JP2018116373A - 生成装置、生成方法、及び生成プログラム - Google Patents

Abstract

【課題】所定の事柄への対応の予測に用いるモデルを精度よく生成する。【解決手段】本願に係る生成装置は、取得部と、生成部とを有する。取得部は、第１ユーザに関する第１種別の行動情報及び第１ユーザに関する第２種別の行動情報と、第１ユーザ以外の第２ユーザであって、当該第２ユーザに関する第２種別の行動情報が所定の条件を満たす第２ユーザに関する第１種別の行動情報とを取得する。生成部は、第１ユーザに関する第１種別の行動情報及び第２種別の行動情報と、第２ユーザに関する第１種別の行動情報と、第２ユーザに関する第２種別の行動情報であって、第２種別の行動情報に対応する第２ユーザの行動とは異なる所定の方法により生成された第２種別の行動情報である拡張行動情報とに基づいて、所定の事柄への対応の予測に用いる予測モデルを生成する。【選択図】図４

Description

本発明は、生成装置、生成方法、及び生成プログラムに関する。

従来、多くの対象、例えばユーザから収集できる情報、例えば検索ログ等の情報に基づいて、所定の事柄への対応の予測に用いるモデルを生成する技術が提供されている。

特開２０１６−１７７３７７号公報

しかしながら、上記の従来技術では、所定の事柄への対応の予測に用いるモデルを精度よく生成することができるとは限らない。例えば、ユーザによっては単純なキーワードのような検索クエリのログ情報は取得可能であるが、ユーザの位置に関する情報が取得できない等、ユーザによって取得できる情報が異なる。また、情報が取得可能なユーザ数が少ない種別の情報の方が予測の精度向上に有用な場合が多く、このような場合、ユーザの行動有無の予測に用いるモデルを精度よく生成することは難しい。

本願は、上記に鑑みてなされたものであって、所定の事柄への対応の予測に用いるモデルを精度よく生成する生成装置、生成方法、及び生成プログラムを提供することを目的とする。

本願に係る生成装置は、第１ユーザに関する第１種別の行動情報及び前記第１ユーザに関する第２種別の行動情報と、第１ユーザ以外の第２ユーザであって、当該第２ユーザに関する第２種別の行動情報が所定の条件を満たす第２ユーザに関する第１種別の行動情報とを取得する取得部と、前記第１ユーザに関する第１種別の行動情報及び第２種別の行動情報と、前記第２ユーザに関する第１種別の行動情報と、前記第２ユーザに関する第２種別の行動情報であって、第２種別の行動情報に対応する前記第２ユーザの行動とは異なる所定の方法により生成された第２種別の行動情報である拡張行動情報とに基づいて、所定の事柄への対応の予測に用いる予測モデルを生成する生成部と、を備えたことを特徴とする。

実施形態の一態様によれば、所定の事柄への対応の予測に用いるモデルを精度よく生成することができるという効果を奏する。

図１は、実施形態に係る生成処理の一例を示す図である。 図２は、実施形態に係る生成処理の一例を示す図である。 図３は、実施形態に係る生成処理の一例を示す図である。 図４は、実施形態に係る生成装置の構成例を示す図である。 図５は、実施形態に係るユーザ情報記憶部の一例を示す図である。 図６は、実施形態に係る第１行動情報記憶部の一例を示す図である。 図７は、実施形態に係る第２行動情報記憶部の一例を示す図である。 図８は、実施形態に係る判定モデル情報記憶部の一例を示す図である。 図９は、実施形態に係る拡張第２行動情報記憶部の一例を示す図である。 図１０は、実施形態に係る正解情報記憶部の一例を示す図である。 図１１は、実施形態に係る予測モデル情報記憶部の一例を示す図である。 図１２は、実施形態に係る生成処理の一例を示すフローチャートである。 図１３は、実施形態に係る生成処理の一例を示すフローチャートである。 図１４は、実施形態に係る生成処理の一例を示すフローチャートである。 図１５は、実施形態に係る予測処理の一例を示すフローチャートである。 図１６は、実施形態に係る予測処理の一例を示すフローチャートである。 図１７は、実施形態に係るモデル生成の繰返し処理の一例を示す図である。 図１８は、実施形態に係る他の種別の行動情報を用いたモデル生成の一例を示す図である。 図１９は、生成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、本願に係る生成装置、生成方法、及び生成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生成装置、生成方法、及び生成プログラムが限定されるものではない。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。

（実施形態）
〔１．生成処理〕
まず、図１〜図３を用いて、実施形態に係る生成処理の一例について説明する。図１〜図３は、実施形態に係る生成処理の一例を示す図である。図１〜図３の例では、生成装置１００が種別の異なる２つの種別のユーザの行動情報を用いて所定の事柄への対応（以下、「予測対象」ともいう）をユーザが行うかどうかを予測する予測モデルを生成する場合を示す。図１〜図３の例では、生成装置１００が予測対象「釣竿Ｘの購入」を予測対象とする場合を示す。図１〜図３の例では、第１種別の行動情報（以下、「第１行動情報」ともいう）として、ユーザが検索行動において用いた検索クエリ（以下、単に「クエリ」ともいう）に関する情報を用い、第２種別の行動情報（以下、「第２行動情報」ともいう）として、ユーザが行動（移動）により位置した位置に関する情報を用いる場合を示す。

また、以下では、第１行動情報と第２行動情報との両方を取得可能なユーザを第１ユーザとし、第１行動情報のみが取得可能なユーザを第２ユーザとして説明する。なお、第２行動情報がない（取得不可能な）ユーザを第２ユーザとしてもよいし、第２行動情報の量が所定の閾値未満であるユーザを第２ユーザとしてもよい。図１の例では、第１ユーザ群ＵＧ１には、ユーザＵ１やユーザＵ２等のユーザが含まれる。なお、上記のように、「ユーザＵ＊（＊は任意の数値）」と記載した場合、そのユーザはユーザＩＤ「Ｕ＊」により識別されるユーザであることを示す。例えば、「ユーザＵ２」と記載した場合、そのユーザはユーザＩＤ「Ｕ２」により識別されるユーザである。また、図１の例では、第２ユーザ群ＵＧ２にはユーザＵ３やユーザＵ４やユーザＵ５等のユーザが含まれる。

また、図１では、ユーザＵ１〜Ｕ５が各々端末装置１０−１〜１０−５を利用する場合を示す。なお、端末装置１０−１〜１０−５を区別せずに説明する場合、端末装置１０と総称する。図１に示すように、生成システム１には、端末装置１０と、生成装置１００とが含まれる。端末装置１０と、生成装置１００とは所定のネットワークＮ（図９参照）を介して、有線または無線により通信可能に接続される。なお、図１に示した生成システム１には、複数台の端末装置１０や、複数台の生成装置１００が含まれてもよい。

端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。図１は、端末装置１０がスマートフォンである場合を示す。また、端末装置１０は、ＧＰＳ（Global Positioning System）センサ等の機能を有し、ユーザの位置を検知可能であるものとする。また、端末装置１０は、ユーザに関する位置情報等の各種情報を生成装置１００へ送信する。なお、以下では、端末装置１０をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。

生成装置１００は、第１ユーザに関する第１行動情報と第２行動情報とに基づいて判定モデルを生成する。ここでいう判定モデルとは、位置に関する各特徴に対応するモデルを意味するが、詳細は後述する。また、生成装置１００は、判定モデルと第２ユーザに関する第１種別の行動情報とに基づいて、第２ユーザに関する第２種別の行動情報である拡張行動情報（以下、「拡張第２行動情報」ともいう）を生成する。

生成装置１００は、第１ユーザに関する第１行動情報及び第２行動情報と、第２ユーザに関する第１行動情報及び拡張第２行動情報とに基づいて、ユーザが予測対象を行うかどうかの予測に用いる予測モデルを生成する情報処理装置である。

〔１−１．判定モデルの生成〕
まず、図１を用いて、判定モデルの生成について説明する。図１は、実施形態に係る生成処理の一例を示す図である。例えば、図１は、判定モデルの生成に関する生成処理の一例を示す図である。

図１では、生成装置１００は、ユーザＵ１が利用する端末装置１０−１からユーザＵ１の第１行動情報である検索履歴情報を取得する（ステップＳ１１−１）。また、生成装置１００は、ユーザＵ１が利用する端末装置１０−１からユーザＵ１の第２行動情報である位置履歴情報を取得する（ステップＳ１２−１）。

また、生成装置１００は、ユーザＵ２が利用する端末装置１０−２からユーザＵ２の第１行動情報である検索履歴情報を取得する（ステップＳ１１−２）。また、生成装置１００は、ユーザＵ２が利用する端末装置１０−２からユーザＵ２の第２行動情報である位置履歴情報を取得する（ステップＳ１２−２）。このように、生成装置１００は、第１ユーザ群ＵＧ１に含まれるユーザＵ１、Ｕ２等のユーザから第１行動情報及び第２行動情報を取得する。

また、生成装置１００は、ユーザＵ３が利用する端末装置１０−３からユーザＵ３の第１行動情報である検索履歴情報を取得する（ステップＳ１１−３）。また、生成装置１００は、ユーザＵ４が利用する端末装置１０−４からユーザＵ４の第１行動情報である検索履歴情報を取得する（ステップＳ１１−４）。また、生成装置１００は、ユーザＵ５が利用する端末装置１０−５からユーザＵ５の第１行動情報である検索履歴情報を取得する（ステップＳ１１−５）。このように、生成装置１００は、第２ユーザ群ＵＧ２に含まれるユーザＵ３、Ｕ４、Ｕ５等のユーザから第１行動情報のみを取得する。

なお、ステップＳ１１−１〜Ｓ１１−５は、処理を説明するためのものであり、ステップＳ１１−１〜Ｓ１１−５のいずれが先に行われてもよく、各ステップＳ１１−１〜Ｓ１１−５は、複数回行われてもよい。以下、ステップＳ１１−１〜Ｓ１１−５を区別せずに説明する場合、ステップＳ１１と総称する。また、ステップＳ１２−１〜Ｓ１２−２は、処理を説明するためのものであり、ステップＳ１２−１〜Ｓ１２−２のいずれが先に行われてもよく、各ステップＳ１２−１〜Ｓ１２−２は、複数回行われてもよい。以下、ステップＳ１２−１〜Ｓ１２−２を区別せずに説明する場合、ステップＳ１２と総称する。

なお、生成装置１００は、予め各ユーザから各種情報を取得済みである場合、第１行動情報記憶部１２２や第２行動情報記憶部１２３から第１ユーザの第１行動情報及び第２行動情報を取得したり、第２ユーザの第１行動情報を取得したりしてもよい。

そして、生成装置１００は、第１ユーザの第２行動情報に基づいて位置に関する特徴を抽出する（ステップＳ１３）。例えば、生成装置１００は、図１中の第２行動情報記憶部１２３に示す第１ユーザの第２行動情報に基づいて位置に関する特徴を抽出する。

図１に示す第２行動情報記憶部１２３には、「ユーザＩＤ」、「第２行動情報（位置）」といった項目が含まれる。「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。「日時」は、ユーザが対応する位置にいた日時を示す。また、「位置」は、対応するユーザが位置した地点を示す位置情報を示す。例えば、図１に示す例において、ユーザＵ１は、日時「ＴＭ２１−１」に、釣りショップＡがある位置「ＬＣ１−１」に位置したことを示す。また例えば、図１に示す例において、ユーザＵ１は、日時「ＴＭ２１−２」に、海上である位置「ＬＣ１−２」に位置したことを示す。

図１の例では、生成装置１００は、第２行動情報記憶部１２３に記憶された第１ユーザの第２行動情報に基づいて、特徴リストＦＬ１１に示すような位置に関する特徴を抽出する。例えば、生成装置１００は、予測対象「釣竿Ｘの購入」に応じて、釣りに関する特徴を抽出してもよい。図１の例では、生成装置１００は、予測対象「釣竿Ｘの購入」に応じて、特徴ＩＤ「Ｆ１」により識別される特徴「海」や、特徴ＩＤ「Ｆ２」により識別される特徴「釣りショップ」や、特徴ＩＤ「Ｆ３」により識別される特徴「川」等の釣りに関連する特徴を抽出する。

なお、生成装置１００は、予測対象に応じて抽出する特徴を変動させてもよい。例えば、生成装置１００は、ユーザの位置に関する第２行動情報に基づいて推定される特徴等の種々の特徴を抽出してもよい。例えば、生成装置１００は、第２行動情報に基づいて推定されるユーザの行動パターン、例えば、「月１回海へ行く」や「電車を利用する」等の特徴を抽出してもよい。また、特徴の抽出については、生成装置１００が自動で抽出してもよいし、生成装置１００の管理者等が予測対象に応じて抽出する特徴を指定してもよい。

そして、生成装置１００は、ステップＳ１３において抽出した特徴に基づいて、第１ユーザの第２行動情報を成形する（ステップＳ１４）。例えば、生成装置１００は、図１中の特徴リストＦＬ１１に基づいて、第２行動情報記憶部１２３に示す第１ユーザの第２行動情報を成形する。例えば、生成装置１００は、図１中の成形後第２行動情報リストＳＤ１１に示すように、図１中の特徴リストＦＬ１１に含まれる各特徴の有無を示す情報に第１ユーザの第２行動情報を成形する。

図１に示す成形後第２行動情報リストＳＤ１１には、「ユーザＩＤ」、「成形後第２行動情報（位置）」といった項目が含まれる。また、「成形後第２行動情報（位置）」には、「特徴（位置）」、「有無」といった項目が含まれる。「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。また、「特徴（位置）」は、位置に関する特徴を示す。また、「有無」は、対応するユーザが特徴（位置）に関する行動を行ったかどうかを示す。図１の例では、「１」が対応する特徴（位置）に関する行動を行ったユーザであることを示し、「０」が対応する特徴（位置）に関する行動を行っていないユーザであることを示す。

例えば、ユーザＵ１は、特徴「海」が有無「１」であるユーザ、すなわち位置「海」へ行ったユーザであることを示す。また、例えば、ユーザＵ１は、特徴「釣りショップ」が有無「１」であるユーザ、すなわち位置「釣りショップ」へ行ったユーザであることを示す。また、例えば、ユーザＵ２は、特徴「海」が有無「０」であるユーザ、すなわち位置「海」へ行っていないユーザであることを示す。例えば、生成装置１００は、図１に示す成形後第２行動情報リストＳＤ１１中の成形後第２行動情報を第２行動情報記憶部１２３に記憶してもよい。例えば、生成装置１００は、図１に示す成形後第２行動情報リストＳＤ１１中の成形後第２行動情報を第１ユーザの第２行動情報として第２行動情報記憶部１２３に記憶してもよい。

そして、生成装置１００は、第１ユーザの第１行動情報及び第２行動情報に基づいて判定モデルを生成する（ステップＳ１５）。図１の例では、生成装置１００は、第１行動情報記憶部１２２に記憶された第１ユーザの第１行動情報と、成形後第２行動情報リストＳＤ１１中の成形後第２行動情報とに基づいて、判定モデルを生成する。図１の例では、生成装置１００は、第１行動情報記憶部１２２に記憶された第１行動情報のうち、第１ユーザ群ＵＧ１に含まれるユーザ（ユーザＵ１、Ｕ２等）の第１行動情報を用いて、判定モデル情報記憶部１２４に示すような判定モデルＤＭ１〜ＤＭ３等を生成する。

図１に示す判定モデル情報記憶部１２４には、各特徴（位置）に対応する判定モデルが記憶される。図１に示す判定モデル情報記憶部１２４は、判定モデル情報として、各判定モデルＤＭ１〜ＤＭ３等に対応させて「素性１」〜「素性３」等といった項目を有する。例えば、図１に示す例において、判定モデルＤＭ１に関する判定モデル情報は、特徴「海」に対応する判定モデルであることを示す。

例えば、図１に示す例において、判定モデルＤＭ１に関する判定モデル情報は、素性１の重みが「０．５」、素性２の重みが「−０．４」、素性３の重みが「０．２」等であることを示す。例えば、図１に示す例において、判定モデルの素性は、第１行動情報に対応する素性であってもよい。例えば、図１に示す例において、判定モデルの素性は、検索クエリとして用いられる文字列等の情報に対応する素性であってもよい。例えば、図１に示す例において、判定モデルの素性は、素性１がクエリ「海」に対応し、素性２がクエリ「グルメ」に対応してもよい。

このように、生成装置１００は、判定モデルを生成することにより、第１行動情報に基づいて、第２行動情報に対応する行動の有無の判定に利用可能な情報を取得することが可能となる。

〔１−２．拡張第２行動情報の生成〕
次に、図２を用いて、拡張第２行動情報の生成について説明する。図２は、実施形態に係る生成処理の一例を示す図である。例えば、図２は、拡張第２行動情報の生成に関する生成処理の一例を示す図である。

図２に示すように、生成装置１００は、第２ユーザの第１行動情報及び判定モデルに基づいて第２ユーザの拡張第２行動情報を生成する（ステップＳ２１）。例えば、生成装置１００は、各特徴の判定モデルの各々に各第２ユーザの第１行動情報を入力することにより、各第２ユーザにおける各特徴のスコアを取得する。例えば、生成装置１００は、各特徴と、各第２ユーザにおける各特徴のスコアとの組み合わせに基づいて、第２ユーザの拡張第２行動情報を生成する。

図２の例では、生成装置１００は、第１行動情報記憶部１２２に記憶された第２ユーザの第１行動情報と、判定モデル情報記憶部１２４に記憶された判定モデルに基づいて、拡張第２行動情報記憶部１２５に示すような第２ユーザの拡張第２行動情報を生成する。図２の例では、生成装置１００は、第１行動情報記憶部１２２に記憶された第１行動情報のうち、第２ユーザ群ＵＧ２に含まれるユーザ（ユーザＵ３、Ｕ４、Ｕ５等）の第１行動情報を用いて、拡張第２行動情報記憶部１２５に示すような第２ユーザの拡張第２行動情報を生成する。

図２に示す拡張第２行動情報記憶部１２５には、「ユーザＩＤ」、「拡張第２行動情報（位置）」といった項目が含まれる。また、「拡張第２行動情報（位置）」には、「特徴（位置）」、「スコア」といった項目が含まれる。「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。また、「特徴（位置）」は、対応するユーザについて判定した位置に関する特徴を示す。なお、図１に示す例では、「特徴（位置）」は、各判定モデルの特徴に対応する。また、「スコア」は、各位置に対応する判定モデルに対応するユーザの情報が入力された場合に出力されたスコアを示す。

例えば、図２に示す例において、ユーザＵ３は、位置「海」に関する判定モデルＤＭ１が出力したスコアが「０．２」であることを示す。また、例えば、図２に示す例において、ユーザＵ３は、位置「釣りショップ」に関する判定モデルＤＭ２が出力したスコアが「０．４」であることを示す。なお、図２の例では、拡張第２行動情報記憶部１２５に、「スコア」が記憶される場合を示したが、スコアが所定の閾値以上である場合「１」を記憶し、所定の閾値未満である場合「０」を記憶してもよい。この場合、拡張第２行動情報記憶部１２５に「１」が記憶された「特徴（位置）」に対応する特徴が「有」であることを示し、「０」が記憶された「特徴（位置）」に対応する特徴が「無」であることを示す。

このように、生成装置１００は、第２ユーザについて拡張第２行動情報を生成することにより、第２ユーザについても第２行動情報として適用可能な情報を取得することが可能となる。また、生成装置１００は、ユーザの検索行動に基づく第１行動情報では顕在化しない類似性が顕在化する可能性が高いユーザの位置に関する行動に基づく第２行動情報に対応する拡張第２行動情報を生成することにより、予測に用いるデータの質を向上させる学習（以下、「質拡張学習」ともいう）を行うことができる。これにより、生成装置１００は、大規模の質の低いデータ（第１行動情報）と、小規模の質の高いデータ（第２行動情報）との両方に基づいて、図３に示す予測処理等を行うことができる。

〔１−３．予測モデルの生成〕
次に、図３を用いて、予測モデルの生成について説明する。図３は、実施形態に係る生成処理の一例を示す図である。例えば、図３は、予測モデルの生成に関する生成処理の一例を示す図である。また、図３は、生成した予測モデルを用いた予測処理の一例を示す図である。

生成装置１００は、正解情報、第１ユーザの第１行動情報及び第２行動情報、第２ユーザの第１行動情報及び拡張第２行動情報に基づいて予測モデルを生成する（ステップＳ３１）。図３に示すように、生成装置１００は、正解情報記憶部１２６に記憶された正解情報に基づいて、予測モデルを生成する。図３に示す例においては、生成装置１００は、予測ユーザが予測対象「釣竿Ｘの購入」を行うかどうかを示す予測情報リストＰＬ１１を生成する。

図３に示す正解情報記憶部１２６は、「ユーザＩＤ」、「正解情報（購買情報）」といった項目が含まれる。また、「正解情報（購買情報）」には、「釣竿Ｘ」といった項目が含まれる。「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。また、「釣竿Ｘ」は、対応するユーザが対象「釣竿Ｘ」を購入したかどうかを示す。すなわち、「釣竿Ｘ」は、予測対象「釣竿Ｘの購入」が行われたかどうかを示す。

図３に示す例において、ユーザＵ１は、釣竿Ｘを購入したユーザであることを示す。また、図３に示す例において、ユーザＵ５は、釣竿Ｘを購入していないユーザであることを示す。このように、図３の例では、予測対象「釣竿Ｘの購入」について、ユーザＵ１とユーザＵ５が購買履歴情報等により、釣竿Ｘを購入しているかどうかが判別可能なユーザ（以下、「正解ユーザ」ともいう）である場合を示す。

例えば、生成装置１００は、正解ユーザの第１行動情報を第１行動情報記憶部１２２から取得する。図３の例では、生成装置１００は、第１行動情報記憶部１２２から正解ユーザであるユーザＵ１やユーザＵ５等の第１行動情報を取得する。

また、例えば、生成装置１００は、正解ユーザのうち第１ユーザの第２行動情報に関する情報を取得する。図３の例では、生成装置１００は、成形後第２行動情報リストＳＤ１１から正解ユーザであり第１ユーザであるユーザＵ１等の成形後第２行動情報を取得する。なお、生成装置１００は、第２行動情報記憶部１２３から正解ユーザであり第１ユーザであるユーザＵ１等の第２行動情報を取得し、成形してもよい。

また、例えば、生成装置１００は、正解ユーザのうち第２ユーザの拡張第２行動情報を拡張第２行動情報記憶部１２５から取得する。図３の例では、生成装置１００は、拡張第２行動情報記憶部１２５から正解ユーザであり第２ユーザであるユーザＵ５の拡張第２行動情報を取得する。

そして、生成装置１００は、正解ユーザであり第１ユーザであるユーザＵ１等に関する正解情報、第１行動情報及び成形後第２行動情報と、正解ユーザであり第２ユーザであるユーザＵ５等に関する正解情報、第１行動情報及び拡張第２行動情報とに基づいて予測モデルを生成する。図３の例では、生成装置１００は、正解情報、第１ユーザの第１行動情報及び第２行動情報、第２ユーザの第１行動情報及び拡張第２行動情報に基づいて、予測モデル情報記憶部１２７に示すような予測対象「釣竿Ｘの購入」を予測する予測モデルＰＭ１を生成する。

図３に示す予測モデル情報記憶部１２７は、予測モデル情報として、予測モデルＰＭ１に対応させて「素性１」〜「素性３」等といった項目を有する。例えば、図３に示す例において、予測モデルＰＭ１に関する予測モデル情報は、事柄「釣竿Ｘの購入」に対応する予測モデルであることを示す。例えば、予測モデルＰＭ１に一のユーザに関する情報を入力し、予測モデルＰＭ１が出力するスコア（値）が所定の閾値以上である場合、予測対象「釣竿Ｘの購入」を行ったユーザとして判定する。

図３に示す例では、予測モデルＰＭ１に関する予測モデル情報は、素性１の重みが「−０．３」、素性２の重みが「０．６」、素性３の重みが「０．１」等であることを示す。例えば、図３に示す例において、予測モデルの素性は、第１行動情報や第２行動情報に対応する素性であってもよい。例えば、図３に示す例において、予測モデルの素性は、検索クエリとして用いられる文字列や位置に関する特徴等の情報に対応する素性であってもよい。例えば、図３に示す例において、予測モデルの素性は、素性１がクエリ「ブーツ」に対応し、素性２が特徴「釣りショップ」に対応してもよい。

例えば、一のユーザが第１ユーザである場合、予測モデルＰＭ１に一のユーザに関する第１行動情報や成形後第２行動情報を入力し、予測モデルＰＭ１が出力するスコア（値）が所定の閾値以上である場合、予測対象「釣竿Ｘの購入」を行ったユーザとして判定する。例えば、一のユーザが第１ユーザである場合、予測モデルＰＭ１に一のユーザに関する第１行動情報や第２行動情報を入力し、予測モデルＰＭ１が出力するスコア（値）が所定の閾値以上である場合、予測対象「釣竿Ｘの購入」を行ったユーザとして判定してもよい。

また、例えば、一のユーザが第２ユーザである場合、予測モデルＰＭ１に一のユーザに関する第１行動情報や拡張第２行動情報を入力し、予測モデルＰＭ１が出力するスコア（値）が所定の閾値以上である場合、予測対象「釣竿Ｘの購入」を行ったユーザとして判定してもよい。

このように、生成装置１００は、所定の事柄への対応の予測に用いるモデルを精度よく生成することができる。

ここから、生成した予測モデルＰＭ１を用いた予測処理について説明する。生成装置１００は、予測モデルＰＭ１を用いて、正解ユーザ以外のユーザにおける予測対象「釣竿Ｘの購入」の有無を予測する（ステップＳ３２）。例えば、生成装置１００は、正解ユーザであるユーザＵ１、Ｕ５等以外のユーザ（以下、「予測ユーザ」ともいう）について予測対象「釣竿Ｘの購入」の有無を予測する。例えば、生成装置１００は、予測ユーザであるユーザＵ２、Ｕ３、Ｕ４等について予測対象「釣竿Ｘの購入」の有無を予測する。なお、予測対象「釣竿Ｘの購入」は一例であり、予測対象はユーザの行動に関する対象であれば、どのような対象であってもよい。

図３に示す予測情報リストＰＬ１１には、「ユーザＩＤ」、「予測情報（釣竿Ｘ）」といった項目が含まれる。また、「予測情報（釣竿Ｘ）」には、「スコア」、「有無」といった項目が含まれる。「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。「スコア」は、予測モデルに対応するユーザの情報が入力された場合に出力されたスコアを示す。また、「有無」は、対応するユーザが予測対象に関する行動を行ったかどうかを示す。図３の例では、「１」が対応する特徴（位置）に関する行動を行ったユーザであることを示し、「０」が対応する特徴（位置）に関する行動を行っていないユーザであることを示す。なお、図３の例では、スコアが閾値「０．７」以上である場合、特徴（位置）に関する行動を行ったユーザであると予測し、スコアが閾値「０．７」未満である場合、特徴（位置）に関する行動を行ってないユーザであると予測する場合を示す。

例えば、生成装置１００は、第１行動情報記憶部１２２から予測ユーザであり第１ユーザであるユーザＵ２の第１行動情報を取得する。また、例えば、生成装置１００は、成形後第２行動情報リストＳＤ１１から予測ユーザであり第１ユーザであるユーザＵ２の成形後第２行動情報を取得する。そして、生成装置１００は、ユーザＵ２の第１行動情報及び成形後第２行動情報を予測モデルＰＭ１に入力することによりスコアを取得する。図３の例では、予測情報リストＰＬ１１に示すように、生成装置１００は、ユーザＵ２の予測対象「釣竿Ｘの購入」を行うかどうかに関するスコアを「０．６」と算出する。そのため、生成装置１００は、スコア「０．６」であり、閾値「０．７」未満であるため、ユーザＵ２が予測対象「釣竿Ｘの購入」を行う可能性が低いユーザであると予測し、有無を「０」とする。

例えば、予測モデルＰＭ１において、ユーザＵ２の第１行動情報に含まれる検索クエリに対応する素性の重みやユーザＵ２の成形後第２行動情報に含まれる特徴（位置）に対応する素性の重みを合計することにより、ユーザＵ２のスコアが出力される。図１に示す例においては、生成装置１００は、スコアが大きい程、予測対象「釣竿Ｘの購入」が行われる可能性が高いと判定し、スコアが小さい程、予測対象「釣竿Ｘの購入」が行われる可能性が低いと判定する。

また、例えば、生成装置１００は、第１行動情報記憶部１２２から予測ユーザであり第２ユーザであるユーザＵ３の第１行動情報を取得する。また、例えば、生成装置１００は、拡張第２行動情報記憶部１２５から予測ユーザであり第２ユーザであるユーザＵ３の拡張第２行動情報を取得する。そして、生成装置１００は、ユーザＵ３の第１行動情報及び拡張第２行動情報を予測モデルＰＭ１に入力することによりスコアを取得する。図３の例では、予測情報リストＰＬ１１に示すように、生成装置１００は、ユーザＵ３の予測対象「釣竿Ｘの購入」を行うかどうかに関するスコアを「０．８」と算出する。そのため、生成装置１００は、スコア「０．８」であり、閾値「０．７」以上であるため、ユーザＵ３が予測対象「釣竿Ｘの購入」を行う可能性が高いユーザであると予測し、有無を「１」とする。

また、例えば、生成装置１００は、第１行動情報記憶部１２２から予測ユーザであり第２ユーザであるユーザＵ４の第１行動情報を取得する。また、例えば、生成装置１００は、拡張第２行動情報記憶部１２５から予測ユーザであり第２ユーザであるユーザＵ４の拡張第２行動情報を取得する。そして、生成装置１００は、ユーザＵ４の第１行動情報及び拡張第２行動情報を予測モデルＰＭ１に入力することによりスコアを取得する。図３の例では、予測情報リストＰＬ１１に示すように、生成装置１００は、ユーザＵ４の予測対象「釣竿Ｘの購入」を行うかどうかに関するスコアを「０．１」と算出する。そのため、生成装置１００は、スコア「０．１」であり、閾値「０．７」未満であるため、ユーザＵ４が予測対象「釣竿Ｘの購入」を行う可能性が低いユーザであると予測し、有無を「０」とする。

このように、実施形態に係る生成装置１００は、予測対象への対応の予測、すなわちユーザの行動有無の予測に用いるモデルを精度よく生成することができる。したがって、生成装置１００は、予測対象への対応を精度よく予測できる。

〔１−４．第１ユーザ、第２ユーザ〕
上述した例のように、第１ユーザに比べて第２ユーザの数が多数になる。例えば、第２行動情報であるユーザの位置に関する情報が取得可能なユーザ数は、第１行動情報である検索行動に用いたクエリに関する情報が取得可能なユーザ数よりも少ない。そのため、例えば、第２ユーザの数が１０００万であり、第１ユーザの数が５万である等、第２ユーザの数が第１ユーザに比べて圧倒的に多数になる場合が多い。一方で、予測対象は、第２行動情報に基づいて予測を行う方が精度が高くなる場合がある。例えば、上述の例のように、予測対象「釣竿Ｘの購入」が行われるかどうかの予測は、検索クエリに関する第１行動情報よりも、ユーザの位置に関する第２行動情報を用いたほうが精度が高くなる。

しかしながら、従来の手法では、第２行動情報が取得できない第２ユーザ（上記の例では、１０００万ユーザ）の情報は、第２行動情報を用いた予測には利用することが難しい。このような場合、例えば、第２行動情報が取得できない第２ユーザの情報の利用を諦める場合、予測対象の予測精度を向上させることが難しい。また、第２ユーザについては位置に関する情報「無」という特徴としてモデルを生成することも可能であるが、この場合、多数の第２ユーザについて、位置に関する特徴「無」となるため、予測対象の予測精度を向上させることが難しい。

一方、生成装置１００は、第２行動情報を取得できない第２ユーザについては、拡張第２行動情報を生成することにより、第２行動情報を利用した予測が可能となる。これにより、生成装置１００は、第２ユーザの情報の利用を諦めたり、第２ユーザの第２行動情報に対応する特徴を「無」として、予測処理を行ったりする場合に比べて、予測対象の予測精度を向上させることが可能となる。

〔１−５．第１行動情報、第２行動情報〕
なお、上述した第１行動情報及び第２行動情報は一例であり、どのような情報であってもよい。例えば、第１行動情報は、ユーザのウェブ上におけるコンテンツの閲覧に関する行動情報であり、第２行動情報は、ユーザの購買履歴に関する行動情報であってもよい。

〔１−６．判定モデル〕
上述した例では、第１行動情報に基づいて、第２行動情報に関する行動の有無を判定する判定モデルを生成する場合を示したが、判定モデルは、第２行動情報に関する行動の有無を判定可能であればどのように生成されてもよい。例えば、生成装置１００は、第１行動情報以外の他の行動情報に基づいて、第２行動情報に関する行動の有無を判定する判定モデルを生成してもよい。なお、この点についても詳細は後述する。

また、例えば、生成装置１００は、どのような第２行動情報に関する行動の特徴のうち、どのような特徴を抽出して、その特徴に関する行動を判定する判定モデルを生成するかを適宜の情報に基づいて決定してもよい。例えば、生成装置１００は、一回目に生成した判定モデルの重みで異種データ間の特徴の相関関係の傾向を把握し、その傾向に基づいて二回目の特徴の抽出及び判定モデルの生成を行ってもよい。このように、生成装置１００は、二回以上の段階、すなわち多段階で質拡張学習を行なってもよい。

〔２．生成装置の構成〕
次に、図４を用いて、実施形態に係る生成装置１００の構成について説明する。図４は、実施形態に係る生成装置１００の構成例を示す図である。図４に示すように、生成装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、生成装置１００は、生成装置１００の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）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、端末装置１０との間で情報の送受信を行う。

（記憶部１２０）
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。実施形態に係る記憶部１２０は、図４に示すように、ユーザ情報記憶部１２１と、第１行動情報記憶部１２２と、第２行動情報記憶部１２３と、判定モデル情報記憶部１２４と、拡張第２行動情報記憶部１２５と、正解情報記憶部１２６と、予測モデル情報記憶部１２７とを有する。

（ユーザ情報記憶部１２１）
実施形態に係るユーザ情報記憶部１２１は、ユーザに関する各種情報を記憶する。例えば、ユーザ情報記憶部１２１は、ユーザ属性に関する各種情報を記憶する。図５は、実施形態に係るユーザ情報記憶部の一例を示す図である。図５に示すユーザ情報記憶部１２１は、「ユーザＩＤ」、「年齢」、「性別」、「自宅」、「勤務地」、「興味」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。また、「年齢」は、ユーザＩＤにより識別されるユーザの年齢を示す。なお、「年齢」は、例えば３５歳など、ユーザＩＤにより識別されるユーザの具体的な年齢であってもよい。また、「性別」は、ユーザＩＤにより識別されるユーザの性別を示す。

また、「自宅」は、ユーザＩＤにより識別されるユーザの自宅の位置情報を示す。なお、図５に示す例では、「自宅」は、「ＬＣ１１」といった抽象的な符号を図示するが、緯度や経度を示す情報であってもよい。また、例えば、「自宅」は、地域名や住所であってもよい。

また、「勤務地」は、ユーザＩＤにより識別されるユーザの勤務地の位置情報を示す。なお、図５に示す例では、「勤務地」は、「ＬＣ１２」といった抽象的な符号を図示するが、緯度や経度を示す情報であってもよい。また、例えば、「自宅」は、地域名や住所であってもよい。

また、「興味」は、ユーザＩＤにより識別されるユーザの興味を示す。すなわち、「興味」は、ユーザＩＤにより識別されるユーザが関心の高い対象を示す。なお、図５に示す例では、「興味」は、各ユーザに１つずつ図示するが、複数であってもよい。

例えば、図５に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの年齢は、「２０代」であり、性別は、「男性」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、自宅が「ＬＣ１１」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、勤務地が「ＬＣ１２」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、「スポーツ」に興味があることを示す。

なお、ユーザ情報記憶部１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、ユーザ情報記憶部１２１は、デモグラフィック属性情報やサイコグラフィック属性情報等の種々の情報を記憶してもよい。例えば、ユーザ情報記憶部１２１は、氏名、家族構成、収入等の情報を記憶してもよい。

（第１行動情報記憶部１２２）
実施形態に係る第１行動情報記憶部１２２は、第１種別の行動情報である第１行動情報に関する各種情報を記憶する。図６は、実施形態に係る第１行動情報記憶部の一例を示す図である。例えば、第１行動情報記憶部１２２は、第１行動情報としてユーザが検索に用いたクエリに関する情報を記憶する。図６に示す第１行動情報記憶部１２２には、「ユーザＩＤ」、「第１行動情報（検索クエリ）」といった項目が含まれる。また、「第１行動情報（検索クエリ）」には、「日時」、「検索クエリ」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ２」により識別されるユーザは、図１の例に示したユーザＵ２に対応する。「日時」は、対応する検索クエリを用いて検索行動を行った日時を示す。なお、図６の例では、「ＴＭ１１−１」等で図示するが、「日時」には、「２０１７年１月８日１４時５１分２２秒」等の具体的な日時が記憶されてもよい。また、「検索」は、対応するユーザが検索行動に用いた検索クエリを示す。

例えば、図６に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザは、日時「ＴＭ１１−１」に検索クエリ「海」を用いて検索行動を行ったことを示す。また、例えば、図６に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザは、日時「ＴＭ１１−２」に検索クエリ「大物」を用いて検索行動を行ったことを示す。

なお、第１行動情報記憶部１２２は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、第１行動情報記憶部１２２は、検索行動を行った後閲覧したコンテンツに関する情報を記憶してもよい。また、図６では、ユーザＩＤごとに行動情報が第１行動情報記憶部１２２に記憶される場合を示したが、行動情報は、ユーザＩＤごとに限らず、例えば日時順に記憶されてもよい。

（第２行動情報記憶部１２３）
実施形態に係る第２行動情報記憶部１２３は、第２種別の行動情報である第２行動情報に関する各種情報を記憶する。図７は、実施形態に係る第２行動情報記憶部の一例を示す図である。例えば、第２行動情報記憶部１２３は、第２行動情報としてユーザが行動（移動）により位置した位置情報を記憶する。図７に示す第２行動情報記憶部１２３には、「ユーザＩＤ」、「第２行動情報（位置）」といった項目が含まれる。また、「第２行動情報（位置）」には、「日時」、「位置」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ３」により識別されるユーザは、図１の例に示したユーザＵ３に対応する。「日時」は、ユーザが対応する位置にいた日時を示す。例えば、「日時」は、対応する位置にいることがユーザの端末装置１０が有するＧＰＳセンサ等により検知された日時を示す。なお、図７の例では、「ＴＭ２１−１」等で図示するが、「日時」には、「２０１７年１月８日１４時５１分２２秒」等の具体的な日時が記憶されてもよい。また、「位置」は、対応するユーザが位置した地点を示す位置情報を示す。なお、図７に示す例では、「位置」は、「ＬＣ１−１」といった抽象的な符号を図示するが、緯度や経度を示す情報であってもよい。また、例えば、「位置」は、図７中に括弧書きで示すようにその位置の役割や地域名や住所等を含んでもよい。

例えば、図７に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザは、日時「ＴＭ２１−１」に、釣りショップＡがある位置「ＬＣ１−１」に位置したことを示す。また例えば、図７に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザは、日時「ＴＭ２１−２」に、海上である位置「ＬＣ１−２」に位置したことを示す。

なお、第２行動情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、第２行動情報記憶部１２３は、検索行動を行った後閲覧したコンテンツに関する情報を記憶してもよい。また、図７では、ユーザＩＤごとに行動情報が第２行動情報記憶部１２３に記憶される場合を示したが、行動情報は、ユーザＩＤごとに限らず、例えば日時順に記憶されてもよい。

（判定モデル情報記憶部１２４）
実施形態に係る判定モデル情報記憶部１２４は、判定モデルに関する情報を記憶する。例えば、判定モデル情報記憶部１２４は、生成処理により生成された判定モデル情報を記憶する。図８は、実施形態に係る判定モデル情報記憶部の一例を示す図である。図８に示す判定モデル情報記憶部１２４では、各特徴（位置）に対応する判定モデルが記憶される。図８に示す判定モデル情報記憶部１２４は、判定モデル情報として、各判定モデルＤＭ１〜ＤＭ３等に対応させて「素性１」〜「素性３」等といった項目を有する。

例えば、図８に示す例において、判定モデルＤＭ１に関する判定モデル情報は、特徴「海」に対応する判定モデルであることを示す。例えば、判定モデルＤＭ１に一のユーザに関する情報（第１行動情報）を入力し、判定モデルＤＭ１が出力するスコア（値）が所定の閾値以上である場合、一のユーザを海に行ったユーザとして判定してもよい。

例えば、図８に示す例において、判定モデルＤＭ１に関する判定モデル情報は、素性１の重みが「０．５」、素性２の重みが「−０．４」、素性３の重みが「０．２」等であることを示す。例えば、モデルの素性（特徴量）がｍ次元のベクトルで表現される場合、素性数はｍ個になり、素性１〜素性ｍの重みが記憶される。例えば、図８に示す例において、判定モデルの素性は、第１行動情報に対応する素性であってもよい。例えば、図８に示す例において、判定モデルの素性は、検索クエリとして用いられる文字列等の情報に対応する素性であってもよい。例えば、図８に示す例において、判定モデルの素性は、素性１がクエリ「海」に対応し、素性２がクエリ「グルメ」に対応してもよい。

なお、判定モデル情報記憶部１２４は、上記に限らず、目的に応じて種々の判定モデル情報を記憶してもよい。

（拡張第２行動情報記憶部１２５）
実施形態に係る拡張第２行動情報記憶部１２５は、第２種別の拡張行動情報である拡張第２行動情報に関する各種情報を記憶する。図９は、実施形態に係る拡張第２行動情報記憶部の一例を示す図である。例えば、拡張第２行動情報記憶部１２５は、拡張第２行動情報として判定モデルにより判定されたユーザの位置に関する情報を記憶する。図９に示す拡張第２行動情報記憶部１２５には、「ユーザＩＤ」、「拡張第２行動情報（位置）」といった項目が含まれる。また、「拡張第２行動情報（位置）」には、「特徴（位置）」、「スコア」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ４」により識別されるユーザは、図１の例に示したユーザＵ４に対応する。また、「特徴（位置）」は、対応するユーザについてモデルを用いてスコアを算出した位置に関する特徴を示す。なお、図９に示す例では、「特徴（位置）」は、各判定モデルの特徴である場合を示す。また、「スコア」は、各位置に対応する判定モデルに対応するユーザの情報が入力された場合に出力されたスコアを示す。

例えば、図９に示す例において、ユーザＩＤ「Ｕ３」により識別されるユーザは、位置「海」に関する判定モデルＤＭ１が出力したスコアが「０．２」であることを示す。また、例えば、図９に示す例において、ユーザＩＤ「Ｕ３」により識別されるユーザは、位置「釣りショップ」に関する判定モデルＤＭ２が出力したスコアが「０．４」であることを示す。図９の例では、位置とスコアをセットで記憶する場合を示したが、拡張第２行動情報記憶部１２５には、スコアが所定の閾値以上である位置のみを、ユーザが位置したものとして記憶してもよい。

なお、拡張第２行動情報記憶部１２５は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、拡張第２行動情報記憶部１２５は、位置に限らずユーザの位置に関する行動情報であればどのような情報を記憶してもよい。例えば、拡張第２行動情報記憶部１２５は、「月１回海へ行く」かどうかを判定する判定モデルや「電車を利用する」かどうかを判定する判定モデル等の種々のモデルに対応するスコアを記憶してもよい。例えば、拡張第２行動情報記憶部１２５は、「月１回海へ行く」や「電車を利用する」等の種々のユーザの位置に関するスコアを記憶してもよい。また、図９では、ユーザＩＤごとに行動情報が拡張第２行動情報記憶部１２５に記憶される場合を示したが、行動情報は、ユーザＩＤごとに限らず、例えば日時順に記憶されてもよい。

（正解情報記憶部１２６）
実施形態に係る正解情報記憶部１２６は、予測に関する正解情報を記憶する。例えば、正解情報記憶部１２６は、予測対象となる事柄に関する情報を記憶する。図１０は、実施形態に係る正解情報記憶部の一例を示す図である。図１０に示す正解情報記憶部１２６は、「ユーザＩＤ」、「正解情報（購買情報）」といった項目が含まれる。また、「正解情報（購買情報）」には、「釣竿Ｘ」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ５」により識別されるユーザは、図１の例に示したユーザＵ５に対応する。また、「釣竿Ｘ」は、対応するユーザが対象「釣竿Ｘ」を購入したかどうかを示す。すなわち、「釣竿Ｘ」は、予測対象「釣竿Ｘの購入」が行われたかどうかを示す。

例えば、図１０に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザは、釣竿Ｘを購入したユーザであることを示す。また、例えば、図１０に示す例において、ユーザＩＤ「Ｕ５」により識別されるユーザは、釣竿Ｘを購入していないユーザであることを示す。このように、図１０の例では、ユーザＵ１とユーザＵ５は、購買履歴情報等により、釣竿Ｘを購入しているかどうかが判別可能なユーザである場合を示す。

なお、正解情報記憶部１２６は、上記に限らず、目的に応じて種々の情報を記憶してもよい。

（予測モデル情報記憶部１２７）
実施形態に係る予測モデル情報記憶部１２７は、予測モデルに関する情報を記憶する。例えば、予測モデル情報記憶部１２７は、生成処理により生成された予測モデル情報を記憶する。図１１は、実施形態に係る予測モデル情報記憶部の一例を示す図である。図１１に示す予測モデル情報記憶部１２７では、予測対象「釣竿Ｘの購入」に対応する予測モデルＰＭ１等の予測モデル情報が記憶される。図１１に示す予測モデル情報記憶部１２７は、予測モデル情報として、予測モデルＰＭ１に対応させて「素性１」〜「素性３」等といった項目を有する。

例えば、図１１に示す例において、予測モデルＰＭ１に関する予測モデル情報は、事柄「釣竿Ｘの購入」に対応する予測モデルであることを示す。例えば、予測モデルＰＭ１に一のユーザに関する情報を入力し、予測モデルＰＭ１が出力するスコア（値）が所定の閾値以上である場合、予測対象「釣竿Ｘの購入」を行ったユーザとして判定してもよい。

例えば、一のユーザが第１ユーザである場合、予測モデルＰＭ１に一のユーザに関する第１行動情報や第２行動情報を入力し、予測モデルＰＭ１が出力するスコア（値）が所定の閾値以上である場合、予測対象「釣竿Ｘの購入」を行ったユーザとして判定してもよい。例えば、一のユーザが第１ユーザである場合、予測モデルＰＭ１に一のユーザに関する第１行動情報や成形後第２行動情報を入力し、予測モデルＰＭ１が出力するスコア（値）が所定の閾値以上である場合、予測対象「釣竿Ｘの購入」を行ったユーザとして判定してもよい。

また、例えば、一のユーザが第２ユーザである場合、予測モデルＰＭ１に一のユーザに関する第１行動情報や拡張第２行動情報を入力し、予測モデルＰＭ１が出力するスコア（値）が所定の閾値以上である場合、予測対象「釣竿Ｘの購入」を行ったユーザとして判定してもよい。

例えば、図１１に示す例において、予測モデルＰＭ１に関する予測モデル情報は、素性１の重みが「−０．３」、素性２の重みが「０．６」、素性３の重みが「０．１」等であることを示す。例えば、モデルの素性（特徴量）がｍ次元のベクトルで表現される場合、素性数はｍ個になり、素性１〜素性ｍの重みが記憶される。例えば、図１１に示す例において、予測モデルの素性は、第１行動情報や第２行動情報に対応する素性であってもよい。例えば、図１１に示す例において、予測モデルの素性は、検索クエリとして用いられる文字列や位置に関する特徴等の情報に対応する素性であってもよい。例えば、図１１に示す例において、予測モデルの素性は、素性１がクエリ「ブーツ」に対応し、素性２が特徴「釣りショップ」に対応してもよい。

なお、予測モデル情報記憶部１２７は、上記に限らず、目的に応じて種々の予測モデル情報を記憶してもよい。

（制御部１３０）
図４の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、生成装置１００内部の記憶装置に記憶されている各種プログラム（提供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、コントローラであり、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４に示すように、制御部１３０は、取得部１３１と、抽出部１３２と、生成部１３３と、予測部１３４と、提供部１３５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４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４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）
取得部１３１は、種々の情報を取得する。取得部１３１は、端末装置１０等の外部装置から各種情報を取得する。また、取得部１３１は、ユーザ情報記憶部１２１や、第１行動情報記憶部１２２や、第２行動情報記憶部１２３や、判定モデル情報記憶部１２４や、拡張第２行動情報記憶部１２５や、正解情報記憶部１２６や、予測モデル情報記憶部１２７等から各種情報を取得する。

例えば、取得部１３１は、第１ユーザに関する第１種別の行動情報（第１行動情報）及び第１ユーザに関する第２種別の行動情報（第２行動情報）と、第１ユーザ以外の第２ユーザであって、当該第２ユーザに関する第２種別の行動情報が所定の条件を満たす第２ユーザに関する第１種別の行動情報とを取得する。例えば、取得部１３１は、第２種別の行動情報の量が所定の閾値未満である第２ユーザに関する第１種別の行動情報を取得する。例えば、取得部１３１は、第２種別の行動情報がない第２ユーザに関する第１種別の行動情報を取得する。

例えば、取得部１３１は、第２ユーザよりも少数の第１ユーザに関する第１種別の行動情報及び第２種別の行動情報を取得する。例えば、取得部１３１は、第１ユーザに関する検索行動を第１ユーザに関する第１種別の行動情報として取得する。例えば、取得部１３１は、第１ユーザの位置に関する情報を第１ユーザに関する第２種別の行動情報として取得する。例えば、取得部１３１は、第２ユーザに関する検索行動を第２ユーザに関する第１種別の行動情報として取得する。

（抽出部１３２）
抽出部１３２は、種々の情報を抽出する。例えば、抽出部１３２は、第１行動情報から所定の特徴を示す行動を抽出する。

図１の例では、抽出部１３２は、第１ユーザの第２行動情報に基づいて位置に関する特徴を抽出する。例えば、抽出部１３２は、図１中の第２行動情報記憶部１２３に示す第１ユーザの第２行動情報に基づいて位置に関する特徴を抽出する。

図１の例では、抽出部１３２は、第２行動情報記憶部１２３に記憶された第１ユーザの第２行動情報に基づいて、特徴リストＦＬ１１に示すような位置に関する特徴を抽出する。例えば、抽出部１３２は、予測対象「釣竿Ｘの購入」に応じて、釣りに関する特徴を抽出してもよい。図１の例では、抽出部１３２は、予測対象「釣竿Ｘの購入」に応じて、特徴ＩＤ「Ｆ１」により識別される特徴「海」や、特徴ＩＤ「Ｆ２」により識別される特徴「釣りショップ」や、特徴ＩＤ「Ｆ３」により識別される特徴「川」等の釣りに関連する特徴を抽出する。

（生成部１３３）
生成部１３３は、種々の情報を生成する。例えば、生成部１３３は、第１ユーザに関する第１種別の行動情報（第１行動情報）及び第２種別の行動情報（第２行動情報）と、第２ユーザに関する第１種別の行動情報と、第２ユーザに関する第２種別の行動情報であって、第２種別の行動情報に対応する第２ユーザの行動とは異なる所定の方法により生成された第２種別の行動情報である拡張行動情報（拡張第２行動情報）とに基づいて、所定の事柄への対応の予測に用いる予測モデルを生成する。

例えば、生成部１３３は、第１種別の行動情報に基づいて、第２ユーザの拡張行動情報を生成する。例えば、生成部１３３は、第１ユーザに関する第１種別の行動情報及び第２種別の行動情報に基づいて生成された第２種別の行動情報の所定の行動の有無を判定する判定モデルと、第２ユーザに関する第１種別の行動情報とに基づいて、第２ユーザの拡張行動情報を生成する。

例えば、生成部１３３は、第１ユーザに関する第２種別の行動情報から抽出された所定の行動に対応する第２種別の行動情報と、第２ユーザの拡張行動情報とに基づいて、予測モデルを生成する。

図１の例では、生成部１３３は、第１ユーザの第１行動情報及び第２行動情報に基づいて判定モデルを生成する。図１の例では、生成部１３３は、第１行動情報記憶部１２２に記憶された第１ユーザの第１行動情報と、成形後第２行動情報リストＳＤ１１中の成形後第２行動情報とに基づいて、判定モデルを生成する。図１の例では、生成部１３３は、第１行動情報記憶部１２２に記憶された第１行動情報のうち、第１ユーザ群ＵＧ１に含まれるユーザ（ユーザＵ１、Ｕ２等）の第１行動情報を用いて、判定モデル情報記憶部１２４に示すような判定モデルＤＭ１〜ＤＭ３等を生成する。

図２の例では、生成部１３３は、第２ユーザの第１行動情報及び判定モデルに基づいて第２ユーザの拡張第２行動情報を生成する。例えば、生成部１３３は、各特徴の判定モデルの各々に各第２ユーザの第１行動情報を入力することにより、各第２ユーザにおける各特徴のスコアを取得する。例えば、生成部１３３は、各特徴と、各第２ユーザにおける各特徴のスコアとの組み合わせに基づいて、第２ユーザの拡張第２行動情報を生成する。

図２の例では、生成部１３３は、第１行動情報記憶部１２２に記憶された第２ユーザの第１行動情報と、判定モデル情報記憶部１２４に記憶された判定モデルに基づいて、拡張第２行動情報記憶部１２５に示すような第２ユーザの拡張第２行動情報を生成する。図２の例では、生成部１３３は、第１行動情報記憶部１２２に記憶された第１行動情報のうち、第２ユーザ群ＵＧ２に含まれるユーザ（ユーザＵ３、Ｕ４、Ｕ５等）の第１行動情報を用いて、拡張第２行動情報記憶部１２５に示すような第２ユーザの拡張第２行動情報を生成する。

図３の例では、生成部１３３は、正解情報、第１ユーザの第１行動情報及び第２行動情報、第２ユーザの第１行動情報及び拡張第２行動情報に基づいて予測モデルを生成する。図３に示すように、生成部１３３は、正解情報記憶部１２６に記憶された正解情報に基づいて、予測モデルを生成する。図３の例では、生成部１３３は、正解ユーザであり第１ユーザであるユーザＵ１等に関する正解情報、第１行動情報及び成形後第２行動情報と、正解ユーザであり第２ユーザであるユーザＵ５等に関する正解情報、第１行動情報及び拡張第２行動情報とに基づいて予測モデルを生成する。図３の例では、生成部１３３は、正解情報、第１ユーザの第１行動情報及び第２行動情報、第２ユーザの第１行動情報及び拡張第２行動情報に基づいて、予測モデル情報記憶部１２７に示すような予測対象「釣竿Ｘの購入」を予測する予測モデルＰＭ１を生成する。

例えば、生成部１３３は、第１種別の行動情報に対応する行動及び第２種別の行動情報に対応する行動とは異なる他の種別の行動に対応する第３行動情報に基づいて、第２ユーザの拡張行動情報を生成する。例えば、生成部１３３は、第１ユーザに関する第３行動情報及び第２種別の行動情報に基づいて生成された第２種別の行動情報の所定の行動の有無を判定する他の判定モデルと、第２ユーザに関する第３行動情報とに基づいて、第２ユーザの拡張行動情報を生成する。例えば、生成部１３３は、複数種別の各々に対応する行動に関する第３行動情報に基づいて、第２ユーザの拡張行動情報を生成する。なお、これらの点についての詳細は後述する。

（予測部１３４）
予測部１３４は、種々の情報を予測する。例えば、予測部１３４は、生成部１３３により生成された各種モデルを用いて、種々の情報を予測する。

図３の例では、予測部１３４は、予測モデルＰＭ１を用いて、正解ユーザ以外のユーザにおける予測対象「釣竿Ｘの購入」の有無を予測する。例えば、予測部１３４は、予測ユーザについて予測対象「釣竿Ｘの購入」の有無を予測する。例えば、予測部１３４は、予測ユーザであるユーザＵ２、Ｕ３、Ｕ４等について予測対象「釣竿Ｘの購入」の有無を予測する。

図３の例では、予測部１３４は、スコア「０．６」であり、閾値「０．７」未満であるため、ユーザＵ２が予測対象「釣竿Ｘの購入」を行う可能性が低いユーザであると予測する。図３の例では、予測部１３４は、スコア「０．８」であり、閾値「０．７」以上であるため、ユーザＵ３が予測対象「釣竿Ｘの購入」を行う可能性が高いユーザであると予測する。図３の例では、予測部１３４は、スコア「０．１」であり、閾値「０．７」未満であるため、ユーザＵ４が予測対象「釣竿Ｘの購入」を行う可能性が低いユーザであると予測する。

（提供部１３５）
提供部１３５は、端末装置１０等の外部装置に各種情報を提供する。例えば、提供部１３５は、生成部１３３により生成された各種情報を外部装置に提供してもよい。また、提供部１３５は、予測部１３４により予測された各種の予測情報を外部装置に提供してもよい。

〔３．生成処理のフロー〕
〔３−１．判定モデルの生成〕
次に、図１２を用いて、実施形態に係る生成システム１による生成処理の手順について説明する。図１２は、実施形態に係る生成処理の一例を示すフローチャートである。具体的には、図１２は、判定モデルの生成に関する生成処理の一例を示すフローチャートである。

図１２に示すように、生成装置１００は、第１ユーザの第１行動情報を取得する（ステップＳ１０１）。例えば、生成装置１００は、第１行動情報記憶部１２２から第１ユーザの第１行動情報を取得する。

また、生成装置１００は、第１ユーザの第２行動情報を取得する（ステップＳ１０２）。例えば、生成装置１００は、第２行動情報記憶部１２３から第１ユーザの第２行動情報を取得する。

その後、生成装置１００は、第１ユーザの第１行動情報及び第２行動情報に基づいて判定モデルを生成する（ステップＳ１０３）。図１の例では、生成装置１００は、第１行動情報記憶部１２２に記憶された第１ユーザの第１行動情報と、第２行動情報記憶部１２３に記憶された第１ユーザの第２行動情報とに基づいて、判定モデル情報記憶部１２４に示すような判定モデルＤＭ１〜ＤＭ３等を生成する。

〔３−２．拡張第２行動情報の生成〕
次に、図１３を用いて、実施形態に係る生成システム１による生成処理の手順について説明する。図１３は、実施形態に係る生成処理の一例を示すフローチャートである。具体的には、図１３は、拡張第２行動情報の生成に関する生成処理の一例を示すフローチャートである。

図１３に示すように、生成装置１００は、第２ユーザの第１行動情報を取得する（ステップＳ２０１）。例えば、生成装置１００は、第１行動情報記憶部１２２から第２ユーザの第１行動情報を取得する。

また、生成装置１００は、第２ユーザの第１行動情報及び判定モデルに基づいて第２ユーザの拡張第２行動情報を生成する（ステップＳ２０２）。図２の例では、生成装置１００は、第１行動情報記憶部１２２に記憶された第２ユーザの第１行動情報と、判定モデル情報記憶部１２４に記憶された判定モデルに基づいて、拡張第２行動情報記憶部１２５に示すような第２ユーザの拡張第２行動情報を生成する。

〔３−３．予測モデルの生成〕
次に、図１４を用いて、実施形態に係る生成システム１による生成処理の手順について説明する。図１４は、実施形態に係る生成処理の一例を示すフローチャートである。具体的には、図１４は、予測モデルの生成に関する生成処理の一例を示すフローチャートである。

図１４に示すように、生成装置１００は、正解情報に含まれる第１ユーザの第１行動情報及び第２行動情報を取得する（ステップＳ３０１）。例えば、生成装置１００は、正解情報記憶部１２６に含まれる第１ユーザの第１行動情報を第１行動情報記憶部１２２から取得する。例えば、生成装置１００は、正解情報記憶部１２６に含まれる第１ユーザの第２行動情報を第２行動情報記憶部１２３から取得する。

そして、生成装置１００は、正解情報に含まれる第２ユーザの第１行動情報及び拡張第２行動情報を取得する（ステップＳ３０２）。例えば、生成装置１００は、正解情報記憶部１２６に含まれる第２ユーザの第１行動情報を第１行動情報記憶部１２２から取得する。例えば、生成装置１００は、正解情報記憶部１２６に含まれる第２ユーザの拡張第２行動情報を拡張第２行動情報記憶部１２５から取得する。

その後、生成装置１００は、正解情報、第１ユーザの第１行動情報及び第２行動情報、第２ユーザの第１行動情報及び拡張第２行動情報に基づいて予測モデルを生成する（ステップＳ３０３）。図３の例では、生成装置１００は、正解情報、第１ユーザの第１行動情報及び第２行動情報、第２ユーザの第１行動情報及び拡張第２行動情報に基づいて、釣竿Ｘを購入するかを予測する予測モデルＰＭ１を生成する。

〔４．予測成処理のフロー〕
〔４−１．第１ユーザに関する予測〕
次に、図１５を用いて、実施形態に係る生成システム１による予測処理の手順について説明する。図１５は、実施形態に係る予測処理の一例を示すフローチャートである。具体的には、図１５は、第１ユーザに関する予測処理の一例を示すフローチャートである。

図１５に示すように、生成装置１００は、予測モデルを取得する（ステップＳ４０１）。例えば、生成装置１００は、予測モデル情報記憶部１２７から予測モデルを取得する。

また、生成装置１００は、第１ユーザの第１行動情報及び第２行動情報を取得する（ステップＳ４０２）。例えば、生成装置１００は、第１行動情報記憶部１２２から第１ユーザの第１行動情報を取得する。また、例えば、生成装置１００は、第２行動情報記憶部１２３から第１ユーザの第２行動情報を取得する。

そして、生成装置１００は、予測モデル、第１ユーザの第１行動情報及び第２行動情報に基づいて第１ユーザの行動を予測する（ステップＳ４０３）。図３の例では、生成装置１００は、予測モデル、第１ユーザの第１行動情報及び第２行動情報に基づいて、第１ユーザが釣竿Ｘを購入するかを予測する。

〔４−２．第２ユーザに関する予測〕
次に、図１６を用いて、実施形態に係る生成システム１による予測処理の手順について説明する。図１６は、実施形態に係る予測処理の一例を示すフローチャートである。具体的には、図１６は、第２ユーザに関する予測処理の一例を示すフローチャートである。

図１６に示すように、生成装置１００は、予測モデルを取得する（ステップＳ５０１）。例えば、生成装置１００は、予測モデル情報記憶部１２７から予測モデルを取得する。

また、生成装置１００は、第２ユーザの第１行動情報及び拡張第２行動情報を取得する（ステップＳ５０２）。例えば、生成装置１００は、第１行動情報記憶部１２２から第２ユーザの第１行動情報を取得する。また、例えば、生成装置１００は、拡張第２行動情報記憶部１２５から第２ユーザの拡張第２行動情報を取得する。

そして、生成装置１００は、予測モデル、第２ユーザの第１行動情報及び拡張第２行動情報に基づいて第２ユーザの行動を予測する（ステップＳ５０３）。図３の例では、生成装置１００は、予測モデル、第２ユーザの第１行動情報及び拡張第２行動情報に基づいて、第２ユーザが釣竿Ｘを購入するかを予測する。

〔５．モデルの生成〕
また、生成装置１００は、第１行動情報及び第２行動情報以外の種々の種別の行動情報（以下、「第３行動情報」ともいう）を用いて、モデルを生成してもよい。この点について、図１７を用いて説明する。図１７は、実施形態に係るモデル生成の繰返し処理の一例を示す図である。具体的には、図１７は、モデル生成の繰返し処理を概念的に示す図である。

図１７に示す第１行動情報ＦＤ１及び第２行動情報ＳＤ１は、第１ユーザ群ＵＧ１に対応する情報である。例えば、図１７に示す第１行動情報ＦＤ１は、図６中の第１行動情報記憶部１２２に記憶された第１行動情報のうち、第１ユーザに関する第１行動情報に対応する。また、図１７に示す第２行動情報ＳＤ１は、図７中の第２行動情報記憶部１２３に記憶された第２行動情報に対応する。

まず、生成装置１００は、第１行動情報ＦＤ１及び第２行動情報ＳＤ１に基づいて、判定モデル情報ＤＤ１を生成する（ステップＳ４１）。図１７に示す判定モデル情報ＤＤ１は、図８中の判定モデル情報記憶部１２４に記憶された判定モデルに対応する。

図１７に示す第１行動情報ＦＤ２は、第２ユーザ群ＵＧ２に対応する情報である。例えば、図１７に示す第１行動情報ＦＤ２は、図６中の第１行動情報記憶部１２２に記憶された第１行動情報のうち、第２ユーザに関する第１行動情報に対応する。

生成装置１００は、第１行動情報ＦＤ２及び判定モデル情報ＤＤ１に基づいて、拡張第２行動情報ＥＸ１を生成する（ステップＳ４２）。図１７に示す拡張第２行動情報ＥＸ１は、図９中の拡張第２行動情報記憶部１２５に記憶された拡張第２行動情報に対応する。

図１７に示す第１行動情報ＦＤ２及び拡張第２行動情報ＥＸ１は、第２ユーザ群ＵＧ２に対応する情報である。図１７において、生成装置１００は、第１行動情報ＦＤ２及び拡張第２行動情報ＥＸ１に基づいて、判定モデル情報ＤＤ２を生成する（ステップＳ４３）。図１７に示す判定モデル情報ＤＤ２は、繰返し処理により、拡張第２行動情報を用いて生成される判定モデルである。

このように、生成装置１００は、拡張第２行動情報を用いて再帰的に判定モデルを生成することにより、判定モデルの精度を高めることができる。なお、図１７の例では、第１行動情報ＦＤ２及び拡張第２行動情報ＥＸ１のみを用いて判定モデル情報ＤＤ２を生成する場合を示したが、生成装置１００は、第１行動情報ＦＤ１、第２行動情報ＳＤ１、第１行動情報ＦＤ２、及び拡張第２行動情報ＥＸ１を用いて判定モデル情報ＤＤ２を生成してもよい。また、生成装置１００は、ステップＳ４３以降も判定モデルの生成処理を繰り返してもよい。

〔６．他の種別の行動情報を用いたモデルの生成〕
また、生成装置１００は、第１行動情報及び第２行動情報以外の種々の種別の行動情報を用いて、判定モデルを生成してもよい。この点について、図１８を用いて説明する。図１８は、実施形態に係る他の種別の行動情報を用いたモデル生成の一例を示す図である。具体的には、図１８は、第３行動情報を用いた判定モデルの生成を概念的に示す図である。なお、第３行動情報は、第１行動情報及び第２行動情報と種別の異なる情報であれば、どのような情報であってもよい。

図１８に示す第１行動情報ＦＤ１、第２行動情報ＳＤ１、第３行動情報ＴＤ１−１及び第３行動情報ＴＤ１−２は、第１ユーザ群ＵＧ１に対応する情報である。例えば、図１８に示す第１行動情報ＦＤ１は、図６中の第１行動情報記憶部１２２に記憶された第１行動情報のうち、第１ユーザに関する第１行動情報に対応する。また、図１８に示す第２行動情報ＳＤ１は、図７中の第２行動情報記憶部１２３に記憶された第２行動情報に対応する。例えば、第３行動情報ＴＤ１−１は、ユーザのウェブ上におけるコンテンツの閲覧に関する行動情報である。また、例えば、第３行動情報ＴＤ１−２は、ユーザの購買履歴に関する行動情報である。

まず、生成装置１００は、第２行動情報ＳＤ１、第３行動情報ＴＤ１−１及び第３行動情報ＴＤ１−２に基づいて、判定モデル情報ＤＤ３を生成する（ステップＳ５１）。図１８に示す判定モデル情報ＤＤ３は、第３行動情報ＴＤ１−１及び第３行動情報ＴＤ１−２に関する情報を入力として、第２行動情報における各特徴に対応する複数の判定モデルを含む。

生成装置１００は、判定モデル情報ＤＤ３、第３行動情報ＴＤ２−１及び第３行動情報ＴＤ２−２に基づいて、拡張第２行動情報ＥＸ２を生成する（ステップＳ５２）。例えば、第３行動情報ＴＤ２−１は、第３行動情報ＴＤ１−１と同様の種別の情報である。例えば、第３行動情報ＴＤ２−１は、ユーザのウェブ上におけるコンテンツの閲覧に関する行動情報である。また、例えば、第３行動情報ＴＤ２−２は、第３行動情報ＴＤ１−２と同様の種別の情報である。例えば、第３行動情報ＴＤ２−２は、ユーザの購買履歴に関する行動情報である。図１８に示す拡張第２行動情報ＥＸ２は、第１行動情報以外の第３行動情報を入力とする判定モデルの出力に基づいて生成された拡張第２行動情報に対応する。

このように、生成装置１００は、第１行動情報及び第２行動情報以外の第３行動情報から拡張第２行動情報を生成することにより、種々の観点に基づく判定モデルを生成することが可能となる。なお、図１８の例では、第２行動情報ＳＤ１、第３行動情報ＴＤ１−１及び第３行動情報ＴＤ１−２を用いて判定モデル情報ＤＤ３を生成する場合を示したが、生成装置１００は、第１行動情報ＦＤ１、第２行動情報ＳＤ１、第３行動情報ＴＤ１−１及び第３行動情報ＴＤ１−２を用いて判定モデル情報ＤＤ３を生成してもよい。また、生成装置１００は、ステップＳ５２以降も判定モデルの生成処理を繰り返してもよい。

〔７．効果〕
上述してきたように、実施形態に係る生成装置１００は、取得部１３１と、生成部１３３とを有する。取得部１３１は、第１ユーザに関する第１種別の行動情報及び第１ユーザに関する第２種別の行動情報と、第１ユーザ以外の第２ユーザであって、当該第２ユーザに関する第２種別の行動情報が所定の条件を満たす第２ユーザに関する第１種別の行動情報とを取得する。生成部１３３は、第１ユーザに関する第１種別の行動情報及び第２種別の行動情報と、第２ユーザに関する第１種別の行動情報と、第２ユーザに関する第２種別の行動情報であって、第２種別の行動情報に対応する第２ユーザの行動とは異なる所定の方法により生成された第２種別の行動情報である拡張行動情報とに基づいて、所定の事柄への対応の予測に用いる予測モデルを生成する。

これにより、実施形態に係る生成装置１００は、第１ユーザ及び第２ユーザの双方について、第１種別の行動情報及び第２種別の行動情報の両方に基づいて予測モデルを生成できるため、所定の事柄への対応の予測に用いるモデルを精度よく生成することができる。

また、実施形態に係る生成装置１００において、取得部１３１は、第２種別の行動情報の量が所定の閾値未満である第２ユーザに関する第１種別の行動情報を取得する。

これにより、実施形態に係る生成装置１００は、第１ユーザ及び第２ユーザの双方について、第１種別の行動情報及び第２種別の行動情報の両方に基づいて予測モデルを生成できるため、所定の事柄への対応の予測に用いるモデルを精度よく生成することができる。

また、実施形態に係る生成装置１００において、取得部１３１は、第２種別の行動情報がない第２ユーザに関する第１種別の行動情報を取得する。

これにより、実施形態に係る生成装置１００は、第１ユーザ及び第２ユーザの双方について、第１種別の行動情報及び第２種別の行動情報の両方に基づいて予測モデルを生成できるため、所定の事柄への対応の予測に用いるモデルを精度よく生成することができる。

また、実施形態に係る生成装置１００において、生成部１３３は、第１種別の行動情報に基づいて、第２ユーザの拡張行動情報を生成する。

これにより、実施形態に係る生成装置１００は、第１ユーザ及び第２ユーザの双方について、第１種別の行動情報及び第２種別の行動情報の両方に基づいて予測モデルを生成できるため、所定の事柄への対応の予測に用いるモデルを精度よく生成することができる。

また、実施形態に係る生成装置１００において、生成部１３３は、第１ユーザに関する第１種別の行動情報及び第２種別の行動情報に基づいて生成された第２種別の行動情報の所定の行動の有無を判定する判定モデルと、第２ユーザに関する第１種別の行動情報とに基づいて、第２ユーザの拡張行動情報を生成する。

これにより、実施形態に係る生成装置１００は、第１ユーザの情報に基づいて生成された判定モデルを用いて第２ユーザの拡張行動情報を生成することができ、所定の事柄への対応の予測に用いるモデルを精度よく生成することができる。

また、実施形態に係る生成装置１００において、生成部１３３は、第１ユーザに関する第２種別の行動情報から抽出された所定の行動に対応する第２種別の行動情報と、第２ユーザの拡張行動情報とに基づいて、予測モデルを生成する。

これにより、実施形態に係る生成装置１００は、第１ユーザに関する第２種別の行動情報から抽出された所定の行動情報に基づいて生成された判定モデルを用いて第２ユーザの拡張行動情報を生成することができ、所定の事柄への対応の予測に用いるモデルを精度よく生成することができる。

また、実施形態に係る生成装置１００において、生成部１３３は、第１種別の行動情報に対応する行動及び第２種別の行動情報に対応する行動とは異なる他の種別の行動に対応する第３行動情報に基づいて、第２ユーザの拡張行動情報を生成する。

これにより、実施形態に係る生成装置１００は、第１種別の行動情報に対応する行動及び第２種別の行動情報に対応する行動とは異なる他の種別の行動を加味して第２ユーザの拡張行動情報を生成することができ、所定の事柄への対応の予測に用いるモデルを精度よく生成することができる。

また、実施形態に係る生成装置１００において、生成部１３３は、第１ユーザに関する第３行動情報及び第２種別の行動情報に基づいて生成された第２種別の行動情報の所定の行動の有無を判定する他の判定モデルと、第２ユーザに関する第３行動情報とに基づいて、第２ユーザの拡張行動情報を生成する。

これにより、実施形態に係る生成装置１００は、第１種別の行動情報に対応する行動及び第２種別の行動情報に対応する行動とは異なる他の種別の行動に基づいて判定モデルを生成することができ、所定の事柄への対応の予測に用いるモデルを精度よく生成することができる。

また、実施形態に係る生成装置１００において、生成部１３３は、複数種別の各々に対応する行動に関する第３行動情報に基づいて、第２ユーザの拡張行動情報を生成する。

これにより、実施形態に係る生成装置１００は、複数種別の各々に対応する行動に関する第３行動情報を加味して第２ユーザの拡張行動情報を生成することができ、所定の事柄への対応の予測に用いるモデルを精度よく生成することができる。

また、実施形態に係る生成装置１００において、取得部１３１は、第２ユーザよりも少数の第１ユーザに関する第１種別の行動情報及び第２種別の行動情報を取得する。

これにより、実施形態に係る生成装置１００は、第２ユーザよりも少数の第１ユーザと、多数の第２ユーザとの双方の情報を利用することが可能となり、所定の事柄への対応の予測に用いるモデルを精度よく生成することができる。

また、実施形態に係る生成装置１００において、取得部１３１は、第１ユーザに関する検索行動を第１ユーザに関する第１種別の行動情報として取得し、第１ユーザの位置に関する情報を第１ユーザに関する第２種別の行動情報として取得し、第２ユーザに関する検索行動を第２ユーザに関する第１種別の行動情報として取得する。

これにより、実施形態に係る生成装置１００は、第１ユーザに関する検索行動を第１ユーザに関する第１種別の行動情報として取得し、第１ユーザの位置に関する情報を第１ユーザに関する第２種別の行動情報として取得し、第２ユーザに関する検索行動を第２ユーザに関する第１種別の行動情報として取得することで、所定の事柄への対応の予測に用いるモデルを精度よく生成することができる。

〔８．ハードウェア構成〕
上述してきた実施形態に係る生成装置１００は、例えば図１９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。図１９は、生成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。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ（Hard Disk Drive）１４００、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またはＨＤＤ１４００に格納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格納する。

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格納する。通信インターフェイス１５００は、ネットワークＮ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ネットワークＮ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、生成したデータを入出力インターフェイス１６００を介して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に格納されたプログラムまた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が実施形態に係る生成装置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。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、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

以上、本願の実施形態及び変形例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、発明の開示の行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。

〔９．その他〕
また、上記実施形態及び変形例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。

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。

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 生成システム
１００ 生成装置
１２１ ユーザ情報記憶部
１２２ 第１行動情報記憶部
１２３ 第２行動情報記憶部
１２４ 判定モデル情報記憶部
１２５ 拡張第２行動情報記憶部
１２６ 正解情報記憶部
１２７ 予測モデル情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 抽出部
１３３ 生成部
１３４ 予測部
１３５ 提供部
１０ 端末装置
Ｎ ネットワーク

Claims (13)

1. 第１ユーザに関する第１種別の行動情報及び前記第１ユーザに関する第２種別の行動情報と、第１ユーザ以外の第２ユーザであって、当該第２ユーザに関する第２種別の行動情報が所定の条件を満たす第２ユーザに関する第１種別の行動情報とを取得する取得部と、
   前記第１ユーザに関する第１種別の行動情報及び第２種別の行動情報と、前記第２ユーザに関する第１種別の行動情報と、前記第２ユーザに関する第２種別の行動情報であって、第２種別の行動情報に対応する前記第２ユーザの行動とは異なる所定の方法により生成された第２種別の行動情報である拡張行動情報とに基づいて、所定の事柄への対応の予測に用いる予測モデルを生成する生成部と、
   を備えたことを特徴とする生成装置。
2. 前記取得部は、
   第２種別の行動情報の量が所定の閾値未満である前記第２ユーザに関する第１種別の行動情報を取得する
   ことを特徴とする請求項１に記載の生成装置。
3. 前記取得部は、
   第２種別の行動情報がない前記第２ユーザに関する第１種別の行動情報を取得する
   ことを特徴とする請求項１または請求項２に記載の生成装置。
4. 前記生成部は、
   第１種別の行動情報に基づいて、前記第２ユーザの前記拡張行動情報を生成する
   ことを特徴とする請求項１〜３のいずれか１項に記載の生成装置。
5. 前記生成部は、
   第１ユーザに関する第１種別の行動情報及び第２種別の行動情報に基づいて生成された第２種別の行動情報の所定の行動の有無を判定する判定モデルと、前記第２ユーザに関する第１種別の行動情報とに基づいて、前記第２ユーザの前記拡張行動情報を生成する
   ことを特徴とする請求項１〜４のいずれか１項に記載の生成装置。
6. 前記生成部は、
   第１ユーザに関する第２種別の行動情報から抽出された前記所定の行動に対応する第２種別の行動情報と、前記第２ユーザの前記拡張行動情報とに基づいて、前記予測モデルを生成する
   ことを特徴とする請求項５に記載の生成装置。
7. 前記生成部は、
   前記第１種別の行動情報に対応する行動及び前記第２種別の行動情報に対応する行動とは異なる他の種別の行動に対応する第３行動情報に基づいて、前記第２ユーザの前記拡張行動情報を生成する
   ことを特徴とする請求項１〜６のいずれか１項に記載の生成装置。
8. 前記生成部は、
   第１ユーザに関する第３行動情報及び第２種別の行動情報に基づいて生成された第２種別の行動情報の所定の行動の有無を判定する他の判定モデルと、前記第２ユーザに関する第３行動情報とに基づいて、前記第２ユーザの前記拡張行動情報を生成する
   ことを特徴とする請求項７に記載の生成装置。
9. 前記生成部は、
   複数種別の各々に対応する行動に関する第３行動情報に基づいて、前記第２ユーザの前記拡張行動情報を生成する
   ことを特徴とする請求項７または請求項８に記載の生成装置。
10. 前記取得部は、
    前記第２ユーザよりも少数の前記第１ユーザに関する第１種別の行動情報及び第２種別の行動情報を取得する
    ことを特徴とする請求項１〜９のいずれか１項に記載の生成装置。
11. 前記取得部は、
    前記第１ユーザに関する検索行動を前記第１ユーザに関する第１種別の行動情報として取得し、前記第１ユーザの位置に関する情報を前記第１ユーザに関する第２種別の行動情報として取得し、前記第２ユーザに関する検索行動を前記第２ユーザに関する第１種別の行動情報として取得する
    ことを特徴とする請求項１〜１０のいずれか１項に記載の生成装置。
12. コンピュータが実行する生成方法であって、
    第１ユーザに関する第１種別の行動情報及び前記第１ユーザに関する第２種別の行動情報と、第１ユーザ以外の第２ユーザであって、当該第２ユーザに関する第２種別の行動情報が所定の条件を満たす第２ユーザに関する第１種別の行動情報とを取得する取得工程と、
    前記第１ユーザに関する第１種別の行動情報及び第２種別の行動情報と、前記第２ユーザに関する第１種別の行動情報と、前記第２ユーザに関する第２種別の行動情報であって、第２種別の行動情報に対応する前記第２ユーザの行動とは異なる所定の方法により生成された第２種別の行動情報である拡張行動情報とに基づいて、所定の事柄への対応の予測に用いる予測モデルを生成する生成工程と、
    を備えたことを特徴とする生成方法。
13. 第１ユーザに関する第１種別の行動情報及び前記第１ユーザに関する第２種別の行動情報と、第１ユーザ以外の第２ユーザであって、当該第２ユーザに関する第２種別の行動情報が所定の条件を満たす第２ユーザに関する第１種別の行動情報とを取得する取得手順と、
    前記第１ユーザに関する第１種別の行動情報及び第２種別の行動情報と、前記第２ユーザに関する第１種別の行動情報と、前記第２ユーザに関する第２種別の行動情報であって、第２種別の行動情報に対応する前記第２ユーザの行動とは異なる所定の方法により生成された第２種別の行動情報である拡張行動情報とに基づいて、所定の事柄への対応の予測に用いる予測モデルを生成する生成手順と、
    をコンピュータに実行させることを特徴とする生成プログラム。

Images