JP2010198243A - 行動予測装置および行動予測方法 - Google Patents

Abstract

【課題】利用者の行動特性を反映した行動予測をする。
【解決手段】行動予測装置１０は、利用者の行動履歴データを記憶している行動履歴データ記憶部（行動履歴データベース４）と、前記行動履歴データ記憶部に記憶されている前記利用者の行動履歴データから確率的に前記利用者の行動モデルを作成する行動モデル作成部（行動モデル学習手段２２）と、前記行動モデル作成部により作成された前記利用者の行動モデルをもとに、所定の条件に応じて確率的に前記利用者の行動を予測する行動予測部（行動予測手段２３）と、前記行動予測部は、所定の条件に適合する行動履歴データのデータ数が所定の閾値に満たない場合に、該条件を拡張して前記利用者の行動を予測する。
【選択図】図１

Description

本発明は、行動予測装置および行動予測方法に関し、特に、利用者の行動モデルを学習して利用者の行動を予測する方法に関する。

従来、利用者の行動履歴や音声履歴から行動モデルや音響モデルを学習して、学習した行動モデルや音響モデルに基づいて利用者の行動を予測したり、音声認識を行ったりする技術がある。

例えば、音声認識を個人に適応させるための学習方法として、特許文献１が挙げられる。特許文献１においては、個人ごとに学習した単語モデルと、音素レベルで作成された単語モデルとを、利用者の学習データ中に存在する認識対象単語のデータ量に応じた重み付けを行い混合することが行われている。特許文献１に開示されている技術において、単語モデルを個人モデル、音素レベルのモデル汎用モデルと想定すれば、個人ごとにカスタマイズした商品推薦や情報提供などのサービスに適用することが可能となる。

また、利用者の行動モデルを学習する方法として、特許文献２が挙げられる。特許文献２においては、複数の評価基準に関するアンケート回答を収集し、収集されたアンケート回答をもとに、所定のグループに属する利用者ごとに複数の評価基準の各々について重視度を算出する。そして、所定のグループの属性情報や算出された重視度をもとに異なる複数のセグメントのいずれかに分類し、分類されたセグメントごとに所定のグループに属する利用者の行動モデルを作成している。

特開平９−２５８７６６号公報 特開２００４−２５８７６２号公報

しかし、上記特許文献１の方法を行動履歴から行動モデルを学習することに適用した場合には、例えば、場所や日時に応じた行動パターンを学習する際に、個人モデルにおいて場所や日時の各条件を独立に処理することとなる。この場合、個人モデルにおいて各条件に合致する学習データ量が少ない場合に、少ない条件を補完する処理が考慮されておらず、汎用モデルの影響を受けすぎて個人の行動が反映され難いという問題があった。

また、上記特許文献２の方法では、例えば商品の購買モデルに適用した場合、各商品を購入する頻度等を考慮すると、分類するためのセグメントの数が膨大となり、各利用者の行動や嗜好をセグメントで表現することができないという問題があった。

そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、利用者の行動特性を反映した行動予測をすることが可能な、新規かつ改良された行動予測装置および行動予測方法を提供することにある。

上記課題を解決するために、本発明のある観点によれば、利用者の行動履歴データを記憶している行動履歴データ記憶部と、行動履歴データ記憶部に記憶されている利用者の行動履歴データから確率的に利用者の行動モデルを作成する行動モデル作成部と、行動モデル作成部により作成された利用者の行動モデルをもとに、所定の条件に応じて確率的に利用者の行動を予測する行動予測部と、行動予測部は、所定の条件に適合する行動履歴データのデータ数が所定の閾値に満たない場合に、該条件を拡張して利用者の行動を予測する、行動予測装置が提供される。

上記行動モデル作成部は、利用者の個人モデルと、利用者の属する任意のグループの汎用モデルを作成するようにしてもよい。

上記行動予測部は、利用者の個人モデルをもとに、所定の条件に応じて確率的に利用者の行動を予測し、行動予測部は、利用者の個人モデルにおいて、所定の条件に適合する行動履歴データのデータ数が所定の閾値に満たない場合に、利用者の個人モデルにおいて、該条件を拡張して利用者の行動を予測し、該条件の拡張前と拡張後の予測結果を統合するようにしてもよい。

上記行動予測部は、所定の条件を拡張して利用者の行動を予測しても、所定の条件に適合する行動履歴データのデータ数が所定の閾値に満たない場合に、利用者の属する任意のグループの汎用モデルにおいて、拡張前の条件で予測し、個人モデルにおける予測結果と汎用モデルにおける予測結果とを統合するようにしてもよい。

上記行動モデル作成部は、ベイジアンネットワークを利用して確率的に利用者の行動モデルを作成するようにしてもよい。

上記行動予測部は、ベイジアンネットワークを利用して確率的に利用者の行動モデルをもとに、確率的に利用者の行動を予測するようにしてもよい。

また、上記課題を解決するために、本発明の別の観点によれば、利用者の行動を予測する行動予測装置において、利用者の行動履歴データを記憶している行動履歴データ記憶部に記憶されている利用者の行動履歴データから確率的に利用者の行動モデルを作成するステップと、行動モデルを作成するステップにおいて作成された利用者の行動モデルをもとに、所定の条件に応じて確率的に利用者の行動を予測するステップと、利用者の行動を予測するステップにおいて、所定の条件に適合する行動履歴データのデータ数が所定の閾値に満たない場合に、該条件を拡張して利用者の行動を予測するステップと、条件の拡張前に利用者の行動を予測するステップにおいて得られた予測結果と該条件の拡張後利用者の行動を予測するステップにおいて得られた予測結果とを統合するステップと、を含む、行動予測方法が提供される。

以上説明したように本発明によれば、利用者の行動特性を反映した行動予測をすることができる。

本発明の一実施形態にかかる行動予測装置の概要を説明する説明図である。 同実施形態にかかる利用者データベースに保存されているデータについて説明する説明図である。 同実施形態にかかる行動履歴データベースに保存されているデータについて説明する説明図である。 同実施形態にかかる情報コンテンツデータベースに保存されているデータについて説明する説明図である。 同実施形態にかかる行動モデル雛形の一例について説明する説明図である。 同実施形態にかかる行動モデル雛形の一例について説明する説明図である。 同実施形態にかかる行動モデル学習処理の流れを示すフローチャートである。 同実施形態にかかる行動モデル学習処理の流れを示すフローチャートである。 同実施形態にかかる行動モデル学習処理の流れを示すフローチャートである。 同実施形態にかかる購入カテゴリモデルの学習データの例を説明する説明図である。 同実施形態にかかる購入カテゴリモデルの例を説明する説明図である。 同実施形態にかかるキーワードモデルの例を説明する説明図である。 同実施形態にかかる行動予測処理の流れを示すフローチャートである。 同実施形態にかかる行動予測処理の流れを示すフローチャートである。 同実施形態にかかる行動予測処理の流れを示すフローチャートである。 同実施形態にかかる行動予測処理の流れを示すフローチャートである。 同実施形態にかかる行動予測処理の流れを示すフローチャートである。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

また、以下に示す順序に従って、当該「発明を実施するための形態」を説明する。
〔１〕本実施形態の目的
〔２〕行動予測装置の機能構成
〔３〕行動モデル学習処理の詳細
〔４〕行動予測処理の詳細

〔１〕本実施形態の目的
まず、本発明の実施形態の目的について説明する。従来、利用者の行動履歴や音声履歴から行動モデルや音響モデルを学習して、学習した行動モデルや音響モデルに基づいて利用者の行動を予測したり、音声認識を行ったりする技術がある。

例えば、音声認識を個人に適応させるための学習方法が開示されている。当該学習方法によれば、個人ごとに学習した単語モデルと、音素レベルで作成された単語モデルとを、利用者の学習データ中に存在する認識対象単語のデータ量に応じた重み付けを行い混合することが行われている。当該音声認識を個人に適応させるための学習方法において、単語モデルを個人モデル、音素レベルのモデル汎用モデルと想定すれば、個人ごとにカスタマイズした商品推薦や情報提供などのサービスに適用することが可能となる。

また、利用者の行動モデルを学習する方法が開示されている。当該学習方法によれば、複数の評価基準に関するアンケート回答を収集し、収集されたアンケート回答をもとに、所定のグループに属する利用者ごとに複数の評価基準の各々について重視度を算出する。そして、所定のグループの属性情報や算出された重視度をもとに異なる複数のセグメントのいずれかに分類し、分類されたセグメントごとに所定のグループに属する利用者の行動モデルを作成している。

しかし、上記音声認識を個人に適応させるための学習方法では、例えば、場所や日時に応じた行動パターンを学習する際に、個人モデルにおいて場所や日時の各条件を独立に処理することとなる。この場合、個人モデルにおいて各条件に合致する学習データ量が少ない場合に、少ない条件を補完する処理が考慮されておらず、汎用モデルの影響を受けすぎて個人の行動が反映され難いという問題があった。

例えば、スーパーマーケットにおいて、ある利用者が、土曜日や日曜日は冷凍食品やお菓子などを購入する頻度が高く、火曜日と木曜日は食パン、金曜日はビールを購入する頻度が多い。また、月曜日と水曜日はほとんどスーパーマーケットに寄らず、肉や魚、野菜などの食材は通販で購入している場合について考える。この場合、月曜日／火曜日／水曜日／木曜日／金曜日／土曜日／日曜日の７つの日時（曜日）の条件では、月曜と水曜については学習データがほとんど無いということになる。

このようなデータをもとに、利用者が水曜日に来店したときにどのような商品を推薦するのが妥当であるのかが問題となる。この場合、利用者の属する特定グループ、例えば、３０代女性や既婚者といったグループにおける汎用モデルなどから、肉、魚、野菜などを推薦するのは妥当ではない。上記したように、利用者は肉、魚、野菜などは通販で購入しており、スーパーマーケットでは購入する可能性が低いからである。この場合は、個人モデル内における他の条件から学習データを補完することが妥当であると考えられる。例えば、他の曜日に購入している冷凍食品やお菓子、食パン、ビールを推薦したほうが妥当であろう。

また、利用者の行動モデルを学習する方法では、例えば商品の購買モデルに適用した場合、牛肉を購入する頻度、刺身を購入する頻度、アイスクリームを購入する頻度、と利用者のさまざまな行動を考慮する必要がある。この場合、分類するためのセグメントの数が膨大となり、各利用者の行動や嗜好をセグメントで表現することができないという問題があった。

そこで、上記のような事情を一着眼点として、本発明の実施形態にかかる行動予測装置１０が創作されるに至った。本実施形態にかかる行動予測装置１０によれば、個人モデルにおけるデータが充分でない場合においても、利用者の行動特性を反映した行動予測をすることが可能となる。

〔２〕行動予測装置の機能構成
次に、図１を参照して、本発明の行動予測装置１０の機能構成について説明する。図１は、本発明の一実施形態にかかる行動予測装置１０の概要を説明する説明図である。本実施形態では、スーパーマーケットにおける利用者端末に入力される購入履歴データを利用して、セール商品の中から行動特性にあった商品を推薦する方法を例示して説明する。

図１の機能構成を説明する前に、行動予測装置１０のハードウェア構成の一例について説明する。行動予測装置１０は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）と、入力装置と、出力装置と、ストレージ装置（ＨＤＤ）などを備える。

ＣＰＵは、演算処理装置および制御装置として機能し、各種プログラムに従って行動予測装置１０の動作全般を制御する。また、ＣＰＵは、マイクロプロセッサであってもよい。ＲＯＭは、ＣＰＵが使用するプログラムや演算パラメータ等を記憶する。ＲＡＭは、ＣＰＵの実行において使用するプログラムや、その実行において適宜変化するパラメータ等を一次記憶する。これらはＣＰＵバスなどから構成されるホストバスにより相互に接続されている。

入力装置は、例えば、マウス、キーボード、タッチパネル、ボタン、マイク、スイッチおよびレバーなどユーザが情報を入力するための入力手段と、ユーザによる入力に基づいて入力信号を生成し、ＣＰＵに出力する入力制御回路などから構成されている。

出力装置は、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイ装置、液晶ディスプレイ（ＬＣＤ）装置、ＯＬＥＤ（Ｏｒｇａｎｉｃ Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｓｐｌａｙ）装置およびランプなどの表示装置と、スピーカおよびヘッドホンなどの音声出力装置で構成される。

ストレージ装置は、記憶媒体、記憶媒体にデータを記録する記録装置、記憶媒体からデータを読み出す読出し装置および記憶媒体に記録されたデータを削除する削除装置などを含むことができる。ストレージ装置は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）で構成される。このストレージ装置は、ハードディスクを駆動し、ＣＰＵが実行するプログラムや各種データを格納する。

以上、行動予測装置１０のハードウェア構成について説明した。次に、図１を参照して、行動予測装置１０の機能構成について説明する。図１に示したように、行動予測装置１０は、利用者端末１、個別化サービスサーバ２、利用者データベース３、行動履歴データベース４、情報コンテンツデータベース５、決済端末６などを備える。

利用者端末１は、個別化サービスサーバ２に接続されている。利用者端末１は、利用者の保持している会員カード等を読み取り、利用者を識別する固有のＩＤを取得する機能を有する。また、利用者の商品購入履歴や嗜好等に応じて、所望の情報やサービスを提供する。利用者端末１は、例えば、スーパーマーケットに設置されているレジ端末や、ポイントカード端末などを例示できる。利用者端末１は、上記した入力装置および出力装置により構成される。また、利用者端末１を行動予測装置１０とは別体のパーソナルコンピュータ等のコンピュータ装置単体としてもよい。

個別化サービスサーバ２は、情報コンテンツを利用者ごとにカスタマイズして提供する機能を有する。個別化サービスサーバ２には、情報カスタマイズ手段２１、行動モデル学習手段２２、行動予測手段２３、ベイジアンネットワーク処理手段２４、行動モデルデータベース２５などが含まれる。また、個別化サービスサーバ２は、利用者データベース３、行動履歴データベース４、情報コンテンツデータベース５に接続されている。個別化サービスサーバ２は、上記したハードウェア構成を有するコンピュータにより構成される。

情報カスタマイズ手段２１は、行動予測をもとに情報コンテンツをカスタマイズする機能を有する。また、情報カスタマイズ手段２１は、行動モデル学習手段２２および行動予測手段２３に接続されている。情報コンテンツについては後で詳細に説明するが、本実施形態では、例えば、商品データが挙げられる。

行動モデル学習手段２２は、行動履歴データベース４に保存されている行動履歴をもとに、各利用者の行動モデルを学習する機能を有する。また、行動モデル学習手段２２は、ベイジアンネットワーク処理手段２４に接続されている。行動モデル学習手段２２は、本発明の行動モデル作成部の一例である。

行動予測手段２３は、行動モデル学習手段２２により学習された行動モデルをもとに、所定の条件に応じて利用者の行動を予測する機能を有する。また、行動予測手段２３は、ベイジアンネットワーク処理手段２４に接続されている。行動予測手段２３は、本発明の行動予測部の一例である。

ベイジアンネットワーク処理手段２４は、ベイジアンネットワークを利用して、ベイジアンネットワークの各変数をデータ項目としたデータ系列を入力することにより、各変数間の依存関係を統計的に学習する機能を有する。また、ベイジアンネットワーク処理手段２４は、行動モデルデータベース２５に接続されている。

上記情報カスタマイズ手段２１、行動モデル学習手段２２、行動予測手段２３、ベイジアンネットワーク処理手段２４、コンピュータにより構成され、その動作は、上記したＲＯＭに記憶されたプログラムをもとに、ＣＰＵで実行される。

行動モデルデータベース２５は、行動モデル雛形２５１、各利用者の行動モデルである利用者行動モデル２５２、セグメントに応じた行動モデルである汎用モデル２５３を保持するデータベースである。利用者行動モデル２５２の各利用者の行動モデルは、個人レベルの行動モデルである。また、汎用モデル２５３のセグメントに応じた行動モデルは、利用者を所定のグループに分類した場合の各グループレベルの行動モデルである。

利用者データベース３は、利用者を識別するＩＤや利用者の氏名等利用者に関する各種情報を保持するデータベースである。また、利用者データベース３には、予め利用者の情報が記憶されており、個別化サービスサーバ２および決済端末６に接続されている。

行動履歴データベース４は、利用者ごとの行動履歴を保持するデータベースである。本実施形態では、利用者ごとの行動履歴として、各利用者の商品の購入履歴を例示することができる。また、行動履歴データベース４は、個別化サービスサーバ２および決済端末６に接続されている。行動履歴データベース４は、本発明の行動履歴データ記憶部の一例である。

行動履歴データベース４に保持される行動履歴としては、商品の購入履歴以外に、駅の改札機に入力されるデータや車に搭載されたＥＴＣを利用した移動履歴データが挙げられる。また、ヘルスメータに入力される体重や血圧等の生体データであってもよい。さらに、利用者がインターネット経由でショッピングした場合には、ＰＣやサーバ等に保存された購入履歴データであってもよい。

情報コンテンツデータベース５は、行動履歴に関連する情報コンテンツ、および、利用者に提供する情報コンテンツを保持しているデータベースである。行動履歴に関連する情報コンテンツとしては、例えば、上記したように行動履歴が利用者の商品の購入履歴であった場合には、利用者が購入した商品に関連する情報である。例えば、その商品の商品カテゴリやメーカ名や特売品か否か等を例示できる。また、利用者に提供する情報コンテンツとしては、同一の商品カテゴリのお買い得商品の情報や、他のメーカの商品の情報などを例示できる。

上記行動モデルデータベース２５、利用者データベース３、行動履歴データベース４、情報コンテンツデータベース５は、上記したストレージ装置（ＨＤＤ）により構成される。

決済端末６は、決済時に行動履歴を取得する機能を有する端末である。決済端末６としては、既存のＰＯＳ端末やクレジットカード端末などを例示できる。決済端末６を、上記した利用者端末１と一体の端末として構成してもよい。決済端末６は、上記した入力装置および出力装置により構成される。また、決済端末６を行動予測装置１０とは別体のパーソナルコンピュータ等のコンピュータ装置単体としてもよい。

〔３〕行動モデル学習処理の詳細
以上、行動予測装置１０の機能構成について説明した。次に、図２〜８を参照して、行動予測装置１０における行動モデル学習処理の詳細について説明する。まず、図２〜４を参照して、上記した利用者データベース３、行動履歴データベース４、情報コンテンツデータベース５に保存されているデータについて説明する。

図２に示したように、利用者データベース３には、各利用者に関するデータ、例えば、利用者ＩＤ３１、氏名３２、性別３３、年齢３４、住所３５、セグメント３６、履歴利用承認３７などが保存されている。セグメント３６は、利用者の行動特性やランクを示す値である。例えば、「Ｓ１」は「購入金額が大きく、子供のいる家庭」と推定されるセグメントを示すようにしてもよい。また、履歴利用承認３７は、利用者の行動履歴を利用することについての利用者の承認を得ているか否かを示すフラグである。

図３に示したように、行動履歴データベース４には、決済端末６および利用者端末１から送られた各利用者の行動履歴データが保存されている。行動履歴データベース４には、例えば、利用者端末１または決済端末６により取得される購買履歴データであり、日時４１、利用者ＩＤ４２、商品ＩＤ４３、数量４４、価格４５、決済手段４６などが保存されている。利用者ＩＤ４２は、利用者が所持するポイントカードやクレジットカード等に記憶されていてもよい。

図４に示したように、情報コンテンツデータベース５には、行動履歴に関連する情報コンテンツデータが保存されている。情報コンテンツデータベース５には、例えば、商品ＩＤ５１、商品名５２、メーカ名５３、商品カテゴリ５４、商品説明文５５、商品キーワード５６、商品写真５７、標準価格５８、販売価格５９などの商品データが保存されている。

次に、図５Ａおよび図５Ｂを参照して、行動モデルデータベース２５に保存されている行動モデル雛形２５１について説明する。図５Ａは、行動モデル雛形２５１の一例であり、曜日と購入カテゴリを関連付けたモデルである。図５Ａに示した行動モデルを、以降、購入カテゴリモデルと称する。

図５Ａに示した購入カテゴリモデルにおいて、変数＜カテゴリ：アイスクリーム購入＞＜カテゴリ：チョコレート購入＞＜カテゴリ：ヨーグルト購入＞は変数＜曜日＞に依存する。変数＜カテゴリ：アイスクリーム購入＞＜カテゴリ：チョコレート購入＞＜カテゴリ：ヨーグルト購入＞は、値が「Ｙ」または「Ｎ」、変数＜曜日＞は値が「月曜」から「日曜」であることを示している。

図５Ｂは、行動モデル雛形２５１の一例であり、月とカテゴリとキーワードとを関連付けたモデルである。図５Ｂに示した行動モデルを、以降、キーワードモデルと称する。図５Ｂに示したキーワードモデルにおいて、変数＜キーワード：抹茶＞＜キーワード：ハーブ＞＜キーワード：健康＞は、変数＜月＞および変数＜カテゴリ＞に依存する。

また、変数＜キーワード：抹茶＞＜キーワード：ハーブ＞＜キーワード：健康＞は、値が「Ｙ」または「Ｎ」である。変数＜月＞は、値が「１」（１月）から「１２」（１２月）である。変数＜カテゴリ＞は値が「カテゴリ：アイスクリーム」「カテゴリ：チョコレート」「カテゴリ：ヨーグルト」であることを示している。

次に、図６Ａ〜図６Ｃを参照して、行動モデル学習処理の詳細について説明する。図６Ａ〜図６Ｃは、行動予測装置１０における行動モデル学習処理の流れを示すフローチャートである。図６Ａに示したように、個別化サービスサーバ２の情報カスタマイズ手段２１は、定期的に各利用者の行動モデルおよび、年齢層やランクなど各セグメントの行動モデルを学習する処理を起動する（Ｓ１０１）。ステップＳ１０１における学習処理の起動は、１週間に１度起動するようにしてもよいし、午前０時に起動するようにしてもよい。また、各利用者の行動モデルは個人レベルの行動モデルであり、各セグメントの行動モデルは所定のグループレベルの行動モデルである。

次に、情報カスタマイズ手段２１は、利用者データベース３を参照して、利用者データを取得する（Ｓ１０２）。具体的には、情報カスタマイズ手段２１は、履歴利用承認３７が「Ｙ」となっているすべてのデータを検索して（Ｓ１０３）利用者データを取得する。ステップＳ１０２においては、例えば、図２に示した利用者ＩＤ３１のうち、「Ｕ０１００」「Ｕ０１１１」「Ｕ０１２３」のデータが取得される。

次に、ステップＳ１０２において取得した全利用者ＩＤについて、以下のステップＳ１０５およびステップＳ１０６の処理が行われたか否かを判定する（Ｓ１０４）。ステップＳ１０４において、すべての利用者ＩＤについて処理が行われていないと判定された場合には、以下の処理を行う。

情報カスタマイズ手段２１は、行動履歴データベース４を参照して、指定された利用者ＩＤに対応する購買データを取得する（Ｓ１０５）。具体的には、情報カスタマイズ手段２１は、利用者ＩＤに対応する過去Ｎｄａｙｓ日間のデータの日時３１、商品ＩＤ４２を検索して（Ｓ１０６）購買データを取得する。

ここで、Ｎｄａｙｓは、あらかじめ設定した数値であって、例えば９０（３ヶ月）としてもよい。例えば、図３に示した行動履歴データのうち、「Ｕ０１００」について、「２００８０１２ １０：２３，Ｐ０２００」「２００８０１２３ １０：２３，Ｐ０２２２」「２００８０２２２ １２：３４，Ｐ０２００」が取得される。

ステップＳ１０５において取得された購買データの各商品ＩＤについて、以下のステップＳ１０８〜ステップＳ１１０の処理が行われたか否かを判定する（Ｓ１０７）。ステップＳ１０７において、すべての商品ＩＤについて処理が行われていないと判定された場合には、以下の処理を行う。

図６Ｂに示したように、情報カスタマイズ手段２１は、情報コンテンツデータベース５（商品データベース）を参照して、指定された商品ＩＤの商品データを取得する（Ｓ１０８）。具体的には、情報カスタマイズ手段２１は、商品ＩＤに対応する商品カテゴリ５４および商品キーワード５６などを検索して（Ｓ１０９）商品データを取得する。例えば、図４に示した情報コンテンツデータ（商品データ）５のうち、商品ＩＤ「Ｐ０２００」について「アイスクリーム，｛抹茶，和｝」が取得される。

次に、情報カスタマイズ手段２１は、行動モデル学習手段２２に提供する、各利用者の学習データおよび各セグメントに応じた学習データを作成する（Ｓ１１０）。まず、行動履歴データベース４から取得した各データについて、以下の処理を行う。

上記した行動モデル雛形２５１の変数にしたがって、データを変換して、学習用データを作成する。例えば、図５Ａに示した購入カテゴリモデルの変数＜曜日＞に対して日時「２００８０１２３」を「水曜」に変換する。また、キーワードモデルの変数＜月＞に対して日時「２００８０１２３」を「１」に変換する。また、変数＜曜日＞に変換した「水曜」を、変数＜月＞に変換した「１」を設定する。また、購入カテゴリモデルの変数「カテゴリ：アイスクリーム」をキーワードモデルの変数＜キーワード：抹茶＞に「Ｙ」を、変数「キーワード：ハーブ」に「Ｎ」を、変数＜キーワード：健康＞に「Ｎ」を設定した学習データを作成する。

上記した各設定値を各利用者の学習データと、利用者が属するセグメントの学習データに追加していく。ここで、図７に、購入カテゴリモデルの学習データの例を示した。図７に示したように、購入カテゴリモデルの学習データは、１行目に変数が設定され、２行目以降に各データが追加されていく。例えば、２行目は、ある火曜日にはいずれのカテゴリの商品も購入しなかったことを示している。また、３行目は、ある火曜日にヨーグルトを購入したことを示している。

図６Ｂに戻り、全利用者ＩＤについて以下のステップＳ１１２およびステップＳ１１３の処理が行われたか否かを判定する（Ｓ１１１）。ステップＳ１１１において、すべての利用者ＩＤについて処理が行われていないと判定された場合には、以下の処理を行う。

情報カスタマイズ手段２１は、各利用者に応じた学習データ、利用者ＩＤ、モデル指定を行動モデル学習手段２２に提供する。そして、情報カスタマイズ手段２１は、行動モデル学習手段２２に対して、利用者ＩＤに応じた個人モデルを指定したモデルの雛形で学習する旨命令する。行動モデル学習手段２２は、情報カスタマイズ手段２１から提供された学習データ等をベイジアンネットワーク処理手段２４に提供する。

ベイジアンネットワーク処理手段２４は、行動モデル学習手段２２に提供されたモデル指定の雛形を用いて、提供された学習データで個人モデルを学習する（Ｓ１１３）。そして、ステップＳ１１３において学習した結果をファイルとして、行動モデルデータベース２５内の利用者行動モデル２５２に保存する。ひとりの利用者の利用者行動モデルである購入カテゴリモデルの例を図８Ａに、キーワードモデルの例を図８Ｂに示した。

図８Ａに示したように、表８１は、変数の値（各曜日）と各値（「Ｙ」または「Ｎ」）の確率（来店確率）および、データ数（来店回数）を示している。また、表８２は、変数＜曜日＞が各値であった場合に、変数の値（アイスクリームを購入した（「Ｙ」）か否（「Ｎ」）か）と、各値の確率（購入確率）およびデータ数（購入回数）を示している。図８Ａにおいては、変数＜カテゴリ：チョコレート購入＞および変数＜カテゴリ：ヨーグルト購入＞の表は省略している。

図８Ｂに示したように、表８３は、変数の値（各月）と、各値の確率（キーワードに関する商品の購入確率）およびデータ数（購入回数）を示している。また、表８４は、各カテゴリの購入確率および購入回数を示している。また、表８５は、変数＜月＞および変数＜カテゴリ＞が各値であった場合にキーワード「抹茶」が含まれる商品を購入した「Ｙ」か否「Ｎ」かの確率および購入回数を示している。図８Ｂにおいては、３月以降、および、変数＜キーワード：ハーブ＞、変数＜キーワード：健康＞の表は省略している。

図６Ｃに戻り、上記の個人モデルの学習と同様に、全セグメントについて以下のステップＳ１１５およびステップＳ１１６の処理が行われたか否かを判定する（Ｓ１１４）。ステップＳ１１４において、すべてのセグメントについて処理が行われていないと判定された場合には、以下の処理を行う。

情報カスタマイズ手段２１は、各セグメントに応じた学習データ、セグメント、モデル指定を行動モデル学習手段２２に提供する。そして、情報カスタマイズ手段２１は、行動モデル学習手段２２に対して、セグメントに応じた汎用モデルを指定したモデルの雛形で学習する旨命令する。行動モデル学習手段２２は、情報カスタマイズ手段２１から提供された学習データ等をベイジアンネットワーク処理手段２４に提供する。

ベイジアンネットワーク処理手段２４は、行動モデル学習手段２２に提供されたモデル指定の雛形を用いて、提供された学習データで汎用モデルを学習する（Ｓ１１６）。そして、ステップＳ１１６において学習した結果をファイルとして、行動モデルデータベース２５内の汎用モデル２５３に保存する。以上、行動モデル学習処理の詳細について説明した。

〔４〕行動予測処理の詳細
次に、図９Ａ〜図９Ｅを参照して、行動予測装置１０における行動予測処理の詳細について説明する。図９Ａ〜図９Ｅは、行動予測装置１０における行動予測処理の流れを示すフローチャートである。行動予測処理では、上記の行動モデル学習処理において学習した行動モデルをもとに、利用者の行動を予測し、さらに、利用者に所定の商品を推薦する処理を行う。

まず、利用者により利用者端末１に利用者の所有する会員カードが挿入されるか、利用者ＩＤ番号等利用者を識別する番号が入力される。利用者端末１は、会員カードから読み取るか、入力されるかされた利用者ＩＤを個別化サービスサーバ２内の情報カスタマイズ手段２１に送信する。情報カスタマイズ手段２１は、利用者端末１から送信された利用者ＩＤや送信された日の曜日などを取得する（Ｓ２０１）。

次に、情報カスタマイズ手段２１は、ステップＳ２０２において取得した利用者ＩＤをもとに利用者データベース３を参照し、利用者ＩＤに対応するセグメント３６を取得する（Ｓ２０２）。具体的には、情報カスタマイズ手段２１は、利用者ＩＤに対応するセグメントを検索して（Ｓ２０３）取得する。

次に、情報カスタマイズ手段２１は、利用者ＩＤ、ステップＳ２０２において取得したセグメント、ステップＳ２０１において取得した曜日、モデル指定として購入カテゴリモデルを行動予測手段２３に送信して、行動を予測する旨命令する（Ｓ２０４）。ステップＳ２０４においては、例えば、「Ｕ１００，Ｓ２，水曜，購入カテゴリモデル」が行動予測手段２３に送信される（Ｓ２０４）。

行動予測手段２３は、ステップＳ２０４において送信された利用者ＩＤ，入力変数の値（曜日）、モデル指定をベイジアンネットワーク処理手段２４に送信し、行動を予測する旨命令する。ベイジアンネットワーク処理手段２４は、行動予測手段２３から送信された利用者ＩＤ、モデル指定に応じた利用者行動モデル２５２を用いて、送られた入力変数の値をもとに各出力変数の各値の確率およびデータ数を計算する（Ｓ２０６）。そして、ステップＳ２０６において算出された計算結果を行動予測手段２３に返す。

ステップＳ２０６において算出される計算結果としては、例えば、出力変数＜カテゴリ：アイスクリーム購入＞に対して「Ｙ」の確率「０．０００」、「Ｎ」の確率「１．０００」、データ数「１」が返される。

行動予測手段２３は、ステップＳ２０６において返されたデータ数が充分であるか否かを判断する（Ｓ２０７）。ステップＳ２０７において、データ数が（変数値の数×Ｎｍｉｎ）以上であれば、データ数が充分であると判断し、計算結果を情報カスタマイズ手段２１に返す。一方、データ数が（変数値の値×Ｎｍｉｎ）未満であれば、データ数が不足していると判断する。そして、入力変数が数値であるか否かを判定し（Ｓ２０８）、入力変数が数値であった場合には、数値の入力変数を拡張する処理を行う（Ｓ２０９）。

ここで、Ｎｍｉｎは、あらかじめ設定された１以上の数値で、例えば「Ｎｍｉｎ＝５」と設定することができる。この場合、変数＜カテゴリ：アイスクリーム購入＞は、値「Ｙ」と「Ｎ」の２つを持つため、（変数値の値×Ｎｍｉｎ）＝２×５＝１０となる。そうすると、ステップＳ２０７において、行動予測手段２３は、返されたデータ数「１」はデータ数が不足していると判断する。

次に、ステップＳ２０９における数値の入力変数の値を拡張する処理について説明する。入力変数の取りうる値が数値、あるいは、数値の範囲である場合、前後の値に拡張する。例えば、入力変数の取りうる値が「１」「２」・・・「１０」であり、指定された入力変数の値が「３」である場合には、「２」と「４」に拡張する。

ステップＳ２０９において入力変数の値を拡張すると、行動予測手段２３は、再度ベイジアンネットワーク処理手段２４に利用者ＩＤ、拡張した入力変数の値、モデル指定を送信して、行動を予測する旨命令する（Ｓ２１０）。

ベイジアンネットワーク処理手段２４は、再度、行動予測手段２３から送信された利用者ＩＤおよびモデル指定に応じた利用者行動モデル２５２を用いて、送信された入力変数をもとに各出力変数の各値の確率およびデータ数を計算する（Ｓ２１１）。そして、ステップＳ２１１において算出された計算結果を行動予測手段２３に返す。

行動予測手段２３は、ベイジアンネットワーク処理手段２４から返された結果と、変数を拡張する前のデータとを統合する処理を行う（Ｓ２１２）。そして、ステップＳ２１２において統合したデータ数が充分であるか否かを判定する（Ｓ２１３）。ステップＳ２１２におけるデータを統合する処理は以下のように行われる。

まず、各出力変数Ｖｉの各値Ｖｉｊの入力変数を拡張する前（Ｃ０とする）の結果の確率をＰ（Ｖｉｊ｜Ｃ０）、データ数をＮｄ（Ｖｉ｜Ｃ０）、入力変数を拡張して（Ｃ１，Ｃ２，・・・とする）得られた結果の確率をＰ（Ｖｉｊ｜Ｃ１），Ｐ（Ｖｉｊ｜Ｃ２），・・・、データ数をＮｄ（Ｖｉ｜Ｃ１），Ｎｄ（Ｖｉ｜Ｃ２），・・・、各出力偏すＶｉの取りうる値の数をＮｉとする。この場合、各出力変数Ｖｉの各値Ｖｉｊの確率は、統合したデータ数Ｎｄ（Ｖｉ｜Ｃ０）＋Σ{ｋ＝１，２，・・・}（Ｎｄ（Ｖｉ｜Ｃｋ））が（Ｎｉ＊Ｎｍｉｎ）以上の場合は、以下の数式によって算出される。

Ｎｄ（Ｖｉ｜Ｃ０）／（Ｎｉ＊Ｎｍｉｎ）＊Ｐ（Ｖｉｊ｜Ｃ０）＋（１−Ｎｄ（Ｖｉ｜Ｃ０）／（Ｎｉ＊Ｎｍｉｎ））＊Σ{ｋ＝１，２，・・・}（Ｎｄ（Ｖｉ｜Ｃｋ）／Σ{ｎ＝１，２，・・・}（Ｎｄ（Ｖｉ｜Ｃｎ））＊Ｐ（Ｖｉｊ｜Ｃｋ））・・・（数式１）

Ｎｄ（Ｖｉ｜Ｃ０）＋Σ{ｋ＝１，２，・・・}（Ｎｄ（Ｖｉ｜Ｃｋ））が（Ｎｉ＊Ｎｍｉｎ）未満の場合、数式１の第２項の係数（１−Ｎｄ（Ｖｉ｜Ｃ０）／（Ｎｉ＊Ｎｍｉｎ））は、Σ{ｋ＝１，２，・・・}（Ｎｄ（Ｖｉ｜Ｃｋ）／（Ｎｉ＊Ｎｍｉｎ））とする。

統合したデータ数が充分にある場合、すなわち、Ｎｄ（Ｖｉ｜Ｃ０）＋Σ{ｋ＝１，２，・・・}（Ｎｄ（Ｖｉ｜Ｃｋ））が（Ｎｉ＊Ｎｍｉｎ）以上の場合は、結果を情報カスタマイズ手段２１に返す。一方、統合したデータ数が充分にない場合、すなわち、Ｎｄ（Ｖｉ｜Ｃ０）＋Σ{ｋ＝１，２，・・・}（Ｎｄ（Ｖｉ｜Ｃｋ））が（Ｎｉ＊Ｎｍｉｎ）未満の場合は、離散値の入力変数の値を拡張する処理を行う（Ｓ２１４）。

ステップＳ１２４における離散値の入力変数の値を拡張する処理は、以下のように行う。まず、入力変数の取りうる値が離散値である場合、すべての値に拡張する。例えば。入力変数の取りうる値が「月曜」「火曜」・・・「日曜」であり、指定された入力変数の値が「水曜」である場合、「月曜」「火曜」「木曜」・・・に拡張する（Ｓ２１４）。ステップＳ２１４において、入力変数の取りうるすべての値に拡張したが、かかる例に限定されない。例えば、指定された変数が平日の曜日であれば、「月曜」から「金曜」の平日の曜日に拡張し、指定された変数が休日の曜日であれば、「土曜」または「日曜」の休日の曜日に拡張するようにしてもよい。

ステップＳ２１４において入力変数の値を拡張した後、行動予測手段２３は、再度、ベイジアンネットワーク処理手段２４に利用者ＩＤ、拡張した入力変数の値、モデル指定として購入カテゴリモデルを送信して、行動を予測する旨命令する（Ｓ２１５）。ベイジアンネットワーク処理手段２４は、ステップＳ２１５において送信された利用者ＩＤ、モデル指定に応じた利用者行動モデル２５２を用いて、送信された入力変数の値をもとに各出力変数の各値の確率およびデータ数を計算する（Ｓ２１６）。そして、ステップＳ２１６において算出された計算結果を行動予測手段２３に返す。

行動予測手段２３は、ベイジアンネットワーク処理手段２４から返された結果と、変数を拡張する前のデータとを統合する処理を行う（Ｓ２１７）。そして、ステップＳ２１７において統合したデータ数が充分であるか否かを判定する（Ｓ２１８）。ステップＳ２１７におけるデータを統合する処理は上記した統合処理と同様のため、詳細な説明は省略する。

例えば、拡張した入力変数＜曜日＞の各値「月曜」「火曜」「木曜」・・・に対して、出力変数＜カテゴリ：アイスクリーム購入＞の値「Ｙ」、値「Ｎ」の確率およびデータ数がそれぞれ「０．０００，１．０００，０」「０．０００，１．０００，３」「０．２００，０．８００，５」・・・であった場合、統合したデータ数は、Ｎｄ（Ｖｉ｜Ｃ０）＋Σ{ｋ＝１，２，・・・}（Ｎｄ（Ｖｉ｜Ｃｋ））＝１＋（０＋３＋５＋・・・）＝３５である。

また、値「Ｙ」の確率は、上記数式１により、Ｎｄ（Ｖｉ｜Ｃ０）／（Ｎｉ＊Ｎｍｉｎ）＊Ｐ（Ｖｉｊ｜Ｃ０）＋（１−Ｎｄ（Ｖｉ｜Ｃ０）／（Ｎｉ＊Ｎｍｉｎ））＊Σ{ｋ＝１，２，・・・}（Ｎｄ（Ｖｉ｜Ｃｋ）／Σ{ｎ＝１，２，・・・}（Ｎｄ（Ｖｉ｜Ｃｎ））＊Ｐ（Ｖｉｊ｜Ｃｋ））＝１／（２＊５）＊０．００＋（１−１／（２＊５））＊（０／（０＋３＋５＋・・・）＊０．０００＋３／（０＋３＋５＋・・・）＊０．０００＋５／（０＋３＋５＋・・・）＊０．２００＋・・・＝０．２２９である。また、値「Ｎ」の確率は、同様に、上記数式１により、０．７７１となる。

統合したデータ数が充分にある場合は、結果を情報カスタマイズ手段２１に返す。一方、統合したデータ数が充分にない場合は、ベイジアンネットワーク処理手段２４に元の入力変数の値、利用者のセグメント、モデル指定として購入カテゴリモデルを送り、行動を予測する旨命令する（Ｓ２１９）。

ベイジアンネットワーク処理手段２４は、再度、行動予測手段２３から送信されたセグメント、モデル指定に応じた汎用行動モデル２５３を用いて、送られた入力変数の値をもとに各出力変数の各値の確率およびデータ数を計算する（Ｓ２２０）。そして、ステップＳ２２０において算出された計算結果を行動予測手段２３に返す。

行動予測手段２３は、ベイジアンネットワーク処理手段２４から返された結果と、ステップＳ２０６において計算された結果とを統合する処理を行う（Ｓ２２１）。ステップＳ２２１において、汎用行動モデル２５３を用いて計算された結果と統合する元の結果のデータは、利用者行動モデル２５２を用いて計算された結果であればよい。すなわち、ステップＳ２０６において計算された結果だけでなく、ステップＳ２１１において計算された結果、または、ステップＳ２１６において計算された結果であってもよい。さらに、これらの利用者行動モデル２５２を用いて計算された結果を統合して計算された結果であってもよい。データを統合する処理は、上述した処理と同様であるため省略する。

行動予測手段２３は、各出力変数の各値の確率、および、データ数を情報カスタマイズ手段２１に返す（Ｓ２２２）。例えば、出力変数＜カテゴリ：アイスクリーム購入＞の値「Ｙ」の確率「０．２９９」、値「Ｎ」の確率「０．７７１」を返す。また、出力変数＜カテゴリ：チョコレート購入＞の値「Ｙ」の確率「０．１１１」、値「Ｎ」の確率「０．８８９」を返す。また、出力変数＜カテゴリ：ヨーグルト購入＞の値「Ｙ」の確率「０．３４５」、値「Ｎ」の確率「０．６５５」を返す。

情報カスタマイズ手段２１は、ステップＳ２２２において送信された結果から、出力変数の値「Ｙ」の確率が閾値Ｔｃ以上のカテゴリを選択する。ここで、閾値Ｔｃは、あらかじめ設定された（０，１）の範囲を取る数値であって、例えば「Ｔｃ＝０．２」を例示できる。例えば、出力変数＜カテゴリ：アイスクリーム購入＞および出力変数＜カテゴリ：ヨーグルト＞の値「Ｙ」の確率が閾値０．２以上であるので、「アイスクリーム」および「ヨーグルト」のカテゴリが選択される（Ｓ２２３）。

情報カスタマイズ手段２１は、ステップＳ２２３において選択した各カテゴリについて、利用者ＩＤ、利用者のセグメント、入力変数の値として月とカテゴリ、行動モデルとしてキーワードモデルを行動予測手段２３に送り、行動を予測する旨命令する（Ｓ２２４）。

行動予測手段２３は、上述した購入カテゴリモデルに対する行動予測手段処理と同様に、データ数に応じて入力変数の値を拡張し、結果を情報カスタマイズ手段２１に返す（Ｓ２２５）。例えば、入力変数＜月＞の値「３」、および、入力変数＜カテゴリ＞の値「アイスクリーム」に対して、出力変数＜キーワード：抹茶＞の値「Ｙ」の確率が「０．３８８」、値「Ｎ」の確率が「０．６１２」、出力変数＜キーワード：ハーブ＞の値「Ｙ」の確率が「０．０００」、値「Ｎ」の確率が「１．０００」、・・・が返される。

情報カスタマイズ手段２１は、ステップＳ２２５において返された結果から、各カテゴリに対して、出力変数の値「Ｙ」の確率が閾値Ｔｋ以上のキーワードを選択する（Ｓ２２６）。ここで、閾値Ｔｋは、あらかじめ設定された（０，１）の範囲を取る数値で、例えば「Ｔｋ＝０．２」を例示できる。例えば、アイスクリームに対して抹茶、ヨーグルトに対して健康が選択される。

その後、情報カスタマイズ手段２１は、情報コンテンツデータベース（商品データベース）５を参照し、カテゴリとキーワードにマッチする商品データを取得する（Ｓ２２６、２２７）。そして、情報カスタマイズ手段２１は、ステップＳ２２６において取得した商品データを利用者端末１に送信する。利用者端末１は、送信された商品データを出力する（Ｓ２２８）。以上、行動予測処理の詳細について説明した。

上記実施形態においては、利用者モデルにおけるデータ数が充分ではない場合に、まず、ステップＳ２０９において数値の入力変数の値を拡張する処理を行っている（拡張処理１）。次に、離散値の入力変数の値を拡張する処理を行っている（拡張処理２）。それでも利用者モデルにおけるデータ数が充分ではない場合には、利用者に対応するセグメントの汎用モデルを用いて拡張する処理を順に行っている（拡張処理３）。

上記実施形態では、上記のように拡張処理１〜３を順に行っているが、拡張処理１〜３を組み合わせてもよい。この場合、同時に行動を予測する処理を行って、結果のデータを統合することができる。

本実施形態によれば、各利用者の行動履歴を学習して、各利用者の個人の行動モデルおよび所定のグループの汎用の行動モデルを作成することができる。そして、個人の行動モデルおよび汎用の行動モデルをもとに、各利用者の行動を予測することができる。特に、個人の行動モデルの該当するデータ数が充分でない場合には、上記拡張処理１〜３を行う。すなわち、データ数が充分でない場合には、まず、個人の行動モデルの入力変数の値を拡張して行動を予測して結果を統合する。個人の行動モデルの入力変数の値を拡張してもなおデータ数が充分でない場合に、汎用の行動モデルを用いて行動を予測して個人の行動モデルの結果と統合する。これにより、個人の行動モデルのデー多数が充分でない場合でも、各利用者の行動特性を充分に反映した行動予測を行うことが可能となる。

上記実施形態では、小売店等の利用者の購買履歴をもとに利用者の行動を予測し、同じカテゴリに属する商品を推薦しているが、かかる例に限定されない。例えば、上記したように、行動履歴データベース４に保持される行動履歴として、駅の改札機に入力されるデータや車に搭載されたＥＴＣを利用した移動履歴が保持されていることが考えられる。この場合、利用者の行動履歴を予測して、利用者が頻繁に赴く場所のお店やイベントなどを推薦するようにしてもよい。また、利用者の行動を予測して、交通情報や事故渋滞等を加味した目的地までの経路を提供するようにしてもよい。

また、行動履歴データベース４に保持される行動履歴として、利用者の体重や血圧等の生体データが保持されていることが考えられる。この場合、利用者の行動履歴を予測して、ある日の摂取カロリーや消費カロリーを提示するようにしてもよい。また、利用者の行動を予測することにより健康状態が把握できる場合には、各利用者に適した健康器具等を推薦するようにしてもよい。上記実施形態によれば、利用者個人の生体データ用いて各利用者に適した情報を提示できる。さらに、利用者が属するグループ（例えば年齢別のグループ）の生体データも用いることにより、各利用者に一般的な情報を提示することもできる。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

例えば、上記実施形態では、小売店等に設置される利用者端末を介して各利用者に商品等を推薦することとしたが、本発明はかかる例に限定されない。例えば、インターネット環境におけるＷｅｂブラウザを介して広告を配信したり商品を推薦したりするようにしてもよい。また、小売業にかかる商品を推薦するだけでなく、ニュースや旅行に関する情報を提供するようにしてもよい。

１０ 行動予測装置
１ 利用者端末
２ 個別化サービスサーバ
２１ 情報カスタマイズ手段
２２ 行動モデル学習手段
２３ 行動予測手段
２４ ベイジアンネットワーク処理手段
２５ 行動モデルデータベース
２５１ 行動モデル雛形
２５２ 利用者行動モデル
２５３ 汎用行動モデル
３ 利用者データベース
４ 行動履歴データベース
５ 情報コンテンツデータベース
６ 決済端末

Claims (7)

1. 利用者の行動履歴データを記憶している行動履歴データ記憶部と、
   前記行動履歴データ記憶部に記憶されている前記利用者の行動履歴データから確率的に前記利用者の行動モデルを作成する行動モデル作成部と、
   前記行動モデル作成部により作成された前記利用者の行動モデルをもとに、所定の条件に応じて確率的に前記利用者の行動を予測する行動予測部と、
   前記行動予測部は、所定の条件に適合する行動履歴データのデータ数が所定の閾値に満たない場合に、該条件を拡張して前記利用者の行動を予測する、行動予測装置。
2. 前記行動モデル作成部は、前記利用者の個人モデルと、前記利用者の属する任意のグループの汎用モデルを作成する、請求項１に記載の行動予測装置。
3. 前記行動予測部は、前記利用者の個人モデルをもとに、所定の条件に応じて確率的に前記利用者の行動を予測し、
   前記行動予測部は、前記利用者の個人モデルにおいて、所定の条件に適合する行動履歴データのデータ数が所定の閾値に満たない場合に、前記利用者の個人モデルにおいて、該条件を拡張して前記利用者の行動を予測し、該条件の拡張前と拡張後の予測結果を統合する、請求項２に記載の行動予測装置。
4. 前記行動予測部は、所定の条件を拡張して前記利用者の行動を予測しても、所定の条件に適合する行動履歴データのデータ数が所定の閾値に満たない場合に、前記利用者の属する任意のグループの汎用モデルにおいて、拡張前の条件で予測し、個人モデルにおける予測結果と汎用モデルにおける予測結果とを統合する、請求項３に記載の行動予測装置。
5. 前記行動モデル作成部は、ベイジアンネットワークを利用して確率的に前記利用者の行動モデルを作成する、請求項１に記載の行動予測装置。
6. 前記行動予測部は、ベイジアンネットワークを利用して確率的に前記利用者の行動モデルをもとに、確率的に前記利用者の行動を予測する、請求項１に記載の行動予測装置。
7. 利用者の行動を予測する行動予測装置において、
   前記利用者の行動履歴データを記憶している行動履歴データ記憶部に記憶されている前記利用者の行動履歴データから確率的に前記利用者の行動モデルを作成するステップと、
   前記行動モデルを作成するステップにおいて作成された前記利用者の行動モデルをもとに、所定の条件に応じて確率的に前記利用者の行動を予測するステップと、
   前記利用者の行動を予測するステップにおいて、所定の条件に適合する行動履歴データのデータ数が所定の閾値に満たない場合に、該条件を拡張して前記利用者の行動を予測するステップと、
   前記条件の拡張前に前記利用者の行動を予測するステップにおいて得られた予測結果と該条件の拡張後前記利用者の行動を予測するステップにおいて得られた予測結果とを統合するステップと、
   を含む、行動予測方法。
   

Images