JP2019101825A - 生成装置、生成方法、及び生成プログラム - Google Patents

Abstract

【課題】所定の対象に予測される情報を公衆放送に関して利用可能にする情報を適切に生成する。【解決手段】本願に係る生成装置は、予測部と、生成部とを有する。予測部は、各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する。生成部は、各ユーザのうち、予測部により予測された各ユーザの確率に関連する情報が所定の条件を満たすユーザである対象ユーザの数に基づく指標値を、曜日及び時間に関する基準により分割された区分ごとに、前記所定の対象とは異なる対象である公衆放送に関してマッピングしたマッピング情報を生成する。【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、生成した予測モデル（以下、単に「モデル」とする）に基づいて、所定の対象に関する行動の有無を予測する技術が提供されている。例えば、所定の対象に関する行動を行ったユーザの情報を用いて、他のユーザが行動を行うに至るか、いわゆるコンバージョンに至るかどうかを予測するモデルを生成する。

特開２０１３-１９６０３７号公報

しかしながら、上記の従来技術では、有用な情報が生成できるとは限らない。例えば、予測モデルを用いてユーザの行動等を予測するだけでは、単純にユーザの行動等の所定の対象に関して予測しているに過ぎず、所定の対象に予測される情報を公衆放送に関して利用可能にする情報を適切に生成することが難しい。

本願は、上記に鑑みてなされたものであって、所定の対象に予測される情報を公衆放送に関して利用可能にする情報を適切に生成する生成装置、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、各ユーザの行動情報に基づいて、前記各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する予測部と、前記各ユーザのうち、前記予測部により予測された前記各ユーザの確率に関連する情報が所定の条件を満たすユーザである対象ユーザの数に基づく指標値を、曜日及び時間に関する基準により分割された区分ごとに、前記所定の対象とは異なる対象である公衆放送に関してマッピングしたマッピング情報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、所定の対象に予測される情報を公衆放送に関して利用可能にする情報を適切に生成することができるという効果を奏する。

図１は、実施形態に係る予測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システムの構成例を示す図である。 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、実施形態に係る学習データ記憶部の一例を示す図である。 図６は、実施形態に係るモデル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、実施形態に係る予測情報記憶部の一例を示す図である。 図９は、実施形態に係るマッピング対象情報記憶部の一例を示す図である。 図１０は、実施形態に係るマッピング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処理の一例を示すフローチャートである。 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、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．予測処理〕
まず、図１を用いて、実施形態に係る予測処理の一例について説明する。図１は、実施形態に係る予測処理の一例を示す図である。図１の例では、生成装置１００は、各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報であるスコアを予測する。図１の例では、生成装置１００は、各ユーザの行動情報に基づいて、ユーザがＡ商品を購入するかどうかの確率を示す予測情報を生成する。生成装置１００が予測するユーザの行動は、上記に限らず、種々の行動であってもよい。例えば、生成装置１００が予測するユーザの行動は、ある金融機関の口座開設やあるサービスの会員入会等を含む種々の設定された目標のコンバージョン（達成）であってもよい。

また、生成装置１００は、予測した各ユーザのスコアに基づいて、各ユーザを所定の対象とは異なる他の対象に関してマッピングしたマッピング情報を生成する。この点については図２で説明する。図２の例では、生成装置１００は、予測対象「Ａ商品購入」について予測した予測情報を、他の対象であるテレビジョン放送（以下、単に「テレビ」ともいう）の視聴に関してマッピング（写像）したマッピング情報を生成する。図１及び図２に示す例においては、公衆放送として所定の放送局によるテレビジョン放送を一例として示す。なお、公衆放送は、テレビジョン放送に限らず、公衆によって直接受信されることを目的として無線通信または有線電気通信の送信を行なうものであれば、ラジオ放送、音楽有線放送やケーブルテレビなどの有線方法、インターネットなどの双方向性送信による自動公衆送信などであってもよい。

〔生成システムの構成〕
まず、図１の説明に先立って、図３に示す生成システム１について説明する。図３に示すように、生成システム１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を介して、有線または無線により通信可能に接続される。図３は、実施形態に係る生成システムの構成例を示す図である。なお、図３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に示す例においては、端末装置１０がユーザが利用するスマートフォンである場合を示す。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。具体的には、図１では、端末装置１０がユーザＩＤ「Ｕ１」により識別されるユーザ（以下、「ユーザＵ１」とする場合がある）が利用するスマートフォンである場合を示す。

また、図１に示す例においては、端末装置１０を利用するユーザに応じて、端末装置１０を端末装置１０−１〜１０−５として説明する。例えば、端末装置１０−１は、ユーザＵ１により使用される端末装置１０である。また、例えば、端末装置１０−２は、ユーザＵ２により使用される端末装置１０である。また、以下では、端末装置１０−１〜１０−５について、特に区別なく説明する場合には、端末装置１０と記載する。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Ｕ１」と記載した場合、そのユーザはユーザＩＤ「Ｕ１」により識別されるユーザである。

生成装置１００は、各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する情報処理装置である。図１の例では、生成装置１００は、各ユーザの行動情報に基づいて、ユーザがＡ商品を購入するかどうかの確率を示す予測情報を生成する。

また、生成装置１００は、予測した各ユーザの確率に関連する情報に基づいて、各ユーザを所定の対象とは異なる他の対象に関してマッピングしたマッピング情報を生成する。図２の例では、生成装置１００は、予測対象「Ａ商品購入」について予測した予測情報を、他の対象「テレビ（視聴）」に関してマッピング（写像）したマッピング情報を生成する。

図１を用いて、実施形態に係る予測処理の一例について説明する。図１では、生成装置１００が各ユーザの行動情報に基づいて、ユーザがＡ商品を購入するかどうかの確率を示すスコアを予測する場合を示す。

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の行動情報を取得する（ステップＳ１１−１）。例えば、生成装置１００は、端末装置１０−１からユーザＵ１のインターネット（ウェブ）上における行動情報を取得する。例えば、生成装置１００は、ユーザＵ１がウェブコンテンツを閲覧したことを示す情報や、クエリを用いて検索を行ったことを示す情報の種々のウェブ上での行動情報を取得する。例えば、生成装置１００は、ユーザＵ１の現実世界（以下「実空間」とする）における行動情報を取得してもよい。また、例えば、生成装置１００は、ユーザＵ１がＡコンビニでＢ商品の購入を行ったことを示す情報や、Ｂレストランで飲食を行ったことを示す情報等の種々の行動情報を取得してもよい。

また、生成装置１００は、ユーザＵ２が利用する端末装置１０−２から行動情報を取得する（ステップＳ１１−２）。例えば、生成装置１００は、端末装置１０−２からユーザＵ２のウェブ上や実空間における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から行動情報を取得する（ステップＳ１１−３）。例えば、生成装置１００は、端末装置１０−３からユーザＵ３のウェブ上や実空間における行動情報を取得する。

また、生成装置１００は、ユーザＵ４が利用する端末装置１０−４から行動情報を取得する（ステップＳ１１−４）。例えば、生成装置１００は、端末装置１０−４からユーザＵ４のウェブ上や実空間における行動情報を取得する。また、生成装置１００は、ユーザＵ５が利用する端末装置１０−５から行動情報を取得する（ステップＳ１１−５）。例えば、生成装置１００は、端末装置１０−５からユーザＵ５のウェブ上や実空間における行動情報を取得する。

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Ｓ１１−１〜Ｓ１１−５に限らず、各ユーザの検索は、複数回行われてもよい。なお、図１では、５人のユーザＵ１〜Ｕ５を図示するが、生成装置１００は、ユーザＵ１〜Ｕ５に限らず、多数のユーザ（例えば、１００万ユーザや１０００万ユーザ等）の行動情報を取得する。また、生成装置１００は、各ユーザが利用する端末装置１０以外の外部装置から各ユーザの行動情報を取得してもよい。例えば、生成装置１００は、各ユーザが利用するサービスを提供する外部装置から各ユーザの行動情報を取得してもよい。

上記のように、生成装置１００は、各ユーザＵ１〜Ｕ５等の行動情報を収集する（ステップＳ１２）。図１の例では、生成装置１００は、収集した各ユーザＵ１〜Ｕ５等の行動情報を行動情報記憶部１２３に記憶する。例えば、生成装置１００は、ユーザＵ１の行動情報ＡＤＴ１をユーザＵ１に対応付けて行動情報記憶部１２３に記憶する。例えば、生成装置１００は、ユーザＵ２の行動情報ＡＤＴ２をユーザＵ２に対応付けて行動情報記憶部１２３に記憶する。

そして、生成装置１００は、収集した各ユーザＵ１〜Ｕ５等の行動情報に基づいて、各ユーザＵ１〜Ｕ５等がＡ商品を購入するかどうかの確率を示すスコアを予測する。まず、生成装置１００は、予測に用いるモデルを取得する（ステップＳ１３）。図１の例では、生成装置１００は、モデル情報記憶部１２２から予測対象に対応するモデルを取得する。図１の例では、生成装置１００は、モデル情報記憶部１２２から予測対象「Ａ商品購入」に対応するモデルＭ１を取得する。

上記のように、「モデルＭ＊（＊は任意の数値）」と記載した場合、そのモデルはモデルＩＤ「Ｍ＊」により識別されるモデルであることを示す。例えば、「モデルＭ１」と記載した場合、そのモデルはモデルＩＤ「Ｍ１」により識別されるモデルである。また、図１中のモデル情報記憶部１２２に示すように、モデルＭ１は予測対象「Ａ商品購入」、すなわちＡ商品購入の可能性の予測のために用いられるモデルであり、その具体的なモデルデータが「モデルデータＭＤＴ１」であることを示す。例えば、生成装置１００は、モデルＭ１にユーザの行動情報を入力することにより、入力した行動情報に対応するユーザがＡ商品購入を行う確率を示すスコアを、モデルＭ１に出力させ、モデルＭ１が出力するスコアに基づいて、ユーザによるＡ商品購入の有無を予測する。なお、生成装置１００によるモデルＭ１の生成については後述する。また、生成装置１００は、予測に用いるモデルを外部装置から取得してもよい。

例えば、生成装置１００は、各ユーザの行動情報をモデルに入力する。例えば、生成装置１００は、各ユーザＵ１〜Ｕ５等の行動情報ＡＤＴ１〜ＡＤＴ５等をモデルＭ１に入力する。

図１の例では、生成装置１００は、処理群ＰＳ１４−１に示すような処理により、ユーザＵ１のＡ商品購入の確率を示すスコアを算出する。生成装置１００は、ユーザＵ１に対応する行動情報ＡＤＴ１をモデルＭ１に入力する（ステップＳ１４−１）。例えば、生成装置１００は、ユーザＵ１のウェブ上や実空間における行動情報をモデルＭ１に入力する。行動情報ＡＤＴ１が入力されたモデルＭ１は、スコアを出力する（ステップＳ１５−１）。図１の例では、行動情報ＡＤＴ１が入力されたモデルＭ１は、スコアＳＣ１１−１に示すようなスコア「０．８」を出力する。

また、生成装置１００は、処理群ＰＳ１４−２に示すような処理により、ユーザＵ２のＡ商品購入の確率を示すスコアを算出する。生成装置１００は、ユーザＵ２に対応する行動情報ＡＤＴ２をモデルＭ１に入力する（ステップＳ１４−２）。例えば、生成装置１００は、ユーザＵ２のウェブ上や実空間における行動情報をモデルＭ１に入力する。行動情報ＡＤＴ２が入力されたモデルＭ１は、スコアを出力する（ステップＳ１５−２）。図１の例では、行動情報ＡＤＴ２が入力されたモデルＭ１は、スコアＳＣ１１−２に示すようなスコア「０．５５」を出力する。

また、生成装置１００は、各ユーザＵ３〜Ｕ５等の行動情報ＡＤＴ３〜ＡＤＴ５等についても同様に処理する。例えば、生成装置１００は、行動情報ＡＤＴ３〜ＡＤＴ５の各々をモデルＭ１に入力することにより、各ユーザＵ３〜Ｕ５に対応するスコアを算出する。図１の例では、生成装置１００は、ユーザＵ３については、スコア「０．７５」と算出し、ユーザＵ４については、スコア「０．８０」と算出し、ユーザＵ５については、スコア「０．０４」と算出する。

そして、生成装置１００は、各ユーザＵ１〜Ｕ５等のスコアに基づいて各ユーザＵ１〜Ｕ５等のＡ商品の購入有無を予測する（ステップＳ１６）。例えば、生成装置１００は、所定の閾値を用いて、所定の閾値とスコアとの比較に基づいて、各ユーザの行動有無を予測する。図１の例では、生成装置１００は、ユーザのスコアが閾値「０．７」以上である場合、そのユーザ（行動有ユーザ）がＡ商品を購入すると予測する。また、生成装置１００は、ユーザのスコアが閾値「０．７」未満である場合、そのユーザ（行動無ユーザ）がＡ商品を購入しないと予測する。なお、図１の例では、説明を簡単にするために、閾値との比較により、ユーザを行動有ユーザと行動無ユーザとに分類する例を示すが、生成装置１００は、各ユーザの確率に関連する情報であるスコアを用いて以下の処理を行ってもよい。

これにより、生成装置１００は、図１中の予測情報記憶部１２４に示すように、各ユーザのＡ商品の購入有無を示す予測情報を生成する。例えば、生成装置１００は、ユーザＵ１のスコアが「０．８」であり、閾値「０．７」以上であるため、ユーザＵ１については、Ａ商品の購入を行うと予測する。また、例えば、生成装置１００は、ユーザＵ２のスコアが「０．５５」であり、閾値「０．７」未満であるため、ユーザＵ２については、Ａ商品の購入を行わないと予測する。なお、閾値は「０．７」に限らず、「０．６５」、「０．８」等、種々の値であってもよい。

上述したように、生成装置１００は、各ユーザの行動情報に基づいて、そのユーザの所定の対象に関する行動の確率に関連する情報を予測する。図１の例では、生成装置１００は、各ユーザの行動情報をモデルＭ１に入力することにより、モデルＭ１に各ユーザがＡ商品を購入する確率を示すスコアを出力させる。そして、生成装置１００は、モデルＭ１が出力するスコアが所定の閾値以上である場合、そのユーザがＡ商品を購入すると予測する。このように、生成装置１００は、各ユーザの行動情報とモデルＭ１とを用いることにより、実際に所定の対象に関する行動を行っていないユーザについて、所定の対象に関する行動を行うかを予測することができる。そのため、生成装置１００は、所定のコンバージョン等、その行動有無を示す情報が取得できるユーザが少ない行動であっても、その行動を予測することにより、その行動有無が対応付けられるユーザを増幅させることができる。

〔２．生成処理〕
次に、図２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２は、実施形態に係る生成処理の一例を示す図である。図２の例では、生成装置１００は、予測対象「Ａ商品購入」について予測した予測情報を、他の対象「テレビ（視聴）」に関してマッピング（写像）したマッピング情報を生成する。

まず、生成装置１００は、行動予測情報を取得する（ステップＳ２１）。図２の例では、生成装置１００は、予測情報記憶部１２４から各ユーザＵ１〜Ｕ５等のＡ商品の購入に関する有無を示す情報を取得する。

また、生成装置１００は、マッピング対象情報を取得する（ステップＳ２２）。図２の例では、マッピング対象情報記憶部１２５から各ユーザＵ１〜Ｕ５等のマッピング対象に関する情報を取得する。

図２中のマッピング対象情報記憶部１２５に示す「マッピング対象」は、予測情報をマッピングする対象を示す。図２中のマッピング対象情報記憶部１２５に示す「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。図２中のマッピング対象情報記憶部１２５に示す「種別」は、対応するユーザの行動のマッピング対象における種別を示す。図２中のマッピング対象情報記憶部１２５に示す「日時」は、対応するユーザの行動が行われた日時を示す。

例えば、ユーザＵ１は、日時ｄｔ１１−ｄｔ１２の期間において、種別「Ａ番組（音楽）」の番組を視聴したことを示す。すなわち、ユーザＵ１は、月曜の１時から３時の間において、音楽番組であるＡ番組を視聴したことを示す。また、例えば、ユーザＵ２は、日時ｄｔ２１−ｄｔ２２の期間において、種別「Ｃ番組（ドラマ）」の番組を視聴したことを示す。すなわち、ユーザＵ２は、月曜の０時３０分から２時の間において、ドラマであるＣ番組を視聴したことを示す。なお、生成装置１００は、ステップＳ１１においてマッピング対象であるテレビに関するユーザの行動情報を取得してもよい。

そして、生成装置１００は、マッピング情報を生成する（ステップＳ２３）。図２の例では、生成装置１００は、予測情報記憶部１２４やマッピング対象情報記憶部１２５に示す情報を用いて、予測対象「Ａ商品購入」について予測した予測情報を、他の対象「テレビ（視聴）」に関してマッピング（写像）したマッピング情報を生成する。具体的には、生成装置１００は、図２中のマッピング情報ＭＰ１１に示すような、時間と曜日とで分割される区分ごとに、ユーザの分布をマッピングした情報を生成する。

図２中のマッピング情報ＭＰ１１中の行「時間」と列「曜日」とで分割される各区分は、マッピングされる区分を示す。「時間」は、マッピングする区分に対応する時間を示す。図１０の例では、「時間」は、「０−４」時、「４−８」時、「８−１２」時、「１２−１６」時、「１６−２０」時、「２０−２４」時の６個に分割されることを示す。「曜日」は、マッピングする区分に対応する曜日を示す。図１０の例では、「曜日」は、「月曜」、「火曜」、「水曜」、「木曜」、「金曜」、「土曜」、「日曜」の７個に分割されることを示す。すなわち、図２の例では、生成装置１００は、６つの時間帯と７つの曜日との組合せである４２（＝６＊７）個の区分ごとに情報をマッピングする。

図２の例では、時間「０−４」の行と曜日「月曜」の列とが交差する区分（マス目「月曜０−４」）は、月曜の０時から４時までの間にテレビを視聴したユーザにおける、Ａ商品を購入すると予測されたユーザ（行動有ユーザ）の割合である含有率を示す。図２の例では、月曜の０時から４時までの間にテレビを視聴したユーザにおける行動有ユーザの含有率は、「５％」であることを示す。

例えば、生成装置１００は、上記のような含有率を、マッピング情報記憶部１２６（図１０参照）に示すように、区分ごとに記憶される各ユーザ数を用いて算出する。例えば、生成装置１００は、マス目「月曜０−４」に記憶されたＡ商品を購入すると予測されたユーザであって、月曜の０時から４時までの間にテレビを視聴したユーザの数（行動有ユーザ数）と、月曜の０時から４時までの間にテレビを視聴した全ユーザ数とを用いて、月曜の０時から４時までの間にテレビを視聴したユーザにおける、行動有ユーザの含有率を算出する。

具体的には、図１０中のマス目「月曜０−４」には、行動有ユーザ数が「５００」人であり、全ユーザ数が「１００００」人であるため、生成装置１００は、月曜の０時から４時までの間にテレビを視聴したユーザにおける行動有ユーザの含有率を、「５（＝５００／１００００＊１００）％」と算出する。

図２の例では、時間「０−４」の行と曜日「火曜」の列とが交差する区分（マス目「火曜０−４」）は、火曜の０時から４時までの間にテレビを視聴したユーザにおける、Ａ商品を購入すると予測されたユーザ（行動有ユーザ）の割合である含有率を示す。図２の例では、火曜の０時から４時までの間にテレビを視聴したユーザにおける行動有ユーザの含有率は、「３％」であることを示す。

また、図２の例では、時間「２０−２４」の行と曜日「土曜」の列とが交差する区分（マス目「土曜２０−２４」）は、土曜の２０時から２４時までの間にテレビを視聴したユーザにおける、Ａ商品を購入すると予測されたユーザ（行動有ユーザ）の割合である含有率を示す。図２の例では、土曜の２０時から２４時までの間にテレビを視聴したユーザにおける行動有ユーザの含有率は、「１２％」であることを示す。

また、生成装置１００は、各区分の含有率に応じて、各区分におけるＡ商品購入を行う可能性が高いユーザがどの程度含まれるかをヒートマップのような表示態様で示す。図２の例では、ハッチングが濃い程、Ａ商品を購入するユーザの含有率が高い区分であることを示す。図２の例では、含有率が８％以上である区分のハッチングが最も濃くする。また、図２の例では、含有率が４％以上８％未満である区分のハッチングが２番目に濃くする。また、図２の例では、含有率が２％以上４％未満である区分のハッチングが３番目に濃くする。また、図２の例では、含有率が２％未満である区分はハッチング無しとする。

このように、生成装置１００は、各区分を行動有ユーザの含有率の多寡に応じてヒートマップ状に示すマッピング情報ＭＰ１１を生成することにより、どの区分にＡ商品を購入するユーザの割合が高いかを直感的に把握できる。例えば、図２の例では、曜日「日曜」に対応する区分は、ハッチングが最も濃いため、マッピング情報ＭＰ１１により、日曜にテレビを視聴しているユーザには、Ａ商品を購入するユーザの含有率が高いことが直感的に把握可能となる。例えば、生成装置１００は、Ａ商品を販売するストア等の所定の事業者に、生成したマッピング情報ＭＰ１１を提供してもよい。

上述したように、生成装置１００は、予測した各ユーザのＡ商品の購入確率を示すスコアに基づいて、各ユーザをＡ商品（購入）とは異なる他の対象であるテレビ（視聴）に関してマッピングしたマッピング情報を生成する。図２の例では、生成装置１００は、テレビを視聴したユーザを曜日及び時間帯ごとの組合せである区分ごとに集計し、各区分に含まれる全ユーザにおける行動有ユーザの割合を含有率として、各区分にマッピングしたマッピング情報を生成する。このように、生成装置１００は、予測した行動確率を示すスコアに基づく行動有ユーザがどの区分に多く含まれるかを示すマッピング情報を生成することにより、所定の対象に予測される情報を他の対象について利用可能にすることができる。したがって、生成装置１００は、所定の対象に関して予測される情報を公衆放送に関して利用可能にする情報を適切に生成することができる。

（２−１．マッピング情報）
また、図２の例では、曜日及び時間帯の組合せに基づく区分ごとに含有率をマッピングする例を示したが、マッピングする情報は含有率に限らず、種々の情報であってもよい。例えば、生成装置１００は、期待値や平均確率や中央値や最頻値等を区分ごとにマッピングしたマッピング情報を生成してもよい。例えば、生成装置１００は、ある区分に含まれる全ユーザの確率を示すスコアを用いてその区分の平均確率を示すスコアや中央値や最頻値等を算出し、マッピングしたマッピング情報を生成してもよい。

（２−２．区分）
また、生成装置１００は、マッピング対象を細分化した区分ごとにマッピング情報を生成してもよい。例えば、生成装置１００は、マッピング対象であるテレビをカテゴリごとに細分化した区分ごとにマッピング情報を生成してもよい。例えば、生成装置１００は、マッピング対象であるテレビを、「音楽」、「スポーツ」、「ドラマ」等のカテゴリ（ジャンル）ごとに細分化した区分ごとにマッピング情報を生成してもよい。また、例えば、生成装置１００は、マッピング対象であるテレビを具体的な番組名（コンテンツ）ごとに細分化した区分ごとにマッピング情報を生成してもよい。例えば、生成装置１００は、マッピング対象であるテレビを、「Ａ番組」、「Ｂ番組」、「Ｃ番組」等の具体的な番組名ごとに細分化した区分ごとにマッピング情報を生成してもよい。

（２−３．他の対象）
また、図２の例では、テレビを対象としてマッピングしたマッピング情報を生成する場合を示したが、例えば、生成装置１００は、種々の対象についてマッピングしたマッピング情報を生成してもよい。例えば、生成装置１００は、ユーザの位置情報やユーザの属性情報やユーザの興味やユーザが用いたクエリやユーザが閲覧したサイト等、種々の対象についてマッピングしたマッピング情報を生成してもよい。

（２−４．行動情報）
例えば、生成装置１００は、図１の例で用いるモデルＭ１を生成する場合、正解情報に対応する行動情報を除いた行動情報を入力とするモデルＭ１を生成してもよい。例えば、生成装置１００は、正解情報である「Ａ商品の購入」に対応する行動情報を行動情報から除いて、モデルＭ１を生成してもよい。また、例えば、生成装置１００は、モデルＭ１の特徴量（素性）を指定する場合、正解情報である「Ａ商品の購入」に対応する特徴量を含まないようにモデルＭ１の特徴量を設定してもよい。これにより、生成装置１００は、モデルＭ１にＡ商品の購入に関する行動情報を含まないユーザの行動情報が入力された場合に、正確に予測することができる。なお、モデルの生成についての詳細は後述する。

例えば、生成装置１００は、図１の例で用いるモデルＭ１を生成する場合、マッピング対象に対応する行動情報を除いた行動情報を入力とするモデルＭ１を生成してもよい。例えば、生成装置１００は、マッピング対象であるテレビに対応する行動情報を行動情報から除いて、モデルＭ１を生成してもよい。また、例えば、生成装置１００は、モデルＭ１の特徴量（素性）を指定する場合、マッピング対象であるテレビに対応する特徴量を含まないようにモデルＭ１の特徴量を設定してもよい。これにより、生成装置１００は、モデルＭ１にマッピング対象であるテレビに関する行動情報を含まないユーザの行動情報が入力された場合に、正確に予測することができる。また、この場合、生成装置１００は、ユーザの行動情報からテレビに関する行動情報を除いてモデルＭ１に入力してもよい。

〔３．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Ｎ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、学習データ記憶部１２１と、モデル情報記憶部１２２と、行動情報記憶部１２３と、予測情報記憶部１２４と、マッピング対象情報記憶部１２５と、マッピング情報記憶部１２６とを有する。

（学習データ記憶部１２１）
実施形態に係る学習データ記憶部１２１は、学習データに関する各種情報を記憶する。図５は、実施形態に係る学習データ記憶部の一例を示す図である。例えば、学習データ記憶部１２１は、モデルの生成に用いる教師データを記憶する。図５に示す学習データ記憶部１２１には、「データＩＤ」、「ユーザＩＤ」、「正解情報」、「行動情報」といった項目が含まれる。

「データＩＤ」は、データを識別するための識別情報を示す。例えば、「データＩＤ」は、学習データ（教師データ）として用いられるユーザの行動情報と正解情報との組合せを識別するための識別情報を示す。「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。「正解情報」は、データＩＤにより識別されるデータに対応する正解情報を示す。例えば、「正解情報」は、データＩＤにより識別されるデータに対応するユーザの実際の行動有無を示す。図５では「正解情報」に「有（１）」や「無（０）」といった「有」や「無」を含む文字列を図示するが、例えば、ユーザが所定の対象に関する行動を行っている場合は、行動有に対応するフラグ（例えば「１」）が格納される。また、例えば、ユーザが所定の対象に関する行動を行っていない場合は、「正解情報」には、行動無に対応するフラグ（例えば「０」）が格納される。図５では「正解情報」は、Ａ商品の購入有無を示す正解情報が格納されている場合を示す。

「行動情報」は、データＩＤにより識別されるデータに対応するユーザの行動情報を示す。図５では「行動情報」に「ＡＤＴ１０１」といった概念的な情報が格納される例を示したが、実際には、ユーザが行った行動に関する種々の情報、または、その格納場所を示すファイルパス名などが格納される。

例えば、図５に示す例において、データＩＤ「ＤＴ１」により識別されるデータ（学習データＤＴ１）は、ユーザＩＤ「Ｕ１０１」により識別されるユーザ（ユーザＵ１０１）に対応する情報（データ）であることを示す。また、学習データＤＴ１は、正解情報「有（１）」であることを示す。すなわち、学習データＤＴ１は、ユーザＵ１０１がＡ商品を購入したことを示す。また、学習データＤＴ１は、行動情報ＡＤＴ１０１を含むことを示す。

なお、学習データ記憶部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、学習データ記憶部１２１は、学習データが追加された日時に関する情報を記憶してもよい。例えば、学習データ記憶部１２１には、正解情報が「有（１）」の場合、ユーザがその行動を行った日時を示す情報を記憶してもよい。また、例えば、学習データ記憶部１２１は、各学習データがどのような判定処理により追加されたかを示す情報を記憶してもよい。例えば、学習データ記憶部１２１は、各学習データが管理者の選択により判定されたか等を示す情報を記憶してもよい。

（モデル情報記憶部１２２）
実施形態に係るモデル情報記憶部１２２は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２２は、生成処理により生成されたモデル情報（モデルデータ）を記憶する。図６は、実施形態に係るモデル情報記憶部の一例を示す図である。図６に示すモデル情報記憶部１２２は、「モデルＩＤ」、「予測対象」、「モデルデータ」といった項目が含まれる。なお、図６では、モデルＭ１、Ｍ２、Ｍ３のみを図示するが、Ｍ４、Ｍ５等、各予測対象に応じて多数のモデル情報が記憶されてもよい。

「モデルＩＤ」は、モデルを識別するための識別情報を示す。例えば、モデルＩＤ「Ｍ１」により識別されるモデルは、図１の例に示したモデルＭ１に対応する。「予測対象」は、対応するモデルの予測対象を示す。また、「モデルデータ」は、対応付けられた対応するモデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。

例えば、図６に示す例において、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）は、予測対象が「Ａ商品購入」であり、入力された行動情報に対応するユーザがＡ商品を購入する確率に関連する情報の予測に用いられることを示す。また、モデルＭ１のモデルデータは、モデルデータＭＤＴ１であることを示す。

モデルＭ１（モデルデータＭＤＴ１）は、ユーザの行動情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたエリア情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザによる所定の対象に関する行動の確率に関連する情報の予測に用いられるスコアの値を出力層から出力するよう、コンピュータを機能させるためのモデルである。

ここで、モデルＭ１〜Ｍ３等が「ｙ＝ａ_１＊ｘ_１＋ａ_２＊ｘ_２＋・・・＋ａ_ｉ＊ｘ_ｉ」で示す回帰モデルで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、ｘ１やｘ２等といった入力データ（ｘｉ）に対応する。また、第１要素の重みは、ｘｉに対応する係数ａｉに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。

また、モデルＭ１〜Ｍ３等がＤＮＮ等、１つまたは複数の中間層を有するニューラルネットワーク（neural network）で実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。

なお、モデル情報記憶部１２２は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。

（行動情報記憶部１２３）
実施形態に係る行動情報記憶部１２３は、ユーザの行動に関する各種情報を記憶する。図７は、実施形態に係る行動情報記憶部の一例を示す図である。例えば、行動情報記憶部１２３は、各ユーザの行動等の各種の行動情報を記憶する。図７に示す行動情報記憶部１２３には、「ユーザＩＤ」、「行動情報」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。「行動情報」は、データＩＤにより識別されるデータに対応するユーザの行動情報を示す。図７では「行動情報」に「ＡＤＴ１」といった概念的な情報が格納される例を示したが、実際には、ユーザが行った行動に関する種々の情報、または、その格納場所を示すファイルパス名などが格納される。

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（ユーザＵ１）については、行動情報ＡＤＴ１が収集されたことを示す。例えば、行動情報ＡＤＴ１には、ユーザＵ１のインターネット（ウェブ）上における行動情報が含まれてもよい。例えば、行動情報ＡＤＴ１には、ユーザＵ１がある日時（日時Ｘ）にＣサイトのコンテンツを閲覧したことを示す情報や、ある日時にクエリ「Ａ商品」を用いて検索を行ったことを示す情報の種々のウェブ上での行動情報が含まれてもよい。また、例えば、行動情報ＡＤＴ１には、ユーザＵ１がある日時にＡコンビニでＢ商品の購入を行ったことを示す情報や、ある日時にＢレストランで飲食を行ったことを示す情報等の種々の情報が含まれてもよい。

なお、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。また、図７では、ユーザＩＤごとに行動情報が行動情報記憶部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、例えば時刻順に記憶されてもよい。

例えば、行動情報には、「行動ＩＤ」、「日時」、「種別」、「内容」といった項目の情報が含まれてもよい。この場合、例えば、「行動ＩＤ」は、ユーザの行動を識別する情報を示す。例えば、「日時」は、対応するユーザの行動が行われた日時を示す。例えば、「日時」には、「２０１７年７月１５日１８時３１分５２秒」等の具体的な日時が記憶されてもよい。また、「種別」は、対応するユーザの行動の種別に関する情報を示す。また、「内容」は、対応するユーザの行動において対象となった内容を示す。例えば、ユーザＵ１について、行動ＩＤ「ＡＣ１１」により識別される行動ログ中の日時には「日時Ｘ」が格納され、種別には「閲覧」が格納され、内容には「Ｃサイトのコンテンツ」が格納されてもよい。

（予測情報記憶部１２４）
実施形態に係る予測情報記憶部１２４は、予測に関する各種情報を記憶する。図８は、実施形態に係る予測情報記憶部の一例を示す図である。図８に示す予測情報記憶部１２４は、「予測対象」、「ユーザＩＤ」、「スコア」、「有無」といった項目を有する。図８に示す予測情報記憶部１２４は、図２において予測したユーザＵ１〜Ｕ５等の予測対象の行動を行う可能性に関する情報を示す。

「予測対象」は、ユーザの行動を予測する予測対象を示す。「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。「スコア」は、対応するユーザの予測対象を行う確率に対応するスコアを示す。「有無」は、ユーザの行動有無の予測を示す。例えば、「有無」は、所定の閾値とスコアとの比較に基づくユーザの行動有無の予測を示す。図８では「有無」は、スコアが閾値「０．７」以上である場合は、「有（１）」が格納され、スコアが閾値「０．７」未満である場合は、「無（０）」が格納される場合を示す。

なお、図８では「有無」に「有（１）」や「無（０）」といった「有」や「無」を含む文字列を図示するが、例えば、ユーザが所定の対象に関する行動を行うと予測される場合は、行動有に対応するフラグ（例えば「１」）が格納される。また、例えば、ユーザが所定の対象に関する行動を行わないと予測される場合は、「有無」には、行動無に対応するフラグ（例えば「０」）が格納される。図８では「有無」は、Ａ商品の購入有無の予測を示す情報が格納されている場合を示す。

例えば、図８に示す例において、行動有無を予測する対象は、Ａ商品購入であることを示す。ユーザＵ１の行動確率を示すスコアは、「０．８」であることを示す。また、ユーザＵ１のスコア「０．８」は、閾値「０．７」以上であるため、ユーザＵ１については、有無が「有（１）」、すなわちＡ商品の購入を行うと予測されることを示す。

なお、予測情報記憶部１２４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。予測情報記憶部１２４は、商品の具体的な名称等を記憶してもよい。

（マッピング対象情報記憶部１２５）
実施形態に係るマッピング対象情報記憶部１２５は、ユーザの行動に関する各種情報を記憶する。図９は、実施形態に係るマッピング対象情報記憶部の一例を示す図である。例えば、マッピング対象情報記憶部１２５は、各ユーザの行動等の各種の行動情報を記憶する。図９に示すマッピング対象情報記憶部１２５には、「マッピング対象」、「ユーザＩＤ」、「種別」、「日時」といった項目が含まれる。

「マッピング対象」は、予測情報をマッピングする対象を示す。「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。また、「種別」は、対応するユーザの行動のマッピング対象における種別を示す。「日時」は、対応するユーザの行動が行われた日時を示す。なお、図９の例では、「ｄｔ１１−ｄｔ１２（月曜１時−３時）」等の期間で図示するが、「日時」には、「２０１７年７月１５日１９時３１分５２秒」等の時点が記憶されてもよい。

例えば、図９に示す例において、マッピング対象は、「テレビ」であることを示す。ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）は、日時ｄｔ１１−ｄｔ１２の期間において、種別「Ａ番組（音楽）」のテレビ番組を視聴したことを示す。すなわち、ユーザＵ１は、月曜の１時から３時の間において、音楽番組であるＡ番組を視聴したことを示す。

なお、マッピング対象情報記憶部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。また、図９では、ユーザＩＤごとに行動情報がマッピング対象情報記憶部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、例えば時刻順に記憶されてもよい。

（マッピング情報記憶部１２６）
実施形態に係るマッピング情報記憶部１２６は、マッピングに関する各種情報を記憶する。図１０は、実施形態に係るマッピング情報記憶部の一例を示す図である。例えば、マッピング情報記憶部１２６は、曜日及び時間により分割された区分ごとのマッピング情報を記憶する。

「マッピング対象」は、マッピングする対象を示す。例えば、図１０に示す例において、マッピング対象は、「テレビ」であることを示す。行「時間」と列「曜日」とで分割される各区分は、マッピングされる区分を示す。

「時間」は、マッピングする区分に対応する時間を示す。図１０の例では、「時間」は、「０−４」時、「４−８」時、「８−１２」時、「１２−１６」時、「１６−２０」時、「２０−２４」時の６個に分割されることを示す。なお、時間の区分は、上記に限らず、種々の分割であってもよく、例えば「０」時、「１」時、「２」時等の２４個に分割されてもよい。

「曜日」は、マッピングする区分に対応する曜日を示す。図１０の例では、「曜日」は、「月曜」、「火曜」、「水曜」、「木曜」、「金曜」、「土曜」、「日曜」の７個に分割されることを示す。なお、曜日の区分は、上記に限らず、種々の分割であってもよく、例えば「休日（土、日）」、「平日（月〜金）」の２個に分割されてもよい。

例えば、図１０の例では、時間「０−４」の行と曜日「月曜」の列とが交差する区分（マス目「月曜０−４」）は、月曜の０時から４時までの間にテレビを視聴したユーザの数を示す情報が記憶される。図１０の例では、マス目「月曜０−４」には、Ａ商品を購入すると予測されたユーザであって、月曜の０時から４時までの間にテレビを視聴したユーザの数（行動有ユーザ数）が記憶される。また、図１０の例では、マス目「月曜０−４」には、月曜の０時から４時までの間にテレビを視聴した全ユーザ数が記憶される。

具体的には、図１０中のマス目「月曜０−４」には、行動有ユーザ数が「５００」人であり、全ユーザ数が「１００００」人であることを示す情報が記憶される。すなわち、月曜の０時から４時までの間にテレビを視聴したユーザにおける、行動有ユーザの含有率は、「５（＝５００／１００００＊１００）％」であることを示す情報が記憶される。

なお、マッピング情報記憶部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。

（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（予測プログラムや生成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。制御部１３０は、モデル情報記憶部１２２に記憶されているモデルＭ１等に従った情報処理により、ユーザの行動情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された行動情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザによる所定の対象に関する行動の確率の予測に用いられるスコアの値を出力層から出力する。

図４に示すように、制御部１３０は、取得部１３１と、予測部１３２と、生成部１３３と、提供部１３４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。制御部１３０は、記憶部１２０に記憶されているモデルＭ１（モデルデータＭＤＴ１）に従った情報処理により、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された行動情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザによる所定の対象に関する行動の確率に関連する情報の予測に用いられるスコアの値を出力層から出力する。

（取得部１３１）
取得部１３１は、各種情報を取得する。例えば、取得部１３１は、学習データ記憶部１２１と、モデル情報記憶部１２２と、行動情報記憶部１２３と、予測情報記憶部１２４と、マッピング対象情報記憶部１２５と、マッピング情報記憶部１２６等から各種情報を取得する。また、取得部１３１は、各種情報を外部の情報処理装置から取得してもよい。また、取得部１３１は、各種情報を端末装置１０等から取得してもよい。例えば、取得部１３１は、端末装置１０からユーザの行動情報を取得する。

図１の例では、取得部１３１は、ユーザＵ１が利用する端末装置１０−１からユーザＵ１の行動情報を取得する。例えば、取得部１３１は、端末装置１０−１からユーザＵ１のインターネット（ウェブ）上における行動情報を取得する。例えば、取得部１３１は、ユーザＵ１がウェブコンテンツを閲覧したことを示す情報や、クエリを用いて検索を行ったことを示す情報の種々のウェブ上での行動情報を取得する。例えば、取得部１３１は、ユーザＵ１の実空間における行動情報を取得してもよい。例えば、取得部１３１は、ユーザＵ１がＡコンビニでＢ商品の購入を行ったことを示す情報や、Ｂレストランで飲食を行ったことを示す情報等の種々の行動情報を取得してもよい。

例えば、取得部１３１は、ユーザＵ２が利用する端末装置１０−２から行動情報を取得する。例えば、取得部１３１は、端末装置１０−２からユーザＵ２のウェブ上や実空間における行動情報を取得する。例えば、取得部１３１は、ユーザＵ３が利用する端末装置１０−３から行動情報を取得する。例えば、取得部１３１は、端末装置１０−３からユーザＵ３のウェブ上や実空間における行動情報を取得する。

例えば、取得部１３１は、ユーザＵ４が利用する端末装置１０−４から行動情報を取得する。例えば、取得部１３１は、端末装置１０−４からユーザＵ４のウェブ上や実空間における行動情報を取得する。例えば、取得部１３１は、ユーザＵ５が利用する端末装置１０−５から行動情報を取得する。例えば、取得部１３１は、端末装置１０−５からユーザＵ５のウェブ上や実空間における行動情報を取得する。

図１の例では、取得部１３１は、予測に用いるモデルを取得する。例えば、取得部１３１は、モデル情報記憶部１２２から予測対象に対応するモデルを取得する。例えば、取得部１３１は、モデル情報記憶部１２２から予測対象「Ａ商品購入」に対応するモデルＭ１を取得する。

図２の例では、取得部１３１は、行動予測情報を取得する。例えば、取得部１３１は、予測情報記憶部１２４から各ユーザＵ１〜Ｕ５等のＡ商品の購入に関する有無を示す情報を取得する。例えば、取得部１３１は、マッピング対象情報を取得する。例えば、取得部１３１は、マッピング対象情報記憶部１２５から各ユーザＵ１〜Ｕ５等のマッピング対象に関する情報を取得する。

（予測部１３２）
予測部１３２は、各種情報を予測する。予測部１３２は、モデル情報記憶部１２２に記憶されたモデルを用いて種々の情報を予測する。例えば、予測部１３２は、取得部１３１により取得された各種情報に基づいて、種々の情報を予測する。予測部１３２は、ユーザの行動情報をモデルに入力することにより、ユーザによる所定の対象に関する行動の確率に関連する情報を予測する。

予測部１３２は、各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する。例えば、予測部１３２は、公衆放送の視聴を行った各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する。例えば、予測部１３２は、公衆放送の視聴以外の各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する。

図１の例では、予測部１３２は、収集した各ユーザＵ１〜Ｕ５等の行動情報に基づいて、各ユーザＵ１〜Ｕ５等がＡ商品を購入するかどうかの確率を示すスコアを予測する。例えば、予測部１３２は、モデルＭ１にユーザの行動情報を入力することにより、入力した行動情報に対応するユーザがＡ商品購入の行う確率を示すスコアを、モデルＭ１に出力させ、モデルＭ１が出力するスコアに基づいて、ユーザによるＡ商品購入の有無を予測する。

図１の例では、予測部１３２は、各ユーザＵ１〜Ｕ５等のスコアに基づいて各ユーザＵ１〜Ｕ５等のＡ商品の購入有無を予測する。例えば、予測部１３２は、所定の閾値を用いて、所定の閾値とスコアとの比較に基づいて、各ユーザの行動有無を予測する。例えば、予測部１３２は、ユーザのスコアが閾値「０．７」以上である場合、そのユーザがＡ商品を購入すると予測する。例えば、予測部１３２は、ユーザのスコアが閾値「０．７」未満である場合、そのユーザがＡ商品を購入しないと予測する。

例えば、予測部１３２は、ユーザＵ１のスコアが「０．８」であり、閾値「０．７」以上であるため、ユーザＵ１については、Ａ商品の購入を行うと予測する。例えば、予測部１３２は、ユーザＵ２のスコアが「０．５５」であり、閾値「０．７」未満であるため、ユーザＵ２については、Ａ商品の購入を行わないと予測する。

例えば、予測部１３２は、上述した回帰モデルやニューラルネットワーク等、任意の構造を有するモデルを用いて、スコアの算出を行う。具体的には、モデルＭ１は、ユーザの行動情報（すなわち、上述したスコアの算出に用いられる各要素）が入力された場合に、ユーザによる所定の対象に関する行動の予測を定量化した値（すなわち、ユーザによる所定の対象に関する行動の確率を示唆するスコア）を出力するように係数が設定される。予測部１３２は、このようなモデルＭ１を用いて、ユーザによる所定の対象に関する行動の確率に関するスコアを算出する。

なお、上記例では、モデルＭ１が、ユーザの行動情報が入力された場合にユーザによる所定の対象に関する行動の確率の予測を定量化した値を出力するモデルである例を示した。しかし、実施形態に係るモデル（モデルＸ）は、モデルＭ１にデータの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、モデルＸは、ユーザの行動情報を入力とし、モデルＭ１が出力するスコアを出力とするよう学習されたモデル（モデルＹ)であってもよい。または、モデルＭ１は、ユーザの行動情報を入力とし、モデルＹの出力値を出力とするよう学習されたモデルであってもよい。また、予測部１３２がＧＡＮ（Generative Adversarial Networks）を用いた予測処理を行う場合、モデルＭ１は、ＧＡＮの一部を構成するモデルであってもよい。

（生成部１３３）
生成部１３３は、各種情報を生成する。また、生成部１３３は、予測情報記憶部１２４に記憶された予測情報と、マッピング対象情報記憶部１２５に記憶されたマッピング対象情報に基づいて、各ユーザを所定の対象とは異なる他の対象に関してマッピングしたマッピング情報を生成する。生成部１３３は、各ユーザのうち、予測部１３２により予測された各ユーザの確率に関連する情報が所定の条件を満たすユーザである対象ユーザの数に基づく指標値を、曜日及び時間に関する基準により分割された区分ごとに、所定の対象とは異なる対象である公衆放送に関してマッピングしたマッピング情報を生成する。

また、生成部１３３は、予測部１３２により予測された各ユーザの確率に関連する情報に基づいて、各ユーザを所定の対象とは異なる他の対象に関してマッピングしたマッピング情報を生成する。例えば、生成部１３３は、各ユーザのうち、確率に関連する情報が所定の条件を満たすユーザである対象ユーザの数に関する情報を含むマッピング情報を生成する。例えば、生成部１３３は、各ユーザのうち、確率に関連する情報が所定の閾値以上である対象ユーザの数に関する情報を含むマッピング情報を生成する。例えば、生成部１３３は、各ユーザにおける対象ユーザの数に基づく指標値を含むマッピング情報を生成する。例えば、生成部１３３は、各ユーザにおける対象ユーザの割合を示す含有率を含むマッピング情報を生成する。

例えば、生成部１３３は、所定の基準に基づいて分割された区分ごとにマッピング情報を生成する。例えば、生成部１３３は、時間に基づいて分割された区分ごとにマッピング情報を生成する。例えば、生成部１３３は、曜日に基づいて分割された区分ごとにマッピング情報を生成する。例えば、生成部１３３は、位置に基づいて分割された区分ごとにマッピング情報を生成する。

図１の例では、生成装置１００は、予測情報記憶部１２４に示すように、各ユーザのＡ商品の購入有無を示す予測情報を生成する。

図２の例では、生成部１３３は、マッピング情報を生成する。例えば、生成部１３３は、予測情報記憶部１２４やマッピング対象情報記憶部１２５に示す情報を用いて、予測対象「Ａ商品購入」について予測した予測情報を、他の対象「テレビ（視聴）」に関してマッピング（写像）したマッピング情報を生成する。例えば、生成部１３３は、図２中のマッピング情報ＭＰ１１に示すような、時間と曜日とで分割される区分ごとに、ユーザの分布をマッピングした情報を生成する。

また、例えば、生成部１３３は、学習データ記憶部１２１に記憶された学習データを用いて、モデル情報記憶部１２２に示すようなモデルを生成する。例えば、生成部１３３は、取得部１３１により取得された学習データに基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報の予測に用いられるモデルを生成する。例えば、生成部１３３は、行動情報と、行動情報に対応する各ユーザによる所定の対象に関する行動の有無を示す正解情報とを含む学習データに基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報の予測に用いられるモデルを生成する。

例えば、生成部１３３は、モデルＭ１〜Ｍ３等を生成し、生成したモデルＭ１〜Ｍ３等をモデル情報記憶部１２２に格納する。なお、生成部１３３は、いかなる学習アルゴリズムを用いてモデルＭ１〜Ｍ３等を生成してもよい。例えば、生成部１３３は、ニューラルネットワーク、サポートベクターマシン（ＳＶＭ）、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルＭ１〜Ｍ３等を生成する。一例として、生成部１３３がニューラルネットワークを用いてモデルＭ１〜Ｍ３等を生成する場合、モデルＭ１〜Ｍ３等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。

生成部１３３は、モデルを生成し、生成したモデルをモデル情報記憶部１２２に格納する。具体的には、生成部１３３は、ユーザの行動情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された行動情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザによる所定の対象に関する行動の確率に関連する情報の予測に用いられるスコアの値を出力層から出力するモデルを生成する。

例えば、生成部１３３は、学習データに基づいてモデルを生成する。例えば、生成部１３３は、学習データに基づいてモデルを生成する。例えば、生成部１３３は、学習データ記憶部１２１中のデータＤＴ１〜ＤＴ４等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。

例えば、生成部１３３は、学習データ記憶部１２１中のデータＤＴ１〜ＤＴ４等を用いてモデルＭ１を生成する。例えば、生成部１３３は、正解情報がＡ商品の購入があったことを示す「１」である場合、モデルＭ１にデータＤＴ１に含まれる行動情報ＡＤＴ１０１が入力された場合に、モデルＭ１が出力するスコアが「１」に近づくように、学習処理を行う。また、例えば、生成部１３３は、正解情報がＡ商品の購入が無かったことを示す「０」である場合、モデルＭ１にデータＤＴ２に含まれる行動情報ＡＤＴ１０２が入力された場合に、モデルＭ１が出力するスコアが「０」に近づくように、学習処理を行う。

例えば、生成部１３３は、ユーザの行動情報に関する特徴量を用いて、モデルを生成する。また、例えば、生成部１３３は、ユーザのウェブ上における行動情報に関する特徴量を用いて、モデルを生成する。例えば、生成部１３３は、ユーザの実空間上における行動情報に関する特徴量を用いて、モデルを生成する。このように、生成部１３３は、ユーザの行動情報に含まれる特徴を学習し、ユーザの所定の対象に関する行動の確率に関連する情報を予測するモデルを生成する。なお、生成部１３３が学習する行動情報に含まれる特徴は、生成部１３３の管理者等の人間が生成部１３３に入力してもよいし、生成部１３３に自動的に学習（抽出）させてもよい。

なお、モデルの学習手法については、上述した手法に限定されるものではなく、任意の公知技術が適用可能である。なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習（ディープラーニング）の技術を用いて行われてもよい。例えば、モデルの生成は、ＤＮＮ（Deep Neural Network）やＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。すなわち、生成部１３３は、学習データに含まれる行動情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルＭ１を学習可能であれば、どのような手法によりモデルＭ１の生成を行ってもよい。

（提供部１３４）
提供部１３４は、各種情報を提供する。例えば、提供部１３４は、端末装置１０に各種情報を提供する。提供部１３４は、予測部１３２により予測された予測情報に基づくサービスを提供してもよい。例えば、提供部１３４は、生成部１３３により生成されたモデルに関する情報を外部の情報処理装置へ提供してもよい。また、例えば、提供部１３４は、モデルが出力する情報を外部の情報処理装置へ提供してもよい。例えば、提供部１３４は、生成部１３３により生成されたマッピング情報を外部の情報処理装置へ提供する。

〔４．予測処理のフロー〕
次に、図１１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１１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１１に示すように、生成装置１００は、各ユーザの行動情報を取得する（ステップＳ１０１）。図１の例では、生成装置１００は、端末装置１０−１〜１０−５等から、各ユーザＵ１〜Ｕ５等の行動情報を取得する。例えば、生成装置１００は、行動情報記憶部１２３に示すような各ユーザＵ１〜Ｕ５等の行動情報を取得する。

また、生成装置１００は、予測対象に対応するモデルを取得する（ステップＳ１０２）。図１の例では、生成装置１００は、予測対象である「Ａ商品購入」に対応するモデルＭ１を、モデル情報記憶部１２２から取得する。

また、生成装置１００は、行動情報とモデルとに基づいて各ユーザの予測対象に関する行動有無を予測する（ステップＳ１０３）。図１の例では、生成装置１００は、各ユーザＵ１〜Ｕ５等の行動情報とモデルＭ１とを用いて、予測情報記憶部１２４に示すように、各ユーザＵ１〜Ｕ５がＡ商品を購入するかどうかを予測する。

〔５．生成処理のフロー〕
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。

図１２に示すように、生成装置１００は、行動予測情報を取得する（ステップＳ２０１）。図２の例では、生成装置１００は、予測情報記憶部１２４からＡ商品を購入するかどうかを示す予測情報を取得する。

その後、生成装置１００は、マッピング対象情報を取得する（ステップＳ２０２）。図２の例では、生成装置１００は、マッピング対象情報記憶部１２５からマッピング対象であるテレビに関する情報を取得する。

その後、生成装置１００は、行動予測情報をマッピング対象について、マッピングしたマッピング情報を生成する（ステップＳ２０３）。図２の例では、生成装置１００は、Ａ商品を購入すると予測されるユーザが各曜日の時間帯におけるテレビ視聴者に占める含有率を示すマッピング情報ＭＰ１１を生成する。

〔６．効果〕
上述してきたように、実施形態に係る生成装置１００は、予測部１３２と、生成部１３３とを有する。予測部１３２は、各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する。また、生成部１３３は、各ユーザのうち、予測部１３２により予測された各ユーザの確率に関連する情報が所定の条件を満たすユーザである対象ユーザの数に基づく指標値を、曜日及び時間に関する基準により分割された区分ごとに、所定の対象とは異なる対象である公衆放送に関してマッピングしたマッピング情報を生成する。

このように、実施形態に係る生成装置１００は、各ユーザのうち、予測した各ユーザの確率に関連する情報が所定の条件を満たすユーザである対象ユーザの数に基づく指標値を、曜日及び時間に関する基準により分割された区分ごとに、所定の対象とは異なる対象である公衆放送に関してマッピングしたマッピング情報を生成することにより、所定の対象に予測される情報を公衆放送に関して利用可能にする情報を適切に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、予測部１３２は、公衆放送の視聴を行った各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する。

このように、実施形態に係る生成装置１００は、公衆放送の視聴を行った各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報を予測することにより、所定の対象に予測される情報を公衆放送に関して利用可能にする情報を適切に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、予測部１３２は、公衆放送の視聴以外の各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する。

このように、実施形態に係る生成装置１００は、公衆放送の視聴以外の各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報を予測することにより、所定の対象に予測される情報を公衆放送に関して利用可能にする情報を適切に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、各ユーザのうち、確率に関連する情報が所定の閾値以上である対象ユーザの数に関する情報を含むマッピング情報を生成する。

このように、実施形態に係る生成装置１００は、確率に関連する情報が所定の閾値以上である対象ユーザの数に関する情報を含むマッピング情報を生成することにより、所定の対象に予測される情報を公衆放送に関して利用可能にする情報を適切に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、各ユーザにおける対象ユーザの割合を示す含有率を含むマッピング情報を生成する。

このように、実施形態に係る生成装置１００は、各ユーザにおける対象ユーザの割合を示す含有率を含むマッピング情報を生成することにより、所定の対象に予測される情報を公衆放送に関して利用可能にする情報を適切に生成することができる。

〔７．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１３に示すような構成のコンピュータ１０００によって実現される。図１３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、ＲＯＭ（Read Only Memory）１３００、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またはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））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またはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））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。

〔８．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 学習データ記憶部
１２２ モデル情報記憶部
１２３ 行動情報記憶部
１２４ 予測情報記憶部
１２５ マッピング対象情報記憶部
１２６ マッピング情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 予測部
１３３ 生成部
１３４ 提供部
１０ 端末装置
Ｎ ネットワーク

Claims (7)

1. 各ユーザの行動情報に基づいて、前記各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する予測部と、
   前記各ユーザのうち、前記予測部により予測された前記各ユーザの確率に関連する情報が所定の条件を満たすユーザである対象ユーザの数に基づく指標値を、曜日及び時間に関する基準により分割された区分ごとに、前記所定の対象とは異なる対象である公衆放送に関してマッピングしたマッピング情報を生成する生成部と、
   を備えることを特徴とする生成装置。
2. 前記予測部は、
   前記公衆放送の視聴を行った前記各ユーザの行動情報に基づいて、前記各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する
   ことを特徴とする請求項１に記載の生成装置。
3. 前記予測部は、
   前記公衆放送の視聴以外の前記各ユーザの行動情報に基づいて、前記各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する
   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、
   前記各ユーザのうち、前記確率に関連する情報が所定の閾値以上である対象ユーザの数に関する情報を含む前記マッピング情報を生成する
   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、
   前記各ユーザにおける前記対象ユーザの割合を示す含有率を含む前記マッピング情報を生成する
   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. コンピュータが実行する生成方法であって、
   各ユーザの行動情報に基づいて、前記各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する予測工程と、
   前記各ユーザのうち、前記予測工程により予測された前記各ユーザの確率に関連する情報が所定の条件を満たすユーザである対象ユーザの数に基づく指標値を、曜日及び時間に関する基準により分割された区分ごとに、前記所定の対象とは異なる対象である公衆放送に関してマッピングしたマッピング情報を生成する生成工程と、
   を含むことを特徴とする生成方法。
7. 各ユーザの行動情報に基づいて、前記各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する予測手順と、
   前記各ユーザのうち、前記予測手順により予測された前記各ユーザの確率に関連する情報が所定の条件を満たすユーザである対象ユーザの数に基づく指標値を、曜日及び時間に関する基準により分割された区分ごとに、前記所定の対象とは異なる対象である公衆放送に関してマッピングしたマッピング情報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