JP2016091328A - Individual behavior model estimation apparatus, purchase behavior model estimation apparatus, external stimulus timing optimization apparatus, individual behavior model estimation method, and program - Google Patents
Individual behavior model estimation apparatus, purchase behavior model estimation apparatus, external stimulus timing optimization apparatus, individual behavior model estimation method, and program Download PDFInfo
- Publication number
- JP2016091328A JP2016091328A JP2014225538A JP2014225538A JP2016091328A JP 2016091328 A JP2016091328 A JP 2016091328A JP 2014225538 A JP2014225538 A JP 2014225538A JP 2014225538 A JP2014225538 A JP 2014225538A JP 2016091328 A JP2016091328 A JP 2016091328A
- Authority
- JP
- Japan
- Prior art keywords
- individual
- parameter
- stimulus
- function
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 36
- 238000005457 optimization Methods 0.000 title claims description 32
- 230000000694 effects Effects 0.000 claims abstract description 159
- 230000009471 action Effects 0.000 claims abstract description 74
- 230000004936 stimulating effect Effects 0.000 claims abstract description 18
- 230000007423 decrease Effects 0.000 claims abstract description 9
- 230000000638 stimulation Effects 0.000 claims description 109
- 230000003247 decreasing effect Effects 0.000 claims description 25
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 69
- 230000006399 behavior Effects 0.000 description 52
- 230000008569 process Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 230000003467 diminishing effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 206010027175 memory impairment Diseases 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、外部からの刺激に接触した個体が行動する確率をモデル化することで、刺激接触効果を最大にする刺激タイミングを算出する技術に関連するものである。 The present invention relates to a technique for calculating a stimulus timing that maximizes a stimulus contact effect by modeling the probability that an individual who has touched an external stimulus will act.
人間に対して、ある意思決定(行動)を引き起こさせることを目的に刺激を与える様々な状況が存在する。なお、意思決定(行動)を引き起こさせることを目的に刺激を与える対象は人間以外の生物(動物等)でもよいが、以下では、主に人間を例にとって説明する。 There are various situations that stimulate humans for the purpose of causing a certain decision (action). Note that the target to be stimulated for the purpose of causing decision making (behavior) may be a living organism (animal or the like) other than a human being.
上記の状況としては、例えば、ある商品のテレビ・ウェブ広告と接触させることでその商品を購入させる、ある地域への旅行広告に接触させることでその地域への旅行を決断させる、ダイレクトメールと接触させることで特定の企業のホームページアドレスをクリックさせる、などがある。また、目覚ましアラームによって睡眠から覚醒させる、ソフトウェアエージェントの提案によって望ましい食材を摂取させる、といった人間を好ましい行動に誘導するような例もある。 For example, contact with direct mail, contact with TV / web advertisement of a product, purchase the product, contact with travel advertisement to a region, and decide to travel to the region. To click on the homepage address of a specific company. In addition, there is an example in which a human being is guided to a desirable behavior such as awakening from sleep by an alarm alarm or taking in a desired food by a proposal of a software agent.
刺激接触に対して人間がどの程度の確率で行動を起こすかを表す刺激接触効果に関する種々の研究が行われている。このような研究において、刺激接触効果には、閾値性、逓減性、忘却性といった性質があることがわかっている。 Various studies have been conducted on the effect of stimulating contact that expresses the probability of human action with respect to stimulating contact. In such studies, it has been found that the stimulus contact effect has properties such as threshold value, decreasing property, and forgetting property.
刺激接触効果の閾値性とは、刺激接触によってその効果を得るためには一定量以上の刺激が必要である、という性質のことである。また、刺激接触効果の逓減性とは、刺激接触量を増やしていくとその効果の増加分が小さくなっていく性質のことである。広告研究において(刺激=広告、効果=売上あるいは市場占有率)、これら二点の性質は以前よりその存在が指摘されている(非特許文献1、2)。非特許文献1、2では、その閾値性を考慮した上で、売上に対する広告の効果を推定する手法を提案している。ただし、顧客全体かつ一月当りのマクロな広告効果のみを考えている。
The threshold property of the stimulation contact effect is a property that a certain amount or more of stimulation is necessary to obtain the effect by stimulation contact. Moreover, the decreasing property of the stimulation contact effect is a property in which the increase in the effect becomes smaller as the stimulation contact amount is increased. In advertising research (stimulus = advertisement, effect = sales or market share), the existence of these two properties has been pointed out (Non-Patent
刺激接触効果の忘却性とは、ある時刻に接触した刺激の効果が時間と共に減衰していく性質のことである。この性質は広告効果(非特許文献3、4)、購買行動やメールの送信行動における他者からの影響(非特許文献5、6)などで広く認められている性質である。動物の選択行動でもしばしば仮定される(非特許文献7)。心理学実験でも確かめられている(非特許文献8)。
The forgetting property of the stimulus contact effect is a property in which the effect of the stimulus touched at a certain time attenuates with time. This property is widely recognized for the advertising effect (
近年ICT技術の発達に伴い広告などの刺激を個人単位でコントロールするニーズが高まっているが、非特許文献1、2、3ではマクロな刺激効果しか扱えず、個人単位での刺激接触効果を測定できないため、上記のニーズを満たすことができない。
In recent years, with the development of ICT technology, there is an increasing need to control stimuli such as advertisements on an individual basis, but Non-patent
個人単位での刺激接触効果を測定できる非特許文献5、6、9では、刺激接触効果の閾値性、逓減性、忘却性の全てを同時には考慮していないため、正確に刺激接触効果を測定又は最適化できない。例えば逓減性を無視すると、刺激接触は多ければ多いほど大きな効果が期待されることになり、無駄な刺激接触を与えることにつながってしまう。 In Non-Patent Documents 5, 6, and 9, which can measure the stimulus contact effect in individual units, the threshold value, diminishing property, and forgetting property of the stimulus contact effect are not considered at the same time, so the stimulus contact effect is accurately measured. Or it cannot be optimized. For example, if gradual decrease is ignored, the greater the number of stimulation contacts, the greater the expected effect, leading to useless stimulation contact.
広告効果に関する非特許文献4では閾値性、逓減性、忘却性の全てが考慮されているものの、商品ブランドの選択行動(購買時刻が与えられた時にどのブランドを買うのか、という問題)に対する効果についてのみ議論されており、購買行動の発生に対する効果を測定することができない。その場合、ターゲットとするユーザの次回購買時刻が既知でないと広告効果の最適化を図ることができない。購買行動の発生に対する効果を測定するためには、非特許文献9のように、後述する点過程に基づき「レート」を算出する必要があるが、閾値性、逓減性、忘却性の全てを考慮した上でレートを算出する技術はまだ提案されていない。ウェブ広告などの刺激を秒単位でコントロールできる時代にあって、刺激がいつどの程度の確率で意思決定(購買など)を引き起こすのかを算出し、刺激のタイミングを最適化するための技術が求められている。 Non-patent document 4 regarding advertising effectiveness considers all of threshold, diminishing, and forgetting, but the effect on the selection behavior of the product brand (the problem of which brand to buy when given the purchase time) It is only discussed and the effect on the occurrence of purchasing behavior cannot be measured. In this case, the advertising effect cannot be optimized unless the target user's next purchase time is known. In order to measure the effect on the occurrence of purchasing behavior, as in Non-Patent Document 9, it is necessary to calculate the “rate” based on the point process described later. However, all of threshold, diminishing, and forgetting are considered. In addition, a technique for calculating the rate has not been proposed yet. In an era where web advertisements and other stimuli can be controlled in seconds, a technology is needed to calculate when and how much the stimuli cause decision making (such as purchasing) and optimize the timing of the stimuli. ing.
閾値性、逓減性、忘却性を全て考慮した場合でもそうでない場合でも、刺激への接触量が多ければ多いほど行動を促す効果が大きくなるという結論に変わりはない。しかし、現実には多すぎる刺激が負の効果を持つ状況も考えられる。例えば、頻繁に出現するウェブ広告に不快感を覚え購買意欲を減退させるような現象がある。本明細書及び特許請求の範囲においてはこの現象を「逓減性」に含めることとする。 Whether threshold value, diminishing property, and forgetting property are all considered or not, the conclusion is that the effect of prompting the action increases as the contact amount to the stimulus increases. However, there are situations where too many stimuli actually have a negative effect. For example, there is a phenomenon in which web advertisements that appear frequently feel uncomfortable and reduce the willingness to purchase. In the present specification and claims, this phenomenon is included in “decreasing”.
すなわち、刺激接触量を増やしていくとその効果の増加分が小さくなっていくという本来の意味に加え、効果の増加分が負に落ち込む意味をも「逓減性」に持たせることとする。近年、広告費は事業者にとって大きな出費となっているので、無駄の無い予算配分を算出するためにもその点を考慮した技術が求められる。しかし、従来技術にその点を考慮したものは存在しない。 That is, in addition to the original meaning that the increased amount of the effect decreases as the stimulation contact amount is increased, the “decreasing property” has a meaning that the increased amount of the effect falls negatively. In recent years, advertising expenses have become a large expense for businesses, and therefore a technology that takes this point into consideration is also required in order to calculate budget allocation without waste. However, there is no prior art that takes this into consideration.
本発明は上記の点に鑑みてなされたものであり、閾値性、逓減性、忘却性を考慮した高精度な刺激接触効果の推定を個体単位で実現することを可能とする技術を提供することを目的とする。 The present invention has been made in view of the above points, and provides a technique capable of realizing highly accurate stimulation contact effect estimation in consideration of threshold value, diminishing property, and forgetting property on an individual basis. With the goal.
本発明の実施の形態によれば、外部刺激に対する個体の行動モデルを推定する個体行動モデル推定装置であって、
前記個体に行動を起こさせる外部刺激の時系列データである刺激データと、前記個体の行動イベントの時系列データである行動データとを入力データとして入力する入力手段と、
刺激接触効果の忘却性を示す関数と、刺激接触効果の閾値性と逓減性を示す関数とに基づいて、単位時間当たりに個体が行動を起こす確率を示す行動確率関数が定められており、当該行動確率関数のパラメータを推定するパラメータ推定手段と、を備え、
前記パラメータ推定手段は、前記行動確率関数、前記パラメータの確率分布、及び前記入力データに基づいて、前記パラメータの個体間分布に関する周辺尤度が最大になるように前記パラメータを決定する
ことを特徴とする個体行動モデル推定装置が提供される。
According to an embodiment of the present invention, an individual behavior model estimation apparatus for estimating an individual behavior model with respect to an external stimulus,
Input means for inputting, as input data, stimulus data that is time-series data of external stimuli that cause the individual to behave, and action data that is time-series data of the action event of the individual;
Based on the function indicating the forgetting property of the stimulating contact effect and the function indicating the threshold property and decreasing property of the stimulating contact effect, an action probability function indicating the probability that the individual takes action per unit time is defined. Parameter estimation means for estimating a parameter of an action probability function,
The parameter estimation means determines the parameter based on the behavior probability function, the probability distribution of the parameter, and the input data so that the marginal likelihood related to the inter-individual distribution of the parameter is maximized. An individual behavior model estimation device is provided.
また、本発明の実施の形態によれば、前記刺激データ、前記行動データ、前記行動確率関数、及び前記パラメータ推定手段により推定された前記パラメータに基づいて行動確率の予測値を計算する手段と、
前記行動確率の予測値の積分値を最大化する外部刺激のタイミングを算出することにより、外部刺激により引き起こされる各個体の行動の回数の期待値を最大化する外部刺激のタイミングを算出する手段と
を備えることを特徴とする外部刺激タイミング最適化装置が提供される。
According to an embodiment of the present invention, means for calculating a predicted value of the action probability based on the stimulus data, the action data, the action probability function, and the parameter estimated by the parameter estimation means;
Means for calculating the timing of an external stimulus that maximizes the expected value of the number of actions of each individual caused by the external stimulus by calculating the timing of the external stimulus that maximizes the integral value of the predicted value of the action probability; An external stimulus timing optimizing device is provided.
また、本発明の実施の形態によれば、広告刺激に対する個体の購買行動モデルを推定する購買行動モデル推定装置であって、
前記個体に購買行動を起こさせる広告刺激の時系列データである刺激データと、前記個体の購買行動イベントの時系列データである購買行動データとを入力データとして入力する入力手段と
刺激接触効果の忘却性を示す関数と、刺激接触効果の閾値性と逓減性を示す関数とに基づいて、単位時間当たりに個体が購買行動を起こす確率を示す行動確率関数が定められており、当該行動確率関数のパラメータを推定するパラメータ推定手段と、を備え、
前記パラメータ推定手段は、前記行動確率関数、前記パラメータの確率分布、及び前記入力データに基づいて、前記パラメータの個体間分布に関する周辺尤度が最大になるように前記パラメータを決定する
ことを特徴とする購買行動モデル推定装置が提供される。
Further, according to the embodiment of the present invention, a purchasing behavior model estimation device for estimating a purchasing behavior model of an individual with respect to an advertisement stimulus,
Input means for inputting, as input data, stimulus data that is time-series data of advertising stimuli that cause the individual to make a purchase behavior, and purchase behavior data that is time-series data of the purchase behavior event of the individual, and forgetting the stimulus contact effect Based on the function indicating sex and the function indicating the threshold value and decreasing property of the stimulation contact effect, an action probability function indicating the probability that the individual takes a purchase action per unit time is determined. Parameter estimation means for estimating parameters,
The parameter estimation means determines the parameter based on the behavior probability function, the probability distribution of the parameter, and the input data so that the marginal likelihood related to the inter-individual distribution of the parameter is maximized. A purchase behavior model estimation device is provided.
また、本発明の実施の形態によれば、外部刺激に対する個体の行動モデルを推定する個体行動モデル推定装置が実行する個体行動モデル推定方法であって、
前記個体に行動を起こさせる外部刺激の時系列データである刺激データと、前記個体の行動イベントの時系列データである行動データとを入力データとして入力する入力ステップと
刺激接触効果の忘却性を示す関数と、刺激接触効果の閾値性と逓減性を示す関数とに基づいて、単位時間当たりに個体が行動を起こす確率を示す行動確率関数が定められており、当該行動確率関数のパラメータを推定するパラメータ推定ステップと、を備え、
前記パラメータ推定ステップにおいて、前記個体行動モデル推定装置は、前記行動確率関数、前記パラメータの確率分布、及び前記入力データに基づいて、前記パラメータの個体間分布に関する周辺尤度が最大になるように前記パラメータを決定する
ことを特徴とする個体行動モデル推定方法が提供される。
In addition, according to the embodiment of the present invention, an individual behavior model estimation method executed by an individual behavior model estimation device that estimates an individual behavior model with respect to an external stimulus,
An input step for inputting stimulus data, which is time-series data of external stimuli that cause the individual to behave, and action data, which is time-series data of behavior events of the individual, as input data, and shows forgetability of the stimulus contact effect Based on the function and the function indicating the threshold value and the decreasing property of the stimulus contact effect, an action probability function indicating the probability that the individual takes action per unit time is determined, and the parameter of the action probability function is estimated. A parameter estimation step,
In the parameter estimation step, the individual behavior model estimation device is configured so that, based on the behavior probability function, the probability distribution of the parameter, and the input data, the marginal likelihood related to the inter-individual distribution of the parameter is maximized. An individual behavior model estimation method characterized by determining a parameter is provided.
本発明の実施の形態によれば、閾値性、逓減性、忘却性を考慮した高精度な刺激接触効果の推定を個体単位で実現することを可能とする技術が提供される。また、各個体に対する最適な刺激の与え方(量とタイミング)を導出することも可能となる。 According to the embodiment of the present invention, there is provided a technique capable of realizing highly accurate stimulation contact effect estimation in consideration of threshold value, diminishing property and forgetting property. It is also possible to derive the optimum way (amount and timing) of giving stimulus to each individual.
それらの情報により、例えば、事業者は最小の予算で最大の広告効果を図ることが可能となる。また、広告業者は、正しい広告効果に基づいた適正な広告料金を算定することが可能となる。 With such information, for example, the business operator can achieve the maximum advertising effect with the minimum budget. Further, the advertising agency can calculate an appropriate advertising fee based on the correct advertising effect.
以下、図面を参照して本発明の実施の形態を説明する。なお、以下で説明する実施の形態は一例に過ぎず、本発明が適用される実施の形態は、以下の実施の形態に限られるわけではない。例えば、以下の説明では、刺激に対する意思決定を行う主体を人間としているが、刺激に対する意思決定を行う主体は人間に限られず、他の生物でもよい。これらを総称して「個体」と呼んでもよい。 Embodiments of the present invention will be described below with reference to the drawings. The embodiment described below is only an example, and the embodiment to which the present invention is applied is not limited to the following embodiment. For example, in the following description, the subject that makes a decision on a stimulus is assumed to be a human, but the subject that makes a decision on a stimulus is not limited to a human, and may be another organism. These may be collectively referred to as “individuals”.
本発明の実施の形態では、意思決定(行動)を行う確率と刺激接触との関係を「点過程」と呼ばれる確率理論を用いてモデル化することで、個体行動モデルを推定している。その際、刺激接触効果の閾値性、逓減性、忘却性の全てを同時に考慮したモデルを構築する。以下、本実施の形態の詳細な内容について説明する。 In the embodiment of the present invention, the individual behavior model is estimated by modeling the relationship between the probability of making a decision (behavior) and the stimulus contact using a probability theory called “point process”. At that time, a model is constructed that simultaneously considers the threshold value, decreasing property, and forgetting property of the stimulus contact effect. Hereinafter, the detailed contents of the present embodiment will be described.
(装置構成、機能概要)
図1に、本発明の実施の形態に係る刺激接触効果管理装置300の機能構成図を示す。図1に示すように、刺激接触効果管理装置300は、刺激接触効果推定部100と刺激接触効果最適化部200を有する。
(Apparatus configuration, function overview)
In FIG. 1, the functional block diagram of the stimulation contact
刺激接触効果推定部100は、人間が意思決定を行う確率を入力刺激の関数としてモデル化し、観測データから刺激接触効果(例:広告刺激接触効果)を推定する機能部である。なお、本実施の形態において、「モデル化」とは、モデルの基となる関数を定めるとともに、当該関数についての最適なパラメータを推定することである。当該パラメータが推定されたモデルを「個体行動モデル」と称してもよい。刺激接触効果推定部100は、刺激接触効果の1)閾値性、2)逓減性、3)忘却性、の三つの性質を考慮し、個人単位での個体行動モデルを推定し、刺激接触効果を推定することが可能である。
The stimulation contact
また、刺激接触効果最適化部200は、刺激接触効果推定部100により得られた推定結果に基づいて、刺激接触効果を最大化するような刺激(刺激のタイミング等)を算出する。
Further, the stimulus contact
刺激接触効果推定部100は、各人の意思決定時刻の系列、観測期間、刺激の情報を入力として受け取り、モデルを推定し、刺激接触効果を人毎に推定し、その結果を出力することができる。また、刺激接触効果最適化部200は、各人の意思決定時刻の系列及び推定された刺激接触効果等を入力とし、意思決定を行う確率を最大化するような刺激を個人単位で算出し、その結果を出力することができる。
The stimulus contact
図1に示すように、刺激接触効果推定部100は、データを入力する入力部101、全体パラメータ推定部102、刺激接触効果パラメータ推定部103、データを出力する出力部104を含む。刺激接触効果最適化部200は、データを入力する入力部201、刺激最適化処理部202、データを出力する出力部203を含む。動作の詳細については後述する。
As shown in FIG. 1, the stimulation contact
本実施の形態に係る刺激接触効果管理装置300は、1つ又は複数のコンピュータに、本実施の形態で説明する処理内容を記述したプログラムを実行させることにより実現可能である。すなわち、刺激接触効果管理装置300が有する機能は、当該コンピュータに内蔵されるCPUやメモリ、ハードディスクなどのハードウェア資源を用いて、刺激接触効果管理装置300で実施される処理に対応するプログラムを実行することによって実現することが可能である。また、上記プログラムは、コンピュータが読み取り可能な記録媒体(可搬メモリ等)に記録して、保存したり、配布したりすることが可能である。また、上記プログラムをインターネットや電子メールなど、ネットワークを通して提供することも可能である。
The stimulation contact
また、刺激接触効果推定部100と刺激接触効果最適化部200は、別々のコンピュータにより実現される装置であってもよく、その場合、刺激接触効果推定部100を刺激接触効果推定装置と呼び、刺激接触効果最適化部200を刺激接触効果最適化装置と呼ぶことができる。また、刺激接触効果推定装置を個体行動モデル推定装置と呼び、刺激接触効果最適化装置を外部刺激タイミング最適化装置と呼んでもよい。
Further, the stimulation contact
刺激接触効果推定装置と刺激接触効果最適化装置のいずれについても、1つ又は複数のコンピュータに、本実施の形態で説明する処理内容を記述したプログラムを実行させることにより実現可能である。すなわち、当該装置が有する機能は、当該コンピュータに内蔵されるCPUやメモリ、ハードディスクなどのハードウェア資源を用いて、当該装置で実施される処理に対応するプログラムを実行することによって実現することが可能である。また、上記プログラムは、コンピュータが読み取り可能な記録媒体(可搬メモリ等)に記録して、保存したり、配布したりすることが可能である。また、上記プログラムをインターネットや電子メールなど、ネットワークを通して提供することも可能である。 Both the stimulation contact effect estimation device and the stimulation contact effect optimization device can be realized by causing one or a plurality of computers to execute a program describing the processing contents described in the present embodiment. That is, the function of the device can be realized by executing a program corresponding to the process executed by the device using hardware resources such as a CPU, a memory, and a hard disk built in the computer. It is. Further, the program can be recorded on a computer-readable recording medium (portable memory or the like), stored, or distributed. It is also possible to provide the program through a network such as the Internet or electronic mail.
なお、刺激接触効果管理装置300におけるプログラムは、刺激接触効果推定装置におけるプログラムと、刺激接触効果最適化装置におけるいプログラムの両方を有するものである。すなわち、刺激接触効果管理装置300におけるプログラムは、コンピュータを、前記個体行動モデル化装置の各手段、及び、前記外部刺激タイミング最適化装置の各手段として機能させるためのプログラムに相当する。
The program in the stimulation contact
以下、刺激接触効果推定部100と刺激接触効果最適化部200に関する処理内容を詳細に説明する。
Hereinafter, the processing content regarding the stimulation contact
(刺激接触効果推定部100における処理)
まず、刺激接触効果推定部100における処理について説明する。図2は、刺激接触効果推定部100に関する処理手順を示す図である。
(Processing in stimulation contact effect estimation unit 100)
First, processing in the stimulation contact
図2に示すように、ステップ101において、閾値性、逓減性、忘却性のモデル化(ここではモデルの基になる関数や定数を定めること)を行い、ステップ102において、刺激接触効果パラメータの確率分布型の選択を行う。また、ステップ103においては、ステップ101での結果(関数の情報等)、102での結果(選択した確率分布型の情報等)、及び行動データ10と刺激データ20を入力として、全体パラメータ推定部102が、経験ベイズ法に基づく全体パラメータ推定を行う。そして、ステップ104において、刺激接触効果パラメータ推定部103が、刺激接触効果パラメータの推定を行って、刺激接触効果パラメータ及び刺激接触効果(30)を出力する。なお、上記入出力されたデータは、メモリ等の記憶手段に保持され、その後の演算に用いられる。
As shown in FIG. 2, in
上記のステップのうち、ステップ101、102は、刺激接触効果管理装置300の使用者等により、予め行われるものである。また、入力データに関しては、別に観測されたデータを入力してもよいし、入力部101が、行動データ10と刺激データ20を観測する機能を備え、入力部101が当該観測したデータを入力することとしてもよい。いずれにしてもデータを入力することにかわりはない。この点は、入力部201についても同様である。
Of the above steps,
以下、入力データの例、及び各ステップの内容について詳細に説明する。 Hereinafter, an example of input data and the contents of each step will be described in detail.
<入力データについて>
まず、入力データについて説明する。行動データ10は、解析対象であるユーザ(個体)の行動時系列データである。行動データ10は、ユーザID(uと表記)、ユーザu(IDがuであるユーザ)の行動を起こした時刻の系列({tj u}=(t0 u,t1 u,t2 u,・・・)と表記)、観測期間(開始時刻をTs、終了時刻をTeとして[Ts,Te]と表記)から構成される。
<About input data>
First, input data will be described. The
刺激データ20は、各ユーザが接触した刺激の時系列データである。例えばTVCF広告であればユーザが広告を見た時刻の列がデータとして与えられる。この広告の例での行動時系列データは、例えば、商品の購買を行ったイベントの時系列データとして与えられる。
The
<ステップ101:閾値性、逓減性、忘却性のモデル化>
次に、閾値性、逓減性、忘却性のモデル化について説明する。本実施の形態では、「点過程」と呼ばれる確率理論の下で、ユーザの行動が、単位時間当りにユーザが行動を起こす確率λ(t)によって表現される。ここでtは時刻を表す。λ(t)はレートと呼ばれる。刺激接触効果の閾値性、逓減性、忘却性それぞれのモデル化はこのレートを通じて実現される。以下、モデル化の例をいくつか挙げる。ただし以下の数式はユーザuごとの確率の議論であり、簡単のためtj uを単にtjと表記するものとする。
<Step 101: Modeling of threshold, decreasing, and forgetting>
Next, modeling of threshold value, decreasing property, and forgetting property will be described. In the present embodiment, the user's behavior is expressed by a probability λ (t) that the user takes action per unit time under a probability theory called “point process”. Here, t represents time. λ (t) is called the rate. Modeling of the threshold property, the diminishing property, and the forgetting property of the stimulation contact effect is realized through this rate. Here are some examples of modeling. However, the following equation is discussion of probability for each user u, simply shall be denoted as t j a t j u for simplicity.
例1:刺激データが刺激接触時刻で与えられる場合
刺激接触の度にレートが励起されその効果が指数的に忘却される場合、レートλ(t)は
Example 1: When the stimulus data is given by the stimulus contact time. When the rate is excited and the effect is forgotten exponentially at each stimulus contact, the rate λ (t) is
忘却性は指数的な減衰の他に、下記の式(3)に示すベキ的な減衰関数を用いてモデル化してもよい。 Forgetability may be modeled using an exponential attenuation function as shown in the following equation (3) in addition to exponential attenuation.
例2:例1の強度にも逓減性を課した場合
例1では刺激接触強度asは定数であったが、ここでは強度が次のようなダイナミクスを持つと仮定する。
Example 2: In Example 1, stimulation contact strength a s if imposed diminution of the strength of Example 1 was constant, assumed here intensity with dynamics as follows.
例3:刺激データが期間で与えられる場合
例1では刺激接触時刻の情報しか考慮しなかったが、例えば1分間と10分間のテレビCMでは1度の接触で与えるインパクトは異なりうる。その差異をモデルに取り入れる方法の1つとして以下のような方法が考えられる。
Example 3: Case where stimulation data is given by period In Example 1, only information on the stimulation contact time was considered, but the impact given by one contact may differ, for example, in a 1-minute and 10-minute TV CM. The following method can be considered as one of the methods for incorporating the difference into the model.
例4:過去の行動履歴からの影響を考慮する場合
例1〜3では刺激接触の効果のみを考慮していたが、過去の自身の行動によって現在の行動が影響を受ける状況も考えられる。例えば、コーヒーやタバコのような嗜好品では自身の購買が次回の購買を促す場合がある。その場合、Hawkes過程(非特許文献10)を用いることにより、レートを
Example 4: Considering influence from past action history In Examples 1 to 3, only the effect of stimulating contact was considered, but there may be situations where the current action is influenced by the past action. For example, in the case of a luxury item such as coffee or tobacco, the purchase of the user may prompt the next purchase. In that case, by using the Hawkes process (Non-Patent Document 10), the rate is
<ステップ102:刺激接触効果パラメータの確率分布型の選択>
次に、刺激接触効果パラメータの確率分布型の選択について説明する。ステップ101における閾値性、逓減性、忘却性のモデル化では、刺激接触効果パラメータ群(上述の例ではas、bs、a0、a1など)が定義される。そのパラメータ群をまとめてθ≡(as,bs,a0,a1,・・・)と表記し、以後、刺激接触効果パラメータと呼ぶこととする。刺激接触効果パラメータθはユーザごとに異なりうるので、ユーザuのパラメータを特にθuと表記する。
<Step 102: Select probability distribution type of stimulation contact effect parameter>
Next, the probability distribution type selection of the stimulation contact effect parameter will be described. Threshold of the
ユーザ間(個体間)でのパラメータの違いをモデル化するため、刺激接触効果パラメータθu=(θ1 u,θ2 u,θ3 u,・・・)の各成分θl uのユーザ間分布を2変数指数分布族、 In order to model the difference in parameters between users (individuals), between users of each component θ l u of stimulation contact effect parameters θ u = (θ 1 u , θ 2 u , θ 3 u ,...) The distribution is a bivariate exponential family,
<ステップ103:経験ベイズ法に基づく全体パラメータ推定>
次に、全体パラメータ推定部102が実行する経験ベイズ法に基づく全体パラメータ推定の処理について説明する。
<Step 103: Overall Parameter Estimation Based on Experience Bayes Method>
Next, the overall parameter estimation process based on the experience Bayes method executed by the overall
全体パラメータ推定部102は、経験ベイズ法に基づき、全体パラメータμとνを入力データから推定する。まず、各ユーザの刺激接触効果パラメータの尤度関数p({tj u}│θu)は、ステップ101においてパラメータθuの関数としてモデル化されているレートλ(t|θu)を用いて、
The overall
この尤度関数と、ステップ102で選択されたθuの確率分布p(θu|μ,ν)から、ベイズの定理に基づき(μ,ν)に対する周辺尤度関数が次のようにして計算される。
Based on this likelihood function and the probability distribution p (θ u | μ, ν) of θ u selected in
周辺尤度関数p(D│μ,ν)を最大化する(μ,ν)は解析的には求めることができないので、EM法(期待値最大化法)を用いて実行する。EM法の下、周辺尤度を最大化する(μ,ν)は次の更新ルールを繰り返し実行することで得られる。 Since (μ, ν) that maximizes the marginal likelihood function p (D | μ, ν) cannot be obtained analytically, it is executed using the EM method (expected value maximization method). Under the EM method, (μ, ν) that maximizes the marginal likelihood is obtained by repeatedly executing the following update rule.
<ステップ104:刺激接触効果パラメータの推定>
次に、刺激接触効果パラメータ推定部103が実行する刺激接触効果パラメータの推定処理について説明する。なお、以下では、表記の便宜上、推定量を示すハット(^)を、例えば「^μ」のように、変数の頭ではなく、変数の前に記述する場合がある。
<Step 104: Estimation of stimulation contact effect parameter>
Next, the stimulation contact effect parameter estimation process executed by the stimulation contact effect
刺激接触効果パラメータ推定部103は、ステップ103で推定された全体パラメータ(^μ,^ν)を用いて、各ユーザの刺激接触効果パラメータθuを以下のようにして事後平均として推定する。
The stimulation contact effect
以上、説明したように、本実施の形態により、外部刺激に対する個体の行動モデルを推定する個体行動モデル推定装置であって、前記個体に行動を起こさせる外部刺激の時系列データである刺激データと、前記個体の行動イベントの時系列データである行動データとを入力データとして入力する入力手段(例:入力部101)と、刺激接触効果の忘却性を示す関数と、刺激接触効果の閾値性と逓減性を示す関数とに基づいて、単位時間当たりに個体が行動を起こす確率を示す行動確率関数(例:λ(t))が定められており、当該行動確率関数のパラメータ(例:θu)を推定するパラメータ推定手段(例:全体パラメータ推定部102、刺激接触効果推定部103)と、を備え、前記パラメータ推定手段は、前記行動確率関数(例:λ(t|θu))、前記パラメータの確率分布(例:p(θu|μ,ν))、及び前記入力データ(例:D)に基づいて、前記パラメータの個体間分布に関する周辺尤度(例:p(D│μ,ν))が最大になるように前記パラメータを決定することを特徴とする個体行動モデル推定装置が提供される。
As described above, according to the present embodiment, an individual behavior model estimation device that estimates an individual's behavior model with respect to an external stimulus, the stimulation data being time-series data of the external stimulus that causes the individual to act, , Input means (for example, the input unit 101) for inputting behavior data that is time-series data of the behavior event of the individual as input data, a function indicating the forgetting property of the stimulation contact effect, and a threshold property of the stimulation contact effect An action probability function (eg, λ (t)) indicating the probability that an individual will take action per unit time is determined based on a function indicating a decreasing property, and a parameter (eg, θ u ) of the action probability function is determined. ) For estimating the parameter (for example, the overall
前記忘却性を示す関数は、例えば、刺激接触効果の強度を含み、当該強度は、刺激への接触により値が減少し、接触がなければ時間とともに値が増加する関数である(例:ステップ101の例2)。前記行動確率関数は、外部刺激との接触時間の長さと忘却性との畳み込み関数の出力を、閾値性と逓減性とを表す関数に適用した関数であってもよい(例:ステップ101での例3)。前記刺激接触効果の忘却性を示す関数と、前記刺激接触効果の閾値性と逓減性を示す関数とに基づいて得られた関数に、個体の過去の行動履歴からの影響を表す関数を加えた関数を前記行動確率関数として使用することとしてもよい(例:ステップ101での例4)。 The function indicating the forgetting property includes, for example, the intensity of the stimulus contact effect, and the intensity decreases as a result of contact with the stimulus, and increases with time if there is no contact (eg, step 101). Example 2). The behavior probability function may be a function in which the output of the convolution function of the length of contact time with the external stimulus and the forgetting property is applied to the function representing the threshold value and the decreasing property (for example, in step 101) Example 3). A function representing the influence from the past behavior history of the individual was added to the function obtained based on the function indicating the forgetting property of the stimulation contact effect and the function indicating the threshold property and the decreasing property of the stimulation contact effect. A function may be used as the action probability function (Example: Example 4 in Step 101).
また、特に、広告刺激に対する個体の購買行動モデルを推定するために、購買行動モデル推定装置であって、前記個体に購買行動を起こさせる広告刺激の時系列データである刺激データと、前記個体の購買行動イベントの時系列データである購買行動データとを入力データとして入力する入力手段と刺激接触効果の忘却性を示す関数と、刺激接触効果の閾値性と逓減性を示す関数とに基づいて、単位時間当たりに個体が購買行動を起こす確率を示す行動確率関数が定められており、当該行動確率関数のパラメータを推定するパラメータ推定手段と、を備え、前記パラメータ推定手段は、前記行動確率関数、前記パラメータの確率分布、及び前記入力データに基づいて、前記パラメータの個体間分布に関する周辺尤度が最大になるように前記パラメータを決定することを特徴とする購買行動モデル推定装置が提供されてもよい。 Further, in particular, in order to estimate an individual purchase behavior model for an advertisement stimulus, a purchase behavior model estimation device comprising: stimulus data that is time-series data of an advertisement stimulus that causes the individual to make a purchase behavior; and Based on the input means for inputting purchase behavior data that is time-series data of purchase behavior events as input data, the function indicating the forgetting property of the stimulation contact effect, and the function indicating the threshold property and the decreasing property of the stimulation contact effect, An action probability function indicating a probability that an individual will cause a purchase action per unit time is defined, and parameter estimation means for estimating a parameter of the action probability function, the parameter estimation means includes the action probability function, Based on the probability distribution of the parameter and the input data, the parameter is set so that the marginal likelihood related to the inter-individual distribution of the parameter is maximized. It may be provided purchasing behavior model estimation apparatus and determines the meter.
(刺激接触効果最適化部200における処理)
次に、刺激接触効果最適化部200における処理について説明する。図6は、刺激接触効果最適化部200に関する処理手順を示す図である。
(Processing in the stimulation contact effect optimization unit 200)
Next, processing in the stimulation contact
図6に示すように、ステップ200において、行動データ10、刺激データ20、刺激接触効果パラメータ30、及び刺激に関する拘束条件40を入力として、刺激接触効果最適化部200における刺激最適化処理部202が、刺激接触の最適化処理を行って、結果50を出力する。なお、上記入力されたデータは、メモリ等の記憶手段に保持され、その後の演算に用いられる。
As shown in FIG. 6, in
<入力データについて>
入力データのうち、行動データ10、刺激データ20、刺激接触効果パラメータ30は、既に説明したとおりである。
<About input data>
Among the input data, the
刺激に関する拘束条件40は、刺激接触の最適化を図る際の拘束条件であり、例えば広告刺激であれば、広告に割くことのできる予算(あるいは接触回数)、接触させることのできる刺激の最小の間隔、広告の期間などである。
The
<ステップ200:刺激接触の最適化>
刺激最適化処理部202は、以下のようにして、過去の行動データ10、過去の刺激データ20、推定された刺激接触効果パラメータ30、及び刺激に関する拘束条件40に基づいてユーザ毎に接触させる刺激を最適化する。ここでの最適化とは、刺激接触により行動が引き起こされる確率を最大化する刺激を算出することを意味する。
<Step 200: Optimization of stimulation contact>
The stimulus
まず、各ユーザuに対して、過去の行動データ{tj u}、過去の刺激データIu(Ts<t<Te)、推定された刺激接触効果パラメータ^θu、そして接触させる予定の刺激Iu(t>Te)を用いて、レートの予測値^λ(t|^θu,{tj u},Iu(t)))を計算する。次に、予測されたレートの積分値 First, the past action data {t j u }, the past stimulus data I u (T s <t <T e ), the estimated stimulus contact effect parameter ^ θ u , and the user u are to be contacted. using stimulation I u (t> T e) , the predicted value of the rate ^ lambda | calculates the (t ^ θ u, {t j u}, I u (t))). Then, the integral of the predicted rate
刺激接触効果最適化部200の出力部203は、最適化された刺激接触50をユーザ毎に出力する。ステップ101での例1、例2の場合における出力例を図8に示す。ここで示す例は、刺激接触回数が10回の場合の例である。ただし、図8において「最適な刺激接触」は最適な刺激接触時刻を表す。例えばユーザ1はある基準時から0.1、0.2、0.3、・・・週後に刺激を与えるのが最適であることがわかる。また刺激接触効果Zとは、最適な刺激を受けたユーザが起こす行動の回数の期待値を表す。
The
上記のように、刺激最適化処理部202は、刺激データ、行動データ、行動確率関数、及び、刺激接触効果推定部100により推定されたパラメータに基づいて行動確率(レート)の予測値を計算する手段と、前記行動確率の予測値の積分値を最大化する外部刺激のタイミングを算出することにより、外部刺激により引き起こされる各個体の行動の回数の期待値を最大化する外部刺激のタイミングを算出する手段とを有する。
As described above, the stimulus
なお、本発明の適用例として、広告刺激に対する購買行動の例を説明したが、これは一例に過ぎない。本発明は、購買行動以外の個体の行動、例えば広告によって飲食物を決定させる、金融(株式や信託投資や外貨)の市況を伝えて売買取引をさせる、災害時に警報によって避難行動させるなど、個体(ユーザ)に刺激を与えて行動を起こさせるものであれば、様々な状況に適用可能である。 In addition, although the example of the purchase action with respect to an advertisement stimulus was demonstrated as an example of application of this invention, this is only an example. The present invention is an individual behavior other than purchasing behavior, such as determining food and drink by advertisement, telling the market of finance (stocks, trust investment and foreign currency), making a trading transaction, and evacuating by warning in the event of a disaster, etc. Anything can be applied to various situations as long as it stimulates (user) and causes an action.
本発明は、上記の実施の形態に限定されることなく、特許請求の範囲内において、種々変更・応用が可能である。 The present invention is not limited to the above-described embodiments, and various modifications and applications are possible within the scope of the claims.
100 刺激接触効果推定部
101 入力部
102 全体パラメータ推定部
103 刺激接触効果パラメータ推定部
104 出力部
200 刺激接触効果最適化部
201 入力部
202 刺激最適化処理部
203 出力部
300 刺激接触効果管理装置
DESCRIPTION OF
Claims (8)
前記個体に行動を起こさせる外部刺激の時系列データである刺激データと、前記個体の行動イベントの時系列データである行動データとを入力データとして入力する入力手段と、
刺激接触効果の忘却性を示す関数と、刺激接触効果の閾値性と逓減性を示す関数とに基づいて、単位時間当たりに個体が行動を起こす確率を示す行動確率関数が定められており、当該行動確率関数のパラメータを推定するパラメータ推定手段と、を備え、
前記パラメータ推定手段は、前記行動確率関数、前記パラメータの確率分布、及び前記入力データに基づいて、前記パラメータの個体間分布に関する周辺尤度が最大になるように前記パラメータを決定する
ことを特徴とする個体行動モデル推定装置。 An individual behavior model estimation device that estimates an individual behavior model for an external stimulus,
Input means for inputting, as input data, stimulus data that is time-series data of external stimuli that cause the individual to behave, and action data that is time-series data of the action event of the individual;
Based on the function indicating the forgetting property of the stimulating contact effect and the function indicating the threshold property and decreasing property of the stimulating contact effect, an action probability function indicating the probability that the individual takes action per unit time is defined. Parameter estimation means for estimating a parameter of an action probability function,
The parameter estimation means determines the parameter based on the behavior probability function, the probability distribution of the parameter, and the input data so that the marginal likelihood related to the inter-individual distribution of the parameter is maximized. An individual behavior model estimation device.
ことを特徴とする請求項1に記載の個体行動モデル推定装置。 The function indicating the forgetting property includes a strength of a stimulation contact effect, and the strength decreases as a result of contact with the stimulus, and increases with time when there is no contact. 2. The individual behavior model estimation apparatus according to 1.
ことを特徴とする請求項1に記載の個体行動モデル推定装置。 2. The function according to claim 1, wherein the behavior probability function is a function obtained by applying an output of a convolution function of a length of contact time with an external stimulus and a forgetting property to a function representing a threshold property and a decreasing property. Individual behavior model estimation device.
ことを特徴とする請求項1に記載の個体行動モデル推定装置。 A function representing the influence from the past behavior history of the individual was added to the function obtained based on the function indicating the forgetting property of the stimulation contact effect and the function indicating the threshold property and the decreasing property of the stimulation contact effect. The function is used as the behavior probability function. The individual behavior model estimation device according to claim 1, wherein:
前記行動確率の予測値の積分値を最大化する外部刺激のタイミングを算出することにより、外部刺激により引き起こされる各個体の行動の回数の期待値を最大化する外部刺激のタイミングを算出する手段と
を備えることを特徴とする外部刺激タイミング最適化装置。 5. A means for calculating a predicted value of an action probability based on the stimulus data according to claim 1, the action data, the action probability function, and the parameter estimated by the parameter estimation means. When,
Means for calculating the timing of an external stimulus that maximizes the expected value of the number of actions of each individual caused by the external stimulus by calculating the timing of the external stimulus that maximizes the integral value of the predicted value of the action probability; An external stimulus timing optimization device comprising:
前記個体に購買行動を起こさせる広告刺激の時系列データである刺激データと、前記個体の購買行動イベントの時系列データである購買行動データとを入力データとして入力する入力手段と
刺激接触効果の忘却性を示す関数と、刺激接触効果の閾値性と逓減性を示す関数とに基づいて、単位時間当たりに個体が購買行動を起こす確率を示す行動確率関数が定められており、当該行動確率関数のパラメータを推定するパラメータ推定手段と、を備え、
前記パラメータ推定手段は、前記行動確率関数、前記パラメータの確率分布、及び前記入力データに基づいて、前記パラメータの個体間分布に関する周辺尤度が最大になるように前記パラメータを決定する
ことを特徴とする購買行動モデル推定装置。 A purchase behavior model estimation device that estimates an individual purchase behavior model for advertising stimulation,
Input means for inputting, as input data, stimulus data that is time-series data of advertising stimuli that cause the individual to make a purchase behavior, and purchase behavior data that is time-series data of the purchase behavior event of the individual, and forgetting the stimulus contact effect Based on the function indicating sex and the function indicating the threshold value and decreasing property of the stimulation contact effect, an action probability function indicating the probability that the individual takes a purchase action per unit time is determined. Parameter estimation means for estimating parameters,
The parameter estimation means determines the parameter based on the behavior probability function, the probability distribution of the parameter, and the input data so that the marginal likelihood related to the inter-individual distribution of the parameter is maximized. Purchasing behavior model estimation device.
前記個体に行動を起こさせる外部刺激の時系列データである刺激データと、前記個体の行動イベントの時系列データである行動データとを入力データとして入力する入力ステップと
刺激接触効果の忘却性を示す関数と、刺激接触効果の閾値性と逓減性を示す関数とに基づいて、単位時間当たりに個体が行動を起こす確率を示す行動確率関数が定められており、当該行動確率関数のパラメータを推定するパラメータ推定ステップと、を備え、
前記パラメータ推定ステップにおいて、前記個体行動モデル推定装置は、前記行動確率関数、前記パラメータの確率分布、及び前記入力データに基づいて、前記パラメータの個体間分布に関する周辺尤度が最大になるように前記パラメータを決定する
ことを特徴とする個体行動モデル推定方法。 An individual behavior model estimation method executed by an individual behavior model estimation device that estimates an individual behavior model with respect to an external stimulus,
An input step for inputting stimulus data, which is time-series data of external stimuli that cause the individual to behave, and action data, which is time-series data of behavior events of the individual, as input data, and shows forgetability of the stimulus contact effect Based on the function and the function indicating the threshold value and the decreasing property of the stimulus contact effect, an action probability function indicating the probability that the individual takes action per unit time is determined, and the parameter of the action probability function is estimated. A parameter estimation step,
In the parameter estimation step, the individual behavior model estimation device is configured so that, based on the behavior probability function, the probability distribution of the parameter, and the input data, the marginal likelihood related to the inter-individual distribution of the parameter is maximized. An individual behavior model estimation method characterized by determining a parameter.
として機能させるためのプログラム。 A program for causing a computer to function as each unit of the individual behavior modeling device according to any one of claims 1 to 4 and each unit of the external stimulus timing optimization device according to claim 5.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014225538A JP6285846B2 (en) | 2014-11-05 | 2014-11-05 | Individual behavior model estimation device, purchasing behavior model estimation device, external stimulus timing optimization device, individual behavior model estimation method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014225538A JP6285846B2 (en) | 2014-11-05 | 2014-11-05 | Individual behavior model estimation device, purchasing behavior model estimation device, external stimulus timing optimization device, individual behavior model estimation method, and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016091328A true JP2016091328A (en) | 2016-05-23 |
JP6285846B2 JP6285846B2 (en) | 2018-02-28 |
Family
ID=56019363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014225538A Active JP6285846B2 (en) | 2014-11-05 | 2014-11-05 | Individual behavior model estimation device, purchasing behavior model estimation device, external stimulus timing optimization device, individual behavior model estimation method, and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6285846B2 (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017016273A (en) * | 2015-06-29 | 2017-01-19 | 日本電信電話株式会社 | Model estimation method, optimization method, device, and program |
CN111489192A (en) * | 2020-03-27 | 2020-08-04 | 北京理工大学 | Product share trend prediction method integrating ICT supply chain network topological features |
WO2022201435A1 (en) * | 2021-03-25 | 2022-09-29 | 日本電信電話株式会社 | Information processing device, estimation method, and program |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001184429A (en) * | 1999-10-12 | 2001-07-06 | Yuji Saito | Method, device, and recording medium for evaluating advertisement effect |
US20080147485A1 (en) * | 2006-12-14 | 2008-06-19 | International Business Machines Corporation | Customer Segment Estimation Apparatus |
JP2011018331A (en) * | 2009-07-09 | 2011-01-27 | Accenture Global Services Gmbh | Marketing model determination system |
US20140172573A1 (en) * | 2012-12-05 | 2014-06-19 | The Rubicon Project, Inc. | System and method for planning and allocating location-based advertising |
-
2014
- 2014-11-05 JP JP2014225538A patent/JP6285846B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001184429A (en) * | 1999-10-12 | 2001-07-06 | Yuji Saito | Method, device, and recording medium for evaluating advertisement effect |
US20080147485A1 (en) * | 2006-12-14 | 2008-06-19 | International Business Machines Corporation | Customer Segment Estimation Apparatus |
JP2008152321A (en) * | 2006-12-14 | 2008-07-03 | Internatl Business Mach Corp <Ibm> | Customer segment estimation apparatus |
JP2011018331A (en) * | 2009-07-09 | 2011-01-27 | Accenture Global Services Gmbh | Marketing model determination system |
US20140172573A1 (en) * | 2012-12-05 | 2014-06-19 | The Rubicon Project, Inc. | System and method for planning and allocating location-based advertising |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017016273A (en) * | 2015-06-29 | 2017-01-19 | 日本電信電話株式会社 | Model estimation method, optimization method, device, and program |
CN111489192A (en) * | 2020-03-27 | 2020-08-04 | 北京理工大学 | Product share trend prediction method integrating ICT supply chain network topological features |
WO2022201435A1 (en) * | 2021-03-25 | 2022-09-29 | 日本電信電話株式会社 | Information processing device, estimation method, and program |
Also Published As
Publication number | Publication date |
---|---|
JP6285846B2 (en) | 2018-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rizoiu et al. | Expecting to be hip: Hawkes intensity processes for social media popularity | |
Gabaix et al. | Myopia and discounting | |
Lee et al. | Signal, noise, and variation in neural and sensory-motor latency | |
Harrison et al. | Identifying time preferences with experiments: Comment | |
Mavroforakis et al. | Modeling the dynamics of learning activity on the web | |
Ji et al. | A probabilistic multi-touch attribution model for online advertising | |
Juechems et al. | Optimal utility and probability functions for agents with finite computational precision | |
Zhang et al. | Stochastic modeling and prediction for accrual in clinical trials | |
JP6285846B2 (en) | Individual behavior model estimation device, purchasing behavior model estimation device, external stimulus timing optimization device, individual behavior model estimation method, and program | |
Yanuar | The estimation process in Bayesian structural equation modeling approach | |
Kim et al. | Tracking temporal dynamics of purchase decisions via hierarchical time-rescaling model | |
Yadagiri et al. | A non-parametric approach to the multi-channel attribution problem | |
Park et al. | Simple fixed-effects inference for complex functional models | |
Huertas-García et al. | Statistical and cognitive optimization of experimental designs in conjoint analysis | |
Mavroforakis et al. | Modeling the dynamics of online learning activity | |
Chatterjee | Development of uncertainty-based work injury model using Bayesian structural equation modelling | |
Wheeler et al. | Mechanistic hierarchical Gaussian processes | |
JP6357435B2 (en) | SELECTION BEHAVIOR MODELING DEVICE, SELECTION BEHAVIOR PREDICTION DEVICE, METHOD, AND PROGRAM | |
Guure et al. | Bayesian statistical inference of the loglogistic model with interval-censored lifetime data | |
Arai et al. | Inferring oscillatory modulation in neural spike trains | |
JP6042370B2 (en) | Model estimation device, behavior prediction device, method, and program | |
Parmar et al. | Forecasting ad-impressions on online retail websites using non-homogeneous hawkes processes | |
JP6358581B2 (en) | Model estimation method, optimization method, apparatus, and program | |
Falcaro et al. | Analysing censored longitudinal data with non-ignorable missing values: Depression in older age | |
Kafle et al. | Bayesian age-stratified joinpoint regression model: an application to lung and brain cancer mortality |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170111 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180125 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180130 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180202 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6285846 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |