JP2018032173A - 探索プログラム、探索方法および探索装置 - Google Patents

Abstract

【課題】回答者の選好を適切に特定することを課題とする。【解決手段】探索装置は、回答者の属性に基づき、属性が共通する他の回答者群を特定する。探索装置は、他の回答者群の選好を初期値として、回答者に対する複数の問い合わせであって、他の回答者群の属するセグメントに対応した複数の問い合わせにより、回答者の選好を探索する。探索装置は、初期値から所定回数の問い合わせおよび探索の後も、所定の条件を満たさない場合は、属性および問い合わせに対する回答と、過去の所定の条件を満たした回答者群の選好に基づき、特定の回答者群を生成または抽出する。探索装置は、特定の回答者群の選好を初期値として、回答者の選好の探索を行う。【選択図】図２

Description

本発明は、探索プログラム、探索方法および探索装置に関する。

従来から、Ｗｅｂページなどを用いて、回答者に質問を出して回答させることで、回答者の選好を探索する技術が知られている。例えば、マーケット調査において、対象者に対し行った複数の質問項目に対する回答内容に応じて、事前に大量のデータから生成したセグメントのいずれかに対象者を区分し、区分されたセグメントを活用することが行われている。

国際公開第２００６／０５７３５６号 特開２００７−１１５２２２号公報

例えば、上記技術を用いて、移住希望者に複数回の質問を行って、移住希望者の重要項目や好みなどである選好を推定し、移住希望者と地方自治体とをマッチングする場合、ユーザを属性によってセグメンテーションして各セグメントの選好を予め推定しておく手法を用いることで、移住希望者の属性から選好等を推定して、移住希望者と地方自治体とをマッチングすることは可能である。

しかしながら、上記技術では、移住希望者など回答者の選好を適切に特定することが難しい。例えば、質問回数を多くすると選好の推定精度が向上するが、移住希望者の負荷の増大や飽きにより、推定が行われる前にシステムを離脱する可能性が高く、システムそのものの利用頻度も低下する。また、セグメンテーションは人手によって行われるのが一般的であり、正しいセグメント化が行われているとは限らず、選好の推定も信頼度が高くない。

一つの側面では、回答者の選好を適切に特定することができる探索プログラム、探索方法および探索装置を提供することを目的とする。

第１の案では、探索プログラムは、回答者の回答内容に基づき、複数のセグメントのいずれかに当該回答者を割り当てる処理をコンピュータに実行させる。探索プログラムは、前記回答者の属性に基づき、前記属性が共通する他の回答者群を特定する処理をコンピュータに実行させる。探索プログラムは、前記他の回答者群の選好を初期値として、前記回答者に対する複数の問い合わせであって、前記他の回答者群の属するセグメントに対応した複数の問い合わせにより、前記回答者の選好を探索する処理をコンピュータに実行させる。探索プログラムは、前記初期値から所定回数の問い合わせおよび探索の後も、所定の条件を満たさない場合は、前記属性および前記問い合わせに対する回答と、過去の前記所定の条件を満たした回答者群の選好に基づき、特定の回答者群を生成または抽出し、前記特定の回答者群の選好を初期値として、前記回答者の選好の探索を行う処理をコンピュータに実行させる。

一実施形態によれば、回答者の選好を適切に特定することができる。

図１は、実施例１にかかるシステムの全体構成例を説明する図である。 図２は、実施例１にかかる探索装置の機能構成を示す機能ブロック図である。 図３は、自治体情報ＤＢに記憶される情報の例を示す図である。 図４は、ユーザ属性ＤＢに記憶される情報の例を示す図である。 図５は、地域マッピングの画面例を説明する図である。 図６は、初期セグメント時の空間マッピングを説明する図である。 図７は、重視項目による重みの変化および類似判定を説明する図である。 図８は、同一セグメント内の選好推定を説明する図である。 図９は、再セグメント化を説明する図である。 図１０は、再セグメントの分類根拠となる属性の特定を説明する図である。 図１１は、再セグメントのラベリングを説明する図である。 図１２は、対象ユーザの再セグメント化を説明する図である。 図１３は、処理の流れを示すフローチャートである。 図１４は、問い合わせ回数の削減を説明する図である。 図１５は、初期セグメントが正しい場合に実施例１による手法を利用したときのユーザ選好の移動回数を説明する図である。 図１６は、初期セグメントが正しい場合に手動による質問を用いたときのユーザ選好の移動回数を説明する図である。 図１７は、初期セグメントが間違っている場合に実施例１による手法を利用したときのユーザ選好の移動回数を説明する図である。 図１８は、初期セグメントが間違っている場合に手動による質問を用いたときのユーザ選好の移動回数を説明する図である。 図１９は、ハードウェア構成例を示す図である。

以下に、本願の開示する探索プログラム、探索方法および探索装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。

［全体構成］
図１は、実施例１にかかるシステムの全体構成例を説明する図である。図１に示すように、このシステムは、ユーザ端末１と探索装置１０とがネットワークＮを介して接続される移住者マッチングシステムである。ネットワークＮは、有線や無線を問わず、インターネットなどの各種ネットワークを採用することができる。

本システムでは、移住希望者が使用するユーザ端末１が、移住地を検索するために探索装置１０にアクセスする。そして、探索装置１０が、ユーザ端末１に複数回の質問を表示させて、移住希望者の重要項目や好みなどである選好を推定し、選好に合致する地方自治体をユーザ端末１に表示する。このようにして、本システムは、移住希望者と移住先となる地方自治体とをマッチングするシステムである。

なお、本実施例では、移住者マッチングシステムを例にして説明するが、これに限定されるものではない。例えば、ユーザへの問い合わせの回答によってユーザの選好を推定するシステムであれば、どのようなシステムにも適用することができる。

ユーザ端末１は、移住希望者が使用するコンピュータ装置であり、例えばパーソナルコンピュータ、携帯電話、タブレット端末、スマートフォンなどである。なお、移住希望者は、回答者の一例である。

探索装置１０は、上述した移住者マッチングを実行するサーバ装置の一例である。この探索装置１０は、「地域Ａ、地域Ｂ，地域Ｃ」などの地方自治体に関する情報、移住者マッチングが終了して満足する地方自治体が検索できたユーザ（以下では、満足ユーザと記載する場合がある）に関する情報、満足ユーザが入力した各種ログなどを記憶する。

このようなシステムにおいて、探索装置１０は、回答者の回答内容に基づき、複数のセグメントのいずれかに当該回答者を割り当てる。また、探索装置１０は、回答者の属性に基づき、属性が共通する他の回答者群を特定する。そして、探索装置１０は、他の回答者群の選好を初期値として、回答者に対する複数の問い合わせであって、他の回答者群の属するセグメントに対応した複数の問い合わせにより、回答者の選好を探索する。その後、探索装置１０は、初期値から所定回数の問い合わせおよび探索の後も、所定の条件を満たさない場合は、属性および問い合わせに対する回答と、過去の所定の条件を満たした回答者群の選好に基づき、特定の回答者群を生成または抽出し、当該特定の回答者群の選好を初期値として、回答者の選好の探索を行う。

つまり、探索装置１０は、回答者と同一セグメントの他回答者の選好に基づく問い合わせで満足する嗜好が得られない場合、異なるセグメントに回答者を再分類して問い合わせを行うので、回答者の選好を適切に特定することができる。

［機能構成］
図２は、実施例１にかかる探索装置１０の機能構成を示す機能ブロック図である。図２に示すように、探索装置１０は、通信部１１、記憶部１２、制御部１６を有する。通信部１１は、ユーザ端末１などの他の端末との通信を制御する処理部であり、例えば通信インタフェースなどである。例えば、通信部１１は、ユーザ端末１との間でＷｅｂブラウザによる通信を確立し、Ｗｅｂブラウザ上での情報のやり取りを実現する。

記憶部１２は、制御部１６が実行するプログラムやデータを記憶する記憶装置の一例であり、例えばメモリやハードディスクなどである。この記憶部１２は、自治体情報ＤＢ１３、ログＤＢ１４、ユーザ属性ＤＢ１５を記憶する。

自治体情報ＤＢ１３は、探索装置１０がマッチング対象とする地方自治体に関する情報を記憶するデータベースである。図３は、自治体情報ＤＢ１３に記憶される情報の例を示す図である。図３に示すように、自治体情報ＤＢ１３は、「地域名、交通、買い物、学校、近所付合、病院、安全性」などを対応付けて記憶する。

ここで記憶される「地域名」は、移住先となる地方自治体の地域の名称である。「交通、買い物、学校、近所付合、病院、安全性」は、地域のアピールポイントなどであり、ここで挙げた項目は任意に数や内容を変更することができる。「交通」は、地域の交通の利便性に関する情報であり、「買い物」は、地域にあるスーパーなどの情報であり、「学校」は、地域内の学校の設置情報などである。「近所付合」は、地域の近所付き合いに関する情報であり、「病院」は、地域内の病院に関する情報であり、「安全性」は、地域内の犯罪件数などに関する情報である。

図３の場合、「地域Ａ」は、１日に○○駅から片道〇本の電車が通っており、地域内に大型スーパーがあり、最寄りの小学校まで徒歩〇分である。また、「地域Ａ」は、行事参加率が〇％であり、かかりつけ医院数が〇件であり、軽犯罪が１年に〇件発生していることを示す。

ログＤＢ１４は、移住者マッチングで発生した各種ログを記憶するデータベースである。具体的には、ログＤＢ１４は、ユーザごとに、探索装置１０からの問合せ、当該問い合わせに対する応答、ユーザが入力した属性などを記憶する。

ユーザ属性ＤＢ１５は、ユーザに関する各種情報を記憶するデータベースである。図４は、ユーザ属性ＤＢ１５に記憶される情報の例を示す図である。図４に示すように、ユーザ属性ＤＢ１５は、「ユーザ名、属性情報、状況、選択自治体」を対応付けて記憶する。ここで記憶される「ユーザ名」は、移住希望者であるユーザの名称であり、システムログイン時などから取得できる。「属性情報」は、ユーザが入力または設定したユーザの属性である。「状況」は、移住先となる地方自治体の探索が終了したか否かを示す情報であり、「選択自治体」は、移住先の候補としてユーザが選択した地方自治体の名称である。

図４の場合、「ユーザＸ」は、属性情報として「３３歳、子供なし、既婚」が設定されており、移住先として「地域Ｂ」を選択したことを示す。なお、「状況」が「終了」で「選択自治体」が登録されているユーザが、上記満足ユーザに該当する。

制御部１６は、探索装置１０全体を司る処理部であり、例えばプロセッサなどである。この制御部１６は、選好探索部２０と属性探索部３０とを有する。なお、選好探索部２０と属性探索部３０は、プロセッサが有する電子回路の一例やプロセッサが実行するプロセスの一例である。なお、選好探索部２０は、特定部と第１の探索部の一例であり、属性探索部３０は、抽出部と第２の探索部の一例である。

選好探索部２０は、初期分類部２１、掲示部２２、選択受付部２３、類似判定部２４、掲示制御部２５を有し、移住希望者であるユーザをセグメンテーションしたセグメント内で、ユーザの選好を探索する処理部である。具体的には、選好探索部２０は、移住希望者であるユーザがセグメンテーションされたセグメント内の満足ユーザの重みを用いて、移住希望者であるユーザの重みを所定回数変更して、所望の地方自治体を探索する。

初期分類部２１は、移住希望者が使用するユーザ端末１から、移住希望者をセグメントに分類する処理部である。具体的には、初期分類部２１は、初期条件として、「子供の有無、子供の学年、年齢層、車の運転の可否、通勤手段、配偶者の有無」などの属性情報を受け付けて、ユーザ属性ＤＢ１５に格納する。そして、初期分類部２１は、予め行ったアンケート情報によって推定された地域の特徴量に対する重視度（以降では、重みと記載する場合がある）を用いて、ユーザの属性に見合った重みの値を初期値に設定する。なお、重みの数値化などは任意の手法を採用することができる。その後、初期分類部２１は、初期値を与えたユーザを、地域の特徴をパラメータとする空間内にマッピングする。

例えば、初期分類部２１は、新規の移住希望者（以下、ユーザｉやｉさんと記載する場合がある）から、ユーザ属性として「子供なし、６０代」などを受け付ける。続いて、初期分類部２１は、予め推定された地域の特徴量「地域のつながり、交通利便性」を、過去の満足ユーザの属性情報やログにしたがって各満足ユーザについて算出し、空間内へプロットする。

そして、初期分類部２１は、プロットした満足ユーザについて、既存のクラスタリング技術を用いてセグメンテーションを実行し、例えば「セグメント（子供なし）」と「セグメント（子供有り）」に分類する。その後、初期分類部２１は、属性「子供なし」である新規の移住希望者（ユーザｉ）を「セグメント（子供なし）」に分類する。続いて、初期分類部２１は、重視度の初期値として、「セグメント（子供なし）」の平均値である（交通利便性、地域のつながり）＝（７、１３）を設定する。

掲示部２２は、ユーザ属性に基づいて、マッチング対象の地方自治体を抽出して、新規の移住希望者（ユーザｉ）のユーザ端末１に表示する処理部である。具体的には、掲示部２２は、各地域の特徴量の値のベクトルとユーザ固有の重みベクトルとの内積を算出し、各地域に対して得点（スコア）を算出する。そして、掲示部２２は、スコアのトップＮリストを生成して、Ｗｅｂページに掲示する。

より詳細には、地域の特徴量を「地域のつながり、交通利便性」とした場合、掲示部２２は、地域Ａの特徴量を、（ｘ_{Ａ，ｎｅｉｇ}、ｘ_{Ａ，ｔｒａｎ}）を用いた式（１）で表す。また、掲示部２２は、ユーザｉの持つ各特徴量への重みを、（β_{ｉ，ｎｅｉｇ}、β_{ｉ，ｔｒａｎ}）を用いた式（２）で表す。したがって、掲示部２２は、ユーザｉにとって地域Ａのスコアを、式（１）と式（２）の内積により式（３）で算出することができる。例えば、掲示部２２は、（ｘ_{Ａ，ｎｅｉｇ}、ｘ_{Ａ，ｔｒａｎ}）＝（１０、３）、（β_{ｉ，ｎｅｉｇ}、β_{ｉ，ｔｒａｎ}）＝（７、１３）とした場合、Ｓｃｏｒｅ_ｉ，Ａ＝（７×１０＋１３×３）＝１０９と算出することができる。このようにして、掲示部２２は、移住先候補となる複数の地域それぞれについて、上記手法によりスコアを算出し、スコアが高い上位Ｎ個の地方自治体のリストを表示する。なお、Ｎの数は任意に決定することができる。

選択受付部２３は、掲示部２２によって表示された地方自治体のリストに対して、ユーザが満足したか否かの選択を受け付ける処理部である。具体的には、選択受付部２３は、掲示部２２によって上位Ｎ個の地方自治体のリストに、所望する地方自治体が含まれるか否か、および、所望する地方自治体が含まれない場合にはさらに重視する項目を、ユーザｉに問い合わせる。

そして、選択受付部２３は、所望する地方自治体が含まれる回答、すなわち満足する旨の回答を受け付けた場合、ユーザ属性ＤＢ１５の該当ユーザの「状況」を「終了」に設定する。このとき、選択受付部２３は、掲示部２２によって表示されたリストのうち、ユーザｉが選択した少なくとも１つの地方自治体（地域）を、ユーザ属性ＤＢ１５の「選択自治体」に格納する。

一方、選択受付部２３は、所望する地方自治体が含まれないことから、さらに重視する項目の選択を受け付けた場合、選択された項目の重みづけをランダムに増加させる。例えば、選択受付部２３は、「地域のつながり」か「交通利便性」かのいずれをさらに重視するかの選択を受け付けて、正規分布にしたがった式（４）などを用いて、ユーザｉの重みベクトル（β_ｉ）をランダムに変更する。例えば、ユーザｉがさらに交通利便性を重視した場合、ユーザｉの重みベクトル（β_ｉ）である（交通利便性＝７、地域のつながり＝１３）が（交通利便性＝９、地域のつながり＝１３）などに変更される。

類似判定部２４は、ユーザｉと同一セグメント内で、選択受付部２３によってランダムに変更されたユーザｉの重みと類似する重みを持つ満足ユーザが存在しないか否かを検索する処理部である。具体的には、類似判定部２４は、ユーザｉと同一セグメント内の各満足ユーザの重みと、選択受付部２３によってランダムに変更されたユーザｉの重みとの類似度を、ｃｏｓ類似度やユークリッド距離などを用いて算出する。

上記例で説明すると、類似判定部２４は、ランダムに増加されたユーザｉの重み（交通利便性＝９、地域のつながり＝１３）と、満足ユーザｘ、ｙ、ｊ、ｚそれぞれとのｃｏｓ類似度を算出する。ここで、類似判定部２４は、ユーザｉの重み（交通利便性＝９、地域のつながり＝１３）と、満足ユーザｊの重み（交通利便性＝９、地域のつながり＝１２）とのｃｏｓ類似度を算出すると（式（５））、最も類似度が高くかつ閾値（例えば０．７）より大きいことから、ユーザｉの重みとユーザｊの重みとが類似すると判定する。

この結果、類似判定部２４は、満足ユーザｊの重みの方がユーザｉの真の選好に近い可能性が高いと仮定し、満足ユーザｊの重みをユーザｉの重みとする。つまり、類似判定部２４は、ユーザｉの重みをランダムに増加された（交通利便性＝９、地域のつながり＝１３）ではなく、満足ユーザｊの重み（交通利便性＝９、地域のつながり＝１２）に変更して、掲示制御部２５に出力する。なお、類似判定部２４は、類似度が閾値以上の満足ユーザが見つからない場合は、ランダムに変更されたユーザｉの重みを（交通利便性＝９、地域のつながり＝１３）をそのまま掲示制御部２５に出力する。

掲示制御部２５は、類似判定部２４から入力されたユーザｉの重みを用いて、マッチング対象の地方自治体を抽出して、ユーザｉのユーザ端末１に表示する処理部である。具体的には、掲示制御部２５は、掲示部２２と同様の手法を用いて、移住先候補となる複数の地域それぞれについて、上記手法によりスコアを算出し、スコアが高い上位Ｎ個の地方自治体のリストを表示する。

ここで、掲示制御部２５は、所望する地方自治体が含まれるか否か、および、所望する地方自治体が含まれない場合にはさらに重視する項目を、ユーザｉに問い合わせる。そして、掲示制御部２５は、所望する地方自治体が含まれる回答、すなわち満足する旨の回答を受け付けた場合、ユーザ属性ＤＢ１５に各種情報を格納する。

一方で、掲示制御部２５は、所望する地方自治体が含まれず、重視項目の選択回数すなわち類似の算出回数が閾値未満の場合は、選択受付部２３に対して処理の続行を指示する。つまり、選択受付部２３が、さらに重視する項目をユーザｉに問い合わせ、類似判定部２４が、類似する満足ユーザの検索を実行する。

また、掲示制御部２５は、所望する地方自治体が含まれず、重視項目の選択回数すなわち類似の算出回数が閾値以上の場合は、属性探索部３０に対して処理の開始を要求する。つまり、掲示制御部２５は、初期のセグメントが誤っている可能性が高いと判定し、属性探索部３０に対して再セグメンテーションの開始を要求する。

属性探索部３０は、再分類部３１、属性特定部３２、属性問合せ部３３、掲示制御部３４を有し、移住希望者であるユーザｉの再セグメンテーションを実行して、属性による分類の見直しを実行する処理部である。つまり、属性探索部３０は、選好探索部２０によって、一定回数以上リストを更新しても満足しなかったユーザに対して、さらに急激に指標の値である重みを変化させる。

再分類部３１は、既存の満足ユーザの属性情報からクラスタリング技術を用いて、再度セグメンテーションを実行する処理部である。つまり、再分類部３１は、システム利用済ユーザが増えてくると、満足ユーザが増加してくるため、まだ満足していない新規ユーザに対して、満足したユーザの重みを元にセグメンテーション自体を修正することで大きく重みを変更する。

上記した例で説明すると、再分類部３１は、「セグメント（子供なし）」と「セグメント（子供あり）」に分類されている状態で、再度クラスタリングを行うことで、「子供なしが所定数以上かつ２０代から３０代が所定数以上のセグメント」と、「子供ありが所定数以上かつ４０代から５０代が所定数以上のセグメント」と、「子供ありが所定数以上かつ６０代以上が所定数以上のセグメント」とに分類する。そして、再分類部３１は、分類結果を属性特定部３２に通知する。

属性特定部３２は、再分類部３１によって分類された各セグメントの属性と特定する処理部である。具体的には、属性特定部３２は、再セグメンテーションの結果から、初期分類部２１が分類の根拠とした属性とは異なる属性を、分類の根拠として特定する。

上記例で説明すると、属性特定部３２は、再分類部３１から分類結果として、「子供なしが所定数以上かつ２０代から３０代が所定数以上のセグメント」と、「子供ありが所定数以上かつ４０代から５０代が所定数以上のセグメント」と、「子供ありが所定数以上かつ６０代以上が所定数以上のセグメント」を受け付ける。そして、属性特定部３２は、初期分類部２１が分類の根拠として「子供の有無」を除外し、「年齢層」で分類するのが妥当であると判定する。

この結果、属性特定部３２は、再分類部３１によって分類された各セグメントを、「セグメント（２０代から３０代）」と「セグメント（４０代から５０代）」と「セグメント（６０代以上）」に設定する。つまり、属性特定部３２は、各セグメントに対して、２０代から３０代、４０代から５０代、６０代以上のラベリングを実行する。そして、属性特定部３２は、ラベリングの結果を属性問合せ部３３に出力する。

属性問合せ部３３は、再セグメンテーションされた各セグメントに、処理中のユーザｉを分類するための問合せを実行する処理部である。具体的には、属性問合せ部３３は、属性特定部３２から入力されたラベリングにしたがって、ユーザｉのユーザ端末１に問い合わせを行う。

上記例で説明すると、属性問合せ部３３は、ユーザｉに対して、「２０代から３０代、４０代から５０代、６０代以上」のいずれに該当するかを問い合わせる。ここで、属性問合せ部３３は、問い合わせることなく、ユーザｉから受け付けた属性情報にしたがって自動的に特定することもできる。ここでは、属性問合せ部３３は、属性として「６０代以上」を特定して、掲示制御部３４に通知する。

掲示制御部３４は、属性問合せ部３３による問い合わせで得られた属性に応じて、ユーザｉを該当するセグメントに分類する処理部である。具体的には、掲示制御部３４は、処理対象のユーザｉを新たなセグメントに分類し、ユーザｉの重みを新たに設定する。そして、掲示制御部３４は、各地域に対する上記スコアを算出して、トップＮリストを生成して、Ｗｅｂページに掲示する。

上記例で説明すると、掲示制御部３４は、ユーザｉをセグメント（６０代以上）に分類し、セグメント（６０代以上）に該当する満足ユーザの重みの平均値を、ユーザｉの新たな重み（交通利便性＝１８、地域のつながり＝６）として設定する。そして、掲示制御部３４は、このユーザｉの新たな重みを用いて、各地域のスコアを算出し、スコアが高い上位Ｎ個の地方自治体のリストを表示する。

このとき、掲示制御部３４は、表示された地方自治体のリストに対して、ユーザが満足したか否かの選択を受け付け、満足する場合は、ユーザ属性ＤＢ１５に各種情報を記憶して処理を終了する。一方、掲示制御部３４は、表示された地方自治体のリストに対して、ユーザｉが満足せず、かつ、繰り返し回数が閾値未満である場合は、ユーザｉの新たな重み（交通利便性＝１８、地域のつながり＝６）およびセグメント（６０代以上）を選好探索部２０に通知する。この通知を受けた選好探索部２０は、受け付けた情報を用いて所望の地方自治体を探索する。また、掲示制御部３４は、表示された地方自治体のリストに対して、ユーザｉが満足せず、かつ、繰り返し回数が閾値以上である場合は、該当する地方自治体がないとして処理を終了する。なお、掲示制御部３４は、ユーザが満足するまで、ユーザの意思で処理を繰り返しても良い。

［具体例］
次に、上述した例について具体的に説明する。ここでは、新規ユーザをしてユーザｉ、重視項目が「交通利便性、地域のつながり」の２項目である場合を例にして、空間マッピングにより処理を具体的に説明する。まず、初期分類部２１は、ログイン等を行ったユーザ端末１に、図５に示す画面５０を表示する。

図５は、地域マッピングの画面例を説明する図である。図５に示す画面５０は、ログイン時に表示される初期画面の一例である。図５に示すように、この画面５０の５０Ａの領域は、ユーザｉの属性やユーザｉが重視項目を表示する領域であり、属性探索部３０の処理によって更新される。５０Ｂの領域は、ユーザｉとマッチングされた地方自治体の一覧が表示される領域、すなわちトップＮリストが表示される領域であり、選好探索部２０の処理によって更新される。ボタン５０ｃおよびボタン５０ｄは、重視項目の選択を受け付けるボタンであり、交通利便性を重視するときはボタン５０ｃが選択され、地域のつながりを重視するときはボタン５０ｄが選択される。ボタン５０ｅは、確認画面へ進むボタンであり、満足する地方自治体が探索されたときに押下される。つまり、ボタン５０ｅを選択したユーザは、新規ユーザから満足ユーザとなる。

次に、初期分類部２１は、ユーザ端末１から、ユーザｉのユーザ属性として「子供なし、６０代」などを受け付ける。続いて、初期分類部２１は、満足ユーザについて、重み「交通利便性、地域のつながり」をプロットする。図６は、初期セグメント時の空間マッピングを説明する図である。図６に示すように、初期分類部２１は、交通利便性と地域のつながりの２次元空間上に、満足ユーザの各重み「交通利便性、地域のつながり」をプロットし、その結果からセグメント（子供なし）とセグメント（子供あり）の２つのセグメントに分類する。そして、初期分類部２１は、ユーザｉのユーザ属性が「子供なし」であることから、ユーザｉを「セグメント（子供なし）」に分類し、「セグメント（子供なし）」の満足ユーザの「交通利便性、地域のつながり」の平均値である「７、１３」を、ユーザｉの重みに設定して、図６上の点Ｘとしてプロットする。なお、図６において、点Ｙは、「セグメント（子供なし）」の満足ユーザの「交通利便性、地域のつながり」の平均値である。点Ｐは、セグメントが正しい場合のユーザｉの真の選好（重み）であり、点Ｑは、セグメントが誤っている場合のユーザｉの真の選好（重み）である。

その後、掲示部２２は、地域の特徴量の値のベクトルと、ユーザｉ固有の重み（７、１３）のベクトルとの内積を算出し、各地域に対してスコアを算出する。そして、掲示部２２は、スコアのトップＮリストを生成して、図５の画面５０の領域５０Ｂに表示する。ここで、選択受付部２３は、ボタン５０ｅの選択を検出すると、ユーザｉを満足ユーザと判定し、各種情報を格納して処理を終了する。

一方、選択受付部２３は、交通のボタン５０ｃが選択されると、ユーザｉが交通利便性をより重視すると判定し、重みをランダムに増加させる（式（４）参照）。また、類似判定部２４は、ユーザｉの重みと、同一セグメント内の満足ユーザの各重みとの類似度を判定する。図７は、重視項目による重みの変化および類似判定を説明する図である。図７に示すように、選択受付部２３は、選択された交通利便性の重みをランダムに増加させて、点Ｘ「交通利便性＝７、地域のつながり＝１３」を「交通利便性＝９、地域のつながり＝１３」に変化させた点Ｘ１を生成する（ステップＳ１）。そして、類似判定部２４は、ユーザｉの新たな重みである点Ｘ１「交通利便性＝９、地域のつながり＝１３」と、ユーザｉと同一セグメント内の各満足ユーザの各重みとの類似度を算出する（ステップＳ２）。

その後、類似判定部２４は、類似度が最も高いユーザｊの選好をユーザｉの選好と推定する。図８は、同一セグメント内の選好推定を説明する図である。図８に示すように、類似判定部２４は、ユーザｉの重みである点Ｘ１「交通利便性＝９、地域のつながり＝１３」と、満足ユーザｊの重み「交通利便性＝９、地域のつながり＝１２」との類似度が最も高いことを検出する。すると、類似判定部２４は、ユーザｉの重みを満足ユーザｊの重み「交通利便性＝９、地域のつながり＝１２」に変更する（ステップＳ３）。この結果、類似判定部２４は、ユーザｉの重みを、点Ｘ２「交通利便性＝９、地域のつながり＝１２」として空間内にプロットする。

その後、掲示部２２は、地域の特徴量の値のベクトルと、ユーザｉ固有の重み（９、１３）のベクトルとの内積を算出し、各地域に対してスコアを算出する。そして、掲示部２２は、スコアのトップＮリストを生成して、図５の画面５０の領域５０Ｂに表示する。ここで、選択受付部２３は、ボタン５０ｅの選択を検出すると、ユーザｉを満足ユーザと判定し、各種情報を格納して処理を終了する。

ここで、図６から図８で説明した処理を閾値以上繰り返しても、ユーザｉが満足した結果が得られない場合、再セグメンテーションが実行される。具体的には、属性探索部３０は、複数回後に表示される図５の画面５０に、「再セグメンテーションを行いますか」や「再分類を行いますか」などの更新ボタンを表示させる。そして、属性探索部３０は、更新ボタンが選択されると、再セグメンテーションを実行する。

図９は、再セグメント化を説明する図であり、図１０は、再セグメントの分類根拠となる属性の特定を説明する図であり、図１１は、再セグメントのラベリングを説明する図である。図１２は、対象ユーザの再セグメント化を説明する図である。

図９に示すように、再分類部３１は、ユーザｉの処理中に満足した結果が得られた満足ユーザも含めて、重み「交通利便性、地域のつながり」を再プロットする。続いて、図１０に示すように、再分類部３１は、「セグメント（子供なし）」と「セグメント（子供あり）」に分類されている状態で、再度クラスタリングを行うことで、「子供なしが所定数以上かつ２０代から３０代が所定数以上のセグメント」と、「子供ありが所定数以上かつ４０代から５０代が所定数以上のセグメント」と、「子供ありが所定数以上かつ６０代以上が所定数以上のセグメント」とに分類する。

そして、図１１に示すように、属性特定部３２は、再クラスタリングの結果、「年齢層」で分類するのが妥当であると判定し、「セグメント（２０代から３０代）」と「セグメント（４０代から５０代）」と「セグメント（６０代以上）」の各セグメントを生成する。

その後、図１２に示すように、属性問合せ部３３は、属性特定部３２によってラベリングされた属性として、「２０代から３０代、４０代から５０代、６０代以上」のいずれに該当するかをユーザｉに問い合わせる。そして、掲示制御部３４は、「６０代以上」の問合せ結果を受け付けると、ユーザｉを「セグメント（６０代以上）」に分類する。その後、掲示制御部３４は、「セグメント（６０代以上）」内の満足ユーザの重みの平均値をユーザｉの重みに設定して、図１２上に点Ｘ２としてプロットする。

そして、掲示制御部３４は、点Ｘ２の重みを用いて、トップＮリストを生成して、図５の画面５０の領域５０Ｂに表示する。ここで、掲示制御部３４は、ボタン５０ｅの選択を検出すると、ユーザｉを満足ユーザと判定し、各種情報を格納して処理を終了する。一方、ユーザｉが満足しない場合は、点Ｘ２を基点として図６以降の処理が再度実行される。

［処理の流れ］
図１３は、処理の流れを示すフローチャートである。図１３に示すように、選好探索部２０は、ユーザ属性を受け付けると（Ｓ１０１：Ｙｅｓ）、新規ユーザを該当セグメントに分類し、分類されたセグメント内の満足ユーザの重みの平均値を当該新規ユーザの重みに設定する。（Ｓ１０２）。

続いて、選好探索部２０は、新規ユーザについて、属性に基づく各地域のスコアを算出し（Ｓ１０３）、トップＮリストを表示する（Ｓ１０４）。続いて、選好探索部２０は、ユーザから重視項目の選択を受け付けると（Ｓ１０５：Ｙｅｓ）、ランダムに増加させるように、重視項目の重みを算出する（Ｓ１０６）。

そして、選好探索部２０は、算出されたユーザの新たな重みと、ユーザと同一セグメント内の各満足ユーザの各重みとの間で類似度を算出する（Ｓ１０７）。ここで、選好探索部２０は、所定値以上の類似度を検出すると（Ｓ１０８：Ｙｅｓ）、ユーザの選好を推定する（Ｓ１０９）。具体的には、選好探索部２０は、ユーザの重みを、類似度が高い満足ユーザの重みに変更する。なお、選好探索部２０は、所定値以上の類似度を検出しない場合（Ｓ１０８：Ｎｏ）、算出されたユーザの新たな重みを用いて、Ｓ１１１以降を実行する。

その後、選好探索部２０は、変更したユーザの重みを用いて、各地域のスコアを算出して（Ｓ１１０）、トップＮリストを表示する（Ｓ１１１）。ここで、選好探索部２０は、ユーザが満足した場合、すなわち図５に示す確認画面へ進むボタン５０ｅが選択された場合（Ｓ１１２：Ｙｅｓ）、ユーザ情報を格納して処理を終了する。

一方、選好探索部２０は、ユーザが満足せず、すなわち図５に示す確認画面へ進むボタン５０ｅが選択されず（Ｓ１１２：Ｎｏ）、処理の繰り返し回数が閾値を越えない場合（Ｓ１１３：Ｎｏ）、繰り返し回数をインクリメントして（Ｓ１１４）、Ｓ１０５以降の処理を繰り返して実行する。

一方、Ｓ１０５からＳ１１２の処理の繰り返し回数が閾値を越えた場合（Ｓ１１３：Ｙｅｓ）、属性探索部３０は、満足ユーザ間で再度セグメンテーションを実行する（Ｓ１１５）。続いて、属性探索部３０は、再度実行したセグメンテーションの結果から、分類すべき新たな属性を特定し（Ｓ１１６）、セグメンテーションへのラベリングを実行する（Ｓ１１７）。

続いて、属性探索部３０は、ラベリングされたセグメンテーションへ分類するために、ユーザに属性を問合せ（Ｓ１１８）、属性の入力を受け付けると（Ｓ１１９：Ｙｅｓ）、受け付けた属性にしたがって、新規ユーザを新たなセグメントに分類し、分類されたセグメント内の満足ユーザの重みの平均値を当該新規ユーザの重みに設定する（Ｓ１２０）。

そして、属性探索部３０は、新規ユーザについて、属性に基づく各地域のスコアを算出し（Ｓ１２１）、トップＮリストを表示する（Ｓ１２２）。ここで、属性探索部３０は、ユーザが満足した場合、すなわち図５に示す確認画面へ進むボタン５０ｅが選択された場合（Ｓ１２３：Ｙｅｓ）、ユーザ情報を格納して処理を終了する。

一方、属性探索部３０は、ユーザが満足せず、すなわち図５に示す確認画面へ進むボタン５０ｅが選択されず（Ｓ１２３：Ｎｏ）、処理の繰り返し回数をインクリメントして（Ｓ１１４）、Ｓ１０５以降の処理を繰り返して実行する。

なお、選好探索部２０が実行するＳ１０５からＳ１１２の処理の繰返し回数と、属性探索部３０が実行するＳ１１５からＳ１２３の処理の繰返し回数とは、別々に管理することもできる。

［効果］
上述したように、探索装置１０は、人手で決めたセグメンテーションを実際のシステム利用ユーザの履歴を用いて修正していくことで、仮に人手で作成したセグメンテーションが間違っていたとしてもそこから徐々に正しいセグメンテーションへ近づけることができる。また、探索装置１０は、セグメンテーションの誤りにより満足が得られなかったユーザに対しても、複数回の質問と情報提示の中で再セグメンテーションを実施することで、真の選好とセグメンテーションのギャップを埋めることができる。

このように、探索装置１０は、属性に基づくセグメント化により特定される過去の回答者の選好を初期値とすることにより、早期の選好の探索を可能にするとともに、選好の探索がうまくいかない場合も、回答に基づき選好よりセグメント化した結果を利用して、新たな初期値を利用した探索を行うことができる。したがって、探索装置１０は、質問回数の増加を抑えつつ、適切な回答を得ることができ、ユーザの選好に合致した地方自治体を提示することができる。

図１４は、問い合わせ回数の削減を説明する図である。図１４に示す各点は図６と同様なので詳細な説明は省略する。図１４の左図は、図１３のＳ１０１からＳ１１４に該当する処理であり、同一セグメント内で重みを変化させて、ユーザｉの真の選好に近づける処理である。図１４の左図に示すように、ユーザｉが分類された初期セグメントが比較的正しい場合、探索装置１０は、既存の満足ユーザのデータを使うことで少ない繰り返し回数で真の選好に近づけることができる。一方で、従来技術の場合は、問い合わせを繰り返して近づけるので、問い合わせ回数が多くなる。一例を挙げると、従来技術では３回の問い合わせを行う場合でも、探索装置１０は、１回の問い合わせでユーザｉと類似する満足ユーザの選好を特定して、ユーザｉの真の選好を特定することができる。

また、図１４の右図は、図１３のＳ１１５からＳ１２３に該当する処理であり、セグメント変更を行ってユーザｉの真の選好に近づける処理である。図１４の右図に示すように、探索装置１０は、初期セグメントと真の選好がかけ離れていたとしても、再セグメンテーションを通じてラディカルに真の選好に近づけることができる。一方で、従来技術の場合は、図１４の左図と同様に、問い合わせを繰り返して近づけるが、初期セグメントが間違っていることから、問い合わせ回数が通常と比べても非常に多くなる。一例を挙げると、従来技術では９回の問い合わせを行う場合でも、探索装置１０は、３回の問い合わせでユーザｉと類似する満足ユーザの選好を特定して、ユーザｉの真の選好を特定することができる。

［比較］
ここで、実施例１の手法を用いたときの実験結果と従来手法（手動による質問）を用いたときの実験結果とを比較する。なお、ここでは、ユーザの選好の移動を、簡略化のため、ユーザの移動と略して記載する場合がある。

（初期セグメントが正しいときの実験結果）
図１５は、初期セグメントが正しい場合に実施例１による手法を利用したときのユーザ選好の移動回数を説明する図であり、図１６は、初期セグメントが正しい場合に手動による質問を用いたときのユーザ選好の移動回数を説明する図である。ここでは、真の選好（交通利便性、地域のつながり）を（５０，５５）とし、真の選好との距離が５以下となった場合に新規ユーザ（移住希望者）が満足したとする。なお、指定した正規分布の平均は（交通利便性、地域のつながり）＝（２，−１）、指定した正規分布の分散は（交通利便性、地域のつながり）＝（１，１）とする。

図１５に示すように、新規ユーザの選好は、属するセグメントの中心（交通利便性、地域のつながり）＝（４０，６５）に最初に配置される。この位置（４０，６５）と真の選好との距離は、「１４．１４２１４」であることから、新規ユーザは不満足となる。次に、この位置から新規ユーザの選好をランダムに増加させて「４２．８２５５，６２．９７９５」に移動し、この位置と同一セグメント内の各満足ユーザの選好とのｃｏｓ類似度を算出する。そして、新規ユーザの選好を、ｃｏｓ類似度が「０．９８７６７・・・」である（５０，６０）に移動させる。この位置（５０，６０）は、初期値からのランダムウォークでの変化量が交通利便性では２．８２５５、地域のつながりでは−２．０２０５の位置である。

そして、移動後の位置（５０，６０）と真の選好との距離は、「５」であることから、新規ユーザは満足となる。つまり、初期セグメントが正しい場合に実施例１による手法を利用したときのユーザ選好の移動回数は、１回となる。なお、同一セグメント内の各満足ユーザの選好（位置）を固定して、ランダムウォークの際の乱数シードの値を変えて上記実験を５回行ったときの平均移動回数は２回となった。

一方、図１６は、新規ユーザが配置された（交通利便性、地域のつながり）＝（４０，６５）から、質問を行った結果を用いて新規ユーザを移動させ、真の選好との距離が「５」以下となるまで繰り返す例である。図１６に示すように、ユーザは、（４０，６５）に最初に配置される。この位置（４０，６５）と真の選好との距離は、「１４．１４２１２」であることから、新規ユーザは不満足となる。そして、ユーザの嗜好は、（４０，６５）に最初に配置された後、１回目の質問による応答にしたがって、（４２，６５）に移動する。この位置（４２，６５）と真の選好との距離は、「１２．８０６２５」であることから、新規ユーザは不満足となる。

続いて、（４２，６５）にユーザの嗜好を配置した後、２回目の質問による応答にしたがって、（４２，６３）に移動させる。この位置（４０，６３）と真の選好との距離は、「１１．３１３７１」であることから、新規ユーザは不満足となる。このように、質問を繰り返すことで、真の選好からの距離が短くなり、７回目で満足する結果が得られる。つまり、初期セグメントが正しい場合に手動による質問を用いたときのユーザ選好の移動回数は、７回となる。

このように、手動で質問を繰り返すより、実施例１の手法を用いる方が、質問回数が少なくて、ユーザを真の選好に近づけることができる。

（初期セグメント間違っているときの実験結果）
図１７は、初期セグメントが間違っている場合に実施例１による手法を利用したときのユーザ選好の移動回数を説明する図であり、図１８は、初期セグメントが間違っている場合に手動による質問を用いたときのユーザ選好の移動回数を説明する図である。ここでは、真の選好（交通利便性、地域のつながり）を（６５，４０）とし、真の選好との距離が５以下となった場合に新規ユーザ（移住希望者）が満足したとする。なお、指定した正規分布の平均は（交通利便性、地域のつながり）＝（２，−１）、指定した正規分布の分散は（交通利便性、地域のつながり）＝（１，１）とする。

図１７に示すように、新規ユーザの選好は、属するセグメントの中心（交通利便性、地域のつながり）＝（４０，６５）に最初に配置される。この位置（４０，６５）と真の選好との距離は、「３８．３５５・・・」であることから、新規ユーザは不満足となる。次に、この位置から新規ユーザの選好をランダムに増加させて「４２．８２５５，６２．９７９５」に移動させ、この位置と同一セグメント内の各満足ユーザの選好とのｃｏｓ類似度を算出する。そして、新規ユーザの選好を、ｃｏｓ類似度が「０．９８７６７・・・」である（５０，６０）に移動させる。

そして、この位置（５０，６０）と真の選好との距離は、「２５」であることから、新規ユーザは不満足となる。続いて、この位置から新規ユーザの選好をランダムに増加させて「５２．２９９５，５７．０２８３」に移動させ、この位置と同一セグメント内の各満足ユーザの選好とのｃｏｓ類似度を算出する。しかし、ｃｏｓ類似度が「０．７」以上の既存ユーザ（満足ユーザ）が検出されないことから、ユーザの嗜好を（５２．２９９５，５７．０２８３）とする。

そして、この位置（５２．２９９５，５７．０２８３）と真の選好との距離は、「２１．２４３・・・」であることから、新規ユーザは不満足となる。続いて、この位置から新規ユーザの選好をランダムに増加させて「５４．５４３７，５７．９９７８」に移動させ、この位置と同一セグメント内の各満足ユーザの選好とのｃｏｓ類似度を算出する。しかし、ｃｏｓ類似度が「０．７」以上の既存ユーザ（満足ユーザ）が検出されないことから、ユーザの嗜好を（５４．５４３７，５７．９９７８）とする。

そして、この位置（５４．５４３７，５７．９９７８）と真の選好との距離は、「１８．２８３０・・・」であることから、新規ユーザは不満足となる。ここで、同一セグメント内の移動を閾値（ここでは３回）以上行ったことから、再セグメント化を実行する。その結果、ユーザの嗜好は、（６３．３３３３，４６．６６６７）に移動し、この位置（６３．３３３３，４６．６６６７）と真の選好との距離は、「６．８７１８・・・」であることから、新規ユーザは不満足となる。

続いて、この位置から新規ユーザの選好をランダムに増加させて「６５，４５」に移動させ、この位置と真の選好との距離が「５」であることから、新規ユーザは満足となる。つまり、初期セグメントが間違っている場合に実施例１による手法を利用したときのユーザ選好の移動回数は、５回となる。なお、同一セグメント内の各満足ユーザの選好（位置）を固定して、ランダムウォークの際の乱数シードの値を変えて上記実験を５回行ったときの平均移動回数も５回となった。

一方、図１８は、新規ユーザが配置された（交通利便性、地域のつながり）＝（４０，６５）から、質問を行った結果を用いて新規ユーザを移動させ、真の選好との距離が「５」以下となるまで繰り返す例である。図１８に示すように、ユーザは、（４０，６５）に最初に配置される。この位置（４０，６５）と真の選好との距離は、「３５．３５５３４」であることから、新規ユーザは不満足となる。そして、ユーザの嗜好は、（４０，６５）に配置された後、１回目の質問による応答にしたがって、（４２，６５）に移動する。この位置（４２，６５）と真の選好との距離は、「３３．９７０５８」であることから、新規ユーザは不満足となる。

このように、質問を繰り返すことで、真の選好からの距離が短くなり、２２回目で満足する結果が得られる。つまり、初期セグメントが間違っていることから、言い換えると、ユーザの属性分類が間違っていることから、最初の質問の的が外れていることとなり、質問回数は必然と多くなる。

上述したように、探索装置１０は、初期セグメントが正しい場合でも、ユーザの真の選好に要する問い合わせ回数の削減を図ることができる。さらに、探索装置１０は、初期セグメントが正しくない場合は、従来技術と比較して、ユーザの真の選好に要する問い合わせ回数をより顕著に削減することができる。

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。

［重視項目］
上記実施例では、交通利便性と地域のつながりの２次元空間へのマッピングを例にして説明したが、これに限定されるものではなく、図３に示した交通、買い物、学校、近所付合、病院、安全性などを任意に組み合わせで用いることができる。例えば、すべてを採用した場合、重視する項目として上記６つのいずれかを問合せ、６次元の空間にマッピングして、図６から図１２の処理を実行する。

［重み］
上記実施例では、予め行ったアンケート情報によって地域の特徴量に対する重視度を推定する例を説明したが、これに限定されずに、様々な手法を用いることができる。例えば、図３に示した６つの項目のうち、重視する順位を満足ユーザに設定させて数値化させることもでき、順位を所定の係数で乗算したりして数値化することもできる。また、順位の代わりに、１０段階の評価や点数などを設定することもできる。

ここで、アンケートによる重みの導出の一例について説明する。まず、仮想地域を用意する。ここでは、「地域、交通利便性の特徴量、地域のつながりの特徴量」を、「地域Ａ、交通利便性（３０）、地域のつながり（２０）」、「地域Ｂ、交通利便性（２０）、地域のつながり（４０）」、「地域Ｃ、交通利便性（１０）、地域のつながり（３０）」とする。

次に、被験者（移住希望者）のどの地域に住みたいかをアンケートによる選択させる。ここでは、被験者ａは地域Ｃを選択したとする。

続いて、被験者ａの好みのベクトルβ（β_ａ，tran，β_ａ，neig）を、地域Ｃを選ぶ確率が一番高くなるように調整する。具体的には、各地域に対して被験者ａがつけるスコアを仮に、（β_ａ，tran）＝１、（β_ａ，neig）＝１として式（３）の式で計算する。ここでは、Ｓｃｏｒｅ_ａ，Ａ＝１・３０＋１・４０＝５０＝ＶａＡ、Ｓｃｏｒｅ_ａ，Ｂ＝１・２０＋１・４０＝６０＝ＶａＢ、Ｓｃｏｒｅ_ａ，Ｃ＝１・１０＋１・３０＝４０＝ＶａＣとする。

そして、被験者ａが地域Ｃを選ぶ確率（Ｐａｃ）を、ロジットモデルを用いて、Ｐａｃ＝地域Ｃのスコア／各スコアの合計＝ｅ^ＶａＣ／（ｅ^ＶａＡ＋ｅ^ＶａＢ＋ｅ^ＶａＣ）として算出する。ここで、Ｐａｃは、被験者ａの好みのベクトルβ（β_ａ，tran，β_ａ，neig）の関数になっているので、Ｐａｃを最大にするベクトルβ（β_ａ，tran，β_ａ，neig）を、「ａｒｇ ｍａｘ_β（β_ａ，tran，β_ａ，neig）」として算出できる。ここで算出される値が被験者ａの選択に最もマッチするβの値となる（最尤法）。

なお、「ａｒｇ ｍａｘ_β（β_ａ，tran，β_ａ，neig）」を収束させるには、同じセグメントの何十人かに対して、アンケートを行い、その結果で出力された確率を足し合わせたものを最大化するようにベクトルβを導出することで、値を収束させる。この際、同じセグメントの人は同じ選好（ベクトルβ）を持つと仮定し、集団の平均的な好みを一人のユーザが選んだように計算する。

［処理手法］
上記実施例では、同一セグメント内でユーザの選好を探索する処理の後に、再セグメントを実行する処理を実行する例で説明したが、これに限定されず、いずれか一方だけを実行することもできる。

［ハードウェア］
図１９は、ハードウェア構成例を示す図である。図１９に示すように、探索装置１０は、通信インタフェース１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図１９に示した各部は、バス等で相互に接続される。

通信インタフェース１０ａは、ネットワークインタフェースカードなどであり、他のサーバとの通信を行う。ＨＤＤ１０ｂは、図２に示した機能を動作させるプログラムやＤＢを記憶する。

プロセッサ１０ｄは、図２に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂ等から読み出してメモリ１０ｃに展開することで、図２等で説明した各機能を実行するプロセスを動作させる。すなわち、このプロセスは、探索装置１０が有する各処理部と同様の機能を実行する。具体的には、プロセッサ１０ｄは、選好探索部２０と属性探索部３０等と同様の機能を有するプログラムをＨＤＤ１０ｂ等から読み出す。そして、プロセッサ１０ｄは、選好探索部２０と属性探索部３０等と同様の処理を実行するプロセスを実行する。

このように探索装置１０は、プログラムを読み出して実行することで探索方法を実行する情報処理装置として動作する。また、探索装置１０は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施例と同様の機能を実現することもできる。なお、この他の実施例でいうプログラムは、探索装置１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。

［システム］
また、本実施例において説明した各処理のうち、自動的におこな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おこなうこともできる。あるいは、手動的におこな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おこなうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、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。

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、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、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。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

１ ユーザ端末
１０ 探索装置
１１ 通信部
１２ 記憶部
１３ 自治体情報ＤＢ
１４ ログＤＢ
１５ ユーザ属性ＤＢ
１６ 制御部
２０ 選好探索部
２１ 初期分類部
２２ 掲示部
２３ 選択受付部
２４ 類似判定部
２５ 掲示制御部
３０ 属性探索部
３１ 再分類部
３２ 属性特定部
３３ 属性問合せ部
３４ 掲示制御部

Claims (7)

1. 回答者の回答内容に基づき、複数のセグメントのいずれかに当該回答者を割り当てる探索プログラムであって、
   前記回答者の属性に基づき、前記属性が共通する他の回答者群を特定し、
   前記他の回答者群の選好を初期値として、前記回答者に対する複数の問い合わせであって、前記他の回答者群の属するセグメントに対応した複数の問い合わせにより、前記回答者の選好を探索し、
   前記初期値から所定回数の問い合わせおよび探索の後も、所定の条件を満たさない場合は、前記属性および前記問い合わせに対する回答と、過去の前記所定の条件を満たした回答者群の選好に基づき、特定の回答者群を生成または抽出し、
   前記特定の回答者群の選好を初期値として、前記回答者の選好の探索を行う
   処理をコンピュータに実行させることを特徴とする探索プログラム。
2. 前記属性が共通する第一の回答者群が属する第一のセグメントに前記回答者を分類し、
   前記第一の回答者群の選好によって特定される特徴値の平均値を前記回答者の初期値に設定し、
   前記回答者の初期値に基づく問い合わせを実行し、当該問い合わせに対する回答にしたがって、前記回答者の特徴値を算出し、
   前記第一の回答者群のうち、前記回答者の特徴値と類似する他の回答者の特徴値を、前記回答者の特徴値に設定し、
   設定した前記回答者の特徴値に基づく問い合わせを実行して、前記回答者の選好を探索する処理を前記コンピュータに実行させることを特徴とする請求項１に記載の探索プログラム。
3. 前記回答者の特徴値を所定回数実行した後に、前記所定の条件を満たさない場合、前記属性とは異なる属性を用いて他の回答者群を再度複数のセグメントに分類し、
   前記回答者に対して属性に関する問い合わせを行って、再度分類された前記複数のセグメントのうち前記回答者が属する第二のセグメントを特定して、前記第二のセグメントに前記回答者を分類し、
   前記第二のセグメントに属する第二の回答者群の選好によって特定される特徴値の平均値を前記回答者の初期値に設定し、
   前記回答者の初期値に基づく問い合わせを実行して、前記回答者の選好を探索する処理を前記コンピュータに実行させることを特徴とする請求項２に記載の探索プログラム。
4. 前記第二のセグメントに対応した問い合わせの結果、前記所定の条件を満たさない場合、当該問い合わせに対する回答にしたがって、前記回答者の特徴値を算出し、
   前記第二の回答者群のうち、前記回答者の特徴値と類似する他の回答者を特定し、特定した前記他の回答者の特徴値を、前記回答者の特徴値に設定し、
   設定した前記回答者の特徴値に基づく問い合わせを実行して、前記回答者の選好を探索する処理を前記コンピュータに実行させることを特徴とする請求項３に記載の探索プログラム。
5. 前記算出する処理は、前記回答者が重視する選好を選択させる前記問い合わせを実行し、前記回答者が重視する選好の重みが増加するように、前記回答者の特徴値を算出することを特徴とする請求項２から４のいずれか一つに記載の探索プログラム。
6. 回答者の回答内容に基づき、複数のセグメントのいずれかに当該回答者を割り当てる探索方法であって、
   前記回答者の属性に基づき、前記属性が共通する他の回答者群を特定し、
   前記他の回答者群の選好を初期値として、前記回答者に対する複数の問い合わせであって、前記他の回答者群の属するセグメントに対応した複数の問い合わせにより、前記回答者の選好を探索し、
   前記初期値から所定回数の問い合わせおよび探索の後も、所定の条件を満たさない場合は、前記属性および前記問い合わせに対する回答と、過去の前記所定の条件を満たした回答者群の選好に基づき、特定の回答者群を生成または抽出し、
   前記特定の回答者群の選好を初期値として、前記回答者の選好の探索を行う
   処理をコンピュータが実行することを特徴とする探索方法。
7. 回答者の回答内容に基づき、複数のセグメントのいずれかに当該回答者を割り当てる探索装置であって、
   前記回答者の属性に基づき、前記属性が共通する他の回答者群を特定する特定部と、
   前記他の回答者群の選好を初期値として、前記回答者に対する複数の問い合わせであって、前記他の回答者群の属するセグメントに対応した複数の問い合わせにより、前記回答者の選好を探索する第１の探索部と、
   前記初期値から所定回数の問い合わせおよび探索の後も、所定の条件を満たさない場合は、前記属性および前記問い合わせに対する回答と、過去の前記所定の条件を満たした回答者群の選好に基づき、特定の回答者群を生成または抽出する抽出部と、
   前記特定の回答者群の選好を初期値として、前記回答者の選好の探索を行う第２の探索部と
   を有することを特徴とする探索装置。

Images