JP2012150550A - 行動履歴生成装置および行動履歴生成方法 - Google Patents

Abstract

【課題】 予定表に入力されていない行動に関する履歴の検索を可能にする行動履歴生成装置を実現することである。
【解決手段】実施形態の行動履歴生成装置は、ユーザの状況およびその状況の日時を取得する状況取得手段と、前記状況取得手段で取得されたユーザの状況および日時を格納する状況格納手段と、日時情報を有したユーザの行動情報を格納する行動情報格納手段と、前記行動情報格納手段に格納された行動情報に対応する日時に対しては、当該行動情報あるいは当該行動情報から抽出した行動ラベルを割り当てる第１割当手段と、前記第１割当手段で行動情報あるいは行動ラベルが割り当てられていない日時に対しては、前記状況格納手段に格納された当該日時のユーザの状況と予め学習した行動ラベル割当ルールを用いて行動ラベルを割り当てる第２割当手段とを備える。
【選択図】図１

Description

本発明の実施形態は、行動履歴生成装置および行動履歴生成方法に関する。

従来から、携帯端末に記録された日時や場所の情報と予定表に入力されたスケジュールを対応付けて表示する技術がある。また、ユーザの行動パターンを観察し定型の行動パターンから外れるような異常行動を検出する技術や、ユーザの行動パターンを学習して行動モデルを作成する技術が提案されている。

しかしながら、これらの技術では、ユーザが予定表に入力しなかった行動に関する履歴を検索することができなかった。

特開２００３−２５９４２３号公報 特開２００９−２５８９７６号公報 特開２０１０−１９８２４３号公報 特開２０１０−７４２７８号公報

発明が解決しようとする課題は、予定表に入力されていない行動に関する履歴の検索を可能にする行動履歴生成装置を実現することである。

実施形態の行動履歴生成装置は、ユーザの状況およびその状況の日時を取得する状況取得手段と、前記状況取得手段で取得されたユーザの状況および日時を格納する状況格納手段と、日時情報を有したユーザの行動情報を格納する行動情報格納手段と、前記行動情報格納手段に格納された行動情報に対応する日時に対しては、当該行動情報あるいは当該行動情報から抽出した行動ラベルを割り当てる第１割当手段と、前記第１割当手段で行動情報あるいは行動ラベルが割り当てられていない日時に対しては、前記状況格納手段に格納された当該日時のユーザの状況と予め学習した行動ラベル割当ルールを用いて行動ラベルを割り当てる第２割当手段とを備える。

実施形態の行動履歴生成装置を示すブロック図。 実施形態の行動ラベル割当ルールを学習する際のフローチャート。 実施形態の行動ラベルとプリミティブな状況の対応関係を示す図。 実施形態の行動ラベル割当ルール（決定木）を示す図。 実施形態の行動ラベル割当ルール（ルール表）を示す図。 実施形態の行動ラベルを割り当てる際のフローチャート。 実施形態の行動ラベルを割り当てる際の処理を示す図。 実施形態の行動履歴を示す図。 実施形態の行動履歴を検索するアプリケーションを示す図。

以下、本発明の実施形態について図面を参照しながら説明する。

（実施形態）
実施形態の行動履歴生成装置は、加速度センサやＧＰＳセンサ、近接センサなどのセンサを備えた持ち運び可能なハードウェア装置（例えば、スマートフォンやネットブック）に搭載されることを想定しており、ユーザの行動履歴の検索を実現するものである。ここで、ユーザが予めスケジュールを登録した日時の行動については、スケジュールから抽出した検索のタグ（行動ラベル）を利用して行動履歴を検索する。他方、ユーザがスケジュールを登録していない日時の行動については、行動履歴生成装置が自動的に割り当てた行動ラベルを利用して行動履歴を検索する。行動ラベルの割り当てには、予め学習した行動ラベルを割り当てるためのルール（行動ラベル割当ルール）と行動履歴生成装置のセンサ情報等から取得したユーザの状況を表す指標（プリミティブな状況）を利用する。行動ラベル割当ルールは、装置に登録された行動情報（スケジュール）から抽出した行動ラベルおよびその行動情報が対応する日時に発生したユーザの状況を表す指標を利用して学習する。

（全体構成）
図１は、実施形態にかかる行動履歴生成装置を示すブロック図である。本実施形態の行動履歴生成装置は、状況取得部１０１と、状況格納部１０２と、行動情報取得部１０３と、行動情報格納部１０４と、第１割当部１０５と、第２割当部１０６と、行動履歴格納部１０７と、行動履歴検索部１０８と、行動ラベル割当ルール学習部１０９と、行動ラベル割当ルール格納部１１０とを備える。

状況取得部１０１は、ユーザのプリミディブな状況とその発生日時を取得する。ここで、プリミティブな状況とはユーザの状況を表す指標であり、行動履歴生成装置に搭載された各種センサ（加速度センサ、ＧＰＳセンサ、近傍センサなど）からのセンサ情報、カメラやマイクロホンからの映像音響情報、行動履歴生成装置の操作履歴情報などから取得する。例えば、加速度センサのセンサ情報からは、ユーザの状況が「静止」なのか「歩行」なのかを取得できる。また、近接センサのセンサ情報からは、近接する端末の数を検出することができる。また、マイクロホンからの音響情報からは、音声の有無やピッチ（声の高さ）を取得できる。この他にも、特許文献４に示すラベリング技術を用いてユーザのプリミティブな状況を取得してもよい。なお、発生日時は、上記ユーザのプリミティブな状況が発生した日時を表している。

状況格納部１０２は、状況取得部１０１で取得されたプリミティブな状況およびその発生日時を格納する。

行動情報取得部１０３は、行動履歴生成装置に登録されたユーザのスケジュールを行動情報として取得する。ここで、行動情報とは、「開発会議＠第１会議室（１０：００−１２：００）」などの装置に登録されたユーザのスケジュールを表している。本実施形態の行動情報は、開始時刻が１０：００、終了時刻が１２：００など、スケジュールの日時に関する情報（日時情報）を有している。また、行動情報としては、ユーザが行動履歴生成装置に登録したスケジュールだけでなく、日時情報と対応付けられた何らかのテキストを利用してもよい。なお、行動情報は後述する行動ラベルを包含する概念である。

行動情報格納部１０４は、行動情報取得部１０３で取得された行動情報を格納する。

第１割当部１０５は、ユーザが予め登録した行動情報（スケジュール）から抽出した検索のタグを、このスケジュールに対応する日時に割り当てる。より具体的には、行動情報格納部１０４に格納された行動情報に対応する日時に対して、当該行動情報あるいは当該行動情報から抽出した行動ラベルを割り当てる。行動ラベルとは、「会議」、「移動」、「宴会」などユーザの行動をカテゴリ別に分類したものであり、形態素解析や組み込みのルールを用いて行動情報（スケジュール）から抽出する。２０１０年１２月２６日の１０：００から１２：００に対応する行動情報が行動情報格納部１０４に格納されている場合、第１割当部１０５は、この日時に行動情報あるいは行動情報から抽出した行動ラベルを割り当てる。

第２割当部１０６は、ユーザが行動情報（スケジュール）を登録していない日時に、検索のタグを割り当てる。より具体的には、第１割当部１０５で行動情報あるいは行動ラベルが割り当てられていない日時に対して、行動ラベル割当ルールと当該日時に発生したプリミティブな状況を用いて行動ラベルを割り当てる。例えば、２０１０年１２月２６日の１３：００から１４：００に対応する行動情報が行動情報格納部１０４に格納されていない場合、第２割当部１０６はこの日時に行動ラベルを割り当てる。第２割当部１０６での割り当て処理の詳細は後述する。

行動履歴格納部１０７は、第１割当部１０５で割り当てられた行動情報あるいは行動ラベルと、第２割当部１０６で割り当てられた行動ラベルを、その日時情報と共に行動履歴として格納する。

行動履歴検索部１０８は、行動履歴格納部１０７に格納された行動履歴の検索を実行する。

行動ラベル割当ルール学習部１０９は、行動情報から抽出した行動ラベルを分類済みクラスとして、当該行動情報に対応する日時に発生したプリミティブな状況を属性として、行動ラベル割当ルールを学習する。上述の例では、２０１０年１２月２６日の１０：００から１２：００の行動情報から抽出した行動ラベルを分類済みクラスとして、同日時に発生したプリミティブな状況を属性として行動ラベル割当ルールを学習する。学習の詳細は後述する。

行動ラベル割当ルール格納部１１０は、行動ラベル割当ルール学習部１０９で学習された行動ラベル割当ルールを格納する。

（フローチャート： 行動ラベル割当ルールの学習）
図２は、本実施形態にかかる行動履歴生成装置において行動ラベル割当ルールを学習する際のフローチャートである。まず、状況取得部１０１は、センサの情報や行動履歴生成装置の操作履歴からユーザのプリミティブな状況とその発生日時を取得し、状況格納部１０２に格納する（ステップＳ２１）。本実施形態では、ユーザのプリミティブな状況として、「移動状況」、「近接状況」、「発話状況」、「操作状況」を取得する。「移動状況」は加速度センサやＧＰＳセンサの情報から得られるプリミティブな状況で、例えば、「静止」、「歩行」、「電車」、「自動車」などの移動に関する分類を示す。「近接状況」は、近接センサやWiFi、Bluetooth等の無線デバイス接続機器から得られるユーザのプリミティブな状況を表している。例えば、「１名」、「２名」など近くにいる他のユーザの人数に関する分類や、検出された特定の端末IDを示す。「発話状況」は、マイクから入力される音響情報のうち、人間の発話とみなされたデータの有無や、音量、ピッチ（声の高さ）といった音の特性を示すプリミティブな状況を表している。「操作状況」は、行動履歴生成装置の操作に関するプリミティブな状況を表している。例えば、「文字入力」、「ファイル編集」、「ファイル保存」、「ファイル閲覧」、「Ｗｅｂ閲覧」などがある。状況取得部１０１は、これらのプリミティブな状況の発生日時に関する情報も取得する。取得されたプリミティブな状況の具体例は後述する。

次に、行動情報取得部１０３は、ユーザのスケジュールを行動情報として取得し、行動情報格納部１０４に格納する（ステップＳ２２）。スケジュールとして登録された行動情報には開始日時や終了日時などの日時情報が含まれる。

行動ラベル割当ルール学習部１０９は、行動ラベル割当ルールを学習する。具体的には、行動情報格納部１０４に格納された行動情報から行動ラベルを抽出し、抽出した行動ラベルを分類済みクラスとして、当該行動情報に対応する日時を発生日時とするプリミティブな状況を属性として、行動ラベル割当ルールを学習する（ステップＳ２３）。

まず、行動ラベル割当ルール学習部１０９における行動ラベルの抽出について説明する。行動情報が「開発会議＠第１会議室（１０：００−１２：００）」のように、１つのテキストで内容、場所、日時といった複数の５Ｗ１Ｈ情報が含まれる場合、形態素解析や組み込みのルールを用いてテキストを分割し、「開発会議」という情報を行動ラベルとして取得する。このとき、同時に抽出された「第１会議室」、「開始時刻は１０：００」、「終了時刻は１２：００」等の場所や日時に関する情報は、後述する学習における属性として利用する。なお、行動情報が「会議」のような行動ラベルそのものである場合は、行動情報を行動ラベルとして用いる。

次に、行動ラベル割当ルール学習部１０９における行動ラベル割当ルールの学習について説明する。行動ラベル割当ルールに決定木を用いた場合の具体例を示す。図３に、行動情報から抽出した行動ラベルと、この行動ラベル（行動情報）に対応する日時に発生したプリミティブな状況の対応関係を示す。「２０１０/０７/２１の行動ラベル」は、２０１０年７月２１日のスケジュールとしてユーザが登録した行動情報から抽出した行動ラベルを表しており、例えば同日の１０：００から１２：００には、「会議」がスケジュールとして登録されていたことを示す。図３では、ユーザのプリミティブな状況として「移動状況」、「近接状況」、「発話状況」、「操作状況」を取得している。「移動状況」において、「歩行」、「電車」などの記載がない箇所（空欄）は「静止」を表している。「近接状況」は、近くにいる他のユーザの人数を表している。「発話状況」は、発話がある区間を「発話あり」として表示している。この他にも、「発話状況」を示すプリミティブな状況として、各行動ラベルが対応する日時において「発話あり」の区間が占める割合などを用いてもよい。

決定木の学習にはC4.5アルゴリズムを用いる。これは、事前に分類済みクラスと属性からなる学習データを与え、情報量のゲインが最大になるよう決定木を構成するものである。分類済みクラスには、行動情報格納部１０４に格納された行動情報から抽出した行動ラベルを用いる。属性には、この行動ラベル（行動情報）に対応する日時に発生したユーザのプリミティブな状況と行動情報から抽出した日時や場所に関する情報を用いる。図３の１０：００から１２：００の例では、行動ラベル「会議」を分類済みクラスとして、行動ラベルに対応する日時における移動状況（「静止」）、移動状況の遷移（「歩行」→「静止」→「歩行」）、近接状況（「３名」）、操作状況（「文章閲覧」）などのプリミティブな状況と開始時刻（「１０：００」）、行動ラベルの継続時間長（「２時間」）など日時から得られる情報を属性として決定木を学習する。図４に、学習により得られた決定木の例を示す。この他にも、図５に示すように、決定木の枝を辿る過程を照合パターンとしたルール表を行動ラベル割当ルールとして用いてもよい。

決定木の学習に用いる属性には、各行動ラベルに対応する日時に発生したプリミティブな状況だけでなく、前後に一定の幅（例えば１５分）を持たせた時間帯におけるプリミティブな状況を利用してもよい。また、本実施形態では、決定木を行動ラベル割当ルール（識別器）として学習したが、分類済みクラスとそれに対応する属性を用いて学習するものであればこれに限られない。例えば、ＳＶＭ（Support Vector Machine）を識別器として行動ラベル割当ルールとして学習することもできる。また、学習データ量が少ない分類済みクラスを用いて学習すると過学習が発生するため、学習データの量が予め定められた閾値以上の分類済みクラスのみを学習に用いるようにしてもよい。

最後に、行動ラベル割当ルール格納部１１０は、行動ラベル割当ルール学習部１０９で学習された決定木やルール表などの行動ラベル割当ルールを格納する（ステップＳ２４）。

（フローチャート： 行動ラベルの割り当て）
図６は、本実施形態にかかる行動履歴生成装置において行動ラベルを割り当てる際のフローチャートである。まず、状況取得部１０１は、ステップＳ２１と同様な方法によりユーザのプリミティブな状況および発生日時を取得し、状況格納部１０２に格納する（ステップＳ６１）。

次に、行動情報取得部１０３は、ステップＳ２２と同様にユーザのスケジュールを行動情報として取得し、行動情報格納部１０４に格納する（ステップＳ６２）。

第１割当部１０５は、行動情報格納部１０４に格納された行動情報に対応する日時に対して、当該行動情報あるいは当該行動情報から抽出した行動ラベルを割り当てる（ステップＳ６３）。行動情報に対応する日時は、行動情報に含まれる日時情報から判別できる。例えば、「２０１０年１２月２７日の１７：００から１８：００に開発会議」という行動情報が行動履歴生成装置に登録されている場合、行動情報に含まれる２０１０年１２月２７日の１７：００から１８：００という日時に、行動ラベル「開発会議」を割り当てる。また、同日時に「２０１０年１２月２７日の１７：００から１８：００に開発会議」という行動情報そのものを割り当ててもよい。

第２割当部１０６は、第１割当部１０５で行動情報あるいは行動ラベルが割り当てられていない日時に対して、予め学習した行動ラベル割当ルールと状況格納部１０２に格納された当該日時を発生日時とするプリミティブな状況とを用いて行動ラベルを割り当てる（ステップＳ６４）。図７は、第１割当部１０５で行動情報あるいは行動ラベルが割り当てられていない日時に行動ラベルを割り当てる際の処理を示している。本実施形態の第２割当部１０６は、行動ラベル割当ルールとして図４に示す決定木、あるいは図５のルール表を用いる。図４の決定木を用いる場合、第２割当部１０６はまず、行動ラベルが割り当てられていない時間帯に発生したプリミティブな状況とその発生日時に関する情報を利用して、決定木の先頭ノードにある質問（「移動状況は静止か？」）に答える。次に、その答えに対応する枝を辿った先のノードにある質問に答える。そして、リーフに到達するまでノードの質問に答えながら枝を辿っていく。最終的にリーフに到達したら、そのリーフに格納された行動ラベルを当該日時における行動ラベルとして割り当てる。例えば、図７の行動ラベルが割り当てられていない１０：００から１２：００では、発生したプリミティブな状況の移動状況は「静止」、近接状況は「２名以上」である。また、プリミティブな状況の発生日時からは、移動状況の静止が「一時間以上継続」、移動状況の静止が「１８：００より前に開始」を得ることができる。図４の決定木の質問に答えると、この日時には「会議」が行動ラベルとして割り当てられる。図５に示すルール表を用いる場合は、プリミティブな状況が各ルールに記載された条件を全て満たしたときに行動ラベルを割り当てる。例えば、図５のルール１では、「開始時刻が１８：００より前」、「継続時間長が１時間以上」、「移動状況が静止」、「近接状況が２名以上」、「発話状況が６０%以上」という条件をプリミティブな状況およびその発生日時が満たした場合に、「会議」という行動ラベルを割り当てる。また、図５において、全ての条件ではなく一部の条件を満たした場合に行動ラベルを割り当てることも考えられる。この場合、一度に複数のルールが合致し行動ラベルが複数割り当てられることもあるが、学習時に用いる各分類済みクラスの学習データ量に応じて優先度を設定し、優先度の高いルールの行動ラベルを優先的に採用してもよい。なお、行動ラベルを割り当てる日時は、特定の時間長ごとに分割してもよい。例えば、１０：００から１１：００、１１：００から１２：００のような１時間毎に分割した時間帯について、第１割当部１０５で行動情報あるいは行動ラベルが割り当てられているか否かを判別し、割り当てられていない日時に対して第２割当部１０６で行動ラベルを割り当てるようにしてもよい。この他にも、第１割当部１０５での割当がなく同一のプリミティブな状況が一定時間以上継続している日時に行動ラベルを割り当てるようにしてもよい。例えば、第１割当部１０５での割当がなく同一の移動状況が３０分以上継続した場合に、行動ラベルを割り当てるようにすることができる。

最後に、行動履歴格納部１０７は、第１割当部１０５で割り当てられた行動情報あるいは行動ラベルと、第２割当部１０６で割り当てられた行動ラベルを、その日時情報と共に行動履歴として格納する（ステップＳ６５）。図８は、行動履歴格納部１０７に格納された行動履歴の例である。同図の行動履歴には、行動ラベルと対応する開始日時および終了日時が格納される。

図９に、行動履歴検索部１０８で行動履歴を検索する際のアプリケーションの例を示す。クエリとして検索対象の「宴会」という行動ラベルと検索対象の期間を指定した上で検索ボタンを押す。これにより、行動履歴格納部１０７に格納された指定期間の行動履歴を検索する。図９の例では、検索の結果、行動情報（スケジュール）として予め登録された２０１０年７月２２日の宴会に加え、第２割当部１０６で自動的に割り当てられた２０１０年７月２９日の行動ラベルも表示されている。

（効果）
このように、実施形態にかかる行動履歴生成装置では、スケジュール（行動情報）が登録されていない日時に検索のタグ（行動ラベル）を割り当てる。これにより、ユーザは、スケジュールを登録していない日時の行動履歴も検索できる。

また、本実施形態では、ユーザが入力した行動情報あるいは行動情報から抽出された行動ラベルが行動履歴格納部１０７における行動履歴の検索に使用される。これにより、ユーザは、自分にとって馴染みのあるクエリを用いて行動履歴を検索できる。

（変形例１）
本実施形態では、行動ラベル割当ルールの学習に単独のユーザの行動情報およびプリミティブな状況を用いたが、複数のユーザの行動情報およびプリミティブな状況を用いても構わない。このように、複数のユーザの行動情報およびプリミティブな状況を用いることで、行動ラベル割当ルールを学習する際の学習データ量を増やすことができる。

また、近接するユーザの識別情報をプリミティブな状況として取得し、これを属性として行動ラベル割当ルールを学習することもできる。これにより、ある特定のユーザが参加している場合には「報告会」になるが、このユーザが参加していない場合には「検討会」になるなど、ユーザの参加状況に応じた行動ラベル割当ルールを学習できる。

（変形例２）
行動情報取得部１０３で取得される行動情報には、チャットやマイクロブログなどテキストを用いたコミュニケーション手段により記述・表明されたテキストを用いることができる。例えば、会議中に「現在会議中」とメッセージを送ったり、立ち話の後で「さっき田中さんとばったり会って立ち話したよ」とマイクロブログに書いたりすることがある。これらのテキストも、行動情報として行動ラベル割当ルールを学習する際の手掛かりとなる。

立ち話の後で「さっき田中さんと立ち話したよ」とマイクロブログに書く場合を考える。行動情報取得部１０３は、ユーザがマイクロブログに記載したテキストとその発信日時を行動情報として取得し、行動情報格納部１０４に格納する。そして、行動ラベル割当ルール学習部１０９は、行動情報格納部１０４に格納された行動情報を解析して行動ラベルと日時情報を抽出する。日時情報に関しては、「さっき→５分前」、「今朝→同日の朝９時〜１２時」のように、テキスト中の表現をスケジュールと同様な日時情報に変換する。行動ラベルに関しては、「立ち話」、「会議」、「コンサート」といった行動を表す語彙を抽出する。「さっき田中さんと立ち話したよ」というテキストが２０１０年１２月１４日１２時３０分に発信されたとすると、２０１０年１２月１４日１２時２５分に「立ち話」というスケジュールが予め登録されていた場合と同様な処理を行うことができる。なお、抽出された日時情報（２０１０年１２月１４日１２時２５分）は、行動ラベル割当ルールを学習する際の属性として利用できる。

（変形例３）
行動ラベル割当ルール学習部１０９は、同義語であると判別された行動ラベルを同一の分類済みクラスとして行動ラベル割当ルールを学習することができる。例えば、「打ち合わせ」と「打合せ」が同義語であると判別された場合、「打ち合わせ」を統一した分類済みクラスとして行動ラベル割当ルールを学習する。ここで、行動ラベルが同義語か否かの判別には、表記を用いる方法、複数のユーザのプリミティブな状況を用いる方法の２通りがある。

表記を用いて同義語を判別する方法について説明する。この方法では、行動ラベル同士のテキストの類似性を用いて同義語か否かを判別する。例えば、「打ち合わせ」と「打合せ」は、お互いのテキストが類似していることから同義語と判別する。テキストの類似性は、テキスト間の編集距離を用いて判別できる。また、表記の包含関係から同義語か否かを判別してもよい。例えば、「開発会議」は、「会議」の下位概念である。これは、「開発会議」というテキストが「会議」というテキストを包含することから判別できる。このように行動ラベル同士が包含関係にある場合、上位概念にあたる「会議」に分類済みクラスを統一することができる。

次に、複数のユーザのプリミティブな状況を用いて同義語を判別する方法について説明する。同じ行動を同時に複数のユーザが行う場合、各ユーザの行動情報から抽出した行動ラベルの文言が異なることがある。このような場合、各行動ラベルを同義語として判別する。例えば、同じ会議に出席する２人の行動情報から抽出した行動ラベルが「会議」と「打ち合わせ」で異なる表記である場合を考える。まず、２人の端末では近接情報として互いの端末が検出され、２人が行っている行動は同じである判別することができる。また、２人の端末で取得されたプリミティブな状況の類似性を用いて同じ行動を行っていると判別してもよい。この場合、２人の行動情報から抽出した「会議」と「打ち合わせ」の行動ラベルは同義語であると判別する。統一した分類済みクラスには、出現回数が多い行動ラベルを用いるなどしてもよい。

このように、ある行動ラベル同士が同義語であると判別された場合、これらの行動ラベルを同一の分類済みクラスとして行動ラベル割当ルールを学習する。これにより、本来同一の行動ラベルが割り当てられるべき日時に、同義語であるが表記が異なる行動ラベルが割り当てられることを防止できる。また、分類済みクラスを統一することにより、この分類済みクラスの学習データ量を増やすことができる。なお、上述した方法以外に、シソーラスを用いて類似性を判別することもできる。

（変形例４）
本実施形態では、行動情報格納部１０４に行動情報が格納されていない日時に行動ラベルを割り当てたが、行動情報格納部１０４に行動情報が格納されている日時に行動ラベルを割り当てることもできる。例えば、行動ラベルを抽出することができなかった行動情報が行動情報格納部１０４に格納されているような日時には、同様な手法を用いて行動ラベルを割り当てることができる。これにより、ユーザは、不完全な状態（行動ラベルが抽出できない状態）で登録された行動情報に関する履歴を検索することができる。

（変形例５）
本実施形態では行動ラベル割当ルールとして決定木を１つだけ学習しているが、複数の決定木あるいはその他の識別器を併用しても構わない。例えば、「会議」という行動ラベルが割り当てられた日時に、別の決定木を用いて会議を詳細に分類する行動ラベル（例えば、「開発会議」、「グループ会議」など）を割り当ててもよい。

（変形例６）
本実施形態の行動履歴生成装置は、持ち運び可能なハードウェア装置への実装を想定しているが、行動履歴生成装置の機能の一部をネットワークに接続された外部サーバ上で実行してもよい。また、行動履歴生成装置を、ＣＰＵなどの制御装置と、ＲＯＭやＲＡＭなどの記憶装置と、ＨＤＤなどの外部記憶装置と、ディスプレイ装置などの表示装置と、キーボード、マウスなどの入力装置とを備えた一般的なコンピュータに実装することもできる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１０１ 状況取得部
１０２ 状況格納部
１０３ 行動情報取得部
１０４ 行動情報格納部
１０５ 第1割当部
１０６ 第２割当部
１０７ 行動履歴格納部
１０８ 行動履歴検索部
１０９ 行動ラベル割当ルール生成部
１１０ 行動ラベル割当ルール格納部

Claims (10)

1. ユーザの状況およびその状況の日時を取得する状況取得手段と、
   前記状況取得手段で取得されたユーザの状況および日時を格納する状況格納手段と、
   日時情報を有したユーザの行動情報を格納する行動情報格納手段と、
   前記行動情報格納手段に格納された行動情報に対応する日時に対しては、当該行動情報あるいは当該行動情報から抽出した行動ラベルを割り当てる第１割当手段と、
   前記第１割当手段で行動情報あるいは行動ラベルが割り当てられていない日時に対しては、前記状況格納手段に格納された当該日時のユーザの状況と予め学習した行動ラベル割当ルールを用いて行動ラベルを割り当てる第２割当手段と、
   を備えた行動履歴生成装置。
2. 前記行動情報格納手段に格納された行動情報から抽出した行動ラベルを分類済みクラスとして、前記状況格納手段に格納された当該行動情報に対応する日時のユーザの状況を属性として、前記行動ラベル割当ルールを学習する行動ラベル割当ルール学習手段を更に備えた請求項１記載の行動履歴生成装置。
3. 前記行動ラベル割当ルール学習手段が、前記ユーザの状況に加え前記行動情報から抽出した日時あるいは場所に関する情報も属性として行動ラベル割当ルールを学習する請求項２記載の行動履歴生成装置。
4. 前記行動ラベル割当ルール学習手段が、同義語であると判別された行動ラベルを同一の分類済みクラスとして行動ラベル割当ルールを学習する請求項２乃至３記載の行動履歴生成装置。
5. 前記同義語が行動ラベルの表記を利用して判別される請求項４記載の行動履歴生成装置。
6. 前記状況格納手段が複数のユーザの状況を格納し、
   前記行動情報格納手段が前記複数のユーザの行動情報を格納し、
   前記複数のユーザの行動情報から抽出した行動ラベルの同義語が、同一の日時における前記複数のユーザの状況を利用して判別される請求項４記載の行動履歴生成装置。
7. 前記状況格納手段が複数のユーザの状況を格納し、
   前記行動情報格納手段が前記複数のユーザの行動情報を格納し、
   前記行動ラベル割当ルール学習手段が、前記複数のユーザの状況を属性として、前記複数のユーザの行動情報から抽出された行動ラベルを分類済みクラスとして行動ラベル割当ルールを学習する請求項２記載の行動履歴生成装置。
8. 前記第１手段で割り当てられた行動情報あるいは行動ラベルと、前記第２手段で割り当てられた行動ラベルを検索する行動履歴検索手段を更に備えた請求項１記載の行動履歴生成装置。
9. ユーザの状況およびその状況の日時を取得する状況取得工程と、
   前記状況取得工程で取得されたユーザの状況および日時を格納する状況格納工程と、
   日時情報を有したユーザの行動情報を格納する行動情報格納工程と、
   前記行動情報格納工程で格納された行動情報に対応する日時に対しては、当該行動情報あるいは当該行動情報から抽出した行動ラベルを割り当てる第１割当工程と、
   前記第１割当工程で行動情報あるいは行動ラベルが割り当てられていない日時に対しては、前記状況格納工程で格納された当該日時のユーザの状況と予め学習した行動ラベル割当ルールを用いて行動ラベルを割り当てる第２割当工程と、
   を備えた行動履歴生成方法。
10. 前記行動情報格納工程で格納された行動情報から抽出した行動ラベルを分類済みクラスとして、前記状況格納工程で格納された当該行動情報に対応する日時のユーザの状況を属性として、前記行動ラベル割当ルールを学習する行動ラベル割当ルール学習工程を更に備えた請求項９記載の行動履歴生成方法。

Images