JP7330919B2 - 情報処理装置、情報処理方法及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法及びプログラムに関する。

従来、複数の対象間における類似性を推定する技術が知られている。このような技術の一例として、利用者の移動経路の類似性に基づいて、相互に類似する複数の施設を識別する技術が知られている。

特表２０１４－５３２３５３号公報

しかしながら、上述した技術では、地域や施設で開催されるイベント間の類似性を適切に判定することができない場合がある。

例えば、上述した技術では、利用者の移動経路が類似する施設を識別しているに過ぎず、例えば、参加する利用者のニーズや傾向が類似するイベントを識別しているとは言えない。

本願は、上記に鑑みてなされたものであって、イベントを適切に識別することで、イベント間の類似性の判定精度を向上させることを目的とする。

本願に係る情報処理装置は、イベントに参加した利用者のネットワーク上の行動を示す情報と、前記イベントが開催される会場に関するネットワーク上の情報と、前記イベントに関するネットワーク上の情報とを取得する取得部と、前記取得されたネットワーク上の各情報を多次元量に変換するモデルを用いて、前記取得されたネットワーク上の各情報を前記イベントのコンテキストを示す多次元量に変換し、前記イベントのコンテキストを示すベクトルを生成する生成部と、判定対象となる対象イベントの指定を利用者から受付ける受付部と、前記対象イベントのコンテキストを示すベクトルと、他のイベントのコンテキストを示すベクトルとの類似性に基づいて、前記対象イベントと類似する類似イベントを特定する特定部と、特定された類似イベントを示す情報を、前記対象イベントの指定を行った利用者に提供する提供部とを有することを特徴とする。

実施形態の一態様によれば、イベント間の類似性の判定精度を向上させることができるといった効果を奏する。

図１は、実施形態に係る情報処理の一例を示す図である。 図２は、実施形態に係る情報処理装置の構成例を示す図である。 図３は、実施形態に係るイベントデータベースの一例を示す図である。 図４は、実施形態に係る利用者データベースの一例を示す図である。 図５は、実施形態に係る会場データベースの一例を示す図である。 図６は、実施形態に係る情報処理手順を示すフローチャートである。 図７は、情報処理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。

以下に、本願に係る情報処理装置情報処理装置、情報処理方法及び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情報処理装置情報処理装置、情報処理方法及び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。

〔１．情報処理の一例〕
まず、図１を用いて、実施形態に係る情報処理の一例について説明する。図１は、実施形態に係る情報処理の一例を示す図である。図１の例では、情報処理システム１は、情報処理装置１０と端末装置１００とログサーバ２００を有する。これらの各種装置は、ネットワークＮ（例えば、インターネット）を介して、有線又は無線により通信可能に接続される。なお、図１に示した情報処理システム１には、任意の数の情報処理装置１０と任意の数の端末装置１００と任意の数のログサーバ２００が含まれていてもよい。

情報処理装置１０は、利用者から指定された指定イベントと類似する類似イベントを示す情報を提供する情報処理装置である。図１に示す例では、情報処理装置１０は、利用者からイベントの指定を受付ける。また、情報処理装置１０は、利用者から指定された指定イベントと類似する類似イベントを特定する。そして、情報処理装置１０は、特定した類似イベントを示す情報を利用者に対して提供する。

具体的には、情報処理装置１０は、イベント誘致・開催計画などに利用される。例えば、事業者Ａ１がイベント＃１を誘致・開催して成功したとする。また、事業者Ａ１は、イベント＃１の誘致・開催が成功したので、成功したイベント＃１と類似する他のイベントを誘致・開催する計画を立てているとする。このような場合に、情報処理装置１０は、事業者Ａ１からイベント＃１の指定を受け付ける。また、情報処理装置１０は、事業者Ａ１から指定されたイベント＃１と類似する類似イベントを特定する。そして、情報処理装置１０は、特定した類似イベントを示す情報を利用者に対して提供する。例えば、情報処理装置１０は、イベント＃１と類似する複数の類似イベントを特定する。そして、情報処理装置１０は、特定した複数の類似イベントを示すリストを事業者Ａ１に対して提供する。

端末装置１００は、利用者により使用される情報処理装置である。端末装置１００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）等である。端末装置１００は、利用者の操作に従い、利用者によって指定された指定イベントに関する情報を情報処理装置１０に送信する。また、端末装置１００は、指定イベントと類似する類似イベントに関する情報を情報処理装置１０から受信する。そして、端末装置１００は、受信した類似イベントに関する情報を端末装置１００の画面に表示する。なお、以下では、端末装置１００を利用者と同一視する場合がある。すなわち、以下では、利用者を端末装置１００と読み替えることもできる。

また、以下では、利用者ＩＤ「Ｕ１」により特定される利用者を「利用者Ｕ１」とする場合がある。このように、以下では、「利用者Ｕ＊（＊は任意の数値）」と記載した場合、その利用者は利用者ＩＤ「Ｕ＊」により特定される利用者であることを示す。例えば、「利用者Ｕ２」と記載した場合、その利用者は利用者ＩＤ「Ｕ２」により特定される利用者である。

また、以下では、端末装置１００を利用する利用者に応じて、端末装置１００を端末装置１０１、１０２として説明する。例えば、端末装置１０１は、利用者Ｕ１により使用される端末装置１００である。また、例えば、端末装置１０２は、利用者Ｕ２により使用される端末装置１００である。また、以下では、端末装置１０１、１０２について、特に区別なく説明する場合には、端末装置１００と記載する。

ログサーバ２００は、各種のログデータを取得する情報処理装置である。具体的には、ログサーバ２００は、各イベントと関連性を有する利用者のネットワーク上の行動を示すログデータを取得する。より具体的には、ログサーバ２００は、各イベントに参加した利用者のネットワーク上の行動を示すログデータを取得する。

ここから、図１を用いて、情報処理の流れについて説明する。図１は、実施形態に係る情報処理の一例を示す図である。図１に示す例では、ログサーバ２００は、各種のログデータを取得する（ステップＳ１）。具体的には、ログサーバ２００は、各イベントに参加した利用者のネットワーク上の行動を示すログデータを取得する。例えば、ログサーバ２００は、利用者の位置の履歴である位置履歴を端末装置１００から取得する。また、ログサーバ２００は、利用者が入力した検索クエリの履歴である検索履歴を検索サーバから取得する。また、ログサーバ２００は、利用者が閲覧したコンテンツの履歴である閲覧履歴をコンテンツサーバから取得する。また、ログサーバ２００は、利用者による購買の履歴である購買履歴を電子商取引サーバから取得する。また、ログサーバ２００は、利用者による投稿の履歴である投稿履歴を口コミの投稿サービスを提供する投稿サーバやＳＮＳ（Social Networking Service）サーバから取得する。なお、ログサーバ２００は、上述した情報の他にも各種の情報を取得可能である。例えば、ログサーバ２００は、利用者の年齢、性別、家族構成、経済状況といった利用者の属性に関する情報を取得する。

また、ログサーバ２００は、各イベントが開催される会場に関するネットワーク上の情報を取得する。例えば、ログサーバ２００は、各イベントが開催される会場の名称、所在地、平均価格（平均客単価）、形態（例えば、会議室／多目的ホール／スタジアム／アリーナ／野外ステージ等の会場の形態や、大規模ホール／中規模ホール／小規模ホール等の規模の形態等）、周辺環境（例えば、近隣の交通機関／宿泊施設／飲食店／観光地等）に関する情報を各会場の端末装置から取得する。また、ログサーバ２００は、上述した情報の他にも各種の情報を取得可能である。例えば、ログサーバ２００は、会場の収容人数、営業時間、会場における喫煙の可否、飲食の可否、トイレの有無、屋根のある場所の有無、駐車場の有無といった会場に関する情報を取得する。

また、ログサーバ２００は、各イベントに関するネットワーク上の情報を取得する。例えば、ログサーバ２００は、取得した投稿履歴に基づいて、各イベントに参加した利用者により投稿された情報であって、イベントに関する情報を取得する。また、ログサーバ２００は、各イベントのカテゴリ、出演者／競技者／団体、演目／競技／展示物、主催者、開催地、会場、参加費、開催時期、開催期間、時間帯、当日の気温、天気といった各イベントに関するネットワーク上の情報を取得する。各イベントのカテゴリは、例えば、スポーツ大会系／芸能・音楽系／展示会系／博覧会系／祭り系といった分野のカテゴリや、オリンピック／ワールドカップ／高校野球大会／マラソン大会といった大会のカテゴリ、又はサッカー／野球／テニス／バスケットボールといった種目のカテゴリ等である。また、入学試験や合同説明会等もイベントに含まれる。

情報処理装置１０は、各種のログデータをログサーバ２００から取得する（ステップＳ２）。具体的には、情報処理装置１０は、各イベントと関連するネットワーク上の情報をログサーバ２００から取得する。より具体的には、情報処理装置１０は、各イベントに参加した利用者の行動を示すネットワーク上のログデータをログサーバ２００から取得する。例えば、情報処理装置１０は、利用者の位置の履歴である位置履歴をログサーバ２００から取得する。また、情報処理装置１０は、利用者が入力した検索クエリの履歴である検索履歴をログサーバ２００から取得する。また、情報処理装置１０は、利用者が閲覧したコンテンツの履歴である閲覧履歴をログサーバ２００から取得する。また、情報処理装置１０は、利用者による購買の履歴である購買履歴をログサーバ２００から取得する。また、情報処理装置１０は、利用者による投稿の履歴である投稿履歴をログサーバ２００から取得する。なお、情報処理装置１０は、上述した情報の他にも各種の情報を取得する。例えば、情報処理装置１０は、利用者の年齢、性別、家族構成、経済状況といった利用者属性に関する情報をログサーバ２００から取得する。

情報処理装置１０は、各イベントが開催される会場に関するネットワーク上の情報をログサーバ２００から取得する。例えば、また、情報処理装置１０は、各イベントが開催される会場の名称、所在地、平均価格（平均客単価）、形態、周辺環境に関する情報をログサーバ２００から取得する。なお、情報処理装置１０は、上述した情報の他にも各種の情報を取得する。例えば、情報処理装置１０は、会場の収容人数、営業時間、会場における喫煙の可否、飲食の可否、トイレの有無、屋根のある場所の有無、駐車場の有無といった会場に関する情報をログサーバ２００から取得する。

なお、情報処理装置１０は、各イベントに関するネットワーク上の情報をログサーバ２００から取得する。例えば、情報処理装置１０は、ログサーバ２００から取得した投稿履歴に基づいて、各イベントに参加した利用者により投稿された情報であって、イベントに関する情報を取得する。情報処理装置１０は、各イベントのカテゴリ、出演者／競技者／団体、演目／競技／展示物、主催者、開催地、会場、参加費、開催時期、開催期間、時間帯、当日の気温、天気といった各イベントに関するネットワーク上の情報をログサーバ２００から取得する。

続いて、情報処理装置１０は、各種のログデータを取得すると、各イベントと関連性を有する利用者を特定し、特定した利用者のログデータを取得する（ステップＳ３）。具体的には、情報処理装置１０は、利用者の位置履歴に基づいて、各イベントに参加した利用者を特定する。続いて、情報処理装置１０は、各イベントに参加した利用者として特定した各利用者のログデータを取得する。

例えば、情報処理装置１０は、利用者の位置履歴に基づいて、イベント＃１に参加した利用者である利用者＃１、利用者＃２、利用者＃３、…を特定する。続いて、情報処理装置１０は、イベント＃１に参加した利用者である利用者＃１、利用者＃２、利用者＃３、…のログデータを取得する。例えば、情報処理装置１０は、利用者＃１のログデータとして、利用者＃１の検索履歴、利用者＃１の閲覧履歴、利用者＃１の購買履歴、…を取得する。また、情報処理装置１０は、利用者＃２のログデータとして、利用者＃２の検索履歴、利用者＃２の閲覧履歴、利用者＃２の購買履歴、…を取得する。このようにして、情報処理装置１０は、イベント＃１に参加した各利用者のログデータを取得する。

続いて、情報処理装置１０は、取得したログデータと、各イベントが開催される会場に関する情報とに基づいて、各イベントのコンテキストを示す多次元量（例えば、ベクトル）を算出する（ステップＳ４）。具体的には、情報処理装置１０は、ネットワーク上の情報間の類似性に基づいて情報を多次元量に変換するモデルを用いて、ネットワーク上の情報を多次元量に変換する。より具体的には、情報処理装置１０は、取得した利用者のログデータの類似性に基づいて利用者のログデータを多次元量に変換するモデルを用いて、利用者のログデータをベクトルに変換する。また、情報処理装置１０は、各イベントが開催される会場に関する情報の類似性に基づいて各イベントが開催される会場に関する情報を多次元量に変換するモデルを用いて、各イベントが開催される会場に関する情報をベクトルに変換する。続いて、情報処理装置１０は、変換したベクトルに基づいて、各イベントのコンテキストを示す多次元量を算出する。

このとき、情報処理装置１０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、モデルにネットワーク上の情報間の類似性を学習させ、学習済モデルを用いて、ネットワーク上の情報を多次元量に変換してもよい。多次元量は、分散表現（単語埋め込み）により表現されてもよい。

なお、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１０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。このように、情報処理装置１０は、回帰モデルやニューラルネットワーク等、任意の構造を有するモデルを用いて、ネットワーク上の情報を多次元量に変換する。

例えば、情報処理装置１０は、取得した利用者のログデータの類似性に基づいて利用者のログデータを多次元量に変換するモデル＃１を用いて、イベント＃１に参加した利用者＃１のログデータをベクトル＃１に変換する。

また、情報処理装置１０は、取得した利用者のログデータに基づいて、利用者のコンテキストを推定する。例えば、情報処理装置１０は、利用者のコンテキストとして、利用者のイベントにおける行動のコンテキストを推定する。また、情報処理装置１０は、利用者のコンテキストとして、利用者の興味に関する情報を推定する。また、情報処理装置１０は、取得した利用者のログデータに基づいて、利用者の特徴を示すスコアを算出する。

例えば、情報処理装置１０は、取得した利用者＃１のログデータに基づいて、イベント＃１に参加した利用者＃１のコンテキストを推定する。また、情報処理装置１０は、取得した利用者＃１のログデータに基づいて、利用者＃１の特徴を示すスコアを算出する。続いて、情報処理装置１０は、推定した利用者のコンテキストと算出した利用者の特徴を示すスコアの類似性に基づいて利用者のコンテキストと利用者の特徴を示すスコアを多次元量に変換するモデル＃２を用いて、イベント＃１に参加した利用者＃１のコンテキストと利用者＃１の特徴を示すスコアをベクトル＃２に変換する。

また、情報処理装置１０は、イベントが開催される会場の類似性に基づいてイベントが開催される会場を多次元量に変換するモデル＃３を用いて、イベント＃１が開催される会場をベクトル＃３に変換する。また、情報処理装置１０は、イベントが開催される会場の平均利用額の類似性に基づいてイベントが開催される会場の平均利用額を多次元量に変換するモデル＃４を用いて、イベント＃１が開催される会場の平均利用額をベクトル＃４に変換する。

続いて、情報処理装置１０は、変換したベクトル＃１、ベクトル＃２、ベクトル＃３、ベクトル＃４、…に基づいて、イベント＃１のコンテキストを示すベクトル＃Ａ１を算出する。具体的には、情報処理装置１０は、変換したベクトルの組の類似性に基づいてベクトルの組を多次元量に変換するモデルを用いて、ベクトルの組を多次元量に変換する。例えば、情報処理装置１０は、ベクトルの組である（ベクトル＃１、ベクトル＃２、ベクトル＃３、ベクトル＃４、…）を、ベクトルの組を多次元量に変換するモデルを用いて変換したベクトル＃Ａ１を、イベント＃１のコンテキストを示すベクトル＃Ａ１として算出する。

また、情報処理装置１０は、利用者Ｕ２からイベントの指定を受付ける（ステップＳ５）。ここで、利用者Ｕ２は、例えば、出店が成功したイベントと類似する他のイベントを誘致・開催する計画を立てている事業者Ａ１の担当者である。具体的には、情報処理装置１０は、利用者Ｕ２から指定された指定イベントを示す情報を端末装置１０２から取得する。

続いて、情報処理装置１０は、指定イベントを示す情報を取得すると、指定イベントとコンテキストを示すベクトルが類似する他のイベントを特定する（ステップＳ６）。具体的には、情報処理装置１０は、指定イベントのコンテキストを示すベクトル＃Ｑを特定する。続いて、情報処理装置１０は、特定したベクトル＃Ｑと他のイベントのコンテキストを示すベクトルとの類似度を算出する。続いて、情報処理装置１０は、算出した類似度が所定の閾値を超えるベクトルを特定する。例えば、情報処理装置１０は、算出した類似度が所定の閾値を超えるベクトルとして、イベント＃１のコンテキストを示すベクトル＃Ａ１、イベント＃２のコンテキストを示すベクトル＃Ａ２、…を特定する。続いて、情報処理装置１０は、指定イベントのコンテキストを示すベクトル＃Ｑとの類似度が所定の閾値を超えるベクトルに対応するイベントを指定イベントと類似する類似イベントとして特定する。例えば、情報処理装置１０は、ベクトル＃Ａ１に対応するイベント＃１、ベクトル＃Ａ２に対応するイベント＃２、…を類似イベントとして特定する。

続いて、情報処理装置１０は、類似イベントを特定すると、特定した類似イベントのリストを利用者Ｕ２に提供する（ステップＳ７）。具体的には、情報処理装置１０は、類似イベントとして特定したイベント＃１、イベント＃２、…のリストを端末装置１０２に送信する。より具体的には、情報処理装置１０は、類似イベントとして特定したイベント＃１、イベント＃２、…を類似度が高い方から順に並べて表示したリストを生成する。続いて、情報処理装置１０は、生成したリストを端末装置１０２に送信する。

上述したように、情報処理装置１０は、各イベントと関連するネットワーク上の情報を取得する。また、情報処理装置１０は、判定対象となる対象イベントとネットワーク上の情報が類似する他のイベントを特定する。これにより、情報処理装置１０は、判定対象となる対象イベントと、参加する利用者のニーズや傾向が類似するイベントを特定することができる。したがって、情報処理装置１０は、イベント間の類似性の判定精度を向上させることができる。また、情報処理装置１０は、利用者のニーズや傾向が類似するイベントを精度よく判定することができるので、利用者のニーズや傾向とイベントとのミスマッチを防ぎ、事業者のイベント誘致・開催計画を適切に支援することができる。

なお、図１に示す例では、情報処理装置１０が利用者から一つの指定イベントを受け付けて、複数の類似イベントのリストを利用者に対して提供する例について説明したが、これに限られない。具体的には、図１のステップＳ５において、情報処理装置１０は、利用者Ｕ２から複数のイベントの指定を受付ける。情報処理装置１０は、利用者Ｕ２から指定された複数の指定イベントを示す情報を端末装置１０２から取得する。

続いて、図１のステップＳ６において、情報処理装置１０は、複数の指定イベントを示す情報を取得すると、複数の指定イベントとコンテキストを示すベクトルが類似する他のイベントを特定する。具体的には、情報処理装置１０は、複数の指定イベントに対応する各コンテキストベクトルを特定する。例えば、情報処理装置１０は、複数の指定イベントに対応する各コンテキストベクトルとして、ベクトル＃Ｑ１、ベクトル＃Ｑ２、ベクトル＃Ｑ３、…を特定する。続いて、情報処理装置１０は、ベクトルの組の類似性に基づいてベクトルの組を多次元量に変換するモデルを用いて、ベクトルの組を多次元量に変換する。例えば、情報処理装置１０は、ベクトルの組である（ベクトル＃Ｑ１、ベクトル＃Ｑ２、ベクトル＃Ｑ３、…）を、ベクトルの組を多次元量に変換するモデルを用いて変換したベクトル＃Ｖ１を、複数の指定イベントのコンテキストを示すベクトル＃Ｖ１として算出する。

続いて、情報処理装置１０は、算出したベクトル＃Ｖ１と他のイベントのコンテキストを示すベクトルとの類似度を算出する。続いて、情報処理装置１０は、算出した類似度が所定の閾値を超えるベクトルを特定する。続いて、情報処理装置１０は、複数の指定イベントのコンテキストを示すベクトル＃Ｖ１との類似度が所定の閾値を超えるベクトルに対応するイベントを複数の指定イベントと類似する類似イベントとして特定する。

〔２．情報処理装置の構成〕
次に、図２を用いて、実施形態に係る情報処理装置１０の構成について説明する。図２は、実施形態に係る情報処理装置１０の構成例を示す図である。図２に示すように、情報処理装置１０は、通信部２０と、記憶部３０と、制御部４０とを有する。

（通信部２０）
通信部２０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部２０は、ネットワークＮと有線または無線で接続され、端末装置１００とログサーバ２００との間で情報の送受信を行う。

（記憶部３０）
記憶部３０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。また、記憶部３０は、図２に示すように、イベントデータベース３１と利用者データベース３２と会場データベース３３を有する。

（イベントデータベース３１）
イベントデータベース３１は、イベントに関する各種情報を記憶する。図３を用いて、実施形態に係るイベントデータベースの一例について説明する。図３は、実施形態に係るイベントデータベースの一例を示す図である。図３に示す例では、イベントデータベース３１は、「イベントＩＤ」、「イベント名」、「カテゴリ」、「開催地」、「会場ＩＤ」、「コンテキストベクトル」といった項目を有する。

「イベントＩＤ」は、各イベントを識別するための識別情報を示す。「イベント名」は、各イベントの名称を示す。「カテゴリ」は、会場のカテゴリを示す。例えば、「カテゴリ」は、スポーツ大会系／芸能・音楽系／展示会系／博覧会系／祭り系といった分野のカテゴリであってもよいし、オリンピック／ワールドカップ／高校野球大会／マラソン大会といった大会のカテゴリであってもよい。「開催地」は、イベントの開催地の位置を示す。例えば、「開催地」は、各イベントの開催地の所定の位置（例えば、イベントの開催地の中心）を示す緯度や経度の情報であってもよいし、各イベントの開催地の地名（例えば、都道府県名、区市町村名等）の情報であってもよい。「会場ＩＤ」は、会場を識別するための識別情報を示す。「コンテキストベクトル」は、各イベントのコンテキストを示す多次元量を示す。

なお、イベントデータベース３１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、イベントデータベース３１は、各イベントの出演者／競技者／団体、演目／競技／展示物、主催者、開催時期、開催期間、時間帯、当日の気温、天気といった各イベントに関する情報を記憶してもよい。

（利用者データベース３２）
利用者データベース３２は、利用者に関する各種情報を記憶する。図４を用いて、実施形態に係る利用者データベースの一例について説明する。図４は、実施形態に係る利用者データベースの一例を示す図である。図４に示す例では、利用者データベース３２は、「利用者ＩＤ」、「位置履歴」、「検索履歴」、「閲覧履歴」、「購買履歴」、「投稿履歴」といった項目を有する。

「利用者ＩＤ」は、利用者を識別するための識別情報を示す。「位置履歴」は、利用者の位置の履歴を示す。「検索履歴」は、利用者が入力した検索クエリの履歴を示す。「閲覧履歴」は、利用者が閲覧したコンテンツの履歴を示す。「購買履歴」は、利用者による購買の履歴を示す。「投稿履歴」は、利用者による投稿の履歴を示す。

なお、利用者データベース３２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３２は、利用者の年齢、性別、家族構成、経済状況といった利用者の属性に関する情報を記憶してもよい。さらに、利用者データベース３２は、利用者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）といった各種属性に関する情報を記憶してもよい。

（会場データベース３３）
会場データベース３３は、会場に関する各種情報を記憶する。図５を用いて、実施形態に係る会場データベースの一例について説明する。図５は、実施形態に係る会場データベースの一例を示す図である。図５に示す例では、会場データベース３３は、「会場ＩＤ」、「会場名」、「所在地」、「平均価格」、「形態」、「周辺環境」といった項目を有する。

「会場ＩＤ」は、会場を識別するための識別情報を示す。「会場名」は、会場の名称を示す。「所在地」は、会場の所在地の具体的な地名や住所を示す。「平均価格」は、会場を訪れた利用者の平均利用額を示す。例えば、「平均価格」は、会場の入場料やイベントの参加費等であってもよいし、さらに会場内の飲食店やグッズ販売所等での平均的な商品購入額を含めた金額であってもよい。「形態」は、会場の形態を示す。例えば、「形態」は、会議室／多目的ホール／スタジアム／アリーナ／野外ステージ等の会場の形態であってもよいし、大規模ホール／中規模ホール／小規模ホール等の規模の形態であってもよい。「周辺環境」は、会場の周辺環境を示す。例えば、「周辺環境」は、近隣の交通機関／宿泊施設／飲食店／観光地等の情報であってもよい。

なお、会場データベース３３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、会場データベース３３は、会場の収容人数、営業時間、会場における喫煙の可否、飲食の可否、トイレの有無、屋根のある場所の有無、駐車場の有無といった会場に関する情報を記憶してもよい。

（制御部４０）
制御部４０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１０内部の記憶装置に記憶されている各種プログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部４０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。

図２に示すように、制御部４０は、取得部４１と、推定部４２と、算出部４３と、変換部４４と、特定部４５と、受付部４６と、提供部４７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４０の内部構成は、図２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。

（取得部４１）
取得部４１は、各種のログデータをログサーバ２００から取得する。取得部４１は、各イベントと関連するネットワーク上の情報を取得する。具体的には、取得部４１は、各イベントに関するネットワーク上の情報をログサーバ２００から取得する。例えば、取得部４１は、各イベントのカテゴリ、出演者／競技者／団体、演目／競技／展示物、主催者、開催地、会場、参加費、開催時期、開催期間、時間帯、当日の気温、天気といった各イベントに関するネットワーク上の情報をログサーバ２００から取得する。続いて、取得部４１は、取得した各イベントに関するネットワーク上の情報をイベントＩＤと対応付けてイベントデータベース３１に格納する。

また、取得部４１は、各イベントと関連性を有する利用者の行動を示すネットワーク上の情報を取得する。取得部４１は、各イベントと関連性を有する利用者の行動を示すネットワーク上の情報をログサーバ２００から取得する。取得部４１は、各イベントに参加した利用者の行動を示すネットワーク上の情報を取得する。例えば、取得部４１は、利用者の位置の履歴である位置履歴を取得する。また、取得部４１は、利用者が入力した検索クエリの履歴である検索履歴を取得する。また、取得部４１は、利用者が閲覧したコンテンツの履歴である閲覧履歴を取得する。また、取得部４１は、利用者による購買の履歴である購買履歴を取得する。また、取得部４１は、利用者による投稿の履歴である投稿履歴を取得する。続いて、取得部４１は、利用者の行動を示すネットワーク上の情報を取得すると、取得した情報を利用者ＩＤと対応付けて利用者データベース３２に格納する。なお、取得部４１は、上述した情報の他にも各種の情報を取得する。例えば、取得部４１は、利用者の年齢、性別、家族構成、経済状況といった利用者の属性に関する情報をログサーバ２００から取得する。続いて、取得部４１は、利用者の属性に関する情報をログサーバ２００から取得すると、取得した情報を利用者ＩＤと対応付けて利用者データベース３２に格納する。

また、取得部４１は、各イベントが開催される会場に関するネットワーク上の情報を取得する。取得部４１は、各イベントが開催される会場に関するネットワーク上の情報をログサーバ２００から取得する。例えば、取得部４１は、各イベントが開催された会場を訪問した利用者に関するネットワーク上の情報を取得する。なお、会場を訪問した利用者には、会場内に入場した利用者に限らず、例えば入場チケット等が入手できずイベント時に会場周辺にはいたが会場内には入場できなかった利用者を含む。また、下見のためにイベント前に会場を訪問した利用者や、余韻に浸るためイベント後に会場を訪問した利用者等も含めてもよい。例えば、取得部４１は、各イベントが開催された会場を訪問した利用者により投稿された情報であって、会場に関する情報を取得する。取得部４１は、ログサーバ２００から取得した投稿履歴に基づいて、各イベントが開催された会場を訪問した利用者により投稿された情報であって、会場に関する情報を取得する。また、取得部４１は、各イベントが開催される会場の名称、所在地、平均価格（平均客単価）、形態、周辺環境に関する情報をログサーバ２００から取得する。なお、取得部４１は、上述した情報の他にも各種の情報を取得する。例えば、取得部４１は、会場の収容人数、営業時間、会場における喫煙の可否、飲食の可否、トイレの有無、屋根のある場所の有無、駐車場の有無といった会場に関する情報をログサーバ２００から取得する。続いて、取得部４１は、各イベントが開催される会場に関するネットワーク上の情報を取得すると、取得した情報を会場ＩＤと対応付けて会場データベース３３に格納する。

また、取得部４１は、各イベントに参加した利用者の行動を示すネットワーク上の情報を取得する。また、取得部４１は、利用者が利用する端末装置から取得した位置情報に基づいて、利用者を特定し、特定した利用者の行動を示すネットワーク上の情報を取得する。具体的には、取得部４１は、各種のログデータを取得すると、各イベントと関連性を有する利用者を特定し、特定した利用者のログデータを取得する。例えば、取得部４１は、利用者データベース３２の位置履歴を参照して、利用者の位置履歴に基づいて、各イベントに参加した利用者を特定する。また、取得部４１は、利用者の位置履歴に基づいて、各イベントに参加した利用者を特定する。続いて、取得部４１は、利用者を特定すると、利用者データベース３２を参照して、特定した利用者のログデータを取得する。

図１に示す例では、取得部４１は、利用者データベース３２の位置履歴を参照して、利用者の位置履歴に基づいて、イベント＃１に参加した利用者である利用者＃１、利用者＃２、利用者＃３、…を特定する。続いて、取得部４１は、利用者を特定すると、利用者データベース３２を参照して、特定した利用者のログデータを取得する。例えば、取得部４１は、利用者データベース３２を参照して、利用者＃１の検索履歴、利用者＃１の閲覧履歴、利用者＃１の購買履歴、…等の利用者＃１のログデータを取得する。また、取得部４１は、利用者データベース３２を参照して、利用者＃１の年齢、性別、家族構成、経済状況といった利用者の属性に関する情報を取得する。また、取得部４１は、利用者データベース３２を参照して、利用者＃２の検索履歴、利用者＃２の閲覧履歴、利用者＃２の購買履歴、…等の利用者＃２のログデータを取得する。また、取得部４１は、利用者データベース３２を参照して、利用者＃２の年齢、性別、家族構成、経済状況といった利用者の属性に関する情報を取得する。このようにして、取得部４１は、イベント＃１に参加した各利用者のログデータを取得する。また、取得部４１は、イベント＃１に参加した各利用者の属性に関する情報を取得する。

（推定部４２）
推定部４２は、取得部４１により取得された情報に基づいて、利用者に関する情報を推定する。例えば、推定部４２は、取得部４１により取得された情報に基づいて、利用者に関する情報を推定するモデルを用いて、利用者に関する情報を推定する。また、推定部４２は、利用者のイベントにおける行動のコンテキストを推定する。例えば、推定部４２は、取得部４１により取得された情報に基づいて、利用者のイベントにおける行動のコンテキストを推定するモデルを用いて、利用者のイベントにおける行動のコンテキストを推定してもよい。

また、推定部４２は、取得部４１により取得された利用者の位置履歴に基づいて、利用者の行動の種類を推定してもよい。例えば、推定部４２は、取得部４１により取得された利用者の位置履歴に基づいて、利用者の訪問場所を推定する。続いて、推定部４２は、推定した訪問場所に基づいて、利用者の行動を推定する。例えば、推定部４２は、推定した訪問場所がイベント会場である場合、利用者がイベント会場を訪問したと推定する。また、推定部４２は、取得部４１により取得された利用者の購買履歴に基づいて、利用者の行動を推定してもよい。例えば、推定部４２は、取得部４１により取得された利用者の購買履歴に基づいて、利用者が購入した商品またはサービスを特定する。例えば、推定部４２は、利用者の位置履歴の日時と購買履歴の日時との比較に基づいて、利用者の行動を推定する。例えば、推定部４２は、位置履歴に基づいて利用者がイベント会場を訪問したと推定される日時に、購買履歴に基づいて同じ利用者がイベント会場内で商品購入していた場合には、利用者がイベントに参加していたと推定してもよい。

また、推定部４２は、取得部４１により取得された利用者の位置履歴に基づいて、利用者の移動速度を算出してもよい。続いて、推定部４２は、算出した移動速度に基づいて、利用者の移動手段を推定してもよい。例えば、推定部４２は、算出した移動速度が所定の時速である場合には、利用者が歩いていると推定する。また、推定部４２は、算出した移動速度が所定の時速を超える場合には、利用者が自動車や鉄道に乗車したと推定する。例えば、推定部４２は、算出した移動速度が所定の時速を超える場合において、利用者の位置が道路上であれば利用者が自動車に乗車したと推定し、利用者の位置が線路上であれば利用者が鉄道に乗車したと推定する。

また、推定部４２は、利用者の興味に関する情報を推定する。例えば、推定部４２は、利用者の興味に関する情報を推定するモデルを用いて、取得部４１により取得された情報に基づいて、利用者の興味に関する情報を推定する。

また、推定部４２は、取得部４１により取得された利用者の検索履歴に基づいて、利用者の興味分野を推定してもよい。例えば、推定部４２は、取得部４１により取得された利用者の検索履歴に基づいて、利用者が所定期間内に所定の回数以上、経済分野に関する検索クエリを検索していた場合には、利用者の興味分野が経済分野であると推定する。

また、推定部４２は、取得部４１により取得された利用者の閲覧履歴に基づいて、利用者の興味分野を推定してもよい。例えば、推定部４２は、取得部４１により取得された利用者の閲覧履歴に基づいて、利用者が所定期間内に所定の回数以上、海外旅行に関するコンテンツを閲覧していた場合には、利用者が海外旅行に興味を持っていると推定する。

図１に示す例では、推定部４２は、取得部４１により取得された利用者＃１のログデータに基づいて、イベント＃１に参加した利用者＃１のコンテキストを推定する。例えば、推定部４２は、利用者＃１のイベント＃１における行動のコンテキストを推定する。また、推定部４２は、利用者＃１の興味に関する情報を推定する。

（算出部４３）
算出部４３は、取得部４１により取得された情報に基づいて、利用者の特徴を示すスコアを算出する。例えば、推定部４２は、取得部４１により取得された情報に基づいて、利用者の特徴を示すスコアを算出するモデルを用いて、利用者の特徴を示すスコアを算出する。図１に示す例では、算出部４３は、利用者の特徴を示すスコアを算出するモデルを用いて、取得した利用者＃１のログデータに基づいて、利用者＃１の特徴を示すスコアを算出する。

（変換部４４）
変換部４４は、取得部４１によって取得された各利用者のログデータと、各イベントが開催される会場に関する情報とに基づいて、各イベントのコンテキストを示す多次元量（例えば、ベクトル）を算出する。具体的には、変換部４４は、ネットワーク上の情報間の類似性に基づいて情報を多次元量に変換するモデルを用いて、ネットワーク上の情報を多次元量に変換する。変換部４４は、各イベントのコンテキストを示す多次元量（以下、「コンテキストベクトル」と記載する）を算出すると、算出したコンテキストベクトルをイベントＩＤと対応付けてイベントデータベース３１に格納する。

より具体的には、変換部４４は、取得部４１によって取得された利用者のログデータの類似性に基づいて利用者のログデータを多次元量に変換するモデル＃１を用いて、利用者のログデータをベクトルに変換する。図１に示す例では、変換部４４は、利用者のログデータの類似性に基づいて利用者のログデータを多次元量に変換するモデル＃１を用いて、イベント＃１に参加した利用者＃１のログデータをベクトル＃１に変換する。より具体的には、変換部４４は、利用者＃１の検索履歴、利用者＃１の閲覧履歴、利用者＃１の購買履歴、利用者＃１の投稿履歴、…といった利用者＃１のログデータをベクトル＃１に変換する。なお、変換部４４は、上述したログデータの他にも各種のログデータの類似性に基づいて、利用者のログデータをベクトルに変換してよい。また、上術した例では、変換部４４が利用者の検索履歴、閲覧履歴、購買履歴、…といった複数のログデータの類似性に基づいて、複数のログデータをまとめて一つのベクトル＃１に変換する例について説明したが、これに限られない。例えば、変換部４４は、検索履歴、閲覧履歴、購買履歴、投稿履歴、…といった利用者の各ログデータの類似性に基づいて利用者の各ログデータを各ベクトルに変換する各モデルを用いて、利用者の各ログデータをそれぞれ個別のベクトルに変換してもよい。

また、変換部４４は、利用者の属性に関する情報の類似性に基づいて利用者の属性に関する情報を多次元量に変換するモデル＃１１を用いて、利用者の属性に関する情報をベクトルに変換する。例えば、変換部４４は、年齢、性別、家族構成、経済状況といった利用者の属性に関する情報の類似性に基づいて利用者の属性に関する情報を多次元量に変換するモデル＃１１を用いて、イベント＃１に参加した利用者＃１の属性に関する情報をベクトル＃１１に変換する。なお、変換部４４は、利用者の属性に関する情報と利用者のログデータとを合わせた情報である利用者情報の類似性に基づいて利用者情報の類似性に基づいて、利用者情報を多次元量に変換するモデル＃１２を用いて、イベント＃１に参加した利用者＃１の利用者情報をベクトル＃１２に変換してもよい。

また、変換部４４は、推定部４２によって推定された利用者のコンテキストと算出部４３によって算出された利用者の特徴を示すスコアの類似性に基づいて利用者のコンテキストと利用者の特徴を示すスコアを多次元量に変換するモデル＃２を用いて、利用者のコンテキストと利用者の特徴を示すスコアをベクトルに変換する。図１に示す例では、変換部４４は、利用者のコンテキストと利用者の特徴を示すスコアを多次元量に変換するモデル＃２を用いて、推定部４２によって推定された利用者＃１のコンテキストと算出部４３によって算出された利用者＃１の特徴を示すスコアをベクトル＃２に変換する。

また、変換部４４は、各イベントが開催される会場に関する情報の類似性に基づいて各イベントが開催される会場に関する情報を多次元量に変換するモデルを用いて、各イベントが開催される会場に関する情報をベクトルに変換する。例えば、変換部４４は、イベントが開催される会場の類似性に基づいてイベントが開催される会場を多次元量に変換するモデル＃３を用いて、イベント＃１が開催される会場をベクトル＃３に変換する。また、変換部４４は、イベントが開催される会場の平均利用額の類似性に基づいてイベントが開催される会場の平均利用額を多次元量に変換するモデル＃４を用いて、イベント＃１が開催される会場の平均利用額をベクトル＃４に変換する。また、変換部４４は、会場の営業時間の類似性に基づいてイベントが開催される会場の営業時間を多次元量に変換するモデル＃５を用いて、イベント＃１が開催される会場の営業時間をベクトル＃５に変換する。また、変換部４４は、会場における喫煙の可否の類似性に基づいてイベントが開催される会場における喫煙の可否を多次元量に変換するモデル＃６を用いて、イベント＃１が開催される会場における喫煙の可否をベクトル＃６に変換する。また、変換部４４は、上述した各イベントが開催される会場に関する情報の他にも各種の各イベントが開催される会場に関する情報の類似性に基づいて、各イベントが開催される会場に関する情報をベクトルに変換してよい。なお、変換部４４は、イベントが開催される会場、会場の平均利用額、会場の収容人数、営業時間、会場における喫煙の可否、飲食の可否、トイレの有無、屋根のある場所の有無、駐車場の有無といった会場に関する複数の情報の類似性に基づいて、会場に関する複数の情報をまとめて一つのベクトルに変換してもよい。

また、変換部４４は、各イベントに関するネットワーク上の情報の類似性に基づいて各イベントに関するネットワーク上の情報を多次元量に変換するモデルを用いて、各イベントに関するネットワーク上の情報をベクトルに変換する。例えば、変換部４４は、各イベントのカテゴリ、出演者／競技者／団体、演目／競技／展示物、主催者、開催地、会場、参加費、開催時期、開催期間、時間帯、当日の気温、天気といった各イベントに関するネットワーク上の各情報の類似性に基づいて各イベントに関するネットワーク上の各情報を多次元量に変換する各モデルを用いて、各イベントに関するネットワーク上の各情報を各ベクトルに変換する。なお、変換部４４は、各イベントのカテゴリ、出演者／競技者／団体、演目／競技／展示物、主催者、開催地、会場、参加費、開催時期、開催期間、時間帯、当日の気温、天気といった各イベントに関するネットワーク上の複数の情報の類似性に基づいて、各イベントに関するネットワーク上の複数の情報をまとめて一つのベクトルに変換してもよい。

続いて、変換部４４は、各モデルによって変換されたベクトルに基づいて、各イベントのコンテキストを示す多次元量を算出する。例えば、変換部４４は、各モデルによって変換されたベクトルの組の類似性に基づいてベクトルの組を多次元量に変換するモデルを用いて、ベクトルの組を多次元量に変換する。図１に示す例では、変換部４４は、各モデルによって変換されたベクトルの組である（ベクトル＃１、ベクトル＃２、ベクトル＃３、ベクトル＃４、…）を、ベクトルの組を多次元量に変換するモデルを用いて、イベント＃１のコンテキストを示すベクトル＃Ａ１に変換する。

なお、上述した例では、変換部４４が、取得部４１によって取得された各利用者のログデータと、各イベントが開催される会場に関する情報と、各イベントに関するネットワーク上の情報とをそれぞれ各ベクトルに変換したうえで、変換した各ベクトルに基づいて各イベントのコンテキストベクトルを算出する例について説明したが、これに限られない。具体的には、変換部４４は、取得部４１によって取得された各利用者のログデータと、各イベントが開催される会場に関する情報と、各イベントに関するネットワーク上の情報とに基づいて、各イベントのコンテキストベクトルを算出する。例えば、変換部４４は、取得部４１によって取得された各利用者の検索履歴、閲覧履歴、購買履歴、…等の各ログデータ、各利用者の年齢、性別、家族構成、経済状況といった利用者の属性に関する各情報、各イベントが開催される会場、会場の平均利用額、会場の収容人数、営業時間、会場における喫煙の可否、飲食の可否、トイレの有無、屋根のある場所の有無、駐車場の有無といった会場に関する各情報、各イベントのカテゴリ、出演者／競技者／団体、演目／競技／展示物、主催者、開催地、会場、参加費、開催時期、開催期間、時間帯、当日の気温、天気といった各イベントに関するネットワーク上の各情報の類似性に基づいて、これらの各情報を多次元量に変換するモデルを用いてこれらの各情報を多次元量に変換することにより、各イベントのコンテキストベクトルを算出する。

（特定部４５）
特定部４５は、判定対象となる対象イベントとネットワーク上の情報が類似する他のイベントを特定する。具体的には、特定部４５は、受付部４６によって指定イベントを受け付けると、指定イベントとコンテキストを示すベクトルが類似する他のイベントを特定する。より具体的には、特定部４５は、多次元量の類似性に基づいて、対象イベントとネットワーク上の情報が類似する他のイベントを特定する。例えば、特定部４５は、利用者のネットワーク上の行動が対象イベントと類似する他のイベントを特定する。また、特定部４５は、推定部４２により推定された利用者に関する情報が対象イベントと類似する他のイベントを特定する。また、特定部４５は、算出部４３により算出されたスコアの傾向が対象イベントと類似する他のイベントを特定する。また、特定部４５は、会場に関するネットワーク上の情報が対象イベントと類似する他のイベントを特定する。また、特定部４５は、対象イベントとネットワーク上の情報が類似する複数の他のイベントを特定する。

図１に示す例では、特定部４５は、受付部４６によって指定イベントを受け付けると、指定イベントとコンテキストを示すベクトルが類似する他のイベントを特定する。具体的には、特定部４５は、受付部４６によって受け付けられた指定イベントのコンテキストを示すベクトル＃Ｑを特定する。続いて、特定部４５は、特定したベクトル＃Ｑと他のイベントのコンテキストを示すベクトルとの類似度を算出する。続いて、特定部４５は、算出した類似度が所定の閾値を超えるベクトルを特定する。例えば、特定部４５は、算出した類似度が所定の閾値を超えるベクトルとして、イベント＃１のコンテキストを示すベクトル＃Ａ１、イベント＃２のコンテキストを示すベクトル＃Ａ２、…を特定する。続いて、特定部４５は、指定イベントのコンテキストを示すベクトル＃Ｑとの類似度が所定の閾値を超えるベクトルに対応するイベントを指定イベントと類似する類似イベントとして特定する。例えば、特定部４５は、ベクトル＃Ａ１に対応するイベント＃１、ベクトル＃Ａ２に対応するイベント＃２、…等の複数の類似イベントを特定する。

なお、図１に示す例では、情報処理装置１０が利用者から一つの指定イベントを受け付けて、複数の類似イベントのリストを利用者に対して提供する例について説明したが、これに限られない。具体的には、受付部４６は、利用者から複数のイベントの指定を受付ける。受付部４６は、利用者から指定された複数の指定イベントを示す情報を端末装置１００から取得する。

続いて、特定部４５は、受付部４６によって複数の指定イベントを受け付けると、複数の指定イベントとコンテキストを示すベクトルが類似する他のイベントを特定する。具体的には、特定部４５は、複数の指定イベントに対応する各コンテキストベクトルを特定する。例えば、特定部４５は、複数の指定イベントに対応する各コンテキストベクトルとして、ベクトル＃Ｑ１、ベクトル＃Ｑ２、ベクトル＃Ｑ３、…を特定する。続いて、特定部４５は、ベクトルの組の類似性に基づいてベクトルの組を多次元量に変換するモデルを用いて、ベクトルの組を多次元量に変換する。例えば、特定部４５は、ベクトルの組である（ベクトル＃Ｑ１、ベクトル＃Ｑ２、ベクトル＃Ｑ３、…）を、ベクトルの組を多次元量に変換するモデルを用いて変換したベクトル＃Ｖ１を、複数の指定イベントのコンテキストを示すベクトル＃Ｖ１として算出する。

続いて、特定部４５は、算出したベクトル＃Ｖ１と他のイベントのコンテキストを示すベクトルとの類似度を算出する。続いて、特定部４５は、算出した類似度が所定の閾値を超えるベクトルを特定する。続いて、特定部４５は、複数の指定イベントのコンテキストを示すベクトル＃Ｖ１との類似度が所定の閾値を超えるベクトルに対応するイベントを複数の指定イベントと類似する類似イベントとして特定する。

（受付部４６）
受付部４６は、判定対象となる対象イベントの指定を利用者から受付ける。具体的には、受付部４６は、利用者から判定対象となる対象イベントとして指定された指定イベントを示す情報を端末装置１００から取得する。図１に示す例では、受付部４６は、利用者Ｕ２からイベントの指定を受付ける。具体的には、受付部４６は、利用者Ｕ２から指定された指定イベントを示す情報を端末装置１０２から取得する。

（提供部４７）
提供部４７は、特定部４５が特定した他のイベントを示す情報を利用者に提供する。例えば、提供部４７は、特定部４５によって類似イベントが特定されると、特定された類似イベントのリストを端末装置１００に送信する。例えば、提供部４７は、特定した複数の類似イベントを類似度が高い方から順に並べて表示したリストを生成する。続いて、提供部４７は、生成したリストを端末装置１００に送信する。図１に示す例では、提供部４７は、類似イベントを特定すると、特定した類似イベントのリストを利用者Ｕ２に提供する。具体的には、提供部４７は、類似イベントとして特定したイベント＃１、イベント＃２、…といった複数の類似イベントのリストを端末装置１０２に送信する。より具体的には、提供部４７は、類似イベントとして特定したイベント＃１、イベント＃２、…を類似度が高い方から順に並べて表示したリストを生成する。続いて、提供部４７は、生成したリストを端末装置１０２に送信する。

〔３．情報処理のフロー〕
次に、図６を用いて、実施形態に係る情報処理の手順について説明する。図６は、実施形態に係る情報処理手順を示すフローチャートである。図６に示す例では、情報処理装置１０は、所定のタイミングであるか否かを判定する（ステップＳ１０１）。情報処理装置１０は、所定のタイミングでないと判定した場合（ステップＳ１０１；Ｎｏ）、所定のタイミングがくるまで待機する。

一方、情報処理装置１０は、所定のタイミングであると判定した場合（ステップＳ１０１；Ｙｅｓ）、各イベントと関連性を有する利用者の行動を示すネットワーク上のログデータを取得する（ステップＳ１０２）。続いて、情報処理装置１０は、ログデータを取得すると、取得したログデータ同士の類似性を反映させたコンテキストベクトルをイベントごとに生成する（ステップＳ１０３）。

続いて、情報処理装置１０は、利用者から指定イベントを受け付けたか否かを判定する（ステップＳ１０４）。情報処理装置１０は、利用者から指定イベントを受け付けていないと判定した場合（ステップＳ１０４；Ｎｏ）、利用者から指定イベントを受け付けるまで待機する。

一方、情報処理装置１０は、利用者から指定イベントを受け付けたと判定した場合（ステップＳ１０４；Ｙｅｓ）、指定イベントのコンテキストベクトルを特定する（ステップＳ１０５）。続いて、情報処理装置１０は、指定イベントのコンテキストベクトルを特定すると、コンテキストベクトルが指定イベントと類似する類似イベントを特定する（ステップＳ１０６）。続いて、情報処理装置１０は、特定した類似イベントを示す情報を出力する（ステップＳ１０７）。

〔４．変形例〕
上述した情報処理装置１０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。

上記の実施形態において、情報処理装置１０は、コンテキストベクトルが指定イベントと類似する類似イベントを特定しているが、指定イベントから派生した派生イベントを類似イベントの一種とみなしてとしてもよい。例えば、あるイベントの前後に、そのイベントと関連性を有する関連イベント（例えば、前夜祭／後夜祭、応援イベント等）が開催されることがある。また、あるイベントに参加する利用者が、イベント前に近くの喫茶店やファストフード店等で待ち合わせや時間潰しをしたり、イベント後にその地域の飲食店や酒場等に向かったりすることがある。また、地方のイベントに参加した利用者が、イベント参加のついでに、その地方の名所や有名施設等を巡ったり、その地方の温泉等の入浴施設を利用したりすることもある。このような派生イベントは、対象イベントとコンテキストベクトルが類似する他のイベントとなり得る。また、指定イベントに付随して発生する派生イベントを類似イベントとすることで、あるイベントに参加予定の利用者に対して、そのイベントの前後に発生する派生イベントやそれに関連する施設等に関する情報を提供（紹介／提案／推奨）してもよい。

また、あるイベントに参加した利用者に対して、そのイベントに類似する類似イベントに関する情報を提供する際、併せて、その類似イベントの前後に発生する派生イベントやそれに関連する施設等に関する情報を提供してもよい。また、あるイベントに参加予定の利用者に対して、そのイベントと類似する過去の類似イベントの際に参加者が立ち寄った観光地や施設等に関する情報を提供してもよい。さらに、あるイベントに参加予定の利用者に対して、そのイベントの前後に発生する派生イベントから副次的に発生する二次派生イベントやそれに関連する施設等に関する情報を提供してもよい。

また、上記の実施形態において、情報処理装置１０は、各利用者のログデータと、各イベントが開催される会場に関する情報とに基づいて、各イベントのコンテキストを示す多次元量を算出しているが、さらに各イベントが開催される地域に関する情報に基づいて、各イベントのコンテキストを示す多次元量を算出してもよい。例えば、祭り系のイベントやその他のご当地イベントのように、地域に定着したイベントの場合には、各イベントが開催される地域に関する情報も、各イベントのコンテキストを示す多次元量に影響を及ぼすと推測される。なお、各利用者のログデータや、各イベントが開催される会場に関する情報に、各イベントが開催される地域に関する情報が含まれていてもよい。

また、上記の実施形態において、情報処理装置１０は、イベント間の類似性の判定を行っているが、イベント間に限らず、イベントと、そのイベントの開催地である地域の特徴を示すキーワードとの類似性の判定を行ってもよい。これにより、情報処理装置１０は、対象イベントと利用者のニーズや傾向が類似する観光資源を示すキーワードを精度よく判定することができるので、利用者のイベント参加に伴う観光等を適切に支援することができる。例えば、ある地域で開催されるイベントと、その地域にある特定の施設との類似性から、イベント終了後に、利用者をその特定の施設に案内することができる。

また、上記の実施形態において、情報処理装置１０は、イベント間の類似性の判定を行っているが、エリアの特徴となり得る様々な事項に関するキーワード間の類似性の判定を行ってもよい。すなわち、あるエリアの特徴を示すキーワード間の類似性の判定を行ってもよい。具体的には、エリアの特徴を示す各キーワードと関連するネットワーク上の情報を取得する。そして、判定対象となる対象キーワードとネットワーク上の情報が類似する他のキーワードを特定する。例えば、ある地域における集客力のある事項とそれ以外の事項とのそれぞれに関するキーワード間の類似性の判定を行ってもよい。なお、そのエリアで開催されるイベントも、エリアの特徴の１つである。

〔５．効果〕
上述してきたように、実施形態に係る情報処理装置１０は、取得部４１と生成部を有する。取得部４１は、イベントと関連性を有する利用者のネットワーク上の情報を取得する。生成部は、取得部が取得した情報に基づいて、イベントの特徴を示す特徴情報を生成する。なお、生成部は、上記の実施形態における変換部４４に相当する。また、イベントの特徴を示す特徴情報は、例えばイベントのコンテキストを示す多次元量（例えば、ベクトル）である。

これにより、情報処理装置１０は、イベントを適切に識別することができ、その結果、イベント間の類似性の判定精度を向上させることができる。具体的には、イベントと関連性を有する利用者のネットワーク上の情報の類似性に基づいて、イベント間の類似性を判定することができる。

また、実施形態に係る情報処理装置は、特定部４５をさらに有する。特定部４５は、取得部４１が取得した情報に基づいて、判定対象となる対象イベントと類似する他のイベントを特定する。

これにより、情報処理装置１０は、判定対象となる対象イベントと、参加する利用者のニーズや傾向が類似するイベントを特定することができる。したがって、情報処理装置１０は、イベント間の類似性の判定精度を向上させることができる。また、情報処理装置１０は、利用者のニーズや傾向が類似するイベントを精度よく判定することができるので、事業者のイベント誘致・開催計画を適切に支援することができる。

また、取得部４１は、各イベントに参加した利用者のネットワーク上の行動を示す情報を取得する。また、取得部４１は、利用者が利用する端末装置から取得した位置情報に基づいて、イベントと関連性を有する位置に所在した利用者を特定し、特定した利用者のネットワーク上の行動を示す情報を取得する。

これにより、情報処理装置１０は、各イベントに参加した利用者のネットワーク上の行動を示す情報の類似性に基づいて、イベント間の類似性を判定することができる。

また、取得部４１は、利用者が入力した検索クエリの履歴に基づいて、前記イベントと関連性を有する検索クエリを入力した利用者を特定し、特定した利用者の行動を示すネットワーク上の情報を取得する。

これにより、情報処理装置１０は、各イベントと関連性を有する利用者の検索履歴の類似性に基づいて、イベント間の類似性を判定することができる。

また、取得部４１は、利用者が閲覧したコンテンツの履歴に基づいて、前記イベントと関連性を有するコンテンツを閲覧した利用者を特定し、特定した利用者の行動を示すネットワーク上の情報を取得する。

これにより、情報処理装置１０は、各イベントと関連性を有する利用者の閲覧履歴の類似性に基づいて、イベント間の類似性を判定することができる。

また、取得部４１は、利用者による購買の履歴に基づいて、前記イベントと関連性を有する取引対象を購買した利用者を特定し、特定した利用者の行動を示すネットワーク上の情報を取得する。

これにより、情報処理装置１０は、各イベントと関連性を有する利用者の購買履歴の類似性に基づいて、イベント間の類似性を判定することができる。

また、実施形態に係る情報処理装置１０は、推定部４２を有する。推定部４２は、取得部４１により取得された情報に基づいて、利用者に関する情報を推定する。生成部は、推定部４２により推定された情報に基づいて、前記イベントの特徴を示す特徴情報を生成する。

これにより、情報処理装置１０は、各イベントと関連性を有する利用者に関する推定情報の類似性に基づいて、イベント間の類似性を判定することができる。

また、推定部４２は、利用者のイベントにおける行動のコンテキストを推定する。

これにより、情報処理装置１０は、各イベントと関連性を有する利用者のイベントにおける行動のコンテキストの類似性に基づいて、イベント間の類似性を判定することができる。

また、推定部４２は、利用者の興味に関する情報を推定する。

これにより、情報処理装置１０は、各イベントと関連性を有する利用者の興味に関する情報の類似性に基づいて、イベント間の類似性を判定することができる。

また、実施形態に係る情報処理装置１０は、算出部４３を有する。算出部４３は、取得部４１により取得された情報に基づいて、利用者の特徴を示すスコアを算出する。生成部は、算出部４３により算出されたスコアに基づいて、イベントの特徴を示す特徴情報を生成する。

これにより、情報処理装置１０は、各イベントと関連性を有する特徴を示すスコアの類似性に基づいて、イベント間の類似性を判定することができる。

また、取得部４１は、各イベントが開催される会場と関連する利用者のネットワーク上の情報を取得する。生成部は、会場と関連する利用者のネットワーク上の情報に基づいて、当該会場において開催されるイベントの特徴を示す特徴情報を生成する。

これにより、情報処理装置１０は、各イベントが開催される会場に関するネットワーク上の情報の類似性に基づいて、イベント間の類似性を判定することができる。

また、取得部４１は、各イベントが開催された会場を訪問した利用者に関するネットワーク上の情報を取得する。

これにより、情報処理装置１０は、各イベントが開催された会場を訪問した利用者に関するネットワーク上の情報の類似性に基づいて、イベント間の類似性を判定することができる。

また、取得部４１は、各イベントに参加した利用者により投稿された情報であって、各イベント及び会場の少なくとも一方に関する情報を取得する。

これにより、情報処理装置１０は、各イベントが開催された会場を訪問した利用者により投稿された情報のうち、各イベント及び会場の少なくとも一方に関する情報の類似性に基づいて、イベント間の類似性を判定することができる。

また、取得部４１は、さらに各イベントと関連するネットワーク上の情報を取得し、生成部は、各イベントと関連性を有する利用者の情報と、各イベントと関連するネットワーク上の情報とに基づいて、各イベントの特徴を示す特徴情報を生成する。

これにより、情報処理装置１０は、各イベントのカテゴリ、出演者／競技者／団体、演目／競技／展示物、主催者、開催地、会場、参加費、開催時期、開催期間、時間帯、当日の気温、天気といった各イベントに関するネットワーク上の情報を取得することができる。

生成部は、取得部４１により取得されたネットワーク上の情報間の類似性に基づいて情報を多次元量に変換するモデルを用いて、ネットワーク上の情報を多次元量に変換する。

これにより、情報処理装置１０は、各イベントの特徴を示すベクトルの類似性に基づいて、客観的にイベント間の類似性を判定することができる。

また、実施形態に係る情報処理装置１０は、受付部４６と提供部４７を有する。受付部４６は、判定対象となる対象イベントの指定を利用者から受付ける。提供部４７は、特定部４５が特定した他のイベントを示す情報を利用者に提供する。

これにより、情報処理装置１０は、類似イベントの提供サービスに関するユーザビリティを向上させることができる。

また、提供部４７は、他のイベントに付随して発生する派生イベントに関する情報を利用者に提供する。

これにより、情報処理装置１０は、類似イベントを利用者に紹介する際に、類似イベントの前後に発生する関連イベントや、類似イベントの前後に行う休憩や観光のための施設等を、利用者に適切に紹介することができる。

他の観点では、実施形態に係る情報処理装置は、取得部４１と生成部と特定部４５を有する。なお、生成部は、上記の実施形態における変換部４４に相当する。取得部４１は、イベントと関連するネットワーク上の情報と、イベントの開催地であるエリアの特徴を示すキーワードと関連するネットワーク上の情報とを取得する。生成部は、取得部が取得した情報に基づいて、イベントの特徴を示す特徴情報と、キーワードの特徴を示す特徴情報とを生成する。特定部４５は、前記イベントの特徴を示す特徴情報と前記キーワードの特徴を示す特徴情報との類似性に基づいて、キーワードと類似するキーワードを特定する。

これにより、情報処理装置１０は、対象イベントと利用者のニーズや傾向が類似する観光資源を示すキーワードを精度よく判定することができるので、利用者のイベント参加に伴う観光等を適切に支援することができる。例えば、ある地域で開催されるイベントと、その地域にある特定の施設との類似性から、イベント終了後に、利用者をその特定の施設に案内することができる。

さらに他の観点では、実施形態に係る情報処理装置１０は、取得部４１と生成部と特定部４５を有する。なお、生成部は、上記の実施形態における変換部４４に相当する。取得部４１は、エリアの特徴を示す各キーワードと関連するネットワーク上の情報を取得する。生成部は、取得部が取得した情報に基づいて、各キーワードの特徴を示す特徴情報を生成する。特定部４５は、各キーワードの特徴情報の類似性に基づいて、判定対象となる対象キーワードと類似する他のキーワードを特定する。

これにより、情報処理装置１０は、エリアの特徴を示す各キーワードについて、判定対象となる対象キーワードと、参加する利用者のニーズや傾向が類似するキーワードを特定することができる。したがって、情報処理装置１０は、キーワード間の類似性の判定精度を向上させることができる。

〔６．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１０は、例えば図７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７は、情報処理装置１０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を備える。

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。

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、所定の通信網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所定の通信網を介して他の機器へ送信する。

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。

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。

例えば、コンピュータ１０００が情報処理装置１０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または制御部５２または制御部１５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、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。

以上、本願の実施形態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、発明の開示の欄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。

〔７．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。

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。

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。

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、特定部は、特定手段や特定回路に読み替えることができる。

１ 情報処理システム
１０ 情報処理装置
２０ 通信部
３０ 記憶部
３１ イベントデータベース
３２ 利用者データベース
３３ 会場データベース
４０ 制御部
４１ 取得部
４２ 推定部
４３ 算出部
４４ 変換部
４５ 特定部
４６ 受付部
４７ 提供部
１００ 端末装置
２００ ログサーバ

Claims (20)

1. イベントに参加した利用者のネットワーク上の行動を示す情報と、前記イベントが開催される会場に関するネットワーク上の情報と、前記イベントに関するネットワーク上の情報とを取得する取得部と、
   前記取得されたネットワーク上の各情報を多次元量に変換するモデルを用いて、前記取得されたネットワーク上の各情報を前記イベントのコンテキストを示す多次元量に変換し、前記イベントのコンテキストを示すベクトルを生成する生成部と、
   判定対象となる対象イベントの指定を利用者から受付ける受付部と、
   前記対象イベントのコンテキストを示すベクトルと、他のイベントのコンテキストを示すベクトルとの類似性に基づいて、前記対象イベントと類似する類似イベントを特定する特定部と、
   特定された類似イベントを示す情報を、前記対象イベントの指定を行った利用者に提供する提供部と
   を有することを特徴とする情報処理装置。
2. 前記特定部は、前記対象イベントのコンテキストを示すベクトルと、前記対象イベントの前後に発生する他のイベントのコンテキストを示すベクトルとの類似性に基づいて、前記対象イベントの前後に発生する他のイベントを、前記対象イベントに付随して発生する派生イベントとして特定し、
   前記提供部は、特定された前記対象イベントに付随して発生する派生イベントに関する情報を前記利用者に提供する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記取得部は、前記利用者が利用する端末装置から取得した位置情報に基づいて、前記イベントと関連性を有する位置に所在した利用者を特定し、特定した利用者の行動を示すネットワーク上の情報を取得し、
   前記生成部は、利用者の行動を示すネットワーク上の情報をベクトル要素に変換するモデルを用いて、特定した利用者の行動を示すネットワーク上の情報をベクトル要素に変換し、該ベクトル要素を用いて前記イベントのコンテキストを示すベクトルを生成する
   ことを特徴とする請求項１または２に記載の情報処理装置。
4. 前記取得部は、前記利用者が入力した検索クエリの履歴に基づいて、前記イベントと関連性を有する検索クエリを入力した利用者を特定し、特定した利用者の行動を示すネットワーク上の情報を取得し、
   前記生成部は、利用者の行動を示すネットワーク上の情報をベクトル要素に変換するモデルを用いて、特定した利用者の行動を示すネットワーク上の情報をベクトル要素に変換し、該ベクトル要素を用いて前記イベントのコンテキストを示すベクトルを生成する
   ことを特徴とする請求項１～３のうちいずれか１つに記載の情報処理装置。
5. 前記取得部は、前記利用者が閲覧したコンテンツの履歴に基づいて、前記イベントと関連性を有するコンテンツを閲覧した利用者を特定し、特定した利用者の行動を示すネットワーク上の情報を取得し、
   前記生成部は、利用者の行動を示すネットワーク上の情報をベクトル要素に変換するモデルを用いて、特定した利用者の行動を示すネットワーク上の情報をベクトル要素に変換し、該ベクトル要素を用いて前記イベントのコンテキストを示すベクトルを生成する
   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。
6. 前記取得部は、前記利用者による購買の履歴に基づいて、前記イベントと関連性を有する取引対象を購買した利用者を特定し、特定した利用者の行動を示すネットワーク上の情報を取得し、
   前記生成部は、利用者の行動を示すネットワーク上の情報をベクトル要素に変換するモデルを用いて、特定した利用者の行動を示すネットワーク上の情報をベクトル要素に変換し、該ベクトル要素を用いて前記イベントのコンテキストを示すベクトルを生成する
   ことを特徴とする請求項１～５のうちいずれか１つに記載の情報処理装置。
7. 前記イベントと関連性を有する利用者のネットワーク上の情報に基づいて、前記利用者のコンテキストを推定する推定部
   を有し、
   前記生成部は、利用者のコンテキストをベクトル要素に変換するモデルを用いて、推定された前記利用者のコンテキストをベクトル要素に変換し、該ベクトル要素を用いて前記イベントのコンテキストを示すベクトルを生成する
   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。
8. 前記推定部は、前記利用者の前記対象イベントにおける行動のコンテキストを推定し、
   前記生成部は、利用者のイベントにおける行動のコンテキストをベクトル要素に変換するモデルを用いて、推定された前記利用者の前記対象イベントにおける行動のコンテキストをベクトル要素に変換し、該ベクトル要素を用いて前記イベントのコンテキストを示すベクトルを生成する
   ことを特徴とする請求項７に記載の情報処理装置。
9. 前記推定部は、前記利用者の興味に関する情報を推定し、
   前記生成部は、利用者の興味に関する情報をベクトル要素に変換するモデルを用いて、推定された前記利用者の興味に関する情報をベクトル要素に変換し、該ベクトル要素を用いて前記イベントのコンテキストを示すベクトルを生成する
   ことを特徴とする請求項７または８に記載の情報処理装置。
10. 前記イベントと関連性を有する利用者のネットワーク上の情報に基づいて、前記利用者の特徴を示すスコアを算出する算出部
    を有し、
    前記生成部は、推定された前記利用者のコンテキストと、前記利用者の特徴を示すスコアとの類似性に基づいて利用者のコンテキストと利用者の特徴を示すスコアとをベクトル要素に変換するモデルを用いて、推定された前記利用者のコンテキストと前記利用者の特徴を示すスコアとをベクトル要素に変換し、該ベクトル要素を用いて前記イベントのコンテキストを示すベクトルを生成する
    ことを特徴とする請求項７～９のうちいずれか１つに記載の情報処理装置。
11. 前記取得部は、イベントが開催される会場と関連する利用者のネットワーク上の情報を取得し、
    前記生成部は、会場と関連する利用者のネットワーク上の情報をベクトル要素に変換するモデルを用いて、前記イベントが開催される会場と関連する利用者のネットワーク上の情報をベクトル要素に変換し、該ベクトル要素を用いて当該会場において開催されるイベントのコンテキストを示すベクトルを生成する
    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。
12. 前記取得部は、イベントが開催された会場を訪問した利用者に関するネットワーク上の情報を取得し、
    前記生成部は、会場を訪問した利用者のネットワーク上の情報をベクトル要素に変換するモデルを用いて、前記イベントが開催された会場を訪問した利用者のネットワーク上の情報をベクトル要素に変換し、該ベクトル要素を用いて当該会場において開催されるイベントのコンテキストを示すベクトルを生成する
    ことを特徴とする請求項１１に記載の情報処理装置。
13. 前記取得部は、イベントが開催された会場を訪問した利用者により投稿された情報であって、各イベント及び会場の少なくとも一方に関する情報を取得し、
    前記生成部は、イベント及び会場の少なくとも一方に関する情報をベクトル要素に変換するモデルを用いて、取得されたイベント及び会場の少なくとも一方に関する情報をベクトル要素に変換し、該ベクトル要素を用いて当該会場において開催されるイベントのコンテキストを示すベクトルを生成する
    ことを特徴とする請求項１１または１２に記載の情報処理装置。
14. 前記取得部は、さらにイベントと関連するネットワーク上の情報を取得し、
    前記生成部は、イベントと関連性を有する利用者に関するネットワーク上の情報と、イベントと関連するネットワーク上の情報とをベクトル要素に変換するモデルを用いて、前記イベントと関連性を有する利用者に関するネットワーク上の情報と、前記イベントと関連するネットワーク上の情報とをベクトル要素に変換し、該ベクトル要素を用いて該イベントのコンテキストを示すベクトルを生成する
    ことを特徴とする請求項１～１３のうちいずれか１つに記載の情報処理装置。
15. 前記生成部は、イベントと関連性を有する利用者のログデータの類似性に基づいて利用者のログデータを多次元量に変換するモデルを用いて、前記イベントと関連性を有する利用者のログデータをベクトル要素に変換し、該ベクトル要素を用いて前記イベントのコンテキストを示すベクトルを生成する
    ことを特徴とする請求項１～１４のうちいずれか１つに記載の情報処理装置。
16. 前記生成部は、イベントが開催される会場の類似性に基づいてイベントが開催される会場を多次元量に変換するモデルを用いて、前記イベントが開催される会場をベクトル要素に変換し、該ベクトル要素を用いて前記イベントのコンテキストを示すベクトルを生成する
    ことを特徴とする請求項１～１５のうちいずれか１つに記載の情報処理装置。
17. 前記生成部は、イベントが開催される会場の平均利用額の類似性に基づいてイベントが開催される会場の平均利用額を多次元量に変換するモデルを用いて、前記イベントが開催される会場の平均利用額をベクトル要素に変換し、該ベクトル要素を用いて前記イベントのコンテキストを示すベクトルを生成する
    ことを特徴とする請求項１～１６のうちいずれか１つに記載の情報処理装置。
18. 前記生成部は、ベクトル要素の組の類似性に基づいてベクトル要素の組を多次元量に変換するモデルを用いて変換したベクトルを、前記イベントのコンテキストを示すベクトルとして算出する
    ことを特徴とする請求項１～１７のうちいずれか１つに記載の情報処理装置。
19. 情報処理装置が実行する情報処理方法であって、
    イベントに参加した利用者のネットワーク上の行動を示す情報と、前記イベントが開催される会場に関するネットワーク上の情報と、前記イベントに関するネットワーク上の情報とを取得する取得工程と、
    前記取得されたネットワーク上の各情報を多次元量に変換するモデルを用いて、前記取得されたネットワーク上の各情報を前記イベントのコンテキストを示す多次元量に変換し、前記イベントのコンテキストを示すベクトルを生成する生成工程と、
    判定対象となる対象イベントの指定を利用者から受付ける受付工程と、
    前記対象イベントのコンテキストを示すベクトルと、他のイベントのコンテキストを示すベクトルとの類似性に基づいて、前記対象イベントと類似する類似イベントを特定する特定工程と、
    特定された類似イベントを示す情報を、前記対象イベントの指定を行った利用者に提供する提供工程と
    を含むことを特徴とする情報処理方法。
20. イベントに参加した利用者のネットワーク上の行動を示す情報と、前記イベントが開催される会場に関するネットワーク上の情報と、前記イベントに関するネットワーク上の情報とを取得する取得手順と、
    前記取得されたネットワーク上の各情報を多次元量に変換するモデルを用いて、前記取得されたネットワーク上の各情報を前記イベントのコンテキストを示す多次元量に変換し、前記イベントのコンテキストを示すベクトルを生成する生成手順と、
    判定対象となる対象イベントの指定を利用者から受付ける受付手順と、
    前記対象イベントのコンテキストを示すベクトルと、他のイベントのコンテキストを示すベクトルとの類似性に基づいて、前記対象イベントと類似する類似イベントを特定する特定手順と、
    特定された類似イベントを示す情報を、前記対象イベントの指定を行った利用者に提供する提供手順と
    をコンピュータに実行させるためのプログラム。

Images