JP2013171500A - 分析装置、分析方法及び分析プログラム - Google Patents

Abstract

【課題】ユーザの嗜好の変化を予測すること。
【解決手段】実施形態に係る分析装置は、抽出部と、算出部と、予測部とを有する。抽出部は、ユーザ端末のユーザに関するユーザ属性情報又はユーザ端末によってコンテンツが送受信された履歴情報からユーザが関心を示している分野に関する関心情報を抽出するとともに、コンテンツの送受が行われたユーザ端末間の関係を示すフロー情報を抽出する。算出部は、フロー情報に基づいて、ユーザ端末毎に、ユーザ端末によって受信されたコンテンツに関する関連コンテンツがユーザ端末から他のユーザ端末に送信される送信確率を算出する。予測部は、送信確率に基づいて、所定のユーザ端末に所定のコンテンツの関連コンテンツが伝播する伝播確率を予測するとともに、所定のユーザ端末のユーザにおける関心情報に基づいて、関連コンテンツに対するユーザの関心度を予測する。
【選択図】図１

Description

本発明の実施形態は、分析装置、分析方法及び分析プログラムに関する。

従来、ウェブサイトにアクセスしたアクセス履歴やオンラインショッピングにおいて商品を購入した購入履歴等の行動履歴に基づいて、ユーザの嗜好を推定する技術の研究が進められている。例えば、このようなユーザの嗜好を推定する技術を用いて、ユーザの関心度が高い商品をユーザに提示することが可能になると考えられる。

特開２００２−３４２５３２号公報

しかしながら、上記の従来技術では、ユーザの嗜好の変化を予測することが困難であった。具体的には、上記の従来技術は、あくまでユーザの過去の情報を示す行動履歴等に基づいてユーザの嗜好を漠然と推定するだけであるので、ユーザが将来に関心を示す商品やサービス等の分野を推定することが困難であった。

本願の開示する技術は、上記に鑑みてなされたものであって、ユーザの嗜好の変化を予測することができる分析装置、分析方法及び分析プログラムを提供することを目的とする。

実施形態に係る分析装置は、ユーザ端末のユーザに関するユーザ属性情報又は当該ユーザ端末によってコンテンツが送受信された履歴に関する履歴情報から前記ユーザが関心を示している分野に関する関心情報を抽出するとともに、前記履歴情報からコンテンツの送受が行われたユーザ端末間の関係を示すフロー情報を抽出する抽出部と、前記抽出部によって抽出されたフロー情報に基づいて、ユーザ端末毎に、当該ユーザ端末によって受信されたコンテンツに関する関連コンテンツが当該ユーザ端末から他のユーザ端末に送信される送信確率を算出する算出部と、前記算出部によって算出された送信確率に基づいて、所定のユーザ端末に所定のコンテンツの関連コンテンツが伝播する伝播確率を予測するとともに、当該所定のユーザ端末のユーザにおける関心情報に基づいて、前記関連コンテンツに対する当該ユーザの関心度を予測する予測部とを備えることを特徴とする。

実施形態に係る分析装置、分析方法及び分析プログラムは、ユーザの嗜好の変化を予測することができるという効果を奏する。

図１は、実施例１に係る分析システムの構成例を示す図である。 図２は、実施例１に係るユーザ属性記憶部の一例を示す図である。 図３は、実施例１に係る情報源属性記憶部の一例を示す図である。 図４は、実施例１に係るコンテンツ属性記憶部の一例を示す図である。 図５は、実施例１に係るフロー情報記憶部の一例を示す図である。 図６は、実施例１に係る算出部によるグループ分類処理の一例を説明するための図である。 図７は、実施例１に係る算出部によって生成される有向グラフの一例を示す図である。 図８は、実施例１に係る算出部によって算出される送信確率及び送信時間の一例を示す図である。 図９は、実施例１に係る分析装置によるモデル生成処理手順を示すフローチャートである。 図１０は、実施例１に係る分析装置による予測処理手順を示すフローチャートである。 図１１は、実施例２に係る分析システムの構成例を示す図である。 図１２は、分析プログラムを実行するコンピュータを示す図である。

以下に、本願に係る分析装置、分析方法及び分析プログラムの実施例を図面に基づいて詳細に説明する。なお、この実施例により本願に係る分析装置、分析方法及び分析プログラムが限定されるものではない。

［実施例１に係る分析システム１の構成］
まず、図１を用いて、実施例１に係る分析システム１について説明する。図１は、実施例１に係る分析システム１の構成例を示す図である。図１に例示するように、実施例１に係る分析システム１には、ユーザ端末１０、情報提供装置２０、運用者端末３０、分析装置１００が含まれる。ユーザ端末１０、情報提供装置２０、運用者端末３０及び分析装置１００は、有線又は無線により通信を可能にするネットワークＮによって互いに接続される。

図１に示した分析システム１では、分析装置１００が、ユーザの生年月日や性別等のユーザ属性情報からユーザの関心情報を抽出するとともに、ユーザ端末１０によってコンテンツ（ウェブサイトへの投稿記事、電子メール等）が送受信された履歴情報からユーザ端末１０間の関係を示すフロー情報を抽出する。そして、分析装置１００は、フロー情報に基づいて、ユーザ端末１０によって受信されたコンテンツがユーザ端末１０から他のユーザ端末に送信される確率（後述する「送信確率」）等を算出する。これにより、分析装置１００は、ユーザ端末１０に今後伝播するコンテンツを予測するための分析モデルを生成する。そして、分析装置１００は、かかる分析モデルを用いて、ユーザの関心情報に基づいて、ユーザ端末１０に今後伝播するコンテンツに対するユーザの関心度を予測する。これにより、分析装置１００は、ユーザの将来の嗜好を正確に予測することを可能にする。以下、図１〜図８を参照しながら、このような分析装置１００について説明する。

図１に示したユーザ端末１０は、ユーザによって利用される端末である。例えば、ユーザ端末１０は、ＰＣ（Personal Computer）、携帯電話機、ＰＤＡ（Personal Digital Assistant）等である。

情報提供装置２０は、ニュース、新聞記事、検索サイトに入力された検索キーワードの順位等を提供する装置である。例えば、情報提供装置２０は、ニュースや新聞記事が記載されたニュースサイトを提供するサーバ装置や、インターネット上にある各種情報を検索するための検索サイトを提供するサーバ装置等に該当する。このような情報提供装置２０は、ニュースサイトや検索サイト等を公に提供する情報源（以下、「公的情報源」と表記する場合がある）に該当し、ユーザ端末１０からアクセスされた場合に、かかるユーザ端末１０に対してニュースサイトや検索サイトを提供する。

運用者端末３０は、後述する分析装置１００によって分析されたユーザの将来の嗜好に基づいて、商品販売やオンライン学習等の各種サービスをユーザ端末１０に提供する情報処理装置である。例えば、運用者端末３０は、ユーザ端末１０のユーザが将来に関心を示すと予測される商品の販売サービス等をユーザ端末１０に提供する。

なお、図１では、分析システム１に、１台のユーザ端末１０と１台の情報提供装置２０とが含まれる例を示した。しかし、実際には、分析システム１には、複数台のユーザ端末１０及び情報提供装置２０が含まれる。また、分析システム１には、複数台の運用者端末３０が含まれてもよい。

分析装置１００は、ユーザ端末１０や情報提供装置２０から各種情報を収集することで、分析モデルを生成し、ユーザが将来に関心を示す分野を予測する。以下、分析装置１００の構成について説明する。

［実施例１に係る分析装置１００の構成］
図１に示すように、分析装置１００は、ＩＦ（interface）部１１０と、収集部１２１と、抽出部１２２と、属性記憶部１３１と、フロー情報記憶部１３２と、分析部１４０と、グループ情報記憶部１５１と、分析モデル記憶部１５２と、出力部１６０とを有する。

ＩＦ部１１０は、分析装置１００以外の他の装置であるユーザ端末１０、情報提供装置２０及び運用者端末３０等との間でデータを送受信する。例えば、ＩＦ部１１０は、通信制御を行う電子回路や、ＮＩＣ（Network Interface Card）等によって実現される。

収集部１２１は、ユーザ端末１０や情報提供装置２０から各種情報を収集する。かかる収集部１２１は、ストリーミングによって各種情報をリアルタイムに収集するストリーミング収集機によって実現される。かかるストリーミング収集機は、例えば、ユーザ端末１０毎に割り当てられるとともに、公的情報源である情報提供装置２０毎に割り当てられる。

このようなストリーミング収集機によって実現される収集部１２１は、ユーザ端末１０や情報提供装置２０を監視し、ユーザ端末１０や情報提供装置２０の行動変化を検知した際に、ユーザ端末１０や情報提供装置２０から各種情報を収集する。なお、ここでいうユーザ端末１０の行動変化とは、ユーザ端末１０によってウェブサイトにアクセスされた場合や、オンラインショッピングで商品が購入された場合や、ＳＮＳ（Social Networking Service）において記事の投稿を行った場合や、電子メールを送信又は受信した場合などに該当する。また、情報提供装置２０の行動変化とは、ニュースや検索キーワードの順位等が提供された場合などに該当する。

このようにして、収集部１２１は、ユーザ端末１０や情報提供装置２０の行動変化を検知するたびに、ユーザ端末１０のユーザに関する各種情報として、ウェブページの閲覧履歴や、商品の購入履歴や、記事の投稿履歴や、電子メールや、電子メールの送受信履歴等をユーザ端末１０や情報提供装置２０からリアルタイムに収集する。また、収集部１２１は、例えば、ＳＮＳにおいて形成されているグループや電子メール等の送受信履歴等に基づいて、ネットワーク上における他のユーザとの関係を示すソーシャルグラフ（Social Graph）についても収集する。また、収集部１２１は、情報提供装置２０にユーザ情報が登録されている場合には、情報提供装置２０からユーザの生年月日や性別等のユーザ属性情報についても収集する。以下では、このようなユーザに関する各種情報を「個別ユーザ属性情報」と表記する場合がある。

また、収集部１２１は、情報提供装置２０の行動変化を検知するたびに、ニュースや新聞記事が記載されたウェブページや、ＳＮＳへ投稿された記事（ウェブページなど）や、検索キーワードの順位等の社会動向に関する各種情報（以下、「社会情報」と表記する場合がある）を情報提供装置２０からリアルタイムに収集する。例えば、収集部１２１は、クローラ（Crawler）や各種統計情報やウェブサイトにおけるＯｐｅｎＡＰＩ呼び出し等の既存技術を用いて社会情報をリアルタイムに収集することができる。

抽出部１２２は、収集部１２１によって収集された個別ユーザ属性情報及び社会情報から、後述する分析部１４０によって用いられる情報を抽出する。具体的には、抽出部１２２は、個別ユーザ属性情報及び社会情報から、ユーザ属性情報、ユーザの関心情報、情報提供装置２０に関する情報源属性情報、ユーザ端末１０や情報提供装置２０によって送信されたコンテンツ（ＳＮＳへの投稿記事、電子メール、ニュースサイト等）に関するコンテンツ属性情報を抽出する。また、抽出部１２２は、個別ユーザ属性情報及び社会情報から、ユーザ端末１０間におけるコンテンツの流通態様、ユーザ端末１０と情報提供装置２０との間におけるコンテンツの流通態様、情報提供装置２０間におけるコンテンツの流通態様を示すフロー情報を抽出する。そして、抽出部１２２は、このようにして抽出した各属性情報を属性記憶部１３１に格納するとともに、フロー情報をフロー情報記憶部１３２に格納する。

属性記憶部１３１は、抽出部１２２によって抽出された各種属性情報を記憶する。図１に示した例では、属性記憶部１３１は、ユーザ属性情報や関心情報を記憶するユーザ属性記憶部１３１ａと、情報源属性情報を記憶する情報源属性記憶部１３１ｂと、コンテンツ属性情報を記憶するコンテンツ属性記憶部１３１ｃとを有する。フロー情報記憶部１３２は、抽出部１２２によって抽出されたフロー情報を記憶する。ここで、図２〜図５を参照しながら、属性記憶部１３１及びフロー情報記憶部１３２について説明するとともに、抽出部１２２による抽出処理について説明する。

［ユーザ属性記憶部１３１ａ］
図２は、実施例１に係るユーザ属性記憶部１３１ａの一例を示す図である。図２に示すように、ユーザ属性記憶部１３１ａは、「ユーザＩＤ」、「生年月日」、「性別」、「関心情報」といった項目を有する。

「ユーザＩＤ」は、ユーザ端末１０又はユーザ端末１０のユーザを識別するための識別情報を示す。「生年月日」は、ユーザの生年月日を示す。「性別」は、ユーザの性別を示す。「関心情報」は、ユーザの嗜好を示す情報であり、特定の分野に対するユーザの関心度を示す。図２に示した「関心情報」は、「スポーツ」、「芸能」、「政治」等の分野に分類されており、これらの分野に対するユーザの関心度を示す。図２では、各分野には「１」〜「１０」の数値が記憶され、数値が小さいほどユーザの関心度が低いことを示し、数値が大きいほどユーザの関心度が高いことを示すものとする。

図２の例では、ユーザＩＤが「Ｕ１１」であるユーザは、生年月日が「１９７８年１月１日」であり、性別が「男」であり、スポーツに対する関心度が「９」、芸能に対する関心度が「２」、政治に対する関心度が「６」であることを示している。すなわち、かかるユーザは、スポーツに対する関心度が比較的高く、芸能に対する関心度が比較的低い。なお、以下では、ユーザＩＤが「Ｎ」であるユーザを「ユーザＮ」と表記し、ユーザＩＤが「Ｎ」であるユーザ端末１０を「ユーザ端末Ｎ」と表記する場合がある。例えば、ユーザＩＤ「Ｕ１１」によって識別されるユーザを「ユーザＵ１１」と表記し、ユーザＩＤ「Ｕ１１」によって識別されるユーザ端末１０を「ユーザ端末Ｕ１１」と表記する場合がある。

ここで、抽出部１２２によって上記各種情報が個別ユーザ属性情報及び社会情報から抽出される処理の一例について説明する。まず、「ユーザＩＤ」について説明すると、抽出部１２２は、例えば、個別ユーザ属性情報からユーザ端末１０の端末識別子をユーザＩＤとして抽出し、抽出した端末識別子をユーザ属性記憶部１３１ａに格納する。また、例えば、抽出部１２２は、個別ユーザ属性情報及び社会情報からユーザＩＤを抽出せずに、分析装置１００が各ユーザを識別できるように独自の識別情報を割り当て、割り当てた識別情報をユーザ属性記憶部１３１ａに格納する。

続いて、「生年月日」及び「性別」について説明すると、抽出部１２２は、個別ユーザ属性情報から生年月日及び性別を抽出し、抽出した生年月日及び性別をユーザ属性記憶部１３１ａに格納する。このとき、抽出部１２２は、個別ユーザ属性情報に生年月日及び性別が含まれない場合であっても、個別ユーザ属性情報や社会情報からユーザの年齢や性別を推定してもよい。

例えば、抽出部１２２は、個別ユーザ属性情報に含まれるソーシャルグラフに属する各ユーザの生まれ年の平均をユーザの生まれ年として推定してもよい。また、例えば、抽出部１２２は、ソーシャルグラフに属する各ユーザの性別に偏りがある場合に、多い性別をユーザの性別として推定してもよい。

また、例えば、抽出部１２２は、個別ユーザ属性情報に含まれるウェブサイトの閲覧履歴に基づいて、ユーザがアクセスしたウェブサイトのターゲット層をユーザの生まれ年や性別として推定してもよい。一例を挙げると、抽出部１２２は、若者かつ男性向けのウェブサイト（例えば、スポーツカー専門のウェブサイト等）へのアクセスが多いユーザを「２０代」かつ「男性」などと推定してもよい。同様に、抽出部１２２は、個別ユーザ属性情報に含まれる購入履歴に基づいて、ユーザが購入した商品の販売ターゲット層をユーザの生まれ年や性別として推定してもよい。一例を挙げると、抽出部１２２は、若者かつ女性向けの商品（例えば、化粧品等）を多く購入しているユーザを「２０代」かつ「女性」などと推定してもよい。

続いて、「関心情報」について説明すると、抽出部１２２は、個別ユーザ属性情報や社会情報から関心情報を推定する。例えば、抽出部１２２は、個別ユーザ属性情報に含まれるウェブサイトの閲覧履歴や商品の購入履歴等に基づいて、ユーザの関心情報を推定する。一例を挙げると、抽出部１２２は、「スポーツ」に関するウェブサイトへのアクセスが多いユーザほど、スポーツへの興味が高いと判定し、ユーザ属性記憶部１３１ａの関心情報「スポーツ」に大きい値を格納する。一方、抽出部１２２は、「スポーツ」に関するウェブサイトへのアクセスが少ないユーザほど、関心情報「スポーツ」に小さい値を格納する。また、この例に限られず、抽出部１２２は、「政治に関する書籍」の購入数が多いユーザほど、関心情報「政治」に大きい値を格納し、「政治に関する書籍」の購入数が少ないユーザほど、関心情報「政治」に小さい値を格納する。

また、例えば、抽出部１２２は、ウェブサイトの閲覧履歴や商品の購入履歴に加えて、社会情報に含まれる「検索キーワードの順位」に基づいて、ユーザの関心情報を推定してもよい。一例を挙げると、抽出部１２２は、ユーザがアクセスしたウェブページに、「検索キーワードの順位」において上位にランキングされている検索キーワードが多く記載されている場合には、かかるウェブページが属する分野の流行にユーザが敏感であり、ユーザがかかる分野への関心度が高いと推定する。

このようにして、抽出部１２２は、個別ユーザ属性情報及び社会情報に含まれる各種情報から、所定の分野毎に各ユーザの関心情報を推定し、推定した関心情報をユーザ属性記憶部１３１ａに格納する。抽出部１２２は、上記例以外にも、ソーシャルグラフに属する各ユーザの関心情報を参考にして関心情報を推定したり、電子メールの本文やタイトルに記載された文字列から関心情報を推定したりしてもよい。

［情報源属性記憶部１３１ｂ］
次に、図３を用いて、情報源属性記憶部１３１ｂについて説明する。図３は、実施例１に係る情報源属性記憶部１３１ｂの一例を示す図である。図３に示すように、情報源属性記憶部１３１ｂは、「情報源ＩＤ」、「情報源属性情報」といった項目を有する。

「情報源ＩＤ」は、公的情報源である情報提供装置２０を識別するための識別情報を示す。「情報源属性情報」は、情報提供装置２０が属する分野を示す。例えば、「情報源属性情報」は、情報提供装置２０が主に送信するコンテンツの属する分野等を示す。

図３の例では、情報源ＩＤが「Ｐ１１」である情報提供装置２０は、主にスポーツに関するコンテンツを提供することを示す。例えば、かかる情報提供装置２０は、スポーツ専門のウェブサイトを提供するサーバ装置や、スポーツ用品を販売するオンラインショッピングサービスを提供するサーバ装置などに該当する。また、図３の例では、情報源ＩＤが「Ｐ１２」である情報提供装置２０は、幅広い分野に関するコンテンツを提供することを示す。例えば、かかる情報提供装置２０は、ポータルサイトを提供するサーバ装置や、あらゆる商品を販売するオンラインショッピングサービスを提供するサーバ装置などに該当する。なお、以下では、情報源ＩＤが「Ｎ」である情報提供装置２０を「公的情報源Ｎ」と表記する場合がある。例えば、情報源ＩＤが「Ｐ１１」である情報提供装置２０を「公的情報源Ｐ１１」と表記する場合がある。

ここで、抽出部１２２によって上記各種情報が個別ユーザ属性情報及び社会情報から抽出される処理の一例について説明する。まず、「情報源ＩＤ」について説明すると、抽出部１２２は、例えば、社会情報から情報提供装置２０の装置識別子（ＭＡＣアドレス等）を情報源ＩＤとして抽出し、抽出した装置識別子を情報源属性記憶部１３１ｂに格納する。また、例えば、抽出部１２２は、個別ユーザ属性情報及び社会情報から情報源ＩＤを抽出せずに、分析装置１００が各情報提供装置２０を識別できるように独自の識別情報を割り当て、割り当てた識別情報を情報源属性記憶部１３１ｂに格納する。

続いて、「情報源属性情報」について説明すると、抽出部１２２は、社会情報から情報源属性情報を推定する。例えば、抽出部１２２は、社会情報に含まれるウェブページ等に記載されている文字列を形態素解析し、所定の文字列が多く含まれるか否かを判断することにより、情報源属性情報を推定する。一例を挙げると、抽出部１２２は、ウェブページにスポーツに関する文字列（例えば、「スポーツ」、「野球」など）が多く記載されている場合には、かかるウェブページを提供した情報提供装置２０の情報源属性情報を「スポーツ」と推定する。

［コンテンツ属性記憶部１３１ｃ］
次に、図４を用いて、コンテンツ属性記憶部１３１ｃについて説明する。図４は、実施例１に係るコンテンツ属性記憶部１３１ｃの一例を示す図である。図４に示すように、コンテンツ属性記憶部１３１ｃは、「コンテンツＩＤ」、「発信元」、「コンテンツ属性情報」、「反応状況」といった項目を有する。

「コンテンツＩＤ」は、ユーザ端末１０や情報提供装置２０から送信されたコンテンツを識別するための識別情報を示す。「発信元」は、コンテンツを送信したユーザ端末１０又は情報提供装置２０を示し、図２に示したユーザＩＤ又は図３に示した情報源ＩＤに対応する。「コンテンツ属性情報」は、コンテンツが属する分野を示す。「反応状況」は、コンテンツに対するユーザの反応を示す。図４では、かかる「反応状況」には「１」〜「１０」の数値が記憶され、数値が小さいほどユーザの反応が否定的であることを示し、数値が大きいほどユーザの反応が肯定的であることを示すものとする。

例えば、図４の例では、コンテンツＩＤ「Ｉ００１−１」によって示されるコンテンツは、スポーツに関するコンテンツであり、公的情報源Ｐ１１によって送信されたことを示す。また、図４の例では、コンテンツＩＤ「Ｉ００１−３」によって示されるコンテンツは、スポーツに関するコンテンツであり、ユーザ端末Ｕ１１によって送信されたことを示す。また、かかるコンテンツに対するユーザＵ１１の反応が肯定的であることを示す。

ここで、抽出部１２２によって上記各種情報が個別ユーザ属性情報及び社会情報から抽出される処理の一例について説明する。抽出部１２２は、例えば、分析装置１００が各コンテンツを識別できるように独自のＩＤを割り当てたりする。また、抽出部１２２は、ウェブサイトの閲覧履歴、記事の投稿履歴や、電子メールの送受信履歴等の各種通信履歴から、「発信元」を抽出する。また、抽出部１２２は、情報源属性記憶部１３１ｂの情報源属性情報を推定する処理と同様の推定処理を行うことで、「コンテンツ属性情報」を推定する。

また、抽出部１２２は、「反応状況」については、個別ユーザ属性情報又は社会情報から推定する。一例を挙げると、例えばユーザＵ１１がスポーツに関する記事をウェブログ（ブログ）に記載したものとする。このとき、ユーザＵ１２がこのブログを閲覧して、コメントを記載したものとする。この例の場合、ユーザＵ１１からユーザＵ１２に対してコンテンツ「ブログ（ウェブページ）」が伝播したことになる。このとき、ユーザＵ１２に記載されたコメントに「良い」や「好き」といった文字列が含まれる場合には、かかるコンテンツ「ブログ」の反応状況は肯定的であると言える。抽出部１２２は、各ユーザのコメントを解析することにより、かかるコンテンツに対する各ユーザの反応を推定し、各ユーザの反応を総合してコンテンツ属性記憶部１３１ｃに反応状況を格納する。これにより、抽出部１２２は、各コンテンツについて、発信元ユーザ以外の他のユーザがどのような感情を示しているかを推定する。

［フロー情報記憶部１３２］
次に、図５を用いて、フロー情報記憶部１３２について説明する。図５は、実施例１に係るフロー情報記憶部１３２の一例を示す図である。図５に示すように、フロー情報記憶部１３２は、「発信元」、「発信先」、「コンテンツＩＤ」、「発信日時」といった項目を有する。

「発信元」は、コンテンツを発信したユーザ端末１０又は情報提供装置２０を示し、図４に示した発信元に対応する。「発信先」は、コンテンツを受信したユーザ端末１０又は情報提供装置２０を示し、図２に示したユーザＩＤ又は図３に示した情報源ＩＤに対応する。「コンテンツＩＤ」は、コンテンツを識別するための識別情報を示し、図４に示したコンテンツＩＤに対応する。「発信日時」は、発信元によりコンテンツが発信された日時を示す。

図５の例では、公的情報源Ｐ１１が、「２０１２年１月１１日１０時１５分」に、公的情報源Ｐ１２に対してコンテンツＩＤ「Ｉ００１−１」によって示されるコンテンツを送信したことを示す。また、図５の例では、ユーザ端末Ｕ１１が、「２０１２年１月１３日２２時３０分」に、ユーザ端末Ｕ１２に対してコンテンツＩＤ「Ｉ００１−３」によって示されるコンテンツを送信したことを示す。

抽出部１２２は、ウェブサイトの閲覧履歴、記事の投稿履歴や、電子メールの送受信履歴等の各種通信履歴から、「発信先」及び「発信日時」を抽出する。なお、「発信元」及び「コンテンツＩＤ」の抽出処理については、図４を用いて説明したので省略する。

［分析部１４０による処理］
図１の説明に戻って、分析部１４０は、属性記憶部１３１及びフロー情報記憶部１３２に記憶されている情報に基づいて、分析モデルを生成し、生成した分析モデルに基づいて、ユーザが将来に関心を示す分野を予測する。かかる分析部１４０は、算出部１４１と、予測部１４２とを有する。

算出部１４１は、属性記憶部１３１及びフロー情報記憶部１３２に記憶されている情報に基づいて、分析モデルを生成する。具体的には、算出部１４１は、ユーザ属性記憶部１３１ａ及び情報源属性記憶部１３１ｂに記憶されている情報に基づいて、ユーザ及び情報提供装置２０を所定のグループに分類し、分類後のグループ情報をグループ情報記憶部１５１に格納する。そして、算出部１４１は、属性記憶部１３１及びフロー情報記憶部１３２に記憶されている情報や、グループ情報記憶部１５１に記憶されているグループ情報を用いて、分析モデルを生成し、生成した分析モデルを分析モデル記憶部１５２に格納する。かかる算出部１４１による処理について、グループ分類処理と分析モデル生成処理とに分けて説明する。

（算出部１４１によるグループ分類処理）
まず、算出部１４１によるグループ分類処理について説明する。算出部１４１は、ユーザ属性記憶部１３１ａに記憶されているユーザ属性情報（生年月日、性別）や分類毎の関心情報を用いて、各ユーザをいくつかのグループに分類する。具体的には、算出部１４１は、ユーザ属性情報及び関心情報の類似度が高いユーザほど同一のグループに割り当てられるように各ユーザを所定のグループに分類する。上記例の場合、算出部１４１は、生年月日が近く、性別が同一であり、関心情報が類似するユーザを同一のグループに分類する。同様にして、算出部１４１は、情報源属性記憶部１３１ｂに記憶されている情報源属性情報を用いて、かかる情報源属性情報の類似度が高い公的情報源ほど同一のグループに割り当てられるように各公的情報源を所定のグループに分類する。

なお、算出部１４１は、例えばｋ−ｍｅａｎｓ法等の分類アルゴリズムにより各ユーザや各情報提供装置２０を所定のグループに分類する。このとき、算出部１４１は、ｋ−ｍｅａｎｓ法における入力情報をユーザ属性情報（生年月日、性別、分類毎の関心情報）として、各ユーザを所定のグループに分類する。また、算出部１４１は、ｋ−ｍｅａｎｓ法における入力情報を情報源属性情報として、各公的情報源を所定のグループに分類する。また、ｋ−ｍｅａｎｓ法において分類されるグループ数については、分析装置１００を利用する利用者によって自由に設定されてもよいし、分析装置１００内で予め決められている数であってもよい。

ここで、図６を用いて、算出部１４１によるグループ分類処理の一例について説明する。図６では、算出部１４１が各ユーザを所定のグループに分類する例について示す。図６に示した例において、算出部１４１は、ユーザ属性記憶部１３１ａに記憶されているユーザＵ１１〜Ｕ１５について、ユーザＵ１１及びユーザＵ１４をグループＡに分類し、ユーザＵ１２及びユーザＵ１３をグループＢに分類している。これは、ユーザＵ１１及びユーザＵ１４の生年月日が比較的近く、性別が同一であり、関心情報の類似度が高いことを示し、ユーザＵ１２及びユーザＵ１３についても、生年月日や性別関心情報の類似度が高いことを示している。また、図６では、図示することを省略したが、算出部１４１は、ユーザＵ１５についても所定のグループに分類する。算出部１４１は、図６に示すように表されるグループ情報をグループ情報記憶部１５１に格納する。

なお、算出部１４１は、上述したユーザ属性情報（生年月日、性別、分類毎の関心情報）や情報源属性情報以外の情報を用いて、ユーザや公的情報源をグループ分けしてもよい。例えば、算出部１４１は、同一のソーシャルグラフに属するユーザほど同一のグループに属するようにしてもよいし、電子メールを高頻度で送受信するユーザ同士が同一のグループに属するようにしてもよい。

また、算出部１４１は、収集部１２１によって各種情報がリアルタイムに収集され、抽出部１２２によって属性記憶部１３１が更新されるたびに、上記のグループ分類処理を行う。すなわち、算出部１４１は、リアルタイムな情報に基づいて、各ユーザや各公的情報源が属するグループを随時更新する。

（算出部１４１による分析モデル生成処理）
続いて、算出部１４１による分析モデル生成処理について説明する。算出部１４１は、フロー情報記憶部１３２に記憶されているフロー情報を用いて、コンテンツの流通経路、コンテンツが送受信される頻度を示すトポロジー情報を生成する。実施例１に係る算出部１４１は、トポロジー情報として有向グラフ（Directed Acyclic Graph）を生成するものとする。

具体的には、算出部１４１は、フロー情報記憶部１３２に記憶されている「発信元」及び「発信先」を参照して、コンテンツを送受信したユーザ端末１０及び情報提供装置２０を特定する。さらに、算出部１４１は、コンテンツが送受信された回数を計数することにより、コンテンツが送受信された頻度を算出する。このようにして、算出部１４１は、コンテンツを送受信した装置の情報、及び、コンテンツが送受信された頻度を示す有向グラフを生成する。

ここで、図７に、実施例１に係る算出部１４１によって生成される有向グラフの一例を示す。なお、図７では、算出部１４１が、図５に記憶されているフロー情報記憶部１３２に基づいて生成した有向グラフの例を示す。図７に表記した円形は、ノードを示し、ユーザ端末１０又は情報提供装置２０に該当する。また、円形内に表記した文字列は、ユーザ端末１０のユーザＩＤ、又は、情報提供装置２０の情報源ＩＤを示す。また、ノード間を結ぶ矢印は、コンテンツの送受信関係を示す。また、かかる矢印の上に表記した数値は、コンテンツが送受信された頻度を示す。

すなわち、図７では、公的情報源Ｐ１１から公的情報源Ｐ２０に対してコンテンツが送信されたことを示している。さらに、図７では、公的情報源Ｐ１１から公的情報源Ｐ２０に対してコンテンツが送信される頻度が「９５」であることを示している。また、図７では、公的情報源Ｐ１２からユーザ端末Ｕ１１及びユーザ端末Ｕ１５に対してコンテンツが送信されたことを示している。さらに、図７では、公的情報源Ｐ１２からユーザ端末Ｕ１１に対してコンテンツが送信される頻度が「８０」であり、公的情報源Ｐ１２からユーザ端末Ｕ１５に対してコンテンツが送信される頻度が「６０」であることを示している。なお、図７に示した「コンテンツが送信される頻度」は、値が大きいほど頻度が高く、値が小さいほど頻度が低いことを示す。

続いて、算出部１４１は、フロー情報記憶部１３２に記憶されているフロー情報に基づいて、上記の有向グラフに含まれるノード（ユーザ端末１０又は情報提供装置２０）毎に、コンテンツを受信したノードがかかるコンテンツに関連する関連コンテンツを他のノードに送信する確率（以下、「送信確率」と表記する場合がある）を算出する。さらに、算出部１４１は、フロー情報に基づいて、ノードがコンテンツを受信してから他のノードにかかるコンテンツの関連コンテンツを送信するまでにかかる時間（以下、「送信時間」と表記する場合がある）を算出する。

送信確率及び送信時間の算出処理について例を挙げて説明する。例えば、あるノードＮ１（情報提供装置２０又はユーザ端末１０）からツイッター（登録商標）上に、所定のニュースＸが発信されたとする。この場合、ニュースＸの情報源であるノードＮをフォローしているユーザ（ノードＮ２〜Ｎ５とする）には、ニュースＸが自動的に送信される。すなわち、ニュースＸは、ノードＮ１からノードＮ２〜Ｎ５に対して１００％の確率で伝播することになる。そして、フォロワーであるノードＮ２〜Ｎ５のうちノードＮ２がニュースＸに対して投稿（発言）を行った場合、ノードＮ２は、ノードＮ２をフォローしているユーザ（ノードＮ６〜Ｎ１０とする）に対して、ニュースＸを発信することになる。言い換えれば、ノードＮ２は、ノードＮ１から受信したニュースＸに関連する関連コンテンツとして、ニュースＸとノードＮ２の投稿とを含むコンテンツをノードＮ６〜Ｎ１０に送信したことになる。この例の場合、ニュースＸは、ノードＮ２からノードＮ６〜Ｎ１０に対して１００％の確率で伝播することになる。したがって、このケースのみの場合、ノードＮ２は、ノードＮ１から受信したコンテンツ「ニュースＸ」を送信確率「１００％」でノードＮ６〜Ｎ１０に送信することとなるので、算出部１４１は、ノードＮ２からノードＮ６〜Ｎ１０に対する「送信確率」として「１００％」を算出する。また、算出部１４１は、フロー情報記憶部１３２の「発信日時」を参照することで、ノードＮ２がニュースＸを受信してからニュースＸに対して投稿（発言）を行うまでの時間を「送信時間」として算出する。

また、上記例において、ノードＮ１のフォロワーであるノードＮ２〜Ｎ５のうちノードＮ３がニュースＸに対して投稿（発言）を行わなかった場合、ノードＮ３は、ノードＮ３をフォローしているユーザ（ノードＮ１１〜Ｎ１５とする）に対してニュースＸを発信しないことになる。このケースのみの場合、算出部１４１は、ノードＮ３からノードＮ１１〜Ｎ１５に対する「送信確率」として「０％」を算出する。

このように、算出部１４１は、ツイッター（登録商標）やＳＮＳの投稿履歴を参照することにより、所定のコンテンツ（上記例では、ニュースＸ）の情報源であるノードと、かかるコンテンツの伝播先となるノードを特定することができる。また、算出部１４１は、コンテンツ（上記例では、ニュースＸ）を受信したノード（上記例では、ノードＮ１）から、かかるコンテンツに関する関連コンテンツが他のノード（上記例では、ノードＮ６〜Ｎ１０）に送信される送信確率を算出することができる。さらに、算出部１４１は、ノード（上記例では、ノードＮ２）がコンテンツ（上記例では、ニュースＸ）を受信してから、かかるコンテンツに関する関連コンテンツが他のノードに送信されるまでの送信時間を算出することができる。

また、算出部１４１は、上記例に限られず、各ノードが送受信したコンテンツ（ＳＮＳへの投稿記事、電子メール、ニュースサイト等）に記載されている文字列を解析することにより、上記の送信確率及び送信時間を算出することもできる。例えば、算出部１４１は、ノードＮ１が受信したコンテンツ（ＳＮＳへの投稿記事、電子メール、ブログのウェブページ等）に記載されている文字列を形態素解析するとともに、ノードＮ１が送信したコンテンツ（ＳＮＳへの投稿記事、電子メール、ブログのウェブページ等）に記載されている文字列を形態素解析する。そして、算出部１４１は、ノードＮ１が受信したコンテンツと、ノードＮ１が送信したコンテンツとに同一の文字列が所定閾値以上含まれる場合には、ノードＮ１が送信したコンテンツが、ノードＮ１が受信したコンテンツに関連する関連コンテンツであると判定し、コンテンツを受信したノードＮ１がかかるコンテンツの関連コンテンツを他のノードに送信したと判定する。これにより、算出部１４１は、ノードＮ１の送信確率及び送信時間を算出することができる。

このようにして、算出部１４１は、各ノードについて、ノードがコンテンツを受信した回数と、コンテンツを受信したノードがかかるコンテンツの関連コンテンツを他のノードに送信した回数とを計数することで、かかるノードの送信確率を算出する。また、算出部１４１は、各ノードについて、ノードがコンテンツを受信してから他のノードに関連コンテンツを送信するまでにかかる時間の平均値等を送信時間として算出する。

なお、以下では、コンテンツＣ１に関する関連コンテンツを、単に「コンテンツＣ１」と表記する場合がある。すなわち、「コンテンツＣ１が伝播する」と表記した場合には、「コンテンツＣ１自体、又は、コンテンツＣ１の関連コンテンツが伝播する」ことを示すものとする。

ここで、実施例１に係る算出部１４１は、各ノードが送受信するコンテンツのコンテンツ属性情報毎に、上記の送信確率及び送信時間を算出する処理を行う。例えば、算出部１４１は、ノードＮ１について、コンテンツ属性情報が「スポーツ」である関連コンテンツを他のノードに送信する送信確率及び送信時間、コンテンツ属性情報が「政治」である関連コンテンツを他のノードに送信する送信確率及び送信時間、コンテンツ属性情報が「芸能」である関連コンテンツを他のノードに送信する送信確率及び送信時間を算出する。

さらに、算出部１４１は、グループ情報記憶部１５１に記憶されているグループ情報を参照して、送信確率及び送信時間の算出対象ノードと他のノードとが同一グループに属する場合と、算出対象ノードと他のノードとが同一グループに属しない場合とに分けて、かかる算出対象ノードの送信確率及び送信時間を算出する。

例えば、図６に示した例において、ユーザＵ１２は、ユーザＵ１３と同一グループに属するが、ユーザＵ１４とは異なるグループに属する。このような状態で、算出部１４１が、図７に示したユーザＵ１２の送信確率及び送信時間を算出するものとする。このとき、算出部１４１は、ユーザＵ１２がユーザＵ１１から受信したコンテンツの関連コンテンツをユーザＵ１３に送信する送信確率及び送信時間を算出するとともに、ユーザＵ１２がユーザＵ１１から受信したコンテンツの関連コンテンツをユーザＵ１４に送信する送信確率及び送信時間を算出する。

ここで、図８に、実施例１に係る算出部１４１によって算出される送信確率及び送信時間の一例を示す。図８では、ユーザＵ１１を例に挙げて説明する。図８では、ユーザＵ１１は、コンテンツ属性情報が「スポーツ」であるコンテンツを受信した場合に、ユーザＵ１１と同一グループに属する他のユーザに対しては、関連コンテンツを「９０％」の確率で送信し、ユーザＵ１１と異なるグループに属する他のユーザに対しては、関連コンテンツを「５０％」の確率で送信することを示す。また、図８では、ユーザＵ１１は、同一グループに属する他のユーザに対しては、コンテンツ属性情報が「スポーツ」であるコンテンツを受信してから「５Ｈ（時間）」が経過した後に、関連コンテンツを送信する傾向にあることを示し、異なるグループに属する他のユーザに対しては、コンテンツ属性情報が「スポーツ」であるコンテンツを受信してから「１０Ｈ（時間）」が経過した後に、関連コンテンツを送信する傾向にあることを示す。

また、図８の例では、算出部１４１は、送信確率及び送信時間とともに、関心度及び肯定度を求めている。かかる関心度は、ユーザ属性記憶部１３１ａの関心情報に記憶されている値に対応する。また、肯定度は、コンテンツ属性情報に属するコンテンツに対してユーザの肯定的であるか否かを度合いで示した情報である。算出部１４１は、コンテンツ属性記憶部１３１ｃの反応状況を推定する抽出部１２２による推定処理と同様の処理を行うことにより、かかる肯定度を算出することができる。なお、図８に示した肯定度は、抽出部１２２によって算出され、コンテンツ属性記憶部１３１ｃに格納されてもよい。かかる場合には、算出部１４１は、コンテンツ属性記憶部１３１ｃに記憶される肯定度を用いる。

算出部１４１は、図８のように、各ノードについて、コンテンツ属性情報毎に、かつ、コンテンツの送信先ノードが同一グループに属するか否かに分けて、「送信確率」、「送信時間」、「関心度」、「肯定度」を算出する。そして、算出部１４１は、図７のように表される有向グラフ、及び、ノード毎の「送信確率」、「送信時間」、「関心度」、「肯定度」を含む情報を分析モデルとして、分析モデル記憶部１５２に格納する。

（予測部１４２による予測処理）
図１の説明にもどって、予測部１４２は、算出部１４１によって生成された分析モデルに基づいて、ユーザが将来に関心を示す分野を予測する。具体的には、予測部１４２は、分析モデルにおける送信確率及び送信時間を用いて、所定のコンテンツが所定のユーザに今後伝播する伝播確率や、かかるコンテンツがユーザに伝播する伝播日付を予測する。さらに、予測部１４２は、今後伝播するコンテンツに対するユーザの関心度や肯定度を予測する。

かかる予測部１４２による予測処理について、図７を用いて説明する。なお、図７では図示しないが、各ノードには、図８に例示した送信確率等の情報が付与されているものとする。すなわち、ここでは図７が分析モデルを示すものとする。予測部１４２は、図７に示す分析モデルを参照することにより、「いつ」、「どのような」コンテンツが所定のノードに伝播するかを予測する。具体的には、各ノードには、「送信確率」及び「送信時間」が付与されている。このため、予測部１４２は、あるノードからコンテンツが送信された場合に、かかるコンテンツが、どの程度の時間が経過した後に、どのノードに伝播するかを予測することができる。

例えば、図７に示した例において、ノードＰ１１からノードＰ１２に対して、コンテンツ属性情報が「スポーツ」であるコンテンツＣ１が送信されたものとする。かかる場合に、予測部１４２は、ノードＰ１２に付与されている送信確率のうち、コンテンツ属性情報「スポーツ」に対応する送信確率を、ノードＰ１２がコンテンツＣ１をノードＵ１１やノードＵ１５に送信する確率とする。また、予測部１４２は、ノードＰ１２に付与されている送信時間のうち、コンテンツ属性情報「スポーツ」に対応する送信時間を、ノードＰ１２がコンテンツＣ１をノードＵ１１やノードＵ１５に送信する時間とする。予測部１４２は、同様の処理を行うことで、コンテンツＣ１がノードＵ１１〜１７に伝播する伝播確率や、コンテンツＣ１がいつノードＵ１１〜１７に伝播するかを予測することができる。

例えば、予測部１４２は、コンテンツＣ１がノードＵ１３に伝播する確率を算出する場合には、ノードＰ１２がノードＵ１１にコンテンツＣ１を送信する送信確率と、ノードＵ１１がノードＵ１２にコンテンツＣ１を送信する送信確率と、ノードＵ１２がノードＵ１３にコンテンツＣ１を送信する送信確率とを乗算する。また、予測部１４２は、コンテンツＣ１がノードＵ１３に伝播する日付を算出する場合には、ノードＰ１２がノードＵ１１にコンテンツＣ１を送信するまでの送信時間と、ノードＵ１１がノードＵ１２にコンテンツＣ１を送信する送信時間と、ノードＵ１２がノードＵ１３にコンテンツＣ１を送信する送信時間との総和を算出し、かかる総和を現在日付に加算する。

また、予測部１４２は、各ノードに伝播するコンテンツに対するユーザの関心度や肯定度を予測する。例えば、予測部１４２は、上記の処理により、コンテンツ属性情報が「スポーツ」であるコンテンツＣ１がノードＵ１３に伝播すると予測したものとする。このとき、予測部１４２は、ノードＵ１３に付与されている関心度及び肯定度を参照することにより、ノードＵ１３がコンテンツＣ１に対して関心を示すか否かを予測する。

例えば、ノードＵ１３の「スポーツ」に対する関心度が「９」であり、肯定度が「９」であるものとする。かかる場合に、予測部１４２は、例えば、ノードＵ１３はスポーツに肯定的であり、もともと関心度が高いので、コンテンツＣ１が伝播することで、スポーツに対するノードＵ１３の関心が高まると予測する。

また、例えば、ノードＵ１３の「スポーツ」に対する関心度が「１」であり、肯定度が「１」であるものとする。かかる場合に、予測部１４２は、例えば、ノードＵ１３はスポーツに否定的であり、もともと関心度が低いので、コンテンツＣ１が伝播することで、スポーツに対するノードＵ１３の関心が高まることはないと予測する。

また、例えば、ノードＵ１３の「スポーツ」に対する関心度が「５」であり、肯定度が「９」であるものとする。かかる場合に、予測部１４２は、例えば、ノードＵ１３はスポーツに肯定的であるので、コンテンツＣ１が伝播することで、スポーツに対するノードＵ１３の関心が高まると予測する。

また、予測部１４２は、コンテンツ属性記憶部１３１ｃに記憶されているコンテンツの反応状況に応じて、ユーザの関心度や肯定度を予測する。例えば、コンテンツ属性記憶部１３１ｃに、上記コンテンツＣ１の反応状況「９」が記憶されているものとする。すなわち、コンテンツＣ１は、既にコンテンツＣ１を受信したユーザの間では評判が良く肯定的な評価を得ているものとする。また、ノードＵ１３はコンテンツＣ１を受信しておらず、ノードＵ１３の「スポーツ」に対する関心度が「９」であり、肯定度が「９」であるものとする。かかる場合に、予測部１４２は、肯定的な評価を受けているコンテンツＣ１が伝播することで、スポーツに対するノードＵ１３の関心が高まると予測する。

また、例えば、コンテンツ属性記憶部１３１ｃに、上記コンテンツＣ１の反応状況「１」が記憶されているものとする。すなわち、コンテンツＣ１は、評判が悪く否定的な評価を得ているものとする。このようなコンテンツＣ１は、例えば、商品のスキャンダルニュース等に該当することが考えられる。また、ここでは、ノードＵ１３はコンテンツＣ１を受信しておらず、ノードＵ１３の「スポーツ」に対する関心度が「９」であり、肯定度が「９」であるものとする。かかる場合に、予測部１４２は、否定的な評価を受けているコンテンツＣ１が伝播することで、スポーツに対するノードＵ１３の関心が低下し、さらにスポーツに対してノードＵ１３が否定的になると予測する。

このように、予測部１４２は、分析モデル記憶部１５２に記憶されている分析モデルを用いて、ユーザに今後伝播するコンテンツの分野や、かかるコンテンツがユーザに伝播する日付を予測することができるとともに、今後伝播するコンテンツに対するユーザの関心度や肯定度を予測することができる。

出力部１６０は、運用者端末３０から、所定のユーザの嗜好を予測する旨の予測要求を受け付ける。かかる場合に、出力部１６０は、予測要求を予測部１４２に出力し、予測部１４２による予測結果を運用者端末３０に出力する。

［実施例１に係る分析装置１００によるモデル生成処理手順］
次に、図９を用いて、実施例１に係る分析装置１００によるモデル生成処理の手順について説明する。図９は、実施例１に係る分析装置１００によるモデル生成処理手順を示すフローチャートである。

図９に示すように、分析装置１００の収集部１２１は、ユーザ端末１０や情報提供装置２０から、個別ユーザ属性情報（生年月日、性別、職業、年収、ウェブページの閲覧履歴、商品の購入履歴、記事の投稿履歴、電子メール、電子メールの送受信履歴、ソーシャルグラフ等）や、社会情報（ニュースや新聞記事が記載されたウェブページ、ＳＮＳへ投稿された記事、ブログに投稿された記事、ツイッターに投稿された記事、検索キーワードの順位等）をリアルタイムに収集する（ステップＳ１０１）。

続いて、抽出部１２２は、収集部１２１によって収集された個別ユーザ属性情報及び社会情報から、ユーザ属性情報、ユーザの関心情報、情報源属性情報、コンテンツ属性情報、フロー情報を抽出する（ステップＳ１０２）。そして、抽出部１２２は、ユーザ属性情報及びユーザの関心情報をユーザ属性記憶部１３１ａに格納し、情報源属性情報を情報源属性記憶部１３１ｂに格納し、コンテンツ属性情報をコンテンツ属性記憶部１３１ｃに格納し、フロー情報をフロー情報記憶部１３２に格納する。

続いて、算出部１４１は、属性記憶部１３１に記憶されている各属性情報を用いて、ユーザ及び公的情報源を所定のグループに分類する（ステップＳ１０３）。続いて、算出部１４１は、フロー情報記憶部１３２に記憶されているフロー情報を用いて、トポロジー情報として有向グラフ（図７を参照）を生成する（ステップＳ１０４）。続いて、算出部１４１は、フロー情報を用いて、有向グラフに含まれるノード毎に、送信確率や送信時間等を含むノード情報を算出する（ステップＳ１０５）。そして、算出部１４１は、有向グラフの各ノードにノード情報を付与した分析モデルを分析モデル記憶部１５２に格納する（ステップＳ１０６）。

［実施例１に係る分析装置１００による予測処理手順］
次に、図１０を用いて、実施例１に係る分析装置１００による予測処理の手順について説明する。図１０は、実施例１に係る分析装置１００による予測処理手順を示すフローチャートである。

図１０に示すように、分析装置１００の出力部１６０は、運用者端末３０から予測要求を受け付けたか否かを判定する（ステップＳ２０１）。そして、出力部１６０は、予測要求を受け付けた場合には（ステップＳ２０１肯定）、かかる予測要求を分析部１４０に出力する。

分析部１４０の予測部１４２は、予測要求を受け付けた場合に、分析モデル記憶部１５２に記憶されている分析モデルの送信確率を用いて、かかる予測要求の含まれる予測対象ユーザに伝播するコンテンツを予測する（ステップＳ２０２）。また、予測部１４２は、分析モデル記憶部１５２に記憶されている分析モデルの送信時間を用いて、予測対象ユーザにコンテンツが伝播する日付を予測する（ステップＳ２０３）。

そして、予測部１４２は、予測対象ユーザにコンテンツが伝播した際における予測対象ユーザの関心度の変化を予測するとともに（ステップＳ２０４）、予測対象ユーザの肯定度の変化を予測する（ステップＳ２０５）。

そして、出力部１６０は、ステップＳ２０２〜Ｓ２０５において予測部１４２により予測された予測結果を、予測要求の送信元である運用者端末３０に通知する（ステップＳ２０６）。

［実施例１の効果］
上述してきたように、実施例１に係る分析装置１００では、収集部１２１が、ユーザ端末１０のユーザに関するユーザ属性情報や、ユーザ端末１０によってコンテンツが送受信された履歴に関する履歴情報を収集する。また、抽出部１２２が、ユーザ属性情報又は履歴情報から、ユーザが関心を示している分野に関する関心情報を抽出するとともに、履歴情報からコンテンツの送受が行われたユーザ端末１０間の関係を示すフロー情報を抽出する。また、算出部１４１が、フロー情報に基づいて、ユーザ端末１０毎に、かかるユーザ端末１０によって受信されたコンテンツに関する関連コンテンツがユーザ端末１０から他のユーザ端末に送信される送信確率を算出する。また、予測部１４２が、送信確率に基づいて、所定のユーザ端末１０に所定のコンテンツの関連コンテンツが伝播する伝播確率を予測するとともに、所定のユーザ端末１０のユーザにおける関心情報に基づいて、関連コンテンツに対するユーザの関心度を予測する。

これにより、実施例１に係る分析装置１００は、ユーザ端末１０に今後伝播するコンテンツの影響を考慮して、ユーザの関心度を予測するので、ユーザの嗜好の変化を予測することができる。

また、実施例１に係る分析装置１００では、算出部１４１が、フロー情報に基づいて、ユーザ端末１０によってコンテンツが受信されてから関連コンテンツが他のユーザ端末に送信されるまでの送信時間を算出する。また、予測部１４２が、送信時間に基づいて、所定のユーザ端末１０に所定の関連コンテンツが伝播するまでの伝播時間をさらに予測する。これにより、実施例１に係る分析装置１００は、ユーザ端末１０にコンテンツが伝播するまでの時間を予測するので、ユーザの嗜好が変化する日時を予測することができる。

また、実施例１に係る分析装置１００では、算出部１４１が、ユーザ属性情報、及び、関心情報の類似度が高いユーザほど同一のグループに割り当てられるように複数のユーザを所定のグループに分類し、関連コンテンツの送信先ユーザ端末が送信元ユーザ端末と同一グループに属するか否かに分けて、かかる送信元ユーザ端末の送信確率を算出する。これにより、実施例１に係る分析装置１００は、より詳細な送信確率を用いてコンテンツの伝播確率を予測することができるので、ユーザの嗜好の変化を正確に予測することができる。

また、実施例１に係る分析装置１００では、算出部１４１が、フロー情報に基づいて、コンテンツが属する分野毎に送信確率を算出する。また、予測部１４２が、コンテンツの分野毎の送信確率のうち、所定のコンテンツが属する分野に対応する送信確率に基づいて、所定のユーザ端末１０にかかる所定のコンテンツの関連コンテンツが伝播する伝播確率を予測する。これにより、実施例１に係る分析装置１００は、より詳細な送信確率を用いてコンテンツの伝播確率を予測することができるので、ユーザの嗜好の変化を正確に予測することができる。

上記実施例１では、分析装置１００が個別ユーザ属性情報を抽出したり、分析モデルを生成する例について説明した。実施例では、ユーザ端末１０から個別ユーザ属性情報を直接取得したり、ユーザ端末１０から得られる評価値に基づいて分析モデルを補正する分析装置の例について説明する。

［実施例２に係る分析システム２の構成］
まず、図１１を用いて、実施例２に係る分析システム２について説明する。図１１は、実施例２に係る分析システム２の構成例を示す図である。なお、以下では、既に示した構成部位と同様の機能を有する部位には同一符号を付すこととして、その詳細な説明を省略する。図１１に例示するように、実施例２に係る分析システム２には、分析装置２００が含まれる。

分析装置２００は、属性情報受信部２２１、フィードバック情報受信部２７０、分析部２４０を有する。属性情報受信部２２１は、ユーザ端末１０から、生年月日、性別、職業、年収などのユーザ属性情報や、ユーザの関心情報を受信する。例えば、属性情報受信部２２１は、ユーザ属性情報やユーザの関心情報を入力するための情報入力画面をユーザ端末１０に提供し、かかる情報入力画面に入力されたユーザ属性情報やユーザの関心情報を受信する。そして、属性情報受信部２２１は、このようにして受信したユーザ属性情報やユーザの関心情報を抽出部１２２に出力する。かかる抽出部１２２は、属性情報受信部２２１から入力されたユーザ属性情報やユーザの関心情報を加工する必要がない場合に、かかるユーザ属性情報やユーザの関心情報を属性記憶部１３１に格納する。

フィードバック情報受信部２７０は、ユーザ端末１０から、運用者端末３０のサービスに対する評価を示すフィードバック情報を受信する。具体的には、運用者端末３０は、分析装置２００による予測結果に基づいて、ユーザ端末１０に対してサービスを提供する。このとき、ユーザ端末１０は、運用者端末３０から提供されたサービスに対するユーザの評価を分析装置２００に送信する。例えば、フィードバック情報受信部２７０は、運用者端末３０のサービスに対する評価を入力するための評価入力画面をユーザ端末１０に提供し、かかる評価入力画面に入力された評価をフィードバック情報として受信する。

また、フィードバック情報受信部２７０は、上記例に限られず、運用者端末３０からフィードバック情報を受信してもよい。例えば、運用者端末３０は、サービスを提供したユーザ端末１０のユーザからサービスに対する感想等を受け付ける場合がある。かかる場合に、フィードバック情報受信部２７０は、運用者端末３０からユーザの感想等をフィードバック情報として受信する。

また、フィードバック情報受信部２７０は、上記例に限られず、ユーザ端末１０の行動履歴に基づいて、運用者端末３０からユーザ端末１０に提供されたサービスに対するユーザの評価を推定してもよい。例えば、分析装置２００が、３週間後にユーザの「スポーツ」に対する関心度が高くなると予測し、かかる予測結果を運用者端末３０に通知したものとする。そして、運用者端末３０がユーザ端末１０に対して、「スポーツ用品」の購入を勧めるサービス等を提供したものとする。かかる場合に、フィードバック情報受信部２７０は、ユーザ端末１０の購入履歴等を参照することにより、ユーザ端末１０のユーザが「スポーツ用品」を購入している場合には、運用者端末３０のサービスに対するユーザの評価が高く、ユーザが「スポーツ用品」を購入していない場合には、サービスに対するユーザの評価が低いと推定する。

算出部２４１は、フィードバック情報受信部２７０によって受信されたフィードバック情報に基づいて、分析モデル記憶部１５２に記憶されている分析モデルを補正する。具体的には、算出部２４１は、フィードバック情報受信部２７０によって受信されたフィードバック情報が低い評価を示す場合には、かかる評価をしたユーザの関心度や肯定度を小さい値に補正し、フィードバック情報が高い評価を示す場合には、かかる評価をしたユーザの関心度や肯定度を大きい値に補正する。

例えば、フィードバック情報受信部２７０が上記例のように「スポーツ」に関するサービスに対する評価を受信したものとする。このとき、算出部２４１は、かかる評価が低い場合には、分析モデルの「スポーツ」に対応する関心度や肯定度を小さい値に補正し、かかる評価が高い場合には、分析モデルの「スポーツ」に対応する関心度や肯定度を大きい値に補正する。

［実施例２の効果］
上述してきたように、実施例２に係る分析装置２００では、フィードバック情報受信部２７０が、予測部１４２によって予測された予測結果に基づいて所定のサービスが提供されたユーザのユーザ端末１０から、かかる所定のサービスに対する評価を示すフィードバック情報を受信する。また、算出部２４１は、フィードバック情報受信部２７０によって受信されたフィードバック情報に基づいて、分析モデルにおけるユーザの関心情報を補正する。これにより、実施例２に係る分析装置２００は、ユーザの評価を反映させた関心情報を用いることで、ユーザの嗜好の変化を正確に予測することができる。

上述した分析装置、分析方法及び分析プログラムは、上記実施例以外にも種々の異なる形態にて実施されてよい。そこで、実施例３では、上記の分析装置、分析方法及び分析プログラムの他の実施例について説明する。

［送信確率／送信時間］
上記実施例では、図８を用いて説明したように、算出部１４１及び２４１が、各ノードについて、コンテンツ属性情報毎に、かつ、コンテンツの送信先ノードが同一グループに属するか否かに分けて、送信確率や送信時間等を算出する例を示した。しかし、算出部１４１及び２４１は、コンテンツの送信先ノードが同一グループに属するか否かに分けて、送信確率や送信時間を算出するのではなく、ノード間毎に、送信確率や送信時間を算出してもよい。例えば、図８に示した例において、ノードＵ１４、Ｕ１６及びＵ１７が全て同一のグループに属する場合であっても、算出部１４１及び２４１は、ノードＵ１４のノードＵ１６に対する送信確率や送信時間を算出するとともに、ノードＵ１４のノードＵ１７に対する送信確率や送信時間を算出してもよい。

［分野の区分］
また、上記実施例では、図２〜図４に示した例のように、関心情報や情報源属性情報やコンテンツ属性情報等を「スポーツ」、「芸能」等の分野に分類する例を示した。しかし、関心情報等の分野は、この例に限られない。例えば、関心情報等の分野は、「スポーツ（野球）」、「スポーツ（サッカー）」、「芸能（歌手）」、「芸能（俳優）」のように、より詳細な区分に分けられてもよい。

［システム構成］
また、上記実施例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。例えば、上記実施例では、分析装置１００及び２００が収集部１２１を有する例を示した。しかし、分析装置１００及び２００は、収集部１２１を有しなくてもよい。かかる場合には、分析装置１００及び２００は、自装置外に設置されている収集部１２１（ストリーミング収集機）によって収集された各種情報を受信する。

この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、図２〜図５、図８に示した各種情報は一例であって任意に変更することができる。一例を挙げると、図２に示したユーザ属性記憶部１３１ａは、ユーザの職業、年収等の情報を記憶してもよい。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、抽出部１２２によって行われる一部の処理（例えば、ユーザ属性記憶部１３１ａに記憶される関心情報を推定する処理、情報源属性記憶部１３１ｂに記憶される情報源属性情報を推定する処理、コンテンツ属性記憶部１３１ｃに記憶されるコンテンツ属性情報や反応状況を推定する処理など）は、算出部１４１によって行われてもよいし、算出部１４１によって行われる一部の処理（例えば、分析モデル記憶部１５２に記憶されるユーザの肯定度を推定する処理など）は、抽出部１２２によって行われてもよい。

［プログラム］
また、上記実施例において説明した分析装置１００又は２００が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。例えば、分析装置１００又は２００が実行する処理をコンピュータが実行可能な言語で記述した分析プログラムを作成することもできる。この場合、コンピュータが分析プログラムを実行することにより、上記実施例と同様の効果を得ることができる。さらに、かかる分析プログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録された分析プログラムをコンピュータに読み込ませて実行することにより上記実施例と同様の処理を実現してもよい。以下に、図１に示した分析装置１００と同様の機能を実現する分析プログラムを実行するコンピュータの一例を説明する。

図１２は、分析プログラムを実行するコンピュータ１０００を示す図である。図１２に例示するように、コンピュータ１０００は、例えば、メモリ１０１０と、ＣＰＵ１０２０と、ハードディスクドライブインタフェース１０３０と、ディスクドライブインタフェース１０４０と、シリアルポートインタフェース１０５０と、ビデオアダプタ１０６０と、ネットワークインタフェース１０７０とを有し、これらの各部はバス１０８０によって接続される。

メモリ１０１０は、図１２に例示するように、ＲＯＭ（Read Only Memory）１０１１及びＲＡＭ１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic Input Output System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、図１２に例示するように、ハードディスクドライブ１０３１に接続される。ディスクドライブインタフェース１０４０は、図１２に例示するように、ディスクドライブ１０４１に接続される。例えば磁気ディスクや光ディスク等の着脱可能な記憶媒体が、ディスクドライブに挿入される。シリアルポートインタフェース１０５０は、図１２に例示するように、例えばマウス１０５１、キーボード１０５２に接続される。ビデオアダプタ１０６０は、図１２に例示するように、例えばディスプレイ１０６１に接続される。

ここで、図１２に例示するように、ハードディスクドライブ１０３１は、例えば、ＯＳ１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３、プログラムデータ１０９４を記憶する。すなわち、上記の分析プログラムは、コンピュータ１０００によって実行される指令が記述されたプログラムモジュールとして、例えばハードディスクドライブ１０３１に記憶される。例えば、図１に例示した収集部１２１と同様の情報処理を実行する収集手順と、抽出部１２２と同様の情報処理を実行する抽出手順と、算出部１４１と同様の情報処理を実行する算出手順と、予測部１４２と同様の情報処理を実行する予測手順と、出力部１６０と同様の情報処理を実行する出力手順とが記述されたプログラムモジュール１０９３が、ハードディスクドライブ１０３１に記憶される。

また、上記実施例で説明した属性記憶部１３１、フロー情報記憶部１３２、グループ情報記憶部１５１及び分析モデル記憶部１５２が保持する各種データは、プログラムデータとして、例えばメモリ１０１０やハードディスクドライブ１０３１に記憶される。そして、ＣＰＵ１０２０が、メモリ１０１０やハードディスクドライブ１０３１に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出し、収集手順、抽出手順、算出手順、予測手順、出力手順を実行する。

なお、分析プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０３１に記憶される場合に限られず、例えば着脱可能な記憶媒体に記憶され、ディスクドライブ等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、分析プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ネットワーク（ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等）を介して接続された他のコンピュータに記憶され、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。

［実施例に係る分析装置の適用例］
上記実施例に係る分析装置１００及び２００の適用例の１つとして、Ｗｅｂサービス等のユーザに、オンライン環境からアクセス可能な学習サービス（Ｗｅｂラーニング）を提供する場合がある。例えば、運用者端末３０は、ユーザ個々に対してオンライン学習環境を構築するサービスを提供する場合に、分析装置１００及び２００による予測結果に基づいて、ユーザの嗜好に合致した有名人やキャラクタ等を用いたユーザ個人のオンライン学習環境を構成する学習環境構築サービスを提供することができる。また、この例において、分析装置１００及び２００は、ユーザの嗜好変化を予測し、サービスプロバイダ等の運用者端末３０において予め作成されている学習環境の中でユーザのトレンドに応じた適切な学習環境がある場合には、学習環境をユーザに提案することもできる。また、分析装置１００及び２００は、運用者端末３０において適切な学習環境がない場合には、サービスプロバイダ等の運用者端末３０に必要な学習環境の種類（ユーザ嗜好にあうキャラクタ等）を通知することにより、運用者端末３０にユーザのトレンドに応じた新たな学習環境の作成を促すことも可能である。また、分析装置２００は、提供された学習環境について、点数付等によるユーザからの明示的な評価、または、利用頻度、学習能率上限等のユーザの行動履歴を用い環境の適切度を評価した結果をフィードバック情報として受信して、分析モデルをチューニングすることにより、分析精度を向上させることができる。これにより、分析装置２００は、よりユーザの嗜好に適した個人の学習環境の構築を可能にする。

上記実施例に係る分析装置１００及び２００の適用例の１つとして、オンラインショッピング等のユーザがオンライン環境から商品を閲覧／購入する場合がある。例えば、分析装置１００及び分析装置２００は、ユーザの嗜好を予測し、ユーザが購入しそうな商品を予め予測し、オンラインショッピングサービスを提供する運用者端末３０に対して提案すること、又は、ショップ運用者の商品仕入れ品目決定を補助するシステムに通知することなどができる。

１００ 分析装置
１２１ 収集部
１２２ 抽出部
１３１ 属性記憶部
１３１ａ ユーザ属性記憶部
１３１ｂ 情報源属性記憶部
１３１ｃ コンテンツ属性記憶部
１３２ フロー情報記憶部
１４０ 分析部
１４１ 算出部
１４２ 予測部
１５１ グループ情報記憶部
１５２ 分析モデル記憶部
１６０ 出力部
２００ 分析装置
２２１ 属性情報受信部
２４０ 分析部
２４１ 算出部
２７０ フィードバック情報受信部

Claims (8)

1. ユーザ端末のユーザに関するユーザ属性情報又は当該ユーザ端末によってコンテンツが送受信された履歴に関する履歴情報から前記ユーザが関心を示している分野に関する関心情報を抽出するとともに、前記履歴情報からコンテンツの送受が行われたユーザ端末間の関係を示すフロー情報を抽出する抽出部と、
   前記抽出部によって抽出されたフロー情報に基づいて、ユーザ端末毎に、当該ユーザ端末によって受信されたコンテンツに関する関連コンテンツが当該ユーザ端末から他のユーザ端末に送信される送信確率を算出する算出部と、
   前記算出部によって算出された送信確率に基づいて、所定のユーザ端末に所定のコンテンツの関連コンテンツが伝播する伝播確率を予測するとともに、当該所定のユーザ端末のユーザにおける関心情報に基づいて、前記関連コンテンツに対する当該ユーザの関心度を予測する予測部と
   を備えたことを特徴とする分析装置。
2. 前記算出部は、
   前記抽出部によって抽出されたフロー情報に基づいて、当該ユーザ端末によってコンテンツが受信されてから前記関連コンテンツが前記他のユーザ端末に送信されるまでの送信時間を算出し、
   前記予測部は、
   前記算出部によって算出された送信時間に基づいて、所定のユーザ端末に所定の関連コンテンツが伝播するまでの伝播時間をさらに予測する
   ことを特徴とする請求項１に記載の分析装置。
3. 前記算出部は、
   前記ユーザ属性情報、及び、前記関心情報の類似度が高いユーザほど同一のグループに割り当てられるように複数のユーザを所定のグループに分類し、前記ユーザ端末毎に、前記関連コンテンツの送信先ユーザ端末が当該ユーザ端末と同一グループに属するか否かに分けて前記送信確率及び前記送信時間を算出する
   ことを特徴とする請求項２に記載の分析装置。
4. 前記算出部は、
   前記フロー情報に基づいて、前記コンテンツが属する分野毎に、前記関連コンテンツが前記ユーザ端末から前記他のユーザ端末に送信される送信確率、及び、前記関連コンテンツが前記ユーザ端末から前記他のユーザ端末に送信されるまでの送信時間を算出し、
   前記予測部は、
   前記算出部によって算出されたコンテンツの分野毎の送信確率及び送信時間のうち、前記所定のコンテンツが属する分野に対応する送信確率及び送信時間に基づいて、前記伝播確率及び伝播時間を予測する
   ことを特徴とする請求項２又は３のいずれか一つに記載の分析装置。
5. 前記所定のユーザ端末のユーザに対してサービスを提供する運用者の運用者端末に対して、前記予測部によって予測された予測結果を出力する出力部
   をさらに備えたことを特徴とする請求項１〜４のいずれか一つに記載の分析装置。
6. 前記予測部によって予測された予測結果に基づいて所定のサービスが提供されたユーザのユーザ端末から、当該所定のサービスに対する評価を示すフィードバック情報を受信するフィードバック情報受信部をさらに備え、
   前記算出部は、
   前記フィードバック情報受信部によって受信されたフィードバック情報に基づいて、前記ユーザの関心情報を補正する
   ことを特徴とする請求項１〜５のいずれか一つに記載の分析装置。
7. 分析装置が実行する分析方法であって、
   ユーザ端末のユーザに関するユーザ属性情報又は当該ユーザ端末によってコンテンツが送受信された履歴に関する履歴情報から前記ユーザが関心を示している分野に関する関心情報を抽出するとともに、前記履歴情報からコンテンツの送受が行われたユーザ端末間の関係を示すフロー情報を抽出する抽出工程と、
   前記抽出工程によって抽出されたフロー情報に基づいて、ユーザ端末毎に、当該ユーザ端末によって受信されたコンテンツに関する関連コンテンツが当該ユーザ端末から他のユーザ端末に送信される送信確率を算出する算出工程と、
   前記算出工程によって算出された送信確率に基づいて、所定のユーザ端末に所定のコンテンツの関連コンテンツが伝播する伝播確率を予測するとともに、当該所定のユーザ端末のユーザにおける関心情報に基づいて、前記関連コンテンツに対する当該ユーザの関心度を予測する予測工程と
   を含んだことを特徴とする分析方法。
8. ユーザ端末のユーザに関するユーザ属性情報又は当該ユーザ端末によってコンテンツが送受信された履歴に関する履歴情報から前記ユーザが関心を示している分野に関する関心情報を抽出するとともに、前記履歴情報からコンテンツの送受が行われたユーザ端末間の関係を示すフロー情報を抽出する抽出手順と、
   前記抽出手順によって抽出されたフロー情報に基づいて、ユーザ端末毎に、当該ユーザ端末によって受信されたコンテンツに関する関連コンテンツが当該ユーザ端末から他のユーザ端末に送信される送信確率を算出する算出手順と、
   前記算出手順によって算出された送信確率に基づいて、所定のユーザ端末に所定のコンテンツの関連コンテンツが伝播する伝播確率を予測するとともに、当該所定のユーザ端末のユーザにおける関心情報に基づいて、前記関連コンテンツに対する当該ユーザの関心度を予測する予測手順と
   をコンピュータに実行させることを特徴とする分析プログラム。

Images