JP2020154672A - モデル生成装置、モデル生成方法、およびプログラム - Google Patents

Abstract

【課題】着目箇所に相当する情報を入力すると正解を出力する学習済みモデルを生成することができる学習済みモデルを生成モデル生成装置、モデル生成方法、およびプログラムを提供すること。【解決手段】ユーザの行動履歴であって、少なくとも前記ユーザの識別情報と、前記ユーザの位置と、前記ユーザに提供したコンテンツを示す情報とを含むコンテンツ関連情報と、前記コンテンツの詳細情報を含む詳細情報ＤＢとを学習データとして学習する学習部と、前記学習データにおける少なくとも前記コンテンツを含む着目箇所と正解の指定を受け付け、着目箇所に相当する情報を入力すると正解を出力する学習済みモデルを生成するモデル生成部と、を備える、モデル生成装置。【選択図】図１

Description

本発明は、モデル生成装置、モデル生成方法、およびプログラムに関する。

従来、訓練データから、少数クラスに分類された予め定められた数の要素、および、多数クラスに分類された前記予め定められた数に基づき定まる数の要素をそれぞれ含む、複数の集合をサンプリングするサンプリング部と、サンプリングした前記複数の集合のそれぞれに基づいて、それぞれが前記入力データを前記複数のクラスに分類するための複数のモデルのそれぞれを機械学習させる学習部を備えるデータを分類する技術が開示されている（特許文献１参照）。

特開２００９−１２２８５１号公報

しかしながら、上記従来の技術では、モデルに学習させたり出力させたりする項目のうち、改善したい指標に最適化した予測項目の切り替えを行うことができない場合があった。

本発明は、このような事情を考慮してなされたものであり、着目箇所に相当する情報を入力すると正解を出力する学習済みモデルを生成することができる学習済みモデルを生成モデル生成装置、モデル生成方法、およびプログラムを提供することを目的の一つとする。

本発明の一態様は、ユーザの行動履歴であって、少なくとも前記ユーザの識別情報と、前記ユーザの位置と、前記ユーザに提供したコンテンツを示す情報とを含むコンテンツ関連情報と、前記コンテンツの詳細情報を含む詳細情報ＤＢとを学習データとして学習する学習部と、前記学習データにおける少なくとも前記コンテンツを含む着目箇所と正解の指定を受け付け、着目箇所に相当する情報を入力すると正解を出力する学習済みモデルを生成するモデル生成部と、を備える、モデル生成装置である。

本発明の一態様によれば、着目箇所に相当する情報を入力すると正解を出力する学習済みモデルを生成することができる。

モデル生成装置１００の利用環境を示す模式図。 コンテンツ関連情報２１０の一例を示す図。 詳細情報２２０の一例を示す図。 モデル生成装置１００の処理を説明するための図。 着目箇所設定１３６の一例を示す図。 レコメンドモデルＭの出力例を説明するための図。 レコメンドモデルＭの他の出力例を説明するための図。 詳細情報２２０の他の一例を示す図。 モデル生成装置１００による処理の流れの一例を示すフローチャート。

以下、図面を参照し、本発明のモデル生成装置、モデル生成方法、およびプログラムの実施形態について説明する。

［概要］
モデル生成装置は、一以上のプロセッサにより実現される。モデル生成装置は、着目箇所に相当する情報を入力すると正解を出力する学習済みモデルを生成するための装置である。

モデル生成装置は、コンテンツ関連情報と、コンテンツの詳細情報を含む詳細情報ＤＢとを学習データとする。コンテンツとは、ネットワークを介して提供される情報サービスのウェブサイトやアプリケーションを介して提供される情報サービスのことであり、例えば、地図情報提供サービスや、タウン情報サービス、旅行情報サービスなどである。タウン情報とは、例えば、特定の都市または隣接する複数の都市からなる地域に根ざした情報のことであり、その情報を分類するためのタグとして、市町村名や、駅名などを付与することができる情報のことである。

なお、コンテンツには、ユーザに関する情報を構成する他のサービスが含まれてもよく、例えば、ショッピング、オークション、金融、ニュース、エンターテインメントなどに関する情報が提供されてもよい。

コンテンツ関連情報とは、上記のサービスをユーザが利用する上でコンテンツ提供者がユーザを識別するために付与する情報や、ユーザが自ら設定する情報、ユーザの利用履歴
などを含む。また、コンテンツ関連情報には、ショッピングコンテンツなどの購買サービスにおける購買履歴が含まれてもよい。

詳細情報ＤＢには、例えば、コンテンツの識別情報、コンテンツのタイトル、概要、コンテンツを端的に示すタグなどの情報がコンテンツを提供するサーバ（以下、サービスサーバ）から収集されて格納される。

モデル生成装置は、コンテンツ関連情報と、コンテンツの詳細情報を含む詳細情報ＤＢとを学習データとして学習を行い、サービスサーバの管理者（以下、サービス提供者）による学習データにおける少なくともコンテンツを含む着目箇所と正解の指定を受け付け、サービス提供者により着目箇所に相当する情報が入力されると正解を出力する学習済みモデル（以下、レコメンドモデル）を生成する。

［全体構成］
図１は、モデル生成装置１００の利用環境を示す模式図である。実施形態における情報提供システム１は、１つ以上の端末装置１０−１〜１０−ｎ（ｎは自然数）と、管理者端末２０と、モデル生成装置１００と、１つ以上のサービスサーバ２００−１〜２００−ｍ（ｍは自然数）と、詳細情報ＤＢ３００とを備える。これらの装置は、ネットワークＮＷを介して互いに接続される。ネットワークＮＷは、例えば、無線基地局、Ｗｉ−Ｆｉアクセスポイント、通信回線、プロバイダ、インターネットなどを含む。なお、図１に示す各装置の全ての組み合わせが相互に通信可能である必要はなく、ネットワークＮＷは、一部にローカルなネットワークを含んでもよい。

端末装置１０−１〜１０−ｎは、コンテンツユーザの利用する端末であって、例えば、スマートフォンなどの携帯電話、タブレット端末、パーソナルコンピュータ等である。以下の説明において、個々の端末装置１０−１〜１０−ｎを区別しない場合には、単に端末装置１０と呼ぶ。

管理者端末２０は、サービス提供者の利用する端末であって、例えば、スマートフォンなどの携帯電話、タブレット端末、パーソナルコンピュータ等である。

サービスサーバ２００−１〜２００−ｍは、コンテンツを提供するサーバであって、例えば、ユーザにより操作される端末装置１０からのリクエストに対応するウェブページを提供するウェブサーバ、アプリケーションが起動された端末装置１０と通信を行って各種情報の受け渡しを行ってコンテンツ情報を提供するアプリケーションサーバなどである。サービスサーバ２００−１〜２００−ｍは、例えば、ニュースを提供するサービスやショッピングサービス、オークションサービス、マッチングサービス、金融決済サービス、ナビゲーションサービス、ウェブメールサービスなどを、ネットワークＮＷを介して端末装置１０のブラウザや専用アプリケーションなどに提供する。以下の説明において、個々のサービスサーバ２００−１〜２００−ｍを区別しない場合には、単にサービスサーバ２００と呼ぶ。また、サービスサーバ２００の構成要素においても同様にハイフン以下の数字を省略する場合がある。

サービスサーバ２００の構成要素の一部または全部は、例えば、ＣＰＵ（Central Processing Unit）などのプロセッサが記憶装置に格納されたプログラムを実行することにより実現される。また、モデル生成装置１００の構成要素の一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＦＰＧＡ（Field-Programmable Gate Array）などのハードウェアにより実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

サービスサーバ２００は、例えば、コンテンツ関連情報２１０と、詳細情報２２０と、レコメンドモデルＭとを備える。コンテンツ関連情報２１０は、ユーザの行動履歴を示す情報であって、例えば、コンテンツ提供者がユーザを識別するために付与する情報や、ユーザが自ら設定する情報、ユーザの利用履歴、ユーザのＩＰアドレスなどを含む。また、コンテンツ関連情報２１０には、ショッピングコンテンツなどの購買サービスにおける購買履歴が含まれてもよい。詳細情報２２０は、例えば、コンテンツの識別情報、コンテンツのタイトル、概要、コンテンツを端的に示すタグなどを含む。

詳細情報ＤＢ３００は、例えば、ＨＤＤ（Hard Disc Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、またはＲＡＭ（Random Access Memory）などにより実現される。詳細情報ＤＢ３００には、サービスサーバ２００のそれぞれから詳細情報２２０が収集されて格納される。

モデル生成装置１００は、例えば、取得部１１０と、地域ベクトル導出部１２０と、学習部１３０と、モデル生成部１４０を備える。モデル生成装置１００の構成要素の一部または全部は、例えば、ＣＰＵ（Central Processing Unit）などのプロセッサが記憶装置に格納されたプログラムを実行することにより実現される。また、モデル生成装置１００の構成要素の一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＦＰＧＡ（Field-Programmable Gate Array）などのハードウェアにより実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

取得部１１０は、サービスサーバ２００からコンテンツ関連情報２１０を取得する。また、取得部１１０は、サービスサーバ２００より、学習対象とする詳細情報２２０を取得する。取得部１１０は、詳細情報ＤＢ３００より詳細情報を取得してもよい。以下の説明のため、取得部１１０が取得したコンテンツ関連情報を「コンテンツ関連情報１１２」、詳細情報を「詳細情報１１４」と称する。

地域ベクトル導出部１２０は、取得部１１０が取得したコンテンツ関連情報１１２および詳細情報１１４とのそれぞれに基づく地域ベクトルを導出する。地域ベクトルについては後述する。地域ベクトル導出部１２０は、「導出部」の一例である。

学習部１３０は、取得部１１０により取得されたコンテンツ関連情報１１２および詳細情報１１４に含まれる情報を学習データとして学習する。

モデル生成部１４０は、学習部１３０により学習されたコンテンツ関連情報１１２および詳細情報１１４における少なくともコンテンツを含む着目箇所と正解に関するサービス提供者からの指定を受け付け、レコメンドモデルＭを生成する。レコメンドモデルＭは、着目箇所に相当する情報を入力すると正解を出力する学習済みモデルである。

レコメンドモデルＭは、例えば、コンテンツ関連情報１１２および詳細情報１１４の地域ベクトルを着目箇所として入力された場合、コンテンツ関連情報１１２の中から類似する地域ベクトルを持つ他のコンテンツを識別する情報（以下、コンテンツＩＤ）を出力する。レコメンドモデルＭは、サービス管理者の操作などに基づいてサービスサーバ２００に配置される。

［コンテンツ関連情報］
図２は、コンテンツ関連情報２１０の内容の一例である。コンテンツ関連情報２１０には、例えば、ユーザＩＤや、ユーザが利用したコンテンツＩＤ、コンテンツのＩＭＰ（impression）タグ、ＰＶ（page view）、コンテンツの完読率、ミニブログ等にコンテンツへのリンクを展開した「シェア回数」、コンテンツを評価した「いいね回数」、ユーザの性別、ユーザ属性（Ｄｅｍｏｇ）などが含まれる。これらの情報は、例えば、サービス提供者がユーザの利用状況をマーケティング調査することを目的に取得される。なお、ユーザ属性（Ｄｅｍｏｇ）は地域ベクトルが導出される情報の一例である。ユーザ属性（Ｄｅｍｏｇ）には、例えば、ユーザの現在位置や居住地などが含まれる。

［詳細情報］
図３は、詳細情報２２０の一例を示す図である。詳細情報２２０には、例えば、コンテンツＩＤや、コンテンツのタイトル、概要、コンテンツの内容に含まれる地理情報、コンテンツに付随する（サービス提供者が設定する）タグ情報などが含まれる。

［地域ベクトル］
地域ベクトルは、コンテンツ関連情報１１２（コンテンツ関連情報２１０）および詳細情報１１４（詳細情報２２０）に含まれる地域性を持つ情報同士の近さを測るベクトルである。地域ベクトルの示す地域性の近さは、地域同士の物理的な距離の近さに加えて、地域同士の特性の近似度合を表現するものである。地域ベクトルの示す地域性の近さは、例えば、サービス提供者により定義されるものであってもよいし、学習部１３０により学習された結果が反映されるものであってもよい。

コンテンツ関連情報１１２および詳細情報１１４に含まれる情報に「ラーメン」というタグが設定される場合、物理的な距離が近い「山形」と「喜多方」とが地域ベクトルが近いと設定されてもよいし、学習部１３０による学習の結果に基づいてユーザが同程度の興味を持つ可能性が高く特性が近似するといえる「山形」と「熊本」とが地域ベクトルが近いと設定されてもよい。また、例えば、コンテンツ関連情報１１２および詳細情報１１４に含まれる情報に「コーヒー」というタグが設定される場合、物理的には距離が離れているが有名産地であるという点で「スマトラ島」と「ジャマイカ」とが地域ベクトルが近いと設定されてもよい。

また、地域ベクトル導出部１２０は、コンテンツ関連情報１１２に含まれる情報のうち、ユーザによりあらかじめ設定された住所、勤務地などの情報に加え、ＩＰアドレスから推定されるユーザの現在地を用いてユーザに関連する地域ベクトルを導出してもよい。

［モデル生成装置の処理］
以下、モデル生成装置１００によりレコメンドモデルＭが生成される処理の詳細について説明する。図４は、モデル生成装置１００の処理を説明するための図である。

取得部１１０は、例えば、データ統合モジュール１１６と記憶部１１８とを備える。記憶部１１８には、コンテンツ関連情報１１２や詳細情報１１４などが格納される。記憶部１１８は、例えば、ＨＤＤ、フラッシュメモリ、ＥＥＰＲＯＭ、ＲＯＭ、またはＲＡＭなどにより実現される。

取得部１１０は、コンテンツ関連情報２１０、詳細情報２２０および詳細情報ＤＢ３００より取得した情報を地域ベクトル導出部１２０に出力する。地域ベクトル導出部１２０は、取得部１１０により出力された各種情報の地域ベクトルを導出する。

取得部１１０のデータ統合モジュール１１６は、取得した各種情報、および地域ベクトル導出部１２０により導出された地域ベクトルを学習部１３０に出力する。データ統合モジュール１１６は、例えば、TALEND（登録商標）などのＥＴＬ（Extract/Transform/Load）ツールが用いられる。データ統合モジュール１１６は、所定の周期で、記憶部１１８に格納された情報の一部（例えば、更新差分や、学習データとして好ましくない情報を除外したもの）または全部を学習部１３０に出力する。学習データとして好ましくない情報とは、例えば、地域ベクトル導出部１２０により地域ベクトルが導出できなかった情報である。

学習部１３０は、例えば、学習データ１３２と、学習フレームワーク１３４と、着目箇所設定１３６とを備える。学習データ１３２は、例えば、ＨＤＤ、フラッシュメモリ、ＥＥＰＲＯＭ、ＲＯＭ、またはＲＡＭなどにより実現される。

学習データ１３２には、データ統合モジュール１１６により送信されたコンテンツ関連情報１３２Ａと詳細情報１３２Ｂとが格納される。コンテンツ関連情報１３２Ａには、コンテンツ関連情報２１０と、地域ベクトル導出部１２０により導出された地域ベクトルが格納される。詳細情報１３２Ｂには、詳細情報２２０（または、詳細情報ＤＢ３００）と、地域ベクトル導出部１２０により導出された地域ベクトルが格納される。

図５は、着目箇所設定１３６の一例を示す図である。サービス提供者は、管理者端末２０を介して、１以上の着目箇所を設定して学習部１３０による学習の方針を指示する。着目箇所設定１３６に設定可能な着目箇所は、図５の着目箇所１、着目箇所２に示すようにコンテンツ関連情報１３２Ａや詳細情報１３２Ｂに格納される情報の項目自体であってもよいし、図５の着目箇所３に示すようにコンテンツ関連情報１３２Ａや詳細情報１３２Ｂに格納される情報が満たす条件が設定されてもよい。

学習フレームワーク１３４は、着目箇所設定１３６を参照し、学習データ１３２、特に学習データ１３２に含まれる地域ベクトルを用いて学習を行う。着目箇所設定１３６は、例えば、管理者端末２０を介してサービス提供者があらかじめ、または学習の度に設定する着目箇所である。学習フレームワーク１３４は、ＧＰＵ(Graphics Processing Unit)を利用して並列処理で数値計算を行うためのフレームワーク（機械学習ライブラリ）であって、例えば、ＴｅｎｓｏｒＦｌｏｗ（登録商標）や、Ｃｈａｉｎｅｒ（登録商標）でなどのＣＮＮ（Convolutional Neural Network；畳み込みニューラルネットワーク）などのＤＮＮ（Deep Neural Network）演算を行う。

モデル生成部１４０は、学習部１３０による学習結果に基づいてレコメンドモデルＭを生成する。

［レコメンド例１］
図６は、レコメンドモデルＭの出力例を説明するための図である。例えば、着目箇所が「居住地」および「現在地」であると設定されたレコメンドモデルＭ１に対して、ユーザＵ１のコンテンツ関連情報１３２Ａが入力された場合、レコメンドモデルＭ１は、「神奈川の週末イベント」、「東京の週末イベント」などのレコメンド情報を出力する。

着目箇所が「現在地」、「居住地」および「興味」であると設定されたレコメンドモデルＭ２に対して、ユーザＵ１のコンテンツ関連情報１３２Ａが入力された場合、レコメンドモデルＭ２は、「現在地周辺のおすすめラーメン」、「神奈川の週末イベント」などのレコメンド情報を出力する。レコメンドモデルＭ２が出力するレコメンド情報には、レコメンドモデルＭ１と同一のレコメンド情報が含まれてもよい。

着目箇所が「現在地」、「居住地」、「興味」および「購買履歴」であると設定されたレコメンドモデルＭ３に対して、ユーザＵ１のコンテンツ関連情報１３２Ａが入力された場合、レコメンドモデルＭ３は、「大阪のラーメンイベント」、「現在地周辺のおすすめラーメン」などのレコメンド情報を出力する。

レコメンドモデルＭ３による出力は、レコメンドモデルＭ１およびＭ２による出力と比較して、「購買履歴」の影響が大きく反映されたものである。レコメンドモデルＭ１およびＭ２は「現在地」および「居住地」の影響を受けた出力を行うものであり、「現在地」および「居住地」からユーザＵ１の生活圏を推測し、その生活圏から離れた地域の情報が出力される可能性を低減させるものである。

一方、レコメンドモデルＭ３による出力は、例えば、サービス提供者により『「購買履歴に旅行用品が含まれる」という条件を満たすユーザは、グルメ旅行、写真撮影のための旅行などをする可能性がある』、『「購買履歴に旅行用品が含まれる」という条件を満たすユーザは、生活圏から離れた地域の情報であっても興味のあることに対する情報を収集する』という仮説を反映したものである。

図示のように、同一のユーザＵ１のコンテンツ関連情報１３２Ａに対して着目箇所の設定が異なるレコメンドモデルＭ１〜Ｍ３が用いられた場合、出力の違いが発生する。

［レコメンド例２］
図７は、レコメンドモデルＭの他の出力例を説明するための図である。なお、図７の例において用いられたレコメンドモデルＭ（以下、レコメンドモデルＭ４）は、着目箇所に相当する情報に対して地域ベクトルが導出された情報が設定されており、出力する正解に対する地域ベクトルの影響度合が強められたものである。

図８は、詳細情報２２０の他の一例である。図示のように、山形ラーメン特集には、サービス提供者によってあらかじめ「おでかけ」、「ラーメン」、「山形」などのタグ情報が設定されている。なお、これらの情報は、レコメンドモデルＭ４において着目箇所として設定された項目である、または着目箇所として設定された項目に関連するものとして説明する。

図７に戻り、例えば、レコメンドモデルＭ４の着目箇所が「居住地」、「興味」および「購買履歴」であり、ユーザＵ２のコンテンツ関連情報１３２Ａが入力された場合、レコメンドモデルＭ４は、山形ラーメン特集を優先表示する。レコメンドモデルＭ４は、ユーザＵ３の現在地または居住地の地域ベクトルと、詳細情報２２０の「山形ラーメン特集」との地域ベクトルとに基づいて図示のような出力を行う。

また、レコメンドモデルＭ４は、ユーザＵ３のコンテンツ関連情報１３２Ａが入力された場合にも、「山形ラーメン特集」を優先表示する。この出力は、ユーザＵ３の「興味」と「購買履歴に旅行用品が含まれる」が反映されたものである。レコメンドモデルＭ４は、ユーザＵ３の現在地または居住地の地域ベクトルと、詳細情報２２０の「山形ラーメン特集」との地域ベクトルとに基づいて図示のような出力を行う。

［処理フロー］
図９は、モデル生成装置１００による処理の流れの一例を示すフローチャートである。

まず、学習部１３０は、管理者端末２０を介してサービス提供者に入力される着目箇所設定１３６の設定を受け付ける（ステップＳ１００）。次に、取得部１１０は、サービスサーバ２００が管理者端末２０を介してサービス提供者により入稿された詳細情報２２０（または詳細情報ＤＢ３００）を取得する（ステップＳ１０２）。

次に、取得部１１０は、ユーザの行動履歴を含む、コンテンツ関連情報を取得する（ステップＳ１０４）。次に、地域ベクトル導出部１２０は、地域ベクトルを導出する（ステップＳ１０６）。次に、学習部１３０は、地域ベクトル導出部１２０により導出された地域ベクトルが加味された学習データ１３２を学習する（ステップＳ１０８）。次に、モデル生成部１４０は、学習部１３０による学習結果に基づいてレコメンドモデルＭを出力する（ステップＳ１１０）。以上、本フローチャートの処理の説明を終了する。

上述のように、実施形態のモデル生成装置１００は、学習部１３０がユーザの行動履歴であって、ユーザＩＤや、ユーザの位置、ユーザに提供したコンテンツを示す情報とを含むコンテンツ関連情報と、コンテンツの詳細情報を含む詳細情報ＤＢ３００とを学習データとして学習し、モデル生成部１４０が学習部１３０による学習結果に基づいてレコメンドモデルＭを生成することにより、サービス提供者からの着目箇所と正解の指定を受け付け、着目箇所に相当する情報が入力されると正解を出力するレコメンドモデルＭをサービス提供者に提供することができる。これにより、サービス提供者は、レコメンドモデルＭを用いることで、提供するコンテンツを選択したり、サービス提供におけるユーザの満足度をより高めるための取り組みを行うことができる。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１０ 端末装置
２０ 管理者端末
１００ モデル生成装置
１１０ 取得部
１２０ 地域ベクトル導出部
１３０ 学習部
１４０ モデル生成部
２００ サービスサーバ
３００ 詳細情報ＤＢ

Claims (6)

1. ユーザの行動履歴であって、少なくとも前記ユーザの識別情報と、前記ユーザの位置と、前記ユーザに提供したコンテンツを示す情報とを含むコンテンツ関連情報と、前記コンテンツの詳細情報を含む詳細情報ＤＢとを学習データとして学習する学習部と、
   前記学習データにおける少なくとも前記コンテンツを含む着目箇所と正解の指定を受け付け、着目箇所に相当する情報を入力すると正解を出力する学習済みモデルを生成するモデル生成部と、
   を備える、モデル生成装置。
2. 前記コンテンツ関連情報には前記ユーザの購買履歴をさらに含む、
   請求項１に記載のモデル生成装置。
3. 前記コンテンツ関連情報と、前記コンテンツの詳細情報とのそれぞれに基づくベクトルを導出する導出部をさらに備え、
   前記導出部は、地域同士の物理的な距離の近さ、および地域同士の特性の近似度合を表現する地域ベクトルを導出する、
   請求項１または２に記載のモデル生成装置。
4. 前記モデル生成部は、前記着目箇所に相当する情報に対して前記地域ベクトルが導出された情報が設定された場合、前記着目箇所に相当する情報に応じて前記学習済みモデルが出力する前記正解に対する前記地域ベクトルの影響度合を強くする、
   請求項３に記載のモデル生成装置。
5. コンピュータが、
   ユーザの行動履歴であって、少なくとも前記ユーザの識別情報と、前記ユーザの位置と、前記ユーザに提供したコンテンツを示す情報とを含むコンテンツ関連情報と、前記コンテンツの詳細情報を含む詳細情報ＤＢとを学習データとして学習し、
   前記学習データにおける少なくとも前記コンテンツを含む着目箇所と正解の指定を受け付け、着目箇所に相当する情報を入力すると正解を出力する学習済みモデルを生成する、
   モデル生成方法。
6. コンピュータに、
   ユーザの行動履歴であって、少なくとも前記ユーザの識別情報と、前記ユーザの位置と、前記ユーザに提供したコンテンツを示す情報とを含むコンテンツ関連情報と、前記コンテンツの詳細情報を含む詳細情報ＤＢとを学習データとして学習させ、
   前記学習データにおける少なくとも前記コンテンツを含む着目箇所と正解の指定を受け付け、着目箇所に相当する情報を入力すると正解を出力する学習済みモデルを生成させる、
   プログラム。

Images