JP2020144578A - 特徴ベクトル生成装置、特徴ベクトル生成方法及び特徴ベクトル生成プログラム - Google Patents

Abstract

【課題】ユーザを識別する情報を用いずに、異なるドメインに対応するアイテムに関連性を持たせて特徴ベクトルを生成する。【解決手段】特徴ベクトル生成装置１は、イベントに対応するアイテムに関連するアイテム関連情報と、イベント発生時刻とを含む、第１ドメインの時系列データである第１時系列データと、第２ドメインの時系列データである第２時系列データとを取得する時系列データ取得部１２１と、第１時系列データに含まれる第１アイテム関連情報と共起する、第２時系列データに含まれる第２アイテム関連情報を特定する共起関係特定部１２２と、共起する第１アイテム関連情報及び第２アイテム関連情報に基づいて第１時系列データと第２時系列データとを統合した統合時系列データを複数生成する統合部１２３と、複数の統合時系列データに基づいて、複数のアイテム関連情報の特徴を示す特徴ベクトルを生成する特徴ベクトル生成部１２４と、を備える。【選択図】図２

Description

本発明は、特徴ベクトル生成装置、特徴ベクトル生成方法及び特徴ベクトル生成プログラムに関する。

幅広い業種で時系列データ分析が使われている。時系列データ分析では、過去のデータに基づいて将来のデータを推定する場面が多い。従来、線形の時系列解析手法（例えば、自己回帰和分移動平均モデル）がよく使われてきたが、機械学習手法も提案されている。機械学習手法は、非線形な時系列データや複雑な周期の時系列データにも効果的に対応できる。

近年、機械学習手法として、時系列データの各アイテムに特徴ベクトルを割り当てることにより、アイテムのクラスタリングや時系列パターンの分類等を行う方法が提案されている。例えば、非特許文献１には、Ｗｏｒｄ２Ｖｅｃ（Ｄｏｃ２Ｖｅｃ）を利用して、全ユーザの時系列データセットの各アイテムに特徴ベクトルを割り当て、当該特徴ベクトルに基づいて、ユーザにアイテムの推薦を行うことが開示されている。また、非特許文献２には、時系列データのアイテム間の間隔を考慮して、各アイテムに特徴ベクトルの割り当てを行うことが開示されている。

非特許文献１や非特許文献２に示される技術は、１つのドメインに対応する時系列データセットについて、各アイテムに特徴ベクトルを割り当てるものであり、異なるドメインの各アイテムに特徴ベクトルを割り当てることについては考慮されていない。したがって、異なるドメインのそれぞれに対応する時系列データセット間の転移学習を行う場合、これらのデータセットの関連性を考慮できず、転移学習を精度良く行うことができないという問題があった。

これに対し、非特許文献３では、異なるドメインの時系列データにおける共通のユーザを特定し、共通のユーザの時系列データを統合し、統合した時系列データに基づいて各アイテムに特徴ベクトルを割り当てることが開示されている。

Ozsoy, Makbule Gulcin. "From word embeddings to item recommendation." arXiv preprint arXiv:1601.01356, ２０１６年 Hong, Shenda, et al. "Event2vec: Learning Representations of Events on Temporal Sequences." Asia-Pacific Web (APWeb) and Web-Age Information Management (WAIM) Joint Conference on Web and Big Data. Springer, Cham,２０１７年 Hao Niu, et al. "Transfer Learning Among Time Series Data." The 21st Information-Based Induction Sciences Workshop. Sapporo, ２０１８年

しかしながら、異なるドメインの時系列データにおいて、ユーザを識別する情報が漏洩することを防止するためにユーザに関する情報が含まれていなかったり、暗号化されていたりすると、共通のユーザを特定するのが困難であり、時系列データを統合できないという問題が発生する。

そこで、本発明はこれらの点に鑑みてなされたものであり、ユーザを識別する情報を用いずに、異なるドメインに対応するアイテムに関連性を持たせて特徴ベクトルを生成することができる特徴ベクトル生成装置、特徴ベクトル生成方法及び特徴ベクトル生成プログラムを提供することを目的とする。

本発明の第１の態様に係る特徴ベクトル生成装置は、イベントに対応するアイテムに関連するアイテム関連情報と、前記イベントが発生した時刻とを含む時系列データであって、第１ドメインの時系列データである第１時系列データと、第２ドメインの時系列データである第２時系列データとを取得する時系列データ取得部と、前記第１時系列データに含まれるアイテム関連情報である第１アイテム関連情報と共起する、前記第２時系列データに含まれるアイテム関連情報である第２アイテム関連情報を特定する共起関係特定部と、前記共起関係特定部が特定した、共起する前記第１アイテム関連情報及び前記第２アイテム関連情報に基づいて前記第１時系列データと前記第２時系列データとを統合することにより統合時系列データを複数生成する統合部と、前記統合部により統合された複数の前記統合時系列データに基づいて、複数の前記統合時系列データに含まれる複数の前記アイテム関連情報の特徴を示す特徴ベクトルを生成する特徴ベクトル生成部と、を備える。

前記共起関係特定部は、前記第１アイテム関連情報が出現する時間帯における前記第２アイテム関連情報の出現率である第１出現率と、前記第１アイテム関連情報が出現しない時間帯における前記第２アイテム関連情報の出現率である第２出現率とに基づいて、共起する前記第１アイテム関連情報及び前記第２アイテム関連情報を特定してもよい。

前記共起関係特定部は、前記第１アイテム関連情報が出現しない時間帯の長さを、前記第１アイテム関連情報が出現する時間帯の長さに基づいて定めてもよい。
前記共起関係特定部は、前記第１アイテム関連情報が出現しない時間帯の開始時刻及び終了時刻の少なくともいずれかを、前記第１アイテム関連情報が出現する時間帯の開始時刻及び終了時刻の少なくともいずれかに基づいて定めてもよい。
前記統合部は、共起する前記第１アイテム関連情報及び前記第２アイテム関連情報に対応する前記第１出現率と、前記第２出現率との関係に基づいて共起度合いを特定し、特定した共起度合いに基づいて、前記第１時系列データに、共起する前記第２アイテム関連情報を挿入することにより、前記統合時系列データを生成してもよい。

前記統合部は、前記第１時系列データに前記第１アイテム関連情報と共起する前記第２アイテム関連情報を挿入することにより、前記統合時系列データを生成し、前記第２時系列データに前記第２アイテム関連情報と共起する前記第１アイテム関連情報を挿入することにより、前記統合時系列データを生成してもよい。

前記統合部は、前記第１時系列データに含まれる前記第１アイテム関連情報に隣接して、当該第１アイテム関連情報と共起する前記第２アイテム関連情報を挿入することにより、前記統合時系列データを生成してもよい。

前記特徴ベクトル生成部は、複数の前記統合時系列データに含まれる前記複数のアイテム関連情報の関係を解析することにより、複数のアイテム関連情報のそれぞれの特徴ベクトルを生成してもよい。

第１時系列データには、所定のイベントと、前記所定のイベントとは異なるイベントとの少なくともいずれかが含まれており、前記特徴ベクトル生成部は、前記第１時系列データに含まれる複数のアイテム関連情報のそれぞれの前記特徴ベクトルに基づいて、前記第１時系列データに対応するユーザの特徴ベクトルを第１特徴ベクトルとして生成するとともに、前記第２時系列データに含まれる複数のアイテム関連情報のそれぞれの前記特徴ベクトルに基づいて、前記第２時系列データに対応するユーザの特徴ベクトルを第２特徴ベクトルとして生成し、前記特徴ベクトル生成装置は、複数の前記第１特徴ベクトルと、当該第１特徴ベクトルに対応するユーザが所定のイベントを発生させたか否かの結果とに基づいて、ユーザの特徴ベクトルの入力に対して、当該ユーザを、前記所定のイベントを発生させたユーザと、前記所定のイベントを発生させなかったユーザとに分類する分類器を生成し、生成した前記分類器に前記第２特徴ベクトルを入力することにより、前記第２特徴ベクトルに対応するユーザを、前記所定のイベントを発生させると予測されるユーザと、前記所定のイベントを発生させないと予測されるユーザとに分類する予測部をさらに備えてもよい。

本発明の第２の態様に係る特徴ベクトル生成方法は、コンピュータが実行する、イベントに対応するアイテムに関連するアイテム関連情報と、前記イベントが発生した時刻とを含む時系列データであって、第１ドメインの時系列データである第１時系列データと、第２ドメインの時系列データである第２時系列データとを取得するステップと、前記第１時系列データに含まれるアイテム関連情報である第１アイテム関連情報と共起する、前記第２時系列データに含まれるアイテム関連情報である第２アイテム関連情報を特定するステップと、特定された、共起する前記第１アイテム関連情報及び前記第２アイテム関連情報に基づいて前記第１時系列データと前記第２時系列データとを統合することにより統合時系列データを複数生成するステップと、統合された複数の前記統合時系列データに基づいて、複数の前記統合時系列データに含まれる複数の前記アイテム関連情報の特徴を示す特徴ベクトルを生成するステップと、を備える。

本発明の第３の態様に係る特徴ベクトル生成プログラムは、コンピュータを、イベントに対応するアイテムに関連するアイテム関連情報と、前記イベントが発生した時刻とを含む時系列データであって、第１ドメインの時系列データである第１時系列データと、第２ドメインの時系列データである第２時系列データとを取得する時系列データ取得部、前記第１時系列データに含まれるアイテム関連情報である第１アイテム関連情報と共起する、前記第２時系列データに含まれるアイテム関連情報である第２アイテム関連情報を特定する共起関係特定部、前記共起関係特定部が特定した、共起する前記第１アイテム関連情報及び前記第２アイテム関連情報に基づいて前記第１時系列データと前記第２時系列データとを統合することにより統合時系列データを複数生成する統合部、及び、前記統合部により統合された複数の前記統合時系列データに基づいて、複数の前記統合時系列データに含まれる複数の前記アイテム関連情報の特徴を示す特徴ベクトルを生成する特徴ベクトル生成部、として機能させる。

本発明によれば、ユーザを識別する情報を用いずに、異なるドメインに対応するアイテムに関連性を持たせて特徴ベクトルを生成することができるという効果を奏する。

本実施形態に係る特徴ベクトル生成装置の概要を説明する図である。 本実施形態に係る特徴ベクトル生成装置の構成を示す図である。 複数の第１時系列データにおいてアイテムＩ_ｅ，ｍが出現する時間帯と、アイテムＩ_ｅ，ｍが出現しない時間帯とにおけるアイテムＩ_ｗ，ｎの出現状態を示す図である。 図３に示す時系列データに基づいて生成した特徴ベクトルを特徴空間に配置した例を示す図である。 本実施形態に係る第１特徴ベクトルに基づいて分類器を学習させた例を示す図である。 本実施形態に係る分類器により第２特徴ベクトルが分類された例を示す図である。 本実施形態に係る特徴ベクトル生成装置がアイテムの特徴ベクトルを生成するときの処理の流れを示すフローチャートである。 本実施形態に係る特徴ベクトル生成装置が所定のイベントを発生させるユーザを予測するときの処理の流れを示すフローチャートである。

［特徴ベクトル生成装置の概要］
図１は、本実施形態に係る特徴ベクトル生成装置の概要を説明する図である。特徴ベクトル生成装置は、異なるドメインの時系列データを統合し、当該時系列データに含まれるアイテムの特徴を示す特徴ベクトルを生成するコンピュータである。

特徴ベクトル生成装置は、第１ドメインの時系列データである第１時系列データを取得するとともに、第２ドメインの時系列データである第２時系列データを取得する（図１の（１））。本実施形態においてドメインは、時系列データの種別に基づいて時系列データを分類するための領域である。本実施形態では、第１ドメインは、例えば、ＥＣ（Electronic Commerce）サイトにおけるアイテムの購入に関するユーザの行動を示す時系列データを含む領域であり、第２ドメインは、例えば、任意のウェブサイトにおけるユーザの閲覧行動を示す時系列データを含む領域である。時系列データには、イベントに対応するアイテムに関連するアイテム関連情報と、イベントが発生した時刻とが含まれている。

特徴ベクトル生成装置は、第２時系列データに含まれるアイテム関連情報の中から、第１時系列データに含まれるアイテム関連情報と共起するアイテム関連情報を特定する（図１の（２））。そして、特徴ベクトル生成装置は、アイテム関連情報の共起関係に基づいて第１時系列データと、第２時系列データとを統合することにより、統合時系列データを複数生成する（図１の（３））。

特徴ベクトル生成装置は、生成した複数の統合時系列データのそれぞれに含まれる複数のアイテム関連情報の特徴を示す特徴ベクトルを生成する（図１の（４））。このようにすることで、特徴ベクトル生成装置は、ユーザを識別する情報が時系列データに含まれていない場合であっても、異なるドメインに対応する時系列データのアイテム関連情報に関連性を持たせて特徴ベクトルを生成することができる。これにより、特徴ベクトル生成装置は、異なるドメインに対応する時系列データ間の転移学習を精度良く行うことができる。
以下、特徴ベクトル生成装置の構成について説明する。

［特徴ベクトル生成装置１の構成例］
図２は、本実施形態に係る特徴ベクトル生成装置１の構成を示す図である。特徴ベクトル生成装置１は、記憶部１１と、制御部１２とを備える。

記憶部１１は、例えば、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等である。記憶部１１は、特徴ベクトル生成装置１を機能させるための各種プログラムを記憶する。例えば、記憶部１１は、特徴ベクトル生成装置１の制御部１２を、時系列データ取得部１２１、共起関係特定部１２２、統合部１２３、特徴ベクトル生成部１２４及び予測部１２５として機能させる特徴ベクトル生成プログラムを記憶する。

制御部１２は、例えばＣＰＵ（Central Processing Unit）である。制御部１２は、記憶部１１に記憶されている各種プログラムを実行することにより、特徴ベクトル生成装置１に係る機能を制御する。制御部１２は、記憶部１１に記憶されているプログラムを実行することにより、時系列データ取得部１２１、共起関係特定部１２２、統合部１２３、特徴ベクトル生成部１２４及び予測部１２５として機能する。

［アイテム関連情報の特徴ベクトルの生成］
本実施形態において、時系列データ取得部１２１、共起関係特定部１２２、統合部１２３、特徴ベクトル生成部１２４は、協働することにより、時系列データに含まれるアイテム関連情報の特徴ベクトルを生成する。以下、アイテム関連情報の特徴ベクトルの生成に係る時系列データ取得部１２１、共起関係特定部１２２、統合部１２３及び特徴ベクトル生成部１２４の機能について説明する。

［時系列データの取得］
時系列データ取得部１２１は、第１時系列データと第２時系列データとを取得する。例えば、時系列データ取得部１２１は、複数のユーザのＥＣサイトにおけるアイテムの閲覧及び購買履歴を示す情報を第１時系列データとして取得するとともに、複数のユーザのそれぞれのウェブサイトの閲覧履歴を示す情報を第２時系列データとして取得する。時系列データ取得部１２１は、例えば、第１時系列データと第２時系列データとを収集する情報収集サーバ（不図示）から、複数の第１時系列データと、複数の第２時系列データとを所定時間おきに取得する。

ここで、第１時系列データに対応する複数のユーザと、第２時系列データに対応する複数のユーザとには、同一の端末によりＥＣサイトにおけるアイテムの閲覧及び購買を行うとともにウェブサイトを閲覧する共通ユーザが含まれているものとする。

第１時系列データには、複数のイベントのそれぞれに対応するイベントデータが含まれている。イベントデータは、イベントに対応するアイテムに関連するアイテム関連情報と、イベントが発生した時刻とを含む。第１時系列データにおけるイベントは、例えば、アイテムの購入又はアイテムの説明ページの閲覧である。アイテムは、例えば、商品やサービスである。また、アイテム関連情報は、例えば、イベントの種別やアイテムの名称やアイテムが属するカテゴリである。

第１時系列データは、例えば、ＥＣサイトにおけるアクセス履歴であり、ＥＣサイトに対応するＵＲＬと、当該ＵＲＬへのアクセス時刻とを関連付けたイベントデータが複数含まれている。ＥＣサイトにおけるＵＲＬには、アイテムが購入された場合に端末に表示される購入完了ページのＵＲＬ及びアイテムを説明するページのＵＲＬが含まれている。また、ＵＲＬへのアクセス時刻は、イベントが発生した時刻に対応している。

ＥＣサイトに対応するＵＲＬには、パラメータとしてアイテム関連情報が含まれている。例えば、アイテムが購入された場合に端末に表示される購入完了ページのＵＲＬには、アイテム関連情報として、アイテムが購入されたことを示すイベント種別と、アイテムの名称又はカテゴリを示す情報とが含まれている。アイテムを説明するページのＵＲＬには、アイテム関連情報として、アイテムの閲覧イベントを示すイベント種別と、アイテムの名称又はカテゴリを示す情報とが含まれている。

複数の第１時系列データには、Ｍ個のアイテム関連情報が含まれているものとする。複数の第１時系列データに含まれているアイテム関連情報の集合を、｛Ｉ_ｅ，１，Ｉ_ｅ，２，Ｉ_ｅ，３，…，Ｉ_ｅ，Ｍ｝とする。なお、以下の説明において、複数の第１時系列データに含まれているアイテム関連情報に対応するアイテムの集合を、第１アイテム集合ともいう。また、以下の説明において、アイテム関連情報Ｉ_ｅ，ｍ（ただし、１≦ｍ≦Ｍ）を、アイテムＩ_ｅ，ｍともいう。

第２時系列データには、第１時系列データと同様に、複数のイベントのそれぞれに対応するイベントデータが含まれている。第２時系列データにおけるイベントは、例えば、アイテムを示す情報を含むウェブサイトの閲覧である。

第２時系列データは、例えば、ウェブサイトにおけるアクセス履歴であり、ウェブサイトに対応するＵＲＬと、当該ＵＲＬへのアクセス時刻とを関連付けたイベントデータが複数含まれている。ウェブサイトに対応するＵＲＬには、アイテムを説明するページのＵＲＬが含まれている。アイテムを説明するページのＵＲＬには、パラメータとしてアイテム関連情報が含まれている。例えば、アイテムを説明するページのＵＲＬには、アイテム関連情報として、アイテムの名称又はカテゴリを示す情報が含まれている。

複数の第２時系列データには、Ｎ個のアイテム関連情報が含まれているものとする。複数の第２時系列データに含まれているアイテム関連情報の集合を、｛Ｉ_ｗ，１，Ｉ_ｗ，２，Ｉ_ｗ，３，…，Ｉ_ｗ，Ｎ｝とする。以下の説明において、複数の第２時系列データに含まれているアイテム関連情報の集合を、第２アイテム集合ともいう。なお、また、以下の説明において、アイテム関連情報Ｉ_ｗ，ｎ（ただし、１≦ｎ≦Ｎ）を、アイテムＩ_ｗ，ｎともいう。また、第１時系列データと、第２時系列データとには、同じアイテムを示すアイテム関連情報が含まれていてもよい。例えば、Ｉ_ｅ，１と、Ｉ_ｗ，１とが同じアイテムを示すアイテム関連情報であってもよい。

［共起関係の特定］
共起関係特定部１２２は、第１時系列データに含まれるアイテム関連情報である第１アイテム関連情報と共起する、第２時系列データに含まれるアイテム関連情報である第２アイテム関連情報を特定する。

具体的には、まず、共起関係特定部１２２は、第１アイテム集合に含まれる複数のアイテム関連情報のそれぞれについて、第１時系列データにおいて第１アイテム関連情報が出現する時間帯である第１時間帯と、第１時系列データにおいて第１アイテム関連情報が出現しない時間帯である第２時間帯とを特定する。ここで、共起関係特定部１２２は、第１時系列データにおいて第１アイテム関連情報が出現しない時間帯（第２時間帯）の長さを、第１アイテム関連情報が出現する時間帯（第１時間帯）の長さに基づいて定める。例えば、共起関係特定部１２２は、第２時間帯の長さを第１時間帯の長さと同じ長さとする。

なお、共起関係特定部１２２は、第１時系列データにおいて第１アイテム関連情報が出現しない時間帯（第２時間帯）の開始時刻及び終了時刻の少なくともいずれかを、第１アイテム関連情報が出現する時間帯（第１時間帯）の開始時刻及び終了時刻の少なくともいずれかに基づいて定めてもよい。例えば、共起関係特定部１２２は、第２時間帯の開始時刻を、第１時間帯が出現した日とは別の日における、当該第１時間帯の開始時刻と同じ時刻としてもよい。

このようにすることで、第１時間帯における第２アイテム関連情報の出現率と、第２時間帯における第２アイテム関連情報の出現率とを同じ基準により算出できるので、共起する第２アイテム関連情報を精度良く特定することができる。

続いて、共起関係特定部１２２は、第１アイテム集合に含まれるアイテム関連情報に対応する第１時間帯における、第２アイテム関連情報の出現率である第１出現率Ｐ_Ａと、第２時間帯における第２アイテム関連情報の出現率である第２出現率Ｐ_ＮＡとを算出する。共起関係特定部１２２は、第１アイテム集合に含まれる複数のアイテム関連情報のそれぞれについて、第２アイテム集合に含まれる複数のアイテム関連情報のそれぞれに対応する第１出現率Ｐ_Ａと、第２出現率Ｐ_ＮＡとを算出する。

そして、共起関係特定部１２２は、第１出現率Ｐ_Ａと、第２出現率Ｐ_ＮＡとに基づいて、共起する第１アイテム関連情報及び第２アイテム関連情報を特定する。例えば、共起関係特定部１２２は、第１出現率Ｐ_Ａ／第２出現率Ｐ_ＮＡが閾値ｔｈよりも大きい場合、当該第１出現率Ｐ_Ａに対応する第１アイテム関連情報及び第２アイテム関連情報が共起関係にあると特定する。

ここで、第１出現率Ｐ_Ａと、第２出現率Ｐ_ＮＡとに基づいて、第１アイテム関連情報及び第２アイテム関連情報の共起関係を特定することの信頼性について説明する。

第１時系列データ及び第２時系列データにユーザ識別情報が含まれており、これらのユーザ識別情報に基づいて、第１時系列データと、第２時系列データとにおける共通ユーザが特定できる場合を考える。例えば、第１時系列データに対応するユーザＵ_ｅ，１、Ｕ_ｅ，２、Ｕ_ｅ，３、…、Ｕ_ｅ，Ｃと、第２時系列データに対応するユーザＵ_ｗ，１、Ｕ_ｗ，２、Ｕ_ｗ，３、…、Ｕ_ｗ，Ｃとが共通ユーザであるものとする。また、第１時系列データに対応するユーザとして、共通ユーザ以外のユーザＵ_{ｅ，Ｃ＋１}、Ｕ_{ｅ，Ｃ＋２}、Ｕ_{ｅ，Ｃ＋３}、…、Ｕ_ｅ，Ｘ、第２時系列データに対応するユーザとして、共通ユーザ以外のユーザＵ_{ｗ，Ｃ＋１}、Ｕ_{ｗ，Ｃ＋２}、Ｕ_{ｗ，Ｃ＋３}、…、Ｕ_ｗ，Ｙが存在するものとする。ただし、Ｃ≦Ｘ、Ｃ≦Ｙである。

共通ユーザは、第１時系列データに含まれるアイテムＩ_ｅ，ｍを閲覧又は購買する場合に、当該アイテムＩ_ｅ，ｍと共起関係がある、第２時系列データに含まれるアイテムＩ_ｗ，ｎを閲覧する可能性が高い。図３は、複数の第１時系列データにおいてアイテムＩ_ｅ，ｍが出現する時間帯（第１時間帯）と、アイテムＩ_ｅ，ｍが出現しない時間帯（第２時間帯）とにおけるアイテムＩ_ｗ，ｎの出現状態を示す図である。

図３に示すユーザＵ_ｅ，１〜Ｕ_ｅ，Ｘのそれぞれの右側に示される矢印は、各ユーザの第１時系列データを示している。Ｕ_ｗ，１〜Ｕ_ｗ，Ｙのそれぞれの右側に示される矢印は、各ユーザの第２時系列データを示している。また、図３に示すＴＡ１〜ＴＡ３及びＴＢ１〜ＴＢ２は、第１時間帯を示し、ＴＣ１〜ＴＣ４は、第２時間帯を示している。また、第１時間帯のうち、ＴＡ１〜ＴＡ３は、共通ユーザがアイテムＩ_ｅ，ｍを閲覧した時間帯、ＴＢ１〜ＴＢ２は、共通ユーザ以外のユーザがアイテムＩ_ｅ，ｍを閲覧した時間帯である。

複数の第１時系列データにおいて共通ユーザがアイテムＩ_ｅ，ｍを閲覧又は購買する第１時間帯の数をＬ１、共通ユーザ以外のユーザがアイテムＩ_ｅ，ｍを閲覧又は購買する第１時間帯の数をＬ２、ユーザがアイテムＩ_ｅ，ｍを閲覧又は購買しない第２時間帯の数をＬ３とする。

また、同一のユーザがアイテムＩ_ｅ，ｍを閲覧する場合におけるアイテムＩ_ｗ，ｎの出現率をＰ_１、アイテムＩ_ｅ，ｍが出現しない場合におけるアイテムＩ_ｗ，ｎの出現率をＰ_２、条件を付さない場合におけるアイテムＩ_ｗ，ｎの出現率をＰ、共通ユーザの数をＣ、第２時系列データに対応するユーザの数をＹとする。

この場合において、アイテムＩ_ｗ，ｎが出現する時間帯（第１時間帯）における出現率である第１出現率Ｐ_Ａは、以下の式（１）により示される。
P_A={L₁(P₁+P₂(C-1)+P(Y-C))+L₂(P₂C+P(Y-C))}/(L₁+L₂)・・・（１）

アイテムＩ_ｅ，ｍと、アイテムＩ_ｗ，ｎとが共起する場合、Ｐ_１≧Ｐ_２であるので、以下の式（２）が成り立つ。
P_A>={L₁(P₂+P₂(C-1)+P(Y-C))+L₂(P₂C+P(Y-C))}/(L₁+L₂)・・・（２）

また、（２）の右辺については、下記の式（３）が成り立つ。
{L₁(P₂+P₂(C-1)+P(Y-C))+L₂(P₂C+P(Y-C))}/(L₁+L₂)
=P₂C+P(Y-C)
=(L₃P₂C+L₃P(Y-C))/L₃・・・（３）

(L₃P₂C+L₃P(Y-C))/L₃は、アイテムＩ_ｅ，ｍが出現しない時間帯（第２時間帯）のアイテムＩ_ｗ，ｎの出現率Ｐ_ＮＡであることから、式（１）〜（３）に基づいて、アイテムＩ_ｅ，ｍとアイテムＩ_ｗ，ｎとが共起する場合、Ｐ_Ａ≧Ｐ_ＮＡとなる。したがって、Ｐ_ＡとＰ_ＮＡとの関係に基づいて、ユーザ識別情報を得ることなく、第１アイテム関連情報と、第２アイテム関連情報とが共起するか否かを特定することができる。なお、アイテムＩ_ｅ，ｍとアイテムＩ_ｗ，ｎとが共起していないのであれば、Ｐ_１＝Ｐ_２となり、結果として、Ｐ_Ａ＝Ｐ_ＮＡ＝Ｐとなる。

［時系列データの統合］
統合部１２３は、共起関係特定部１２２が特定した、共起する第１アイテム関連情報及び第２アイテム関連情報に基づいて、第１時系列データと第２時系列データとを統合することにより統合時系列データを複数生成する。

具体的には、まず、統合部１２３は、時系列データ取得部１２１が取得した第１時系列データに含まれるアイテム関連情報に関連付けられているイベントの発生時刻に基づいて、アイテム関連情報のシーケンスデータを生成する。例えば、統合部１２３は、時系列データ取得部１２１が取得した第１時系列データに対して、以下に示すアイテム関連情報のシーケンスデータＤ_ｅ，１〜Ｄ_ｅ，Ｘを生成する。

Ｄ_ｅ，１：Ｉ_ｅ，１，Ｉ_ｅ，２，…
Ｄ_ｅ，２：Ｉ_ｅ，３，Ｉ_ｅ，４，Ｉ_ｅ，２，Ｉ_ｅ，５，…
Ｄ_ｅ，３：Ｉ_ｅ，５，…
…
Ｄ_ｅ，Ｘ：Ｉ_ｅ，５，Ｉ_ｅ，２，…

同様に、統合部１２３は、時系列データ取得部１２１が取得した第２時系列データに対して、以下に示すアイテム関連情報のシーケンスデータＤ_ｗ，１〜Ｄ_ｗ，Ｙを生成する。
Ｄ_ｗ，１：Ｉ_ｗ，１，Ｉ_ｗ，２，Ｉ_ｗ，３，Ｉ_ｗ，４，Ｉ_ｗ，５，…
Ｄ_ｗ，２：Ｉ_ｗ，６，Ｉ_ｗ，５，Ｉ_ｗ，７，…
Ｄ_ｗ，３：Ｉ_ｗ，８，Ｉ_ｗ，１０，…
…
Ｄ_ｗ，Ｙ：Ｉ_ｗ，７，Ｉ_ｗ，５，…

統合部１２３は、共起する第１アイテム関連情報及び第２アイテム関連情報に対応する第１出現率Ｐ_Ａと、第２出現率Ｐ_ＮＡとの関係に基づいて共起度合いを特定する。共起度合いは、例えば、ｔａｎｈ（Ｐ_Ａ／Ｐ_ＮＡ）により求められる。ｔａｎｈ（）は、ハイパボリックタンジェントである。統合部１２３は、特定した共起度合いに基づいて、第１時系列データに基づいて生成したシーケンスデータに、共起する第２アイテム関連情報を挿入することにより、統合時系列データを生成する。例えば、統合部１２３は、特定した共起度合いを、アイテム関連情報を挿入する確率とする。統合部１２３は、第１時系列データに基づいて生成したシーケンスデータに、共起度合いに対応する確率で、共起する第２アイテム関連情報を挿入する。

ここで、第１時系列データに第２アイテム関連情報を挿入する場合、第１時系列データ上では、第２アイテム関連情報の発生時刻が規定されていない。そこで、統合部１２３は、第１時系列データに基づいて生成したシーケンスデータに含まれる第１アイテム関連情報に隣接して、当該第１アイテム関連情報と共起する第２アイテム関連情報を挿入することにより、統合時系列データを生成する。

また、統合部１２３は、第２時系列データに基づいて生成したシーケンスデータに第２アイテム関連情報と共起する第１アイテム関連情報を挿入することにより、統合時系列データを生成する。このようにすることで、特徴ベクトル生成装置１は、第１時系列データに第２アイテム関連情報を挿入して統合時系列データを生成するだけではなく、第２時系列データに第１アイテム関連情報を挿入して統合時系列データを生成するので、多くの統合時系列データを生成することができる。

例えば、アイテム関連情報Ｉ_ｅ，２とアイテム関連情報Ｉ_ｗ，５とが共起している場合、統合部１２３は、上述したシーケンスデータＤ_ｅ，１〜Ｄ_ｅ，Ｘに対して、Ｉ_ｅ，２とＩ_ｗ，５との共起度合いに基づいて、以下に示すようにＩ_ｗ，５を挿入する。なお、下記の例において、［Ｉ_ｗ，５］は、Ｉ_ｗ，５が新たに挿入されたことを示している。ここで、Ｉ_ｗ，５はＩ_ｅ，２とＩ_ｗ，５との共起度合いに基づいて挿入されることから、Ｉ_ｅ，２が含まれるシーケンスデータに対してＩ_ｗ，５が必ず挿入されるわけではない。例えば、シーケンスデータＤ_ｅ，２に対しては、Ｉ_ｗ，５が挿入されていないことが確認できる。

Ｄ_ｅ，１：Ｉ_ｅ，１，［Ｉ_ｗ，５］，Ｉ_ｅ，２，…
Ｄ_ｅ，２：Ｉ_ｅ，３，Ｉ_ｅ，４，Ｉ_ｅ，２，Ｉ_ｅ，５，…
Ｄ_ｅ，３：Ｉ_ｅ，５，…
…
Ｄ_ｅ，Ｘ：Ｉ_ｅ，５，［Ｉ_ｗ，５］，Ｉ_ｅ，２，…

同様に、統合部１２３は、上述したシーケンスデータＤ_ｗ，１〜Ｄ_ｗ，Ｙに対して、Ｉ_ｅ，２とＩ_ｗ，５との共起度合いに基づいて、以下に示すようにＩ_ｅ，２を挿入する。なお、下記の例において、［Ｉ_ｅ，２］は、Ｉ_ｅ，２が新たに挿入されたことを示している。

Ｄ_ｗ，１：Ｉ_ｗ，１，Ｉ_ｗ，２，Ｉ_ｗ，３，Ｉ_ｗ，４，Ｉ_ｗ，５，…
Ｄ_ｗ，２：Ｉ_ｗ，６，［Ｉ_ｅ，２］，Ｉ_ｗ，５，Ｉ_ｗ，７，…
Ｄ_ｗ，３：Ｉ_ｗ，８，Ｉ_ｗ，１０，…
…
Ｄ_ｗ，Ｙ：Ｉ_ｗ，７，［Ｉ_ｅ，２］，Ｉ_ｗ，５，…

以下の説明では、第２アイテム関連情報が挿入された第１時系列データに対応するシーケンスデータ、及び、第１アイテム関連情報が挿入された第２時系列データに対応するシーケンスデータをまとめて、統合時系列データという。

特徴ベクトル生成部１２４は、統合部１２３により統合された複数の統合時系列データに基づいて、複数の統合時系列データのそれぞれに含まれる複数のアイテム関連情報の特徴を示す特徴ベクトルを生成する。具体的には、特徴ベクトル生成部１２４は、複数の統合時系列データのそれぞれに含まれる複数のアイテム関連情報の関係を解析することにより、複数のアイテム関連情報のそれぞれの特徴ベクトルを生成する。

例えば、特徴ベクトル生成部１２４は、統合時系列データに含まれる複数のアイテム関連情報のそれぞれを１つの単語とみなし、複数の統合時系列データのそれぞれにおいて、当該単語を連結した文章を生成する。特徴ベクトル生成部１２４は、生成した複数の文章について、例えば、Ｗｏｒｄ２Ｖｅｃを用いることにより、複数のアイテム関連情報のそれぞれの特徴ベクトルを生成する。特徴ベクトルの要素数は、例えば、アイテム関連情報の数に対応するものとする。

図４は、図３に示す時系列データに基づいて生成した特徴ベクトルを特徴空間に配置した例を示す図である。なお、図４では、説明の便宜上、特徴空間を二次元に圧縮して特徴空間に配置した例を示している。図４には、マークＭ１とマークＭ２とがそれぞれ複数配置されている。これらのマークは、特徴空間上のアイテムの位置を示している。マークＭ１は、第１時系列データに対応する第１イベント関連情報を示しており、マークＭ２は、第２時系列データに対応する第２イベント関連情報を示している。また、マークＭ１の近傍には、第１アイテム関連情報に対応する符号Ｉ_ｅ，１〜Ｉ_ｅ，１０が示されており、マークＭ２の近傍には、第２アイテム関連情報に対応する符号Ｉ_ｗ，１〜Ｉ_ｗ，１２が示されている。

上述した例では、アイテム関連情報Ｉ_ｅ，２とＩ_ｗ，５とが共起しているものとしたが、図４では、Ｉ_ｅ，２とＩ_ｗ，５とが特徴空間において他のアイテムに比べて近い位置に配置されており、共起していることが確認できる。

［転移学習及び所定のイベントの発生予測］
本実施形態において、特徴ベクトル生成部１２４及び予測部１２５は、協働することにより、異なるドメインに対応する時系列データ間の転移学習を行うとともに、第２時系列データに対応するユーザが、所定のイベントを発生させるか否かを予測する。これにより、特徴ベクトル生成装置１は、異なるドメインに対応する時系列データ間の転移学習を行う学習装置、及び第２時系列データに対応するユーザが所定のイベントを発生させるか否かを予測する予測装置として機能する。以下、転移学習及び所定のイベントの発生予測に係る特徴ベクトル生成部１２４及び予測部１２５の機能について説明する。

特徴ベクトル生成部１２４は、第１時系列データに含まれる複数のアイテム関連情報のそれぞれに対応する特徴ベクトルに基づいて、第１時系列データに対応するユーザの特徴ベクトルを第１特徴ベクトルとして生成する。

例えば、特徴ベクトル生成部１２４は、統合部１２３と同様に、第１時系列データに基づいて統合時系列データを生成する。特徴ベクトル生成部１２４は、複数のユーザのそれぞれに対して生成した統合時系列データについて、当該統合時系列データに含まれる複数のアイテム関連情報のそれぞれに対して生成された特徴ベクトルの平均値（例えば、算術平均値や加重平均値）を算出する。特徴ベクトル生成部１２４は、１つの統合時系列データについて生成された特徴ベクトルの平均値を、当該統合時系列データに対応するユーザに対応する第１特徴ベクトルとする。なお、特徴ベクトル生成部１２４は、統合時系列データを生成し、当該統合時系列データに基づいて第１特徴ベクトルを生成したが、これに限らない。特徴ベクトル生成部１２４は、第１時系列データに基づいて第１特徴ベクトルを生成してもよい。

予測部１２５は、複数の第１特徴ベクトルと、当該第１特徴ベクトルに対応するユーザが所定のイベントを発生させたか否かの結果とに基づいて、ユーザの特徴ベクトルの入力に対して、当該ユーザを、所定のイベントを発生させたユーザと、当該所定のイベントを発生させなかったユーザとに分類する分類器を生成する。

例えば、予測部１２５は、第１特徴ベクトルの生成に用いた第１時系列データに基づく統合時系列データのうち、所定のアイテムの購入イベントを含む統合時系列データを正例データとし、所定のアイテムの購入イベントを含まない統合時系列データを負例データとする。そして、予測部１２５は、これらの正例データ及び負例データに基づいて機械学習を行うことにより、ユーザの特徴ベクトルの入力に対して、当該ユーザを、アイテムの購入イベントを発生させたユーザと、アイテムの購入イベントを発生させなかったユーザとに分類する分類器を生成する。

図５は、本実施形態に係る第１特徴ベクトルに基づいて分類器を学習させた例を示す図である。なお、図５では、説明の便宜上、第１特徴ベクトルを二次元に圧縮して特徴空間に配置した例を示している。図５に示すマークＭ３は、正例データに対応する第１特徴ベクトルを示し、マークＭ４は、負例データに対応する第１特徴ベクトルを示している。また、境界線Ｌは、分類器により第１特徴ベクトルを正例データと負例データとを分類したときの境界線を示している。なお、境界線は、説明の便宜上示すものであり、実際には境界線は生成されるものではない。

特徴ベクトル生成部１２４は、第２時系列データに含まれる複数のアイテム関連情報のそれぞれの特徴ベクトルに基づいて、第２時系列データに対応するユーザの特徴ベクトルである第２特徴ベクトルを生成する。例えば、特徴ベクトル生成部１２４は、統合部１２３と同様に、第２時系列データに基づいて統合時系列データを生成する。そして、特徴ベクトル生成部１２４は、第２時系列データに基づく統合時系列データに含まれる複数のアイテム関連情報のそれぞれに対して生成された特徴ベクトルの平均値を算出することにより、第２特徴ベクトルを生成する。なお、特徴ベクトル生成部１２４は、統合時系列データを生成し、当該統合時系列データに基づいて第２特徴ベクトルを生成したが、これに限らない。特徴ベクトル生成部１２４は、第２時系列データに基づいて第２特徴ベクトルを生成してもよい。

予測部１２５は、生成した分類器に第２特徴ベクトルを入力することにより、第２特徴ベクトルに対応するユーザを、所定のイベントを発生させると予測されるユーザと、所定のイベントを発生させないと予測されるユーザとに分類し、分類結果を示す情報を出力する。

図６は、本実施形態に係る分類器により第２特徴ベクトルが分類された例を示す図である。図６に示す例は、図５に対応する分類器により第２特徴ベクトルを分類した例を示しており、図５と同じ境界線Ｌが表示されている。図６に示すマークＭ５は、所定のイベントを発生させると予測されたユーザに対応する第２特徴ベクトルを示している。また、マークＭ６は、所定のイベントを発生させないと予測されたユーザに対応する第２特徴ベクトルを示している。このようにすることで、特徴ベクトル生成装置１は、異なるドメインに対応する時系列データ間の転移学習を精度良く行うことができる。

［特徴ベクトル生成装置１における処理の流れ］
続いて、特徴ベクトル生成装置１における処理の流れの一例について説明する。まず、特徴ベクトル生成装置１がアイテム関連情報の特徴ベクトルを生成するときの処理の流れについて説明する。図７は、本実施形態に係る特徴ベクトル生成装置１がアイテムの特徴ベクトルを生成するときの処理の流れを示すフローチャートである。

まず、時系列データ取得部１２１は、複数の第１時系列データと複数の第２時系列データとを取得する（Ｓ１）。
続いて、共起関係特定部１２２は、複数の第１時系列データと複数の第２時系列データとに基づいて、第１アイテム関連情報と共起する第２アイテム関連情報を特定する（Ｓ２）。

続いて、統合部１２３は、共起する第１アイテム関連情報及び第２アイテム関連情報に基づいて、統合時系列データを生成する（Ｓ３）。統合部１２３は、複数の第１時系列データと複数の第２時系列データとに基づいて、複数の統合時系列データを生成する。

続いて、特徴ベクトル生成部１２４は、複数の統合時系列データに基づいて、複数の統合時系列データのそれぞれに含まれる複数のアイテム関連情報の特徴ベクトルを生成する（Ｓ４）。

続いて、特徴ベクトル生成装置１が所定のイベントを発生させるユーザを予測するときの処理の流れについて説明する。図８は、本実施形態に係る特徴ベクトル生成装置１が所定のイベントを発生させるユーザを予測するときの処理の流れを示すフローチャートである。なお、本フローチャートの開始時に、時系列データ取得部１２１が複数の第１時系列データと複数の第２時系列データとを取得しており、特徴ベクトル生成部１２４が複数のアイテム関連情報のそれぞれの特徴ベクトルを生成しているものとする。

まず、特徴ベクトル生成部１２４は、時系列データ取得部１２１が取得した第１時系列データに基づいて統合時系列データを生成する（Ｓ１１）。具体的には、特徴ベクトル生成部１２４は、時系列データ取得部１２１が取得した第１時系列データに、当該第１時系列データに含まれる第１アイテム関連情報と共起する第２アイテム関連情報を挿入することにより統合時系列データを生成する。

続いて、特徴ベクトル生成部１２４は、Ｓ１１において生成された統合時系列データについて、当該時系列データに含まれるアイテム関連情報の特徴ベクトルに基づいて第１特徴ベクトルを生成する（Ｓ１２）。

続いて、予測部１２５は、Ｓ１２において生成された第１特徴ベクトルと、当該第１特徴ベクトルに対応するユーザが所定のイベント（アイテムの購入イベント）を発生させたか否かの結果とに基づいて、ユーザの特徴ベクトルの入力に対して、当該ユーザを、所定のイベントを発生させたユーザと、当該所定のイベントを発生させなかったユーザとに分類する分類器を生成する（Ｓ１３）。

続いて、特徴ベクトル生成部１２４は、時系列データ取得部１２１が取得した第２時系列データに基づいて統合時系列データを生成する（Ｓ１４）。具体的には、特徴ベクトル生成部１２４は、時系列データ取得部１２１が取得した第２時系列データに、当該第２時系列データに含まれる第２アイテム関連情報と共起する第１アイテム関連情報を挿入することにより統合時系列データを生成する。

続いて、特徴ベクトル生成部１２４は、Ｓ１４において生成された統合時系列データについて、当該統合時系列データに含まれるアイテム関連情報の特徴ベクトルに基づいて第２特徴ベクトルを生成する（Ｓ１５）。

続いて、予測部１２５は、Ｓ１３において生成された分類器に、Ｓ１５において生成された第２特徴ベクトルを入力することにより、当該第２特徴ベクトルに対応するユーザを、所定のイベントを発生させると予測されるユーザと、所定のイベントを発生させないと予測されるユーザとに分類する（Ｓ１６）。
続いて、予測部１２５は、Ｓ１６における分類結果を出力する（Ｓ１７）。例えば、予測部１２５は、分類結果を示す情報を含むファイルを生成し、当該ファイルを記憶部１１に記憶させる。

なお、本フローチャートでは、特徴ベクトル生成部１２４は、Ｓ１１及びＳ１４において統合時系列データを生成し、当該統合時系列データに基づいて第１特徴ベクトル及び第２特徴ベクトルを生成したが、これに限らない。特徴ベクトル生成部１２４は、上述したように、第１時系列データに基づいて第１特徴ベクトルを生成するとともに、第２時系列データに基づいて第２特徴ベクトルを生成してもよい。

［本実施形態における効果］
以上の通り、本実施形態に係る特徴ベクトル生成装置１は、第１ドメインの時系列データである第１時系列データと、第２ドメインの時系列データである第２時系列データとを取得し、第１時系列データに含まれるアイテム関連情報である第１アイテム関連情報と共起する、第２時系列データに含まれるアイテム関連情報である第２アイテム関連情報を特定する。そして、特徴ベクトル生成装置１は、共起する第１アイテム関連情報及び第２アイテム関連情報に基づいて第１時系列データと第２時系列データとを統合することにより統合時系列データを複数生成し、統合時系列データに含まれる複数のアイテム関連情報の特徴を示す特徴ベクトルを生成する。このようにすることで、特徴ベクトル生成装置１は、ユーザを識別する情報を用いずに、異なるドメインに対応する時系列データのアイテムに関連性を持たせて特徴ベクトルを生成することができる。これにより、特徴ベクトル生成装置１は、異なるドメインに対応する時系列データ間の転移学習を精度良く行うことができる。

以上、本発明を上記の実施形態を用いて説明したが、本発明の技術的範囲は上記実施形態に記載の範囲には限定されない。上記実施形態に、多様な変更又は改良を加えることが可能であることが当業者に明らかである。

例えば、上述の実施形態では、イベントデータをユーザが発生させたものとしたが、これに限らず、デバイスが発生させたものであってもよい。また、上述の実施形態では、特徴ベクトル生成装置１は、第１ドメインの第１時系列データと、第２ドメインの第２時系列データとを統合することにより統合時系列データを生成し、当該統合時系列データに基づいて、アイテム関連情報の特徴を示す特徴ベクトルを生成したが、これに限らない。特徴ベクトル生成装置１は、３つ以上のドメインのそれぞれに対応する時系列データを統合することにより統合時系列データを生成し、当該統合時系列データに基づいて、アイテムの特徴を示す特徴ベクトルを生成してもよい。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の全部又は一部は、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を併せ持つ。

１・・・特徴ベクトル生成装置、１１・・・記憶部、１２・・・制御部、１２１・・・時系列データ取得部、１２２・・・共起関係特定部、１２３・・・統合部、１２４・・・特徴ベクトル生成部、１２５・・・予測部

Claims (11)

1. イベントに対応するアイテムに関連するアイテム関連情報と、前記イベントが発生した時刻とを含む時系列データであって、第１ドメインの時系列データである第１時系列データと、第２ドメインの時系列データである第２時系列データとを取得する時系列データ取得部と、
   前記第１時系列データに含まれるアイテム関連情報である第１アイテム関連情報と共起する、前記第２時系列データに含まれるアイテム関連情報である第２アイテム関連情報を特定する共起関係特定部と、
   前記共起関係特定部が特定した、共起する前記第１アイテム関連情報及び前記第２アイテム関連情報に基づいて前記第１時系列データと前記第２時系列データとを統合することにより統合時系列データを複数生成する統合部と、
   前記統合部により統合された複数の前記統合時系列データに基づいて、複数の前記統合時系列データに含まれる複数の前記アイテム関連情報の特徴を示す特徴ベクトルを生成する特徴ベクトル生成部と、
   を備える特徴ベクトル生成装置。
2. 前記共起関係特定部は、前記第１アイテム関連情報が出現する時間帯における前記第２アイテム関連情報の出現率である第１出現率と、前記第１アイテム関連情報が出現しない時間帯における前記第２アイテム関連情報の出現率である第２出現率とに基づいて、共起する前記第１アイテム関連情報及び前記第２アイテム関連情報を特定する、
   請求項１に記載の特徴ベクトル生成装置。
3. 前記共起関係特定部は、前記第１アイテム関連情報が出現しない時間帯の長さを、前記第１アイテム関連情報が出現する時間帯の長さに基づいて定める、
   請求項２に記載の特徴ベクトル生成装置。
4. 前記共起関係特定部は、前記第１アイテム関連情報が出現しない時間帯の開始時刻及び終了時刻の少なくともいずれかを、前記第１アイテム関連情報が出現する時間帯の開始時刻及び終了時刻の少なくともいずれかに基づいて定める、
   請求項２又は３に記載の特徴ベクトル生成装置。
5. 前記統合部は、共起する前記第１アイテム関連情報及び前記第２アイテム関連情報に対応する前記第１出現率と、前記第２出現率との関係に基づいて共起度合いを特定し、特定した共起度合いに基づいて、前記第１時系列データに、共起する前記第２アイテム関連情報を挿入することにより、前記統合時系列データを生成する、
   請求項２から４のいずれか１項に記載の特徴ベクトル生成装置。
6. 前記統合部は、前記第１時系列データに前記第１アイテム関連情報と共起する前記第２アイテム関連情報を挿入することにより、前記統合時系列データを生成し、前記第２時系列データに前記第２アイテム関連情報と共起する前記第１アイテム関連情報を挿入することにより、前記統合時系列データを生成する、
   請求項１から５のいずれか１項に記載の特徴ベクトル生成装置。
7. 前記統合部は、前記第１時系列データに含まれる前記第１アイテム関連情報に隣接して、当該第１アイテム関連情報と共起する前記第２アイテム関連情報を挿入することにより、前記統合時系列データを生成する、
   請求項１から６のいずれか１項に記載の特徴ベクトル生成装置。
8. 前記特徴ベクトル生成部は、複数の前記統合時系列データに含まれる前記複数のアイテム関連情報の関係を解析することにより、複数のアイテム関連情報のそれぞれの特徴ベクトルを生成する、
   請求項１から７のいずれか１項に記載の特徴ベクトル生成装置。
9. 第１時系列データには、所定のイベントと、前記所定のイベントとは異なるイベントとの少なくともいずれかが含まれており、
   前記特徴ベクトル生成部は、前記第１時系列データに含まれる複数のアイテム関連情報のそれぞれの前記特徴ベクトルに基づいて、前記第１時系列データに対応するユーザの特徴ベクトルを第１特徴ベクトルとして生成するとともに、前記第２時系列データに含まれる複数のアイテム関連情報のそれぞれの前記特徴ベクトルに基づいて、前記第２時系列データに対応するユーザの特徴ベクトルを第２特徴ベクトルとして生成し、
   複数の前記第１特徴ベクトルと、当該第１特徴ベクトルに対応するユーザが所定のイベントを発生させたか否かの結果とに基づいて、ユーザの特徴ベクトルの入力に対して、当該ユーザを、前記所定のイベントを発生させたユーザと、前記所定のイベントを発生させなかったユーザとに分類する分類器を生成し、生成した前記分類器に前記第２特徴ベクトルを入力することにより、前記第２特徴ベクトルに対応するユーザを、前記所定のイベントを発生させると予測されるユーザと、前記所定のイベントを発生させないと予測されるユーザとに分類する予測部をさらに備える、
   請求項１から８のいずれか１項に記載の特徴ベクトル生成装置。
10. コンピュータが実行する、
    イベントに対応するアイテムに関連するアイテム関連情報と、前記イベントが発生した時刻とを含む時系列データであって、第１ドメインの時系列データである第１時系列データと、第２ドメインの時系列データである第２時系列データとを取得するステップと、
    前記第１時系列データに含まれるアイテム関連情報である第１アイテム関連情報と共起する、前記第２時系列データに含まれるアイテム関連情報である第２アイテム関連情報を特定するステップと、
    特定された、共起する前記第１アイテム関連情報及び前記第２アイテム関連情報に基づいて前記第１時系列データと前記第２時系列データとを統合することにより統合時系列データを複数生成するステップと、
    統合された複数の前記統合時系列データに基づいて、複数の前記統合時系列データに含まれる複数の前記アイテム関連情報の特徴を示す特徴ベクトルを生成するステップと、
    を備える特徴ベクトル生成方法。
11. コンピュータを、
    イベントに対応するアイテムに関連するアイテム関連情報と、前記イベントが発生した時刻とを含む時系列データであって、第１ドメインの時系列データである第１時系列データと、第２ドメインの時系列データである第２時系列データとを取得する時系列データ取得部、
    前記第１時系列データに含まれるアイテム関連情報である第１アイテム関連情報と共起する、前記第２時系列データに含まれるアイテム関連情報である第２アイテム関連情報を特定する共起関係特定部、
    前記共起関係特定部が特定した、共起する前記第１アイテム関連情報及び前記第２アイテム関連情報に基づいて前記第１時系列データと前記第２時系列データとを統合することにより統合時系列データを複数生成する統合部、及び、
    前記統合部により統合された複数の前記統合時系列データに基づいて、複数の前記統合時系列データに含まれる複数の前記アイテム関連情報の特徴を示す特徴ベクトルを生成する特徴ベクトル生成部、
    として機能させる特徴ベクトル生成プログラム。