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 |