JP2018077656A - パラメータ推定装置、予測装置、方法、及びプログラム - Google Patents
パラメータ推定装置、予測装置、方法、及びプログラム Download PDFInfo
- Publication number
- JP2018077656A JP2018077656A JP2016218704A JP2016218704A JP2018077656A JP 2018077656 A JP2018077656 A JP 2018077656A JP 2016218704 A JP2016218704 A JP 2016218704A JP 2016218704 A JP2016218704 A JP 2016218704A JP 2018077656 A JP2018077656 A JP 2018077656A
- Authority
- JP
- Japan
- Prior art keywords
- parameter
- place
- parameter estimation
- visit
- topic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 63
- 230000033001 locomotion Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 24
- 238000012545 processing Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- KYGZCKSPAKDVKC-UHFFFAOYSA-N Oxolinic acid Chemical compound C1=C2N(CC)C=C(C(O)=O)C(=O)C2=CC2=C1OCO2 KYGZCKSPAKDVKC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000551 statistical hypothesis test Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】動作主の行動を精度よく予測するためのパラメータを得て予測精度の向上を図る。【解決手段】予測装置1はパラメータ推定装置2を備える。パラメータ推定装置2は、入力情報に基づき各動作主の各時点の潜在トピックと、ある訪問場所の次に訪問場所が選択される確率およびトピックに対する訪問場所の選択確率と、特徴量数とトピック数とを用いて算出される影響値とをパラメータとして推定し、推定したパラメータに基づき動作主毎に各動作主が次に訪問する訪問場所の傾向値を算出し、影響値を特徴量数と訪問場所数とにより算出される影響値に変換する。【選択図】図2
Description
本発明は、例えば動作主の訪問先などの行動を予測するための技術に関する。
従来技術1として、動作主が場所を訪れた訪問履歴情報の集合を学習データとして、トピックモデルを用いて動作主の行動をモデル化し、動作主が次に訪れる場所を予測する非特許文献1の方法が知られている。
このトピックモデルにおいては、学習データが“ある動作主が訪れる各場所は、ユーザ固有の潜在トピック比率に従ってある潜在トピックを選択した後、その潜在トピックに固有の場所出現確率分布に従って生成された”と仮定して、動作主の行動を確率モデルで表現することで、次に訪れる地点を予測する。
また、従来技術2として、例えば複数人に関する訪問履歴情報集合の傾向から、場所Aを訪れた人の多くはその近くの場所Bを訪れる、といったランドマーク間の遷移のしやすさをマルコフモデルでモデル化することで、動作主が次に訪れる場所を予測する非特許文献2の方法が知られている。
T. Hofmann.,"Probabilistic Latent Semantic Analysis", in Proc. Conf. on Uncertainty in Artificial Intelligence (UAI), pp. 289-296 (1999).
D. Ashbrook and T. starner, "Using GPS to Learn Significant Locations and Predict Movement Across Multiple User"s, in Personal and ubiquitous computing, Vol.7, No. 5, pp.275-286 (2003).
非特許文献2に記載された従来技術2は、距離的な近さを反映した場所間の遷移のモデル化に関する。したがって、ある場所Aを訪れた人が、その近辺に存在する場所Bも“近いから訪れた”場合には、うまく予測を行うことができる。
しかしながら、ある場所Aを訪れた人が、場所Aからは遠いけれど“興味があるため場所Cをわざわざ訪れた”といった場合に、うまく予測を行うことができなかった。
その一方、非特許文献1のトピックモデルは、「アート」、「スポーツ」、「人気」、「おしゃれ」といった場所の“特徴”でつながる場所集合をまとめる潜在トピックと、潜在トピックに対する動作主の興味(重み)を学習することを目的とした技術である。
確かに従来技術1によれば、潜在トピックとそれに対する動作主の興味がうまく学習できれば、遠いけれど興味があるため訪れた場所Cを予測することができる。ところが、非特許文献2では、すべての訪問が動作主に固有の興味によって生成されたと仮定している。
すなわち、すべての訪問事象は、“興味があるためわざわざ訪れた”記録である場合にのみ有効な技術である。また、実際の訪問履歴は、“近いから訪れた”と“興味があるためわざわざ訪れた”が混在して観測される。
しかしながら、従来技術1は、その二つの影響成分を分離する方法がないため、“近いから訪れた”観測データがノイズとして混入し、潜在トピック及び動作固有の興味情報の抽出精度を低下させ、これにより動作主が次に訪れる場所の予測精度が低いおそれがあった。
本発明は、このような従来の問題を解決するためになされ、動作主の行動を精度よく予測するためのパラメータを得て、予測精度の向上を図ることを解決課題としている。
本発明の一態様は、動作主の動作を予測するためのパラメータを推定する装置であって、前記各動作主の訪問場所に関する訪問履歴と、前記動作主の特徴を示す特徴量とが入力されるパラメータ推定部を備える。このパラメータ推定部は、前記各動作主の各時点の潜在トピックと、ある訪問場所の次に訪問場所が選択される確率およびトピックに対する訪問場所の選択確率と、前記特徴量数と前記トピック数とを用いて算出される影響値とをパラメータとして推定する。
本発明の他の態様は、前記パラメータ推定装置により推定されたパラメータに基づき前記動作主毎に各動作主が次に訪問する訪問場所の傾向値を算出し、かつ前記影響値を前記特徴量数と前記訪問場所数とにより算出される影響値に変換する予測装置に関する。
本発明のさらに他の態様は、コンピュータにより動作主の動作を予測するためのパラメータを推定する方法に関する。この方法は、前記各動作主の訪問場所に関する訪問履歴と、前記動作主の特徴を示す特徴量が入力される入力ステップと、前記入力ステップの入力情報に基づき前記各動作主の各時点の潜在トピックと、ある訪問場所の次に訪問場所が選択される確率およびトピックに対する訪問場所の選択確率と、前記特徴量数と前記トピック数とを用いて算出される影響値とをパラメータとして推定するパラメータ推定ステップと、を有する。
本発明のさらに他の態様は、前記入力ステップおよび前記パラメータ推定ステップと、前記パラメータ推定ステップで推定されたパラメータに基づき前記動作主毎に各動作主が次に訪問する訪問場所の傾向値を算出するステップと、前記パラメータに基づき前記影響値を前記特徴量数と前記訪問場所数とにより算出される影響値に変換するステップと、を有する予測方法に関する。
なお、本発明は、前記各装置としてコンピュータを機能させるプログラムとして構成することもできる。
本発明によれば、動作主の行動を精度よく予測するためのパラメータを得ることができ、この点で予測精度の向上を図ることができる。
以下、本発明の実施形態に係る予測装置を説明する。この予測装置は、動作主の行動を予測するためのパラメータを推定し、推定されたパラメータに基づき動作主の行動を予測する。
≪前記予測装置の概要≫
まず、前記予測装置の概要を説明する。通常、動作主(ユーザ)の行動履歴、即ち訪問履歴には“近いから訪れた”と“興味があるためわざわざ訪れた”とが混在している。
まず、前記予測装置の概要を説明する。通常、動作主(ユーザ)の行動履歴、即ち訪問履歴には“近いから訪れた”と“興味があるためわざわざ訪れた”とが混在している。
この点については、図1(a)に示すように、階層ベイズにより“興味の影響”と“近さの影響”とを分離し、予測訪問リストを作成する方法(以下、既定案方法とする。)が既に提案されている。この既定案方法によれば、両者の影響を考慮した動作・推薦を行うことができる。
しかしながら、既提案方法は、ある程度の訪問履歴を有する動作主に対して動作の予測・推薦を行うことを前提としており、訪問履歴の少ない動作主については精度が下がるおそれがある(コールドスタート問題)。
そこで、ユーザ特徴量(性別・年齢・アンケート結果など個人を数値で表現できるデータ)およびトピック選択確率の回帰分析と、既提案方法とを組み合わせた2ステップの推定(既提案方法のステップを行った後に回帰分析のステップを別個に行う。)ことで、本来、訪問履歴で行う予測をユーザ特徴量で代替し、コールドスタート問題を低減することができる。
ただし、前記2ステップの推定を行う場合、次の問題が生じるおそれがある
(1)推定誤差の蓄積:前記2ステップの処理では、回帰の誤差を測ることができず、統計的仮説検定の適用ができない。そのため、どのユーザ特徴量がどの程度に選択に寄与したかを測ることができないおそれがある。
(2)切り替えポイントの設定:回帰分析の組み合わせは、既提案方法の代替手段として設けられるから、訪問履歴がある程度蓄積した時点で訪問履歴ベースの予測に切り替えることを外部から閾値として与える必要がある。
(1)推定誤差の蓄積:前記2ステップの処理では、回帰の誤差を測ることができず、統計的仮説検定の適用ができない。そのため、どのユーザ特徴量がどの程度に選択に寄与したかを測ることができないおそれがある。
(2)切り替えポイントの設定:回帰分析の組み合わせは、既提案方法の代替手段として設けられるから、訪問履歴がある程度蓄積した時点で訪問履歴ベースの予測に切り替えることを外部から閾値として与える必要がある。
そこで、前記予測装置では、図1(b)に示すように、ユーザ特徴量に対する計数を階層ベイズにより組み込み、MCMC(Markov chain Monte Carlo method)法により予測と回帰の同時推定を実行する。すなわち、訪問履歴の代替としてユーザ特徴量を使用するのではなく、階層ベイズの手法を利用することで、推定と回帰を階層ベイズモデル内で表現している。
ここでは階層ベイズにより「分離」「回帰」を同時に推定するため、訪問履歴が少なくても“興味の影響”をユーザ特徴量で補うことができる。また、ユーザ特徴量とトピック選択確率との間に強い仮定はおいておらず、ユーザ特徴量が存在しないときは既提案方法と同じ結果を得ることができる。この点で既提案方法の一般化としてモデル化している。
その結果、前記予測装置によれば、以下の効果を得ることができる。
(A)既提案方法の問題点、即ち訪問履歴を有していないユーザに対する予測・情報推薦の精度低下を防止でき、さらに選択と関係のないユーザ特徴量が与えられたとき分散を寄与度としてみることができ、過学習による精度低下を避けることもできる。
(B)ユーザ特徴量による影響度は、訪問履歴の蓄積とともに低下していくため、外部から切り替えの閾値を設定する必要はない。
(A)既提案方法の問題点、即ち訪問履歴を有していないユーザに対する予測・情報推薦の精度低下を防止でき、さらに選択と関係のないユーザ特徴量が与えられたとき分散を寄与度としてみることができ、過学習による精度低下を避けることもできる。
(B)ユーザ特徴量による影響度は、訪問履歴の蓄積とともに低下していくため、外部から切り替えの閾値を設定する必要はない。
≪構成例≫
つぎに図2に基づき前記予測装置の構成例を説明する。ここでは前記予測装置1は、パラメータ推定装置2を備えた処理サーバとして構成され、コンピュータの通常のハードウェアリソース、例えばCPUや主記憶装置(RAM,ROMなど),補助記憶装置(SSD,HDDなど)などを備える。
つぎに図2に基づき前記予測装置の構成例を説明する。ここでは前記予測装置1は、パラメータ推定装置2を備えた処理サーバとして構成され、コンピュータの通常のハードウェアリソース、例えばCPUや主記憶装置(RAM,ROMなど),補助記憶装置(SSD,HDDなど)などを備える。
このハードウェアリソースとソフトウェアリソースとの協働の結果、処理サーバが前記予測装置1として機能する。ここでは前記予測装置1は、動作主の行動を予測するためのパラメータを推定するパラメータ推定装置2を実装する。なお、前記予測装置1は、単一の処理サーバで構成される必要は無く、所為サーバ群で構成してもよいものとする。
具体的には前記予測装置1には、ユーザ3に関する情報F1と地理的な情報F2とが入力される。この情報F1には訪問履歴情報D1とユーザ特徴量D2とが含まれる一方、前記情報F2には距離情報D3が含まれる。
この入力情報F1,F2に基づき出力情報F3作成され、各ユーザ3に提示される。この出力情報F3には予測訪問リストD4とユーザ特徴量の影響度D5とが含まれる。また、各ユーザ3への提示の方法としては、各ユーザ3が参照可能としてもよく、あるいは各ユーザ3の個人端末に送信してもよいものとする。
図3(a)に基づき各入力情報F1,F2の一例を説明する。ここで訪問履歴情報D1にはユーザ毎に訪問場所リストが記録され、訪問場所リストにはユーザの訪問場所が時系列に記録されている。例えばユーザ1については訪問場所A→B→Cと記録され、ユーザ2については訪問場所A→Dと記録されている。
ユーザ特徴量D2には、ユーザ毎に性別フラグ・年齢・アンケート結果などの個人を数値で表現できるデータが記録されている。例えばユーザ1については性別フラグ「1(男性)」・年齢「33」・アンケート回答「1」などが記録され、ユーザ2については性別フラグ「0(女性)」・年齢「27」・アンケート結果「0」などが記録されている。なお、前記各情報D1,D2については、各ユーザ3の所有する個人端末から入力された情報を用いてもよく、あるいは図示省略のデータベースに格納された情報を用いてもよい。
入力情報F2の距離情報D3は、図示省略のデータベースに格納され、訪問場所(ランドマークなど)毎に他の訪問場所との距離情報が記録されている。例えば訪問場所Aについては訪問場所Bとの距離情報「2」が記録され、訪問場所Bについては訪問場所Aとの距離情報「2」が記録されている。
図3(b)に基づき出力情報F3の一例を説明する。ここでは予測訪問リストにはユーザ毎に予測される訪問場所が記録されている。例えばユーザ1については予測訪問場所Eが記録され、ユーザ2については予測訪問場所Cが記録されている。また、ユーザ特徴量の影響度D5には、訪問場所毎にユーザ特徴量の影響度が記録されている。例えば訪問場所Aについては性別フラグ「+5」・年齢「−3」・アンケート回答「−3」などと記録され、訪問場所Bについては性別フラグ「0」・年齢「+4」・アンケート回答「0」などと記録されている。
≪前記予測装置1の処理内容≫
前記予測装置1は、図4に示すように、処理を開始するとユーザの次に訪れる訪問場所を予測するためのパラメータを推定するパラメータ推定処理(S01)と、前記パラメータに基づき予測訪問リストD4およびユーザ特徴量の影響度D5を作成する算出処理(S02)とを実行する。このS01の処理は、パラメータ推定装置2の主要部、即ち図示省略のパラメータ推定部にて実行する。なお、処理の開始は、基本的にはユーザ3の要請を受けて開始するが、定期的にバッチ処理してもよいものとする。
前記予測装置1は、図4に示すように、処理を開始するとユーザの次に訪れる訪問場所を予測するためのパラメータを推定するパラメータ推定処理(S01)と、前記パラメータに基づき予測訪問リストD4およびユーザ特徴量の影響度D5を作成する算出処理(S02)とを実行する。このS01の処理は、パラメータ推定装置2の主要部、即ち図示省略のパラメータ推定部にて実行する。なお、処理の開始は、基本的にはユーザ3の要請を受けて開始するが、定期的にバッチ処理してもよいものとする。
(1)パラメータ推定処理(S01)
図5に基づきパラメータ推定処理(S01)の詳細を説明する。表1は、パラメータの記号を示している。なお、パラメータ(Z,ФΛ,α)については、事前に初期値が決定されているものとする。
図5に基づきパラメータ推定処理(S01)の詳細を説明する。表1は、パラメータの記号を示している。なお、パラメータ(Z,ФΛ,α)については、事前に初期値が決定されているものとする。
S11:処理が開始されると「Z(トピック集合)」を更新する。すなわち、各ユーザの各時点における訪問の潜在トピックを一つ一つランダム発生(ギブスサンプル)で更新する。
この更新手順を説明すれば、初回の更新時のみ各ユーザの訪問「wum」に対し、ランダムに潜在トピック「Zum」を決定する(S11−0)。ここで訪問「wum」はユーザ「u」の「m」番目の訪問場所を示し、潜在トピック「Zum」は訪問「wum」時の興味(トピック)を示している。
また、あるユーザのある訪問「wum」をピックアップし(S11−1)、さらに所与のトピックそれぞれの確からしさ「post1,post2,...,postZ」を算出する(S11−2)。ここでは前記確からしさを示す尤度、厳密には尤度比を式1により算出する。
なお、式1の左項は式1−1のように展開され、式1の右項は式1−2のように展開される。ここでは定数を省くと枠部分のみが残る。これら3つの積が「post」となる(他の定数部分を含めても結果は同じとなる。)。
その後に「0」から「sum(post1, post2,...,postZ)」までの一様乱数Rを発生させ、「sum(post1, post2,...,postH)<R<sum(post1, post2,...,)postH+1」となる「H」を探索する(S11−3)。このとき、0<R<post1であれば「H」を0とする。
続いて訪問「wum」の潜在トピック「Zum」を「H+1」とし、全ユーザの訪問「X」に対してS11−1〜S11−の処理を行ったか否かを確認し(S11−4)、確認の結果、該処理を行っていなければS11−1に戻る。
一方、該処理を行っていれば式2に基づいて「θuz(ユーザuがトピックzを選択する確率)」を算出し(S11−5)、S11の処理を終了する。
S12:つぎに最適化アルゴリズムにより「ФΛ(トピックに対する訪問場所の選択確率,ある訪問場所の次に訪問場所が選択される確率)」を更新する。ここで「Φzi」と「λij」に関しては、閉形式で直接求めることができないため、準ニュートン法などの最適化手法を用いて求める。最適化手法で用いる式3(対数尤度関数)で、これを最大化する(式3中の左項は式1を参照、式3中の右項は式4を参照)。
なお、L−BFGS法(準ニュートン法)を使用する場合の「λij」と「Φki」の勾配は、式5と式6とで計算する。
S13:さらにMHアルゴリズムにより、「α」各要素を更新する。この「α」は、「特徴数×トピック数」の要素で構成され、ここではそれぞれ「αDZ」と表す。
この更新の手順を説明すれば、まず「α」要素の一つの「αDZ」をピックアップする(S13−1)。ここでピックアップされた「αDZ+e」を「αnew」に代入し、要素の更新候補を作成する(S13−2)。これ以降はピックアップされた「αDZ」を「αold」と表す。なお、「e」は「0」を平均とした正規分布ノイズを示し、分散は任意の設定でよいものとする。
その後、「αnew」と「αold」とを式6に代入し、採択率Uを求める(S13−3)。なお、式7では、「α」の「z」にかかる計数行列(α1z,α2z,...,αDz)を「αz」と表記し、「αnew」の「αz」を「αnew z」と表記している。
また、「0〜1」の一様乱数Rを発生させ、「R<U」が成立するか否かを確認する(S13−4)。この確認の結果、成立していれば「αnew」を「αDZ」として採用する一方、成立していなければ「αold」を「αDZ」に戻す。
さらに全ての「α」要素に対してS13−1〜S13-4の処理を行ったか否かを確認する(S13−5)。確認の結果、行っていなければS13−1に戻る一方、行っていればS13の処理、即ち「α」の更新を終了してS14に進む。なお、「α」各要素の更新は、S13-1〜S13-5には限定されず、複数の「α」要素を同時に更新してもよく、あるいは独立連鎖MHによる方法でもよい。
S14,S15:S11〜S13の更新回数がバーンイン規定値(例えば60000回)に達したか否かを確認する(S14)。確認の結果、バーンイン規定値に達していなければS11に戻る一方、バーンイン規定値に達していればパラメータ(z,ФΛ,α)を前記記憶手段などに保存する(S15)。
S:S15で保存されたパラメータ(z,ФΛ,α)の更新回数がサイクル規定値に達したか否かを確認する。確認の結果、サイクル規定値に達していなければS11に戻る一方、サイクル規定値に達していれば処理を終了する。
(2)算出処理(S02)
図6に基づき算出処理を説明する。ここではパラメータ推定処理(S01)において推定されたパラメータ(Z,ФΛ,α)を用いる。
図6に基づき算出処理を説明する。ここではパラメータ推定処理(S01)において推定されたパラメータ(Z,ФΛ,α)を用いる。
S21:まず、処理が開始されるとパラメータ推定処理(S01)にて取得したパラメータ(Z,θuz,Ф,Λ)を、式8に代入してユーザ毎に該ユーザが次に訪問する訪問場所「POI)の傾向値を算出する。
このとき「θuz」は、「Z」の更新サイクル時に計算され、前記記憶手段などに記憶されている。ここでは事前に全更新サイクルの計算結果の平均を取った後に式8に代入されるものとする。
S22:また、「α(ユーザ特徴量数×トピック数)」を「ユーザ特徴量数×訪問地点数」に変換する。すなわち、パラメータ推定装置2により取得した「α」を平均化し、式9に代入することでユーザ特徴量の影響値を算出する。ここでは各「z」について「Φz」行列の中で最大値を取っている訪問場所を取得し、「α」の行情報のトピック「z」を訪問場所情報に置き換える。
なお、トピックを訪問場所情報に置き換える方法については「Φ」の上位N件を使用する方法や「Φ」の値を「z」毎に乗じる方法など既存の手法を用いることもできる。
S23:MCMC(Markov chain Monte Carlo methods)サイクル規定値からバーンイン規定値を減じた回数Gを算出し、各「α」要素について上位2.5%G番目と97.5%G番目の値を取得し、いずれも負またはいずれも正の値のときに有意マークを付ける。
この検定方法と閾値については仕様などに応じて適宜既存の方法を採用することができるものとする。また、S22にて「Φ」の上位N件を使用した場合には、本ステップ(S23)は省略することができる。
≪プログラムなど≫
なお、本発明は、前記予測装置1またはパラメータ推定装置2としてコンピュータを機能させる予測プログラムとして構成することもできる。このプログラムによれば、S01,02,S11〜S16,S21〜S23の一部あるいは全部をコンピュータに実行させることが可能となる。
なお、本発明は、前記予測装置1またはパラメータ推定装置2としてコンピュータを機能させる予測プログラムとして構成することもできる。このプログラムによれば、S01,02,S11〜S16,S21〜S23の一部あるいは全部をコンピュータに実行させることが可能となる。
前記プログラムは、Webサイトや電子メールなどネットワークを通じて提供することができる。また、前記プログラムは、CD−ROM,DVD−ROM,CD−R,CD−RW,DVD−R,DVD−RW,MO,HDD,BD−ROM,BD−R,BD−REなどの記録媒体に記録して、保存・配布することも可能である。この記録媒体は、記録媒体駆動装置を利用して読み出され、そのプログラムコード自体が前記実施形態の処理を実現するので、該記録媒体も本発明を構成する。
1…予測装置
2…パラメータ推定装置
3…ユーザ(動作主)
D1…訪問履歴
D2…ユーザ特徴量
D3…距離情報
D4…予測訪問リスト
D5…ユーザ特徴量の影響度
2…パラメータ推定装置
3…ユーザ(動作主)
D1…訪問履歴
D2…ユーザ特徴量
D3…距離情報
D4…予測訪問リスト
D5…ユーザ特徴量の影響度
Claims (5)
- 動作主の動作を予測するためのパラメータを推定する装置であって、
前記各動作主の訪問場所に関する訪問履歴と、前記動作主の特徴を示す特徴量とが入力されるパラメータ推定部を備え、
前記パラメータ推定部は、前記各動作主の各時点の潜在トピックと、ある訪問場所の次に訪問場所が選択される確率およびトピックに対する訪問場所の選択確率と、前記特徴量数と前記トピック数とを用いて算出される影響値とをパラメータとして推定する
ことを特徴とするパラメータ推定装置。 - 請求項1記載のパラメータ推定装置を備え、
該パラメータ推装置により推定されたパラメータに基づき前記動作主毎に各動作主が次に訪問する訪問場所の傾向値を算出し、
かつ前記影響値を前記特徴量数と前記訪問場所数とにより算出される影響値に変換することを特徴とする予測装置。 - コンピュータにより動作主の動作を予測するためのパラメータを推定する方法であって、
前記各動作主の訪問場所に関する訪問履歴と、前記動作主の特徴を示す特徴量が入力される入力ステップと、
前記入力ステップの入力情報に基づき前記各動作主の各時点の潜在トピックと、ある訪問場所の次に訪問場所が選択される確率およびトピックに対する訪問場所の選択確率と、前記特徴量数と前記トピック数とを用いて算出される影響値とをパラメータとして推定するパラメータ推定ステップと、
を有することを特徴とするパラメータ推定方法。 - 請求項3記載の入力ステップおよびパラメータ推定ステップと、
前記パラメータ推定ステップで推定されたパラメータに基づき前記動作主毎に各動作主が次に訪問する訪問場所の傾向値を算出するステップと、
前記パラメータに基づき前記影響値を前記特徴量数と前記訪問場所数とにより算出される影響値に変換するステップと、
を有することを特徴とする予測方法。 - 請求項1または2のいずれか1項に記載された装置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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016218704A JP2018077656A (ja) | 2016-11-09 | 2016-11-09 | パラメータ推定装置、予測装置、方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016218704A JP2018077656A (ja) | 2016-11-09 | 2016-11-09 | パラメータ推定装置、予測装置、方法、及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018077656A true JP2018077656A (ja) | 2018-05-17 |
Family
ID=62150472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016218704A Pending JP2018077656A (ja) | 2016-11-09 | 2016-11-09 | パラメータ推定装置、予測装置、方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2018077656A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111416741A (zh) * | 2020-03-17 | 2020-07-14 | 李惠芳 | 一种基于互联网技术的事件热点预测方法 |
JP2022018087A (ja) * | 2020-07-14 | 2022-01-26 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 地図情報表示方法、装置、電子デバイス及び記憶媒体 |
-
2016
- 2016-11-09 JP JP2016218704A patent/JP2018077656A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111416741A (zh) * | 2020-03-17 | 2020-07-14 | 李惠芳 | 一种基于互联网技术的事件热点预测方法 |
JP2022018087A (ja) * | 2020-07-14 | 2022-01-26 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 地図情報表示方法、装置、電子デバイス及び記憶媒体 |
JP7159405B2 (ja) | 2020-07-14 | 2022-10-24 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 地図情報表示方法、装置、電子デバイス及び記憶媒体 |
US11630560B2 (en) | 2020-07-14 | 2023-04-18 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Map information display method and apparatus, electronic device, and computer storage medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180046724A1 (en) | Information recommendation method and apparatus, and server | |
US11443015B2 (en) | Generating prediction models in accordance with any specific data sets | |
AU2014259819B2 (en) | Battery drain analysis and prediction for wireless devices | |
US20150278706A1 (en) | Method, Predictive Analytics System, and Computer Program Product for Performing Online and Offline Learning | |
KR101524971B1 (ko) | 개인 성향 예측 방법 및 그 장치 | |
US20200286154A1 (en) | Utilizing item-level importance sampling models for digital content selection policies | |
JP6493400B2 (ja) | サービスチェーン管理装置、サービスチェーン管理システム、サービスチェーン管理方法、及び、プログラム | |
US20160210681A1 (en) | Product recommendation device, product recommendation method, and recording medium | |
KR20110069734A (ko) | 리스크 정보의 분산 추출 및 집성을 위한 시스템 및 방법 | |
US11621892B2 (en) | Temporal-based network embedding and prediction | |
MX2014007025A (es) | Metodo y sistema para medir y mejorar la eficiencia de campañas de medios sociales. | |
CN107463580B (zh) | 训练点击率预估模型方法和装置、点击率预估方法和装置 | |
JP6603600B2 (ja) | 需要予測方法、需要予測装置及び需要予測プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
TWI540997B (zh) | 資訊處理裝置、資訊處理方法及資訊處理程式產品 | |
KR20160043777A (ko) | 질환 발병 예측 방법 및 그 장치 | |
JP6658507B2 (ja) | 負荷推定システム、情報処理装置、負荷推定方法、及び、コンピュータ・プログラム | |
JP2018077656A (ja) | パラメータ推定装置、予測装置、方法、及びプログラム | |
Tschumitschew et al. | Effects of drift and noise on the optimal sliding window size for data stream regression models | |
US11783215B2 (en) | Information processing apparatus and recommendation control method | |
JP6340777B2 (ja) | 来店者属性分布情報推定装置およびプログラム | |
Crump et al. | Back-calculating the incidence of infection of leprosy in a Bayesian framework | |
JP2013200683A (ja) | 状態追跡装置、方法、及びプログラム | |
JP5560220B2 (ja) | 工数見積装置、工数見積方法、工数見積プログラム | |
JP2016018308A (ja) | 移動手段推定装置、その動作方法およびプログラム | |
JP6723187B2 (ja) | 予測装置、方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181129 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200121 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20200714 |