JP2016164750A - 選択行動モデル化装置、選択行動予測装置、方法、及びプログラム - Google Patents

Abstract

【課題】個人的要因と社会的要因とによって引き起こされる選択行動についてモデル化し、より正確に将来の選択行動を予測する。【解決手段】選択行動モデル化部３０は、選択行動履歴情報及び情報閲覧履歴情報を入力とし、アイテムに対するユーザの選択行動レートをモデル化した、アイテムに対するユーザの個人的嗜好に基づくアイテム選択行動レートと、アイテムを選択した他のユーザの各々に対する、他のユーザからユーザへの影響の大きさに基づくアイテム選択行動レートの総和と、企業が発出した前記アイテムに関する情報を前記ユーザが閲覧した情報閲覧時刻の各々に対する、企業から前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和との和を求めるためのパラメータを推定する【選択図】図１

Description

本発明は、選択行動モデル化装置、選択行動予測装置、方法、及びプログラムに係り、特に、ユーザがアイテムを選択する行動を予測するための選択行動モデル化装置、選択行動予測装置、方法、及びプログラムに関する。

従来の技術として、複数人の行動履歴を用いて、カスケードモデルに基づき、ユーザの選択行動をモデル化して、将来の選択アイテムを予測する手法がある。カスケードモデルでは、“ユーザの選択行動は、他者からの影響に基づいて算出されるアイテム選択行動レート（単位時間当たりに当該アイテムを選択する確率）にしたがって起こる”と仮定する。このような仮定に当てはまる選択行動の例として、友人に勧められた商品を選択するといったことや、Web上における口コミ情報に影響を受けて旅行先を決めるといったことが挙げられる。カスケードモデルでは、ユーザ間の影響の大きさを考慮して、時間に依存したアイテム選択行動レートをモデル化する。これは、親しい友人や社会的に影響の大きい人物が、時間的に近い位置でアイテムを選択することにより、ユーザの選択行動がより高いレートで引き起こされるということをモデル化している。ユーザ間の影響の大きさは、ユーザがアイテムを選択した時刻情報を用いて、他者の選択行動との前後関係や時間的な近さを考慮することによって推定する。例えば、ユーザA があるアイテムを選択した直後に、ユーザBが選択する、ということが頻繁に起こるならば、ユーザAからユーザBへの関係は強いと推定される。最終的に、推定したユーザ間の影響の大きさと他者の選択の時刻情報とを用いて、他者からの影響を考慮することにより、ユーザの将来の選択行動を予測する（非特許文献1、非特許文献2参照）。

M. Gomez-Rodriguez, D. Balduzzi, and B. Scholkopf, Uncovering the temporal dynamics of diffusion networks, In Proc. the 28th International Conference on Machine Learning, pp. 561-568, 2011. T. Iwata, A. Shah, and Z. Ghahramani, Discovering latent influence in online social activities via shared cascade Poisson processes, In Proc. the 19th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, pp. 266-274, 2013.

従来技術は、他者の選択行動の影響のみに基づいて、ユーザの選択行動をモデル化したものである。しかし、ユーザの選択行動は、興味や嗜好などの個人的要因によって、他者の選択行動とは独立して起こる場合もあれば、企業によるテレビコマーシャル（以下TVCMと記載）やWeb広告・PR活動の影響などによって引き起こされる場合もある。従来技術では、このような要因によって引き起こされる選択行動を正確に予測することができないという問題が存在した。

また、TVCMの影響などによって引き起こされる選択行動についてモデル化する際には、企業からユーザへの一方向の影響を考慮する必要がある。つまり、TVCMやWeb広告などを通して、企業がユーザに影響を与えることはあっても、その逆はありえない。ここで、企業とは、広告やＰＲ活動を行い、ユーザに一方的に情報を与えるものを表す。また、ここでは企業を対象として説明をするが、企業以外にも、ブランドや政府、公的機関などの団体も対象の範囲である。従来技術は、他者の影響を考慮することが可能である。そこで、企業を他者の一人として扱うことにより、従来技術の範疇において、企業からの影響を考慮することもできる。しかし、従来技術は、ユーザが互いに影響関係にあることを仮定し、両方向の影響を考慮するモデルである。そのため、ユーザが一方的に影響を与えられるというような、企業からユーザへの影響を正確にモデル化し、推定することができないという問題が存在した。

本発明は、上記の点に鑑みてなされたものであり、個人的要因と社会的要因とによって引き起こされる選択行動についてモデル化し、より正確に将来の選択行動を予測するための選択行動モデル化装置、選択行動予測装置、方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、第１の発明に係る選択行動モデル化装置は、複数のアイテムの各々に対する、前記アイテムを選択したユーザと、選択行動時刻とを含む選択行動履歴情報、及び前記複数のアイテムの各々に対する、前記アイテムに関する情報を発出した企業又は団体と、前記情報を閲覧したユーザと、情報閲覧時刻とを含む情報閲覧履歴情報を入力とし、アイテムに対するユーザの選択行動レートをモデル化した、前記アイテムに対する前記ユーザの個人的嗜好に基づくアイテム選択行動レートと、前記アイテムを選択した他のユーザの各々に対する、前記他のユーザから前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和と、前記企業又は団体が発出した前記アイテムに関する情報を前記ユーザが閲覧した情報閲覧時刻の各々に対する、前記企業又は団体から前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和との和を求めるためのパラメータを推定するパラメータ推定部を含んで構成されている。

第２の発明に係る選択行動モデル化方法は、パラメータ推定部を含む選択行動モデル化装置における選択行動モデル化方法であって、前記パラメータ推定部が、複数のアイテムの各々に対する、前記アイテムを選択したユーザと、選択行動時刻とを含む選択行動履歴情報、及び前記複数のアイテムの各々に対する、前記アイテムに関する情報を発出した企業又は団体と、前記情報を閲覧したユーザと、情報閲覧時刻とを含む情報閲覧履歴情報を入力とし、アイテムに対するユーザの選択行動レートをモデル化した、前記アイテムに対する前記ユーザの個人的嗜好に基づくアイテム選択行動レートと、前記アイテムを選択した他のユーザの各々に対する、前記他のユーザから前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和と、前記企業又は団体が発出した前記アイテムに関する情報を前記ユーザが閲覧した情報閲覧時刻の各々に対する、前記企業又は団体から前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和との和を求めるためのパラメータを推定する。

第３の発明に係る選択行動予測装置は、予測対象のユーザ及び予測対象時刻を受け付ける入力部と、上記第１の発明に係るアイテム選択行動モデル化装置で推定された前記パラメータを用いて、複数のアイテムの各々に対し、他のユーザに関する前記選択行動履歴情報と、前記予測対象のユーザに関する前記情報閲覧履歴情報とに基づいて、前記アイテムに対する前記予測対象のユーザの個人的嗜好に基づくアイテム選択行動レートと、前記予測対象時刻より前に前記アイテムを選択した他のユーザの各々に対する、前記他のユーザから前記予測対象のユーザへの影響の大きさに基づくアイテム選択行動レートの総和と、前記企業又は団体が発出した前記アイテムに関する情報を前記予測対象のユーザが閲覧した、前記予測対象時刻より前の情報閲覧時刻の各々に対する、前記企業又は団体から前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和との和を、前記アイテムに対する前記予測対象時刻における前記予測対象のユーザの選択行動レートとして算出するユーザ固有アイテム選択レート算出部と、を含んで構成されている。

また、第４の発明のプログラムは、コンピュータを、上記第１の発明に係る選択行動モデル化装置又は上記第３の発明に係る選択行動予測装置を構成する各部として機能させるためのプログラムである。

以上説明したように、本発明の選択行動モデル化装置、方法、及びプログラムによれば、選択行動履歴情報及び情報閲覧履歴情報を入力とし、アイテムに対するユーザの選択行動レートをモデル化した、前記アイテムに対する前記ユーザの個人的嗜好に基づくアイテム選択行動レートと、前記アイテムを選択した他のユーザの各々に対する、前記他のユーザから前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和と、前記企業又は団体が発出した前記アイテムに関する情報を前記ユーザが閲覧した情報閲覧時刻の各々に対する、前記企業又は団体から前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和との和を求めるためのパラメータを推定することにより、個人的要因と社会的要因とによって引き起こされる選択行動についてモデル化し、より正確に将来の選択行動を予測するためのパラメータを推定することができる。

また、本発明の選択行動予測装置及びプログラムによれば、個人的要因と社会的要因とによって引き起こされる選択行動についてモデル化し、より正確に将来の選択行動を予測することができる。

本発明の実施の形態における選択行動予測装置のブロック図である。 本発明の実施の形態における個人の嗜好に基づくアイテム選択行動レートの一例である。 本発明の実施の形態における他者の影響に基づくアイテム選択行動レートの一例である。 本発明の実施の形態におけるTVCMを通じた企業からの影響に基づくアイテム選択行動レートの一例である。 本発明の実施の形態における購買履歴情報格納部に格納されている情報の一例である。 本発明の実施の形態におけるTVCM閲覧履歴情報格納部に格納されている情報の一例である。 本発明の実施の形態における選択行動予測装置のパラメータ推定処理ルーチンを示すフローチャートである。 本発明の実施の形態における選択行動予測装置の選択行動予測処理ルーチンを示すフローチャートである。 本発明の実施の形態における予測対象入力部への入力例と、出力部からの出力例である。

本発明に係る選択行動予測装置は、様々な行動ログデータ（購買履歴、Web閲覧履歴、TVCM閲覧履歴、移動履歴など）を対象としたものであり、観測データに応じて柔軟に適用できるものである。以下では、選択行動履歴としての購買履歴および情報閲覧履歴としてのTVCM閲覧履歴が与えられた条件の下で、将来の選択アイテムを予測する場合を例に説明する。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

＜本発明の実施の形態に係る選択行動予測装置の構成＞
次に、本発明の実施の形態に係る選択行動予測装置の構成について説明する。図１に示すように、本発明の実施の形態に係る選択行動予測装置１０は、ＣＰＵと、ＲＡＭと、後述するパラメータ推定処理ルーチン及び選択行動予測処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この選択行動予測装置１０は、機能的には図１に示すように、操作部１２と、購買履歴情報格納部１４と、ＴＶＣＭ閲覧履歴情報格納部１６と、予測対象入力部１８と、演算部２０と、出力部２２とを備えている。操作部１２及び演算部２０は、購買履歴情報格納部１４及びTVCM閲覧履歴情報格納部１６と接続されている。

購買履歴情報格納部１４は、選択行動予測装置１０によって解析されうる購買履歴情報を格納しており、演算部２０からの要求に従って、購買履歴情報を読み出し、該当情報を演算部２０へ出力する。いま、アイテムをiで、ユーザをuで表すと、ある購買履歴情報は、

と表すことができる。全ユーザのアイテムiの購買履歴を時刻順に並べて、そのときの購買イベントのインデックスをjとしたとき、

は、アイテムiのj番目の購買履歴情報が、ユーザu_ijによって時刻t_ijに行われたことを表す。購買履歴情報格納部１４は、Webページを保持するWebサーバや、データベースを具備するデータベースサーバ等である。

TVCM閲覧履歴情報格納部１６は、選択行動予測装置１０から解析されうるTVCM閲覧履歴情報を格納しており、演算部２０からの要求に従って、TVCM閲覧履歴情報を読み出し、該当情報を演算部２０へ出力する。アイテムiを取り扱う企業（アイテムが商品ならば製造する企業、場所ならば管理・運営する企業、サービスならば提供・運営する企業）をm_iで表すと、あるTVCM閲覧履歴情報は、

と表すことができる。全ユーザのアイテムiに関するTVCM閲覧履歴を時刻順に並べて、そのときの閲覧イベントのインデックスをkとしたとき、

は、アイテムiのk番目のTVCMが、ユーザu_ikによって時刻t_ikに閲覧されたことを表す。TVCM閲覧履歴情報格納部１６は、Webページを保持するWebサーバや、データベースを具備するデータベースサーバ等である。

操作部１２は、購買履歴情報格納部１４およびTVCM閲覧履歴情報格納部１６のデータに対するユーザからの各種操作を受け付ける。各種操作とは、格納された情報を登録、修正、削除する操作等である。操作部１２の入力手段は、キーボードやマウス、メニュー画面、タッチパネルによるもの等、なんでもよい。操作部１２は、マウス等の入力手段のデバイスドライバや、メニュー画面の制御ソフトウェアで実現される。

予測対象入力部１８は、予測対象となるユーザuに関する情報と、予測対象時刻tとを受け付ける。ユーザuに関する情報は、購買履歴情報格納部１４およびTVCM閲覧履歴情報格納部１６に格納されているユーザ

を一意に識別するID等のユーザに関する情報である。演算部２０は、TVCM閲覧履歴情報格納部１６に格納された、予測対象となるユーザｕのＴＶＣＭ閲覧履歴と、購買履歴情報格納部１４に格納された、他のユーザの購買履歴とに基づいてアイテム選択行動レートが大きい順にアイテムを出力する。なお、予測対象入力部１８の入力手段は、キーボードやマウス、メニュー画面、タッチパネルによるもの等、なんでもよい。予測対象入力部１８は、マウス等の入力手段のデバイスドライバや、メニュー画面の制御ソフトウェアで実現され得る。

演算部２０は、選択行動モデル化部３０、個人嗜好パラメータ格納部３２、ユーザ間影響パラメータ格納部３４、企業影響パラメータ格納部３６、ユーザ固有アイテム選択レート算出部３８を備えている。

選択行動モデル化部３０は、購買履歴情報格納部１４とTVCM閲覧履歴情報格納部１６とに格納された履歴情報を学習データとして、ユーザuが時刻tにアイテムiを選択するアイテム選択行動レートをモデル化する。ここで、アイテム選択行動レートとは、単位時間あたりの確率を表し、選択のしやすさを数値で表現したものである。本実施の形態で用いるモデルは、“ユーザの選択行動は、個人的要因（嗜好・興味など）に基づくアイテム選択行動レートと、社会的要因（他者・企業の影響など）に基づくアイテム選択行動レートとを足し合わせることにより算出されるアイテム選択行動レートにしたがって起こる”という仮定に基づく選択行動モデルである。本実施の形態では、個人的要因として(a)個人の嗜好、社会的要因として(b)他者からの影響、(c)TVCMを通じた企業からの影響の三つの影響要因についてモデル化した例について述べる。以下に、それぞれの要因によるアイテム選択行動レートについて図２〜図４とともに説明する。

(a)個人の嗜好によるアイテム選択行動レート
ユーザuはアイテムiに対する嗜好を有し、図２に示すように、時間に依存しない一定のレートでアイテムiを選択すると仮定する。このアイテム選択行動レートは、アイテム毎に異なる値をとり、ユーザuが好むアイテムほど、アイテム選択行動レートは高くなる。

(b)他者の影響に基づくアイテム選択行動レート
他者の選択は、ユーザuの選択に影響を与えると仮定する。図3の下段に示すスパイク列は、ユーザu以外の他者によるアイテムの選択行動時刻を表したものであり、上段に示すのは、他者の購買履歴から計算されるユーザuのアイテム選択行動レートを表す。図3に示すように、複数の他者の影響が重畳され、ユーザuのアイテム選択行動レートは大きくなる。ただし、各ユーザ間には、関係の強弱が存在し、それに応じた影響がユーザuに伝わるとする。また、他者の影響がユーザuの選択に与える影響は、時間経過に応じて減衰するものとする。

(c)TVCMを通じた企業からの影響に基づくアイテム選択行動レート
TVCMの閲覧は、ユーザuの選択に影響を与えると仮定する。図4の下段に示すスパイク列は、ユーザuのあるアイテムに関するTVCM閲覧時刻を表したものであり、上段に示すのは、TVCM閲覧履歴から計算されるユーザuのアイテム選択行動レートを表す。図4に示すように、複数回のTVCM閲覧の影響が重畳され、ユーザuのアイテム選択行動レートは大きくなる。ただし、TVCMの影響は、アイテムiを取り扱う企業m_iからユーザuに伝わるものとする。また、アイテムiを取り扱う企業m_iとユーザuとの間には、関係の強弱が存在し、それに応じた影響がユーザuに伝わるとする。また、企業m_iがユーザuの選択に与える影響は、時間経過に応じて減衰するものとする。ここでは、企業を対象として説明をするが、企業の代わりに、ブランドや政府、公的機関などの団体も対象の範囲である。

以上のような仮定の下で各アイテム選択行動レートをモデル化し、それらを足し合わせることでユーザuが時刻tにアイテムiを選択するアイテム選択行動レート

を表す。

は以下の（１）式で計算される。

ここで、

は、時刻tより前に、ユーザu以外のユーザがアイテムiを購買した購買履歴情報の集合を表す。

は、アイテムiの全購買履歴情報の集合を表す。また、

は、時刻tより前に、ユーザuがアイテムiのTVCMを閲覧した履歴情報の集合を表す。

は、ユーザuがアイテムiのTVCMを閲覧した全履歴情報を表す。

式1における第一項の

は、ユーザuが時刻tにアイテムiを個人的嗜好に基づいて選択するアイテム選択行動レートであり、以下の（２）式で表す。

個人の嗜好は時間によって変動しないものとする。第一因子の

は、アイテムiのユーザに依存しない普遍的な人気度を表している。第二因子の

は、アイテムiとユーザuの相対的な関連の強さを表しており、

を満たすものとする。このアイテム選択行動レートは、アイテム毎に異なる値をとり、ユーザuが好むアイテムiほど、アイテム選択行動レートは高くなる。

（１）式における第二項の

は、ユーザu’が時刻t’にアイテムiを選択したことによる影響で、ユーザuが時刻tにアイテムiを選択するアイテム選択行動レートであり、以下の（３）式で表す。

ここで、

とし、自身の選択行動の影響はここでは考慮しない。第一因子の

は、ユーザuの特定ユーザ間に拠らない普遍的な影響力を表している。第二因子の

は、ユーザu’からユーザuへの相対的な関係の強さを表しており、

を満たすものとする。ここで、

は、ユーザ集合Uからユーザu’を除くことを表す。これら二つの因子の積

は、ユーザu’からユーザuへの影響の大きさを表す。第三因子の

は、減衰パラメータを

として、他者の影響が時間とともに減衰することを表している。アイテムの流行は、時間とともに沈静化していくため、自然な仮定であると言える。ここで、時刻tに発生した選択行動がそれより過去の選択行動に影響を与えることはないため、

のときのレートは0となる。

（１）式における第三項の

は、ユーザu’が時刻t’にアイテムiのTVCMを閲覧したことによる影響で、ユーザuが時刻tにアイテムiを選択するアイテム選択行動レートであり、以下の（４）式で表す。

ここで、TVCM閲覧の影響は、アイテムiを取り扱う企業m_iからユーザuに与えられるものとし、影響の大きさは、TVCMを発出した行為の主体者である企業m_iの影響力と、企業とユーザとの関係の強さの積によって決まるとする。各因子の説明は、他者の影響によるアイテム選択行動レートの場合と同様である。ただし、TVCM閲覧の影響は、企業からユーザへの一方向である点に注意する。また、

は、企業m_iの各ユーザに対する普遍的な影響力を表している。

は、企業m_iからユーザuへの相対的な関係の強さを表しており、

を満たすものとする。また、これらの因子の積

は、企業m_iからユーザuへの影響の大きさを表す。さらに、

を企業からの影響の減衰パラメータとする。

選択行動モデル化部３０は、潜在変数推定部４０及びパラメータ推定部４２を備えている。

潜在変数推定部４０は、購買履歴情報格納部１４およびTVCM閲覧履歴情報格納部１６に格納された履歴情報を学習データとして、上記のモデルに従って選択行動が行われたと仮定した上で、個人の嗜好を表すパラメータ

、ユーザ間の影響の大きさを表すパラメータ

、企業からユーザへの影響の大きさを表すパラメータ

を推定するための潜在変数を推定する。これらの未知パラメータは、最尤推定やベイズ推定など、さまざまな推定方法によって推定可能であるが、ここでは、ベイズ推定に基づいて、ギブスサンプリングを用いた推定手法について述べる。

上記のモデルに従って、購買履歴情報の集合

が得られたとする。このとき、TVCM閲覧履歴情報の集合

およびパラメータ集合

が与えられた条件の下で、

の尤度関数は、以下の（５）式のように書ける。

ここで、J_iは、アイテムiの全購買数を表し、Tは観測期間を表す。また、（５）式における積分は、以下の（６）式のように解析的に計算することができる。

ここで、K_iは、アイテムiのCMの全閲覧数を表す。次に、アイテムiのj番目の選択を引き起こしたイベント（購買・CM閲覧履歴）のインデックスを潜在変数

で表す。ここで、N_ituは、ユーザuが時刻t_ijにアイテムiを選択する以前に起こった購買およびTVCM閲覧の全履歴集合の中で、ユーザu以外のアイテムｉに関する購買履歴集合とユーザu自身のアイテムｉに関するTVCM閲覧履歴とを合わせた集合の要素数を表す。z_ij=0は、個人の嗜好によって選択行動が起こったことを表す。これを用いて、（１）式は以下の（７）式のように書くことができる。

ここで、

は、

である。ここで、

とした。さらに、潜在変数z_ijを用いることで、（５）式は以下の（９）式のように書くことができる。

ここで、

を表す。次に、パラメータ

に対する事前分布を、ハイパーパラメータをa,bとするガンマ分布とし、パラメータ

に対する事前分布を、それぞれハイパーパラメータを

とするディリクレ分布とする。ハイパーパラメータは、a=b=1、

などのように適切に設定する。このように事前分布を用いることにより、パラメータに関する積分消去が実行でき、（９）式は以下の（１０）式のように計算することができる。

ここで、

を表す。

であり、ユーザu’の影響によって、ユーザuが購買を行った回数を表す。

は、ユーザu’の影響によって起こった購買の総数を表す。また、

であり、企業mのTVCMの影響によって、ユーザuが購買を起こした回数を表す。

は、企業mの影響によって起こった購買の総数を表す。

は、アイテムiが個人の嗜好に基づいて購買が起こった総数を表す。ここで、

は、x=yが成り立つとき1を、そうでないとき0を出力する関数である。E_lは以下の（１１）式で表される。

ここで、D_lは、ユーザlによる購買行動の全集合を表し、C_lは、企業lによるTVCMが閲覧されたＴＶＣＭ閲覧履歴の全集合を表す。（９）式を用いて、z_ijの更新式は以下の（１２）式のように計算できる。

ここで、

である。また、

は、アイテムiのj番目のイベントを除くことを表す。（１２）式を用いて、ギブスサンプリングの手続きに従って、z_ijに割り当てるインデックスを、各iおよび各jについてサンプリングし、サンプリングされたz_ijを用いて、

を計算することを予め定めた収束判定条件を満たすまで繰り返す。

パラメータ

は、ニュートン法などの最適化手法を用いて最適化してもよいし、事前に設定してもよい。

パラメータ推定部４２は、潜在変数推定部４０によって最終的にサンプリングされたZを用いて、各パラメータを、それぞれ以下の（１３）式〜（１６）式のように推定する。

個人嗜好パラメータ格納部３２は、パラメータ推定部４２で求めた（１３）式および（１６）式のパラメータの積

を格納する。個人嗜好パラメータ格納部３２は、これらの情報が保存され、復元可能なものであればなんでもよい。例えば、データベースや、あらかじめ備えられた汎用的な記憶装置（メモリやハードディスク装置）の特定領域に記憶される。

ユーザ間影響パラメータ格納部３４は、パラメータ推定部４２で求めた（１３）式および（１４）式のパラメータの積

を格納する。ユーザ間影響パラメータ格納部３４は、これらの情報が保存され、復元可能なものであればなんでもよい。例えば、データベースや、あらかじめ備えられた汎用的な記憶装置（メモリやハードディスク装置）の特定領域に記憶される。

企業影響パラメータ格納部３６は、パラメータ推定部４２で求めた（１３）式および（１５）式のパラメータの積

を格納する。企業影響パラメータ格納部３６は、これらの情報が保存され、復元可能なものであればなんでもよい。例えば、データベースや、あらかじめ備えられた汎用的な記憶装置（メモリやハードディスク装置）の特定領域に記憶される。

ユーザ固有アイテム選択レート算出部３８は、個人嗜好パラメータ格納部３２に格納されたパラメータ

と、ユーザ間影響パラメータ格納部３４に格納されたパラメータ

と、企業影響パラメータ格納部３６に格納されたパラメータ

と、購買履歴情報格納部１４に格納された、予測対象のユーザ以外のユーザの購買履歴情報と、ＴＶＣＭ閲覧履歴情報格納部１６に格納された、予測対象のユーザのＴＶＣＭ閲覧履歴情報と、に基づき、アイテムｉ毎に、予測対象ユーザuが、予測対象時刻tに当該アイテムiを選択するアイテム選択行動レートを計算する。具体的には、アイテムｉ毎に、（１）式を用いて、

の値を計算する。

出力部２２は、ユーザ固有アイテム選択レート算出部３８の結果に基づき、予測対象ユーザが、予測対象時刻tにおいて選択するアイテム選択行動レートが高い順にアイテムを出力する。また、どの程度選択しそうかを表すアイテム選択行動レートの値を出力する。このとき、個人の嗜好、他者の影響、TVCMを通した企業の影響の三つの要因のうち、それぞれがどの程度影響をしているかも同時に出力する。ここで、出力とは、ディスプレイへの表示、プリンタへの印字、音出力、外部装置への送信等を含む概念である。出力部２２は、ディスプレイやスピーカ等の出力デバイスを含むと考えても含まないと考えてもよい。出力部２２は、出力デバイスのドライバソフト、または出力デバイスのドライバソフトと出力デバイス等で実現され得る。

＜本発明の実施の形態に係る選択行動予測装置の作用＞
次に、本発明の実施の形態に係る選択行動予測装置１００の作用について説明する。選択行動予測装置１００は、購買履歴情報と、ＴＶＣＭ閲覧履歴とが入力されると、購買履歴情報格納部１４及びＴＶＣＭ閲覧履歴情報格納部１６に格納する（図５、図６参照）。そして、選択行動予測装置１００は、図７に示すパラメータ推定処理ルーチンを実行する。

まず、ステップＳ１００では、各種パラメータ、及び各潜在変数z_ijを初期化する。

次に、ステップＳ１０２では、潜在変数z_ijの各々について、購買履歴情報格納部１４及びＴＶＣＭ閲覧履歴情報格納部１６に格納された購買履歴情報及びＴＶＣＭ閲覧履歴情報と、各潜在変数z_ijとに基づいて、上記（１２）式の右辺に示す、潜在変数z_ijに割り当てられるインデックスの各々の確率を計算する。

そして、ステップＳ１０４では、潜在変数z_ijの各々について、上記ステップＳ１０２で計算されたインデックスの各々の確率に従ってサンプリングし、潜在変数z_ijを更新する。

次のステップＳ１０６では、予め定められた収束判定条件を満たしたか否かを判定する。収束判定条件を満たしていない場合には、上記ステップＳ１０２へ戻り、上記ステップＳ１０２、Ｓ１０４の処理を繰り返す。一方、収束判定条件を満たした場合には、ステップＳ１０８へ進む。

ステップＳ１０８では、上記ステップＳ１０４で最終的に更新された潜在変数z_ijの各々に基づいて、上記（１３）式〜（１６）式に従って、個人の嗜好を表すパラメータ、ユーザ間の影響の大きさを表すパラメータ、及び企業からユーザへの影響の大きさを表すパラメータを計算し、個人嗜好パラメータ格納部３２、ユーザ間影響パラメータ格納部３４、及び企業影響パラメータ格納部３６に格納して、パラメータ推定処理ルーチンを終了する。

そして、選択行動予測装置１００に、予測対象のユーザｕ及び予測対象時刻ｔが入力されると（図９参照）、選択行動予測装置１００は、図８に示す選択行動予測処理ルーチンを実行する。

まず、ステップＳ１１０では、入力された予測対象のユーザｕ及び予測対象時刻ｔを受け付ける。

そして、下記のステップＳ１１２〜ステップＳ１２４の処理を、全てのアイテムｉについて繰り返す。

ステップＳ１１２では、一時変数ｊを０に初期化すると共に、予測対象のユーザuが予測対象時刻tにアイテムiを選択するアイテム選択行動レート

を０に初期化する。

次のステップＳ１１４では、個人嗜好パラメータ格納部３２に格納されているパラメータに基づいて、ユーザuが時刻tにアイテムiを個人的嗜好に基づいて選択するアイテム選択行動レート

を加算する。

次に、ステップＳ１１６において、一時変数ｊが、Ｎ_itu以下であるか否かを判定する。一時変数ｊが、Ｎ_itu以下である場合には、予測対象時刻ｔより前に、アイテムｉに関するイベントが存在すると判断し、ステップＳ１１８へ進む。一方、一時変数ｊが、Ｎ_ituに到達した場合には、予測対象時刻ｔより前に、アイテムｉに関するイベントが存在しないと判断し、アイテムｉについて処理を終了し、次のアイテムｉについて処理を繰り返す。

ステップＳ１１８では、ユーザu以外のアイテムｉに関する購買履歴とユーザu自身のアイテムｉに関するTVCM閲覧履歴とを合わせた集合のうちのｊ番目の要素ｖijが、ユーザu以外のアイテムｉに関する購買履歴集合Ｕの要素であるか否かを判定する。ｊ番目の要素ｖ_ijが、ユーザu以外のアイテムｉに関する購買履歴の集合Ｕの要素である場合には、ステップＳ１２０へ移行し、一方、ｊ番目の要素ｖ_ijが、ユーザu以外のアイテムｉに関する購買履歴集合Ｕの要素でない場合には、ユーザu自身のアイテムｉに関するTVCM閲覧履歴の集合Ｍの要素であると判断し、ステップＳ１２２へ移行する。

ステップＳ１２０では、ユーザ間影響パラメータ格納部３４に格納されているパラメータに基づいて、ユーザu’が時刻t’にアイテムiを選択したことによる影響で、ユーザuが時刻tにアイテムiを選択するアイテム選択行動レート

を加算する。

ステップＳ１２２では、企業影響パラメータ格納部３６に格納されているパラメータに基づいて、ユーザu’が時刻t’にアイテムiのTVCMを閲覧したことによる影響で、ユーザuが時刻tにアイテムiを選択するアイテム選択行動レート

を加算する。

ステップＳ１２４では、一時変数ｊを１だけインクリメントして、上記ステップＳ１１６へ戻る。

そして、全てのアイテムｉについて、上記ステップＳ１１２〜ステップＳ１２４の処理が終了すると、予測対象のユーザｕの予測対象時刻ｔにおける各アイテムｉのアイテム選択行動レート

を出力部２２から出力する（図９参照）。

図９に示すように、予測対象入力部１８からユーザIDおよび予測対象時刻を受け取り、それに応じて、各アイテムのアイテム選択行動レートを出力として得ることができる。これを用いて、ユーザの将来の選択アイテムを予測することが可能である。また、予測対象入力部１８で予測対象時刻tを変更することにより、時刻に適応した予測アイテムの出力が可能である。さらに、アイテム選択行動レートの値から、どの程度、予測アイテムを選択しやすいかを知ることもできる。また、棒グラフの色で示すように、どのような要因に影響を受けて選択行動が引き起こされるかについても知ることが可能である。

以上説明したように、本発明の実施の形態に係る選択行動予測装置によれば、購買履歴情報及びＴＶＣＭ閲覧履歴情報を入力とし、アイテムに対するユーザの選択行動レートをモデル化した、アイテムに対するユーザの個人的嗜好に基づくアイテム選択行動レートと、アイテムを選択した他のユーザの各々に対する、他のユーザからユーザへの影響の大きさに基づくアイテム選択行動レートの総和と、企業又は団体が発出したアイテムに関する情報をユーザが閲覧した情報閲覧時刻の各々に対する、企業から前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和との和を求めるための各種パラメータを推定することにより、個人的要因（嗜好・興味など）と社会的要因（他者・企業の影響など）とによって引き起こされる選択行動についてモデル化し、より正確に将来のアイテムの購買を予測するためのパラメータを推定することができる。

また、個人的要因と社会的要因とによって引き起こされる選択行動についてモデル化したときのパラメータを用いて、より正確に将来のアイテムの購買を予測することができる。

また、本実施の形態によれば、“ユーザの選択行動は、個人的要因（嗜好・興味など）に基づくアイテム選択レートと、社会的要因（他者・企業の影響など）に基づくアイテム選択レートとを足し合わせることにより算出されるアイテム選択レートにしたがって起こる”という仮定に基づく選択行動モデルを生成し、そのモデルを用いて、ユーザの将来の選択行動を予測することが可能である。この選択行動モデルは、従来技術と異なり、ユーザの選択行動が、ある時刻において、どのような要因にどの程度影響を受けて起きたかを考慮できるという特徴がある。そのため、他者からの影響によって引き起こされる選択行動のみならず、個人的要因およびTVCMやWeb広告などの影響によって起こる選択行動をも、より正確に予測することが可能となる。例えば、ある企業のアイテムのTVCMを複数回見た直後は、そのアイテムを高いレートで選択するといった予測が可能である。また、他者からの影響やTVCMなどによる企業の影響が小さい期間においては、ユーザの個人的な嗜好に基づいてアイテムを選択するといった予測が可能である。

また、本実施の形態によれば、企業からの影響は、企業からユーザに一方的に伝わるものであるということを考慮し、企業からユーザへの影響の大きさを推定する。これにより、従来技術に比べて、より正確な企業からユーザへの影響の大きさを推定することが可能となる。

なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、上記の実施の形態で述べたような購買行動に特化したものではなく、より一般的なユーザの選択行動を対象としたものである。例えば、ユーザが旅行先を選択したり、Web上でどの広告をクリックするか、SNS上でどのようなコンテンツをシェアするか、など様々なものが考えられる。このとき、例えば旅行先の選択であれば、旅行会社によるTVCMやWeb広告、現地の観光局のPR活動、航空会社や鉄道会社によるPR活動など、対象とする企業や団体からの影響は様々なものが挙げられる。

また、本実施の形態においては、選択行動予測装置１０によって、パラメータを推定する場合を例に説明したが、これに限定されるものではなく、選択行動予測装置１０とは別の装置（例えば、選択行動モデル化装置）によって、パラメータを推定するようにしてもよい。この場合には、選択行動モデル化装置は、購買履歴情報格納部１４、ＴＶＣＭ閲覧履歴情報格納部１６、潜在変数推定部４０、及びパラメータ推定部４２を備えるようにすればよい。

また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能であるし、ネットワークを介して提供することも可能である。

１０ 選択行動予測装置
１２ 操作部
１４ 購買履歴情報格納部
１６ ＴＶＣＭ閲覧履歴情報格納部
１８ 予測対象入力部
２０ 演算部
２２ 出力部
３０ 選択行動モデル化部
３２ 個人嗜好パラメータ格納部
３４ ユーザ間影響パラメータ格納部
３６ 企業影響パラメータ格納部
３８ ユーザ固有アイテム選択レート算出部
４０ 潜在変数推定部
４２ パラメータ推定部
１００ 選択行動予測装置

Claims (7)

1. 複数のアイテムの各々に対する、前記アイテムを選択したユーザと、選択行動時刻とを含む選択行動履歴情報、及び前記複数のアイテムの各々に対する、前記アイテムに関する情報を発出した企業又は団体と、前記情報を閲覧したユーザと、情報閲覧時刻とを含む情報閲覧履歴情報を入力とし、
   アイテムに対するユーザの選択行動レートをモデル化した、前記アイテムに対する前記ユーザの個人的嗜好に基づくアイテム選択行動レートと、前記アイテムを選択した他のユーザの各々に対する、前記他のユーザから前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和と、前記企業又は団体が発出した前記アイテムに関する情報を前記ユーザが閲覧した情報閲覧時刻の各々に対する、前記企業又は団体から前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和との和を求めるためのパラメータを推定するパラメータ推定部
   を含む選択行動モデル化装置。
2. 前記パラメータ推定部は、前記企業又は団体から前記ユーザへの影響の大きさに基づくアイテム選択行動レートを、前記企業又は団体の各ユーザに対する普遍的な影響力と、前記企業又は団体から前記ユーザへの相対的な関係の強さと、前記ユーザが前記企業又は団体から発出された情報を閲覧してから前記アイテムを選択するまでの経過時間に基づく減衰度との積とし、
   前記企業又は団体が発出した前記アイテムに関する情報を前記ユーザが閲覧した情報閲覧時刻の各々に対する、前記企業又は団体から前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和を最適化するように、前記企業又は団体から前記ユーザへの影響の大きさを表す前記パラメータを推定する請求項１記載の選択行動モデル化装置。
3. 前記パラメータ推定部は、前記他のユーザから前記ユーザへの影響の大きさに基づくアイテム選択行動レートを、前記アイテムを既に選択した他のユーザの普遍的な影響力と、前記他のユーザから前記ユーザへの相対的な関係の強さと、前記他のユーザが前記アイテムを選択してから前記ユーザが前記アイテムを選択するまでの経過時間に基づく減衰度との積とし、
   前記アイテムを選択した他のユーザの各々に対する、前記他のユーザから前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和を最適化するように、前記他のユーザから前記ユーザへの影響の大きさを表す前記パラメータを推定する請求項１又は２記載の選択行動モデル化装置。
4. 前記パラメータ推定部は、前記アイテムに対する前記ユーザの個人的嗜好に基づくアイテム選択行動レートを、前記アイテムの普遍的な人気度と、前記アイテムに対する前記ユーザの関連の強さとの積とし、前記アイテムに対する前記ユーザの個人的嗜好に基づくアイテム選択行動レートを最適化するように、前記アイテムに対する前記ユーザの個人的嗜好を表す前記パラメータを推定する請求項１〜請求項３の何れか１項記載の選択行動モデル化装置。
5. 予測対象のユーザ及び予測対象時刻を受け付ける入力部と、
   請求項１〜請求項４の何れか１項記載のアイテム選択行動モデル化装置で推定された前記パラメータを用いて、複数のアイテムの各々に対し、他のユーザに関する前記選択行動履歴情報と、前記予測対象のユーザに関する前記情報閲覧履歴情報とに基づいて、前記アイテムに対する前記予測対象のユーザの個人的嗜好に基づくアイテム選択行動レートと、前記予測対象時刻より前に前記アイテムを選択した他のユーザの各々に対する、前記他のユーザから前記予測対象のユーザへの影響の大きさに基づくアイテム選択行動レートの総和と、前記企業又は団体が発出した前記アイテムに関する情報を前記予測対象のユーザが閲覧した、前記予測対象時刻より前の情報閲覧時刻の各々に対する、前記企業又は団体から前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和との和を、前記アイテムに対する前記予測対象時刻における前記予測対象のユーザの選択行動レートとして算出するユーザ固有アイテム選択レート算出部と、
   を含む選択行動予測装置。
6. パラメータ推定部を含む選択行動モデル化装置における選択行動モデル化方法であって、
   前記パラメータ推定部が、複数のアイテムの各々に対する、前記アイテムを選択したユーザと、選択行動時刻とを含む選択行動履歴情報、及び前記複数のアイテムの各々に対する、前記アイテムに関する情報を発出した企業又は団体と、前記情報を閲覧したユーザと、情報閲覧時刻とを含む情報閲覧履歴情報を入力とし、
   アイテムに対するユーザの選択行動レートをモデル化した、前記アイテムに対する前記ユーザの個人的嗜好に基づくアイテム選択行動レートと、前記アイテムを選択した他のユーザの各々に対する、前記他のユーザから前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和と、前記企業又は団体が発出した前記アイテムに関する情報を前記ユーザが閲覧した情報閲覧時刻の各々に対する、前記企業又は団体から前記ユーザへの影響の大きさに基づくアイテム選択行動レートの総和との和を求めるためのパラメータを推定する
   選択行動モデル化方法。
7. コンピュータを、請求項１〜請求項４のいずれか１項記載の選択行動モデル化装置、又は請求項５記載の選択行動予測装置を構成する各部として機能させるためのプログラム。