JP6587660B2 - 推定装置、推定方法、及び推定プログラム - Google Patents

Description

本発明は、推定装置、推定方法、推定プログラムに関する。

従来、ユーザの健康に関する種々のサービスが提供されている。例えば、ユーザが所望する医療情報の検索を支援する技術が提供されている。

特開２０１３−２３２１８５号公報

しかしながら、上記の従来技術では、ユーザの健康リスクを適切に推定することが難しい場合がある。例えば、ユーザが所望する医療情報を検索する場合、ユーザ自身が健康リスクを抱えているかを認識している必要が有り、ユーザがどのような健康リスクを抱えているかを認識していないユーザに適切な情報提供を行うことが難しい。

本願は、上記に鑑みてなされたものであって、ユーザの健康リスクを適切に推定する推定装置、推定方法、及び推定プログラムを提供することを目的とする。

本願に係る推定装置は、ユーザの位置情報を含むユーザ情報を取得する取得部と、前記取得部により取得されたユーザ情報に基づいて、前記ユーザの健康リスクを推定する推定部と、を備えたことを特徴とする。

実施形態の一態様によれば、ユーザの健康リスクを適切に推定することができるという効果を奏する。

図１は、実施形態に係る生成処理の一例を示す図である。 図２は、実施形態に係る推定処理の一例を示す図である。 図３は、実施形態に係る推定システムの構成例を示す図である。 図４は、実施形態に係る推定装置の構成例を示す図である。 図５は、実施形態に係る学習データ記憶部の一例を示す図である。 図６は、実施形態に係るモデル情報記憶部の一例を示す図である。 図７は、実施形態に係るユーザ情報記憶部の一例を示す図である。 図８は、実施形態に係る健康リスク情報記憶部の一例を示す図である。 図９は、実施形態に係る生成処理の一例を示すフローチャートである。 図１０は、実施形態に係る推定処理の一例を示すフローチャートである。 図１１は、推定装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る推定装置、推定方法、推定プログラム、学習データ、及びモデルを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る推定装置、推定方法、推定プログラム、学習データ、及びモデルが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

（実施形態）
〔１．生成処理〕
まず、図１を用いて、実施形態に係る生成処理の一例について説明する。図１は、実施形態に係る生成処理の一例を示す図である。図１では、推定装置１００がユーザの位置情報を含むユーザ情報と、そのユーザの健康リスクを示す正解情報とを含む履歴（ログ）に基づいてモデルの生成を行う場合を示す。図１の例では、推定装置１００は、所定の検診を受診したユーザの位置情報を含むユーザ情報ＵＤＴと、そのユーザの検診結果ＰＥＤに基づく正解情報とを含む履歴（ログ）に基づいてモデルの生成を行う場合を示す。以下では、正解情報が対応付けられたユーザ情報を「学習データ」ともいう。ユーザ情報については後述する。

図１及び図２の例では、健康リスクとして、Ａリスク、Ｂリスク、Ｃリスク等の種別を対象とする場合を示す。例えば、健康リスクは、ユーザの健康に関するリスクであれば、どのような種別の疾病や症候群等であってもよい。図１及び図２の例における健康リスクについて、種別「Ａリスク」は「高血圧」であり、種別「Ｂリスク」は「メタボ（メタボリックシンドローム）」等であってもよい。また、図１に示す正解情報は、ユーザの検診結果ＰＥＤにおいて「正常ではない」と診断された種別の健康リスクについて「リスク有」とし、「正常」と診断された種別の健康リスクについて「リスク無」とする情報であってもよい。なお、検診におけるどの判断区分（レベル）以上を「リスク有」とするかは適宜設定されてもよい。例えば、「要再検査」とされた種別を「リスク有」としてもよいし、「所見有り」とされた種別を「リスク有」としてもよい。

また、推定装置１００は、生成したモデルを用いて、あるユーザの位置情報を含むユーザ情報に基づいて、そのユーザの健康リスクを推定する。また、推定装置１００は、推定したユーザの健康リスクを示す情報に基づいて、サービスを提供したりするが、この点については図２で説明する。

〔推定システムの構成〕
まず、図１の説明に先立って、図３に示す推定システム１について説明する。図３に示すように、推定システム１は、端末装置１０と、推定装置１００とが含まれる。端末装置１０と、推定装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。図３は、実施形態に係る推定システムの構成例を示す図である。なお、図３に示した推定システム１には、複数台の端末装置１０や、複数台の推定装置１００が含まれてもよい。

端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。図１に示す例においては、端末装置１０がユーザが利用するスマートフォンである場合を示す。なお、以下では、端末装置１０をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。例えば、図２では、端末装置１０がユーザＵ１が利用するスマートフォンである場合を示す。なお、上記のように、「ユーザＵ＊（＊は任意の数値）」と記載した場合、そのユーザはユーザＩＤ「Ｕ＊」により識別されるユーザであることを示す。例えば、「ユーザＵ１」と記載した場合、そのユーザはユーザＩＤ「Ｕ１」により識別されるユーザである。

また、端末装置１０は、ＧＰＳ（Global Positioning System）センサ等の機能を有し、ユーザの位置情報（センサ情報）を検知し、取得するものとする。また、端末装置１０は、通信を行っている基地局の位置情報や、ＷｉＦｉ（登録商標）（Wireless Fidelity）の電波を用いてユーザの位置情報を推定し、取得してもよい。なお、以下では位置情報を単に「位置」と記載する場合がある。また、端末装置１０は、ＧＰＳセンサ等に限らず種々のセンサにより、各種センサ情報を検知してもよい。また、端末装置１０は、加速度センサの機能を有し、ユーザの移動における加速度情報（センサ情報）を検知し、取得する。また、端末装置１０は、温度センサや気圧センサ等の種々の機能を有し、温度や気圧等のユーザの置かれている環境情報を検知し、取得可能であってもよい。また、端末装置１０は、心拍センサ等の種々の機能を有し、ユーザの生体情報を検知し、取得可能であってもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身のコンテキスト情報を取得可能としてもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なリストバンド型のウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身の心拍（脈拍）に関する情報を端末装置１０が取得可能としてもよい。

推定装置１００は、ユーザの位置情報を含むユーザ情報に基づいて、ユーザの健康リスクを推定する情報処理装置である。図２の例では、推定装置１００は、ユーザの健康リスクの推定に用いられるモデルであって、ユーザ情報が入力されたモデルの出力に基づいて、ユーザの健康リスクを推定する。

また、推定装置１００は、推定したユーザの健康リスクに関する情報に基づいてサービスを提供する。図２の例では、推定装置１００は、推定対象となったユーザにユーザの健康リスクを示す情報を提供する。なお、推定装置１００は、ユーザの健康リスクを示す情報を、ユーザが属する事業体等に提供してもよい。

まず、図１の示す例において、推定装置１００がモデルＭ１に生成に用いる学習データＬＤ１について説明する。例えば、学習データＬＤ１は、ユーザＵ１０１について収集された位置情報ＰＤＴ１０１や検索情報ＳＤＴ１０１等のユーザ情報と、ユーザＵ１０１に対応する診断結果ＰＥＤに基づく正解情報ＲＤＴ１０１を含むデータＤＴ１０１を含む。図１の例では、ユーザＵ１０１は、診断結果ＰＥＤに示すように、ＡリスクやＢリスクがあると診断されており、正解情報ＲＤＴ１０１には、Ａリスク「有」やＢリスク「有」やＣリスク「無」等の各健康リスクに対応するリスク有無を示す情報が含まれる。例えば、推定装置１００は、位置情報ＰＤＴ１０１や検索情報ＳＤＴ１０１等のユーザ情報を、ユーザＵ１０１が利用する端末装置１０から取得する。

なお、推定装置１００は、位置情報や検索情報に限らず、端末装置１０から取得される種々のデータ（情報）を用いてもよい。例えば、推定装置１００は、加速度情報（データ）や、ユーザによる端末装置１０の操作情報（データ）等の種々の情報を用いてもよい。例えば、ユーザによる端末装置１０の操作情報には、ユーザの端末装置１０に対するクリックやキーストロークなど種々のユーザの操作情報が含まれてもよい。また、例えば、推定装置１００は、端末装置１０のアプリインストール状況に関する情報など種々の情報を用いてもよい。例えば、端末装置１０のアプリインストール状況に関する情報には、端末装置１０にインストールされているアプリの一覧など種々の情報が含まれてもよい。

なお、上記のように、「データＤＴ＊（＊は任意の数値）」と記載した場合、そのデータはデータＩＤ「ＤＴ＊」により識別されるデータであることを示す。例えば、「データＤＴ１」と記載した場合、そのデータはデータＩＤ「ＤＴ１」により識別されるデータである。また、図１の例では、説明を簡単にするために、位置情報と検索情報のみをユーザ情報として図示するが、ユーザ情報には、ユーザがどのような商品を購入したかを示す購買情報等の種々の情報が含まれてもよい。例えば、ユーザ情報には、ユーザのインターネット（ウェブ）上における種々の行動情報等が含まれてもよい。

ここでいうユーザ情報には、ユーザの位置情報やユーザの検索情報等の種々の情報が含まれる。例えば、ユーザＵ１０１は、位置情報ＰＤＴ１０１に示すように、位置ＬＣ１１や位置ＬＣ１２が収集されたユーザであることを示す。なお、図１では、図示を省略するが、位置情報ＰＤＴ１０１には、各位置が取得（検知）された日時に関する情報が位置に対応付けられる。また、図１の例では「位置ＬＣ１１」を抽象的な符号で図示するが、位置情報は、具体的な緯度経度情報等であってもよい。

例えば、ユーザＵ１０１は、検索情報ＳＤＴ１０１に示すように、クエリＸＸやクエリＹＹを用いて検索を行ったユーザであることを示す。なお、図１では、図示を省略するが、検索情報ＳＤＴ１０１には、各クエリを用いて検索が行われた日時に関する情報が各クエリに対応付けられる。また、図１の例では「クエリＸＸ」を抽象的な符号で図示するが、クエリ（検索クエリ）は、具体的な商品名や病名等の具体的な対象を示す文字列等であってもよい。なお、ユーザ情報には、上記に限らず種々の情報が含まれてもよいが、この点については後述する。

例えば、学習データＬＤ１は、ユーザＵ１０２について収集された位置情報ＰＤＴ１０２や検索情報ＳＤＴ１０２等のユーザ情報と、ユーザＵ１０２に対応する診断結果ＰＥＤに基づく正解情報ＲＤＴ１０２を含むデータＤＴ１０２を含む。図１の例では、ユーザＵ１０２は、診断結果ＰＥＤに示すように、異常なしと診断されており、正解情報ＲＤＴ１０２には、Ａリスク、Ｂリスク、Ｃリスク等の全リスクについて「無」とする、各健康リスクに対応するリスク有無を示す情報が含まれる。例えば、推定装置１００は、位置情報ＰＤＴ１０２や検索情報ＳＤＴ１０２等のユーザ情報を、ユーザＵ１０２が利用する端末装置１０から取得する。

また、学習データＬＤ１は、ユーザＵ１０３について収集された位置情報ＰＤＴ１０３や検索情報ＳＤＴ１０３等のユーザ情報と、ユーザＵ１０３に対応する診断結果ＰＥＤに基づく正解情報ＲＤＴ１０３を含むデータＤＴ１０３や、ユーザＵ１０４について収集された位置情報ＰＤＴ１０４や検索情報ＳＤＴ１０４等のユーザ情報を含むデータＤＴ１０４等を含む。例えば、推定装置１００は、位置情報ＰＤＴ１０３や検索情報ＳＤＴ１０３等のユーザ情報を、ユーザＵ１０３が利用する端末装置１０から取得する。また、例えば、推定装置１００は、位置情報ＰＤＴ１０４や検索情報ＳＤＴ１０４等のユーザ情報を、ユーザＵ１０４が利用する端末装置１０から取得する。

なお、図１では、データＤＴ１０１〜ＤＴ１０４のみを図示するが学習データＬＤ１には多数のデータが含まれるものとする。また、例えば、推定装置１００は、各ユーザの診断結果ＰＥＤを、診断を行った機関（医療機関等）から取得する。例えば、推定装置１００は、各ユーザＵ１０１〜Ｕ１０４の診断結果ＰＥＤに基づいて、正解情報ＲＤＴ１０１〜ＲＤＴ１０４等を生成してもよい。また、例えば、推定装置１００は、各ユーザＵ１０１〜Ｕ１０４の診断結果ＰＥＤに基づく正解情報ＲＤＴ１０１〜ＲＤＴ１０４等を、診断を行った機関（医療機関等）から取得してもよい。また、推定装置１００は、各ユーザのユーザ情報を、ユーザが利用する端末装置１０以外の外部装置から取得してもよい。

ここから、推定装置１００の各処理について説明する。まず、推定装置１００は、学習データＬＤ１を取得する（ステップＳ１１）。具体的には、推定装置１００は、データＤＴ１０１〜ＤＴ１０４等を含む学習データＬＤ１を取得する。なお、図１の例では、推定装置１００は、上記のような学習データＬＤ１を所定の外部情報処理装置から取得してもよい。

そして、推定装置１００は、ステップＳ１１で取得した学習データＬＤ１に含まれる正解情報とユーザ情報との組み合わせを学習データとして追加する（ステップＳ１２）。具体的には、推定装置１００は、学習データＬＤ１を学習データ記憶部１２１に追加する。

そして、推定装置１００は、学習データに基づいてモデルを生成する（ステップＳ１３）。図１の例では、推定装置１００は、モデル情報記憶部１２２に示すように、モデルＭ１〜Ｍ３等を生成する。上記のように、「モデルＭ＊（＊は任意の数値）」と記載した場合、そのモデルはモデルＩＤ「Ｍ＊」により識別されるモデルであることを示す。例えば、「モデルＭ１」と記載した場合、そのモデルはモデルＩＤ「Ｍ１」により識別されるモデルである。

図１中のモデル情報記憶部１２２に示すように、モデルＭ１は健康リスク「Ａリスク」、すなわちユーザの健康リスクの一の種別であるＡリスクの推定のために用いられるモデルであり、その具体的なモデルデータが「モデルデータＭＤＴ１」であることを示す。また、図１中のモデル情報記憶部１２２に示すように、モデルＭ２は健康リスク「Ｂリスク」、すなわちユーザの健康リスクの一の種別であるＢリスクの推定のために用いられるモデルであり、その具体的なモデルデータが「モデルデータＭＤＴ２」であることを示す。また、図１中のモデル情報記憶部１２２に示すように、モデルＭ３は健康リスク「Ｃリスク」、すなわちユーザの健康リスクの一の種別であるＣリスクの推定のために用いられるモデルであり、その具体的なモデルデータが「モデルデータＭＤＴ３」であることを示す。

例えば、推定装置１００は、学習データ記憶部１２１中のデータＤＴ１０１〜ＤＴ１０４等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。例えば、推定装置１００は、ユーザの位置情報を含むユーザ情報に関する特徴量を用いて、モデルを生成する。例えば、推定装置１００は、ユーザの位置情報に関する特徴量を用いて、モデルを生成する。また、例えば、推定装置１００は、ユーザの検索情報に関する特徴量を用いて、モデルを生成する。例えば、推定装置１００は、ユーザが検索に用いたクエリに関する特徴量を用いて、モデルを生成する。このように、推定装置１００は、ユーザに対応する特徴を学習し、そのユーザの健康リスクを推定するモデルを生成する。図１の例では、推定装置１００は、ユーザの位置情報や検索情報等に関する特徴を学習し、そのユーザの健康リスクを推定するモデルを生成する。なお、推定装置１００が学習するユーザに対応する特徴は、推定装置１００の管理者等の人間が推定装置１００に入力してもよいし、推定装置１００に自動的に学習（抽出）させてもよい。

例えば、推定装置１００は、学習データＬＤ１を用いてモデルＭ１を生成する。例えば、推定装置１００は、正解情報ＲＤＴ１０１に含まれるユーザＵ１０１の診断結果ＰＥＤにおいてＡリスクが「有」である場合、モデルＭ１にデータＤＴ１０１に含まれるユーザ情報が入力された場合に、モデルＭ１が出力するスコアが「１」に近づくように、学習処理を行う。例えば、推定装置１００は、データＤＴ１０１の位置情報ＰＤＴ１０１や検索情報ＳＤＴ１０１がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「１」に近づくように、学習処理を行う。

また、例えば、推定装置１００は、正解情報ＲＤＴ１０２に含まれるユーザＵ１０２の診断結果ＰＥＤにおいてＡリスクが「無」である場合、モデルＭ１にデータＤＴ１０２に含まれるユーザ情報が入力された場合に、モデルＭ１が出力するスコアが「０」に近づくように、学習処理を行う。例えば、推定装置１００は、データＤＴ１０２の位置情報ＰＤＴ１０２や検索情報ＳＤＴ１０２がモデルＭ１に入力され場合に、モデルＭ１が出力するスコアが「０」に近づくように、学習処理を行う。

例えば、推定装置１００は、学習データＬＤ１を用いてモデルＭ２を生成する。例えば、推定装置１００は、正解情報ＲＤＴ１０３に含まれるユーザＵ１０３の診断結果ＰＥＤにおいてＢリスクが「有」である場合、モデルＭ２にデータＤＴ１０３に含まれるユーザ情報が入力された場合に、モデルＭ２が出力するスコアが「１」に近づくように、学習処理を行う。例えば、推定装置１００は、データＤＴ１０３の位置情報ＰＤＴ１０３や検索情報ＳＤＴ１０３がモデルＭ２に入力された場合に、モデルＭ２が出力するスコアが「１」に近づくように、学習処理を行う。

また、例えば、推定装置１００は、正解情報ＲＤＴ１０２に含まれるユーザＵ１０２の診断結果ＰＥＤにおいてＢリスクが「無」である場合、モデルＭ２にデータＤＴ１０２に含まれるユーザ情報が入力された場合に、モデルＭ２が出力するスコアが「０」に近づくように、学習処理を行う。例えば、推定装置１００は、データＤＴ１０２の位置情報ＰＤＴ１０２や検索情報ＳＤＴ１０２がモデルＭ２に入力され場合に、モデルＭ２が出力するスコアが「０」に近づくように、学習処理を行う。

例えば、推定装置１００は、学習データＬＤ１を用いてモデルＭ３を生成する。例えば、推定装置１００は、正解情報ＲＤＴ１０４に含まれるユーザＵ１０４の診断結果ＰＥＤにおいてＣリスクが「有」である場合、モデルＭ３にデータＤＴ１０４に含まれるユーザ情報が入力された場合に、モデルＭ３が出力するスコアが「１」に近づくように、学習処理を行う。例えば、推定装置１００は、データＤＴ１０４の位置情報ＰＤＴ１０４や検索情報ＳＤＴ１０４がモデルＭ３に入力された場合に、モデルＭ３が出力するスコアが「１」に近づくように、学習処理を行う。

また、例えば、推定装置１００は、正解情報ＲＤＴ１０２に含まれるユーザＵ１０２の診断結果ＰＥＤにおいてＣリスクが「無」である場合、モデルＭ３にデータＤＴ１０２に含まれるユーザ情報が入力された場合に、モデルＭ３が出力するスコアが「０」に近づくように、学習処理を行う。例えば、推定装置１００は、データＤＴ１０２の位置情報ＰＤＴ１０２や検索情報ＳＤＴ１０２がモデルＭ３に入力され場合に、モデルＭ３が出力するスコアが「０」に近づくように、学習処理を行う。

なお、モデルの学習手法については、上述した手法に限定されるものではなく、任意の公知技術が適用可能である。なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習（ディープラーニング）の技術を用いて行われてもよい。例えば、モデルの生成は、ＤＮＮ（Deep Neural Network）やＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。すなわち、推定装置１００は、学習データに含まれるユーザ情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルＭ１を学習可能であれば、どのような手法によりモデルＭ１の生成を行ってもよい。

上記のような処理により、推定装置１００は、Ａリスク〜Ｃリスク等の各種別の健康リスクに対応するモデルＭ１〜Ｍ３等を生成する。例えば、推定装置１００は、モデルＭ１にユーザ情報を入力することにより、入力したユーザ情報に対応するユーザについて健康リスク「Ａリスク」の可能性を示すスコアを、モデルＭ１に出力させ、モデルＭ１が出力するスコアに基づいて、そのユーザについてのＡリスクの有無を推定する。

上述したように、推定装置１００は、ユーザ情報と、各健康リスクに対応する正解情報とが対応付けられた学習データを用いて学習することにより、あるユーザの各健康リスクの有無を適切に推定可能にするモデルを生成することができる。したがって、推定装置１００は、上述のように生成したモデルを用いることにより、例えば、あるユーザの各健康リスクが生じるかを精度よく推定することを可能にすることができる。

（１−１．モデルについて）
モデルの生成については、図１に限らず、種々の態様であってもよい。図１の例では、各健康リスクに対応する複数のモデルを生成する場合を示すが、推定装置１００は、各健康リスクに対応する複数のスコアを出力する１つのモデルを生成してもよい。

また、図１の例では、説明を簡単にするために、位置情報と検索情報のみをユーザ情報として図示したが、推定装置１００は、種々の情報を含むユーザ情報を入力情報とするモデルを生成してもよい。例えば、推定装置１００は、ユーザのインターネット（ウェブ）上における種々の行動情報を含むユーザ情報を入力情報とするモデルを生成してもよい。上述のように、例えば、推定装置１００は、ユーザが購入した商品に関する情報を含むユーザ情報を入力情報とするモデルを生成してもよい。

また、例えば、推定装置１００は、ユーザが閲覧したコンテンツに関する情報を含むユーザ情報を入力情報とするモデルを生成してもよい。また、例えば、推定装置１００は、ユーザの飲食に関する情報を含むユーザ情報を入力情報とするモデルを生成してもよい。例えば、推定装置１００は、ユーザの属性情報を含むユーザ情報を入力情報とするモデルを生成してもよい。

例えば、推定装置１００は、端末装置１０から取得した加速度情報（データ）を含むユーザ情報を入力情報とするモデルを生成してもよい。例えば、推定装置１００は、ユーザによる端末装置１０の操作情報を含むユーザ情報を入力情報とするモデルを生成してもよい。例えば、推定装置１００は、ユーザの端末装置１０に対するクリックやキーストロークなど種々のユーザの操作情報を含むユーザ情報を入力情報とするモデルを生成してもよい。また、例えば、推定装置１００は、端末装置１０のアプリインストール状況に関する情報を含むユーザ情報を入力情報とするモデルを生成してもよい。例えば、推定装置１００は、端末装置１０にインストールされているアプリの一覧など種々の情報を含むユーザ情報を入力情報とするモデルを生成してもよい。

例えば、推定装置１００は、ユーザが所定のサービスにおいて投稿した投稿情報を含むユーザ情報を入力情報とするモデルを生成してもよい。例えば、推定装置１００は、ソーシャルネットワーキングサービス（ＳＮＳ：Social Networking Service）においてユーザが投稿した投稿情報を含むユーザ情報を入力情報とするモデルを生成してもよい。例えば、推定装置１００は、Ｔｗｉｔｔｅｒ（登録商標）やＦａｃｅｂｏｏｋ（登録商標）等においてユーザが投稿した投稿情報を含むユーザ情報を入力情報とするモデルを生成してもよい。例えば、推定装置１００は、ユーザがＴｗｉｔｔｅｒにおいて投稿した文字情報を含むユーザ情報を入力情報とするモデルを生成してもよい。例えば、推定装置１００は、ユーザがメッセージサービスにおいて入力した情報を含むユーザ情報を入力情報とするモデルを生成してもよい。例えば、推定装置１００は、ユーザがＬＩＮＥ（登録商標）等のメッセージサービスにおいて入力した情報を含むユーザ情報を入力情報とするモデルを生成してもよい。例えば、推定装置１００は、電子メールにおいて入力した情報を含むユーザ情報を入力情報とするモデルを生成してもよい。また、例えば、推定装置１００は、ユーザが入力する情報であれば、文字情報や、音声情報や、画像情報や、動画情報（映像）等の種々の情報を含むユーザ情報を入力情報とするモデルを生成してもよい。

〔２．推定処理〕
図２を用いて、実施形態に係る推定処理の一例について説明する。図２は、実施形態に係る推定処理の一例を示す図である。図２では、推定装置１００は、ユーザＵ１のユーザ情報が与えられた場合に、ユーザＵ１の健康リスクを推定し、推定に基づく情報を提供する場合を示す。

まず、推定装置１００は、ユーザＵ１のユーザ情報ＵＤＴ１を取得する（ステップＳ２１）。図２の例では、推定装置１００は、ユーザＵ１が利用する端末装置１０からユーザＵ１の位置情報ＰＤＴ１や検索情報ＳＤＴ１を含むユーザ情報ＵＤＴ１を取得する。例えば、推定装置１００は、位置ＬＣ１や位置ＬＣ２等にユーザＵ１が位置したことを示す位置情報ＰＤＴ１や、クエリＡＡやクエリＢＢ等によりユーザＵ１が検索を行ったことを示す検索情報ＳＤＴ１を含むユーザ情報ＵＤＴ１を取得する。

ユーザ情報ＵＤＴ１を取得した推定装置１００は、ユーザ情報ＵＤＴ１をモデルに入力する。例えば、推定装置１００は、ユーザＵ１の位置情報ＰＤＴ１や検索情報ＳＤＴ１を含むユーザ情報ＵＤＴ１を、モデルＭ１に入力する。

図２の例では、推定装置１００は、処理群ＰＳ２２−１に示すような処理により、ユーザＵ１に種別「Ａリスク」の健康リスクが生じる可能性を示すスコアを算出する。推定装置１００は、ユーザ情報ＵＤＴ１を種別「Ａリスク」に対応するモデルＭ１に入力する（ステップＳ２２−１）。具体的には、推定装置１００は、位置情報ＰＤＴ１や検索情報ＳＤＴ１を含むユーザ情報ＵＤＴ１をモデルＭ１に入力する。ユーザ情報ＵＤＴ１が入力されたモデルＭ１は、スコアを出力する（ステップＳ２３−１）。図２の例では、ユーザ情報ＵＤＴ１が入力されたモデルＭ１は、スコアＳＣ１１−１に示すようなスコア「０．７」を出力する。

また、推定装置１００は、処理群ＰＳ２２−２に示すような処理により、ユーザＵ１に種別「Ｂリスク」の健康リスクが生じる可能性を示すスコアを算出する。推定装置１００は、ユーザ情報ＵＤＴ１を種別「Ｂリスク」に対応するモデルＭ２に入力する（ステップＳ２２−２）。具体的には、推定装置１００は、位置情報ＰＤＴ１や検索情報ＳＤＴ１を含むユーザ情報ＵＤＴ１をモデルＭ２に入力する。ユーザ情報ＵＤＴ１が入力されたモデルＭ２は、スコアを出力する（ステップＳ２３−２）。図２の例では、ユーザ情報ＵＤＴ１が入力されたモデルＭ２は、スコアＳＣ１１−２に示すようなスコア「０．２」を出力する。

また、推定装置１００は、種別「Ｃリスク」等の他の種別に対応するモデルＭ３等についても同様に処理する。例えば、推定装置１００は、ユーザ情報ＵＤＴ１を種別「Ｃリスク」に対応するモデルＭ３に入力することにより、ユーザＵ１に種別「Ｃリスク」の健康リスクが生じる可能性を示すスコアを算出する。図２の例では、推定装置１００は、ユーザＵ１については、スコア「０．４」と算出する。

そして、推定装置１００は、各モデルＭ１〜Ｍ３等が出力したスコアに基づいて、ユーザＵ１の健康リスクを推定する（ステップＳ２４）。図２の例では、推定装置１００は、モデルが出力するスコアが０．２５未満である場合、そのモデルに対応する種別について、ユーザの健康リスクが「低」と推定する。また、推定装置１００は、ユーザ情報が入力されたモデルＭ１が出力するスコアが０．２５以上０．６５未満である場合、そのモデルに対応する種別について、ユーザの健康リスクが「中」と推定する。また、推定装置１００は、ユーザ情報が入力されたモデルＭ１が出力するスコアが０．６５以上である場合、そのモデルに対応する種別について、ユーザの健康リスクが「高」と推定する。

このように、図２の例では、推定装置１００は、Ａリスク〜Ｃリスク等の各種別の健康リスクが「低」、「中」、「高」のいずれのレベルであるかを推定する。推定装置１００は、図２中の健康リスク一覧ＨＲＬ１に示すように、Ａリスクのリスクレベルを「高」、Ｂリスクのリスクレベルを「低」、Ｃリスクのリスクレベルを「中」と推定する。例えば、推定装置１００は、健康リスク一覧ＨＲＬ１を生成する。

その後、推定装置１００は、推定したユーザの健康リスクに基づいて情報提供を行う（ステップＳ２５）。図２の例では、推定装置１００は、健康リスク一覧ＨＲＬ１を端末装置１０へ提供する。そして、推定装置１００から健康リスク一覧ＨＲＬ１を受信した端末装置１０は、健康リスク一覧ＨＲＬ１を表示する。これにより、ユーザＵ１は、自身の健康リスクを確認する。

上述したように、推定装置１００は、ユーザの位置情報を含むユーザ情報に基づいて、そのユーザの健康リスクを推定する。図２の例では、推定装置１００は、ユーザＵ１の位置情報ＰＤＴ１０１を含むユーザ情報ＵＤＴ１を各モデルＭ１〜Ｍ３等に入力することにより、各モデルＭ１〜Ｍ３等の各々に対応する種別の健康リスクに関するスコアを出力させる。そして、推定装置１００は、モデルが出力するスコアが高い程、そのモデルに対応する種別の健康リスクがユーザに生じる可能性が高いと推定する。そして、推定装置１００は、生成した健康リスク一覧ＨＲＬ１を端末装置１０へ提供する。このように、推定装置１００は、ユーザの健康リスクを推定し、推定したユーザの健康リスクに関する情報をユーザ等に提供することにより、ユーザの健康リスクを適切に把握可能にすることができる。

（２−１．推定方法について）
なお、図２の例では、モデルを用いて推定する場合を示したが、モデルを用いることなくユーザの健康リスクを推定してもよい。例えば、推定装置１００は、位置情報により推定されるユーザの移動に関する情報に基づいて、ユーザの健康リスクを推定する。例えば、推定装置１００は、位置情報により推定されるユーザの所定期間（例えば１日等）における徒歩による移動距離が所定の閾値（例えば１ｋｍ等）未満である場合、そのユーザについてメタボや運動不足に起因する健康リスクがあると推定してもよい。

また、例えば、推定装置１００は、位置情報により推定されるユーザの生活パターンに関する情報に基づいて、ユーザの健康リスクを推定してもよい。例えば、推定装置１００は、位置情報に基づいて、定期的に運動しているか否かを含む生活パターン推定し、その情報に基づいてユーザの健康リスクを推定してもよい。例えば、推定装置１００は、所定の周期（例えば１週間おき等）で、ユーザがランニングしていることを示す位置情報が取得された場合、そのユーザが定期的に運動しているユーザであると推定してもよい。例えば、推定装置１００は、所定のエリアを所定の速度（例えば１０ｋｍ／時等）で周回している位置情報が取得された場合、そのユーザがランニングしていると推定してもよい。このように、推定装置１００は、位置情報によりユーザが定期的にランニング等の運動を行っていると推定される場合、そのユーザについてメタボや運動不足に起因する健康リスクがないと推定してもよい。

また、例えば、推定装置１００は、位置情報に基づいて、ユーザが勤務地（会社）へ車通勤しているか否かを含む生活パターン推定し、その情報に基づいてユーザの健康リスクを推定してもよい。例えば、推定装置１００は、ユーザが自宅から勤務地までの間を道路に沿って、移動していることを示す位置情報が取得された場合、そのユーザが会社へ車通勤しているユーザであると推定してもよい。例えば、推定装置１００は、ユーザが自宅から勤務地までの間を所定の速度（例えば４０ｋｍ／時等）で移動している位置情報が取得された場合、そのユーザが会社へ車通勤していると推定してもよい。このように、推定装置１００は、位置情報によりユーザが会社へ車通勤していると推定される場合、そのユーザについてメタボや運動不足に起因する健康リスクがあると推定してもよい。

また、例えば、推定装置１００は、位置情報に基づいて、ユーザが自宅に引きこもっているか否かを含む生活パターン推定し、その情報に基づいてユーザの健康リスクを推定してもよい。例えば、推定装置１００は、ユーザが所定の期間に亘って、自宅に滞在していることを示す位置情報が取得された場合、そのユーザが自宅に引きこもっているユーザであると推定してもよい。例えば、推定装置１００は、ユーザが１日のうち所定の閾値（例えば２０時間等）以上の時間に亘って自宅に滞在していることを示す位置情報が取得された場合、そのユーザが自宅に引きこもっていると推定してもよい。このように、推定装置１００は、位置情報によりユーザが自宅に引きこもっていると推定される場合、そのユーザについて運動不足やうつ病に起因する健康リスクがあると推定してもよい。また、例えば、推定装置１００は、位置情報に基づいて、ユーザが勤務後に飲み屋等の所定の飲食店に行っているか否かを含む生活パターン推定し、その情報に基づいてユーザの健康リスクを推定してもよい。例えば、推定装置１００は、ユーザが所定の頻度で飲み屋に滞在していることを示す位置情報が取得された場合、そのユーザが勤務後に飲み屋に行っているユーザであると推定してもよい。例えば、推定装置１００は、ユーザが１週間のうち所定の閾値（例えば３日等）以上の頻度で飲み屋に滞在していることを示す位置情報が取得された場合、そのユーザが頻繁に飲み屋に行っていると推定してもよい。このように、推定装置１００は、位置情報によりユーザが頻繁に飲み屋に行っていると推定される場合、そのユーザについて飲酒やカロリー過多に起因する健康リスクがあると推定してもよい。

また、例えば、推定装置１００は、位置情報により推定されるユーザの滞在地に関する情報に基づいて、ユーザの健康リスクを推定してもよい。例えば、推定装置１００は、位置情報により推定されるユーザの滞在地が所定の閾値（例えば２等）以下である場合、所定の健康リスクがユーザにあると推定してもよい。例えば、推定装置１００は、位置情報によりユーザが自宅と勤務地との２地点のみを滞在地としていると推定される場合、そのユーザについてストレスや運動不足に起因する健康リスクがあると推定してもよい。

例えば、推定装置１００は、ユーザが所定のサービスにおいて投稿した投稿情報を含むユーザ情報を用いて健康リスクを推定してもよい。例えば、推定装置１００は、形態素解析等の種々の自然言語処理技術の従来技術を適宜用いて、投稿情報の意味解析を行った結果に基づいて、ユーザの健康リスクを推定してもよい。例えば、推定装置１００は、ＳＮＳにおいてユーザが投稿した投稿情報に健康リスクに関する情報が含まれる場合、その健康リスクがあると推定してもよい。例えば、推定装置１００は、ユーザの投稿情報に「Ａリスクがあると診断された」等の情報が含まれる場合、そのユーザにＡリスクがあると推定してもよい。例えば、推定装置１００は、ユーザの投稿情報に、健康リスクの要因となるような情報が含まれる場合、その健康リスクがあると推定してもよい。例えば、推定装置１００は、ユーザの投稿情報に「最近運動不足」や「最近運動する時間がない」等の情報が含まれる場合、そのユーザに運動不足が要因となる健康リスクがあると推定してもよい。例えば、推定装置１００は、ユーザの投稿情報に「休みが取れない」や「仕事のストレスで限界」等の情報が含まれる場合、そのユーザにストレスが要因となる健康リスクがあると推定してもよい。なお、上記は一例であり、推定装置１００は、種々の情報を適宜用いて、ユーザの健康リスクを推定してもよい。また、推定装置１００は、上記のような方法により推定したユーザの健康リスクを正解情報として、モデルを生成してもよい。これにより、推定装置１００は、診断結果が取得されていないユーザについてのデータを用いて、モデルを生成することができる。

（２−２．ユーザ情報について）
図１及び図２の例では、説明を簡単にするために、位置情報と検索情報のみをユーザ情報として図示したが、ユーザ情報には、種々の情報が含まれてもよい。例えば、推定装置１００は、ユーザのインターネット（ウェブ）上における種々の行動情報を含むユーザ情報を用いて健康リスクを推定してもよい。

例えば、推定装置１００は、ユーザが閲覧したコンテンツに関する情報を含むユーザ情報を用いて健康リスクを推定してもよい。例えば、推定装置１００は、ユーザが特定の疾病等の健康リスクを示すコンテンツを所定の閾値（例えば１日１回や１時間）以上閲覧している場合、その健康リスクがあると推定してもよい。

また、例えば、推定装置１００は、ユーザの飲食に関する情報を含むユーザ情報を用いて健康リスクを推定してもよい。例えば、推定装置１００は、高カロリー商品等の特定の食品のユーザの購入頻度が所定の閾値（例えば１日１回）以上である場合、肥満や高脂血症や糖尿病等の健康リスクがあると推定してもよい。

例えば、推定装置１００は、ユーザの属性情報を含むユーザ情報を用いて健康リスクを推定してもよい。例えば、推定装置１００は、ユーザの性別や年齢等を用いて、統計的な健康リスクに関する情報を加味して、ユーザの健康リスクを推定してもよい。

例えば、推定装置１００は、ユーザが所定のサービスにおいて投稿した投稿情報を含むユーザ情報を用いて健康リスクを推定してもよい。例えば、推定装置１００は、ＳＮＳにおいてユーザが投稿した投稿情報を含むユーザ情報を用いて健康リスクを推定してもよい。例えば、推定装置１００は、ＴｗｉｔｔｅｒやＦａｃｅｂｏｏｋ等においてユーザが投稿した投稿情報を含むユーザ情報を用いて健康リスクを推定してもよい。例えば、推定装置１００は、ユーザがＴｗｉｔｔｅｒにおいて投稿した文字情報を含むユーザ情報を用いて健康リスクを推定してもよい。例えば、推定装置１００は、ユーザがメッセージサービスにおいて入力した情報を含むユーザ情報を用いて健康リスクを推定してもよい。例えば、推定装置１００は、ユーザがＬＩＮＥ等のメッセージサービスにおいて入力した情報を含むユーザ情報を用いて健康リスクを推定してもよい。例えば、推定装置１００は、電子メールにおいて入力した情報を含むユーザ情報を用いて健康リスクを推定してもよい。また、例えば、推定装置１００は、ユーザが入力する情報であれば、文字情報や、音声情報や、画像情報や、動画情報（映像）等の種々の情報を含むユーザ情報を用いて健康リスクを推定してもよい。

〔３．推定装置の構成〕
次に、図４を用いて、実施形態に係る推定装置１００の構成について説明する。図４は、実施形態に係る推定装置の構成例を示す図である。図４に示すように、推定装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、推定装置１００は、推定装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、端末装置１０との間で情報の送受信を行う。

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部１２０は、図４に示すように、学習データ記憶部１２１と、モデル情報記憶部１２２と、健康リスク情報記憶部１２４とを有する。

（学習データ記憶部１２１）
実施形態に係る学習データ記憶部１２１は、学習データに関する各種情報を記憶する。図５は、実施形態に係る学習データ記憶部の一例を示す図である。例えば、学習データ記憶部１２１は、モデルの生成に用いる教師データを記憶する。図５に示す学習データ記憶部１２１には、「データＩＤ」、「ユーザＩＤ」、「正解情報」、「ユーザ情報」といった項目が含まれる。「ユーザ情報」には、「位置情報」、「検索情報」といった項目が含まれる。なお、「ユーザ情報」には、ユーザの位置情報やユーザの検索情報に限らず、ユーザの他の行動情報やユーザの属性情報等、ユーザに関する情報であればどのような情報が記憶されてもよい。

「データＩＤ」は、データを識別するための識別情報を示す。例えば、「データＩＤ」は、学習データ（教師データ）として用いられるユーザの行動情報と正解情報との組合せを識別するための識別情報を示す。例えば、データＩＤ「ＤＴ１０１」により識別されるデータは、図１の例に示した、データＤＴ１０１に対応する。「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。

「正解情報」は、データＩＤにより識別されるデータに対応する正解情報を示す。例えば、「正解情報」は、データＩＤにより識別されるデータに対応するユーザの実際の行動有無を示す。図５では「正解情報」に「ＲＤＴ１０１」といった概念的な情報が格納される例を示したが、実際には、ユーザが検診等により診断された健康リスクを示す情報（例えばＡリスクやＢリスク等）、または、その格納場所を示すファイルパス名などが格納される。

「ユーザ情報」中の「位置情報」は、ユーザに対応する位置情報を示す。図５では「位置情報」に「ＰＤＴ１０１」といった概念的な情報が格納される例を示したが、実際には、対応するユーザについて収集された複数の位置情報やその取得日時等、または、その格納場所を示すファイルパス名などが格納される。

「ユーザ情報」中の「検索情報」は、ユーザに対応する検索情報を示す。図５では「検索情報」に「ＳＤＴ１０１」といった概念的な情報が格納される例を示したが、実際には、対応するユーザが検索に用いた複数のクエリを示す情報やそのクエリを用いた検索が行われた日時、または、その格納場所を示すファイルパス名などが格納される。

例えば、図５に示す例において、データＩＤ「ＤＴ１０１」により識別されるデータ（データＤＴ１０１）は、ユーザＩＤ「Ｕ１０１」により識別されるユーザ（ユーザＵ１０１）に対応する情報（データ）であることを示す。例えば、図５に示す例において、データＤＴ１０１は、ユーザ情報として、ユーザＵ１０１に対応する位置情報ＰＤＴ１０１や検索情報ＳＤＴ１０１等を含むことを示す。また、データＤＴ１０１は、正解情報ＲＤＴ１０１を含むことを示す。

なお、学習データ記憶部１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、学習データ記憶部１２１は、学習データが追加された日時に関する情報を記憶してもよい。また、例えば、学習データ記憶部１２１は、ユーザ情報として、ユーザの属性に関する情報を記憶してもよい。例えば、学習データ記憶部１２１は、ユーザ情報として、デモグラフィック属性情報やサイコグラフィック属性情報を記憶してもよい。例えば、学習データ記憶部１２１は、氏名、年齢、性別、自宅、勤務地、興味、家族構成、収入、ライフスタイル等の情報を記憶してもよい。例えば、学習データ記憶部１２１は、ユーザ情報として、ユーザのインターネット（ウェブ）上における行動情報を記憶してもよい。例えば、学習データ記憶部１２１は、ユーザ情報として、ユーザがどのような商品を購入したかを示す購入履歴等を記憶してもよい。また、例えば、学習データ記憶部１２１は、ユーザ情報として、ユーザがどのようなコンテンツを閲覧したかを示す閲覧履歴等を記憶してもよい。

（モデル情報記憶部１２２）
実施形態に係るモデル情報記憶部１２２は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２２は、生成処理により生成されたモデル情報（モデルデータ）を記憶する。図６は、実施形態に係るモデル情報記憶部の一例を示す図である。図６に示すモデル情報記憶部１２２は、「モデルＩＤ」、「健康リスク」、「モデルデータ」といった項目が含まれる。なお、図６では、モデルＭ１〜Ｍ３のみを図示するが、Ｍ４、Ｍ５等、各健康リスク（推定の対象となる健康リスク）に応じて多数のモデル情報が記憶されてもよい。

「モデルＩＤ」は、モデルを識別するための識別情報を示す。例えば、モデルＩＤ「Ｍ１」により識別されるモデルは、図１の例に示したモデルＭ１に対応する。「健康リスク」は、対応するモデルの推定対象となる健康リスクを示す。また、「モデルデータ」は、対応付けられた対応するモデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。

例えば、図６に示す例において、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）は、対象となる健康リスクが「Ａリスク」であり、入力されたユーザの位置情報を含むユーザ情報に対応するユーザの健康リスク（Ａリスク）の推定に用いられることを示す。また、モデルＭ１のモデルデータは、モデルデータＭＤＴ１であることを示す。

モデルＭ１（モデルデータＭＤＴ１）は、ユーザの位置情報を含むユーザ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたユーザ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザの健康リスクの推定に用いられるスコアの値を出力層から出力するよう、コンピュータを機能させるためのモデルである。

ここで、モデルＭ１〜Ｍ３等が「ｙ＝ａ_１＊ｘ_１＋ａ_２＊ｘ_２＋・・・＋ａ_ｉ＊ｘ_ｉ」で示す回帰モデルで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、ｘ１やｘ２等といった入力データ（ｘｉ）に対応する。また、第１要素の重みは、ｘｉに対応する係数ａｉに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。

また、モデルＭ１〜Ｍ３等がＤＮＮ等、１つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。

なお、モデル情報記憶部１２２は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。

（ユーザ情報記憶部１２３）
実施形態に係るユーザ情報記憶部１２３は、ユーザに関する各種情報を記憶する。図７は、実施形態に係るユーザ情報記憶部の一例を示す図である。例えば、ユーザ情報記憶部１２３は、各ユーザの各種の行動情報を記憶する。図７に示すユーザ情報記憶部１２３には、「ユーザＩＤ」、「ユーザ情報」といった項目が含まれる。「ユーザ情報」には、「位置情報」、「検索情報」といった項目が含まれる。なお、「ユーザ情報」には、ユーザの位置情報やユーザの検索情報に限らず、ユーザの他の行動情報やユーザの属性情報等、ユーザに関する情報であればどのような情報が記憶されてもよい。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図２の例に示したユーザＵ１に対応する。「ユーザ情報」は、データＩＤにより識別されるデータに対応するユーザのユーザ情報を示す。

「ユーザ情報」中の「位置情報」は、ユーザに対応する位置情報を示す。図７では「位置情報」に「ＰＤＴ１」といった概念的な情報が格納される例を示したが、実際には、対応するユーザについて収集された複数の位置情報やその取得日時等、または、その格納場所を示すファイルパス名などが格納される。

「ユーザ情報」中の「検索情報」は、ユーザに対応する検索情報を示す。図７では「検索情報」に「ＳＤＴ１」といった概念的な情報が格納される例を示したが、実際には、対応するユーザが検索に用いた複数のクエリを示す情報やそのクエリを用いた検索が行われた日時、または、その格納場所を示すファイルパス名などが格納される。

例えば、図７に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）に対応するユーザ情報には、位置情報ＰＤＴ１や検索情報ＳＤＴ１等が含まれることを示す。

なお、ユーザ情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。また、図７では、ユーザＩＤごとに行動情報がユーザ情報記憶部１２３に記憶される場合を示したが、行動情報は、ユーザＩＤごとに限らず、例えば時刻順に記憶されてもよい。

なお、ユーザ情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、ユーザ情報記憶部１２３は、ユーザ情報として、ユーザの属性に関する情報を記憶してもよい。例えば、ユーザ情報記憶部１２３は、ユーザ情報として、デモグラフィック属性情報やサイコグラフィック属性情報を記憶してもよい。例えば、ユーザ情報記憶部１２３は、ユーザ情報として、氏名、年齢、性別、自宅、勤務地、興味、家族構成、収入、ライフスタイル等の情報を記憶してもよい。例えば、ユーザ情報記憶部１２３は、ユーザ情報として、ユーザのインターネット（ウェブ）上における行動情報を記憶してもよい。例えば、ユーザ情報記憶部１２３は、ユーザ情報として、ユーザがどのような商品を購入したかを示す購入履歴等を記憶してもよい。また、例えば、ユーザ情報記憶部１２３は、ユーザ情報として、ユーザがどのようなコンテンツを閲覧したかを示す閲覧履歴等を記憶してもよい。

（健康リスク情報記憶部１２４）
実施形態に係る健康リスク情報記憶部１２４は、健康リスクに関する各種情報を記憶する。図８は、実施形態に係る健康リスク情報記憶部の一例を示す図である。例えば、健康リスク情報記憶部１２４は、推定されたユーザの健康リスクに関する各種情報を記憶する。図８に示す健康リスク情報記憶部１２４は、「ユーザＩＤ」、「推定健康リスク」といった項目が含まれる。「推定健康リスク」には、「種別」、「スコア」といった項目が含まれる。なお、「推定健康リスク」には、「種別」、「スコア」に限らず、スコアと所定の閾値との比較に基づく、健康リスクの有無を示す情報等、推定された健康リスクに関する情報であればどのような情報が記憶されてもよい。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。「ユーザ情報」は、データＩＤにより識別されるデータに対応するユーザのユーザ情報を示す。

「推定健康リスク」は、対応するユーザについて推定された健康リスクを示す。「種別」は、健康リスクの種別を示す。なお、図８の例では、健康リスクの種別として「Ａリスク」や「Ｂリスク」等の抽象的な符号を図示したが、種別には、具体的な健康リスクの名称等を記憶されてもよい。例えば、種別「Ａリスク」は「高血圧」であり、種別「Ｂリスク」は「メタボ（メタボリックシンドローム）」であってもよい。また、「スコア」は、対応する種別の健康リスクの評価値となるスコアを示す。

例えば、図８に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）は、種別「Ａリスク」についてはスコア「０．７」であり、種別「Ｂリスク」についてはスコア「０．２」であり、種別「Ｃリスク」についてはスコア「０．４」であることを示す。

なお、健康リスク情報記憶部１２４は、上記に限らず、目的に応じて種々の情報を記憶してもよい。

（制御部１３０）
図４の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、推定装置１００内部の記憶装置に記憶されている各種プログラム（推定プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。制御部１３０は、モデル情報記憶部１２２に記憶されているモデルＭ１等に従った情報処理により、ユーザの位置情報を含むユーザ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたユーザ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザの健康リスクの推定に用いられるスコアの値を出力層から出力する。

図４に示すように、制御部１３０は、取得部１３１と、生成部１３２と、推定部１３３と、提供部１３４とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図４に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。制御部１３０は、記憶部１２０に記憶されているモデルＭ１（モデルデータＭＤＴ１）に従った情報処理により、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたユーザの位置情報を含むユーザ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザの健康リスクの推定に用いられるスコアの値を出力層から出力する。

（取得部１３１）
取得部１３１は、各種情報を取得する。例えば、取得部１３１は、学習データ記憶部１２１と、モデル情報記憶部１２２と、健康リスク情報記憶部１２４等から各種情報を取得する。また、取得部１３１は、各種情報を外部の情報処理装置から取得してもよい。また、取得部１３１は、各種情報を端末装置１０等から取得してもよい。

例えば、取得部１３１は、ユーザの位置情報を含むユーザ情報を取得する。例えば、取得部１３１は、ユーザが検索に用いた検索クエリに関する情報を含むユーザ情報を取得する。例えば、取得部１３１は、ユーザが購入した商品に関する情報を含むユーザ情報を取得する。

また、例えば、取得部１３１は、ユーザの属性情報を含むユーザ情報を取得する。例えば、取得部１３１は、ユーザの性別や年齢等を示す情報を含むユーザ情報を取得する。例えば、取得部１３１は、デモグラフィック属性情報やサイコグラフィック属性情報を示す情報を含むユーザ情報を取得する。例えば、取得部１３１は、氏名、年齢、性別、自宅、勤務地、興味、家族構成、収入、ライフスタイル等を示す情報を含むユーザ情報を取得する。

図１の例では、取得部１３１は、位置情報ＰＤＴ１０１や検索情報ＳＤＴ１０１等のユーザ情報を、ユーザＵ１０１が利用する端末装置１０から取得する。例えば、取得部１３１は、位置情報ＰＤＴ１０２や検索情報ＳＤＴ１０２等のユーザ情報を、ユーザＵ１０２が利用する端末装置１０から取得する。例えば、取得部１３１は、位置情報ＰＤＴ１０３や検索情報ＳＤＴ１０３等のユーザ情報を、ユーザＵ１０３が利用する端末装置１０から取得する。また、例えば、取得部１３１は、位置情報ＰＤＴ１０４や検索情報ＳＤＴ１０４等のユーザ情報を、ユーザＵ１０４が利用する端末装置１０から取得する。また、例えば、取得部１３１は、各ユーザの診断結果ＰＥＤを、診断を行った機関（医療機関等）から取得する。

図１の例では、取得部１３１は、学習データＬＤ１を取得する。例えば、取得部１３１は、データＤＴ１０１〜ＤＴ１０４等を含む学習データＬＤ１を取得する。

図２の例では、取得部１３１は、ユーザＵ１のユーザ情報ＵＤＴ１を取得する。例えば、取得部１３１は、ユーザＵ１が利用する端末装置１０からユーザＵ１の位置情報ＰＤＴ１や検索情報ＳＤＴ１を含むユーザ情報ＵＤＴ１を取得する。例えば、取得部１３１は、位置ＬＣ１や位置ＬＣ２等にユーザＵ１が位置したことを示す位置情報ＰＤＴ１や、クエリＡＡやクエリＢＢ等によりユーザＵ１が検索を行ったことを示す検索情報ＳＤＴ１を含むユーザ情報ＵＤＴ１を取得する。

（生成部１３２）
生成部１３２は、各種情報を生成する。例えば、生成部１３２は、学習データ記憶部１２１に記憶された学習データを用いて、モデル情報記憶部１２２に示すようなモデルを生成する。例えば、生成部１３２は、取得部１３１により取得された学習データに基づいて、ユーザの健康リスクの推定に用いられるモデルを生成する。例えば、生成部１３２は、ユーザの位置情報を含むユーザ情報と、ユーザに対応付けられた健康リスクの種別を示す正解情報とを含む学習データに基づいて、ユーザの健康リスクの推定に用いられるモデルを生成する。

例えば、生成部１３２は、モデルＭ１〜Ｍ３等を生成し、生成したモデルＭ１〜Ｍ３等をモデル情報記憶部１２２に格納する。なお、生成部１３２は、いかなる学習アルゴリズムを用いてモデルＭ１〜Ｍ３等を生成してもよい。例えば、生成部１３２は、ニューラルネットワーク（neural network）、サポートベクターマシン（ＳＶＭ）、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルＭ１〜Ｍ３等を生成する。一例として、生成部１３２がニューラルネットワークを用いてモデルＭ１〜Ｍ３等を生成する場合、モデルＭ１〜Ｍ３等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。

生成部１３２は、モデルを生成し、生成したモデルをモデル情報記憶部１２２に格納する。具体的には、生成部１３２は、ユーザの位置情報を含むユーザ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたユーザ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザの健康リスクの推定に用いられるスコアの値を出力層から出力するモデルを生成する。

図１の例では、生成部１３２は、学習データに基づいてモデルを生成する。例えば、生成部１３２は、モデル情報記憶部１２２に示すように、モデルＭ１〜Ｍ３等を生成する。例えば、生成部１３２は、学習データに基づいてモデルを生成する。例えば、生成部１３２は、学習データに基づいてモデルを生成する。例えば、生成部１３２は、学習データ記憶部１２１中のデータＤＴ１０１〜ＤＴ１０４等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。

例えば、生成部１３２は、ユーザの位置情報を含むユーザ情報に関する特徴量を用いて、モデルを生成する。例えば、生成部１３２は、ユーザの位置情報に関する特徴量を用いて、モデルを生成する。また、例えば、生成部１３２は、ユーザの検索情報に関する特徴量を用いて、モデルを生成する。例えば、生成部１３２は、ユーザが検索に用いたクエリに関する特徴量を用いて、モデルを生成する。このように、生成部１３２は、ユーザに対応する特徴を学習し、そのユーザの健康リスクを推定するモデルを生成する。図１の例では、生成部１３２は、ユーザの位置情報や検索情報等に関する特徴を学習し、そのユーザの健康リスクを推定するモデルを生成する。

図１の例では、生成部１３２は、学習データＬＤ１を用いてモデルＭ１を生成する。例えば、生成部１３２は、正解情報ＲＤＴ１０１に含まれるユーザＵ１０１の診断結果ＰＥＤにおいてＡリスクが「有」である場合、モデルＭ１にデータＤＴ１０１に含まれるユーザ情報が入力された場合に、モデルＭ１が出力するスコアが「１」に近づくように、学習処理を行う。例えば、生成部１３２は、データＤＴ１０１の位置情報ＰＤＴ１０１や検索情報ＳＤＴ１０１がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「１」に近づくように、学習処理を行う。

また、例えば、生成部１３２は、正解情報ＲＤＴ１０２に含まれるユーザＵ１０２の診断結果ＰＥＤにおいてＡリスクが「無」である場合、モデルＭ１にデータＤＴ１０２に含まれるユーザ情報が入力された場合に、モデルＭ１が出力するスコアが「０」に近づくように、学習処理を行う。例えば、生成部１３２は、データＤＴ１０２の位置情報ＰＤＴ１０２や検索情報ＳＤＴ１０２がモデルＭ１に入力され場合に、モデルＭ１が出力するスコアが「０」に近づくように、学習処理を行う。

例えば、生成部１３２は、学習データＬＤ１を用いてモデルＭ２を生成する。例えば、生成部１３２は、正解情報ＲＤＴ１０３に含まれるユーザＵ１０３の診断結果ＰＥＤにおいてＢリスクが「有」である場合、モデルＭ２にデータＤＴ１０３に含まれるユーザ情報が入力された場合に、モデルＭ２が出力するスコアが「１」に近づくように、学習処理を行う。例えば、生成部１３２は、データＤＴ１０３の位置情報ＰＤＴ１０３や検索情報ＳＤＴ１０３がモデルＭ２に入力された場合に、モデルＭ２が出力するスコアが「１」に近づくように、学習処理を行う。

また、例えば、生成部１３２は、正解情報ＲＤＴ１０２に含まれるユーザＵ１０２の診断結果ＰＥＤにおいてＢリスクが「無」である場合、モデルＭ２にデータＤＴ１０２に含まれるユーザ情報が入力された場合に、モデルＭ２が出力するスコアが「０」に近づくように、学習処理を行う。例えば、生成部１３２は、データＤＴ１０２の位置情報ＰＤＴ１０２や検索情報ＳＤＴ１０２がモデルＭ２に入力され場合に、モデルＭ２が出力するスコアが「０」に近づくように、学習処理を行う。

例えば、生成部１３２は、学習データＬＤ１を用いてモデルＭ３を生成する。例えば、生成部１３２は、正解情報ＲＤＴ１０４に含まれるユーザＵ１０４の診断結果ＰＥＤにおいてＣリスクが「有」である場合、モデルＭ３にデータＤＴ１０４に含まれるユーザ情報が入力された場合に、モデルＭ３が出力するスコアが「１」に近づくように、学習処理を行う。例えば、生成部１３２は、データＤＴ１０４の位置情報ＰＤＴ１０４や検索情報ＳＤＴ１０４がモデルＭ３に入力された場合に、モデルＭ３が出力するスコアが「１」に近づくように、学習処理を行う。

また、例えば、生成部１３２は、正解情報ＲＤＴ１０２に含まれるユーザＵ１０２の診断結果ＰＥＤにおいてＣリスクが「無」である場合、モデルＭ３にデータＤＴ１０２に含まれるユーザ情報が入力された場合に、モデルＭ３が出力するスコアが「０」に近づくように、学習処理を行う。例えば、生成部１３２は、データＤＴ１０２の位置情報ＰＤＴ１０２や検索情報ＳＤＴ１０２がモデルＭ３に入力され場合に、モデルＭ３が出力するスコアが「０」に近づくように、学習処理を行う。

図２の例では、生成部１３２は、健康リスク一覧ＨＲＬ１を生成する。例えば、生成部１３２は、図２中の健康リスク一覧ＨＲＬ１に示すように、ユーザＵ１について、Ａリスクのリスクレベルを「高」、Ｂリスクのリスクレベルを「低」、Ｃリスクのリスクレベルを「中」と推定したことを示す情報を生成する。

（推定部１３３）
推定部１３３は、各種情報を推定する。推定部１３３は、学習データ記憶部１２１と、モデル情報記憶部１２２と、健康リスク情報記憶部１２４等に記憶された情報を用いて種々の情報を推定する。例えば、推定部１３３は、取得部１３１により取得された各種情報に基づいて、種々の情報を推定する。

また、推定部１３３は、取得部１３１により取得されたユーザ情報に基づいて、ユーザの健康リスクを推定する。例えば、推定部１３３は、位置情報により推定されるユーザの移動に関する情報に基づいて、ユーザの健康リスクを推定する。例えば、推定部１３３は、位置情報により推定されるユーザの滞在地に関する情報に基づいて、ユーザの健康リスクを推定する。例えば、推定部１３３は、位置情報により推定されるユーザの滞在地に関する情報に基づいて、ユーザの健康リスクを推定する。例えば、推定部１３３は、ユーザの飲食に関する情報を含むユーザ情報を取得する。

例えば、推定部１３３は、所定のユーザに対応付けられた健康リスクの種別を示す正解情報と、所定のユーザのユーザ情報とに基づいて生成されるモデルを用いて、ユーザの健康リスクを推定する。例えば、推定部１３３は、所定のユーザが診断された健康リスクの種別を示す正解情報と、所定のユーザのユーザ情報とに基づいて生成されるモデルを用いて、ユーザの健康リスクを推定する。

図２の例では、推定部１３３は、各モデルＭ１〜Ｍ３等が出力したスコアに基づいて、ユーザＵ１の健康リスクを推定する。例えば、推定部１３３は、モデルが出力するスコアが０．２５未満である場合、そのモデルに対応する種別について、ユーザの健康リスクが「低」と推定する。また、推定部１３３は、ユーザ情報が入力されたモデルＭ１が出力するスコアが０．２５以上０．６５未満である場合、そのモデルに対応する種別について、ユーザの健康リスクが「中」と推定する。また、推定部１３３は、ユーザ情報が入力されたモデルＭ１が出力するスコアが０．６５以上である場合、そのモデルに対応する種別について、ユーザの健康リスクが「高」と推定する。

図２の例では、推定部１３３は、Ａリスク〜Ｃリスク等の各種別の健康リスクが「低」、「中」、「高」のいずれのレベルであるかを推定する。推定部１３３は、図２中の健康リスク一覧ＨＲＬ１に示すように、Ａリスクのリスクレベルを「高」、Ｂリスクのリスクレベルを「低」、Ｃリスクのリスクレベルを「中」と推定する。

例えば、推定部１３３は、上述した回帰モデルやニューラルネットワーク等、任意の構造を有するモデルを用いて、スコアの算出を行う。具体的には、モデルＭ１は、ユーザの位置情報を含むユーザ情報（すなわち、上述したスコアの算出に用いられる各要素）が入力された場合に、所定の対象の推定を定量化した値（すなわち、所定のエリアにおいて所定の対象に関する需要が発生する可能性が高いかを示唆するスコア）を出力するように係数が設定される。推定部１３３は、このようなモデルＭ１を用いて、各出品の対象に関するスコアを算出する。

なお、上記例では、モデルＭ１が、ユーザの位置情報を含むユーザ情報が入力された場合に、ユーザの健康リスクの推定を定量化した値を出力するモデルである例を示した。しかし、実施形態に係るモデル（モデルＸ）は、モデルＭ１にデータの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、モデルＸは、ユーザの位置情報を含むユーザ情報を入力とし、モデルＭ１が出力するスコアを出力とするよう学習されたモデル（モデルＹ)であってもよい。または、モデルＭ１は、ユーザの位置情報を含むユーザ情報を入力とし、モデルＹの出力値を出力とするよう学習されたモデルであってもよい。また、推定部１３３がＧＡＮ（Generative Adversarial Networks）を用いた推定処理を行う場合、モデルＭ１は、ＧＡＮの一部を構成するモデルであってもよい。

（提供部１３４）
提供部１３４は、各種情報を提供する。例えば、提供部１３４は、端末装置１０に各種情報を提供する。例えば、提供部１３４は、推定部１３３により推定されたユーザの健康リスクに関するサービスを提供する。例えば、提供部１３４は、推定部１３３により推定されたユーザの健康リスクに関する情報を、ユーザに提供する。例えば、提供部１３４は、推定部１３３により推定されたユーザの健康リスクに関する情報を、ユーザが利用する端末装置１０に提供する。また、例えば、提供部１３４は、生成部１３２により生成されたモデルに関する情報を外部の情報処理装置へ提供してもよい。また、例えば、提供部１３４は、モデルが出力する情報を外部の情報処理装置へ提供してもよい。

例えば、提供部１３４は、推定したユーザの健康リスクに基づいて情報提供を行う。図２の例では、提供部１３４は、健康リスク一覧ＨＲＬ１を端末装置１０へ提供する。例えば、提供部１３４は、ユーザＵ１が利用する端末装置１０に健康リスク一覧ＨＲＬ１を送信する。また、例えば、提供部１３４は、ユーザＵ１が属する事業体の情報処理装置に健康リスク一覧ＨＲＬ１を送信してもよい。

〔４．生成処理のフロー〕
次に、図９を用いて、実施形態に係る推定システム１による生成処理の手順について説明する。図９は、実施形態に係る生成処理の一例を示すフローチャートである。

図９に示すように、推定装置１００は、学習データを取得する（ステップＳ１０１）。例えば、推定装置１００は、学習データ記憶部１２１から学習データを取得する。

その後、推定装置１００は、学習データに基づきモデルを生成する（ステップＳ１０２）。図１の例では、推定装置１００は、学習データ記憶部１２１から学習データを用いてモデルＭ１〜Ｍ３等を生成する。

〔５．推定処理のフロー〕
次に、図１０を用いて、実施形態に係る推定システム１による生成処理の手順について説明する。図１０は、実施形態に係る推定処理の一例を示すフローチャートである。

図１０に示すように、推定装置１００は、ユーザの位置情報を含むユーザ情報を取得する（ステップＳ２０１）。図２の例では、推定装置１００は、ユーザＵ１のユーザ情報ＵＤＴ１を取得する。

また、推定装置１００は、ユーザ情報とモデルを用いてユーザの健康リスクを推定する（ステップＳ２０２）。図２の例では、推定装置１００は、各モデルＭ１〜Ｍ３等が出力したスコアに基づいて、ユーザＵ１の健康リスクを推定する。

また、推定装置１００は、推定したユーザの健康リスクに関する情報を提供する（ステップＳ２０３）。図２の例では、推定装置１００は、健康リスク一覧ＨＲＬ１を端末装置１０へ提供する。

〔６．効果〕
上述してきたように、実施形態に係る推定装置１００は、取得部１３１と、推定部１３３とを有する。取得部１３１は、ユーザの位置情報を含むユーザ情報を取得する。また、推定部１３３は、取得部１３１により取得されたユーザ情報に基づいて、ユーザの健康リスクを推定する。

このように、実施形態に係る推定装置１００は、ユーザの位置情報を含むユーザ情報に基づいて、ユーザの健康リスクを推定することにより、ユーザの健康リスクを適切に推定することができる。

また、実施形態に係る推定装置１００において、推定部１３３は、位置情報により推定されるユーザの移動に関する情報に基づいて、ユーザの健康リスクを推定する。

このように、実施形態に係る推定装置１００は、位置情報により推定されるユーザの移動に関する情報に基づいて、ユーザの健康リスクを推定することにより、ユーザの健康リスクを適切に推定することができる。

また、実施形態に係る推定装置１００において、推定部１３３は、位置情報により推定されるユーザの滞在地に関する情報に基づいて、ユーザの健康リスクを推定する。

このように、実施形態に係る推定装置１００は、位置情報により推定されるユーザの滞在地に関する情報に基づいて、ユーザの健康リスクを推定することにより、ユーザの健康リスクを適切に推定することができる。

また、実施形態に係る推定装置１００において、推定部１３３は、位置情報により推定されるユーザの生活パターンに関する情報に基づいて、ユーザの健康リスクを推定する。

このように、実施形態に係る推定装置１００は、位置情報により推定されるユーザの生活パターンに関する情報に基づいて、ユーザの健康リスクを推定することにより、ユーザの健康リスクを適切に推定することができる。

また、実施形態に係る推定装置１００において、取得部１３１は、ユーザが検索に用いた検索クエリに関する情報を含むユーザ情報を取得する。

このように、実施形態に係る推定装置１００は、ユーザが検索に用いた検索クエリに関する情報を含むユーザ情報を取得することにより、ユーザの健康リスクを適切に推定することができる。

また、実施形態に係る推定装置１００において、取得部１３１は、ユーザが購入した商品に関する情報を含むユーザ情報を取得する。

このように、実施形態に係る推定装置１００は、ユーザが購入した商品に関する情報を含むユーザ情報を取得することにより、ユーザの健康リスクを適切に推定することができる。

また、実施形態に係る推定装置１００において、取得部１３１は、ユーザの飲食に関する情報を含むユーザ情報を取得する。

このように、実施形態に係る推定装置１００は、ユーザの飲食に関する情報を含むユーザ情報を取得することにより、ユーザの健康リスクを適切に推定することができる。

また、実施形態に係る推定装置１００において、推定部１３３は、所定のユーザに対応付けられた健康リスクの種別を示す正解情報と、所定のユーザのユーザ情報とに基づいて生成されるモデルを用いて、ユーザの健康リスクを推定する。

このように、実施形態に係る推定装置１００は、所定のユーザに対応付けられた健康リスクの種別を示す正解情報と、所定のユーザのユーザ情報とに基づいて生成されるモデルを用いて、ユーザの健康リスクを推定することにより、ユーザの健康リスクを適切に推定することができる。

また、実施形態に係る推定装置１００において、推定部１３３は、所定のユーザが診断された健康リスクの種別を示す正解情報と、所定のユーザのユーザ情報とに基づいて生成されるモデルを用いて、ユーザの健康リスクを推定する。

このように、実施形態に係る推定装置１００は、所定のユーザが診断された健康リスクの種別を示す正解情報と、所定のユーザのユーザ情報とに基づいて生成されるモデルを用いて、ユーザの健康リスクを推定することにより、ユーザの健康リスクを適切に推定することができる。

また、実施形態に係る推定装置１００は、提供部１３４を有する。提供部１３４は、推定部１３３により推定されたユーザの健康リスクに関するサービスを提供する。

このように、実施形態に係る推定装置１００は、推定されたユーザの健康リスクに関するサービスを提供することができる。

〔７．ハードウェア構成〕
上述してきた実施形態に係る推定装置１００は、例えば図１１に示すような構成のコンピュータ１０００によって実現される。図１１は、推定装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ（Read Only Memory）１３００、ＨＤＤ（Hard Disk Drive）１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００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。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る推定装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムまたはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））を実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムまたはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））を記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

以上、本願の実施形態及び変形例のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

〔８．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。

１ 推定システム
１００ 推定装置
１２１ 学習データ記憶部
１２２ モデル情報記憶部
１２３ ユーザ情報記憶部
１２４ 健康リスク情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 推定部
１３４ 提供部
１０ 端末装置
Ｎ ネットワーク

Claims (15)

1. ユーザの位置情報を含むユーザ情報を取得する取得部と、
   前記取得部により取得されたユーザ情報に基づいて、所定の検診に含まれる種別に関する前記ユーザの健康リスクを推定し、前記位置情報により推定される前記ユーザの所定期間における徒歩による移動距離が所定の閾値未満である場合、前記ユーザが運動不足に関連する健康リスクがあると推定する推定部と、
   を備えることを特徴とする推定装置。
2. ユーザの位置情報を含むユーザ情報を取得する取得部と、
   前記取得部により取得されたユーザ情報により推定される前記ユーザの移動手段に基づいて、前記ユーザの健康リスクを推定し、前記位置情報により推定される前記ユーザの所定期間における徒歩による移動距離が所定の閾値未満である場合、前記ユーザが運動不足に関連する健康リスクがあると推定する推定部と、
   を備えることを特徴とする推定装置。
3. 前記推定部は、
   前記位置情報により推定される前記ユーザの移動に関する情報に基づいて、前記ユーザの健康リスクを推定する
   ことを特徴とする請求項１または請求項２に記載の推定装置。
4. 前記推定部は、
   前記位置情報により推定される前記ユーザの滞在地に関する情報に基づいて、前記ユーザの健康リスクを推定する
   ことを特徴とする請求項１〜３のいずれか１項に記載の推定装置。
5. 前記推定部は、
   前記位置情報により推定される前記ユーザの生活パターンに関する情報に基づいて、前記ユーザの健康リスクを推定する
   ことを特徴とする請求項１〜４のいずれか１項に記載の推定装置。
6. 前記取得部は、
   前記ユーザが検索に用いた検索クエリに関する情報を含むユーザ情報を取得する
   ことを特徴とする請求項１〜５のいずれか１項に記載の推定装置。
7. 前記取得部は、
   前記ユーザが購入した商品に関する情報を含むユーザ情報を取得する
   ことを特徴とする請求項１〜６のいずれか１項に記載の推定装置。
8. 前記取得部は、
   前記ユーザの飲食に関する情報を含むユーザ情報を取得する
   ことを特徴とする請求項１〜７のいずれか１項に記載の推定装置。
9. 前記推定部は、
   所定のユーザに対応付けられた健康リスクの種別を示す正解情報と、前記所定のユーザのユーザ情報とに基づいて生成されるモデルを用いて、前記ユーザの健康リスクを推定する
   ことを特徴とする請求項１〜８のいずれか１項に記載の推定装置。
10. 前記推定部は、
    所定のユーザが診断された前記健康リスクの種別を示す正解情報と、前記所定のユーザのユーザ情報とに基づいて生成されるモデルを用いて、前記ユーザの健康リスクを推定する
    ことを特徴とする請求項１〜９のいずれか１項に記載の推定装置。
11. 前記推定部により推定された前記ユーザの健康リスクに関するサービスを提供する提供部、
    をさらに備えることを特徴とする請求項１〜１０のいずれか１項に記載の推定装置。
12. コンピュータが実行する推定方法であって、
    ユーザの位置情報を含むユーザ情報を取得する取得工程と、
    前記取得工程により取得されたユーザ情報に基づいて、所定の検診に含まれる種別に関する前記ユーザの健康リスクを推定し、前記位置情報により推定される前記ユーザの所定期間における徒歩による移動距離が所定の閾値未満である場合、前記ユーザが運動不足に関連する健康リスクがあると推定する推定工程と、
    を含むことを特徴とする推定方法。
13. ユーザの位置情報を含むユーザ情報を取得する取得手順と、
    前記取得手順により取得されたユーザ情報に基づいて、所定の検診に含まれる種別に関する前記ユーザの健康リスクを推定し、前記位置情報により推定される前記ユーザの所定期間における徒歩による移動距離が所定の閾値未満である場合、前記ユーザが運動不足に関連する健康リスクがあると推定する推定手順と、
    をコンピュータに実行させることを特徴とする推定プログラム。
14. コンピュータが実行する推定方法であって、
    ユーザの位置情報を含むユーザ情報を取得する取得工程と、
    前記取得工程により取得されたユーザ情報により推定される前記ユーザの移動手段に基づいて、前記ユーザの健康リスクを推定し、前記位置情報により推定される前記ユーザの所定期間における徒歩による移動距離が所定の閾値未満である場合、前記ユーザが運動不足に関連する健康リスクがあると推定する推定工程と、
    を含むことを特徴とする推定方法。
15. ユーザの位置情報を含むユーザ情報を取得する取得手順と、
    前記取得手順により取得されたユーザ情報により推定される前記ユーザの移動手段に基づいて、前記ユーザの健康リスクを推定し、前記位置情報により推定される前記ユーザの所定期間における徒歩による移動距離が所定の閾値未満である場合、前記ユーザが運動不足に関連する健康リスクがあると推定する推定手順と、
    をコンピュータに実行させることを特徴とする推定プログラム。

Images