JP7198591B2 - 顧客の属性情報を解析する装置、方法、およびプログラム - Google Patents
顧客の属性情報を解析する装置、方法、およびプログラム Download PDFInfo
- Publication number
- JP7198591B2 JP7198591B2 JP2018059214A JP2018059214A JP7198591B2 JP 7198591 B2 JP7198591 B2 JP 7198591B2 JP 2018059214 A JP2018059214 A JP 2018059214A JP 2018059214 A JP2018059214 A JP 2018059214A JP 7198591 B2 JP7198591 B2 JP 7198591B2
- Authority
- JP
- Japan
- Prior art keywords
- attribute
- prediction
- value
- attributes
- target
- 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
- 238000000034 method Methods 0.000 title claims description 49
- 230000009467 reduction Effects 0.000 claims description 63
- 238000012545 processing Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 21
- 230000008602 contraction Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 235000013334 alcoholic beverage Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
特許文献1 特開2015-76076号公報
110 属性予測装置
112 端末
115 属性情報取得部
120 属性DB接続部
122 属性DB
125 次元縮約部
130 縮約DB接続部
132 縮約DB
135 属性予測部
140 属性値更新部
142 属性予測値更新部
144 属性データ取得部
146 属性追加部
150 予測モデル生成装置
152 端末
155 モデル更新指示部
160 サンプリング部
165 属性DB接続部
167 属性DB
170 次元縮約部
175 縮約DB接続部
177 縮約DB
180 属性予測モデル生成部
185 属性予測モデル選択部
190 レコメンド処理装置
192 端末
810 属性予測モデルA
820 属性予測モデルB
830 属性予測モデルC
1900 コンピュータ
2000 CPU
2010 ROM
2020 RAM
2030 通信インターフェイス
2040 ハードディスクドライブ
2050 フラッシュメモリ・ドライブ
2060 DVDドライブ
2070 入出力チップ
2075 グラフィック・コントローラ
2080 表示装置
2082 ホスト・コントローラ
2084 入出力コントローラ
2090 フラッシュメモリ
2095 DVD
Claims (29)
- 複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
前記属性データベースに記憶された、前記複数の対象者のそれぞれの前記複数の属性値に基づいて、前記複数の属性の次元を縮約する次元縮約部と、
前記属性データベースを用いて、予測対象である第1予測対象属性の属性値を、次元縮約された前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成部と、
前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択部と
を備える装置。 - 前記第1属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第1予測対象属性の属性値を予測する属性予測部を更に備える請求項1に記載の装置。
- 複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
前記属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成部と、
前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択部と、
前記第1属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第1予測対象属性の属性値を予測する属性予測部と、
前記複数の対象者のうち一の対象者について前記第1予測対象属性の属性値が既知である場合において、前記第1予測対象属性の予測値が既知の属性値から基準以上乖離していることに応じて、前記第1予測対象属性の予測値を前記既知の属性値に基づいて更新する属性予測値更新部と
を備える装置。 - 複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
前記属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成部と、
前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択部と、
前記第1属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第1予測対象属性の属性値を予測する属性予測部と
を備え、
前記属性予測モデル生成部は、予測対象である第2予測対象属性の属性値を、前記第1予測対象属性の予測値を用いて予測する第2の複数の属性予測モデルを生成し、
前記属性予測モデル選択部は、前記第2の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第2予測対象属性の属性値の予測に用いる第2属性予測モデルを更に選択し、
前記属性予測部は、前記第2属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第2予測対象属性を更に予測する
装置。 - 前記属性予測部は、前記複数の対象者のそれぞれについて、前記第1予測対象属性の属性値が既知であることを条件として既知の属性値を用いて対象者の前記第2予測対象属性の予測値を予測し、前記第1予測対象属性の属性値が未知であることを条件として前記第1予測対象属性の属性値を用いて対象者の前記第2予測対象属性の予測値を予測する請求項4に記載の装置。
- 複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
前記属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成部と、
前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択部と、
前記第1属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第1予測対象属性の属性値を予測する属性予測部と、
前記第1予測対象属性の予測値の予測の確からしさが閾値以上であることを条件として前記第1予測対象属性の予測値に基づいて前記第1予測対象属性の属性値を更新する属性値更新部と
を備える装置。 - 複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
前記属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成部と、
前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択部と、
前記第1属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第1予測対象属性の属性値を予測する属性予測部と
を備え、
2以上の予測対象属性の間に循環依存が存在することに応じて、前記属性予測部は、前記2以上の予測対象属性のそれぞれの予測に用いる他の予測対象属性の予測の確からしさ、および前記2以上の予測対象属性のそれぞれに対する他の予測対象属性の寄与度の少なくとも1つに基づいて、前記2以上の予測対象属性の予測順序を決定する
装置。 - 前記属性予測部は、前記2以上の予測対象属性のそれぞれについて、他の予測対象属性の予測の不確からしさおよび他の予測対象属性の寄与度の積和に基づいて、前記2以上の予測対象属性の予測値の予測順序を決定する請求項7に記載の装置。
- 複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
前記属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成部と、
前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択部と、
前記複数の対象者の少なくとも一部について、前記属性データベースに追加すべき追加属性の既知の属性値を示す既知情報を取得する既知情報取得部と、
前記属性データベースの前記複数の属性に、前記追加属性を追加する属性追加部と
を備え、
前記属性予測モデル生成部は、前記追加属性を予測対象属性として複数の属性予測モデルを生成し、
前記属性予測モデル選択部は、前記複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記予測対象属性の属性値の予測に用いる属性予測モデルを選択する
装置。 - 前記既知情報は、前記複数の対象者の少なくとも一部のそれぞれについて、前記追加属性の有無を示す請求項9に記載の装置。
- 前記属性データベースから、前記複数の対象者のうち一部の対象者をサンプリングするサンプリング部を更に備え、
前記属性予測モデル生成部は、サンプリングされた一部の対象者に対応付けられた属性値を用いて、前記第1の複数の属性予測モデルを生成する請求項1から10のいずれか一項に記載の装置。 - 前記属性予測モデル選択部は、前記第1予測対象属性の属性値の予測に用いる前記第1属性予測モデル、および第2予測対象属性の属性値の予測に用いる第2属性予測モデルとして、異なる属性予測モデルを選択可能とする請求項1から11のいずれか一項に記載の装置。
- 前記属性予測モデル生成部は、前記第1の複数の属性予測モデルのそれぞれにおける学習可能なパラメータを学習させる請求項1から12のいずれか一項に記載の装置。
- 前記第1の複数の属性予測モデルのそれぞれは、学習によって更新されないハイパーパラメータおよび予測アルゴリズムの少なくとも1つが他の属性予測モデルと異なる請求項1から13のいずれか一項に記載の装置。
- 前記第1予測対象属性は、前記第1予測対象属性に対応付けられた商品またはサービスに対する対象者の嗜好性を示す嗜好属性である請求項2から8のいずれか一項に記載の装置。
- 前記第1予測対象属性の属性値に基づいて、前記第1予測対象属性に対応付けられた商品またはサービスを対象者にレコメンドするか否かを選択するレコメンド処理部を更に備える請求項15に記載の装置。
- 予め定められた期間が経過したことに応じて、前記第1属性予測モデルの更新を指示するモデル更新指示部を更に備える請求項1から16のいずれか一項に記載の装置。
- コンピュータが、複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに記憶された、前記複数の対象者のそれぞれの前記複数の属性値に基づいて、前記複数の属性の次元を縮約する次元縮約段階と、
前記コンピュータが、前記属性データベースを用いて、予測対象である第1予測対象属性の属性値を、次元縮約された前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成段階と、
前記コンピュータが、前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択段階と
を備える方法。 - コンピュータが、複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成段階と、
前記コンピュータが、前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択段階と、
前記コンピュータが、前記第1属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第1予測対象属性の属性値を予測する属性予測段階と、
前記コンピュータが、前記複数の対象者のうち一の対象者について前記第1予測対象属性の属性値が既知である場合において、前記第1予測対象属性の予測値が既知の属性値から基準以上乖離していることに応じて、前記第1予測対象属性の予測値を前記既知の属性値に基づいて更新する属性予測値更新段階と
を備える方法。 - コンピュータが、複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成段階と、
前記コンピュータが、前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択段階と、
前記コンピュータが、前記第1属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第1予測対象属性の属性値を予測する属性予測段階と
を備え、
前記属性予測モデル生成段階において、前記コンピュータが、予測対象である第2予測対象属性の属性値を、前記第1予測対象属性の予測値を用いて予測する第2の複数の属性予測モデルを生成し、
前記属性予測モデル選択段階において、前記コンピュータが、前記第2の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第2予測対象属性の属性値の予測に用いる第2属性予測モデルを更に選択し、
前記属性予測段階において、前記コンピュータが、前記第2属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第2予測対象属性を更に予測する
方法。 - コンピュータが、複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成段階と、
前記コンピュータが、前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択段階と、
前記コンピュータが、前記第1属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第1予測対象属性の属性値を予測する属性予測段階と、
前記コンピュータが、前記第1予測対象属性の予測値の予測の確からしさが閾値以上であることを条件として前記第1予測対象属性の予測値に基づいて前記第1予測対象属性の属性値を更新する属性値更新段階と
を備える方法。 - コンピュータが、複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成段階と、
前記コンピュータが、前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択段階と、
前記コンピュータが、前記第1属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第1予測対象属性の属性値を予測する属性予測段階と
を備え、
2以上の予測対象属性の間に循環依存が存在することに応じて、前記コンピュータが、前記属性予測段階において、前記2以上の予測対象属性のそれぞれの予測に用いる他の予測対象属性の予測の確からしさ、および前記2以上の予測対象属性のそれぞれに対する他の予測対象属性の寄与度の少なくとも1つに基づいて、前記2以上の予測対象属性の予測順序を決定する
方法。 - コンピュータが、複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成段階と、
前記コンピュータが、前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択段階と、
前記コンピュータが、前記複数の対象者の少なくとも一部について、前記属性データベースに追加すべき追加属性の既知の属性値を示す既知情報を取得する既知情報取得段階と、
前記コンピュータが、前記属性データベースの前記複数の属性に、前記追加属性を追加する属性追加段階と
を備え、
前記属性予測モデル生成段階において、前記コンピュータが、前記追加属性を予測対象属性として複数の属性予測モデルを生成し、
前記属性予測モデル選択段階において、前記コンピュータが、前記複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記予測対象属性の属性値の予測に用いる属性予測モデルを選択する
方法。 - コンピュータにより実行され、前記コンピュータを、
複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
前記属性データベースに記憶された、前記複数の対象者のそれぞれの前記複数の属性値に基づいて、前記複数の属性の次元を縮約する次元縮約部と、
前記属性データベースを用いて、予測対象である第1予測対象属性の属性値を、次元縮約された前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成部と、
前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択部と
して機能させるプログラム。 - コンピュータにより実行され、前記コンピュータを、
複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
前記属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成部と、
前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択部と
前記第1属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第1予測対象属性の属性値を予測する属性予測部と、
前記複数の対象者のうち一の対象者について前記第1予測対象属性の属性値が既知である場合において、前記第1予測対象属性の予測値が既知の属性値から基準以上乖離していることに応じて、前記第1予測対象属性の予測値を前記既知の属性値に基づいて更新する属性予測値更新部と
して機能させるプログラム。 - コンピュータにより実行され、前記コンピュータを、
複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
前記属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成部と、
前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択部と
前記第1属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第1予測対象属性の属性値を予測する属性予測部と
して機能させ、
前記属性予測モデル生成部は、予測対象である第2予測対象属性の属性値を、前記第1予測対象属性の予測値を用いて予測する第2の複数の属性予測モデルを生成し、
前記属性予測モデル選択部は、前記第2の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第2予測対象属性の属性値の予測に用いる第2属性予測モデルを更に選択し、
前記属性予測部は、前記第2属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第2予測対象属性を更に予測する
プログラム。 - コンピュータにより実行され、前記コンピュータを、
複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
前記属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成部と、
前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択部と
前記第1属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第1予測対象属性の属性値を予測する属性予測部と
前記第1予測対象属性の予測値の予測の確からしさが閾値以上であることを条件として前記第1予測対象属性の予測値に基づいて前記第1予測対象属性の属性値を更新する属性値更新部と
して機能させるプログラム。 - コンピュータにより実行され、前記コンピュータを、
複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
前記属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成部と、
前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択部と
前記第1属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第1予測対象属性の属性値を予測する属性予測部と
して機能させ、
2以上の予測対象属性の間に循環依存が存在することに応じて、前記属性予測部は、前記2以上の予測対象属性のそれぞれの予測に用いる他の予測対象属性の予測の確からしさ、および前記2以上の予測対象属性のそれぞれに対する他の予測対象属性の寄与度の少なくとも1つに基づいて、前記2以上の予測対象属性の予測順序を決定する
プログラム。 - コンピュータにより実行され、前記コンピュータを、
複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
前記属性データベースを用いて、予測対象である第1予測対象属性の属性値を、前記複数の属性のうち前記第1予測対象属性以外の少なくとも1つの属性の属性値に基づいてそれぞれ予測する第1の複数の属性予測モデルを生成する属性予測モデル生成部と、
前記第1の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第1予測対象属性の属性値の予測に用いる第1属性予測モデルを選択する属性予測モデル選択部と
前記複数の対象者の少なくとも一部について、前記属性データベースに追加すべき追加属性の既知の属性値を示す既知情報を取得する既知情報取得部と、
前記属性データベースの前記複数の属性に、前記追加属性を追加する属性追加部と
して機能させ、
前記属性予測モデル生成部は、前記追加属性を予測対象属性として複数の属性予測モデルを生成し、
前記属性予測モデル選択部は、前記複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記予測対象属性の属性値の予測に用いる属性予測モデルを選択する
プログラム。
Priority Applications (11)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018059214A JP7198591B2 (ja) | 2018-03-27 | 2018-03-27 | 顧客の属性情報を解析する装置、方法、およびプログラム |
EP19776445.9A EP3779835A4 (en) | 2018-03-27 | 2019-03-07 | Device, method and program for analyzing customer attribute information |
PCT/JP2019/009186 WO2019188102A1 (ja) | 2018-03-27 | 2019-03-07 | 顧客の属性情報に基づきレコメンドを行う装置、方法、およびプログラム |
EP19777248.6A EP3779836A4 (en) | 2018-03-27 | 2019-03-07 | DEVICE, METHOD AND PROGRAM FOR MAKING RECOMMENDATIONS BASED ON CUSTOMER ATTRIBUTE INFORMATION |
CN201980017104.4A CN111902836A (zh) | 2018-03-27 | 2019-03-07 | 基于顾客属性信息进行建议的装置、方法、及程序 |
CN201980017105.9A CN111902837A (zh) | 2018-03-27 | 2019-03-07 | 分析顾客的属性信息的装置、方法、及程序 |
PCT/JP2019/009183 WO2019188101A1 (ja) | 2018-03-27 | 2019-03-07 | 顧客の属性情報を解析する装置、方法、およびプログラム |
TW108110555A TW201945959A (zh) | 2018-03-27 | 2019-03-26 | 分析顧客的屬性資訊之裝置、方法、及電腦可讀取之記錄媒體 |
TW108110556A TW201946010A (zh) | 2018-03-27 | 2019-03-26 | 基於顧客屬性資訊進行建議之裝置、方法、及電腦可讀取的記錄媒體 |
US17/031,940 US20210012359A1 (en) | 2018-03-27 | 2020-09-25 | Device, method and computer-readable medium for making recommendations on the basis of customer attribute information |
US17/031,933 US20210012363A1 (en) | 2018-03-27 | 2020-09-25 | Device, method and computer-readable medium for analyzing customer attribute information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018059214A JP7198591B2 (ja) | 2018-03-27 | 2018-03-27 | 顧客の属性情報を解析する装置、方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021103339A JP2021103339A (ja) | 2021-07-15 |
JP7198591B2 true JP7198591B2 (ja) | 2023-01-04 |
Family
ID=76755196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018059214A Active JP7198591B2 (ja) | 2018-03-27 | 2018-03-27 | 顧客の属性情報を解析する装置、方法、およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7198591B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11900365B1 (en) * | 2022-10-26 | 2024-02-13 | Intuit, Inc. | Predicting attributes for recipients |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000276460A (ja) | 1999-03-24 | 2000-10-06 | Fuji Electric Co Ltd | 電力需要量予測方法 |
WO2017159403A1 (ja) | 2016-03-16 | 2017-09-21 | 日本電気株式会社 | 予測システム、方法およびプログラム |
-
2018
- 2018-03-27 JP JP2018059214A patent/JP7198591B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000276460A (ja) | 1999-03-24 | 2000-10-06 | Fuji Electric Co Ltd | 電力需要量予測方法 |
WO2017159403A1 (ja) | 2016-03-16 | 2017-09-21 | 日本電気株式会社 | 予測システム、方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021103339A (ja) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11042898B2 (en) | Clickstream purchase prediction using Hidden Markov Models | |
US20200273054A1 (en) | Digital receipts economy | |
US10096040B2 (en) | Management of the display of online ad content consistent with one or more performance objectives for a webpage and/or website | |
US8924265B2 (en) | System and process for improving product recommendations for use in providing personalized advertisements to retail customers | |
US8583524B2 (en) | System and process for improving recommendations for use in providing personalized advertisements to retail customers | |
KR102396803B1 (ko) | 유통과 물류의 최적화를 위한 마케팅 관리 데이터 제공 방법 및 이를 위한 장치 | |
US20170243244A1 (en) | Methods Circuits Devices Systems and Associated Machine Executable Code for Taste-based Targeting and Delivery of Content | |
US20210012363A1 (en) | Device, method and computer-readable medium for analyzing customer attribute information | |
US9911131B1 (en) | Method and system for obtaining leads based on data derived from a variety of sources | |
WO2017019646A1 (en) | Sequential delivery of advertising content across media devices | |
US20210350202A1 (en) | Methods and systems of automatic creation of user personas | |
WO2017219121A2 (en) | Method and system for determining optimized customer touchpoints | |
JP2017027359A (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
US20240144328A1 (en) | Automatic rule generation for next-action recommendation engine | |
JP7198591B2 (ja) | 顧客の属性情報を解析する装置、方法、およびプログラム | |
Wasilewski et al. | Clustering methods for adaptive e-commerce user interfaces | |
JP7283865B2 (ja) | 顧客の属性情報に基づきレコメンドを行う装置、方法、およびプログラム | |
US20090198556A1 (en) | System and process for selecting personalized non-competitive electronic advertising | |
Lopez | Optimizing Marketing ROI with Predictive Analytics: Harnessing Big Data and AI for Data-Driven Decision Making | |
JP7419313B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
TELECOMUNICATIONS | THE UNIVERSITY OF ZAMBIA | |
Syrotkina et al. | Recency-Frequency-Monetary Analysis and Recommendation System using Apriori Algorithm on E-Commerce Sales Data | |
KR20220137521A (ko) | 결제 수단을 추천하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
US20090198555A1 (en) | System and process for providing cooperative electronic advertising | |
JP2024042574A (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210318 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220531 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220729 |
|
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: 20221206 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221219 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7198591 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |