CN111902836A - 基于顾客属性信息进行建议的装置、方法、及程序 - Google Patents

Abstract

一种装置，其具备：用于针对多个对象的各个分别用以连接至存储和多个属性相对应的多个属性值的属性数据库的属性数据库连接部；用于针对多个对象中的第1对象，基于多个属性值的至少一个来决定是否建议商品等的建议决定部；用于决定对第1对象建议商品等的建议方法的建议方法决定部；用于取得对于第1对象的建议结果的建议结果取得部；用于将建议结果赋予和属性数据库的多个属性中的至少一部分的属性关联并予以储存的建议结果储存部；以及用于生成：使用包含有以建议结果作为至少一部分的属性的属性值的属性数据库来选择建议方法的建议模型的建议模型生成部。

Description

基于顾客属性信息进行建议的装置、方法、及程序

技术领域

本发明涉及基于顾客属性信息进行建议的装置、方法、及程序。

背景技术

以往，已知一种搜集和顾客有关的数据并加以解析的系统(例，参照专利文献1)。以诸如此类的系统所解析的数据可使用于对顾客给予建议、及市场调查等。

专利文献1特开2015－76076号公报

发明内容

近年来，对于将和顾客有关的数据加以解析而活用来提供商品及/或服务的建议的期待日益提高，而且一直期望更进一步地提高建议的效果。

为了解决上述课题，在本发明的第1态样中，提供一种装置，其针对多个对象的各个，用于连接存储和多个属性相对应的多个属性值的属性数据库的属性数据库连接部；针对多个对象中的第1对象，基于多个属性值的至少一个，决定是否建议商品及服务中的至少一方的建议决定部；用于决定给第1对象建议商品及服务中的至少一方的建议方法的建议方法决定部；用于取得对于第1对象的以建议方法所决定的建议结果的建议结果取得部；用于将以建议方法所决定的建议结果和属性数据库的多个属性中的至少一部分的属性赋予关联并予以储存的建议结果储存部，以及用于生成使用包含有将以建议方法所决定的建议结果作为至少一部分的属性的属性值的属性数据库来选择建议方法的建议模型的建议模型生成部。

建议方法决定部对于第2对象，使用所述建议模型来决定建议商品及服务中的至少一方的建议方法。

建议方法决定部对于多个所述第1对象中的每一部分决定相互不同的建议方法。

建议方法决定部决定以使用电子邮件、网络广告、直接邮件、对所述第1对象发行的收据的印刷、及电视广告中的至少一个来作为对所述第1对象的建议方法。

建议方法决定部决定以提供商品及服务中的至少一方的折扣、优惠券的给予、及点数给予中的至少一方的激励诱因来作为对所述第1对象的建议方法。

装置，其具备：环境信息取得部，其为用以取得显示所述第2对象所放置的环境的环境信息；及群组选择部，其为基于所述第2对象的所述环境信息，从商品及服务中的至少一方的多个群组之中选择所建议的群组；所述建议决定部基于所述第2对象的所述多个属性值中的至少一个，从所述群组选择部选择的群组所包含的商品及服务中的至少一方中，来决定对所述第2对象建议的商品及服务中的至少一方。

群组选择部从所述多个群组之中，比较优先地选择：多个店铺之中比较靠近所述第2对象的现在位置的店铺所对应的群组。

群组选择部更进一步基于所述第2对象的所述多个店铺的各个最终利用时日、或从最终利用起的经过期间，从所述多个群组之中来选择建议的群组。

建议方法决定部更进一步基于所述第2对象的所述环境信息来决定所述建议方法。

在本发明的第2态样中，提供一种方法，其具备：以计算机对于多个对象中的第1对象，针对多个对象的各个，基于用以存储和多个属性相对应的多个属性值的属性数据库的多个属性值中的至少一个，决定是否建议商品及服务中的至少一方的建议决定阶段；以计算机来决定对于第1对象建议商品及服务中的至少一方的建议方法的建议方法决定阶段；以计算机来取得对于第1对象的以建议方法所决定的建议结果的建议结果取得阶段；以计算机将以建议方法所决定的建议结果、和属性数据库的多个属性中的至少一部分的属性赋予关联并予以储存的建议结果储存阶段；及以计算机使用包含有将以建议方法所决定的建议结果作为至少一部分的属性的属性值的属性数据库，来生成选择建议方法的建议模型的建议模型生成阶段。

建议方法决定步骤中，对于第2对象，使用所述建议模型来决定建议商品及服务中的至少一方的建议方法。

建议方法决定步骤中，对于多个所述第1对象中的每一部分决定相互不同的建议方法。

建议方法决定步骤中，决定以使用电子邮件、网络广告、直接邮件、对所述第1对象发行的收据的印刷、及电视广告中的至少一个来作为对所述第1对象的建议方法。

建议方法决定步骤中，决定以提供商品及服务中的至少一方的折扣、优惠券的给予、及点数给予中的至少一方的激励诱因来作为对所述第1对象的建议方法。

方法，包括：环境信息取得步骤，其中取得显示所述第2对象所放置的环境的环境信息；群组选择步骤，其中基于所述第2对象的所述环境信息，从商品及服务中的至少一方的多个群组之中选择所建议的群组；所述建议决定步骤中，基于所述第2对象的所述多个属性值中的至少一个，从所述群组选择部选择的群组所包含的商品及服务中的至少一方中，来决定对所述第2对象建议的商品及服务中的至少一方。

群组选择步骤中，从所述多个群组之中，比较优先地选择：多个店铺之中比较靠近所述第2对象的现在位置的店铺所对应的群组。

群组选择步骤中，更进一步基于所述第2对象的所述多个店铺的各个最终利用时日、或从最终利用起的经过期间，从所述多个群组之中来选择建议的群组。

建议方法决定步骤中，更进一步基于所述第2对象的所述环境信息来决定所述建议方法。

在本发明的第3态样中，提供一种程序，其以计算机来执行并使计算机发挥以下功能：针对多个对象的各个，连接于用以存储和多个属性相对应的多个属性值的属性数据库的属性数据库连接部；对于多个对象中的第1对象，基于多个属性值中的至少一个，来决定是否建议商品及服务中的至少一方的建议决定部；用于决定对第1对象建议商品及服务中的至少一方的建议方法的建议方法决定部；用于取得对第1对象的以建议方法所决定的建议结果的建议结果取得部；用于将以建议方法所决定的建议结果、和属性数据库的多个属性中的至少一部分的属性赋予关联并予以储存的建议结果储存部；以及使用包含有以建议方法所决定的建议结果作为至少一部分的属性的属性值的属性数据库，来生成用于选择建议方法的建议模型的建议模型生成部。

建议方法决定部对于第2对象，使用所述建议模型来决定建议商品及服务中的至少一方的建议方法。

建议方法决定部对于多个所述第1对象中的每一部分决定相互不同的建议方法。

建议方法决定部决定以使用电子邮件、网络广告、直接邮件、对所述第1对象发行的收据的印刷、及电视广告中的至少一个来作为对所述第1对象的建议方法。

建议方法决定部决定以提供商品及服务中的至少一方的折扣、优惠券的给予、及点数给予中的至少一方的激励诱因来作为对所述第1对象的建议方法。

装置，其具备：环境信息取得部，其为用以取得显示所述第2对象所放置的环境的环境信息；及群组选择部，其为基于所述第2对象的所述环境信息，从商品及服务中的至少一方的多个群组之中选择所建议的群组；所述建议决定部基于所述第2对象的所述多个属性值中的至少一个，从所述群组选择部选择的群组所包含的商品及服务中的至少一方中，来决定对所述第2对象建议的商品及服务中的至少一方。

群组选择部从所述多个群组之中，比较优先地选择：多个店铺之中比较靠近所述第2对象的现在位置的店铺所对应的群组。

群组选择部更进一步基于所述第2对象的所述多个店铺的各个最终利用时日、或从最终利用起的经过期间，从所述多个群组之中来选择建议的群组。

建议方法决定部更进一步基于所述第2对象的所述环境信息来决定所述建议方法。

另外，上述的发明概要并不是列举了本发明所必要的全部特征。另外，这些特征群的次组合(sub-combination)也还算是一发明。

附图说明

图1一并显示本实施形态有关的系统100的构成及终端112、终端152、及终端192。

图2显示在本实施形态有关的属性DB122及属性DB167中所储存的数据构造的一例子。

图3显示本实施形态有关的预测模型生成装置150的动作流程。

图4显示本实施形态有关的属性预测模型生成部180所生成的属性预测模型的评价结果的一例子。

图5显示本实施形态有关的属性预测模型选择部185所生成的属性预测模型的选择结果的一例子。

图6显示本实施形态有关的属性预测装置110中的属性信息取得流程。

图7显示本实施形态有关的属性预测装置110中的属性预测流程。

图8显示预测对象属性的依附关系的一例子。

图9显示本实施形态有关的系统100中的属性追加流程。

图10一同显示本实施形态有关的建议处理装置190的构成和终端192。

图11显示本实施形态有关的建议DB980中所储存的数据构造的一例子。

图12显示本实施形态有关的建议处理装置190的建议处理流程。

图13显示本实施形态有关的计算机1900的构成的一例子。

具体实施方式

以下，虽然是通过发明的实施形态来说明本发明；然而，以下的实施形态并不是用来限定申请专利范围中有关的发明。又，实施形态之中所说明的特征的全部组合也不应限定为发明的解决手段所必须者。

图1一并显示本实施形态有关的系统100的构成和终端112、终端152、及终端192。系统100将点数服务等的加入者、或会员等的各对象的属性数据(亦表示为“属性信息”)登录于属性数据库(属性DB)来加以管理。系统100生成以预测在属性DB中未取得属性数据的属性为主的属性预测模型，来预测属性值。再者，系统100能够将含有所预测的属性值的属性DB活用于商品或服务(以下总称为“商品等”)的建议及市场调查等。

系统100具备属性预测装置110、预测模型生成装置150、以及建议处理装置190。系统100可以藉由服务器/计算机等的计算机来实现；也可以是以多个计算机来实现的系统；也可以是以地域分散的多个计算机来实现的分散系统。系统100用于管理：1事业者所提供的点数系统、包括多个事业者所共通的共通点数系统、信用卡、电子货币、及其他的任意的会员服务的各会员等的对象的属性信息。

属性预测装置110输入并登录对象的属性信息，主要基于所登录的属性信息来预测未知的属性信息。为了能够与属性信息是否为已知或未知无关地对于多个对象间的属性值进行比较，本实施形态有关的属性预测装置110也对于属性信息为已知的对象来预测其属性信息。属性预测装置110具有属性信息取得部115、属性DB连接部120、属性DB122、维度减缩部125、减缩DB连接部130、减缩DB132、属性预测部135、属性值更新部140、以及属性预测值更新部142。

属性信息取得部115取得对象的属性信息后，透过属性DB连接部120而储存于属性DB122。列举一例子，例如，对象的属性信息的来源可以是在新规会员登录之际对象所必须或任意记入或输入的信息、对于会员调查问卷的对象的回答、店铺等之中因应对象所购买商品等的决策信息、电子商务交易网址中因应对象所购买的商品等的决策信息、对象所访问的Web网址的信息、对象以Web网址上所访问的网络广告(Web广告)的信息、及、对象所视听到的电视番组的信息等的至少一种；收到对象的同意后所提供的。属性信息取得部115可以是藉由在定期等的任意的时间点，通过属性DB连接部120而接取属性DB122，检索对于至少一个属性的属性值为未知的对象，通过Web网址等进行会员调查问卷，主动积极地搜集未知的属性值。

属性DB连接部120连接于属性DB122，从系统100内的各部处理对于属性DB122的接取(访问)。属性DB122针对多个对象的各个，存储和多个属性相对应的包含有多个属性值的属性信息。属性DB122可以是藉由连接到进行系统100的处理的计算机的硬盘驱动器等的外部存储装置中至少一部分的存储区域来实现；例如，可以是藉由云端储存服务等所提供的系统100的外部的存储装置来实现。

维度减缩部125基于在属性DB122所存储的多个对象的各个的多个属性值，来减缩多个属性的维度。列举一例子，例如，维度减缩部125使用主题模型来计算出：在属性DB122所包含的各对象的属性信息为表示相当于多个主题的各个的程度或确率的多个值。再者，维度减缩部125将所计算出的多个值追加来作为相对于各对象的属性信息的维度减缩用的多个属性。借此，维度减缩部125就能够将构成对象的属性信息的多数个属性减缩成为较少的数量的各主题的属性。伴随于此，维度减缩部125就可以从属性预测模型的说明变量中移除：在维度减缩用所追加的多个属性以外的属性中的至少一部分或全部。维度减缩部125适用于对属性DB122进行上述的维度减缩处理而转换成减缩DB132。

减缩DB连接部130连接至减缩DB132，用以处理：由维度减缩部125向减缩DB132的写入接取、及自属性预测部135的减缩DB132的读出接取。减缩DB132针对多个对象的各个，至少一部分包含有经维度减缩部125所减缩的属性的与多个属性相对应的多个属性值作为属性信息而加以存储。减缩DB132也是和属性DB122同样地，可以是藉由与进行系统100的处理的计算机相连接的外部存储装置来实现；也可以是藉由系统100的外部的云端储存服务等所提供的存储装置来实现。

属性预测部135从预测模型生成装置150接收：对于在属性DB122中的预测对象的1或2以上的属性(表示为“预测对象属性”)的各个所选择的属性预测模型。再者，属性预测部135使用所接收的属性预测模型，针对多个对象的各个来预测预测对象属性的属性值。更具体而言，属性预测部135针对全对象或至少一部分的对象的各个，对于每一预测对象属性执行所选择的属性预测模型，基于在减缩DB132所储存的各对象的属性信息而计算出的预测对象属性的预测值。属性预测部135通过属性DB连接部120而将所计算出的预测值储存于属性DB122。

另外，本实施形态有关的属性DB122对于多个属性的各个赋予关联，将基于属性信息取得部115所取得的属性信息已知的属性值、及经由属性预测部135所预测的预测值的两者作为广义的属性值并加以储存。在本实施形态中，为了说明上的方便，属性DB122使用相同的表现形式来储存已知的属性值与预测值。在此种情况下，属性信息取得部115将所取得的属性信息的生数据的表现形式加以转换；属性DB122将表现形式已被转换的属性值加以储存而作为已知的属性值。例如，属性信息取得部115将作为属性信息的生数据所取得的绝对评价的属性值转换为相对评价的属性值；属性DB122可以储存：被转换成相对评价的属性值。诸如此类的例子，举例来说，例如，有的情况是属性DB122可以将转换成年龄为已知的全对象中的相对值(例如，偏差值或百分比排序(percentile ranking)等)的属性值加以储存，来替代以35岁等的绝对评价表示的对象的年龄。别的例子，举例来说，例如，有的情况是属性DB122可以对于对象的性别，将转换成男性的确率、或男性的可能性的偏差值等的属性值。在此处，属性DB122可经由和转换后的已知的属性值同样地也属性的预测值以偏差值、百分比排序、或确率等的表现形式加以储存，而能够得到已知的属性值和预测值之间的互换性。借此，系统100、在属性预测模型的生成中将已知的属性值作为说明变量来使用；在属性预测模型的使用时亦能够将预测值作为说明变量来使用。该结果，即使是针对成为属性预测模型的说明变量的至少一部分的属性无法得到已知的属性值的对象，属性预测装置110也是能够使用该属性预测模型来预测：预测对象属性的属性值。

另外，属性DB122可以是以转换前的表现形式来储存已知的属性值，以转换后的表现形式来储存预测值的形态等、其他的各种形态来实现。即使是在诸如此类的情况下，系统100可以是在每次参照预测值来替代已知的属性值，由预测值的表现形式转换成已知的属性值的表现形式，能够以相同的表现形式来储存已知的属性值及预测值的情况执行同样的动作。又，除了表现形式已转换的已知的属性值以外，属性DB122也可以是将属性信息取得部115所取得的属性信息的生数据也另外加以储存。

属性值更新部140以在属性DB122所储存的某一属性的预测值的准确度在阈值以上为条件，基于预测值来属性更新该属性值。借此，在预测值的准确度十分高的情况下，就能够基于预测值而来设定未取得的属性值。

属性预测值更新部142在属性DB122所储存的某一属性的属性值为已知的情况下，随着该属性的预测值为自已知的属性值偏离基准以上的事态，基于已知的属性值来更新该属性的预测值。借此，针对一部分的对象，在预测值为大大地偏离已知的属性值的情况，能够将预测值改写成比较正确的值。

又，属性预测装置110也可以是具有属性数据取得部144和属性追加部146。属性数据取得部144针对多个对象中的至少一部分，取得用以表示在属性数据库应追加的追加属性的已知的属性值的已知信息。例如，属性数据取得部144为通过终端112自系统100或属性预测装置110的用户等接收已知信息。

属性追加部146将追加属性追加于属性DB122的多个属性。属性追加部146基于属性数据取得部144所取得的已知信息中所表示的属性值，来设定已知信息中所含的各对象的追加属性的已知的属性值。对于在已知信息中未显示已知的属性值的对象而言，属性追加部146不设定已知的属性值。

当追加属性被追加于属性DB122时，则系统100可以将追加属性作为预测对象属性来处理。即，预测模型生成装置150可以是藉由属性预测模型生成部180来生成用于预测预测对象属性的属性值的1个或多个属性预测模型，以将追加属性作为预测对象属性。又，预测模型生成装置150可以是在生成多个属性预测模型的情况下，基于个别的预测误差，藉由属性预测模型选择部185来选择：用于预测对象属性的属性值的预测的属性预测模型。

预测模型生成装置150生成用于预测在属性DB122中成为预测对象的1或2以上的各个属性的属性预测模型。预测模型生成装置150具有模型更新指示部155、采样部160、属性DB连接部165、属性DB167、维度减缩部170、减缩DB连接部175、减缩DB177、属性预测模型生成部180、以及属性预测模型选择部185。

随着经过一预定的期间以后，模型更新指示部155乃因而指示：更新属性预测装置110所使用的属性预测模型。模型更新指示部155，例如，在更新前次属性预测模型起经过1日、1周、或1个月等的期间后，藉由触发对于采样部160处理开始等来指示属性预测模型的更新。取而代之，模型更新指示部155也可以是在该期间之内，对于属性预测模型选择部185指示：随着该期间恰好经过的事况而将在预测模型生成装置150内已经准备的属性预测模型传送到属性预测装置110的事。

采样部160对于属性DB122已储存属性信息的多个对象中的一部分的对象进行采样，并通过属性DB连接部165将所采样的对象赋于关联而储存于属性DB122的属性信息储存或复制到属性DB167。在此处、采样部160可以是在属性DB122登录的对象之中，从预测对象属性的属性值为已知的对象之中筛选出于属性预测模型的生成上使用的样本数量分的对象。取而代之，采样部160也可以是从属性DB122登录的对象之中，随机地筛选出于属性预测模型的生成上使用的样本数量分的对象。

属性DB连接部165与属性DB167连接，从预测模型生成装置150内的各部分来进行对于属性DB167的接取处理。属性DB167针对在属性DB122登录的对象之中，藉由采样部160所采样的多个对象的各个，存储与多个属性相对应的含有多个属性值的属性信息。属性DB167也是与属性DB122同样地，可以藉由与进行系统100的处理的计算机连接的外部存储装置来实现；也可以藉由以系统100的外部的云端储存服务等所提供的存储装置来实现。

维度减缩部170基于在属性DB167所存储的多个对象的各个多个属性值来减缩多个属性的维度。维度减缩部170也可以是对于属性DB167适用与维度减缩部125同样的维度减缩处理而转换成减缩DB177。

减缩DB连接部175与减缩DB177连连接，用于处理自维度减缩部170向减缩DB177的写入接取、以及来自属性预测模型生成部180的减缩DB177的读出接取。减缩DB177针对由采样部160所采样的多个对象的各个，存储具有与至少一部分包含有经以维度减缩部170所减缩的属性的多个属性相对应的多个属性值的属性信息。减缩DB177也是与属性DB122同样地，可以是藉由与进行系统100的处理的计算机相连接的外部存储装置来实现；也可以是藉由以系统100的外部的云端储存服务等所提供的存储装置来实现。

属性预测模型生成部180使用属性DB167，用于生成基于多个属性之中预测对象属性以外的至少一个属性的属性值而分别预测预测对象属性的属性值的多个属性预测模型。本实施形态有关的属性预测模型生成部180藉由参照属性DB167，使用与由属性DB122所采样的一部分的对象赋予关联的属性值，来生成多个属性预测模型。借此，属性预测模型生成部180就能够削减于使用在属性DB122所储存的对象的属性信息来生成多个属性预测模型的各个的情况下所必要的计算量及计算时间。另外，在可确保充分的计算能力的情况下，属性预测模型生成部180可以是不使用采样而是使用在属性DB122所储存的各对象的属性信息来生成多个属性预测模型。

又，在本实施形态中，属性预测模型生成部180可以是藉由参照自属性DB167所转换的减缩DB177而间接地使用属性DB167。借此，属性预测模型生成部180就能够自经维度减缩的多个属性中的至少一个属性的属性值来预测预测对象属性的属性值。在此处，维度减缩部170为将维度减缩用所追加的多个属性以外的全部的属性或至少一部分的属性从属性预测模型的说明变量中移除，属性预测模型生成部180有效地利用维度减缩的结果，以自多数个属性之中只会对于预测对象属性的预测产生影响的一部分的属性作为说明变量来生成属性预测模型。此结果，属性预测模型生成部180能够削减在多个属性预测模型的生成上所必要的计算量及计算时间。

在以上之中，属性预测模型生成部180能够针对多个预测对象属性的各个，生成用于预测该预测对象属性的多个属性预测模型。在此处，属性预测模型生成部180能够选择不同的属性预测模型来作为：在第1预测对象属性的属性值的预测上使用的第1属性预测模型、及在第2预测对象属性的属性值的预测上使用的第2属性预测模型。此等的多个属性预测模型的各个，不经由学习而更新的超级参数(hyper parameter)及预测运算法(algorithm)的至少一个可以是不同于其他的属性预测模型。属性预测模型生成部180针对多个属性预测模型的各个，使之学习在该属性预测模型的能够学习的参数，而进行多个属性预测模型的各个所预测的预测对象属性的属性值的预测误差成为最小化的处理。

属性预测模型选择部185基于属性预测模型生成部180针对多个预测对象属性的各个所生成的多个属性预测模型的各个预测误差，来选译在该预测对象属性的属性值的预测上使用的属性预测模型。例如，属性预测模型选择部185对于每一预测对象属性，从多个属性预测模型之中选择预测误差为最小的属性预测模型。在此之际，属性预测模型选择部185可以对于每一预测对象属性，选择超级参数及预测运算法的至少一个为不同的属性预测模型。属性预测模型选择部185将对于每一预测对象属性所选择的属性预测模型提供给属性预测装置110内的属性预测部135。列举一例子，属性预测模型选择部185将指定在属性预测模型上使用的预测运算法的识别信息及超级参数的值的组对(set)提供给属性预测部135。

建议处理装置190基于多个对象的各个中的成为预测对象的预测对象属性的属性值，选择是否对于对象建议和预测对象属性赋予关联的商品等。在此处，建议处理装置190可以是针对多个对象的各个，在表示对于特定的商品等的嗜好性的预测对象属性的属性值为显示在阈值以上的嗜好性的情况下，决定对该对象建议该商品等。又，建议处理装置190也可以是基于表示1个或多个基本属性、生活属性、及志向性中的至少一部分(例如，是否具有居住地、车；是高级志向；或者是俭约志向)的预测对象属性的属性值，来决定建议商品等。

再者，建议处理装置190对于多个对象中决定执行建议的对象，建议商品等。列举一例子，建议处理装置190可以是将含有该商品等的广告的电子邮件、直接邮件、及网络广告等提供给对象；也可是将含有该商品等的广告的电视CM提供给包括该对象的视听者；也可以是提供对于该商品等的购买给予礼遇的优惠券、折扣、及给予点数等的服务。

终端112直接地或通过网络而间接地连接于属性预测装置110，用于提供：属性预测装置110的属性DB122或在减缩DB132所储存的多个对象的属性信息的统计处理、属性的追加/削除、属性值的设定、及满足至少一个属性的组已设定的筛选出条件的对象的精选(refine)等的数据库处理；以及用以进行对于预测对象的各预测对象属性的属性预测模型的评价等的用户界面。

终端152直接地或通过网络而间接地连接于预测模型生成装置150；用于提供：属性预测模型生成部180所能生成的预测运算法的追加/变更/削除；属性预测模型生成部180给予各属性预测模型的超级参数的范围指定及值指定；属性预测模型生成部180所生成的多个属性预测模型的各个的学习完毕参数及预测结果整确认、评价、及属性模型间的比较、对于属性预测模型选择部185的手动所决定的属性预测模型的选择指定或选择补助、属性DB122的子组对(subset)的对于属性DB167的属性的追加/削除、属性值的设定、及满足至少一个的属性的组所设定的筛选出条件的对象的精选等的数据库处理；以及用以进行在预测模型生成装置150的属性DB167或减缩DB177所储存的多个对象的属性信息的统计处理等的用户界面。

终端192直接地或通过网络而间接地连接于终端192，用于提供用以管理在建议处理装置190中的建议处理的用户界面。列举一例子，终端192提供：根据广告预算、及商品等的折扣或点数给予预算而因应地用以精选对于建议的对象的条件的设定及调整、建议的对象的精选结果的确认、建议方法的设定、及用以进行建议实行的指示等的用户界面。

终端112、终端152、及终端192可以是桌面计算机/计算机；也可以是平板计算机及智能型手机等的可携式终端。

藉由以上所示的系统100就能够基于属性DB122或属性DB122的子组对(subset)的属性DB167所储存的多个对象的属性信息，对于每一预测对象属性来生成用于预测属性值的多个属性预测模型，选择对于每一预测对象属性最合适的属性预测模型。从而，根据系统100就能够使每一预测对象属性的预测精度更向上提升。

图2显示本实施形态有关的在属性DB122及属性DB167所储存的数据构造的一例。属性DB122及属性DB167针对多个对象的各个来存储用于识别个人的个人标识信息(个人ID)、及针对该个人所具有的多个属性的属性信息。

“个人ID”是一种在系统100中用以识别各个对象个人的识别子；例如，系统100所提供的服务的会员号码或登录(login)ID等。取而代之，属性DB122及属性DB167也可以使用对象的姓名、电子邮件地址、住所、电话号码、对象所有的可携式终端的识别信息、或基于此等的至少一个的组合所生成的信息来作为“个人ID”。

“属性信息”是一种针对对象所具有的各种的属性的属性值。本实施形态有关的属性DB122及属性DB167所储存的各属性大致分类为：泛用属性数据、购买潜力数据、及建议潜力数据。

“泛用属性数据”是一种显示各对象的特性的属性的组对(set)；特别是一种广泛地显示对象本身的特性的事物。“泛用属性数据”可以是包括：于基本属性上分类的1个或多个属性、于生活属性上分类的1个或多个属性、及于志向性上分类的1个或多个属性中的至少一个。

“基本属性”是一种各对象的基本信息；于“基本属性”上分类的1个或多个属性包括例如姓名、生日、年龄或年代、性别、住所、电话号码等的至少一个。“基本属性”虽然主要是在对象新登录时或登录内容变更时等所输入的属性；然而，至少一部分的属性可以是任意登录，也可以成为预测对象。

“生活属性”是一种与对象的生活态样有关的信息；于“生活属性”所分类的1个或多个属性可包括例如已婚/未婚、居住形态、家庭年收入、个人年收入、职种、汽车所有权的有无、及居住所有权的有无等的至少一个。“生活属性”有关的属性值可以是在新登录时等来收集，也可以是以调查问卷等的各种的方法来收集；也可以成为预测对象。

“志向性”是一种表示对象的志向、倾向及/或嗜好的信息；于志向性上分类的1个或多个属性可以包括例：对于服装类的质量志向/挑战志向/坚实志向/品牌志向等；整于饮食的高级志向/俭约志向/折扣志向等；对于居住的便利志向/都会志向/地域重视志向等；其他的健康志向、事业(career)志向、及全球志向等的至少一个。或者，“志向性”可以是与对象的嗜好有关的属性，包括例如兜风、美食(gourmet)、旅行、及对于运动等的各种的兴趣的嗜好的有无或嗜好度、对于各种的商品等的嗜好的有无或嗜好度、以及对于各种的网络网址等的嗜好的有无或嗜好度等的至少一个。“志向性”有关的属性可以是按照各种的调查中的调查目的来追加。“志向性”有关的属性值可以是在新登录时等来收集；也可以是以调查问卷等的各种的方法来收集；也可以是成为预测对象。

“购买潜力数据”是表示对于多个商品等、或者是对于多个商品群或服务群的各个的各对象的购买可能性的属性的组对(set)。“购买潜力数据”的一例子可以是对于娱乐、食品、及日用品的所谓的商品等的类型(genre)、种别、或分类的各个，与该类型(genre)等相对应的各商品或各服务赋予关联的属性。“购买潜力数据”的各属性可以是用于表示对于和该属性赋予关联的商品等的对象的嗜好性的嗜好属性。

列举一例子，例如，“购买潜力数据”是包括系统100所提供的会员服务的成为贩卖管理的对象的对于多数个商品等的各个的属性。“购买潜力数据”可以是用于识别各商品等的例如与JAN编码(code)的各编码值相对应的各属性；在此类的情况下，JAN编码为对于依比例分配的1个1个的商品等而依比例分配1或2以上的属性。在系统100为提供的会员服务含有多个事业者的共通点数系统的情况下，“购买潜力数据”可包括数十万～数百万、或其以上的属性。又，“购买潜力数据”可以是具有与商品群或服务群相对应的属性。例如，“购买潜力数据”可以是具有与例如啤酒、酒类、及/或饮料的所谓的商品群相对应的属性。

“购买潜力数据”是可以针对各对象将购买实绩(购买的有无、购买量、购买时期、购买场所等)、及/或对于商品调查问卷或广告的对象的反应等储存为经数值化的嗜好度等的已知的属性值。又，“购买潜力资料”也可以将使用属性预测模型预测的预测值储存为属性值的至少一部分。

“建议潜力资料”是一种表示与建议有关的各对象的特性的属性的组对(set)。“建议潜力数据”的一例子也可以包含：和媒体反应有关的1个或多个属性、和激励诱因反应有关的1个或多个属性、及、和离反可能性有关的1个或多个属性中的至少一个。

“媒体反应”的一例子包含：对于直接邮件、电子邮件、收据上印刷的广告、网络广告、及、TV广告等的建议上使用的每一媒体，用于表示对于对象的使用该媒体的建议的有效性或评价值等的1个或多个属性。例如，在某一对象不在直接邮件上反应的情况下，建议处理装置190可以减少和直接邮件的有效性或评价值等有关的属性的属性值、或设定比较低的属性值。又，某一对象以基准频度以上的频度点击(click)网络广告的情况、或经由网络广告而购入商品的情况等，建议处理装置190可以增加和网络广告的有效性或评价值等有关的属性的属性值、或设定比较高的属性值。

“激励诱因反应”的一例子包含：对于折扣、优惠券给予、点数给予、点数增额、及、贩卖促进品的提供等的所谓的每一激励诱因，用于表示对于对象的使用该激励诱因的建议的有效性或评价值等的1个或多个属性。例如，在即使进行折扣的提供而某一对象甚至也不购买商品等的情况下，建议处理装置190也可以是减少和折扣的有效性或评价值等有关的属性的属性值、或设定比较低的属性值。又，在某一对象购买经提供点数给予的商品等的情况下，建议处理装置190可以是增加点数给予的有效性或评价值等有关的属性的属性值、或设定比较高的属性值。

“离反可能性”的一例子包含：对于每一各贩卖事业者、及/或、各商品制造商或服务提供商，表示该事业者等的商品等的不被利用的可能性的1个或多个属性。例如，在某一对象从某一贩卖事业者至最终购买商品等后经过基准期间以上的情况下，属性预测装置110将认为该对象远离该贩卖事业者而表示远离意旨的属性值储存于属性DB122。取而代之，属性预测装置110可以将因应该对象最后利用该贩卖业者起至经过期间计算出的离反评价值作为属性值而储存于属性DB122。

图3显示本实施形态有关的预测模型生成装置150的动作流程。在步骤S310中，模型更新指示部155因应预定的期间经过的事态来指示属性预测装置110所使用的属性预测模型的更新。取而代的、或在它之上进一步增加：模型更新指示部155可以是接收系统100的用户或管理者等的指示而指示属性预测模型的更新。

在此处，预测模型生成装置150可以是将属性DB122或属性DB167所具有的全属性作为预测对象；也可以是将已除去对象的姓名等的一部分的属性的各属性作为预测对象；也可以是将已除去泛用属性数据中所含的基本属性的各属性作为预测对象；也可以是将购买潜力数据及/或建议潜力数据作为预测对象。又，预测模型生成装置150可以是从预测对象移除对于维度减缩部170所追加的维度减缩用的属性。又，预测模型生成装置150可以是在属性DB122或属性DB167所具有的全属性之中，只以系统100的用户或管理者所指定的属性作为预测对象。

另外，预测模型生成装置150可以是在因预测对象属性而在不同的时间点来指示属性预测模型的更新。例如，预测模型生成装置150对于泛用属性数据所属的属性而定期地指示属性预测模型的更新；列举一例子，对于购买潜力数据所属的属性可以是例如在每一次接收预定的数量分的与该属性相对应的商品等的购买数据时指示属性预测模型的更新；列举一例子，对于建议潜力数据所属的属性可以是例如在每一次进行预定的次数建议时指示属性预测模型的更新。又，预测模型生成装置150可以将用于预测购买潜力数据所属的属性的属性预测模型的更新频度设为比用于预测泛用属性数据所属的属性的属性预测模型的更新频度还要更低。由于购买潜力数据是含有与各个的商品等相对应的属性，因而通常与比泛用属性数据相比属性数是会变多的缘故，所以预测模型生成装置150能够藉由将用于预测购买潜力数据所属的属性的属性预测模型的更新频度设为比较低而大幅地减低预测模型生成装置150的计算量。

在S320中，采样部160由属性DB122对于一部分的对象实施采样，通过属性DB连接部165而将所采样的对象赋予关联地储存于属性DB122的属性信息储存于属性DB167。

列举一例子，在S330中，维度減縮部170例如使用潛势狄氏配分法(LDA：LatentDirichlet Allocation)或確率潛势语意解析法(Probabilistic Latent SemanticAnalysis)等的主題模組来減縮屬性DB167的维度。在使用主题模型的情况下，维度减缩部170可以是例如以主题数为10、20、30、…、100等的复数种类的各个而加以模型化，以每一主题数所生成的多个属性为维度减缩用的属性而储存于减缩DB177。借此，属性预测模型生成部180能够以所使用的主题数为属性预测模型的超级参数；属性预测模型选择部185能够选择最适当的主题数的属性预测模型。

在此处，维度减缩部170可以是以属性DB122或属性DB167所具有的全属性为主题生成的评价对象；取而代之，也可以是以属性DB122或属性DB167所具有的属性的一部分为主题生成的评价对象。例如，维度减缩部170可以是以泛用属性数据中所含的属性为主题生成的评价对象，即使购买潜力数据及建议潜力数据中所含的属性不是使用主题生成上也是可以的。又，例如，维度减缩部170也可以是只以泛用属性数据中所含的基本属性、生活属性、及志向性中的一部分所含的属性为主题生成的评价对象。列举一例子，维度减缩部170也可以是只以基本属性及生活属性所含的属性为主题生成的评价对象，志向性中所含的属性也可以是使用于主题生成上。在以全属性为主题生成的评价对象的情况下，即使是对象间的小差异(例如，是否购买特定的商品)亦能够包含于评价而反映于维度减缩后的属性值，然而却是增加了维度减缩处理所需要的计算量。在只以一部分的属性为主题生成的评价对象的情况下，能够只使用系统100的用户或管理者等所重视的一部分的属性而抑制计算量。

又，维度减缩部170也可以是取代主题模型、或在主题模型上进一步追加，经由以其他的手法来减缩属性DB167的维度。例如，维度减缩部170可以是针对已知的属性值所储存的对象的比例为小于基准比例的属性，从属性预测模型的说明变量将的移除。

其次，预测模型生成装置150对于每一预测对象属性反复进行S340及S380之间的处理(S350～S370)。

在S350中，属性预测模型生成部180生成：用于预测预测对象属性的属性值的1个或多个属性预测模型。首先，属性预测模型生成部180在属性DB167所储存的各对象的属性信息之中，筛选出在属性预测模型的生成上使用的模型化用的多个对象的属性信息。属性预测模型生成部180筛选出预测对象属性的属性值为已知的属性信息；即，对于预测对象属性实际上所得到的属性值的属性信息，来作为模型化用的对象的属性信息。在此处，属性预测模型生成部180可以是：在具有作为属性预测模型的说明变量使用的可能性的各属性(即，以在属性预测模型中输入属性值的属性作为说明变量的候补)之中，优先地归选出比较属性值为已知者的比例为比较大的属性信息。另外，属性预测模型生成部180也可以是在模型化用的对象的数量为在预定的基准数以下的情况下，使用提升(boost)采样等的手法来增加样本数量。

其次，属性预测模型生成部180以所筛选出的对象的属性信息作为学习用属性信息使用来生成多个属性预测模型。属性预测模型生成部180用来生成不因预测运算法及学习而被更新的超级参数中的至少一个为相互不同的多个属性预测模型。属性预测模型生成部180可以是从例如包含随机森林(random forest)、渐变助推(gradient boosting)、逻辑回归、神经网络、及技持向量机械(SVM)等的各种的机械学习运算法之中来选择预测运算法。又，属性预测模型生成部180可以是藉由能够设定为超级参数的多个设定值的组对之中独立地选择出：维度减缩部170中的维度减缩的主题数、随机森林中的决定树的深度、渐变助推中的树的深度、逻辑回归中的正规化参数、及神经网络中的神经元数及层数等之类的预测运算法中所能够设定的1个或多个超级参数的各个，而得到每一所选择的预测运算法上相互不同的多个超级参数的组对。

属性预测模型生成部180使用学习用属性信息，藉由学习而将以如上述的作法所得到的预测运算法及超级参数的组对中的至少一方为相互不同的多个属性预测模型的各个予以最适化。亦即，属性预测模型生成部180在针对各学习用属性信息，对于该学习用属性信息之中预测对象属性以外的属性值进行属性预测模型的输入的情况下，更新属性预测模型的学习可能参数，以输出比较接近该学习用属性信息中的预测对象属性的已知的属性值的预测值。借此，属性预测模型生成部180针对各属性预测模型的各个，使之学习可学习参数而加以最适化。在此处，所谓“最适化”不必然是意谓着使该属性预测模型的预测误差最小化(即，使可学习参数的全部成为最适值)，而是意谓着属性预测模型生成部180将该属性预测模型的预测误差更进一步地减低的学习处理进行完毕的状态(即，现实地完成可能实行的学习处理的状态)的意义。

在此处，属性预测模型生成部180可以是将属性预测模型的说明变量只限制于已知的属性值。在此情况下，属性预测模型生成部180、虽然能够作为学习用属性信息使用的样本数受到了限制，然而却能够提高基于现实的属性信息而生成比较高精度的属性预测模型的可能性。取而代之，属性预测模型生成部180也可以使用属性的预测值来作为一部分或全部的说明变量。亦即，属性预测模型生成部180可以使用以第1属性预测模型所预测的第1预测对象属性的预测值来预测第2预测对象属性的属性值的第2的1个或多个属性预测模型。在第2多个属性预测模型的生成中，由于能够以经由已经生成的第1属性预测模型所预测的第1预测对象属性的预测值作为说明变量来使用，因而属性预测模型生成部180也能够利用已知的属性值一部分欠缺的学习用属性信息，使用更多的学习用属性信息来提高属性预测模型的精度。

另外，属性预测模型生成部180也可以是将由各属性信息以属性预测模型所预测的预测对象属性的预测值与期待值间的差，成为预测误差的评价对象的全属性信息所累积的值，使用来作为预测误差。列举一例子，此类的误差的算出方法能够适用于：包含将预测值与期待值的差的2乘方加以合计等的公知的各种方法。取而代之，属性预测模型生成部180可以是将随着后述的AUC(Area Under the Curve)的增加而减少的值(列举一例子，例如，1－AUC值)使用来作为表示预测误差的指标。

在此处，所谓的“预测误差”也包括随着“预测误差”而变化的指标。亦即，例如，表示预测精度的指标也是又相当于表示预测误差的指标；预测精度比较高的事态是相当于预测误差为比较低，而预测精度为比较低的事态相当于预测误差比较高。从而，属性预测模型生成部180可以是将预测精度愈高而变大的AUC使用来作为表示预测误差的指标(预测误差愈高变愈小的指标)。在此种情况下，所谓预测误差高指表示预测误差的指标值小的意义。

在S360中，属性预测模型生成部180分别对于所生成的学习完毕的多个属性预测模型进行评价。属性预测模型生成部180可以是只基于预测误差来评价属性预测模型；也可以是包括不只预测误差，例如，计算量比较小、及/或、参照的属性数比较少等的其他的条件来作为评价参数。又，属性预测模型生成部180也可以是使用在预测运算法的最适化上所用的包括和预测误差有关的项目的目的函数的值，来对于属性预测模型进行评价。在此处，属性预测模型生成部180可以是使用交叉检定来计算出多个属性预测模型的各个的预测误差。在此种情况下，属性预测模型生成部180可以是使用筛选出的模型化用的属性信息的一部分而使之学习多个属性预测模型，使用在模型化用的属性信息之中于学习不使用的属性信息而计算出多个属性预测模型的各个的预测误差。

在S370中，属性预测模型选择部185基于多个属性预测模型的各个的预测误差等的评价结果，来选择在该预测对象属性的属性值的预测上使用的属性预测模型。列举一例子，属性预测模型选择部185在多个属性预测模型之中，选择预测误差为最小的属性预测模型。取而代之，属性预测模型选择部185可以是使用在多个属性预测模型之中，预测误差以外的条件也包括作为评价参数的评价结果，来选择评价最高的属性预测模型。在此处，属性预测模型选择部185可以是更进一步地基于以如上述的其他的属性预测模型的预测值作为说明变量的1个或多个第2属性预测模型的各个的预测误差等的评价结果，来选择在第2预测对象属性的属性值的预测所用的第2属性预测模型。

预测模型生成装置150能够藉由对于预测对象的各预测对象属性的各个来进行S350～S370的处理，来选择对于各预测对象属性而言个别最适化的属性预测模型。借此，预测模型生成装置150就能够更进一步地提高各预测对象属性的预测精度。

图4显示本实施形态有关的属性预测模型生成部180所生成的属性预测模型的评价结果的一例子。属性预测模型生成部180针对对于各预测对象属性所生成的1个或多个属性预测模型的各个，来生成包括属性识别信息(属性ID)、维度减缩参数、预测运算法识别信息(预测运算法ID)、超级参数、预测误差、及模型评价的评价结果。

“属性ID”是一种预测对象的预测对象属性的识别信息。“维度减缩参数”是维度减缩部125及维度减缩部170使用于维度减缩的主题数等的参数。在维度减缩参数为复数存在的情况下，属性预测模型生成部180记录每一参数的设定值。维度減縮參數也是超級參數的一种。

“预测运算法ID”是用于识别在该进入(entry)中所选择的预测运算法的识别信息。“超级参数”是显示在所选择的预测运算法中的每一超级参数的设定值。“预测误差”是显示使用在该进入(entry)中指定的维度减缩参数、预测运算法、及超级参数所生成的属性预测模型的预测误差。“模型评价”是显示与该进入(entry)相对应生成的属性预测模型的评价结果。在此处，属性预测模型生成部180可以在只基于预测误差来评价属性预测模型的情况下，另外设置“模型评价”的栏(column)。

图5显示本实施形态有关的属性预测模型选择部185所生成的属性预测模型的选择结果的一例子。属性预测模型选择部185使用属性预测模型生成部180的各属性预测模型的评价结果，对于每一预测对象属性，选择在属性值的预测上使用的属性预测模型。属性预测模型选择部185对于预测对象的各预测对象属性来生成包括属性ID、维度减缩参数选择值、选择预测运算法ID、超级参数选择值的选择结果。

“属性ID”是一种与该进入(entry)相对应的预测对象属性的识别信息。“维度减缩参数选择值”是包括与该进入(entry)相对应的在预测对象属性的预测上使用的1个或多个维度减缩参数的各个的设定值。“维度减缩参数值”是与图4中的被选择的属性预测模型的维度减缩参数相对应。“选择预测运算法ID”是一种用于识别与该进入(entry)相对应的在预测对象属性的预测上使用的预测运算法的识别信息。“选择预测运算法ID”是与图4中的被选择的属性预测模型的预测运算法ID相对应。“超级参数选择值”是与该进入(entry)相对应的在预测对象属性的预测上使用的预测运算法所提供的每一超级参数的设定值。“超级参数选择值”是与图4中被选择的属性预测模型的超级参数相对应。

属性预测模型选择部185是能够藉由将每一预测对象属性的属性预测模型的选择结果供给至属性预测部135，对于每一预测对象属性，相对于属性预测部135来设定在预测上使用的维度减缩参数、预测运算法、及超级参数。另外，属性预测模型选择部185可以是将所选择的属性预测模型的预测误差及/或评价结果供给至属性预测部135。

图6显示本实施形态有关的属性预测装置110中的属性信息取得流程。在S610中，属性信息取得部115用于取得对象的属性信息。在S620中，属性信息取得部115通过属性DB连接部120而将所取得的属性信息写入属性DB122。

在属性DB122对于写入对象的属性个别存储已知的属性值与预测值的情况下，属性信息取得部115可以是将所取得的属性信息作为已知的属性值而写入属性DB122。又，在属性DB122及属性DB167对于写入对象的属性以和预测值相同的表现形式来存储已知的属性值的情况下，属性信息取得部115将所取得的属性信息的生数据的表现形式转换成和预测值相同的表现形式而储存于属性DB122。

图7显示本实施形态有关的属性预测装置110中的属性预测流程。在步骤S710中，维度减缩部125与采样部160同样地，列举一例子，例如，使用潜势狄氏配分法或确率潜势意义解析法等的主题模型来减缩属性DB122的维度。在此处，维度减缩部125参照针对各预测对象属性所选择的与属性预测模型相对应的维度减缩参数选择值，将因应对于至少一个预测对象属性所指定的维度减缩参数选择值的维度减缩用的属性储存于减缩DB132。又，维度减缩部125在属性DB122的多个属性之中，藉由属性预测模型选择部185所选择的至少一个的属性预测模型中，将作为说明变量使用的属性加以复制为减缩DB132的属性。

属性预测装置110对于每一预测对象属性，反复进行S730及S790之间的处理(S730～S780)；(S720、S790)。

在S730中，属性预测部135使用藉由属性预测模型选择部185于预测对象属性用所选择的属性预测模型，来预测预测对象属性的属性值。属性预测部135包括通过减缩DB连接部130来取得：对于各对象而于减缩DB132所储存的属性信息的与属性预测模型的说明变量相对应的属性的属性值；将此等的属性值输入属性预测模型而计算出预测对象属性的预测值。在此处，对于使用以第1属性预测模型决定的第1预测对象属性的预测值来预测预测对象的第2预测对象属性的预测值的第2属性预测模型而言，属性预测部135将该第1预测对象属性的预测值输入于第2属性预测模型，使用第2属性预测模型而进一步地针对多个对象的各个来预测第2预测对象属性而作为成为说明变量的第1预测对象属性的属性值。

又，在对于第1预测对象属性而言已知的属性值及预测值为以相同的表现形式来表示的情况、或者由一方而能够转换成他方的情况下，属性预测部135可以是对于多个对象的各个，以第1预测对象属性的属性值为已知的事态作为条件，使用已知的属性值来预测：对象的第2预测对象属性的预测值；以第1预测对象属性的属性值为未知的事态作为条件，使用第1预测对象属性的属性值来预测对象的第2预测对象属性的预测值。借此，属性预测部135就能够对于以第1属性预测模型决定的成为预测对象的第1预测对象属性为已知的对象而言，使用已知的属性值以比较高的精度来预测第2预测对象属性，并且也能够对于第1预测对象属性为未知的对象进行预测。

在S740中，属性预测部135通过属性DB连接部120而将预测对象属性的预测值储存于属性DB122。在此处，属性预测部135可以是在能够计算出预测对象属性的预测值的情况下、即使是在预测对象属性的已知的属性值为被储存于属性DB122的情况下，也能够将预测值储存于属性DB122。

在S750中，属性预测值更新部142在属性DB122登录的多个对象之中，对于1个或多个对象而言预测对象属性的属性值为已知的情况下，用来判断预测对象属性的预测值是否从已知的属性值而偏离基准以上。该基准可以是由系统100的设计者、系统构筑者、用户、及/或管理者所预先决定；属性预测值更新部142藉由定数倍等来计算出：预测对象属性的已知的属性值的分散或标准偏差等。

因应预测对象属性的预测值为从已知的属性值偏离基准以上的事态(在S750为Yes)，属性预测值更新部142可以是在S760中，基于已知的属性值来更新预测对象属性的预测值。亦即，在预测对象属性的已知的属性值及预测值采取相同的表现形式的情况下，属性预测值更新部142可以是将预测对象属性的预测值改写成已知的属性值。在预测对象属性的已知的属性值及预测值为不同的表现形式的情况下，属性预测值更新部142可以是转换已知的属性值的表现形式而改写预测对象属性的预测值。在此处，使用于判断是否为偏离的基准可以是由系统100的设计者、系统构筑者、用户、及/或管理者等而预先来设定。

借此，对于预测对象属性的属性值为已知的对象而言，属性预测值更新部142能够防止：将该预测对象属性作为说明变量来使用的其他的属性预测模型预测大幅地使用误认的预测值的其他的预测对象属性。例如，属性预测值更新部142、对于某一对象误认而预测成“已婚”的情况，若该对象为“未婚”是已知的话，能够将预测值更新为“未婚”；并能够提高将该属性使用为说明变量所预测的其他的属性的预测精度。

又，属性值更新部140可以是以预测对象属性的预测值的预测准确度为阈值以上的事况为条件(在S770为Yes)，基于预测对象属性的预测值来更新预测对象属性的属性值(S780)。在此处，属性值更新部140在预测对象属性的已知的属性值及预测值采取相同的表现形式的情况下，属性预测值更新部142可以是将预测对象属性的已知的属性值改写成预测值。在预测对象属性的已知的属性值及预测值为采取不同的表现形式的情况下，属性值更新部140可以是转换预测值的表现形式而改写成预测对象属性的属性值。在此处，在预测的准确度的判断上使用的阈值可以是由系统100的设计者、系统构筑者、用户、及/或管理者等而预先设定。

借此，属性值更新部140可以是在即使是对于预测对象属性的属性值为已知的对象而言得到属性值的时期是旧的情况、及、适应对象的状况改变的情况等的事情，随着预测对象属性的预测值不充分确定而基于预测值来改写已知的属性值。该结果，列举一例子，就能够防止：将购买尿布之类的对象一直维持为“无子”属性的事况、及、将频繁地购买汽油之类的对象一直维持为“无车”属性的事况等。

在此处，属性值更新部140可以使用预测对象属性为已知的全对象、学习用属性信息中所含的全对象、或、基于交叉检定用的学习用属性信息中所含的全对象的预测值AUC(Area Under the Curve)来作为预测的准确度。列举一例子，属性值更新部140、依照预测值高低的顺序将预测对象属性为已知的各对象排列于横轴，对于横轴上的各对象而言，具有该对象以上的预测值的全对象之中，在由满足预测对象属性的对象的比例所绘制而成的ROC曲线(Receiver Operating Characteristic Curve)中，计算出在ROC曲线的下侧的面积而作为AUC。在此之际，属性值更新部140也可以是藉由将ROC曲线的横轴正规化为1，也可以将AUC所取得的最大值正规化为1。取而代之，属性值更新部140可以是使用如(定数－预测误差)作为预测的准确度中预测误差愈减少而愈增加的参数的值。

图8显示预测对象属性的依附关系的一例子。属性预测模型A810基于属性a的属性值及属性b的属性值来预测预测对象属性c的属性值。属性预测模型B820基于属性c的属性值及属性d的属性值来预测预测对象属性e的属性值。属性预测模型C830基于属性e的属性值及属性f的属性值来预测预测对象属性b的属性值。

在此例之中，属性预测模型A810为输入属性b的属性值而输出属性c的属性值；属性预测模型B820为输入属性c的属性值而输出属性e的属性值；属性预测模型C830为输入属性e的属性值而输出属性b的属性值。从而，在多个属性预测模型中的说明变量及目的变量的连锁之中，存在着属性b→属性c→属性e→属性b所谓的2以上的预测对象属性间的循环依附关系。

在此处，属性预测模型生成部180、属性预测模型选择部185、及/或属性预测部135以例如属性预测模型B820为属性c的已知的属性值作为说明变量，假定属性c的预测值不是说明变量时，由于属性预测模型B820不输入属性预测模型A810所输出的属性c的预测值，因而能够解除预测对象属性间的循环依附。亦即，属性预测模型生成部180、属性预测模型选择部185、及/或属性预测部135可以是在2以上的预测对象属性之间存在有往属性预测模型的输入输出关系的循环依附的情况下，在构成循环依附的至少一个的属性预测模型中，输入已知的属性值来作为在循环依附中所含的属性的属性值来生成或选择属性预测模型。

但是，在输入已知的属性值的情况下，属性预测部135、对于不存在已知的属性值的对象而言，就不能够预测预测对象属性的属性值，或者就会有预测精度降低之虞。因此，属性预测部135可以采取在2以上的预测对象属性之间允许循环依附的构成。

在该情况，属性预测部135可以是构成为：因应在2以上的预测对象属性之间存在有循环依附的事况，基于2以上的预测对象属性的各个的预测上所使用的其他的预测对象属性的预测的准确度、及对于2以上的预测对象属性的各个的其他的预测对象属性的贡献度的至少一个，来决定2以上的预测对象属性的预测顺序。例如，在本图的例子中，按照预测的准确度的高低顺序为属性c、属性b、属性e的顺序时，属性预测部135可以是按照最优先地首先实行输入预测的准确度为最高的属性c的属性预测模型B820的方式来决定预测顺序。然后，属性预测部135可以是在循环依附的属性之中，依照预测的准确度的高低顺序，执行输入该属性的属性预测模型。取而代之，属性预测部135可以是在执行属性预测模型B820的情况下，按照输入属性预测模型B820所输出的预测值的属性预测模型C830、输入属性预测模型C830所输出的预测值的属性预测模型A810的方式，属性预测模型B820以降可以是顺着预测对象属性间的依附方向来执行属性预测模型。借此，属性预测部135就能够优先地使用想定为比预测的准确度高还更接近本来的属性值的预测值来预测依附方的预测对象属性的预测值；能够更早一步地提高预测值的精度。

又，例如，属性预测部135、在本图的例子中，若预测对象属性e的预测中的属性c的贡献度、预测对象属性c的预测中的属性b的贡献度、预测对象属性b的预测中的属性e的贡献度是依照此顺序变低的话，属性预测部135可以是按照最优先地首先实行输入贡献度最低的属性e的属性预测模型C830的方式来决定预测顺序。然后，属性预测部135可以是在循环依附的属性之中，依照属性预测模型决定的后续的预测对象属性的预测中的贡献度为低的顺序，执行输入该属性的属性预测模型。取而代之，属性预测部135可以在实行属性预测模型C830的情况下，按照输入属性预测模型C830所输出的预测值的属性预测模型A810、输入属性预测模型A810所输出的预测值的属性预测模型B820的方式，属性预测模型C830以降为顺着预测对象属性间的依附方向来执行属性预测模型。借此，属性预测部135就能够优先地使用对于后段的属性预测模型的预测上产生影响的贡献度为低的难以发生循环依附的影响的预测值，而预测依附先的预测对象属性的预测值；并能够更早一步地使预测值的循环依附的影响衰减。

属性预测部135可以是基于2以上的预测对象属性的各个的预测上使用的其他的预测对象属性的预测的准确度、及对于2以上的预测对象属性的各个的其他的预测对象属性的贡献度的两者来决定2以上的预测对象属性的预测顺序；也可以更进一步地附加其他的条件来决定预测顺序。在此处，属性预测部135关于循环依附中所含的属性，在预测所用的属性的预测的准确度为比较高、或者预测中的属性的贡献度为比较低的情况下，更为优先地进行输入该属性的属性预测模型的实行。列举一例子，属性预测部135可以是经由预测所用的属性的预测的准确度(或预测的不准确度)及预测中的属性的贡献度的加权和来决定优先度。

其他的例子，属性预测部135可以是对于2以上的预测对象属性的各个，基于其他的预测对象属性的预测的不准确度及其他的预测对象属性的贡献度的累积和，来决定2以上的预测对象属性的预测值的预测顺序。亦即，例如，属性预测部135对于多个属性预测模型(属性预测模型A810、属性预测模型B820、及属性预测模型C830等)的各个，采取循环依附中所含的各输入属性的不准确度及各输入属性的贡献度的累积和，比较优先地实行累积和值为比较小的属性预测模型。

另外，属性预测部135可以使用当预测的准确度增加时值为减少的参数的值来作为预测的不准确度。例如，属性预测部135按照(1－AUC)的方式，基于正规化成最大1的AUC而使用由1减去预测的准确度而得的值。

如以上所示，以让循环依附中所含的预测对象属性间的预测顺序成为更适切的顺序，属性预测部135能够使循环计算出的2以上的预测对象属性间的预测值的精度更早一步提高、及/或能够使预测值的收束更为提早。因此，藉由属性DB122及属性DB167具有更多的属性，即使是在各属性预测模型的实行周期变长的情况下，亦能够使预测值更早一步地最适化。

图9显示本实施形态有关的系统100中的属性追加流程。在S900中，属性数据取得部144针对多个对象的至少一部分而取得显示于属性数据库应追加的追加属性的已知的属性值的已知信息。例如，终端112提供一种可使得问卷调查承办者等的系统100的最终(end)使用者等能够简单地预测各对象的任意的特性，并简单地于属性DB122追加属性而计算出各对象的该属性的预测值的用户界面。列举一例子，终端112可以是对于提供该用户界面的应用程序的电子图标(ICON)而言，提供一种因应已知信息被拖(drag)&放(drop)的事态来实行因应该已知信息的属性的追加、已知的属性值的设定、及属性预测模型的生成/选择的至少一部分的用户界面。

属性数据取得部144所取得的已知信息可以是一种针对多个对象的至少一部分的各个，包含有个人标识信息、1个或多个追加属性的已知的属性值的组对的信息。又，在追加属性显示具有对象是否具有特定的特性的2值属性的情况(例如，“是否购买商品A”)，已知信息可以是包含：追加属性为真的各对象的个人标识信息的列表、及追加属性为伪的各对象的个人标识信息的列表中的至少一方。

在S910中，属性追加部146将追加属性追加于属性DB122的多个属性。例如，属性追加部146通过属性DB连接部120而将追加属性的栏(column)追加于属性DB122，基于在已知信息所含的各对象的已知的属性值，来设定属性DB122中的追加属性所储存的已知的属性值。在此之际，属性追加部146可以将已知信息中所显示的已知的属性值设定为属性DB122中的追加属性的已知的属性值，也可以是将在已知信息中所示的已知的属性值转换成属性DB122中的表现形式而设定为追加属性的已知的属性值。

在S920中，系统100内的预测模型生成装置150以追加属性作为预测对象属性来生成1个或多个属性预测模型。在此处，模型更新指示部155可以是藉由属性数据取得部144因应追加属性被追加于属性DB122，不等待预定的期间的经过而迅速地指示进行追加属性的属性预测模型的生成。以追加属性为预测对象属性而生成1个或多个属性预测模型的处理可以是和图3的动作流程中的S320至S350的处理同样的。

在S930中，系统100内的预测模型生成装置150基于多个属性预测模型的各个的预测误差来选择：在追加属性的预测对象属性的属性值的预测上所用的属性预测模型。从多个属性预测模型之中选择在追加属性的属性值的预测上所用的属性预测模型的处理可以是和图3的S360至S370的处理同样的。

在以上所示的处理以后，系统100内的属性预测装置110可以是执行图7所示的属性预测流程，来预测各对象或全部对象的追加属性的属性值。借此，系统100能够以在已知信息中所含的一部分的对象的已知的属性值作为教师数据来学习用于预测追加属性的属性值的属性预测模型，对于其他的对象或全部对象计算出追加属性的预测值。

另外，在本实施形态中，属性数据取得部144及属性追加部146设置于属性预测装置110内而对于主角(master)的属性DB122追加追加属性。取而代之，属性数据取得部144及属性追加部146也可以是设置于预测模型生成装置150内而采取对于子组对(subset)的属性DB167追加追加属性的形态。

图10一同显示本实施形态有关的建议处理装置190的构成与终端192。建议处理装置190具有环境信息取得部900、群组选择部910、建议决定部920、建议方法决定部930、建议实行部940、建议结果取得部950、建议结果储存部960、建议DB连接部970、建议DB980、以及建议模型生成部990。

环境信息取得部900用于取得显示在系统100登录的多个对象中的建议对象置放的环境的环境信息。列举一例子，环境信息取得部900用于取得：显示建议对象所在位置或场所的位置信息、建议对象所在位置或场所的天气、天候、气温、及/或湿度等的天候信息、以及、显示对象的行动(购物中、旅行中、通勤中、及工作中等)的行动信息中的至少一个来作为环境信息。

群组选择部910基于经由环境信息取得部900所取得的针对建议对象的环境信息，从商品等的多个群组之中来选择建议的群组。列举一例子，群组选择部910针对环境信息的条件的环境条件、与该环境条件中所建议的商品等的群组的组合、存储1个或多个，在藉由环境信息取得部900所取得的环境信息为满足某一环境条件的情况下，选择与该环境条件赋予关联的商品等的群组来作为建议对象。例如，群组选择部910可以是在建议对象为位于距某一店铺在基准以内的距离的位置的情况下，选择该店铺所处理的商品等的群组来作为建议对象的群组。又，例如，群组选择部910也可以是从多个群组之中，更为优先地选择：与系统100所提供的会员服务协力合作的多个店铺之中与建议对象的现在位置比较靠近的店铺赋予关联的群组。又，例如，群组选择部910可以是在建议对象所在位置或场所的气温为对于基准以上的情况下，选择清凉饮料、氷菓子、及/或服务加盟店之中最靠近对象的咖啡的商品等有关的群组来作为建议对象。另外，建议处理装置190也可以是采取不具有群组选择部910而从任意的商品等之中选择建议对象的商品等来作为建议对象的构成。

群组选择部910可以是更进一步地基于针对建议对象的多个店铺的各个的最终利用时日或者自最终利用起的经过期间，从商品等的多个群组之中选择建议的群组。例如，在建议对象为最后利用某一店铺后经过预定的基准期间以上的情况下，该建议对象能够视为远离该店铺。在此种的情况下，列举一例子，群组选择部910能够藉由选择例如在该店铺处理的商品等的群组来作为建议候补，来得到能够防止顾客的远离之类的建议。

建议决定部920针对建议对象，基于属性DB122所储存的多个属性值的至少一个，来决定是否建议商品等。列举一例子，例如，建议决定部920参照在属性DB122所储存的建议对象的属性信息之中，在与购买潜力数据所含的各商品等(或者，指定为能够建议的各商品等)赋予关联的属性的属性值(已知的属性值或预测值)，只要是表示基准值以上的嗜好性的属性值，则以和该属性相对应的商品等作为建议对象的商品等。取而代之，建议决定部920可以是在和购买潜力数据所含的各商品等(或者指定为能够建议的各商品等)赋予关联的属性的属性值(已知的属性值或预测值)之中，比较优先地选择和显示比较高的嗜好性的属性值相对应者来作为建议对象的1或2以上的商品等。

在此处，因应商品等的群组藉由群组选择部910所选择的事况，建议决定部920、基于针对建议对象的多个属性值的至少一个，从群组选择部910所选择的群组中所含的商品等之中决定对建议对象建议的商品等。在此种情况下，建议决定部920将选择商品等的范围压缩成在被选择的群组的范围内，和上述同样地进行而选择建议对象的商品等。

建议方法决定部930用于决定对建议对象建议商品等的建议方法。建议方法决定部930可以是使用后述的建议模型生成部990所生成的建议模型来决定：对于建议对象建议商品等的建议方法。在此处，建议方法决定部930可以是决定使用电子邮件、网络广告、直接邮件、对于对象发行的收据的印刷、及电视广告等的媒体中的至少一个来作为对于建议对象的建议方法。又，建议方法决定部930可以是决定提供商品等的折扣、优惠券的给予、及、点数给予中的至少一方的激励诱因来作为对于建议对象的建议方法。

建议实行部940对于建议对象，藉由以建议方法决定部930决定的建议方法来建议建议对象的商品等。建议结果取得部950用于取得对于建议对象所决定的以建议方法所决定的建议结果。

建议结果储存部960将所决定的以建议方法所决定的建议结果、与属性DB122的多个属性中的至少一部分的属性赋予关联地储存。例如，建议结果储存部960将建议结果、与在属性DB122所储存的建议对象的属性信息中购买潜力数据的建议对象的商品等赋予关联的至少一个的属性赋予关联地储存。在此种情况下，建议结果储存部960可以将建议结果反映在：显示对于建议对象的商品等的嗜好性的属性的属性值(已知的属性值)。在此处，在成为建议对象的商品等被购买的情况下，系统100可以是采取由属性信息取得部115来更新的构成，用以取代自建议结果储存部960来更新属性DB122的购买潜力数据中的属性。

又，建议结果储存部960可以是：与包括在属性DB122所储存的建议对象的建议潜力数据中的媒体反应的使用所决定的建议方法的和媒体相对应的至少一个的属性赋予关联地储存。借此，建议结果储存部960就能够将以使用所决定的建议方法的和媒体相对应的建议结果反映在：表示使用媒体反应中所含的各媒体的建议的有效性的属性的属性值(已知的属性值)。

又，建议结果储存部960可以是包括在属性DB122所储存的建议对象的建议潜力数据中的激励诱因反应中的、与在和决定的建议方法使用的激励诱因相对应的至少一个的属性赋予关联地储存。借此，建议结果储存部960可以是将在所决定的建议方法使用的激励诱因相对应的建议结果反映在：表示提供激励诱因反应中所含的各激励诱因的建议的有效性的属性的属性值(已知的属性值)。

又，建议结果储存部960通过建议DB连接部970而将包含执行的建议的内容及建议结果的建议历史储存于建议DB980。

建议DB连接部970与建议DB980连接，并处理从系统100内的各部对于建议DB980的接取。建议DB980将建议处理装置190所实行的建议的内容及建议结果的历史。建议DB980也是与属性DB122同样地，可以是经由与进行系统100的处理的计算机连接的外部存储装置来实现；也可以是经由系统100的外部的云端储存服务等所提供的存储装置来实现。

建议模型生成部990使用含有以建议方法所决定的建议结果作为至少一部分的属性的属性值的属性DB122，来生成用于选择建议方法的建议模型。本实施形态有关的建议模型生成部990除了属性DB122之外，还使用建议DB980来生成建议模型。在此处，建议模型生成部990为了取代使用属性DB122、或除了使用属性DB122还可以使用经维度减缩的属性DB122的减缩DB132，也可以使经采样的属性DB122的属性DB167，也可以是使用经采样及维度减缩的属性DB122的减缩DB177。又，建议模型生成部990也可以是更进一步地使用建议DB980来生成建议模型。

根据本实施形态有关的系统100可以是将因应建议商品等的建议方法的建议结果作为对象的至少一个的属性而储存于属性DB122等，使用含有该属性的属性DB122等来生成/更新用以选择后续的建议中的建议方法的建议模型。借此，系统100就能够随着建议的次数的累加而以适合于对象的建议方法来进行建议。

图11显示在本实施形态有关的建议DB980所储存的数据构造的一例子。建议DB980对应于建议处理装置190进行的各建议来储存个人ID、环境信息、商品ID/服务ID、建议方法、及建议结果。

“个人ID”是用于识别建议对象。“环境信息”是关于该建议由环境信息取得部900所取得的针对建议对象的环境信息。“商品ID/服务ID”是建议的商品等的识别信息。

“建议方法”是一种经由建议方法决定部930所选择的藉由建议实行部940来实行的建议方法，包括在建议上所用的媒体及附加在建议上的激励诱因。“建议结果”可以是表示对于建议的建议对象的行动；除了建议对象商品等的购入以外，还可以储存例如含有建议对象商品等的广告的电子邮件/直接邮件的反应(已开封的电子邮件、点击电子邮件内的广告链接、对于电子邮件/直接邮件的回信、询问等)、网络广告的反应(点击网络广告等)、电视CM的反应(询问、在互动CM的情况下进行互动等)、以及其他的反应(来到店铺等)中的至少一个。在此处，“建议结果”可以是具有与复数种类的反应的各个相对应的栏(column)。

建议DB980可以储存建议的日期或时日等；又，建议DB980除了储存个人ID以外还可以储存在属性DB122等所储存的建议对象的属性信息中的至少一部分的副本(copy)；或者是取而代的。列举一例子，建议DB980可以储存建议对象的泛用属性数据的副本；除此之外，还可以进一步储存购买潜力数据中的与建议对象商品等赋予关联储存的至少一个的属性的属性值，或者是取而代的。根据此种形态，虽然建议DB980所储存的数据量是增加的；然而，建议处理装置190能够记录用以决定建议、及/或用以决定建议方法所使用的建议对象的属性信息，然后，即使是在属性DB122被更新的情况下，亦能够使用更新前的属性信息来生成建议模型。

图12显示本实施形态有关的建议处理装置190的建议处理流程。在S1100中，环境信息取得部900针对在系统100登录的多个对象中的某一对象(建议对象)而取得环境信息。列举一例子，环境信息取得部900由安装于建议对象所携带的移动电话或智能型手机等的可携式终端而可实行的会员服务用的应用程序接收环境信息。又，环境信息取得部900可以是因应针对某一地域接收天候信息等的环境信息，由属性DB122等来检索：位于该地域的各对象、及/或、该地域内具有住所的各对象，可以是以此等的对象作为建议对象。

在S1110中，群组选择部910基于针对建议对象的环境信息，从1商品等的多个群组之中来选择建议的群组。在S1120中，建议决定部920针对建议对象，基于属性DB122所储存的多个属性值的至少一个来决定是否建议商品等。在决定不建议商品等的情况下，建议决定部920在S1130中进行返回S1100的处理。

在决定建议商品等的情况下，建议方法决定部930用于决定对建议对象建议商品等的建议方法。在此处，建议方法决定部930可以是更进一步地基于针对建议对象的环境信息来决定建议方法。例如，建议方法决定部930可以是将针对建议对象的环境信息及属性信息的至少一部分、与建议对象商品等输入建议模型，使用建议模型来决定建议方法。在此处，建议方法决定部930藉由经常使用建议模型来决定建议模型，不只达成学习结果的活用(Exp1oitation)，还可以预先指定的比例随机地决定建议方法；或者是可以藉由选择次佳或其以下的建议方法来达成其他的建议方法的探索(Exp1oration)。

在S1150中，建议实行部940对于建议对象执行以所决定的建议方法决定的建议。建议实行部940可以是使用因应所决定的建议方法的媒体来进行：将建议用的电子邮件传送至提醒(remind)对象的电子邮件地址宛、对于建议对象所表示的网页中所含的广告用链接提供网络广告、输出含有各建议对象的收件人的收件人列表或地址簿、随着由建议对象决定的商品等的购入而接收购买交易而指示收据的广告印刷、对于电视/CATV事业者的服务器等指示建议对象商品等的广告配信等、建议处理中的至少一部分。

在S1160中，建议结果取得部950用于取得对于建议对象的建议结果。建议结果取得部950用于取得建议对象购买建议对象商品等的事况、接收电子邮件所决定的对于建议的开封确认信息(message)的事况、电子邮件中的广告链接等被点击的事况、网络广告被点击的事况、收到自接收直接邮件的建议对象而来的询问被记录的事况、收据上所印刷的优惠券等被使用的况、及/或、具有对于电视广告等的互动的事况。

在S1170中，建议结果储存部960将所实行的建议的内容及所取得的建议结果反映于属性DB122，并且于建议DB980储存为建议的历史。

在S1180中，建议模型生成部990使用属性DB122及建议DB980，来生成用于选择建议方法的建议模型。在此处，建议模型生成部990可以是在每次取得建议结果来生成或更新建议模型，取而代之，也可以是在每次取得预定的次数建议结果时、或定期地生成或更新建议模型。

建议模型生成部990可以是采用从包含例如随机森林、渐变助推、逻辑回归、神经网络、及技持向量机械(SVM)等的各种的机械学习运算法之中预先选择的运算法；也可以是和属性预测模型生成部180及属性预测模型选择部185同样地进行也将运算法及超级参数一起作为最适化的对象。

建议模型生成部990输入对象的属性信息及环境信息，使用建议DB980所储存的建议历史而来学习输出每一建议方法(每一媒体、每一激励诱因)的成功率、成功可能性、或成功可能性的偏差值等的建议模型。在该学习中，建议模型生成部990可以是按照使之反映建议的成本(广告成本、激励诱因的成本等)的方式来进行学习处理。例如，因为提供激励诱因的建议的成本比较高的缘故，所以对于提供激励诱因的建议而言，建议模型生成部990可以是按照使成功率等随着成本而比例削减(一律削减、对于商品等的价格的依成本比例分的削减等)的方式来学习建议模型。在此处，建议模型输入属性信息及环境信息，可以是以全建议方法分组合来构成输出任何1个建议方法的成功率等的推测模型。

列举一例子，建议模型生成部990从建议DB980所储存的建议历史来筛选出学习用的建议历史，将与所筛选出的建议历史相对应的对象的属性信息及环境信息输入建议模型，藉由反复地进行计算出在建议模型所输出的推测值(成功率等)与建议结果间的差分，按照使差分成为比较小的方式来更新建议模型的参数的处理，以使学习建议模型。建议模型生成部990使用重新取得的建议结果来更新建议模型、进行在线学习，一边学习一边执行由建议处理装置190决定的建议。建议模型生成部990将生成/更新的建议模型提供于建议方法决定部930。

根据以上所示的系统100，能够基于对于对象进行建议的结果来生成/更新建议模型，使用该建议模型来决定对于相同或不同的对象建议商品等的建议方法。借此，系统100能够提高建议的精度。

除了随着以上所示的环境信息的建议处理流程以外，建议处理装置190也能够藉由系统100的用户及/或管理者等来进行所能指定的统括建议处理。建议处理装置190通过终端192而接收建议对象的限制条件的指定，并将满足限制条件的建议对象的人数等显示于终端192。在此处，限制条件可以是以例如“年收为上位20％以上、男性、且、40～50岁”的方式，藉由1个或多个属性的属性值的范围来指定。又，限制条件也可以是包括以例如“对于商品A的嗜好性(或购买可能性)高者中的X名”等的方式，来指定由1个或多个属性的属性值的上位或下位来筛选出指定人数分。

系统100的用户等操作终端192，设定/调整限制条件来决定在建议所使用的限制条件。又，系统100的用户等随着需要来指定建议方法。建议处理装置190通过终端192来接收建议实行指示，对于藉由限制条件所限制的各对象，与图12的S1150～S1180同样地进行建议的实行、建议结果的取得、数据库(DB)的建议结果反映、及、建议模型的更新。

在此处，在特定的建议方法未指定的情况下，建议处理装置190可以是进行S1140的处理，来决定适合于各对象的建议方法。在此处，建议方法决定部930可以是对于多个对象的一部分逐一地决定相互不同的建议方法。借此，建议处理装置190能够实行相互不同的多个建议方法，此等的建议结果可有效地用于建议模型的学习。

取代由建议模型生成部990所生成的建议模型，本实施形态有关的系统100的变形例也能够采用使预测模型生成装置150发挥作为建议模型生成部的机能，预测模型生成装置150生成建议模型来作为属性预测模型的一种的构成。在此种的情况下，列举一例子，例如，属性DB122与复数种类的环境信息的各个相对应地，对于各建议方法储存至少一个的属性来作为建议潜力数据。建议结果储存部960因应随着环境信息及建议方法的建议结果来更新在属性DB122中的此等的属性中的已知的属性值。预测模型生成装置150基于对象的属性信息，来生成用于预测在建议潜力数据中的此等的属性的建议模型，以作为属性预测模型的1种。建议方法决定部930基于建议模型所预测的此等的属性的预测值，藉由优先地选择含有表示成功率比较高的事况的预测值的与属性相对应的建议方法，来决定最适合的建议方法。

图13显示可以全体地或部分地具体化本发明的多个态样的计算机1900的例子。安装于计算机1900的程序能够使计算机1900与本发明的实施形态有关的装置赋予关联地操作、或能够发挥该装置的1个或多个节段(section)的机能、或能够实行该操作或该1个或多个节段、及/或使计算机1900能够实行本发明的实施形态有关的程序(process)或该程序的阶段。诸如此类的程序应使计算机1900实行本说明书所述的流程图及方块图的方块中的任意或全部赋予关联的特定的操作，也可以藉由CPU2000来实行。

本实施形态有关的计算机1900具备：具有藉由主(host)/控制器2082相互连接的CPU2000、RAM2020、图像(graphic)/控制器2075、及表示装置2080的CPU周边部；具有藉由输入输出控制器2084而连接于主(host)/控制器2082的通信接口2030、硬盘驱动器2040、及DVD驱动器2060的输入输出部、具有与输入输出控制器2084连接的ROM2010、闪存/驱动器2050、及输入输出芯片2070的礼赠(legacy)输入输出部。

主(host)/控制器2082与RAM2020、及以高转送率接取RAM2020的CPU2000及图像(graphic)/控制器2075相连接。CPU2000基于ROM2010及RAM2020所储存的程序而作动来进行各部的控制。图像(graphic)/控制器2075取得CPU2000等在RAM2020内设置的框格/缓冲区上生成的影像数据，显示于显示设备2080上。取而代之，图像(graphic)/控制器2075在内部包含有用于储存的CPU2000等生成的影像数据的框格/缓冲区。

输入输出控制器2084与主(host)/控制器2082、比较高速的输入输出装置的通信接口2030、硬盘驱动器2040、DVD驱动器2060相连接。通信接口2030藉由有线或无线通过网络而与其他的装置进行通信。又，通信接口发挥作为进行通信的硬盘的机能。硬盘驱动器2040用于储存在计算机1900内的CPU2000使用的程序及数据。DVD驱动器2060由DVD2095读取程序或数据，通过RAM2020而提供于硬盘驱动器2040。

又，在输入输出控制器2084中与ROM2010、闪存/驱动器2050、及输入输出芯片2070的比较低速的输入输出装置相连接。ROM2010储存有计算机1900在起动时执行的驱动/程序、及/或、依附于计算机1900的硬盘的程序等。闪存/驱动器2050由闪存2090读取程序或数据，通过RAM2020而提供于硬盘驱动器2040。输入输出芯片2070将闪存/驱动器2050与输入输出控制器2084相连接，并且例如通过并连/埠、串接/端口、键盘/端口、鼠标/端口等而使各种的输入输出装置与输入输出控制器2084相连接。

通过RAM2020而提供于硬盘驱动器2040的程序于闪存2090、DVD2095、或IC卡等的记录媒体储存，经由利用者来提供。程序由记录媒体所读出，通过RAM2020，安装于计算机1900内的硬盘驱动器2040而在CPU2000中执行。此等的程序内记述的信息处理由计算机1900所读取，并达成软件、与上述各种型式的硬盘资源间的协同合作。装置或方法可以是藉由依照计算机1900的使用而实现信息的操作或处理来构成。

列举一例子，在计算机1900与外部的装置等之间进行通信的情况下，CPU2000实行RAM2020上所上载的通信程序，基于通信程序所记述的处理内容，对于通信接口2030指示通信处理。通信接口2030接受CPU2000的控制，读出在RAM2020、硬盘驱动器2040、闪存2090、或DVD2095等的存储装置上所设置的送信缓冲领域等所存储的送信数据而传送至网络、或、将从网络收信的受信数据写入存储装置上所设置的受信缓冲领域等。如此，通信接口2030可以是藉由DMA(直接/存储/接取)方式而将送受信数据传输于存储装置之间；取而代之，CPU2000由转送元的存储装置或通信接口2030读出数据，转送者的通信接口2030或写入存储装置并转送送受信数据。

又，CPU2000从硬盘驱动器2040、DVD驱动器2060(DVD2095)、闪存/驱动器2050(闪存2090)等的外部存储装置所储存的档案或数据库等之中，藉由DMA转送等来将全部或必要的部分读入至RAM2020，对于RAM2020上的数据来进行各种的处理。再者，CPU2000藉由DMA转送等而将处理完毕的数据回写至外部存储装置。在此类的处理中，RAM2020被视为将外部存储装置的内容暂时地保持着，在本实施形态中，将RAM2020及外部存储装置等总称为存储、存储部、或存储装置等。

本实施形态中的各种的程序、数据、表格、数据库等的各种的信息被储存于此种的存储装置上而成为信息处理的对象。另外，CPU2000能够将RAM2020的一部分保持于高速缓存(cache)存储而在高速缓存存储上进行读写。在此种的形态中，高速缓存存储担任RAM2020的机能的一部分，在本实施形态中，除了区别表示的情况，高速缓存存储也设定为包含于RAM2020、存储、及/或存储装置。

又，CPU2000对于由RAM2020读出的数据，进行经由程序的命令行所指定的包括在本实施形态中所述的各种的演算、信息的加工、条件判断、信息的检索/置换等的各种的处理，回写至RAM2020。例如，CPU2000在进行条件判断的情况下，与其他的变量或定数比较结果，判断在本实施形态中所示的各种的变数是否满足较大、较小、以上、以下、等于等的条件；在条件成立的情况(或不成立的情况)下，与不同的命令行分离、或呼叫出子路径(subroutine)。

又，CPU2000能够检索在存储装置内的档案或数据库等所储存的信息。例如，对于第1属性的属性值，在第2属性的属性值分别赋予关联的多个进入(entry)被储存于存储装置的情况，CPU2000从存储装置所储存的多个进入(entry)之中，检索与第1属性的属性值所指定的条件一致的进入(entry)，读出在该进入(entry)所储存的第2属性的属性值，而得到与满足预定的条件的第1属性赋予关联的第2属性的属性值。

又，在实施形态的说明中列举了多个要素的情况下，也可以是使用所列举的要素以外的要素。例如，在记载为“X为使用A、B及C来执行Y”的情况下，X除了A、B及C以外还可以使用D来执行Y。

以上，虽然是使用实施的形态来说明本发明，然而本发明的技术的范围并不限定于上述实施的形态所述的范围。在上述实施的形态中，可以附加多种的变更或改良为熟习此项技术者所应明白的。附加有该类的变更或改良的形态也可以是包含在本发明的技术的范围内，此点明显可由申请专利范围的记载来明白的。

在专利请求的范围、说明书、及图面中所示的装置、系统、程序、及方法中的动作、顺序、步骤、及阶段等的各处理的实行顺序，未特别明示“更早之前”、“事先”等、又，只要不是限定于将先前的处理的输出使用于后续的处理，则可以任意的顺序来实现，此点应特别地留意。关于申请专利范围、说明书、及图面中的动作流程，即使是便利地使用“首先”、“其次”等来进行说明时，也不是意谓着必须要按照此种顺序来实施。

附图标记说明

100 系统

110 属性预测装置

112 终端

115 属性信息取得部

120 属性DB连接部

122 属性DB

125 维度减缩部

130 减缩DB连接部

132 减缩DB

135 属性预测部

140 属性值更新部

142 属性预测值更新部

144 属性数据取得部

146 属性追加部

150 预测模型生成装置

152 终端

155 模組更新指示部

160 採樣部

165 属性DB连接部

167 属性DB

170 维度减缩部

175 减缩DB连接部

177 减缩DB

180 属性预测模型生成部

185 属性预测模型选择部

190 建议处理装置

192 终端

810 属性预测模型A

820 属性预测模型B

830 属性预测模型C

900 环境信息取得部

910 群组选择部

920 建议决定部

930 建议方法决定部

940 建议实行部

950 建议结果取得部

960 建议结果储存部

970 建议DB连接部

980 建议DB

990 建议模型生成部

1900 计算机

2000 CPU

2010 ROM

2020 RAM

2030 通信接口

2040 硬盘驱动器

2050 闪存存储器/驱动器

2060 DVD驱动器

2070 输入输出晶片

2075 图像(graphic)/控制器

2080 显示装置

2082 主(host)/控制器

2084 输入输出控制器

2090 闪存

2095 DVD。

Claims (11)

1.一种裝置，其具备：

属性数据库连接部，其连接于用以针对多个对象的每一个存储与多个属性相对应的多个属性值的属性数据库；

建议决定部，其针对所述多个对象中的第1对象，基于所述多个属性值的至少一个来决定是否建议商品及服务中的至少一方；

建议方法决定部，其用来决定对所述第1对象建议商品及服务中的至少一方的建议方法；

建议结果取得部，其用来取得对所述第1对象的由所述建议方法所决定的建议结果；

建议结果储存部，其用来将所述建议方法所决定的所述建议结果和所述属性数据库的所述多个属性中的至少一部分的属性进行关联并予以存储；以及

建议模型生成部，其使用包含有将所述建议方法所决定的所述建议结果作为所述至少一部分的属性的属性值的所述属性数据库，来生成用以选择所述建议方法的建议模型。

2.如权利要求1所述的装置，其中所述建议方法决定部使用所述建议模型来决定对第2对象建议商品及服务中的至少一方的建议方法。

3.如权利要求2所述的装置，其中所述建议方法决定部对于多个所述第1对象的每一部分决定相互不同的建议方法。

4.如权利要求2或3所述的装置，其中所述建议方法决定部决定以使用电子邮件、网络广告、直接邮件、对所述第1对象发行的收据的印刷、及电视广告中的至少一个来作为对所述第1对象的建议方法。

5.如权利要求2至权利要求4中任一项所述的装置，其中所述建议方法决定部决定以提供商品及服务中的至少一方的折扣、优惠券的给予、及点数给予中的至少一方的激励诱因来作为对所述第1对象的建议方法。

6.如权利要求2至权利要求5中任一项所述的装置，其具备：

环境信息取得部，其用以取得显示所述第2对象所放置的环境的环境信息；及

群组选择部，其基于所述第2对象的所述环境信息，从商品及服务中的至少一方的多个群组之中选择所建议的群组；

所述建议决定部基于所述第2对象的所述多个属性值中的至少一个，从所述群组选择部选择的群组所包含的商品及服务中的至少一方中，决定对所述第2对象建议的商品及服务中的至少一方。

7.如权利要求6所述的装置，其中所述群组选择部从所述多个群组之中，优先选择：多个店铺之中比较靠近所述第2对象的现在位置的店铺所对应的群组。

8.如权利要求7所述的装置，其中所述群组选择部更进一步基于所述第2对象的所述多个店铺的各个的最终利用时日、或从最终利用起的经过期间，从所述多个群组之中来选择建议的群组。

9.如权利要求6至权利要求8中任一项所述的装置，其中所述建议方法决定部更进一步基于所述第2对象的所述环境信息来决定所述建议方法。

10.一种方法，其具备：

建议决定步骤，计算机基于对于多个对象中的第1对象，对所述多个对象的各个用以存储和多个属性相对应的多个属性值的属性数据库中的所述多个属性值的至少一个，来决定是否建议商品及服务中的至少一方；

建议方法决定步骤，所述计算机决定：对所述第1对象建议商品及服务中的至少一方的建议方法；

建议结果取得步骤，所述计算机取得：对所述第1对象的由所述建议方法所决定的建议结果；

建议结果储存步骤，所述计算机将所述建议方法所决定的所述建议结果和所述属性数据库的所述多个属性中的至少一部分的属性进行关联并加以储存；

建议模型生成步骤，所述计算机使用包含有以所述建议方法所决定的所述建议结果作为所述至少一部分的属性的属性值的所述属性数据库，来生成用以选择所述建议方法的建议模型。

11.一种程序，其可由计算机执行并使所述计算机发挥作为以下功能，

属性数据库连接部，连接于用以针对多个对象的各个，存储和多个属性相对应的多个属性值的属性数据库；

建议决定部，对所述多个对象中的第1对象，基于述多个属性值中的至少一个，来决定是否建议商品及服务中至少一方；

建议方法决定部，决定对所述第1对象建议商品及服务中的至少一方的建议方法；

建议结果取得部，用来取得：对所述第1对象的由所述建议方法所决定的建议结果；

建议结果储存部，将所述建议方法所决定的所述建议结果和所述属性数据库的所述多个属性中的至少一部分的属性进行关联并予以储存；以及

建议模型生成部，使用包含有以将所述建议方法所决定的所述建议结果作为所述至少一部分的属性的属性值的所述属性数据库，来生成用以选择所述建议方法的建议模型。

Images