JP7208286B2

JP7208286B2 - 情報処理装置、情報処理方法及び情報処理プログラム

Info

Publication number: JP7208286B2
Application number: JP2021045288A
Authority: JP
Inventors: 健宏濱田; 和也工藤; 浩彰高田; 佳央中里; 毅郎中野
Original assignee: Yahoo Japan Corp
Current assignee: Yahoo Japan Corp
Priority date: 2021-03-18
Filing date: 2021-03-18
Publication date: 2023-01-18
Anticipated expiration: 2041-03-18
Also published as: JP2022144341A

Description

本発明は、情報処理装置、情報処理方法及び情報処理プログラムに関する。

インターネットの利用が増大し続けるにつれて、ユーザ属性を適切に認識することがますます重要になっている。例えば、あるユーザに近いユーザを推定し、類似ユーザを見つけることで、企業や広告主などがサービスを提供して、新規顧客を開拓・維持するのに役立つ。

従来、インターネットの利用状況からユーザ属性を推定する技術が知られている。

特許第４８１３７４４号公報

しかしながら、上記の従来技術では、ユーザ属性を適切に推定することができない場合があるため、ユーザ属性の推定精度を向上するための更なる改善の余地があった。

本願は、上記に鑑みてなされたものであって、ユーザ属性の推定精度を向上することを目的とする。

本願に係る情報処理装置は、所定の条件を満たす複数のユーザ情報を、類似するベクトルに変換する第１モデルを生成する第１生成部と、前記第１生成部によって生成された第１モデルを用いて変換されたベクトルを集約した集約ベクトルに基づいて、ユーザ属性を推定する第２モデルを生成する第２生成部と、前記第２生成部によって推定されたユーザ属性に基づいて、情報を提供する提供部と、を有することを特徴とする。

実施形態の一態様によれば、ユーザ属性の推定精度を向上することができるという効果を奏する。

図１は、実施形態に係る情報処理システムの構成例を示す図である。図２は、実施形態に係る情報処理の一例を示す図である。図３は、ユーザ行動を時系列で示した情報の一例を示す図である。図４は、実施形態に係る端末装置の構成例を示す図である。図５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６は、実施形態に係るユーザ情報記憶部の一例を示す図である。図７は、実施形態に係るモデル記憶部の一例を示す図である。図８は、実施形態に係る情報処理の一例を示すフローチャートである。図９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、情報処理方法及び情報処理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、情報処理方法及び情報処理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。

（実施形態）
〔１．情報処理システムの構成〕
図１に示す情報処理システム１について説明する。図１に示すように、情報処理システム１は、端末装置１０と、情報処理装置１００とが含まれる。端末装置１０と、情報処理装置１００とは所定の通信網（ネットワークＮ）を介して、有線または無線により通信可能に接続される。図１は、実施形態に係る情報処理システム１の構成例を示す図である。なお、図１に示した情報処理システム１には、複数台の端末装置１０や、複数台の情報処理装置１００が含まれてもよい。

端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、実施形態における処理を実現可能であれば、どのような装置であってもよい。また、端末装置１０は、スマートフォンや、タブレット型端末や、ノート型ＰＣや、デスクトップＰＣや、携帯電話機や、ＰＤＡ等の装置であってもよい。図２に示す例においては、端末装置１０がスマートフォンである場合を示す。

端末装置１０は、例えば、スマートフォンやタブレット等のスマートデバイスであり、３Ｇ（Generation）やＬＴＥ（Long Term Evolution）等の無線通信網を介して任意のサーバ装置と通信を行うことができる携帯端末装置である。また、端末装置１０は、液晶ディスプレイ等の画面であって、タッチパネルの機能を有する画面を有し、ユーザから指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、コンテンツ等の表示データに対する各種の操作を受け付けてもよい。

図２の例では、端末装置１０はユーザＵ１１によって利用される。また、以下では、端末装置１０をユーザＵ１１と表記する場合がある。すなわち、以下では、ユーザＵ１１を端末装置１０と読み替えることもできる。

情報処理装置１００は、各種のデータ収集及び分析を実現するための情報処理装置であり、例えば、サーバ装置やクラウドシステム等により実現される。例えば、情報処理装置１００は、広告配信や商品提案などを行うサービスを管理するために用いられる。情報処理装置１００は、例えば、所定の条件を満たす複数のユーザ情報を、特徴量が類似するベクトルに変換し、変換されたベクトルを集約した集約ベクトルに基づいて、ユーザ属性を推定する機能を有する。情報処理装置１００は、例えば、ＰＣ、ＷＳ（Work Station）等の情報処理装置であり、端末装置１０等からネットワークＮを介して送信されてきた情報に基づいて処理を行う。

なお、図１では、端末装置１０と情報処理装置１００とが、別装置である場合を示すが、端末装置１０と情報処理装置１００とが一体であってもよい。

〔２．情報処理の一例〕
あるユーザに近いユーザを推定し、類似ユーザを見つけ出すことは、企業や広告主などにとって重要である。例えば、広告を選択したなどの、コンバージョンに至ったユーザから同様のコンバージョンに至るユーザを見つけ出すことは重要である。

しかしながら、例えば入力された検索クエリから単純にユーザ属性を推定しようとした場合、推定ベクトルが大きくなり、計算量が膨大になる場合がある。また、例えば検索クエリから直接的に推定ベクトルを分類しようとした場合、スパースな情報になり、推定精度が低下する場合がある。

それゆえ、本願に係る情報処理装置は、所定の条件を満たす複数のユーザ情報を、類似するベクトルに変換する第１モデルを生成する第１生成部と、前記第１生成部によって生成された第１モデルを用いて変換されたベクトルを集約した集約ベクトルに基づいて、ユーザ属性を推定する第２モデルを生成する第２生成部と、を有することを特徴とする。

以下実施形態では、所定の条件を満たす複数のユーザ情報の一例として、検索クエリの入力情報を例に挙げて説明するが、どのようなものであってもよいものとする。例えば、購買行動や位置情報などのユーザ行動に関する情報であってもよいものとする。以下実施形態では、情報処理装置１００が、このようなユーザ情報を、ベクトルに変換し、モデルを生成する場合の処理について説明する。

図２は、実施形態に係る情報処理システム１の情報処理の一例を示す図である。情報処理装置１００は、所定の条件を満たす複数のユーザ情報を取得する（ステップＳ１０１）。例えば、情報処理装置１００は、所定の時間内や同一セッション内で、ユーザが入力した検索クエリに関する情報を取得する。なお、検索クエリは一つに限らず、複数であってもよい。例えば、情報処理装置１００は、ユーザが連続して入力した複数の検索クエリに関する情報を取得してもよい。

テーブルＫＱＤ１１は、取得された検索クエリに関する情報に基づいて生成されたデータテーブルである。テーブルＫＱＤ１１では、データ「ＤＴ１１」によって識別される検索クエリが「ＫＱ１１」及び「ＫＱ１２」である例を示す。

情報処理装置１００は、このように取得された検索クエリを、ｗ２ｖ（ｗｏｒｄ２ｖｅｃ）などの人工知能関連技術を用いてベクトル化し、機械学習を行う（ステップＳ１０２）。例えば、情報処理装置１００は、ユーザが入力した時間帯が近ければ近いほど、類似するベクトルを出力するよう機械学習する。

また、例えば、情報処理装置１００は、検索クエリが属するカテゴリを特定し、特定されたカテゴリが類似すればするほど、類似するベクトルを出力するよう機械学習してもよい。また、例えば、情報処理装置１００は、ユーザが検索した検索先のＵＲＬや、検索先のコンテンツに類似の情報（例えば、カテゴリ、タイトル、企業や商品名など）が含まれれば含まれるほど、類似するベクトルを出力するよう機械学習してもよい。

情報処理装置１００は、意図や属性が類似するなどの関連性を有するユーザ情報を、類似するベクトルに変換することができる。

図２では、情報処理装置１００は、検索クエリＫＱ１１及びＫＱ１２をそれぞれベクトル化したベクトルＶＶ１１及びＶＶ１２が類似するベクトルとして出力するよう学習されたモデルを生成する。なお、以下、特徴量が類似するベクトルを出力するよう学習されたモデルを、適宜、「第１モデル」とする。

テーブルＶＶＤ１１は、第１モデルにより出力された情報に基づいて生成されたデータテーブルである。テーブルＶＶＤ１１では、検索クエリ「ＫＱ１１」によって識別されるベクトルが「ＶＶ１１」である例を示す。

情報処理装置１００は、第１モデルを用いて変換されたベクトルを集約（例えば、結合、合計、重み付き合計など）することにより、集約ベクトルを生成する（ステップＳ１０３）。例えば、情報処理装置１００は、ベクトルＶＶ１１及びＶＶ１２に基づいて、集約ベクトルＳＶ１１を生成する。なお、図２では、説明の便宜上、ベクトルＶＶ１１及びＶＶ１２の２つのベクトルが集約される場合を示すが、集約されるベクトルの数は特に限定されないものとする。

テーブルＳＱＤ１１は、生成された集約ベクトルに関する情報に基づいて生成されたデータテーブルである。テーブルＳＱＤ１１では、集約ベクトル「ＳＱ１１」によって識別されるベクトルが「ＶＶ１１」及び「ＶＶ１２」である例を示す。

情報処理装置１００は、生成された集約ベクトルに基づいて、ユーザ属性を推定する（ステップＳ１０４）。具体的には、情報処理装置１００は、予め属性が既知のユーザの集約ベクトルが入力された際に、その属性を示す情報を出力するよう学習されたモデル（以下、適宜、「第２モデル」とする。）を用いて、ユーザ属性を推定する。なお、第２モデルは、属性種別（例えば、性別、年代、嗜好など）ごとに生成されたものであっても、統合されたものであってもよいものとする。

テーブルＵＺＤ１１は、推定されたユーザ属性に関する情報に基づいて生成されたデータテーブルである。テーブルＵＺＤ１１では、ユーザ「Ｕ１１」によって識別されるユーザ属性が「ユーザ属性＃１１」である例を示す。

情報処理装置１００は、第２モデルを用いて推定されたユーザ属性に基づいて、そのユーザに適した広告配信や商品提案などを提供するための処理を行う（ステップＳ１０５）。

このように、情報処理装置１００は、ベクトルの変換をユーザ属性の推定と切り離して個別に行うことができるため、例えば、第１モデルを再学習する際も、第２モデルの再学習を不要とすることができる。換言すると、情報処理装置１００は、ユーザ情報を分散表現空間に投影し、投影結果を更に属性空間に投影する。このため、情報処理装置１００は、空間が遮断されているので、一方の更新を容易に行うことができる。それゆえ、情報処理装置１００は、新たなユーザ情報が追加されて第１モデルを再学習する場合でも、第２モデルの再学習を不要とすることができる。

上記実施形態において、情報処理装置１００は、ＬＳＴＭやＲＮＮなどの人工知能関連技術を用いて、ユーザ情報の順序を考慮した第１モデルを生成してもよい。

上記実施形態において、情報処理装置１００は、時系列を学習し、時系列を再現するような第１モデルを生成することにより、入力順序を考慮した集約ベクトルを生成してもよい。例えば、情報処理装置１００は、ＢＥＲＴ（ＢｉｄｉｒｅｃｔｉｏｎａｌＥｎｃｏｄｅｒＲｅｐｒｅｓｅｎｔａｔｉｏｎｓｆｒｏｍＴｒａｎｓｆｏｒｍｅｒｓ）などの自然言語処理技術を用いて、集約ベクトルを生成してもよい。

図３は、ユーザ行動を時系列で示した情報の一例を示す図である。図３では、それぞれのユーザ行動を、ＢＥＲＴと第１モデルとを用いてベクトル化した情報が表示されている。例えば、「ｖｅｃ１」は、１２月１日に行われた「ＡＡＡ」検索のユーザ行動に対応したベクトルである。また、例えば、「ｖｅｃ２」は、１２月１日に行われたカービューエコカーカテゴリ閲覧のユーザ行動に対応したベクトルである。また、例えば、「ｖｅｃ３」は、１２月１日に行われた「ＢＢＢＢ」ＨＰ閲覧のユーザ行動に対応したベクトルである。

続けて、例えば、「ｖｅｃ４」は、１２月２日に行われた「ＣＣＣ」不動産の新築閲覧のユーザ行動に対応したベクトルである。また、例えば、「ｖｅｃ５」は、１２月２日に行われた「ＤＤ」不動産のマンションＨＰ閲覧のユーザ行動に対応したベクトルである。また、例えば、「ｖｅｃ６」は、１２月２日に行われた「マンション都内」検索のユーザ行動に対応したベクトルである。また、例えば、「ｖｅｃ７」は、１２月２日に行われた住宅ローン関連ニュース閲覧のユーザ行動に対応したベクトルである。

続けて、例えば、「ｖｅｃ８」は、１２月３日に行われた「ＥＥＥＥ」カメラカテゴリの落札のユーザ行動に対応したベクトルである。

情報処理装置１００は、ｖｅｃ１乃至ｖｅｃ８を集約することで、時系列を考慮した集約ベクトルを生成してもよい。

上記実施形態において、情報処理装置１００は、３０日や３６０日などの直近の特徴や一般的な平均的特徴など、それぞれ個別に集約ベクトルを生成し、複数の集約ベクトルから別々にユーザ属性を推定するために、期間ごとに異なる第２モデルを生成してもよい。

上記実施形態において、情報処理装置１００は、ユーザ属性の推定の一例として、年収推定を行ってもよい。例えば、情報処理装置１００は、予め年収が既知のユーザの年収情報を正解データとして学習することにより生成された第２モデルを用いて、対象となるユーザの年収推定を行ってもよい。

上記実施形態において、情報処理装置１００は、予め属性が既知のユーザのユーザ情報を用いて、機械学習で２値分類を解くことで、分類推定を行ってもよい。例えば、情報処理装置１００は、性別が既知のユーザの性別情報を用いて、性別推定を行ってもよい。また、情報処理装置１００は、複数の属性の組み合わせに基づく分類推定を行ってもよい。

情報処理装置１００は、例えば、「性別：男性」及び「年代：４０代」を正例とし、それ以外を負例とすることで、性別と年代との複数の属性の組み合わせに基づく分類推定を行ってもよい。また、情報処理装置１００は、例えば、性別を推定する第２モデルと年代を推定する第２モデルとから出力されたそれぞれのスコアを掛け合わせることで、性別と年代との複数の属性の組み合わせに基づく分類推定を行ってもよい。

〔３．端末装置の構成〕
次に、図４を用いて、実施形態に係る端末装置１０の構成について説明する。図４は、実施形態に係る端末装置１０の構成例を示す図である。図４に示すように、端末装置１０は、通信部１１と、入力部１２と、出力部１３と、制御部１４とを有する。

（通信部１１）
通信部１１は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１は、所定のネットワークＮと有線又は無線で接続され、所定のネットワークＮを介して、情報処理装置１００等との間で情報の送受信を行う。

（入力部１２）
入力部１２は、ユーザからの各種操作を受け付ける。図２に示す例では、ユーザＵ１１からの各種操作を受け付ける。例えば、入力部１２は、タッチパネル機能により表示面を介してユーザからの各種操作を受け付けてもよい。また、入力部１２は、端末装置１０に設けられたボタンや、端末装置１０に接続されたキーボードやマウスからの各種操作を受け付けてもよい。

（出力部１３）
出力部１３は、例えば液晶ディスプレイや有機ＥＬ（Electro-Luminescence）ディスプレイ等によって実現されるタブレット端末等の表示画面であり、各種情報を表示するための表示装置である。例えば、出力部１３は、情報処理装置１００から送信された情報を表示する。

（制御部１４）
制御部１４は、例えば、コントローラ（controller）であり、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、端末装置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（Random Access Memory)を作業領域として実行されることにより実現される。例えば、この各種プログラムには、端末装置１０にインストールされたアプリケーションのプログラムが含まれる。例えば、この各種プログラムには、ユーザ行動に関する情報を情報処理装置１００に送信するアプリケーションのプログラムが含まれる。また、制御部１４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４に示すように、制御部１４は、受信部１４１と、送信部１４２とを有し、以下に説明する情報処理の作用を実現または実行する。

（受信部１４１）
受信部１４１は、各種情報を受信する。受信部１４１は、外部の情報処理装置から各種情報を受信する。受信部１４１は、情報処理装置１００等の他の情報処理装置から各種情報を受信する。例えば、受信部１４１は、広告配信や商品提案するためのコンテンツを受信する。

（送信部１４２）
送信部１４２は、外部の情報処理装置へ各種情報を送信する。送信部１４２は、情報処理装置１００等の他の情報処理装置へ各種情報を送信する。例えば、送信部１４２は、ユーザ情報を送信する。例えば、送信部１４２は、検索クエリの入力などのユーザ行動に関する情報を送信する。

〔４．情報処理装置の構成〕
次に、図５を用いて、実施形態に係る情報処理装置１００の構成について説明する。図５は、実施形態に係る情報処理装置１００の構成例を示す図である。図５に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、情報処理装置１００は、情報処理装置１００の管理者から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ等によって実現される。そして、通信部１１０は、ネットワークＮと有線又は無線で接続され、ネットワークＮを介して、端末装置１０等との間で情報の送受信を行う。

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ、フラッシュメモリ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。図５に示すように、記憶部１２０は、ユーザ情報記憶部１２１と、モデル記憶部１２２とを有する。

ユーザ情報記憶部１２１は、ユーザ行動などのユーザ情報を記憶する。ここで、図６に、実施形態に係るユーザ情報記憶部１２１の一例を示す。図６に示すように、ユーザ情報記憶部１２１は、「ユーザＩＤ」、「ユーザ情報１」、「ユーザ情報２」といった項目を有する。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。「ユーザ情報１」及び「ユーザ情報２」は、ユーザ情報を示す。図６に示す例では、「ユーザ情報１」に「ユーザ情報＃１１」や「ユーザ情報＃１２」といった概念的な情報が格納される例を示したが、実際には、検索クエリや購買履歴に関する情報などが格納される。なお、「ユーザ情報２」には、「ユーザ情報１」とは異なる情報が格納される。

すなわち、図６では、ユーザＩＤ「Ｕ１１」によって識別されるユーザのユーザ情報が「ユーザ情報＃１１」及び「ユーザ情報＃１２」である例を示す。

モデル記憶部１２２は、第１モデルや第２モデルに関する情報を記憶する。ここで、図７に、実施形態に係るモデル記憶部１２２の一例を示す。図７に示すように、モデル記憶部１２２は、「モデルＩＤ」、「モデル（算出式）」といった項目を有する。

「モデルＩＤ」は、モデルを識別するための識別情報を示す。「モデル（算出式）」は、モデルの算出式を示す。図７に示す例では、「モデル（算出式）」に「モデル＃１１」や「モデル＃１２」といった概念的な情報が格納される例を示したが、実際には、算出式の情報などが格納される。

すなわち、図７では、モデルＩＤ「ＭＤ１１」によって識別されるモデルの算出式が「モデル＃１１」である例を示す。

（制御部１３０）
制御部１３０は、コントローラであり、例えば、ＣＰＵやＭＰＵ等によって、情報処理装置１００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１３０は、コントローラであり、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現される。

図５に示すように、制御部１３０は、取得部１３１と、第１生成部１３２と、第２生成部１３３と、推定部１３４と、提供部１３５とを有し、以下に説明する情報処理の作用を実現または実行する。なお、制御部１３０の内部構成は、図５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１３１）
取得部１３１は、各種情報を取得する。取得部１３１は、外部の情報処理装置から各種情報を取得する。取得部１３１は、端末装置１０等の他の情報処理装置から各種情報を取得する。

取得部１３１は、記憶部１２０から各種情報を取得する。取得部１３１は、ユーザ情報記憶部１２１やモデル記憶部１２２から各種情報を取得する。また、取得部１３１は、取得した各種情報を記憶部１２０に格納する。取得部１３１は、ユーザ情報記憶部１２１やモデル記憶部１２２に各種情報を格納する。

取得部１３１は、ユーザ情報を取得する。例えば、取得部１３１は、ユーザが入力した検索クエリなどのユーザ行動に関する情報を取得する。

（第１生成部１３２）
第１生成部１３２は、取得部１３１により取得されたユーザ情報に基づいて、所定の条件を満たす複数のユーザ情報を入力すると、特徴量が類似するベクトルを出力するよう学習された第１モデルを生成する。

（第２生成部１３３）
第２生成部１３３は、第１生成部１３２により生成された第１モデルを用いて変換されたベクトルを集約した集約ベクトルを入力すると、ユーザ属性を示す情報を出力する第２モデルを生成する。

第２生成部１３３は、予め属性が既知のユーザの集約ベクトルが入力された際に、その属性を示す情報を出力するよう学習された第２モデルを生成する。

（推定部１３４）
推定部１３４は、第２生成部１３３により生成された第２モデルを用いて出力された情報に基づいて、ユーザ属性を推定する。

（提供部１３５）
提供部１３５は、推定部１３４により推定された推定結果に基づいて、情報を提供（送信）する。例えば、提供部１３５は、推定されたユーザ属性に基づいて、ユーザに適した情報を提供する。例えば、提供部１３５は、ユーザの性別、年代、嗜好に適した情報を提供する。

〔５．情報処理のフロー〕
次に、図８を用いて、実施形態に係る情報処理システム１による情報処理の手順について説明する。図８は、実施形態に係る情報処理システム１による情報処理の手順を示すフローチャートである。

図８に示すように、情報処理装置１００は、所定の条件を満たす複数のユーザ情報を取得する（ステップＳ２０１）。

情報処理装置１００は、取得された複数のユーザ情報を第１モデルに入力することにより、ベクトルに変換する（ステップＳ２０２）。

情報処理装置１００は、変換されたベクトルを集約して集約ベクトルを生成する（ステップＳ２０３）。

情報処理装置１００は、生成された集約ベクトルを第２モデルに入力することにより出力された情報に基づいて、ユーザ属性を推定する（ステップＳ２０４）。

情報処理装置１００は、推定されたユーザ属性に基づいて、情報を提供する（ステップＳ２０５）。

〔６．効果〕
上述してきたように、実施形態に係る情報処理装置１００は、第１生成部１３２と、第２生成部１３３と、提供部１３５とを有する。第１生成部１３２は、所定の条件を満たす複数のユーザ情報を、類似するベクトルに変換する第１モデルを生成する。また、第２生成部１３３は、第１生成部１３２によって生成された第１モデルを用いて変換されたベクトルを集約した集約ベクトルに基づいて、ユーザ属性を推定する第２モデルを生成する。また、提供部１３５は、第２生成部１３３によって推定されたユーザ属性に基づいて、情報を提供する。

これにより、実施形態に係る情報処理装置１００は、意図や属性が類似するなどの関連性を有するユーザ情報を、類似するベクトルに変換することができるため、スパースな情報になり、推定精度が低下する恐れを抑制することができる。また、実施形態に係る情報処理装置１００は、ベクトルの変換をユーザ属性の推定と切り離して個別に行うことができるため、第１モデルを再学習する際も、第２モデルの再学習を不要とすることができる。

また、第１生成部１３２は、所定の時間内又は同一セッション内に行われた複数のユーザ行動のユーザ情報、若しくは、複数のユーザ行動の連続性に関する所定の条件を満たすユーザ情報を、類似するベクトルに変換する第１モデルを生成する。

これにより、実施形態に係る情報処理装置１００は、より関連性を有するユーザ情報を類似するベクトルに変換することができるため、ユーザ属性の推定精度を向上することができる。

また、第１生成部１３２は、ユーザ行動の行動結果に基づくコンテンツに紐づく情報に関する所定の条件を満たすユーザ情報を、類似するベクトルに変換する第１モデルを生成する。

また、第２生成部１３３は、予め属性が既知のユーザの集約ベクトルを入力すると、属性を示す情報を出力するよう学習された第２モデルを生成する。

これにより、実施形態に係る情報処理装置１００は、ユーザ属性の推定精度の向上を促進することができる。

また、第２生成部１３３は、一の属性を推定する一の第２モデルと、二の属性を推定する二の第２モデルとから出力されたそれぞれの情報に基づいて、複数の属性の組み合わせに基づくユーザ属性を推定する第２モデルを生成する。

これにより、実施形態に係る情報処理装置１００は、複数の属性を組み合わせたユーザ属性の推定精度を向上することができる。

また、第１生成部１３２は、時系列を学習し再現可能な自然言語処理技術に基づいて変換された、時間的特徴を有するベクトルを集約した集約ベクトルに基づいて、第２モデルを生成する。

これにより、実施形態に係る情報処理装置１００は、時系列を考慮しながら、ユーザ属性を推定することができる。

〔７．ハードウェア構成〕
また、上述してきた実施形態に係る端末装置１０及び情報処理装置１００は、例えば、図９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９は、端末装置１０及び情報処理装置１００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を有する。

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が実施形態に係る端末装置１０及び情報処理装置１００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１４および１３０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。

〔８．その他〕
また、上記実施形態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。

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。

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、取得部は、取得手段や取得回路に読み替えることができる。

１情報処理システム
１０端末装置
１００情報処理装置
１１０通信部
１２０記憶部
１２１ユーザ情報記憶部
１２２モデル記憶部
１３０制御部
１３１取得部
１３２第１生成部
１３３第２生成部
１３４推定部
１３５提供部
Ｎネットワーク

Claims

所定の条件を満たす複数のユーザ情報である検索クエリの入力情報を、類似するベクトルに変換する第１モデルを生成する第１生成部と、
前記第１生成部によって生成された第１モデルを用いて変換されたベクトルを集約した集約ベクトルに基づいて、ユーザ属性を推定する第２モデルを生成する第２生成部と、
前記第２生成部によって推定されたユーザ属性に基づいて、情報を提供する提供部と、
を有することを特徴とする情報処理装置。
前記第１生成部は、
所定の時間内又は同一セッション内に行われた複数のユーザ行動のユーザ情報、若しくは、複数のユーザ行動の連続性に関する所定の条件を満たすユーザ情報を、類似するベクトルに変換する第１モデルを生成する
ことを特徴とする請求項１に記載の情報処理装置。
前記第１生成部は、
ユーザ行動の行動結果に基づくコンテンツに紐づく情報に関する所定の条件を満たすユーザ情報を、類似するベクトルに変換する第１モデルを生成する
ことを特徴とする請求項１又は２に記載の情報処理装置。
前記第２生成部は、
予め属性が既知のユーザの集約ベクトルを入力すると、当該属性を示す情報を出力するよう学習された第２モデルを生成する
ことを特徴とする請求項１～３のいずれか１項に記載の情報処理装置。
前記第２生成部は、
一の属性を推定する一の第２モデルと、二の属性を推定する二の第２モデルとから出力されたそれぞれの情報に基づいて、複数の属性の組み合わせに基づくユーザ属性を推定する第２モデルを生成する
ことを特徴とする請求項１～４のいずれか１項に記載の情報処理装置。
前記第２生成部は、
時系列を学習し再現可能な自然言語処理技術に基づいて変換された、時間的特徴を有するベクトルを集約した集約ベクトルに基づいて、前記第２モデルを生成する
ことを特徴とする請求項１～５のいずれか１項に記載の情報処理装置。
コンピュータが実行する情報処理方法であって、
所定の条件を満たす複数のユーザ情報である検索クエリの入力情報を、類似するベクトルに変換する第１モデルを生成する第１生成工程と、
前記第１生成工程によって生成された第１モデルを用いて変換されたベクトルを集約した集約ベクトルに基づいて、ユーザ属性を推定する第２モデルを生成する第２生成工程と、
前記第２生成工程によって推定されたユーザ属性に基づいて、情報を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。
所定の条件を満たす複数のユーザ情報である検索クエリの入力情報を、類似するベクトルに変換する第１モデルを生成する第１生成手順と、
前記第１生成手順によって生成された第１モデルを用いて変換されたベクトルを集約した集約ベクトルに基づいて、ユーザ属性を推定する第２モデルを生成する第２生成手順と、
前記第２生成手順によって推定されたユーザ属性に基づいて、情報を提供する提供手順と、
をコンピュータに実行させることを特徴とする情報処理プログラム。