JP7145901B2 - Information processing device, information processing method and information processing program - Google Patents
Information processing device, information processing method and information processing program Download PDFInfo
- Publication number
- JP7145901B2 JP7145901B2 JP2020022874A JP2020022874A JP7145901B2 JP 7145901 B2 JP7145901 B2 JP 7145901B2 JP 2020022874 A JP2020022874 A JP 2020022874A JP 2020022874 A JP2020022874 A JP 2020022874A JP 7145901 B2 JP7145901 B2 JP 7145901B2
- Authority
- JP
- Japan
- Prior art keywords
- service
- user
- information processing
- sequence data
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims description 119
- 238000003672 processing method Methods 0.000 title claims description 10
- 230000007704 transition Effects 0.000 claims description 94
- 238000000034 method Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 19
- 238000000926 separation method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000008707 rearrangement Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000004308 accommodation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 235000014510 cooky Nutrition 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本発明は、情報処理装置、情報処理方法および情報処理プログラムに関する。 The present invention relates to an information processing device, an information processing method, and an information processing program.
オンラインサービスに対する利用者の離脱の実態を把握する技術が開示されている。例えば、利用者が利用したオンラインサービスのコンテンツ遷移を検知し、そしてコンテンツ毎に他のコンテンツへの遷移の度合いから、当該状態に滞在した確率である遷移固有ベクトルを算出し、各コンテンツから何れの他のコンテンツへも遷移しない度合いを離脱確率としてコンテンツ毎に算出し、コンテンツ毎の遷移固有ベクトルにコンテンツ毎の離脱確率を乗算した値を離脱要因値として算出する技術が知られている。 Techniques for grasping the actual state of withdrawal of users from online services have been disclosed. For example, the content transition of the online service used by the user is detected, and from the degree of transition to other content for each content, the transition eigenvector, which is the probability of staying in the state, is calculated. A technique is known in which a degree of not transitioning to a content is calculated for each content as a probability of leaving, and a value obtained by multiplying a transition eigenvector for each content by the probability of leaving for each content is calculated as a leaving factor value.
しかしながら、上記の従来技術では、利用者の離脱態様を詳細に推定しているとは言えない場合がある。例えば、上記の従来技術では、コンテンツごとの離脱確率に基づいて、利用者の離脱態様を推定しているに過ぎない。このため、利用者がどのような意図（コンテキスト）で離脱しているかを適切に推定しているとは言えない。 However, it may not be possible to say that the above conventional technology accurately estimates the user's withdrawal mode. For example, the above-described conventional technology merely estimates the user's withdrawal mode based on the withdrawal probability for each content. For this reason, it cannot be said that the intention (context) of the user's withdrawal is properly estimated.
本願は、上記に鑑みてなされたものであって、より効果的に離脱原因を探り当てることを目的とする。 The present application has been made in view of the above, and aims to find out the cause of withdrawal more effectively.
本願に係る情報処理装置は、各利用者のサービス利用の遷移を示すシーケンスデータであって、所定のターゲットサービスの利用を含むシーケンスデータを取得する取得部と、前記シーケンスデータから、前記利用者が前記ターゲットサービスを利用してから当該ターゲットサービスを再度利用するまでの期間を示す離脱期間情報を出力するようにモデルに学習させる学習部とを備えることを特徴とする。 An information processing apparatus according to the present application includes an acquisition unit that acquires sequence data indicating the transition of use of a service by each user, the sequence data including use of a predetermined target service; and a learning unit that causes a model to learn to output withdrawal period information indicating a period from when the target service is used until when the target service is used again.
実施形態の一態様によれば、より効果的に離脱原因を探り当てることができる。 According to one aspect of the embodiment, the cause of withdrawal can be found more effectively.
以下に、本願に係る情報処理装置、情報処理方法、および情報処理プログラムを実施するための形態（以下、「実施形態」と記載する）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情報処理装置、情報処理方法、および情報処理プログラムが限定されるものではない。また、以下の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 for implementing an information processing apparatus, an information processing method, and an information processing program according to the present application (hereinafter referred to as "embodiments") will be described in detail with reference to the drawings. The information processing apparatus, information processing method, and information processing program according to the present application are not limited to this embodiment. Also, in the following embodiments, the same parts are denoted by the same reference numerals, and overlapping descriptions are omitted.
〔１．情報処理方法の概要〕
まず、図１を参照し、実施形態に係る情報処理装置が行う情報処理方法の概要について説明する。図１は、実施形態に係る情報処理方法の概要を示す説明図である。なお、図１では、ターゲットサービスの離脱原因（利用者がそのサービスを利用しなくなった理由）を機械学習で推定する場合を例に挙げて説明する。
[1. Outline of information processing method]
First, an outline of an information processing method performed by an information processing apparatus according to an embodiment will be described with reference to FIG. FIG. 1 is an explanatory diagram showing an outline of an information processing method according to an embodiment. Note that in FIG. 1, a case will be described as an example in which the reason for leaving the target service (the reason why the user stopped using the service) is estimated by machine learning.
図１に示すように、情報処理システム１は、端末装置１０と情報処理装置１００と情報提供装置２００とを含む。端末装置１０と情報処理装置１００と情報提供装置２００とは、それぞれネットワークＮ（図３参照）を介して有線又は無線で互いに通信可能に接続される。
As shown in FIG. 1 , the
端末装置１０は、利用者Ｕにより利用されるスマートフォンやタブレット等のスマートデバイスであり、４Ｇ（Generation）やＬＴＥ（Long Term Evolution）等の無線通信網を介して任意のサーバ装置と通信を行うことができる情報処理装置である。また、端末装置１０は、液晶ディスプレイ等の画面であって、タッチパネルの機能を有する画面を有し、利用者から指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、コンテンツ等の表示データに対する各種の操作を受付ける。なお、画面のうち、コンテンツが表示されている領域上で行われた操作を、コンテンツに対する操作としてもよい。また、端末装置１０は、スマートデバイスのみならず、デスクトップＰＣ（Personal Computer）やノートＰＣ等の情報処理装置であってもよい。
The
情報提供装置２００は、各利用者Ｕの端末装置１０に対して、各種サービスを提供する情報処理装置であり、サーバ装置やクラウドシステム等により実現される。情報提供装置２００は、複数台であってもよい。また、情報提供装置２００は、利用者Ｕの端末装置１０からの検索要求に応じて、インターネットに存在するウェブページ、ウェブサイト、および／または、画像ファイル等のコンテンツを検索する機能を提供する検索サーバ（検索エンジン）であってもよい。例えば、情報提供装置２００は、ポータルサイト等を含む検索サイトを提供してもよい。ここで、情報提供装置２００は、端末装置１０等が情報提供装置２００にアクセスした際に、端末装置１０等からウェブブラウザを介して、情報提供装置２００とウェブブラウザとの間で状態を管理する通信プロトコル、またはそこで用いられるウェブブラウザに保存されたデータであるＨＴＴＰ Ｃｏｏｋｉｅ等を取得してもよい。また、情報提供装置２００は、中継サーバ（Proxy）やリダイレクタ（Redirector）等であってもよい。
The
情報処理装置１００は、各利用者Ｕの離脱原因を分析する情報処理装置であり、サーバ装置やクラウドシステム等により実現される。なお、情報処理装置１００は、情報提供装置２００の１つであってもよい。すなわち、情報処理装置１００も、サービスを提供する情報処理装置であってもよい。
The
例えば、利用者Ｕは、端末装置１０を用いて、各情報提供装置２００により提供される各種サービスを利用する（ステップＳ１）。
For example, the user U uses the
各情報提供装置２００は、各利用者Ｕの端末装置１０からのアクセスを集計して、各利用者Ｕのアクセスログを生成する（ステップＳ２）。
Each
情報処理装置１００は、各情報提供装置２００から、各利用者Ｕのアクセスログを取得する（ステップＳ３）。
The
このとき、情報処理装置１００は、アクセスログの利用に予め同意した利用者Ｕのアクセスログのみを取得するようにしてもよい。例えば、情報処理装置１００は、予め登録された利用者Ｕのアクセスログのみを取得するようにしてもよい。
At this time, the
なお、情報処理装置１００は、自身が各利用者Ｕの端末装置１０に対してサービスを提供している場合には、自身が提供するサービスに関する各利用者Ｕのアクセスログを生成することができる。
When the
情報処理装置１００は、各利用者Ｕのアクセスログから、同一セッションでのサービスの利用に関するサービス利用遷移シーケンスデータを作成する（ステップＳ４）。
The
なお、実際には、所定の期間内における利用者Ｕの一連のアクセスを、同一セッションでのサービスの利用としてもよい。また、所定の期間内に行われたアクセス以外にも、例えばリンクを辿った場合なども同一セッションでのサービスの利用としてもよい。 Incidentally, in practice, a series of accesses by the user U within a predetermined period may be regarded as use of the service in the same session. In addition to the access made within a predetermined period, for example, when following a link, the service may be used in the same session.
また、同一ブラウザや同一アプリケーションからのアクセス以外にも、異なるブラウザや異なるアプリケーションからの同一時間帯のアクセスを、同一セッションでのサービスの利用としてもよい。すなわち、同一ブラウザ等から連続してアクセスした場合以外にも、所定の期間内に連続して行われたアクセスを、同一セッションでのサービスの利用としてもよい。 In addition to access from the same browser or from the same application, access from different browsers or different applications in the same time zone may be used in the same session. That is, in addition to continuous accesses from the same browser or the like, continuous accesses within a predetermined period may be regarded as use of the service in the same session.
また、サービスは、任意のサービスであってもよい。例えば、サービスは、ウェブコンテンツであってもよいし、アプリケーション（以下、アプリ）であってもよい。また、サービスは、ＡＰＩ（Application Programming Interface）を介して端末装置１０に提供されるプログラムの機能やデータ等であってもよい。また、サービスの単位は、ウェブコンテンツごと、アプリごと、ドメインごと、サブドメインごと等でもよい。また、情報処理装置１００は、分析したい利用者の行動を任意の粒度でサービスとみなし、サービスごとの遷移を示すサービス利用遷移シーケンスデータを作成してもよい。
Also, the service may be any service. For example, the service may be web content or an application (hereinafter referred to as an application). Further, the service may be a program function, data, or the like provided to the
ここで、情報処理装置１００は、例えば利用者Ｕがアクセスしたドメインの順番、利用者Ｕがアクセスしたアプリの順番、あるいは利用者Ｕがアクセスしたウェブコンテンツの順番等、任意の粒度でアクセスログをまとめ、利用者Ｕが利用したサービスの内容やその順序を示すサービス利用遷移シーケンスデータを作成する。
Here, the
図１に示す例では、このサービス利用遷移シーケンスデータは、「第１検索サイト」、「ローカルまとめサイト」、「第１マップＷＥＢ」、「第１マップアプリ」、「第１検索サイト」、「トラベルサイト」および「宿泊予約サイト」を含み、これらの順にサービスの利用が遷移していることを示す。 In the example shown in FIG. 1, this service usage transition sequence data includes "first search site", "local summary site", "first map WEB", "first map application", "first search site", " It includes "travel site" and "accommodation reservation site", and indicates that the use of services is transitioning in the order of these.
「第１検索サイト」は、Ｗｅｂブラウザを介して提供される検索サービス（検索エンジン）を示す。また、「ローカルまとめサイト」は、利用者ＵがＷｅｂブラウザを用いてアクセスした地域発の情報や観光情報等のまとめサイトを示す。また、「第１マップＷＥＢ」は、Ｗｅｂブラウザを介して提供されるマップサービスを示す。また、「第１マップアプリ」は、マップ専用アプリを介して提供されるマップサービスを示す。また、「トラベルサイト」は、利用者ＵがＷｅｂブラウザを用いてアクセスした旅行関連サイトを示す。また、「宿泊予約サイト」は、利用者ＵがＷｅｂブラウザを用いてアクセスした宿泊施設等の予約サイトを示す。 "First search site" indicates a search service (search engine) provided via a web browser. A "local summary site" indicates a summary site of local information, sightseeing information, and the like accessed by the user U using the web browser. "First map WEB" indicates a map service provided via a web browser. "First map application" indicates a map service provided via a dedicated map application. "Travel site" indicates a travel-related site accessed by the user U using the web browser. "Accommodation reservation site" indicates a reservation site such as an accommodation facility accessed by the user U using the web browser.
なお、このようなサービス利用遷移シーケンスデータの生成においては、各サービスを跨いで利用者Ｕが共通して用いる利用者ＩＤを利用してもよい。例えば、各サービスにおいて利用者Ｕが個別に用いる利用者ＩＤを共通する利用者ＩＤへと変換するテーブルを用いてもよい。また、この利用者ＩＤは、例えば端末装置１０の識別情報であってもよい。
In generating such service usage transition sequence data, a user ID that is commonly used by the user U across services may be used. For example, a table may be used that converts user IDs that are individually used by users U to common user IDs in each service. Further, this user ID may be identification information of the
情報処理装置１００は、モデルに、サービス利用遷移シーケンスデータを入力して、同一セッションにおいて利用者Ｕがサービスを利用した意図（利用目的）を学習させ、その学習結果に基づいて、離脱期間（Absence Time）を予測するモデルを作成する（ステップＳ５）。なお、実際には、利用目的を学習させず、最初から離脱期間を予測するモデルの学習を行ってもよい。
The
このとき、情報処理装置１００は、離脱期間を正解データとして、ディープラーニング（深層学習）によりモデルに学習させる。例えば、シーケンスデータは、利用者Ｕが利用したサービスと、利用者Ｕが利用した順序を示している。そこで、情報処理装置１００は、サービスと順序とを入力した際に、離脱期間を出力するようにモデルの学習を行う。そして、情報処理装置１００は、離脱期間を予測するモデルに基づいて、予測された離脱期間を生成して出力する。
At this time, the
情報処理装置１００は、事前に学習データのうち一定の割合のデータをテストデータとして取り分けておき、モデルにそのテストデータの全てのサービス利用遷移シーケンスデータを入力して、予測された離脱期間が長い順に並べ替え、ターゲットサービスの離脱原因を推定する（ステップＳ６）。なお、テストデータだけでなく、学習データも入力して離脱期間を予測してもよい。
The
ここでは、情報処理装置１００は、ターゲットサービスの利用終了時から次回のターゲットサービスの利用開始時までのインターバル（間隔）を離脱期間と定義する。なお、離脱期間は、時間に限らず、例えば直近のターゲットサービスの利用時から次回のターゲットサービスの利用時までに利用者Ｕが利用したサービスの数（コンテンツ数）などであってもよい。すなわち、離脱期間は、利用者Ｕがターゲットサービスを利用してから当該ターゲットサービスを再度利用するまでの期間を示す離脱期間情報である。
Here, the
また、セッションを考慮して、利用シーケンスを、直近のターゲットサービスの利用時から次回のセッションでのターゲットサービスの利用時までとしてもよい。すなわち、直近のターゲットサービスの利用時から次回のセッションでのターゲットサービスの利用時までを１サイクルとしたサービス利用遷移シーケンスデータを作成するようにしてもよい。 Also, considering the session, the usage sequence may be from the time of using the most recent target service to the time of using the target service in the next session. That is, the service use transition sequence data may be created with one cycle from the time of use of the most recent target service to the time of use of the target service in the next session.
なお、利用者Ｕがそのサービスを次に利用しない限り、離脱期間は増大し続ける。仮に、利用者Ｕがそのサービスを二度と利用しない場合には、離脱期間は無限大に近づいていく。この場合、離脱期間に上限値を定めてもよい。例えば、情報処理装置１００は、離脱期間が所定の閾値に達した場合には、離脱期間を当該閾値に固定し、利用者Ｕがそのサービスから完全に離脱した（利用しなくなった）と判定するようにしてもよい。また、利用者Ｕがそのサービスを次に利用していない状態か、それ以外かの２値分類としてもよい。
Note that the withdrawal period continues to increase unless the user U uses the service again. If the user U never uses the service again, the withdrawal period approaches infinity. In this case, an upper limit may be set for the withdrawal period. For example, when the withdrawal period reaches a predetermined threshold, the
また、サービスの不具合やメンテナンス等、利用者Ｕ側の事情によらず、物理的にそのサービスを利用できない期間がある場合には、その期間を離脱期間から除外するようにしてもよい。但し、このような不具合やメンテナンス等の多発は、利用者Ｕが不満を抱いて当該サービスを利用しなくなる離脱原因にもなり得るため、積極的に離脱期間に含めるようにしてもよい。この場合、例えば、離脱期間の内訳として、利用者Ｕ側の要因による離脱期間と、サービス側の要因（不具合やメンテナンス等）による離脱期間とを示すようにしてもよい。 Also, if there is a period during which the service cannot be used physically, regardless of the circumstances on the user U side, such as service failure or maintenance, that period may be excluded from the withdrawal period. However, frequent occurrences of such troubles, maintenance, etc. may cause the user U to become dissatisfied and stop using the service, so it may be positively included in the withdrawal period. In this case, for example, as the breakdown of the withdrawal period, the withdrawal period due to factors on the user U side and the withdrawal period due to factors on the service side (malfunction, maintenance, etc.) may be indicated.
また、離脱期間は、利用者Ｕがそのサービスに満足している／魅力を感じているか否かを示す指標となる。例えば、相対的に／所定の閾値と比較して、離脱期間が短い場合には、利用者Ｕがそのサービスを積極的に利用しており、利用者Ｕがそのサービスに満足している／魅力を感じていると推測される。反対に、離脱期間が長い場合には、利用者Ｕがそのサービスをあまり利用しておらず、利用者Ｕがそのサービスに不満を抱いている／魅力を感じていないと推測される。すなわち、離脱期間は、ターゲットサービスに対する利用者の印象の指標となる指標情報にもなり得る。 Also, the withdrawal period is an index indicating whether or not the user U is satisfied with/attracted to the service. For example, if the withdrawal period is short relatively/compared to a predetermined threshold, it indicates that the user U is actively using the service and that the user U is satisfied/attractive with the service. It is assumed that he feels Conversely, if the withdrawal period is long, it is presumed that the user U does not use the service very much and that the user U is dissatisfied with/not attracted to the service. In other words, the withdrawal period can also be index information that indicates the user's impression of the target service.
したがって、情報処理装置１００は、ターゲットサービスの離脱期間が長いサービス利用遷移シーケンスデータの中に、ターゲットサービスの離脱原因が含まれていると判断することができる。そのサービス利用遷移シーケンスデータを調べることで、ターゲットサービスの離脱原因を推定し、サービスを改善することができる。
Therefore, the
ここで、サービス利用遷移シーケンスデータについて、日常的に利用されるサービスと、盆／正月／ゴールデンウィーク（ＧＷ）等の年間の特定の時期に利用されるサービスとでは、シーケンスパターンおよび離脱期間のスパンが異なる。 Here, regarding the service usage transition sequence data, the sequence pattern and the span of the withdrawal period are different between services that are used on a daily basis and services that are used at specific times of the year such as Obon/New Year/Golden Week (GW). different.
また、同じ地図アプリでも、雨雲レーダのような天気予報確認目的で利用される場合と、連休中の渋滞予測のような交通情報確認目的で利用される場合とでは、シーケンスパターンおよび離脱期間のスパンが異なる。 Also, even with the same map application, when it is used for weather forecast confirmation such as rain cloud radar, and when it is used for traffic information confirmation such as congestion forecast during consecutive holidays, the sequence pattern and departure period span are different. is different.
そこで、本実施形態では、先にシーケンス毎の利用目的を特定した上で、次にターゲットサービスの離脱期間を予測するモデルを作成する。 Therefore, in the present embodiment, the purpose of use for each sequence is specified first, and then a model for predicting the withdrawal period of the target service is created.
〔１－１．利用目的予測モデル〕
図２Ａを参照し、利用目的予測モデルについて説明する。図２Ａは、利用目的予測モデルの概要を示す説明図である。
[1-1. Usage purpose prediction model]
The usage purpose prediction model will be described with reference to FIG. 2A. FIG. 2A is an explanatory diagram showing an outline of a purpose-of-use prediction model.
本実施形態では、情報処理装置１００は、モデルに、サービス利用遷移シーケンスデータを入力し、当該シーケンスの利用目的について学習させる。
In the present embodiment, the
モデルは、任意の種別のモデルが採用可能である。例えば、情報処理装置１００は、ＳＶＭ（Support Vector Machine）やＤＮＮ（Deep Neural Network）をモデルとして採用してもよい。ここで、ＤＮＮは、ＣＮＮ（Convolutional Neural Network）やＲＮＮ（Recurrent Neural Network）であってもよい。また、ＲＮＮは、ＬＳＴＭ（Long short-term memory）等であってもよい。すなわち、モデルは、任意の形式のモデルが採用可能である。また、モデルは、例えば、ＣＮＮとＲＮＮとを組み合わせたモデル等、複数のモデルを組み合わせることで実現されるモデルであってもよい。
Any type of model can be adopted as the model. For example, the
また、情報処理装置１００は、分析したい利用者の行動を任意の粒度でサービスとみなし、サービスごとの遷移を示すサービス利用遷移シーケンスデータを作成し、作成したサービス利用遷移シーケンスデータが示す特徴（サービス利用の遷移態様が有する特徴）から、モデルの生成を行ってもよい。
In addition, the
本実施形態では、モデルの一例として、ＬＳＴＭを使用する場合について説明する。ＬＳＴＭは、時系列データ(sequential data)に対するモデルである。 In this embodiment, the case of using LSTM as an example of a model will be described. LSTM is a model for sequential data.
まず、情報処理装置１００は、ＬＳＴＭに、サービス利用遷移シーケンスデータを入力し、サービス利用遷移シーケンスデータに含まれる各サービスについて、そのサービスの次に利用されるサービスを予測するようにモデルに学習させる。すなわち、そのサービスの次に利用される確率が高いサービスを求めるようにモデルに学習させる。
First, the
ここで、情報処理装置１００は、サービス「第１検索サイト」をＬＳＴＭに入力すると、そのサービスの次に利用されるサービスとして、サービス「ローカルまとめサイト」を予測するようにモデルに学習させる。
Here, when the service "first search site" is input to the LSTM, the
実際に、入力されたサービス利用遷移シーケンスデータにおいて、サービス「第１検索サイト」の次にサービス「ローカルまとめサイト」が利用されているため、この予測は正しいと推定される。 This prediction is presumed to be correct because the service 'local summary site' is actually used after the service 'first search site' in the input service use transition sequence data.
情報処理装置１００は、同様の手順で、サービス「ローカルまとめサイト」以降のサービスについても、そのサービスの次に利用されるサービスを予測するようにモデルに学習させる。
The
このように、図２Ａに示す例では、「第１検索サイト」、「ローカルまとめサイト」、「第１マップｗｅｂ」．．．というように、「各サービスを示す値」を、各サービスが利用された順に入力する。この際、情報処理装置１００は、入力されたサービスの次のサービスを予測するように、モデルのプレトレーニング（事前学習）を行う。例えば、モデルは、「第１検索サイト」を入力すると「ローカルまとめサイト」を出力するようにプレトレーニングが行われる。なお、実際には、プレトレーニングを行わなくてもよい。
Thus, in the example shown in FIG. 2A, "first search site", "local summary site", "first map web". . . Enter the "value indicating each service" in the order in which each service was used. At this time, the
このようなモデルは、最終的に、シーケンスデータにおいてターゲットサービスを利用した際の利用者の印象（利用目的、満足しているか否か、若しくはその度合等）を学習することとなる。 Such a model will eventually learn the user's impression (purpose of use, satisfaction or not, degree of satisfaction, etc.) when using the target service in the sequence data.
なお、各サービスに近い利用目的のサービスは、別途、情報処理装置１００が各サービスの利用目的を定量化することにより求めてもよい。
It should be noted that a service whose purpose of use is similar to each service may be obtained by separately quantifying the purpose of use of each service by the
例えば、情報処理装置１００は、ベクトル表現化方式（例えば、Word2Vec）等の学習手法や同様の手法を用いて、モデルにサービス利用遷移シーケンスデータが有する特徴を学習させる。そして、情報処理装置１００は、学習済のモデルを用いて、サービス毎のベクトルを生成する。情報処理装置１００は、サービス毎のベクトルを可視化して分析することにより、各サービスに近い利用目的のサービスを推定する。
For example, the
また、図２Ａに示すＬＳＴＭのモデルの右端最上段には、当該シーケンスの利用目的を示す分散表現（単語埋め込み）が生成される。分散表現は、単語を高次元（２００次元ほど）の実数ベクトルで表現する。分散表現では、近い意味の単語を近いベクトルに対応させる。ここでは、分散表現には、当該シーケンスの利用目的が表現されている。 In addition, a distributed expression (word embedding) indicating the purpose of use of the sequence is generated at the top right end of the LSTM model shown in FIG. 2A. Distributed representation expresses a word by a high-dimensional (approximately 200-dimensional) real number vector. Distributed representations associate words with close meanings with close vectors. Here, the distributed representation expresses the purpose of use of the sequence.
〔１－２．離脱期間予測モデル〕
図２Ｂを参照し、離脱期間予測モデルについて説明する。図２Ｂは、離脱期間予測モデルの概要を示す説明図である。なお、利用目的予測モデルを学習させず、最初から離脱期間予測モデルの学習を行ってもよい。
[1-2. Withdrawal period prediction model]
The withdrawal period prediction model will be described with reference to FIG. 2B. FIG. 2B is an explanatory diagram showing an overview of the withdrawal period prediction model. Note that the withdrawal period prediction model may be learned from the beginning without learning the purpose of use prediction model.
情報処理装置１００は、モデルに、上記の利用目的予測モデルで学習された全てのサービス利用遷移シーケンスデータを入力する。モデルは、例えばＬＳＴＭである。但し、ＬＳＴＭは一例に過ぎない。
The
これにより、情報処理装置１００は、サービス利用遷移シーケンスデータをモデルに入力し、二乗誤差（Squared Error）を算出する。そして、情報処理装置１００は、二乗誤差を小さくするようにモデルの学習を行う。
Thereby, the
なお、二乗誤差とは、実際の値とモデルによる予測値との誤差である。すなわち、実際の離脱期間と、モデルにより予測された離脱期間とのずれを示す。 The squared error is the error between the actual value and the model-predicted value. That is, it indicates the deviation between the actual withdrawal duration and the withdrawal duration predicted by the model.
情報処理装置１００は、事前に学習データのうち一定の割合のデータをテストデータとして取り分けておき、モデルにそのテストデータの全てのサービス利用遷移シーケンスデータを入力して、予測された離脱期間が長い順に並べ替える。また、入力するデータは学習に用いたものを使用してもよい。例えば、情報処理装置１００は、離脱期間が長い方から順に、サービス利用遷移シーケンスデータを出力する。このとき、情報処理装置１００は、出力されるサービス利用遷移シーケンスデータの数を所定の数に制限してもよい。また、情報処理装置１００は、入力された全てのサービス利用遷移シーケンスデータに対し、予測された離脱期間に基づいて、昇順／降順にソート（並べ替え）したり、重複データをマージ（併合）したりしてもよい。また、情報処理装置１００は、離脱期間が長い方から順にサービス利用遷移シーケンスデータを出力したものを、離脱期間が短い方から順にサービス利用遷移シーケンスデータを出力したものと比較してもよい。これにより、離脱期間の長い（離脱確率の高い）遷移シーケンス群、すなわち、離脱原因が含まれる遷移シーケンス群の特徴があぶり出される。その結果、この遷移シーケンス群に離脱原因があると解釈して、サービス改善を実施することができる。
The
このように、図２Ｂに示す例では、情報処理装置１００は、上記の図２Ａに示す例のようなプレトレーニングを行ったモデルに対し、シーケンスデータの各サービスを順に入力した際に出力される予測値と実際の値との二乗誤差を算出し、二乗誤差が小さくなるように、モデルの再学習を行う。なお、実際には、プレトレーニングを行わなくてもよい。
As described above, in the example shown in FIG. 2B, the
この結果、情報処理装置１００は、シーケンスデータから、離脱期間を推定するモデルに学習させることができる。
As a result, the
〔１－３．粒度の細かいサービス利用遷移シーケンスの一例〕
ここまで、異なるサイトへの遷移等の粒度の粗いサービス利用遷移シーケンスデータを入力した場合について説明してきたが、１つのアプリの各機能への遷移等の粒度の細かいサービス利用遷移シーケンスデータを入力した場合についても同様に処理することができる。
[1-3. An example of a fine-grained service usage transition sequence]
So far, we have explained the case of inputting coarse-grained service usage transition sequence data, such as transitions to different sites. The case can be similarly processed.
図２Ｃを参照し、粒度の細かいサービス利用遷移シーケンスデータを入力した場合について説明する。図２Ｃは、１つのアプリの各機能への遷移シーケンスを示す説明図である。 With reference to FIG. 2C, a case where fine-grained service usage transition sequence data is input will be described. FIG. 2C is an explanatory diagram showing a transition sequence to each function of one application.
図２Ｃに示すように、マップサービス「第１マップ」内の各機能への遷移シーケンスであって、「グルメアイコン」がシーケンス内に含まれるものに限定して、学習されたシーケンスパターンを入力する。 As shown in FIG. 2C, the transition sequence to each function in the map service "first map" is limited to those in which the "gourmet icon" is included in the sequence, and the learned sequence pattern is input. .
図２Ｃに示す例では、このシーケンスパターンは、マップサービス「第１マップ」について、「第１マップアプリ起動」に始まり、「マップ検索」、「結果画面スクロール」、「グルメアイコン」、「結果画面スクロール」、「グルメ詳細表示」および「電話」の順に遷移していることを示す。 In the example shown in FIG. 2C, for the map service "first map", this sequence pattern starts with "first map application launch", "map search", "result screen scroll", "gourmet icon", "result screen scroll”, “gourmet detail display” and “telephone”.
このようにすることで、１つのアプリの各機能の利用目的を推定して、各機能の遷移シーケンスの中での離脱原因を見つけ出すことができる。例えば、離脱期間が長くなっているシーケンスパターンに、ある機能の利用が特徴的な場合には、アプリの作り込みが甘いために時代の変化とともにその機能が使い難くなっているか、利用者Ｕがその機能に対して不満を感じるようになったと推測される。これにより、サービス改善のための課題が明らかになる。 By doing so, it is possible to estimate the purpose of use of each function of one application and find out the cause of withdrawal in the transition sequence of each function. For example, if the sequence pattern with a long withdrawal period is characterized by the use of a certain function, it may be that the function is becoming difficult to use as the times change due to poor design of the application, or the user U It is presumed that he became dissatisfied with the function. This clarifies issues for service improvement.
本実施形態では、ターゲットサービスの離脱原因をディープラーニング（深層学習）で推定する。これにより、利用者が最も離脱する使い方のシーケンスをモデルが導き出すことができる。 In this embodiment, the reason for leaving the target service is estimated by deep learning. This allows the model to derive the sequence of usages that the user leaves the most.
〔２．情報処理システムの構成例〕
次に、図３を用いて、実施形態に係る情報処理装置１００が含まれる情報処理システム１の構成について説明する。図３は、実施形態に係る情報処理システム１の構成例を示す図である。図３に示すように、実施形態に係る情報処理システム１は、端末装置１０と情報処理装置１００と情報提供装置２００とを含む。これらの各種装置は、ネットワークＮを介して、有線又は無線により通信可能に接続される。ネットワークＮは、例えば、ＬＡＮ（Local Area Network）や、インターネット等のＷＡＮ（Wide Area Network）である。
[2. Configuration example of information processing system]
Next, the configuration of the
また、図３に示す情報処理システム１に含まれる各装置の数は図示したものに限られない。例えば、図３では、図示の簡略化のため、端末装置１０や情報提供装置２００をそれぞれ１台のみ示したが、これはあくまでも例示であって限定されるものではなく、２台以上であってもよい。
Also, the number of devices included in the
端末装置１０は、利用者Ｕによって使用される情報処理装置である。例えば、端末装置１０は、スマートフォンやタブレット端末等のスマートデバイス、フィーチャーフォン、ＰＣ（Personal Computer）、ＰＤＡ（Personal Digital Assistant）、カーナビゲーションシステム、スマートウォッチやヘッドマウントディスプレイ等のウェアラブルデバイス（Wearable Device）、スマートグラス等である。
The
また、かかる端末装置１０は、ＬＴＥ（Long Term Evolution）、４Ｇ（4th Generation）、５Ｇ（5th Generation：第５世代移動通信システム）等の無線通信網や、Ｂｌｕｅｔｏｏｔｈ（登録商標）、無線ＬＡＮ（Local Area Network）等の近距離無線通信を介してネットワークＮに接続し、情報処理装置１００や情報提供装置２００と通信することができる。
In addition, the
情報処理装置１００や情報提供装置２００は、例えばＰＣやサーバ、あるいはメインフレーム又はワークステーション等である。なお、情報処理装置１００および情報提供装置２００は、クラウドコンピューティングにより実現されてもよい。
The
〔３．情報処理装置の構成例〕
次に、図４を用いて、実施形態に係る情報処理装置１００の構成について説明する。図４は、実施形態に係る情報処理装置１００の構成例を示す図である。図４に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。
[3. Configuration example of information processing device]
Next, the configuration of the
（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。また、通信部１１０は、ネットワークＮ（図３参照）と有線又は無線で接続される。
(Communication unit 110)
The communication unit 110 is realized by, for example, a NIC (Network Interface Card) or the like. Also, the communication unit 110 is connected to the network N (see FIG. 3) by wire or wirelessly.
（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、又は、ハードディスク、光ディスク等の記憶装置によって実現される。図４に示すように、記憶部１２０は、利用者データベース１２１と、シーケンスデータベース１２２と、離脱期間データベース１２３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 flash memory, or a storage device such as a hard disk or an optical disk. As shown in FIG. 4 , the storage unit 120 has a
（利用者データベース１２１）
利用者データベース１２１は、利用者Ｕに関する各種情報を記憶する。例えば、利用者データベース１２１は、利用者Ｕの属性等の種々の情報を記憶する。図５は、利用者データベース１２１の一例を示す図である。図５に示した例では、利用者データベース１２１は、「利用者ＩＤ（Identifier）」、「年齢」、「性別」、「自宅」、「勤務地」、「サービス」、「アクセスログ」といった項目を有する。
(User database 121)
The
「利用者ＩＤ」は、利用者Ｕを識別するための識別情報を示す。また、「年齢」は、利用者ＩＤにより識別される利用者Ｕの年齢を示す。なお、「年齢」は、例えば３５歳など、利用者ＩＤにより識別される利用者Ｕの具体的な年齢であってもよい。また、「性別」は、利用者ＩＤにより識別される利用者Ｕの性別を示す。 “User ID” indicates identification information for identifying the user U. "Age" indicates the age of the user U identified by the user ID. Note that the “age” may be a specific age of the user U identified by the user ID, such as 35 years old. "Gender" indicates the gender of the user U identified by the user ID.
また、「自宅」は、利用者ＩＤにより識別される利用者Ｕの自宅の位置情報を示す。なお、図５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、緯度経度情報等であってもよい。また、例えば、「自宅」は、地域名や住所であってもよい。 "Home" indicates location information of the home of the user U identified by the user ID. In the example shown in FIG. 5, "home" is represented by an abstract code such as "LC11", but may be latitude/longitude information or the like. Also, for example, "home" may be an area name or an address.
また、「勤務地」は、利用者ＩＤにより識別される利用者Ｕの勤務地（学生の場合は学校）の位置情報を示す。なお、図５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、緯度経度情報等であってもよい。また、例えば、「勤務地」は、地域名や住所であってもよい。 "Place of work" indicates location information of the place of work (school in the case of a student) of the user U identified by the user ID. In the example shown in FIG. 5, the "place of work" is illustrated as an abstract code such as "LC12", but may be latitude/longitude information or the like. Also, for example, the "place of work" may be an area name or an address.
また、「サービス」は、利用者ＩＤにより識別される利用者Ｕが現在利用しているサービスを示す。なお、「サービス」は、複数であってもよい。すなわち、１人の利用者Ｕが複数のサービスを同時に利用してもよい。 "Service" indicates the service currently used by the user U identified by the user ID. Note that there may be multiple "services". That is, one user U may use multiple services at the same time.
また、「アクセスログ」は、利用者ＩＤにより識別される利用者Ｕのアクセスログであって、各情報提供装置２００から取得した利用者Ｕのアクセスログを示す。
“Access log” is an access log of the user U identified by the user ID, and indicates the access log of the user U acquired from each
例えば、図５に示す例において、利用者ＩＤ「Ｕ１」により識別される利用者Ｕ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、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは、自宅が「ＬＣ１１」であることを示す。また、例えば、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは、勤務地が「ＬＣ１２」であることを示す。また、例えば、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは「サービス＃１１」を利用しており、そのアクセスログが「ログ＃１」に記録されていることを示す。
For example, in the example shown in FIG. 5, the age of the user U identified by the user ID "U1" is "twenties" and the gender is "male". Also, for example, the user U identified by the user ID "U1" indicates that the home is "LC11". Also, for example, the user U identified by the user ID "U1" indicates that the place of work is "LC12". Also, for example, user U identified by user ID "U1" uses "service #11" and its access log is recorded in "
ここで、図５に示す例では、「Ｕ１」、「ＬＣ１１」、「ＬＣ１２」、「サービス＃１１」および「ログ＃１」といった抽象的な値を用いて図示するが、「Ｕ１」、「ＬＣ１１」、「ＬＣ１２」、「サービス＃１１」および「ログ＃１」には、具体的な文字列や数値等の情報が記憶されるものとする。以下、他の情報に関する図においても、抽象的な値を図示する場合がある。
Here, in the example shown in FIG. 5, abstract values such as "U1", "LC11", "LC12", "service #11" and "
なお、利用者データベース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、利用者データベース１２１は、利用者Ｕの端末装置１０に関する各種情報を記憶してもよい。また、利用者データベース１２１は、利用者Ｕのデモグラフィック（人口統計学的属性）、サイコグラフィック（心理学的属性）、ジオグラフィック（地理学的属性）、ベヘイビオラル（行動学的属性）等の属性に関する情報を記憶してもよい。例えば、利用者データベース１２１は、氏名、家族構成、職業、職位、収入、資格、居住形態（戸建、マンション等）、車の有無、通学・通勤時間、通学・通勤経路、定期券区間（駅、路線等）、利用頻度の高い駅（自宅・勤務地の最寄駅以外）、行動履歴（利用頻度の高い位置情報）、習い事（場所、時間帯等）、趣味、興味、ライフスタイル等の情報を記憶してもよい。また、利用者データベース１２１は、利用者Ｕが検索エンジン等に入力した検索クエリ（検索キーワード）に関する情報を記憶してもよい。
The
（シーケンスデータベース１２２）
シーケンスデータベース１２２は、利用者Ｕの同一セッションでのサービスの利用に関するアクセスログから作成したサービス利用遷移シーケンスデータに関する各種情報を記憶する。図６は、シーケンスデータベース１２２の一例を示す図である。図６に示した例では、シーケンスデータベース１２２は、「利用者ＩＤ」、「シーケンスＩＤ」、「サービス利用遷移シーケンス」といった項目を有する。
(Sequence database 122)
The
「利用者ＩＤ」は、利用者Ｕを識別するための識別情報を示す。また、「シーケンスＩＤ」は、サービス利用遷移シーケンスデータを識別するための識別情報を示す。また、「サービス利用遷移シーケンス」は、サービス利用遷移シーケンスデータに含まれる各サービスとその利用順序を示す。なお、各サービスを示す情報は、各サービスを識別するための識別情報であってもよい。 “User ID” indicates identification information for identifying the user U. "Sequence ID" indicates identification information for identifying service use transition sequence data. "Service use transition sequence" indicates each service included in the service use transition sequence data and the use order thereof. The information indicating each service may be identification information for identifying each service.
さらに、「サービス利用遷移シーケンス」は、「サービス」、「利用日時」といった項目を含む。「サービス」は、利用者Ｕにより利用されたサービスを示す。また、「利用日時」は、利用者Ｕがそのサービスを利用した日時を示す。なお、「利用日時」は、利用者Ｕがそのサービスを利用した順番を示す情報（例えば、「１，２，３，・・・」、「Ａ，Ｂ，Ｃ，・・・」など）であってもよい。 Furthermore, the 'service use transition sequence' includes items such as 'service' and 'use date and time'. "Service" indicates the service used by the user U. "Date and time of use" indicates the date and time when the user U used the service. The "date and time of use" is information indicating the order in which the user U used the service (for example, "1, 2, 3, ...", "A, B, C, ..."). There may be.
例えば、図６に示す例において、利用者ＩＤ「Ｕ１」により識別される利用者Ｕの同一セッションでのサービスの利用に関するアクセスログから、シーケンスＩＤ「ＳＱ１」により識別されるサービス利用遷移シーケンスデータが作成されたことを示す。また、シーケンスＩＤ「ＳＱ１」により識別されるサービス利用遷移シーケンスデータでは、利用者Ｕにより利用されたサービスが、「第１検索サイト」、「ローカルまとめサイト」、「第１マップＷＥＢ」、「第１マップアプリ」、「第１検索サイト」、「トラベルサイト」および「宿泊予約サイト」の順に遷移していることを示す。 For example, in the example shown in FIG. 6, the service usage transition sequence data identified by the sequence ID "SQ1" is obtained from the access log regarding the usage of the service in the same session of the user U identified by the user ID "U1". Indicates that it has been created. Further, in the service usage transition sequence data identified by the sequence ID "SQ1", the services used by the user U are "first search site", "local summary site", "first map WEB", and "first search site". 1 map application”, “first search site”, “travel site”, and “accommodation reservation site”.
なお、シーケンスデータベース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、シーケンスデータベース１２２は、サービス利用遷移シーケンスデータに含まれる各サービスの利用日時に関する情報を記憶してもよい。また、シーケンスデータベース１２２は、サービス利用遷移シーケンスデータに含まれる各サービスの利用場所に関する情報を記憶してもよい。
The
（離脱期間データベース１２３）
離脱期間データベース１２３は、ターゲットサービスの離脱期間（Absence Time）に関する各種情報を記憶する。図７は、離脱期間データベース１２３の一例を示す図である。図７に示した例では、離脱期間データベース１２３は、「シーケンスＩＤ」、「ターゲットサービス」、「離脱期間」といった項目を有する。
(Withdrawal period database 123)
The
「シーケンスＩＤ」は、サービス利用遷移シーケンスデータを識別するための識別情報を示す。また、「ターゲットサービス」は、サービス利用遷移シーケンスデータに含まれるターゲットサービスを示す。また、「離脱期間」は、ターゲットサービスの離脱期間を示す。 “Sequence ID” indicates identification information for identifying service use transition sequence data. "Target service" indicates the target service included in the service use transition sequence data. Also, "withdrawal period" indicates the withdrawal period of the target service.
例えば、図７に示す例において、シーケンスＩＤ「ＳＱ１」により識別されるサービス利用遷移シーケンスデータにおけるターゲットサービス「第１マップアプリ」の離脱期間は「離脱期間＃１」であることを示す。
For example, in the example shown in FIG. 7, the withdrawal period of the target service "first map application" in the service use transition sequence data identified by the sequence ID "SQ1" is "
なお、離脱期間データベース１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、離脱期間データベース１２３は、ターゲットサービスの離脱原因（利用者がそのサービスを利用しなくなった理由）に関する情報を記憶してもよい。また、離脱期間データベース１２３は、二乗誤差に関する情報を記憶してもよい。
It should be noted that the
（制御部１３０）
図４に戻り、説明を続ける。制御部１３０は、コントローラ（Controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等によって、情報処理装置１００内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭ等の記憶領域を作業領域として実行されることにより実現される。図４に示す例では、制御部１３０は、受付部１３１と、取得部１３２と、作成部１３３と、学習部１３４と、分析部１３５と、提供部１３６とを有する。
(control unit 130)
Returning to FIG. 4, the description is continued. The
（受付部１３１）
受付部１３１は、通信部１１０を介して、各利用者Ｕの端末装置１０から、各利用者Ｕに関する各種情報の登録を受付け、利用者データベース１２１に記憶する。
(Reception unit 131)
The reception unit 131 receives registration of various information about each user U from the
（取得部１３２）
取得部１３２は、通信部１１０を介して、各情報提供装置２００から、各利用者Ｕのアクセスログを取得する。
(Acquisition unit 132)
The acquisition unit 132 acquires the access log of each user U from each
（作成部１３３）
作成部１３３は、取得された各利用者Ｕのアクセスログから、同一セッションでのサービスの利用に関するサービス利用遷移シーケンスデータを作成する。
(Creating unit 133)
The creation unit 133 creates service use transition sequence data regarding service use in the same session from the acquired access log of each user U. FIG.
また、作成部１３３は、各利用者Ｕの端末装置１０が情報処理装置１００により提供されるサービスを利用している場合には、情報処理装置１００により提供されるサービスに関するアクセスログを自動的に作成してもよい。
Further, when the
また、作成部１３３は、所定のターゲットサービスの利用を含み、かつ、他のサービスの利用態様が所定の条件を満たすサービス利用遷移シーケンスデータを作成してもよい。例えば、シーズン物（季節的な要因に左右される）サービスが含まれているシーケンスだけを抽出して、学習用のサービス利用遷移シーケンスデータを作成する。 Further, the creation unit 133 may create service usage transition sequence data that includes usage of a predetermined target service and that the usage mode of another service satisfies a predetermined condition. For example, only sequences containing seasonal (depending on seasonal factors) services are extracted to create service usage transition sequence data for learning.
なお、作成部１３３は、取得部１３２と一体化していてもよい。例えば、取得部１３２が取得したアクセスログをそのままサービス利用遷移シーケンスデータとして使用してもよい。また、作成部１３３がサービス利用遷移シーケンスデータを作成することで、サービス利用遷移シーケンスデータを取得したとみなすこともできる。 Note that the creation unit 133 may be integrated with the acquisition unit 132 . For example, the access log acquired by the acquisition unit 132 may be used as it is as the service usage transition sequence data. In addition, it can be considered that the creation unit 133 has acquired the service usage transition sequence data by creating the service usage transition sequence data.
（学習部１３４）
学習部１３４は、モデルに、サービス利用遷移シーケンスデータを入力し、同一セッションにおいて利用者Ｕがサービスを利用した意図（利用目的）について学習させる。また、学習部１３４は、その学習結果に基づいて、離脱期間を予測するモデルを作成する。このとき、学習部１３４は、離脱期間を正解データとしてモデルに学習させる。図示は省略するが、学習部１３４は、算出部１３４Ａと、生成部１３４Ｂとを含む。
(learning unit 134)
The learning unit 134 inputs the service use transition sequence data into the model, and makes the model learn about the user U's intention (purpose of use) of using the service in the same session. The learning unit 134 also creates a model for predicting the withdrawal period based on the learning result. At this time, the learning unit 134 causes the model to learn the withdrawal period as correct data. Although illustration is omitted, the learning unit 134 includes a calculation unit 134A and a generation unit 134B.
算出部１３４Ａは、サービス利用遷移シーケンスデータに基づいて、ターゲットサービスの二乗誤差（Squared Error）を算出する。 The calculator 134A calculates the squared error of the target service based on the service usage transition sequence data.
生成部１３４Ｂは、ターゲットサービスの二乗誤差に基づいて、ターゲットサービスの離脱期間を予測するモデルを作成する。また、生成部１３４Ｂは、離脱期間を予測するモデルに基づいて、ターゲットサービスの離脱期間情報を生成する。 The generator 134B creates a model for predicting the withdrawal period of the target service based on the squared error of the target service. The generation unit 134B also generates withdrawal period information of the target service based on a model for predicting the withdrawal period.
モデルは、例えばＬＳＴＭ（Long short-term memory）等である。但し、ＬＳＴＭは一例に過ぎない。モデルは、任意の種別のモデルが採用可能である。 The model is, for example, LSTM (Long short-term memory). However, LSTM is only an example. Any type of model can be adopted as the model.
学習は、例えばディープニューラルネットワーク（ＤＮＮ：Deep Neural Network）を利用したディープラーニング（深層学習）等である。また、データマイニングやその他の機械学習アルゴリズムを利用してもよい。学習部１３４は、上述した各種の学習手法により、モデルの学習を行う。 Learning is, for example, deep learning using a deep neural network (DNN: Deep Neural Network). Data mining and other machine learning algorithms may also be used. The learning unit 134 learns the model using the various learning methods described above.
（分析部１３５）
分析部１３５は、モデルに、学習された全てのサービス利用遷移シーケンスデータを入力し、ターゲットサービスの離脱原因を分析する。図示は省略するが、分析部１３５は、並べ替え部１３５Ａと、推定部１３５Ｂとを含む。
(Analysis unit 135)
The
並べ替え部１３５Ａは、入力された全てのサービス利用遷移シーケンスデータを、予測された離脱期間が長い順に並べ替える。例えば、並べ替え部１３５Ａは、離脱期間が長い方から順に、サービス利用遷移シーケンスデータを出力する。すなわち、並べ替え部１３５Ａは、出力部であってもよい。このとき、並べ替え部１３５Ａは、出力されるサービス利用遷移シーケンスデータの数を所定の数に制限してもよい。これにより、離脱期間の長い（離脱確率の高い）遷移シーケンス群、すなわち、離脱原因が含まれる遷移シーケンス群の特徴があぶり出される。 The rearrangement unit 135A rearranges all the input service use transition sequence data in descending order of predicted withdrawal period. For example, the rearrangement unit 135A outputs the service usage transition sequence data in descending order of the withdrawal period. That is, the rearrangement unit 135A may be an output unit. At this time, the rearrangement unit 135A may limit the number of service usage transition sequence data to be output to a predetermined number. This reveals the characteristics of a transition sequence group with a long departure period (high probability of departure), that is, a transition sequence group including a cause of departure.
推定部１３５Ｂは、サービス利用遷移シーケンスデータに含まれる離脱原因を推定する。例えば、推定部１３５Ｂは、サービス利用遷移シーケンスデータに含まれるサービスのうち、ターゲットサービスの離脱原因の可能性があるサービスを推定する。 The estimation unit 135B estimates the cause of withdrawal included in the service usage transition sequence data. For example, the estimation unit 135B estimates a service that may cause the target service to leave from among the services included in the service usage transition sequence data.
（提供部１３６）
提供部１３６は、通信部１１０を介して、ターゲットサービスの離脱原因に関する情報を外部に提供する。例えば、提供部１３６は、外部からの要求に応じて、ターゲットサービスの離脱原因に関するレポートを提供してもよい。なお、提供部１３７は、ターゲットサービスの離脱原因に関する情報を、ディスプレイ等の表示装置に表示させる表示制御部として機能してもよい。
(Providing unit 136)
The providing unit 136 provides information about the reason for leaving the target service to the outside via the communication unit 110 . For example, the providing unit 136 may provide a report on the reason for leaving the target service in response to an external request. Note that the providing unit 137 may function as a display control unit that causes a display device such as a display to display information about the reason for withdrawal from the target service.
また、提供部１３６は、通信部１１０を介して、離脱確率の高いサービス利用遷移シーケンス群に関する情報を外部に提供してもよい。例えば、提供部１３６は、外部からの要求に応じて、離脱確率の高いサービス利用遷移シーケンス群に関する情報を外部に提供してもよい。 Further, the providing unit 136 may provide the information on the service use transition sequence group with high probability of leaving to the outside via the communication unit 110 . For example, the providing unit 136 may provide information about a service use transition sequence group with a high probability of leaving to the outside in response to a request from the outside.
また、提供部１３６は、通信部１１０を介して、各利用者Ｕの端末装置１０に対して、各種サービスを提供してもよい。
Also, the providing unit 136 may provide various services to the
〔４．処理手順〕
次に、図８を用いて実施形態に係る情報処理装置１００による処理手順について説明する。図８は、実施形態に係る処理手順を示すフローチャートである。なお、以下に示す処理手順は、情報処理装置１００の制御部１３０によって繰り返し実行される。
[4. Processing procedure]
Next, a processing procedure performed by the
情報処理装置１００の制御部１３０は、通信部１１０を介して、各情報提供装置２００から、各利用者Ｕのアクセスログを取得する（ステップＳ１０１）。
The
制御部１３０は、各利用者Ｕのアクセスログから、同一セッションでのサービスの利用に関するサービス利用遷移シーケンスデータを作成する（ステップＳ１０２）。
The
制御部１３０は、モデルに、サービス利用遷移シーケンスデータを入力し、同一セッションにおいて利用者Ｕがサービスを利用した意図（利用目的）を学習させる（ステップＳ１０３）。なお、実際には、利用目的を学習させず、最初から離脱期間を予測するモデルの学習を行ってもよい。
The
制御部１３０は、モデルに、サービス利用遷移シーケンスデータを入力し、実際の値とモデルによる予測値との誤差である二乗誤差（Squared Error）を算出する（ステップＳ１０４）。
The
制御部１３０は、二乗誤差を小さくするようにモデルの学習を行い、離脱期間を予測するモデルを作成する（ステップＳ１０５）。
The
制御部１３０は、事前に学習データのうち一定の割合のデータをテストデータとして取り分けておき、モデルにそのテストデータの全てのサービス利用遷移シーケンスデータを入力して、予測された離脱期間が長い順に並べ替える（ステップＳ１０６）。これにより、離脱期間の長い（離脱確率の高い）遷移シーケンス群、すなわち、離脱原因が含まれる遷移シーケンス群の特徴があぶり出される。
The
制御部１３０は、離脱期間の長い（離脱確率の高い）遷移シーケンス群から、ターゲットサービスの離脱原因を推定する（ステップＳ１０７）。
The
〔５．変形例〕
上述した端末装置１０および情報処理装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、実施形態の変形例について説明する。
[5. Modification]
The
上記の実施形態において、同じ属性を持つ利用者Ｕの同一セッションでのサービスの利用に関するアクセスログから、サービス利用遷移シーケンスデータを作成してもよい。例えば、サービス利用遷移シーケンスは利用者Ｕの属性（性別／年齢層／居住地域／家族構成／趣味等）によっても異なると考えられるため、利用者Ｕの属性に応じて分類したサービス利用遷移シーケンスデータを作成してもよい。この結果、モデルが、利用者Ｕの属性ごとに作成されることとなる。 In the above-described embodiment, service usage transition sequence data may be created from an access log relating to service usage in the same session of a user U having the same attribute. For example, since the service usage transition sequence is considered to differ depending on the attributes of the user U (gender/age group/residential area/family composition/hobbies, etc.), service usage transition sequence data classified according to the attributes of the user U may be created. As a result, a model is created for each user U attribute.
また、上記の実施形態において、利用者Ｕのサービス利用時の状況（コンテキスト）に応じて、同一セッションでのサービスの利用に関するアクセスログから、サービス利用遷移シーケンスデータを作成してもよい。例えば、サービスの離脱原因は利用者Ｕの置かれた状況や環境の変化（転居、車購入、進学・就職、転職、結婚、出産・育児など）によっても変化すると考えられるため、利用者Ｕの置かれた状況で分類したサービス利用遷移シーケンスデータを作成してもよい。この結果、モデルが、利用者Ｕの置かれた状況ごとに作成されることとなる。 Further, in the above-described embodiment, service usage transition sequence data may be created from an access log regarding service usage in the same session according to the situation (context) when the user U uses the service. For example, the reasons for withdrawal from the service may change depending on the situation and environment in which user U is placed (move, purchase a car, advance to higher education/employment, change jobs, get married, give birth/childcare, etc.). Service usage transition sequence data classified according to the situation may be created. As a result, a model is created for each situation in which the user U is placed.
また、上記の実施形態において、「離脱期間」を予測するモデルを作成しているが、同様の手法で、正解データを「離脱期間」から「ターゲットサービスに対する利用者の印象」とすることで、「シーケンスデータが示す順序でサービスを利用した際における利用者の印象」を推定するモデルの学習を行ってもよい。 In addition, in the above embodiment, a model for predicting the "withdrawal period" is created. A model for estimating the "impression of the user when using the service in the order indicated by the sequence data" may be learned.
例えば、ウェブ検索からマップサービスを利用した場合には、満足度が高いが、ショッピングからマップサービスの利用を行うと、印象が悪いといったことを推定することができるようになる。 For example, it can be estimated that the satisfaction level is high when a map service is used from a web search, but the impression is poor when a map service is used from shopping.
また、例えば、情報処理装置１００は、クラウドソージング等の技術を用いて、シーケンスデータと、そのシーケンスでターゲットサービスを利用した際の印象を示す値を利用者から取得する。ここで、印象を示す値は、例えば、０点（不満足）から１０点（満足）といった値である。そして、情報処理装置１００は、上述した技術により、モデルのプレトレーニング、および、満足度の学習を行う。
Also, for example, the
このような学習処理を行ったモデルは、シーケンスデータから、そのシーケンスデータが示すシーケンスにおいてターゲットサービスに対する利用者の満足度を推定することができる。 A model that has undergone such learning processing can estimate, from the sequence data, the user's degree of satisfaction with the target service in the sequence indicated by the sequence data.
なお、印象を示す値は、利用者が入力した各種の評価以外にも、例えば、カメラ等を用いて、シーケンスデータが示すシーケンスのうちターゲットサービスを利用した際の利用者の表情や脈拍等の各種生体情報を取得し、表情や生体情報から推定された値であってもよい。 In addition to the various evaluations input by the user, the value indicating the impression is, for example, the user's expression, pulse, etc. when using the target service in the sequence indicated by the sequence data using a camera, etc. It may be a value estimated from facial expressions or biometric information obtained by acquiring various biometric information.
また、情報処理装置１００は、上述した離脱期間を、利用者の印象を示唆する情報としてもよい。すなわち、情報処理装置１００は、利用者の印象を推定する各種の公知技術を用いて、利用者の印象を示すスコアを算出し、算出されたスコアを推定するように、モデルの学習を行ってもよい。
Further, the
また、上記の実施形態において、サービスを示す情報をシーケンスに従って入力することで順番を学習させているが、これに限定されるものではない。例えば、サービスを示す情報と、順序を示す数値とをモデルに入力し、離脱期間や利用者の印象を出力するようにＣＮＮ等といった再帰型ではないモデルの学習を行ってもよい。 In the above embodiment, the order is learned by inputting the information indicating the services in sequence, but the invention is not limited to this. For example, a non-recursive model such as a CNN may be learned by inputting information indicating a service and numerical values indicating an order into a model and outputting a withdrawal period and user's impression.
〔６．効果〕
上述してきたように、本願に係る情報処理装置１００は、取得部と、学習部とを有する。取得部は、各利用者のサービス利用の遷移を示すシーケンスデータであって、所定のターゲットサービスの利用を含むシーケンスデータを取得する。学習部は、シーケンスデータから、利用者がターゲットサービスを利用してから当該ターゲットサービスを再度利用するまでの期間を示す離脱期間情報を出力するようにモデルに学習させる。これにより、より効果的に離脱原因を探り当てることができる。
[6. effect〕
As described above, the
学習部は、モデルとして、ＬＳＴＭ（Long short-term memory）の構成を有するモデルに学習させる。これにより、時系列データであるシーケンスデータに基づいて、分析ターゲットサービスの離脱原因を推定することができる。 The learning unit trains a model having an LSTM (Long short-term memory) structure. This makes it possible to estimate the reason for leaving the analysis target service based on the sequence data, which is time-series data.
取得部は、シーケンスデータとして、利用者が利用した複数のサービスと、各サービスを利用した順序とを示すデータを取得する。学習部は、利用者が利用した各サービスを示す情報を、各サービスを利用した順序でモデルに入力した際に、離脱期間情報を出力するようにモデルに学習させる。これにより、より効果的に離脱原因を探り当てるための具体的な学習を行うことができる。 The acquisition unit acquires, as sequence data, data indicating a plurality of services used by the user and an order in which the services were used. The learning unit causes the model to learn to output withdrawal period information when information indicating each service used by the user is input to the model in the order in which each service was used. As a result, it is possible to carry out specific learning for finding out the cause of withdrawal more effectively.
学習部は、利用者が利用したサービスを示す情報を入力した際に、当該利用者が次に利用するサービスを示す情報を出力するようにモデルに学習させ、その後、各サービスを利用した順序で当該モデルに入力した際に、離脱期間情報を出力するようにモデルに学習させる。これにより、ターゲットサービスの利用目的について、モデルのプレトレーニング（事前学習）を行うことができる。 The learning unit causes the model to learn such that when information indicating the service used by the user is input, the model outputs information indicating the service to be used next by the user, and then, in the order in which each service is used. The model is trained to output withdrawal period information when inputting to the model. This allows pre-training of the model for the intended use of the target service.
学習部は、離脱期間情報として、利用者がターゲットサービスを利用してから当該ターゲットサービスを再度利用するまでに利用した他のサービスの数を出力するように、モデルに学習させる。これにより、離脱期間として、時間ではなく、その間に利用したコンテンツ数を用いることができる。 The learning unit learns the model so as to output, as the withdrawal period information, the number of other services used by the user from the time the user uses the target service until the user uses the target service again. As a result, the number of contents used during the withdrawal period can be used instead of the time.
学習部は、離脱期間情報として、利用者がターゲットサービスを利用してから当該ターゲットサービスを再度利用するまでに経過した時間を出力するように、モデルに学習させる。これにより、離脱期間として、その間に経過した時間を用いることができる。 The learning unit learns the model so as to output the elapsed time from when the user uses the target service until when the user uses the target service again as the withdrawal period information. As a result, the time elapsed during the period can be used as the withdrawal period.
取得部は、所定のターゲットサービスの利用を含み、かつ、他のサービスの利用態様が所定の条件を満たすシーケンスデータを取得する。これにより、コンテキストのフィルタリングを行うことができる。例えば、シーズン物サービスが含まれているシーケンスだけを抽出して、学習用のシーケンスデータを作成することができる。 The acquisition unit acquires sequence data that includes use of a predetermined target service and that the usage mode of another service satisfies a predetermined condition. This allows for context filtering. For example, sequence data for learning can be created by extracting only sequences that include seasonal services.
また、本願に係る情報処理装置１００は、生成部と、出力部とをさらに有する。生成部は、学習部により学習が行われたモデルを用いて、各シーケンスデータに対応する離脱期間情報を生成する。出力部は、離脱期間情報が示す期間が所定の条件を満たすシーケンスデータを出力する。これにより、離脱期間に応じてシーケンスデータを出力させることができる。
Moreover, the
出力部は、離脱期間情報が示す期間が長い方から順に、シーケンスデータを出力する。これにより、離脱期間の長い順にシーケンスデータを並べ替えることができる。 The output unit outputs the sequence data in descending order of the period indicated by the separation period information. Thereby, the sequence data can be rearranged in descending order of the detachment period.
出力部は、離脱期間情報が示す期間が長い方から順に、所定の数のシーケンスデータを出力する。これにより、出力されるシーケンスデータの数を制限することができる。その結果、離脱期間が長い方のシーケンスデータのみを対象とすることができる。 The output unit outputs a predetermined number of pieces of sequence data in descending order of the period indicated by the separation period information. This makes it possible to limit the number of output sequence data. As a result, only the sequence data with the longer detachment period can be targeted.
取得部は、シーケンスデータとして、１つのアプリの各機能をサービスとしたシーケンスデータを取得する。これにより、粒度の細かいシーケンスデータを対象とすることができる。その結果、１つのアプリの機能の離脱原因を推定することができる。 The acquisition unit acquires, as sequence data, sequence data using each function of one application as a service. This makes it possible to target fine-grained sequence data. As a result, it is possible to estimate the cause of withdrawal from the function of one application.
他の観点では、本願に係る情報処理装置１００は、取得部と、学習部とを有する。取得部は、各利用者のサービス利用の遷移を示すシーケンスデータであって、所定のターゲットサービスの利用を含むシーケンスデータを取得する。学習部は、シーケンスデータから、ターゲットサービスに対する利用者の印象の指標となる指標情報を出力するようにモデルに学習させる。これにより、利用者の満足／不満足について推定することができる。
From another point of view, the
〔７．ハードウェア構成〕
また、上述した実施形態に係る端末装置１０や情報処理装置１００は、例えば図９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。以下、情報処理装置１００を例に挙げて説明する。図９は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力Ｉ／Ｆ（Interface）１０６０、入力Ｉ／Ｆ１０７０、ネットワークＩ／Ｆ１０８０がバス１０９０により接続された形態を有する。
[7. Hardware configuration]
Also, the
演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。演算装置１０３０は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等により実現される。
The
一次記憶装置１０４０は、ＲＡＭ（Random Access Memory）等、演算装置１０３０が各種の演算に用いるデータを一次的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ(Read Only Memory)、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等により実現される。二次記憶装置１０５０は、内蔵ストレージであってもよいし、外付けストレージであってもよい。また、二次記憶装置１０５０は、ＵＳＢメモリやＳＤ（Secure Digital）メモリカード等の取り外し可能な記憶媒体であってもよい。また、二次記憶装置１０５０は、クラウドストレージ（オンラインストレージ）やＮＡＳ（Network Attached Storage）、ファイルサーバ等であってもよい。
The primary storage device 1040 is a memory device such as a RAM (Random Access Memory) that temporarily stores data used for various calculations by the
出力Ｉ／Ｆ１０６０は、ディスプレイ、プロジェクタ、およびプリンタ等といった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインターフェイスであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力Ｉ／Ｆ１０７０は、マウス、キーボード、キーパッド、ボタン、およびスキャナ等といった各種の入力装置１０２０から情報を受信するためのインターフェイスであり、例えば、ＵＳＢ等により実現される。
The output I/
また、出力Ｉ／Ｆ１０６０および入力Ｉ／Ｆ１０７０はそれぞれ出力装置１０１０および入力装置１０２０と無線で接続してもよい。すなわち、出力装置１０１０および入力装置１０２０は、ワイヤレス機器であってもよい。
Also, the output I/
また、出力装置１０１０および入力装置１０２０は、タッチパネルのように一体化していてもよい。この場合、出力Ｉ／Ｆ１０６０および入力Ｉ／Ｆ１０７０も、入出力Ｉ／Ｆとして一体化していてもよい。
Also, the
なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、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、又は半導体メモリ等から情報を読み出す装置であってもよい。 Note that the input device 1020 includes, for example, optical recording media such as CDs (Compact Discs), DVDs (Digital Versatile Discs), PDs (Phase change rewritable discs), magneto-optical recording media such as MOs (Magneto-Optical discs), and tapes. It may be a device that reads information from a medium, a magnetic recording medium, a semiconductor memory, or the like.
ネットワークＩ／Ｆ１０８０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演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。
Network I/
演算装置１０３０は、出力Ｉ／Ｆ１０６０や入力Ｉ／Ｆ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。
例えば、コンピュータ１０００が情報処理装置１００として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０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。また、コンピュータ１０００の演算装置１０３０は、ネットワークＩ／Ｆ１０８０を介して他の機器から取得したプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行してもよい。また、コンピュータ１０００の演算装置１０３０は、ネットワークＩ／Ｆ１０８０を介して他の機器と連携し、プログラムの機能やデータ等を他の機器の他のプログラムから呼び出して利用してもよい。
For example, when the computer 1000 functions as the
〔８．その他〕
以上、本願の実施形態を説明したが、これら実施形態の内容により本発明が限定されるものではない。また、前述した構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。さらに、前述した構成要素は適宜組み合わせることが可能である。さらに、前述した実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換又は変更を行うことができる。
[8. others〕
Although the embodiments of the present application have been described above, the present invention is not limited by the contents of these embodiments. In addition, the components described above include those that can be easily assumed by those skilled in the art, those that are substantially the same, and those within the so-called equivalent range. Furthermore, the components described above can be combined as appropriate. Furthermore, various omissions, replacements, or modifications of components can be made without departing from the gist of the above-described embodiments.
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部又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又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。 Further, among the processes described in the above embodiments, all or part of the processes described as being automatically performed can be manually performed, or the processes described as being performed manually can be performed manually. All or part of this can also be done automatically by known methods. In addition, information including processing procedures, specific names, 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 illustrated information.
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、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又は物理的に分散・統合して構成することができる。 Also, each component of each device illustrated is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution and integration of each device is not limited to the illustrated one, and all or part of them can be functionally or physically distributed and integrated in arbitrary units according to various loads and usage conditions. Can be integrated and configured.
例えば、上述した情報処理装置１００は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットホーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティング等で呼び出して実現するなど、構成は柔軟に変更できる。
For example, the
また、上述してきた実施形態および変形例は、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。 Also, the above-described embodiments and modifications can be appropriately combined within a range that does not contradict the processing content.
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 acquisition means or an acquisition circuit.
１ 情報処理システム
１０ 端末装置
１００ 情報処理装置
１１０ 通信部
１２０ 記憶部
１２１ 利用者データベース
１２２ シーケンスデータベース
１２３ 離脱期間データベース
１３０ 制御部
１３１ 受付部
１３２ 取得部
１３３ 作成部
１３４ 学習部
１３５ 分析部
１３６ 提供部
２００ 情報提供装置
1
Claims (14)
前記シーケンスデータから、前記利用者が前記ターゲットサービスを利用してから当該ターゲットサービスを再度利用するまでの期間を示す離脱期間情報を出力するようにモデルに学習させる学習部と
を有することを特徴とする情報処理装置。 an acquisition unit for acquiring sequence data indicating the transition of service usage by each user, the sequence data including usage of a predetermined target service;
a learning unit that causes a model to learn so as to output, from the sequence data, withdrawal period information indicating a period from when the user uses the target service until when the target service is used again. information processing equipment.
ことを特徴とする請求項１に記載の情報処理装置。 The information processing apparatus according to claim 1, wherein the learning unit learns a model having an LSTM configuration as the model.
前記学習部は、前記利用者が利用した各サービスを示す情報を、各サービスを利用した順序で前記モデルに入力した際に、前記離脱期間情報を出力するように前記モデルに学習させる
ことを特徴とする請求項１又は２に記載の情報処理装置。 The acquisition unit acquires, as the sequence data, data indicating a plurality of services used by the user and an order in which the services were used,
The learning unit causes the model to learn such that when information indicating each service used by the user is input to the model in the order in which each service was used, the model outputs the withdrawal period information. 3. The information processing apparatus according to claim 1 or 2.
ことを特徴とする請求項３に記載の情報処理装置。 The learning unit causes the model to learn such that when information indicating a service used by the user is input, the model outputs information indicating a service to be used next by the user, and then uses each service. 4. The information processing apparatus according to claim 3, wherein the model is made to learn so as to output the withdrawal period information when the information is input to the model in the order in which the information is input to the model.
ことを特徴とする請求項１～４のうちいずれか１つに記載の情報処理装置。 The learning unit causes the model to learn so as to output, as the withdrawal period information, the number of other services used by the user from the time the user uses the target service until the user uses the target service again. The information processing apparatus according to any one of claims 1 to 4, characterized in that:
ことを特徴とする請求項１～４のうちいずれか１つに記載の情報処理装置。 The learning unit causes the model to learn so as to output, as the withdrawal period information, the time elapsed from when the user used the target service until when the user used the target service again. The information processing apparatus according to any one of claims 1 to 4.
ことを特徴とする請求項１～６のうちいずれか１つに記載の情報処理装置。 7. The acquisition unit acquires sequence data that includes use of the predetermined target service and that satisfies a predetermined condition in a usage mode of another service. The information processing device according to .
前記離脱期間情報が示す期間が所定の条件を満たすシーケンスデータを出力する出力部と
をさらに有することを特徴とする請求項１～７のうちいずれか１つに記載の情報処理装置。 a generation unit that generates the separation period information corresponding to each sequence data using the model trained by the learning unit;
8. The information processing apparatus according to any one of claims 1 to 7, further comprising: an output unit that outputs sequence data that satisfies a predetermined condition for a period indicated by said withdrawal period information.
ことを特徴とする請求項８に記載の情報処理装置。 9. The information processing apparatus according to claim 8, wherein the output unit outputs the sequence data in descending order of the period indicated by the separation period information.
ことを特徴とする請求項９に記載の情報処理装置。 10. The information processing apparatus according to claim 9, wherein the output unit outputs a predetermined number of the sequence data in descending order of the period indicated by the separation period information.
ことを特徴とする請求項１～１０のうちいずれか１つに記載の情報処理装置。 The information processing apparatus according to any one of claims 1 to 10, wherein the acquisition unit acquires, as the sequence data, sequence data using each function of one application as a service.
各利用者のサービス利用の遷移を示すシーケンスデータであって、所定のターゲットサービスの利用を含むシーケンスデータを取得する取得工程と、
前記シーケンスデータから、前記利用者が前記ターゲットサービスを利用してから当該ターゲットサービスを再度利用するまでの期間を示す離脱期間情報を出力するようにモデルに学習させる学習工程と
を含むことを特徴とする情報処理方法。 An information processing method executed by an information processing device,
an obtaining step of obtaining sequence data indicating the transition of use of each user's service, the sequence data including use of a predetermined target service;
and a learning step of causing a model to learn from the sequence data to output withdrawal period information indicating a period from when the user uses the target service until when the user uses the target service again. information processing method.
前記シーケンスデータから、前記利用者が前記ターゲットサービスを利用してから当該ターゲットサービスを再度利用するまでの期間を示す離脱期間情報を出力するようにモデルに学習させる学習手順と
をコンピュータに実行させるための情報処理プログラム。 an acquisition procedure for acquiring sequence data indicating the transition of use of each user's service, the sequence data including use of a predetermined target service;
and a learning procedure for causing a computer to learn from the sequence data to output withdrawal period information indicating the period from when the user uses the target service until when the user uses the target service again. information processing program.
前記シーケンスデータから、前記ターゲットサービスに対する前記利用者の印象の指標となる指標情報を出力するようにモデルに学習させる学習部と
を有することを特徴とする情報処理装置。 an acquisition unit for acquiring sequence data indicating the transition of service usage by each user, the sequence data including usage of a predetermined target service;
and a learning unit that causes a model to learn so as to output index information, which is an index of the user's impression of the target service, from the sequence data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020022874A JP7145901B2 (en) | 2020-02-13 | 2020-02-13 | Information processing device, information processing method and information processing program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020022874A JP7145901B2 (en) | 2020-02-13 | 2020-02-13 | Information processing device, information processing method and information processing program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021128553A JP2021128553A (en) | 2021-09-02 |
| JP7145901B2 true JP7145901B2 (en) | 2022-10-03 |
Family
ID=77488695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020022874A Active JP7145901B2 (en) | 2020-02-13 | 2020-02-13 | Information processing device, information processing method and information processing program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7145901B2 (en) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003018584A (en) | 2001-01-09 | 2003-01-17 | Metabyte Networks Inc | System for targeted television program distribution, preference engine, machine readable medium and method of determining television viewing habits |
| JP2005044248A (en) | 2003-07-04 | 2005-02-17 | Global Media Online Inc | Indication content measuring system, indication content measuring method, program and storage medium therefor |
| JP2005346609A (en) | 2004-06-07 | 2005-12-15 | National Institute Of Information & Communication Technology | Device, method, and program for merging and displaying web page information, and computer readable recording medium recorded with its rogram |
| JP2008015694A (en) | 2006-07-04 | 2008-01-24 | Oki Telecommunication Systems Co Ltd | Document taste learning system, method, and program |
| JP2011154591A (en) | 2010-01-28 | 2011-08-11 | Nec Corp | Recommending device, method, and program |
| WO2016194996A1 (en) | 2015-06-05 | 2016-12-08 | 日本電信電話株式会社 | User estimation device, user estimation method, and user estimation program |
| JP2017091437A (en) | 2015-11-17 | 2017-05-25 | 株式会社Ｎｔｔドコモ | Cluster selection device |
| JP2019164402A (en) | 2018-03-19 | 2019-09-26 | ヤフー株式会社 | Information processing device, information processing method, and program |
-
2020
- 2020-02-13 JP JP2020022874A patent/JP7145901B2/en active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003018584A (en) | 2001-01-09 | 2003-01-17 | Metabyte Networks Inc | System for targeted television program distribution, preference engine, machine readable medium and method of determining television viewing habits |
| JP2005044248A (en) | 2003-07-04 | 2005-02-17 | Global Media Online Inc | Indication content measuring system, indication content measuring method, program and storage medium therefor |
| JP2005346609A (en) | 2004-06-07 | 2005-12-15 | National Institute Of Information & Communication Technology | Device, method, and program for merging and displaying web page information, and computer readable recording medium recorded with its rogram |
| JP2008015694A (en) | 2006-07-04 | 2008-01-24 | Oki Telecommunication Systems Co Ltd | Document taste learning system, method, and program |
| JP2011154591A (en) | 2010-01-28 | 2011-08-11 | Nec Corp | Recommending device, method, and program |
| WO2016194996A1 (en) | 2015-06-05 | 2016-12-08 | 日本電信電話株式会社 | User estimation device, user estimation method, and user estimation program |
| JP2017091437A (en) | 2015-11-17 | 2017-05-25 | 株式会社Ｎｔｔドコモ | Cluster selection device |
| JP2019164402A (en) | 2018-03-19 | 2019-09-26 | ヤフー株式会社 | Information processing device, information processing method, and program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021128553A (en) | 2021-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2721176C2 (en) | Systems and methods for predicting user behavior based on location data | |
| CN111279328B (en) | Predicting intent to search for a particular context | |
| Orden-Mejia et al. | Analysis of the attributes of smart tourism technologies in destination chatbots that influence tourist satisfaction | |
| US10572540B2 (en) | System for refining cognitive insights using travel-related cognitive graph vectors | |
| US10846315B2 (en) | Method for refining cognitive insights using travel-related cognitive graph vectors | |
| KR102063183B1 (en) | Apparatus and method for recommending learning contents | |
| US20200159795A1 (en) | Personalized table of contents (toc) generation based on search results | |
| US20170249594A1 (en) | Job search engine for recent college graduates | |
| US20160260025A1 (en) | Travel-Related Cognitive Short Messages | |
| JP7177107B2 (en) | Information processing device, information processing method and information processing program | |
| US20180285741A1 (en) | Coordinator for digital assistants | |
| Tang et al. | Toward using social media to support ridesharing services: challenges and opportunities | |
| Tanaka et al. | Experimental study of effects of travel time distribution information on dynamic route choice behavior | |
| US10453080B2 (en) | Optimizing registration fields with user engagement score | |
| EP3396566A1 (en) | Method, information processing apparatus and program | |
| García-Pablos et al. | Correlating languages and sentiment analysis on the basis of text-based reviews | |
| US20210357416A1 (en) | Determination apparatus, determination method, and non-transitory computer readable storage medium | |
| JP7145901B2 (en) | Information processing device, information processing method and information processing program | |
| JP2019020930A (en) | Learning device, learning method, learning program, learning data, and model | |
| US20210397623A1 (en) | Learning apparatus, learning method, and non-transitory computer readable storage medium | |
| JP7144468B2 (en) | Information processing device, information processing method and information processing program | |
| JP6835759B2 (en) | Forecasting device, forecasting method and forecasting program | |
| JP7354199B2 (en) | Judgment device, judgment method and judgment program | |
| JP7032595B1 (en) | Information providers, information processing methods, and programs | |
| JP7321977B2 (en) | Information processing device, information processing method and information processing program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210916 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220711 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220830 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220920 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7145901 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |