JP2020154464A - 推定装置、推定方法及び推定プログラム - Google Patents

Abstract

【課題】利用者の感情を適切に推定すること。【解決手段】本願に係る推定装置は、取得部と、推定部とを有する。取得部は、所定の利用者の行動を示す行動情報を取得する。推定部は、取得部により取得された行動情報に基づいて、所定の利用者による一連の行動と因果関係を有する感情を推定する。【選択図】図３

Description

本発明は、推定装置、推定方法及び推定プログラムに関する。

近年、利用者の感情に応じた評価を行う技術が知られている。このような情報配信の一例として、利用者の生体情報から感情を推定し、推定した感情に基づいて製品の評価や利用者が閲覧したコンテンツの評価を行う技術が知られている。

特開２００６−０１２１７１号公報 特開２００６−３１３４８３号公報

しかしながら、上述した従来技術では、利用者の感情を適切に推定しているとは言えない場合がある。

例えば、利用者の感情は、瞬間的な生体情報と対応する感情に基づいて評価を行うにすぎないので、例えば、生体情報がある感情を示していたとしても、利用者は、既に異なる感情を有している、若しくは、まだ生体情報が示す感情を有していない場合が考えられる。この結果、瞬間的な生体情報と対応する感情を推定した場合は、利用者の感情を適切に推定できない恐れがある。

本願は、上記に鑑みてなされたものであって、利用者の感情を適切に推定することを目的とする。

本願に係る推定装置は、所定の利用者の行動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、前記所定の利用者による一連の行動と因果関係を有する感情を推定する推定部とを有することを特徴とする。

実施形態の一態様によれば、利用者の感情を適切に推定することができるという効果を奏する。

図１は、実施形態に係るネットワークシステムの構成例を示す図である。 図２は、実施形態に係る推定処理の一例を示す図である。 図３は、実施形態に係る推定装置の構成例を示す図である。 図４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５は、実施形態に係る推定装置による推定処理手順を示すフローチャートである。 図６は、ハードウェア構成の一例を示す図である。

以下に、本願に係る推定装置、推定方法及び推定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推定装置、推定方法及び推定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する。

〔１．ネットワークシステムの構成〕
まず、図１を参照して、実施形態に係るネットワークシステム１の構成について説明する。図１は、実施形態に係るネットワークシステム１の構成例を示す図である。

図１に示すように、実施形態に係るネットワークシステム１には、ユーザ装置１０_１〜１０_ｎと、推定装置１００とが含まれる（ｎは任意の自然数）。本明細書では、ユーザ装置１０_１〜１０_ｎを区別する必要がない場合は、ユーザ装置１０_１〜１０_ｎを「ユーザ装置１０」と総称する。ユーザ装置１０および推定装置１００は、それぞれネットワークＮと有線又は無線により接続される。図１中では図示していないが、ネットワークシステム１は、複数台の推定装置１００を含んでもよい。

ユーザ装置１０は、ユーザによって利用される情報処理装置である。ユーザ装置１０は、デスクトップ型ＰＣ（Personal Computer）、ノート型ＰＣ、スマートフォン、タブレット型ＰＣを含む、任意のタイプの情報処理装置であってもよい。

推定装置１００は、ユーザの感情を推定する情報処理装置である。推定装置１００は、ネットワークＮを介して、有線又は無線によりユーザ装置１０と通信を行う。

〔２．推定処理〕
次に、図２を参照して、実施形態に係る推定処理の一例について説明する。図２は、実施形態に係る推定処理の一例を示す図である。

従来、ネットワーク上のサービスを評価するための様々な評価指標が提案されている。例えば、ＣＴＲ（Click Through Rate）、ＰＶ（Page Views）等の評価指標が提案されている。ＣＴＲ、ＰＶ等の評価指標は、明確に定義されているため、サービス提供者は、このような評価指標を用いて、ネットワーク上のサービスの内容を、客観的な数値で評価することができる。

一方、近年、「感情」といった比較的明確に定義されていないものも、ネットワーク上のサービスを評価するための評価指標として提案されている。感情は、幸福、嫌悪等の主観的な意識体験であると考えられる。ネットワークを利用するユーザの感情は、例えば、センサデータ（例えば、ユーザに生じた生理的な反応）、テキストデータ（例えば、ユーザによって書かれた文章）、音声データ（例えば、ユーザの発話）、画像データ（例えば、ユーザの表情）等のデータから推定される場合がある。

上述の感情推定に関しては、一般的に、ユーザの感情は、「各瞬間」におけるデータから推定される。

例えば、ユーザの感情を示すフラグが、ある時刻におけるセンサデータに、正解ラベルとして付与される。例えば、ある感情（例えば、「幸福」）が、ある時刻における生理的な反応（例えば、心拍数、体温）に関連付けられる。また、例えば、別の感情（例えば、「嫌悪」）が、別の時刻における生理的な反応に関連付けられる。このような場合、センサデータと正解ラベルとを含む学習データを用いて機械学習を行うことにより、ユーザの感情を推定するモデルが生成される。あるターゲットユーザの心拍数や体温を示すセンサデータが、生成されたモデルに入力された場合に、生成されたモデルは、このターゲットユーザの感情を示すデータ（例えば、ユーザの感情が「幸福」である確率）を出力することができる。

言い換えると、一般的に、ユーザの感情を推定するモデルを生成するために、ある瞬間における感情を示すデータが作成される。すなわち、このようなデータは、ユーザの感情のスナップショットである、と考えられる。一般的に、ユーザの感情を推定するモデルは、このような感情のスナップショットに基づいて生成される。

このように、一般的な感情推定では、ユーザの感情は、ある瞬間における意識的体験として定義されている。この場合、ユーザの感情は、ある時刻におけるインスタンス（instance）や、ある時刻における特徴ベクトル（feature vector）に関連付けられている。しかしながら、ユーザの感情は、ある瞬間における意識的体験であるとは限らない。例えば、ユーザの感情はある「過程」における意識的体験である、とも考えられる。このような感情と行動との有効理論の観点からは、たとえ、ユーザの感情が、「各時刻」におけるインスタンスに対応するとしても、ユーザの感情は、「所定の期間」におけるインスタンスにも対応し得る。

説明のための一例として、ユーザの行動は、細かい行動の線が集まった１つの太い束であると仮定する。細かい行動の線が集まった１つの太い束とは、複数の行動の線の束のことである。例えば、ユーザの行動は、「調べる」、「買う」といった行動に相当する。この場合、細かい行動の線は、ユーザによって閲覧されている画面の内容（すなわち、閲覧するという行動）、ユーザの操作等の行動に相当する。この例では、ユーザの感情は、ユーザの行動の推移（すなわち、ユーザの行動過程）における意識的体験である、と考えられる。

言い換えると、上述の「複数の行動の線の束」の観点からは、ユーザの感情を上述の「感情のスナップショット」で定義することは適切でない、と考えられる。一方、上述の「感情と行動との有効理論」の観点からは、ユーザの感情を「複数の行動の線の束」で定義することは妥当である、と考えられる。例えば、ユーザの感情は、複数の行動が集まった１つの太い束の結果である、と考えられる。より具体的には、ユーザの感情は、ユーザの一連の行動に応じて決まるものである、と考えられる。

例えば、ある人物があるユーザに「この瞬間どんな気分？」と質問した場合に、このユーザは、自分の感情を適切に把握できないかもしれない。一方、ある人物があるユーザに「あの時はどんな気分？」と質問した場合には、このユーザは、自分の感情を適切に把握できるかもしれない。この場合、このようなユーザの感情は、「雰囲気」に近いものである、といえる。

そこで、図２の例示的な実施形態では、推定装置１００は、ユーザの感情を分析するために、以下に説明される推定処理を実行する。

以下に説明される推定処理の一例では、推定装置１００は、ユーザの一連の行動（例えば、ユーザによって閲覧されている画面の内容（すなわち、閲覧するという行動）、ユーザの操作等のウェブ行動）と、このユーザの感情との因果関係を分析する。なお、この推定処理の一例では、推定装置１００が因果関係を分析した後に、推定装置１００は、因果関係の分析結果を利用して、コンテンツをユーザに提供する。

上述の因果関係の分析に関しては、推定装置１００は、上述の「複数の行動の線の束」としてのユーザの一連の行動を解きほぐし、全体を統括する感情と、複数の行動の線の各々の有無とに基づいて、ユーザの一連の行動と、このユーザの感情との因果関係を調べる。このように、推定装置１００は、ユーザが一連の行動をとった状況下において、個々のユーザの行動（例えば、個別の商品に関する閲覧行動、個別の商品に関する購入行動）を切り分けて、ユーザの感情（すなわち、雰囲気に近いような感情）を追跡する。

図２の例では、はじめに、推定装置１００は、ユーザの行動情報を取得する（ステップＳ１１）。

図２には図示されていないが、推定装置１００は、例えば、検索やポータル、ＳＮＳ（Social Network Service）、オークションサービス、地図情報サービス等のネットワーク上のサービス（例えば、ウェブサービス）を、ユーザに提供してもよい。そして、推定装置１００は、ネットワーク上のサービスを介して、ユーザの行動情報を、ユーザのユーザ装置１０から受信してもよい。このようにして、推定装置１００は、ユーザの行動情報を取得することができる。

取得されたユーザ情報は、ネットワーク上のユーザの行動を示す。例えば、取得された行動情報は、クリック履歴、閲覧されたコンテンツの履歴、広告の選択履歴、ＳＮＳの投稿履歴、オークションの出品履歴、オークションの落札履歴、購入履歴、位置履歴（例えば、ＧＰＳ（Global Positioning System）の履歴、ビーコン検知履歴）等のネットワーク上の各種ログを示す。

次いで、推定装置１００は、取得された行動情報に基づいて、ユーザが所定の取引対象（例えば、商品、サービス）を購入したタイミングを特定し、取得された行動情報のうち、特定されたタイミングを含む所定の期間におけるユーザの行動を示す行動情報を決定する（ステップＳ１２）。

図２の例では、決定された行動情報は、行動ＵＡ１１、行動ＵＡ１２、行動ＵＡ１３、行動ＵＡ１４等の所定の期間における行動を示すデータとして示されている。また、決定された行動情報は、ユーザが所定の期間において所定の商品を購入したことを示す。

例えば、決定された行動情報は、ユーザが、行動ＵＡ１１をとり、行動ＵＡ１２をとり、行動ＵＡ１３をとり、行動ＵＡ１４をとり、その後所定の商品を購入したことを示してもよい。また、例えば、決定された行動情報は、ユーザが、行動ＵＡ１１をとり、行動ＵＡ１２をとり、所定の商品を購入し、行動ＵＡ１３をとり、その後行動ＵＡ１４をとったことを示してもよい。

次いで、推定装置１００は、上述の所定の期間におけるユーザの感情を推定し、推定されたユーザの感情と、決定された行動情報とを含む学習データ（すなわち、訓練データ）を生成する（ステップＳ１３）。

例示のために、図２の例では、ユーザが、ウェアラブルデバイス等のセンシングデバイスを利用していると仮定する。この例では、推定装置１００は、センシングデバイスを用いて、ユーザの生理的な反応（例えば、心拍数や体温の変化）を特定する。センシングデバイスは、ユーザ装置１０であってもよい。そして、推定装置１００は、特定された生理的な反応に基づいて、上述の所定の期間におけるユーザの感情を推定することができる。例えば、推定装置１００は、特定された生理的な反応に基づいて、「幸福」、「驚き」、「恐れ」等の感情（例えば、基本６感情）を、所定の期間におけるユーザの感情として推定する。このような感情は、取引対象の購入と関連性がある感情であってもよい。例えば、推定装置１００は、幸福、喜び、情熱、楽しみ等のポジティブ感情を、所定の期間におけるユーザの感情として推定してもよい。

このようにして、推定装置１００は、推定されたユーザの感情を、決定された行動情報に関連付けることができる。その結果、推定装置１００は、推定されたユーザの感情と、決定された行動情報とを含む学習データを生成することができる。

なお、上述の所定の期間におけるユーザの感情は、例えば、所定の期間の途中におけるユーザの感情である。上述の所定の期間におけるユーザの感情は、所定の期間の後におけるユーザの感情であってもよい。すなわち、上述の所定の期間におけるユーザの感情は、一連の行動の直後の感情であってもよい。

次いで、推定装置１００は、生成された学習データに基づいて、ＭＩＬ（Multiple Instance Learning）を行い、ユーザの感情を予測する予測モデルを生成する（ステップＳ１４）。

上述のＭＩＬは、教師あり学習（supervised learning）の一手法である。ＭＩＬとは、１つまたは複数のインスタンスに１つの正解ラベルが関連付けられた学習データを用いて、「ラベルが未知のインスタンス」または「ラベルが未知の１つまたは複数のインスタンス」のラベルを予測する手法を指す。なお、インスタンスは、特徴ベクトルとも呼ばれる。

例えば、ＭＩＬでは、１つまたは複数のインスタンスに対応する１つまたは複数のタプル（tuple）に、１つの正解ラベルが関連付けられている。より具体的には、１つまたは複数のインスタンスが、ポジティブバッグ（positive bag）またはネガティブバッグ（negative bag）に含まれる。ポジティブバッグは、１つまたは複数のポジティブインスタンス（positive instance）を含む。一方、ネガティブバッグは、１つまたは複数のネガティブインスタンス（negative instance）のみを含む。この点に関し、一般的な教師あり学習では、１つのインスタンス（すなわち、１つのタプル）に、１つの正解ラベルが関連付けられている。

なお、ＭＩＬでは、一般的な教師あり学習の場合と同様に、インスタンスの次元は、予め設定されている。すなわち、インスタンスは、Ｎ次元のインスタンス空間（Ｎは、次元の数）上で定義される。しかしながら、上述のように、ＭＩＬでは、１つまたは複数のインスタンスに、１つの正解ラベルが関連付けられている。したがって、ＭＩＬでは、学習データの入力として用いられるインスタンスの数（すなわち、タプルの数）は、固定されていない。言い換えると、カーディナリティ（cardinality）は、バッグ（すなわち、ポジティブバッグまたはネガティブバッグ）によって異なり得る。

予測モデルの生成に関しては、ＭＩＬでは、上述の１つまたは複数のインスタンスに１つの正解ラベルが関連付けられた学習データを用いて、ラベルを予測する予測モデルが生成される。

例えば、ＥＭＤＤ（Expectation Maximization Diverse Density）の手法により、あるインスタンスがポジティブインスタンスである事後確率を出力する確率モデルが生成される。また、例えば、ＭＩＬブースト（boost）の手法により、このような確率モデルが生成され得る。また、例えば、ＳＶＭ（Support Vector Machine）の手法（例えば、ｍｉＳＶＭ、ＭＩＳＶＭ）により、あるインスタンスをポジティブインスタンスまたはネガティブインスタンスのうちの１つに分類する分類モデルが生成される。

また、例えば、ＳＶＭの手法により、あるバッグをポジティブバッグまたはネガティブバッグのうちの１つに分類する分類モデルも生成され得る。より具体的には、バッグ空間におけるバッグ間の距離（例えば、ハウスドルフ距離）に基づく距離関数（distance function）を用いたＳＶＭの手法により、このような分類モデルが生成され得る。

なお、ＭＩＬでは、ラベルを予測する予測モデルを生成することなく、ラベルが予測され得る。例えば、ＭＩＬでは、パターン分類のアルゴリズムによって、ラベルが予測され得る。例えば、ＣＫＮＮ（Citation ｋ Nearest Neighbor）の手法により、あるバッグは、ポジティブバッグまたはネガティブバッグのうちの１つに分類されてもよい。

図２の例では、１つのユーザの行動が、上述の１つのインスタンスに対応する。

例えば、インスタンスの１１番目の成分が、スクロール操作に対応してもよい。また、例えば、インスタンスの１２番目の成分が、ジェスチャに対応してもよい。また、例えば、インスタンスの１３番目の成分が、センサデータ（例えば、ユーザ装置１０のモーション）に対応してもよい。

また、例えば、インスタンスの２１番目の成分が、閲覧されたコンテンツに対応してもよい。また、例えば、インスタンスの２２番目の成分が、選択されたコンテンツに対応してもよい。また、例えば、インスタンスの２３番目の成分が、検索されたコンテンツに対応してもよい。

また、例えば、インスタンスの３１番目の成分が、購入された取引対象に対応してもよい。また、例えば、インスタンスの３２番目の成分が、支払われたコスト（例えば、ユーザによりサービス提供者へ支払われた金額）に対応してもよい。また、例えば、インスタンスの３３番目の成分が、利用されたサービスに対応してもよい。

また、図２の例では、１つまたは複数のユーザの行動に、１つの感情が関連付けられている。言い換えると、この１つの感情は、上述のラベルに対応する。また、１つまたは複数のユーザの行動は、この１つの感情のバッグ（例えば、ポジティブバッグまたはネガティブバッグ）に含まれる。

例えば、行動ＵＡ１１、行動ＵＡ１２、行動ＵＡ１３および行動ＵＡ１４に、感情「幸福」が関連付けられていてもよい。また、例えば、行動ＵＡ２１および行動ＵＡ２２（図示せず）に、感情「情熱」が関連付けられていてもよい。また、例えば、行動ＵＡ３１、行動ＵＡ３２および行動ＵＡ３３（図示せず）に、感情「楽しみ」が関連付けられていてもよい。

言い換えると、行動ＵＡ１１、行動ＵＡ１２、行動ＵＡ１３および行動ＵＡ１４は、感情「幸福」のポジティブバッグに含まれてもよい。この場合、例えば、行動ＵＡ４１および行動ＵＡ４２（図示せず）が、感情「幸福」のネガティブバッグに含まれてもよい。感情「幸福」のポジティブバッグは、感情「幸福」に対応する１つまたは複数の行動を含む。一方、感情「幸福」のネガティブバッグは、１つまたは複数の感情「幸福」に対応しない行動のみを含む。

すなわち、感情「幸福」のポジティブバッグは、ユーザが行動ＵＡ１１をとり、行動ＵＡ１２をとり、行動ＵＡ１３をとり、その後行動ＵＡ１４をとった期間において、このユーザが感情「幸福」を経験したことを示す。一方、感情「幸福」のネガティブバッグは、ユーザが行動Ａ４１をとり、その後行動Ａ４２をとった期間において、このユーザが感情「幸福」を経験しなかったことを示す。このようにして、ＭＩＬが、感情分析（sentiment analysis）のドメインに適用される。

例示のために、図２の例では、推定装置１００は、生成された学習データに基づいて、ＭＩＬを行い、ユーザの感情を予測する予測モデルとして、ユーザの感情を分類するＳＶＭを生成すると仮定する。この例では、１つまたは複数のユーザの行動を示す行動情報が、生成されたＳＶＭに入力された場合に、生成されたＳＶＭは、ユーザが１つまたは複数のユーザの行動をとった期間におけるユーザの感情を分類する。

例えば、生成されたＳＶＭは、１つまたは複数のユーザの行動を、感情「幸福」に対応する行動に分類する。また、例えば、生成されたＳＶＭは、別の１つまたは複数のユーザの行動を、感情「幸福」に対応しない行動に分類する。

次いで、推定装置１００は、ターゲットユーザの行動情報を取得する（ステップＳ１５）。

上述のターゲットユーザは、上述のＭＩＬを用いた感情推定の対象（target）となるユーザである。図２には図示されていないが、例えば、推定装置１００は、上述のネットワーク上のサービスを介して、ターゲットユーザの行動情報を、ターゲットユーザのユーザ装置１０から受信してもよい。このようにして、推定装置１００は、ターゲットユーザの行動情報を取得することができる。

次いで、推定装置１００は、取得されたターゲットユーザの行動情報を、生成された予測モデルに入力することによって、ターゲットユーザの感情と、この感情と因果関係を有するターゲットユーザの一連の行動とを推定する（ステップＳ１６）。

例示のために、図２の例では、推定装置１００は、第１のターゲットユーザの行動ＴＵＡ１１および行動ＴＵＡ１２にそれぞれ対応する複数のインスタンスを、生成された予測モデルに入力することによって、第１のターゲットユーザの行動ＴＵＡ１１および行動ＴＵＡ１２を、感情「幸福」に対応する行動に分類すると仮定する。さらに、第１のターゲットユーザの行動ＴＵＡ１１および行動ＴＵＡ１２が、「取引対象を調べる」という行動に対応すると仮定する。この例では、推定装置１００は、「取引対象を調べる」という行動を、感情「幸福」と因果関係を有する一連の行動として推定する。

さらに、図２の例では、推定装置１００は、第２のターゲットユーザの行動ＴＵＡ２１および行動ＴＵＡ２２にそれぞれ対応する複数のインスタンスを、生成された予測モデルに入力することによって、第２のターゲットユーザの行動ＴＵＡ２１および行動ＴＵＡ２２を、感情「楽しみ」に対応する行動に分類すると仮定する。さらに、第２のターゲットユーザの行動ＴＵＡ２１および行動ＴＵＡ２２が、「取引対象を購入する」という行動に対応すると仮定する。この例では、推定装置１００は、この例では、推定装置１００は、「取引対象を購入する」という行動を、感情「楽しみ」と因果関係を有する一連の行動として推定する。

その後、推定装置１００は、推定された「ターゲットユーザの感情」と、推定された「ターゲットユーザの一連の行動」との組み合わせが所定の条件を満たすか否かを判定し、組み合わせが所定の条件を満たすと判定された場合に、ターゲットユーザに広告を提供する（ステップＳ１７）。

例示のために、図２の例では、ターゲットユーザに広告を提供するための所定の条件が、「推定されたターゲットユーザの感情と、推定されたターゲットユーザの一連の行動との組み合わせが、幸福、喜び、情熱、楽しみ等のポジティブ感情と、取引対象に出会うという行動、取引対象を調べるという行動、取引対象を購入するという行動、サービス提供者にコストを支払うという行動、サービスを利用する等の行動との組み合わせである」という条件であると仮定する。この例では、推定装置１００は、第１のターゲットユーザの「取引対象を調べる」という行動と、第１のターゲットユーザの感情「幸福」の組み合わせが、ターゲットユーザに広告を提供するための所定の条件を満たすと判定する。また、推定装置１００は、第２のターゲットユーザの「取引対象を購入する」という行動と、第２のターゲットユーザの感情「楽しみ」の組み合わせが、ターゲットユーザに広告を提供するための所定の条件を満たすと判定する。したがって、推定装置１００は、第１のターゲットユーザおよび第２のターゲットユーザに、広告を提供する。

上述のように、実施形態に係る推定装置１００は、ユーザの一連の行動と、このユーザの感情との因果関係を分析する。そして、推定装置１００は、因果関係の分析結果を利用して、コンテンツ（例えば、広告）をユーザに提供する。これにより、推定装置１００は、サービス提供者が、サービスの利用を促進させることを可能にする。

例えば、サービスのサイクルは、取引対象（例えば、商品またはサービス）に出会う過程、取引対象を調べる過程、取引対象を購入する過程、サービス提供者にコストを支払う過程、およびサービスを利用する過程を含む。これらの過程のいずれかにおいて、ユーザが不快な経験をした場合に、このユーザは、サービスから離脱する可能性がある。これに関して、推定装置１００は、サービス提供者が、ユーザの一連の行動と因果関係を有する感情を、サービスを評価するための評価指標として利用することを可能にする。これにより、推定装置１００は、サービス提供者が、サービスを利用するユーザの視点に立ち、ユーザエクスペリエンスを向上させることを可能にする。このため、推定装置１００は、上述の過程のいずれかにおいて、ユーザがサービスから離脱する可能性を低減することができる。以下、このような推定処理を実現する推定装置１００について詳細に説明する。

〔３．推定装置の構成〕
次に、図３を参照して、実施形態に係る推定装置１００の構成例について説明する。図３は、実施形態に係る推定装置１００の構成例を示す図である。図３に示すように、推定装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、推定装置１００は、推定装置１００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（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。通信部１１０は、ネットワーク網と有線又は無線により接続され、ネットワーク網を介して、ユーザ装置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。図３に示すように、記憶部１２０は、学習データ記憶部１２１を有する。

（学習データ記憶部１２１）
図４は、実施形態に係る学習データ記憶部１２１の一例を示す図である。学習データ記憶部１２１は、学習データのセット（すなわち、データセット）を記憶する。

例えば、学習データ記憶部１２１は、ユーザの感情と、この感情と因果関係を有するこのユーザの一連の行動との間の関係性を学習するための学習データのセットを記憶する。より具体的には、学習データ記憶部１２１は、ＭＩＬの手法により、ユーザの感情と、この感情と因果関係を有するこのユーザの一連の行動との間の関係性を学習するための学習データのセットを記憶する。

学習データ記憶部１２１は、例えば、受信部１３１によって受信された学習データを記憶する。図４の例では、学習データ記憶部１２１には、「学習データ」が「学習データＩＤ」ごとに記憶される。例示として、「学習データ」には、項目「バッグ」および項目「ラベル」が含まれる。

「学習データＩＤ」は、学習データを識別するための識別子を示す。「バッグ」は、学習データのセットに含まれるバッグを示す。「ラベル」は、バッグに関連付けられた正解ラベルを示す。

上述のように、ＭＩＬでは、１つまたは複数のインスタンスに対応する１つまたは複数のタプルに、１つの正解ラベルが関連付けられている。より具体的には、１つまたは複数のインスタンスが、ポジティブバッグまたはネガティブバッグに含まれる。ポジティブバッグは、１つまたは複数のポジティブインスタンスを含む。一方、ネガティブバッグは、１つまたは複数のネガティブインスタンスのみを含む。

例えば、図４は、学習データＩＤ「Ｄ１」で識別される学習データのバッグが、「行動ＵＡ１１」、「行動ＵＡ１２」、「行動ＵＡ１３」および「行動ＵＡ１４」にそれぞれ対応する複数のインスタンスを含む「ポジティブバッグ」であることを示している。

また、例えば、図４は、学習データＩＤ「Ｄ１」で識別される学習データのバッグに関連付けられた正解ラベルが、感情「幸福」であることを示している。

すなわち、図４は、あるユーザが行動ＵＡ１１をとり、行動ＵＡ１２をとり、行動ＵＡ１３をとり、行動ＵＡ１４をとった所定の期間において、このユーザが感情「幸福」を経験したことを示している。

また、例えば、図４は、学習データＩＤ「Ｄ２」で識別される学習データのバッグが、「行動ＵＡ２１」および「行動ＵＡ２２」にそれぞれ対応する複数のインスタンスを含む「ネガティブバッグ」であることを示している。

また、例えば、図４は、学習データＩＤ「Ｄ２」で識別される学習データのバッグに関連付けられた正解ラベルが、感情「情熱」であることを示している。

すなわち、図４は、あるユーザが行動ＵＡ２１をとり、行動ＵＡ２２をとった所定の期間において、このユーザが感情「情熱」を経験しなかったことを示す。

なお、所定の期間におけるユーザの感情は、例えば、所定の期間の途中におけるユーザの感情であるが、これに限定されるものではない。上述の所定の期間におけるユーザの感情は、所定の期間の後におけるユーザの感情であってもよい。すなわち、上述の所定の期間におけるユーザの感情は、一連の行動の直後の感情であってもよい。また、上述の所定の期間におけるユーザの感情は、所定の期間の前におけるユーザの感情であってもよい。すなわち、上述の所定の期間におけるユーザの感情は、一連の行動の直前の感情であってもよい。

すなわち、所定の期間におけるユーザの感情は、所定の期間全体にわたる感情であってもよい。また、所定の期間におけるユーザの感情は、所定の期間の直後の感情であってもよい。また、所定の期間におけるユーザの感情は、所定の期間の直前の感情であってもよい。

行動と感情との関係に関しては、ユーザが一連の行動をとっている間に、ある感情が生まれる場合がある。一方、ユーザの一連の行動が、ある感情を生み出す場合もある。また、ある感情が生まれたために、ユーザが一連の行動をとる場合もある。

（制御部１３０）
制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等のプロセッサによって、推定装置１００内部の記憶装置に記憶されている各種プログラム（推定プログラムの一例に相当）がＲＡＭ等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（controller）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てもよい。

制御部１３０は、図３に示すように、受信部１３１と、取得部１３２と、推定部１３３と、第１提供部１３４と、第２提供部１３５とを有し、以下に説明する情報処理の機能や作用を実現又は実行する。なお、制御部１３０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構成であれば他の構成であってもよい。

（受信部１３１）
受信部１３１は、学習データを受信する。例えば、受信部１３１は、所定の情報処理装置から、学習データを受信する。例えば、受信部１３１は、推定装置１００に関係するエンティティ（例えば、ユーザ、企業）の装置から、学習データを受信する。受信部１３１は、受信された学習データを、学習データ記憶部１２１に格納してもよい。

受信部１３１は、ユーザインタフェースを介して、推定装置１００のユーザから学習データを受信してもよい。受信部１３１は、受信された学習データを、学習データ記憶部１２１に格納してもよい。

受信部１３１は、利用者（例えば、ユーザ、ターゲットユーザ）の行動情報を受信する。例えば、受信部１３１は、所定の情報処理装置から、行動情報を受信する。例えば、受信部１３１は、推定装置１００に関係するエンティティ（例えば、ユーザ、企業）の装置から、行動情報を受信する。受信部１３１は、受信された行動情報を、記憶部１２０内の所定の記憶領域である行動情報記憶部（図示せず）に格納してもよい。

受信部１３１は、ユーザインタフェースを介して、推定装置１００のユーザから行動情報を受信してもよい。受信部１３１は、受信された行動情報を、上述の行動情報記憶部に格納してもよい。

受信部１３１は、第３提供部１３６によって提供されたサービスを介して、利用者（例えば、ユーザ、ターゲットユーザ）の行動情報を、ユーザのユーザ装置１０から受信してもよい。第３提供部１３６によって提供されたサービスは、例えば、検索やポータル、ＳＮＳ、オークションサービス、地図情報サービス等のネットワーク上のサービスであってもよい。

受信部１３１は、第３提供部１３６によって提供されたコンテンツを介して、利用者（例えば、ユーザ、ターゲットユーザ）の行動情報を受信してもよい。第３提供部１３６によって提供されたコンテンツは、検索、ポータル、ショッピング、オークション、ニュース、ファイナンス、旅行、飲食店紹介、スポーツ、テレビ、動画、ゲーム、地図、路線情報、料理、不動産、自動車、ブログ、結婚、漫画、占い、地域情報等のコンテンツであってもよい。

（取得部１３２）
取得部１３２は、所定の利用者（例えば、ターゲットユーザ）の行動を示す行動情報を取得する。

取得部１３２は、例えば、受信部１３１によって受信された行動情報を取得する。取得部１３２は、所定の記憶装置から、行動情報を取得してもよい。例えば、取得部１３２は、上述の行動情報記憶部から、行動情報を取得してもよい。取得部１３２は、取得された行動情報を、上述の行動情報記憶部に格納してもよい。

一例では、取得部１３２は、ユーザの行動情報を取得する。

取得部１３２によって取得されたユーザ情報は、ネットワーク上のユーザの行動を示す。例えば、取得された行動情報は、クリック履歴、閲覧されたコンテンツの履歴、広告の選択履歴、ＳＮＳの投稿履歴、オークションの出品履歴、オークションの落札履歴、購入履歴、位置履歴（例えば、ＧＰＳの履歴、ビーコン検知履歴）等のネットワーク上の各種ログを示す。

一例では、取得部１３２は、ターゲットユーザの行動情報を取得する。

（推定部１３３）
推定部１３３は、取得部１３２により取得された行動情報に基づいて、所定の利用者（例えば、ターゲットユーザ）による一連の行動と因果関係を有する感情を推定する。

例えば、推定部１３３は、利用者（例えば、ユーザ）の感情と、この感情と因果関係を有するこの利用者の一連の行動との間の関係性を学習したモデルを用いて、所定の利用者（例えば、ターゲットユーザ）の行動情報に基づき、この所定の利用者の一連の行動と因果関係を有する感情を推定する。

また、例えば、推定部１３３は、利用者の複数の行動を示す行動情報が入力された場合に、この複数の行動に含まれる一連の行動と、この一連の行動と因果関係を有するこの利用者の感情とを出力するように学習が行われたモデルを用いて、所定の利用者の感情を推定する。

また、例えば、推定部１３３は、ＭＩＬの技術により、利用者の感情と、この感情と因果関係を有するこの利用者の一連の行動との間の関係性を学習したモデルを用いて、所定の利用者の感情を推定する。

また、例えば、推定部１３３は、一連の行動と因果関係を有する感情として、所定の利用者がこの一連の行動を行っている際の感情を推定する。

また、例えば、推定部１３３は、一連の行動と因果関係を有する感情として、所定の利用者がこの一連の行動を行った後の感情を推定する。

また、例えば、推定部１３３は、一連の行動と因果関係を有する感情として、所定の利用者がこの一連の行動を行う前の感情を推定する。

また、例えば、推定部１３３は、所定の利用者による一連の行動であって、所定の取引対象に関する一連の行動と因果関係を有する感情を推定する。

また、例えば、推定部１３３は、所定の取引対象を発見してから所定の取引対象を購入するまでの行動に含まれる一連の行動と因果関係を有する感情を推定する。

一例では、はじめに、推定部１３３は、取得部１３２によって取得された行動情報に基づいて、ユーザが所定の取引対象（例えば、商品、サービス）を購入したタイミングを特定し、取得部１３２によって取得された行動情報のうち、特定されたタイミングを含む所定の期間におけるユーザの行動を示す行動情報を決定する。

次いで、推定部１３３は、上述の所定の期間におけるユーザの感情を推定し、推定されたユーザの感情と、決定された行動情報とを含む学習データ（すなわち、訓練データ）を生成する。

例示のために、ユーザが、ウェアラブルデバイス等のセンシングデバイスを利用していると仮定する。この例では、推定部１３３は、センシングデバイスを用いて、ユーザの生理的な反応（例えば、心拍数や体温の変化）を特定する。センシングデバイスは、ユーザ装置１０であってもよい。そして、推定部１３３は、特定された生理的な反応に基づいて、上述の所定の期間におけるユーザの感情を推定することができる。例えば、推定部１３３は、特定された生理的な反応に基づいて、「幸福」、「驚き」、「恐れ」等の感情（例えば、基本６感情）を、所定の期間におけるユーザの感情として推定する。このような感情は、取引対象の購入と関連性がある感情であってもよい。例えば、推定部１３３は、幸福、喜び、情熱、楽しみ等のポジティブ感情を、所定の期間におけるユーザの感情として推定してもよい。

このようにして、推定部１３３は、推定されたユーザの感情を、決定された行動情報に関連付けることができる。その結果、推定部１３３は、推定されたユーザの感情と、決定された行動情報とを含む学習データを生成することができる。

次いで、推定部１３３は、生成された学習データに基づいて、ＭＩＬを行い、ユーザの感情を予測する予測モデルを生成する。

例示のために、推定部１３３は、生成された学習データに基づいて、ＭＩＬを行い、ユーザの感情を予測する予測モデルとして、ユーザの感情を分類するＳＶＭを生成すると仮定する。この例では、１つまたは複数のユーザの行動を示す行動情報が、生成されたＳＶＭに入力された場合に、生成されたＳＶＭは、ユーザが１つまたは複数のユーザの行動をとった期間におけるユーザの感情を分類する。

その後、推定部１３３は、取得部１３２によって取得されたターゲットユーザの行動情報を、生成された予測モデルに入力することによって、ターゲットユーザの感情と、この感情と因果関係を有するターゲットユーザの一連の行動とを推定する。

（第１提供部１３４）
第１提供部１３４は、推定部１３３により推定された感情に応じた内容の情報を所定の利用者に提供する。

例えば、第１提供部１３４は、ターゲットユーザの一連の行動に対応する複数のインスタンスを、推定部１３３によって生成された予測モデルに入力することによって、ターゲットユーザの一連の行動を、所定の感情に対応する行動に分類する。そして、第１提供部１３４は、所定の感情に対応する情報を、ターゲットユーザに提供する。

例えば、ターゲットユーザの一連の行動が、取引対象に出会い、取引対象を調べ、取引対象を購入し、サービス提供者にコストを支払い、サービスを利用するという一連の行動のうちの一部に対応する場合、第１提供部１３４は、所定の感情に対応する情報として、取引対象やサービスに関する情報を、ターゲットユーザに提供してもよい。

一例として、取引対象に出会い、取引対象を調べるという一連の行動が、所定の感情「幸福」に対応してもよい。この例では、第１提供部１３４は、この取引対象に関する広告を、ターゲットユーザに提供してもよい。

別の例として、取引対象に出会い、取引対象を調べるという一連の行動が、所定の感情「無気力」に対応してもよい。この例では、第１提供部１３４は、この取引対象に関する広告を、ターゲットユーザに提供しなくてもよい。この場合、第１提供部１３４は、ターゲットユーザが、取引対象に関する情報を探しやすくするために、取引対象の詳細な情報を、ターゲットユーザに提供してもよい。

さらに別の例として、取引対象に出会い、取引対象を調べ、取引対象を購入するという一連の行動が、所定の感情「動転」に対応してもよい。この例では、第１提供部１３４は、サービスで使用可能なクーポンを、ターゲットユーザに提供してもよい。

（第２提供部１３５）
第２提供部１３５は、推定部１３３によって推定された感情に応じたタイミングで、所定の内容の情報を所定の利用者に提供してもよい。

一例では、第２提供部１３５は、推定部１３３によって推定された「ターゲットユーザの感情」と、推定部１３３によって推定された「ターゲットユーザの一連の行動」との組み合わせが所定の条件を満たすか否かを判定し、組み合わせが所定の条件を満たすと判定された場合に、ターゲットユーザに広告を提供する。

〔４．推定処理のフロー〕
次に、実施形態に係る推定装置１００による推定処理の手順について説明する。図５は、実施形態に係る推定装置１００による推定処理手順を示すフローチャートである。

図５に示すように、はじめに、推定装置１００は、所定の利用者の行動を示す行動情報を取得する（ステップＳ１０１）。

次いで、推定装置１００は、取得された行動情報に基づいて、所定の利用者による一連の行動と因果関係を有する感情を推定する（ステップＳ１０２）。

例えば、推定装置１００は、利用者の感情と、この感情と因果関係を有するこの利用者の一連の行動との間の関係性を学習したモデルを用いて、所定の利用者の行動情報に基づき、この所定の利用者の一連の行動と因果関係を有する感情を推定する。

また、例えば、推定装置１００は、利用者の複数の行動を示す行動情報が入力された場合に、この複数の行動に含まれる一連の行動と、この一連の行動と因果関係を有するこの利用者の感情とを出力するように学習が行われたモデルを用いて、所定の利用者の感情を推定する。

また、例えば、推定装置１００は、ＭＩＬ（Multiple Instance Learning）の技術により、利用者の感情と、この感情と因果関係を有するこの利用者の一連の行動との間の関係性を学習したモデルを用いて、所定の利用者の感情を推定する。

また、例えば、推定装置１００は、一連の行動と因果関係を有する感情として、所定の利用者がこの一連の行動を行っている際の感情を推定する。

また、例えば、推定装置１００は、一連の行動と因果関係を有する感情として、所定の利用者がこの一連の行動を行った後の感情を推定する。

また、例えば、推定装置１００は、一連の行動と因果関係を有する感情として、所定の利用者がこの一連の行動を行う前の感情を推定する。

また、例えば、推定装置１００は、所定の利用者による一連の行動であって、所定の取引対象に関する一連の行動と因果関係を有する感情を推定する。

また、例えば、推定装置１００は、所定の取引対象を発見してから所定の取引対象を購入するまでの行動に含まれる一連の行動と因果関係を有する感情を推定する。

次いで、推定装置１００は、推定された感情に応じた内容の情報を所定の利用者に提供する（ステップＳ１０３）。推定装置１００は、推定された感情に応じたタイミングで、所定の内容の情報を所定の利用者に提供してもよい。

〔５．変形例〕
上述の実施形態に係る推定装置１００は、上記の実施形態以外にも、種々の異なる形態で実施されてよい。そこで、以下では、上記の推定装置１００の他の実施形態について説明する。

〔５−１．感情の変遷の推定〕
推定部１３３は、一連の行動と因果関係を有する感情の変遷を推定してもよい。

例えば、推定部１３３は、第１の所定の期間におけるターゲットユーザの一連の行動に対応する複数のインスタンスを、推定部１３３によって生成された予測モデルに入力することによって、第１の所定の期間におけるターゲットユーザの一連の行動を、第１の所定の感情に対応する行動に分類してもよい。同様に、推定部１３３は、第２の所定の期間におけるターゲットユーザの一連の行動に対応する複数のインスタンスを、推定部１３３によって生成された予測モデルに入力することによって、第２の所定の期間におけるターゲットユーザの一連の行動を、第２の所定の感情に対応する行動に分類してもよい。この場合、推定部１３３は、第１の所定の感情から第２の所定の感情への感情の推移を、一連の行動と因果関係を有する感情の変遷として推定してもよい。

なお、上述の第１の所定の期間は、上述の第２の所定の期間の後の期間であってもよい。また、上述の第１の所定の期間は、上述の第２の所定の期間の前の期間であってもよい。また、上述の第１の所定の期間と、上述の第２の所定の期間とは、重複してもよい。

感情の変遷に関しては、ターゲットユーザの感情は、時々刻々と変化すると考えられる。これに関して、例えば、ターゲットユーザの感情が、ネガティブ感情からポジティブ感情に推移している場合に、第２提供部１３５は、所定の内容の情報を、ターゲットユーザに提供してもよい。例えば、ターゲットユーザの感情が、感情「神経質」から感情「楽しみ」に推移している場合に、第２提供部１３５は、広告を、ターゲットユーザに提供してもよい。また、例えば、ターゲットユーザの感情が、ネガティブ感情からポジティブ感情に推移している場合に、第２提供部１３５は、所定の内容の情報を、ターゲットユーザに提供してもよい。例えば、ターゲットユーザの感情が、感情「幸福」から感情「怒り」に推移している場合に、第２提供部１３５は、サービスで使用可能なクーポンを、ターゲットユーザに提供してもよい。

一例として、取引対象に出会い、取引対象を調べるという一連の行動が、感情「神経質」から感情「楽しみ」に推移した感情に対応してもよい。この例では、第２提供部１３５は、この取引対象に関する広告を、ターゲットユーザに提供してもよい。

別の例として、取引対象を調べ、取引対象を購入するという一連の行動が、感情「幸福」から感情「怒り」に推移した感情に対応してもよい。この例では、第２提供部１３５は、サービスで使用可能なクーポンを、ターゲットユーザに提供してもよい。

〔５−２．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一部を手動的に行うこともできる。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に示した記憶部１２０の一部又は全部は、推定装置１００によって保持されるのではなく、ストレージサーバ等に保持されてもよい。この場合、推定装置１００は、ストレージサーバにアクセスすることで、学習データ等の各種情報を取得する。

〔５−３．ハードウェア構成〕
また、上述してきた実施形態に係る推定装置１００は、例えば図６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６は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力ＩＦ（Interface）１０６０、入力ＩＦ１０７０、ネットワークＩＦ１０８０がバス１０９０により接続された形態を有する。

演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。一次記憶装置１０４０は、ＲＡＭ等、演算装置１０３０が各種の演算に用いるデータを一時的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ(Read Only Memory)、ＨＤＤ、フラッシュメモリ等により実現される。

出力ＩＦ１０６０は、モニタやプリンタといった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインタフェースであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力ＩＦ１０７０は、マウス、キーボード、およびスキャナ等といった各種の入力装置１０２０から情報を受信するためのインタフェースであり、例えば、ＵＳＢ等により実現される。

なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、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から情報を読み出す装置であってもよい。また、入力装置１０２０は、ＵＳＢメモリ等の外付け記憶媒体であってもよい。

ネットワークＩＦ１０８０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演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。

演算装置１０３０は、出力ＩＦ１０６０や入力ＩＦ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。

例えば、コンピュータ１０００が推定装置１００として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０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１３０の機能を実現する。

〔６．効果〕
上述してきたように、実施形態に係る推定装置１００は、取得部１３２と、推定部１３３とを有する。取得部１３２は、所定の利用者の行動を示す行動情報を取得する。推定部１３３は、取得部１３２により取得された行動情報に基づいて、所定の利用者による一連の行動と因果関係を有する感情を推定する。

また、実施形態に係る推定装置１００において、推定部１３３は、利用者の感情と、この感情と因果関係を有するこの利用者の一連の行動との間の関係性を学習したモデルを用いて、所定の利用者の行動情報に基づき、この所定の利用者の一連の行動と因果関係を有する感情を推定する。

また、実施形態に係る推定装置１００において、推定部１３３は、利用者の複数の行動を示す行動情報が入力された場合に、この複数の行動に含まれる一連の行動と、この一連の行動と因果関係を有するこの利用者の感情とを出力するように学習が行われたモデルを用いて、所定の利用者の感情を推定する。

また、実施形態に係る推定装置１００において、推定部１３３は、ＭＩＬ（Multiple Instance Learning）の技術により、利用者の感情と、この感情と因果関係を有するこの利用者の一連の行動との間の関係性を学習したモデルを用いて、所定の利用者の感情を推定する。

また、実施形態に係る推定装置１００において、推定部１３３は、一連の行動と因果関係を有する感情として、所定の利用者がこの一連の行動を行っている際の感情を推定する。

また、実施形態に係る推定装置１００において、推定部１３３は、一連の行動と因果関係を有する感情として、所定の利用者がこの一連の行動を行った後の感情を推定する。

また、実施形態に係る推定装置１００において、推定部１３３は、一連の行動と因果関係を有する感情として、所定の利用者がこの一連の行動を行う前の感情を推定する。

また、実施形態に係る推定装置１００において、推定部１３３は、一連の行動と因果関係を有する感情の変遷を推定する。

また、実施形態に係る推定装置１００において、推定部１３３は、所定の利用者による一連の行動であって、所定の取引対象に関する一連の行動と因果関係を有する感情を推定する。

また、実施形態に係る推定装置１００において、推定部１３３は、所定の取引対象を発見してから所定の取引対象を購入するまでの行動に含まれる一連の行動と因果関係を有する感情を推定する。

また、実施形態に係る推定装置１００は、推定部１３３により推定された感情に応じた内容の情報を所定の利用者に提供する第１提供部１３４を有する。

また、実施形態に係る推定装置１００は、推定部１３３により推定された感情に応じたタイミングで、所定の内容の情報を所定の利用者に提供する第２提供部１３５を有する。

上述した各処理により、推定装置１００は、利用者の感情を適切に推定することができる。

以上、本願の実施形態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、上述した推定装置１００は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットフォーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティングなどで呼び出して実現するなど、構成は柔軟に変更できる。

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、受信部は、受信手段や受信回路に読み替えることができる。

１ ネットワークシステム
１０ ユーザ装置
１００ 推定装置
１１０ 通信部
１２０ 記憶部
１２１ 学習データ記憶部
１３０ 制御部
１３１ 受信部
１３２ 取得部
１３３ 推定部
１３４ 第１提供部
１３５ 第２提供部

Claims (14)

1. 所定の利用者の行動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、前記所定の利用者による一連の行動と因果関係を有する感情を推定する推定部と
   を有することを特徴とする推定装置。
2. 前記推定部は、利用者の感情と、当該感情と因果関係を有する当該利用者の一連の行動との間の関係性を学習したモデルを用いて、前記所定の利用者の行動情報に基づき、当該所定の利用者の一連の行動と因果関係を有する感情を推定する
   ことを特徴とする請求項１に記載の推定装置。
3. 前記推定部は、利用者の複数の行動を示す行動情報が入力された場合に、当該複数の行動に含まれる一連の行動と、当該一連の行動と因果関係を有する当該利用者の感情とを出力するように学習が行われたモデルを用いて、前記所定の利用者の感情を推定する
   ことを特徴とする請求項１または２に記載の推定装置。
4. 前記推定部は、ＭＩＬ（Multiple Instance Learning）の技術により、前記利用者の感情と、当該感情と因果関係を有する当該利用者の一連の行動との間の関係性を学習したモデルを用いて、前記所定の利用者の感情を推定する
   ことを特徴とする請求項１〜３のうちいずれか１つに記載の推定装置。
5. 前記推定部は、前記一連の行動と因果関係を有する感情として、前記所定の利用者が当該一連の行動を行っている際の感情を推定する
   ことを特徴とする請求項１〜４のうちいずれか１つに記載の推定装置。
6. 前記推定部は、前記一連の行動と因果関係を有する感情として、前記所定の利用者が当該一連の行動を行った後の感情を推定する
   ことを特徴とする請求項１〜４のうちいずれか１つに記載の推定装置。
7. 前記推定部は、前記一連の行動と因果関係を有する感情として、前記所定の利用者が当該一連の行動を行う前の感情を推定する
   ことを特徴とする請求項１〜４のうちいずれか１つに記載の推定装置。
8. 前記推定部は、前記一連の行動と因果関係を有する感情の変遷を推定する
   ことを特徴とする請求項１〜７のうちいずれか１つに記載の推定装置。
9. 前記推定部は、前記所定の利用者による一連の行動であって、所定の取引対象に関する一連の行動と因果関係を有する感情を推定する
   ことを特徴とする請求項１〜８のうちいずれか１つに記載の推定装置。
10. 前記推定部は、前記所定の取引対象を発見してから当該所定の取引対象を購入するまでの行動に含まれる一連の行動と因果関係を有する感情を推定する
    ことを特徴とする請求項９に記載の推定装置。
11. 前記推定部により推定された感情に応じた内容の情報を前記所定の利用者に提供する第１提供部を有する
    ことを特徴とする請求項１〜１０のうちいずれか１つに記載の推定装置。
12. 前記推定部により推定された感情に応じたタイミングで、所定の内容の情報を前記所定の利用者に提供する第２提供部を有する
    ことを特徴とする請求項１〜１１のうちいずれか１つに記載の推定装置。
13. 推定装置が実行する推定方法であって、
    所定の利用者の行動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、前記所定の利用者による一連の行動と因果関係を有する感情を推定する推定工程と
    を含むことを特徴とする推定方法。
14. 所定の利用者の行動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、前記所定の利用者による一連の行動と因果関係を有する感情を推定する推定手順と
    をコンピュータに実行させるための推定プログラム。

Images