JP2016212793A - 予測装置、端末、予測方法及び予測プログラム - Google Patents

Abstract

【課題】データ取得のための負担を軽減しつつ、取得されたデータから適切にユーザのコンテキストを把握すること。
【解決手段】本願に係る予測装置は、取得部と、予測部とを備える。取得部は、ユーザによって利用される複数の端末における利用状況を取得する。予測部は、取得部によって取得された各端末の利用状況の組合せに基づいて、ユーザのコンテキストを予測する。例えば、取得部は、各端末の利用状況を示す離散的なデータを取得し、予測部は、各端末から取得された離散的なデータの組合せに基づいて、ユーザのコンテキストを予測する。
【選択図】図１

Description

本発明は、予測装置、端末、予測方法及び予測プログラムに関する。

様々なセンサを搭載した通信端末（以下、「端末」と表記する）の普及が進んでいる。端末に搭載されるセンサは、物理的な現象をデジタル信号に変換することで、端末を所持するユーザのコンテキスト（context）を推測するためのデータを取得する。また、端末は、ユーザのコンテキストを推測するためのデータとして、端末そのものの利用状況（操作ログ等）を蓄積する。これらの情報は、ネットワークを介して所定のサーバに送信され、ユーザのコンテキストを解析するために利用される。なお、コンテキストとは、ユーザによって端末が使われている状況や、端末を所持するユーザが置かれている状態のことをいう。

コンテキストに関する技術としては、端末に搭載された加速度センサや周辺光検出器などから検出されるデータに基づいて、ユーザのコンテキストを識別する技術が知られている（例えば、特許文献１）。また、端末により取得されたデータを分類器に学習させることにより、ユーザのコンテキストを識別する精度を向上させる技術が知られている（例えば、特許文献２）。また、ユーザのコンテキストを定義し、定義されたコンテキストが観測された場合に、端末のアプリケーションを観測されたコンテキストに対応させる技術が知られている（例えば、特許文献３）。

特表２０１４−５１３３３０号公報 特表２０１２−５２７８１０号公報 特表２０１３−５１２６４１号公報

しかしながら、上記の従来技術では、ユーザのコンテキストを把握するための負担が大きいことが問題となる。上述したように、端末がコンテキストの把握を行うための判断材料としては、端末の操作ログや、端末が有するセンサから取得されるデータがある。例えば、センサから取得されるデータは、間接的に観測されるユーザの行動に基づくものである。このため、センサから取得されるデータに基づきコンテキストを判断するためには、多種、大量、高密度なデータが要求される。

すなわち、コンテキストの判断に有用なデータを得るためには、ユーザがセンサ（端末）を長時間装着することや、センサから得られたデータに対して高度なデータ解析を行うことが必要になる。例えば、歩行中であるというユーザのコンテキストを把握するためには、常に端末の加速度センサが動作され、データが取得され、データが解析され続ける必要がある。これは、本来の端末の使用状況に比べて、端末の処理負荷が増大することを示している。また、常に端末を身に着けておくことは、ユーザにとって負担となる。

本願は、上記に鑑みてなされたものであって、データ取得のための負担を軽減しつつ、取得されたデータから適切にユーザのコンテキストを把握することができる予測装置、端末、予測方法及び予測プログラムを提供することを目的とする。

本願に係る予測装置は、ユーザによって利用される複数の端末における利用状況を取得する取得部と、前記取得部によって取得された各端末の利用状況の組合せに基づいて、前記ユーザのコンテキストを予測する予測部と、を備えたことを特徴とする。

実施形態の一態様によれば、データ取得のための負担を軽減しつつ、取得されたデータから適切にユーザのコンテキストを把握することができるという効果を奏する。

図１は、実施形態に係る予測処理の一例を示す図である。 図２は、実施形態に係る予測処理システムの構成例を示す図である。 図３は、実施形態に係る予測装置の構成例を示す図である。 図４は、実施形態に係る利用状況記憶部の一例を示す図である。 図５は、実施形態に係るモデル記憶部の一例を示す図である。 図６は、実施形態に係るコンテンツ記憶部の一例を示す図である。 図７は、実施形態に係る解析部による解析処理の一例を説明する図（１）である。 図８は、実施形態に係る解析部による解析処理の一例を説明する図（２）である。 図９は、実施形態に係る予測部による予測処理の一例を説明する図（１）である。 図１０は、実施形態に係る予測部による予測処理の一例を説明する図（２）である。 図１１は、実施形態に係る生成処理手順を示すフローチャートである。 図１２は、実施形態に係る予測処理手順を示すフローチャートである。 図１３は、予測装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る予測装置、端末、予測方法及び予測プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る予測装置、端末、予測方法及び予測プログラムが限定されるものではない。また、各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

〔１．予測処理の一例〕
まず、図１を用いて、実施形態に係る予測処理の一例について説明する。図１は、実施形態に係る予測処理の一例を示す図である。図１では、本願に係る予測処理を実行する予測装置１００によって、端末を所持するユーザのコンテキストを予測する処理が行われる例を示す。

予測装置１００は、端末から送信される情報を取得し、コンテキストを予測するサーバ装置である。予測装置１００が取得する情報は、端末内のセンサ等によって取得されるデータである。端末内のセンサ等によって取得されるデータは、例えば、離散的なデータであり、簡潔な数値（例えば、０と１によって表現される２値データ）で示される。予測装置１００は、１のユーザに関連付けられる複数の端末からデータを取得する。ユーザに関連付けられる端末とは、例えば、ユーザが所有する端末や、ユーザが利用する端末等をいい、モバイル端末であっても、所定の場所に設置された端末であってもよい。そして、予測装置１００は、複数の端末から取得されるデータの組合せに基づいて、ユーザのコンテキストを予測する。以下では、予測装置１００によって行われるコンテキストの予測処理の一例を流れに沿って説明する。

予測装置１００は、ユーザのコンテキストを予測するにあたり、ユーザ毎に対応する予測モデルを生成する。予測モデルは、ユーザが利用する端末から送信されるデータに基づき、ユーザのコンテキストを予測するために用いられる。なお、予測モデルは、端末から送信されるデータと、ユーザから提供される正解データとの相関性に基づいて生成される。ここで、正解データとは、ユーザ自身が判定するユーザのコンテキストである。例えば、ユーザは、所定の時点において、自身が徒歩の状態であると判定した場合には、正解データとして「徒歩」というコンテキストを予測装置１００に提供する。すなわち、予測装置１００は、予測対象となるユーザの予測モデルが生成されるまでは、ユーザから正解データの提供を受け付ける。そして、予測装置１００は、正解データと端末から取得されるデータとの相関性を学習することにより、ユーザ毎の予測モデルを生成する。また、予測装置１００は、予測対象となるユーザの予測モデルが生成された後は、かかるユーザから送信される複数の端末のデータを予測モデルに入力することによって、入力したデータに対応するユーザのコンテキストを予測する。以下では、図１を用いて、予測装置１００によって行われるコンテキストの予測処理の一例を流れに沿って説明する。

図１に示す例では、予測装置１００は、ユーザに関連付けられた複数の端末からデータを取得する。以下では、ユーザに関連付けられる端末を総称して、「ユーザ端末１０」と表記する。ユーザ端末１０には、例えば、スマートフォン２０や、眼鏡型端末３０や、時計型端末４０が含まれる。なお、各端末を区別する必要のないときは、スマートフォン２０などの端末を総称して、ユーザ端末１０と表記する場合がある。各ユーザ端末１０は、予測装置１００に送信するデータを所定時間毎に取得し、あるいは、特定のイベント(画面ＯＮなど)が発生したタイミングで記録し、所定期間保持する。そして、所定のタイミングで、ユーザ端末１０は、保持したデータを予測装置１００に送信する。

図１の例において、ユーザのコンテキストが「徒歩」である場合に、各ユーザ端末１０が取得するデータについて説明する。ユーザが歩いている間、スマートフォン２０の画面をユーザが見る機会は少ないため、スマートフォン２０は、「画面ＯＦＦ」というデータを比較的多数取得する。また、ユーザの動きに合わせてスマートフォン２０自体が動いている（動きの有無は、例えば、スマートフォン２０に内蔵されている加速度センサによって、所定の閾値以上の加速度が観測されたこと等により判別される）ため、スマートフォン２０は、「動作ＯＮ」というデータを取得する。なお、「画面」という項目の離散的なデータとしては、「画面ＯＦＦ」には「０」が対応し、「画面ＯＮ」には「１」が対応するものとする。同様に、「動作」という項目の離散的なデータとしては、「動作ＯＦＦ（静止）」には「０」が対応し、「動作ＯＮ（動作）」には「１」が対応するものとする。

また、ユーザが歩いている間、眼鏡型端末３０の画面をユーザが見る機会は多くなる。このため、眼鏡型端末３０は、「画面ＯＮ」というデータを比較的多数取得する。また、ユーザの動きに合わせて眼鏡型端末３０自体も動くため、眼鏡型端末３０は、「動作ＯＮ」というデータを取得する。

また、ユーザが歩いている間、時計型端末４０の画面をユーザが見る機会は少なくなる。このため、時計型端末４０は、「画面ＯＦＦ」というデータを比較的多数取得する。また、ユーザの動きに合わせて時計型端末４０自体も動くため、時計型端末４０は、「動作ＯＮ」というデータを取得する。

そして、各ユーザ端末１０は、取得したデータを予測装置１００に送信する。例えば、各ユーザ端末１０は、１０秒ごとに取得されたデータをまとめて、１分毎に予測装置１００に送信する。これにより、予測装置１００は、（スマートフォン２０の画面，スマートフォン２０の動作，眼鏡型端末３０の画面，眼鏡型端末３０の動作，時計型端末４０の画面，時計型端末４０の動作）という複数のユーザ端末１０の組合せから得られるデータを複数個取得する。そして、予測装置１００は、取得されたデータをユーザに対応した予測モデルに入力する。この場合、予測装置１００は、（０，１，１，１，０，１）というデータを予測モデルに比較的多く入力することになる。そして、予測装置１００は、予測モデルから出力された結果に基づいて、予測対象とするユーザのコンテキストが「徒歩」であることを予測する（ステップＳ０１）。

同様に、ユーザのコンテキストが「電車」である場合に、各ユーザ端末１０が取得するデータについて説明する。ユーザが電車内にいる間、スマートフォン２０の画面をユーザが見る機会は多く、また、ユーザがスマートフォン２０を見る動きに伴い、スマートフォン２０自体の動作が比較的多く観測される。このため、スマートフォン２０は、「画面ＯＮ」、「動作ＯＮ」というデータを取得する。

一方、ユーザのコンテキストが「電車」である場合には、眼鏡型端末３０の画面をユーザが見る機会は少なく、また、電車内ではユーザが静止していることから、眼鏡型端末３０自体の動作は観測されにくい。このため、眼鏡型端末３０は、「画面ＯＦＦ」、「動作ＯＦＦ」というデータを取得する。これは、電車内などプライバシーが気になる場所では、眼鏡型端末３０を外したり、利用を控えたりするなどにより、眼鏡型端末３０よりもスマートフォン２０が視聴されやすくなる傾向を示している。また、時計型端末４０の画面をユーザが見る機会は少ないものの、ユーザのスマートフォン２０の視聴等に伴う動作のために、時計型端末４０自体の動作は比較的多く観測される。このため、時計型端末４０は、「画面ＯＦＦ」、「動作ＯＮ」というデータを取得する。

そして、各ユーザ端末１０は、取得したデータを予測装置１００に送信する。具体的には、ユーザが電車内にいる状態において、予測装置１００は、（１，１，０，０，０，１）というデータを比較的多く取得することになる。予測装置１００は、取得したデータを予測モデルに入力する。そして、予測装置１００は、予測モデルから出力された結果に基づいて、予測対象とするユーザのコンテキストが「電車」であることを予測する（ステップＳ０２）。

同様に、ユーザのコンテキストが「デスクワーク（会社）」である場合に、各ユーザ端末１０が取得するデータについて説明する。すなわち、処理対象となるユーザは、会社内においてデスクワーク等の比較的動作の少ない仕事に従事しているものとする。ユーザがデスクワークを行っている間、スマートフォン２０は机の上に置かれたままであることが多いため、スマートフォン２０の画面をユーザが見る機会は少なく、また、スマートフォン２０自体の動作は観測されにくい。このため、スマートフォン２０は、「画面ＯＦＦ」、「動作ＯＦＦ」というデータを取得する。

同様に、眼鏡型端末３０の画面をユーザが見る機会は少なく、また、眼鏡型端末３０自体の動作は観測されにくい。このため、眼鏡型端末３０は、「画面ＯＦＦ」、「動作ＯＦＦ」というデータを取得する。また、時計型端末４０の画面をユーザが見る機会は少ないものの、ユーザの仕事に伴う動作のために、時計型端末４０自体の動作は比較的多く観測される。このため、時計型端末４０は、「画面ＯＦＦ」、「動作ＯＮ」というデータを取得する。

そして、各ユーザ端末１０は、取得したデータを予測装置１００に送信する。具体的には、ユーザが会社でデスクワークを行っている状態において、予測装置１００は、（０，０，０，０，０，１）というデータを比較的多く取得することになる。予測装置１００は、取得したデータを予測モデルに入力する。そして、予測装置１００は、予測モデルから出力された結果に基づいて、予測対象とするユーザのコンテキストが「デスクワーク（会社）」であることを予測する（ステップＳ０３）。

上記のように、実施形態に係る予測装置１００は、ユーザに利用される複数のユーザ端末１０における利用状況を取得する。そして、予測装置１００は、取得された各ユーザ端末１０の利用状況の組合せに基づいて、ユーザのコンテキストを予測する。

このように、実施形態に係る予測装置１００は、高精度なセンサによって観測される精密なデータではなく、ユーザ端末１０の画面状態や動作状態といった、比較的容易に得られ、また、解析に負荷のかかりにくい離散的なデータ（例えば、２値化されたデータなど）を複数のユーザ端末１０から取得する。例えば、予測装置１００は、用途や使用の態様が異なる複数の端末として、スマートフォン２０や、眼鏡型端末３０や、時計型端末４０を採用する。そして、予測装置１００は、かかる複数の端末から取得されるデータの組合せに基づいて、ユーザのコンテキストを予測する。上述のように、これらの端末はユーザの状況によって取得される情報が異なるため、複数端末から取得された利用状況を組み合わせることで、ユーザのコンテキストを高い精度で予測することが可能となる。

すなわち、実施形態に係る予測装置１００によれば、ユーザの身体にセンサを複数取り付けたり、高精度なデータ解析を実行したりせずとも、ユーザのコンテキストを予測することができる。言い換えれば、予測装置１００は、端末の処理負荷、及びユーザの負担を増大させることなく、コンテキストを予測する。これにより、予測装置１００は、データ取得のための負担を軽減しつつ、取得されたデータから適切にユーザのコンテキストを把握することができる。

さらに、予測装置１００は、予測されたコンテキストに基づいて、ユーザに関連付けられた複数端末のいずれかを選択して、所定のコンテンツを配信するといった処理を実行してもよい。例えば、予測装置１００は、ユーザが徒歩の状態である場合に、スマートフォン２０に広告コンテンツを配信しても視聴されない可能性が高いと判定し、スマートフォン２０に代えて眼鏡型端末３０に広告コンテンツを配信することができる。

なお、上記の予測処理において、予測装置１００は、ユーザ端末１０の画面や動作に関するデータのみならず、他のデータを取得してもよい。例えば、予測装置１００は、ユーザ端末１０の画面や動作に関するデータが取得された際の時間情報を取得する。予測装置１００は、時間情報を加えた予測処理を行うことにより、より正確にユーザのコンテキストを予測することができる。

〔２．予測処理システムの構成〕
次に、図２を用いて、実施形態に係る予測装置１００が含まれる予測処理システム１の構成について説明する。図２は、実施形態に係る予測処理システム１の構成例を示す図である。図２に例示するように、実施形態に係る予測処理システム１には、ユーザ端末１０と、予測装置１００とが含まれる。また、ユーザ端末１０には、スマートフォン２０や、眼鏡型端末３０や、時計型端末４０等が含まれる。これらの各種装置は、ネットワークＮを介して、有線又は無線により通信可能に接続される。

ユーザ端末１０は、例えば、デスクトップ型ＰＣ（Personal Computer）や、ノート型ＰＣや、タブレット型端末や、スマートフォンを含む携帯電話機、ＰＤＡ（Personal Digital Assistant）等の情報処理端末である。また、上述のように、ユーザ端末１０には、眼鏡型端末３０や、時計型端末４０などのウェアラブルデバイス（wearable device）も含まれる。さらに、ユーザ端末１０には、情報処理機能を有する種々のスマート機器が含まれてもよい。例えば、ユーザ端末１０には、ＴＶ（Television）などのスマート家電や、自動車などのスマートビークル（Smart vehicle）や、ドローン（drone）、家庭用ロボットなどが含まれてもよい。

例えば、ユーザ端末１０は、ユーザによる操作や機能（インストールされたアプリ等により実現される）に応じて、画面のＯＮ／ＯＦＦを切り替える。また、ユーザ端末１０には、種々のセンサが内蔵される。例えば、ユーザ端末１０には、加速度、温度、重力、回転（角速度）、照度、地磁気、圧力、近接、湿度、回転ベクトルといった、種々の物理量を測定するセンサが含まれる。ユーザ端末１０は、ユーザの利用状況に応じて、種々のセンサにより測定される情報を取得する。そして、ユーザ端末１０は、取得した情報を予測装置１００に送信する。

予測装置１００は、上述のように、ユーザ端末１０から取得された情報に基づいて、ユーザのコンテキストを予測するサーバ装置である。また、予測装置１００は、予測されたコンテキストに基づいて、種々の処理を行うこともできる。例えば、予測装置１００は、コンテキストに基づいて、配信するコンテンツの態様を判定したり、配信するコンテンツに適したユーザ端末１０を選択したりする。

〔３．予測装置の構成〕
次に、図３を用いて、実施形態に係る予測装置１００の構成について説明する。図３は、実施形態に係る予測装置１００の構成例を示す図である。図３に示すように、予測装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、予測装置１００は、予測装置１００を利用する管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。かかる通信部１１０は、ネットワークＮと有線又は無線で接続され、ネットワークＮを介して、ユーザ端末１０との間で情報の送受信を行う。

（記憶部１２０について）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、利用状況記憶部１２１と、モデル記憶部１２２と、コンテンツ記憶部１２３とを有する。

（利用状況記憶部１２１について）
利用状況記憶部１２１は、コンテキストの利用状況に関する情報を記憶する。ここで、図４に、実施形態に係る利用状況記憶部１２１の一例を示す。図４は、実施形態に係る利用状況記憶部１２１の一例を示す図である。図４に示した例では、利用状況記憶部１２１は、「ユーザＩＤ」、「取得日時」、「スマートフォン」、「眼鏡型端末」、「時計型端末」、「正解データ」といった項目を有する。また、「スマートフォン」、「眼鏡型端末」、「時計型端末」などの各ユーザ端末１０の利用状況に関する情報には、例えば、「画面」や、「動作」といった項目が含まれる。

「ユーザＩＤ」は、ユーザ又はユーザと関連付けられるユーザ端末１０を識別する識別情報である。なお、ユーザＩＤは、ユーザ端末１０を操作するユーザの参照符号と一致するものとする。すなわち、ユーザＩＤ「Ｕ１１」によって識別されるユーザ端末１０は、ユーザ「Ｕ１１」により操作される端末装置であるものとする。

「取得日時」は、各ユーザ端末１０によってデータが取得された日時を示す。なお、図４では、各ユーザ端末１０は、データを３分ごとに取得している例を示しているが、取得するタイミングはこの例に限られない。すなわち、各ユーザ端末１０は、任意のタイミングでデータを取得してもよい。例えば、各ユーザ端末１０は、１０秒ごとにユーザ端末１０の利用状況に関するデータを取得してもよい。

「スマートフォン」、「眼鏡型端末」及び「時計型端末」は、各々の端末における利用状況に関する情報を示す。例えば、「画面」の項目では、「画面ＯＮ」の状態が観測された場合には「１」が記録され、「画面ＯＦＦ」の状態が観測された場合には「０」が記録される。また、「動作」の項目では、「動作ＯＮ（動作）」の状態が観測された場合には「１」が記録され、「動作ＯＦＦ（静止）」の状態が観測された場合には「０」が記録される。

「正解データ」は、予測モデルの学習のために用いられる正解データを示す。正解データは、例えば、ユーザが自身のコンテキストを判定し、判定したコンテキストを予測装置１００に提供することで記録される。なお、予測装置１００は、ユーザに対応する予測モデルが生成された後には、正解データの提供を受けることを要しない。

すなわち、図４では、ユーザＩＤ「Ｕ１１」で識別されるユーザに関連付けられた複数のユーザ端末１０から取得された利用状況の一例を示している。例えば、「２０１５年４月３０日８時００分」に取得された利用状況に関するデータは、「スマートフォン」は「画面ＯＦＦ」かつ「動作ＯＮ」であり、「眼鏡型端末」は「画面ＯＮ」かつ「動作ＯＮ」であり、「時計型端末」は「画面ＯＦＦ」かつ「動作ＯＮ」である。また、この取得された利用状況に関する情報の正解データは、「徒歩」であることを示している。

（モデル記憶部１２２について）
モデル記憶部１２２は、ユーザ毎に生成される予測モデルに関する情報を記憶する。ここで、図５に、実施形態に係るモデル記憶部１２２の一例を示す。図５は、実施形態に係るモデル記憶部１２２の一例を示す図である。図５に示した例では、モデル記憶部１２２は、「ユーザＩＤ」、「モデルＩＤ」といった項目を有する。

「ユーザＩＤ」は、図４と同様に、ユーザ端末１０又はユーザを識別する識別情報である。「モデルＩＤ」は、生成された予測モデルを識別する識別情報である。

すなわち、図５では、ユーザＩＤ「Ｕ１１」によって識別されるユーザＵ１１に対応する予測モデルとして、モデルＩＤ「Ｍ１１」によって識別されるモデルが生成されている一例を示している。

なお、図５では、ユーザＩＤとモデルＩＤが１対１に対応して記憶される例を示した。すなわち、一人のユーザに対して、一つの予測モデルが生成される例を示した。しかし、予測装置１００は、１人のユーザに対して、複数の予測モデルを生成してもよい。例えば、予測装置１００は、一人のユーザがモバイル端末を３種類持ち歩いている場合に生成された予測モデルと、同一のユーザがモバイル端末を４種類持ち歩いている場合に生成された予測モデルとを、別々の予測モデルとして生成してもよい。また、予測装置１００は、同一のユーザであっても、取得されるデータを送信したユーザ端末１０の種類の組合せが異なる場合には、異なる予測モデルとして生成してもよい。また、予測装置１００は、同一のユーザであっても、平日と休日とで異なる予測モデルを生成してもよい。さらに、モデル記憶部１２２には、モデル生成における過程の情報（例えば、後述する学習部１３４による学習処理の結果等）が記憶されてもよい。

（コンテンツ記憶部１２３について）
コンテンツ記憶部１２３は、任意のコンテンツ提供サーバから入稿されるコンテンツに関する情報を記憶する。ここで、図６に、実施形態に係るコンテンツ記憶部１２３の一例を示す。図６は、実施形態に係るコンテンツ記憶部１２３の一例を示す図である。図６に示すように、コンテンツ記憶部１２３は、「コンテンツグループＩＤ」、「コンテンツＩＤ」、「配信対象端末」といった項目を有する。

「コンテンツグループＩＤ」は、共通した内容を有する複数のコンテンツを含むグループを識別する識別情報を示す。例えば、コンテンツが広告コンテンツである場合には、同一のコンテンツグループに属するコンテンツは、共通した宣伝対象を有する。

「コンテンツＩＤ」は、コンテンツを識別する識別情報を示す。「配信対象端末」は、配信される対象として適切な端末の種類を示す。例えば、配信対象端末が「スマートフォン」であるコンテンツは、スマートフォン２０の表示に適するように作成されたコンテンツであることを示している。

すなわち、図６では、コンテンツグループＩＤ「Ｇ１１」には、コンテンツＩＤ「Ｃ１１１」、「Ｃ１１２」、「Ｃ１１３」によって識別されるコンテンツが含まれることを示している。また、コンテンツＩＤ「Ｃ１１１」で識別されるコンテンツの配信対象端末は「スマートフォン」であり、コンテンツＩＤ「Ｃ１１２」で識別されるコンテンツの配信対象端末は「眼鏡型端末」であり、コンテンツＩＤ「Ｃ１１３」で識別されるコンテンツの配信対象端末は「時計型端末」であることを示している。

なお、図６に示した例では、各コンテンツが一つの端末に対応する例を示したが、複数の端末に対応するコンテンツがあってもよい。例えば、単純なテキストデータで作成されたコンテンツは、配信対象端末として「スマートフォン」、「眼鏡型端末」及び「時計型端末」のいずれの種類であってもよい場合がある。

また、実際にユーザ端末１０に配信されるコンテンツのデータは、予測装置１００の外部に備えられた所定のストレージサーバに記憶されてもよい。この場合、予測装置１００は、コンテンツ記憶部１２３に記憶されたコンテンツグループＩＤやコンテンツＩＤに基づいて、ストレージサーバに記憶されたコンテンツを特定する。そして、予測装置１００は、特定されたコンテンツをユーザ端末１０に配信するようストレージサーバを制御する。

（制御部１３０について）
制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、予測装置１００内部の記憶装置に記憶されている各種プログラム（予測プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図３に示すように、制御部１３０は、取得部１３１と、解析部１３２と、生成部１３３と、学習部１３４と、算出部１３５と、予測部１３６と、配信部１３７とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図３に示した接続関係に限られず、他の接続関係であってもよい。

（取得部１３１について）
取得部１３１は、ユーザによって利用される複数のユーザ端末１０における利用状況を取得する。具体的には、取得部１３１は、ユーザが所有したり、利用したりするユーザ端末１０（スマートフォン２０や、眼鏡型端末３０や、時計型端末４０等）の利用状況を取得する。

また、取得部１３１は、情報の取得に際し、複数のユーザ端末１０のうち少なくとも一つはユーザが携帯可能な移動端末（モバイル端末）における利用状況を取得するようにしてもよい。取得部１３１は、モバイル端末の利用状況を取得することでユーザの動作や位置情報を取得することができるため、所定の場所に設置される端末よりも、ユーザのコンテキストを予測するために有用な情報を取得し易くなる。

また、取得部１３１は、複数のユーザ端末１０の各々が有する機能の利用状況を取得してもよい。ユーザ端末１０の各々が有する機能は、例えば、ユーザ端末１０にインストールされるアプリ等により実現される。ユーザ端末１０の各々が有する機能は、単独の機能であってもよいし、複数の機能であってもよい。なお、上述してきたような、ユーザ端末１０の画面のＯＮ／ＯＦＦや、動作／静止の情報なども、ユーザ端末１０にインストールされたアプリの機能により取得されてもよい。この場合、ユーザ端末１０は、予めインストールされた所定のセンシング（sensing）機能を有するアプリによって、画面のＯＮ／ＯＦＦや、動作／静止などの利用状況を取得する。そして、取得部１３１は、ユーザ端末１０によって取得された利用状況を受信することにより、かかる利用状況を取得する。

取得部１３１は、複数のユーザ端末１０から異なるタイミングで利用状況を取得してもよい。この場合、取得部１３１は、例えばユーザ端末１０によってデータが取得された取得日時をキーとして、複数のユーザ端末１０から取得したデータを統合することにより、複数のユーザ端末１０に関連付けられたユーザに対応する利用状況を取得することができる。

また、取得部１３１は、ユーザに配信される所定のコンテンツを取得する。例えば、取得部１３１は、コンテンツ入稿者が操作する端末を介して、予測装置１００に入稿されたコンテンツを取得する。コンテンツ入稿者の一例は、広告コンテンツを入稿する広告主である。取得部１３１は、取得したコンテンツをコンテンツ記憶部１２３に記憶する。

（解析部１３２について）
解析部１３２は、取得部１３１によって取得された種々のデータを解析する。例えば、解析部１３２は、取得部１３１によって取得されたユーザ端末１０の利用状況に関する情報を解析する。

ここで、図７を用いて、解析部１３２による解析処理の一例について説明する。図７は、実施形態に係る解析部１３２による解析処理の一例を説明する図（１）である。図７には、利用状況の一例として、ユーザ端末１０に内蔵されたセンサにより、ユーザ端末１０が動作したか否かが観測されたデータを示している。

図７に示す例では、ユーザ端末１０において、動作が観測された場合には、「１」を示すデータが刻まれ、動作が観測されない場合には、「１」を示すデータが刻まれないことを示している。ここで、解析部１３２は、所定の観測時間「Δｔ_１」を設定する。「Δｔ_１」は、例えば、ユーザ端末１０からデータが送信されるタイミングと同程度に設定される。例えば、解析部１３２は、「Δｔ_１」を「１０秒」と設定する。

解析部１３２は、ユーザ端末１０から１０秒毎に送信されるデータについて、「Δｔ_１」内に観測される「１」を示すデータを計数する。そして、解析部１３２は、「Δｔ_１」内に「１」を示すデータが所定数よりも多く観測された場合に、かかる時間における利用状況として、ユーザ端末１０の「動作」項目に対応するデータが「１」であると解析する。一方、解析部１３２は、「Δｔ_１」内に「１」を示すデータが所定数よりも多く観測されない場合には、かかる時間における利用状況として、ユーザ端末１０の「動作」項目に対応するデータが「０」であると解析する。

上記の解析処理にあたり、解析部１３２は、「Δｔ_１」の半分の幅である「Δｔ_２」を用いてもよい。例えば、解析部１３２は、２つの「Δｔ_２」内のいずれにも「１」を示すデータが所定数よりも多く観測された場合に、「Δｔ_１」における「動作」項目に対応するデータを「１」と解析してもよい。このように、解析部１３２は、ユーザ端末１０から送信される利用状況について種々の解析処理を行うことにより、各ユーザ端末１０の情報の誤差や、センサの感知の性能の違いなどが吸収されたデータを取得することができる。また、解析部１３２は、「Δｔ_１」で示される時間幅の設定を調整することで、コンテキストの予測処理の精度を向上させてもよい。かかる調整は、後述する学習部１３４や、予測部１３６による各処理と連動して行われてもよい。例えば、解析部１３２は、予測部１３６が予測したコンテキストの正解率に応じて、「Δｔ_１」の幅を適宜調整し、予測するコンテキストの精度に対する所定の学習処理を行うことで、「Δｔ_１」の幅を最適化させるといった手法を採用することができる。

また、解析部１３２は、ユーザ端末１０における所定の利用態様の持続時間に基づいた解析を行ってもよい。この点について、図８を用いて説明する。図８は、実施形態に係る解析部１３２による解析処理の一例を説明する図（２）である。図８には、利用状況の一例として、ユーザ端末１０の画面がＯＮであるか否かが観測されたデータを示している。

図８に示す例では、ユーザ端末１０において、画面がＯＮである間は「１」を示すデータが刻まれ、画面がＯＦＦである場合には「１」を示すデータが刻まれないことを示している。図７の例と同様に、解析部１３２は、所定の観測時間「Δｔ_１」を設定する。

そして、解析部１３２は、「Δｔ_１」内に観測される「１」を示すデータの持続時間を計測する。解析部１３２は、「Δｔ_１」内に「１」を示すデータが所定時間よりも長く計測された場合に、かかる時間における利用状況として、ユーザ端末１０の「画面」項目に対応するデータが「１」であると解析する。一方、解析部１３２は、「Δｔ_１」内に「１」を示すデータが所定時間よりも長く観測されない場合には、かかる時間における利用状況として、ユーザ端末１０の「動作」項目に対応するデータが「０」であると解析する。

図７と同様に、解析部１３２は、「Δｔ_１」の半分の幅である「Δｔ_２」を用いてもよい。例えば、解析部１３２は、２つの「Δｔ_２」内のいずれにも「１」を示すデータが所定時間よりも長く計測された場合に、「Δｔ_１」における「画面」項目に対応するデータを「１」と解析してもよい。あるいは、解析部１３２は、「Δｔ_２」を超える時間「１」を示すデータが計測された場合に、「Δｔ_１」における「画面」項目に対応するデータを「１」と解析してもよい。

なお、ユーザ端末１０が上述した解析処理を行う機能を有している場合、解析部１３２は、上述した解析処理を行うことを要しない。例えば、ユーザ端末１０が所定のセンシングアプリを用いることにより、上述したような利用状況の解析データを取得可能であり、かつ、取得したデータを予測装置１００に送信可能な場合には、解析部１３２は、上述した解析処理を行わず、送信されたデータを解析処理の結果として利用してもよい。

上述のように、取得部１３１は、各ユーザ端末１０の利用状況を示すデータとして、離散的なデータを各ユーザ端末１０から取得する。例えば、取得部１３１は、各ユーザ端末１０の利用状況を示す２値化データを各ユーザ端末１０から取得する。これにより、解析部１３２は、処理負荷の少ないデータを用いて処理を行うことができる。

解析部１３２は、各ユーザ端末１０から送信された利用状況を解析した結果を利用状況記憶部１２１に格納する。また、解析部１３２は、解析した結果を生成部１３３に送る。

（生成部１３３について）
生成部１３３は、解析部１３２によって解析された情報に基づいて、ユーザのコンテキストを予測する予測モデルを生成する。ここで、生成部１３３は、学習部１３４による学習処理の結果や、算出部１３５による算出処理の結果に基づいて、コンテキストの予測に最適化された予測モデルを生成する。

具体的には、生成部１３３は、複数のユーザ端末１０の利用状況の組合せに関する情報を入力とし、ユーザのコンテキストを出力とするような、予測モデルを生成する。また、生成部１３３は、算出部１３５によって算出されたユーザ端末１０毎の重み値を設定することにより、ユーザのコンテキストの予測に影響を与える度合いの高いユーザ端末１０の重みを重くするといった調整を行うことで、最適化された予測モデルを生成する。

生成部１３３は、ユーザ毎に予測モデルを生成する。言い換えれば、後述する学習部１３４及び算出部１３５は、学習処理や算出処理をユーザ毎に実行する。生成部１３３は、生成した予測モデルや、予測モデルの生成に用いられる学習処理の結果や、算出処理の結果を処理対象であるユーザと対応付けて、モデル記憶部１２２に適宜記憶する。

（学習部１３４について）
学習部１３４は、取得部１３１によって取得された複数のユーザ端末１０の利用状況と、ユーザのコンテキストの正解データとの相関性を学習する。例えば、学習部１３４は、各ユーザ端末１０から送信された利用状況の組合せに関する情報に基づいて、かかる利用状況の組合せの正解データを当てることができるか否かを機械学習する。

具体的には、学習部１３４は、（スマートフォン２０の画面，スマートフォン２０の動作，眼鏡型端末３０の画面，眼鏡型端末３０の動作，時計型端末４０の画面，時計型端末４０の動作）という複数のユーザ端末１０の組合せから得られるデータと、かかるデータに対する正解データとの統計処理による、いわゆる教師あり学習を行う。かかる学習を繰り返すことにより、学習部１３４は、各ユーザ端末１０から送信される利用状況の組合せに基づき、ユーザのコンテキストを高い精度で予測する予測モデルを生成させることが可能となる。

また、学習部１３４は、ユーザ端末１０から送信される利用状況と時間情報とを組み合わせた学習を行ってもよい。スマートフォン２０における「画面」の項目に関する２値データと、時間情報との組合せを例に挙げて説明する。学習部１３４は、（スマートフォン２０の画面，ｔ）といった利用状況のデータを取得する。かかる情報は、例えば、取得部１３１や解析部１３２から学習部１３４に送られる。なお、「ｔ」は、任意の時間情報を示す。

同様に、学習部１３４は、（スマートフォン２０の画面，ｔ−ｋ）や、（スマートフォン２０の画面，ｔ＋ｋ）といったデータを取得する。ここで、「ｋ」は、所定の時間情報を示す。そして、学習部１３４は、学習処理において、（スマートフォン２０の画面，ｔ）というデータと、（スマートフォン２０の画面，ｔ−ｋ）や（スマートフォン２０の画面，ｔ＋ｋ）といったデータとの相関性を学習する。すなわち、学習部１３４は、所定時間だけ前後の時間における、ユーザ端末１０の利用状況の相関性を学習する。言い換えれば、学習部１３４は、時間（ｔ−ｋ）や、時間（ｔ＋ｋ）に対応するデータに基づいて、時間ｔにおけるコンテキストを予測するための学習を行う。このように、学習部１３４は、時間情報に基づいてユーザのコンテキストを予測する予測モデルを生成させることができる。例えば、学習部１３４は、ｔより前、つまり予測したい時刻（例えば、５分後）より前のデータに基づいて、時間ｔにおけるコンテキストを予測するための学習を行う。このとき、学習部１３４は、時間ｔ−ｋ、ｔ−ｋ＋１、ｔ−ｋ＋２、ｔ−ｋ＋３・・・（＜ｔ）におけるユーザ端末１０の利用状況を学習する。これにより、学習部１３４は、ユーザの将来のコンテキストを予測するモデルを生成させることができる。

なお、学習部１３４は、上記で説明した時間情報のみならず、他の情報を用いて学習を行ってもよい。例えば、学習部１３４は、時間情報ではなく、曜日情報を用いて学習を行ってもよい。この場合、学習部１３４は、ユーザ端末１０から取得されるデータと曜日との相関性を学習することができる。学習処理の結果として、生成部１３３は、曜日情報を入力に含めることで、よりユーザのコンテキストを正確に予測できるような予測モデルを生成することができる。その他、学習部１３４は、ユーザ端末１０から取得されるデータと、ユーザの位置情報との相関性などを学習してもよい。また、学習部１３４は、上記で説明した各種情報を組み合わせて学習してもよい。

（算出部１３５について）
算出部１３５は、各ユーザ端末１０から取得された利用状況に基づいて、コンテキストの予測に与える影響を示す重み値をユーザ端末１０ごとに算出する。具体的には、算出部１３５は、複数のユーザ端末１０から取得された利用状況と正解データとの相関性を学習した学習処理の結果に基づいて、コンテキストの予測に与える影響を示す重み値をユーザ端末１０毎に算出する。

例えば、学習部１３４による学習処理では、正解データが左辺に置かれ、重み値を示す係数とユーザ端末１０を識別する情報とが乗算されたパラメータが右辺に置かれるような、所定の算出式が利用される。かかる算出式では、右辺に置かれるパラメータの数は、学習処理に用いられるユーザ端末１０の数に対応する。そして、算出部１３５は、学習部１３４による学習処理の過程において、ユーザ端末１０ごとの重み値を算出する。かかる重み値は、算出に用いられる算出式が増えるにつれ、適切な値に収束していくことが想定される。

算出部１３５は、ユーザのコンテキストの予測に影響を与えると考えられるユーザ端末１０ほど、重み値を高く算出することになる。例えば、処理対象ユーザの日常活動において、時計型端末４０が常にユーザに身に付けられており、常に「動作」のデータを観測しているものとする。この場合、時計型端末４０は、ユーザのコンテキストの予測に寄与する度合いが低いことが想定される。かかるユーザに対して学習処理が行われた場合、算出部１３５は、かかるユーザに関連付けられた時計型端末４０に対して、重み値を低く算出する。一方、かかるユーザの学習に際して、特定のユーザ端末１０が動作していたり画面がＯＮになっていたりするデータに基づいて、ユーザのコンテキストの正解データを高い精度が当てることができると学習された場合には、算出部１３５は、特定のユーザ端末１０の重み値を高く算出する。

なお、算出部１３５は、ユーザ端末１０ごとの重み値のみならず、ユーザ端末の各機能に関する重み値を算出してもよい。例えば、算出部１３５は、ある特定の機能に基づいて取得されるデータがコンテキストの予測に与える影響の度合いが高い場合には、かかる機能に対する重み値を高く算出する。

生成部１３３は、上記で説明してきたような学習処理、及び算出処理に基づいて、ユーザ毎に対応する予測モデルを生成する。これにより、生成部１３３は、コンテキストを予測するために用いられるユーザ端末１０やデータに重み付けがなされた、最適化された予測モデルを生成することができる。

（予測部１３６について）
予測部１３６は、取得部１３１によって取得された各ユーザ端末１０の利用状況の組合せに基づいて、ユーザのコンテキストを予測する。具体的には、予測部１３６は、ユーザ毎に生成された予測モデルに、複数のユーザ端末１０の利用状況の組合せを入力する。そして、予測部１３６は、予測モデルから出力される結果に基づいて、ユーザのコンテキストを予測する。

例えば、予測部１３６は、複数のユーザ端末１０の利用状況の組合せを予測モデルに入力することにより、入力された利用状況の組合せに対応するコンテキストの指標値（スコア）を出力させる。かかるスコアは、入力された利用状況の組合せから予測されるコンテキストの可能性の高低を示す。例えば、出力されたコンテキストのスコアが高いほど、正解データに近いコンテキストを示しているといえる。言い換えれば、出力されたコンテキストのスコアが高いほど、ユーザが「そのコンテキストである可能性」が高いと考えられる。

予測部１３６は、複数のユーザ端末１０の利用状況の組合せとして、上述したようなユーザ端末１０の動作／静止や画面のＯＮ／ＯＦＦ等の情報のみならず、種々の情報を用いてもよい。例えば、予測部１３６は、データが取得された時点での時間情報であったり、予測しようとするデータが取得された時点の前後の時間情報であったり、曜日などの日時情報であったり、位置情報など、種々の情報を予測モデルに入力してもよい。予測部１３６は、生成部１３３により生成された予測モデルが学習した情報を用いることにより、より正確にスコアを出力させることができる。例えば、時間情報とともに学習を多く行った予測モデルに対しては、予測部１３６は、複数のユーザ端末１０の利用状況の組合せに時間情報を含ませることで、より精度の高い予測処理を行うことができる。

ここで、図９及び図１０を用いて、予測部１３６による予測処理の一例について説明する。図９は、実施形態に係る予測部１３６による予測処理の一例を説明する図（１）である。図９では、複数のユーザ端末１０の利用状況として、スマートフォン２０、眼鏡型端末３０、時計型端末４０の各々の「画面ＯＮ／ＯＦＦ」及び「動作／静止」データを、時間情報とともに表示した例を示している。また、図９では、ユーザ端末１０において「画面ＯＮ」や「動作」が観測された場合には、グラフの上向きに「１」が加算されることを示している。図９に示す例では、予測対象であるユーザの時間情報「７：００〜１０：３０」の間に取得されたデータを示している。

予測部１３６は、図９で示したようなデータがある場合に、各々の時間情報も含めてユーザのコンテキストを予測する。ここで、図１０を用いて、予測部１３６が実行した予測処理の一例を示す。図１０は、実施形態に係る予測部１３６による予測処理の一例を説明する図（２）である。図１０では、図９において示したデータに対して、予測部１３６がコンテキストの予測処理を行った結果を示している。

時間情報を含めて学習された予測モデルを用いた予測処理を行った場合、図１０に示すように、予測部１３６は、時間情報に基づくコンテキストの予測結果を出力させることができる。例えば、「７：４２〜８：００」において取得される、「画面ＯＮ」や「動作」が比較的少ない状態は、ユーザが「朝の身支度」というコンテキストにあるということが予測される。その後、「徒歩」というコンテキストが観測された後、「８：１５〜８：５０」において取得される頻繁なスマートフォン２０の利用状況は、ユーザが「電車の中」というコンテキストにあるということが予測される。

図１０に示される利用状況の中には、画面情報や動作情報のみを用いた予測処理では、コンテキストの予測精度が十分でない場合もありうる。しかしながら、時間情報を含めて、「朝の身支度」、「徒歩」、「電車の中」などの一連のユーザの日常活動を正解データとして学習した予測モデルによれば、予測対象となる時点の前後の時間におけるコンテキストを予測処理のパラメータとして利用することができる。これにより、予測部１３６は、より高い精度でユーザのコンテキストを予測することが可能となる。

また、予測部１３６は、ユーザ端末１０から取得された利用状況に基づいて、コンテキストの予測に与える影響を示す重み値がユーザ端末１０ごとに算出されている場合には、算出されたユーザ端末１０ごとの重み値に基づいて、ユーザのコンテキストを予測することとなる。

また、予測部１３６は、取得部１３１が複数のユーザ端末１０の各々が有する機能の利用状況を取得した場合には、かかる機能の利用状況の組合せに基づいて、ユーザのコンテキストを予測する。そして、算出部１３５は機能ごとの重み値を算出し、かかる重み値を利用して予測モデルが生成されている場合には、予測部１３６は、算出された機能ごとの重み値に基づいて、ユーザのコンテキストを予測する。

（配信部１３７について）
配信部１３７は、取得部１３１によって取得されたコンテンツを配信する。具体的には、配信部１３７は、予測部１３６によって予測されたユーザのコンテキストに基づいて、ユーザに関連付けられている複数のユーザ端末１０のいずれかを選択して、所定のコンテンツを配信する。

例えば、配信部１３７は、コンテンツの配信要求を受信した場合に、配信対象となるユーザのコンテキストの予測結果を参照する。そして、配信部１３７は、コンテキストに基づき、適切なコンテンツの配信先となるユーザ端末１０を選択する。そして、配信部１３７は、同一のコンテンツグループに属するコンテンツのうち、選択されたユーザ端末１０に対応するコンテンツを配信する。

コンテキストに基づく適切なコンテンツの配信先となるユーザ端末１０の選択は、予め予測装置１００の管理者等により設定されていてもよい。例えば、予測装置１００の管理者は、コンテキストが「徒歩」であるユーザに対しては、スマートフォン２０よりも眼鏡型端末３０に対応するコンテンツを配信する、などを予め設定することができる。

また、コンテキストに基づく適切なコンテンツの配信先となるユーザ端末１０の選択は、所定の学習処理によって設定されてもよい。例えば、配信部１３７は、コンテキストに関わらず、所定の回数はランダムにユーザ端末１０を選択してコンテンツを配信する。このとき、配信部１３７は、コンテンツに対するユーザの反応等を取得する。そして、配信部１３７は、ユーザからの反応数の大小に基づいて、コンテキストに対応するコンテンツの配信先を決定する。例えば、配信部１３７は、あるコンテキストにおいて特定のユーザ端末１０へ配信した場合にコンテンツへの反応が多く観測された場合には、次にかかるコンテキストにおけるコンテンツ配信をかかる特定のユーザ端末１０に対して行う。このように、配信部１３７は、所定の学習処理を経て、コンテキストに応じた適切な配信先であるユーザ端末１０を設定することができる。

〔４．処理手順〕
次に、図１１及び図１２を用いて、実施形態に係る予測装置１００による処理の手順について説明する。まず、図１１を用いて、ユーザ端末１０の利用状況に基づき、ユーザ毎の予測モデルを生成する処理の手順について説明する。図１１は、実施形態に係る生成処理手順を示すフローチャートである。

図１１に示すように、取得部１３１は、ユーザに関連付けられた複数のユーザ端末１０の利用状況を取得する（ステップＳ１０１）。また、取得部１３１は、ユーザ端末１０の利用状況に対応する正解データを取得する（ステップＳ１０２）。

続いて、解析部１３２は、取得部１３１によって取得された利用状況を解析する（ステップＳ１０３）。そして、生成部１３３は、解析部１３２によって解析された利用状況に基づいて、ユーザ毎の予測モデルを生成する（ステップＳ１０４）。かかる生成処理では、適宜、学習部１３４による学習処理や、算出部１３５による算出処理が行われる。生成部１３３は、生成した予測モデルをモデル記憶部１２２に格納し、生成処理を終了する。

次に、図１２を用いて、ユーザのコンテキストを予測する処理の手順について説明する。図１２は、実施形態に係る予測処理手順を示すフローチャートである。

図１２に示すように、取得部１３１は、ユーザに関連付けられた複数のユーザ端末１０の利用状況を取得したか否かを判定する（ステップＳ２０１）。利用状況を取得していない場合（ステップＳ２０１；Ｎｏ）、取得部１３１は、取得するまで待機する。

一方、取得部１３１が利用状況を取得した場合（ステップＳ２０１；Ｙｅｓ）、予測部１３６は、利用状況を送信したユーザ端末１０に対応するユーザの予測モデルが存在するか否かを判定する（ステップＳ２０２）。対応する予測モデルが存在しない場合（ステップＳ２０２；Ｎｏ）、予測部１３６は予測処理を行わず、予測装置１００による処理は、図１１で示したモデル生成処理へと移行する（ステップＳ２０３）。

一方、対応する予測モデルが存在する場合（ステップＳ２０２；Ｙｅｓ）、予測部１３６は、対応する予測モデルを用いて、ユーザのコンテキストを予測する（ステップＳ２０４）。そして、配信部１３７は、予測されたコンテキストに適したコンテンツをユーザ端末１０に配信する（ステップＳ２０５）。

〔５．変形例〕
上述した予測装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、予測装置１００の他の実施形態について説明する。

〔５−１．予測モデル生成〕
上記実施形態では、ユーザ毎に利用状況を取得し、ユーザに対応する予測モデルを生成する例を示した。しかし、予測装置１００は、特定のユーザの予測モデルの生成に際して、他のユーザで生成された予測モデルを利用して予測モデルを生成してもよい。

予測装置１００は、スマートフォン２０、眼鏡型端末３０、時計型端末４０の３種類の端末を有しているユーザについて、相当数の予測モデルを生成したものとする。例えば、予測装置１００は、スマートフォン２０、眼鏡型端末３０、時計型端末４０の３種類の端末を有しているユーザの１０００人分の予測モデルを生成する。その後、予測装置１００は、スマートフォン２０、眼鏡型端末３０、時計型端末４０の３種類の端末を有しているユーザであって、予測モデルが生成されていないユーザのコンテキストの予測処理を行う場合、既に生成された１０００人分の予測モデルに基づいて、新たに処理対象となるユーザの予測モデルを生成する。

これにより、予測装置１００は、新たに処理対象となるユーザから正解データを取得せずとも、一定の信頼度を有する予測モデルによって、新たに処理対象となるユーザのコンテキストを予測することができる。すなわち、予測装置１００は、利用状況が取得されたユーザに対して予測モデルを生成するのみならず、既に生成された予測モデルを他のユーザに適用するといった、柔軟な予測処理を行うことができる。

〔５−２．重み付け〕
上記実施形態では、予測装置１００が、ユーザ端末１０、又はユーザ端末１０が有する各機能の重み値を算出する例を示した。ここで、予測装置１００は、ユーザ端末１０の組合せの重み値や、ユーザ端末１０が有する機能の組合せの重み値を算出してもよい。

例えば、予測装置１００は、スマートフォン２０と眼鏡型端末３０から取得される利用状況の組合せに関する重み値を算出する。これにより、予測装置１００は、スマートフォン２０と眼鏡型端末３０との利用状況の組合せが、コンテキストの予測にどのような影響を与えるか、といった度合いを算出することができる。また、予測装置１００は、ユーザ端末１０同士のみならず、ユーザ端末１０が有する機能と他の機能との組合せや、ユーザ端末１０が有する機能と他のユーザ端末１０が有する機能との組合せなど、種々の組合せから成るパラメータに関して重み値を算出できる。これにより、単独の端末ではなく、複数の端末が組み合わさることによって予測処理に与える影響を反映した予測モデルを生成することができるため、予測装置１００は、より高精度にユーザのコンテキストを予測することができる。

〔５−３．利用状況〕
上記実施形態では、予測装置１００は、ユーザ端末１０の利用状況として、画面のＯＮ／ＯＦＦや、動作／静止の状態などの情報を取得する例を示した。しかし、予測装置１００は、他の情報を取得してもよい。

例えば、予測装置１００は、ユーザ端末１０の電源の状態を取得してもよい。具体的には、予測装置１００は、ユーザ端末１０の電源がいつＯＮになり、いつＯＦＦになったか、といった利用状況を取得する。また、予測装置１００は、ユーザ端末１０が備える各種センサに対応する情報を適宜取得してもよい。例えば、予測装置１００は、ユーザ端末１０が置かれている場所の温度や湿度、位置情報など、種々の情報を取得することができる。

〔５−４．利用状況の取得〕
上記実施形態では、予測装置１００は、複数のユーザ端末１０の利用状況を取得する例を示した。しかし、予測装置１００は、所定の場合には、特定のユーザ端末１０の利用状況のみを取得したり、特定のユーザ端末１０の利用状況のみを予測処理に用いたりといった、使用するデータの選別を行ってもよい。

すなわち、予測装置１００による学習が進行するにつれ、処理対象とするユーザのコンテキストの予測のために重要なユーザ端末１０が決まってくる場合がある。言い換えれば、かかるユーザに対応する予測モデルにおいて、特定のユーザ端末１０の重み値が相対的に高くなる場合がある。

この場合、予測装置１００は、かかるユーザに関連付けられたユーザ端末１０のうち、重み値が相対的に高い状態にあるいくつかのユーザ端末１０から利用状況を取得し、重み値が相対的に低い状態にあるいくつかのユーザ端末１０からは利用状況を取得しない、といった調整をすることができる。これにより、予測装置１００は、予測精度を落とさずに、処理するデータ量を減らすことができるため、効率の良い予測処理を行うことができる。

〔５−５．コンテンツの配信〕
上記実施形態では、予測装置１００は、予測されたコンテキストに対応するコンテンツを配信する例を示した。ここで、予測装置１００は、予測されたコンテキストに対応するコンテンツを配信するのみならず、予測されたコンテキストの先の時間に想定されるコンテキストに対応するコンテンツを配信してもよい。

すなわち、予測装置１００による学習が進行するにつれ、予測装置１００は、予測されたユーザのコンテキストの先の時間に想定されるコンテキストを予測できる場合がある。例えば、予測装置１００は、時間情報と曜日情報とを含む予測モデルが学習された場合には、処理対象となるユーザについて、ユーザ端末１０が取得した利用状況のタイミングにおけるコンテキストのみならず、その先の時間におけるコンテキストが所定の精度で予測できるようになる。

この場合、予測装置１００は、予測されたコンテキストの先の時間に想定されるコンテキストに対応するコンテンツを配信する。例えば、予測装置１００は、「電車内」にいるユーザが数分後に「徒歩」のコンテキストになることが予測できた場合には、スマートフォン２０ではなく、眼鏡型端末３０に対応するコンテンツを配信する、といった調整を行うことができる。このように、予測装置１００は、ユーザの未来のコンテキストに対する予測処理を行うことで、より適切なタイミングでコンテンツ配信等ができるので、訴求効果の高いコンテンツ配信を実現することができる。

〔５−６．正解データ〕
上記実施形態では、予測装置１００は、ユーザ自身が判定するユーザのコンテキストを正解データとして取得する例を示した。ここで、予測装置１００は、ユーザが判定するコンテキストを正解データとして取得するのみならず、所定の装置により判定されたコンテキストを正解データとして取得してもよい。

例えば、予測装置１００は、コンテンツを判定する他の専用デバイスや、専用アプリから取得できるコンテキストを正解データとして取得してもよい。一例として、予測装置１００は、スマートフォン２０に備えられたＡＰＩ（Application Programming Interface）であって、徒歩、静止、ランニング、利用している交通機関などのユーザの行動状態を判定できるＡＰＩの機能により判定されたコンテキストについて、学習段階における正解データとして取得することができる。

〔５−７．予測装置〕
上記実施形態では、予測装置１００は、ユーザ端末１０から送信された情報を基にユーザのコンテキストを予測する例を示した。ここで、実施形態において予測装置１００により行われたユーザのコンテキスト処理は、ユーザ端末１０によって行われてもよい。

この場合、予測処理を実行するユーザ端末１０は、上記実施形態において予測装置１００が備えていた制御部１３０などの各処理部を備える。そして、ユーザ端末１０は、自ら取得した利用状況や、他のユーザ端末１０が取得した利用状況を集計し、ユーザのコンテキスト予測処理を実行する。このように、ユーザのコンテキスト処理は、必ずしも予測装置１００のようなサーバ装置を要するものではなく、ユーザ端末１０の１台を親機とする構成によって実現されてもよい。例えば、スマートフォン２０を親機とする場合、眼鏡型端末３０や、時計型端末４０、その他活動量計や、所定のオーディオ機器などを利用してコンテキストの予測処理が行われてもよい。なお、予測処理を実行するスマートフォン２０は、自らが必ずしもユーザの利用状況を取得することを要さず、眼鏡型端末３０や、時計型端末４０等から取得される利用状況を用いて予測処理を実行する予測装置として機能してもよい。また、上述してきた処理は、複数台のユーザ端末１０によって実現されてもよい。例えば、２台のユーザ端末１０のうち、１台が取得部を有し、他の１台が予測部を有するものとし、１台のユーザ端末１０によってユーザの利用状況の取得処理が行われ、他の１台のユーザ端末１０によってコンテキストの予測処理が行われることにより、上述した処理が実現されてもよい。

〔６．ハードウェア構成〕
上述してきた実施形態に係る予測装置１００は、例えば図１３に示すような構成のコンピュータ１０００によって実現される。以下、予測装置１００を例に挙げて説明する。図１３は、予測装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００又はＨＤＤ１４００に記憶されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を記憶する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を記憶する。通信インターフェイス１５００は、通信網５００（図２に示したネットワークＮに対応）を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを、通信網５００を介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、入出力インターフェイス１６００を介して生成したデータを出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に記憶されたプログラム又はデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る予測装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。また、ＨＤＤ１４００には、記憶部１２０内のデータが記憶される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から通信網５００を介してこれらのプログラムを取得してもよい。

〔７．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、図３に示した解析部１３２と、学習部１３４とは統合されてもよい。また、例えば、記憶部１２０に記憶される情報は、ネットワークＮを介して、外部に備えられた記憶装置に記憶されてもよい。

また、例えば、上記実施形態では、予測装置１００が、コンテキストを予測する予測処理と、コンテンツを配信する配信処理とを行う例を示した。しかし、上述した予測装置１００は、予測処理を行う予測装置２００と、配信処理を行う配信装置３００とに分離されてもよい。この場合、予測装置２００は、取得部１３１と、解析部１３２と、学習部１３４と、予測部１３６とを有する。また、配信装置３００は、配信部１３７を有する。この場合、実施形態に係る予測装置１００による処理は、予測装置２００と、配信装置３００といった各装置を有する予測処理システム１によって実現される。

また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

〔８．効果〕
上述してきたように、実施形態に係る予測装置１００は、取得部１３１と、予測部１３６とを有する。取得部１３１は、ユーザによって利用される複数のユーザ端末１０における利用状況を取得する。予測部１３６は、取得部１３１によって取得された各ユーザ端末１０の利用状況の組合せに基づいて、ユーザのコンテキストを予測する。

このように、実施形態に係る予測装置１００は、複数のユーザ端末１０の利用状況を組合せることにより、ユーザのコンテキストを予測する。これにより、予測装置１００は、直接的なコンテキストアウェアネス（Context Awareness）の機能（特殊なセンサ、コンテキスト知覚のための複雑なプログラム等）によらず、通常のユーザ端末１０の使用態様に基づいて、高い精度でユーザのコンテキストを捉えることができる。結果として、予測装置１００によれば、コンテキスト把握のためのユーザ端末１０及びユーザの負担を軽減させることができる。

また、取得部１３１は、複数のユーザ端末１０のうち少なくとも一つはユーザが携帯可能な移動端末における利用状況を取得する。予測部１３６は、携帯可能な移動端末を含む各ユーザ端末１０の利用状況の組合せに基づいて、ユーザのコンテキストを予測する。

このように、実施形態に係る予測装置１００は、いわゆるモバイル端末の利用状況を取得することで、ユーザの動作や位置情報を取得することが可能となる。これにより、予測装置１００は、通常の態様において所定の場所に設置されるユーザ端末１０よりも、ユーザのコンテキストを高い精度で予測することができる。

また、取得部１３１は、複数のユーザ端末１０の各々が有する機能の利用状況を取得する。予測部１３６は、取得部１３１によって取得された各機能の利用状況の組合せに基づいて、ユーザのコンテキストを予測する。

このように、実施形態に係る予測装置１００は、ユーザ端末１０の利用状況の一態様として、ユーザ端末１０が有する機能（例えば、ユーザ端末１０にインストールされたアプリ等により実現される）の利用状況を取得することができる。例えば、予測装置１００は、ユーザ端末１０にインストールされたユーザの行動を記憶するセンシングアプリから送信される情報に基づいて、ユーザのコンテキストを予測することができる。これにより、予測装置１００は、より多数の情報を組み合わせることができるため、高い精度でユーザのコンテキストを予測することができる。

また、実施形態に係る予測装置１００は、各ユーザ端末１０から取得された利用状況に基づいて、コンテキストの予測に与える影響を示す重み値をユーザ端末１０ごとに算出する算出部１３５をさらに備える。予測部１３６は、算出部１３５によって算出されたユーザ端末１０ごとの重み値に基づいて、ユーザのコンテキストを予測する。

このように、実施形態に係る予測装置１００は、予測処理を行う上で重要となるユーザ端末１０を判定しつつ、ユーザのコンテキストを予測することができる。例えば、予測装置１００は、重み付けにより最適化された予測モデルを用いてユーザのコンテキストを予測するため、より予測精度を向上させることができる。

また、取得部１３１は、複数のユーザ端末１０の各々が有する機能の利用状況を取得する。算出部１３５は、機能ごとにコンテキストの予測に与える影響を示す重み値を算出する。予測部１３６は、算出部１３５によって算出された機能ごとの重み値に基づいて、ユーザのコンテキストを予測する。

このように、実施形態に係る予測装置１００は、ユーザ端末１０が有する機能に関しても重み付けを算出することができる。これにより、予測装置１００は、予測精度の向上を図るとともに、例えば重み値の低い機能に関しては利用状況の取得をしない等の、予測処理の効率化を図ることができる。

また、取得部１３１は、各ユーザ端末１０の利用状況を示す離散的なデータを取得する。予測部１３６は、各ユーザ端末１０から取得された離散的なデータの組合せに基づいて、ユーザのコンテキストを予測する。

具体的には、取得部１３１は、各ユーザ端末１０の利用状況を示す２値化データを取得する。予測部１３６は、各ユーザ端末１０から取得された２値化データの組合せに基づいて、ユーザのコンテキストを予測する。

このように、実施形態に係る予測装置１００は、ユーザ端末１０の画面状態や動作状態といった、比較的容易に得られ、また、解析に負荷のかかりにくい離散的なデータを取得する。これにより、データを取得するユーザ端末１０及び予測処理を行う予測装置１００の処理負担を軽減させることができる。

また、実施形態に係る予測装置１００は、予測部１３６によって予測されたユーザのコンテキストに基づいて、複数のユーザ端末１０のいずれかを選択してコンテンツを配信する配信部１３７をさらに備える。

このように、実施形態に係る予測装置１００は、コンテキストに応じて、ユーザ端末１０を選択してコンテンツを配信することができる。これにより、予測装置１００は、より訴求効果が高くなると想定されるコンテンツ配信を行うことができる。また、ユーザにとっても、複数のユーザ端末１０の中からコンテキストに適したユーザ端末１０にコンテンツが配信されることで、コンテンツが含む情報を取得しやすくなる。

また、実施形態に係るユーザ端末１０であって、ユーザによって利用される複数のユーザ端末１０のうちのいずれかのユーザ端末１０は、取得部（予測装置１００に係る取得部１３１に対応する）と、予測部（予測装置１００に係る予測部１３６に対応する）とを有する。予測処理を実行するユーザ端末１０に係る取得部は、ユーザによって利用される複数のユーザ端末１０における利用状況を取得する。予測処理を実行するユーザ端末１０に係る予測部は、取得部によって取得された各ユーザ端末１０の利用状況の組合せに基づいて、ユーザのコンテキストを予測する。

このように、実施形態に係るユーザ端末１０は、サーバ装置などへの情報の送信を要することなく、自ら、あるいは、他のユーザ端末１０から取得した情報を用いて、ユーザのコンテキストの予測処理を実行することができる。これにより、ユーザ端末１０は、サーバ装置とのネットワーク上のやりとりを経ずとも、高い精度でユーザのコンテキストを予測することができる。なお、かかる処理は、複数台のユーザ端末１０によって行われてもよい。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。

１ 予測処理システム
１０ ユーザ端末
２０ スマートフォン
３０ 眼鏡型端末
４０ 時計型端末
１００ 予測装置
１１０ 通信部
１２０ 記憶部
１２１ 利用状況記憶部
１２２ モデル記憶部
１２３ コンテンツ記憶部
１３０ 制御部
１３１ 取得部
１３２ 解析部
１３３ 生成部
１３４ 学習部
１３５ 算出部
１３６ 予測部
１３７ 配信部

Claims (11)

1. ユーザによって利用される複数の端末における利用状況を取得する取得部と、
   前記取得部によって取得された各端末の利用状況の組合せに基づいて、前記ユーザのコンテキストを予測する予測部と、
   を備えたことを特徴とする予測装置。
2. 前記取得部は、
   前記複数の端末のうち少なくとも一つはユーザが携帯可能な移動端末における利用状況を取得し、
   前記予測部は、
   前記携帯可能な移動端末を含む各端末の利用状況の組合せに基づいて、前記ユーザのコンテキストを予測する、
   ことを特徴とする請求項１に記載の予測装置。
3. 前記取得部は、
   前記複数の端末の各々が有する機能の利用状況を取得し、
   前記予測部は、
   前記取得部によって取得された各機能の利用状況の組合せに基づいて、前記ユーザのコンテキストを予測する、
   ことを特徴とする請求項１又は２に記載の予測装置。
4. 前記各端末から取得された利用状況に基づいて、コンテキストの予測に与える影響を示す重み値を端末ごとに算出する算出部
   をさらに備え、
   前記予測部は、
   前記算出部によって算出された端末ごとの重み値に基づいて、前記ユーザのコンテキストを予測する、
   ことを特徴とする請求項１〜３のいずれか一つに記載の予測装置。
5. 前記取得部は、
   前記複数の端末の各々が有する機能の利用状況を取得し、
   前記算出部は、
   前記機能ごとにコンテキストの予測に与える影響を示す重み値を算出し、
   前記予測部は、
   前記算出部によって算出された機能ごとの重み値に基づいて、前記ユーザのコンテキストを予測する、
   ことを特徴とする請求項４に記載の予測装置。
6. 前記取得部は、
   前記各端末の利用状況を示す離散的なデータを取得し、
   前記予測部は、
   前記各端末から取得された離散的なデータの組合せに基づいて、前記ユーザのコンテキストを予測する、
   ことを特徴とする請求項１〜５のいずれか一つに記載の予測装置。
7. 前記取得部は、
   前記各端末の利用状況を示す２値化データを取得し、
   前記予測部は、
   前記各端末から取得された２値化データの組合せに基づいて、前記ユーザのコンテキストを予測する、
   ことを特徴とする請求項１〜６のいずれか一つに記載の予測装置。
8. 前記予測部によって予測されたユーザのコンテキストに基づいて、前記複数の端末のいずれかを選択してコンテンツを配信する配信部
   をさらに備えたことを特徴とする請求項１〜７のいずれか一つに記載の予測装置。
9. ユーザによって利用される複数の端末のうちのいずれかの端末であって、
   前記複数の端末における利用状況を取得する取得部と、
   前記取得部によって取得された各端末の利用状況の組合せに基づいて、前記ユーザのコンテキストを予測する予測部と、
   を備えたことを特徴とする端末。
10. コンピュータが実行する予測方法であって、
    ユーザによって利用される複数の端末における利用状況を取得する取得工程と、
    前記取得工程によって取得された各端末の利用状況の組合せに基づいて、前記ユーザのコンテキストを予測する予測工程と、
    を含んだことを特徴とする予測方法。
11. ユーザによって利用される複数の端末における利用状況を取得する取得手順と、
    前記取得手順によって取得された各端末の利用状況の組合せに基づいて、前記ユーザのコンテキストを予測する予測手順と、
    をコンピュータに実行させることを特徴とする予測プログラム。