JP6601889B1 - Information processing apparatus, information processing method, and information processing program - Google Patents
Information processing apparatus, information processing method, and information processing program Download PDFInfo
- Publication number
- JP6601889B1 JP6601889B1 JP2018160866A JP2018160866A JP6601889B1 JP 6601889 B1 JP6601889 B1 JP 6601889B1 JP 2018160866 A JP2018160866 A JP 2018160866A JP 2018160866 A JP2018160866 A JP 2018160866A JP 6601889 B1 JP6601889 B1 JP 6601889B1
- Authority
- JP
- Japan
- Prior art keywords
- information
- feature
- feature information
- user
- model
- 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
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 91
- 238000003672 processing method Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【課題】利用価値を高めること。【解決手段】本願に係る情報処理装置は、取得部と、生成部とを備える。取得部は、ユーザの属性を用いてユーザの特徴を推定するモデル、および、属性を用いて推定された特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスそれぞれから取得する。生成部は、特徴情報に対応する各カテゴリの包含関係を示す包含情報に基づき、取得部によって取得された特徴情報を組み合わせて新たな特徴情報を生成する。【選択図】図３[PROBLEMS] To increase utility value. An information processing apparatus according to the present application includes an acquisition unit and a generation unit. The acquisition unit acquires feature information including at least one of a model for estimating a user's feature using the user's attribute and an estimation result regarding the feature estimated using the attribute from each of different services. The generation unit generates new feature information by combining the feature information acquired by the acquisition unit based on the inclusion information indicating the inclusion relationship of each category corresponding to the feature information. [Selection] Figure 3
Description
本発明は、情報処理装置、情報処理方法および情報処理プログラムに関する。 The present invention relates to an information processing apparatus, an information processing method, and an information processing program.
従来、例えば、ユーザに対して各種サービスを提供し、かかるサービスの利用により得られるユーザの属性を解析することで、ユーザの特徴を推定する情報処理装置がある。この種の情報処理装置では、推定したユーザの特徴に基づき、自身が提供するサービスを最適化する場合がある。 2. Description of the Related Art Conventionally, for example, there are information processing apparatuses that provide various services to a user and estimate the user's characteristics by analyzing user attributes obtained by using the service. In this type of information processing apparatus, a service provided by the information processing apparatus may be optimized based on the estimated user characteristics.
しかしながら、上記した技術は、サービス個々での独自の解析によりユーザの特徴を推定し、その推定結果を自身のサービスの最適化に適用するものであって、他のサービスの推定結果を利用することについては考慮されていなかった。 However, the above-described technology estimates the user's characteristics by original analysis of each service and applies the estimation result to the optimization of its own service, and uses the estimation result of other services. Was not considered.
仮に、複数のサービスが連携した場合、他のサービスの推定結果を互いにシェア可能となることが期待される。しかしながら、推定結果をシェアするだけだと、利用価値を十分に高めることができないおそれがある。 If a plurality of services are linked, it is expected that the estimation results of other services can be shared with each other. However, if only the estimation result is shared, the utility value may not be sufficiently increased.
本願は、上記に鑑みてなされたものであって、利用価値を高めることができる情報処理装置、情報処理方法および情報処理プログラムを提供することを目的とする。 The present application has been made in view of the above, and an object thereof is to provide an information processing apparatus, an information processing method, and an information processing program capable of increasing the utility value.
本願に係る情報処理装置は、取得部と、生成部とを備える。前記取得部は、ユーザの属性を用いて前記ユーザの特徴を推定するモデル、および、前記属性を用いて推定された前記特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスそれぞれから取得する。前記生成部は、前記特徴情報に対応する各カテゴリの対応関係を示す対応情報に基づき、前記取得部によって取得された前記特徴情報を組み合わせて新たな前記特徴情報を生成する。 An information processing apparatus according to the present application includes an acquisition unit and a generation unit. The acquisition unit acquires feature information including at least one of a model for estimating the user's feature using the user's attribute and an estimation result regarding the feature estimated using the attribute from different services. The generation unit generates new feature information by combining the feature information acquired by the acquisition unit based on correspondence information indicating a correspondence relationship of each category corresponding to the feature information.
実施形態の一態様によれば、利用価値を高めることができるという効果を奏する。 According to one aspect of the embodiment, there is an effect that the utility value can be increased.
まず、図１を用いて、実施形態に係る情報処理装置が行う情報処理の一例について説明する。図１は、実施形態に係る情報処理の一例を示す図である。図１には、実施形態に係る情報処理装置１を含む情報処理システムＳを示している。図１に示すように、実施形態に係る情報処理システムＳは、情報処理装置１と、サービス提供サーバ１０（１０−１，１０−２，１０−３）と、ユーザ端末１００とを含む。
First, an example of information processing performed by the information processing apparatus according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram illustrating an example of information processing according to the embodiment. FIG. 1 shows an information processing system S including an
ユーザ端末１００は、ユーザＵが所有する端末装置である。ユーザＵは、ユーザ端末１００を操作してサービス提供サーバ１０へアクセスすることで、各サービス提供サーバ１０が提供するサービスＹ（Ｙ１，Ｙ２，Ｙ３）を利用する（ステップＳ１−１，Ｓ１−２，Ｓ１−３）。
The
サービス提供サーバ１０は、各種サービスＹをユーザＵへ提供するサーバ装置である。サービス提供サーバ１０が提供するサービスＹは、例えば、ユーザ端末１００にインストールされた各種アプリを介して情報を配信するサービスである。このようなサービスには、例えば、ニュース提供サービスや、オークションサービス、天気予報サービス、ショッピングサービス、金融取引（株取引等）サービス、路線検索サービス、地図提供サービス、旅行サービス、飲食店紹介サービス、ブログサービス等がある。なお、サービスＹは、アプリを介して情報が配信されるサービスに限らず、例えば、ユーザＵがブラウザにアクセスすることで情報を提供するサービスであってもよい。
The
なお、図１では、サービスＹ１は、ショッピングサイトを提供するショッピングサービスであり、サービスＹ２は、地図に関する機能を提供する地図提供サービスであり、サービスＹ３は、各種情報を検索する検索サイトを提供する検索サービスである場合を例に挙げて説明する。 In FIG. 1, the service Y1 is a shopping service that provides a shopping site, the service Y2 is a map providing service that provides a map-related function, and the service Y3 provides a search site that searches various information. A case where it is a search service will be described as an example.
また、各サービス提供サーバ１０は、サービスＹを利用したユーザＵの属性を解析することでユーザＵの特徴を推定する。具体的には、各サービス提供サーバ１０は、ユーザＵの属性を用いてユーザＵの特徴を推定するモデル、および、ユーザＵの属性を用いて推定されたユーザＵの特徴に関する推定結果の少なくとも一方を含む特徴情報を生成する（ステップＳ２−１，Ｓ２−２，Ｓ２−３）。
Each
ここでいう属性とは、ユーザＵの確定した属性、あるいは、ユーザＵの特徴であり、であり、例えば、検索ログや購入履歴等といったサービスＹを利用した際のユーザＵの行動に関する行動情報や、性別、年齢、住所等といったデモグラフィック属性、ライフサイクル、価値観、個性、購買動機等といったサイコグラフィック属性等を含む概念である。 The attribute here is an attribute determined by the user U or a characteristic of the user U. For example, action information regarding the action of the user U when using the service Y such as a search log or a purchase history, The concept includes demographic attributes such as sex, age, address, etc., and psychographic attributes such as life cycle, values, personality, purchase motivation, and the like.
また、ユーザＵの特徴とは、ユーザＵの様々な属性を包括することで推定されるユーザＵの性質、あるいは、推定される属性であって、例えば、ユーザＵの興味や、趣味嗜好、行動パターン（検索行動や、購買行動等）等を含む。 The characteristics of the user U are properties of the user U estimated by including various attributes of the user U, or estimated attributes. For example, the user U's interests, hobbies, and behaviors Includes patterns (search behavior, purchasing behavior, etc.).
また、特徴情報における上記したモデルは、例えば、ユーザＵの属性を入力して、ユーザＵの特徴をスコアとして出力することができる。また、特徴情報における上記した推定結果とは、例えば、モデルが出力するスコアである。なお、推定結果は、モデルによらない情報、例えば、ユーザＵの属性を単に数値化した情報（例えば、検索回数に応じて増減するスコア等）であってもよい。図１に示す例では、ショッピングサービスとしてのサービスＹ１は、「釣り好き」モデルを生成し、推定結果としてスコア「８．６」を出力する。 Moreover, the above-described model in the feature information can input the attribute of the user U and output the feature of the user U as a score, for example. Further, the above estimation result in the feature information is, for example, a score output from the model. The estimation result may be information that does not depend on the model, for example, information obtained by simply quantifying the attribute of the user U (for example, a score that increases or decreases according to the number of searches). In the example shown in FIG. 1, the service Y1 as a shopping service generates a “fishing enthusiast” model, and outputs a score “8.6” as an estimation result.
また、地図提供サービスとしてのサービスＹ２は、「ドライブ好き」モデルを生成し、推定結果としてスコア「８．５」を出力する。また、検索サイトサービスとしてのサービスＹ３は、「旅行好き」モデルを生成し、スコア「９．８」を出力する。なお、図１では、スコアが大きいほど、その特徴が強いことを示す。 In addition, the service Y2 as the map providing service generates a “drive like” model and outputs a score “8.5” as an estimation result. The service Y3 as a search site service generates a “travel lover” model and outputs a score “9.8”. In FIG. 1, the larger the score, the stronger the feature.
また、上記したスコアは、連続値である場合を示したが、例えば、離散値であってもよい。具体的には、釣り好きかどうかを「１」（好き）または「０」（嫌い）のいずれかの離散値のスコアで表現してもよい。あるいは、推定結果の一例としてスコアを示したが、推定結果は、スコアに限定されるものではなく、「釣り好き」等のようにテキストの情報であってもよい。 Moreover, although the above-mentioned score showed the case where it was a continuous value, a discrete value may be sufficient, for example. Specifically, whether or not you like fishing may be expressed by a discrete score of either “1” (like) or “0” (dislike). Or although the score was shown as an example of an estimation result, an estimation result is not limited to a score, Text information like "fishing enthusiast" etc. may be sufficient.
このように、複数のサービスＹの推定結果をまとめると、図１に示すように、ユーザＵは、釣り好きであり、ドライブ好きであり、旅行好きであることが分かる。すなわち、ユーザＵは、アウトドア好きであることが推定される。 Thus, when the estimation results of a plurality of services Y are collected, it can be seen that the user U likes fishing, likes driving, and likes traveling as shown in FIG. That is, it is estimated that the user U likes the outdoors.
しかしながら、例えば、登録されたモデルの中に「アウトドア好き」モデルがないと、ユーザＵがアウトドア好きか否かを判別できないおそれがある。すなわち、利用価値を高めるという点において、改善の余地がある。 However, for example, if there is no “outdoor lover” model among the registered models, it may not be possible to determine whether or not the user U likes the outdoor. In other words, there is room for improvement in terms of increasing the utility value.
そこで、実施形態に係る情報処理方法では、複数のサービスＹの特定情報に基づき、新たな特定情報を生成する。つまり、実施形態に係る情報処理方法では、各特徴情報に対応する各カテゴリの対応関係を示す対応情報に基づき、各特徴情報の推定結果を組み合わせて新たな特徴情報を生成する。なお、以下では、特徴情報として、上記のモデルを生成する場合について説明するが、モデルに限られず、新たな推定結果(スコアのリスト)を生成することも可能である。 Therefore, in the information processing method according to the embodiment, new specific information is generated based on the specific information of a plurality of services Y. That is, in the information processing method according to the embodiment, new feature information is generated by combining the estimation results of the feature information based on the correspondence information indicating the correspondence relationship of the categories corresponding to the feature information. In the following, a case where the above model is generated as feature information will be described. However, the present invention is not limited to the model, and a new estimation result (score list) can be generated.
具体的には、実施形態に係る情報処理装置１は、サービスＹそれぞれで生成された特定情報をユーザ毎に共有情報として登録させる（ステップＳ３−１，Ｓ３−２，Ｓ３−３）。
Specifically, the
続いて、情報処理装置１は、各サービスＹによって登録された特徴情報の推定結果および包含情報に基づき、新たなモデルを生成する（Ｓ４）。包含情報は、例えば、ツリー構造等のインデックスであり、階層毎の各カテゴリを示す。なお、包含情報は、対応情報の一例である。また、対応情報は、包含情報に限られず、各カテゴリの対応関係を示す情報であれば、その他の情報であってもよい。
Subsequently, the
すなわち、包含情報には、「釣り好き」、「ドライブ好き」および「旅行好き」の上位概念として、「アウトドア好き」といった情報が含まれる。例えば、情報処理装置１は、上記の包含情報に基づき、各特徴情報を組み合わせて「アウトドア好き」モデルを新たに生成することが可能である。
That is, the inclusion information includes information such as “like outdoor” as a superordinate concept of “fishing lover”, “drive lover” and “travel lover”. For example, the
図１に示す例では、「アウトドア好き」モデルが、「釣り好き」であり、「ドライブ好き」であり、かつ、「旅行好き」であるユーザＵについて「アウトドア好き」と推定する場合を示す。すなわち、図１に示す例では、「アウトドア好き」は、「釣り好き」、「ドライブ好き」、「旅行好き」を満たすユーザＵの論理積となる。 In the example illustrated in FIG. 1, the case where the “outdoor enthusiast” model is “fishing enthusiast”, “drive enthusiast” and “travel enthusiast” is estimated to be “outdoor enthusiast” is assumed. In other words, in the example shown in FIG. 1, “like outdoor” is a logical product of users U who satisfy “fishing”, “drive”, and “travel”.
なお、情報処理装置１は、論理積に限られず、論理和を用いて新たな特徴情報を生成することも可能である。また、情報処理装置１は、１つのカテゴリに包含される複数の特徴情報を組み合わせることで、かかるカテゴリの下位概念に相当するモデルを生成することも可能であるが、かかる点については後述する。
Note that the
このように、実施形態に係る情報処理装置１では、新たなモデルを自動的に生成することが可能である。これにより、新たなモデルの推定結果をシェアすることが可能となるので、利用価値を高めることが可能となる。
As described above, the
また、情報処理装置１は、サービスＹから要求があった場合に、登録した特徴情報に基づく提供情報を提供する（ステップＳ５−１，Ｓ５−２，Ｓ５−３）。例えば、提供情報の提供方法としては、以下の２通りがある。
Further, when requested by the service Y, the
１つ目は、サービス提供サーバ１０が特定のユーザＵを指定し、共有情報に基づいてそのユーザＵの特徴（推定結果）を提供する方法である。
The first is a method in which the
２つ目は、サービス提供サーバ１０が特定の特徴を指定し、共有情報に基づいてその特徴をもつユーザＵをリストとして提供する方法である。
The second method is a method in which the
つまり、実施形態に係る情報処理方法では、ユーザＵの属性を包括して生成された特徴情報を解析結果として蓄積する。これにより、他のサービスＹが各モデルの推定結果を取得する、すなわち、ユーザＵに関連付けられた属性、または、属性に関連付けられるユーザＵの情報を他のサービスＹが包括的に取得することができる。 That is, in the information processing method according to the embodiment, feature information generated by comprehensively including the attributes of the user U is accumulated as an analysis result. Thereby, the other service Y acquires the estimation result of each model, that is, the other service Y comprehensively acquires the attribute associated with the user U or the information of the user U associated with the attribute. it can.
したがって、実施形態に係る情報処理方法では、他のサービスＹがユーザＵの情報を共有情報として包括的に取得可能となったことで、技術的な困難を解消することができる。すなわち、実施形態に係る情報処理方法によれば、サービスＹ間の隔たりを意識することなく他のサービスＹの解析結果を取得することができる。 Therefore, in the information processing method according to the embodiment, other services Y can comprehensively acquire the information of the user U as shared information, so that technical difficulties can be solved. That is, according to the information processing method according to the embodiment, analysis results of other services Y can be acquired without being aware of the gap between the services Y.
次に、図２を用いて、実施形態に係る情報処理システムＳの構成について説明する。図２は、実施形態に係る情報処理システムＳの構成例を示す図である。図２に示すように、実施形態に係る情報処理システムＳは、情報処理装置１と、複数のサービス提供サーバ１０−１〜１０−ｎと、複数のユーザ端末１００−１〜１００−ｍとを含む。情報処理装置１、複数のサービス提供サーバ１０−１〜１０−ｎおよび複数のユーザ端末１００−１〜１００−ｍは、ネットワークＮを介して接続される。ネットワークＮは、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、電話網（携帯電話網、固定電話網等）、地域ＩＰ（Internet Protocol）網、インターネット等の通信ネットワークである。ネットワークＮには、有線ネットワークが含まれていてもよいし、無線ネットワークが含まれていてもよい。
Next, the configuration of the information processing system S according to the embodiment will be described with reference to FIG. FIG. 2 is a diagram illustrating a configuration example of the information processing system S according to the embodiment. As illustrated in FIG. 2, the information processing system S according to the embodiment includes an
ユーザ端末１００は、上記したように、ユーザＵによって利用される端末装置である。ユーザ端末１００は、例えば、スマートデバイス（スマートフォン、あるいはタブレット）、携帯電話、パーソナルコンピュータ等である。ユーザ端末１００は、ユーザＵの操作に従って、サービス提供サーバ１０に対して情報の要求を送信する。
The
情報処理装置１は、サービス提供サーバ１０の上位サーバとして機能するサーバ装置である。情報処理装置１は、各サービス提供サーバ１０に特徴情報を登録させて共有情報を生成するとともに、生成した共有情報を使ってサービス提供サーバ１０へ各種情報を提供する。
The
サービス提供サーバ１０は、上記したようにサービスＹをユーザＵへ提供するサーバ装置である。サービス提供サーバ１０は、例えば、サービスＹを利用したユーザＵの属性を用いて特徴情報を生成する。また、サービス提供サーバ１０は、情報処理装置１に対して提供情報を要求する。提供情報の要求は、例えば、サービス提供サーバ１０に接続された専用端末をサービスＹの管理者が操作することで、サービス提供サーバ１０から送信される。
The
また、情報処理システムＳのうち、情報処理装置１および複数のサービス提供サーバ１０−１〜１０−ｎは、例えば、１つの事業者が有するように構成される。つまり、１つの事業者は、複数のサービスＹを提供可能である。また、１つの事業者は、各サービスＹの解析結果（特徴情報）を共有情報として情報処理装置１に集約するとともに、共有情報に基づいた提供情報を取得して利用する。
In addition, in the information processing system S, the
なお、情報処理装置１および複数のサービス提供サーバ１０−１〜１０−ｎは、それぞれ別の事業者が有する構成であってもよい。つまり、ある事業者のあるサービスＹから見た場合の他のサービスＹは、同じ事業者の他のサービスＹであってもよく、他の事業者のサービスＹであってもよい。また、複数のサービス提供サーバ１０−１〜１０−ｎは、それぞれ別の事業者が有する構成であってもよい。また、上記した情報処理システムＳに加えて、提供情報の利用のみを行う事業者のサーバが接続されてもよい。
The
なお、図２では、情報処理装置１は、サービス提供サーバ１０とは別体で構成されて共有情報を生成および提供する機能を有する場合を示したが、例えば、いずれかのサービス提供サーバ１０が情報処理装置１の機能の一部または全部を代替して行ってもよい。
In FIG. 2, the
また、図２では、情報処理装置１は、共有情報の生成および提供のすべての機能を兼ね備える場合を示したが、例えば、複数の情報処理装置１が、上記した機能を分担して行ってもよい。
2 shows a case where the
次に、図３を用いて、実施形態に係る情報処理装置１の構成について説明する。図３は、実施形態に係る情報処理装置１の構成例を示す図である。
Next, the configuration of the
図３に示すように、情報処理装置１は、通信部２と、制御部３と、記憶部４とを備える。制御部３は、取得部３１と、対応付け部３２と、生成部３３と、受付部３４と、抽出部３５と、推定部３６と、提供部３７とを備える。
As illustrated in FIG. 3, the
通信部２は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。通信部２は、ネットワークＮと有線または無線で接続され、ネットワークＮを介して、少なくともサービス提供サーバ１０との間で情報の送受信を行う。
The
記憶部４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。図２に示すように、記憶部４は、共有情報４１と、サービス情報４２と、モデルプログラム情報４３と、包含情報４４とを記憶する。
The
共有情報４１は、サービス提供サーバ１０から取得した特徴情報を含んだ情報である。図４は、共有情報４１の一例を示す図である。図４に示すように、共有情報４１は、例えば、列項目が「ＵＩＤ」であり、行項目が「特徴情報」であるテーブルである。また、列項目および行項目の各組のデータ項目には、特徴情報におけるモデルの出力であるスコアが入力される。
The shared
「ＵＩＤ」は、ユーザＵを識別する識別情報である。「特徴情報」は、サービス提供サーバ１０それぞれで生成されるモデルおよびスコアの情報である。なお、図４では、「特徴情報」の各項目には、モデル名称が入力される。
“UID” is identification information for identifying the user U. The “feature information” is model and score information generated by each
図４に示すように、共有情報４１は、「ＵＩＤ」および「特徴情報」のスコアを含む情報である。図４に示す例では、ＵＩＤが「Ｕ１」であるユーザは、サービスＹ１のモデル「釣り好き」のスコアが「２．３」であり、サービスＹ２のモデル「釣り好き」のスコアが「３．５」であることを示す。また、ＵＩＤが「Ｕ１」であるユーザは、サービスＹ３のモデル「旅行好き」のスコアが「９．８」となっている。
As shown in FIG. 4, the shared
また、図４では、共有情報４１をスコアとして示したが、共有情報４１は、スコアに限定されるものではなく、「○、△および×」や、「優、良および可」等といった段階分けされた情報であってもよい。同様に、図４では、信頼度を数値で示したが、「○、△および×」や、「優、良および可」等といった段階分けで示すことにしてもよい。
In FIG. 4, the shared
次に、サービス情報４２は、各サービス提供サーバ１０が提供するサービスＹに関する情報である。図５は、サービス情報４２の一例を示す図である。図５に示すように、サービス情報４２は、「サービスＩＤ」、「提供サービス」および「登録モデル数」といった項目を含む。
Next, the
「サービスＩＤ」は、サービスＹ（あるいは、サービス提供サーバ１０）を識別する識別情報である。「提供サービス」は、サービスＹの内容を示す情報である。「登録モデル数」は、共有情報４１に登録されている特徴情報のモデルの数を示す情報である。
“Service ID” is identification information for identifying the service Y (or the service providing server 10). “Provided service” is information indicating the contents of the service Y. “Number of registered models” is information indicating the number of models of feature information registered in the shared
次に、モデルプログラム情報４３は、特徴情報におけるモデルのプログラムデータを含んだ情報である。図６は、モデルプログラム情報４３の一例を示す図である。モデルプログラム情報４３は、後述の取得部３１が取得した特徴情報におけるモデルのプログラムデータを含む情報である。図６に示すように、モデルプログラム情報４３は、「モデルＩＤ」、「モデル名称」、「グループ」、「サービスＩＤ」および「モデルデータ」等といった項目を含む。
Next, the
「モデルＩＤ」は、特徴情報におけるモデルを識別する識別情報である。「モデル名称」は、特徴情報におけるモデルの名称を示す識別情報である。「グループ」は、特徴情報におけるモデルをグループ分けした場合の各グループを識別する識別情報である。 “Model ID” is identification information for identifying a model in the feature information. “Model name” is identification information indicating the name of the model in the feature information. “Group” is identification information for identifying each group when the models in the feature information are grouped.
「サービスＩＤ」は、サービスＹ（あるいは、サービス提供サーバ１０）を識別する識別情報である。「モデルデータ」は、特徴情報におけるモデルのプログラムデータである。 “Service ID” is identification information for identifying the service Y (or the service providing server 10). “Model data” is program data of a model in feature information.
「モデルデータ」は、例えば、ユーザＵの属性を説明変数とする回帰モデルである。例えば、「モデルデータ」は、以下の式に示す回帰モデルである。すなわち、ｙ＝ω１・ｘ１＋ω２・ｘ２＋・・・＋ωｎ・ｘｎの回帰モデルとして表すことができる。 “Model data” is, for example, a regression model that uses the attribute of the user U as an explanatory variable. For example, “model data” is a regression model represented by the following equation. That is, it can be expressed as a regression model of y = ω1 · x1 + ω2 · x2 +... + Ωn · xn.
上記式において、「ｘ」は、ユーザＵの属性に対応する説明変数である。「ｙ」は、ユーザＵの特徴を示すスコアに対応する目的変数である。また、「ω」は、「ｘ」の係数であり、所定の重み値を示す。具体的には、「ω１」は、「ｘ１」の重み値であり、「ω２」は、「ｘ２」の重み値であり、「ωｎ」は、「ｘｎ」の重み値である。このように、上記式は、ユーザＵの属性に対応する説明変数「ｘ」と、所定の重み値「ω」とを含む変数（例えば、「ω１・ｘ１」）を組み合せることにより作成される。 In the above formula, “x” is an explanatory variable corresponding to the attribute of the user U. “Y” is an objective variable corresponding to a score indicating the characteristics of the user U. “Ω” is a coefficient of “x” and indicates a predetermined weight value. Specifically, “ω1” is a weight value of “x1”, “ω2” is a weight value of “x2”, and “ωn” is a weight value of “xn”. As described above, the above formula is created by combining the variable (for example, “ω1 · x1 ” ) including the explanatory variable “x” corresponding to the attribute of the user U and the predetermined weight value “ω”. .
なお、「モデルデータ」は、ＳＶＭ（Support Vector Machine）やその他の機械学習法を用いて生成された特徴情報であってもよい。また、特徴情報は、深層学習（ディープラーニング）の技術を用いて生成されたものであってもよい。例えば、サービスＹ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特徴情報を生成することができる。 The “model data” may be feature information generated using SVM (Support Vector Machine) or other machine learning methods. The feature information may be generated using a deep learning technique. For example, the service Y can generate feature information by appropriately using various deep learning techniques such as DNN (Deep Neural Network), RNN (Recurrent Neural Network), and CNN (Convolutional Neural Network).
次に、包含情報４４は、各カテゴリの包含関係を示す情報である。図７は、包含情報４４の一例を示す図である。図７に示すように、包含情報４４は、ルート階層、第１階層、第２階層、第３階層・・・が関連付けられた情報である。
Next, the
ルート階層は、最上位のカテゴリを示し、第１階層、第２階層、第３階層に行くにしたがって、各カテゴリに包含されることを示す。図７に示す異例では、ルート階層「アウトドア」に対する第１階層が「釣り」、「ドライブ」、「旅行」等が含まれる場合を示す。 The root layer indicates the highest category, and is included in each category as it goes to the first layer, the second layer, and the third layer. The example shown in FIG. 7 shows a case where the first hierarchy for the root hierarchy “outdoor” includes “fishing”, “drive”, “travel”, and the like.
また、第１階層「釣り」の第２階層には、「川釣り」や「海釣り」等の各カテゴリへとさらに細分化される。例えば、情報処理装置１は、ウェブ百科事典やショッピングサイトからカテゴリに関する情報を抽出して、包含情報４４として取得することが可能である。
Further, the second hierarchy of the first hierarchy “fishing” is further subdivided into categories such as “river fishing” and “sea fishing”. For example, the
図３の説明に戻り、制御部３について説明する。制御部３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、情報処理装置１内部の記憶装置に記憶されている各種プログラムが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３は、例えば、コントローラであり、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。
Returning to the description of FIG. 3, the
なお、取得部３１、対応付け部３２、生成部３３、受付部３４、抽出部３５、推定部３６および提供部３７それぞれ一部または全部がＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアで構成されてもよい。
The
制御部３は、サービス提供サーバ１０から取得した特徴情報の共有情報への登録および登録した特徴情報の補正や更新を行う。また、制御部３は、特徴情報に基づいてサービスＹに対して各種提供を行う。
The
取得部３１は、ユーザＵの属性を用いてユーザＵの特徴を推定するモデル、および、ユーザＵの属性を用いて推定されたユーザＵの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスＹそれぞれから取得する。例えば、取得部３１は、サービスＹに対して予め指定したフォーマットで生成させた特徴情報を取得する。これにより、サービスＹ間で特徴情報のフォーマットを揃えることができるため、統一した基準の特徴情報を取得することができる。
The
また、取得部３１は、特徴情報として、上記したモデルと、かかるモデルから出力されるスコアの初期値とを含む情報を取得する。スコアの初期値は、例えば、サービス提供サーバ１０によって予め算出されてもよく、取得部３１がモデルデータを取得して算出してもよい。取得部３１が初期値を算出する場合、特徴情報のモデルデータのみをまず取得し、その後、サービス提供サーバ１０からユーザＵの属性を取得してスコアを算出する。
The
なお、取得部３１は、特徴情報を取得した際に、かかる特徴情報が指定のフォーマットに沿って生成されたか否かをチェックするチェック機能を有してもよい。
Note that the acquiring
また、取得部３１は、特徴情報におけるモデルの入力となるユーザＵの属性を、モデルの取得元のサービスＹとは異なるサービスＹから取得してもよい。つまり、共有情報４１として登録されたモデルの取得元のサービスＹからユーザＵの属性を取得してスコアを出力してもよく、あるいは、取得元のサービスＹとは異なるサービスＹから取得したユーザＵの属性を使ってスコアを出力してもよい。これにより、例えば、異なる事業者のサービスＹ間で、共有情報４１に登録されたモデルを共有することができる。
In addition, the
また、取得部３１は、取得した特徴情報を共有情報４１として登録するとともに、登録した特徴情報を更新する更新処理を行う。具体的には、取得部３１は、初回時には、まず特徴情報のモデルデータとスコアの初期値とを取得し共有情報４１として登録し、２回目以降については、サービスＹからユーザＵの属性を取得して共有情報４１のスコアの更新のみ行うようにする。
The
また、取得部３１は、ユーザＵの属性の変化に応じてモデルを更新したり、各サービスＹから提供されるスコアを更新したりすることで、共有情報４１を更新することも可能である。
Further, the
対応付け部３２は、包含情報４４に含まれる各カテゴリに対して特徴情報を対応付ける。例えば、対応付け部３２は、図６に示すモデル名称と、図７に示す包含情報４４の各カテゴリとを対比させて、互いに一致または類似するもの同士を対応付ける。すなわち、「釣り好き」のモデル名称に対して「釣り」のカテゴリが対応付けられることとなる。そして、対応付け部３２は、各カテゴリの対応付けた結果を生成部３３へ通知する。なお、対応付け部３２は、特徴情報が推定結果のみである場合に、かかる推定結果を包含情報４４の各カテゴリに対応付けることも可能である。
The
生成部３３は、包含情報４４に基づき、取得部３１によって取得された特徴情報を組み合わせて新たなモデルを生成する。具体的には、生成部３３は、包含情報に基づき、各モデルを組み合わせることで、１つカテゴリを基準として上位概念および下位概念のモデルを新たに生成することが可能である。
Based on the
図８Ａ〜図８Ｄは、生成部３３による処理の具体例を示す図である。まず、図８Ａおよび図８Ｂを用いて生成部３３が上位概念のカテゴリに対応するモデルを生成する場合について説明する。なお、図８Ａ〜図８Ｃでは、包含情報４４をツリー構造で示す。
8A to 8D are diagrams illustrating specific examples of processing performed by the
生成部３３は、図８Ａに示すモデル「アウトドア好き」を生成する場合、例えば、「アウトドア好き」に包含される各モデルの組み合わせに基づき、モデル「アウトドア好き」を生成する。
When generating the model “like outdoor” shown in FIG. 8A, the
例えば、生成部３３は、「アウトドア好き」に包含される「釣り好き」、「ドライブ好き」、「旅行好き」の論理積Ｐ１をモデル「アウトドア好き」として生成することができる。
For example, the
すなわち、図８Ａに示すように、アウトドア好きに対応するユーザＵは、「釣り好き」であり、「ドライブ好き」であり、「旅行好き」である人物となる。例えば、新たに生成したモデル「アウトドア好き」における各ユーザＵのスコアは、「アウトドア好き」に包含される各モデルのスコアの和を各モデルの数で除算した値となる。 That is, as shown in FIG. 8A, the user U corresponding to outdoor lovers is a person who is “fishing lover”, “drive lover”, and “travel lover”. For example, the score of each user U in the newly generated model “outdoor lover” is a value obtained by dividing the sum of the scores of each model included in “outdoor lover” by the number of each model.
なお、ここでは、３つのモデルの論理積に基づき、かかる３つのモデルの上位概念に相当するモデルを生成する場合について説明したが、これに限定されるものではない。すなわち、新たに生成するモデルは、複数のモデルのうち、任意の数のモデルにおける論理積とすることにしてもよいし、かかるモデルの論理和とすることにしてもよい。 Although the case where a model corresponding to the superordinate concept of the three models is generated based on the logical product of the three models has been described here, the present invention is not limited to this. That is, a newly generated model may be a logical product of an arbitrary number of models among a plurality of models, or may be a logical sum of such models.
論理積を用いる場合、より確度の高いモデルを生成することが可能となり、論理和を用いる場合、全てを包括したモデルを生成することが可能となる。なお、論理積および論理和を用いるモデルをそれぞれ生成し、サービス提供サーバ１０の要求に基づき、提供情報に用いるモデルを適宜選択することも可能である。
When the logical product is used, it is possible to generate a model with higher accuracy. When the logical sum is used, it is possible to generate a model including all of them. It is also possible to generate models that use logical products and logical sums, respectively, and appropriately select a model to be used for provided information based on a request from the
ところで、１つのカテゴリに基づき、モデルを生成する場合、推定結果の十分な確度が得られない場合がある。すなわち、図８Ｂに示すように、「車好き」は、それぞれ自動車メーカを示す「Ａ社好き」と「Ｂ社好き」とを包含する。 By the way, when generating a model based on one category, sufficient accuracy of the estimation result may not be obtained. That is, as shown in FIG. 8B, “car lover” includes “A company lover” and “B company lover” indicating car manufacturers, respectively.
このとき、例えば、「Ａ社好き」を考慮せずにモデル「Ｂ社好き」を生成すると、「Ｂ社好き」である全てのユーザ群がそのまま「車好き」の一部を占めることとなる。すなわち、例えば、「車好き」を、「Ａ社好き」であり、かつ「Ｂ社好き」であるユーザ群と定義する場合、「車好き」の定義から反することとなる。 At this time, for example, if the model “B company likes” is generated without considering “A company likes”, all users who are “B company likes” occupy a part of “car lovers” as they are. . That is, for example, when “car lover” is defined as a group of users who are “A company lover” and “B company lover”, it is contrary to the definition of “car lover”.
そこで、生成部３３は、モデル「Ｂ社好き」を生成する場合、「Ｂ社好き」と並列関係にある「Ａ社好き」を考慮する。つまり、図８Ｂに示すように、例えば、モデル「Ｂ社好き」は、Ｂ社好きに包含される各モデル（「ＤＤ車好き」、「ＥＥ車好き」および「ＦＦ車好き」）のスコアからモデル「Ａ社好き」のスコアを減算することで得られる。
Therefore, when generating the model “I like B company”, the generating
したがって、モデル「Ｂ社好き」は、Ｂ社の各車種には、興味があるものの、Ａ社の車種には、興味が薄いユーザ群を抽出するものとなる。つまり、互いに競争相手となるカテゴリのスコアを考慮することで、より確度の高いモデルを生成することが可能となる。 Therefore, the model “B company likes” extracts a group of users who are interested in each vehicle type of company B but less interested in the vehicle type of company A. That is, it is possible to generate a model with higher accuracy by considering the scores of categories that are competitors.
なお、ここでは、スコア同士の引き算を用いるモデルを生成する場合について説明したが、スコア同士の足し算を用いるモデルを生成することも可能である。すなわち、例えば、モデル「車好き」を生成する場合、モデル「Ａ社好き」のスコアと、モデル「Ｂ社好き」のスコアとの和が所定値以上であるユーザ群について「車好き」と推定するモデルを生成することも可能である。 In addition, although the case where the model which uses the subtraction of scores was produced | generated was demonstrated here, the model which uses the addition of scores can also be produced | generated. That is, for example, when the model “car lover” is generated, a user group in which the sum of the score of the model “A company lover” and the model “B company lover” score is a predetermined value or more is estimated as “car lover”. It is also possible to generate models that
また、上述の例では、生成部３３が、上位概念のカテゴリに対応するモデルを生成する場合について説明したが、下位概念のカテゴリに対応するモデルを生成することも可能である。
In the above-described example, the
例えば、図８Ｃに示すように、純粋に「ドライブ好き」であるユーザ群は、「アウトドア好き」であるユーザ群から「釣り好き」であるユーザ群と、「旅行好き」であるユーザ群とをそれぞれ減算することで得られる。 For example, as shown in FIG. 8C, a user group who is purely “drive enthusiastic” has a group of users who are “fishing enthusiasts” and a group of users who are “travel lovers”. It is obtained by subtracting each.
このため、生成部３３は、モデル「アウトドア好き」のスコアからモデル「釣り好き」およびモデル「旅行好き」の各スコアを除算することで、モデル「ドライブ好き」を生成することが可能となる。
For this reason, the
これにより、より細分化されたカテゴリに対応するモデルを生成することが可能となる。また、生成部３３は、新たなモデルを生成すると、モデルプログラム情報４３（図６参照）に新たなモデルを登録する。
Thereby, it becomes possible to generate a model corresponding to a more detailed category. Further, when the
具体的には、図８Ｄに示すように、生成部３３は、例えば、モデルＩＤ「Ｍ４」のモデル名称「アウトドア好き」のモデルを登録する場合、サービスＩＤに、生成履歴をあわせて登録する。
Specifically, as illustrated in FIG. 8D, for example, when registering the model with the model name “Made in the outdoors” with the model ID “M4”, the
上述のように、モデル「アウトドア好き」は、モデル「釣り好き」、モデル「ドライブ好き」およびモデル「旅行好き」の組み合わせに基づいて生成されるため、「アウトドア好き」のサービスＩＤには、各モデルに対応するサービスＩＤが登録される。これにより、各モデルの基となるモデルを順次辿ることが可能となる。 As described above, the model “like outdoor” is generated based on the combination of the model “like fishing”, the model “drive like” and the model “travel like”. A service ID corresponding to the model is registered. As a result, it becomes possible to sequentially trace the model that is the basis of each model.
すなわち、生成履歴を対応付けることで、例えば、あるモデルが更新または削除された場合、かかるモデルに基づいて生成されたモデルの更新または削除を容易に行うことが可能となる。つまり、各モデルを容易に管理することが可能となる。 That is, by associating the generation history, for example, when a certain model is updated or deleted, it is possible to easily update or delete the model generated based on the model. That is, each model can be easily managed.
なお、生成部３３は、生成したモデルと、各サービスのモデルを組み合わせて新たなモデルを生成したり、生成したモデル同士を組み合わせて新たなモデルを生成したりすることも可能である。すなわち、包含情報４４に含まれる各カテゴリに対応するモデルを適宜組み合わせて新たなモデルを生成することが可能である。
Note that the
図３に戻って受付部３４について説明する。受付部３４は、サービス提供サーバ１０から各種要求を受け付ける。例えば、受付部３４は、特定の特徴を指定する特徴指定の要求をサービスＹから受け付ける。特徴指定は、共有情報４１に含まれる特徴情報のモデルＩＤやモデル名称等を指定する。特徴指定による指定は、１つの特徴情報であってもよく、複数の特徴情報であってもよい。あるいは、特徴指定は、分野指定等といった複数の特徴情報を包含する指定であってもよい。
Returning to FIG. 3, the receiving
また、受付部３４は、特定のユーザＵを指定するユーザ指定の要求をサービスＹから受け付ける。ユーザ指定により指定されるユーザＵは、１人であってもよく、複数であってもよい。あるいは、ユーザ指定は、複数のユーザを包含するグループ指定であってもよい。グループ指定の場合、ユーザ指定によって特定のグループの名称等が指定される。
The accepting
また、受付部３４は、上記した要求の中に期間指定を含ませてもよい。例えば、特徴指定の場合、期間指定により指定された期間に登録された特徴情報を特徴指定の対象としてもよい。また、ユーザ指定の場合、期間指定により指定された期間にサービスＹを利用したユーザＵをユーザ指定の対象としてもよい。
The
抽出部３５は、特徴情報に基づいて特徴指定によって指定された特定の特徴に対応するユーザＵを抽出する。例えば、抽出部３５は、指定された特徴のスコアが所定値以上のユーザＵを抽出する。
The
図９は、受け付け画面の一例を示す図であり、サービス提供サーバ１０に表示される画面の一例である。図９に示すように、受け付け画面には、特徴指定の各カテゴリとともに、選択条件が表示される。
FIG. 9 is a diagram illustrating an example of a reception screen, which is an example of a screen displayed on the
図９に示す例では、例えば、新たに生成された「アウトドア好き」が選択されると、「ａｎｄ条件」および「ｏｒ条件」等を指定するチェックボックスが表示される。ここでの「ａｎｄ条件」は、例えば、図８Ａにて説明した論理積を用いるモデルの推定結果を示し、「ｏｒ条件」は、論理和を用いるモデルの推定結果を示す。 In the example illustrated in FIG. 9, for example, when a newly generated “like outdoor” is selected, check boxes for specifying “and condition”, “or condition”, and the like are displayed. Here, “and condition” indicates the estimation result of the model using the logical product described in FIG. 8A, for example, and “or condition” indicates the estimation result of the model using the logical sum.
すなわち、サービス提供サーバ１０の利用者は、自身が所望する提供情報の確度に基づき、「ａｎｄ条件」や「ｏｒ条件」等を選択することが可能となる。つまり、かかる利用者の要求に応じた提供情報を提供することが可能となる。
That is, the user of the
また、受付部３４は、上述のように、特定のユーザＵを指定するユーザ指定の要求をサービスＹから受け付けることもできる。ユーザ指定により指定されるユーザＵは、１人であってもよく、複数であってもよい。あるいは、ユーザ指定は、複数のユーザを包含するグループ指定であってもよい。グループ指定の場合、ユーザ指定によって特定のグループの名称等が指定される。
Further, as described above, the
また、受付部３４は、上記した要求の中に期間指定を含ませてもよい。例えば、特徴指定の場合、期間指定により指定された期間に登録されたモデルを特徴指定の対象としてもよい。また、ユーザ指定の場合、期間指定により指定された期間にサービスＹを利用したユーザＵをユーザ指定の対象としてもよい。
The
また、抽出部３５は、生成部３３によって生成された新たなモデルと推定結果が類似するモデルを抽出することも可能である。具体的には、抽出部３５は、共有情報４１を参照し、例えば、クラスター分析等の各種統計的手法を用い、各ユーザＵのスコアにおいて新たなモデルのスコアと類似するモデルを抽出する。
The
すなわち、抽出部３５は、一見すると関係性がなさそうなモデル同士を統計学的手法を用いて抽出することが可能である。例えば、新たに生成したモデル「アウトドア好き」と、既知のモデル「インテリア好き」との推定結果が類似したとする。
That is, the
かかる場合に、「アウトドア好き」のユーザＵは、「インテリア好き」でもある可能性が高い。このため、例えば、「アウトドア好き」のユーザＵに対して、「インテリア」に関する電子広告を配信することで、「インテリア」を効率よく購入させることが可能となる。 In such a case, the user U who likes “outdoors” is highly likely to be also “interior lovers”. For this reason, for example, it is possible to efficiently purchase “interior” by distributing an electronic advertisement related to “interior” to a user U who likes “outdoors”.
つまり、抽出部３５は、新たなモデルに対して推定結果が類似するモデルを抽出することで、新たなマーケットを開拓することが可能となる。言い換えれば、抽出部３５は、各ユーザＵの潜在的なニーズを発掘することが可能となる。
That is, the
推定部３６は、モデルの推定結果に基づいてユーザ指定によって指定された特定のユーザＵの特徴を推定する。例えば、推定部３６は、指定されたユーザＵにおける各モデルのうち、スコアが所定値以上のモデルが当該ユーザＵの特徴であると推定する。
The
なお、推定部３６は、指定されたユーザＵにおける各モデルのうち、スコアが所定値未満のモデルがある場合、そのモデルの特徴を当該ユーザＵが有していないと推定してもよい。
In addition, when there is a model whose score is less than a predetermined value among the models of the specified user U, the
提供部３７は、共有情報４１に基づく提供情報を他のサービスＹへ提供する。例えば、提供部３７は、スコアに基づいた提供情報を他のサービスＹへ提供する。具体的には、提供部３７は、抽出部３５または推定部３６から取得した情報に基づいて提供情報を生成し、当該提供情報をサービスＹへ提供する。
The providing
例えば、提供部３７は、特徴指定に基づき抽出部３５によって抽出されたユーザＵのリストを含む提供情報を生成し、サービスＹへ提供する。リストのソートは、スコアの大小順や、五十音順、アルファベット順等といった任意の順で並べられてもよい。
For example, the
このとき、上述のように、抽出部３５によってスコアの類似度に基づいて抽出された一方のモデルが特徴指定によって指定された場合、他方のモデルの推定結果を含むリストが提供情報として提供される。これにより、情報処理システムＳ全体で、より良い情報を共有することが可能となる。
At this time, as described above, when one model extracted by the
また、提供部３７は、ユーザ指定に基づき推定部３６によって推定されたユーザＵの特徴を示す情報を含む提供情報を他のサービスＹへ提供する。例えば、提供部３７は、推定部３６によって推定されたユーザＵの特徴をリストにして並べた情報を含む提供情報を提供する。
Also, the providing
また、提供部３７は、推定部３６によって推定されたユーザＵの特徴のうち、一部の特徴のみを含む提供情報を提供してもよい。例えば、提供部３７は、スコアが最上位のモデルである特徴のみや、スコアが上位複数番目のモデルである特徴のみを選抜した提供情報を提供してもよい。
The providing
次に、図１０および図１１を用いて実施形態に係る情報処理装置１が実行する処理手順について説明する。図１０および図１１は、実施形態に係る情報処理装置１が実行する処理手順を示すフローチャートである。なお、図１０では、モデルを生成するまでの一連の処理の流れについて説明する。
Next, a processing procedure executed by the
図１０に示すように、まず、取得部３１は、ユーザＵの属性を用いてユーザＵの特徴を推定するモデル、および、ユーザＵの属性を用いて推定されたユーザＵの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスＹそれぞれから取得する（ステップＳ１０１）。
As illustrated in FIG. 10, first, the
続いて、生成部３３は、包含情報４４に基づき、新たなモデルの生成条件を満たす組み合わせがあるか否かを判定する（ステップＳ１０２）。生成部３３は、生成条件を満たす組み合わせがなかった場合（ステップＳ１０２，Ｎｏ）、処理を終了する。
Subsequently, based on the
一方、生成部３３は、生成条件を満たす組み合わせがあった場合（ステップＳ１０２，Ｙｅｓ）、かかる組み合わせに基づいて新たなモデルを生成する（ステップＳ１０３）。
On the other hand, when there is a combination that satisfies the generation conditions (Yes in step S102), the
続いて、生成部３３は、新たに生成したモデルに基づき、モデルプログラム情報４３を更新し（ステップＳ１０４）、抽出部３５は、生成したモデルと推定結果が類似するモデルを抽出し（ステップＳ１０５）、処理を終了する。なお、生成部３３は、生成した新たなモデルを用いて新たに生成条件を満たす場合も想定される。このため、生成部３３は、ステップＳ１０５の処理に引き続き、ステップS１０２の処理を行うことにしてもよい。
Subsequently, the
次に、図１１を用いて情報処理装置１が提供情報をサービス提供サーバ１０へ提供するまでの一連の処理について説明する。
Next, a series of processing until the
図１１に示すように、提供処理において、まず、受付部３４は、サービスＹから特徴指定の要求を受け付けたか否かを判定する（ステップＳ２０１）。抽出部３５は、受付部３４が特徴指定を受け付けた場合（ステップＳ２０１，Ｙｅｓ）、特徴指定により指定された特定の特徴をもつユーザＵを抽出する（ステップＳ２０２）。
As shown in FIG. 11, in the providing process, the receiving
続いて、提供部３７は、抽出部３５によって抽出されたユーザＵのリストを含む提供情報をサービスＹへ提供し（ステップＳ２０３）、処理を終了する。
Subsequently, the providing
一方、受付部３４は、特徴指定の要求を受け付けなかった場合（ステップＳ２０１，Ｎｏ）、ユーザ指定の要求を受け付けたか否かを判定する（ステップＳ２０４）。なお、ステップＳ２０１およびステップＳ２０４の処理は、その処理順が入れ替わってもよい。
On the other hand, if the
推定部３６は、受付部３４がユーザ指定の要求を受け付けた場合（ステップＳ２０４，Ｙｅｓ）、ユーザ指定により指定されたユーザＵの特徴を推定する（ステップＳ２０５）。
When the receiving
続いて、提供部３７は、推定部３６によって推定されたユーザＵの特徴を示す情報を含む提供情報をサービスＹへ提供し（ステップＳ２０６）、処理を終了する。
Subsequently, the providing
一方、受付部３４は、ユーザ指定の要求を受け付けなかった場合（ステップＳ２０４，Ｎｏ）、処理をステップＳ２０１へ移行する。
On the other hand, when the
次に、図１２を用いて、実施形態に係る情報処理装置１が実行する提供処理の手順について説明する。図１２は、実施形態に係る情報処理装置１が実行する提供処理の手順を示すフローチャートである。
Next, with reference to FIG. 12, the procedure of the providing process executed by the
また、上述してきた実施形態にかかる情報処理装置１は、例えば図１０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１０は、実施形態に係る情報処理装置１の機能を実現するコンピュータ１０００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、ＲＯＭ１３００、ＨＤＤ１４００、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。
Further, the
ＣＰＵ１１００は、ＲＯＭ１３００又は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。
The
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。
The
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。
The
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又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。
The
例えば、コンピュータ１０００が実施形態にかかる情報処理装置１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を実行することにより、制御部３の機能を実現する。また、ＨＤＤ１４００には、記憶部４内のデータが格納される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを、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。
For example, when the
上述してきたように、実施形態に係る情報処理装置１は、取得部３１と、生成部３３とを備える。取得部３１は、ユーザＵの属性を用いてユーザＵの特徴を推定するモデル、および、属性を用いて推定された特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスＹそれぞれから取得する。生成部３３は、モデルに対応する各カテゴリの対応関係を示す対応情報に基づき、取得部３１によって取得された特徴情報を組み合わせて新たな特徴情報を生成する。したがって、実施形態に係る情報処理装置１によれば、利用価値を高めることができる。
As described above, the
また、実施形態に係る生成部３３は、生成した新たなモデルに対して当該モデルの生成履歴を対応付ける。したがって、実施形態に係る情報処理装置１によれば、モデルの管理を容易にすることができる。
In addition, the
また、実施形態かかる生成部３３は、１つのカテゴリに包含される複数のカテゴリに対応するモデルの推定結果の論理積または論理和に基づき、当該１つのカテゴリに対応する新たなモデルを生成する。したがって、実施形態に係る情報処理装置１によれば、上位概念に対応するモデルを生成することが可能となる。
In addition, the
また、実施形態に係る生成部３３は、１つのカテゴリに対応するモデルの推定結果と、当該カテゴリに包含されるカテゴリに対応するモデルの推定結果との差分に基づき、当該１つのカテゴリに包含される他のカテゴリに対応するモデルを生成する。したがって、実施形態に係る情報処理装置１によれば、下位概念に対応するモデルを生成することが可能となる。
Further, the
また、実施形態に係る生成部３３は、複数のモデルの推定結果をそれぞれの加算結果または減算結果に基づき、新たなモデルを生成する。したがって、実施形態に係る情報処理装置１によれば、推定結果の確度が高いモデルを生成することができる。
In addition, the
また、実施形態に係る情報処理装置１は、生成部３３によって生成された新たなモデルと推定結果が類似するモデルを抽出する抽出部３５を備える。したがって、実施形態に係る情報処理装置１は、新たなマーケットを開拓することが可能となる。
Further, the
また、実施形態に係る情報処理装置１は、特徴情報に対する提供要求をサービスから受け付ける受付部３４と、受付部３４によって受け付けられた提供要求に基づき、特徴情報を提供する提供部３７とを備え、提供部３７は、抽出部３５によって抽出された類似するモデルの推定結果を含む提供情報を提供する。したがって、実施形態に係る情報処理装置１によれば、情報処理システムＳ全体で、より良い情報を共有することが可能となる。
In addition, the
また、上記実施形態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。 In addition, among the processes described in the above embodiment, all or part of the processes described as being automatically performed can be performed manually, or the processes described as being performed manually can be performed. All or a part can be automatically performed by a known method. In addition, the processing procedures, specific names, and information including various data and parameters shown in the document and drawings can be arbitrarily changed unless otherwise specified. For example, the various types of information illustrated in each drawing is not limited to the illustrated information.
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。 Further, each component of each illustrated apparatus is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution / integration of each device is not limited to that shown in the figure, and all or a part thereof may be functionally or physically distributed or arbitrarily distributed in arbitrary units according to various loads or usage conditions. Can be integrated and configured.
また、上述してきた実施形態に記載した各処理は、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。 In addition, the processes described in the above-described embodiments can be appropriately combined within a range that does not contradict the processing contents.
また、上記してきた「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３１は、登録手段や登録回路に読み替えることができる。
Further, the above-mentioned “section (module, unit)” can be read as “means” or “circuit”. For example, the
１ 情報処理装置
２ 通信部
３ 制御部
４ 記憶部
１０ サービス提供サーバ
３１ 取得部
３２ 対応付け部
３３ 生成部
３４ 受付部
３５ 抽出部
３６ 推定部
３７ 提供部
４１ 共有情報
４２ サービス情報
４３ モデルプログラム情報
４４ 包含情報
１００ ユーザ端末
Ｓ 情報処理システム
DESCRIPTION OF
Claims (9)
前記特徴情報に対応する各カテゴリの対応関係を示す対応情報に基づき、前記取得部によって取得された前記特徴情報を組み合わせて新たな特徴情報を生成する生成部と
を備えることを特徴とする情報処理装置。 An acquisition unit that acquires feature information including at least one of a model that estimates a feature of the user using an attribute of the user and an estimation result related to the feature that is estimated using the attribute from each of different services;
A generating unit that generates new feature information by combining the feature information acquired by the acquiring unit based on correspondence information indicating a correspondence relationship of each category corresponding to the feature information. apparatus.
生成した前記新たな特徴情報に対して当該特徴情報の生成履歴を対応付けること
を特徴とする請求項１に記載の情報処理装置。 The generator is
The information processing apparatus according to claim 1, wherein a generation history of the feature information is associated with the generated new feature information.
１つの前記カテゴリに包含される複数の前記カテゴリにそれぞれ対応する前記特徴情報の推定結果の論理和または論理積に基づき、当該１つのカテゴリに対応する前記新たな特徴情報を生成すること
を特徴とする請求項１または２に記載の情報処理装置。 The generator is
Generating the new feature information corresponding to the one category based on the logical sum or logical product of the estimation results of the feature information respectively corresponding to the plurality of categories included in the one category. The information processing apparatus according to claim 1 or 2.
１つの前記カテゴリに対応する前記特徴情報の推定結果と、当該カテゴリに包含される前記カテゴリに対応する前記特徴情報の推定結果との差分に基づき、当該１つのカテゴリに包含される前記新たな特徴情報を生成すること
を特徴とする請求項１、２または３に記載の情報処理装置。 The generator is
The new feature included in the one category based on the difference between the estimation result of the feature information corresponding to the one category and the estimation result of the feature information corresponding to the category included in the category The information processing apparatus according to claim 1, 2, or 3, wherein the information is generated.
複数の前記特徴情報の推定結果のそれぞれの加算結果または減算結果に基づき、前記新たな特徴情報を生成すること
を特徴とする請求項１〜４のいずれか一つに記載の情報処理装置。 The generator is
The information processing apparatus according to any one of claims 1 to 4, wherein the new feature information is generated based on an addition result or a subtraction result of a plurality of estimation results of the feature information.
を備えることを特徴とする請求項１〜５のいずれか一つに記載の情報処理装置。 The information processing apparatus according to claim 1, further comprising: an extraction unit that extracts the feature information whose estimation result is similar to the new feature information generated by the generation unit.
前記受付部によって受け付けられた前記提供要求に基づく提供情報を提供する提供部と
を備え、
前記提供部は、
前記抽出部によって抽出された前記類似する前記特徴情報の推定結果を含む前記提供情報を提供すること
を特徴とする請求項６に記載の情報処理装置。 A reception unit that receives a provision request for the feature information from the service;
A provision unit that provides provision information based on the provision request received by the reception unit;
The providing unit includes:
The information processing apparatus according to claim 6, wherein the provision information including an estimation result of the similar feature information extracted by the extraction unit is provided.
ユーザの属性を用いて前記ユーザの特徴を推定するモデル、および、前記属性を用いて推定された前記特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスそれぞれから取得する取得工程と、
前記特徴情報に対応する各カテゴリの対応関係を示す対応情報に基づき、前記取得工程によって取得された前記特徴情報を組み合わせて新たな前記特徴情報を生成する生成工程と
を含むことを特徴とする情報処理方法。 An information processing method executed by a computer,
An acquisition step of acquiring feature information including at least one of a model for estimating the feature of the user using the attribute of the user and an estimation result related to the feature estimated using the attribute from each of different services;
A generation step of generating new feature information by combining the feature information acquired by the acquisition step based on correspondence information indicating a correspondence relationship of each category corresponding to the feature information. Processing method.
前記特徴情報に対応する各カテゴリの対応関係を示す対応情報に基づき、前記取得手順によって取得された前記特徴情報を組み合わせて新たな前記特徴情報を生成する生成手順と
をコンピュータに実行させることを特徴とする情報処理プログラム。 An acquisition procedure for acquiring feature information including at least one of a model for estimating the feature of the user using the attribute of the user and an estimation result regarding the feature estimated using the attribute from each of different services;
Generating a new feature information by combining the feature information acquired by the acquisition procedure based on correspondence information indicating a correspondence relationship of each category corresponding to the feature information. Information processing program.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018160866A JP6601889B1 (en) | 2018-08-29 | 2018-08-29 | Information processing apparatus, information processing method, and information processing program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018160866A JP6601889B1 (en) | 2018-08-29 | 2018-08-29 | Information processing apparatus, information processing method, and information processing program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6601889B1 true JP6601889B1 (en) | 2019-11-06 |
| JP2020035166A JP2020035166A (en) | 2020-03-05 |
Family
ID=68462390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018160866A Active JP6601889B1 (en) | 2018-08-29 | 2018-08-29 | Information processing apparatus, information processing method, and information processing program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6601889B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7280305B2 (en) * | 2021-03-18 | 2023-05-23 | ヤフー株式会社 | Information processing device, information processing method and information processing program |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6271345B2 (en) * | 2014-06-06 | 2018-01-31 | ヤフー株式会社 | Extraction apparatus, extraction method, and extraction program |
| JP6074524B1 (en) * | 2016-02-05 | 2017-02-01 | ヤフー株式会社 | Learning device, learning method, and learning program |
-
2018
- 2018-08-29 JP JP2018160866A patent/JP6601889B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020035166A (en) | 2020-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9098541B2 (en) | Semantic user profiles for targeting user segments | |
| US9858610B2 (en) | Product recommendation based on geographic location and user activities | |
| JP6023129B2 (en) | Extraction apparatus, extraction method, and extraction program | |
| US20140129331A1 (en) | System and method for predicting momentum of activities of a targeted audience for automatically optimizing placement of promotional items or content in a network environment | |
| JP2020035068A (en) | Device, method, and program for processing information | |
| CN103106285A (en) | Recommendation algorithm based on information security professional social network platform | |
| WO2013119280A1 (en) | Tools and methods for determining relationship values | |
| US20150269616A1 (en) | Business audience marketing system | |
| US20210158398A1 (en) | User data segmentation augmented with public event streams for facilitating customization of online content | |
| JP2020047121A (en) | Device, method, and program for processing information | |
| JP2018084928A (en) | Selection device, selection method and selection program | |
| JP6591012B1 (en) | Information processing apparatus, information processing method, and information processing program | |
| KR101639656B1 (en) | Method and server apparatus for advertising | |
| JP6470965B2 (en) | Advertisement selection device, advertisement selection method and program | |
| JP6601889B1 (en) | Information processing apparatus, information processing method, and information processing program | |
| JP6591638B1 (en) | Information processing apparatus, information processing method, and information processing program | |
| Sziklai et al. | Finding early adopters of innovation in social networks | |
| JP6353141B1 (en) | Generating device, generating method, and generating program | |
| JP6373140B2 (en) | Extraction apparatus, extraction method, and extraction program | |
| JP6601888B1 (en) | Information processing apparatus, information processing method, and information processing program | |
| JP2021101391A (en) | Generation device, generation method, and generation program | |
| JP6703571B2 (en) | Information processing apparatus, information processing method, and information processing program | |
| JP2019046451A (en) | Generation device, generation method and generation program | |
| JP7208286B2 (en) | Information processing device, information processing method and information processing program | |
| JP6679682B2 (en) | Specific device, specific method, and specific program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181213 |
|
| 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: 20190903 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191003 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6601889 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20191101 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20191108 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R360 | Written notification for declining of transfer of rights |
Free format text: JAPANESE INTERMEDIATE CODE: R360 |
|
| R370 | Written measure of declining of transfer procedure |
Free format text: JAPANESE INTERMEDIATE CODE: R370 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |