JP2016151840A - 行動予測装置、行動予測方法及び行動予測プログラム - Google Patents

Abstract

【課題】ユーザの行動予測の精度を向上させる。
【解決手段】ユーザの行動を予測する行動予測装置１であって、複数ユーザの訪問順序履歴に依るマルコフ連鎖に基づき各ユーザの現在地が属する現在の訪問カテゴリから次の訪問地が属する次の訪問カテゴリへの遷移確率を各ユーザの移動手段の利用を示す移動モード毎に算出する遷移確率計算部２と、前記訪問順序履歴に依るユーザの次の訪問地候補のスコアをこのユーザの現在地の移動モードに対応した前記遷移確率によって重み付けして新たに算出した当該候補のスコアの値に基づき当該候補から当該ユーザの次の訪問地を抽出する予測部３とを備える。
【選択図】図１

Description

本発明はユーザの行動履歴の遷移に基づきユーザの行動を予測する技術に関する。

ウェブやネットワーク上において、ユーザによる対象の意味や概念に対する参照要求が大きくなるにつれ、体系化したネットワーク百科事典が普及するようになってきている。また、こうしたユーザの要求を人手ではなく、人の代わりにサービスが処理し、ユーザにカスタマイズして提示可能とするため、機械処理可能な概念参照API（Application Programming Interface）が急速に普及しつつある。そして、様々な情報プロバイダが自身の持つ情報を体系化してAPIを通じて安価若しくは無料で提示するようになってきている。

一方、ユーザの興味のある概念を推測し、ユーザに代わり情報を収集提示するような推薦システムも必要とされ、研究されてきた。特に、商品、ユーザの２次元の行列を分解する方法による商品推薦方法が普及しつつあり、特に商品にユーザが与える評点の予測などの分野への応用や実用化が行われるようになってきている。

また、ユーザ、訪問場所の２次元の行列を分解する方法による訪問地予測技術を採用したパーソナルインテリジェントアシスタントサービスが普及しつつある。特に、ユーザが今後どの場所に訪問するか、しないのか、を予測する分野への応用や実用化が行われるようになってきている。

こうした推薦手法の研究に、商品の属する概念を適用することができれば、ユーザがどういう概念に興味を持つのかを把握でき、概念レベルで他ユーザとの興味の近さも測れるためより詳細かつ広範囲にユーザの興味を推定できる可能性がある。

Steffen Rendle, Christoph Freudenthaler , Lars Schmidt-Thieme," Factorizing Personalized Markov Chains for Next-Basket Recommendation ",WWW'2010 , April 26-30, 2010 Makoto Nakatsuji, Yasuhiro Fujiwara, Hiroyuki Toda, Toshio Uchiyama,"Collaborative Filtering by Analyzing Dynamic User Interests Modeled by Taxonomy", ISWC2012 Kyosuke Nishida, Hiroyuki Toda, Takeshi Kurashima, and Yoshihiko Suhara,"Probabilistic Identication of Visited Point-of-Interest for Personalized Automatic Check-in," in Proceedings of the 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing (UbiComp 2014), pp.631-642, Seattle, Washington, US, September 2014 遠藤結城、数原良彦、戸田浩之、小池義昌，「移動手段判定のための表現学習を用いたGPS軌跡からの特徴抽出」，WebDB Forum 2014 Makoto Nakatsuji, Yasuhiro Fujiwara, Hiroyuki Toda, Hiroshi Sawada, Jin Zheng, James A. Hendler ," Semantic Data Representation for Improving Tensor Factorization", July 2014

現在、ユーザの商品に付されたタグに基づく「ユーザ，タグ，商品」という関係とその関係を示す評価値とからなる多次元データを分解することにより、ユーザがまだ購入していない商品を今後購入するかの予測を行う研究が行われている（例えば、非特許文献１）。

非特許文献１の方法は、マルコフ連鎖に基づきユーザの行動を予測する際、ユーザ単一の行動から次の行動を予測すると、希薄問題に陥る。そこで、類似する行動遷移を採るユーザ群の行動集合をテンソルで表現（ユーザ、前の行動、次の行動）し、テンソル分解にもとづき次の行動を予測する際に、類似するユーザ行動の知識を利用する方法が考えられる。しかしながら、この手法は、オブジェクトのセマンティクスを用いないため、過去に訪問した場所と全く異なる場所の行動を予測することはできない。

また、前記多次元データは各次元をクロスしたデータ間の取りうる関係の数が非常に多いが、観測されているデータ数は少なく、この場合、分析の結果の精度が劣るものとなることがわかっている。特に、購買の遷移までを考慮した次の購買予測になると、購買の組合せが重要となるが、そうした組合せの観測は希薄な商品であればあるほど少なくなる。

こうした観測が採り得る可能性に対し希薄になる場合に起こる希薄問題に対して、カテゴリ情報を用いて次に購買される商品群の予測の精度を上げる方法の検討がなされている（例えば、非特許文献２）。

非特許文献２の方法は、ユーザの直近の消費活動に基づき、次の消費活動群を予測する。直近の消費活動のみを考慮すると次の消費活動群の予測の精度は良い。直近の活動のみを考慮するとなると、訓練データのデータ量が減少し、希薄問題に陥る。そこで、オブジェクトのセマンティクスを活用し、予測精度をあげる方法が考えられる。

しかしながら、非特許文献２の方法は、あくまで購買される確率の高い商品群の予測であり、訪問地予測のように、過去の訪問遷移を元に、次の単一の訪問地を予測するという方法には適用できない。

本発明は、上記の事情に鑑み、ユーザの行動予測の精度を向上させることを課題とする。

そこで、本発明は、ユーザの現在地の属する現在の訪問カテゴリから次の訪問地の属する次の訪問カテゴリへの遷移確率を当該次の訪問カテゴリに属する複数の訪問地候補の各スコアに対して重み付けを行う。そして、この重み付けされた訪問地候補のスコアの値に基づき前記ユーザの次の訪問地を抽出する。

本発明の行動予測装置の態様としては、ユーザの行動を予測する行動予測装置であって、複数ユーザの訪問順序履歴に依るマルコフ連鎖に基づき各ユーザの現在地が属する現在の訪問カテゴリから次の訪問地が属する次の訪問カテゴリへの遷移確率を各ユーザの移動手段の利用を示す移動モード毎に算出する遷移確率計算手段と、前記訪問順序履歴に依るユーザの次の訪問地候補のスコアをこのユーザの現在地の移動モードに対応した前記遷移確率によって重み付けして新たに算出した当該候補のスコアの値に基づき当該候補から当該ユーザの次の訪問地を抽出する予測手段を備える。

本発明の行動予測方法の態様としては、ユーザの行動を予測する行動予測装置が実行する行動予測方法であって、複数ユーザの訪問順序履歴に依るマルコフ連鎖に基づき各ユーザの現在地が属する現在の訪問カテゴリから次の訪問地が属する次の訪問カテゴリへの遷移確率を各ユーザの移動手段の利用を示す移動モード毎に算出する遷移確率計算ステップと、前記訪問順序履歴に依るユーザの次の訪問地候補のスコアをこのユーザの現在地の移動モードに対応した前記遷移確率によって重み付けして新たに算出した当該候補のスコアの値に基づき当該候補から当該ユーザの次の訪問地を抽出する予測ステップを有する。

尚、本発明は上記装置の各手段としてコンピュータを機能させるプログラム若しくは上記方法の各ステップをコンピュータに実行させるプログラムの態様とすることもできる。

以上の発明によれば、ユーザの行動予測の精度が向上する。

本発明の実施形態における行動予測装置のブロック構成図。 地域セルを特定する過程の説明図。 訪問地候補を抽出する過程の説明図。 予測部のブロック構成図。 行動予測の過程を説明したフロー図。 次の訪問地の予測する過程を説明したフロー図。

以下、図面を参照しながら本発明の実施の形態について説明するが本発明はこの実施形態に限定されるものではない。

（概要）
現在の状況は、過去の状況に依存するというマルコフ連鎖の理論がある。以下に述べる本発明はこの理論にもとづき、次の状態をマルコフ連鎖にもとづき予測する。

また、例えば、ユーザＡが音楽カテゴリ「ロック」の下位のカテゴリである「クラシックロック」に属するアーチスト「甲」に興味を持っているとする。一方、ユーザＢが音楽カテゴリ「ロック」の下位のカテゴリである「ギターロック」に属するアーチスト「乙」に興味を持っているとする。この両者は、直接属する音楽カテゴリが相違するが、その上位の音楽カテゴリは共通したものとなっている。このことから、両者はロックというカテゴリにおいて密接な関連性があるものと考えられる。このような事例を踏まえ、本実施形態の技術思想は、予測対象が直接属するカテゴリのみならずこのカテゴリの概念的に上位のカテゴリに依る関係も当該対象の遷移データの取得の際に考慮することにより、予想対象の遷移予測の精度を高めている。

図１に例示した本実施形態の行動予測装置１は、ユーザの現在地の属する現在の訪問カテゴリから次の訪問地の属する次の訪問カテゴリへの遷移確率を、当該次の訪問カテゴリに属する複数の訪問地候補の各スコアに対して、重み付けを行う。そして、この重み付けされた訪問地候補のスコアの値に基づき前記ユーザの次の訪問地を抽出する。

（装置の構成）
すなわち、行動予測装置１は、遷移確率計算部２と予測部３とを備える。

遷移確率計算部２は、複数ユーザの訪問順序履歴に依るマルコフ連鎖に基づき各ユーザの現在地が属する現在の訪問カテゴリから次の訪問地が属する次の訪問カテゴリへの遷移確率を各ユーザの移動手段の利用を示す移動モード毎に算出する。

予測部３は、前記訪問順序履歴に依るユーザの次の訪問地候補のスコアをこのユーザの現在地の移動モードに対応した前記遷移確率によって重み付けして新たに算出した当該候補のスコアの値に基づき当該候補から当該ユーザの次の訪問地を抽出する。

予測部３は、図４に示したように、その具体的な構成要素として、情報取得部３１、地域セル特定部３２、候補抽出部３３及びスコア計算部３４を備える。

情報取得部３１は、前記ユーザの直近の訪問履歴からこのユーザの現在地の直前の訪問地とこの訪問地の属する現在の訪問カテゴリを取得すると共に当該ユーザの移動軌跡からこのユーザの移動モードを取得する。

地域セル特定部３２は、前記ユーザの現在地が属する特定の地域を示す地域セルを特定する。

候補抽出部３３は、前記取得されたユーザの移動モードに対応した当該ユーザの前記遷移確率と前記取得されたこのユーザの現在の訪問カテゴリとに基づき前記地域セルに起因する次の訪問地が属する次の訪問カテゴリの候補を抽出する。

スコア計算部３４は、前記遷移確率と前記次の訪問カテゴリの候補に属する複数の訪問地候補の各スコアとの積により各訪問地候補のスコアを新たに算出して当該スコアの値に基づき抽出された訪問地候補を前記ユーザの次の訪問地として決定する。

以上の行動予測装置１の機能部２，３（３１〜３４）はコンピュータのハードウェアリソースによって実現される。すなわち、行動予測装置１は、少なくとも演算装置（ＣＰＵ）、記憶装置（メモリ、ハードディスク装置等）、通信インタフェース等のコンピュータに係るハードウェアリソースを備える。そして、これらのハードウェアリソースがソフトウェアリソース（ＯＳ、アプリケーション等）と協働することにより各機能部２，３が実装される。また、各々のコンピュータに機能部２，３（３１〜３４）を各々実装させるようにしてもよい。

（本実施形態の行動予測の過程）
図１〜６を参照しながら本実施形態の行動予測の過程について説明する。

Ｓ１：遷移確率計算部２は、複数ユーザの訪問順序履歴と各ユーザの現在地とに基づき各ユーザの現在地が属する現在の訪問カテゴリから次の訪問地が属する次の訪問カテゴリへの遷移確率を各ユーザの移動モード毎に算出する。

本ステップでは、各ユーザの訪問遷移が移動モード毎に訪問カテゴリのレベルで算出される。例えば、ユーザＡが、移動モードとして、車に乗って、和食レストランＡを訪問後、ショットバーＢを訪問したと仮定する。この場合、訪問カテゴリのレベルで整理すると、ユーザＡは和食レストランを訪問した後にバーを訪問したことの遷移（和食レストラン→バー）が取得される。この遷移は、全てのユーザの移動モード（車）に対して、ある地域のセル毎に取得される。これにより、訪問カテゴリのレベルでの単純マルコフ連鎖に基づき現在の訪問カテゴリX_nを訪れた後に次の訪問カテゴリX_n+1を訪問する遷移確率を計算できる。

訪問遷移は、ユーザの前記チェックイン履歴やユーザの滞留点予測技術（例えば、非特許文献３）等を用いれば取得できる。地域の区切りかたは、特定の地域、例えば、鎌倉、箱根等の市レベルまたは観光地レベルで行われる。尚、各区切られた地域を、以下、「地域セル」と称する。

移動モードは、ユーザがどのような種類（例えば、車、電車）の移動手段を利用しているのかを示す。移動モードは、行動予測装置１に具備されたＧＰＳ機能によって取得されるＧＰＳ軌跡つまり移動軌跡からユーザの移動手段を推定する周知の判定技術（例えば、非特許文献４）を適用した判定手段によって判定できる。

Ｓ２：予測部３は、前記訪問順序履歴に依るユーザの次の訪問地候補のスコアをこのユーザの現在地の移動モードに対応した前記遷移確率によって重み付けして新たに算出した当該候補のスコアの値に基づき当該候補から当該ユーザの次の訪問地を抽出する。

図６を参照してステップＳ２の具体的なステップＳ２０１〜Ｓ２０４について説明する。

Ｓ２０１：情報取得部３１は、行動予測装置１のＧＰＳ機能によってユーザの現在地を取得する。また、このユーザの直近の訪問履歴から現在地の直前の訪問地とこの訪問地の属する現在の訪問カテゴリを取得する。さらに、ユーザの移動手段を推定する前記周知の判定技術に基づく判定手段によって前記ユーザの移動モードを取得する。

前記ユーザの直近の訪問履歴は、ユーザのチェックイン履歴を利用すれば取得できる。このチェックイン履歴情報は、例えば、位置情報に基づいた周知のソーシャル・ネットワーキング・サービスのウェブサイトとそのモバイルアプリケーションによって取得できる。

Ｓ２０２：地域セル特定部３２は、前記ユーザの現在地が属する特定の地域を示す地域セルを特定する。現在地は前記ＧＰＳ機能を用いて緯度、経度を取得する。本ステップにおいては、例えば図２に示したようなユーザの現在地が属する地域セルが特定される。

Ｓ２０３：候補抽出部３３は、ステップＳ１で算出された移動モード毎の訪問カテゴリの遷移確率P_ijと、ステップＳ２０１で取得された前記ユーザの現在の訪問カテゴリC_iと、当該ユーザの現在の移動モードとに基づき、ステップＳ２０２で特定された地域セルに起因する次の訪問カテゴリの候補である訪問カテゴリC_jを抽出する。

遷移確率P_ijは、図３に示したように現在の訪問カテゴリC_iから次の訪問地が属する次の訪問カテゴリC_jへの遷移確率を意味する（ｊは複数候補がある）。

Ｓ２０４：スコア計算部３４は、現在の訪問カテゴリC_iから次の訪問カテゴリC_jへの遷移確率P_ijと次の訪問カテゴリC_jに属する複数の訪問地候補kの各スコアV_jkとの積により、次の訪問地候補のスコアを新たに算出する。

前記複数の訪問地候補ｋは、例えば、訪問カテゴリC_jから非特許文献５に開示された方法によって取得された次の訪問地の候補であって、個々の訪問地候補ｋにはスコアV_jkが付けられている。スコアV_jkは、ステップＳ１で取得された複数ユーザの訪問順序履歴に基づく協調フィルタリングによって評価された値を示す。

前記新たに算出された次の訪問地候補のスコアは、０から１の範囲での正規分布に正規化される。この正規化された候補のスコアはその値の順にランキングされて、例えばランキングが上位の訪問候補が次の訪問地として抽出される。

以上のように抽出された訪問地は行動予測装置１の表示部（ディスプレイ）またはネットワークを介して他のユーザ（例えば消費者）やマーケットリサーチャーに提示される。

（本実施形態の効果）
本実施形態の行動予測装置１によれば、地域セル毎に訪問地が属する訪問カテゴリの遷移確率P_ijを計算し、訪問地候補のスコアV_jk（地域セルを考慮しないで計算されたもの）を考慮することにより、ユーザ個人の傾向も加味する。

ユーザの現時点の訪問地は必ずしも同じ地域セルに属するとは限らない。訪問地のカテゴリレベルの遷移を考慮すれば、地域セル毎の特色のある遷移を得ることができる。特に、本実施形態においては、遷移確率P_ijによって候補地候補のスコアV_jkを重み付けすることにより、ユーザが訪問する確率の高い地域セルの候補地を得ることができる。

したがって、行動予測装置１によれば、カテゴリの背景知識を活用し、次の行動の予測精度を向上させることができる。このことは、ユーザの購買の予測、ユーザの訪問地の予測等に有用であり、マーケティングからユーザナビゲーション等、多くのアプリケーションを促進するため、今後の産業面での活用が期待できる。

特に、複数の訪問地候補（各候補はスコアを有する）は、非特許文献５の方法によって獲得できるので、その部分でユーザ毎に特化した訪問地候補となる。しかし、ユーザが過去に訪問した事のない地域セルでの訪問地候補は、必ずしも、地域セル内に十分な履歴があるとは限らない。さらに、ユーザは同じカテゴリの訪問地を連続して訪問するとも限らない（ユーザが飽きることがあるので）。カテゴリレベルの遷移確率はそうした問題を解決できる。こうして、ユーザに特化した訪問地候補とカテゴリ遷移を用いて、希薄問題を解決し、多様性も確保した訪問地の提示ができる。

一方、従来の非特許文献１は、カテゴリを用いた希薄問題を解いていない。また、非特許文献２は、「複数アイテム」の属するカテゴリから、次に購入する「複数アイテム」を予測する。これは、今回の単一場所から次の単一場所を予測する問題には利用できない。

これに対して、行動予測装置１は、ユーザの現在位置をカテゴリレベルで捉えて、カテゴリを用いた遷移確率を用い、次の訪問カテゴリC_jを想定し、この訪問カテゴリC_jに含まれる現在の地域セルで訪問する確率が高い訪問地jを決定する。したがって、非特許文献１，２等の従来の方法とは格別顕著にユーザの行動予測の精度を飛躍的に向上させることができる。

また、ステップＳ２のＳ２０４においては、スコアが新たに算出された訪問地候補がそのスコアの値に基づき序列されるので、例えば、嗜好が類似する消費者や市場調査を行う者にとって有用な消費者の地理的な遷移情報を優先的に取得できる。

さらに、前記訪問地候補のスコアは、ユーザの訪問順序履歴に基づく協調フィルタリングによって付与された値であるので、複数のユーザの嗜好に依存した次の訪問地の候補を客観的に評価できる。

（本発明の他の態様）
本発明は、行動予測装置１を構成する上記の機能部２，３（３１〜３４）の一部若しくは全てとしてコンピュータを機能させるプログラムで構成しこれを当該コンピュータに実行させることにより実現できる。または、同装置１が実行する上記のステップＳ１，Ｓ２（Ｓ２０１〜Ｓ２０４）の一部若しくは全てをコンピュータに実行させるプログラムで構成しこれを当該コンピュータに実行させることにより実現できる。そして、このプログラムをそのコンピュータが読み取り可能な周知の記録媒体（例えば、ハードディスク、フレキシブルディスク、ＣＤ−ＲＯＭ等）に格納して提供できる。または、前記プログラムをインターネットや電子メール等でネットワークを介して提供できる。

尚、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。

１…行動予測装置
２…遷移確率計算部（遷移確率計算手段）
３…予測部（予測手段）
３１…情報取得部（情報取得手段）
３２…地域セル特定部（セル特定手段）
３３…候補抽出部（候補抽出手段）
３４…スコア計算部（スコア計算手段）

Claims (8)

1. ユーザの行動を予測する行動予測装置であって、
   複数ユーザの訪問順序履歴に依るマルコフ連鎖に基づき各ユーザの現在地が属する現在の訪問カテゴリから次の訪問地が属する次の訪問カテゴリへの遷移確率を各ユーザの移動手段の利用を示す移動モード毎に算出する遷移確率計算手段と、
   前記訪問順序履歴に依るユーザの次の訪問地候補のスコアをこのユーザの現在地の移動モードに対応した前記遷移確率によって重み付けして新たに算出した当該候補のスコアの値に基づき当該候補から当該ユーザの次の訪問地を抽出する予測手段と
   を備えたことを特徴とする行動予測装置。
2. 前記予測手段は、
   前記ユーザの直近の訪問履歴からこのユーザの現在地の直前の訪問地とこの訪問地の属する現在の訪問カテゴリを取得すると共に当該ユーザの移動軌跡からこのユーザの移動モードを取得する情報取得手段と、
   前記ユーザの現在地が属する特定の地域を示す地域セルを特定するセル特定手段と、
   前記取得されたユーザの移動モードに対応した当該ユーザの前記遷移確率と前記取得されたこのユーザの現在の訪問カテゴリとに基づき前記地域セルに起因する次の訪問地が属する次の訪問カテゴリの候補を抽出する候補抽出手段と、
   前記遷移確率と前記次の訪問カテゴリの候補に属する複数の訪問地候補の各スコアとの積により各訪問地候補のスコアを新たに算出して当該スコアの値に基づき抽出された訪問地候補を前記ユーザの次の訪問地として決定するスコア計算手段と
   を備えたことを特徴とする請求項１に記載の行動予測装置。
3. 前記予測手段は前記スコアが新たに算出された訪問地候補をそのスコアの値に基づき序列させることを特徴とする請求項１または２に記載の行動予測装置。
4. 前記訪問順序履歴に依るユーザの次の訪問地候補のスコアは当該訪問順序履歴に基づく協調フィルタリングによって評価された値であることを特徴とする請求項１から３のいずれか１項に記載の行動予測装置。
5. ユーザの行動を予測する行動予測装置が実行する行動予測方法であって、
   複数ユーザの訪問順序履歴に依るマルコフ連鎖に基づき各ユーザの現在地が属する現在の訪問カテゴリから次の訪問地が属する次の訪問カテゴリへの遷移確率を各ユーザの移動手段の利用を示す移動モード毎に算出する遷移確率計算ステップと、
   前記訪問順序履歴に依るユーザの次の訪問地候補のスコアをこのユーザの現在地の移動モードに対応した前記遷移確率によって重み付けして新たに算出した当該候補のスコアの値に基づき当該候補から当該ユーザの次の訪問地を抽出する予測ステップと
   を有することを特徴とする行動予測方法。
6. 前記予測ステップは、
   前記ユーザの直近の訪問履歴からこのユーザの現在地の直前の訪問地とこの訪問地の属する現在の訪問カテゴリを取得すると共に当該ユーザの移動軌跡からこのユーザの移動モードを取得する情報取得ステップと、
   前記ユーザの現在地が属する特定の地域を示す地域セルを特定するセル特定手段と、
   前記取得されたユーザの移動モードに対応した当該ユーザの前記遷移確率と前記取得されたこのユーザの現在の訪問カテゴリとに基づき前記地域セルに起因する次の訪問地が属する次の訪問カテゴリの候補を抽出する候補抽出ステップと、
   前記遷移確率と前記次の訪問カテゴリの候補に属する複数の訪問地候補の各スコアとの積により各訪問地候補のスコアを新たに算出して当該スコアの値に基づき抽出された訪問地候補を前記ユーザの次の訪問地として決定するスコア計算ステップと
   を有することを特徴とする請求項５に記載の行動予測方法。
7. 前記予測ステップでは、前記スコアが新たに算出された訪問地候補をそのスコアの値に基づき序列させること
   を特徴とする請求項５または６に記載の行動予測方法。
8. コンピュータを請求項１から４のいずれか１項に記載の行動予測装置を構成する各手段として機能させることを特徴とする行動予測プログラム。

Images