JP2016181062A - 投稿文から投稿者のプロフィール項目を分析する投稿者分析装置、プログラム及び方法 - Google Patents
投稿文から投稿者のプロフィール項目を分析する投稿者分析装置、プログラム及び方法 Download PDFInfo
- Publication number
- JP2016181062A JP2016181062A JP2015060179A JP2015060179A JP2016181062A JP 2016181062 A JP2016181062 A JP 2016181062A JP 2015060179 A JP2015060179 A JP 2015060179A JP 2015060179 A JP2015060179 A JP 2015060179A JP 2016181062 A JP2016181062 A JP 2016181062A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- user
- vector
- profile item
- predicate term
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
また、Web文書中のリンク(co-citation)と、Web文書の内容(テキスト情報)とに基づく分類結果を、識別器を用いて組み合わせて、Web文書群を分類する技術もある(例えば非特許文献2参照)。
更に、twitterの投稿者を対象として、その交流関係に基づいて、コミュニティを抽出する技術もある(例えば非特許文献3参照)。
更に、ユーザ自ら記述したプロフィール項目だけでなく、SNSサイトサーバから得られる投稿者間の交流関係を用いて、投稿者が属するコミュニティを抽出し、そのコミュニティの特徴から投稿者のプロフィールを推定する技術もある(例えば特許文献1参照)。
投稿文a「さっそくコンビニSに行って、ウォレットAを使った」
投稿文b「もしウォレットAが使えたらコンビニSに行くのに」
投稿文a及びbの両方とも、単語「ウォレットA」「コンビニS」「行く」「使う」が出現する。ここで、投稿文aのユーザaは、「ウォレットA」を所持しているのに対し、一方で、投稿文bのユーザbは、「ウォレットA」を所持していない。即ち、プロフィール項目「ウォレットA」は、ユーザaには登録できるが、ユーザbには登録できない。このように、マーケティングの動向調査として、ユーザがどのような商品又は役務を所持しているかを、投稿文のみから推定することは難しい。
複数の学習投稿文にプロフィール項目を対応付けて記憶する学習投稿文記憶手段と、
学習投稿文から学習述語項構造を抽出する学習述語項構造抽出手段と、
全ての学習述語項構造を要素ビットの列とした定義ベクトルを設定し、プロフィール項目毎に、各学習投稿文から学習述語項構造の学習ベクトルを生成する学習ベクトル生成手段と、
投稿者のユーザ投稿文からユーザ述語項構造を抽出するユーザ述語項構造抽出手段と、
ユーザ投稿文から、定義ベクトルに対応するユーザ述語項構造のユーザベクトルを生成するユーザベクトル生成手段と、
プロフィール項目毎の学習ベクトルの群を用いて、ユーザベクトルに最も類似する学習ベクトルを判定し、当該学習ベクトルの学習投稿文に対応付けられたプロフィール項目を、当該投稿者に対応付けて登録するプロフィール項目推定手段と
を有することを特徴とする。
ユーザベクトルを入力し、当該プロフィール項目の正否のみ出力する機械学習モデルであって、各プロフィール項目専用に複数の学習投稿文の学習ベクトルを用いて内部パラメータを構築する機械学習手段を更に有し、
プロフィール項目推定手段は、機械学習手段にユーザベクトルを入力し、正と判定されたプロフィール項目のみを、投稿者に対応付けて登録することも好ましい。
機械学習手段は、各プロフィール項目専用に正否を判定する複数のサポートベクタマシン、又は、One-VS-Other型識別器であることも好ましい。
学習述語項構造抽出手段及びユーザ述語項構造抽出手段は、述語項構造に、述語の後に続く助動詞から得られる「肯定/否定」及び/又は「時制(現在/未来/過去)」に基づく付加情報を含むように抽出することも好ましい。
各述語項構造に対して、赤池情報量規準(AIC:Akaike's Information Criterion)を用いて、情報量規準値Infoを以下のように算出する情報量規準値算出手段を更に有し、
n11=当該述語項構造を含む投稿文の中で、
当該プロフィール項目を正とする投稿数
n12=当該述語項構造を含む投稿文の中で、
当該プロフィール項目を否とする投稿数
n21=当該述語項構造を含まない投稿文の中で、
当該プロフィール項目を正とする投稿数
n22=当該述語項構造を含まない投稿文の中で、
当該プロフィール項目を否とする投稿数
N=n11+n12+n21+n22
MLL_IM=(n11+n12) log(n11+n12)+(n11+n21) log(n11+n21)
+(n21+n22) log(n21+n22)+(n12+n22) log(n12+n22)−2 N log N
MLL_DM=n11 log n11+n12 log n12+n21 log n21+n22 log n22−N log N
AIC_IM=-2 × MLL_IM + 2×2
AIC_DM=-2 × MLL_DM + 2×3
Info=AIC_IM − AIC_DM
学習ベクトル生成手段は、情報量規準値Infoが所定閾値以上又は高い順の所定個数となる述語項構造のみを要素ビットとするベクトルを生成することも好ましい。
投稿者毎に、自ら設定した設定プロフィール項目を有し、
プロフィール項目推定手段は、当該プロフィール項目に対する認定確率を出力するものであり、
設定プロフィール項目毎に、各プロフィール項目に対する属性確率を記憶した属性確率記憶手段と、
投稿者における当該プロフィール項目毎に、認定確率に属性確率を乗算した推定確率を出力する推定確率算出手段と
を更に有することも好ましい。
複数の学習投稿文にプロフィール項目を対応付けて記憶する学習投稿文記憶手段と、
学習投稿文から学習述語項構造を抽出する学習述語項構造抽出手段と、
全ての学習述語項構造を要素ビットの列とした定義ベクトルを設定し、プロフィール項目毎に、各学習投稿文から学習述語項構造の学習ベクトルを生成する学習ベクトル生成手段と、
投稿者のユーザ投稿文からユーザ述語項構造を抽出するユーザ述語項構造抽出手段と、
ユーザ投稿文から、定義ベクトルに対応するユーザ述語項構造のユーザベクトルを生成するユーザベクトル生成手段と、
プロフィール項目毎の学習ベクトルの群を用いて、ユーザベクトルに最も類似する学習ベクトルを判定し、当該学習ベクトルの学習投稿文に対応付けられたプロフィール項目を、当該投稿者に対応付けて登録するプロフィール項目推定手段と
してコンピュータを機能させることを特徴とする。
装置は、複数の学習投稿文にプロフィール項目を対応付けて記憶する学習投稿文記憶部を有し、
装置は、学習フェーズとして、
学習投稿文から学習述語項構造を抽出する第11のステップと、
全ての学習述語項構造を要素ビットの列とした定義ベクトルを設定し、プロフィール項目毎に、各学習投稿文から学習述語項構造の学習ベクトルを生成する第12のステップと
を有し、
装置は、推定フェーズとして、
投稿者のユーザ投稿文からユーザ述語項構造を抽出する第21のステップと、
ユーザ投稿文から、定義ベクトルに対応するユーザ述語項構造のユーザベクトルを生成する第22のステップと、
プロフィール項目毎の学習ベクトルの群を用いて、ユーザベクトルに最も類似する学習ベクトルを判定し、当該学習ベクトルの学習投稿文に対応付けられたプロフィール項目を、当該投稿者に対応付けて登録する第23のステップと
を有することを特徴とする。
投稿者分析装置1は、<学習フェーズ>として、学習投稿文記憶部110と、学習述語項構造抽出部111と、学習ベクトル生成部112と、情報量規準値算出部113とを有する。
また、投稿者分析装置1は、<推定フェーズ>として、ユーザ投稿文取得部120と、ユーザ述語項構造抽出部121と、ユーザベクトル生成部122と、プロフィール項目推定部123と、機械学習部131と、属性確率記憶部132と、推定確率算出部133とを有する。
これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、これら機能構成部の処理の流れは、投稿者分析方法としても理解できる。
図3は、学習フェーズの処理を表す説明図である。
学習投稿文記憶部110は、複数の学習投稿文にプロフィール項目を対応付けて記憶する。学習投稿文は、不特定多数の第三者によって過去に投稿された多数のコメント文章であってもよい。これら学習投稿文は、プロフィール項目が明確な投稿文であって、ネットワークを介してブログサーバ3から受信したものであってもよい。
学習述語項構造抽出部111は、学習投稿文から学習述語項構造を抽出する。
最初に、学習述語項構造抽出部111は、形態素解析によって、学習投稿文毎に形態素に分割する。「形態素解析」とは、文章を、意味のある単語に区切り、辞書を利用して品詞や内容を判別する技術をいう。「形態素」とは、文章の要素のうち、意味を持つ最小の単位を意味する。
学習ベクトル生成部112は、全ての学習述語項構造を要素ビットの列とした定義ベクトルを設定する。具体的には、学習述語項構造毎に「要素ビット」を割り当てる。そして、当該学習投稿文に、当該学習述語項構造Sjが含まれていたら、その要素ビットに「1」をセットする。また、当該述語項構造Sjが含まれていなければ、その要素ビットを「0」にリセットする。
学習投稿文 ベクトル{S1, S2, S3,・・・, S(n)}
1 { 1 , 0, 0, ・・・, 1 }
2 { 0 , 1, 0, ・・・, 0 }
・・・ ・・・
これによって、各学習投稿文を、n次元の要素ビット列のベクトルとして表すことができる。
プロフィール項目Aの学習投稿文 ベクトル{S1, S2, S3,・・・, S(n)}
1 { 1 , 0, 0, ・・・, 1 }
5 { 0 , 0, 1, ・・・, 0 }
・・・ ・・・
プロフィール項目Bの学習投稿文 ベクトル{S1, S2, S3,・・・, S(n)}
2 { 0 , 1, 0, ・・・, 0 }
3 { 1 , 0, 1, ・・・, 0 }
・・・ ・・・
・・・・・
学習投稿文 ベクトル{S1, S2, S2,・・・, S(n)} プロフィール項目A
1 { 1 , 0, 0, ・・・, 1 } +1(利用)
2 { 0 , 1, 0, ・・・, 0 } -1(未利用)
・・・ ・・・ ・・・
同様に、学習投稿文毎に、プロフィール項目Bを利用したユーザからの投稿か否かをラベル値(+1,-1)として付与するものであってもよい。
学習投稿文 ベクトル{S1, S2, S2,・・・, S(n)} プロフィール項目B
1 { 1 , 0, 0, ・・・, 1 } -1(未利用)
2 { 0 , 1, 0, ・・・, 0 } +1(利用)
・・・ ・・・ ・・・
情報量規準値算出部113は、各述語項構造に対して、赤池情報量規準(AIC:Akaike's Information Criterion)を用いて、情報量規準値Infoを以下のように算出する。
n11=当該述語項構造を含む投稿文の中で、
当該プロフィール項目を正とする投稿数
n12=当該述語項構造を含む投稿文の中で、
当該プロフィール項目を否とする投稿数
n21=当該述語項構造を含まない投稿文の中で、
当該プロフィール項目を正とする投稿数
n22=当該述語項構造を含まない投稿文の中で、
当該プロフィール項目を否とする投稿数
N=n11+n12+n21+n22
MLL_IM=(n11+n12) log(n11+n12)+(n11+n21) log(n11+n21)
+(n21+n22) log(n21+n22)+(n12+n22) log(n12+n22)−2 N log N
MLL_DM=n11 log n11+n12 log n12+n21 log n21+n22 log n22−N log N
AIC_IM=-2 × MLL_IM + 2×2
AIC_DM=-2 × MLL_DM + 2×3
Info=AIC_IM − AIC_DM
図4は、推定フェーズの処理を表す説明図である。
ユーザ投稿文取得部120は、SNSサイトサーバ2から、分析対象者の過去の投稿文を取得する。勿論、投稿者分析装置1が、分析対象者の投稿文を予めデータベースに蓄積したものであってもよい。尚、実施形態として、その分析対象者のグループに属する複数のメンバ投稿者の投稿文(プロフィール文を含む)も、その分析対象者の投稿文として取得するものであってもよい。
ユーザ述語項構造抽出部121は、投稿者のユーザ投稿文からユーザ述語項構造を抽出する。述語項構造の抽出は、前述した学習述語項構造抽出部111の処理と全く同じである。
ユーザベクトル生成部122は、ユーザ投稿文から、定義ベクトルに対応するユーザ述語項構造のユーザベクトルを生成する。ユーザベクトルの生成も、前述した学習ベクトル生成部112の処理と全く同じである。
プロフィール項目推定部123は、プロフィール項目毎の学習ベクトルの群を用いて、ユーザベクトルに最も類似する学習ベクトルを判定し、当該学習ベクトルの学習投稿文に対応付けられたプロフィール項目を、当該投稿者に対応付けて登録する。例えば、プロフィール項目毎の学習ベクトルの群から重心ベクトルを算出し、ユーザベクトルに最も類似する重心ベクトルを検索し、その重心ベクトルに基づくプロフィール項目を推定するものであってもよい。
機械学習部131は、プロフィール項目推定部123からユーザベクトルを入力し、当該プロフィール項目の正否のみを出力する機械学習モデルである。機械学習モデルは、各プロフィール項目専用に複数の学習投稿文の学習ベクトルを用いて内部パラメータを構築する。
SVM-Aは、プロフィール項目Aに基づく学習投稿文の多数の学習ベクトルを入力することによって、プロフィール項目A専用の正否を判定する内部パラメータを構築する。そして、SVM-Aは、プロフィール項目推定部123から入力したユーザベクトルが、プロフィール項目Aに対して正か否かを、プロフィール項目推定部123へ出力する。このとき、プロフィール項目Aの認定確率P(A)を算出することも好ましい。
SVM-Bは、プロフィール項目Bに基づく学習投稿文の多数の学習ベクトルを入力することによって、プロフィール項目B専用の正否を判定する内部パラメータを構築する。そして、SVM-Bは、プロフィール項目推定部123から入力したユーザベクトルが、プロフィール項目Bに対して正か否かを、プロフィール項目推定部123へ出力する。このとき、プロフィール項目Bの認定確率P(B)を算出することも好ましい。
属性確率記憶部132は、設定プロフィール項目毎に、各プロフィール項目に対する属性確率を記憶する。
また、投稿者毎に、自ら設定した設定プロフィール項目を有する。例えば、SNSサイトに自ら登録した「自己紹介」欄である。分析対象者の自己紹介欄に、例えば「30代」「女性」「ファッション」と記述されているとする。
推定確率算出部133は、投稿者における当該プロフィール項目毎に、認定確率に属性確率を乗算した推定確率を出力する。
P=プロフィール項目の認定確率×分析対象者の設定プロフィール項目の属性確率
投稿文a「さっそくコンビニSに行って、ウォレットAを使った」
投稿文b「もしウォレットAが使えたらコンビニSに行くのに」
なぜなら、投稿文a及びbの両方とも、単語「ウォレットA」「コンビニS」「行く」「使う」が出現するためである。
110 学習投稿文記憶部
111 学習述語項構造抽出部
112 学習ベクトル生成部
113 情報量規準値算出部
120 ユーザ投稿文取得部
121 ユーザ述語項構造抽出部
122 ユーザベクトル生成部
123 プロフィール項目推定部
131 機械学習部
132 属性確率記憶部
133 推定確率算出部
2 SNSサイトサーバ
3 端末
Claims (8)
- 投稿者毎に、投稿文からプロフィール項目を分析する投稿者分析装置であって、
複数の学習投稿文にプロフィール項目を対応付けて記憶する学習投稿文記憶手段と、
前記学習投稿文から学習述語項構造を抽出する学習述語項構造抽出手段と、
全ての学習述語項構造を要素ビットの列とした定義ベクトルを設定し、プロフィール項目毎に、各学習投稿文から学習述語項構造の学習ベクトルを生成する学習ベクトル生成手段と、
前記投稿者のユーザ投稿文からユーザ述語項構造を抽出するユーザ述語項構造抽出手段と、
前記ユーザ投稿文から、前記定義ベクトルに対応するユーザ述語項構造のユーザベクトルを生成するユーザベクトル生成手段と、
前記プロフィール項目毎の前記学習ベクトルの群を用いて、前記ユーザベクトルに最も類似する学習ベクトルを判定し、当該学習ベクトルの学習投稿文に対応付けられたプロフィール項目を、当該投稿者に対応付けて登録するプロフィール項目推定手段と
を有することを特徴とする投稿者分析装置。 - ユーザベクトルを入力し、当該プロフィール項目の正否のみ出力する機械学習モデルであって、各プロフィール項目専用に複数の学習投稿文の学習ベクトルを用いて内部パラメータを構築する機械学習手段を更に有し、
前記プロフィール項目推定手段は、前記機械学習手段に前記ユーザベクトルを入力し、正と判定されたプロフィール項目のみを、前記投稿者に対応付けて登録する
ことを特徴とする請求項1に記載の投稿者分析装置。 - 前記機械学習手段は、各プロフィール項目専用に正否を判定する複数のサポートベクタマシン、又は、One-VS-Other型識別器である
ことを特徴とする請求項2に記載の投稿者分析装置。 - 前記学習述語項構造抽出手段及び前記ユーザ述語項構造抽出手段は、前記述語項構造に、述語の後に続く助動詞から得られる「肯定/否定」及び/又は「時制(現在/未来/過去)」に基づく付加情報を含むように抽出する
ことを特徴とする請求項1から3のいずれか1項に記載の投稿者分析装置。 - 各述語項構造に対して、赤池情報量規準(AIC:Akaike's Information Criterion)を用いて、情報量規準値Infoを以下のように算出する情報量規準値算出手段を更に有し、
n11=当該述語項構造を含む投稿文の中で、
当該プロフィール項目を正とする投稿数
n12=当該述語項構造を含む投稿文の中で、
当該プロフィール項目を否とする投稿数
n21=当該述語項構造を含まない投稿文の中で、
当該プロフィール項目を正とする投稿数
n22=当該述語項構造を含まない投稿文の中で、
当該プロフィール項目を否とする投稿数
N=n11+n12+n21+n22
MLL_IM=(n11+n12) log(n11+n12)+(n11+n21) log(n11+n21)
+(n21+n22) log(n21+n22)+(n12+n22) log(n12+n22)−2 N log N
MLL_DM=n11 log n11+n12 log n12+n21 log n21+n22 log n22−N log N
AIC_IM=-2 × MLL_IM + 2×2
AIC_DM=-2 × MLL_DM + 2×3
Info=AIC_IM − AIC_DM
前記学習ベクトル生成手段は、前記情報量規準値Infoが所定閾値以上又は高い順の所定個数となる述語項構造のみを要素ビットとするベクトルを生成する
ことを特徴とする請求項1から4のいずれか1項に記載の投稿者分析装置。 - 前記投稿者毎に、自ら設定した設定プロフィール項目を有し、
前記プロフィール項目推定手段は、当該プロフィール項目に対する認定確率を出力するものであり、
前記設定プロフィール項目毎に、各プロフィール項目に対する属性確率を記憶した属性確率記憶手段と、
前記投稿者における当該プロフィール項目毎に、前記認定確率に前記属性確率を乗算した推定確率を出力する推定確率算出手段と
を更に有することを特徴とする請求項1から5のいずれか1項に記載の投稿者分析装置。 - 投稿者毎に、投稿文からプロフィール項目を分析する装置に搭載されたコンピュータを機能させるプログラムであって、
複数の学習投稿文にプロフィール項目を対応付けて記憶する学習投稿文記憶手段と、
前記学習投稿文から学習述語項構造を抽出する学習述語項構造抽出手段と、
全ての学習述語項構造を要素ビットの列とした定義ベクトルを設定し、プロフィール項目毎に、各学習投稿文から学習述語項構造の学習ベクトルを生成する学習ベクトル生成手段と、
前記投稿者のユーザ投稿文からユーザ述語項構造を抽出するユーザ述語項構造抽出手段と、
前記ユーザ投稿文から、前記定義ベクトルに対応するユーザ述語項構造のユーザベクトルを生成するユーザベクトル生成手段と、
前記プロフィール項目毎の前記学習ベクトルの群を用いて、前記ユーザベクトルに最も類似する学習ベクトルを判定し、当該学習ベクトルの学習投稿文に対応付けられたプロフィール項目を、当該投稿者に対応付けて登録するプロフィール項目推定手段と
してコンピュータを機能させることを特徴とするプログラム。 - 投稿者毎に、投稿文からプロフィール項目を分析する装置の投稿者分析方法であって、
前記装置は、複数の学習投稿文にプロフィール項目を対応付けて記憶する学習投稿文記憶部を有し、
前記装置は、学習フェーズとして、
前記学習投稿文から学習述語項構造を抽出する第11のステップと、
全ての学習述語項構造を要素ビットの列とした定義ベクトルを設定し、プロフィール項目毎に、各学習投稿文から学習述語項構造の学習ベクトルを生成する第12のステップと
を有し、
前記装置は、推定フェーズとして、
前記投稿者のユーザ投稿文からユーザ述語項構造を抽出する第21のステップと、
前記ユーザ投稿文から、前記定義ベクトルに対応するユーザ述語項構造のユーザベクトルを生成する第22のステップと、
前記プロフィール項目毎の前記学習ベクトルの群を用いて、前記ユーザベクトルに最も類似する学習ベクトルを判定し、当該学習ベクトルの学習投稿文に対応付けられたプロフィール項目を、当該投稿者に対応付けて登録する第23のステップと
を有することを特徴とする装置の投稿者分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015060179A JP6368264B2 (ja) | 2015-03-23 | 2015-03-23 | 投稿文から投稿者のプロフィール項目を分析する投稿者分析装置、プログラム及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015060179A JP6368264B2 (ja) | 2015-03-23 | 2015-03-23 | 投稿文から投稿者のプロフィール項目を分析する投稿者分析装置、プログラム及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016181062A true JP2016181062A (ja) | 2016-10-13 |
JP6368264B2 JP6368264B2 (ja) | 2018-08-01 |
Family
ID=57131045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015060179A Active JP6368264B2 (ja) | 2015-03-23 | 2015-03-23 | 投稿文から投稿者のプロフィール項目を分析する投稿者分析装置、プログラム及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6368264B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6165957B1 (ja) * | 2016-12-16 | 2017-07-19 | ファーストアカウンティング株式会社 | 会計処理装置、会計処理システム、会計処理方法、及び会計処理プログラム |
KR102117528B1 (ko) * | 2018-12-21 | 2020-06-01 | 아주대학교산학협력단 | 온라인 데이터에 기반한 사용자 특성 예측 장치 및 방법 |
JP6857775B1 (ja) * | 2020-12-07 | 2021-04-14 | 株式会社日立製作所 | アカウント分析システム、及びアカウント分析方法 |
US11750548B2 (en) | 2020-02-06 | 2023-09-05 | Fujifilm Business Innovation Corp. | Information processing apparatus and non-transitory computer readable medium |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009145968A (ja) * | 2007-12-11 | 2009-07-02 | Yahoo Japan Corp | 広告配信装置、広告配信方法、広告配信プログラム及び広告入札方法 |
US20120110071A1 (en) * | 2010-10-29 | 2012-05-03 | Ding Zhou | Inferring user profile attributes from social information |
JP2014112316A (ja) * | 2012-12-05 | 2014-06-19 | Kddi Corp | 大量のコメント文章を用いた質問回答プログラム、サーバ及び方法 |
JP2014153934A (ja) * | 2013-02-08 | 2014-08-25 | Nippon Telegr & Teleph Corp <Ntt> | ユーザ属性推定器構築方法、ユーザ属性推定方法、装置、及びプログラム |
-
2015
- 2015-03-23 JP JP2015060179A patent/JP6368264B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009145968A (ja) * | 2007-12-11 | 2009-07-02 | Yahoo Japan Corp | 広告配信装置、広告配信方法、広告配信プログラム及び広告入札方法 |
US20120110071A1 (en) * | 2010-10-29 | 2012-05-03 | Ding Zhou | Inferring user profile attributes from social information |
JP2014112316A (ja) * | 2012-12-05 | 2014-06-19 | Kddi Corp | 大量のコメント文章を用いた質問回答プログラム、サーバ及び方法 |
JP2014153934A (ja) * | 2013-02-08 | 2014-08-25 | Nippon Telegr & Teleph Corp <Ntt> | ユーザ属性推定器構築方法、ユーザ属性推定方法、装置、及びプログラム |
Non-Patent Citations (1)
Title |
---|
長浜 祐貴: "ツイート解析による性別推定に有用な因子の検討", FIT2013 第12回情報科学技術フォーラム 講演論文集 第2分冊, JPN6018023337, 20 August 2013 (2013-08-20), pages 189 - 190, ISSN: 0003822349 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6165957B1 (ja) * | 2016-12-16 | 2017-07-19 | ファーストアカウンティング株式会社 | 会計処理装置、会計処理システム、会計処理方法、及び会計処理プログラム |
WO2018110522A1 (ja) * | 2016-12-16 | 2018-06-21 | ファーストアカウンティング株式会社 | 会計処理装置、会計処理システム、会計処理方法、及び会計処理プログラム |
JP2018097813A (ja) * | 2016-12-16 | 2018-06-21 | ファーストアカウンティング株式会社 | 会計処理装置、会計処理システム、会計処理方法、及び会計処理プログラム |
KR102117528B1 (ko) * | 2018-12-21 | 2020-06-01 | 아주대학교산학협력단 | 온라인 데이터에 기반한 사용자 특성 예측 장치 및 방법 |
US11750548B2 (en) | 2020-02-06 | 2023-09-05 | Fujifilm Business Innovation Corp. | Information processing apparatus and non-transitory computer readable medium |
JP6857775B1 (ja) * | 2020-12-07 | 2021-04-14 | 株式会社日立製作所 | アカウント分析システム、及びアカウント分析方法 |
JP2022090209A (ja) * | 2020-12-07 | 2022-06-17 | 株式会社日立製作所 | アカウント分析システム、及びアカウント分析方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6368264B2 (ja) | 2018-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10936959B2 (en) | Determining trustworthiness and compatibility of a person | |
US10430255B2 (en) | Application program interface mashup generation | |
US20230237328A1 (en) | Information processing method and terminal, and computer storage medium | |
US20170091270A1 (en) | Organizational url enrichment | |
Hoang Long et al. | Privacy-aware framework for matching online social identities in multiple social networking services | |
US11017002B2 (en) | Description matching for application program interface mashup generation | |
Ting et al. | Towards the detection of cyberbullying based on social network mining techniques | |
JP6368264B2 (ja) | 投稿文から投稿者のプロフィール項目を分析する投稿者分析装置、プログラム及び方法 | |
Tajbakhsh et al. | Microblogging hash tag recommendation system based on semantic TF-IDF: Twitter use case | |
Zhao et al. | Text sentiment analysis algorithm optimization and platform development in social network | |
Kalampokis et al. | On predicting election results using twitter and linked open data: the case of the UK 2010 election | |
US11561970B2 (en) | Techniques for accurately specifying identification information | |
CN106575418B (zh) | 建议的关键词 | |
CN107688594B (zh) | 基于社交信息的风险事件的识别系统及方法 | |
Wang et al. | An online sockpuppet detection method based on subgraph similarity matching | |
CN116431912A (zh) | 用户画像推送方法及装置 | |
Vieira et al. | A self-training crf method for recognizing product model mentions in web forums | |
Murthy et al. | TwitSenti: a real-time Twitter sentiment analysis and visualization framework | |
Panchenko et al. | Large-scale parallel matching of social network profiles | |
Komamizu et al. | Exploring Identical Users on GitHub and Stack Overflow. | |
Mary et al. | Jen-Ton: A framework to enhance the accuracy of aspect level sentiment analysis in big data | |
Niu et al. | Entity resolution with attribute and connection graph | |
Valera et al. | A peculiar sentiment analysis advancement in big data | |
JP5829180B2 (ja) | グループ内のメンバオブジェクト全体における各クラス種別の比率を推定するクラス種別推定装置、プログラム及び方法 | |
Bhat et al. | A framework for user identity resolutions across social networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170812 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180525 |
|
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: 20180622 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180706 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6368264 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |