の組み合わせを表す他の位置情報データを用いてもよい。   For example, in the above embodiment, the case where the check-in log data is used as the visit behavior log data has been described as an example. However, the present invention is not limited to this, and represents a combination of a visited place, a day of the week, and a time zone. Other position information data may be used.

また、上記の実施の形態では、時間帯の単位を１時間刻みとした場合を例に説明したが、これに限定されるものでなく、他の単位の時間帯を用いてもよい。   Further, in the above embodiment, the case where the unit of the time zone is set in increments of 1 hour has been described as an example. However, the present invention is not limited to this, and a time zone of another unit may be used.

また、第１の実施の形態の習慣度算出部３２では、上記式（２）に示したように、４つの習慣度ＲＰＴＤ、ＲＰＤ、ＲＰＴ、及びＲＰを重み付けして算出した結果を出力する場合を例に説明したが、これに限定されるものではない。例えば、曜日及び時間帯において当該訪問場所を訪問する習慣度ＲＰＴＤのみを算出して出力してもよい。 Further, in the first embodiment of the habit calculator 32, as shown in the above formula (2), four habits of R PTD, R PD, result R PT, and was calculated by weighting the R P However, the present invention is not limited to this. For example, it may be possible to calculate and output only the custom degree R PTD for visiting the visited place on the day of the week and time.

また、第２の実施の形態の行動予測部７４では、周期的習慣による訪問確率と遷移習慣による訪問確率とを考慮してユーザの訪問確率を算出する場合を例に説明したが、これに限定されるものではない。例えば、周期的習慣による訪問確率ＰＡＬＬのみを考慮し、当該周期的習慣による訪問確率ＰＡＬＬをユーザの訪問確率として算出してもよい。さらに、周期的習慣による訪問確率ＰＡＬＬを、４つの確率である、第１の確率Ｐ（ｌ｜ｔ，ｄ，ｕ）、第２の確率Ｐ（ｌ｜ｄ，ｕ）、第３の確率Ｐ（ｌ｜ｔ，ｕ）、第４の確率Ｐ（ｌ｜ｕ）を重みづけして算出した場合を例に説明したが、これに限定されるものではなく、例えば、行動予測対象として入力された曜日及び時間帯と当該訪問場所との組み合わせについて算出された第１の確率Ｐ（ｌ｜ｔ，ｄ，ｕ）を訪問確率ＰＡＬＬとして算出してもよい。 In addition, the behavior prediction unit 74 according to the second embodiment has been described with respect to an example in which the visit probability of the user is calculated in consideration of the visit probability based on the periodic habit and the visit probability based on the transition habit, but the present invention is not limited thereto. Is not to be done. For example, only the visit probability P ALL due to the periodic habit may be considered, and the visit probability P ALL due to the periodic habit may be calculated as the visit probability of the user. Further, the visit probability P ALL due to the periodic habit is changed into four probabilities, the first probability P (l | t, d, u), the second probability P (l | d, u), and the third probability. The case where P (l | t, u) and the fourth probability P (l | u) are calculated has been described as an example, but the present invention is not limited to this. The first probability P (l | t, d, u) calculated for the combination of the selected day of the week and time zone and the visited place may be calculated as the visit probability P ALL .

また、第１の実施の形態では、習慣算出部２４と習慣度算出部３２とを１つの装置として構成する場合を例に説明したが、習慣算出部２４と習慣度算出部３２とを別々の装置として構成してもよい。   Moreover, in 1st Embodiment, although the case where the habit calculation part 24 and the habit level calculation part 32 were comprised as one apparatus was demonstrated to the example, the habit calculation part 24 and the habit level calculation part 32 were separately provided. You may comprise as an apparatus.

また、第２の実施の形態では、習慣算出部６４と行動予測部７４とを１つの装置として構成する場合を例に説明したが、習慣算出部６４と行動予測部７４とを別々の装置として構成してもよい。   Moreover, in 2nd Embodiment, although the case where the habit calculation part 64 and the action prediction part 74 were comprised as one apparatus was demonstrated to the example, the habit calculation part 64 and the action prediction part 74 are made into a separate apparatus. It may be configured.

また、第１の実施の形態の習慣度算出装置１００は、チェックインログデータベース２２、個人習慣データベース２６、及び重み係数データベース３０を備えている場合について説明したが、例えばチェックインログデータベース２２、個人習慣データベース２６、及び重み係数データベース３０の少なくとも１つが習慣度算出装置１００の外部装置に設けられ、習慣度算出装置１００は、外部装置と通信手段を用いて通信することにより、チェックインログデータベース２２、個人習慣データベース２６、及び重み係数データベース３０を参照するようにしてもよい。   Moreover, although the case where the customs degree calculation device 100 of the first embodiment includes the check-in log database 22, the personal habit database 26, and the weighting coefficient database 30 has been described, for example, the check-in log database 22, the individual At least one of the habit database 26 and the weighting factor database 30 is provided in an external device of the habit level calculation device 100, and the habit level calculation device 100 communicates with the external device using communication means, thereby checking in the log-in log database 22. The personal habit database 26 and the weight coefficient database 30 may be referred to.

また、第２の実施の形態の行動予測装置２００は、チェックインログデータベース６２、個人習慣データベース６６、全体習慣データベース６８、及び重み係数データベース３０を備えている場合について説明したが、例えばチェックインログデータベース６２、個人習慣データベース６６、全体習慣データベース６８、及び重み係数データベース３０の少なくとも１つが行動予測装置２００の外部装置に設けられ、行動予測装置２００は、外部装置と通信手段を用いて通信することにより、チェックインログデータベース６２、個人習慣データベース６６、全体習慣データベース６８、及び重み係数データベース３０を参照するようにしてもよい。   Moreover, although the behavior prediction apparatus 200 of 2nd Embodiment demonstrated the case where the check-in log database 62, the personal habit database 66, the whole habits database 68, and the weighting coefficient database 30 were demonstrated, for example, check-in log At least one of the database 62, the personal habit database 66, the overall habit database 68, and the weight coefficient database 30 is provided in an external device of the behavior prediction device 200, and the behavior prediction device 200 communicates with the external device using a communication unit. Thus, the check-in log database 62, the personal habit database 66, the overall habit database 68, and the weight coefficient database 30 may be referred to.

また、上述の習慣度算出装置、及び行動予測装置は、内部にコンピュータシステムを有しているが、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。   Moreover, although the above-mentioned habit level calculation device and behavior prediction device have a computer system inside, if the “computer system” uses a WWW system, a homepage provision environment (or display) Environment).

また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能である。   In the present specification, the embodiment has been described in which the program is installed in advance. However, the program can be provided by being stored in a computer-readable recording medium.

１０ 習慣度算出用入力部
２０ 習慣度算出用演算部
２２，６２ チェックインログデータベース
２４，６４ 習慣算出部
２６，６６ 個人習慣データベース
２８ 重み係数算出部
３０ 重み係数データベース
３２ 習慣度算出部
４０ 習慣度算出結果出力部
５０ 行動予測用入力部
６０ 行動予測用演算部
６８ 全体習慣データベース
７０ 周期的習慣算出部
７２ 遷移習慣算出部
７４ 行動予測部
８０ 行動予測結果出力部
１００ 習慣度算出装置
２００ 行動予測装置 DESCRIPTION OF SYMBOLS 10 Habit degree calculation input part 20 Habit degree calculation operation part 22, 62 Check-in log database 24, 64 Habit calculation part 26, 66 Personal habit database 28 Weight coefficient calculation part 30 Weight coefficient database 32 Habit degree calculation part 40 Habit degree Calculation result output unit 50 Behavior prediction input unit 60 Behavior prediction calculation unit 68 Overall habit database 70 Periodic habit calculation unit 72 Transition habit calculation unit 74 Behavior prediction unit 80 Behavior prediction result output unit 100 Habit level calculation device 200 Behavior prediction device

Claims (5)

ユーザが訪問した訪問場所、曜日、及び時間帯の組み合わせを表す訪問行動ログデータに基づいて、前記訪問場所、曜日、及び時間帯の組み合わせの各々について、前記曜日及び前記時間帯の組み合わせにおける、前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す第１の確率を算出し、前記訪問場所及び曜日の組み合わせの各々について、前記曜日における前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す第２の確率を算出し、前記訪問場所及び時間帯の組み合わせの各々について、前記時間帯における前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す第３の確率を算出し、前記訪問場所の各々について、曜日及び時間帯を考慮せずに、前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す第４の確率を算出する習慣算出手段と、
入力された算出対象の訪問場所、曜日、及び時間帯の組み合わせと、前記習慣算出手段によって算出された前記第１の確率、前記第２の確率、前記第３の確率、及び前記第４の確率とに基づいて、前記ユーザが算出対象の曜日及び時間帯において前記訪問場所を訪問する習慣度を算出する習慣度算出手段と、
を含む習慣度算出装置。 Visit where the user has visited, based on the visited action log data representing the combination of the day, and time period, the visiting location, day of the week, and for each of the combinations of time periods, in the combination day and the time zone, the A first probability representing a periodic habit of a user visiting the visited location is calculated, and for each combination of the visited location and the day of the week, the periodic habit of the user visiting the visited location on the day of the week Calculating a second probability representing a sex, and calculating a third probability representing a periodic habit of the user visiting the visited location in the time zone for each combination of the visited location and the time zone. For each of the visited places, a fourth probability representing a periodic habit of the user visiting the visited place without considering the day of the week and the time zone And customs calculation means for calculating,
A combination of the input visit place, day of the week, and time zone to be calculated, and the first probability, the second probability, the third probability, and the fourth probability calculated by the habit calculating means Based on the above, a habit level calculation means for calculating a habit level for the user to visit the visited place in the day of the week and the time zone to be calculated,
Habit level calculation device including ユーザが訪問した訪問場所、曜日、及び時間帯の組み合わせを表す訪問行動ログデータに基づいて、前記訪問場所、曜日、及び時間帯の組み合わせの各々について、前記曜日及び前記時間帯の組み合わせにおける、前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す確率を算出する習慣算出手段と、
前記訪問場所の各々に対し、前記ユーザの行動予測対象として入力された曜日及び時間帯と前記訪問場所との組み合わせについて前記習慣算出手段によって算出された前記確率に基づいて、前記ユーザが前記訪問場所を訪問することが予測される確率を表す訪問確率を算出する行動予測手段と、
を含む行動予測装置。 Based on the visit behavior log data representing a combination of a visit place, a day of the week, and a time zone visited by the user, for each of the combination of the visit location, the day of the week, and the time zone, the combination of the day of the week and the time zone, Habit calculating means for calculating a probability representing a periodic habit of a user visiting the visited place;
Based on the probability calculated by the habit calculating means for the combination of the day of the week and the time zone input as the user's behavior prediction target and the visited place for each of the visited places, the user visits the visited place. Behavior predicting means for calculating a visit probability that represents a probability that the user is expected to visit
A behavior prediction device including: 前記習慣算出手段は、前記ユーザの前記訪問行動ログデータに基づいて、前記訪問場所のペアの各々について、前記ユーザが前記ペアの一方の訪問場所から他方の訪問場所へ遷移する習慣性を表す第１遷移確率を更に算出し、
複数のユーザの前記訪問行動ログデータに基づいて、前記訪問場所のペアの各々について、前記複数のユーザが前記ペアの一方の訪問場所から他方の訪問場所へ遷移する習慣性を表す第２遷移確率を更に算出し、
前記行動予測手段は、前記訪問場所の各々に対し、前記ユーザの行動予測対象として入力された曜日及び時間帯と前記訪問場所との組み合わせについて前記習慣算出手段によって算出された前記確率と、前記ユーザの直前の訪問場所から前記訪問場所へ遷移する前記第１遷移確率又は前記第２遷移確率とに基づいて、前記訪問確率を算出する請求項２に記載の行動予測装置。 The habit calculation means indicates, for each of the pairs of visited places, the habit of the user transitioning from one visited place to the other visited place of the pair based on the visit behavior log data of the user. Further calculate a transition probability,
Based on the visit behavior log data of a plurality of users, for each of the pairs of visited places, a second transition probability that represents the habit of transition of the plurality of users from one visited place to the other visited place of the pair Is further calculated,
For each of the visited places, the behavior predicting means includes the probability calculated by the habit calculating means for a combination of a day of the week and a time zone input as the user's behavior prediction target and the visited place, and the user The behavior prediction apparatus according to claim 2 , wherein the visit probability is calculated based on the first transition probability or the second transition probability that makes a transition from the previous visit location to the visit location. 習慣算出手段、及び習慣度算出手段を含む習慣度算出装置における習慣度算出方法であって、
前記習慣算出手段が、ユーザが訪問した訪問場所、曜日、及び時間帯の組み合わせを表す訪問行動ログデータに基づいて、前記訪問場所、曜日、及び時間帯の組み合わせの各々について、前記曜日及び前記時間帯の組み合わせにおける、前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す第１の確率を算出し、前記訪問場所及び曜日の組み合わせの各々について、前記曜日における前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す第２の確率を算出し、前記訪問場所及び時間帯の組み合わせの各々について、前記時間帯における前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す第３の確率を算出し、前記訪問場所の各々について、曜日及び時間帯を考慮せずに、前記ユーザが前記訪問場所へ訪問する周期的な習慣性を表す第４の確率を算出するステップと、
前記習慣度算出手段が、入力された算出対象の訪問場所、曜日、及び時間帯の組み合わせと、前記習慣算出手段によって算出された前記第１の確率、前記第２の確率、前記第３の確率、及び前記第４の確率とに基づいて、前記ユーザが算出対象の曜日及び時間帯において前記訪問場所を訪問する習慣度を算出するステップと、
を含む習慣度算出方法。 A habit degree calculating method in a habit degree calculating device including a habit calculating means and a habit degree calculating means,
Based on the visit behavior log data representing the combination of the visited place, day of the week, and time zone visited by the user, the habit calculating means sets the day of the week and the time for each of the combination of the visited place, day of the week, and time zone. Calculating a first probability representing a periodic habit of the user visiting the visited location in a combination of bands, and for each combination of visited location and day of week, the user at the day of the week to the visited location A second probability representing a periodic habit of visiting is calculated, and for each combination of the visited location and time zone, a second probability representing the periodic habit of the user visiting the visited location in the time zone is calculated. A probability of 3 is calculated, and for each of the visited places, the user periodically visits the visited place without considering the day of the week and the time zone. Calculating a fourth probability representing the sex,
The habit level calculation means is a combination of the input visit place, day of the week, and time zone to be calculated, and the first probability, the second probability, and the third probability calculated by the habit calculation means. And, based on the fourth probability , calculating a custom degree for the user to visit the visited place on a day of the week and a time zone to be calculated;
Habit level calculation method including. コンピュータに、請求項１に記載の習慣度算出装置、あるいは請求項２又は請求項３に記載の行動予測装置の各手段として機能させるためのプログラム。 The computer program to function as the means of the behavior prediction apparatus according to habit calculation device, or claim 2 or claim 3 according to claim 1.
JP2014025648A 2014-02-13 2014-02-13 Habit level calculation device, behavior prediction device, method, and program Active JP6131201B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2014025648A JP6131201B2 (en) 2014-02-13 2014-02-13 Habit level calculation device, behavior prediction device, method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014025648A JP6131201B2 (en) 2014-02-13 2014-02-13 Habit level calculation device, behavior prediction device, method, and program

Publications (2)

Publication Number Publication Date
JP2015153088A JP2015153088A (en) 2015-08-24
JP6131201B2 true JP6131201B2 (en) 2017-05-17

Family

ID=53895277

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014025648A Active JP6131201B2 (en) 2014-02-13 2014-02-13 Habit level calculation device, behavior prediction device, method, and program

Country Status (1)

Country Link
JP (1) JP6131201B2 (en)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6513557B2 (en) * 2015-11-11 2019-05-15 日本電信電話株式会社 Internal reference estimation device, method and program
JP2017107385A (en) * 2015-12-09 2017-06-15 日本電信電話株式会社 Task assignment device, method, and program
KR101890528B1 (en) * 2016-03-11 2018-09-28 이준영 A prediction system for visitors' number of the cafeteria
US20180129929A1 (en) * 2016-11-09 2018-05-10 Fuji Xerox Co., Ltd. Method and system for inferring user visit behavior of a user based on social media content posted online
JP2018135891A (en) * 2018-06-06 2018-08-30 株式会社デンソー Injection control device
JP7260148B2 (en) * 2019-03-12 2023-04-18 Ｎｅｃソリューションイノベータ株式会社 Timing determination device, determination method, program, and recording medium
WO2020230736A1 (en) * 2019-05-14 2020-11-19 株式会社Ｎｔｔドコモ Demand distribution device
WO2022018835A1 (en) * 2020-07-21 2022-01-27 三菱電機株式会社 Location prediction device, location prediction method, and location prediction program

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4248529B2 (en) * 2003-02-25 2009-04-02 パナソニック株式会社 Mobile terminal
JP5305802B2 (en) * 2008-09-17 2013-10-02 オリンパス株式会社 Information presentation system, program, and information storage medium
JP5421307B2 (en) * 2011-02-21 2014-02-19 日本電信電話株式会社 Behavior prediction device, behavior prediction method, and behavior prediction program

Also Published As

Publication number Publication date
JP2015153088A (en) 2015-08-24

Similar Documents

Publication Publication Date Title
JP6131201B2 (en) Habit level calculation device, behavior prediction device, method, and program
US10726438B2 (en) Personalized contextual coupon engine
Zengyan et al. Cyber migration: An empirical investigation on factors that affect users' switch intentions in social networking sites
KR101979401B1 (en) Ranking nearby destinations based on visit likelihoods and predicting future visits to places from location history
KR101552149B1 (en) - Method and system to predict and recommend future goal-oriented activity
US8620764B2 (en) Method for providing a recommendation such as a personalized recommendation, recommender system, and computer program product comprising a recommender computer program
US8838586B2 (en) Relevancy ranking for map-related search
US11127020B2 (en) Generating an activity inference model from contextual data
KR101312927B1 (en) Advertisement providing system
US20170032248A1 (en) Activity Detection Based On Activity Models
JP5413867B1 (en) Relationship graph mutual cooperation system
JP5661727B2 (en) Information distribution apparatus, information distribution method, and information distribution program
KR101677749B1 (en) Method and service server for recommendation of considering individual personality
KR101693429B1 (en) System for identifying human relationships around users and coaching based on identified human relationships
CN106056413A (en) Interest point recommendation method based on space-time preference
KR20150142610A (en) Method and system for coaching based on relationshinp type
JP2018077737A (en) Information processing apparatus, information processing system, information processing method and information processing program
US10713286B2 (en) Storage of point of interest data on a user device for offline use
KR101873319B1 (en) System for providing real time advertising and event service for small business owners
JP5798983B2 (en) Place evaluation system, apparatus, method and program
Ahn et al. Mobile advertisement recommender system using collaborative filtering: MAR-CF
JP2015172856A (en) Information collection evaluation device, information collection evaluation method and information collection evaluation program
US11138615B1 (en) Location-based place attribute prediction
Gustarini et al. Differences in smartphone usage: validating, evaluating, and predicting mobile user intimacy
KR101373825B1 (en) Service system and service method of collective preference information based on current context information

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160219

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20161227

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170110

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170307

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20170411

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20170417

R150 Certificate of patent or registration of utility model

Ref document number: 6131201

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150