JP6436440B2 - 生成装置、生成方法、及び、プログラム - Google Patents

生成装置、生成方法、及び、プログラム Download PDF

Info

Publication number
JP6436440B2
JP6436440B2 JP2014257190A JP2014257190A JP6436440B2 JP 6436440 B2 JP6436440 B2 JP 6436440B2 JP 2014257190 A JP2014257190 A JP 2014257190A JP 2014257190 A JP2014257190 A JP 2014257190A JP 6436440 B2 JP6436440 B2 JP 6436440B2
Authority
JP
Japan
Prior art keywords
target
unknown
segment
attribute
customer
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
JP2014257190A
Other languages
English (en)
Other versions
JP2016118865A (ja
Inventor
亮 河原
亮 河原
俊一 天野
俊一 天野
正樹 大野
正樹 大野
上條　浩一
浩一 上條
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.)
International Business Machines Corp
Original Assignee
International Business Machines 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 International Business Machines Corp filed Critical International Business Machines Corp
Priority to JP2014257190A priority Critical patent/JP6436440B2/ja
Priority to US14/974,565 priority patent/US10997612B2/en
Publication of JP2016118865A publication Critical patent/JP2016118865A/ja
Application granted granted Critical
Publication of JP6436440B2 publication Critical patent/JP6436440B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、生成装置、生成方法、及び、プログラムに関する。
営業やマーケティング活動において、顧客等の対象が属するセグメントを特定し、特定したセグメントに応じてマルコフ決定過程等により対象に対して最適なアプローチをする手法が知られている。しかし、新規の顧客等の未知の対象の情報は少ないので、営業活動の初期段階で顧客がどのセグメントに属するのか十分に特定することができず、最適なアプローチを取ることができなかった。
特に既存顧客から新規顧客を紹介されるというケースは多く、両者は知り合いであるため新規顧客に悪いアプローチを取ることは既存顧客にも影響を与えかねないため改善が望まれる。
そこで未知の対象と関係がある既知の対象の情報に基づいて、未知の対象が属するセグメントを推定する方法が知られている（非特許文献１から４及び特許文献１参照）。しかし非特許文献２及び特許文献１は、未知の対象の記述した文章情報が分析できることが前提であり、文章情報が得られない新規顧客に適用できない。非特許文献１、３及び４は、隣接する対象同士の類似性や相関に基づいてセグメントを推定するが、紹介する顧客と紹介される顧客は必ずしも類似セグメントに属さないケースが多いので十分な結果が得られない。
［非特許文献１］Prithviraj Sen, Galileo Namata, Mustafa Bilgic, Lise Getoor, Brian Galligher, Tina Eliassi-Rad, AI magazine 2008
［非特許文献２］Marco Pennacchiotti and Ana-Maria Popescu, KDD 2011
［非特許文献３］Belkin et al., COLT 2004
［非特許文献４］Kondor and Lafferty, ICML 2002
［特許文献１］特開２０１３−２１８５７９号公報
しかし、新規の顧客等の未知の対象の情報は少ないので、営業活動の初期段階で顧客がどのセグメントに属するのか十分に特定することができなかった。
本発明の第１の態様においては、未知の対象の属性を推定する推定モデルを生成する生成装置であって、既知の対象の属性、当該既知の対象に関係する他の対象の属性、及び、当該既知の対象と他の対象との間の関係の種類の組を複数含む学習データを取得する学習データ取得部と、既知の対象の属性及び当該既知の対象に関係する未知の対象との間の関係の種類に基づいて当該未知の対象の属性を推定する推定モデルを、学習データを用いて学習する学習処理部と、を備える生成装置、当該生成装置を用いた生成方法、及び当該生成装置に用いるプログラムを提供する。
なお、上記の発明の概要は、本発明の特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。
本実施形態の生成装置１０のブロック図を示す。 本実施形態における複数の対象の関係を示す。 本実施形態の生成装置１０の学習時の処理フローを示す。 本実施形態の生成装置１０の遷移モデル実行時の処理フローを示す。 初期のセグメントを推定しない場合の遷移モデルの一例を示す。 本実施形態による遷移モデルの一例を示す。 本実施形態における対象が属するセグメントの一例を示す。 本実施形態におけるセグメントの別の一例を示す。 本実施形態におけるセグメントの別の一例を示す。 判別条件により更新された後のセグメント確率の一例を示す。 コンピュータ１９００のハードウェア構成の一例を示す。
以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
図１は、本実施形態の生成装置１０のブロック図を示す。生成装置１０は、既知の対象同士の学習データに基づいて、既知の対象と関係する未知の対象の属性を推定する推定モデルを生成する。ここで、「対象」とは、生成装置１０が生成する推定モデルの推定対象であり、例えば、商品／サービス等を購入／利用する顧客、消費者、購読者、及び、会員等を指す。「属性」は、対象の特徴であり、例えば、対象の詳細な情報であるプロファイル、及び、対象の状態を示すセグメントを含む。
また、「既知の対象」とは、例えば、商品等の以前に購入した既存の顧客、及び、サービス等に加入済みの有料会員又は無料会員等であってよい。「未知の対象」とは、潜在的な顧客であってよく、例えば、購入／契約前の顧客候補又は会員候補等であってよい。
例えば、生成装置１０は、既知の顧客のプロファイル等を含む学習データに基づいて、未知の顧客の購買意欲等の状態を示すセグメントを推定する推定モデルを生成する。生成装置１０は、モデル生成部１００、学習データ取得部１１０、学習処理部１２０、予測対象データ取得部１３０、プロファイル取得部１５０、判別条件記憶部１６０、推定部１７０、決定部１８０、及び、出力部１９０を備える。
モデル生成部１００は、複数の既知の対象についての状態遷移モデル、及び、当該状態遷移モデルにおける最適ポリシーを生成する。例えば、モデル生成部１００は、既知の対象の取引記録（例えば、購入履歴等）に基づいて、対象が予め定められた複数のセグメントの間で遷移する遷移モデル、及び、対象から得られる報酬を最大化するための最適ポリシーを生成する。一例として、モデル生成部１００は、部分観測マルコフ決定過程（ＰＯＭＤＰ）に基づく遷移モデル等を生成する。モデル生成部１００は、生成した遷移モデルを推定部１７０に供給し、最適ポリシーを決定部１８０に供給する。
また、モデル生成部１００は、既知の対象の属性を取得する。例えば、モデル生成部１００は、対象の属性として、取引記録から既知の対象のプロファイル情報を取得し、及び／又は、遷移モデルにおいて複数のセグメントのうち当該対象が最初に分類されるべきセグメントを復元し、属性として復元したセグメントを取得する。モデル生成部１００は、取引記録、及び、対象の属性を学習データ取得部１１０に供給する。
学習データ取得部１１０は、既知の対象についての学習データを取得する。例えば、学習データ取得部１１０は、既知の対象の属性、当該既知の対象に関係する既知の他の対象の属性、及び、当該既知の対象と既知の他の対象との間の関係の種類の組を複数含む学習データを取得する。
例えば、学習データ取得部１１０は、既知の対象の属性として、取引記録から既知の対象のプロファイルを取得してよく、モデル生成部１００が生成した既知の他の対象が分類されるべきセグメントを取得してよい。学習データ取得部１１０は、既知の対象に関係する既知の他の対象の属性として、既知の対象である既知の顧客に紹介された別の顧客の属性を取得してよい。
更に学習データ取得部１１０は、取引記録から未知の対象にアクションを行う行動主体の属性、及び／又は、行動主体に対する既知の対象の関係状態情報を更に含む学習データを取得してよい。例えば、学習データ取得部１１０は、未知の対象である顧客に営業活動を行う行動主体である営業担当者のプロファイル、及び／又は、既知の顧客の当該営業担当者への満足度を取得してよい。学習データ取得部１１０は、取得した学習データを学習処理部１２０に供給する。
学習処理部１２０は、学習データを用いて、既知の対象の属性及び当該既知の対象に関係する未知の対象との間の関係の種類に基づいて当該未知の対象の属性を推定する推定モデルを学習する。例えば、学習処理部１２０は、既知の対象のプロファイル、及び、既知の対象と未知の対象との関係の種類に基づいて、未知の対象が分類されるべきセグメントを推定する推定モデルを学習する。
学習処理部１２０は、更に行動主体の属性及び／又は関係状態情報に更に基づいて、推定モデルを学習してもよい。学習処理部１２０は、学習した推定モデルを推定部１７０に供給する。学習処理部１２０による具体的な処理の内容は後述する。
予測対象データ取得部１３０は、未知の対象の最初の属性を推定するために用いられる、未知の対象に関して最初の段階で得られている情報を予測対象データとして取得する。例えば、予測対象データ取得部１３０は、未知の対象に関係する既知の対象の属性、及び、当該未知の対象と当該既知の対象との関係の種類を含む予測対象データを取得する。予測対象データ取得部１３０は、取得した予測対象データを推定部１７０に供給する。
プロファイル取得部１５０は、未知の対象から事後的に得られた情報を取得する。例えば、プロファイル取得部１５０は、行動主体が未知の対象にアクションをした後に、未知の対象の少なくとも一部のプロファイルを取得する。プロファイル取得部１５０は、取得したプロファイルを推定部１７０に供給する。
判別条件記憶部１６０は、各セグメントに分類される対象のプロファイルが満たすべき複数の判別条件を記憶する。判別条件記憶部１６０は、判別条件を推定部１７０に供給する。
推定部１７０は、既知の対象のプロファイル及び当該既知の対象に関係する未知の対象との間の関係の種類を含む予測対象データを、推定モデルに適用することに基づいて、未知の対象のセグメントを推定する。例えば、推定部１７０は、未知の対象が複数のセグメントのそれぞれに属する確率を算出する。
また、推定部１７０は、対象について遷移モデルに基づくシミュレーションを実行して、対象が属するセグメントを推定する。例えば、推定部１７０は、推定モデルに基づいて算出した未知の対象が各セグメントに属する確率を初期確率として、ＰＯＭＤＰに基づく遷移モデルを実行する。推定部１７０は、未知の対象に対してなされたアクションを取得し、当該アクションを遷移モデルに入力して未知の対象が各セグメントに属する確率を更新してよい。
推定部１７０は、未知の対象の一部のプロファイルが判明して対象のセグメントを判別するための判別条件が満たされたことに応じて、当該未知の対象のセグメント情報を更新してよい。例えば、推定部１７０は、プロファイル取得部１５０から取得した未知の対象のプロファイルが、判別条件記憶部１６０から取得した一部の判別条件が満たされたことに応じて、未知の対象が各セグメントに属する確率を更新する。推定部１７０は、未知の対象が属するセグメントに関するセグメント情報を決定部１８０及び出力部１９０に供給する。
決定部１８０は、未知の対象のセグメント情報を最適ポリシーに入力して、未知の対象に対して行うべき最適なアクションを決定する。これにより、決定部１８０は、最適ポリシーに基づき、複数のセグメントのそれぞれに未知の対象が属する確率に応じて、未知の対象から将来までに予測される報酬の合計を最大化する最適アクションを決定する。決定部１８０は、決定した未知の対象に対する最適アクションを出力部１９０に供給する。
出力部１９０は、生成装置１０の処理結果を出力する。例えば、出力部１９０は、推定部１７０から得られた未知の対象のセグメント情報、及び／又は、決定部１８０から得られた未知の対象に対する最適アクションを生成装置１０のディスプレイ等に表示する。
このように、生成装置１０は、例えば紹介関係にある複数の既知の対象を含む学習データから学習した推定モデルに基づいて、新しく紹介された未知の対象が属するセグメントを推定する。これにより、生成装置１０は、未知の対象についての情報が十分にない状況であっても、既知の対象及び対象間の関係等を考慮して未知の対象のセグメントをより正確に推定することができる。
また、生成装置１０は、ＰＯＭＤＰ等の遷移モデルを生成し、推定した未知の対象のセグメントを遷移モデルにおける初期セグメントとして、未知の対象に行うべきアクションを決定する。これにより、生成装置１０は、初期の段階から未知の対象に対してより適切なアクションを実行することができる。
図２は、本実施形態における複数の対象の関係を示す。図中のノード１は、アクションを行う行動主体を示し、ノード２〜７はアクションの対象を示す。行動主体は、例えば、商品及び／又はサービスの営業担当者等であり、対象に対する販売、宣伝、情報提供、連絡等の営業活動等をアクションとして実行する。ｆＡは、行動主体の属性を示し、例えば、営業担当者のプロファイルである。
ノード２及びノード３は、ノード１の行動主体からアクションを受ける既知の対象であり、例えば、既知の顧客である。ｆＳは、行動主体に対する既知の対象の関係状態情報であり、例えば、既知の顧客（ノード２）の営業担当者（ノード１）に対する顧客満足度である。ｆＥは、既知の対象の属性を示し、例えば、既知の顧客のプロファイルである。
ノード４〜６は、既知の対象に関係する他の既知の対象であり、例えば、既知の顧客から紹介を受けた既知の紹介顧客である。一例として、ノード５は、ノード１の営業担当者がノード３の既知の顧客から紹介を受けた既知の紹介顧客である。ＳＮは、既知の対象の属性を示し、例えば、既知の顧客のセグメントである。ｆＲは、既知の対象及び他の対象の関係の種類であり、例えば、人間関係の種類である。
ノード７は、既知の対象に関係する未知の対象であり、例えば、既知の顧客から紹介を受けた未知の紹介顧客である。一例として、ノード７は、ノード１の営業担当者がノード３の既知の顧客から紹介を受けた未知の紹介顧客であってよい。ここで、ｆＲ'は、既知の対象及び未知の対象の関係の種類であり、ＳＮ'は未知の顧客の属性（例えばセグメント）である。
例えば、本実施形態の生成装置１０は、（Ａ）営業担当者（ノード１）の既知の顧客（ノード３）の属性ｆＥ及び（Ｂ）既知の顧客（ノード３）−既知の紹介顧客（ノード５〜６）の関係ｆＲと（Ｃ）既知の紹介顧客（ノード５〜６）の属性ＳＮとの関係（Ａ及びＢとＣとの関係）を学習することで、未知の紹介顧客（ノード７）の関係ｆＲ'の情報が新しく得られた際に未知の紹介顧客（ノード７）が、ＰＯＭＤＰにおいて属すべき属性ＳＮ'を推定する。
図３は、本実施形態の生成装置１０の学習時の処理フローを示す。本実施形態において、生成装置１０は、Ｓ１１０からＳ１７０の処理を実行することにより、推定モデルを学習する。
まず、Ｓ１１０において、モデル生成部１００が既知の対象の状態遷移モデルを生成する。例えば、モデル生成部１００は、行動主体と既知の対象との過去の取引記録を取得し、当該取引記録からマルコフ決定過程（ＭＤＰ）又は部分観測マルコフ決定過程（ＰＯＭＤＰ）に基づく対象のセグメントの遷移モデル、及び、報酬を最大化するための最適ポリシーを生成する。
一例として、モデル生成部１００は、既知の対象である顧客のプロファイルと、行動主体である営業担当者が顧客に対して行ったアクション（例えば、電話による営業活動等）と、それに対する顧客の応答（例えば、商品等の購入又は商品等に対する興味の変化）との時系列記録を含む取引記録を取得する。
そして、モデル生成部１００は、取引記録から、アクションに応じて各セグメントに顧客が属する確率を遷移させるＰＯＭＤＰ等に基づく遷移モデルを生成する。例えば、モデル生成部１００は、人により定義されたセグメントを用いて遷移モデルを生成してよい。また、例えば、モデル生成部１００は、取引記録の顧客のプロファイルを説明変数とし、顧客の購買等の応答を目的変数とする回帰木モデルを統計分析ツールで作成し、回帰木により生成したセグメントを用いて遷移モデルを生成してよい。モデル生成部１００は、遷移モデルを生成する際に判別条件記憶部１６０から対象をセグメントに分類するための判別条件を取得してよい。
更にモデル生成部１００は、当該遷移モデルにおいて予め定められた将来時点までの顧客からの報酬（例えば、商品及び／又はサービスの購入）を最大化するための最適ポリシーを生成する。例えば、モデル生成部１００は、動的計画法（Ｄｙｎａｍｉｃ Ｐｒｏｇｒａｍｍｉｎｇ）により最適ポリシーを生成する。モデル生成部１００は、生成した遷移モデル及び最適ポリシーを推定部１７０及び決定部１８０に供給する。
次に、Ｓ１３０において、モデル生成部１００は、学習データにおける各対象の最初のセグメントを復元する。例えば、モデル生成部１００は、生成した遷移モデルにおいて各対象が最初に属するセグメントに関する初期セグメント情報を取得する。一例として、モデル生成部１００は、ＰＯＭＤＰにおいて既知の対象が各セグメントに属する確率を初期セグメント情報として取得する。
これに代えて、モデル生成部１００は、ＰＯＭＤＰ等における既知の対象が属する確率が最も高いと推定されるセグメントを初期セグメント情報として取得してもよい。モデル生成部１００は、対象のセグメントを学習データ取得部１１０に供給する。
次に、Ｓ１５０において、学習データ取得部１１０は、少なくとも、既知の対象の属性ｆＥ、当該既知の対象に関係する他の対象の属性ＳＮ、及び、当該既知の対象と他の対象との間の関係の種類ｆＲの組を複数含む学習データを取得する。学習データ取得部１１０は、学習データとして、行動主体の属性ｆＡ、及び／又は、行動主体に対する既知の対象の関係状態情報ｆＳを更に取得してもよい。
例えば、学習データ取得部１１０は、既知の対象の属性ｆＥとして、既知の対象のプロファイルを取得する。一例として、学習データ取得部１１０は、既知の対象の属性ｆＥとして、既知の顧客の年齢、住所、性別、身長、体重、家族構成、出身地、健康情報、学歴、職種、収入、購買歴、趣味、嗜好、及び／又は、思想を取得してよい。また、学習データ取得部１１０は、既知の対象の属性ｆＥとして、既知の顧客が営業施策上どのような顧客層に分類されるのかを示すセグメント情報を取得してよい。
例えば、学習データ取得部１１０は、既知の対象に関係する他の対象の属性ＳＮとして、営業担当者が既知の顧客から紹介された既知の紹介顧客のセグメントを取得する。一例として、学習データ取得部１１０は、Ｓ１３０で生成した既知の対象のセグメント情報を、他の対象の属性ＳＮとして取得する。これに代えて、学習データ取得部１１０は、既知の対象のプロファイルを、他の対象の属性ＳＮとして取得してもよい。既知の対象のプロファイルを他の対象の属性ＳＮとする場合、生成装置１０はＳ１３０の処理を省略してよい。
例えば、学習データ取得部１１０は、既知の対象及び他の対象の関係の種類ｆＲとして、既知顧客と既知顧客から紹介された紹介顧客との関係の種類を含む学習データを取得してよい。一例として、学習データ取得部１１０は、関係の種類ｆＲとして、職場関係（例えば、上司、部下、又は同僚等）、家族関係（親、兄弟、配偶者、子供、又は親戚等）、学校関係（同級生、同窓生、先輩又は恩師等）、友人関係、及び／又は、ソーシャルネットワークサービス上の関係（フレンド、フォロー及びフォロワー等）等を識別する情報を取得してよい。
ここで、他の対象は、既知の対象が行動主体に行動の対象として紹介したものであってよい。例えば、他の対象は、既知の対象である顧客等が行動主体である営業担当者に新しく紹介した新規の顧客であってよい。従って、学習データ取得部１１０は、既知の対象及び他の対象の関係の種類として既知顧客と既知顧客から紹介された紹介顧客との関係の種類（例えば、職場の同僚関係等）を取得してよい。
また、例えば、学習データ取得部１１０は、行動主体の属性ｆＡとして、対象に商品／サービス等を販売する営業担当者のプロファイルを取得する。一例として、学習データ取得部１１０は、営業担当者のプロファイルとして、営業担当者の年代、性別、勤続年数、商品取扱経験、営業成績、資格の有無、及び／又は、性格を取得してよい。
ここで、学習データ取得部１１０は、行動主体の属性ｆＡとして、複数の営業担当者のプロファイルを取得してもよい。例えば、学習データ取得部１１０は、Ｃｏｕｎｔｉｎｇ処理により、複数の営業担当者のプロファイル情報を固定長のベクトルに変換し、これを属性ｆＡとして取得してよい。
例えば、学習データ取得部１１０は、行動主体に対する既知の対象の関係状態情報ｆＳとして、営業担当者に対する既知顧客の満足度を表す情報を取得する。一例として、学習データ取得部１１０は、関係状態情報ｆＳとして、接客の満足度、サービス／商品に対する満足度、及び／又はアフターケアの満足度等を表すベクトルを取得する。学習データ取得部１１０は、既知顧客へのアンケートの結果等から関係状態情報ｆＳを取得してよい。
学習データ取得部１１０は、これらの既知の対象の属性ｆＥ、当該既知の対象と他の対象との間の関係の種類ｆＲ、行動主体の属性ｆＡ、及び／又は、行動主体に対する既知の対象の関係状態情報ｆＳを含む情報の組からなる特徴量ｇ＝（ｆＥ，ｆＲ，ｆＡ，ｆＳ）と、既知の対象に関係する他の対象の属性ＳＮとの組を、既知の対象に関係する他の対象ごとに複数取得する。学習データ取得部１１０は、特徴量ｇ＝（ｆＥ，ｆＲ，ｆＡ，ｆＳ）を離散化してもよい。学習データ取得部１１０は、取得した学習データを学習処理部１２０に供給する。
次に、Ｓ１７０において、学習処理部１２０は、既知の対象についての学習データを用いて、未知の対象の属性ＳＮ'を推定する推定モデルを学習する。例えば、学習処理部１２０は、既知の対象の属性ｆＥ、及び、当該既知の対象と未知の対象との間の関係の種類ｆＲ'に基づいて、当該未知の対象が分類されるべきセグメントＳＮ'を推定する推定モデルを学習する。ここで、学習処理部１２０は、既知の対象となる既知顧客の属性、及び、当該既知顧客と関係する他の対象となる他の顧客の属性、他の顧客が未知であった時点において当該既知の顧客が行動主体に開示した既知の顧客と他の顧客との関係の種類の種類に基づいて、既知の顧客と同じ関係の種類を持つ未知の顧客が分類されるべきセグメントを推定する推定モデルを学習してよい。例えば、学習処理部１２０は、既知の顧客と既知の顧客から紹介されたかつて未知の対象であった紹介顧客との関係の種類等に基づいて、新しい紹介顧客が分類されるべきセグメントを推定する推定モデルを学習してよい。
一例として、学習処理部１２０は、既知の対象の特徴量ｇ＝（ｆＡ，ｆＳ，ｆＥ，ｆＲ）と、既知の対象と関係する他の対象のセグメントＳＮとを教師として、特徴量ｇにおいてセグメントＳＮが得られる確率であるＰ（ＳＮ｜ｇ）を学習する。学習処理部１２０は、確率ｍａｘ｛ＳＮ｝Ｐ（ＳＮ｜ｇ）が予め定められた閾値Ｐｓ以上であれば、特徴量ｇに対応するセグメントｓとしてｓ＝ａｒｇｍａｘ｛ＳＮ｝Ｐ（ＳＮ｜ｇ）を出力する推定モデルを学習する。学習処理部１２０は、既知の教師あり学習手法によりＰ（ＳＮ｜ｇ）を学習してよく、例えば、Ｎａｉｖｅ Ｂａｙｅｓ法を用いてよい。
例えば、学習処理部１２０は、セグメントｓとして、対象の商品又はサービス等に対する興味の大きさ、対象の商品又はサービス等に対する知識量、対象の資力、対象の過去の購買頻度、対象の最近の購買の有無、対象の性別、対象の年齢層等により分類されるセグメントを用いてよい。学習処理部１２０は、判別条件記憶部１６０に格納された判別条件によりセグメントを定義してよい。学習処理部１２０は、学習した推定モデルを推定部１７０に供給する。
図４は、本実施形態の生成装置１０の遷移モデル実行時の処理フローを示す。本実施形態において、生成装置１０は、Ｓ２１０からＳ３１０の処理により遷移モデルを実行し、未知の対象に対する最適なアクションを決定する。
予測対象データ取得部１３０は、推定モデルにおいて、属性を予測する対象となる未知の対象が属するセグメントを推定するために用いる予測対象データを取得する。例えば、予測対象データ取得部１３０は、未知の対象に関係する既知の対象の属性ｆＥ、及び、当該未知の対象と当該既知の対象との関係ｆＲ'を含む予測対象データを取得する。
一例として、予測対象データ取得部１３０は、属性の予測対象となる未知の顧客を紹介した既知の顧客のプロファイル、及び、既知の顧客と未知の顧客の関係（例えば、職場の同僚等）を含む予測対象データを取得する。予測対象データ取得部１３０は、既知の顧客のプロファイルに代えて／加えて、既知の顧客の現時点又は初期のセグメントを取得してもよい。
予測対象データ取得部１３０は、更に行動主体の属性及び／又は関係状態情報を、予測対象データとして取得してもよい。例えば、予測対象データ取得部１３０は、未知の顧客に営業活動を行う営業担当者のプロファイル、及び／又は、未知の顧客を紹介した既知の顧客の営業担当者に対する顧客満足度を予測対象データとして取得してよい。
予測対象データ取得部１３０は、学習データから予測対象データを取得してもよい。例えば、予測対象データ取得部１３０は、学習データから既知の対象の属性、行動主体の属性、及び／又は関係状態情報を取得してよい。予測対象データ取得部１３０は、取得した予測対象データを推定部１７０に供給する。
次に、Ｓ２３０において、推定部１７０が予測対象データを、推定モデルに適用することに基づいて、未知の対象が属するセグメントを推定する。例えば、推定部１７０は、Ｓ２１０で取得した予測対象データｇを、学習済みの推定モデルに入力することにより、未知の対象が複数のセグメントＳＮのそれぞれに属する確率Ｐ（ＳＮ｜ｇ）を算出する。推定部１７０は、推定した未知の対象のセグメントの情報を決定部１８０及び出力部１９０に供給する。
推定部１７０は、算出した未知の対象が複数のセグメントのそれぞれに属する確率Ｐ（ＳＮ｜ｇ）を用いて、未知の対象についてＭＤＰ及びＰＯＭＤＰ等の遷移モデルを開始する。例えば、推定部１７０は、確率Ｐ（ＳＮ｜ｇ）をＰＯＭＤＰにおいて未知の対象が各セグメントに最初に属する確率である初期確率としてよい。また、例えば、推定部１７０は、ＭＤＰにおいて、最も大きい確率Ｐ（ＳＮ｜ｇ）のセグメントを、未知の対象が最初に属するセグメントとしてよい。
次に、Ｓ２５０において、未知の対象の現在のセグメント情報に応じて、未知の対象に対して行うべきアクションを決定する。例えば、決定部１８０は、複数のセグメントのそれぞれに未知の対象が属する確率に応じて、未知の対象から得られる次のアクションに対する報酬、又は、将来の所定の時点までに予測される報酬の合計を最大化するアクションを最適ポリシーに基づいて決定する。
一例として、決定部１８０は、未知の顧客の現在のセグメント（１回目のＳ２５０の処理であれば初期のセグメント）をＭＤＰ又はＰＯＭＤＰについての最適ポリシーに入力して、対面による営業活動、電話による営業活動、及び、メールによる商品案内等の顧客へのアクションのうち未知の顧客に対して行うべきアクションを決定する。決定部１８０は、決定した未知の対象に対するアクションを出力部１９０に供給する。
次に、Ｓ２７０において、プロファイル取得部１５０が、未知の対象になされたアクションの内容を取得し、更にアクションがなされた後の未知の対象の情報を観測として取得する。例えば、プロファイル取得部１５０は、行動主体である営業担当者が未知の対象である顧客に行ったアクション、及び、アクションをした結果、当該顧客の反応の情報を取得する。一例として、プロファイル取得部１５０は、営業担当者が実際に顧客に行ったアクション、及び、当該アクションに対して顧客が購買した商品／サービスの購買、及び／又は、顧客の商品／サービスに対する反応（例えば、興味を持った／興味を持たなかった等）の情報を取得する。
また、プロファイル取得部１５０は、未知の対象の少なくとも一部のプロファイルを取得する。例えば、プロファイル取得部１５０は、営業担当者が未知の対象である顧客との会話から直接的又は間接的に得た情報（例えば、顧客の年齢層、及び、職業等）を取得する。プロファイル取得部１５０は、未知の対象からのアクションに対する反応から抽出されたプロファイルに関する情報を、プロファイルの一部として取得してよい。プロファイル取得部１５０は、取得した未知の対象のプロファイルを推定部１７０に供給する。
次に、Ｓ２９０において、推定部１７０は、未知の対象の状態遷移を推定する。例えば、推定部１７０は、遷移モデルに基づくシミュレーションを実行して、未知の対象に対してアクションがなされた後の、複数のセグメントのそれぞれに未知の対象が属する確率を推定する。例えば、推定部１７０は、ＭＤＰ及びＰＯＭＤＰに基づく遷移モデルにおいて、未知の対象が現在各セグメントに属する確率（１回目のＳ２９０の処理であればＳ２３０で予測した初期確率）を現在の状態とし、Ｓ２７０で取得した未知の対象へ実際になされたアクションを遷移モデルに入力するアクションとし、アクション後の未知の対象の反応の情報を観測として入力し、未知の対象が各セグメントに属する確率Ｐ（ＳＮ）を生成する。
また、推定部１７０は、未知の対象の一部のプロファイルが判明して対象のセグメントを判別するための複数の判別条件のうちの一部の判別条件が満たされたことに応じて、当該未知の対象のセグメント情報を更新してよい。例えば、推定部１７０は、判別条件記憶部１６０から、少なくとも１つのセグメントのそれぞれに対応付けられ、当該セグメントに分類される対象のプロファイルが満たすべき複数の判別条件を取得する。
推定部１７０は、Ｓ２７０で取得した未知の対象の少なくとも一部のプロファイルが、各セグメントに対する判別条件を満たすか否かを判定し、判定結果に応じて、未知の対象が各セグメントに属する確率を更新する。
例えば、未知の対象についての特徴量ｇが得られたときに、判別条件Ｃ１〜ＣＮで定義されるセグメントＳに対象が属する確率は、数式１のＰ（Ｓ｜ｇ）で示される。
Figure 0006436440
ここで、判定条件Ｃ１〜ＣＮのうち判別条件Ｃ１が満たされることが判明した場合に、対象がセグメントＳに属する確率は、数式２のＰ（Ｓ｜ｇ，Ｃ１＝ｔｒｕｅ）で示される。
Figure 0006436440
判別条件Ｃ１〜ＣＮのうちＣ１〜Ｃｎのｎ個の判別条件が満たされることが判明した場合に、対象がセグメントＳに属する確率は、数式３のＰ（Ｓ｜ｇ，Ｃ１，…，Ｃｎ）で示される（「＝ｔｒｕｅ」の表記は省略）。
Figure 0006436440
ここで、数式２、３の右辺の分母（周辺確率）は、数式４で計算することができる。
Figure 0006436440
このように、推定部１７０は、Ｓ２９０において、ＰＯＭＤＰに基づく確率の更新に加え、未知の対象のプロファイルの判別条件による判定に基づく確率の更新を行ってよい。
次に、Ｓ３１０において推定部１７０は、処理を終了するか否かを判断する。例えば、推定部１７０は、未知の対象が予め定められたセグメントに属しているか否か、未知の対象から得られた報酬が予め定められた閾値を超えたか否か等を判断する。推定部１７０は、処理を終了しない場合、Ｓ２５０に処理を戻す。
このように、生成装置１０は、既知の対象のプロファイル及び既知の対象と他の対象との関係を利用して未知の対象のセグメントを推定し、推定したセグメントを初期条件としてＰＯＭＤＰ等の遷移モデルを実行する。生成装置１０は、対象の初期のセグメントを推定した状態で遷移モデルを実行するので、特に初期段階で対象に対して適切なアクションを提案することができる。
図５は、初期のセグメントを推定しない場合の遷移モデルの一例を示す。図５では、未知の対象が最初に属するセグメントが予測されずに遷移モデルが実行されている。ここでは、遷移モデルは、対象が状態に応じていずれかに属する「セグメント１〜３」を有する。更に遷移モデルは、セグメント１〜３のいずれかに属するかべきか不明な対象が属する「セグメント不明」のセグメントを有する。
対象が最初に属するセグメントが予測されない場合、対象が初期に属するべきセグメントが不明なので、図示するように、未知の対象は「セグメント不明」に暫定的に属する。その後、対象にしたアクション及び未知の対象から得られた観測に基づいて未知の対象が属するべきセグメントが決定される。図５では、対象は３ステップ目でセグメント２に属すると決定され、４ステップ目でセグメント３に属すると決定される。
図５に示す場合、遷移モデルの初期において、実際に属するセグメントに関わらず未知の対象が必ず「セグメント不明」に配されるので、未知の対象に対して同じアクションがなされるべきと決定される。従って、未知の対象に対して最適なアクションを行うことができない。
図６は、本実施形態による遷移モデルの一例を示す。図６では、未知の対象が最初に属するセグメントが予測された後に遷移モデルが実行されている。ここでは、対象が最初に属するのがセグメント２であると予測され、２〜３ステップ目でセグメント２に属すると決定され、４ステップ目でセグメント３に属すると決定される。
図６に示す場合、遷移モデルの初期において、実際に属するセグメントが推定されているので、未知の対象に対して初期の段階から最適なアクションを行うことができる。例えば、本実施形態においては、既知の顧客から紹介された未知の顧客の状態（セグメント）が判明しているので、営業担当者は、未知の顧客に対して初期の段階から適切な営業活動を行うことができる。
図７は、本実施形態における対象が属するセグメントの例を示す。図示するように、生成装置１０は、既存契約の有り／無し、及び、収入が一定以上／未満かに応じて、対象をセグメントＳ１〜４のいずれかに分類してよい。例えば、生成装置１０は、既存契約が有り収入が一定以上の対象をセグメントＳ１に分類し、既存契約が無く収入が一定以上の対象をセグメントＳ２に分類し、既存契約が有り収入が一定未満の対象をセグメントＳ３に分類し、既存契約が無く収入が一定未満の対象をセグメントＳ４に分類してよい。
図８は、本実施形態における対象が属するセグメントの別の例を示す。図示するように、生成装置１０は、サービス等の利用頻度が一定以上／未満か、及び、最近の利用が有り／無しに応じて、対象をセグメントＳ１〜４のいずれかに分類してよい。例えば、生成装置１０は、一定以上の頻度かつ最近利用した対象をセグメントＳ１に分類し、一定未満の頻度で最近利用した対象をセグメントＳ２に分類し、一定以上の頻度かつ最近利用していない対象をセグメントＳ３に分類し、一定未満の頻度かつ最近利用していない対象をセグメントＳ４に分類してよい。
図９は、本実施形態における対象が属するセグメントの別の例を示す。図示するように、生成装置１０は、対象の年齢が４０代以上／未満か、及び、収入が一定以上／未満かに応じて、対象をセグメントＳ１〜４のいずれかに分類してよい。例えば、生成装置１０は、一定以上の頻度かつ最近利用した対象をセグメントＳ１に分類し、一定未満の頻度で最近利用した対象をセグメントＳ２に分類し、一定以上の頻度かつ最近利用していない対象をセグメントＳ３に分類し、一定未満の頻度かつ最近利用していない対象をセグメントＳ４に分類してよい。
推定部１７０は、ＰＯＭＤＰに基づく遷移モデルを実行する場合、対象が各セグメントＳ１〜Ｓ４に属する確率を推定する。例えば、図示するように、推定部１７０は、未知の対象がセグメントＳ１に属する確率が４０％で、未知の対象がセグメントＳ２に属する確率が２０％で、未知の対象がセグメントＳ３に属する確率が１０％で、未知の対象がセグメントＳ４に属する確率が３０％であると推定する。
図７〜図９において、例えば、セグメントＳ１に近いほど有望な顧客でセグメントＳ４に近いほど見込みがない顧客と考えることができる。従って、例えば、Ｓ２５０において決定部１８０は、未知の対象がセグメントＳ１に属する確率が高いほどコストが高いが効果も見込めるアクション（例えば、対面での営業活動）を決定し、未知の対象がセグメントＳ４に属する確率が高いほどコストも効果も低いアクション（例えば、メールでの営業活動）を決定してよい。
図７から図９では、セグメントが２個の判別条件の組み合わせで定義される場合を例に説明したが、生成装置１０が用いるセグメントはこれに限られない。例えば、生成装置１０は、１又は３以上の判別条件の組み合わせにより定義されたセグメントを用いてよい。
図１０は、判別条件により更新された後のセグメント確率の一例を示す。例えば、生成装置１０が、対象を図９に示すセグメントＳ１〜Ｓ４に分類する場合を想定する。Ｓ２７０において、生成装置１０は、対象をセグメントＳ１〜Ｓ４に分類するための判別条件を取得してよい。例えば、推定部１７０は、「年齢が４０代以上であること」という判別条件と「収入が一定以上であること」という判別条件を判別条件記憶部１６０から取得する。
ここで、Ｓ２７０において、プロファイル取得部１５０が、未知の対象について判別条件に関連するプロファイルを取得することがある。例えば、プロファイル取得部１５０が、未知の対象のプロファイルとして「顧客の年齢が少なくとも４０歳である」という情報を取得したとする。
この場合、Ｓ２９０において、推定部１７０は、取得した当該未知の対象のプロファイルにより、未知の対象が「年齢が４０代以上であること」という判別条件を満たすと判定してよい。その結果、当該未知の対象が各セグメントに属する確率を図９に示す状態から図１０に示す状態に変更することができる。
「年齢が４０代以上であること」という判別条件を満たす場合、対象は、「年齢が４０代未満であること」が要件となるセグメントＳ２及びセグメントＳ４に属することはなくなる。従って、推定部１７０は、セグメントＳ２及びセグメントＳ４に属する確率の合計（２０％＋３０％）を、セグメントＳ１及びセグメントＳ３の確率の比（４０％：１０％）に応じて分配してよい。この結果、推定部１７０は、対象がセグメントＳ１に属する確率を８０％に更新し、セグメントＳ３に属する確率を２０％に更新してよい。
上記本実施形態の説明においては、行動主体である商品／サービス等の営業担当者が、既知の対象から紹介された未知の対象である顧客に最適なアクションを起こすために、商品等を購買する顧客のセグメントを推定する場合を例に説明した。具体的には、行動主体は、保険、銀行、美容用品、自家用車、不動産、金融商品、飲食、サロン、及び／又は、ヘッドハンティング等の人材サービスを既知／未知の対象に提供するものであってよい。
特に、本実施形態の生成装置１０は、対象者間の紹介により購買／利用等が促進される商品／サービス等において、新規紹介顧客のセグメントを推定するために用いられてよい。このような場合、既知の対象と他の対象／未知の対象の間に一定以上の信頼関係／類似関係等があることから、両対象のセグメント間により大きな相関関係があると予想される。従って、生成装置１０は、より正確に対象が属するセグメントを推定することができる。
本実施形態の生成装置１０は、商品／サービス等が複雑で顧客のニーズを把握することが困難である場合、顧客がニーズを自覚していない場合、及び／又は、顧客のプロファイル等を取得することが困難又はリスクを伴う場合等において、顧客同士の関係等を利用して大きなリスクを負うことなく顧客のセグメントを推定することができる。
図１１は、生成装置１０として機能するコンピュータ１９００のハードウェア構成の一例を示す。本実施形態に係るコンピュータ１９００は、ホスト・コントローラ２０８２により相互に接続されるＣＰＵ２０００、ＲＡＭ２０２０、グラフィック・コントローラ２０７５、及び表示装置２０８０を有するＣＰＵ周辺部と、入出力コントローラ２０８４によりホスト・コントローラ２０８２に接続される通信インターフェイス２０３０、ハードディスクドライブ２０４０、及びＣＤ−ＲＯＭドライブ２０６０を有する入出力部と、入出力コントローラ２０８４に接続されるＲＯＭ２０１０、フレキシブルディスク・ドライブ２０５０、及び入出力チップ２０７０を有するレガシー入出力部を備える。
ホスト・コントローラ２０８２は、ＲＡＭ２０２０と、高い転送レートでＲＡＭ２０２０をアクセスするＣＰＵ２０００及びグラフィック・コントローラ２０７５とを接続する。ＣＰＵ２０００は、ＲＯＭ２０１０及びＲＡＭ２０２０に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィック・コントローラ２０７５は、ＣＰＵ２０００等がＲＡＭ２０２０内に設けたフレーム・バッファ上に生成する画像データを取得し、表示装置２０８０上に表示させる。これに代えて、グラフィック・コントローラ２０７５は、ＣＰＵ２０００等が生成する画像データを格納するフレーム・バッファを、内部に含んでもよい。
入出力コントローラ２０８４は、ホスト・コントローラ２０８２と、比較的高速な入出力装置である通信インターフェイス２０３０、ハードディスクドライブ２０４０、ＣＤ−ＲＯＭドライブ２０６０を接続する。通信インターフェイス２０３０は、有線又は無線によりネットワークを介して他の装置と通信する。また、通信インターフェイスは、通信を行うハードウェアとして機能する。ハードディスクドライブ２０４０は、コンピュータ１９００内のＣＰＵ２０００が使用するプログラム及びデータを格納する。ＣＤ−ＲＯＭドライブ２０６０は、ＣＤ−ＲＯＭ２０９５からプログラム又はデータを読み取り、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。
また、入出力コントローラ２０８４には、ＲＯＭ２０１０と、フレキシブルディスク・ドライブ２０５０、及び入出力チップ２０７０の比較的低速な入出力装置とが接続される。ＲＯＭ２０１０は、コンピュータ１９００が起動時に実行するブート・プログラム、及び／又は、コンピュータ１９００のハードウェアに依存するプログラム等を格納する。フレキシブルディスク・ドライブ２０５０は、フレキシブルディスク２０９０からプログラム又はデータを読み取り、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。入出力チップ２０７０は、フレキシブルディスク・ドライブ２０５０を入出力コントローラ２０８４へと接続するとともに、例えばパラレル・ポート、シリアル・ポート、キーボード・ポート、マウス・ポート等を介して各種の入出力装置を入出力コントローラ２０８４へと接続する。
ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供されるプログラムは、フレキシブルディスク２０９０、ＣＤ−ＲＯＭ２０９５、又はＩＣカード等の記録媒体に格納されて利用者によって提供される。プログラムは、記録媒体から読み出され、ＲＡＭ２０２０を介してコンピュータ１９００内のハードディスクドライブ２０４０にインストールされ、ＣＰＵ２０００において実行される。
コンピュータ１９００にインストールされ、コンピュータ１９００を生成装置１０として機能させるプログラムは、モデル生成モジュール、学習データ取得モジュール、学習処理モジュール、予測対象データ取得モジュール、プロファイル取得モジュール、判別条件記憶モジュール、推定モジュール、決定モジュール、及び、出力モジュールを備える。これらのプログラム又はモジュールは、ＣＰＵ２０００等に働きかけて、コンピュータ１９００を、モデル生成部１００、学習データ取得部１１０、学習処理部１２０、予測対象データ取得部１３０、プロファイル取得部１５０、判別条件記憶部１６０、推定部１７０、決定部１８０、及び、出力部１９０としてそれぞれ機能させてよい。
これらのプログラムに記述された情報処理は、コンピュータ１９００に読込まれることにより、ソフトウェアと上述した各種のハードウェア資源とが協働した具体的手段である算モデル生成部１００、学習データ取得部１１０、学習処理部１２０、予測対象データ取得部１３０、プロファイル取得部１５０、判別条件記憶部１６０、推定部１７０、決定部１８０、及び、出力部１９０として機能する。そして、これらの具体的手段によって、本実施形態におけるコンピュータ１９００の使用目的に応じた情報の演算又は加工を実現することにより、使用目的に応じた特有の生成装置１０が構築される。
一例として、コンピュータ１９００と外部の装置等との間で通信を行う場合には、ＣＰＵ２０００は、ＲＡＭ２０２０上にロードされた通信プログラムを実行し、通信プログラムに記述された処理内容に基づいて、通信インターフェイス２０３０に対して通信処理を指示する。通信インターフェイス２０３０は、ＣＰＵ２０００の制御を受けて、ＲＡＭ２０２０、ハードディスクドライブ２０４０、フレキシブルディスク２０９０、又はＣＤ−ＲＯＭ２０９５等の記憶装置上に設けた送信バッファ領域等に記憶された送信データを読み出してネットワークへと送信し、もしくは、ネットワークから受信した受信データを記憶装置上に設けた受信バッファ領域等へと書き込む。このように、通信インターフェイス２０３０は、ＤＭＡ（ダイレクト・メモリ・アクセス）方式により記憶装置との間で送受信データを転送してもよく、これに代えて、ＣＰＵ２０００が転送元の記憶装置又は通信インターフェイス２０３０からデータを読み出し、転送先の通信インターフェイス２０３０又は記憶装置へとデータを書き込むことにより送受信データを転送してもよい。
また、ＣＰＵ２０００は、ハードディスクドライブ２０４０、ＣＤ−ＲＯＭドライブ２０６０（ＣＤ−ＲＯＭ２０９５）、フレキシブルディスク・ドライブ２０５０（フレキシブルディスク２０９０）等の外部記憶装置に格納されたファイルまたはデータベース等の中から、全部または必要な部分をＤＭＡ転送等によりＲＡＭ２０２０へと読み込ませ、ＲＡＭ２０２０上のデータに対して各種の処理を行う。そして、ＣＰＵ２０００は、処理を終えたデータを、ＤＭＡ転送等により外部記憶装置へと書き戻す。このような処理において、ＲＡＭ２０２０は、外部記憶装置の内容を一時的に保持するものとみなせるから、本実施形態においてはＲＡＭ２０２０及び外部記憶装置等をメモリ、記憶部、または記憶装置等と総称する。
例えば、生成装置１０の記憶部は、モデル生成部１００、学習データ取得部１１０、学習処理部１２０、予測対象データ取得部１３０、プロファイル取得部１５０、判別条件記憶部１６０、推定部１７０、決定部１８０、及び、出力部１９０から受け取った／へ提供するデータを適宜記憶してよい。例えば、記憶部は、生成モデル部１００が学習データ取得部１１０に供給した既存の対象の属性のデータを受け取って記憶してよい。また、記憶部は、学習処理部１２０が学習した推定モデル等を記憶してよい。
本実施形態における各種のプログラム、データ、テーブル、データベース等の各種の情報は、このような記憶装置上に格納されて、情報処理の対象となる。なお、ＣＰＵ２０００は、ＲＡＭ２０２０の一部をキャッシュメモリに保持し、キャッシュメモリ上で読み書きを行うこともできる。このような形態においても、キャッシュメモリはＲＡＭ２０２０の機能の一部を担うから、本実施形態においては、区別して示す場合を除き、キャッシュメモリもＲＡＭ２０２０、メモリ、及び／又は記憶装置に含まれるものとする。
また、ＣＰＵ２０００は、ＲＡＭ２０２０から読み出したデータに対して、プログラムの命令列により指定された、本実施形態中に記載した各種の演算、情報の加工、条件判断、情報の検索・置換等を含む各種の処理を行い、ＲＡＭ２０２０へと書き戻す。例えば、ＣＰＵ２０００は、条件判断を行う場合においては、本実施形態において示した各種の変数が、他の変数または定数と比較して、大きい、小さい、以上、以下、等しい等の条件を満たすか否かを判断し、条件が成立した場合（又は不成立であった場合）に、異なる命令列へと分岐し、またはサブルーチンを呼び出す。
また、ＣＰＵ２０００は、記憶装置内のファイルまたはデータベース等に格納された情報を検索することができる。例えば、第１属性の属性値に対し第２属性の属性値がそれぞれ対応付けられた複数のエントリが記憶装置に格納されている場合において、ＣＰＵ２０００は、記憶装置に格納されている複数のエントリの中から第１属性の属性値が指定された条件と一致するエントリを検索し、そのエントリに格納されている第２属性の属性値を読み出すことにより、所定の条件を満たす第１属性に対応付けられた第２属性の属性値を得ることができる。
また、実施形態の説明において複数の要素が列挙された場合には、列挙された要素以外の要素を用いてもよい。例えば、「Ｘは、Ａ、Ｂ及びＣを用いてＹを実行する」と記載される場合、Ｘは、Ａ、Ｂ及びＣに加え、Ｄを用いてＹを実行してもよい。
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
特許請求の範囲、明細書、及び図面中において示した装置、システム、プログラム、及び方法における動作、手順、ステップ、及び段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、及び図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。
１０ 生成装置、１００ モデル生成部、１１０ 学習データ取得部、１２０ 学習処理部、１３０ 予測対象データ取得部、１５０ プロファイル取得部、１６０ 判別条件記憶部、１７０ 推定部、１８０ 決定部、１９０ 出力部、１９００ コンピュータ、２０００ ＣＰＵ、２０１０ ＲＯＭ、２０２０ ＲＡＭ、２０３０ 通信インターフェイス、２０４０ ハードディスクドライブ、２０５０ フレキシブルディスク・ドライブ、２０６０ ＣＤ−ＲＯＭドライブ、２０７０ 入出力チップ、２０７５ グラフィック・コントローラ、２０８０ 表示装置、２０８２ ホスト・コントローラ、２０８４ 入出力コントローラ、２０９０ フレキシブルディスク、２０９５ ＣＤ−ＲＯＭ

Claims (14)

  1. 未知の対象の属性を推定する推定モデルを生成する生成装置であって、
    既知の対象の属性、当該既知の対象に関係する他の対象の属性、及び、当該既知の対象と他の対象との間の関係の種類の組を複数含む学習データを取得する学習データ取得部と、
    既知の対象の属性及び当該既知の対象に関係する未知の対象との間の関係の種類に基づいて当該未知の対象の属性を推定する前記推定モデルを、前記学習データを用いて学習する学習処理部と、
    を備える生成装置。
  2. 前記学習データ取得部は、前記他の対象の属性として、複数のセグメントのうち当該他の対象が分類されるべきセグメントを取得し、
    前記学習処理部は、前記未知の対象が分類されるべきセグメントを推定する前記推定モデルを学習する、
    請求項１に記載の生成装置。
  3. 前記学習データ取得部は、前記既知の対象の属性として、前記既知の対象のプロファイルを取得する、
    請求項２に記載の生成装置。
  4. 前記既知の対象のプロファイル及び当該既知の対象に関係する未知の対象との間の関係の種類に基づいて前記未知の対象のセグメントを推定する推定部を更に備える、
    請求項３に記載の生成装置。
  5. 前記推定部は、前記未知の対象が前記複数のセグメントのそれぞれに属する確率を算出する、
    請求項４に記載の生成装置。
  6. 前記推定部は、算出した前記未知の対象が前記複数のセグメントのそれぞれに属する確率を初期確率とし、前記未知の対象に対してアクションがなされた後の、前記複数のセグメントのそれぞれに前記未知の対象が属する確率を推定する、
    請求項５に記載の生成装置。
  7. 前記複数のセグメントのそれぞれに前記未知の対象が属する確率に応じて、前記未知の対象に対して行うべきアクションを決定する決定部を更に備える、
    請求項６に記載の生成装置。
  8. 前記学習データ取得部は、前記アクションを行う行動主体の属性を更に含む前記学習データを取得し、
    前記学習処理部は、前記行動主体の属性に更に基づいて、前記推定モデルを学習する、
    請求項７に記載の生成装置。
  9. 前記学習データ取得部は、前記アクションを行う行動主体に対する前記既知の対象の関係状態情報を更に含む前記学習データを取得し、
    前記学習処理部は、前記関係状態情報に更に基づいて、前記推定モデルを学習する、
    請求項７又は８に記載の生成装置。
  10. 少なくとも１つのセグメントのそれぞれに対応付けて、当該セグメントに分類される対象のプロファイルが満たすべき複数の判別条件を記憶する判別条件記憶部を更に備え、
    前記推定部は、未知の対象の一部のプロファイルが判明して前記複数の判別条件のうちの一部の判別条件が満たされたことに応じて、当該未知の対象が各セグメントに属する確率を更新する、
    請求項６から９のいずれか１項に記載の生成装置。
  11. 前記学習データ取得部は、前記既知の対象の属性として既知の顧客の属性を含み、前記他の対象の属性として前記既知の顧客と関係する他の顧客の属性を含み、前記既知の対象及び他の対象の関係の種類として、前記他の顧客が未知であった時点において当該既知の顧客が前記行動主体に開示した前記既知の顧客と前記他の顧客との関係の種類を含む学習データを取得し、
    前記学習処理部は、前記既知顧客の属性、前記他の顧客の属性、及び、前記既知の顧客と前記他の顧客との関係の種類に基づいて、前記既知の顧客と前記関係の種類を持つ未知の顧客が分類されるべきセグメントを推定する前記推定モデルを学習する、
    請求項８に記載の生成装置。
  12. 前記学習データ取得部は、前記既知の対象及び前記他の対象の関係の種類として、人間関係の種類を含む前記学習データを取得する、
    請求項１から１１のいずれか１項に記載の生成装置。
  13. コンピュータにより実行される未知の対象の属性を推定する推定モデルを生成する生成方法であって、
    既知の対象の属性、当該既知の対象に関係する他の対象の属性、及び、当該既知の対象と他の対象との間の関係の種類の組を複数含む学習データを取得する取得段階と、
    既知の対象の属性及び当該既知の対象に関係する未知の対象との間の関係の種類に基づいて当該未知の対象の属性を推定する前記推定モデルを、前記学習データを用いて学習する学習処理段階と、
    を備える生成方法。
  14. コンピュータを請求項１から１２のいずれか１項に記載の生成装置として機能させるプログラム。
JP2014257190A 2014-12-19 2014-12-19 生成装置、生成方法、及び、プログラム Active JP6436440B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2014257190A JP6436440B2 (ja) 2014-12-19 2014-12-19 生成装置、生成方法、及び、プログラム
US14/974,565 US10997612B2 (en) 2014-12-19 2015-12-18 Estimation model for estimating an attribute of an unknown customer

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014257190A JP6436440B2 (ja) 2014-12-19 2014-12-19 生成装置、生成方法、及び、プログラム

Publications (2)

Publication Number Publication Date
JP2016118865A JP2016118865A (ja) 2016-06-30
JP6436440B2 true JP6436440B2 (ja) 2018-12-12

Family

ID=56129918

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014257190A Active JP6436440B2 (ja) 2014-12-19 2014-12-19 生成装置、生成方法、及び、プログラム

Country Status (2)

Country Link
US (1) US10997612B2 (ja)
JP (1) JP6436440B2 (ja)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10306009B2 (en) * 2015-12-22 2019-05-28 Pearson Education, Inc. Systems and methods for decreasing latency in data packet provision
US20170316438A1 (en) * 2016-04-29 2017-11-02 Genesys Telecommunications Laboratories, Inc. Customer experience analytics
US10565513B2 (en) * 2016-09-19 2020-02-18 Applied Materials, Inc. Time-series fault detection, fault classification, and transition analysis using a K-nearest-neighbor and logistic regression approach
CN107957998A (zh) * 2016-10-14 2018-04-24 富士通株式会社 生成关系计算模型的方法和估计实体对之间关系的方法
CN107403381A (zh) * 2017-05-27 2017-11-28 阿里巴巴集团控股有限公司 用于风险测评的数据采集方法及装置和电子设备
CN111062736A (zh) * 2018-10-17 2020-04-24 百度在线网络技术（北京）有限公司 模型训练、线索排序方法、装置及设备
JP2020087023A (ja) * 2018-11-27 2020-06-04 日本電信電話株式会社 受注予測モデルの生成方法、受注予測モデル、受注予測装置、受注予測方法および受注予測プログラム
JP7256669B2 (ja) 2019-04-03 2023-04-12 エヌ・ティ・ティ・コミュニケーションズ株式会社 情報処理装置、推定装置、分析装置、情報処理方法及びコンピュータープログラム
JP7168095B2 (ja) * 2019-08-29 2022-11-09 富士通株式会社 パターン抽出プログラム、装置、及び方法
US20230334515A1 (en) * 2020-03-27 2023-10-19 Nec Corporation Sales assistance system, sales assistance method, and program recording medium
US11126931B1 (en) 2020-05-11 2021-09-21 Capital One Services, Llc Intelligent dealership recommendation engine
US10979378B1 (en) * 2020-09-17 2021-04-13 Capital One Services, Llc System and method for promoting user engagement
CN114356985B (zh) * 2021-12-24 2024-04-02 深圳市傲天科技股份有限公司 信息估计方法、装置、设备及存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5124680B2 (ja) 1972-11-17 1976-07-26
US8396737B2 (en) * 2006-02-21 2013-03-12 Hewlett-Packard Development Company, L.P. Website analysis combining quantitative and qualitative data
US7853417B2 (en) 2007-01-30 2010-12-14 Silver Spring Networks, Inc. Methods and system for utility network outage detection
US7519553B2 (en) * 2007-05-02 2009-04-14 International Business Machines Corporation Method and system for debt collection optimization
US20090205046A1 (en) 2008-02-13 2009-08-13 Docomo Communications Laboratories Usa, Inc. Method and apparatus for compensating for and reducing security attacks on network entities
US20100106573A1 (en) * 2008-10-25 2010-04-29 Gallagher Andrew C Action suggestions based on inferred social relationships
US20120323674A1 (en) * 2009-08-14 2012-12-20 Dataxu, Inc. Creation and usage of synthetic user identifiers within an advertisement placement facility
US8560678B2 (en) * 2010-12-22 2013-10-15 Facebook, Inc. Providing relevant notifications based on common interests between friends in a social networking system
JP5124680B1 (ja) 2011-11-30 2013-01-23 楽天株式会社 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体
JP5756052B2 (ja) 2012-04-10 2015-07-29 日本電信電話株式会社 ユーザ属性推定装置及び方法及びプログラム
JP5791565B2 (ja) * 2012-05-18 2015-10-07 日本電信電話株式会社 ユーザ属性推定装置、ユーザ属性推定方法、及びプログラム
US20160148251A1 (en) * 2014-11-24 2016-05-26 Adobe Systems Incorporated Risk Quantification for Policy Deployment

Also Published As

Publication number Publication date
JP2016118865A (ja) 2016-06-30
US10997612B2 (en) 2021-05-04
US20160180355A1 (en) 2016-06-23

Similar Documents

Publication Publication Date Title
JP6436440B2 (ja) 生成装置、生成方法、及び、プログラム
WO2021114974A1 (zh) 用户风险评估方法及装置、电子设备、存储介质
US11501204B2 (en) Predicting a consumer selection preference based on estimated preference and environmental dependence
JP6789934B2 (ja) 変換されたデータを用いた学習
US10599999B2 (en) Digital event profile filters based on cost sensitive support vector machine for fraud detection, risk rating or electronic transaction classification
Tzeng et al. Fuzzy decision maps: a generalization of the DEMATEL methods
JP4218099B2 (ja) データベース、顧客情報検索方法及び顧客情報検索装置
EP3410379A1 (en) Information processing device, information processing method, and program
JP5963320B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
US11853901B2 (en) Learning method of AI model and electronic apparatus
US20190080352A1 (en) Segment Extension Based on Lookalike Selection
JP5984147B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
US20180240037A1 (en) Training and estimation of selection behavior of target
US20160171590A1 (en) Push-based category recommendations
US20210012363A1 (en) Device, method and computer-readable medium for analyzing customer attribute information
US20220253721A1 (en) Generating recommendations using adversarial counterfactual learning and evaluation
US20150347926A1 (en) Fast Naive Bayesian Framework with Active-Feature Ordering
Lu et al. A modified whale optimization algorithm for parameter estimation of software reliability growth models
US20210117828A1 (en) Information processing apparatus, information processing method, and program
Limon et al. Reliability estimation considering usage rate profile and warranty claims
JP5984144B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
Dai et al. A two-phase method of QoS prediction for situated service recommendation
US11042837B2 (en) System and method for predicting average inventory with new items
JP2020154464A (ja) 推定装置、推定方法及び推定プログラム
US20180300389A1 (en) Estimation device, estimation method, and non-transitory computer-readable recording medium

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170822

RD12 Notification of acceptance of power of sub attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7432

Effective date: 20180808

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20180809

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180928

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: 20181016

RD14 Notification of resignation of power of sub attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7434

Effective date: 20181017

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20181106

R150 Certificate of patent or registration of utility model

Ref document number: 6436440

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150