CN114258552A - 信息处理装置、信息处理方法和程序 - Google Patents

信息处理装置、信息处理方法和程序 Download PDF

Info

Publication number
CN114258552A
CN114258552A CN202080057460.1A CN202080057460A CN114258552A CN 114258552 A CN114258552 A CN 114258552A CN 202080057460 A CN202080057460 A CN 202080057460A CN 114258552 A CN114258552 A CN 114258552A
Authority
CN
China
Prior art keywords
person
evaluated
action
evaluation
information processing
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.)
Pending
Application number
CN202080057460.1A
Other languages
English (en)
Inventor
佐佐木贵宏
田尻贵夫
森田匠
山下隆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Group Corp
Original Assignee
Sony Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sony Group Corp filed Critical Sony Group Corp
Publication of CN114258552A publication Critical patent/CN114258552A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Technology Law (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

[问题]为了更适当地评估待评估人的行为。[解决方案]提供一种信息处理装置，包括评估单元，所述评估单元基于指示待评估人的与预定任务相关的行为的记录的行为记录数据来评估所述待评估人的行为，其中，所述评估单元基于对所述待评估人的行为的风格进行分析的风格分析的结果和对所述待评估人的行为的一致性进行分析的一致性分析的结果，评估所述待评估人的行为。

Description

信息处理装置、信息处理方法和程序
技术领域
本发明涉及信息处理装置、信息处理方法和程序。
背景技术
关于任务，适当地评估任务的执行者是非常重要的。为此目的，已经设计了用于自动化或辅助如上所述的评估的许多机制。例如，专利文献1设计了一种对投资信托基金进行评级的机制。
现有技术文献
专利文献
专利文献1：日本专利申请公开号2009-245368。
发明内容
本发明要解决的问题
尤其是在对执行诸如投资信托基金等专业性高的任务的执行者执行评估的情况下，需要基于多方面的分析进行更恰当的评估。
问题的解决方案
根据本发明的某一观点，提供一种信息处理装置，包括评估单元，评估单元基于指示待评估人关于预定任务的动作结果的动作结果数据执行对待评估人的动作的评估，其中，评估单元基于对待评估人的动作的风格进行分析的风格分析的结果和对待评估人的动作的一致性进行分析的一致性分析的结果，评估待评估人的动作。
此外，根据本发明的另一观点，提供一种信息处理方法，包括：通过处理器基于指示待评估人关于预定任务的动作结果的动作结果数据执行对待评估人的动作的评估，其中，执行评估还包括：基于对待评估人的动作的风格进行分析的风格分析的结果和对待评估人的动作的一致性进行分析的一致性分析的结果，评估待评估人的动作。
此外，根据本发明的另一观点，提供一种程序，用于使计算机用作信息处理装置，该信息处理装置包括评估单元，评估单元基于指示待评估人关于预定任务的动作结果的动作结果数据执行对待评估人的动作的评估，其中，评估单元基于对待评估人的动作的风格进行分析的风格分析的结果和对待评估人的动作的一致性进行分析的一致性分析的结果，评估待评估人的动作。
附图说明
图1是示出根据本发明的实施方式的学习装置10的功能配置示例的框图。
图2是示出根据本实施方式的评估装置20的功能配置示例的框图。
图3是用于说明根据该实施方式的由学习单元110生成风格检测器212的示意图。
图4是用于说明根据该实施方式的学习单元110生成相似器214的示意图。
图5是用于说明根据该实施方式的风格检测器212和相似器214的输出概要的示意图。
图6是用于说明根据该实施方式的风格检测器212和相似器214的输出结果和基于结果的评估的示例的示意图。
图7是用于说明根据该实施方式的风格检测器212和相似器214的输出结果和基于结果的评估的示例的示意图。
图8是用于说明根据该实施方式的风格检测器212和相似器214的输出结果和基于结果的评估的示例的示意图。
图9是用于说明根据该实施方式的风格检测器212和相似器214的输出结果和基于结果的评估的示例的示意图。
图10是用于示出根据实施方式的第三分类器217的生成和由第三分类器217输出的二维图M0的示意图。
图11是示出根据该实施方式的主动回报图M1的示例的示意图。
图12是示出根据该实施方式的主动权重图M2的示例的示意图。
图13是示出根据该实施方式的主动回报与主动权重图M3的示例的示意图。
图14是示出根据该实施方式的交易量图M4的示例的示意图。
图15是示出根据该实施方式的主动回报与交易量图M5的示例的示意图。
图16是用于解释根据该实施方式的使用3个分析结果的三轴综合评估的示意图。
图17是示出根据该实施方式的对多个待评估人的评估进行比较的比较表的示例的示意图。
图18是示出根据该实施方式的评估装置20的处理流程的示例的流程图。
图19是示出根据该实施方式的信息处理装置90的硬件配置示例的框图。
具体实施方式
在下文中，将参考附图详细描述本发明的优选实施方式。注意，在本说明书和附图中，具有基本相同功能配置的元件由相同的附图标记表示，并且将省略多余的说明。
注意，将按以下顺序给出描述。
1.实施方式
1.1.背景
1.2.学习装置10的功能配置示例
1.3.评估装置20的功能配置示例
1.4.评估关于待评估人的动作的“习惯”
1.5.评估关于待评估人的动作的“技能”
1.6.基于每个分析结果的综合评估
1.7.处理流程
2.硬件配置示例
3.结论
<1.实施方式>
<<1.1.背景>>
如上所述，关于某一任务，无论业务领域和业务类型如何，适当地评估该任务的执行者(以下也称为待评估人)是非常重要的。然而，在待评估人执行的任务的专业性高并且评估者不具备与待评估人同等的任务的专业知识的情况下，有时难以进行适当的评估。
这里，作为示例，假设对某基金进行基金经理的评估的情况。属于该基金的评估者例如将签约的基金经理或新的基金经理作为待评估人作为未来签约的候选者执行评估。
然而，这里，在属于基金的评估者不具有与待评估人同等的专业知识的情况下，评估者难以对待评估人进行适当的评估。此外，有时会发生评估者无法掌握待评估人对对策等的说明而不得不接受待评估人的话的情况等。
因此，尤其是在评估诸如基金经理(或基金)等执行专业性高的任务的待评估人时，基于多方面的分析使评估可视化是很重要的。
根据本发明的实施方式的技术构思是通过聚焦于上述要点而构思的，并且对待评估人的动作实施更适当的评估。
为此目的，根据本发明实施方式的评估装置20基于使用机器学习算法的多个分析的结果来评估待评估人的动作。
例如，根据本实施方式的评估装置20基于由机器学习生成的第一分类器和第二分类器的输出结果来评估关于待评估人的动作的“习惯”。
此外，例如，根据本实施方式的评估装置20可基于由机器学习生成的第三分类器的输出结果来评估关于待评估人的动作的“技能”。
在下文中，将给出用于实现如上所述的评估的功能配置的详细描述。
<<1.2.学习装置10的功能配置示例>>
首先，将描述根据本实施方式的学习装置10的功能配置示例。根据本实施方式的学习装置10是生成上述第一分类器、第二分类器或第三分类器的信息处理装置。
图1是示出根据本实施方式的学习装置10的功能配置示例的框图。如图1所示，根据本实施方式的学习装置10包括学习单元110、存储单元120等。
(学习单元110)
根据本实施方式的学习单元110通过机器学习算法生成第一分类器、第二分类器或第三分类器。
例如，根据本实施方式的学习单元110可通过使用深度神经网络的监督学习来生成第一分类器和第二分类器。
此外，例如，根据本实施方式的学习单元110可通过使用神经网络的无监督学习来生成第三分类器。
将分别详细描述根据本实施方式的学习单元110的学习细节。注意，根据本实施方式的学习单元110的功能由诸如GPU等处理器来实现。
(存储单元120)
根据本实施方式的存储单元120存储关于由学习单元110执行的学习的各种类型的信息。例如，存储单元120存储学习单元110用于学习的网络结构、关于网络的各种参数、学习数据等。
在上文中，已描述根据本实施方式的学习装置10的功能配置示例。注意，以上参考图1描述的功能配置仅仅是示例，并且根据本实施方式的学习装置10的功能配置不限于该示例。
例如，根据本实施方式的学习装置10可还包括接收用户操作的操作单元、显示各种类型的信息的显示单元等。
此外，学习装置10不一定必须生成所有第一分类器、第二分类器和第三分类器。根据本实施方式的第一分类器、第二分类器和第三分类器可分别由不同的学习装置10生成。
可根据规格和操作灵活地修改根据本实施方式的学习装置10的功能配置。
<<1.3.评估装置20的功能配置示例>>
接下来，将描述根据本实施方式的评估装置20的功能配置示例。根据本实施方式的评估装置20是对待评估人的动作执行评估的信息处理装置。
图2是示出根据本实施方式的评估装置20的功能配置示例的框图。如图2所示，根据本实施方式的评估装置20包括评估单元210、存储单元220、输出单元230等。
(评估单元210)
根据本实施方式的评估单元210基于指示待评估人关于预定任务的动作的结果的动作结果数据来对待评估人的动作执行评估。
根据本实施方式的待评估人例如包括上述基金经理等。在此情况下，上述预定任务可以是资产管理。此外，上述待评估人的动作的示例包括诸如股票等金融产品的交易。此外，动作结果数据可以是记录交易结果(例如，购买某股票的日期、购买金额、出售某股票的日期、出售金额等)的数据。
另外，在以下描述明中，将描述待评估人是基金经理的情况作为主要示例，但根据本实施方式的待评估人不限于这种示例。
根据本实施方式的待评估人可以是例如属于公司的销售人员等。在此情况下，上述预定任务可以是销售活动。此外，上述待评估人的动作的示例包括拜访客户(包括潜在客户)、电话、电子邮件、演示等。此外，动作结果数据可以是记录如上所述的每个动作的结果(例如，访问日期、电话呼叫数量、电子邮件数量、呈现或不存在等)的数据。
此外，根据本实施方式的评估单元210的特征之一是基于使用上面描述的第一分类器、第二分类器和第三分类器的分析结果来对待评估人的动作执行评估。
根据本实施方式的风格检测器212是第一分类器的示例。根据本实施方式的风格检测器212用于分析待评估人的动作风格的风格分析。
此外，根据本实施方式的相似器214是第二分类器的示例。根据本实施方式的相似器214用于分析待评估人的动作的一致性的一致性分析。
此外，根据本实施方式的提取器216用于分析待评估人的动作对预定任务中的评估项目的贡献的贡献分析。
将分别给出使用根据本实施方式的风格检测器212、相似器214或提取器216的每个分析以及基于每个分析的结果的评估的详细描述。注意，根据本实施方式的评估单元210的功能由诸如GPU或CPU等处理器来实现。
(存储单元220)
根据本实施方式的存储单元220存储由评估装置20使用的各种信息。存储单元220存储信息，例如，指示待评估人的动作结果的动作结果数据、由评估单元210使用的程序、评估单元210的评估结果等。
(输出单元230)
根据本实施方式的输出单元230输出评估单元210的评估结果。例如，根据本实施方式的输出单元230可显示上述评估的结果。在此情况下，输出单元230包括各种显示器。此外，例如，输出单元230可将上述评估的结果打印在纸介质上。在此情况下，输出单元230包括打印机。
在上文中，已描述根据本实施方式的评估装置20的功能配置示例。注意，以上参考图2描述的功能配置仅仅是示例，并且根据本实施方式的评估装置20的功能配置不限于该示例。
例如，如图2所示，根据本实施方式的评估单元210可包括风格检测器212、相似器214和提取器216，并使用它们来自行执行每个分析。
另一方面，风格检测器212、相似器214或提取器216的各分析可由例如布置在云上的单独装置执行。在此情况下，通过从上述单独的装置获取每个分析的结果，根据本实施方式的评估单元210可基于结果对要成为目标的人的动作执行评估。
此外，例如，评估单元210和输出单元230不一定必须设置在同一装置中。作为示例，设置在本地布置的装置中的输出单元230可获取设置在云中布置的单独装置中的评估单元210的评估结果并输出该结果。
可根据规格和操作灵活地修改根据本实施方式的评估装置20的功能配置。
<<1.4.评估关于待评估人的动作的“习惯”>>
接下来，将详细描述根据本实施方式的评估单元210对关于待评估人的动作的“习惯”的评估。
基于对待评估人的动作的风格进行分析的风格分析的结果和对待评估人的动作的一致性进行分析的一致性分析的结果，根据本实施方式的评估单元210可评估关于待评估人的动作的“习惯”。
例如，假设规定的任务是资产管理，则待评估人(基金经理)的动作是诸如股票等金融产品的交易。在此情况下，根据本实施方式的风格分析可以是分析基金经理的管理风格(也可以说是管理策略)的分析。此外，根据本实施方式的一致性分析可以是分析管理的一致性的分析。
即，根据本实施方式的评估单元210可基于基金经理的管理风格和管理的一致性来评估基金经理的“习惯”。
根据如上所述的评估方法，例如，可以掌握作为待评估人的基金经理对于金融产品的交易具有什么特性。
此外，根据上述评估方法，例如，可以掌握作为待评估人的基金经理在各种经济背景下采取的动作。
此外，根据上述评估方法，可准确判断基金经理的动作是否一致而不会偏离已关于该基金进行的提议以及动作偏离的情况下偏离是否适当或是否应予警告。
在下文中，将给出根据本实施方式的风格分析和一致性分析以及使用每个分析的结果的评估方法的详细描述。
首先，将描述根据本实施方式的风格分析。根据本实施方式的风格分析可以是将动作结果数据输入到深度学习生成的第一分类器(即风格检测器212)并对待评估人的动作风格进行分类的分析。
这里，将描述根据本实施方式的生成风格检测器212的方法。为了使深度神经网络(DNN)获得对风格进行分类的能力，假设了一种方法，其中将对应于用作参考的多种风格的动作的结果数据作为训练数据给出，并执行监督学习。
然而，在很多情况下，不存在忠实反映用作参考的风格的动作的结果数据。
为此，根据本实施方式的风格检测器212可通过将基于相互不同风格的多组虚拟动作结果数据用作训练数据的监督学习来生成。
虚拟动作结果数据可以是指示通过用于基于预定风格来虚拟执行关于预定任务的动作的程序获得的虚拟动作的结果的数据。
图3是用于说明根据本实施方式的学习单元110生成风格检测器212的示意图。
例如，在图3所示的示例的情况下，多组训练数据TD1到TDn被提供给DNN 112。
这里，训练数据TD1可以是由基于风格1虚拟执行金融产品的交易的程序(虚拟基金经理1)获得的虚拟动作结果数据。
此外，训练数据TD2可以是由基于风格2虚拟执行金融产品的交易的程序(虚拟基金经理2)获得的虚拟动作结果数据。
此外，训练数据TDn可以是由基于风格n虚拟执行金融产品的交易的程序(虚拟基金经理n)获得的虚拟动作结果数据。
根据使用如上所述的训练数据TD1至TDn的监督学习，可使DNN 112获得关于风格1至n的分类能力。此外，在本实施方式中，已获得分类能力的DNN 112用作风格检测器212。
注意，作为风格1至N，例如可采用资产管理中的典型风格的价值型、增长型、高股息型、最小波动型、动量型、质量型、固定权重型、技术型等。
接下来，将描述根据本实施方式的一致性分析。根据本实施方式的一致性分析可以是将动作结果数据输入到深度学习生成的第二分类器(即相似器214)，并对待评估人的动作与他人的相似度进行分类的分析。
这里，将描述根据本实施方式的生成相似器214的方法。为了使DNN获得关于与他人相似度的分类能力，假设了一种方法，其中将由他人执行的动作的结果数据作为参考，作为训练数据进行监督学习。
为此，根据本实施方式的相似器214可通过使用关于多个真实他人的多组他人的动作结果数据作为训练数据的监督学习来生成。
其他人的动作结果数据可以是指示真实他人关于预定任务的动作结果的数据。
图4是用于说明根据本实施方式的学习单元110生成相似器214的示意图。
例如，在图4所示的示例的情况下，多组训练数据TD1至TDn被提供给DNN 114。
这里，训练数据TD1可以是指示现有他人1(基金经理1)的动作结果的其他人的动作结果数据。
此外，训练数据TD2可以是指示现有他人2(基金管理者2)的动作结果的其他人的动作结果数据。
此外，训练数据TDn可以是指示现有他人n(基金经理n)的动作结果的其他人的动作结果数据。
根据使用如上所述的训练数据TD1至TDn的监督学习，可使DNN 114获得关于与其他人1至n的相似度的分类能力。此外，在本实施方式中，已获得分类能力的DNN 114用作相似器214。
在上文中，已经描述用于生成风格检测器212和相似器214的方法。接下来，将描述使用根据本实施方式的风格检测器212和相似器214的分析和基于分析结果的评估。
图5是用于示出根据本实施方式的风格检测器212和相似器214的输出概要的示意图。
如图5所示，对于根据本实施方式的风格检测器212和相似器214，给出指示待评估人的动作的结果的动作结果数据作为输入数据ID。
此时，风格检测器212输出输出数据SO，该输出数据指示作为输入数据ID给出的动作结果数据与对应于在学习时给出的训练数据的每个风格的匹配度。
另一方面，相似器214输出输出数据RO，该输出数据指示作为输入数据ID给出的动作结果数据与对应于在学习时给出的训练数据的其他人中的每个的相似度。
注意，在用于生成相似器214的学习时，可进一步给出指示待评估人的动作结果的动作结果数据作为训练数据。在此情况下，相似器214还可计算作为输入数据ID给出的动作结果数据与待评估人的相似度。
在上文中，已经描述根据本实施方式的风格检测器212和相似器214的输出的概要。根据本实施方式的评估单元210的特征之一是基于如上所述的风格分析的结果和一致性分析的结果来评估待评估人的动作。
例如，根据本实施方式的评估单元210可以基于与输入动作结果数据对应的时段内待评估人的动作的风格有关的稳定性和与该时间段内对象的动作的一致性有关的稳定性来评估待评估人的动作。
更具体地，，根据本实施方式的评估单元210可以基于指示待评估人的动作的风格在上述时段内是持续还是变化的第一轴线和指示待评估人的动作的一致性在同一时段内是否维持的第二轴线来评估待评估人的动作。
图6至图9各自是用于说明根据本实施方式的风格检测器212和相似器214的输出结果和基于结果的评估的示例的示意图。
例如，在图6所示的示例的情况下，关注相似器214的输出结果，可看出他人3的相似度在与动作结果数据对应的时段内持续占优。在此情况下，评估单元210可确定在该时段内待评估人的动作的一致性得到维持。
另一方面，关注风格检测器212的输出结果，可看出，在与动作结果数据对应的时段内风格2持续占优。在此情况下，评估单元210可确定在该时段内待评估人的动作是稳定的。
如上所述，在可确定待评估人的动作一致并且动作的风格稳定的情况下，评估单元210可以评估基于因素的投资动作正在执行，其中，因素和基金经理的投资策略继续。
此外，例如，在图7所示的示例的情况下，关注相似器214的输出结果，可看出，在与动作结果数据对应的时段中，前半部分他人3的相似度占优，而后半部分他人1的相似度占优。在此情况下，评估单元210可确定在该时段内待评估人的动作的一致性未被维持(不一致)。
另一方面，关注风格检测器212的输出结果，可看出，在与动作结果数据对应的时段内风格2持续占优。在此情况下，评估单元210可确定在该时段内待评估人的动作是稳定的。
如上所述，在可确定待评估人的动作不一致并且动作的风格稳定的情况下，评估单元210可评估因素暴露稳定，尽管动作不一致。
此外，例如，在图8所示的示例的情况下，关注相似器214的输出结果，可看出在与动作结果数据对应的时段内他人3的相似度持续占优。在此情况下，评估单元210可确定在该时段内待评估人的动作的一致性得到维持。
另一方面，关注风格检测器212的输出结果，可看出，在与动作结果数据对应的时段内，风格3在前半段占优，而风格1在后半段占优。在此情况下，评估单元210可确定在该时段内待评估人的动作的风格发生变化。
如上所述，在可确定待评估人的动作一致且动作的风格变化的情况下，评估单元210可以评估正在以因素轮换的方式执行投资动作，其中，尽管投资因素因市场趋势而异，但总体投资策略是持续的。
此外，例如，在图9所示的示例的情况下，关注于相似器214的输出结果，可看出，在与动作结果数据对应的时段内，他人3的相似度在前半部分占优，而他人1的相似度在后半部分占优。在此情况下，评估单元210可确定在该时段内待评估人的动作的一致性未得到维持(不一致)。-
另一方面，关注风格检测器212的输出结果，可看出，在与动作结果数据对应的时段内，风格3在前半段占优，而风格1在后半段占优。在此情况下，评估单元210可确定在该时段内待评估人的动作的风格发生变化。
如上所述，在可确定待评估人的动作不一致并且动作的风格变化的情况下，评估单元210可仅通过直觉和经验来评估投资动作，其中，管理不一致，也没有风格可言。
在上文中，已经通过具体示例描述使用根据本实施方式的风格检测器212和相似器214的分析结果以及基于结果的评估。
根据使用根据本实施方式的风格检测器212和相似器214的分析，可通过使用稳定性和一致性两个轴来更适当地评估待评估人的动作。
<<1.5.评估关于待评估人的动作的“技能”>>
接下来，将详细描述根据本实施方式的评估单元210对关于待评估人的动作的“技能”的评估。
在以上描述中，已描述一种方法，其中，根据本实施方式的评估单元210基于使用风格检测器212和相似器214的分析结果评估关于待评估人的动作的“习惯”。
除了如上所述的对“习惯”的评估之外，根据本实施方式的评估单元210还可通过基于使用提取器216的分析结果执行“技能”的评估来更精细和适当地待评估人的动作。
使用根据本实施方式的提取器216的分析可以说是分析待评估人的动作对预定任务中的评估项目的贡献的贡献分析。
根据本实施方式的贡献分析包括：通过第三分类器基于输入的作为待评估者的动作的目标的多个对象的属性和对象的动作结果数据，生成多个对象布置在平面上的二维图。例如，在任务是资产管理的情况下，根据本实施方式的对象可以是股票名称。
图10是用于示出根据本实施方式的第三分类器217的生成和由第三分类器217输出的二维图M0的示意图。
根据本实施方式的第三分类器217输出多个对象布置在平面上的二维图M0，将作为待评估者的动作的目标的多个对象的属性和对象的动作结果数据用作输入数据ID。注意，图10所示的二维图M0中的每个矩形表示上述对象。
即，可以说根据本实施方式的第三分类器217具有在保留数据分布的相位结构的同时将高维数据集映射到低维空间的功能。
根据本实施方式的第三分类器217例如可通过重复执行无监督学习来生成，其中，将上述输入数据ID提供给神经网络(NN)116并且输出二维图M0。
根据本实施方式的第三分类器217例如可以是自组织图。另一方面，根据本实施方式的第三分类器217可通过使用诸如变分自编码器(VAE)等算法来生成。
根据本实施方式的提取器216使用如上所述生成的第三分类器217来执行贡献分析。此时，根据本实施方式的提取器216的特征之一是在由第三分类器217输出的二维图M0中以热图形式表达关于预定任务中的评估项目的强度和关于目标人物的动作的强度。
例如，在预定任务是资产管理的情况下，上述评估项目的示例包括主动回报。这里，主动回报是指示投资组合的回报与基准的回报之间的差的指数。
根据本实施方式的提取器216可基于股票的属性(这里是上述基准的回报)和动作结果数据(这里是投资组合的回报)计算主动回报，并生成主动回报图M1，其中，主动回报在二维图M0上以热图形式表示。
图11是示出根据本实施方式的主动回报图M1的示例的示意图。在图11所示的主动回报图M1中，主动回报的强度用斜线的密度表示。
具体地，在图11所示的主动回报图M1中，投资组合的回报大大超过基准的回报的区用高密度斜线表示，而投资组合的回报与基准的回报几乎没有差异的区用由低密度斜线表示。此外，投资组合的回报远低于基准的回报的区用纯色(白色)表示。
注意，在图11所示的主动回报图M1中，主动回报的强度由上述三个阶段表示以优先化可见度，但根据本实施方式的提取器216可以更多级连续地表达主动回报的强度。
此外，在图11所示的主动回报图M1中，为了优先考虑可读性，省略布置在平面上的每个股票的表达。这同样适用于下面描述的每个热图。
此外，根据本实施方式的提取器216还可生成指示关于目标人物的动作的强度的热图，作为与指示关于预定任务中的评估项目的强度的热图(诸如主动回报图M1)进行比较的目标。
例如，作为关于上述目标人物的动作的强度指标的示例，可提及主动权重。主动权重是指示投资组合中的股票的构成比例与基准中的股票的构成比例偏差幅度的指标。
根据本实施方式的提取器216可基于股票的属性(这里是上述基准中的股票组成比)和动作结果数据(这里是投资组合中的股票的组成比)来计算主动权重，并生成主动权重图M2，其中，主动权重在二维图M0上以热图形式表示。
图12是示出根据本实施方式的主动权重图M2的示例的示意图。在图12所示的主动权重图M2中，主动回报的强度由点的密度表示。
具体地，在图12所示的主动权重图M2中，投资组合中的股票持有量大大超过基准中的股票持有量的区由高密度点表示。此外，投资组合中的股票持有量与基准中的股票持有量之间几乎没有差异的区用低密度点表示。此外，投资组合中的股票持有量远低于基准中的股票持有量的区用纯色(白色)表示。
注意，在图12所示的主动权重图M2中，为了优先考虑可读性，主动权重的强度由上述三个级别表示，但根据本实施方式的提取器216可以更多级连续地表达主动权重的强度。
在上文中，已描述了根据本实施方式的指示关于评估项目的强度的热图和指示关于目标人物的动作的强度的热图的具体示例。
根据本实施方式的提取器216还可生成热图，其中，上述两个生成的热图彼此叠加。
此外，此时，根据本实施方式的评估单元210可以基于上面描述的两个热图彼此叠加的热图(二维图)评估待评估人的动作对评估项目的贡献是否是归因于待评估人的能力。
例如，根据本实施方式的提取器216可通过将主动回报图M1与主动权重图M2彼此叠加来生成主动回报与主动权重图M3。
图13是示出根据本实施方式的主动回报与主动权重图M3的示例的示意图。此时，根据本实施方式的评估单元210可基于主动回报与主动权重图M3评估待评估人的动作对主动回报的贡献是否是归因于待评估人的能力。
例如，在图13所示的主动回报与主动权重图M3中，主动回报高且主动权重高的区通过高密度斜线与高密度点的叠加表示。该区可以说是股票持有量大并且由于待评估人的动作而获利的区。
因此，根据本实施方式的评估单元210可评估这样的区，在该区域中关于评估项目具有高强度的区与关于待评估人的动作具有高强度的区彼此重叠，例如如上所述的区，作为待评估人的能力被评估为贡献高的区(好的选择)。
另一方面，在图13所示的主动回报与主动权重图M3中，主动回报高而主动权重低的区由高密度斜线表示。该区可以说是股票持有量少但相对盈利的区。
因此，根据本实施方式的评估单元210可评估这样的区，在该区域中关于评估项目具有高强度的区与关于待评估人的动作具有低强度的区彼此重叠，例如如上所述的区，作为待评估人的能力被评估为贡献低的区，即侥幸产生回报的区(运气)。
另一方面，在图13所示的主动回报与主动权重图M3中，主动回报低而主动权重高的区由高密度点表示。该区可以说是股票持有量大并且由于待评估人的动作而产生损失的区。
因此，根据本实施方式的评估单元210可评估这样的区，在该区域中关于评估项目具有低强度的区与关于待评估人的动作具有高强度的区彼此重叠，例如如上所述的区，作为由于待评估人的错误计算而产生损失的区(坏的选择)。
此外，根据本实施方式的评估单元210还可以基于如上所述评估的每个区的面积，计算在资产管理产生的利润中指示由待评估人的“技能”产生的利润的贡献率(有意利润率(IPR))。
例如，在图13所示的示例的情况下，可通过以下数学表达式计算IPR。
IPR＝好的选择/好的选择+运气
如上所述，根据使用根据本实施方式的提取器216的评估，与仅在主动回报的情况下对待评估人执行评估的情况相比，能够更适当地评估待评估人的能力(技能)。
此外，评估单元210还可通过每隔预定时间连续计算IPR来执行评估，诸如待评估人的能力如何变化。
此外，在以上描述中，例示评估单元210基于主动回报和与主动权重对待评估人执行评估的情况；然而，根据本实施方式的评估单元210的评估不限于这种示例。
根据本实施方式的评估单元210可基于例如主动回报和交易量对待评估人执行评估。
图14是示出根据本实施方式的交易量图M4的示例的示意图。在图14所示的交易量图M4中，交易量的强度用斜线的密度表示。
具体地，在图14所示的交易量图M4中，交易量大的区用高密度斜线表示，并且交易量中等的区用低密度斜线表示。此外，交易量低的区用纯色(白色)表示。
注意，在图14所示的交易量图M4中，为了优先考虑可读性，主动权重的强度由上述三个级别表示，但根据本实施方式的提取器216可以更多级连续地表达交易量的强度。
此外，根据本实施方式的提取器216可通过将主动回报图M1与交易量图M4彼此叠加来生成主动回报与交易量图M5。
图15是示出根据本实施方式的主动回报与交易量图M5的示例的示意图。此时，根据本实施方式的评估单元210可以基于主动回报与交易量图M5评估待评估人的动作对主动回报的贡献是否是归因于待评估人的能力。
例如，在图15所示的主动回报与交易量图M5中，主动回报高且交易量大的区通过高密度斜线与高密度点的叠加表示。该区可以说是股票的交易量大并且由于待评估人的动作而获利的区。
因此，根据本实施方式的评估单元210可将上述区域评估为对待评估人的能力具有高贡献的区(良好交易)。
另一方面，在图15所示的主动回报与交易量图M5中，主动回报高且交易量小的区由高密度斜线表示。该区可以说是股票交易量较小但相对获利的区。
因此，根据本实施方式的评估单元210可将上述区域评估为侥幸产生利润的区(运气)。
另一方面，在图15所示的主动回报与交易量图M5中，主动回报低且交易量大的区由高密度点表示。该区可以说是股票的交易量大并且由于待评估人的动作而产生损失的区。
因此，根据本实施方式的评估单元210可将上述区域评估为由于待评估人的错误计算而产生损失的区(不良交易)。
在上文中，已经通过具体示例描述使用根据本实施方式的提取器216的评估。注意，除了上述主动回报、主动权重和交易量之外，根据本实施方式的提取器216可以热图形式表达各种属性和基于这些属性的指标。
根据本实施方式的提取器216可生成关于例如PBR(市净率)、PER(市盈率)、股票回报率等的热图，并且评估单元210可基于热图来执行评估。
根据使用根据本实施方式的提取器216的评估方法，例如可能对哪个产业部门的投资、哪个地域的投资等表现出(或误读)能力执行评估。
此外，根据本实施方式的使用提取器216的评估方法，可能执行评估，例如，评估不盈利的结果是由于市场环境的影响还是由于投资风格。
<<1.6.基于每个分析结果的综合评估>>
接下来，将描述根据本实施方式的评估单元210基于使用风格检测器212、相似器214和提取器216的分析结果的综合评估。
如上所述，根据本实施方式的评估单元210可基于使用风格检测器212的风格分析、使用相似器214的一致性分析和使用提取器216的贡献分析的结果来对待评估人执行评估。
此外，根据本实施方式的评估单元210可使用上述三个分析结果来在三个轴上执行综合评估。
图16是用于说明根据本实施方式的使用3个分析结果的三轴综合评估的示意图。
在图16的左侧，以三维方式示出示意图，表示使用风格检测器212的风格分析、使用相似器214的一致性分析与使用提取器216的贡献分析之间的相互关系。
如图所示，通过使用基于使用风格检测器212的风格分析的结果的第一轴、基于使用相似器214的一致性分析的结果的第二轴以及基于使用提取器216的贡献分析的结果的第三轴，根据本实施方式的评估单元210可将待评估人的评估分为八个象限。
更具体地，上述第一轴可指示待评估人的动作风格是稳定的还是变化的。此外，上述第二轴可指示待评估人的动作的一致性是保持还是不保持(不一致)。另外，上述第三轴可指示待评估人通过资产管理获得的回报是归因于待评估人的能力还是运气。
在此情况下，例如，如图的右上部分所示，关于靠运气获得的利润，可通过风格的“稳定”或“变化”与“一致”或“不一致”的组合将主体的评估分为Q1到Q4象限。
此时，例如，关于动作一致且风格稳定的象限Q1，评估单元210可基于指标来评估可能切换到资产管理。
此外，例如，关于动作不一致、风格变化的象限Q4，评估单元210可评估存在连续性问题，只是因为利润偶然增加，并且需要注意。
另一方面，如图右下部分所示，关于靠能力获得的回报，可通过风格的“稳定”或“变化”与“一致”或“不一致”的组合将主体的评估分为Q5到Q8象限。
此时，例如，关于动作一致且风格稳定的象限Q5，评估单元210可评估作为有可能被智能引导的象限。
此外，例如，关于动作不一致、风格变化的象限Q8，评估单元210可评估对象有能力但未指定规则，并且个体依赖性高。
在上文中，通过具体示例，已描述根据本实施方式的评估单元210基于使用风格检测器212、相似器214和提取器216的分析结果的综合评估。
注意，除了上述评估，评估单元210还可执行评估，例如，评估盈利的待评估人的投资风格是否与预先报告的投资风格一致，即待评估人是否在预先报告的投资风格中表现出自己的能力。
注意，根据本实施方式的输出单元230可将使用风格检测器212、相似器214和提取器216的分析结果或评估单元210的评估结果输出到显示器、纸介质等。
例如，输出单元230可输出图11至图15所示的每个图、通过在图16所示的八个象限中绘制待评估人的评估来获得的图表等。
此外，输出单元230可输出例如比较表等，其中，将多个待评估人的评估相互比较，如图17所示。
在图17所示的比较表的示例中，针对作为待评估人的公司A、公司B、公司C中的每个，描述主动回报和使用风格检测器212、相似器214和提取器216的分析结果。
参考图17所示的比较表，属于该基金的评估者可考虑从多个待评估人选择未来签约的人，解除当前签约的基金经理的合同等。
此外，通过参考输出单元230输出的各种类型的信息，属于基金的评估者可掌握例如本周的交易与之前的趋势不同，归因于能力的利润最近有所下降等，并且可与待评估人讨论这些信息。注意，输出单元230可针对例如风格的改变、一致性的降低、归因于能力的利润的降低等设置阈值，并执行控制，诸如在每次指标超过阈值时发送警报。
根据本实施方式的评估装置20的每个功能，即使在评估者不具有与待评估人同等的专业知识的情况下，也能够适当地评估待评估人并与待评估人进行建设性讨论。
<<1.7.处理流程>>
接下来，将举例描述根据本实施方式的评估装置20的处理流程。图18是示出根据本实施方式的评估装置20的处理流程的示例的流程图。注意，在下文中，将在根据本实施方式的评估单元210包括风格检测器212、相似器214和提取器216的情况下例示处理。
如图18所示，首先，评估单元210使用风格检测器212来执行风格分析(S102)。
接下来，评估单元210使用相似器214来执行一致性分析(S104)。
接下来，评估单元210使用提取器216来执行贡献分析(S106)。
注意，步骤S102至S106中的每条处理可按照与上述顺序不同的顺序执行，或者可并行执行。
接下来，评估单元210基于步骤S102至S106中的相应分析的结果执行三轴评估(S108)。
接下来，输出单元230输出步骤S108中的三轴评估的结果(S110)。
<2.硬件配置示例>
接下来，将描述根据本发明的实施方式的学习装置10和评估装置20共有的硬件配置示例。图19是示出根据本发明的实施方式的信息处理装置90的硬件配置示例的框图。信息处理装置90可以是具有与上述每个装置的硬件配置等效的硬件配置的装置。如图19所示，信息处理装置90包括例如处理器871、ROM 872、RAM 873、主机总线874、桥接器875、外部总线876、接口877、输入装置878、输出装置879、存储器880、驱动器881、连接端口882和通信装置883。注意，此处所示的硬件配置是示例，并且可省略一些元件。此外，可还包括除这里所示的元件之外的元件。
(处理器871)
例如，处理器871用作算术处理装置或控制装置，并基于记录在ROM 872、RAM 873、存储器880或可移动记录介质901中的各种程序来控制元件或其一部分的整体操作。
(ROM 872、RAM 873)
ROM 872是用于存储由处理器871读取的程序、用于计算的数据等的装置。RAM 873临时或永久地存储例如由处理器871读取的程序、在程序被执行时适当改变的各种参数等。
(主机总线874、桥接器875、外部总线876、接口877)
处理器871、ROM 872与RAM 873通过例如能够进行高速数据传输的主机总线874相互连接。另一方面，主机总线874经由例如桥接器875连接至具有相对低数据传输速度的外部总线876。此外，外部总线876通过接口877连接至各种元件。
(输入装置878)
作为输入装置878，例如使用鼠标、键盘、触摸面板、按钮、开关、控制杆等。此外，作为输入装置878，可使用能够使用红外线或其他无线电波传输控制信号的遥控器(在下文中，遥控)。此外，输入装置878包括诸如麦克风等音频输入装置。
(输出装置879)
输出装置879是能够通过视觉或听觉向用户通知获取的信息的装置，例如，诸如CRT(阴极射线管)、LCD或有机EL的显示装置，诸如扬声器或耳机、打印机、移动电话、传真机等。此外，根据本发明的输出装置879包括能够输出触觉刺激的各种振动装置。
(存储器880)
存储器880是用于存储各种数据的装置。作为存储器880，例如，使用诸如硬盘驱动器(HDD)、半导体存储装置、光存储装置、磁光存储装置等的磁存储装置。
(驱动器881)
例如，驱动器881是读取记录在诸如磁盘、光盘、磁光盘或半导体存储器等可移动记录介质901上的信息，或在可移动记录介质901上写入信息的装置。
(可移动记录介质901)
可移动记录介质901是例如DVD介质、蓝光(注册商标)介质、HD DVD介质、各种半导体存储介质等。当然，可移动记录介质901可以是例如上面配备有非接触型IC芯片的IC卡、电子装置等。
(连接端口882)
连接端口882例如是用于连接外部连接装置902的端口，诸如USB(通用串行总线)端口、IEEE1394端口、SCSI(小型计算机系统接口)、RS-232C端口或光纤音频终端。
(外部连接装置902)
外部连接装置902例如是打印机、便携式音乐播放器、数码相机、数码摄像机、IC录音机等。
(通信装置883)
通信装置883是用于连接至网络的通信装置，例如是用于有线或无线LAN、蓝牙(注册商标)或WUSB(无线USB)的通信卡、用于光通信的路由器、用于ADSL(非对称数字用户线路)的路由器、用于各种通信的调制解调器等。
<3.结论>
如上所述，根据本发明的实施方式的评估装置20包括评估单元210，该评估单元基于指示待评估人关于预定任务的动作的结果的动作结果数据来对待评估人的动作执行评估。此外，根据本发明的实施方式的评估单元210的特征之一是基于对待评估人的动作的风格进行分析的风格分析的结果和对待评估人的动作的一致性进行分析的一致性分析的结果来评估关于待评估人的动作的“习惯”。
根据上述结构，能够对待评估人的动作进行更适当的评估。
在上文中，已参考附图详细描述本发明的优选实施方式，但是本发明的技术范围不限于这些示例。显然，在本发明的技术领域中的普通技术人员可想到在权利要求中描述的技术思想的范围内的各种变型例或修正示例，并且应当理解，这些变型例或修正示例也属于本发明的技术范围。
此外，关于本说明书中描述的处理的步骤不一定必须按照流程图或序列图中描述的顺序按时间序列进行处理。例如，可按照与所描述的顺序不同的顺序来处理或者可并行地处理关于每个装置的处理的步骤。
此外，本说明书中描述的每个装置的一系列处理步骤可通过使用软件、硬件以及软件与硬件的组合中的任何一种来实现。构成软件的程序预存储在例如设置在每个装置内部或外部的记录介质(非暂存性介质)中。然后，每个程序在例如由计算机执行时被读入RAM中并由各种处理器执行。上述记录介质例如是磁盘、光盘、磁光盘、闪存等。此外，上述计算机程序可通过例如网络分发而不使用记录介质。
此外，本说明书中描述的效果仅仅是说明性或示例性的而非限制性的。即，除了上述效果之外，根据本发明的技术还可实现根据本说明书中的描述对本领域技术人员显而易见的其他效果。
注意，以下配置也属于本发明的技术范围。
(1)
一种信息处理装置，包括：
评估单元，基于指示待评估人关于预定任务的动作结果的动作结果数据执行对所述待评估人的所述动作的评估，
其中，
所述评估单元基于对所述待评估人的所述动作的风格进行分析的风格分析的结果和对所述待评估人的所述动作的一致性进行分析的一致性分析的结果，评估所述待评估人的所述动作。
(2)
根据(1)所述的信息处理装置，其中，
所述评估单元基于在与所述输入动作结果数据对应的时段内关于所述待评估人的所述动作的所述风格的稳定性和在所述时段内关于所述待评估人的所述动作的所述一致性的稳定性，评估所述待评估人的所述动作。
(3)
根据(2)所述的信息处理装置，其中，
所述评估单元基于指示在所述时段内所述待评估人的所述动作的所述风格是稳定还是变化的第一轴线和指示在所述时段内所述待评估人的所述动作的所述风格是否维持的第二轴线，评估所述待评估人的所述动作。
(4)
根据(1)至(3)中任一项所述的信息处理装置，其中，
所述风格分析是对将所述动作结果数据输入到通过深度学习生成的第一分类器并对所述待评估人的所述动作的所述风格进行分类的分析。
(5)
根据(4)所述的信息处理装置，其中，
所述第一分类器通过将基于相互不同风格的多组虚拟动作结果数据用作训练数据的监督学习生成。
(6)
根据(5)所述的信息处理装置，其中，
所述虚拟动作结果数据是指示通过用于基于预定风格来虚拟执行关于所述预定任务的动作的程序获得的虚拟动作的结果的数据。
(7)
根据(1)至(6)中任一项所述的信息处理装置，其中，
所述一致性分析是将所述动作结果数据输入到通过深度学习生成的第二分类器并对关于所述待评估人的所述动作与他人的动作的相似度进行分类的分析。
(8)
根据(7)所述的信息处理装置，其中，
所述第二分类器是通过将关于多个真其实他人的多组其他人的动作结果数据用作训练数据的监督学习生成。
(9)
根据(8)所述的信息处理装置，其中
所述其他人的动作结果数据是指示所述真实其他人关于所述预定任务的动作的结果的数据。
(10)
根据(1)至(9)中任一项所述的信息处理装置，其中
所述评估单元进一步基于分析所述待评估人的所述动作对所述预定任务中的评估项目的贡献的贡献分析的结果，评估所述待评估人的所述动作。
(11)
根据(10)所述的信息处理装置，其中，
所述贡献分析包括：通过第三分类器基于输入的作为所述待评估人的所述动作的目标的多个对象的属性和所述对象的所述动作结果数据，生成多个对象布置在平面上的二维图；以及
在所述二维图中以热图的形式表达关于所述评估项目的强度和关于所述待评估人的所述动作的强度。
(12)
根据(11)所述的信息处理装置，其中，
所述第三分类器包括自组织图。
(13)
根据(11)或(12)所述的信息处理装置，其中，
评估单元基于二维图评估待评估人的动作对评估项目的贡献是否与待评估人的能力有关。
(14)
根据(13)所述的信息处理装置，其中，
所述评估单元将其中具有关于所述评估项目的高强度的区与具有关于所述待评估人的所述动作的高强度的区在所述二维图中彼此重叠的区评估为由于所述待评估人的所述能力而具有高贡献的区。
(15)
根据(13)所述的信息处理装置，其中，
所述评估单元将其中具有关于所述评估项目的高强度的区与具有关于所述待评估人的所述动作的低强度的区在所述二维图中彼此重叠的区评估为由于所述待评估人的所述能力而具有低贡献的区。
(16)
根据(1)至(15)中任一项所述的信息处理装置，其中，
所述预定任务包括资产管理。
(17)
根据(1)至(16)中任一项所述的信息处理装置，其中，
所述待评估人的所述动作包括金融产品的交易。
(18)
根据(1)至(17)中任一项所述的信息处理装置，
进一步包括：
输出单元，输出所述评估单元的评估结果。
(19)
一种信息处理方法，包括：
通过处理器基于指示待评估人关于预定任务的动作结果的动作结果数据执行对所述待评估人的所述动作的评估，
其中，
执行所述评估进一步包括：基于对所述待评估人的所述动作的风格进行分析的风格分析的结果和对所述待评估人的所述动作的一致性进行分析的一致性分析的结果，评估所述待评估人的所述动作。
(20)
一种程序，用于使计算机用作信息处理装置，该信息处理装置包括：
评估单元，基于指示待评估人关于预定任务的动作结果的动作结果数据执行对所述待评估人的所述动作的评估，
其中，
所述评估单元基于对所述待评估人的所述动作的风格进行分析的风格分析的结果和对所述待评估人的所述动作的一致性进行分析的一致性分析的结果，评估所述待评估人的所述动作。
符号说明
10 学习装置
110 学习单元
120 存储单元
20 评估装置
210 评估单元
212 风格检测器
214 相似器
216 提取器
217 第三分类器
220 存储单元
230 输出单元。

Claims (20)

1.一种信息处理装置，包括：
评估单元，基于指示待评估人关于预定任务的动作结果的动作结果数据执行对所述待评估人的所述动作的评估，
其中，
所述评估单元基于对所述待评估人的所述动作的风格进行分析的风格分析的结果和对所述待评估人的所述动作的一致性进行分析的一致性分析的结果，评估所述待评估人的所述动作。
2.根据权利要求1所述的信息处理装置，其中，
所述评估单元基于在与输入的所述动作结果数据对应的时段内关于所述待评估人的所述动作的所述风格的稳定性和在所述时段内关于所述待评估人的所述动作的所述一致性的稳定性，评估所述待评估人的所述动作。
3.根据权利要求2所述的信息处理装置，其中，
所述评估单元基于指示在所述时段内所述待评估人的所述动作的所述风格是稳定还是变化的第一轴线和指示在所述时段内所述待评估人的所述动作的所述风格是否维持的第二轴线，评估所述待评估人的所述动作。
4.根据权利要求1所述的信息处理装置，其中，
所述风格分析是对将所述动作结果数据输入到通过深度学习生成的第一分类器并对所述待评估人的所述动作的所述风格进行分类的分析。
5.根据权利要求4所述的信息处理装置，其中，
所述第一分类器通过将基于相互不同风格的多组虚拟动作结果数据用作训练数据的监督学习生成。
6.根据权利要求5所述的信息处理装置，其中，
所述虚拟动作结果数据是指示通过用于基于预定风格来虚拟执行关于所述预定任务的动作的程序获得的虚拟动作的结果的数据。
7.根据权利要求1所述的信息处理装置，其中，
所述一致性分析是将所述动作结果数据输入到通过深度学习生成的第二分类器并对关于所述待评估人的所述动作与其他人的动作的相似度进行分类的分析。
8.根据权利要求7所述的信息处理装置，其中，
所述第二分类器通过将关于多个真实其他人的多组其他人的动作结果数据用作训练数据的监督学习生成。
9.根据权利要求8所述的信息处理装置，其中，
所述其他人的动作结果数据是指示所述真实其他人关于所述预定任务的动作的结果的数据。
10.根据权利要求1所述的信息处理装置，其中，
所述评估单元进一步基于分析所述待评估人的所述动作对所述预定任务中的评估项目的贡献的贡献分析的结果，评估所述待评估人的所述动作。
11.根据权利要求10所述的信息处理装置，其中，
所述贡献分析包括：通过第三分类器基于输入的作为所述待评估人的所述动作的目标的多个对象的属性和所述对象的所述动作结果数据，生成多个对象布置在平面上的二维图；以及
在所述二维图中以热图的形式表达关于所述评估项目的强度和关于所述待评估人的所述动作的强度。
12.根据权利要求11所述的信息处理装置，其中，
所述第三分类器包括自组织图。
13.根据权利要求11所述的信息处理装置，其中，
所述评估单元基于所述二维图来评估所述待评估人的所述动作对所述评估项目的贡献是否与所述待评估人的能力有关。
14.根据权利要求13所述的信息处理装置，其中，
所述评估单元将其中具有关于所述评估项目的高强度的区与具有关于所述待评估人的所述动作的高强度的区在所述二维图中彼此重叠的区评估为由于所述待评估人的所述能力而具有高贡献的区。
15.根据权利要求13所述的信息处理装置，其中，
所述评估单元将其中具有关于所述评估项目的高强度的区与具有关于所述待评估人的所述动作的低强度的区在所述二维图中彼此重叠的区评估为由于所述待评估人的所述能力而具有低贡献的区。
16.根据权利要求1所述的信息处理装置，其中，
所述预定任务包括资产管理。
17.根据权利要求1所述的信息处理装置，其中，
所述待评估人的所述动作包括金融产品的交易。
18.根据权利要求1所述的信息处理装置，
进一步包括：
输出单元，输出所述评估单元的评估结果。
19.一种信息处理方法，包括：
通过处理器基于指示待评估人关于预定任务的动作结果的动作结果数据执行对所述待评估人的所述动作的评估，
其中，
执行所述评估进一步包括：基于对所述待评估人的所述动作的风格进行分析的风格分析的结果和对所述待评估人的所述动作的一致性进行分析的一致性分析的结果，评估所述待评估人的所述动作。
20.一种程序，用于使计算机用作信息处理装置，所述信息处理装置包括：
评估单元，基于指示待评估人关于预定任务的动作结果的动作结果数据执行对所述待评估人的所述动作的评估，
其中，
所述评估单元基于对所述待评估人的所述动作的风格进行分析的风格分析的结果和对所述待评估人的所述动作的一致性进行分析的一致性分析的结果，评估所述待评估人的所述动作。
CN202080057460.1A 2019-08-21 2020-08-13 信息处理装置、信息处理方法和程序 Pending CN114258552A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962889768P 2019-08-21 2019-08-21
US62/889,768 2019-08-21
PCT/JP2020/030778 WO2021033620A1 (ja) 2019-08-21 2020-08-13 情報処理装置、情報処理方法、およびプログラム

Publications (1)

Publication Number Publication Date
CN114258552A true CN114258552A (zh) 2022-03-29

Family

ID=74660116

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202080057521.4A Pending CN114258553A (zh) 2019-08-21 2020-08-13 信息处理设备、信息处理方法和程序
CN202080057460.1A Pending CN114258552A (zh) 2019-08-21 2020-08-13 信息处理装置、信息处理方法和程序

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202080057521.4A Pending CN114258553A (zh) 2019-08-21 2020-08-13 信息处理设备、信息处理方法和程序

Country Status (5)

Country Link
US (2) US20220292430A1 (zh)
EP (2) EP4020348A4 (zh)
JP (2) JPWO2021033620A1 (zh)
CN (2) CN114258553A (zh)
WO (2) WO2021033620A1 (zh)

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7492372B2 (en) * 2006-02-21 2009-02-17 Bio-Rad Laboratories, Inc. Overlap density (OD) heatmaps and consensus data displays
JP2009245368A (ja) 2008-03-31 2009-10-22 Nikko Financial Intelligence Inc 投資ファンドのレーティングを行う方法、システム及びコンピュータプログラム
US8733758B2 (en) * 2010-07-13 2014-05-27 David Chodniewicz Poker based puzzle and method of creation
US20130297326A1 (en) * 2012-05-05 2013-11-07 Gewei Ye Set of Novel Algorithms and Processes for Mortgage and Investment Innovations
JP6152713B2 (ja) * 2013-06-06 2017-06-28 富士通株式会社 情報処理方法、装置及びプログラム
CA3205222A1 (en) * 2014-06-27 2015-12-30 Pymetrics, Inc. Systems and methods for data-driven identification of talent
AU2016379422A1 (en) * 2015-12-23 2018-06-14 Pymetrics, Inc. Systems and methods for data-driven identification of talent
US20180130134A1 (en) * 2016-03-16 2018-05-10 Fiduciary Investment Solutions, Inc. System and method for selecting portfolio managers
JP2017224256A (ja) * 2016-06-17 2017-12-21 貞雄 政吉 診断システム、診断方法、サーバ装置、及びプログラム
JP6959044B2 (ja) * 2017-06-23 2021-11-02 株式会社野村総合研究所 記録サーバ、記録方法及びプログラム
JP2019070913A (ja) * 2017-10-06 2019-05-09 株式会社野村総合研究所 スケジュール情報分析システム及びプログラム
US11526713B2 (en) * 2018-09-28 2022-12-13 Intel Corporation Embedding human labeler influences in machine learning interfaces in computing environments
US11178311B2 (en) * 2019-08-21 2021-11-16 Adobe Inc. Context aware color reduction

Also Published As

Publication number Publication date
JPWO2021033621A1 (zh) 2021-02-25
WO2021033621A1 (ja) 2021-02-25
EP4020347A1 (en) 2022-06-29
CN114258553A (zh) 2022-03-29
WO2021033620A1 (ja) 2021-02-25
US20220292430A1 (en) 2022-09-15
EP4020347A4 (en) 2022-10-12
EP4020348A1 (en) 2022-06-29
US20220318913A1 (en) 2022-10-06
EP4020348A4 (en) 2022-10-12
JPWO2021033620A1 (zh) 2021-02-25

Similar Documents

Publication Publication Date Title
US10430727B1 (en) Systems and methods for privacy-preserving generation of models for estimating consumer behavior
Abedin et al. Credit default prediction using a support vector machine and a probabilistic neural network
US20190266619A1 (en) Behavior pattern search system and behavior pattern search method
JP2014130408A (ja) グラフ作成プログラム、情報処理装置、およびグラフ作成方法
US20200320548A1 (en) Systems and Methods for Estimating Future Behavior of a Consumer
US20230148083A1 (en) Interactive model performance monitoring
JP2019507398A (ja) 時間因子を融合させる協調フィルタリング方法、装置、サーバおよび記憶媒体
CN110135976A (zh) 用户画像生成方法、装置、电子设备和计算机可读介质
EP4141693A1 (en) Method and device for obtaining a generated dataset with a predetermined bias for evaluating algorithmic fairness of a machine learning model
Martínez-Torres et al. Identifying the features of reputable users in eWOM communities by using Particle Swarm Optimization
Yu et al. Dynamic customer preference analysis for product portfolio identification using sequential pattern mining
US20230418871A1 (en) Systems, methods, computing platforms, and storage media for comparing non-adjacent data subsets
WO2022064894A1 (ja) 情報処理装置、情報処理方法、およびプログラム
KR102038957B1 (ko) 게임 어뷰저 검출 방법 및 장치
KR102429788B1 (ko) 아이템반응객체를 이용한 컨텐츠 추천 큐레이션 방법
CN114258552A (zh) 信息处理装置、信息处理方法和程序
CN115270923A (zh) 一种基于场景的可视化智能决策方法及系统
Sänger et al. TRIVIA: visualizing reputation profiles to detect malicious sellers in electronic marketplaces
JP7215318B2 (ja) 情報処理プログラム、情報処理方法、及び情報処理装置
Chen et al. Application of a 3NN+ 1 based CBR system to segmentation of the notebook computers market
US20180253515A1 (en) Characterizing model performance using hierarchical feature groups
Chen et al. GameLifeVis: visual analysis of behavior evolutions in multiplayer online games
WO2022054548A1 (ja) 情報処理装置、情報処理方法、およびプログラム
US20240144144A1 (en) Machine-generated process transformation
JP7326640B1 (ja) 情報処理方法、コンピュータプログラム及び情報処理装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination