JP2015103018A - 行動パターン分析装置および行動パターン分析方法 - Google Patents

Abstract

【課題】ユーザなどの分析対象の行動履歴データを分析し、その時系列の行動パターンを容易に分類して分析できる行動パターン分析装置および行動パターン分析方法の提供。【解決手段】サーバ装置２０は、分析対象の行動が検出された時刻を示す時刻情報と、前記分析対象の状況を特定可能な分類情報とを含む行動履歴データを取得するログ取得手段２３１と、前記ログ取得手段２３１が取得した行動履歴データを分析し、分析対象に応じたグループ数で行動パターンをグループ化するクラスタリング手段２３２とを備える。【選択図】図２

Description

本発明は、サーバへのアクセスログや情報端末における操作ログ等の行動履歴データに基づいてユーザの行動パターンを分析する行動パターン分析装置および行動パターン分析方法に関する。

ＷＥＢサイトへの閲覧などのユーザの情報参照行動によって動的に変化する状態を捉えることで、状態変化と目的行動との関係を捉え、ユーザの状態の変化が商品購入行動にどのように関連するのかを把握する利用者状態推定システムが知られている（特許文献１参照）。

この利用者状態推定システムは、ユーザの一連のアクセスにおける行動を、予め定義された複数の行動パターンのうちのいずれかに決定する。そして、決定された行動パターンと、予め記録された遷移条件データが示す状態間の遷移の条件となる行動パターンとを照合し、ユーザの状態の遷移先を決定する。そして、各状態において、目的行動を行ったユーザの割合を一定期間ごとに計算する。

特開２００９−４８２２７号公報

しかしながら、特許文献１では、行動パターンを予め定義し、実際のアクセス行動が定義された行動パターンのいずれに該当するかを判定しているため、定義されていない行動パターンを判定することができない。
また、判定した行動パターンは、商品購入時のユーザの状態に関する遷移条件に該当するか否かを判定するために用いられるものである。このため、ユーザの１日の生活行動パターンのような時刻に連動するような行動パターンの分析には適さないという問題がある。

本発明は、ユーザ等の分析対象の行動履歴データを分析し、分析対象の時系列の行動パターンを容易に分類して分析できる行動パターン分析装置および行動パターン分析方法を提供することを目的とする。

本発明は、分析対象の行動が検出された時刻を示す時刻情報と、前記分析対象の状況を特定可能な分類情報とを含む行動履歴データを取得する行動履歴取得手段と、前記行動履歴取得手段が取得した行動履歴データを分析し、分析対象に応じたグループ数で行動パターンをグループ化するクラスタリング手段とを備えることを特徴とする。

本発明では、クラスタリング手段は、ユーザ等の分析対象の行動履歴データを分析し、分析対象に応じたグループ数で行動パターンをグループ化する。このため、分析対象に適したグループ数で行動パターンをグループ化できるため、分析対象の時系列の行動パターンを容易に分類して分析できる。

実施形態に係る行動パターン分析システムの構成を示すブロック図である。 実施形態に係るサーバ装置の構成を示すブロック図である。 実施形態に係るアクセスログの一例を示す図である。 実施形態に係る行動パターン分析処理を示すフローチャートである。 （Ａ）は１時間毎のアクセス回数の推移を示す図、（Ｂ）は１時間毎のアクセスの有無を示す２値化した行動パターンを示す図、（Ｃ）は類似するパターンをグループ化した行動グループを示す図である。 （Ａ）はユーザＡの行動グループの代表パターンを示す図、（Ｂ）は各行動グループが該当する日を示す図である。 （Ａ）はユーザＢの行動グループの代表パターンを示す図、（Ｂ）は各行動グループが該当する日を示す図である。 （Ａ）は２つのデバイスにおける１時間毎のアクセス回数の推移を示す図、（Ｂ）は１時間毎のアクセスの有無を示す２値化した行動パターンを示す図である。 （Ａ）はユーザＣの行動グループの代表パターンを示す図、（Ｂ）は各行動グループが該当する日を示す図である。 利用サービス毎の１時間毎のアクセスの有無を示す２値化した行動パターンを示す図である。 （Ａ）はユーザＤの行動グループの代表パターンを示す図、（Ｂ）は各行動グループが該当する日を示す図である。 （Ａ）はユーザＥの行動グループの代表パターンを示す図、（Ｂ）は各行動グループが該当する日を示す図である。

［実施形態］
以下、本発明に係る実施形態の行動パターン分析装置を備えた行動パターン分析システムについて、図面に基づいて説明する。
［行動パターン分析システムの全体構成］
図１は、本実施形態の行動パターン分析システム１の概略構成を示すブロック図である。
図１に示すように、行動パターン分析システム１は、ユーザ端末１０と、本発明の行動パターン分析装置およびサービス提供装置として機能するサーバ装置２０と、を備え、これらのユーザ端末１０及びサーバ装置２０がネットワーク（例えばインターネット等のＷＡＮ（Wide Area Network））５を介して通信可能に接続されている。
行動パターン分析システム１では、ユーザ端末１０からサーバ装置２０に対してアクセスがあった際に、サーバ装置２０は、そのアクセスログ（行動ログ）を検出して蓄積する。そして、サーバ装置２０は、蓄積したアクセスログに基づいて、ユーザ端末１０の操作者であるユーザの行動パターンを分析する。以下、各構成について詳細に説明する。

［ユーザ端末の構成］
ユーザ端末１０としては、例えば、デスクトップ型パーソナルコンピュータ、ノート側パーソナルコンピュータ、スマートフォン、携帯電話、タブレット端末等の各種デバイスを例示できる。また、図１に示すように、一人のユーザが、デスクトップ型パーソナルコンピュータ（パソコン１０Ａ）、スマートフォン１０Ｂ、タブレット端末１０Ｃの複数のデバイスを所持している場合もある。

一般的なユーザ端末１０の概略構成を、図１に示すユーザ端末１０Ｄの構成を示すブロック図で説明する。
ユーザ端末１０は、図１に示すように、表示部１１と、入力操作部１２と、端末通信部１３と、端末記憶部１４と、端末制御部１５と、を含んで構成される。

表示部１１は、例えば液晶ディスプレイ等により構成され、端末制御部１５の制御の下、所定の画像を表示させる。
入力操作部１２は、ユーザ操作による操作信号を端末制御部１５に出力する。入力操作部としては、例えば、表示部１１と一体に設けられたタッチパネルや、キーボード、マウス等の入力装置等を例示できる。
端末通信部１３は、ネットワーク５上の所定の装置と通信する。

端末記憶部１４は、例えばメモリ、ハードディスク等のデータ記録装置により構成されている。端末記憶部１４には、例えば、ユーザ端末１０のデバイスを判定するためのデバイスデータが記憶されている。このデバイスデータとしては、例えばユーザ端末１０のデバイス製造会社や、デバイスの機種名、通信会社のキャリア名等が記録される。また、ユーザによるデバイスの使用目的（例えば、私用デバイスであるか、仕事用デバイスであるか等）が記録されていてもよい。
また、端末記憶部１４には、その他、ユーザ端末を制御するための各種プログラム等が記憶される。

端末制御部１５は、ＣＰＵ（Central Processing Unit）等の演算回路、ＲＡＭ（Random Access Memory）等の記憶回路により構成され、ユーザ端末１０の各部を制御する。端末制御部１５は、端末記憶部１４等に記憶されているプログラムの中から所定のアプリケーション等のプログラム（ソフトウェア）をＲＡＭに展開し、ＲＡＭに展開されたプログラムとの協働で、各種処理を実行する。これにより、端末制御部１５は、サーバ装置２０に対してネットワーク５を介して通信可能になり、例えば、サーバ装置２０が提供する各種サービスを利用することが可能となる。この際、端末制御部１５は、サーバ装置２０に対して、ユーザ端末１０を特定するデバイスデータや、ユーザを特定するためのユーザＩＤ等を同時に送信する。

［サーバ装置の構成］
図２は、サーバ装置２０の概略構成を示すブロック図である。
サーバ装置２０は、コンピュータにより構成され、本発明の行動パターン分析装置として機能するとともに、ユーザ端末１０に対して各種サービスを提供するＷＥＢサーバ等のサービス提供装置としても機能する。このサーバ装置２０は、サーバ通信部２１と、サーバ記憶部２２と、サーバ制御部２３と、入力装置２４と、表示装置２５等を含んで構成されている。

サーバ通信部２１は、例えばＬＡＮ等を介してネットワーク５に接続されており、ユーザ端末１０と通信する。
また、入力装置２４は、キーボード、タッチパネル、マウス等で構成され、行動パターンの分析者は入力装置２４を用いて分析条件等を入力できる。表示装置２５は、液晶ディスプレイなどで構成され、分析結果等を表示する。なお、サーバ装置２０には、入力装置２４および表示装置２５を設けずに、サーバ装置２０にＬＡＮ等を介して分析用端末を接続し、この分析用端末で分析条件を入力したり、分析結果を表示してもよい。

サーバ記憶部２２は、例えばメモリ、ハードディスク等により構成されたデータ記録装置である。このサーバ記憶部２２は、ユーザ端末１０の行動履歴データとしてのアクセスログを蓄積し、記憶している。すなわち、サーバ記憶部２２は、行動履歴記憶手段として機能する。また、サーバ記憶部２２には、サーバ装置２０を制御するための各種プログラムが記憶される。

サーバ制御部２３は、ＣＰＵ等の演算回路、ＲＡＭ等の記憶回路により構成され、サーバ記憶部２２等に記憶されているプログラム（ソフトウェア）をＲＡＭに展開し、ＲＡＭに展開されたプログラムとの協働で、各種処理を実行する。そして、サーバ制御部２３は、上記各種処理を実行することで、図２に示すように、ログ取得手段２３１、クラスタリング手段２３２、代表パターン生成手段２３３、及びサービス提供手段２３６等として機能する。

［ログ取得手段］
ログ取得手段２３１は、ユーザ端末１０からアクセスがあった際に、ユーザＩＤ、アクセス時刻（時刻情報）、ユーザ端末１０のデバイスデータ、アクセス先のサービスである利用サービスデータ等を取得し、これらを関連付けて、図３に示すようなアクセスログとしてサーバ記憶部２２に蓄積する。すなわち、アクセスログは、分析対象であるユーザ（ユーザ端末１０）のアクセス行動が検出された時刻を示す時刻情報と、前記ユーザの状況を特定可能な分類情報（デバイスデータや利用サービスデータ）とを含む行動履歴データである。従って、ログ取得手段２３１は、行動履歴データ（アクセスログ）を取得する行動履歴取得手段として機能する。
ユーザＩＤは、分析対象であるユーザを示す匿名化されたＩＤである。アクセス時刻は、ユーザ端末１０がＷＥＢサーバであるサーバ装置２０にアクセスした時刻である。

アクセスログに含まれるデバイスデータは、上述したように、ユーザ端末１０のデバイスの種類である。このデバイスデータは、本発明における分析対象の状況を分類する分類情報（パラメータ）の１つに相当し、多値のいずれかが選択可能なデータとされている。つまり、デバイスデータは、例えば、パソコン１０Ａ、スマートフォン１０Ｂ、タブレット端末１０Ｃ、あるいはその他の端末といった４値のいずれかが選択されるパラメータとなる。なお、上記例では、デバイスデータは、４値のいずれかの例を示すが、例えば、ユーザに装着して利用するウェアラブル端末からのアクセスがあった場合の値を追加してもよい。さらに、デバイスがスマートフォンである場合に、さらにその機種や、仕事用かプライベート用か等も分類したデータとしてもよい。

アクセスログに含まれる利用サービスデータも、デバイスデータと同様、本発明における分析対象の状況を分類する分類情報の１つに相当し、多値のいずれかが選択可能なデータとなる。つまり、利用サービスデータとしては、例えば、サービス提供手段２３６が提供するサービスのいずれにアクセスしたかを示すパラメータであり、提供されるサービス数に対応した多値のパラメータとなる。例えば、行動状態を分類したいサービスとして、メール、ヘッドラインニュース、デイリーニュース、オークション、ショッピング、金融、知恵袋、野球、地図、その他の１０種類が設定されている場合、前記利用サービスデータは、前記１０種類のサービスのいずれかにアクセスしたことを示す１０値のいずれかの値に設定される。

なお、アクセスログに含まれる分類情報としては、デバイスデータ、利用サービスデータに限らず、アクセスした場所を示す位置データや、アクセス時の天気、気温、湿度などの気象データなどでもよい。要するに、分類情報の種類は、行動パターンを分析する目的などに応じて設定すればよい。

［クラスタリング手段］
クラスタリング手段２３２は、サーバ記憶部２２に記憶、蓄積されたアクセスログに基づいた各ユーザの行動パターンを、複数種の行動グループ（クラスタ）に分類（クラスタリング）する。
このため、クラスタリング手段２３２は、分析対象設定部２３２１と、行動履歴データ抽出手段２３２２と、行動パターン作成手段２３２３と、グループ化手段２３２４とを備える。これらの各手段の詳細は、後述するクラスタリング処理において説明する。

［代表パターン生成手段］
代表パターン生成手段２３３は、各行動グループの代表的な行動パターンを生成する。
従って、本実施形態では、クラスタリング手段２３２および代表パターン生成手段２３３によって、本発明の行動パターン分析装置が構成される。

［サービス提供手段］
サービス提供手段２３６は、ユーザ端末１０からの要求に応じて、ＷＥＢ上で利用可能なサービスをユーザ端末１０に提供する。サービス提供手段２３６により提供されるサービスとしては、例えば、ニュース等の情報発信サービス、オンライン上での商取引サービス（例えば株取引やオンライショッピング等）、メールサービス等が含まれる。

［行動パターン分析方法］
次に、上記のようなサーバ装置（行動パターン分析装置）２０における処理方法について図４のフローチャートも参照して説明する。図４のステップＳ１〜Ｓ４は、蓄積されたアクセスログに基づいて、各ユーザの行動パターンをクラスタリングして行動グループを分類するクラスタリング処理であり、ステップＳ５はその代表パターンを生成する代表パターン生成処理である。以下、各処理の詳細を説明する。

［クラスタリング処理］
サーバ装置２０のクラスタリング手段２３２によるクラスタリング処理について、図面に基づいて説明する。
分析準備として、クラスタリング手段２３２の分析対象設定部２３２１は、行動パターンを分析する際に、どのような状況のユーザの行動を分析するかを指定する分析対象条件を設定する（ステップＳ１）。具体的には、分析対象とする行動履歴データを収集する収集期間情報と、行動パターンを分析するための期間を示す分析期間情報と、行動パターンを分析する際の単位期間情報と、分析対象として指定する分類情報とを設定する。この設定は、分析者が入力装置２４を用いてサーバ装置２０に入力することで設定される。

収集期間情報は、サーバ記憶部２２に記憶されたアクセスログの分析対象期間を設定するものである。例えば、５月１１日から８月１８日など、収集期間の始期と終期とで期間情報を設定する。
分析期間情報は、どの程度の期間の行動パターンを分析対象とするかを設定するものである。例えば、１日毎の行動パターンを分析する場合には、前記分析期間情報は１日（例えば、００：００：００から２３：５９：５９）が設定される。また、１週間毎の行動パターンを分析する場合には、前記分析期間情報は１週間（例えば、日曜日から土曜日）が設定される。さらに、６時間毎の行動パターンを分析する場合には、前記分析期間情報は６時間（例えば、００：００：００から０５：５９：５９、０６：００：００〜１１：５９：５９、１２：００：００から１７：５９：５９、１８：００：００〜２３：５９：５９）が設定される。
単位期間情報は、前記分析期間情報よりも短い時間間隔であり、行動（アクセス）の有無を判定する単位時間を設定するものである。例えば、分析期間情報が１日である場合に、単位期間情報は１時間単位（例えば、００：００：００から００：５９：５９、０１：００：００から０１：５９：５９、…、２３：００：００から２３：５９：５９）に設定される。なお、単位期間情報は、１時間単位に限定されず、３０分単位としてもよいし、２時間単位にしてもよく、行動パターンの分析目的等に応じて設定すればよい。

分類情報は、蓄積されたアクセスログから分析対象とする分類情報、つまりどのような状況でアクセスしたユーザの行動パターンを分析するかを設定するものである。例えば、分類情報として、デバイスデータを指定したり、サービスデータを指定することができる。また、デバイスデータとサービスデータのように複数の分類情報を指定することもできる。
さらに、分類情報としては、デバイスデータのうちの１つあるいは複数のデバイスを指定することもできる。例えば、パソコン１０Ａのみを指定したり、スマートフォン１０Ｂのみを指定してもよいし、スマートフォン１０Ｂおよびタブレット端末１０Ｃの２つのデバイスを指定してもよい。同様に、サービスデータのうちの１つあるいは複数のサービスを指定してもよい。従って分類情報は、分析者が分析目的に応じて設定する。

次に、行動履歴データ抽出手段２３２２は、分析対象設定部２３２１で設定された収集期間情報、分析期間情報、単位期間情報に基づいて、アクセスログから分析対象条件に該当する行動履歴データを抽出する（ステップＳ２）。例えば、収集期間情報が５月１１日から８月１８日であり、分析期間情報が１日毎であり、単位期間情報が１時間であれば、行動履歴データ抽出手段２３２２はアクセス時間が上記収集期間内の行動履歴データを取得し、この取得データを１日毎に分割して１日毎の行動履歴データを抽出し、さらに１日毎の行動履歴データを１時間毎に集計する。
図５（Ａ）は、抽出されたユーザの１日分の行動履歴データである。なお、この際、分析対象条件の分類情報には、デバイスデータにパソコンを指定し、利用サービスデータは指定していない。また、１時間毎にアクセス回数が集計されている。このため、図５（Ａ）のグラフは、横軸が１日の時間、縦軸がアクセス数とされた時間毎のアクセス数の推移を示すグラフである。

次に、行動パターン作成手段２３２３は、抽出された行動履歴データから、単位期間毎（１時間単位）でサーバ装置２０に対してアクセスしたか否かを検出し、アクセスがある場合に「１」、無い場合に「０」を返した２値化データを行動パターンとして作成する（ステップＳ３）。すなわち、行動パターン作成手段２３２３は、図５（Ａ）に示す各ユーザの１日の毎のアクセス数の推移を、分類情報毎（図５の例ではデバイスデータがパソコンの場合）にベルヌーイ分布に落とし込んで、図５（Ｂ）に示す行動パターンのグラフを作成する。

グループ化手段２３２４は、行動パターン作成手段２３２３で作成した各ユーザの行動パターンのうち類似パターン同士をグループ化（クラスタリング）する（ステップＳ４）。
各ユーザの行動パターンは、デバイスデータや、利用アクセスデータ等、多値により表せる複数のパラメータを有する。例えば、分類情報としてデバイスデータを設定した場合、所定の時間単位（例えば１時間単位）毎に、パソコン１０Ａでのアクセスがあった場合に「１」、スマートフォン１０Ｂでのアクセスがあった場合に「２」、タブレット端末１０Ｃでのアクセスがあった場合に「３」、その時間帯のアクセスログが無く、いずれの端末からもアクセスがなかった場合に「０」に設定すれば、「０〜３」の４値で、アクセスしたデバイスのパラメータを表せる。
同様に利用サービスデータに関しても、アクセスが無かった場合を含めて「対象となるサービスの数＋１」の値で、サービスのパラメータを表せる。グループ化手段２３２４は、これらの多値のパラメータを有する複合ディリクレプロセスモデルを用いて、ノンパラメトリックベイズ法によりクラスタリングを実施する。
これにより、各ユーザに対して、それぞれ最適な数の行動グループが算出され、図５（Ｃ）に示すように、行動パターンをクラスタリングした複数個の行動グループを生成することができる。図５（Ｃ）は、４つの行動グループが生成された例である。

次に、代表パターン生成手段２３３は、ステップＳ４により生成された各行動グループにおける代表パターンを生成する（ステップＳ５）。
このステップＳ５では、代表パターン生成手段２３３は、例えば、各行動グループに含まれる複数の行動パターンの平均値を算出する。図６、７には、代表パターンの一例が示されている。
図６は、あるユーザＡの行動パターン分析結果であり、このユーザＡでは、図６（Ａ）に示すように、２つの行動グループＧ１，Ｇ２が生成された。各行動グループＧ１，Ｇ２の分類を、収集期間の曜日毎に割り当てると、図６（Ｂ）のように２種類に分類される。行動グループＧ２は、土曜日や火曜日などに該当することが多い。１週間のうちの２日間が該当することが多いため、これらの曜日が休日である職業のユーザであることを推定できる。すなわち、行動グループＧ２は休日型の行動パターンのグループであると言える。
一方、行動グループＧ１は、その他の日、つまり勤務日であると推定され、行動グループＧ１は平日型の行動パターンのグループであると言える。

同様に、図７は、他のユーザＢの行動パターン分析結果であり、このユーザＢでは、図７（Ａ）に示すように、５つの行動グループＧ１１〜Ｇ１５が生成された。各行動グループＧ１１〜Ｇ１５の分類を、収集期間の曜日毎に割り当てると、図７（Ｂ）のように５種類に分類される。行動グループＧ１１は、月曜日から金曜日の平日に該当することが多いため、平日型であると言える。他の行動グループＧ１２〜Ｇ１５は、土曜日や日曜日に該当することが多いため、休日型であると言える。また、８月１０日の週は休日型の行動グループＧ１２，Ｇ１３，Ｇ１５が該当しているため、夏休み期間であったことが推定できる。

［分類情報：複数のデバイスデータを指定した場合の処理］
次に、前述した分析条件において、複数のデバイスデータが分類条件として設定された場合の例について説明する。具体的には、スマートフォンと、タブレット端末とを用いたアクセスを分析する。
この場合、行動履歴データ抽出手段２３２２は、サーバ記憶部２２に記憶されたアクセスログからデバイスデータがスマートフォンおよびタブレット端末に該当する行動履歴データを抽出し、図８（Ａ）に示す１時間毎のアクセス数の推移を示す１日分の行動履歴データを作成する（ステップＳ２）。なお、図８（Ａ）では、がスマートフォンによる各時間帯のアクセス数の推移を実線５１で示し、タブレット端末でのアクセス数の推移を点線５２で示す。

次に、行動パターン作成手段２３２３は、図８（Ａ）に示すアクセス数の推移を、各デバイスのアクセスの有無を示す２値化データとして、図８（Ｂ）に示す行動パターンのグラフを作成する。図８（Ｂ）では、スマートフォンによる各時間帯のアクセスの有無を実線５３で示し、タブレット端末でのアクセスの有無を点線５４で示す。
この際、単位時間（１時間毎）毎に、アクセスが有ることを示す「１」の値は、いずれか１つのデバイスのみに設定され、同時間帯の他のデバイスは「０」となるように設定している。例えば、図８（Ａ）の１５時のアクセス数は、スマートフォンが「２０」であり、タブレット端末が「２」である。このため、いずれのデバイスもサーバ装置２０にアクセスしているが、図８（Ｂ）の１５時のアクセスの有無を示す２値化データは、アクセス数の多いスマートフォンを「１」とし、タブレット端末を「０」としている。すなわち、同時間帯に複数のデバイスでアクセスした場合、各デバイス（分類情報）の行動（アクセス）を評価する評価指標の情報に基づいて選択されたデバイスのみを「１」に設定し、他のデバイスは「０」に設定する。
これにより、デバイスデータなどの多値のパラメータを有する複合ディリクレプロセスモデルを用いてノンパラメトリックベイズ法でクラスタリングする処理を容易に実行できる。

なお、前記デバイスなどの分類情報毎の行動を評価する評価指標は、分類情報の種類などに応じて適宜設定すればよい。例えば、行動の評価指標としては、（Ａ）占有時間、（Ｂ）回数、（Ｃ）変化率や密度、（Ｄ）障害後の回復であるか等を設定できる。これらの評価指標の情報に基づいて「１」に設定するデバイスを選択する一例を以下に示す。
（Ａ）占有時間を評価指標とした場合は、同時間帯に複数のデバイスがアクセスした場合に、アクセスしている時間が最も長いデバイスのみを「１」に設定すればよい。
（Ｂ）回数を評価指標とした場合は、同時間帯に複数のデバイスがアクセスした場合に、アクセス回数が最も多いデバイスのみを「１」に設定すればよい。
（Ｃ）変化率や密度を評価指標とした場合は、例えば、単位時間当たりのアクセス回数が最も高いデバイスのみを「１」に設定すればよい。すなわち、一方のデバイスが３０分間に５回アクセスしており、他方のデバイスが１０分間に５回している場合には、５回／３０分＜５回／１０分であるため、他方のデバイスのみを「１」に設定すればよい。
（Ｄ）障害後の回復であるかを評価指標とした場合には、例えば、ネットワーク障害直後に再アクセスしたデバイスを評価して「１」に設定すればよい。
なお、これらの評価指標や、「１」に設定する条件は一例であり、行動分析の目的などに応じて設定すればよい。

グループ化手段２３２４は、行動パターン作成手段２３２３で作成した各ユーザの行動パターンのうち類似パターン同士をグループ化（クラスタリング）する（ステップＳ４）。これにより、各ユーザに対して、それぞれ最適な数の行動グループが算出される。
次に、代表パターン生成手段２３３は、ステップＳ４により生成された各行動グループにおける代表パターンを生成する（ステップＳ５）。

図９は、あるユーザＣの行動パターン分析結果であり、このユーザＣでは、図９（Ａ）に示すように、３つの行動グループＧ２１〜Ｇ２３が生成された。なお、図９（Ａ）に示す代表パターンの実線５６はスマートフォンによるアクセスの代表パターンであり、点線５７はタブレット端末によるアクセスの代表パターンである。
各行動グループＧ２１〜Ｇ２３の分類を、収集期間の曜日毎に割り当てると、図９（Ｂ）のように３種類に分類される。行動グループＧ２１は、平日に該当することが多いため、平日型１の行動パターンのグループであると言える。また、行動グループＧ２２は、土日の休日に該当することが多いため、休日型の行動パターンのグループであると言える。
さらに、行動グループＧ２３は、火曜日や水曜日の平日に多く該当するが、夕方や夜にスマートフォンでアクセスしたり、タブレットでアクセスすることが多いため、前記平日型１とは異なる平日型２の行動パターンのグループであると言える。この平日型２は、夕食の時間帯にタブレット等でのアクセスが多いため、料理レシピを参考に調理していることが予測できる。

［分類情報：複数の利用サービスデータを指定した場合の処理］
次に、前述した分析条件において、複数の利用サービスデータが分類条件として設定された場合の例について説明する。具体的には、前述した１０種類のサービスにアクセスしたかを分析する。
この場合、行動履歴データ抽出手段２３２２は、サーバ記憶部２２に記憶されたアクセスログから利用サービスデータが前記１０種類のサービスに該当する行動履歴データを抽出し、１時間毎のアクセス数の推移を示す１日分の行動履歴データを作成する（ステップＳ２）。

次に、行動パターン作成手段２３２３は、サービス毎のアクセス数の推移を、各サービスへのアクセスの有無を示す２値化データとし、図１０に示す行動パターンのグラフを作成する（ステップＳ３）。図１０は、各時間帯の各サービスへのアクセスの有無を示し、メールサービスへのアクセスの有無を実線６１で示し、オークションサービスへのアクセスの有無を点線６２で示し、ヘッドラインニュースへのアクセスの有無を一点鎖線６３で示し、金融サービスへのアクセスの有無を二点鎖線６４で示し、野球情報のサービスへのアクセスの有無を点線６５で示し、その他のサービスへのアクセスの有無を細線６６で示す。
この際、前記図８（Ｂ）のデバイスデータの場合と同じく、単位時間（１時間毎）毎に、アクセスが有ることを示す「１」の値は、いずれか１つのサービスのみに設定され、同時間帯の他のサービスへのアクセスは「０」となるように設定し、クラスタリングを容易に処理できるようにしている。

グループ化手段２３２４は、行動パターン作成手段２３２３で作成した各ユーザの行動パターンのうち類似パターン同士をグループ化（クラスタリング）する（ステップＳ４）。これにより、各ユーザに対して、それぞれ最適な数の行動グループが算出される。
次に、代表パターン生成手段２３３は、ステップＳ４により生成された各行動グループにおける代表パターンを生成する（ステップＳ５）。
図１１は、あるユーザＤの行動パターン分析結果であり、このユーザＤでは、図１１（Ａ）に示すように、２つの行動グループＧ３１、Ｇ３２が生成された。なお、図１１（Ａ）に示す代表パターンの実線７１はメールサービスへのアクセスの代表パターンである。その他のサービスへのアクセスの代表パターンは、メールサービスへのアクセスに比べると頻度が少なく、特徴的なパターンは見いだせなかった。
各行動グループＧ３１、Ｇ３２の分類を、収集期間の曜日毎に割り当てると、図１１（Ｂ）のように２種類に分類される。行動グループＧ３２は、週に２日間（日曜日と水曜日など）に該当することが多いため、休日型の行動パターンのグループであると言える。
一方、行動グループＧ３１は、その他の日付に該当することが多いため、平日型の行動パターンのグループであると言える。
さらに、行動グループＧ３２は、日曜日と水曜日に該当しているため、開業医などの医療関係者である可能性がある。また、休日型の行動グループＧ３２では、メールサービスへのアクセスを１８時頃には終わらせている。一方、平日型の行動グループＧ３１では、夜遅くまでメールサービスへアクセスしていることが分析できる。

図１２は、他のユーザＥの行動パターン分析結果であり、このユーザＥでは、図１２（Ａ）に示すように、４つの行動グループＧ４１〜Ｇ４４が生成された。なお、図１２（Ａ）に示す代表パターンの実線８１は金融サービスへのアクセスの代表パターンであり、点線８２はその他のサービスへのアクセスの代表パターンである。他のサービスへのアクセスは、頻度が少なく、特徴的なパターンは見いだせなかった。
各行動グループＧ４１〜Ｇ４４の分類を、収集期間の曜日毎に割り当てると、図１２（Ｂ）のように４種類に分類される。このユーザＥは、金融サービスへのアクセスが多いため、トレーダーのような金融関係の仕事を行っていると推定できる。また、平日は１週間毎に行動パターンが大きく相違し、特に金融サービスへのアクセス時間が異なることから、日勤と夜勤とを交互に行っていることが推定できる。さらに、日曜日は一日中、金融サービスにアクセスする傾向にあった。

［作用効果］
本実施形態のサーバ装置２０は、ユーザ毎のアクセスログを蓄積するサーバ記憶部２２を備える。そして、アクセスログには、ユーザＩＤの他に、分類情報としてデバイスデータや利用サービスデータも記憶されているので、ユーザがどのような状況（シチュエーション）でサーバ装置２０にアクセスしているのかを記録できる。
そして、サーバ装置２０のクラスタリング手段２３２は、前記分類情報毎に行動パターンを分析するため、ユーザのアクセス状況を踏まえて行動パターンをクラスタリングでき、各ユーザの行動パターンのグループを精度良く分類できる。
すなわち、分類情報としてデバイスデータを用いた場合には、各ユーザがどのようなデバイスでアクセスしているかを踏まえて行動パターンを分類できる。従って、同じ時間帯にメールサービスなどの同じサービスにアクセスしていても、利用しているデバイスがスマートフォンのように外出中にも使用できるデバイスであるのか、あるいはパソコンのように自宅で使用しているデバイスであるのかによって、行動パターンを区別できる。従って、各ユーザの行動パターンを適切にグループ分けでき、各ユーザの行動を精度良く分析できる。
同様に、分類情報として利用サービスデータを用いた場合には、各ユーザがどのようなサービスにアクセスしているかを踏まえて行動パターンを分類できる。従って、同じ時間帯にアクセスしていても、地図サービスのように外出中に使用される頻度が高いサービスであるのかなどによって、行動パターンを区別できる。従って、各ユーザの行動パターンを適切にグループ分けでき、各ユーザの行動を精度良く分析できる。

また、クラスタリング手段２３２のグループ化手段２３２４は、行動パターンをクラスタリングする際に、多値の分類情報による複合型ディリクレモデルを用いたノンパラメトリックベイズ法により、行動パターンをクラスタリングする。
このようなクラスタリングでは、各ユーザのそれぞれに対して、最適な行動グループの数を設定でき、精度よく、ユーザの行動を分類することができる。例えば、前記ユーザＡ〜Ｅは、各ユーザの行動履歴データの相違により、行動グループの数を２〜５に自動的に設定できる。このため、各ユーザＡ〜Ｅの行動パターンを精度よく分類できる。
したがって、例えば、予めグループの数を３個などと設定しておき、ユーザの行動パターンをこれらのグループのいずれかに属するかを判定する場合に比べて、各ユーザの固有の行動パターンに合わせた最適なクラスタリングを実施できる。

さらに、本実施形態では、代表パターン生成手段２３３で行動グループの代表パターンを生成しているので、分析者は各ユーザの行動パターンを容易に分析できる。特に、図６，７，９，１１，１２の（Ａ）に示すように、行動グループに含まれる各行動パターンの平均値などで代表パターンを生成しているので、各ユーザの代表的な行動パターンを可視化でき、ユーザの行動パターンを容易に把握できる。さらに、図６，７，９，１１，１２の（Ｂ）に示すように、分類した各行動パターンを色分けなどしてカレンダー表示することで、曜日毎の行動パターンの特徴をユーザ毎に判定できる。このため、ユーザ毎の休日なども精度良く判定できる。
そして、各ユーザの行動パターンを精度良く判定できることで、各ユーザに適したサービスや情報をユーザに対して提供することができ、ユーザの利便性も向上できる。

行動パターン作成手段２３２３は、各ユーザにおいて分類情報毎の行動パターンを作成する場合に、単位期間（１時間毎）のアクセスの有無で２値化したデータで設定し、かつ、複数の分類情報が同期間にアクセスしている場合には、アクセス回数が多い分類情報のみをアクセス有りに設定し、他の分類情報はアクセス無しに設定している。このため、グループ化手段２３２４で、多値の複合型ディリクレモデルによるノンパラメトリックベイズ法によって行動パターンをクラスタリングする際に、計算処理を簡略化でき、容易にグループ化できる。

［変形例］
なお、本発明は、上述した実施形態に限定されるものではなく、本発明の目的を達成できる範囲で、以下に示される変形をも含むものである。
分析対象設定部２３２１は、分類情報として、デバイスデータを設定する場合と、利用サービスデータを設定する場合とを例示したが、デバイスデータおよび利用サービスデータの両方を設定してもよい。この場合、分類情報としては、スマートフォンによるメールサービスへのアクセス、スマートフォンによるニュースサービスへのアクセス、パソコンによるメールサービスへのアクセスのように、デバイスと利用サービスとを組み合わせたものをパラメータとすれば良い。

また、分類情報としては、アクセス時の現在地を示す位置データや、アクセス時の天気、気温、湿度などを示す気象データ等を利用してもよい。
位置データは、ユーザ端末１０がサーバ装置２０にアクセスした際のユーザ端末１０の現在位置を示すデータであり、アクセスログに記憶すればよい。この位置データとしては、例えば、現在位置の都道府県を示すパラメータ等に設定した場合は、都道府県数に対応した多値のパラメータとなる。
なお、ユーザ端末１０がＧＰＳセンサー等の位置計測手段を備えている場合には、位置計測手段で計測された位置情報（緯度、経度）を前記位置データとして記録すればよい。また、ユーザ端末１０が位置計測手段を備えていない場合には、ユーザ端末１０が通信する基地局の位置情報（緯度および経度または住所データ）を前記位置データとして記録すればよい。
このような位置データを分類情報として用いれば、ユーザのアクセス時のシチュエーションとして、例えば、自宅でのアクセスか、会社でのアクセスか、あるいは通勤中のアクセスであるかなどのアクセス場所による分類情報に基づいて行動パターンを分析できる。従って、各ユーザの行動パターンをより精度よく分類できる。

さらに、気象データは、ユーザ端末１０がアクセスした基地局に設けられた環境センサーのデータ等を用いて記録すればよい。
このような気象データを分類情報として用いれば、ユーザのアクセス時のシチュエーション、例えば、天気が晴れで湿度が６０％以下の場合の行動パターンも分類できる。従って、各ユーザの行動パターンが天候にどのように影響されるのかなどを高精度に分析することができる。

また、分類情報のデバイスデータとしては、パソコン、スマートフォン、タブレット端末のように、デバイスの種類を示すデータを記録していたが、例えば各デバイスの機種名が記録されていてもよく、その他、デバイスの使用目的（仕事目的、プライベート目的等）が記録されてもよい。
同様に、利用サービスデータとしても前記実施形態で例示した１０種類に限らない。
要するに、分類情報にどのようなパラメータを設定するかは、行動パターンの分析目的などに応じて設定すればよい。

前記実施形態の行動パターン作成手段２３２３は、同時間帯に複数のデバイスでアクセスが有った場合に、アクセス数が最も多いデバイス（アクセス行動の占有時間が最も長いデバイス）のみを「１」とし、他を「０」としていたが、複数のデバイスでのアクセス状態も判別できるような行動パターンを作成してもよい。例えば、第１および第２の２つのデバイスがあった場合に、２つのデバイスともにアクセスしている場合は中間状態Ａ、第１のデバイスのみアクセスしている場合は中間状態Ｂ、第２のデバイスのみアクセスしている場合は中間状態Ｃ、両方ともアクセスしていない場合は中間状態Ｄというように設定すれば、前記実施形態と同様に処理することができる。このように設定すれば、複雑なパターンを表現できる利点がある。

前記実施形態の代表パターン生成手段２３３は、行動グループに含まれる各行動パターンの平均値、つまり各単位期間の「０，１」の値を単位期間毎に平均したもので代表パターンを生成していたが、他の方法で生成してもよい。例えば、単位期間毎に「０，１」のいずれか最頻値によって代表パターンを生成してもよい。さらに、同じグループ内の各行動パターンの類似度を計算して、似通っているものをまとめる再クラスタリングを行い、まとめられた複数の行動パターンの類似度の中間点によって代表パターンを生成してもよい。

前記実施形態では、分析対象として、個々のユーザを例示したが、これに限定されない。例えば、分析対象として、共通の状態を有する複数のユーザのグループであってもよい。例えば、同じ職場や同じ学校等、ユーザが属する団体を１つのグループとして、その団体における個々のユーザの行動パターンから、団体に属するユーザの平均的な行動パターンをクラスタリングし、団体に属するユーザの平均的な行動予測を行ってもよい。

また、分析対象の行動は、前記実施形態のサーバ装置２０へのアクセスに限定されず、時系列のデータとして取得できるものであればよい。例えば、ユーザの運動状態などを分析対象としてもよい。

その他、本発明の実施の際の具体的な構造および手順は、本発明の目的を達成できる範囲で他の構造などに適宜変更できる。例えば、サーバ装置２０を分散システムで構成し、アクセスログが蓄積されるサーバ記憶部２２を備えるサーバなどのコンピューターと、ログ取得手段２３１、クラスタリング手段２３２、代表パターン生成手段２３３等を備える行動パターンの分析を行うコンピューターとを別々に設けてもよい。

１０…ユーザ端末、２０…サーバ装置（行動パターン分析装置）、２１…サーバ通信部、２２…サーバ記憶部、２３…サーバ制御部、２３１…ログ取得手段（行動履歴取得手段）、２３２…クラスタリング手段、２３２１…分析対象設定部、２３２２…行動履歴データ抽出手段、２３２３…行動パターン作成手段、２３２４…グループ化手段、２３３…代表パターン生成手段、２３６…サービス提供手段。

Claims (8)

1. 分析対象の行動が検出された時刻を示す時刻情報と、前記分析対象の状況を特定可能な分類情報とを含む行動履歴データを取得する行動履歴取得手段と、
   前記行動履歴取得手段が取得した行動履歴データを分析し、分析対象に応じたグループ数で行動パターンをグループ化するクラスタリング手段とを備えることを特徴とする行動パターン分析装置。
2. 請求項１に記載の行動パターン分析装置において、
   前記クラスタリング手段は、
   指定された前記分類情報に基づく前記行動履歴データを所定の分析期間毎に抽出し、前記指定された分類情報毎の行動パターンを作成する行動パターン作成手段と、
   前記行動パターンを分析し、前記分析対象毎のグループ数を自動的に推定して類似パターン同士をグループ化するグループ化手段と、
   を備える
   ことを特徴とする行動パターン分析装置。
3. 請求項２に記載の行動パターン分析装置において、
   前記クラスタリング手段は、前記グループ化手段でグループ化された行動パターンの代表パターンを生成する代表パターン生成手段を備えることを特徴とする行動パターン分析装置。
4. 請求項２または請求項３に記載の行動パターン分析装置において、
   前記行動パターン作成手段は、
   前記分類情報毎の行動の有無を示す２値データを単位期間毎に設定し、かつ、同期間に複数の分類情報の行動が有りと設定された場合には、分類情報毎の行動を評価する評価指標の情報に基づいて選択された分類情報の行動のみを有りに設定し、他の分類情報の行動は無しに設定することを特徴とする行動パターン分析装置。
5. 請求項２から請求項４のいずれかに記載の行動パターン分析装置において、
   前記行動履歴データの分類情報は、前記分析対象が所定のサービス提供装置に対してアクセスしたデバイスを示すデバイスデータを有し、
   前記行動パターン作成手段は、指定されたデバイス毎に行動パターンを作成し、
   前記グループ化手段は、所定の分析期間毎の各デバイスの行動パターンに基づいて、前記分析対象毎のグループ数を自動的に推定してグループ化することを特徴とする行動パターン分析装置。
6. 請求項２から請求項５のいずれかに記載の行動パターン分析装置において、
   前記行動履歴データの分類情報は、所定のサービス提供装置が提供するサービスのうち、前記分析対象がどのサービスにアクセスしたかを示す利用サービスデータを有し、
   前記行動パターン作成手段は、指定されたサービス毎に行動パターンを作成し、
   前記グループ化手段は、所定の分析期間毎の各サービスの行動パターンに基づいて、前記分析対象毎のグループ数を自動的に推定してグループ化することを特徴とする行動パターン分析装置。
7. 請求項１から請求項６のいずれかに記載の行動パターン分析装置において、
   前記行動履歴データは、前記分類情報を示す複数のパラメータに対して多値のいずれかが選択される多値モデルであり、
   前記クラスタリング手段は、多値のディレクリプロセスモデルを用いた、ノンパラメトリックベイズ法によるクラスタリング処理を実施することで、前記行動履歴データをクラスタリングする
   ことを特徴とする行動パターン分析装置。
8. コンピュータにより行動パターン分析処理を実施する行動パターン分析方法であって、
   前記コンピュータは、
   分析対象の行動が検出された時刻を示す時刻情報と、前記分析対象の状況を特定可能な分類情報とを含む行動履歴データを取得し、
   前記行動履歴データを分析し、分析対象に応じたグループ数で行動パターンをグループ化する
   ことを特徴とする行動パターン分析方法。

Images