JP2019139521A - 予測装置、予測方法、及び予測プログラム - Google Patents

Abstract

【課題】行動主体が企業等においてどの程度活躍するか、すなわちどの程度有用な人材であるかを示す企業内での評価値（スコア）を用いて、将来性に関する有望度を適切に予測する予測装置、予測方法、及び予測プログラムを提供する。【解決手段】所定の行動主体による行動の履歴を示す行動情報を取得する取得部と、前記取得部により取得された行動情報に基づいて、前記行動よりも後の時点における前記所定の行動主体の将来性に関する有望度を予測する予測部とを備える。【選択図】図４

Description

本発明は、予測装置、予測方法、及び予測プログラムに関する。

従来、ユーザ等の行動を行う主体（行動主体）の適正等の識別や予測に関する種々の技術が提供されている。例えば、対象者（ユーザ）に課題を提供し、課題の実行において対象者により示された性能値に基づいて対象者の特性を評価し、評価された特性に基づいて、対象者がエンティティによる雇用に適することを識別する技術が提供されている。

特表２０１７−５２２６７６号公報

しかしながら、上記の従来技術では、行動主体の有望度を適切に予測することが難しい場合がある。例えば、対象者（ユーザ）に提供された課題に対する実行に基づく評価のみでは、課題の実行時点におけるユーザを評価しているに過ぎず、そのユーザの将来性に関する有望度を予測することが難しい。

本願は、上記に鑑みてなされたものであって、行動主体の有望度を適切に予測する予測装置、予測方法、及び予測プログラムを提供することを目的とする。

本願に係る予測装置は、所定の行動主体による行動の履歴を示す行動情報を取得する取得部と、前記取得部により取得された行動情報に基づいて、前記行動よりも後の時点における前記所定の行動主体の将来性に関する有望度を予測する予測部と、を備えたことを特徴とする。

実施形態の一態様によれば、行動主体の有望度を適切に予測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、実施形態に係る予測処理の一例を示す図である。 図３は、実施形態に係る予測システムの構成例を示す図である。 図４は、実施形態に係る予測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、実施形態に係るユーザ情報記憶部の一例を示す図である。 図８は、実施形態に係る有望度情報記憶部の一例を示す図である。 図９は、実施形態に係る予測情報記憶部の一例を示す図である。 図１０は、実施形態に係る生成処理の一例を示すフローチャートである。 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、予測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、本願に係る予測装置、予測方法、及び予測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予測装置、予測方法、及び予測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は、実施形態に係る生成処理の一例を示す図である。図１の例では、一例としてユーザが行動主体である場合を示す。なお、行動主体は、行動を行う主体となるものであればユーザに限らず、学校等の所定の団体や法人等の種々の主体であってもよい。図１では、予測装置１００がユーザの行動情報と、そのユーザの企業等の所属組織における役職を示す正解情報とを含むデータに基づいてモデルの生成を行う場合を示す。図１の例では、予測装置１００は、Ｘ年（例えば２０１０年）までの各ユーザの行動の履歴と、Ｘ年からＹ年後（例えば５年後）のそのユーザの役職に対応するスコアを示す正解情報とを含むデータに基づいてモデルの生成を行う場合を示す。なお、予測対象は、ユーザの役職に限らず、どのような情報であってもよい。例えば、予測対象は、ユーザが企業等においてどの程度活躍するか、すなわちどの程度有用な人材であるかを示す企業内での評価値（スコア）等であってもよい。例えば、企業内での評価値は、人事評価、営業成績、企業内の表彰実績、研究実績、論文数、特許数などであってもよい。具体的には、企業内での評価値は、人事評価や営業成績や研究実績のランクごとに対応するスコア、企業内の表彰回数に応じたスコア、論文数に応じたスコア、及び特許数に応じたスコアなど、種々の企業内の評価に基づくスコアであってもよい。以下では、ユーザの行動情報と行動情報に対応付けられた正解情報とを含むデータを「学習データ」ともいう。ユーザの行動情報については後述する。

また、予測装置１００は、生成したモデルを用いて、あるユーザの行動情報に基づいて、そのユーザの有望度を予測する。また、予測装置１００は、予測した行動主体の有望度を示す情報に基づいて、サービスを提供したりするが、この点については図２で説明する。

〔予測システムの構成〕
まず、図１の説明に先立って、図３に示す予測システム１について説明する。図３に示すように、予測システム１は、端末装置１０と、予測装置１００とが含まれる。端末装置１０と、予測装置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、実施形態に係る予測システムの構成例を示す図である。なお、図３に示した予測システム１には、複数台の端末装置１０や、複数台の予測装置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。例えば、図２では、端末装置１０がユーザＵ１が利用するスマートフォンである場合を示す。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。

端末装置１０は、ユーザの行動情報を収集し、予測装置１００へ送信してもよい。また、端末装置１０は、ＧＰＳ（Global Positioning System）センサ等の機能を有し、ユーザの位置情報（センサ情報）を検知し、取得してもよい。また、端末装置１０は、ＧＰＳセンサ等に限らず種々のセンサにより、各種センサ情報を検知してもよい。例えば、端末装置１０は、通信を行っている基地局の位置情報や、ＷｉＦｉ（登録商標）（Wireless Fidelity）の電波を用いてユーザの位置情報を予測し、取得してもよい。また、端末装置１０は、加速度センサの機能を有し、ユーザの移動における加速度情報（センサ情報）を検知し、取得してもよい。また、端末装置１０は、温度センサや気圧センサ等の種々の機能を有し、温度や気圧等のユーザの置かれている環境情報を検知し、取得可能であってもよい。また、端末装置１０は、心拍センサ等の種々の機能を有し、ユーザの生体情報を検知し、取得可能であってもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身のコンテキスト情報を取得可能としてもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なリストバンド型のウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身の心拍（脈拍）に関する情報を端末装置１０が取得可能としてもよい。

予測装置１００は、ユーザの行動情報に基づいて、行動主体の有望度を予測する情報処理装置である。図２の例では、予測装置１００は、行動主体の有望度の予測に用いられるモデルであって、ユーザの行動情報が入力されたモデルの出力に基づいて、行動主体の有望度を予測する。例えば、予測装置１００は、ユーザの行動情報をそのユーザが利用する端末装置１０から取得する。また、例えば、予測装置１００は、ユーザの行動情報を、ユーザの行動情報を収集する他の情報処理装置から取得してもよい。

また、予測装置１００は、予測した行動主体の有望度に関する情報に基づいてサービスを提供する。例えば、予測装置１００は、行動主体の有望度を示す情報を、ユーザが属する企業等の団体（組織）やユーザが所属することを希望する企業等に提供してもよい。図２の例では、予測装置１００は、役職の有望度が予測されたユーザＵ１が採用試験を受けている企業にユーザＵ１の役職の有望度を示す情報を提供する。なお、予測装置１００は、行動主体の有望度を示す情報を、ユーザが属する事業体等に提供してもよい。

まず、図１の示す例において、予測装置１００がモデルＭ１の生成に用いる学習データＬＤ１について説明する。図１の例では、役職群ＰＯＳに示すように、Ａ役職、Ｂ役職、Ｃ役職、Ｄ役職の４つの役職のいずれの役職であるかを一例として説明する。図１の例では、Ａ役職が最もランクの高い役職である取締役であり、Ｂ役職がＡ役職の次にランクの高い役職である部長であり、Ｃ役職がＢ役職の次にランクの高い役職である課長であり、Ｄ役職が最もランクの低い役職である役職無しである場合を示す。

例えば、予測装置１００は、ランクの高い役職ほど、高いスコアを対応付ける。例えば、予測装置１００は、ランク一覧ＲＬ１１（図２参照）に示すように、Ａ役職（取締役）に最も高いスコア「１」を対応付け、Ｂ役職（部長）にスコア「０．６」を対応付け、Ｃ役職（課長）にスコア「０．３」を対応付け、Ｄ役職（無し）に最も低いスコア「０」を対応付ける。例えば、予測装置１００は、ランク一覧ＲＬ１１に示すような役職とスコアとを対応付けた情報を記憶部１２０に記憶する。なお、上記のような役職及びスコアとの対応付けは一例であり、予測装置１００は種々の役職や各役職とのスコアの対応付けを用いてもよい。

図１の例では、予測装置１００は、行動群ＡＣに示すような、各ユーザの行動情報を取得する。例えば、学習データＬＤ１は、ユーザＵ１０１について収集された行動情報ＡＤＴ１０１と、ユーザＵ１０１の役職を示す正解情報ＲＤＴ１０１を含むデータＤＴ１０１を含む。図１の例では、ユーザＵ１０１は、Ｘ年からＹ年後のユーザＵ１０１の役職は、Ａ役職（取締役）であり、正解情報ＲＤＴ１０１には、ユーザＵ１０１の役職がＡ役職（取締役）であり、スコアが「１」であることを示す情報が含まれる。

例えば、予測装置１００は、行動情報ＡＤＴ１０１を、ユーザＵ１０１が利用する端末装置１０から取得する。例えば、予測装置１００は、ユーザＵ１０１による検索やコンテンツ閲覧や購買等の種々の行動の履歴を含む行動情報ＡＤＴ１０１を取得する。例えば、予測装置１００は、Ｘ年の１年間におけるユーザＵ１０１の行動情報ＡＤＴ１０１と、Ｘ年からＹ年後のユーザＵ１０１の役職を示す正解情報ＲＤＴ１０１を学習データとして用いる。例えば、予測装置１００は、Ｘ年である２０１０年の１年間におけるユーザＵ１０１の行動情報ＡＤＴ１０１と、２０１０年から５年後の２０１５年のユーザＵ１０１の役職を示す正解情報ＲＤＴ１０１を学習データとして用いる。

なお、上記のように、「データＤＴ＊（＊は任意の数値）」と記載した場合、そのデータはデータＩＤ「ＤＴ＊」により識別されるデータであることを示す。例えば、「データＤＴ１」と記載した場合、そのデータはデータＩＤ「ＤＴ１」により識別されるデータである。

ここでいうユーザの行動情報には、ユーザの行動に関する種々の情報が含まれる。例えば、ユーザＵ１０１は、行動情報ＡＤＴ１０１に示すように、Ｘ年（例えば、２０１０年等）までのユーザＵ１の検索やコンテンツ閲覧や購買等の種々の行動の履歴が収集されたユーザであることを示す。なお、ユーザの行動情報には、上記に限らず種々の行動の履歴が含まれてもよい。

例えば、学習データＬＤ１は、ユーザＵ１０２について収集された行動情報ＡＴＤ１０２と、ユーザＵ１０２に対応する正解情報ＲＤＴ１０２を含むデータＤＴ１０２を含む。図１の例では、ユーザＵ１０２は、Ｘ年からＹ年後のユーザＵ１０２の役職は、Ｄ役職（無し）であり、正解情報ＲＤＴ１０２には、ユーザＵ１０２の役職がＤ役職（無し）であり、スコアが「０」であることを示す情報が含まれる。

例えば、予測装置１００は、行動情報ＡＤＴ１０２を、ユーザＵ１０２が利用する端末装置１０から取得する。例えば、予測装置１００は、ユーザＵ１０２による検索やコンテンツ閲覧や購買等の種々の行動の履歴を含む行動情報ＡＤＴ１０２を取得する。例えば、予測装置１００は、Ｘ年の１年間におけるユーザＵ１０２の行動情報ＡＤＴ１０２と、Ｘ年からＹ年後のユーザＵ１０２の役職を示す正解情報ＲＤＴ１０２を学習データとして用いる。例えば、予測装置１００は、Ｘ年である２０１０年の１年間におけるユーザＵ１０２の行動情報ＡＤＴ１０２と、２０１０年から５年後の２０１５年のユーザＵ１０２の役職を示す正解情報ＲＤＴ１０２を学習データとして用いる。

また、学習データＬＤ１は、ユーザＵ１０３について収集された行動情報ＡＴＤ１０３と、ユーザＵ１０３に対応する正解情報ＲＤＴ１０３を含むデータＤＴ１０３や、ユーザＵ１０４について収集された行動情報ＡＴＤ１０４を含むデータＤＴ１０４等を含む。例えば、予測装置１００は、行動情報ＡＴＤ１０３を、ユーザＵ１０３が利用する端末装置１０から取得する。また、例えば、予測装置１００は、行動情報ＡＴＤ１０４を、ユーザＵ１０４が利用する端末装置１０から取得する。

なお、図１では、データＤＴ１０１〜ＤＴ１０４のみを図示するが学習データＬＤ１には多数のデータが含まれるものとする。また、例えば、予測装置１００は、各ユーザの役職を、各ユーザが所属する企業等から取得する。例えば、ユーザＵ１０１〜Ｕ１０４等は、図２において情報提供先となる企業ＣＰ１１に所属するユーザであってもよい。また、例えば、ユーザＵ１０１〜Ｕ１０４等は、企業ＣＰ１１以外の企業に所属するユーザであってもよい。

例えば、予測装置１００は、各ユーザＵ１０１〜Ｕ１０４の役職を示す情報に基づいて、正解情報ＲＤＴ１０１〜ＲＤＴ１０４等を生成してもよい。また、例えば、予測装置１００は、各ユーザＵ１０１〜Ｕ１０４の正解情報ＲＤＴ１０１〜ＲＤＴ１０４等を、各ユーザが所属する企業や他の情報処理装置等から取得してもよい。また、予測装置１００は、各ユーザの行動情報を、ユーザが利用する端末装置１０以外の外部装置から取得してもよい。

ここから、予測装置１００の各処理について説明する。まず、予測装置１００は、学習データＬＤ１を取得する（ステップＳ１１）。具体的には、予測装置１００は、データＤＴ１０１〜ＤＴ１０４等を含む学習データＬＤ１を取得する。なお、図１の例では、予測装置１００は、上記のような学習データＬＤ１を所定の外部情報処理装置から取得してもよい。

そして、予測装置１００は、ステップＳ１１で取得した学習データＬＤ１に含まれる正解情報とユーザの行動情報との組み合わせを学習データとして追加する（ステップＳ１２）。具体的には、予測装置１００は、学習データＬＤ１を学習データ記憶部１２１に追加する。

そして、予測装置１００は、学習データに基づいてモデルを生成する（ステップＳ１３）。図１の例では、予測装置１００は、モデル一覧ＭＬ１１に示すように、モデルＭ１を生成する。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。例えば、予測装置１００は、モデル一覧ＭＬ１１に示すようなモデルＭ１の情報をモデル情報記憶部１２２（図６参照）に記憶する。

図１中のモデル一覧ＭＬ１１に示すように、モデルＭ１は、行動主体がユーザである場合の有望度の予測に用いられるモデルであることを示す。また、モデルＭ１は、予測対象が有望度「役職（昇進有望度）」である、すなわち行動主体であるユーザの昇進の有望度を予測するために用いられるモデルあることを示す。また、モデルＭ１は、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、予測装置１００は、学習データ記憶部１２１中のデータＤＴ１０１〜ＤＴ１０４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、予測装置１００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。例えば、予測装置１００は、ユーザによる検索に対応す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、予測装置１００は、ユーザが検索に用いたクエリに関する特徴量を用いて、モデルを生成する。また、例えば、予測装置１００は、ユーザによるコンテンツ閲覧に対応す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、予測装置１００は、ユーザが閲覧したコンテンツに関する特徴量を用いて、モデルを生成する。また、例えば、予測装置１００は、ユーザによる購買に対応す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、予測装置１００は、ユーザが購入した商品やサービスに関する特徴量を用いて、モデルを生成する。

このように、予測装置１００は、ユーザの行動に対応する特徴を学習し、行動主体であるユーザの有望度を予測するモデルを生成する。図１の例では、予測装置１００は、ユーザの行動情報に関する特徴を学習し、その行動主体の有望度を予測するモデルを生成する。なお、予測装置１００が学習するユーザに対応する特徴は、予測装置１００の管理者等の人間が予測装置１００に入力してもよいし、予測装置１００に自動的に学習（抽出）させてもよい。

例えば、予測装置１００は、学習データＬＤ１を用いてモデルＭ１を生成する。例えば、予測装置１００は、正解情報ＲＤＴ１０１に含まれるユーザＵ１０１の役職がＡ役職（取締役）であり、スコアが「１」であるため、モデルＭ１にデータＤＴ１０１に含まれるユーザの行動情報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。例えば、予測装置１００は、データＤＴ１０１の行動情報ＡＤＴ１０１がモデルＭ１に入力された場合に、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、予測装置１００は、正解情報ＲＤＴ１０２に含まれるユーザＵ１０２の役職がＤ役職（無し）であり、スコアが「０」であるため、モデルＭ１にデータＤＴ１０２に含まれるユーザの行動情報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、予測装置１００は、データＤＴ１０２の行動情報ＡＤＴ１０２がモデルＭ１に入力された場合に、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。

また、例えば、予測装置１００は、正解情報ＲＤＴ１０３に含まれるユーザＵ１０３の役職がＣ役職（課長）であり、スコアが「０．３」であるため、モデルＭ１にデータＤＴ１０３に含まれるユーザの行動情報ＡＤＴ１０３が入力された場合に、モデルＭ１が出力するスコアが「０．３」に近づくように、学習処理を行う。例えば、予測装置１００は、データＤＴ１０３の行動情報ＡＤＴ１０３がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「０．３」に近づくように、学習処理を行う。

また、例えば、予測装置１００は、正解情報ＲＤＴ１０４に含まれるユーザＵ１０４の役職がＢ役職（部長）であり、スコアが「０．６」であるため、モデルＭ１にデータＤＴ１０４に含まれるユーザの行動情報ＡＤＴ１０４が入力された場合に、モデルＭ１が出力するスコアが「０．６」に近づくように、学習処理を行う。例えば、予測装置１００は、データＤＴ１０４の行動情報ＡＤＴ１０４がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「０．６」に近づくように、学習処理を行う。

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、予測装置１００は、学習データに含まれるユーザの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。

上記のような処理により、予測装置１００は、役職に関する有望度に対応するモデルＭ１を生成する。例えば、予測装置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、入力したユーザの行動情報に対応するユーザについて将来の役職（昇進）に関する有望度を示すスコアを、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、そのユーザについての役職の有望度を予測する。このように、予測装置１００は、モデルＭ１が出力するスコアに基づいて、そのユーザの今後の活躍を予測する。例えば、予測装置１００は、モデルＭ１が出力するスコアに基づいて、企業や社会においてそのユーザが今後どの程度活躍するかを予測する。

上述したように、予測装置１００は、ユーザの行動情報と、役職に関する正解情報とが対応付けられた学習データを用いて学習することにより、あるユーザの役職に関する有望度を適切に予測可能にするモデルを生成することができる。したがって、予測装置１００は、上述のように生成したモデルを用いることにより、例えば、あるユーザがどの程度、組織（企業）で活躍し、昇進するかの将来性の有望度を精度よく予測することが可能になる。

〔２．予測処理〕
図２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２は、実施形態に係る予測処理の一例を示す図である。図２では、予測装置１００は、ユーザＵ１の行動情報が与えられた場合に、ユーザＵ１の有望度を予測し、予測に基づく情報を提供する場合を示す。

まず、予測装置１００は、ユーザＵ１の行動情報ＡＤＴ１を取得する（ステップＳ２１）。図２の例では、予測装置１００は、ユーザＵ１が利用する端末装置１０からユーザＵ１の行動情報ＡＤＴ１を取得する。例えば、予測装置１００は、ユーザＵ１による検索やコンテンツ閲覧や購買等の種々の行動の履歴を含む行動情報ＡＤＴ１を取得する。例えば、予測装置１００は、Ｚ年までのユーザＵ１の行動情報ＡＤＴ１を取得する。例えば、予測装置１００は、Ｚ年の１年間におけるユーザＵ１の行動情報ＡＤＴ１を取得する。例えば、予測装置１００は、Ｚ年である２０１７年の１年間におけるユーザＵ１の行動情報ＡＤＴ１を取得する。

そして、例えば、予測装置１００は、２０１７年の１年間におけるユーザＵ１の行動情報ＡＤＴ１とモデルＭ１とを用いて、２０１７年から５年後の２０２２年のユーザＵ１の役職の有望度を予測する。行動情報ＡＤＴ１を取得した予測装置１００は、行動情報ＡＤＴ１をモデルに入力する。例えば、予測装置１００は、ユーザＵ１の行動情報ＡＤＴ１を、モデルＭ１に入力する。

図２の例では、予測装置１００は、処理群ＰＳ２２−１に示すような処理により、ユーザＵ１の予測対象「役職」の有望度を示すスコアを生成（算出）する。予測装置１００は、行動主体であるユーザＵ１の行動情報を予測対象「役職（昇進有望度）」に対応するモデルＭ１に入力する（ステップＳ２２−１）。具体的には、予測装置１００は、行動情報ＡＤＴ１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Ｓ２３−１）。図２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「０．７」を出力する。

そして、予測装置１００は、モデルＭ１が出力したスコアに基づいて、ユーザＵ１の有望度を予測する（ステップＳ２４）。例えば、予測装置１００は、ユーザＵ１の有望度の予測に基づいて、予測情報ＰＬ１１を生成する。図２の例では、予測装置１００は、モデルＭ１が出力したスコアと、有望度情報記憶部１２４に記憶された情報とに基づいて、ユーザＵ１の有望度を予測する。予測装置１００は、図２中の有望度情報記憶部１２４に示すようなスコアと有望度とが対応付けられた情報（「対応付け情報」とする場合がある）に基づいて、ユーザＵ１の有望度を予測する。

図２に示す有望度情報記憶部１２４は、「スコア」、「有望度」といった項目が含まれる。「スコア」は、対応する有望度に該当するスコアの値（範囲）を示す。「有望度」は、行動主体のスコアが対応するスコアである場合のその行動主体の有望度のレベルを示す。図２の例では、「有望度」が３つのスコアの範囲に対応して「低」、「中」、「高」の３つのレベルである場合を示す。例えば、図２に示す有望度情報記憶部１２４中の対応付け情報は、行動主体であるユーザのスコアが０．３未満である場合、そのユーザの有望度が「低」であることを示す。図２に示す有望度情報記憶部１２４中の対応付け情報は、ユーザのスコアが０．３以上０．６未満である場合、そのユーザの有望度が「中」であることを示す。また、図２に示す有望度情報記憶部１２４中の対応付け情報は、ユーザのスコアが０．６以上である場合、そのユーザの有望度が「高」であることを示す。

予測装置１００は、モデルＭ１が出力したスコアと、図２に示す有望度情報記憶部１２４中の対応付け情報のスコアの範囲とを比較し、モデルＭ１が出力したスコアがいずれのスコアの範囲に含まれるかを判定する。図２の例では、予測装置１００は、モデルＭ１が出力したスコアが「０．７」であり、有望度が「高」に対応するスコア「０．６以上」に該当すると判定する。そのため、予測装置１００は、予測情報ＰＬ１１に示すように、ユーザＵ１の予測対象「役職（昇進有望度）」に対応する有望度が「高」と予測する。

また、予測装置１００は、ランク一覧ＲＬ１１を用いて、Ｚ年からＹ年後のユーザＵ１の役職を予測する。図２に示すランク一覧ＲＬ１１には、Ａ役職（取締役）に最も高いスコア「１」を対応付けられ、Ｂ役職（部長）にスコア「０．６」を対応付けられた情報が含まれる。また、図２に示すランク一覧ＲＬ１１には、Ｃ役職（課長）にスコア「０．３」を対応付けられ、Ｄ役職（無し）に最も低いスコア「０」を対応付けけられた情報（昇進情報）が含まれる。例えば、予測装置１００は、記憶部１２０からランク一覧ＲＬ１１に示すような役職とスコアとを対応付けた情報を取得する。

そして、予測装置１００は、モデルＭ１が出力したスコアと、図２に示すランク一覧ＲＬ１１中の昇進情報のスコアとを比較し、モデルＭ１が出力したスコアがどのスコア以上であるかを判定する。図２の例では、予測装置１００は、モデルＭ１が出力したスコアが「０．７」であり、Ｂ役職（部長）のスコア「０．６」以上であり、Ａ役職（取締役）のスコア「１」未満であると判定する。そのため、予測装置１００は、予測情報ＰＬ１１に示すように、予測対象「役職（昇進有望度）」におけるユーザＵ１の役職を「部長以上」と予測する。例えば、予測装置１００は、Ｚ年からＹ年後のユーザＵ１の役職を「部長以上」と予測する。この場合、予測装置１００は、Ｚ年からＹ年後において、ユーザＵ１が部長以上の役職まで昇進すると予測する。例えば、予測装置１００は、２０１７年から５年後の２０２２年において、ユーザＵ１が部長以上の役職まで昇進すると予測する。

その後、予測装置１００は、予測した行動主体の有望度に基づいて情報提供を行う（ステップＳ２５）。図２の例では、予測装置１００は、ユーザＵ１の予測情報ＰＬ１１をユーザＵ１の有望度に関する情報を所望する企業へ提供する。図２の例では、予測装置１００は、ユーザＵ１が採用試験を受けている企業ＣＰ１１の管理者ＭＡ１が利用する事業者端末２０へ、ユーザＵ１の予測情報ＰＬ１１を提供する。管理者ＭＡ１は、企業ＣＰ１１の人事担当者等であってもよい。図２では、情報提供先となる企業ＣＰ１１の管理者ＭＡ１が利用する事業者端末２０がノートパソコンである場合を示す。事業者端末２０は、端末装置１０と同様の情報処理装置であってもよい。予測装置１００は、管理者ＭＡ１が利用する事業者端末２０へ、ユーザＵ１の予測情報ＰＬ１１を送信する。そして、予測装置１００から予測情報ＰＬ１１を受信した事業者端末２０は、予測情報ＰＬ１１を表示する。これにより、企業ＣＰ１１の管理者ＭＡ１はユーザＵ１の役職の有望度を確認する。

なお、企業ＣＰ１１の管理者ＭＡ１は、ユーザＵ１の役職の有望度に関する情報を予測装置１００に要求してもよい。この場合、予測装置１００は、管理者ＭＡ１が利用する事業者端末２０からのユーザＵ１の有望度に関する情報の要求に応じて、予測情報ＰＬ１１を事業者端末２０へ送信してもよい。

上述したように、予測装置１００は、ユーザの行動情報に基づいて、その行動主体の有望度を予測する。図２の例では、予測装置１００は、ユーザＵ１の行動情報ＡＤＴ１０１をモデルＭ１に入力することにより、モデルＭ１に対応する予測対象「役職」の有望度に関するスコアを出力させる。そして、予測装置１００は、モデルが出力するスコアが高い程、そのモデルに対応する予測対象に関するユーザの有望度が高い（大きい）と予測する。そして、予測装置１００は、生成した予測情報ＰＬ１１を、ユーザＵ１が採用試験を受けている企業ＣＰ１１の管理者ＭＡ１が利用する事業者端末２０へ提供する。このように、予測装置１００は、行動主体の有望度を予測し、その行動主体に関係を有する提供先に、予測した行動主体の有望度に関する情報を送信する。これにより、予測装置１００から情報の提供を受けた提供先は、行動主体の有望度を適切に把握可能にすることができる。

（２−１．行動主体、予測対象について）
図１及び図２の例では、ユーザの所属組織における役職を有望度、すなわちユーザの昇進有望度の予測対象とする場合を示したが、行動主体や有望度の予測対象は、種々の対象であってもよい。例えば、行動主体は、所定の法人や所定の団体であってもよい。

例えば、有望度の予測対象は、行動主体の今後の活躍等の将来性を示す対象であれば、どのような予測対象であってもよい。例えば、有望度の予測対象は、行動主体の社会的な活躍等の将来性を示す対象であってもよい。例えば、行動主体がユーザである場合、有望度の予測対象は、ユーザが起業して活躍（成功）する有望度、すなわち起業の成功有望度等であってもよい。例えば、行動主体が企業等の法人である場合、有望度の予測対象は、法人の業績が上昇する有望度、すなわち事業有望度等であってもよい。

（２−２．行動情報について）
図１及び図２の例では、説明を簡単にするために、検索、コンテンツ閲覧、購買に対応する情報をユーザの行動情報の一例として説明したが、ユーザの行動情報には、種々の情報が含まれてもよい。例えば、予測装置１００は、ユーザのインターネット（ウェブ）上の行動に限らず、取得可能なユーザの種々の行動情報を用いてもよい。例えば、予測装置１００は、実空間でのユーザの行動情報を含むユーザの行動情報を用いて有望度を予測してもよい。

例えば、予測装置１００は、ユーザが所定のサービスにおいて投稿した投稿情報を含むユーザの行動情報を用いて有望度を予測してもよい。例えば、予測装置１００は、ＳＮＳにおいてユーザが投稿した投稿情報を含むユーザの行動情報を用いて有望度を予測してもよい。例えば、予測装置１００は、Ｔｗｉｔｔｅｒ（登録商標）やＦａｃｅｂｏｏｋ（登録商標）等においてユーザが投稿した投稿情報を含むユーザの行動情報を用いて有望度を予測してもよい。例えば、予測装置１００は、ユーザがＴｗｉｔｔｅｒにおいて投稿した文字情報を含むユーザの行動情報を用いて有望度を予測してもよい。例えば、予測装置１００は、ユーザがメッセージサービスにおいて入力した情報を含むユーザの行動情報を用いて有望度を予測してもよい。例えば、予測装置１００は、ユーザがＬＩＮＥ（登録商標）等のメッセージサービスにおいて入力した情報を含むユーザの行動情報を用いて有望度を予測してもよい。例えば、予測装置１００は、電子メールにおいて入力した情報を含むユーザの行動情報を用いて有望度を予測してもよい。また、例えば、予測装置１００は、ユーザが入力する情報であれば、文字情報や、音声情報や、画像情報や、動画情報（映像）等の種々の情報を含むユーザの行動情報を用いて有望度を予測してもよい。

（２−３．モデルについて）
モデルの生成については、図１に限らず、種々の態様であってもよい。図１の例では、各有望度に対応する複数のモデルを生成する場合を示すが、予測装置１００は、各予測対象に対応する複数のスコアを出力する１つのモデルを生成してもよい。

また、図１の例では、検索やコンテンツ閲覧や購買をユーザの行動情報の一例として説明したが、予測装置１００は、種々の情報を含むユーザの行動情報を入力情報とするモデルを生成してもよい。

例えば、予測装置１００は、ユーザが所定のサービスにおいて投稿した投稿情報を含むユーザの行動情報を入力情報とするモデルを生成してもよい。例えば、予測装置１００は、ソーシャルネットワーキングサービス（ＳＮＳ：Social Networking Service）においてユーザが投稿した投稿情報を含むユーザの行動情報を入力情報とするモデルを生成してもよい。例えば、予測装置１００は、ＴｗｉｔｔｅｒやＦａｃｅｂｏｏｋ等においてユーザが投稿した投稿情報を含むユーザの行動情報を入力情報とするモデルを生成してもよい。例えば、予測装置１００は、ユーザがＴｗｉｔｔｅｒにおいて投稿した文字情報を含むユーザの行動情報を入力情報とするモデルを生成してもよい。例えば、予測装置１００は、ユーザがメッセージサービスにおいて入力した情報を含むユーザの行動情報を入力情報とするモデルを生成してもよい。例えば、予測装置１００は、ユーザがＬＩＮＥ等のメッセージサービスにおいて入力した情報を含むユーザの行動情報を入力情報とするモデルを生成してもよい。例えば、予測装置１００は、電子メールにおいて入力した情報を含むユーザの行動情報を入力情報とするモデルを生成してもよい。また、例えば、予測装置１００は、ユーザが入力する情報であれば、文字情報や、音声情報や、画像情報や、動画情報（映像）等の種々の情報を含むユーザの行動情報を入力情報とするモデルを生成してもよい。

（２−４．予測方法について）
なお、図２の例では、モデルを用いて予測する場合を示したが、モデルを用いることなくユーザの有望度を予測してもよい。例えば、予測装置１００は、ユーザが有望であることを示す条件（「有望条件」ともいう）を用いて、ユーザの行動がその条件を満たすかどうかを判定することにより、ユーザの有望度を予測してもよい。すなわち、予測装置１００は、ユーザの行動が有望条件に該当するか否かを判定することにより、ユーザの有望度を予測してもよい。例えば、予測装置１００は、ユーザの行動が有望条件に該当すると判定した場合、そのユーザを有望度「高」と予測してもよい。また、例えば、予測装置１００は、ユーザの行動が有望条件に該当しないと判定した場合、そのユーザを有望度「低」と予測してもよい。

例えば、予測装置１００は、ユーザが所定の期間（例えば１ヶ月）の間に、学業や仕事に関する行動を集中して行っている場合、そのユーザの有望度を「高」と予測してもよい。例えば、予測装置１００は、大学卒業までの最後の３ヶ月間におけるユーザの位置情報が大学の位置に対応する割合が所定の閾値（例えば５０％等）以上である場合、そのユーザの有望度を「高」と予測してもよい。なお、上記は一例であり、予測装置１００は、種々の有望条件にユーザの行動が該当するかを判断することにより、そのユーザの有望度を予測してもよい。

〔３．予測装置の構成〕
次に、図４を用いて、実施形態に係る予測装置１００の構成について説明する。図４は、実施形態に係る予測装置の構成例を示す図である。図４に示すように、予測装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、予測装置１００は、予測装置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、学習データ記憶部１２１と、モデル情報記憶部１２２と、ユーザ情報記憶部１２３と、有望度情報記憶部１２４と、予測情報記憶部１２５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。例えば、データＩＤ「ＤＴ１０１」により識別されるデータは、図１の例に示した、データＤＴ１０１に対応する。「ユーザＩＤ」は、行動主体である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役職やその役職に対応するスコアを示す。図５では「正解情報」に「ＲＤＴ１０１」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、ユーザの役職やその役職に対応するスコアを示す情報（例えばＡ役職やスコア「１」等）、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。

「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の履歴が含まれる行動情報を示す。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、「行動情報」には、行動主体であるユーザのインターネット（ウェブ）上における行動の履歴を含む行動情報が記憶される。例えば、「行動情報」には、ユーザがどのような検索クエリを用いて検索を行ったかを示す検索履歴を含む行動情報が記憶される。例えば、「行動情報」には、ユーザがどのような商品を購入したかを示す購入履歴を含む行動情報が記憶される。また、例えば、「行動情報」には、ユーザがどのようなコンテンツを閲覧したかを示す閲覧履歴を含む行動情報が記憶される。なお、上記は一例であり、「行動情報」には、行動主体の種々の行動の履歴が記憶される。

例えば、図５に示す例において、データＩＤ「ＤＴ１０１」により識別されるデータ（データＤＴ１０１）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。例えば、図５に示す例において、データＤＴ１０１は、ユーザＵ１０１に対応する行動情報ＡＤＴ１０１を含むことを示す。また、データＤＴ１０１は、正解情報ＲＤＴ１０１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。また、例えば、学習データ記憶部１２１は、モデルの入力に、ユーザの属性情報が用いられる場合、ユーザの属性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は、属性情報として、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を記憶してもよい。例えば、学習データ記憶部１２１は、氏名、年齢、性別、自宅、勤務地、趣味、興味関心、家族構成、収入、友人等の交友関係、ライフスタイル等の情報を記憶してもよい。

図５に示す例では、学習データ記憶部１２１に予測対象「役職」のモデルＭ１を生成するために用いる学習データが記憶される場合を示したが、学習データ記憶部１２１には、各予測対象に対応する学習データが記憶される。例えば、学習データ記憶部１２１には、各ユーザの行動情報に各予測対象に対応する複数の正解情報が対応付けられた学習データが記憶されてもよい。例えば、ユーザＵ１０１の行動情報ＡＤＴ１０１には、予測対象「役職」の正解情報ＲＤＴ１０１に加えて、予測対象「起業」の正解情報（正解情報ＲＤＴ２０１）が対応付けられてもよい。例えば、予測装置１００は、ユーザＵ１０１の行動情報ＡＤＴ１０１と正解情報ＲＤＴ２０１とを用いて、予測対象「起業」に対応するモデルＭ２を生成する。また、図５に示す例では、学習データ記憶部１２１がユーザの行動情報を学習データとして記憶する場合を示したが、学習データ記憶部１２１は、ユーザの行動情報に限らず、法人等の種々の行動主体の行動情報を学習データとして記憶してもよい。例えば、予測装置１００は、法人の行動情報と予測対象「業績」に対応する正解情報とを用いて、予測対象「業績」に対応するモデルＭ３を生成する。

（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、「行動主体」、「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〜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。

また、各モデルは、人工知能ソフトウエアの一部であるプログラムモジュールとしての利用が想定されるものであってもよい。例えば、モデルＭ１は、予測対象「役職」を予測するプログラムモジュールとしての利用が想定されるものであってもよい。例えば、モデルデータＭＤＴ１は、予測対象「役職」を予測するプログラムモジュールとして利用されるデータであってもよい。例えば、モデルＭ１は、ユーザの行動情報に基づいて、ユーザの有望度を定量化した値を出力するよう、コンピュータを機能させる。

「行動主体」は、有望度が予測される行動主体を示す。「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、対応するモデルが有望度を予測する対象を示す。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に示す例では、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）とモデルＩＤ「Ｍ２」により識別されるモデル（モデルＭ２）は、対象となる行動主体がユーザ（自然人）であることを示す。また、例えば、図６に示す例では、モデルＩＤ「Ｍ３」により識別されるモデル（モデルＭ３）は、対象となる行動主体が法人であることを示す。

例えば、図６に示す例において、モデルＭ１は、予測対象が「役職（昇進有望度）」であり、入力されたユーザの行動情報により、そのユーザの役職の有望度、すなわちそのユーザがどの程度昇進するかの有望度（昇進有望度）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（行動主体）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ユーザ（行動主体）の行動情報に対し、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（行動主体）の有望度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＝ａ１＊ｘ１＋ａ２＊ｘ２＋・・・＋ａｉ＊ｘｉ」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。

（ユーザ情報記憶部１２３）
実施形態に係るユーザ情報記憶部１２３は、ユーザに関する各種情報を記憶する。図７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。例えば、ユーザ情報記憶部１２３は、各ユーザの各種の行動情報を記憶する。図７に示すユーザ情報記憶部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２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の履歴である行動情報を示す。

「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の履歴が含まれる行動情報を示す。図５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、「行動情報」には、行動主体であるユーザのインターネット（ウェブ）上における行動の履歴を含む行動情報が記憶される。例えば、「行動情報」には、ユーザがどのような検索クエリを用いて検索を行ったかを示す検索履歴を含む行動情報が記憶される。例えば、「行動情報」には、ユーザがどのような商品を購入したかを示す購入履歴を含む行動情報が記憶される。また、例えば、「行動情報」には、ユーザがどのようなコンテンツを閲覧したかを示す閲覧履歴を含む行動情報が記憶される。なお、上記は一例であり、「行動情報」には、行動主体の種々の行動の履歴が記憶される。

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）に対応する行動情報は、ユーザＵ１が行った検索やコンテンツ閲覧や購買等の種々の行動の履歴を含む行動情報ＡＤＴ１であることを示す。また、例えば、図７に示す例において、ユーザＩＤ「Ｕ２」により識別されるユーザ（ユーザＵ２）に対応する行動情報は、ユーザＵ２が行った検索やコンテンツ閲覧や購買等の種々の行動の履歴を含む行動情報ＡＤＴ２であることを示す。

なお、ユーザ情報記憶部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ごとに行動情報がユーザ情報記憶部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。

なお、ユーザ情報記憶部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、ユーザ情報記憶部１２３は、ユーザ情報として、ユーザの属性に関する情報（属性情報）を記憶してもよい。例えば、ユーザ情報記憶部１２３は、属性情報として、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を記憶してもよい。例えば、ユーザ情報記憶部１２３は、属性情報として、氏名、年齢、性別、自宅、勤務地、趣味、興味関心、家族構成、収入、友人等の交友関係、ライフスタイル等の情報を記憶してもよい。

（有望度情報記憶部１２４）
実施形態に係る有望度情報記憶部１２４は、有望度に関する各種情報を記憶する。図８は、実施形態に係る有望度情報記憶部の一例を示す図である。例えば、有望度情報記憶部１２４は、スコアと有望度との対応を示す情報を記憶する。図８に示す有望度情報記憶部１２４は、「スコア」、「有望度」といった項目が含まれる。

「スコア」は、対応する有望度に該当するスコアの値（範囲）を示す。「有望度」は、行動主体のスコアが対応するスコアである場合のその行動主体の有望度のレベルを示す。図８の例では、「有望度」が３つのスコアの範囲に対応して「低」、「中」、「高」の３つのレベルである場合を示す。

例えば、図８に示す例において、行動主体のスコアが０．３未満である場合、その行動主体の有望度が「低」であることを示す。行動主体のスコアが０．３以上０．６未満である場合、その行動主体の有望度が「中」であることを示す。また、行動主体のスコアが０．６以上である場合、その行動主体の有望度が「高」であることを示す。

なお、有望度情報記憶部１２４には、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、有望度情報記憶部１２４には、予測対象毎にスコアと有望度との対応を示す情報を記憶されてもよい。

（予測情報記憶部１２５）
実施形態に係る予測情報記憶部１２５は、予測に関する各種情報を記憶する。図９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。例えば、予測情報記憶部１２５は、予測された行動主体の有望度に関する各種情報を記憶する。図９に示す予測情報記憶部１２５は、「行動主体」、「ＩＤ」、「予測対象」、「スコア」、「予測ランク」、「有望度」といった項目が含まれる。

「行動主体」は、有望度が予測される行動主体を示す。「ＩＤ」は、ユーザや法人等の行動主体を識別するための識別情報を示す。例えば、ＩＤ「Ｕ１」により識別される行動主体（ユーザ）は、図１の例に示したユーザＵ１に対応する。「予測対象」は、有望度を予測する対象を示す。「スコア」は、対応する行動主体について、対応する予測対象のスコアを示す。「予測ランク」は、対応する行動主体について、対応する予測対象のスコアに基づいて予測されたランクを示す。「有望度」は、対応する行動主体について、対応する予測対象のスコアに基づいて予測された有望度を示す。

例えば、図９に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザ（自然人）であるユーザＵ１は、予測対象「役職（昇進有望度）」については、スコア「０．７」であることを示す。ユーザＵ１は、予測対象「役職（昇進有望度）」については、予測ランク「部長以上」、すなわち役職が部長以上まで昇進すると予測されるユーザであることを示す。また、ユーザＵ１は、予測対象「役職（昇進有望度）」については、有望度が「高」、すなわち役職については有望度が高いレベルであるユーザであることを示す。

なお、予測情報記憶部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。

（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、予測装置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、行動主体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、行動主体の有望度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、生成部１３２と、予測部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ユーザの行動情報に対し、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、行動主体の有望度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、ユーザ情報記憶部１２３と、有望度情報記憶部１２４と、予測情報記憶部１２５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、ユーザの行動情報をそのユーザが利用する端末装置１０から取得する。また、例えば、取得部１３１は、ユーザの行動情報を、ユーザの行動情報を収集する他の情報処理装置から取得してもよい。

取得部１３１は、所定の行動主体による行動の履歴を示す行動情報を取得する。取得部１３１は、所定の行動主体の行動情報の入力に応じて、所定の行動主体の有望度を示すスコアを出力するモデルを取得する。取得部１３１は、ユーザである所定の行動主体の行動情報を取得する。取得部１３１は、インターネットにおけるユーザの行動の履歴を含む行動情報を取得する。取得部１３１は、ユーザによる検索履歴を含む行動情報を取得する。

取得部１３１は、ユーザによる購買履歴を含む行動情報を取得する。取得部１３１は、所定の団体である所定の行動主体による行動の行動情報を取得する。取得部１３１は、所定の法人である所定の行動主体による行動の行動情報を取得する。

また、例えば、取得部１３１は、ユーザの属性情報を含むユーザ情報を取得する。例えば、取得部１３１は、ユーザの性別や年齢等を示す情報を含むユーザ情報を取得する。例えば、取得部１３１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を示す情報を含むユーザ情報を取得する。例えば、取得部１３１は、氏名、年齢、性別、自宅、勤務地、趣味、興味関心、家族構成、収入、友人等の交友関係、ライフスタイル等を示す情報を含むユーザ情報を取得する。

図１の例では、取得部１３１は、各ユーザＵ１０１〜Ｕ１０４の行動情報を取得する。
取得部１３１は、行動情報ＡＤＴ１０１を、ユーザＵ１０１が利用する端末装置１０から取得する。取得部１３１は、ユーザＵ１０１による検索やコンテンツ閲覧や購買等の種々の行動の履歴を含む行動情報ＡＤＴ１０１を取得する。取得部１３１は、行動情報ＡＤＴ１０２を、ユーザＵ１０２が利用する端末装置１０から取得する。取得部１３１は、ユーザＵ１０２による検索やコンテンツ閲覧や購買等の種々の行動の履歴を含む行動情報ＡＤＴ１０２を取得する。取得部１３１は、行動情報ＡＴＤ１０３を、ユーザＵ１０３が利用する端末装置１０から取得する。また、取得部１３１は、行動情報ＡＴＤ１０４を、ユーザＵ１０４が利用する端末装置１０から取得する。

取得部１３１は、各ユーザの役職を、各ユーザが所属する企業等から取得する。取得部１３１は、各ユーザＵ１０１〜Ｕ１０４の正解情報ＲＤＴ１０１〜ＲＤＴ１０４等を、各ユーザが所属する企業や他の情報処理装置等から取得してもよい。また、予測装置１００は、各ユーザの行動情報を、ユーザが利用する端末装置１０以外の外部装置から取得してもよい。

例えば、取得部１３１は、ユーザＵ１０１の行動の履歴を示す行動情報ＡＤＴ１０１を、ユーザＵ１０１が利用する端末装置１０から取得する。例えば、取得部１３１は、ユーザＵ１０２の行動の履歴を示す行動情報ＡＤＴ１０２を、ユーザＵ１０２が利用する端末装置１０から取得する。例えば、取得部１３１は、ユーザＵ１０３の行動の履歴を示す行動情報ＡＤＴ１０３を、ユーザＵ１０３が利用する端末装置１０から取得する。また、例えば、取得部１３１は、ユーザＵ１０４の行動の履歴を示す行動情報ＡＤＴ１０４を、ユーザＵ１０４が利用する端末装置１０から取得する。

図１の例では、取得部１３１は、学習データＬＤ１を取得する。例えば、取得部１３１は、データＤＴ１０１〜ＤＴ１０４等を含む学習データＬＤ１を取得する。

図２の例では、取得部１３１は、ユーザＵ１の行動情報ＡＤＴ１を取得する。取得部１３１は、ユーザＵ１が利用する端末装置１０からユーザＵ１の行動情報ＡＤＴ１を取得する。取得部１３１は、ユーザＵ１による検索やコンテンツ閲覧や購買等の種々の行動の履歴を含む行動情報ＡＤＴ１を取得する。取得部１３１は、Ｚ年までのユーザＵ１の行動情報ＡＤＴ１を取得する。取得部１３１は、Ｚ年の１年間におけるユーザＵ１の行動情報ＡＤＴ１を取得する。取得部１３１は、Ｚ年である２０１７年の１年間におけるユーザＵ１の行動情報ＡＤＴ１を取得する。例えば、取得部１３１は、ユーザの行動情報群から、行動情報の各々が取得（検知）された日時（取得日時）と対象の期間（例えば２０１７年等）とを比較し、取得日時が対象の期間に含まれる場合、その行動情報を取得対象の行動情報として取得する。取得部１３１は、記憶部１２０からランク一覧ＲＬ１１に示すような役職とスコアとを対応付けた情報を取得する。

（生成部１３２）
生成部１３２は、各種情報を生成する。例えば、生成部１３２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１３２は、取得部１３１により取得された学習データに基づいて、行動主体の有望度の予測に用いられるモデルを生成する。例えば、生成部１３２は、ユーザの行動情報と、ユーザに対応付けられた有望度の種別を示す正解情報とを含む学習データに基づいて、行動主体の有望度の予測に用いられるモデルを生成する。

例えば、生成部１３２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１３２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１３２は、ニューラルネットワーク（neural network）、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１３２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１３２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１３２は、行動主体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、行動主体の有望度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１３２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１３２は、モデル情報記憶部１２２に示すように、モデルＭ１〜Ｍ３等を生成する。図１の例では、生成部１３２は、学習データに基づいてモデルＭ１を生成する。例えば、生成部１３２は、学習データを用いた所定の学習処理によりモデルを生成する。例えば、生成部１３２は、学習データ記憶部１２１中のデータＤＴ１０１〜ＤＴ１０４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。

図１の例では、生成部１３２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。生成部１３２は、ユーザによる検索に対応する行動情報に関する特徴量を用いて、モデルを生成する。生成部１３２は、ユーザが検索に用いたクエリに関する特徴量を用いて、モデルを生成する。また、生成部１３２は、ユーザによるコンテンツ閲覧に対応する行動情報に関する特徴量を用いて、モデルを生成する。生成部１３２は、ユーザが閲覧したコンテンツに関する特徴量を用いて、モデルを生成する。また、生成部１３２は、ユーザによる購買に対応する行動情報に関する特徴量を用いて、モデルを生成する。生成部１３２は、ユーザが購入した商品やサービスに関する特徴量を用いて、モデルを生成する。

図１の例では、生成部１３２は、ユーザの行動に対応する特徴を学習し、行動主体であるユーザの有望度を予測するモデルを生成する。生成部１３２は、ユーザの行動情報に関する特徴を学習し、その行動主体の有望度を予測するモデルを生成する。

生成部１３２は、学習データＬＤ１を用いてモデルＭ１を生成する。生成部１３２は、正解情報ＲＤＴ１０１に含まれるユーザＵ１０１の役職がＡ役職（取締役）であり、スコアが「１」であるため、モデルＭ１にデータＤＴ１０１に含まれるユーザの行動情報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。生成部１３２は、データＤＴ１０１の行動情報ＡＤＴ１０１がモデルＭ１に入力された場合に、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、生成部１３２は、正解情報ＲＤＴ１０２に含まれるユーザＵ１０２の役職がＤ役職（無し）であり、スコアが「０」であるため、モデルＭ１にデータＤＴ１０２に含まれるユーザの行動情報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。生成部１３２は、データＤＴ１０２の行動情報ＡＤＴ１０２がモデルＭ１に入力された場合に、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。

また、生成部１３２は、正解情報ＲＤＴ１０３に含まれるユーザＵ１０３の役職がＣ役職（課長）であり、スコアが「０．３」であるため、モデルＭ１にデータＤＴ１０３に含まれるユーザの行動情報ＡＤＴ１０３が入力された場合に、モデルＭ１が出力するスコアが「０．３」に近づくように、学習処理を行う。生成部１３２は、データＤＴ１０３の行動情報ＡＤＴ１０３がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「０．３」に近づくように、学習処理を行う。

また、生成部１３２は、正解情報ＲＤＴ１０４に含まれるユーザＵ１０４の役職がＢ役職（部長）であり、スコアが「０．６」であるため、モデルＭ１にデータＤＴ１０４に含まれるユーザの行動情報ＡＤＴ１０４が入力された場合に、モデルＭ１が出力するスコアが「０．６」に近づくように、学習処理を行う。生成部１３２は、データＤＴ１０４の行動情報ＡＤＴ１０４がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「０．６」に近づくように、学習処理を行う。

図２の例では、生成部１３２は、処理群ＰＳ２２−１に示すような処理により、ユーザＵ１の予測対象「役職」の有望度を示すスコアを生成（算出）する。生成部１３２は、ユーザＵ１の有望度の予測に基づいて、予測情報ＰＬ１１を生成する。

（予測部１３３）
予測部１３３は、各種情報を予測する。予測部１３３は、記憶部１２０に記憶された情報を用いて種々の情報を予測する。予測部１３３は、学習データ記憶部１２１と、モデル情報記憶部１２２と、ユーザ情報記憶部１２３と、有望度情報記憶部１２４と、予測情報記憶部１２５等に記憶された情報を用いて種々の情報を予測する。例えば、予測部１３３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１３３は、モデルＭ１等のモデルに従った情報処理により、ユーザや法人等の行動主体の行動情報（入力データ）をモデルの入力層に入力する。そして、予測部１３３は、入力データを中間層と出力層に伝播させることで出力層から行動主体の有望度を示すスコアを出力させる。

予測部１３３は、取得部１３１により取得された行動情報に基づいて、行動よりも後の時点における所定の行動主体の将来性に関する有望度を予測する。予測部１３３は、行動情報をモデルに入力し、モデルが出力したスコアに基づいて、所定の行動主体の有望度を予測する。予測部１３３は、ユーザである所定の行動主体の行動情報を用いて、人間（自然人）であるユーザの有望度を予測する。

予測部１３３は、インターネットにおけるユーザの行動の履歴を含む行動情報を用いて、ユーザの有望度を適切に予測する。予測部１３３は、ユーザによる検索履歴を含む行動情報を用いて、ユーザの有望度を予測する。予測部１３３は、ユーザによる購買履歴を含む行動情報を用いて、ユーザの有望度を予測する。

予測部１３３は、ユーザの役職に関する有望度を予測する。予測部１３３は、ユーザの役職に関する有望度を予測し、ユーザが企業等の組織において昇進するかを予測する。予測部１３３は、スコアと有望度との対応表を用いて、モデルが出力するスコアが対応表のどの重要度に対応するかを比較し判定することにより、ユーザの有望度を予測する。

予測部１３３は、所定の団体である所定の行動主体による行動の行動情報を用いて、所定の団体の有望度を予測する。予測部１３３は、複数のユーザ群等により構成される組織等の所定の団体の有望度を予測する。予測部１３３は、所定の法人である所定の行動主体による行動の行動情報を用いて、所定の法人の有望度を予測する。予測部１３３は、法人格を有する行動主体である所定の法人の有望度を予測する。

また、例えば、予測部１３３は、ユーザの属性情報を含むユーザ情報を用いて、ユーザの有望度を予測してもよい。例えば、予測部１３３は、ユーザの性別や年齢等を示す情報を含むユーザ情報を用いて、ユーザの有望度を予測してもよい。例えば、予測部１３３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を用いて、ユーザの有望度を予測してもよい。例えば、予測部１３３は、氏名、年齢、性別、自宅、勤務地、趣味、興味関心、家族構成、収入、友人等の交友関係、ライフスタイル等を示す情報を用いて、ユーザの有望度を予測してもよい。

例えば、予測部１３３は、２０１７年の１年間におけるユーザＵ１の行動情報ＡＤＴ１とモデルＭ１とを用いて、２０１７年から５年後の２０２２年のユーザＵ１の役職の有望度を予測する。予測部１３３は、行動情報ＡＤＴ１をモデルＭ１に入力する。例えば、予測部１３３は、ユーザＵ１の行動情報群から、行動情報の各々が取得（検知）された日時（取得日時）と対象の期間（例えば２０１７年等）とを比較し、取得日時が対象の期間に含まれる場合、その行動情報を取得対象の行動情報として抽出する。そして、予測部１３３は、抽出する行動情報をモデルＭ１に入力する情報（行動情報ＡＤＴ１）として用いる。

図２の例では、予測部１３３は、処理群ＰＳ２２−１に示すような処理により、ユーザＵ１の予測対象「役職」の有望度を示すスコアを生成（算出）する。予測部１３３は、行動主体であるユーザＵ１の行動情報を予測対象「役職（昇進有望度）」に対応するモデルＭ１に入力する。具体的には、予測部１３３は、行動情報ＡＤＴ１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。図２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「０．７」を出力する。

図２の例では、予測部１３３は、モデルＭ１が出力したスコアに基づいて、ユーザＵ１の有望度を予測する。例えば、予測部１３３は、ユーザＵ１の有望度の予測に基づいて、予測情報ＰＬ１１を生成する。予測部１３３は、モデルＭ１が出力したスコアと、有望度情報記憶部１２４に記憶された情報とに基づいて、ユーザＵ１の有望度を予測する。予測部１３３は、図２中の有望度情報記憶部１２４に示すようなスコアと有望度とが対応付けられた情報（対応付け情報）に基づいて、ユーザＵ１の有望度を予測する。

予測部１３３は、モデルＭ１が出力したスコアと、図２に示す有望度情報記憶部１２４中の対応付け情報のスコアの範囲とを比較し、モデルＭ１が出力したスコアがいずれのスコアの範囲に含まれるかを判定する。図２の例では、予測部１３３は、モデルＭ１が出力したスコアが「０．７」であり、有望度が「高」に対応するスコア「０．６以上」に該当すると判定する。そのため、予測部１３３は、予測情報ＰＬ１１に示すように、ユーザＵ１の予測対象「役職（昇進有望度）」に対応する有望度が「高」と予測する。

図２の例では、予測部１３３は、ランク一覧ＲＬ１１を用いて、Ｚ年からＹ年後のユーザＵ１の役職を予測する。予測部１３３は、モデルＭ１が出力したスコアと、図２に示すランク一覧ＲＬ１１中の昇進情報のスコアとを比較し、モデルＭ１が出力したスコアがどのスコア以上であるかを判定する。図２の例では、予測部１３３は、モデルＭ１が出力したスコアが「０．７」であり、Ｂ役職（部長）のスコア「０．６」以上であり、Ａ役職（取締役）のスコア「１」未満であると判定する。そのため、予測部１３３は、予測情報ＰＬ１１に示すように、予測対象「役職（昇進有望度）」におけるユーザＵ１の役職を「部長以上」と予測する。例えば、予測部１３３は、Ｚ年からＹ年後のユーザＵ１の役職を「部長以上」と予測する。この場合、予測部１３３は、Ｚ年からＹ年後において、ユーザＵ１が部長以上の役職まで昇進すると予測する。例えば、予測部１３３は、２０１７年から５年後の２０２２年において、ユーザＵ１が部長以上の役職まで昇進すると予測する。

例えば、予測部１３３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、所定の対象の予測を定量化した値（すなわち、行動主体の予測対象に関する有望度が高いかを示唆するスコア）を出力するように係数が設定される。予測部１３３は、このようなモデルＭ１を用いて、行動主体の有望度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、行動主体の有望度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１３３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。

（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。例えば、提供部１３４は、予測部１３３により予測された行動主体の有望度に関するサービスを提供する。例えば、提供部１３４は、予測部１３３により予測された行動主体の有望度に関する情報を、ユーザに提供する。例えば、提供部１３４は、予測部１３３により予測された行動主体の有望度に関する情報を、ユーザが利用する端末装置１０に提供する。また、例えば、提供部１３４は、生成部１３２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、予測した行動主体の有望度に基づいて情報提供を行う。図２の例では、提供部１３４は、ユーザＵ１の予測情報ＰＬ１１をユーザＵ１の有望度に関する情報を所望する企業へ提供する。提供部１３４は、ユーザＵ１が採用試験を受けている企業ＣＰ１１の管理者ＭＡ１が利用する事業者端末２０へ、ユーザＵ１の予測情報ＰＬ１１を提供する。提供部１３４は、管理者ＭＡ１が利用する事業者端末２０へ、ユーザＵ１の予測情報ＰＬ１１を送信する。

〔４．生成処理のフロー〕
次に、図１０を用いて、実施形態に係る予測システム１による生成処理の手順について説明する。図１０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１０に示すように、予測装置１００は、学習データを取得する（ステップＳ１０１）。例えば、予測装置１００は、学習データ記憶部１２１から学習データを取得する。

その後、予測装置１００は、学習データに基づきモデルを生成する（ステップＳ１０２）。図１の例では、予測装置１００は、学習データ記憶部１２１から学習データを用いてモデルＭ１等を生成する。

〔５．予測処理のフロー〕
次に、図１１を用いて、実施形態に係る予測システム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、予測装置１００は、ユーザの行動情報を取得する（ステップＳ２０１）。図２の例では、予測装置１００は、ユーザＵ１の行動情報ＡＤＴ１を取得する。

また、予測装置１００は、ユーザの行動情報とモデルを用いて行動主体の有望度を予測する（ステップＳ２０２）。図２の例では、予測装置１００は、モデルＭ１が出力したスコアに基づいて、ユーザＵ１の役職に関する有望度を予測する。

また、予測装置１００は、予測したユーザの有望度に関する情報を提供する（ステップＳ２０３）。図２の例では、予測装置１００は、予測情報ＰＬ１１をユーザＵ１が採用試験を受けている企業ＣＰ１１の管理者ＭＡ１が利用する事業者端末２０へ提供する。

〔６．効果〕
上述してきたように、実施形態に係る予測装置１００は、取得部１３１と、予測部１３３とを有する。取得部１３１は、所定の行動主体による行動の履歴を示す行動情報を取得する。また、予測部１３３は、取得部１３１により取得された行動情報に基づいて、行動よりも後の時点における所定の行動主体の将来性に関する有望度を予測する。

このように、実施形態に係る予測装置１００は、所定の行動主体による行動の履歴を示す行動情報に基づいて、行動よりも後の時点における所定の行動主体の将来性に関する有望度を予測することにより、行動主体の有望度を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、所定の行動主体の行動情報の入力に応じて、所定の行動主体の有望度を示すスコアを出力するモデルを取得する。予測部１３３は、行動情報をモデルに入力し、モデルが出力したスコアに基づいて、所定の行動主体の有望度を予測する。

このように、実施形態に係る予測装置１００は、所定の行動主体の行動情報の入力に応じて、所定の行動主体の有望度を示すスコアを出力するモデルに行動情報を入力し、モデルが出力したスコアに基づいて、所定の行動主体の有望度を予測することにより、行動主体の有望度を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、ユーザである所定の行動主体の行動情報を取得する。

このように、実施形態に係る予測装置１００は、ユーザである所定の行動主体の行動情報を取得し、ユーザの有望度を予測することにより、人間（自然人）であるユーザの有望度を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、インターネットにおけるユーザの行動の履歴を含む行動情報を取得する。

このように、実施形態に係る予測装置１００は、インターネットにおけるユーザの行動の履歴を含む行動情報を用いて、ユーザの有望度を予測することにより、人間（自然人）であるユーザの有望度を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、ユーザによる検索履歴を含む行動情報を取得する。

このように、実施形態に係る予測装置１００は、ユーザによる検索履歴を含む行動情報を用いて、ユーザの有望度を予測することにより、人間（自然人）であるユーザの有望度を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、ユーザによる購買履歴を含む行動情報を取得する。

このように、実施形態に係る予測装置１００は、ユーザによる購買履歴を含む行動情報を用いて、ユーザの有望度を予測することにより、人間（自然人）であるユーザの有望度を適切に予測することができる。

また、実施形態に係る予測装置１００において、予測部１３３は、ユーザの役職に関する有望度を予測する。

このように、実施形態に係る予測装置１００は、ユーザの役職に関する有望度を予測することにより、ユーザが企業等の組織において昇進するかを予測することができるため、ユーザの有望度を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、所定の団体である所定の行動主体による行動の行動情報を取得する。

このように、実施形態に係る予測装置１００は、所定の団体である所定の行動主体による行動の行動情報を取得し、所定の団体の有望度を予測することにより、例えば複数のユーザ群等により構成される組織等の所定の団体の有望度を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、所定の法人である所定の行動主体による行動の行動情報を取得する。

このように、実施形態に係る予測装置１００は、所定の法人である所定の行動主体による行動の行動情報を取得し、所定の法人の有望度を予測することにより、例えば法人格を有する行動主体である所定の法人の有望度を適切に予測することができる。

〔７．ハードウェア構成〕
上述してきた実施形態に係る予測装置１００は、例えば図１２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１２は、予測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が実施形態に係る予測装置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 予測システム
１００ 予測装置
１２１ 学習データ記憶部
１２２ モデル情報記憶部
１２３ ユーザ情報記憶部
１２４ 有望度情報記憶部
１２５ 予測情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 予測部
１３４ 提供部
１０ 端末装置
Ｎ ネットワーク

Claims (12)

1. 所定の行動主体による行動の履歴を示す行動情報を取得する取得部と、
   前記取得部により取得された行動情報に基づいて、前記行動よりも後の時点における前記所定の行動主体の将来性に関する有望度を予測する予測部と、
   を備えることを特徴とする予測装置。
2. 前記取得部は、
   前記所定の行動主体の前記行動情報の入力に応じて、前記所定の行動主体の前記有望度を示すスコアを出力するモデルを取得し、
   前記予測部は、
   前記行動情報を前記モデルに入力し、前記モデルが出力したスコアに基づいて、前記所定の行動主体の前記有望度を予測する
   ことを特徴とする請求項１に記載の予測装置。
3. 前記取得部は、
   ユーザである前記所定の行動主体の前記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に記載の予測装置。
4. 前記取得部は、
   インターネットにおける前記ユーザの行動の履歴を含む前記行動情報を取得する
   ことを特徴とする請求項３に記載の予測装置。
5. 前記取得部は、
   前記ユーザによる検索履歴を含む前記行動情報を取得する
   ことを特徴とする請求項４に記載の予測装置。
6. 前記取得部は、
   前記ユーザによるコンテンツの閲覧履歴を含む前記行動情報を取得する
   ことを特徴とする請求項３〜５のいずれか１項に記載の予測装置。
7. 前記取得部は、
   前記ユーザによる購買履歴を含む前記行動情報を取得する
   ことを特徴とする請求項３〜６のいずれか１項に記載の予測装置。
8. 前記予測部は、
   前記ユーザの役職に関する前記有望度を予測する
   ことを特徴とする請求項３〜７のいずれか１項に記載の予測装置。
9. 前記取得部は、
   所定の団体である前記所定の行動主体による行動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に記載の予測装置。
10. 前記取得部は、
    所定の法人である前記所定の行動主体による行動の行動情報を取得する
    ことを特徴とする請求項９に記載の予測装置。
11. コンピュータが実行する予測方法であって、
    所定の行動主体による行動の履歴を示す行動情報を取得する取得工程と、
    前記取得工程により取得された行動情報に基づいて、前記行動よりも後の時点における前記所定の行動主体の将来性に関する有望度を予測する予測工程と、
    を含むことを特徴とする予測方法。
12. 所定の行動主体による行動の履歴を示す行動情報を取得する取得手順と、
    前記取得手順により取得された行動情報に基づいて、前記行動よりも後の時点における前記所定の行動主体の将来性に関する有望度を予測する予測手順と、
    をコンピュータに実行させることを特徴とする予測プログラム。

Images