JP2013246757A - Classification estimation device for estimating ratio on each classification in entire member objects in a group, program and method - Google Patents
Classification estimation device for estimating ratio on each classification in entire member objects in a group, program and method Download PDFInfo
- Publication number
- JP2013246757A JP2013246757A JP2012121733A JP2012121733A JP2013246757A JP 2013246757 A JP2013246757 A JP 2013246757A JP 2012121733 A JP2012121733 A JP 2012121733A JP 2012121733 A JP2012121733 A JP 2012121733A JP 2013246757 A JP2013246757 A JP 2013246757A
- Authority
- JP
- Japan
- Prior art keywords
- class
- feature amount
- learning
- ratio
- type
- 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.)
- Granted
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
本発明は、複数のメンバオブジェクトを含む推定対象のグループについて、クラス(属性)種別を推定する技術に関する。 The present invention relates to a technique for estimating a class (attribute) type for an estimation target group including a plurality of member objects.
近年、不特定多数の第三者が、SNS(Social Networking Service)サイトサーバを介して、自らのコメント文章(テキスト情報)を活発に発信することができる。「SNSサイトサーバ」は、複数のユーザからなるグループへ、1人のユーザによって投稿された投稿文を公開する。例えばfacebook(登録商標)やtwitter(登録商標)、google+(登録商標)、mixi(登録商標)があり、一般にミニブログサイトとも称される。また、各ユーザは、SNSサイトサーバに対してアカウントを登録し、アカウントと共に投稿文が公開される。また、ユーザ毎のプロフィール情報も公開される。プロフィール情報は、ユーザ自らの自己紹介の文章であって、自らの属性種別を表し、不特定多数の第三者から自由に閲覧される。 In recent years, an unspecified number of third parties can actively transmit their own comment sentences (text information) via an SNS (Social Networking Service) site server. The “SNS site server” publishes posted text posted by one user to a group of a plurality of users. For example, there are facebook (registered trademark), twitter (registered trademark), google + (registered trademark), and mixi (registered trademark), which are also generally referred to as miniblog sites. Each user registers an account with the SNS site server, and the posted text is published together with the account. The profile information for each user is also disclosed. The profile information is a self-introduction sentence of the user, represents the attribute type of the user, and is freely browsed by an unspecified number of third parties.
一方で、SNSサイトサーバによって発信される投稿文は、商品及び役務に関する口コミ情報である場合も多い。この場合、マーケティングによれば、どのようなユーザがどのような評価をしているかを推定することが所望される。一般的には、所定目的に基づく多数の投稿文をグループ化し、そのメンバ投稿者のプロフィール情報に基づいて、ユーザ属性の傾向を推定しようとする。この場合、メンバ投稿者のプロフィール情報ができる限り正確なものであることが好ましい。そのために、メンバ投稿者の投稿文の内容から、プロフィール情報、即ちユーザ属性(年代、性別、趣味等)を推定することも考えられる。 On the other hand, the posted text transmitted by the SNS site server is often word-of-mouth information related to products and services. In this case, according to marketing, it is desired to estimate what kind of user is doing what kind of evaluation. In general, a large number of posted sentences based on a predetermined purpose are grouped, and the tendency of user attributes is estimated based on the profile information of the member posters. In this case, it is preferable that the profile information of the member poster is as accurate as possible. Therefore, it is also conceivable to estimate profile information, that is, user attributes (age, sex, hobbies, etc.) from the contents of the posted sentences of member posters.
従来、ユーザのプロフィール情報を、当該ユーザの投稿したテキスト情報に基づいて推定する技術がある(例えば非特許文献1参照)。この技術によれば、ユーザ毎に、過去のtweet中の単語分布からユーザの属性を推定し、対象となるグループのユーザ全体の性別のユーザ属性の比率を推定することができる。また、この技術によれば、1人以上のユーザ属性やテレビ視聴履歴を事前に収集し、当該ユーザ群の嗜好に合ったコンテンツ(例えばテレビ番組)を提示することもできる。これによって、当該ユーザ群のソーシャルコミュニケーションの場にあって、そのコンテンツを視聴する可能性が高くなり、円滑なコミュニケーションが提供される。例えば口コミマーケティングによれば、SNSを用いてユーザのプロフィール情報を取得することによるニーズは大きい。 Conventionally, there is a technique for estimating a user's profile information based on text information posted by the user (see, for example, Non-Patent Document 1). According to this technology, it is possible to estimate a user attribute from a word distribution in a past tweet for each user, and to estimate a ratio of user attributes of the gender of all users in the target group. Further, according to this technology, it is possible to collect one or more user attributes and TV viewing history in advance, and to present content (for example, a TV program) that matches the preference of the user group. Thereby, in the social communication place of the user group, the possibility of viewing the content is increased, and smooth communication is provided. For example, according to word-of-mouth marketing, there is a great need for acquiring user profile information using SNS.
マーケティングの分野によれば、一般に、「複数のメンバオブジェクトを含む推定対象のグループについて、複数のクラス(属性)種別の中で各クラス種別の比率のみを知りたい」とするニーズが存在すると考えられる。そのためには、ユーザのプロフィール情報を明確に特定することが必要となる。しかしながら、SNSサイトにおけるプロフィール情報は、一般に、ユーザ自ら記述するものであるために、身分や興味をあえて明確に記述しない場合が多い。例えば、男性のユーザが、あえて女性のふりして、投稿文を投稿しているような場合もある。そのために、非特許文献1に記載の技術によれば、グループ内の各投稿者の過去の投稿文から、特徴的な単語を抽出し、各投稿者のプロフィール情報を推定している。これによって、グループ内のユーザ全体における各プロフィール項目(クラス)の比率を推定することもできる。
According to the marketing field, it is generally considered that there is a need to “know only the ratio of each class type among a plurality of class (attribute) types for a group to be estimated including a plurality of member objects”. . For that purpose, it is necessary to clearly specify the profile information of the user. However, since the profile information in the SNS site is generally described by the user himself, it is often not clearly described with intention and interest. For example, there is a case where a male user dares to pretend to be a woman and posts a post. Therefore, according to the technique described in
しかしながら、非特許文献1に記載の技術によれば、最初に、ユーザ(メンバオブジェクト)毎に、プロフィール情報を明確に推定し、それら結果を集計している。しかしながら、ユーザ毎にプロフィール情報を明確に識別するために、推定対象となるグループ内のユーザ数が増加すると共に、必要な計算量も増加するという課題が生じる。また、各ユーザについて、プロフィール情報を明確に識別してしまうことによって、そのプロフィール情報が曖昧な場合、プロフィール項目の比率の推定精度が悪化するという課題も生じる。
However, according to the technique described in Non-Patent
そこで、本発明は、複数のメンバオブジェクトを含む推定対象のグループについて、オブジェクト毎のクラス(属性)種別を正確に識別することなく、各クラス種別の比率を算出することができるクラス比率推定装置、プログラム及び方法を提供することを目的とする。 Accordingly, the present invention provides a class ratio estimation device capable of calculating the ratio of each class type without accurately identifying the class (attribute) type for each object for a group to be estimated including a plurality of member objects, The purpose is to provide a program and method.
本発明によれば、推定対象の複数のメンバオブジェクトi(i=1〜N)を含むグループについて、複数のクラス(属性)種別における各クラス種別j(j=1〜M)の比率を算出するクラス比率推定装置であって、
メンバオブジェクトは、メンバ識別子iと、複数の要素k(k=1〜K)における各要素の特徴量fkiとからなり、
グループのメンバオブジェクト全体から、各要素kの確率分布関数Pkを算出する対象特徴量分布算出手段と、
クラス種別j毎に、各要素kの学習特徴量の確率分布関数Pkjを蓄積する学習特徴量蓄積手段と、
クラス種別毎の学習特徴量分布の重み付け和ΣjwjPkjと、対象特徴量分布Pkとの分布間距離 d(ΣjwjPkj, Pk) を、wj≧0という条件の下で最小にするように、各クラス種別jのクラス学習特徴量分布に付ける重みwjを決定する重み決定手段と、
決定された各クラス種別jの重みwjを正規化して、クラス種別j毎の比率を算出するクラス種別正規化手段と
を有することを特徴とする。
According to the present invention, for a group including a plurality of estimation target member objects i (i = 1 to N), the ratio of each class type j (j = 1 to M) in a plurality of class (attribute) types is calculated. A class ratio estimation device comprising:
The member object is composed of a member identifier i and a feature value f ki of each element in a plurality of elements k (k = 1 to K).
A target feature amount distribution calculating means for calculating a probability distribution function P k of each element k from all the member objects of the group;
Learning feature value accumulating means for accumulating the probability distribution function P kj of the learning feature value of each element k for each class type j;
The distribution weight d (Σ j w j P kj , P k ) between the weighted sum Σ j w j P kj of the learning feature quantity distribution for each class type and the target feature quantity distribution P k is a condition that w j ≧ 0. Weight determining means for determining the weight w j to be assigned to the class learning feature amount distribution of each class type j, so as to minimize the
Class weight normalizing means for normalizing the determined weight w j of each class type j and calculating a ratio for each class type j is provided.
本発明のクラス比率推定装置における他の実施形態によれば、重み決定手段は、クラス種別j毎に算出される各要素kの学習特徴量分布Pkjの平均値μkjの重み付け和Σjwjμkjと、各要素k に対する対象特徴量分布Pkの平均値μkとの二乗誤差で定義される分布間距離 d(ΣjwjPkj, Pk)=Σk(Σjwjμkj-μk)2を、wj ≧ 0 という条件の下で最小にするように、各クラス種別jの学習特徴量に付ける重みwjを決定することも好ましい。 According to another embodiment of the class ratio estimation apparatus of the present invention, the weight determination means is a weighted sum Σ j w of the average value μ kj of the learning feature amount distribution P kj of each element k calculated for each class type j. j mu kj and, inter-distribution distance d (Σ j w j P kj , P k) defined by the square error between the average value mu k of the target feature data distribution Pk for each element k = Σ k (Σ j w j It is also preferable to determine the weight w j to be assigned to the learning feature amount of each class type j so that μ kj −μ k ) 2 is minimized under the condition of w j ≧ 0.
本発明のクラス比率推定装置における他の実施形態によれば、学習対象の複数のメンバオブジェクトi(i=1〜N)を含むグループを入力し、当該グループの全てのメンバオブジェクトから、クラス種別j毎に各要素kの学習特徴量の確率分布関数Pkiを算出し、当該確率分布関数を確率分布関数Pkjとして学習特徴量蓄積手段へ出力する学習特徴量分布算出手段を更に有することも好ましい。 According to another embodiment of the class ratio estimation apparatus of the present invention, a group including a plurality of member objects i (i = 1 to N) to be learned is input, and a class type j is determined from all member objects of the group. It is also preferable to further include a learning feature amount distribution calculating unit that calculates a probability distribution function P ki of the learning feature amount of each element k and outputs the probability distribution function as a probability distribution function P kj to the learning feature amount storage unit. .
本発明のクラス比率推定装置における他の実施形態によれば、
メンバ識別子は、投稿者識別子であり、
各メンバオブジェクトは、投稿者識別子に対応するメンバ投稿者に関するユーザテキストであり、
クラス種別は、ユーザプロフィールに関する属性種別であり、
要素は、ユーザテキストに含まれるキーワードである
ことも好ましい。
According to another embodiment of the class ratio estimation apparatus of the present invention,
The member identifier is the poster identifier,
Each member object is a user text related to the member poster corresponding to the poster identifier,
Class type is an attribute type related to user profile,
The element is also preferably a keyword included in the user text.
本発明のクラス比率推定装置における他の実施形態によれば、
推定対象のグループに属する各メンバ投稿者のユーザテキストを取得するユーザテキスト取得手段と、
ユーザテキストから、形態素解析によって、要素としてのキーワードを抽出するキーワード抽出手段と、
メンバ投稿者毎に、要素となる各キーワードの数を特徴量として抽出する特徴量抽出手段と
を更に有することも好ましい。
According to another embodiment of the class ratio estimation apparatus of the present invention,
User text acquisition means for acquiring the user text of each member contributor belonging to the estimation target group;
A keyword extracting means for extracting a keyword as an element from user text by morphological analysis;
It is also preferable that each member contributor further includes a feature amount extraction means for extracting the number of each keyword as an element as a feature amount.
本発明のクラス比率推定装置における他の実施形態によれば、
キーワード抽出手段は、URL(Uniform Resource Locator)におけるドメイン名を、要素としてのキーワードとして更に抽出することも好ましい。
According to another embodiment of the class ratio estimation apparatus of the present invention,
Preferably, the keyword extracting means further extracts a domain name in a URL (Uniform Resource Locator) as a keyword as an element.
本発明のクラス比率推定装置における他の実施形態によれば、
キーワード抽出手段は、ユーザテキスト取得手段における推定対象のグループに属する各メンバのメンバ識別子を、要素としてのキーワードとして更に抽出することも好ましい。
According to another embodiment of the class ratio estimation apparatus of the present invention,
Preferably, the keyword extracting means further extracts the member identifier of each member belonging to the estimation target group in the user text obtaining means as a keyword as an element.
本発明のクラス比率推定装置における他の実施形態によれば、
ユーザテキストは、コミュニケーションサーバにおける、メンバ投稿者によって発信された投稿文、及び/又は、メンバ投稿者のプロフィール文であることも好ましい。
According to another embodiment of the class ratio estimation apparatus of the present invention,
It is also preferable that the user text is a posted message sent by a member poster and / or a profile message of a member poster in the communication server.
本発明のクラス比率推定装置における他の実施形態によれば、
対象特徴量分布算出手段は、メンバ投稿者のプロフィール文に、学習特徴量蓄積手段に蓄積されたクラス種別jを表すキーワードが含まれている場合、当該学習特徴量蓄積手段の当該クラス種別jに対応する各要素kの学習特徴量の確率分布関数Pkjをそのまま、当該メンバ投稿者のメンバオブジェクトの各要素kの特徴量fkiとすることも好ましい。
According to another embodiment of the class ratio estimation apparatus of the present invention,
The target feature amount distribution calculating means includes, when the member poster's profile sentence includes a keyword representing the class type j stored in the learning feature amount storage means, in the class type j of the learning feature amount storage means. It is also preferable to use the probability distribution function P kj of the learning feature value of each corresponding element k as it is as the feature value f ki of each element k of the member object of the member poster.
本発明によれば、推定対象の複数のメンバオブジェクトi(i=1〜N)を含むグループについて、複数のクラス(属性)種別における各クラス種別jの比率を算出するようにコンピュータを機能させるクラス比率推定プログラムであって、
メンバオブジェクトは、メンバ識別子iと、複数の要素k(k=1〜K)における各要素の特徴量fTiとからなり、
クラス種別j毎に、各要素kの学習特徴量fCjを蓄積する学習特徴量蓄積手段と、
グループの全てのメンバオブジェクトΣiから、各要素kについて特徴量を平均化した平均対象特徴量1/N・ΣTifTiを算出する対象特徴量分布算出手段と、
全てのクラス種別Σjの当該学習特徴量の重み付け和ΣjwjfCjと、全てのクラス種別Σjの平均特徴量の重み付け和1/N・ΣTifTiとが最も近づくように、各クラス種別jの学習特徴量に付ける重みwjを決定する重み決定手段と、
決定された各クラス種別jの重みwjを正規化して、クラス種別j毎の比率を算出するクラス種別正規化手段と
してコンピュータを機能させることを特徴とする。
According to the present invention, for a group including a plurality of estimation target member objects i (i = 1 to N), a class that causes a computer to function to calculate a ratio of each class type j in a plurality of class (attribute) types A ratio estimation program,
The member object is composed of a member identifier i and a feature quantity f Ti of each element in a plurality of elements k (k = 1 to K).
Learning feature amount accumulating means for accumulating the learning feature amount f Cj of each element k for each class type j;
Target feature quantity distribution calculating means for calculating an average
Each class so that the weighted sum Σ j w j f Cj of the learning features of all class types Σj and the
The computer is caused to function as class type normalization means for normalizing the determined weight w j of each class type j and calculating a ratio for each class type j.
本発明によれば、推定対象の複数のメンバオブジェクトi(i=1〜N)を含むグループについて、複数のクラス(属性)種別における各クラス種別jの比率を算出する装置におけるクラス比率推定方法であって、
メンバオブジェクトは、メンバ識別子iと、複数の要素k(k=1〜K)における各要素の特徴量fTiとからなり、
クラス種別j毎に、各要素kの学習特徴量fCjを蓄積する学習特徴量蓄積部を有し、
グループの全てのメンバオブジェクトΣiから、各要素kについて特徴量を平均化した平均対象特徴量1/N・ΣTifTiを算出する第1のステップと、
全てのクラス種別Σjの当該学習特徴量の重み付け和ΣjwjfCjと、全てのクラス種別Σjの平均特徴量の重み付け和1/N・ΣTifTiとが最も近づくように、各クラス種別jの学習特徴量に付ける重みwjを決定する第2のステップと、
決定された各クラス種別jの重みwjを正規化して、クラス種別j毎の比率を算出する第3のステップと
を有することを特徴とする。
According to the present invention, in a class ratio estimation method in an apparatus for calculating a ratio of each class type j in a plurality of class (attribute) types for a group including a plurality of member objects i (i = 1 to N) to be estimated. There,
The member object is composed of a member identifier i and a feature quantity f Ti of each element in a plurality of elements k (k = 1 to K).
For each class type j, it has a learning feature amount storage unit that stores the learning feature amount f Cj of each element k,
From all member objects Σi groups, a first step of calculating an average target
Each class so that the weighted sum Σ j w j f Cj of the learning features of all class types Σj and the
And a third step of calculating a ratio for each class type j by normalizing the determined weight w j of each class type j.
本発明のクラス比率推定装置、プログラム及び方法によれば、複数のメンバオブジェクトを含む推定対象のグループについて、オブジェクト毎のクラス(属性)種別を識別することなく、各クラス種別の比率を算出することができる。 According to the class ratio estimation apparatus, program, and method of the present invention, for a group to be estimated including a plurality of member objects, the ratio of each class type is calculated without identifying the class (attribute) type for each object. Can do.
以下では、本発明の実施の形態について、図面を用いて詳細に説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
図1は、本発明におけるシステム構成図である。 FIG. 1 is a system configuration diagram according to the present invention.
図1によれば、不特定多数の第三者は、各自が所持する端末3を用いて、インターネットを介してコミュニケーションサイトサーバ2へ、投稿文を送信することができる。以下では、コミュニケーションサーバ2は、例えばSNSサイトサーバであるとして説明する。勿論、SNSサイトサーバに限られないが、複数の投稿者間でコメント文章を発信し且つ購読し合うグループを構成し、投稿者毎に投稿文とを公開することを要する。
According to FIG. 1, an unspecified number of third parties can transmit a posted message to the
図1によれば、本発明のクラス比率推定装置1は、インターネットを介してSNSサイトサーバ2と通信する。クラス比率推定装置1は、SNSサイトサーバ2に対して、API(Application Programming Interface)を介して、投稿者の交流関係リスト(グループ情報)と、投稿者毎の投稿文とを取得することができる。また、投稿者毎のプロフィール文も取得することができる。APIは、アプリケーションサービスの機能を利用するための規則インタフェースであって、種々のサーバ毎に異なるものとして用意されている。そして、クラス比率推定装置1は、複数のメンバオブジェクトi(i=1〜N)を含む推定対象のグループについて、複数のクラス(属性)種別における各クラス種別j(j=1〜M)の比率を算出する。
According to FIG. 1, the class
以下では具体的に、排他的なクラス種別は、「男性」/「女性」の2つのクラス種別であるとして説明する。また、メンバオブジェクトは、Twitterサイトにおけるユーザテキストであるとする。そして、クラス比率推定装置1によって、多数のメンバオブジェクトからのユーザテキストから、そのグループ全体におけるクラス比(例えば男女比)が推定される。
In the following description, it is assumed that the exclusive class types are two class types of “male” / “female”. The member object is assumed to be a user text on the Twitter site. Then, the class
図2は、本発明におけるクラス比率推定装置の機能構成図である。 FIG. 2 is a functional configuration diagram of the class ratio estimation apparatus according to the present invention.
クラス比率推定装置1は、通信インタフェース部10と、ユーザインタフェース部11とを有する。通信インタフェース部10は、例えばインターネットを介してSNSサーバ2と通信する。ユーザインタフェース部11は、グループにおけるクラス種別の比率をユーザに明示することができる。
The class
本発明におけるクラス比率推定装置1は、<推定用機能部>として、ユーザテキスト取得部21と、キーワード抽出部22と、特徴量抽出部23と、対象特徴量分布算出部24と、重み決定部25と、クラス種別正規化部26と、学習特徴量蓄積部30とを有する。また、クラス比率推定装置1は、<学習用機能部>として、学習テキスト取得部31と、学習特徴量分布算出部34とを更に有する。これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。
The class
<推定用機能部>
[ユーザテキスト取得部21]
ユーザテキスト取得部21は、通信インタフェース部10を介して、推定対象のグループに属する各メンバ識別子のメンバオブジェクトを取得する。例えば、SNSサイトサーバ2から、推定対象者に対するグループに属する複数のメンバ投稿者のユーザテキスト(プロフィール文を含む。メンバオブジェクト)を取得する。投稿者は、投稿者識別子(メンバ識別子)によって認識される。推定対象者に対するグループは、SNSサイトサーバ2から取得した交流関係リスト(フォロー・フォロワー関係)によって抽出されるものであってもよい。
<Functional unit for estimation>
[User text acquisition unit 21]
The user
ここで、SNSサイトサーバにおけるメンバ投稿者が、広報的な公的投稿者である場合がある。そのようなメンバ投稿者は、例えば企業の広報用アカウントとしてのメンバ識別子を有し、多数のユーザによってフォローされている。即ち、広報用アカウントの場合、フォロー数に対するフォロワー数の比率が大きい。そのために、ユーザテキスト取得部21が、広報用アカウントを、それをフォローするユーザのユーザテキストまでも収集した場合、結果的に得られるクラス比率の推定精度を低下させる要因となる。そこで、ユーザテキスト取得部21は、当該ユーザのフォロー数に対するフォロワー数の比率が、所定閾値を越える場合に当該ユーザを推定対象から取り除くことも好ましい。
Here, the member contributor in the SNS site server may be a publicity public contributor. Such a member contributor has a member identifier as a corporate publicity account, for example, and is followed by many users. That is, in the case of a publicity account, the ratio of the number of followers to the number of followers is large. Therefore, when the user
尚、クラス比率推定装置1は、グループ毎にユーザテキストを予めデータベースに蓄積したものであってもよい。この場合、クラス比率推定装置1は、ユーザテキスト取得部21を備える必要もない。即ち、クラス比率推定装置1が、SNSサイトサーバ2と通信することを必須とするものではない。
The class
[キーワード抽出部22]
キーワード抽出部22は、ユーザテキストから、形態素解析によって、要素としてのキーワードを抽出する。キーワード抽出部22は、形態素解析によって、収集されたユーザテキスト毎に形態素に分割する。「形態素」とは、文章の構成要素のうち、意味を持つ最小の単位をいう。本発明によって抽出されるキーワード(形態素)は、後述する特徴量の要素となる「名詞」のみである。各投稿者識別子(メンバ識別子)毎のキーワードが、特徴量抽出部23へ出力される。
[Keyword extraction unit 22]
The
他の実施形態として、ユーザテキスト中に、WebサイトのURL(Uniform Resource Locator)が含まれている場合ある。そこで、キーワード抽出部22は、URLにおけるドメイン名を、要素としてのキーワード(形態素)として更に抽出することも好ましい。これは、ユーザの属性によっては、特定のURLのドメインへアクセスしやすい傾向があるためである。即ち、ドメイン名を特徴量の要素とすることによって、クラス比率を推定する材料となる要素を増やすことができる。
As another embodiment, there is a case where a URL (Uniform Resource Locator) of a website is included in the user text. Therefore, it is preferable that the
更なる他の実施形態として、ユーザテキスト取得部21は、SNSサイトサーバ2から取得した交流関係リスト中から、フォローユーザのメンバ識別子を取得できる場合がある。そこで、キーワード抽出部22は、ユーザテキスト取得部21における推定対象のグループに属する各メンバのメンバ識別子を、要素としてのキーワードとして更に抽出することも好ましい。これは、ユーザの属性によっては、特定の他のユーザをフォローしやすい傾向があるためである。即ち、フォローユーザのメンバ識別子を特徴量の要素とすることによって、クラス比率を推定する材料となる要素を増やすことができる。
As still another embodiment, the user
[特徴量抽出部23]
特徴量抽出部23は、メンバ投稿者毎に、ユーザテキストに含まれるキーワードから、要素となる各キーワードの数を特徴量として抽出する。ここで、「メンバオブジェクトTi」は、メンバ識別子i(i=1〜N)と、複数の要素k(k=1〜K)における各要素の特徴量fkiとから構成される。各メンバオブジェクトは、メンバ識別子毎に、そのメンバ投稿者が過去に投稿したユーザテキスト(及びプロフィール文)に含まれる、要素となる各キーワードが計数される。
Ti:オブジェクト
fTi:オブジェクトTiの特徴量(ベクトル)
N:推定対象のグループ内の全メンバオブジェクト数
[Feature Extraction Unit 23]
The feature
T i : Object f Ti : Feature quantity (vector) of object T i
N: Number of all member objects in the estimation target group
[対象特徴量分布算出部24]
対象特徴量分布算出部24は、推定対象のグループのメンバオブジェクト全体から、各要素kの確率分布関数Pkを算出する。確率分布密度Pkとしては、例えば平均値μであってもよい。
μ=1/N・ΣTifTi
μ:平均値
[Target Feature Quantity Distribution Calculation Unit 24]
The target feature amount
μ = 1 / N ・ Σ Ti f Ti
μ: Average value
図3は、メンバ識別子i毎における各要素k(k=1〜K)の特徴量fkiと、平均値μの確率分布密度Pkを表す説明図である。 FIG. 3 is an explanatory diagram showing the feature quantity f ki of each element k (k = 1 to K) and the probability distribution density P k of the average value μ for each member identifier i.
図3によれば、各メンバのユーザテキストには、以下のようなキーワードが含まれていたことを表す。各キーワードは、各要素を意味する。
メンバL1のテキストは、「政府」「スマートフォン」を含む。
メンバL2のテキストは、「洗濯」を含む。
メンバL3のテキストは、「政府」「スマートフォン」を含む。
メンバL4のテキストは、「スマートフォン」「洗濯」「掃除」を含む。
また、図3によれば、推定対象のグループのメンバオブジェクト全体における各要素kの確率分布密度Pkとして平均値μが算出されている。
fk=(政府,スマートフォン,洗濯,掃除,・・・)
=(0.5 ,0.75 ,0.5 ,0.25,・・・)
According to FIG. 3, the user text of each member indicates that the following keyword is included. Each keyword means each element.
The text of the member L 1 includes “government” and “smart phone”.
The text of member L 2 includes “laundry”.
The text of member L 3 includes “government” and “smartphone”.
The text of the member L 4 includes “smart phone”, “laundry”, and “cleaning”.
Further, according to FIG. 3, the average value μ is calculated as the probability distribution density P k of each element k in the entire member object of the estimation target group.
f k = (government, smartphone, washing, cleaning, ...)
= (0.5, 0.75, 0.5, 0.25, ...)
他の実施形態として、対象特徴量分布算出部24は、メンバ投稿者のプロフィール文に、学習特徴量蓄積手段に蓄積されたクラス種別jを表すキーワードが含まれている場合、当該学習特徴量蓄積手段の当該クラス種別jに対応する各要素kの学習特徴量の確率分布関数Pkjをそのまま、当該メンバ投稿者のメンバオブジェクトの各要素kの特徴量fkiとすることも好ましい。ユーザテキスト中のプロフィール文に、例えば「男性」と記載されている場合、学習特徴量蓄積部30にも既に、クラス種別「男性」とする学習特徴量が蓄積されている。この場合、学習特徴量蓄積部30のクラス種別「男性」の学習特徴量分布をそのまま、当該メンバ投稿者の対象特徴量分布として取り込む。これによって、プロフィール文に記述された当該ユーザの属性をそのまま、対象特徴量分布に取り込むことができる。
As another embodiment, the target feature amount
[学習特徴量蓄積部30]
学習特徴量蓄積部30は、クラス種別j毎に、各要素kの学習特徴量の確率分布関数Pkjを蓄積する。
[Learning feature amount storage unit 30]
The learning feature
図4は、学習特徴量蓄積部に蓄積された確率分布関数Pkjを表す説明図である。 FIG. 4 is an explanatory diagram illustrating the probability distribution function P kj stored in the learning feature amount storage unit.
図4によれば、クラス種別jとして、「男性」/「女性」に区分される。そして、クラス種別j毎に、各要素kの平均値μ(確率分布密度Pk)が予め蓄積されている。
P(男性)=(政府,スマートフォン,洗濯,掃除,・・・)
=(1 ,1
,0 ,0 ,・・・)
P(女性)=(政府,スマートフォン,洗濯,掃除,・・・)
=(0 ,0.5 ,1 ,0.5 ,・・・)
即ち、「クラス種別」は、ユーザプロフィールに関する属性種別である。尚、学習特徴量蓄積部30に蓄積される情報は、所定値として予め設定されたものであってもよいし、後述する学習特徴量分布算出部34から出力されたものであってもよい。
According to FIG. 4, the class type j is classified into “male” / “female”. For each class type j, the average value μ (probability distribution density P k ) of each element k is stored in advance.
P (male) = (Government, smartphone, washing, cleaning, ...)
= (1, 1
, 0, 0, ...)
P (female) = (government, smartphone, washing, cleaning, ...)
= (0, 0.5, 1, 0.5, ...)
That is, the “class type” is an attribute type related to the user profile. The information stored in the learning feature
[重み決定部25]
重み決定部25は、クラス種別j毎の学習特徴量分布の重み付け和ΣjwjPkjと、対象特徴量分布Pkとの分布間距離d(ΣjwjPkj,Pk)を、wj≧0という条件の下で最小にするように、各クラス種別jのクラス学習特徴量分布に付ける重みwjを決定する。
d(ΣjwjPkj,Pk)を、wj≧0という条件の下で最小化
ΣjwjPkj:クラス種別j毎の学習特徴量分布の重み付け和
Pk:対象特徴量分布
d(ΣjwjPkj,Pk):距離
[Weight determination unit 25]
The
d (Σ j w j P kj , P k ) is minimized under the condition of w j ≧ 0 Σ j w j P kj : Weighted sum of learning feature quantity distribution for each class type j P k : Target feature quantity Distribution d (Σ j w j P kj , P k ): distance
図5は、学習特徴量の確率分布関数Pkjと、対象特徴量の確率分布関数Pkjとの比較を表す説明図である。 FIG. 5 is an explanatory diagram illustrating a comparison between the probability distribution function P kj of the learning feature quantity and the probability distribution function P kj of the target feature quantity.
クラス種別jが2個である場合(j=1,2)、最小二乗法を用いて、各クラス種別jの学習特徴量分布に付ける重みwjを算出することができる(例えば非特許文献2参照)。具体的には、重み決定部25は、クラス種別j毎に算出される各要素kの学習特徴量分布Pkjの平均値μkjの重み付け和Σjwjμkjと、各要素kに対する対象特徴量分布Pkの平均値μkとの二乗誤差で定義される分布間距離d(ΣjwjPkj,Pk)=Σk(Σjwjμkj−μk)2を、wj≧0という条件の下で最小にするように、各クラス種別jの学習特徴量に付ける重みwjを決定する。
Σk(Σjwjμkj−μk)2を、wj≧0という条件の下で最小化
Σjwjμkj:クラス種別j毎の学習特徴量分布Pkjの平均値μkjの重み付け和
μk:対象特徴量分布Pkの平均値
When there are two class types j (j = 1, 2), the weight w j given to the learning feature amount distribution of each class type j can be calculated using the least square method (for example, Non-Patent Document 2). reference). Specifically, the
Σ k (Σ j w j μ kj −μ k ) 2 is minimized under the condition of w j ≧ 0 Σ j w j μ kj : Average value μ kj of learning feature amount distribution P kj for each class type j Weighted sum μ k : Average value of target feature distribution P k
具体的には、二乗誤差Sは、以下の式によって算出される。この二乗誤差Sを、wj≧0という条件の下で最小にするwjを算出する。
S=(wc1*μ1,c1+wc2*μ1,c2−μ1)2+
(wc1*μ2,c1+wc2*μ2,c2−μ2)2+
(wc1*μ3,c1+wc2*μ3,c2−μ3)2+
(wc1*μ4,c1+wc2*μ4,c2−μ4)2
c1:クラス種別「男性」
c2:クラス種別「女性」
k=1〜4:(政府,スマートフォン,洗濯,掃除)
wc1:クラス種別「男性」の重み
wc2:クラス種別「女性」の重み
μ1,c1:「政府」における「男性」のクラス種別の学習特徴量の平均値
μ2,c1:「スマートフォン」における「男性」のクラス種別の学習特徴量の平均値
μ3,c1:「洗濯」における「男性」のクラス種別の学習特徴量の平均値
μ4,c1:「掃除」における「男性」のクラス種別の学習特徴量の平均値
μ1,c2:「政府」における「女性」のクラス種別の学習特徴量の平均値
μ2,c2:「スマートフォン」における「女性」のクラス種別の学習特徴量の平均値
μ3,c2:「洗濯」における「女性」のクラス種別の学習特徴量の平均値
μ4,c2:「掃除」における「女性」のクラス種別の学習特徴量の平均値
μ1:「政府」における対象特徴量の平均値
μ2:「スマートフォン」における対象特徴量の平均値
μ3:「洗濯」における対象特徴量の平均値
μ4:「掃除」における対象特徴量の平均値
Specifically, the square error S is calculated by the following equation. This square error S, to calculate the w j to the minimum under the condition that w j ≧ 0.
S = (w c1 * μ 1, c1 + w c2 * μ 1, c2 −μ 1 ) 2 +
(W c1 * μ 2, c1 + w c2 * μ 2, c2 −μ 2 ) 2 +
(W c1 * μ 3, c1 + w c2 * μ 3, c2 −μ 3 ) 2 +
(W c1 * μ 4, c1 + w c2 * μ 4, c2 −μ 4 ) 2
c1: Class type "male"
c2: Class type “female”
k = 1 to 4: (Government, smartphone, washing, cleaning)
w c1 : Weight of class type “male” w c2 : Weight of class type “female” μ 1, c1 : Average value of learning features of class type “male” in “government” μ 2, c1 : “Smartphone” Mean value of learning features of class type of “male” in μ μc, c1 : average value of learning features of class type of “male” in “laundry” μ 4, c1 : class of “male” in “cleaning” Average learning feature value of each type μ 1, c2 : Average learning feature value of “Women” class type in “Government” μ 2, c2 : Learning feature value of “Women” class type in “Smartphone” Average value μ 3, c2 : Average learning feature value of “Women” class type in “Laundry” μ 4, c2 : Average learning feature value of “Woman” class type in “Cleaning” μ 1 : the average value of the target feature amount in government "μ 2: in the" smart phone " The average value of elephant feature value μ 3: The average of the object feature amount in the "washing" value μ 4: object feature amount of the average value in the "cleaning"
次に、前述した二乗誤差Sから、以下の式における定数A〜Fを算出する。
S=A+Bw1 2−2Cw1−2Dw2+2Ew1w2+Fw2 2
この場合、w1及びw2は、以下のように算出される。
w1=(FD−CE)/(FB−E2)=0.5
w2=(BC−DE)/(FB−E2)=0.5
Next, constants A to F in the following equation are calculated from the above-described square error S.
S = A + Bw 1 2 -2Cw 1 -2Dw 2 + 2Ew 1 w 2 + Fw 2 2
In this case, w 1 and w 2 are calculated as follows.
w 1 = (FD-CE) / (FB-E 2 ) = 0.5
w 2 = (BC-DE) / (FB-E 2 ) = 0.5
尚、クラス数が3個以上(多次元)である場合、例えば非特許文献3に記載の方法で算出することができる。
In addition, when the number of classes is 3 or more (multidimensional), it can be calculated by the method described in
[クラス種別正規化部26]
クラス種別正規化部26は、決定された各クラス種別jの重みwjを正規化して、クラス種別j毎の比率を算出する。ここでの正規化とは、0〜1の間の値に比例変換し、クラス種別毎に比較できるようにした変換をいう。
[Class type normalization unit 26]
The class
<学習用機能部>
[学習テキスト取得部31]
学習テキスト取得部31は、ユーザインタフェース部11を介して、ユーザから、学習対象の複数のメンバオブジェクトi(i=1〜L)を含むグループを取得する。取得されたメンバオブジェクトは、学習特徴量分布算出部34へ出力される。
<Functional part for learning>
[Learning text acquisition unit 31]
The learning
[学習特徴量分布算出部34]
学習特徴量分布算出部34は、グループの全てのメンバオブジェクトから、クラス種別j毎に各要素kの学習特徴量の確率分布関数Pkiを算出し、当該確率分布関数を確率分布関数Pkjとして学習特徴量蓄積部30へ出力する。
[Learning feature amount distribution calculation unit 34]
The learning feature amount
図6は、学習特徴量分布算出部における処理内容を表す説明図である。 FIG. 6 is an explanatory diagram illustrating processing contents in the learning feature amount distribution calculation unit.
図6によれば、所属するクラス種別が既知の複数の学習用メンバオブジェクトが表されており、クラス種別「男性」とする複数(2個)のものと、クラス種別「女性」とする複数(2個)のものとが表されている。ここでは、クラス種別毎に、各要素kの学習特徴量の平均値を算出している。一般に、特徴量の要素k(次元数)がクラスの数より大きくなるほど、各メンバオブジェクトの特徴量は、クラス種別の特徴量の近くに分布することが期待できる。そのために、本発明によって算出されるクラス比は、真の値に十分に近い近似値となり得る。 According to FIG. 6, a plurality of learning member objects having a known class type are represented, and a plurality (two) of class types “male” and a plurality of class types “female” ( 2). Here, the average value of the learning feature amount of each element k is calculated for each class type. In general, it can be expected that the feature amount of each member object is distributed closer to the feature amount of the class type as the element k (number of dimensions) of the feature amount becomes larger than the number of classes. Therefore, the class ratio calculated by the present invention can be an approximate value sufficiently close to the true value.
尚、前述した実施形態によれば、ユーザ毎のユーザテキストから、1つの学習特徴量蓄積部30を参照してクラス種別を導出している。ここで、多数のユーザテキストを投稿している多投稿ユーザと、少しのユーザテキストしか投稿していない少投稿ユーザとが混在している。例えば、過去の投稿数が100件以下の少投稿ユーザと、100件以上の多投稿ユーザでは、要素の特徴量の大きさ|fTi|、即ち、特徴量の分布傾向も異なっている。従って、これらを一括に1つの学習特徴量蓄積部30によって推定することは、精度を低下させる場合がある。そのため、できる限りユーザに適したクラス推定をするために、多投稿ユーザ用の学習特徴量蓄積部と、少投稿ユーザ用の学習特徴量蓄積部とを別々に備えることも好ましい
According to the above-described embodiment, the class type is derived from the user text for each user with reference to one learning feature
以上、詳細に説明したように、本発明のクラス比率推定装置、プログラム及び方法によれば、複数のメンバオブジェクトを含む推定対象のグループについて、オブジェクト毎のクラス(属性)種別を正確に識別することなく、各クラス種別の比率を算出することができる。特に、本発明によれば、曖昧な大量のメンバオブジェクトのグループついて、未知となるクラス比率を効率よく推定することができる。 As described above in detail, according to the class ratio estimation apparatus, program, and method of the present invention, the class (attribute) type for each object can be accurately identified for the estimation target group including a plurality of member objects. The ratio of each class type can be calculated. In particular, according to the present invention, an unknown class ratio can be efficiently estimated for a group of a large number of ambiguous member objects.
本発明のクラス比率推定装置を用いたサービスとして、推定対象となるグループにおけるソーシャルメディア解析に用いることができる。従来技術によれば、メンバの投稿文に基づくネガティブ/ポジティブ推定しかできなかった。本発明によれば、リアルタイムに、年代、性別、職業等のクラス種別に応じた推定が可能となり、所定の商品役務に対して現に話題となっているマーケットの声を認識することができる。尚、このような推定結果は、Webサイト上に閲覧可能とするだけでなく、様々なアプリケーションに対するWebツールとしても提供される。 As a service using the class ratio estimation apparatus of the present invention, it can be used for social media analysis in a group to be estimated. According to the prior art, only negative / positive estimation based on a member's post can be performed. According to the present invention, estimation according to the class type such as age, sex, occupation, etc. can be performed in real time, and the voice of the market that is currently a topic for a predetermined product service can be recognized. Such estimation results are not only made available for browsing on a website, but also provided as web tools for various applications.
前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。 Various changes, modifications, and omissions of the above-described various embodiments of the present invention can be easily made by those skilled in the art. The above description is merely an example, and is not intended to be restrictive. The invention is limited only as defined in the following claims and the equivalents thereto.
1 クラス比率推定装置
10 通信インタフェース部
11 ユーザインタフェース部
21 ユーザテキスト取得部
22 キーワード抽出部
23 特徴量抽出部
24 対象特徴量分布算出部
25 重み決定部
26 クラス種別正規化部
30 学習特徴量蓄積部
31 学習テキスト取得部
34 学習特徴量分布算出部
2 コミュニケーションサイトサーバ、SNSサイトサーバ
3 端末
DESCRIPTION OF
Claims (11)
前記メンバオブジェクトは、メンバ識別子iと、複数の要素k(k=1〜K)における各要素の特徴量fkiとからなり、
前記グループのメンバオブジェクト全体から、各要素kの確率分布関数Pkを算出する対象特徴量分布算出手段と、
クラス種別j毎に、各要素kの学習特徴量の確率分布関数Pkjを蓄積する学習特徴量蓄積手段と、
クラス種別毎の学習特徴量分布の重み付け和ΣjwjPkjと、対象特徴量分布Pkとの分布間距離 d(ΣjwjPkj, Pk) を、wj≧0という条件の下で最小にするように、各クラス種別jのクラス学習特徴量分布に付ける重みwjを決定する重み決定手段と、
決定された各クラス種別jの重みwjを正規化して、クラス種別j毎の比率を算出するクラス種別正規化手段と
を有することを特徴とするクラス比率推定装置。 A class ratio estimation apparatus that calculates a ratio of each class type j (j = 1 to M) in a plurality of class (attribute) types for a group including a plurality of member objects i (i = 1 to N) to be estimated. And
The member object includes a member identifier i and a feature quantity f ki of each element in a plurality of elements k (k = 1 to K).
Target feature amount distribution calculating means for calculating a probability distribution function P k of each element k from all the member objects of the group;
Learning feature value accumulating means for accumulating the probability distribution function P kj of the learning feature value of each element k for each class type j;
The distribution weight d (Σ j w j P kj , P k ) between the weighted sum Σ j w j P kj of the learning feature quantity distribution for each class type and the target feature quantity distribution P k is a condition that w j ≧ 0. Weight determining means for determining the weight w j to be assigned to the class learning feature amount distribution of each class type j, so as to minimize the
A class ratio estimating apparatus comprising class type normalizing means for normalizing the determined weight w j of each class type j and calculating a ratio for each class type j.
各メンバオブジェクトは、前記投稿者識別子に対応するメンバ投稿者に関するユーザテキストであり、
前記クラス種別は、ユーザプロフィールに関する属性種別であり、
前記要素は、前記ユーザテキストに含まれるキーワードである
ことを特徴とする請求項1から3のいずれか1項に記載のクラス比率推定装置。 The member identifier is a poster identifier,
Each member object is a user text relating to a member poster corresponding to the poster identifier,
The class type is an attribute type related to the user profile,
The class ratio estimation apparatus according to claim 1, wherein the element is a keyword included in the user text.
前記ユーザテキストから、形態素解析によって、要素としてのキーワードを抽出するキーワード抽出手段と、
メンバ投稿者毎に、要素となる各キーワードの数を特徴量として抽出する特徴量抽出手段と
を更に有することを特徴とする請求項4に記載のクラス比率推定装置。 User text acquisition means for acquiring the user text of each member contributor belonging to the estimation target group;
Keyword extracting means for extracting a keyword as an element from the user text by morphological analysis;
The class ratio estimation apparatus according to claim 4, further comprising a feature amount extraction unit that extracts, as a feature amount, the number of each keyword as an element for each member contributor.
前記メンバオブジェクトは、メンバ識別子iと、複数の要素k(k=1〜K)における各要素の特徴量fTiとからなり、
クラス種別j毎に、各要素kの学習特徴量fCjを蓄積する学習特徴量蓄積手段と、
前記グループの全てのメンバオブジェクトΣiから、各要素kについて特徴量を平均化した平均対象特徴量1/N・ΣTifTiを算出する対象特徴量分布算出手段と、
全てのクラス種別Σjの当該学習特徴量の重み付け和ΣjwjfCjと、全てのクラス種別Σjの平均特徴量の重み付け和1/N・ΣTifTiとが最も近づくように、各クラス種別jの学習特徴量に付ける重みwjを決定する重み決定手段と、
決定された各クラス種別jの重みwjを正規化して、クラス種別j毎の比率を算出するクラス種別正規化手段と
してコンピュータを機能させることを特徴とするクラス比率推定プログラム。 A class ratio estimation program for causing a computer to function to calculate a ratio of each class type j in a plurality of class (attribute) types for a group including a plurality of member objects i (i = 1 to N) to be estimated. ,
The member object includes a member identifier i and a feature quantity f Ti of each element in a plurality of elements k (k = 1 to K).
Learning feature amount accumulating means for accumulating the learning feature amount f Cj of each element k for each class type j;
From all member objects Σi of the group, the target feature distribution calculating means for calculating an average target characteristic quantity 1 / N · Σ Ti f Ti where the feature quantity obtained by averaging for each element k,
Each class so that the weighted sum Σ j w j f Cj of the learning features of all class types Σj and the weighted sum 1 / N · Σ Ti f Ti of the average features of all class types Σj are closest. Weight determining means for determining a weight w j to be given to the learning feature quantity of type j;
A class ratio estimation program that normalizes the weight w j of each determined class type j and causes the computer to function as class type normalization means for calculating a ratio for each class type j.
前記メンバオブジェクトは、メンバ識別子iと、複数の要素k(k=1〜K)における各要素の特徴量fTiとからなり、
クラス種別j毎に、各要素kの学習特徴量fCjを蓄積する学習特徴量蓄積部を有し、
前記グループの全てのメンバオブジェクトΣiから、各要素kについて特徴量を平均化した平均対象特徴量1/N・ΣTifTiを算出する第1のステップと、
全てのクラス種別Σjの当該学習特徴量の重み付け和ΣjwjfCjと、全てのクラス種別Σjの平均特徴量の重み付け和1/N・ΣTifTiとが最も近づくように、各クラス種別jの学習特徴量に付ける重みwjを決定する第2のステップと、
決定された各クラス種別jの重みwjを正規化して、クラス種別j毎の比率を算出する第3のステップと
を有することを特徴とするクラス比率推定方法。
A class ratio estimation method in an apparatus for calculating a ratio of each class type j in a plurality of class (attribute) types for a group including a plurality of estimation target member objects i (i = 1 to N),
The member object includes a member identifier i and a feature quantity f Ti of each element in a plurality of elements k (k = 1 to K).
For each class type j, it has a learning feature amount storage unit that stores the learning feature amount f Cj of each element k,
From all member objects Σi of the group, a first step of calculating an average target characteristic quantity 1 / N · Σ Ti f Ti obtained by averaging the feature amounts for each element k,
Each class so that the weighted sum Σ j w j f Cj of the learning features of all class types Σj and the weighted sum 1 / N · Σ Ti f Ti of the average features of all class types Σj are closest. A second step of determining a weight w j to be given to the learning feature quantity of type j;
And a third step of calculating a ratio for each class type j by normalizing the determined weight w j of each class type j.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012121733A JP5829180B2 (en) | 2012-05-29 | 2012-05-29 | Class type estimation apparatus, program, and method for estimating ratio of each class type in all member objects in group |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012121733A JP5829180B2 (en) | 2012-05-29 | 2012-05-29 | Class type estimation apparatus, program, and method for estimating ratio of each class type in all member objects in group |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013246757A true JP2013246757A (en) | 2013-12-09 |
JP5829180B2 JP5829180B2 (en) | 2015-12-09 |
Family
ID=49846438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012121733A Active JP5829180B2 (en) | 2012-05-29 | 2012-05-29 | Class type estimation apparatus, program, and method for estimating ratio of each class type in all member objects in group |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5829180B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017516369A (en) * | 2014-03-31 | 2017-06-15 | ミューラル インコーポレイテッド | System and method for generating an output display based on ambient conditions |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090132365A1 (en) * | 2007-11-15 | 2009-05-21 | Microsoft Corporation | Search, advertising and social networking applications and services |
JP2012070036A (en) * | 2010-09-21 | 2012-04-05 | Kddi Corp | Optimum standpoint estimation program, device and method for estimating standpoint of attributes of viewers interested in same shared content |
JP2013242676A (en) * | 2012-05-18 | 2013-12-05 | Nippon Telegr & Teleph Corp <Ntt> | User attribute estimation device, user attribute estimation method and program |
-
2012
- 2012-05-29 JP JP2012121733A patent/JP5829180B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090132365A1 (en) * | 2007-11-15 | 2009-05-21 | Microsoft Corporation | Search, advertising and social networking applications and services |
JP2012070036A (en) * | 2010-09-21 | 2012-04-05 | Kddi Corp | Optimum standpoint estimation program, device and method for estimating standpoint of attributes of viewers interested in same shared content |
JP2013242676A (en) * | 2012-05-18 | 2013-12-05 | Nippon Telegr & Teleph Corp <Ntt> | User attribute estimation device, user attribute estimation method and program |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017516369A (en) * | 2014-03-31 | 2017-06-15 | ミューラル インコーポレイテッド | System and method for generating an output display based on ambient conditions |
Also Published As
Publication number | Publication date |
---|---|
JP5829180B2 (en) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10936959B2 (en) | Determining trustworthiness and compatibility of a person | |
US10771575B2 (en) | Method and apparatus for identifying common interest between social network users | |
CN109145280B (en) | Information pushing method and device | |
JP6575335B2 (en) | Method, computer system, and program for estimating links between social media messages and facilities | |
US10268960B2 (en) | Information recommendation method, apparatus, and server based on user data in an online forum | |
JP6145576B2 (en) | Large page recommendation in online social networks | |
US9785888B2 (en) | Information processing apparatus, information processing method, and program for prediction model generated based on evaluation information | |
TWI408560B (en) | A method, system and apparatus for recommending items or people of potential interest to users in a computer-based network | |
US9195748B2 (en) | Systems and methods for identifying and analyzing internet users | |
JP6540314B2 (en) | Facility estimation method, device and program | |
US20150032653A1 (en) | Method and system to determine a member profile associated with a reference in a publication | |
JP5615857B2 (en) | Analysis apparatus, analysis method, and analysis program | |
JP5754854B2 (en) | Contributor analysis apparatus, program and method for analyzing poster profile information | |
US9286379B2 (en) | Document quality measurement | |
JP2014203442A (en) | Recommendation information generation device and recommendation information generation method | |
AlMansour et al. | A model for recalibrating credibility in different contexts and languages-a twitter case study | |
JP2013171436A (en) | Recommendation program, device, and method for recommending reviewer suited to user's preference | |
JP6368264B2 (en) | Contributor Analyzing Device, Program, and Method for Analyzing Contributor's Profile Item from Posted Sentence | |
US9613148B2 (en) | Method and system for determining property of user in social network platform | |
CN101639856B (en) | Webpage correlation evaluation device for detecting internet information spreading | |
JP5829180B2 (en) | Class type estimation apparatus, program, and method for estimating ratio of each class type in all member objects in group | |
Batura | Methods of social networks analysis | |
Heravi et al. | Tweet location detection | |
JP5882187B2 (en) | User attribute estimator construction device, method, user attribute estimation device, and program | |
Ziyi et al. | Research on methods to identify the opinion leaders in Internet community |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150109 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150916 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20150916 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150928 |
|
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: 20151014 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20151021 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5829180 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |