JP2022178638A - 情報処理装置、情報処理方法、及び情報処理プログラム - Google Patents

Abstract

【課題】異なる事業者が提供するサービス間で、ユーザの特徴を容易に共有すること。【解決手段】本願に係る情報処理装置は、予測部と、提供部とを備える。予測部は、第１のサービスにおいて第１のユーザに付与された特徴量と、第２のサービスにおいて第１のユーザに付与された特徴量と、の関係を基に、第１のサービスにおいて第２のユーザに付与された特徴量から、第２のサービスにおいて第２のユーザに付与された特徴量を予測する。提供部は、予測部によって予測された特徴量を提供する。【選択図】図７

Description

本発明は、情報処理装置、情報処理方法、及び情報処理プログラムに関する。

従来、異なるプラットフォームを利用してデータを保持する複数の事業者間で、データを共有するための技術が提案されている。

例えば、事業者は、他の事業者から提供されたユーザに関するデータから得られる統計情報を、マーケティング等に利用することができる。

特開２０１９－４６１８５号公報

しかしながら、従来の技術では、異なる事業者が提供するサービス間で、ユーザの特徴を容易に共有することができない場合があるという問題がある。

例えば、特許文献１に記載の技術によるデータの共有を実現するためには、各事業者における実体データを説明するためのメタデータをあらかじめ準備して、事業者間で共有しておく必要がある。

さらに、ユーザを特定できるようなデータを事業者間で共有することは、個人情報保護の観点から望ましくない場合がある。

例えば、異なる事業者が提供するサービスを同じユーザが利用する場合がある。この場合、事業者間で当該ユーザを特定するような情報を共有するためには、事前にユーザのオプトインが必要になる。一方で、サービスを利用する全てのユーザについてオプトインを行うことは容易ではない。

本願は、上記に鑑みてなされたものであって、異なる事業者が提供するサービス間で、ユーザの特徴を容易に共有することができる情報処理装置、情報処理方法、及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、予測部と、提供部とを備える。予測部は、第１のサービスにおいて第１のユーザに付与された特徴量と、第２のサービスにおいて第１のユーザに付与された特徴量と、の関係を基に、第１のサービスにおいて第２のユーザに付与された特徴量から、第２のサービスにおいて第２のユーザに付与された特徴量を予測する。提供部は、予測部によって予測された特徴量を提供する。

実施形態の態様の１つによれば、異なる事業者が提供するサービス間で、ユーザの特徴を容易に共有することができる。

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の一例を示す図である。 図３は、実施形態に係るサービス間のデータの関係の一例を示す図である。 図４は、実施形態に係る予測処理の一例を示す図である。 図５は、実施形態に係る予測処理の一例を示す図である。 図６は、実施形態に係る予測処理の一例を示す図である。 図７は、実施形態に係る情報処理装置の構成例を示す図である。 図８は、実施形態に係る学習処理の手順の一例を示すフローチャートである。 図９は、実施形態に係る予測処理の手順の一例を示すフローチャートである。 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、及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、以下に説明する実施形態により本願に係る情報処理装置、情報処理方法、及び情報処理プログラムが限定されるものではない。また、以下に説明する実施形態は、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、以下に説明する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．情報処理の概要］
以下、図面を参照しつつ、実施形態に係る情報処理の一例を説明する。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に示すように、実施形態に係る情報提供システム１は、情報処理装置１０、ユーザＤＢ２１ａ及びユーザＤＢ２１ｂを有する。

情報処理装置１０、ユーザＤＢ２１ａ及びユーザＤＢ２１ｂは、それぞれ有線又は無線によりネットワークＮ（例えば図７を参照）に接続される。

ネットワークＮは、ＬＡＮ（Local Area Network）や、ＷＡＮ（Wide Area Network）や、電話網（携帯電話網、固定電話網等）や、地域ＩＰ（Internet Protocol）網や、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。

図１に示すユーザＤＢ２１ａは、サービスＡのユーザに関する情報が格納されたデータベースである。また、ユーザＤＢ２１ｂは、サービスＢのユーザに関する情報が格納されたデータベースである。サービスＡ及びサービスＢは、それぞれ異なる事業者によって提供されるものとする。

本実施形態では、サービスＡ及びサービスＢを提供する事業者は、それぞれのユーザＤＢに格納された情報であって、ユーザの個人情報を特定可能な情報の授受はできないものとする。

ただし、事前に個人を特定可能な情報に関するオプトインを行っているユーザについては、各事業者は個人を特定する情報を授受できるものとする。

例えば、サービスＡは、ショッピングサイトを介した衣料品の販売であるものとする。一方、サービスＢは、ポータルサイト等のオンラインコンテンツを介して提供されるインターネット上の各種サービス（検索エンジン、ショッピングサイト）であるものとする。

この場合、例えば、サービスＡの事業者は、自社の衣料品を購入する可能性が高いユーザを特定するために、サービスＢの事業者から、特にユーザＤＢ２１ａで管理されていないユーザの属性、興味及び購買傾向に関するデータの提供を受けることが考えられる。

なお、以降の説明では、各ユーザＤＢで管理され、ユーザの分析等に用いられる情報を特徴量と呼ぶ。例えば、特徴量は項目と値の組み合わせであってもよい。

例えば、サービスＡの事業者は、サービスＡのユーザがサービスＢにおいてどのような特徴量を付与されているかを知ることはできない。そこで、情報提供システム１は、サービスＡのユーザが、サービスＢにおいてどのような特徴量を付与されているかを予測する。

なお、情報提供システム１は、サービスＡのユーザが実際にサービスＢを利用しているか否かにかかわらず、もし利用しているとすればどのような特徴量が付与されるか、という観点で予測を行うことができる。

また、サービスＡとサービスＢのユーザの一部は、オプトインにより個人を特定する情報を事業者間で共有することが許可されているものとする。情報提供システム１は、このようなオプトインを行ったユーザの特徴量を利用して予測を行うことができる。

図１及び図２を用いて、情報提供システム１による処理の流れを説明する。図１及び図２は、実施形態に係る情報処理の一例を示す図である。情報提供システム１は、特徴量を予測するモデルの学習処理、及び学習済みのモデルを用いた特徴量の予測処理を行う。

図１には、学習処理の流れが示されている。また、図２には、予測処理の流れが示されている。なお、学習処理及び予測処理は、それぞれ機械学習の学習フェーズ及び推論フェーズにおける処理に相当する。

まず、図１に示すように、情報処理装置１０は、ユーザＤＢ２１ａから、オプトインをしたユーザの特徴量を素性として取得する（ステップＳ１１）。また、情報処理装置１０は、ユーザＤＢ２１ｂから、オプトインをしたユーザの特徴量を正解として取得する（ステップＳ１２）。

そして、情報処理装置１０は、サービスＡにおける特徴量からサービスＢにおける特徴量を予測するモデルの学習を行う（ステップＳ１３）。

次に、図２に示すように、情報処理装置１０は、ユーザＤＢ２１ａからユーザの特徴量を取得する（ステップＳ２１）。例えば、ここでのユーザは、オプトインを行っておらず、そもそもユーザＤＢ２１ｂに登録済みであるか否かが不明なユーザであってもよい。

情報処理装置１０は、取得した特徴量に対応するユーザのサービスＢにおける特徴量を、図１の処理により学習済みのモデルを用いて予測する（ステップＳ２２）。

また、情報処理装置１０は、予測した特徴量をサービスＡの事業者に提供することができる。

図３は、実施形態に係るサービス間のデータの関係の一例を示す図である。図３の各点は、ユーザの特徴量をベクトルで表し、所定の空間にマッピングしたものである。

サービスＡのユーザ５０１ａ、ユーザ５０２ａ、ユーザ５０３ａ、ユーザ５０４ａ及びユーザ５０５ａはオプトインを行ったユーザであり、それぞれサービスＢのユーザ５０１ｂ、ユーザ５０２ｂ、ユーザ５０３ｂ、ユーザ５０４ｂ及びユーザ５０５ａと同一であることが既知であるものとする。

なお、ユーザが同一であることは、クッキーシンク及びＩＤＦＡ（Identifier for Advertisers）シンク等の手法により特定されてもよい。

一方、サービスＡのユーザ５０６ａ、ユーザ５０７ａ、ユーザ５０８ａ、ユーザ５０９ａ、サービスＢのユーザ５１１ｂ、ユーザ５１２ｂ、ユーザ５１３ｂ、ユーザ５１４ｂ、ユーザ５１５ｂ、ユーザ５１６ｂ、ユーザ５１７ｂ、ユーザ５１８ｂは、オプトインを行っていないユーザであり、異なるサービスにおける特徴量は未知である。

図４を用いて、予測処理について説明する。図４は、実施形態に係る予測処理の一例を示す図である。

情報処理装置１０は、サービスＡにおいて第１のユーザに付与された特徴量と、サービスＢにおいて第１のユーザに付与された特徴量と、の関係を基に、サービスＡにおいて第２のユーザに付与された特徴量から、サービスＢにおいて第２のユーザに付与された特徴量を予測する。

ここで、サービスＡは、第１のサービスの一例である。また、サービスＢは、第２のサービスの一例である。

例えば、第１のユーザは、サービスＡのユーザ５０１ａ及びサービスＢの５０１ｂである。また、例えば、第２のユーザは、サービスＡのユーザ５０６ａである。

ここで、図１及び図２で説明したように、情報処理装置１０は、学習済みのモデルを使って特徴量を予測することができる。

この場合、情報処理装置１０は、サービスＡにおいてユーザに付与された特徴量から、サービスＢにおいてユーザに付与された特徴量を予測するモデルであって、サービスＡとサービスＢのそれぞれにおいて第１のユーザに付与された特徴量により学習を行ったモデルを用いて、サービスＡにおいて第２のユーザに付与された特徴量から、サービスＢにおいて第２のユーザに付与された特徴量を予測する。

サービスＡでは、性別を表す特徴量はユーザには付与されていないものとする。一方、サービスＢでは、性別を表す特徴量（Ｍ、又はＦ）がユーザに付与されているものとする。

例えば、情報処理装置１０は、学習済みのモデルを用いて、ユーザ５０６ａのサービスＢにおける性別を「Ｍ」と予測する。

この場合、モデルは、ＳＶＭ（support vector machine）等の、特徴量がマッピングされた空間を区切ることができるものであってもよい。例えば、図４の空間は、モデルによって得られた境界Ｄ１１によって、「性別＝Ｆ」と推定される領域と「性別＝Ｍ」と推定される領域とに区切られている。

また、モデルは、性別以外の特徴量を説明変数とし、性別を目的変数とするロジスティック回帰等の回帰モデルであってもよい。

なお、モデルの学習は、サービスＡのユーザとサービスＢのユーザを１対１で対応付けることにより行われてもよいし、サービスＡのユーザとサービスＢのユーザを１対多で対応付けることにより行われてもよい。

サービスＡのユーザとサービスＢのユーザを１対多で対応付ける場合、情報処理装置１０は、サービスＡにおいてユーザに付与された特徴量から、サービスＢにおいてユーザに付与された特徴量を予測するモデルであって、サービスＡにおいて第１のユーザに付与された特徴量と、サービスＢにおいて第１のユーザに類似するユーザに付与された特徴量を集約した特徴量と、により学習を行ったモデルを用いて、サービスＡにおいて第２のユーザに付与された特徴量から、サービスＢにおいて第２のユーザに付与された特徴量を予測する。

例えば、情報処理装置１０は、サービスＡのユーザ５０１ａの特徴量を素性とし、サービスＢのユーザ５０１ｂ及びユーザ５０１ｂに類似するユーザ５０２ｂ及びユーザ５１３ｂの特徴量を集約した特徴量を正解として学習を行う。

例えば、ユーザ間の類似度は、図４の空間におけるコサイン距離等により定義される。また、情報処理装置１０は、加重平均により特徴量の集約を行うことができる。

情報処理装置１０は、連続値の特徴量については、加重平均により集約を行うことができる。また、情報処理装置１０は、例えば性別のような二値又は離散値の特徴量については、重み付き多数決により集約を行うことができる。

（最近傍法）
情報処理装置１０は、モデルを利用しない方法で予測を行ってもよい。図５を用いて、情報処理装置１０による最近傍法を使った特徴量の予測処理を説明する。図５は、実施形態に係る予測処理の一例を示す図である。

情報処理装置１０は、サービスＡにおいて第２のユーザに類似するユーザを特定し、当該特定したユーザに対し、サービスＢにおいて付与された特徴量を集約した特徴量を予測する。

例えば、情報処理装置１０は、サービスＡにおいてユーザ５０７ａに類似するユーザ５０１ａを特定し、ユーザ５０１ａと同一のユーザであるサービスＢのユーザ５０１ｂに類似する所定数のユーザ（例えば、オプトイン済みのユーザ５０２ｂ）の特徴量を集約する。

サービスＢにおいてユーザ５０１ａに類似する所定数のユーザには、オプトインがされていないユーザ５１３ｂ等が含まれていてもよい。

この場合、情報処理装置１０は、サービスＡにおいて第２のユーザに類似するユーザに、サービスＢにおいて類似するユーザを特定し、当該特定したユーザに対し、サービスＡにおいて付与された特徴量を集約した特徴量を予測する。

（クラスタリング）
情報処理装置１０は、各サービスで行われたクラスタリングの結果を利用して特徴量を予測することができる。図６を用いて、情報処理装置１０によるクラスタリングの結果を利用した特徴量の予測処理を説明する。図６は、実施形態に係る予測処理の一例を示す図である。

情報処理装置１０は、サービスＡにおける特徴量を基にユーザを分類したクラスタと、サービスＢにおける特徴量を基にユーザを分類したクラスタと、を第１のユーザを基準に対応付け、第２のユーザが属するサービスＡのクラスタに対応するサービスＢのクラスタに属するユーザの特徴量を集約した特徴量を予測する。

サービスＡでは、クラスタリングによりユーザがクラスタＣ１１ａ、クラスタＣ１２ａ及びクラスタＣ１３ａに分類されてものとする。また、サービスＢでは、クラスタリングによりユーザがクラスタＣ１１ｂ、クラスタＣ１２ｂ及びクラスタＣ１３ｂに分類されてものとする。

ここで、サービスＡのユーザ５０１ａがクラスタＣ１１ａに属し、ユーザ５０１ａと同一であるサービスＢのユーザ５０１ｂがクラスタＣ１１ｂに属していることから、情報処理装置１０はクラスタＣ１１ａとクラスタＣ１１ｂとを対応付ける。

ここで、情報処理装置１０は、サービスＡのクラスタＣ１１ａに属するユーザは、いずれもユーザ５０１ａと同じく性別が「Ｍ」であると予測する。

情報処理装置１０は、サービスＡにおける特徴量を基にユーザを所定の手法により分類したクラスタと、サービスＢにおける特徴量を基にユーザを所定の手法により分類したクラスタと、を第１のユーザを基準に対応付ける。

情報処理装置１０は、クラスタの対応付けが最適化されるようにクラスタリングの手法を選択する。例えば、情報処理装置１０は、ユーザをクラスタに分類する手法のうち、第１のサービスと第２のサービスにおいて、同一のユーザが同一のクラスタに分類されるような手法により分類したクラスタ同士を対応付ける。

例えば、サービスＢにおいて、図６に示すクラスタリングの結果と別の手法でクラスタリングを行った結果、サービスＢのユーザ５０１ｂとユーザ５０２ｂが異なるクラスタに属する結果になったものとする。

この場合、サービスＡのクラスタリングの結果とサービスＢのクラスタリングの結果が異なることになる。そのため、情報処理装置１０は、当該別の手法は採用せずに、図６において用いられた手法を採用する。

なお、クラスタリングの手法の違いは、アルゴリズムの違いによるものであってもよいし、閾値等のパラメータの違いによるものであってもよい。

［２．情報処理装置の構成］
図７を用いて、実施形態に係る情報処理装置１０の構成について説明する。図７は、実施形態に係る情報処理装置の構成例を示す図である。

図７に示すように、情報処理装置１０は、通信部１１と、記憶部１２と、制御部１３とを備える。なお、情報処理装置１０は、図７に示す機能部以外の他の機能部を備えていてもよい。

通信部１１は、例えば、ネットワークＮと有線又は無線で接続され、ネットワークＮを介して、他の装置との間で情報の送受信を行う。通信部１１は、例えば、ＮＩＣ（Network Interface Card）やアンテナ等によって実現される。ネットワークＮは、ＬＡＮ（Local Area Network）や、ＷＡＮ（Wide Area Network）や、電話網（携帯電話網や固定電話網等）や、地域ＩＰ（Internet Protocol）網や、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。

例えば、サーバ２０は、サービスＡ又はサービスＢを提供するためのサーバである。また、サーバ２０は、情報処理装置１０から予測結果の提供を受けるためのサーバであってもよい。

記憶部１２は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ等の半導体メモリ素子、又は、ハードディスクや光ディスク等の記憶装置によって実現される。記憶部１２は、制御部１３の各部により実行される情報処理を実現するためのプログラム及びデータを記憶する。

記憶部１２は、モデル情報１２１を記憶する。モデル情報１２１は、特徴量を予測するモデルを構築するためのパラメータ等の情報である。学習処理においては、情報処理装置１０はモデル情報１２１を更新する。予測処理においては、情報処理装置１０はモデル情報１２１からモデルを構築する。

制御部１３は、情報処理装置１０を制御するコントローラ（controller）である。制御部１３は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１０内部の記憶装置に記憶されている各種プログラム（例えば、情報処理プログラム）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１３は、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。

図７に示すように、制御部１３は、予測部１３１、更新部１３２及び提供部１３３を有する。制御部１３は、これらの各部により、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１３の内部構成は、図７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。

予測部１３１は、サービスＡにおいて第１のユーザに付与された特徴量と、サービスＢにおいて第１のユーザに付与された特徴量と、の関係を基に、サービスＡにおいて第２のユーザに付与された特徴量から、サービスＢにおいて第２のユーザに付与された特徴量を予測する。

前述の通り、サービスＡは第１のサービスの一例である。また、サービスＢは第２のサービスの一例である。また、第１のユーザは、例えばユーザ５０１ａ（サービスＢではユーザ５０１ｂ）

更新部１３２は、学習処理においてモデルを更新する。例えば、更新部１３２は、モデル情報１２１を更新する。

提供部１３３は、予測部によって予測された特徴量を提供する。

［３．処理手順］
図８を用いて、実施形態に係る情報処理装置１０による学習処理の手順を説明する。図８は、実施形態に係る学習処理の手順の一例を示すフローチャートである。

まず、情報処理装置１０は、オプトインをしたユーザの特徴量（素性）をサービスＡから取得する（ステップＳ１０１）。同様に、情報処理装置１０は、オプトインをしたユーザの特徴量（正解）をサービスＢから取得する（ステップＳ１０２）。

次に、情報処理装置１０は、サービスＡの特徴量からサービスＢの特徴量を予測するモデルに取得した特徴量（素性）を入力し、特徴量を予測する（ステップＳ１０３）。情報処理装置１０は、予測した特徴量と取得したサービスＢの特徴量との差分を基にモデルを更新する（ステップＳ１０４）。

これにより、情報処理装置１０はモデルの学習を行うことができる。なお、情報処理装置１０は、モデルを利用しない方法により予測処理を行うこともできる。

図９は、実施形態に係る予測処理の手順の一例を示すフローチャートである。図９に示すように、まず、情報処理装置１０は、サービスＡから取得したユーザの特徴量をモデルに入力し、当該ユーザのサービスＢにおける特徴量を予測する（ステップＳ２０１）。

ここでのユーザはオプトインをしておらず、サービスＢで付与された特徴量は未知であるものとする。また、情報処理装置１０は、予測した特徴量を所定の事業者のサーバ等に提供する（ステップＳ２０２）。

［４．ハードウェア構成］
実施形態に係る情報処理装置１０は、例えば図１１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１１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。

コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、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又は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（通信網）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（通信網）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又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、又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１０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１３の機能を実現する。また、ＨＤＤ１４００には、記憶部１２内のデータが格納される。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、ネットワーク（通信網）Ｎを介してこれらのプログラムを取得してもよい。

［５．その他］
上述した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又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又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。

上述の実施形態及び変形例において、情報処理装置１０による情報処理方法（図８を参照）を実現するために、情報処理装置１０が有する制御部１３の各部（予測部１３１、更新部１３２及び提供部１３３）に対応する処理機能は、情報処理装置１０にあらかじめインストールされている情報処理プログラムに対するアドオンとして実現してもよいし、軽量なプログラミング言語等を用いて、専用の情報処理プログラムとして柔軟に記述することにより実現されてもよい。

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、その全部又は一部を、各種の負荷や使用状況等に応じて、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。たとえば、制御部１３の予測部１３１は、モデル情報１２１からモデルを構築する機能と、モデルを使って特徴量を予測する機能とに機能的に分散されていてもよい。

また、上述の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。

［６．効果］
上述の実施形態に係る情報処理装置１０は、予測部１３１と、提供部１３３とを備える。予測部１３１は、第１のサービスにおいて第１のユーザに付与された特徴量と、第２のサービスにおいて第１のユーザに付与された特徴量と、の関係を基に、第１のサービスにおいて第２のユーザに付与された特徴量から、第２のサービスにおいて第２のユーザに付与された特徴量を予測する。提供部１３３は、予測部１３１によって予測された特徴量を提供する。

これにより、情報処理装置１０は、オプトインがされておらず、かつ異なるサービスで付与された特徴量が未知であるユーザの特徴量を予測することができる。このため、本実施形態によれば、異なる事業者が提供するサービス間で、ユーザの特徴を容易に共有することができる。

また、実施形態に係る情報処理装置１０において、予測部１３１は、第１のサービスにおいてユーザに付与された特徴量から、第２のサービスにおいてユーザに付与された特徴量を予測するモデルであって、第１のサービスと第２のサービスのそれぞれにおいて第１のユーザに付与された特徴量により学習を行ったモデルを用いて、第１のサービスにおいて第２のユーザに付与された特徴量から、第２のサービスにおいて第２のユーザに付与された特徴量を予測する。これにより、情報処理装置１０は、機械学習の手法を使って高精度な特徴量の予測を行うことができる。

予測部１３１は、第１のサービスにおいてユーザに付与された特徴量から、第２のサービスにおいてユーザに付与された特徴量を予測するモデルであって、第１のサービスにおいて第１のユーザに付与された特徴量と、第２のサービスにおいて第１のユーザに類似するユーザに付与された特徴量を集約した特徴量と、により学習を行ったモデルを用いて、第１のサービスにおいて第２のユーザに付与された特徴量から、第２のサービスにおいて第２のユーザに付与された特徴量を予測する。これにより、情報処理装置１０は、集約により学習データの偏りを低減させた上で、機械学習の手法を使って高精度な特徴量の予測を行うことができる。

予測部１３１は、第１のサービスにおいて第２のユーザに類似するユーザを特定し、当該特定したユーザに対し、第２のサービスにおいて付与された特徴量を集約した特徴量を予測する。これにより、情報処理装置１０は、類似するユーザの特徴量を用いて特徴量の予測を容易に行うことができる。

予測部１３１は、第１のサービスにおいて第２のユーザに類似するユーザに、第２のサービスにおいて類似するユーザを特定し、当該特定したユーザに対し、第１のサービスにおいて付与された特徴量を集約した特徴量を予測する。これにより、情報処理装置１０は、類似するユーザの特徴量を用いて特徴量の予測を容易に行うことができる。

予測部１３１は、第１のサービスにおける特徴量を基にユーザを分類したクラスタと、第２のサービスにおける特徴量を基にユーザを分類したクラスタと、を第１のユーザを基準に対応付け、第２のユーザが属する第１のサービスのクラスタに対応する第２のサービスのクラスタに属するユーザの特徴量を集約した特徴量を予測する。これにより、情報処理装置１０は、各サービスで行われたクラスタリングの結果を利用して特徴量の予測を行うことができる。

予測部１３１は、ユーザをクラスタに分類する手法のうち、第１のサービスと第２のサービスにおいて、同一のユーザが同一のクラスタに分類されるような手法により分類したクラスタ同士を対応付ける。これにより、情報処理装置１０は、特徴量の予測精度を向上させるようなクラスタリングの手法を選択することができる。

以上、本願の実施形態をいくつかの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、上述してきた「部（section、module、unit）」は、「手段」や「回路」等に読み替えることができる。例えば、予測部は、予測手段や予測回路に読み替えることができる。

１ 情報提供システム
１０ 情報処理装置
１１ 通信部
１２ 記憶部
１３ 制御部
２１ａ、２１ｂ ユーザＤＢ
１２１ モデル情報
１３１ 予測部
１３２ 更新部
１３３ 提供部

Claims (9)

1. 第１のサービスにおいて第１のユーザに付与された特徴量と、第２のサービスにおいて前記第１のユーザに付与された特徴量と、の関係を基に、前記第１のサービスにおいて第２のユーザに付与された特徴量から、前記第２のサービスにおいて前記第２のユーザに付与された特徴量を予測する予測部と、
   前記予測部によって予測された特徴量を提供する提供部と、
   を有することを特徴とする情報処理装置。
2. 前記予測部は、前記第１のサービスにおいてユーザに付与された特徴量から、前記第２のサービスにおいて前記ユーザに付与された特徴量を予測するモデルであって、前記第１のサービスと前記第２のサービスのそれぞれにおいて前記第１のユーザに付与された特徴量により学習を行ったモデルを用いて、前記第１のサービスにおいて前記第２のユーザに付与された特徴量から、前記第２のサービスにおいて前記第２のユーザに付与された特徴量を予測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. 前記予測部は、前記第１のサービスにおいてユーザに付与された特徴量から、前記第２のサービスにおいて前記ユーザに付与された特徴量を予測するモデルであって、前記第１のサービスにおいて前記第１のユーザに付与された特徴量と、前記第２のサービスにおいて前記第１のユーザに類似するユーザに付与された特徴量を集約した特徴量と、により学習を行ったモデルを用いて、前記第１のサービスにおいて前記第２のユーザに付与された特徴量から、前記第２のサービスにおいて前記第２のユーザに付与された特徴量を予測することを特徴とする請求項１に記載の情報処理装置。
4. 前記予測部は、前記第１のサービスにおいて前記第２のユーザに類似するユーザを特定し、当該特定したユーザに対し、前記第２のサービスにおいて付与された特徴量を集約した特徴量を予測することを特徴とする請求項１に記載の情報処理装置。
5. 前記予測部は、前記第１のサービスにおいて前記第２のユーザに類似するユーザに、前記第２のサービスにおいて類似するユーザを特定し、当該特定したユーザに対し、前記第１のサービスにおいて付与された特徴量を集約した特徴量を予測することを特徴とする請求項１に記載の情報処理装置。
6. 前記予測部は、前記第１のサービスにおける特徴量を基にユーザを分類したクラスタと、前記第２のサービスにおける特徴量を基にユーザを分類したクラスタと、を前記第１のユーザを基準に対応付け、前記第２のユーザが属する前記第１のサービスのクラスタに対応する前記第２のサービスのクラスタに属するユーザの特徴量を集約した特徴量を予測することを特徴とする請求項１に記載の情報処理装置。
7. 前記予測部は、ユーザをクラスタに分類する手法のうち、前記第１のサービスと前記第２のサービスにおいて、同一のユーザが同一のクラスタに分類されるような手法により分類したクラスタ同士を対応付ける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、
   第１のサービスにおいて第１のユーザに付与された特徴量と、第２のサービスにおいて前記第１のユーザに付与された特徴量と、の関係を基に、前記第１のサービスにおいて第２のユーザに付与された特徴量から、前記第２のサービスにおいて前記第２のユーザに付与された特徴量を予測する予測工程と、
   前記予測工程によって予測された特徴量を提供する提供工程と、
   を含むことを特徴とする情報処理方法。
9. コンピュータに、
   第１のサービスにおいて第１のユーザに付与された特徴量と、第２のサービスにおいて前記第１のユーザに付与された特徴量と、の関係を基に、前記第１のサービスにおいて第２のユーザに付与された特徴量から、前記第２のサービスにおいて前記第２のユーザに付与された特徴量を予測する予測手順と、
   前記予測手順によって予測された特徴量を提供する提供手順と、
   を実行させることを特徴とする情報処理プログラム。

Images