JP2018180721A - 予測装置、方法、及びプログラム - Google Patents

Abstract

【課題】動作主の特徴量に欠損がある場合や、特徴量の種類が変化した場合であっても、学習プロセスを再計算することなく、動作主の行動を精度よく予測することができるようにする。【解決手段】推薦部３０が、予測対象の動作主の特徴量を入力とし、各動作主から、予測対象の動作主の特徴量が示す複数の特徴のうちの少なくとも１つが同じ値となる動作主を規定数分だけ選択し、選択した前記規定数分の動作主の各々が各潜在トピックを選択する確率に基づいて、予測対象の動作主が各潜在トピックを選択する確率を推定し、予測対象の動作主が各潜在トピックを選択する確率と、予測対象の動作主の現在位置と、ある訪問場所の次に各訪問場所が選択される確率と、各潜在トピックにおける各訪問場所の選択確率と、に基づいて、予測対象の動作主が次に訪問する訪問場所を予測する。【選択図】図３

Description

本発明は、予測装置、方法、及びプログラムに関する。

従来技術１として、動作主が訪問場所を訪れた移動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訪問場所を予測する方法がある。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訪問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（非特許文献１）。

また、従来技術２として、例えば、複数人に関する移動履歴情報集合の傾向から、訪問場所Ａを訪れた人の多くはその近くの訪問場所Ｂを訪れる、とった訪問場所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訪問場所を予測する方法がある（非特許文献２）。

なお、訪問場所とは、屋内外を問わず、位置座標（緯度・経度など）に関連づけられた建物、寺社・仏閣、レストラン、商業施設、展示などの場所を意味する総称とする。

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).

上記非特許文献２に記載の従来技術２は、距離的な近さを反映した訪問場所間の遷移のモデル化である。従って、ある訪問場所Ａを訪れた人が、その近辺に存在する訪問場所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、ある訪問場所Ａを訪れた人が、訪問場所Ａからは遠いけれど“興味があるため訪問場所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。

一方で、上記非特許文献１に記載の従来技術１であるトピックモデルは、「アート」、「スポーツ」、「人気」、「おしゃれ」といった訪問場所の“特徴”でつながる訪問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。従来技術１により、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訪問場所Ｃを予測することができる。しかし、従来技術１は、すべての訪問場所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。つまり、すべての訪問場所の訪問事象は、“興味があるためわざわざ訪れた”の記録である場合にのみ有効な技術である。実際の移動履歴は、“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。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、動作主固有の興味情報の抽出精度を低下させていた。従って、動作主が次に訪れる訪問場所の予測精度も低かった。

また、既知のユーザ特徴量を機械学習のパラメータ推定プロセスに組み込むことが考えられる。

この様にユーザ特徴量を利用して情報推薦を行う場合、次のような問題点がある。

ユーザ特徴量が多種である場合や学習元のユーザ集団にユーザ特徴量の欠損がある場合、多重共線性により、従来技術は推薦精度が低下する、という問題点がある。

また、ユーザ特徴量の種類が変化したとき、従来技術は学習プロセスを再計算する必要があるため、計算時間がかかる、という問題点がある。

本発明は、上記の点に鑑みてなされたものであり、動作主の特徴量に欠損がある場合や、特徴量の種類が変化した場合であっても、学習プロセスを再計算することなく、動作主の行動を精度よく予測することができる予測装置、方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、本発明に係る予測装置は、予測対象の動作主が次に訪問する訪問場所を予測する予測装置であって、各動作主の複数の特徴を示す特徴量と、ある訪問場所の次に各訪問場所が選択される確率と、興味に対応する各潜在トピックにおける各訪問場所の選択確率と、各動作主が各潜在トピックを選択する確率と、を記憶する推定パラメータ記憶部と、前記予測対象の動作主の前記特徴量を入力とし、各動作主から、前記予測対象の動作主の特徴量が示す複数の特徴のうちの少なくとも１つが同じ値となる動作主を規定数分だけ選択し、前記選択した前記規定数分の動作主の各々が各潜在トピックを選択する確率に基づいて、前記予測対象の動作主が各潜在トピックを選択する確率を推定し、前記予測対象の動作主が各潜在トピックを選択する確率と、前記予測対象の動作主の現在位置と、ある訪問場所の次に各訪問場所が選択される確率と、各潜在トピックにおける各訪問場所の選択確率と、に基づいて、前記予測対象の動作主が次に訪問する訪問場所を予測し、推薦結果として出力する推薦部と、を含んで構成されている。

本発明に係る予測方法は、各動作主の複数の特徴を示す特徴量と、ある訪問場所の次に各訪問場所が選択される確率と、興味に対応する各潜在トピックにおける各訪問場所の選択確率と、各動作主が各潜在トピックを選択する確率と、を記憶する推定パラメータ記憶部と、推薦部とを含み、予測対象の動作主が次に訪問する訪問場所を予測する予測装置における予測方法であって、前記推薦部が、前記予測対象の動作主の前記特徴量を入力とし、各動作主から、前記予測対象の動作主の特徴量が示す複数の特徴のうちの少なくとも１つが同じ値となる動作主を規定数分だけ選択し、前記選択した前記規定数分の動作主の各々が各潜在トピックを選択する確率に基づいて、前記予測対象の動作主が各潜在トピックを選択する確率を推定し、前記予測対象の動作主が各潜在トピックを選択する確率と、前記予測対象の動作主の現在位置と、ある訪問場所の次に各訪問場所が選択される確率と、各潜在トピックにおける各訪問場所の選択確率と、に基づいて、前記予測対象の動作主が次に訪問する訪問場所を予測し、推薦結果として出力する。

また、本発明のプログラムは、コンピュータを、上記の予測装置の各部として機能させるためのプログラムである。

以上説明したように、本発明の予測装置、方法、及びプログラムによれば、各動作主から、前記予測対象の動作主の特徴量が示す複数の特徴のうちの少なくとも１つが同じ値となる動作主を規定数分だけ選択し、前記選択した前記規定数分の動作主の各々が各潜在トピックを選択する確率に基づいて、前記予測対象の動作主が各潜在トピックを選択する確率を推定し、前記予測対象の動作主が次に訪問する訪問場所を予測することにより、動作主の特徴量に欠損がある場合や、特徴量の種類が変化した場合であっても、学習プロセスを再計算することなく、動作主の行動を精度よく予測することができる、という効果が得られる。

動作主が次に訪問する場所を予測する処理の入力データを説明するための説明図である。 本発明の実施の形態における予測装置の入出力を説明するための説明図である。 本発明の実施の形態における予測装置のブロック図である。 本発明の実施の形態における予測装置の入出力の具体例を説明するための説明図である。 本発明の実施の形態における予測装置の予測処理ルーチンを示すフローチャートである。 本発明の実施の形態における予測装置のパラメータ推定処理の処理ルーチンを示すフローチャートである。 本発明の実施の形態における予測装置の推薦処理の処理ルーチンを示すフローチャートである。 本発明の実施の形態における予測装置の新規ユーザのトピック選択確率を算出する処理の処理ルーチンを示すフローチャートである。 本発明の実施の形態における予測装置のフィードバック処理の処理ルーチンを示すフローチャートである。

本発明の実施の形態は、個人の移動履歴情報に基づいて、その人が将来的に訪れる訪問場所を予測する装置に関連する。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

＜概要＞
本発明の実施の形態に係る予測装置では、新たな動作主のユーザ特徴量から、新たな動作主が次に訪問する訪問場所を予測し、推薦結果として出力する。学習データとしては、過去の動作主群の訪問履歴及び特徴量の情報を用いる。

また、予測装置は、推薦の際、ユーザ特徴量と動作主群をランダムに削ぎ落とし、複数の推薦結果を一時的に作成、統合する機構を有している。すなわち、図１に示すように、ユーザ特徴量の一部、動作主群の一部をサンプルした弱い学習器（データＡ、Ｂ、Ｃ）を複数作ることで、多種のユーザ特徴量に対応する。そのため、多重共線性の問題を回避できる。

また、推薦のプロセスが学習プロセスと独立に存在するため、新たなユーザ特徴量を扱う場合も学習プロセスを再計算する必要がない。

＜本発明の実施の形態に係る予測装置の構成＞
次に、本発明の実施の形態に係る予測装置の構成について説明する。図２に示すように、本発明の実施の形態に係る予測装置１００は、過去の動作主群の訪問履歴及びユーザ特徴量と、訪問場所間の距離情報である地理情報と、新規の動作主の訪問履歴及びユーザ特徴量と、を入力とし、当該新規の動作主が次に訪問する訪問場所の予測訪問リストを、推薦結果として出力する。

本発明の実施の形態に係る予測装置１００は、ＣＰＵと、ＲＡＭと、後述する各処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この予測装置１００は、機能的には図３に示すように、入力部１０と、演算部２０と、出力部４０とを備えている。

入力部１０は、過去の動作主群の訪問履歴及びユーザ特徴量と、訪問場所間の距離情報である地理情報と、新規の動作主の訪問履歴及びユーザ特徴量と、を受け付ける。

また、入力部１０は、ユーザによって指定された潜在トピック数Ｚを受け付ける。潜在トピック数Ｚは、後述するパラメータ推定部２６で用いられる変数である。

演算部２０は、訪問履歴ユーザ特徴量記憶部２２と、地理情報記憶部２４と、パラメータ推定部２６と、推定パラメータ記憶部２８と、推薦部３０と、フィードバック部３２とを備えている。

訪問履歴ユーザ特徴量記憶部２２は、入力された過去の動作主群の訪問履歴及び新規の動作主の訪問履歴を格納した訪問履歴Ｄ１と、入力された過去の動作主群のユーザ特徴量及び新規の動作主のユーザ特徴量を格納したユーザ特徴量Ｄ２を記憶している（図４参照）。

地理情報記憶部２４は、入力された、訪問場所間の距離情報を含む地理情報Ｄ３を記憶している（図４参照）。

この訪問履歴Ｄ１、ユーザ特徴量Ｄ２、及び地理情報Ｄ３に基づき、新規ユーザの予測訪問ランキングＤ４が作成され、出力部４０により提示される。

ここで訪問履歴Ｄ１には、過去の動作主群及び新規の動作主である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、過去の動作主群及び新規の動作主である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、訪問履歴Ｄ１、ユーザ特徴量Ｄ２については、各ユーザ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。

地理情報Ｄ３は、訪問場所（ランドマークなど）毎に他の訪問場所との間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。

新規ユーザの予測訪問ランキングＤ４には新規の動作主について予測される訪問場所が記録されている。例えば１位の予測訪問場所Ｅと２位の予測訪問場所Ｃが記録されている。

＜予測装置１００の処理内容＞

予測装置１００は、図５に示すように、処理を開始すると動作主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、推定されたパラメータに基づき新規ユーザの予測訪問ランキングＤ４を作成する推薦処理（Ｓ０２）と、推薦結果に対するユーザからのフィードバックに応じて所定のパラメータを更新するフィードバック処理（Ｓ０３）とを実行する。このＳ０１の処理は、パラメータ推定部２６にて実行する。なお、処理の開始は、基本的には新規の動作主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）

パラメータ推定部２６によるパラメータ推定処理では、入力された潜在トピック数Ｚと、訪問履歴ユーザ特徴量記憶部２２に記憶された過去の動作主群の訪問履歴Ｄ１、ユーザ特徴量Ｄ２と、地理情報記憶部２４に記憶された地理情報Ｄ３とに基づいて、ある訪問場所の次に各訪問場所が選択される確率Λと、興味に対応する各潜在トピックにおける各訪問場所の選択確率Фと、各動作主が各潜在トピックを選択する確率θと、動作主が各潜在トピックを選択する確率の分布を表すパラメータであって、かつ、ユーザ特徴量と潜在トピックとの関係を表わすパラメータαとを推定する。

図６に基づきパラメータ推定処理（Ｓ０１）の詳細を説明する。本実施の形態では、ＭＣＭＣ（Ｍａｒｋｏｖ ｃｈａｉｎ Ｍｏｎｔｅ Ｃａｒｌｏ ｍｅｔｈｏｄｓ）を用いて、パラメータを推定する場合を例に説明する。

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、パラメータ推定部２６は、「Ｚ（トピック集合）」を更新する。すなわち、過去の動作主群に含まれる各動作主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、各動作主の訪問「ｗ_um」に対して、ランダムに潜在トピック「Ｚ_um」を決定する（Ｓ１１−０）。ここで訪問「ｗ_um」は動作主「ｕ」の「ｍ」番目の訪問場所を示し、潜在トピック「Ｚ_um」は訪問「ｗ_um」時の興味（トピック）を示している。

また、ある動作主のある訪問「ｗ_um」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。

・・・式１

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。）。

・・・式１左項

・・・式１右項

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「ｗ_um」の潜在トピック「Ｚ_um」を「Ｈ＋１」とし、過去の動作主に含まれる全ユーザの訪問「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に基づいて各動作主ｕ及び各トピックｚに対して「θ_uz（動作主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。

・・・式２

Ｓ１２：つぎに最適化アルゴリズムにより「ФΛ（各トピックに対する各訪問場所の選択確率，ある訪問場所の次に各訪問場所が選択される確率）」を更新する。ここで「Φ_zi」と「λ_ij」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）。

・・・式３

・・・式４

なお、Ｌ−ＢＦＧＳ法（準ニュートン法）を使用する場合の「λ_ij」と「Φ_ki」の勾配は、式５と式６とで計算する。

・・・式５

・・・式６

Ｓ１３：さらにＭＨアルゴリズムにより、「α」の各要素を更新する。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「α_DZ」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「α_DZ」をピックアップする（Ｓ１３−１）。ここでピックアップされた「α_DZ＋ｅ」を「α_new」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「α_DZ」を「α_old」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、「α_new」と「α_old」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」にかかる係数行列（α_1z，α_2z，．．．，α_Dz）を「α_z」と表記し、「α_new」の「α_z」を「α_{new z}」と表記し、採択率Ｕをｆ（α_newα_old）と表記している。

・・・式７

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「α_new」を「α_DZ」として採用する一方、成立していなければ「α_old」を「α_DZ」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」の各要素の更新は、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）を推定パラメータ記憶部２８に保存する（Ｓ１５）。

Ｓ１６：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）推薦処理（Ｓ０２）
推薦部３０による推薦処理では、新規の動作主のユーザ特徴量を入力とし、過去の動作主群から、新規の動作主の欠損でないユーザ特徴量のうちの選択された規定数分のユーザ特徴量が同じ値となる動作主を規定数分だけ選択し、選択した規定数分の動作主の各々が各潜在トピックを選択する確率θ_uzに基づいて、新規の動作主が各潜在トピックを選択する確率を推定する。また、新規の動作主が各潜在トピックを選択する確率と、新規の動作主の現在位置と、ある訪問場所の次に各訪問場所が選択される確率Λと、各潜在トピックにおける各訪問場所の選択確率Фと、に基づいて、新規の動作主が次に訪問する訪問場所を予測し、推薦結果として出力する。

図７に基づき推薦部３０による推薦処理を説明する。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（θ_uz，ФΛ）を用いる。

Ｓ２１：まず、処理が開始されると、推薦部３０は、パラメータ推定処理（Ｓ０１）にて取得した過去の動作主群のパラメータθ_uzに基づいて、新規の動作主についてのパラメータθ_uzを作成する。

図８に基づき推薦部３０によるパラメータ作成処理（Ｓ２１）の詳細を説明する。

Ｓ３１：新規の動作主のユーザ特徴量から欠損のないものを取得する。

Ｓ３２：上記Ｓ３１で取得したユーザ特徴量から、規定数分の種類のユーザ特徴量をランダムに選出する。本実施の形態では、選出されるユーザ特徴量に重みＲを設け、重みＲに従って、規定数分の種類のユーザ特徴量を選出する。ここで、重みＲは、ユーザ特徴量の種類数の要素を持つ行列であり、要素の値に比例して当該ユーザ特徴量が選出されやすくなることを示している。また、後述するフィードバック処理が行われていない場合、重みＲにデフォルト値が設定されている。たとえば重みＲ=（1,1,...,1）である。

Ｓ３３：過去の動作主群のうちの、上記Ｓ３２で選出されたユーザ特徴量の全てが、新規の動作主と同じ値となる動作主から、規定数分の動作主を選出し、Ｕとおく。

Ｓ３４：上記Ｓ３２で選出された規定数分のユーザ特徴量prof_d∈（prof₁,...,prof_end）と選出された規定数分の動作主u∈Ｕを用いて、上記式８、９に基づき、新規の動作主のユーザ特徴量profを条件とした潜在トピックｚの選択確率P(z|prof)を計算し、行列Μを作成する。

・・・式８

・・・式９

ただし、Prof₁，・・・Prof_dは、ユーザ特徴量を示しており、例えば、性別＝男性などを示している。また、式９の上項はprof_dを有する選択された全ユーザ(U(prof_d))のθ_zの総積であり、下項は上項の総和が１となるように掛ける正規化項である。

Ｓ３５：行列Mの各行の総積に正規化項を掛けたものを新規ユーザのθ_{新規ユーザ,Z}とする(式１０)。

・・・式１０

Ｓ３６：規定数分のループに達していない（または、規定の処理時間以内）の場合、Ｓ３１に戻り、再度ランダムサンプルを行う。規定数分のループを回した場合（または、規定の処理時間に到達した場合）、各ループのθ_{新規ユーザ,Z}の平均値を、最終的なθ_{新規ユーザ,Z}とする。また、このとき使用したユーザ特徴量の各ループ累積値Ｃを保存しておく。

Ｓ２２：推薦部３０は、パラメータ推定処理（Ｓ０１）にて取得したパラメータ（Ф，Λ）と、上記Ｓ２１で求めたθ_{新規ユーザ,Z}と、現在位置Ｘとを式１１に代入し、各移動先の訪問場所itへの確率を算出し、移動先の訪問場所i_tへの確率ランキングを作成する。ただし、現在位置Xが欠損であれば、枠部分は削除する。

・・・式１１

そして、ランキング順に規定数の移動先の訪問場所を出力部４０により出力する。

（３）フィードバック処理（Ｓ０３）
図９に基づきフィードバック部３２によるフィードバック処理を説明する。ここでは上記Ｓ３６で得られたユーザ特徴量の各ループ累積値Ｃを用いる。

Ｓ４１：まず、処理が開始されると、フィードバック部３２は、新規ユーザから、出力部４０により出力された推薦結果（移動先の訪問場所のランキング）に対して、入力部１０を介して、ポジティブなフィードバックを得たか否かを判定し、ポジティブなフィードバックを得たときには、上記Ｓ３６で得られたユーザ特徴量の各ループ累積値Ｃを取得する。例えば、移動先の訪問場所のランキングの上位の移動先の訪問場所に新規の動作主が移動することを示す入力があった場合や、移動先の訪問場所のランキングに対して、「いいね」を示すフィードバック入力があった場合に、ポジティブなフィードバックを得たと判断する。

Ｓ４２：フィードバック部３２は、ユーザ特徴量の各ループ累積値Ｃと、重みＲ（式５ではＲ_old）、フィードバック補正値ｗ（例えば、ｗ＝０．５）を用いて、式１２に従って重みＲ_newを算出し、重みＲに再設定する。

Ｒ_new＝Ｒ_old＋ｗＣ ・・・式１２

以上説明したように、本発明の実施の形態に係る予測装置によれば、パラメータを推定した過去の動作主群から、新規の動作主についての欠損でないユーザ特徴量のうちの選択された規定数分のユーザ特徴量が同じ値となる動作主を規定数分だけ選択し、選択した規定数分の動作主の各々が各潜在トピックを選択する確率に基づいて、新規の動作主が各潜在トピックを選択する確率を推定する。また、新規の動作主が各潜在トピックを選択する確率と、新規の動作主の現在位置と、ある訪問場所の次に各訪問場所が選択される確率と、各潜在トピックにおける各訪問場所の選択確率と、に基づいて、新規の動作主が次に訪問する訪問場所を予測することにより、新規の動作主のユーザ特徴量に欠損がある場合であっても、学習プロセスを再計算することなく、動作主の行動を精度よく予測することができる。

また、ユーザ特徴量の種類が追加される等、ユーザ特徴量の種類が変化した場合であっても、学習プロセスを再計算することなく、動作主の行動を精度よく予測することができる。この場合には、過去の動作主群、新規の動作主のそれぞれについて同様に、ユーザ特徴量の種類が追加されることになる。

また、多種のユーザ特徴量を扱うことができ、かつ、扱うユーザ特徴量の変化に計算時間を要しない、頑健な推薦を行うことができる。

また、過去の動作主群のパラメータ推定結果を用いて、新規の動作主の訪問場所を予測して、推薦することができる。

また、新規の動作主のパラメータを推定する際に利用するユーザ特徴量と動作主群を制限した弱い学習を複数実施し、統合するため、欠損データ、無効な特徴量に強い、訪問場所の推薦を行うことができる。

また、有効性が担保されない多数のユーザ特徴量を扱う案件において、高い精度の推薦を行うことができる。例えば、性別、年齢、身長制限、希望アトラクション、同伴者、出身県、回遊タイプなど多数のユーザ特徴量を扱う案件にも適用することができる。

なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、上記実施の形態においては、ＭＣＭＣ（Ｍａｒｋｏｖ ｃｈａｉｎ Ｍｏｎｔｅ Ｃａｒｌｏ ｍｅｔｈｏｄｓ）を用いて、過去の動作主群のパラメータを推定する場合を例に説明したが、これに限定されるものではない。例えば、ＥＭアルゴリズムを用いて、過去の動作主群のパラメータを推定するようにしてもよい。

また、過去の動作主群のパラメータを推定する際に、訪問場所と当該訪問場所での滞在時間との組み合わせが起こる確率を含むパラメータを推定するようにしてもよい。

また、訪問履歴から得られる「訪問場所Aを訪問した」という特徴量も、ユーザ特徴量として扱ってもよい。この場合には、上記式９ではなく、P(topic|訪問場所Aを訪問した)をEXP(Φ_{topic,訪問場所A})とすればよい。

また、上記実施の形態においては、予測装置１００によって、パラメータを推定し、新規の動作主の訪問場所を予測する場合を例に説明したが、これに限定されるものではなく、予測装置１００とは別の装置（例えば、パラメータ推定装置）によって、パラメータを推定するようにしてもよい。この場合には、パラメータ推定装置は、入力部１０、訪問履歴ユーザ特徴量記憶部２２、地理情報記憶部２４、パラメータ推定部２６、及び推定パラメータ記憶部２８を備えるようにすればよい。

また、訪問履歴ユーザ特徴量記憶部２２、地理情報記憶部２４、及び推定パラメータ記憶部２８の少なくとも１つは、外部に設けられ、予測装置１００とネットワークで接続されていてもよい。

また、上述の予測装置１００は、内部にコンピュータシステムを有しているが、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。

また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能であるし、ネットワークを介して提供することも可能である。

１０ 入力部
２０ 演算部
２２ 訪問履歴ユーザ特徴量記憶部
２４ 地理情報記憶部
２６ パラメータ推定部
２８ 推定パラメータ記憶部
３０ 推薦部
３２ フィードバック部
４０ 出力部
１００ 予測装置

Claims (7)

1. 予測対象の動作主が次に訪問する訪問場所を予測する予測装置であって、
   各動作主の複数の特徴を示す特徴量と、ある訪問場所の次に各訪問場所が選択される確率と、興味に対応する各潜在トピックにおける各訪問場所の選択確率と、各動作主が各潜在トピックを選択する確率と、を記憶する推定パラメータ記憶部と、
   前記予測対象の動作主の前記特徴量を入力とし、各動作主から、前記予測対象の動作主の特徴量が示す複数の特徴のうちの少なくとも１つが同じ値となる動作主を規定数分だけ選択し、前記選択した前記規定数分の動作主の各々が各潜在トピックを選択する確率に基づいて、前記予測対象の動作主が各潜在トピックを選択する確率を推定し、
   前記予測対象の動作主が各潜在トピックを選択する確率と、前記予測対象の動作主の現在位置と、ある訪問場所の次に各訪問場所が選択される確率と、各潜在トピックにおける各訪問場所の選択確率と、に基づいて、前記予測対象の動作主が次に訪問する訪問場所を予測し、推薦結果として出力する推薦部と、
   を含む予測装置。
2. 前記推薦部は、
   前記予測対象の動作主の特徴量が示す複数の特徴のうちの規定数分の特徴を選択し、各動作主から、前記選択された規定数分の特徴が前記予測対象の動作主と同じ値となる動作主を規定数分だけ選択し、前記選択した前記規定数分の動作主が各潜在トピックを選択する確率に基づいて、前記予測対象の動作主が各潜在トピックを選択する確率を推定することを繰り返し、
   繰り返し推定された前記予測対象の動作主が各潜在トピックを選択する確率に基づいて、前記予測対象の動作主が各潜在トピックを選択する確率を推定する請求項１記載の予測装置。
3. 前記推薦部は、前記予測対象の動作主の特徴量が示す複数の特徴のうちの規定数分の特徴を選択する際に、前記複数の特徴の各々が選択される確率に従って、前記規定数分の特徴を選択し、
   前記推薦結果の出力に対して良いフィードバックが入力された場合、前記推薦部による繰り返し推定において前記複数の特徴の各々が選択された回数を用いて、前記複数の特徴の各々が選択される確率を更新するフィードバック部を更に含む請求項２記載の予測装置。
4. 各動作主が訪問した訪問場所を表す移動履歴情報に基づいて、ある訪問場所の次に各訪問場所が選択される確率と、興味に対応する各潜在トピックにおける各訪問場所の選択確率と、各動作主が各潜在トピックを選択する確率とを推定するパラメータ推定部を更に含む請求項１〜請求項３の何れか１項記載の予測装置。
5. 各動作主の複数の特徴を示す特徴量と、ある訪問場所の次に各訪問場所が選択される確率と、興味に対応する各潜在トピックにおける各訪問場所の選択確率と、各動作主が各潜在トピックを選択する確率と、を記憶する推定パラメータ記憶部と、推薦部とを含み、予測対象の動作主が次に訪問する訪問場所を予測する予測装置における予測方法であって、
   前記推薦部が、前記予測対象の動作主の前記特徴量を入力とし、各動作主から、前記予測対象の動作主の特徴量が示す複数の特徴のうちの少なくとも１つが同じ値となる動作主を規定数分だけ選択し、前記選択した前記規定数分の動作主の各々が各潜在トピックを選択する確率に基づいて、前記予測対象の動作主が各潜在トピックを選択する確率を推定し、
   前記予測対象の動作主が各潜在トピックを選択する確率と、前記予測対象の動作主の現在位置と、ある訪問場所の次に各訪問場所が選択される確率と、各潜在トピックにおける各訪問場所の選択確率と、に基づいて、前記予測対象の動作主が次に訪問する訪問場所を予測し、推薦結果として出力する
   予測方法。
6. 前記推薦部が推定することでは、前記予測対象の動作主の特徴量が示す複数の特徴のうちの規定数分の特徴を選択し、各動作主から、前記選択された規定数分の特徴が前記予測対象の動作主と同じ値となる動作主を規定数分だけ選択し、前記選択した前記規定数分の動作主が各潜在トピックを選択する確率に基づいて、前記予測対象の動作主が各潜在トピックを選択する確率を推定することを繰り返し、
   繰り返し推定された前記予測対象の動作主が各潜在トピックを選択する確率に基づいて、前記予測対象の動作主が各潜在トピックを選択する確率を推定する請求項５記載の予測方法。
7. コンピュータを、請求項１〜請求項４の何れか１項に記載の予測装置の各部として機能させるためのプログラム。