JP2012242848A - 支援モデル作成装置、支援モデル作成方法、及びプログラム - Google Patents

Abstract

【課題】被験者の数が少ない場合であっても、推定精度の高い支援モデルを構築し得る、支援モデル作成装置、支援モデル作成方法、及びプログラムを提供する。
【解決手段】支援モデル作成装置１０は、ユーザによる意思決定を支援する支援モデルを作成するための装置である。支援モデル作成装置１０は、１又は２以上の被験者の評価構造をモデル化することによって得られた評価構造モデルＭ１０、及び過去に発生した事象に関するデータを含む支援情報Ｉ１１を取得する情報取得部１１と、評価構造モデルＭ１０と支援情報Ｉ１１との関係を特定し、特定した関係に基づいて、評価構造モデルＭ１０を補正して支援モデルを作成する、支援モデル作成部１２と、を備えている。
【選択図】図１

Description

本発明は、ユーザの意思決定を支援するための支援モデルを作成する、支援モデル作成装置、支援モデル作成方法、及びプログラムに関する。

近年、人間の評価構造をモデル化する試みがなされている。例えば、非特許文献１は、消費者がアイスクリームを買いたいと考えるに至る際の評価構造モデルを構築する技術を開示している。

評価構造モデルを構築することができれば、開発者は、消費者がアイスクリームを購入するときに考慮する項目、及びそれらの項目の依存関係を知ることができ、更には、消費者の購入行動を予測することもできる。そして、この結果、開発された新商品の市場における成功が約束される。

具体的には、非特許文献１に開示された技術では、まず、評価グリッド法によって、被験者毎に、評価構造モデルが構築される。被験者毎の評価モデルの構築は、各被験者に対して、商品の写真を見せながら質問を与え、得られた回答をまとめることによって行われる。

次に、被験者毎のモデルは一つのモデルにまとめられる。一つにされたモデルは、スケルトンモデルと呼ばれ、商品に対する評価とその理由との関係、商品の仕様とその特性との関係などを特定している。

その後、アイスクリームについてのアンケート調査に基づいてベイジアンネットワークが作成される。そして、スケルトンモデルに対してベイジアンネットワークが適用され、モデル構造と条件付確率分布とが学習される。結果、消費者の評価構造モデルが構築される。

また、非特許文献１に開示された技術は、その他に、小売業における発注業務の支援にも適用できる。例えば、コンビニエンスストアにおいては、従業員は、余剰在庫が生じないようにするため、季節、近隣でのイベント、曜日などの種々の情報に基づいて、発注する商品の種類、各商品の個数を決定する。この場合、従業員の経験値及び能力には差があるため、どうしても余剰在庫が生じてしまうが、経験値及び能力の高い従業員の評価構造モデルを発注業務のための支援モデルとして構築しておけば、このような事態の発生は抑制されると考えられる。

芳賀麻誉美、本村 陽一著、「ベイジアンネットワークの確率推論による商品開発とマーケティング戦略 〜バニラカップアイスの設計と意思決定支援への適用を通して〜」、ベイジアンネットセミナーBN2005、人工知能学会、第６０回人工知能基本問題研究会（SIG-FPAI）、２００５年

しかしながら、非特許文献１に開示された技術を、小売業における発注業務の支援に適用するためには、経験値及び能力の高い従業員を被験者として多数集めて、面接及びアンケートを行う必要がある。このため、現実的には、上述した支援モデルを構築することは困難である。また、少人数の被験者によって、支援モデルを構築することは可能ではあるが、この場合、支援モデルの推定精度は低くなってしまう。

本発明の目的の一例は、上記問題を解消し、被験者の数が少ない場合であっても、推定精度の高い支援モデルを構築し得る、支援モデル作成装置、支援モデル作成方法、及びプログラムを提供することにある。

上記目的を達成するため、本発明の一側面における支援モデル作成装置は、ユーザによる意思決定を支援する支援モデルを作成するための装置であって、
１又は２以上の被験者の評価構造をモデル化することによって得られた評価構造モデルと、過去に発生した事象に関するデータを含む支援情報と、を取得する、情報取得部と、
前記評価構造モデルと前記支援情報との関係を特定し、特定した関係に基づいて、前記評価構造モデルを補正して前記支援モデルを作成する、支援モデル作成部と、
を備えている、ことを特徴とする。

また、上記目的を達成するため、本発明の一側面における支援モデル作成方法は、ユーザによる意思決定を支援する支援モデルを作成するための方法であって、
（ａ）１又は２以上の被験者の評価構造をモデル化することによって得られた評価構造モデルと、過去に発生した事象に関するデータを含む支援情報と、を取得する、ステップと、
（ｂ）前記評価構造モデルと前記支援情報との関係を特定し、特定した関係に基づいて、前記評価構造モデルを補正して前記支援モデルを作成する、ステップと、
を有する、ことを特徴とする。

更に、上記目的を達成するため、本発明の一側面におけるプログラムは、コンピュータによって、ユーザによる意思決定を支援する支援モデルを作成するためのプログラムであって、
前記コンピュータに、
（ａ）１又は２以上の被験者の評価構造をモデル化することによって得られた評価構造モデルと、過去に発生した事象に関するデータを含む支援情報と、を取得する、ステップと、
（ｂ）前記評価構造モデルと前記支援情報との関係を特定し、特定した関係に基づいて、前記評価構造モデルを補正して前記支援モデルを作成する、ステップと、
を実行させることを特徴とする。

以上のように本発明によれば、被験者の数が少ない場合であっても、推定精度の高い支援モデルを構築することができる。

図１は、本発明の実施の形態における支援モデル作成装置の構成を示すブロック図である。 図２は、本実施の形態において用いられる評価構造モデルの一例を示す図である。 図３は、本実施の形態において、評価構造モデルＭ１０を記述するために必要な情報Ｉ１０の一例を示す図である。 図４は、コンビニエンスストアの店員から得られたサンプルデータの一例を示す図である。 図５は、本実施の形態において用いられる支援情報の一例を示す図である。 図６は、本実施の形態において用いられる支援情報の一例を示す図である。 図７は、本実施の形態において用いられる支援情報の一例を示す図である。 図８は、本実施の形態において用いられる支援情報の一例を示す図である。 図９は、本実施の形態において用いられる支援情報の一例を示す図である。 図１０は、本実施の形態において支援モデル作成部によって抽出される共通要素Ｄ１０の一例を示す図である。 図１１は、本実施の形態において出力される支援モデルの一例を示す図である。 図１２は、本発明の実施の形態における支援モデル作成装置の動作を示すフロー図である。 図１３は、図１２に示した条件付確率表の再構築処理を更に具体的に示すフロー図である。 図１４は、本発明の実施の形態における支援モデル作成装置１０を実現するコンピュータの一例を示すブロック図である。

（実施の形態）
以下、本発明の実施の形態における、支援モデル作成装置、支援モデル作成方法、及びプログラムについて、図１〜図１３を参照しながら説明する。

［装置構成］
最初に、本実施の形態における支援モデル作成装置の構成について図１を用いて説明する。図１は、本発明の実施の形態における支援モデル作成装置の構成を示すブロック図である。

図１に示す、本実施の形態における支援モデル作成装置１０は、ユーザによる意思決定を支援する支援モデルを作成する装置である。図１に示すように、支援モデル作成装置１０は、情報取得部１１と、支援モデル作成部１２とを備えている。

情報取得部１１は、１又は２以上の被験者の評価構造をモデル化することによって得られた評価構造モデルＭ１０（図２参照）と、過去に発生した事象に関するデータを含む支援情報Ｉ１１（図２参照）と、を取得する。支援モデル作成部１２は、評価構造モデルＭ１０と支援情報Ｉ１１との関係を特定し、特定した関係に基づいて、評価構造モデルＭ１０を補正して支援モデルを作成する。

このように、本実施の形態では、評価構造モデルＭ１０は支援情報Ｉ１１を用いて補正される。よって、評価構造モデルＭ１０が少数の被験者から作成されていたとしても、得られる支援モデルの推定精度を高めることが可能となる。

ここで、図１に加えて、図２〜図１０を用いて、本実施の形態における支援モデル作成装置１０の構成について更に具体的に説明する。図１に示すように、支援モデル作成装置１０は、情報取得部１１及び支援モデル作成部１２に加えて、記憶部２０を備えている。記憶部２０は、外部から入力された評価構造モデルＭ１０と支援情報Ｉ１１とを保持している。

まず、評価構造モデルＭ１０の具体例を、図２を用いて説明する。図２は、本実施の形態において用いられる評価構造モデルの一例を示す図である。図２に示す評価構造モデルＭ１０は、被験者がコンビニエンスストアの店員である場合の評価構造モデルであり、何人かの店員から得られたサンプルデータを用いて予め構築されている。また、本実施の形態では、図２に示すように、評価構造モデルＭ１０は、グラフ構造Ｇ１０と、条件付確率表ＰＲ１０とを有する確率モデルである。

グラフ構造Ｇ１０は、複数個の確率変数Ｖ１０と、確率変数間の依存関係を示す複数本のリンクＰ１０とで構成されている。以下の説明では、確率変数Ｖ１０を「評価項目Ｖ１０」と表記し、リンクＰ１０を「依存関係Ｐ１０」と表記する。また、条件付確率表ＰＲ１０は、確率変数Ｖ１０間の関係を表しており、確率変数毎に作成される。図２の例では、確率変数Ｚが評価項目「お得感」である場合の条件付確率表ＰＲ１０のみが示されている。

また、図２の例では評価構造モデルＭ１０は、被験者であるコンビニエンスストアの店員に、デザートに属する商品（チョコバナナクレープ、いちごクレープ、しっとりロールケーキ等）の売れ行きを評価させることによって構築されている。従って、この評価構造モデルＭ１０を用いて支援モデルを作成すれば、発注の上手な店員がクレープの発注時にどのようにして売れ行きを推測しているのかを知ることができる。即ち、発注の上手な店員が、発注支援情報のどの情報に着目しているのか、更には、着目している情報がどのような状態にあるときに（例えば、気温が高い、低い、平均）どのような判断をするのか（発注量を増やす又は減らす）、を知ることができる。結果、支援モデルにより、コンビニエンスストアにおける発注業務が支援されることになる。

更に、本実施の形態では、評価構造モデルＭ１０は、商品、季節、店舗の立地条件、店舗周辺の施設の情報といった、条件毎に作成されていても良く、この場合、複数種類の評価構造モデルＭ１０が、記憶部２０に保持される。そして、情報取得部１１は、外部から上述した情報が入力されると、保持されている評価構造モデルの中から、入力された情報に合った評価構造モデルを選択し、選択した評価構造モデルを取得する。

更に、本実施の形態では、評価構造モデルＭ１０は、実際には、図３に示す情報Ｉ１０の状態で、外部から入力され、記憶部２０に格納される。そして、評価構造モデルＭ１０は、情報Ｉ１０に基づいて、記述される。図３は、本実施の形態において、評価構造モデルＭ１０を記述するために必要な情報Ｉ１０の一例を示す図である。

図３に示すように、情報Ｉ１０は、グラフ構造Ｇ１０を記述するための表Ｇ１１と、条件付確率表ＰＲ１０とを有している。表Ｇ１１は、評価項目を識別するための評価項目番号と、評価項目を表す文字列と、親項目となる評価項目の評価項目番号（親項目番号）と、評価項目の属性とを備えている。

続いて、条件付確率表ＰＲ１０の作成手順について図４を用いて説明する。まず、子ノードの一つを根、これに接続する親ノード群を葉とした木を想定すると、図２に示すグラフ構造Ｇ１０は、この木が複数組み合わさったものと考えることができる。そして、条件付確率表は、この木のそれぞれについて一つ定義される。

以下においては、グラフ構造Ｇ１０を構成する１つの木を取り出し、取り出した木についての条件付確率表を作成する例について説明する。なお、取り出す木は、「お得感」が子ノード（子項目）であり、「値段」及び「内容量」が「お特感」の親ノード（親項目）である、木とする（図２参照）。また、図２の例と同様に、確率変数Ｘ＝「値段」、確率変数Ｙ＝「内容量」、確率変数Ｚ＝「お得感」とする。

更に、コンビニエンスストアの店員から、図４に示すサンプルデータが予め取得されているとする。図４は、コンビニエンスストアの店員から得られたサンプルデータの一例を示す図である。図４において、Ｘ、Ｙ、Ｚの離散状態の数は２とする。具体的には、Ｘは、安い場合は「０」、高い場合は「１」をとる。Ｙは、少ない場合は「０」、多い場合は「１」をとる。Ｚは、お買得でない場合は「０」、お買得である場合は「１」をとる。

そして、図４を用いて、例えば、値段が安くて内容量が多い場合にお買得となる確率Ｐ（Ｚ＝１｜Ｘ＝０、Ｙ＝１）と、値段が安くて内容量が多い場合にお買得とならない確率Ｐ（Ｚ＝０｜Ｘ＝０、Ｙ＝１）と、を計算してみる。

まず、図４から、Ｘ＝０であり、且つ、Ｙ＝１である場合のデータを抽出すると、番号が、２、３、６、７、９、１０、１１、１２、１５、１７、２０の場合のデータが該当する。このうち、Ｚ＝１となる事例の数は８、Ｚ＝０となる事例の数は２である。従って、確率Ｐ（Ｚ＝１｜Ｘ＝０、Ｙ＝１）と、確率Ｐ（Ｚ＝０｜Ｘ＝０、Ｙ＝１）とは下記の数１及び数２のように計算される。但し、下記の数３が成立する。

その後、上記と同様にして、他の確率、Ｐ（Ｚ＝１｜Ｘ＝０、Ｙ＝０）、Ｐ（Ｚ＝０｜Ｘ＝０、Ｙ＝０）、Ｐ（Ｚ＝１｜Ｘ＝１、Ｙ＝０）、Ｐ（Ｚ＝０｜Ｘ＝１、Ｙ＝０）、Ｐ（Ｚ＝１｜Ｘ＝１、Ｙ＝１）、Ｐ（Ｚ＝０｜Ｘ＝１、Ｙ＝１）、を求めれば、確率変数Ｚについての条件付確率表ＰＲ１０が得られる。

続いて、支援情報Ｉ１１の具体例を図５〜図９を用いて説明する。図５〜図９は、それぞれ、本実施の形態において用いられる支援情報の一例を示す図である。本実施の形態では、支援情報Ｉ１１は、コンビニエンスストアで過去に発生した事象に関するデータであり、例えば、特定の商品の過去の販売傾向、販売された商品の商品データなどである。具体的には、支援情報Ｉ１１としては、従来から、コンビニエンスストアのＰＯＳシステムで収集されているＰＯＳデータが挙げられる。また、この場合、ＰＯＳデータは数ヶ月分以上であるのが好ましい。

具体的には、図５は、支援情報Ｉ１１として、チョコバナナクレープの過去の販売傾向を示している。図６は、支援情報Ｉ１１として、いちごクレープの過去の販売傾向を示している。図７は、支援情報Ｉ１１として、しっとりロールケーキの過去の販売傾向を示している。図８は、支援情報Ｉ１１として、クレープ全般の過去の販売傾向を示している。図９は、支援情報Ｉ１１として、各デザートの商品データを示している。

また、図５〜図８に示すように、「過去の販売傾向」は複数個の項目で成り立っている。「過去の販売傾向」の項目の例としては、曜日、納品数、販売数、前日の販売数、天候、女性客の数、自店周辺でのイベントの有無、お買得商品に該当するか否か、他店との間の売上順位が挙げられる。更に、図５〜図８には例示していないが、その他の項目として、気温、廃棄数、自店でのキャンペーンの有無、年間行事（七夕、クリスマス等）との関連性、なども挙げられる。

更に、図９に示すように、「商品データ」も複数個の項目で成り立っている。「商品データ」の項目の例としては、商品がデザートであるならば、値段、内容量、カロリー、甘味度、材料のこだわりの有無、などが挙げられる。更に、図９には例示していないが、「商品データ」のその他の項目としては、ＣＭ放映の期間も挙げられる。なお、図５〜図９に示すように、各支援情報Ｉ１１は、項目毎に、属性も備えている。以下においては、属性を表す文字列は「Ｗ１１」と表記する。

また、本実施の形態では、支援モデル作成部１２は、評価構造モデルＭ１０と支援情報Ｉ１１との関係として、グラフ構造Ｇ１０と支援情報Ｉ１１との共通要素Ｄ１０を抽出する。そして、支援モデル作成部１２は、抽出した共通要素を用いて、グラフ構造Ｇ１０及び条件付確率表ＰＲ１０のうち少なくとも一方を再構築することによって補正を行い、支援モデルを作成する。

具体的には、まず、支援モデル作成部１２は、図３に示すように、情報Ｇ１１に基づいて、グラフ構造Ｇ１０を構成する各評価項目Ｖ１０の属性を取得する。以下においては、各評価項目Ｖ１０の属性を表す文字列を「Ｗ１０」と表記する。

そして、支援モデル作成部１２は、各評価項目Ｖ１０の属性を表す文字列Ｗ１０と、支援情報Ｉ１１の各項目の属性を表す文字列Ｗ１１とが一致するか否かを判定する。そして、支援モデル作成部１２は、文字列Ｗ１０に一致する文字列Ｗ１１を、共通要素Ｄ１０として抽出する。

図１０は、本実施の形態において支援モデル作成部によって抽出される共通要素Ｄ１０の一例を示す図である。図１０の例では、評価項目Ｖ１０のうち、「値段」、「内容量」、「お得感」、「他店との間の売上げ順位」、「イベント」、「前日の総販売数」、それぞれの属性は、支援情報Ｉ１１のいずれかの項目の属性と一致する。そして、一致している項目について、商品毎及び日毎に、支援情報Ｉ１１に含まれる情報が取得され、取得された情報が共通要素Ｄ１０となっている。

そして、支援モデル作成部１２は、図１０に示す共通要素Ｄ１０を用いて、グラフ構造及び条件付確率表ＰＲ１０のうち少なくとも一方を再構築する。その後、支援モデル作成部１２は、両方とも再構築された場合は、再構築後のグラフ構造及び条件付確率表を、支援モデルＭ１１として出力する。また、支援モデル作成部１２は、一方のみが再構築された場合は、再構築されている方と、再構築されていない方とを、支援モデルＭ１１として出力する。図１１は、本実施の形態において出力される支援モデルの一例を示す図である。図１１の例では、条件付確率表のみが再構築されている。なお、再構築された条件付確率表は、「条件付確率表ＰＲ１１」と表記する。また、グラフ構造及び条件付確率表が、再構築の前と後とで、変化しない場合もある。

［装置動作］
次に、本発明の実施の形態における支援モデル作成装置１０の動作について図１２を用いて説明する。図１２は、本発明の実施の形態における支援モデル作成装置の動作を示すフロー図である。以下の説明においては、適宜図１〜図１１を参酌する。また、本実施の形態では、支援モデル作成装置１０を動作させることによって、支援モデル作成方法が実施される。よって、本実施の形態における支援モデル作成方法の説明は、以下の支援モデル作成装置１０の動作説明に代える。

まず、前提として、評価構造モデルＭ１０（図２参照）と、支援情報Ｉ１１（図５〜図９参照）とが、予め外部から入力され、記憶部２０に格納されている。本実施の形態において、評価構造モデルＭ１０及び支援情報Ｉ１１の入力は、外部のコンピュータからのネットワークを介した送信によって行われていても良いし、キーボード等の入力機器を介した直接入力によって行われていても良い。

次に、外部から、店舗の立地条件等の情報が入力されると、図１２に示すように、情報取得部１１は、記憶部２０にアクセスし、入力された情報にあった評価構造モデルＭ１０と、支援情報Ｉ１１とを取得する（ステップＳ１）。また、情報取得部１１は、取得した評価構造モデルＭ１０と、支援情報Ｉ１１とを、支援モデル作成部１２に入力する。

次に、支援モデル作成部１２は、評価構造モデルＭ１０を構成するグラフ構造Ｇ１０と支援情報Ｉ１１との共通要素Ｄ１０を抽出するため、１つの文字列Ｗ１０（図３参照）を選択し、選択した当該文字列Ｗ１０と一致する文字列Ｗ１１を検索する（ステップＳ２）。

次に、支援モデル作成部１２は、全ての文字列Ｗ１０についてステップＳ２の検索が終了しているかどうかを判定する（ステップＳ３）。ステップＳ３の判定の結果、全ての文字列Ｗ１０について検索が終了していない場合は、支援モデル作成部１２は、再度、ステップＳ２を実行する。

一方、ステップＳ３の判定の結果、全ての文字列Ｗ１０について検索が終了している場合は、支援モデル作成部１２は、検索によって特定した全ての文字列Ｗ１１を共通要素Ｄ１０として抽出する（ステップＳ４）。

次に、支援モデル作成部１２は、ステップＳ４で抽出した共通要素Ｄ１０を用いて、グラフ構造Ｇ１０及び条件付確率表ＰＲ１０の少なくとも一方を再構築し、支援モデルＭ１１を作成する（ステップＳ５）。例えば、条件付確率表ＰＲ１０のみが再構築された場合は、支援モデル作成部１２は、再構築によって得られた条件付確率表ＰＲ１１と、グラフ構造Ｇ１０とを、支援モデルＭ１１として出力する。

ここで、共通要素Ｄ１０を用いた条件付確率表ＰＲ１０の再構築処理について説明する。本実施の形態において、条件付確率表ＰＲ１０の再構築処理は、特に限定されるものではないが、当該処理の具体例としては、下記の参照文献に記載されている「ＣｏｏｐｅｒのＫ２アルゴリズム」を用いた処理が挙げられる。
［参照文献］繁桝算男、植野真臣、本村陽一著、「ベイジアンネットワーク概説」、培風館、2006年7月21日発行、p.59-63

以下では、ＣｏｏｐｅｒのＫ２アルゴリズムを用いた場合について、図１３を用いて説明する。図１３は、図１２に示した条件付確率表の再構築処理を更に具体的に示すフロー図である。

図１３に示すように、まず、支援モデル作成部１２は、グラフ構造の学習（再構築）が必要かどうかを判定する（ステップＳ５０）。本実施の形態では、支援モデル作成装置１０の使用者が、ステップＳ１における情報の入力の際に、予め、グラフ構造の学習が必要かどうかを指示している。従って、ステップＳ５０における判定は、ステップＳ１で行なわれた指示に基づいて行なわれる。ステップＳ５０の判定の結果、グラフ構造の学習が必要ない場合は、支援モデル作成部１２は、ステップＳ５８を実行する。

一方、ステップＳ５０の判定の結果、グラフ構造の学習が必要な場合は、支援モデル作成部１２は、図１０に示した共通要素Ｄ１０を構成している項目毎に、当該項目に対して親項目となり得る項目を、親項目候補として特定する（ステップＳ５１）。

次に、支援モデル作成部１２は、共通要素Ｄ１０を構成している項目のうち、子項目となる項目を一つ選択する（ステップＳ５２）。続いて、支援モデル作成部１２は、ステップＳ５２で選択した子項目に、ステップＳ５１で特定した１又は２以上の親項目候補を組み合わせて、考えられる全ての構造（局所木）を作成する（ステップＳ５３）。

次に、支援モデル作成部１２は、ステップＳ５３で作成した各局所木について、下記の数４を用いてＣｏｏｐｅｒの予測分布（確率）を計算する（ステップＳ５４）。

上記の数４において、Ａ_ｉは、選択された子項目の確率変数を示す。ｉは１〜ｎ（子項目の数）までの自然数である。Ｂｓは、確率構造（例えば、「値段→お買得感←内容量」等）を示す。ｒ_ｉは、確率変数Ａ_ｉの離散状態の数を示し、例えば、真偽二値の場合は、ｒ_ｉ-＝２となる。ｑ_ｉは、確率変数Ａ_ｉの親項目候補の離散状態の数を示す。

また、Ｎ_ｉｊｋは、確率変数Ａ_ｉの親ノード変数集合がｊ番目の離散状態をとり，変数Ａ_ｉがｋ番目の離散状態をとるデータの数を示す。なお、ｊは、１〜ｑ_ｉまでの自然数である。ｋは、０〜（ｒ_ｉ−１）までの自然数である。よって、例えば、子項目が、図１０に示す「お買得商品」であり、その親項目が「値段」及び「内容量」であるとする。この場合は、図１０から分かるように、ｊは、１〜９となる。また、「お買得商品」についてのｋは０又は１となる。「値段」及び「内容量」それぞれについてのｋは０、１、又は２となる。

次に、支援モデル作成部１２は、ステップＳ５４の計算の対象となった局所木のうち、上記数４で得られる予測分布の値が最も高くなる局所木を特定し、特定した局所木を採用する（ステップＳ５５）。

次に、支援モデル作成部１２は、全ての子項目について、ステップＳ５３〜Ｓ５５が終了しているかどうかを判定する（ステップＳ５６）。ステップＳ５６の判定の結果、全ての子項目についてステップＳ５３〜Ｓ５５が終了していない場合は、支援モデル作成部１２は、ステップＳ５２を再度実行する。

一方、ステップＳ５６の判定の結果、全ての子項目についてステップＳ５３〜Ｓ５５が終了している場合は、支援モデル作成部１２は、ステップＳ５５で採用した局所木を用いてグラフ構造を新たに構築する（ステップＳ５７）。

次に、支援モデル作成部１２は、ステップＳ５７が実行された場合は新たなグラフ構造について、ステップＳ５７が実行されていない場合は、グラフ構造Ｇ１０について、共通要素Ｄ１０を用いて、新たな条件付確率表ＰＲ１１を構築する（ステップＳ５８）。なお、条件付確率表ＰＲ１１の構築も、図４を用いて説明した上述の手順に準じて実行される。

その後、支援モデル作成部は、ステップＳ５７が実行されている場合は、新たなグラフ構造と、ステップＳ５８で新たに構築された条件付確率表ＰＲ１１とを、支援モデルＭ１１として出力する（ステップＳ５９）。また、支援モデル作成部は、ステップＳ５７が実行されていない場合は、グラフ構造Ｇ１０と、ステップＳ５８で新たに構築された条件付確率表ＰＲ１１とを、支援モデルＭ１１として出力する。

ところで、本実施の形態において、評価構造モデルＭ１０は、１人又は数人といった少数の店員から得られたものであっても良い。少数の店員から得られた評価構造モデルを支援モデルとして用いた場合は、「発明が解決しようとする課題」の欄で述べたように、推定精度は低くなってしまう。しかしながら、本実施の形態では、このような評価構造モデルに対して支援情報Ｉ１１が適用され、再構築されて、支援モデルが作成されるので、推定精度の低下が回避される。本実施の形態によれば、多数の被験者からサンプルデータを収集しなくても、推定精度の高い支援モデルを作成することができる。

このようにして作成された支援モデルによれば、発注の上手な店員が商品の発注時にどのようにして売れ行きを推測しているのかを知ることができる。この結果、コンビニエンスストアにおける発注業務が支援されることになる。

また、上述の例では、評価構造モデルは、被験者であるコンビニエンスストアの店員に、デザートに属する商品の売れ行きを評価させることによって構築されているが、本実施の形態はこれに限定されず、対象となる商品は限定されるものではない。

また、本実施の形態において、作成される支援モデルの用途は、コンビニエンスストアにおける発注業務に限定されるものではない。その他の用途としては、コピー機等の装置の故障原因の診断、管制官の危険予測、自動車の運転での危険予測等が挙げられる。つまり、本実施の形態は、ベテランの手本（マスター）に基づいた支援モデルの作成が求められる全ての分野に適用可能である。

また、本実施の形態におけるプログラムは、コンピュータに、図１２に示すステップＳ１〜Ｓ５、図１３に示すステップＳ５１〜Ｓ５６を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態における支援モデル作成装置１０と支援モデル作成方法とを実現することができる。この場合、コンピュータのＣＰＵ（Central Processing Unit）は、情報取得部１１、支援モデル作成部１２として機能し、処理を行なう。また、コンピュータに備えられたハードディスク等の記憶装置が、記憶部２０として機能する。

ここで、実施の形態におけるプログラムを実行することによって、支援モデル作成装置１０を実現するコンピュータについて図１４を用いて説明する。図１４は、本発明の実施の形態における支援モデル作成装置１０を実現するコンピュータの一例を示すブロック図である。

図１４に示すように、コンピュータ１１０は、ＣＰＵ１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。

ＣＰＵ１１１は、記憶装置１１３に格納された、本実施の形態におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであっても良い。

また、記憶装置１１３の具体例としては、ハードディスクの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。

また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash）及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記憶媒体、又はＣＤ−ＲＯＭ（Compact Disk Read Only Memory）などの光学記憶媒体が挙げられる。

上述した実施の形態の一部又は全部は、以下に記載する（付記１）〜（付記１５）によって表現することができるが、以下の記載に限定されるものではない。

（付記１）
ユーザによる意思決定を支援する支援モデルを作成するための装置であって、
１又は２以上の被験者の評価構造をモデル化することによって得られた評価構造モデルと、過去に発生した事象に関するデータを含む支援情報と、を取得する、情報取得部と、
前記評価構造モデルと前記支援情報との関係を特定し、特定した関係に基づいて、前記評価構造モデルを補正して前記支援モデルを作成する、支援モデル作成部と、
を備えている、ことを特徴とする支援モデル作成装置。

（付記２）
前記評価構造モデルが、複数の確率変数間の依存関係を示すグラフ構造と、前記確率変数の間の関係を表す条件付確率表とを有しており、
前記支援モデル作成部が、前記関係として、前記グラフ構造と前記支援情報との共通要素を抽出し、更に、抽出した共通要素を用いて、前記グラフ構造及び前記条件付確率表のうち少なくとも一方を再構築することによって補正を行う、
付記１に記載の支援モデル作成装置。

（付記３）
前記支援情報が、過去に発生した事象で扱われた物品に関するデータ、過去に発生した事象から得られるデータのうち、一方又は両方である、付記１または２に記載の支援モデル作成装置。

（付記４）
前記評価構造モデルが、前記被験者による、特定の種類に属する商品の売れ行きについての評価から構築されている、付記１〜３のいずれかに記載の支援モデル作成装置。

（付記５）
前記評価構造モデルが、前記被験者による、特定の分類に属する商品の売れ行きについての評価から構築されている、付記１〜３のいずれかに記載の支援モデル作成装置。

（付記６）
ユーザによる意思決定を支援する支援モデルを作成するための方法であって、
（ａ）１又は２以上の被験者の評価構造をモデル化することによって得られた評価構造モデルと、過去に発生した事象に関するデータを含む支援情報と、を取得する、ステップと、
（ｂ）前記評価構造モデルと前記支援情報との関係を特定し、特定した関係に基づいて、前記評価構造モデルを補正して前記支援モデルを作成する、ステップと、
を有する、ことを特徴とする支援モデル作成方法。

（付記７）
前記評価構造モデルが、複数の確率変数間の依存関係を示すグラフ構造と、前記確率変数の間の関係を表す条件付確率表とを有しており、
前記（ｂ）のステップにおいて、前記関係として、前記グラフ構造と前記支援情報との共通要素を抽出し、更に、抽出した共通要素を用いて、前記グラフ構造及び前記条件付確率表のうち少なくとも一方を再構築することによって補正を行う、
付記６に記載の支援モデル作成方法。

（付記８）
前記支援情報が、過去に発生した事象で扱われた物品に関するデータ、過去に発生した事象から得られるデータのうち、一方又は両方である、付記６または７に記載の支援モデル作成方法。

（付記９）
前記評価構造モデルが、前記被験者による、特定の種類に属する商品の売れ行きについての評価から構築されている、付記６〜８のいずれかに記載の支援モデル作成方法。

（付記１０）
前記評価構造モデルが、前記被験者による、特定の分類に属する商品の売れ行きについての評価から構築されている、付記６〜８のいずれかに記載の支援モデル作成方法。

（付記１１）
コンピュータによって、ユーザによる意思決定を支援する支援モデルを作成するためのプログラムであって、
前記コンピュータに、
（ａ）１又は２以上の被験者の評価構造をモデル化することによって得られた評価構造モデルと、過去に発生した事象に関するデータを含む支援情報と、を取得する、ステップと、
（ｂ）前記評価構造モデルと前記支援情報との関係を特定し、特定した関係に基づいて、前記評価構造モデルを補正して前記支援モデルを作成する、ステップと、
を実行させるプログラム。

（付記１２）
前記評価構造モデルが、複数の確率変数間の依存関係を示すグラフ構造と、前記確率変数の間の関係を表す条件付確率表とを有しており、
前記（ｂ）のステップにおいて、前記関係として、前記グラフ構造と前記支援情報との共通要素を抽出し、更に、抽出した共通要素を用いて、前記グラフ構造及び前記条件付確率表のうち少なくとも一方を再構築することによって補正を行う、
付記１１に記載のプログラム。

（付記１３）
前記支援情報が、過去に発生した事象で扱われた物品に関するデータ、過去に発生した事象から得られるデータのうち、一方又は両方である、付記１１または１２に記載のプログラム。

（付記１４）
前記評価構造モデルが、前記被験者による、特定の種類に属する商品の売れ行きについての評価から構築されている、付記１１〜１３のいずれかに記載のプログラム。

（付記１５）
前記評価構造モデルが、前記被験者による、特定の分類に属する商品の売れ行きについての評価から構築されている、付記１１〜１４のいずれかに記載のプログラム。

本発明によれば、被験者の数が少ない場合であっても、推定精度の高い支援モデルを構築することができる。本発明は、コンビニエンスストアにおける発注システム、各種機械の故障診断システム、航空管制システム、危険予測システム等に有用である。

１０ 支援モデル作成装置
１１ 情報取得部
１２ 支援モデル作成部
２０ 記憶部
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス

Claims (7)

1. ユーザによる意思決定を支援する支援モデルを作成するための装置であって、
   １又は２以上の被験者の評価構造をモデル化することによって得られた評価構造モデルと、過去に発生した事象に関するデータを含む支援情報と、を取得する、情報取得部と、
   前記評価構造モデルと前記支援情報との関係を特定し、特定した関係に基づいて、前記評価構造モデルを補正して前記支援モデルを作成する、支援モデル作成部と、
   を備えている、ことを特徴とする支援モデル作成装置。
2. 前記評価構造モデルが、複数の確率変数間の依存関係を示すグラフ構造と、前記確率変数の間の関係を表す条件付確率表とを有しており、
   前記支援モデル作成部が、前記関係として、前記グラフ構造と前記支援情報との共通要素を抽出し、更に、抽出した共通要素を用いて、前記グラフ構造及び前記条件付確率表のうち少なくとも一方を再構築することによって補正を行う、
   請求項１に記載の支援モデル作成装置。
3. 前記支援情報が、過去に発生した事象で扱われた物品に関するデータ、過去に発生した事象から得られるデータのうち、一方又は両方である、請求項１または２に記載の支援モデル作成装置。
4. 前記評価構造モデルが、前記被験者による、特定の種類に属する商品の売れ行きについての評価から構築されている、請求項１〜３のいずれかに記載の支援モデル作成装置。
5. 前記評価構造モデルが、前記被験者による、特定の分類に属する商品の売れ行きについての評価から構築されている、請求項１〜３のいずれかに記載の支援モデル作成装置。
6. ユーザによる意思決定を支援する支援モデルを作成するための方法であって、
   （ａ）１又は２以上の被験者の評価構造をモデル化することによって得られた評価構造モデルと、過去に発生した事象に関するデータを含む支援情報と、を取得する、ステップと、
   （ｂ）前記評価構造モデルと前記支援情報との関係を特定し、特定した関係に基づいて、前記評価構造モデルを補正して前記支援モデルを作成する、ステップと、
   を有する、ことを特徴とする支援モデル作成方法。
7. コンピュータによって、ユーザによる意思決定を支援する支援モデルを作成するためのプログラムであって、
   前記コンピュータに、
   （ａ）１又は２以上の被験者の評価構造をモデル化することによって得られた評価構造モデルと、過去に発生した事象に関するデータを含む支援情報と、を取得する、ステップと、
   （ｂ）前記評価構造モデルと前記支援情報との関係を特定し、特定した関係に基づいて、前記評価構造モデルを補正して前記支援モデルを作成する、ステップと、
   を実行させるプログラム。

Images