JP6680562B2

JP6680562B2 - Judgment device, judgment method, and judgment program

Info

Publication number: JP6680562B2
Application number: JP2016033265A
Authority: JP
Inventors: 賢太郎西; 孝太坪内
Original assignee: Yahoo Japan Corp
Current assignee: Yahoo Japan Corp
Priority date: 2016-02-24
Filing date: 2016-02-24
Publication date: 2020-04-15
Anticipated expiration: 2036-02-24
Also published as: JP2017151707A

Description

本発明は、判定装置、判定方法、及び判定プログラムに関する。 The present invention relates to a determination device, a determination method, and a determination program.

従来、ユーザの状態や状況等、いわゆるコンテキストに基づいてユーザに情報を提供する技術が提供されている。例えば、位置に関するエリア種別や時間種別の組み合わせを利用することにより、ユーザの状態を把握し、情報を配信する技術が提供されている。また、ユーザのコンテキストに基づく予測モデル（以下、単に「モデル」とする）を用いることにより、ユーザに情報を提供する技術が提供されている。 BACKGROUND ART Conventionally, there has been provided a technique of providing information to a user based on a so-called context such as a user's state or situation. For example, there is provided a technique of grasping a user's state and distributing information by using a combination of an area type and a time type related to a position. Further, there is provided a technique of providing information to a user by using a prediction model based on the context of the user (hereinafter, simply referred to as “model”).

国際公開第２０１３/１６４９１１号International Publication No. 2013/164911

しかしながら、上記の従来技術では、ユーザに適切な情報を提供することが難しい場合がある。例えば、ユーザのコンテキストに基づいて生成されたモデルが適切でない場合、ユーザに適切な情報を提供することが難しい。また、時間経過によりユーザの自宅やオフィス等の位置が変更されることがある。このような場合、ユーザのコンテキストに関する情報やユーザのユーザ属性に関する情報の変更が必要な場合がある。 However, it may be difficult to provide appropriate information to the user with the above-described conventional technique. For example, if the model generated based on the user's context is not appropriate, it is difficult to provide the user with appropriate information. Also, the position of the user's home, office, or the like may change over time. In such a case, it may be necessary to change the information about the context of the user or the information about the user attribute of the user.

本願は、上記に鑑みてなされたものであって、コンテキストに基づくモデルの予測精度によりユーザに関する情報を適切に変更可能にする判定装置、判定方法、及び判定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 a determination device, a determination method, and a determination program that can appropriately change information about a user based on the prediction accuracy of a model based on a context.

本願に係る判定装置は、ユーザごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報である組合情報ごとに生成されたモデルであって、所定の対象を予測するモデルを取得する取得部と、前記取得部により取得されたモデルによる、組合情報に含まれる分類情報の各々に対応するコンテキストにおける当該分類情報に対応するユーザに関する前記所定の対象の予測精度に応じて、当該ユーザのコンテキストに関する情報、または当該ユーザのユーザ属性に関する情報を変更するかを判定する判定部と、を備えたことを特徴とする。 The determination device according to the present application is the action information regarding the action for each user, and the division information that is the action information divided based on the context is combined based on the tendency of the action information included in each of the division information. Which is a model generated for each combination information, which is the information obtained, and an acquisition unit that acquires a model that predicts a predetermined target, and the classification information included in the combination information by the model acquired by the acquisition unit. A determination unit that determines whether to change the information regarding the context of the user or the information regarding the user attribute of the user according to the prediction accuracy of the predetermined target regarding the user corresponding to the classification information in the corresponding context, It is characterized by having.

実施形態の一態様によれば、コンテキストに基づくモデルの予測精度によりユーザに関する情報を適切に変更可能にすることができるという効果を奏する。 According to the aspect of the embodiment, it is possible to appropriately change the information about the user depending on the prediction accuracy of the model based on the context.

図１は、実施形態に係る判定処理の一例を示す図である。FIG. 1 is a diagram illustrating an example of a determination process according to the embodiment. 図２は、実施形態に係る生成処理の一例を示す図である。FIG. 2 is a diagram illustrating an example of the generation process according to the embodiment. 図３は、実施形態に係るコンテキスト変更前の配信処理の一例を示す図である。FIG. 3 is a diagram illustrating an example of distribution processing before context change according to the embodiment. 図４は、実施形態に係るコンテキスト変更後の配信処理の一例を示す図である。FIG. 4 is a diagram illustrating an example of distribution processing after context change according to the embodiment. 図５は、実施形態に係る配信装置の構成例を示す図である。FIG. 5 is a diagram illustrating a configuration example of the distribution device according to the embodiment. 図６は、実施形態に係るユーザ情報記憶部の一例を示す図である。FIG. 6 is a diagram illustrating an example of the user information storage unit according to the embodiment. 図７は、実施形態に係る行動情報記憶部の一例を示す図である。FIG. 7 is a diagram illustrating an example of the behavior information storage unit according to the embodiment. 図８は、実施形態に係る分割情報記憶部の一例を示す図である。FIG. 8 is a diagram illustrating an example of the division information storage unit according to the embodiment. 図９は、実施形態に係るクラスタ情報記憶部の一例を示す図である。FIG. 9 is a diagram illustrating an example of the cluster information storage unit according to the embodiment. 図１０は、実施形態に係る学習情報記憶部の一例を示す図である。FIG. 10 is a diagram illustrating an example of the learning information storage unit according to the embodiment. 図１１は、実施形態に係るコンテンツ情報記憶部の一例を示す図である。FIG. 11 is a diagram illustrating an example of the content information storage unit according to the embodiment. 図１２は、実施形態に係る生成処理の一例を示すフローチャートである。FIG. 12 is a flowchart showing an example of the generation process according to the embodiment. 図１３は、実施形態に係る生成処理の一例を示すフローチャートである。FIG. 13 is a flowchart showing an example of the generation process according to the embodiment. 図１４は、実施形態に係る配信処理の一例を示すフローチャートである。FIG. 14 is a flowchart showing an example of the distribution process according to the embodiment. 図１５は、実施形態に係る判定処理の一例を示すフローチャートである。FIG. 15 is a flowchart showing an example of the determination process according to the embodiment. 図１６は、実施形態に係る複数候補の判定の一例を示す図である。FIG. 16 is a diagram illustrating an example of determination of a plurality of candidates according to the embodiment. 図１７は、配信装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。FIG. 17 is a hardware configuration diagram illustrating an example of a computer that realizes the functions of the distribution device.

以下に、本願に係る判定装置、判定方法、及び判定プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る判定装置、判定方法、及び判定プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。 Hereinafter, modes (hereinafter, referred to as “embodiments”) for carrying out the determination device, the determination method, and the determination program according to the present application will be described in detail with reference to the drawings. Note that the determination device, the determination method, and the determination program according to the present application are not limited to this embodiment. Also, in each of the following embodiments, the same parts are designated by the same reference numerals, and duplicated description will be omitted.

（実施形態）
〔１．判定処理〕
まず、図１を用いて、実施形態に係る判定処理の一例について説明する。図１は、実施形態に係る判定処理の一例を示す図である。図１の（Ａ）は、既存ユーザに関する判定処理を示し、図１の（Ｂ）は、新規ユーザに関する変更処理を示す。図１に示す例において、クラスタ情報一覧ＭＬ１１は、図２に示す配信システム１における生成処理により、各ユーザのコンテキストにおけるコンテンツへの関心を予測するモデルが生成された場合のクラスタリングに関する情報を示す。具体的には、図１の（Ａ）中のクラスタ情報一覧ＭＬ１１−１は、一のユーザと一のコンテキストとが交差する領域であるマス（以下、「マスＭＳ」とする場合がある）にモデルＭ１〜Ｍ６等のうち、どのモデルが割り当てられたかを示す。なお、ここでいうコンテキストとは、ユーザが置かれた環境等を含むユーザの状態や状況に対応するが、詳細は後述する。 (Embodiment)
[1. Determination process〕
First, an example of the determination process according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram illustrating an example of a determination process according to the embodiment. 1A shows the determination process for an existing user, and FIG. 1B shows the change process for a new user. In the example shown in FIG. 1, the cluster information list ML11 shows information about clustering when a model for predicting interest in content in the context of each user is generated by the generation processing in the distribution system 1 shown in FIG. Specifically, the cluster information list ML11-1 in (A) of FIG. 1 is displayed in a cell (hereinafter, may be referred to as “cell MS”) which is an area where one user and one context intersect. Which of the models M1 to M6 and the like is assigned is shown. The context mentioned here corresponds to the state or situation of the user including the environment in which the user is placed, etc., but details will be described later.

図１の（Ａ）中のクラスタ情報一覧ＭＬ１１−１は、クラスタ情報記憶部１２４（図９参照）に対応し、各マスＭＳ中に図示するＭ１〜Ｍ６によって示される６つのクラスタを含むことを示す。例えば、各モデルＭ１〜Ｍ６は、分割情報記憶部１２３（図８参照）に記憶された各マスＭＳ中に図示するＭ１〜Ｍ６に対応する分割情報に基づいて生成される。なお、詳細は後述するが、ここでいう分割情報とは、ユーザの行動情報がコンテキストごとに分割された情報を意味する。例えば、行動情報は、各ユーザにコンテンツを配信し、配信したコンテンツに対する各ユーザの行動の有無を示す情報である。また、クラスタ情報一覧ＭＬ１１−１中のマスＭＳにおいて、Ｍ１〜Ｍ６の符号が図示されていないマスＭＳについては、所定の手法により生成されたモデルが割り当てられるが、詳細は後述する。 The cluster information list ML11-1 in FIG. 1A corresponds to the cluster information storage unit 124 (see FIG. 9) and includes six clusters indicated by M1 to M6 in each mass MS. Show. For example, the models M1 to M6 are generated based on the division information corresponding to the illustrated M1 to M6 in each mass MS stored in the division information storage unit 123 (see FIG. 8). It should be noted that, although details will be described later, the division information here means information in which the behavior information of the user is divided for each context. For example, the behavior information is information indicating whether or not the content is distributed to each user and the behavior of each user with respect to the distributed content. In addition, in the mass MS in the cluster information list ML11-1, the models generated by a predetermined method are assigned to the mass MS for which the symbols M1 to M6 are not shown, but the details will be described later.

例えば、図１の（Ａ）では、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１５に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳ、及びユーザＵ４のコンテキストＣＴ１３に対応するマスＭＳには同じモデルＭ１が割り当てられることを示す。すなわち、上記４つのマスＭＳに含まれる分割情報を組み合わせた組合情報を用いて、モデルＭ１が生成されたことを示す。また、モデルＭ１に関するモデル情報は、学習情報記憶部１２５（図１０参照）に示すように、素性１の重みが「０．５」、素性２の重みが「−０．４」、素性３の重みが「０．２」等であることを示す。例えば、配信システム１は、ユーザＵ１が朝に家（自宅）にいる場合に対応するコンテキストＣＴ１１においてコンテンツの配信を要求した場合、モデルＭ１を用いてユーザＵ１に配信するコンテンツを決定する。 For example, in FIG. 1A, a mass MS corresponding to the context CT11 of the user U1, a mass MS corresponding to the context CT15 of the user U2, a mass MS corresponding to the context CT17 of the user U2, and a context CT13 of the user U4. It is shown that the same model M1 is assigned to the corresponding mass MS. That is, it indicates that the model M1 is generated using the combination information in which the division information included in the four masses MS is combined. As shown in the learning information storage unit 125 (see FIG. 10), the model information about the model M1 has a feature 1 weight of “0.5”, a feature 2 weight of “−0.4”, and a feature 3 of It indicates that the weight is “0.2” or the like. For example, when the distribution system 1 requests distribution of content in the context CT11 corresponding to the case where the user U1 is at home (home) in the morning, the model M1 is used to determine the content to be distributed to the user U1.

例えば、配信装置１００（図５参照）は、ユーザに割り当てられたモデルの予測精度に応じて、ユーザのコンテキストに関する情報、または当該ユーザのユーザ属性に関する情報を変更するかを判定する。ここでいう予測精度とは、ユーザの行動の有無を予測できる確率をいう。図１の例では、予測精度がユーザのコンテストに対応するモデルを用いてコンテンツを配信した場合において、ユーザが配信したコンテンツを選択（クリック）する確率である場合を示す。また、ここでいうコンテキストに関する情報は、例えば、分割情報記憶部１２３中の各マスＭＳに割り当てられた分割情報や、クラスタ情報記憶部１２４中の各マスＭＳに割り当てられたモデルに関する情報が含まれてもよい。また、ここでいうユーザ属性に関する情報は、例えば、ユーザ情報記憶部１２１中の各ユーザに関する情報が含まれてもよい。なお、以下では、予測精度が低である個数が０であることを予測精度に関する所定の条件とする。 For example, the distribution apparatus 100 (see FIG. 5) determines whether to change the information about the context of the user or the information about the user attribute of the user according to the prediction accuracy of the model assigned to the user. The prediction accuracy here means the probability of being able to predict the presence or absence of a user's action. The example of FIG. 1 shows a case where the prediction accuracy is the probability that the user selects (clicks) the distributed content when the content is distributed using the model corresponding to the user's contest. In addition, the information about the context mentioned here includes, for example, division information assigned to each mass MS in the division information storage unit 123, and information about a model assigned to each mass MS in the cluster information storage unit 124. May be. Further, the information on the user attribute mentioned here may include, for example, information on each user in the user information storage unit 121. In addition, below, let the number with the low prediction precision be 0 be the predetermined conditions regarding a prediction precision.

図１の（Ａ）に示すように、クラスタ情報一覧ＭＬ１１−１では、ユーザＵ１のコンテキストＣＴ１１における予測精度と、ユーザＵ１のコンテキストＣＴ１２における予測精度とが低であるとする。なお、ここでいう予測精度が低であるとは、対応するユーザ及びコンテキストの組み合わせにおけるモデルの予測精度が所定の閾値（例えば、７５％等）未満である場合をいう。すなわち、図１の（Ａ）では、ユーザＵ１のコンテキストＣＴ１１においてモデルＭ１を用いて、ユーザＵ１にコンテンツを配信した場合に予測精度が低であることを示す。また、図１の（Ａ）では、ユーザＵ１が朝にオフィスにいる場合に対応するコンテキストＣＴ１２においてモデルＭ２を用いて、ユーザＵ１にコンテンツを配信した場合に予測精度が低であることを示す。 As shown in FIG. 1A, in the cluster information list ML11-1, it is assumed that the prediction accuracy in the context CT11 of the user U1 and the prediction accuracy in the context CT12 of the user U1 are low. Note that the prediction accuracy here is low when the prediction accuracy of the model in the combination of the corresponding user and context is less than a predetermined threshold value (for example, 75%). That is, FIG. 1A shows that the prediction accuracy is low when the content is distributed to the user U1 using the model M1 in the context CT11 of the user U1. Further, FIG. 1A shows that the prediction accuracy is low when the content is distributed to the user U1 using the model M2 in the context CT12 corresponding to the case where the user U1 is in the office in the morning.

上述のように、ユーザＵ１のコンテキストＣＴ１１に割り当てられたモデルＭ１及びコンテコストＣＴ１２に割り当てられたモデルＭ２の２つのモデルの予測精度が低であるため、配信装置１００（図５参照）は、ユーザＵ１のコンテキストに関する情報、またはユーザＵ１のユーザ属性に関する情報を変更すると判定する。なお、図１の（Ａ）では、配信装置１００は、ユーザＵ１のコンテキストに関する情報を変更すると判定する場合を示す。ここで、コンテキストＣＴ１１は朝の家に対応し、コンテコストＣＴ１２は朝のオフィスに対応するため、コンテキストＣＴ１１及びコンテキストＣＴ１２は、時間帯が朝で共通する。そのため、配信装置１００は、ユーザＵ１のコンテキストに関する情報が入替え可能であるとして、ユーザＵ１のコンテキストに関する情報を入れ替えると判定する。 As described above, since the prediction accuracy of the two models of the model M1 assigned to the context CT11 of the user U1 and the model M2 assigned to the context cost CT12 is low, the distribution device 100 (see FIG. 5) It is determined that the information about the context of U1 or the information about the user attribute of the user U1 is changed. Note that FIG. 1A illustrates a case where the distribution apparatus 100 determines to change information regarding the context of the user U1. Here, since the context CT11 corresponds to the morning house and the content cost CT12 corresponds to the morning office, the context CT11 and the context CT12 are common in the morning time zone. Therefore, the distribution device 100 determines that the information regarding the context of the user U1 can be exchanged, and determines to exchange the information regarding the context of the user U1.

図１の（Ａ）では、上述した判定により、配信装置１００は、クラスタ情報一覧ＭＬ１１−１において、ユーザＵ１の家とオフィスとを入れ替えることにより、コンテキストの変更を行う（ステップＳ１）。具体的には、配信装置１００は、ユーザＵ１のコンテキストＣＴ１１に割り当てられたモデルＭ１とコンテキストＣＴ１２に割り当てられたモデルＭ２とを入れ替える（ステップＳ１−１）。この場合、配信装置１００は、ユーザＵ１の他のコンテキストＣＴ１３〜ＣＴ１８に割り当てられたモデルの入替えを行ってもよい。例えば、配信装置１００は、ユーザＵ１のコンテキストＣＴ１３に割り当てられたモデルＭ３とコンテキストＣＴ１４に割り当てられたモデルとを入れ替えてもよい（ステップＳ１−２）。また、例えば、配信装置１００は、ユーザＵ１のコンテキストＣＴ１５に割り当てられたモデルＭ５とコンテキストＣＴ１６に割り当てられたモデルＭ４とを入れ替えてもよい（ステップＳ１−３）。また、例えば、配信装置１００は、ユーザＵ１のコンテキストＣＴ１７に割り当てられたモデルとコンテキストＣＴ１８に割り当てられたモデルＭ２とを入れ替えてもよい（ステップＳ１−４）。 In FIG. 1A, the distribution apparatus 100 changes the context by switching the home and the office of the user U1 in the cluster information list ML11-1 based on the above determination (step S1). Specifically, the distribution device 100 replaces the model M1 assigned to the context CT11 of the user U1 with the model M2 assigned to the context CT12 (step S1-1). In this case, the distribution device 100 may replace the models assigned to the other contexts CT13 to CT18 of the user U1. For example, the distribution apparatus 100 may switch the model M3 assigned to the context CT13 of the user U1 and the model assigned to the context CT14 (step S1-2). Further, for example, the distribution device 100 may replace the model M5 assigned to the context CT15 of the user U1 and the model M4 assigned to the context CT16 (step S1-3). Further, for example, the distribution device 100 may replace the model assigned to the context CT17 of the user U1 with the model M2 assigned to the context CT18 (step S1-4).

ステップＳ１のコンテキスト変更により、図１の（Ａ）中のクラスタ情報一覧ＭＬ１１−２に示すように、ユーザＵ１のコンテキストに関する情報として、ユーザＵ１に対応する各マスＭＳに割り当てられたモデルが変更される。そして、図１の（Ａ）では、ユーザＵ１のコンテキストＣＴ１１においてモデルＭ２を用いて、ユーザＵ１にコンテンツを配信した場合に予測精度が高であることを示す。また、図１の（Ａ）では、ユーザＵ１のコンテキストＣＴ１２においてモデルＭ１を用いて、ユーザＵ１にコンテンツを配信した場合に予測精度が高であることを示す。なお、ここでいう予測精度が高であるとは、対応するユーザ及びコンテキストの組み合わせにおけるモデルの予測精度が所定の閾値（例えば、７５％等）以上である場合をいう。なお、図１の（Ａ）では、ステップＳ１−２〜Ｓ１−４で入れ替えたモデルについても予測精度が向上したものとする。 By changing the context in step S1, as shown in the cluster information list ML11-2 in FIG. 1A, the model assigned to each mass MS corresponding to the user U1 is changed as the information regarding the context of the user U1. It Then, FIG. 1A shows that the prediction accuracy is high when the content is distributed to the user U1 using the model M2 in the context CT11 of the user U1. Further, FIG. 1A shows that the prediction accuracy is high when the content is distributed to the user U1 using the model M1 in the context CT12 of the user U1. Note that the high prediction accuracy here means that the prediction accuracy of the model in the combination of the corresponding user and context is equal to or higher than a predetermined threshold value (for example, 75%). In addition, in FIG. 1A, it is assumed that the prediction accuracy is also improved for the models replaced in steps S1-2 to S1-4.

このように、配信装置１００は、ユーザＵ１のコンテキストに関する情報として、ユーザＵ１に対応する各マスＭＳに割り当てられたモデルが変更されることにより、ユーザＵ１の各コンテキストにおける予測精度が向上したため、変更を維持する。なお、配信装置１００は、変更により予測精度が低下した場合、変更を解除して、元の状態に戻してもよい。なお、上記の例では、モデルの予測精度が所定の条件を満たさない場合を、ユーザ及びコンテキストの組み合わせにおけるモデルの予測精度が所定の閾値以上でない場合として説明したが、所定の条件は目的や用途に応じて適宜設定されてもよい。例えば、配信装置１００は、モデルの予測精度の全体の傾向に基づいて判定したり、ユーザごとの予測精度の履歴に基づいて判定したりしてもよい。例えば、所定の条件は、あるユーザにコンテキストごとに割り当てられたモデルのうち、全コンテキストの予測精度の平均から所定の範囲内である場合であってもよい。例えば、配信装置１００は、あるユーザにおいて、一のコンテキストの予測精度が全コンテキストの予測精度の平均から所定値以上乖離している場合、ユーザのコンテキストに関する情報、またはユーザのユーザ属性に関する情報を変更すると判定してもよい。例えば、配信装置１００は、よく行く場所と自宅に関するコンテキストの予測精度は高く（例えば、８０％以上）、オフィスに関するコンテキストの予測精度は低い（例えば、６０％未満）場合、ユーザのオフィス（勤務地）に関する情報を変更すると判定してもよい。また、所定の条件は、あるユーザにおける予測精度の時間経過に伴う変動が所定の範囲内である場合であってもよい。例えば、配信装置１００は、あるユーザにおいて、一のコンテキストの予測精度が、ある時点において高く（例えば、９０％以上）、その後の時点において低い（例えば、８０％未満）場合、ユーザのコンテキストに関する情報、またはユーザのユーザ属性に関する情報を変更すると判定してもよい。例えば、配信装置１００は、あるユーザにおいて、家に関するコンテキストの予測精度が、ある時点の予測精度（例えば、９０％）から、その後所定の閾値以上（例えば１０％以上）低下した予測精度（例えば、７５％）になった場合、ユーザが引っ越ししたと推定し、ユーザの家（自宅）に関する情報を変更すると判定してもよい。例えば、配信装置１００は、行動情報を別コンテキストで分割し直して、その場合の予測精度との差異で判定してもよい。例えば、配信装置１００は、クラスタ情報一覧ＭＬ１１−１等に基づく予測精度と、運動状態等に基づくコンテキストに応じて行動情報を分割してモデルを生成した場合の予測精度とを比較し、運動状態等に基づくモデルの予測精度よりもクラスタ情報一覧ＭＬ１１−１等に基づく予測精度が所定の閾値以上低い場合、ユーザのコンテキストに関する情報、またはユーザのユーザ属性に関する情報を変更すると判定してもよい。なお、上記は一例であり、配信装置１００は、どのような条件に基づいて、ユーザのコンテキストに関する情報、またはユーザのユーザ属性に関する情報を変更すると判定してもよい。 As described above, the distribution device 100 changes the model assigned to each mass MS corresponding to the user U1 as the information on the context of the user U1, thereby improving the prediction accuracy in each context of the user U1. To maintain. Note that the distribution device 100 may cancel the change and return to the original state when the prediction accuracy is lowered due to the change. In the above example, the case where the prediction accuracy of the model does not satisfy the predetermined condition has been described as the case where the prediction accuracy of the model in the combination of the user and the context is not equal to or higher than the predetermined threshold value. It may be appropriately set according to For example, the distribution apparatus 100 may make the determination based on the overall tendency of the prediction accuracy of the model or the history of the prediction accuracy for each user. For example, the predetermined condition may be a case where the model is assigned to a user for each context, and is within a predetermined range from the average of prediction accuracy of all contexts. For example, in a certain user, the distribution apparatus 100 changes the information about the context of the user or the information about the user attribute of the user when the prediction accuracy of one context deviates from the average of the prediction accuracy of all contexts by a predetermined value or more. Then, it may be determined. For example, when the distribution device 100 has a high prediction accuracy of the context about a place to go frequently and a home (for example, 80% or more) and a low prediction accuracy of the context about an office (for example, less than 60%), the distribution device 100 may be a user's office (workplace). ) May be determined to be changed. Further, the predetermined condition may be a case in which a variation in prediction accuracy of a certain user over time is within a predetermined range. For example, when the prediction accuracy of one context is high (for example, 90% or more) at a certain time and low (for example, less than 80%) at a subsequent time, the distribution device 100 provides information about the context of the user. Alternatively, it may be determined that the information regarding the user attribute of the user is changed. For example, in the distribution apparatus 100, in a certain user, the prediction accuracy of the context regarding the house is lower than the prediction accuracy at a certain point (for example, 90%) by a predetermined threshold value or more (for example, 10% or more) (for example, the prediction accuracy (for example, 10%)). 75%), it may be determined that the user has moved, and it may be determined to change the information regarding the user's house (home). For example, the distribution apparatus 100 may re-divide the behavior information in another context and make a determination based on the difference from the prediction accuracy in that case. For example, the distribution device 100 compares the prediction accuracy based on the cluster information list ML11-1 and the like with the prediction accuracy when the model is generated by dividing the behavior information according to the context based on the motion state or the like, and the motion state. When the prediction accuracy based on the cluster information list ML11-1 or the like is lower than the prediction accuracy of the model based on, etc. by a predetermined threshold value or more, it may be determined that the information about the context of the user or the information about the user attribute of the user is changed. Note that the above is an example, and the distribution apparatus 100 may determine to change the information about the context of the user or the information about the user attribute of the user based on what condition.

次に、図１の（Ｂ）に示す例を用いて、配信装置１００が、新規ユーザのコンテキストに関する情報、または新規ユーザのユーザ属性に関する情報を変更するかを判定する場合を示す。なお、ここでいう新規ユーザとは、モデル生成後に追加されたユーザや自身の行動情報が十分でないユーザであり、他のユーザに割り当てられたモデルが割り当てられるユーザを意味する。 Next, using the example shown in FIG. 1B, a case will be described in which the distribution apparatus 100 determines whether to change the information about the context of the new user or the information about the user attribute of the new user. The new user mentioned here means a user added after the model is generated or a user whose own behavior information is not sufficient, and a model assigned to another user is assigned.

図１の（Ｂ）中のクラスタ情報一覧ＭＬ１２−１は、一のユーザと一のコンテキストとが交差する領域であるマス（以下、「マスＭＳ」とする場合がある）にモデルＭ１〜Ｍ６等のうち、どのモデルが割り当てられたかを示す。 The cluster information list ML12-1 in (B) of FIG. 1 includes models M1 to M6, etc. in a cell (hereinafter, may be referred to as “cell MS”) that is an area where one user intersects with one context. Of these, it indicates which model was assigned.

図１の（Ｂ）中のクラスタ情報一覧ＭＬ１２−１は、図１の（Ａ）中のクラスタ情報一覧ＭＬ１１−１に新規ユーザＵ１０が追加されたクラスタ情報を示す。また、新規ユーザＵ１０は、自身の行動情報が十分でないユーザであり、ユーザ属性に関する情報である性別が「男」、年齢が「２０代」と登録されているものとする。 The cluster information list ML12-1 in FIG. 1B shows the cluster information in which the new user U10 is added to the cluster information list ML11-1 in FIG. Further, it is assumed that the new user U10 is a user whose own behavior information is not sufficient, and that the gender, which is the information regarding the user attributes, is “male” and the age is “20s”.

図１の（Ｂ）では、配信装置１００は、新規ユーザＵ１０の各コンテキストＣＴ１１〜ＣＴ１８に、新規ユーザＵ１０のユーザ属性に類似するユーザＵ１とユーザＵ４に割り当てられたモデルを割り当てる。例えば、配信装置１００は、新規ユーザＵ１０のコンテキストＣＴ１１に、ユーザＵ１のコンテキストＣＴ１１に割り当てられたモデルＭ１とユーザＵ３のコンテキストＣＴ１１に割り当てられたモデルＭ３とを合成したモデルＭ１−３を割り当てる。なお、モデルの合成についての詳細は後述する。また、例えば、配信装置１００は、新規ユーザＵ１０のコンテキストＣＴ１２に、ユーザＵ１のコンテキストＣＴ１２に割り当てられたモデルＭ２を割り当てる。このようにして、配信装置１００は、新規ユーザＵ１０の各コンテキストＣＴ１１〜ＣＴ１８にモデルを割り当てる。 In FIG. 1B, the distribution device 100 assigns the models assigned to the users U1 and U4 having similar user attributes to the new user U10 to the contexts CT11 to CT18 of the new user U10. For example, the distribution device 100 assigns to the context CT11 of the new user U10, a model M1-3 that is a combination of the model M1 assigned to the context CT11 of the user U1 and the model M3 assigned to the context CT11 of the user U3. Details of the model synthesis will be described later. Further, for example, the distribution device 100 allocates the model M2 allocated to the context CT12 of the user U1 to the context CT12 of the new user U10. In this way, the distribution device 100 allocates a model to each context CT11 to CT18 of the new user U10.

図１の（Ｂ）に示すように、クラスタ情報一覧ＭＬ１２−１では、ユーザＵ１０のコンテキストＣＴ１４における予測精度が低であるとする。すなわち、図１の（Ｂ）では、ユーザＵ１０のコンテキストＣＴ１４においてモデルＭ３−６を用いて、ユーザＵ１０にコンテンツを配信した場合に予測精度が低であることを示す。 As shown in FIG. 1B, in the cluster information list ML12-1, it is assumed that the prediction accuracy in the context CT14 of the user U10 is low. That is, FIG. 1B shows that the prediction accuracy is low when the content is distributed to the user U10 using the model M3-6 in the context CT14 of the user U10.

上述のように、ユーザＵ１０のコンテキストＣＴ１４に割り当てられたモデルＭ３−６の予測精度が低であるため、配信装置１００は、ユーザＵ１０のコンテキストに関する情報、またはユーザＵ１０のユーザ属性に関する情報を変更すると判定する。なお、図１の（Ｂ）では、配信装置１００は、ユーザＵ１０のユーザ属性に関する情報を変更すると判定する場合を示す。 As described above, since the prediction accuracy of the model M3-6 assigned to the context CT14 of the user U10 is low, the distribution device 100 changes the information about the context of the user U10 or the information about the user attribute of the user U10. judge. Note that FIG. 1B illustrates a case where the distribution apparatus 100 determines to change the information regarding the user attribute of the user U10.

図１の（Ｂ）では、上述した判定により、配信装置１００は、クラスタ情報一覧ＭＬ１２−１において、ユーザＵ１０のユーザ属性のうち、性別を「男」から「女」へ変更することにより、ユーザ属性の変更を行う（ステップＳ２）。これにより、新規ユーザＵ１０が類似するユーザが、ユーザＵ１及びユーザＵ４から、２０代女性であるユーザＵ２に変更される。そのため、配信装置１００は、新規ユーザＵ１０の各コンテキストＣＴ１１〜ＣＴ１８に、新規ユーザＵ１０のユーザ属性に類似するユーザＵ２に割り当てられたモデルを割り当てる。 In (B) of FIG. 1, the distribution apparatus 100 changes the gender of the user attribute of the user U10 from “male” to “female” in the cluster information list ML12-1 by the above-described determination. The attributes are changed (step S2). As a result, the users who are similar to the new user U10 are changed from the users U1 and U4 to the user U2 who is a female in their 20s. Therefore, the distribution device 100 assigns the models assigned to the user U2 having similar user attributes to the new user U10 to the contexts CT11 to CT18 of the new user U10.

ステップＳ２のユーザ属性変更により、図１の（Ｂ）中のクラスタ情報一覧ＭＬ１２−２に示すように、ユーザＵ１０に対応する各マスＭＳに割り当てられたモデルが変更される。具体的には、新規ユーザＵ１０のコンテキストＣＴ１２に割り当てられたモデルは、モデルＭ２からモデルＭ６に変更される。また、新規ユーザＵ１０のコンテキストＣＴ１４に割り当てられたモデルは、モデルＭ３−６からモデルＭ２に変更される。 By changing the user attribute in step S2, as shown in the cluster information list ML12-2 in FIG. 1B, the model assigned to each mass MS corresponding to the user U10 is changed. Specifically, the model assigned to the context CT12 of the new user U10 is changed from the model M2 to the model M6. The model assigned to the context CT14 of the new user U10 is changed from the model M3-6 to the model M2.

そして、図１の（Ｂ）では、ユーザＵ１０のコンテキストＣＴ１４においてモデルＭ２を用いて、ユーザＵ１０にコンテンツを配信した場合に予測精度が高であることを示す。なお、図１の（Ｂ）では、新規ユーザＵ１０における他のコンテキストに割り当てられたモデルについても予測精度が向上したものとする。 Then, FIG. 1B shows that the prediction accuracy is high when the content is distributed to the user U10 by using the model M2 in the context CT14 of the user U10. In addition, in FIG. 1B, it is assumed that the prediction accuracy is improved even for the model assigned to another context in the new user U10.

このように、配信装置１００は、新規ユーザＵ１０のユーザ属性の変更に応じて、ユーザＵ１０に対応する各マスＭＳに割り当てられたモデルが変更されることにより、ユーザＵ１０の各コンテキストにおける予測精度が向上したため、変更を維持する。なお、配信装置１００は、変更により予測精度が低下した場合、変更を解除して、元の状態に戻してもよい。 As described above, the distribution apparatus 100 changes the model assigned to each mass MS corresponding to the user U10 according to the change of the user attribute of the new user U10, and thus the prediction accuracy in each context of the user U10 is improved. Keep the changes because they improved. Note that the distribution device 100 may cancel the change and return to the original state when the prediction accuracy is lowered due to the change.

上述のように、配信装置１００は、ユーザに割り当てられたモデルの予測精度が所定の条件を満たさない場合、ユーザのコンテキストに関する情報、またはユーザのユーザ属性に関する情報を変更すると判定する。これにより、配信装置１００は、コンテキストに基づくモデルの予測精度によりユーザに関する情報を適切に変更可能にすることができる。また、配信装置１００は、各ユーザの家（自宅）やオフィス（勤務地）の信頼度に関するスコアを算出してもよい。例えば、配信装置１００は、家とオフィスを入れ替えた場合における入替え前後の予測精度に基づいて算出されたスコアに応じて、家（自宅）やオフィス（勤務地）の信頼度を判定してもよい。例えば、配信装置１００は、家とオフィスを入れ替える前の家に関するコンテキスト（例えば、コンテキストＣＴ１１、ＣＴ１３、ＣＴ１５、ＣＴ１７等）の予測精度の平均値を入替前スコアとして算出する。また、例えば、配信装置１００は、家とオフィスを入れ替えた後の家に関するコンテキストの予測精度の平均値を入替後スコアとして算出する。そして、配信装置１００は、入替前スコアを入替後スコアで除算した値を家（自宅）の信頼性に関する信頼スコアとして、自宅として設定された位置の信頼度を判定してもよい。この場合、信頼スコアは、入替前スコアが入替後スコアよりも大きい程、大きな値となる。すなわち、配信装置１００は、家とオフィスを入れ替える前の家に関するコンテキストの予測精度の方が高いことを示す。したがって、配信装置１００は、信頼スコアが大きい程、自宅として設定された位置の信頼度が高いと判定する。そのため、配信装置１００は、自宅の信頼スコアが所定の閾値以上である場合、自宅の位置の設定を維持し、自宅の信頼スコアが所定の閾値未満である場合、自宅の位置の設定を変更してもよい。例えば、配信装置１００は、自宅の位置とオフィスの位置を入れ替えてもよいし、自宅に位置を複数の候補から選択してもよい。なお、複数の候補から選択する場合についての詳細は後述する。 As described above, the distribution device 100 determines to change the information about the context of the user or the information about the user attribute of the user when the prediction accuracy of the model assigned to the user does not satisfy the predetermined condition. As a result, the distribution apparatus 100 can appropriately change the information about the user according to the prediction accuracy of the model based on the context. The distribution device 100 may also calculate a score regarding the reliability of the home (home) or office (work place) of each user. For example, the distribution apparatus 100 may determine the reliability of the house (home) or the office (work place) according to the score calculated based on the prediction accuracy before and after the replacement of the house and the office. . For example, the distribution apparatus 100 calculates the average value of the prediction accuracy of the context (for example, the contexts CT11, CT13, CT15, CT17, etc.) regarding the house before the house and the office are replaced as the pre-replacement score. Further, for example, the distribution device 100 calculates an average value of context prediction accuracy regarding the house after the house is replaced with the office as the post-replacement score. Then, the distribution apparatus 100 may determine the reliability of the position set as the home by using a value obtained by dividing the pre-replacement score by the post-replacement score as the confidence score regarding the reliability of the home (home). In this case, the confidence score becomes larger as the pre-replacement score is higher than the post-replacement score. That is, the distribution apparatus 100 indicates that the context prediction accuracy of the house before the house and the office are replaced is higher. Therefore, the distribution apparatus 100 determines that the higher the trust score, the higher the reliability of the position set as the home. Therefore, the distribution device 100 maintains the setting of the home position when the home confidence score is equal to or higher than a predetermined threshold, and changes the home position setting when the home confidence score is less than the predetermined threshold. May be. For example, the distribution apparatus 100 may switch the position of the home and the position of the office, or may select the position of the home from a plurality of candidates. The details of selecting from a plurality of candidates will be described later.

例えば、配信装置１００は、各ユーザのコンテキストに関する情報の信頼性、または各ユーザのユーザ属性に関する情報の信頼性に基づいて、コンテキストに関する情報、またはユーザ属性に関する情報を変更するユーザを判定してもよい。例えば、ユーザがクレジットカードの審査等を受けたユーザである場合、配信装置１００は、ユーザの年齢、性別、自宅、勤務地等に関する情報を信頼性が高いとして、変更の対象としなくてもよい。また、例えば、ユーザがユーザ情報の登録の際に初期表示される情報のまま、ユーザ情報の登録を行った場合、配信装置１００は、そのユーザについて登録された情報を信頼性が低いとして、優先した変更の対象としてもよい。例えば、ユーザがユーザ情報の登録の際に生年月日を初期表示される情報のまま登録を行った場合、配信装置１００は、そのユーザについて登録された年齢を信頼性が低いとして、優先した変更の対象としてもよい。 For example, the distribution apparatus 100 may determine the user who changes the information about the context or the information about the user attribute based on the reliability of the information about the context of each user or the reliability of the information about the user attribute of each user. Good. For example, when the user is a user who has undergone a credit card examination or the like, the distribution device 100 does not have to change the information regarding the user's age, gender, home, work location, etc., because it is highly reliable. . Further, for example, when the user registers the user information while keeping the information initially displayed at the time of registering the user information, the distribution device 100 determines that the information registered for the user has low reliability and gives priority. It may be a target of the change. For example, when the user registers the user information while keeping the date of birth initially displayed as the information, the distribution apparatus 100 gives priority to the registered age of the user as the reliability is low. May be the target of.

〔２−１．生成処理〕
ここから、図２を用いて、実施形態に係る生成処理の一例について説明する。図２は、実施形態に係る生成処理の一例を示す図である。図２に示す例において、配信装置１００は、所定の対象として、ユーザのコンテンツへの関心を予測するモデルを生成する。また、配信装置１００は、生成したモデルを用いてユーザにコンテンツを配信するサービスを提供するが、この点については図３で説明する。図２〜図４では、ユーザＵ１〜Ｕ４が各々端末装置１０−１〜１０−４を利用する場合を示す。なお、端末装置１０−１〜１０−４を区別せずに説明する場合、端末装置１０と総称する。 [2-1. Generation process]
From here, an example of the generation process according to the embodiment will be described with reference to FIG. 2. FIG. 2 is a diagram illustrating an example of the generation process according to the embodiment. In the example illustrated in FIG. 2, the distribution device 100 generates a model that predicts a user's interest in content as a predetermined target. The distribution device 100 also provides a service for distributing content to the user using the generated model, which will be described with reference to FIG. 2 to 4 show cases where the users U1 to U4 use the terminal devices 10-1 to 10-4, respectively. When the terminal devices 10-1 to 10-4 are described without distinction, they are collectively referred to as the terminal device 10.

図２に示すように、配信システム１には、端末装置１０と、配信装置１００とが含まれる。端末装置１０と、配信装置１００とは図示しない所定の通信網を介して、有線または無線により通信可能に接続される。なお、図２に示した配信システム１には、複数台の端末装置１０や、複数台の配信装置１００が含まれてもよい。 As shown in FIG. 2, the distribution system 1 includes a terminal device 10 and a distribution device 100. The terminal device 10 and the distribution device 100 are communicatively connected by wire or wirelessly via a predetermined communication network (not shown). The distribution system 1 illustrated in FIG. 2 may include a plurality of terminal devices 10 and a plurality of distribution devices 100.

端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。図２は、端末装置１０がスマートフォンである場合を示す。 The terminal device 10 is an information processing device used by a user. The terminal device 10 is realized by, for example, a smartphone, a tablet terminal, a notebook PC (Personal Computer), a desktop PC, a mobile phone, a PDA (Personal Digital Assistant), or the like. FIG. 2 shows a case where the terminal device 10 is a smartphone.

また、端末装置１０は、ユーザによる操作を受け付ける。図２に示す例において、端末装置１０は、所定のアプリ（例えば、ブラウザ等）に表示するコンテンツを配信装置１００へ要求する。なお、以下では、端末装置１０をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。 Further, the terminal device 10 receives an operation by the user. In the example illustrated in FIG. 2, the terminal device 10 requests the distribution device 100 for content to be displayed in a predetermined application (for example, a browser). In addition, below, the terminal device 10 may be described as a user. That is, in the following, the user can be read as the terminal device 10.

配信装置１００は、コンテキストに基づいて分割された行動情報である分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する情報処理装置である。また、配信装置１００は、モデルの予測精度に応じて、モデルに対応するユーザのコンテキストに関する情報、またはユーザのユーザ属性に関する情報を変更するかを判定する判定装置である。また、配信装置１００は、コンテンツの配信要求に応じてコンテンツを配信する配信サービスを提供する情報処理装置である。例えば、配信装置１００は、コンテンツの配信を要求した端末装置１０を利用するユーザに応じて、端末装置１０へコンテンツを配信する情報処理装置である。 The distribution device 100 is an information processing device that generates a model that predicts a predetermined target for each combination information in which division information that is behavior information divided based on a context is combined. Further, the distribution device 100 is a determination device that determines whether to change the information about the context of the user corresponding to the model or the information about the user attribute of the user according to the prediction accuracy of the model. The distribution device 100 is an information processing device that provides a distribution service that distributes content in response to a content distribution request. For example, the distribution device 100 is an information processing device that distributes content to the terminal device 10 according to a user who uses the terminal device 10 that has requested distribution of the content.

図２では、配信装置１００は、各ユーザにコンテンツを配信し、配信したコンテンツに対する各ユーザの行動の有無を示す行動情報を収集する。例えば、配信装置１００は、ユーザＵ１〜Ｕ４にコンテンツを配信し、配信したコンテンツに対する各ユーザの行動の有無を示す行動情報を収集する。例えば、配信装置１００は、行動情報として、ユーザに配信したコンテンツ（例えば、コンテンツＣＮ１１）に対するユーザの行動（例えば、コンテンツのクリック）の有無を示す情報を収集する。 In FIG. 2, the distribution device 100 distributes the content to each user, and collects behavior information indicating the presence or absence of the behavior of each user with respect to the distributed content. For example, the distribution device 100 distributes the content to the users U1 to U4, and collects behavior information indicating the presence or absence of the behavior of each user with respect to the distributed content. For example, the distribution device 100 collects, as the behavior information, information indicating the presence or absence of the user's behavior (for example, content click) on the content (for example, the content CN11) distributed to the user.

まず、配信装置１００は、ユーザＵ１が利用する端末装置１０−１にコンテンツを配信する（ステップＳ１１−１）。そして、配信装置１００は、配信したコンテンツに対するユーザＵ１の行動の有無を示す行動情報を端末装置１０−１から取得する（ステップＳ１２−１）。また、配信装置１００は、ユーザＵ２が利用する端末装置１０−２にコンテンツを配信する（ステップＳ１１−２）。そして、配信装置１００は、配信したコンテンツに対するユーザＵ２の行動の有無を示す行動情報を端末装置１０−２から取得する（ステップＳ１２−２）。また、配信装置１００は、ユーザＵ３が利用する端末装置１０−３にコンテンツを配信する（ステップＳ１１−３）。そして、配信装置１００は、配信したコンテンツに対するユーザＵ３の行動の有無を示す行動情報を端末装置１０−３から取得する（ステップＳ１２−３）。また、配信装置１００は、ユーザＵ４が利用する端末装置１０−４にコンテンツを配信する（ステップＳ１１−４）。そして、配信装置１００は、配信したコンテンツに対するユーザＵ４の行動の有無を示す行動情報を端末装置１０−４から取得する（ステップＳ１２−４）。 First, the distribution device 100 distributes the content to the terminal device 10-1 used by the user U1 (step S11-1). Then, the distribution device 100 acquires, from the terminal device 10-1, the behavior information indicating the presence / absence of the behavior of the user U1 with respect to the distributed content (step S12-1). Further, the distribution device 100 distributes the content to the terminal device 10-2 used by the user U2 (step S11-2). Then, the distribution device 100 acquires, from the terminal device 10-2, behavior information indicating the presence or absence of the behavior of the user U2 with respect to the distributed content (step S12-2). Further, the distribution device 100 distributes the content to the terminal device 10-3 used by the user U3 (step S11-3). Then, the distribution apparatus 100 acquires, from the terminal device 10-3, behavior information indicating the presence or absence of the behavior of the user U3 with respect to the distributed content (step S12-3). Further, the distribution device 100 distributes the content to the terminal device 10-4 used by the user U4 (step S11-4). Then, the distribution apparatus 100 acquires, from the terminal device 10-4, behavior information indicating the presence or absence of the behavior of the user U4 with respect to the distributed content (step S12-4).

なお、ステップＳ１１−１〜Ｓ１１−４は、処理を説明するためのものであり、ステップＳ１１−１〜Ｓ１１−４のいずれが先に行われてもよく、各ステップＳ１１−１〜Ｓ１１−４は、複数回行われてもよい。以下、ステップＳ１１−１〜Ｓ１１−４を区別せずに説明する場合、ステップＳ１１と総称する。また、ステップＳ１２−１〜Ｓ１２−４は、処理を説明するためのものであり、各々が対応するステップＳ１１よりも後であれば、ステップＳ１２−１〜Ｓ１２−４のいずれが先に行われてもよく、各ステップＳ１２−１〜Ｓ１２−４は、複数回行われてもよい。以下、ステップＳ１２−１〜Ｓ１２−４を区別せずに説明する場合、ステップＳ１２と総称する。例えば、各ステップＳ１１が行われる度にステップＳ１２を行って行動情報を取得してもよい。また、例えば、各ステップＳ１１が複数回行われて、所定のタイミングでステップＳ１２を行って、行動情報を取得してもよい。 Note that steps S11-1 to S11-4 are for explaining the process, and any one of steps S11-1 to S11-4 may be performed first, and each step S11-1 to S11-4. May be performed multiple times. Hereinafter, when the steps S11-1 to S11-4 will be described without making a distinction, they will be collectively referred to as step S11. Further, steps S12-1 to S12-4 are for explaining the processing, and if each is after the corresponding step S11, any of steps S12-1 to S12-4 is performed first. Alternatively, steps S12-1 to S12-4 may be performed multiple times. Hereinafter, when the steps S12-1 to S12-4 are described without making a distinction, they will be collectively referred to as step S12. For example, the action information may be acquired by performing step S12 each time step S11 is performed. Further, for example, each step S11 may be performed multiple times, and step S12 may be performed at a predetermined timing to acquire the action information.

そして、配信装置１００は、ステップＳ１１〜Ｓ１２において収集した各ユーザの行動に関する情報を分割する（ステップＳ１３）。具体的には、配信装置１００は、収集した各ユーザの行動情報をコンテキストに基づいて分割する。 Then, the distribution device 100 divides the information regarding the behavior of each user collected in steps S11 to S12 (step S13). Specifically, the distribution apparatus 100 divides the collected behavior information of each user based on the context.

ここで、コンテキストは、ユーザや端末装置１０の状況やユーザや端末装置１０の環境（背景）を意味する。例えば、コンテキストは、ユーザによって端末装置１０が使われている状況や、端末装置１０を所持するユーザが置かれている状態に対応する情報である。すなわち、図２〜図４におけるコンテキストは、ユーザＵ１〜Ｕ４の状況、例えばユーザＵ１〜Ｕ４がいる場所の環境に対応する。具体的には、図２〜図４におけるコンテキストは、各ユーザにコンテンツが配信（表示）された際のユーザＵ１〜Ｕ４の状況に対応する。例えば、コンテキストは、コンテンツを配信した時刻や端末装置１０から取得したユーザの位置情報に基づいて推定してもよい。なお、各コンテキストは、排他的であってもよいし、重複してもよい。 Here, the context means the situation of the user or the terminal device 10 or the environment (background) of the user or the terminal device 10. For example, the context is information corresponding to a situation in which the terminal device 10 is used by a user and a state in which a user who owns the terminal device 10 is placed. That is, the contexts in FIGS. 2 to 4 correspond to the situations of the users U1 to U4, for example, the environment where the users U1 to U4 are located. Specifically, the contexts in FIGS. 2 to 4 correspond to the situations of the users U1 to U4 when the content is distributed (displayed) to each user. For example, the context may be estimated based on the time when the content is distributed or the position information of the user acquired from the terminal device 10. Note that each context may be exclusive or may be duplicated.

また、図２〜図４では、説明を簡単にするため、時間帯と位置とに基づくコンテキストを示す。具体的には、図２〜図４の例におけるコンテキストは、朝（４〜１０時）、昼（１０〜１６時）、夜（１６〜２２時）、深夜（２２〜４時）の４つの時間帯と、家（自宅）またはオフィス（勤務地）の２つの位置とに基づく、８つのコンテキストＣＴ１１〜ＣＴ１８を示す。 Further, in FIGS. 2 to 4, a context based on a time zone and a position is shown to simplify the description. Specifically, the contexts in the examples of FIGS. 2 to 4 are four (morning (4 to 10)), day (10 to 16), night (16 to 22:00), and midnight (22 to 4). 8 shows eight contexts CT11 to CT18 based on a time zone and two positions of a home (home) or an office (work place).

ここで、図２中の分割情報記憶部１２３は、ステップＳ１３により各ユーザの行動情報がコンテキストごとに分割された状態を示す。分割情報記憶部１２３は、ユーザを行とし、コンテキストを列とした場合を示す。なお、分割情報記憶部１２３中の一のユーザと一のコンテキストとが交差する領域をマスとする。例えば、図２では、ユーザＵ４とコンテキストＣＴ１２とが交差する領域をマスＭＳ４２とする。なお、各マスの位置を区別せずに説明する場合は、マスＭＳとする場合がある。図２に示す各マスＭＳに含まれる情報は、ユーザに関する区分ごとのユーザの行動に関する行動情報がコンテキストに基づいて分割された分割情報である。また、分割情報記憶部１２３における行については、ユーザに限らずユーザに関する区分であれば、どのような粒度であってもよい。例えば、分割情報記憶部１２３における行は、ユーザに関する区分であるユーザ属性に基づく分類であってもよい。ここでいうユーザ属性に基づく分類とは、年齢、性別、興味等のユーザ属性に関する情報の類似性に基づく分類であってもよい。 Here, the division information storage unit 123 in FIG. 2 shows a state in which the behavior information of each user is divided for each context in step S13. The division information storage unit 123 shows the case where the user is a row and the context is a column. An area where one user and one context in the divided information storage unit 123 intersect is defined as a square. For example, in FIG. 2, a region where the user U4 and the context CT12 intersect is a mass MS42. In addition, when explaining without distinguishing the position of each cell, it may be referred to as cell MS. The information included in each cell MS shown in FIG. 2 is division information in which the behavior information regarding the behavior of the user for each division regarding the user is divided based on the context. Further, the rows in the division information storage unit 123 may be of any granularity as long as they are not limited to users but are categories related to users. For example, the rows in the division information storage unit 123 may be classified based on user attributes that are categories related to users. The classification based on the user attribute may be a classification based on the similarity of information regarding the user attributes such as age, sex, and interest.

例えば、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳ（左上のマスＭＳ）には、行動ＡＴ１１、ＡＴ１２、ＡＴ１３等の行動の有無を示す分割情報が含まれる。例えば、ユーザＵ４とコンテキストＣＴ１８とが交差する位置のマスＭＳ（右下のマスＭＳ）には、行動ＡＴ４８、ＡＴ１１等の行動の有無を示す分割情報が含まれる。 For example, the mass MS at the position where the user U1 and the context CT11 intersect (upper left mass MS) includes division information indicating whether or not there is a behavior AT11, AT12, AT13, or the like. For example, the mass MS at the position where the user U4 intersects with the context CT18 (the lower right mass MS) includes division information indicating the presence / absence of actions such as actions AT48 and AT11.

また、分割情報記憶部１２３中の各マスＭＳ中の行動ＡＴ１１等の右側に示す「○」は、ユーザが対応する行動を行ったことを示す。また、分割情報記憶部１２３中の各マスＭＳ中の行動ＡＴ１１等の右側に示す「×」は、ユーザが対応する行動を行わなかったことを示す。例えば、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳにおいて、行動ＡＴ１１は「○」であり、ユーザＵ１は、朝の家において行動ＡＴ１１を行ったことを示す。また、例えば、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳにおいて、行動ＡＴ１２は「×」であり、ユーザＵ１は、朝の家において行動ＡＴ１２を行わなかったことを示す。また、例えば、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳにおいて、行動ＡＴ１３は「○」であり、ユーザＵ１は、朝の家において行動ＡＴ１３を行ったことを示す。 Further, “◯” shown on the right side of the action AT11 or the like in each cell MS in the division information storage unit 123 indicates that the user has performed the corresponding action. Further, “x” shown on the right side of the action AT11 or the like in each cell MS in the division information storage unit 123 indicates that the user has not performed the corresponding action. For example, in the mass MS at the position where the user U1 and the context CT11 intersect, the action AT11 is “◯”, indicating that the user U1 has performed the action AT11 in the morning house. Further, for example, in the mass MS at the position where the user U1 and the context CT11 intersect, the action AT12 is “x”, indicating that the user U1 did not perform the action AT12 in the morning house. Further, for example, in the mass MS at the position where the user U1 and the context CT11 intersect, the action AT13 is “◯”, indicating that the user U1 has performed the action AT13 in the morning house.

そして、配信装置１００は、分割情報記憶部１２３中の各マスＭＳの分割情報を用いて、モデルを生成する（ステップＳ１４）。例えば、配信装置１００は、分割情報記憶部１２３中の各マスＭＳの分割情報をクラスタリングし、クラスタごとにモデルを生成する。例えば、配信装置１００は、ユーザのコンテンツへの関心を予測するモデルを生成する。 Then, the distribution apparatus 100 uses the division information of each mass MS in the division information storage unit 123 to generate a model (step S14). For example, the distribution apparatus 100 clusters the division information of each mass MS in the division information storage unit 123 and generates a model for each cluster. For example, the distribution device 100 generates a model that predicts the user's interest in the content.

例えば、配信装置１００は、クラスタ数を設定しないクラスタリング手法によりクラスタリングを行ってもよい。また、例えば、配信装置１００は、クラスタ数を設定するクラスタリング手法によりクラスタリングを行ってもよい。例えば、配信装置１００は、ｋ−ｍｅａｎｓ法やディリクレ過程を用いたロジスティック回帰の手法を用いて、各マスＭＳの分割情報をクラスタリングし、クラスタごとの分割情報を用いてモデルを生成する。図２では、配信装置１００は、ディリクレ過程を用いたロジスティック回帰の手法を用いて、各マスＭＳの分割情報をクラスタリングし、クラスタごとの分割情報を用いてモデルを生成するものとして、以下説明する。なお、クラスタリング手法の詳細については後述する。 For example, the distribution device 100 may perform clustering by a clustering method that does not set the number of clusters. Further, for example, the distribution device 100 may perform clustering by a clustering method that sets the number of clusters. For example, the distribution apparatus 100 clusters the division information of each mass MS using a method of logistic regression using the k-means method or the Dirichlet process, and generates a model using the division information for each cluster. In FIG. 2, the distribution device 100 clusters the division information of each mass MS using the method of logistic regression using the Dirichlet process, and generates a model using the division information for each cluster, which will be described below. . The details of the clustering method will be described later.

なお、配信装置１００は、所定量以上の分割情報を含むマスＭＳをステップＳ１４におけるモデル生成の対象としてもよい。例えば、配信装置１００は、分割情報が含まれないユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳやユーザＵ２のコンテキストＣＴ１１に対応するマスＭＳは、クラスタリングの対象としない。また、例えば、配信装置１００は、所定量（例えば２つ）未満の分割情報しか含まれないユーザＵ１のコンテキストＣＴ１３、ＣＴ１８に対応するマスＭＳは、クラスタリングの対象としなくてもよい。 Note that the distribution device 100 may set the mass MS including division information of a predetermined amount or more as the target of model generation in step S14. For example, in the distribution apparatus 100, the mass MS corresponding to the context CT17 of the user U4 and the mass MS corresponding to the context CT11 of the user U2, which do not include division information, are not targeted for clustering. Further, for example, in the distribution device 100, the mass MSs corresponding to the contexts CT13 and CT18 of the user U1 that include less than a predetermined amount (eg, two) of pieces of divided information may not be targets for clustering.

ステップＳ１４により、配信装置１００は、モデル情報ＭＤ１１を生成する。モデル情報ＭＤ１１には、クラスタ情報記憶部１２４に示すような各マスＭＳに含まれる分割情報のクラスタリングに関する情報が含まれる。また、モデル情報ＭＤ１１には、学習情報記憶部１２５に示すようなクラスタごとに生成されたモデルＭ１〜Ｍ６に関する情報が含まれる。 In step S14, the distribution device 100 generates model information MD11. The model information MD11 includes information about clustering of division information included in each mass MS as shown in the cluster information storage unit 124. Further, the model information MD11 includes information on the models M1 to M6 generated for each cluster as shown in the learning information storage unit 125.

図２では、配信装置１００は、分割情報記憶部１２３中の各マスＭＳの分割情報を６つのクラスタ（クラスタ情報記憶部１２４中のＭ１〜Ｍ６）に分類する。なお、クラスタ情報記憶部１２４中のＭ１〜Ｍ６は、各分割情報が属するクラスタを示すとともに、生成されるモデルを示す。また、クラスタ情報記憶部１２４中のマスＭＳにおいて、Ｍ１〜Ｍ６の符号が図示されていないマスＭＳについては、所定の手法により生成されたモデルが割り当てられるものとする。例えば、配信装置１００は、クラスタ情報記憶部１２４中のモデルが割り当てられていないマスＭＳには、他のマスＭＳに割り当てられたモデルに基づいて、モデルを割り当ててもよい。例えば、配信装置１００は、モデルが割り当てられていないユーザＵ４のコンテキストＣＴ１５に対応するマスＭＳには、同じ２０代男性のユーザＵ１のコンテキストＣＴ１５に対応するマスＭＳに割り当てられたモデルＭ４を割り当ててもよい。 In FIG. 2, the distribution device 100 classifies the division information of each mass MS in the division information storage unit 123 into six clusters (M1 to M6 in the cluster information storage unit 124). Note that M1 to M6 in the cluster information storage unit 124 indicate the cluster to which each piece of division information belongs, and also indicate the model to be generated. In addition, in the mass MS in the cluster information storage unit 124, a model generated by a predetermined method is assigned to the mass MS for which the symbols M1 to M6 are not shown. For example, the distribution device 100 may allocate a model to a mass MS to which a model in the cluster information storage unit 124 is not allocated, based on a model allocated to another mass MS. For example, the distribution apparatus 100 allocates the model M4 assigned to the mass MS corresponding to the context CT15 of the user U1 of the same male in his 20s to the mass MS corresponding to the context CT15 of the user U4 to which no model is assigned. Good.

また、例えば、配信装置１００は、モデルが割り当てられていないユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳには、同じ２０代のユーザＵ１やユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルに基づくモデルを割り当ててもよい。この場合、配信装置１００は、ユーザＵ１のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ２とユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ１とを合成したモデルを割り当ててもよい。例えば、配信装置１００は、ユーザＵ１のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ２の各素性の重みとユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ１の各素性の重みとを所定の割合で合成したモデルを割り当ててもよい。例えば、配信装置１００は、ユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳには、２０代男性のユーザＵ１のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ２の方の比率を大きくしたモデルを割り当ててもよい。例えば、配信装置１００は、ユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳには、モデルＭ１が０．３、モデルＭ２が０．７の比率で合成されたモデルＭ１−２を割り当ててもよい。すなわち、配信装置１００は、モデルＭ１の各素性の重みに０．３を乗算した重みと、モデルＭ２の各素性の重みに０．７を乗算した重みとを合算することにより生成したモデルＭ１−２を、ユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳに割り当ててもよい。 Further, for example, in the distribution apparatus 100, the model assigned to the mass MS corresponding to the context CT17 of the user U4 to which the model is not assigned is assigned to the mass MS corresponding to the context CT17 of the user U1 or the user U2 in their twenties. A model based on may be assigned. In this case, the distribution device 100 may allocate a model that is a combination of the model M2 assigned to the mass MS corresponding to the context CT17 of the user U1 and the model M1 assigned to the mass MS corresponding to the context CT17 of the user U2. Good. For example, the distribution device 100 uses the feature weights of the model M2 assigned to the mass MS corresponding to the context CT17 of the user U1 and the feature weights of the model M1 assigned to the mass MS corresponding to the context CT17 of the user U2. You may allocate the model which synthesize | combined with a predetermined ratio. For example, the distribution apparatus 100 allocates a model having a larger ratio of the model M2 allocated to the mass MS corresponding to the context CT17 of the user U1 who is a male 20s to the mass MS corresponding to the context CT17 of the user U4. May be. For example, the distribution device 100 may allocate the model M1-2, in which the model M1 is 0.3 and the model M2 is 0.7, to the mass MS corresponding to the context CT17 of the user U4. That is, the distribution device 100 generates a model M1-generated by adding the weight obtained by multiplying each feature weight of the model M1 by 0.3 and the weight obtained by multiplying each feature weight of the model M2 by 0.7. 2 may be assigned to the mass MS corresponding to the context CT17 of the user U4.

図２では、配信装置１００は、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１５に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳ、及びユーザＵ４のコンテキストＣＴ１３に対応するマスＭＳに含まれる分割情報を同じクラスタに分類する。また、配信装置１００は、上記４つのマスＭＳに含まれる分割情報を組み合わせた組合情報を用いて、モデルＭ１を生成したことを示す。また、学習情報記憶部１２５に示すように、モデルＭ１に関するモデル情報は、素性１の重みが「０．５」、素性２の重みが「−０．４」、素性３の重みが「０．２」等であることを示す。なお、素性は、配信装置１００の管理者等が設定してもよいし、モデル生成の処理において抽出されてもよい。例えば、素性は、「経済」や「スマホ」や「サッカー」等の文字列（キーワード）であってもよい。また、各モデルの素性は、同じであってもよいし、異なってもよい。 In FIG. 2, the distribution apparatus 100 corresponds to the mass MS corresponding to the context CT11 of the user U1, the mass MS corresponding to the context CT15 of the user U2, the mass MS corresponding to the context CT17 of the user U2, and the context CT13 of the user U4. The division information included in the mass MS to be classified is classified into the same cluster. In addition, the distribution apparatus 100 indicates that the model M1 is generated using the combination information that is obtained by combining the division information included in the four masses MS. Further, as shown in the learning information storage unit 125, the model information about the model M1 has a feature 1 weight of “0.5”, a feature 2 weight of “−0.4”, and a feature 3 weight of “0. 2 "and so on. The feature may be set by the administrator of the distribution apparatus 100, or may be extracted in the model generation process. For example, the feature may be a character string (keyword) such as “economy”, “smartphone”, or “soccer”. The features of each model may be the same or different.

また、配信装置１００は、ユーザＵ１のコンテキストＣＴ１２、ＣＴ１７に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１４に対応するマスＭＳ、及びユーザＵ３のコンテキストＣＴ１２に対応するマスＭＳに含まれる分割情報を同じクラスタに分類する。また、配信装置１００は、上記４つのマスＭＳに含まれる分割情報を組み合わせた組合情報を用いて、モデルＭ２を生成したことを示す。また、学習情報記憶部１２５に示すように、モデルＭ２に関するモデル情報は、素性１の重みが「−０．３」、素性２の重みが「２．１」、素性３の重みが「−０．２」等であることを示す。 In addition, the distribution device 100 uses the same cluster for the division information included in the mass MS corresponding to the contexts CT12 and CT17 of the user U1, the mass MS corresponding to the context CT14 of the user U2, and the mass MS corresponding to the context CT12 of the user U3. Classify into. In addition, the distribution apparatus 100 indicates that the model M2 is generated using the combination information that is obtained by combining the division information included in the four masses MS. Further, as shown in the learning information storage unit 125, the model information regarding the model M2 has a feature 1 weight of “−0.3”, a feature 2 weight of “2.1”, and a feature 3 weight of “−0”. .2 ”and so on.

このように、図２では、配信装置１００は、分割情報記憶部１２３中の各マスＭＳの分割情報を６つのクラスタ（組合情報）に分類し、各クラスタ（組合情報）に含まれる情報を用いてモデルＭ１〜Ｍ６を生成する。 As described above, in FIG. 2, the distribution device 100 classifies the division information of each mass MS in the division information storage unit 123 into six clusters (combination information) and uses the information included in each cluster (combination information). To generate models M1 to M6.

上述したように、配信装置１００は、コンテキストに基づいて各区分の行動情報を分割しても、区分間を跨ぐクラスタリングを行うことにより、各モデルの生成に用いられる情報量が不足することを抑制することができる。また、配信装置１００は、区分とコンテキストとに基づいて分割された情報をクラスタリングすることにより、各区分の各コンテキストに応じて適切なモデルを生成することができる。したがって、配信装置１００は、コンテキストに基づくモデルの予測精度によりユーザに関する情報を適切に変更可能にすることができる。 As described above, even if the distribution device 100 divides the action information of each segment based on the context, the distribution device 100 performs clustering across the segments, thereby suppressing a shortage of the amount of information used to generate each model. can do. In addition, the distribution device 100 can generate an appropriate model according to each context of each section by clustering the information divided based on the section and the context. Therefore, the distribution apparatus 100 can appropriately change the information about the user according to the prediction accuracy of the model based on the context.

なお、図２では、行動情報として、配信したコンテンツへのユーザの行動の有無に関する情報を用いる例を示したが、行動情報はユーザが行う行動であって、収集可能な情報であればどのような情報であってもよい。例えば、行動情報はユーザの電子商取引に関する情報であってもよいし、配信された広告に関する行動（例えば、クリックやコンバージョン等）であってもよい。また、位置は、家（自宅）やオフィス（勤務地）に限らず、通勤時の経由地やよく行く場所や移動中など種々の情報であってもよい。 Note that FIG. 2 shows an example in which the information regarding the presence / absence of the user's action on the distributed content is used as the action information, but the action information is the action performed by the user, and what kind of information can be collected? It may be any information. For example, the behavior information may be information regarding the user's electronic commerce, or may be behavior regarding the distributed advertisement (for example, click or conversion). Further, the position is not limited to the house (home) or the office (working place), and may be various information such as a way-through place for commuting, a frequently-going place or moving.

〔２−２−１．配信処理（変更前）〕
次に、図３を用いて、実施形態に係る配信処理の一例について説明する。図３は、実施形態に係るコンテキスト変更前の配信処理の一例を示す図である。図３は、ユーザがユーザＵ１である場合を示す。なお、図３では、配信装置１００がユーザＵ１のユーザ属性に関するユーザ情報を取得済みであり、行動履歴等のユーザ情報を取得済みである場合を例に説明する。 [2-2-1. Delivery process (before change)]
Next, an example of the distribution process according to the embodiment will be described with reference to FIG. FIG. 3 is a diagram illustrating an example of distribution processing before context change according to the embodiment. FIG. 3 shows a case where the user is the user U1. In addition, in FIG. 3, the case where the distribution apparatus 100 has already acquired the user information regarding the user attribute of the user U1 and has acquired the user information such as the action history will be described as an example.

まず、配信装置１００は、ユーザＵ１が利用する端末装置１０−１からコンテンツの配信要求を取得する（ステップＳ１５）。図３では、端末装置１０−１は、ステップＳ１５において、ユーザＵ１を識別する情報（例えば、ログインＩＤ等）や端末装置１０−１の場所を示す位置情報等を配信装置１００に送信する。なお、端末装置１０は、ＧＰＳ（Global Positioning System）センサ等により位置情報を取得する。図３では、ステップＳ１５は、時間が朝９時であり、端末装置１０−１の場所（位置）が位置ＬＣ１２−１である状況において行われたものとする。なお、位置を示す情報でありハイフン（“−”）が付された位置ＬＣ１２−１等は、位置ＬＣ１２から所定の範囲内の位置情報を意味する。また、位置ＬＣ１１−１、ＬＣ１１−２等（図７参照）は、位置ＬＣ１１から所定の範囲内の位置情報を意味する。すなわち、位置ＬＣ１２−１が、ユーザＵ１の位置情報を示す場合、ユーザＵ１は、位置ＬＣ１２にある勤務地にいるものと推定される。 First, the distribution device 100 acquires a content distribution request from the terminal device 10-1 used by the user U1 (step S15). In FIG. 3, in step S15, the terminal device 10-1 transmits information (for example, a login ID or the like) identifying the user U1 and position information indicating the location of the terminal device 10-1 to the distribution device 100. In addition, the terminal device 10 acquires position information by a GPS (Global Positioning System) sensor or the like. In FIG. 3, step S15 is assumed to be performed in a situation where the time is 9:00 am and the location (position) of the terminal device 10-1 is the location LC12-1. It should be noted that the position LC12-1 and the like, which is information indicating a position and is attached with a hyphen ("-"), means position information within a predetermined range from the position LC12. The positions LC11-1, LC11-2, etc. (see FIG. 7) mean position information within a predetermined range from the position LC11. That is, when the position LC12-1 indicates the position information of the user U1, it is estimated that the user U1 is at the work place at the position LC12.

端末装置１０−１からコンテンツの配信要求を取得した配信装置１００は、端末装置１０−１へ配信するコンテンツを決定するモデルを決定する（ステップＳ１６）。配信装置１００は、端末装置１０−１から取得したユーザＵ１を識別する情報により、配信要求元がユーザＵ１であると推定する。そして、配信装置１００は、ユーザ情報記憶部１２１に記憶されたユーザＵ１のユーザ情報と端末装置１０−１の位置ＬＣ１２−１とに基づいて、ユーザＵ１がいる場所を推定する。図３では、ユーザ情報記憶部１２１に示すようにユーザＵ１の勤務地が位置ＬＣ１２であり、端末装置１０−１の位置が位置ＬＣ１２−１であるため、配信装置１００は、ユーザＵ１がオフィス（勤務地）にいると推定する。 The distribution device 100, which has received the content distribution request from the terminal device 10-1, determines a model for determining the content to be distributed to the terminal device 10-1 (step S16). The distribution apparatus 100 estimates that the distribution request source is the user U1 based on the information identifying the user U1 acquired from the terminal device 10-1. Then, the distribution device 100 estimates the place where the user U1 is based on the user information of the user U1 stored in the user information storage unit 121 and the position LC12-1 of the terminal device 10-1. In FIG. 3, the work place of the user U1 is the position LC12 and the position of the terminal device 10-1 is the position LC12-1, as shown in the user information storage unit 121. Presumed to be in the workplace.

そして、配信装置１００は、ステップＳ１５において配信要求がされた時間が朝９時であるため、コンテキストを朝のオフィスに対応するコンテキストＣＴ１２と推定する。その後、配信装置１００は、学習情報記憶部１２５中のユーザＵ１及びコンテキストＣＴ１２に対応するマスＭＳに記憶されたモデルＭ２を示す情報に基づいて、配信するコンテンツの決定に用いるモデルをモデルＭ２に決定する。 Then, the distribution apparatus 100 estimates that the context is the context CT12 corresponding to the morning office, since the distribution request time in step S15 is 9:00 am. Then, the distribution apparatus 100 determines the model M2 to be used for determining the content to be distributed, based on the information indicating the model M2 stored in the mass MS corresponding to the user U1 and the context CT12 in the learning information storage unit 125. To do.

例えば、配信装置１００は、決定したモデルＭ２を用いて、コンテンツ情報記憶部１２６（図１１参照）に記憶された各コンテンツのスコアを算出する。具体的には、配信装置１００は、コンテンツ情報記憶部１２６に記憶された各コンテンツＣＮ１１（記事Ａ）〜コンテンツＣＮ１８（記事Ｈ）等のタイトルや記事本文等の文字情報や画像情報とモデルＭ２とを用いて、各コンテンツＣＮ１１〜ＣＮ１８等のスコアを算出する。図３では、配信装置１００は、コンテンツ一覧ＣＬ１１に示すような各コンテンツＣＮ１１〜ＣＮ１８等のスコアを算出する。例えば、配信装置１００は、記事ＡであるコンテンツＣＮ１１のスコアを「３．６」と算出する。また、例えば、配信装置１００は、記事ＢであるコンテンツＣＮ１２のスコアを「２．５」と算出する。 For example, the distribution device 100 uses the determined model M2 to calculate the score of each content stored in the content information storage unit 126 (see FIG. 11). Specifically, the distribution device 100 includes a title of each content CN11 (article A) to content CN18 (article H) stored in the content information storage unit 126, character information such as the text of an article, image information, and a model M2. Is used to calculate the scores of the contents CN11 to CN18 and the like. In FIG. 3, the distribution device 100 calculates the scores of the respective contents CN11 to CN18 as shown in the contents list CL11. For example, the distribution apparatus 100 calculates the score of the content CN11 that is the article A as “3.6”. Further, for example, the distribution device 100 calculates the score of the content CN12 that is the article B as “2.5”.

そして、配信装置１００は、コンテンツ一覧ＣＬ１１に示すスコアに基づいて各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する（ステップＳ１７）。図３では、配信装置１００は、コンテンツ一覧ＣＬ１１に示すスコアが高い方から順に各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する。具体的には、配信装置１００は、スコアの最も高いコンテンツＣＮ１５である記事Ｅの順位を１位に決定する。また、配信装置１００は、記事Ｅの次にスコアの高いコンテンツＣＮ１７である記事Ｇの順位を２位に決定する。これにより、配信装置１００は、順位一覧ＬＬ１１に示すように、順位１位が記事Ｅであり、順位２位が記事Ｇであり、順位３位が記事Ａであり、順位４位が記事Ｆであると決定する。 Then, the distribution device 100 determines the order of the contents CN11 to CN18 and the like based on the scores shown in the contents list CL11 (step S17). In FIG. 3, the distribution device 100 determines the order of the contents CN11 to CN18 and the like in order from the highest score shown in the content list CL11. Specifically, the distribution apparatus 100 determines that the rank of the article E, which is the content CN15 having the highest score, is first. Further, the distribution device 100 determines that the rank of the article G, which is the content CN17 having the next highest score after the article E, is second. As a result, in the distribution device 100, as shown in the ranking list LL11, the first rank is the article E, the second rank is the article G, the third rank is the article A, and the fourth rank is the article F. Determined to be.

その後、配信装置１００は、順位一覧ＬＬ１１に示すコンテンツを端末装置１０−１へ配信する（ステップＳ１８）。具体的には、記事Ｅ、記事Ｇ、記事Ａ、記事Ｆ、等の順で表示されるコンテンツを端末装置１０−１へ配信する。そして、順位一覧ＬＬ１１に示すコンテンツを受信した端末装置１０−１は、コンテンツを表示する（ステップＳ１９）。図３では、端末装置１０−１は、順位一覧ＬＬ１１に示すコンテンツのうち順位が上位のコンテンツである記事Ｅ、記事Ｇ、記事Ａ、記事Ｆを表示する。なお、端末装置１０−１を利用するユーザＵ１は、端末装置１０−１の画面にタッチしスクロール操作等を行うことにより、記事Ｆから下の記事Ｂ、記事Ｈ等を順次表示させる。なお、ユーザＵ１は、端末装置１０−１に表示された記事Ｅ、記事Ｇ、記事Ａ、記事Ｆを選択（クリック）しなかった、すなわち、ユーザＵ１のコンテキストＣＴ１２においてモデルＭ２を用いた予測精度が低いものとして、以下説明する。 After that, the distribution device 100 distributes the contents shown in the order list LL11 to the terminal device 10-1 (step S18). Specifically, the contents displayed in the order of article E, article G, article A, article F, etc. are delivered to the terminal device 10-1. Then, the terminal device 10-1 having received the content shown in the order list LL11 displays the content (step S19). In FIG. 3, the terminal device 10-1 displays the articles E, the articles G, the articles A, and the articles F, which are the content with the higher ranking among the contents shown in the ranking list LL11. The user U1 who uses the terminal device 10-1 touches the screen of the terminal device 10-1 and performs a scroll operation or the like to sequentially display the articles B, H, and the like below the article F. The user U1 did not select (click) the article E, the article G, the article A, and the article F displayed on the terminal device 10-1, that is, the prediction accuracy using the model M2 in the context CT12 of the user U1. Will be described below.

〔２−２−２．配信処理（変更後）〕
次に、図４を用いて、実施形態に係る配信処理の一例について説明する。図４は、実施形態に係るコンテキスト変更後の配信処理の一例を示す図である。具体的には、図４は、図３に示すクラスタ情報記憶部１２４からユーザＵ１の家とオフィスとを入れ替えることにより、コンテキストの変更を行い、クラスタ情報記憶部１２４−２に変更された場合を示す。図４は、クラスタ情報記憶部１２４−２は、図１中のクラスタ情報一覧ＭＬ１１−２に対応し、ユーザＵ１の各コンテキストＣＴ１１〜ＣＴ１８へのモデル割当てが変更された状態を示す。 [2-2-2. Delivery process (after change)]
Next, an example of the distribution process according to the embodiment will be described with reference to FIG. FIG. 4 is a diagram illustrating an example of distribution processing after context change according to the embodiment. Specifically, FIG. 4 illustrates a case where the context is changed by exchanging the home and the office of the user U1 from the cluster information storage unit 124 illustrated in FIG. 3 and the context is changed to the cluster information storage unit 124-2. Show. FIG. 4 shows a state in which the cluster information storage unit 124-2 corresponds to the cluster information list ML11-2 in FIG. 1 and the model allocation to the contexts CT11 to CT18 of the user U1 is changed.

図４中に示すモデル情報ＭＤ１２には、クラスタ情報記憶部１２４−２に示すような各マスＭＳに含まれる分割情報のクラスタリングに関する情報が含まれる。また、モデル情報ＭＤ１２には、学習情報記憶部１２５に示すようなクラスタごとに生成されたモデルＭ１〜Ｍ６に関する情報が含まれる。例えば、クラスタ情報記憶部１２４−２は、ユーザＵ１のコンテキストＣＴ１１に割り当てられたモデルＭ１とコンテキストＣＴ１２に割り当てられたモデルＭ２とを入れ替えられ、ユーザＵ１のコンテキストＣＴ１１にモデルＭ２が割り当てられ、コンテキストＣＴ１２にモデルＭ１が割り当てられる。 The model information MD12 illustrated in FIG. 4 includes information regarding clustering of division information included in each mass MS as illustrated in the cluster information storage unit 124-2. Further, the model information MD12 includes information about the models M1 to M6 generated for each cluster as shown in the learning information storage unit 125. For example, in the cluster information storage unit 124-2, the model M1 assigned to the context CT11 of the user U1 and the model M2 assigned to the context CT12 are replaced, the model M2 is assigned to the context CT11 of the user U1, and the context CT12. Is assigned the model M1.

まず、配信装置１００は、ユーザＵ１が利用する端末装置１０−１からコンテンツの配信要求を取得する（ステップＳ２１）。図４では、ステップＳ２１は、時間が朝９時であり、端末装置１０−１の場所（位置）が位置ＬＣ１２−２である状況において行われたものとする。 First, the distribution device 100 acquires a content distribution request from the terminal device 10-1 used by the user U1 (step S21). In FIG. 4, step S21 is assumed to be performed in a situation where the time is 9:00 am and the location (position) of the terminal device 10-1 is the location LC12-2.

端末装置１０−１からコンテンツの配信要求を取得した配信装置１００は、端末装置１０−１へ配信するコンテンツを決定するモデルを決定する（ステップＳ２２）。配信装置１００は、端末装置１０−１から取得したユーザＵ１を識別する情報により、配信要求元がユーザＵ１であると推定する。そして、配信装置１００は、ユーザ情報記憶部１２１に記憶されたユーザＵ１のユーザ情報と端末装置１０−１の位置ＬＣ１２−２とに基づいて、ユーザＵ１がいる場所を推定する。図４では、ユーザ情報記憶部１２１に示すようにユーザＵ１の勤務地が位置ＬＣ１２であり、端末装置１０−１の位置が位置ＬＣ１２−２であるため、配信装置１００は、ユーザＵ１がオフィス（勤務地）にいると推定する。 The distribution device 100, which has received the content distribution request from the terminal device 10-1, determines a model for determining the content to be distributed to the terminal device 10-1 (step S22). The distribution apparatus 100 estimates that the distribution request source is the user U1 based on the information identifying the user U1 acquired from the terminal device 10-1. Then, the distribution apparatus 100 estimates the place where the user U1 is based on the user information of the user U1 stored in the user information storage unit 121 and the position LC12-2 of the terminal device 10-1. In FIG. 4, the work place of the user U1 is the position LC12 and the position of the terminal device 10-1 is the position LC12-2 as shown in the user information storage unit 121. Presumed to be in the workplace.

そして、配信装置１００は、ステップＳ２１において配信要求がされた時間が朝９時であるため、コンテキストを朝のオフィスに対応するコンテキストＣＴ１２と推定する。その後、配信装置１００は、学習情報記憶部１２５中のユーザＵ１及びコンテキストＣＴ１２に対応するマスＭＳに記憶されたモデルＭ１を示す情報に基づいて、配信するコンテンツの決定に用いるモデルをモデルＭ１に決定する。 Then, the distribution apparatus 100 estimates that the context is the context CT12 corresponding to the morning office because the distribution request time in step S21 is 9:00 am. Then, the distribution apparatus 100 determines the model M1 to be used for determining the content to be distributed, based on the information indicating the model M1 stored in the mass MS corresponding to the user U1 and the context CT12 in the learning information storage unit 125. To do.

例えば、配信装置１００は、決定したモデルＭ１を用いて、コンテンツ情報記憶部１２６（図１１参照）に記憶された各コンテンツのスコアを算出する。具体的には、配信装置１００は、コンテンツ情報記憶部１２６に記憶された各コンテンツＣＮ１１（記事Ａ）〜コンテンツＣＮ１８（記事Ｈ）等のタイトルや記事本文等の文字情報や画像情報とモデルＭ１とを用いて、各コンテンツＣＮ１１〜ＣＮ１８等のスコアを算出する。図４では、配信装置１００は、コンテンツ一覧ＣＬ１２に示すような各コンテンツＣＮ１１〜ＣＮ１８等のスコアを算出する。例えば、配信装置１００は、記事ＡであるコンテンツＣＮ１１のスコアを「１．２」と算出する。また、例えば、配信装置１００は、記事ＢであるコンテンツＣＮ１２のスコアを「３．２」と算出する。 For example, the distribution apparatus 100 uses the determined model M1 to calculate the score of each content stored in the content information storage unit 126 (see FIG. 11). Specifically, the distribution device 100 includes the titles of the contents CN11 (article A) to the content CN18 (article H), the text information such as the article text, and the image information, and the model M1 stored in the content information storage unit 126. Is used to calculate the scores of the contents CN11 to CN18 and the like. In FIG. 4, the distribution device 100 calculates the scores of the respective contents CN11 to CN18 as shown in the contents list CL12. For example, the distribution apparatus 100 calculates the score of the content CN11 that is the article A as “1.2”. Further, for example, the distribution device 100 calculates the score of the content CN12 that is the article B as “3.2”.

そして、配信装置１００は、コンテンツ一覧ＣＬ１２に示すスコアに基づいて各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する（ステップＳ２３）。図４では、配信装置１００は、コンテンツ一覧ＣＬ１２に示すスコアが高い方から順に各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する。具体的には、配信装置１００は、スコアの最も高いコンテンツＣＮ１３である記事Ｃの順位を１位に決定する。また、配信装置１００は、記事Ｃの次にスコアの高いコンテンツＣＮ１８である記事Ｈの順位を２位に決定する。これにより、配信装置１００は、順位一覧ＬＬ１２に示すように、順位１位が記事Ｃであり、順位２位が記事Ｈであり、順位３位が記事Ｆであり、順位４位が記事Ｂであると決定する。 Then, the distribution device 100 determines the order of the contents CN11 to CN18 and the like based on the scores shown in the contents list CL12 (step S23). In FIG. 4, the distribution device 100 determines the order of the contents CN11 to CN18 and the like in order from the highest score shown in the contents list CL12. Specifically, the distribution device 100 determines that the rank of the article C, which is the content CN13 having the highest score, is first. In addition, the distribution device 100 determines that the rank of the article H, which is the content CN18 having the next highest score after the article C, is second. As a result, in the distribution device 100, as shown in the ranking list LL12, the first rank is the article C, the second rank is the article H, the third rank is the article F, and the fourth rank is the article B. Determined to be.

その後、配信装置１００は、順位一覧ＬＬ１２に示すコンテンツを端末装置１０−１へ配信する（ステップＳ２４）。具体的には、記事Ｃ、記事Ｈ、記事Ｆ、記事Ｂ等の順で表示されるコンテンツを端末装置１０−１へ配信する。そして、順位一覧ＬＬ１２に示すコンテンツを受信した端末装置１０−１は、コンテンツを表示する（ステップＳ２５）。図４では、端末装置１０−１は、順位一覧ＬＬ１２に示すコンテンツのうち順位が上位のコンテンツである記事Ｃ、記事Ｈ、記事Ｆ、記事Ｂを表示する。そして、ユーザＵ１は、予測精度の高いモデルＭ１に基づいて配信された記事Ｃを選択（クリック）する（ステップＳ２６）。 After that, the distribution device 100 distributes the contents shown in the order list LL12 to the terminal device 10-1 (step S24). Specifically, the contents displayed in the order of article C, article H, article F, article B, etc. are delivered to the terminal device 10-1. Then, the terminal device 10-1 that has received the content shown in the order list LL12 displays the content (step S25). In FIG. 4, the terminal device 10-1 displays an article C, an article H, an article F, and an article B, which are higher-ranked contents among the contents shown in the rank list LL12. Then, the user U1 selects (clicks) the article C distributed based on the model M1 having high prediction accuracy (step S26).

上述したように、配信装置１００は、配信要求を取得した際のコンテキストに応じて、モデルを決定する。そして、配信装置１００は、決定したモデルを用いて算出したコンテンツのスコアに基づいて、コンテンツの順位を決定する。これにより、配信装置１００は、ユーザと配信要求時のコンテキストとに応じて適切なコンテンツを配信することができる。したがって、配信装置１００は、適切なコンテンツを抽出することができる。なお、上記の例では、配信装置１００がユーザのコンテキストに基づいて選択したモデルを用いて各コンテンツのスコアを算出し、算出した各コンテンツのスコアが高い方から順に順位付けを行う場合を示した。このように、上述した例では、配信装置１００は、ユーザが対応するコンテキストにおいて、各コンテンツを閲覧する可能性を連続的な数値（スコア）として算出するモデルを用いる場合を示した。すなわち、上記例では、配信装置１００がユーザのコンテキストに基づいて選択したモデルを用いて算出した各コンテンツのスコアが高い程、そのコンテンツが閲覧される可能性が高いと予測する場合を示したが、配信装置１００は、選択したモデルを用いてどのような予測を行ってもよい。 As described above, the distribution device 100 determines the model according to the context when the distribution request is acquired. Then, the distribution device 100 determines the ranking of the content based on the score of the content calculated using the determined model. As a result, the distribution device 100 can distribute appropriate content according to the user and the context at the time of the distribution request. Therefore, the distribution device 100 can extract appropriate content. In the above example, the distribution apparatus 100 calculates the score of each content using the model selected based on the context of the user, and ranks the calculated content in order from the highest score. . As described above, in the above-described example, the distribution apparatus 100 uses the model that calculates the possibility of browsing each content as a continuous numerical value (score) in the context corresponding to the user. That is, in the above example, the case where the distribution apparatus 100 predicts that the higher the score of each content calculated using the model selected based on the context of the user is, the higher the possibility that the content will be viewed is shown. The distribution apparatus 100 may make any prediction using the selected model.

例えば、配信装置１００は、所定の閾値以上のスコアのコンテンツをユーザが閲覧すると予測し、所定の閾値未満のスコアのコンテンツをユーザが閲覧しないと予測してもよい。このように、配信装置１００は、コンテキストに基づいて選択したモデルを用いて算出した各コンテンツのスコアにより、ユーザがコンテンツの閲覧をする（例えば、値「１」）かしない（例えば、値「０」）かの２値の予測を行ってもよい。なお、配信装置１００は、２値の予測に限らず、連続値や離散値を予測するモデルを生成し、生成したモデルに基づいて、連続値や離散値を予測してもよい。例えば、配信装置１００は、値が「０」及び「１」の２値に限らず、３値以上の値を取り扱う、いわゆるマルチラベル問題に対応する予測を行ってもよい。例えば、配信装置１００は、ユーザのコンテンツの閲覧の有無の２段階ではなく、３以上の段階のいずれの段階にユーザがあるかを予測してもよい。例えば、配信装置１００は、複数の閾値を用いて、コンテンツをユーザが閲覧する可能性がいずれの段階であるかを予測してもよい。具体的には、予測装置１００は、第１の閾値と、第１の閾値よりも小さい第２の閾値を用いて、スコアが第１の閾値以上の場合、コンテンツをユーザが閲覧する可能性が高いと判定し、スコアが第１の閾値未満であり第２の閾値以上の場合、コンテンツをユーザが閲覧する可能性が中程度であると判定し、スコアが第２の閾値未満の場合、コンテンツをユーザが閲覧する可能性が低いと予測してもよい。また、例えば、配信装置１００は、反応回数を予測したり、所定の対象のスコアを予測したりするモデルを生成し、生成したモデルに基づいて予測を行ってもよい。すなわち、配信装置１００がユーザのコンテキストに基づいて選択したモデルを用いて、どのような予測を行ってもよい。また、配信装置１００は、上述のように予測を行う対象に応じてモデルを生成してもよい。なお、本実施形態においては、配信装置１００がモデルの生成や変更を行う場合を例に示したが、配信装置１００は、モデルを用いたコンテンツの配信結果に基づいて、ユーザのコンテキストに関する情報、またはユーザのユーザ属性に関する情報の変更を行うかの判定を行ってもよい。この場合、例えば、配信装置１００とは他の外部装置がモデルの生成や変更を行ってもよい。例えば、配信装置１００は、判定結果を他の外部装置へ送信し、配信装置１００から判定結果を取得した他の外部装置がユーザのコンテキストに関する情報、またはユーザのユーザ属性に関する情報の変更を行い、モデルを生成してもよい。また、配信装置１００は、ユーザのコンテキストに関する情報、またはユーザのユーザ属性に関する情報の変更を行うかの判定のみを行う判定装置であってもよい。この場合、配信装置１００とは他の外部装置が、変更されたユーザのコンテキストに関する情報や変更されたユーザのユーザ属性に関する情報に基づいて生成されたモデルを用いてコンテンツの配信を行ってもよい。すなわち、配信システム１は、どのような装置構成であってもよい。 For example, the distribution apparatus 100 may predict that the user will browse content having a score equal to or higher than a predetermined threshold, and predict that the user will not browse content having a score lower than the predetermined threshold. As described above, in the distribution apparatus 100, the user may browse the content (for example, the value “1”) or not (for example, the value “0” based on the score of each content calculated using the model selected based on the context). )) Or binary prediction may be performed. It should be noted that the distribution device 100 may generate a model that predicts continuous values or discrete values without being limited to binary prediction, and may predict continuous values or discrete values based on the generated model. For example, the distribution apparatus 100 may make a prediction corresponding to a so-called multi-label problem in which the value is not limited to the binary value of “0” and “1” but a value of three or more values. For example, the distribution apparatus 100 may predict which of the three or more stages the user has, instead of the two stages of whether or not the user browses the content. For example, the distribution apparatus 100 may use a plurality of thresholds to predict at which stage the content may be viewed by the user. Specifically, the prediction device 100 uses the first threshold value and the second threshold value smaller than the first threshold value, and when the score is equal to or higher than the first threshold value, the user may browse the content. If the score is less than the first threshold and equal to or more than the second threshold, it is determined that the content is less likely to be browsed by the user, and if the score is less than the second threshold, the content is May be predicted to be unlikely to be viewed by the user. Further, for example, the distribution device 100 may generate a model that predicts the number of reactions or predicts the score of a predetermined target, and may perform the prediction based on the generated model. That is, any prediction may be performed using the model selected by the distribution device 100 based on the context of the user. In addition, the distribution apparatus 100 may generate a model according to the target to be predicted as described above. Note that, in the present embodiment, the case where the distribution apparatus 100 generates and changes the model has been described as an example. However, the distribution apparatus 100, based on the distribution result of the content using the model, the information about the context of the user, Alternatively, it may be determined whether to change the information regarding the user attribute of the user. In this case, for example, an external device other than the distribution device 100 may generate or change the model. For example, the distribution device 100 transmits the determination result to another external device, and the other external device that has acquired the determination result from the distribution device 100 changes the information about the context of the user or the information about the user attribute of the user, A model may be generated. Further, the distribution device 100 may be a determination device that only determines whether to change the information about the context of the user or the information about the user attribute of the user. In this case, an external device other than the distribution device 100 may distribute the content using a model generated based on the information about the changed user context and the information about the changed user attribute of the user. . That is, the distribution system 1 may have any device configuration.

〔３．配信装置の構成〕
次に、図５を用いて、実施形態に係る配信装置１００の構成について説明する。図５は、実施形態に係る配信装置の構成例を示す図である。図５に示すように、配信装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、配信装置１００は、配信装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。 [3. Configuration of distribution device]
Next, the configuration of the distribution device 100 according to the embodiment will be described with reference to FIG. FIG. 5 is a diagram illustrating a configuration example of the distribution device according to the embodiment. As illustrated in FIG. 5, the distribution device 100 includes a communication unit 110, a storage unit 120, and a control unit 130. The distribution apparatus 100 has an input unit (for example, a keyboard or a mouse) that receives various operations from the administrator of the distribution apparatus 100, and a display unit (for example, a liquid crystal display) for displaying various information. May be.

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、端末装置１０との間で情報の送受信を行う。 (Communication unit 110)
The communication unit 110 is realized by, for example, a NIC (Network Interface Card) or the like. The communication unit 110 is connected to the network by wire or wirelessly, and transmits / receives information to / from the terminal device 10.

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部１２０は、図５に示すように、ユーザ情報記憶部１２１と、行動情報記憶部１２２と、分割情報記憶部１２３と、クラスタ情報記憶部１２４と、学習情報記憶部１２５と、コンテンツ情報記憶部１２６とを有する。 (Storage unit 120)
The storage unit 120 is realized by, for example, a semiconductor memory device such as a RAM (Random Access Memory) or a flash memory (Flash Memory), or a storage device such as a hard disk or an optical disk. As shown in FIG. 5, the storage unit 120 according to the embodiment includes a user information storage unit 121, a behavior information storage unit 122, a division information storage unit 123, a cluster information storage unit 124, and a learning information storage unit 125. , And a content information storage unit 126.

（ユーザ情報記憶部１２１）
実施形態に係るユーザ情報記憶部１２１は、ユーザに関する各種情報を記憶する。例えば、ユーザ情報記憶部１２１は、ユーザ属性に関する各種情報を記憶する。図６は、実施形態に係るユーザ情報記憶部の一例を示す図である。図６に示すユーザ情報記憶部１２１は、「ユーザＩＤ」、「年齢」、「性別」、「自宅」、「勤務地」、「興味」といった項目が含まれる。 (User information storage unit 121)
The user information storage unit 121 according to the embodiment stores various kinds of information regarding the user. For example, the user information storage unit 121 stores various information regarding user attributes. FIG. 6 is a diagram illustrating an example of the user information storage unit according to the embodiment. The user information storage unit 121 shown in FIG. 6 includes items such as “user ID”, “age”, “sex”, “home”, “work place”, and “interest”.

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図２の例に示したユーザＵ１に対応する。また、「年齢」は、ユーザＩＤにより識別されるユーザの年齢を示す。なお、「年齢」は、例えば３５歳など、ユーザＩＤにより識別されるユーザの具体的な年齢であってもよい。また、「性別」は、ユーザＩＤにより識別されるユーザの性別を示す。 “User ID” indicates identification information for identifying a user. For example, the user identified by the user ID “U1” corresponds to the user U1 shown in the example of FIG. The "age" indicates the age of the user identified by the user ID. The “age” may be a specific age of the user identified by the user ID, such as 35 years old. Further, “sex” indicates the sex of the user identified by the user ID.

また、「自宅」は、ユーザＩＤにより識別されるユーザの自宅の位置情報を示す。なお、図６に示す例では、「自宅」は、「ＬＣ１１」といった抽象的な符号を図示するが、緯度や経度を示す情報であってもよい。また、例えば、「自宅」は、地域名や住所であってもよい。 Further, "home" indicates the position information of the home of the user identified by the user ID. In the example shown in FIG. 6, “home” is an abstract code such as “LC11”, but it may be information indicating latitude and longitude. Further, for example, “home” may be a region name or an address.

また、「勤務地」は、ユーザＩＤにより識別されるユーザの勤務地の位置情報を示す。なお、図６に示す例では、「勤務地」は、「ＬＣ１２」といった抽象的な符号を図示するが、緯度や経度を示す情報であってもよい。また、例えば、「勤務地」は、地域名や住所であってもよい。 Further, "work location" indicates position information of the work location of the user identified by the user ID. Note that, in the example shown in FIG. 6, the “work place” shows an abstract code such as “LC12”, but it may be information indicating latitude and longitude. Further, for example, the “work place” may be a region name or an address.

また、「興味」は、ユーザＩＤにより識別されるユーザの興味を示す。すなわち、「興味」は、ユーザＩＤにより識別されるユーザが関心の高い対象を示す。なお、図６に示す例では、「興味」は、各ユーザに１つずつ図示するが、複数であってもよい。 The "interest" indicates the interest of the user identified by the user ID. That is, “interest” indicates a target of high interest to the user identified by the user ID. In the example shown in FIG. 6, the “interest” is shown one for each user, but it may be plural.

例えば、図６に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの年齢は、「２０代」であり、性別は、「男性」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、自宅が「ＬＣ１１」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、勤務地が「ＬＣ１２」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、「スポーツ」に興味があることを示す。 For example, in the example illustrated in FIG. 6, the age of the user identified by the user ID “U1” is “20s” and the gender is “male”. Further, for example, the user identified by the user ID “U1” indicates that his home is “LC11”. Further, for example, the user identified by the user ID “U1” indicates that the work place is “LC12”. Further, for example, the user identified by the user ID “U1” indicates that the user is interested in “sports”.

なお、ユーザ情報記憶部１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、ユーザ情報記憶部１２１は、氏名、家族構成、収入等の情報を記憶してもよい。 The user information storage unit 121 is not limited to the above, and may store various information according to the purpose. For example, the user information storage unit 121 may store information such as name, family structure, and income.

（行動情報記憶部１２２）
実施形態に係る行動情報記憶部１２２は、ユーザの行動に関する各種情報を記憶する。図７は、実施形態に係る行動情報記憶部の一例を示す図である。例えば、行動情報記憶部１２２は、各ユーザの端末装置１０に配信したコンテンツに対するユーザの行動情報を記憶する。図７に示す行動情報記憶部１２２には、「ユーザＩＤ」、「行動」、「状況」といった項目が含まれる。また、「行動」には、「行動内容」、「有無」といった項目が含まれる。また、「状況」には、「時刻」、「位置」といった項目が含まれる。 (Behavior information storage unit 122)
The behavior information storage unit 122 according to the embodiment stores various information regarding the behavior of the user. FIG. 7 is a diagram illustrating an example of the behavior information storage unit according to the embodiment. For example, the behavior information storage unit 122 stores the behavior information of the user for the content distributed to the terminal device 10 of each user. The action information storage unit 122 illustrated in FIG. 7 includes items such as “user ID”, “action”, and “situation”. The "action" includes items such as "action content" and "presence / absence". Further, the “status” includes items such as “time” and “position”.

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図２の例に示したユーザＵ１に対応する。また、「行動」は、対応するユーザの行動に関する情報を示す。また、「状況」は、対応するユーザの状況に関する情報を示す。 “User ID” indicates identification information for identifying a user. For example, the user identified by the user ID “U1” corresponds to the user U1 shown in the example of FIG. In addition, “action” indicates information regarding the action of the corresponding user. The “status” indicates information about the status of the corresponding user.

「行動内容」は、各行動を識別するための識別情報を示す。例えば、行動内容「ＡＴ１１」により識別される行動（行動ＡＴ１１）は、ユーザに配信したコンテンツ（例えば、コンテンツＣＮ１１）に対するユーザの行動（例えば、コンテンツのクリック）に対応する。なお、「行動内容」は、識別情報に限らず、具体的な行動内容が記憶されてもよい。また、「有無」は、対応する行動内容の有無を示す。「有無」が「１」の場合、ユーザが対応する行動を行ったことを示す。また、「有無」が「０」の場合、ユーザが対応する行動を行わなかったことを示す。 “Action content” indicates identification information for identifying each action. For example, the action identified by the action content “AT11” (action AT11) corresponds to the user's action (eg, content click) on the content (eg, content CN11) distributed to the user. The “action content” is not limited to the identification information, and specific action content may be stored. Further, “presence / absence” indicates the presence / absence of corresponding action content. When "presence or absence" is "1", it indicates that the user has performed the corresponding action. Further, when “presence / absence” is “0”, it indicates that the user did not perform the corresponding action.

「時刻」は、各行動に関する時刻を示す。時刻「ＴＭ１１」は、行動ＡＴ１１に関する時刻を示す。例えば、時刻「ＴＭ１１」は、ユーザにコンテンツ（例えば、コンテンツＣＮ１１）が配信された時刻であってもよい。また、例えば、時刻「ＴＭ１１」は、ユーザに配信したコンテンツ（例えば、コンテンツＣＮ１１）をユーザがクリックした時刻であってもよい。有無「０」である行動内容「ＡＴ１２」により識別される行動（行動ＡＴ１２）に関する時刻「ＴＭ１２」は、例えば、ユーザにコンテンツが配信された時刻であってもよい。また、例えば、時刻「ＴＭ１２」は、ユーザにコンテンツが配信されてからクリックされずに所定の時間が経過した後の時刻であってもよい。 “Time” indicates the time regarding each action. The time “TM11” indicates the time regarding the behavior AT11. For example, the time “TM11” may be the time when the content (for example, the content CN11) is distributed to the user. Further, for example, the time “TM11” may be the time when the user clicks the content (for example, the content CN11) distributed to the user. The time “TM12” related to the action (action AT12) identified by the action content “AT12” having the presence / absence “0” may be, for example, the time when the content is distributed to the user. Further, for example, the time “TM12” may be a time after a predetermined time elapses without being clicked after the content is delivered to the user.

また、「位置」は、各行動に関する位置を示す。位置「ＬＣ１１−１」は、行動ＡＴ１１に関する位置を示す。例えば、位置「ＬＣ１１−１」は、ユーザがコンテンツの配信を要求したときの位置情報であってもよい。また、例えば、位置「ＬＣ１１−１」は、ユーザが配信されたコンテンツをクリックしたときの位置情報であってもよい。 In addition, “position” indicates a position regarding each action. The position “LC11-1” indicates the position regarding the behavior AT11. For example, the position “LC11-1” may be position information when the user requests distribution of content. Further, for example, the position “LC11-1” may be position information when the user clicks the distributed content.

例えば、図７に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザは、行動内容「ＡＴ１３」により識別される行動（行動ＡＴ１３）が有無「１」であり、行動ＡＴ１３を行ったことを示す。また、ユーザＩＤ「Ｕ１」により識別されるユーザは、行動ＡＴ１３に関する時刻が時刻「ＴＭ１３」であり、位置が位置「ＬＣ１１−３」であることを示す。 For example, in the example shown in FIG. 7, the user identified by the user ID “U1” is the presence or absence “1” of the action (action AT13) identified by the action content “AT13”, and the action AT13 is performed. Show. The user identified by the user ID “U1” indicates that the time relating to the behavior AT13 is time “TM13” and the position is position “LC11-3”.

なお、行動情報記憶部１２２は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、行動情報記憶部１２２は、コンテンツが配信されてから、ユーザが行動するまでの時間に関する情報を記憶してもよい。また、図７では、ユーザＩＤごとに行動情報が行動情報記憶部１２２に記憶される場合を示したが、行動情報は、ユーザＩＤごとに限らず、例えば時刻順に記憶されてもよい。 The action information storage unit 122 is not limited to the above, and may store various information according to the purpose. For example, the behavior information storage unit 122 may store information regarding the time from the distribution of the content to the behavior of the user. Further, although FIG. 7 shows the case where the behavior information is stored in the behavior information storage unit 122 for each user ID, the behavior information is not limited to each user ID, and may be stored, for example, in order of time.

（分割情報記憶部１２３）
実施形態に係る分割情報記憶部１２３は、分割情報に関する各種情報を記憶する。図８は、実施形態に係る分割情報記憶部の一例を示す図である。図８に示す分割情報記憶部１２３は、「区分」と「コンテキスト」に基づいて分割された行動情報が記憶される。具体的には、ユーザの「区分」ごとに、各「コンテキスト」に対応する行動情報が記憶される。例えば、分割情報記憶部１２３に記憶される情報は、行動情報記憶部１２２に記憶された行動情報から生成される。 (Division information storage unit 123)
The division information storage unit 123 according to the embodiment stores various information regarding division information. FIG. 8 is a diagram illustrating an example of the division information storage unit according to the embodiment. The division information storage unit 123 illustrated in FIG. 8 stores the behavior information divided based on “category” and “context”. Specifically, the action information corresponding to each “context” is stored for each “category” of the user. For example, the information stored in the division information storage unit 123 is generated from the behavior information stored in the behavior information storage unit 122.

「区分」は、ユーザに関する区分を示す。図８では、ユーザＵ１〜Ｕ４、すなわち各ユーザが区分である場合を示す。なお、「区分」は、各ユーザに限らず抽象化されたユーザ分類等であってもよいが、この点については後述する。また、「コンテキスト」は、コンテキストを示す。図８では、説明を簡単にするため、時間帯と位置とに基づくコンテキストを示す。具体的には、「コンテキスト」は、朝（４〜１０時）、昼（１０〜１６時）、夜（１６〜２２時）、深夜（２２〜４時）の４つの時間帯と、家（自宅）またはオフィス（勤務地）の２つの位置とに基づく、８つのコンテキストＣＴ１１〜ＣＴ１８を示す。なお、図８に示す各マス中の「ＡＴ１１」等の行動内容の右側に示す「○」は、有無の「１」に対応し、「×」は、有無の「０」に対応する。すなわち、「○」の場合、ユーザが対応する行動を行ったことを示す。また、「×」の場合、ユーザが対応する行動を行わなかったことを示す。 The “category” indicates a category regarding the user. FIG. 8 shows a case where users U1 to U4, that is, each user is a category. The “classification” is not limited to each user but may be an abstracted user classification or the like, which will be described later. In addition, “context” indicates a context. In FIG. 8, a context based on a time zone and a position is shown for simplification of description. Specifically, "context" includes four time zones of morning (4 to 10 o'clock), daytime (10 to 16 o'clock), night (16 to 22:00), and midnight (22 to 4 o'clock), and a house ( 8 shows eight contexts CT11-CT18 based on two positions, home or office. In addition, “◯” shown on the right side of the action content such as “AT11” in each square shown in FIG. 8 corresponds to the presence or absence of “1”, and “x” corresponds to the presence or absence of “0”. That is, “◯” indicates that the user has performed the corresponding action. Further, "x" indicates that the user did not perform the corresponding action.

例えば、図８に示す例において、ユーザＵ１は、コンテキストＣＴ１１において、行動ＡＴ１１が「○」であり、時間帯「朝」に家（自宅）で行動ＡＴ１１を行ったことを示す。また、ユーザＵ１は、コンテキストＣＴ１２において、行動ＡＴ１１が「×」であり、時間帯「朝」にオフィス（勤務地）で行動ＡＴ１１を行わなかったことを示す。 For example, in the example illustrated in FIG. 8, the user U1 indicates that the behavior AT11 is “◯” in the context CT11 and the behavior AT11 is performed at home (home) in the time zone “morning”. Further, the user U1 indicates that the behavior AT11 is “x” in the context CT12, and the behavior AT11 is not performed in the office (work place) in the time zone “morning”.

なお、分割情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。また、図８では、説明のために、分割情報記憶部１２３に各行動情報の行動内容及び有無に関する情報を記憶する場合を図示したが、分割情報記憶部１２３は、行動情報記憶部１２２に記憶された行動情報がどのマスに対応するかに関する情報を記憶してもよい。 The division information storage unit 123 is not limited to the above, and may store various information according to the purpose. Further, in FIG. 8, for the sake of explanation, the case where the information regarding the action content and the presence / absence of each action information is stored in the division information storage unit 123 is illustrated, but the division information storage unit 123 is stored in the action information storage unit 122. Information regarding which square the generated action information corresponds to may be stored.

（クラスタ情報記憶部１２４）
実施形態に係るクラスタ情報記憶部１２４は、各分割情報の組合せに関する各種情報を記憶する。図９は、実施形態に係るクラスタ情報記憶部の一例を示す図である。図９に示すクラスタ情報記憶部１２４は、図８中の分割情報記憶部１２３に示す各マスの分割情報がどのように組み合わされたかを示す情報と各組合せに対応するモデルを識別する情報が記憶される。具体的には、ユーザの「区分」と「コンテキスト」とによる各マスに対応するモデルを識別する情報が記憶される。例えば、クラスタ情報記憶部１２４に記憶される情報は、モデルを生成する処理により生成される。 (Cluster information storage unit 124)
The cluster information storage unit 124 according to the embodiment stores various kinds of information regarding combinations of pieces of division information. FIG. 9 is a diagram illustrating an example of the cluster information storage unit according to the embodiment. The cluster information storage unit 124 shown in FIG. 9 stores information indicating how the division information of each cell shown in the division information storage unit 123 in FIG. 8 is combined and information identifying a model corresponding to each combination. To be done. Specifically, the information for identifying the model corresponding to each cell according to the “category” and the “context” of the user is stored. For example, the information stored in the cluster information storage unit 124 is generated by the process of generating a model.

「区分」は、ユーザに関する区分を示す。図９では、図８と同様に、ユーザＵ１〜Ｕ４、すなわち各ユーザが区分である場合を示す。また、「コンテキスト」は、コンテキストを示す。図９では、図８と同様に、時間帯と位置とに基づくコンテキストを示す。具体的には、「コンテキスト」は、朝（４〜１０時）、昼（１０〜１６時）、夜（１６〜２２時）、深夜（２２〜４時）の４つの時間帯と、家（自宅）またはオフィス（勤務地）の２つの位置とに基づく、８つのコンテキストＣＴ１１〜ＣＴ１８を示す。なお、図９に示す各マス中の「Ｍ１」や「Ｍ２」等は、同じ符号が記憶されたマスの分割情報を組み合わせた組合情報により生成されたモデルを識別する情報を示す。 The “category” indicates a category regarding the user. As in FIG. 8, FIG. 9 shows a case where the users U1 to U4, that is, each user is a division. In addition, “context” indicates a context. Similar to FIG. 8, FIG. 9 shows the context based on the time zone and the position. Specifically, "context" includes four time zones of morning (4 to 10 o'clock), daytime (10 to 16 o'clock), night (16 to 22:00), and midnight (22 to 4 o'clock), and a house ( 8 shows eight contexts CT11-CT18 based on two positions, home or office. Note that “M1”, “M2”, and the like in each square shown in FIG. 9 indicate information for identifying a model generated by combination information that is obtained by combining division information of squares in which the same code is stored.

例えば、図９に示す例において、「Ｍ１」により識別されるモデル（以下、「モデルＭ１」とする場合がある。他の「Ｍ２」〜「Ｍ６」についても同様）は、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１５に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳ、及びユーザＵ４のコンテキストＣＴ１３に対応するマスＭＳに含まれる分割情報を組み合わせた組合情報から生成されたことを示す。また、例えば、モデルＭ２は、ユーザＵ１のコンテキストＣＴ１２、ＣＴ１７に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１４に対応するマスＭＳ、及びユーザＵ３のコンテキストＣＴ１２に対応するマスＭＳに含まれる分割情報を組み合わせた組合情報から生成されたことを示す。 For example, in the example shown in FIG. 9, the model identified by "M1" (hereinafter, may be referred to as "model M1". The same applies to other "M2" to "M6") is the context CT11 of the user U1. From the combination information obtained by combining the division information included in the cell MS corresponding to, the cell MS corresponding to the context CT15 of the user U2, the cell MS corresponding to the context CT17 of the user U2, and the cell MS corresponding to the context CT13 of the user U4. Indicates that it has been generated. Further, for example, the model M2 combines the division information included in the mass MS corresponding to the contexts CT12 and CT17 of the user U1, the mass MS corresponding to the context CT14 of the user U2, and the mass MS corresponding to the context CT12 of the user U3. It is generated from the union information.

なお、クラスタ情報記憶部１２４は、上記に限らず、目的に応じて種々の情報を記憶してもよい。 The cluster information storage unit 124 is not limited to the above, and may store various information according to the purpose.

（学習情報記憶部１２５）
実施形態に係る学習情報記憶部１２５は、学習に関する情報を記憶する。例えば、学習情報記憶部１２５は、生成処理により生成されたモデル情報を記憶する。図１０は、実施形態に係る学習情報記憶部の一例を示す図である。図１０に示す学習情報記憶部１２５は、モデル情報として、各モデルＭ１〜Ｍ６に対応させて「素性１」〜「素性３」等といった項目を有する。 (Learning information storage unit 125)
The learning information storage unit 125 according to the embodiment stores information regarding learning. For example, the learning information storage unit 125 stores the model information generated by the generation process. FIG. 10 is a diagram illustrating an example of the learning information storage unit according to the embodiment. The learning information storage unit 125 illustrated in FIG. 10 has items such as “feature 1” to “feature 3” corresponding to the models M1 to M6 as model information.

例えば、図１０に示す例において、モデルＭ１に関するモデル情報は、素性１の重みが「０．５」、素性２の重みが「−０．４」、素性３の重みが「０．２」等であることを示す。例えば、モデルの素性（特徴量）がｍ次元のベクトルで表現される場合、素性数はｍ個になり、素性１〜素性ｍの重みが記憶される。 For example, in the example shown in FIG. 10, the model information about the model M1 has a feature 1 weight of “0.5”, a feature 2 weight of “−0.4”, and a feature 3 weight of “0.2”. Is shown. For example, when the features (features) of the model are represented by an m-dimensional vector, the number of features is m, and the weights of the features 1 to m are stored.

なお、学習情報記憶部１２５は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。 The learning information storage unit 125 is not limited to the above, and may store various model information according to the purpose.

（コンテンツ情報記憶部１２６）
実施形態に係るコンテンツ情報記憶部１２６は、コンテンツ（記事）に関する各種情報を記憶する。図１１は、実施形態に係るコンテンツ情報記憶部の一例を示す図である。図１１に示すコンテンツ情報記憶部１２６は、「コンテンツＩＤ」、「コンテンツ」、「カテゴリ」といった項目を有する。 (Content information storage unit 126)
The content information storage unit 126 according to the embodiment stores various information regarding content (articles). FIG. 11 is a diagram illustrating an example of the content information storage unit according to the embodiment. The content information storage unit 126 shown in FIG. 11 has items such as “content ID”, “content”, and “category”.

「コンテンツＩＤ」は、コンテンツを識別するための識別情報を示す。「コンテンツ」は、いわゆるコンテンツプロバイダ等の提供元から取得したコンテンツである記事を示す。図１１では「コンテンツ」に「記事Ａ」といった概念的な情報が格納される例を示したが、実際には、文字情報や文字情報と画像との組合せ、または、これらの格納場所を示すファイルパス名などが格納される。また、「カテゴリ」は、コンテンツの内容に基づく分類情報を示す。 “Content ID” indicates identification information for identifying the content. “Content” indicates an article that is content acquired from a source such as a so-called content provider. Although FIG. 11 shows an example in which conceptual information such as “article A” is stored in “contents”, in reality, character information, a combination of character information and an image, or a file indicating the storage location of these is provided. Path name etc. are stored. The "category" indicates classification information based on the content.

例えば、図１１に示す例において、コンテンツＩＤ「ＣＮ１１」により識別される記事Ａ（コンテンツＣＮ１１）は、カテゴリ「経済」に分類されることを示す。また、図１１に示す例において、コンテンツＩＤ「ＣＮ１２」により識別される記事Ｂ（コンテンツＣＮ１２）は、カテゴリ「スポーツ」に分類されることを示す。 For example, in the example shown in FIG. 11, the article A (content CN11) identified by the content ID “CN11” is classified into the category “economy”. Further, in the example shown in FIG. 11, the article B (content CN12) identified by the content ID “CN12” is classified into the category “sports”.

なお、コンテンツ情報記憶部１２６は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、コンテンツ情報記憶部１２６は、コンテンツを取得した日時やコンテンツが作成された日時に関する情報を記憶してもよい。コンテンツ情報記憶部１２６は、各提供元の評価値に関する情報を記憶してもよい。また、コンテンツ情報記憶部１２６は、コンテンツの提供元を識別するための識別情報を記憶してもよい。また、コンテンツ情報記憶部１２６は、各モデルにより算出されたコンテンツのスコアを記憶してもよい。 The content information storage unit 126 is not limited to the above, and may store various information according to the purpose. For example, the content information storage unit 126 may store information regarding the date and time when the content was acquired and the date and time when the content was created. The content information storage unit 126 may store information about the evaluation value of each provider. Further, the content information storage unit 126 may store identification information for identifying the content provider. Further, the content information storage unit 126 may store the score of the content calculated by each model.

（制御部１３０）
図５の説明に戻って、制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、配信装置１００内部の記憶装置に記憶されている各種プログラム（配信プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。 (Control unit 130)
Returning to the description of FIG. 5, the control unit 130 uses, for example, a CPU (Central Processing Unit), an MPU (Micro Processing Unit), or the like to store various programs (an example of a distribution program) stored in a storage device inside the distribution apparatus 100. (Corresponding to) is executed by using the RAM as a work area. Further, the control unit 130 is realized by, for example, an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).

図５に示すように、制御部１３０は、取得部１３１と、推定部１３２と、生成部１３３と、決定部１３４と、判定部１３５と、配信部１３６とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図５に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図５に示した接続関係に限られず、他の接続関係であってもよい。 As illustrated in FIG. 5, the control unit 130 includes an acquisition unit 131, an estimation unit 132, a generation unit 133, a determination unit 134, a determination unit 135, and a distribution unit 136, and information described below. Realize or execute processing functions and actions. The internal configuration of the control unit 130 is not limited to the configuration shown in FIG. 5, and may be another configuration as long as it is a configuration for performing information processing described later. Further, the connection relationship between the processing units included in the control unit 130 is not limited to the connection relationship illustrated in FIG. 5, and may be another connection relationship.

（取得部１３１）
取得部１３１は、ユーザの行動情報を取得する。取得部１３１は、ユーザが利用する端末装置１０からユーザの行動情報を取得する。また、取得部１３１は、ユーザに関するユーザ情報を取得する。また、取得部１３１は、ユーザに関する区分ごとのユーザの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報を取得する。例えば、取得部１３１は、分割情報記憶部１２３から分割情報を取得する。また、取得部１３１は、区分として、ユーザ、またはユーザ属性に基づく分類ごとのユーザの行動に関する行動情報が、コンテキストに基づいて分割された分割情報を取得する。 (Acquisition unit 131)
The acquisition unit 131 acquires user behavior information. The acquisition unit 131 acquires the behavior information of the user from the terminal device 10 used by the user. The acquisition unit 131 also acquires user information about the user. In addition, the acquisition unit 131 acquires the division information that is the behavior information regarding the behavior of the user for each category regarding the user and that is the behavior information that is divided based on the context. For example, the acquisition unit 131 acquires the division information from the division information storage unit 123. In addition, the acquisition unit 131 acquires division information in which the behavior information regarding the behavior of the user or the user for each classification based on the user attribute is divided based on the context as the classification.

また、取得部１３１は、端末装置１０からコンテンツの配信要求を取得する。また、取得部１３１は、ユーザを識別する情報（例えば、ログインＩＤや端末識別情報等）や端末装置１０の位置情報等を取得する。 The acquisition unit 131 also acquires a content distribution request from the terminal device 10. Further, the acquisition unit 131 acquires information for identifying the user (for example, login ID, terminal identification information, etc.), position information of the terminal device 10, and the like.

また、取得部１３１は、ユーザごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報である組合情報ごとに生成されたモデルであって、所定の対象を予測するモデルを取得する。例えば、取得部１３１は、クラスタ情報記憶部１２４や学習情報記憶部１２５からモデルに関する情報を取得する。また、取得部１３１は、ユーザが新規ユーザである場合、新規ユーザのユーザ属性に類似する他のユーザにおけるコンテキストごとのモデルの割当てに対応して新規ユーザに割り当てられたモデルを取得する。 In addition, the acquisition unit 131 combines the behavior information regarding the behavior of each user, which is the behavior information divided based on the context, based on the tendency of the behavior information included in each of the division information. A model that is generated for each combination information that is the information that is predicted, and that predicts a predetermined target is acquired. For example, the acquisition unit 131 acquires information about the model from the cluster information storage unit 124 and the learning information storage unit 125. In addition, when the user is a new user, the acquisition unit 131 acquires the model assigned to the new user corresponding to the assignment of the model for each context in another user similar to the user attribute of the new user.

（推定部１３２）
推定部１３２は、取得した各種情報から種々の情報を推定する。例えば、推定部１３２は、コンテンツを配信した時刻や端末装置１０から取得したユーザの位置情報に基づいて種々の情報を推定する。例えば、推定部１３２は、端末装置１０から取得したユーザを識別する情報により、配信要求元のユーザを推定する。例えば、推定部１３２は、ユーザ情報記憶部１２１に記憶されたユーザのユーザ情報と端末装置１０の位置とに基づいて、ユーザがいる場所を推定する。図３では、推定部１３２は、ユーザ情報記憶部１２１に示すようにユーザＵ１の勤務地が位置ＬＣ１２であり、端末装置１０−１の位置が位置ＬＣ１２−１であるため、ユーザＵ１がオフィス（勤務地）にいると推定する。また、図３では、推定部１３２は、配信要求がされた時間が朝９時であるため、コンテキストを朝のオフィスに対応するコンテキストＣＴ１２と推定する。 (Estimation unit 132)
The estimation unit 132 estimates various kinds of information from the acquired various kinds of information. For example, the estimation unit 132 estimates various kinds of information based on the time when the content is distributed and the position information of the user acquired from the terminal device 10. For example, the estimation unit 132 estimates the user of the distribution request source based on the information identifying the user acquired from the terminal device 10. For example, the estimation unit 132 estimates the location of the user based on the user information of the user stored in the user information storage unit 121 and the position of the terminal device 10. In FIG. 3, the estimation unit 132 determines that the working place of the user U1 is the position LC12 and the position of the terminal device 10-1 is the position LC12-1 as shown in the user information storage unit 121. Presumed to be in the workplace. Further, in FIG. 3, the estimation unit 132 estimates the context to be the context CT12 corresponding to the office in the morning because the time when the distribution request is made is 9:00 am.

また、推定部１３２は、一の区分がユーザである場合において、ユーザの各分割情報が含まれる組合情報と、他の区分の各分割情報が含まれる組合情報との類似度に基づいて、ユーザのユーザ属性を推定する。 In addition, when one division is the user, the estimation unit 132 determines the user based on the similarity between the combination information including the division information of the user and the combination information including the division information of the other division. Estimate the user attributes of.

（生成部１３３）
生成部１３３は、収集されたユーザの行動に関する行動情報を、コンテキストに基づいて分割することにより、分割情報を生成してもよい。また、生成部１３３は、生成した分割情報を分割情報記憶部１２３に記憶させてもよい。例えば、生成部１３３は、収集した各ユーザの行動に関する情報を分割してもよい。例えば、生成部１３３は、収集した各ユーザの行動情報を、推定部１３２により推定されたコンテキストに基づいて分割する。 (Generator 133)
The generation unit 133 may generate division information by dividing the collected behavior information regarding the behavior of the user based on the context. Further, the generation unit 133 may store the generated division information in the division information storage unit 123. For example, the generation unit 133 may divide the collected information regarding the behavior of each user. For example, the generation unit 133 divides the collected behavior information of each user based on the context estimated by the estimation unit 132.

生成部１３３は、各分割情報に含まれる行動情報の傾向に基づいて組み合わされた分割情報である組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、図２では、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳ、及びユーザＵ４とコンテキストＣＴ１３とが交差する位置のマスＭＳが同じクラスタに分類される。ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳ、及びユーザＵ４とコンテキストＣＴ１３とが交差する位置のマスＭＳは、ともに行動ＡＴ１１が「○」である分割情報が含まれる。ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳ、及びユーザＵ４とコンテキストＣＴ１３とが交差する位置のマスＭＳには、同じ傾向を示す分割情報が含まれる。そして、生成部１３３は、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳの分割情報、及びユーザＵ４とコンテキストＣＴ１３とが交差する位置のマスＭＳの分割情報を含む組合情報を用いてモデルＭ１を生成する。 The generation unit 133 generates a model that predicts a predetermined target for each combination information that is division information that is combined based on the tendency of the behavior information included in each division information. For example, in FIG. 2, the mass MS at the position where the user U1 and the context CT11 intersect and the mass MS at the position where the user U4 and the context CT13 intersect are classified into the same cluster. The mass MS at a position where the user U1 intersects with the context CT11 and the mass MS at a position where the user U4 intersects with the context CT13 both include division information in which the action AT11 is “◯”. The mass MS at the position where the user U1 intersects with the context CT11 and the mass MS at the position where the user U4 intersects with the context CT13 include division information indicating the same tendency. Then, the generation unit 133 uses the combination information including the division information of the mass MS at the position where the user U1 intersects the context CT11 and the division information of the mass MS at the position where the user U4 intersects the context CT13 with the model M1. To generate.

また、生成部１３３は、組合情報に含まれる分割情報の各々に対応するコンテキストにおける当該分割情報に対応する区分に含まれるユーザに関する所定の対象を予測するモデルを生成する。生成部１３３は、区分間を跨ぐ組み合わせを含む組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、ユーザＵ２とコンテキストＣＴ１２とが交差する位置のマスＭＳの分割情報、及びユーザＵ４とコンテキストＣＴ１４とが交差する位置のマスＭＳの分割情報を含む組合情報を用いてモデルＭ６を生成する。すなわち、生成部１３３は、ユーザＵ２とユーザＵ４との区分間を跨ぐ組合情報を用いてモデルＭ６を生成する。 The generation unit 133 also generates a model that predicts a predetermined target for the user included in the section corresponding to the division information in the context corresponding to each piece of division information included in the combination information. The generation unit 133 generates a model that predicts a predetermined target for each combination information that includes a combination that crosses between categories. For example, the generation unit 133 uses the combination information including the division information of the mass MS at the position where the user U2 and the context CT12 intersect, and the division information of the mass MS at the position where the user U4 and the context CT14 intersect, to model the model M6. To generate. That is, the generation unit 133 generates the model M6 using the combination information that crosses the sections of the user U2 and the user U4.

例えば、生成部１３３は、組合情報に含まれる各分割情報に対応するユーザの分類及びコンテキストの組合せにおける所定の対象の予測精度が高くなるように分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、各分割情報に含まれる行動情報が類似する分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、所定の対象として、ユーザのコンテンツへの関心を予測するモデルを生成する。 For example, the generation unit 133 sets a predetermined value for each combination information in which the division information is combined so that the prediction accuracy of the predetermined target in the combination of the user classification and the context corresponding to each division information included in the combination information is high. Generate a model that predicts the target. For example, the generation unit 133 generates a model that predicts a predetermined target for each combination information in which pieces of division information having similar behavior information included in pieces of division information are combined. For example, the generation unit 133 generates a model that predicts the user's interest in the content as the predetermined target.

例えば、生成部１３３は、組合情報の数が所定数になる手法により分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、ｋ−ｍｅａｎｓ法を用いて分割情報が組み合わされた組合情報ごとにモデルを生成する。この場合、生成部１３３は、決定部１３４により決定（設定）されたクラスタ数（組合情報数）になるように、分割情報を組み合わせて組合情報を生成し、組合情報ごとにモデルを生成する。 For example, the generation unit 133 generates a model that predicts a predetermined target for each combination information in which division information is combined by a method in which the number of combination information is a predetermined number. For example, the generation unit 133 uses the k-means method to generate a model for each combination information in which the division information is combined. In this case, the generation unit 133 generates combination information by combining the division information so that the number of clusters (the number of combination information) determined (set) by the determination unit 134 is generated, and generates a model for each combination information.

例えば、生成部１３３は、組合情報の数が変動し得る手法により分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、ディリクレ過程を用いたロジスティック回帰の手法を用いて分割情報が組み合わされた組合情報ごとにモデルを生成する。例えば、生成部１３３は、分割情報を順次組み合わせていくことにより、組合情報を生成し、組合情報ごとにモデルを生成する。 For example, the generation unit 133 generates a model that predicts a predetermined target for each combination information in which division information is combined by a method in which the number of combination information can change. For example, the generation unit 133 generates a model for each combination information in which the division information is combined by using the method of logistic regression using the Dirichlet process. For example, the generation unit 133 generates combination information by sequentially combining division information, and generates a model for each combination information.

例えば、生成部１３３は、複数の分割情報を組み合わせた組合情報を生成し、その組合情報に対してモデルを生成する。例えば、生成部１３３は、ランダムに複数の分割情報を選択して組合情報を生成し、その組合情報に対してモデルを生成する。そして、生成部１３３は、生成したモデルの予測精度を検証する。ここでいう予測精度とは、ユーザの行動の有無を予測できる確率をいう。例えば、ここでいう予測精度とは、モデルを用いた場合において、行動情報において「○」であったコンテンツについて、所定のスコア以上が算出される確率をいう。そして、生成部１３３は、生成したモデルの予測精度が所定の閾値以上である場合、その組み合わせを維持して、さらに分割情報を組み合わせる処理を行ってもよい。また、生成部１３３は、ペナルティ項等の所定のハイパーパラメータを用いてもよい。例えば、生成部１３３は、クラスタ数が少なくなるほど値が小さくなるペナルティ項を用いてもよい。例えば、生成部１３３は、モデルの予測精度からクラスタ数に所定の係数を乗算した値を減算することにより算出される数値に基づいて、組み合わせを維持するか解除するかを判定してもよい。この場合、生成部１３３は、クラスタ数の減少とモデルの予測精度とのトレードオフに基づいて、所定のクラスタ数に分類された組合情報およびモデルを生成する。 For example, the production | generation part 133 produces | generates the combination information which combined several division information, and produces | generates a model with respect to the combination information. For example, the generation unit 133 randomly selects a plurality of pieces of division information, generates combination information, and generates a model for the combination information. Then, the generation unit 133 verifies the prediction accuracy of the generated model. The prediction accuracy here means the probability of being able to predict the presence or absence of a user's action. For example, the prediction accuracy here refers to the probability that a score equal to or higher than a predetermined score will be calculated for the content that is “◯” in the behavior information, when the model is used. Then, when the prediction accuracy of the generated model is equal to or higher than a predetermined threshold, the generation unit 133 may maintain the combination and perform a process of further combining the division information. Further, the generation unit 133 may use a predetermined hyperparameter such as a penalty term. For example, the generation unit 133 may use a penalty term whose value decreases as the number of clusters decreases. For example, the generation unit 133 may determine whether to maintain or cancel the combination based on a numerical value calculated by subtracting a value obtained by multiplying the number of clusters by a predetermined coefficient from the prediction accuracy of the model. In this case, the generation unit 133 generates combination information and models classified into a predetermined number of clusters based on the trade-off between the decrease in the number of clusters and the prediction accuracy of the model.

例えば、生成部１３３は、交差検証（クロスバリデーション）により、一部をモデルの生成に用い、残りを検証用に用いて生成されたモデルの予測精度を検証してもよい。例えば、生成部１３３は、組合情報のうち８０％をモデル生成に用い、残りの２０％を検証に用いてもよい。例えば、生成部１３３は、検証した予測精度が所定の基準を満たした場合、その組み合わせを維持して、さらに分割情報を組み合わせる処理を行ってもよい。また、生成部１３３は、検証した予測精度が所定の基準を満たさない場合、その組み合わせを解除して、別の分割情報を組み合わせる処理を行ってもよい。また、生成部１３３は、分割情報を組み合わせる度に、モデル生成に用いる情報と、検証に用いる情報とを入れ替えて交差検証（クロスバリデーション）を複数回行った平均により、組み合わせを維持するか解除するかを判定してもよい。 For example, the generation unit 133 may verify the prediction accuracy of the generated model by using a part of the model for model generation and the rest for verification by cross-validation (cross-validation). For example, the generation unit 133 may use 80% of the combination information for model generation and the remaining 20% for verification. For example, when the verified prediction accuracy satisfies a predetermined criterion, the generation unit 133 may maintain the combination and perform a process of further combining the division information. In addition, when the verified prediction accuracy does not satisfy the predetermined criterion, the generation unit 133 may cancel the combination and perform a process of combining different division information. Also, the generation unit 133 maintains or cancels the combination each time the division information is combined, by replacing the information used for model generation with the information used for verification and performing cross-validation (cross-validation) multiple times. You may judge whether.

例えば、生成部１３３は、一の区分がユーザである場合において、一のコンテキストにおけるユーザの分割情報が所定の条件を満たさない場合、一のコンテキストにおけるユーザのユーザ属性に類似する他の区分の分割情報を一のコンテキストにおけるユーザの分割情報に加えることにより、モデルを生成する。例えば、生成部１３３は、一のコンテキストにおけるユーザの分割情報の量が所定量に満たない場合、一のコンテキストにおける他の区分の分割情報を一のコンテキストにおけるユーザの分割情報に加えることにより、モデルを生成する。なお、これらの点についての詳細は後述する。 For example, when one division is a user and the division information of the user in one context does not satisfy a predetermined condition, the generation unit 133 divides another division similar to the user attribute of the user in one context. A model is created by adding information to the user's split information in one context. For example, when the amount of division information of the user in one context is less than a predetermined amount, the generation unit 133 adds division information of another division in one context to the division information of the user in one context to generate a model. To generate. The details of these points will be described later.

（決定部１３４）
決定部１３４は、端末装置１０へ配信するコンテンツを決定するモデルを決定する。図３では、決定部１３４は、クラスタ情報記憶部１２４中のユーザＵ１及びコンテキストＣＴ１２に対応するマスＭＳに記憶されたモデルＭ２を示す情報に基づいて、配信するコンテンツの決定に用いるモデルをモデルＭ２に決定する。図４では、決定部１３４は、クラスタ情報記憶部１２４−２中のユーザＵ１及びコンテキストＣＴ１２に対応するマスＭＳに記憶されたモデルＭ１を示す情報に基づいて、配信するコンテンツの決定に用いるモデルをモデルＭ１に決定する。 (Decision unit 134)
The determination unit 134 determines a model for determining the content to be distributed to the terminal device 10. In FIG. 3, the determination unit 134 uses the model M2 as a model for determining the content to be distributed based on the information indicating the model M2 stored in the mass MS corresponding to the user U1 and the context CT12 in the cluster information storage unit 124. To decide. In FIG. 4, the determining unit 134 determines the model used for determining the content to be distributed based on the information indicating the model M1 stored in the mass MS corresponding to the user U1 and the context CT12 in the cluster information storage unit 124-2. The model M1 is determined.

例えば、決定部１３４は、決定したモデルとコンテンツとに基づいて、コンテンツのスコアを算出する。また、例えば、決定部１３４は、算出したスコアに基づいて各コンテンツの順位を決定する。図３では、決定部１３４は、コンテンツ一覧ＣＬ１１に示すスコアに基づいて各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する。また、決定部１３４は、スコアの最も高いコンテンツＣＮ１５である記事Ｅの順位を１位に決定する。また、決定部１３４は、記事Ｅの次にスコアの高いコンテンツＣＮ１７である記事Ｇの順位を２位に決定する。これにより、決定部１３４は、順位一覧ＬＬ１１に示すように、順位１位が記事Ｅであり、順位２位が記事Ｇであり、順位３位が記事Ａであり、順位４位が記事Ｆであると決定する。図４では、決定部１３４は、コンテンツ一覧ＣＬ１２に示すスコアに基づいて各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する。 For example, the determining unit 134 calculates the score of the content based on the determined model and the content. Further, for example, the determination unit 134 determines the rank of each content based on the calculated score. In FIG. 3, the determination unit 134 determines the order of the contents CN11 to CN18 and the like based on the scores shown in the content list CL11. Further, the determining unit 134 determines that the rank of the article E, which is the content CN15 having the highest score, is first. In addition, the determination unit 134 determines that the rank of the article G, which is the content CN17 having the second highest score after the article E, is second. As a result, as shown in the ranking list LL11, the determining unit 134 determines that the first rank is the article E, the second rank is the article G, the third rank is the article A, and the fourth rank is the article F. Determined to be. In FIG. 4, the determination unit 134 determines the order of the contents CN11 to CN18 etc. based on the scores shown in the content list CL12.

（判定部１３５）
判定部１３５は、取得部１３１により取得されたモデルによる、組合情報に含まれる分類情報の各々に対応するコンテキストにおける当該分類情報に対応するユーザに関する所定の対象の予測精度に応じて、当該ユーザのコンテキストに関する情報、または当該ユーザのユーザ属性に関する情報を変更するかを判定する。例えば、判定部１３５は、一のユーザに割り当てられたモデルの予測精度が所定の条件を満たさない場合、一のユーザのコンテキストに関する情報、または一のユーザのユーザ属性に関する情報を変更すると判定する。図１では、判定部１３５は、ユーザＵ１のコンテキストＣＴ１１に割り当てられたモデルＭ１及びコンテコストＣＴ１２に割り当てられたモデルＭ２の２つのモデルの予測精度が低であるため、ユーザＵ１のコンテキストに関する情報、またはユーザＵ１のユーザ属性に関する情報を変更すると判定する。また、判定部１３５は、判定結果に応じて、ユーザのコンテキストに関する情報、または当該ユーザのユーザ属性に関する情報を変更する。 (Determination unit 135)
The determination unit 135 uses the model acquired by the acquisition unit 131 to determine the prediction accuracy of a predetermined target for the user corresponding to the classification information in the context corresponding to each of the classification information included in the combination information. It is determined whether to change the information about the context or the information about the user attribute of the user. For example, when the prediction accuracy of the model assigned to the one user does not satisfy the predetermined condition, the determination unit 135 determines to change the information about the context of the one user or the information about the user attribute of the one user. In FIG. 1, since the prediction accuracy of the two models, the model M1 assigned to the context CT11 of the user U1 and the model M2 assigned to the context cost CT12, is low, the determination unit 135 has information about the context of the user U1, Alternatively, it is determined that the information regarding the user attribute of the user U1 is changed. Further, the determination unit 135 changes the information about the context of the user or the information about the user attribute of the user according to the determination result.

例えば、判定部１３５は、一のユーザのユーザ属性に関する情報が複数の候補がある場合、各候補を割り当てた予測精度に基づいて、一のユーザのユーザ属性に関する情報をいずれの候補に変更するかを判定する。この点についての詳細は後述する。また、例えば、判定部１３５は、一のユーザのコンテキストに関する情報が入替え可能である場合、一のユーザのコンテキストに関する情報を入れ替えると判定する。図１では、判定部１３５は、ユーザＵ１のコンテキストに関する情報が入替え可能であるとして、ユーザＵ１のコンテキストに関する情報を入れ替えると判定する。 For example, when there is a plurality of candidates for the information on the user attribute of the one user, the determination unit 135 changes which candidate the information on the user attribute of the one user is based on the prediction accuracy to which each candidate is assigned. To judge. Details of this point will be described later. Further, for example, when the information on the context of the one user can be exchanged, the determination unit 135 determines to exchange the information on the context of the one user. In FIG. 1, the determination unit 135 determines that the information regarding the context of the user U1 can be exchanged, and determines to exchange the information regarding the context of the user U1.

例えば、判定部１３５は、各ユーザのコンテキストに関する情報の信頼性、または各ユーザのユーザ属性に関する情報の信頼性に基づいて、コンテキストに関する情報、またはユーザ属性に関する情報を変更するユーザを判定する。例えば、判定部１３５は、ユーザがクレジットカードの審査等を受けたユーザである場合、ユーザの年齢、性別、自宅、勤務地等に関する情報を信頼性が高いとして、変更の対象としないと判定してもよい。また、例えば、ユーザがユーザ情報の登録の際に初期表示される情報のまま、ユーザ情報の登録を行った場合、判定部１３５は、そのユーザについて登録された情報を信頼性が低いとして、優先した変更の対象と判定してもよい。例えば、ユーザがユーザ情報の登録の際に生年月日を初期表示される情報のまま登録を行った場合、判定部１３５は、そのユーザについて登録された年齢を信頼性が低いとして、優先した変更の対象と判定してもよい。 For example, the determination unit 135 determines the user who changes the information about the context or the information about the user attribute based on the reliability of the information about the context of each user or the reliability of the information about the user attribute of each user. For example, when the user is a user who has undergone a credit card examination, the determination unit 135 determines that the information about the user's age, gender, home, work location, etc. is highly reliable and is not to be changed. May be. In addition, for example, when the user registers the user information while keeping the information initially displayed when registering the user information, the determination unit 135 determines that the information registered for the user has low reliability, and gives priority to the information. It may be determined that the change has been made. For example, when the user registers the user information while keeping the date of birth initially displayed as the information, the determination unit 135 determines that the registered age of the user has low reliability and gives priority to the change. May be determined to be the target.

例えば、判定部１３５は、新規ユーザに割り当てられたモデルの予測精度が所定の条件を満たさない場合、新規ユーザのコンテキストに関する情報、または新規ユーザのユーザ属性に関する情報を変更すると判定する。図１では、判定部１３５は、ユーザＵ１０のコンテキストＣＴ１４に割り当てられたモデルＭ３−６の予測精度が低であるため、配信装置１００は、ユーザＵ１０のコンテキストに関する情報、またはユーザＵ１のユーザ属性に関する情報を変更すると判定する。 For example, when the prediction accuracy of the model assigned to the new user does not satisfy the predetermined condition, the determining unit 135 determines to change the information about the context of the new user or the information about the user attribute of the new user. In FIG. 1, the determination unit 135 determines that the prediction accuracy of the model M3-6 assigned to the context CT14 of the user U10 is low, so the distribution device 100 relates to the information about the context of the user U10 or the user attribute of the user U1. Determine to change the information.

（配信部１３６）
配信部１３６は、端末装置１０に各種情報を配信する。例えば、配信部１３６は、端末装置１０にコンテンツを配信する。また、配信部１３６は、決定部１３４により決定されたコンテンツを配信する。図３では、配信部１３６は、順位一覧ＬＬ１１に示すコンテンツを端末装置１０−１へ配信する。また、配信部１３６は、記事Ｅ、記事Ｇ、記事Ａ、記事Ｆ、等の順で表示されるコンテンツを端末装置１０−１へ配信する。また、図４では、配信部１３６は、順位一覧ＬＬ１２に示すコンテンツを端末装置１０−１へ配信する。 (Distribution unit 136)
The distribution unit 136 distributes various information to the terminal device 10. For example, the distribution unit 136 distributes the content to the terminal device 10. Further, the distribution unit 136 distributes the content determined by the determination unit 134. In FIG. 3, the delivery unit 136 delivers the content shown in the ranking list LL11 to the terminal device 10-1. Further, the distribution unit 136 distributes the contents displayed in the order of article E, article G, article A, article F, etc. to the terminal device 10-1. Further, in FIG. 4, the distribution unit 136 distributes the contents shown in the order list LL12 to the terminal device 10-1.

〔４．生成処理のフロー〕
〔４−１．クラスタ数を設定しない手法〕
次に、図１２を用いて、実施形態に係る配信システム１による生成処理の手順について説明する。図１２は、実施形態に係る生成処理の一例を示すフローチャートである。具体的には、図１２は、クラスタ数（組合情報数）を決定しない手法による生成処理の一例を示すフローチャートである。 [4. Flow of generation processing]
[4-1. Method without setting the number of clusters]
Next, a procedure of generation processing by the distribution system 1 according to the embodiment will be described with reference to FIG. FIG. 12 is a flowchart showing an example of the generation process according to the embodiment. Specifically, FIG. 12 is a flowchart showing an example of a generation process by a method that does not determine the number of clusters (the number of combination information).

図１２に示すように、配信装置１００の取得部１３１は、各ユーザの行動情報を取得する（ステップＳ１０１）。例えば、取得部１３１は、各ユーザが利用する端末装置１０からユーザの行動情報を取得する。 As illustrated in FIG. 12, the acquisition unit 131 of the distribution device 100 acquires the behavior information of each user (step S101). For example, the acquisition unit 131 acquires user behavior information from the terminal device 10 used by each user.

また、配信装置１００の生成部１３３は、コンテキストに応じて情報を分割する（ステップＳ１０２）。例えば、生成部１３３は、行動情報を取得した際のコンテキストに応じて、行動情報を分割した分割情報を生成する。なお、ステップＳ１０１とステップＳ１０２は、複数回に亘って行われてもよい。 Further, the generation unit 133 of the distribution device 100 divides the information according to the context (step S102). For example, the generation unit 133 generates division information obtained by dividing the behavior information according to the context when the behavior information is acquired. Note that step S101 and step S102 may be performed multiple times.

その後、生成部１３３は、クラスタ数を決定しない手法により、分割情報のクラスタリング及びモデルの生成を行う（ステップＳ１０３）。例えば、生成部１３３は、ディリクレ過程を用いたロジスティック回帰の手法を用いて分割情報が組み合わされた組合情報ごとにモデルを生成する。 After that, the generation unit 133 performs clustering of division information and generation of a model by a method that does not determine the number of clusters (step S103). For example, the generation unit 133 generates a model for each combination information in which the division information is combined by using the method of logistic regression using the Dirichlet process.

〔４−２．クラスタ数を設定する手法〕
次に、図１３を用いて、実施形態に係る配信システム１による生成処理の手順について説明する。図１３は、実施形態に係る生成処理の一例を示すフローチャートである。具体的には、図１３は、クラスタ数（組合情報数）を予め設定（決定）する手法による生成処理の一例を示すフローチャートである。 [4-2. Method of setting the number of clusters]
Next, a procedure of generation processing by the distribution system 1 according to the embodiment will be described with reference to FIG. FIG. 13 is a flowchart showing an example of the generation process according to the embodiment. Specifically, FIG. 13 is a flowchart showing an example of generation processing by a method of presetting (determining) the number of clusters (the number of combination information).

図１３に示すように、配信装置１００の取得部１３１は、各ユーザの行動情報を取得する（ステップＳ２０１）。例えば、取得部１３１は、各ユーザが利用する端末装置１０からユーザの行動情報を取得する。 As illustrated in FIG. 13, the acquisition unit 131 of the distribution device 100 acquires the behavior information of each user (step S201). For example, the acquisition unit 131 acquires user behavior information from the terminal device 10 used by each user.

また、配信装置１００の生成部１３３は、コンテキストに応じて情報を分割する（ステップＳ２０２）。例えば、生成部１３３は、行動情報を取得した際のコンテキストに応じて、行動情報を分割した分割情報を生成する。なお、ステップＳ２０１とステップＳ２０２は、複数回に亘って行われてもよい。 Further, the generation unit 133 of the distribution device 100 divides the information according to the context (step S202). For example, the generation unit 133 generates division information obtained by dividing the behavior information according to the context when the behavior information is acquired. In addition, step S201 and step S202 may be performed multiple times.

また、配信装置１００の決定部１３４は、クラスタ数（組合情報数）を設定（決定）する（ステップＳ２０３）。例えば、決定部１３４は、クラスタ数（組合情報数）を「６」に設定（決定）する。なお、ステップＳ２０３の処理は、ステップＳ２０４よりも前であれば、いずれのタイミングで行われてもよい。 Further, the determination unit 134 of the distribution device 100 sets (determines) the number of clusters (the number of combination information) (step S203). For example, the determination unit 134 sets (determines) the number of clusters (the number of combination information) to “6”. Note that the process of step S203 may be performed at any timing before step S204.

その後、生成部１３３は、クラスタ数を決定する手法により、分割情報のクラスタリング及びモデルの生成を行う（ステップＳ２０４）。例えば、生成部１３３は、ｋ−ｍｅａｎｓ法を用いて分割情報が組み合わされた組合情報ごとにモデルを生成する。 After that, the generation unit 133 performs clustering of division information and generation of a model by the method of determining the number of clusters (step S204). For example, the generation unit 133 uses the k-means method to generate a model for each combination information in which the division information is combined.

〔５．配信処理のフロー〕
次に、図１４を用いて、実施形態に係る配信システム１による配信処理の手順について説明する。図１４は、実施形態に係る配信処理の一例を示すフローチャートである。 [5. Distribution process flow]
Next, the procedure of the distribution process by the distribution system 1 according to the embodiment will be described with reference to FIG. FIG. 14 is a flowchart showing an example of the distribution process according to the embodiment.

図１４に示すように、配信装置１００の取得部１３１は、配信要求を取得する（ステップＳ３０１）。例えば、取得部１３１は、各ユーザが利用する端末装置１０からコンテンツの配信要求を取得する。 As illustrated in FIG. 14, the acquisition unit 131 of the distribution device 100 acquires a distribution request (step S301). For example, the acquisition unit 131 acquires a content distribution request from the terminal device 10 used by each user.

そして、配信装置１００の推定部１３２は、ユーザ及びコンテキストを推定する（ステップＳ３０２）。例えば、推定部１３２は、端末装置１０から取得したユーザを識別する情報により、配信要求元のユーザを推定する。また、例えば、推定部１３２は、配信要求がされた時刻や端末装置１０の位置に基づいて、コンテキストを推定する。 Then, the estimation unit 132 of the distribution device 100 estimates the user and the context (step S302). For example, the estimation unit 132 estimates the user of the distribution request source based on the information identifying the user acquired from the terminal device 10. Further, for example, the estimation unit 132 estimates the context based on the time when the distribution request is made and the position of the terminal device 10.

その後、配信装置１００の決定部１３４は、モデルを決定する（ステップＳ３０３）。例えば、決定部１３４は、端末装置１０へ配信するコンテンツを決定するモデルを決定する。 After that, the determination unit 134 of the distribution device 100 determines the model (step S303). For example, the determination unit 134 determines a model that determines the content to be distributed to the terminal device 10.

そして、決定部１３４は、コンテンツの順位を決定する（ステップＳ３０４）。例えば、決定部１３４は、ステップＳ３０３において決定したモデルとコンテンツとに基づいて、コンテンツのスコアを算出する。また、例えば、決定部１３４は、算出したスコアに基づいて各コンテンツの順位を決定する。 Then, the determination unit 134 determines the ranking of the content (step S304). For example, the determining unit 134 calculates the content score based on the model and the content determined in step S303. Further, for example, the determination unit 134 determines the rank of each content based on the calculated score.

その後、配信装置１００の配信部１３６は、順位に基づいてコンテンツを配信する（ステップＳ３０５）。例えば、配信部１３６は、ステップＳ３０４において決定した順位に基づいてコンテンツを配信する。 After that, the distribution unit 136 of the distribution device 100 distributes the content based on the ranking (step S305). For example, the distribution unit 136 distributes the content based on the rank determined in step S304.

〔６．判定処理のフロー〕
次に、図１５を用いて、実施形態に係る配信システム１による判定処理の手順について説明する。図１５は、実施形態に係る判定処理の一例を示すフローチャートである。 [6. Determination process flow]
Next, the procedure of the determination process by the distribution system 1 according to the embodiment will be described with reference to FIG. FIG. 15 is a flowchart showing an example of the determination process according to the embodiment.

図１５に示すように、配信装置１００の配信部１３６は、コンテキストに基づくモデルを用いてコンテンツを配信する（ステップＳ４０１）。例えば、配信装置１００は、図１４に示すステップＳ３０１〜Ｓ３０５の処理によりコンテンツを配信する。 As illustrated in FIG. 15, the distribution unit 136 of the distribution device 100 distributes the content using the model based on the context (step S401). For example, the distribution device 100 distributes the content by the processing of steps S301 to S305 illustrated in FIG.

そして、配信装置１００の判定部１３５は、所定のユーザの予測精度が所定の条件を満たさないかどうかを判定する（ステップＳ４０２）。所定のユーザの予測精度が所定の条件を満たす場合（ステップＳ４０２：Ｎｏ）、配信装置１００はステップＳ４０１に戻って処理を繰り返す。 Then, the determination unit 135 of the distribution device 100 determines whether or not the prediction accuracy of the predetermined user does not satisfy the predetermined condition (step S402). When the prediction accuracy of the predetermined user satisfies the predetermined condition (step S402: No), the distribution apparatus 100 returns to step S401 and repeats the processing.

一方、所定のユーザの予測精度が所定の条件を満たさない場合（ステップＳ４０２：Ｙｅｓ）、判定部１３５は、判定対象となった所定のユーザのユーザ属性またはコンテキストに割り当てられたモデルを変更する（ステップＳ４０３）。すなわち、判定部１３５は、判定対象となった所定のユーザのコンテキストに関する情報、または当該ユーザのユーザ属性に関する情報を変更する。 On the other hand, when the prediction accuracy of the predetermined user does not satisfy the predetermined condition (step S402: Yes), the determination unit 135 changes the model assigned to the user attribute or context of the predetermined user who is the determination target ( Step S403). That is, the determination unit 135 changes the information regarding the context of the predetermined user who is the determination target or the information regarding the user attribute of the user.

その後、判定部１３５は、変更後の予測精度が所定の条件を満たすかどうかを判定する（ステップＳ４０４）。なお、ステップＳ４０２とＳ４０４における所定の条件は同じであってもよいし、異なってもよい。所定のユーザの予測精度が所定の条件を満たさない場合（ステップＳ４０２：Ｎｏ）、配信装置１００はステップＳ４０３に戻って処理を繰り返す。 Then, the determination unit 135 determines whether the changed prediction accuracy satisfies a predetermined condition (step S404). The predetermined conditions in steps S402 and S404 may be the same or different. When the prediction accuracy of the predetermined user does not satisfy the predetermined condition (step S402: No), the distribution apparatus 100 returns to step S403 and repeats the processing.

一方、所定のユーザの予測精度が所定の条件を満たす場合（ステップＳ４０４：Ｙｅｓ）、配信装置１００は、ステップＳ４０３において変更した状態を維持して、ステップＳ４０１に戻って処理を繰り返す。 On the other hand, when the prediction accuracy of the predetermined user satisfies the predetermined condition (step S404: Yes), the distribution device 100 maintains the changed state in step S403, and returns to step S401 to repeat the process.

〔７．複数候補の判定〕
上述した例においては、家とオフィスを入れ替えて、コンテキストを入れ替える場合を示したが、例えば家やオフィスの位置の候補となる情報が複数ある場合、各候補における予測精度を比較することにより、どの変更を行うかを判定してもよい。この点について、図１６を用いて説明する。図１６は、実施形態に係る複数候補の判定の一例を示す図である。 [7. Determination of multiple candidates)
In the above example, the case where the house and the office are replaced and the context is replaced is shown. However, if there are a plurality of pieces of information that are candidates for the position of the house or the office, by comparing the prediction accuracy of each candidate, You may decide whether to make a change. This point will be described with reference to FIG. FIG. 16 is a diagram illustrating an example of determination of a plurality of candidates according to the embodiment.

図１６に示す分割情報一覧ＡＬ１１は、図８に示す分割情報記憶部１２３と同様である。すなわち、分割情報一覧ＡＬ１１は、朝（４〜１０時）、昼（１０〜１６時）、夜（１６〜２２時）、深夜（２２〜４時）の４つの時間帯と、家（自宅）またはオフィス（勤務地）の２つの位置とに基づく、８つのコンテキストＣＴ１１〜ＣＴ１８に分割された場合を示す。分割情報一覧ＡＬ１１には、ユーザＵ１〜Ｕ４等が含まれる。 The division information list AL11 shown in FIG. 16 is the same as the division information storage unit 123 shown in FIG. That is, the division information list AL11 includes four time zones of morning (4 to 10 o'clock), daytime (10 to 16 o'clock), night (16 to 22:00), and midnight (22 to 4 o'clock), and a house (home). Alternatively, a case is shown in which it is divided into eight contexts CT11 to CT18 based on two positions of the office (working place). The division information list AL11 includes users U1 to U4 and the like.

ここで、ユーザＵ１は、家（自宅）の候補として位置ＬＣ１１１、ＬＣ１１２、ＬＣ１１３の３つの位置があるものとする。この場合、配信装置１００は、ユーザＵ１の家として位置ＬＣ１１１、ＬＣ１１２、ＬＣ１１３の３つの位置を割り当てた場合における予測精度に応じて、ユーザＵ１の家をいずれにするか判定する。 Here, it is assumed that the user U1 has three positions LC111, LC112, and LC113 as candidates for the house (home). In this case, the distribution apparatus 100 determines which of the homes of the user U1 is to be selected according to the prediction accuracy when the three positions of the positions LC111, LC112, and LC113 are assigned as the home of the user U1.

図１６に示す例では、行動情報記憶部１２２に位置ＬＣ１１１、ＬＣ１１２、ＬＣ１１３の各々に対応する行動情報が記憶されているものとする。例えば、分割情報ＡＤ１１１は、行動情報記憶部１２２に記憶された朝の位置ＬＣ１１１におけるユーザＵ１の行動情報（分割情報）を示す。また、例えば、分割情報ＡＤ１１２は、行動情報記憶部１２２に記憶された朝の位置ＬＣ１１２におけるユーザＵ１の行動情報（分割情報）を示す。また、例えば、分割情報ＡＤ１１３は、行動情報記憶部１２２に記憶された朝の位置ＬＣ１１３におけるユーザＵ１の行動情報（分割情報）を示す。なお、図１６では図示を省略するが、行動情報記憶部１２２には、位置ＬＣ１１１、ＬＣ１１２、ＬＣ１１３の各々に対応し、朝以外の各時間帯（昼、夜、深夜等）に対応する行動情報も記憶されているものとする。 In the example shown in FIG. 16, it is assumed that the behavior information storage unit 122 stores behavior information corresponding to each of the positions LC111, LC112, and LC113. For example, the division information AD111 indicates the behavior information (division information) of the user U1 at the morning position LC111 stored in the behavior information storage unit 122. Further, for example, the division information AD112 indicates the behavior information (division information) of the user U1 at the morning position LC112 stored in the behavior information storage unit 122. Further, for example, the division information AD113 indicates the behavior information (division information) of the user U1 at the morning position LC113 stored in the behavior information storage unit 122. Although not shown in FIG. 16, the behavior information storage unit 122 corresponds to each of the positions LC111, LC112, and LC113, and the behavior information corresponding to each time zone (day, night, midnight, etc.) other than morning. Is also stored.

そこで、配信装置１００は、ユーザＵ１の家を位置ＬＣ１１１とする位置割り当てを行う（ステップＳ３１）。この場合、分割情報一覧ＡＬ１１中のユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳには、分割情報ＡＤ１１１が割り当てられる。また、割情報一覧ＡＬ１１中のユーザＵ１の家に関するコンテキストＣＴ１３、ＣＴ１５、ＣＴ１７に対応するマスＭＳにも、各々対応する分割情報が割り当てられる。また、配信装置１００は、ユーザＵ１の家を位置ＬＣ１１２とする位置割り当てを行う（ステップＳ３２）。また、配信装置１００は、ユーザＵ１の家を位置ＬＣ１１３とする位置割り当てを行う（ステップＳ３３）。 Therefore, the distribution device 100 performs position assignment with the home of the user U1 as the position LC111 (step S31). In this case, the division information AD111 is assigned to the mass MS corresponding to the context CT11 of the user U1 in the division information list AL11. Further, the corresponding division information is also assigned to the mass MSs corresponding to the contexts CT13, CT15, and CT17 regarding the house of the user U1 in the split information list AL11. In addition, the distribution device 100 performs position assignment with the home of the user U1 as the position LC112 (step S32). In addition, the distribution device 100 performs position assignment with the home of the user U1 as the position LC113 (step S33).

そして、配信装置１００は、ステップＳ３１〜Ｓ３３における各割当てで生成処理を行う（ステップＳ３４）。すなわち、配信装置１００は、３つの位置ＬＣ１１１、ＬＣ１１２、ＬＣ１１３の各々を割り当てた場合におけるモデルの生成を行う。なお、図１６では説明を簡単にするためにステップＳ３１〜Ｓ３４として記載したが、ステップＳ３１〜Ｓ３３ごとにステップＳ３４の生成処理を行ってもよい。 Then, the distribution apparatus 100 performs the generation process with each allocation in steps S31 to S33 (step S34). That is, the distribution device 100 generates a model when each of the three positions LC111, LC112, and LC113 is assigned. In FIG. 16, steps S31 to S34 are described to simplify the description, but the generation process of step S34 may be performed for each of steps S31 to S33.

図１６では、配信装置１００は、モデル生成一覧ＲＳ１１に示すように各位置ＬＣ１１１、ＬＣ１１２、ＬＣ１１３を家の位置に割当てた場合におけるユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳに割り当てられるモデルを生成する。具体的には、位置ＬＣ１１１をユーザＵ１の家の位置とした場合、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳには、モデルＭ１１１が割り当てられる。また、位置ＬＣ１１２をユーザＵ１の家の位置とした場合、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳには、モデルＭ１１２が割り当てられる。また、位置ＬＣ１１３をユーザＵ１の家の位置とした場合、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳには、モデルＭ１１３が割り当てられる。 In FIG. 16, the distribution device 100 generates a model assigned to the mass MS corresponding to the context CT11 of the user U1 when the positions LC111, LC112, and LC113 are assigned to the home position as shown in the model generation list RS11. . Specifically, when the position LC111 is the position of the home of the user U1, the model M111 is assigned to the mass MS corresponding to the context CT11 of the user U1. When the position LC112 is the position of the home of the user U1, the model M112 is assigned to the mass MS corresponding to the context CT11 of the user U1. When the position LC113 is the position of the home of the user U1, the model M113 is assigned to the mass MS corresponding to the context CT11 of the user U1.

ここで、図１６では、ユーザＵ１のコンテキストＣＴ１１においてモデルＭ１１１を用いた場合やユーザＵ１のコンテキストＣＴ１１においてモデルＭ１１３を用いた場合、予測精度が低い。一方、ユーザＵ１のコンテキストＣＴ１１においてモデルＭ１１２を用いた場合、予測精度が高い。そのため、配信装置１００は、位置ＬＣ１１２をユーザＵ１の家の位置と判定する（ステップＳ３５）。これにより、配信装置１００は、ユーザ属性一覧ＵＬ１１に示すように、ユーザＵ１の家の位置に位置ＬＣ１１２を割り当てる。 Here, in FIG. 16, the prediction accuracy is low when the model M111 is used in the context CT11 of the user U1 or when the model M113 is used in the context CT11 of the user U1. On the other hand, when the model M112 is used in the context CT11 of the user U1, the prediction accuracy is high. Therefore, the distribution device 100 determines that the position LC112 is the position of the home of the user U1 (step S35). As a result, the distribution apparatus 100 allocates the position LC112 to the position of the home of the user U1 as shown in the user attribute list UL11.

なお、図１６の例では、説明を簡単にするために、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳに割り当てられたモデルの予測精度に応じて、ユーザＵ１の家の位置を判定する場合を示したが、配信装置１００は、各位置の割り当てに対応するモデル全体の予測精度に基づいて、ユーザＵ１の家の位置を判定してもよい。上記の例では、配信装置１００が複数候補から予測精度の最も高くなる候補を選ぶ場合を示したが、配信装置１００は、ユーザに応じて種々のコンテキストの推定手法を用いて、ユーザの家（自宅）やオフィス（勤務地）を推定してもよい。例えば、配信装置１００は、通常のコンテキストの推定手法と、通常のコンテキストの推定手法より精度良く家やオフィスを推定可能な高精度なコンテキストの推定手法とを使い分けて、コンテキストの推定を行ってもよい。例えば、通常のコンテキストの推定手法は、高精度なコンテキストの推定手法に比べて、推定精度は劣るが処理時間が短くなる。一方、高精度なコンテキストの推定手法は、通常のコンテキストの推定手法に比べて、処理時間が長くなる。例えば、配信装置１００は、通常のコンテキストの推定手法を用いてユーザの家（自宅）やオフィス（勤務地）を推定した場合、推定精度を高めることが難しいユーザに対して、高精度なコンテキストの推定手法を用いて、ユーザの家やオフィスを推定してもよい。例えば、全ユーザ（例えば、１００万人のユーザ）に対して高精度なコンテキストの推定手法を用いて、ユーザの家やオフィスを推定した場合、コンテキストの推定に要する時間が長くなり、全員に高精度なコンテキストの推定手法を用いることは難しい。そのため、配信装置１００は、通常のコンテキストの推定手法を用いた場合、家やオフィスを推定した場合に推定精度を高めることが難しいユーザに対して、高精度なコンテキストの推定手法を用いることにより、コンテキストの推定に要する時間が長くなることを抑制しつつ、コンテキストの推定精度を高めることが可能となる。これにより、配信装置１００は、処理時間の増大を抑制しつつ、モデルによる予測精度を向上させることが可能となる。 Note that the example of FIG. 16 illustrates a case where the position of the home of the user U1 is determined according to the prediction accuracy of the model assigned to the mass MS corresponding to the context CT11 of the user U1 for the sake of simplicity. However, the distribution apparatus 100 may determine the position of the home of the user U1 based on the prediction accuracy of the entire model corresponding to the allocation of each position. In the above example, the case where the distribution apparatus 100 selects a candidate with the highest prediction accuracy from a plurality of candidates has been described. However, the distribution apparatus 100 uses various context estimation methods according to the user, and the user's house ( You may estimate your home) or office (work location). For example, the distribution device 100 may perform context estimation by properly using a normal context estimation method and a high-precision context estimation method capable of estimating a house or an office with higher accuracy than the normal context estimation method. Good. For example, the normal context estimation method is inferior in estimation accuracy but shorter in processing time than the high-precision context estimation method. On the other hand, the highly accurate context estimation method requires a longer processing time than the normal context estimation method. For example, when the distribution apparatus 100 estimates a user's home (home) or office (work location) using a normal context estimation method, the delivery apparatus 100 provides a highly accurate context for a user who has difficulty in increasing the estimation accuracy. The estimation method may be used to estimate the home or office of the user. For example, if a user's home or office is estimated by using a highly accurate context estimation method for all users (for example, 1 million users), it takes a long time to estimate the context, which is high for all users. It is difficult to use an accurate context estimation method. Therefore, when the distribution device 100 uses the normal context estimation method, the distribution device 100 uses the high-precision context estimation method for the user who has difficulty in increasing the estimation accuracy when estimating the house or the office. It is possible to improve the context estimation accuracy while suppressing the time required for context estimation from increasing. As a result, the distribution device 100 can improve the prediction accuracy based on the model while suppressing an increase in processing time.

〔８．効果〕
上述してきたように、実施形態に係る配信装置１００は、取得部１３１と、判定部１３５とを有する。取得部１３１は、ユーザごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報である組合情報ごとに生成されたモデルであって、所定の対象を予測するモデルを取得する。また、判定部１３５は、取得部１３１により取得されたモデルによる、組合情報に含まれる分類情報の各々に対応するコンテキストにおける当該分類情報に対応するユーザに関する所定の対象の予測精度に応じて、当該ユーザのコンテキストに関する情報、または当該ユーザのユーザ属性に関する情報を変更するかを判定する。 [8. effect〕
As described above, the distribution device 100 according to the embodiment has the acquisition unit 131 and the determination unit 135. The acquisition unit 131 is action information regarding actions for each user, and information obtained by combining division information, which is action information divided based on context, based on the tendency of the action information included in each of the division information. A model that is generated for each combination information that predicts a predetermined target is acquired. In addition, the determination unit 135 uses the model acquired by the acquisition unit 131 according to the prediction accuracy of a predetermined target regarding the user corresponding to the classification information in the context corresponding to each of the classification information included in the combination information. It is determined whether to change the information about the context of the user or the information about the user attribute of the user.

これにより、実施形態に係る配信装置１００は、各コンテキストにおけるモデルの予測精度に応じて、当該ユーザのコンテキストに関する情報、または当該ユーザのユーザ属性に関する情報を変更するかを判定することにより、ユーザに関する情報を適切に変更可能にすることができる。したがって、配信装置１００は、コンテキストに基づくモデルの予測精度によりユーザに関する情報を適切に変更可能にすることができる。 Thereby, the distribution device 100 according to the embodiment relates to the user by determining whether to change the information about the context of the user or the information about the user attribute of the user according to the prediction accuracy of the model in each context. Information can be changed appropriately. Therefore, the distribution apparatus 100 can appropriately change the information about the user according to the prediction accuracy of the model based on the context.

また、実施形態に係る配信装置１００において、判定部１３５は、一のユーザに割り当てられたモデルの予測精度が所定の条件を満たさない場合、一のユーザのコンテキストに関する情報、または一のユーザのユーザ属性に関する情報を変更すると判定する。 Further, in the distribution device 100 according to the embodiment, when the prediction accuracy of the model assigned to the one user does not satisfy the predetermined condition, the determination unit 135 determines whether the information about the context of the one user or the user of the one user. It is determined to change the information about the attribute.

これにより、実施形態に係る配信装置１００は、各ユーザに割り当てられたモデルの予測精度に応じて、各ユーザのコンテキストに関する情報、または各ユーザのユーザ属性に関する情報を変更するかを判定することにより、コンテキストに基づくモデルの予測精度に応じて各ユーザに関する情報を適切に変更可能にすることができる。したがって、配信装置１００は、コンテキストに基づくモデルの予測精度によりユーザに関する情報を適切に変更可能にすることができる。 With this, the distribution apparatus 100 according to the embodiment determines whether to change the information about the context of each user or the information about the user attribute of each user according to the prediction accuracy of the model assigned to each user. , Information about each user can be changed appropriately according to the prediction accuracy of the model based on the context. Therefore, the distribution apparatus 100 can appropriately change the information about the user according to the prediction accuracy of the model based on the context.

また、実施形態に係る配信装置１００において、判定部１３５は、一のユーザのユーザ属性に関する情報が複数の候補がある場合、各候補を割り当てた予測精度に基づいて、一のユーザのユーザ属性に関する情報をいずれの候補に変更するかを判定する。 Further, in the distribution device 100 according to the embodiment, when there is a plurality of candidates for the information on the user attribute of one user, the determination unit 135 relates to the user attribute of one user based on the prediction accuracy to which each candidate is assigned. Determine which candidate the information should be changed to.

これにより、実施形態に係る配信装置１００は、一のユーザのユーザ属性に関する情報が複数の候補がある場合であっても、コンテキストに基づくモデルの予測精度に応じてユーザに関する情報を適切に変更可能にすることができる。したがって、配信装置１００は、コンテキストに基づくモデルの予測精度によりユーザに関する情報を適切に変更可能にすることができる。 As a result, the distribution device 100 according to the embodiment can appropriately change the information about the user according to the prediction accuracy of the model based on the context, even when the information about the user attribute of one user has a plurality of candidates. Can be Therefore, the distribution apparatus 100 can appropriately change the information about the user according to the prediction accuracy of the model based on the context.

また、実施形態に係る配信装置１００において、判定部１３５は、一のユーザのコンテキストに関する情報が入替え可能である場合、一のユーザのコンテキストに関する情報を入れ替えると判定する。 Further, in the distribution device 100 according to the embodiment, the determination unit 135 determines to replace the information regarding the context of the one user when the information regarding the context of the one user is replaceable.

これにより、実施形態に係る配信装置１００は、あるユーザのコンテキストに関する情報が入替え可能である場合、そのユーザのコンテキストに関する情報を入れ替えると判定することにより、コンテキストに基づくモデルの予測精度によりユーザに関する情報を適切に変更可能にすることができる。したがって、配信装置１００は、コンテキストに基づくモデルの予測精度に応じてユーザに関する情報を適切に変更可能にすることができる。 Thereby, the distribution device 100 according to the embodiment determines that the information regarding the context of a certain user is interchangeable when the information regarding the context of the certain user is interchangeable, and thus the information regarding the user based on the prediction accuracy of the model based on the context. Can be changed appropriately. Therefore, the distribution device 100 can appropriately change the information about the user according to the prediction accuracy of the model based on the context.

また、実施形態に係る配信装置１００において、判定部１３５は、各ユーザのコンテキストに関する情報の信頼性、または各ユーザのユーザ属性に関する情報の信頼性に基づいて、コンテキストに関する情報、またはユーザ属性に関する情報を変更するユーザを判定する。 Further, in the distribution device 100 according to the embodiment, the determination unit 135, based on the reliability of the information regarding the context of each user or the reliability of the information regarding the user attribute of each user, the information regarding the context or the information regarding the user attribute. The user who changes

これにより、実施形態に係る配信装置１００は、各ユーザのコンテキストに関する情報の信頼性、または各ユーザのユーザ属性に関する情報の信頼性に応じて、当該ユーザのコンテキストに関する情報、または当該ユーザのユーザ属性に関する情報を変更するかを判定することにより、ユーザに関する情報を適切に変更可能にすることができる。 As a result, the distribution device 100 according to the embodiment, depending on the reliability of the information about the context of each user or the reliability of the information about the user attribute of each user, the information about the context of the user or the user attribute of the user. It is possible to appropriately change the information about the user by determining whether to change the information about the user.

また、実施形態に係る配信装置１００において、判定部１３５は、ユーザが新規ユーザである場合、新規ユーザのユーザ属性に類似する他のユーザにおけるコンテキストごとのモデルの割当てに対応して新規ユーザに割り当てられたモデルを取得する。 In addition, in the distribution apparatus 100 according to the embodiment, when the user is a new user, the determination unit 135 assigns the new user in response to the assignment of the model for each context in other users who are similar to the user attribute of the new user. Get the model that was created.

これにより、実施形態に係る配信装置１００は、ユーザ属性に類似する他のユーザにおけるコンテキストごとのモデルの割当てに対応したモデルが割り当てられた新規ユーザが変更対象となる場合であっても、コンテキストに基づくモデルの予測精度によりユーザに関する情報を適切に変更可能にすることができる。 As a result, the distribution device 100 according to the embodiment sets the context to be changed even when a new user to whom a model corresponding to the model allocation for each context in another user similar to the user attribute is assigned as a change target. The prediction accuracy of the model based on it can allow the information about the user to be changed appropriately.

また、実施形態に係る配信装置１００において、判定部１３５は、新規ユーザに割り当てられたモデルの予測精度が所定の条件を満たさない場合、新規ユーザのユーザ属性を変更すると判定する。 Further, in the distribution device 100 according to the embodiment, the determination unit 135 determines to change the user attribute of the new user when the prediction accuracy of the model assigned to the new user does not satisfy the predetermined condition.

これにより、実施形態に係る配信装置１００は、新規ユーザが変更対象となる場合であっても、コンテキストに基づくモデルの予測精度に応じて新規ユーザのユーザ属性を適切に変更可能にすることができる。 As a result, the distribution device 100 according to the embodiment can appropriately change the user attribute of the new user according to the prediction accuracy of the model based on the context even when the new user is the change target. .

〔９．ハードウェア構成〕
上述してきた実施形態に係る配信装置１００は、例えば図１７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１７は、配信装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、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。 [9. Hardware configuration)
The distribution device 100 according to the above-described embodiment is realized by, for example, a computer 1000 configured as shown in FIG. FIG. 17 is a hardware configuration diagram illustrating an example of a computer that realizes the functions of the distribution device. The computer 1000 has a CPU 1100, a RAM 1200, a ROM 1300, an HDD 1400, a communication interface (I / F) 1500, an input / output interface (I / F) 1600, and a media interface (I / F) 1700.

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。 The CPU 1100 operates based on a program stored in the ROM 1300 or the HDD 1400, and controls each unit. The ROM 1300 stores a boot program executed by the CPU 1100 when the computer 1000 starts up, a program dependent on the hardware of the computer 1000, and the like.

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 HDD 1400 stores programs executed by the CPU 1100, data used by the programs, and the like. The communication interface 1500 receives data from another device via the network N, sends the data to the CPU 1100, and transmits the data generated by the CPU 1100 to the other device via the network N.

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 CPU 1100 controls output devices such as a display and a printer and input devices such as a keyboard and a mouse via the input / output interface 1600. The CPU 1100 obtains data from an input device via the input / output interface 1600. Further, the CPU 1100 outputs the generated data to the output device via the input / output interface 1600.

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。 The media interface 1700 reads a program or data stored in the recording medium 1800 and provides the program or data to the CPU 1100 via the RAM 1200. The CPU 1100 loads the program from the recording medium 1800 onto the RAM 1200 via the media interface 1700 and executes the loaded program. The recording medium 1800 is, for example, an optical recording medium such as a DVD (Digital Versatile Disc) or PD (Phase change rewritable Disk), a magneto-optical recording medium such as an MO (Magneto-Optical disk), a tape medium, a magnetic recording medium, or a semiconductor memory. Etc.

例えば、コンピュータ１０００が実施形態に係る配信装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体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 computer 1000 functions as the distribution device 100 according to the embodiment, the CPU 1100 of the computer 1000 realizes the function of the control unit 130 by executing the program loaded on the RAM 1200. The CPU 1100 of the computer 1000 reads these programs from the recording medium 1800 and executes them, but as another example, these programs may be acquired from another device via the network N.

以上、本願の実施形態及び変形例のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。 As described above, some of the embodiments and modifications of the present application have been described in detail with reference to the drawings. However, these are merely examples, and various aspects based on the knowledge of those skilled in the art including the mode described in the row of the disclosure of the invention. It is possible to implement the present invention in other forms that are modified or improved.

〔１０．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。 [10. Other]
Further, of the processes described in the above-described embodiment and modified examples, all or part of the processes described as being automatically performed may be manually performed, or described as manually performed. It is also possible to automatically carry out all or part of the processing performed by a known method. In addition, the processing procedures, specific names, and information including various data and parameters shown in the above documents and drawings can be arbitrarily changed unless otherwise specified. For example, the various information shown in each drawing is not limited to the information shown.

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 device shown in the drawings is functionally conceptual, and does not necessarily have to be physically configured as shown. That is, the specific form of distribution / integration of each device is not limited to that shown in the figure, and all or a part of the device may be functionally or physically distributed / arranged in arbitrary units according to various loads and usage conditions. It can be integrated and configured.

また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。 Further, the above-described embodiments and modified examples can be appropriately combined within a range that does not contradict processing contents.

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。 Also, the above-mentioned "section (module, unit)" can be read as "means" or "circuit". For example, the acquisition unit can be read as an acquisition unit or an acquisition circuit.

１配信システム
１００配信装置（判定装置）
１２１ユーザ情報記憶部
１２２行動情報記憶部
１２３分割情報記憶部
１２４クラスタ情報記憶部
１２５学習情報記憶部
１２６コンテンツ情報記憶部
１３０制御部
１３１取得部
１３２推定部
１３３生成部
１３４決定部
１３５判定部
１３６配信部
１０端末装置
Ｎネットワーク 1 distribution system 100 distribution device (determination device)
121 user information storage unit 122 action information storage unit 123 division information storage unit 124 cluster information storage unit 125 learning information storage unit 126 content information storage unit 130 control unit 131 acquisition unit 132 estimation unit 133 generation unit 134 determination unit 135 determination unit 136 distribution Part 10 Terminal device N network

Claims

ユーザごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報である組合情報ごとに生成されたモデルであって、所定の対象を予測するモデルを取得する取得部と、
前記取得部により取得されたモデルによる、組合情報に含まれる分類情報の各々に対応するコンテキストにおける当該分類情報に対応するユーザに関する前記所定の対象の予測精度に応じて、当該ユーザのコンテキストに関する情報、または当該ユーザのユーザ属性に関する情報を変更するかを判定する判定部と、
を備えたことを特徴とする判定装置。 For each combination information, which is the behavior information regarding the behavior of each user, the division information that is the behavior information divided based on the context is the information that is combined based on the tendency of the behavior information included in each of the division information. An acquisition unit that acquires a model that predicts a predetermined target, the model being generated in
According to the prediction accuracy of the predetermined target for the user corresponding to the classification information in the context corresponding to each of the classification information included in the combination information by the model acquired by the acquisition unit, information about the context of the user, Or a determination unit that determines whether to change the information about the user attribute of the user,
A determination device comprising:

前記判定部は、
一のユーザに割り当てられたモデルの予測精度が所定の条件を満たさない場合、前記一のユーザのコンテキストに関する情報、または前記一のユーザのユーザ属性に関する情報を変更すると判定する
ことを特徴とする請求項１に記載の判定装置。 The determination unit,
When the prediction accuracy of the model assigned to the one user does not satisfy a predetermined condition, it is determined to change information about the context of the one user or information about a user attribute of the one user. The determination device according to item 1.

前記判定部は、
前記一のユーザのユーザ属性に関する情報が複数の候補がある場合、各候補を割り当てた予測精度に基づいて、前記一のユーザのユーザ属性に関する情報をいずれの候補に変更するかを判定する
ことを特徴とする請求項２に記載の判定装置。 The determination unit,
When there are a plurality of candidates for the information on the user attribute of the one user, it is determined which candidate to change the information on the user attribute of the one user based on the prediction accuracy to which each candidate is assigned. The determination device according to claim 2, wherein the determination device is characterized.

前記判定部は、
前記一のユーザのコンテキストに関する情報が入替え可能である場合、前記一のユーザのコンテキストに関する情報を入れ替えると判定する
ことを特徴とする請求項２に記載の判定装置。 The determination unit,
The determination device according to claim 2, wherein when the information regarding the context of the one user is interchangeable, it is determined that the information regarding the context of the one user is exchanged.

前記判定部は、
各ユーザのコンテキストに関する情報の信頼性、または各ユーザのユーザ属性に関する情報の信頼性に基づいて、コンテキストに関する情報、またはユーザ属性に関する情報を変更するユーザを判定する
ことを特徴とする請求項１〜４のいずれか１項に記載の判定装置。 The determination unit,
The user who changes the information about the context or the information about the user attribute is determined based on the reliability of the information about the context of each user or the reliability of the information about the user attribute of each user. The determination device according to any one of 4 above.

前記取得部は、
ユーザが新規ユーザである場合、新規ユーザのユーザ属性に類似する他のユーザにおけるコンテキストごとのモデルの割当てに対応して前記新規ユーザに割り当てられたモデルを取得する
ことを特徴とする請求項１〜５のいずれか１項に記載の判定装置。 The acquisition unit,
When the user is a new user, the model assigned to the new user is acquired corresponding to the assignment of the model for each context in other users similar to the user attribute of the new user. The determination device according to any one of 5 above.

前記判定部は、
前記新規ユーザに割り当てられたモデルの予測精度が所定の条件を満たさない場合、前記新規ユーザのコンテキストに関する情報、または前記新規ユーザのユーザ属性に関する情報を変更すると判定する
ことを特徴とする請求項６に記載の判定装置。 The determination unit,
7. If the prediction accuracy of the model assigned to the new user does not satisfy a predetermined condition, it is determined to change the information about the context of the new user or the information about the user attribute of the new user. The determination device described in 1.

コンピュータが実行する判定方法であって、
ユーザごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報である組合情報ごとに生成されたモデルであって、所定の対象を予測するモデルを取得する取得工程と、
前記取得工程により取得されたモデルによる、組合情報に含まれる分類情報の各々に対応するコンテキストにおける当該分類情報に対応するユーザに関する前記所定の対象の予測精度に応じて、当該ユーザのコンテキストに関する情報、または当該ユーザのユーザ属性に関する情報を変更するかを判定する判定工程と、
を含むことを特徴とする判定方法。 A determination method executed by a computer,
For each combination information, which is the behavior information regarding the behavior of each user, the division information that is the behavior information divided based on the context is the information that is combined based on the tendency of the behavior information included in each of the division information. An acquisition step of acquiring a model for predicting a predetermined target, which is a model generated in
According to the prediction accuracy of the predetermined target for the user corresponding to the classification information in the context corresponding to each of the classification information included in the combination information by the model acquired in the acquisition step, information about the context of the user, Or a determination step of determining whether to change the information about the user attribute of the user,
A determination method characterized by including:

ユーザごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報である組合情報ごとに生成されたモデルであって、所定の対象を予測するモデルを取得する取得手順と、
前記取得手順により取得されたモデルによる、組合情報に含まれる分類情報の各々に対応するコンテキストにおける当該分類情報に対応するユーザに関する前記所定の対象の予測精度に応じて、当該ユーザのコンテキストに関する情報、または当該ユーザのユーザ属性に関する情報を変更するかを判定する判定手順と、
をコンピュータに実行させることを特徴とする判定プログラム。 For each combination information, which is the behavior information regarding the behavior of each user, the division information that is the behavior information divided based on the context is the information that is combined based on the tendency of the behavior information included in each of the division information. An acquisition procedure for acquiring a model for predicting a predetermined target, which is a model generated in
By the model acquired by the acquisition procedure, according to the prediction accuracy of the predetermined target for the user corresponding to the classification information in the context corresponding to each of the classification information included in the combination information, information about the context of the user, Or a determination procedure for determining whether to change the information about the user attribute of the user,
A determination program that causes a computer to execute.