JP2020035072A - 情報処理装置、情報処理方法および情報処理プログラム - Google Patents

Abstract

【課題】異なるサービスの個々の解析結果の関係性を推定することができる情報処理装置、情報処理方法および情報処理プログラムを提供する。【解決手段】本願に係る情報処理装置は、取得部と、変換部と、推定部とを備える。取得部は、ユーザの属性を用いてユーザの特徴を推定するモデル、および、上記属性を用いて推定されたユーザの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスそれぞれから取得する。変換部は、取得部によって取得された特徴情報をベクトル値へ変換する。推定部は、変換部によって変換されたベクトル値に基づいて特徴情報間の関係性を推定する。【選択図】図３

Description

本発明は、情報処理装置、情報処理方法および情報処理プログラムに関する。

従来、例えば、ユーザに対して各種サービスを提供し、かかるサービスの利用により得られるユーザの属性を解析することで、ユーザの特徴を推定する情報処理装置がある。この種の情報処理装置では、推定したユーザの特徴に基づき、自身が提供するサービスを最適化する場合がある。

特開２０１８−０３２２５２号公報

しかしながら、上記した技術は、サービス個々で独自にユーザの特徴を解析し、その解析結果を自身のサービスの最適化に適用するものであって、他のサービスの解析結果を利用することについては考慮されていなかった。このため、異なるサービスの個々の解析結果の関係性を推定することが困難であった。

本願は、上記に鑑みてなされたものであって、異なるサービスの個々の解析結果の関係性を推定することができる情報処理装置、情報処理方法および情報処理プログラムを提供することを目的とする。

本願に係る情報処理装置は、取得部と、変換部と、推定部とを備える。前記取得部は、ユーザの属性を用いて前記ユーザの特徴を推定するモデル、および、前記属性を用いて推定された前記ユーザの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスそれぞれから取得する。前記変換部は、前記取得部によって取得された前記特徴情報をベクトル値へ変換する。前記推定部は、前記変換部によって変換された前記ベクトル値に基づいて前記特徴情報間の関係性を推定する。

実施形態の一態様によれば、異なるサービスの個々の解析結果の関係性を推定することができるという効果を奏する。

図１は、実施形態に係る情報処理の一例を示す図である。 図２は、実施形態に係る情報処理システムの構成例を示す図である。 図３は、実施形態に係る情報処理装置の構成例を示すブロック図である。 図４は、実施形態に係る共有情報の一例を示す図である。 図５は、実施形態に係るサービス情報の一例を示す図である。 図６は、実施形態に係るモデルプログラム情報の一例を示す図である。 図７Ａは、実施形態に係る情報処理の処理説明図（その１）である。 図７Ｂは、実施形態に係る情報処理の処理説明図（その２）である。 図７Ｃは、実施形態に係る情報処理の処理説明図（その３）である。 図７Ｄは、実施形態に係る情報処理の処理説明図（その４）である。 図７Ｅは、実施形態に係る情報処理の処理説明図（その５）である。 図７Ｆは、実施形態に係る情報処理の処理説明図（その６）である。 図７Ｇは、実施形態に係る情報処理の処理説明図（その７）である。 図８は、実施形態に係る情報処理装置が実行する処理手順を示すフローチャート（その１）である。 図９は、実施形態に係る情報処理装置が実行する処理手順を示すフローチャート（その２）である。 図１０は、実施形態に係る情報処理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、本願に係る情報処理装置、情報処理方法および情報処理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情報処理装置、情報処理方法および情報処理プログラムが限定されるものではない。また、各実施形態は、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、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。

〔１．情報処理の一例〕
まず、実施形態に係る情報処理の一例について、図１を用いて説明する。図１は、実施形態に係る情報処理の一例を示す図である。図１では、情報処理システムＳに含まれる本願に係る情報処理装置１が、ユーザＵの属性を用いてユーザＵの特徴を推定するモデル、および、上記属性を用いて推定されたユーザＵの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスそれぞれから取得し、取得された特徴情報をベクトル値へ変換し、変換されたベクトル値に基づいて特徴情報間の関係性を推定する処理を実行する例を示す。

図１に示すように、実施形態に係る情報処理システムＳは、情報処理装置１と、サービス提供サーバ１０（１０−１，１０−２，１０−３）と、ユーザ端末１００とを含む。

ユーザ端末１００は、ユーザＵが所有する端末装置である。ユーザＵは、ユーザ端末１００を操作してサービス提供サーバ１０へアクセスすることで、各サービス提供サーバ１０が提供するサービスＹ（Ｙ１，Ｙ２，Ｙ３）を利用する（ステップＳ１−１，Ｓ１−２，Ｓ１−３）。

サービス提供サーバ１０は、各種サービスＹをユーザＵへ提供するサーバ装置である。サービス提供サーバ１０が提供するサービスＹは、例えば、ユーザ端末１００にインストールされた各種アプリを介して情報を配信するサービスである。このようなサービスには、例えば、ニュース提供サービスや、オークションサービス、天気予報サービス、ショッピングサービス、金融取引（株取引等）サービス、路線検索サービス、地図提供サービス、旅行サービス、飲食店紹介サービス、ブログサービス等がある。なお、サービスＹは、アプリを介して情報を配信されるサービスに限らず、例えば、ユーザＵにブラウザを介して情報を提供するサービスであってもよい。

また、各サービス提供サーバ１０は、サービスＹを利用したユーザＵの属性を解析することでユーザＵの特徴を推定する。具体的には、各サービス提供サーバ１０は、ユーザＵの属性を用いてユーザＵの特徴を推定するモデル、および、ユーザＵの属性を用いて推定されたユーザＵの特徴に関する推定結果の少なくとも一方を含む特徴情報を生成する（ステップＳ２−１，Ｓ２−２，Ｓ２−３）。

なお、ここに言う属性とは、ユーザＵの確定した属性、あるいは、ユーザＵの特徴であり、例えば、検索ログや購入履歴等といったサービスＹを利用した際のユーザＵの行動に関する行動情報や、性別、年齢、住所等といったデモグラフィック属性、ライフサイクル、価値観、個性、購買動機等といったサイコグラフィック属性等を含む概念である。

また、ユーザＵの特徴とは、ユーザＵの様々な属性を包括することで推定されるユーザＵの性質、あるいは、推定される属性であって、例えば、ユーザＵの興味や、趣味嗜好、行動パターン（検索行動や、購買行動等）等を含む。

また、特徴情報における上記したモデルは、例えば、ユーザＵの属性を入力して、ユーザＵの特徴をスコアとして出力することができる。また、特徴情報における上記した推定結果は、例えば、モデルが出力するスコアである。なお、推定結果は、モデルによらない情報、例えば、ユーザＵの属性を単に数値化した情報（例えば、検索回数に応じて増減するスコア等）であってもよい。図１に示す例では、ショッピングサービスとしてのサービスＹ１は、ネットショッピングで釣り竿を購入したユーザＵのモデル「釣り竿」と、推定結果であるスコア「０．５」とを含む特徴情報を生成する。

また、検索サービスとしてのサービスＹ２は、釣りスポットを検索したユーザＵのモデル「釣りスポット」と、推定結果であるスコア「０．４」とを含む特徴情報を生成する。また、カーオークションサービスとしてのサービスＹ３は、高級車を所有しているユーザＵのモデル「高級車所有」と、推定結果であるスコア「０．９」とを含む特徴情報を生成する。なお、図１では、スコアが高いほど、モデルの示す事物に関してユーザＵの特徴が強い（例えば、強い興味や嗜好性、該当性を有する）ことを示す。

また、上記したスコアは、連続値である場合を示したが、例えば、離散値であってもよい。具体的には、釣りスポットを検索したことがあるかどうかを「１」（ある）または「０」（ない）のいずれかの離散値（すなわち、ブール値）のスコアで表現してもよい。あるいは、推定結果は、一例として示したスコアに限定されるものではなく、テキストの情報であってもよい。

ここで、従来は、サービスＹ１，Ｙ２，Ｙ３が個々に生成した特徴情報を自身のサービスの最適化に役立てるのみであり、他のサービスの特徴情報を使用することについては考慮されていなかった。

このため、お互いに他のサービスの特徴情報を利用できないのは勿論のこと、異なるサービスの個々の解析結果の関係性を推定することもできなかった。

そこで、実施形態に係る情報処理装置１は、サービスＹそれぞれで生成された特徴情報を他のサービスＹが共有できるようにした。具体的には、実施形態に係る情報処理装置１は、上記した特徴情報を異なるサービスＹそれぞれから取得し（ステップＳ３−１，Ｓ３−２，Ｓ３−３）、かかる特徴情報をユーザ毎に紐づけた共有情報を生成する。なお、実施形態に係る情報処理装置１は、上記したモデル、および、推定結果であるスコアを含む特徴情報を取得する場合に限らず、モデルのみを含む特徴情報、あるいは、スコアのみを含む特徴情報を取得してもよい。

つづいて、情報処理装置１は、取得した特徴情報をベクトル値へ変換する（ステップＳ４）。例えば情報処理装置１は、各特徴情報のユーザＩＤおよびスコアをデータセットとし、ニューラルネットワークによる機械学習の手法等を用いて、各特徴情報を多次元からなる実数値ベクトルへと変換する、いわゆるエンベディング（embedding）を行う。ここで、各特徴情報のユーザＩＤおよびスコアをデータセットとすることから分かるように、かかるエンベディングにおいては、「どのユーザＵにどういうモデルのどういうスコアがついているか」という観点から、ユーザＩＤおよびスコアの組み合わせが主要な特徴の要素（機械学習における、いわゆる素性）となる。なお、無論、例えばモデル名称や、モデルの説明文といったモデルの特徴を表す情報等が、素性として付加されてもよい。

そして、情報処理装置１は、かかるベクトル値に基づいて特徴情報間の関係性を推定する（ステップＳ５）。例えば情報処理装置１は、上記ベクトル値に基づいて特徴情報同士の類似度を判定する。これにより、特徴情報同士の近さを判定することが可能となる。例えば情報処理装置１は、ある２つの特徴情報に関し、これらのベクトル値のコサイン類似度を算出し、かかる類似度が所定値以上であれば、例えば一方の特徴情報には含まれていないユーザＵを、かかる一方の特徴情報に該当する特徴を有するものとして取り扱うことができる。すなわち、情報処理装置１は、類似度が近いと判定される場合に、ユーザＵが上記特徴情報同士のうちの一方に該当する特徴を有するならば、当該ユーザＵは、他方の特徴情報についても該当する特徴を有するものとして推定する。

これにより、異なるサービスの個々の解析結果の関係性を推定できるとともに、かかる推定結果に基づいて異なるサービスの個々の解析結果を横断的に利用することができる。

また、例えば情報処理装置１は、ベクトル化した特徴情報同士を足し引きし、その演算結果が示す特徴情報を推定することができる。これにより、複数の特徴情報の組み合わせから人手だけではなかなか予測し得なかった特徴情報の推定が可能となる。また、かかる推定された特徴情報に含まれるユーザＵを新たに抽出することによって、例えばマーケティングにおけるカバレッジの拡大を図ることができる。

そして、情報処理装置１は、各サービスＹ側から要求があった場合に、共有情報として共有しベクトル化された特徴情報に基づく提供情報を提供する（ステップＳ６−１，Ｓ６−２，Ｓ６−３）。なお、例えば、提供情報の提供方法としては、以下の２通りがある。

１つ目は、サービス提供サーバ１０側が特定のユーザＵを指定し、共有情報に基づいてそのユーザＵの特徴（推定結果）を提供する方法である。２つ目は、サービス提供サーバ１０側が特定の特徴を指定し、共有情報およびベクトル情報に基づいてその特徴を有すると推定されるユーザＵをリストとして提供する方法である。

なお、ステップＳ５の推定処理、および、ステップＳ６−１，Ｓ６−２，Ｓ６−３の提供処理の具体例については、図７Ａ〜図７Ｇを用いた説明で後述する。

このように、実施形態に係る情報処理方法では、ユーザＵの属性を用いてユーザＵの特徴を推定するモデル、および、上記属性を用いて推定されたユーザＵの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスＹ１，Ｙ２，Ｙ３それぞれから取得し、取得された特徴情報をベクトル値へ変換し、変換されたベクトル値に基づいて特徴情報間の関係性を推定する。

したがって、実施形態に係る情報処理方法によれば、異なるサービスの個々の解析結果の関係性を推定することができる。

以下、上記のような情報処理を行う情報処理装置１、および、かかる情報処理装置１を含む情報処理システムＳについて詳細に説明する。

〔２．情報処理システムＳの構成〕
次に、図２を用いて、実施形態に係る情報処理システムＳの構成について説明する。図２は、実施形態に係る情報処理システムＳの構成例を示す図である。図２に例示するように、実施形態に係る情報処理システムＳは、情報処理装置１と、複数のサービス提供サーバ１０−１〜１０−ｎと、複数の事業者端末２０と、複数のユーザ端末１００−１〜１００−ｎとを含む。

これらの各種装置は、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。ネットワークＮは、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、電話網（携帯電話網、固定電話網等）、地域ＩＰ（Internet Protocol）網、インターネット等の通信ネットワークである。ネットワークＮには、有線ネットワークが含まれていてもよいし、無線ネットワークが含まれていてもよい。

また、図２では、複数の事業者端末２０は、サービス提供サーバ１０−１〜１０−ｎに直接接続されているように図示しているが、事業者端末２０がサービス提供サーバ１０−１〜１０−ｎの配下にあることを模式的に示すものであって、接続形態を限定するものではない。

ユーザ端末１００は、上記したように、ユーザＵによって利用される端末装置である。ユーザ端末１００は、例えば、スマートフォンを含む携帯電話機や、タブレット端末や、デスクトップ型ＰＣや、ノート型ＰＣや、ＰＤＡ（Personal Digital Assistant）等の情報処理装置である。また、ユーザ端末１００には、眼鏡型や時計型の情報処理端末であるウェアラブルデバイス（wearable device）も含まれる。

ユーザ端末１００は、ユーザＵによる操作や、ユーザ端末１００が有する機能（例えば、サービスＹを利用するためのアプリを実行する機能や、ブラウザ機能等）に応じて、各種情報を取得し、取得した情報に応じた情報を生成して送信する。例えば、ユーザ端末１００は、ネットワークＮを介して、サービス提供サーバ１０が提供するサービスＹのサイトへアクセスする。そして、ユーザＵが例えばサービスを受けるのに必要な情報を指定することによって、ユーザ端末１００は、サービス提供サーバ１０に対してサービス提供の要求を送信する。

情報処理装置１は、サービス提供サーバ１０の上位サーバとして機能するサーバ装置である。情報処理装置１は、各サービス提供サーバ１０から特徴情報を取得して共有情報を生成するとともに、共有情報内の各特徴情報をベクトル化する。また、情報処理装置１は、ベクトル化された特徴情報に基づいて特徴情報間の関係性を推定し、推定結果に基づいてサービス提供サーバ１０側へ各種情報を提供する。

サービス提供サーバ１０は、上記したようにサービスＹをユーザＵへ提供するサーバ装置である。サービス提供サーバ１０は、例えば、サービスＹを利用したユーザＵの属性を解析して特徴情報を生成する。また、サービス提供サーバ１０は、情報処理装置１に対して提供情報を要求する。提供情報の要求は、例えば、サービス提供サーバ１０に接続された事業者端末２０をサービスＹの事業者が操作することで、サービス提供サーバ１０から送信される。

事業者端末２０は、サービスＹを運営する事業者によって利用される端末装置である。事業者端末２０は、例えば、デスクトップ型ＰＣや、ノート型ＰＣ等であるが、携帯電話機や、タブレット端末や、ＰＤＡや、ウェアラブルデバイス等であってもよい。事業者端末２０は、例えば情報処理装置１が提供する共有情報の利用サービス画面から、特定のユーザＵまたは特定の特徴等を指定することによって、情報処理装置１に対して提供情報を要求する。

なお、情報処理システムＳのうち、情報処理装置１、複数のサービス提供サーバ１０−１〜１０−ｎおよび複数の事業者端末２０は、例えば、１つの事業者が有するように構成される。つまり、１つの事業者は、複数のサービスＹを提供可能である。また、１つの事業者は、各サービスＹが生成した特徴情報を共有情報として情報処理装置１に集約するとともに、共有情報に基づいた提供情報を取得して、例えば各サービスＹにおけるユーザＵのマーケティング調査等に利用する。

なお、情報処理装置１および複数のサービス提供サーバ１０−１〜１０−ｎは、それぞれ別の事業者が有する構成であってもよい。つまり、ある事業者のあるサービスＹから見た場合の他のサービスＹは、同じ事業者の他のサービスＹであってもよく、他の事業者のサービスＹであってもよい。また、複数のサービス提供サーバ１０−１〜１０−ｎは、それぞれ別の事業者が有する構成であってもよい。また、上記した情報処理システムＳに加えて、提供情報の利用のみを行う事業者のサーバが接続されてもよい。

なお、図２では、情報処理装置１は、サービス提供サーバ１０とは別体で構成されて、共有情報の生成、ベクトル化、特徴情報間の関係性の推定、および、情報提供の機能を有する場合を示したが、例えば、いずれかのサービス提供サーバ１０が情報処理装置１の機能の一部または全部を代替して行ってもよい。

また、図２では、情報処理装置１は、共有情報の生成、ベクトル化、特徴情報間の関係性の推定、および、情報提供のすべての機能を兼ね備える場合を示したが、例えば、複数の情報処理装置１が、上記した機能を分担して行ってもよい。

〔３．情報処理装置１〕
次に、図３を用いて、情報処理装置１の構成例について説明する。図３は、実施形態に係る情報処理装置１の構成例を示すブロック図である。なお、図３では、情報処理装置１の説明に必要となる構成要素のみを示しており、一般的な構成要素についての記載を省略している。

図３に示すように、情報処理装置１は、通信部２と、記憶部３と、制御部４とを有する。なお、情報処理装置１は、情報処理装置１を利用する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２について）
通信部２は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。通信部２は、ネットワークＮと有線または無線で接続され、ネットワークＮを介して、サービス提供サーバ１０や、サービス提供サーバ１０に接続された事業者端末２０、ユーザ端末１００との間で情報の送受信を行う。

（記憶部３について）
記憶部３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、図３の例では、記憶部３は、共有情報３１と、サービス情報３２と、モデルプログラム情報３３と、ベクトル情報３４とを記憶する。

（共有情報３１について）
共有情報３１は、サービス提供サーバ１０から取得した特徴情報を含んだ情報である。図４は、共有情報３１の一例を示す図である。図４に示すように、共有情報３１は、例えば、列項目が「ＵＩＤ」であり、行項目が「特徴情報」であるテーブルである。また、列項目および行項目の各組のデータ項目には、特徴情報におけるモデルの出力であるスコアが入力される。

「ＵＩＤ」は、ユーザＵを識別する識別情報（ユーザＩＤ）である。「特徴情報」は、サービス提供サーバ１０それぞれで生成されるモデルおよびスコアの少なくともいずれかを含む情報であって、ユーザＵの特徴を示す情報である。なお、図４に示す例では、「特徴情報」の各項目には、例えば「釣り竿」等のモデル名称が入力される。

図４に示すように、共有情報３１は、「ＵＩＤ」および「特徴情報」のスコアを含む情報である。図４に示す例では、ＵＩＤが「Ｕ１」であるユーザＵは、特徴情報におけるモデル「釣り竿」のスコアが「０．５」であることを示している。

また、ＵＩＤが「Ｕ２」であるユーザＵは、特徴情報におけるモデル「釣り竿」のスコアが「未入力」となっている。これは、「Ｕ２」であるユーザＵのモデル「釣り竿」のスコアをサービス提供サーバ１０から取得していないことを示している。

例えば、上記スコアは、サービス提供サーバ１０で算出されたスコアをそのまま共有情報３１のスコアとして入力してもよく、あるいは、サービス提供サーバ１０で算出されたスコアを所定の基準に従って正規化したスコアを共有情報３１として入力してもよい。

また、図４では、共有情報３１をスコアとして示したが、共有情報３１は、スコアに限定されるものではなく、「○、△および×」や、「優、良および可」等といった段階分けされた情報であってもよい。

（サービス情報３２について）
次に、サービス情報３２は、各サービス提供サーバ１０が提供するサービスＹに関する情報である。図５は、サービス情報３２の一例を示す図である。図５に示すように、サービス情報３２は、「サービスＩＤ」、「提供サービス」および「登録モデル数」といった項目を含む。

「サービスＩＤ」は、サービスＹ（あるいは、サービス提供サーバ１０）を識別する識別情報である。「提供サービス」は、サービスＹの内容を示す情報である。「登録モデル数」は、共有情報３１に登録されている特徴情報のモデルの数を示す情報である。

（モデルプログラム情報３３について）
次に、モデルプログラム情報３３は、特徴情報におけるモデルのプログラムデータを含んだ情報である。図６は、モデルプログラム情報３３の一例を示す図である。モデルプログラム情報３３は、後述の取得部４１が取得した特徴情報におけるモデルのプログラムデータを含む情報である。図６に示すように、モデルプログラム情報３３は、「モデルＩＤ」、「モデル名称」、「サービスＩＤ」および「モデルデータ」等といった項目を含む。

「モデルＩＤ」は、特徴情報におけるモデルを識別する識別情報である。「モデル名称」は、特徴情報におけるモデルの名称を示す識別情報である。「サービスＩＤ」は、サービスＹ（あるいは、サービス提供サーバ１０）を識別する識別情報である。「モデルデータ」は、特徴情報におけるモデルのプログラムデータである。

「モデルデータ」は、例えば、ユーザＵの属性を説明変数とする回帰モデルである。例えば、「モデルデータ」は、以下の式に示す回帰モデルである。すなわち、ｙ＝ω１・ｘ１＋ω２・ｘ２＋・・・＋ωｎ・ｘｎの回帰モデルとして表すことができる。

上記式において、「ｘ」は、ユーザＵの属性に対応する説明変数である。「ｙ」は、ユーザＵの特徴を示すスコアに対応する目的変数である。また、「ω」は、「ｘ」の係数であり、所定の重み値を示す。具体的には、「ω１」は、「ｘ１」の重み値であり、「ω２」は、「ｘ２」の重み値であり、「ωｎ」は、「ｘｎ」の重み値である。このように、上記式は、ユーザＵの属性に対応する説明変数「ｘ」と、所定の重み値「ω」とを含む変数（例えば、「ω１・ｘ１_」）を組み合せることにより作成される。

なお、「モデルデータ」は、ＳＶＭ（Support Vector Machine）やその他の機械学習法を用いて生成された特徴情報であってもよい。また、特徴情報は、深層学習（ディープラーニング）の技術を用いて生成されたものであってもよい。例えば、サービスＹ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特徴情報を生成することができる。

（ベクトル情報３４について）
図３の説明に戻り、つづいてベクトル情報３４について説明する。ベクトル情報３４は、共有情報３１に登録された特徴情報のベクトル化に関する情報である。ベクトル情報３４は、後述の変換部４２によって生成され、例えば特徴情報毎のベクトル値を含む。

（制御部４について）
制御部４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、情報処理装置１内部の記憶装置に記憶されている各種プログラム（情報処理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４は、例えば、コントローラであり、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３に示すように、制御部４は、取得部４１と、変換部４２と、受付部４３と、推定部４４と、抽出部４５と、提供部４６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４の内部構成は、図３に示した構成に限られず、後述する情報処理を行うことができる構成であれば他の構成であってもよい。また、制御部４が有する各処理部の接続関係は、図３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。

制御部４は、サービス提供サーバ１０から取得した特徴情報の共有情報３１への登録および各特徴情報のベクトル化を行う。また、制御部４は、ベクトル化された特徴情報に基づいて特徴情報間の関係性を推定し、サービスＹに対して各種情報を提供する。

（取得部４１について）
取得部４１は、ユーザＵの属性を用いてユーザＵの特徴を推定するモデル、および、ユーザＵの属性を用いて推定されたユーザＵの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスＹそれぞれから取得する。例えば、取得部４１は、サービスＹに対して予め指定したフォーマットで生成させた特徴情報を取得する。これにより、サービスＹ間で特徴情報のフォーマットを揃えることができるため、統一した基準の特徴情報を取得することができる。

また、取得部４１は、特徴情報として、上記したモデルと、かかるモデルから出力されるスコアの初期値とを含む情報を取得する。スコアの初期値は、例えば、サービス提供サーバ１０によって予め算出されてもよく、取得部４１がモデルデータを取得して算出してもよい。取得部４１が初期値を算出する場合、特徴情報のモデルデータのみをまず取得し、その後、サービス提供サーバ１０からユーザＵの属性を取得してスコアを算出する。

なお、取得部４１は、特徴情報を取得した際に、かかる特徴情報が指定のフォーマットに沿って生成されたか否かをチェックするチェック機能を有してもよい。

また、取得部４１は、取得した特徴情報を共有情報３１として登録するとともに、登録した特徴情報を必要に応じて更新する更新処理を行う。具体的には、取得部４１は、初回時には、まず特徴情報のモデルデータとスコアの初期値とを取得して共有情報３１として登録し、２回目以降については、必要に応じ、サービスＹからユーザＵの属性を取得して、これに基づき共有情報３１のスコアを更新する。また、モデルデータが変更された場合には、サービスＹから新たなモデルデータを取得して、共有情報３１のモデルそのものを更新する。

また、取得部４１は、特徴情報におけるモデルの入力となるユーザＵの属性を、モデルの取得元のサービスＹとは異なるサービスＹから取得してもよい。つまり、共有情報３１として登録されたモデルの取得元のサービスＹからユーザＵの属性を取得してスコアを出力してもよく、あるいは、取得元のサービスＹとは異なるサービスＹから取得したユーザＵの属性を使ってスコアを出力してもよい。これにより、例えば、異なる事業者のサービスＹ間で、共有情報３１に登録されたモデルを共有することができる。

（変換部４２について）
変換部４２は、共有情報３１内の各特徴情報をベクトル値へ変換する。例えば変換部４２は、既に述べたように、各特徴情報のユーザＩＤおよびスコアをデータセットとし、ニューラルネットワークによる機械学習の手法等を用いて、各特徴情報を多次元からなる実数値ベクトルへと変換する。

なお、かかる場合、変換部４２は、例えばユーザＩＤが２億件存在すればそのまま２億次元からなるベクトル値を算出するのではなく、例えば有意な次元のみを抽出して数百〜数十次元にまで次元圧縮したベクトル値を算出する。これにより、ノイズ成分等を排することができ、特徴情報を精度高くベクトル化することができる。

（受付部４３について）
受付部４３は、サービス提供サーバ１０から各種要求を受け付ける。例えば、受付部４３は、特定の特徴を指定する特徴指定の要求をサービスＹから受け付ける。特徴指定は、共有情報３１に含まれる特徴情報のモデルＩＤやモデル名称等を指定する。特徴指定による指定は、１つの特徴情報であってもよく、複数の特徴情報であってもよい。あるいは、特徴指定は、分野指定等といった複数の特徴情報を包含する指定であってもよい。

また、受付部４３は、特定のユーザＵを指定するユーザ指定の要求をサービスＹから受け付ける。ユーザ指定により指定されるユーザＵは、１人であってもよく、複数であってもよい。あるいは、ユーザ指定は、複数のユーザＵを包含するユーザグループ指定であってもよい。

また、受付部４３は、上記した要求の中に期間指定を含ませてもよい。例えば、特徴指定の場合、期間指定により指定された期間に登録された特徴情報を特徴指定の対象としてもよい。また、ユーザ指定の場合、期間指定により指定された期間にサービスＹを利用したユーザＵをユーザ指定の対象としてもよい。

また、受付部４３は、ベクトル化した特徴情報同士を足し引きする演算指定の要求をサービスＹから受け付ける。

（推定部４４について）
推定部４４は、ベクトル情報３４に含まれる各特徴情報のベクトル値に基づいて、特徴情報間の関係性を推定する。例えば推定部４４は、各特徴情報のベクトル値からコサイン類似度を算出し、かかる類似度に基づいて各特徴情報の近さを推定する。

また、推定部４４は、ベクトル化した特徴情報同士を足し引きし、その演算結果が示す特徴情報を推定する。このとき、推定部４４は、演算結果が示す特徴情報が共有情報３１に登録されていれば当該特徴情報を推定結果として導出する。また、推定部４４は、該当する特徴情報が共有情報３１に登録されていなければ、演算結果に最も近い特徴情報を推定結果として導出する。

（抽出部４５について）
抽出部４５は、上記の特徴指定によって指定された特定の特徴に対応するユーザＵを抽出する。例えば抽出部４５は、指定された特徴に対応する特徴情報においてスコアが所定値以上のユーザＵを抽出する。

また、抽出部４５は、指定された特徴に対応する特徴情報に含まれていないユーザＵであっても、かかる特徴情報に対し、推定部４４によって近いと推定された他の特徴情報においてスコアが所定値以上のユーザＵを抽出することもできる。

すなわち、抽出部４５は、上記の特徴指定によって特定の特徴が指定された場合に、かかる特定の特徴に対応する特徴情報のほか、推定部４４によってかかる特徴情報に近いと推定された他の特徴情報をあわせて情報の抽出対象とすることができる。

また、抽出部４５は、上記のユーザ指定によって指定された特定のユーザＵの特徴を、該当する特徴情報を抽出対象として抽出する。例えば、抽出部４５は、指定されたユーザＵに関する各特徴情報のうち、スコアが所定値以上のものを当該ユーザＵの特徴を示すとして抽出する。

また、このとき抽出部４５は、指定された特定のユーザＵが含まれていない特徴情報であっても、ユーザＵの特徴を示す特徴情報に近いと推定部４４によって推定されたものであれば、これもあわせて当該ユーザＵの特徴を示すとして抽出することができる。

すなわち、抽出部４５は、上記のユーザ指定によって特定のユーザＵが指定された場合に、かかる特定のユーザＵが含まれている特徴情報のほか、推定部４４によってかかる特徴情報に近いと推定された他の特徴情報をあわせて情報の抽出対象とすることができる。

また、抽出部４５は、上記の演算指定によって指定された演算の結果、推定部４４によって推定された特徴情報を抽出する。

（提供部４６について）
提供部４６は、抽出部４５によって抽出された各種情報に基づく提供情報をサービスＹへ提供する。例えば、提供部４６は、特徴指定に基づき抽出部４５によって抽出されたユーザＵのリストを含む提供情報を生成し、サービスＹへ提供する。リストのソートは、スコアの大小順や、五十音順、アルファベット順等といった任意の順で並べられてもよい。

あるいは、提供部４６は、抽出部４５によって抽出されたユーザＵのうち、一部のユーザＵのみを提供情報としてサービスＹへ提供してもよい。具体的には、提供部４６は、スコアが上位のユーザＵ等を選抜した提供情報を提供してもよい。

また、提供部４６は、ユーザ指定に基づき抽出部４５によって抽出されたユーザＵの特徴を示す情報を含む提供情報をサービスＹへ提供する。例えば、提供部４６は、抽出部４５によって抽出されたユーザＵの特徴をリストにして並べた情報を含む提供情報を提供する。

また、提供部４６は、抽出部４５によって抽出されたユーザＵの特徴のうち、一部の特徴のみを含む提供情報を提供してもよい。例えば、提供部４６は、スコアが上位の特徴情報が示す特徴等を選抜した提供情報を提供してもよい。

また、提供部４６は、演算指定に基づき抽出部４５によって抽出された特徴情報を含む提供情報をサービスＹへ提供する。

（実施形態に係る情報処理の具体例）
次に、これまで説明した実施形態に係る情報処理について、図７Ａ〜図７Ｇを用いてより具体的に説明する。図７Ａ〜図７Ｇは、実施形態に係る情報処理の処理説明図（その１）〜（その７）である。

図７Ａは、推定部４４によって推定された各特徴情報の位置関係をごく模式的に示している。なお、以下では、図７Ａに示すように、各特徴情報を上記したモデル名称（「高級車所有」等）で識別する場合がある。

図７Ａに示すように、モデル「高級車所有」、「低年収」および「高年収」があったものとする。そして、これらがそれぞれ変換部４２によりベクトル化され、そのベクトル値に基づき、図７Ａに示すように、推定部４４によってモデル「高級車所有」および「高年収」が近い関係にあると推定されたものとする。なお、図７Ａに示すように、モデル「高級車所有」にはユーザＵ１のデータがあり、モデル「低年収」および「高年収」にはユーザＵ１のデータがないものとする。

かかる場合、ユーザＵ１のデータがないモデル「低年収」および「高年収」は、ユーザＵ１が「低年収」の特徴を有するのか、あるいは、「高年収」の特徴を有するのかを示すことはできない。

しかしながら、ユーザＵ１のデータがあるモデル「高級車所有」においてユーザＵ１が高スコアであり、また、上記のようにモデル「高級車所有」および「高年収」が近い関係にあるならば、ユーザＵ１は、モデル「高年収」においても高スコアを示す、すなわちモデル「高年収」の特徴を示すと推定することができる。

（特徴指定の具体例）
かかる例を前提として、上記した特徴指定による指定の具体例について、図７Ｂおよび図７Ｃを用いて説明する。なお、図７Ｂ〜図７Ｄ、図７Ｆおよび図７Ｇには、例えば事業者端末２０に表示される「サービス間横断利用サービス」の利用画面イメージの一部を示している。

例えば、特徴指定による指定方法は、図７Ｂに示すように、カテゴリとして表示された各特徴情報のモデル名称のチェックボックスをチェックすることによって行われる。例えば受付部４３は、共有情報３１を参照し、登録されている各特徴情報のモデル名称をチェックボックスで指定可能な利用画面を生成し、サービス提供サーバ１０側へ送信して事業者端末２０に表示させる。

図７Ｂの利用画面の上段には、図７Ａで例示したモデル「高級車所有」および「高年収」が指定可能である例を示している。図７Ｂに示すように、例えば事業者端末２０で、「高級車所有」のチェックボックスがチェックされ、「抽出」ボタンが押下されると、抽出部４５は、モデル「高級車所有」においてスコアが所定値以上であるユーザＵを抽出する。

そして、かかる抽出部４５の抽出結果を受けて、提供部４６が、例えば抽出されたユーザＵのリストを含む提供情報「＜＜ユーザ抽出結果＞＞」を生成し、サービス提供サーバ１０側へ送信して事業者端末２０に表示させる（図７Ｂの利用画面の下段参照）。

ここで、図７Ａの例に沿えば、モデル「高級車所有」にはユーザＵ１のデータが含まれるので、図７Ｂに示すように、提供情報のリスト中にはＵＩＤ「Ｕ１」のユーザＵ１が含まれることとなる。なお、同図に示すように、かかるユーザＵ１のスコア「０．９」をあわせて表示してもよい。

一方で、図７Ｃに示すように、例えば事業者端末２０で、「高収入」のチェックボックスがチェックされ、「抽出」ボタンが押下されると、抽出部４５は、モデル「高収入」においてスコアが所定値以上であるユーザＵを抽出する。

ここで、図７Ａに例示したように、モデル「高収入」にはユーザＵ１のデータが含まれていない。ただし、推定部４４によって、モデル「高年収」および「高級車所有」が近い関係にあることが推定されているので、抽出部４５は、指定されたモデル「高年収」だけでなく、モデル「高級車所有」においてスコアが所定値以上であるユーザＵを抽出する。

その結果として、提供部４６が、例えば図７Ｃに示すように、モデル「高収入」には含まれないが、「高収入」の特徴を有するとして推定されるユーザＵ１をリスト中に含む提供情報を生成し、サービス提供サーバ１０側へ送信して事業者端末２０に表示させる。なお、同図に示すように、かかるユーザＵ１の抽出元となったモデル名称「※高級車所有」をあわせて表示してもよい。

このように、特徴指定により指定された特徴と近い別の特徴を有するユーザＵをあわせて抽出することによって、例えばサービスＹを運営する事業者は、マーケティング等におけるカバレッジの拡大を図ることが可能となる。

（ユーザ指定の具体例）
つづいて、上記したユーザ指定による指定の具体例について、図７Ｄを用いて説明する。例えば、ユーザ指定による指定方法は、図７Ｄに示すように、特徴の抽出対象となるユーザＵの識別情報を指定することによって行われる。

例えば受付部４３は、ユーザＩＤを指定可能な利用画面を生成し、サービス提供サーバ１０側へ送信して事業者端末２０に表示させる。図７Ｄに示すように、例えば事業者端末２０で、ユーザＩＤ「Ｕ１」が指定され、「抽出」ボタンが押下されると、抽出部４５は、かかるユーザＵ１のデータがある各特徴情報のうち、スコアが所定値以上のものを当該ユーザＵ１の特徴を示すとして抽出する。

また、抽出部４５は、かかるユーザＵ１のデータがない特徴情報であっても、ユーザＵ１の特徴を示す特徴情報に近いと推定部４４によって推定された特徴情報を、あわせて当該ユーザＵ１の特徴を示すとして抽出する。

したがって、図７Ａに示した例に沿えば、抽出部４５は、ユーザＵ１の特徴を示すとしてモデル「高級車所有」のほか「高年収」を抽出する。

そして、かかる抽出部４５の抽出結果を受けて、提供部４６が、例えば抽出されたモデル「高級車所有」および「高年収」のモデル名称を含む提供情報「＜＜特徴抽出結果＞＞」を生成し、サービス提供サーバ１０側へ送信して事業者端末２０に表示させる（図７Ｄの利用画面の下段参照）。

このように、ユーザ指定により指定されたユーザＵの特徴と近い別の特徴をあわせて抽出することによって、やはりマーケティング等におけるカバレッジの拡大を図ることが可能となる。

（演算指定の概要）
次に、上記した演算指定による指定の具体例について、図７Ｅ〜図７Ｇを用いて説明する。なお、まず演算指定の概要について図７Ｅを参照しつつ、自然言語処理として知られているＷｏｒｄ２Ｖｅｃを例に挙げて説明する。

実施形態に係る情報処理方法と同様に情報をエンベディングする例として、Ｗｏｒｄ２Ｖｅｃが知られている。Ｗｏｒｄ２Ｖｅｃは、大量のテキストをニューラルネットワークに読み込ませ、単語を例えば数百次元のベクトル（以下、「単語ベクトル」と言う）で表現するものである。かかるＷｏｒｄ２Ｖｅｃでは、単語ベクトル同士を足し引きすることで、意味の「足し算」や「引き算」が可能となる。

具体的には、図７Ｅに示すように、例えば「王」を表す単語ベクトルから「男性」を表す単語ベクトルを引き算し、「女性」を表す単語ベクトルを足し算すると、「女王」を表す単語ベクトルに近い単語ベクトルが得られることが知られている。また、「フランス」を表す単語ベクトルから「パリ」を表す単語ベクトルを引いて、「東京」を表す単語ベクトルを足すと、「日本」を表す単語ベクトルに近い単語ベクトルが得られることが知られている。

（演算指定の具体例）
実施形態に係る情報処理方法は、かかるＷｏｒｄ２Ｖｅｃと同様に特徴情報同士をベクトル化したものであるので、こうした特徴情報同士の演算指定が可能となる。

例えば、演算指定による指定方法は、図７Ｆに示すように、演算式の各項目を指定することによって行われる。例えば受付部４３は、演算式の各項目を指定可能な利用画面を生成し、サービス提供サーバ１０側へ送信して事業者端末２０に表示させる。

図７Ｆに示すように、かかる利用画面では、例えばドロップダウンリスト等のＧＵＩ（Graphical User Interface）により、演算させたい特徴情報のモデル名称および演算記号が選択指定可能になっている。なお、かかるモデル名称および演算記号の指定欄は、例えば図中の「追加」をクリックすることで追加することができる。

そして、演算式の各項目が指定されたうえで「実行」ボタンが押下されると、推定部４４が、指定された演算式によるベクトル演算を実行する。そして、推定部４４は、その演算結果が示す特徴情報が共有情報３１に登録されていれば、当該特徴情報を提供部４６へ通知する。また、推定部４４は、演算結果が示す特徴情報が共有情報３１に登録されていなければ、演算結果に最も近い特徴情報を提供部４６へ通知する。

提供部４６は、かかる推定部４４からの通知を受けて、通知された特徴情報の例えばモデル名称を含む提供情報「＜＜演算結果＞＞」を生成し、サービス提供サーバ１０側へ送信して事業者端末２０に表示させる（図７Ｆの利用画面の下段参照）。

例えば、図７Ｆに示すように、「釣り好き−川釣り」の演算式が実行されたものとする。かかる場合、各特徴の意味を考慮すると、演算結果の一つとして例えば「海釣り」が予測されるが、推定部４４は、演算の実行結果に最も近い特徴情報をベクトル情報３４から探索し、これを提供部４６へ通知する。

ここで、ベクトル情報３４に、演算の実行結果に最も近く、「海釣り」を表す特徴情報が存在すれば（図中の「「海釣り」あり」参照）、「＜＜演算結果＞＞」として「海釣り」が表示されることとなる。

一方で、図７Ｇに示すように、図７Ｆと同じ内容の演算で、ベクトル情報３４に「海釣り」を表す特徴情報が存在しなければ（図中の「「海釣り」なし」参照）、「＜＜演算結果＞＞」として演算の実行結果に最も近い特徴情報（ここでは、一例として「海洋漁具購入」）が表示される。

このような演算指定により、任意の特徴情報の組み合わせから、例えば所望の予測結果に適う特徴情報を抽出することができる一方で、逆に人手では予測し得なかった特徴情報を抽出することも可能となる。したがって、このような演算指定により、マーケティング等におけるカバレッジの充実や拡大を図ることが可能となる。

〔４．情報処理装置１の処理手順〕
次に、実施形態に係る情報処理装置１が実行する処理手順について説明する。図８は、実施形態に係る情報処理装置１が実行する処理手順を示すフローチャート（その１）である。また、図９は、実施形態に係る情報処理装置１が実行する処理手順を示すフローチャート（その２）である。なお、図８には、特徴情報が取得されて特徴情報間の関係性が推定されるまでの処理手順を示している。また、図９には、提供処理の処理手順を示している。

図８に示すように、まず、取得部４１は、ユーザＵの属性を用いてユーザＵの特徴を推定するモデル、および、上記属性を用いて推定されたユーザＵの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスＹそれぞれから取得する（ステップＳ１０１）。

そして、変換部４２が、取得部４１によって取得された特徴情報をベクトル値へ変換する（ステップＳ１０２）。

そして、推定部４４が、変換部４２によって変換されたベクトル値に基づいて特徴情報間の関係性を推定し（ステップＳ１０３）、処理を終了する。

また、提供処理においては、図９に示すように、まず、受付部４３は、サービスＹから特徴指定の要求を受け付けたか否かを判定する（ステップＳ２０１）。ここで、受付部４３が特徴指定を受け付けた場合（ステップＳ２０１，Ｙｅｓ）、抽出部４５は、推定部４４の推定結果に基づき、特徴指定により指定された特徴を有すると推定されるユーザＵを抽出する（ステップＳ２０２）。

そして、提供部４６は、抽出部４５によって抽出されたユーザＵのリストを含む提供情報をサービスＹへ提供し（ステップＳ２０３）、処理を終了する。

一方、受付部４３は、特徴指定の要求を受け付けなかった場合（ステップＳ２０１，Ｎｏ）、ユーザ指定の要求を受け付けたか否かを判定する（ステップＳ２０４）。なお、ステップＳ２０１およびステップＳ２０４の処理は、その処理順が入れ替わってもよい。

ここで、受付部４３がユーザ指定の要求を受け付けた場合（ステップＳ２０４，Ｙｅｓ）、抽出部４５は、推定部４４の推定結果に基づき、ユーザ指定により指定されたユーザＵの特徴を抽出する（ステップＳ２０５）。

つづいて、提供部４６は、抽出部４５によって抽出されたユーザＵの特徴を示す情報を含む提供情報をサービスＹへ提供し（ステップＳ２０６）、処理を終了する。

一方、受付部４３は、ユーザ指定の要求を受け付けなかった場合（ステップＳ２０４，Ｎｏ）、処理をステップＳ２０１へ移行する。

なお、図９では図示を略しているが、受付部４３は、特徴指定およびユーザ指定の要求を受け付けなかった場合（ステップＳ２０４，Ｎｏ）、演算指定の要求を受け付けたか否かを判定することができる。

ここで、かかる要求を受け付けた場合、推定部４４が、指定された演算式の内容でベクトル演算を実行し、その演算結果に最も近い特徴情報を提供部４６へ通知する。提供部４６は、通知された特徴情報を含む提供情報をサービスＹへ提供し、処理を終了する。一方、演算指定の要求を受け付けなかった場合、受付部４３は、処理をステップＳ２０１へ移行することとなる。

〔５．ハードウェア構成〕
上述してきた実施形態に係る情報処理装置１やサービス提供サーバ１０、事業者端末２０、ユーザ端末１００は、例えば図１０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。以下、情報処理装置１を例に挙げて説明する。図１０は、実施形態に係る情報処理装置１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、ＣＰＵ（Central Processing Unit）１１００、ＲＡＭ（Random Access Memory）１２００、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、およびメディアインターフェイス（Ｉ／Ｆ）１７００を備える。

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および当該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、通信網５００（図２に示したネットワークＮに対応）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、通信網５００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、および、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、当該プログラムを、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が実施形態に係る情報処理装置１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４の各機能を実現する。また、ＨＤＤ１４００には、記憶部３内のデータが記憶される。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、通信網５００を介してこれらのプログラムを取得してもよい。

〔６．その他〕
また、上記実施形態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。

例えば、図３に示した取得部４１と、受付部４３とは統合されてもよい。また、例えば、記憶部３に記憶される情報は、ネットワークＮを介して、外部に備えられた所定の記憶装置に記憶されてもよい。

また、上記実施形態では、情報処理装置１が、例えば、ユーザＵの属性を用いてユーザＵの特徴を推定するモデル、および、上記属性を用いて推定されたユーザＵの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスＹそれぞれから取得する取得処理と、取得処理によって取得された特徴情報をベクトル値へ変換する変換処理と、変換処理によって変換されたベクトル値に基づいて特徴情報間の関係性を推定する推定処理と、を行う例を示した。しかし、上述した情報処理装置１は、取得処理を行う取得装置と、変換処理を行う変換装置と、推定処理を行う推定装置とが分離されてもよい。この場合、取得装置は、少なくとも取得部４１を有する。変換装置は、少なくとも変換部４２を有する。推定装置は、少なくとも推定部４４を有する。そして、上記の情報処理装置１による処理は、取得装置と、変換装置と、推定装置との各装置を有する情報処理システムＳによって実現される。

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。

〔７．効果〕
実施形態に係る情報処理システムＳの情報処理装置１は、取得部４１と、変換部４２と、推定部４４とを備える。取得部４１は、ユーザＵの属性を用いてユーザＵの特徴を推定するモデル、および、上記属性を用いて推定されたユーザＵの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスＹそれぞれから取得する。変換部４２は、取得部４１によって取得された特徴情報をベクトル値へ変換する。推定部４４は、変換部４２によって変換されたベクトル値に基づいて特徴情報間の関係性を推定する。これにより、異なるサービスの個々の解析結果の関係性を推定することができる。

また、推定部４４は、上記ベクトル値に基づいて特徴情報同士の類似度を判定する。これにより、特徴情報同士の近さを判定することが可能となる。

また、推定部４４は、上記類似度が近いと判定される場合に、ユーザＵが上記特徴情報同士のうちの一方に該当する特徴を有するならば、当該ユーザＵは他方の特徴情報についても該当する特徴を有するものとして推定する。これにより、異なるサービスの個々の解析結果を横断的に利用した推定を行うことができる。

また、推定部４４は、ベクトル値に基づいて特徴情報同士を演算した演算結果が示す特徴情報を推定する。これにより、例えば所望の予測結果に適う特徴情報を抽出することができる一方で、逆に人手では予測し得なかった特徴情報を抽出することも可能となる。したがって、マーケティング等におけるカバレッジの充実や拡大を図ることが可能となる。

また、推定部４４は、上記演算結果に最も近いベクトル値を有する特徴情報を導出する。これにより、共有情報３１に登録されている特徴情報のうち、上記演算結果に最も近い特徴情報を精度よくかつ容易に導出することが可能となる。

また、特徴情報のモデルは、上記属性を入力することで、ユーザＵの特徴をスコアとして出力するものであって、変換部４２は、少なくとも上記属性および上記スコアを素性とする学習に基づき、特徴情報それぞれを多次元からなるベクトル値へ変換する。これにより、ユーザＵの属性およびスコアに基づいた特徴情報のベクトル化が可能となる。

また、変換部４２は、上記多次元のうち有意な次元のみを抽出した次元圧縮を行う。これにより、ノイズ成分等を排することができ、特徴情報を精度高くベクトル化することができる。

以上、本願の実施形態を図面に基づいて詳細に説明したが、これは例示であり、発明の開示の欄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。

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 情報処理装置
２ 通信部
３ 記憶部
４ 制御部
１０ サービス提供サーバ
２０ 事業者端末
３１ 共有情報
３２ サービス情報
３３ モデルプログラム情報
３４ ベクトル情報
４１ 取得部
４２ 変換部
４３ 受付部
４４ 推定部
４５ 抽出部
４６ 提供部
１００ ユーザ端末
Ｓ 情報処理システム

Claims (9)

1. ユーザの属性を用いて前記ユーザの特徴を推定するモデル、および、前記属性を用いて推定された前記ユーザの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスそれぞれから取得する取得部と、
   前記取得部によって取得された前記特徴情報をベクトル値へ変換する変換部と、
   前記変換部によって変換された前記ベクトル値に基づいて前記特徴情報間の関係性を推定する推定部と
   を備えることを特徴とする情報処理装置。
2. 前記推定部は、
   前記ベクトル値に基づいて前記特徴情報同士の類似度を判定する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記推定部は、
   前記類似度が近いと判定される場合に、前記ユーザが前記特徴情報同士のうちの一方に該当する特徴を有するならば、当該ユーザは他方の前記特徴情報についても該当する特徴を有するものとして推定する
   ことを特徴とする請求項２に記載の情報処理装置。
4. 前記推定部は、
   前記ベクトル値に基づいて前記特徴情報同士を演算した演算結果が示す前記特徴情報を推定する
   ことを特徴とする請求項１、２または３に記載の情報処理装置。
5. 前記推定部は、
   前記演算結果に最も近い前記ベクトル値を有する前記特徴情報を導出する
   ことを特徴とする請求項４に記載の情報処理装置。
6. 前記特徴情報の前記モデルは、
   前記属性を入力することで、前記ユーザの特徴をスコアとして出力するものであって、
   前記変換部は、
   少なくとも前記属性および前記スコアを素性とする学習に基づき、前記特徴情報それぞれを多次元からなる前記ベクトル値へ変換する
   ことを特徴とする請求項１〜５のいずれか一つに記載の情報処理装置。
7. 前記変換部は、
   前記多次元のうち有意な次元のみを抽出した次元圧縮を行う
   ことを特徴とする請求項６に記載の情報処理装置。
8. コンピュータが実行する情報処理方法であって、
   ユーザの属性を用いて前記ユーザの特徴を推定するモデル、および、前記属性を用いて推定された前記ユーザの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスそれぞれから取得する取得工程と、
   前記取得工程によって取得された前記特徴情報をベクトル値へ変換する変換工程と、
   前記変換工程によって変換された前記ベクトル値に基づいて前記特徴情報間の関係性を推定する推定工程と
   を含むことを特徴とする情報処理方法。
9. ユーザの属性を用いて前記ユーザの特徴を推定するモデル、および、前記属性を用いて推定された前記ユーザの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスそれぞれから取得する取得手順と、
   前記取得手順によって取得された前記特徴情報をベクトル値へ変換する変換手順と、
   前記変換手順によって変換された前記ベクトル値に基づいて前記特徴情報間の関係性を推定する推定手順と
   をコンピュータに実行させることを特徴とする情報処理プログラム。

Images